Stanford CS Professor: AI Can Code. That's Why You Should Learn | Chris Piech

URL: https://www.youtube.com/watch?v=g-CD1d0q01I 날짜: 2026-08-01 (업로드일 2026-07-31) 채널: EO

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI가 코딩을 대신할 수 있는 시대에도 여전히 프로그래밍을 배워야 하는가?== 스탠퍼드 CS 교수이자 무료 온라인 프로그래밍 수업 "Code in Place" 운영자인 크리스 피치(Chris Piech)는 "그렇다"고 답한다. 다만 그 이유는 예상과 다르다 — AI가 코딩을 잘하기 때문에 배우지 말라는 게 아니라, AI가 다 잘하기 때문에 오히려 인간이 논증하고, 확률적으로 사고하고, 문제를 분해하는 능력을 더 깊게 길러야 한다는 것이다.

• 6년간 Code in Place를 운영하며 AI 도입 전후를 비교 실험한 결과, AI 챗봇을 그냥 던져주면 학생들이 오히려 동기를 잃고 이탈률이 높아졌다
• 반대로 사람 튜터가 10분만 대화해줘도 수료율이 10%p 상승했다 — AI의 답변 정확도는 문제가 아니었고, "동기부여"라는 인간 고유의 힘이 핵심이었다
• 프로그래밍 학습은 문법(syntax)과 문제해결(problem-solving) 두 축으로 나뉘는데, AI는 문법을 완전히 대체하겠지만 문제해결 능력은 여전히 인간이 직접 훈련해야 하는 영역이라고 본다

이 영상은 단순한 "AI 시대에도 코딩 배워야 하나?" 논쟁을 넘어, 교육에서 동기부여의 역할, AI 아웃소싱의 함정, 주니어 개발자에게 열린 새로운 기회, 그리고 다음 세대를 향한 교육자로서의 철학까지 다룬다.

---

1. AI 시대, 그래도 프로그래밍을 배워야 하는가

이 영상의 도입부이자 핵심 주제. 피치 교수는 "배우지 말라"는 답이 틀렸다고 단언한다.

1.1. 화자 소개와 Code in Place의 규모

1. 크리스 피치는 누구인가

   1. 스탠퍼드 CS 교수: 대규모 컴퓨터과학 입문 강의, AI를 위한 수학 입문 강의를 가르친다
   2. Code in Place 운영자: 누구나 프로그래밍을 배울 수 있는 무료 온라인 수업. "세상에서 가장 많은 선생님을 보유한 수업"이라는 것이 특징이다

2. Code in Place의 규모

   1. 17,000명 수강생, 1,000명 이상의 교사: 학생 10명당 교사 1명 비율로 구성
   2. 6년 운영, AI 전후 비교 가능: Cursor와 Claude Code가 등장하기 전부터 운영해왔기 때문에, AI 도입 전후의 수강생 행동을 직접 비교할 수 있는 드문 데이터를 보유하고 있다
   3. 수강 신청 급증: AI 시대 이후 등록자 수가 거의 두 배로 늘었다 — "다들 코딩을 배우고 싶어한다"는 신호

1.2. "배우지 말라"는 답이 틀린 이유

1. 질문을 더 넓혀보면 답이 명확해진다

   1. AI가 다 잘하는데 왜 배워야 하나라는 질문의 확장: "코딩을 배워야 하나?"뿐 아니라 "확률을 배워야 하나?", "글쓰기를 배워야 하나?"로 질문을 확장해도 답은 같다 — AI가 그것들을 다 할 수 있어도 배워야 한다
   2. 다음 세대가 똑똑해지는 것을 포기하지 않는다: 논증을 형식화하는 법, 확률적 추론의 깊이, 프로그래밍하는 법을 배우는 것은 AI 시대에도 여전히 중요하며, 오히려 AI가 그 능력들을 대신 수행할 수 있다면 인간의 역량은 "증폭(magnify)"될 것이라고 본다

2. 학생들의 동기부여 위기(motivational crisis)

