AI공부법, 대부분이 틀리고 있습니다

AI 시대 공부법, 탑다운으로 빠르게 배워야 할까? 아니면 기초부터 차근차근 쌓아야 할까? 이 질문에 명쾌한 답을 제시하는 강연이 있다. 전직 컴공 교수이자 전 인스타그램(Meta) 엔지니어 출신의 홍정모 강사가 약 14분짜리 영상에서 꺼낸 핵심 메시지는 단순하다. "아주 쉬운 것부터, 탑다운과 버텀업을 둘 다 직접 완전히 뚫어라." 이 글은 그 영상의 내용을 실증 데이터와 함께 정리한 것이다.

 

인프런에서 수만 명이 수강한 C++ 강의를 운영하고 학계, 산업계, 교육계를 모두 거친 그의 시각은 단순한 낙관론도 공포론도 아니다. AI를 제대로 쓸 줄 아는 사람이 되기 위한 현실적인 로드맵이다.

AI가 세상을 어떻게 바꾸고 있나: 상한선과 하한선

AI에 대한 반응은 크게 두 가지 극단으로 나뉜다. 한쪽에서는 "AI가 나오면 모든 사람이 일자리를 잃는다"고 말하고, 다른 쪽에서는 "ChatGPT는 헛소리를 너무 많이 해서 쓸모없다"고 잘라 말한다. 홍정모 강사는 이 두 반응 모두 상한선 또는 하한선을 잘못 설정한 결과라고 지적한다.

 

실제 노동 시장 데이터는 어떨까. 영상에서 소개된 그래프에 따르면 2015년부터 2020년까지는 시니어와 주니어 개발자 일자리가 함께 늘었다. 코로나19 이후 시니어는 계속 성장세를 유지했지만 주니어는 소폭 감소했고, ChatGPT 출시 이후로는 주니어 일자리가 지속적으로 줄어드는 추세다.

 

보완 데이터도 같은 방향을 가리킨다. 22~25세 소프트웨어 개발자 고용이 2022년 정점 대비 약 20% 감소했고, 한국 소프트웨어정책연구소의 델파이 조사에서는 초급 개발자 채용이 77% 감소할 것이라는 전망도 나왔다. AI가 언급된 채용공고는 반대로 계속 늘어나는 중이다.

 

변화가 온 것은 분명하다. 그러나 제대로 분석하면 그렇게 혼란스럽지 않다는 것이 홍정모 강사의 논점이다. AI의 상한선과 하한선을 현실적으로 파악하면, 쓸데없는 공포나 근거 없는 낙관 없이 자신에게 맞는 학습 전략을 세울 수 있다.

AI가 진짜 잘하는 것: 발산적 사고의 위력

발산적 사고(Divergent Thinking)란 하나의 문제에서 가능한 한 많은 아이디어나 해법을 펼쳐내는 능력이다. AI는 이 부분에서 개인이 도저히 따라갈 수 없는 수준이다.

 

이유는 세 가지다. 첫째, AI는 기본적으로 한 개인보다 훨씬 방대한 자료를 알고 있다. 둘째, 인간 수준의 고정관념이 없어서 편견 없이 다양한 아이디어를 쏟아낸다. 셋째, 수많은 알고리즘을 외우고 있어서 "이걸 구현해봐"라고 하면 어디선가 찾아와 갖다 붙이는 능력이 뛰어나다.

 

예시가 인상적이다. "돈 버는 방법 알려줘"라고 물으면 AI는 100가지를 늘어놓는다. 발산 능력은 탁월하다. 하지만 "나한테 진짜로 맞는 단 한 가지 방법을 찾아서 직접 실행해줘"는 못 한다. 바로 이 지점이 AI의 근본적 한계다.

 

흥미롭게도 학술 연구도 이를 뒷받침한다. CHI 2025에 발표된 논문(1,100명 대상 실험)에서는 LLM이 단기적인 창의성 향상에는 효과가 있지만, LLM 없이 혼자 작업할 때의 독립적 창의성에는 오히려 역효과가 생길 수 있다는 결과가 나왔다. AI에 의존할수록 스스로 아이디어를 펼치는 근육이 약해질 수 있다는 이야기다.

AI가 못하는 것: 수렴적 사고는 인간의 영역

수렴적 사고(Convergent Thinking)는 반대다. 수많은 선택지 중에서 가장 최적화된 해법 하나로 몰아가는 능력이다. 그리고 AI는 이게 잘 안 된다.

 

코드를 만드는 것 자체는 잘 한다. 문제는 너무 난잡하게 만든다는 것이다. 함수 하나가 화면 가득 늘어지고, 중복 코드가 여기저기 흩어진다. 영상에서 홍정모 강사는 이렇게 표현했다. "LLM이 만드는 답은 한국인 평균 얼굴과 같다. 어디선가 본 듯한데 실제로 주변에는 없는 얼굴." 평균으로 수렴한 결과물이기 때문에 어색하지는 않지만, 진짜 최적 해법과는 거리가 있다.

