AI가 코드를 짜고, 데이터를 분석하고, 보고서까지 만들어내는 시대다. 그런데 이상하게도 현장에서 체감하는 엔지니어 경쟁력의 격차는 줄어들기는커녕 오히려 벌어지고 있다. AI 도구를 쓰느냐 마느냐의 문제가 아니다. 도메인 지식을 가진 사람과 컴퓨팅 기술만 가진 사람 사이의 간극이다.
이 글에서는 AI 시대 엔지니어가 왜 이 두 가지를 동시에 갖춰야 하는지, 그리고 이 조합이 실제 현장에서 어떤 차이를 만드는지를 구체적으로 짚는다. 결론부터 말하면 엔지니어 경쟁력은 둘 중 하나를 잘하는 데서 나오지 않는다. 둘을 연결하는 자리에서 나온다.
엔지니어 경쟁력, 지금 왜 두 가지가 동시에 필요한가
F1 피트 월만큼 완벽한 데이터가 쏟아지는 현장도 드물다. 최신 텔레메트리 시스템을 단 머신에서 서킷 전체의 타이어 온도, 연료 소비량, 섹터별 랩타임이 실시간으로 수집된다. 그런데 피트 월의 엔지니어가 타이어 특성을 모른다면 어떻게 될까. 숫자는 보이지만 아무것도 결정할 수 없다. 반대로 타이어를 손바닥처럼 알지만 데이터를 꺼내는 법을 모르는 엔지니어도 마찬가지다. 경기 내내 감으로만 판단해야 한다.
현장도 똑같다. 엔지니어 경쟁력은 둘 중 하나를 잘하는 게 아니라 둘을 연결하는 데서 나온다.
지금 현장을 솔직하게 보면 두 부류가 있다. 장비와 공정을 속속들이 알지만 데이터를 꺼낼 줄 모르는 사람, 그리고 코딩과 분석은 되는데 현장이 어떻게 돌아가는지 모르는 사람. 두 가지를 동시에 갖춘 사람은 생각보다 드물고, 그 빈자리가 지금 엔지니어 경쟁력의 격차를 만든다.
도메인 지식이란 무엇인가 — 데이터보다 먼저 있어야 할 것
도메인 지식이란 현장이 돌아가는 원리를 아는 것이다. 장비가 왜 그렇게 동작하는지, 공정에서 어떤 변수가 품질에 영향을 주는지, 이상 징후가 나타날 때 어디를 먼저 봐야 하는지. 이건 매뉴얼에 적혀 있지 않다. 현장에서 몸으로 쌓은 것들이다.
데이터 분석에서 도메인 지식이 중요한 이유는 간단하다. 어떤 데이터를 볼지 결정하는 건 알고리즘이 아니라 사람이기 때문이다. 예를 들어 장비 로그 파일 하나에 10만 줄의 기록이 있어도, 실제로 의미 있는 줄은 1,000줄 남짓이다. 나머지는 봐도 그만인 상태 메시지다. 어느 줄이 중요한지는 그 장비를 아는 사람만 안다. 컴퓨팅 기술은 그 1,000줄을 빠르게 꺼내는 도구지만, 어떤 1,000줄인지를 판단하는 건 도메인 지식이다.
데이터 설계가 AI 분석을 결정한다는 말이 여기서 나온다. 측정 지점을 어디로 잡을지, 어떤 변수를 설명 변수로 넣을지는 현장을 모르면 결정할 수 없다. 실제로 머신러닝에서도 피처 엔지니어링은 결국 어떤 변수를 어떻게 만들지의 문제이고, 그 출발점은 도메인 지식이다. 도메인 지식이 없는 데이터 분석은 좌표 없이 지도를 그리는 것과 같다.
| 구분 | 도메인 지식 있을 때 | 도메인 지식 없을 때 |
|---|---|---|
| 데이터 수집 | 의미 있는 변수를 선택한다 | 모든 변수를 일단 다 넣는다 |
| 이상 탐지 | 중요한 신호를 먼저 본다 | 알람 전체를 동일하게 본다 |
| 분석 결과 해석 | 원인과 결과를 연결한다 | 숫자를 읽지만 판단 못 한다 |
| 개선 방향 | 현장에 바로 적용한다 | 보고서로 끝난다 |
컴퓨팅 기술이란 무엇인가 — 수집·가공·제공의 3단계
컴퓨팅 기술은 데이터를 다루는 능력이다. 그런데 이걸 단순히 “코딩할 줄 안다”로 이해하면 범위가 너무 좁다. 실제로 현장에서 데이터 업무를 한다는 건 세 단계를 모두 커버한다는 뜻이다.
