Choose Boring Technology
지루한 기술을 선택하라 — Dan McKinley (2015)
당신에겐 ~3개의 'innovation token'만 있다. 어디에 쓸지 신중하라. 새로운 기술은 흥미롭지만, 지루한 기술이 당신을 지킨다.
Overview
Etsy의 엔지니어 Dan McKinley가 2015년에 쓴 글. 짧고 직설적이다. 핵심 개념 하나로 업계에 정신적 모델 하나를 박았다 — Innovation Token.
이 글의 가치는 AI 시대에 오히려 폭증했다. 매주 새로운 LLM, 매월 새로운 에이전트 프레임워크, 매분기 새로운 RAG 라이브러리가 나오는 지금, '무엇을 도입할 것인가'보다 '무엇을 도입하지 않을 것인가'가 더 중요한 결정이 됐다. 이 글은 그 결정의 나침반이다.
- Innovation Token이라는 정신적 모델을 자기 결정에 적용한다
- '새로운' 기술의 진짜 비용(운영·디버깅·고용)을 평가할 수 있다
- '지루함'이 실제로 의미하는 것을 안다 — '나쁘다'가 아니라 '예측 가능'이다
- AI 도구의 빠른 변화 속에서 어떤 부분을 '지루하게' 유지할지 판단한다
- 기술 도입 결정에서 ROI와 위험을 균형 있게 본다
Sections
5.1 Innovation Token의 정의
McKinley의 명제: 회사(혹은 팀)는 한정된 수의 'innovation token'을 갖고 있다. 그가 임의로 정한 숫자는 약 3개.
여기서 '혁신'은 '새로운 기술을 도입한다'를 뜻한다. 새 데이터베이스, 새 언어, 새 메시지 큐, 새 ML 프레임워크. 각각이 토큰 하나를 소비한다.
이 토큰은 무엇을 위해 쓰는가? 진짜로 차별화를 만드는 핵심 영역. '이걸 새 기술로 안 하면 우리 비즈니스가 안 된다' 수준의 영역. 그 외 모든 곳에선 지루한 기술을 써야 한다.
5.2 왜 새로운 기술이 비싼가
새 기술의 진짜 비용은 '학습 시간'이 아니다. 그것보다 훨씬 큰 비용들이 따라온다.
알려지지 않은 실패 모드(unknown failure modes): 새 기술은 어디서 어떻게 망가지는지 모른다. 5년 된 PostgreSQL은 모든 실패 사례가 stackoverflow에 있다. 신규 NoSQL은 당신이 첫 피해자가 될 수 있다.
고용 풀의 제약: 'Rust 5년 경력 + Postgres' 엔지니어를 뽑는 것과 'Rust 5년 + 우리 회사가 채택한 신규 그래프 DB X' 엔지니어를 뽑는 것은 난이도가 다르다.
커뮤니티와 도구의 미성숙: 새 기술은 디버거·모니터링·테스팅 도구가 부족하다. 모든 게 직접 만들어야 하는 일이다.
유지보수의 지속: 새 기술은 자주 breaking change를 낸다. 5년 된 기술은 안정적이다.
5.3 '지루함'의 진짜 의미
McKinley가 강조하는 것: '지루하다'는 '나쁘다'가 아니라 '예측 가능하다'이다. 알려진 실패 모드, 알려진 성능 특성, 알려진 운영 비용.
Boring = 잘 알려진 + 검증된 + 운영 비용을 추정 가능. 예: PostgreSQL, Redis, Linux, Bash, Python, Java, REST.
Exciting = 알려지지 않은 + 검증되지 않은 + 운영 비용을 추정 불가. 예: 갓 나온 분산 데이터베이스, 알파 단계 ML 프레임워크, 베타 에이전트 라이브러리.
흥미로운 점: 지루한 기술도 한때는 흥미로웠다. PostgreSQL이 1996년엔 흥미로운 신기술이었다. 시간이 그것을 지루하게 만들었다 — 그 자체가 가치다.
5.4 결정 프로세스
McKinley는 새 기술 도입을 가볍게 결정하지 말라고 한다. 구체적 질문 세트를 제시한다.
1. 이 기술이 해결하는 문제가 우리 핵심인가? 핵심이 아니면 토큰 쓸 가치 없다.
2. 현재 도구로 80% 가능한가? 가능하면 그걸로 가라. 마지막 20%를 위해 토큰을 쓰지 마라.
3. 실패하면 어떻게 되돌릴 수 있는가? 1년 뒤 이 기술이 deprecated 되면 마이그레이션이 가능한가?
4. 운영 비용을 추정할 수 있는가? 새 기술은 운영 비용이 미지수다. 추정 불가는 곧 위험이다.
5. 누가 새벽 3시에 디버그할 것인가? 새 기술은 인터넷에 답이 없을 수 있다.
5.5 AI 에이전트 시대의 적용
2024-2025년 AI 도구 풍경은 McKinley의 글이 가장 빛나는 시대다. 매주 새로운 에이전트 프레임워크, 새로운 RAG 라이브러리, 새로운 모델이 나온다.
현실: 대부분 6개월 뒤에 사라진다. LangChain 0.1과 0.2 사이의 breaking change에 시간을 다 쓴 팀이 한둘이 아니다.
Boring AI 선택의 예: (a) 모델은 안정된 메이저 벤더 API (Anthropic, OpenAI). (b) 인터페이스는 단순한 messages API. (c) 도구는 잘 검증된 OS·DB·로깅. (d) 자체 에이전트 루프는 단순한 while + 함수 호출.
