스탠포드대 컴공과 교수: AI가 코딩하는 시대, 왜 배워야 할까

URL: https://www.youtube.com/watch?v=_qYUwrJ_XHo
날짜: 2026-08-24
채널: EO Korea

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI가 코드를 쓰고 확률을 계산하고 글까지 쓰는 시대에도, 다음 세대가 프로그래밍과 기초 학문을 배워야 하는 이유는 무엇인가?==

• AI가 문법과 반복 구현을 대신해도 문제를 정의하고 쪼개고 검증하는 능력은 자동으로 생기지 않는다.
• 교육은 정답을 제공하는 일이 아니라 학생의 동기, 호기심, 자기 인식과 성장 의지를 만드는 일이다.
• 미래 직업을 정확히 예측하려 하기보다 기초 개념을 바탕으로 인간의 문제와 컴퓨터의 능력을 연결하는 연습이 중요하다.

Chris Piech는 AI를 교육과 프로그래밍에서 배제하자는 주장을 하지 않는다. 오히려 AI를 충분히 활용하되, 사람이 직접 생각하고 문제를 해결하며 성장하는 능력을 외주화하지 말아야 한다고 말한다. AI가 코딩의 진입 장벽을 낮춘 지금은 더 많은 사람이 실제 제품과 회사를 만들 수 있는 기회가 열렸다. 따라서 교육의 초점은 모든 문법을 암기하는 데서 문제 해결, 기초 개념, 좋은 문제를 고르는 감각, 사람에게 필요한 것을 만드는 판단으로 이동해야 한다.

1. AI 시대에 다시 묻는 “왜 배워야 하는가”

1.1. 강연자의 배경과 Code in Place

1. Stanford에서 가르치는 내용

   1. Chris Piech는 Stanford University 교수이며 대규모 컴퓨터과학 입문 수업과 AI를 위한 수학 입문 수업을 가르친다.
   2. 그가 소개한 온라인 강좌 Code in Place는 Python을 사용해 프로그래밍을 배우는 수업이다.
   3. 수업에는 약 17,000명의 학생과 1,000명이 넘는 교사가 참여한다. 학생 10명당 교사 한 명 정도가 배정되는 구조다.

2. AI 코딩 도구 전후의 관찰

   1. 수업은 약 6년 동안 운영됐고, Cursor와 Claude Code 같은 도구가 등장하기 전과 후의 변화를 관찰할 수 있었다.
   2. 가장 눈에 띈 변화는 등록 학생 수가 사실상 두 배로 늘었다는 점이다. AI가 코딩을 대신하기 시작했는데도 코딩을 배우려는 사람은 줄지 않았다.
   3. 이는 코딩 교육의 가치가 코드를 손으로 입력하는 행위에만 있지 않다는 신호다.

1.2. 프로그래밍·확률·글쓰기를 여전히 배워야 하는 이유

1. AI가 할 수 있다는 사실이 학습의 종말을 뜻하지 않는다

   1. AI는 코드를 작성하고 확률을 계산하며 글을 쓸 수 있다. 그래서 프로그래밍, 확률, 글쓰기를 배울 필요가 없다는 결론에 도달하기 쉽다.
   2. 그러나 Piech는 다음 세대가 더 똑똑해질 가능성을 포기하지 말아야 한다고 말한다. 논증을 형식화하고 확률적 추론을 이해하며 프로그램을 설계하는 능력은 AI를 사용하는 사람의 판단력을 높인다.
   3. AI가 어떤 작업을 수행할 수 있다는 것과 사람이 그 작업의 의미·한계·품질을 판단할 수 있다는 것은 다른 문제다.

