AI가 강해지면 구현하는 사람은 줄어들까

AI 모델은 계속 강해지고 있다. 코드를 만들고, 긴 문맥을 다루고, 기업 데이터와 연결되며, agent가 실제 업무를 수행하는 범위도 넓어진다. 그래서 한 가지 예상은 자연스럽다. AI가 충분히 좋아지면 그것을 기업에 적용하는 사람은 오히려 줄어드는 것 아닐까.

하지만 2026년 9월 8일 Google Cloud와 Accenture는 반대 방향의 큰 숫자를 내놓았다. 두 회사가 출범시킨 Accenture Gemini Enterprise Business Group은 1,000명 규모의 Forward Deployed Engineer, 즉 FDE 인력군을 구축하겠다고 발표했다. 이는 ‘1,000명을 당장 신규채용한다’는 뜻이 아니라, 해당 조직이 구축하겠다고 밝힌 FDE workforce의 목표 규모다.

발표의 중심도 새로운 foundation model 개발이 아니다. 약 5만 명의 Google Cloud 숙련 인력을 기반으로 Gemini Enterprise 도입을 늘리고, 반복 가능한 산업별 솔루션을 만들고, AI 실험과 enterprise-scale transformation 사이의 간극을 줄이는 데 전담 역량을 투입한다는 내용이다.

모델과 실제 회사 사이에는 생각보다 긴 거리가 있다

기업에서 AI가 작동하려면 모델 API 하나를 연결하는 것으로 끝나지 않는다. 회사마다 데이터 구조가 다르고, 권한 체계가 다르고, 기존 시스템과 업무 규칙이 다르다. 무엇을 자동화해도 되는지, 실패했을 때 어디서 멈출지, 누가 검증할지도 정해야 한다.

그래서 FDE의 핵심은 모델을 설명하는 데 있지 않다. 고객의 문제를 정의하고, 기술 범위를 정하고, 시스템을 설계하고, 실제로 만들고, production에 올린 뒤 결과가 나올 때까지 연결하는 역할에 가깝다.

AI가 강해질수록 적용 가능한 업무가 늘어난다면 오히려 더 많은 서로 다른 회사와 workflow를 만나게 된다. 이때 병목은 모델 자체에서 ‘마지막 통합과 운영’으로 일부 이동할 수 있다.

Physical AI로 가면 마지막 연결부가 더 어려워진다

Hitachi와 Google Cloud는 2026년 6월 Physical AI의 실제 배포를 확대하기 위해 Hitachi의 FDE 모델을 글로벌하게 전개하겠다고 발표했다. Hitachi가 설명한 FDE는 고객 안으로 직접 들어가 경영상의 과제를 찾고, PoC로 가치를 검증하고, 구현한 뒤 실제 운영으로 배포하는 과정까지 지원한다.

Physical AI에서는 이 역할이 더 복잡해진다. 일반 enterprise AI가 데이터·소프트웨어·업무를 연결해야 한다면, 현실 세계의 AI에는 센서, 로봇, 장비, 네트워크, 안전, 물리환경과 실제 작업자가 추가된다.

Hitachi는 자사의 IT·OT·제품 역량과 Google Cloud의 AI를 결합해 이 FDE 역량을 강화한다고 설명한다. AI가 현실과 가까워질수록 ‘현장을 아는 엔지니어링’이 사라지기보다 새로운 형태로 결합되는 장면이다.

서울 Config와 Applied Intuition 채용에서 역할이 실제 직무로 보인다

서울의 Physical AI 스타트업 Config가 9월 7일 게시한 AI Solutions Engineer는 직함은 FDE가 아니지만 수행하는 기능이 가깝다. 고객의 자동화 대상 작업을 이해하고, 데이터 전략을 설계하고, 수집·평가 pipeline을 구축하며, 모델을 고객 환경에 적응시키고 실패 원인을 분석한 뒤 다시 배포한다.

현장에서는 로봇과 센서를 설치하고 Config의 수집·평가 시스템을 가동할 수도 있다. 공고는 software, hardware, data, model behavior에 걸친 복잡한 문제를 debug할 능력도 요구한다. 즉 ML 모델 하나만 잘 만드는 사람보다 robotics·software·customer deployment를 가로지르는 역할이다.

