"생산성" 태그로 연결된 1개 게시물개의 게시물이 있습니다.

지난달 meat proxy라는 말이 돌았어요. AI에게 질문을 넘긴 뒤, 돌아온 답을 읽지도 않고 동료에게 다시 전달하는 사람을 가리키는 말이에요. 단어만 보면 잘 만든 욕처럼 보이지만, 2025년부터 생긴 비슷한 말들을 발생 순서대로 늘어놓으면 다른 점이 보여요. 탓하는 대상이 한 단계씩 옮겨가고 있어요.

처음에는 산출물을 탓했습니다​

시작은 slop이었습니다. 원래 음식물 찌꺼기를 뜻하던 이 단어가 저품질 AI 생성물 전반을 가리키게 된 경위는 예전 글에서 한 번 정리했습니다. 중요한 건 이 단계에서 지목한 대상이 어디까지나 결과물이었다는 점입니다. 사람은 건드리지 않았습니다.

같은 의미를 업무 맥락으로 좁힌 말이 workslop입니다. BetterUp Labs와 Stanford Social Media Lab이 2025년 9월 Harvard Business Review에 발표한 연구에서 나왔습니다. 정의는 이렇습니다.

"AI generated work content that masquerades as good work, but lacks the substance to meaningfully advance a given task."

좋은 결과물인 척하지만 실제로 일을 진척시킬 알맹이는 없는 AI 산출물이라는 뜻입니다. 미국 정규직 1,150명을 조사한 결과, 40%가 최근 한 달 안에 workslop을 받아 봤다고 답했습니다. 연구진이 짚은 핵심은 부담이 이동하는 방향이었습니다. workslop은 "shifts the burden of the work downstream", 즉 해석하고 고치고 다시 만드는 부담을 받는 쪽에 떠넘깁니다. 보낸 사람의 시간은 줄지만 받은 사람의 시간은 그만큼 늘어납니다. 따라서 조직 전체로 합산하면 남는 것이 없습니다.

AI를 도입한 조직의 95%가 투자 수익을 보고하지 못한다는 통계를 함께 인용하는 이유도 여기에 있습니다.

그다음 사람을 지목하기 시작했습니다​

독일 개발자 Niklas Gruhn(니클라스 그룬)이 2026년 8월 3일 쓴 Don't be a meat proxy가 분기점입니다. Slack, PR 리뷰, WhatsApp에서 동료들이 Claude 출력을 그대로 붙여 넣는 일을 겪은 뒤 쓴 짧은 글입니다.

핵심 문장은 이겁니다.

"I can talk to Claude myself. It's going to be faster and I get to control the context."

Claude는 나도 직접 쓸 수 있고, 그게 더 빠르며, 맥락도 내가 정한다는 말입니다. 마지막 절이 가장 뼈아픕니다. 직접 물어보면 필요한 맥락을 내가 구성해 입력합니다. 하지만 남이 중계하면 그 사람이 입력한 맥락으로 범위가 제한됩니다. 중계자가 더한 것이 없을 뿐 아니라 오히려 선택지를 좁힙니다.

Gruhn이 예시로 든 문장은 이런 종류입니다.

NATS control-plane events: stream leader election / R3 quorum re-form during pod churn.

받은 사람이 이 한 줄을 해독하는 데 쓰는 시간은 보낸 사람이 아낀 시간보다 깁니다. 용어 밀도가 높고, 장황하며, 가끔 틀립니다. Gruhn은 코드 리뷰를 최악의 경우로 꼽았습니다. 검토하지 않은 AI 코드를 올리면 리뷰어가 사실상 구현 작업을 대신하게 됩니다.

단어 자체는 meatspace(육체 세계를 뜻하는 옛 인터넷 속어)와 proxy를 합친 것입니다. 프록시 서버가 기계 사이에서 요청을 전달하듯, meat proxy는 사람의 몸이 그 자리를 대신합니다. Simon Willison이 같은 날 소개했고, Hacker News에서 1,800점을 넘겼습니다.

