AI는 개별 스킬이 아니라 직무를 재편한다

세계경제포럼(WEF)이 55개국 1,000여 고용주를 조사한 「일자리의 미래 2025」(2025년 1월)에서 응답 기업의 86%가 "2030년까지 AI·정보처리 기술이 사업을 바꿀 것"이라고 답했다. 가장 빠르게 수요가 느는 스킬로는 'AI·빅데이터'가 꼽혔고, 기업의 3분의 2가 2030년까지 AI 관련 인력을 채용할 계획이라고 했다. 다만 WEF는 AI·머신러닝 전문가가 '증가율(%)' 기준으로 가장 빠르게 성장할 뿐, 늘어나는 절대 인원은 농업·배송 같은 비IT 직군이 더 크다고 못 박았다. 즉 'AI 직무가 가장 빠르게 큰다'는 말과 'AI 직무가 가장 많아진다'는 말은 다르다.

변화의 본질은 새 직무 몇 개가 생기는 데 있지 않다. 기존 직무가 다루는 도구와 요구 역량이 통째로 이동한다는 데 있다. AI가 특정 부서의 전문 영역으로 격리되는 게 아니라 기획·설계·개발·운영이라는 IT 생애주기 전 구간에 스며들기 때문이다. 그래서 이번 호는 스킬 목록이 아니라 직무 지도를 기준으로 삼는다.

지도의 새 좌표: 인공지능 4개 직무는 어디에 있나

ITSQF는 과학기술정보통신부·고용노동부와 한국소프트웨어산업협회(현 한국인공지능·소프트웨어산업협회, KOSA)가 함께 만든 SW산업 최초의 객관적 역량체계다. 협회 연혁을 따라가면 2014년 연구에 착수해 2018년 시점 보도에서 9개 직종 28개 직무로 확정됐고, 당시에도 "직종과 직무 내용은 해마다 보완·개선한다"고 밝혔다. 이후 2019년 ITSQF를 기반으로 한 소프트웨어(SW)기술자 임금실태조사가 시작됐고, 2020년에는 희망 기업을 대상으로 한 현장 보급·확산이 이어졌다. 현행 체계가 IT분야 38개 직무(가상융합분야 9개 직무는 별개 체계)로 넓어진 것은 이 연차 개편의 결과다.

이 지도에서 인공지능은 한자리에 모여 있지 않다. 인공지능서비스기획은 IT컨설팅 및 기획 직종에, 인공지능아키텍처는 IT아키텍처에, 인공지능SW개발은 SW개발에, 인공지능서비스관리는 시스템 구축 및 운영에 각각 흩어져 있다. AI가 특정 부서의 전문 영역이 아니라 IT 생애주기 전 구간에 스며든 방식이 직무 배치에 그대로 반영된 셈이다. 다만 이 4개 직무가 정확히 어느 개정 회차에 신설됐는지를 명시한 1차 자료는 이번 조사에서 확인하지 못했다. 여기서는 "28개에서 38개로 확대되는 과정에서 편입됐다"까지만 말할 수 있다.

지도를 그리는 두 가지 방법: 직무를 새로 만들 것인가, 스킬로 녹일 것인가

AI 역량을 역량체계에 반영하는 방식은 나라마다 갈린다. 영국에 기반을 둔 글로벌 디지털 역량체계 SFIA(Skills Framework for the Information Age)는 2024년 10월 SFIA 9를 공개하면서 AI를 별도의 독립 전문분야로 분리하지 않는 길을 택했다. 대신 기존의 7단계 책임 수준 체계 안에 AI 역량을 통합하고, 꼭 필요한 곳에만 스킬을 더했다. 구체적으로는 '인공지능·데이터 윤리(AIDE, Artificial intelligence and data ethics)'를 신설하고 기존 '머신러닝(MLNG, Machine learning)' 스킬을 개정하는 데 그쳤다. SFIA는 그 이유로 "전문분야 사이에 인위적 경계를 만들지 않아 직무 이동성과 리스킬링을 돕기 위함"이라고 설명한다.

ITSQF는 정반대에 가까운 선택을 했다. AI를 횡단적 스킬로 얹는 대신, 인공지능서비스기획·인공지능아키텍처·인공지능SW개발·인공지능서비스관리라는 4개 직무를 새로 만들어 4개 직종에 나눠 배치했다. 요약하면 "AI 직무를 새로 만든다(ITSQF)"와 "기존 직무에 AI 스킬을 녹인다(SFIA)"의 설계 철학 차이다. 어느 쪽이 옳다고 단정할 문제는 아니다. 두 체계의 수준 척도를 1대 1로 맞대응시킬 근거도 없다. 주목할 것은, 접근이 정반대인데도 두 체계가 공유하는 전제가 같다는 점이다. AI는 소수의 전문 직무만의 것이 아니라 전 직무에 스며드는 역량이라는 인식이다. 직무를 쪼개든 스킬로 녹이든, 결국 지도 전체가 다시 그려지고 있다는 신호로 읽힌다.

생산성의 착시: 속도는 올랐지만 품질 지표는 흔들린다

직무 재편이 가장 먼저 체감되는 현장은 SW개발이다. 그런데 AI 코딩 도구를 둘러싼 수치는 한 방향을 가리키지 않는다. GitHub이 Accenture와 진행한 통제 실험에서 Copilot을 쓴 개발자는 같은 과제를 55% 빠르게(26분 대 46분) 끝냈다 — 이 수치는 도구 공급사 자체 연구라는 이해관계를 함께 봐야 한다. 반면 구글 DORA의 2024년 보고서는 AI 도입이 25% 늘 때마다 배포 안정성이 약 7.2%, 처리량이 약 1.5% 감소하는 것으로 추정했다. 동시에 응답자의 3분의 1 이상은 "보통에서 매우 큰" 생산성 향상을 체감했다고 답해, 개인의 체감과 조직의 지표가 엇갈렸다.

코드베이스를 들여다본 결과도 경고음을 낸다. 코드 분석기관 GitClear가 2억 1,100만 줄을 분석한 보고서(2025년 2월)에서 5줄 이상 중복 코드 블록이 2024년 한 해 8배로 늘었고, 복사·붙여넣기 줄 비중은 2020년 8.3%에서 2024년 12.3%로, 반대로 기존 코드를 다듬는 리팩터링('moved') 줄 비중은 24.1%에서 9.5%로 급감했다. 2024년은 복붙 줄이 리팩터링 줄을 처음으로 넘어선 해였다.

세 결과는 서로 다른 것을 잰다. 개인의 코딩 속도, 조직의 배포 안정성, 코드베이스의 유지보수성이다. 종합하면 지금까지의 근거는 "개인이 코드를 쳐내는 속도는 빨라졌지만, 조직 차원의 품질·안정성 지표에는 악화 신호가 함께 나타난다"는 쪽에 가깝다. AI 코딩 시대의 개발 역량이 '얼마나 빨리 짜느냐'에서 '무엇을 걸러내고 무엇을 남길지 판단하느냐'로 옮겨가고 있다는 뜻으로 읽힌다.

파동은 전 직무에 닿는다: 품질·기획·감리의 부상

AI의 영향은 개발 직무에만 머물지 않는다. KOSA가 약 1,100개 기업·3만 7,436명을 ITSQF 기준으로 조사한 2025년 SW기술자 임금실태조사에서 일 평균임금은 41만 4,762원으로 전년 대비 4.7% 올랐다(2025년 9~10월 조사). 흥미로운 것은 상승률 상위가 AI 직무가 아니라 품질·테스트·감리 계열(각각 14.5%·14.1%·14.0%)이었다는 점이다.

KOSA는 그 배경을 두 갈래로 설명했다. 하나는 "클라우드 기반 시스템 확산과 IT 환경 복잡성 증가로 품질·안정성·리스크 관리 역량의 중요성이 커진" 것이고, 다른 하나는 "공공 정보화 사업의 초점이 신규 구축에서 고도화·안정적 운영으로 이동하면서 기획·품질·감리 역할의 비중이 확대된" 것이다. 실제로 같은 조사의 월 평균임금 순위에서도 상위권은 기획·마케팅·아키텍처 계열이 차지했고(조사 라벨 기준 IT기획자 약 1,185만 원, IT마케터 약 1,179만 원, IT아키텍트 약 1,110만 원 순), 일 평균임금 최상위 역시 IT기획자(57만 8,206원, 17개 직무 중 1위)·IT아키텍트(54만 1,621원)였다. 응용SW개발자의 일 평균임금(37만 8,250원)과 견주면, 대가의 무게중심이 '무엇을 얼마나 만드느냐'보다 '무엇을 어떻게 판단·설계·검증하느냐'로 기운 구도가 드러난다.

여기서 인과를 앞질러선 안 된다. KOSA는 상승 배경으로 디지털 전환(DX)·클라우드·시스템 복잡성을 들었을 뿐, "AI 때문에 특정 직무 임금이 올랐다"고 말하지 않았다. AI는 그 복잡성을 키우는 여러 축 가운데 하나로 보는 것이 근거에 맞다. 다만 시스템이 복잡해질수록 그것을 검증하고 감리하는 직무의 무게가 커진다는 흐름 자체는 읽어둘 만하다.

채용 시장: 문은 좁아지고, 조준은 정밀해진다

임금 지표가 직무의 '값'을 보여준다면, 채용 지표는 직무의 '문'을 보여준다. 그리고 2026년의 문은 전체적으로 좁아지되 조준은 정밀해지는 쪽으로 움직이는 것으로 분석된다. 2026년 국내 IT·개발 채용 시장은 '규모 축소·경력직 선호·정밀 채용'으로 요약되며, 신입·주니어 공고가 크게 줄어든 것으로 분석된다(채용 플랫폼·컨설팅 분석 등 2차 자료 기준). 기업의 관심이 "얼마나 많이 뽑느냐"에서 "누구를 뽑느냐"로 옮겨가고 있다는 것이다. 채용 방식에서도 이 변화가 확인된다. '수시채용만 실시'하는 기업 비율은 2023년 67.4%에서 2025년 70.8%로 올라, 정기 공채는 사실상 소멸 국면에 들어섰다.

문이 좁아지는 와중에도 수요가 상대적으로 집중되는 직무는 뚜렷하다. AI·머신러닝 전문가, 데이터 엔지니어, DevOps, 백엔드·풀스택이 반복해서 거론된다. 가트너는 2026년 채용 시장을 움직이는 핵심 동력으로 'AI 혁명과 비용 압박'을 지목했다. 채용의 절대 규모가 줄어드는 국면에서도 AI가 직무 지형을 재편하고 있다는 신호가, 이번에는 국내 채용 측에서도 관측되는 셈이다.

수요·공급 지형이 한쪽으로만 흐르지 않는다는 점도 함께 봐야 한다. SPRi의 2024년 인공지능산업 실태조사(국내 AI기업 2,517개 전수조사)에서 기업의 최대 애로사항은 2023년 'AI 인력 부족'에서 2024년 '투자유치 어려움'으로 바뀌었고, 인력 부족률도 낮아졌다. SPRi는 이를 "산업이 안정 성장 궤도에 들며 과잉 수요가 완화된 것"으로 해석했다. AI 인력이 늘 부족하다는 통념과 달리, 특정 시점의 채용 병목은 완화될 수도 있다는 신호다. 문은 좁아지고, 뽑는 쪽은 더 정밀해지고, 인력 부족의 아우성은 잦아든다 — 세 흐름이 동시에 가리키는 것은 '머릿수'보다 '역량의 결'이 채용을 가르는 국면이다.

당신의 직무는 지도의 어디에 있나

이 지도가 주는 좌표는 두 축이다. 하나는 '내 직무가 AI를 만드는 쪽인가, AI를 쓰는 쪽인가'이고, 다른 하나는 '내 역량이 산출물의 양에 걸려 있나, 판단·검증에 걸려 있나'이다. 인공지능 4개 직무가 AI를 만드는 쪽의 최전선이라면, 나머지 직무 대부분은 AI를 도구로 흡수하며 역량 축이 판단·검증 쪽으로 이동하는 중으로 보인다.

이런 직무 단위의 재편은 AI가 불붙이기 전부터 이어져 온 흐름이기도 하다. kt ds는 AI 전환기 이전인 2017년에 세 개 직무로 ITSQF를 도입했고, 이듬해 대상 직무를 5개 더 늘렸다. AI는 이 흐름을 새로 만든 것이 아니라 그 속도를 끌어올리고 있는 것으로 보인다. 국내 임금·채용 데이터와 해외 프레임워크의 설계 방향이 다른 언어로 같은 이야기를 하는 것도 이 때문이다 — 직무의 경계는 고정된 게 아니라, 역량이 이동하는 방향을 따라 다시 그어지고 있다. 결국 관건은 'AI가 내 직무를 없애는가'가 아니라 '내 직무의 역량 축이 어느 쪽으로 이동하는가'다. 이번 호의 나머지 지면은 그 이동의 방향을 직무별로 짚는다.

최대 직종, 그러나 한 덩어리가 아니다

ITSQF(IT분야 역량체계)는 SW개발 직종을 7개 직무로 구분한다. UI/UX디자인, UI/UX개발, 응용SW개발, 시스템SW개발, 임베디드SW개발, 빅데이터개발, 인공지능SW개발이다. 앞서 본 2021년 조사에서 SW개발자(17만여 명, 49.4%)는 그다음으로 큰 정보시스템 운영·지원(11만여 명), 웹전문가(3만 900명), 사업·프로젝트관리(1만 5,200명)를 큰 차이로 앞선다. SW산업 전체 종사자는 2024년 잠정 48만 명이다(SPRi 소프트웨어통계포털, 2026년 7월 조회). 다만 35만 1,600명(2021년 SW 전문인력)과 48만 명(2024년 SW산업 종사자)은 조사명·연도·모집단이 서로 달라 직접 비교할 수 없다. 무엇을 센 수치인지 확인해야 오독을 피한다.

7개 직무, 무엇으로 나뉘는가

직무를 가르는 것은 "무엇을 만드느냐"다. 세 직무는 정부의 산업별역량체계(SQF) 기반 훈련과정 설계 가이드에 1차 정의가 나와 있다.

응용SW개발은 프로그래밍 언어로 응용소프트웨어의 분석·설계·구현·테스트·배포를 통해 제품 기능을 개발하고 개선하는 일이다. 인공지능SW개발은 기획된 AI 서비스를 구축하기 위해 모델링·데이터 분석 결과를 AI 플랫폼 환경에서 기능·인터페이스·지식화로 구현하고 검증하는 일이다. 빅데이터개발은 빅데이터·정보시스템 개발 역량을 바탕으로 빅데이터를 수집·저장·처리·분석·활용하는 시스템을 구현하는 일이다. 세 직무 모두 SQF 훈련설계에서 대표 수준이 '5수준'으로 표기되지만, 다루는 대상이 응용소프트웨어인지, AI 모델·플랫폼인지, 데이터 시스템인지에 따라 갈린다.

이 구분은 국가 훈련체계와도 연결된다. SQF 가이드에서 응용SW개발은 국가기간·전략산업 81개 직종 중 '디지털컨버전스' 직종으로, 인공지능SW개발은 'AI 활용 소프트웨어 개발 및 응용' 직종으로, 빅데이터개발은 '빅데이터 전문가' 직종으로 훈련을 편성할 수 있게 설계돼 있다. 즉 세 직무는 각자 대응하는 공식 훈련 트랙을 갖고 있는 반면, 나머지 네 직무는 그만큼 정비된 SQF 훈련 경로가 아직 마련돼 있지 않다.

