채용시장에는 서로 반대처럼 보이는 두 장면이 동시에 나타납니다. 일반 신입은 경력자와 경쟁해야 하는데, 기업들은 AI 전환을 추진할 인재가 부족하다고 말합니다. 그래서 취준생은 더 답답합니다.
“AX 인재가 부족하다면서 왜 공고에는 3년, 5년 경력이 붙나요?”
이 질문에는 불편하지만 분명한 답이 있습니다. 기업이 부족하다고 말하는 사람은 대개 AI 도구를 사용할 줄 아는 사람이 아니라, 기존 업무를 이해하고 AI를 연결해 실제 결과까지 책임질 사람입니다. 기술 실험은 신입도 할 수 있지만, 잘못된 자동화가 고객·매출·개인정보·생산에 미칠 위험을 판단하려면 업무 경험이 유리합니다.
그렇다고 신입에게 길이 없다는 뜻은 아닙니다. 다만 자격증과 챗봇 데모를 더 쌓는 방식으로는 이 간격이 잘 줄지 않습니다. 작은 업무 하나를 골라 문제 정의, 데이터, 구현, 검증, 예외 처리, 성과 측정까지 닫아 본 증거가 필요합니다.
먼저 바로잡을 것: 경력직 선호를 전부 AI 탓으로 돌릴 수는 없습니다
경력 중심 채용은 생성형 AI보다 먼저 진행되고 있었습니다. 한국은행이 인용한 기업 신규채용 조사에서 경력직 비중은 2009년 17.3%에서 2021년 37.6%로 늘었습니다. 기업이 필요할 때 바로 뽑는 수시채용으로 옮겨 가고, 직무가 세분화·고도화된 영향이 함께 작용했습니다.
그 뒤 AI가 경력 격차를 더 아프게 만드는 신호가 나타났습니다. 한국은행의 2025년 연구는 국민연금 가입자 자료를 분석해 지난 3년간 줄어든 청년 일자리 21만1천 개 중 20만8천 개가 AI 고노출 업종에 있었다고 보고했습니다. 같은 기간 50대 일자리는 늘었습니다. 연구진은 AI가 경력이 짧은 청년의 정형화된 업무는 비교적 쉽게 대체하지만, 경력에서 생기는 암묵지와 사회적 기술은 보완하기 때문일 수 있다고 설명했습니다.
여기에도 경계가 있습니다. AI 고노출 업종에서 청년 고용이 줄었다는 결과를 AI가 청년 일자리 20만8천 개를 직접 없앴다로 바꾸면 안 됩니다. 경기, 인구, 산업구조 같은 다른 요인이 있으며 연구진도 초기 변화가 계속될지는 불확실하다고 밝혔습니다.
2025년 상반기 한 민간 채용 플랫폼의 공고 14만4,181건을 분석한 대한상공회의소 자료에서는 경력만 채용하는 공고가 82.0%, 신입·경력 공통 공고가 15.4%, 신입만 채용하는 공고가 2.6%였습니다. 이 역시 한 플랫폼의 공고 구성이지 국내 모든 기업의 82%가 신입을 뽑지 않는다는 뜻은 아닙니다. 그러나 취준생이 느끼는 경력 장벽이 단순한 기분만은 아니라는 근거는 됩니다.
그런데 AX 인재 수요도 실제로 존재합니다
한국표준협회가 2026년 국내 기업 재직자 487명을 조사한 결과, 응답자의 84.4%가 AI 인재가 필요하다고 답했습니다. 필요한 인재 유형은 데이터 분석가가 58.9%로 가장 높았고, AI 모델 기반 소프트웨어 개발자 35.9%, AI 모델 개발자 34.7%가 뒤를 이었습니다.
신입을 볼 때 가장 중시한 항목은 실무 프로젝트·현장 적용 경험 32.9%, 커뮤니케이션·협업 28.0%였고 AI 모델·딥러닝 기술은 19.9%였습니다. 전공 무관이라는 응답도 38.6%였습니다. 조사 대상과 문항의 한계 때문에 국내 전체 채용 비율로 확대할 수는 없지만, 모델을 깊게 아는 한 사람만이 아니라 데이터를 읽고 현장 문제를 함께 푸는 사람이 필요하다는 방향은 분명합니다.
