출처 https://www.youtube.com/watch?v=i0NcKL1JLfg · 채널 서울대학교 Seoul National University (샤로잡다 시즌2) · 길이 19:49 진행 최정훈 · 출연 이재욱 (서울대 컴퓨터공학부 교수 · AI 연구원장, AI 인프라스트럭처 연구) 원본 자막: 2026-07-23-snu-lee-jaewook-cs-ai-era (raw/transcripts) · 자막 형식: ko 자동생성 스크린샷_CONTACT 시트:
../assets/youtube/snu-lee-jaewook-cs-ai-era/contact_sheet.jpg
한눈에 보는 요약
- 연구자의 일상이 “쓰기”에서 “읽고 비판하기”로 바뀌었다. 아이디어를 코드·논문·슬라이드로 구현하는 일은 AI가 대신하고, 사람의 시간은 “이게 좋은지 나쁜지 판별하는 데”로 이동했다. 비판적 읽기能力의 비중이 예전보다 훨씬 커졌다.
- “프램 코드”는 100% 자동화되지만 “무엇을 구현할지 정의하기”는 인간 영역으로 남는다. AI를 부리는 일은 매니저倡 일과 비슷한데, 엔지니어링 경험 없이 좋은 엔지니어링 매니저가 되기는 어렵다. 방향·역할·문제 분할은 여전히 사람이 해야 한다.
- 바이브 코딩의 함정: 95% 작동=실패. 99% 정확도도 1백만 사용자 중 1%가 잘못된 결과를 받는 스케일이면 큰 이슈이고, 금융·보안에선 99%조차 허술한 기준이다. 자기 코딩 능력을 과대평가하는 위험이 따른다.
- “케이퍼빌리티 오버행위”가 생긴다. AI는 빨리 발전하는데 인간의 숙련도는 느리고, 파워유저와 평균 유저 사이 생산성 격차가 벌어진다. 잘 쓴다는 것은 “AI가 할 수 있는 범주”와 “AI의 한계”를 동시에 아는 것.
- 교육의 위기: 학생이 “중간 배달원”이 됐다. 교수가 문제를 내면 학생이 AI에 넣고 AI가 푸는 구도. 유의미한 학습은 일어나지 않는다. 대안은 ① 계산기가 있어도 사칙연산을 가르치는 “지식 임계점” 확보, ② 정답 없는 미니멀 제약의 설계 과제로 문제 정의 훈련.
- 컴공의 본질은 코딩이 아니라 ‘추상화·계산적 사고·데이터 기반 사고’다. 복잡한 문제를 단순 스텝으로 쪼개고, 데이터에서 인사이트를 뽑아내는 사고 방식은 AI 발전과 무관하게 계속 유용하다.
- 현실은 제본스 역설과 자동화 양극단의 중간. 전체 파이가 커지는 한편, 초급 개발자 진입은 지금 실제로 어려워지고 있어 사회적 고민이 필요하다.
- 20살로 돌려보내도 컴공에 가겠다. AI 변화는 모두에게 “새로우므로” 경험 많은 자나 주니어나 같은 출발선이고, 좋은 아이디어 하나로 혁신을 이끌 공간이 예전 어느 때보다 넓은 “익사이팅한 시간”이기 때문.
- 외부인 훈련법: “기본적으로 모든 문제는 AI로 풀 수 있다”고 가정하고 작은 프로젝트부터 여러 번 돌려보라. AI의 잘하는 것·못하는 것 감이 생기고, 내 문제를 AI로 푸는 감이 붙는다.
- 메디슨 황 디렉터의 “그레이 이퀄라이저”: 모두에게 새로운 만큼 출발선을 평탄화한다. 변화를 적극 수용하되 “인간 중심의 기술”로 만드는 것을 고민하면 그 안에서 우리의 가치를 찾을 수 있다.
핵심 한 줄: AI 시대의 컴공은 코딩을 가르치는 곳이 아니라 복잡한 문제를 추상화해 해결 가능한 형태로 변환하는 사고를 가르치는 곳이고, 그 능력은 전공과 무관하게 모두에게 평탄화된 새 출발선이 되었다.
