Forward Deployed Engineer: AI가 기술직을 줄이지 않고 채용과 일을 바꾸는 방식
EPAM CHRO Larry Solomon은 2026년 기업 채용 1순위로 FDE를 꼽았습니다. 필라델피아 경영자 5명은 AI가 기술직을 줄이기보다 검토·배포 일을 늘리고 CFO는 ROI를 묻는다고 말합니다. 검토 큐 설계와 8주 시범 계획을 붙였습니다.
필라델피아 경영자 5명의 말을 모으면 AI는 기술 인력을 줄이기보다 일의 자리를 옮깁니다. EPAM은 2026년 채용 1순위로 FDE를 꼽았고 AI가 결과물을 10배 내면 사람이 볼 것도 10배가 됩니다. 따라 하려면 도입 계획에 검토 인력, 현장 배포 인력, CFO가 볼 ROI 기준을 처음부터 넣어야 합니다.
요약
The Philadelphia Inquirer의 Joseph N. DiStefano는 2026년 11월 1일, AI를 실제로 도입하는 필라델피아 지역 경영자 5명의 이야기를 묶었습니다. EPAM Systems(뉴타운의 IT 아웃소싱 기업, 6만 5,000명)의 최고인사책임자 Larry Solomon, 디자인·엔지니어링 컨설팅사 O3 World의 공동 창업자 Mike Gadsby, 컨설팅사 Bridgenext(1,850명)의 CEO John Castleman, 지역 AI 투자를 독려하는 연합체 Philly Builds AI의 창업자 Grace Francisco, 법무 소프트웨어 회사 Norm Ai의 CEO John Nay입니다. 기사의 출발점은 단순합니다. 적어도 초기에는 AI가 사람을 내보내고 그 자리를 기술이 차지하는 그림이 아닙니다. 어떤 기업은 AI를 돌리려고 오히려 사람을 뽑습니다.
Solomon은 9월 22일 From Day One이 연 HR 콘퍼런스에서 2026년 기업 채용 1순위가 FDE(Forward Deployed Engineer, 고객 현장에 들어가 AI를 실제 업무에 붙이는 엔지니어)라고 말했습니다. 그는 AI가 대부분의 기술직 수요를 줄이지 않았고 대신 AI 지출의 방향과 서비스를 사고파는 방식을 바꿨다고 봅니다. Gadsby는 AI가 산출을 10배 늘리면 사람이 들여다볼 양도 10배가 된다고 말합니다. Castleman은 이사회가 AI를 묻고 CFO가 투자 수익(ROI)을 묻는다고 전합니다. Francisco는 데이터 정리보다 핵심 프로세스 하나를 먼저 고르라는 현장 사례를 소개하고 Nay는 규칙과 감독을 내장한 에이전트를 강조합니다. 아래에서는 이 이야기를 다섯 가지 장치로 나누고 실제로 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Forward Deployed Engineer: 기술·사업·사람을 함께 다루는 현장 배포 엔지니어
FDE는 AI 제품을 만드는 사람이 아니라, 고객 조직 안에서 AI를 실제 업무에 붙이는 사람입니다. Solomon은 세 가지를 요건으로 꼽습니다. AI 에이전트와 기술을 이해하고 사업을 깊이 알고 변화 관리와 관계 형성에 능해야 합니다. 그가 보기에 AI에 적응한다는 것은 제품 사용법을 배우는 일에 그치지 않습니다. 사무실과 관료 조직을 헤쳐 나가고 조직의 층마다 자기 말을 알아듣게 해야 에이전트와 시스템을 실제로 깔 수 있습니다. 시스템 통합과 실패를 겪어 본 경험이 그래서 중요합니다. 반대로 요건이 분명하고 연동할 시스템이 적은 업무라면 FDE 없이 제품 설정만으로 충분할 수 있습니다. 가상 예시를 들면, 한 유통사가 발주 에이전트를 들일 때 FDE는 MD 팀과 2주를 함께 지내며 발주 승인 단계와 예외 처리 관행부터 받아 적습니다.
