Skip to content
Published on

AI 시대 생존 가이드 1편: 개발자에서 DevOps/플랫폼 엔지니어로 - 로드맵과 현실적 전략

🇰🇷KO🇺🇸EN🇯🇵JA
Split View
Authors

들어가며: 두려움은 당연합니다

요즘 개발자 커뮤니티에서 자주 들리는 이야기가 있습니다.

"GitHub Copilot이 내 코드를 이미 짜주고 있어요. 나는 그냥 탭 키만 누르고 있는 느낌이에요."

"Cursor를 써봤는데... 솔직히 저보다 빠르더라고요. 주니어 개발자는 이제 필요 없는 거 아닌가요?"

"Claude한테 스펙 설명했더니 백엔드 전체를 30분 만에 짜줬어요. 이러면 저 같은 3년차는 어떻게 되는 거죠?"

이 두려움, 완전히 이해합니다. 그리고 이 두려움은 결코 과장이 아닙니다.

실제로 OpenAI의 Devin, Cognition의 AI 에이전트들은 점점 더 복잡한 프로그래밍 태스크를 수행하고 있습니다. Y Combinator 배치에는 "AI가 90% 이상의 코드를 작성하는" 스타트업들이 속속 등장하고 있죠. 스타트업 창업자들은 5명 개발자 팀으로 하던 일을 이제 2명이 AI와 함께 한다고 말합니다.

하지만 여기서 멈추지 마세요. 이 글을 쓰는 이유는 여러분을 더 불안하게 만들려는 게 아닙니다. 현실을 직시하면서도, 구체적이고 실행 가능한 출구를 함께 찾기 위해서입니다.

좋은 소식이 있습니다. AI가 코드를 더 많이 생성할수록, 그 코드를 배포하고, 운영하고, 관리하는 인프라의 수요는 폭발적으로 증가하고 있습니다. 그리고 그 역할을 하는 사람이 바로 DevOps 엔지니어, 플랫폼 엔지니어, SRE(Site Reliability Engineer)입니다.

이 글에서는 백엔드/풀스택 개발자가 18개월 안에 DevOps/플랫폼 엔지니어로 전환할 수 있는 현실적이고 구체적인 로드맵을 제시합니다.

1. 현실적인 AI 대체 현황 분석

AI가 실제로 대체하고 있는 개발 업무

솔직하게 이야기해봅시다. AI가 이미 잘 하고 있는 것들이 있습니다.

반복적인 CRUD 코드 작성: "User 테이블에 대한 REST API 만들어줘"라고 하면, Claude나 GPT-4는 5초 만에 완성된 코드를 내놓습니다. 모델 클래스, 컨트롤러, 서비스 레이어, 유효성 검사까지 말이죠. 3년차 개발자가 30분 걸려 작성할 코드입니다.

보일러플레이트 코드: 새 프로젝트 세팅, 환경 설정, 공통 유틸리티 함수, 미들웨어 - 이런 것들은 AI가 매우 빠르고 정확하게 생성합니다.

단순 버그 수정: 스택 트레이스를 붙여넣으면 원인 분석과 수정 방법을 제시해줍니다. 물론 항상 맞지는 않지만, 첫 번째 시도에서 맞는 경우가 꽤 많습니다.

유닛 테스트 작성: 함수 하나 주면 테스트 케이스를 척척 만들어냅니다. 엣지 케이스도 제법 잘 잡아냅니다.

문서화: JSDoc, README, API 문서 - 기존 코드를 보여주면 문서를 자동으로 작성해줍니다. 영어로도, 한국어로도요.

코드 리뷰 초안: PR 내용을 보여주면 잠재적 문제점, 개선 방향, 보안 취약점을 분석해줍니다.

이러한 업무들이 주니어~중급 개발자의 상당 부분을 차지했다는 것은 부인할 수 없습니다.

AI가 대체하기 어려운 업무

그러나 AI에게는 여전히 어려운 영역이 있습니다. 그리고 이 영역들이 바로 여러분이 이동해야 할 곳입니다.

시스템 아키텍처 설계: "우리 서비스의 DAU가 100만이고, 피크 타임에 TPS가 5만이며, 레거시 시스템이 이렇게 얽혀있는데 어떻게 마이그레이션할까?"라는 질문은 컨텍스트, 조직 정치, 비용, 기술 부채가 복잡하게 얽혀있습니다. AI는 일반적인 패턴을 제시할 수 있지만, 이 특정 회사, 이 특정 상황에서의 최선의 선택은 사람이 해야 합니다.

