AI는 이제 개발자의 작업 영역 안으로 완전히 들어왔다.
코드를 작성하고, 리뷰하고, 테스트까지 돕는다.
이쯤 되면 이런 질문이 자연스럽다.

“그럼 개발자는 앞으로 뭘로 경쟁해야 할까?”

이 질문에 대한 답은
의외로 새로운 기술에 있지 않다.

AI가 등장하면서
개발자의 일은 줄어든 게 아니라 성격이 바뀌었다.

1) 코드를 치는 능력은 기본값이 됐다

예전에는
“이걸 구현할 수 있느냐”가 실력이었다면,
지금은 “이 구현이 맞는 선택이냐”가 실력이다.

AI 덕분에
코드를 못 짜서 막히는 경우는 점점 줄어든다.
대신 잘못된 코드를 너무 빨리 만들 수 있게 됐다.

속도가 빨라진 만큼
판단의 무게는 더 무거워졌다.

2) 문제를 정의하는 능력이 가장 중요해졌다

AI는 질문에 답한다.
하지만 질문을 만들어주지는 않는다.

• 무엇이 문제인지
• 어디까지가 해결 범위인지
• 지금 풀어야 할 문제인지

이 정의가 흐리면
AI는 그럴듯한 코드를 만들어내고,
프로젝트는 엉뚱한 방향으로 간다.

문제를 정의하는 능력은
여전히 사람만이 가진 영역이다.

3) 맥락을 설명할 수 있는 사람이 살아남는다

코드는 언젠가 다시 읽힌다.
그때 중요한 건 코드 그 자체보다도
그 코드가 만들어진 이유다.

• 왜 이 구조를 택했는지
• 왜 여기서 예외를 허용했는지
• 왜 이 타이밍에 이 결정을 했는지

AI는 코드를 남기지만,
맥락은 남기지 않는다.
이 맥락을 말로 설명할 수 있는 사람이
결국 팀에서 중심이 된다.

4) 책임을 회피하지 않는 태도

AI 시대에도 변하지 않는 게 하나 있다.

사고가 나면
AI가 아니라 사람이 설명한다.

• 로그를 보고
• 원인을 추적하고
• 다시는 발생하지 않게 막는다

도구가 아무리 발전해도
책임은 자동화되지 않는다.
이 태도 하나만으로도
개발자의 신뢰도는 크게 갈린다.

5) AI를 의심할 줄 아는 감각

AI를 잘 쓰는 개발자는
AI를 그대로 믿지 않는다.

• 한 번 더 의심하고
• 다른 가능성을 떠올리고
• 실패 시나리오를 먼저 그린다

AI는 정답을 제시하지만,
현실은 항상 예외를 끼워 넣는다.
이 간극을 메우는 감각이
앞으로의 경쟁력이다.

AI는 개발자를 대체하지 않는다.
다만 개발자를 시험한다.

• 생각 없이 쓰는지
• 판단하고 쓰는지
• 책임질 준비가 되어 있는지

이 차이가 쌓여
몇 년 뒤 실력 차이가 된다.

AI 시대의 진짜 경쟁력은
새로운 도구를 얼마나 많이 아느냐가 아니라,
선택의 이유를 설명할 수 있는가에 있다.

그 질문에 답할 수 있다면
AI는 위협이 아니라
가장 강력한 조력자가 된다.

AI가 만든 코드는 대부분 멀쩡해 보인다.
컴파일도 되고, 테스트도 통과하고, 리뷰에서도 큰 지적이 없다.

그래서 더 위험하다.

실무에서 문제 되는 순간들은
대개 “아무도 의심하지 않았던 코드”에서 시작된다.

AI 코드로 사고가 나는 패턴은 의외로 비슷하다.

1) 예외가 없을 거라고 가정한 코드

AI는 정상 흐름을 기준으로 코드를 만든다.
입력은 항상 올바르고,
외부 시스템은 항상 응답하며,
데이터는 깨지지 않는다고 가정한다.

실제 서비스에서는 정반대다.