Review Load: AI 산출이 늘수록 사람이 볼 일이 늘어나는 구조
Gadsby는 AI의 과제가 기술보다 사람과 철학의 문제에 가깝다고 보고 대체보다 증강을 강조합니다. 근거는 검토 부담입니다. AI가 결과물을 10배 내면 사람이 확인할 양도 10배가 됩니다. 일이 사라지지 않고 옮겨 가는 예도 듭니다. CFO와 컨트롤러가 대시보드를 직접 만들고 데이터 피드를 잇습니다. 예전에는 엔지니어가 하던 일입니다. 그래도 엔지니어 수요는 줄지 않았고 엔지니어는 더 나은 구축 방법을 고민하는 쪽으로 옮겨 갔다고 그는 말합니다. 그의 업계 주변에서는 학생들이 줄줄이 채용되고 신입도 AI 도구 덕에 고객 일에 빨리 기여합니다. 이 구조는 산출물 하나하나에 사람 확인이 필요한 업무, 예를 들어 고객에게 나가는 문서나 숫자 보고에서 가장 크게 드러납니다.
ROI Alignment: 이사회와 CFO의 질문에 사업 지표로 답하기
Castleman은 기술 주기의 초반은 늘 요란하다고 봅니다. 이사회는 회사가 AI로 무엇을 하는지, 사업이 쓸모없어지지 않을지를 묻고 CFO는 투자 수익을 묻습니다. Bridgenext는 고객의 AI 아이디어를 사업에 중요한 지표에 맞추는 일부터 합니다. 그는 모바일에 빗댑니다. 초기 앱은 폰 속 광고판에 가까웠고 거래를 처리하기 시작하면서 쓸모가 생겼는데 유통사가 거기까지 가는 데 몇 년이 걸렸습니다. AI도 비슷한 길을 간다고 봅니다. 기술이 빠르게 바뀌니 버려질 것도 많고 대부분의 기업은 애플리케이션이 겹겹이 쌓여 있어 새로 짓기만 할 수도 없습니다. 그래서 그는 실제 승부가 데이터에서 난다고 말합니다. 대부분의 고객이 상당한 데이터 작업을 거쳐야 한다는 것입니다.
Process First: 데이터 정리보다 핵심 프로세스 하나를 먼저 고르기
Francisco는 10월 6일 Barnes Foundation에서 열린 1682 콘퍼런스에서 들은 건설사 경영자의 이야기를 전합니다. 그 회사는 데이터 정리로 시작하지 않았습니다. 사업 프로세스를 훑어 가장 중요한 하나를 고르고 거기서 AI를 시작했습니다. Francisco는 풀리지 않은 사업 문제에 AI를 얹으면 문제가 더 커질 수 있다고 경고합니다. 주요 프로세스를 먼저 정리하고 급여 같은 기능은 나중에 붙이며 조직이 감당할 수 있는 속도를 정하라고 권합니다. 같은 맥락에서 필라델피아에 본사를 둔 Aramark는 에이전트를 셰프, 현장 관리자, 구매 담당 같은 일선 직원에게 맞춘 접근으로 주목받았습니다. Castleman이 데이터 작업의 비중을 강조한 것과 함께 읽으면 어느 프로세스부터 할지를 먼저 정하고 그 프로세스에 필요한 데이터만 정리하는 순서가 됩니다.
Governed Agents: 규칙과 감독을 내장한 에이전트
Nay의 Norm Ai는 법무 업무용 AI 에이전트를 만들고 계열 법률사무소 Norm Law에는 변호사가 50명 넘게 있습니다. 그는 에이전트를 실제 업무 흐름에 맞춰 조정하고 감독하며 에이전트와 변호사가 함께 일하는 방식을 설명합니다. 비용이 낮은 에이전트 배포 덕에 예전에는 비싸서 못 하던 인허가나 대출 분석을 대량으로 할 수 있게 된다는 것이 그의 논리입니다. Norm Ai는 델라웨어주와 함께 에이전트가 운영하는 새로운 법인 형태(Agent-Managed Companies)도 추진하고 있습니다. Nay는 AI를 산업 규칙과 적절한 감독이 들어간 방식으로 배포해야 한다는 말로 기사를 맺습니다. 규제가 있는 업무에서 에이전트를 넓히려면 감독자가 누구인지를 먼저 정해야 한다는 뜻으로 읽힙니다.
통념과 다른 주장
흔히 이렇게 봅니다AI를 들이면 기술 인력부터 줄어듭니다.
Solomon은 이렇게 봅니다AI는 대부분의 기술직 수요를 줄이지 않았고 지출 방향과 서비스 구매 방식을 바꿨습니다. 그래서 2026년 채용 1순위가 FDE입니다.
