§2.3 ’바이브 코딩’이라는 용어의 확산

바이브 코딩은 개발 경험이 적은 사람도 자신에게 필요한 프로그램을 만들어 볼 수 있다는 가능성으로 주목받았다. 원하는 기능을 자연어로 설명하고, 생성된 프로그램을 실행해 결과를 확인한 뒤 다시 수정하는 과정은 아이디어를 구현하기까지의 부담을 낮춘다. 이 변화는 시제품을 통한 아이디어 검증, 개인의 필요에 맞춘 도구 제작, 제작 경험의 공유로 이어졌다. 다만 이러한 사례가 바이브 코딩의 확산 원인을 정량적으로 입증하는 것은 아니다. 이 절에서는 사람들이 시도할 수 있었던 이유와 관심이 넓어진 양상을 나누어 살펴본다. 코드 지식에 대한 부담이 줄어들다 프로그램을 직접 만들려면 일반적으로 언어의 문법과 개발환경, 라이브러리의 사용법을 익혀야 한다. 외부 서비스와 연결하려면 프로그램 사이에 요청과 데이터를 주고받는 인터페이스인 API(application programming interface)도 알아야 한다. 이 과정에 익숙하지 않은 사람에게는 간단한 기능 하나를 구현하는 데도 학습 부담이 생긴다. 해결하고 싶은 문제가 분명해도 구현 방법을 몰라 시도를 미루게 되는 이유다. 자연어로 구현을 요청할 수 있게 되면 이러한 지식을 모두 갖추기 전에도 제작에 참여할 수 있다. 사용자가 자신의 분야에서 무엇이 필요하고 어떤 결과가 유용한지 알고 있다면, 그 이해를 요구사항으로 구체화하는 데서 출발할 수 있기 때문이다. 예를 들어 지역별 지원기관을 검색하는 웹페이지를 만든다면 이용 대상, 검색할 정보, 결과를 보여줄 방식을 설명하고 화면을 사용해 보면서 부족한 기능을 추가로 요청할 수 있다. 이때 해당 분야에 대한 이해는 프로그램의 요구사항을 정하고 결과의 유용성을 판단하는 데 쓰인다. Willison도 개인의 구체적인 작업을 자동화하기 위해 반드시 컴퓨터과학 학위나 프로그래밍 교육을 거칠 필요는 없어야 한다고 주장했다 [14]. 자연어로 웹앱을 제작하는 서비스 Lovable의 성장도 참여 확대의 한 사례다. 2025년 7월 보도에 따르면 당시 활성 사용자는 230만 명이었고, 하루 생성 프로젝트는 10만 개 이상이었다 [5]. 이 수치는 특정 서비스의 이용 규모를 보여줄 뿐, 사용자가 모두 비개발자라거나 바이브 코딩의 효과를 입증하는 자료는 아니다. 다만 아이디어를 화면과 기능으로 구현하도록 돕는 도구에 큰 이용자층이 형성되었음을 보여준다. 작동하는 시제품으로 아이디어를 검증하다 아이디어를 구현하는 시간이 줄어들면 시도할 수 있는 범위도 넓어진다. 핵심 기능을 시험하기 위한 시제품인 프로토타입(prototype)을 먼저 만들고, 결과를 사용하면서 필요한 기능과 수정 방향을 구체화할 수 있다. 글로 작성한 기획안만으로는 화면 구성이나 이용 흐름을 서로 다르게 이해할 수 있지만, 직접 눌러 볼 수 있는 화면이 있으면 불편한 지점과 빠진 기능을 구체적으로 논의하기 쉽다. 필요성이 낮다고 판단되면 방향을 바꾸거나 다른 아이디어를 시험할 수도 있다. 초기 시도에 드는 부담이 작아질수록 이러한 반복도 쉬워진다. Willison은 바이브 코딩이 아이디어의 작동 가능성을 시험하는 프로토타입 제작에 유용하다고 설명했다 [15]. 시제품 제작과 반복 개선은 기존 개발에서도 활용되어 왔지만, 자연어 요청은 개발 경험이 적은 사람도 그 과정에 참여하는 출발점이 될 수 있다. 제작에 많은 시간과 비용이 들면 요구사항을 미리 정하고 수정을 줄이려는 동기가 커진다. 반대로 초기 결과를 쉽게 얻을 수 있다면 먼저 만들어 본 뒤 동작을 바탕으로 목표를 발견하고 조정하는 탐색도 시도하기 쉬워진다. 속도는 숙련된 개발자에게도 중요한 활용 동기였다. TechCrunch는 2025년 3월 Y Combinator의 겨울 기수 스타트업 중 25%가 코드베이스의 약 95%를 AI로 생성했다고 보도했다 [6]. 이는 보도가 전한 특정 기수의 사례이며, 개발 시간의 단축 정도를 측정한 결과나 바이브 코딩 전체의 성과로 읽어서는 안 된다. 