SES 엔지니어로 일하다 보면, 다음과 같은 불만을 품은 적이 있지 않은가.

• 자신의 스킬셋이 현재 어느 정도의 단가 시세인지 모르겠다
• 영업으로부터 제시받은 단가가 타당한지 판단할 수 없다
• 「SES는 힘들다」고 느끼는 이유의 상당수는 사실 기술력이 아니라 협상 재료의 부족

2026년 8월 현재, SES 업계의 단가 시세에 관한 신뢰할 수 있는 통계는 각 회사의 비공개 데이터에 치우쳐 있으며, 엔지니어 개인이 참조할 수 있는 1차 정보는 놀라울 정도로 적다. 이 기사에서는 「기다리고 있어도 단가 시세 데이터는 떨어지지 않는다」는 전제하에, AI 도구를 사용하여 스스로 시장 데이터를 분석하는 기술을 실제 커맨드와 코드와 함께 해설한다.

본 기사는 SES 업계 이야기가 메인이 아니다. 메인은 AI 구동(AI-driven)으로 어떻게 스킬을 구축하고, 그것을 수익이나 협상력으로 변환할 것인가라는 실무 소재다. SES는 어디까지나 「왜 이 스킬이 필요한가」를 설명하는 도입부에 불과하다.

SES 프로젝트에 어사인(Assign)되는 엔지니어의 대부분은 특정 기술 스택(Java, SAP, 인프라 운영 등)에 닫힌 스킬셋으로 평가받는다. 여기에 「데이터 분석」이 더해지면 무엇이 변하는가.

• 프로젝트 내에서 발생하는 로그(Log)·티켓(Ticket)·공수 데이터를 시각화하여 고객(Customer) 측에 가치를 제공할 수 있다
• 자기 자신의 커리어 데이터(프로젝트 이력, 단가 추이, 스킬 습득 로그)를 정량화하여 단가 협상의 재료로 삼을 수 있다
• SES 이외의 수익원(데이터 분석 부업 프로젝트, 자체 제작 대시보드의 SaaS화)으로 연결할 수 있다

중요한 것은, 이 모든 것이 AI 도구를 사용하면 비엔지니어라도 몇 시간 만에 착수할 수 있는 시대가 되었다는 점이다. 이하, 실제로 손을 움직이는 절차를 보여준다.

먼저 로컬에 분석 환경을 만든다. Python의 데이터 분석 스택(pandas, matplotlib, jupyter)을 Claude Code에게 맡겨 구축하게 한다.

mkdir ses-rate-analysis && cd ses-rate-analysis
python3 -m venv venv
source venv/bin/activate
...

Claude Code의 터미널에서 다음과 같이 지시하는 것만으로, 템플릿 노트북과 데이터 불러오기 스크립트가 생성된다.

> pandas로 프로젝트 단가 CSV를 읽어와서, 월별 추이를 꺾은선 그래프로 만드는 notebook을 만들어줘

포인트는 코드를 한 줄도 쓰지 않고 「무엇을 분석하고 싶은지」를 일본어로 전달하는 것만으로, EDA(탐색적 데이터 분석)의 뼈대가 완성된다는 점이다. 이는 SES 현장에서도 즉시 전용할 수 있는 워크플로우로, Excel로 수작업 집계를 하고 있는 팀에 제안하는 것만으로도 평가로 이어진다.

AI에게 코드를 쓰게 하면, 겉보기에는 깔끔하지만 의사결정에 사용할 수 없는 그래프가 양산되기 쉽다. 이를 피하기 위한 최소한의 프롬프트 설계를 소개한다.

import pandas as pd
df = pd.read_csv("contracts.csv")
# 단가대별 프로젝트 수 집계
...

이 코드 자체는 AI에게 쓰게 해도 상관없지만, 「단가대라는 관점을 스스로 정의하는」 부분은 인간의 일이다. AI는 관점을 주면 구현은 순식간에 끝내주지만, 「무엇을 축으로 분해해야 하는가」를 생각하는 것이 데이터 분석의 본질이며, 이 부분을 소홀히 하면 단순한 작업 대행으로 끝나고 만다.

