코딩도 과제도 AI가 다 하는 시대, 컴공에서는 무엇을 배워야 할까? | 서울대 이재욱 교수 | 샤로잡다 시즌2

URL: https://www.youtube.com/watch?v=i0NcKL1JLfg 날짜: 2026-07-30 채널: 서울대학교 시리즈: 샤로잡다 시즌2 출연: 이재욱 교수 (서울대학교 컴퓨터공학부, AI연구원장, AI 인프라스트럭처 연구) 진행자: 최정훈

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

AI가 코딩을 거의 100%에 가깝게 자동화하는 시대가 오고 있다면, ==컴퓨터공학이라는 전공과 개발자라는 직업은 여전히 배울 가치와 존재 이유가 있는가==?

• 프로그래밍 코드를 작성하는 부분은 이미 상당 부분 자동화되었고, 100%에 가까운 수준까지 자동화될 가능성이 높다
• 하지만 "무엇을 구현할 것인가"를 정의하는 부분, 문제를 발견하고 나누고 역할을 배분하는 부분은 여전히 인간의 영역으로 남는다
• AI 시대는 모두에게 새로운 기술이라는 점에서 경력자와 신입 모두에게 공평한 "이퀄라이저" 역할을 하고 있다

이재욱 교수는 코딩 자체의 자동화는 받아들이되, 문제 정의·비판적 판단·엔지니어링 감각을 기르는 훈련은 AI 시대에도 여전히, 오히려 더 중요해진다고 본다.

---

1. AI 시대 개발자 역량의 지형 변화

AI가 코드를 대신 짜주는 것을 넘어, 개발자가 일하는 방식 자체와 필요 역량의 무게중심이 바뀌고 있다.

1.1. 코딩 자동화의 현실 인식

1. 자동화 수준에 대한 전망

   1. 프램(프로그램) 코드 작성의 자동화: 코드를 작성하는 부분은 자동화되는 비중이 계속 늘고 있으며, 어쩌면 100%에 가까운 수준까지 자동화될 수 있다고 본다
   2. 인간 영역으로 남는 것: 무엇을 구현해야 하는지, 코드를 통해 무엇을 이루고자 하는지를 "정의하는 부분"은 여전히 인간의 영역으로 남을 것으로 예상

2. AI를 다루는 새로운 노동 형태

   1. 매니저형 노동: AI를 데리고 일하는 것은 마치 매니저처럼 에이전트를 부리듯 일하는 것과 비슷하다
   2. 엔지니어링 경험의 전제 조건: 엔지니어링 경험이 없는 사람은 좋은 엔지니어링 매니저가 되기 어렵다 — 코딩을 실제로 해봐야 문제를 나누고 정의하고 역할을 배분하는 역량이 생긴다
   3. 구현/개선의 자동화: 문제가 정의된 이후 이를 구현하고 개선하는 부분은 굉장히 많은 부분이 자동화될 것으로 예상

1.2. 읽기와 쓰기의 비중 역전

1. 개인적으로 체감하는 변화
   1. 과거: 논문, 코드, 슬라이드 등 "쓰는" 작업에 굉장히 많은 에너지를 썼다
   2. 현재: 대부분의 시간을 "읽고 비판"하는 데 쓴다 — 아이디어나 어젠다를 실제로 만들어내는 일 자체는 훨씬 쉬워졌기 때문
   3. 함의: 비판적으로 읽어내는 능력(critical reading)이 더욱더 중요해지고 있다

---

2. 왜 개발자가 AI 대체의 최전선에 섰는가

화이트칼라 지식노동자 전반이 AI에 영향을 받을 것이라는 예측은 있었지만, 개발자가 "제일 먼저" 대체 대상이 될 것이라 예상한 사람은 많지 않았다.