 

또 하나의 구조적 문제가 있다. 컨텍스트 윈도우, 즉 AI가 한 번에 기억할 수 있는 양에 한계가 있다. 대화가 길어지고 복잡해질수록 AI는 자신의 메모리가 거의 찼다는 신호를 보내며 어려운 결정을 인간에게 미룬다. 실무 데이터로 보면 GPT-4의 정확도가 컨텍스트 구조에 따라 98.1%에서 64.1%까지 떨어지는 사례도 보고됐다(Context rot 현상).

 

반면 인간은 본능적으로 수렴한다. "어떻게든 일을 줄이고 싶다"는 동기 자체가 효율화를 향한 수렴이다. 결국 AI에서 쏟아진 아이디어와 코드를 하나의 작동하는 해법으로 압축하는 것, 그 판단과 결정은 사람이 해야 한다. AI공부법의 핵심이 바로 여기서 시작된다.

기초는 여전히 필요하다: 반복되는 컴퓨터 기초

홍정모 강사가 영상에서 든 표현이 재미있다. "인셉션 같다"는 것이다.

 

프로그래밍을 처음 배울 때는 CPU 사용법을 공부한다. 조금 더 나아가면 메모리 관리가 핵심이 된다. 그런데 지금 AI 에이전트를 개발하면 어떻게 될까. 또다시 메모리 문제가 등장한다. 이번에는 컨텍스트 윈도우, 즉 토큰 최적화라는 이름으로. 돈이 되는 수준의 시스템을 만들면 그 다음에는 또 컴퓨터 기초 문제와 조우하게 된다.

 

기초는 피할 수 없다. AI 시대라고 해서 사라지는 기초는 없다. 물론 뉘앙스는 있다. 리트코드 문제 600개를 풀며 패턴을 외우는 식의 반복 훈련은 사라질 가능성이 높다. 하지만 알고리즘이 왜 그렇게 작동하는지에 대한 이해 자체는 여전히 필요하다. "알고리즘 공부 안 해도 되겠네"라고 극단적으로 해석하면 곤란하다는 것이 그의 경고다.

 

향후 3년을 내다보면 AI 에이전트를 어떻게 만드는지에 인류가 많은 공을 들일 것이라는 전망도 나온다. 그 핵심 기술은 컨텍스트 엔지니어링이다. 100,000 토큰짜리 컨텍스트는 10,000 토큰 대비 단순히 10배가 아니라 최대 50배의 비용이 들 수 있다는 연구 결과도 있다. AI 에이전트 개발자에게는 결국 토큰 비용 최적화가 핵심 엔지니어링 과제가 된다. 그리고 그건 다시 컴퓨터 기초로 귀결된다.

탑다운 vs 버텀업, 둘 다 함정이 있다

학습 방식을 두고 "탑다운이 맞다", "버텀업이 맞다"는 논쟁은 오래됐다. 그런데 홍정모 강사는 둘 다 함정이 있다고 말한다.

 

	탑다운 학습	버텀업 학습
개념	전체 그림을 먼저 보고 세부로 내려가는 방식	기초부터 차근차근 쌓아 올라가는 방식
장점	동기부여 효과, 전체 그림 파악 가능, 빠르게 제품을 만들 수 있다는 느낌	탄탄한 기초 구축, 저수준 수요가 있는 환경에서 생존 가능
함정	"탑에서만 깨작거리다 끝남" → 특정 플랫폼이나 AI 툴의 소비자로 전락	"버텀에 갇혀버림" → 변화가 빠른 시대에 치고 나가기 어려움

탑다운의 함정을 가장 잘 보여주는 사례가 요즘 주목받는 바이브 코딩(Vibe Coding)이다. AI에게 말로 지시해서 코드를 뚝딱 만들어내는 방식인데, 얼핏 보면 탑다운으로 쭉 내려와 뛰어난 개발자가 되는 것처럼 느껴진다. 하지만 실제로는 특정 AI 플랫폼의 사용자로 묶여버리는 경우가 많다. 그 도구 없이는 아무것도 못 하는 상태가 되는 것이다.

 

버텀업도 안전하지 않다. 기초에만 갇혀 있으면 변화가 빠른 시대에 앞으로 치고 나가기 어렵다. 한국처럼 저수준(low-level) 기술 수요가 어느 정도 받쳐주는 환경에서는 버텀업만으로도 어느 선까지는 버틸 수 있지만, 그것이 최선이라고 보기는 어렵다.

핵심 처방: "아주 쉬운 것부터 완전히 뚫어라"

그렇다면 답은 무엇일까. 홍정모 강사의 처방은 명쾌하다.

 

"아주 간단하고 쉬운 것부터 탑다운과 버텀업을 둘 다 해야 합니다."

홍정모 강사

구체적으로 어떻게 하는지 단계별로 풀어보면 이렇다.