   1. 과거보다 더 많은 동기부여 위기를 목격: 세상의 불확실성이 커졌기 때문 — "2026년의 AI로 무엇을 기여할 수 있을까"라는 질문 정도가 아니라, "4년제 학위를 시작하면 2030년 AI가 4년 더 발전했을 때 어떤 직업이 존재할지"를 고민해야 하는 훨씬 어려운 문제에 학생들이 직면해 있다
   2. 아웃소싱의 딜레마: "AI로부터 실제로 무언가를 얻고 있는가, 아니면 성장의 기회를 너무 많이 내줘버린 것인가"라는 질문이 자연스럽게 생긴다. 에세이를 AI가 너무 많이 써주면 어느 순간부터 스스로 에세이를 못 쓰게 되고, 코드를 AI가 너무 많이 짜주면 어느 순간부터 스스로 중요한 아키텍처를 설계하지 못하게 된다는 비유
   3. 결론: AI를 갖고 놀되 자각(self-aware)해야 한다: AI를 쓰는 건 재미있고 권장할 일이지만, "내가 AI와 함께 성장하고 있는가"를 스스로 인식하고, 자신의 개인적 성장에 신경 써야 한다는 것이 핵심 태도다

---

2. 개인적 배경과 Code in Place의 탄생

2.1. 크리스 피치의 성장 배경

1. 케냐에서 미국으로

   1. 케냐 나이로비 출생: 12살 때 말레이시아 쿠알라룸푸르로 이주, 이후 대학 진학을 위해 미국으로 왔다
   2. 처음부터 교수가 되려던 건 아니었음: 그저 호기심 많은 사람이었고, 배우는 것과 흥미로운 문제를 좋아했을 뿐이다

2. 프로그래밍에 입문한 계기

   1. 필수 교양 과목이었을 뿐: 스탠퍼드 입학 당시 코딩을 조금 해본 정도였고 프로그램하는 법을 제대로 몰랐다. 전공 필수 학점을 채우기 위해 우연히 프로그래밍 수업을 듣게 됐다
   2. 교사가 던진 결정적 도전 과제: 담당 교사가 "지금까지 2주 동안 배운 것으로 가장 멋진 것을 만들어보라"는 챌린지를 냈고, 피치는 이 과제에 정규 수업 외로 40시간을 추가로 쏟아부을 만큼 몰입했다
   3. 사람이 어떻게 배우는지에 대한 호기심으로 교수의 길을 택함: 이 경험을 통해 "사람들이 어떻게 학습하는가"에 대한 강렬한 호기심을 발견했고, 이것이 교수라는 직업으로 이어졌다

2.2. Karel 로봇과 Code in Place 수업 방식

1. Karel — Code in Place의 상징적 로봇

   1. 파이썬 기반 입문 교육 도구: 수업 전체에서 사용하는 프로그래밍 언어는 파이썬이며, Karel이라는 사랑스러운 로봇 캐릭터를 조작하며 프로그래밍 개념을 익힌다
   2. 나침반 방향 기반의 세계관: 세계는 북/서/남/동의 나침반 방향을 가진 공간으로 표현되며, "Karel, 오른쪽으로 돌아", "왼쪽으로 돌아"와 같은 명령으로 로봇을 조작한다

2. 팬데믹 초기, Code in Place가 시작된 배경

   1. 팬데믹 초기, 스탠퍼드 대표 입문 코딩 수업을 온라인으로 전환해야 했던 상황: 모든 것이 온라인화되던 시기, "세상이 힘든 이 시기에 우리도 뭔가 세상에 도움이 될 수 있지 않을까"라는 문제의식에서 출발
   2. 강의 영상만 공개하는 것으로는 부족하다는 판단: 영상만 온라인에 올리면 사람들이 조금은 얻어가겠지만, 스탠퍼드 학생들이 누리는 "특별한 소스(special sauce)" — 즉 섹션 리더(section leader, 조금 더 경험 많은 선배가 개인적으로 성장을 도와주는 존재) — 없이는 한계가 있다고 판단했다
   3. 결과: 학생 10명당 교사 1명 비율의 대규모 무료 튜터링 수업으로 확장: 이 문제의식이 17,000명 학생과 1,000명 이상 교사를 보유한 현재의 Code in Place로 이어졌다

---

3. 6년간의 AI 실험이 밝혀낸 놀라운 사실

이 영상에서 가장 핵심적이고 반직관적인 발견. AI 튜터가 학습 문제를 해결해줄 것이라는 통념을 정면으로 반박한다.