2. 학생이 마주한 불확실성

   1. 2026년에 AI로 무엇을 할 수 있을지뿐 아니라, 지금 4년제 프로그램을 시작한 학생이 AI가 4년 더 발전한 2030년에 어떤 직업을 갖게 될지도 고민해야 한다.
   2. 음악을 전공하는 학생은 AI로 음악 작업을 외주화해 얻는 효율과, 그 과정에서 직접 음악을 만드는 능력을 잃을 위험 사이에서 판단해야 한다.
   3. 같은 질문은 에세이와 소프트웨어에도 적용된다. AI가 글과 코드의 대부분을 대신하면 어느 순간 자신의 글쓰기와 아키텍처 설계 능력이 약해질 수 있는가가 핵심 질문이다.

2. 강연자의 학습 경험과 인간 교사의 역할

2.1. 호기심에서 교수로 이어진 경로

1. 개인적 배경

   1. Piech는 케냐 나이로비에서 태어나 12살에 말레이시아 쿠알라룸푸르로 이주했고, 대학 진학을 위해 미국으로 왔다.
   2. 처음부터 교수가 되려 한 것은 아니며, 배우는 것을 좋아하고 흥미로운 문제를 탐구하는 호기심 많은 사람이었다.

2. 첫 프로그래밍 경험

   1. Stanford에 왔을 때 코딩을 조금 해봤지만 프로그래밍을 제대로 알지는 못했다. 선택 과목이 필요해 프로그래밍 수업을 들었다.
   2. 담당 교사들은 수업 첫 2주 동안 배운 것으로 가장 멋진 것을 만들어 보라는 과제를 냈다.
   3. 그는 이 과제에 매료돼 정규 수업 외에 40시간을 더 투자했다. 이 경험은 프로그래밍을 배우는 일이 문법 습득보다 호기심과 창작의 경험이 될 수 있음을 보여준다.

2.2. Carol 로봇과 Code in Place의 설계

1. 구체적인 세계를 통해 배우기

   1. 수업에서는 Python을 사용해 Carol이라는 로봇을 움직인다.
   2. Carol은 북·서·남·동으로 나뉜 격자 세계에서 방향을 인식하고 왼쪽·오른쪽으로 회전한다.
   3. 추상적인 문법을 바로 설명하기보다 로봇이 실제로 움직이는 결과를 보여주면 학생은 명령, 상태, 순서, 오류를 구체적으로 이해할 수 있다.

2. 사람이 사람을 가르치는 구조

   1. Code in Place는 온라인 강의 영상만 제공하는 과정이 아니다. 학생보다 조금 더 나이가 많고 경험이 많은 섹션 리더가 시간을 내어 학생의 성장을 돕는다.
   2. Piech가 팬데믹 초기에 Stanford의 입문 수업을 온라인으로 전환할 때 가장 아쉬워한 것도 이 인간적 교육 경험이었다.
   3. Stanford 학생이 받는 교육의 특별함을 영상만으로 재현할 수 없다고 판단해, 대규모 온라인 수업에도 섹션 리더를 연결하는 방식을 만들었다.

3. AI 튜터보다 중요한 동기와 인간적 연결

3.1. 6년간의 AI 교육 실험

1. 챗봇을 제공하면 생기는 역효과

   1. 지난 6년 동안 학생들에게 서로 다른 수준의 AI 지원을 제공하는 실험을 반복했다.
   2. 챗봇을 주고 그것으로 학습하라고 하면 예상과 달리 중도 포기하는 학생이 늘었다.
   3. AI가 학습 과정에서 부적절한 시점에 등장하면 학생은 스스로 생각하고 문제를 풀 동기를 잃을 수 있다.

2. AI를 미묘하게 사용하는 방법

   1. 실험의 결론은 AI를 쓰지 말라는 것이 아니다. 학습자가 실제로 배우는 데 도움이 되도록 AI를 아주 미묘한 방식으로 배치해야 한다는 것이다.
   2. AI가 정답을 즉시 내놓으면 학습자는 어려운 구간을 통과하는 경험과 자기 효능감을 얻지 못한다.
   3. 반대로 적절한 힌트, 피드백, 다음 도전 과제 추천처럼 학습자의 사고를 남겨두는 지원은 동기를 보존할 수 있다.

