강남 AX 엔지니어 채용, 진짜 전환 조직을 가려내는 법

강남에서 ‘AX 엔지니어’를 찾는 공고가 늘고 있다. 하지만 같은 직함이라고 같은 일을 뜻하지는 않는다. 어떤 자리는 AI 에이전트를 배포해 업무를 실제로 바꾸고, 다른 자리는 시연용 PoC 제작에 머문다. 지원자는 공고의 기술 목록보다 실제 전환을 끝낼 조건을 어떻게 가려내야 할까.

AX 엔지니어는 모델보다 업무 흐름을 다룬다

AX는 AI Transformation의 약자다. 기업이 챗봇 하나를 붙이는 일을 넘어, AI가 참여하도록 업무 과정과 의사결정 구조를 다시 설계하는 접근이다. LG CNS도 AX를 단위 업무의 AI 적용에서 프로세스 중심 전환으로 설명한다.

최근 채용 문구는 이 정의를 구체적인 일로 바꾼다. QueryPie의 2026년 AX Engineer 공고는 기존 절차 재설계와 권한·감사 체계 구축을 한 역할에 묶었다. 검색 시점의 InterX 채용 페이지도 강남 오피스에 AI Agent Engineer와 AI Agent PM을 함께 올렸다. 핵심은 LLM API 호출 자체가 아니다. 현업의 입력과 판단 기준을 찾아내고 사내 데이터와 도구를 연결한 뒤 실패를 추적하며 운영하는 일이 직무의 중심이다. 클코단에서 배포 경험과 프로세스 개선을 우선 보라는 의견이 많았던 이유도 여기에 있다.

공고에는 네 단계가 함께 적혀 있어야 한다

실제 AX 업무는 대체로 진단, 구축, 배포, 확산의 순서로 이어진다. 진단 단계에서는 담당자를 인터뷰하고 반복 작업, 예외, 승인 지점을 적는다. 구축 단계에서는 Python이나 TypeScript, n8n 같은 도구로 흐름을 만들고 LLM, RAG, API 또는 MCP를 연결한다. 배포부터 난도가 달라진다. 인증과 권한을 나누고 CI/CD와 로그, 비용 한도, 재시도, 롤백을 갖춰야 한다. OpenAI의 에이전트 구축 가이드는 고위험 동작에 사람 승인을 두고 실패 횟수가 기준을 넘으면 업무를 넘기라고 권한다.

마지막은 사용자 정착이다. 현업이 실제로 쓰는지, 처리 시간과 오류율이 얼마나 변했는지 측정해야 한다. 공고에 ‘AI 활용’만 있고 운영 환경, 사용자, KPI가 없다면 면접에서 그 빈칸을 확인해야 한다.

기술 스택보다 먼저 물어볼 다섯 가지

면접에서는 첫 90일의 산출물을 물으면 된다. 대상 업무가 정해졌는지, 업무 책임자가 누구인지, 필요한 데이터와 API에 접근할 수 있는지부터 확인한다. PoC를 통과한 뒤 프로덕션 배포를 누가 승인하는지도 중요하다. 질문은 조직도를 파고드는 도구이기도 하다. 현업 담당자가 주간 검토에 참여하는지, 보안팀과 인프라팀이 언제 합류하는지 물어보자. 배포 뒤 장애와 모델 변경을 맡을 팀도 확인해야 한다.

작은 조직이라면 역할이 겹칠 수 있다. 그래도 의사결정권자와 데이터 소유자는 특정돼야 한다. “입사하면 찾아보자”는 답이 반복되면 추진 여건이 아직 만들어지지 않았을 가능성이 크다.

그다음 평가 기준을 묻는다. Anthropic은 에이전트 평가 가이드에서 코드 기반 검사, 모델 평가, 사람 평가를 함께 쓰라고 제안했다. 운영 뒤에는 모니터링과 실제 사용자 피드백을 더해야 한다. 좋은 답은 “에이전트를 만든다”에서 멈추지 않는다. 예를 들어 문의 분류 시간을 줄이고 잘못된 라우팅률을 측정하며 특정 위험 동작은 사람이 승인한다는 식이다. 반대로 데이터 소유자, 보안 검토, 성공 지표가 모두 미정이면 엔지니어 혼자 전환 책임을 떠안을 수 있다.

지원 포트폴리오는 한 업무의 전 과정을 보여줘야 한다

개인 개발자와 경력 전환자는 거대한 멀티에이전트 데모가 필요하지 않다. 실제 반복 업무 하나를 골라 입력, 판단, 도구 실행, 예외 처리, 결과 저장을 연결하면 된다. Anthropic도 단순한 프롬프트로 시작하고 필요할 때만 다단계 구조를 추가하라고 권한다. 예를 들어 고객 문의 자동화라면 익명화한 티켓 묶음과 처리 규칙을 준비한다. Python 또는 TypeScript로 분류 API를 만들고 사내 문서 역할의 작은 지식 저장소를 RAG로 연결한다. CRM 대신 테스트용 데이터베이스에 결과를 쓰고 민감하거나 확신이 낮은 건 승인 대기열로 보낸다.

산출물에는 실행 가능한 저장소, 배포 주소, 테스트 시나리오, 실패 사례를 넣는다. 처리 시간, 정확도, 건당 비용도 같은 조건에서 비교한다. README에는 문제를 고른 이유와 미해결 위험을 짧게 남긴다.

써본 사람들 사이에서는 데모까지는 빠르지만 인증, 데이터 격리, 로깅, 비용 통제에 비슷한 시간이 다시 든다는 반응이 있다. AI가 새 기능을 쉽게 늘려도 실제 배포되지 않은 작업이 쌓일 수 있다는 우려도 나온다.

완성된 화면보다 운영 흔적이 강한 증거가 된다.

‘AX를 한다’는 말보다 조직의 실행 조건을 본다

기업의 AX 열기는 실제 수요와 과열을 함께 품고 있다. 2026년 정부의 중견기업 대상 AX 지원사업에도 현장의 구체적인 업무 문제가 과제로 올라온다. Gartner는 2025년 에이전틱 AI 프로젝트의 40% 이상이 2027년 말까지 취소될 수 있다고 전망했다. 원인으로 비용 상승, 불명확한 가치, 부족한 위험 통제를 들었다.

McKinsey의 2025년 조사에서는 AI 사용 조직 가운데 에이전트를 확장한 비율이 23%였고, 39%는 실험 단계였다. 높은 성과를 낸 조직은 다른 조직보다 업무 흐름을 근본적으로 재설계할 가능성이 약 세 배 높았다. 모델 선택보다 조직 설계가 성과를 갈랐다는 분석이다. 강남이라는 위치와 AX라는 직함은 탐색 범위를 좁혀줄 뿐이다. 지원할 자리는 현업 책임자, 데이터 접근, 배포 경로, 평가 지표가 한 줄로 이어지는 곳이다. 네 조건을 설명하지 못하는 공고라면 최신 기술 이름이 길수록 질문도 더 날카로워져야 한다.