AI 엔지니어링 스킬 맵
핵심 요약
Andrew Ng이 팀과 함께 만든 「AI 엔지니어링 스킬 맵」이 공개됐어요. 무엇부터 배워야 할지 감이 안 잡히는 지금, 이 지도를 기준으로 우선순위를 정할 수 있어요.
- 근거는 데이터 — 채용 공고 1만 건 넘게 분석하고, AI 전문가·채용 관리자·리크루터와 수십 차례 인터뷰하고, 설문까지 돌려서 뽑아낸 결론이에요.
- 네 가지 역량 — AI 애플리케이션 구축과 배포, 소프트웨어 엔지니어링 기본기, 코딩 에이전트 활용, 빌드의 방향 설정.
- ”AI 엔지니어”라는 직함이 아니라 “AI 엔지니어링 역량” — 클라우드 활용 능력이 그랬듯이, 직함과 상관없이 모든 개발자에게 필요해질 거예요.
- 기본기는 여전히 결정적 — 기본기가 없으면 코딩 에이전트가 어떤 트레이드오프를 택하는지도 모른 채 나쁜 선택을 떠안기 쉬워요.
- 일 자체가 달라진다 — 명세대로 구현하기보다, 무엇을 명세에 넣을지 정하는 일의 비중이 커져요.
• • •
왜 이 지도를 만들었나
「AI 엔지니어링 스킬 맵」을 이렇게 소개할 수 있어서 기뻐요. AI 덕분에 우리는 2022년과는 사뭇 다른 방식으로 소프트웨어를 만들 수 있게 됐고, 이 변화를 활용할 역량을 갖춘 사람에게는 흥미로운 프로젝트와 일자리 기회가 아주 많아요. 그런데 AI를 둘러싼 정보가 소음과 과장으로 가득한 지금, 여러분이 배워둘 가치가 가장 큰 역량은 무엇일까요?
저는 (i) 개발자가 무엇을 먼저 배울지 정하고 (ii) 고용주가 역량 있는 개발자를 뽑을 수 있도록, 팀과 함께 AI 엔지니어링 역량 지도를 만들어왔어요.
채용 공고 1만 건 이상을 분석하고, AI 전문가·채용 관리자·리크루터를 대상으로 수십 건의 구조화 인터뷰를 진행하고, 설문으로 데이터를 모으고, 그 밖의 온라인 데이터까지 종합했어요. 그렇게 추려 낸 가장 중요한 AI 엔지니어링 역량은 다음 네 가지예요.
- AI 애플리케이션 구축과 배포
- 소프트웨어 엔지니어링 기본기
- 코딩 에이전트 활용
- 빌드의 방향 설정T1
저희가 거친 과정은 느슨하게 말하면, 방대한 채용 공고·전문가 인터뷰 데이터셋에 군집화 (clustering)를 돌려 가장 중요한 역량을 뽑아낸 것에 가까워요. 지금 중요한 역량만이 아니라 가까운 미래에 중요해질 역량까지 함께 찾아내려 했어요.
용어 짚고 가기. 저는 “AI 엔지니어”(AI 시스템을 만드는 게 업무인 사람)라는 직무가 아니라 “AI 엔지니어링 역량”을 이야기해요. 역량 쪽이 훨씬 넓으니까요. 오늘날 개발자라면 누구나 클라우드를 다룰 줄 알아야 하지만, “클라우드 엔지니어”라는 직함을 단 사람은 그중 일부예요. AI도 마찬가지예요. 풀스택 엔지니어, 데이터 엔지니어, DevOps 엔지니어, 머신러닝 엔지니어, 그리고 물론 AI 엔지니어까지, 모든 개발자에게 AI 엔지니어링 역량이 필요해질 거예요.
• • •
1. AI 애플리케이션 구축과 배포
AI 애플리케이션이 여느 애플리케이션과 결정적으로 다른 점은 출력을 예측할 수 없다는 데 있어요. LLM에 프롬프트를 넣으면 무엇이 돌아올지 알 수 없죠. 딥러닝 알고리즘을 학습시켜도 처음 보는 데이터에 어떤 예측을 내놓을지 알 수 없어요. 반면 전통적인 소프트웨어는 더 예측 가능하게 동작해요.