비슷한 시기에 자리 잡은 말로 AI;DR이 있습니다. TL;DR(too long; didn't read)을 변형한 "artificial intelligence; didn't read"입니다. AI가 쓴 흔적이 보여 읽지 않았다는 선언입니다. 2026년 2월 Futurism 기사를 계기로 퍼져 Wiktionary에 등재됐습니다.

workslop과 meat proxy의 차이는 분명합니다.

연구에서 나온 말과 화가 나서 쓴 말은 퍼지는 속도가 다릅니다. meat proxy가 더 빨리 퍼진 이유는 정확해서라기보다 각자 떠올리는 얼굴이 있었기 때문입니다.

다음은 팀 전체로 번졌습니다​

사람을 지목하는 단계에서 멈췄다면 단순한 유행어로 끝났을 겁니다. 그런데 같은 시기에 학계에서 범위를 넓힌 말이 나왔습니다.

University of Victoria의 Margaret-Anne Storey(마거릿 앤 스토리) 교수가 2026년 2월 제안한 cognitive debt입니다. 논문 "From Technical Debt to Cognitive and Intent Debt"로 정리돼 ACM Queue에 실렸습니다. 정의는 팀 단위입니다. 시스템이 어떻게 동작하는지 아무도 자신 있게 설명하지 못하는 상태입니다. 어떤 변경이 무엇에 영향을 미칠지도 예측하지 못합니다.

한 달 뒤 Addy Osmani(애디 오스마니)가 comprehension debt를 썼습니다. 2026년 3월 14일 글이고, 4월에 O'Reilly Radar에 다시 실렸습니다. 정의는 더 좁습니다.

"The growing gap between how much code exists in your system and how much of it any human being genuinely understands."

시스템에 존재하는 코드량과 사람이 실제로 이해하는 코드량의 격차입니다. Osmani 본인이 Storey의 cognitive debt를 출처로 밝혔으므로 파생 개념으로 보는 게 맞습니다. 참고로 comprehension debt라는 표현 자체는 Jason Gorman이 2025년 9월 30일 먼저 사용했습니다. "고장 내지 않고 고치기 위해 코드를 이해하는 데 드는 추가 시간"이라는 뜻이었습니다.

두 말이 기술 부채와 갈라지는 지점이 중요합니다. 기술 부채는 코드가 지저분한 상태입니다. 눈에 보이고, 린터가 찾아내고, 리팩터링으로 갚습니다. cognitive debt는 코드가 깔끔하지만 아무도 그 이유를 모르는 상태입니다. 정적 분석으로 찾을 수 없고, 장애가 나기 전까지 증상도 없습니다. AI가 아키텍처 결정을 내리지만 그 모델은 비즈니스 맥락도 시스템 역사도 모릅니다. 그 결과 결정만 코드에 남고 근거는 어디에도 기록되지 않습니다.

Storey가 제안한 완화책은 단순합니다. 팀에서 최소 한 사람이 AI가 만든 변경을 완전히 이해한 뒤에 내보낼 것, 무엇이 바뀌었는지가 아니라 왜 바뀌었는지를 기록할 것, 공유된 이해를 되짚는 자리를 정기적으로 둘 것. 대상만 다를 뿐 meat proxy에게 요구하는 내용과 같습니다.

마지막은 모델 자신입니다​

여기까지는 사람에 관한 이야기입니다. 그런데 같은 어휘 묶음에는 사람의 잘못이 아닌 것도 하나 들어 있습니다.

context rot입니다. 벡터 데이터베이스를 만드는 Chroma가 2025년 발표한 연구에서 정식화했습니다. Claude, GPT, Gemini, Qwen 계열 18개 모델로 실험했고, 결론은 이렇습니다.

"model performance degrades as input length increases, often in surprising and non-uniform ways."

