Andrew Ng의 7개 강의를 들은 지 2년, 2026년의 저라면 실제로 택할 학습 경로

2023년의 그 글에 대해 지금도 메시지가 옵니다. 가장 자주 듣는 질문은, 거의 똑같은 문장으로 이겁니다. "2026년에도 이게 여전히 맞는 길인가요?"

솔직히 말하면, 정식 답을 쓰는 걸 계속 미뤄 왔습니다. 정직한 답은 한 줄로 끝나지 않고 층이 있기 때문입니다. Andrew Ng의 강의 대부분은 지금도 유효합니다. 제가 그 주변에 쌓았던 로드맵은 이제 유효하지 않고요. 이 글은 제가 여러분에게 돌려드려야 하는 업데이트입니다.

만약 지금 2023년의 저처럼 제로에서 시작하는 분이라면, 이 로드맵의 기초 부분은 여전히 적용됩니다. 다만 저 때보다는 덜 필요할 뿐입니다. 그 이유는 아래에서 이어서 말씀드릴게요.

하나 먼저 말씀드리면, 아래 판정 중 일부는 제가 틀렸을 수도 있습니다. 여러분의 경험이 다르다면 저도 정말 듣고 싶습니다. 이 주제에서 저도 여전히 학생이에요. 그냥 지난 2년을 배운 것들로 뭔가를 ship 해보려고 써 왔을 뿐입니다.

1. 그 7개 강의가 제게 실제로 준 것

2년 더 쌓인 맥락을 얹어서 돌아보면, 2023년의 강의들은 두 가지를 아주 명확하게 줬고, 세 번째에서는 모자랐다고 생각합니다.

먼저 어휘 를 줬어요. Prompt engineering, retrieval-augmented generation, embeddings, function calling, chain-of-thought reasoning. 지금도 거의 모든 기술 대화에서 쓰는 말들입니다. AI를 막 시작한 팀원에게 까다로운 버그를 설명할 때, 공통 언어가 있다는 게 큰 차이를 만듭니다. 그 언어는 Andrew에게서 받은 겁니다.

그리고 자신감 을 줬어요. 저는 비개발자 출신이라, 그 강의라는 틀이 없었다면 build를 시작할 용기가 없었을 거라고 생각합니다. 좋은 강의는 이걸 할 수 있어요. 모든 걸 가르치는 게 아니라, 다음 한 걸음은 닿는 거리에 있다고 설득해 주는 것.

강의가 줄 수 없었던 건 taste 였습니다. 언제 prompt가 깨질지, 언제 evaluation이 정작 중요한 걸 재고 있는 건지, 언제 cost pattern이 프로덕션에서 터지려는지에 대한 감각. 그건 진짜 유저 앞에서 뭔가 부서져봐야 생기더라고요. 그 첫 해에 대해서는 2024년 이 글 에 적어 뒀습니다. 3개월째, 여전히 막히고 있던 상태요. 2년이 지난 지금은 다른 데서 막히는데, 그래도 막히긴 막힙니다.

강의들은 저를 "docs를 읽어도 당황하지 않는" 지점까지 데려다줬습니다. 그 이후는 전부 shipping에서 왔어요.

2. 예전 로드맵이 지금 더 빨리 낡는 이유

2023년 글에서 제가 가장 다시 쓰고 싶은 부분이 여깁니다.

저는 그 7개 강의를 하나의 완성된 온램프처럼 썼습니다. 그건 아니었고, 사실 원래도 아니었어요. 그건 기초 레이어 일 뿐입니다. 그 주위의 로드맵은, 강의 자체보다 지난 2년 동안 훨씬 더 많이 변했습니다.

짧게 주장 하나: AI pair-programming은 판단력보다 실행을 훨씬 빠르게 압축했다. 그래서 기초 강의들은 여전히 좋은 것을 가르치고(판단은 천천히 낡습니다), 제 학습 스택의 나머지 거의 모든 부분은 2023년과 딴판이 된 것입니다.

제 개인 타임라인을 평이하게 쓰면 이렇습니다.

