데이터 과학 분야가 AI 시스템을 통한 자율적이고 목표 지향적인 반복 작업의 시대로 접어들고 있다. 기존의 단순한 대규모 언어 모델 상호작용과 달리, 이러한 에이전트 시스템은 자체 출력을 평가하고 목표 달성 시까지 스스로 루프를 돌며 외부 도구를 활용해 복잡한 과제를 수행한다. 이제 데이터 과학자는 일상적인 단계를 수동으로 실행하는 대신, 시스템을 설계하고 배포하며 관리하는 역할을 맡는다.

최신 에이전트 워크플로우는 데이터셋 검색, 정제, 탐색적 분석, 모델 학습 등 전체 과정을 통합 관리한다. 실무자들은 그래프 기반 워크플로우를 위해 LangGraph를 활용하고, 다중 에이전트 협업을 위해 AutoGen을, 코드 중심 실행 작업을 위해 smolagents를 사용하는 등 다양한 프레임워크에 의존한다. 이러한 변화는 일상적인 절차 업무를 자동화하여 데이터 과학의 무게중심을 고차원적인 평가 및 의사결정으로 옮겨놓았다.

2026년 전문성 요구 수준이 높아짐에 따라 시스템 설계, 도구 통합, 에이전트 관측 가능성 확보가 필수 역량으로 자리 잡았다. 이에 따라 조직 내에서 AI 시스템 설계자 및 AgentOps 엔지니어 같은 새로운 직무가 신설되는 추세다. 다중 에이전트 아키텍처에 대한 깊은 이해를 바탕으로 관련 프레임워크를 능숙하게 다루는 전문가들이 시스템의 자율 운용을 책임지며 향후 시장을 주도할 것으로 보인다.

데이터 과학 분야가 AI 시스템을 통한 자율적이고 목표 지향적인 반복 작업의 시대로 접어들고 있다. 기존의 단순한 대규모 언어 모델 상호작용과 달리, 이러한 에이전트 시스템은 자체 출력을 평가하고 목표 달성 시까지 스스로 루프를 돌며 외부 도구를 활용해 복잡한 과제를 수행한다. 이제 데이터 과학자는 일상적인 단계를 수동으로 실행하는 대신, 시스템을 설계하고 배포하며 관리하는 역할을 맡는다.

최신 에이전트 워크플로우는 데이터셋 검색, 정제, 탐색적 분석, 모델 학습 등 전체 과정을 통합 관리한다. 실무자들은 그래프 기반 워크플로우를 위해 LangGraph를 활용하고, 다중 에이전트 협업을 위해 AutoGen을, 코드 중심 실행 작업을 위해 smolagents를 사용하는 등 다양한 프레임워크에 의존한다. 이러한 변화는 일상적인 절차 업무를 자동화하여 데이터 과학의 무게중심을 고차원적인 평가 및 의사결정으로 옮겨놓았다.

2026년 전문성 요구 수준이 높아짐에 따라 시스템 설계, 도구 통합, 에이전트 관측 가능성 확보가 필수 역량으로 자리 잡았다. 이에 따라 조직 내에서 AI 시스템 설계자 및 AgentOps 엔지니어 같은 새로운 직무가 신설되는 추세다. 다중 에이전트 아키텍처에 대한 깊은 이해를 바탕으로 관련 프레임워크를 능숙하게 다루는 전문가들이 시스템의 자율 운용을 책임지며 향후 시장을 주도할 것으로 보인다.