컴퓨터 과학 등록이 감소하는 가운데 AI 강의 수요 급증

Google News는 미국 대학가에서 나타나는 눈에 띄는 역전 현상에 주목했습니다. 인공지능 강의 수요는 증가하는 반면, 전통적인 컴퓨터 과학 전공 등록은 감소하고 있습니다.

학생들이 단순히 기술 분야를 떠나는 것은 아닙니다. 많은 이들이 AI를 심리학, 음악, 비즈니스, 글쓰기, 의료, 디자인과 연결하는 더 짧고 실용적이며 학제 간적인 경로로 이동하고 있습니다.

이 구분은 이야기의 성격을 바꿉니다. 이제 경쟁 구도는 AI 교육과 비기술 교육의 대결이 아닙니다. 거의 모든 학생을 위한 폭넓은 AI 리터러시와 전문화된 컴퓨터 과학 교육의 경쟁입니다.

2026년 8월 대학 AI 보고서는 Virginia Commonwealth, Northwestern, Harvard, Purdue, Ohio State, Eastern Mennonite 등을 포함한 대학에서 이러한 변화를 기록했습니다.

보도된 호황이 모든 AI 프로그램의 성공을 뜻하는 것은 아닙니다. 전국 데이터는 전통적인 컴퓨터·정보과학 프로그램 전반에서 등록이 약화되고 있음을 보여줍니다.

이에 따라 대학들은 두 가지 선택을 동시에 하고 있습니다. 기술 중심의 AI 학위를 신설하는 한편, 관련성이 없어 보이는 전공에도 기본 AI 역량을 접목하고 있습니다.

이 접근법은 더 많은 학생이 AI가 형성하는 일터에 대비하도록 도울 수 있습니다. 하지만 기관들이 기초적인 추론, 데이터, 평가 역량 없이 도구만 가르친다면 피상적인 자격만 양산할 수도 있습니다.

미국 대학에서 달라진 점

AI 교육은 컴퓨터 과학의 전문 영역에서 대학 전체의 일반 교육과정으로 옮겨가고 있습니다.

Virginia Commonwealth University는 전통적인 컴퓨팅 프로그램 밖의 학생들도 일부 대상으로 하는 AI 부전공을 제공합니다. Associated Press는 대학원 진학을 고려하며 이 부전공을 추가한 심리학 전공생 Faith Maeba를 소개했습니다.

그의 사례는 새로운 수요를 잘 보여줍니다. 그는 주로 소프트웨어 엔지니어가 되기 위해 교육받는 것이 아닙니다. 머신러닝이 인간 행동과 일터에 어떤 영향을 미치는지 이해하고자 합니다.

Northwestern University도 더 큰 규모에서 비슷한 변화를 추진하고 있습니다. 컴퓨터 과학 입학생 규모가 줄어드는 가운데, 이 대학 컴퓨터 과학과는 더 많은 비전공생을 가르릴 준비를 하고 있습니다.

이 학과는 이미 AI 부전공을 제공하고 있으며, 학부 AI 전공도 도입하고 있습니다. 또한 AI와 머신러닝 수업으로 들어가는 진입 경로를 간소화하고 있습니다.

Northwestern의 새 AI 전공은 수학적 기초, 프로그래밍, 자료구조, 머신러닝, 인프라, 윤리, 인간 중심 디자인을 결합합니다.

Northwestern의 어느 단과대학 학생이든 기존 소속 단과대학을 유지한 채 AI를 두 번째 전공으로 추가할 수 있습니다. 이 구조는 AI를 완전한 학문적 정체성이 아니라 학제 간 레이어로 만듭니다.

이 대학은 이전에는 컴퓨팅과 거리가 멀었던 과목에도 AI를 도입하고 있습니다. 음악대학은 음악과 인공지능을 연결하는 수료 과정을 제공합니다.

Eastern Mennonite University는 한층 더 융합적인 강의실을 계획하고 있습니다. 음악, 연극, 미술, 공학, 수학, 컴퓨터 과학 학생들이 함께 AI를 공부하게 됩니다.

이 수업은 드럼 트랙 편집이나 생성 같은 작업을 살펴볼 예정입니다. 더 넓은 목표는 창의·기술 전문가 간 협업을 가르치는 것입니다.

