금융권 IT 취업, 데이터 사이언티스트가 뜨는 이유 2026

은행 공채는 줄고 AI, 데이터 인력 채용은 늘고 있습니다. 금융권 취업 판이 어떻게 바뀌고 있는지, 데이터 사이언티스트 직무가 왜 주목받는지 2026년 최신 데이터로 정리했어요.

Sep 21, 2026

💡

3초 핵심 요약

4대 시중은행 신입 공채는 2023년 1,880명에서 2025년 1,280명으로 3년 만에 30% 넘게 줄었어요
반대로 AI 에이전트, 금융특화 LLM, AI 퀀트 같은 데이터, AI 전문 인력은 수시 채용으로 확장 중입니다
금융권 데이터 사이언티스트의 주력 도메인은 신용평가모델, 이상거래탐지, 대안신용평가로 좁혀지고 있어요

금융권 취업을 검색하면 반년 사이에 결이 완전히 달라진 기사가 함께 뜹니다. 한쪽에서는 '4대 은행 신입 공채 역대 최소'라는 헤드라인이, 다른 한쪽에서는 '금융특화 LLM 엔지니어 상시 채용', '데이터 사이언티스트 경력직 모집' 같은 공고가 동시에 올라오죠. 같은 산업에서 벌어지는 일이 맞나 싶을 만큼 방향이 갈립니다.

특히 금융권 IT 취업을 준비하는 사람이라면 이 변화의 성격을 정확히 읽어야 합니다. 단순히 '뽑는 수'가 줄어든 게 아니라, 어떤 사람을 뽑는지가 바뀌는 중이기 때문입니다. 그 변화의 중심에 데이터 사이언티스트라는 직무가 있어요. 지금 판이 어떻게 재편되고 있는지, 그리고 이 흐름 속에서 데이터 사이언티스트가 왜 주목받는지 하나씩 짚어보겠습니다.

1. 4대 은행 공채는 줄고, 데이터 인력은 늘고 있다

먼저 숫자로 확인해 보죠. 이데일리 보도에 따르면 4대 시중은행(KB국민, 신한, 하나, 우리)의 연간 신입 채용 규모는 2023년 1,880명에서 2024년 1,380명, 2025년 1,280명으로 매년 줄었습니다. 2026년 상반기 신입 공채는 485명으로 전년 동기(595명) 대비 18.5% 감소했죠. 3년 사이 연간 채용 규모가 30% 넘게 줄어든 셈입니다.

영업점 수도 같은 방향으로 움직이고 있어요. 2026년 상반기 말 기준 4대 시중은행 영업점은 2,201곳으로, 3년 새 258곳이 사라졌습니다. 10% 이상이 문을 닫은 거예요. 창구 인력 중심으로 운영되던 전통적인 채용 구조가 물리적으로도 축소되고 있다는 뜻입니다.

같은 시기, 반대 방향의 채용 공고

그런데 같은 시기 다른 종류의 채용 공고가 급증하고 있습니다. 4대 은행은 하반기 채용에서 ICT 부문을 세분화해 AI, 데이터 경력직을 별도로 상시 운영 중이에요. 몇 가지 실제 사례를 보면 방향이 명확해집니다.

신한은행: 2026년 3월 AI 에이전트 개발 인력, 4월 금융특화 LLM 엔지니어를 별도 공고로 채용
하나은행: 자금시장운용부에 'AI 퀀트' 인력 모집
KB국민, 우리은행: ICT 부문을 개발, 데이터, AI 보안 등으로 세분해 수시 채용 진행
토스뱅크: 2026년 8월 데이터 분석 전담조직 신설, 카카오 출신 이재헌 업무집행책임자를 데이터분석총괄책임자로 영입

과거 '금융권 IT 취업'이 사실상 전산 개발자 공채 하나로 요약되던 시절과는 완전히 다른 지형입니다. 지금은 금융특화 LLM, AI 에이전트, RAG, MCP, AI 보안, AI 퀀트, 데이터 사이언티스트, ML 엔지니어처럼 분야가 잘게 쪼개져 각기 다른 트랙으로 뽑히고 있어요.

