AI 시대 유망 직업 10가지: 지금 학생들은 무엇을 준비해야 할까?

AI가 발전하면 어떤 직업이 사라질까요?

저희가 수업을 다니며 학생들과 학부모님들께 자주 받는 질문입니다.

실제로 AI가 사람이 하던 일을 대신하기 시작하면서 많은 직업의 업무 방식이 바뀌고 있습니다.

세계경제포럼은 2030년까지 지금 일자리의 22%에 해당하는 규모가 새로 생기거나 사라지고, 일하는 사람이 가진 역량의 39%가 바뀌거나 낡게 될 것으로 전망합니다.

하지만 채용시장을 보면 반대편의 변화도 동시에 나타나고 있습니다.

PwC가 2026년 발표한 글로벌 AI 일자리 보고서에 따르면, 2025년 AI 관련 기술을 요구하는 채용공고는 전년 대비 68.9% 증가했습니다.

같은 기간 전체 채용공고 증가율은 8.6%였습니다.

AI 기술을 요구하는 채용공고가 전체 채용시장보다 약 8배 빠르게 증가한 셈입니다.

그렇다면 앞으로 모든 학생이 AI 개발자가 되어야 할까요?

꼭 그렇지는 않습니다.

AI 시대의 직업을 자세히 살펴보면 크게 몇 가지 방향이 보입니다.

AI 자체를 만드는 사람도 필요하고,

AI를 실제 문제와 제품에 연결하는 사람도 필요하고,

AI가 안전하게 사용되도록 만드는 사람도 필요합니다.

그리고 아마 가장 많은 사람에게 해당되는 변화는 따로 있을 것입니다.

자신이 잘 아는 분야에 AI를 결합하는 것입니다.

마케팅을 아는 사람이 AI를 사용하고,

의료를 아는 사람이 AI를 사용하고,

교육을 아는 사람이 AI를 사용하고,

스포츠를 아는 사람이 AI를 사용하는 방식입니다.

AI 시대를 준비하는 학생들이 눈여겨볼 만한 10가지 직업과 역할을 살펴보겠습니다.

① AI를 직접 만드는 사람들

1. AI 엔지니어

AI를 실제 서비스로 구현하는 사람

ChatGPT에게 질문하는 것은 쉽습니다.

하지만 ChatGPT와 같은 AI를 실제 서비스에 넣어 제대로 작동하게 만드는 것은 훨씬 복잡합니다.

예를 들어 쇼핑몰에 AI 상담원을 만든다고 생각해봅시다.

AI가 회사의 상품 정보를 읽을 수 있어야 하고,

고객의 질문을 이해해야 하고,

필요한 정보를 찾아야 하고,

없는 정보를 마음대로 만들어내지 않도록 해야 합니다.

기존 웹사이트나 앱, 데이터베이스와 연결하는 과정도 필요합니다.

이런 기능을 실제로 구현하는 사람이 AI 엔지니어입니다.

최근에는 챗봇뿐 아니라 검색, 추천, 이미지 생성, 음성 서비스, AI 에이전트 등 다양한 제품에 AI가 들어가면서 AI 엔지니어가 다루는 영역도 넓어지고 있습니다.

다만 진입 난도는 높은 편입니다.

Python과 같은 프로그래밍 언어부터 데이터 처리, API, 머신러닝과 AI의 기본 원리까지 공부해야 하기 때문입니다.

코딩으로 직접 무언가를 만드는 것을 좋아하고 논리적인 문제 해결을 즐기는 학생이라면 관심을 가져볼 만합니다.

처음부터 거대한 AI 모델을 만드는 것보다 기존 AI를 이용해 작은 서비스를 직접 만들어보는 것부터 시작할 수 있습니다.

2. AI 연구원

새로운 AI 자체를 연구하는 사람

AI 엔지니어가 기존 AI를 실제 서비스에 활용하는 쪽에 가깝다면,

AI 연구원은 한 단계 더 깊게 들어갑니다.

AI가 더 잘 학습하고, 더 정확하게 판단하고, 더 효율적으로 작동하도록 새로운 방법을 연구하는 사람입니다.