이 역량을 갖춘 사람은 LLM, 컨텍스트 엔지니어링 (context engineering), RAGT2, 에이전틱 워크플로, 머신러닝과 딥러닝 같은 AI의 구성 요소를 이해해요. 그리고 중요한 부분인데, 통계적 기법으로 AI 시스템을 측정하고, 원하는 방향으로 이끌고, 통제해서 좀 더 예측 가능하게 움직이도록 만드는 방법도 알아요. 이를 위한 핵심 역량 중 하나가 평가 (evals)T3와 오류 분석 루프를 체계적으로 돌리는 능력이에요.
2. 소프트웨어 엔지니어링 기본기
소프트웨어가 어떻게 돌아가는지 깊이 이해하면 훨씬 효과적으로 만들 수 있어요. 소프트웨어를 만들려면 비용, 확장성, 신뢰성, 속도 등을 두고 무엇을 취하고 무엇을 내줄지 골라야 해요. 여기에 보안과 프라이버시까지 따지면 고민은 한층 더 복잡해지죠.
기본기가 있으면 애초에 어떤 트레이드오프가 존재하는지를 알아볼 수 있어요. 덕분에 기술 스택을 고르고, 시스템 아키텍처와 데이터 저장소를 설계하고, 테스트하는 등 여러 단계에서 더 나은 결정을 내리게 돼요.
반대로 미숙한 개발자는 자기 코딩 에이전트가 지금 어떤 트레이드오프를 택하고 있는지도 모른 채 바이브 코딩 (vibe coding)T4으로 해결책을 뽑아내요. 개발자가 에이전트에게 어떤 컨텍스트를 줘야 하는지 모르니, 에이전트는 나쁜 쪽을 고를 때가 많아요. 기본기를 갖춘 개발자는 이런 개발자보다 훨씬 나은 결과를 얻어요. 소프트웨어 엔지니어링의 정확한 용어로 코딩 에이전트를 이끌어 좋은 트레이드오프를 골라낼 줄 알거든요.
3. 코딩 에이전트 활용
이제 에이전틱 코딩을 효과적으로 활용할 줄 아는 것은 개발자라면 누구나 갖춰야 할 핵심 역량이에요. 이 역량이 있는 사람은 에이전트가 어떻게 작동하는지 머릿속에 제대로 그리고 있어요. 에이전트의 한계와 그걸 우회하는 방법을 알고, 어디까지 개입하고 어디부터는 내버려둘지 판단해 에이전트의 방향을 빠르게 잡아주고, 시간이나 토큰을 지나치게 허비하지 않고도 튼튼한 소프트웨어를 만들어 낼 수 있어요.
그러려면 코딩 에이전트의 컨텍스트를 관리하고, 계획과 실행 사이에서 무게를 어디에 둘지 조절하고, 검증기 (verifier)나 평가를 붙여줘서 에이전트가 스스로 루프를 닫도록 도울 줄 알아야 해요. 또 명확한 명세를 놓고 작업할 줄 알아야 하고(굳이 그럴 필요가 없는 때가 언제인지도), 여러 에이전트가 함께 일하도록 조율하고, 에이전트가 프로덕션 데이터베이스를 망가뜨리는 사고 같은 함정도 피할 수 있어야 해요.
에이전틱 코딩은 빠르게 진화하고 있어요. 그래서 코딩 에이전트를 능숙하게 쓴다는 건 최신 실천법을 아는 데서 끝나지 않아요. 새 도구를 계속 시도해보고, 모범 사례가 바뀔 때마다 자기 워크플로를 갱신하는 루틴까지 갖춰야 한다는 뜻이에요.
4. 빌드의 방향 설정
코딩 에이전트는 명확한 명세가 주어지면 그걸 그대로 구현해내는 실력을 빠르게 키워가고 있어요. 그래서 엔지니어인 우리가 하는 일은 점점 무엇을 명세에 담을지 결정하는 쪽에 무게가 실려요. 엔지니어라면 이제 픽셀 단위까지 완성된 디자인을 받아 구현만 하면 되리라고 기대해선 안 돼요. 대신 AI 엔지니어링을 제대로 하려면 제품 감각을 갖추고, 비즈니스 맥락과 고객의 목표를 이해해야 해요. 그래야 무엇을 만들지 함께 정하고 그 일을 밀고 나갈 수 있으니까요.
AI 덕분에 예전보다 더 큰 오너십을 갖고 더 주도적으로 움직일 기회도 생겼어요. 흥미로운 문제와 기회를 스스로 찾아내고, 책임감 있게 실행해서 그 기회를 잡을 수 있어요. 이걸 제대로 살리려면 프로젝트를 앞으로 밀고 나갈 줄 알아야 하는데, 예를 들어 언제 빠르게 MVP를 만들어 사용자에게 들고 가 테스트할지, 반대로 언제 속도를 늦추고 시간을 더 들여 신중하게 만들지 가려낼 수 있어야 해요.
