이 글은 Claude Opus 5 을 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

들어가며#

Part 1과 Part 2에서는 서울대 이재욱 교수의 인터뷰 〈코딩도 과제도 AI가 다 하는 시대, 컴공에서는 무엇을 배워야 할까?〉를 일곱 챕터로 나눠 정리하고 각 주장에 외부 근거를 붙였습니다. 이번 편은 방향을 바꿔, 데이터가 뒷받침하지 않는 부분과 영상이 아예 다루지 않은 조각들을 다룹니다.

한 가지 방법론을 먼저 밝힙니다. 이 글의 근거는 가급적 2026년 자료로 한정했고, 추이를 볼 때는 2023~2026년 구간을 봤습니다. 이 분야는 6개월이면 결론이 뒤집히기 때문입니다. 실제로 그렇게 다시 검증해 보니 반론 하나는 완전히 무너졌고, 나머지는 대부분 훨씬 강해졌으며, 하나는 방향이 반대로 뒤집혔습니다.

무너진 것부터 먼저 쓰겠습니다. (본문의 모든 수치는 2026년 8월 기준으로 확인한 것입니다.)

반론 0. 먼저 철회합니다 — “AI가 오히려 개발자를 느리게 만든다”#

2025년에 가장 유명했던 반증#

2025년 내내 “AI 생산성은 착시"라는 주장의 근거로 가장 많이 인용된 것은 METR이 2025년 7월 발표한 무작위 대조 시험이었습니다.

  • 대규모 오픈소스 리포지토리의 숙련 개발자 16명, 실제 이슈 246개
  • 도구는 Cursor Pro + Claude 3.5/3.7 Sonnet
  • 결과: AI 사용 조건에서 완료 시간이 19% 더 길었습니다.
  • 그런데 참가자들은 사전에 24% 단축을 예상했고, 느려진 것을 겪은 뒤에도 20% 단축되었다고 답했습니다.

2026년에 뒤집혔습니다#

METR은 2026년 2월 24일 후속 게시글에서 이 실험의 후속 연구 결과와 함께 실험 설계를 폐기한다 고 밝혔습니다. 부분적으로 수집된 데이터는 다음과 같았습니다.

집단 속도 변화 추정 신뢰구간
원래 코호트(10명) 18% 빨라짐 −38% ~ +9%
신규 참가자(47명) 4% 빨라짐 −15% ~ +9%

참가자 57명, 과제 800개 이상 기준입니다. 부호가 뒤집혔습니다. METR은 “개발자들이 2025년 초 우리 추정치에 비해 2026년 초 현재 더 빨라졌을 가능성이 높다“고 명시했습니다.

즉 “AI가 숙련 개발자를 느리게 만든다"는 주장은 2026년 시점에서는 더 이상 유지되지 않습니다. 저는 이 반론을 철회합니다.

다만 살아남는 것: 이제는 잴 수조차 없다는 사실#

METR이 실험을 접은 이유가 오히려 더 무겁습니다.

  1. 참여 거부. 시간당 $50를 줘도 “AI 없이 일하고 싶지 않다"며 참여를 거부하는 개발자가 크게 늘었습니다(원 실험은 시간당 $150였습니다). AI 가치를 가장 높게 보는 사람들이 표본에서 체계적으로 빠집니다.
  2. 과제 선택 편향. 개발자의 30~50% 가 “이건 AI가 훨씬 빨리 할 것"이라고 판단한 과제를 아예 제출하지 않았습니다. 효과가 가장 큰 사용례가 분석에서 통째로 빠진 것입니다.
  3. 측정 불가. 여러 에이전트를 동시에 돌리는 개발자에 대해서는 “과제당 소요 시간"이라는 개념 자체가 성립하지 않습니다.

세 번째가 특히 중요합니다. 작업 방식이 바뀌어서 기존 측정 단위가 깨진 것 입니다. 그러니 이재욱 교수를 포함해 누구든 “AI로 훨씬 빨라졌다"고 말할 때, 그 말이 참인지 거짓인지를 판정할 공인된 방법이 지금 없습니다. 남은 것은 조직 단위 지표뿐인데, 바로 그쪽이 다음 절의 주제입니다.

반론 1. 속도는 실제로 빨라졌습니다 — 문제는 그 속도가 어디로 새는가입니다#

영상에서 이 교수는 “아이디어와 어젠다가 있으면 만들어 내는 것들이 상당히 쉬워졌다"고 말하고 거기서 멈춥니다. 2026년 데이터는 그다음 문장을 이미 다 써 놓았습니다.

