노코드는 잡아먹힐까, 더 귀해질까 — 코드 에이전트 시대의 양면

코드 에이전트가 등장한 자리에서 노코드는 어떻게 되는가

1부에서 본 그림을 한 줄로 받아 가면 이렇다 — 빌더의 캔버스(노드와 엣지로 워크플로우를 시각적으로 조립하는 화면)는 흔해지고 있지만, 빌더 시장 자체는 폭발하고 있다. AI가 자동화할 만한 작업의 총량을 늘리면서, 가치는 캔버스에서 새어나가 다른 레이어로 옮겨가는 중이다.

그런데 1부에서 자세히 다루지 않은 더 깊은 질문이 하나 있다. 노코드 빌더의 원래 약속은 “코드 없이 자동화”였다. 그런데 이제 코드를 짜는 비용 자체가 LLM(대규모 언어 모델, Large Language Model) 덕분에 빠르게 떨어지고 있다. Claude Code, Cursor, GitHub Copilot 같은 도구로 비개발자도 자연어로 실제 동작하는 코드를 만들 수 있다. “고객 이메일에서 환불 요청만 골라 슬랙으로 보내줘”라고 말하면, 5분 안에 작동하는 Python 스크립트가 나온다. 한 시간 안에 자동화 한 건을 코드로 짜는 사람이 늘어나는 상황에서, 화면에서 노드를 끌어다 놓는 일 자체의 존재 이유가 약해지지 않을까?

여기에는 두 답이 동시에 가능하다. 그리고 이 두 답 모두 강한 데이터를 갖고 있다. 한쪽은 “그렇다, 노코드는 코드 에이전트에 흡수된다”고 말하고, 다른 한쪽은 “아니다, 오히려 더 귀해진다”고 말한다. 두 주장을 양쪽 모두 정직하게 본 다음, 그 둘이 부딪히는 자리에서 노코드의 다음 모습을 그려본다. 2부의 한 줄 thesis는 이렇다.

노코드는 “코드 회피 도구”에서 “에이전트 실행 거버넌스 레이어”로 역할이 바뀐다. 둘 중 하나가 이기는 게 아니라, 두 레이어가 같이 쌓인다.

잡아먹힌다는 주장 — 코드 비용이 0에 수렴할 때

먼저 잡아먹힌다는 쪽의 논거부터 정리한다. 이 논리는 단단하고, 그냥 무시할 수 없다. 세 갈래로 풀어 본다.

첫째, 코드 작성 비용 자체가 빠르게 무너지고 있다

가장 충격적인 데이터는 코딩 에이전트의 사용량 곡선이다.

Claude Code는 2026년 1분기 기준 주간 활성 개발자 4.2백만 명, 1,400곳 이상 엔터프라이즈 엔지니어링 조직에 배포됐다. AI 코딩 도구 카테고리에서 가장 빠르게 $1B 매출 런 레이트(run rate)에 도달했고, 흔한 엔지니어링 작업에서 27–41% 생산성 향상이 측정됐다. Claude Code의 첫 시도 성공률(first-try correctness)은 95%로, 20개 작업 중 19개가 한 번에 작동한다.
Cursor는 Fortune 500의 67%가 사용 중이고, 하루 1억 5천만 줄의 엔터프라이즈 코드를 생성한다. 2026년 2월 기준 annualized revenue는 $2.0B을 돌파했다.

도구 단위가 아니라 시장 단위 데이터도 같이 본다. Pragmatic Engineer가 2026년 2월에 1만 5천 명의 개발자를 대상으로 한 설문에서, 73%의 엔지니어링 팀이 AI 코딩 도구를 매일 사용한다고 답했다. 2025년 41%에서 1년 사이에 거의 두 배가 됐다. 이 흐름이 비개발자에게도 빠르게 흘러들고 있다 — 마케터, 운영 담당자, HR 매니저가 Claude Code나 Cursor에 자연어로 “이거 자동화해줘”라고 말하면 동작하는 스크립트가 나온다.

