합류하게 될 팀에 대해 알려드려요

• 토스플레이스는 오프라인 매장 사장님들이 마주하는 복잡하고 반복적인 문제를 AI로 해결하며, 전에 없던 Proactive한 매장 관리 경험을 만들고자 해요. 새롭게 신설되는 AI Platform 팀은 AI가 실제 비즈니스 문제를 해결할 수 있도록 기반과 제품을 함께 만들어가는 팀이에요.
• Applied AI Engineer는 이 팀의 초기 멤버로 합류해 매장 사장님과 내부 운영 조직이 겪는 문제를 발견하고, 이를 AI Agent 제품으로 구현하는 역할을 맡아요. 초기에는 내부 운영 조직의 반복 업무를 AI로 개선하는 일부터, 매장 사장님이 직접 사용하는 대고객향 AI Agent 제품까지 폭넓게 다뤄요. 매장 운영, 고객 문의, 주문/결제, 리뷰, 장애 대응 등 토스플레이스의 다양한 현장 문제를 AI가 이해하고 행동할 수 있는 제품 경험으로 만들어 나가요.
• Applied AI Engineer는 제품 조직, 운영 조직, AI Platform 팀 동료들과 긴밀하게 협업하며 현장의 문제를 실제 AI 제품으로 전환하는 역할을 해요. 특정 모델이나 기술을 적용하는 데 그치지 않고, 문제 정의부터 Workflow 설계, 도구 연동, 사용자 피드백 기반 개선까지 AI가 실질적인 가치를 만드는 모든 과정을 끝까지 만들어가요.

합류하면 함께할 업무예요

• 매장 사장님이 겪는 운영 문제를 AI로 해결해요: 문의, 리뷰, 주문/결제, 장애 대응 등 매장 운영 과정에서 반복적으로 발생하는 복잡한 문제를 AI가 이해하고 선제적으로 도움을 제공하는 사용자 경험으로 만들어요.
• 내부 운영 조직의 반복 업무를 자동화해요: CS, 매장 관리, 데이터 확인, 반복 응대 등 운영자가 자주 처리하는 업무를 AI Workflow로 전환해 운영 효율을 높이고, 더 중요한 문제에 집중할 수 있도록 돕는 솔루션을 만들어요.
• AI Agent가 유용하게 행동할 수 있는 workflow를 설계해요: Reasoning, Tool use, State management, Human-in-the-loop, Fallback 등을 고려해 단순 응답을 넘어 필요한 데이터를 찾고, 도구를 활용하며, 적절한 다음 행동을 제안하거나 실행할 수 있는 Agent 경험을 구현해요.
• 실제 사용 데이터와 피드백으로 품질을 개선해요: 실패 케이스, 사용자 신호, 운영 지표를 바탕으로 프롬프트, 컨텍스트, Workflow를 반복적으로 개선하며 AI 제품의 품질을 높여요.

• AI Agent의 성공 기준을 정의하고 측정해요: AI가 실제로 얼마나 도움이 되었는지를 제품 지표와 운영 지표로 정의하고, 평가 데이터셋, LLM-as-a-judge, 사용자 피드백 등을 활용해 품질을 관리하고 개선해요.

이런 분과 함께하고 싶어요

• 단순히 LLM API를 래핑하거나 RAG 데모를 만든 수준을 넘어, 생각하고(Reasoning), 도구를 선택하며(Tool use), 상태를 관리하는(State management) 에이전트 시스템을 실제 사용자 문제 해결에 적용해 본 분을 찾고 있어요. 에이전트가 어떤 업무를 맡을 수 있고, 어디서 사람의 개입이 필요한지 판단하며, 이를 제품으로 구현해 본 경험을 중요하게 생각해요.
• 강력한 문제 해결 역량: 기술 그 자체보다 “이 기술로 어떤 고객·운영 문제를 해결하고, 어떤 비즈니스 임팩트를 만들 것인가”를 먼저 고민하는 분이 필요해요. 모호한 현장 문제를 구조화하고, AI가 개입할 수 있는 업무 흐름으로 바꿔 실제 결과를 만들어 보신 분이면 좋아요.
• AI 제품 설계 및 구현 역량: LLM, RAG, Agentic Workflow에 대한 이해를 바탕으로, 실제 사용자가 쓰는 AI Agent 제품을 설계하고 개선할 수 있는 분을 찾고 있어요. Workflow 설계, 도구 연동, 컨텍스트 설계, 상태 관리, 사용자 피드백 반영을 통해 AI가 실제로 도움이 되는 경험을 만드는 역할이에요.
• 제품화를 위한 시스템 사고: AI 기능이 데모에 머무르지 않고 실제 서비스로 동작하기 위해 필요한 실패 처리, 평가, 관측 가능성, 비용·지연시간 같은 요소를 함께 고민할 수 있는 분이면 좋아요. 플랫폼 자체를 전담해 만드는 역할은 아니지만, AI가 운영 환경에서 안정적으로 쓰이고 지속적으로 개선되기 위한 기술적 기준을 세울 수 있어야 해요.
• 탁월한 커뮤니케이션: 비기술 직군의 언어를 AI 제품 요구사항으로 변환하고, 복잡한 AI 개념과 한계를 동료들이 이해하기 쉽게 설명할 수 있는 분을 찾아요. 운영자, 기획자, 제품 조직과 함께 문제를 정의하고 해결책을 현장에 안착시킨 경험이 있으면 좋아요.
• 실행 중심 사고: 완벽한 모델이나 정답이 나오기를 기다리기보다, 빠르게 MVP를 만들고 실제 데이터와 사용자 피드백을 바탕으로 제품을 고도화하는 과정을 즐기는 분이면 좋아요. 실패 케이스와 사용자 피드백을 바탕으로 AI 제품의 품질을 반복적으로 높여본 경험을 중요하게 생각해요.

