심각한 한국 AI 개발 시장의 실체, 보이는게 다가 아님

https://youtu.be/n-DS9nREm1w

 

AI 개발 시장의 숨겨진 현실과 냉정한 진실을 파헤치는 심층 대화입니다. 현직 박사 과정 연구자의 생생한 경험을 통해, AI 공부의 실질적인 테크트리부터 취업 시장의 어려움, 그리고 한국 AI 산업의 현주소까지 폭넓은 인사이트를 얻을 수 있습니다. 특히, AI 개발자로서 겪게 될 끝없는 학습과 경쟁의 압박, 그리고 해외 기업과의 엄청난 연봉 격차 등, 겉으로 보이는 화려함 뒤에 감춰진 현실적인 고민들을 솔직하게 들을 수 있습니다. AI 분야 진출을 고민하는 이들에게 막연한 환상 대신 현실적인 준비와 전략을 세울 수 있도록 돕는 필수적인 가이드가 될 것입니다.

 

1. AI 전문가 용담 박사 과정생 소개 및 AI 분야 개요

 

1.1. 용담 박사 과정생 자기소개

1. AI 분야 전업 강사 및 박사 과정생: 용담은 패스트캠퍼스 전속 강사이자 유튜브 채널 운영, 기업 강의 등을 통해 AI 관련 강의를 전업으로 해왔다.
2. 박사 과정 진학: 최근 공부에 대한 열정으로 박사 과정에 입학하여 현재 AI 분야를 연구 중이다.
3. 현재 연구 분야: 현재 벡터 DB(Vector DB) 분야를 연구하고 있으며, 특히 RAG(Retrieval Augmented Generation) 기술에 많이 활용되는 벡터 DB의 역할에 주목하여 연구를 진행하고 있다.

 

1.2. AI 분야의 주요 분류

1. AI 연구 분야의 큰 분류: AI는 크게 AI 자체를 연구하는 분야, AI를 응용하는 분야, 그리고 AI와 하드웨어를 연관하여 연구하는 분야로 나눌 수 있다.
2. AI 펀더멘탈 분야의 세부 도메인:
   1. 컴퓨터 비전(Computer Vision): 이미지 처리 분야이다.
   2. 자연어 처리(NRP): 자연어 처리 분야이다.
   3. 오디오 프로세싱(Audio Processing): 음성 처리 분야이다.
   4. 추천 시스템: 사용자에게 콘텐츠를 추천하는 분야이다.
3. AI 응용 분야: 위 펀더멘탈 분야들을 의학, 법학, 교육 등 다양한 도메인에 적용하는 것을 의미한다.
   1. 용담 박사 과정생은 컴퓨터 공학의 기존 DB 분야에 AI를 접목하는 연구를 진행하고 있다.

 

2. AI 학습 테크트리 및 교육 기관 선택 가이드

 

2.1. AI 학습의 일반적인 테크트리

1. 파이썬 학습: AI 공부의 가장 첫 단계는 파이썬(Python) 프로그래밍 언어를 배우는 것이다.
2. 머신러닝 학습: 파이썬 다음으로 머신러닝(Machine Learning)을 공부한다. 머신러닝은 직접적으로 쓰이는 곳도 있지만, AI의 원론적인 개념을 이해하기 위해 먼저 학습하는 경우가 많다.
3. 딥러닝 학습: 머신러닝 이후에는 딥러닝(Deep Learning)으로 넘어간다. 보통 트랜스포머(Transformer) 모델까지 배우는 것이 일반적이다.
4. 분야별 전문 학습: 딥러닝 학습 후에는 관심 있는 분야(예: 컴퓨터 비전, 자연어 처리, 음성 처리, 추천 시스템)를 선택하여 해당 분야의 역사와 연구 흐름을 따라가며 심화 학습을 진행한다.