운영 환경 문제 해결: 프로덕션 서버가 새벽 3시에 죽었을 때, 로그가 뒤섞여 있고, 모니터링 알람이 쏟아지는 상황에서 원인을 추적하는 것은 - 이것은 수년간의 경험과 직감이 필요한 일입니다.

인프라 보안 관리: 조직의 보안 정책, 컴플라이언스 요구사항, 규제 환경, 내부 팀 역량을 종합적으로 고려한 보안 아키텍처는 AI가 대신할 수 없습니다.

비즈니스 요구사항 이해와 기술적 번역: 비개발자 이해관계자와 소통하며 애매한 요구사항을 구체적인 기술 스펙으로 변환하는 능력.

복잡한 시스템 통합: 레거시 시스템 + 클라우드 서비스 + 써드파티 API + 내부 마이크로서비스가 뒤엉킨 환경에서의 통합은 여전히 사람의 손길이 필요합니다.

2. DevOps/플랫폼 엔지니어링이 답인 이유

AI 코드 폭발 = 인프라 수요 폭발

여기 역설이 있습니다. AI가 코드를 더 많이, 더 빠르게 생성할수록, 그 코드를 실행할 인프라가 더 많이 필요해집니다.

생각해보세요. AI 덕분에 스타트업 하나가 3개월 만에 마이크로서비스 10개를 만들었다고 합시다. 이 10개의 서비스를 어디서 실행합니까? 쿠버네티스 클러스터가 필요합니다. 각 서비스는 CI/CD 파이프라인이 필요합니다. 로그와 메트릭을 수집해야 합니다. 보안 취약점을 스캔해야 합니다. 비용을 최적화해야 합니다.

AI가 애플리케이션 개발 속도를 10배 높이면, DevOps 엔지니어의 관리 부담도 10배 증가합니다.

실제로 이런 현상이 벌어지고 있습니다:

  • 클라우드 비용이 폭발적으로 증가하면서 FinOps(클라우드 비용 최적화) 전문가 수요 급증
  • AI 서비스를 운영하기 위한 GPU 클러스터 관리 전문가 부족
  • LLM을 프로덕션에 배포하고 운영하는 MLOps/LLMOps 엔지니어 희귀
  • 개발 팀 생산성을 극대화하는 Internal Developer Platform 구축 수요 증가

DevOps는 왜 AI가 대체하기 어려운가?

DevOps 업무의 핵심은 운영 컨텍스트에 있습니다.

프로덕션 환경의 특성, 팀의 기술 수준, 비용 제약, 보안 요구사항, 조직의 개발 문화 - 이 모든 것을 알아야 최적의 인프라를 설계할 수 있습니다. AI는 이 컨텍스트를 가질 수 없습니다.

또한 DevOps에는 예측 불가능한 장애 상황이 항상 존재합니다. 어제까지 잘 돌아가던 시스템이 오늘 갑자기 죽는 이유는 천 가지입니다. 네트워크 이슈, 하드웨어 장애, 버그, 트래픽 급증, 써드파티 API 장애, 보안 공격... AI는 일반적인 체크리스트를 제공할 수 있지만, 실시간으로 변하는 상황에서 판단을 내리는 것은 경험 많은 엔지니어의 몫입니다.

3. 개발자 → DevOps 전환 로드맵 (18개월)

자, 이제 구체적인 로드맵입니다. 현재 백엔드나 풀스택 개발자라면, 이미 프로그래밍의 기초는 갖춰져 있습니다. 그 위에 다음을 쌓아가면 됩니다.

0-3개월: 기초 다지기

이 단계에서 가장 중요한 것은 리눅스와 네트워킹입니다. DevOps 엔지니어로서 모든 것의 기반이 됩니다.

리눅스 심화

단순히 커맨드를 외우는 게 아닙니다. 리눅스가 어떻게 동작하는지 이해해야 합니다.

