스탠퍼드 교수가 6년간 AI로 학생을 가르쳐보고 내린 결론

출처: EO Korea — 스탠퍼드 교수가 6년간 실험하고 내린 결론: AI시대에도 배워야합니다 · 러닝타임 16분 55초

"저는 다음 세대가 똑똑해지는 것을 포기하지 않을 겁니다. AI 시대에도 마찬가지예요." — Chris Piech, 스탠퍼드대 교수

스탠퍼드대 컴퓨터공학과 교수이자 세계에서 가장 많은 교사를 보유한 온라인 코딩 강좌 'Code in Place'의 창시자 Chris Piech의 인터뷰다. 그는 팬데믹 시기부터 지금까지 6년간, 학생들에게 서로 다른 '용량'의 AI를 투입해가며 무엇이 실제로 학습을 돕는지 실험해왔다. 그 결과는 "AI 튜터가 모든 것을 해결해줄 것"이라는 통념과는 사뭇 달랐다.

1. 인트로 — Chris Piech와 세계 최다 교사 보유 강좌 (0:00~0:19)

Chris Piech는 스탠퍼드대에서 대규모 컴퓨터공학 입문 강의와 AI를 위한 수학 입문 강의를 가르친다. 그가 만든 'Code in Place'는 프로그래밍을 배울 수 있는 온라인 강좌로, 약 17,000명의 학생과 1,000명이 넘는 교사가 참여하는 세계에서 학생당 교사 비율이 가장 높은 수업이다. 이 프로그램은 6년째 운영되고 있으며, Cursor와 Claude Code 같은 AI 코딩 도구가 등장하기 전과 후를 모두 경험했다.

2. AI가 할 수 있어도 우리는 여전히 배워야 한다 (0:19~1:04)

AI 도구 등장 이후 Code in Place의 등록 학생 수는 사실상 두 배로 늘었다. "프로그래밍을 배워야 할까? 확률을 배워야 할까? 글쓰기를 배워야 할까?" AI가 이 모든 걸 대신할 수 있는 지금, 그는 이 질문들에 대한 틀린 답은 "아니요"라고 단언한다. 논증을 형식화하는 법, 확률적 추론의 깊이, 프로그래밍 — AI가 이런 일을 할 수 있다는 것은 오히려 우리의 능력이 증폭될 수 있다는 뜻이며, 그런 영역에서 똑똑해지는 것은 미래에도 여전히 중요하다는 것이다.

3. 학생들의 동기부여 위기 — 불확실성의 시대 (1:04~1:35)

그는 예전보다 훨씬 많은 학생들이 동기부여의 위기를 겪고 있다고 말한다. 세상에 불확실성이 커졌기 때문이다. "2026년의 AI로 내가 무엇을 기여할 수 있을까"를 고민하는 것도 어렵지만, 학생들은 더 어려운 문제와 마주한다. 4년제 학위를 시작한다면, AI가 4년 더 발전한 2030년에는 어떤 직업이 존재할지까지 생각해야 한다는 것이다. 그는 이런 불확실성에 깊이 공감한다고 말한다.

4. AI로 얻는 것과 내준 성장의 경계는 어디인가 (1:35~2:26)

"AI로부터 실제로 무언가를 얻고 있는 시점은 언제이고, 성장의 기회를 너무 많이 내준 시점은 언제인가?" AI에 작업을 위탁하기 시작하면 어느 순간부터는 더 이상 스스로 할 수 없게 되는 지점이 온다. 에세이를 AI에게 너무 많이 맡기면 어느 순간 에세이를 못 쓰게 되고, 코드를 AI에게 너무 많이 맡기면 아키텍처의 핵심 부분을 더 이상 스스로 해내지 못하게 된다. 그는 AI를 갖고 노는 것은 좋지만, 자신이 AI와 함께 성장하고 있는지 자각하는 것, 즉 자기 인식이 무엇보다 중요하다고 강조한다.

