FDE란 무엇인가 - 역할, 컨설턴트, PO와의 차이, 그리고 조직의 변화
들어가며
2026년 가장 뜨거운 직무를 하나만 꼽으라면 Forward Deployed Engineer(FDE, 포워드 디플로이드 엔지니어)일 겁니다. Indeed 기준으로 FDE 공고는 2025년 4월 643건에서 2026년 4월 5,330건으로 1년 새 729% 늘었습니다. 공급은 따라가지 못했습니다. 지난해 FDE 공고가 약 800% 늘어나는 동안 자격을 갖춘 후보자 풀은 50% 정도 늘었을 뿐이라는 분석도 있습니다.
그리고 올해 5월, 이 흐름을 상징하는 사건이 있었습니다. OpenAI가 40억 달러 이상의 초기 자본을 바탕으로, AI 엔지니어를 고객사 내부에 직접 배치해 프로덕션 AI 시스템을 만들고 운영하는 자회사 OpenAI Deployment Company를 출범시킨 겁니다. 모델을 파는 회사가 사람을 파견하는 회사를 따로 만든 셈입니다.
왜 이렇게까지 할까요. 답은 단순합니다. AI 모델은 충분히 좋아졌는데, 회사 안에서는 여전히 성과가 나지 않기 때문입니다.
저는 이 흐름을 보며 한 가지 확신을 갖게 됐습니다. 어떤 조직이든 AI 엔지니어가 필수가 되고, 그 옆에 도메인 지식을 가진 사람이 붙어서 성과를 만드는 구조로 바뀌는 시대는 "오고 있는" 게 아니라 이미 왔다는 것입니다. 이번 글에서는 FDE라는 외부 직무가 회사 내부의 R&R과 일하는 방식을 어떻게 바꿔놓을지, 그리고 한국에서 먼저 이 실험을 해봤던 비슷한 기업 사례에서 무엇을 배울 수 있는지 정리해보겠습니다.
(1) FDE란? 문제는 모델이 아니라 배포였다
💡 핵심
FDE는 고객 현장에 들어가 제품이 실제 업무에서 돌아가게 만드는 엔지니어입니다. AI 도입의 병목이 모델 성능에서 "현장 배치"로 옮겨가면서, 2025년을 거쳐 2026년 AI 산업의 핵심 직무가 됐습니다.
FDE는 Palantir가 만든 직무입니다. 정부와 대기업처럼 데이터가 지저분하고 업무가 복잡한 고객에게 범용 소프트웨어만 던져주면 쓰질 못하니, 엔지니어를 고객사에 상주시켜 데이터를 연결하고 업무에 맞는 앱을 만들고 정착까지 시킨 겁니다. 영업처럼 계약 전에 데모만 하고 빠지는 게 아니라, 계약 후 실제 성과가 날 때까지 책임지는 사람입니다.
이 모델이 다시 부상한 계기는 생성형 AI였습니다. 지난해 공개된 MIT NANDA 연구는 기업 AI 프로젝트 300건을 분석해 95%가 손익에 측정 가능한 영향을 거의 내지 못했다고 봤습니다. 원인은 모델이 아니라 레거시 DB 연동, 인증, 데이터 보관 요건, 그리고 시스템을 넘겨받은 운영팀이 유지보수할 수 없다는 통합 단계의 문제였습니다.
AI 기업들의 대응은 지난해부터 본격화됐습니다. 2025년 말 FT 보도에 따르면 OpenAI는 그해 초 FDE 팀을 신설해 연내 약 50명 규모로 키울 계획이었고, Anthropic도 FDE를 포함한 응용 AI 팀을 한 해 동안 5배 확대하겠다고 밝혔습니다.
1년이 지난 지금, 규모는 완전히 달라졌습니다. OpenAI의 Deployment Company는 출범과 함께 AI 컨설팅·엔지니어링 기업 Tomoro를 인수해 약 150명의 엔지니어를 확보했고, 이후 Northslope 인수로 FDE 인력이 수백 명 규모로 늘었다고 WSJ가 보도했습니다. Salesforce는 Agentforce 배포를 위해 FDE를 1,000명 가까이 두겠다는 목표를 밝혔고요. 컨설팅 업계의 반응도 흥미롭습니다. Deloitte, Accenture, KPMG, BCG의 FDE 공고를 합치면 Google을 제외한 어떤 단일 제품 회사보다 많습니다. 컨설턴트의 문제 정의력과 엔지니어의 구현력이 한 직무로 합쳐지고 있는 흐름입니다.
