[AI 활용 회고] ChatGPT, Codex, Cursor, 로컬 LLM을 개발 과정에 어떻게 다르게 썼는가

들어가며

2026년에는 여러 AI 도구를 개발과 취업 준비에 적극적으로 사용했다.

처음에는 ChatGPT, Codex, Cursor, 로컬 LLM이 모두 비슷한 도구처럼 느껴졌다.
하지만 계속 사용하다 보니 각 도구마다 잘 맞는 역할이 다르다는 것을 알게 되었다.

이번 글은 내가 AI 도구들을 어떻게 구분해서 사용했는지 정리한 회고다.

ChatGPT는 생각 정리와 개념 학습

ChatGPT는 주로 생각을 정리하거나 개념을 다시 이해할 때 많이 사용했다.

예를 들어 다음과 같은 질문에 잘 맞았다.

• Spring Security의 인증/인가 흐름을 어떻게 이해하면 좋을까
• OAuth 2.1은 OAuth 2.0과 무엇이 다른가
• 포트폴리오 문장을 어떻게 줄이면 좋을까
• 프로젝트 경험을 문제 해결 흐름으로 바꾸려면 어떻게 써야 할까
• 면접에서 이 경험을 어떻게 설명하면 좋을까

ChatGPT는 긴 대화를 통해 내 생각을 끌어내는 데 도움이 되었다.

특히 이력서와 포트폴리오를 정리할 때, 내가 너무 많은 내용을 넣으려고 하면 핵심을 줄이는 방향으로 다시 생각하게 해줬다.

다만 최신 기술 정보는 반드시 공식 문서나 검색 결과로 확인해야 한다고 느꼈다.

Codex는 실제 파일 작업과 코드베이스 이해

Codex는 실제 프로젝트 파일을 읽고 수정하는 작업에 적합했다.

블로그 프로젝트에서는 기존 _posts 구조, 카테고리, front matter 형식을 확인하고 그에 맞춰 글 파일을 생성하는 데 사용했다.

내가 Codex에 기대한 역할은 다음이었다.

• 현재 프로젝트 구조 확인
• 기존 글 스타일 파악
• 새 Markdown 포스트 생성
• 날짜와 카테고리 정리
• Git 상태 확인
• 파일 충돌 여부 확인

ChatGPT가 대화 중심의 정리 도구라면, Codex는 실제 작업 공간 안에서 움직이는 협업자에 가까웠다.

특히 블로그 글을 많이 작성할 때, 기존 형식을 맞춰 파일을 직접 생성해주는 점이 편했다.

Cursor는 빠른 구현과 프론트 작업 보조

Cursor는 코드 에디터 안에서 빠르게 구현할 때 도움이 되었다.

특히 프론트엔드 화면을 구성하거나, 기존 코드를 보면서 빠르게 수정 방향을 잡을 때 유용했다.

내가 Cursor를 사용하면서 좋았던 부분은 다음이다.

• 현재 파일 맥락을 보면서 코드 제안
• React 화면 구성 보조
• 반복적인 UI 코드 작성
• API 연동 코드 초안 작성
• 간단한 리팩토링 제안

백엔드 개발자라도 프론트 화면을 조금 다룰 일이 있다.
이때 Cursor는 빠르게 화면을 만들고 API 응답을 연결하는 데 도움이 되었다.

하지만 Cursor가 제안한 코드를 그대로 쓰기보다는, 백엔드 API 의도와 상태 관리 흐름에 맞는지 다시 확인해야 했다.

로컬 LLM은 실험과 개인 작업 보조

Ollama 같은 로컬 LLM은 실험용으로 흥미로웠다.

클라우드 모델만큼 강력하지는 않지만, 로컬에서 간단한 문서 정리나 코드 설명을 맡길 수 있다는 점이 좋았다.

로컬 LLM을 쓰고 싶었던 이유는 다음과 같다.

• 외부로 보내기 부담스러운 내용을 로컬에서 다루기
• 반복적인 문서화 작업
• 간단한 코드 요약
• 에이전트 워크플로 실험
• 비용 부담 없는 테스트

물론 로컬 모델은 성능 한계가 뚜렷하다.
그래서 검색 도구나 공식 문서 확인과 함께 쓰는 편이 더 안전하다고 생각했다.

AI 도구를 역할별로 나누기

여러 도구를 쓰면서 가장 중요하다고 느낀 것은 역할 분리였다.

모든 일을 하나의 AI에게 맡기기보다, 각 도구가 잘하는 일을 나누는 편이 좋았다.

도구	내가 주로 사용한 역할
ChatGPT	개념 정리, 글 방향, 포트폴리오 문장 압축
Codex	실제 파일 작업, 코드베이스 탐색, 블로그 포스트 생성
Cursor	에디터 안 구현 보조, 프론트 코드 작성
Ollama/로컬 LLM	개인 실험, 로컬 문서화, 에이전트 구성
DDGS	최신 문서와 검색 결과 확인

이렇게 역할을 나누면 AI를 더 안정적으로 사용할 수 있다.

AI를 쓰면서 바뀐 공부 방식

AI를 쓰기 전에는 모르는 개념이 있으면 검색하고, 블로그 여러 개를 읽고, 코드를 따라 쳐보는 흐름이 많았다.

지금은 먼저 AI에게 큰 그림을 물어보고, 그다음 공식 문서나 코드로 검증하는 흐름이 많아졌다.

AI로 큰 그림 파악 -> 공식 문서 확인 -> 프로젝트에 적용 -> 블로그로 정리

이 방식은 학습 속도를 높여준다.

하지만 위험도 있다.
AI가 틀린 내용을 그럴듯하게 말할 수 있기 때문에, 검증 없이 받아들이면 오히려 잘못 배울 수 있다.

그래서 AI를 사용할수록 질문하는 능력과 검증하는 습관이 더 중요해진다고 느꼈다.

AI는 대체자가 아니라 증폭기

AI를 쓰면서 가장 경계한 것은 “내가 이해하지 못한 코드를 그대로 쓰는 것”이었다.

AI는 코드를 빠르게 제안할 수 있지만, 그 코드가 왜 필요한지 설명하지 못하면 내 실력이 되지 않는다.

그래서 AI를 다음처럼 사용하려고 했다.

• 모르는 개념의 큰 그림을 잡기
• 선택지를 비교하기
• 오류 원인 후보를 좁히기
• 글 구조를 잡기
• 반복 작업을 줄이기
• 내가 쓴 내용을 검토하기

AI는 개발자를 대체한다기보다, 잘 쓰면 개발자의 사고와 작업 속도를 증폭시키는 도구에 가깝다고 느꼈다.

마무리

ChatGPT, Codex, Cursor, 로컬 LLM을 사용하면서 AI 도구를 하나의 만능 도구로 보지 않게 되었다.

각 도구는 잘하는 일이 다르고, 내가 어떤 문제를 해결하려는지에 따라 선택이 달라진다.

앞으로도 AI를 사용할 때는 “이 도구가 대신 해줄 수 있는가”보다 “이 도구가 내 판단을 더 좋게 만들어줄 수 있는가”를 기준으로 삼으려고 한다.

결국 중요한 것은 AI를 얼마나 많이 쓰느냐가 아니라, AI를 사용한 뒤 내가 얼마나 더 잘 이해하고 설명할 수 있게 되었는가라고 생각한다.