3.2. 사람이 연결되면 수료율이 올라간다

1. 10%포인트의 차이

   1. 학생이 코딩을 하는 도중 교사가 온라인에 접속해 있고 10분 동안 대화할 수 있다는 팝업을 보여주는 실험이 있었다.
   2. 학생이 대화를 선택하면 과정 완료 확률이 10%포인트 올라갔다.
   3. 대화 내용을 분석했을 때 AI가 항상 틀리고 사람이 항상 맞았던 것은 아니다. 어떤 경우에는 AI의 답이 더 정확했다.

2. 정확성 밖에 있는 인간적 가치

   1. 인간적 교감은 단순한 정답 정확도와 다른 방식으로 동기를 만든다.
   2. 교육의 핵심은 지식을 전달하는 것만이 아니라 학생이 스스로 생각하도록 설득하는 것이다.
   3. “당신이 똑똑한 사람이 되기를 바라며, AI 때문에 그 성장을 포기하게 두지 않겠다”는 교사의 태도 자체가 학습을 지속하게 만드는 힘이 된다.

3.3. 영감은 명확성보다 개인 맥락에 가깝다

1. 챗봇이 잘하는 것과 못하는 것

   1. 챗봇은 질문에 답하고 설명을 명확하게 만드는 데 유용하다.
   2. 그러나 교육자가 학생에게 맞는 순간에 예상 밖의 예시나 도전을 던져 호기심을 폭발시키는 일은 아직 다르다.
   3. Piech는 학생이 사무실에 들어와 확률에 관한 멋진 것을 보고 싶냐고 묻는 상황을 예로 든다. 학생은 원래 그런 질문을 하러 온 것이 아니지만, 좋은 만남 뒤에는 하루 종일 그 문제를 생각할 수 있다.

2. 교사가 가진 관계적 정보

   1. 교사는 학생이 지금 어디에 있고 어디로 가고 싶은지, 어떤 예시와 난이도가 적합한지에 대한 배경지식을 갖고 있다.
   2. 그 정보로 학생이 생각을 뒤흔들고 몰입할 만한 도전을 선택한다.
   3. AI 튜터가 명확성 문제를 해결하는 데만 집중하면, 학습자를 움직이는 더 큰 퍼즐인 영감과 목적을 놓칠 수 있다.

4. 미래 직업을 예측하기보다 기초와 적응력을 쌓기

4.1. 5~10년 뒤의 직업은 자주 틀리게 예측된다

1. 자율주행차 사례

   1. Piech의 박사 과정 시절인 2011~2012년 무렵, 동료가 자율주행차의 중요한 이정표를 만들고 있었다.
   2. 당시에는 택시 운전사와 트럭 운전사의 일자리가 곧 사라질 것처럼 보였다.
   3. 하지만 트럭 운전사라는 직업은 이후에도 건전한 속도로 성장했다. 자율주행의 장기적 도착 시점은 여전히 불확실하다.

2. 현실 세계의 1%

   1. 값비싼 화물을 운송할 때는 책임감 있는 사람이 필요하고, 장기간 축적된 경험이 의사결정에 영향을 준다.
   2. 고속도로에서 벌어지는 일의 99%는 비슷할 수 있지만, 나머지 1%는 매번 다르다.
   3. AI가 언젠가 완전 자율주행을 가능하게 할 수는 있어도, 사람들은 그 시점에 도달하는 속도를 과대평가해 왔다.

4.2. AI를 많이 쓸수록 아키텍처를 알아야 한다

1. 프로토타입과 실제 사용의 차이

   1. Piech는 자신이 프로그래밍과 아키텍처를 어느 정도 알기 때문에 AI를 활용한 프로그래밍을 많이 한다고 말한다.
   2. 아키텍처를 잘 모르는 상태에서 AI가 내린 결정을 그대로 받아들이면 초기 프로토타입은 작동할 수 있다.
   3. 하지만 5주 뒤 실제 학생들이 사용하기 시작했을 때 이상한 버그가 나타나면, 구조를 이해하지 못한 사람은 학생을 도울 수 없다.