3.1. AI를 그냥 던져주면 학생들이 이탈한다

1. 흔한 오해: AI 튜터만 있으면 다 해결된다는 생각

   1. 이미 AI 튜터는 존재하지만 기대만큼 효과가 없었다: "우리는 이미 사실상 AI 튜터를 갖고 있지만, 그것이 사람들이 기대한 방식으로 상황을 바꾸지 못하고 있다"
   2. 6번의 반복 실험: Code in Place를 6년간 여섯 차례 운영하며 학생들에게 서로 다른 "AI 투여량(dosage)"을 제공하는 다양한 실험을 진행했다

2. 핵심 발견: AI를 그냥 챗봇으로 던져주면 이탈률이 높아진다

   1. 예측 가능한 이탈: "여기 챗봇이 있으니 이걸로 배우라"고만 하면 학생들이 예측 가능하게 중도 포기한다
   2. 잘못된 타이밍의 AI는 동기를 꺾는다: 학습의 잘못된 순간에 AI가 주어지면 오히려 동기부여를 떨어뜨린다는 것이 실증적으로 확인됐다
   3. 미묘하게 설계된 AI 활용은 실제로 도움이 된다: 다만 매우 세심하게 설계된 방식으로 AI를 활용하면 실제로 학습에 도움이 되는 지점들도 발견했다고 언급 (구체적 설계 방식은 영상에서 상세히 다루지 않음)

3.2. 사람 vs AI — 동기부여 실험 비교

1. 사람이 개입하면 수료율이 10%p 오른다

   1. 팝업 실험: Code in Place에서 코딩하다가 "온라인에 있는 선생님이 당신과 10분간 이야기하고 싶어합니다. 대화하시겠습니까?"라는 팝업이 뜨는 실험을 진행
   2. 결과: 이 제안을 수락한 학생은 수업을 완주할 확률이 10%p 상승했다
   3. AI를 던져주면 반대로 약간 동기가 떨어진다는 대조: 같은 상황에서 AI만 제공했을 때는 통계적으로 오히려 동기부여가 살짝 떨어지는 경향을 보였다

2. 놀라운 점: AI의 답변이 틀려서가 아니었다

   1. AI는 실제로 정확했다: 이 대화들을 분석해본 결과 AI는 (적어도 입문 프로그래밍 수준에서는) 할루시네이션을 일으키지 않았고 정확했다
   2. 사람은 항상 정확하지는 않았다: 오히려 사람 튜터가 항상 옳은 말만 한 것은 아니었다
   3. 그럼에도 인간의 손길(human touch)이 특별했다: 정확성과 무관하게, 인간적 접촉 자체가 동기를 부여하는 힘을 갖고 있었다. "우리 모두 지금 동기부여가 필요하다"

3. 동기부여는 교육의 왕관 보석(crown jewel)이다

   1. "Claude가 대신 다 생각해주게 하지 않겠다"는 확신이 필요: 실제로 스스로 사고하는 것은 추가적인 에너지를 요구하기 때문에, 그렇게 하도록 설득할 무언가가 모두에게 필요하다
   2. "나는 당신이 똑똑한 사람이 되는 것을 포기하지 않는다"는 메시지의 힘: 교사가 "당신에게 관심이 있고, 이 AI 시대에도 당신이 똑똑한 사람이 되는 걸 포기하지 않는다"고 말해주는 것이 훨씬 더 동기부여가 된다
   3. 순서의 중요성: "먼저 기초를 다지자. 기초가 끝나면 AI로 코딩하는 법을 가르쳐주겠다"는 접근이 훨씬 더 효과적으로 작동한다

3.3. 챗봇이 놓치고 있는 것 — 호기심을 점화하는 능력

1. 챗봇은 답을 잘하지만 영감을 주지는 못한다

   1. 현재 챗봇에 대한 평가: 질문에 답하는 것은 잘 해내지만, "어떻게 하면 이것들이 교육을 위해 사람들에게 영감을 주도록 만들 수 있을까"가 남은 과제라고 지적
   2. 자신의 수업 경험 사례: 학생이 사무실에 찾아왔을 때 "확률에 대한 정말 멋진 걸 보여줄까?"라며 그들이 질문하지도 않았던 것을 보여주면, 학생들은 사랑과 영감을 느낀다
   3. 호기심에 불을 붙이면 학습은 저절로 따라온다: 그 스위치를 켤 수 있다면, 학생은 하루 종일 그 문제나 보여준 것만 생각하게 되고, 그 호기심이 점화되면 결국 배우게 된다는 것이 그의 신념