5. 케냐에서 스탠퍼드까지 (2:26~2:56)

그는 케냐 나이로비에서 태어나 12살 때 말레이시아 쿠알라룸푸르로 이주했고, 대학 진학을 위해 미국으로 왔다. 처음부터 교수가 되기로 마음먹었던 것은 아니었다. 그저 배우는 것과 흥미로운 문제를 좋아하는 호기심 많은 사람이었을 뿐이다.

6. 교수가 된 계기 — 40시간의 도전 과제 (2:56~3:24)

스탠퍼드에 왔을 때 그는 코딩을 제대로 할 줄 몰랐지만, 선택 과목을 채우기 위해 프로그래밍 수업을 들었다. 그의 선생님은 "2주 동안 배운 것으로 가장 멋진 것을 만들어보라"는 도전 과제를 냈고, 그는 이 과제에 너무 흥분한 나머지 정규 수업 외에 40시간을 추가로 투자했다. 그 과정에서 그는 사람들이 어떻게 배우는지에 대한 호기심을 발견했고, 교수가 되는 것이 자신에게 맞는 길이라고 판단했다.

7. Code in Place — 로봇 카렐과 세계 최다 교사 보유 수업 (3:24~4:01)

Code in Place는 파이썬을 사용하며, 로봇 '카렐'이 북·서·남·동 나침반 방향으로 이루어진 세계를 돌아다니는 방식으로 프로그래밍 개념을 가르친다. 학생 10명당 교사 1명이 배정되며, 약 17,000명의 학생과 1,000명이 넘는 교사가 참여하는 세계에서 가장 교사 비율이 높은 수업이다.

8. 팬데믹이 낳은 아이디어 — 스탠퍼드 교육의 '특별한 소스' (4:01~4:41)

팬데믹 초기, 그는 스탠퍼드의 대표 코딩 입문 수업을 온라인으로 진행해야 하는 상황을 맞았다. "세상이 고통받는 지금, 온라인 수업을 하면서 세상을 도울 방법은 없을까?"라는 질문에서 Code in Place가 출발했다. 영상만 온라인에 올려서는 스탠퍼드 학생들이 받는 것에 크게 못 미친다는 걸 알고 있었는데, 그 이유는 스탠퍼드 컴퓨터공학 입문 교육의 '특별한 소스'가 바로 섹션 리더 — 학생보다 조금 나이 많고 경력이 앞선 사람이 시간을 들여 성장을 도와주는 존재 — 에 있었기 때문이다.

9. 6년간의 실험 — AI 챗봇만으로는 중도 포기가 늘어난다 (4:41~5:26)

"AI 튜터가 모든 걸 해결해줄 것"이라는 생각은 흔한 오해다. AI 튜터는 이미 존재하지만, 사람들이 기대한 만큼의 변화를 가져오지 못했다. 지난 6년간 여섯 차례에 걸쳐 학생들에게 서로 다른 '용량'의 AI를 투입하는 실험을 반복했는데, 결과는 놀라웠다. 그냥 "여기 챗봇이 있으니 이걸로 배우세요"라고 던져주면 예측 가능하게도 중도 포기자가 늘고 의욕이 떨어졌다. 학습 과정 중 부적절한 시점에 AI가 등장하면 오히려 동기를 저해한다는 것이다.

10. AI보다 사람 — 10분 대화가 수료율을 10%p 올렸다 (5:26~6:19)

반면 사람을 투입하면 어떨까? 코딩 실습 중 "선생님이 온라인에 계신데 10분 정도 이야기 나누고 싶어하십니다. 대화하시겠습니까?"라는 팝업이 뜨고, 여기에 '예'를 누르면 코스 수료 확률이 10%포인트 올라갔다. 흥미로운 건, AI의 판단은 틀리지 않았다는 점이다 — 적어도 입문 프로그래밍 수준에서는 AI가 환각을 일으키지 않았고, 오히려 사람이 항상 옳은 것도 아니었다. 그럼에도 사람의 손길은 특별했다. 그는 이를 "동기부여"라고 부른다. 클로드가 모든 생각을 대신하게 하지 않고 직접 생각하는 데는 추가적인 에너지가 필요한데, 그 에너지를 끌어내는 것이 바로 사람과의 연결이라는 것이다.

