📋 목차
AI 커리어는 2025년 기준으로 더 넓어지고 세분화되었어요. 모델 연구, MLOps, 데이터 엔지니어링, LLM 애플리케이션 개발, AI 제품 기획, 프롬프트·에이전트 설계, 거버넌스·윤리, 평가·레드팀 등 역할이 촘촘히 나뉘었죠. 그래서 길을 선택할 때 나의 강점과 흥미, 그리고 시장의 수요 지점을 동시에 맞추는 게 핵심이에요.
이 글은 지금 당장 실행 가능한 체크리스트와 로드맵 중심으로 구성했어요. 읽는 흐름대로 따라오면 3개월·6개월·12개월 계획이 자연스럽게 설계되도록 했고, 파트마다 실무 예시와 작업 템플릿을 곁들였어요. 내가 생각했을 때 이런 구조가 실제 커리어 전환과 성장에 바로 쓰기 좋더라고요.
아래에서는 먼저 전반 지형을 가볍게 훑은 뒤, 나에게 맞는 진단법, 직무별 스킬 맵, 포트폴리오 설계, 학습 경로, 이직·협상 팁 순으로 이어져요. 중간중간 표로 요약해 두었으니 모바일에서도 한눈에 정리하기 편해요.
AI 커리어 전반 개요
AI 커리어의 큰 축은 연구(R), 엔지니어링(E), 제품(P) 세 갈래로 묶을 수 있어요. 연구는 모델과 알고리즘을 발전시키는 쪽, 엔지니어링은 데이터를 모으고 학습·배포·운영을 자동화하는 쪽, 제품은 문제를 정의하고 사용자 가치를 만들도록 기술을 묶는 쪽이에요.
최근에는 LLM을 중심으로 애플리케이션 레이어가 폭발적으로 성장했어요. 프롬프트 체이닝, 에이전트 오케스트레이션, 평가 파이프라인, 비용·지연시간 최적화 같은 테마가 표준 역량으로 떠올랐죠. 덕분에 컴퓨터 과학 전공이 아니어도 진입 경로가 다양해졌어요.
기업 규모에 따라 역할도 달라져요. 초기 스타트업은 한 사람이 모델 선택부터 배포와 제품 실험까지 폭넓게 다루고, 대기업은 데이터 플랫폼·실험 인프라·리스크 관리처럼 기능별 전문화가 강해요. 내 성향이 제너럴리스트인지 스페셜리스트인지 먼저 파악하는 게 좋아요.
B2B와 B2C 도메인에 따라 필요한 역량이 차이나요. B2B는 보안·컴플라이언스·내부 검색·문서 자동화 비중이 높고, B2C는 추천·콘텐츠 생성·대화 경험 설계가 중요해요. 목표 산업을 한두 개 정하고 그 산업의 데이터 특성과 규제를 익히면 훨씬 유리해요.
결국 방향을 정하는 기준은 세 가지예요. 재미, 강점, 수요. 셋 중 두 개만 겹쳐도 출발은 가능하지만, 장기적으로는 세 가지가 만나는 지점을 찾아가면 번아웃 없이 성장 곡선을 유지하기 쉬워요.
🧭 AI 역할 한눈 비교표
| 역할 | 핵심 미션 | 주요 스킬 | 산출물 | 적합 성향 |
|---|---|---|---|---|
| 리서처 | 새 알고리즘·모델 제안 | 수학, 파이토치, 논문 구현 | 논문, 벤치마크 | 탐구, 실험 집요함 |
| ML 엔지니어 | 학습·서빙 파이프라인 구축 | MLOps, 데이터 파이프라인 | 모델·API·배포 | 시스템·자동화 선호 |
| LLM 앱 개발자 | 프롬프트·에이전트 제작 | 백엔드, 평가, 비용 튜닝 | 프로덕트 기능 | 사용자 집착 |
| AI PM | 문제정의·가치설계 | 가설검증, 데이터 감각 | 로드맵·지표 | 커뮤니케이션 강점 |
| AI 거버넌스 | 리스크·윤리·규정 대응 | 정책, 평가, 보안 | 가이드·리포트 | 정확성·책임감 |
나의 역량 진단과 목표 설정
진단은 스택, 산출물, 영향력 세 축으로 확인해요. 스택은 프로그래밍·수학·클라우드·데이터 파이프라인 같은 기술 요소, 산출물은 깃허브·노션 포트폴리오·데모, 영향력은 팀 협업·커뮤니케이션·문제정의 능력을 말해요.
