SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

CONTENT

Ⅰ. 문제 제기

P.1

1. 기술 패러다임의 전환: 생성형 AI에서 에이전틱 AI로

2. AI 전환(AX)의 가속 및 일하는 방식의 재설계

3. 핵심 병목(bottleneck)은 무엇인가?

Ⅱ. AX 인재의 개념과 핵심 자원으로서의 위상

P.11

1. AX 인재의 개념 정의

2. 왜 AX 인재가 ‘핵심 자원’인가?

III. 인재 수급 실태 진단

P.17

1. 공급이 수요를 따라가지 못하는 ‘초과수요’ 지속

2. 기업규모·지역 간 격차

IV. 요약 및 정책 제언

P.21

1. 요약

2. 정책 제언

참고문헌

P.34

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

요 약 문

2026년은 AI가 콘텐츠를 생성하는 수동적 도구를 넘어 스스로 목표를 해석하고 계획·

실행·점검하는 에이전틱 AI(Agentic AI)가 산업 현장에 본격 확산되는 전환점으로, AI의

성격은 ‘도구’에서 ‘디지털 노동(digital labor)’으로 이동하고 있다. 이에 따라 AI 전환(AX)은

기술 도입을 넘어 일하는 방식과 조직 구조 자체를 재설계하는 단계로 진입하였으나, 국내

기업의 높은 관심과 의지에 비해 전사적 도입·내재화는 초기 수준에 머물러 있다.

본고에서는 이러한 간극의 근본 원인, 즉 에이전틱 AI 시대 AX의 핵심 병목이 ‘인재’에

있다고 진단한다. AI가 실행(execution)을 담당할수록 사람의 역할은 축소되지 않고, AI

에이전트에 권한·정책을 부여하며 전체를 조율하는 ‘설계·오케스트레이션’과 그 산출물의

성과·위험까지 책임지는 ‘검토·판단·책임’으로 확장되기 때문이다. 에이전트 도입의 규모

역시 사람이 제공할 수 있는 감독 역량에 의해 제약되어, 거버넌스가 확산의 상한으로

작용한다는 진단도 제기된다. 이러한 맥락에서, 핵심자원으로 부상하고 있는 AX 인재는

‘도메인 전문성을 토대로 AI(특히 AI 에이전트)를 업무·조직에 이식·조율(오케스트레이션)

하고, 그 산출물을 검토·판단·통제해 조직의 성과로 연결하는 인재’라고 볼 수 있다.

이러한 AX 인재는 에이전틱 AI 시대의 '핵심 자원'이다. AI 사용은 사람을 대체하는 ‘자동화’

보다 사람과 협업하는 ‘증강’ 중심으로 재편되고 있다. 또한 AI로 절감한 시간이 생산성으로

이어지지 않는 ‘AI 생산성 단절’ 현상이 보여주듯, 동일한 기술의 성과도 업무· 조직을 재설계

하는 사람의 ‘전환 역량’에 좌우된다. 실제로 글로벌 노동시장에서는 이러한 인재상이

‘FDE(Forward Deployed Engineer, 현장 배치 엔지니어)’라는 별도 직무로 구체화되어

채용이 급증하고 있으며, 오픈AI·앤트로픽 등 프런티어 AI 기업들은 FDE를 고객 현장에

상주시키는 배포 전문기업을 설립하는 등 ‘AI를 이식하는 사람’에 대규모로 투자하고 있다.

그러나 AX 관련 인재의 수급은 구조적 불균형 상태로 보인다. 여기에 숙련 미스매치와

역량 검증의 어려움, 인재와 수요처의 대기업·수도권 집중이 더해지면서 중소기업·비수도권의

구조적 공백이 심화되고 있다.

이에 본고에서는 AX 인재 양성의 확대와 질적 고도화, 재직 인력의 AX 인재화와 이를

뒷받침할 정보 전달 체계의 정비, 시장에서 통용되는 역량 기준·검증 체계 구축, 중소기업·

비수도권 격차 해소, 그리고 통계·데이터 기반 구축을 정책 과제의 방향으로 제언한다.

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

Executive Summary

The year 2026 marks a turning point at which agentic AI enters full-scale industrial

deployment, shifting AI from a passive tool toward "digital labor." AI transformation

(AX) has accordingly moved beyond technology adoption into the redesign of how work

is performed and how organizations are structured. In Korea, however,

enterprise-wide adoption and internalization remain at an early stage despite strong

corporate interest and commitment.

This report diagnoses the root cause of this gap—the key bottleneck of AX in the

agentic AI era—as talent. As AI takes charge of more execution, the human role does

not shrink but expands, toward designing and orchestrating AI agents by granting

authority and policies, and toward reviewing, judging, and taking responsibility for the

performance and risks of their outputs. The scale of agentic deployment is itself

constrained by the oversight capacity people can supply, and governance has been

identified as a ceiling on diffusion. In this context, AX talent, emerging as a core

resource, can be understood as people who, grounded in domain expertise, embed and

orchestrate AI (particularly AI agents) into work and organizations, and review, judge,

and control its outputs to convert them into organizational performance.

Such AX talent is the core resource of the agentic AI era. AI use is being reorganized

around augmentation, in which AI works with people, rather than automation that

replaces them. And as the "AI productivity disconnect"—in which time saved by AI

fails to translate into output—illustrates, the performance of identical technologies

hinges on people's "transformation capability" to redesign work and organizations. The

supply of AX-related talent, however, appears to be structurally out of balance with

demand. Skill mismatches and difficulties in verifying competencies, together with the

concentration of talent and demand in large firms and the capital region, are deepening

structural gaps for SMEs and non-capital regions.

The report accordingly proposes, as directions for policy, expanding and qualitatively

upgrading the AX talent pipeline; converting incumbent workers into AX talent and

repairing the channels through which information on public programs reaches them;

establishing market-recognized competency standards and verification systems;

closing the gaps facing SMEs and non-capital regions; and building the statistical and

data foundations needed to monitor and forecast AX talent supply and demand.

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

I. 문제 제기

1. 기술 패러다임의 전환: 생성형 AI에서 에이전틱 AI로

□

AI가 ‘수동적 도구’에서 ‘자율적 실행 주체’로 진화하며 전환점 도래

ㅇ

AI가 콘텐츠를 만들어 내는 수동적 도구에서 스스로 목표를 해석하고 절차를

계획·실행·점검하는 자율적 실행 주체로 진화하면서, 2026년은 ‘에이전틱

AI(Agentic AI)’가 산업 현장에 본격 확산되는 전환점으로 평가

–

에이전틱 AI는 ① 목표 이해·추론(Reasoning), ② 계획 수립(Planning),

③ 도구 활용(Tool Use), ④ 자율 실행·점검(Action·Reflection)의 4대

요소로 이루어진 워크플로우를 통해 ‘목표–결과’를 직접 연결

‘AI 에이전트’와 ‘에이전틱 AI’는 별개의 개념으로, AI 에이전트는 혼자 일하는 전문가

라면 에이전틱 AI는 여러 전문가들이 협업하는 조직으로 표현 가능

‘AI 에이전트’는 명확하고 반복적인 단일 업무를 자동 수행하며, ‘에이전틱 AI’는

각자 역할이 다른 AI 에이전트가 모여 시스템을 이뤄 자율적으로 실행계획을 수립

하고 업무를 수행(Sapkota et al., 2026)

–

생성형 AI가 ‘질문–답변’을 반복하는 구조라면, 에이전틱 AI는 한 번의 목표

부여로 조사–분석–실행–수정의 전 과정을 자율 수행

이로써 AI의 성격이 ‘도구’에서 ‘디지털 노동(Digital Labor)’으로 이동

구분

생성형 AI

AI 에이전트

에이전틱 AI

목표

프롬프트 기반 콘텐츠 생성

외부 도구를 활용하여 특정

작업 수행

복잡한 업무 프로세스

(workflow) 자동화 또는

높은 수준의 목표 달성

특징

반응형(지시해야만 작동)

도구 사용(검색·API·실행)

다중 에이전트 협업·조율

작동

방식

프롬프트 → LLM → 출력

프롬프트 → 도구 호출 →

LLM → 출력

목표 → 에이전트

오케스트레이션 → 출력

구조

단일 모델

LLM + 도구

다중 에이전트 시스템

자율성

낮음

중간

높음

외부

상호작용

없음

특정 도구 또는 API를 통해

상호작용

여러 에이전트/도구를 통해

상호작용

자료 : Sapkota et al.(2026); 저자 재구성

<표

> 생성형 AI - AI 에이전트 - 에이전틱 AI 비교

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

ㅇ

복잡한 업무를 자율적으로 수행하려면 기능이 분화된 복수의 AI 에이전트가

협업하는 ‘멀티 에이전트(Multi-Agent) 시스템’이 필요

–

여러 전문가가 한 팀을 이루듯, 주어진 목표·태스크를 자동으로 분해하고

(동적 태스크 분해), 각 전문 에이전트가 자기 영역의 작업을 자율적으로

수행하며, 지휘자 역할의 오케스트레이터가 전체를 조율(조정된 자율성)하는

구조로, 산업별로 필요한 에이전트 구성만 달라질 뿐 ‘분업·협업’ 원리는 동일

–

예컨대 금융 대출 심사에서는 신용분석·소득검증·리스크평가·규제준수·의사

결정 등 전문 에이전트가 병렬로 작동해 수 시간 걸리던 승인을 수 분으로

단축하고, 고객서비스·물류·제조 등에서도 동일한 분업·협업 구조가 적용

개별 작업 단위의 단일 AI를 넘어, 에이전트 간 연계·협력(동적 태스크 분해, 조정된

자율성)이 가능한 멀티 에이전트 시스템으로의 고도화가 전 산업 공통 과제로 부상

□

시장과 기업 도입이 모두 비선형적으로 가속되는 양상

ㅇ

Precedence Research에 따르면, 글로벌 AI 에이전트 시장은 2025년 약

75.5억 달러(11.6조 원)에서 2034년 약 1,905.5억 달러(291.6조 원)로 연평균

43.8% 성장할 것으로 전망(Zoting, 2025)

ㅇ

가트너는 기업용 애플리케이션 중 작업 특화형 AI 에이전트가 통합된 비중이

2025년 5% 미만에서 2026년 말 40%까지 증가할 것으로 전망(Gartner,

2025a)

–

2028년에는 기업용 소프트웨어 애플리케이션의 33%가 에이전틱 AI를 포함

할 것으로 예측(Gartner, 2025b)

자료 : Precedence Research(2025)

[그림

] 글로벌 에이전틱 AI 시장 규모 전망(2025-2034년)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

