2026 State of AI Engineering — Barr Yaron, Amplify Partners
📺 원본 영상: 2026 State of AI Engineering — Barr Yaron, Amplify Partners
🎙️ 채널: AI Engineer
📅 정리 일자: 2026-07-22
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
Amplify Partners의 Barr Yaron은 매년 진행하는 “State of AI Engineering” 설문을 바탕으로, AI 엔지니어링이 실제 현장에서 어떻게 변화하고 있는지를 설명한다. 이번 발표의 핵심은 AI가 더 이상 실험실이나 데모의 영역에 머무르지 않고, 비용 구조, 모델 운영, 에이전트 권한, 조직 역할까지 바꾸는 실무 인프라가 되었다는 점이다.
이번 설문에는 1,048명이 참여했으며, 응답자는 전통적인 AI 엔지니어뿐 아니라 창업자, CTO, 소프트웨어 엔지니어, 제품 담당자 등으로 넓게 분포한다. 강연자는 이 분포 자체가 중요한 신호라고 본다. AI 엔지니어링은 이제 특정 직무명이 아니라, 여러 직무가 공유하는 새로운 작업 방식이자 제품 개발의 기본 역량으로 확장되고 있기 때문이다.
AI 엔지니어링은 직무가 아니라 새로운 개발 패러다임이 되고 있다
Barr Yaron은 발표 초반부터 AI 엔지니어링을 하나의 직함으로 좁히지 않는다. 설문 응답자들은 회사 규모, 경력, 역할 면에서 다양했으며, 이는 AI를 다루는 일이 특정 팀의 전유물이 아니라는 사실을 보여준다. 특히 흥미로운 점은 소프트웨어 경력과 AI 경력 사이의 비대칭이다. 10년 이상의 소프트웨어 경력을 가진 응답자 중 절반 이상은 AI 경험이 3년 이하였고, 이는 숙련된 엔지니어조차 새로운 패러다임을 실시간으로 배우고 있음을 의미한다.
반대로 새롭게 개발을 시작한 세대는 출발점부터 AI를 자연스럽게 포함한 환경에서 성장하고 있다. 강연자는 신입 엔지니어의 AI 경험 중앙값이 10년차 소프트웨어 베테랑의 AI 경험 중앙값과 거의 비슷하다고 설명한다. 이 말은 단순히 신입들이 새로운 도구에 익숙하다는 뜻을 넘어서, 앞으로의 개발 문화가 “AI 이전의 소프트웨어”를 경험하지 않은 세대를 중심으로 재편될 수 있음을 시사한다.
이 변화는 기업 내부의 역할 경계에도 영향을 준다. AI가 코드 작성, 프로토타이핑, 제품 실험의 진입 장벽을 낮추면서, 엔지니어링은 더 이상 엔지니어만의 폐쇄적인 영역으로 유지되기 어렵다. 발표 전체를 관통하는 문제의식은 바로 여기에 있다. AI 엔지니어링은 모델을 호출하는 기술이 아니라, 조직이 소프트웨어를 상상하고 만들고 운영하는 방식 전체를 바꾸고 있다.
멀티모달 AI의 현재: 텍스트는 기본값, 오디오는 다음 물결, 이미지는 임계점을 넘었다
강연자는 먼저 응답자들이 업무에서 어떤 모달리티를 실제로 사용하고 있는지 살펴본다. 예상대로 텍스트는 여전히 압도적인 중심이다. 대부분의 AI 애플리케이션은 여전히 텍스트 입력과 텍스트 출력을 기반으로 설계되며, 프롬프트, 문서 처리, 검색, 요약, 코딩 보조 같은 대표적 사용 사례도 텍스트 중심으로 구성된다. 그러나 이번 설문에서 더 중요한 신호는 텍스트의 지배력이 아니라, 텍스트 이후의 모달리티들이 어떤 속도로 실무에 들어오고 있는가이다.
Barr Yaron은 “intent to adopt ratio”, 즉 현재는 해당 모달리티를 쓰지 않지만 앞으로 쓸 계획이 있는 응답자의 비율에 주목한다. 이 기준에서 가장 강한 신호를 보인 것은 오디오였다. 현재 오디오를 쓰지 않는 AI 엔지니어 중 56%가 앞으로 오디오를 활용할 계획이라고 답했으며, 이는 전년의 37%보다 크게 상승한 수치다. 오디오 AI는 아직 텍스트만큼 보편화되지는 않았지만, 통화 분석, 음성 인터페이스, 회의 기록, 실시간 상담, 교육 및 접근성 제품에서 빠르게 확장될 가능성을 보여준다.
