ISSUE REPORT l 2026.11.18 IS-239
AI시대, 소프트웨어 산업의 새로운 질서
:생산‧이용‧공급 방식의 변화와 시사점 
나청호, 이동현, 송지환
이 보고서는 「과학기술정보통신부 정보통신진흥기금」에서 지원받아 제작한 것으로 
과학기술정보통신부의 공식의견과 다를 수 있습니다.
이 보고서의 내용은 연구진의 개인 견해이며, 본 보고서와 관련한 의문 사항 또는 수정·보완할 
필요가 있는 경우에는 아래 연락처로 연락해 주시기 바랍니다.
소프트웨어정책연구소 SW기반정책·인재연구실
나청호 선임연구원 chunghonice@spri.kr
Ⅰ. 서론
P.5
Ⅱ. AI에 의한 소프트웨어 생산‧활용 패러다임의 전환
P.8
1. AI, 개발 보조도구에서 개발 실행주체로
2. AI에 의한 소프트웨어 생산·활용 범위의 확대 
Ⅲ. SW이용주체로서 AI에이전트와 SW역할 및 
가치의 재편
P.14
1. AI실행기반으로서 SW역할의 확대 
2. SW가치 원천의 이동과 기업 경쟁력의 재구성
Ⅳ. 국내 SW산업 변화와 과제 
P.20
1. 국내 SW산업의 구조적 특성
2. 생산방식 변화와 국내 SW산업
3. 이용 방식 변화와 국내 SW산업
4. 공급방식 변화와 국내 SW산업
Ⅴ. 시사점 및 정책 제언
P.26
1. 시사점
2. 정책적 제언
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
  CONTENT
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
4
요 약 문
AI에이전트가 SW개발을 넘어 다양한 업무를 직접 수행하는 수준으로 진화하면서 SW산업의 구조적 변
화가 가속화되고 있다. SW생산과 이용 주체는 사람 중심에서 AI 에이전트와 사람이 함께하는 구조로 확대
되고 있으며, 공급 방식도 완성된 제품‧서비스의 판매를 넘어 고객 현장에서 SW를 직접 구현‧운영해주는 형
태로 확장되고 있다. 그러나 이처럼 SW산업이 급변하고 있음에도 SW의 본질적 가치는 지속될 것으로 보
인다. 확률적으로 작동하는 AI의 결정을 실제 업무에서 정확하고 일관되게 실행하는 역할은 SW가 담당하
고 있기 때문이다. 실제로 2026년 상반기까지 글로벌 상장 SW기업의 수익성은 개선되었으며, AI 기능이 
결합된 SW(AI Software)의 글로벌 지출은 2026년에 전년 대비 약 60% 증가할 것으로 전망되었다. 이는 
AI가 단순히 기존 SW를 대체하기보다 SW와 결합하며 시장을 확장하는 방향으로 작용하고 있음을 시사한
다. 
AI기술의 발전속도와 파급력은 기존의 예상을 뛰어넘고 있어, 향후 SW산업의 변화 방향을 정확히 예측
하기는 어렵다. 따라서 변화하는 환경을 따라 대응 전략을 수립하기보다 현재 나타나는 변화의 본질을 파
악하고, 다양한 변화에도 지속될 수 있는 가치와 핵심 역량을 식별하는 것이 중요하다. 이에 본 이슈리포트
는 국내 SW산업이 위기에 대응하고 새로운 기회를 활용하기 위해, 먼저 AI가 SW의 생산‧이용‧공급 방식을 
어떻게 바꾸고 있는지 분석하고 이러한 변화가 국내 SW산업에 미치는 영향을 검토하였다. 
이를 위해 먼저 변화의 측면에서, SW생산‧활용 패러다임의 전환과 AI가 SW를 어떻게 이용하고 있는지 
살펴보고, 불변의 측면에서, SW가 지속적으로 가질 수 있는 가치를 조명하였다. 이를 토대로 국내 SW산업
을 살펴본 결과, AI 확산은 맞춤 구축 중심인 국내 SW산업에 위기와 기회를 함께 가져오는 것으로 나타났
다. 기능 구현 중심의 사업 구조는 위축될 수 있으나, 그동안 축적해 온 현장 경험과 도메인 지식, 산업 데
이터는 새로운 경쟁 자산이 될 수 있기 때문이다. 
이에 국내 SW기업이 기존 자산을 활용하면서 AI시대에 맞게 경쟁력을 재구성할 수 있도록 세 가지 정책 
방향을 제안한다. 첫째는 AI 기반 SW 개발체계로의 전환 지원, 둘째는 기존 SW가 AI 에이전트와 연계될 
수 있도록 하는 Agent-Ready SW 전환과 공통 실행기반 구축, 셋째는 현장 구현 역량을 반복 가능한 자
산과 수익모델로 연결하는 공급방식 전환 지원이다. 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
5
1)
 SaaS와 아포칼립스(Apocalypse)의 합성어로, AI가 기존 SaaS를 대체할 것이란 우려로 SW주가가 급락한 현상 
2)
 뉴시스, “[앤트로픽 쇼크①]제2의 딥시크 쇼크…월가 덮친 SW종말론”, 26.02.08
Ⅰ. 서론
1. AI의 진화와 소프트웨어(SW) 산업의 변화
□
AI의 진화와 확산이 SW산업 전반에 영향을 미치면서, 자본시장은 
기존 SW기업의 제품과 사업모델이 AI 시대에도 지속될 수 있는지를 
재평가하고 있음
ㅇ
’26년 초 앤쓰로픽(Anthropic)의 업무용 AI 에이전트(Agent)·직무별 
플러그인 공개 이후 SW기업의 시장가치가 급락하는 
사스포칼립스(SaaSpocalypse)1)가 나타남
*
’26년 2월 초 뉴욕증시에서 하루 만에 약 3,000억 달러(약 440조 원)의 시가총액이 증발했으
며, SW 업종 ETF는 6% 가까이 하락2) 
ㅇ
사스포칼립스 이후 SW업종의 주가는 반도체·사이버보안 등 AI 수혜가 기대되는 업종
에 비해 상대적으로 부진함
*
2026년 상반기 반도체 ETF(+95%)·사이버보안 지수(+24%)는 S&P 500(+8%)을 상회한 
반면, 미국 SW지수(-19%)는 하락(그림 1 왼쪽)
ㅇ
그러나 실적 측면에서 SW기업의 수익성은 오히려 개선되었으며, 시장가치 하락은 현재의 
실적보다 AI시대 SW의 역할과 가치에 대한 불확실성이 
반영된 결과로 판단됨
*
상장 SW기업의 EBITDA 마진은 ’21년 19%에서 ’26년 상반기 25%로 
개선된 반면, 매출 대비 기업가치(EV/Revenue)는 2026년 상반기 3.7배로 
하락 추세(그림 1 오른쪽)
[그림 1] 주요 기술섹터 주가 및 SW기업 가치평가 변화
*
출처: J.P.Morgan(2026) Sector Spotlight: Software 자료 재구성
□
이러한 시장의 반응과 함께, AI의 확산으로 인해 SW의 생산‧이용‧공급 방식 전반에
서 구조적 변화가 진행되고 있음 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
6
3)
 IDC, “Developers aren’t just using AI agents, they’re building them”, 25.12.08
4)
 Financial Times, “The new hot job in AI: forward-deployed engineers”,  25.11.02.
