AI가 코드를 다 써주는 시대, 스탠퍼드 교수가 6년간 실험하고 내린 결론

한 문장 요약: 이 글을 읽으면 "AI가 다 해주는 데 왜 아직도 코딩을 배워야 하는가"라는 질문에 대한 6년간의 실제 수업 데이터 기반 답과, AI를 쓸 때와 안 쓸 때의 경계를 스스로 판단할 기준을 얻을 수 있습니다.

개요

핵심 메시지 3가지

① AI를 "그냥 던져주면" 학생은脱落한다 — 정확해도 소용없다 6년간 서로 다른 'AI 투여량(dosage)'으로 실험한 결과, 챗봇만 주고 "이걸로 공부해"라고 하면 예측 가능하게 중도 이탈이 늘었다. AI 튜터가 이미 존재하지만 기대만큼의 변화를 만들지 못했다.

② 인간 교사 10분이 완료율을 10%p 올린다 "지금 온라인인 교사가 10분 쓸 수 있는데 대화할래?"라는 팝업 하나에 '예'를 누른 학생의 수업 완료 확률이 10%포인트 상승했다. 그런데 발화 내용은 AI가 더 정확했다(할루시네이션 없음). 차이는 정보가 아니라 동기부여였다.

③ AI가 잘하는 건 '구문(syntax)', 남는 건 '문제해결력' 명령어를 외우는 능력의 가치는 떨어지고, 큰 문제를 작은 조각으로 나누고 데이터와 알고리즘을 연결하는 능력의 가치는 올라간다. 기초를 건너뛰면 5주 뒤 터지는 버그를 스스로 못 고친다.

Lesson 1. 왜 지금 학생들은 동기를 잃었는가

피치가 6년간 관찰한 첫 번째 변화는 실력 저하가 아니라 동기부여 위기(motivational crisis) 였습니다.

원인은 불확실성의 시간축입니다. 2026년의 AI로 무엇을 기여할지를 생각하는 게 문제가 아니라, 4년 과정을 시작하는 학생은 2030년, AI가 4년 더 발전한 시점에 어떤 직업이 남아 있을지를 계산해야 한다는 것입니다.

여기서 그가 던지는 질문이 이 인터뷰의 출발점입니다.

"AI가 코딩을 할 수 있다면, 확률을 배워야 하나요? 글을 써야 하나요?" 틀린 답은 "아니오, 포기해야죠"다. 우리는 다음 세대가 똑똑해지는 것을 포기하지 않았다.

그리고 그는 답을 이렇게 정리합니다. 논증을 형식화하는 법도, 확률적 추론의 깊이도, 프로그래밍도 — 모두 배워야 한다. AI가 그 일을 할 수 있다면 당신의 능력은 증폭(magnified) 되기 때문이다.

Lesson 2. 6년 실험이 증명한 것 — AI 튜터 vs 인간 교사

가장 흔한 오해는 "AI 튜터가 모든 걸 해결해줄 것"이라는 믿음입니다. 피치의 표현을 빌리면 "우리는 이미 사실상 AI 튜터를 갖고 있는데, 그것이 사람들이 기대한 방식으로 바늘을 움직이지 않았다."

실험 설계와 결과

역설적인 부분

• 발화 내용을 직접 검토한 결과, AI는 정답이었다. 입문 프로그래밍 수준에서 할루시네이션이 없었다.
• 인간은 늘 정답이 아니었다.
• 그런데도 인간이 이겼다. "인간의 손길은 특별하다(human touch is special)" — 그것은 동기부여이기 때문이다.

그는 이 지점을 "교육의 왕관(crown jewel)은 언제나 동기부여였다"로 요약합니다. 같은 말이라도 "나는 당신이 똑똑한 사람이 되는 걸 포기하지 않았다. 기초를 끝내면 그때 AI로 코딩하는 법을 가르쳐주겠다"고 전달할 때 효과가 훨씬 낫다는 것입니다.

