[AI]백준이 닫는 날, 우리가 AI와 함께 놓친 것들

2010년 3월에 시작된 컴퓨터 과학 알고리즘 학습 사이트 BOJ가 2026년 4월 28일을 끝으로 16년의 운영을 종료한다. 운영자 최백준은 공지에서 "여러 상황의 변화로 인해 부득이하게 서비스를 종료한다"고만 짧게 적었지만, 커뮤니티는 두 가지 직접적 원인에 주목한다. 하나는 만성적 적자 누적과 서버 비용 부담, 다른 하나는 지난 몇 달간 끊이지 않았던 대규모 코드 크롤링 트래픽이다. AI로 문제를 대충 풀어 제출하고, 다른 사람의 코드를 통째로 긁어가 학습 데이터로 쓰는 사례가 몇 달째 누적되었다는 것. 심지어 지금도 소스코드 받아놓겠다고 스크래핑 돌리다가 서버가 죽고 있다는 운영자의 호소가 들려온다.

백준이 닫는 날, 우리가 놓친 것들

한 사람이 16년간 사이드 프로젝트로 운영해 한국 개발자 수만 명을 길러낸 인프라가 닫혔다. 코딩 테스트의 의미가 예전 같지 않다는 평가, AI 코딩 에이전트가 알고리즘 문제를 풀어내는 시대에 알고리즘 문제 풀이 능력이 개발자 역량의 기준이 될 수 있느냐는 질문도 들려온다. 종료 소식을 다룬 요즘 기사가 올라온 것처럼, BOJ의 종료는 단순한 한 사이트의 폐업이 아니다. 2023년 ChatGPT 보급 이후 학계와 업계, 이를 아울러 학생과 같이 배우고자 하는 모든 이들이 LLM이라는 도구를 어떻게 흡수했는지, 그리고 그 흡수 과정에서 무엇을 놓쳤는지를 가장 가시적으로 드러낸 사건이다.

이 글은 BOJ의 종료를 단서 삼아, 지난 3년간 LLM이 사회에 어떻게 침투했고, 무엇을 바꾸었으며, 우리가 어떤 실수를 반복할 가능성이 높은지를 정리한다. 그리고 그 모든 우려에도 불구하고 결론은 미래에 대한 걱정이 아니라 오늘에 대한 노력에 있다는 점을 함께 적는다.

인간의 인지 속도를 넘는 기술의 발전

AI 도입 초기, 기술의 발전을 인간이 인식할 수 있는 시간 지평이 점차 짧아지다 결국 0년 이하로 떨어진다는 이야기가 있었다. 변화가 일어나는 속도가 인간이 그 변화를 인지하고 적응 전략을 세우는 속도를 추월하는 시점이라는 의미다. 지금이 바로 그 순간에 도달한 것 같다. 학계도 업계도 학생들도, 앞날을 예측하기는커녕 지금 무슨 일이 벌어지고 있는지 인지조차 못 하는 속도가 도래했다.

이 비교는 과장이 아니다. 2025년 6월 MIT 미디어랩에서 공개한 "Your Brain on ChatGPT" 논문(pre print)은 18세에서 39세 사이의 참가자 54명을 LLM 사용 그룹, 검색엔진 그룹, 도구 없이 글쓰기 그룹으로 나누어 EEG로 뇌 활동을 측정했다. 결과는 LLM 그룹의 뇌 연결성이 가장 낮았고, 회차가 거듭될수록 글의 독창성이 떨어졌으며, 마지막에는 많은 참가자가 프롬프트만 던지고 출력을 거의 그대로 사용했다. 영어 교사 두 명은 이 글들을 영혼이 없다고 평했다. 더 우려스러운 것은 LLM에 의존했던 그룹이 다음 세션에서 도구 없이 다시 쓰게 되었을 때, 처음부터 도구 없이 쓴 그룹의 신경 활성도를 따라가지 못했다는 점이다. 연구진은 이를 누적된 인지 부채라고 표현했다.