• 빈 값
• 지연 응답
• 형식이 다른 데이터

이 중 하나만 섞여도
AI 코드의 가정은 바로 무너진다.
그리고 이건 테스트 코드에 잘 드러나지 않는다.

2) 환경 의존성이 빠진 코드

AI는 실행 환경을 모른다.

• 운영 서버의 메모리 제한
• 특정 OS나 드라이버 이슈
• 네트워크 지연이나 패킷 손실

로컬에서는 멀쩡한 코드가
운영 환경에서만 간헐적으로 터진다.
가장 추적하기 힘든 유형의 사고다.

이때 남는 건
“왜 여기서만 이러지?”라는 질문뿐이다.

3) 경계 조건이 없는 반복 로직

AI가 생성한 반복문이나 재귀 로직은
대체로 깔끔하다.
하지만 종료 조건이 현실을 반영하지 못하는 경우가 많다.

• 데이터가 예상보다 많을 때
• 특정 조건에서 빠져나오지 못할 때
• 한 번 더 실행되면 안 되는 경우

이런 문제는
트래픽이 몰리거나,
데이터가 쌓인 뒤에야 모습을 드러낸다.

4) 로그와 관측 지점이 없는 코드

사고가 났을 때
가장 먼저 확인하는 건 로그다.

문제는 AI 코드에
“왜 여기에 로그가 없지?” 싶은 경우가 잦다는 점이다.

• 분기 지점
• 실패 가능 지점
• 외부 호출 직전과 직후

이 포인트를 놓치면
사고가 나도 원인을 재현하기 어렵다.
복구보다 추적에 더 많은 시간이 든다.

5) 너무 빨리 머지된 코드

AI 코드의 가장 큰 위험은 속도다.

• 빨리 만들어지고
• 빨리 리뷰되고
• 빨리 머지된다

그 과정에서
“한 번만 더 생각해보자”는 단계가 사라진다.

AI가 만든 코드라서가 아니라,
AI라서 방심했기 때문에 사고가 난다.

AI 코드 자체가 문제인 경우는 드물다.
문제는 그 코드를 다루는 사람의 태도다.

• 의심하지 않고
• 가정 위에 가정을 쌓고
• 설명 없이 머지했을 때

사고는 자연스럽게 발생한다.

AI를 쓸수록
코드를 더 천천히 봐야 하는 이유다.

다음 사고를 막는 가장 확실한 방법은
새로운 도구가 아니라
익숙한 질문 하나다.

“이 코드가 실패하면, 어떻게 망가질까?”

AI를 쓰다 보면 어느 순간 이런 고민이 생긴다.
“이 정도면 AI가 다 해줘도 되는 거 아닌가?”

실제로 단순한 코드 작성이나 반복 작업은
이미 AI가 사람보다 빠르고 정확하다.
문제는 경계선이다.

어디까지 맡기고,
어디부터 사람이 봐야 할까.

AI에게 맡겨도 되는 영역은 생각보다 명확하다.

1) 반복적이고 규칙이 분명한 코드

• DTO, VO 같은 데이터 구조
• 단순 CRUD 로직
• 명확한 입출력을 가진 유틸 함수

이 영역에서는 AI가 거의 실수하지 않는다.
오히려 사람이 직접 치는 것보다 일관성이 좋다.
시간을 아끼는 용도로는 최적이다.

2) 기존 패턴을 따르는 코드

이미 팀이나 프로젝트에
명확한 패턴이 자리 잡고 있다면
AI는 그 패턴을 빠르게 복제한다.

• 기존 코드 예시를 충분히 주고
• 범위를 명확히 제한하면

초안으로 쓰기엔 꽤 믿을 만하다.
다만 “그대로 머지”는 아직 이르다.

반대로, 여기서부터는 사람이 반드시 개입해야 한다.

3) 시스템의 경계를 건드리는 코드

• 외부 시스템 연동
• 네트워크, 파일, 장비 제어
• 장애가 발생할 수 있는 지점

이 영역은 한 번 터지면 영향 범위가 크다.
AI는 정상 흐름을 기준으로 코드를 만들지만,
실무에서는 비정상 흐름이 더 자주 등장한다.

이 판단은 경험 없이는 불가능하다.

