notesthoughts

AI 시대에 개발자는 무엇을 배워야 하는가

AI가 구현 비용을 낮추는 시대에, 학습의 가치는 어디서 오는가. 생산성 압력과 숙련의 불확실성 속에서 무엇을 배울지보다 어떤 문제에 시간을 쓸지 선택하는 일을 생각해 봤다.

학습을 위해 생산성을 포기할 수 있는가

Rich Hickey는 AI를 도구가 아니라 인간의 작업을 대신하는 자동화로 본다. 생산성의 대가로 직접 사고하고 학습할 기회를 잃을 수 있다는 그의 우려에 나도 상당 부분 동의한다. 하지만 현실에서는 질문이 하나 더 필요하다. 우리는 정말 학습을 위해 생산성을 포기할 수 있는가? 기업은 AI로 더 많은 결과물을 요구하고, 절약한 시간이 학습으로 돌아온다는 보장은 없다. 학습을 위해 AI를 덜 쓰면 야근이 될 수도 있다. 회사는 학교가 아니기에.

그렇다고 기존의 숙련이 앞으로도 같은 경제적 가치를 지닌다고 확신하기도 어렵다. AI가 구현을 넘어 테스트, 리뷰, 배포, 장애 대응까지 자동화한다면 인간의 역할이 ’구현’에서 ’검증’으로 옮겨간다고만 말할 수 없다. 인간에게 유용한 지식과 기업이 값을 쳐주는 지식은 다르다. 그래서 숙련을 지켜야 한다는 당위만으로는 학습의 ROI를 설명할 수 없다. 이는 개인의 태도보다 노동 조직과 자동화의 경계가 얽힌 구조의 문제에 가깝다.

추상화를 발견하는 일

그럼에도 React Query나 Clojure에서는 여전히 중요한 가능성을 본다. TanStack Query는 서버 상태 관리의 반복되는 문제를 하나의 추상화로 묶었고, Clojure는 상태와 정체성, 불변 데이터로 복잡성을 다루는 관점을 제안했다. 알려진 설계를 재현하는 일과 무엇을 하나의 개념으로 묶을지 발견하는 일은 다르다. AI가 이것까지 하지 못하리라는 보장은 없고, 희소하다고 보상이 따르는 것도 아니다. 다만 API를 익히는 것과 그것이 풀려는 문제와 원리를 이해하는 것은 다른 학습이고, 후자는 여러 기술에 걸쳐 쓰일 수 있다.

만들고 싶은 문제에서 출발하기

AI 네이티브 개발자가 무엇을 배워야 하는지는 아직 답이 없다. 그래서 학습을 막연한 미래 대비가 아니라 실제로 풀고 싶은 문제와 연결하고 싶다. 이미지와 비디오를 하나의 샘플링 모델로 다루거나, 시각 매체에 음악의 시퀀싱 개념을 적용하는 도구를 만든다고 해 보자. 구현은 AI로 빠르게 하더라도 매체 간 차이를 어떻게 추상화할지, 시간축과 실시간 상호작용을 어떻게 모델링할지는 직접 탐구할 수 있다. 이런 학습이 높은 보상을 보장하지는 않지만, 적어도 가치를 불확실한 미래 수요에만 맡기지는 않는다.

결국 궁금한 것은 어떤 기술이 살아남는가만이 아니다. 우리가 학습을 통해 얻으려는 것은 무엇이며, 그 비용은 누가 부담해야 하는가? 재교육의 책임이 개인에게 넘어가면 개발자는 퇴근 후에도 공부해야 하고, 이를 개인의 태도만으로 풀기는 어렵다. 반대로 모든 숙련이 무용해질 거라 가정하고 학습을 포기하는 것도 성급하다. 내가 지금 말할 수 있는 건, 어느 기술도 영구적으로 안전하지 않다는 것과 어떤 문제를 중요하게 여기고 어떤 경험에 시간을 쓸지 스스로 선택하는 일이 더 중요해진다는 것이다. AI가 구현의 비용을 낮출수록, 무엇을 만들고 싶은가라는 질문은 어떻게 구현할 것인가만큼 중요해질 것이다.