5)
 IDC, “Worldwide Blackbook”, 26.04
6)
 Gartner, “Gartner Forecasts Worldwide AI Spending to Grow 49.5% in 2026”, 26.09.16.
ㅇ
(생산방식) AI 코딩도구는 코드 작성을 돕는 보조도구에서 요구사항을 바탕으로 계
획을 수립하고 코드를 작성·수정·실행하는 AI 에이전트로 진화함 
 * IDC(International Data Corporation)는 2030년까지 개발자의 약 70%가 자율 AI 에이전
트와 협업하게 될 것으로 전망3)
ㅇ
(이용방식) 사람이 화면을 통해 조작하던 SW를 AI 에이전트가 API·도구 호출로 
직접 활용하는 비중이 확대되고 있음 
*
Gartner(2025a)는 과업 특화 AI 에이전트를 탑재한 기업용 애플리케이션의 비중이 2025년 
5% 미만에서 2026년 말 40%로 확대될 것으로 전망
ㅇ
(공급방식) SW 공급도 완성된 제품의 판매에서 고객 현장에서의 구현·운영까지 확장
되는 양상을 나타냄 
*
고객 현장에 직접 투입되어 AI·SW를 구현·운영하는 전방배치 엔지니어(FDE, Forward 
Deployed Engineer)의 채용공고가 '25년 1~9월 사이 800% 이상 증가4)
2. 국내 SW산업의 과제와 연구목적 
□
(국내 산업의 과제) AI로 인한 SW산업 환경의 변화는 구조적 한계를 겪어 온 국내 
SW산업에 위기이자 새로운 시장 진입 기회로 작용함 
ㅇ
국내 SW산업은 글로벌 시장에서 1% 이하로5), 협소한 내수시장과 글로벌 제품기
업의 부족, SaaS 전환 지연 등의 구조적 한계에 직면해있음
–
(위기) AI가 기존 SaaS를 대체할 수 있다는 우려가 확산되면서, 글로벌 제품기
업이 부족한 국내 SW산업의 경쟁 여건은 더 어려워질 수 있음
–
(기회) 반면 기존 SW에 AI를 결합한 시장이 빠르게 성장하면서, 국내 SW기업에
도 새로운 시장 진입 기회가 열릴 수 있음
*
Gartner는 2026년 전 세계 AI 지출이 전년 대비 49.5% 증가할 것으로 전망했으며, 이 중 AI 
기능이 결합된 소프트웨어(AI Software) 지출은 60.2% 증가할 것으로 전망6)
ㅇ
이처럼 위기와 기회가 공존하는 상황에서, 국내 SW산업이 변화에 대응할 수 있도
록 정책 방향을 모색할 필요가 있음 
–
기존 SW기업이 AI 기반의 개발·사업방식으로 전환할 수 있도록 지원하는 한편, 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
7
7)
 OECD(2024), Explanatory Memorandum on the Updated OECD Definition of an AI System, 
OECD Artificial Intelligence Papers, No. 8, OECD Publishing, Paris.
8)
 OECD(2026), The Agentic AI Landscape and Its Conceptual Foundations, OECD Artificial 
Intelligence Papers, No. 56, OECD Publishing, Paris, pp. 6, 23.
그간 축적한 데이터·업무지식을 AI와 결합해 새로운 제품과 시장을 창출할 수 있
는 방안이 필요함
□
(연구 목적) 이에 본 보고서는 AI 확산에 따른 SW의 생산·이용·공급 방식 변화를 
분석하고, 이를 바탕으로 국내 SW산업의 대응 과제와 정책적 지원방향을 도출하고
자함 
ㅇ
(보고서 구성) Ⅱ장에서는 SW 생산·활용 패러다임의 전환을, Ⅲ장에서는 SW 이용주
체로서 AI 에이전트의 등장과 SW 역할·가치의 재편을 분석하고, Ⅳ장에서 국내 SW
산업의 변화와 과제를, Ⅴ장에서 시사점과 정책 제언을 제시함
 
참고
AI 관련 용어 정의
용어
정의
출처
AI
입력 정보를 바탕으로 추론하여 예측‧생성‧판단 등의 출력을 
만들어내는 기술 전반 
OECD(2024)7)
AI 에이전트
(AI Agent)
주어진 목표를 위해 환경을 인식하고, 도구를 활용해 일정수준의 
자율성을 가지고 작업을 수행하며 상황에 따라 행동을 조정하는 
AI 시스템
OECD(2026)8)
에이전틱 AI
(Agentic AI)
여러 AI 에이전트가 과업을 분해하고 협업하여 복잡한 목표를 
자율적으로 수행하는 기술 패러다임 
OECD(2026)
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
8
9)
 NVIDIA 홈페이지, “NVIDIA’s AI Factory Drives Enterprise Innovation at Scale”
10)
 Mercedes-Benz Group 홈페이지, “Integrating n8n into core business”, 26.05.12
II. AI에 의한 소프트웨어 생산‧활용 패러다임의 전환
1. AI, 개발 보조도구에서 개발 실행주체로
□
(개발 실행 주체 변화) AI 코딩 도구가 개발자의 작업을 지원하는 보조도구에서 개발 
과업을 직접 수행하는 실행 주체로 진화 (OpenAI, 2026a; Anthropic, 2025a)
ㅇ
(개발보조) 초기 AI 코딩 도구는 개발자가 작성하는 코드를 예측하여 다음 코드를 