Harvard는 대형 언어 모델을 신입생 글쓰기 수업에 도입했습니다. 대형 언어 모델은 방대한 데이터셋에서 학습한 패턴을 바탕으로 언어를 예측하고 생성합니다.

보도에 따르면 이 수업들은 기술을 저작권, 허위정보, 글쓰기 실습과 연결합니다. 이는 전통적인 프로그래밍 교육은 아니지만, 여전히 비판적인 기술 이해를 요구합니다.

Purdue는 AI 관련 졸업 요건을 도입했습니다. Ohio State는 각 단과대학의 학부 교육에 AI 수업을 접목하고 있습니다.

이 사례들은 AI 강의 수요의 실제 규모를 함께 보여줍니다. 대학들은 공학도용 선택과목만 추가하는 것이 아닙니다. AI 리터러시를 일반적인 학업 역량으로 다루고 있습니다.

Google News의 헤드라인은 눈에 보이는 호황을 포착하지만, 그 작동 방식이 더 중요합니다. 잠재적 수강생이 이제 거의 모든 전공을 포함하기 때문에 수요가 확대되고 있습니다.

이는 컴퓨터 과학과에 한정됐던 고급 머신러닝 수업의 기존 모델보다 훨씬 큰 시장을 만듭니다.

Google News가 보여주는 더 복잡한 등록 추세

AI 강의 호황은 컴퓨터 과학의 지속적인 성장 위에서가 아니라, 전통적인 컴퓨팅 전공 등록의 측정 가능한 감소와 동시에 일어나고 있습니다.

National Student Clearinghouse 수치에 따르면 2025년 가을 미국의 전체 고등교육 등록은 증가했습니다. 등록 학생은 1,940만 명을 넘어 전년 대비 1% 늘었습니다.

컴퓨터·정보과학은 반대 방향으로 움직였습니다. 이 분야의 등록은 보고서가 다룬 모든 학위 수준과 기관 유형에서 감소했습니다.

가을 등록 데이터에 따르면 감소폭은 주로 준학사 학위를 수여하는 기관의 학부생 기준 3.6%에서 대학원 수준 14%까지였습니다.

Associated Press는 이후 2026년 봄에도 추가 감소가 있었다고 보도했습니다. 4년제 기관에서 컴퓨터·정보과학 등록은 8% 이상 줄었습니다.

이 수치는 학생들이 AI 때문에 단순히 기술 분야로 몰려들고 있다는 주장을 복잡하게 만듭니다. 움직임은 더 선별적입니다.

일부 학생은 여전히 모델, 인프라, AI 제품을 만들고 싶어 합니다. 다른 학생들은 다른 직업 안에서 AI를 안전하게 활용할 수 있을 만큼의 지식만 원합니다.

Northwestern에서는 이전 수요에 대응하며 컴퓨터 과학 교수진이 이미 두 배로 늘었습니다. 이 학과는 이제 다른 전공 학생을 더 많이 가르릴 것으로 예상합니다.

컴퓨터 과학 학과장 Samir Khuller는 AP에 학과가 교수 3명을 추가 채용하려 했다고 말했습니다. 이는 컴퓨터 과학 전공 신입생이 줄어드는 상황에서 벌어진 일이었습니다.

학생 집단을 구분하면 이 겉보기 모순은 사라집니다. 전공 등록과 수업 등록은 서로 다른 행동을 측정합니다.

학생은 4년제 컴퓨터 과학 전공을 선택하지 않으면서도 AI, 데이터, 프로그래밍 수업을 들을 수 있습니다. 또 다른 학생은 심리학이나 음악 학위를 바꾸지 않고 AI 부전공을 추가할 수 있습니다.

노동시장은 이러한 구분을 설명하는 데 도움이 됩니다. 초급 소프트웨어 개발은 더 이상 안정적인 전문직으로 가는 자동적인 경로처럼 보이지 않습니다.

AI 코딩 시스템은 함수, 테스트, 문서화, 일상적인 애플리케이션 구성 요소를 생성할 수 있습니다. 따라서 고용주는 더 적은 수의 주니어 개발자가 같은 업무량을 처리할 것으로 기대할 수 있습니다.

학생들은 이러한 불확실성을 알아차렸습니다. 일부는 AI 특화 전문성을 찾고 있으며, 다른 일부는 기술적 소양과 도메인 지식을 결합한 학위를 찾고 있습니다.