이미지 생성은 다른 방식으로 중요한 신호를 보였다. 강연자에 따르면 생성형 AI를 이미지 작업에 사용하고 있으며 그 결과에 만족한다고 답한 비율은 전년 18%에서 올해 36%로 두 배 증가했다. 이는 이미지 생성이 단순한 장난감이나 실험적 기능에서 벗어나 실제 업무 흐름에 들어가기 시작했음을 뜻한다. 강연자는 지난 1년 사이 관련 제품과 모델의 품질이 개선되면서, 과거에는 “기괴한 손”을 만들어내던 기술이 이제는 실무의 일부가 되고 있다고 설명한다.
04:13 - 모달리티별 사용 현황과 오디오 도입 의향을 설명하는 차트
모델 선택의 현실: 오픈 웨이트는 폐쇄형 모델을 대체하기보다 보완한다
최근 AI 업계에서는 Open-weight Model(오픈 웨이트 모델)과 Closed Model(폐쇄형 모델)의 대립 구도가 자주 강조된다. 그러나 설문 결과는 현장의 실제 선택이 훨씬 실용적이라는 점을 보여준다. 응답자의 94%는 폐쇄형 모델을 사용하고 있었고, 45%는 오픈 웨이트 모델도 사용하고 있었다. 중요한 것은 오픈 웨이트 모델을 쓰는 응답자의 90% 이상이 폐쇄형 모델도 함께 사용한다는 점이다.
이 결과는 오픈 웨이트 모델이 폐쇄형 모델을 곧바로 대체하고 있다는 서사와는 다르다. 현장의 팀들은 하나의 모델에 모든 작업을 맡기기보다, 작업 성격에 따라 여러 모델을 조합한다. 어떤 작업에는 품질이 가장 높은 폐쇄형 모델을 쓰고, 어떤 작업에는 비용, 지연 시간, 데이터 통제, 커스터마이징 가능성 때문에 오픈 웨이트 모델을 선택하는 식이다. 따라서 모델 전략의 핵심은 “무엇을 고를 것인가”보다 “어떤 작업을 어떤 모델에 맡길 것인가”로 이동하고 있다.
강연자는 모델 선택 기준에서도 이 점이 드러난다고 설명한다. 오픈 모델인지 폐쇄형 모델인지는 상위 3개 고려 사항으로 꼽은 응답자가 5%에 불과했다. 반면 가장 중요한 기준은 품질이었고, 그다음으로 Tool Calling(도구 호출) 같은 에이전트적 기능과 비용이 뒤따랐다. 이는 AI 엔지니어들이 이념적 선택보다 제품의 실제 성능, 운영 비용, 시스템 통합 가능성을 더 중시하고 있음을 보여준다.
06:33 - 모델 선택 시 품질, 에이전트 기능, 비용이 주요 고려 사항임을 보여주는 차트
표준화는 모델이 아니라 플랫폼과 도구에서 일어난다
모델 운영 방식에서도 흥미로운 긴장이 나타난다. 강연자는 앞서 87%의 팀이 하나 이상의 모델을 사용한다고 설명하며, 이는 모델 레이어에서 표준화가 일어나고 있지 않다는 뜻이라고 말한다. 실제로 많은 팀은 작업 유형에 따라 모델을 라우팅하거나, 여러 모델의 출력을 비교하거나, 비용 기준으로 모델을 선택한다. 모델마다 강점이 다르기 때문에 단일 모델로 모든 작업을 처리하는 방식은 아직 현장의 기본값이 아니다.
그런데 동시에 응답자의 절반 이상은 조직이 AI 도구를 더 적은 수로 표준화하기 시작했다고 답했다. 언뜻 보면 모순처럼 보이지만, 강연자는 이를 모델이 아니라 플랫폼과 도구 레이어의 표준화로 해석한다. 즉, 팀들은 여러 모델을 계속 사용하면서도, 이를 감싸는 개발 환경, 모니터링, 프롬프트 관리, 평가, 배포 도구는 통합하려 한다. 이는 AI 시스템이 파일럿 프로젝트에서 운영 제품으로 이동할 때 자연스럽게 발생하는 변화다.