아시아에서는 일본이 빠르게 움직이고 있습니다. 지난달에는 일본 IT 대기업들이 FDE를 대규모로 육성하기 시작하면서, AI 엔지니어·컨설턴트·데이터 전문가·현장 기술 인력을 결합한 새로운 일자리가 만들어질 가능성이 커지고 있다는 보도가 나왔습니다. 반면 한국은 아직 이름만 먼저 들어온 단계에 가깝습니다. 최근 국내 공고를 분석한 잡코리아는 JD에 고객 대응, 제안 지원, 교육·유지보수만 있고 제품 반영이나 재사용 자산 이야기가 빠져 있다면 FDE보다는 솔루션 엔지니어에 가깝다고 지적했습니다.
(2) 한국엔 이미 비슷한 실험이 있었다 Problem Solver
💡 핵심
올웨이즈는 2023년 전후 직무 구분 없이 Problem Solver 한 직군만 뽑아 기획·개발·운영을 모두 맡겼습니다. AI 에이전트가 대중화되기 전에, 사람을 에이전트처럼 쓴 조직이었습니다.
FDE라는 단어가 한국에 들어오기 몇 년 전, 비슷한 철학으로 조직을 만든 회사가 있었습니다. 올웨이즈를 운영하는 레브잇입니다.
레브잇은 직무를 나누지 않았습니다. Problem Solver는 각자 맡은 문제 영역에서 전권을 갖고, 문제 해결에 도움이 된다면 기획이든 개발이든 디자인이든 무엇이든 수행하는 직군이었습니다. 놀라운 건 구성이었습니다. 2023년 채용 당시 레브잇 측은 Problem Solver의 80% 이상이 비개발자인데, 입사 후 배워서 2~3주 뒤부터 직접 개발까지 한다고 설명했습니다. 능력 있는 한 사람이 100명보다 높은 성과를 낼 수 있다는 믿음을 채용 철학으로 내세웠습니다.
2026년에 돌아보면 이 구조는 AI 에이전트 조직의 인간 버전이었습니다. 목표만 주고, 도구는 알아서 고르고, 필요한 기술은 그 자리에서 배워서 실행하는 것. 지금 우리가 에이전트에게 기대하는 역할입니다.
(3) 그리고 그 실험은 한 번 꺾였다
💡 핵심
올웨이즈는 2024년 10월부터는 전문 직군 채용으로 방향을 틀었습니다. 범용 인력 모델의 한계는 개념이 아니라 사람 한 명의 대역폭과 도메인 깊이에 있었습니다.
이 이야기가 흥미로운 건 약 2년 전에 나온 결말 때문입니다. C커머스의 공세와 카테고리 확장 과정에서 셀러의 자발적 운영만으로는 플랫폼을 안정적으로 유지할 수 없다는 점이 드러났고, 올웨이즈 HR은 기존 방식으로는 성장이 어렵다며 전문 직군별 채용을 시작한다고 밝혔습니다. 2024년 10월에는 '셀렉션 그룹'을 신설하고 전 카테고리에 걸쳐 채용을 시작했습니다.
첫째는 일의 폭에 대한 물리적 한계가 있었다고 느끼고, 아무리 뛰어난 사람도 하루는 24시간입니다. 카테고리가 늘고 셀러가 늘면 한 사람이 기획하고, 개발하고, 운영까지 챙기는 모델은 물리적으로 확장이 안 됩니다.
둘째는 도메인 깊이와 관계입니다. 어떤 셀러가 믿을 만한지, 이 카테고리에서 가격을 어디까지 내려도 되는지, 협상 테이블에서 무엇을 양보해야 하는지. 이런 판단은 2~3주 또는 2~3개월만에 배울 수 있는 게 아니라 시간과 경험이 쌓여야 나옵니다.
그리고 2024년과 지금 사이에 결정적으로 달라진 게 있습니다. 첫 번째 한계는 지난 2년 사이 AI 에이전트가 흡수할 수 있게 됐고, 두 번째 한계는 여전히 사람의 영역으로 남아 있다는 것입니다.
(4) 새로운 최소 단위: AI 엔지니어 + 도메인 오너
💡 핵심
Problem Solver의 대역폭 문제는 에이전트가 해결합니다. 남는 희소 자원은 "문제를 정의하는 능력"과 "도메인 판단"이며, 이 둘을 짝지은 2인 1조가 새로운 조직의 기본 단위가 될 것으로 생각합니다.