동 수치는 ① 기업용 라이선스를 이미 도입한 고객군을 대상으로 하고, ② 에이전트 사용을 Codex 토큰으로

조작적 정의하여 소프트웨어 개발 워크로드에 가중되며, ③ API 사용이 분모에서 제외되므로 해석에 유의 필요

ㅇ

기업용 AI 도입 조직들의 AI 활용 방식은 ‘대화형 활용’에서 ‘에이전트 기반

실행(에이전틱)’으로 급격히 전환되는 추세

–

OpenAI가 자사 글로벌 기업용 계정의 사용 데이터를 분석한 결과, 2026년

6월 기준 에이전틱 AI(Codex)의 출력 토큰이 전체(Codex + ChatGPT)

출력 토큰에서 64%를 차지(OpenAI, 2026a)1)

Codex가 ‘25.9월 대중에게 공개된 이후 전체 출력 토큰에서 차지하는 비중이

빠르게 증가(‘25.10월 3% → ‘25.12월 7% → ‘26.2월 24% → ‘26.4월

54% → ‘26.6월 64%)

동일한 기반 모델을 쓰더라도 질의·응답 방식과, 도구를 부여해 다단계 과업을 자율

수행시키는 방식은 소요 연산량이 크게 상이하므로, 토큰 비중은 위임되는 업무의

성격 변화를 보여주는 지표

–

산업 현장에서의 AI 활용이 ‘질문에 답하는’ 방식에서 ‘일을 수행하는’ 방식

으로 변모하고 있음을 시사

자료 : OpenAI(2026a)

[그림

] 기업의 대화형 AI와 에이전틱 AI 토큰 사용 비중 변화 추이(OpenAI)

2. AI 전환(AX)의 가속 및 일하는 방식의 재설계

□

AX는 ‘기술 도입’을 넘어 일하는 방식과 조직 구조 자체를 재설계하는 단계로 진입

ㅇ

AI 활용이 일부 전문가의 개별 시도를 넘어, 전 구성원이 노코드로 업무용 AI

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

에이전트를 직접 설계·운영하는 조직 표준으로 확산되는 추세(PwC, 2025;

Microsoft Security Experts, 2026)

–

AI 활용은 특정 부서·전문가의 역량이 아니라 전 구성원이 갖춰야 할 기본

업무 역량으로 자리 잡으며, 구성원의 역할도 ‘도구를 쓰는 사람’에서 ‘에이

전트를 설계·지휘하는 사람’으로 이동

ㅇ

제조·금융·물류·고객서비스 전 영역에서 AI가 ‘보조 도구’를 넘어 스스로 일을

찾아 수행하는 ‘디지털 직원(Digital Worker)’으로 자리매김

–

콘텐츠 생성을 돕는 ‘스마트 도구’와 달리, 디지털 직원은 목표 설정·계획·

실행·모니터링·개선을 스스로 반복하고 24시간 운영되며, 단일 작업이 아니라

여러 단계로 이어지는 ‘엔드투엔드(end-to-end) 업무 프로세스’를 수행

–

생산운영(수요 예측·불량 자동 검출), 물류·공급망(재고·배송경로 최적화·

위험 분석), 고객서비스(문의 이해·해결책 제시), 인사·경영관리(채용 지원·

보고서 자동화) 등으로 적용 범위가 확장되며, 표준·반복 업무는 대체하고

전문성·공감이 필요한 영역은 보조하는 ‘사람과 AI의 협업’ 모델로 정착

주 : 저자가 AI를 활용하여 작성

[그림

] AX에 따른 일하는 방식 및 조직 구조 변화 예시

ㅇ

이에 따라 업무의 정형성과 리스크·책임 수준에 따라 인간-AI 간 역할 분담이

구조화되며, ‘일자리의 총량’보다 ‘업무수행 방식’이 재편될 전망

–

WEF(2025)는 향후 5년간(~‘30년) 글로벌 일자리 중 9,200만 개가 순감소

하고 1억 7,000만 개가 순증가하는 가운데 9억 3,800만 개는 유지될 것

으로 전망

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

동시에 전체 업무 중 인간이 단독 수행하는 비중은 2025년 47%에서

2030년 33%로 감소하는 반면, 인간-AI 협업 또는 AI 단독으로 수행되는

비중은 53%에서 67%로 확대될 것

자료 : WEF(2025)

[그림

] 업무 내 AI와의 협업 비중 변화 전망

ㅇ

AX의 단계도 ‘일하는 방식의 변화’에서 ‘조직 구조의 변화’로 이동하는 중

–

원티드랩(2025)이 실시한 HR 직군 종사자 대상 조사에서 응답자의 과반

이상(51.8%)은 최근 1년간 AI 도입과 활용으로 인해 채용 전략과 계획에

변화가 있었다고 응답

–

상기 조사의 응답자 중 71.9%는 AI 환경에 부합한 평가·보상 체계 개편을

시행/계획 중이거나 필요성을 인식

□

그러나 ‘관심·도입 의지’와 ‘실제 전사적 도입’ 사이의 간극은 여전히 큼

ㅇ

기업의 AX 관심도와 의지는 높으나, 준비 및 추진 상황 측면에서는 미흡

–

한국산업기술진흥협회의 조사에서는 약 76.9%가 업무수행에서 AI 도입이

필요하다고 응답하였으나, 실제 업무에 활용 중이라고 응답한 비율은 약

45.6% 수준(한국산업기술진흥협회 산업기술혁신연구원, 2025)

기업규모(대·중견기업/중소기업) 및 업종(제조업/서비스업/기타)에 따라 AI 도입에

대한 인식과 실제 도입 현황에 차이가 존재하나, 주목할 점은 AI 도입 필요성에 대한

인식 대비 실제 도입한 경우의 차이가 크다는 것

–

한국중견기업연합회(2025)에 따르면, 국내 중견기업의 59.1%는 AI 도입이

필요하다고 응답하였으나, 실제 AI를 도입한 경우는 18.1%에 불과

중견기업 AI 도입 현황 : AI 도입 18.1%, AI 도입 예정 26.6%, AI 도입계획

없음 55.3%

–

기술보증기금(2026)이 중소·벤처기업 437개사를 대상으로 조사한 바에

따르면, 경영진의 AI 이해도와 도입 의지는 높으나 조직/체계·인프라·보안

/확산체계 등 AI 도입을 뒷받침할 조직 기반은 부족한 실정

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

AX혁신지수의 12대 영역 중 ‘AI 이해도 및 도입 의지’와 ‘AI 전환 목표 및 실행

계획 수립 현황’이 각각 65.8점, 56.8점으로 1~2위를 기록

반대로 ‘인프라(28.8점)’, ‘보안/확산체계(34.2점)’, ‘조직/체계(35.9점)’ 등이

가장 낮은 점수를 기록

<기업부설연구소·연구전담부서 보유기업

(한국산업기술진흥협회 산업기술혁신연구원, 2025)>

<국내 중견기업(한국중견기업연합회,

2025)>

[그림

] 기업 AI 도입에 대한 인식 및 실태에 관한 조사결과

–

원티드랩(2025)의 HR 직군 종사자 대상 조사의 경우, 자사가 AX를 핵심

과제로 인식 중이라고 응답한 비중은 67.3%인 반면, 전사적으로 내재화한

경우는 5.3%에 불과

AI 도입 성숙도는 ‘검토 단계’(38.1%)와 ‘시범 적용’(41.6%)에 집중되어 있으며,

‘전사 내재화’(5.3%)와 ‘핵심 프로세스 도입’(15.0%)의 경우는 낮은 비중

<중소·벤처기업 AX혁신지수(기술보증기금, 2026)>

[그림

] 기업 AX 현황에 관한 인식조사 결과

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

ㅇ

AI 확산이 기업의 체계적 업무흐름 변화보다 개인 단위에서 선행되는 양상

–

AI 활용률은 기업과 근로자 사이에 큰 차이가 존재

한국은행 조사에 따르면, 국내 근로자 중 업무 목적으로 생성형 AI를 사용한 경험이

있는 경우는 과반 이상(51.8%)(서동현 외, 2025)

국내 기업의 AI 이용률은 약 32.9%으로(과학기술정보통신부·한국지능정보사회진흥원,

2025), 근로자 대비 낮은 수준

–

이는 현재 확산이 기업 단위의 체계적 업무흐름 변화보다 개별 근로자 단위

에서 이루어지고 있음을 방증

3. 핵심 병목(bottleneck)은 무엇인가?

□

에이전틱 AI가 실행을 떠맡을수록, 사람의 역할은 축소되지 않고 오히려 확대

ㅇ

AI가 실행(execution)을 더 많이 수행할수록, 사람에게는 목표를 설정하고

과정을 판단하며 결과를 책임지는 역할(agency)이 더 크게 요구

–

앤트로픽의 분석에 따르면, 에이전트형 코딩 분석에서 숙련도가 높은 사용자

일수록 AI에 더 많은 실행을 위임하면서 자신은 문제 정의·설계·검증·예외

처리 등 고차 판단에 집중하는 패턴이 관찰(Hitzig et al., 2026)

–

이는 전문성의 가치가 사라지기보다 오히려 더 커짐을 시사하며, 코딩에

국한된 현상이 아니라 기획·분석·고객대응 등 여러 지식노동 영역으로 확산

되는 변화를 암시

–

실제로 에이전트의 확산은 이미 SW 개발을 넘어 일반 지식노동 영역에서

상대적으로 빠르게 진행 중

OpenAI 기업 고객의 주간 활성 Codex 이용자 수는 ‘26.2월 대비 법무 108배,

영업 41배, 채용 41배, 마케팅 26배 증가하여 엔지니어링(5배)을 크게 상회

(OpenAI, 2026a)

이는 ‘에이전트를 운영하는 일’ 자체가 특정 직무의 업무가 아니라 전 직무에 걸친

공통 과업으로 확산되고 있음을 방증하며, AX 인재 수요의 저변이 기술 직군에 한정

되지 않음을 시사

ㅇ

AI 활용의 무게중심도 ‘어떤 모델을 쓰는가’에서 ‘여러 AI 에이전트에게 어떤

권한·정책을 부여하고 어떻게 조율·통제하는가’로 이동

–

실행 권한이 업무 소프트웨어 안으로 들어오면서, 어떤 업무를 맡기고 어떤

데이터·시스템 접근을 허용하며 어느 지점에서 사람의 승인을 둘지를 설계

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

하는 역량이 성과를 좌우

–

고위험 작업에는 사람의 검토(Human-in-the-loop)를 기본값으로 두는 등,

결국 사람의 설계·거버넌스 역량이 결정적 변수로 부상

주 : 저자가 AI를 활용하여 작성

[그림

] 사람의 역할 변화(과거 vs 에이전틱 AI 시대)