 

• 1단계: 작은 것을 고른다. Todo 리스트 앱처럼 아주 쉽고 작은 것을 하나 선택한다. 거창한 것을 노릴 필요 없다.
• 2단계: 직접 뚫는다. 탑다운(전체 구조 이해)과 버텀업(바닥부터 구현)을 모두 자기 머리로 해서 완전히 완성한다.
• 3단계: AI는 나중에. 이 단계에서는 AI를 쓰지 않는다. 직접 뚫어야만 그 개념이 머릿속에 남는다.
• 4단계: 평생의 자산이 된다. 한 번 뚫어놓은 영역은 다시 할 필요가 없다. 그 부분은 이후에 AI에게 맡기면 된다.
• 5단계: 다음 단계로 올라간다. 새로운 부분만 다시 직접 뚫으면 된다. 이전에 뚫어놓은 부분은 AI가 자동으로 채워준다.

 

이 방식이 가져다주는 실질적인 효과가 있다. 한 번이라도 직접 뚫어본 사람은 AI가 헛소리하는지 제대로 하는지 알아챌 수 있다. "코드 줄여"라는 수렴적 지시를 내릴 수 있다. 코드가 불필요하게 길어지는 패턴을 알기 때문에 AI를 효율적인 방향으로 이끌 수 있다.

 

반면 한 번도 직접 뚫어본 적 없는 사람은 AI가 뭘 하는지 판단할 기준이 없다. 그 공간이 평생 빈 채로 남는다. 어떤 AI 도구를 써도 "그게 맞는 건지"를 확인할 방법이 없다.

 

기준을 어디까지 직접 해봐야 하는지, 어디서부터 AI에게 맡겨도 되는지를 정해주는 것은 결국 사람이다. 그 판단력을 갖추는 것이 AI 시대 공부법의 핵심이다.

기하급수적으로 성장하는 AI 시대 학습 원리

쉬운 것 하나를 직접 뚫어놓으면 어떤 일이 생길까. 그 이후의 성장 속도가 달라진다.

이전 시대에는 한 단계 올라갈 때마다 그 아래 단계 전체를 다시 해야 했다. 새로운 기술을 배우면 이전에 배운 것들을 반복 복습하고 연결하는 과정이 필수였다. 시간이 그만큼 필요했다.

 

AI 시대는 다르다. 한 번 직접 뚫어놓은 영역은 다시 할 필요가 없다. 개념만 머릿속에 있으면 AI가 나머지를 채워준다. 다음 단계로 올라갈 때는 그 새로운 핵심 부분만 살짝 보충하면 된다. 그것도 뚫어놓으면 또 AI가 채워준다. 이 사이클이 반복되면서 실력이 계단식으로 오른다.

 

인간에게는 일반화 능력이 있다. 하나를 알면 비슷한 것들을 자연스럽게 연결한다. 시간이 지날수록 이 일반화 범위가 넓어지고, 새로운 것을 뚫는 데 드는 시간이 짧아진다. 이것이 기하급수적 실력 향상의 본질이다.

 

스택오버플로 2025 개발자 설문(전 세계 4만 9천명)에 따르면 응답자 84%가 이미 개발 워크플로에 AI 도구를 사용 중이거나 사용할 계획이라고 답했다. AI를 쓰는 것은 이미 기본값이 되어가고 있다. 문제는 AI를 어떻게 쓰느냐다. 기초가 있는 사람은 AI를 수렴적 도구로 활용할 수 있고, 기초가 없는 사람은 AI가 뱉어내는 것을 그대로 받아쓰는 소비자에 머문다.

 

10대 후반이거나 대학교 1~3학년이라면 특히 귀담아들을 조언이 있다. 홍정모 강사는 영상에서 이렇게 말했다. "AI를 사용하는 데 너무 조급하게 집중하기보다 기초에 더 집중하기 훨씬 좋은 시대입니다." 인간의 두뇌는 AI와 결합했을 때 폭발적인 시너지를 낼 수 있다. 젊을 때 다진 기초가 나중에 그 폭을 결정한다.

마무리: AI 시대, 두려워하지 말고 현실적으로

AI에 대한 두려움도, 근거 없는 낙관도 필요 없다. 영상 전반에 걸쳐 홍정모 강사가 반복하는 메시지는 하나다. 현실적으로 파악하라.

 

영상 핵심 요약

• AI는 발산적 사고에 뛰어나고, 수렴적 사고는 여전히 인간의 몫이다
• 기초는 AI 시대에도 피할 수 없다. 형태만 바뀔 뿐 반복해서 등장한다
• 탑다운과 버텀업 모두 단독으로는 함정이 있다. 아주 쉬운 것부터 둘 다 직접 뚫어야 한다
• 한 번 뚫어놓은 부분은 AI가 채워준다. 새로운 부분만 계속 추가하면 기하급수적으로 성장한다

마지막으로 영상에서 가장 인상적으로 남는 말이 있다. "성공은 한 번만 하면 된다, 실패를 여러 번 해도 괜찮다." 지금 당장 완벽한 계획을 세울 필요도 없다. 아주 작고 쉬운 것 하나를 골라 직접 끝까지 뚫어보는 것, 그것이 시작이다.

 

원본 영상은 약 14분 분량이며 위에서 정리한 내용보다 훨씬 많은 실전 이야기가 담겨 있다. 직접 확인해 보고 싶다면 아래 링크에서 볼 수 있다.

 

AI 시대 공부 순서, 대부분이 틀리고 있습니다 (홍정모 채널)