수집은 데이터가 어디에 있는지 찾고 그걸 꺼내오는 기술이다. 데이터베이스에서 쿼리를 날리든, FTP로 장비 로그를 긁어오든, 시스템 API를 호출하든 방법은 다양하다. 어디에 있는지는 현장에서 찾아야 하지만, 어떻게 꺼낼지는 기술이 해결한다.
가공은 꺼낸 데이터를 의미 있게 다듬는 과정이다. 불필요한 행을 걸러내고, 형식을 맞추고, 원하는 구조로 재배열한다. 이 과정이 없으면 수집한 데이터는 그냥 텍스트 덩어리다.
제공은 결과를 사람이 쓸 수 있는 형태로 전달하는 단계다. 이메일로 보낼 수도 있고, 대시보드로 띄울 수도 있고, 리포트 파일로 뽑을 수도 있다. 핵심은 데이터를 받는 사람이 바로 쓸 수 있게 만드는 것이다.
이 세 단계가 갖춰져야 하나의 데이터 서비스가 완성된다. 수집만 되고 제공이 없으면 혼자 보는 분석이고, 가공은 되는데 수집을 못 하면 남이 만든 데이터만 쓰게 된다. 엔지니어 코딩 입문을 시작할 때 이 세 단계의 흐름을 먼저 이해하고 들어가면 목적이 훨씬 명확해진다.
둘 다 가진 엔지니어가 실제로 다른 3가지
엔지니어 경쟁력의 실체는 이 지점에서 드러난다. 도메인 지식과 컴퓨팅 기술을 함께 가진 사람은 세 가지가 확실히 다르다.
1. 의미 있는 데이터를 직접 정의한다
컴퓨팅 기술만 있는 사람은 “데이터 주면 분석하겠다”는 포지션이다. 도메인 지식만 있는 사람은 “데이터 보여줘”라고 요청하는 포지션이다. 둘 다 가진 사람은 스스로 데이터를 정의하고, 꺼내고, 해석까지 한다. 중간에 번역 과정이 없다. 속도가 다르고 정확도가 다르다.
2. 분석 결과를 현장 언어로 번역한다
데이터 분석 결과가 아무리 정교해도 현장에서 쓰이지 않으면 의미가 없다. 도메인 지식이 있는 엔지니어는 숫자를 현장 언어로 바꿀 수 있다. “이 값이 올라간다는 건 저 부품이 열화 중이라는 뜻이다”라고 말할 수 있는 사람이 보고서가 아니라 행동을 만들어낸다.
3. 피드백 루프를 스스로 돌린다
분석 결과를 현장에 적용하고, 그 결과를 다시 데이터로 확인하는 사이클. 이걸 혼자 돌릴 수 있는 엔지니어는 조직에서 포지션이 다르다. 누군가에게 요청하고 기다리는 구조가 아니라 직접 검증하고 개선한다. AI 시대 문제 해결 능력이 더 중요해지는 이유가 여기에 있다. AI가 실행을 맡아도 무엇을 실행할지 정의하는 건 사람이다.
마무리 — 지금 당장 둘 다 잘할 필요는 없다
엔지니어 경쟁력은 하루아침에 만들어지지 않는다. 도메인 지식은 이미 현장에서 쌓이고 있고, 컴퓨팅 기술은 지금부터 조금씩 붙이면 된다. 중요한 건 방향이다. AI 시대 엔지니어 경쟁력의 본질이 어디에 있는지를 알고 시작하는 것과 모르고 시작하는 건 결과가 다르다.
데이터를 꺼내는 기술은 배울 수 있다. 현장을 아는 눈은 시간이 필요하다. 이미 현장에 있다면 절반은 이미 갖춘 셈이다.
핵심 요약
| 구분 | 혼자일 때 한계 | 조합했을 때 |
|---|---|---|
| 도메인 지식만 | 데이터를 꺼내지 못한다 | 의미 있는 데이터를 직접 정의하고 꺼낸다 |
| 컴퓨팅 기술만 | 무엇이 중요한지 모른다 | 분석 결과를 현장 언어로 번역한다 |
| 둘 다 | — | 피드백 루프를 스스로 돌린다 |
함께 읽으면 좋은 글
데이터 분석에서 도메인 지식이 없을 때 어떤 판단 오류가 생기는지 더 구체적으로 보고 싶다면 이 글이 이어진다.
기술만으로 엔지니어 경쟁력이 완성되지 않는 이유를 커리어 관점에서 짚은 글이다.
