본 영상은 서울대학교 컴퓨터공학부 이재욱 교수가 출연하여 AI 시대의 코딩 자동화와 그에 따른 컴퓨터공학의 미래, 그리고 변화하는 교육과정의 방향성에 대해 심도 있게 논의한 내용을 담고 있다.

1. 코딩 자동화에 대한 관점

AI 기술의 발전으로 코드 작성의 자동화 수준이 100%에 근접할 것으로 예상된다. 과거에는 개발자의 업무 중 코딩(쓰기) 비중이 매우 높았으나, 현재는 생성형 AI의 등장으로 인해 코드 구현보다는 문제를 정의하고 AI가 생성한 결과물을 비판적으로 읽고 검증하는 영역이 중요해졌다. 이재욱 교수는 AI를 관리하는 'Engineering Manager'와 유사한 역할로의 전환을 강조하며, 코딩 자체는 자동화되더라도 문제를 구조화하고 해결 전략을 수립하는 인간의 사고 과정은 대체 불가하다고 보았다.

2. 컴퓨터공학의 핵심 가치와 학문적 정의

코딩의 비중이 줄어든다고 해서 컴퓨터공학의 가치가 하락하는 것은 아니다. 컴퓨터공학의 본질은 다음의 두 가지 핵심 사고 능력에 있다.

• Computational Thinking (알고리즘적 사고): 복잡한 문제를 단순한 단계의 조합으로 분해하고, 컴퓨터라는 도구를 활용해 효율적으로 해결하는 절차적 설계 능력.
• Data-driven Thinking (데이터 기반 사고): 데이터 분포와 특성을 분석하여 유의미한 인사이트를 도출하는 능력.

이러한 학문적 토대는 AI 기술이 고도화될수록 오히려 더 높은 수준의 추상화와 문제 해결 능력을 요구하며, 컴퓨터공학의 가치를 더욱 공고히 한다.

3. 교육과정(Curriculum)의 혁신 방향

기존의 텍스트북 기반 문제 풀이는 AI가 완벽하게 수행하므로, 대학 교육은 'AI Native'한 방향으로 전면 개편되어야 한다.

• 문제 정의(Problem Definition) 중심 교육: 정형화된 정답이 있는 문제 대신, 미니멀한 제약 조건을 바탕으로 학생들이 직접 문제를 설계하고 구현하는 프로젝트를 강화해야 한다.
• 비판적 사고(Critical Thinking) 배양: 생성된 코드나 솔루션의 품질을 평가하고 논리적 오류를 찾아내는 'Critique' 과정이 필수적이다.
• 체화(Embodiment)의 중요성: AI라는 '도구'를 잘 다루기 위해서는 저수준(Low-level)의 엔지니어링 경험을 통해 시스템의 구조와 한계를 체감하는 과정이 전제되어야 한다. 이를 통해 파워 유저(Power User)와 일반 유저 간의 생산성 격차($\text{Capability Overhang}$)를 극복할 수 있다.

4. 미래의 개발자상: 기발자(기획자+개발자)

향후 시장에서는 특정 도메인에 대한 깊은 이해를 바탕으로 실질적인 문제를 포착하고 AI를 활용해 솔루션을 릴리즈(Release)할 수 있는 '기발자(기획자+개발자)' 역량이 중요해질 전망이다. 이는 $N$명의 사용자가 $S$라는 시스템을 사용할 때 발생하는 $1 - P_{success}$의 오류 시나리오를 통제할 수 있는 안목을 갖추는 것이 핵심이다.

5. 결론 및 향후 전망

AI는 모든 세대에게 평등한 출발선을 제공하는 'Great Equalizer'이다. 이재욱 교수는 기술 변화에 대한 막연한 불안감을 경계하고, 기술을 적극적으로 수용하여 '인간 중심의 기술'로 재편하는 노력이 필요함을 역설했다. 컴퓨터공학 전공자들은 단순히 코드를 짜는 노동자가 아닌, 복잡한 현실 세계의 문제를 효율적인 계산적 해법으로 변환하는 전문성을 갖추어야 하며, 이것이 AI 시대에 컴퓨터공학이 나아가야 할 방향이다.