• 2022년 말: ChatGPT 출시. 모두가 prompter가 됩니다.
• 2025년 3월: Google Gemini 2.5 Pro가 제 코딩용 daily driver가 됐어요. 실제로 ship해도 되는 수준의 코드를 내놓기 시작했습니다.
• 2025년 3월쯤: Anthropic의 프리미엄 플랜인 Claude Max를 구독합니다. 이걸로 Claude Code, 그러니까 자기 프로젝트 안에서 곁에서 코드를 쓰고 고쳐 주는 터미널 기반 AI 코딩 어시스턴트를 쓰게 됩니다. 곧 일상 업무의 꽤 큰 몫을 가져갔어요.
• 2026년 3월: OpenAI의 대응 도구인 Codex를 Claude Code와 같이 쓰기 시작 했습니다.
• 2026년 4월: 13개월 만에 Claude Max를 해지 하고 주력을 Codex로 옮겼습니다. 30일짜리 실험이고, 아직 결론은 안 났습니다.

이 목록의 한 줄 한 줄이, 제가 들었던 강의가 아니라 workflow 변화입니다. 브라우저 속 강의로는 절대 얻을 수 없는 경험이 하나 있어요. AI 어시스턴트가 당신 자신의 repository를 refactor하는 걸, 제안을 읽는 동안 지켜보는 경험. 그건 프로그래밍보다 오히려 압박 속의 code review에 가깝고, 2026년 학습의 많은 부분은 정확히 거기서 일어납니다.

균형을 위해 덧붙이면, build 쪽도 제대로 해 왔습니다. 2023년 글과 지금 사이에 세 개를 ship 했어요. DIALOGUE, AI 팟캐스트 생성기. STRATUM, 9-agent 마케팅 플랫폼. 그리고 이 사이트의 course platform. 틈틈이 강의도 계속 들었고, 대부분은 기초를 메우는 Google IT Automation with Python이나 Cybersecurity Specialization 같은 것들이었습니다. 강의는 저를 읽고 쓸 수 있는 상태로 유지해 줬고, 프로덕트는 저를 실제로 돌릴 수 있는 수준으로 만들어 줬습니다.

여기서 나오는 실무적인 함의 하나. 학습에 쓰는 돈이 들어가는 곳이 달라졌습니다. 2023년에는 구조화된 강의에 돈을 내고, 몇 개 API의 free tier 위에서 build 했습니다. 2026년에는 강의가 청구서의 작은 부분이고, 함께 코드를 쓰는 도구 가 더 큰 지속 비용입니다. 지금 AI를 배우려고 예산을 짠다면, 강의만 말고 도구 값도 계획에 넣으세요.

만약 당신이 builder가 아니고, 스스로 Claude Code를 돌릴 일이 없는 marketing leader나 operator라면, 같은 얘기가 말만 바뀔 뿐입니다. 2026년 학습 경로에서 당신이 실제로 사는 것은, 특정 도구에 대한 능숙함이 아니라 도구들에 대한 판단력입니다. 도구는 계속 바뀝니다. 언제 믿고, 언제 출력에 이의를 제기하고, 언제 사람을 루프에 넣을지. 그 판단력이 남습니다.

3. 2026년 강의별 판정

이 부분이 아마 가장 쓸모 있을 것 같아서, 좀 직설적으로 쓰겠습니다. 솔직한 답이 "당신이 누구인가"에 달려 있는 곳만 톤을 살짝 누그러뜨렸어요.

대상: 오늘 무엇을 들을지 고민하는 모든 분. 팀을 이끌 만큼의 AI literacy가 필요한 marketing operator든, ship 하고 싶은 builder든, 아래 표에서 필요한 지점마다 두 그룹을 구분했습니다.