실제 기업이 나눈 AX 역할도 하나가 아닙니다. LG CNS는 2025년 AI 경력채용을 발표하며 AI 사이언티스트, 엔지니어, 아키텍처, 애플리케이션 개발, 분석·설계, 인프라, 기술 컨설턴트, 서비스 디자인 컨설턴트, 데이터 엔지니어 등 11개 직무를 제시했습니다. 2026년 취업 교육과정은 MCP·RAG·LLM을 활용한 에이전틱 AI 서비스 개발과 지식 그래프 기반 데이터 엔지니어링으로 더 구체화됐습니다.
두 자료를 함께 보면 AX 채용의 모순이 풀립니다.
- 경력자 채용은 산업과 고객 업무를 이해하고 즉시 설계·적용·운영할 사람을 확보하는 경로입니다.
- 신입 채용과 양성은 프로젝트형 교육과 현장 문제 해결을 통해 그 아래 인재 파이프라인을 만드는 경로입니다.
- 따라서 신입이 경력자를 흉내 내기보다, 작은 범위에서라도
적용 가능한 사람이라는 증거를 만들어야 합니다.
AX는 AI 기능 추가가 아니라 업무 흐름을 바꾸는 일입니다
AX를 우리 팀도 챗봇 하나 만들기로 이해하면 포트폴리오도 얕아집니다. 기업이 설명하는 실제 AX는 현재 업무를 분석하고, AI가 맡을 부분과 사람이 책임질 부분을 다시 나누며, 필요한 데이터와 예외 처리까지 설계하는 일에 가깝습니다.
예를 들어 고객 문의를 자동화한다고 해보겠습니다.
- 지금 문의가 어디로 들어오고 누가 분류하는지 확인합니다.
- 문의량, 평균 처리시간, 오분류율 같은 기준값을 잡습니다.
- AI가 분류할 수 있는 문의와 사람이 바로 봐야 하는 환불·분쟁을 나눕니다.
- 학습·검색에 쓸 데이터의 출처와 개인정보를 점검합니다.
- 일부 문의로 시험하고 정확도뿐 아니라 치명적 오류를 따로 봅니다.
- 확신이 낮을 때 사람에게 넘기는 조건과 장애 시 원래 방식으로 돌아가는 절차를 만듭니다.
- 적용 뒤 시간, 오류, 고객 불편이 실제로 줄었는지 비교합니다.
모델을 호출하는 코드는 이 일곱 단계 중 일부입니다. 그래서 기업은 AI를 잘 쓰는 사람보다 업무가 망가지지 않게 바꾸는 사람에게 경력을 요구합니다.
내 전공과 경험에 맞는 AX 역할부터 골라야 합니다
AX를 준비한다며 모두가 파이썬, 딥러닝, RAG, MCP를 같은 순서로 배울 필요는 없습니다. 공고에서 원하는 결과가 무엇인지 먼저 나누세요.
| 목표 역할 | 실제로 맡는 일 | 신입이 보여 줄 핵심 증거 |
|---|---|---|
| 업무·AX 기획/컨설팅 | 현행 프로세스 분석, 적용 과제 선정, 효과와 위험 추정 | 업무 흐름도, 기준 지표, AI를 쓰지 않을 대안까지 비교한 제안서 |
| AI 서비스·제품 기획 | 사용자 문제, 사람과 AI의 역할, 예외·피드백 흐름 설계 | 사용자 테스트, 실패 시나리오, 화면보다 의사결정이 담긴 기획 기록 |
| AI 애플리케이션·에이전트 개발 | 모델을 사내 데이터와 시스템에 연결하고 서비스로 운영 | RAG·도구 호출 구현, 평가 세트, 권한·로그·비용·지연시간 점검 |
| 데이터 분석·엔지니어링 | 데이터를 수집·정제·연결하고 품질을 관리 | 데이터 출처, 정제 규칙, 품질 검사, 재현 가능한 파이프라인 |
| 산업·현장 AX | 제조·물류·금융·HR 등 도메인의 업무와 AI를 연결 | 현장 제약, 품질·안전 기준, 사람의 최종 승인 지점을 반영한 프로젝트 |
비전공자에게 열려 있다는 말은 기술을 몰라도 된다는 뜻이 아닙니다. 직접 모델을 만들지 않더라도 데이터가 왜 부족한지, 출력이 언제 틀리는지, 개인정보를 넣어도 되는지, 어떤 지표로 성과를 판단할지는 설명할 수 있어야 합니다.
