은행권 채용 공고를 들여다보면 최근 몇 년 사이 눈에 띄게 달라진 항목이 있다. ‘금융공학’ ‘리스크 모델링’ 같은 전통 직무 옆에 ‘AI 모델 검증’ ‘데이터 분석가(금융 도메인)’ ‘디지털 전환 기획’ 같은 자리가 늘어나고 있다. 컴퓨터공학과 출신이 아니어도 지원할 수 있는 포지션들이다. 오히려 채용 담당자들은 “금융 업무를 이해하면서 데이터를 다룰 수 있는 사람이 더 희귀하다”고 말한다. 이 글은 비IT 전공이지만 금융·경제·경영 도메인을 갖고 있는 사람들이 어떻게 이 기회를 실질적으로 잡을 수 있는지를 단계별로 정리한다.
왜 은행은 지금 ‘도메인 아는 AI 인력’을 원하는가
AI 도입 초기에는 기술 인력 중심으로 시스템을 구축하는 것이 우선이었다. 그런데 실제 금융 현장에 AI를 적용하는 단계로 넘어오면서 문제가 생겼다. 순수 개발자들은 여신 심사 기준, 규제 보고 체계, 금융 소비자 보호 논리를 모른다. 코드는 짤 수 있어도 왜 이 모델이 특정 고객군에게 편향을 만들면 안 되는지, 금감원 가이드라인과 어떻게 맞닿아 있는지를 직관적으로 이해하지 못한다.
반대로 오랫동안 리테일 여신이나 자산관리를 해온 담당자들은 고객 행동과 상품 구조를 깊이 알지만, 데이터를 직접 다루거나 AI 결과물을 해석하는 데 한계가 있다. 이 두 집단 사이의 공백을 메울 수 있는 사람이 진짜 희소하다. 금융 도메인을 기반으로 데이터 분석과 AI 활용 능력을 갖춘 ‘하이브리드 인력’이 각 금융기관의 디지털 전환 팀에서 가장 구하기 어려운 인재로 꼽히는 이유다.
실제로 국내 주요 시중은행의 AI·데이터 관련 채용 공고를 보면 지원 자격에 ‘금융 업무 경험 우대’ ‘금융 도메인 지식 보유자 우대’ 같은 문구가 자주 등장한다. IT 전공을 요구하지 않고, 금융 경험이 있으면서 Python이나 SQL을 다룰 수 있는 사람을 찾는다는 뜻이다. 이는 비IT 출신에게 열려 있는 문이다.
어떤 포지션이 비IT 출신에게 현실적으로 열려 있는가
모든 AI 관련 직무가 열려 있는 것은 아니다. 딥러닝 모델 아키텍처를 설계하거나 ML 파이프라인을 처음부터 구축하는 역할은 여전히 CS 전공자나 석사 이상의 기술 배경을 요구한다. 하지만 금융권에서 늘어나는 직무 중 비IT 출신이 진입할 수 있는 영역은 구체적으로 다음과 같다.
- AI 모델 검증·평가 담당: 여신 심사 모델, 이상거래탐지 모델의 출력을 금융 관점에서 검증한다. 수학보다 “이 모델이 어떤 고객을 걸러내는가”를 비즈니스 로직으로 해석하는 능력이 더 중요하다.
- 데이터 분석가(금융 도메인): 고객 데이터, 거래 데이터를 분석해 상품 전략·리스크 지표를 만드는 역할. SQL과 기초 통계, 시각화 도구(Excel 고급 포함) 수준이면 시작 가능하다.
- 디지털 전환 기획·PMO: AI 프로젝트의 요건 정의, 일정 조율, 현업 부서 인터페이스. 금융 프로세스를 알아야 비즈니스 요건을 데이터팀에 정확히 전달할 수 있다.
- RegTech·컴플라이언스 데이터 담당: 금감원 보고, AML(자금세탁 방지), 금융소비자보호 데이터를 정제하고 자동화하는 역할. 규정 이해가 핵심이고 코딩은 보조 수단이다.
