이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
사이드 프로젝트에서 GitHub Copilot 기반 개발 워크플로우를 3개월간 적용해봤습니다. 보일러플레이트 코드와 단순 반복 작업은 제안을 즉시 수락하는 방식으로, 비즈니스 로직이 담긴 코드는 제안을 받되 직접 검증하는 방식으로 역할을 나눴습니다.
테스트 코드 작성 속도가 가장 눈에 띄게 빨라졌는데, 함수 시그니처와 docstring만 써도 기본 케이스 테스트를 제안해주는 경우가 많았습니다. 다만 레거시 코드 맥락이 없는 상황에서 생성된 제안은 기존 패턴과 어긋나는 경우가 있어, 리뷰 시간이 늘어난 영역도 있었습니다. AI 워크플로우는 도구가 아니라 협업 방식 재설계로 봐야 효과를 제대로 볼 수 있다고 느꼈습니다.
AI 코드 어시스턴트를 사용하면서 처음에는 생성된 코드를 빠르게 수락하는 경향이 있었습니다. 겉으로 보기에 맞아 보이는 코드가 실제로는 엣지 케이스에서 잘못 동작하는 경우를 경험했고, 나중에 테스트 중에 발견하게 됐습니다. AI가 생성한 코드도 직접 작성한 코드와 동일하게 리뷰하는 것이 필요하고, 빠르게 생성되는 것과 코드의 신뢰성은 별개라는 것을 이 경험에서 배웠습니다. 코드 생성이 빨라지면 검증에 더 신경 써야 하고, AI 워크플로우의 생산성은 생성 속도가 아니라 검증 과정을 얼마나 효율적으로 유지하는지에서 결정된다는 것을 알게 됐습니다. AI 기반 개발에서 검토 없이 수락하는 것은 빠름이 아니라 위험이라는 것을 이 경험에서 알게 됐습니다.
팀 프로젝트에서 AI 코드 어시스턴트를 각자 다른 방식으로 사용하고 있었는데, 코드 리뷰 때 AI가 생성한 코드와 직접 작성한 코드의 스타일이 섞이면서 일관성이 떨어지는 문제가 생겼습니다. AI 도구를 쓸 때 어떤 부분에 사용하고 어떤 부분은 직접 작성할지를 팀에서 합의하는 시간을 가졌고, 공통 기준을 정하니 코드 스타일의 일관성이 높아졌습니다. AI 개발 워크플로우는 개인 생산성 도구가 아니라 팀이 함께 사용 방식을 정해야 하는 협업 도구라는 것을 이 경험에서 배웠습니다. 도구를 팀 안에서 어떻게 쓸지를 합의하는 과정 자체가 팀의 개발 방식을 명시화하는 기회가 됐다는 것도 알게 됐습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 HD한국조선해양 엔지니어링 일반 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.