Simon Willison은 국내 대중에게 Sam Altman이나 Jensen Huang만큼 널리 알려진 이름은 아닙니다. 하지만 개발자 관점에서 생성형 AI의 변화를 꾸준히 따라가고 싶다면, 한 번쯤 즐겨찾기에 넣어둘 만한 인물입니다. 그는 Django 웹 프레임워크 공동 창작자 중 한 명이고, Datasette이라는 오픈소스 데이터 탐색 도구를 만들었으며, 최근 몇 년 동안은 LLM(Large Language Model, 대규모 언어 모델)을 실제 개발 도구로 다루는 글과 실험을 거의 매일에 가깝게 기록해 왔습니다.
이번 글에서 Simon Willison을 고른 이유는 “유명한 AI 기업 대표”가 아니라 “AI를 손에 잡히는 도구로 바꾸는 사람”을 소개하고 싶었기 때문입니다. 그의 글은 대체로 화려한 선언보다 구체적인 관찰에 가깝습니다. 어떤 모델이 나왔는지, 어떤 명령줄 도구로 호출할 수 있는지, 어떤 작업은 잘 되고 어떤 작업은 아직 위험한지, 실제 링크와 코드와 함께 남깁니다. 한국의 개발자·기획자·데이터 담당자에게도 이런 태도는 꽤 실용적인 참고점이 됩니다.
중복 여부도 확인했습니다. 2026년 7월 23일 기준 IT Coconut의 keyword-sitemap.md와 기존 포스트에서 Simon Willison, Willison, 윌리슨 키워드로 검색했을 때 별도 소개 글은 없었습니다. 따라서 이번 글은 다시 소개가 아니라, Simon Willison을 처음 소개하는 글로 씁니다. 최근 활동의 중심은 LLM 도구와 AI 코딩 에이전트를 둘러싼 개발 문화 변화입니다.
이 인물은 누구인가
Simon Willison을 한 문장으로 소개하면, “웹 개발과 오픈 데이터, 그리고 LLM 실험을 오래 기록해 온 독립 오픈소스 개발자”라고 할 수 있습니다. 그의 공식 소개 페이지는 그를 Datasette의 창작자이자, 현재 Datasette과 SQLite를 중심으로 데이터 저널리즘용 오픈소스 도구를 만드는 사람으로 설명합니다. 같은 페이지에는 “He is a co-creator of the Django Web Framework”라는 문장도 있습니다. Django는 Python 웹 프레임워크를 이야기할 때 빠지기 어려운 이름이므로, 이 이력만으로도 소프트웨어 개발 역사에서 꽤 중요한 위치를 차지합니다.
Django의 공식 문서도 비슷한 배경을 확인해 줍니다. Django FAQ는 2003년 가을 World Online의 개발자 Adrian Holovaty와 Simon Willison이 PHP 대신 Python으로 사이트를 만들기 시작했고, 그 과정에서 재사용 가능한 웹 프레임워크를 뽑아냈다고 설명합니다. 즉 그는 단순히 블로그를 잘 쓰는 관찰자가 아니라, 실제로 개발자 생태계가 오랫동안 써 온 도구를 만든 사람입니다.
그 다음 대표 작업은 Datasette입니다. GitHub API로 확인한 simonw/datasette 저장소 설명은 “An open source multi-tool for exploring and publishing data”입니다. 확인 시점(2026년 7월 23일) 기준 별 수는 약 1.13만 개, 최근 업데이트도 2026년 7월에 있었습니다. Datasette은 거대한 데이터 플랫폼이라기보다, SQLite 파일을 빠르게 탐색하고 웹에 공개하는 작은 도구에 가깝습니다. 하지만 이 “작고 투명한 도구”라는 방향이 Willison의 LLM 작업에서도 반복됩니다.
최근 AI 분야에서 그를 더 자주 보게 되는 이유는 llm이라는 명령줄 도구 때문입니다. simonw/llm 저장소의 설명은 짧습니다. “Access large language models from the command-line.” 확인 시점 기준 GitHub 별 수는 약 1.22만 개였고, 저장소도 2026년 7월에 계속 갱신되고 있었습니다. 거창한 AI 플랫폼을 새로 만들기보다, 터미널에서 여러 모델을 호출하고 플러그인을 붙이고 결과를 저장하게 해 주는 방향입니다.