이제 진짜 에이전트가 생겼으니, 사람은 에이전트가 못 하는 두 가지, 즉 무엇을 풀지 정하는 일과 그 결과가 맞는지 판단하는 일에 집중하면 된다고 생각합니다.
OpenAI가 Deployment Company를 소개하며 밝힌 FDE의 역할도 정확히 이 지점을 가리킵니다. 비즈니스 리더, 운영 담당자, 현장 팀과 긴밀히 협업해 AI가 가장 큰 효과를 낼 곳을 찾고, 그에 맞춰 조직 인프라와 핵심 워크플로를 재설계한 뒤, 그 성과를 지속 가능한 시스템으로 만든다는 겁니다. 엔지니어 혼자가 아니라 현장 사람과 붙어서 일한다는 게 전제입니다.
그래서 저는 조직의 최소 단위가 "AI 엔지니어 1명 + 도메인 오너 N명"으로 바뀌고 있다고 봅니다. AI 엔지니어는 회사 내부의 FDE입니다. 외부 고객 대신 마케팅, 운영, 사업개발 현장에 들어가서 반복 업무를 에이전트와 자동화로 바꿉니다. 도메인 오너는 그 옆에서 무엇이 진짜 문제인지 알려주고, 에이전트가 만든 결과물이 현장에서 통하는지 판정합니다.
이 조합이 강력한 이유는 기존 구조의 가장 큰 손실을 없애기 때문입니다. 지금까지 현업이 자동화를 원하면 요구사항을 문서로 정리해 IT팀에 넘기고, 개발 백로그에서 몇 주에서 몇 달을 기다렸습니다. 그 사이 맥락은 절반쯤 사라지고, 완성된 결과물은 요청한 것과 미묘하게 달랐습니다. AI 엔지니어가 도메인 오너 옆에 앉아 있으면 이 대기열과 번역 손실이 한꺼번에 사라집니다. "이거 되나?"에서 "돌아가는 버전"까지 며칠이면 충분합니다.
(5) R&R은 어떻게 바뀌는가: 기능 조직에서 문제 조직으로
💡 핵심
사라지는 건 사람이 아니라 "실행과 조율"이라는 층입니다. 조직은 빌더, 도메인 오너, 에이전트의 세 층으로 재편되고, 성과는 처리한 업무량이 아니라 제거한 업무량으로 측정됩니다.
지금 대부분의 회사는 기능으로 나뉘어 있습니다. 마케팅팀, 운영팀, 사업개발팀. 각 팀 안에는 판단하는 사람, 실행하는 사람, 팀 사이를 조율하는 사람이 섞여 있습니다.
AI 엔지니어가 들어오면 이 구조가 세 층으로 다시 쪼개집니다.
가장 위에는 빌더가 있습니다. 문제를 정의하고 워크플로를 설계하고 에이전트를 만들어 붙이는 사람입니다. 내부 FDE, 혹은 FDE에 사업 감각을 더한 FDE+α가 이 자리입니다.
가운데에는 도메인 오너가 있습니다. 외부 파트너와의 관계, 가격과 우선순위 같은 판단, 규제와 리스크에 대한 책임을 지는 사람입니다.
가장 아래에는 에이전트가 있습니다. 리포트 작성, 데이터 정리, 캠페인 소재 초안, 문의 분류, 제안서 초안처럼 반복되는 실행을 맡습니다.
솔직하게 말하면, 이 재편에서 가장 빠르게 줄어드는 건 기존 조직의 중간층, 즉 실행과 조율을 주로 하던 역할입니다. 그 역할을 하던 사람에게는 두 개의 길이 열립니다. 도메인 깊이를 쌓아 오너로 올라가거나, AI 도구를 익혀 빌더로 전환하거나.
일하는 방식도 바뀝니다. 가장 먼저 바뀌어야 하는 건 평가입니다. 지금까지는 "얼마나 많은 일을 처리했나"로 사람을 평가했다면, 이제는 "얼마나 많은 일을 없앴나"가 기준이 되어야 합니다. 자기 업무를 자동화한 사람이 오히려 일이 없어 보여 불이익을 받는 구조라면, 아무도 자기 일을 없애려 하지 않을 겁니다.
그리고 이 재편에는 아직 아무도 답을 내지 못한 질문이 하나 남습니다. 주니어가 하던 실행 업무가 에이전트에게 넘어가면, 미래의 도메인 오너는 어디서 길러지는가. 도메인 판단력은 결국 수많은 실행을 거치며 쌓이는데, 그 실행의 기회가 사라지고 있기 때문입니다.