근거그는 이를 기술 문제가 아닌 사업 기회로 보고 진짜 위협은 변화와 실험, 학습을 거부하는 태도라고 말합니다. EPAM은 지속 학습을 강조하고 HR이 가격 협상과 인력 판단에 AI 근거를 쓰며 역할이 커진다고 봅니다.
흔히 이렇게 봅니다AI가 결과물을 많이 만들수록 필요한 사람은 줄어듭니다.
Gadsby는 이렇게 봅니다산출이 10배면 사람이 볼 양도 10배입니다. AI는 대체가 아니라 증강입니다.
근거CFO와 컨트롤러가 대시보드를 직접 만들게 됐지만 엔지니어 수요는 줄지 않았고 엔지니어의 일이 더 나은 구축 방법을 고민하는 쪽으로 옮겨 갔습니다.
흔히 이렇게 봅니다AI를 하려면 데이터부터 정리해야 합니다.
Francisco가 전한 사례는 이렇습니다핵심 프로세스를 먼저 살피고 가장 중요한 하나에서 시작합니다.
근거한 건설사가 이 순서로 시작했고 Francisco는 풀리지 않은 문제에 AI를 얹으면 문제가 커질 수 있다고 경고합니다.
저자가 든 사례
사례 1. Bridgenext와 제조사 영업팀
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 제조사 영업팀이 고객의 구매 변화를 제때 알기 어려움 | AI 에이전트가 매주 하던 재주문 중단, 새 품목 구매 같은 변화를 표시 | 영업이 변화 신호를 받음. 고객명과 성과 수치는 원문에서 밝히지 않음 | ROI Alignment |
사례 2. Bridgenext와 보험사 영업 통화
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 보험사 CEO가 영업이 고객에게 필요한 보험을 더 상담하길 원함 | Bridgenext가 새 플랫폼을 보강해 통화 전 준비를 도움 | 영업 담당이 준비된 상태로 통화. 성과 수치는 원문에서 밝히지 않음 | ROI Alignment |
사례 3. 건설사의 시작 순서
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| AI를 어디서 시작할지 정해야 함 | 데이터 정리 대신 사업 프로세스를 검토해 가장 중요한 하나를 고름 | 그 프로세스에서 AI를 시작. 회사명은 원문에서 밝히지 않음 | Process First |
사례 4. Norm Ai와 Norm Law
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 인허가·대출 분석 같은 일이 비싸 다 하지 못함 | 법무 에이전트와 변호사 50명 이상이 함께 일하고 델라웨어주와 Agent-Managed Companies 추진 | 1억 4,000만 달러 넘게 투자 유치. 분석을 대량으로 할 수 있다는 것이 회사 주장 | Governed Agents |
기술 디테일: 같은 구조를 직접 만든다면
아래 필드명, 설정값, 숫자는 모두 원문에 없는 가상 예시입니다. 기사 속 경영자들이 말한 방식을 실제로 돌릴 때 필요한 것을 정리했습니다.
구매 변화 감지 에이전트(사례 1)를 돌리려면 변화를 찾는 일과 설명하는 일을 나눕니다. 찾는 일은 규칙과 통계가 맡습니다. 고객·품목별 최근 12주 주문 간격의 중앙값을 구하고 마지막 주문 뒤 그 간격의 2배가 지나면 reorder_gap 신호를, 지난 1년간 산 적 없는 품목을 사면 new_item 신호를 냅니다. LLM은 temperature 0으로 신호마다 이유 3줄과 영업이 물어볼 질문 하나를 JSON으로 씁니다. 신호를 LLM이 직접 판정하게 두면 같은 데이터에도 결과가 흔들리므로, LLM 출력은 설명 필드에만 씁니다. 설명 생성은 신호 1건당 호출 1회라 소형 모델로 충분하고 월 신호 수 × 호출 단가를 아래 ROI 카드의 run_cost_per_month에 넣습니다. 영업 담당이 신호마다 useful 여부를 누르게 해 4주마다 규칙 임계값을 다시 맞춥니다.
