영상 개요
홍정모는 AI가 모든 사람을 대체한다는 초기의 과장된 공포가 정리되고, 이제 논점이 모델 경쟁에서 인프라 구축과 사용자 확산으로 옮겨갔다고 진단한다. 하지만 이 변화가 사람에게 요구하는 능력을 없애는 것은 아니다. 오히려 AI를 도구로 활용하면서도 목표를 정하고, 결과를 검증하고, 마음에 들지 않는 결과를 개선하고, 기초적인 인지 능력을 키우는 사람이 더 중요해진다는 것이 강의의 중심 주장이다.
발표자는 이를 스노보드에 비유한다. AI가 제공하는 자동화의 힘을 억지로 자기 체력으로 밀어붙일 필요는 없지만, 안전 교육과 기초 체력, 방향을 제어하는 감각은 반드시 필요하다. AI 시대의 공부도 마찬가지로 코드를 한 줄씩 타이핑하는 과거의 초능력을 지키는 일이 아니라, 미래의 문제를 다룰 수 있는 판단력과 적응력을 준비하는 일이 된다.
1층: 전체 논지와 맥락
혼란의 초점이 바뀌었다
강의의 출발점은 AI 때문에 고소득 지적 직업이 통째로 사라질 것이라는 예상이다. 개발자, 변호사, 컨설턴트처럼 지식과 추론을 많이 사용하는 직군이 먼저 대체될 것이라는 전망이 퍼졌고, 기업 경영진은 채용 동결 같은 행동으로 반응했다. 발표자는 현재 상황이 그 예상대로 전개되지 않았으며, “틀려서 다행”이라는 반응이 나올 만큼 혼란이 정리되는 신호가 보인다고 말한다.
그가 읽는 변화의 방향은 모델에서 인프라로의 이동이다. 한동안 OpenAI와 Anthropic 같은 프런티어 연구소의 모델 성능 경쟁이 중심이었다면, 이제는 더 많은 사용자가 AI를 이용할 수 있도록 데이터센터와 전력 등 기반 시설을 확보하는 경쟁이 전면에 나왔다는 것이다. 모델의 능력이 일정 수준까지 상향 평준화되고, 시간과 투자를 들이면 경쟁자가 따라잡을 수 있다는 인식이 커지면서 인프라 투자가 핵심 전장이 됐다는 해석이다.
프리 AI와 포스트 AI의 차이
AI 이전의 소프트웨어 개발은 체력과 인내심을 많이 요구했다. 타이핑, 문법 암기, 알고리즘 구현, 코드 조립, 아키텍처 설계, 장애 대응을 사람이 직접 감당해야 했다. 반면 AI 이후에는 자연어로 의도를 설명하고, 도구가 코드와 구현물을 만들게 할 수 있어 물리적인 입력 부담이 크게 줄어든다.
그러나 물리적 부담이 줄어드는 것이 능력의 소멸을 의미하지는 않는다. 발표자는 스키나 스노보드를 탈 때 중력을 이용해 내려오더라도 안전 교육, 기초 체력, 방향 제어가 필요한 것처럼 AI를 이용한 개발에도 기본기와 제어 감각이 필요하다고 설명한다. 힘을 빼고 AI의 힘을 이용하되, 사고가 나지 않도록 원리를 알고 조종해야 한다는 비유다.
2층: 주장·근거·사례의 연결
모델은 거대한 지식 저장소보다 사고 패턴 쪽으로 갈 수 있다
발표자는 대규모 언어 모델의 미래에 대해 하나의 추정을 제시한다. 초인공지능을 만들겠다며 지식을 계속 집어넣는 방식은 비용과 규모의 부담이 커진다. 반대로 모델이 문제를 풀 때 어떤 사고 패턴을 사용하는지 분석하고, 지식 자체보다 패턴을 남기면 모델을 작게 만들 수 있다는 방향이다.
이 관점에서 모델은 모든 최신 사실을 영구히 알고 있는 존재가 아니라, 사용자가 준비한 문서나 조사 자료를 읽고 그 안에서 작업하는 도구에 가까워진다. 발표자는 최근 모델이 어제 알던 내용을 오늘의 업데이트에서 놓칠 수 있지만, 사용자가 조사한 문서를 제공하면 그 내용을 바탕으로 일할 수 있다고 말한다. 이는 강의 속 관찰과 추정이지 특정 연구 결과를 제시한 결론은 아니다.