ㅇ

또한 사람의 ‘감독 역량(oversight capacity)’이 에이전트 확산의 실질적 상한

으로 작용

–

AI 에이전트 도입의 규모는 결국 사람이 제공할 수 있는 감독 역량의 크기에

의해 제약(Sukharevsky et al., 2025)

–

즉, 기술의 성능이 아니라 이를 감독·통제할 사람의 수용력이 자동화의 가용

범위와 확산의 상한을 결정

□

결국 에이전틱 AI 시대의 AX 병목은 ‘기술’이 아니라 ‘인재’

ㅇ

앞서 확인된 ‘관심–도입’의 간극도 기술의 부재가 아니라, 인프라·보안·조직

체계 등 사람이 설계·운영하는 기반의 부족에서 비롯(기술보증기금, 2026)

–

AX혁신지수(기술보증기금, 2026)에서 가장 낮은 점수를 기록한 영역이

인프라·보안/확산체계·조직/체계라는 점은, 도입을 가로막는 핵심이 ‘기술’이

아니라 ‘이를 받쳐 줄 사람과 체계’임을 방증([그림 6] 참고)

ㅇ

소프트웨어정책연구소의 조사·분석에 따르면, AI 미도입 중소기업의 AI 도입을

가로막는 근본 병목은 자금이 아니라 ‘AI 인력·역량의 공백’으로 진단(봉강호·

안성원, 2025)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

국내 AI 미도입 중소기업 대상 조사에서 AI 도입을 주저하게 하는 제약·애로

사항으로 'AI 개발·도입비용 부담'(34.9%)이 가장 많았으나, '전문인력 및

역량 부족'(14.9%)이 그 다음으로 많은 응답 기록

–

AI 도입 활성화를 위한 정책수요로는 ‘AI 전문인력 양성 활성화’(23.1%)가

1순위로 지목되었으며, 재정적 지원의 경우 전체 4순위(9.8%)

–

결과적으로, 동 연구에서는 국내 중소기업이 AI 도입을 주저하는 근본

원인이 ‘재정적 여력보다 인적 여력의 부족’이라고 결론내리며, AI 역량을

갖춘 인력 지원이 실질적으로 중소기업의 AI 도입 확대를 이끌어낼 방안

으로 주장

AI 기술 도입 제약·애로사항

AI 기술 도입 활성화 관련 정책수요

구분

비율

구분

비율

AI 기술개발, 도입비용 부담

34.9

AI 전문인력 양성 활성화

23.1

전문인력 및 역량 부족

14.9

AI 윤리/표준 가이드라인 확립

18.4

AI 신뢰성·안전성 우려

13.4

데이터 개방 등 AI 인프라 구축

15.7

데이터 보안 우려

7.1

기업 R&D를 위한 재정지원

9.8

활용가능 데이터 미비

6.7

정부 주도적 AI 기술 확산

9.4

AI에 대해 미숙한 경영진(리더십)

5.5

개인정보/저작권 보호 규제 완화

9.4

성과창출 및 활용 불확실성

5.1

AI 스타트업 지원 활성화

8.6

법·제도 미비

4.7

산학연 협력 생태계 조성

5.1

적합한 AI 공급사 부재

4.3

기타

0.4

부적합한 비즈니스 모델

2.4

변화에 대한 내부 구성원 반감

1.2

주 : 산업·규모(종사자)·지역(수도권 여부)에 따라 층화추출된 표본 255개 대상 조사결과로, 조사방법의

자세한 내용은 해당 보고서 원문을 참고

자료 : 봉강호·안성원(2025)

<표

> AI 미도입 중소기업의 AI 도입 관련 인식 및 수요 조사결과

(단위 : %; n=255)

ㅇ

EY한영(2025)이 국내 기업 경영진 311인을 대상으로 실시한 조사 결과에서도

AI 도입 과정에서의 걸림돌로 ‘내부 전문 인력 부족(60%)’을 가장 많이 응답

AI 도입 과정에서의 걸림돌 1~3순위 응답률을 의미하며, 내부 전문인력 부족

(60%), 투자 대비 효과에 대한 불확실성(57%), 높은 초기 비용(34%) 순

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

구분

응답률

구분

응답률

내부 전문 인력 부족

투자 대비 효과에 대한 불확실성

높은 초기 비용

사이버 보안

규제 및 법적 리스크

데이터 품질 및 활용의 한계

추진 조직 및 체계 부재

윤리적 문제

자료 : EY한영(2025)

<표

> 국내 기업 경영진의 AI 도입에 있어서의 걸림돌(1~3순위) 응답 결과

(단위: %; n=311)

ㅇ

이러한 ‘인재 병목’ 진단은 국내에 국한되지 않으며, 프런티어 AI 기업들 역시

확산의 제약을 '모델 성능'이 아닌 '현장에 이식할 사람'으로 인식

–

MIT의 분석에 따르면, 기업 생성형 AI 파일럿의 95%가 측정 가능한 성과

창출에 실패한 것으로 나타나, 문제의 소재가 모델이 아니라 배포

(deployment)(Challapally et al., 2025)

–

오픈AI·앤트로픽은 ‘26.5월 각각 고객사 현장에 전문 엔지니어(FDE)를

상주시켜 업무· 조직 재설계를 지원하는 배포 전문기업을 설립하는 등,

기술 기업 스스로 ‘사람을 통한 이식’에 대규모 투자를 단행(OpenAI,

2026b; Anthropic, 2026)

FDE(forward deployed engineer; 현장 배치 엔지니어)란, 고객 현장에 직접

투입돼 AI 시스템 구축과 운영을 지원하는 엔지니어를 의미(Ⅱ장 2절 참조)

오픈AI는 ‘26.5월 약 150명 규모의 ’오픈AI 디플로이먼트 컴퍼니(OpenAI

Deployment Company)‘를 설립, 앤트로픽도 같은 달 블랙스톤·헬만앤프리드먼·

골드만삭스 등과 합작 법인을 설립(합작사명은 본고 작성일 기준 미정)

ㅇ

AI 확산이 개별 근로자 단위에 머물러 조직 차원의 성과로 이어지지 못하는

것도 같은 맥락으로, ‘AI를 쓰는 것’과 ‘AI에 일을 맡겨 성과를 내는 것’ 사이를

메울 인재·역량이 곧 병목

–

기업과 근로자(51.8%) 간 활용률 격차는 확산이 개인기에 의존하고 있음을

보여주며, 이를 조직의 체계적 성과로 전환하려면 업무·조직을 재설계할

'AX 인재'가 필요(서동현 외, 2026)

–

그러나 이러한 AX 인재의 공급은 양·질·분야·정착의 모든 측면에서 부족

하며, 특히 비수도권·중소기업에서 구조적 공백이 고착

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

Ⅱ. AX 인재의 개념과 핵심 자원으로서의 위상

1. AX 인재의 개념 정의

□

AX 인재는 도메인 전문성과 AI 역량을 겸비해, 산업 현장의 AI 전환을 주도하는 인재

ㅇ

AX 인재는 ‘본인의 전공 분야에 정통하면서 인공지능을 현장에 적용·운영할

수 있는’ 인재를 의미(과학기술정보통신부, 2026)

–

즉, 각 분야 전문지식(도메인 지식)과 AI 기술을 겸비해 산업 혁신을 주도

하는 ‘AX 융합인재’로서, AI 기술 자체를 개발·구현하는 ‘AI 전문인재’와

구분되는 개념(이현경, 2025)

–

AI 전문인재가 ‘AI를 만드는 사람’이라면, AX 인재는 ‘자신의 도메인에 AI를

이식해 일하는 방식을 바꾸는 사람’

ㅇ

생성형 AI 단계의 ‘적용·운영’이 개별 업무에서 AI를 잘 활용하는 수준이었다면,

에이전틱 AI 단계에서는 AI가 실행을 담당하면서 요구 역량의 무게중심이 이동

–

AI 에이전트에게 업무를 위임하고 권한·정책을 부여하며 전체를 조율하는

‘설계·오케스트레이션’ 역량과, AI 산출물을 검토·판단하고 그 성과와 위험

까지 책임지는 ‘검토·판단·책임’ 역량이 핵심 차별 요소로 부상

–

이에 따라 AX 인재의 역할도 개별 업무에 AI를 적용하는 수준을 넘어, 업무

프로세스와 조직 운영을 재설계하고 전환을 정착시키는 ‘전환 주도자’로 확장

ㅇ

따라서 본고에서 AX 인재는 에이전틱AI 환경을 반영하여 ‘도메인 전문성을

토대로 AI(특히 AI 에이전트)를 업무·조직에 이식·조율(오케스트레이션)하고,

그 산출물을 검토·판단·통제해 조직의 성과로 연결하는 인재’로 정의

구분

AI 전문인재

AX 인재

(조작적)정의

AI를 만드는 사람

AI로 일과 조직을 변화시키는 사람

초점

AI 기술/모델의 개발·구현

도메인 현장의 AI 적용·운영 및

일하는 방식·조직의 전환

핵심 역량

AI 원천/응용기술 개발 또는

AI 제품·서비스 구현 역량

도메인 전문성 및 AI 전환 역량

(설계·조율·통제)

주요 성과

AI 신기술·신모델 개발

AI 기반 업무 프로세스 및 조직 운영

재설계, 비즈니스 전환

<표

> AI 전문인재와 AX 인재 비교

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

https://huggingface.co/datasets/Anthropic/EconomicIndex

2. 왜 AX 인재가 ‘핵심 자원’인가?