이런 분이면 더 좋아요

• LangGraph, AutoGen, CrewAI 등 에이전트 오케스트레이션 프레임워크를 활용해 상태 관리, 분기 처리, 도구 호출, 실패 복구 흐름을 설계해 본 경험이 있으면 좋아요. 특정 프레임워크에 의존하지 않고 직접 Workflow Orchestration 구조를 설계해 본 경험도 좋아요.
• 에이전트의 신뢰성을 정량적으로 측정하기 위한 평가 체계를 직접 설계하고 운영해 본 경험이 있으면 좋아요. Golden set, Regression Test, LLM-as-a-judge, Human evaluation, Production feedback loop 등을 활용해 AI 제품의 품질을 지속적으로 개선해 본 경험을 중요하게 봐요.
• 실제 사용자나 운영 조직이 쓰는 AI Agent를 배포한 뒤, Hallucination, Tool failure, Latency, Cost, Permission, Observability 같은 운영 이슈를 발견하고 제품 품질 개선으로 연결해 본 경험이 있으면 좋아요.
• 복잡한 사내 시스템이나 외부 도구와 AI Agent를 연동해 본 경험이 있으면 좋아요. CRM, CS 도구, 결제/주문/매장 운영 데이터, 문서 시스템, 사내 어드민 등 실제 업무 시스템과 연결해 AI가 행동할 수 있는 환경을 만들어 본 경험을 선호해요.

• AI 기능을 단발성 PoC로 끝내지 않고, 제품 지표나 운영 지표와 연결해 우선순위를 정하고 개선 로드맵을 만들어 본 경험이 있으면 좋아요.

이력서는 이렇게 작성하시는 걸 추천해요

• 임팩트 중심의 서술: AI 모델 도입으로 인해 실제 비즈니스 지표(예: 업무 시간 50% 단축, CS 전환율 20% 감소 등)가 어떻게 개선되었는지 숫자로 보여주세요.
• 현장 중심의 경험: 단순히 성능 좋은 모델을 만든 경험보다는, 실제 사용자나 내부 고객의 피드백을 반영해 시스템을 수정한 과정을 상세히 적어주세요.
• 기술적 의사결정 근거: 특정 프레임워크나 오픈소스를 선택한 이유와 그 과정에서 마주한 기술적 한계를 어떻게 극복했는지 설명해 주세요.

• 협업의 흔적: 기획자, 운영자 등 타 직군과 협력하여 AI 솔루션을 현장에 안착시킨 경험이 있다면 큰 가산점이 돼요.

토스플레이스로의 합류 여정

• 서류접수 > 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우협의 > 최종합격 및 입사

함께할 동료를 위한 한마디

“AI Platform 팀은 토스플레이스의 AI가 동작하기 위한 모든 기반을 0에서부터 만들어갑니다.”

• AI가 실제 비즈니스 안에서 직접 행동하고 결과를 검증하는 단계를 만들고 있어요.
• 무엇으로 에이전트의 "도움 됨"을 측정할지, 어떤 사용자 신호가 학습할 만한지, 평가 기준 자체를 우리가 만들어요. 이 모호함을 즐기는 분과 함께하고 싶어요.
• 아직 밝혀지지 않은 문제를 정의하고, 심층적이면서 다면적인 해법을 찾아가는 과정을 즐기는 분을 기다리고 있어요.
• AI Platform Team의 첫 멤버로 합류하시는 만큼, 본인의 호기심과 판단이 닿는 곳으로 일의 범위가 자연스럽게 확장돼요.