이 연구가 peer review 전 공개된 이유 자체가 흥미로운데, 우리가 기술의 영향을 측정하는 속도보다 기술이 사회에 들어오는 속도가 빠르기 때문이다. 정책 결정의 속도도 마찬가지다.

인간을 보조하는 도구가 아니라 대체하는 도구

역사는 선례를 남기고, 때로는 결과를 대비하게 해준다. 그래서 사람들은 흔히 AI를 마부와 자동차의 비유로 이해하려 한다. 마부라는 직업은 사라졌지만 운수업은 더 커졌고, 자동차는 사람의 이동 능력을 확장했다는 이야기다. 같은 일이 AI에서도 일어날 거라고, 직업은 바뀌어도 사람의 자리는 남아 있을 거라고 믿는 것이다. 그러나 이 비유는 안일하다. 자동차는 사람이 운전할 때만 의미가 있는 도구였지만, AI는 사람을 빼고도 돌아가는 시스템을 만들 수 있는 도구다.

지금까지 인류가 만든 도구는 거의 모두 사람을 그 시스템 위에 두었다. 사람이 운전하고 조종하고 입력해야 의미가 있었다. 그러나 LLM과 코딩 에이전트는 다르다. 프롬프트조차 다른 LLM이 생성하고, 결과물도 또 다른 LLM이 평가하며, 배포와 모니터링까지 에이전트가 처리하는 구조가 이미 등장했다. Claude Code Routines 같은 기능은 노트북을 닫아도 PR 리뷰가 자동으로 돌아간다.

그 결과물도 시장에 나타나고 있다. 바이브 코딩만으로 등록한 앱이 빠르게 늘어났고, Apple이 일부 바이브 코딩 앱의 업데이트 등록을 거부하기 시작했다는 보도가 나올 정도로 저품질 앱 양산이 가시화되고 있다. 사람이 검수하지 않은 결과물이 사람이 사용하는 시장에 풀리고 있다는 뜻이고, 이는 시스템에서 사람을 빼는 실험이 이미 시작되었다는 뜻이기도 하다.

역설적이게도, 사람이 없는 시스템은 우리에게 의미를 가질 수 없는 시스템이다. 무엇인가를 만들더라도 누구에게 쓸모 있는지가 사라진다면, 우리에게는 논할 가치가 없는 영역이 된다. 도구가 인간을 보조하는 동안에만 도구는 의미가 있다. 이 경계선을 우리는 이미 넘기 시작했고, 넘는 순간조차 인지하지 못한 채 넘었다. 대체가 가능한가를 묻는 자리에, 사람이 빠지면 의미가 남는가를 두어야 한다.

숫자 너머를 보여준 BOJ

두 번째 회의감은 더 미묘하다. 지금은 거의 모든 것이 수치화되는 시대다. LLM 자체가 그 정점에 있다. 자연어를 수치화하고 단순한 회귀 장치에 넣어 다음 단어를 예측하는 것이 그 핵심이다.

경영의 영역도 비슷한 길을 걸었다고 한다. 경영학과 친구와 이야기하다 듣게 된 표현 중에 인적자본이라는 개념이 있는데, 사람의 생산성도 자본처럼 수치화의 대상으로 다뤄진다는 것이다. 처음 들었을 때는 그냥 그러려니 했는데, AI가 들어온 이후에 다시 생각하니 의미가 다르게 다가왔다. AI는 명확히 이 수치를 줄이는 데 기여한다. 인당 처리량이 올라가고 인당 비용이 내려간다. 경영의 시각에서 AI는 너무도 합리적인 도구다.

문제는 모든 것을 수치화하는 행위가 대부분의 정보를 인식하는 것이지 모든 정보를 인식하는 것은 아니라는 점에 있다. 자를 들고 사물을 재면, 자가 닿는 부분만 길이로 환산된다. 자에 닿지 않는 곡선과 결, 손으로 만질 때만 느껴지는 무게와 질감은 그 숫자에 들어오지 않는다. 그런데도 우리는 자에 적힌 숫자만 보고 그 사물을 다 안다고 착각한다. 공학을 전공한 사람들은 이걸 본능적으로 경계하도록 훈련받는다. 안전계수를 삽입하고, 측정한 것만 보면 안 된다는 의심이 습관이 된다. 그러나 LLM의 원리를 알 필요 없는 직군에서는 그런 의심의 습관이 자리잡기 어렵다.