장면별 상세 설명
[00:30] 1. 인트로 — 가장 먼저 “개발자”가 대체될 거라는 통념
진행자 최정훈이 영상의 무거운 출발점을 던진다. AI가 코드를 대신 짜 주는 수준을 넘어 인간 개입 없이 “뚝딱뚝딱 모를 만들기”도 하고, 일각에서는 “최고의 코딩 언어는 영어다”라는 말까지 나오는 지점. 컴퓨터 프로그래밍·컴퓨터 공학이 가장 큰 영향을 받은 분야라는 진단 위에서 인터뷰가 시작된다.
[01:20] 2. 이재욱 교수 자기소개 — AI 인프라 연구자
이재욱은 서울대 컴퓨터공학부 교수이자 AI 연구원장이며, AI 연구 중에서도 인프라스트럭처 쪽을 주로 한다. 스스로 코드를 직접 쓰는 연구자라 AI가 가져온 변화를 직접 체감하는 입장이다.
[02:40] 3. 일의 비중이 “쓰기”에서 “읽고 비판하기”로
교수가 가장 먼저 꺼낸 변화는 연구자의 시간 배분이다. 예전엔 논문·코드·슬라이드를 “쓰는 데” 대부분 에너지를 썼는데, 요즘은 읽고 비판하는 데 비중이 훨씬 더 높아졌다. 아이디어를 만들어내는 일은 상당히 쉬워졌기 때문. 그래서 비판적 일기·평가의 능력이 예전보다 훨씬 더 중요해졌단 관찰이다.
[03:50] 4. “프램 코드는 100% 자동화”, 인간은 문제 정의 영역
진행자의 “인간이 코딩을 직접 할 일이 없어진다”는 명제에, 교수는 동의를 건넨다. 프램 코드(frame code) 작성 부분은 100%에 가깝게 자동화될 것. 다만 “무엇을 코드로 구현할지 정의하는 부분”은 인간 영역으로 남는다. AI를 부리는 일은 매니저처럼 일하는 것과 비슷한데, 엔지니어링 경험 없이 좋은 엔지니어링 매니저가 되기는 어렵다. 역할을 나누고, 풀 문제를 정의하는 일은 여전히 사람이 한다.
[04:55] 5. 바이브 코딩의 빛과 그림자 — 광진구청 사례
바이브 코딩의 유용한 사례로 광진구청 공무원 한 분이 나온다. 행정 업무의 규정이 복잡해 본인이 찾아보기 힘들자, AI로 법률을 비교해 답을 주는 작은 챗봇 같은 시스템을 만들었다. 현업까지 영향을 미친 긍정 사례다. 다만 교수는 즉시 경고한다. 프로덕션 수준의 완성도로 95%만 동작해도, 5%가 제대로 동작하지 않으면 그건 “제대로 동작하지 않는 것과 마찬가지”다.
[05:35] 6. 99% 정확도도 십만 명에게는 큰 오류
교수가 스케일의 직관을 보여준다. 99% 동작은 “들었을 때 높은 숫자”지만, 잘못 동작하는 1% 시나리오가 있을 때 15명 사용 = 1,000만 명이 잘못된 결과를 받는 것과 같다. 특히 금융·보안 문제로 넘어가면 99%도 굉장히 허술한 기준이 된다. 바이브 코딩으로 “내가 뭔가를 만들어냈다”는 자기 능력을 과대평가하는 것이 또 하나의 위험.
[06:30] 7. “케이퍼빌리티 오버hang위” — 파워유저·평균 사용자 격차
최근 통계의 개념 하나를 소개한다. 케이퍼빌리티 오버행위(Capability Overhang): AI의 모델 성숙도는 매우 빠르게 발전하지만, 인간 사용자의 숙련도 발전 속도는 평균적으로 훨씬 느리다. 결과적으로 AI를 잘 쓰는 파워유저와 평균 사용자 간 생산성 격차가 크게 벌어진다. 잘 쓴다는 건 두 가지를 동시에 아는 것: ① AI로 할 수 있는 작업 범주, ② AI가 할 수 없는 한계. 이 갭은 점점 더 커지는 추세다.