챗봇이 못 하는 두 번째 것: 영감

챗봇은 질문에 답하는 일은 잘합니다. 그러나 "생각이 터지는 걸 보여줄까?"로 시작하는 대화는 하지 못합니다. 학생이 물어보지도 않은 확률의 멋진 성질을 사무실에서 보여주면, 그 학생은 그날 하루 종일 그 문제만 생각합니다. 교사가 그걸 가능한 이유는 학생이 어디에 있고 어디로 가려는지에 대한 맥락을 갖고 있기 때문이고, 그래서 자극할 예제와 도전 과제를 정교하게 고를 수 있기 때문입니다.

피치는 이 문맥을 만들기 위해 Code in Place의 '비밀 소스'를 섹션 리더라고 부릅니다 — 자기보다 조금 더 앞서간 사람이 시간을 내어 성장을 도와주는 구조. 팬데믹 초기, 스탠퍼드 영상을 그냥 온라인에 올리는 것만으로는 스탠퍼드 학생이 받는 교육을 줄 수 없다고 판단한 지점이 여기입니다.

Lesson 3. 코딩에서 사라지는 것과 남는 것

① 배우는 것의 분리

② 코딩이 문제해결 훈련에 특별한 이유

즉각적이고 반증 가능한 피드백(immediate falsifiable feedback) 입니다. 논리가 틀리면 동작하지 않고, 그것을 바로 보고 빠르게 반복할 수 있습니다. 반면 같은 문제해결을 '삶'에 적용하면 피드백 주기가 너무 느려서 결정을 잘하는 연습 자체가 성립하지 않습니다.

③ 아웃소싱의 임계점

그가 직접 겪는 사례가 명확합니다. 그는 프로그래밍과 아키텍처를 잘 알기 때문에 AI와 함께 코딩합니다. 아키텍처를 모르면 AI가 나쁜 결정을 하기 시작하고, 그건 첫 프로토타입에서는 안 드러나다가 5주 뒤 실제 학생들이 쓰면서 이상한 버그로 터집니다. 그때 아키텍처를 이해하지 못하면 도움을 줄 수 없습니다.

"에세이를 AI에게 너무 많이 쓰게 하면, 어느 시점엔 스스로 에세이를 못 쓰게 되는 게 아닐까? 코드를 너무 많이 맡기면, 아키텍처라는 가장 가치 있는 조각은 언제 못 하게 될까?"

그래서 그의 기준선은 하나입니다. AI와 함께 나 역시 성장하고 있는가(self-aware of "am I also growing alongside the AI").

④ 실전 전략: time on task

"어떻게 고성과 엔지니어가 되나요?"라는 질문에 그의 답은 time on task — 실제로 무언가를 만드는 데 쓴 시간입니다. 그리고 '내가 만드는 것'과 'Claude Code에게 맡기는 것'을 분리해서 계산하라고 말합니다.

① Claude Code로 프로토타입을 많이 만든다
↓
② "이걸 만들 때 당신이 한 일 중 가장 중요한 게 뭐야?"라고 AI에게 설명시킨다
↓
③ 그 반복으로 '무엇을 만들 가치가 있는가'라는 개념을 체득한다

⑤ 진입장벽이 무너진 지금만 있는 기회

18살 고3학생이 친구 한 명과 함께 고품질 스타트업을, 인상적인 코드베이스를 만들 수 있는 시대입니다. 그래서 더 많은 주니어 엔지니어가 "무엇이 풀 가치가 있는 문제인가"라는 예술 영역에 진입하게 됐습니다. 컴퓨터가 할 수 있는 일과 인간이 실제로 필요한 일 사이의 인터페이스 능력은 언제나 고차원 핵심 기술이었고, 시니어가 되기를 기다리지 말고 지금 시작하라는 것이 그의 조언입니다.

Lesson 4. 다음 세대에 대한 '공리(公理)' — 계산기와 곱셈

그의 결론은 낙관이 아니라 전제 설정입니다.

"내 아이도, 당신의 아이도, 조카도 똑똑해질 것이다 — 이것을 공리로 받아들여라. 그러면 다음 질문은 '어떻게 그 지점까지 데려갈 것인가'가 된다."

어떤 과목을 보든 기초 개념이 있고 그 위에 복잡도의 층이 쌓여 있습니다. 다음 세대가 당신보다 똑똑해지길 기대한다면 기초를 건너뛰는 건 매우 어렵습니다.

기초는 건너뛸 수 없지만, 어디에 집중할지는 더 예술적으로 정할 수 있다는 것이 이 6년 실험의 교육론적 결론입니다.

