LLM 시대, 프로그래밍을 배운다는 것

AI로 작동하는 소프트웨어를 만드는 속도와 그 소프트웨어를 이해하는 속도는 같지 않다. 개발자 마크 시먼(Mark Seemann)은 대규모 언어 모델(LLM)로 복잡한 시스템을 만들었지만 고장을 고치지 못해 고민하는 독자의 편지에 답하며, 프로그래밍을 배운다는 것이 무엇인지 다시 묻는다. 그는 기초 지식을 중시하면서도 AI 시대의 일자리와 학습법에 확실한 답이 있다고 말하지 않는다. 해커뉴스(Hacker News) 토론 역시 빠른 제작이 실력으로 이어지는지, AI가 오히려 배움의 출발점이 될 수 있는지를 놓고 갈렸다.

핵심 요약

  • 한 독자는 LLM으로 여러 기술이 얽힌 시스템을 만들었지만, 제품으로 다듬는 과정에서 자신이 구조를 충분히 이해하지 못한다는 사실을 깨달았다.
  • 시먼은 자신이 다루는 부분의 바로 아래와 위에 있는 기술 계층을 이해해야 문제를 추적할 수 있다고 조언한다.
  • 그는 LLM이 질문에 답하는 시간을 줄여도 사람이 지식을 흡수하는 속도까지 크게 높일지는 의문이라고 본다.
  • 시먼은 학습 방향 같은 막연한 질문보다, 작동 여부를 직접 확인할 수 있는 코드 질문에 LLM을 쓴다.
  • 토론에서는 AI가 이해 수준을 넘는 제품을 빠르게 만들게 한다는 우려와, 의식적으로 공부하면 학습에도 도움이 된다는 의견이 함께 나왔다.

만들 수는 있지만 고칠 수는 없는 시스템

시먼에게 편지를 보낸 독자는 정식 컴퓨터과학 교육을 받지 않았지만, 약 1년 동안 LLM의 도움으로 큰 시스템을 만들었다. 타입스크립트(TypeScript)와 자바스크립트(JavaScript)로 작성한 이 시스템에는 API, 포스트그레스큐엘(PostgreSQL), LLM 처리 흐름, 조사 자동화, 여러 모델을 함께 쓰는 작업이 들어 있다. 처음에는 아이디어를 떠올린 뒤 실제로 구현하기까지의 거리가 AI 덕분에 크게 줄어든 듯했다.

문제는 이를 실제 제품으로 다듬으면서 나타났다. AI로 오류 하나를 고치면 다른 오류가 생기고, 몇 달간 코드를 고쳐도 어떤 부분이 왜 그렇게 움직이는지 알기 어려웠다. 독자는 자신이 이해할 수 있는 수준을 넘어선 시스템을 만들었을지 모른다고 털어놨다. 정상 작동할 때는 보이지 않던 지식의 빈틈이 고장 앞에서 드러난 것이다.

독자가 묻는 것은 AI를 써도 되는지에 대한 찬반이 아니다. 다음에 무엇을 해야 할지 또 다른 모델에 물어야 한다면, 지금까지 만든 것이 스스로 책임질 수 있는 제품인지 의심스럽다는 것이다. 그래서 그는 프로그래밍 언어와 자료구조, 데이터베이스, 네트워크, 운영체제, 디버깅, 설계를 지금도 진지하게 공부해야 하는지 시먼에게 물었다.

감탄할수록 커지는 반감

시먼은 답하기에 앞서 자신도 AI와 어떤 관계를 맺어야 할지 정하지 못했다고 밝힌다. 실제로 사용하고 실험하며 성능에 감탄할 때가 있지만, 한편으로는 반감도 느낀다. 30년 넘게 쌓아 온 기술이 여전히 필요한지 의심하게 만드는 순간이 오히려 AI가 가장 뛰어날 때라는 설명이다. 그의 답변은 기술의 효용을 부정하기보다, 그 효용이 사람의 일과 삶에 미칠 영향을 걱정하는 데서 출발한다.