[07:35] 8. 학생이 “중간 배달원”이 되는 위기
4년 전과 지금의 과제 수행 방식이 완전히 달라졌다. 텍스트북 기반 문제는 인터넷에 데이터가 많아 AI가 100% 정확도로 풀어버린다. 교수가 가장 우려하는 것은 학생이 미들맨 역할로 전락하는 것. 교수가 문제를 내면 학생이 AI에 넣고, AI가 풀면 학생은 그저 중간 배달원이다. 그 사이에는 유의미한 학습이 일어나지 않는다. 학습이 일어나려면 학생이 문제를 정의하거나 직접 푸는 쪽 둘 중 하나에 서야 한다.
[08:35] 9. 계산기가 있어도 사칙연산을 가르치는 이유 — “지식의 임계점”
교수가 비유를 꺼낸다. 계산기가 있다고 해서 사칙연산·곱셈을 안 가르치진 않는다. 그것을 알아야만 결과가 나왔을 때 그 의미를 해석하고 평가하는 기준 지식이 생기기 때문이다. 이 “지식의 임계점”을 넘기 위한 기본 개념 교육은 퀴즈·시험 같은 전통 도구로 계속 간다. 다른 한 방향은 거꾸로 학생을 문제 정의 쪽으로 옮기는 것. 미니멀한 제약만 주고 “어떻게 설계해 볼래?”를 던지는 정답 없는 설계 과제로, 학생이 스스로 문제를 정의하도록 훈련한다.
[09:35] 10. 컴공 본질 — “추상화·계산적 사고·데이터 기반 사고”
“그럼 컴공 왜 가야 되나요?”라는 직구 질문에 교수는 컴퓨터공학의 본질부터 다시 정의한다. 컴공은 “부딪히는 다양한 문제들에 대한 계산적인 해법을 구하는 학문”이다. 컴퓨터라는 툴로 문제를 효율적·효과적으로 풀 수 있게 변환하는 사고 방식을 배우는 전공. 핵심 요소 두 가지는 다음이다.
- 알고리듬적(계산적) 사고: 복잡한 작업을 더 단순한 스텝들의 조합으로 풀어내는 것
- 데이터 기반 사고: 데이터의 분포에서 인사이트를 뽑아내는 것
이런 소양에 대한 니즈는 AI가 발전해도 계속 유용할 거라 판단해서, 컴공은 앞으로도 유용할 거라고.
[11:20] 11. 제본스 역설 vs 전면 자동화 — 현실은 “그 중간쯤”
학생들의 취업 불안에 대해 두 관점을 정리한다. 하나는 제본스 역설(Jevons Paradox) — AI로 코딩이 쉬워지면 전체 산업 파이가 커져서 오히려 수요가 늘어난다는 쪽. 다른 하나는 AI가 모든 코딩을 자동화해서 수요가 없어진다는 쪽. 교수는 현실은 그 중간쯤이라고 본다. 은행에 ATM이 들어오자 “은행원이 다 직장을 잃을 것”이라던 시절과 비슷하다. 실제로는 창구 직원들이 컨설팅·전략·투자 쪽으로 새 직역을 만들어냈다. AI가 가져올 혁신도 파이가 커지는 방향의 역할이 분명히 있을 것. 다만 초급 개발자의 진입이 어려워지는 건 지금 실제로 겪고 있는 현실이고, 사회적으로 함께 풀어야 할 문제라는 점은 인정한다.
[12:35] 12. 20살로 돌려보내도 컴공에 간다 — “공평한 출발선”
진행자가 “20살 26학번으로 돌려보내 주면 가시겠어요?”라고 직구 질문을 던진다. 교수는 “그렇게 할 거 같다”고 답한다. 이유는 지금이 모두에게 공평한 상황이기 때문. AI가 가져온 변화는 모두에게 새롭다 — 수십년 경험자나 주니어나 이 기술은 “새로운 것”이 똑같다. 좋은 아이디어 하나로 혁신을 이끌 수 있는 공간이 예전 어느 때보다 넓어서 “굉장히 익사이팅한 시간”이 될 수 있다.