11. 교육의 최고 보석은 동기부여, 챗봇이 놓치는 것 (6:19~7:45)

"교육의 최고 보석은 언제나 동기부여였다." "나는 당신이 똑똑한 사람이 되기를 바란다. AI 시대에도 당신을 포기하지 않겠다"고 말하는 것이 훨씬 강력한 동기부여가 된다. 그가 챗봇에 대해 가장 아쉬워하는 지점은 '영감을 주는 능력'이다. 그는 학생 사무실에 찾아가 "확률에 관한 정말 멋진 걸 보여줄까?" 하며 학생이 미처 묻지도 않았던 질문에 답을 보여주고, 그 순간 사랑과 영감 같은 감정을 이끌어낸다. 학생이 하루 종일 그 문제만 생각하게 만드는 호기심의 스위치를 켜는 것이 핵심인데, 현재의 챗봇은 그 호기심에 불을 붙이지 못한다. ChatGPT에 접속했을 때 "네 머릿속을 뒤흔들 만한 걸 보여줄까?"라고 먼저 말을 거는 경우는 없다는 것이다. 교사로서 그는 학생들이 지금 어디에 있고 어디로 가려는지 배경지식을 갖고 있기 때문에, 영감을 줄 예시와 도전 과제를 신중하게 골라낼 수 있다.

12. 자율주행차의 교훈 — 미래 예측은 늘 틀린다 (8:21~9:38)

사람들에게 5~10년 후 유망한 직업을 예측해보라고 하면 늘 틀린다. 그는 박사 과정 시절이었던 2011~2012년쯤, 동료가 자율주행차의 초기 이정표를 세우는 걸 지켜보며 "택시 기사나 트럭 운전사는 이제 어떻게 되는 거지?"라고 생각했던 일화를 들려준다. 하지만 실제로 트럭 운전사라는 직업은 이후에도 건전한 속도로 계속 성장했다. 사람들이 과소평가한 것은 귀중한 화물을 책임질 사람의 필요성, 그리고 고속도로에서 항상 벌어지는 예측 불가능한 1%의 상황들이었다 — 경험의 99%가 같아도 나머지 1%의 예외를 AI가 완벽히 통달하기는 매우 어렵다. 언젠가 완전 자율주행 시대가 오겠지만, 그가 정말 놀란 것은 우리가 그 시점을 얼마나 심하게 과대평가했는가였다.

13. AI에 위탁할수록 문제 해결에서 멀어진다 (9:38~10:49)

AI를 깊이 다뤄본 사람이라면 누구나, 생각의 상당 부분을 AI에 위탁할수록 스스로 문제를 해결하는 능력과 점점 멀어지는 경험을 해봤을 것이다. 그는 자신도 AI로 프로그래밍을 많이 하지만, 프로그래밍과 아키텍처에 대해 이미 많이 알고 있기 때문에 괜찮다고 말한다. 만약 아키텍처를 잘 모르는 상태로 AI에 맡기면, AI가 잘못된 결정을 내리기 시작하고, 처음 프로토타입 단계에서는 문제가 드러나지 않다가 5주쯤 지나 학생들이 실제로 쓰기 시작하면 이상한 버그가 튀어나온다. 그때 아키텍처를 이해하지 못하면 학생들을 도울 수 없다는 것이다.

