올바른 질문 설정하기
84모호한 비즈니스나 과학 문제를 구체적이고 검증 가능한 질문으로 바꾸는 데는 자동화 도구가 스스로 접근할 수 없는 조직적·도메인적 맥락이 필요하다.
데이터 사이언스는 AI 이야기에서 독특한 위치에 있다. 이 직군을 재편하고 있는 도구들 — 자동화된 머신러닝, 자연어-SQL 변환, AI 보조 차트 작성 — 대부분이 다름 아닌 데이터 과학자와 머신러닝 연구자들이 만들었고, 이제 그것이 자기 자신의 업무 일부를 겨누고 있다.
그 노출은 실질적이면서도 고르지 않다. 데이터를 뽑고 표준 모델을 돌리고 초안 차트를 만드는 정형화되고 명확한 업무는 이미 AI 도구가 비교적 빠르게 해낸다. 살아남는 부분은 코드 작성보다는, 어떤 질문이 물을 가치가 있는지 결정하고 그 답을 신뢰할 수 있는지 판단하는 일이다.
높음
기계가 대신할 수 있는 업무의 비율
SQL 질의, 탐색적 차트 작성, AutoML을 이용한 표준 모델 적합, 상용구 파이프라인 코드 작성 등 정형화된 데이터 사이언스 업무의 상당 부분은 이미 자동화되었거나 AI의 도움을 받고 있으며, 그 비중은 빠르게 커지고 있다. 자동화에 저항하는 것은 모호한 비즈니스 문제를 검증 가능한 질문으로 다듬는 일, 결과가 진짜인지 통계적 우연인지 판단하는 일, 그리고 모델의 실제 결정이 잘못되었을 때 책임을 지는 일이다.
직함이 아니라 업무 단위로 산정했다. 낮을수록 안전하다.
AI가 대체하지 못하는 직업 →기계가 가져가지 못하는 것
패턴이 진짜인지 판단하기
80진짜 효과와 잡음, 데이터 누출 아티팩트, 운 좋은 학습-테스트 분할을 구별하는 일은 자동화 파이프라인이 자기 출력물에 대해 가장 서투른 회의적 판단 영역이다.
실제 결정에 대한 책임
88대출을 거부하거나 환자를 표시하거나 상품 가격을 잘못 매기는 모델에 대해서는 누군가가 답해야 한다 — 이 책임은 그 수치를 만들어낸 도구로 넘길 수 없다.
회의적인 이해관계자 설득하기
68반직관적이거나 달갑지 않은 발견이 실제로 실행되게 만드는 것은 옳은 분석만이 아니라 사람들과의 신뢰, 신용, 협상에 달려 있다.
진정으로 새로운 실험 설계하기
74새로운 질문에 맞는 자연 실험, 대조군, 인과추론 전략을 선택하는 일은 과거 분석에 대한 패턴 매칭보다는 창의적 판단에 더 가깝다.
이미 가져가고 있는 것
정형화된 SQL 질의와 데이터 추출
75자연어-SQL 변환 도구는 한때 데이터 과학자의 직접 개입이 필요했던 단순한 데이터 조회 요청의 상당 부분을 이제 처리한다.
초안 탐색 차트와 요약
65자동화된 탐색적 분석 도구는 원 데이터셋으로부터 몇 초 만에 분포 그래프, 상관관계 요약, 기본 차트를 생성할 수 있다.
표준 모델 적합과 튜닝
68AutoML 플랫폼은 정의가 명확하고 라벨이 잘 된 문제에 대해 그래디언트 부스팅이나 로지스틱 회귀 같은 표준 모델을 거의 사람 손 없이 선택·학습·튜닝할 수 있다.
상용구 파이프라인·ETL 코드
60표준적인 데이터 변환·적재 스크립트를 짜는 일은 이제 처음부터 작성하기보다 AI 코딩 어시스턴트로 생성하고 검토하는 편이 더 빠른 경우가 많다.
일이 변해가는 방식
모델을 만드는 일에서 지시하고 검증하는 일로
업무의 점점 더 큰 부분이 모든 쿼리와 모델을 직접 짜는 것이 아니라, 자동화된 파이프라인이 무엇을 시도해야 할지 지정하고 그 출력을 검증하는 일이 되고 있다.