도구 이름보다 목표가 먼저다
Claude나 Codex 같은 특정 도구의 사용 여부를 따라가는 데 집착하면 원래 하려던 일을 잊기 쉽다. AI는 무엇이든 대답해 주기 때문에 사람은 대화 자체를 본질로 착각할 수 있다. 발표자는 AI가 사람도 아니고 스스로 사용자를 위해 돈을 벌어 주는 주체도 아니며, 사용자의 능력을 몇 배로 발휘하도록 돕는 도구라고 선을 긋는다.
그는 Google과 Naver 검색의 확산을 과거 사례로 든다. 처음에는 검색이 생각을 대신할 것처럼 느껴졌지만, 시간이 지나자 사람들은 버그가 생기면 검색해서 해결하는 방식에 익숙해졌다. AI도 거부할 수 없는 파도처럼 퍼지겠지만, 검색 결과를 그대로 믿지 않았던 것처럼 AI의 답도 목표와 현실에 맞춰 판단해야 한다는 연결이다.
인프라의 시간차는 기술 확산과 다르다
AI 데이터센터와 전력 인프라가 부족하다는 걱정은 실제 전환 속도와 별개로 봐야 한다. 발표자는 인터넷과 전기의 보급을 예로 든다. 인터넷망에 과잉 투자가 일어난 뒤 관련 기업이 무너진 시기가 있었지만, 인프라가 정리된 뒤 인터넷 사용은 더 크게 확산됐다. 전기도 처음에는 발전과 송전망에 대한 논쟁이 있었고, 공장이 증기기관 중심 설계에서 전기 중심 설계로 바뀌는 데 시간이 걸렸다.
따라서 AI 인프라 투자에는 과잉과 조정의 위험이 있을 수 있지만, 인프라 자체가 장기적으로 쓸모없어진다는 뜻은 아니다. 로컬 LLM도 같은 시간차의 예다. 발표자는 현재는 하드웨어가 더 빨라져야 하므로 대중 확산이 이르다고 보지만, 충분히 가벼워지면 쓰지 않을 이유가 없고 결국 휴대폰에서 가볍게 모델을 돌리는 시대가 올 것이라고 전망한다. 현재 스마트폰에도 이미 일부 언어 모델 기능이 들어가 있다는 사례를 덧붙인다.
“마음에 들지 않는다”가 작업의 시작이다
AI로 무언가를 만들었는데 결과가 마음에 들지 않는 순간을 실패가 아니라 출발점으로 봐야 한다. 한국식 교육은 정답을 한 번에 맞히는 경험을 강조하고, 객관식 답이나 수학 문제처럼 깔끔하게 떨어지는 결과를 완성으로 느끼게 한다. 하지만 현실의 문제는 복잡하고 지저분하며, 성장하는 사람은 그 지저분함을 다루는 법을 배운다.
이 주장은 바이브 코딩에도 그대로 적용된다. 첫 결과가 어긋났다면 요구사항을 다시 쪼개고, 문제를 관찰하고, 원하는 상태를 정의하고, 결과를 검증하고, 다시 요청해야 한다. Codex나 Claude의 결과가 기대에 못 미친다고 도구를 욕하며 정신적으로 소진될 필요는 없다. 어긋남을 발견하는 능력과 개선 루프를 계속 돌리는 능력이 AI 시대의 실력이라는 의미다.
3층: 교육·개발·커리어에 대한 함의
자동화가 과거의 기술을 무효화하지 않는다
발표자는 어린 시절 배운 서예와 주판을 예로 든다. 지금은 손글씨를 거의 쓰지 않고 주판을 다시 사용할 일도 없지만, 당시의 학습이 인생에서 하지 말았어야 할 일은 아니었다고 말한다. 피아노, 키보드, 프로그래밍으로 이어진 경험 속에서 그 활동들은 규칙을 익히고 손을 쓰며 집중하는 즐거움을 제공했다.