반대로 개발자도 기술 데모에서 멈추면 부족합니다. RAG를 구현했다면 검색 결과가 좋아 보인다가 아니라 평가 질문, 정답 근거, 검색 실패 유형, 응답 시간, 호출 비용, 접근권한을 함께 보여 줘야 합니다.
경력이 없을 때는 '미니 현장 경험'을 만들어야 합니다
개인 프로젝트를 회사 경력이라고 부르면 안 됩니다. 그러나 실제 업무와 같은 제약을 넣은 프로젝트는 현장 적용 가능성을 보여 주는 증거가 됩니다. 아래 여덟 칸을 모두 채우세요.
1. 반복되는 업무 하나만 고릅니다
마케팅 AX 플랫폼, 스마트팩토리 구축처럼 크게 잡지 마세요. 주 200건의 고객 리뷰를 이슈별로 분류, 설비 점검 기록에서 누락 항목 확인, 50쪽 규정집에서 근거 문단을 찾아 답변처럼 한 사람이 4~8주 안에 끝낼 수 있는 문제로 줄입니다.
2. 현재 상태를 숫자로 적습니다
AI를 넣기 전 처리시간, 누락률, 오류율, 재작업 건수 중 하나는 있어야 합니다. 실제 조직이 없다면 공개 데이터나 직접 만든 합성 데이터로 측정하되, 실제 회사 성과가 아니라 실험 결과라고 표시하세요.
3. AI가 필요한 이유와 필요하지 않은 이유를 함께 씁니다
규칙 몇 개나 스프레드시트 함수로 더 싸고 정확하게 풀리는 문제라면 AI를 쓰지 않는 판단도 AX 역량입니다. AI가 유리한 비정형 입력과 문맥 판단이 있는지 먼저 확인하세요.
4. 데이터의 출처와 사용 권한을 기록합니다
공개 데이터, 직접 수집한 데이터, 합성 데이터를 구분하고 개인정보·회사 기밀은 넣지 않습니다. 공개 데이터라도 라이선스와 재배포 조건을 확인합니다. 이 한 장이 화려한 데모보다 운영 감각을 잘 보여 줄 때가 많습니다.
5. 가장 작은 시험 버전을 만듭니다
비개발 직무라면 승인 단계를 둔 노코드 자동화와 대시보드도 가능합니다. 개발 직무라면 인증, 데이터 연결, 모델 호출, 결과 저장이 이어지는 최소 흐름을 구현합니다. 기능 수보다 한 흐름이 끝까지 동작하는지가 중요합니다.
6. 평가 세트를 먼저 만듭니다
잘되는 예시만 시연하지 마세요. 정상, 애매함, 정보 부족, 민감정보, 악의적 입력을 섞은 30~100개 사례를 만들고 통과 기준을 정합니다. 정확도 평균과 함께 절대 틀리면 안 되는 오류가 몇 건인지를 따로 셉니다.
7. 사람에게 넘기는 조건과 복구 방법을 둡니다
확신이 낮거나 민감한 요청이면 사람에게 넘기고, 장애가 나면 수동 프로세스로 돌아가게 합니다. 누가 최종 승인하는지까지 정하면 단순 AI 작품이 업무 설계로 바뀝니다.
