수십 년 동안 실증적 연구는 프로그래밍이 매우 까다로운 인지적 활동임을 보여주었습니다. 개발자들은 제어 흐름 (control flow), 데이터 구조 (data structures), 그리고 소프트웨어의 구조적 설계 (structural design)와 같이 서로 상호작용하는 추상화 (abstractions)를 다루기 위해 작업 기억 (working memory), 장기 기억 (long-term recall), 그리고 복잡한 정신 모델 (mental models)에 의존합니다. 이러한 고전적인 모델에서 기억과 회상은 소프트웨어 개발의 핵심적인 조력자인 동시에 병목 현상 (bottlenecks)으로 자주 자리 잡았습니다.

오늘날 AI 기반 코딩 어시스턴트 (coding assistants)들이 이를 변화시키고 있습니다. 이러한 도구들은 외부 메모리 시스템 (external memory systems)으로서 기능하며, 구문 회상 (syntax recall), 상용구 생성 (boilerplate generation), 그리고 API 사용 (API usage)을 인간의 기억에서 기계의 기억으로 오프로딩 (offloading)합니다. 기억에 대한 요구가 줄어듦에 따라, 추론 (reasoning), 아키텍처 이해 (architectural comprehension), 판단 (judgment), 그리고 코드 구조 인식 (code-structure awareness)이 상대적으로 더 중요해지고 있습니다.

따라서 "프로그래밍을 하는 법을 안다는 것"은 근본적으로 재정의되고 있지만, 이것이 프로그래밍을 더 쉽게 만들거나 프로그래머의 가치를 떨어뜨리는 방식으로 이루어지는 것은 아닙니다. 이 기사는 프로그래밍 작업이 변화하는 방식에 있어 네 가지 주요 변화를 설명합니다:

분야가 새로운 실무자들에게 개방되고 있습니다.

작업이 다르게 어려워지고 있습니다.

교육이 변모하고 있습니다.

프로그래머의 역할이 지식의 그릇 (knowledge vessel)에서 오케스트레이션 에이전트 (orchestrating agent)로 진화하고 있습니다.

이러한 변화들은 종합적으로 AI가 프로그래밍의 인지적 본질을 침식하는 것이 아니라 재배치하고 있음을 시사합니다. 즉, 기존의 장벽이 무너지는 동시에 다른 기술들이 더 중요해지고 새로운 형태의 어려움이 생성되고 있는 것입니다.

고메모리 작업으로서의 프로그래밍 (Programming as High-Memory Work)

소프트웨어 개발의 역사 대부분 동안, 연구자들은 프로그래밍이 추론 능력 (reasoning ability), 작업 기억 용량 (working memory capacity), 그리고 장기 기억 회상 (long-term memory recall)의 조합에 의존한다는 것을 발견했습니다. Brooks는 프로그래밍을 상호작용하는 여러 추상화 (abstractions)를 유지하는 데 의존하는 인지 과정 (cognitive process)이라고 설명했습니다.4 이어서 Pennington은 프로그래머들이 코드를 설계, 이해 및 수정하기 위해 제어 흐름 (control flow)과 데이터 흐름 (data flow)에 대한 복잡한 정신 모델 (mental models)에 의존한다는 것을 입증했습니다.6 연구들에 따르면 이러한 정신 모델은 마음속에 추상화 형태로 존재하며, 높은 인지적 비용 (cognitive cost)을 들여 유지되고, 상대적으로 취약합니다. 이러한 모델은 문맥 전환 (context switching) 상황에서 쉽게 무너지며, 문서화되어 있지 않을 경우 인지적 관점에서 재구축하는 데 많은 비용이 듭니다.

하지만 오늘날 AI 코딩 어시스턴트 (AI coding assistants)는 전통적으로 고된 이 인지적 지형을 재편하고 있습니다. 이제 개발자들은 코드를 생성하고, 구문을 검색하며, 문맥을 재구성하고, 이전 정신적 구조의 변형을 기억하고 재생성할 수 있는 외부 메모리 시스템 (external memory systems)을 사용할 수 있습니다. 이것이 사고의 필요성을 없애는 것은 아닙니다. 다만 프로그래머에게 어떤 인지적 기술이 가장 관련성이 높아지는지를 변화시킵니다.