모델의 한계를 이해하는 심리학 전공생은 직장 내 행동을 연구할 수 있습니다. 음악가는 합성 미디어를 평가할 수 있습니다. 비즈니스 전공생은 자동화된 의사결정을 검토할 수 있습니다.

이러한 경로가 컴퓨터 과학의 필요성을 없애지는 않습니다. 모든 작동 중인 AI 시스템은 여전히 소프트웨어, 자료구조, 인프라, 보안, 수학적 추론에 의존합니다.

하지만 자격 증명이 보내는 신호는 바뀌고 있습니다. 일반적인 컴퓨터 과학 학위는 과거 기술 채용 호황기에 수반됐던 것과 같은 단순명료한 약속을 더는 갖지 않습니다.

따라서 AI 강의 수요는 부분적으로 방어적 성격을 띱니다. 학생들은 자신이 예상하는 직업을 바꾸는 시스템과 함께 일할 수 있다는 증거를 원합니다.

대학들은 양방향의 압박을 받고 있습니다. 기술 학위를 현대화하는 동시에 고급 선수 과목이 없는 학생도 접근할 수 있는 교육을 만들어야 합니다.

그렇기 때문에 수요 증가에 관한 Google News 보도를 단순한 등록 성과로 읽어서는 안 됩니다. 이는 기술 교육 내부에서 관심이 재분배되고 있음을 반영합니다.

AI 리터러시는 일반 요건이 되고 있다

대학들은 점점 더 AI 리터러시를, 졸업생이 모델을 직접 만들지 않더라도 필요한 정량적 추론 능력과 같은 역량으로 보고 있습니다.

University of Texas at Austin의 컴퓨터 과학 학과장 Peter Stone은 이 입장을 직접적으로 설명했습니다. 그는 학생들이 수학, 읽기, 쓰기처럼 어느 정도의 AI 리터러시를 갖춰야 한다고 주장했습니다.

Stone은 최근 컴퓨터 과학 밖의 학생들을 위한 AI 기초 입문 과목을 개발했습니다. “기초”라는 말은 공학 교육과정과는 다른 교육 목표를 시사합니다.

이런 수업의 학생들은 AI가 무엇을 할 수 있는지, 결과물이 어디서 나오는지, 왜 답변이 실패할 수 있는지를 이해해야 합니다.

또한 신뢰할 수 있는 근거로 뒷받침되지 않는 그럴듯한 결과물인 환각을 인식할 수 있어야 합니다. 이 역량은 법률, 의학, 연구, 저널리즘, 일상적인 사무 업무에서 중요합니다.

Ohio State는 이 전제를 대학 전반의 프로그램으로 발전시켰습니다. 목표는 2029년 학번부터 모든 학생이 분야별 AI 활용 역량을 갖추고 졸업하도록 하는 것입니다.

이 대학의 AI Fluency program은 필수 세미나의 생성형 AI 기초 교육과 신입생 경험 과정 내 워크숍을 포함합니다.

명시된 학습 성과는 프롬프트 작성에 그치지 않습니다. 학생들은 기초 개념을 이해하고, 입력과 출력을 평가하며, 정확성을 검토하고, 법적·윤리적 영향을 살펴야 합니다.

Ohio State의 접근법은 각 단과대학이 개별 실행 계획을 수립함에 따라 궁극적으로 약 5만3,000명의 학부생에게 도달할 수 있습니다.

이 규모는 대학 AI 프로그램이 더는 컴퓨터 과학과에만 한정되지 않는 이유를 보여줍니다. 하나의 기술 중심 교육과정만으로는 모든 전문적 맥락을 다룰 수 없습니다.

간호학 전공생은 임상 지원 시스템과 환자 개인정보 보호를 평가해야 합니다. 디자이너는 저작권, 편향, 합성 미디어를 검토해야 합니다.

제품 관리자는 자동화된 워크플로가 의도한 문제를 해결하는지 시험해야 합니다. 연구자는 AI가 분석이나 글쓰기를 도왔을 때 이를 기록해야 합니다.

이러한 활용에는 몇 가지 공통 기반이 있지만, 서로 다른 사례, 위험, 평가 방법이 필요합니다.

