서울대 컴퓨터공학부 교수이자 AI연구원장인 이재욱 교수가, AI가 코딩을 대신하는 시대에 컴퓨터공학은 무엇을 배워야 하는지 진행자 최정훈과 나눈 대담입니다.
00:00오프닝
- 핵심 질문 예고: "인간이 직접 손으로 코딩할 일이 없어질 것"이라는 명제에 동의하나? 교수는 "프로그램 코드 작성은 거의 100%에 가깝게 자동화될 수 있다"고 답. 텍스트북 기반 문제는 AI가 100% 정확도로 푼다.
- 또 다른 화두: "코딩을 덜 하게 되면 컴공의 가치가 손상된 것 아닌가? 그럼 컴공 왜 가야 하나?"
- AI는 이제 코드를 대신 짜는 수준을 넘어 인간 개입 없이 모델을 만들고, "최고의 코딩 언어는 영어"라는 말까지 나온다. 이재욱 교수는 AI 분야 중 인프라스트럭처 연구 담당.
01:27AI가 코딩 지형을 얼마나 바꾸고 있나
- 가르치는 입장에서 고민이 많음 — 학생들이 과제를 AI로 너무 쉽게 풀어버려 과제를 어떻게 새로 디자인할지 고민.
- 교수 본인이 체감하는 변화: 전통적으로 '쓰는(write)' 부분(논문·코드·슬라이드)에 많은 에너지를 썼는데, 이제 대부분 시간이 '읽고 비판하는(read/critique)' 쪽으로 옮겨감. 만들어내는 건 쉬워졌기에 비판적 읽기 능력이 더 중요해졌다.
02:31인간이 직접 코딩하는 시대는 끝나는가
- "프로그램 코드 작성은 거의 100% 가까이 자동화될 수 있다"고 동의. 다만 무엇을 구현할지, 무엇을 코드로 만들지 정의하는 부분은 여전히 인간의 영역.
- 비유: AI를 데리고 일하는 건 매니저처럼 일하는 것(에이전트를 부리듯). 그런데 엔지니어링 경험이 없는 사람은 좋은 엔지니어링 매니저가 되기 어렵다 — 실제 코딩을 해봐야 하고, 문제를 나누고 정의하고 역할을 분배하는 일은 인간의 몫으로 남는다. 정해진 뒤 구현·개선은 대부분 자동화될 것.
- 왜 개발자가 가장 먼저 대체되나? 프로덕션 유스케이스에서 코딩 비율이 초기부터 높았음. 이유: ①얼리어답터가 대부분 소프트웨어 개발자 ②인터넷에 방대한 코드 데이터가 있고 논리적 구조를 가져 AI가 배우기 쉬움. 그래서 소프트웨어가 첫 타깃이 됨.
04:19바이브 코딩의 잠재력과 큰 한계
- 바이브 코딩(클로드 코드·코덱스 등)으로 기본 프로토타입은 상당히 잘 만든다. 예: 광진구청 공무원이 복잡한 규정을 AI로 비교·답해주는 챗봇 시스템을 직접 만든 사례 — 현업에 유용하게 영향을 미치는 경우.
- 하지만 한계: 프로덕션 수준의 완성도라면 95% 동작해도 5%가 안 되면 사실상 안 되는 것. 99% 동작해도 사용자가 1,500만 명이면 1%=15만 명(≈천만 명 규모)이 잘못된 결과를 받는 것. 특히 금융·보안에선 99%도 허술한 기준.
- 과대평가의 위험: 바이브 코딩으로 뭔가 만들었다고 자기 프로그래밍 지식을 과대평가할 수 있음.
- '케이퍼빌리티 오버행(capability overhang)': AI 모델 성숙도는 매우 빠르게 발전하는데 사용자의 활용 역량 발전은 훨씬 느려, 파워 유저와 평균 유저의 생산성 격차가 크게 벌어진다. 잘 쓰려면 두 가지가 중요 — ①이걸로 할 수 있는 작업의 범주를 잘 아는 것 ②할 수 없는 한계를 아는 것. 이 갭은 점점 커지는 추세.