작업 기억 (Working memory) 및 장기 회상 (Long-term recall). 작업 기억은 Baddeley와 Hitch에 의해 공식화된 것처럼, 개별 정보 블록의 일시적인 저장과 조작을 지원하는 제한된 용량의 시스템입니다.2 반대로, 장기 기억은 구문 (syntax) 및 아키텍처 개념과 같은 선언적 정보 (declarative information)와 코딩 관용구 (coding idioms) 및 문제 해결 스키마 (problem-solving schemas)와 같은 절차적 지식 (procedural knowledge)을 포함하여, 통합된 지식의 저장소 역할을 합니다.

프로그래밍은 전통적으로 이 두 가지 모두에 크게 의존해 왔습니다. Soloway, Bonar, 그리고 Ehrlich는 프로그래머들이 반복(iterations)에 대한 접근 방식을 구조화하기 위해, 아마도 경험에 기반하여 장기 기억(long-term memory)에서 인출되는 내부적 인지 선호도(internal cognitive preferences)에 의존한다는 것을 발견했습니다.9 예를 들어, 루프 구조(loop construct)가 프로그래머의 자연스러운 계획과 일치할 때 정확성이 극적으로 향상되었습니다. 이는 프로그래밍이 역사적으로 단순히 구문 지식(syntax knowledge)뿐만 아니라, 기억에서 인출되어 설계 선택을 통해 정신 모델(mental models)로 표현되는 내부적 인지 선호도의 형성 및 실행에 의해 유도되어 왔음을 시사합니다. Siegmund 등은 fMRI를 사용하여 코드 이해(code comprehension)가 작업 기억(working memory), 주의(attention), 그리고 언어 처리(language processing)와 관련된 네트워크를 활성화한다는 것을 보여주었으며,8 이는 복잡한 프로그래밍 작업을 이해하는 것이 신경학적 수준에서 자원 집약적인 인지 작업이라는 생리학적 증거를 제공합니다.

외부 기억 자원으로서의 AI에 관한 이론들. AI 코딩 어시스턴트는 외부 기억 및 인지(external memory and cognition)로서 작용함으로써 이러한 인지적 지형을 변화시킵니다. 이는 인지 시스템이 종종 개인을 넘어 외부 환경을 포함하며, 이것이 개인의 인지를 확장하고 강화할 수 있다고 주장하는 Hutchins의 분산 인지(distributed cognition) 이론과 일치합니다.5

대안적인 이론들은 분산 인지를 보완합니다. 인지 부하 이론(Cognitive Load Theory, CLT)은 AI 도구가 구문과 상용구(boilerplate)를 회상하는 데 드는 메모리 오버헤드인 외재적 부하(extraneous load)를 줄여줌으로써, 작업 기억을 본질적이고 고차원적인 추론(intrinsic, high-level reasoning)을 위해 확보해 줄 수 있다고 주장합니다. 확장된 마음 가설(Extended Mind Hypothesis, EMH)은 개인에게 더 집중하여 한 걸음 더 나아갑니다. 만약 AI 어시스턴트가 신뢰할 수 있게 사용 가능하고, 습관적으로 사용되며, 신뢰를 얻게 된다면, 그것은 외부 도구가 아니라 프로그래머의 인지 구조(cognitive architecture)의 통합된 구성 요소로서 기능할 수 있습니다. 이러한 관점에서 AI는 사고 과정 그 자체의 일부가 되어, 추론, 의사 결정, 그리고 인지적 노력의 효과를 형성하게 됩니다.