2. 외주화의 한계

   1. AI가 코드와 에세이를 대신하는 것 자체가 문제라기보다, 사람이 중요한 부분을 이해하고 담당할 능력을 잃는 시점이 문제다.
   2. AI를 사용하면서도 자신이 AI와 함께 성장하는지, 아니면 성장의 기회를 넘겨주고 있는지 계속 점검해야 한다.
   3. AI 사용에는 생산성뿐 아니라 결과에 대한 책임이 따른다.

5. 프로그래밍 교육의 중심은 문법에서 문제 해결로 이동한다

5.1. 프로그래밍을 구성하는 두 층위

1. 구문 학습

   1. 컴퓨터에게 명령을 내리는 문법과 언어의 사용법을 배우는 층위다.
   2. AI는 이 부분에서 빠르게 능숙해지고 있으므로 모든 명령어를 암기하는 것의 상대적 가치는 낮아질 수 있다.

2. 문제 해결 학습

   1. 큰 문제를 작은 부분으로 나누고, 데이터가 알고리즘과 소통할 수 있도록 시스템을 만들며, 알고리즘의 작동 방식을 생각하는 능력이다.
   2. 이 능력은 AI가 코드를 생성해도 자동으로 사람에게 생기지 않는다.
   3. 프로그래밍은 논리가 틀렸거나 코드가 작동하지 않을 때 즉시 결과를 확인할 수 있어 문제 해결을 연습하기에 특히 좋다.

5.2. 빠른 피드백 루프와 실제 문제

1. 코딩의 교육적 장점

   1. 코드는 실행 결과가 즉시 드러난다. 잘못된 논리를 빠르게 발견하고 수정할 수 있다.
   2. 현실의 문제는 피드백 주기가 길다. 결정을 잘못했는지 몇 달 뒤에야 알 수도 있고, 그때는 어떤 판단이 원인이었는지 분리하기 어렵다.
   3. 따라서 코딩은 단순히 소프트웨어를 만드는 기술이 아니라, 가설을 세우고 실행하고 결과를 보고 개선하는 훈련장이 된다.

2. AI를 학습 도구로 활용하는 방식

   1. 젊은 엔지니어라면 Claude Code 같은 도구로 프로토타입을 많이 만들되, “이것을 만드는 데 중요한 모든 단계를 가르쳐 달라”고 요구할 수 있다.
   2. AI에게 결과를 전부 맡기는 대신 반복 과정에서 개념과 구조를 추출해야 한다.
   3. 직접 만드는 시간과 AI에게 맡기는 시간을 구분하고, 위임한 부분을 다시 설명할 수 있는지 확인해야 한다.

6. 낮아진 진입 장벽과 문제를 고르는 예술

6.1. 누구나 만들 수 있게 된 기회

1. 18세의 스타트업 가능성

   1. AI로 인해 진입 장벽이 낮아져 12학년, 즉 18세 학생도 친구와 함께 인상적인 코드베이스와 스타트업을 만들 수 있다.
   2. 이전에는 구현 자체가 아이디어를 검증하기 전에 가장 큰 장벽이었다.
   3. 이제는 구현보다 어떤 문제를 풀어야 하는지, 누가 실제로 필요로 하는지, 어떤 기능이 문제를 해결하는지를 판단하는 일이 더 중요해진다.

2. 컴퓨터와 사람 사이의 연결

   1. 컴퓨터가 할 수 있는 것과 인간이 실제로 필요로 하는 것 사이의 연결고리를 찾는 능력은 고차원적인 기술이다.
   2. 이를 위해서는 사용자 관찰, 문제 정의, 요구사항 해석, 제품 감각이 필요하다.
   3. Piech는 자신이 주니어 엔지니어라면 지금 당장 이 능력을 연마하기 시작하겠다고 말한다.

