AI 시대 개발자가 반드시 갖춰야 할 4가지 역량

Andrew Ng의 「AI Engineering Skills Map」이 말하는 개발자의 새로운 기준

AI가 소프트웨어를 만드는 방식을 완전히 바꾸고 있습니다.

불과 몇 년 전만 해도 개발자의 핵심 역량은 프로그래밍 언어, 프레임워크, 데이터베이스, 서버 아키텍처 등을 얼마나 잘 다루느냐에 집중되어 있었습니다.

하지만 생성형 AI와 코딩 에이전트가 빠르게 발전하면서 상황이 달라졌습니다.

이제 중요한 것은 단순히 코드를 얼마나 잘 작성하는가가 아닙니다.

AI를 이용해 무엇을 만들 것인지 결정하고, AI가 제대로 만들도록 설계하고 검증하는 능력

이 점이 점점 더 중요해지고 있습니다.

Andrew Ng는 최근 **「The AI Engineering Skills Map」**을 공개하면서 앞으로 개발자에게 중요한 AI 엔지니어링 역량을 크게 네 가지로 정리했습니다.

그의 팀은 10,000개 이상의 채용 공고를 분석하고, AI 전문가·채용 담당자·리크루터 인터뷰와 설문조사 등을 종합해 이 역량 지도를 만들었다고 설명합니다.

핵심은 다음 네 가지입니다.

1. AI 애플리케이션 구축과 배포
2. 소프트웨어 엔지니어링 기본기
3. 코딩 에이전트 활용
4. 무엇을 만들지 결정하는 능력, Shaping the Build

하나씩 살펴보겠습니다.

---

1. AI 애플리케이션을 만들고 배포하는 능력

Building and Deploying AI Applications

전통적인 소프트웨어와 AI 소프트웨어 사이에는 중요한 차이가 있습니다.

바로 출력의 불확실성입니다.

일반적인 프로그램에서는 동일한 입력과 조건이라면 결과를 어느 정도 예측할 수 있습니다.

하지만 LLM에 프롬프트를 입력하면 매번 조금씩 다른 답이 나올 수 있습니다.

머신러닝 모델 역시 새로운 데이터에 어떤 예측을 내놓을지 완벽하게 미리 알 수 없습니다.

따라서 AI 애플리케이션 개발자는 단순히 API를 호출할 줄 아는 것으로는 부족합니다.

다음과 같은 기술을 이해해야 합니다.

• LLM
• Prompt Engineering
• Context Engineering
• RAG
• Agentic Workflow
• Machine Learning
• Deep Learning
• AI Evaluation
• Error Analysis
• Observability
• Guardrails

특히 Andrew Ng가 강조하는 것이 Eval과 Error Analysis입니다.

AI 시스템은 이런 구조로 개선됩니다.

AI 실행 → 결과 수집 → 평가 → 오류 분류 → 개선 → 다시 평가

예를 들어 고객 상담 AI가 있다고 생각해 보겠습니다.

단순히

"답변을 잘하도록 프롬프트를 수정한다"

는 방식으로 개발하면 한계가 있습니다.

대신 실제 질문 1,000개를 모아서 다음과 같이 분류할 수 있습니다.

• 정확한 답변
• 사실 오류
• 질문 의도 오해
• 정보 부족
• 지나치게 긴 답변
• 정책 위반
• RAG 검색 실패

그리고 각각의 오류 유형이 얼마나 발생하는지 측정합니다.

이때부터 AI 개발은 감각적인 프롬프트 수정이 아니라 데이터 기반 엔지니어링이 됩니다.

---

2. 소프트웨어 엔지니어링 기본기는 오히려 더 중요해진다

Software Engineering Fundamentals

AI 시대가 되면서 종종 이런 이야기가 나옵니다.

"이제 코딩을 몰라도 AI가 프로그램을 만들어준다."

부분적으로는 맞습니다.

하지만 복잡한 서비스를 개발할수록 오히려 소프트웨어 엔지니어링 기본기가 중요해집니다.

소프트웨어 개발에는 항상 여러 가지 트레이드오프가 존재하기 때문입니다.

예를 들어 시스템을 설계할 때 다음을 동시에 고려해야 합니다.

• 비용
• 확장성
• 안정성
• 속도
• 보안
• 개인정보 보호
• 유지보수성

AI 코딩 에이전트에게 단순히

"사용자 100만 명이 사용할 서비스를 만들어줘."

라고 요청하는 것과

"읽기 트래픽이 쓰기 트래픽보다 20배 많고, PostgreSQL을 primary datastore로 사용하며 Redis caching을 적용하고 stateless API 서버를 horizontal scaling할 수 있도록 설계해줘."

라고 요청하는 것은 결과가 완전히 다릅니다.