Faros AI: “가속 채찍질(Acceleration Whiplash)”#

Faros AI의 2026 AI Engineering Report는 개발자 22,000명, 팀 4,000개 이상, 2년치 텔레메트리 를 분석했습니다. 조직별로 AI 채택률이 가장 낮았던 시기와 가장 높았던 시기를 비교하는 방식입니다.

지표 변화
개발자당 완료 태스크 +34%
개발자당 완료 에픽 +66%
코드 수락률 20% → 60%
PR 머지당 장애(incident) 3배
개발자당 버그 +54%
PR 리뷰 시간 중앙값 5배
리뷰 없이 머지된 PR +31%

앞의 세 줄만 보면 이 교수의 낙관이 옳습니다. 뒤의 네 줄까지 보면 이야기가 달라집니다. 특히 마지막 줄이 결정적입니다. 리뷰 시간이 5배로 늘자, 조직은 리뷰를 늘린 것이 아니라 리뷰를 건너뛰기 시작했습니다.

DORA: Google 자신이 “검증세"라고 부릅니다#

가장 인상적인 것은 이 진단이 외부 비판자가 아니라 Google의 DORA 연구팀 자신 에게서 나왔다는 점입니다. 2026년 3월 10일 발표된 「Balancing AI tensions」은 Google 엔지니어 1,110명의 서술형 응답을 분석해 세 가지 긴장을 제시합니다.

  1. 속도의 밀당 — 코드 생성에서 아낀 시간이 검증 오버헤드와 프롬프팅 오버헤드로 재배분 됩니다.
  2. 전문성의 역설 — AI가 진입 장벽을 낮추지만 동시에 깊은 숙련의 형성을 방해합니다.
  3. 워크플로 간극 — 빠른 프로토타이핑이 프로덕션 준비 상태로 이어지지 않습니다.

보고서에 인용된 한 개발자의 말이 이 절의 요약입니다.

생산성이 다소 높아진 느낌은 있지만, 대가가 따릅니다. 코드를 쓰는 시간은 줄었는데 AI를 돌보고(babysitting) 그것이 무엇을 하려는지 검토하는 데 더 많은 시간 을 씁니다.

2026년 5월의 ROI 보고서는 같은 구조를 금액으로 환산합니다. 500명 규모 엔지니어링 조직 모델에서 1년 차 ROI를 39%로 추정하면서도, 변경 실패율이 5%에서 6%로 오르며 발생하는 다운타임 비용을 −$344,000으로 계산했습니다. DORA는 이 전환기의 생산성 저하 구간을 J커브로 설명하며 “전환의 수업료"라고 표현합니다.

GitClear: 코드베이스에 남는 흔적#

Faros가 프로세스를 봤다면, GitClear과 GitKraken의 2026년 「Maintainability Gap」 연구는 코드 자체를 봅니다. 2023년~2026년의 실제 코드 변경 6억 2,300만 건 이 대상입니다.

지표 변화
복사-붙여넣기 코드 비중 9.4%(2022) → 15.7%(2026 상반기)
제대로 이동·리팩터링된 코드 21% → 3.8%
리팩터링성 라인 이동 −70% (2022년 대비)
장기 레거시 유지보수 −74%
파일 간 함수 호출(재사용 지표) −35%
코드 블록 중복 +81%
오류 은폐(error-masking) 구문 +47%

마지막 두 줄이 특히 불편합니다. 중복이 늘어난 것은 예상 가능하지만, 오류를 은폐하는 구문이 47% 늘었다 는 것은 “동작하게 만들었다"와 “올바르게 만들었다” 사이의 간극이 벌어지고 있다는 뜻입니다.

정리#

영상의 “AI를 데리고 일하는 것은 매니저처럼 일하는 것"이라는 비유는 정확합니다. 문제는 그 비유가 자동으로 함의하는 다음 명제를 영상이 다루지 않는다는 점입니다. 매니저가 늘면 병목은 실행이 아니라 조율과 승인으로 이동합니다.

이 교수가 커리큘럼 처방으로 제시한 “비평(critique) 훈련"은 옳습니다. 다만 그 근거는 “읽기가 중요해져서"가 아니라 “읽기가 조직의 처리량을 결정하는 희소 자원이 되어서” 라고 말하는 편이 2026년 데이터에 훨씬 잘 맞습니다.

반론 2. 격차론 — 결론은 교수님이 옳았고, 원인은 다릅니다#

이 절은 제가 초판에서 틀렸던 부분입니다.

초판에서 제가 쓴 것#

영상에서 이 교수는 ‘capability overhang’을 근거로 파워 유저와 평균 유저의 격차가 벌어진다 고 말합니다. 저는 초판에서 이를 반박하며, HBS/BCG의 2023년 실험(평균 이하 성과자 43% 향상 vs 평균 이상 17% 향상)을 들어 격차는 오히려 좁혀진다 고 썼습니다.