수치화되지 않는 영역에는 사수의 어깨너머에서 배우는 기술 전수, 옆자리에서 던져지는 한마디, 같은 코드 베이스를 오래 만지며 쌓이는 암묵적 경험이 있다. 이를 미리 측정 체계로 만들어둔 조직은 거의 없다. 한 사람의 이직은 회사 입장에선 당장의 손실이지만, 그것이 불러올 나비효과는 아무도 계산할 수 없다. 그런데 이것이 진짜 영구적인 손실일까.

3M의 교훈

이 질문에 답이 되는 이야기가 있다. 스카치 테이프로 유명한 3M의 이야기다. 3M은 우연한 발견과 어수선한 실험을 회사의 영혼으로 삼아왔다. 우리가 매일 쓰는 포스트잇도, 사실은 강력 접착제를 만들려다 실패해서 우연히 만들어진 약한 접착제에서 나왔다. 직원들은 자기 시간의 일부를 회사의 지시 없이 자기가 궁금한 것을 따라가는 데 쓸 수 있었고, 그렇게 빈둥거리며 돌아다닌 시간 속에서 회사 매출의 상당 부분이 태어났다. 실패가 자산이고 옆길이 본길인 회사였다. 그런데 2001년에 GE 출신의 새 CEO가 부임하면서 모든 일을 측정 가능한 단계로 쪼개고, 각 단계에서 낭비를 줄이고, 결과를 숫자로 보고하게 만드는 방식이 도입됐다. 공장에서는 잘 작동한 그 도구가 연구실에도 적용됐다. 모든 연구 프로젝트는 시작 단계에서부터 예상 수익과 시장 가능성과 일정을 문서로 적어내야 했다. 한 연구원은 그 설명을 듣고 동료들과 이런 결론을 내렸다고 회상했다. 이 시스템에서는 포스트잇 같은 제품은 결코 태어날 수 없을 것이라고. 발견은 본질적으로 어수선한 과정이고, 수요일에 좋은 아이디어 세 개, 금요일에 두 개를 일정에 넣을 수는 없는 일이다.

처음 몇 년의 숫자는 좋아졌고 주가도 올랐다. 하지만 신제품 매출 비중이 조용히 떨어지고 있었다. 단기 숫자는 올랐는데 장기 영혼이 깎여나가고 있었다. 다음 CEO가 부임하며 연구실의 측정 강제력을 풀었고, 회사는 다시 어수선해질 자유를 되찾았다. 100년을 살아남은 회사가 5년간 비싸게 배운 교훈은, 측정할 수 없는 영역을 알아보는 사람이 한 명이라도 남아 있다면 회복은 가능하다는 사실이었다.

AI 시대에는 이런 사람이 더 귀해진다. 자에 닿지 않는 영역이 있다는 사실을 기억하는 사람, 우리 조직의 포스트잇이 어디서 자라는지 잘려나가기 전에 알아볼 수 있는 사람. 그런 사람은 만들어지는 것이지 저절로 생기지 않는다. BOJ 같은 환경이 그 훈련의 장이었다. 한 문제를 며칠 끌어안고 풀다가 통과된 다른 사람의 코드를 열어 한 줄씩 비교하고, 시간 초과의 이유를 손으로 따져보는 과정에서 사람들은 단순히 알고리즘을 익힌 게 아니다. 맞았습니다 너머에 있는 것을 알아보는 눈을 길러왔다. AI로 대충 풀어 제출하고 다른 사람의 코드를 학습 데이터로 긁어가는 방식은 정확히 그 훈련 과정 자체를 건너뛴다. 정답은 받았는데 정답 너머를 보는 눈은 자라지 못한 채 통과되는 것이다. 한 사이트가 닫히는 일보다 더 무거운 손실이 거기에 있다.

