AI가 작동하는 제품까지 만들어주지는 않는다, 그건 여전히 당신의 일이다

AI는 몇 분 만에 UI와 데이터베이스를 갖춘 프로토타입을 만들지만, 첫 작동 버전에서 프로덕션급 제품까지의 거리를 줄여주지는 못함 실제 제품에는 확장성, 오류 처리, 관측 가능성, 보안, 인증, 데이터 구조처럼 문법 작성보다 공학적 판단이 필요한 문제가 남아 있음 컴퓨터 과학의 가치는 코드 생산보다 시스템의 동작과 실패 원인을 이해하는 정신 모델에 있으며, 이를 알아야 비효율적인 쿼리나 경쟁 조건을 발견할 수 있음 요구사항을 기계적으로 코드로 옮기는 수요는 줄어들지만, 숙련된 엔지니어는 반복 작업을 AI에 맡기고 전문성이 필요한 문제에 집중해 훨씬 빠르게 일할 수 있음 AI를 이해의 대체재로 사용하면 고장 난 시스템을 수정·확장·인수인계하기 어려우므로, 기초 지식을 먼저 익힌 뒤 AI 도구를 활용해야 함 프로토타입과 제품 사이의 간극 자연어로 아이디어를 설명하면 몇 분 안에 UI와 데이터베이스를 갖추고 의도한 기능을 수행하는 작동 가능한 프로토타입을 얻을 수 있음 하지만 노트북에서 실행되는 프로토타입은 실제 환경에서 여러 문제를 드러낼 수 있음 부하를 견디지 못하고 오류 처리도 갖추지 못함 API 토큰이 유출될 수 있음 데모용 데이터 모델이 두 번째 사용자를 추가하는 순간 무너질 수 있음 인증이 검증되지 않은 가정에 의존하며 보안 여부도 불확실함 배포 단계에 이르면 ‘작동한다’와 ‘준비됐다’ 사이의 큰 프로덕션 격차가 드러남 어려운 일은 코드 작성 이후에 있었음 소프트웨어 엔지니어는 이전에도 무언가를 빠르게 실행할 수 있었고, 실제로 시간이 걸리는 부분은 그 이후였음 규모가 커져도 버티는 시스템 설계 사용자가 예상 밖의 경로로 진입할 때의 예외 처리 장애 발생을 확인할 수 있는 관측 가능성 구축 3년 뒤의 후회를 줄이는 데이터 아키텍처 결정 AI는 최초 작동 버전까지 걸리는 시간을 크게 단축했지만, 그 버전에서 프로덕션급 시스템까지 가는 거리는 줄이지 못함 빠른 요청·응답·결과 확인 과정은 나머지 개발 과정도 압축됐다는 인상을 주지만, 소프트웨어의 어려운 문제는 애초에 문법 작성이 아니었음 무엇을 만들고 어떻게 구조화할지, 무엇을 미루고 언제 거절할지를 정하는 판단력이 프로토타입과 프로덕션 시스템을 구분함 컴퓨터 과학이 여전히 필요한 이유 AI 생성 코드에 쉽게 접근할 수 있게 되면서 알고리듬, 자료구조, 운영체제, 이론을 수년간 공부해야 하는지 의문을 품는 신규 진입자가 늘어남 컴퓨터 과학 교육의 가치는 코...