SI 산업의 AI 대전환: 삼성SDS·LG CNS·SK C&C의 AX 전략과 SI 엔지니어 생존 가이드

DX (2015-2023)                    AX (2024-2030+)
─────────────────                  ─────────────────
클라우드 이전          →           AI 네이티브 아키텍처
모바일 앱              →           AI 에이전트 서비스
데이터 웨어하우스      →           AI/ML 파이프라인
RPA 자동화             →           Agentic AI 자동화
대시보드 리포팅        →           예측/생성형 AI 분석

[삼성SDS 풀스택 AI 아키텍처]

Layer 4: AI 컨설팅 / 비즈니스 적용
  └── 산업별 AI 솔루션 (제조, 금융, 물류)
  └── AI 도입 컨설팅 / PoC 서비스

Layer 3: AI 애플리케이션
  └── Brity Copilot (업무용 AI 비서)
  └── Brity Automation (RPA + AI)
  └── ChatGPT Enterprise (한국 독점 리셀러)

Layer 2: AI 플랫폼
  └── FabriX (AI/데이터 통합 플랫폼)
  └── Brity Works (워크플로우 자동화)

Layer 1: AI 인프라
  └── Samsung Cloud Platform (SCP)
  └── 국가 AI 컴퓨팅 센터 수주
  └── GPU 클러스터 운영

[DevOn AI SDLC 자동화]

요구사항 분석    →  AI 요구사항 정리/분류
설계              →  AI 아키텍처 제안/리뷰
개발              →  AI 코드 생성 (반복 코드 자동화)
테스트            →  AI 테스트 케이스 생성/실행
배포              →  AI 기반 CI/CD 최적화
운영              →  AI 모니터링/장애 예측

[SK AI 밸류체인]

SK하이닉스: HBM (고대역폭 메모리) → GPU 핵심 부품
    ↓
SK C&C: AI 인프라 / 데이터센터
    ↓
SK텔레콤: AI 서비스 / 에이전트 플랫폼
    ↓
SK 계열사: AI 적용 (에너지, 화학, 바이오 등)

# RAG 파이프라인 간단 예시
from langchain.vectorstores import Milvus
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI

# 1. 사내 문서를 벡터화
embeddings = OpenAIEmbeddings()
vectorstore = Milvus.from_documents(
    documents=company_docs,
    embedding=embeddings,
    collection_name="internal_knowledge"
)

# 2. RAG 체인 구성
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o"),
    chain_type="stuff",
    retriever=vectorstore.as_retriever(
        search_kwargs={"k": 5}
    )
)

# 3. 질의
result = qa_chain.run("올해 연차 사용 규정이 어떻게 되나요?")

[사용자] → [기존 포털 UI] → [API Gateway]
                                    ↓
                            [AI 서비스 레이어]
                            ├── 임베딩 서비스
                            ├── 벡터 DB (Milvus)
                            ├── LLM 서비스 (GPT-4o/Claude)
                            └── 프롬프트 관리
                                    ↓
                            [기존 백엔드 시스템]
                            ├── 문서 관리 시스템
                            ├── 사내 위키
                            └── 규정/메뉴얼 DB

# AI Agent 기반 문서 처리 예시
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import tool

@tool
def extract_invoice_data(document_path: str) -> dict:
    """송장에서 핵심 데이터를 추출합니다."""
    # OCR + LLM으로 송장 파싱
    ocr_text = run_ocr(document_path)
    extracted = llm.extract_structured(
        text=ocr_text,
        schema=InvoiceSchema
    )
    return extracted

@tool
def validate_against_po(invoice_data: dict) -> dict:
    """추출된 송장 데이터를 발주서(PO)와 대조합니다."""
    po = fetch_purchase_order(invoice_data["po_number"])
    discrepancies = compare(invoice_data, po)
    return {"valid": len(discrepancies) == 0, "issues": discrepancies}

@tool
def submit_for_approval(invoice_data: dict, validation: dict) -> str:
    """검증된 송장을 승인 프로세스에 제출합니다."""
    if validation["valid"]:
        return approval_system.submit(invoice_data, auto_approve=True)
    else:
        return approval_system.submit(invoice_data, flag_review=True)

# Agent가 스스로 판단하여 도구를 순차 호출
agent = create_openai_tools_agent(
    llm=ChatOpenAI(model="gpt-4o"),
    tools=[extract_invoice_data, validate_against_po, submit_for_approval],
    prompt=agent_prompt
)

# 수요 예측 + LLM 해석 결합 예시
import pandas as pd
from prophet import Prophet
from langchain.chat_models import ChatOpenAI

# 1. 시계열 예측 (Prophet)
model = Prophet(yearly_seasonality=True)
model.fit(sales_data)
forecast = model.predict(future_dates)