기준 점수를 0~3으로 두고 셀프 스코어카드를 만들어 보세요. 0은 미경험, 1은 튜토리얼 수행, 2는 소규모 프로젝트 완수, 3은 프로덕션 적용으로 정의하면 객관화가 쉬워요. 점수 차이가 큰 항목을 우선 개선하면 성장 효율이 커져요.
3·6·12개월로 나눠서 OKR을 설정해요. 예를 들어 3개월 목표는 RAG 데모를 운영 환경에 배포, 6개월 목표는 비용 30% 절감, 12개월 목표는 사용자 만족도 지표 개선처럼 결과 중심으로 적는 게 좋아요. 활동이 아니라 결과를 기록하면 집중도가 높아져요.
포지션 피트 검증은 잡디스크립션 역해석으로 진행해요. JD를 10개 모아 공통 요구 역량을 추출하고, 내가 가진 요소와 간극을 표로 정리하면 실행 계획이 바로 따라와요. 모호한 표현은 지표로 바꾸어 측정 가능하게 만들면 돼요.
멘토링과 피어 리뷰는 성장 가속 장치예요. 한 달에 한 번 코드 리뷰를 받아보거나, 평가 지표 세팅을 외부 시선으로 점검받으면 눈에 띄게 개선돼요. 작은 루틴이 장거리 레이스에서 차이를 만들어요.
📝 역량 셀프 스코어카드
| 항목 | 0 | 1 | 2 | 3 |
|---|---|---|---|---|
| 프로그래밍 | 미경험 | 기초 튜토리얼 | 작은 프로젝트 | 서비스 적용 |
| 데이터 파이프라인 | 미경험 | 노트북 단계 | ETL 자동화 | 운영 안정화 |
| 모델 서빙 | 미경험 | 샘플 API | 트래픽 대응 | 모니터링·SLA |
| 제품 감각 | 모호 | 가설 메모 | 지표 설계 | PM과 공진화 |
직무별 로드맵(연구·엔지니어·제품)
리서처 트랙은 수학 기초와 논문 구현력이 핵심이에요. 선형대수·확률·최적화, 파이토치 커스텀 모듈, 실험 재현성, 벤치마크 설계, 결과 해석이 뼈대예요. 매 분기 한 편의 논문을 완독·재현·개량까지 연결하면 포트폴리오 힘이 생겨요.
ML 엔지니어 트랙은 데이터 파이프라인과 서빙 안정화가 중심이에요. 스키마 관리, 피처 저장소, 모델 레지스트리, CI/CD, 피드백 루프, 모니터링을 다루면서 실사용 지표를 개선해요. 비용과 지연시간 최적화는 실무 신뢰를 빠르게 올려줘요.
LLM 앱 개발자는 RAG, 에이전트, 툴 사용, 컨텍스트 관리, 평가 자동화를 익혀야 해요. 도큐먼트 임베딩 품질, 체인 디버깅, 프롬프트 버전 관리, 가이드라인 필터링 같은 세부가 사용자 경험을 좌우해요. 챗 UX와 시나리오 설계 능력이 성패를 가르죠.
AI PM은 문제를 정의하고 가치 흐름을 만들어요. 고객 여정에서 자동화 포인트를 찾고, 성공 지표를 업무 흐름에 박아 넣어 팀이 같은 북극성을 보게 해요. 테크·리스크·법무와 협업해 현실적 제약을 빨리 명확히 하는 것이 관건이에요.
거버넌스·윤리·보안은 점점 중요해지고 있어요. 데이터 사용권, 프라이버시, 편향, 설명가능성, 안전성 테스트, 레드팀 프로세스를 정립하면 조직의 신뢰도를 올릴 수 있어요. 특히 B2B에서는 필수 체크리스트로 자리 잡았어요.
