AI가 코드를 쓰는 시대, 컴퓨터공학은 왜 필요한가?

AI에게 웹페이지나 간단한 프로그램을 만들어 달라고 하면 작동하는 초안을 얻을 수 있다. 예전에는 프로그래밍 언어의 문법을 익혀야 시작할 수 있었던 일도 이제는 자연어 설명만으로 시도할 수 있다. 하지만 그 초안이 사용자의 요구를 정확히 반영하는지, 다른 시스템과 안전하게 연결되는지, 예상하지 못한 입력이나 장애에도 제대로 작동하는지는 별도의 문제다.

따라서 “AI가 코드를 쓸 수 있으니 컴퓨터공학 전공은 불필요하다”는 결론은 성급하다. 더 정확한 질문은 어떤 종류의 프로그래밍 일이 쉬워졌고, 어떤 역량의 가치가 남아 있는가다.

쉬워진 것은 코드 작성의 일부다

반복적인 코드, 익숙한 형식의 기능, 간단한 프로토타입을 만드는 일은 전보다 쉬워졌다. 국제 컴퓨터교육 연구 학회인 ACM의 2024년 연구에서는 생성형 AI가 기초 프로그래밍 문제의 완성 코드를 제공할 수 있다고 설명했다. 초보자 21명을 관찰한 실험에서는 20명이 과제를 끝냈지만, AI를 활용해 작업을 빠르게 진행한 학생과 오히려 어려움을 겪은 학생 사이에 차이도 나타났다. 어려움을 겪은 학생들에게는 문제를 잘못 이해하거나, 제대로 해결하지 못했는데도 해결했다고 믿는 기존의 어려움이 남았고, AI 사용이 이를 더 키울 수 있었다. 이 작은 교육 실험이 현업 전체를 대표하지는 않지만, 코드 초안을 얻는 일과 문제를 이해하고 해결하는 능력은 같지 않다는 점을 보여준다. ACM ICER 2024 초보 프로그래머 연구

AI가 만든 코드도 자동으로 안전하거나 정확한 것은 아니다. 실제 개발자와 GPT가 주고받은 코드 사례를 분석한 2026년 소프트웨어공학 연구에서는 C 계열 언어 코드 2,315개 조각에서 56개의 보안 취약점을 확인했다. 최근 모델들은 연구진이 확인한 취약점의 약 75~80%를 찾아내거나 수정했지만, 모두를 처리하지는 못했다. 이 숫자를 모든 AI 코드의 취약점 발생률로 읽어서는 안 된다. 연구 대상은 특정 데이터셋과 언어에 한정돼 있다. 다만 AI가 작성한 코드를 검토 없이 믿을 수 없고, 검토와 정적 분석 같은 보완 수단이 필요하다는 근거는 된다. Empirical Software Engineering의 AI 보안 코딩 연구

더 우려되는 변화는 신입의 ‘경력 사다리’다

한국의 청년 고용 자료에는 가볍게 넘기기 어려운 신호가 있다. 한국은행은 국민연금 가입 자료와 경제활동인구조사를 분석해, 2022년 6월부터 2026년 6월까지 청년층 일자리가 28.5만 개 감소했고 그중 26.8만 개가 AI 노출도가 높은 업종에서 줄었다고 보고했다. 컴퓨터 프로그래밍업의 청년 고용도 해당 기간 16.6% 감소한 것으로 집계됐다. 같은 업종에서 50대 고용은 증가했다. 한국은행, 「청년고용 위축, AI 탓인가?」

그러나 이를 곧바로 “AI가 청년 일자리를 줄였다”고 단정하면 안 된다. 한국은행은 팬데믹 시기 과잉채용의 조정, 경력직 중심 채용, 기업 내부교육 약화, 재택근무 확산 등도 영향을 미쳤을 수 있다고 설명한다. 현재의 변화는 AI만의 직접적인 효과라기보다 기존의 채용·업무 변화에 AI가 더해진 결과일 수 있다는 것이다. AI가 사람의 일을 보조하는 업종에서는 청년 고용 감소가 제한적이었던 반면, 업무 자동화 비중이 높은 업종에서는 감소 폭이 더 컸다는 분석도 함께 제시했다. 장기적으로 이 추세가 이어질지는 불확실하다. 한국은행 이슈노트 요약

전공자에게 이 사실이 뜻하는 바는 분명하다. 반복 작업을 맡으며 경험을 쌓는 초급 경로가 좁아질 수 있으므로, 학교 밖에서도 리뷰와 운영 경험을 얻을 방법을 마련해야 한다. 그렇다고 청년 취업 감소를 AI 하나로 설명하거나, 컴퓨터공학 전공의 미래가 사라졌다고 말할 근거는 없다.

