AI 엔지니어라는 직함이 구인 공고에 등장한 지 얼마 되지 않았지만, 지금은 거의 모든 IT 기업의 채용 목록에서 빠지지 않는 포지션이 됐다. 문제는 ‘채용 연계형 AI 엔지니어 양성 과정’이라는 이름을 단 프로그램도 함께 폭발적으로 늘었다는 점이다. 과정마다 커리큘럼도 다르고, ‘취업 보장’이라는 문구도 제각각이다. 정작 어떤 역량을 어떤 순서로 쌓아야 현업에서 통하는지, 어떤 과정이 허울뿐인지 구별하기가 쉽지 않다. 이 글은 그 혼란을 정리하기 위해 썼다. 과정 선택 기준부터 스스로 준비해야 할 것들까지, 실제로 쓸 수 있는 조언을 담았다.
AI 엔지니어가 실제로 하는 일을 먼저 파악해야 한다
채용 공고에서 ‘AI 엔지니어’라는 타이틀은 생각보다 다양한 역할을 포괄한다. 크게 세 가지 유형으로 나눌 수 있다. 첫째, 모델을 직접 연구·개발하는 ML 리서처/엔지니어다. 논문을 읽고 새로운 아키텍처를 실험하는 역할로, 대부분 석·박사 학위나 그에 준하는 연구 경력을 요구한다. 둘째, 기존 모델(GPT·Claude·오픈소스 LLM 등)을 서비스에 통합하는 AI 애플리케이션 엔지니어다. 지금 채용 시장에서 가장 수요가 많은 유형이기도 하다. 셋째, 데이터 파이프라인과 모델 서빙 인프라를 담당하는 MLOps 엔지니어다.
채용 연계 과정에 지원하기 전에 자신이 목표로 하는 유형이 어느 쪽인지 먼저 정해야 한다. 과정마다 강점이 다르기 때문이다. 리서치 중심 과정에 등록해 놓고 ‘빨리 취업하고 싶다’는 목표와 충돌하는 경우가 흔하다. 자신이 원하는 포지션의 실제 JD(Job Description)를 5~10개 읽어 보고, 반복해서 등장하는 기술 스택과 경험을 먼저 파악하라.
과정 선택 전에 반드시 확인해야 할 체크리스트
시중의 채용 연계형 과정은 국비 지원 여부, 기간, 강도, 파트너 기업의 성격이 모두 다르다. 좋은 과정과 그렇지 않은 과정을 구별하는 가장 확실한 방법은 수료생 후기가 아니라 다음 항목을 직접 확인하는 것이다.
- 파트너 기업 목록이 공개되어 있는가. ‘100개사 취업 연계’처럼 모호하게 적힌 과정보다, 구체적인 기업 이름과 포지션이 명시된 과정이 실질적인 연계 가능성이 높다.
- 커리큘럼에 실제 프로젝트가 포함되어 있는가. 강의 위주로만 구성된 과정은 포트폴리오를 만들기 어렵다. 팀 프로젝트, 현업 멘토 리뷰, 데모데이가 포함된 과정을 우선하라.
- 강사진의 현업 경력을 확인할 수 있는가. 강사의 LinkedIn이나 이력을 찾아볼 수 없거나 공개를 거부하는 경우, 신뢰하기 어렵다.
- 수료 후 취업자 수를 구체적인 수치로 공개하는가. ‘취업률 90%’보다 ‘6개월 내 취업자 수 / 수료자 수’를 실명으로 공개하는 과정이 더 신뢰할 수 있다.
- 과정 중 입사 지원이 가능한가, 아니면 수료 후에만 가능한가. 일부 과정은 재학 중 지원을 금지하는 조항이 있다. 기간이 길수록 기회비용도 커진다.
합격한 수료생에게 직접 연락해 물어보는 것도 좋다. LinkedIn에서 해당 과정 이름으로 검색하면 실제 수료생을 찾을 수 있고, 대부분 질문 메시지에 성실히 답해준다.
과정 입과 전에 혼자 쌓아야 할 기초 역량
채용 연계 과정은 이미 기초가 어느 정도 갖춰진 사람을 전제로 설계되는 경우가 많다. 아무 준비 없이 입과하면 강의 속도를 따라가지 못하거나, 팀 프로젝트에서 짐이 되는 상황이 생긴다. 과정 시작 전에 최소한 다음 세 가지는 스스로 갖추고 가야 한다.
첫째, 파이썬 문법과 기본 자료구조. 리스트, 딕셔너리, 클래스, 파일 입출력 정도는 막힘 없이 작성할 수 있어야 한다. 알고리즘 고수 수준이 아니어도 되지만, 코드를 읽고 디버깅하는 속도가 느리면 전체 과정이 힘들어진다.
둘째, 선형대수와 확률에 대한 최소한의 감각. 행렬 곱, 벡터 내적, 확률 분포 같은 개념을 처음 들어보는 상태라면 강의에서 설명하는 모델 내부 로직이 거의 들리지 않는다. 수학 전공자 수준이 아니어도 된다. ‘3Blue1Brown’의 선형대수 시리즈나 Khan Academy 확률 기초 정도를 미리 보고 가면 차이가 크다.
