AI는 Frontend를 죽이지 않았다. 그것을 관점으로 바꾸었다.

Source: Dev.to

React가 처음 나왔을 때부터 작업해 왔어요. 그때 프론트엔드는 컴포넌트, props, 그리고 화면을 제대로 보이게 만드는 것이 전부였죠. 우리는 행복했고, 순수했어요.

그런데 어느 날, 맥주 한 잔을 마시며 누군가가 가볍게 말했어요:

“프론트엔드가 와일드카드가 되었다.”

내 뇌는 윈도우 XP 종료 사운드가 났다.

프로그래밍을 시작했을 때, 그는 아바타 Aang였고 나는 Zuko — 의심스러운 JavaScript를 쓰고 버그를 마치 직업처럼 배포하던 주니어 dev 에너지였다. 거의 십 년이 지난 지금, 그는 그 말을 마치 당연한 듯 내뱉는다.

Frontend Was Never Just UI

At some point, frontend stopped being about pixels and started being about decisions.

• What data do we show?
• When do we fetch it?
• What happens when it fails?
• How fast does this feel to a real human?

Those aren’t backend questions, and they’re not design questions either. They’re product questions, answered in code.

Backend still does the heavy lifting: data, rules, guarantees. Frontend is where all of that shows up for the user. This blog has always been about how those pieces fit together, not about picking sides.

Frontend lives where users, systems, and business goals collide. That forces you to think in flows, not screens, and in outcomes, not components.

Source:

AI를 맞이하다 (토니 스타크 순간)

AI가 내 프론트엔드 실력을 대체한 것은 아니다. 주로 마찰을 없애 주었다.

• 더 빠르게 프로토타입을 만들 수 있었다.
• 더 자신 있게 리팩터링할 수 있었다.
• 엣지 케이스를 더 일찍 잡을 수 있었다.
• 코드를 작성하기 전에 아키텍처를 고민하게 되었다 — 특히 어떤 것이 백엔드에 들어가야 할지 더 일찍 깨달을 수 있었다.

자동 완성보다 누군가와 큰 소리로 생각을 나누는 느낌에 가깝다. 그때부터 프론트엔드는 반응형에서 보다 의도적인 방향으로 전환되었다.

컴포넌트에서 플로우로

I stopped thinking in pages and started thinking in flows:

• 인증 흐름
• 로딩 상태
• 오류 복구
• 사용자 신뢰

Knowing some backend made me better at frontend. Thinking carefully about frontend made my backend decisions cleaner. AI didn’t erase the line between them, but it did make you notice it more.

백엔드를 조금 알게 되면서 프론트엔드가 더 나아졌습니다. 프론트엔드에 대해 신중히 고민하면 백엔드 결정도 더 깔끔해졌습니다. AI가 두 영역 사이의 경계를 없애진 않았지만, 오히려 그 경계를 더 뚜렷이 느끼게 만들었습니다.

프론트엔드는 이제 관점이다

Frontend today isn’t about knowing a framework. It’s about understanding how decisions ripple through a system — database, API, network, UI — and how they feel to the person using it.

AI didn’t kill frontend. It just changed how you think about it. And once that clicks, it’s hard to unsee.

Source: …

다음 단계: 머신러닝으로 더 깊이 들어가기

결국 호기심이 생깁니다.

프론트엔드가 하나의 관점이고 AI가 증폭기라면, 다음 단계는 단순히 모델을 사용하는 것이 아니라 그 모델이 실제로 무엇을 하고 있는지 이해하는 것입니다.

그것이 바로 머신러닝이 들어오는 부분인데, 박사 수준의 이론이 아니라 “내가 해결하려는 문제는 무엇인가?”라는 매우 실용적인 관점에서 접근하는 것입니다.

저는 DistilBERT를 사용해 작은 감성 분석 모델을 학습하고 배포했습니다. 이를 통해 구글 지도 리뷰를 분석하고 사람들이 실제 상황에서 어떻게 의견을 표현하는지 살펴보았습니다.

• 완벽한가요? 아니요.
• 유용한가요? 어쩌면요.
• 흥미로운가요? 확실히 그렇습니다.

보통 이런 단계가 좋은 시작점이 됩니다.