진한 칸일수록 이 직업에서 해당 지표가 높습니다.
낮음높음
각 막대는 이 주제의 0-100 도감 점수입니다. 시간축이 아닙니다.
이 직업의 보수와 AI 내성을 같은 0-100 척도로 봅니다.
두 점수는 항상 보입니다. 슬라이더를 옮기면 왼쪽(보수)과 오른쪽(AI 내성) 강조가 바뀝니다.
보수
AI 내성
점 하나: 이름 붙인 두 축 위 이 직업의 위치입니다.
이 역할에서 일하기 전까지 보통 걸리는 교육·훈련 햇수입니다.
현장에 투입되기까지 약 10년의 교육·훈련
10년
시간 순 이정표입니다. 주간 활동 격자가 아닙니다.
학업, 재교육 또는 첫 제안을 고민하는 사람과 이 직업 지도를 공유하세요.
AI 연구원: 기계 지능을 뒷받침하는 알고리즘을 설계하고 검증하는 직업으로, 이제는 자기 자신의 연구 과정 상당 부분을 자동화하려는 경쟁이 벌어지는 분야이기도 하다.
AI 연구원은 소프트웨어가 이미지를 인식하고, 언어를 생성하고, 계획을 세우고 결정을 내릴 수 있게 하는 알고리즘을 설계, 훈련, 평가한다. 대개는 머신러닝의 한 형태로, 사람이 손으로 규칙을 작성하는 대신 모델이 방대한 데이터를 처리하며 과제 수행 능력을 향상시키는 방식이다. 이 작업은 새로운 아키텍처를 발명하는 대학 연구실부터 검증된 방법을 확장하는 기업 연구팀, 그리고 극히 적은 데이터로 모델이 학습하는 방법처럼 좁은 한 분야에 경력을 바치는 전문가까지 폭넓게 걸쳐 있다.
이 분야는 대부분의 사람들이 짐작하는 것보다 훨씬 젊다. '인공지능'이라는 표현은 1956년 다트머스 대학교의 여름 워크숍을 위해 1955년에 만들어졌으며, 그 이후로 이 분야는 초기 약속이 지켜지지 않아 자금 지원이 붕괴하는 시기, 즉 '겨울'을 두 차례 거쳤다. 오늘날 지배적인 접근법인 딥러닝은 수십 년간 소수 입장이었다가, 2012년 단 한 번의 이미지 인식 대회와 2017년 '어텐션'에 관한 논문 하나로 인해 점점 더 큰 신경망을 점점 더 많은 데이터로 훈련시키는 방향으로 학문 전체가 재편되었다.
AI 연구는 이 사이트에서 다루는 직업 중 특이한 위치에 있는데, 연구 대상과 연구 도구가 같은 기술이기 때문이다. 이 분야 자체의 산출물로 만들어진 도구들이 이제 문헌 검토 초안을 작성하고, 실험을 제안하고, 훈련 실행용 코드를 작성하며, 일부 연구소는 연구 과정 자체의 일부를 자동화하려 공공연히 시도하고 있다. 그 압박 속에서 무엇이 살아남고 무엇이 사라지는가가 이 프로필이 안심시키기보다는 솔직하게 답하려는 질문이다.
AI 연구자는 영감의 순간이 아니라 실험의 리듬으로 산다. 가설·데이터·학습 곡선·실패 로그를 반복하며, 논문·프로토타입·내부 보고 중 무엇이 ‘완료’인지는 소속에 따라 갈린다.
캘린더는 논문 읽기, 데이터셋·벤치마크 점검, 학습 잡 제출, 결과 표 정리, 지도학생·동료와의 디버깅, 세미나로 채워진다. ‘아이디어가 떠오르는 밤’보다, 재현되지 않는 숫자를 추적하는 오후가 더 많다. 좋은 연구 습관은 화려한 데모보다 실패한 설정을 기록하고, 베이스라인과 정직하게 비교하는 일이다. 한국 대학·출연연·기업 연구소에서는 GPU 큐·과제 마감·성과 지표(논문·특허·데모)가 그 리듬을 규정한다. 최신 모델을 따라가는 속도와, 자신의 문제 정의가 실제로 새로운지를 구분하는 판단이 동시에 필요하다. 코드가 돌아가는 것과 주장이 성립하는 것은 다르다. 하루의 산출물은 종종 ‘이 가설은 틀렸다’는 짧은 메모다. 그 메모를 쌓는 사람이 다음 분기 실험을 설계할 자격을 얻는다.