왜 이런 이중 구조가 만들어졌을까

삼정KPMG가 정리한 자료에 따르면 글로벌 상위 50개 은행의 AI 투자 비중은 2014년 0.2%에서 2023년 4.0%로 20배 확대됐습니다. 국내 은행들도 같은 방향으로 움직이고 있는데, 문제는 이 투자를 실제 시스템으로 옮길 인력이 부족하다는 점이에요.

헤럴드경제 보도에 따르면 국내 금융권 AI 도입의 약 90%가 외부 의존 상태입니다. 자체 데이터, AI 전문 인력이 부족해 외부 파트너에 상당 부분을 맡기고 있다는 뜻이죠. 아시아투데이 분석대로 금융권 AI 경쟁은 결국 '데이터'와 이를 다룰 사람에서 갈리는데, 그 사람이 시장에 충분히 없다는 것이 지금의 병목입니다. 창구 인력을 줄이면서 확보한 여력을 데이터, AI 인력 확충으로 돌리는 흐름이 만들어진 이유예요.

2. 금융권 데이터 사이언티스트가 실제로 하는 일

그렇다면 이 직무가 금융권에서 정확히 무엇을 다루는지 살펴봐야 합니다. 데이터 사이언티스트라는 이름은 산업 어디에나 있지만, 금융권에서는 다루는 도메인이 확연히 좁혀져 있어요. 이 좁혀진 도메인이 곧 취업 준비의 방향이 됩니다.

신용평가모델(CSS)

금융권 데이터 사이언티스트의 가장 큰 축은 신용평가모델(Credit Scoring System)입니다. 대출 신청자의 상환 가능성을 예측해 승인 여부와 금리를 결정하는 모델이죠. 전통 금융사가 CB사(신용정보사) 점수에 크게 의존해 왔다면, 인터넷은행들은 자체 대안신용평가 모델을 만들어 경쟁 우위를 확보하고 있어요.

서울경제 보도에 따르면 카카오뱅크는 2022년 자체 개발한 대안신용평가 시스템을 통해 누적 1조 1,000억 원 규모의 추가 대출을 공급했습니다. 2026년 1분기 기준 중저신용자 신용대출 잔액 비중은 32.3%, 신규 취급 비중은 45.6%에 이르죠. 케이뱅크가 도입한 대안신용평가 '이퀄' 역시 2026년 2분기 대손비용을 전년 동기 대비 26.5% 줄이는 성과를 냈다고 인더스트리뉴스가 전했습니다.

이 모델들이 겨냥하는 대상이 바로 씬파일러(Thin Filer)입니다. ZDNet Korea 보도에 따르면 국내 금융 거래 소비자 4,800만 명 중 약 1,200만 명이 금융 거래 이력이 부족한 씬파일러로 추산되는데요, 통신 데이터, 결제 데이터, 배달 이력 같은 비금융 데이터로 이들의 상환 가능성을 예측하는 것이 대안신용평가의 핵심 과제입니다.

이상거래탐지(FDS), 자금세탁방지(AML)

두 번째 축은 이상거래탐지시스템(FDS)과 자금세탁방지(AML), 의심거래보고(STR) 관련 모델입니다. 실시간으로 들어오는 거래 스트림에서 사기 패턴을 탐지하고, 규제 당국에 보고할 의심 거래를 자동으로 걸러내는 일이에요. 규제 준수와 직결되므로 예측 정확도만큼이나 설명 가능성(Explainability)이 중요합니다.

리스크 관리와 개인화 마케팅

세 번째는 리스크 관리와 개인화 마케팅 모델링입니다. 토스뱅크 채용 페이지에 따르면 Data Science Team은 상품 조직, Data Engineer, ML Engineer, Risk Division과 협업하며 사업 전략과 Risk 관리에 데이터, 모델링을 적용해요. 카드, 대출 상품 추천, 이탈 예측, 마케팅 반응 예측처럼 상업적 성과와 직결되는 모델도 이 영역에 포함됩니다.

AI 퀀트라는 새로운 축

최근에는 자금시장운용에도 AI 기반 접근이 확대되고 있습니다. 하나은행이 자금시장운용부에서 'AI 퀀트'를 뽑은 것이 대표적 사례예요. 시장 데이터를 다루는 전통적 퀀트에 머신러닝, 딥러닝 모델을 결합하는 직무로, 데이터 사이언티스트의 스킬 세트와 상당 부분 겹칩니다.