  • 프로세스 관리: fork, exec, 시그널, ps, top, htop, lsof
  • 파일시스템: inode, 파일 권한, 마운트, /proc, /sys
  • 네트워킹: TCP/IP 스택, socket, netstat, ss, tcpdump, iptables 기초
  • 시스템 리소스: CPU, 메모리, 디스크 I/O, 병목 현상 식별

추천 자료: "The Linux Command Line" (William Shotts), Linux Foundation의 무료 강의들

Bash 스크립팅과 자동화

반복 작업을 자동화하는 능력은 DevOps의 핵심입니다. 파이썬도 좋지만, 쉘 스크립트는 서버 어디서나 바로 실행 가능한 만능 도구입니다.

#!/bin/bash
# 간단한 헬스 체크 스크립트 예시
set -euo pipefail

SERVICES=("web" "api" "worker")
FAILED=0

for service in "${SERVICES[@]}"; do
  if ! systemctl is-active --quiet "$service"; then
    echo "WARN: $service is not running"
    FAILED=$((FAILED + 1))
  else
    echo "OK: $service is running"
  fi
done

if [ $FAILED -gt 0 ]; then
  echo "ALERT: $FAILED service(s) are down"
  exit 1
fi

echo "All services healthy"

Git 고급 활용

개발자로서 Git은 이미 알겠지만, DevOps 관점에서 GitOps 전략을 배워야 합니다:

  • 브랜칭 전략: GitFlow, GitHub Flow, trunk-based development
  • Git hooks: pre-commit, pre-push 자동화
  • Git submodule, monorepo 관리
  • GitOps 원칙: 인프라 설정을 Git으로 관리

Docker 마스터

컨테이너는 현대 DevOps의 근본입니다.

# 멀티스테이지 빌드로 이미지 크기 최적화 예시
FROM node:20-alpine AS builder
WORKDIR /app
COPY package*.json ./
RUN npm ci --only=production
COPY . .
RUN npm run build

FROM node:20-alpine AS runner
WORKDIR /app
RUN addgroup --system --gid 1001 nodejs
RUN adduser --system --uid 1001 nextjs
COPY --from=builder --chown=nextjs:nodejs /app/.next ./.next
COPY --from=builder /app/node_modules ./node_modules
COPY --from=builder /app/package.json ./package.json
USER nextjs
EXPOSE 3000
CMD ["npm", "start"]
  • Dockerfile 최적화: 레이어 캐싱, 멀티스테이지 빌드
  • Docker Compose로 로컬 개발 환경 구성
  • 컨테이너 네트워킹, 볼륨 관리
  • 이미지 보안 스캔 (Trivy, Snyk)

목표 인증: 없음 (기초 단계, 빌드업)

실습 프로젝트: 기존에 만든 웹 앱을 Docker Compose로 컨테이너화. DB, 앱 서버, 리버스 프록시를 모두 컨테이너로 구성.

3-6개월: 클라우드 기초

클라우드를 선택할 때, AWS와 GCP 중 하나를 깊게 파는 게 좋습니다. 처음부터 여러 클라우드를 배우려 하면 얕게 배우기 쉽습니다.

한국 취업 시장에서는 AWS가 압도적으로 많이 쓰이므로, AWS를 추천합니다.

AWS 핵심 서비스

  • 컴퓨팅: EC2, Auto Scaling Group, ECS, Lambda
  • 네트워킹: VPC, Subnet, Security Group, Route 53, CloudFront, ALB/NLB
  • 스토리지: S3, EBS, EFS
  • 데이터베이스: RDS, DynamoDB, ElastiCache
  • 보안: IAM (가장 중요!), KMS, Secrets Manager, WAF
  • 모니터링: CloudWatch, CloudTrail

IAM은 특히 깊게 공부하세요. 보안 사고의 대부분은 잘못된 IAM 설정에서 비롯됩니다. Principle of Least Privilege를 항상 기억하세요.

자격증 로드맵

AWS Certified Cloud Practitioner (CCP) → AWS Certified Solutions Architect Associate (SAA)

CCP는 2-3주 공부로 취득 가능합니다. SAA는 2-3개월 정도 집중해야 합니다. SAA가 있으면 이력서에서 꽤 눈에 띕니다.

추천 학습 자료:

  • Stephane Maarek의 Udemy 강의 (가성비 최고)
  • AWS 공식 문서와 핸즈온 랩
  • TutorialsDojo 모의 시험

실습 프로젝트: 3개월에 만든 컨테이너 앱을 AWS에 배포. EC2 + RDS + S3 조합으로 시작해서, ALB + Auto Scaling으로 확장.