2026년 자료로 다시 보니, 이 반박은 유지되기 어렵습니다.

2026년 현장 데이터는 격차 확대를 지지합니다#

Simone Daniotti, Johannes Wachs, Xiangnan Feng, Frank Neffke가 2026년 1월 22일 Science 에 발표한 「Who is using AI to code? Global diffusion and impact of generative AI」는 이 주제에서 지금까지 가장 큰 규모의 현장 연구입니다.

  • GitHub 개발자 약 160,000명의 Python 기여 3,000만 건 이상 을 분석
  • AI 생성 함수를 식별하는 분류기를 학습시켜 국가별·경력별 확산을 추적

핵심 발견은 이렇습니다.

경험이 적은 프로그래머가 AI를 더 많이 씁니다(코드의 37% vs 숙련자 27%). 그런데 생산성 향상은 전적으로 숙련 사용자에게서 나왔고, 초심자에게서는 측정 가능한 이득이 거의 없었습니다.

게다가 숙련 개발자는 AI를 이용해 새로운 라이브러리와 낯선 조합을 더 많이 시도 했습니다. 즉 숙련자는 AI로 활동 영역을 넓혔고, 초심자는 같은 자리에서 더 빨리 타이핑했을 뿐입니다. 전체 생산성 향상은 3.6%로 추정되었습니다.

이재욱 교수의 진단이 이 데이터로 지지됩니다. 제 초판의 반박은 철회합니다.

그런데 통제 실험은 여전히 반대를 가리킵니다#

혼란스러운 것은, 2026년의 무작위 통제 실험들은 여전히 초심자 쪽 이득이 크다 고 보고한다는 점입니다. 한 2026년 실험에서는 AI 접근권이 주어졌을 때 고학력 참가자와 저학력 참가자 사이의 생산성 격차가 0.548 표준편차에서 0.139 표준편차로, 기저 격차의 약 75%가 사라졌습니다.

두 계열이 정반대입니다. 무엇이 다를까요.

  • 통제 실험 은 잘 정의된 과제를 놓고 몇 시간~며칠 을 측정합니다.
  • 현장 연구 는 실제 코드베이스에서 수개월~수년 의 축적을 측정합니다.

화해시키는 2026년 연구#

이 간극을 메우는 실험이 2026년 2월에 나왔습니다. Anthropic의 Judy Hanwen Shen과 Alex Tamkin이 발표한 「How AI assistance impacts the formation of coding skills」(arXiv 2601.20245)입니다.

  • 참가자 52명, 대부분 주니어 엔지니어. Python 주간 사용 경력 1년 이상.
  • 모두에게 낯선 비동기 라이브러리 Trio 를 학습하며 두 개의 코딩 과제 수행
  • 무작위로 AI 사용 그룹 과 수동 코딩 그룹 으로 배정

결과입니다.

항목 AI 그룹 수동 그룹
개념 이해 퀴즈 50% 67%
과제 소요 시간 약 2분 빠름 (통계적으로 유의하지 않음) —

방금 몇 분 전에 자기 손으로 쓴 코드의 개념을 묻는 퀴즈에서 17%포인트 낮았습니다. 격차가 가장 컸던 것은 디버깅 문항 이었습니다. 참가자들은 “게을렀던 것 같다”, “라이브러리 세부사항에 더 주의를 기울일 걸 그랬다"는 소감을 남겼습니다.

그리고 이 연구에서 가장 중요한 발견은 사용 방식에 따른 분화입니다.

AI에게 개념을 물어본 사람은 65% 이상을 받았고, AI에게 코드 생성을 위임한 사람은 40% 미만을 받았습니다.

그래서 원인이 바뀝니다#

세 연구를 겹쳐 놓으면 그림이 맞습니다.

  1. 통제 실험(단기): 초심자가 더 많이 얻습니다. 속도 는 실제로 오릅니다.
  2. Anthropic 실험(학습): 그 속도는 숙련의 형성을 대가로 얻어집니다.
  3. Science 현장 연구(장기): 그래서 초심자는 복리로 쌓이지 않고, 숙련자만 영역을 넓힙니다.

즉 격차는 벌어지는 것이 맞습니다. 다만 원인은 “AI 활용 역량의 차이(capability overhang)“가 아니라 “학습 형성이 차단된 것"입니다.

이 구분이 중요한 이유는 처방이 완전히 달라지기 때문입니다.

