인물 프로필

Andrew Ng (1976-)

deeplearning.ai/Landing.ai/AI Fund 설립자, Stanford 교수

사진: CC BY 2.0, Wikimedia Commons

이 인물을 간접 체험하는 추천 영상:

도입부

PM 코치/컨설턴트로서 AI 대가를 분석하는 것은 단순한 인물 소개가 아닙니다. “이 사람의 사고 방식 중 어떤 부분이 우리 조직의 AI 전환을 가속하는 데 직접 쓸 수 있는가?”를 묻는 과정입니다.

Andrew Ng는 Stanford에서 AI를 가르치고, Google Brain을 공동 설립하고, Coursera로 온라인 교육의 판을 바꾸고, Baidu의 AI 전략을 총괄하고, 돌아와서 기업 AI 전환의 5단계 플레이북을 써내려간 인물입니다. 그의 커리어를 관통하는 단일 원리가 있습니다: “AI is the new electricity” — AI는 새로운 전기다. 모든 산업을 바꿀 것이고, 그래서 모든 사람이 접근할 수 있어야 한다.

이 시리즈의 다른 인물들이 각각 “제1원리”(Hassabis), “압축”(Sutskever), “제약 설계”(Karpathy)로 구별된다면, Ng는 명확합니다: 실행 시스템 설계자. 그는 연구실에서 나온 AI를 교실, 회의실, 공장으로 옮기는 다리를 놓은 사람이며, 그 다리의 설계도가 바로 AI Transformation Playbook입니다.

이 글에서는 그의 경력과 프로젝트를 분석하되, PO/PM/PL이 실제로 적용할 수 있는 AI 전환 플레이북과 조직 역량 구축 전략에 초점을 맞춥니다.

AI 인물 탐구의 여섯 번째 대상을 선정한 기준은 “가장 많은 논문을 쓴 연구자”가 아닙니다. “PM/PL이 조직의 AI 전환을 설계할 때 가장 직접적으로 참조할 수 있는 실행 체계를 가진가”입니다.

7인 비교: AI 전환 실행력 매트릭스

Ng는 7인 중 유일하게 4가지 차원을 모두 충족합니다. 특히 AI 교육 민주화(Coursera 800만+ 수강생)와 AI 전환 플레이북(기업 AI 도입 5단계)의 조합은 PM에게 가장 직접적이고 실용적인 도구 세트를 제공합니다.

“Start Small, Scale Up”이 반복되는 패턴

Ng의 경력을 관통하는 메타 패턴: 작은 성공에서 출발하여 체계적으로 확장하는 반복적 실행

Ng의 커리어는 7인 중 가장 체계적(systematic)입니다. Google Brain → Coursera → Baidu → deeplearning.ai → Landing.ai → AI Fund — 각 프로젝트는 무작위가 아니라, “AI 민주화”라는 단일 테제를 연구 → 교육 → 산업 적용 → 투자의 순서로 검증하고 확대한 의도적 실행입니다. 이 진행을 이해하면, Ng의 모든 발언과 프레임워크 뒤에 있는 “플레이북 뒤의 플레이북”이 보입니다.

커리어 타임라인

1976년 영국 런던 출생(Andrew Yan-Tak Ng). 부모는 홍콩 이민자, 홍콩과 싱가포르에서 성장. Raffles Institution(1992) 졸업. Carnegie Mellon에서 CS/Statistics/Economics 삼중전공 BS(1997) → MIT에서 EECS MS(1998, 최초 자동 학술 논문 웹검색 엔진 개발) → UC Berkeley PhD(2002) → Stanford 부임(2002) → SAIL Director → Google Brain 공동 설립(2011) → Coursera 공동 창업(2012) → Baidu Chief Scientist(2014-2017) → DeepLearning.AI + Landing.ai(2017) → AI Fund(2018) → AI Aspire + Bain(2025).