대학·출연연의 연구자는 출판과 지도에, 기업 연구소는 제품·데이터·규제 제약 안의 돌파에, 스타트업은 데모와 채용 스토리에 가깝다. 같은 ‘AI 연구’라도 계산 자원·데이터 접근·공개 가능 범위가 다르다. 국내에서는 삼성·네이버·카카오·LG·현대 등 대기업 연구소, KAIST·서울대·POSTECH 등 학계, ETRI 등 출연연, 그리고 스타트업이 인재를 놓고 경쟁한다. 전문연구요원·석박사 병역 경로가 커리어 타이밍을 흔들고, 해외 박사·포스트닥 경험이 채용에서 가중치를 받기도 한다. 산업계로 옮기면 논문 수보다 시스템·데이터·협업 능력이 재평가된다. ‘연구만 하고 싶다’는 말은 조직의 평가표 앞에서 자주 수정된다. 자신이 어떤 산출물로 평가받는지 먼저 고르는 것이 이직의 핵심이다.
국가 면허는 없다. 대신 학회·저널·오픈소스·기술 블로그·동료 평가가 평판을 만든다. 박사·포스트닥이 흔한 입구지만, 예외적으로 강한 엔지니어링+연구 포트폴리오도 통한다. 인터뷰는 수학·실험 설계·논문 비판·코딩을 섞어 묻는다. 국내 학계·대기업 연구소는 SCI급·탑티어 학회 실적이 강하게 작동하고, 서비스 조직의 응용 연구 역할은 제품 임팩트와 특허를 본다. 영어 논문 작성과 리뷰 응대가 일상의 일부이며, 한국어로 비연구 이해관계자를 설득하는 번역 능력도 점점 요구된다. ‘한 편의 화려한 논문’보다 재현 가능한 코드와 정직한 한계 서술이 장기 신뢰를 만든다. 지도교수·랩 문화가 초기 경력의 운을 좌우하는 면이 있어, 랩 선택 자체가 전략이다.
코드 어시스턴트·자동 실험 툴·문헌 요약은 연구자의 반복을 줄인다. 동시에 표절·데이터 누수·벤치마크 해킹·환각 인용 위험이 커진다. 남는 일은 문제 선택, 평가 설계, 부정 결과의 해석, 안전·편향·배포 위험을 제품 팀에 번역하는 일이다. 한국에서도 생성형 AI 붐 이후 ‘데모 가능한 연구’ 압력이 세졌고, 기초와 응용 사이의 긴장이 랩마다 다르다. 정부·기업 과제는 마일스톤 데모를 요구하고, 학계는 재현성과 신규성을 동시에 본다. 자동화는 초보의 보일러플레이트를 줄이되, 시니어의 연구 윤리·재현성·우선순위 책임을 넓힌다. 도구를 쓰는 속도와, ‘이 결과는 세상에 나가도 되는가’를 멈추는 판단의 격차가 곧 연구자의 직업적 무게다. 공개 전 라이선스·개인정보·이중용도 점검은 논문 제출만큼 실무가 됐다.
같은 직함 아래 흔한 다섯 갈래 — 전문 분야, 일터, 커리어 경로.
출판·강의·학생 지도가 중심이다. 과제 수주와 랩 운영이 연구 시간만큼 무게를 갖는다.
제품 데이터와 계산 자원 안에서 돌파를 노린다. 공개 범위와 특허 전략이 일상을 규정한다.
논문을 프로덕션 제약에 맞게 옮긴다. 연구와 MLOps 사이의 번역이 핵심이다.
평가·레드팀·정책 연구를 한다. 기술과 규범을 동시에 다룬다.
데모·채용·투자 스토리와 실험을 동시에 진다. 깊이와 속도의 트레이드오프가 매일이다.
같은 일이라도 진입 관문·지위·일상이 다릅니다. 각 언어 독자가 실제로 찾는 맥락으로 다시 썼습니다.
탑 컨퍼런스·빅테크 연구소·대학이 인재와 계산 자원을 흡수한다. 주식 보상과 이민·비자 이슈가 경력에 얽힌다.