시스템SW개발과 임베디드SW개발은 공식 SQF 가이드가 제공되지 않아 통용 구분으로만 짚을 수 있다. 시스템SW개발은 운영체제 환경에서 시스템 자원을 제어·관리하는 소프트웨어·플랫폼을, 임베디드SW개발은 하드웨어 플랫폼 위의 운영체제 이식·펌웨어·디바이스 드라이버 같은 SW를 다루는 쪽으로, 응용 계층보다 하드웨어·시스템에 가깝다는 점에서 갈린다.

UI/UX디자인과 UI/UX개발은 IT분야 SQF 훈련과정 가이드가 다루지 않아 정의를 별도 경로로 확인해야 한다. NCS(국가직무능력표준) 분류에서 두 직무의 상위 표준 단위는 세분류 'UI/UX엔지니어링'이다. 이 세분류를 기준으로 보면 UI/UX 계열의 일은 "사용자의 이용 행태와 트렌드 및 기술 환경을 분석하고 새로운 사용자 경험(UX) 모델을 제시하여 이를 현실화할 수 있도록 UI/UX 계획, 실사용자 리서치, 사용자 인터페이스(UI) 기획, UI 아키텍처 설계, UI 디자인, UI 구현, 프로토타입 검증을 거쳐 가이드를 제작하는 일"로 규정된다.

능력단위 분포로 두 직무의 무게중심을 가늠하면, UI/UX디자인은 사용자 리서치·UI/UX 콘셉트 기획·UI 디자인·GUI 상세디자인 같은 경험·시각 설계 쪽에, UI/UX개발은 UI 아키텍처 설계·UI 구현·UI 테스트 같은 구현·검증 쪽에 무게가 실리는 것으로 볼 수 있다. 다만 NCS는 두 직무를 'UI/UX엔지니어링' 하나의 세분류로 묶어 다루고, ITSQF가 이를 두 직무로 나눈 각각의 공식 정의문은 이번에도 원문으로 확정하지 못했다. 위 디자인·개발 구분을 능력단위 분포에 근거한 추정으로만 제시하는 이유다.

숫자로 본 무게중심: 개발자 안에도 무게중심이 있다

7개 직무는 규모가 고르지 않다. 개발 직군 안에서도 인력이 어디로 쏠리는지를 보면 직무 지형이 더 또렷해진다.

먼저 AI 쪽이다. 2022년 인공지능산업 실태조사에서 AI 전문인력 2만 9,181명 중 인공지능 개발자가 1만 9,206명으로 65.8%를 차지해 단연 최대였다. AI 데이터 분석가(2,051명, 7.0%)나 데이터 가공·처리 담당자(2,842명, 9.7%)를 크게 웃돈다. AI 인력의 무게중심도 '개발'에 쏠려 있다는 뜻이다. 시장 쪽 배경도 있다. 국내 AI SW 시장은 2021년 1조 2,262억 원에서 2025년 1조 8,855억 원(전망치)으로, 응용SW 시장은 2022년 7조 1,489억 원에서 2026년 9조 1,037억 원(전망치)으로 커지는 것으로 조사됐다. 반면 AI 인력 수요와 공급의 격차는 2022년 기준 약 1만여 명으로 추산됐다.

데이터 쪽도 마찬가지다. 2021년 데이터산업 종사자 39만 4,709명 가운데 데이터직무 인력은 12만 2,431명(전년 대비 20.1% 증가)이었고, 그중 데이터 개발자가 34.4%로 가장 많았다. 이어 데이터 엔지니어(15.5%), 데이터베이스 관리자(14.5%) 순이다. 인력 부족이 가장 심한 직무는 데이터 과학자(부족률 36.5%)로 조사됐고, 2026년까지 데이터산업 안에서만 1만 6,984명(전 산업 2만 4,409명)의 데이터직무 인력이 더 필요하다는 전망이 함께 제시됐다. 빅데이터개발 직무가 놓인 노동시장의 밑그림이다.

몸값에도 지형이 있다. 한국인공지능·소프트웨어산업협회(KOSA)가 실시한 2025년 소프트웨어(SW)기술자 임금실태조사(2026년 적용) 기준 일 평균임금은 IT아키텍트 54만 1,621원, 응용SW개발자 37만 8,250원, 시스템SW개발자 28만 8,488원 순이었고, 전 직무를 통틀어서는 IT기획자가 57만 8,206원으로 가장 높았다. 이 조사 분류에서 응용SW개발자에는 빅데이터개발·인공지능개발이, 시스템SW개발자에는 임베디드SW개발이 포함된다. UI/UX 계열은 최신 조사에서 세부 수치가 따로 공표되지 않았고, 직전 조사(2024년 조사·2025년 적용)에서 UI/UX기획·개발자가 일 32만 6,566원, UI/UX디자이너가 일 25만 1,272원이었다. 조사 연도가 서로 달라 두 수치로 상승률을 환산하지는 않는다. 개발 직무보다 기획·설계·아키텍처 직무가 임금 상단에 있다는 점은, 뒤에서 볼 '수준' 이야기와 겹친다.

AI 코딩 시대, 직무는 어디로 이동하는가

AI 전환은 SW개발 직무 사이의 이동을 부추긴다. 그 경로는 제도에 이미 반영돼 있다. 인공지능SW개발의 SQF 훈련 대상에는 AI·빅데이터 전공자뿐 아니라 "빅데이터 개발, 프로그래밍, DB관리자 등 IT직무 경험자"가 명시돼 있다. 기존 개발자가 재교육으로 AI 개발로 건너가는 길이 공식 훈련 설계에 들어가 있다는 뜻이다.

능력단위를 비교하면 무엇을 새로 배워야 하는지가 드러난다. 응용SW개발과 인공지능SW개발은 프로그래밍·데이터 입출력·테스트 역량을 공유한다. 전환할 때 추가로 요구되는 것은 데이터 확보·전처리, 모델 학습, 플랫폼 지식화 구현 같은 AI 고유 능력단위다. 공유되는 토대 위에 무엇을 얹어야 하는지가 비교적 또렷하다.

재교육의 통로도 구체적으로 존재한다. 고용노동부의 K-디지털 트레이닝(KDT)은 기업과 훈련기관이 함께 설계한 디지털 신기술 과정으로, 평균 6개월·주 5일·하루 8시간의 프로젝트 중심 집중 훈련이다. '자바·스프링 부트 풀스택 응용SW개발자 양성과정'과 '빅데이터·인공지능 전문가 과정'이 나란히 운영돼, 응용SW개발 계열에서 데이터·AI 계열로 넘어가는 훈련 경로가 실재한다. 비전공·타직무 출신이 KDT의 AI·데이터 과정을 수료한 뒤 관련 직무로 취업한 유형도 보고된다. 다만 특정 개인·기업의 '응용SW개발에서 인공지능SW개발로'의 이동을 실명으로 확인한 사례는 아직 공개돼 있지 않다.

정책 방향도 이를 뒷받침한다. 2024년 인공지능산업 실태조사는 인력 미스매치 해소책으로 현장 수요 맞춤 실무 교육과 경력전환·재교육 강화를 권고했다(전자신문, 2025년 5월 보도). 공급 기반을 넓히는 제도도 확대돼 왔다. 과기정통부 디지털 인재양성 종합방안(2022)은 2026년까지 디지털 인재 약 74만 명 수요에 100만 명 양성을 목표로 제시했고, 기업 협력형 AI 대학원은 2022년 15개에서 2023년 19개교로 늘고 AI반도체 대학원 3개가 신설됐다. 응용SW개발에서 AI·빅데이터로 넘어가려는 개인의 선택을, 재교육 제도와 인력정책이 뒤에서 밀어주는 구도로 볼 수 있다.

레벨은 어떻게 오르는가

같은 직무 안에서 수준(레벨)은 어떻게 오르는가. ITSQF의 SQF수준은 업무의 난이도·복잡성에 따라 직무를 구분하는 기준으로, 한국형 국가역량체계(KQF)에 기반한다. 직무 안 능력단위마다 수준이 매겨지는데 방향성은 뚜렷하다. 응용SW개발은 대부분의 능력단위가 5수준이지만 "애플리케이션 설계"·"인터페이스 설계"는 6수준으로 더 높다. 구현보다 설계가 상위 역량이라는 뜻이다.

다른 직무에서도 같은 결이 보인다. 인공지능SW개발은 '모델 학습'·'데이터 전처리'·'지식화 구현'이 5수준인 반면, '인공지능 플랫폼 인터페이스 구현'·'인공지능서비스 이행'은 4수준으로 매겨진다. 빅데이터개발은 '처리·분석·품질관리시스템 개발'·'SQL응용' 등이 5수준, '빅데이터 수집·저장시스템 개발'이 4수준, '빅데이터 플랫폼 테스트'가 3수준이다. 능력단위마다 요구 수준이 다르게 부여돼 있어, 커리어의 상향은 "더 많은 코드"보다 "설계와 구조를 책임지는, 더 높은 수준의 능력단위"로 옮겨가는 방향에 가깝다.

다만 "5수준에서 6수준으로 오르려면 무엇이 필요한가"를 조목조목 규정한 승급 요건표는 이번 조사에서 확보하지 못했다. 이 판정의 실무 도구가 될 것으로 보이는 것이 ITSQF 기반 직무수준 진단체계다(KOSA와 SK 주식회사 AX가 공동 개발해 현재 파일럿 단계). 진단체계가 대가 산정과 어떻게 연결되는지는 이번 호 커리어 코너 아티클에서 따로 다룬다.

자동완성에서 에이전틱 도구로, 관리 포인트가 바뀌었다

2026년의 코딩 보조 도구는 단순 자동완성(초기형 Copilot)에서 파일 편집·명령 실행·다단계 작업을 스스로 수행하는 에이전틱 도구로 이동했다. Claude Code, OpenAI Codex CLI, Cursor의 에이전트 모드가 대표적이다. 도구가 '제안'을 넘어 '작업 수행'을 하므로, 기업 도입에서 관리해야 할 핵심은 도구가 무엇을 어디까지 건드릴 수 있는지(실행 권한·샌드박스)와 그 흔적이 남는지(감사 로그)로 옮겨간다. 자동완성 시절에는 없던 관리 항목이다.

과금 구조도 함께 변했다. OpenAI Codex CLI는 2026년 들어 device-code 로그인·샌드박스 정책 같은 엔지니어링팀용 기능을 추가했고, 요청 기반에서 사용량 기반 과금으로 전환했다(정확한 버전·일자는 벤더 문서 확인 권장). 사용량 기반 과금은 팀·프로젝트별 비용 배분이라는 새 과제를 만든다. 도입 전에 '누가, 어떤 권한으로, 얼마나 쓰는가'를 통제할 수 있는지부터 봐야 한다.

속도 이득과 안정성 손실은 다른 층위에서 일어난다

효과를 말할 때 수치가 엇갈리는 이유는 측정 층위가 다르기 때문이다. GitHub과 Accenture의 통제 실험에서 Copilot을 쓴 개발자는 같은 과제를 55% 빠르게(26분 대 46분) 끝냈고, 85%가 코드 자신감이 올랐다고 답했다(2023년 실험). Accenture 파일럿에서는 초기 채택 성공률이 96%, 참가자의 67%가 주 5일 이상 도구를 썼다. 다만 이 수치는 공급사 자체 연구라는 점을 감안해 읽어야 한다.

반면 독립 연구인 DORA 2024 보고서는 AI 도입이 25% 늘 때마다 배포 안정성이 약 7.2%, 처리량이 약 1.5% 낮아지는 것으로 추정했다. 코드베이스를 분석한 GitClear 보고서(2025년 2월 발행)에서는 2주 안에 다시 고쳐지는 코드 비율이 5.5%에서 7.9%로(2020년 대비 2024년) 오르고, 복사·붙여넣기 비중은 8.3%에서 12.3%로 늘었으며, 5줄 이상 중복 블록은 8배로 증가했다. 같은 기간 리팩터링 비중은 24.1%에서 9.5%로 급감했다. 개인의 코딩 속도, 조직의 배포 안정성, 코드베이스의 유지보수성은 서로 다른 지표이며, 앞의 이득이 뒤의 손실을 자동으로 상쇄하지 않는다. 리뷰·리팩터링 게이트를 함께 조이지 않으면 속도 이득이 안정성·유지보수성 비용으로 옮겨간다.

요금제가 곧 데이터 정책이다

도구 선택은 기능 비교이기 전에 데이터 취급 정책의 선택이다. 요금제에 따라 코드가 학습에 쓰이는지, 조직이 어디까지 통제하는지가 갈린다. GitHub Copilot은 개인용(Free·Pro 10달러·Pro+ 39달러·Max 100달러)과 조직용(Business·Enterprise)으로 나뉜다(요금은 2026년 7월 조회 기준). 조직용 가격은 공식 페이지에 없어 비교 자료로만 사용자당 월 19·39달러가 알려져 있으므로 계약 전 확인이 필요하다. Enterprise는 조직 코드베이스 인덱싱·커스텀 모델을, Cursor(모회사 Anysphere)의 Enterprise는 SCIM 시트 관리·감사 로그·모델 제어 같은 조직 단위 통제 기능을 제공한다.

중요한 것은 가격표가 아니라, 조직용 플랜일수록 데이터 학습 배제·감사·모델 제어 같은 통제 장치가 붙는다는 점이다. 어떤 플랜을 조직 기본값으로 삼느냐가 이후의 보안·라이선스 리스크 크기를 먼저 결정한다.

한 번에 열지 말고 단계로 밟는다

도입은 전면 개방이 아니라 단계로 밟는 편이 안전하다. 삼성전자의 궤적이 참고가 된다. 2023년 4월 생성형 AI 사용을 허용하자마자 임직원이 수율·불량 관련 코드와 회의 내용을 외부 AI에 입력해 사내 정보가 학습 데이터로 넘어간 정황이 생겼고, 회사는 곧바로 사용을 금지했다. 이후 사내 보안망 안에서만 구동돼 정보가 밖으로 나가지 않도록 설계된 AI 코딩 에이전트를 자체 도입했고, 2026년 6월에는 기업용 ChatGPT·Codex를 전 직원에게 공급하는 단계까지 갔다.

'금지 → 통제된 사내 도구 → 전면 도입'이라는 순서는, 곧바로 열었다가 사고를 낸 뒤 되돌리는 것보다 현실적이다. 데이터 경계를 조직이 쥔 채 에이전틱 도구를 쓰는 길도 넓어졌다. 2026년 6월 GPT-5.5·Codex와 Claude가 Amazon Bedrock에서 정식 제공되면서, 기존 클라우드 계정과 거버넌스 체계 안에서 운영할 수 있게 됐다. 파일럿에서 채택률·사용 빈도를 확인하고 데이터 경계와 플랜을 정한 뒤 범위를 넓히는 방식이 실무에 맞는다.

규제 산업이라면 가이드라인이 먼저다

금융·공공처럼 규제를 받는 영역에서 개발한다면, 도구 선택보다 규제 원칙 확인이 앞선다. 인공지능기본법이 2025년 1월 제정돼 2026년 1월 시행에 들어갔고, 이 환경에 맞춰 금융위원회는 「금융분야 AI 가이드라인」을 통합·개정하는 중이다. 통합 가이드라인(안)은 AI 활용 7대 원칙 — 거버넌스, 합법성, 보조수단성, 신뢰성, 금융안정성, 신의성실, 보안성 — 을 제시한다. 이 가운데 보조수단성(AI는 인간 판단의 보조수단)과 거버넌스 원칙은 "생성 코드는 사람이 검토하고 책임진다"는 AI 코딩 도구 사용 원칙과 그대로 맞닿는다. 통합안은 2026년 1분기 시행이 예상되고, 금융감독원의 AI 위험관리 프레임워크와 금융보안원의 AI 보안 안내서도 함께 배포될 예정이다(모두 진행 중인 상태다).