2.1. 프로덕션 유즈케이스에서 코딩 비율이 초기부터 높았던 이유

1. 얼리어답터 구성
   1. 개발자 편중: AI를 초기부터 많이 쓰는 얼리어답터 중 소프트웨어를 직접 개발하는 사람의 비중이 높았을 가능성
2. AI 학습에 유리한 코드의 특성
   1. 방대한 데이터: 인터넷에 코드 데이터가 엄청난 양으로 존재한다
   2. 로지컬한 구조: 코드는 로지컬한 구조를 갖고 있어 AI가 배우기 쉽다
   3. 종합적 결과: 이런 요인들이 종합되어 소프트웨어 자체가 AI의 첫 타겟이 된 것으로 보인다

2.2. 바이브 코딩의 실질적 한계

1. 프로토타입 구현 수준의 성공 사례
   1. 광진구청 공무원 사례: 복잡한 행정 규정을 직접 찾아보기 힘들어, 스스로 AI를 이용해 법률·규정을 비교 답변해주는 챗봇 같은 시스템을 만든 사례 — 바이브 코딩이 현업에 실질적으로 영향을 미친 좋은 예
2. 프로덕션 수준에서의 함정
   1. 95% 동작의 함정: 프로덕션에서 쓸 수 있는 완성도를 가진 코드라도 95% 정도만 제대로 동작한다면, 나머지 5%에서 아예 동작하지 않는 것이나 마찬가지인 경우가 있다
   2. 스케일의 문제: 시스템이 99% 동작한다고 하면 높은 숫자로 느껴지지만, 1%가 잘못 동작하는 시나리오라면 1000만 명이 사용하는 서비스에서는 그만큼 많은 사용자가 잘못된 결과를 받게 되는 셈이다
   3. 도메인별 기준 차이: 특히 금융이나 보안 문제에서는 99%조차도 굉장히 허술한 기준이 될 수 있다
3. 역량 과대평가의 위험
   1. 바이브 코딩과 자기평가: 바이브 코딩으로 뭔가를 만들어냈다고 해서 스스로의 프로그래밍 지식/코딩 능력을 과대평가하는 것이 또 다른 문제가 될 수 있다

---

3. 케이퍼빌리티 오버행과 사용자 간 격차

3.1. AI 성숙도와 인간 학습 속도의 간극

1. 케이퍼빌리티 오버행(Capability Overhang) 현상

   1. 정의: AI 기술/모델의 성숙도는 매우 빠르게 발전하지만, 이를 사용하는 인간의 기술 개발 속도는 평균적으로 그보다 훨씬 느리다
   2. 결과: AI를 아주 잘 쓰는 파워 유저와 평균적으로 쓰는 유저 간의 생산성 격차가 굉장히 벌어진다는 통계 결과가 있다

2. 잘 쓰기 위한 두 가지 핵심 요소

   1. 할 수 있는 범주 파악: AI로 할 수 있는 작업의 범주가 무엇인지 잘 아는 것
   2. 한계 파악: AI가 할 수 없는 한계가 무엇인지 잘 아는 것 — 평균 유저와 고숙련 유저의 차이는 바로 이 지점에서 갈린다. 이 격차는 점점 더 커지는 추세로 보인다

---

4. 컴퓨터공학 교육이 맞닥뜨린 위기

4.1. 학생이 "미들맨(배달원)"으로 전락하는 문제

1. 텍스트북 기반 문제의 무력화
   1. AI의 완전 정복: 과거 기본적으로 냈던 텍스트북 기반 문제들은 이미 인터넷에 데이터가 많아 AI가 100% 정확도로 풀 수 있다 — 더 이상 유용한 학습 도구가 되지 못한다
2. 학습이 사라지는 구조
   1. 배달원 비유: 교수가 문제를 내고 AI가 그 문제를 풀면, 학생은 문제를 AI에 그대로 전달하고 답을 받아오는 "중간 배달원" 역할만 하게 된다
   2. 핵심 우려: 이런 상황에서는 유의미한 학습이 일어나지 못한다고 본다

4.2. 두 가지 해법 방향

1. 기본 개념 교육의 임계점 확보
   1. 계산기 비유: 계산기가 있다고 해서 사칙연산이나 곱셈을 안 가르치지 않는 것처럼, 결과를 해석하고 평가할 수 있는 지식의 임계점을 넘기기 위한 기본 개념 교육은 시험·퀴즈 같은 기존 도구로 계속 담보해야 한다
2. 문제 정의 능력 훈련으로 전환
   1. 미니멀 제약 조건 문제: 정해진 정답이 있는 문제가 아니라, 아주 미니멀한 제약만 주고 학생 스스로 설계해보게 하는 방향
   2. 과목 내용을 바탕으로 한 자율 설계: 학생들이 과목에서 배운 내용을 바탕으로 직접 문제를 정의하고 설계하는 훈련을 확대하는 것이 또 하나의 방향