6-12개월: 쿠버네티스 핵심

이 단계가 DevOps 전환의 핵심입니다. 쿠버네티스를 제대로 이해하면 취업 시장에서 완전히 달라집니다.

쿠버네티스 기본 개념

쿠버네티스는 처음엔 복잡해 보이지만, 핵심 개념을 이해하면 논리적인 구조입니다.

# Deployment 예시
apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
  namespace: production
spec:
  replicas: 3
  selector:
    matchLabels:
      app: web-app
  template:
    metadata:
      labels:
        app: web-app
    spec:
      containers:
        - name: web
          image: myapp:v1.2.3
          ports:
            - containerPort: 3000
          resources:
            requests:
              memory: '128Mi'
              cpu: '100m'
            limits:
              memory: '256Mi'
              cpu: '500m'
          livenessProbe:
            httpGet:
              path: /health
              port: 3000
            initialDelaySeconds: 30
            periodSeconds: 10

배워야 할 핵심 리소스:

  • 워크로드: Pod, Deployment, StatefulSet, DaemonSet, Job, CronJob
  • 서비스: Service, Ingress, NetworkPolicy
  • 설정: ConfigMap, Secret
  • 스토리지: PersistentVolume, PersistentVolumeClaim, StorageClass
  • 네임스페이스와 RBAC: 멀티테넌시와 접근 제어

Helm Charts

쿠버네티스 앱 패키징의 표준입니다. 직접 차트를 만들고, 기존 커뮤니티 차트를 커스터마이징하는 연습을 하세요.

# Helm으로 nginx-ingress 설치
helm repo add ingress-nginx https://kubernetes.github.io/ingress-nginx
helm repo update
helm install ingress-nginx ingress-nginx/ingress-nginx \
  --namespace ingress-nginx \
  --create-namespace \
  --set controller.service.type=LoadBalancer

CKA 자격증 (Certified Kubernetes Administrator)

CKA는 DevOps 직군에서 가장 인정받는 자격증 중 하나입니다. 실기 시험으로, 단순 암기가 아닌 실제 문제 해결 능력을 측정합니다.

준비 방법:

  1. Mumshad Mannambeth의 Udemy CKA 강의 (강력 추천)
  2. killer.sh 모의 시험 (실제 시험보다 어려워서, 이걸 통과하면 본 시험은 쉽게 느껴짐)
  3. 로컬에 kind(Kubernetes in Docker) 또는 k3s 클러스터 구성해서 매일 실습

실습 프로젝트: 기존 앱을 쿠버네티스로 이전. Deployment, Service, Ingress, ConfigMap, Secret 모두 적용. HPA(Horizontal Pod Autoscaler)로 자동 스케일링 설정.

12-18개월: 심화 + 전문화

기초가 갖춰졌다면, 이제 전문성을 쌓을 차례입니다.

CI/CD 파이프라인

# GitHub Actions 예시: 빌드, 테스트, 배포 자동화
name: Deploy to Production

on:
  push:
    branches: [main]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Run tests
        run: npm test

  build-and-push:
    needs: test
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Build Docker image
        run: docker build -t myapp:$GITHUB_SHA .
      - name: Push to ECR
        run: |
          aws ecr get-login-password | docker login --username AWS --password-stdin $ECR_REGISTRY
          docker push $ECR_REGISTRY/myapp:$GITHUB_SHA

  deploy:
    needs: build-and-push
    runs-on: ubuntu-latest
    steps:
      - name: Deploy with ArgoCD
        run: argocd app sync myapp --revision $GITHUB_SHA

GitOps 도구인 ArgoCD를 꼭 배우세요. 인프라 설정을 Git으로 관리하고, Git의 상태와 실제 클러스터 상태를 동기화하는 패러다임입니다. 현재 가장 널리 채택되는 CD 방식입니다.

Observability (관측 가능성)

운영 문제를 빠르게 찾아내려면 좋은 모니터링이 필요합니다.

  • 메트릭: Prometheus + Grafana (Kubernetes 모니터링의 표준)
  • 로깅: ELK Stack (Elasticsearch + Logstash + Kibana) 또는 Grafana Loki
  • 트레이싱: OpenTelemetry + Jaeger 또는 Tempo

대시보드 하나 제대로 만들어보면 Prometheus 쿼리 언어인 PromQL을 자연스럽게 익히게 됩니다.