 

2.2. AI 교육 기관 선택 가이드

1. 학습 목표 설정의 중요성: AI 공부를 시작하기 전에 "AI로 무엇을 하고 싶은지"를 명확히 정하는 것이 중요하다. 학습 목표에 따라 공부 방법과 기관 선택이 크게 달라지기 때문이다.
2. 학부생의 경우: 학교에서 개설된 AI 관련 수업을 수강하는 것이 좋다.
3. 졸업 후 직장인의 경우:
   1. 취미 목적: 직장인을 위한 무료 부트캠프 과정을 활용하는 것이 좋다.
   2. 직무 전환 목적: 대학원 진학 또는 부트캠프 수강을 고려할 수 있으며, 일반적으로 부트캠프를 많이 추천한다.
4. 부트캠프와 대학원의 차이점:
   1. 스펙의 중요성: 부트캠프 수료 후 취업 여부는 개인의 기존 스펙(학력, 경력 등)에 크게 좌우된다.
      1. 예시: 서울대 생명공학 전공자가 부트캠프를 통해 AI 분야로 전환하여 좋은 회사에 취업하는 경우가 있으나, 이는 부트캠프 자체의 효과보다는 기존 학력 스펙의 영향이 크다.
      2. 스펙이 부족한 경우: 대학원 진학이 더 유리할 수 있다.
      3. 기존 경력이 풍부한 경우: 현업 개발자(예: 백엔드 10년 경력)는 부트캠프에서 스킬만 배워도 충분히 경쟁력을 가질 수 있다.
   2. 강의 퀄리티와 내용의 깊이:
      1. 부트캠프: 강의력 측면에서 전반적으로 퀄리티가 훨씬 좋다. 강사들은 강의력으로 평가받기 때문에 실용적인 스킬셋 학습에 적합하다.
      2. 대학원(석사 과정): 내용의 깊이나 전문성 측면에서는 교수님들의 강의가 더 낫다. 원론적인 내용을 딥하게 배우는 경향이 있다.
   3. 취업 포지션에 따른 요구사항:
      1. 빠른 개발 및 구현: 당장 결과물을 만들어야 하는 회사에서는 코딩 능력이 뛰어난 부트캠프 출신을 선호할 수 있다.
      2. R&D 포지션: 연구 개발 중심의 포지션에서는 대학원 출신을 선호하는 경향이 있다.

 

3. AI 산업의 현실과 취업 시장의 어려움

 

3.1. AI 분야의 빠른 변화와 학습의 어려움

1. 끊임없는 학습의 필요성: AI 분야는 트렌드가 매우 빠르게 변화하므로, 개발자들은 끊임없이 새로운 기술을 학습해야 한다.
2. 위기 의식: AI 전문가들조차도 이러한 빠른 변화 속에서 위기 의식을 느낀다.
3. AI 학습의 개인적 선택: 모든 사람이 AI를 깊이 있게 공부할 필요는 없으며, 개인의 목표에 따라 학습의 깊이를 결정해야 한다.
   1. 박사 과정 진학이나 전업으로 AI에 올인하는 것은 신중하게 고민해야 할 문제이다.
   2. 기존 직업을 유지하면서 AI를 배우는 것은 좋지만, 전업으로 전환하는 것은 기회가 생각보다 많지 않으므로 고민이 필요하다.

 

3.2. 한국 AI 산업의 인력 구조 및 취업 난이도

1. AI 인력의 양극화: AI 분야는 천재적인 소수의 인력이 산업을 이끌어가는 경향이 강하며, 중간층의 인력 수요가 웹 개발 분야보다 적다.
2. 해외 인력 집중: 한국에는 이러한 천재적인 AI 인력이 부족하며, 대부분 구글, 메타 등 해외 빅테크 기업에 집중되어 있다.
3. AI 개발자 취업의 어려움: AI 개발자로서 취업하는 것은 매우 어렵다.
   1. 경쟁자 증가: AI 초창기(2016년경)에는 기회가 많았으나, 현재는 AI 대학원 석사 졸업생 및 박사 인력이 급증하여 경쟁이 심화되었다.
   2. 수요 감소: 회사들이 AI 투자에서 수익을 내지 못하면서 AI 분야에 대한 투자가 줄고, 이에 따라 AI 관련 일자리도 감소하는 추세이다.
   3. 신입의 설 자리 감소: 회사들이 AI 프로젝트를 진행하면서 신입 개발자의 효용성이 낮다고 판단하고 있다.
      1. 경력직 선호: 백엔드 개발 경력이 길면서 AI 지식을 갖춘 인력을 선호한다. 이는 LLM(거대 언어 모델) API 등으로 AI 기능이 대체되면서 백엔드 개발자가 AI 기능을 활용하는 형태로 변화했기 때문이다.
      2. AI 툴의 영향: 커서(Cursor) AI와 같은 코딩 AI 툴의 발전으로 경력직 개발자가 AI 툴을 활용하여 코딩하는 것이 신입보다 효율적이라고 판단하는 경우가 많다.
   4. 실제 채용 감소: 네이버, 카카오 등 국내 대기업의 AI 관련 채용 공고가 거의 없으며, 분야도 매우 한정적이다.