Applied Intuition의 현재 채용 목록에도 Application Engineering의 Forward Deployed Engineer뿐 아니라 2027 New Grad 채용군의 Forward Deployed Engineer - New Grad가 별도 직무로 올라와 있다. 같은 회사가 Research, ML, Robotics, Hardware Integration, Solution Engineering 등을 따로 채용한다는 점을 보면 FDE는 모든 엔지니어의 새 이름이라기보다 고객 환경에 붙는 별도의 역할층에 가깝다.

AI 생산성이 높아져도 배포 역할이 자동으로 사라지는 것은 아니다

9월 10일 Reuters는 Wipro CTO의 설명을 인용해 AI 활용으로 2만 명분에 해당하는 생산성 여력이 생겼고 해당 인력을 다른 업무로 재배치했다고 보도했다. 같은 기사에서 Wipro는 FDE 인력을 확대하고 있다고 전했다.

이 숫자는 회사 경영진의 설명을 Reuters가 보도한 것이며 독립적으로 측정된 노동생산성 통계와 동일하게 취급해서는 안 된다. 그럼에도 ‘AI로 생산성이 오르면 고객 배포형 엔지니어도 곧 줄어든다’는 단순한 직선 관계를 가정하기 어렵다는 보조 사례로는 볼 수 있다.

AI가 더 많은 일을 가능하게 만들면 기업이 시도하는 프로젝트 수와 적용 범위도 커질 수 있다. 그 결과 표준화하기 어려운 마지막 구간을 책임지는 역할의 수요가 동시에 커지는 시나리오가 가능하다.

개발자와 HR에게 중요한 것은 FDE라는 직함 자체가 아닐 수 있다

지금 보이는 역할을 구성요소로 풀면 Software Engineering + AI/ML + Domain Knowledge + Customer Problem + Deployment + Debugging에 가깝다. Physical AI에서는 여기에 hardware와 robotics가 더해진다.

개발자 입장에서는 ‘FDE로 이직할 것인가’보다 내가 모델을 실제 환경에 정착시키는 문제를 얼마나 풀 수 있는지를 보는 편이 유용하다. production rollout, systems integration, customer engineering, commissioning, MLOps, field debugging 같은 경험이 서로 만나는 지점이다.

기업과 HR에도 같은 문제가 생긴다. AI 인재를 찾는다고 해서 연구자와 ML Engineer만 검색하면 실제 deployment 역할에 필요한 후보자 풀을 놓칠 수 있다. 다만 산업자동화·SI·field engineering 같은 인접 경험이 어느 역할까지 전이 가능한지는 각 JD의 required/preferred 조건을 따로 확인해야 한다.

BANSEOG VIEW

Banseog View — AI의 다음 병목은 모델이 아니라 ‘현실에 정착시키는 능력’일 수 있다

Google Cloud·Accenture의 1,000명 FDE 계획, Hitachi의 Physical AI FDE, Config의 고객 적응형 엔지니어, Applied Intuition의 실제 FDE 채용은 서로 같은 회사도 같은 사업도 아니다. 따라서 몇 사례만으로 전체 노동시장의 법칙을 선언할 수는 없다.

그럼에도 공통적으로 보이는 역할은 있다. 좋은 모델을 만드는 것과 그 모델을 특정 고객의 데이터·시스템·공정·장비에 끝까지 붙여 실제 결과를 내는 일은 다르다. AI가 적용되는 영역이 넓어질수록 이 두 번째 문제는 사라지기보다 더 선명해질 수 있다.

앞으로 AI 인재시장을 볼 때 연구자 수와 모델 성능만 볼 것이 아니라 ‘모델이 현실에서 작동하게 만드는 사람을 기업들이 얼마나 사고 있는가’를 함께 추적할 필요가 있다. FDE라는 직함보다 그 역할의 구성요소가 어디에서 반복되는지가 더 중요한 신호다.

SOURCES

근거가 된 원자료

Banseog는 Accenture·Google Cloud의 발표를 ‘FDE 1,000명 신규채용 확정’으로 표현하지 않습니다. 발표는 1,000명 규모의 FDE workforce를 구축하겠다는 계획입니다. 또한 Config의 AI Solutions Engineer를 공식 FDE 직함으로 바꾸어 부르지 않으며, 기능적 유사성을 비교합니다. Wipro의 2만 명분 생산성 여력은 회사 CTO의 설명을 Reuters가 보도한 수치로 독립 통계처럼 일반화하지 않습니다.