규제 산업에서 AI 코딩 도구를 쓴다는 것은, 사람이 최종 검토하고 데이터 경계가 통제되며 사용 기록이 남는 방식으로 도입한다는 뜻이다. 원칙에 어긋나는 사용을 먼저 걸러내는 것이 출발점이다.

조직 차원의 거버넌스: 세 요소와 책임 구조

도구를 열고 나면 필요한 것은 조직 차원의 거버넌스다. 업계 정리에 따르면 AI 코드 거버넌스는 세 요소로 구성된다. 첫째, 사용 가이드라인 — 어떤 용도에 쓸지와 프로덕션 반영 전 승인 절차를 정한다. 둘째, 필수 리뷰 정책 — 리뷰가 반드시 필요한 임계 기준을 정하고, 훈련된 리뷰어에게 리뷰 책임을 배정한다. 셋째, 문서화 표준 — AI 보조 개발의 의사결정을 추적할 수 있게 남긴다. 거버넌스는 특정 팀만의 일이 아니라 엔지니어링 리더십·보안·컴플라이언스가 함께 지는 공동 책임으로 설계하도록 권고되며, "생성 코드의 최종 책임은 이를 병합·배포한 사람에게 있다"는 원칙이 반복 강조된다.

이 게이트의 무게는 앞의 품질 지표와 이어진다. 2025년 개발자의 약 85%가 AI 코딩 보조도구를 쓰는 가운데, 2026년에는 AI가 생성하는 코드량이 사람의 리뷰 역량을 약 40% 초과할 것으로 전망된다(벤더 리포트 추정치라 확정 수치로 읽지 않는 편이 낫다). 생성 속도가 리뷰 속도를 앞지르면 검토되지 않은 코드가 쌓이고, 앞서 본 중복·재작업 지표가 그 결과다. AI가 만든 코드도 사람이 쓴 코드와 같은 기준으로 리뷰·테스트를 통과시키고, 리팩터링을 일정에 별도 작업으로 확보하는 것이 도입의 조건이다.

도입 전 마지막 점검: 보안과 라이선스

보안. "AI 도구가 내 코드를 학습한다"는 말은 플랜을 뭉뚱그린 오해다. GitHub은 Copilot Business·Enterprise의 고객 데이터를 모델 학습에 쓰지 않는다고 명시한다. 개인용 플랜(Free·Pro·Pro+)은 학습에 쓰일 수 있으나 opt-out이 가능하다. Cursor는 Privacy Mode를 켜면 코드가 Cursor와 모델 제공사의 학습에 쓰이지 않도록 보장하며, Business·Enterprise에서는 조직 차원에서 Privacy Mode·SSO·감사 로그를 강제할 수 있다. 모회사 Anysphere는 AWS 기반으로 SOC 2 Type II 인증을 갖고 있다(2026년 조사 기준). 학습 여부는 도구가 아니라 플랜과 설정으로 결정된다.

라이선스. AI가 생성한 코드가 오픈소스 라이선스를 침해할 수 있다는 우려는 아직 법적으로 정리되지 않았다. Copilot을 상대로 한 Doe v. GitHub 집단소송(2022년 11월, Microsoft·OpenAI 공동 피고)에서 2024년 법원은 다수 청구를 기각했지만 계약위반 등 일부는 살아남아 2026년 중반 현재 항소 중이며, Copilot이 GPL 저장소의 코드 조각을 재현한 사례도 관찰됐다. GitHub의 코드 참조 필터(공개 저장소와 65자 이상 일치 제안 억제)는 완화책이지 보장이 아니고, IP 면책도 필터를 켠 채 수정 없이 채택한 제안에만 적용된다. 출처·라이선스 확인 절차를 리뷰에 넣어야 한다.

임계값 알림에서 근본원인 제시로

AIOps(Artificial Intelligence for IT Operations)는 머신러닝과 빅데이터 분석으로 IT 운영을 자동화하는 접근으로, Gartner가 명명한 범주다. 전통적 모니터링과 APM(애플리케이션 성능 관리)이 미리 정한 임계값을 넘으면 알림을 쏘고 사람이 여러 지표를 수동으로 이어 붙여 원인을 찾는 방식이라면, AIOps는 알림·로그·메트릭·트레이스·배포 데이터에 ML을 적용해 노이즈 알림을 묶고, 근본원인분석(RCA)을 제시하며, 맥락과 함께 담당자를 호출한다(AWS 정의 기준). 핵심 기능은 이상탐지, 이벤트 상관관계 분석, RCA, 예측 분석, 그리고 자동화된 대응이다. 대표 플랫폼으로 Datadog, Dynatrace(Davis AI), Splunk, New Relic, ServiceNow 등이 거론되고, 국내에서는 SK텔레콤이 AIOps 플랫폼 사업을 대외로 확장하고 있다.

시장은 두 자릿수로 커진다

AIOps는 실험 단계를 지나 투자 단계로 넘어가는 중이다. 다만 시장 규모의 절대값은 조사기관마다 크게 갈린다. Global Market Insights는 2026년 약 144억 달러(2030년 416억 달러, 연 30.3%)로, Market.us는 2026년 약 195억 달러(연 25.8%)로 추정하는 반면 Fortune Business Insights는 이보다 낮은 규모를 제시하는 등, 2026년 시장 추정만 놓고도 기관에 따라 폭이 넓다. 방법론과 시장 정의가 달라 특정 절대값을 단일 수치로 단정하기는 어렵다. 다만 공통되는 신호는 뚜렷하다. 시장조사기관들은 대체로 AIOps 시장이 연 20~30%대의 두 자릿수로 성장한다고 전망한다. 성장 동인으로는 클라우드 네이티브 환경 확산, 자율형 IT 운영 투자, 선제적 시스템 관리·AI 관측성 도구 수요가 공통 지목된다. 한편 "국내 기업 중 몇 %가 AIOps를 도입했는가"에 대한 1차 통계는 이번 조사에서 확인되지 않았다. 시장의 성장세는 전망 수준에서, 국내 도입 실태는 개별 사례를 통해 읽는 것이 현재로선 정확하다.

사례: 3분 47초

가장 구체적인 국내 사례는 삼성계정 서비스다. 이 서비스는 이상탐지부터 근본원인분석, 조치 제안까지가 담당자 숙련도에 좌우돼 복구 시간(MTTR)을 안정적으로 줄이기 어려운 구조였다. 삼성계정 팀은 데이터 수집·분석·조치 제안을 각각 맡는 다중 에이전트 구조의 Agentic AIOps를 도입해 전 과정 5분 이내 자동화를 목표로 삼았고, 실제 AWS us-east-1 대규모 장애 대응에서는 3분 47초 만에 분석을 마쳤다(AWS 기술 블로그, 2026년 3월). Datadog 알림을 방아쇠로 즉시·단기·장기 조치를 자동 제시하고 Slack으로 공유하는 구조다. 야놀자도 Amazon Bedrock 기반 AIOps 에이전트로 평균 10분을 넘던 IDP 장애 대응 시간을 개선 대상으로 삼았다.

개괄적으로는 AIOps 도입 시 MTTR을 최대 40%가량 줄일 수 있다고 업계에 알려져 있으나, 이 수치는 시장조사기관 자료를 거쳐 재인용된 것인 만큼 자사 환경에서는 별도 검증이 필요하다. 요컨대 지금 신뢰할 수 있는 지표는 1차 당사자가 공개한 삼성계정의 3분 47초이고, "40%"류의 개괄치는 방향을 참고하는 선에서 받아들이는 편이 안전하다.

은행과 통신은 먼저 갈아탔다

삼성계정·야놀자가 클라우드 서비스 진영의 사례라면, 금융과 통신은 더 일찍 움직였다. 은행권은 조기 도입군이다. 우리은행은 2021년 말 AIOps를 구축한 뒤 2023년에는 예측을 넘어 자동 조치까지 확대하는 2단계로 나아갔고, 신한은행은 2023년 2월 AIOps를 고도화해 IT 인프라뿐 아니라 애플리케이션 모니터링까지 범위를 넓혔다. BNK경남은행은 2023년 7월까지 구축을 진행하며 방화벽 등 보안 솔루션과의 연계를 특징으로 삼았다. 이들 프로젝트를 수행한 솔루션 업체는 AI가 패턴과 추이를 학습하면 장애 원인 파악 시간을 기존 1~2시간에서 5~10분 수준으로 줄일 수 있다고 설명한다. 다만 이 수치는 벤더 측 발언인 만큼 도입 효과의 상한 기대치로 읽는 것이 맞다. 증권가에서도 LG CNS가 미래에셋증권의 AIOps 구축을 완수하며 금융권 AX(AI 전환) 시장의 주도권 경쟁이 부각됐다.

통신 3사도 각자의 방식으로 AIOps를 붙였다. SK텔레콤은 국내 통신사 최초로 유선망 운용에 AIOps를 접목한 뒤 이를 클라우드 대외 사업으로 확장하고 있고, KT는 네트워크 장애 대응에 AI를 적용해 전담 조직을 운영하면서 경보 데이터에 품질 지표를 더해 문제 구간 탐지를 앞당겼다. LG유플러스는 AI·자동화 기반 통합 보안관제로 이상 징후를 탐지한다. 클라우드 서비스, 금융, 통신에 걸쳐 사례가 쌓이면서, AIOps는 특정 산업의 실험이 아니라 장애 대응의 표준 인프라로 확산되고 있다고 볼 수 있다.

도입은 데이터부터: 단계로 접근한다

사례들이 공통으로 보여주는 것은 AIOps가 모델을 사는 일이 아니라 데이터를 정비하는 일에서 출발한다는 점이다. 순서를 정리하면 이렇다. 먼저 알림·로그·메트릭·트레이스를 한곳으로 모으는 관측성 파이프라인을 정비한다. 데이터가 정제돼야 이상탐지와 이벤트 상관분석의 정확도가 올라가기 때문이다. 그다음 이상탐지와 상관분석으로 노이즈 알림을 묶고, 근본원인분석으로 원인 후보를 좁힌다. 마지막 단계가 자동 조치다. 우리은행이 예측(2021년 구축) 이후 자동 조치(2023년 확대)로 단계를 밟은 것이나, 삼성계정이 수집·분석·조치를 분리된 에이전트로 구성한 것 모두 이 순서를 따른다. 처음부터 완전 자동 대응을 노리기보다, 데이터 정비와 탐지 정확도를 먼저 확보한 뒤 조치 자동화의 범위를 점진적으로 넓히는 편이 현실적이다.

운영자의 일이 '탐지'에서 '검증'으로

수치보다 중요한 변화는 운영자의 역할이다. 삼성계정 사례는 "운영 경험이 개인의 기억이 아니라 시스템의 지식으로 축적"되고, 운영자의 일이 자동화된 분석 결과를 검증하고 최종 의사결정하는 쪽으로 이동한다고 설명한다. 그만큼 AIOps를 운영하려면 IT 운영 지식 위에 데이터·모델을 다루는 역량이 얹혀야 한다. 일반적으로 AIOps 엔지니어에게는 ML/AI 프레임워크에 대한 이해, Python 등을 이용한 스크립팅·자동화, 그리고 SLI·SLO·error budget·관측성 같은 SRE(사이트 신뢰성 엔지니어링) 핵심 개념 숙지가 함께 요구된다.

대상 직무의 위치도 짚어 둘 필요가 있다. 인공지능서비스관리는 ITSQF(IT분야 역량체계)상 데이터베이스관리·NW엔지니어링·IT시스템관리 등과 함께 「시스템 구축 및 운영」 직종에 속하는 직무다. 다만 이 직무의 공식 능력단위 정의문은 이번 조사에서 확보하지 못했다. 따라서 AIOps 신규 역량이 이 직무의 능력단위에 어떻게 반영돼 있는지는 단정하지 않고, 여기서는 일반 AIOps 스킬셋과 사례가 보여주는 방향으로만 제시한다.

지금까지 몸값은 '평균'으로 매겨졌다

현행 민간용 SW사업 대가산정 가이드는 SW기술자 평균임금을 기준으로 단가를 책정한다. 이 평균임금은 2019년부터 ITSQF를 기반으로 시행돼 온 소프트웨어(SW)기술자 임금실태조사에서 나온다. 2025년 조사는 약 1,100개 기업·17개 직무·3만 7,436명을 대상으로 했고, ITSQF 기반의 직무 특성·역량을 기준으로 실지급 임금을 조사해 일 평균임금 41만 4,762원(전년 대비 4.7% 인상)을 집계했다.

이 수치는 곧바로 사업 대가로 이어진다. 2026년 적용 단가도 인상률 4.7%를 반영해 2026년 1월 1일부터 적용됐다. 가치기반 ITO 유지관리·운영비 기준으로 운영관리 서비스는 13만 2,221원, 개선관리 서비스는 82만 6,856원이다. 이 방식의 한계는 뚜렷하다. 같은 직무라면 개인의 역량 차이와 무관하게 비슷한 단가가 적용되는, 평균에 묶인 경직된 구조라는 점이다.

진단체계는 '역량'을 숫자로 바꾸려 한다

진단체계는 바로 이 지점을 겨냥한다. 기술자 개인·조직의 역량을 객관적 데이터로 진단해, 발주기관과 사업자가 그 데이터를 근거로 대가를 협상하도록 하는 것이 목표다(전자신문, 2025년 11월 보도). 평가는 네 영역으로 이뤄진다. 기초역량·기술역량·현장직무역량·추가역량의 4대 영역을 종합해 개인의 숙련 수준을 산출하는 구조다. 적용 대상은 응용SW개발·인공지능SW개발처럼 현장 수요가 높은 25개 핵심 직무다. "단순 평균임금 기반의 경직된 단가"에서 "객관적 역량 데이터에 근거한 합리적 협상"으로 옮겨가겠다는 것이 선언된 방향이다.

진단이 산출하는 숙련 수준은 대가뿐 아니라 직무의 '수준(레벨)'과도 맞닿는다. 이번 호 SW개발 직종 스포트라이트에서 짚었듯, ITSQF는 능력단위마다 수준을 부여하지만 "몇 수준에서 몇 수준으로 오르려면 무엇이 필요한가"를 규정한 승급 요건표는 공개돼 있지 않다. 개인의 역량을 데이터로 진단하는 이 체계가 그 '수준 판정'의 실무 도구 역할을 하게 될 것으로 보인다. 역량 진단이 대가 산정과 커리어 레벨 양쪽으로 이어지는 구조인 셈이다.

주의할 것은 진행 단계다. 진단체계는 학계와 현장 직무 전문가가 참여해 개발됐고, 현장 기술자를 대상으로 한 파일럿으로 적용 가능성을 검증했다. 다만 파일럿에 참여한 기업 목록이나 도입 전후의 성과 수치는 공개되지 않았다. 개발과 활용 가이드 발간은 마쳤지만, 보도 시점 기준으로는 파일럿 테스트를 마친 단계이며 공공 대가산정 가이드에 언제 정식 반영되는지 그 일정은 공개 자료상 확정되지 않았다. 4대 영역의 세부 배점이나 진단 결과가 대가로 환산되는 산식도 아직 공개되지 않았다. 지금 단계에서 분명한 것은 '방향'이지 '수식'이 아니다. "2026년부터 역량으로 단가가 매겨진다"고 단정하기에는 이르다.