14. 문법 암기보다 문제 해결 능력이 중요해진다 (10:49~11:27)

프로그래밍을 배우는 과정은 크게 두 부분으로 나뉜다. 하나는 컴퓨터에게 명령하는 방법의 '문법'을 배우는 것이고, 다른 하나는 큰 문제를 작은 단위로 쪼개는 '문제 해결력'을 배우는 것이다. 그는 AI가 문법 영역에서는 정말 뛰어나질 것이라고 본다. 미래에는 모든 명령어를 외우는 것이 덜 중요해지고, 문제를 해결하는 능력이 훨씬 더 중요해질 것이다. 그래서 프로그래밍을 배우는 동안에는 문제 해결 능력에 진짜로 집중해야 한다고 강조한다.

15. 코딩이 특별한 이유 — 즉각적이고 검증 가능한 피드백 (11:27~11:53)

코딩에는 특별한 점이 있다. 논리가 틀리면 결과물이 바로 작동하지 않기 때문에, 즉각적이고 검증 가능한 피드백을 받고 빠르게 개선할 수 있다는 것이다. 반면 인생의 문제에 같은 방식을 적용하면, 잘못된 결정을 내려도 피드백 주기가 너무 느려서 의사결정 능력을 연습하고 향상시킬 기회가 좀처럼 생기지 않는다. 코딩은 바로 이 점에서 문제 해결법을 가르치기에 특히 좋은 도구다.

16. 뛰어난 엔지니어가 되는 법과 낮아진 진입장벽 (11:53~13:27)

"어떻게 하면 정말 기여도 높은 엔지니어가 될 수 있을까?"라는 질문에 그의 답은 놀랍지 않다 — 결국 과제에 쏟는 시간, 즉 실제로 무언가를 만드는 데 투자하는 시간이다. 그는 자신이 젊은 엔지니어라면 Claude Code로 많은 프로토타입을 만들고, "이걸 만드는 데 가장 중요했던 단계를 모두 알려줘"라고 물어가며 반복 경험을 쌓아 핵심 개념을 파악하겠다고 말한다. 지금은 혼란스러운 시기지만 이전엔 없던 기회도 있다. 진입 장벽이 낮아졌다는 점이다 — 고등학교 3학년생 둘이서도 흥미로운 문제를 해결하는 인상적인 코드베이스를 만들 수 있는 시대다. 무엇이 만들 가치가 있는 문제인지 아는 것은 하나의 예술 형식이며, 컴퓨터가 할 수 있는 것과 인간이 실제로 필요로 하는 것 사이의 간극을 메우는 능력은 언제나 고차원적인 핵심 기술이었다. 그는 이 기술을 주니어 엔지니어일 때부터 연마해야지, 시니어가 될 때까지 기다려서는 안 된다고 강조한다.

17. 다음 세대가 우리보다 똑똑해질 것이라는 전제 — 기초는 건너뛸 수 없다 (13:27~14:24)

"내 아이도, 당신의 아이도, 혹은 조카라도 다음 세대는 우리보다 똑똑한 사람들로 가득할 것"이라는 전제에서 출발하면, 자연스럽게 "그럼 어떻게 그 지점까지 이끌 것인가"라는 질문으로 이어진다. 어떤 과목을 보든 기초 개념 위에 복잡성이 겹겹이 쌓이는 구조를 갖고 있어서, 아이들이 우리보다 똑똑해지길 바란다면 기초 교육을 건너뛰기는 정말 어렵다. 예를 들어 우리는 오랫동안 계산기로 곱셈을 해왔지만 아이들은 여전히 곱셈을 배워야 한다 — 다만 미묘한 차이가 있다. 곱셈의 '개념'은 매우 중요하지만, "13×7이 뭐야, 빨리 답해"처럼 암산 자체를 빠르게 하는 능력은 상대적으로 덜 중요해진다. 기초는 건너뛸 수 없지만, 무엇에 집중할지는 좀 더 예술적으로 선택할 수 있다는 것이다.