타자기가 사라졌다고 정확한 타이핑 자체를 직업적 핵심 능력으로 붙들 필요는 없다. 그렇다고 과거의 훈련이 모두 낭비였다는 뜻도 아니다. 중요한 것은 과거 방식의 초능력을 미래에도 그대로 보존하는 것이 아니라, 새로운 환경에서 무엇을 학습하고 어떤 능력을 이전할지 판단하는 것이다.
기초와 인지 능력은 양보할 수 없다
AI가 모든 일을 해 준다고 공부할 필요가 없다는 주장은 위험하다. 발표자는 자율주행차가 보편화돼도 아기에게 걷기를 가르치고, 전기자전거를 타기 전에 자전거의 기초를 익히게 하는 이유를 든다. 도구가 이동을 대신해도 인간의 몸과 판단에 필요한 기반은 사라지지 않는다.
대학교 4년 역시 단순한 직업 훈련소가 아니라 현대인으로 살아가기 위한 기초 교육으로 봐야 한다는 주장이다. 소프트웨어 분야는 프로그래밍 기술만으로 구성되지 않고 엔지니어링 문제를 다룬다. 그래서 기계공학, 전기공학, 인문학, 철학 등 다양한 전공과 사고방식이 소프트웨어 생태계에 들어올 수 있다. 어떤 분야든 제대로 공부하면 인지 능력이 향상되고, 그 능력이 다른 문제에 전이될 수 있다는 설명이다.
미래의 채용은 코딩보다 엔지니어링을 볼 수 있다
발표자는 연구직을 중심으로 코딩 테스트를 덜 보고 실제 업무 능력을 확인하려는 흐름이 보인다고 말하지만, 이 부분은 자신이 느끼는 “심증”이라고 명시한다. 채용이 당장 모두 바뀌었다는 사실로 단정하지 않고, 코딩 기술만을 소프트웨어 일자리의 전부로 보는 관점을 경계하는 맥락이다.
그가 말하는 엔지니어링은 문제를 이해하고 구조화하며, 적절한 도구를 사용하고, 결과를 검증하고, 현실의 제약 속에서 반복 개선하는 능력이다. AI가 코드를 빠르게 만들수록 이 전체 과정의 판단이 더 중요해진다. 과거처럼 예측 가능한 정답만 원하는 사람보다, 불확실하고 지저분한 문제를 다루며 배우는 사람이 미래 환경에 적합하다는 결론으로 이어진다.
성공 사례의 표면만 따라 하지 말 것
Andrej Karpathy를 인용하며 탑다운 방식으로만 성공했다고 오해해서는 안 된다는 조언도 나온다. 공개된 컴퓨터 비전 강의와 Python 중심의 학습 사례를 보더라도, 누군가의 현재 위치만 보고 그 사람이 처음부터 현재의 도구와 지식만 사용했다고 생각하면 안 된다. 성공한 사람이 어떻게 시작했고, 어떤 기초를 쌓았으며, 무엇을 오랫동안 반복했는지를 봐야 한다.
발표자는 무엇을 할지 아직 정하지 못한 사람에게 일주일 동안 자신이 정말 어떻게 살고 싶은지 생각해 보라고 권한다. 하고 싶은 일이 하나라도 분명해지면 에너지가 생기고, 그다음부터 학습과 도구 선택이 풀린다. 특정 기술을 먼저 골라 정체성을 만들기보다, 원하는 삶과 문제를 먼저 찾은 뒤 필요한 기술을 선택하라는 순서다.
4층: 검증 가능한 사실과 발표자의 해석 구분
영상에서 직접 확인되는 내용
- 영상 설명에 따르면 8월 2일 라이브의 편집본이다.
- 발표자는 AI로 인한 직업 대체 공포가 초기 예상과 다르게 전개됐다고 평가한다.
- 모델 경쟁에서 데이터센터·전력 등 인프라 경쟁으로 관심이 이동했다고 설명한다.
- AI 도구로 만든 결과가 마음에 들지 않는 순간을 개선의 시작으로 보라고 말한다.
- 서예와 주판, 인터넷·전기 보급, 스노보드, 자율주행과 자전거를 논지를 설명하는 사례로 사용한다.