이 포지션들의 공통점은 ‘금융을 모르는 개발자는 대체하기 어렵다’는 점이다. 비IT 출신이 약간의 기술 역량을 쌓으면 경쟁력이 오히려 높아지는 구조다.
최소한으로 갖춰야 할 기술 역량 — 무엇부터 배울 것인가
비IT 출신이 가장 많이 하는 실수는 “딥러닝부터 배워야겠다”고 결심하는 것이다. 금융 AI 직무 대부분은 모델을 직접 만드는 것이 아니라 결과를 해석하고 활용하는 쪽이다. 따라서 기술 역량의 우선순위는 다음 순서로 잡는 것이 현실적이다.
- 1단계 — SQL 기초 ~ 중급: 금융 데이터 분석 업무의 70~80%는 SQL로 시작된다. SELECT, JOIN, GROUP BY, 윈도우 함수(OVER/PARTITION BY) 수준까지 익히면 실무에 바로 쓸 수 있다. 학습 기간: 집중하면 8~12주.
- 2단계 — Python 기초 + pandas: 데이터 정제, 간단한 통계 분석, 시각화(matplotlib, seaborn)까지. 처음부터 머신러닝 라이브러리(sklearn 등)를 목표로 삼지 않아도 된다. 학습 기간: 12~16주.
- 3단계 — 도메인 연결 프로젝트: 공개 금융 데이터(금융감독원 공시, 한국은행 경제통계 등)를 활용해 자신이 기존에 아는 도메인(여신, 펀드, 보험 등)과 연결한 분석 프로젝트를 1~2개 만든다. 기술 수준이 낮더라도 “이 분석이 현업에서 왜 의미 있는가”를 설명할 수 있으면 면접에서 강력하다.
AI나 머신러닝 이론은 3단계 이후에 관심 있는 부분만 선택적으로 공부해도 늦지 않는다. 금융 도메인 직무에서 요구하는 수준은 대부분 “AI 결과를 이해하고 비판적으로 해석하는 능력”이지, 알고리즘을 직접 구현하는 능력이 아니다.
자격증과 포트폴리오 — 실제로 가산점이 되는 것
자격증을 취득할 때는 비용 대비 효과를 따져야 한다. 금융권 AI 직무 지원 시 실질적으로 언급되는 자격증과 포트폴리오 항목을 정리하면 다음과 같다.
- ADsP(데이터분석 준전문가): 국내 데이터 분석 기초 자격증으로 금융권 내부 직무 전환이나 신입 지원 시 기본 기준으로 작동한다. 준비 기간 4~6주, 응시 난이도 낮음.
- SQLD(SQL 개발자): SQL 실력을 증명하는 가장 일반적인 자격증. 데이터 분석 직무 지원 시 보유 여부가 서류 단계에서 걸러지는 기준이 되기도 한다.
- CFA·AFPK·CFP 등 금융 자격증 + 데이터 역량: 금융 전문 자격증을 이미 보유하고 있다면 데이터 역량이 더해질 때 차별화가 매우 뚜렷해진다. CFA를 가진 데이터 분석가와 순수 개발자를 같은 선상에 놓으면 금융사는 전자를 강하게 선호한다.
- 포트폴리오 프로젝트: 자격증보다 실제로 분석한 결과물이 더 설득력 있는 경우가 많다. 공개 데이터를 이용한 분석 보고서, GitHub에 정리한 코드, Kaggle 참여 이력 등이 면접에서 구체적 대화 소재가 된다.
자격증을 무조건 많이 쌓는 것보다, 지원하는 직무와 연결되는 자격증 하나와 실제 프로젝트 하나를 조합하는 것이 훨씬 효율적이다.
직무 전환 경로 — 은행 내부에서 시작할 것인가, 외부에서 시작할 것인가
현재 금융권 재직 중이라면 내부 전환이 가장 현실적인 첫 번째 경로다. 대부분의 시중은행은 디지털·AI 전담 조직을 확대하면서 내부 인력 재배치를 병행하고 있다. 사내 공모(잡 포스팅)를 주기적으로 확인하고, 부서 내에서 데이터 관련 업무를 자원해서 맡아보는 것이 출발점이 된다. 상사의 승인 없이 시작할 수 있는 방법으로는 퇴근 후 사내 교육 플랫폼의 데이터 과정 이수, 사내 해커톤 참가, 데이터 관련 TF 자원 등이 있다.