속도를 과소평가한 실수 — 트럭 기사 사례

2011~2012년, 그의 현재 동료 중 한 명이 자율주행차의 초기 주요 이정표를 만들던 시기. 모두가 "택시 기사·트럭 기사는 어떻게 되나"라고 물었습니다. 그런데 실제로는 트럭 기사 직업이 매우 건강한 속도로 성장했습니다. 사람들이 과소평가한 것들:

• 가치 있는 화물에는 책임지는 사람이 필요하다
• 고속도에서는 늘 다른 일이 일어난다 — 경험의 롱테일
• 99%가 같아도, 다른 1%를 AI가 모두 정복하기는 극히 어렵다

그가 놀란 것은 도착 여부가 아니라 "거기에 얼마나 빨리 도달하는지를 우리가 터무니없이 과대평가했다"는 점입니다.

그리고 가장 단순한 학생

가장 방황하고 동기 잃은 사람들은 오히려 너무 많이 생각하는 사람들이었습니다. AI를 잘 쓰며 놀라운 성과를 내던 학생에게 "앞날에 대해 어떻게 생각하나" 물었더니 "별로 생각하지 않아요. 그게 제가 잘할 수 있는 이유예요." 피치는 하루에 열 번은 AI에 대해 생각하는 사람이라 이 말에 멈칫했고, 그날 이후 아침을 공리로 시작합니다.

"왜 내가 다음 세대의 똑똑함을 신경 쓰는지 묻지 않는다. 진리로 받아들이고, 그것을 원하고, 그것을 향해 일한다."

AI는 도구이며, 인간을 곱해준다(multiply humans). 환자를 진심으로 걱정하는 의사는 그 도구로 더 많이·더 빨리·더 정확하게 할 수 있고, 학생을 진심으로 걱정하는 교사는 학생과 더 멀리 갈 수 있습니다.

관점 포인트

• "AI가 정답을 말해주는가"는 잘못된 평가 기준입니다. 같은 정답이라도 던져지는 '시점'이 틀리면 동기를 깎습니다.
• 10분 인간 상호작용 = 완료율 +10%p. 교육 서비스를 설계한다면 AI 성능 지표보다 접점의 개수·타이밍을 먼저 보세요.
• AI에게 일을 맡길 때 생기는 부채는 즉시 드러나지 않습니다. 대개 몇 주 뒤, 실제 사용자가 붙는 시점에 이자로 청구됩니다.
• 암기형 역량은 감가상각, 분해형 역량은 가치상승. 학습 시간을 어디에 쓸지 정하는 기준이 됩니다.
• 피드백 루프가 짧은 영역(코딩)에서 문제해결을 훈련하고, 루프가 긴 영역(커리어·사업)으로 옮기세요.
• 유튜브·챗봇 시대의 격차 원천은 '만든 시간(time on task)' — 시청·위임 시간이 아니라.
• 수치 정합성 참고: 발화 중 "학생 10명당 교사 1명"과 "약 17,000명 / 교사 1,000명 이상"은 함께 두면 약 17:1이 됩니다. 인터뷰에서 비율과 규모가 별도 문장으로 언급된 것으로, 정밀한 운영 지표로 인용할 때는 주의가 필요합니다.

최종 핵심 정리

확인해야 할 5가지 질문

1. 나는 지금 AI에게 구문을 맡기고 있나, 판단을 맡기고 있나?
2. AI를 쓴 결과물에서 내가 설명할 수 없는 부분이 쌓이고 있지 않나?
3. 이번 주에 내가 직접 만든 것은 무엇이고, 위임한 것은 무엇인가?
4. 나는 '무엇이 가치 있는 문제인가'를 고르는 연습을 하고 있나?
5. 나는 내일의 내가 어제의 나보다 똑똑해질 것을 공리로 받아들이고 있나?

최종 결론

한 줄 요약: "만드세요. 사람들이 쓰는 것을, 사람들이 좋아하는 것을. 그 반복 속에서 코딩과 문제해결에 탁월해집니다. 공리를 하나만 가져가세요 — 당신은 어제의 당신보다 똑똑해질 것이다. 하루를 그렇게 시작하세요."