경력·임금·역량이 하나의 축으로 묶인다

진단체계가 홀로 움직이는 것은 아니다. 뿌리에는 SW기술자 경력관리제도가 있다. 이 제도는 「소프트웨어기술자 경력 및 소프트웨어사업자 실적 관리 지침」이라는 행정규칙에 근거하며 상위법은 소프트웨어진흥법이다. 임의 서비스가 아니라 법령에 뿌리를 둔 공식 제도로, 2017년부터 기술자의 경력을 ITSQF 직무로 전환·관리해 왔다. 제도를 실제로 운영하는 것은 온라인 플랫폼인 SW기술자 경력관리시스템(career.sw.or.kr, KOSA 운영)이다. 기술자는 여기서 학력·자격·경력을 신고하고 경력증명서를 발급받는다(최초 등록 2만 5,000원, 연간 관리 5,000원, 증명서 발급 2,000원). 흔히 말하는 '경력 확인'은 별도 제도가 아니라 이 경력관리제도의 확인·증명 기능을 가리킨다. 여기에 2019년부터 ITSQF 기반으로 시행돼 온 임금실태조사가 임금 데이터를 보탠다. 진단체계는 이 경력관리시스템과 연계해 역량 기반 대가 산정을 표준으로 정착시킬 계획으로 명시돼 있다.

셋을 나란히 놓으면 그림이 또렷해진다. 경력관리제도는 '누가 무엇을 해왔나'(경력 데이터)를, 임금실태조사는 '시장이 얼마를 주나'(임금 데이터)를, 진단체계는 '지금 무엇을 할 수 있나'(역량 데이터)를 각각 담당한다. 세 데이터가 ITSQF 직무라는 공통 축 위에서 연결되면, 한 기술자의 경력·시장가치·현재 역량을 같은 좌표계에서 설명할 수 있게 된다. 여기에 대학 교육과정과 훈련과정을 SQF 기준으로 인정하는 별도 트랙(이번 호 교육 커리어 아티클에서 따로 다룬다)까지 놓고 보면, 교육·경력·임금·역량이 모두 ITSQF/SQF라는 하나의 축을 공유하는 셈이다. 다만 교육과정 인정과 진단체계를 직접 연계한다고 명시한 계획은 아직 없다.

대가 산정을 '데이터'로 옮기려는 흐름

대가 산정을 감(感)이 아니라 데이터·자동화로 옮기려는 시도는 진단체계 하나에 그치지 않는다. KOSA와 SK 주식회사 AX는 기능점수를 자동 산정하는 'AI FP Agent'도 개발하고 있다. 1차 개발에서 단위프로세스명 인식과 기능유형 식별을 완료했고, 2차로 제안요청서·과업지시서를 학습해 고도화할 계획이다. 공공 발주에서 반복돼 온 기능점수의 부실 산정과 비효율을 줄이는 것이 목적이다.

다만 이 도구가 직무수준 진단체계와 직접 연결된 것은 아니라는 점은 분명히 해둘 필요가 있다. 두 도구는 각각 별개로 소개됐고, "대가 산정을 데이터 기반으로 바꾼다"는 상위 목적을 공유할 뿐 서로를 참조하는 하나의 시스템으로 발표된 바는 없다. 그럼에도 같은 방향의 두 움직임이 비슷한 시기에 나온 것은, 대가 산정의 기준이 '평균'과 '관행'에서 '데이터'로 이동하고 있음을 보여준다.

기업은 이미 직무로 평가하기 시작했다

제도가 대가 쪽을 겨냥한다면, 기업 인사에서는 직무 중심 평가가 이미 낯설지 않다. kt ds는 11개 직군·48개 직무를 기반으로 한 직무 중심 인사·성장 체계를 운영한다. 직무별로 기본역량에서 전문역량, 사내전문가, 핵심역량으로 이어지는 성장 경로가 설계돼 있다. 이 회사는 일찍부터 ITSQF를 인사에 끌어들인 초기 사례이기도 하다. 2018년 보도에 따르면 kt ds는 전년도에 세 개 직무에 ITSQF를 도입한 뒤 그해 대상 직무를 다섯 개 추가하며 단계적으로 확대했다.

다만 현행 kt ds의 48개 직무가 ITSQF 38개 직무와 정확히 어떻게 대응하는지는 공개 자료로 확인되지 않는다. "ITSQF를 도입·활용했다"까지는 사실이지만, 두 직무 체계의 1:1 매핑을 단정할 근거는 없다.

기업이 이런 표준 직무 체계를 인사에 끌어들이는 이유는 분명하다. 학력이나 모호한 경력 위주의 채용에서 벗어나 표준화된 ITSQF를 채용·인사평가에 활용하면, 구인·구직 과정의 탐색 비용을 줄이고 조직의 역량 구성을 더 정확히 파악할 수 있기 때문이다. 이 사례가 시사하는 바도 여기에 있다. 표준화된 직무 축으로 사람을 평가하고 성장시키는 방식이, 협회의 제도 실험에 앞서 이미 현장에서 작동하고 있다는 점이다.

데이터: 평균의 세 배로 오른 세 직무

먼저 숫자를 보자. KOSA 「2025년 SW기술자 임금실태조사」(2025년 12월 23일 공개, 2026년 적용)에 따르면, 17개 직무 중 임금 상승률 1~3위는 IT품질관리 14.5%, IT테스트 14.1%, IT감리 14.0%였다. 그 뒤를 IT컨설턴트 10.9%, IT PM 10.8%, 데이터분석가 10.2%가 이었다. 전체 평균 상승률이 4.7%(일 평균임금 41만 4,762원)였으니, 품질·테스트·감리 계열은 평균의 약 세 배로 오른 셈이다. 이 조사는 약 1,100개 SW기업의 상시근로자 3만 7,436명을 대상으로 2025년 9~10월에 이뤄졌으며, ITSQF(IT분야 역량체계) 직무 체계를 기준으로 실지급 임금을 집계했다.

여기서 오해를 하나 걷어내야 한다. KOSA가 밝힌 상승 배경은 "AI 때문"이 아니다. KOSA는 클라우드 기반 시스템 확산과 IT 환경의 복잡성 증가로 품질·안정성·리스크 관리 역량의 중요성이 커진 점, 그리고 공공 정보화 사업의 초점이 신규 구축에서 고도화·안정적 운영으로 이동하면서 기획·품질·감리의 비중이 확대된 점을 배경으로 들었다. 이 글이 말하려는 것은 "AI가 품질 임금을 올렸다"는 직접 인과가 아니라, AI 확산이 시스템의 복잡성을 키우고 그 결과 검증 수요가 함께 커지는 간접적 연결이다. 데이터가 가리키는 방향과 앵글을 혼동하지 않는 편이 정확하다.

직종 해부: 4개 직무는 어디서 갈리나

ITSQF의 IT품질관리 직종은 IT품질관리, IT테스트, IT감리, IT감사* 네 개 직무로 구성된다. 이름이 비슷해 뭉뚱그려지기 쉽지만, 무게중심이 서로 다르다.

IT품질관리는 품질 정책과 표준 프로세스를 세우고 품질경영시스템을 구축·운영하는, 이른바 품질 보증(QA)의 영역이다. 개별 결함을 잡는 일보다 "결함이 덜 나오는 체계"를 설계하고 개선하는 프로세스·표준 차원의 활동이 중심이다. IT테스트는 그 체계 안에서 실제로 결함을 찾아내는 검증(testing) 실행에 가깝다. 테스트 계획과 요구사항 분석, 설계, 자동화, 완료 판정으로 이어지는 흐름이 여기에 속한다. 둘은 QA(품질관리)와 testing(테스트)의 고전적 구분을 그대로 따른다고 이해하면 된다. (NCS 능력단위의 세부 명칭은 조회 시점·경로에 따라 표기가 조금씩 다를 수 있어, 여기서는 직무의 취지 수준으로만 옮긴다.)

IT감리는 성격이 다르다. 앞의 두 직무가 개발 조직 '내부'의 품질 활동이라면, 감리는 독립된 제3자가 정보화사업의 품질·일정·비용·보안 등을 '외부'에서 객관적으로 점검·평가하는 제도적 활동이다. 같은 품질이라도 내부 관점이 아니라 외부·독립의 관점에서 본다는 점이 핵심 차이다. 마지막으로 IT감사* 는 ITSQF 원문에서 "미개발이거나 별도로 구분된 직무 단위"로 표기된 직무다. 즉 직무 정의가 아직 확정적으로 정비되지 않은 상태이므로, 이 글에서도 감리와의 경계를 단정하기보다 "별도 구분 상태"라는 사실만 병기해 둔다.

AI 시스템의 품질 검증은 왜 다른가

품질 직무의 무게가 커지는 진짜 이유는 검증 대상이 어려워졌기 때문이다. 전통적인 SW 테스트는 "입력 X를 넣으면 기대 출력 Y가 나온다"가 결정적이라, 통과와 실패를 명확히 판정할 수 있었다. 그러나 LLM(대규모 언어모델) 기반 시스템은 같은 입력에도 다른 응답을 내놓는 비결정적 출력에다, 정답이 하나로 떨어지지 않는 주관적·다차원적 특성을 가진다. 정답 하나와 대조하는 방식으로는 품질을 판정하기 어렵고, "앱을 만드는 것보다 테스트가 더 어렵다"는 지적까지 나온다.

그래서 등장한 것이 전용 평가 체계인 evals다. 모델링 단계에서는 자동화된 벤치마크를 쓰고, 엔드투엔드 시스템에서는 자동 평가와 사람의 수동 검증을 섞으며, 주요 릴리스에는 최종적으로 사람이 직접 검증하는 방식이 권장된다. 표준 벤치마크로는 MMLU·HellaSwag·TruthfulQA·ARC 등이, 한국어권에서는 Open-Ko-LLM 리더보드가 쓰인다. 대규모 자동 평가를 위해 다른 LLM을 평가자로 세우는 'LLM-as-Judge'도 확산됐는데, 위치 편향이나 자기 편향을 막기 위해 순서를 바꿔 두 번 평가하거나 평가 대상과 다른 모델을 평가자로 쓰는 보정이 필요하다.

이 변화가 품질 직무에 던지는 함의는 분명하다. IT품질관리와 IT테스트는 "결정적 통과/실패 판정"에서 "통계적·확률적 품질 판정과 평가 데이터셋 설계"로 역량을 넓혀야 한다. AI가 이 직무를 대체하는 것이 아니라, 검증해야 할 대상이 훨씬 까다로워지면서 직무의 난도와 몸값이 함께 오르는 구조다.

감리 제도와 AI 사업 점검의 제도화

공공 영역에서는 품질을 외부에서 검증하는 감리 제도가 오래 자리 잡아 왔다. 정보시스템 감리는 일정 규모 이상의 공공 정보화사업에 의무이며, 근거 규정인 「정보시스템 감리기준」은 행정안전부고시 제2024-53호로 2024년 6월 27일 시행(일부개정)됐다. 운영 측면에서는 한국지능정보사회진흥원(NIA)이 감리 자료와 감리대가 산정계산기를 제공하고, 정보시스템감리협회(KAISA)가 감리원 양성·계속교육을 맡는다. 감리사 자격은 기사/산업기사 취득과 실무경력 등의 요건에 필기·면접시험 합격, 감리교육 이수를 더해 부여된다.

AI 사업에 대해서는 어떨까. AI 사업 전용 감리기준의 개정을 못박는 1차 문서는 아직 확인되지 않는다. 다만 인접한 제도가 빠르게 정비되고 있다. 행정안전부는 공공부문 AI 도입 '예방점검'을 2025년 권고에서 2026년 의무화하는 일정을 추진하고 있고, 디지털플랫폼정부위원회는 2025년 4월 도입 원칙·윤리 기준·절차·체크리스트를 담은 공공부문 AI 도입 가이드라인을 공개했다. 인공지능기본법도 2026년 1월 시행돼 하위법령 정비가 이어지고 있다. 정리하면, "AI 사업의 품질과 위험을 사전에 점검하는 체계"가 기존 감리와는 별개 트랙으로 제도화되는 중이라고 보는 편이 정확하다. 감리 직무 입장에서는 검증해야 할 사업의 종류가 늘어나는 흐름이다.

자격과 커리어 패스: 입문에서 AI 테스팅까지

IT테스트 직무의 커리어 경로는 자격 체계에 비교적 또렷하게 그려져 있다. 글로벌 표준인 ISTQB는 누적 88만 명 이상이 인증을 취득한 대표 자격으로, 입문 단계인 Foundation Level(CTFL)이 다른 모든 인증의 전제조건이다. 상위·전문 인증으로는 테스트 자동화 엔지니어(CT-TAE)와 ISTQB 최초의 AI 테스팅 인증인 CT-AI 등이 있다. 국내에서는 2005년 설립된 KSTQB가 공식 인증 위원회로 시험을 운영한다.

주목할 만한 신설 자격도 있다. KSTQB는 생성형 AI 활용 테스팅(GenAIT) 인증을 운영하는데(등록 민간자격 2025-004539), Foundation 레벨이라 전제조건이 없고 40문항·60분·65% 합격 기준에 응시료는 88,000원이다. GenAIT와 ISTQB CTFL을 함께 보유하면 Add-on 시험으로 국제 인증 CT-GenAI로 연계할 수 있다. CTFL(입문)에서 CT-TAE(자동화), CT-AI·GenAIT(AI 테스팅)로 이어지는 경로는, IT테스트 직무가 "수동 테스트 실행자"에서 "자동화·AI 테스팅 설계자"로 옮겨 가는 표준 궤도를 자격 제도가 그대로 보여 준다는 점에서 의미가 있다.

도구 지형: AI가 테스트를 만들고, AI를 AI로 검증한다

도구 쪽에서는 두 방향의 변화가 겹친다. 테스트 자동화는 Selenium 같은 오픈소스와 상용 도구로 오래 정착돼 있고, ISTQB CT-TAE가 특정 도구에 얽매이지 않는 자동화 엔지니어링 원칙을 다룬다. 여기에 더해 최근에는 테스트케이스를 프롬프트로 기술해 실행하는 LLM 기반 QA 자동화(예: Cursor와 Playwright 조합)나, 에이전트·AI 시스템을 평가하는 전용 도구(Eval for Agents, Google Stax 등)가 부상하고 있다. "AI가 테스트를 생성·실행하고, 그렇게 만들어진 AI 시스템을 다시 AI로 평가"하는 이중 구조가 형성되는 셈이다. ISTQB도 숙련·인증된 자동화 테스터 수요가 최근 몇 년간 크게 늘었다고 밝혀, 자동화 역량이 테스트 직무의 핵심 경쟁력이 됐음을 뒷받침한다. 다만 "국내 기업 몇 %가 이런 도구를 도입했는가"를 보여 주는 정량 통계는 아직 확인되지 않으므로, 도입률을 특정 수치로 단정하기는 이르다.

그래서 AI는 이 직종을 대체하는가

종합하면, IT품질관리 직종은 AI 앞에서 대체되기보다 확장되는 자리에 있다. 검증 대상이 비결정적이고 다차원적인 AI 시스템으로 넓어지면서 품질 판정은 더 어려워졌고, 그만큼 프로세스 설계(품질관리)·결함 검증(테스트)·외부 독립 점검(감리)의 값어치가 커졌다. 임금 데이터가 보여 준 것은 "AI가 품질 임금을 올렸다"가 아니라, 시스템이 복잡해질수록 그것을 믿을 수 있게 만드는 역할의 무게가 먼저 오른다는 점이다.

