대학생의 AI 투자 MVP가 취업과 정식 서비스로 이어진 과정

대학생의 AI 투자 MVP가 취업과 정식 서비스로 이어진 과정

AI 뉴스 썸네일

대학교 4학년 때 혼자 만든 AI 투자 MVP가 커피챗과 인턴을 거쳐 첫 직장으로 이어졌어요. 개발자는 인턴 기간에 고객지원 업무를 맡는 AI 에이전트를 만들었고, 이후 팀과 함께 투자 분석 서비스 Throne을 출시했어요. 결과물과 공개 회고가 이력을 설명하는 포트폴리오 역할을 한 사례예요. 1

핵심 요약

구분	핵심	왜 볼 만한가요
시작	대학 재학 중 AI 투자 MVP Cresco를 직접 기획하고 운영했어요	완성된 제품과 운영 기록이 역량을 구체적으로 보여줬어요
인턴	콘텐츠 기업의 고객지원 업무를 처리하는 AI 에이전트를 맡았어요	고객 인터뷰부터 데이터 연동과 실행 기능까지 한 사람이 이어서 다뤘어요
정식 합류	인턴 종료 뒤 정규직으로 합류해 투자 분석 서비스 Throne을 만들었어요	개인 프로젝트의 문제의식이 팀 제품으로 이어진 흐름을 볼 수 있어요
현재 제품	금융 데이터를 연결해 질문에 맞는 분석과 시각화를 제공해요	AI 데모보다 데이터 품질과 실제 사용 흐름에 무게를 둔 구성이에요

1. 공개한 결과물이 첫 직장으로 이어졌어요

출발점은 자연어로 투자 정보를 찾고 분석하는 Cresco였어요. 작성자는 대학교 4학년 학기 중 약 한 달 동안 기획과 개발을 진행했고, 배포 뒤 두 달가량 서비스를 운영했다고 밝혔어요. Claude Code를 활용해 프런트엔드와 백엔드, 멀티 에이전트, 결제와 관측 도구까지 직접 다뤘어요. 서버와 관리형 데이터베이스 비용 때문에 서비스는 종료했지만, 구현 과정과 실패 지점을 상세히 공개했어요. 3

그 기록을 본 한 팀이 커피챗을 제안했어요. 대화는 인턴 제안으로 이어졌고, 작성자는 약 두 달 반 동안 콘텐츠 기업의 고객지원 업무를 돕는 AI 에이전트 프로젝트를 맡았어요. 고객사 담당자를 만나 실제 업무를 관찰하고, 필요한 데이터를 연결하고, AI가 조회뿐 아니라 후속 작업도 실행할 수 있는 구조를 만들었다고 설명해요. 1

기능 목록보다 문제를 푼 순서가 잘 보였어요

이 사례에서 눈에 띄는 부분은 기술 이름의 개수가 아니에요. 처음에는 고객지원 인력을 줄이는 문제를 다뤘지만, 작업 중 고객사가 사용자 데이터를 충분히 분석하지 못한다는 문제를 발견했어요. 이후 제품 데이터까지 연결해 비개발자도 콘텐츠 성과와 전환 흐름을 확인할 수 있는 에이전트로 범위를 넓혔어요.

728x90

포트폴리오를 준비하는 개발자라면 이 순서를 참고할 만해요. 어떤 기능을 만들었는지 나열하는 대신, 누구의 어떤 업무를 관찰했고 무엇을 바꿨는지 보여주는 방식이에요. 기술 선택이 고객 문제와 연결되면 면접에서도 본인의 판단을 더 구체적으로 설명할 수 있어요.

개인 프로젝트의 문제를 팀 제품에서 다시 풀었어요

인턴 계약이 끝날 무렵 작성자는 정규직 제안을 받아 클리브에 합류했어요. 이후 대학 시절 다뤘던 투자 정보 탐색 문제를 팀과 다시 풀며 Throne을 출시했어요. 현재 공개된 서비스는 기관용 금융 데이터를 바탕으로 주식 관련 질문에 답하고, 분석 결과를 시각화하는 AI 투자 코치를 표방해요. 2

작성자 설명에 따르면 팀은 FnGuide와 Financial Modeling Prep 데이터를 적재하는 파이프라인부터 구축했어요. 에이전트가 재무제표의 세부 수치를 다룰 수 있도록 데이터 접근 구조를 만들고, 답변에서 끝나지 않도록 시각화 기능도 붙였어요. 공개 홈페이지에서는 실적 변화, 공시, 수출입·환율·원자재 데이터, 기업 가치평가와 관련된 질문 예시를 확인할 수 있어요. 2

취업 성공담으로만 읽으면 놓치는 부분도 있어요

같은 경로가 누구에게나 재현된다고 보기는 어려워요. 공개 글의 반응, 채용 시점, 팀의 필요가 맞아떨어진 사례이기 때문이에요. Throne의 분석 정확도와 사용자 유지율도 공개 페이지와 회고만으로는 판단할 수 없어요. 투자와 연결된 서비스라면 데이터 갱신 주기, 출처 표시, 잘못된 답변을 막는 장치도 함께 확인해야 해요.

그래도 개발 과정에서 드러난 기준은 비교적 선명해요. 작은 MVP라도 실제 사용자를 받고 운영하면 비용, 지연, 예외 처리, 데이터 품질 같은 문제가 생겨요. 작성자는 이전 회고에서 AI 답변이 느렸던 경험과 관리형 인프라 비용, 대규모 리팩터링 실패까지 공개했어요. 3 이번 후속 글은 그 경험이 고객 프로젝트와 정식 제품 개발에서 어떻게 이어졌는지 보여줘요.

왜 중요한가요

AI 코딩 도구 덕분에 혼자 만들 수 있는 제품의 범위는 넓어졌어요. 채용에서 더 중요한 질문은 도구를 썼는지가 아니라, 만든 제품을 운영하며 어떤 판단을 내렸는지에 가까워요. 이 사례에는 아이디어 선정, 고객 관찰, 데이터 연결, 비용 문제, 제품 종료와 재도전이 한 흐름으로 남아 있어요. 1

주니어 개발자에게는 공개 글도 결과물 일부가 될 수 있어요. 완성 화면만 올리는 것보다 문제를 고른 이유, 실제 사용자 반응, 실패한 선택과 다음 수정 방향을 함께 기록하면 맡을 수 있는 업무 범위가 보이기 쉬워요. 다만 홍보 문구만으로 성과를 부풀리기보다 확인할 수 있는 코드, 서비스 화면, 운영 수치와 제약을 남겨야 기록의 신뢰도가 높아져요. 이전 Cresco 저장소도 프로젝트의 구현 범위를 확인할 수 있는 보조 자료예요. 4

참고 자료

1. GeekNews로 어쩌다가 취업하기 — GeekNews
2. 쓰론(Throne) · AI 주식 투자 코치 — Throne
3. 바이브 코딩으로 어디까지 개발할 수 있을까? — GeekNews
4. Cresco 프로젝트 저장소 — GitHub