이 상황에서 빌더 캔버스로 같은 워크플로우를 만들려면 무엇이 필요한가. 노드를 화면에서 끌어다 놓고, 사이드 패널에서 API 키와 파라미터를 설정하고, 에러 처리 노드를 별도로 박고, 테스트 실행을 돌려야 한다. 5분이 30분이 되고, 30분이 두 시간이 된다. 단순 워크플로우에서는 캔버스가 코드 에이전트 대비 비효율 도구가 되어 가고 있다.

둘째, 자율 에이전트 패턴이 빠르게 일반화되고 있다

코드를 만드는 건 첫 단계일 뿐이다. 그 위에 자율 에이전트가 어떻게 일하느냐의 패턴도 같이 변하고 있다.

Harness Engineering(하네스 엔지니어링)이라는 표현으로 정리되는 흐름이 있다. 사람이 노드를 일일이 그리는 게 아니라, 에이전트에게 의도(intent)를 주고 — “이 워크플로우 자동화해줘, 이런 조건이면 이렇게 처리해줘” — 외부 실행 관리자(하네스, harness)가 그 의도를 안전한 경로로 실행하게 만드는 구조다. 에이전트는 추론하고, 하네스는 그 추론을 검증·실행·복구한다.

같은 방향에 있는 또 다른 패턴이 Ralph Loop(랄프 루프)다. 에이전트가 자기 출력을 평가하고, 잘못된 부분을 식별하고, 다시 시도하면서 결과를 수렴시키는 자가-개선(self-improvement) 루프. 사람이 매 단계를 검토하지 않아도 에이전트가 스스로 품질을 끌어올린다.

이런 패턴이 표준이 되면, 인간이 캔버스에서 로직을 시각적으로 조립한다는 전제 자체가 흔들린다. 사람의 역할은 의도를 정의하는 데까지로 좁아지고, 그 의도를 어떻게 실행할지는 에이전트가 동적으로 결정한다. 이 그림에서 “노드-엣지 캔버스”는 사람의 손을 거치지 않고도 에이전트가 자기 행동을 정리하는 내부 구조로 옮겨가거나, 아예 사라질 수도 있다.

셋째, 빌더 회사들 자신도 이 방향으로 움직인다

가장 흥미로운 데이터는 빌더가 자기 비즈니스 모델을 어떻게 바꾸고 있느냐다. 메이저 4개와 신세대 1개의 움직임이 같은 방향을 가리킨다.

Microsoft Power Automate Copilot — 사용자가 “이러이러한 자동화를 만들어줘”라고 자연어로 말하면 Copilot이 플로우를 자동 생성한다. M365 환경에 박혀 있는 직원 누구나 별도 교육 없이 자동화를 만들 수 있다.
Zapier Agents — 자연어로 자동화 시나리오를 설명하면 Zapier가 Zap을 자동 구성한다. 기존 Zap을 AI에게 검토·개선하게 시킬 수도 있다.
Make AI 시나리오 생성기 — Make의 시각적 시나리오를 자연어 설명으로 자동 생성. 사용자는 결과만 검토.
Dify — LLM 파이프라인 자체를 자연어로 설명하면 Dify가 노드 그래프를 자동 구성. AI 앱·에이전트 빌더로서 처음부터 “자연어 → 그래프” 모델 위에 설계됐다.
Gumloop Gummie — 사용자가 자연어로 워크플로우를 설명하면 노드 자체를 AI가 그려준다. 신세대 빌더가 이 방향을 가장 빠르게 끌어안은 사례.

이 다섯 도구의 공통점을 한 줄로 줄이면 이렇다. 빌더가 “내가 노드를 그리는 도구”에서 “AI가 노드를 그려주는 도구”로 이동하고 있다. 사용자는 자연어로 의도만 말하고, 캔버스는 그 의도를 표현하는 보조 도구가 된다. 이 흐름의 끝은 캔버스가 보조 도구도 아닌, 안 보이는 내부 구조로 옮겨가는 자연어 오케스트레이션(orchestration, 자동 흐름 조율)이다.