□

AI가 업무를 ‘자동화’하기 보다, ‘증강’하는 방향으로 재편

ㅇ

업무를 대신하도록 하는 ‘자동화’ 용도보다, 사람이 함께 일하는 ‘증강’ 용도의

AI 사용 비중이 상대적으로 많은 상황

–

Anthropic의 글로벌 Claude 사용 데이터2) 분석 결과, ‘25.8월에는 자동화

용도(51.1%)가 증강 용도(48.9%)보다 높은 비율을 차지했으나, ‘25.11월

부터 증강 용도(51.7%)가 자동화 용도(45.4%)를 추월

‘25.11월부터 최근(‘26.5월)까지 증강 용도의 AI 사용 비율의 상대적 우위가 지속

유지되고 있는 상황

–

국내의 경우에도, 글로벌 현황과 유사하게 증강 용도(56.2%)의 AI 사용

비율이 자동화 용도(43.8%) 대비 높게 기록

<글로벌 AI 활용 유형 비중 추이(Claude 기준)>

<국내 AI 활용 유형 비중(‘26.5 기준)>

주 : Anthropic Economic Index 데이터를 기반으로 저자 작성. 그림에서는 증강/자동화에 해당하지

않는 사용(none)을 제외함에 따라 두 유형 비율의 합이 100이 아닐 수 있음에 유의

[그림

] AI 활용 유형 비중(자동화 vs 증강)

ㅇ

이는 최근 ‘AI가 사람을 대체’하기보다 ‘AI와 사람이 협업’하는 구조로의

변화를 시사하며, AI-사람 간 협업의 성과가 결국 함께 일하는 사람의 역량에

좌우됨을 의미

–

‘증강 우위’ 경향은 사람이 ‘무엇을 할지’를 정하고 AI가 ‘어떻게 할지’를

실행하는 분업(Hitzig et al., 2026)처럼, 실행은 AI에 위임하되 사람이 의사

결정 루프(loop)에 남는 협업 구조가 확산되고 있다는 것

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

ㅇ

AI가 업무를 증강하는 구조에서 AI와 사람은 ‘보완재’ 관계로, AI가 고도화·

보편화될수록 이를 효과적으로 다루는 인재(AX 인재)의 희소가치는 오히려

상승할 것

–

실제로, 인간 + AI 에이전트 협업 팀이 인간 단독 팀 대비 높은 생산성/

성과를 창출함을 규명한 연구결과가 지속 발표(예: Ju and Aral, 2026)

□

동일한 기술을 이용하더라도 성과는 ‘사람의 전환 역량’에 따라 차이

ㅇ

한국은행(서동현 외, 2026)의 연구에 따르면, AI로 절감한 시간은 저절로 생산성

으로 이어지지 않으며, 성패를 가르는 변수는 기술이 아니라 ‘작업 구조와 사람’

–

생성형 AI로 업무시간은 평균 3.8%(주당 약 1.5시간) 단축되었으나 시간

절감률과 업무처리량 증가율(생산성) 간 관계는 0으로 관측되어, 절감이

산출로 이어지지 않는 ‘AI 생산성 단절(disconnect)’ 현상 확인

–

절감률이 20%를 넘는 작업도 4.4%에 그쳐, AI 활용이 ‘개별 작업’에 머무

르고 ‘업무 흐름(workflow)’의 재설계로는 확산되지 못하는 상황

–

한편, 전문직은 사무직 대비 AI 활용을 통한 생산성이 유의미하게 증가

(0.7%p)시키며, AI 사용시간 상위 50% 집단도 하위 50% 집단 대비

생산성 증가(0.5%p)가 관측

–

이러한 격차는 같은 기술이라도 업무 자율성·성과 유인·활용 숙련에 따라

성과가 갈림을 보여주며, 절약된 시간을 부가가치 업무로 전환하는 ‘조직

차원의 재배치 메커니즘’과 AI가 넓힌 선택지를 판단·통합하는 ‘사람의 역량’이

생산성 실현의 관건임을 시사(서동현 외, 2026)

ㅇ

AI 자체는 어느 기업이나 도입할 수 있지만, AI로 성과를 내는 역량은 사람

에게 누적되는 것이어서 모방하기 어려운 경쟁력의 원천

–

경쟁력은 ‘어떤 모델을 쓰는가’가 아니라 AI를 업무에 이식·조율하고 산출

물을 판단·통제하는 사람의 역량에 의존하며, 이러한 역량은 단기간에 확보

하거나 모방이 불가

–

실제 AI 에이전트 사용 데이터에서도 ‘무엇을 할지’는 주로 사람이 정하고

(계획 결정의 약 70%), AI는 '어떻게 할지'를 수행(실행 결정의 약 80%)

하는 분업이 확인되어, 일의 방향과 품질은 결국 사람의 판단에 좌우

(Hitzig et al., 2026)

–

이러한 역량은 단기간 내 확보되지 않고 현장 경험으로 축적되기에, 결국

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

이러한 역량을 갖춘 인재가 조직 경쟁력을 가르는 ‘핵심 자원’

ㅇ

더욱이 AI를 중요한 사업 목표에 연결하고 이를 반복적으로 확산할 수 있는

조직 역량(AI 실행 역량)에 따라 압도적인 성과 차이 발생

–

PwC(2026a)가 1,217개 기업을 분석한 결과, ‘AI 실행 역량’ 상위 20%인

기업은 그 외 기업 대비 AI로부터 얻는 재무성과가 7.2배

–

재무성과 외에도 에너지 절감, 신제품서비스 출시 속도 증가, 조직 민첩성

향상, 고객경험·만족도·신뢰도 제고 등 질적 측면에서 1.9배 ~ 2.8배 높은

것으로 관측

ㅇ

요컨대 AX 인재는 가치·희소성·모방곤란성·대체곤란성을 모두 갖춘, 조직 경쟁

우위를 가르는 ‘핵심 자원’

–

기업·조직의 성과를 좌우하나(가치) 공급은 수요에 미달(희소성)하며, 현장

경험으로 축적되는 암묵지여서 단기 복제가 곤란(모방곤란성)하고, 범용재

화되는 기술과 달리 다른 자원으로 대체 불가(대체곤란성)

□

이미 노동시장에서는 AI 역량에 높은 가치를 부여 중

ㅇ

AI 스킬 보유자의 임금 프리미엄은 2025년 평균 62%로 전년(57%) 대비

확대되었으며, 특정 IT 업종이 아니라 전 산업에서 관찰(PwC, 2026b)

–

산업별로는 소비재(118%), 기술·미디어·통신(84%), 에너지(75%), 제조(73%)

등의 순으로 프리미엄이 산업 전반에 확산되어, 대체가 어려운 역량을 갖춘

인재가 희소 자원으로 평가받고 있음을 시사

자료 : PwC(2026b)

[그림

] 산업별 AI 역량 보유 근로자의 임금 프리미엄(‘25년)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

Business Insider(2026). Job postings for this tech role have grown more than 700% in the last

year. 2026.05.18. 보도자료. https://www.aol.com/articles/job-postings-tech-role-grown-185134000.html

심민관(2026). KT, AX 사업부 전 직원 ‘FDE’ 전환… 2년 내 500명 이상 육성. 조선비즈 2026.08.17.

보도자료 https://biz.chosun.com/it-science/ict/2026/08/17/MDEESS4E6JAJ5CXPZBBR2APIMM/

ㅇ

원티드랩(2025)의 조사에서도 기업의 77.2%가 AI 역량 보유 인재에게 추가

연봉을 지급할 의향이 있다고 응답

–

추가 연봉 의향의 분포는 ‘연봉의 10% 미만’ 45.6%, ‘11~20%’가

28.1%로, AI 스킬이 이미 채용·보상을 가르는 결정적 기준으로 작동

자료 : 원티드랩(2025)

[그림

] AI 역량 보유 인재에 대한 추가 연봉 제안 의향 조사결과

ㅇ

나아가 글로벌 노동시장에서는 이러한 결합형 인재상이 ‘FDE(Forward

Deployed Engineer)’라는 별도 직무로 성립·확산되는 추세

–

채용 플랫폼 인디드(Indeed) 기준 FDE 채용공고는 ‘25.1월 ~ ‘26.4월

사이 약 5,230% 증가3)

–

오픈AI·앤트로픽의 경우, ‘26.5월 FDE를 고객 기업 현장에 상주시켜 AX를

지원하는 ‘배포 전문기업’을 각각 설립(OpenAI, 2026b; Anthropic, 2026)

–

국내에서도 FDE 채용공고가 본격 등장하기 시작했으며, 대형 IT서비스 기업의

AX 전담 신입 직군 신설 및 육성계획 발표 등 직무화 초기 동향이 확인

LG CNS, 카카오페이, 크래프톤, 마키나락스 등의 국내 기업들은 FDE 인력 채용

확대 및 조직 개편/신설 추진

KT는 향후 2년 간 AX 사업부문의 500명 이상을 FDE로 육성할 계획임을 발표4)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

구분

내용

개념

고객 현장에 직접 투입돼 AI 시스템 구축과 운영을 지원하는 엔지니어

주요 역할

조직/현장의 문제를 찾고, 적합한 기술을 개발·적용하여 해결

주요 업무

고객 요구 발굴 → 현장(업무·데이터·시스템) 진단·문제 정의 →

솔루션 설계 → 개발·통합 → 실제 운영 환경 배포·안착 →

성과 검증의 전 과정(end-to-end) 수행

핵심 역량

문제 정의·해결 능력, 데이터 분석 능력, AI·SW 이해 및 개발 능력, 산업·업

무 이해, 커뮤니케이션 능력

<표

> FDE(Forward Deployed Engineer)의 주요 내용

–

도메인 전문성과 AI 이식·조율 역량을 겸비한 인재가 별도의 직무·사업

모델로 제도화되고 있다는 점은, 해당 역량의 희소성·대체곤란성에 대한

시장의 평가를 방증

ㅇ

이러한 고평가와 직무화는 노동시장이 AX 인재를 ‘핵심 자원’으로 인식하고

있음을 의미

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

백삼봉(2026). AI 산업 채용 공고, 5년 간 112% 증가: 잡코리아 공고 데이터 분석... AI 직무 다양화에 인재

수요 늘어나. 지디넷코리아 2026.04.10. 보도자료; 백삼봉(2026). AI 인재 확보 경쟁, 전 산업으로 확산:

잡코리아 데이터 분석, AI 키워드 공고 전년 대비 70% 늘어. 지디넷코리아 2026.06.22. 보도자료.