그는 프로그래밍이 다른 사무직보다 결과를 확인하기 쉬운 분야일 수 있어, LLM이 개발자의 일을 먼저 가져갈 가능성을 거론한다. 경제학을 공부한 자신의 배경을 언급하며 지식 노동자의 대규모 실업이 경제에 미칠 영향도 우려한다. 다만 글에 등장하는 30~40% 실업은 현재 상황을 나타내는 수치가 아니라, 그 정도의 실업이 벌어진다면 사회가 감당하기 어렵겠다는 가정이다.

새 기술이 사라진 일자리 대신 새 일자리를 만든다는 낙관론에도 시먼은 선뜻 동의하지 않는다. 일자리가 새로 생겨도 기존에 일을 잃은 사람이 그 자리로 곧장 옮겨 갈 수는 없다는 이유다. 그는 중국의 세계무역기구(WTO) 가입을 예로 들며, 새 일자리가 어디에, 누구에게 생기는지가 중요하다고 말한다. 그러면서도 자신의 걱정이 틀리기를 바란다고 덧붙인다.

기초를 공부해야 하는 이유

독자는 LLM이 등장하기 전에 프로그래밍을 배운 것이 다행인지 묻는다. 시먼은 지난 30년간 그 기술이 자신에게 도움이 됐으므로 그렇다고 답한다. 그러나 지금 처음 진로를 고른다면 목공이나 금속 가공처럼 손과 눈의 협응이 필요한 일을 진지하게 고려할 것이라고 말한다. 로봇도 발전하고 있지만 육체노동의 대체는 더 먼 미래의 일처럼 보인다는 것이 그의 판단이다.

그렇다고 시먼이 프로그래밍 기초 공부를 그만둔 것은 아니다. 그는 현재 대학 과정에서 자료구조와 프로그래밍 언어의 의미 체계 등을 배우고 있다. 다만 이를 계속하는 이유를 금전적 보상에 대한 기대가 아니라 호기심이라고 설명한다. 공부할 가치와 앞으로의 직업적 보상을 같은 질문으로 취급하지 않는 셈이다.

AI가 사람의 이해 속도보다 개발 속도를 더 빠르게 높이는지는 아직 지켜봐야 한다고 시먼은 말한다. 개발자는 원래 모든 내부 원리를 알지 못한 채 다른 사람이 만든 추상화(복잡한 내부를 감추고 필요한 기능을 드러내는 방식) 위에서 일해 왔다. 웹 개발자가 컴파일러를 모두 알 필요는 없고, 컴파일러 개발자가 집적회로 설계를 모두 알 필요도 없었다. 그가 제시하는 실용적인 기준은 자신이 일하는 계층의 바로 아래와 위를 이해하는 것이다. 그래야 대부분의 문제를 추적할 수 있다는 설명이다.

이해하지 못한 코드를 만들던 시절

시먼은 이미 오랜 경력을 쌓은 자신과 기초가 약한 독자를 같은 출발선에 놓지 않는다. 낯선 환경을 맡더라도 기존 지식을 발판으로 배울 수 있기 때문이다. 그는 자신에게 특히 생소할 사례로 리스크파이브(RISC-V) 어셈블리어로만 작성된 애플리케이션의 유지보수를 든다. 그런 일을 맡으면 어렵겠지만, 프로그래밍을 처음 접하는 사람보다는 적응하기 쉬울 것이라는 뜻이다.

그렇다고 시먼이 처음부터 자신이 만든 코드를 잘 이해했던 것은 아니다. 그는 1999년부터 C++로 COM 구성요소를 작성하면서도, 당시에는 하는 일을 충분히 알지 못했다고 회고한다. 일을 마무리하는 동시에 현장에서 배워야 했고, 눈에 띄는 메모리 누수도 없앨 만큼 결과를 내기는 했다. 하지만 원리를 모른 채 코드를 이어 붙이는 상태에 만족하지 않아 시간을 내어 기초를 체계적으로 공부했다.

그 경험을 오늘의 입문자에게 그대로 권할 수 있을지는 시먼도 확신하지 못한다. 자신의 부족한 지식을 알아볼 만큼 실력이 쌓이기까지 수십 년이 걸렸기 때문이다. 독자에게 ‘기초부터 다시 하라’고만 말하기 어려운 이유도 여기에 있다. 이미 상당한 시스템을 만들고 있는 사람이 일을 계속하는 동안 무엇을 이해하고, 언제 멈춰서 공부할지 결정해야 한다.