새로운 AI 모델의 구조를 연구하거나,

AI가 더 적은 데이터로 학습하는 방법을 찾거나,

이미지·언어·로봇을 더 잘 이해하는 AI를 연구할 수도 있습니다.

ChatGPT와 같은 생성형 AI의 기반이 되는 기술도 이런 연구를 통해 발전합니다.

AI 연구는 수학과 컴퓨터과학에 대한 깊은 이해가 필요한 경우가 많습니다.

그래서 10가지 직업 가운데 학문적인 진입 난도는 높은 편입니다.

하지만

“AI를 사용하는 것보다 AI가 왜 작동하는지가 더 궁금하다.”

“새로운 알고리즘과 기술을 직접 만들어보고 싶다.”

는 학생이라면 잘 맞을 수 있습니다.

3. 데이터 사이언티스트

데이터 속에서 답을 찾아내는 사람

기업에는 매일 많은 데이터가 쌓입니다.

누가 어떤 상품을 구매했는지,

어떤 광고를 보고 사람들이 들어왔는지,

어떤 사용자가 서비스를 그만두었는지,

어느 시기에 매출이 높았는지 등이 모두 데이터입니다.

데이터 사이언티스트는 이런 데이터를 분석해서 패턴을 발견하고 앞으로 일어날 일을 예측하거나 더 좋은 의사결정을 할 수 있도록 돕는 사람입니다.

예를 들어 다음 달 매출을 예측하거나,

서비스를 그만둘 가능성이 높은 고객을 찾아내거나,

고객이 어떤 상품을 좋아할지 분석할 수 있습니다.

미국 노동통계국은 데이터 사이언티스트 고용이 2024년부터 2034년까지 33.5% 증가할 것으로 전망하고 있습니다.

수학이나 통계를 좋아하고,

숫자를 보면서

“왜 이런 결과가 나왔을까?”

를 생각하는 것을 재미있어하는 학생이라면 관심을 가져볼 만합니다.

4. 데이터 엔지니어

AI가 사용할 데이터를 준비하는 사람

AI 시대에는 AI 모델만큼 중요한 것이 있습니다.

바로 데이터입니다.

아무리 좋은 AI가 있어도 사용할 데이터가 엉망이라면 좋은 결과를 만들기 어렵습니다.

문제는 실제 회사의 데이터가 우리가 생각하는 것처럼 깔끔하게 정리되어 있지 않다는 것입니다.

여러 시스템에 흩어져 있기도 하고,

형식이 서로 다르기도 하고,

잘못된 값이나 중복 데이터가 포함돼 있기도 합니다.

데이터 엔지니어는 이런 데이터를 모으고 정리해서 AI와 데이터 분석가가 사용할 수 있는 형태로 만드는 사람입니다.

쉽게 말해

데이터 사이언티스트가 데이터를 분석하는 사람이라면, 데이터 엔지니어는 분석할 수 있는 데이터 환경을 만드는 사람에 가깝습니다.

AI가 더 많은 데이터를 필요로 할수록 이런 역할의 중요성도 함께 커질 가능성이 높습니다.

② AI를 실제 문제와 제품에 연결하는 사람들

5. AI 제품 기획자

AI에게 어떤 일을 시킬지 결정하는 사람

AI 제품을 만들 때 개발자만 필요한 것은 아닙니다.

누군가는 먼저 질문해야 합니다.

“우리가 해결하려는 문제는 무엇일까?”

“이 문제에서 AI는 어떤 역할을 해야 할까?”

“어디까지 AI에게 맡기고 어디부터 사람이 확인해야 할까?”

이런 문제를 고민하는 사람이 AI 제품 기획자, 흔히 AI PM이라고 불리는 역할입니다.

예를 들어 학생을 위한 AI 공부 서비스를 만든다고 생각해봅시다.

AI가 학생에게 문제를 추천하게 할 수도 있고,

틀린 문제를 설명하게 할 수도 있고,

공부 기록을 보고 다음 공부 계획을 세워주게 할 수도 있습니다.

하지만 AI 기능을 많이 넣는다고 좋은 제품이 되는 것은 아닙니다.

AI가 틀린 답을 할 수도 있고,

학생이 원하는 것을 잘못 이해할 수도 있기 때문입니다.