2023년 강의	2026년 판정	이유
Machine Learning Specialization	Time-box: 1–2주, 수학은 훑기	대부분의 독자에겐 어휘 확보용. 수학이 진한 유도 파트는 research 쪽으로 갈 때만 값어치가 있어요. 그렇지 않으면 훑는 걸로 충분.
Generative AI for Everyone	지금도 모두에게 추천	비개발자용 generative AI 프레이밍으로 제가 본 것 중 최고. 잘 늙는 종류의 강의. CEO에게 진짜로 보여 줄 만합니다.
ChatGPT Prompt Engineering for Developers	지금도 듣되, cookbooks와 같이	핵심 패턴은 지금도 유효. 2026년 시점의 API는 Anthropic과 OpenAI의 cookbooks를 함께 보세요.
Building Systems with the ChatGPT API	멘탈 모델용으로 듣고, 구체적 API는 그대로 믿지 말 것	Moderation, chain-of-thought, chained prompts, output checks. 사고 틀은 여전히 맞습니다. 구체적 API 표면은 한두 번이 아니라 여러 번 바뀌었어요.
Neural Networks and Deep Learning	research로 갈 게 아니면 스킵	2023년에도 ML Specialization과 겹친다고 적었는데, 지금은 builder든 operator든 더 세게 말할 겁니다.
Functions, Tools, and Agents with LangChain	들어가기 전에 현재 상태를 먼저 확인	2025년에 9-agent 플랫폼을 만들 때 저는 LangChain을 안 썼습니다. 그해 초에 LangGraph agent를 시험해 보다가, 성능 상한에 부딪혀 더 단순한 오케스트레이션으로 옮겼거든요. 진짜 교훈은 agentic pattern이고, 프레임워크 선택은 당신 몫이며, 제 2025년 경험 이후로 이 바닥도 또 움직였습니다. 다시 한 번 살펴보지 않고 LangChain을 기본 선택지에 되돌리지는 않겠습니다.
Vector Databases: from Embeddings to Applications	지금도 듣되, 짧게	이 사이트의 search를 지금 돌리고 있는 패턴들이 바로 이겁니다. 특정 공급자에 묶여 낡아버린 챕터는 건너뛰세요.

이건 한 명의 builder 관점일 뿐이지, 절대적인 랭킹은 아닙니다. 목표가 다르다면(research, 아주 특정한 스택), 당신의 표는 또 다르게 나올 거예요.

4. 지금이라면 무엇을 더 얹을지, 그리고 경로는 어디에서 갈리는지

여기서 경로가 갈립니다. operator와 builder에게는 서로 다른 두 번째 층이 필요합니다.

만약 당신이 marketing leader 또는 operator라면

Tier 1. 위 표에서 "지금도 듣는다"고 적힌 강의들. 특히 Generative AI for Everyone과 Prompt Engineering for Developers. 여기서 당신이 사는 건 어휘와 직관입니다.

Tier 2. 팀 차원의 결정을 내릴 수 있을 만큼, evaluations (AI 출력이 그냥 그럴듯한 게 아니라 실제로 좋은지 재는 방법)과 agent design (여러 AI 단계를 신뢰할 만한 workflow로 엮는 방식)을 알아 두세요. 직접 만들 필요는 없습니다. 어떤 질문을 해야 하는지는 알아야 해요. 정확히 뭘 측정하는 건가요? 실패는 어떤 모습인가요? trace는 어디에 남나요? 실제 출력은 얼마나 자주 리뷰하나요? 팀에 이 질문들에 또렷이 답할 수 있는 사람이 없다면, 보고 있는 건 아마 demo지 오래 갈 시스템이 아닙니다. 그리고 누가 "AI가 알아서 할 거예요"라고 하면, 그 AI가 무엇을 바탕으로 grounded 되는지 물어보세요. 강한 모델은 실제 trace, 채택된 출력, 실패 케이스, 내부 문서 를 초안 eval criteria와 seeded dataset으로 바꾸는 일에 도움이 됩니다. 그건 유용해요. 그래도 rubric을 검토하고 기준을 calibrate 하는 건 사람이 해야 합니다.

Tier 3. workflow 하나를 다시 설계하세요. 팀의 한 주 안에서 가장 작은 실제 업무(주간 리포트, brief intake, QA review 같은 것)를 골라, AI를 루프에 넣은 형태로 다시 만들어 보세요. 그 재설계를 어떻게 잡을지에 대해서는 글 끝에서 다시 돌아오겠지만, 실제 작업은 어떻게 해도 당신의 몫입니다.

만약 당신이 builder라면

Tier 1. 위 표의 기초 강의들.

Tier 2.

study가 아니라 build 부터 시작하기. 무료 GitHub 계정을 만들고 첫 repository를 생성합니다. 뭔가 부쉈을 때 작게 commit 하고 깔끔하게 roll back 할 정도로 Git을 익히세요. 그런 다음 주요 코딩 어시스턴트 중 하나를 써서 실제 프로젝트에서 시작합니다. 저는 Claude Code with Opus 4.7과 OpenAI Codex with GPT-5.4를 둘 다 써 봤습니다. walkthrough 가 곧 일이고, 준비됐다고 느껴지길 기다리다가는 시작을 못 합니다. 막히면 지금 쓰는 도구의 docs를 읽고, "스택 공부하기"를 또 하나의 미루기 핑계로 만들지 마세요.