좋은 개발자는 AI에게 정확한 Engineering Context를 제공할 수 있습니다.

이를 위해서는 다음 기본기가 여전히 필요합니다.

시스템 설계

• Client / Server 구조
• API 설계
• Load Balancing
• Caching
• Queue
• Distributed System

데이터베이스

• SQL / NoSQL
• Index
• Transaction
• Replication
• Partitioning

Backend

• Authentication
• Authorization
• Logging
• Error Handling
• Background Job

Infrastructure

• Docker
• Cloud
• CI/CD
• Monitoring
• Scaling

AI가 코드를 만들어줄수록 개발자는 오히려 AI가 내린 기술적 선택이 적절한지 판단할 수 있어야 합니다.

---

3. Coding Agent를 사용하는 능력

Using Coding Agents

앞으로 개발자의 중요한 역량 중 하나는 단순한 AI 코딩 도구 사용이 아니라 Coding Agent Management가 될 가능성이 큽니다.

코딩 에이전트를 잘 사용하는 개발자는 다음을 이해합니다.

Context 관리

에이전트에게 모든 정보를 한꺼번에 제공한다고 좋은 결과가 나오는 것은 아닙니다.

필요한 정보를 필요한 순간에 제공해야 합니다.

예를 들어 다음을 관리해야 합니다.

• 프로젝트 구조
• Architecture
• Coding Convention
• API Specification
• Database Schema
• 기존 구현
• Test
• Constraints

즉,

Prompt Engineering → Context Engineering

으로 중심이 이동합니다.

---

Planning과 Execution을 분리한다

복잡한 작업을 바로 코딩하도록 요청하는 것보다 다음과 같이 나누는 방법이 효과적입니다.

요구사항 분석
↓
구현 계획
↓
작업 분할
↓
코드 구현
↓
테스트
↓
검증
↓
수정

즉 코딩 에이전트를 단순한 코드 생성기가 아니라 작업을 수행하는 엔지니어처럼 관리하는 것입니다.

---

Verification Loop를 만들어야 한다

AI가 코드를 작성하는 것보다 더 중요한 것은 코드가 올바른지 확인하는 과정입니다.

예를 들어 다음 루프를 만들 수 있습니다.

Agent

코드 작성

↓

Test

자동 테스트

↓

Verifier

오류 확인

↓

Agent

수정

↓

Test

재검증

이 구조를 만들면 사람이 모든 코드를 일일이 확인하지 않아도 에이전트가 일정 부분 스스로 문제를 수정할 수 있습니다.

---

4. 이제 개발자는 "무엇을 만들 것인가"까지 결정해야 한다

Shaping the Build

개인적으로 이번 Skills Map에서 가장 중요한 변화라고 볼 수 있는 부분입니다.

예전 개발 프로세스에서는 흔히 역할이 이렇게 나뉘었습니다.

기획자

무엇을 만들지 결정

↓

디자이너

화면 설계

↓

개발자

구현

하지만 AI 코딩 에이전트가 구현 영역을 빠르게 자동화하면서 개발자의 역할이 위쪽으로 이동하고 있습니다.

앞으로는 개발자가 이런 질문에도 답할 수 있어야 합니다.

• 어떤 문제를 해결해야 하는가?
• 고객에게 실제 필요한 기능은 무엇인가?
• 어떤 기능을 제거해도 되는가?
• MVP에는 무엇만 넣어야 하는가?
• 지금 빠르게 만들어야 하는가?
• 아니면 안정성을 위해 천천히 개발해야 하는가?
• 어떤 지표로 성공을 판단할 것인가?

즉 개발자에게 Product Sense가 요구됩니다.

---

개발자의 역할이 바뀌고 있다

기존 개발자의 업무 흐름을 단순화하면 이랬습니다.

Requirement
→ Design
→ Coding
→ Test
→ Deploy

AI 시대에는 조금 다른 구조가 나타납니다.

Problem Discovery
↓
Product Definition
↓
Spec
↓
Agent Orchestration
↓
AI Coding
↓
Automated Evaluation
↓
Human Review
↓
Deployment

여기에서 사람이 담당하는 영역은 점점

Coding

보다

Decision Making + Architecture + Evaluation

쪽으로 이동합니다.

---

앞으로 중요한 것은 Agent가 아니라 Agent를 관리하는 능력이다

AI 개발 도구는 앞으로 계속 좋아질 것입니다.

하지만 도구 이름 자체를 외우는 것은 장기적인 경쟁력이 되기 어렵습니다.

오늘은 Claude Code를 사용할 수도 있고,

Codex나 Cursor를 사용할 수도 있으며,

내년에는 전혀 다른 Coding Agent가 등장할 수도 있습니다.