6.2. 좋은 엔지니어의 정의

1. 코드를 많이 아는 사람을 넘어

   1. 최고의 엔지니어가 모든 코드를 암기한 사람일 필요는 없다.
   2. 현실 세계의 인간적 문제를 앱, 데이터 과학, 연구의 세계와 연결하는 사람이 더 뛰어난 엔지니어일 수 있다.

2. 만들고 반복하기

   1. 사람들이 실제로 사용하고 좋아하는 것을 만들어야 한다.
   2. 반복적인 제작 과정에서 코딩 실력과 문제 해결 능력을 동시에 발전시킬 수 있다.
   3. AI는 제작 속도를 높여 이 반복 횟수를 늘려 주지만, 무엇을 만들고 누구를 위해 만들지는 여전히 사람의 몫이다.

7. 기초를 포기하지 않는다는 공리

7.1. 기초 개념과 계산 능력을 구분하기

1. 지식은 층층이 쌓인다

   1. 확률론과 컴퓨터과학을 포함한 모든 분야에는 기초 개념이 있고 그 위에 복잡한 내용이 쌓인다.
   2. 다음 세대가 우리보다 똑똑해지기를 바란다면 기초를 건너뛸 수 없다.

2. 계산기는 곱셈의 개념을 없애지 않는다

   1. 계산기를 오래 사용해도 아이들은 곱셈을 배워야 한다.
   2. “곱셈이 무엇인지 이해하는 것”과 “13×7을 즉시 계산하는 것”은 관련 있지만 동일하지 않다.
   3. 도구가 계산을 대신하더라도 개념을 이해하는 능력은 남겨야 한다. 다만 교육은 어떤 계산을 손으로 반복할지보다 어떤 기초 개념을 깊이 이해할지 전략적으로 선택할 수 있다.

7.2. 다음 세대를 포기하지 않는 태도

1. AI 미래를 과도하게 걱정하지 않는 학생

   1. Piech가 만난 한 학생은 AI의 미래를 깊이 걱정하지 않았다. 그저 AI를 활용해 문제를 풀고 놀라운 것을 배우는 데 집중했다.
   2. 그 학생은 미래를 끊임없이 분석하지 않았기 때문에 오히려 잘할 수 있다고 말했다.
   3. Piech는 이 말을 통해 매일 호기심을 가지고 배우면 된다는 생각을 다시 확인했다.

2. AI를 인류의 능력을 증폭하는 도구로 보기

   1. AI는 인류를 대체하는 결론이 아니라, 인류가 최고의 능력을 발휘하도록 돕는 도구가 될 수 있다.
   2. 환자를 진심으로 생각하는 의사는 더 빠르고 정확하게 진료할 수 있고, 학생을 아끼는 교사는 더 깊고 많은 교육을 제공할 수 있다.
   3. 전제는 사람의 자기 인식, 비판적 사고, 성장 의지가 먼저 존재해야 한다는 것이다.

8. 결론: 어제보다 더 똑똑해지는 방향으로

8.1. 자기 인식과 희망

1. 성장을 외주화하지 않기

   1. 지금 가장 중요한 것은 자신이 무엇을 이해하고 무엇을 모르는지 아는 자기 인식이다.
   2. AI가 코드를 만들어도 구조를 설명할 수 있어야 하고, AI가 글을 써도 자신의 생각을 논증할 수 있어야 한다.
   3. AI와 함께 성장하고 있는지, 아니면 AI가 성장의 기회를 대신하고 있는지 지속적으로 물어야 한다.