이 흐름은 앞으로 AI 인프라 시장의 방향을 가늠하게 한다. 모델 자체는 계속 다변화될 수 있지만, 기업은 너무 많은 도구와 워크플로를 유지하기 어렵다. 따라서 경쟁력 있는 플랫폼은 특정 모델 하나를 강제하기보다, 다양한 모델을 안정적으로 연결하고 비용과 품질을 관리할 수 있는 통합 계층을 제공해야 한다. 강연자가 말한 “플랫폼과 도구의 표준화, 모델의 유연성”은 2026년 AI 엔지니어링 스택을 이해하는 핵심 문장에 가깝다.
비용은 이제 제품 의사결정의 1급 제약 조건이다
이번 발표에서 가장 현실적인 전환점은 비용이다. 강연자는 “무한한 지능에도 사용량 기반 청구서는 따라온다”는 식으로 표현하며, AI 사용량이 늘어날수록 비용이 엔지니어링과 제품 전략의 핵심 변수로 올라온다고 설명한다. 설문에서 응답자의 40%는 비용이 AI를 얼마나 야심차게 활용할지 정기적으로 영향을 준다고 답했고, 추가로 36%는 때때로 영향을 준다고 답했다. 합치면 약 4명 중 3명이 비용 때문에 AI 사용 방식을 조정하고 있는 셈이다.
이는 불과 1년 전만 해도 지금처럼 분명하지 않았던 변화다. 초기에는 더 긴 컨텍스트, 더 많은 토큰, 더 강한 모델을 쓰는 것이 곧 제품 경쟁력처럼 여겨졌지만, 실제 운영 환경에서는 모든 호출이 비용으로 돌아온다. AI 기능이 사용자의 핵심 워크플로에 깊이 들어갈수록, 모델 호출량과 토큰 사용량은 실험비가 아니라 매출총이익률과 직결되는 비용 항목이 된다. 그래서 비용 최적화는 더 이상 재무팀의 사후 검토가 아니라 제품 설계 단계의 제약 조건이 된다.
강연자는 모니터링 항목에서도 이 변화가 확인된다고 말한다. 프로덕션에서 팀들이 추적하는 항목 중 비용과 토큰 사용량은 품질 바로 아래의 중요한 지표로 올라왔다. 이는 비용이 Service Level Agreement(SLA)처럼 관리되기 시작했다는 의미다. AI 제품이 성숙해질수록 “잘 작동하는가”와 “감당 가능한 비용으로 작동하는가”는 분리할 수 없는 질문이 된다.
08:44 - AI 비용이 제품 활용 범위와 운영 판단에 미치는 영향을 설명하는 설문 결과 차트
| 항목 | 강연에서 언급된 수치 |
|---|---|
| 비용이 AI 활용의 야심 수준에 정기적으로 영향을 준다고 답한 비율 | 40% |
| 비용이 때때로 영향을 준다고 답한 비율 | 36% |
| 비용에 따라 AI 사용을 조정하는 전체 응답자 비율 | 약 75% |
| 비용 및 토큰 사용량의 모니터링 위치 | 품질 다음으로 중요한 항목 |
이 표의 수치들은 비용이 단순한 운영비 문제가 아니라 제품의 범위, 기능의 깊이, 사용자 경험의 설계까지 바꾸는 요인임을 보여준다. 특히 에이전트처럼 장시간 실행되고 여러 번 모델을 호출하는 시스템에서는 비용 문제가 더 커질 수밖에 없다. 따라서 앞으로의 AI 엔지니어링은 모델 성능 경쟁만이 아니라, 같은 품질을 더 적은 호출과 더 낮은 비용으로 달성하는 아키텍처 경쟁으로 이동할 가능성이 높다.
에이전트는 데모를 벗어나 시스템 안에서 행동하기 시작했다
에이전트는 이번 설문에서 가장 큰 변화가 나타난 영역이다. 강연자에 따르면 올해 응답자의 95%가 에이전트를 사용한다고 답했으며, 이는 전년 대비 거의 두 배 수준이다. 이 수치가 다소 높게 보인다고 강연자 스스로도 언급했지만, 더 중요한 변화는 사용 여부가 아니라 권한의 수준이다. 에이전트를 사용하는 팀 중 실제로 데이터를 쓸 수 있는 Write Access(쓰기 권한)를 부여한 비율은 전년 52%에서 올해 89%로 상승했다.