이 변화는 학생들이 지식을 정리하는 방식에도 영향을 미칩니다. AI 도구는 빠른 답을 생성할 수 있지만, 학생들은 AI에게 연결을 요청하기 전에 신뢰할 수 있는 자료와 지속 가능한 맥락을 확보해야 합니다.

개인 지식 시스템은 학생들이 AI에 연결을 요청하기 전에 읽기 자료, 강의 노트, 근거를 보존하도록 도울 수 있습니다. 이 도구가 과목 전문성을 대체하지는 않습니다.

이 구분은 핵심적입니다. AI 활용 역량은 챗봇에 지속적으로 의존하는 것이 아니라, 정보에 기반해 활용하는 것을 의미해야 합니다.

대학들은 또한 AI를 독립 과목에 둘지, 기존 과목에 포함할지도 결정해야 합니다. 별도 과목은 집중도를 제공하는 반면, 내재화된 교육은 AI를 실제 학문 분야의 작업과 연결할 수 있습니다.

Ohio State는 두 경로를 모두 활용하고 있습니다. 일반 교육을 제공하는 동시에 각 단과대학에 AI가 해당 분야에 어떻게 적용되는지 정의하도록 요청합니다.

Northwestern의 구조도 같은 폭넓은 논리를 따릅니다. 기술 전공, 학제 간 부전공, 개별 과목을 원하는 학생을 위한 진입점을 함께 지원합니다.

이 계층형 모델은 학생의 목표가 매우 다양하기 때문에 지배적인 대응 방식이 되고 있습니다. 어떤 학생에게는 리터러시가 필요하고, 어떤 학생에게는 응용 역량이 필요하며, 또 다른 학생에게는 공학적 깊이가 필요합니다.

이 추세에 대한 Google News의 관심은 광범위한 독자층을 반영합니다. 거의 모든 학생, 학부모, 교육자, 고용주가 이 수준들을 올바르게 정의하는 데 이해관계를 갖고 있습니다.

호황은 교육과정 기준을 앞지르고 있다

빠른 확장은 품질 문제를 낳는다. 비슷한 AI 명칭을 내건 프로그램이라도 기술적·윤리적 준비 수준에 대한 요구는 크게 다를 수 있기 때문이다.

Northeastern University 연구진은 2026년 봄, 미국 4년제 대학의 학부 AI 프로그램 350개 이상을 조사해 분류했다.

이들의 프로그램 매핑 연구는 미국 학부 컴퓨터 과학 졸업생의 86%를 배출하는 560개 이상의 기관을 살폈다.

데이터베이스에는 전공, 부전공, 세부전공, 수료 과정이 포함된다. 이 범주는 상당히 다른 수준의 이수 의무를 뜻하지만, 학생들은 모두 같은 AI 간판 아래에서 이를 접할 수 있다.

연구진은 AI 전공 66개와 AI 부전공 87개의 이수 요건을 분석했다. 그 결과 프로그램 규모와 교육과정에서 상당한 차이가 나타났다.

조사 대상 전공은 모두 일반 인공지능 과목 또는 머신러닝 과목을 필수로 요구했다. 이는 일정한 기술적 최소 기준을 제공하지만, 윤리 관련 요건은 일관성이 떨어졌다.

전공의 3분의 1 이상은 AI 윤리 과목을 필수로 지정했다. 이 요건을 포함한 부전공은 4분의 1에도 못 미쳤다.

이 결과는 핵심적인 상충 관계를 드러낸다. 대학은 관련성 있는 프로그램을 빠르게 개설하려 하지만, 책임 있는 AI 교육에는 도구 시연 이상의 것이 필요하다.

학생들은 학습 데이터, 통계적 불확실성, 평가 방법, 개인정보 보호, 보안, 지식재산권, 컴퓨팅의 환경 비용을 이해해야 한다.

기술 분야 학생에게는 오래 지속되는 기초 역량도 필요하다. 현재의 인터페이스와 모델 브랜드는 수학, 알고리즘, 시스템 설계, 실험적 추론보다 훨씬 빠르게 바뀔 수 있다.

컴퓨터 과학 교육을 연구하는 University of Washington의 박사 연구원 Murtaza Ali는 AP 보도에서 또 다른 위험을 지적했다.

학생이 AI에게 코드를 작성해 달라고 요청하면, 시스템은 그 바탕이 되는 문제 분석의 일부도 수행할 수 있다. 결과물은 작동할 수 있지만 학생은 추론 과정을 놓칠 수 있다.