여기까지만 보면 노코드 빌더가 코드 에이전트에게 자리를 내주는 그림이 자연스럽다. 그런데 같은 시점에 반대 방향의 데이터도 같이 등장한다.

오히려 귀해진다는 주장 — 무한 생성의 시대에 희소해지는 것

코드를 만드는 비용이 0에 수렴한다는 것은 코드의 총량이 폭증한다는 뜻이다. 그리고 코드 총량이 늘면, 그 코드가 무엇을 하는지 추적하고, 같은 입력에 같은 결과가 나오는지 확인하고, 누가 무슨 권한으로 무엇을 실행했는지 감사하는 비용은 같이 늘어난다. 무한 생성의 시대에 가장 희소해지는 것은 가시성·재현성·감사가능성이다.

여기서 노코드 빌더의 한 가지 속성이 다르게 보이기 시작한다. 빌더의 노드-엣지 캔버스는 명시적이고, 추적 가능하고, 결정적(deterministic, 같은 입력에 같은 결과가 나오는 성질)이다. 어떤 노드가 어떤 데이터를 받아서 어떻게 변환했는지 로그가 남고, 한 달 뒤에 같은 입력으로 다시 돌리면 같은 결과가 나온다. 워크플로우 한 줄을 바꾸면 어디서 바뀌었는지 diff(차이)로 볼 수 있다. 노드의 입출력은 명시적인 데이터 형태로 저장되어, 사후에 누가 봐도 같은 그림이 보인다.

코드 에이전트의 출력은 이 속성을 자연스럽게 갖지 못한다. LLM의 출력은 본질적으로 확률적이다. 같은 프롬프트에 같은 결과가 나오는 보장이 없고, 에이전트가 중간에 어떤 결정 경로를 거쳤는지 사후에 재구성하기 어렵다. 모델 버전이 바뀌면 같은 입력에 다른 결과가 나오기도 한다. 이 특성은 창의적 작업에는 장점이지만, 규제 환경에서는 치명적인 단점이다.

규제 산업의 요구사항이 말하는 것

규제 산업의 컴플라이언스 요구를 정리해 보면, 노코드 빌더의 “구식 같은” 속성이 사실은 영구 수요라는 게 드러난다.

산업	핵심 규제	구체 요구	확률적 에이전트의 한계
금융	Basel III, MiFID II	모든 거래·결정의 사후 재현 가능성, 알고리즘 변경 이력 보존	같은 입력에 다른 출력 발생 시 감사 불가
의료	HIPAA, FDA 21 CFR Part 11	의사결정 경로 추적, 전자 기록 무결성(integrity)	모델 내부 추론이 black box, diff 추적 어려움
항공·에너지	NERC CIP, FAA 인증	입력 → 출력 사이 인과 명시, 안전 임계 동작의 결정성	자율 에이전트의 비결정성 수용 불가
공공 (EU·미국)	GDPR Article 22, EU AI Act	자동화 결정의 설명 의무, 고위험 AI 시스템의 인간 감독	LLM의 사후 설명은 합리화에 가깝고 진짜 인과가 아닐 수 있음

이 표가 말하는 것은 한 가지다. 노코드의 결정적 명시 로직이 규제 산업에서 사라지지 않는 수요라는 점이다. 코드 에이전트가 아무리 강해져도, 그 출력 자체를 컴플라이언스 증거로 제출할 수 없다. 컴플라이언스를 통과시키려면 결정적 워크플로우 안에 에이전트를 가둬야 한다.