  • 원인이 활용 역량이라면 → AI를 더 잘 쓰는 법 을 가르치면 됩니다. 프롬프팅, 도구 체인, 워크플로.
  • 원인이 학습 차단이라면 → AI를 써도 이해가 남는 사용법 을 가르쳐야 합니다. 그리고 Anthropic 실험은 그 방법까지 알려 줍니다. 코드 생성을 위임하는 대신 개념을 물어보는 것 입니다.

영상은 격차를 정확히 진단했지만, 그 원인을 “활용 역량"으로 지목하는 순간 처방이 프롬프팅 교육 쪽으로 기웁니다. 2026년 데이터가 가리키는 처방은 그쪽이 아닙니다.

반론 3. ATM 비유는 반쯤만 맞고, 파이프라인 문제는 2026년에 더 나빠졌습니다#

ATM 이야기의 뒷부분#

이 교수가 든 ATM 사례는 James Bessen의 연구에서 온 것입니다. 성격상 과거 자료일 수밖에 없으므로 여기만은 옛 숫자를 씁니다.

  • 1980년대~2010년 사이 미국에 ATM 약 40만 대 가 설치되었습니다.
  • 같은 기간 창구 직원 FTE는 약 50만 명에서 55만 명으로 증가 했습니다.
  • 메커니즘: 지점당 창구 직원이 21명에서 13명 으로 줄자 지점 운영 비용이 싸졌고, 도시 지역 지점 수가 43% 증가 했습니다.

문제는 이 이야기가 2000년대 후반까지만 참이라는 것 입니다. 창구 직원 고용은 그 뒤 지속적으로 감소했습니다. “ATM이 은행원 일자리를 없애지 않았다"는 이야기가 자동화 낙관론의 표준 사례로 유행하기 시작한 바로 그 시점에, 그 명제는 사실이 아니게 되었습니다.

이 사례의 정확한 교훈은 이렇습니다.

비용 절감이 고용 증가로 이어지는 것은 시장이 아직 포화되지 않았을 때뿐이다.

제번스의 역설도 같은 조건에 의존합니다. 수요가 충분히 가격 탄력적이어야 합니다. 그리고 소프트웨어 총량이 늘어난다 해도, 그 증가분이 인간 개발자 고용 으로 갈지 컴퓨트 지출 로 갈지는 별개의 문제입니다. 뒤에서 볼 IEA 수치는 지금 절감분의 상당 부분이 어디로 가고 있는지를 보여 줍니다.

2026년 4월까지의 고용 데이터#

Stanford Digital Economy Lab이 2026년 6월 발표한 AI Economic Indicators 연구노트 #1은 ADP 급여 데이터 기반으로 2026년 4월까지 5년치, 25,000개 기업, 730개 이상 직군을 추적합니다.

ChatGPT 등장(2022년 11월) 이후의 연평균 고용 증가율입니다.

구분 AI 노출 최상위 AI 노출 최하위
전 연령 +1.1%/년 +2.0%/년
22~25세 −3.8%/년 +2.0%/년

전 연령으로 보면 차이가 크지 않습니다. 그런데 초년생 구간에서는 방향 자체가 갈립니다. 보고서는 초년생 소프트웨어 개발자와 고객서비스 종사자가 특히 큰 감소를 보였다고 명시합니다.

그리고 이 추세는 완화된 것이 아니라 심화되었습니다. 2024년 4월에 연 2.8% 감소였던 것이 이후 연 4% 이상으로 벌어졌습니다.

한 가지 공정하게 덧붙일 것이 있습니다. 이 연구팀은 2026년 2월 후속 노트에서 비판에 답하며 일부를 양보 했습니다. 기업-시점 고정효과를 가장 엄격하게 넣으면 AI 노출 직군의 고용 감소가 2024년 이후에야 유의해지고, 그 이전 감소는 다른 요인이 섞여 있을 가능성이 있다는 것입니다. 저자들 스스로 “AI가 언제 어디서나 고용의 유일한 결정 요인이라고 보지 않는다"고 적었습니다. 다만 “금리가 원인"이라는 대안 설명에 대해서는, AI 노출 직군이 오히려 금리 민감도가 낮은 쪽이라는 근거를 들어 반박했습니다.

국내 데이터 도 같은 방향입니다. 데이터뉴스가 2026년 7월 2일 보도한 국민연금 기반 국내 SW기업 53곳 인력 분석에서 연간 증가폭은 2024년 327명 → 2025년 232명 → 2026년 14명 으로 줄었습니다.

그리고 영상 안의 자기모순#

인터뷰에는 함께 놓으면 충돌하는 세 명제가 있습니다.