이는 어려운 평가 문제를 만든다. 제출된 프로그램만으로는 학생이 과업을 분해하고, 접근법을 선택하며, 오류를 진단할 수 있는지 더 이상 신뢰성 있게 보여주지 못한다.

같은 우려는 코딩 밖의 영역에도 적용된다. 매끄러운 에세이가 작성자가 출처를 평가했거나 논지를 이해했다는 증거는 아니다.

생성된 시장 분석에는 지어낸 수치가 숨겨질 수 있다. 합성 이미지는 라이선스 규정을 위반하거나 편향된 패턴을 재현할 수 있다.

따라서 효과적인 대학 AI 프로그램은 결과물뿐 아니라 과정을 평가해야 한다. 학생들은 자신의 결정, 테스트 결과, 출처를 설명하고 모델의 실패를 식별해야 한다.

과제에는 구두 발표 심사, 수업 중 실습, 개발 로그, 또는 통제된 실무 평가가 필요할 수 있다. 그렇지 않으면 대학은 역량이 아니라 도구 접근권을 인증하게 될 위험이 있다.

교수진 역량도 또 다른 제약이다. AI 과목 수요는 몇 달 만에 늘어날 수 있지만, 전문 인력을 채용하고 교육과정을 승인하는 데는 일반적으로 훨씬 더 긴 시간이 걸린다.

Harvard의 교육학자이자 전직 대학 총장인 Paul LeBlanc는 기관들이 기술의 속도에 완벽히 맞출 수는 없다고 인정했다.

그러한 지연이 정체된 교육과정을 정당화하지는 않는다. 다만 대학은 일시적인 제품 기능을 중심으로 전체 프로그램을 설계하지 말아야 한다는 뜻이다.

브랜딩 유인도 존재한다. AI는 지원자, 기부자, 연구 파트너, 그리고 기관의 관심을 끌어모은다.

대학은 진정으로 구별되는 학위 프로그램을 만드는 것보다 기존 데이터 과학 또는 컴퓨팅 경로의 이름을 바꾸는 일을 더 빠르게 할 수 있다.

따라서 학생들은 프로그램 명칭에 의존하기보다 과목 이수 요건을 살펴봐야 한다. 신뢰할 수 있는 기술 학위는 수학, 컴퓨팅, 데이터, 시스템, 평가의 기반을 명확히 보여줘야 한다.

응용 부전공은 졸업생이 무엇을 평가하거나 만들어 낼 수 있는지 분명히 정의해야 한다. 일반 소양 요건은 근거, 한계, 책임 있는 사용을 다뤄야 한다.

2026년 AI 교육 조사 결과는 또 다른 경고를 더한다. AI 관련 프로그램은 늘고 있지만, 접근성과 준비도는 여전히 고르지 않다.

확대만으로 이런 격차가 자동으로 해소되지는 않는다. 재정이 풍부한 대학의 학생들은 전문 교육, 컴퓨팅 접근권, 연구 기회를 얻을 수 있다.

다른 학생들은 상업용 도구를 중심으로 한 짧은 워크숍만 받을 수 있다. 두 집단 모두 서로 다른 준비 수준에도 불구하고 AI 활용 능력을 갖췄다는 자격을 받고 떠날 수 있다.

이것이 붐의 핵심 과제다. 대학은 AI 교육을 프롬프트와 제품 튜토리얼로 축소하지 않으면서 접근성을 확대해야 한다.

전통적 컴퓨터 과학은 여전히 기초를 제공한다

학제간 AI의 부상은 컴퓨터 과학을 시대에 뒤처지게 만들지 않는다. 오히려 컴퓨터 과학의 경계를 덜 뚜렷하게 만든다.

현대 AI 시스템은 알고리즘, 소프트웨어 엔지니어링, 통계학, 데이터베이스, 분산 시스템, 컴퓨터 아키텍처 분야에서 수십 년간 축적된 작업에 의존한다.

Northwestern의 새 전공은 이러한 계승을 인정한다. 교육과정에는 자료구조, 수학적 기초, 프로그래밍, 인프라, 머신러닝, 자연어 처리가 포함된다.

또한 기존 프로그램이 때로는 부차적으로 다뤘던 영역도 더한다. 여기에는 인간 중심 설계, 개인정보 보호, 지속가능성, 지식재산권이 포함된다.