위협은 얼마나, 어느 쪽으로 커졌나

한국인터넷진흥원(KISA) 통계를 보면 침해사고 신고 건수의 증가세가 뚜렷하다. 2023년 1,277건이던 신고는 2024년 1,887건으로 전년 대비 약 48% 늘었고, 2025년에는 2,383건으로 다시 26.3% 증가했다(과학기술정보통신부·KISA 2026년 1월 발표 기준). 2025년 상반기만 놓고 보면 1,034건으로, 전년 동기(899건)보다 약 15% 많았고 사고는 하반기에 더 집중됐다.

유형과 대상을 보면 표적이 어디로 향하는지 드러난다. 2024년 기준 서버 해킹 신고가 553건으로 가장 많았고, 업종별로는 정보통신업이 601건으로 최다였다. 랜섬웨어는 방향이 한 번 꺾였다. 2024년에는 195건으로 전년 대비 약 24% 감소했으나, 2025년에는 274건(전체 신고의 11.5%)으로 다시 늘어 감소 뒤 재증가 흐름을 보였다. 주목할 지점은 피해가 몰리는 곳이다. 2024년 랜섬웨어 피해의 약 94%가 중견·중소기업에 집중됐다. 보안 인력과 예산이 상대적으로 얇은 조직부터 노린다는 뜻이다.

생성형 AI가 그린 새 위협 지도: OWASP LLM Top 10 2025

전통적 위협이 커지는 사이, LLM(대규모 언어모델) 기반 서비스는 완전히 새로운 위협 범주를 만들어냈다. 이 지형을 표준 좌표로 정리한 것이 OWASP GenAI Security Project가 내놓은 OWASP Top 10 for LLM Applications 2025다. 10개 항목의 원문 코드·명칭은 다음과 같다.

• LLM01:2025 Prompt Injection (프롬프트 인젝션)
• LLM02:2025 Sensitive Information Disclosure (민감정보 노출)
• LLM03:2025 Supply Chain (공급망)
• LLM04:2025 Data and Model Poisoning (데이터·모델 오염)
• LLM05:2025 Improper Output Handling (부적절한 출력 처리)
• LLM06:2025 Excessive Agency (과도한 권한 위임)
• LLM07:2025 System Prompt Leakage (시스템 프롬프트 유출 — 신규)
• LLM08:2025 Vector and Embedding Weaknesses (벡터·임베딩 취약점 — 신규)
• LLM09:2025 Misinformation (허위정보)
• LLM10:2025 Unbounded Consumption (무제한 리소스 소비)

2025판에서는 System Prompt Leakage와 Vector and Embedding Weaknesses가 신규 편입됐고, 여러 항목이 개명·확장됐다. RAG(검색증강생성, 외부 지식을 검색해 답변에 붙이는 방식)가 확산되면서 벡터·임베딩 계층이 별도 취약점 범주로 자리 잡았다. 1위는 프롬프트 인젝션이다. 사용자 입력이나 외부 문서에 숨긴 지시로 모델의 행동을 조작하는 이 공격은 2년 연속 최상위 위험으로 선정됐고, 2025판에서 직접(direct)·간접(indirect) 인젝션을 모두 포함하도록 정의가 확장됐다.

시연이 아니라 사고다: 실제 사례

새 위협은 이론에 머물지 않는다. 보안 연구그룹 'Embrace the Red'는 GitHub Copilot Chat을 대상으로, 소스코드 주석에 숨긴 악성 프롬프트가 개발 환경의 민감 정보를 외부로 유출시키는 간접 프롬프트 인젝션을 시연했다. 개발자가 신뢰하고 열어본 코드가 그대로 공격 벡터가 되는 구조다.

규모의 신호도 나왔다. 취약점 신고 플랫폼 HackerOne이 2026년 3월 발표한 데이터에 따르면, 검증된 프롬프트 인젝션 취약점은 전년 대비 540% 급증했다.

국내에서도 AI 서비스발(發) 데이터 노출이 현실이 됐다. 2025년 12월 2일 LG유플러스의 AI 통화 앱 '익시오'에서 이용자 36명의 통화 정보가 다른 이용자 101명에게 노출되는 사고가 발생했다. 다만 원인은 프롬프트 인젝션 같은 AI 고유 공격이 아니라 서버 최적화 과정의 캐시 설정 오류였다. 이 구분이 실무에서 중요하다. AI 서비스를 운영한다는 것은 새 공격 표면(LLM 계층)뿐 아니라, AI를 얹은 애플리케이션·인프라의 전통적 운영 보안까지 함께 관리해야 한다는 뜻이기 때문이다.

정부·KISA가 내놓은 지도: 정책의 근거

방어 체계를 세울 때 참조할 공식 발행물도 2025년 들어 여럿 나왔다. 정보보호관리 담당자가 사내 정책의 근거로 삼을 수 있는 1차 문서들이다.

• 생성형 인공지능(AI) 개발·활용을 위한 개인정보 처리 안내서(KISA, 2025년 8월): 생성형 AI를 개발·활용하며 개인정보를 처리하는 기업·기관을 위한 안내서로, AI 수명주기 단계별 개인정보 보호 검토사항을 제시한다.
• 인공지능(AI) 보안 안내서(과기정통부·KISA, 2025년 12월 발표): AI 모델 개발자·서비스 제공자·이용자가 외부 위협을 예방·대응하도록 안내한다. 모델 개발 단계에서는 위험 관리·데이터 암호화·실시간 모니터링을 아우르는 'AI 보안 내재화(Secure by Coding)'를, 서비스 제공 단계에서는 이상행위 탐지·API 보안·백업시스템 등 복원력 요구사항을 담았다.
• 생성형 AI 사용 관련 주의 보안권고(KISA 보호나라): 생성형 AI 사용 시 조직이 유의할 사항을 권고한다.

세 발행물 모두 개발-서비스-이용으로 이어지는 수명주기 관점을 공유한다. 위협 점검도 특정 시점이 아니라 수명주기 전 구간에서 반복돼야 한다는 뜻이다.

방어도 자동화된다: AI 기반 관제와 대응

공격만 진화하는 것은 아니다. AI와 SOAR(보안 오케스트레이션·자동화·대응)의 결합으로 SOC(보안운영센터) 운영 방식이 바뀌고 있다. 사람이 로그를 분석·대응하던 구조에서, 자동화가 정형 절차를 수행하고 분석가는 전략적 판단과 고도 위협에 집중하는 구조로의 전환이다. 업계에서는 '자율형 보안운영센터(Autonomous SOC)' 개념이 2026년 본격화할 것으로 전망한다.

국내 성과 사례도 나왔다. 안랩은 머신러닝 기반 SOAR 플랫폼 '세피니티 에어(Sefinity AIR)'로 반복 대응 절차를 플레이북화하고 정탐·오탐을 자동 구분해, K사 사례에서 대응 시간을 10분 단축했다(안랩 자체 사례). 시큐레이어는 하루 평균 400GB 이상의 보안 로그를 다루던 공공기관 A에 SOAR를 도입해 탐지·분석·대응을 자동화했다. 다만 도입은 아직 초기 단계로 보인다. 보안뉴스의 2025년 SOAR 리포트 설문에서 'SOAR 도입·운영'이라 답한 비율은 10.3%에 그쳤고, '보안관제 전문기업 서비스'가 33.1%로 가장 많았다. 자동화의 방향은 뚜렷하나 내재화율은 아직 낮은 만큼, 보안사고대응 직무에는 지금이 플레이북 설계 역량을 선점할 시기로 보인다.

컴플라이언스도 움직인다: ISMS-P와 'ISMS-AI'

제도도 AI에 반응하고 있다. ISMS-P 인증서 발급은 누적 약 1,208건(2025년 신규 82건) 수준이다. KISA는 2025년 7~8월 'AI 서비스 기업이 고려해야 할 보안 요구사항'과 AI 서비스 기업용 정보보호·개인정보보호 관리체계 고려사항을 발표했다. 나아가 과기정통부·개인정보위는 ISMS-P 인증의 실효성 강화를 추진하며, 공공·민간 주요 개인정보처리시스템에 인증 의무화와 강화된 기준 적용을 위한 관련 고시를 2026년 1분기 중 개정한 뒤 단계적으로 시행할 예정이다. 업계에서는 AI에 특화한 관리체계인 'ISMS-AI' 도입 필요성 논의도 제기되고 있다. 인증 대응을 담당하는 정보보호관리 직무라면 고시 개정 일정을 지금부터 추적할 필요가 있다.

직무가 다시 정의된다: 대응자에서 감독자로

이 모든 변화의 부담은 결국 사람에게 온다. 국내 보안 인력은 전체 약 6만 명 중 실무인력이 약 2.4만 명 수준으로 수급 불균형이 이어지고 있고(2025년 정보보호 산업인력현황 조사·분석 보고서 기준), 전 세계적으로도 보안 전문인력이 약 470만 명 부족한 것으로 집계된다. 인력이 부족한 만큼 자동화와 AI 활용은 선택이 아니라 필수에 가까워진다.

역할의 성격도 바뀐다. 진단들은 미래 보안 운영이 '인간-AI 공생' 구조로 이동하며, SOC 애널리스트의 역할이 '경보를 처리하는 사람'에서 'AI를 감독하는 사람'으로 전환할 것으로 본다. 정보보호관리·보안사고대응 직무에는 AI 거버넌스, 프롬프트 엔지니어링, 데이터 과학 같은 새로운 역량이 요구 항목으로 추가될 가능성이 크다.

AI 플랫폼의 해부도: 데이터-모델-운영 세 층

프로덕션 AI 플랫폼은 대체로 다섯 개의 축으로 정리된다. Databricks를 비롯한 벤더·클라우드 문서가 공통으로 꼽는 구성은 ①실험 추적(experiment tracking) ②모델 버저닝과 모델 레지스트리 ③ML 파이프라인·워크플로 오케스트레이션 ④모델 배포·서빙(실시간 저지연과 배치, A/B·카나리 포함) ⑤모니터링·관측성(observability)이다. 이 다섯 축은 결국 데이터-모델-운영이라는 세 층 위에 얹힌다.

데이터 층이 가장 아래다. 원천 데이터(DB·API·이벤트·로그)를 데이터 레이크(S3·GCS)나 웨어하우스(Snowflake·BigQuery)에 적재하고 Fivetran·Airbyte·Kafka·Kinesis·dbt 같은 도구로 변환한다. 이 층에서 아키텍트가 놓치기 쉬운 결정이 피처 스토어(feature store)다. 피처 스토어는 피처의 계산·저장을 한곳에 모아, 모델을 학습시킬 때 쓴 변환과 실제 추론할 때 쓰는 변환을 일치시킨다. 이 둘이 어긋나면 학습 때는 좋던 모델이 서비스에서 엉뚱한 값을 내놓는 이른바 'training-serving skew'가 생긴다. 즉 피처 스토어는 편의 도구가 아니라 데이터 층과 모델 층을 이어 붙이는 이음매다.

모델·운영 층에서는 최근 지형이 넓어졌다. 2025~2026년 들어 벡터 스토어(Pinecone·Milvus·Weaviate·Qdrant)와 프롬프트·버전 관리 같은 LLM·RAG 전용 도구가 주류 MLOps 스택에 편입됐다. 관측성은 Prometheus로 메트릭을 모으고 Grafana로 시각화하는 조합이 일반적이며, CPU·메모리·GPU 같은 인프라 지표부터 추론 지연·학습 진행·배치 처리량 같은 ML 지표까지 한 화면에 포괄한다. 단일 클라우드에 집중 투자한 조직이라면 네이티브 MLOps 플랫폼(AWS SageMaker·Azure ML·GCP Vertex AI)이 데이터 인프라와의 통합성 면에서 유리하다는 것이 클라우드 3사 문서의 공통된 안내다.

결정 지점 ①: 빌드냐 바이냐

첫 갈림길은 플랫폼을 직접 구축(빌드)할 것인가, 사전 구축된 것을 사서(바이) 쓸 것인가다. 판단 기준은 의외로 단순하게 정리된다. AI가 사업의 핵심이자 전략적 차별화 요소라면 빌드가, 출시 속도가 더 중요하고 AI가 비핵심 기능이라면 바이가 유리하다는 것이다.

TechTarget이 인용한 Omdia의 2025년 조사(기술·비즈니스 이해관계자 376명)를 보면 이 긴장이 잘 드러난다. 응답자의 95%는 "직접 구축이 더 큰 커스터마이징과 통제를 제공한다"는 데 동의했지만, 동시에 91%는 "사전 구축 플랫폼의 속도와 이점"도 인정했다. 통제와 속도라는 두 가치를 놓고 저울질하는 셈이다. 아키텍트의 실무 판단은 대개 이 양극단이 아니라, 어느 계층은 사서 쓰고(예: 관리형 벡터 스토어) 어느 계층은 직접 짜는(예: 사내 피처 파이프라인) 혼합 지점을 찾는 데 있다.

결정 지점 ②: 클라우드냐 온프레미스냐

두 번째 갈림길은 비용 구조가 정면으로 갈리는 지점이다. 업계 분석에 따르면 클라우드 기반 AI 호스팅은 100만 토큰당 약 0.5~4달러 수준으로, 초기 투자가 적고 탄력적으로 확장된다. 반면 온프레미스 LLM은 초기 GPU 투자만 5만~50만 달러 이상이 들지만, 규모가 커지면 추론당 비용이 40~60% 낮고 3년 이상 지속 사용 시 클라우드 대비 총비용을 30~50% 아낄 수 있다는 추정이 있다.

선택 기준도 비교적 뚜렷하다. 프론티어급 추론이 필요하거나, 트래픽이 급변·불규칙하거나, 사용량이 월 수십억 토큰에 못 미치면 관리형 LLM API가 유리하다 — 업계 분석은 엔터프라이즈 AI의 약 80%가 여기에 해당한다고 본다. 반대로 엄격한 데이터 프라이버시·규제 준수, 저지연, 외부망과 분리된 에어갭 환경이 요구되면 온프레미스가 답이 된다. 국내 규제 산업(금융·공공·의료)의 아키텍트라면 이 기준선이 곧 설계의 출발점이 되는 경우가 많다.

결정 지점 ③: 레거시 위에 얹기 — 스트랭글러 무화과 패턴

세 번째 갈림길은 현실에서 가장 자주 마주친다. 백지 위가 아니라, 이미 돌아가는 레거시 시스템 위에 AI 기능을 얹어야 하는 상황이다. 여기서 표준으로 거론되는 것이 마틴 파울러가 정립한 스트랭글러 무화과 패턴(Strangler Fig Pattern)이다. 기존 시스템 옆에 신규 시스템을 두고 라우팅 계층을 통해 기능을 하나씩 이관하며 레거시를 단계적으로 폐기하는 방식으로, 전체를 한 번에 다시 짜는 '빅뱅 재작성'의 위험을 피하고 무중단으로 전환한다. 핵심 구성요소는 점진적 마이그레이션, 전이 아키텍처(transitional architecture), 그리고 이관을 돕는 지능형 자동화다.