[13:35] 13. 코드 잘 쓰는 능력은 가치가 줄었지만 “체화”는 여전히 중요
현역 개발자의 커리어 질문에 교수는 두 가지를 짚는다. 첫째, 소프트웨어·하드웨어를 직접 구현해보는 훈련은 여전히 중요하다. 가장 훌륭한 엔지니어링 매니저는 대부분 본인이 많은 엔지니어링 경험을 갖춘 사람들이었다. AI 시대에는 일을 잘게 쪼개 AI 툴에 위임하게 되는데, 코딩 감 없이는 그 위임조차 제대로 못 한다. 핵심 개념·기술을 체화하는 과정은 여전히 중요하다.
둘째로 더 중요해지는 것은 문제를 정의하고 좋은 솔루션을 판별하는 안목이다. 그 안목은 많이 만들어 보고, 많이 버려 보는 과정에서 생긴다. “이거 좋지 않은 솔루션이었어”를 반복하며 테이스트가 생기는 것.
[14:55] 14. “AI 네이티브” 커리큘럼 — 설계·릴리즈·비평 훈련
컴공 커리큘럼은 AI 네이티브한 방향으로 개편돼야 한다. 모든 과목에서 AI를 기본적으로 쓴다고 가정하고 새로 짜야 한다. AI를 쓰면 훨씬 더 높은 수준의 과제를 할 수 있으니, 문제 정의·설계부터 릴리즈까지의 경험을 더 많이 넣는 것이 방향. 또 하나는 비평 훈련이다 — 코드나 디자인을 보고 “어떤 부분에서 좋은지/나쁜지”를 크리틱해 보는 연습. 모든 학생이 같은 프로젝트를 하는 대신 미니멀한 제약만 주고 창의적으로 설계할 수 있도록 바꾸자.
[16:00] 15. “기발자(기획+개발)” 그리고 도메인 문제의 힘
한 사람이 기획부터 개발까지 다 할 수 있게 된 시대를 나타내는 재밌는 단어로 **“기발자(기획자 + 개발자)“**가 나왔고, 방향은 맞다고 본다. **“무엇을 풀 것인가”**가 훨씬 더 중요해졌기 때문. 공모전 입상자를 보면 공통점이 있다 — 특정 도메인의 좋은 문제를 갖고 있는 분들이 입상한다. 도메인·업종·직역에 대한 이해를 바탕으로 실질 니즈에서 문제를 정의하고 푸는 능력. 커리큘럼도 “기획자가 만들어낸 문제를 푸는” 것을 넘어 문제를 발견·캡처하는 훈련으로 옮겨야 한다.
[17:25] 16. 외부인을 위한 훈련법 — “모든 문제는 AI로 풀 수 있다”고 가정하라
컴공 바깥의 분들에게 권하는 접근법은 아주 단순한 사고 실험에서 시작한다. **“기본적으로 우리가 할 수 있는 대부분의 문제는 AI로 풀 수 있다”**라고 일단 가정해 보라는 것. 그 가정 위에서 지금 가진 작은 현실적 프로젝트를 AI로 한 번 풀어본다. 이걸 여러 번 반복하면 AI가 잘하는 것·못하는 것에 대한 감이 생기고, 내 문제를 AI로 풀 수 있을지에 대한 감이 붙는다. 그 감이 지금보다 훨씬 더 많은 분들이 더 많은 문제를 AI로 풀게 해 줄 거다.
[18:30] 17. 메디슨 황의 “그레이 이퀄라이저” — 인간 중심의 기술로
마지막으로 서울대에 방문했던 메디슨 황 디렉터가 쓴 표현을 전한다 — “그레이 이퀄라이저(The Great Equalizer)”. AI 변화는 모두에게 새롭기 때문에 모두에게 같은 출발 선상을 주는 평탄화 역할을 한다는 것. 변화를 적극 수용하되 “인간에게 도움이 되는 인간 중심의 기술”로 이걸 만들 수 있을지 고민하면, 그 가운데서 우리의 위치·가치를 찾아낼 수 있다.
교수가 컴퓨터공학부를 정의 내리는 한 줄이 인터뷰의 결론: **“컴퓨터공학부는 코딩을 가르치는 학과가 아니라, 복잡한 문제를 추상화해서 해결 가능한 방식으로 변환하는 문제 해결 방식을 가르쳐 온 학과”**다. 그래서 앞으로도 그 부분에서 충분히 역할이 있고, 컴공이든 다른 분야든 학생들은 너무 불안감을 느끼지 않으면 좋겠다는 것으로 마무리.