학습에서 AI를 쓴다는 것은 배울 기회를 반납하는 일

세 번째는 가장 직접적인 이야기다. 개인적으로 학습에 AI를 쓰는 것은 배울 기회를 스스로 반납하는 행위와 같다고 생각한다.

CS 분야로 한정하더라도 그렇다. Stack Overflow에 번역기를 돌려가며 어설픈 영어로 질문을 올리고 다음 날 외국인의 답변이 달렸을 때의 설렘, 그 답변을 이해하기 위해 하나하나 검색하며 얻게 된 부가 지식들. 알고리즘 한 줄을 이해하려고 적어가던 난잡한 A4 용지들. 이 모든 과정이 코딩 에이전트의 딸깍 한 번에 사라지는 쾌감으로 대체될 수 있다는 것이 무섭다. 숏폼보다 더한 즉시적 보상이다.

MIT 연구가 보여준 것이 정확히 이것이다. LLM 그룹은 회차가 거듭되며 점점 더 적게 사고했다. 마지막에는 프롬프트를 던지고 출력을 받아 약간 다듬는 패턴으로 수렴했다. 인지 부채는 이자가 붙는다.

비유를 더 끌고 가보자. 학습에 AI를 쓰는 것이 다이어트 코스를 짜놓고 정작 이동은 전동 킥보드로 킥라니 하는 짓이라면, 더 위험한 것은 따로 있다. 업무, 창업, 오픈소스 기여처럼 실질적으로 사회에 무언가를 더하는 행위에서 아무 생각 없이 코드 에이전트를 사용하는 것은, 모든 일상생활에서 전동 킥보드만 타는 것과 같다. 의식적인 운동(공부)을 안 하는 것을 넘어, 일상에 암묵적으로 포함된 신체 활동까지 제거하는 것이다. 결과는 삶 전체의 비만이다.

공부가 의식적인 식단 관리를 동반한 운동이라면, 사회에 기여하는 다양한 업무와 창업과 오픈소스 프로젝트는 그냥 우리가 살아가는 습관이다. 거기서 배우는 것이 얼마나 많은데. 공부는 그 두 번째 배움을 잘 받기 위한 준비일 뿐이다. 두 영역 모두에서 AI에 사고를 위탁하면 남는 것은 아무것도 없다.

BOJ 종료를 어떻게 읽어야 하는가

여기서 BOJ 이야기로 돌아온다. BOJ가 직면한 두 가지 문제 “적자와 크롤링” 는 별개의 사건이 아니다. 적자는 16년간 1인 운영이라는 모델이 가진 구조적 한계였다. 의미 있는 일이라 생각해 쭉 해왔다는 운영자의 결심으로 버텨온 것이다. 그러나 크롤링은 다르다. 이는 LLM 시대가 도래한 후 생긴 새로운 비용이다. 다른 사람의 코드를 학습 데이터로 쓰기 위해 무차별로 긁어가는 트래픽, AI로 대충 푼 답을 검증 없이 던지는 제출. 이 두 가지가 동시에 한 사이트를 무너뜨렸다.

코딩 테스트 무용론이라는 무식한 희망들을 본적이 있다. 어차피 현업에서는 클로드 코드를 쓰고 실리콘밸리에서도 바이브 코딩이 대다수라는 주장이다. 일부는 사실이다. 그러나 이 주장이 놓치는 것은 코드를 이해하는 기초 체력과 코드를 자동으로 받아쓰는 능력이 같은 것이 아니라는 점이다. MIT 연구가 보여준 것처럼, AI 우선으로 시작한 사람은 도구가 사라졌을 때 처음부터 손으로 쓴 사람의 사고 패턴을 따라가지 못한다. 알고리즘 문제풀이 자체가 직무 능력은 아니지만, 그것을 풀어내며 길러지는 자료구조에 대한 직관, 시간복잡도에 대한 감각, 엣지 케이스를 탐구하는 경험은 AI가 만들어내는 결과물의 결함을 잡아내는 능력이기도 하다. 그것을 잡아낼 수 있는 사람과 잡아낼 수 없는 사람의 차이가 점점 더 결정적인 격차가 되어간다.