Ⅲ. 인재 수급 실태 진단

1. 공급이 수요를 따라가지 못하는 ‘초과수요’ 지속

□

국내 AI 인재는 양적으로 성장 추세, 수요 증가 속도에는 미달

ㅇ

한국은행에 따르면, 국내 AI 인력은 2010년부터 2024년 사이 약 2배(105.7%)

증가한 것으로 추정되며, 이는 연평균 5.3% 증가한 수준(박근용 외, 2025)

–

산업별 분포를 보면, 과거(2010년)에는 제조업 종사자가 가장 많았으나 최근

(2024년) 제조업 비중이 소폭 감소(27% → 22%)하였으며, 정보서비스업

비중이 증가(22% → 30%)하여 최근 가장 높은 비중을 기록

ㅇ

반면에, 산업 현장의 AI 인재 수요는 공급 증가 속도를 상회하는 수준으로 가파

르게 확대되는 상황

–

잡코리아의 AI 관련 채용공고 분석 결과, 2021년부터 5년 간 112% 증가

하였으며, 2026년 상반기(1~5월)의 경우 전년 동기 대비 70% 증가5)

–

동 분석에 따르면, 2026년 상반기 기준 ‘IT·정보통신’ 분야 채용공고가

가장 많았으며, 그 다음 ‘제조·생산’, ‘서비스’, ‘미디어·광고’, ‘교육업’ 순

□

산업 현장의 AI 인재 초과수요와 함께 채용난 지속

ㅇ

한국은행이 실시한 조사에서 국내 기업들의 AI 인력 채용 수요는 견조하나, 임금

프리미엄과 숙련 미스매치로 인한 어려움 호소(박근용 외, 2025)

–

기업 규모와 관계없이, 국내 기업의 절반 이상은 향후 AI 관련 인력 채용을

확대하겠다고 응답

향후 AI 관련 인력 채용 긍정 응답 : 대기업 69.0%, 중견기업 68.7%, 중소기업

56.2%

–

AI 인력 채용시 애로사항으로는 공통적으로 ‘높은 급여 기대’와 ‘숙련 인재

부족’이 가장 많은 응답을 기록

이 외 국내 경쟁, 검증 어려움, 해외 경쟁 순으로 응답

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

구분

애로사항(응답 비중)

중소기업

높은 급여 기대(30.1%) > 숙련 인재 부족(23.7%) > 국내 경쟁(22.5%) >

검증 어려움(15.4%) > 해외 경쟁(8.0%) > 기타(0.2%)

중견기업

높은 급여 기대(26.1%) > 숙련 인재 부족(24.3%) > 국내 경쟁(24.0%) >

검증 어려움(16.4%) > 해외 경쟁(8.5%) > 기타(0.6%)

대기업

숙련 인재 부족(27.4%) > 높은 급여 기대(25.3%) > 국내 경쟁(24.1%) >

검증 어려움(14.1%) > 해외 경쟁(9.1%) > 기타(0.0%)

자료 : 박근용 외(2025)

<표

> 국내 기업의 AI 인력 채용시 애로사항 조사결과

ㅇ

원티드랩(2025)의 조사에서는 기업이 AX 추진시 겪는 어려움으로 ‘전문 인력

확보 어려움(53.1%)’이 가장 높은 응답을 기록

–

AI 인재 채용 과정에서 겪는 가장 큰 어려움으로는 ‘정확한 역량 검증의

어려움(57.9%)’이 절반 이상을 차지

–

국내 기업 AX의 병목이 ‘기술이나 자본’보다 ‘사람’에 있음을 시사

구분

응답률

구분

응답률

전문 인력 확보 어려움

53.1

전략, 로드맵의 명확성 부족

51.3

데이터 품질 및 수집 체계 부족

44.2

초기 도입 비용 부담

44.2

기업 내 성공 사례 부족

27.4

구성원의 변화 수용 저항

23.9

경영진의 확신과 의지 부족

15.9

정보 유출 등의 보안 이슈

3.0

기타

5.2

자료 : 원티드랩(2025)

<표

> 국내 기업에서 AX 추진시 겪는 어려움 응답 결과

(단위: %; n=130)

ㅇ

종합하면, 산업 현장의 견조한 채용 수요가 공급 부족과 숙련 미스매치로 인해

실제 확보로 이어지지 못하면서 초과수요가 고착되는 양상

2. 기업규모·지역 간 격차

□

AI 인재 수요는 중소기업에 광범위하게 분포하나, 확보 역량과 인재 배치는

대기업에 집중

ㅇ

한국과학기술기획평가원에 따르면, AI 분야 채용공고의 75.0%가 중소기업에서

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

2020년 1월부터 2024년 8월 사이 사람인·자소설닷컴·캐치 등 국내 주요 온라인 채용 플랫폼에 게시된

채용공고를 수집하고 AI 관련 채용공고 판별 절차를 거쳐 분석한 것임

발생하여 수요의 저변 자체는 넓게 형성(대기업 9.7%, 중견기업 10.1%)

(조민옥·김수정, 2025)6)

–

다만 대기업과 중견기업의 채용공고 수 또한 증가 추세를 보이며(‘20년 대비

약 2.5배), 인재 확보 경쟁에 본격적으로 가세

자료 : 조민옥·김수정(2025)

[그림

] 기업 규모별 AI 관련 채용공고 수 추이

ㅇ

기업규모에 따라 요구하는 직무의 구성에도 뚜렷한 차이가 관찰(조민옥·김수정,

2025)

–

중소기업은 ‘AI 응용 SW 개발’ 직무 비중이 43.9%로 대기업(27.8%)·

중견기업(36.9%) 대비 높아, 당면한 개발 수요에 인재를 투입하는 양상

–

대기업·중견기업은 데이터 엔지니어(각 13.1%, 14.3%), 데이터 사이언

티스트(각 12.7%, 12.6%), AI 기술 컨설턴트(각 7.5%, 6.4%) 등 데이터

기반 구축과 전략·기획 직무의 비중이 상대적으로 높음

ㅇ

채용 의향에서도 규모 간 격차가 확인되며(대기업 69.0%, 중소기업 56.2%),

보상 여력과 인지도의 열위로 중소기업의 미충원이 반복되는 구조(박근용 외,

2025)

–

이는 중소기업의 AI 도입을 가로막는 근본 병목이 ‘AI 인력·역량의 공백’

이라는 진단과도 일치(봉강호·안성원, 2025)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

□

인재 및 수요처의 지리적 편중

ㅇ

인재가 일할 수요처(AI 활용기업) 또한 수도권에 집중(과학기술정보통신부·

한국지능정보사회진흥원, 2025)

–

2025년 기준 국내 AI 활용기업의 과반 이상(57.7%)이 수도권에 소재

구분

수도권

비수도권

전체

기업 수

40,155

29,488

69,643

비중

57.7

42.3

100.0

자료 : 과학기술정보통신부·한국지능정보사회진흥원(2025); 저자 재구성

<표

> 수도권/비수도권 AI 활용기업 수 및 분포(비중)

(단위: 개사, %)

ㅇ

비수도권 디지털 산업의 인재 충원율은 약 51% 수준에 불과하며, 지역별

격차가 큰 상황(지역SW산업발전협의회, 2025)

–

물론 상기 지표는 AI·AX 직무에 한정된 것이 아니라 디지털 산업 전반의

인력을 대상으로 하나, 비수도권의 AX 인재 수급 여건을 가늠하는 대리지표

로서 의미

–

즉, 디지털 인재조차 절반가량만 충원되는 여건에서는 AI·AX 직무의 충원은

더욱 곤란할 것으로 추정 가능

실제로 상대적으로 높은 수준의 역량을 요구하는 연구개발(R&D)·SW개발 직군의

충원율은 46.7%로 디지털 산업 전체(약 51%)보다 낮게 나타나, 요구 역량이

높아질수록 미충원이 심화되는 경향을 시사

ㅇ

결국 수요처(AI 활용기업)와 인재가 모두 수도권에 집중되면서, 비수도권은

‘일할 기업/인재의 부재 → 인재 유입 유인 약화 → 기업의 역량 정체’로

이어지는 경로에 놓일 우려

구분

구인인원(A)

채용인원(B)

충원율(B/A)

합계

9,106

4,642

51.0

자료 : 지역SW산업발전협의회(2025); 저자 재구성

<표

> 비수도권 지역별 디지털 산업의 인재 충원율(‘25년)

(단위: 명, %)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

Ⅳ. 요약 및 정책 제언

1. 요약

□

에이전틱 AI는 ‘실행’을 AI에 위임하는 대신, ‘설계·판단·책임’의 무게를 사람에게

더하는 방향으로 일의 구조를 재편

ㅇ

AI의 성격이 ‘도구’에서 ‘디지털 노동’으로 이동함에 따라, 사람의 역할은 직접

실행에서 '목표 설정–설계·조율–검토·판단–책임'으로 확장

–

실행 위임이 늘어날수록 문제 정의·설계·검증·예외처리 등 고차 판단의 가치는

축소되지 않고 오히려 확대(Hitzig et al., 2026)

–

어떤 업무를 맡기고 어떤 권한·정책을 부여하며 어느 지점에 사람의 승인

(Human-in-the-loop)을 배치할 지를 설계하는 역량이 성과와 위험을

동시에 결정

실제 AI 에이전트 사용 데이터에서도 ‘무엇을 할지’는 사람이(계획 결정의 약 70%),

‘어떻게 할지’는 AI가(실행 결정의 약 80%) 담당하는 분업이 확인(Hitzig et al.,

2026)

ㅇ

동일한 기술을 도입하더라도, 성과는 AI를 업무·조직에 이식·조율하고 그 산출

물을 검토·판단·통제하는 ‘사람의 전환 역량’에 좌우

–

생성형 AI로 업무시간은 평균 3.8% 단축되었으나, 시간 절감률과 생산성

간 관계는 0으로 관측되는 ‘AI 생산성 단절’은 기술의 부족이 아니라 업무

흐름(workflow)의 재설계와 조직 차원의 재배치 메커니즘 부재에서 비롯

(서동현 외, 2026)

–

증강 용도가 자동화 용도를 앞서는 AI 사용 구조(글로벌 51.4% vs

48.6%, 국내 56.2% vs 43.8%)는 AI–사람 협업의 성과가 결국 함께 일

하는 사람의 역량에 좌우됨을 시사

노동시장 역시 이를 반영하여 AI 스킬 보유자의 임금 프리미엄이 전 산업 평균

62%(‘25년)에 이르는 등, 전환 역량을 갖춘 인재를 대체 곤란한 희소 자원으로

평가(PwC, 2026b)

□

그러나 이러한 역할을 수행할 AX 인재의 공급은 양·질·배분의 모든 측면에서

수요에 미달하는 구조적 불균형 상태

ㅇ

공급 증가 속도가 수요 증가 속도에 크게 미달하는 ‘초과수요’가 지속

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

국내 AI 인력은 2010~2024년 연평균 5.3% 증가에 그친 반면(박근용 외,

2025), AI 관련 채용공고는 5년간 112%, '26년 상반기에는 전년 동기

대비 70% 증가

ㅇ

숙련 미스매치와 역량 검증의 어려움으로, 견조한 채용 수요가 실제 확보로

이어지지 못하는 상황

–

국내 기업들은 AI 인력 채용의 애로사항으로 ‘숙련 인재 부족’과 ‘높은 급여

기대’를 가장 많이 응답(박근용 외, 2025)

–

AI 인재 채용 과정의 최대 어려움으로는 ‘정확한 역량 검증의 어려움’

(57.9%)이 절반 이상을 차지(원티드랩, 2025)하여, 시장에서 통용되는 역량

기준·신호 체계의 부재를 방증

ㅇ

AX 인재 수요의 저변은 중소기업에 있으나, 확보 역량과 인재는 대기업·수도

권에 집중

–

AI 분야 채용공고의 75.0%가 중소기업에서 발생하나(조민옥·김수정, 2025),

보상 여력과 인지도의 열위로 중소기업의 미충원이 반복되는 구조(박근용 외,

2025)