  1. “훌륭한 엔지니어링 매니저는 대부분 엔지니어링 경험이 풍부한 사람 이었다.” (13:09)
  2. “위임을 제대로 하는 것도 코딩에 대한 감 이 없이는 어렵다.” (02:31)
  3. “초급 개발자의 진입이 어려워지는 것은 실제로 겪고 있는 현실 이다.” (09:13)

셋을 다 받아들이면 질문이 남습니다. 경험을 쌓을 입구가 닫히면, 10년 뒤 ‘감을 가진 사람’은 어디서 오는가?

2026년 자료는 이 질문을 가설이 아니라 삼중 압착으로 만듭니다.

  • Science 2026: 초심자는 AI를 더 많이 쓰는데 생산성 이득은 없습니다.
  • Anthropic 2026: 초심자가 AI에 코드 생성을 위임하면 이해도가 17%포인트 떨어지고, 특히 디버깅에서 무너집니다.
  • Stanford 2026: 초년생 AI 노출 직군 고용은 연 3.8%씩 줄고 있으며 감소 폭은 커지고 있습니다.

영상은 이 문제를 “사회적으로 함께 풀어야 할 고민"으로 넘깁니다. 그런데 이것은 대학이 직접 개입할 수 있는 레버가 많은 문제 입니다. 산학 인턴십, 실제 릴리즈까지 가는 캡스톤, 오픈소스 기여 학점화, 조교·연구 인력 구조 — 모두 학과가 결정합니다. 교육자로서 할 수 있는 이야기가 더 있었을 자리인데 비어 있습니다.

반론 4. 빠진 조각 (1) — 프로그램은 소스코드가 아니다#

Peter Naur의 이론 구축#

이 인터뷰에서 가장 크게 비어 있는 자리에 놓아야 할 것은 Peter Naur가 1985년에 쓴 「Programming as Theory Building」입니다. 41년 된 글이지만, 아래에서 보듯 2026년 데이터가 이 글의 각주처럼 읽힙니다.

Naur의 주장은 이렇습니다.

프로그래밍은 본질적으로 일종의 이론(theory) 을 세우는 일이다. 세계의 어떤 사안들이 컴퓨터 프로그램에 의해 어떻게 다뤄질 것인가에 대한 이론이다.

여기서 이론은 개발자의 머릿속에 있는 이해입니다. 왜 이 구조를 택했는지, 어떤 대안을 왜 버렸는지, 이 코드가 세계의 어떤 부분과 어떻게 대응하는지.

소스코드는 그 이론의 손실 있는(lossy) 표현입니다. 문서도 마찬가지입니다. Naur의 논거는 강력합니다. 원래 팀이 해체된 프로그램은 코드와 문서가 온전해도 새 팀이 제대로 수정하지 못합니다. 새 팀은 나름의 이론을 재구성하지만 원래 것과 다릅니다. Naur는 이 상태를 “프로그램의 죽음” 이라고 불렀습니다.

2026년 데이터로 본 세 가지 증상#

증상 1: 이해가 형성되지 않습니다.

Anthropic의 2026년 실험이 이것을 직접 측정했습니다. AI에 코드 생성을 위임한 그룹은 자기가 방금 쓴 코드의 개념 퀴즈에서 17%포인트 낮았고, 격차가 가장 컸던 곳이 디버깅 문항 이었습니다. 디버깅은 정의상 “코드가 왜 그렇게 동작하는지"를 묻는 작업입니다. 즉 이론이 없을 때 가장 먼저 무너지는 지점입니다.

이 교수는 이 문제를 학생의 문제 로만 다뤘습니다. 그러나 Anthropic 실험의 참가자는 학생이 아니라 실무 경력 1년 이상의 엔지니어 였습니다. 이것은 교육 문제가 아니라 소프트웨어 유지보수의 근본 문제입니다.

증상 2: 이론이 없는 곳에서는 코드가 옮겨지지 않고 쌓입니다.

GitClear의 2023~2026년 6억 2,300만 건 분석에서 제대로 이동·리팩터링된 코드가 21%에서 3.8%로 떨어졌고, 파일 간 함수 호출이 35% 줄었습니다.

이 두 수치는 같은 이야기를 합니다. 리팩터링과 재사용은 이론을 가진 사람만 할 수 있는 행위입니다. 기존 코드가 무엇을 하는지, 어디까지 같은 책임인지, 이미 어딘가에 같은 함수가 있는지를 알아야 옮기고 부를 수 있습니다. 반면 복사-붙여넣기는 이론 없이도 가능합니다. 그래서 복사-붙여넣기는 9.4%에서 15.7%로 늘었습니다.

증상 3: 아무도 이론을 갖지 않은 채 코드가 머지됩니다.