2. AI 튜터가 명확성 문제만 풀 것이라고 생각하면 더 큰 퍼즐 조각을 놓친다

   1. ChatGPT는 먼저 영감을 주지 않는다: "마음이 폭발할 만큼, 당신을 끌어당길 만한 것을 보여줄까?"라며 먼저 다가오는 챗봇 경험은 아직 없다는 지적
   2. 교사는 학생의 맥락을 알기 때문에 가능하다: 교사로서 학생들이 어디에 있고 어디로 가려는지 어느 정도 알기 때문에, 영감을 줄 예시나 도전 과제를 매우 섬세하게 골라낼 수 있다
   3. 이를 잘 활용하면 더 나은 세상을 만들 수 있다는 낙관으로 이 섹션을 마무리

(※ 영상 중간에 Granola/Recipes 스폰서 광고 구간이 삽입되어 있음 — 인터뷰 전 사전 통화를 자동으로 요약해주는 AI 노트 도구 홍보. 본 인터뷰 콘텐츠와는 무관한 광고 브레이크)

---

4. AI 아웃소싱의 함정과 자기 인식

4.1. 자율주행차 사례로 보는 예측의 어려움

1. 미래 예측은 원래 항상 틀려왔다
   1. 5~10년 뒤를 예측하는 것은 언제나 어려웠다는 역사적 관찰: "5년에서 10년 뒤 어떤 직업이 옳은 직업일지 예측해보라고 하면 사람들은 항상 틀린다"
   2. 자율주행차와 트럭 운전사 사례 (2011~2012년경): 피치가 박사과정에 있던 시절, 동료가 자율주행차의 초기 이정표를 만들던 때를 회상. 당시 사람들은 "택시 기사나 트럭 운전사라는 직업이 무슨 의미가 있나"라고 생각했다
   3. 실제 결과는 예상과 정반대였다: 트럭 운전사라는 직업은 오히려 건강한 속도로 계속 성장해왔다. 이유는 "귀중한 화물을 운반하려면 책임질 사람이 필요하다"는 것과 고속도로에서 매번 다르게 벌어지는 롱테일(long-tail) 상황들 — 경험의 99%는 같아도 1%의 다른 상황을 AI가 완전히 마스터하기가 매우 어렵다는 점 때문
   4. 결국 완전자율주행 시대는 오겠지만, 우리는 그 속도를 항상 과대평가해왔다: 언젠가 모든 차가 AI로 운전되는 세상이 오겠지만, 그 시점에 도달하는 속도를 사람들이 얼마나 심하게 과대평가해왔는지에 놀랐다고 말한다

4.2. AI에게 사고를 아웃소싱할 때의 위험

1. AI와 깊이 일해본 사람이라면 누구나 겪는 경험

   1. 사고를 아웃소싱하면 문제 해결로부터 멀어진다: 많은 사고를 AI에게 아웃소싱함으로써 점점 스스로 문제 해결하는 것과 분리되는 경험을 모두가 하고 있다
   2. 본인 사례 — 프로그래밍/아키텍처 지식이 있어야 AI를 제대로 부린다: 피치는 AI로 프로그래밍을 많이 하지만, 자신이 프로그래밍과 아키텍처에 대해 잘 알기 때문에 가능한 것이라고 밝힌다
   3. 모르면 AI가 나쁜 결정을 내려도 알아채지 못한다: 프로그래밍과 아키텍처를 잘 모르면 AI가 형편없는 결정을 내리기 시작해도, 프로토타입을 처음 만들 때는 문제를 못 느낄 수 있지만 5주 뒤 학생들이 실제로 사용할 때 이상한 버그에 부딪히게 되고, 아키텍처를 이해 못 하면 그들을 도와줄 수도 없다

2. 어디까지 아웃소싱해도 되는가라는 질문

   1. 에세이와 코드에 대한 동일한 비유의 반복: 에세이를 AI가 너무 많이 써주면 어느 순간 스스로 에세이를 못 쓰게 되고, 코드를 너무 많이 맡기면 아키텍처의 핵심 부분을 스스로 해내지 못하게 되는 지점이 온다는 우려를 다시 한번 강조
   2. 결론: AI를 갖고 놀되 자각하라: AI를 사용하는 것 자체는 재미있고 권장되지만, "내가 AI와 함께 성장하고 있는가"를 스스로 인식하고 자신의 개인적 성장에 마음을 써야 한다는 메시지를 재확인