Barke, James, 및 Polikarpova3는 개발자들이 보일러플레이트 (boilerplate) 타이핑, API 세부 사항 기억, 생소한 구문(syntax) 찾기와 같은 저수준 (low-level) 작업을 분담하기 위해 Copilot을 흔히 사용하며, 대신 생성된 코드를 검증하고 통합하는 방향으로 노력을 전환한다는 것을 보여주었습니다. 이러한 연구 결과들은 종합적으로 AI가 단순히 더 빠른 검색 엔진이 아니라, 적어도 부분적으로는 인간 인지 구조 (cognitive architecture)의 통합된 확장임을 입증합니다. 이러한 결과들은 AI가 단순히 더 빠른 검색 엔진이 아니라, 적어도 부분적으로는 인간 인지 구조의 통합된 확장이라는 관점을 뒷받침합니다.

AI가 제거하는 것과 제거하지 않는 것. 따라서 AI는 불완전한 기억과 관련된 비용을 근본적으로 변화시키며, 불완전한 회상 (recall)에 따른 페널티를 효과적으로 줄여줍니다. 개발자는 정확한 내부 기억 없이도 일반적인 API 사용 패턴을 성공적으로 요청할 수 있으며, 작업 기억 (working memory) 집약적인 재구성에 의존하지 않고도 복잡한 구문을 검색할 수 있습니다. 이러한 능력은 장기 기억 (long-term memory)으로부터 특정 저수준 지식을 빠르게 인출해야 하는 의존도를 직접적으로 낮추어, 이전에 확인된 인지적 병목 현상 (cognitive bottleneck)을 완화합니다.

하지만 AI 보조 프로그래밍 도구가 일상적인 개발 작업을 가속화할 수는 있지만, 특히 작업이 표면적인 코드 조작이 아닌 개념적 추론 (conceptual reasoning)을 요구할 때는 인간의 감독 (oversight) 필요성을 제거하지 않습니다. 모든 프로그래머는 AI가 구문론적 (syntactically)으로는 올바르지만 의미론적 (semantically) 및 주관적으로 결함이 있는 코드를 생성할 수 있다는 것을 알고 있습니다. 즉, 개발자는 여전히 오류를 탐지하고, 코딩 제안을 비판적으로 평가하며, 인과적 동작 (causal behavior)에 대해 필요한 "왜"와 "왜 안 되는가"라는 질문을 던질 수 있을 만큼 프로그램 구조를 충분히 이해하고 있어야 합니다.

Shihab 등의 연구에 따르면, GitHub Copilot을 사용하는 학생들은 브라운필드(brownfield) 작업(기존 코드가 있는 환경에서의 작업)을 실질적으로 더 빠르게 완료하고 더 많은 솔루션 진척도를 보였으나, 종료 인터뷰에서 많은 이들이 Copilot의 제안이 어떻게 또는 왜 작동하는지 완전히 이해하지 못하는 것에 대한 우려를 보고했습니다. 이에 저자들은 Copilot의 이점을 활용하면서도 이해력을 증진할 수 있는 교육적 접근법을 촉구합니다.7 ChatGPT 및 Copilot과 같은 도구를 프로그래밍 교육에 활용한 통제 연구들을 메타 분석한 Alanazi 등의 연구에 따르면, AI의 지원이 작업 성능과 효율성을 향상시키기는 하지만, 학습 성공과 이해의 용이성 측면에서는 작고 통계적으로 불안정한 이득만을 제공한다고 보고되었습니다.1

이러한 발견들을 종합해 보면, 아키텍처 추론(architectural reasoning), 영향 분석(impact analysis), 그리고 장기적인 시스템 유지보수는 AI에 완전히 위임될 수 없다는 견해를 뒷받침합니다. 이러한 작업들은 프로그래머의 책임으로 남아 있는 코드베이스에 대한 깊고 구조적인 이해에 의존하기 때문입니다. 따라서 AI가 인지 능력을 확장하고 특정 프로그래밍 작업을 더 효율적으로 만들어 숙련된 개발자의 생산성을 높일 수는 있지만, 디버깅(debugging), 리팩터링(refactoring), 시스템 분석(systems analysis)과 같은 핵심 작업은 여전히 전문 지식과 이해력을 필요로 하며, 프로그래머가 코드베이스 내에서 실행을 시뮬레이션하고 복잡한 인과 관계 경로를 추론할 수 있게 해주는 내부 멘탈 모델(internal mental models)에 크게 의존합니다.

