[토스] AI Engineer (Ads) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 대화형 캠페인 셋업 어시스턴트: 광고주가 자연어로 목표와 예산만 말하면 캠페인 구조와 세트 전략까지 구성하는 에이전틱 셋업 플로우를 설계합니다. 복잡한 설정 화면 대신 대화 몇 마디로 캠페인이 완성되는 경험을 만듭니다.

  이렇게 볼 수 있어요

  광고주가 설정 화면에서 직접 고르던 항목을 에이전트가 대화로 채웁니다. 대화로 받은 입력을 구조화된 설정값으로 바꿔 본 경험이 이 업무와 가장 가깝고, 우대 사항에도 에이전틱·멀티턴 워크플로 경험이 따로 적혀 있습니다.

• AI 광고 심사 자동화 고도화: 정책 위반 탐지, 심사(반려) 사유 자동 생성 등 심사 파이프라인 전반에 LLM 적용을 확대합니다. 사람이 판단하던 영역을 AI가 먼저 판단하고, 왜 그렇게 판단했는지도 스스로 설명하게 만듭니다.

  이렇게 볼 수 있어요

  통과와 반려만 내는 분류기가 아니라 반려 사유까지 문장으로 내놓는 시스템입니다. 우대 사항의 분류·모더레이션 파이프라인 경험이 이 업무에 그대로 쓰입니다. 그런 경험이라면 오탐과 미탐을 어떻게 관리했는지가 운영 수준을 말해 줍니다.

• 성과 리포트 인사이트 자동화: 성과 이상 탐지부터 하락 원인 진단, 개선 액션 제안까지 자동으로 생성하는 AI 리포팅을 만듭니다. 숫자만 나열하는 리포트가 아니라 다음에 무엇을 해야 할지 알려 주는 리포트가 목표입니다.

  이렇게 볼 수 있어요

  광고 지표를 입력으로 받아 원인과 다음 행동을 문장으로 내놓는 구조입니다. LLM이 지표를 잘못 해석한 경우를 어떻게 걸러 냈는지가 있으면 자격 요건의 '자신이 만든 시스템이 어떻게 실패할지 먼저 상상하는 태도'와도 연결됩니다.

• AI 광고 소재 자동 생성: 이미지·문구 등 광고 소재를 구성하는 요소를 자동으로 생성하고 추천합니다. 상품 URL·이미지·텍스트 정보를 이해해 광고 초안을 만듭니다.

  이렇게 볼 수 있어요

  텍스트와 이미지를 함께 다루므로 우대 사항의 멀티모달 파이프라인 경험과 소재 생성 운영 경험이 직접 쓰입니다. 생성한 소재의 품질을 무엇으로 쟀는지는 평가 기준을 묻는 자격 요건과도 연결됩니다.

• 문제 정의부터 워크플로 구현, 평가, 운영까지 한 사이클을 end-to-end로 책임지고 반복적으로 개선합니다.

  이렇게 볼 수 있어요

  네 가지 업무 모두 운영 단계까지 이 자리가 맡습니다. 프로젝트마다 출시 뒤 무엇을 고쳤는지가 이력서에 있어야 이 범위가 전달됩니다.

2자격 요건

• AI로 사용자에게 결과를 내놓는 시스템을 end-to-end로 만들어 본 경험이 필요합니다. 모델 한 조각이 아니라 입력을 받아 결과물을 내놓고 운영까지 가져가는 전체 워크플로를 다뤄 본 사람을 찾습니다.

  이렇게 볼 수 있어요

  모델 개발만 맡았던 경력으로는 이 조건을 채우기 어렵습니다. 입력 처리, 생성, 후처리, 운영 모니터링 가운데 본인이 직접 만든 부분과 다른 사람이 만든 부분은 나눠 적어야 합니다.

• LLM을 도구로 써서 실제 문제를 풀어 본 경험이 필요합니다. 프롬프트·RAG·에이전트·워크플로 자동화 중 둘 이상을 production에서 운영해 본 경험을 요구합니다.

  이렇게 볼 수 있어요

  네 가지 가운데 둘 이상을 production에서 운영해 본 경험이 조건입니다. 사내 PoC로 끝난 프로젝트는 실제 사용자가 쓴 시스템과 달리 이 조건에 들지 않습니다.

• 만들기 전에 평가 기준을 떠올리는 사고방식이 필요합니다. '이 광고가 좋다는 걸 어떻게 알지?'를 먼저 묻고, 정성적 품질(브랜드 안전성, 정책 준수, 소재 퀄리티)을 측정 가능한 신호로 정의할 수 있어야 합니다.

  이렇게 볼 수 있어요

  평가셋이나 채점 기준을 직접 설계해 본 경험이 이 항목에 들어갑니다. 우대 사항의 평가셋 설계·회귀 모니터링과 이력서 안내의 '평가 기준'에도 같은 역량이 다시 나옵니다. 평가 기준을 세운 사례가 있으면 자격 요건과 우대 사항에 같은 사례를 함께 쓸 수 있습니다.