그래서 AI 제품 기획자에게 중요한 것은 AI 툴을 많이 아는 것보다

사용자의 문제를 발견하고, AI가 잘하는 것과 잘하지 못하는 것을 구분하는 능력입니다.

새로운 서비스 아이디어를 생각하거나 사람들의 불편함을 발견하는 것을 좋아하는 학생이라면 잘 맞을 수 있습니다.

6. AI 자동화·에이전트 전문가

사람이 반복하던 일을 AI에게 맡기는 사람

회사에는 생각보다 많은 반복 업무가 있습니다.

이메일을 읽어 담당자별로 분류하고,

고객 문의를 확인하고,

회의 내용을 정리하고,

여러 자료를 모아 보고서를 만들고,

데이터를 다른 프로그램으로 옮기는 일입니다.

AI 자동화 전문가는 이런 일을 보면서 질문합니다.

“이 일은 사람이 계속 반복할 필요가 없지 않을까?”

예를 들어 고객 문의가 들어오면 AI가 내용을 이해해 담당자에게 자동으로 전달할 수 있습니다.

회의가 끝나면 AI가 내용을 요약하고 해야 할 일을 정리하도록 만들 수도 있습니다.

최근에는 여러 프로그램과 도구를 직접 사용하면서 연속적인 업무를 수행하는 AI 에이전트도 빠르게 발전하고 있습니다.

그래서 앞으로는 AI를 단순히 잘 사용하는 것을 넘어

AI에게 어떤 일을 어떤 순서로 맡길지 설계하는 능력도 중요해질 수 있습니다.

이 분야는 주변의 작은 문제부터 시작할 수 있다는 장점이 있습니다.

학교나 일상에서 반복되는 일을 하나 찾아 직접 자동화해보는 것만으로도 좋은 프로젝트가 됩니다.

7. AI UX·인터랙션 디자이너

사람과 AI가 잘 협력하도록 만드는 사람

AI 시대에는 디자인의 역할도 달라질 수 있습니다.

기존의 앱에서는 사람이 버튼을 누르고 메뉴를 선택했습니다.

하지만 AI 서비스에서는 사용자가 자연어로 질문하거나 AI와 대화하면서 원하는 결과를 얻습니다.

그렇다면 새로운 문제가 생깁니다.

AI에게 무엇을 입력해야 하는지 어떻게 알려줄까요?

AI가 확실하지 않은 답을 했다는 것을 사용자에게 어떻게 보여줄까요?

AI가 어떤 행동을 하기 전에 사용자의 허락을 받아야 할까요?

AI가 실수했을 때 어떻게 쉽게 수정하게 만들까요?

이처럼 사람이 AI를 이해하고 편리하게 사용할 수 있도록 경험을 설계하는 역할이 중요해지고 있습니다.

디자인을 좋아하지만 기술에도 관심이 있거나,

사람이 제품을 어떻게 사용하는지 관찰하는 것을 재미있어하는 학생이라면 눈여겨볼 만한 영역입니다.

앞으로의 디자이너는 화면을 예쁘게 만드는 것을 넘어

사람과 AI가 어떻게 함께 일할 것인지 설계하는 사람이 될 수도 있습니다.

③ AI가 커질수록 더 중요해지는 사람들

8. AI 보안 전문가

AI가 위험한 행동을 하지 못하게 막는 사람

AI가 할 수 있는 일이 많아질수록 새로운 위험도 생깁니다.

예를 들어 회사 내부 자료를 읽을 수 있는 AI에게 누군가 교묘한 명령을 내려 원래 보여주면 안 되는 정보를 꺼내게 할 수도 있습니다.

AI가 실수로 개인정보나 회사 기밀을 노출할 수도 있습니다.

특히 AI가 단순히 답변만 하는 것이 아니라

메일을 보내고,

파일을 열고,

데이터를 수정하고,

회사 시스템을 직접 사용하기 시작한다면 위험은 더 커집니다.

그래서 AI에게 어떤 정보까지 보여줄 것인지,

어떤 행동까지 허용할 것인지,

위험한 명령을 어떻게 차단할 것인지 설계하고 관리하는 AI 보안 전문가의 역할이 중요해지고 있습니다.