8. 결과와 실패를 같이 공개합니다
처리시간이 얼마나 달라졌는지, 어떤 오류는 줄지 않았는지, 실제 도입 전에 무엇을 더 확인해야 하는지 적습니다. 숫자를 꾸미지 말고 측정 조건과 표본 수를 붙이세요.
완성된 포트폴리오에는 화면 캡처보다 다음 여섯 가지가 먼저 보여야 합니다.
1쪽 업무 흐름도
→ 도입 전 기준값과 목표
→ 데이터 출처·권한 표
→ 작은 동작 데모 또는 저장소
→ 평가표와 실패 사례
→ 사람 승인·복구 절차와 결과 회고
“무엇을 배워야 하나요?”에 대한 직무별 답
사무·기획·마케팅·HR 지원자
프롬프트 모음부터 만들지 마세요. 업무 프로세스 그리기, 스프레드시트·SQL 기초, 데이터 시각화, 생성형 AI 출력 평가, 개인정보와 저작권, 자동화의 승인 흐름을 먼저 익히는 편이 낫습니다. 결과물은 AI로 보고서 작성이 아니라 반복 업무의 시간과 오류를 측정하고 개선한 기록이어야 합니다.
개발·데이터 지원자
LLM API, RAG, 도구 호출이나 MCP 중 목표 공고에서 반복되는 기술을 골라 한 흐름에 적용하세요. 그다음 평가, 관측 로그, 인증과 권한, 비용·지연시간, 장애·재시도, 프롬프트 인젝션 같은 운영 문제를 붙입니다. 프레임워크를 다섯 개 써 본 것보다 실패 조건을 설명할 수 있는 하나가 낫습니다.
제조·품질·물류 지원자
모델보다 공정 흐름과 품질 기준을 먼저 공부하세요. 예측 정확도가 높아도 불량을 놓쳤을 때의 비용, 센서 결측, 작업자 확인 시점, 설비 정지 권한을 설명하지 못하면 현장 프로젝트가 아닙니다. 공개 제조 데이터로 실험하더라도 실제 공정과 다른 조건을 한계로 명시하세요.
교육과정은 기술 이름보다 이 일곱 가지로 거르세요
2026년 LG CNS AI 캠퍼스처럼 MCP·RAG·LLM, 지식 그래프와 프로젝트 멘토링을 묶은 과정은 기업이 어떤 기술 조합을 실무형으로 보는지 알려 줍니다. 그러나 특정 교육을 수료한다고 취업이 보장되는 것은 아니며, 모집 시기와 대상도 매번 달라집니다.
유료 부트캠프든 정부지원 과정이든 신청 전에 아래 질문에 답을 받아야 합니다.
- 실제 업무 문제를 정의하는 단계가 있는가
- 출처가 설명되는 데이터로 작업하는가
- 데모 외에 평가 세트와 실패 기준을 만드는가
- 개인정보·권한·보안을 다루는가
- 배포·연동·로그·비용 같은 운영 요소가 있는가
- 현업 멘토가 결과물을 구체적으로 리뷰하는가
- 수료 뒤 내가 공개할 수 있는 산출물이 남는가
최신 AI 도구 20개, 프롬프트 자격증, 나만의 챗봇 완성만 강조하고 위 질문에 답하지 못한다면 AX 취업과의 연결은 약합니다. 무료 과정도 시간을 쓰는 비용이 있으므로 같은 기준으로 판단해야 합니다.
