1. AI 분야 경력 개발 조언 (Andrew Ng)
1.1. AI 발전 속도와 황금기 도래
AI 발전 속도에 대한 낙관론:
최근 AI 발전 속도가 둔화되는 것 아니냐는 질문(GPT-5의 성능 등)이 있었으나, AI는 계속 발전하고 있다
AI가 수행할 수 있는 작업의 복잡성(인간이 해당 작업을 수행하는 데 걸리는 시간으로 측정)은 7개월마다 두 배로 증가하고 있다
AI 코딩의 경우, 작업 복잡성이 두 배가 되는 데 걸리는 시간은 약 70일로 훨씬 짧다
AI 분야의 황금기 도래 이유:
더 강력한 소프트웨어 구축 가능: 대규모 언어 모델(LLM), RAG, 증강 워크플로우, 음성 AI, 딥러닝 등의 AI 빌딩 블록을 사용하여 1년 전에는 불가능했던 강력한 소프트웨어를 구축할 수 있다
훨씬 빨라진 개발 속도: AI 코딩 도구 덕분에 소프트웨어 작성 속도가 이전보다 훨씬 빨라졌다
AI 코딩 도구는 매우 빠르게 변화하며, 개인적으로 선호하는 도구는 몇 달마다 바뀐다 (예: Cloud Code → OpenAI Codex (GPT-5 출시 후) → Gemini 3)
최신 도구보다 반 세대만 뒤처져도 생산성이 상당히 떨어진다
1.2. '무엇을 만들지' 결정하는 능력의 중요성 (PM 병목 현상)
AI 시대의 핵심 조언:
AI 빌딩 블록을 활용하여 직접 무언가를 만들고 구축하는 것이 그 어느 때보다 중요하다
AI 코딩으로 명확하게 작성된 소프트웨어 사양을 코드로 변환하는 것이 쉬워지면서, 이제 병목 현상은 '무엇을 만들지 결정하는 것' 또는 '만들고자 하는 것에 대한 명확한 사양을 작성하는 것'으로 옮겨갔다 (제품 관리(PM) 병목 현상)
인간이 병목이다
제품 개발 루프와 PM 역할의 변화:
소프트웨어 개발은 코드를 작성하고 사용자 피드백을 받아 제품을 개선하는 PM 루프를 반복하는 과정이다
AI 코딩 덕분에 소프트웨어 구축 과정이 저렴하고 빨라졌지만, 역설적으로 무엇을 만들지 결정하는 단계가 병목이 되었다
전통적인 실리콘 밸리 기업의 엔지니어 대 PM 비율은 4:1 또는 7:1이었으나, 엔지니어링 속도가 빨라지면서 이 비율이 2:1 또는 1:1로 하향 추세이다
엔지니어의 제품 기획 능력 강조:
제품을 직접 구상할 수 있는 엔지니어는 매우 빠르게 움직일 수 있으며, 엔지니어와 PM 역할을 한 사람이 수행할 때 속도가 훨씬 빨라진다
사용자에게 공감하고 피드백을 받아 무엇을 만들지 결정하는 능력을 배운 엔지니어들이 현재 실리콘 밸리에서 가장 빠르게 성장하고 있다
과거에 엔지니어들에게 제품 관리 업무를 강요하여 실수했던 경험이 있지만, 현재는 엔지니어들이 이 업무를 더 많이 수행하는 것을 다시 고려해 볼 가치가 있다
엔지니어가 PM 역할을 수행하면, 다른 사람이 고객에게 제품을 가져다줄 때까지 기다릴 필요 없이 코드를 작성하고 직감에 따라 다음 단계를 반복할 수 있어 실행 속도(Velocity)가 훨씬 빨라진다
개발은 쉬워져도 좋은 제품 만들긴 어려움
결국 지금 결정하는 인간이 개발 속도의 병목으로 작용하는 것
무엇을 왜 해야 하는지 모르면 철저하게 느려질 수 밖에 없음
지금은 이 느림이 더 극적으로 보이는 순간
1.3. 경력 성공을 위한 인적 네트워크와 환경 선택
주변 사람들의 영향력:
경력 성공과 학습 속도를 예측하는 가장 강력한 요소 중 하나는 주변에 어떤 사람들을 두는가이다