10:28 - 에이전트 사용 증가와 쓰기 권한 부여 비율 변화를 설명하는 차트
이 변화는 에이전트가 단순히 정보를 읽고 요약하거나 초안을 작성하는 도구에서 벗어나고 있음을 의미한다. 이제 에이전트는 시스템 내부에서 실제 작업을 수행하고, 데이터를 수정하며, 업무 프로세스의 일부를 실행한다. 강연자는 전체 응답자 기준으로 쓰기 권한을 가진 에이전트를 사용하는 비율이 전년 대비 3배 이상 증가했다고 설명한다. 이는 AI 에이전트가 “보조자”에서 “행위자”로 이동하고 있다는 강한 신호다.
그러나 권한이 커질수록 통제 문제도 커진다. 현재 가장 많이 쓰이는 통제 방식은 Human-in-the-loop Approval(사람의 승인)과 권한 게이팅이다. 강연자는 이를 “인턴을 관리할 때 쓰는 도구와 비슷하다”고 표현하며, 현장의 통제 계층이 아직 충분히 정교하지 않다고 지적한다. Task Decomposition(작업 분해), Retrieval(검색 기반 보강), Memory(메모리), Sandboxing(샌드박싱) 등 다양한 접근이 시도되고 있지만, 아직 에이전트 제어의 표준 해법은 정해지지 않았다.
에이전트 실패의 원인에 대해서도 강연자는 흥미로운 구분을 제시한다. 사람들이 불만을 느끼는 지점은 대체로 배관, 즉 시스템 연결 자체가 아니라 사고 과정에 있다. 응답자의 약 3분의 2는 Hallucination(환각)이나 작업 중간의 컨텍스트 상실을 가장 큰 좌절 요인으로 꼽았다. 결국 에이전트의 다음 병목은 도구를 얼마나 많이 붙일 수 있느냐가 아니라, 장기 작업에서 맥락을 유지하고 신뢰할 수 있는 판단을 내릴 수 있느냐에 있다.
AI 스택의 난제: 모두가 문제를 겪지만 같은 문제를 겪지는 않는다
강연자는 AI 스택에서 가장 큰 어려움이 무엇인지 매년 묻는다고 설명한다. 올해도 1위는 Evals(평가)였지만, 그 격차는 매우 작아지고 있다. 그는 응답자의 96%가 스택에 어떤 형태로든 문제가 있다고 답했지만, 정확히 어떤 문제가 가장 큰지에 대해서는 합의하지 못한다고 말한다. 이는 AI 인프라 시장이 아직 성숙한 표준 구조를 갖추지 못했으며, 동시에 다양한 창업 기회가 남아 있음을 의미한다.
AI 시스템의 평가는 전통적인 소프트웨어 테스트보다 훨씬 어렵다. 정답이 명확한 함수 출력과 달리, 모델 출력은 품질, 관련성, 안전성, 일관성, 비용, 사용자 만족도 등 여러 축에서 판단되어야 한다. 강연자가 “vibe review”가 여전히 1위라고 언급한 것은, 많은 팀이 아직 정교한 자동 평가 체계보다 사람의 감각적 검토에 의존하고 있음을 보여준다. 이는 초기 제품 개발에서는 빠르고 유연할 수 있지만, 규모가 커질수록 병목과 품질 편차를 만들 수 있다.
Build versus Buy(직접 구축과 구매)의 관점에서도 계층별 차이가 뚜렷하다. Inference(추론)와 Model Serving(모델 서빙)은 가장 많이 구매하는 영역으로 나타났는데, 많은 팀이 직접 인프라를 구축하기보다 검증된 외부 서비스를 쓰려는 경향을 보인다. 반대로 Prompt Management(프롬프트 관리)는 61%가 직접 구축한다고 답했다. 강연자는 이를 두고 “모두의 프롬프트는 특별하다”고 농담처럼 말했지만, 실제로는 프롬프트, RAG(Retrieval-Augmented Generation), 평가처럼 제품 로직과 가까운 계층일수록 내부에 남기려는 경향이 강하다는 뜻이다.