정리하면 금융권 데이터 사이언티스트는 신용, 리스크, 마케팅, 시장운용이라는 네 축을 중심으로 움직입니다. 이 도메인 지식이 없으면 아무리 모델링 실력이 좋아도 채용 문턱을 넘기 어렵고, 반대로 이 도메인을 이해하면 상대적으로 좁은 경쟁 안에서 기회를 잡을 수 있어요.

3. 채용 공고가 요구하는 실제 스택

금융권 IT 취업을 준비할 때 가장 먼저 봐야 할 것은 채용 공고에 반복해서 등장하는 스택입니다. 4대 은행과 인터넷은행의 데이터 사이언티스트, ML 엔지니어 공고를 종합하면 요구 사항이 상당히 일관돼요.

언어와 분석 도구

Python: 거의 모든 공고에 필수로 등장. Pandas, NumPy, Scikit-learn은 기본으로 요구
SQL: 대용량 금융 데이터 조회, 집계에 필수. 윈도우 함수, CTE 활용 능력까지 확인하는 경우 많음
R: 통계 모델링 중심 조직에서 여전히 병기

머신러닝, 딥러닝 프레임워크

Scikit-learn: 신용평가, FDS의 기본 모델링 도구
XGBoost, LightGBM: 실제 금융 프로덕션 모델에서 가장 널리 쓰이는 부스팅 라이브러리
TensorFlow 또는 PyTorch: 딥러닝 기반 이상탐지, 시계열 예측에 요구
SHAP: 모델 설명 가능성 확보. 규제 대응상 필수에 가까움

빅데이터, MLOps

Spark, Hadoop: 대용량 금융 로그 처리
AWS 또는 GCP: 클라우드 기반 모델 서빙
MLflow, Airflow: 실험 관리와 파이프라인 오케스트레이션
Docker, Kubernetes: 모델 배포 환경

도메인 특화 요구

금융 데이터 이해: 여신, 수신, 결제, 카드 데이터 구조에 대한 감
규제 지식: FDS, AML, 개인정보보호법, 신용정보법의 기본 이해
BI 도구: Tableau, Streamlit으로 분석 결과를 이해관계자에게 전달하는 능력

주목할 점은 최근 공고에서 LLM, RAG 관련 스택이 데이터 사이언티스트 공고에도 등장하기 시작했다는 겁니다. 신한은행 금융특화 LLM 엔지니어 공고, KB국민은행의 생성형 AI 관련 채용이 대표적이에요. 순수한 통계 모델링에서 LLM 활용까지 스킬 반경이 넓어지는 중입니다.

4. 데이터 사이언티스트 연봉과 커리어 경로

채용 판이 바뀌고 있는 만큼 연봉 데이터도 함께 확인하는 것이 좋습니다. 원티드가 공개한 2026년 데이터 사이언티스트 직무별 연봉 데이터에 따르면 신입 3,304만 원, 2년차 4,118만 원, 4년차 5,099만 원, 5년차 5,590만 원, 10년차 8,368만 원으로 형성돼 있어요. 대기업과 중소기업의 격차는 약 1,285만 원으로 집계됐습니다.

금융, 핀테크 도메인은 이 평균 위쪽에 자리하는 경우가 많아요. 금융권 특유의 규제 대응, 도메인 지식 요구가 진입 장벽으로 작용하는 대신 그만큼 인력 풀이 좁아 프리미엄이 붙기 때문입니다.

세 갈래로 갈리는 커리어 경로

금융권 데이터 사이언티스트의 커리어는 대략 세 갈래로 나뉩니다.

모델링 전문가 트랙: 신용평가, FDS 모델의 정교화를 파고드는 경로. 시니어가 될수록 팀 리드 또는 리서치 성격의 역할로 이동
엔지니어링 겸업 트랙: Data Scientist에서 ML Engineer 성격으로 확장. 서빙 인프라, MLOps까지 다루며 프로덕션 책임을 짐
비즈니스, 전략 트랙: 데이터 조직 리드에서 CDO(Chief Data Officer) 또는 사업 전략 임원으로 이동. 토스뱅크가 카카오 출신 이재헌 업무집행책임자를 데이터분석총괄책임자로 영입한 사례가 대표적

어느 경로로 가든 초반 2~3년은 도메인 지식을 쌓는 시간입니다. 금융 데이터의 특성, 규제 환경, 리스크 관리 프레임워크를 몸에 익히는 시기죠. 이 시기를 얼마나 밀도 있게 보내느냐가 이후 커리어 폭을 결정합니다.