---

5. 프로그래밍 학습의 본질 — 문법과 문제해결의 분리

5.1. 프로그래밍 학습의 두 축

1. 문법(syntax)과 문제해결(problem-solving)의 구분

   1. 문법: 컴퓨터에게 무엇을 하라고 지시하는 방법 자체
   2. 문제해결: 큰 문제를 어떻게 작은 조각으로 쪼개는가, 데이터가 알고리즘과 어떻게 통신하도록 설계하는가, 알고리즘을 어떻게 사고하는가와 같은 능력

2. AI 시대에 무엇에 집중해야 하는가

   1. AI는 문법을 매우 잘하게 될 것: 모든 명령어를 암기하는 것은 미래에는 덜 중요해질 것이라는 전망
   2. 문제해결 능력이 훨씬 더 중요해진다: 명령어 암기보다 문제를 어떻게 풀어낼지 아는 능력이 더 중요해지므로, 프로그래밍을 배울 때 이 문제해결 능력에 진짜로 집중해야 한다고 강조

5.2. 코딩이 문제해결 훈련에 특별히 좋은 이유

1. 즉각적이고 반증 가능한 피드백(immediate falsifiable feedback)
   1. 논리가 틀리면 바로 드러난다: 로직이 틀리면 프로그램이 작동하지 않고, 그것을 즉시 확인하고 빠르게 반복(iterate)할 수 있다
   2. 인생의 문제해결은 피드백이 느리다: 삶에 문제해결 능력을 적용하면 나쁜 결정을 내려도 피드백 주기가 너무 느려서, 더 나은 결정을 내리는 연습을 할 기회 자체가 부족하다
   3. 결론: 코딩이 문제해결을 가르치는 데 특히 좋은 몇 가지 이유 중 하나가 바로 이 즉각적 피드백 루프라는 것

---

6. 뛰어난 엔지니어가 되는 법과 주니어 개발자를 위한 조언

6.1. 고성과 엔지니어의 조건 — Time on Task

1. 놀랍지 않은 답: 과제에 쓴 시간(time on task)

   1. 실제로 창작에 쓴 시간이 핵심: "어떻게 하면 정말 뛰어난 기여자 엔지니어가 되는가"라는 질문에 대한 답은 실제로 무언가를 만드는 데 얼마나 많은 시간을 쓰는가로 귀결된다
   2. 스스로 만드는 것과 Claude Code에 맡기는 것을 구분해야 한다: 직접 창작하는 것과 그것을 Claude Code에게 넘기는 것을 분리해서 생각해야 한다

2. 자신이 젊은 개발자라면 어떻게 할 것인가

   1. Claude Code로 많은 프로토타입을 만들겠다: "Claude Code, 이걸 만들기 위해 알아야 할 가장 중요한 것들을 나에게 가르쳐줘"라고 요청하며 반복하겠다고 말한다
   2. 그 방식으로 경험을 쌓아 가장 중요한 개념을 파악: 이런 식으로 반복하면서 무엇이 가장 중요한 개념인지 스스로 알아낼 수 있는 경험을 쌓겠다는 전략

6.2. 주니어 개발자에게 열린 새로운 기회

1. 진입 장벽이 낮아졌다

   1. 혼란스러운 시기지만 이전에 없던 기회가 존재: 지금은 확실히 혼란스러운 시기지만, 예전에는 없던 새로운 기회의 창이 열렸다고 강조
   2. 18세 고등학교 3학년생도 고품질 스타트업을 만들 수 있다: 친구와 둘이서 인상적인 수준의 코드베이스를 만들어 흥미로운 문제를 해결할 수 있는 시대가 됐다

2. 진짜 중요해지는 능력: 무엇이 가치 있는 문제인가를 아는 것

   1. 문제 선정의 예술(art form): 무엇이 실제로 가치 있는 문제인지 아는 것 자체가 하나의 예술 형식이며, 더 많은 주니어 엔지니어들이 이 예술 형식에 관여할 수 있게 됐다고 본다
   2. 사용자가 원하는 것을 아는 능력: 무엇이 실제로 만들 가치가 있는지, 어떤 기능이 사용자가 문제에서 진전을 이루도록 도와줄지를 아는 것
   3. 컴퓨터가 할 수 있는 것과 인간이 실제로 필요로 하는 것을 연결하는 능력: 이 인터페이싱 능력은 항상 중요한 고차원 스킬이었고, 만약 자신이 주니어 엔지니어라면 시니어가 될 때까지 기다리지 않고 지금부터 이 스킬을 키우겠다고 조언한다