제너럴리스트 직함이 전문 분야로 쪼개지다
애널리틱스 엔지니어링, 머신러닝 엔지니어링, 프로덕트 애널리틱스가 점점 별도의 직함으로 자리 잡으며, 각각 10년 전 단일한 '데이터 과학자'가 담당하리라 기대되던 업무의 일부를 흡수하고 있다.
인과추론과 실험 설계의 위상이 높아지다
기존 데이터에서 패턴을 찾는 일이 자동화하기 쉬워질수록, 신뢰할 만한 실험이나 인과분석을 설계하는 더 어려운 기술은 오히려 덜 중요해지는 것이 아니라 더 중요해지고 있다.
'시민 데이터 과학자'가 기초 분석을 확산시키다
노코드와 AutoML 도구는 비전문가도 자기만의 기초 분석을 실행할 수 있게 하며, 전담 데이터 과학자들을 그런 도구가 다룰 수 없는 더 어렵고 모호한 문제 쪽으로 밀어내고 있다.
갈라져 나오는 새 직업들
애널리틱스 엔지니어
흔히 dbt 같은 도구를 이용해 대시보드와 모델에 데이터를 공급하는 데이터 변환 파이프라인을 구축하고 유지하며, 데이터 엔지니어링과 분석 사이에 위치한다.
머신러닝 엔지니어
연구 노트북 속 모델을 꺼내 프로덕션 시스템에서 안정적으로 모니터링되며 대규모로 돌아가게 만든다.
데이터 프로덕트 매니저
데이터 또는 AI 기반 기능의 로드맵을 책임지며, 비즈니스 목표를 데이터팀이 실제로 만들어야 할 것으로 옮긴다.
책임 있는 AI/모델 리스크 애널리스트
모델과 그 뒤의 데이터가 출시되기 전 편향, 공정성, 규제 준수를 감사한다.
전망
데이터를 신뢰할 만한 결정으로 바꿀 수 있는 사람에 대한 수요는 앞으로 10년간 강하게 유지될 가능성이 매우 높지만, 이 직업의 신입 단계는 이미 변하고 있다. 순전히 정형화된 질의와 초안 차트를 손으로 작성하기 위해서만 존재하는 자리는 점점 줄어들 것이다.
가장 뚜렷한 장기적 우위는 진정으로 유용한 질문을 설정하고, AI가 생성한 결과가 조용히 틀렸을 때를 알아채며, 회의적인 이해관계자 앞에서 권고안에 책임을 질 수 있는 데이터 과학자들에게 있다 — 피셔의 작물 실험 이래 이 분야가 필요로 해온 것과 같은 판단력이, 이제 스스로 첫 초안을 점점 더 많이 그려내는 워크플로에 적용되고 있을 뿐이다.
계속 탐색하기
과학·연구 분야의 다른 직업
⚛️
물리학자
물질과 에너지, 공간과 시간을 지배하는 수학 법칙을 이끌어내고 검증한다. 혼자 칠판 앞에 선 연구자에서 3,000명이 공동 저자로 이름을 올리는 입자가속기 논문까지 그 모습은 다양하다.
AI 내성 65 🧬생물학자
생명 그 자체를 연구하는 과학자. 린네가 손으로 종을 명명하던 시절부터 크리스퍼로 유전체를 편집하는 오늘날까지, 모든 아이디어를 살아있는 생물체에 비추어 검증한다.
AI 내성 64 🧪화학자
물질 그 자체를 만들고 측정하는 과학자 — 바빌로니아 타푸티의 증류기에서 오늘날 로봇 실험실에 이르기까지, 스펙트럼이 의미하는 바를 결정하는 것은 여전히 사람이다.
AI 내성 70 🔭천문학자
바빌로니아의 점토판에서 우주 망원경까지, 우주를 측정하는 과학자 — 데이터 속 어떤 깜빡임이 발견인지는 지금도 가려내는 중이다.
AI 내성 70 🧮수학자
바빌로니아 서기관에서 필즈상 수상자와 AI 보조 증명까지: 어려운 질문을 영구적 확실성으로 바꾸는 직업, 정리 하나하나마다.
AI 내성 70