질문은 빨라져도 배움에는 시간이 든다

LLM이 있으면 필요한 내용을 더 정확히 집어 질문할 수 있다는 점은 시먼도 인정한다. 과거에는 도움이 될 만한 내용이 있을 것이라 기대하며 책을 사서, 당장의 문제와 관계없는 부분까지 읽어야 할 때가 있었다. 지금은 막힌 지점을 바로 물을 수 있으니 학습에 쓰는 시간을 줄일 여지가 있다. 다만 그는 지식이 사람의 머릿속에 자리 잡는 속도까지 크게 빨라질지는 의심한다.

이 대목은 독자의 선택을 더 어렵게 만든다. 기초를 처음부터 체계적으로 공부하는 동안 제품 개발을 멈출 것인지, 문제를 만날 때마다 필요한 것만 배울 것인지, 둘을 병행할 것인지 정해야 하기 때문이다. 시먼은 자신이 예전에 기초 공부로 도움을 받았다고 말하지만, 지금도 같은 경로가 똑같이 통할 것이라고 약속하지 않는다. 답을 얻는 속도가 빨라진 것과 스스로 판단할 수 있는 지식이 쌓인 것은 다른 일이다.

시먼이 처음 프로그래밍을 익힌 과정 자체도 단일한 교재나 학습법으로 설명되지 않는다. 경제학 석사 논문을 위해 계산 결과를 그리는 프로그램을 큐베이식(QBasic)으로 만들며 예제를 살피고 친구에게 질문했다. 이후에는 주로 문서와 다른 사람의 코드에서 배웠고, 어떤 언어를 익힐 때는 책이 중요한 역할을 했다. 그의 경험에서 꾸준히 반복되는 것은 도구의 종류보다 직접 해 보고 막힌 곳을 풀어 가는 과정이다.

LLM에는 확인할 수 있는 것만 묻는다

시먼은 여러 언어를 접한 지금, 새 언어가 일반적인 형태라면 기존 코드를 읽고 낯선 부분을 찾아보며 익힌다고 한다. 반면 자신에게 익숙하지 않은 방식의 언어라면 별도의 입문 자료가 필요하다고 본다. 그는 이 방법 역시 오랜 경험을 전제로 하므로 오늘 처음 프로그래밍을 배우는 사람에게 그대로 적용하기 어렵다고 선을 긋는다.

그가 LLM을 학습의 중심에 두지 않는 이유는 답변을 쉽게 신뢰하지 않기 때문이다. 대신 참인지 직접 확인할 수 있는 질문을 던진다. 예를 들어 해스켈(Haskell) 표현식을 더 간결하게 쓸 방법을 물으면 제안된 코드가 실제로 작동하는지, 길이가 줄었는지 확인할 수 있다. 반대로 다음에 무엇을 공부해야 하는지 묻는다면 답의 옳고 그름을 그처럼 분명하게 가리기 어렵다.

시먼의 결론은 LLM을 아예 쓰지 말라는 조언이 아니다. 답이 그럴듯한지 듣고 끝내는 질문보다, 직접 시험해 볼 수 있는 질문에 쓰겠다는 원칙이다. 이는 독자가 겪는 곤란과도 맞닿아 있다. 모델이 제시한 수정을 적용하는 것만으로는 오류의 원인을 이해하거나, 다음 문제가 생겼을 때 스스로 대처할 능력을 쌓기 어렵기 때문이다.

커뮤니티 의견

한 사용자는 몇 년 전만 해도 어느 정도 복잡한 최소 기능 제품(MVP)을 만들려면 기본 개념을 배워야 했지만, 이제는 LLM을 잘 이끌면 자신의 이해 수준을 훌쩍 넘는 제품을 빠르게 만들 수 있다고 했다. 그러면서 AI가 학습을 빠르게 할 가능성도 있다고 봤다. 다만 프로젝트를 만드는 동안 의도적으로 이해를 쌓는 훈련과 절제가 필요하다고 강조했다.