Claude Code에 던지는 프롬프트 예시:

> 이 CSV에서 스킬 수와 단가의 상관관계를 산점도로 보고 싶어.
> 이상치(극단적으로 단가는 높지만 근거가 불분명한 프로젝트)가 있다면 코멘트로 지적해줘

「이상치 지적까지 부탁하는 것」이 요령이다. AI는 통계적인 이상치 검출(IQR이나 Z-score)을 순식간에 구현해주므로, 자신의 감에 의존하지 않는 분석을 할 수 있다.

SES 단가 시세라는 단어로 검색하는 사람들의 대부분은 「시세를 알고 싶다」는 것이 아니라 「자신의 단가가 타당한지 확인하고 싶다」는 니즈를 가지고 있다. 이에 응답하려면 공개되어 있는 자신의 커리어 데이터를 시각화하여 GitHub에 공개하는 것이 가장 재현성 높은 방법이다.

GitHub Pages로 공개하는 최소 구성은 다음과 같다.

pip install streamlit
streamlit run dashboard.py

# dashboard.py
import streamlit as st
import pandas as pd
...

이것을 Vercel이나 Streamlit Community Cloud에 배포하면, 면담이나 상담 자리에서 URL 하나를 보여주는 것만으로도 '데이터로 말하는 엔지니어'라는 인상을 심어줄 수 있다. SES 영업 담당자에게 단가 개정을 요청할 때도, 막연한 느낌이 아닌 '가동 실적 데이터에 기반한 제안'으로서 관철시키기가 쉬워진다.

여기가 본론의 후반부다. SES 프로젝트에서 쌓은 데이터 분석 패턴은 그대로 개인의 작은 수익원으로 전용할 수 있다.

업무 개선 리포트의 부업화: CrowdWorks나 Lancers에는 Excel 데이터의 시각화 및 분석을 의뢰하는 프로젝트가 지속적으로 존재한다. pandas + matplotlib의 기초만 있다면 착수 가능한 영역이 많다.

사내용 간이 대시보드 템플릿 판매: Streamlit으로 만든 범용 대시보드를 템플릿화하여 note나 BOOTH에서 배포한다.

AI 에이전트를 통한 분석 자동화 제안: Claude Code로 '매주 리포트 작성을 자동화하는 스크립트'를 구성하여, 비엔지니어(Non-engineer)를 대상으로 납품한다.

공통점은 모두 'AI에게 코드를 작성하게 하는 능력'보다 '무엇을 분석해야 하는지 파악하는 능력'이 수익의 원천이 된다는 점이다. AI 툴은 코딩 비용을 거의 제로(0)로 만들었지만, 과제 설정(Problem setting)의 가치는 반대로 높아지고 있다.

SES가 힘들다고 느끼는 근본적인 원인 중 하나는, 단가나 기술의 시장 가치를 객관적으로 바라볼 수 있는 수단이 개인에게 주어지지 않았다는 점이다. 통계 데이터가 정비되기를 기다리는 것이 아니라,

• Claude Code로 분석 환경을 몇 분 만에 구축하고
• 자신의 커리어 데이터를 정량화하여
• 포트폴리오로서 공개하고
• 부업 및 개인 개발로 연결한다

라는 순서로 직접 움직인다면, SES 단가 시세라는 불투명한 정보에 의존하지 않고 자신의 실적 데이터 그 자체를 협상력으로 바꿀 수 있다. 오늘 소개한 코드는 모두 수십 분 내에 재현 가능한 규모의 것이다. 우선 자신의 프로젝트 이력 CSV 파일을 한 장 만드는 것부터 시작해 보길 바란다.

• OpenClaw × Claude Code 연계 실전｜경영 OS와 자율 개발을 잇는 구체적인 워크플로우
• AI 에이전트 9대로 경영 OS를 구축한 모든 기록【OpenClaw 실전】
• Claude Code를 매일 사용하며 깨달은 실전 Tips 모음【2026년판】 SES 엔지니어의 프리랜서 전향에도 효과적

AI 구동塾(AI-Driven School) — AI를 사용한 스몰 비즈니스 구축법을 배우다

Claude Code, OpenClaw, AI 경영 OS의 실전 노하우를 매주 공개 중.

월액 ¥4,980으로 과거 기사 모두 무제한 열람 가능.

SES 해체신서 프리랜서 DB에서는 고단가 프로젝트를 다수 게재 중입니다.

• ✅ 마진율 공개로 투명한 거래
• ✅ AI/Cloud/Web 계열 엄선 프로젝트
• ✅ 전담 코디네이터가 단가 협상을 지원