{
"signal_id": "SIG-20261105-0187",
"customer_id": "C-30412",
"sku": "BRG-6204",
"type": "reorder_gap",
"median_gap_days": 7,
"days_since_last": 19,
"explanation": ["12주 동안 매주 주문", "최근 19일 주문 없음", "동일 품목 경쟁사 견적 문의 이력"],
"ask": "다음 분기 생산 계획이 바뀌었는지 확인",
"useful": null
}Review Load를 관리하려면 산출물을 위험 등급으로 나눠 검토 큐에 넣습니다. 돈, 계약, 고객 약속이 걸린 산출물은 전수 검토하고 내부 보고와 대시보드는 20%, 초안과 요약은 5%만 표본으로 봅니다. 큐의 행마다 output_id, risk_tier, model_version, reviewer, review_seconds, verdict, error_type을 남깁니다. review_seconds를 모아야 Gadsby가 말한 검토 부담이 실제로 얼마인지 숫자로 보이고 ROI 계산에서 검토 시간을 비용으로 뺄 수 있습니다. 표본에서 오류율이 5%를 넘는 등급은 다음 주부터 한 단계 위 비율로 올립니다.
CFO에게 낼 ROI 카드를 만들려면 시범 시작 전에 기준선을 잽니다. 필드는 process, baseline_hours_per_week, ai_hours_per_week, review_hours_per_week, run_cost_per_month, fde_cost, business_metric(예: 재주문 회복 건수)입니다. 순효과는 (기준 시간 − AI 처리 시간 − 검토 시간) × 시간당 인건비 − 운영비로 계산합니다. 검토 시간을 빼지 않으면 효과가 부풀려집니다.
규칙과 감독을 내장한 에이전트(Governed Agents)를 만들려면 감독을 프롬프트 문구가 아니라 도구 쪽에 겁니다. 외부로 나가는 문서를 보내는 send 도구는 검토자 승인 ID가 없으면 거절하고 결정마다 근거 문서와 검토자 이름을 trace로 남깁니다. 규정이 바뀌면 그 규정을 인용한 지난 산출물을 trace로 찾아 다시 검토합니다.
| 실패하는 경우 | 대응 (가상 예시) |
|---|---|
| 재주문 신호가 너무 많아 영업이 무시함 | useful 비율 30% 미만이면 임계값을 2배에서 3배로 올림 |
| 검토 큐가 밀려 산출물이 쌓임 | 검토 대기 48시간 초과 시 낮은 등급 표본 비율을 낮추고 FDE가 원인 확인 |
| 검토 시간이 늘어 순효과가 0 이하 | 그 업무는 확대 보류, 오류 유형 상위 3개를 프롬프트·규칙으로 먼저 줄임 |
| 데이터 정리가 끝나지 않아 시작을 못 함 | 고른 프로세스 하나에 필요한 테이블만 정리하고 나머지는 뒤로 미룸 |
현업 실행 디테일: 누가, 언제, 무엇을
기사 속 순서(핵심 프로세스 선택 → 현장 배포 → 검토 → ROI 판정)를 우리 조직에서 돌린다면 역할부터 나눕니다. 아래 표와 일정, 기준은 모두 가상 예시입니다.
| 역할 | 맡는 일 (가상 예시) |
|---|---|
| CFO | ROI 카드 기준선 승인, 8주 차 확대 여부 판정 |
| CHRO | FDE와 검토 인력 계획, 직무 기술서 개정, 학습 과정 운영 |
| 프로세스 오너(현업 팀장) | 시범 프로세스 선정, 현업 판정 기준 작성 |
| FDE(내부 또는 파트너) | 현장 상주 구축, 시스템 통합, 실패 대응 |
| 검토자(현업 2~3명) | 검토 큐 처리, 오류 유형 기록 |
시작 전 준비물은 네 가지입니다. 후보 프로세스 목록과 프로세스별 주당 처리 시간, 시범 프로세스에 필요한 데이터 테이블 목록, 이사회·CFO가 이미 보는 사업 지표 정의서, FDE 직무 기술서 초안입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 후보 프로세스 중 하나 선정, 기준선 측정, ROI 카드 작성 | 선정 메모, ROI 카드 v1 |
| 3~4주 | FDE가 현업과 상주하며 에이전트 구축, 필요한 데이터만 정리 | 동작하는 에이전트, 검토 큐 |
| 5~6주 | 사람 업무와 병행 운영, 검토 시간과 오류 유형 기록 | 검토 로그, 오류 상위 3개 |
| 7~8주 | CFO 판정 회의, 확대·보류·중단 결정, 인력 계획 반영 | 판정 보고서, 다음 프로세스 후보 |
확인 질문은 이렇게 준비합니다. 이 프로세스가 멈추면 매출이나 비용에서 무엇이 먼저 흔들립니까? AI가 낸 결과물을 지금 누가, 몇 분 들여 확인합니까? 그 확인을 그만두면 어떤 사고가 날 수 있습니까? 이 일에 필요한 데이터는 어느 시스템 몇 개에 흩어져 있습니까? 현장에 들어갈 사람은 사업과 시스템을 둘 다 아는 내부 인력입니까, 외부 파트너입니까?