사회학 연구에 따르면, 가까운 친구들이 흡연자일 경우 본인이 흡연자가 될 확률이 높듯이, 열심히 일하고 세상을 개선하려는 사람들과 함께하면 본인도 그렇게 될 가능성이 높다
환경 매우 중요
스탠퍼드의 연결 조직(Connective Tissue) 활용:
스탠퍼드는 훌륭한 학생들과 교수진, 그리고 AI 분야의 최첨단 연구소와 연결된 풍부한 연결 조직을 가지고 있다
이 연결 조직 덕분에 스탠퍼드는 외부에 널리 알려지지 않은 많은 정보를 관계와 우정을 통해 얻을 수 있다
이 정보(예: "이것을 시도해라", "저것은 단지 과대광고일 뿐이다")는 프로젝트의 기술적 방향을 결정하는 데 큰 차이를 만든다
스탠퍼드에 있는 동안 이러한 친구들을 사귀고 연결 조직을 형성하는 것이 중요하다
회사 브랜드보다 팀 선택의 중요성:
취업 시 경력 성공에 훨씬 더 중요한 것은 매일 함께 일할 사람들이다
사례: 과거 스탠퍼드 학생이 유명 AI 회사에 취업했지만, 회사가 팀을 알려주지 않아 결국 AI 프로젝트가 아닌 자바 백엔드 결제 시스템 팀에 배정되어 1년 만에 퇴사한 사례가 있다
회사가 어떤 팀에 배정될지 알려주지 않는다면 의문을 가져야 한다
가장 인기 있는 브랜드의 회사보다, 로고는 덜 유명하더라도 정말 열심히 일하고 지식이 풍부한 좋은 팀을 찾는 것이 더 빨리 배우고 경력을 발전시키는 데 도움이 된다
문을 들어설 때의 회사 로고의 흥분에서 배우는 것이 아니라, 매일 대하는 사람들로부터 배우기 때문이다
함께 시간을 누구랑 보내고 함께 모여서 무엇을 하는지가 매우 매우 중요함
나는 의도한 것은 아니었지만 적절한 환경을 찾은 적도 많았고 목마른 자가 우물을 판다고 적절한 환경을 내가 만든 적도 많았음
하기 나름이지만 처음부터 좋은 환경으로 가는 것도 매우 중요함
1.4. 책임감 있는 구축과 노력의 가치
책임감 있는 구축의 중요성:
강력한 소프트웨어를 더 빠르게 구축하는 것이 쉬워진 만큼, 타인에게 해를 끼치는 소프트웨어를 만들지 않도록 책임감을 가져야 한다
세상에는 아이디어가 넘쳐나지만, 그것을 구축할 기술을 가진 사람이 부족하다
실패 비용이 낮아졌으므로 (주말을 낭비하지만 배우는 것이 있음), 책임감 있는 한도 내에서 시도하고 많은 것을 구축하는 것이 경력에 가장 중요하다
시행착오와 시행착오에서 오는 경험의 가치는 부인할 수 없을 정도로 매우 높음
조수용 카카오 전 대표 말 맞다나 아이디어는 차고 넘침: 아이디어의 유무가 중요한게 아님
실행 전에 아닌 것 같은 건 걍 다 쳐내고, 시행착오 할만한거 바로 hands on으로 해보고 결론을 빨리 내야 함
노력(Hard Work)의 가치:
일부 집단에서는 열심히 일하도록 격려하는 것이 정치적으로 올바르지 않다고 여겨지지만, 열심히 일할 수 있는 위치에 있다면 그렇게 하도록 격려한다
부상이나 장애 등 타당한 이유로 열심히 일할 수 없는 사람들을 존중하고 지원해야 한다
성공한 박사 과정 학생들은 모두 엄청나게 열심히 일하는 모습을 보였다 (예: 새벽 2시까지 하이퍼파라미터 튜닝)
저녁과 주말에 코딩하고 구축하며 사용자 피드백을 받는 것에 흥미를 느낀다면, 그것에 몰두하는 것이 성공 확률을 높일 것이다
멍청한 TV 쇼를 보는 것보다 주말에 코더 에이전트를 찾아 무언가를 시도하는 것을 선택해야 한다
좋아하는 일을 열심히 많이 하는 것, 가치가 있다고 믿는 일을 열심히 많이 하는 것
