최근 AI 업계 채용 트렌드
오늘은 이미 이런 흐름이 자리 잡은 지 꽤 오래되었지만, 오랜만에 여러 채용 공고를 살펴보면서 최근 AI Engineer, AI Research Engineer에게 어떤 역량이 요구되고 있는지 정리해보고자 한다.
최근 AI 관련 채용 공고들을 보면 공통적으로 보이는 흐름이 있다. 예전에는 모델을 직접 학습해봤는지, 논문을 써봤는지, benchmark에서 얼마나 높은 성능을 냈는지가 중요했다면, 요즘은 그보다 AI를 실제 업무에 어떻게 적용하고, 얼마나 안정적으로 동작하게 만들 수 있는가를 더 중요하게 보는 경우가 많아졌다.
즉, 단순히 연구나 모델 개발에서 끝나는 것이 아니라, 실제 서비스와 업무에 적용하고 그 결과가 실질적인 기여로 이어지는 것까지 요구하는 방향으로 범위가 넓어지고 있다.
이를 정리하면, 개인적으로 최근 흐름은 크게 네 가지로 볼 수 있을 것 같다.
- Model-centric → System-centric
- LLM → Agent / Workflow Automation
- General AI → AI + Domain Expertise
- Model Performance → Evaluation / Reliability / Production
1. Model-centric → System-centric
모델 학습 자체는 여전히 중요하다. 다만 최근에는 모델을 잘 학습시키는 것만으로 끝나지 않는 경우가 많다.
실제 서비스에 적용하려면 데이터를 만들고, 필요하면 fine-tuning이나 post-training을 하고, 제대로 동작하는지 평가하고, inference 속도와 비용을 조정하고, 실제 시스템에 연결해야 한다.
그래서 최근 AI Engineer나 Research Engineer 공고를 보면 모델 경험과 함께 software engineering, serving, infrastructure 경험까지 같이 요구하는 경우가 많다.
2. LLM → Agent / Workflow Automation
그리고 가장 핫한 흐름은 역시 Agent가 아닐까..
기존에는 LLM에 적절한 context를 제공하고 좋은 답변을 생성하는 것이 중요했다면, 지금은 LLM이 외부 tool과 상호작용하면서 실제 task를 수행하도록 만드는 방향으로 빠르게 이동하고 있다.
이에 따라 채용 공고에서도 단순한 LLM API 활용 경험을 넘어 tool use, function calling, workflow orchestration, coding agent, RAG, memory, multi-agent 같은 키워드가 자주 등장한다.
결국 중요한 것은 LLM이 좋은 답변을 생성하는 데서 끝나는 것이 아니라, 여러 tool과 system을 활용해 실제 업무를 끝까지 수행할 수 있도록 만드는 것이다. 그래서 여러 도구와 기존 시스템을 연결해 실제 workflow를 자동화해본 경험도 점점 중요하게 평가되고 있다.
3. General AI → AI + Domain Expertise
AI 기술만큼 특정 도메인에 대한 이해도 중요해지고 있다.
예를 들어 반도체에서는 RTL, Verification, EDA를 이해해야 하고, Robotics에서는 perception이나 control, Speech에서는 audio와 conversation에 대한 이해가 필요하다.
그래서 최근에는 AI + Semiconductor, AI + Robotics, AI + Healthcare, AI + Finance, AI + Speech처럼 AI와 특정 전문 영역을 함께 가져가는 조합이 점점 더 중요해지는 것 같다.
4. Model Performance → Evaluation / Reliability / Production
마지막으로 단순한 모델 성능보다 실제 환경에서 얼마나 안정적으로 동작하는지를 중요하게 보는 흐름이 강해지고 있다.
여담이지만, 작년에는 반농담처럼 AI 관련 직군 중 가장 늦게까지 남을 영역이 Evaluation일 것이라는 이야기도 들었다. 그만큼 지금처럼 복잡한 AI 시스템을 제대로 평가하는 일이 어렵고, 어떤 기준으로 평가하느냐에 따라 제품의 방향 자체가 달라질 수 있기 때문이다. 결국 Evaluation은 단순히 성능을 확인하는 작업이 아니라, 무엇을 개선해야 하는지 결정하는 기준이 된다.