IaC (Infrastructure as Code)

인프라를 코드로 관리하면 버전 관리, 재현 가능성, 협업이 쉬워집니다.

# Terraform으로 EKS 클러스터 생성 예시
module "eks" {
  source  = "terraform-aws-modules/eks/aws"
  version = "~> 20.0"

  cluster_name    = "my-eks-cluster"
  cluster_version = "1.29"

  vpc_id     = module.vpc.vpc_id
  subnet_ids = module.vpc.private_subnets

  eks_managed_node_groups = {
    general = {
      instance_types = ["t3.medium"]
      min_size       = 1
      max_size       = 10
      desired_size   = 2
    }
  }
}

Terraform은 DevOps 필수 스킬입니다. AWS CDK나 Pulumi도 좋지만, Terraform이 업계 표준입니다.

AI/ML 인프라 전문화 (가장 핫한 분야)

여기서부터 정말 차별화됩니다. LLM 서비스를 운영하는 회사들은 특별한 인프라가 필요합니다:

  • GPU 클러스터 관리 (NVIDIA A100, H100)
  • vLLM, TGI(Text Generation Inference)로 모델 서빙
  • 모델 레지스트리 (MLflow, Weights & Biases)
  • 피처 스토어
  • 데이터 파이프라인 (Airflow, Prefect)

이 분야의 전문가는 현재 극도로 부족합니다. DevOps 기반에 이 전문성을 더하면 시장에서 매우 희귀한 인재가 됩니다.

4. 실제 전직 사례: 3년차 백엔드 개발자의 이야기

배경: 이민준 (가명), 2020년에 국내 대학 컴퓨터공학과 졸업 후 중견 IT 기업에서 Java 백엔드 개발자로 3년 근무. Spring Boot로 CRUD API 개발, JUnit 테스트 작성이 주요 업무. 연봉 4,200만원.

전환을 결심한 계기: 2023년 말, ChatGPT를 써보다가 자신이 작성하던 코드 유형의 80%를 AI가 대신한다는 것을 깨달았다. 주변에서 "주니어는 필요 없어질 것"이라는 말도 들렸다. 막연한 불안감 대신 구체적인 행동을 취하기로 결심.

0-3개월 (기초 다지기)

퇴근 후 2-3시간씩 Linux 공부를 시작했다. 처음엔 ls, grep, sed 같은 명령어를 외우는 정도였지만, 프로세스와 파일시스템의 작동 원리를 이해하면서 완전히 새로운 세계가 열리는 느낌이었다.

Docker는 이미 어느 정도 알고 있었지만, Dockerfile 최적화와 네트워킹은 새롭게 배웠다. 무엇보다 이미 회사에서 사용하는 기술이라 바로 실무에 적용할 수 있었다.

3-6개월 (AWS 기초)

Udemy의 Stephane Maarek 강의로 AWS를 공부했다. 개인 AWS 계정을 만들고 프리 티어 범위에서 최대한 실습했다. 한 달에 AWS 비용이 2-3만원 정도 나왔는데, 이 비용은 투자라고 생각했다.

SAA 자격증을 취득했을 때, 이력서에 처음으로 "AWS Certified" 뱃지가 생겼다. 작은 것이지만, 확실히 자신감이 붙었다.

6-12개월 (쿠버네티스)

이 구간이 가장 힘들었다. Kubernetes 개념이 처음엔 너무 추상적이었다. Pod가 뭔지, Service와 Deployment의 차이가 뭔지, 계속 헷갈렸다.

돌파구는 실습이었다. 개인 노트북에 minikube를 설치하고, 회사 앱과 비슷한 구조의 앱을 K8s로 올리기 시작했다. 에러 메시지를 보고 고치고, 또 에러 나고 고치는 과정을 반복하다 보니 개념이 자리잡혔다.

CKA 시험을 신청한 것이 동기부여가 됐다. 시험 날짜가 잡히니 게을리할 수가 없었다. 첫 시험에서 72점(합격선 66점)으로 통과했다.