입력이 길어지면 출력 품질이 떨어진다는 뜻입니다. 그 양상은 예측하기 어렵고 균일하지 않습니다. 의도적으로 단순하게 만든 과제에서도 나타났습니다. 질문과 답의 의미 유사도가 낮을수록 성능이 더 빠르게 저하됐습니다. 입력이 길어질수록 방해 정보의 영향도 커졌습니다. 논리적으로 잘 정돈한 문서 묶음보다 뒤섞은 쪽이 더 높은 점수를 받기도 했습니다.

이 연구를 인용한 2차 기사 중에는 원인을 U자 곡선이나 RoPE의 long-term decay로 단정하는 글이 꽤 있습니다. 원문은 그렇게 말하지 않습니다. 저자들은 "we do not explain the mechanisms behind this performance degradation"이라고 명시했습니다. 현상은 측정했지만 원인은 확정하지 않았다는 뜻입니다. 인용하는 쪽에서 원문보다 더 많은 것을 주장하는 경우입니다.

context rot에서 파생된 말이 context stuffing입니다. 품질 저하를 우려해 관련 있어 보이는 정보를 전부 입력하는 습관입니다. 하지만 오히려 context rot을 악화시킵니다.

네 단계를 늘어놓으면​

시기가 명확하게 순차적이지는 않습니다. context rot은 1단계와 비슷한 시기에 나왔고 계열도 다릅니다. 그래도 네 묶음이 결국 같은 질문에 서로 다른 답을 내놓는다는 점은 분명합니다. AI가 만든 것을 검증하는 비용은 누가 내는가.

workslop은 받는 사람이 낸다고 답합니다. meat proxy는 중계자가 내지 않고 피했다고 답합니다. cognitive debt는 아무도 내지 않은 비용을 팀 전체가 나중에 한꺼번에 낸다고 답합니다. context rot은 그 비용이 애초에 왜 생기는지를 설명합니다.

그래서 규칙은 하나로 모입니다​

Gruhn이 제시한 규칙은 짧습니다.

"Read it, understand it, validate it, and then write a response in your own words."

읽고, 이해하고, 검증한 뒤 자기 말로 쓰라는 겁니다. 마지막 절이 핵심 장치입니다. 자기 말로 다시 쓰는 행위 자체가 앞의 세 단계를 거쳤다는 증거가 됩니다. Storey가 팀에 요구한 내용도 같습니다. Osmani가 코드 리뷰에서 요구한 내용도 형태만 다를 뿐 같습니다.

AI 사용을 줄이라는 말이 아닙니다. Gruhn도 "use AI all you want"라고 먼저 적었습니다. 실제로 이 차이를 측정한 연구도 있습니다. Anthropic이 개발자 52명을 대상으로 실험했습니다. 생성된 코드를 그대로 넘긴 쪽과 개념을 먼저 질문한 쪽의 이해도 점수가 크게 갈렸습니다. 같은 도구를 썼지만 결과가 달랐습니다. 차이를 만든 것은 사용 방식이었습니다. 이 연구는 따로 정리한 글에 자세히 있습니다.

단어가 네 개나 생겼다는 건 그만큼 자주 겪는 일이 됐다는 뜻이겠죠. 다만 이 목록을 동료를 분류하는 딱지로 쓰면 원래 문제는 그대로 남을 것 같아요. 저한테 가장 유용했던 건 meat proxy라는 말 자체가 아니었어요. 보내기 전에 한 번 멈추게 하는 그 짧은 규칙이었어요.

참고​

• Don't be a meat proxy (Niklas Gruhn, 2026-08-03)
• AI-Generated "Workslop" Is Destroying Productivity (Harvard Business Review, 2025-09)
• How Generative and Agentic AI Shift Concern from Technical Debt to Cognitive Debt (Margaret-Anne Storey, 2026-02-09)
• Comprehension Debt: the hidden cost of AI generated code (Addy Osmani, 2026-03-14)
• Context Rot: How Increasing Input Tokens Impacts LLM Performance (Chroma, 2025)
• ai;dr (Wiktionary)