특히 Agent가 복잡해질수록 accuracy 하나만으로 시스템의 성능을 설명하기는 어렵다. 실제로는 task를 얼마나 잘 완료하는지, 어떤 상황에서 실패하는지, 사람이 얼마나 개입해야 하는지, latency와 비용은 어떤지, production 환경에서도 안정적으로 동작하는지를 함께 봐야 한다. 이 과정에서 Evaluation의 중요성이 더 커지고, Evaluation을 통해 failure case를 찾으면 다시 synthetic data를 만들거나 SFT, DPO, RL 같은 post-training을 통해 모델을 개선하게 된다.
실제 채용 공고를 보면
최근 NVIDIA 채용 공고 두 개를 보면 위에서 이야기한 흐름이 꽤 그대로 드러난다.
먼저 ML and Agentic Systems Engineer 공고를 보면, 아예 역할 자체를 개별 모델 architecture를 만드는 것이 아니라 모델 개발을 더 빠르고 자동화하기 위한 agent, tooling, pipeline, feedback loop를 만드는 일이라고 설명한다.
공고에서도 data generation과 curation, evaluation, debugging, training orchestration, multimodal ML pipeline, deployment까지 ML lifecycle 전반을 다루고 있다. Agent가 코드와 데이터, 실험, evaluation을 직접 다루면서 연구자와 개발자의 생산성을 높이는 시스템을 만드는 역할이다.
특히 다음 문장이 이 포지션의 방향을 잘 보여준다.
“Rather than focusing on inventing individual model architectures, you will build the systems that help models and teams improve continuously.”
개별 모델을 새로 만드는 것보다 모델과 팀이 계속 개선될 수 있도록 만드는 시스템 자체에 초점이 있다는 것이다. 자격 요건에서도 “machine learning systems and software platforms, not only models”라고 명시하고 있고, Python/PyTorch뿐 아니라 system design, testing, packaging, debugging, workflow automation 같은 software engineering 역량을 강하게 요구한다.
또 다른 Applied Research Engineer, Chip Design공고도 비슷하다.
이를 보면 LLM, coding agent, RL/RLHF, post-training, evaluation, grader, synthetic data, production ML system까지 한 포지션 안에서 꽤 다양한 경험을 요구하고 있다. 여기에 front-end ASIC에 대한 도메인 지식과 Docker, Slurm, CI/CD 같은 인프라 경험도 포함된다.
또 “Your success is measured by how much faster the ASIC teams move, not by research output alone.”이라고 명시하고 있는데, 연구 결과 자체보다 AI를 실제 업무에 적용했을 때 팀의 업무 효율을 얼마나 높였는지를 중요하게 본다는 의미다. 결국 모델의 성능을 높이는 데서 끝나는 것이 아니라, 실제 workflow에 적용했을 때 얼마나 유용한지와 그 효과를 어떻게 평가할 수 있는지까지 요구하고 있다.
Apple의 Multimodal AI Researcher 공고도 비슷한 흐름을 보여준다. Researcher 포지션이지만 연구 결과에서 끝나는 것이 아니라, state-of-the-art 연구를 실제 product까지 가져가는 것을 역할로 명시하고 있다. 실제 기능으로 연결하기 위한 validation strategy와 KPI, software engineering 역량도 함께 요구한다.
결국 세 공고의 성격은 조금씩 다르지만 방향은 비슷하다. 모델 자체를 연구하거나 성능을 높이는 것에서 끝나는 것이 아니라, Agent와 system을 만들고, 특정 domain에 적용하고, 제대로 평가한 뒤 실제 product나 업무의 변화까지 연결하는 것을 요구하고 있다.
관심이 있든 없든 채용 트렌드는 계속 한 번씩 찾아보게 되는 것 같다. 지금 당장 지원할 계획이 없더라도 업계가 어떤 방향으로 움직이고 있는지 보는 데는 도움이 되는 것 같다.
이런 공고들을 보다 보니 연구 자체도 좋지만, 결국에는 실제 매출 증가든 비용 절감이든 업무 효율 향상이든 실질적인 도움이 되는 서비스를 만들고 싶다는 생각이 더 강하게 든다.
아무튼 모두 화이팅...!
+) 실제 현업에서는 이런 업무 효율 향상을 어떻게 정량적으로 평가하고 있는지 궁금하다 🤔