4%라는 숫자 — 거버넌스가 가장 희소한 이유

여기서 등장하는 인상적인 데이터가 Zapier의 “The Future of AI Transformation in 2026” 보고서다. 미국·캐나다·유럽의 엔터프라이즈 리더 200명(CIO, CTO, VP, Director 급)을 대상으로 한 설문에서 —

자기 조직이 2026년 안에 종합적 AI 거버넌스(comprehensive AI governance)를 달성할 것으로 기대한다고 답한 리더: 4%
거버넌스가 “강한(strong)” 수준에 도달할 것으로 (작은 갭만 남는 정도): 26%
부분 커버리지나 patchy oversight 예상: 59%

다시 말해, 200곳의 엔터프라이즈 중 8곳만 자기 거버넌스가 완성된다고 본다. 나머지 192곳은 갭이 있을 거라고 인정한다. AI 도입 속도와 거버넌스 정비 속도 사이의 격차가 이 숫자다. 도구는 폭발적으로 늘어나는데, 그 도구의 출력을 신뢰할 수 있게 관리하는 체계는 따라가지 못한다.

흥미로운 분기점이 하나 더 있다. AI가 mission-critical인 엔터프라이즈는 종합 거버넌스 달성 확률이 9배 더 높다. AI를 깊게 쓰는 곳일수록 거버넌스의 가치를 절감한다는 뜻이다. 거버넌스는 AI 도입의 부산물이 아니라, AI를 진지하게 쓰려는 조직이 먼저 짚는 인프라다.

이 숫자가 말하는 것은 도구를 더 강하게 만드는 것보다, 그 도구가 만들어내는 출력을 신뢰할 수 있게 관리하는 레이어가 훨씬 더 희소하다는 사실이다. 그리고 그 레이어가 빌더의 캔버스가 자연스럽게 제공하는 가시성과 결정성이다.

스택화 — 양자택일이 아니라 레이어로 쌓인다

두 주장 모두 일부 옳다. 코드 에이전트는 자동화의 생산성을 폭증시키고, 동시에 그 생산성이 만들어내는 출력을 안전하게 실행할 결정적 레이어가 더 필요해진다. 이 시점에 등장하는 그림이 스택화다.

이 스택을 한 그림으로 정리하면 이렇다.

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TD
    A["인간 의도<br/>(Intent)"] --> B["코드 에이전트<br/>추론·생성·자가개선"]
    B --> C["노코드 빌더<br/>결정적 골격<br/>(Deterministic Scaffold)"]
    C --> D["실행 환경<br/>로그·감사·복구"]
    C -.-> E["거버넌스<br/>권한·정책·승인"]
    D --> F["결과"]
    E -.-> D

이 그림에서 노코드 빌더는 에이전트의 추론을 안전하게 실행하기 위한 결정적 골격(deterministic scaffold) 역할을 한다. 에이전트는 의도를 받아 어떻게 처리할지 추론하고, 노코드 빌더의 결정적 워크플로우 위에서 그 추론을 실행한다. 빌더의 노드가 안전 레일 역할을 하면서, 각 단계에 권한·검증·복구 로직이 명시적으로 박혀 있다.

이 구조의 장점은 두 가지 속성을 동시에 갖는다는 점이다.

에이전트의 유연성. 의도를 자연어로 받아 어떤 노드를 어떤 순서로 실행할지 결정.
빌더의 결정성. 결정된 실행 경로는 로그, 재현, 감사 가능.

규제 산업이 자율 에이전트를 받아들이기 어려운 이유가 비결정성이라면, 결정적 골격 안에 에이전트를 가두면 그 문제를 우회할 수 있다. 에이전트가 어떤 노드를 호출할지는 동적이지만, 노드가 무엇을 하는지는 결정적이고 감사 가능하다.