 

3.3. 취업에 유리한 AI 분야 및 포트폴리오 준비

1. 취업에 유리한 AI 분야: 현재 취업이 잘되는 AI 분야는 LLM(Large Language Model)과 에이전트(Agent) 분야로 한정되어 있다.
   1. AI 시장은 트렌드를 강하게 타기 때문에, 현재 기업들이 에이전트 관련 투자를 늘리면서 해당 분야의 채용이 증가하고 있다.
2. LLM 학습 로드맵:
   1. 검색 개념 학습: LLM을 이해하기 위해서는 기존의 검색(Search) 개념부터 공부해야 한다.
   2. 웹 개발 지식: 기본적인 웹 개발 지식도 필수적이다.
3. AI 포트폴리오의 변화:
   1. LLM 이전: 오픈 소스 AI 모델을 가져와 특정 AI 태스크에 맞게 학습시켜 성능을 내는 것이 포트폴리오의 기준이었다.
   2. LLM 이후: LLM API를 활용하면 쉽게 결과물을 만들 수 있게 되면서, AI 개발자로서 "무엇을 할 줄 알아야 하는가"에 대한 기업들의 기준이 모호해졌다.
   3. 면접의 어려움: 회사마다 요구하는 역량이 달라 면접 질문도 다양하며, 정답이 없는 상황이다.
   4. AI 분야의 근본 부재: 웹 개발과 달리 AI 분야는 역사가 짧고 변화가 매우 빨라 "베스트 프랙티스"나 "근본"이 부족하다.

 

4. 한국 AI 기술의 현주소와 해외와의 격차

 

4.1. 박사 과정 진학 동기

1. 강의 폭의 한계: AI 강의를 오래 하면서 자신이 할 수 있는 강의의 폭이 정해져 있다는 것을 느꼈다.
2. 새로운 공부의 필요성: 새로운 지식을 습득하고 싶은 욕구와 함께, 장기적으로는 교수가 되어 자신이 원하는 강의를 자유롭게 하고자 박사 과정에 진학했다.
3. 교수직 목표: 교수가 되기 위해서는 박사 학위가 필수적이라고 판단했다.

 