인생에서 집중해야 할 곳이 어딘지 알고 달려드는 그 모습이 제일 멋지다
그리고 절대 시간의 부족은 어떤 꼼수를 써도 결코 따라잡을 수 없음
1만 시간의 법칙에 대해 이야기는 많지만 시간을 절대적으로 쓰지 않고서는 이를 수 없는 경지가 있음
영리하게 할 필요는 있지만 그렇다고 허슬하지 않고 유의미한 결과를 만들어낼 수도 없음
2. AI 경력 시장 현실과 성공을 위한 세 가지 기둥 (Lawrence Moroni)
2.1. 채용 시장의 냉혹한 현실과 팀워크의 중요성
회사도 지원자를 선택한다:
Andrew Ng의 조언(함께 일할 사람 선택)을 보강하여, 좋은 회사 역시 함께 일할 사람을 신중하게 선택한다는 점을 강조한다
면접 실패 사례 (태도 문제):
사례: 뛰어난 학력과 경험, 엘리트 코딩 실력을 가진 한 청년이 해고된 후 300개 이상의 회사에 지원했으나, Meta, Microsoft 등 대기업 면접에서 계속 탈락했다
모의 면접 결과, 그는 채용 안내 책자에서 조언한 '의견을 고수하고 굽히지 말라'는 내용을 너무 강하게 해석하여 면접 환경에서 적대적인 태도를 보였다
면접관 입장에서 그는 10배의 생산성을 가진 엔지니어(10x Engineer)일지라도, 그 태도 때문에 팀에 합류시키고 싶지 않은 사람이었다
이 청년은 태도를 개선한 후 팀워크를 중요시하는 회사에 취업하여 이전 연봉의 두 배를 받게 되었다
교훈: 면접 코칭에서 '의견을 고수하고 소신을 가져라'는 조언을 받더라도, 무례하게 행동해서는 안 된다
현재 AI 채용 시장의 현실:
현재 AI 분야의 경력 환경은 이상적이지 않으며, 가지고 있는 모든 무기(스탠퍼드 네트워크, 명성)를 사용해야 한다
시장 현실:
주니어(졸업생 수준) 채용이 크게 둔화되었다
대규모 기술 기업의 정리 해고가 헤드라인을 장식하고 있다
진입 수준(Entry-level) 일자리가 부족하게 느껴진다
경쟁이 치열하다
결론: 걱정할 필요는 없으며, AI 환경 변화를 이해하고 올바른 사고방식으로 접근하면 성공할 수 있다
2.2. AI 산업 변화와 채용 시장 조정
AI 산업의 역사적 변화:
1992년 AI에 처음 참여했으나 곧 AI 겨울(AI Winter)이 왔고, 2015년 Google TensorFlow 출시와 함께 AI 붐이 다시 시작되었다
2021년~2022년 (팬데믹): 산업 둔화로 인해 기업들이 수익을 직접 창출하는 분야로 선회하며 채용을 축소했다 (예: TensorFlow는 오픈소스라 직접 수익을 창출하지 않아 축소됨)
2022년~2023년 (AI 폭발과 과잉 채용): 팬데믹에서 벗어나면서 AI가 폭발적으로 성장했고, 기업들은 채용 적체 해소와 AI 우선 전략을 위해 미친 듯이 채용했다
이로 인해 자격이 부족한 사람도 높은 직책을 얻거나, 인재 확보 경쟁(Talent Grab)이 발생했다
Andrew Ng의 사례처럼, AI 인재를 확보한 후 나중에 무엇을 시킬지 결정하는 일도 있었다
2024년~2025년 (대규모 조정): 과잉 채용의 결과로 많은 기업이 자격 미달 인력을 보유하고 있음을 깨닫고 대규모 조정(Great Wakeup)이 발생했다
현재: 기업들은 AI 기술 채용에 훨씬 더 신중해졌으며, 지원자는 전략적으로 접근해야 기회를 잡을 수 있다
2.3. 성공을 위한 세 가지 핵심 기둥
성공의 세 가지 기둥: AI 비즈니스 세계에서 ...