Faros 2026에서 리뷰 없이 머지되는 PR이 31% 늘었습니다. 작성자가 이론을 만들지 않았고 리뷰어도 읽지 않았다면, 그 코드에 대한 이론은 조직 어디에도 존재하지 않습니다.

영상의 이분법이 놓치는 것#

영상은 “코드 작성은 자동화되고 문제 정의는 인간에게 남는다"는 이분법을 씁니다. Naur의 렌즈로 보면 부정확합니다.

이론은 정의와 구현 사이에서, 구현하는 과정에서 만들어집니다. 설계 단계에서 예상하지 못한 제약은 구현하다 발견되고, 처음의 정의가 틀렸다는 것도 구현하다 알게 됩니다. 그래서 구현을 위임하면 이론도 함께 위임됩니다. 그리고 에이전트는 매 세션 이론을 처음부터 재구성하므로, 그것을 보유할 수 없습니다.

이 교수가 “실제로 만들어 보고 많이 버리는 과정에서 안목이 생긴다"고 말한 것은 사실 Naur와 같은 이야기입니다. 다만 영상은 그것을 개인의 성장 경로 로만 다루고, 조직이 시스템에 대한 이해를 유지하는 문제 로는 다루지 않습니다.

반론 5. 빠진 조각 (2) — 자동화의 아이러니, 그리고 43년 뒤 같은 진단#

Bainbridge, 1983#

두 번째로 비어 있는 자리에는 Lisanne Bainbridge가 1983년 Automatica 에 발표한 「Ironies of Automation」이 놓여야 합니다. 항공·원자력·프로세스 제어 분야의 표준 참고문헌입니다.

  1. 자동화되는 것은 쉬운 부분이다. 설계자는 자동화 가능한 것부터 자동화합니다. 인간에게는 가장 어려운 부분만 남습니다.
  2. 탈숙련화. 수동 제어 기술은 쓰지 않으면 퇴화합니다. 그런데 인간이 개입해야 하는 순간은 정확히 그 기술이 가장 필요한 상황입니다.
  3. 감시 부담. 인간은 참여자가 아니라 감시자 가 되는데, 인간은 장시간 수동적 감시에 근본적으로 부적합합니다.
  4. 훈련 역설. 그래서 필요한 훈련은 줄어드는 것이 아니라 늘어납니다.

2026년에 Google이 같은 말을 했습니다#

가장 놀라운 점은, 이 43년 된 진단이 2026년 3월 DORA 보고서에서 거의 그대로 재발견되었다는 것입니다.

Bainbridge (1983) DORA (2026-03)
쉬운 부분이 자동화됨 “코드 생성에서 아낀 시간이 검증 오버헤드로 재배분”
탈숙련화 → 개입 능력 퇴화 “장기적 숙련 저하(long-term skill degradation)”
훈련 역설 “깊은 기술적 전문성에 필요한 ‘생산적 분투(productive struggle)‘를 우회할 위험”
감시자로의 전환 “AI를 돌보는(babysitting) 데 더 많은 시간”

DORA는 이것을 “전문성의 역설(Expertise Paradox)” 이라고 이름 붙였습니다. Bainbridge가 원자력 제어실에 대해 쓴 문장을 소프트웨어 조직이 43년 뒤 독립적으로 재발견한 셈입니다.

그리고 2026년 다른 데이터가 각 항목을 채웁니다.

Bainbridge의 관찰 2026년 수치
어려운 부분만 남음 XSS 보안 통과율 15%, 로그 인젝션 13% (Veracode 2026)
감시 부담 증가 PR 리뷰 시간 중앙값 5배 (Faros 2026)
탈숙련화 리팩터링 라인 이동 −70% (GitClear 2026)
개입 역량 저하 디버깅 문항에서 최대 격차 (Anthropic 2026)
훈련 역설 22~25세 AI 노출 직군 고용 −3.8%/년 (Stanford 2026)

마지막 줄이 핵심입니다. Bainbridge의 논리대로라면 자동화가 진행될수록 인간의 개입 역량은 더 중요해지고 더 많은 훈련을 요구합니다. 그런데 산업은 정반대로 가고 있습니다. 개입 역량이 더 필요해진 시점에, 그 역량을 쌓을 반복 경험의 입구를 좁히고 있습니다.

매니저인가, 감시자인가#

이 교수의 “매니저처럼 일하는 것"과 Bainbridge의 “감시자가 되는 것"은 같은 상황을 반대 감정으로 서술한 것 입니다. 매니저는 승진처럼 들리고, 감시자는 강등처럼 들립니다.