진행 판정 기준은 시범 업무마다 다시 정하되, 출발점은 세 가지입니다. 검토 시간을 뺀 순효과가 0보다 크고 산출 1건당 검토가 5분 이하이며 현업이 주 3회 이상 씁니다. 순효과가 0 이하면 범위를 줄이고 오류 유형부터 고칩니다.
AX 적용 제언. 국내 기업이 이 기사에서 가져갈 것은 인력 계획의 순서입니다. AI 도입을 인력 감축 계획으로 먼저 내놓으면 현업이 프로세스를 열어 주지 않습니다. 대신 CHRO와 CFO가 함께 FDE 역할과 검토 인력을 도입 계획의 비용 항목으로 처음부터 넣고 ROI 카드에는 검토 시간을 비용으로 적습니다. 첫 대상은 데이터가 다 정리된 업무가 아니라 사업에 가장 중요한 프로세스 하나로 고르고 데이터는 그 프로세스에 필요한 만큼만 정리합니다. FDE는 외부 파트너에게만 맡기지 말고 내부 인력 한두 명을 짝으로 붙여 두 번째 프로세스부터 직접 맡게 합니다. 이렇게 하면 이사회에는 사업 지표로, CFO에는 순효과로, 현업에는 줄어든 반복 업무로 같은 시범을 설명할 수 있습니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | The Philadelphia Inquirer, Joseph N. DiStefano, 2026.11.1 |
| 형식 | 경영자 5명 인터뷰 묶음(명료성을 위해 편집됨) |
| EPAM | Larry Solomon, 최고인사책임자. 뉴타운, IT 아웃소싱, 6만 5,000명. 9월 22일 From Day One HR 콘퍼런스 발언. 2026년 채용 1순위 FDE, 기술직 수요는 유지되고 지출·구매 방식이 바뀜, HR 역할 확대 |
| O3 World | Mike Gadsby, 공동 창업자·최고혁신책임자. 피시타운. 산출 10배면 검토 10배, CFO·컨트롤러가 대시보드 직접 구축, 엔지니어 역할 이동 |
| Bridgenext | John Castleman, CEO. 콘쇼호켄, 1,850명. 전 Mobiquity(현 Hexaware 소속), Alliance Global Services(현 EPAM 소속) 대표. 이사회·CFO의 ROI 질문, 모바일 비유, 데이터 작업 강조. 제조·보험 고객 사례 |
| Philly Builds AI | Grace Francisco, 창업자. Launchpad Philadelphia 인턴(Bentley Systems 등), 10월 6일 1682 콘퍼런스 건설사 사례, Aramark의 일선 직원 중심 에이전트 |
| Norm Ai | John Nay, 창업자·CEO. 뉴욕. Norm Law 변호사 50명 이상, 델라웨어주와 Agent-Managed Companies 추진, 1억 4,000만 달러 이상 투자(Blackstone, Vanguard, Citi, New York Life, TIAA) |
핵심 개념
- From Day One
- 기업 인사 담당자를 대상으로 콘퍼런스를 여는 단체입니다. Solomon이 이 행사에서 발언했습니다.
- Launchpad Philadelphia
- 지역 청년이 Bentley Systems 같은 기업에서 인턴으로 일하는 프로그램입니다.
- 1682 콘퍼런스
- 10월 6일 Barnes Foundation에서 열린 필라델피아 지역 행사입니다.
- Agent-Managed Companies
- Norm Ai가 델라웨어주와 추진하는, 에이전트가 운영하는 새로운 법인 형태의 제안입니다.
- augmentation
- 사람을 대신하기보다 사람의 일을 넓혀 주는 방식으로 AI를 쓰는 것입니다.
- controller
- 기업 회계와 재무 보고를 책임지는 관리자입니다.
내 메모
TODO: 내 생각 추가
원문은 The Philadelphia Inquirer의 「Business leaders are leaning into AI, but they can’t do it without hiring humans. Where are the profits?」(Joseph N. DiStefano, 2026.11.1 게재)입니다. 검색 결과에서는 같은 주소가 「Forward-deployed engineers are in demand as tech leaders seek returns on AI investments」라는 제목으로도 보였습니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작은 예시와 데이터·프로세스 순서 해석, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.