18. 너무 많이 생각하지 마라 — 한 학생의 일화와 마무리 (14:24~16:55)

그는 다음 세대를 포기하지 않는 것을 일종의 공리로 받아들인다고 말한다. 실제로 그가 목격한 바로, 지금의 AI 시대에 가장 길을 잃고 의욕을 잃은 사람들은 오히려 너무 깊이 생각하는 사람들이었다. 놀라운 성과를 내던 한 학생에게 "무슨 생각을 하고 있냐"고 묻자 학생은 "사실 AI의 미래에 대해 깊이 생각하지 않는 게 제가 잘 해내는 이유"라고 답했다 — 정작 교수 자신은 하루에 AI 생각을 열 번쯤 한다고 고백하면서도, 그날 이후 "그냥 호기심을 갖고 배우겠다"는 단순한 태도를 매일 아침의 좌우명으로 삼게 됐다고 말한다. AI는 결국 인간을 증폭시키는 도구다. 환자를 진심으로 아끼는 의사는 이제 더 빠르고 정확하게 일할 도구를 갖게 됐고, 학생을 아끼는 교사는 학생과 함께 더 멀리 나아갈 수 있게 됐다. 다섯 살 미만 두 아이의 아버지이기도 한 그는, 아이들이 멋진 세상에서 살게 될 것이며 우리는 적응하고 문제를 해결해 나갈 것이라고 말한다. 최고의 엔지니어는 모든 코드를 아는 사람이 아니라, 현실 세계의 인간 문제를 앱과 데이터 과학, 연구의 세계로 연결할 수 있는 사람일지도 모른다. 결론은 명확하다 — 일단 뭔가를 만들어라. 사람들이 쓰고 사랑하는 것을 만들고, 그 반복의 과정 속에서 코딩과 문제 해결 모두에 탁월해질 기회를 얻게 될 것이다.

핵심 요약 & 실행 체크리스트

한줄 요약: AI 튜터 그 자체는 학습 동기를 떨어뜨릴 수 있다 — 6년간의 실험이 증명한 것은 결국 사람의 개입, 문제 해결력, 그리고 기초를 건너뛰지 않는 태도가 AI 시대에도 여전히 중요하다는 사실이다.

• ☑ AI에게 그냥 "이걸로 배워"라고 던지면 오히려 동기부여가 떨어진다 — 학습 여정의 올바른 시점에 사람의 개입을 배치하라 (실험 결과 수료율 10%p 상승)
• ☑ "AI로 얻는 것"과 "성장 기회를 내주는 것" 사이의 경계를 스스로 자각하라 — AI와 함께 성장하고 있는지 정기적으로 점검하라
• ☑ 프로그래밍이든 다른 어떤 기술이든, 앞으로는 문법·암기보다 문제 해결 능력에 집중해서 배우는 것이 훨씬 중요하다
• ☑ AI에 아키텍처·핵심 설계를 통째로 맡기기 전에 기초 개념을 먼저 확실히 익혀라 — 그래야 나중에 문제가 생겼을 때 원인을 진단할 수 있다
• ☑ 진입 장벽이 낮아진 지금, 나이나 연차를 기다리지 말고 지금 바로 실제로 무언가를 만들어보며 경험을 쌓아라
• ☑ 5~10년 후의 직업 지형을 정확히 예측하려 하지 마라 — 미래 예측은 늘 틀려왔다는 사실을 받아들이고 지금 할 수 있는 것에 집중하라
• ☑ AI의 미래를 너무 깊이 걱정하기보다 "그냥 호기심을 갖고 배우겠다"는 단순한 태도가 오히려 더 좋은 성과로 이어질 수 있다
• ☑ 컴퓨터가 할 수 있는 것과 인간이 실제로 필요로 하는 것 사이의 간극을 메우는 능력이 핵심 역량이다 — 사용자가 진짜 원하는 것이 무엇인지 파악하는 감각을 지금부터 길러라

본 리포트는 유튜브 원본 영상을 요약·정리한 것이며, 이미지 캡처는 학습·비평 목적입니다. 원본 채널: EO Korea