---

5. 그럼에도 컴퓨터공학을 가야 하는 이유

5.1. 컴퓨터공학의 본질

1. 학문의 정의
   1. 계산적 해법을 구하는 학문: 컴퓨터공학은 결국 다양한 문제에 대한 계산적 해법을 구하는 학문이다
   2. 핵심 역할: 컴퓨터라는 툴을 이용해 문제를 효율적·효과적으로 풀 수 있도록 변환하는 사고방식을 배우는 전공이다
2. 두 가지 핵심 사고 요소
   1. 알고리즘적 사고(계산적 사고): 복잡한 작업을 그보다 단순한 스텝들의 조합으로 풀어내는 사고
   2. 데이터적 사고: 데이터의 분포를 파악하고, 데이터를 기반으로 인사이트를 뽑아내는 사고
   3. 지속가능성: 이 두 가지 소양에 대한 니즈는 AI와 기술이 아무리 발전해도 계속 존재할 것이므로 컴퓨터공학은 앞으로도 유용할 것

5.2. AI 시대는 모두에게 공평한 "이퀄라이저"

1. 20살로 돌아간다면?이라는 질문에 대한 답
   1. "그렇게 할 것 같다": 지금은 모두가 굉장히 공평한 상황이라고 느낀다
   2. 공평함의 근거: AI가 가져온 변화는 모든 사람에게 새로운 것이기 때문에, 경험 많은 사람이나 이제 막 엔트리 레벨에 들어간 주니어나 이 기술이 새롭다는 점에서는 동일하다
   3. 혁신 기회의 확대: 좋은 아이디어만 있으면 누구든 혁신을 이끌어낼 수 있는 공간이 예전 어느 때보다 넓어졌다 — 익사이팅한 시간일 수 있다는 평가

---

6. 앞으로 개발자에게 중요해지는 역량

6.1. 구현 훈련은 여전히 중요하다

1. 엔지니어링 매니저의 조건
   1. 경험이 곧 자격: 가장 훌륭한 엔지니어링 매니저들은 대부분 본인이 실제로 굉장히 많은 엔지니어링 경험을 갖춘 사람들이었다
2. 위임을 위한 전제 조건
   1. AI 시대의 위임 노동: AI 시대에는 일을 나눠서 AI 툴에 위임하는 방식으로 일하게 되는데, 코딩에 대한 감(sense)이 없이는 위임 자체를 제대로 하기 어렵다
   2. 개념/기술의 체화: 중요한 개념과 기술을 몸에 익히는 과정은 AI 시대에도 분명히 중요한 부분

6.2. 문제 정의력과 솔루션 판별 안목

1. 훨씬 더 중요해지는 역량
   1. 문제 정의: 어떤 문제를 정의할 것인가
   2. 솔루션 판별: 좋은 솔루션이 무엇인지 판별하는 안목
2. 안목을 기르는 방법
   1. 경험과 시행착오: 많은 경험을 해보는 것이 필수적이며, 손으로 직접 만들어보고 많이 버려보는 과정에서 "이건 좋지 않은 솔루션이었다"는 판단력이 생긴다
   2. 취향/테이스트의 형성: 이런 버리는 과정 속에서 안목과 테이스트 같은 감각이 형성된다

---

7. 컴퓨터공학부 커리큘럼 개편 방향

7.1. AI 네이티브 커리큘럼

1. 기본 전제의 변화
   1. AI 상시 사용 전제: 모든 과목에서 AI를 기본적으로 쓴다는 것을 가정하고 커리큘럼을 새로 만들어야 한다
   2. 더 높은 과제 수준: AI를 활용하면 예전보다 훨씬 더 많은 일을, 훨씬 더 높은 수준의 과제를 할 수 있다
2. 경험 범위의 확대
   1. 문제 정의부터 릴리즈까지: 디자인적 문제 정의부터 이상적으로는 실제로 릴리즈해보는 경험까지 커리큘럼에 더 많이 포함시키는 것이 중요하다