# 2. LLM으로 예측 결과 해석 및 보고서 생성
llm = ChatOpenAI(model="gpt-4o")
report = llm.invoke(f"""
다음 수요 예측 결과를 분석하여 경영진 보고서를 작성하세요:
- 예측 기간: 다음 분기
- 주요 수치: 평균 {forecast['yhat'].mean():.0f}건/일
- 상한: {forecast['yhat_upper'].mean():.0f}건/일
- 하한: {forecast['yhat_lower'].mean():.0f}건/일
- 전년 동기 대비 변화: +12%
비즈니스 맥락과 함께 3가지 핵심 인사이트를 도출하세요.
""")

[대화형 AI 서비스 아키텍처]

고객/직원    →    [챗 인터페이스 (Web/App/Teams)]
                         ↓
                  [대화 관리 레이어]
                  ├── 의도 분류 (Intent Classification)
                  ├── 대화 이력 관리 (Memory)
                  └── 멀티턴 컨텍스트 유지
                         ↓
                  [AI 처리 레이어]
                  ├── RAG (지식 기반 응답)
                  ├── Function Calling (시스템 연동)
                  └── Human Handoff (상담원 전환)
                         ↓
                  [백엔드 시스템]
                  ├── CRM / ERP
                  ├── 지식 베이스
                  └── 티켓 시스템

[멀티 에이전트 문서 처리 워크플로우]

[문서 수신 Agent]
  │  문서 분류, 메타데이터 추출
  ↓
[데이터 추출 Agent]
  │  OCR + LLM으로 핵심 데이터 추출
  ↓
[검증 Agent]
  │  규정 준수 확인, 데이터 정합성 체크
  ↓
[승인 라우팅 Agent]
  │  금액/유형에 따라 승인자 결정
  ↓
[알림 Agent]
     결과 통보, 후속 작업 트리거

Python + FastAPI
├── AI 서비스 백엔드의 표준
├── Java 개발자라면 FastAPI의 간결함에 놀랄 것
└── 비동기 처리, Pydantic 모델 필수

LangChain / LlamaIndex
├── RAG 파이프라인 구축의 사실상 표준
├── 다양한 LLM과 벡터 DB 통합
└── Agent, Chain, Tool 패턴 이해 필수

Vector DB
├── Milvus: 대규모 엔터프라이즈 환경
├── pgvector: PostgreSQL 기반, 기존 RDB와 통합
└── 임베딩 생성/검색/인덱싱 원리 이해

프롬프트 엔지니어링
├── System/User/Assistant 역할 구분
├── Few-shot, Chain-of-Thought 기법
├── 프롬프트 버전 관리 및 A/B 테스트
└── 구조화된 출력 (JSON 모드) 활용

MLflow / Weights & Biases
├── 실험 추적 및 모델 버전 관리
├── AI 프로젝트 재현성 확보
└── 팀 단위 협업 워크플로우

Docker + Kubernetes (AI 워크로드)
├── GPU 노드 스케줄링
├── AI 모델 서빙 (TorchServe, vLLM, TGI)
├── 오토스케일링 설정
└── 모델 롤링 업데이트

LangGraph / CrewAI
├── 멀티 에이전트 오케스트레이션
├── 상태 머신 기반 워크플로우
└── Human-in-the-Loop 패턴

AI 보안/거버넌스
├── 프롬프트 인젝션 방어
├── 데이터 프라이버시 (PII 마스킹)
├── AI 출력 필터링
└── 감사 로그 및 모니터링

AI 시스템 아키텍처 설계
├── LLM 라우팅 (비용/성능 최적화)
├── 캐싱 전략 (시맨틱 캐싱)
├── 멀티 모델 오케스트레이션
└── 장애 대응/폴백 설계

비용 최적화
├── 토큰 사용량 최적화
├── 모델 선택 전략 (작은 모델 vs 큰 모델)
├── 배치 처리 vs 실시간 처리
└── GPU 자원 효율화

AI 프로젝트 관리
├── AI PoC → 파일럿 → 본격 전환 로드맵
├── AI 프로젝트 리스크 관리
├── 데이터 품질 관리 체계
└── 고객 기대치 관리

Month 1: Python 기초
├── Python 문법 (Java 개발자 기준 빠르게 습득 가능)
├── FastAPI 기초 (REST API 구축)
└── 프로젝트: 간단한 API 서버 구축

Month 2: AI/ML 기초
├── OpenAI API 사용법
├── 프롬프트 엔지니어링 기초
├── LangChain 입문
└── 프로젝트: 간단한 챗봇 구축

Month 3: RAG 기초
├── 임베딩과 벡터 DB 이해
├── LangChain RAG 파이프라인
├── 기본적인 프롬프트 최적화
└── 프로젝트: FAQ 챗봇 (RAG 기반)