증거 — 빌더와 모델랩이 같은 답에 도달했다

이 스택화 그림이 실제로 일어나고 있다는 증거는 두 자리에서 동시에 나타난다.

n8n 2.0이 보여주는 빌더 쪽의 답

2026년 1월에 출시된 n8n 2.0은 빌더가 에이전트의 결정적 골격으로 진화하는 흐름을 한 제품 안에서 보여준다. 주요 변화 —

샌드박스 코드 실행(sandboxed code execution). 노드 안에서 임의의 Python·JavaScript 코드를 격리된 환경에서 실행. 에이전트가 생성한 코드를 안전하게 받아 돌릴 수 있다.
지속적 에이전트 메모리(persistent agent memory). 워크플로우 간 상태를 유지하면서 에이전트가 이전 실행의 맥락을 이어갈 수 있다.
완전한 데이터 주권. 셀프호스팅 환경에서 모든 데이터가 자체 인프라에 머무른다. 컴플라이언스 요구가 강한 환경 대응.
네이티브 LangChain 통합. 에이전트 프레임워크와 노드 기반 워크플로우가 같은 그래프 위에서 동작.
70개+ AI 노드. 모델 호출, 임베딩, 벡터 검색, 에이전트 오케스트레이션이 노드 단위로 제공.

이 다섯 항목이 가리키는 방향은 한 가지다. 빌더가 자율 에이전트에게 자리를 내준 게 아니라, 에이전트가 결정적 골격 위에서 동작하도록 빌더 자체가 진화했다. 에이전트는 추론하고, 빌더는 그 추론이 안전하게 실행되도록 레일을 깐다.

n8n의 매출 데이터도 이 방향을 뒷받침한다. 1부에서 본 25억 달러 밸류에이션(2025년 10월 Series C), ARR 4천만 달러, 3,000+ 엔터프라이즈 고객은 AI 친화적 피벗 이후의 숫자다. 빌더가 AI에 잡아먹힌 게 아니라, AI 시대의 인프라로 자리 잡으면서 성장이 가속됐다.

같은 패턴이 다른 빌더에서도 보인다.

Zapier는 자동화 노드 안에 AI 호출 단계를 끼워 넣을 수 있게 했다. 결정적 워크플로우 안에 확률적 추론을 가두는 구조다.
Microsoft Power Automate의 Copilot은 자연어로 자동화를 생성하지만, 생성된 결과는 명시적인 플로우 그래프로 떨어진다. 사용자는 그 그래프를 검토·수정할 수 있다.
Dify는 LLM 파이프라인을 노드 그래프로 그리면서, 각 노드의 입출력과 RAG(Retrieval-Augmented Generation, 검색 보강 생성) 단계가 모두 로그로 남는다.
신세대 빌더인 Gumloop은 에이전트 노드와 결정적 데이터 변환 노드를 같은 캔버스 안에서 섞는다.

모델랩 쪽의 답 — 7일 만에 같은 architecture에 도달

빌더 쪽이 결정적 골격으로 진화했다면, 흥미로운 신호는 모델랩 쪽에서도 같은 결론에 도달했다는 사실이다.

2026년 4월 8일 — Anthropic이 Claude Managed Agents를 public beta로 출시. 샌드박스 실행 환경, 체크포인팅(checkpointing, 중간 상태 저장·복구), 권한 범위 한정(scoped permissions), 실행 추적(tracing)을 제공한다. 가격은 표준 Claude API 토큰 요금 + 세션 시간당 $0.08. 프로덕션 launch 전 미리 도입한 곳 — Notion, Asana, Sentry. 이후 Rakuten 같은 early adopter가 합류했다.
2026년 4월 22일 — OpenAI가 Workspace Agents를 출시. Codex 기반의 클라우드 네이티브 에이전트로, 스케줄 또는 Slack 메시지를 트리거로 백그라운드에서 자율 실행. 다단계 작업을 여러 도구에 걸쳐 처리한다.

두 모델랩이 7일 간격으로 거의 같은 architecture를 출시했다는 사실이 핵심이다. 둘 다 강조한 항목 — 샌드박스 실행, 자격증명 관리, 컨트롤 플레인(control plane, 의사결정 층)과 실행 플레인(execution plane, 동작 층)의 분리. 이건 두 회사의 개별 선택이 아니라, 프로덕션 에이전트가 갖춰야 하는 조건에 산업 전체가 같은 답으로 수렴하고 있다는 신호다.