더 중요한 것은 그 아래에 있는 공통 원리를 이해하는 것입니다.

예를 들면 다음과 같습니다.

Context Management

에이전트가 필요한 정보를 제공한다.

Task Decomposition

복잡한 문제를 작은 작업으로 나눈다.

Agent Orchestration

여러 에이전트에게 작업을 분배한다.

Verification

테스트와 Eval로 결과를 검증한다.

Feedback Loop

오류를 발견하고 다시 에이전트에게 전달한다.

이 원리를 알고 있다면 사용하는 AI 도구가 달라져도 빠르게 적응할 수 있습니다.

---

AI Engineering Skills Map을 학습 로드맵으로 바꾸면

Andrew Ng의 네 가지 영역을 실제 공부 순서로 확장하면 다음과 같은 구조를 만들 수 있습니다.

LEVEL 1 — Software Engineering

먼저 개발의 기반을 익힙니다.

• Programming
• Git
• API
• Database
• Testing
• Docker
• Cloud
• System Design

↓

LEVEL 2 — AI Application

AI 애플리케이션의 핵심 구성 요소를 배웁니다.

• LLM API
• Structured Output
• Tool Calling
• Context Engineering
• Embedding
• Vector Database
• RAG
• Guardrails

↓

LEVEL 3 — AI Evaluation

AI 시스템을 측정하고 개선하는 방법을 익힙니다.

• Dataset
• Eval
• LLM-as-a-Judge
• Error Analysis
• Regression Test
• Observability

↓

LEVEL 4 — Agent Engineering

하나의 LLM 호출에서 에이전트 시스템으로 확장합니다.

• Tool Use
• Planning
• Memory
• Agent Loop
• Multi-Agent
• Workflow
• Human-in-the-Loop

↓

LEVEL 5 — Coding Agent Engineering

AI와 함께 실제 소프트웨어를 개발합니다.

• Specification
• Context Management
• Agent Planning
• Code Generation
• Test Automation
• Verifier
• Agent Orchestration

↓

LEVEL 6 — Shaping the Build

마지막 단계에서는 단순 개발을 넘어 제품을 설계합니다.

• Problem Discovery
• Product Sense
• User Interview
• MVP
• Rapid Prototyping
• Business Context
• Metrics
• Iteration

---

결국 개발자는 '코드를 만드는 사람'에서 '시스템을 만드는 사람'으로 이동한다

Andrew Ng의 AI Engineering Skills Map에서 중요한 메시지는 AI 기술 몇 가지를 새롭게 배우라는 것만은 아닙니다.

개발자의 역할 자체가 변하고 있다는 것입니다.

과거에는

내가 어떻게 코드를 작성할 것인가?

가 중요한 질문이었다면,

앞으로는

무엇을 만들어야 하는가?

AI에게 어떤 Context를 제공해야 하는가?

어떻게 작업을 분리해야 하는가?

어떻게 결과가 제대로 나왔는지 검증할 것인가?

가 더 중요한 질문이 됩니다.

결국 개발자의 핵심 역량은 다음과 같이 이동하고 있습니다.

Code Writing
→ Context Engineering
→ Agent Orchestration
→ Evaluation
→ Architecture
→ Product Decision

코딩 능력이 사라지는 것이 아니라, 코딩을 포함하는 더 높은 수준의 엔지니어링 능력이 필요해지는 것입니다.

---

정리

Andrew Ng가 제시한 AI Engineering의 핵심은 네 가지입니다.

① Building and Deploying AI Applications

LLM, RAG, Agent, Eval 등을 활용해 예측하기 어려운 AI 시스템을 측정하고 개선하는 능력.

② Software Engineering Fundamentals

Architecture, Database, Security, Scaling 등 좋은 기술적 판단을 내릴 수 있는 기본기.

③ Using Coding Agents

AI에게 Context를 제공하고 작업을 분할하며 테스트와 검증 루프를 만들어 개발을 자동화하는 능력.

④ Shaping the Build

단순히 주어진 기능을 구현하는 것이 아니라 고객의 문제를 발견하고 제품과 MVP 자체를 설계하는 능력.

그리고 이 네 가지를 관통하는 기반은 하나입니다.

Continuous Learning — 계속 배우고 자신의 개발 방식을 업데이트하는 것.

AI Engineering 시대의 좋은 개발자는 가장 많은 코드를 작성하는 사람이 아닐지도 모릅니다.

문제를 정의하고, 좋은 시스템을 설계하고, AI 에이전트를 지휘하고, 결과를 검증하면서 제품을 끝까지 만들어낼 수 있는 사람.

Andrew Ng의 Skills Map은 개발자의 역할이 그 방향으로 이동하고 있음을 보여주는 하나의 중요한 프레임워크입니다.