- 대학교 교육, 소프트웨어 엔지니어링, 다양한 전공의 결합, Andrej Karpathy의 학습 경로를 교육 논의에 연결한다.
발표자의 추정으로 남겨야 하는 내용
- 모델에서 지식이 빠지고 사고 패턴 중심으로 가고 있다는 해석.
- 모델 능력이 상한에 가까워져 인프라 투자가 더 중요해졌다는 진단.
- 로컬 LLM이 향후 휴대폰에서 가볍게 실행될 것이라는 전망.
- 연구직 채용에서 코딩 테스트보다 실무 능력을 보려는 변화가 일어나고 있다는 판단.
- AI가 잘하는 사람의 능력을 열 배 이상 키울 수 있다는 표현.
위 항목들은 강의의 관점과 전망으로 읽어야 한다. 영상에는 보고서명, 연구 설계, 통계 표, 채용 데이터 같은 세부 검증 자료가 제시되지 않았으므로, 이를 보편적으로 확정된 사실이나 예측으로 확대하면 안 된다.
시청자에게 적용할 실천 루프
- AI 도구를 고르기 전에 해결하려는 문제와 성공 조건을 한 문장으로 적는다.
- AI에게 첫 결과를 요청하되, 첫 결과를 완성품으로 취급하지 않는다.
- 마음에 들지 않는 부분을 감정이 아니라 관찰 가능한 문제로 바꾼다.
- 결과를 직접 실행하고, 원리와 제약을 확인하고, 개선 요청을 반복한다.
- 기초 개념을 포기하지 않고, 도구가 대신한 과정을 필요할 때 설명할 수 있게 한다.
- 특정 도구의 유행보다 자신의 목표와 학습 방향이 먼저인지 점검한다.
한 문장 결론
AI 시대에 사라지는 것은 사람이 해야 할 모든 일이 아니라, 사람이 과거 방식으로만 능력을 증명해야 한다는 생각이다. 대신 목표를 세우고, 기초를 갖추고, 자동화된 결과를 검증하고, 마음에 들지 않는 현실을 계속 개선하는 능력이 새로운 초능력이 된다.
핵심 요약 (40줄)
- AI가 모든 사람을 대체한다는 초기의 과장된 공포는 실제 전개와 달라지며 혼란이 정리되는 국면에 들어섰다.
- AI가 먼저 대체할 것으로 예상된 직군은 개발자·변호사·컨설턴트 같은 고소득 지적 직업이었다.
- 기업 경영진은 AI 대체 기대에 따라 채용 동결 같은 반응을 보였지만 결과는 단순한 전면 대체로 이어지지 않았다.
- AI 산업의 중심 경쟁은 프런티어 모델 성능에서 데이터센터와 전력 같은 인프라 구축으로 이동하고 있다.
- 시간과 투자를 들이면 모델 경쟁자를 따라잡을 수 있다는 인식이 확산되면서 인프라 투자의 중요성이 커졌다.
- AI 기술이 상향 평준화되면 일반 사용자에게 도구가 널리 퍼지는 단계가 열린다.
- AI 이전의 소프트웨어 개발은 타이핑·문법·알고리즘·아키텍처·장애 대응을 사람이 직접 감당하는 체력과 인내심의 싸움이었다.
- AI 이후에는 의도를 설명하면 도구가 코드와 구현물을 만들 수 있어 개발의 물리적 제약이 크게 줄어든다.
- 물리적 제약이 줄어도 안전 교육·기초 체력·방향 제어가 필요한 스노보드처럼 개발의 기본기는 여전히 필요하다.
- 발표자는 AI를 자기 힘으로 밀어붙이는 대신 자동화의 힘을 이용하고 결과를 제어해야 한다고 말한다.
- 발표자는 모델이 모든 최신 지식을 저장하기보다 사고 패턴을 남기는 방향으로 작아질 수 있다고 추정한다.
- 이 모델 방향에 대한 설명은 영상 속 발표자의 관찰과 추정이며 구체적인 연구 결과로 제시된 결론은 아니다.
- 사용자가 조사한 문서를 제공하면 모델이 최신 사실을 모두 기억하지 않아도 그 자료를 바탕으로 일할 수 있다.