13:24 - AI 스택의 Build versus Buy 현황과 프롬프트 관리 자체 구축 비율을 설명하는 차트
Fine-tuning(파인튜닝)은 가장 명확한 “아직은 아니다” 영역으로 묘사된다. 많은 팀이 파인튜닝을 본격적으로 운영하지 않고 있으며, 이는 범용 모델의 성능 향상, RAG와 프롬프트 엔지니어링의 실용성, 운영 복잡성 때문일 수 있다. 강연의 해석을 따르면, 2026년의 AI 스택은 추론 인프라는 구매하고, 제품 차별화와 가까운 로직은 내부에 두는 방향으로 정리되고 있다.
조직 변화: AI는 실패 비용을 낮추지만 검토 비용을 높인다
AI가 조직에 미치는 영향에 대해 응답자들의 전반적 평가는 매우 긍정적이다. 강연자에 따르면 응답자의 97%가 조직에 순긍정적 효과가 있다고 답했다. 그런데 그 긍정적 효과의 핵심은 단순한 속도 향상만이 아니다. Barr Yaron은 AI가 “실패를 더 싸게 만들었다”고 설명한다. 더 많은 실험, 더 많은 프로토타입, 더 많은 제품적 베팅이 가능해졌다는 뜻이다.
이 관점은 AI 생산성 논의를 더 정확하게 만든다. AI가 엔지니어의 타이핑 속도를 올리는 것보다 중요한 것은 시도 자체의 비용을 낮춘다는 점이다. 이전에는 며칠 또는 몇 주가 걸릴 수 있던 프로토타입을 몇 시간 안에 만들어볼 수 있다면, 조직은 더 많은 가설을 테스트할 수 있다. 실패가 저렴해지면 의사결정은 더 실험적으로 바뀌고, 제품 조직은 더 빠른 학습 사이클을 갖게 된다.
하지만 강연자는 이 긍정적 효과가 공짜는 아니라고 지적한다. 생성되는 코드와 산출물이 늘어나면, 이를 검토하고 이해하고 유지해야 하는 부담도 함께 늘어난다. 응답자의 90% 이상은 어떤 형태로든 부정적 downstream effect(후속 영향)를 느끼고 있었으며, 특히 깊은 기술 역량의 약화와 코드베이스 이해도 저하가 자주 언급되었다. 이는 AI가 코드를 더 많이 만들게 해주는 동시에, 조직이 그 코드를 얼마나 잘 소유하고 유지할 수 있는지를 새로운 문제로 만든다는 뜻이다.
비개발자의 소프트웨어 출하와 역할 경계의 붕괴
강연에서 가장 놀라운 수치 중 하나는 역할 경계와 관련되어 있다. 응답자의 81%는 AI가 엔지니어, 제품, 디자인, 마케팅 사이의 경계를 흐리고 있다고 답했다. 이는 단순히 협업이 쉬워졌다는 의미가 아니다. 실제로 과거에는 엔지니어의 영역으로 여겨졌던 소프트웨어 출하가 다른 직무로 확장되고 있다는 뜻이다.
강연자에 따르면 팀의 3분의 1 이상은 비개발자가 기능을 출하한 경험이 있다고 답했다. 대부분은 더 작은 규모의 기능이거나 내부 도구에 가까웠지만, 17%는 비개발자가 고객 대면 기능을 정기적으로 출하한다고 답했다. 이는 AI 기반 코딩 도구가 제품 개발의 권한 구조를 바꾸고 있음을 보여준다. 이제 소프트웨어를 만드는 능력은 프로그래밍 언어 지식만이 아니라, 문제를 정의하고 AI 도구를 통해 구현을 이끌어내는 능력과도 연결된다.
15:58 - 비개발자가 기능을 출하하는 조직 변화와 고객 대면 기능 출하 비율을 설명하는 차트
이 변화는 엔지니어의 가치가 사라진다는 뜻이 아니라, 엔지니어의 역할이 더 높은 수준으로 이동한다는 뜻에 가깝다. 코드 작성 자체가 일부 민주화될수록, 아키텍처 판단, 시스템 신뢰성, 보안, 유지보수성, 코드 리뷰, 제품 품질 기준을 세우는 역량이 더 중요해진다. AI가 기능 생성의 문턱을 낮출수록, 좋은 엔지니어링의 기준을 지키는 일은 오히려 더 어려워진다.