제안하거나 오류 수정, 문서 작성 등을 지원하는 방식으로 활용
–
개발자가 개발 과정의 주체로 코드를 직접 작성하고, AI는 일부 작업 시간과 노력
을 줄이는 개발 보조도구(Copilot)의 역할 수행
ㅇ
(개발주체) AI 에이전트는 자연어로 제시된 요구사항을 이해하고 코드 작성, 테스
트, 오류 수정, 문서화 등 여러 개발 작업을 연속적으로 수행
–
AI가 수행하는 작업 단위도 코드·함수에서 개발 과업(Task), 워크플로
(Workflow), 애플리케이션 단위로 확대되는 방향
□
(Human-AI 역할 재편) AI의 역할 변화는 인간-AI의 역할분담도 ‘사람이 개발하고 AI가 
보조’하는 구조에서 ‘사람이 지시·검증하고 AI가 실행’하는 구조로 전환
ㅇ
(Human) 사람은 요구사항, 목표, 아키텍처 방향, 제약조건과 품질기준을 정의하
고 AI가 생성한 결과를 검증
ㅇ
(AI) AI는 코드 작성, 테스트, QA, 보안점검, 문서화 등 실행업무를 담당하며, 다
수의 전문 에이전트를 조정하는 Agent Factory 형태 등장 (McKinsey, 2026b)
*
(NVIDIA) 개발·배포·운영을 통합하는 사내 AI Factory를 구축하고 엔지니어링, 공급망, 
영업 등 전사 업무에 수백 개의 AI workflow에 확산9)
*
(Mercedes-Benz) 전 세계 직원이 R&D·생산·판매·HR·IT 업무의 AI 에이전트와 자동화 
workflow를 직접 설계·배포할 수 있는 공통 오케스트레이션 플랫폼을 구축10)
□
(개발 방식 변화) AI가 개발을 수행할 수 있도록 개발 프로세스와 실행환경을 설계
하는 역량이 중요 (McKinsey, 2026a)
ㅇ
개발 경쟁력의 중심이 ‘코드를 직접 작성하는 능력’에서 ‘AI가 안정적으로 개발을 
수행하도록 만드는 능력’으로 변화
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
9
–
(사람 중심 개발) 기존 SW개발은 요구사항 정의 → 설계 → 개발자 코딩 → 테
스트·수정 → 배포 전과정을 사람(개발자) 중심으로 진행
–
(에이전틱 AI 기반 개발) 요구사항과 작업환경을 구조화한 후, 에이전트가 작업
을 분해·실행하고 자동 검증·수정을 거쳐 사람이 최종 승인·배포하는 방식으로 전
환 (Asthana et al., 2026)
사례
 보조도구에서 실행주체로, 자율형 AI 소프트웨어 엔지니어 (Devin)
□
Devin(Cognition, 2024년 3월 공개)은 '세계 최초의 자율형 AI 소프트웨어 
엔지니어'를 표방하며, 자체 셸·코드편집기·브라우저를 갖춘 샌드박스 안에서 계획 
수립→코딩→테스트→디버깅을 스스로 수행
 - 사용자의 자연어 요구사항을 바탕으로 코드베이스를 분석하고 실행계획을 
수립한 뒤, 코드 작성·테스트·디버깅·검증을 연속적으로 수행하며, 사람은 
계획 및 최종 결과를 검토하는 에이전틱(Agentic) 개발방식을 구현
[그림 3] 개발주체로서의 AI 에이전트 작동 방식
*
출처: Cognition(2024), Introducing Devin, the first AI software engineer 
Cognition(2026), Build a Stripe Checkout Flow. 기반으로 연구진 작성
ㅇ
(Harness Engineering) AI 에이전트가 안정적으로 개발업무를 수행할 수 있도록 업무 
맥락, 도구, 권한, 규칙, 검증체계를 개발환경에 결합(OpenAI, 2026b)
–
(생산 단계 검증) 요구사항·완료기준과 도구·권한을 사전 설정하고, 생성 코드의 
기능·통합·회귀시험 및 보안점검 결과를 개발 책임자가 확인한 뒤 배포를 승인하
는 체계 필요
–
(검증체계 운영) 다수 에이전트의 조정(Orchestration)과 CI/CD에 시험·보안점검
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
10
을 연계하고, 코드 변경·시험 결과·승인 이력을 체계적으로 관리하여 단계별 검증 
책임 명확화 (Awojuyigbe, 2025)
ㅇ
(개발 패러다임의 확장) AI 개발은 Prompt Engineering(무엇을 물을지) 
→ Context Engineering(무엇을 보게 할지) → Harness Engineering
(도구·권한·메모리·검증체계를 어떻게 설계할지)으로 확장되는 흐름
ㅇ
(하네스 엔지니어링) 모델 자체를 개선하기보다 시스템 프롬프트, 도구, 
미들웨어, 메모리, 실행·검증 환경 등 에이전트 주변의 작업체계를 설계하여 
장기·복합 과업의 수행 안정성과 성능을 높이는 방식
–
“사람이 방향을 잡고 에이전트가 실행”
[그림 4] 하네스 엔지니어링의 작업환경 및 핵심요소
하네스 엔지니어링
(에이전트 주변의 도구·권한·검증체계 설계)
핵심 요소
참고
Harness Engineering 개념 및 구성요소
*
출처: Lin et al., (2026). Agentic harness engineering: Observability-driven automatic 
evolution of coding-agent harnesses. arXiv preprint arXiv:2604.25850.