셋째, Git과 터미널 기본 조작. 협업 프로젝트에서 Git을 처음 배우면 코드보다 충돌 해결에 시간을 더 쓰게 된다. 브랜치, 커밋, 풀 리퀘스트 흐름 정도는 입과 전에 익혀 두어야 한다.
포트폴리오를 만드는 방식이 취업 가능성을 결정한다
AI 엔지니어 포지션 면접에서 가장 자주 듣는 질문 중 하나가 “직접 만들어 본 것 중에 가장 어려웠던 부분이 무엇이었나요?”이다. 이 질문에 답하려면 튜토리얼을 따라 만든 결과물이 아니라, 스스로 문제를 정의하고 해결한 경험이 있어야 한다.
좋은 포트폴리오의 조건은 거창함이 아니다. 다음 세 가지를 충족하면 충분히 경쟁력이 있다.
- 문제 정의가 명확하다. 왜 이 프로젝트를 했는지, 어떤 불편함이나 필요를 해결하려 했는지가 한 문단으로 설명된다.
- 기술 선택 이유를 설명할 수 있다. RAG를 쓴 이유, 파인튜닝 대신 프롬프트 엔지니어링을 선택한 이유 등을 논리적으로 말할 수 있어야 한다.
- 실제로 작동하며 코드가 공개되어 있다. GitHub에 올라가 있고, README에 실행 방법이 적혀 있으며, 데모 영상이나 스크린샷이 있으면 더 좋다.
숫자로 성과를 보여줄 수 있다면 더 강해진다. 응답 속도를 몇 퍼센트 줄였는지, 사용자 테스트에서 어떤 피드백을 받아 어떻게 개선했는지 같은 구체적인 내용이 면접관의 관심을 끈다. ‘열심히 했다’는 인상이 아니라 ‘이 사람이 실제 문제를 풀 수 있겠다’는 신뢰를 주는 것이 목표다.
면접 준비: AI 엔지니어 채용 과정의 실제 구성
기업마다 다르지만, AI 엔지니어 채용 과정은 대체로 서류 → 코딩 테스트 → 기술 면접 → 컬처핏 면접 순서로 진행된다. 각 단계에서 자주 떨어지는 지점이 있다.
코딩 테스트는 순수 알고리즘을 보는 경우도 있지만, AI 포지션의 경우 데이터 처리 문제(pandas, numpy 활용), SQL 쿼리, 혹은 간단한 모델 구현을 요구하는 경우가 늘고 있다. 기업의 최근 채용 후기를 검색해 어떤 유형이 나왔는지 미리 파악하는 것이 효율적이다.
기술 면접에서는 포트폴리오 기반 질문이 핵심이다. “이 모델을 왜 선택했나요?”, “다르게 접근할 수 있는 방법은 없었나요?”, “이 결과가 실제 사용자에게 어떤 의미가 있나요?”처럼 선택과 판단의 근거를 물어본다. 만든 것에 대해 비판적으로 설명할 수 있는 능력이 중요하다. 약점을 감추려 하기보다 ‘이런 한계가 있었고, 개선한다면 이렇게 할 것이다’는 태도가 더 좋은 인상을 준다.
컬처핏 면접에서 자주 실수하는 부분은 ‘협업 경험’을 묻는 질문이다. “팀에서 의견 충돌이 있었을 때 어떻게 해결했나요?”에 대해 막연하게 대답하지 말고, 과정 중 팀 프로젝트에서 실제 있었던 에피소드를 구체적으로 준비해 두는 것이 좋다.
과정 수료 후 취업이 안 됐을 때 어떻게 할 것인가
채용 연계형 과정을 수료했다고 해서 모든 수료생이 목표한 포지션에 곧바로 취업하는 것은 아니다. 실제로 첫 목표보다 낮은 포지션에서 시작하거나, 목표 기업 대신 다른 기업에서 경력을 시작하는 경우가 많다. 이것이 실패가 아닌 이유는, AI 분야에서는 1~2년의 실무 경력이 어떤 과정 수료증보다 강한 신호이기 때문이다.
수료 후 취업이 잘 안 된다면 먼저 서류 통과율과 면접 통과율을 분리해서 점검해야 한다. 서류가 안 된다면 포트폴리오와 이력서가 문제다. 면접에서 떨어진다면 기술 설명 능력이나 문제 해결 방식의 표현에 문제가 있을 가능성이 높다. 두 가지를 구분하지 않고 막연히 ‘더 공부해야겠다’고 생각하면 개선이 더디다.
현실적인 대안으로는 AI 기능이 포함된 작은 사이드 프로젝트를 꾸준히 만들거나, 오픈소스 프로젝트에 기여하거나, 관련 도메인(데이터 분석, 백엔드 개발)에서 먼저 경력을 쌓으면서 AI 포지션으로 이직하는 경로가 있다. 직선 경로만이 정답이 아니다.
누스쿨 커뮤니티에는 비슷한 고민을 하고 있는 분들과, 이미 그 고민을 통과해 온 선배들이 함께 있다. 과정 선택 전에 현직 AI 엔지니어 멘토와 짧은 1:1 대화를 나눠 보는 것만으로도 방향이 훨씬 선명해진다. 혼자 검색하고 고민하는 시간을 줄이고, 실제 경험에서 나온 이야기를 직접 들어보길 권한다.
💬 댓글 0