4) 성능과 안정성의 균형이 필요한 부분

AI는 대체로 “깔끔한 코드”를 선호한다.
하지만 실무에서는 종종 더러워도 빠른 코드,
우아하지 않아도 안전한 코드가 필요하다.

• 캐시 전략
• 메모리 사용
• 타이밍 이슈

이런 선택은 서비스의 성격을 이해한 사람이 내려야 한다.

5) 나중에 책임을 져야 하는 코드

코드를 머지하는 순간,
그 코드는 언젠가 누군가가 다시 읽게 된다.

• 왜 이렇게 설계했는지
• 어디까지 가정한 코드인지
• 어디를 건드리면 안 되는지

이 설명을 할 수 없다면
그 코드는 아직 사람 손을 덜 탄 상태다.
AI가 아니라 개발자의 언어로 정리돼야 한다.

AI는 훌륭한 도구다.
하지만 방향을 정해주지는 않는다.

• AI는 빠르게 만든다
• 사람은 의미를 부여한다
• 책임은 사람이 진다

이 역할이 섞이지 않을 때,
AI는 가장 강력한 생산성 도구가 된다.

코드를 맡길지 말지 고민될 때는
이 질문 하나면 충분하다.

“이 선택을 내가 설명할 수 있는가?”

설명할 수 있다면 맡겨도 되고,
설명할 수 없다면 아직은 사람 차례다.

AI가 코드를 써주는 시대가 됐다.
함수 하나, 로직 하나 정도는 몇 초면 뚝딱 나온다.
처음엔 솔직히 감탄이 먼저 나온다.

“이 정도면 그냥 써도 되겠는데?”

하지만 실무에서 몇 번 겪고 나면
이 생각은 금방 바뀐다.

AI가 만든 코드는 대체로 그럴듯하다.
컴파일도 되고, 테스트도 통과한다.
문제는 그 다음부터다.

1) AI 코드는 ‘상황’을 모르고 만들어진다

AI는 요구사항을 보고 코드를 만든다.
하지만 그 요구사항이 왜 생겼는지는 모른다.

• 이 코드가 임시인지
• 나중에 갈아엎을 전제인지
• 특정 환경에서만 쓰이는지

이런 배경이 빠진 상태에서 만들어진 코드는
겉보기엔 완성품처럼 보여도,
실제로는 맥락이 없는 조각에 가깝다.

2) 정상 동작과 안전 동작은 다르다

AI가 만든 코드는 보통 “잘 되는 경우”에 집중한다.
문제는 실무에서는 안 되는 경우가 더 중요하다는 점이다.

• 입력이 비정상일 때
• 외부 시스템이 응답하지 않을 때
• 데이터가 깨졌을 때

이런 상황에서 어떻게 실패해야 하는지는
AI가 알아서 설계해주지 않는다.
결국 장애는 사람이 만든 가정의 빈틈에서 터진다.

3) 코드의 책임자는 AI가 아니다

AI가 만든 코드로 장애가 나도
원인을 설명해야 하는 건 개발자다.

• 왜 이 구조로 작성했는지
• 왜 이 예외 처리를 선택했는지
• 왜 이 타이밍에 머지했는지

“AI가 이렇게 써줬다”는 이유는
그 어디에서도 통하지 않는다.
코드를 머지한 순간, 책임은 사람에게 넘어온다.

4) 유지보수는 작성이 아니라 이해에서 시작된다

지금은 잘 돌아가는 코드라도
6개월 뒤, 1년 뒤에는 다른 사람이 만진다.

그때 필요한 건

• 코드가 왜 이렇게 생겼는지
• 어떤 전제가 깔려 있는지
• 어디까지 믿어도 되는지

AI가 만든 코드는
이 설명이 빠져 있는 경우가 많다.
결국 유지보수 비용은 사람 쪽에서 치르게 된다.

5) AI 코드는 초안이지, 완성본이 아니다

AI를 쓰지 말자는 얘기가 아니다.
오히려 잘 쓰면 생산성은 확실히 올라간다.

다만 위치가 다르다.

