AI 엔지니어링 스킬 맵
핵심 요약
Andrew Ng이 팀과 함께 만든 「AI 엔지니어링 스킬 맵」이 공개됐어요. 무엇부터 배워야 할지 감이 안 잡히는 지금, 우선순위를 정하는 기준을 제시해요.
- 근거는 데이터 — 채용 공고 1만 건 넘게 분석하고, AI 전문가·채용 관리자·리크루터를 수십 명 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” — 클라우드가 그랬듯이, 직함과 상관없이 모든 개발자에게 필요한 능력이 돼요.
- 기본기는 여전히 결정적 — 트레이드오프를 모르면 코딩 에이전트가 무슨 선택을 하고 있는지도 모른 채 나쁜 결과를 그대로 받게 돼요.
- 일 자체가 달라진다 — 명세대로 구현하기보다, 무엇을 명세에 넣을지 정하는 일이 중심이 돼요.
• • •
왜 이 지도를 만들었나
「AI 엔지니어링 스킬 맵」을 이렇게 소개할 수 있어서 기뻐요. AI 덕분에 우리는 2022년과는 완전히 다른 방식으로 소프트웨어를 만들 수 있게 됐고, 이 변화를 활용할 역량을 갖춘 사람에게는 흥미로운 프로젝트와 일자리 기회가 아주 많아요. 그런데 AI를 둘러싼 정보 환경은 소음과 과장으로 가득하죠. 그렇다면 지금 배워둘 가치가 가장 큰 역량은 무엇일까요?
저는 팀과 함께 AI 엔지니어링 역량 지도를 만들어왔어요. 목적은 두 가지예요. (i) 개발자가 무엇을 먼저 배울지 정하도록 돕는 것, 그리고 (ii) 고용주가 역량 있는 개발자를 뽑도록 돕는 것이죠.
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 정리한 가장 중요한 AI 엔지니어링 역량 네 가지는 이거예요.
- AI 애플리케이션 구축과 배포
- 소프트웨어 엔지니어링 기본기
- 코딩 에이전트 활용
- 빌드의 방향 설정T1
저희가 거친 과정은 방대한 채용 공고·전문가 인터뷰 데이터셋에 군집화 (clustering)를 돌려서 가장 중요한 역량을 뽑아낸 것이라고 보면 돼요. 지금 중요한 역량만이 아니라 가까운 미래에 중요해질 역량까지 함께 보려고 했죠.
용어에 대한 메모. 저는 “AI 엔지니어”라는 직무(AI 시스템을 만드는 게 업무인 사람)가 아니라 “AI 엔지니어링 역량”을 이야기해요. 후자가 훨씬 넓으니까요. 오늘날 개발자라면 누구나 클라우드를 다룰 줄 알아야 하지만, “클라우드 엔지니어”라는 직함을 가진 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 거예요. LLM에 프롬프트를 넣으면 무엇이 돌아올지 알 수 없죠. 딥러닝 알고리즘을 학습시켜도 새로운 예시에서 어떤 예측을 내놓을지 알 수 없어요. 반면 전통적인 소프트웨어는 훨씬 예측 가능하게 동작해요.
이 역량을 갖춘 사람은 AI를 이루는 구성 요소, 즉 LLM, 컨텍스트 엔지니어링 (context engineering), RAGT2, 에이전틱 워크플로, 머신러닝과 딥러닝을 이해해요. 그리고 더 중요한 건, AI 시스템이 좀 더 예측 가능하게 움직이도록 통계적 기법으로 측정하고, 원하는 방향으로 끌고 가고, 통제하는 방법을 안다는 점이에요. 그 중심에 있는 게 평가 (evals)T3와 오류 분석 루프를 규율 있게 돌리는 능력이죠.
2. 소프트웨어 엔지니어링 기본기
소프트웨어가 어떻게 돌아가는지 깊이 이해하면 훨씬 효과적으로 만들 수 있어요. 소프트웨어 엔지니어링은 비용, 확장성, 안정성, 속도 같은 것들 사이에서 무엇을 취하고 무엇을 내줄지 고르는 일이고, 보안과 프라이버시가 여기에 복잡성을 한 겹 더 얹어요.
기본기가 있으면 애초에 어떤 트레이드오프가 존재하는지를 알아볼 수 있어요. 그래서 기술 스택을 고를 때, 시스템 아키텍처와 데이터 저장소를 설계할 때, 테스트를 붙일 때 더 나은 결정을 내리게 되죠.