🛣️ 직무별 90·180·365일 로드맵
| 트랙 | 0~90일 | 91~180일 | 181~365일 | 대표 산출물 |
|---|---|---|---|---|
| 리서처 | 논문 1편 재현 | 데이터셋 확장 | 개량 실험·보고서 | 벤치마크 리포트 |
| ML 엔지니어 | ETL·학습 파이프라인 | 서빙·모니터링 | SLA·알람 체계 | IaC 템플릿 |
| LLM 앱 | RAG MVP | 평가 자동화 | 비용·지연 최적화 | 데모·문서 |
| AI PM | 문제정의·가설 | 실험 설계·분석 | 확장·지표 고도화 | PRD·지표보드 |
포트폴리오와 프로젝트 전략
포트폴리오는 문제→접근→실험→결과→교훈 순으로 스토리텔링해요. 리드미 상단에 한 줄 임팩트를 적고, 실행 화면·지표·코드 링크를 명확히 배치하면 검토자가 빠르게 이해해요. 데모 URL과 노트북, 데이터 출처를 함께 제공하면 신뢰도가 올라가요.
도메인 특화 프로젝트가 효과가 커요. 예를 들면 금융 문서 질의응답, 제조 결함 로그 요약, 이커머스 리뷰 분류, 게임 커뮤니티 모더레이션처럼 산업 데이터와 목표 지표를 붙여 보세요. 응용력이 드러나면 서류 통과율이 높아져요.
평가 자동화는 요즘 필수예요. 테스트 세트를 버전 관리하고, 기준 프롬프트·컨텍스트·데이터 샘플을 고정한 뒤 실험군만 바꾸어 A/B를 돌리면 개선 폭을 수치로 제시할 수 있어요. 비용과 성능의 균형을 보여주면 더 좋아요.
코드 품질은 린트·포맷·테스트로 증명해요. 간단한 것처럼 보여도 프롬프트 파이프라인에 단위 테스트를 붙이고, 평가 리그를 CI에 넣으면 실무 성숙도를 말하지 않아도 드러나요. 리뷰어는 이런 정성에 잘 반응해요.
한 프로젝트를 깊게 파는 시나리오와 세 프로젝트를 얇고 넓게 가져가는 시나리오 중 현재 목표에 맞춰 선택해요. 전환 초기는 다양성을, 특정 직무 승급 단계에서는 집중을 택하면 유리해요. 데모 비디오 90초 요약도 큰 도움이 돼요.
📁 포트폴리오 체크리스트
| 항목 | 설명 | 상태 | 링크 | 비고 |
|---|---|---|---|---|
| 데모 URL | 실행 가능한 링크 | 준비 | 배치 | 모바일 확인 |
| 리드미 | 문제·접근·지표 | 점검 | 깃허브 | 이미지 포함 |
| 평가 리그 | 자동화 스크립트 | 진행 | CI 연동 | 샘플 공개 |
| 라이선스 | 데이터·모델 사용권 | 확인 | 문서 링크 | 표기 일관성 |
학습 경로와 자격(학위·부트캠프·MOOC)
학위는 기초 체력과 네트워크에 강점이 있어요. 수학·통계·시스템 과목을 촘촘히 밟을 수 있고, 연구실·산학 협력으로 깊이 있는 경험을 얻기 좋아요. 시간과 비용이 큰 만큼 목표를 선명히 잡고 선택해요.
부트캠프는 실무 몰입과 포트폴리오 완성이 장점이에요. 기간이 짧아 집중력이 유지되고, 취업 지원이 연결되는 경우가 많아요. 다만 커리큘럼 밀도가 높으니 예습과 복습 루틴이 중요해요.
MOOC와 자학습은 비용 대비 효율이 커요. 기본 강좌로 바닥을 다진 뒤, 프로젝트형 강의로 응용력을 키우면 좋아요. 학습 로그를 블로그와 깃허브 이슈에 남기면 점진적 성장을 증명할 수 있어요.
자격증은 문지기를 통과하는 열쇠가 될 때 효용이 커요. 클라우드, 데이터 플랫폼, 보안 관련 배지를 취득하면 인프라 이해도를 신속히 보여줄 수 있어요. 다만 자격증만으로 실력을 대신할 수는 없으니 산출물을 병행해요.