개인의 필요에 맞춘 작은 도구를 만들다 일상이나 업무에서 느끼는 불편이 분명해도 전용 프로그램을 따로 개발하기에는 시간과 비용이 부담스러울 수 있다. 구현 부담이 줄어들면 이런 작은 필요도 직접 제작을 시도할 만한 대상이 된다. 기획자는 아이디어를 보여 줄 화면을 만들 수 있고, 학생은 학습에 필요한 계산기나 시각화 도구를 구상할 수 있다. 프로그램의 목적과 결과를 판단하는 기준은 각자의 활동에서 나온다. 뉴욕타임스 기자 Kevin Roose는 냉장고 사진을 바탕으로 도시락 메뉴를 제안하는 앱을 약 10분 만에 만든 경험을 소개하며, 이를 ’한 사람만을 위한 소프트웨어’라는 표현과 연결했다 [16]. Linus Torvalds의 오디오 이펙트 프로젝트 AudioNoise도 필요한 보조 도구를 마련한 사례다. 그는 핵심 오디오 처리 코드는 직접 작성하고 결과를 확인하기 위한 파이썬 시각화 도구는 주로 바이브 코딩으로 만들었다고 설명했다 [13]. 한 사람의 불편을 해결하는 도구부터 전문 작업을 보조하는 프로그램까지, 필요한 기능과 위험 수준에 따라 AI에 맡기는 범위는 달라질 수 있다. 한 연구자의 사례: 실험에 필요한 도구를 직접 만들다 프로그래밍을 전공하지 않은 한 연구자는 실험 중 센서 데이터를 확인하고 저장하는 과정이 번거롭다고 느꼈다. 실험에 맞는 도구가 필요했던 연구자는 AI에 원하는 기능을 설명하며 직접 프로그램을 만들기 시작했다. 센서 데이터를 그래프로 보여 주고 파일로 저장하도록 요청한 뒤, 프로그램을 실행해 보고 오류나 불편한 점을 전달하며 수정해 나갔다. 실제 장비에서의 성능 확인과 추가 개발은 남아 있었지만, 필요한 기능을 구상하고 구현을 시도할 수 있었다. 이 사례에서 출발점은 실험 과정에 대한 이해였다. 자신의 분야에서 발견한 불편을 요구사항으로 바꾸고, 결과를 직접 사용하며 개선해 볼 수 있다는 점은 바이브 코딩에 관심을 갖게 되는 이유를 보여 준다.

제작 경험의 공유와 용어의 확산 누군가 제작 과정이나 프롬프트, 결과물을 공개하면 다른 사람은 이를 참고해 자신의 목적에 맞게 바꿀 수 있다. 제작 과정을 보여 주는 글과 영상은 시도할 동기를 주고, 프롬프트는 필요한 정보와 조건을 어떻게 설명하는지 알려 준다. 실행하거나 복제할 수 있는 결과물이 있으면 기존 기능을 살펴보고 일부를 바꾸는 데서 시작할 수도 있다. 공유된 경험이 다음 사용자의 초기 부담을 줄이고, 새 결과가 다시 공유되면서 활용 사례가 다른 분야로 이어질 수 있다. 도구의 성장에서도 관심의 확대를 살펴볼 수 있다. Tech.eu는 2025년 7월 Lovable의 활성 사용자가 230만 명, 하루 생성 프로젝트가 10만 개 이상이며, 출시 약 8개월 만에 연간 반복 매출(ARR) 1억 달러에 도달했다고 보도했다. ARR은 구독과 같은 반복 매출을 연간 기준으로 환산한 지표다. 이는 보도 당시 서비스의 이용과 매출 규모를 보여 주는 수치다 [5]. 용어 자체에 대한 관심도 커졌다. Willison은 2025년 3월 뉴욕타임스와 Ars Technica, 가디언의 보도와 온라인 논의를 언급하며, 바이브 코딩이라는 말이 AI를 활용한 개발 전반에 쓰이기 시작했다고 지적했다 [14]. Collins는 같은 해 이를 올해의 단어로 선정했고, Merriam-Webster도 슬랭 항목에서 설명하고 있다 [10] [8]. 이처럼 서비스 이용 규모, 언론 보도, 사전 등재는 서로 다른 현상을 보여주는 지표다. 이를 함께 보면 관심의 확대를 살펴볼 수 있지만, 각 요인이 확산에 얼마나 기여했는지를 측정할 수는 없다. 진입장벽의 변화는 사람들이 바이브 코딩을 시도할 이유를 제공했고, 공개된 제작 경험과 미디어의 소개는 그 가능성을 더 널리 알렸다. 참여자의 확대와 함께 이름이 가리키는 작업도 넓어졌으며, 그 정의와 적용 범위는 2.4절에서 구분해 살펴본다.