• • •
네 가지 역량 한눈에
| 역량 | 핵심 질문 | 갖췄다는 건 |
|---|---|---|
| AI 애플리케이션 구축과 배포 | 출력을 예측할 수 없는 시스템을 어떻게 길들일까? | LLM·컨텍스트 엔지니어링·RAG·에이전틱 워크플로를 이해하고, 평가와 오류 분석으로 시스템을 측정하고 통제할 수 있어요. |
| 소프트웨어 엔지니어링 기본기 | 지금 무엇을 취하고 무엇을 내주고 있나? | 비용·확장성·신뢰성·속도·보안 사이의 선택지를 알아보고, 정확한 용어로 에이전트를 이끌 수 있어요. |
| 코딩 에이전트 활용 | 어디까지 맡기고 어디서 끼어들까? | 컨텍스트 관리, 계획과 실행의 균형, 검증기 제공, 여러 에이전트 조율을 다루고, 새 도구를 계속 시도해요. |
| 빌드의 방향 설정 | 애초에 무엇을 만들어야 하나? | 제품 감각을 갖추고 비즈니스·고객 맥락을 이해하며, 언제 MVP를 내보낼지 스스로 판단해요. |
• • •
모든 역량의 밑바탕: 계속 배우는 태도
이 모든 역량의 밑바탕에는 계속 배우려는 태도가 깔려 있어요. AI는 여전히 빠르게 변하고 있으니까, 우리 모두 새로 등장하는 모범 사례를 받아들이려면 계속 배우고 역량을 발전시켜 나가야 해요.
DeepLearning.AI는 무엇보다 개발자가 이 AI 엔지니어링 역량을 갖추도록 돕는 데 힘을 쏟고 있어요. 네 가지 역량 각각에 대해 아직 할 이야기가 많아서, 앞으로 올릴 글에서 하나씩 풀어내고 더 자세한 「AI 엔지니어링 스킬 맵」도 공유할 예정이에요. AI 엔지니어링이 어디로 가고 있는지를 보면, 우리 모두가 앞으로 만들 수 있을 것들이 정말 기대돼요. 여러분도 이 미래에서 흥미로운 역할을 맡게 되길 바라요.
역자 주
- 빌드의 방향 설정(shaping the build): 여기서 “빌드”는 컴파일 결과물이 아니라 “무엇을 어떻게 만들 것인가”라는 제품 개발 활동 전체를 뜻해요. 즉 남이 정해준 명세를 구현하는 데 그치지 않고, 명세 자체에 무엇이 들어갈지를 함께 정하는 역할을 말해요. ↩
- RAG(Retrieval-Augmented Generation, 검색 증강 생성): 질문을 받으면 외부 문서나 데이터베이스에서 관련 내용을 먼저 찾아온 뒤, 그 내용을 근거로 LLM이 답을 만들게 하는 방식이에요. 모델이 학습하지 않은 최신 정보나 사내 자료를 다뤄야 할 때 주로 써요. ↩
- 평가(evals): AI 업계에서 말하는 evals는 일반적인 의미의 “평가”보다 좁아요. 모델이나 시스템의 출력을 채점하기 위해 미리 만들어 둔 테스트 세트와 채점 기준, 그리고 그것을 반복해서 돌리는 체계를 가리켜요. AI 애플리케이션에서는 일반 소프트웨어의 자동화 테스트에 해당한다고 보면 돼요. ↩
- 바이브 코딩(vibe coding): 안드레이 카파시가 2025년에 붙인 이름으로, 코드를 직접 읽고 따지지 않고 AI가 내놓는 결과를 감(vibe)에 맡겨 받아들이면서 개발하는 방식이에요. 빠르게 뭔가를 만들어보는 데는 유용하지만, 저자가 지적하듯 트레이드오프를 모르는 채로 쓰면 에이전트의 나쁜 선택을 그대로 떠안기 쉬워요. ↩
저자 소개: Andrew Ng은 DeepLearning.AI 창업자이자 Coursera 공동 창업자이며, Google Brain 창립을 이끌었습니다. 스탠퍼드대학교 컴퓨터과학과 겸임교수이자 AI Fund의 대표 파트너로도 활동하고 있습니다.
참고: 이 글은 Andrew Ng이 X에 게시한 글을 번역한 것입니다.
원문: The AI Engineering Skills Map - Andrew Ng (2026년 8월 15일)
생성: Claude (Anthropic)