결론

BOJ가 우리에게 보여주는 것은 AI가 사회에 미치는 영향이 가역적이라는 사실이다. 한 사이트가 닫혔다고 해서 한국 PS 생태계가 끝나는 것은 아니다. 문제는 다른 플랫폼에 있고, 새로운 플랫폼이 등장할 것이며, 정올과 코드포스와 앳코더와 같은 대체제가 이미 움직이고 있다. 가역적이라는 말은 우리가 무언가를 잃고 다시 회복할 수 있다는 뜻이다. 그러나 잃은 것이 무엇인지를 인지하지 못하면 회복도 없다.

그래서 우리는 분명 실수를 할 것이다. 학습 단계에서 AI에 사고를 위탁한 또 다른 형태의 잃어버린 세대가 등장할 것이고, 측정되지 않는 역량이 잘려나간 조직이 나올 것이다. 이미 그렇게 되고 있다. 이 글의 의도는 그 모든 것을 막을 수 있다고 주장하는 데 있지 않다. 막을 수 없는 일이 너무 많다.

대신 결론은 이렇다. 우리가 이를 대비하는 방식은 미래를 걱정할 필요조차 없이, 원래 하던 것 하고 싶은 것을 열심히 준비하며, 그때의 파도에 맞게 일어나는 것이다. 언제나 미래를 예측하고 걱정하고자 하는 시도는 부질없었고, 그 순간의 흐름에 자신을 맞춰 일어선 사람들이 옳았다. 그 순간의 최고의 값을 찾으려면 지금 이 순간 잘 노력해야 한다.

그래서 나는 몇 가지 규칙을 스스로에게 둔다.

1️⃣

글은 처음부터 끝까지 내 손으로 쓰고, AI는 다 쓴 뒤의 리뷰어로만 쓴다.

초안 단계에서 AI에게 맡기는 순간 MIT 연구가 말한 인지 부채가 그날부터 누적된다는 것을 안다. 그래서 글의 형태가 어그러지더라도 일단 내 머리로 끝까지 끌고 간 다음, AI에게는 어색한 문장이나 빠진 논리를 짚어달라고 부탁한다.

2️⃣

새로운 관심 분야가 있다면 가능한 한 책을 펼친다.

검색 한 번이면 끝날 질문을 일부러 목차를 뒤져 찾는 시간은, 비효율처럼 보이지만 그 분야의 다른 맥락을 자연스럽게 접하는 가장 효과적인 방법이다.

3️⃣

어떤 언어든 처음 배울 때만큼은 에이전트를 끈다.

의식적인 학습에서는 도구를 빼고, 도구 없이 단단해진 다음에야, 시간 같은 명확한 이유가 생겼을 때만 다시 도구를 들인다.

이 규칙들이 정답이라고 주장할 생각은 없다. 다만 사람마다 자기 손을 움직여둘 영역 하나쯤은 정해두어야 한다고 생각한다. AI 시대에는 AI가 만들어낸 결과의 결함을 잡아낼 사람이 더 귀해질 것이고, 수치화되지 않는 영역을 지키려는 사람이 더 귀해질 것이다. 그런 사람이 되기 위한 준비는 거창한 미래 전략이 아니라, 오늘 어떤 일에서 손을 떼지 않을지를 정해두는 데서 시작된다.

손으로 푼 알고리즘 문제 한 줄, Stack Overflow에 어설픈 영어로 올린 질문 하나, 외국 형님의 답변을 이해하려 검색한 부가 지식들, 이것들은 사라지는 것이 아니라 다른 모양으로 다시 필요해질 것이다. 그때를 위해 지금 손을 움직이는 것 외에는 할 일이 없다. BOJ는 닫힌다. 그러나 BOJ가 16년간 길러낸 사고방식은 그것을 진지하게 가졌던 사람들 안에서는 닫히지 않는다.