Mermaid 다이어그램: 3트랙 진화 맵

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph LR
  subgraph RESEARCH["연구/학계"]
    direction LR
    R1["Stanford SAIL
2002"] --> R2["CS229 ML
캠퍼스 최대 강좌"]
    R2 --> R3["Google Brain
2011"]
    R3 --> R4["HAI 참여
2019"]
  end
  subgraph EDUCATION["교육/민주화"]
    direction LR
    E1["Stanford SEE
무료 공개"] --> E2["Coursera
2012"]
    E2 --> E3["DeepLearning.AI
2017"]
    E3 --> E4["Agentic AI 과정
2025"]
  end
  subgraph BUSINESS["비즈니스/실행"]
    direction LR
    B1["Baidu CSO
2014-17"] --> B2["Landing.ai
2017"]
    B2 --> B3["AI Fund
2018"]
    B3 --> B4["AI Aspire
2025"]
  end
  style RESEARCH fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
  style EDUCATION fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
  style BUSINESS fill:#fcecea,stroke:#b52a1e,stroke-width:2px

세 트랙은 독립적이지 않습니다 — 연구(AI의 가능성 증명) -> 교육(모든 사람에게 전파) -> 비즈니스(산업 현장에서 실행)로 이어지는 하나의 커리어 아크입니다. 이 3트랙이 동시에 돌아간다는 것이 Ng의 독보적 특성입니다.

핵심 프로젝트 분석

Google Brain: “파일럿에서 시작하라”의 원형 (2011-2012)

Jeff Dean, Greg Corrado, Rajat Monga와 함께 Google 내부에서 시작한 16,000 CPU 코어 기반 대규모 신경망 프로젝트. 2012년 YouTube 비디오만 보고 레이블 없이 고양이를 인식하는 뉴런을 발견한 “고양이 뉴런 실험”은 ImageNet 22,000 카테고리 분류에서 기존 대비 70% 정확도 향상을 달성했습니다.

핵심은 기술적 성과 자체가 아닙니다. Google Brain은 작은 음성인식 파일럿에서 시작하여, 성공 후 Google Maps 숫자인식으로 확대하고, 다시 광고 팀 등 핵심 비즈니스로 확장하는 패턴을 따랐습니다. 이것이 이후 AI Transformation Playbook Step 1의 직접적 근거가 됩니다.

Coursera: 교육 민주화의 대규모 실증 (2012)

2011년 Stanford에서 3개 무료 온라인 강좌(Ng, Norvig, Thrun, Widom)에 각각 10만 명 이상이 등록하면서 현대 xMOOC 운동이 시작되었습니다. Ng는 Daphne Koller와 함께 이를 Coursera로 제도화했습니다. Ng의 ML 강좌는 약 480만 수강으로 가장 인기 있는 과목이 되었고, DeepLearning.AI까지 합산하면 800만+ 수강생을 배출했습니다.

Baidu: 대규모 AI 조직 운영의 경험 (2014-2017)

1,300명 규모의 AI Group을 이끌며(연구원 300명 포함) 빅데이터와 AI 기술 전략을 총괄했습니다. Baidu를 당시 중국 최고 AI 기업으로 성장시켰으며, 이 경험은 Google Brain의 실리콘밸리 맥락과 전혀 다른 환경에서 AI 전환을 실행한 두 번째 대규모 사례가 되었습니다. 두 번의 서로 다른 대규모 AI 조직 운영 경험이 AI Transformation Playbook의 실증 기반입니다.

DeepLearning.AI + Landing.ai: 교육과 실행의 쌍둥이 (2017~)

Baidu 퇴사 후 Ng는 두 개의 조직을 동시에 설립했습니다. DeepLearning.AI는 AI 교육 민주화를 계속하는 교육 플랫폼(150+ 프로그램), Landing.ai는 Data-Centric AI 철학을 직접 구현하는 제조업 AI 시각검사 플랫폼(LandingLens)입니다. 교육(알게 하다)과 실행(하게 하다)을 동시에 움직이는 이 구조는 Ng의 사고 체계 자체를 반영합니다.

AI Fund: 벤처 스튜디오 모델 (2018~)

AI 스타트업을 공동 창업하는 벤처 스튜디오. 2025년 $190M Fund II를 과모집으로 클로즈하며, 포트폴리오 약 35개사를 운영 중입니다. Gaia Dynamics(관세 컴플라이언스), SkyFire AI(드론), Profitmind(가격 비교), Jivi(인도 의료 AI) 등 다양한 도메인에 AI를 적용하는 실험을 반복하고 있습니다.