4.2. 한국 AI 기술의 위치 및 해외와의 격차

1. 논문 수 비교의 무의미함: 한국의 AI 논문 수는 미국, 중국과 비교할 의미가 없을 정도로 차이가 크다. 미국과 중국은 AI 및 컴퓨터 과학 분야에서 압도적인 1, 2위를 차지하고 있으며, 인력 규모 자체가 다르다.
2. 한국 AI 기술 발전의 저해 요인:
   1. 정부 지원 부족: 정부의 R&D 예산이 줄어들고 있으며, AI 분야에 대한 지원 방향이 비효율적이다.
   2. 규모의 싸움: GPT 등장 이후 AI 기술 개발은 막대한 자본 투자가 필요한 '규모의 싸움'이 되었다.
      1. 일각에서는 한국 AI 기업들이 해외 빅테크와 경쟁하기 어렵기 때문에, 차라리 몇몇 기업에 데이터와 자금을 몰아주어 '한국의 구글'을 만들자는 의견도 나온다.
   3. 인재 유출: 한국의 AI 인재들이 해외로 유출되는 현상이 심각하다.
      1. 해외 기업의 높은 연봉: 구글, 메타 등 해외 빅테크 기업의 AI 박사 초봉은 9억~11억 원에 달하며, 시니어급은 20억 원 이상이다.
      2. 해외 취업의 어려움: 한국 AI 개발자가 해외 빅테크에 취업하는 것은 매우 어렵다.
         1. 언어 장벽: 영어가 능숙해야 한다.
         2. 비자 문제: 비자 취득이 어렵다.
         3. 경쟁력 부족: 해외 경쟁자들보다 실력이 뛰어나야 한다.
         4. 웹 개발 분야는 해외 취업 사례가 많지만, AI 분야는 거의 없다.
   4. 교육 인프라 격차: 한국과 해외(특히 미국)의 AI 교육 인프라에 큰 차이가 있다.
      1. 대학원 등록금: 미국 대학원 등록금은 한 학기에 4천만 원수준인 반면, 한국은 680만 원수준으로 인프라와 교육 퀄리티에 차이가 발생한다.
      2. 인재 풀: 주변 학생들의 수준 또한 다르다.
      3. 이러한 격차는 단순한 금전적 지원만으로는 해결하기 어려우며, 대학교육 시스템 전반의 변화가 필요하다.

 

5. AI 공부의 현실적인 조언 및 미래 전망

 

5.1. AI 공부 중 겪었던 충격과 깨달음

1. ChatGPT 5.0의 충격: ChatGPT 5.0이 출시되었을 때, 교수가 된다면 학생 대신 AI와 연구하는 것이 더 빠를 것이라는 생각을 했다.
   1. 이는 석사 신입생들이 코딩이나 AI 지식이 부족한 반면, AI 툴은 연구 실적을 내는 데 훨씬 효율적이기 때문이다.
   2. AI 툴의 발전 속도가 매우 빨라 이제는 리서치 분야에서도 AI의 역할이 커지고 있다.
2. AI 공부의 예상과 다른 점:
   1. 영어의 중요성: AI 분야에서는 영어가 매우 중요하다. 논문이 대부분 영어로 작성되며, 원문을 직접 이해하는 것이 번역기를 사용하는 것보다 훨씬 효과적이다.
   2. 끝없는 경쟁과 학습: AI 분야는 변화 속도가 너무 빨라 끊임없이 학습하고 달려야 한다.
      1. 대부분의 AI 직무는 시간 싸움이며, 야근이 일상화되어 있다.
      2. AI 기술은 내가 학습하는 속도보다 더 빠르게 새로운 것이 생겨나므로, 항상 뒤처지는 느낌을 받게 된다.
      3. 논문의 홍수: 1년에 중요한 학회에서만 3만 편이상의 논문이 쏟아져 나오기 때문에, 모든 논문을 읽는 것은 불가능하며, 원하는 분야의 논문만 따라가기도 벅차다.
3. AI 개발의 불확실성: 웹 개발과 달리 AI 개발은 결과가 바로 나오지 않고, 미지의 세계를 탐험하는 것과 같다.
   1. 실험이 잘 되기를 기도하는 경우가 많을 정도로 불확실성이 크다.
   2. 정답이 정해져 있지 않기 때문에 모든 경험이 스펙이 되지만, 동시에 모든 것을 직접 시도해야 하는 어려움이 있다.

 

5.2. AI 공부를 시작하는 이들을 위한 조언

1. 트렌드 파악의 중요성: AI는 현재 가장 큰 트렌드이므로, 트렌드를 놓치지 않기 위해 어느 정도까지 공부할지 정하는 것이 중요하다.
2. 가볍게 시작하기: 처음에는 챗GPT나 퍼플렉시티(Perplexity) 같은 AI 툴을 활용하거나, 관심 있는 강의를 들어보면서 가볍게 시작하는 것을 추천한다.
3. 목표 설정 및 몰입: 공부를 하다 보면 하고 싶은 분야가 생길 수 있으며, 그때부터는 자신의 상황에 맞춰 얼마나 몰입할지 결정해야 한다.
4. 빠른 실행의 이점: 트렌드 분야에서는 일단 발을 담그기로 했다면, 빠르게 달리는 것이 기회를 잡는 데 유리하다.