이 전환이 '선택'에서 '생존 전략'으로 격상된 배경에는 기술부채가 있다. Salfati Group(2025)은 기술부채가 기술 자산 가치의 20~40%에 이르고 IT 예산의 70%가 노후 인프라 유지에 소진된다고 추정했다. 반대로 McKinsey의 2024~2025년 현대화 프로그램 분석(2026년 인용 기준)은 레거시를 클라우드로 옮긴 뒤 인프라 비용이 30~50% 줄고, 개발 사이클이 20~30% 개선되며, 릴리스 주기가 40~60% 빨라지고, 보안 침해 위험이 약 절반으로 낮아졌다고 보고했다. 다만 이 수치들은 모두 2차 인용이므로, 자사 사업계획서에 옮길 때는 출처를 함께 명시하는 편이 안전하다.

이 설계는 누구의 일인가: ITSQF 아키텍처 직무와 대가

ITSQF(IT분야 역량체계)에서 IT아키텍처 직종은 SW아키텍처·인프라스트럭처아키텍처·데이터아키텍처·빅데이터아키텍처·인공지능아키텍처 5개 직무로 구성된다. ITSQF는 직무를 "업무수행에 필요한 지식·기술이 유사하여 수직적 경력이동이 일반적으로 이뤄지는 업무의 집합"으로 정의하며, NCS(국가직무능력표준)를 토대로 표준화했다. 실무에서는 대체로 데이터아키텍처를 전사 데이터 모델·거버넌스·표준, 빅데이터아키텍처를 대용량 분산 처리·파이프라인·레이크하우스 설계, 인공지능아키텍처를 모델 학습·서빙·MLOps 플랫폼 설계로 나눠 이해한다. 다만 이 세부 구분은 통용되는 실무적 이해일 뿐, 세 직무의 NCS 능력단위 경계를 공식 정의로 못박으려면 원문 대조가 별도로 필요하다. 여기서는 참고 수준으로만 둔다.

경계가 흐릿하다는 사실 자체가 이 글의 논지다. 앞서 본 세 갈래의 결정은 어느 한 직무가 독점하지 않는다. 데이터 층의 피처 스토어 설계는 데이터·빅데이터 아키텍처의 몫이지만, 클라우드냐 온프레미스냐는 인프라스트럭처아키텍처의 판단에 가깝고, 빌드냐 바이냐와 레거시 이관 전략은 SW아키텍처가 전체 그림을 쥐고 조율해야 하는 문제다. 대가 측면에서도 아키텍트 직무의 무게는 가볍지 않다. 한국인공지능·소프트웨어산업협회(KOSA)의 2025년 소프트웨어(SW)기술자 임금실태조사(2026년 적용)에서 IT아키텍트 직무의 일 평균임금은 54만 1,621원으로 SW기술자 직무군 중 최상위권에 올라 있다. 이 범주에는 SW·데이터·인프라스트럭처 아키텍트가 함께 묶인다.

RAG 파이프라인의 뼈대: 어디서 품질이 결정되는가

RAG 품질은 모델 하나가 아니라 파이프라인 전체에 달려 있다. 표준 구성은 적재(ingestion) → 청킹(chunking) → 임베딩(embeddings) → 인덱싱(indexing) → 검색(retrieval) → 재순위화(reranking) → 컨텍스트 구성 → 생성(generation)의 순서다. 여기서 실무적으로 중요한 사실은, 가장 빠른 개선 효과가 뒤쪽의 값비싼 모델 교체가 아니라 앞쪽 단계(청크 크기·오버랩, 메타데이터 필터링, 재순위화)에서 나온다는 점이다. "나쁜 청킹은 강력한 임베딩과 하이브리드 검색, 값비싼 재순위화기로도 실패를 보장한다"는 말이 나올 만큼, 초반 설계가 뒤 단계의 상한을 정한다.

즉 RAG를 개선할 때는 모델부터 바꾸지 말고 파이프라인 앞단부터 점검하는 순서가 비용 대비 효과가 크다. 각 단계를 독립적으로 측정·교체할 수 있게 설계해 두는 것이 딥다이브의 출발점이다.

청킹과 임베딩: 가장 먼저 손볼 곳

청킹의 핵심 트레이드오프는 정밀도와 문맥 완결성이다(2025년 기준). 청크를 작게(100~256토큰) 자르면 검색 정밀도가 오르지만 문맥이 잘리고, 크게(1024토큰 이상) 잡으면 문맥은 살지만 노이즈가 섞인다. 고정 길이로 자르는 방식 대신 의미 단위로 나누는 의미론적(semantic) 청킹, 문서 구조에 맞춰 조정하는 적응형(adaptive) 청킹, 문장을 독립 명제로 재구성하는 명제 기반(proposition-based) 청킹이 확산됐다.

임베딩 단계에서는 범용 모델보다 도메인 특화 임베딩이 산업별 검색에서 12~30% 우수하다는 벤치마크가 있다(2025년 1분기 기준). 검색은 벡터 유사도와 키워드를 함께 쓰는 하이브리드 검색이 엔터프라이즈 모범 사례로 꼽히며, 검색기가 후보를 넓게 찾은 뒤 재순위화기(reranker, 후보를 다시 정렬해 노이즈를 걸러내는 모델)가 상위 결과를 다듬는 2단계 구성이 표준에 가깝다.

벡터 DB 선택: 관리형이냐 자체호스팅이냐

벡터 DB 선택은 데이터베이스관리 직무의 핵심 판단이 됐다. 선택지는 성격이 뚜렷하게 갈린다. Pinecone은 완전관리형으로 운영 부담이 없고 규모에서 빠르지만 비용이 가파르게 오른다. Qdrant는 오픈소스(Rust)로 100만 벡터를 약 100MB의 단일 컨테이너로 돌릴 만큼 성능·비용 균형이 좋고 필터링·메타데이터에 강하다. Weaviate는 하이브리드 검색·멀티모달이 내장됐으나 스키마 모델이 복잡해 학습곡선이 가파르다. Milvus는 수십억 규모 검색에 적합하지만 여러 부속 서비스가 필요해 운영 부담이 크다. pgvector는 이미 Postgres를 운영 중이고 벡터가 1천만 개 미만인 팀에 별도 인프라 없이 최저 마찰로 붙는다.

통용되는 프레임워크는 "관리형으로 빠르게 시작하고, 규모(5천만~1억 벡터 또는 월 500달러 이상 비용)에 이르면 자체호스팅으로 비용을 최적화한다"는 것이다. 벡터 DB에 절대적 정답은 없으며, 판단 축은 규모·팀 크기·운영 역량·비용이다. 이 결정이 사실상 관리형 대 자체호스팅의 선택이라는 점에서, 데이터베이스관리 직무의 전통적 판단(운영 부담과 비용의 균형)이 그대로 적용된다.

LLMOps는 MLOps와 무엇이 다른가

파이프라인을 만들었다면 그다음은 운영, 즉 LLMOps다. MLOps가 학습 파이프라인과 모델 가중치에 집중한다면, LLMOps는 프롬프트 관리, RAG 파이프라인 오케스트레이션, 벡터 스토어 유지관리, 추론 비용 통제, 출력 품질 모니터링에 무게가 실린다. 차이는 네 지점에서 두드러진다. 평가는 정답이 명확한 결정론적 테스트를 넘어, 출력이 자연어라 정답이 주관적·문맥 의존적인 의미론적 평가가 필요하다. 가드레일은 부적절하거나 정책을 위반하는 출력을 사용자에게 닿기 전에 가로채는 런타임 장치다. 프롬프트는 코드처럼 버저닝·테스트하되 품질이 확률적이라는 점을 감안해야 한다. 비용은 LLMOps에서 1급 지표로, 하드 토큰 임계값·재귀 행동 서킷 브레이커·컨텍스트 조립 최적화로 관리한다.

성숙도 면에서 MLOps는 거버넌스가 이미 기본 요건이 됐지만(2025년 데이터과학·ML 플랫폼 평가에 거버넌스·GenAI 통합이 편입됐다), LLMOps는 아직 거버넌스 이전 단계로 평가된다. 표준이 굳지 않은 만큼 팀이 자체 기준을 세워야 하는 영역이라는 뜻이다.

평가 없이는 운영도 없다

LLM 출력에는 정답표가 없기 때문에, 평가 체계가 곧 운영의 신뢰성을 결정한다. 2025년 대부분의 AI 기업이 채택한 표준은 LLM-as-a-Judge다. 더 강한 모델로 다른 모델(또는 같은 모델의 다른 출력)을 평가하는 방식으로, GPT-4 판정은 인간 전문가와 약 80% 일치하면서 인간 주석 대비 평가당 약 500배 저렴하다는 보고가 있다(2025년 기준). 도구로는 RAG 전용 오픈소스 평가 프레임워크 RAGAS, 사고 흐름을 따라 연속 점수를 내는 G-Eval, DeepEval 등이 쓰인다.

프로덕션 RAG에서는 정답 데이터가 없어도 되는 참조 없는(reference-free) 평가로 시작하는 편이 현실적이며, 오프라인 테스트와 사람 판단, 프로덕션 텔레메트리(실사용 로그·피드백)를 결합한 다층 평가가 견고하다. 평가를 배포 뒤에 붙이는 것이 아니라, 파이프라인 각 단계를 측정할 수 있게 만든 뒤 그 지표로 개선 순서를 정하는 것이 순서다.

데이터 파이프라인이 만나는 지점

RAG·LLM 데이터 준비는 빅데이터엔지니어링 직무의 역량과 정면으로 만난다. LLM용 데이터 파이프라인은 계단식(cascading) 설계를 쓴다. 먼저 길이·반복 같은 값싼 규칙 기반 휴리스틱을 페타바이트급 원시 데이터에 적용하고, 다음으로 MinHash/LSH 같은 근사 중복 탐지로 걸러낸 뒤, 마지막에 값비싼 의미론적 중복 제거와 모델 기반 품질 채점을 이미 걸러진 고품질 데이터에만 적용한다. 가장 비싼 계산(대형 임베딩 추론)이 품질 검사를 통과한 데이터에만 쓰이도록 배치하는 것이 핵심이다.

이 구조는 빅데이터엔지니어링의 ETL·데이터 품질·분산 처리 역량이 그대로 LLM/RAG의 전처리(청킹·임베딩 준비)로 이어짐을 보여준다. 비구조화 데이터(로그 등)를 데이터 레이크에 적재해 주기적으로 정제하는 기존 파이프라인이 RAG 적재 단계의 토대가 된다.

국내에서는 어떻게 쓰고 있나

국내 공개 사례도 늘고 있다. KB국민카드는 LLM 기반 QA 챗봇에 이벤트 정보 API를 연동하는 방식으로 RAG를 구축해, Skelter Labs 사례 소개에 따르면 고객 이벤트 문의 응답률이 85%에서 98%로 오르고 상담원 만족도가 32% 향상됐다(수치는 벤더 자료 기반이라 원 발표 확인이 이상적이다). LINE(LY Corporation)은 LLM 앱의 제작-테스트-배포 전 과정을 다루는 LLMOps 구축 사례를 기술 블로그로 공개했고, 한 국내 리걸테크 기업은 최근 5년 4,360페이지 분량의 결정문·심결례·판례집을 학습시킨 변호사용 AI 챗봇을 선보였다. 도메인 특화 임베딩과 청킹이 실제 서비스에서 어떻게 쓰이는지를 보여주는 예다.

국내 데이터: AI 인력 전환의 주류는 재배치와 재교육

먼저 큰 그림부터 보자. 「2024 인공지능산업 실태조사」를 인용한 보도에 따르면, 신(新)소프트웨어 분야 인력을 확보하는 방식으로 기업들은 '기존 인력 재배치(87.5%)'와 '재교육(62.8%)'을 '신규 채용(40.2%)'보다 앞세웠다(2024년 조사 기준, 복수응답). 인력이 부족하다고 답한 분야는 클라우드(27.6%)·빅데이터(21.0%)·AI(19.7%)·IoT(17.9%) 순이었다.

이 수치가 말하는 바는 분명하다. 국내 기업의 다수는 새 역량이 필요할 때 밖에서 사람을 사 오기보다 안에 있는 사람을 옮기고 다시 가르치는 쪽을 택했다. 뒤에서 살펴볼 해외의 '감원형' 사례와는 결이 다른 출발점이다. 개인 입장에서 이 데이터의 함의는, 직무 개편이 닥쳤을 때 가장 흔한 시나리오가 '해고'가 아니라 '재배치 + 재교육 요구'라는 점이다.

kt ds: 직무 중심 성장 체계, 그리고 ITSQF 초기 도입 경험

국내에서 직무 중심 인사·성장 체계를 오래 다듬어 온 대표 사례가 kt ds다. kt ds의 공식 채용 자료에 따르면, 이 회사의 직무 체계는 11개 직군·48개 직무로 구성되며(2026년 현행 기준), 직무수행 레벨에 따라 맞춤 교육과 육성을 제공한다. 표준 성장경로는 '직무별 기본역량 완성 → 전문역량 완성 → 분야별 사내 전문가'로 설계돼 있고, 설계·개발·데이터분석·애플리케이션 운영·테스트·정보보호 등 실무 직무가 폭넓게 포함된다. 최근 경과로는 2025년 'AX 전문가 영입 + 내부 육성'의 투 트랙으로 역량 강화를 본격화했다고 회사가 밝혔다.

여기서 한 가지는 분명히 구분해 둘 필요가 있다. kt ds가 운용하는 48개 직무 체계는 자사의 인사·성장 체계이며, ITSQF(IT분야 역량체계)의 38개 직무 표준과는 별개 체계다. 두 체계 사이의 세부 매핑 관계는 공개 자료로 확인되지 않는다. 다만 kt ds가 ITSQF를 현장에 적용한 이력 자체는 별도로 확인된다. 2018년 보도에 따르면, kt ds는 세 개 직무에 ITSQF를 도입한 뒤 이듬해 대상 직무를 5개 추가했고, 2017~2019년 사이 kt ds·국민연금공단 등 5개사가 IT 직무에 ITSQF 직무기술서를 적용해 직원 만족도가 오르는 등의 현장성이 보고됐다. 이는 ITSQF의 초기(2017~2019년) 현장 적용 사례로, 시점이 다소 앞서 있다는 점을 감안해 읽어야 한다. 요컨대 kt ds는 '자사의 촘촘한 직무 체계'와 'ITSQF 초기 도입 경험'을 함께 가진 회사이지, 자사 48직무를 ITSQF로 운영한다는 뜻은 아니다.

삼성전자·삼성SDS: 'AI 드리븐 컴퍼니'와 조직의 재배치

최근의 대기업 조직 재편은 조직도 자체를 손보는 방향으로 나타났다. 삼성전자는 전 관계사의 모든 업무에 AI를 전면 도입하는 'AI 대전환'을 선언했고, 2025년 조직개편에서 DX부문 CTO 산하의 '디바이스플랫폼센터'를 'AI플랫폼센터'로 개명하며 'AI 드리븐 컴퍼니'로의 전환을 내세웠다(2025년 11월 보도 기준). 센터 이름을 바꾸는 일은 상징적으로 보이지만, 조직의 우선순위와 인력·예산이 붙는 자리를 바꾼다는 점에서 직무 배치에 실질적 영향을 준다.

삼성SDS의 사례는 조직 신설과 역할 지정으로 더 구체적이다. 회사 공식 자료에 따르면, 삼성SDS는 대표 직속으로 'AX센터'를 신설해 사내 AI 영업·마케팅·기술개발 조직을 통합했다. 또한 2025년 현장 전문가 제도인 'AI 크루(AI Crew)'를 신설해, 팀별로 AI 이해와 관심이 높은 인원을 1명 이상 선발하고 이들이 업무·데이터 이해를 바탕으로 AI 개발·활용을 주도하도록 했다. 새 직무를 대규모로 채용하는 대신, 각 팀 안에서 'AI를 끄는 사람'을 지정해 기존 조직에 새 역할을 얹는 방식이다. 이는 앞서 본 '재배치·재교육 우선'이라는 국내 데이터와 같은 방향의 움직임으로 볼 수 있다.