2. AI에 의한 소프트웨어 생산‧활용 범위의 확대
□
(SW 생산 주체 확대) SW개발에 참여하는 인력과 조직의 범위가 전문 개발자 중심
에서 비개발자·현업·소규모 조직으로 확대 (Anthropic, 2025a)
ㅇ
생성형 AI와 Low-code·No-code 도구의 발전으로 소프트웨어 개발에 참여할 수 있
는 인력과 조직의 범위가 확대
–
(참여 확대) AI 활용으로 PM과 현업인력도 요구사항 구체화, 프로토타입 제작, 
일부 코드 구현에 직접 참여
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
11
11)
 Airfocus, “Product Managers Building Internal AI Tools”, 26.08.18
12)
 Microsoft, “AGCO Corp” 고객 사례, 26.07.06
13)
 OpenAI 홈페이지, “Asana” 고객 사례, 26.08.18
–
(역할 융합) PM과 개발자의 역할이 결합되어 한 명이 제품 시안 제작, 요구사
항 정의, 코드 생성을 함께 수행하는 제품 개발자 형태로 변화
ㅇ
AI 활용으로 개발 생산성이 개선되는 과업에서는 필요한 인력투입을 줄이고 자체 
개발의 선택지를 확대할 가능성 높음 (McKinsey, 2025)
–
(개발 내재화 확대) 기업이 외부 SW를 구매하는 대신 필요한 기능을 내부에서 직접 
개발하는 선택이 확대
*
(Lucid) Gong·ZoomInfo 등 상용 솔루션이 필요한 기능의 일부만 충족하자, 제품팀이 AI를 활용
해 자사 데이터에 특화된 영업지원 SW 직접 개발11)
*
(AGCO) 초기 약 900명이 에이전트 제작에 참여를 신청했으며, Copilot Studio 교육·전문
가 지원을 결합하여 직원 주도의 맞춤형 개발체계 구축12)
–
(SW 개발‧활용 확대) 대규모 IT조직뿐 아니라 현업조직, 소규모 개발팀, 특정 업
무부서가 SW개발‧활용에 참여하는 구조로 전환
□
(SW 적용 영역 확대) AI로 개발비용이 낮아지는 과업에서는 기존에 경제성이 낮았
던 소규모·개별 문제까지 SW 적용 가능 (BCG, 2024)
ㅇ
개발시간과 인력투입을 줄일 수 있는 과업에서는 검증·운영 비용까지 고려하여 ‘개
발할 가치가 있는 문제’의 범위가 확대 예상
–
(기존 개발 한계) 기존 반복적으로 사용되거나 충분한 수요가 있는 업무를 중심
으로 SW를 개발하고, 소규모·일회성 문제는 수작업으로 처리
–
(개발 대상 확장) AI 활용에 따른 개발시간·비용의 절감이 검증·운영 부담을 상회
하면 소규모·일회성 문제도 SW로 해결할 경제적 여건 형성 가능
*
(Asana) 약 5년과 600만 달러의 인력투입이 예상됐던 레거시 테스트 시스템 전환 작업을 AI 에
이전트 활용으로 약 2주, 1만 2천 달러 수준의 모델·인프라 비용으로 완료13)
–
(맞춤형 개발) 특정 부서·업무절차에 필요한 기능이나 소수 사용자를 위한 맞춤
형 기능 등도 직접 개발 및 구현 가능
–
(적용영역 다변화) SW 적용대상이 대규모·반복적 업무에서, 일회성·소규모 문제, 
개인화된 요구와 틈새시장까지 확대
*
(BBVA) 20,000개 이상의 업무 특화 GPT를 개발했고 이 가운데 4,000개 이상이 빈번하게 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
12
14)
 BBVA 홈페이지, “BBVA deploys ‘The Eight,’ its strategy to transform the financial experience 
with AI”, 25.12.12
15)
 JPMorgan Chase Institute. (2026). Understanding the use of AI among small businesses
사용, 활용 영역도 보고서 작성, 리스크 분석, 법률 질의, 데이터 탐색 등 부서별 세부 업무
로 확산14)
□
(산업 활용범위 확대) AI를 통한 SW생산의 용이성이 높아지면서 SW 활용이 기술산
업을 넘어 소규모 사업장과 전통산업으로 확산 (OECD, 2025)
ㅇ
AI 및 코딩 에이전트의 활용이 IT·SW 산업을 넘어 교육, 건설, 유통 등 다양한 산업
과 기능으로 확산15)
–
(산업 적용범위 확대) 예측·탐지형 AI, 생성형 AI와 에이전트를 활용한 업무지
원·자동화가 제조, 서비스 운영, 마케팅·판매 등으로 확산되는 양상
–
(핵심업무 적용) 제조의 생산·공급망 관리, 유통의 상품 탐색·주문 처리·고객지
원 등 산업별 핵심업무에 AI를 적용하여 정보 분석·의사결정 지원·후속 업무 실
행을 연계
ㅇ
개발 전문인력과 초기비용 부담이 완화되면 그동안 SW 활용이 상대적으로 어려웠
던 중견·소규모 사업장으로의 확산 가능성 증가 (OECD, 2025)
–
현재 에이전틱 AI의 규모 있는 활용은 대기업이 앞서고 있으나, 개발도구의 편의
성과 비용경쟁력이 개선될수록 중‧소 조직으로 확산 여지가 확대
–
전통산업에서도 AI 에이전트의 활용이 기존 SW와 연계된 생산‧공급망‧고객관리 
등 핵심 업무로 확대
기업
핵심 사례
에이전트가 주문 지연·공급망 위험을 감지하고 원인 분석·대안 
시뮬레이션을 수행하며, 승인된 조치의 실행·추적을 기존 업무시스템과 
연계지원
다중 에이전트 기반 쇼핑 Assistant와 고객지원 에이전트를 통해 
상품 탐색·추천부터 주문·반품·상담까지 고객 접점의 핵심 프로세스를 
AI로 수행
Industrial AI Operating System과 산업용 Copilot을 설계·
엔지니어링부터 제조·생산·운영·공급망까지 전 가치사슬에 AI를 적용
*
각 기업 홈페이지 AI 활용 사례 내용 기반 저자 정리
[표 1] 산업별 핵심업무 AI 에이전트 활용 사례
   
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
13
□
AI가 SW의 생산주체를 넘어 직접 호출·활용하는 이용주체로 확대되면서, SW의 생산·
