생성형 AI가 빠르게 발전하면서 IT 업계에서는 자연스럽게 이런 질문이 나오고 있습니다.
“AI가 코드를 작성하고 아키텍처까지 제안하는 시대에 클라우드 엔지니어의 역할은 어떻게 달라질까?“
최근의 AI는 Terraform 코드를 생성하고, Kubernetes Manifest를 작성하며, 로그를 분석하고, AWS 서비스 구성을 제안하는 수준까지 발전했습니다.
하지만 클라우드 엔지니어, 특히 Solutions Architect의 핵심 역할은 원래부터 단순한 구현에 있지 않았습니다.
비즈니스 요구사항을 기술 요구사항으로 해석하고, 여러 기술 선택지 가운데 적절한 아키텍처를 선택하며, 보안·비용·가용성·성능·운영성을 함께 고려하는 것이 중요한 역할이었습니다.
따라서 AI의 등장은 클라우드 엔지니어의 역할 자체를 바꾼다기보다, 기존 역할을 수행하는 방식을 변화시키고 있다고 보는 것이 더 적절합니다.
AI가 바꾸는 것은 역할보다 업무 방식이다
클라우드 환경을 설계할 때 SA는 단순히 AWS 서비스를 조합하지 않습니다.
서비스의 중요도, 예상 트래픽, 보안 요구사항, 장애 허용 수준, 운영 조직의 역량 등을 고려해 어떤 서비스를 사용할지, 어느 수준의 이중화를 구성할지, 어떤 네트워크 구조가 적절한지를 결정합니다.
AI가 등장했다고 해서 이러한 판단 과정이 사라지는 것은 아닙니다.
대신 Terraform 코드 작성, IAM Policy 초안 생성, 서비스 비교, 로그 분석처럼 설계 과정에서 필요한 일부 업무를 훨씬 빠르게 수행할 수 있게 되었습니다.
즉 AI는 아키텍처 설계를 대신하기보다 조사·구현·분석 과정의 생산성을 높여 주는 도구에 가깝습니다.
구현이 쉬워질수록 판단은 더 중요해진다
예를 들어 AI는 웹 서비스 요구사항을 바탕으로 다음과 같은 아키텍처를 제안할 수 있습니다.
Route 53
↓
CloudFront
↓
WAF
↓
ALB
↓
EKS
↓
RDS기술적으로 충분히 가능한 구성입니다.
하지만 실제 환경에서는 EKS가 정말 필요한지부터 다시 판단해야 합니다.
여러 개의 마이크로서비스를 운영하고 있고, 컨테이너 단위의 배포와 확장, 서비스 간 독립적인 운영이 중요하다면 EKS가 적절한 선택이 될 수 있습니다.
반대로 규모가 크지 않은 단일 애플리케이션이고, 배포 빈도가 높지 않으며 복잡한 컨테이너 오케스트레이션이 필요하지 않다면 EC2와 Auto Scaling Group을 이용한 구조가 더 단순하고 운영하기 쉬울 수도 있습니다.
EKS를 선택하면 높은 확장성과 배포 유연성을 얻을 수 있지만, Kubernetes Cluster와 Worker Node, Add-on, 네트워크, 버전 업그레이드 등 추가적인 운영 영역도 함께 관리해야 합니다.
반면 EC2 기반 구조는 상대적으로 단순하지만, 애플리케이션 수가 늘어나고 배포 및 확장 요구가 복잡해질수록 관리 부담이 커질 수 있습니다.
결국 중요한 것은 어떤 기술이 더 최신이거나 더 뛰어난지를 판단하는 것이 아닙니다.
현재 서비스의 규모와 특성, 향후 확장 가능성, 운영 조직의 역량을 고려해 EKS와 EC2 중 어느 구조가 더 적절한지를 판단하는 것이 중요합니다.
AI는 두 아키텍처의 장단점과 구성 방법을 빠르게 제안할 수 있습니다. 하지만 우리 환경에서 Kubernetes의 복잡성을 감수할 만큼 EKS가 필요한지, 아니면 EC2 기반의 단순한 구조로도 충분한지를 결정하는 것은 결국 SA의 역할입니다.
구현이 쉬워질수록 “어떻게 만들 것인가?”보다 “우리에게 정말 이 정도의 기술이 필요한가?”라는 질문이 더 중요해집니다.
SA의 핵심은 트레이드오프를 판단하는 일이다
아키텍처에는 대부분 하나의 절대적인 정답이 없습니다.
높은 가용성을 확보하면 비용이 증가하고, 보안 통제를 강화하면 운영 복잡도가 높아질 수 있습니다. 높은 유연성을 제공하는 기술은 더 높은 운영 역량을 요구하기도 합니다.
결국 아키텍처는 여러 요소 사이에서 균형을 찾는 과정입니다.
가용성 ↔ 비용
보안 ↔ 편의성
성능 ↔ 비용
유연성 ↔ 운영 복잡도예를 들어 모든 시스템에 Multi-Region Active-Active 구조를 적용하면 복원력은 높아지지만, 비용과 운영 부담 역시 크게 증가합니다.
반대로 중요한 핵심 서비스라면 이러한 비용을 감수하더라도 더 높은 수준의 복원력이 필요할 수 있습니다.
AI는 각각의 장단점을 정리해 줄 수 있습니다.
하지만 우리 서비스가 어떤 수준의 비용과 복잡성을 감수해야 하는지 결정하는 것은 여전히 SA의 역할입니다.