---

7. 다음 세대를 향한 교육 철학

7.1. 다음 세대는 우리보다 똑똑해질 것이라는 전제

1. 전제에서 출발하는 사고방식

   1. 자녀·조카가 더 똑똑해질 것이라는 전제: "내 아이들은 똑똑한 사람이 될 것이고, 당신의 아이들도, 자녀가 없다면 조카들도 똑똑한 사람이 될 것"이라는 전제에서 출발해야 한다고 말한다
   2. 다음 세대가 우리보다 똑똑해질 것이라는 전제로부터 "그렇다면 어떻게 그 지점까지 데려갈 것인가"를 고민해야 한다

2. 기초는 건너뛸 수 없다

   1. 어떤 과목이든 기초 개념 위에 복잡성의 층위가 쌓인다: 확률이든 컴퓨터과학이든, 다음 세대가 우리보다 똑똑해지길 기대한다면 기초를 건너뛰기는 매우 어렵다
   2. 계산기와 곱셈 암기의 비유: 계산기가 곱셈을 대신해온 지 오래됐지만 아이들은 여전히 곱셈 개념을 배워야 한다. 다만 "13×7이 뭐야, 빨리 대답해봐" 같은 암기 자체는 곱셈이 무엇인지 아는 것만큼 중요하지 않다는 미묘한 차이가 있다
   3. 기초는 건너뛸 수 없지만 무엇에 집중할지는 더 예술적으로 선택할 수 있다는 결론

7.2. 과도한 고민(overthinking)이 오히려 학생을 망친다

1. AI 시대에 가장 길을 잃고 동기를 잃은 학생들의 공통점

   1. 과도하게 생각하는 사람들: 이 AI 시대에 가장 많이 길을 잃고 동기를 상실한 사람들은 종종 지나치게 많이 생각하는 사람들이었다는 관찰
   2. 한 학생의 사례: 놀라운 성과를 내던 학생에게 "무슨 생각을 하고 있냐"고 물었더니, "사실 별로 생각하지 않는다. AI의 미래에 대해 별로 고민하지 않고, 그게 나를 성장하게 해준다"고 답했다는 일화
   3. 이 일화가 피치에게 남긴 것: 자신은 하루에도 AI에 대해 10번쯤 생각한다고 고백하며, 그 학생의 단순함("그냥 호기심을 갖고 배우겠다")에 큰 깨달음을 얻었다고 말한다

2. 그날 이후 피치가 매일 되뇌는 공리(axiom)

   1. 다음 세대가 더 똑똑해질 것을 "믿음"이 아니라 "공리"로 삼는다: 왜 다음 세대가 더 똑똑해지길 바라는지 묻지 않고, 그것을 진리로 받아들이고 그것을 위해 일하겠다고 선언한다

7.3. AI는 인간을 증폭시키는 도구다

1. 인간이 최선일 때, 도구는 우리를 증폭시킨다

   1. 환자를 진심으로 아끼는 의사의 사례: 환자를 정말로 아끼는 의사는 이제 더 빠르고 정확하게 더 많은 일을 할 수 있는 도구를 갖게 됐다
   2. 학생을 진심으로 아끼는 교사의 사례: 학생들의 배움에 열정적인 교사는 이 도구로 학생들과 더 멀리 나아갈 수 있고 더 많은 것을 해낼 수 있다

2. 젊은 사람들을 볼 때 느끼는 낙관

   1. 자기 인식과 비판적 사고를 보며 영감을 얻는다: 젊은 사람들의 자기 인식 수준, 비판적으로 사고하는 모습, 성장해가는 모습을 보면 낙관하게 된다고 말한다
   2. 지금 젊은 사람에게 전하는 조언: 가장 가치 있는 것은 자기 인식을 갖는 것이며, "나는 더 똑똑해질 것이다"라는 목표도 함께 가져야 한다. "크리스는 당신을 포기하지 않는다. 당신도 스스로를 포기하지 말아야 한다"
   3. 자신의 두 아이(5세 미만) 이야기: 그들은 멋진 세상에서 살게 될 것이고, 우리는 적응하고 방법을 찾아낼 것이며, 아이들은 여전히 호기심을 갖고 마음을 키워나갈 것이고, 우리는 매일 그것을 위해 계속 노력할 것이라고 말한다