컴퓨터공학은 프로그래밍 언어 사용법만 배우는 전공이 아니다

ACM·IEEE-CS·AAAI가 공동으로 제시한 컴퓨터과학 교육과정 지침 CS2023은 컴퓨터과학의 지식 영역을 알고리즘, 컴퓨터 구조, 자료 관리, 프로그래밍 언어, 네트워크, 운영체제, 병렬·분산 컴퓨팅, 보안, 소프트웨어공학, 인공지능 등 17개로 구성한다. 즉 컴퓨터공학 교육의 범위는 코드 작성보다 넓다. CS2023 교육과정 지식 영역

이런 기초가 실제로 필요한 이유는 프로그램이 코드 한 파일로 끝나지 않기 때문이다. 사용자의 요청을 데이터 구조와 업무 규칙으로 바꾸고, 데이터베이스·네트워크·외부 API와 연결하고, 실패했을 때 복구하며, 접근 권한과 보안 경계를 관리해야 한다. 성능이나 비용, 장애 대응도 고려해야 한다. AI는 이 과정의 일부 코드를 작성할 수 있지만, 무엇을 만들지 결정하고 결과가 제약 조건을 충족하는지 확인하는 책임까지 자동으로 대신하지는 않는다.

AI 기능을 가진 소프트웨어에서는 평가도 더 중요해진다. 같은 질문에도 모델 출력이 달라질 수 있어, 단순히 “한 번 실행해 보니 괜찮다”로 품질을 판단하기 어렵다. 실제 업무와 비슷한 테스트 사례를 만들고, 잘못된 도구 선택이나 데이터 접근, 예외 상황을 확인해야 한다. OpenAI의 평가 가이드도 실제 사용 조건을 반영한 평가와 사람의 판단을 함께 활용하도록 안내한다. OpenAI 모델 평가 가이드

비전공자와의 차이는 ‘코드 작성 권한’이 아니다

비전공자도 AI를 활용해 간단한 서비스를 만들고, 특정 업무 분야에 대한 지식으로 제품 요구사항을 구체화할 수 있다. 이 능력은 실질적인 강점이다. 컴퓨터공학 전공이라고 해서 자동으로 더 좋은 개발자가 되는 것도 아니다.

차이는 전공 이름 자체보다 복잡한 상황에서 시스템의 동작을 설명하고, 문제가 생겼을 때 원인을 찾아 고칠 수 있는지에서 나타난다. 예를 들어 AI가 생성한 코드를 실행해 보는 수준과, 데이터가 잘못 전달되는 지점을 찾고 권한·동시성·오류 처리 문제를 진단하는 수준은 다르다. 컴퓨터공학의 기초는 이런 문제를 이해하고 다른 기술이나 분야에도 적용하는 데 도움을 준다. 다만 비전공자도 독학, 실무, 프로젝트를 통해 같은 역량을 갖출 수 있다. 전공은 영구적인 신분 구분이 아니라 그 기초를 익히는 한 경로다.

한국에서 고려할 수 있는 진로

컴퓨터공학 전공자가 AI 직함 하나만 목표로 삼을 필요는 없다. 한국의 AI 채용공고 분석을 인용한 소프트웨어정책연구소(SPRi)의 2026년 보고서에서는 직무 유형이 기업 규모에 따라 다르게 나타났다. AI 관련 공고 중 중소기업은 ‘AI 응용 소프트웨어 개발’ 비중이 대기업보다 높았고, 대기업·중견기업은 데이터 엔지니어, 데이터 사이언티스트, AI 기술 컨설턴트 등의 비중이 상대적으로 높았다. 이 수치는 AI 관련 공고 분석이지 전체 IT 채용시장 비율은 아니다. SPRi, 「에이전틱 AI 시대의 핵심 자원, AX 인재」

SPRi 보고서는 잡코리아의 AI 관련 채용공고 수가 2021년부터 5년 동안 112% 늘었고, 2026년 1~5월 공고 수는 전년 같은 기간보다 70% 증가했다고 인용한다. 공고 수는 실제 채용 인원이나 순증 일자리 수와 같지 않다. 또 같은 보고서는 AX 인력이 표준 직업 분류에서 별도 직군으로 식별되지 않아 관련 수급 통계에 한계가 있다고 지적한다. 따라서 이 자료는 AI 업무가 여러 산업과 직무로 퍼지는 흐름을 보여주는 지표로 읽는 편이 적절하다. SPRi 보고서와 통계 해석의 한계

