AI 엔지니어·리서처

• 문제 정의와 데이터 수집·전처리·분석
• 모델 설계·학습·성능 검증 실험 반복
• 최신 논문을 코드로 구현해 자사 문제에 적용
• LLM API·RAG·에이전트 워크플로 설계와 프롬프트·비용·지연 관리
• 개발 조직과 협업해 모델 배포·제품화(MLOps)
• 현장 오작동 피드백 분석과 모델 개선

• 데이터 확보가 가장 어렵습니다. 의료처럼 규제가 강한 도메인은 환자 데이터를 마음대로 쓸 수 없고, 얻어도 모델이 학습하기 어려운 데이터가 많습니다.
• 연구실처럼 긴 호흡으로 모델을 개발하기 어렵습니다. 데드라인이 있어 더 좋은 모델을 만들고 싶은 욕심을 기한에 맞춰 끊어야 합니다.
• AI 연구 속도는 매우 빠르지만 도메인 데이터 환경이 척박하면 최신 기술을 바로 적용하기 어렵습니다.
• 리서처에게 백엔드 개발자 수준의 개발 역량은 요구하지 않지만, 깃허브 협업과 제품화에 쓸 수 있는 깔끔한 코드는 기본입니다.
• 회사 생활은 결국 다 협업입니다. 개발 조직, PM, 마케팅과 소통할 일이 많아 혼자 하는 업무는 거의 없습니다.
• 신입 AI 공고는 늘고 있지만(2026년 상반기 한 취업 플랫폼 기준 전년 대비 약 80% 증가) 문턱은 높습니다. 인공지능 전공 4학년이 프로젝트 4건과 공모전 수상을 갖고도 인턴 서류 17곳에서 떨어진 사례가 있을 만큼, 탈락은 실력 부족보다 경험의 구체성과 시장의 좁은 선호 조건 때문인 경우가 많습니다.
• AI 엔지니어는 모델을 만들거나 튜닝하지 않고 어떤 모델을 어떻게 연결할지 설계하는 직무라 진입은 빠르지만, 모델 연구·경량화 직무는 석사 이상 선호가 뚜렷합니다. 신입 평균 연봉은 일반 개발자보다 높아(약 4,500만~5,500만 원, 전략 채용은 그 이상) AI 스킬 임금 프리미엄이 커지는 추세입니다.

1. 주니어 (0~3년)
   데이터 전처리, 모델 학습 실험, 선행 논문 리뷰. 입사 후 1년 가까이 도메인(의료 등)을 배우는 시간이 많습니다. AI 엔지니어는 프롬프트·RAG 파이프라인 운영과 비용·품질 모니터링부터 맡습니다.
2. 미들 (3~7년)
   제품에 들어가는 모델을 직접 설계·개발하고 인허가·임상 같은 상용화 과정까지 책임집니다. 논문 게재도 병행합니다.
3. 시니어 (7년~)
   리서치팀 리딩, 연구 주제 설정과 방법 설계. 개발·사업 조직과 연구 조직 사이를 조율합니다.
4. 이후
   AI 조직장(Head of AI), 특정 데이터 유형(시계열 등)의 전문 연구자, 빅테크 연구소, AI 스타트업 창업으로 갑니다.

단위 만원, 세전 기본급 기준 추정치. 산업·기업 규모·인센티브에 따라 범위를 벗어나는 경우가 흔합니다.

• 어떤 연구를 했는지를 가장 많이 봅니다. 회사가 풀려는 연구와 결이 맞고 성과(컨퍼런스 논문 등)가 있는 지원자가 기억에 남습니다.
• 포트폴리오는 담당한 연구, 맡은 부분, 실험, 결과를 정리합니다. 내 연구 주제를 이 회사의 기존 방법으로 못 푼 문제에 어떻게 접목할지 말할 수 있으면 큰 강점입니다.
• 연구 분야가 달라도 연결 포인트를 찾으세요. 의료와 무관한 NLP 연구를 '시계열' 공통점으로 연결해 의료 AI 면접을 통과한 사례가 있습니다.
• 커뮤니케이션 스킬과 협업 태도도 함께 어필하세요. 연구 역량이 뛰어나도 존중이 부족하면 동료로 일하기 어렵다는 것이 요즘 면접관의 시선입니다.
• 사용한 기술 나열보다 '어떤 모델을 왜 썼고, 어떤 문제를 풀었고, 성능·비용·추론 속도를 어떻게 개선했는지'를 묻습니다. 현업은 단순 구현보다 문제 정의, 실험 설계, 모델 개선 근거를 보는 경우가 많습니다. 학부연구생 경험은 결과물이 없어도 얻은 인사이트로 풀어 말하세요.

• 리서처를 목표로 하면 석사는 최소 조건으로 보고, 대학원에서 문제 정의-설계-실험-검증의 연구 사이클을 제대로 경험하세요. 진학 전 연구실 졸업생 진로·논문 빈도를 확인하고, 논문·학회 발표·오픈소스 구현처럼 외부에서 확인 가능한 결과물을 하나는 만드세요.
• 대학원 연구와 실무는 완전히 동떨어지지 않습니다. 논문을 직접 구현해 보는 연습이 실무에서 그대로 쓰입니다.
• 지원 회사가 가진 문제에 내 연구를 어떻게 접목할지 미리 정리하세요. 분야가 달라도 시계열·텍스트·비전 같은 데이터 유형으로 일반화해 연결할 수 있습니다.
• '연구를 할 수 있는 환경인가'를 회사 선택 기준으로 두면 초기 스타트업이 유리할 수 있습니다. 대기업은 제품 운영 비중이 큽니다.
• AI 엔지니어 쪽을 노린다면 LLM API·RAG·에이전트로 실제 동작하는 서비스를 하나 만들어 배포 링크와 문제 정의가 담긴 README를 함께 올리고, 보안·비용·지연 문제를 어떻게 다뤘는지 설명할 수 있어야 합니다. 튜토리얼 수준은 통하지 않습니다.
• 채용공고 20~30개를 읽어 반복되는 키워드(실무 경험, 오픈소스 기여, 프로덕트 마인드, 대용량 처리)를 뽑아 공부 범위를 정하세요. 이미 학부 프로젝트·연구 경험이 있다면 부트캠프는 기초적이라 시간이 아깝다는 현직자 의견이 많고, 코딩테스트와 CS 기초는 졸업 전에 챙겨 두면 선택지가 넓어집니다.

• AI 자체보다 '이걸로 어떤 문제를 푸느냐'에 관심이 있는 사람
• 결과가 안 나와도 실험을 반복하며 꼼꼼하게 검증할 수 있는 사람
• 논문과 코드 사이를 오가며 구현하는 일이 즐거운 사람

• 컴퓨터·통계 석사 학위(리서처·경량화 연구)
• 컨퍼런스·저널 논문 실적
• Kaggle·오픈소스 기여
• 배포된 LLM·RAG 서비스 포트폴리오(AI 엔지니어)
• 클라우드 ML 자격(선택)