–

AI 활용기업의 과반(57.7%)이 수도권에 소재하고 비수도권 디지털 인재

충원율은 약 51% 수준에 그쳐, '일할 기업의 부재 → 인재 유입 유인 약화

→ 기업 역량 정체'의 악순환 우려

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

2. 정책 제언

구분

주요 내용

① ‘AI 전공 교육’과 ‘도메인

융합 교육’을 아우르는

신규 AX 인재 양성 체계

고도화

■

학부-대학원 연계·학위과정 유연화로 배출 시차 단축

■

AI↔도메인 전공 간 쌍방향 융합 교육

■

실전 프로젝트형 교육 전환

■

중장기적 관점으로 FDE 인재 양성 추진

■

산업계 참여 확대 및 교원 기반 정비

② ‘재직 인력의 AX

인재화’로 인재 공급

경로 이원화

■

도메인 전문성을 갖춘 재직 인력에 AI 전환 역량을 결합

■

업무 위임·조율·검토 등 ‘전환 역량’ 중심의 교육과정 고도화

■

팀·조직 단위의 현장 프로젝트형 교육 설계

■

일회성 교육이 아니라 조직 내 상시 학습·확산 메커니즘의

정착까지를 지원 범위로 포함 고려

■

공통 ‘AX 역량 체계’ 기준으로 양성-전환-전직 지원 경로 연계

③ 노동시장에서 통용되는

AX 역량 표준과

검증·신호 체계 구축

■

역량의 정의-평가-신호 공통 인프라 구축

■

‘스킬 단위’ 동적 검증 체계 설계

■

프로젝트 기반 평가와 수준별 인증 결합

■

정부-산업계 역할 분담, 공공부문 우선 적용

④ 중소·지역기업 인재

지원을 ‘개별 채용지원’

에서 공유·활용지원’

으로 확장

■

자원 공유형 접근으로 전환

■

공동 인재풀·프로젝트 매칭 등 활용 경로 다변화

■

글로벌 FDE 모델을 참조한 ‘(가칭)AX 현장지원단’ 운영

■

표준계약 등 신뢰 보증 장치 정비

■

진단-교육-실증 결합의 패키지형 지원

⑤ ‘양성-활용-정착’이

지역 내에서 순환하는

지자체 주도의 지역 AX

인재 생태계 육성 지원

■

지역 주력산업 재직 인력의 AX 전환

■

지자체-대학-기업 협력의 교육·프로젝트 운영

■

수요 견인 정책 병행으로 정착 유인 형성

■

창업 파격 지원으로 정착 경로 확장

■

중앙-지방 공동책임형 운영

⑥ AX 인재 수급 현황

상시 관측·전망을 위한

통계·데이터 기반 구축

■

AX 역량 표준과 연동한 통계적 정의·분류 기준 정립

■

기존 실태조사에 ‘AX 모듈’ 내재화

■

민간·행정 빅데이터 결합을 통한 상시 관측 체계 구축

□1 ‘AI 전공 교육’과 ‘도메인 융합 교육’을 아우르는 신규 AX 인재 양성 체계 고도화

ㅇ

AI 분야 정원 확대 등 신규 양성의 양적 확충 기조는 유지하되, 수요 증가 속도

와의 구조적 격차와 고급 인재 배출의 시차를 고려하여 규모 확대와 배출 기간

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

단축을 병행

–

AI 분야 채용공고가 최근 5년간 112% 증가(조민옥·김수정, 2025)한 데

비해 최근 3개 학년도의 대학 AI 분야 정원 순증은 학부 589명·대학원

156명 수준으로(유희수 외, 2026), 정규 교육의 공급 확대 속도가 수요

증가 속도에 크게 미달

–

AI 인력의 58%가 석·박사 학위 소지자(박근용 외, 2025)인 고학력 중심

국내 노동시장의 특성상 신규 공급의 관건은 대학원 단계이나 학사 입학부터

박사 배출까지 통상 8년 이상이 소요되는 만큼, 학부-대학원이 연계된 장기

파이프라인 설계와 함께 학위과정 유연화로 배출 시차를 단축하는 제도

정비 병행 필요

ㅇ

교육의 축은 AI 기술 전문 인재의 양성과 함께 AI 전공자에게 도메인 지식을,

도메인 전공자에게 AI 활용·전환 역량을 부여하는 쌍방향 융합 교육으로 확장

–

AX 인재의 요체가 도메인 전문성과 AI 전환 역량의 결합이라는 점에서 AI

단일 전공의 신설·증원만으로는 산업 현장이 요구하는 인재상과의 정합성을

담보하기 곤란

–

AI 전공 교육에는 산업 특화 트랙·현장 문제 등 도메인 맥락을, 도메인 전공

교육에는 AI 활용·전환 교과를 각각 내재화하는 결합 설계가 요구

–

국내 AI 인력의 전공 분포 역시 공학(64%) 외에 경영학(12%) 등 비이공계로

저변이 확장되고 있어(박근용 외, 2025), 융합전공·마이크로디그리 등 이수

경로의 제도화와 인문·사회계를 포함한 전 전공에 AI 기초·활용 교육을 내재화

하는 접근 필요

ㅇ

교육의 내용과 방식은 에이전틱 AI 환경의 역량 변화를 반영한 실전 프로젝트

형으로 전환하고, 범정부 차원에서는 산업계가 교육과정의 설계·갱신에 참여

하는 개방형 구조와 교원 등 공급 기반을 정비

–

AI 개발 인재에게 요구되는 역량의 중심이 코드 생성에서 문제 정의·설계,

협업, 산출물 검증·위험 관리로 이동하고 있는 바, 신규 인재에게도 AI 에이

전트에 대한 업무 위임·지시 설계, 산출물 검증·위험 관리 등 ‘에이전트와

협업하는 역량’이 전공을 불문한 기본기로 요구

–

기업 현장의 데이터·문제에 기반한 산학 프로젝트와 현장 전문가 멘토링 등

실전형 교육을 확대하여 재학 단계에서 검증 가능한 프로젝트 수행 이력이

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

축적되도록 하고, AX 역량 표준을 교육과정 설계와 성과 평가의 공통 기준

으로 활용하여 교육-채용 간 연계성을 제고

–

AI 교원·인프라 부족이 교육 현장의 핵심 애로로 반복 제기되고 있는 만큼

(유희수 외, 2026), 겸직·이중소속, 보수 책정 등 산업계·연구계 우수

인재의 교육 참여를 제약하는 경직적 규정을 완화하는 등 공급 기반의

확충 병행 필요

ㅇ

특히 최근 주목받고 있는 FDE 인재는 역량의 복합성과 경험 의존성으로 인해

단기 양성이 곤란한 만큼, 신규 양성 단계부터 중장기 관점의 양성 추진 병행

필요

–

FDE에게 요구되는 문제 정의, 설계, 커뮤니케이션, 실행 관련 역량들은

강의식 교육만으로 형성이 곤란한 실전 경험 기반의 복합 역량

–

즉, 교육과 경력을 합쳐 수년의 기간이 소요되는 만큼, 중장기 관점의 지속

투자·성과관리 체계 운영을 통한 FDE 양성 노력 필요

학사 입학부터 박사 배출까지 통상 8년 이상이 소요되는 고급 AI 인재와 마찬가지로,

FDE형 인재 역시 인재 공급 시차를 고려한 선제적 착수가 요구됨을 의미

□2 신규 양성과 병행하는 ‘재직 인력의 AX 인재화’로 인재 공급 경로를 이원화

ㅇ

국내 AI 인력의 공급 증가 속도가 연평균 5.3%(박근용 외, 2025)에 그치는

반면, 채용공고로 나타난 수요는 이를 크게 상회하는 상황(최근 5년간 112%

증가)에서 정규 교육을 통한 신규 배출만으로는 단기간 내 격차 해소가 곤란

–

AX 인재의 요체가 ‘도메인 전문성과 AI 전환 역량의 결합’이라는 점을

고려하면, 이미 도메인 전문성을 갖춘 산업 현장의 재직 인력에게 AI 전환

역량을 결합하는 경로가 가장 빠르고 비용효과적인 공급 확충 수단

재직 인력은 신규 배출과 달리 전 산업·전 지역에 이미 분포한 대규모 인재 모수라는

점에서 확충의 잠재 규모 면에서도 유리

–

도메인 전문성은 현장 경험을 통해 장기간에 걸쳐 축적되는 암묵지 성격이

강해 교육으로 단기간에 형성하기 어려운 반면, AI 활용·조율 역량은 상대적

으로 단기의 집중 교육과 실전 적용으로 습득이 가능하다는 비대칭성에 주목

필요

EU 역시 향후 수년 내 성인 근로자의 61%가 AI 대응을 위한 신규 기술 습득이

필요할 것으로 전망되나 AI 활용 교육 이수 경험은 15%에 불과하다는 진단 하에,

재직 인력 재교육을 AI 인재 정책의 핵심 축으로 설정(European Commission, 2025)

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

ㅇ

재직 인력의 리스킬링 의향은 이미 과반을 상회하나 공공 지원제도의 인지·

이용은 극히 제한적인 만큼, 정보 전달 체계의 정비가 선결 과제

–

리멤버앤컴퍼니(2026)에서 ‘26.8월 국내 재직자 1,627명을 대상으로 실시한

조사에서 리스킬링 의향 보유자는 62.3%에 달하는 반면, 공공 지원제도를

알고 이용해 본 경험이 있는 응답자는 7.8%에 불과

–

미이용의 주된 사유는 제도에 대한 거부나 참여 여건의 부족이 아니라 인지

실패(지원제도 자체를 모른다는 응답이 전체 중 55.9%)

–

지원제도를 모른다고 응답한 비중은 30대(64.5%)·사원급(64.1%)이 가장

높은 반면, 50대 이상(49.7%)·부장급(48.7%)이 최저를 기록하여 전환

의향과 이동 실행이 가장 활발한 계층에서 정보 전달이 취약한 역방향 구조도

존재

–

따라서 실수요 계층에 직접·효과적으로 정책 정보가 전달되는 채널 확보

병행이 중요

자료 : 리멤버앤컴퍼니(2026)