Agentic Workflows: 차세대 AI 아키텍처 (2024~)

2024년 Ng가 제안한 4가지 에이전틱 디자인 패턴(Reflection, Tool Use, Planning, Multi-Agent Collaboration)은 AI 에이전트 아키텍처의 표준 참조 프레임워크로 부상했습니다. 2025년 DeepLearning.AI에서 “Agentic AI” 과정을 출시하며, 단순 프롬프트에서 다단계 반복 워크플로우로의 전환을 주도하고 있습니다.

Ng는 기술만 개발한 것이 아니라, AI가 연구실에서 나와 모든 산업에 스며드는 실행 경로를 설계했습니다.

패러다임 전환 테이블

기업 AI 영향과 준비 항목

1. AI Transformation Playbook 5단계 — 기업 AI 도입의 교과서

Google Brain과 Baidu AI Group, 두 번의 대규모 AI 조직 운영에서 도출한 기업 AI 전환 5단계입니다. 대상은 시가총액 $500M~$500B 기업이지만, 원리 자체는 규모를 가리지 않습니다.

2. Data-Centric AI — “더 좋은 모델”이 아닌 “더 좋은 데이터”

Model-Centric(데이터를 고정하고 모델을 개선)에서 Data-Centric(모델을 고정하고 데이터를 체계적으로 개선)으로의 패러다임 전환. Ng는 “Big Data”가 아닌 “Good Data”를 강조합니다. Data augmentation, 중복 제거, noisy-label 보정으로 3%+ 정확도 향상 사례를 축적했으며, 2025년 기준 Tesla, Amazon 등 주요 기업이 데이터 품질 우선 전략을 채택하고 있습니다.

준비 항목: – PM은 “어떤 모델을 쓸까”가 아니라 “데이터가 준비됐는가”를 먼저 물어야 – 데이터 인프라를 2~3년 완벽히 구축한 후 AI를 시작하는 것은 실수 — 파일럿과 병행하며 AI팀이 필요한 데이터부터 정리 – PM이 도메인 전문가와 AI 개발자 간 데이터 품질 대화를 중재하는 역할

3. AI 팀 구축 — 매트릭스 조직과 업스킬링

Ng의 AI 팀 구축 권장사항은 고가 인재 영입이 아닌 기존 팀 업스킬링부터 시작합니다.

준비 항목: – CAIO(Chief AI Officer) 신설 고려 – AI 인재를 사업부에 매트릭스 배치하여 크로스펑셔널 협업 추진 – 역할 정의: ML Engineer, Data Engineer, Data Scientist, AI Product Manager – Workera 같은 역량 진단 도구로 팀 스킬 갭 파악 후 맞춤 학습 경로 설계

4. AI 프로젝트 선정 기준 — 기술 실사 + 비즈니스 실사

준비 항목: – 기술 실사(Technical Diligence): 충분한 데이터가 있는가? 달성 가능한 정확도는? 프로덕션 배포 시 long tail 문제는? – 비즈니스 실사(Business Diligence): 측정 가능한 비즈니스 가치가 있는가? 기존 워크플로우에 통합 가능한가? – 조직 준비도: 데이터 접근성, 도메인 전문가 가용성, 경영진 지원 – 첫 프로젝트 기준: 성공 확률 > 가치의 크기

5. Agentic Workflow 대비 — 워크플로우 설계가 경쟁력

모델 비용이 연 80% 하락하는 시대에, 가장 비싼 모델에 접근하는 것보다 AI가 반복하고, 계획하고, 스스로 수정하는 워크플로우를 설계하는 것이 핵심 경쟁력입니다.

준비 항목: – 단일 프롬프트 방식에서 다단계 반복 워크플로우로의 전환 설계 – 기존 업무 프로세스 중 Agentic 패턴에 적합한 후보 3~5개 선정 – 워크플로우 프로토타입 → 측정 → 개선의 반복 루프 구축

파급 효과 테이블

Ng는 7인 중 PM/PL이 가장 직접적으로 실행에 옮길 수 있는 프레임워크를 제공합니다. AI Transformation Playbook의 5단계, 데이터 중심 방법론, Agentic Workflow의 4가지 디자인 패턴 — 이것들은 이론이 아니라, 다음 주 월요일부터 팀에 적용할 수 있는 실행 도구입니다. 이 섹션은 Ng의 프레임워크를 PO/PM/PL의 의사결정 맥락으로 번역합니다.

