1. 바이브 코딩

AI 기초

기존 AI는 주로 판별을 했습니다 — 이 메일이 스팸인가, 이 사진이 고양이인가. 정해진 보기 중 하나를 고르는 일입니다.

생성형 AI는 없던 결과물을 만들어 냅니다. 글·이미지·영상·코드처럼 보기가 무한한 것을 출력합니다. 이 과목에서 다루는 도구는 전부 여기에 속합니다.

AI 기초

다음에 올 단어(토큰)로 가장 그럴듯한 것을 확률로 고르는 일을 반복합니다. 문장을 통째로 검색해 오는 것이 아니라 한 조각씩 이어 붙여 만듭니다.

그래서 같은 질문에도 답이 조금씩 달라지고, 근거 없이도 매끄러운 문장이 나옵니다. 아래 4번의 환각이 여기서 나옵니다.

AI 기초

네 가지를 채우면 대부분 좋아집니다 — ① 역할(누구로서 답할지) ② 맥락(대상·목적·제약) ③ 원하는 형식(표·목록·글자 수) ④ 예시 한두 개.

"보고서 써줘"와 "팀장에게 보낼 1장짜리 주간 보고를, 지난주 대비 변화를 표로, 존댓말로"의 차이입니다. 모델이 똑똑해질수록 이 차이는 줄지만 없어지지는 않습니다.

AI 기초

사실이 아닌 내용을 사실처럼 만들어 내는 현상입니다. 없는 논문·판례·URL·통계가 대표적입니다.

모델은 "맞는 말"이 아니라 "그럴듯한 말"을 고르도록 학습됐고, 자기가 아는지 모르는지를 따로 판단하지 않습니다. 그래서 모르는 영역에서도 문장은 똑같이 매끄럽게 나옵니다.

대응은 하나뿐입니다 — 숫자·고유명사·인용은 반드시 원본에서 확인하십시오.

바이브 코딩

코드를 직접 타이핑하는 대신, 만들고 싶은 것을 자연어로 설명하고 AI가 쓴 코드를 돌려 보며 고쳐 나가는 방식입니다. 2025년 초 안드레이 카파시가 쓴 표현이 퍼지면서 이름이 굳었습니다.

장점은 시작 속도입니다. 위험은 돌아가긴 하는데 왜 돌아가는지 모르는 코드가 쌓이는 것입니다. 개인 프로젝트·시제품에는 강하고, 남의 돈·개인정보가 걸린 코드에는 검토가 반드시 붙어야 합니다.

ChatGPT

미국 OpenAI가 2022년 11월에 공개했습니다. 생성형 AI를 대중에게 처음 알린 서비스입니다.

GPT는 Generative Pre-trained Transformer — 생성형(Generative), 대량의 텍스트로 미리 학습한(Pre-trained), 트랜스포머 구조(Transformer)라는 뜻입니다.

ChatGPT

답하기 전에 스스로 생각을 여러 단계 펼쳐 본 뒤 결론을 냅니다. 그래서 수학·논리·복잡한 코딩에서 정답률이 올라갑니다.

대신 느리고 비쌉니다. 요약·번역·초안처럼 답이 바로 나오는 일에는 일반 모델이 낫습니다. 문제가 어려울 때만 꺼내 쓰는 도구로 생각하십시오.

ChatGPT

같은 지시를 매번 다시 쓰고 있을 때입니다. 역할·말투·금지사항·참고 문서를 한 번 넣어 두면 다음부터 그 상태로 대화가 시작됩니다.

코딩 없이 만들 수 있지만, 넣어 둔 문서가 곧 답의 근거가 되므로 대외비 자료를 올릴 때는 조직 정책을 먼저 확인해야 합니다.

ChatGPT

코드 실행(데이터 분석) 기능입니다. 모델이 눈대중으로 답하는 게 아니라, 파이썬 코드를 직접 짜서 격리된 환경에서 돌리고 그 결과를 보여 줍니다.

그래서 계산은 신뢰도가 높습니다. 다만 파일을 어떻게 읽었는지(빈 칸·중복 처리) 전제가 틀릴 수 있으니, 만들어진 코드나 중간 결과를 한 번 보는 습관이 좋습니다.

ChatGPT

쓸 수 있는 모델의 등급과 사용량 한도입니다. 무료는 대체로 가벼운 모델과 낮은 한도, 유료는 최신·추론 모델과 높은 한도를 씁니다.