AI 시대에는 검증 능력이 더 중요해진다
AI 활용이 늘어날수록 중요해지는 영역 중 하나는 검증입니다.
AI가 생성한 코드와 아키텍처가 항상 현재 환경에 적합하거나 최선의 방법이라고 볼 수는 없습니다.
예를 들어 IAM Policy에 과도한 권한이 포함되거나 Security Group에 불필요한 0.0.0.0/0이 허용될 수 있습니다. 비용을 충분히 고려하지 않은 구성이 제안되거나 최신 AWS 사양과 맞지 않는 정보가 포함될 수도 있습니다.
따라서 AI가 제시한 결과가
- 기술적으로 올바른지
- 보안적으로 안전한지
- 현재 환경에 적용 가능한지
- 비용과 운영 측면에서 적절한지
검증할 수 있어야 합니다.
이를 위해서는 결국 네트워크, 보안, IAM, Compute, Database 등 클라우드 전반에 대한 기본적인 이해가 필요합니다.
AI가 발전할수록 기본기가 덜 중요해지는 것이 아니라, AI의 결과를 판단하기 위해 기본기를 사용하는 방식이 더욱 중요해지는 셈입니다.
시스템 전체를 바라보는 능력
실제 운영 환경의 문제는 하나의 서비스 안에서만 발생하지 않습니다.
사용자가 서비스에 접속할 수 없는 상황을 생각해 보면 원인은 DNS, Load Balancer, Network, Firewall, Application, Database 등 여러 영역에 있을 수 있습니다.
DNS
↓
CDN / Load Balancer
↓
Network / Firewall
↓
Application
↓
DatabaseAI가 로그 분석과 원인 추정을 도와줄 수는 있습니다.
하지만 여러 시스템에서 나타난 현상을 하나의 흐름으로 연결하고, 무엇을 먼저 확인해야 하는지 판단하려면 전체 아키텍처를 이해하는 능력이 필요합니다.
특히 클라우드 환경이 복잡해질수록 개별 서비스에 대한 지식보다 서비스 전체의 흐름을 이해하는 시야가 더욱 중요해집니다.
요구사항을 기술 언어로 변환하는 능력
현업의 요구사항은 항상 기술적인 언어로 전달되지 않습니다.
예를 들어,
“장애가 발생해도 서비스가 최대한 중단되지 않았으면 좋겠습니다.”
라는 요구가 있다면 SA는 이를 다시 구체화해야 합니다.
얼마 동안의 서비스 중단을 허용할 수 있는지, 어느 정도의 데이터 손실을 허용할 수 있는지, Availability Zone 장애만 고려할지 Region 장애까지 고려할지 등을 확인해야 합니다.
그 결과 RTO와 RPO를 정의하고, Multi-AZ, Backup, Failover, DR 같은 기술적인 설계로 연결할 수 있습니다.
AI는 주어진 문제에 대한 해결책을 빠르게 만들 수 있지만, 무엇이 실제 문제인지 정의하는 과정까지 자동으로 해결해 주는 것은 아닙니다.
잘못 정의된 문제에 대해 아무리 좋은 답을 얻더라도 좋은 아키텍처가 되기는 어렵습니다.
AI 시대, 클라우드 엔지니어에게 더 중요해지는 역량
결국 AI 시대에 완전히 새로운 역할이 등장한다기보다 기존 SA 역량의 중요도가 더욱 커지고 있다고 볼 수 있습니다.
1. 요구사항을 정확하게 정의하는 능력
비즈니스 요구를 기술적인 조건으로 구체화할 수 있어야 합니다.
2. 아키텍처와 트레이드오프를 판단하는 능력
보안, 비용, 가용성, 성능, 운영 복잡도 사이에서 현실적인 선택을 할 수 있어야 합니다.
3. 시스템 전체를 이해하는 능력
개별 AWS 서비스가 아니라 전체 요청 흐름과 서비스 간 관계를 볼 수 있어야 합니다.
4. AI의 결과를 검증하는 능력
AI가 제시한 코드와 아키텍처가 실제 환경에서도 적절한지 판단할 수 있어야 합니다.
마치며
AI 시대가 왔다고 해서 클라우드 엔지니어의 본질적인 역할이 갑자기 달라진 것은 아닙니다.
Solutions Architect에게 요구사항을 이해하고, 적절한 기술을 선택하고, 다양한 조건 사이에서 트레이드오프를 판단하는 능력은 이전부터 중요했습니다.
달라지고 있는 것은 그 일을 수행하는 방법입니다.
AI는 코드 생성, 문서 검색, 기술 비교, 로그 분석 같은 업무에 필요한 시간을 줄여 주고 있습니다.
그만큼 엔지니어는 더 많은 선택지를 빠르게 검토하고, 중요한 판단과 검증에 집중할 수 있게 됩니다.
따라서 AI 시대에 중요한 것은 새로운 기술을 하나 더 외우는 것이 아닙니다.
요구사항을 정확하게 이해하고, 시스템 전체를 바라보며, 적절한 기술을 선택하고, AI가 제시한 결과를 검증할 수 있는 능력입니다.
AI는 클라우드 엔지니어의 업무를 빠르게 만들어 줄 수 있지만, 어떤 기술을 선택하고 어떻게 적용할 것인지는 여전히 엔지니어의 판단이 필요합니다.
결국 AI 시대에도 중요한 것은 새로운 도구를 사용하는 능력보다, 그 결과를 이해하고 적절한 선택을 할 수 있는 기술적 판단력입니다.