이용방식과 실행구조가 함께 변화 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
14
16)
 Digital Applied, “AI Crawler & Bot Traffic Statistics 2026: Data Reference”, 26.06.12
17)
 Digital Commerce 360, “Gartner: AI agents will command $15 trillion in B2B purchases by 
2028”, 25.11.28
Ⅲ. SW이용주체로서 AI에이전트와 SW역할 및 가치의 재편
1. AI실행기반으로서 SW역할의 확대 
□
(SW이용 주체의 변화) SW의 이용 주체가 사람 중심에서 사람과 AI 
에이전트의 병행 구조로 확대
ㅇ
(AS-IS) 전통적으로 SW는 사람이 화면(GUI)을 통해 직접 조작하는 것을 
전제로 설계, 유통, 과금되어 왔으며, 사용자 경험(UI/UX)이 SW 
경쟁력의 핵심 요소
ㅇ
(TO-BE) AI 에이전트는 목표를 부여받으면 스스로 계획을 수립하고 
API 호출, 코드 실행, 웹 브라우징 등을 통해 SW를 직접 조작하여 
작업을 완결하는 새로운 이용 주체로 등장
–
에이전트의 인식(sense)-계획(plan)-행동(act) 순환 구조에서 
실제 행동은 모두 SW 호출(API, 데이터베이스, 브라우저, 코드 
실행 환경)로 실현 
ㅇ
기계에 의한 SW와 웹 이용은 이미 사람의 이용 규모를 추월하는 단계에 진입
*
2026년 6월 기준 전체 웹 HTML 트래픽 중 자동화된 요청(bot, crawler, 
에이전트)의 비중이 57.5%로 사람의 트래픽(42.5%)을 처음으로 추월16)
*
Gartner는 2028년까지 15조 달러 이상의 B2B 구매 지출이 AI 에이전트를 
매개로 이루어질 것으로 전망17)
□
(AI 수행능력의 결정요인) AI의 실질적 능력 범위는 모델 단독이 
아니라 연결되어 이용 가능한 SW의 범위에 의해 결정
ㅇ
주요 AI 기업의 에이전트 기술문서는 공통적으로 에이전트의 행동 
수단을 도구(tool), 즉 SW 호출로 규정 (Anthropic, 2024a; OpenAI, 2025a)
*
(예시) 출장 예약 에이전트의 실제 작업은 항공권 조회(항공사 API), 일정 확인(캘린더 
API), 결제(결제 API) 등 전부 기존 SW 호출로 구성되며, 모델 자체는 계획 수립과 판단
만 담당
ㅇ
도구 연결 여부에 따라 동일 모델의 성능 격차가 실험으로 확인되며 (Yang et al., 
2024), 모델 변경 없이 실행환경(harness) 개선만으로 성능을 높이는 harness 
engineering이 독립된 엔지니어링 영역으로 정립 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
15
18)
 MCP는 2024년 11월 Anthropic 공개 후 OpenAI(2025.3.), Google, Microsoft 채택으로 사실상 표준으
로 정착했으며, 공개 서버 1만개 이상, SDK 월 다운로드 9,700만건 이상으로 성장 후 2025년 12월 Linux 
Foundation 산하 Agentic AI Foundation으로 이관(Anthropic, 2025b)
평가과제
도구 미연결
SW도구 연결
격차
SW 결함 수정
(SWE-bench, 동일GPT-4 모
델)
해결률1.3%
(코드 검색 보조만 제공)
12.5%
(파일 탐색과 편집, 테스트 실행 도구를
갖춘에이전트 전용 실행환경)
약 10배
전문지식 종합 평가
(Humanity's Last Exam)
3.3~13.0%
(GPT-4o, o1, o3-mini)
26.6%
(deep research: 웹 검색, 브라우징,
Python 실행 도구 결합)
2배 이상
*
자료: Yang et al.(2024), OpenAI(2025b)를 재구성. deep research 수치는 기반 모델(o3)의 개선 효과 
포함
[표 2] 도구·실행환경 결합에 따른 AI 성능 차이 사례
ㅇ
결국 AI의 실질적인 과업 수행능력은 모델 성능뿐 아니라 어떤 SW와 연결되어 무
엇을 실행할 수 있는가에도 영향을 받음
□
(SW 역할의 변화) SW는 사람이 다루던 응용도구에서, AI의 판단을 실제 업무로 실
행하고 데이터·시스템을 연결하며 자율적 행동을 통제하는 AI의 실행기반으로 그 역
할과 위상이 확대
ㅇ
(실행 역할) AI의 추론과 판단을 조회·거래·기록·제어 등 실제 업무 결과로 전환
–
도구·응용 SW는 데이터 조회, 코드 실행, 거래·승인, 문서 저장 및 설비 제어 등
을 수행하여 모델의 판단을 실제 업무 결과로 전환
ㅇ
(연결 역할) AI가 과업에 필요한 데이터·도구·업무시스템을 이용하고 이를 하나의 
업무 흐름으로 결합하도록 지원
–
데이터 계층은 모델의 학습 범위를 벗어난 최신 정보와 기업 내부의 업무 맥락을 
제공
–
SW는 에이전트가 과업에 필요한 여러 데이터와 기능을 호출하고, 개별 실행결과
를 연결하여 하나의 업무를 완결하도록 지원
*
(SW 내부 구조의 변화) 화면(GUI)에 기능과 업무 로직이 결합된 구조에서, 화면 없이 기
능을 API로 노출하는 headless 구조로 전환
*
(SW 인터페이스) 기존 SW의 기능을 에이전트가 호출 가능한 도구(tool)로 노출하는 표준 
MCP18)(Model Context Protocol)이 GUI에 이은 SW의 두 번째 인터페이스로 빠르게 확산
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
16
ㅇ
(통제 역할) AI가 호출할 도구·권한과 업무규칙을 확인하고 실행 결과와 복구 가능
성을 점검하여 실제 업무의 오류·위험을 관리
–
실행 전에는 요청자 신원·권한과 입력 데이터·업무규칙을 확인하고, 거래·개인정
보 처리 등 영향이 큰 행동은 위험도에 따라 담당자의 승인을 거치도록 설정
–
실행 중에는 호출·처리 결과와 이상행동을 기록·감시하고, 실행 후 데이터 정합성
과 업무 완료 여부를 확인하여 오류 시 중단·복구 절차를 수행
–