2. 다음 세대에 대한 믿음

   1. Piech는 아이들이 멋진 세상에서 살 것이며, 적응하고 문제를 해결하고 호기심과 사고력을 키울 것이라고 말한다.
   2. 교육자는 다음 세대가 똑똑해질 것이라는 전제에서 시작해야 한다.
   3. “Chris는 당신을 포기하지 않을 것이니, 당신도 스스로를 포기하지 말라”는 메시지가 강연의 정서적 결론이다.

8.2. 실천으로 옮기는 방법

1. AI로 작은 프로토타입을 만들되, AI가 수행한 핵심 단계를 자신의 언어로 다시 설명한다.
2. 문법 암기보다 문제를 정의하고 분해하고 검증하는 연습에 시간을 쓴다.
3. 초기 결과가 작동하는지뿐 아니라 5주 뒤 실제 사용 환경에서도 유지될 아키텍처인지 확인한다.
4. 사람들이 실제로 사용하고 좋아하는 것을 만들며 사용자 문제와 컴퓨터의 능력을 연결한다.
5. 매일 어제보다 더 똑똑해진다는 공리를 받아들이고, 불확실한 미래의 정확한 예측보다 호기심과 반복을 선택한다.

주요 발언 모음

“AI 때문에 당신이 똑똑한 사람이 되는 것을 포기하게 두지 않겠다.”

“기초를 건너뛸 수는 없지만, 어디에 집중할지는 더 전략적으로 접근할 수 있다.”

“최고의 엔지니어는 모든 코드를 아는 사람이 아니라 현실 세계의 인간적인 문제를 앱, 데이터 과학, 연구의 세계와 연결하는 사람일 수 있다.”

“무언가를 만드세요. 사람들이 사용하는 것, 사람들이 좋아하는 것을 만드세요.”

핵심 데이터 & 수치

• 약 17,000명: Code in Place에 참여하는 학생 규모.
• 1,000명 이상: 학생의 학습을 돕는 교사와 섹션 리더 규모.
• 학생 10명당 교사 1명: 인간적 연결을 대규모 온라인 수업에 넣은 운영 구조.
• 약 6년: Code in Place와 AI 학습 지원을 관찰하고 실험한 기간.
• 등록 학생 수 사실상 2배: AI 코딩 도구 등장 전후에 관찰된 변화.
• 10%포인트: 교사와 10분 대화를 선택한 학생의 과정 완료 확률 상승 폭.
• 40시간: 강연자가 첫 프로그래밍 과제에 정규 수업 외로 추가 투자한 시간.
• 2011~2012년: 자율주행차가 운전 직업을 곧 대체할 것이라는 전망이 강했던 시기.
• 99%와 1%: 반복적인 상황과 예외적인 현실 상황의 차이를 설명하는 비유.
• 2030년: 현재 학생들이 4년 뒤 AI와 직업의 관계를 걱정하는 기준점.

결론 및 시사점

1. AI가 구문과 반복 구현을 대신할수록 프로그래밍 교육의 핵심은 문제 분해, 시스템 설계, 검증 가능한 사고로 이동한다.
2. 교육의 성공은 AI가 정답을 맞히는지보다 학습자가 계속 생각하고 시도하고 성장하는지로 판단해야 한다.
3. 인간 교사의 강점은 지식 전달만이 아니라 학생의 맥락을 읽고 영감과 도전을 맞춤형으로 제공하는 데 있다.
4. 미래 직업을 정확히 예측하려는 노력보다 어떤 변화에도 적응할 수 있는 기초 개념과 문제 해결 능력이 오래 간다.
5. AI는 구현의 진입 장벽을 낮추지만 좋은 문제를 선택하고 사람의 필요를 이해하는 능력까지 자동화하지 않는다.
6. AI를 사용할 때마다 “내가 더 빠르게 만들고 있는가?”와 함께 “내가 더 잘 이해하고 있는가?”를 물어야 한다.
7. 다음 세대를 포기하지 않는다는 태도는 낙관적 구호가 아니라 기초 교육, 인간적 연결, 반복적인 제작을 계속 설계하겠다는 운영 원칙이다.