7.2. 비평(Critique) 훈련의 강화

1. 비평 능력의 중요성
   1. 코드/디자인 평가 훈련: 코드나 디자인을 보고 어떤 부분이 좋고 어떤 부분이 좋지 않은지 비평(critic)해보는 훈련이 중요해진다
2. 미니멀 제약 기반 창의적 설계
   1. 동일 과제 탈피: 모든 학생이 같은 프로젝트를 하지 않더라도, 미니멀한 제약 조건만 주고 학생 스스로 창의적인 설계를 해볼 수 있는 방향으로 커리큘럼을 개편해야 한다

---

8. "기발자" — 기획자와 개발자의 융합

8.1. 한 사람이 기획부터 개발까지

1. 전통적 구조의 변화
   1. 과거: 기획자가 있고 기획자가 개발자에게 업무를 할당하는 구조였다
   2. 현재: 한 사람이 기획부터 개발까지 다 할 수 있는 것이 훨씬 더 쉬워지고 자명해진 시대가 되었다
   3. 신조어 "기발자": 기획자 + 개발자를 합친 신조어가 등장했으며, 이 방향이 맞다고 본다 — 어떤 문제를 풀 것인가가 훨씬 더 중요한 가치가 되기 때문

8.2. AI 공모전에서 드러난 패턴

1. 입상자들의 공통점
   1. 좋은 문제를 가진 사람: 최근 국내외 AI 공모전에서 입상하는 사람들을 보면 특정 도메인의 좋은 문제를 갖고 있는 사람들이 입상하는 사례가 굉장히 많다
   2. 함의: 특정 도메인/업종/직역에 대한 이해를 바탕으로 실질적인 니즈를 파악해 문제를 정의하고 푸는 능력이 중요하다 — 컴퓨터공학부 커리큘럼도 주어진 문제를 푸는 것을 넘어, 문제를 잘 캡처하고 정의하고 발견하는 훈련으로 나아가야 한다

---

9. 컴공 전공이 아닌 사람들을 위한 조언

1. 기본 전제의 전환
   1. "대부분의 문제는 AI로 풀 수 있다"는 가정: 이렇게 생각하고, 지금 갖고 있는 아주 작은 프로젝트라도 AI를 이용해 직접 풀어보는 것을 권장
2. 반복을 통한 감각 형성
   1. 여러 번의 시도: 이 과정을 여러 번 반복하다 보면 AI 툴이 잘하는 것과 못하는 것에 대한 감이 생기고, 어떻게 AI를 이용해 문제를 풀 수 있을지에 대한 감도 생긴다

---

10. 개발자 수요의 미래 — 재본스 파라독스 vs 완전 자동화

10.1. 두 가지 상반된 시나리오

1. 재본스 파라독스 관점: AI로 코딩이 쉬워지면 코딩 전체의 총량, 산업 전체의 파이가 커져서 오히려 더 많은 수요가 발생할 수 있다
2. 완전 자동화 관점: AI가 모든 코딩을 자동화해서 결국 인간 코딩에 대한 수요는 없어질 것이라는 관점
3. 본인의 견해: 현실은 아마 그 중간 어디쯤일 것

10.2. 역사적 유사 사례와 현실적 우려

1. ATM 사례
   1. 과거의 공포: ATM이 나왔을 때 모든 은행원이 직장을 잃을 것이라는 얘기가 있었다
   2. 실제 결과: 창구 직원들은 이후 컨설팅, 전략, 투자 등 새로운 직역으로 이동했다
   3. AI에도 적용 가능한 패턴: AI가 가져오는 혁신도 개발자/엔지니어가 하는 일의 총량이 늘어나며 전체 파이가 커지는 역할을 할 가능성이 있다
2. 엔트리 레벨 개발자의 현실적 어려움
   1. 진입 장벽 상승: 초급(entry-level) 개발자들의 첫 진입이 어려워지는 것은 지금 실제로 겪고 있는 현실이다
   2. 사회적 과제: 이를 사회적으로 어떻게 같이 풀어갈지에 대한 고민이 필요한 시점

---

주요 발언 모음

"AI 시대에는 우리가 일을 하는 방식이 일을 조금 나눠서 AI 툴들을 이용해서 위임한다 — 그런데 그 위임을 하는 것도 코딩에 대한 감이 없이는 제대로 하기 어렵거든요."