책임자는 실행기록·감사추적·승인 및 복구 내역을 관리하여 책임소재를 확인 후, 
반복되는 오류를 검증 기준과 실행환경 개선에 반영
2. SW가치 원천의 이동과 기업 경쟁력의 재구성 
□
(가치원천의 이동) AI가 SW의 생산과 이용에 참여하면서, 기능·UI/UX와 개발인력 
규모의 상대적 차별성이 낮아지고 데이터·도메인지식, 연결성 및 신뢰성의 중요성이 
확대 
ㅇ
앞서 살펴본 AI에 의한 SW 생산·이용 주체의 변화로 인해 기능 구현과 사람 중심 
UI/UX의 상대적 차별성이 감소
–
SW 생산의 투입구조가 인적자원 중심에서 인간과 AI모델·컴퓨팅·API를 결합하
는 구조로 확대되면서, 대규모 개발인력의 보유 자체보다 AI 생산자원을 효과적
으로 활용하는 능력의 중요성이 증가
–
AI 코딩 도구의 확산으로 유사한 기능을 구현하는 시간과 비용이 낮아지면서 코
드와 범용기능 자체의 상대적 희소성이 감소
–
SW 이용 주체가 사람에서 AI 에이전트로 확대되면서 사람의 화면 이용경험뿐 
아니라 AI에 의한 기능의 발견·호출·실행 가능성이 SW 활용가치에 영향을 미치
는 요소로 부상
□
(새로운 가치 원천) 이에 따라 SW의 차별성은 어떤 기능을 구현했는가보다 AI가 활
용할 수 있는 ①고유한 업무자산 및 데이터를 갖추고 ②AI를 실제 업무시스템에 연
결하며 ③그 실행의 신뢰성을 담보할수있는지에 따라 결정됨 
ㅇ
(①데이터·도메인지식) 장기간 축적되어 단기간에 재생산하기 어려운 데이터와 도
메인지식이 차별적 자산으로 부상함 
–
산업 현장의 업무규칙, 규제, 예외 상황 처리방식 등 SW에 축적된 도메인 지식
은 장기간의 업무 수행과 시행착오를 통해 형성되므로 범용 AI 모델이나 신규 
경쟁자가 단기간에 재생산하기 어려움
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
17
19)
 AI Trust, Risk and Security Management
–
기업의 거래·고객·운영 데이터는 범용 AI가 보유하지 못한 최신 업무정보와 맥락
을 제공하여, AI 응답의 정확성과 관련성을 높이는 기반으로 작용 (Gokturk, 
2024; Yu et al., 2025)
–
도메인 지식은 업무규칙과 절차를 AI의 프롬프트·워크플로우에 반영함으로써, AI
가 실제 업무에 적합하게 작동하도록 하는 기반으로 작용 (Sharma et al., 2026)
*
법률 AI SaaS Harvey는 판례·계약 등 법률 문서와 업무지식을 학습한 도메인 특화 플랫
폼을 표방하며 2025년 기업가치 50억 달러로 평가
ㅇ
(②연결성·상호운용성) 고유한 데이터·실행능력을 보유한 SW라도 AI가 이를 발견·
호출·조합할 수 있어야 그 가치가 실현
–
표준화된 연결방식의 지원 여부가 AI 생태계에서 SW의 활용범위와 시장 접근성
을 결정하는 요소로 부상
–
MCP는 기존 SW의 기능과 데이터를 AI에이전트가 이해하고 호출할 수 있는 형태
로 연결하는 표준 프로토콜로 작동 
*
OpenAI 채택 직후 MCP 관련 다운로드가 월 10만 건(’24.11)에서 2,200만 건(’25.03)으로 
급증하는 등 생태계 표준화가 이례적 속도로 진행 (IDC, 2026)
–
반면 고유한 기능·데이터를 보유하더라도 외부에서 이를 발견·호출하기 어려운 폐쇄
적 SW는 AI 실행체계에서 잠재적 가치를 충분히 실현하기 어려움
ㅇ
(③신뢰성·보안·책임) AI의 자율적 행동이 실제 거래와 의사결정으로 이어질수록, 그 
실행을 검증·통제하고 결과에 책임성을 확보하는 SW의 가치가 상승
–
확률적으로 작동하는 AI의 판단을 실제 업무에 반영하려면 결정론적으로 작동하
는 SW의 검증과 통제가 필요하며, guardrail·권한통제·sandbox 등 AI의 행동범
위와 이용 가능한 자원을 관리하는 SW의 중요성이 증가
*
Gartner(2025b)는 AI의 신뢰·위험·보안 관리(AI TRiSM19))를 별도의 시장으로 정의하였으
며, AI 에이전트 확산과 함께 AI의 신뢰성과 안전성을 확보하는 SW가 새로운 성장 영역으
로 부상하고 있음
–
AI의 행동 결과에 대한 기업의 책임이 확대되면서, 의사결정 근거의 기록·추적, 
인간 승인, 규제 준수 증빙 등 책임성(accountability)을 구현하는 SW의 가치도 
증가
*
캐나다 민사분쟁 재판소는 Air Canada 챗봇의 요금 오안내 분쟁(2024)에서 "챗봇은 별개
의 법적 주체"라는 회사 측 주장을 기각하고 회사의 책임을 인정20) 
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
18
20)
 British Columbia Civil Resolution Tribunal., “Moffatt v. Air Canada”, 2024 BCCRT 149, 24.02.14 
21)
 Gibson Dunn, “EU AI Act Omnibus Agreement: Postponed High-Risk Deadlines and Other Key Changes”, 26.05.27
*
국내 AI 기본법이 2026년 1월 시행되어 고영향 AI의 안전성 확보·생성물 표시 의무가 도입되
고 (법무법인 세종, 2026), EU AI Act도 2026년 8월부터 투명성 의무가 적용되는 등 규제 강
화가 신뢰 SW 계층의 수요를 확대21) 
□
(기업 경쟁력의 변화) 데이터·도메인지식, 연결성, 신뢰성은 개별적으로 경쟁력을 만들
기보다 AI 실행체계를 구성하는 결합조건으로 작동하며, AI 시대 SW기업의 경쟁력은 
이를 AI와 결합해 고객가치로 전환하는 능력으로 재구성
ㅇ
데이터·도메인지식, 시스템 연결성, 보안·통제체계가 함께 갖춰져야 AI가 
업무맥락에 맞게 판단하고 안전하게 실행할 수 있다는 점에서, 세 가치 
원천은 상호보완적으로 작용 (Tavakoli et al., 2026; Widener et al., 2026)
–
인간과 AI의 단순 결합만으로 성과 향상이 보장되지는 않으며, 과업 특성과 위험 