12-18개월 (전문화 + 구직)

ArgoCD, Terraform, Prometheus/Grafana를 배우면서 동시에 포트폴리오를 정리했다. GitHub에 다음을 올렸다:

  • 3-tier 앱의 완전한 K8s 매니페스트
  • GitHub Actions + ArgoCD 기반 CI/CD 파이프라인
  • Terraform으로 AWS EKS 클러스터 프로비저닝 코드
  • Grafana 대시보드 스크린샷

이력서에 이전 직장에서의 경험을 DevOps 관점으로 재서술했다. "API 개발" 대신 "Docker 컨테이너화 및 배포 파이프라인 구축에 기여"처럼.

구직 활동을 시작한 지 2개월 만에 스타트업 DevOps 엔지니어 포지션으로 이직에 성공했다.

결과: 연봉 6,000만원 (약 43% 상승). 물론 더 큰 기업, 더 많은 경력을 쌓으면 더 올라갈 수 있다.

배운 것: "처음엔 내가 개발자도 DevOps도 아닌 어중간한 사람이 된 것 같아 불안했어요. 근데 개발 경험이 있는 DevOps 엔지니어는 오히려 더 가치 있더라고요. 애플리케이션의 관점에서 인프라를 볼 수 있으니까요."

5. DevOps에서 AI 활용하기

DevOps로 전환하면서 AI를 적극 활용하면 학습 속도가 크게 빨라집니다.

인프라 코드 작성 자동화

프롬프트 예시:
"AWS EKS 클러스터에 Redis를 고가용성으로 배포하는 Helm values.yaml을 작성해줘.
요구사항:
- Redis 7.x
- 마스터 1개, 레플리카 2개
- 영속 스토리지 10Gi
- 메모리 리밋 512Mi
- liveness, readiness probe 포함"

장애 원인 분석

에러 로그를 AI에게 보여주고 원인 분석을 요청하세요. AI는 즉시 여러 가능성을 제시하고, 체크해야 할 사항들을 알려줍니다. 물론 최종 판단은 여러분이 해야 하지만, 디버깅 시간을 크게 단축합니다.

Kubernetes YAML 이해와 최적화

복잡한 YAML 파일을 AI에게 보여주고 "이 설정이 무엇을 하는지 설명해줘", "보안 관점에서 개선할 점은?"처럼 질문하면 학습 도구로도 훌륭합니다.

AIOps: AI 기반 모니터링

미래에는 AI가 모니터링 알람을 분석하고, 자동으로 초기 대응을 하는 AIOps가 표준이 될 것입니다. 이미 AWS DevOps Guru, Datadog AI, New Relic AI 같은 도구들이 이 방향으로 가고 있습니다.

LLM 인프라 운영 전문가 = 최고 희귀 직군

현재 가장 수요가 많고 공급이 부족한 포지션은 "LLM 인프라 운영 전문가"입니다. Llama, Mistral 같은 오픈소스 모델을 GPU 클러스터에 배포하고, vLLM로 서빙하고, 비용을 최적화하는 전문가가 업계에서 매우 귀합니다. DevOps 기반에 이 전문성을 더하면 연봉 1억 이상을 노릴 수 있습니다.

6. 현실적인 연봉과 취업 시장

한국 DevOps 엔지니어 연봉 현황 (2026년 기준 추정)

경험 수준에 따라 다르지만 대략적인 범위는:

  • 주니어 DevOps (1-2년): 4,500-6,000만원
  • 미드레벨 DevOps (3-5년): 6,000-9,000만원
  • 시니어 DevOps (5년+): 9,000만원-1억 2,000만원
  • DevOps 리더/플랫폼 엔지니어: 1억 2,000만원 이상
  • LLM/AI 인프라 전문가: 1억-1억 5,000만원

개발자 대비 DevOps는 공급이 부족합니다. 같은 경력 연차에서 DevOps가 백엔드 개발자보다 평균 15-25% 더 높은 연봉을 받는 경향이 있습니다.

자격증의 가치

  • AWS SAA (Solutions Architect Associate): 이력서 스크리닝 통과율 증가. 한국 시장에서 가장 인정받는 클라우드 자격증.
  • CKA (Certified Kubernetes Administrator): 기술 면접에서 매우 유리. "K8s 할 수 있어요" 대신 "CKA 있어요"는 큰 차이.
  • Terraform Associate: 점점 중요해지고 있음. IaC 도입하는 회사가 빠르게 늘고 있음.
  • GCP Professional Cloud DevOps Engineer: GCP 사용 기업에서 우대.