부록 — 실전 체크리스트
- 내가 가진 현실적 작은 문제를 “AI로 풀 수 있다”고 가정하고 한 번 구현해 본다. 잘/못하는 한계를 직접 체감
- 내 작업 시간 중 “쓰기”와 “읽고 비판하기” 비중을 한 주 단위로 관찰한다. 읽기 쪽으로 늘어난다면 안목 훈련이 필요한 신호
- AI가 내놓은 결과를 스케일로 환산해 보자 — 99% 정확도가 1,000만 사용자에게 어떤 의미인지. 금융/보안 도메인이면 더 엄격한 기준으로
- 매 주 하나씩 “정답 없는 미니멀 제약의 설계 과제”를 스스로 던진다 — 문제 정의 훈련 (예: 50자 제약 설계, 1시간 제약 설계)
- 남이 만든 코드·디자인을 보고 **“어떤 부분에서 좋은지/나쁜지”**를 3줄로 비평해 본다 (체화와 안목을 동시에 기르는 훈련)
원문 인용 모음
자동생성 자막의 오탈자를 가볍게 보정한 인용입니다. 발화 흐름을 살립니다.
- [00:01] “앞으로는 인간이 코딩을 직접 손가락으로 할 일이 없어질 것이다. 이 명제에 대해서도 동의를 하시나요?”
- [01:42] “학생들이 너무 쉽게 AI 툴들을 이용해서 풀어내니까, 아, 사실 어떻게 이거를 또 새롭게 디자인해야 되는지 그런 것들에 대한 고민이 굉장히 많습니다.”
- [02:14] “예전에는 그 쓰는 부분에 굉장히 많은 에너지를 썼거든요. 근데 요즘은 대부분의 시간이 읽고 비판한다든지, 읽는 부분에 비중이 훨씬 더 높아진 거 같고요.”
- [02:46] “프램 코드를 작성하는 부분은 자동화되는 부분이 계속 늘어나고 있고 거의 100% 가까운 수준까지 자동화될 수 있지 않을까. 근데 무엇을 코드로 구현하고자 하는지 정의하는 부분은 여전히 인간의 영역으로 남아 있을 것 같고요.”
- [02:57] “AI를 데리고 일을 하는 건 마치 매니저처럼 일을 하는 거랑 비슷해요. 엔지니어링 경험이 없는 사람이 좋은 엔지니어링 매니저가 되기는 어렵다고 생각하거든요.”
- [05:25] “95% 정도 제대로 동작한다고 하더라도 5% 정도에서 제대로 동작하지 않는다고 하면, 제대로 동작하지 않는 거나 마찬가지거든요.”
- [05:36] “99% 동작한다고 할 때 만약 15명이 사용하면 천만 명이 잘못된 결과를 받아들이는 거니까, 그 스케일에서 보면 굉장히 큰 이슈일 수가 있죠. 금융이나 보안 문제가 돼 버리면 99%도 굉장히 허술한 기준이 될 수 있는 것이고.”
- [06:10] “케이퍼빌리티 오버행(Capability Overhang) — AI 모델의 성숙도는 굉장히 빠르게 발전하는데, 사용자들의 기술 개발 속도는 그거보다 평균적으로 훨씬 느리다. 잘 쓰는 파워유저와 평균적으로 쓰는 유저들 간 생산성 격차가 굉장히 벌어진다.”
- [06:44] “AI를 잘 쓴다는 건 결국, 내가 이걸로 할 수 있는 작업들의 범주가 무엇인가를 잘 아는 것. 그리고 두 번째는 이걸 할 수 없는 한계는 무엇인가. 이런 것들을 잘 아는 게 중요하거든요.”
- [07:44] “교수가 문제를 내고 문제는 AI가 푸는데, 그 사이에서 학생은 중간 배달원 역할을 하고 있는 거니까, 그런 상황에서는 유의미한 학습이 일어나지 못한다고 생각해요.”
- [08:20] “계산기가 있다고 해서 수씨름(year)이나 곱셈을 안 가르치진 않잖아요. 그런 것들을 알아야 결과가 나왔을 때 그 결과에 대한 의미를 해석·평가할 수 있는 기준 지식이 생기니까. 지식의 임계점이라고 볼까, 그런 걸 넘기기 위해선 기본 개념 교육이 필요하다.”