이 지점이 중요합니다. 많은 AI 담론은 모델 성능표나 기업 경쟁으로 흘러갑니다. 반면 Willison의 관심사는 “실제 사용자가 오늘 이 도구를 어떻게 만질 것인가”에 더 가깝습니다. 모델이 바뀌어도 명령줄, 로그, 재현 가능한 실험, 작은 플러그인 생태계가 남으면 개발자는 훨씬 덜 흔들립니다. 한국의 개발팀이 AI 도입을 고민할 때도 비슷합니다. 어떤 모델 하나를 고르는 문제보다, 모델이 바뀌어도 유지되는 작업 방식과 검증 습관을 만드는 일이 더 오래 갑니다.
최근 무슨 이야기를 했나
2026년 7월에도 Willison의 블로그는 매우 활발합니다. 그의 LLM 태그 페이지는 2026년 7월 23일 확인 기준 llms 태그 글이 1,855개라고 표시하고 있었습니다. 단순히 “요즘 AI가 중요하다”는 수준이 아니라, 모델 출시, 도구, 보안, 글쓰기 습관, 코딩 에이전트, 오픈 웨이트 모델까지 넓게 추적해 온 셈입니다.
가장 인상적인 최근 글 중 하나는 2026년 7월 20일의 “Reverse-engineering is cheap now”입니다. 그는 사람들이 코딩 에이전트를 이용해 집 안의 기기를 리버스 엔지니어링하고 자동화했다는 사례를 들으며, 코드 작성 비용이 낮아진 결과를 짚습니다. 핵심 문장은 짧습니다. “Coding agents change that equation entirely.” 예전에도 리버스 엔지니어링은 가능했지만, 들이는 노력과 유지보수 부담 때문에 시도하지 않았던 일이 많았습니다. 그런데 에이전트가 초안을 빠르게 만들고 실패 비용을 낮추면, “해 볼 만한 일”의 범위가 달라진다는 뜻입니다.
이 말은 무조건 낙관론으로 읽으면 곤란합니다. 그는 같은 글에서 문서화되지 않은 불안정한 API가 나중에 바뀔 수 있고, 유지보수 문제가 생길 수 있다는 점도 함께 언급합니다. 다만 차이는 심리적 비용입니다. 코드를 직접 며칠씩 붙잡아야 한다면 작은 자동화는 쉽게 포기합니다. 반대로 에이전트에게 시켜 보고, 안 되면 버리고 다시 시도할 수 있다면 실험의 문턱이 내려갑니다. 이것이 에이전틱 AI가 실제 업무에 들어올 때 생기는 가장 현실적인 변화일 수 있습니다.
2026년 7월 21일에는 Claude Code 팀과의 fireside chat도 공개했습니다. 그는 AI Engineer World’s Fair에서 Anthropic의 Claude Code 팀 구성원들과 코딩 에이전트 보안, 평가, 도구 설계, 내부 사용 방식 등을 이야기했습니다. 흥미로운 점은 Willison이 단순 인터뷰어가 아니라, 도구를 직접 오래 써 본 사용자의 질문을 던진다는 점입니다. “이제 코딩 에이전트가 실제로 작동하는데, 지난 1년 동안 엔지니어의 하루가 어떻게 바뀌었나” 같은 질문은 현장의 변화를 보기 좋게 만듭니다.
또 하나의 작은 실험은 2026년 7월 17일의 “LLM cliché highlighter”입니다. 그는 LLM이 쓴 글에서 자주 보이는 상투 표현을 표시하는 도구를 만들었습니다. 글의 동기는 간단합니다. AI가 만든 듯한 문장 패턴이 반복되는 것에 답답함을 느꼈고, 이를 찾는 작은 앱을 만든 것입니다. 이 사례는 Willison의 장점을 잘 보여 줍니다. 거대한 비평으로 끝내지 않고, 불편한 점을 바로 도구로 바꿉니다.