5. 지금 준비해야 할 세 가지 역량

지금까지 시장 흐름과 요구 스택을 정리했다면, 마지막으로 취업 준비 관점에서 실제로 무엇을 갖춰야 하는지 짚어 볼게요. 금융권 데이터 사이언티스트 직무의 채용 담당자들이 공통으로 확인하는 세 가지 축이 있습니다.

실제 금융 데이터를 다뤄본 포트폴리오

캐글이나 데이콘에 올라오는 금융 관련 대회 데이터(대출 상환 예측, 카드 이상거래 탐지, 부도 예측 등)를 활용해 처음부터 끝까지 완성한 프로젝트가 필요합니다. 단순히 모델 정확도를 높이는 데 그치지 말고, 데이터 전처리 → EDA → 피처 엔지니어링 → 모델 비교 → SHAP 기반 해석 → 비즈니스 임팩트 계산까지 이어지는 전체 파이프라인을 보여줘야 해요. 채용 담당자들은 이 흐름을 통해 실무에서 어떻게 일할지를 가늠합니다.

MLOps와 프로덕션 감각

주피터 노트북 안에서 끝난 프로젝트와 실제 서빙까지 이어진 프로젝트는 채용 시장에서 다르게 평가됩니다. Docker로 컨테이너화하고, MLflow로 실험을 관리하고, 간단한 FastAPI 서버로 예측 API를 띄워 본 경험이 있는지가 신입, 주니어 단계에서 차별화 요소가 되고 있어요. 특히 최근 은행권 채용 공고에서 MLOps 관련 항목이 빠르게 늘고 있습니다.

도메인 지식과 커뮤니케이션

금융권은 모델을 만드는 것만큼 그것을 규제 부서, 리스크 부서, 사업 부서에 설명하는 능력이 중요합니다. 왜 이 피처를 넣었는지, 이 예측 오차가 사업적으로 어떤 손실을 만드는지 설명할 수 있어야 하죠. 신용정보법, 개인정보보호법의 기본 조항을 이해하고, 금융권 뉴스와 규제 동향을 꾸준히 팔로우하는 습관이 실제 면접에서 큰 차이를 만듭니다.

한국금융신문에 실린 넥스트라이즈 2026 인터뷰에서 유두연 한국증권금융 부장은 "빠르게 변하는 디지털 환경, 특히 AI 환경에 적극적으로 대응하겠다는 경영진의 강력한 의지가 가장 중요하다"고 말했습니다. 조직 안에서 데이터 사이언티스트의 역할이 확대되는 만큼, 그 조직에 설득력 있게 스며들 수 있는 커뮤니케이션 역량도 함께 요구되는 셈이죠.

금융권 취업 판이 재편되는 흐름과 데이터 사이언티스트 직무의 위치까지 정리했어요. 방향을 정했다면, 다음 질문은 '이 세 축을 어떻게 실제 포트폴리오로 쌓을 것인가'입니다. 준비를 미루는 가장 흔한 이유는 돈과 시간, 그리고 이론과 결과물 사이의 간격이에요. 강의 하나를 다 들어도 막상 채용공고가 요구하는 프로덕션 수준까지는 한참 부족하다고 느끼는 경우가 많죠.

KANT의 AI 데이터 사이언티스트 과정은 이 간격을 좁히기 위해 설계됐습니다. 6개월 동안 Python, SQL, EDA, ML 기초에서 시작해 산업별 데이터 분석과 딥러닝 실전, RAG와 AI 에이전트, MLOps, 빅데이터까지 이어지고, 마지막 3개월은 실제 기업의 문제를 푸는 미니 인턴십으로 마무리됩니다. 오프라인 캠퍼스에서 진행되며 국비지원으로 교육 비용 부담을 낮췄고, 훈련장려금도 함께 받을 수 있어요. 팀스파르타가 보유한 1,000개 인턴 연계 협력사 네트워크가 수료 후 진로에 이어집니다.