KAIST·서울대·POSTECH 등 학계와 삼성·네이버·카카오·LG 등 기업 연구소, 출연연이 인력 시장을 나눈다. 전문연구요원·석박사 병역이 타이밍을 흔들고, SCI·탑티어 학회 실적이 학계·연구소 채용의 강한 필터다. GPU·데이터 접근은 소속 예산에 좌우되며, 서비스 조직의 응용 연구는 특허·데모·제품 임팩트로 재평가된다. 영어 출판이 기본이고, 국내 과제·정부 R&D 문서 체계도 시간을 가져간다. ‘연구자’와 ‘ML 엔지니어’ 공고가 혼용되어 역할 확인이 필수다. 해외 박사 후 귀국 시장과 국내 박사 트랙의 보상·안정성 트레이드오프가 뚜렷하다.
대기업 연구소와 대학 협력이 강하고, 장기 과제가 가능하다. 영어 출판과 국내 네트워크가 함께 필요하다.
연구소·대학·산업이 다층 경로를 만든다. 제조·자동차 도메인과 공개 연구 사이의 균형이 과제다.
강한 대학 생태계와 런던 스타트업·딥마인드류 중력가 있다. 비자·펀딩이 초기 경력을 좌우한다.
대학·정부 연계 연구가 경제 전략과 맞물린다. 국제 채용과 영어 환경이 기본이다.
이 직업용으로 자체 호스팅한 Commons CC/PD 이미지입니다.
AI 연구는 자체 동료 검증 속도보다 훨씬 빠르게 달려가고 있다. 그래서 재현되지 않는 결과나 자신의 핵심 주장을 약화시키는 절제 실험을 있는 그대로 밝히는 연구자의 정직함이, 이 분야가 가진 사실상 유일한 품질 관리 장치인 경우가 많다.
결과가 실제로 좋아 보이는 이유가 운 좋은 난수 시드였거나, 보고되지 않은 하이퍼파라미터 탐색이었거나, 제안 방법만큼 정성껏 튜닝되지 않은 베이스라인이었을 수 있는데, 이를 직접 확인할 만큼 충분한 컴퓨팅 자원을 가진 외부 연구실은 거의 없다. 성공한 시드와 함께 실패한 시드를 나란히 보고할지는 논문만 보고는 어떤 심사자도 검증할 수 없는 결정이다. 이 분야의 지식은 결국 연구자들이 자신의 가장 좋은 결과를 스스로 깎아내리려는 의지가 있는 정도만큼만 신뢰할 수 있으며, 그 의지가 없다면 학계 전체가 서로의 과장을 재생산하게 된다.
한 번의 대규모 학습 실행이 연구자의 연봉보다 더 비쌀 수 있으므로, 다음에 무슨 실험을 할지 판단하는 능력이야말로 실력이 실제로 드러나는 지점이며 그저 많은 실험을 빠르게 돌리는 능력보다 훨씬 값어치가 크다. 애매한 결과를 충분히 오래 붙들고 이해하지 못한 채 곧바로 더 화려한 다음 아이디어로 넘어가버리는 연구자는, 같은 예산을 가진 더 신중한 동료라면 절대 낭비하지 않을 자원을 그대로 소모한다. 국내 랩에서는 이 신중함이 빠른 논문 실적 압박과 자주 충돌하며, 지도교수가 결과를 서두를수록 그 애매한 결과를 붙들고 있을 여유는 더 줄어든다. 결국 무엇을 시도하지 않을지 판단하는 것도 이 직업의 실력이다.
논문 마감과, 같은 능력을 먼저 발표하려는 랩 사이의 경쟁은 잘 골라낸 시연 하나를 일반적인 결과처럼, 좁은 벤치마크에서의 승리 하나를 더 광범위한 돌파구처럼 묘사하려는 유혹을 끊임없이 만들어낸다. 다가오는 마감 앞에서도 자신의 주장을 스스로 무너뜨릴 수 있는 지루한 절제 실험을 실제로 돌리는 연구자만이 이 분야의 공적인 주장을 홍보가 아니라 검증 가능한 것으로 지켜내며, 그렇게 지켜내지 못하면 학계 전체의 신뢰가 조금씩 깎여나간다. 논문 한 편의 과장은 짧게는 주목을 끌지만, 길게는 그 저자와 소속 랩의 이름에 그대로 따라붙는다.
구호가 아니라, 실제 업무가 요구하는 다섯 가지 구체적 자세입니다.