"우리가 계산기가 있다고 해서 사칙연산이나 곱셈을 안 가르치진 않잖아요. 그런 것들을 알아야지 결과가 나왔을 때 그 결과의 의미를 해석할 수 있고 평가할 수 있는 지식의 임계점이 생기니까요."

"특정한 도메인이라든지 업종, 직역에 대한 이해들을 바탕으로 실질적인 니즈들을 바탕으로 문제를 정의하는 이제 그런 능력이 중요하다고 생각이 되기 때문에... 문제를 어떻게 잘 캡처할 수 있을지, 어떤 문제를 정의할 수 있고 발견할 수 있는지 그런 것들에 대한 훈련, 그런 것들이 앞으로는 커리큘럼에서 굉장히 중요한 부분이라고 생각해요."

"저는 조심스럽게 그렇게 생각을 하고요. 저희 컴퓨터공학부는 코딩을 가르치는 학과가 아니라 복잡한 문제들을 추상화해서 해결 가능한 방식으로 변환하는, 문제를 해결하는 방식을 가르쳐온 학과라고 생각을 하기 때문에 저희가 앞으로도 충분히 역할이 있을 거라고 생각합니다."

---

핵심 데이터 & 수치

• 95%/99% 동작률의 함정: 프로덕션 코드가 95%만 제대로 동작하면 나머지 5%는 사실상 미동작이나 마찬가지이며, 99% 동작하는 시스템도 1000만 명 규모 서비스에서는 1%의 오류가 대규모 피해로 이어진다 — 특히 금융·보안 분야에서는 99%도 허술한 기준
• 케이퍼빌리티 오버행: AI 모델 성숙도의 발전 속도가 인간 사용자의 학습 속도보다 평균적으로 훨씬 빨라, 파워 유저와 평균 유저 간 생산성 격차가 벌어지고 있다는 통계 결과
• 광진구청 공무원 사례: 복잡한 행정 규정을 비교·답변하는 시스템을 비개발자가 바이브 코딩으로 직접 제작 — 바이브 코딩이 현업에 실질적 영향을 미치는 사례
• AI 공모전 입상 패턴: 최근 국내외 AI 공모전 입상자들은 코딩 실력보다 "특정 도메인의 좋은 문제"를 가진 경우가 많음

---

결론 및 시사점

1. 코딩 자동화는 거의 기정사실: 프로그램 코드 작성 자체는 100%에 가까운 수준까지 자동화될 것으로 예상되지만, 무엇을 구현할지 정의하는 부분은 여전히 인간의 몫이다.
2. "미들맨화"가 컴공 교육의 최대 위협: 텍스트북형 문제를 학생이 AI에 그대로 전달하고 받아오는 배달원 역할만 하게 되면 유의미한 학습이 사라진다 — 시험/퀴즈로 기본기를 담보하고, 학생 스스로 문제를 정의하는 훈련을 병행해야 한다.
3. 컴공의 본질은 코딩이 아니라 문제 해결 사고방식: 알고리즘적 사고와 데이터적 사고라는 두 축은 AI가 아무리 발전해도 여전히 필요한 소양이다.
4. AI 시대는 모두에게 공평한 이퀄라이저: 경력자든 신입이든 이 기술이 새롭다는 점에서 출발선이 같아졌다 — 오히려 지금이 혁신을 시도하기 좋은 시기다.
5. 개발자에게 중요해지는 것은 구현력 + 문제 정의력 + 판별 안목: 실제 엔지니어링 경험 없이는 AI를 잘 위임하기 어렵고, 많이 만들고 버려보는 과정에서 좋은 솔루션을 가려내는 안목이 생긴다.
6. 커리큘럼은 AI 네이티브 + 비평 훈련 중심으로 개편되어야 한다: 모든 과목에서 AI 사용을 전제하고, 문제 정의부터 릴리즈까지의 경험과 비평(critique) 능력을 키우는 방향.
7. "기발자"(기획자+개발자)가 새로운 인재상: 특정 도메인의 좋은 문제를 정의할 수 있는 사람이 AI 시대의 경쟁력을 갖는다.
8. 엔트리 레벨 개발자의 진입 장벽 상승은 실제 현실이며 사회적 고민이 필요한 문제: 재본스 파라독스처럼 전체 파이가 커질 가능성도 있지만, 신입 개발자가 겪는 어려움은 낙관만으로 해소되지 않는다.