• AI는 초안을 만든다
• 사람은 맥락을 입힌다
• 최종 판단은 사람이 한다

이 선을 넘는 순간,
편해지는 대신 위험해진다.

AI가 만들어준 코드는
생각을 덜어주는 도구지,
판단을 대신해주는 존재는 아니다.

코드를 머지하기 전에
“이 코드를 내가 설명할 수 있는가?”
한 번만 자문해보면 된다.

그 질문에 답할 수 있다면
그때 머지해도 늦지 않다.

AI 코드 리뷰는 분명히 생산성을 끌어올린다.
문법 오류를 잡고, 스타일을 통일하고,
리뷰 속도를 사람이 따라갈 수 없을 정도로 끌어올린다.

하지만 실무에 넣어보면 곧 느끼게 된다.
“이건 편해졌는데, 이 부분은 오히려 더 조심해야겠는데?”라는 감각을.

아래는 실제로 사용하면서 반복해서 마주친 지점들이다.

1) 맥락을 모른 채 ‘정답 코드’를 제시한다

AI는 코드만 보고 판단한다.
문제는 왜 이 코드가 이렇게 작성되었는지는 알 수 없다는 점이다.

• 레거시 시스템과의 호환
• 특정 장비나 환경 제약
• 성능보다 안정성을 우선한 설계

이런 배경이 빠진 상태에서
AI는 종종 “더 깔끔한 코드”를 제안한다.
겉으로는 좋아 보이지만, 실제로 적용하면 리스크가 커지는 경우도 적지 않다.

2) 컴파일은 되지만, 책임지는 코드는 아니다

AI가 제안한 코드가 컴파일된다고 해서
그 코드가 안전하다는 의미는 아니다.

에러 처리가 애매하거나,
경계 조건이 빠져 있거나,
운영 환경에서는 한 번도 검증되지 않은 흐름이 남아 있는 경우가 많다.

결국 장애가 나면 로그를 읽고 원인을 추적하는 건 사람이다.
AI는 사과하지 않는다.

3) 팀의 암묵적 규칙을 이해하지 못한다

실무 코드에는 문서에 없는 규칙들이 숨어 있다.

• 이 함수는 여기서만 호출한다
• 이 값은 절대 외부에 노출하지 않는다
• 이 로직은 건드리면 안 된다

AI는 이런 암묵적 합의를 알지 못한 채
형식적으로 “더 나은 구조”를 권한다.
그래서 리뷰를 그대로 수용하기보다
의도를 다시 확인하는 과정이 반드시 필요하다.

4) 테스트 관점이 항상 한 박자 늦다

AI는 코드 개선에는 능숙하지만
“이게 어디서 터질 수 있을까?”라는 질문에는 약하다.

실제 서비스에서 문제가 되는 지점은
대부분 엣지 케이스와 예외 흐름이다.
이 부분은 여전히 경험 많은 개발자의 촉이 더 빠르다.

이런 이유로 AI 코드 리뷰 결과를 그대로 적용하기보다는,
사람이 직접 맥락과 의도를 다시 확인하는 과정이 필요하다.

실제로 코드의 책임과 판단을 어디까지 사람이 가져가야 하는지에 대해서는
아래 글에서도 조금 더 정리해두었다.

👉 관련 글: 개발자가 끝까지 책임져야 하는 코드의 영역  
https://cheolystudy.tistory.com/139

5) AI를 잘 쓰는 사람과, 그대로 믿는 사람의 차이

AI 코드 리뷰는 강력한 도구다.
하지만 도구는 도구일 뿐, 판단을 대신해주지는 않는다.

• 제안은 참고만 하고
• 적용 여부는 사람이 결정하며
• 책임 역시 사람이 진다

AI를 잘 쓰는 개발자는
AI를 의심할 줄 아는 개발자다.

AI 코드 리뷰 덕분에 개발 속도는 분명히 빨라졌다.
다만 코드의 무게를 대신 들어주는 존재는 아니다.

결국 코드를 설명하고, 책임지고, 유지하는 일은
여전히 사람의 몫으로 남아 있다.