입문자라면 먼저 무료로 한 달 쓰면서 "한도에 계속 걸리는가"를 보고 결정하는 편이 낫습니다. 도구가 아니라 사용 빈도가 결제 근거입니다.

Claude

미국 Anthropic이 만들었습니다. OpenAI 출신 연구자들이 2021년에 세운 회사로, 안전성 연구를 앞세우는 것이 특징입니다.

Claude

긴 문서를 통째로 읽고 다루는 일, 그리고 코딩입니다. 계약서·논문·회의록처럼 분량이 큰 자료를 한 번에 넣고 질문하는 용도로 많이 씁니다.

문체가 담백하고 지시를 곧이곧대로 따르는 편이라, 형식이 정해진 문서 작업에도 잘 맞습니다.

Claude

터미널에서 도는 도구로, 내 컴퓨터의 파일을 직접 읽고 고치고 명령을 실행합니다. 대화창에서 코드를 복사해 붙여 넣는 왕복이 사라집니다.

그만큼 권한이 크므로 git으로 되돌릴 수 있는 상태에서 쓰는 것이 전제입니다. 바이브 코딩을 실제 프로젝트에서 하려면 이런 형태의 도구가 필요합니다.

Claude

모델이 한 번에 볼 수 있는 분량(컨텍스트 윈도우)이 정해져 있어서, 넘치면 앞부분이 밀려납니다. 초반에 정한 규칙이 뒤에서 지켜지지 않는 것이 이 증상입니다.

주제가 바뀌면 새 대화를 시작하고, 계속 지켜야 할 규칙은 프로젝트 설정이나 첫 메시지에 고정해 두십시오.

Gemini

글자만이 아니라 이미지·오디오·영상·코드를 같은 모델이 함께 이해한다는 뜻입니다. 사진을 넣고 질문하거나, 영상을 넣고 요약을 시킬 수 있습니다.

구글이 만들었고, 검색·문서·메일 같은 자사 서비스와 붙여 쓰는 것이 강점입니다.

Gemini

자료를 복사해 옮기는 단계가 없어집니다. 문서 안에서 초안을 만들고, 메일함에서 스레드를 요약하는 식으로 쓰던 자리에서 바로 부릅니다.

반대로 말하면 조직이 구글 워크스페이스를 쓰지 않으면 이 장점은 사라집니다. 도구 선택은 회사가 이미 쓰는 것과 붙는지를 먼저 봐야 합니다.

Gemini

한 번에 넣을 수 있는 자료의 양이 늘어납니다. 300쪽 매뉴얼이나 긴 영상 자막을 쪼개지 않고 통째로 넣을 수 있으면, 쪼개면서 생기는 앞뒤 맥락 손실이 사라집니다.

다만 넣은 만큼 느려지고 비싸집니다. 전부 넣는 게 항상 최선은 아니고, 필요한 부분만 넣는 편이 빠르고 정확할 때가 많습니다.

Perplexity

둘의 중간인 "답변 엔진"입니다. 링크 목록을 주는 대신 웹을 검색해 답을 문장으로 만들고, 문장마다 출처 번호를 붙입니다.

그래서 링크를 하나씩 열어 보는 시간이 줄고, 답이 맞는지 확인할 단서가 함께 옵니다.

Perplexity

아닙니다. 출처가 붙었다는 것은 그 문서를 참고했다는 뜻이지, 요약이 정확하다는 보증이 아닙니다. 원문에 없는 내용이 요약에 섞이는 경우가 있습니다.

중요한 숫자와 인용은 각주를 눌러 원문에서 확인하십시오. 출처 표시의 진짜 가치는 "믿게 해 주는 것"이 아니라 "확인을 빠르게 해 주는 것"입니다.

Perplexity

모델은 학습을 마친 시점(지식 컷오프) 이후의 일을 모릅니다. 그 이후 사건을 물으면 모르는 채로 그럴듯하게 지어낼 수 있습니다.

Perplexity처럼 질문할 때마다 웹을 검색해 근거를 가져오는 방식은 이 한계를 우회합니다. 요즘은 다른 챗봇들도 검색 기능을 켜면 같은 일을 하지만, 기본 동작이 검색이라는 점이 다릅니다.