그리고 그 답이 무엇인가. 자율적 추론 + 결정적 실행 골격 + 권한·정책 레이어. 즉, 노코드 빌더가 지난 10년 팔던 묶음과 본질적으로 같은 구조다. 이름만 “노코드”에서 “에이전트 매니지드 런타임”으로 바뀌었을 뿐, 결정적 실행 골격이 자율 에이전트의 안전한 동작에 필요하다는 사실은 빌더와 모델랩이 같이 인정하고 있다.

마무리 — 코드 비용이 0이 되면 거버넌스 비용이 오른다

코드 비용이 0에 수렴한다는 사실이 노코드의 종말을 의미하지 않는 이유는 한 가지다. 코드 생산성이 폭증할수록, 그 코드의 출력을 신뢰할 수 있게 만드는 레이어의 가치가 같이 폭증한다. 무한 생성의 시대에 희소해지는 것은 생성 능력이 아니라 검증·재현·감사 능력이다. Zapier 설문의 4%라는 숫자가 그 격차를 보여준다.

노코드 빌더는 이 흐름에서 두 번 진화한다. 처음에는 “코드 없이 자동화”를 약속했고, 그 약속의 절반은 코드 에이전트에게 흡수된다. 그런데 같은 시점에 빌더의 다른 속성 — 명시성, 결정성, 감사가능성 — 이 더 귀해진다. 빌더는 코드 회피 도구에서 에이전트 실행 거버넌스 레이어로 자리를 옮긴다.

n8n 2.0의 스펙이 이 이동을 한 제품 안에서 보여주고, Anthropic·OpenAI가 7일 간격으로 같은 architecture를 출시한 사건은 빌더 바깥에서도 같은 결론에 도달했다는 증거다. 자율적 추론과 결정적 골격은 양자택일이 아니라 스택으로 쌓인다. 빌더는 그 스택의 한 레이어로 자리를 옮기며, 사라지지 않는다.

그런데 여기서 다음 질문이 남는다. 이 스택이 한 회사 안에 다 모이는가, 아니면 여러 레이어로 분산되는가? 그리고 그 레이어들 사이에서 가치는 어디에 모이는가? 이 질문은 3부에서 다룬다 — 하이퍼스케일러와 모델랩이 빌더 레이어를 협공하는 그림과, 그 협공 속에서 가치가 어디로 옮겨가는지에 대해서.

시리즈 — 빌더의 미래

1부: “노코드 빌더는 끝났다”는 정말 맞는 말일까? → /ko/blog/builder-future-1-dematerialization
(현재 글) 2부: 노코드는 잡아먹힐까, 더 귀해질까 — 코드 에이전트 시대의 양면
시리즈 전체 인덱스: /ko/series/builder-future

참고 자료

Pragmatic Engineer Survey 2026년 2월 (15,000 개발자, 73% 매일 AI 코딩 도구 사용)
Claude Code 사용 데이터 (4.2M WAU, 1,400+ 엔터프라이즈, 95% first-try correctness, $1B run rate)
Cursor AI 2026년 2월 데이터 (Fortune 500의 67%, 일 1.5억 라인, $2.0B ARR)
n8n 2.0 릴리스 노트 (2026년 1월)
Anthropic, “Claude Managed Agents Public Beta” (2026년 4월 8일, Notion·Asana·Sentry pre-launch 채택 + Rakuten early adopter, platform.claude.com/docs/managed-agents)
OpenAI, “Workspace Agents” (2026년 4월 22일, Codex 기반)
Zapier, “The Future of AI Transformation in 2026” (200 엔터프라이즈 리더, 4% comprehensive governance 기대)
Basel III, MiFID II, HIPAA, FDA 21 CFR Part 11, GDPR Article 22, EU AI Act