PO 관점: 비전/전략 설정 패턴

PM 관점: 프로젝트 운영 원리

Ng의 AI 전환 사고 모델 다이어그램

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph TD
  A["핵심 신념
AI is the New Electricity"] --> B["교육 민주화
모든 사람이 AI를 이해"]
  A --> C["실행 시스템 설계
Playbook으로 체계화"]
  B --> D["전사 AI 리터러시
비기술자까지 교육"]
  C --> E["파일럿 우선
Start Small, Think Big"]
  D --> F["데이터 품질 거버넌스
Good Data > Big Data"]
  E --> F
  F --> G["점진적 확대
팀 > 교육 > 전략"]
  G --> H["Agentic Workflow
반복과 자기수정 설계"]
  H --> I["AI-powered 조직
지속적 역량 구축"]
  style A fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
  style F fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
  style I fill:#fcecea,stroke:#b52a1e,stroke-width:2px

전통 PM 프레임워크 매핑

조직의 AI 역량을 키우는 것 자체가 하나의 프로젝트 관리 과제입니다. Ng의 플레이북은 “AI를 도입하는 법”을 알려주지만, 그 플레이북을 팀과 조직에 실제로 적용하는 역량은 별도로 훈련해야 합니다. 이 가이드는 AI 전환을 설계하고 실행하는 메타 역량 — “변화를 관리하는 변화 관리자”가 되는 훈련입니다.

2열 카드: PM 루트 vs PL 루트

PM 루트 — AI 전환 로드맵의 설계자

Ng의 핵심 기여: 기업 AI 전환을 체계적으로 실행하는 5단계 프레임워크.

PM이 적용할 3단계: 1. 현황 진단: “우리 조직은 Playbook 5단계 중 어디에 있는가?” 2. 파일럿 선정: “성공 확률이 가장 높은 AI 프로젝트는 무엇인가?” 3. 확장 설계: “파일럿 성공 후 어떤 순서로 전사 확산할 것인가?”

PL 루트 — AI 증강 워크플로우의 아키텍트

Ng의 핵심 기여: Agentic Workflow 4패턴으로 AI 자동화 아키텍처를 설계하는 프레임워크.

PL이 적용할 3단계: 1. 패턴 매핑: 현재 팀 프로세스 중 Reflection/Tool Use/Planning/Multi-Agent에 적합한 것 식별 2. 프로토타입 구축: 가장 반복적인 업무 1개를 Agentic 워크플로우로 전환 3. 측정과 확대: 자동화 효과를 측정하고, 성공 패턴을 다른 프로세스로 확장

메타인지 기반 Step-by-Step 역량 개발 가이드

PM/PL이 Ng의 사고 체계를 내재화하기 위한 4단계 훈련입니다. 핵심은 “플레이북을 외우는 것”이 아니라 “조직의 AI 전환을 설계하고 실행하는 역량 자체를 구축”하는 것입니다.

Step 1: 인지 — 우리 조직의 AI 성숙도 진단 (Week 1-2)

목표: 조직의 현재 AI 도입 수준과 준비도를 객관적으로 파악

Step 2: 설계 — AI 전환 로드맵 작성 (Week 3-4)

목표: 조직 맥락에 맞는 AI 전환 로드맵 초안 수립

Step 3: 실행 — 파일럿 프로젝트 운영 (Week 5-6)

목표: 첫 번째 AI 파일럿을 실행하고 조직 학습을 촉진

Step 4: 통합 — AI-first 문화 내재화 (Week 7-8)

목표: 파일럿 학습을 조직 전체의 AI 역량으로 확산

Quick Start: 이번 주부터 시작할 5가지

다음 편 예고

시리즈 상호 연계 — 7인의 사고 체계 연결 맵

시리즈 전체 보기

Tags