AI 연구개발이 목표라면 수학과 연구 경험을 더 깊게 쌓을 필요가 있다. 한국은행이 LinkedIn 프로필 자료를 분석한 결과, 2024년 국내 AI 전문인력으로 분류된 사람들 가운데 석·박사 학위 보유자는 58%였다. 이는 연구개발 역할의 장벽을 가늠하는 참고 자료지만, 모든 AI 응용 개발 직무에 대학원 학위가 필요하다는 뜻은 아니다. 한국은행, 「AI 전문인력 현황과 수급 불균형」

반대로 고객의 업무 현장을 이해하고 직접 시스템에 적용하는 데 강점이 있다면 FDE(Forward Deployed Engineer) 같은 직무도 살펴볼 수 있다. SPRi는 이 역할을 고객의 업무·데이터·시스템을 진단하고, 해결책을 설계·개발·통합해 실제 환경에 배포하고 성과를 확인하는 일로 설명한다. 다만 신생 직무의 명칭과 범위는 회사마다 다를 수 있으므로, 직함보다 실제 업무 내용을 확인해야 한다. SPRi의 FDE 직무 설명

전공자가 지금 준비할 것

1. 기초 과목을 AI에 맡기지 말고 직접 이해해야 한다

자료구조·알고리즘·운영체제·데이터베이스·네트워크·소프트웨어공학은 목표 분야에 따라 깊이는 다르더라도, AI가 작성한 결과를 읽고 시스템 문제를 해결하는 토대가 된다. AI에게 설명이나 코드 초안을 요청할 수는 있지만, 생성된 코드가 왜 작동하는지 설명하고 오류를 수정할 수 있어야 한다.

2. 한 분야를 골라 끝까지 만든 프로젝트를 준비해야 한다

튜토리얼을 그대로 따라 한 결과물보다, 요구사항을 정하고 구조를 설계해 구현·테스트·배포·운영까지 해 본 사례가 강한 증거가 된다. AI 서비스라면 테스트·평가 사례, 권한 설정, 로그, 실패 처리까지 보여줄 수 있다. 임베디드나 게임 분야라면 성능·안정성·사용 환경을 직접 측정하고 그 결과를 설명하는 편이 좋다.

3. AI를 쓰면서도 검증 과정을 남겨야 한다

어떤 부분을 AI로 만들었는지보다, 어떤 테스트로 확인했는지, 어떤 실패를 발견했는지, 왜 구조를 바꿨는지가 더 많은 정보를 준다. 프로젝트 설명에는 코드와 함께 아키텍처, 주요 선택의 이유, 테스트 결과, 발견한 문제와 해결 과정을 담을 수 있다.

4. 학교 밖에서 경험을 쌓을 경로를 찾아야 한다

인턴십, 산학 프로젝트, 연구실, 오픈소스 기여, 팀 프로젝트는 실제 코드 리뷰와 협업, 유지보수 경험을 얻는 방법이다. 한국은행도 AI 확산에 따른 초급 경력 경로의 변화를 짚으며 현장훈련과 멘토링을 대응 방향으로 제시했다. 초급 업무가 줄어들 수 있다는 우려가 있는 만큼, 수업 과제 밖에서 경험을 쌓는 통로를 일찍 만드는 편이 유리하다. 한국은행의 경력 사다리 분석

5. 채용공고를 보고 학습 우선순위를 정해야 한다

‘AI 엔지니어’라는 제목만 보고 준비하면 실제 업무와 어긋날 수 있다. 지원하려는 공고에서 반복되는 업무, 기술, 경력 요건을 살펴보고, 응용 개발·데이터·플랫폼·보안·임베디드 중 한 방향을 정해 기초와 프로젝트를 맞춰 가는 게 현실적이다.

결론: 전공의 가치는 코드보다 판단과 책임에 있다

AI는 프로그래밍을 시작하기 쉽게 만들었고, 단순하거나 반복적인 코드를 만드는 데 드는 시간도 줄일 수 있다. 동시에 한국은행 자료는 일부 AI 고노출 업종에서 청년 고용이 줄어든 사실을 보여준다. 그 감소가 AI만의 결과라고 단정할 수는 없지만, 신입의 경력 형성에 어려움이 생길 가능성은 진지하게 봐야 한다.

그렇다고 컴퓨터공학의 가치가 사라진 것은 아니다. 전공의 핵심은 특정 언어의 문법을 외우는 데 있지 않다. 프로그램과 시스템이 어떻게 동작하는지 이해하고, 실패를 분석하고, 안전하고 유지 가능한 해결책을 만드는 데 있다. 이 역량을 실제 프로젝트와 경험으로 보여주는 전공자에게 컴퓨터공학은 여전히 유효한 기반이다.