이 조합은 왜 “AI 대 컴퓨터 과학”이라는 구도가 불완전한지를 보여준다. AI 교육은 교육과정을 재구성하지만 컴퓨팅의 기초에서 벗어나지는 않는다.

모델을 배포하는 법을 배우는 학생은 데이터가 시스템을 통해 어떻게 이동하는지 이해해야 한다. 신뢰성에는 테스트, 모니터링, 접근 통제, 장애 처리가 필요하다.

생성된 결과를 평가하는 학생에게는 통계와 분야 지식이 필요하다. 이런 기반이 없으면 자신감은 역량보다 더 빠르게 높아질 수 있다.

따라서 더 적절한 대립 구도는 폭넓은 AI 소양과 자격의 깊이다. 대학은 모든 학생에게 필요한 것과 전문가만이 책임 있게 수행할 수 있는 것을 결정해야 한다.

비전공자에게 목표는 정보에 근거한 활용이어야 한다. 학생들은 AI가 과업에 적합한 시점, 결과물을 검증하는 방법, 인간의 판단이 결정적 역할을 유지해야 하는 때를 알아야 한다.

기술 전문가에게는 더 높은 기대가 요구된다. 이들은 모델 학습, 평가, 인프라, 보안, 최적화, 배포의 결과를 이해해야 한다.

대학에는 이 집단들을 잇는 다리도 필요하다. 학제간 프로젝트는 참여자들이 서로의 가정과 한계를 이해할 때 가장 잘 작동한다.

음악 전공 학생은 예술적 요구 사항을 정의하고, 컴퓨터 과학 전공 학생은 처리 시스템을 설계할 수 있다. 둘 다 저작자 표시, 동의, 결과물 품질을 평가해야 한다.

심리학 전공 학생은 연구 질문을 정하고, 데이터 전문가는 분석 워크플로를 구축할 수 있다. 둘 다 표본추출 문제와 개인정보 보호 위험을 인식해야 한다.

이러한 협업은 전공 등록이 줄어도 컴퓨터 과학 학과가 여전히 바쁜 이유를 설명한다. 이제 이들의 교육은 대학 전체의 더 많은 구성원을 지원한다.

그러나 학과는 인력 배치와 과목 설계를 바꾸지 않고는 무제한의 수요를 흡수할 수 없다. 비전공자를 위한 입문 수업은 전문가 양성 과정과 다른 속도가 필요하다.

교수진은 어떤 선수과목이 실제로 필요한지도 판단해야 한다. 불필요한 장벽을 없애면 접근성을 넓힐 수 있지만, 필수 기초를 제거하면 학습이 약화될 수 있다.

Google News 보도는 이런 구분을 하나의 급증 서사로 압축하는 경향이 있다. 실제 캠퍼스 변화는 더 구조적이다.

컴퓨터 과학은 종착점이 되는 전공에서 공동의 학문 인프라로 전환되고 있다. 그 개념들은 점점 더 기관 전반의 과목을 뒷받침한다.

대학이 이에 자금을 지원한다면 이 전환은 분야를 강화할 수 있다. 반면 지도부가 강사, 조교, 컴퓨팅 자원 없이 요건만 추가한다면 학과에 과부하를 줄 수도 있다.

따라서 등록 감소를 컴퓨팅이 관련성을 잃었다는 증거로 여겨서는 안 된다. 이는 학생들이 그 관련성을 어떤 방식으로 얻고 싶은지 재평가하고 있음을 보여준다.

일부는 완전한 기술 학위를 선택할 것이다. 다른 이들은 목표가 분명한 컴퓨팅 과목을 의료, 금융, 과학, 정부, 창작 분야의 전문성과 결합할 것이다.

결국 고용주는 이러한 조합이 유용한 판단력을 만들어 내는지 시험하게 될 것이다. 학위 명칭만으로는 그 질문에 답할 수 없다.

학생과 대학이 다음으로 지켜봐야 할 것

다음 시험대는 늘어나는 AI 등록이 지속 가능한 역량, 신뢰할 수 있는 평가, 더 나은 고용 성과로 이어지는지 여부다.

첫 번째 신호는 과목 수료와 진급이다. 초기 등록은 호기심을 반영할 수 있지만, 상위 과목 수강은 학생들이 지속적인 역량을 쌓고 있는지를 보여준다.