정리하면 최근 Willison의 관심사는 세 방향으로 묶을 수 있습니다. 첫째, 코딩 에이전트가 개발자의 실험 비용을 얼마나 낮추는가. 둘째, LLM 출력의 품질과 상투성을 어떻게 검토할 것인가. 셋째, 모델과 도구가 빠르게 바뀌는 상황에서 개발자는 어떤 기록과 검증 방식을 가져야 하는가. 이 세 가지는 한국의 개발 조직에도 바로 연결됩니다.
국내 독자 관점에서 짚어볼 점
국내 독자에게 Willison이 특히 유용한 이유는, 그가 AI를 “마케팅 발표”가 아니라 “작업 흐름”으로 다루기 때문입니다. 국내 기업과 스타트업도 최근 몇 년 사이 AI 도입을 빠르게 검토했습니다. 하지만 실제 현장에서는 질문이 더 구체적입니다. 어떤 모델을 써야 하느냐보다, 사내 문서를 어디까지 넣어도 되는지, 결과를 누가 검토하는지, 비용이 얼마나 튀는지, 실패 로그를 어떻게 남기는지가 더 중요합니다.
Willison의 방식은 이 질문에 꽤 좋은 힌트를 줍니다. 예를 들어 llm 같은 명령줄 도구는 처음 보기에는 개발자 취향의 작은 프로젝트처럼 보일 수 있습니다. 그러나 명령줄은 자동화, 기록, 재현성에 강합니다. 같은 프롬프트를 다시 실행하고, 모델을 바꿔 비교하고, 결과를 파일로 남기고, 플러그인으로 기능을 확장하기 쉽습니다. 팀 단위로 AI를 실험할 때도 이런 장점은 큽니다.
두 번째로 배울 점은 “작은 도구를 계속 만든다”는 태도입니다. LLM cliché highlighter는 세상을 바꾸는 제품이 아닙니다. 하지만 팀 안에서 AI 문장 냄새를 줄이고 싶다면 곧바로 도움이 될 수 있는 실험입니다. 기업의 AI 도입도 처음부터 거대한 플랫폼을 만들 필요는 없습니다. 반복되는 회의록 정리, 문서 초안 검토, 테스트 케이스 생성, 로그 요약처럼 작은 문제부터 시작해도 됩니다.
세 번째는 한계 감각입니다. AI 카테고리 글에서 특히 주의해야 할 점은 장점만 말하는 것입니다. 코딩 에이전트는 분명 실험 비용을 낮추지만, 권한을 잘못 주면 원치 않는 파일 수정이나 데이터 노출 위험도 커집니다. 리버스 엔지니어링이 쉬워진다는 말도 마찬가지입니다. 개인 자동화에는 흥미로운 기회지만, 회사 시스템이나 타인 소유 장비에 무단으로 적용하면 법적·윤리적 문제가 됩니다. 따라서 “쉬워졌다”는 말은 “아무렇게나 해도 된다”가 아닙니다.
국내 개발자 입장에서는 Willison을 하나의 관찰 루틴으로 삼아도 좋습니다. 공식 발표만 보면 기업이 강조하고 싶은 장점이 먼저 보입니다. 반대로 현장 개발자의 블로그를 보면, 설치하다 막힌 점, 도구가 이상하게 동작한 사례, 새 모델의 실제 쓰임새 같은 정보가 보입니다. 둘을 함께 읽어야 균형이 잡힙니다.
마지막으로, Willison의 글쓰기 방식 자체도 참고할 만합니다. 그는 짧은 링크 글, 긴 분석, 인용, 도구 소개를 섞어 기록합니다. 모든 글이 완벽한 논문처럼 길 필요는 없습니다. 대신 근거 링크를 남기고, 확인한 날짜와 맥락을 분명히 하면 시간이 지난 뒤에도 쓸모 있는 지식베이스가 됩니다. 국내 팀이 사내 AI 도입 노트를 만들 때도 이런 형식은 현실적입니다.