그 비교를 건너뛰면 더 인상적인 숫자가 논문 초록에 아무런 이의 없이 실릴 수 있는데도, 제안한 방법이 제대로 튜닝된 베이스라인을 실제로 능가하는지 시험한다. 그 결과가 무엇을 보여주든 정직하게 보고하는 것이 핵심이며, 자신의 주장을 스스로 검증하려는 의지가 곧 연구자의 진짜 실력이다. 이 실험을 생략한 논문은 나중에 다른 연구자의 손에서 결국 같은 방식으로 검증받게 되며, 그 검증이 늦게 이루어질수록 저자의 평판에 더 큰 타격이 남는다.
긍정적인 결과가 발표하고 축하하기 훨씬 쉽다는 이유로 실패한 실험이 그냥 사라지도록 두는 대신, 팀의 미래 방향을 좌우할 내부 노트에까지 그것을 기록으로 남긴다. 다음에 같은 실수를 반복하지 않도록 하는 것이 이 기록의 진짜 목적이며, 이 노트가 없는 랩은 몇 년 뒤 후배 연구자가 똑같은 막다른 길을 다시 걷게 된다. 실패의 기록이 쌓인 랩일수록 다음 성공까지 걸리는 시간이 줄어든다.
다른 팀이나 자신이 나중에 다시 시도했을 때 이전에 발표한 결과가 재현되지 않는다면, 특정하기 어려운 구현상의 차이로 둘러대고 넘어가는 대신 그 사실을 공개적으로든 내부적으로든 인정한다. 이 인정이야말로 연구가 홍보와 갈라지는 지점이며, 이를 인정하는 연구자의 다음 논문이 오히려 더 신뢰받는다. 인정을 미루는 시간이 길어질수록 그 침묵 자체가 나중에 더 큰 의심을 산다.
더 폭넓고 눈길을 끄는 주장이 심사 통과와 자금 지원, 언론과 소셜미디어의 호의적 보도를 더 쉽게 얻어낼 수 있어도, 논문 초록과 공개 커뮤니케이션에서는 시스템이 실제로 무엇을 하는지만 그대로 서술한다. 과장된 제목이 며칠은 더 많은 관심을 끌어도 결국 남는 것은 정확했던 서술뿐이며, 부풀린 주장은 다음 논문에 대한 심사자의 의심으로 되돌아온다.
누군가 진단하지 못한 버그를 운 좋은 난수 초기화가 우연히 가려주기를 바라며 곧바로 다른 시드로 재시도하는 대신, 학습 실행이 왜 기대에 못 미쳤는지 로그를 먼저 조사한다. 이 순서를 지키지 않으면 같은 버그가 다음 실험에서 다른 얼굴로 다시 나타나며, 결국 더 많은 컴퓨팅 예산을 낭비하게 된다.
이력서용 표현과 실제 수행이 갈라지는 상황들입니다.
다른 연구팀이나 내부 동료가 논문의 핵심 결과를 재현할 수 없다고 알려온다. 상대방의 구현 실수라고 단정 짓는 대신 그 보고를 진지하게 조사하는지가, 연구자가 정확성에 대해 실제로 갖고 있는 진짜 헌신을 보여주며, 이 조사에 쏟는 시간은 논문 실적으로는 전혀 계산되지 않는다. 이 시간을 아까워하지 않는 태도가 결국 그 연구자의 평판을 만든다.
동료 심사가 정직하게 돌렸을 때 논문의 핵심 주장을 약화시킬 수도 있는 바로 그 비교 실험을 요구한다. 그것을 제대로 돌려 나온 대로 보고하는지, 아니면 거절할 기술적 근거를 찾는지가 엄격한 연구자와 설득력만 있는 연구자를 갈라놓으며, 이 선택은 그 논문의 수명을 몇 년 뒤까지 좌우한다. 심사자의 요구를 피해 간 논문은 결국 다른 형태로 다시 그 질문을 마주한다.
수십 번의 실패 가운데 소수의 성공적인 출력만 모아 화려한 시연을 만든다. 그 선별 과정을 대표적인 능력이라고 공개적으로 설명하는지, 아니면 솔직하게 최고 사례만 고른 것이라고 밝히는지가 데모로 소통하는 이 분야에서 반복적으로 나타나는 시험이며, 그 설명의 정직함이 다음 투자와 신뢰를 좌우한다. 과장된 데모는 결국 실제 제품 단계에서 그 간극만큼의 실망으로 되돌아온다.