미국 노동통계국은 전체 정보보안 분석가 고용이 2024년부터 2034년까지 28.5% 증가할 것으로 전망하고 있습니다.

컴퓨터 시스템의 허점을 발견하거나 공격과 방어를 논리적으로 생각하는 것을 좋아하는 학생이라면 관심을 가져볼 만합니다.

9. AI 거버넌스·리스크 전문가

AI를 어디까지, 어떻게 사용할지 기준을 만드는 사람

AI가 중요해질수록

“AI를 만들 수 있는가?”

만큼 중요한 질문이 생깁니다.

“이 AI를 사용해도 되는가?”

입니다.

예를 들어 회사가 채용 과정에서 AI를 사용한다고 생각해봅시다.

AI가 특정 지원자에게 불리한 판단을 내리지는 않는지,

어떤 데이터를 사용했는지,

잘못된 결과가 나왔을 때 누가 책임지는지,

개인정보를 제대로 보호하고 있는지 확인해야 합니다.

학교나 병원, 금융처럼 사람에게 큰 영향을 주는 분야라면 이런 문제는 더욱 중요해집니다.

AI 거버넌스·리스크 전문가는

AI를 사용할 때 발생할 수 있는 위험을 찾아내고,

회사나 기관이 지켜야 할 기준을 만들고,

AI가 책임 있게 사용되고 있는지 점검하는 역할을 합니다.

기술뿐 아니라 법, 윤리, 정책, 사회문제에 관심이 많은 학생이라면 새로운 진로 방향이 될 수 있습니다.

④ 그리고 어쩌면 가장 많은 사람이 가게 될 길

10. 자신의 분야에 AI를 결합하는 현업 전문가

마지막은 정확히 하나의 직업 이름은 아닙니다.

오히려 앞으로 대부분의 직업이 변화하는 방식에 가깝습니다.

마케팅을 아는 사람이 AI를 사용하고,

회계를 아는 사람이 AI를 사용하고,

의료를 아는 사람이 AI를 사용하고,

디자인을 아는 사람이 AI를 사용하고,

교육을 아는 사람이 AI를 사용하는 것입니다.

예를 들어 똑같은 마케터 두 명이 있다고 생각해봅시다.

한 사람은 경쟁사를 하나씩 검색하고 자료를 정리하고 광고 문구를 직접 작성합니다.

다른 사람은 AI를 이용해 경쟁사를 조사하고,

고객 데이터를 분석하고,

수십 개의 아이디어를 만든 뒤

그중 좋은 것을 판단하고 발전시킵니다.

두 사람 모두 마케터입니다.

하지만 AI를 어떻게 활용하는지에 따라 일하는 방식은 크게 달라질 수 있습니다.

LinkedIn의 2026년 노동시장 보고서에서도 미국에서 AI 리터러시를 요구하는 일자리가 전년 대비 70% 늘었고, 디지털·데이터 리터러시가 기술 직군과 비기술 직군 전반의 기본 소양이 되고 있다고 분석합니다.

앞으로 가장 흔한 AI 관련 직업에는 오히려 직함에 ‘AI’라는 단어가 붙어 있지 않을 수도 있습니다.

AI 마케터가 아니라 AI를 잘 활용하는 마케터.

AI 디자이너가 아니라 AI를 새로운 도구로 활용하는 디자이너.

AI 교육전문가가 아니라 교육을 깊이 이해하면서 AI를 활용하는 교육전문가.

결국 AI가 모든 전공과 직업을 없앤다기보다

AI가 각자의 전공을 사용하는 방식을 바꾸는 것에 가까울 수 있습니다.

그렇다면 학생들은 어떤 직업을 선택해야 할까?

10가지 직업을 살펴보면 자연스럽게 이런 질문이 생깁니다.

“그래서 나는 무엇을 선택해야 하지?”

하지만 학생들에게 지금 더 중요한 것은 유망한 직업 하나를 빨리 고르는 것이 아닐 수 있습니다.

AI 기술은 너무 빠르게 변하고 있기 때문입니다.

지금 존재하는 직업의 업무가 몇 년 뒤 크게 달라질 수도 있고,

지금은 이름조차 익숙하지 않은 새로운 역할이 등장할 수도 있습니다.

그래서 미래에 뜰 직업의 이름을 외우는 것만으로는 충분하지 않습니다.