(6) 마음 같아선, 모든 직원의 컴퓨터를 학습시키고 싶습니다
💡 핵심
직무별 업무 방식을 AI가 학습하면 자동화 속도는 비약적으로 빨라집니다. 하지만 한국 법제와 조직 신뢰의 관점에서 이건 "감시"가 아니라 "일의 학습"으로 설계되어야만 가능합니다.
솔직하게 저는 마음 같아선 모든 직원의 컴퓨터 사용을 직무별로 학습시키고 싶습니다. 마케터가 캠페인 하나를 세팅하기 위해 어떤 화면을 몇 번 오가는지, 운영 담당자가 매주 어떤 엑셀을 어떤 순서로 만지는지, 사업개발 담당자가 제안서를 쓰기 전에 어떤 자료를 찾아보는지. 이걸 AI가 학습할 수 있다면, 에이전트를 만드는 가장 큰 병목인 "현업이 실제로 어떻게 일하는지 파악하는 시간"이 거의 사라집니다.
AI 엔지니어가 아무리 뛰어나도, 현업의 암묵지는 인터뷰 몇 번으로 다 뽑아낼 수 없습니다. 사람들은 자기가 어떻게 일하는지 정확히 설명하지 못하거든요. 행동 데이터는 거짓말을 하지 않습니다.
하지만 이 욕심을 그대로 실행하면 두 개의 벽에 부딪힙니다..
첫 번째는 당연하게도 법입니다. 한국에서 직원의 컴퓨터 사용을 들여다보는 건 가볍게 다룰 문제가 아닙니다. 개인정보보호위원회는 영업비밀 보호라는 회사의 정당한 이익이 있더라도, 직원 동의 없이 근무 공간과 컴퓨터 화면까지 24시간 촬영·저장하는 것은 사생활 침해 가능성이 높아 정보주체의 권리보다 명백히 우선한다고 보기 어렵다고 판단한 바 있습니다. 대법원도 2023년 CCTV 사건에서 회사가 근로자 동의를 얻지 못했고 노사협의회 협의도 거치지 않았다는 점을 들어, 촬영을 막은 근로자들의 행위가 정당화될 수 있다고 봤습니다.
두 번째는 신뢰입니다. 법적 절차를 다 갖추더라도, 직원들이 "내 화면이 평가에 쓰인다"고 느끼는 순간 학습 데이터는 오염됩니다. 사람들은 감시받을 때 평소처럼 일하지 않으니까요.
그래서 핵심은 사람을 학습하는 게 아니라 일을 학습하는 것입니다. 상시 모니터링 대신, 자동화하고 싶은 특정 과업만 본인이 선택해서 녹화하게 하고, 목적과 범위를 투명하게 공개하는 방식입니다. 그리고 가장 중요한 건 보상 구조입니다. 자기 업무를 AI에게 가르쳐준 사람의 기여도를 판단해서 보상해준다면 다음 사람도 자발적으로 참여할 것 같습니다.
결국 "모든 직원의 컴퓨터를 학습시키고 싶다"는 욕심은 "모든 직원이 자기 일을 AI에게 가르치고 싶어지는 조직"입니다.
마치며
FDE라는 직무가 폭발적으로 늘어난 건 단순한 채용 트렌드가 아닙니다. AI의 병목이 모델에서 워크플로우로 옮겨가고 있다는 맥락이고, OpenAI가 올해 별도 회사까지 세운 건 그 병목이 얼마나 큰지를 보여줍니다.
정리하면 이렇습니다.
AI 도입의 병목은 모델이 아니라 워크플로우다.
앞으로 조직의 새로운 최소 단위는 AI 엔지니어와 도메인 오너의 짝이될 것 같다. 둘 중 하나만으로는 성과가 나지 않는다.
좋은 에이전트는 직무 학습이 필요하고 이를 해결하기 위해선 기술이 아니라 회사 신뢰다.
현업에서 생산적인 인풋을 가장 변수없이 운영하는 것은 AI를 사용하는 것이라고 생각합니다. 이제 사람이 변수이기 때문에 마이너스 변수를 최소화하면서 성장을 만드는게 각 기업들이 앞으로 해결해야할 과제라고 생각하기에 이 변화에 빠르게 팀을 구축시키는 것이 중요할 것 같습니다.