금융권 외부에 있다면 단계적 이동이 현실적이다. 금융 핀테크 스타트업 → 금융 데이터 컨설팅사 → 은행 본사 순서로 이동하거나, 또는 은행 계열사(카드사·캐피탈·증권사)에서 먼저 데이터 관련 경험을 쌓은 뒤 이직하는 경우가 많다. 대형 은행의 AI 직무 신입 공채는 경쟁률이 높고 기술 요건이 올라가는 추세이기 때문에, 관련 도메인 경험 없이 단순히 자격증만 준비해서 진입하기는 점점 어려워지고 있다.
비전공자가 빠르게 실전 경험을 쌓는 방법 중 하나는 금융 데이터 관련 공공기관 프로젝트에 참여하는 것이다. 금융보안원, 신용보증기금, 한국자산관리공사 등에서 데이터 분석 공모전, 빅데이터 활용 프로젝트 등을 정기적으로 운영한다. 수상 이력보다 참여 경험 자체가 이력서에서 차별화 포인트가 된다.
면접에서 비IT 출신이 실수하는 것들
기술 질문에 지나치게 집착하는 것이 첫 번째 실수다. 면접관이 “머신러닝을 설명해보세요”라고 물을 때, 교과서 정의를 외워서 대답하려다 막히는 경우가 많다. 이보다는 “저는 여신 심사 모델이 어떤 변수를 우선시하는지, 현업 데이터로 어떻게 검증할 수 있는지 이해하고 실제 데이터를 다뤄봤습니다”처럼 자신의 도메인 경험과 연결해서 답하는 것이 훨씬 효과적이다.
두 번째 실수는 기술을 과소 포장하거나 과대 포장하는 것이다. “Python 할 줄 알아요”와 “머신러닝 전문가입니다” 사이 어딘가에서 자신의 수준을 정확하게 표현해야 한다. 할 수 있는 것과 할 수 없는 것을 분명히 하고, “이런 분석을 해봤고 이런 한계가 있었습니다”처럼 경험 기반으로 말하는 것이 신뢰를 만든다.
세 번째 실수는 도메인 강점을 적극적으로 어필하지 않는 것이다. 비IT 출신이 7~10년 동안 금융 업무를 하면서 쌓은 판단력과 맥락 이해는 기술 인력이 단기간에 습득할 수 없다. “저는 코딩 전공자가 아니지만, 리테일 대출 심사에서 고객 행동 패턴이 어떻게 연체 위험과 연결되는지 실제로 관찰해왔고 이를 데이터로 검증하고 싶습니다”라는 방향성이 훨씬 설득력 있다.
지금 어디서 시작해야 하는가
출발점은 단순하다. 지금 당장 할 수 있는 일은 세 가지다. 첫째, 관심 있는 금융 AI 직무의 채용 공고 5~10개를 직접 들여다보고 공통으로 요구하는 역량 목록을 정리한다. 둘째, SQL 기초 강의를 오늘 시작한다. 셋째, 자신이 가진 도메인 지식을 데이터 관점에서 다시 쓸 수 있는 프로젝트 아이디어 하나를 메모한다. 이 세 가지가 6개월 후의 이력서를 만든다.
기회는 ‘IT를 완전히 마스터한 다음’이 아니라 ‘금융을 알면서 데이터를 다루기 시작한 순간’부터 열린다. 누스쿨 커뮤니티에서는 비슷한 전환을 준비하거나 이미 이동한 선배들과 구체적인 고민을 나눌 수 있다. 혼자 방향을 잡기 어려울 때, 실제 경험이 있는 멘토와 한 번 대화해보는 것이 수개월의 시행착오를 줄여준다.
💬 댓글 0