07:08AI 시대에 컴공 교육은 어떻게 바뀌어야 하나
- 가장 걱정: 학생이 '미들맨(배달원)' 역할로 전락하는 것. 교수가 문제를 내고 AI가 풀면, 학생은 문제를 AI에 넣고 답을 전달하는 중간 배달원이 되어 유의미한 학습이 일어나지 않는다.
- 학습은 문제를 정의하는 부분 또는 실제로 푸는 부분 둘 중 하나에서 일어나야 함. 계산기가 있어도 사칙연산·곱셈을 가르치는 이유 — 결과의 의미를 해석·평가할 지식의 임계점을 넘기려면 기본 개념 교육(시험·퀴즈)이 여전히 필요.
- 또 다른 방향: 문제 정의 쪽으로 학생을 세우기 — 정답이 정해진 게 아니라 미니멀한 제약만 주고 스스로 설계하게 하는 문제로, 학생이 스스로 문제를 정의하는 훈련.
09:13코딩이 줄어드는 시대에 왜 컴공을 배우나
- 컴퓨터공학은 결국 다양한 문제에 대한 계산적 해법을 구하는 학문 — 문제를 컴퓨터라는 툴로 효율적·효과적으로 푸는 사고방식을 배우는 전공이라 계속 유용.
- 두 핵심 요소: ①알고리즘적 사고(복잡한 작업을 단순한 스텝들의 조합으로 풀기) ②데이터 기반 사고(데이터 분포·인사이트 추출). AI가 발전해도 이 소양의 니즈는 계속 있을 것.
- 신입생의 불안("알겠는데 취업은?"): 두 관점 공존 — ⓐ제본스 역설(코딩이 쉬워지면 산업 파이가 커져 오히려 수요 증가) ⓑ AI가 다 자동화해 인간 코딩 수요가 사라진다. 교수는 "현실은 그 중간쯤".
- ATM 비유: ATM이 나왔을 때 은행원이 다 실직할 거라 했지만, 창구 직원들이 컨설팅·전략·투자 등 새로운 직역으로 이동. AI도 일의 총량을 늘리고 파이를 키울 것.
- 다만 엔트리 레벨(초급 개발자)의 진입이 어려워지는 건 지금 실제로 겪는 현실 — 사회적으로 함께 풀어야 할 고민.
- "20살로 돌아가 컴공 26학번으로 간다면?" → "간다." 이유: AI 변화는 모두에게 새롭기에 지금이 매우 공평한 상황. 경험자든 주니어든 새롭긴 마찬가지 → 좋은 아이디어만 있으면 누구나 혁신을 이끌 공간이 그 어느 때보다 넓어 익사이팅한 시간.
13:09미래 개발자에게 더 중요해질 역량
- 구현해보는 훈련은 여전히 매우 중요 — 훌륭한 엔지니어링 매니저는 대부분 실제 엔지니어링 경험이 풍부한 사람. AI에 위임(delegation)하는 것도 코딩 감이 없으면 제대로 못 한다. 개념·핵심 기술을 체화하는 과정은 AI 시대에도 중요.
- 훨씬 더 중요해질 것: 문제를 정의하고, 좋은 솔루션이 무엇인지 판별하는 안목. 이 안목은 많이 만들어보고 많이 버리는("이건 좋지 않은 솔루션이었다") 과정에서 테이스트(taste)로 생긴다.
- 커리큘럼 개편 방향: ①AI 네이티브 — 모든 과목이 AI 사용을 기본 전제(더 높은 수준의 과제 가능), 디자인·문제 정의부터 릴리즈 경험까지 넣기 ②비평(critique) 훈련 — 코드·디자인을 보고 어디가 좋고 나쁜지 비평 ③미니멀한 제약만 주고 학생이 창의적으로 설계하게.