[그림

] 국내 재직자 리스킬링 의향 및 공공 지원제도 인지·이용 현황 조사결과

ㅇ

교육의 내용과 방식을 에이전틱 AI 환경이 요구하는 ‘전환 역량’ 중심으로

설계 필요

–

프롬프트 작성 등 도구 활용 기초를 넘어, AI 에이전트에 대한 업무 위임과

권한·정책 설계, 멀티 에이전트 조율(오케스트레이션), 산출물 검토·판단·

책임 등의 AX 인재 핵심 역량을 반영하는 방향으로 교육과정 고도화 필요

–

강의식 지식 전달보다 학습자가 자신의 업무·조직 문제를 직접 재설계하는

현장 프로젝트형 교육이 학습과 현업 적용 간 시차를 없애 전환 성과로 직결

될 수 있는 바, 개인 단위를 넘어 팀·조직 단위의 참여형 교육으로 설계

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

교육 내용에는 에이전트에 업무 맥락과 도구를 부여하는 설계(사내 데이터·

시스템 연결, 업무 지침의 명세화 등)를 실습 단위로 포함

ㅇ

일회성 교육이 아니라 조직 내 상시 학습·확산 메커니즘의 정착까지를 지원

범위로 포함 고려

–

재직자 교육 사업의 성과지표에 수료 인원과 함께 사내 확산·재활용 실적

(사례 공유, 사내 표준화 등)을 포함하여, 개인의 역량 습득이 조직 역량으로

전환되도록 유도

ㅇ

범정부 차원에서는 분산 추진 중인 인재양성 정책·사업을 공통의 ‘AX 역량

체계’를 기준으로 정합성 있게 연계하고, 신규 양성-재직자 전환-전직 지원이

연속된 경로로 작동하도록 정비

–

학위과정 중심의 양성 트랙과 재직자 훈련 트랙이 분절적으로 운영될 경우

중복과 사각지대가 병존할 가능성 존재

–

따라서 공통의 역량 기준·성과지표에 기반해 사업 간 대상·수준을 조정하고

교육 이수 이력과 역량 인증이 트랙 간에 호환·누적되도록 하는 연계·조정

장치 마련이 선행 과제

주 : 저자가 AI를 활용하여 작성

[그림

] 이원화된 AX 인재 양성 경로(신규 양성 + 재직자 전환) 개념도(예시)

□3 노동시장에서 통용되는 AX 역량 표준과 검증·신호 체계 구축

ㅇ

채용 현장의 최대 애로가 ‘정확한 역량 검증의 어려움’(57.9%)으로 확인되는

만큼(원티드랩, 2025), 역량의 정의-평가-신호 전달을 아우르는 공통 인프라

구축이 미스매치 해소의 선결 과제

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

검증 수단의 부재는 기업-인재 간 정보 비대칭을 키워 탐색 비용과 보상

협상의 불확실성을 높이며, ‘숙련 인재 부족’과 ‘높은 급여 기대’가 채용

애로의 최상위에 병존하는 현상(박근용 외, 2025)의 배경으로 작용

–

견조한 채용 수요에도 실제 채용이 성립하지 않는 ‘초과수요 속 미충원’은

역량 신호의 실패에서도 비롯된다는 점에서, 공급 확대와는 별개로 검증

체계의 정비가 요구됨을 시사

ㅇ

학위·자격 등 취득 시점에 고정되는 정적 신호를 보완하는 ‘스킬 단위’의 동적

검증 체계로 설계 필요

–

전통적인 학위·자격만으로는 역량의 최신성과 실전성을 담보하기 곤란

–

도메인 전문성과 AI 전환 역량(설계·조율·통제)을 두 축으로 하는 AX 역량

프레임워크를 정의하고, 실제 수행 프로젝트·산출물 기반의 평가와 수준별

인증(예: 마이크로크리덴셜 등)을 결합하는 방식이 효과적일 것

–

인력 운영·평가의 단위가 ‘직무’에서 ‘스킬’로 이동하고 있다는 산업 현장의

진단(원티드랩, 2025)과 부합하도록, 인증 결과가 채용 플랫폼 등 민간 시장

에서 실제 유통·활용되는 구조를 전제로 설계 필요

ㅇ

범정부 차원에서 표준 수립과 품질관리는 정부가, 기술 변화에 민감한 교육·

검증의 실행은 산업계·교육기관이 담당하는 역할 분담 구조로 추진하되, 공공

부문의 채용·훈련에 우선 적용하여 초기 수요와 신호의 공신력을 제고

중국 역시 정부가 AI 교육 표준·역량 프레임워크·인증 기준의 정비와 확산을 담당

하고 기업·대학이 현장형 교육과 검증을 수행하는 분업형 협력 구조를 운영(유희수 외,

2026)

□4 중소·지역기업 인재 지원을 ‘개별 채용지원’에서 ‘공유·활용 지원’으로 확장

ㅇ

수요의 저변은 중소기업에 있으나 보상 여력과 인지도의 열위로 개별 채용이

구조적으로 성립하기 어려운 만큼, '1개 기업-1인 채용'을 전제로 한 지원

방식만으로는 한계

–

고임금의 전문인력과 인프라를 개별 중소기업이 단독으로 확보하는 것은

구조적으로 곤란하므로, 자원 공유형 접근으로의 전환 필요

ㅇ

지역·업종 단위의 공동 인재풀, 프로젝트 단위의 전문인력 매칭 등 직접 고용

없이도 AX 역량을 활용할 수 있는 경로 다변화 필요

–

복수의 중소기업이 AX 인재를 공동 활용하는 방식은 개별 기업의 고용

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

부담과 채용 위험을 낮추는 동시에, 인재에게는 다양한 도메인 문제를 경험

하는 성장 경로와 단일 중소기업 취업 대비 안정적인 활동 기반을 제공

하는 상호 이익 구조

–

인력·노하우·실증 환경을 중소기업 간 공유하는 개방형 협력(멘토링, 공동

실증 등)을 병행하되, 기술 유출·책임 소재 등 신뢰 문제를 보증하는 표준

계약·분쟁조정 등의 제도적 장치를 범정부 차원에서 정비

ㅇ

글로벌 시장에서 확산 중인 FDE 방식(Ⅱ장 2절 참고)은 ‘공유·활용형’ 인재

지원의 시장 검증 사례로 참조 가능

–

오픈AI·앤트로픽의 배포 전문기업은 소수 정예 FDE를 다수 고객 기업의

프로젝트에 순차 투입하는 구조로, ‘1기업-1인 채용’이 아닌 ‘공유형 활용’이

사업 모델로 성립함을 방증(OpenAI, 2026b; Anthropic, 2026)

특히 앤트로픽 합작사는 중규모 기업의 FDE 접근성 확대를 명시적 목표로 제시

(Goldman Sachs Asset Management, 2026)

–

국내 적용 시, 공동 인재풀을 FDE 방식(현장 상주형·프로젝트 단위 투입·

성과 환류)으로 운영하는 ‘(가칭)AX 현장지원단’ 도입 고려

파견 인력이 진단-이식-검증을 수행하고 기업 내부 재직 인력의 전환 교육·멘토링을

병행하도록 설계

ㅇ

외부 인재의 활용과 함께, 중소기업 내부 인력의 AX 전환을 지원하는 ‘사람

중심’ 패키지로 지원 방식을 재구성

–

중소기업 AI 도입의 근본 병목이 재정적 여력보다 인적 여력의 부족이라는

진단(봉강호·안성원, 2025)을 고려할 때, 비용 보조 중심의 지원만으로는

도입-활용-성과의 연결이 곤란

–

정책수요 조사에서도 ‘AI 전문인력 양성 활성화’(23.1%)가 재정지원

(9.8%)을 크게 앞서는 1순위로 확인된 만큼(봉강호·안성원, 2025), 진단·

컨설팅-재직자 전환 교육-현장 실증을 결합한 패키지형 지원이 유효할 것

이는 일회성 비용 보조와 달리 활용 역량이 기업 내부에 남아 지원 종료 후에도

성과가 지속되는 구조

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

주 : 저자가 AI를 활용하여 작성

[그림

] 중소·지역기업 AX 인재 공유·활용 개념도(예시)

□5 ‘양성-활용-정착’이 지역 내에서 순환하는 지자체 주도의 지역 AX 인재 생태계

육성 지원

ㅇ

한정된 인재풀을 둘러싼 역외 인재 유치 경쟁의 한계가 확인되는 만큼, 지역

주력산업의 도메인 인력을 지역 단위에서 AX 인재로 전환하는 접근이 현실적

–

비수도권 디지털 인재 충원율이 약 51%에 그치는 여건(지역SW산업발전

협의회, 2025)에서, 외부 인재 유치에 의존하는 전략은 지역 간 제로섬

경쟁으로 귀결될 소지

–

실제 비수도권 SW 기업의 미충원 사유로 ‘타 사업체와의 인력 유치 경쟁’

(20.7%)이 지목되고 있어, 핵심 인력의 업무 과부하가 수도권 이탈을 자극

하는 요인으로 추정(지역SW산업발전협의회, 2025)

–

지자체가 지역대학·지역기업과 함께 지역 특화 산업(제조·조선·에너지·모빌

리티·농생명·헬스케어 등)의 재직 인력을 대상으로 한 전환 교육과 현장 프로

젝트를 기획·운영하는 구조가 효과적일 것

–

이는 지역 산업 현장의 실제 문제가 교육 소재가 되고 수료 인력이 지역

기업에 곧바로 투입되는 만큼 교육-활용 간 연계성도 제고 가능

ㅇ

인재 공급 정책과 함께 '일할 기업과 일감'을 만드는 수요 견인 정책을 병행

하여 정착 유인을 형성

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

AI 활용기업의 과반(57.7%)이 수도권에 소재하는 구조(지역SW산업발전

협의회, 2025)에서는, 지역에서 양성된 인재의 역외 유출 반복이 불가피

–

지역 기업의 AX 전환 프로젝트 발굴과 전환 인재의 배치를 연계(‘일자리’와

‘사람’을 동시 설계)하여, 전환 수요 창출 → 인재 활용 → 성과·경험의 지역

내 축적으로 이어지는 선순환 구조 설계 필요

ㅇ

지역에서 양성된 AX 인재의 지역 내 창업에 대한 파격적 지원으로, ‘취업’