자격증은 목표가 아니라 도구입니다. 실력이 바탕이 되어야 자격증이 빛납니다.

포트폴리오 전략

GitHub에 다음을 정리하세요:

  1. 인프라 레포지토리: Terraform으로 EKS 또는 GKE 클러스터 프로비저닝
  2. 앱 배포 레포지토리: K8s 매니페스트 + Helm + ArgoCD 설정
  3. CI/CD 파이프라인: GitHub Actions 워크플로
  4. 모니터링 대시보드: Grafana 대시보드 JSON + Prometheus 알람 설정
  5. README: 각 프로젝트의 목적, 아키텍처 다이어그램, 사용 방법을 명확하게 설명

블로그도 큰 도움이 됩니다. 배운 것을 글로 정리하면 이해가 깊어지고, 채용 담당자에게도 좋은 인상을 줍니다.

7. 첫 걸음: 지금 당장 할 수 있는 3가지

긴 로드맵을 보면서 막막하게 느껴질 수 있습니다. 하지만 지금 당장 오늘 시작할 수 있는 것들이 있습니다.

1) 리눅스 환경 만들기 (오늘 할 수 있음, 무료)

  • Mac이라면 이미 터미널이 있습니다. WSL2(Windows Subsystem for Linux)를 설치하면 Windows에서도 리눅스를 쓸 수 있습니다.
  • 다음 명령어들을 직접 실행해보세요:
# 현재 실행 중인 프로세스 확인
ps aux | grep nginx

# 네트워크 연결 상태
ss -tulnp

# 시스템 리소스 사용량
htop

# 파일시스템 사용량
df -h

# 특정 포트 사용 중인 프로세스
lsof -i :8080

2) Docker로 첫 컨테이너 실행 (오늘 할 수 있음, 무료)

Docker Desktop을 설치하고 다음을 실행해보세요:

# Nginx 웹서버 컨테이너 실행
docker run -d -p 8080:80 --name my-nginx nginx

# 실행 중인 컨테이너 확인
docker ps

# 컨테이너 로그 확인
docker logs my-nginx

# 컨테이너 내부 접속
docker exec -it my-nginx bash

브라우저에서 http://localhost:8080을 열면 Nginx 기본 페이지가 뜹니다. 이게 컨테이너입니다.

3) 학습 계획 세우기 (오늘 할 수 있음)

구체적인 날짜와 목표를 세우세요:

  • 이번 달: Linux 기초 + Docker 마스터
  • 다음 달: AWS 시작 + CCP 자격증 공부 시작
  • 3개월 후: AWS SAA 취득
  • 6개월 후: K8s 기초 + 개인 프로젝트 시작
  • 1년 후: CKA 취득
  • 18개월 후: DevOps 이직

캘린더에 공부 시간을 블록으로 잡아두세요. 매일 2시간, 주말 4-5시간이면 충분합니다.

마치며: 변화는 기회입니다

AI가 소프트웨어 개발의 모습을 바꾸고 있는 것은 사실입니다. 하지만 그것이 개발자의 종말을 의미하지 않습니다.

증기기관이 등장했을 때, 손으로 직물을 짜던 사람들은 일자리를 잃었습니다. 하지만 동시에 기계를 운영하고 관리하는 새로운 직군이 생겨났습니다. AI 시대도 마찬가지입니다.

AI가 코드를 생성하는 속도가 빨라질수록, 그 코드를 안전하게, 효율적으로, 안정적으로 운영할 전문가가 더 많이 필요합니다. DevOps와 플랫폼 엔지니어링은 그 중심에 있는 분야입니다.

두려움은 행동의 신호입니다. 지금 이 글을 읽고 있다는 것 자체가 여러분이 이미 변화에 대응하려 한다는 증거입니다. 그 에너지를 구체적인 학습과 실천으로 연결하세요.

처음 Docker 컨테이너를 성공적으로 실행했을 때의 그 작은 성취감이, 18개월 후 CKA를 손에 쥐고 더 나은 포지션으로 이직하는 여정의 첫 걸음입니다.

시작하세요. 지금 바로.

참고 자료

Discuss on Twitter • View on GitHub