이는 중요한 인지적 재편을 의미합니다. 기억(Memory)은 인간과 기계에 걸쳐 있는 공유 자원이 됩니다. 프로그래밍은 개발자가 자신의 마음속에 무엇을 담고 조작할 수 있느냐의 문제에서, 복잡한 논리 시스템을 생성하고 정렬할 때 얼마나 명확하게 다중 규모(multiple scales)로 사고할 수 있느냐의 문제로 변모합니다. 연구들은 코드베이스에 대한 안정적인 멘탈 모델이 탐색과 추론에 필수적임을 확인해 줍니다. 따라서 개발자가 너무 많은 사고 과정을 AI에 외주(outsource) 준다면, 그러한 내부 모델은 약화될 수 있습니다. 결과적으로 AI는 인지 부하(cognitive load)를 제거하는 것이 아니라 전이(shift)시키며, 코드 작성 속도는 높여주지만 이를 확인하고 검증하는 데 소비되는 시간은 증가시킵니다.

다시 말해, 어려운 부분은 회상("이걸 어떻게 작성하지?")에서 판단("이게 실제로 말이 되는가?")으로 이동합니다. 이러한 회상 기반에서 판단 기반 프로그래밍으로의 전환은 AI 지원 개발의 핵심에 있는 근본적인 인지적 변환을 나타냅니다. 전통적인 프로그래밍이 개발자에게 구문(syntax), 패턴, 관용구(idioms)에 대한 방대한 내부 라이브러리를 유지할 것을 요구했다면, AI 기반 프로그래밍은 대신 정확성, 일관성, 적절성을 평가하기 위한 강력한 평가 프레임워크를 유지할 것을 요구합니다. 인지적 부담은 사라진 것이 아니라, 인출(retrieval)에서 추론(reasoning)으로 재배치되었습니다.

하이브리드 인지 시스템 작업으로서의 프로그래밍

새롭게 나타나는 현실은 AI가 프로그래머를 대체하는 것이 아니라, 병렬로 실행되는 두 번째 인지 엔진이 되는 것입니다. 기계는 패턴을 표면화하고, API를 엮고, 잊혀진 구문을 검색하며, 저수준의 회상 병목 현상을 줄여주는 속도로 초안 솔루션을 작성하지만, 동시에 평가의 부담을 가중시킬 수도 있습니다. 결과적으로 인간은 키 입력의 지휘자라기보다는 의도의 형성자(shaper of intent)가 됩니다. 즉, 시스템이 제공하는 것에 대해 확인, 해석, 통합, 합성, 검증, 재구성, 폐기, 편집을 수행하며 궁극적으로 구조와 목적을 부여하는 역할을 합니다. 이는 이미 의학 분야에서 일어난 일과 유사합니다. 진단 도구들은 모호한 임상 세부 사항을 암기해야 하는 부담은 낮추었지만, 해석, 판단, 오류 탐지의 중요성은 높였습니다. 전문성은 회상보다는 추론에 더 가까워졌습니다.

이러한 하이브리드 구조를 이해하면 왜 AI가 프로그래밍을 단순히 쉽게 만드는 것이 아니라 다르게 어렵게 만드는지를 설명하는 데 도움이 됩니다. 난이도는 제거된 것이 아니라, 인간과 기계에 걸쳐 있는 새로운 인지 아키텍처(cognitive architecture)로 재분배되었습니다. 이러한 재분배는 기존의 문제를 제거하는 동시에 새로운 도전 과제들을 만들어냅니다.

AI가 주로 외재화된 메모리 (externalized memory) 및 코드 변환 계층 (code-transformation layer)으로서 계속 기능함에 따라, 네 가지 주요 변화가 이미 관찰되고 있습니다: