AI 도구를 많이 아는 것만으로는 부족하다.
무엇을 만들고, 어떻게 검증하고, 어디까지 맡길지 정해야 한다.
Andrew Ng는 2026년 8월 15일 AI Engineering Skills Map을 공개했다.
10,000건이 넘는 채용 공고와 전문가 인터뷰 등을 바탕으로 한 지도다.
첫째, AI 애플리케이션을 만들고 운영한다
AI 앱은 전통적인 소프트웨어와 다르다.
같은 입력에도 출력이 달라질 수 있다.
그래서 모델을 붙이는 것만으로 끝나지 않는다.
컨텍스트 엔지니어링, 검색증강생성, 에이전트 워크플로우를 이해해야 한다.
무엇보다 평가와 오류 분석이 필요하다.
둘째, 소프트웨어 공학의 기초를 갖춘다
코딩 에이전트가 코드를 써도 선택은 사람이 한다.
비용과 확장성, 신뢰성, 속도를 비교해야 한다.
보안과 개인정보도 설계 단계에서 다뤄야 한다.
기초가 없으면 에이전트가 만든 결과의 트레이드오프를 읽기 어렵다.
좋은 프롬프트보다 먼저 필요한 것은 좋은 구조 판단이다.
셋째, 코딩 에이전트를 다룬다
에이전트의 한계를 아는 것이 시작이다.
컨텍스트를 관리하고, 계획과 실행의 비중을 조절한다.
검증기를 붙여 에이전트가 루프를 닫게 만든다.
여러 에이전트를 조율할 때는 작업 경계와 권한도 나눠야 한다.
넷째, 무엇을 만들지 정한다
명확한 사양이 있으면 에이전트는 구현을 빠르게 한다.
따라서 사람의 역할은 픽셀 단위 구현에서 문제 정의로 이동한다.
고객의 목표와 사업 맥락을 이해하고, 무엇을 사양에 넣을지 결정해야 한다.
이것이 Andrew Ng가 말한 shaping the build다.
배포→평가→에이전트→제품 순서
먼저 작은 AI 기능을 배포한다.
그다음 평가 지표와 실패 로그를 만든다.
소프트웨어 기초로 구조를 점검하고, 코딩 에이전트로 반복 작업을 줄인다.
마지막으로 고객 문제와 제품 사양을 직접 정의한다.
이 지도는 특정 도구 목록보다 오래 간다.
도구가 바뀌어도 검증하고 방향을 정하는 능력은 남기 때문이다.