그리고 결정적인 차이가 하나 더 있습니다. 인간 매니저의 부하 직원은 성장하지만, 에이전트는 성장하지 않습니다. 인간 매니저가 위임하는 큰 이유 중 하나는 조직 역량을 키우기 위해서인데, 에이전트 위임에는 그 효과가 없습니다. 오히려 Anthropic 실험이 보여 주듯 위임자 본인의 역량이 퇴화합니다.

반론 6. “great equalizer” — 2026년 자료로 보면 더 기울어져 있습니다#

평탄화되는 것과 집중되는 것#

영상은 매디슨 황(Madison Huang)의 ‘great equalizer’라는 표현으로 마무리됩니다. 모두에게 새로운 기술이므로 모두에게 같은 출발선을 준다는 것입니다.

평탄화되는 것은 분명히 있습니다. 프로토타이핑 비용, 언어 장벽, 프레임워크 진입 장벽. Part 1의 광진구청 사례가 그 좋은 증거입니다.

그런데 같은 시기에 유례없이 집중되고 있는 것이 있습니다.

국가 간 채택률. 앞서 인용한 Science 2026년 논문은 국가별 AI 작성 코드 비중을 처음으로 대규모 측정했습니다. 2024년 말 기준입니다.

국가 Python 함수 중 AI 작성 추정 비중
미국 약 29~30%
프랑스 24%
독일 23%
인도 20~21%
러시아 15%
중국 12%

미국은 2022년 약 5%에서 2년 만에 30%에 근접했습니다. 최고와 최저의 격차가 2.5배입니다. 도구가 “모두에게 새롭다"는 명제와 실제 확산 속도는 전혀 다릅니다.

물리적 층위. IEA의 「Key Questions on Energy and AI」(2026)는 다음과 같이 전망합니다.

  • 데이터센터 전력 소비: 2025년 485 TWh → 2030년 약 950 TWh (전 세계 전력의 약 3%)
  • 같은 기간 AI 전용 데이터센터 전력 소비는 3배 로 증가
  • 최대 기술 기업들의 설비투자는 2025년 4,000억 달러 초과, 2026년 추가로 75% 증가 전망
  • 이른바 ‘AI 팩토리’의 용량은 최근 18개월 만에 3배 이상

자본과 거버넌스. UNCTAD의 Technology and Innovation Report 2025는 전 세계 민간 AI 투자의 약 70%를 미국 이 차지하고, 100개 기업 이 전 세계 민간 AI R&D 투자의 약 40% 를 차지하며, 118개국 이 글로벌 AI 거버넌스 논의에서 아예 빠져 있다고 보고합니다.

인프라 연구자의 인터뷰에 인프라가 없습니다#

이재욱 교수는 인터뷰 첫머리에서 “AI 분야 중에서도 인프라스트럭처 쪽 연구를 주로 한다"고 자신을 소개합니다. 컴파일러, 하드웨어 아키텍처, 운영체제가 전공입니다.

그런데 20분 인터뷰에서 컴퓨트·전력·자본 이야기가 한 번도 나오지 않습니다.

이 공백이 아쉬운 이유는, 그 층위야말로 ‘great equalizer’ 명제를 직접 검증할 수 있는 자리이기 때문입니다. “모두에게 공평하다"는 명제는 모델 사용자 층위에서만 참입니다. 누가 모델을 학습시킬 수 있는가, 누가 컴퓨트를 확보하는가, 누가 전력을 공급받는가 — 그 아래에서는 정반대의 일이 벌어지고 있습니다.

“모두에게 새롭다"도 절반만 참입니다#

기술 자체는 모두에게 새롭지만, AI가 틀렸을 때 그것을 알아볼 수 있는 사전 지식 은 균등하지 않습니다. 그리고 2026년 데이터가 반복해서 가리키는 것은 그 사전 지식이 이득과 손실을 가르는 변수라는 점입니다.

  • Veracode 2026: 문법 정확도는 95%를 넘었는데 보안 통과율은 2년째 55% 근처에 정체되어 있습니다. 알아보려면 보안 지식이 필요합니다.
  • Science 2026: 초심자는 AI를 더 많이 쓰는데 이득은 숙련자에게만 갑니다.
  • Anthropic 2026: 개념을 물은 사람은 65%+, 코드 생성을 위임한 사람은 40% 미만입니다.

셋 다 같은 방향입니다. 평탄화되는 것은 만드는 능력 이고, 평탄화되지 않는 것은 판단하는 능력 입니다.

영상이 아예 다루지 않은 것들#

지면 제약을 감안하더라도 언급조차 되지 않은 항목들을 적어 둡니다.