AI가 코드 리뷰를 대신하는 시대.
그러나 개발자의 역할은 줄어드는 대신 ‘달라지고’ 있다.
오늘은 변화하는 개발자의 핵심 역량 5가지를 정리한다.

본문

프로그래밍 세계는 바다처럼 일정한 리듬으로 변화를 밀어 넣는다.
그리고 이제 그 파도 앞에는 AI 코드 리뷰어가 자리 잡았다.
문법 오류를 집어내고, 복잡한 로직을 뜯어 보고, 심지어 “이건 더 우아하게 쓸 수 있지 않을까?” 하는 제안까지 건넨다.

많은 주니어 개발자들이 이런 질문을 던진다.
“AI가 코드 리뷰까지 해버리면… 나는 어디에 서야 할까?”

오늘은 그 물음에 대한 다섯 가지 답을 준비했다.

1) AI가 못하는 ‘문맥 판단력’을 가지기

AI는 패턴을 읽지만 ‘맥락을 이해하는 감각’은 부족하다.
같은 기능이라도 서비스의 철학과 팀의 우선순위에 따라 설계는 달라진다.
앞으로의 개발자는 기능보다 ‘이 기능이 왜 필요한가’를 설명할 수 있는 사람이 되어야 한다.

2) 추상화 능력: 구조를 짓는 건 결국 사람

AI는 기존 코드를 정교하게 다듬는다.
하지만 코드의 뼈대를 세우는 일은 여전히 인간의 의지에서 시작된다.
아키텍처 설계, 책임 분리, 확장성 판단 같은 문제는 경험과 사고력이 필수다.

3) 코드를 설득하는 글쓰기 능력

기술 문서·설계 문서·Pull Request 설명…
이제는 코드보다 글이 먼저 읽히는 시대다.
AI로 초안을 만들 수는 있지만 “왜 이렇게 만들었는가”에 대한 설명은 결국 개발자의 언어에서 태어난다.

4) 테스트 전략: AI보다 한 발 먼저 의심하기

AI가 코드를 고칠 수는 있어도,
“어디가 위험한가?”를 직감하는 능력은 개발자의 노하우에서 비롯된다.
테스트 케이스 설계, 엣지 케이스 탐색, 장애 예방 시나리오 작성이 새로운 필수 스킬이 된다.

5) AI 활용 능력 자체가 실력

이제 개발자에게 AI는 경쟁자가 아니라 확장된 작업자다.
AI에게:

• 코드 리뷰
• 리팩토링 제안
• 성능 진단
• 문서 초안
  을 맡기는 능력이 바로 생산성의 격차를 만든다.

AI를 잘 쓰는 개발자 = 더 빠르게 성장하는 개발자
이건 이미 증명 중이다.

마무리

AI가 코드 리뷰를 시작하며 개발자의 역할은 줄어들지 않았다.
대신 더 전략적이고 더 사람스러운 영역으로 이동하고 있다.

오늘 글이 프로그래밍의 다음 길을 가는 당신에게 작은 나침반처럼 작동하길.

이 글은 2025년 11월 현재 직장인의 업무 및 학습 효율을 10배 높이는 생성형 AI 툴 활용 마스터 전략을 제시합니다. 챗GPT, 제미나이, 코파일럿 등 주요 AI 툴의 최신 기능을 비교하며, 독자가 자신의 주력 업무에 맞는 툴을 선택하도록 돕습니다. 특히 '프롬프트 공식'을 활용한 기획/보고서 작성법과 코딩 학습, 외국어 회화 등 자기계발에 AI를 코치처럼 활용하는 실질적인 방법을 소개합니다. 또한 AI를 통한 재테크 정보 분석 활용 팁과 함께, 유/무료 선택 기준 및 AI 환각 방지(교차 검토) 등 실패 없는 AI 도입을 위한 체크리스트를 제공하며, AI를 똑똑한 무기로 삼아 생산성을 높일 것을 독려합니다.