수준에 맞게 역할·자율성·검증절차를 설계하는 조직역량이 필요(Vaccaro et al., 
2024; Tabassi, 2023)
ㅇ
결국 AI 시대 SW기업의 경쟁력은 개별 인력이나 AI모델의 보유보다 
고유자산을 AI와 결합해 고객가치로 전환하는 능력에 있으며, 기존 
경쟁력에 AI 활용·운영역량이 더해지는 방향으로 재구성
–
이러한 가치·경쟁력 원천의 재편은 뒤이어 살펴볼 SW의 공급 방식과 경쟁구도의 변화
로 이어짐
구분
전통 SW시대
AI 시대
주 이용 주체
▪ 사람(최종 사용자)
▪ 사람 + AI 에이전트
핵심 인터페이스
▪ GUI (화면, 클릭, 입력)
▪ GUI + API 및 표준 프로토콜(MCP, A2A 등)
가치 원천
▪ 기능 구현, UI/UX, 브랜드
▪ 데이터와 도메인 지식, 연결성과 상호운용성, 
신뢰성과 보안, 책임
경쟁우위
▪ 인터페이스 품질, 사용자 락인
▪ 데이터 품질, API 포괄성, 신뢰 아키텍처
*
자료: IDC(2026), Gartner(2026) 등을 참고하여 연구진 작성
[표 3] AI 시대 SW 가치 원천의 변화
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
19
22)
 과학기술정보통신부, “ICT실태조사”, 26.06
23)
 한국인공지능·소프트웨어산업협회, "SW사업자통계" (접속일: 26.11.11)
24)
 AI, 클라우드, 빅데이터, 사물인터넷, VR/AR, 블록체인 등 신기술을 활용하여 개발 및 제공되는 SW를 의미 
Ⅳ. 국내 SW산업 변화와 과제 
1. 국내 SW산업의 구조적 특성
□
국내 SW산업은 고객별 맞춤 구축 중심의 시장구조로 표준 제품의 반복 판매가 어렵
고, 중소기업 비중이 높아 새로운 생산·공급 체계로의 전환 여력도 제한적임
ㅇ
(맞춤 구축 중심의 구조) 국내 SW 생산에서 IT서비스가 큰 비중을 차지하며, 패키
지 SW도 상당수가 고객 맞춤형으로 제공됨
*
국내 SW산업은 IT서비스 중심의 산업구조로, 2025년 잠정치 기준 IT서비스 생산액
(56.2조 원)이 패키지SW(20.7조 원)의 약 2.7배에 달함22)
*
패키지 SW의 97%가 솔루션과 SI를 병행하는 방식으로 공급되며, 서비스화·
플랫폼화를 위한 기술적 확장성도 전반적으로 낮음 (최혜리 외, 2022)
ㅇ
(중소기업 중심의 산업구조) 국내 SW산업은 중소기업 비중이 높아 AI 기반 생산·
공급 체계로의 전환에 필요한 자원 확보에 제약이 있을 수 있음
*
2025년 말 기준 국내 SW사업자 47,280개사 중 중소기업은 98.1%, 종사자 10명 미만 기업
은 61.3%임23)
–
특히 신사업 추진 과정에서 수익성 불확실성, 경영층의 인식 부족, 
자금 부족 등이 전환의 장애요인으로 작용함
*
신SW24) 사업의 주요 애로는 수요·수익성 불확실성(20.2%), 경영층의 인식 부족(19.6%), 표준화 미비
(15.6%), 자금·투자유치 부족(15.2%) 순으로 나타남 (2025년 SW산업실태조사)
□
앞서 살펴본 AI 에이전트에 따른 SW산업의 변화는 맞춤 구축 중심의 국내 SW산업
에 위기와 기회를 함께 가져올 수 있음 
ㅇ
(위기) AI로 기능 구현의 희소성이 낮아지고, 기존 SW의 AI 에이전트 연계에도 제약
이 발생하면서 사업 기반이 약화될 수 있음 
ㅇ
(기회) 반면 맞춤 구축을 통해 축적한 현장 경험과 도메인지식은 범용 AI가 단기간에 확보
하기 어려운 자산으로, AI와 결합해 새로운 가치를 창출할 수 있음
ㅇ
(분석의 관점) 이에 본 장에서는 맞춤 구축 중심의 국내 SW산업이 생산·이용·공급 
방식의 변화에 따라 직면하는 위기와 기회를 차례로 살펴봄
2. 생산방식 변화와 국내 SW산업
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
20
25)
 김포시 보도자료, “김포시, 당직민원처리시스템 자체개발…AI 행정혁신 실현”, 25.12.05
26)
 뉴시스, “경기도, 공무원이 직접 개발한 '계약심사 시스템' 본격 운용”, 26.11.04
27)
 METR(Model Evaluation and Threat Research): AI 모델의 역량과 위험을 독립적으로 평가하는 미국의 비영리 연구기관
□
(위기) AI로 SW 구현 비용이 낮아지면서 인력 투입 중심의 맞춤 구축 사업은 경쟁 
압력이 커지고, 중소 SW기업의 개발체계 전환 부담이 확대될 우려가 있음
ㅇ
(SI 사업의 가치 약화) AI로 수요기업의 자체 개발 가능성이 확대되면서, 기존 SI기업
이 수행하던 맞춤 구축 수요의 일부가 대체되고 경쟁 압력이 확대되고 있음 
–
국내 공공기관에서 AI를 활용해 외주 없이 업무시스템을 자체 개발하는 사례가 나타
나고 있음 
*
김포시는 생성형 AI로 당직 민원 처리 시스템을 외주 없이 2개월간 개발해 2025년 12월 운
영을 시작했으며, 최소 3천만~4천만 원 이상의 구축 예산을 절감25)
*
경기도 감사위원회는 담당 공무원들이 AI로 계약심사 지원 시스템을 개발해, 외부 용역 없
이 6억 원 규모의 예산을 절감26)
ㅇ
(개발체계 전환 부담) AI기반 개발체계로의 전환은 코드 검증·보안 등 추가 관리역
량을 요구하여, 중소 SW기업의 전환 부담이 커질 수 있음
–
AI 도구 활용이 확산되는 가운데, AI 생성 코드의 검증·보안 부담이 증가하고 이를 
관리하기 위한 개발·운영체계의 정비가 요구됨
*
METR27)의 무작위 실험에서는 숙련 오픈소스 개발자 16명이 246개 과업을 수행할 때 AI 사용 
허용 조건의 완료시간이 비허용 조건보다 19% 증가 (Becker et al., 2025)
*
AI로 단축된 코드 작성 시간이 검토·검증에 재투입되고, AI 활용 증가가 SW 배포 불안정
성 증가와도 연관되는 것으로 분석됨 (Baolin & Harvey, 2026)
*
Linux Foundation에 따르면 AI 활용으로 보안 관련 개발 속도가 17% 향상됐으나, 보안 검사 
도구가 정상코드를 취약점으로 판단하면서 검증업무량은 30% 증가함 (Boysel, 2026)