대학은 입문 소양 과목에서 부전공, 전공, 연구 프로젝트, 또는 응용 학문 분야의 작업으로 진입하는 학생 수를 공개해야 한다.

진급이 강하게 유지된다면, 이 붐은 일시적인 관심 이상의 것을 반영한다. 입문 과목 하나 뒤에 등록이 급감한다면 수요는 넓지만 얕을 수 있다.

두 번째 신호는 교육과정의 질이다. 프로그램 매핑 연구는 이미 기술 및 윤리 요건에서 큰 차이를 보여준다.

인증 기관, 교수 단체, 고용주는 AI 전공, 부전공, 일반 소양 자격에 대해 더 명확한 기대 기준을 정의하기 시작할 수 있다.

그렇게 되면 자격의 해석이 쉬워져 현재의 변화를 강화할 수 있다. 불일치가 계속된다면 새 프로그램 명칭에 대한 신뢰는 약화될 것이다.

세 번째 신호는 노동시장에서 나올 것이다. 대학은 부분적으로 졸업생의 AI 역량에 관한 고용주의 질문에 대응하고 있다.

대학은 AI 교육을 받은 졸업생이 시스템을 평가하고, 분야를 넘나들며 협업하고, 일상적인 도구 사용을 넘어선 과업을 수행할 수 있다는 증거를 제시해야 한다.

새로 발표된 과목 수보다 인턴십 성과, 졸업 후 취업, 포트폴리오 품질, 고용주 피드백이 더 중요해질 것이다.

학생들은 초급 직무가 어떻게 변하는지도 지켜봐야 한다. 전통적인 소프트웨어 채용 공고가 줄었다고 해서 기술 업무가 줄었다는 뜻은 아니다.

기업은 프로그래밍 능력과 제품 판단, 보안, 연구, 운영, 또는 특정 산업 지식을 결합한 지원자를 찾을 수 있다.

대학은 그런 신호를 해석할 때 신중해야 한다. 단기 채용 부진은 4년제 학위 과정의 한 학년이 졸업하기 전에도 바뀔 수 있다.

현재의 채용 공고만을 위해 설계된 교육과정은 빠르게 낡을 수 있다. 지속 가능한 추론과 기술적 기초는 그러한 순환에 더 나은 방어력을 제공한다.

가장 강력한 대학 AI 프로그램은 아마 네 가지 특성을 공유할 것이다.

• 일반 소양과 전문 엔지니어링을 구분한다.

• 학생들에게 결과물을 검증하고 출처를 기록하도록 요구한다.

• 분야 전문성과 적절한 수준의 기술적 깊이를 결합한다.

• 단지 매끄러운 AI 보조 결과물이 아니라 독립적인 추론을 평가한다.

프로그램을 평가하는 학생들도 똑같이 직접적인 질문을 해야 한다. 졸업생은 무엇을 만들거나 평가할 수 있으며, 대학은 그 역량을 어떻게 검증하는가?

학생들은 선수과목, 필수 과목, 교수진 전문성, 프로젝트 기회, 책임 있는 AI 사용 규칙을 살펴봐야 한다.

또한 부전공이 자신의 주전공을 보완하는지, 아니면 또 하나의 자격만 추가하는지도 물어야 한다. 답은 자신이 하고 싶은 일에 달려 있다.

대학의 과제는 더 어렵다. 한 과목만으로 모든 학생이 AI 전문가가 되는 것처럼 가장하지 않으면서 접근성을 확대해야 한다.

AI 역량이 이제 교육과정 전반에 속한다는 점을 인정하면서도 컴퓨터 과학의 기초를 지켜야 한다.

따라서 Google News의 급증은 최종 판결이 아니라 초기 지표다. 등록은 관심을 증명하지만, 아직 교육적 가치를 증명하지는 않는다.

의미 있는 결과는 졸업생들이 낯선 시스템과 모호한 근거를 마주할 때 드러날 것이다. 이들은 결과물에 의문을 제기하고, 가정을 검증하며, 책임 있는 결정을 내릴 수 있는가?

올해 과목을 선택하는 학생들은 AI라는 명칭 너머를 봐야 한다. 시스템이 당신을 대신해 결정할 수 없는 것을 가르쳐 주는 프로그램을 찾아라.