나의 생각
저는 Simon Willison의 가장 큰 장점이 “AI를 과대평가하지 않으면서도 과소평가하지 않는 태도”라고 봅니다. 그는 새 모델과 도구를 매우 빠르게 시험합니다. 동시에 불편한 점, 실패 가능성, 보안 이슈, 문장 품질 문제를 함께 기록합니다. 이 균형이 중요합니다. AI 도구를 너무 믿으면 검증을 놓치고, 너무 불신하면 실제로 줄일 수 있는 반복 작업을 계속 사람이 떠안게 됩니다.
특히 “코드 작성 비용이 낮아졌다”는 관찰은 국내 개발팀이 진지하게 받아들일 만합니다. 비용이 낮아진다는 것은 개발자의 가치가 낮아진다는 뜻이 아닙니다. 오히려 무엇을 만들지 고르는 능력, 위험한 자동화와 안전한 자동화를 구분하는 능력, 결과를 검증하는 능력이 더 중요해진다는 뜻에 가깝습니다. 코딩 자체가 전부였던 시대에서, 문제 정의와 품질 관리의 비중이 커지는 방향입니다.
다만 저는 이 변화가 모든 팀에 같은 속도로 오지는 않을 것이라고 생각합니다. 보안이 엄격한 조직, 레거시 시스템이 많은 조직, 테스트가 부족한 조직에서는 코딩 에이전트를 바로 넓게 쓰기 어렵습니다. 그런 곳일수록 Willison식 작은 실험이 필요합니다. 사내 비밀이 아닌 공개 코드나 개인 도구에서 먼저 써 보고, 어떤 로그가 남는지, 어떤 권한이 필요한지, 실패했을 때 되돌릴 수 있는지부터 확인해야 합니다.
또 하나 강조하고 싶은 점은 글쓰기와 기록입니다. LLM 시대에는 결과물이 빨리 나오기 때문에 오히려 “왜 이렇게 판단했는지”가 더 쉽게 사라집니다. 프롬프트, 모델 버전, 입력 데이터, 검토 기준을 남기지 않으면 나중에 같은 결과를 재현하기 어렵습니다. Willison의 블로그가 가치 있는 이유도 바로 여기에 있습니다. 그는 단순한 의견보다 링크와 실험 기록을 남깁니다.
국내 독자에게 권하고 싶은 실천은 세 가지입니다. 첫째, AI 도구를 도입할 때 “어떤 모델이 최고인가”보다 “결과를 어떻게 검증할 것인가”를 먼저 정합니다. 둘째, 작은 자동화부터 시작해 실패 비용을 낮춥니다. 셋째, 팀의 경험을 블로그나 내부 문서로 남깁니다. 시간이 지나면 그 기록이 모델 성능표보다 훨씬 실용적인 자산이 됩니다.
정리하면, Simon Willison은 AI 시대의 개발자가 어떤 감각을 가져야 하는지 보여 주는 인물입니다. 도구를 직접 만들고, 빨리 시험하고, 근거를 남기고, 한계를 숨기지 않습니다. 거대한 AI 담론에 피로감을 느끼는 독자라면 그의 블로그와 llm 프로젝트를 따라가 보는 것만으로도 꽤 좋은 균형 감각을 얻을 수 있습니다.
참고한 핵심 출처
- Simon Willison — About Simon Willison — 확인일: 2026-07-23.
- Simon Willison on llms — 확인일: 2026-07-23.
- Reverse-engineering is cheap now — 확인일: 2026-07-23.
- A Fireside Chat with Cat and Thariq from the Claude Code team — 확인일: 2026-07-23.
- Tool: LLM cliché highlighter — 확인일: 2026-07-23.
- GitHub — simonw/llm — GitHub API 스냅샷 확인일: 2026-07-23.
- GitHub — simonw/datasette — GitHub API 스냅샷 확인일: 2026-07-23.
- Django documentation — FAQ: General — 확인일: 2026-07-23.
함께 읽으면 좋은 글
이 주제를 더 넓은 기술·산업 맥락에서 비교하려면 아래 분석을 함께 참고하세요.
댓글 없음:
댓글 쓰기