반대로 미숙한 개발자는 자기 코딩 에이전트가 지금 어떤 트레이드오프를 하고 있는지도 모른 채 바이브 코딩 (vibe coding)T4으로 해결책을 뽑아내죠. 개발자가 어떤 컨텍스트를 줘야 하는지 모르니, 에이전트는 대체로 나쁜 쪽을 고르게 돼요. 결과의 차이가 그만큼 크게 벌어지는 거예요. 기본기를 알고 있으면 소프트웨어 엔지니어링의 정확한 용어로 코딩 에이전트를 몰아서 좋은 트레이드오프를 골라낼 수 있어요.
3. 코딩 에이전트 활용
에이전틱 코딩을 잘 쓰는 건 이제 개발자라면 누구나 갖춰야 할 핵심 역량이에요. 이 역량이 있으면 에이전트가 어떻게 작동하는지에 대한 좋은 멘탈 모델이 생겨요. 에이전트의 한계와 그걸 우회하는 방법을 알고, 어디까지 개입하고 어디부터는 내버려둘지 판단하면서 빠르게 방향을 잡아줄 수 있죠. 시간과 토큰을 과하게 쓰지 않고도 튼튼한 소프트웨어를 만들게 되는 거예요.
여기에 필요한 건 이런 것들이에요. 코딩 에이전트의 컨텍스트를 관리하는 법, 계획과 실행 사이에서 무게를 어디에 둘지 조절하는 법, 검증기 (verifier)나 평가를 붙여줘서 에이전트가 스스로 루프를 닫게 돕는 법. 명확한 명세를 놓고 작업하는 법(그리고 굳이 그럴 필요가 없는 때가 언제인지도), 여러 에이전트가 함께 일하도록 조율하는 법, 에이전트가 프로덕션 데이터베이스를 망가뜨리는 것 같은 사고를 피하는 법도 알아야 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 명세만 주어지면 그걸 그대로 구현해내는 실력을 빠르게 키워가고 있어요. 그래서 엔지니어의 일은 무엇을 명세에 담을지 결정하는 쪽이 중심이 되고 있어요. 픽셀 단위까지 완성된 디자인을 받아서 구현만 하면 되는 시대는 이제 지났다고 봐야 해요. 대신 효과적인 AI 엔지니어링에는 제품 감각, 그리고 비즈니스 맥락과 고객의 목표에 대한 이해가 필요해요. 그래야 무엇을 만들지 함께 정하고 그 일을 밀고 나갈 수 있으니까요.
AI 덕분에 예전보다 더 큰 오너십과 주도성을 쥘 기회도 생겼어요. 흥미로운 문제와 기회를 스스로 찾아내고, 책임 있는 방식으로 실행해서 그 기회를 잡을 수 있죠. 이걸 제대로 살리려면 프로젝트를 앞으로 밀고 나가는 방법을 알아야 해요. 예를 들어 언제 빠르게 MVP를 만들어 사용자에게 들고 가 테스트할지, 반대로 언제 속도를 늦추고 시간을 더 들여 신중하게 만들지를 가려낼 수 있어야 하죠.
• • •
네 가지 역량 한눈에
| 역량 | 붙잡고 있는 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·안정성·속도·보안 사이의 선택지를 알아보고, 정확한 용어로 에이전트를 몰 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 감각과 비즈니스·고객 맥락을 이해하고, 언제 MVP를 내보낼지 스스로 판단해요. |
• • •
모든 역량의 밑바탕: 계속 배우는 태도
이 역량들 밑에 공통으로 깔려 있는 건 계속 배우려는 태도예요. AI는 여전히 빠르게 변하고 있으니까, 우리 모두 새로 등장하는 모범 사례를 받아들이려면 계속 배우고 역량을 갈아 끼워야 해요.
DeepLearning.AI가 가장 중점을 두는 일은 개발자가 이 AI 엔지니어링 역량을 갖추도록 돕는 거예요. 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 만들어낼 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. 소프트웨어의 자동화 테스트에 해당하는 위치를 AI 애플리케이션에서 차지하는 셈이에요. ↩
- 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 상태에서 쓰면 나쁜 선택이 그대로 쌓여요. ↩
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)