[13:09~17:02 사이] '기발자' — 기획자+개발자
- 과거엔 기획자가 개발자에게 일을 할당하는 구조였으나, 이제 한 사람이 기획부터 개발까지 다 하기 쉬워짐 → 누군가 만든 신조어 "기발자"(기획자+개발자). 교수도 이 방향이 맞다고 봄 — "어떤 문제를 풀 것인가"가 더 중요한 가치가 됨.
- 재밌는 현상: 국내외 AI 공모전 입상자를 보면 특정 도메인의 좋은 문제를 가진 사람이 많이 입상. 특정 도메인·업종·직역에 대한 이해를 바탕으로 실질적 니즈에서 문제를 정의하는 능력이 중요. 그래서 커리큘럼도 "주어진 문제 풀기"를 넘어 문제를 잘 캡처·정의·발견하는 훈련이 중요.
17:02비전공자는 AI를 어떻게 써야 하나
- 추천 훈련: "내가 할 수 있는 대부분의 문제는 AI로 풀 수 있다"고 한번 가정해보기. 그러면 지금 가진 아주 작은 현실적 프로젝트라도 AI로 풀어보게 되고, 여러 번 하다 보면 AI가 잘하는 것과 못하는 것에 대한 감, 그리고 이 문제를 AI로 어떻게 풀지에 대한 감이 생긴다. 그렇게 더 많은 사람이 더 많은 문제를 AI로 풀 수 있을 것.
마무리 — 미래 세대에게
- 서울대를 방문한 매디슨 황 디렉터의 표현 "그레이트 이퀄라이저(great equalizer)" 인용 — AI는 모두에게 새롭기에 같은 출발선을 주는 평탄화 역할을 한다. 이 변화를 적극 수용하고 인간 중심의 기술로 만들 수 있을지 고민하는 가운데 우리의 위치·가치를 찾을 수 있다.
- "컴퓨터공학부는 코딩을 가르치는 학과가 아니라, 복잡한 문제를 추상화해 해결 가능한 방식으로 변환하는 문제 해결 방식을 가르쳐온 학과" — 앞으로도 충분히 역할이 있으니 컴공이든 타 전공이든 학생들이 너무 불안해하지 않았으면 좋겠다.
- 진행자 정리: 코딩을 덜 하면 컴공 가치가 손상되나 싶었지만, 이 학과의 가치는 사고의 틀·체계를 기르고 다른 곳에 적용하는 연습이므로 오히려 앞으로 더 중요한 학과가 될 수도 있다.
📌 최종 요약 정리
- 서울대 이재욱 교수는 "프로그램 코드 작성은 거의 100% 자동화될 수 있지만, 무엇을 만들지 정의하는 일은 인간의 영역"이라며, AI를 다루는 건 엔지니어링 경험이 있어야 잘하는 '매니저' 역할과 같다고 본다.
- 바이브 코딩은 프로토타입엔 강력하나 95%·99% 동작으로는 부족한 프로덕션(특히 금융·보안)에서 한계가 있고, 모델 발전 속도를 사람이 못 따라가 파워 유저와 평균 유저의 생산성 격차(케이퍼빌리티 오버행)가 벌어진다.
- 교육의 핵심 우려는 학생이 문제와 답 사이의 '미들맨'으로 전락해 학습이 사라지는 것 — 해법은 기본 개념의 체화(시험·퀴즈)와 문제 정의·비평·설계 훈련, 그리고 AI 네이티브 커리큘럼이다.
- 결론: 코딩 능력의 가치는 줄어도 컴공은 알고리즘적·데이터적 사고와 문제 추상화·정의·좋은 솔루션을 판별하는 안목(테이스트)을 기르는 학문이라 오히려 더 중요해질 수 있고, AI는 모두에게 새로운 '그레이트 이퀄라이저'이니 과도하게 불안해하지 말고 적극 활용하라는 것.
전체 대본(타임스탬프 포함) 원문이 필요하면 말해줘 — 그대로 붙여줄게.