---

8. 마무리 — 최고의 엔지니어란 무엇인가

1. 최고의 엔지니어는 모든 코드를 아는 사람이 아닐 수 있다
   1. 진짜 실세계 문제를 연결하는 사람: 최고의 엔지니어는 어쩌면 모든 코드를 아는 사람이 아니라, 실제 인간의 문제를 앱의 세계, 데이터 과학의 세계, 연구의 세계로 연결할 수 있는 사람일 수 있다는 것이 그의 결론
2. 마지막 메시지 — "가서 만들어라(Go make stuff)"
   1. 사람들이 쓰고 사랑하는 것을 만들어라: 그 반복(iteration)의 과정 속에서 코딩과 문제해결 모두에 뛰어난 사람이 될 기회를 얻게 된다
   2. 공리를 그냥 받아들여라: "당신은 어제보다 더 똑똑해질 것이다"라는 공리를 갖고 하루를 시작하라는 것으로 영상을 마무리한다

---

주요 발언 모음

"We're not giving up on the next generation being smart. Yes, you should learn how to formalize an argument. Yes, you should learn the depth of probabilistic reasoning. And yes, you should learn how to program."

"It is demotivating to have AI thrown at you at the wrong moment of your learning."

"We've looked at these conversations, the AI was correct. It wasn't hallucinating... and the humans weren't always correct. But the human touch is special. It's motivating."

"The crown jewel of education has always been motivation."

"It's less important in the future that you've memorized every command. It's probably more important that you know how to problem-solve."

"I would make a lot of prototypes with Claude code, and I'd say, 'Claude code, teach me all the most important things that you [need] in order to create this.'"

"The top engineer might not be the person who knows all the code. Maybe the top engineer is a person who can relate the real world human problems into the world of apps, into the world of data science, and into the world of research."

"Go make stuff. Make stuff that people use, make stuff that people love... You will become smarter than you were yesterday. Start your day like that."

핵심 데이터 & 수치

• 17,000명 학생 / 1,000명 이상 교사: Code in Place의 규모, 학생 10명당 교사 1명 비율
• 6년 / 6회 운영: Code in Place 운영 기간이자 AI 도입 실험 반복 횟수
• 수료율 +10%p: 사람 튜터와 10분 대화를 수락한 학생의 수료 확률 상승폭
• 등록자 약 2배 증가: AI 시대 이후 Code in Place 신청자 수 변화
• 2011~2012년: 자율주행차 초기 이정표가 만들어지던 시점 (트럭 운전사 직업 소멸 우려가 시작된 때)
• 자녀 2명 (5세 미만): 피치 본인의 가족 상황, 다음 세대에 대한 낙관의 근거로 언급

결론 및 시사점

1. AI가 코딩·글쓰기·확률 계산을 다 잘하게 되더라도, 논증을 형식화하고 문제를 분해하는 능력 자체는 여전히 배워야 한다 — AI는 그 능력을 "대체"하는 것이 아니라 "증폭"하는 도구다.
2. AI 튜터를 그냥 던져주는 것은 오히려 역효과를 낳는다. 정확성보다 인간적 동기부여가 학습 완주에 훨씬 더 결정적이다.
3. 프로그래밍 학습에서 문법 암기는 AI에게 넘기고, 문제를 쪼개고 설계하는 문제해결 능력에 집중 투자해야 한다.
4. AI에게 사고를 아웃소싱할 때는 "내가 이 지식/아키텍처 없이도 AI의 결정을 검증할 수 있는가"를 계속 자문해야 한다.
5. 주니어 개발자에게는 진입장벽이 낮아진 만큼, "무엇이 가치 있는 문제인가"를 판별하는 제품 감각(product sense)이 새로운 핵심 경쟁력이 된다.
6. 미래를 지나치게 예측하려는 고민(overthinking)보다, 호기심을 갖고 꾸준히 만들어보는 태도가 오히려 성장에 유리하다.