오히려 10가지 직업을 다시 살펴보면 중요한 공통점이 보입니다.

AI만 잘한다고 되는 일이 거의 없다는 것입니다.

AI 엔지니어도 어떤 문제를 해결하는 서비스인지 이해해야 합니다.

데이터 사이언티스트도 무엇을 분석해야 하는지 알아야 합니다.

AI 제품 기획자는 기술보다 먼저 사용자의 문제를 찾아야 합니다.

자동화 전문가는 실제 업무가 어떻게 돌아가는지 이해해야 합니다.

AI UX 디자이너는 사람을 이해해야 합니다.

AI 거버넌스 전문가는 AI가 사회에 미치는 영향까지 생각해야 합니다.

그리고 자신의 분야에서 AI를 활용하려면 무엇보다 그 분야에 대한 관심과 이해가 필요합니다.

결국 AI 시대의 경쟁력은

AI 하나

보다

나의 관심 분야 × AI

에서 만들어질 가능성이 높습니다.

그런데 아직 학생인데, ‘나의 분야’를 어떻게 찾을까?

여기서 현실적인 문제가 생깁니다.

학생에게

“네가 좋아하는 분야를 찾고 AI와 결합해봐.”

라고 말하는 것은 쉽습니다.

하지만 아직 다양한 일을 경험해보지 못한 학생이 자신의 분야를 미리 정하는 것은 어렵습니다.

나는 의료가 재미있는지,

스포츠가 좋은지,

환경 문제를 해결하고 싶은지,

데이터 분석이 잘 맞는지,

제품을 만드는 것이 재미있는지,

직접 해보기 전에는 알기 어렵습니다.

그래서 저희는 직업을 먼저 결정하기보다 관심 있는 분야에서 작은 프로젝트를 직접 해보는 것이 좋은 진로 탐색 방법이라고 생각합니다.

관심 있는 분야에서 문제를 하나 찾아보고,

AI로 해결 방법을 생각하고,

데이터를 통해 실제로 그런 문제가 있는지 확인하고,

마지막에는 직접 작동하는 제품까지 만들어보는 것입니다.

저희가 수업에서 사용하는 ABCD 프레임워크도 바로 이 생각에서 출발합니다.

D · Domain — 관심 있는 분야에서 문제를 찾고

A · AI — AI를 활용한 해결 방법을 생각하고

B · Big Data — 데이터를 수집하고 분석하며 아이디어를 확인하고

C · Coding — 바이브코딩으로 실제 제품을 만들어봅니다.

ABCD에서 가장 중요한 것은 사실 AI가 아닐 수도 있습니다.

처음에 오는 Domain입니다.

AI를 배우기 위해 억지로 문제를 만드는 것이 아니라,

내가 원래 관심 있던 문제를 더 잘 해결하기 위해 AI와 데이터, 코딩을 사용하는 것입니다.

축구를 좋아하는 학생이라면 어떻게 될까?

예를 들어 축구를 정말 좋아하는 학생이 있다고 생각해봅시다.

아직 개발자가 되고 싶은지,

데이터 사이언티스트가 되고 싶은지,

기획자가 되고 싶은지는 모릅니다.

하지만 좋아하는 분야는 있습니다.

축구입니다.

그렇다면 축구에서 시작할 수 있습니다.

D · Domain

축구 경기를 보다가 이런 질문을 발견합니다.

“선수들의 최근 경기 데이터를 이용해 다음 경기에서 주목할 선수를 찾을 수 없을까?”

먼저 관심 분야에서 해결해보고 싶은 문제를 정합니다.

A · AI

다음으로 AI가 어떤 역할을 할 수 있을지 생각합니다.

선수의 최근 기록을 바탕으로 경기력을 분석하고,

다음 경기에서 눈여겨볼 선수를 AI가 설명해주는 기능을 생각해볼 수 있습니다.

B · Big Data

선수별 출전 시간, 골, 도움, 슈팅, 패스, 상대 팀 등의 데이터를 수집합니다.

그리고 어떤 데이터가 경기력과 관계가 있는지 직접 확인합니다.

막연히

“이 선수가 잘할 것 같다.”