뭐가 돌아가기 시작하면, evals를 실무적으로 배우기 시작합니다. 실제 입력과 출력을 저장합니다. ground-truth 재료를 좀 모읍니다. workflow 각 단계에서 좋은 것과 나쁜 것의 기준을 정합니다. 그러고 나서 강한 코딩 어시스턴트, xhigh thinking 모드의 Claude Code with Opus 4.7이나, xhigh thinking 모드의 Codex with GPT-5.4를 써서 eval framework의 뼈대를 짜고, 기준을 제안하게 하고, 그 재료들에 grounded된 초기 dataset을 만들게 합니다. 그 세팅 작업의 많은 부분은 AI가 해 줄 수 있습니다. AI가 해서는 안 되는 건, 당신의 기준을 조용히 대신 정의해 버리는 것이에요. rubric은 직접 리뷰하세요.

그다음 MCP, 즉 Model Context Protocol의 기본을 익힙니다. Codex 같은 도구가 당신 스택의 나머지와 직접 이야기할 수 있게 해 주는 레이어입니다. 이 repo에서 제 workflow에는 현재 Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend, Cloudflare가 들어가 있어요. MCP는 2023년엔 존재하지도 않았고, 지금은 제 build 방식의 일부입니다.

Tier 3. 다른 누군가가 쓰는 것을 만드세요. 튜토리얼 말고. demo 복사본 말고. 실제 유저가 있는 것. 그 유저가 자기 팀 안의 한 사람이어도 됩니다.

두 경로에 공통된 규칙은 하나: 실제로 뭔가가 돌아가기 전까지는, 끝이 아닙니다.

현실적인 메모 하나. 돈은 중요하니까요. 코딩 어시스턴트에 월 20달러가 지금 부담스럽다면, tooling tier는 일단 건너뛰세요. 기초 강의에 API free tier만으로도 여전히 길은 있습니다. 저도 2023년에 그렇게 시작했고, 지금도 그건 진짜 경로입니다.

5. 지금이라면 건너뛰거나 시간을 끊을 것들

세 가지 함정. 다 "진전 같다"는 느낌이 들어서 빠지기 쉬운 것들입니다.

1. 미루기로 쓰는 cert 모으기. 저도 해 봤습니다. 생산적인 기분이 들어요. 하지만 shipping의 대체재는 못 됩니다. 기초 cert는 따고, 그 이후로는 세지 마세요.
2. 이달의 프레임워크 강의. 2년도 안 된 특정 프레임워크에 강하게 묶인 강의라면 조심하세요. 그 프레임워크의 docs를 먼저 읽고, 판이 좀 안정되면 다시 강의로 돌아오세요.
3. research로 갈 게 아니라면, 수학 무거운 deep learning 이론. builder에게 backpropagation 직접 유도는 필요 없습니다. leader에게도요.

6. 결국 제가 직접 만든 강의

기초 강의들을 지나고 나서 제가 계속 부딪힌 빈틈은 기술이 아니었습니다. 오퍼레이터 레벨의 판단이었어요. API 몇 개 부르는 데서 그치는 게 아니라, marketing 팀을 AI를 중심으로 어떻게 다시 설계할 것인가. 사람이 계속 해야 할 일과, 기계가 이제는 맡아도 되겠다 싶은 일을 어떻게 나눌 것인가. 제가 실제 업무에서 보는 것과 맞물리게 가르치는 사람이 없었습니다.

그래서 Andrew Ng의 일곱 번째 이후에 들을 수 있었으면 좋겠다 싶었던 강의를, 제가 직접 만들었습니다. 이름은 AI-Native Media Operations이고, 이 사이트 안에 있어요. 7개 모듈, 16개 템플릿, 약 3시간 분량의 영상. 전부 소장 가능합니다. 제가 operator 트랙의 다음 단계로 가리키는 프레임워크이고, 제가 믿어서 가리키는 겁니다.

링크 하나, 피치 한 번. Andrew Ng의 일곱 강의가 당신에게 제 역할을 해 줬고, 위 판정이 로드맵을 다듬는 데 도움이 됐다면, 다음 단은 진짜 일입니다. 제 강의를 듣든 안 듣든요.

---

2023년 목록을 따라가 보셨다면, 어떤 게 가장 값어치 있었고 어떤 건 건너뛸 걸 그랬다 싶은지 정말 듣고 싶습니다. 오늘 시작하려는 분이라면, 무엇 때문에 망설이고 계신가요?

여기까지입니다.

또 봐요, Chandler