다른 사용자는 프로그램을 유지보수할 때 결국 형식적으로 기술된 내용을 읽고 새 요구사항에 맞게 바꿀 사람이 필요하다고 주장했다. 자연어만으로 프로그램을 설명하고 관리하는 일은 쉽지 않으므로, LLM이 있다고 프로그래머가 불필요해지지는 않는다는 입장이다. 이에 대한 답글에서는 자연어를 과소평가해서는 안 된다는 반론과, 요구사항을 표현하기에 적합한 언어가 무엇인지 아직 찾는 중이라는 의견이 나왔다.

시스템 유지보수도 맡는다는 한 사용자는 AI가 일을 빠르게 하면서 동시에 늦출 수도 있다고 했다. 여러 기계에서 급하게 조치해야 할 때 클라우드 AI의 답을 기다릴 수 없고, 계속 답을 받아 쓰다 보면 숙련도도 떨어질 수 있다는 이유다. 특히 신입 개발자가 AI로 보기 좋은 결과물을 만드는 데는 성공해도, 그 사용 방식에 갇히면 전문가로 성장하기 어렵다고 우려했다.

또 다른 사용자는 소프트웨어 공학의 핵심을 복잡성 관리에서 찾았다. 큰 프로젝트의 모든 내용을 한 번에 머릿속에 담을 수는 없으므로, 계층과 구성요소로 나눠 다뤄야 한다는 설명이다. 답글에서는 이를 더 넓게 위험을 관리하는 일로 봐야 한다는 의견이 나왔다. 반면 테스트만 충분히 통과한다면 코드 내부의 구조가 얼마나 깔끔한지는 덜 중요할 수 있다는 반론도 있었다.

한 사용자는 AI가 만든 코드를 판단하려면 먼저 스스로 프로그래밍할 줄 알아야 한다고 단언했다. 작동하지 않는 이유를 짐작하거나 출력의 품질을 평가할 능력이 없다면, AI를 쓴다는 사실만으로 프로그래머가 되지는 않는다는 것이다. 다만 답글에서는 유지보수하기 어려운 코드로 출발해도 제품 자체는 쓸 만하게 작동할 수 있으며, 테스트와 사용 경험을 세심히 다듬는다면 한동안 버틸 수 있다는 의견이 제기됐다.

일자리 문제를 두고는 시먼이 든 중국의 WTO 가입 사례에 이의를 제기한 사용자가 있었다. 그는 미국의 실업률 흐름을 근거로, 당시의 변화를 새 일자리가 사라진 일자리를 대체하지 못한다는 증거로 보기는 어렵다고 주장했다. 답글에서는 전체 일자리 수가 회복되더라도 일을 잃은 사람과 새 일을 얻은 사람이 같지는 않다는 점이 핵심이라는 반박이 나왔다.

자녀에게 프로그래밍을 가르치는 한 사용자는 AI 없이 직접 만드는 프로젝트를 항상 하나씩 진행하게 한다고 했다. AI를 사용할 때도 먼저 자료구조, 알고리즘, 설계 요구사항을 이해하고, 문제가 생기면 모델에 묻기 전에 가능한 원인을 스스로 적게 한다. 그 뒤 AI로 자신의 가설을 검토하며 문제 해결 능력을 기르려는 방식이다.

마지막으로 한 사용자는 AI에 기대어 작업하던 회사에서 사용 중이던 모델을 쓸 수 없게 되자, 제품 배포 중 아무도 일을 진행하지 못했다는 지인의 사례를 전했다. 구성원들이 코드를 읽지 않아 작동 방식을 몰랐다는 것이다. 이 사례는 AI가 답을 줄 수 있는지와 별개로, 개발자가 시스템을 직접 살피고 유지할 능력을 갖추고 있는지 묻는다.

핵심 통찰

LLM은 아이디어를 작동하는 코드로 옮기는 문턱을 낮췄지만, 고장 난 시스템을 설명하고 고칠 책임까지 대신 넘겨받지는 않는다. 시먼의 경험과 토론을 함께 보면 중요한 구분은 ‘AI를 썼는가’보다 ‘AI 없이도 무엇을 확인할 수 있는가’에 있다. 앞으로 지켜볼 것은 AI로 만든 제품의 속도만이 아니다. 만든 사람이 코드의 주변 계층을 이해하고, 오류의 원인에 대한 가설을 세우며, 모델의 제안을 직접 검증하는 능력을 함께 키우는지가 더 중요하다.


원본: On learning programming in an age of LLMs

토론: Hacker News