5년 전망: AGI 선언, 트랜스포머 이후, 그리고 불확실한 컴퓨트의 미래
발표 후반부에서 강연자는 응답자들의 미래 전망을 소개한다. 현재 시점에 대한 응답으로는 76%가 AI가 직무 만족도를 높였다고 답했다. 동시에 59%는 오늘날 AI가 생성하는 코드가 장기적 부채를 만들 수 있다고 우려했다. 이는 AI 도구가 개발자를 더 행복하고 빠르게 만들지만, 유지보수 비용이라는 청구서도 함께 남긴다는 양가적 현실을 잘 보여준다.
Software Engineering(소프트웨어 엔지니어링)이 해결된 문제라고 보는 응답자는 3분의 1에 그쳤다. 강연자는 이 수치를 해석할 때 사람들이 소프트웨어 엔지니어링을 어떻게 정의하느냐에 따라 의미가 달라질 수 있다고 덧붙인다. 단순한 코드 작성만을 말한다면 AI의 영향은 이미 크지만, 요구사항 이해, 시스템 설계, 배포, 운영, 보안, 조직적 협업까지 포함한다면 아직 해결되지 않은 문제가 많기 때문이다.
5년 전망에서는 67%가 주요 AI 연구소가 AGI(Artificial General Intelligence, 범용 인공지능)를 선언할 것이라고 예상했다. 강연자는 여기서 중요한 것은 실제 달성 여부가 아니라 “선언할 것인가”를 물었다는 점이라고 강조한다. 또한 5년 뒤에도 Transformer(트랜스포머)가 State of the Art(최첨단)일 것이라고 답한 비율은 9%에 불과했고, 다수는 불확실하다고 답했다. 이는 AI 엔지니어들이 현재의 기술 패러다임에 기대고 있으면서도, 그 지속 가능성에 대해서는 상당한 불확실성을 느끼고 있음을 보여준다.
17:22 - AGI 선언 가능성, 트랜스포머의 미래, AI 컴퓨트 위치에 대한 5년 전망 설문 결과
마무리 / 핵심 정리
Barr Yaron의 발표는 2026년 AI 엔지니어링의 현실을 과장된 미래 예측이 아니라 현장의 선택과 제약을 통해 보여준다. 텍스트는 여전히 중심이지만 오디오는 강한 도입 의향을 보이고, 이미지 생성은 이미 실무 활용의 임계점을 넘고 있다. 모델 레이어에서는 폐쇄형과 오픈 웨이트 모델이 대립하기보다 조합되고 있으며, 표준화는 모델 자체보다 플랫폼과 도구 계층에서 일어나고 있다.
가장 중요한 변화는 AI가 운영 가능한 제품의 영역으로 들어오면서 비용, 평가, 권한, 검토 부담이 모두 엔지니어링의 핵심 문제가 되었다는 점이다. 에이전트는 이제 읽고 요약하는 수준을 넘어 실제 시스템에서 쓰기 권한을 가지고 행동하기 시작했지만, 이를 통제하는 방법은 아직 성숙하지 않다. 동시에 AI는 조직의 실험 비용을 낮추고 비개발자의 소프트웨어 생산 참여를 확대하면서, 엔지니어링의 경계를 다시 그리고 있다.
결국 2026년의 AI 엔지니어링은 “어떤 모델이 가장 뛰어난가”라는 질문만으로 설명되지 않는다. 더 중요한 질문은 여러 모델을 어떻게 조합할지, 비용을 어떻게 통제할지, 에이전트의 권한을 어떻게 관리할지, 그리고 늘어난 생성 속도 속에서도 조직이 기술적 이해와 유지보수성을 어떻게 지킬지이다. 이 발표가 보여주는 미래는 화려한 자동화의 미래라기보다, AI가 진짜 제품과 조직 안으로 들어오면서 발생하는 복잡한 엔지니어링의 미래다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 2026 State of AI Engineering — Barr Yaron, Amplify Partners |
| 채널 | AI Engineer |
| 영상 길이 | 약 19분 34초 |
| 리포트 작성 | 2026-07-22 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.