• 모호함 속에서 스스로 길을 내는 역량이 필요합니다. 정해진 스펙이 없는 환경에서 가설을 세우고, 가장 작게 검증할 수 있는 형태로 문제를 다시 정의하는 사람을 찾습니다.

  이렇게 볼 수 있어요

  정해진 스펙 없이 받은 과제를 어디까지 줄여 첫 실험을 했는지가 이 항목의 핵심입니다. 처음 받은 문제와 다시 정의한 문제를 나란히 놓으면 그 과정이 한 번에 설명됩니다.

• 자신이 만든 시스템이 어떻게 실패할지 먼저 상상하는 태도가 필요합니다. 모델이 자신 있게 틀리는 케이스, 정책을 위반하는 소재, 광고주가 잘못 쓰는 케이스를 먼저 그려 보고 방어선을 설계할 수 있으면 좋겠다고 적었습니다.

  이렇게 볼 수 있어요

  광고는 잘못 생성된 소재가 광고주와 사용자 모두에게 그대로 노출되는 영역입니다. 가드레일이나 사람 검수 단계를 넣어 실패를 막은 사례라면 어떤 실패를 미리 예상했는지가 이 항목의 '먼저 상상하는 태도'를 보여 줍니다.

3우대 사항

• 광고 소재 생성이나 콘텐츠 자동 생성 등 생성형 워크플로를 production에서 운영해 본 경험

  이렇게 볼 수 있어요

  업무에 적힌 소재 자동 생성을 운영해 본 경험을 말합니다. production 운영이 조건이므로 운영하면서 확인한 생성량이나 승인율 같은 숫자를 함께 적는 것이 좋습니다.

• AI 생성물의 평가셋 설계·회귀 모니터링·품질 검수 체계를 직접 만들어 본 경험

  이렇게 볼 수 있어요

  모델이나 프롬프트를 바꿀 때마다 품질이 떨어지지 않았는지 확인하는 체계입니다. 회귀를 잡아낸 사례를 함께 적으면 그 체계가 실제로 작동했다는 점이 드러납니다.

• 텍스트·이미지·구조화 데이터를 함께 활용하는 멀티모달 파이프라인 구축 경험

  이렇게 볼 수 있어요

  상품 URL과 이미지, 텍스트를 함께 받아 광고 초안을 만드는 소재 생성 업무에 쓰입니다.

• 에이전틱·멀티턴 워크플로를 설계·운영해 본 경험

  이렇게 볼 수 있어요

  업무에 적힌 대화형 캠페인 셋업 어시스턴트가 이 우대 사항이 말하는 구조입니다. 대화가 길어질 때 상태를 어떻게 유지했는지가 설계 경험을 보여 줍니다.

• 콘텐츠 심사·정책 위반 탐지 등 분류/모더레이션 파이프라인을 구축해 본 경험

  이렇게 볼 수 있어요

  광고 심사 자동화 업무에 바로 쓰이는 경험입니다. 정책이 바뀔 때마다 분류 기준에 어떻게 반영했는지가 운영 경험의 중심입니다.

• 광고나 상품 소재의 카테고리 분류·제목 재작성 등 데이터 라벨링/어노테이션 파이프라인 설계 경험

  이렇게 볼 수 있어요

  평가셋과 학습 데이터를 만드는 앞단 작업입니다. LLM으로 라벨을 만들고 사람이 검수한 구조였다면 둘이 각각 무엇을 맡았는지 나눠 적어 두세요.

4기타 사항

• 게시일 : 2026년 9월 10일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 테헤란로 142 (역삼동, 아크플레이스) (추정)
• 경력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• LLM
• RAG

전형과 지원

토스커뮤니티는 합류 여정을 한 페이지로 공개해 두었습니다. 공통 골격은 같지만 계열사와 공고에 따라 단계가 더해지거나 빠지므로, 공고 페이지에 적힌 단계를 함께 확인해야 합니다.

지원 전 준비할 것

1. 1

   의사결정 흐름이 드러나는 프로젝트 고르기

   이력서 안내가 직접 책임지고 운영까지 끌고 간 프로젝트의 의사결정 흐름을 적어 달라며 '문제 정의 → 가설 → 평가 기준 → 실패와 개선의 사이클이 드러나면 좋아요'라고 했습니다. 프로젝트 하나를 이 네 단계로 나눠 정리하면 직무 인터뷰에서도 같은 이야기를 쓸 수 있습니다.

2. 2

   AI 적용 전후 숫자 준비하기

   안내는 AI 적용 전후의 구체적인 임팩트를 숫자로 보여 달라며 광고 생성 소요 시간 단축과 소재 품질·승인율 개선을 예로 들었습니다. 광고 경력이 아니어도 처리 시간이나 승인율처럼 전후를 비교할 수 있는 지표를 고르면 됩니다.

3. 3

   현장에 안착시킨 협업 사례 정리하기

   기획자·운영자 등 다른 직군과 협력해 AI 솔루션을 현장에 안착시킨 경험은 '큰 가산점'이라고 적혀 있습니다. 운영자가 실제로 쓰기 시작하기까지 무엇을 바꿨는지, 잘 안 됐던 시도는 무엇이었는지를 함께 남겨 두세요.