8주 동안 하나의 AX 증거를 만드는 일정
| 기간 | 할 일 | 남겨야 할 산출물 |
|---|---|---|
| 1주 | 목표 공고 20개에서 반복 업무·기술·산업어 추출 | 직무 요구사항 표, 선택한 역할 1개 |
| 2주 | 사용자 2~3명 또는 실제 업무 경험자에게 현재 흐름 확인 | 현행 업무 흐름도, 기준 지표 |
| 3주 | AI 방식과 규칙 기반·수동 대안 비교, 데이터 점검 | 적용 판단서, 데이터 명세 |
| 4~5주 | 가장 작은 시험 버전 구현 | 동작 데모, 변경 기록 |
| 6주 | 정상·예외·위험 사례로 평가 | 평가표, 실패 로그 |
| 7주 | 사람 승인, 복구, 권한·비용 조건 보완 | 운영 흐름도, 위험 목록 |
| 8주 | 전후 결과와 한계를 정리하고 면접 답변 연습 | 5쪽 안팎 사례 문서, 3분 설명 |
사용자나 현업자를 구하기 어렵다면 아르바이트 경험자, 학교 행정 담당자, 동아리 운영자처럼 그 업무를 실제로 해 본 한 사람에게라도 확인받으세요. 혼자 상상한 불편을 푸는 것과 실제 사용자의 제약을 반영하는 것 사이에는 큰 차이가 있습니다.
기업은 AX 인재를 이렇게 뽑아야 하고, 지원자는 여기에 맞춰 준비해야 합니다
기업이 AI 전략도 세우고, 데이터도 만들고, 모델도 개발하고, 서비스도 운영하며, 현업 변화관리까지 할 3년 차를 찾으면 실제로는 여러 역할을 한 공고에 합친 것입니다. 먼저 채용 목적을 다음 중 하나로 좁혀야 합니다.
- 탐색: 어떤 업무에 AI를 적용할지 찾고 우선순위를 정할 사람
- 구축: 데이터와 시스템을 연결해 시험 버전을 만들 사람
- 운영: 품질·비용·보안·장애를 관리하며 서비스를 유지할 사람
- 확산: 현업이 실제로 쓰도록 프로세스와 교육을 바꿀 사람
그다음 도구 이름을 묻는 면접보다 작은 업무 과제를 주는 편이 낫습니다. 예를 들어 분류되지 않은 고객 문의 100건을 2주 안에 개선한다면 어떻게 시작할 것인가를 제시하고, AI 사용은 허용한 뒤 다음 기준으로 평가할 수 있습니다.
| 평가 항목 | 배점 | 확인할 행동 |
|---|---|---|
| 문제 정의 | 20 | 사용자와 현재 흐름, 성공 기준을 먼저 확인하는가 |
| 데이터 판단 | 15 | 출처·품질·개인정보·라벨 부족을 짚는가 |
| 해결책 선택 | 15 | AI와 더 단순한 대안을 비교하는가 |
| 평가·실패 대응 | 20 | 테스트 사례, 치명적 오류, 사람 이관 조건을 정하는가 |
| 운영·성과 | 20 | 권한·로그·비용·복구와 전후 지표를 보는가 |
| 협업·설명 | 10 | 가정과 모르는 점을 분리하고 현업 언어로 설명하는가 |
경력자에게는 실제 운영 환경에서 내린 결정, 이해관계자 조율, 장애·품질 책임을 깊게 물어야 합니다. 신입에게 똑같은 운영 경력을 요구하면 채용이 아니라 경력 확인에 그칩니다. 신입은 작은 프로젝트의 완결성, 학습 속도, 한계를 숨기지 않는 태도, 피드백 뒤 수정한 결과로 잠재력을 검증하는 편이 맞습니다.
이 평가표는 지원자에게도 면접 준비표가 됩니다. 포트폴리오를 펴고 여섯 항목 중 증거가 없는 칸을 찾으세요. 기술 점수만 높고 문제·평가·운영 칸이 비어 있다면 바로 그 부분이 경력자와 벌어진 간격입니다.
이력서에는 'AI 활용'이 아니라 전환 과정을 쓰세요
다음 문장은 도구 사용만 말합니다.
❌ 생성형 AI와 RAG를 활용해 사내 문서 검색 챗봇을 개발했습니다.
아래 구조는 AX 역량을 보여 줍니다. 수치와 조건은 자신의 실제 기록으로 바꿔야 합니다.