- [09:40] “컴퓨터공학은 부딪히는 다양한 문제들에 대한 계산적인 해법을 구하는 학문이거든요. 핵심은 두 가지 요소 — 하나는 데이터 기반의 사고, 하나는 계산적·알고리듬적 사고거든요. 복잡한 작업을 단순한 스텝들의 조합으로 풀어내는 것, 데이터의 분포에서 인사이트를 뽑아내는 것. 그런 소양에 대한 니즈는 AI가 발전해도 계속 있을 거예요.”
- [10:51] “두 관점이 공존해요. 제본스 역설 — 코딩이 쉬워지면 파이 전체가 커져서 수요가 더 생긴다. 또 하나는 AI가 모든 코딩을 자동화해서 수요가 없어진다. 현실은 그 중간쯤 어디가 아닐까.”
- [11:35] “은행에 ATM이 나왔을 때 모든 은행원이 직장을 잃을 거라 했지만, 창구 직원들은 컨설팅·전략·투자 쪽으로 새 직역을 만들어냈잖아요.”
- [12:10] “초급 개발자들의 진입이 어려워지는 건 지금 우리가 실제로 겪고 있는 현실이에요. 사회적으로 함께 풀어 봐야 될 문제인 거 같습니다.”
- [12:40] “20살로 돌려보내도 컴공에 갈 거 같아요. 지금은 모두가 굉장히 공평한 상황이라서 — AI 변화는 모두에게 새롭거든요. 좋은 아이디어 하나로 혁신을 이끌어 볼 수 있는 공간이 예전 어느 때보다 넓어서 굉장히 익사이팅한 시간일 수도 있겠다.”
- [13:41] “AI 시대에는 일을 잘게 쪼개 AI 툴에 위임하게 되는데, 코딩 감 없이는 그 위임조차 제대로 못 해요. 문제를 정의하고 좋은 솔루션을 판별하는 안목 — 그건 많이 만들고 많이 버리는 과정에서 생기는 거예요.”
- [14:54] “커리큘럼은 AI 네이티브한 방향으로 가야 해요. 모든 과목에서 AI를 기본적으로 쓴다고 가정하고 새로 만들어야 해요. 문제 정의부터 릴리즈까지 경험을 더 많이 넣고, 비평하는 훈련 — 크리틱 — 을 더 많이 해 보는 것도 중요하지 않을까.”
- [15:50] “기발자(기획자 + 개발자) — 그 방향이 맞는 거 같거든요. 무엇을 풀 것인가가 훨씬 더 중요해졌으니까.”
- [16:20] “공모전 입상자를 보면 특정 도메인의 좋은 문제를 갖고 계신 분들이 많아요. 도메인·업종·직역에 대한 이해를 바탕으로 실질 니즈에서 문제를 정의하고 푸는 능력이 중요하다고 생각됩니다.”
- [17:21] “기본적으로 ‘우리가 할 수 있는 대부분의 문제는 AI로 풀 수 있다’고 가정해 보세요. 작은 프로젝트라도 AI로 한 번 풀어보세요. 여러 번 하다 보면 AI가 잘하는 것·못하는 것에 대한 감, 내 문제를 AI로 풀 수 있을지에 대한 감이 생길 거예요.”
- [18:18] “메디슨 황 디렉터가 말씀하신 ‘그레이 이퀄라이저(The Great Equalizer)’ — 모든 사람에게 새로운 만큼 모두에게 같은 출발 선상을 주는 평탄화 역할을 한다는 것. 변화를 적극 수용하되 인간에게 도움이 되는 인간 중심의 기술로 만들 수 있을지 고민하면, 그 가운데서 우리 위치와 가치를 찾아낼 수 있지 않을까.”
- [19:01] “저희 컴퓨터공학부는 코딩을 가르치는 학과가 아니라, 복잡한 문제들을 추상화해서 해결 가능한 방식으로 변환하는 문제 해결 방식을 가르쳐온 학과라고 생각합니다. 컴공이든 다른 분야를 전공하든 너무 불안감을 느끼진 않으면 좋겠어요.”