중심의 정착 경로를 ‘창업’으로 확장하고 수도권 대비 차별화된 정착 유인을

형성

–

고급 AI 인재의 창업 의지는 창업-취업 간 기회비용 격차에 민감한 바

(봉강호·조원영, 2026), 자금·공간·실증 기회 등에서 수도권을 상회하는

파격적 지원은 이러한 격차를 완화하여 그 자체로 ‘지역에서 창업할 이유’로

작동 가능

–

지역 주력산업의 도메인 문제를 사업화하는 AX 창업은 지역기업이 초기

고객·테스트베드가 될 수 있다는 점에서 수도권 일반 기술창업과 구분되는

지역의 비교우위 영역

–

다만 국내 고급 AI 인재는 혁신 지향성은 강하나 이를 사업화할 실행

역량·경험과 심리적 기반이 부족한 것으로 진단되는 만큼(봉강호·조원영,

2026), 자금 지원에 그치지 않고 전환 교육·현장 프로젝트 단계부터 기업가

정신 함양과 창업 실전 경험 기회를 결합하여 ‘창업할 역량과 의지’를 갖춘

인재풀 자체를 확충하는 접근 병행 필요

AI 인재에게는 소극적 활동에서 적극적·위험감수적 활동으로 점진 이행하는 성장

경로 조성이 효과적일 수 있다는 점에서(봉강호·조원영, 2026), 현장 프로젝트 →

사내벤처·공동실증 → 창업으로 이어지는 단계적 트랙 설계가 바람직

–

지역 내 AX 창업기업의 성장은 ‘일할 기업’을 늘려 후속 인재의 유입·

정착을 견인할 수 있는 만큼, 악순환 구조를 '창업 → 일자리 창출 →

인재 유입'의 선순환으로 전환하는 효과 기대 가능

ㅇ

중앙정부는 표준·재원·데이터 기반을, 지자체는 수요 발굴·매칭·정착 지원을

담당하는 공동책임형 운영 구조로 추진

–

지역별 산업 구조와 인재 수급 여건의 편차를 고려할 때, 중앙 주도의

일률적 설계보다 지역 주도의 기획 재량을 보장하는 방식이 적합할 것

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

주 : 저자가 AI를 활용하여 작성

[그림

] 지역 AX 인재 생태계 흐름도(예시)

□6 AX 인재 수급 현황 상시 관측·전망을 뒷받침하는 통계·데이터 기반 구축

ㅇ

AX 인재가 표준 직업·산업 분류상 별도 직군으로 식별되지 않아 공식 통계가

부재한 가운데, AX 인재 수급 현황의 진단·전망과 정책 성과 측정을 대리지표

추정에 의존하게 되는 근본 제약 존재

–

본고의 진단 역시 AI 인력·채용공고·디지털 인력 통계를 대리지표로 활용하였

으며, 국내는 관련 데이터의 부족으로 AI 인력에 대한 체계적 분석 자체가

미진하다는 지적이 지속(박근용 외, 2025)

–

기존 통계 체계는 융합전공·마이크로디그리 등 학사제도 유연화로 다변화되는

인재 공급 경로를 포착하지 못하고 있으며, 수급 격차 추계 역시 수요·공급의

측정 기준(AI 직접 종사자와 활용 인력의 포함 여부 등)에 따라 결과가

달라져 해석에 한계(유희수 외, 2026)

–

통계 공백 하에서는 인재 양성 규모 산정과 격차 대응이 경험적 근거 없이

설계·평가되어 실효성있는 정책 수립 어려움 상존

ㅇ

‘AX 인재’를 식별·집계할 수 있는 공통 기준을 정립하고, 측정 방법 개발 필요

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

–

‘도메인 전문성 + AI 전환 역량(설계·조율·통제)’이라는 개념 정의를 조사

가능한 형태(수행 직무, 보유 스킬, 인증 이력 등)로 도출하고, 한국표준직

업분류·산업분류와의 연계 또는 특수분류 신설 검토를 병행

–

통계·데이터 수집을 위한 측정 방법 개발을 위한 연구용역 추진

ㅇ

신규 조사의 신설보다는 기존 통계·조사에 ‘AX 모듈’을 내재화하고 민간·행정

데이터를 결합하는 방식으로, 비용효과적이면서 시의성 높은 관측 체계를 구축

–

기업 대상으로 실시되는 기존 실태조사에 AX 관련 문항(AI 에이전트 활용·

오케스트레이션 직무 여부, 재직 인력의 AX 전환 현황 등)을 표준화된 형태로

신설

특히 ‘AI 도입 또는 AX 여부’에 한정하지 않고 ‘성숙도’까지 포괄하도록 설계하는

것이 중요

활용 범위, 위임 수준, 고급 기능 활용 여부 등 심도 지표를 병행 수집하여, ‘도입은

했지만 활용 성숙도는 초기’인 그룹/분야를 식별해 정책 대상으로 설정

–

채용공고·커리어 플랫폼 등 민간 빅데이터와 고용보험·훈련 이력 등 행정

데이터를 결합하여, 조사 통계의 긴 주기와 시차를 보완하는 상시 모니터링을

병행

온라인 프로필 데이터로 AI 인력의 규모·임금·이동성을 분석한 사례(박근용 외,

2025)와 채용공고 데이터 기반의 수요 분석(조민옥·김수정, 2025; PwC, 2026b)은

민간 데이터의 정책적 유용성을 방증

ㅇ

산출 통계·데이터를 ‘인력 수급 전망 - 정책 조정 - 격차·유출 모니터링’의

공통 기반으로 활용

–

산업별·지역별 AX 인재 수요-공급 격차 및 숙련 미스매치 발생 위험의

변화를 조기에 포착하고, 신속한 정책 조정을 통해 대응하는 체계 운영

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

참고문헌

1. 국내문헌

■

과학기술정보통신부(2026). 국가 인공지능 전환을 견인할 인공지능 혁신대학원 신설

추진. 2026.2.19. 보도자료.

■

과학기술정보통신부, 한국지능정보사회진흥원(2025). 2025년 기업정보화통계집.

■

기술보증기금(2026). 중소·벤처기업 AX혁신지수 실태분석 보고서.

■

리멤버앤컴퍼니(2026). 직무 변화의 실측 리포트 2026. 리멤버 마켓데이터(2026.08).

■

서동현·오삼일·김민정(2025). AI의 빠른 확산과 생산성 효과: 가계조사를 바탕으로.

BOK 이슈노트 제2025-22호, 한국은행.

■

서동현·오삼일·윤종원(2026). AI 도입은 생산성을 높이는가? 초기 3년의 효과 분석.

BOK 이슈노트 제2026-12호, 한국은행.

■

박근용·서동현·오삼일·한진수(2025). AI 전문인력 현황과 수급 불균형: 규모, 임금,

이동성 분석. BOK 이슈노트 제2025-36호, 서울: 한국은행.

■

봉강호·안성원(2025). 인공지능 기술·산업 생태계 육성방안 연구. 연구보고서

RE-185, 성남: 소프트웨어정책연구소.

■

봉강호·조원영(2026). 기업가형 AI 인재 육성 전략 연구. 연구보고서 RE-207, 성남:

소프트웨어정책연구소.

■

원티드랩(2025). AX 인사이트 리포트: 기업 생존을 가르는 AX 전략.

■

유희수·권성훈·정준화·조인식·여영준·박정환·이유섭·권지수·김령희·서정경·안지원·채주연

(2026). AI 인재 양성을 위한 전략과 정책 과제. 국회연구조정협의회 공동연구보고서,

서울: 대한민국 국회

■

이현경(2025). AX 시대, AI 융합인재 양성 현황의 진단과 제언. KISTEP 이슈페이퍼

2025-04, 한국과학기술기획평가원.

■

조민옥·김수정(2025). 채용공고 기반의 AI 산업 인재 수요 분석. KISTEP Research

Brief 제206호, 음성: 한국과학기술기획평가원.

■

지역SW산업발전협의회(2025). 2025년 지역 디지털산업 생태계 실태조사(전국). 서울:

동 기관.

■

한국산업기술진흥협회 산업기술혁신연구원(2025). 글로벌 AI 경쟁력·우리기업의 AI

활용 현황. KITI Blue Paper 2025-B9(제4호).

■

한국중견기업연합회(2025). 중견기업 AI 도입 및 활용 실태조사. 2025.10.22. 보도자료

https://www.fomek.or.kr/main/newsroom/news/fomek_view.php?wr_id=1132

■

EY한영(2025). 2025 경제전망 설문조사.

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

2. 해외문헌

■

Anthropic (2026). Building a new enterprise AI services company with

Blackstone, Hellman & Friedman, and Goldman Sachs. May 4.

https://www.anthropic.com/news/enterprise-ai-services-company

■

Challapally, A., Pease, C., Raskar, R., and Chari, P. (2025). The GenAI

Divide: State of AI in Business 2025. Cambridge, MA: MIT NANDA.

■

European Commission (2025). AI Continent Action Plan. COM(2025) 165

final.

■

Gartner (2025a). Gartner Predicts 40% of Enterprise Apps Will Feature

Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025.

STAMFORD, Conn., August 26.

■

Gartner (2025b). Gartner Predicts Over 40% of Agentic AI Projects Will

Be Canceled by End of 2027. SYDNEY, Australia, June 25.

■

Goldman Sachs Asset Management (2026). Anthropic Partners with

Blackstone, H&F and Goldman Sachs to Launch a New Enterprise AI

Services Firm. May 4.

■

Hitzig, Z., Massenkoff, M., Lyubich, E., Heller, R., and McCrory, P. (2026).

Agentic coding and persistent returns to expertise. Anthropic Economic

Research, https://www.anthropic.com/research/research/claude-codeexpertise

■

Ju, H. and Aral, S. (2026). Collaborating with AI Agents: A Field

Experiment on Teamwork, Productivity, and Performance. arXiv:2503.18238

■

Microsoft Security Experts (2026). Cyber Pulse: An AI Security Report.

■

OpenAI (2026a). Enterprise signals: What frontier firms are doing differently.

https://openai.com/signals/enterprise-data/

■

OpenAI (2026b). OpenAI launches the OpenAI Deployment Company to h

elp businesses build around intelligence. May 11. https://openai.com/inde

x/openai-launches-the-deployment-company/

■

PwC (2025). PwC’s AI Agent Survey. May 17, pwc.com/us/en/tech-effect

/ai-analytics/ai-agent-survey.html

■

PwC (2026a). PwC’s AI performance study: Want ROI from AI? Go for

growth.

■

PwC (2026b). 2026 Global AI Jobs Barometer: Two futures for jobs in an

AI era.

■

Sapkota, R., Roumeliotis, K. I., and Karkee, M. (2026). AI Agents vs.

SPRi 이슈리포트 IS-234에이전틱 AI 시대의 핵심 자원, AX 인재: 현황 진단 및 정책 과제

Agentic AI: A Conceptual taxonomy, applications and challenges.

Information Fusion, 126(part B), 103599.

■

Sukharevsky, A., Krivkovich, A., Gast, A., Storozhev, A., Maor, D.,

Mahadevan, D., Hämäläinen, L., and Durth, S. (2025). The agentic

organization: Contours of the next paradigm for the AI era. McKinsey &

Company.

■

World Economic Forum(WEF) (2025). The Future of Jobs Report 2025.

Geneva: WEF.

■

Zoting, S. (2025). Agentic AI Market Size, Share and Trends 2025 to

2034. Precedence Research, 6544.