제도가 현장에서 작동하는 방식: ITSQF·SQF 활용 사례

직무 표준이 종이 위 분류에 그치지 않고 실제 계약·평가에 쓰인 흔적도 확인된다. NCS가 공개한 산업별역량체계(SQF) 활용사례에 따르면, 한전KDN은 한전과의 인력 계약을 위해 SQF 활용 컨설팅을 진행했다. 핵심은 대가 산정 기준을 기존의 '기술자 등급'에서 '기술자 직무'로 옮긴 것으로, 발주사와 수주사가 같은 일을 서로 다르게 해석하던 문제를 줄이려는 목적이었다. '등급'이 아니라 '무슨 직무를 수행하는가'로 값을 매기려는 시도다.

경력을 다루는 제도에서도 직무 기준으로의 전환이 나타났다. 2018년 보도에 따르면, SW기술자 경력관리 직무체계를 NCS 기반 ITSQF로 전환하면서 기존 경력을 새 직무로 매핑했고, 그 과정에서 IT서비스 65개·패키지 31개·임베디드 20개 등 총 116개 직무를 27개 직무로 통합했다(약 2018년 기준). 흩어져 있던 직무명을 정리해 경력증명서에 ITSQF 직무로 표기할 수 있게 한 조치다. 다만 이 역시 시점이 앞선 초기 정비 사례이므로, 현재의 세부 운영과 그대로 일치한다고 단정하기는 어렵다.

리스킬링 프로그램: 안에서 다시 기르기

'재교육 62.8%'라는 데이터에 대응하는 구체적 프로그램도 있다. SK C&C는 AI·DX 인재 양성을 위한 채용연계형 프로그램 'SKALA(스칼라)'를 운영해 1기 등을 배출했다. 이런 채용연계형·사내 육성형 프로그램은 신규 채용과 재교육의 경계에 있는 형태로, 밖에서 완성된 인력을 찾기 어려운 클라우드·빅데이터·AI 분야에서 특히 두드러진다. 앞서 본 인력 부족 분야 순위(클라우드·빅데이터·AI·IoT)와 겹치는 지점이다.

해외 사례: '감원 일변도'와 '리스킬링 병행'의 갈림길

해외로 눈을 돌리면 국내와 결이 다른, 그리고 서로도 결이 다른 사례들이 보인다. 핀테크 기업 Klarna는 2025년 말 기준 총 인력이 약 5,500명에서 3,000명 미만으로 거의 절반 줄었는데, 주로 자연감소와 채용동결을 통한 것으로 보도됐다. AI 어시스턴트가 상담원 약 850명분의 업무를 수행하게 됐고, 직원당 매출은 약 110만 달러로 올랐으며 잔류 직원의 급여는 60% 인상됐다(2025년 보도 기준). IBM은 자동화 가능한 직무의 채용을 중단하는 다년 계획을 두고 2025년 말 한 자릿수 초반(%) 규모의 감원으로 인력을 'rebalance'했다고 보도됐으며, 대상은 HR·재무·데이터 입력 같은 백오피스 루틴 업무였다. 반면 Shopify는 CEO가 2025년 4월 "증원하기 전에 AI로 가능한지 먼저 검토하라"는 방침을 공표한 '증원 억제형'으로, 앞서 2024년 20% 감원을 단행한 바 있다.

주의할 것은 이 사례들을 'AI 전환 = 감원'으로 뭉뚱그리면 안 된다는 점이다. Klarna·IBM이 인력 감축형, Shopify가 증원 억제형으로 성격이 다르고, 여러 분석은 인력 감축을 주목표로 삼은 조직보다 AI 역량을 리스킬링·사려 깊은 변화관리와 병행한 조직이 직원 유지율과 AI 도입률에서 더 나은 결과를 보였다고 지적한다. 다만 같은 분석은 직원의 약 62%만 AI 관련 교육을 받은 상태라며 재교육 격차가 크다는 점도 함께 짚는다(2025년 기준). 재배치·재교육이 주류인 국내 데이터와 대비해 보면, 해외 사례는 '무엇을 하지 말아야 하는가'와 '무엇을 병행해야 하는가'를 동시에 보여 준다.

개편은 왜 자주 어긋나는가

마지막으로, 직무 개편이 순탄치만은 않다는 점을 실증한 연구가 있다. 한국고용정보원의 「AI 전환에 따른 업무환경 및 조직·인사관리 변화」(2025)는 IT개발직·시각/디지털디자인직·일반사무직 3개 직무를 대상으로 AI 활용 현황과 조직구조·인사관리 변화를 분석했다. 이 보고서가 지적한 실패 요인은 두 가지로 요약된다. 첫째, AI 활용은 장려하면서 평가 기준을 바꾸지 않으면 구성원이 원래 방식으로 회귀한다는 것. 둘째, AI 도입 이후에도 디지털 전환 지출·인력 비용·조직 변화에 '변화 없음'이라는 응답이 우세해, 선언과 달리 실질 변화가 제한적이라는 것이다. 보고서는 변화관리가 예측 불가능하고 순환적이며 실시간 적응이 필요하다고 분석했다. 조직도를 바꾸고 프로그램을 만드는 일보다, 평가·보상 같은 '사람이 실제로 반응하는 신호'를 함께 바꾸는 일이 더 어렵고 더 중요하다는 뜻으로 읽힌다.

배움이 '역량 인정'이 되기 시작했다

2025년, 대학 교육과정이 처음으로 SQF(산업별역량체계) 기준으로 인정받았다. 고용노동부와 한국산업인력공단은 4개 산업 분야의 17개 대학 교육과정에 SQF 기반 인정서를 수여했고, 수여식은 2025년 11월 21일 열렸다. 정보기술(IT) 분야에서는 정보기술ISC를 맡은 KOSA(정보기술·사업관리ISC)가 가톨릭관동대학교·한라대학교·동양미래대학교·서일대학교의 IT 관련 학과 교육과정을 인정 대상으로 선정했다. 절차는 대학의 교과체계가 ITSQF(IT분야 역량체계) 직무의 요구역량과 얼마나 연계되는지를 인정위원회가 검토해 인정하는 방식이다.

의미는 분명하다. 대학에서 배운 내용이 '현장 직무역량'이라는 공통 언어로 번역돼 공식 인정을 받는 통로가 생겼다는 것이다. 학생 입장에서는 자기 전공 과정이 어떤 ITSQF 직무의 역량과 맞닿는지를 졸업 전부터 좌표로 확인할 수 있게 된다.

훈련과정에도 'SQF 인정' 마크가 붙는다

대학만의 이야기가 아니다. 직업훈련 쪽에서도 SQF는 표준 자로 쓰인다. KOSA는 2015년부터 ITSQF를 구축·보급해 왔고, 「산업별역량체계(SQF) 기반 훈련과정 설계 가이드」를 개발·배포하며 훈련기관을 대상으로 소개 간담회를 열었다. SQF 확산이 국정과제로 채택되면서 고용노동부·한국산업인력공단이 이 가이드북 개발을 추진했다. 기존 직업훈련 과정이 SQF 기반으로 설계되도록 설계 방법을 제시하고, 그렇게 설계된 과정에는 훈련기관이 'SQF 인정' 마크를 표기해 훈련생을 모집한다.

정리하면, 대학 교육과정과 직업훈련 과정 양쪽에서 "이 과정이 어떤 직무역량을 길러주는가"를 SQF라는 동일한 기준으로 표시하는 장치가 마련된 셈이다. 배움의 결과가 기관마다 제각각인 수료증이 아니라, 표준 직무역량의 언어로 남기 시작했다.

재교육의 큰길: K-디지털 트레이닝

제도가 '인정'을 다룬다면, 실제 재교육의 물량을 대는 것은 국비 사업이다. 대표 격이 고용노동부 주관의 K-디지털 트레이닝(KDT)이다. AI·빅데이터·클라우드·SW·보안·IoT·반도체 등 4차 산업 핵심 분야의 실무 역량을 중심으로 설계되며, 2025년에는 126개 기관·210개 훈련과정이 추가돼 연 1만 8,812명 양성 규모가 더해졌다. 기존 3만 8,877명과 합치면 총 5만 7,689명 규모다.

문턱은 낮은 편이다. 훈련비는 전액 국비로, 국민내일배움카드 300만 원 한도에서 우선 차감하고 초과분은 전액 국비로 지원한다. 과정은 평균 5~6개월, 주 5일·하루 8시간으로 진행되며 실전 프로젝트가 전체의 30% 이상을 차지한다. 재직자·실업자·자영업자 모두 국민내일배움카드로 신청할 수 있고, 재직자는 단기 과정 중심으로 참여한다. 비용과 시간의 장벽을 국가가 상당 부분 걷어낸 전환·리스킬링 통로인 셈이다.

IT기술교육 직무는 어떻게 달라지나

이 흐름의 한가운데 있는 것이 IT기술교육 직무다. ITSQF에서 IT기술교육은 하나의 직종이 하나의 직무로 이뤄진 단위로, IT 직무 능력을 교육과정으로 설계하고 전달하는 역량을 요구한다. (다만 이 직무의 NCS 능력단위 원문 정의는 이번 조사에서 세부 대조하지 못했다. 여기서는 ITSQF 분류와 일반적 역량 서술 수준까지만 짚는다.)

AI 전환은 이 직무의 내용과 대상을 함께 바꾼다. 생성형 AI 리터러시가 필수 역량으로 떠오르면서, 여러 생성형 AI 도구를 자유롭게 활용하는 인재에 대한 수요가 커지고 있다. 신SW 분야 인력 확보에서 재교육이 차지하는 비중이 62.8%로 높다는 조사 결과(이번 호 사례 탐방 아티클에서 인용)도, IT기술교육의 무게가 신규 인력 양성에서 재직자 리스킬링·AI 도구 활용 교육으로 옮겨가고 있음을 보여준다.

교육 현장의 도구도 바뀌고 있다. 천재교육은 교사용 플랫폼 'T셀파'에 소형언어모델(sLLM) 기반 AI 튜터를 확장했고, 콴다·수학대왕·체리팟 같은 AI 튜터링 서비스가 나와 있다. 2025년 도입된 AI 디지털교과서는 학습 진단·분석과 학생별 맞춤 학습경로 추천 등을 앞세워 영어·수학·정보 교과에 우선 적용됐다. 생성형 AI 기반 에듀테크 시장은 2023년 약 2억 6,800만 달러에서 2032년 약 52억 6,100만 달러로(연평균 40.5% 성장) 커질 것으로 전망된다. 다만 이들 사례의 상당수는 초·중등 교육 맥락이다. IT기술교육 직무 관점에서는 이 방법론이 재직자 IT 교육으로 확장되는 흐름과 AI 리터러시 교육 수요의 신호로 읽는 편이 정확하다.

배움이 경력이 되는 회로

교육·훈련·재교육이 흩어진 이벤트에 그치지 않는 이유는, ITSQF가 설계 단계부터 "교육훈련·학위·자격·현장경력"을 하나로 연계해 역량을 진단·평가하는 틀이기 때문이다. 이를 개인의 경로로 풀면 이렇게 이어진다. SQF 인정 과정을 이수하고(교육), 그 결과와 경력을 ITSQF 직무 기준으로 신고·관리하며(경력), 숙련 수준을 진단해 대가 산정에 반영한다(역량).

이 회로를 실제로 굴리는 제도적 축이 있다. 경력 쪽은 SW기술자 경력관리제도(제도)와 이를 운영하는 온라인 플랫폼인 SW기술자 경력관리시스템(career.sw.or.kr, KOSA 운영)이다. 여기서 자격·학력·경력을 신고·관리한다. 역량 쪽은 KOSA와 SK 주식회사 AX가 공동 개발한 ITSQF 기반 직무수준 진단체계로, 개인의 숙련 수준을 진단해 대가에 반영하려는 도구다(진단체계와 대가 산정은 이번 호 커리어 코너 아티클에서 자세히 다룬다). 다만 "SQF 교육 이수가 곧 직무수준 진단으로 자동 연결된다"고 규정한 공식 절차 문서는 아직 확인되지 않는다. 지금 확인되는 것은 이 요소들이 모두 ITSQF/SQF 직무 축을 공통 기반으로 삼는다는 구조적 연결까지다.

AI 기본법 시행 — 개발·활용 컴플라이언스의 새 기준선

「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」과 시행령이 2026년 1월 22일 시행됐다. 소관부처인 과학기술정보통신부는 기업의 혼란을 줄이기 위해 규제 적용을 최소 1년 이상 유예하기로 했다. 법은 고영향 AI와 생성형 AI에 대한 의무를 담았는데, 대표적으로 생성형 AI가 만든 결과물임을 이용자가 알 수 있도록 하는 표시 의무 등이 포함된다. 시행됐다는 사실보다 중요한 것은, AI를 개발하거나 자사 서비스에 얹는 거의 모든 직무가 이제 '컴플라이언스'라는 렌즈를 하나 더 갖춰야 한다는 점이다. 유예 기간은 지금 당장의 제재를 미뤄 줄 뿐, 요구 자체를 없애 주지는 않는다. 실무적으로는 두 가지를 먼저 확인할 만하다. 첫째, 자사 서비스가 고영향 AI에 해당하는지 여부다(해당 기준은 법령·하위규정으로 별도 확인이 필요하다). 둘째, 생성형 결과물에 표시 의무가 걸리는지다. 같은 법이라도 정보보호 직무에는 데이터 처리·위험관리 관점의 대응이, 서비스 기획 직무에는 표시·고지를 어떻게 설계할지의 대응이 각각 요구된다. 요컨대 시행은 시작됐지만 실무의 구체적 의무는 하위규정과 함께 굳어지는 중이므로, 지금은 제재를 피하는 단계가 아니라 대응 체계를 갖추는 준비 단계로 보는 것이 맞다.

관련 직무: 인공지능서비스기획, 정보보호관리, 전 직무(광역)

고용노동부, 노동분야 AI 윤리 가이드라인 예고

고용노동부는 2026년 업무보고에서 노동분야 AI 윤리 가이드라인을 상반기 중 마련하겠다고 밝혔다. 채용·평가·근태처럼 사람에 대한 판단이 걸린 인사 영역에 AI를 도입하는 사례가 늘면서, 그 활용의 원칙과 한계를 정하려는 움직임이다. 아직 가이드라인 본문이 공개되지 않았으므로 구체적 의무를 단정하기는 이르지만, 방향성은 읽을 수 있다. AI를 인사·노무 관련 의사결정에 쓰는 조직이라면 편향, 설명가능성, 이의제기 절차 같은 쟁점이 가이드라인의 골자가 될 가능성에 대비하는 편이 안전하다. 이 사안은 HR 담당 부서만의 문제가 아니다. 채용·평가 시스템을 기획하거나 구축하는 IT 직무에도 직접 영향을 준다. 예컨대 지원자 스크리닝에 AI를 쓰는 기능을 설계한다면, 결과의 근거를 설명할 수 있는 로그·기록 구조를 처음부터 넣어 두는 식의 준비가 이후 가이드라인 대응 비용을 줄여 준다. 앞의 AI 기본법과 묶어 보면, 상반기의 큰 흐름은 'AI를 쓰되 설명할 수 있게 쓰라'는 요구로 수렴한다. 정리하면 이 항목은 아직 '예고' 단계이지만, 방향을 미리 읽고 판단 근거를 기록으로 남기는 설계 습관을 들여 두면 가이드라인이 나온 뒤 시스템을 급히 고치는 비용을 줄일 수 있다.