- Claude나 Codex 같은 특정 AI 도구의 이름에 집착하면 원래 해결하려던 목표를 잊을 수 있다.
- AI는 사람이나 독립적인 경제 주체가 아니라 사용자의 능력을 확장하는 도구라는 경계가 필요하다.
- Google과 Naver 검색의 확산처럼 AI도 거부할 수 없는 파도로 퍼지겠지만 답을 그대로 믿어서는 안 된다.
- 인터넷과 전기의 보급은 인프라 투자의 과잉·조정과 실제 기술 확산 사이에 시간차가 있음을 보여주는 사례다.
- AI 데이터센터와 전력 인프라 부족은 단기 제약일 수 있지만 인프라 자체의 장기 가치를 부정하는 근거는 아니다.
- 로컬 LLM은 현재 하드웨어가 더 빨라져야 대중화될 수 있지만 충분히 가벼워지면 사용하지 않을 이유가 없다.
- 발표자는 장기적으로 휴대폰에서 가벼운 언어 모델을 실행하는 시대가 올 것이라고 전망한다.
- 바이브 코딩으로 만든 결과가 마음에 들지 않는 순간은 실패의 끝이 아니라 개선 작업의 시작이다.
- 한국식 교육은 정답을 한 번에 맞히는 경험을 강조해 현실의 복잡하고 지저분한 문제를 어렵게 만들 수 있다.
- 현실에서 성장하는 사람은 깔끔한 정답보다 어긋난 결과를 관찰하고 다루는 능력을 갖춘 사람이다.
- AI 결과가 마음에 들지 않는다고 도구를 욕하며 소진하기보다 문제를 구체화하고 개선 루프를 돌려야 한다.
- 서예와 주판처럼 현재 사용하지 않는 과거의 기술도 당시의 학습과 성장에서 모두 낭비였던 것은 아니다.
- 과거 방식의 초능력을 그대로 보존하기보다 미래 환경에서 전이할 능력을 선택하는 판단이 중요하다.
- AI가 모든 일을 해 준다고 공부를 포기하는 것은 자율주행 시대에 걷기와 자전거 기초를 생략하는 것과 같다.
- 대학교 4년은 단순한 직업 훈련소가 아니라 현대인으로 살아가기 위한 기초 교육이라는 관점이 제시된다.
- 소프트웨어는 코딩 기술만이 아니라 문제를 다루는 엔지니어링이며 다양한 전공의 사고방식이 필요하다.
- 기계공학·전기공학·인문학·철학 등 어떤 전공이든 제대로 공부하며 키운 인지 능력은 다른 문제에 전이될 수 있다.
- 발표자는 연구직 채용에서 코딩 테스트보다 실제 업무 능력을 확인하려는 흐름을 느끼지만 이를 심증이라고 한정한다.
- AI가 코드를 빠르게 만들수록 문제 이해·구조화·도구 선택·검증·반복 개선의 엔지니어링 판단이 중요해진다.
- 예측 가능한 정답만 원하는 태도는 불확실하고 지저분한 미래 문제를 다루는 능력과 맞지 않는다.
- Andrej Karpathy 같은 성공 사례는 현재의 표면적 도구가 아니라 처음의 학습 과정과 기초를 함께 살펴야 한다.
- 특정 기술을 먼저 선택해 정체성을 만드는 것보다 자신이 어떻게 살고 싶은지와 무엇을 하고 싶은지를 먼저 찾아야 한다.
- 하고 싶은 일이 분명해지면 학습과 도구 선택에 쓸 에너지가 생긴다는 것이 발표자의 조언이다.
- AI가 잘하는 사람의 능력을 크게 증폭할 수 있다는 주장은 발표자의 확신이며 정량적으로 검증된 수치로 받아들이면 안 된다.
- AI를 활용하는 실천 순서는 목표 정의·첫 결과 생성·문제 관찰·실행 검증·반복 개선·기초 보완이다.
- AI 시대의 새로운 초능력은 타이핑 속도가 아니라 자동화된 결과를 이해하고 책임 있게 조종하는 능력이다.
- AI 시대에는 사람이 해야 할 일이 모두 사라지는 것이 아니라 목표·기초·검증·적응을 중심으로 일의 방식이 바뀐다.