Month 4: 고급 RAG
├── 청킹 전략 (Semantic, Recursive)
├── 하이브리드 검색 (키워드 + 벡터)
├── 리랭킹 (Reranker 모델)
└── 프로젝트: 사내 문서 검색 시스템

Month 5: 에이전트 + 도구 사용
├── Function Calling 패턴
├── 멀티 스텝 에이전트
├── LangGraph 기초
└── 프로젝트: 업무 자동화 에이전트

[SI 엔지니어 AI 전환 로드맵]

현재 위치        3개월        6개월        9개월        12개월
───────────────────────────────────────────────────────
Java 개발자  → Python 학습 → RAG 구축   → 사내 PoC   → AI 프로젝트 리드
인프라 엔지니어 → K8s GPU  → MLOps 학습 → AI 인프라 PoC → AI Ops 엔지니어
PM/PL        → AI 이해    → AI 기획    → AI PoC PM  → AI PM/컨설턴트
QA 엔지니어  → AI 테스트  → LLM 평가   → AI QA PoC  → AI 품질 엔지니어

핵심 목표: AI 기초 역량 확보 + 하이브리드 프로젝트 참여

추천 활동:
├── Python + AI 기초 학습 (온라인 코스)
├── 사내 AI 스터디 그룹 참여/주도
├── AI 기능이 포함된 프로젝트에 자원하여 참여
├── AI 관련 자격증 취득
│   ├── AWS Machine Learning Specialty
│   ├── Google Cloud Professional ML Engineer
│   └── Microsoft Azure AI Engineer
└── 개인 AI 프로젝트 GitHub 공개

핵심 목표: AI 특화 프로젝트 리드 + 전문 영역 확보

추천 활동:
├── AI 프로젝트 서브 리드 경험
├── 특정 도메인 AI 전문가 포지셔닝
│   ├── 금융 AI (AML, 리스크, 심사)
│   ├── 제조 AI (예지 보전, 품질 예측)
│   └── 공공 AI (행정 자동화, 민원 처리)
├── AI 아키텍처 설계 경험 축적
├── 사내/외부 AI 세미나 발표
└── 기술 블로그 운영

핵심 목표: AI 아키텍트 / AI PM / AI 컨설턴트 트랙 선택

Track A - AI 아키텍트:
├── 대규모 AI 시스템 설계
├── 멀티 모델 오케스트레이션
├── AI 인프라 설계 (GPU 클러스터, MLOps)
└── 기술 의사결정 주도

Track B - AI PM/디렉터:
├── AI 프로젝트 포트폴리오 관리
├── AI 사업 개발 (Pre-sales)
├── 고객사 C-Level AI 전략 자문
└── AI 팀 빌딩 및 육성

Track C - AI 컨설턴트:
├── AI 도입 전략 수립
├── AI ROI 분석 및 비즈니스 케이스
├── AI 거버넌스 체계 구축
└── 산업별 AI 베스트 프랙티스

[SI 엔지니어 역할 변화]

2020-2024: 코더 (코드 작성이 핵심)
    ↓
2025-2027: AI 활용 개발자 (AI 도구로 생산성 향상)
    ↓
2028-2030: AI 오케스트레이터 (AI 시스템을 설계/조율)

[2028년 SI 프로젝트 상상도]

[요구사항 AI Agent]
  │ 고객 인터뷰를 분석하여 요구사항 명세서 자동 작성
  ↓
[설계 AI Agent]
  │ 요구사항 기반 아키텍처 설계, ERD 생성
  ↓
[개발 AI Agent]
  │ 설계서 기반 코드 자동 생성 (80% 자동화)
  ↓
[테스트 AI Agent]
  │ 테스트 케이스 생성, 자동 실행, 버그 리포트
  ↓
[배포 AI Agent]
  │ CI/CD 파이프라인 실행, 모니터링 설정
  ↓
[SI 엔지니어 (인간)]
     전체 프로세스 감독, 고객 소통, 예외 처리
     = "AI 오케스트레이터"

[SI 엔지니어 AI 전환 12개월 로드맵]

Phase 1 (Month 1-3): 기초
├── Python 프로그래밍
├── OpenAI API 활용
├── 프롬프트 엔지니어링
└── 간단한 챗봇 구축

Phase 2 (Month 4-6): 실전 기초
├── LangChain/LlamaIndex
├── 벡터 DB (Milvus/pgvector)
├── RAG 파이프라인 구축
└── AI 서비스 API 설계

Phase 3 (Month 7-9): 고급
├── 멀티 에이전트 (LangGraph)
├── MLOps (MLflow, Docker, K8s)
├── AI 보안/거버넌스
└── 사내 AI PoC 실행

Phase 4 (Month 10-12): 전문가
├── AI 아키텍처 설계
├── 비용 최적화
├── AI 프로젝트 관리
└── AI 프로젝트 리드 역할