요즘 회사에서 '생성형 AI' 얘기 안 하면 대화가 안 되죠? 옆자리 김 대리는 챗GPT로 보고서를 뚝딱 만들고, 박 차장은 제미나이로 복잡한 데이터 분석을 순식간에 끝낸다고 하니, "나만 뒤처지는 건 아닐까?" 불안하실 수 있습니다. 하지만 걱정 마세요! 2025년 직장인의 무기가 된 생성형 AI 툴을 정확히 비교하고, 내 업무와 학습 속도를 획기적으로 끌어올릴 수 있는 단계별 마스터 전략을 친근하고 쉽게 알려드리겠습니다. 지금 바로 따라와 보세요!

1. 2025년 AI 삼국지: 챗GPT vs. 제미나이 vs. 코파일럿, 최신 기능 비교

현재 생성형 AI 시장은 챗GPT(OpenAI), 제미나이(Google), 코파일럿(Microsoft)의 3파전입니다. 챗GPT는 독보적인 언어 모델 성능을 바탕으로 가장 폭넓은 사용자층을 확보하고 있으며, 특히 창의적인 글쓰기에 강합니다. 제미나이는 구글 생태계(Gmail, Docs)와의 연동성 덕분에 정보 검색과 실시간 데이터 분석에 유리하죠. 반면 코파일럿은 엑셀, 파워포인트 등 MS 오피스 환경에 최적화되어 있어 직장인의 업무 생산성을 즉각적으로 높여줍니다. 어떤 툴이 자신의 주력 업무 환경에 가장 적합한지 비교해보고 선택하는 것이 중요합니다!

2. [업무 효율] 기획/보고서 작성 속도 5배 높이기: AI 프롬프트 공식

AI를 비서처럼 활용하고 싶다면 '프롬프트 공식'을 마스터해야 합니다. 무작정 질문하기보다 '명확한 목표-역할 부여-배경 정보-원하는 결과 형식'을 순서대로 제시해보세요. 예를 들어, "당신은 5년차 마케팅 전문가입니다. (역할) 2025년 하반기 MZ세대 트렌드 보고서 초안을 작성해주세요. (목표) 보고서는 핵심 요약, 3가지 트렌드, 기대 효과 순으로 목차를 구성해야 합니다. (형식)"과 같이 구체적으로 요청하면, AI는 즉시 요구사항에 맞는 보고서 초안을 제공하여 업무 시간을 획기적으로 단축시켜 줍니다.

3. [자기계발] 2040을 위한 AI 코치: 코딩부터 외국어 학습까지 '맞춤형' 활용법

AI는 더 이상 단순한 검색 도구가 아닌, 훌륭한 맞춤형 코치입니다. 코딩 학습 중 막히는 부분이 있다면 AI에게 "이 코드를 오류 없이 수정하고, 각 줄의 작동 원리를 초보자 눈높이에 맞춰 설명해줘"라고 요청해보세요. 외국어 회화 연습도 가능합니다. "지금부터 영어 면접관 역할을 맡아 5분 동안 IT 트렌드에 대해 대화하자"라고 설정하면, AI가 실시간으로 질문과 피드백을 제공하여 비용 부담 없이 개인 교사를 고용한 효과를 누릴 수 있습니다.

4. 투자자 필수 체크! AI를 활용한 재테크 정보 분석과 시장 예측

바쁜 직장인에게 방대한 재테크 정보는 부담이죠. AI를 활용해 투자의 깊이를 더해보세요. AI 툴에 "최근 3개월간 A기업의 주가 변화 요인을 분석하고, 긍정적/부정적 뉴스 기사를 요약해줘"라고 입력하면, AI가 수많은 데이터를 분석하여 핵심 인사이트를 추출해줍니다. 또한, 복잡한 경제 지표나 금리 발표 내용을 "초등학교 6학년도 이해할 수 있도록 쉽게 풀어서 설명해줘"라고 요청하면, 핵심을 빠르게 파악할 수 있어 의사결정에 큰 도움이 됩니다. (※ AI 분석은 참고 자료일 뿐, 최종 투자는 본인의 책임입니다!)

