중국 기술 직원들이 AI 복제 인물을 훈련시키며 저항을 시작한다

중국 테크 기업에서 확산 중인 "AI 도플갱어" 훈련은 기본적으로 개인화된 LLM 에이전트 파이프라인에 기반한다. GitHub에 공개되었던 Colleague Skill 같은 프로젝트는 동료의 슬랙/이메일/코드 커밋/문서 이력을 수집해 벡터 DB에 임베딩하고, 이를 RAG(Retrieval-Augmented Generation) 방식으로 파운데이션 모델에 주입한 뒤 LoRA/QLoRA 파인튜닝이나 시스템 프롬프트 엔지니어링을 통해 특정 개인의 말투·판단 패턴·업무 처리 방식을 "증류(distill)"하는 구조를 띤다. 최근 Anthropic의 Skills 기능이나 OpenAI의 GPTs처럼 장기 컨텍스트와 도구 호출(tool use)이 안정화되면서, 예전에는 어려웠던 "특정 직원 페르소나 + 회사 내부 지식 + MCP 기반 사내 시스템 접근"이라는 3요소가 실제로 조립 가능해졌다는 점이 이 흐름의 기술적 토대다.

개발자 입장에서 가장 민감한 부분은 "내 코드 리뷰 코멘트, PR 디스크립션, Jira 티켓, 설계 문서"가 전부 훈련 데이터로 소비될 수 있다는 점이다. 시니어 개발자의 아키텍처 판단이나 디버깅 노하우처럼 원래는 멘토링·페어 프로그래밍으로만 전수되던 암묵지가 인덱싱·재현 가능한 자산으로 바뀌면, 회사 입장에서는 "1명 + AI 복제본 N개"가 팀 확장의 기본 단위가 된다. 중국 사례에서 보이는 반발—의도적으로 저품질 설명을 남기거나, 핵심 판단 근거를 문서화하지 않는 "지식 사보타주"—은 단순한 저항이 아니라 개인 지식재산권(IP)과 고용 안정성을 둘러싼 새로운 형태의 노동 쟁의로 읽어야 한다.

한국 개발자가 당장 점검해야 할 것은 세 가지다. 첫째, 고용 계약서의 "업무상 저작물" 조항이 AI 훈련 데이터 사용까지 커버하는지 확인해야 한다. 기존 조항은 코드·문서의 저작권만 상정하는 경우가 많아, 본인의 사고 패턴·말투를 모델에 학습시키는 행위가 별도 동의 없이 진행될 여지가 있다. 둘째, 사내에 Cursor·Copilot·Claude Code 같은 도구가 도입되면서 에디터 텔레메트리·프롬프트 로그가 어디에 저장되는지(특히 자체 호스팅 LLM 게이트웨이가 있는지) 확인할 필요가 있다. 셋째, 역설적이지만 가장 강력한 방어는 "AI가 복제하기 어려운 가치"에 투자하는 것이다. 단순 구현보다는 요구사항 협상, 장애 대응 판단, 크로스팀 이해관계 조정처럼 컨텍스트가 휘발성이 강하고 상황 의존적인 역량이 해당된다.

장기적으로 이 이슈는 중국에 국한되지 않는다. 빅테크들이 이미 "에이전틱 워크플로우(agentic workflow)"라는 이름으로 주니어 레벨 업무의 AI 위임을 공식화하는 중이고, 국내 대기업·스타트업도 생산성 KPI에 AI 활용률을 포함시키는 추세다. 따라서 개인 개발자 차원에서는 본인의 업무 산출물을 일방적으로 사내 데이터 레이크에 방출하기보다, 로컬 노트(Obsidian 등)에 설계 의사결정을 사유재로 축적하고, 공개 가능한 부분만 선별적으로 공유하는 "지식 분리 저장" 전략을 고려할 시점이다.