한국어·영어 자료를 섞어 보폭을 늘리면 선택지가 확 넓어져요. 기술 문서는 원문을 읽을 수 있을 때 흡수 속도가 빨라지고, 커뮤니티 참여도 쉬워져요. 발표 영상과 튜토리얼을 루틴에 넣어 듣기·읽기·쓰기 균형을 맞춰요.
🎓 학습 경로 비교표
| 경로 | 기간 | 강점 | 주의점 | 추천 대상 |
|---|---|---|---|---|
| 학위 | 2~4년 | 기초 탄탄, 연구 경험 | 시간·비용 큼 | 장기 투자형 |
| 부트캠프 | 3~6개월 | 실무 몰입, 커리어 지원 | 밀도 높음 | 전환·재진입 |
| MOOC/자학습 | 유동적 | 저비용, 유연 | 자기관리 필요 | 독학 적합 |
이직·연봉 협상·네트워킹 팁
이직은 레퍼런스 포인트 만들기가 전부에 가까워요. 전 직무에서 만든 성과 지표, 프로젝트 링크, 사용자·고객 피드백을 한 장에 모아 리크루터와 팀 리더에게 명료하게 보여줘요. 강력한 한 페이지가 인터뷰를 부르죠.
협상은 데이터 게임이에요. 시장 범위, 회사 단계, 역할의 임팩트, 나의 대체 가능성을 근거로 수치를 제시해요. 총보상(TC) 관점에서 현금·스톡·보너스·교육비·장비·리모트 옵션을 패키지로 논의하면 좋아요.
네트워킹은 주고받는 순서가 선행돼요. 컨퍼런스·커뮤니티에서 세션 요약이나 샘플 코드, 이슈 재현 같은 선물을 먼저 건네고 인연을 이어가요. 작은 기여가 실무 추천으로 이어지는 경우가 많아요.
인터뷰 준비는 역할별 프레임으로 정리해요. 리서처는 논문 심층 질의, 엔지니어는 시스템 설계와 디버깅, 앱 개발자는 프롬프트 평가와 실패 사례 대응, PM은 지표와 의사결정 스토리를 중심으로 연습해요.
이직 일정은 4주 사이클로 끊어 관리하면 피로가 덜해요. 1주차 포트폴리오 업데이트, 2주차 지원·리퍼럴, 3주차 인터뷰, 4주차 회고·조정으로 루틴을 굴리면 일상과 균형을 잡을 수 있어요.
FAQ
Q1. 비전공자도 2025년에 AI 커리어로 전환할 수 있나요?
A1. 가능해요. LLM 앱·데이터 파이프라인·평가 자동화처럼 코드와 제품 감각을 결합한 역할이 많아졌고, 단기 로드맵으로 접근할 수 있어요.
Q2. 코딩 실력이 약하면 어떤 트랙이 좋을까요?
A2. AI PM·거버넌스·데이터 운영 쪽이 시작하기 좋아요. 다만 기본 파이썬과 SQL은 함께 익히는 게 좋아요.
Q3. 포트폴리오 프로젝트 주제는 무엇이 좋을까요?
A3. 내가 노리는 산업과 연결된 문제를 고르세요. 내부 문서 검색, 고객지원 요약, 로그 이상 탐지 같은 실무형 주제가 좋아요.
Q4. 학위와 부트캠프 중 무엇을 선택할까요?
A4. 장기 연구·심화가 목표면 학위, 빠른 전환이 목표면 부트캠프가 어울려요. 상황에 맞춰 하이브리드도 좋아요.
Q5. 이직 준비 기간은 어느 정도가 적당할까요?
A5. 평균적으로 8~12주를 많이 잡아요. 포지션과 시기에 따라 유동적이라 4주 사이클 운영을 추천해요.
Q6. 영어가 필수인가요?
A6. 원문 문서를 활용할 수 있으면 학습 속도가 확연히 빨라져요. 리딩 우선으로 시작하세요.
Q7. 연봉 협상에서 가장 중요한 팁은 뭔가요?
A7. 성과 지표와 대안 제시예요. 총보상 관점에서 선택지를 묶어 제안하면 유리해요.
Q8. 무엇부터 시작하면 좋을까요?
A8. 2주 안에 작동하는 작은 RAG 데모를 만들고, 다음 2주에 평가 자동화를 붙여 보세요. 그 다음은 비용 최적화로 이어가요.