AI 개발의 새 기준: 비용·보안·검증

AI 개발의 핵심 기준이 단순한 모델 성능에서 비용·보안·검증으로 이동하고 있습니다. DeepSeek는 시간대별 API 요금을 도입했고, npm 12는 설치 스크립트를 기본 차단했습니다. GraphQL 개발에는 LLM(대규모 언어 모델) 기반 모의 데이터가 등장했지만, 재현성과 표준화 문제는 아직 남아 있습니다.

AI 비용은 사용량뿐 아니라 시간에 따라 달라집니다

DeepSeek는 V4 계열의 API(Application Programming Interface, 응용 프로그램 인터페이스) 요금을 조정하면서 피크와 비피크 시간대를 구분했습니다. 일부 항목의 인상 폭은 매우 크지만, 하루 24시간 중 17시간에는 할인 요금이 적용됩니다. 이에 따라 같은 작업이라도 언제 실행하느냐에 따라 비용이 달라집니다.

학생 개발팀과 교육기관에는 중요한 변화입니다. 과제 채점, 문서 요약, 임베딩 생성처럼 즉시 처리할 필요가 없는 작업은 저렴한 시간대로 옮길 수 있습니다. 반면 실시간 튜터나 대화형 서비스는 응답 속도가 중요하므로 가격만 보고 운영 시간을 바꾸기 어렵습니다. 앞으로는 Model Routing(모델 라우팅, 작업별로 적합한 모델을 선택하는 방식)과 작업 예약이 AI 시스템 설계의 기본 역량이 될 가능성이 큽니다.

npm 12는 패키지를 먼저 의심하도록 바꿨습니다

npm 12는 의존성 패키지의 preinstall, install, postinstall 스크립트를 기본적으로 실행하지 않습니다. 개발자가 필요한 패키지를 검토하고 명시적으로 허용해야 합니다. Git 저장소와 원격 압축 파일에서 가져온 의존성도 기본 차단됩니다.

이 변화는 Supply Chain Security(소프트웨어 공급망 보안)를 개발 교육의 주변 주제가 아니라 필수 과정으로 끌어올립니다. 이전에는 npm install이 단순한 준비 명령처럼 보였지만, 실제로는 외부 코드가 로컬 컴퓨터나 CI(지속적 통합) 환경에서 실행될 수 있었습니다. 다만 네이티브 모듈이나 브라우저 자동화 도구처럼 설치 스크립트가 필요한 패키지도 있어, 무조건 허용하면 보안 효과가 사라지고 무조건 차단하면 빌드가 깨질 수 있습니다.

교육자는 실습 저장소에 승인 목록과 승인 이유를 함께 기록하게 할 수 있습니다. 학생은 새 패키지를 추가할 때 유지관리 주체, 설치 스크립트, 배포 시점과 권한을 확인하는 습관을 들여야 합니다.

LLM이 GraphQL 모의 응답을 만들기 시작했습니다

Expedia가 공개한 mockql-rs는 GraphQL(그래프 형태의 API 질의 언어) 요청에서 지정된 필드의 응답을 LLM으로 생성합니다. 실제 백엔드에서 받은 데이터와 아직 구현되지 않은 필드의 생성 데이터를 하나의 응답으로 합칠 수 있어, 프론트엔드 개발과 프로토타이핑을 앞당길 수 있습니다.

하지만 생성된 값과 실제 값이 같은 응답 안에서 명확히 구분되지 않을 수 있고, 실행할 때마다 결과가 달라질 수 있습니다. 이는 Snapshot Test(스냅샷 테스트, 이전 출력과 현재 출력을 비교하는 검사)의 재현성을 해칩니다. Airbnb의 빌드 시점 생성 방식과 GraphQL 재단의 초기 RFC(Request for Comments, 표준 제안서)도 서로 다른 설계를 택하고 있어, 현재의 @mock 표기가 장기 표준이라고 단정하기 어렵습니다.

수업에서는 이 도구를 완성된 테스트 데이터 생성기로 보기보다 스키마 기반 시제품 제작에 활용하는 편이 안전합니다. 생성 데이터임을 표시하고, 고정된 Fixture(테스트용 고정 데이터)로 저장한 뒤 스키마 검증을 거쳐야 합니다.

연구에서도 AI의 결과보다 검증 과정이 중요합니다

Hugging Face가 진행한 ICML 2026 재현 도전에서는 약 2,200편의 논문을 AI 에이전트와 사람이 함께 검토했습니다. 조사된 논문의 51%에서는 적어도 하나의 주장이 독립적으로 확인됐지만, 23%에서는 하나 이상의 주장이 반박되거나 논쟁 대상이 됐습니다. 나머지는 축소 실험만 가능했거나 증거를 확정하지 못했습니다.

이 결과는 AI Agent(AI 에이전트, 목표에 따라 도구를 사용하며 여러 단계를 수행하는 시스템)가 대규모 검증을 빠르게 시도할 수 있음을 보여줍니다. 동시에 단위 불일치, 짧은 실험 구간, 비공개 데이터 같은 문제 때문에 사람의 판단이 여전히 필요하다는 점도 드러냅니다. 교육 현장에서도 AI가 만든 코드나 보고서를 제출하는 것보다 가정, 실행 기록, 실패 사례와 검증 근거를 함께 남기는 평가 방식이 중요해집니다.

학생 활용법

AI 프로젝트를 시작할 때 모델 정확도만 비교하지 말고 예상 토큰 비용, 실행 시간대, 패키지 설치 권한, 테스트 재현 조건을 체크리스트로 만드세요. LLM이 생성한 코드와 데이터에는 출처와 생성 여부를 표시하고, 동일한 조건에서 다시 실행해 결과가 유지되는지 확인하는 습관이 필요합니다.

성능 경쟁 이후의 개발 역량

이번 변화들은 하나의 방향을 가리킵니다. AI를 잘 쓰는 개발자는 가장 강력한 모델을 고르는 사람에 그치지 않습니다. 비용을 예측하고, 외부 코드를 통제하며, 생성 결과를 반복 검증할 수 있어야 합니다. 대학의 소프트웨어·AI 교육도 프롬프트 작성법을 넘어 운영 경제성, 공급망 보안, 재현 가능한 실험 설계를 함께 가르쳐야 합니다.