고 생각하는 것이 아니라 데이터를 근거로 판단해보는 것입니다.

C · Coding

마지막으로 선수를 선택하면 경기 데이터와 AI 분석 결과를 보여주는 간단한 웹서비스를 바이브코딩으로 만들어봅니다.

하나의 프로젝트가 완성됐습니다.

하지만 이 과정에서 더 중요한 것은 완성된 웹사이트가 아닙니다.

학생은 프로젝트를 하면서 자신이 어떤 일을 좋아하는지 조금씩 발견할 수 있습니다.

“나는 데이터를 분석하는 게 제일 재미있네.”

라고 느낀다면 데이터 사이언티스트나 데이터 관련 직업을 더 탐색해볼 수 있습니다.

“나는 실제 기능을 만드는 게 재미있다.”

면 AI 엔지니어나 소프트웨어 개발 쪽에 관심이 생길 수 있습니다.

“어떤 기능을 만들지 고민하는 과정이 가장 재미있었다.”

면 AI 제품 기획과 잘 맞을 수도 있습니다.

반대로

“나는 AI보다 축구 자체를 더 깊게 공부하는 게 재미있다.”

고 느낄 수도 있습니다.

그것 역시 중요한 발견입니다.

자신의 Domain을 발견한 것이기 때문입니다.

직업을 정하기 전에, 미래의 일을 작게 경험해보기

진로교육에서는 보통 직업을 먼저 설명합니다.

AI 엔지니어는 이런 일을 하고,

데이터 사이언티스트는 이런 일을 하고,

제품 기획자는 이런 일을 한다고 알려줍니다.

물론 이런 정보도 필요합니다.

하지만 설명만 듣고 자신에게 어떤 일이 맞는지 알아내기는 어렵습니다.

직접 데이터를 분석해봐야 데이터 분석이 재미있는지 알 수 있습니다.

직접 서비스를 만들어봐야 개발이 재미있는지 알 수 있습니다.

직접 문제를 찾아봐야 기획을 좋아하는지 알 수 있습니다.

그래서 AI 시대의 진로 탐색에서는

“어떤 직업이 유망한가?”

만큼이나

“나는 어떤 문제를 해결하는 과정에서 재미를 느끼는가?”

가 중요한 질문이 될 수 있습니다.

코딩을 좋아한다면

Coding × AI

데이터를 좋아한다면

Data × AI

디자인을 좋아한다면

Design × AI

스포츠가 좋다면

Sports × AI

환경 문제에 관심이 있다면

Environment × AI

생명과학이 재미있다면

Biology × AI

처럼 자신만의 조합을 만들어볼 수 있습니다.

아직 꿈이 명확하지 않아도 괜찮습니다.

직업을 먼저 선택하고 경험을 쌓는 방법도 있지만,

반대로 여러 경험을 먼저 해보고 그 안에서 자신의 진로를 발견하는 방법도 있습니다.

AI 시대에 학생들에게 필요한 질문은 어쩌면

“앞으로 어떤 직업이 뜰까?”

가 아닐지도 모릅니다.

그보다 먼저 이렇게 질문해볼 수 있습니다.

“나는 어떤 분야에 관심이 있고, 그곳의 문제를 AI로 어떻게 해결해볼 수 있을까?”

직업을 선택하기 전에,

자신이 좋아하는 분야에서 미래의 일을 작은 프로젝트로 먼저 경험해보는 것.

저희는 그것이 AI 시대를 준비하는 좋은 출발점이라고 생각합니다.

자료 출처

1. PwC, 2026 Global AI Jobs Barometer: Global findings 9쪽 (2026년 6월) — 68.9%·8.6%
2. U.S. Bureau of Labor Statistics, Artificial intelligence, information technology, and employment, 2024–34 (The Economics Daily, 2026년 7월 16일) — 33.5%·28.5%
3. U.S. Bureau of Labor Statistics, Employment Projections — 2024–34 (뉴스 릴리스 USDL-25-1324, 2025년 8월 28일)
4. World Economic Forum, Future of Jobs Report 2025 (2025년 1월 8일) — 22%·39%
5. LinkedIn Economic Graph Research Institute, Labor Market Report: Building a Future of Work That Works (2026년 1월) — AI 리터러시 70%