✅ 공개 규정 120건의 검색 시간을 줄이기 위해 근거 문단을 함께 제시하는 RAG 검색을 구현했습니다. 일반·예외 질문 60개로 평가해 근거가 없는 답변을 별도 집계했고, 관련 문서를 찾지 못하면 답변 대신 담당자 확인으로 넘기도록 설계했습니다. 실험 데이터에서는 평균 검색 시간이 줄었지만 실제 조직의 권한별 문서 접근은 검증하지 못해 도입 전 과제로 남겼습니다.
면접에서는 이어서 여덟 질문에 답할 수 있어야 합니다.
- 왜 AI가 필요했고 더 단순한 방법은 왜 제외했나요?
- 도입 전 문제의 크기를 무엇으로 측정했나요?
- 데이터는 어디서 얻었고 사용해도 됐나요?
- 잘된 사례가 아니라 실패 사례는 무엇이었나요?
- 결과가 맞는지 누가 어떤 기준으로 확인했나요?
- AI가 답하면 안 되는 상황은 무엇인가요?
- 실제 배포하면 비용·보안·운영에서 무엇이 달라지나요?
- 팀 결과에서 본인이 결정하고 바꾼 부분은 무엇인가요?
지금 필요한 것은 '경력처럼 보이기'가 아니라 작은 책임의 증거입니다
경력직 중심 시장에서 개인 프로젝트 하나가 3년의 현업 경험을 대신하지는 못합니다. 그렇게 약속하는 교육이나 포트폴리오 조언은 믿지 않는 편이 낫습니다.
그러나 기업이 경력자에게 기대하는 요소를 작은 범위로 나누면 신입도 일부는 증명할 수 있습니다. 문제를 좁히고, 기준값을 잡고, 데이터를 의심하고, 실패를 측정하고, 사람의 책임선을 남기고, 결과의 한계를 말하는 일입니다.
AX 채용에서 취준생의 목표는 최신 AI를 모두 아는 사람이 아닙니다. 한 업무를 AI로 바꿀 때 무엇을 확인해야 결과가 실제로 나아지는지 아는 사람입니다. 그 증거가 쌓이면 자격증 목록이 아니라 경력의 시작점이 됩니다.
출처와 확인 범위
- 한국은행 · 경력직 채용 증가와 청년 고용, 2025-02-04 발표, 2026-08-15 확인
- 한국은행 · AI 확산과 청년고용 위축: 연공편향 기술변화를 중심으로, 2025-10-30 발표, 2026-08-15 확인
- KDI 경제교육·정보센터 · 대한상공회의소 2025년 상반기 채용시장 조사 요약, 2025-06-26 게시, 2026-08-15 확인
- 한국표준협회 · 2026 기업 AI 인재 수요 트렌드 조사, 2026-03-31 게시, 2026-08-15 확인
- LG CNS · AI 11개 직무 경력채용과 AX 역할·역량 체계, 2025-05-26 발표, 2026-08-15 확인
- LG CNS · K-디지털 트레이닝 AI 캠퍼스, 2026-07 발표, 2026-08-15 확인
- LG CNS · 비즈니스 성과로 이어지는 AX Master Plan, 2026년 2월 행사 기반 자료, 2026-08-15 확인
- PwC · 2026 Global AI Jobs Barometer, 2026-06-15 발표, 2026-08-15 확인
대한상공회의소 수치는 특정 민간 채용 플랫폼의 공고 분석이며 국내 전체 채용공고의 구성으로 일반화할 수 없습니다. 한국표준협회 조사는 국내 기업 재직자 487명의 응답이고, LG CNS 자료는 개별 기업의 채용·사업·교육 사례입니다. PwC 수치는 27개 국가·지역의 공고를 분석한 글로벌 자료입니다. 따라서 이 글은 국내 AX 채용이 몇 퍼센트 증가했다고 주장하지 않습니다. 경력 선호와 청년 고용 변화, AI 인재 수요, 실제 AX 역할에서 공통으로 확인되는 요구를 바탕으로 취업 준비와 채용 평가 방법을 제시합니다.