관련 직무: 인공지능서비스기획, 전 직무(광역)

SW사업 대가산정 가이드 2026 서비스 단가 공표

과학기술정보통신부와 한국인공지능·소프트웨어산업협회(KOSA)는 2026년 상반기 SW사업 우수발주자 시상식을 6월 30일 서울 양재 엘타워에서 열고, 발주문화 개선과 상생 생태계에 기여한 우수발주자 8명에게 장관상을 수여했다. 같은 시점에 「민간용 SW사업 대가산정 가이드」의 2026년 서비스 단가도 공표됐다. 대가산정 가이드는 SW사업의 값을 매기는 실무 기준이 되는 자료로, 발주·수주 양측의 계약과 견적에 직접 쓰인다. 단가가 갱신됐다는 것은, 지난해 기준으로 잡아 둔 견적·계약 템플릿이 올해 기준과 어긋날 수 있다는 뜻이다. 사업비를 산정하거나 검토하는 직무라면 새 서비스 단가를 확인해 견적 근거를 갱신해 두는 작업이 상반기 안에 필요하다. 우수발주자 시상 자체도 신호로 읽을 만하다. 정부가 '제값 주는 발주'와 상생을 계속 강조한다는 것은, 대가 산정의 투명성과 근거 제시가 앞으로도 계약의 쟁점이 된다는 의미이기 때문이다. 견적의 숫자만이 아니라 그 숫자의 근거를 문서로 남겨 두는 습관이 협상에서 유리하게 작동한다. 요컨대 대가산정 가이드의 단가 갱신은 단순한 숫자 업데이트가 아니라, 올해 계약과 견적의 기준선이 바뀌었다는 신호로 받아들여야 한다.

관련 직무: IT프로젝트사업관리*, 전 직무(광역)

생성형 AI 시장, 두 자릿수 성장 전망

생성형 AI 시장은 시장조사기관 GM Insights 기준 2026년 약 833억 달러 규모로 전망되며, 2026~2035년 연평균 성장률(CAGR)은 31.6%로 예상된다. 지역별로는 아시아·태평양이 35.3%로 가장 빠른 성장세를 보일 것으로 봤다. 다만 생성형 AI 시장 규모와 성장률은 조사기관마다 편차가 크므로, 이 수치는 어디까지나 GM Insights의 전망이라는 점을 전제로 읽어야 한다. 다른 기관의 숫자를 인용할 때도 조사기관명을 함께 밝히는 것이 안전하다. 제품·서비스를 기획하는 직무에는 "시장이 크다"는 총량보다 "어느 지역·세그먼트가 빠르게 크는가"가 더 쓸모 있는 신호다. 예컨대 아시아·태평양의 성장률이 세계 평균을 웃돈다는 점은, 국내·역내 시장을 겨냥한 제품 로드맵의 우선순위를 뒷받침하는 근거로 쓸 수 있다. 시장 전망치는 그 자체가 목표가 아니라, 어디에 자원을 먼저 넣을지를 정하는 판단 재료로 다루는 편이 실용적이다. 기획 직무 입장에서 시장 전망치의 실전 용도는 '가느냐 마느냐'가 아니라 '먼저 어디를 공략하느냐'를 정하는 데 있다. 성장률이 높은 세그먼트를 근거로 로드맵의 우선순위를 세우고, 그 근거를 조사기관명과 함께 문서에 남겨 두면 이후 의사결정의 설득력이 높아진다.

관련 직무: SW제품기획, IT서비스기획

제품 전략의 축이 '기능'에서 '에이전트'로

제품·서비스 기획의 초점이 개별 기능에서 AI 에이전트 워크플로로 옮겨 가고 있다. IDC는 2026년까지 글로벌 G2000 기업 직무의 40%가 AI 에이전트와 협업하는 형태로 전환될 것으로, 가트너는 2028년까지 기업 의사결정의 15%가 에이전트에 의해 자율적으로 수행될 것으로 전망했다(모두 리포트 인용 기준). 시점과 대상이 다른 두 전망이지만, 가리키는 방향은 같다. "사람이 도구를 쓴다"에서 "사람이 에이전트와 함께 일한다"로의 이동이다. 제품을 설계하는 직무라면 이 변화가 기획 방식 자체를 바꾼다는 점을 인식할 필요가 있다. 지금까지의 명세가 '어떤 버튼을 누르면 무엇이 된다'는 기능 단위였다면, 에이전트 시대의 명세는 '에이전트가 어떤 작업을 어디까지 자율로 수행하고, 사람은 어느 지점에서 개입·승인하는가'라는 워크플로 단위로 확장된다. 자율성의 범위와 사람의 개입 지점을 함께 설계하는 관점을 미리 익혀 두는 것이, 뒤늦게 따라가는 것보다 낫다. 당장 시작할 수 있는 일도 있다. 지금 우리 제품에서 사람이 반복적으로 승인·확인하는 절차가 어디인지를 목록으로 만들어 보는 것이다. 그 목록이 곧 에이전트 워크플로 설계의 출발점이자, 자동화의 우선순위를 정하는 근거가 된다.

관련 직무: SW제품기획, IT서비스기획, 인공지능서비스기획

기업 AI 도입률은 급등, 성과는 격차

기업의 AI 도입률은 조사에 따라 65~78% 수준으로 급등한 것으로 보고된다(CIO Korea·Deloitte 등, 조사 주체·모집단에 따라 수치가 다르다). 그러나 전사 이익(EBIT)에 영향을 봤다고 답한 기업은 39%, 스스로 AI 성숙 단계라 평가한 기업은 1%에 그쳐, '도입은 했지만 가치는 못 얻는' 격차가 두드러진다. 도입률은 높은데 성과 체감은 낮다는 이 간극은, 기술영업·컨설팅 직무에는 오히려 기회로 읽힌다. 도구를 파는 단계는 이미 포화에 가깝고, 앞으로의 차별점은 고객이 실제 가치를 실현하도록 돕는 구축·컨설팅 역량에서 갈리기 때문이다. "도입은 했는데 왜 성과가 안 나느냐"는 고객의 질문에 답할 수 있는 레퍼런스와 방법론을 갖춘 쪽이 유리하다. 세일즈 화법도 "이 도구가 좋다"에서 "당신의 이 업무를 이렇게 바꿔 이만큼의 성과를 냈다"로 옮겨 가야 한다. 도입 자체보다 도입 이후의 성과 입증이 시장의 진짜 승부처가 되고 있다. 특히 성과를 수치로 보여 주는 사례 하나가 열 마디 설명보다 강하므로, 도입 초기에 고객과 성과 측정 지표를 함께 합의해 두면 이후 확산 계약의 지렛대가 된다. 이번 반기의 시장은 '도입 경쟁'에서 '성과 경쟁'으로 넘어가는 길목에 있고, 이 전환을 먼저 읽은 영업·컨설팅 조직이 유리한 위치를 잡는다.

관련 직무: IT기술영업, 정보기술컨설팅

2026년 IT 예산 1순위는 생성형 AI

2026년 IT 예산에서 중점 투자할 기술을 묻는 조사에서 생성형 AI가 63.0%로 압도적 1위를 차지했다(CIO Korea). 예산의 방향은 곧 구매 결정의 방향이므로, 기술영업과 사업관리 직무에 직접적인 시사점을 준다. 고객사의 투자 우선순위가 생성형 AI에 쏠려 있다는 것은, 제안과 견적의 무게중심도 그쪽으로 옮겨야 한다는 뜻이다. 다만 앞 항목의 '성과 격차'와 함께 읽으면 조건이 하나 붙는다. 예산이 있다고 그냥 팔리는 시장이 아니라, 예산이 있는 만큼 성과 입증을 강하게 요구받는 시장이라는 점이다. 투자 의지(예산 1순위)와 성과 회의(EBIT 영향 39%)가 공존하는 상황에서는, 큰 계약을 한 번에 노리기보다 성과를 눈으로 확인시킬 수 있는 작은 파일럿으로 시작해 레퍼런스를 쌓는 접근이 설득력을 갖는다. 사업관리 관점에서도 'AI 예산 확보'가 곧 '성공'이 아니라, 그 예산으로 무엇을 입증했는지가 다음 예산을 좌우한다는 점을 염두에 둘 필요가 있다. 결국 예산 항목(생성형 AI 63.0%)과 성과 항목(EBIT 영향 39%)을 함께 보면, 2026년 상반기의 판매 전략은 '예산이 있는 곳을 공략하되 성과로 증명한다'는 한 문장으로 요약된다.

관련 직무: IT기술영업, IT프로젝트사업관리*

디지털 국가자격 확대, 데이터관리 기사 신설 움직임

정부는 AI·데이터분석·빅데이터처리 분야의 기술 자격을 넓히는 '디지털 국가자격 신설 로드맵(2025~2028)'을 추진 중이며, 2026년 국가기술자격 개편에서 AI·클라우드·데이터분석 자격의 비중이 빠르게 늘 것으로 전망된다. 이 흐름에서 '데이터관리 기사'(가칭)의 신설이 거론된다. 신설이 확정될 경우 2026년 하반기에 첫 시험이 치러질 것으로 알려졌으나, 신설 여부와 확정 시험일은 한국데이터산업진흥원(dataq)의 최종 공고로 확인해야 하는 단계다. 응시를 계획한다면 관련 소식을 기다리기보다 확정 공고를 직접 확인하는 것이 정확하다. 개별 자격의 확정 여부와 별개로, 국가기술자격의 축이 데이터·AI 쪽으로 재편되는 큰 방향은 분명하다. 데이터베이스·빅데이터 직무에 있는 독자라면, 새로 생기는 자격이 자기 직무의 요구 역량을 어떻게 정의하는지를 통해 시장이 기대하는 역량의 윤곽을 미리 읽을 수 있다. 자격은 학습의 목표점이자, 직무 표준이 어디로 향하는지를 보여 주는 지표이기도 하다. 요컨대 개별 자격의 신설 여부보다, 국가기술자격 체계 전체가 데이터·AI 중심으로 재편되고 있다는 큰 그림을 읽고 학습 방향을 잡는 것이 더 중요하다.

관련 직무: 데이터베이스관리, 빅데이터엔지니어링, 인공지능SW개발

AI·데이터 자격 지형 정리

데이터·AI 관련 자격은 종류가 늘며 선택지가 복잡해졌다. 국가기술자격으로는 한국데이터산업진흥원의 빅데이터분석기사가 있고, 2026년에는 상·하반기 2회 시행된다. 국가공인 민간자격으로는 KT가 운영하는 AICE가 있으며, 데이터분석 분야에서는 ADP와 그 입문 격인 ADsP가 널리 쓰인다. 자격의 개수를 늘리는 것 자체가 실력을 보장하지는 않지만, 자격은 두 가지 실용적 쓸모가 있다. 직무 전환이나 경력 초기에 학습 경로를 잡아 주고, 채용 과정의 서류 필터를 통과하는 데 도움이 된다. 관건은 선택이다. 자신의 직무가 향하는 방향이 데이터 분석인지, 파이프라인을 다루는 엔지니어링인지, 설계를 책임지는 아키텍처인지에 따라 유효한 자격이 다르다. 방향에 맞는 자격 하나를 제대로 취득하는 편이, 성격이 겹치는 자격을 여러 개 모으는 것보다 커리어에 도움이 된다. 자격을 고를 때는 "이 자격이 증명하는 역량이 내 다음 직무와 맞는가"를 기준으로 삼는 것이 좋다. 덧붙여 자격의 국가공인 여부와 갱신 요건도 확인해 둘 만하다. 같은 분야라도 국가기술자격과 민간자격은 채용에서 인정되는 범위가 다를 수 있으므로, 목표 직무의 채용 공고가 어떤 자격을 우대하는지를 역으로 확인하면 선택의 실패를 줄일 수 있다.

관련 직무: 빅데이터개발, 데이터아키텍처

개발자 설문 — "쓰지만 못 믿는 AI"

Stack Overflow 2025 개발자 설문(177개국 49,000여 명 응답)에서 AI 도구를 쓰거나 쓸 예정이라는 응답은 84%로, 2024년 76%에서 올랐다. 그러나 AI를 신뢰한다는 응답은 29%로 전년보다 11%포인트 떨어졌고, 정확도를 불신한다(46%)는 쪽이 신뢰한다(33%)를 앞섰다. 가장 큰 불만은 "거의 맞지만 정확히는 아닌" 답변(66%)과 "AI가 생성한 코드의 디버깅이 더 오래 걸린다"(45%)였다. AI 에이전트는 아직 주류가 아니어서, 응답자의 52%가 미사용이거나 단순 도구 수준에 머물렀고 38%는 도입 계획이 없다고 답했다. 사용은 늘지만 신뢰는 줄어드는 이 격차가 이 항목의 핵심이다. 도구를 더 많이 쓸수록 "거의 맞는 답"을 걸러 내는 검증 부담도 함께 커진다는 뜻이기 때문이다. 개발 직무에 주는 함의는 분명하다. AI 도입을 늘리는 것과 별개로, 아니 오히려 그럴수록 코드 리뷰와 검증 체계의 비중을 키워야 한다. AI가 짠 코드를 사람이 어떻게 검토하고 책임질지에 대한 팀 차원의 규칙이 생산성 이득을 지키는 안전장치가 된다. 핵심은 'AI를 쓰지 말자'가 아니라 '쓰되 검증을 제도화하자'는 것이다. 설문의 수치는 그 검증 부담이 이미 개발 현장의 실제 비용으로 나타나고 있음을 보여 준다.

관련 직무: 응용SW개발, 시스템SW개발, 전 직무(광역)

SW기술자 임금 4.7% 상승, 중심은 품질·관리

KOSA 「2025년 소프트웨어(SW)기술자 임금실태조사」(2025년 12월 23일 공개) 기준 일 평균임금은 41만 4,762원으로 전년 대비 4.7% 올랐다. 평균 상승률 자체는 크지 않지만, 눈에 띄는 것은 상승의 중심이 개발이 아니라 품질·관리 계열이라는 점이다. IT품질관리 14.5%, IT테스트 14.1%, IT감리 14.0%로 이 세 직무가 상승률 최상위를 차지했다. 이는 이번 호 직종 스포트라이트(06편)가 다룬 흐름과 같은 데이터다. 주의할 것은 이 수치를 "AI가 품질 임금을 올렸다"로 읽으면 안 된다는 점이다. KOSA가 밝힌 배경은 클라우드 확산과 시스템 복잡성 증가, 공공사업의 초점이 신규 구축에서 안정적 운영으로 이동한 데 있다. 그럼에도 방향이 주는 신호는 뚜렷하다. 시스템이 복잡해질수록 그것을 검증하고 안정적으로 관리하는 역할의 값어치가 먼저 오른다는 것이다. 커리어를 설계하는 독자라면, 개발 역량 위에 품질·검증·관리 역량을 얹는 조합이 이번 반기 데이터가 가리키는 상승 곡선 위에 있다는 점을 참고할 만하다. 이 항목을 브리핑의 마지막에 둔 이유이기도 하다. 임금은 시장이 어떤 역량에 값을 매기는지를 가장 정직하게 보여 주는 지표이기 때문이다.

관련 직무: IT품질관리, IT테스트, IT감리, 전 직무(광역)