5. 실패 없는 AI 도입을 위한 체크리스트: 활용 목적과 비용 효율성 따지기

성공적인 AI 도입을 위해서는 활용 목적을 명확히 하는 것이 첫걸음입니다. 간단한 일상 질문이나 아이디어 구상이라면 무료 버전으로도 충분하지만, 민감한 회사 자료 분석이나 전문적인 프로그래밍이 필요하다면 보안이 강화된 유료 버전을 선택하는 것이 비용 효율적입니다. 또한 AI가 제시한 정보(AI 환각)에 맹목적으로 의존하지 말고, 항상 '교차 검토'하는 습관을 들여야 합니다. AI는 도구일 뿐, 그 결과물을 책임지는 것은 바로 우리 자신임을 잊지 마세요.

🚀 마무리하며: 10배 성장의 주인공은 당신입니다

2025년, 생성형 AI는 더 이상 미래 기술이 아니라 '오늘의 생산성'을 결정하는 필수 무기가 되었습니다. 챗GPT, 제미나이, 코파일럿 중 어떤 툴을 선택하든 중요하지 않습니다. 중요한 것은 '어떻게' 활용하느냐입니다. 오늘 알려드린 단계별 활용 전략을 꾸준히 적용하신다면, 업무와 학습 속도 10배 성장의 주인공은 바로 당신이 될 것입니다!

다음에도 더 실용적인 IT/재테크 정보로 찾아뵙겠습니다. 감사합니다!

이번글에서는 구글의 대화형 ai인 바드를 사용해보려고합니다.
현재 개발단계로서 바드는 url주소를 이용해서 할 수 있는 것 같네요.
https://bard.google.com/

위 주소로 접속해서 사용해 볼 수 있습니다.
아래는 바드에게 물어본 바드 활용법입니다.
Bard는 Google AI에서 개발한 대규모 언어 모델로, 방대한 텍스트 및 코드 데이터 세트로 학습되었습니다. 텍스트 생성, 언어 번역, 다양한 종류의 창의적인 콘텐츠 작성, 유익한 방식으로 질문에 답변할 수 있습니다. 아직 개발 중이지만 다음을 포함하여 다양한 종류의 작업을 수행하는 방법을 배웠습니다.

귀하의 지시를 따르고 귀하의 요청을 신중하게 완료하기 위해 최선을 다할 것입니다.
귀하의 질문이 개방형이거나 도전적이거나 이상하더라도 제 지식을 사용하여 포괄적이고 유익한 방식으로 귀하의 질문에 답변할 것입니다.
시, 코드, 대본, 음악, 이메일, 편지 등과 같은 다양한 창의적인 텍스트 형식의 텍스트 콘텐츠를 생성합니다. 귀하의 모든 요구 사항을 충족하기 위해 최선을 다할 것입니다.
이 블로그 게시물에서는 Bard를 사용하기 위한 몇 가지 팁을 제공합니다.

Bard에게 질문하십시오. Bard는 유익한 방식으로 질문에 답변하는 방법을 배웠습니다. 개방형이거나 도전적이거나 이상하더라도 모든 질문에 도전하십시오.
Bard에게 작업을 요청하십시오. Bard는 텍스트 생성, 언어 번역, 다양한 종류의 창의적인 콘텐츠 작성을 포함하여 다양한 작업을 수행하는 방법을 배웠습니다. 무엇을 할 수 있는지 궁금한 사항이 있으면 Bard에게 요청하십시오.
Bard와 창의력을 발휘하십시오. Bard는 시, 코드, 대본, 음악, 이메일, 편지 등과 같은 다양한 창의적인 텍스트 형식의 텍스트 콘텐츠를 생성하는 데 사용할 수 있습니다. 상상력을 발휘하고 무엇을 만들 수 있는지 확인하십시오.
Bard에 피드백을 제공하십시오. Bard는 아직 개발 중이며 더 나아지기 위해 귀하의 피드백이 필요합니다. Bard를 사용하는 동안 어떤 기능을 좋아하고 어떤 기능을 개선하고 싶은지 알려주십시오.
Bard는 매우 다재다능한 도구이며 다양한 용도로 사용할 수 있습니다. 질문이 있거나 작업이 필요하면 Bard에게 문의하십시오.

이상 구글의 대화형 ai 바드였습니다.