주요 제출 마감이 다가오는데 여러 검증 절차가 아직 끝나지 않았다. 체크를 건너뛴 채 제출하는지, 아니면 제출을 늦추거나 주장을 그만큼 완화하는지가 마감 압박과 과학적 기준 중 무엇이 이 연구자의 실제 행동을 지배하는지 드러내며, 이 결정은 지도교수와의 관계 속에서 더욱 어려워진다. 마감을 지키지 못했다는 불편함은 짧고, 검증되지 않은 주장의 대가는 훨씬 길다.
머신러닝 박사 과정과 산업 연구실에서는 마감 전 밤샘 작업이 인력 부족의 증상이 아니라 당연히 거쳐야 할 통과의례로 여겨지는 문화가 이미 여러 차례 문서로 기록됐다. 주니어 연구자들은 그 연구가 세상을 얼마나 바꿀 것인지에 대한 언어에 밀려, 평소라면 거절했을 저자 표기 방식이나 근무 시간을 받아들이라는 지도교수의 압력을 받는다는 증언을 내놓는다. 국내 대학원 랩에서도 좋은 학회 실적과 지도교수의 평판이 걸린 구조 속에서 '세상을 바꾸는 연구'라는 언어가 학생의 과중한 노동을 문제 제기 없이 넘기게 만드는 데 그대로 동원된다. 정규직 연구자리가 극히 적은 산업 구조 속에서 이런 조건에 이의를 제기하는 일은 곧 그 자리를 잃을 위험으로 되돌아온다.
중간
AI 연구원의 일상적 업무 중 상당 부분 — 문헌 정리, 실험 코드 초안, 하이퍼파라미터 탐색, 관련 연구 섹션 초안 작성 — 은 이미 AI 시스템이 비슷한 속도로 해낼 수 있으며, 연구 루프를 더 많이 자동화하도록 명시적으로 설계된 다중 에이전트 연구 시스템이 여러 주요 연구소에서 진행 중인 프로젝트다. 자동화되지 않은 것은 결과가 진짜인지 판단하고, 어떤 질문이 물어볼 가치가 있는지 결정하고, 발표된 주장이 틀렸을 때 책임을 지는 것이다.
AI와 미래 →이 사이트의 전공 중, 이 직업을 졸업 진로로 적은 것들입니다.
같은 분야만이 아니라 여섯 점수 프로필이 가까운 직업입니다.
컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🩺단 한 번의 수술이 아니라 진찰과 근거를 통해 질병을 진단하고 이후 수년간 건강을 관리하는 사람 — 의학의 제너럴리스트이자 장기적인 동반자.
AI 내성 67 🧠약물치료와 정신치료로 정신질환을 진단하고 치료하며, 위기 상황의 환자를 법적 권한으로 강제 입원시킬 수 있는 몇 안 되는 의료 전문분야 중 하나다.
AI 내성 73 👔의뢰인에게 조언하고 그들을 구속하는 문서를 작성하며 사건이 법정에 이르면 대신 다투는 직업으로, 조언이 잘못되면 개인적으로 법적 책임을 진다.
AI 내성 58 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63현대 사회를 움직이는 코드를 작성하고 테스트하고 유지보수하는 직업이며, AI가 자기 일상 업무를 자동화하는 모습을 가장 먼저 지켜보는 직업 중 하나다.
AI 내성 35 🛰️지상을 벗어나는 항공기, 로켓, 우주선을 설계하고 분석하고 인증하며, 추측의 여지가 없는 안전 여유를 다루는 직업이다.
AI 내성 74 🌉강과 바위와 중력을 다리, 도로, 맑은 물로 바꾸는 직업 — 임호테프 이래 문명을 떠받쳐온 조용한 하중지지의 업.
AI 내성 72 🔌컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 🦾물리적 세계를 감지하고 판단하고 행동하는 기계를 설계하는 사람으로, 진짜 난제는 지능이 아니라 언제나 세계 그 자체였다.
AI 내성 65 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🌬️재생 가능한 자원을 신뢰할 수 있는 전기로 전환하는 풍력, 태양열, 저장 및 그리드 시스템을 설계, 구축 및 개선합니다.
AI 내성 72