  • 라이선스와 저작권: 학습 데이터의 출처, 생성 코드의 라이선스 오염 위험.
  • 공급망 보안: Part 1에서 다룬 슬롭스쿼팅. 존재하지 않는 패키지를 약 20% 확률로 추천하는 모델과 그 이름을 선점하는 공격자.
  • 에너지와 환경 비용: 위의 IEA 수치. 컴퓨터공학에서 효율은 오랫동안 핵심 가치였는데, 그 가치가 지금 어디에 놓여야 하는지는 열린 질문입니다.
  • 오픈소스 유지보수자 부담: AI로 생성된 저품질 PR과 부정확한 버그 리포트의 유입.
  • 팀 커뮤니케이션 비용: 브룩스의 법칙이 에이전트를 늘릴 때도 적용되는지.
  • 규제 산업과 온프렘 환경: 금융·의료·공공에서 외부 모델 호출이 제한될 때 이 논의의 전제가 얼마나 유지되는지.
  • 학위의 신호 가치: 평가가 흔들리면 학위가 보증하는 것도 흔들립니다.

결론: 재검증 결과#

2026년 자료로 다시 검증한 결과를 정직하게 정리하겠습니다.

무너진 반론 1개. “AI가 개발자를 오히려 느리게 만든다"는 주장은 유지되지 않습니다. METR 자신이 부호가 뒤집힌 후속 데이터를 내놓았습니다. 다만 그들이 실험 설계를 폐기해야 했던 이유 — 참여 거부, 과제 선택 편향, 동시 에이전트로 인한 측정 불가 — 는 그대로 남습니다. 이제는 “빨라졌다"를 검증할 공인된 방법이 없습니다.

뒤집힌 반론 1개. 격차 확대에 대한 이 교수의 진단은 옳았고, 제 초판의 반박이 틀렸습니다. Science 2026년 현장 연구가 이를 뒷받침합니다. 다만 원인은 활용 역량의 차이가 아니라 학습 형성의 차단 일 가능성이 높고, 그 구분이 처방을 바꿉니다.

강해진 반론 4개.

  1. 병목의 이동 — Faros 2026(22,000명), DORA 2026, GitClear 2026(6.23억 변경)이 모두 같은 방향을 가리킵니다. 특히 Google 자신의 연구팀이 “검증 오버헤드"와 “숙련 저하"를 명시한 것이 결정적입니다.
  2. 초급 파이프라인 — Stanford 2026년 4월 기준 데이터에서 22~25세 AI 노출 직군 고용은 연 3.8%씩 감소하며, 감소 폭이 커지고 있습니다.
  3. 이론 구축(Naur) — 리팩터링 21%→3.8%, 파일 간 호출 −35%, 무리뷰 머지 +31%, 디버깅 이해도 −17%p. 1985년 논문의 예측이 2026년 지표로 관측됩니다.
  4. 자동화의 아이러니(Bainbridge) — DORA가 2026년에 “전문성의 역설"과 “생산적 분투의 우회"를 독립적으로 재발견했습니다.

마지막으로, 이 교수가 “26학번으로 돌아가겠느냐"는 질문에 “그렇다"고 답한 것에 대해서. 저는 그 답이 여전히 옳다고 생각합니다. 다만 이유는 달라져야 할 것 같습니다.

영상이 제시한 이유는 “모두에게 새롭기 때문에 공평하다” 입니다. 2026년 데이터는 그 명제를 지지하지 않습니다. 새로운 것은 도구이지 판단력이 아니고, 판단력의 분포는 오히려 더 기울어졌습니다.

더 정확한 이유는 이런 쪽일 것입니다. AI가 만드는 능력을 값싸게 만들면서, 판단하는 능력의 상대 가치는 오히려 올랐습니다. 그런데 Anthropic의 2026년 실험이 보여 주듯, 그 판단력은 AI를 쓰면서도 얻을 수 있습니다. 코드 생성을 위임하는 대신 개념을 묻는 방식으로 쓰면 됩니다. 같은 도구를 쓰고도 65%와 40%로 갈렸다는 것은, 이 갈림이 재능이나 접근권이 아니라 습관 의 문제라는 뜻이기도 합니다.

컴퓨터공학과가 앞으로도 의미가 있다면, 그것은 코딩을 가르쳐서가 아니라 그 습관을 훈련시킬 구조를 아직 갖고 있기 때문 일 것입니다. 다만 그 구조가 지금 형태 그대로 유효한지는, 영상이 시사한 것보다 훨씬 시급하게 다시 설계해야 할 문제로 보입니다.

References#

인용 자료는 가급적 2026년 발표분으로 한정했으며, 역사적 유비(ATM)와 고전 문헌(Naur 1985, Bainbridge 1983)만 예외입니다.

2026년 자료

비교·배경 자료 (2025년 이전)