Exciting AI를 토큰으로 살 가치가 있는 경우: 자기 비즈니스의 핵심 차별화 영역이고, 다른 방법으론 안 되며, 실패해도 되돌릴 수 있을 때. 그 외 모든 곳에서는 가장 지루한 선택을 하라.
당신은 칩 3개를 들고 도박장에 들어간다. 모든 테이블이 '새 기술'을 걸 수 있다. 한 테이블은 '새 데이터베이스'를 걸고 대박/쪽박을 가린다. 다른 테이블은 '새 ML 프레임워크', 또 다른 테이블은 '새 에이전트 라이브러리'.
칩은 3개뿐이다. 어느 테이블에 걸 것인가? 답은 '내가 진짜 알고 싶고, 잘하면 게임을 바꿀 수 있는 한두 테이블'이다. 나머지 테이블에선 그냥 룰렛(boring) 빨강에 1배수 베팅을 한다. 안전하고 예측 가능하다.
초보 도박꾼은 모든 테이블에 한 칩씩 다 건다. 흥미진진하지만 칩이 빨리 사라진다. 시니어는 한두 테이블에 집중한다. 엔지니어링도 같다. 흥미로움이 곳곳에서 유혹할 때, 'innovation token이 3개뿐이다'를 기억하라.
같은 RAG 시스템을 (a) 흥미로운(exciting) 스택과 (b) 지루한(boring) 스택으로 구현한다. 토큰을 어디에 썼는지가 핵심이다.
# === EXCITING: 모든 자리에 새 기술 ===
# - 벡터 DB: 갓 나온 신규 그래프-벡터 하이브리드 DB
# - 임베딩: 알파 단계 멀티모달 모델
# - 에이전트: 베타 프레임워크 X
# - 오케스트레이션: 신규 워크플로 엔진 Y
# - 로깅: 신규 LLM-특화 관측 도구 Z
# → 5개의 innovation token을 다 썼다. 한 곳만 망가져도 도미노.
# === BORING: 핵심 한 곳에만 토큰 ===
import anthropic # boring: 안정된 메이저 API
import psycopg2 # boring: 20년 된 RDBMS
from pgvector.psycopg2 import register_vector # boring: pg 확장
import logging # boring: 표준 라이브러리
def rag_answer(question: str) -> str:
# 1) embed (boring API 호출)
embedding = embed_with_provider(question)
# 2) retrieve (boring SQL)
conn = psycopg2.connect(DB_URL)
cur = conn.cursor()
cur.execute("SELECT chunk FROM docs ORDER BY embedding <=> %s LIMIT 5",
(embedding,))
context = "\n".join(r[0] for r in cur.fetchall())
# 3) generate (Anthropic SDK)
client = anthropic.Anthropic()
msg = client.messages.create(
model="claude-opus-4-7",
max_tokens=1024,
messages=[{"role": "user",
"content": f"{context}\n\nQ: {question}"}],
)
return msg.content[0].text
# → innovation token 1개(LLM 모델)만 사용. 나머지는 다 boring.
exciting 버전은 디버깅·모니터링·롤백이 다 위험하다. 한 부분이 망가지면 전체 파이프라인이 잘 안 보인다. boring 버전은 PostgreSQL 로그, pg_stat, Python logging 같은 잘 알려진 도구로 디버깅 가능하다. innovation token은 '진짜로 차별화를 만드는' 한 곳 — LLM 모델 자체 — 에만 썼다. 같은 결과를 내면서 운영 비용은 압도적으로 낮다.
✅ 시니어가 보는 것
- 기술 선택 결정에서 운영 비용·실패 모드·복구 경로를 함께 평가하는지
- '우리 핵심 차별화'와 '그 외'를 명확히 구분하는지
- Innovation token이 다 떨어졌을 때 자제력 발휘
- 최근 도입을 거절한 기술과 그 이유를 명확히 설명 가능
⚠️ 레드 플래그
- 최신 GitHub trending을 모두 도입하려는 충동
- '이게 더 elegant하니까' 같은 미적 이유로 마이그레이션
- 프로덕션에 알파/베타 라이브러리를 핵심 의존성으로 채택
- 기술 도입 결정에서 'rollback plan'이 없음
🎤 예상 인터뷰 질문
- 최근 거절한 기술 도입 결정과 그 이유는?
- 현재 시스템의 innovation token이 어디에 쓰였는지 5개 이내로 나열해 주세요
- AI 에이전트 라이브러리 풍경에서 무엇을 'boring'으로 분류하고 무엇을 'exciting'으로 분류하시나요?
Key Takeaways
토큰은 ~3개
더 많이 쓰면 운영 비용이 폭발한다.
Boring ≠ Bad
Boring = Predictable. 알려진 위험을 운영한다.
새 기술의 진짜 비용
운영·디버깅·고용·롤백. 학습 시간은 빙산의 일각.
핵심에만 토큰
차별화 영역에만 새 기술. 그 외엔 가장 지루한 선택.
Unknown failure modes
새 기술은 어디서 어떻게 망가지는지 모른다.
AI 시대 더 중요
프레임워크가 매주 등장·소멸하는 시대일수록 자제가 자산.
거절도 결정
도입하지 않은 기술이 시스템을 살린다.
시간이 지루함을 만든다
오늘의 안정된 기술도 한때 흥미로웠다. 시간이 무료 가치를 더한다.