–
이런 체계 정비에는 추가 인력과 도구 투자가 필요해, 중소기업 중심의 국내 SW산
업에서는 기업 규모별 전환 격차가 발생할 수 있음
□
(기회) AI 활용으로 국내 SW기업이 기존에는 비용과 인력의 제약으로 시도하기 어려
웠던 신규 SW 제품·서비스를 개발할 기회가 확대 
ㅇ
(제품 개발의 진입장벽 완화) AI가 코드 작성·테스트 등 개발 과업을 지원하면서 제품 
개발에 필요한 시간과 자원 부담이 감소
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
21
28)
 중소벤처기업부 보도자료, “2026년 상반기 창업기업동향 발표”, 26.08.27
29)
 더존비즈온 홈페이지, “더존비즈온, 2025년 매출 4,463억원 달성”, 26.02.04
*
생성형 AI 등장 이후 Firefox 생태계의 신규 애드온 출시가 34.4% 증가한 것으로 분석됨 
(Yilmaz & Meyer, 2025)
–
국내에서도 정보통신 분야를 중심으로 기술기반 창업이 증가하고 있어, 이러한 여건
이 신규 사업 시도로 이어질 가능성이 있음
*
’26년 상반기 전체 창업은 1.5% 감소했으나, 정보통신업(59.4%↑)·전문과학기술서비스업(6.9%↑)·
교육서비스업(4.4%↑) 등의 증가로 기술기반 창업은 14.2% 증가28)
ㅇ
그러나 수요기업의 자체 개발도 용이해지는 만큼, 실제 사업 기회로 연결되기 위해
서는 고객 수요에 대응하는 차별화된 가치 확보가 중요함
3. 이용방식 변화와 국내 SW산업
□
(위기) AI 에이전트가 표준화된 방식으로 SW를 이용하면서, 고객별 맞춤 구축방식의 
국내 패키지 SW는 AI 환경에 맞게 전환해야 하는 부담이 커질 수 있음
ㅇ
AI 에이전트는 API·MCP 등 표준화된 방식으로 공개 기능과 데이터를 활용하나, 고객
별 요구에 맞춰 SI 형태로 구축된 SW는 이를 일관되게 제공하기 어려움
–
국내 패키지 SW는 대부분 솔루션과 SI를 병행해 공급되고 기술적 확장성도 낮아, 
고객별 구축 환경을 AI 에이전트와 연계하기 위한 개편 필요
–
이에 기존 SW기업은 제품의 기능·데이터를 AI 에이전트가 활용할 수 있도록 전환
해야 하며, 일부 기업은 기존 제품에 AI를 결합하는 방식으로 대응 중
*
국내 구축형 패키지 SW기업인 더존비즈온은 기존 ERP·그룹웨어에 AI를 결합한 AI 기반 
업무서비스를 확대하고 있으며, 도입 기업은 7,400곳을 초과29)
□
(기회) AI 에이전트가 산업 현장의 업무를 수행하려면 산업별 데이터와 업무규칙을 활용
해야 하므로, 이를 보유한 국내 SW기업이 에이전트가 이용하는 핵심 기능·데이터의 공
급자가 될 기회가 형성될 수 있음
ㅇ
AI 에이전트의 업무 수행 품질은 모델 성능뿐 아니라 업무 맥락과 관련 지식이 제
공되는지에 따라 크게 달라짐
–
이에 따라 산업별 업무규칙과 데이터를 AI 에이전트가 활용할 수 있는 형태로 제공
하는 SW의 가치가 커질 수 있음
*
정부는 산업별 AI 에이전트 개발·보급을 위해 '산업 데이터 활용센터'를 구축하고, 2027년
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
22
30)
 McKinsey, “The AI-centric imperative: Navigating the next software frontier”, 25.10.16
31)
 FDE(Forward Deployed Engineer)는 고객사 현장에서 문제 발굴, 기술 범위 설정, 아키텍처 설계, 구현, 
평가, 프로덕션 배포, 운영 전환까지 일관되게 수행하는 고객밀착형 엔지니어
32)
 OpenAI, Forward Deployed Engineer(FDE), Financial Services-NYC (채용공고) (접속일: 26.10.27)
33)
 The Wall Street Journal, “AI Startups Have a New (Old) Secret Weapon: Forward-Deployed 
Engineers”, 25.10.13
34)
 삼성SDS 보도자료, “삼성SDS, AI 도입 넘어 기업 AX 혁신 이끈다! '리얼 서밋 2026'서 '다차원 AI 
풀스택' 전략 제시”, 26.09.08
부터 AI 에이전트 개발기업에 산업 현장 데이터 접근 환경을 제공할 계획 (국가인공지능전
략위원회, 2026)
ㅇ
(기회의 조건) 산업 수요가 곧 국내 SW기업의 성장으로 이어지는 것은 아니므로, 산업 
현장의 AI수요를 SW기업의 사업 성과로 연결하는 과제가 남음
4. 공급방식 변화와 국내 SW산업
□
(SW공급방식의 변화) AI는 고객의 데이터·업무흐름·기존 시스템과 결합되어야 성과를 
낼 수 있어, SW 공급의 범위가 제품 판매에서 고객 현장의 구현·운영까지 확대되고 있
음
ㅇ
표준 제품을 판매하고 도입·구축은 고객 조직과 별도 SI가 나누어 맡던 구조
(Cusumano, 2004)에서, 공급자가 제품과 함께 구현·운영을 결합해 실제 성과를 제
공하는 방향으로 변화
*
McKinsey는 플랫폼·에이전트·자동화·전문가 지원을 통합해 성과를 직접 제공하는 
‘service-as-software’를 새로운 전달 모델로 제시30) 
ㅇ
(전방배치형 공급의 확산) 고객 현장에 투입되어 문제 정의부터 구현·배포·운영까지 수행
하는 전방배치 엔지니어(FDE)31)의 확산이 이러한 변화를 대표함 
–
이는 완성된 제품을 전달하는 방식과 달리, 공급자가 고객의 데이터 흐름·시스템 
연계·신뢰성·장애대응까지 현장에서 설계·책임지는 공급 형태32) 
*
Palantir의 Forward Deployed Software Engineer(FDSE) 모델은 이러한 현장 배포형 공급
의 대표적 선행 사례로, AI 시대에 다시 주목받고 있음33) 
*
국내에서도 삼성SDS가 FDE를 2026년 말까지 약 200명 규모로 늘릴 계획이라고 밝힘34)
□
(위기) 국내 IT서비스 기업이 고객 현장의 구현·운영을 담당하더라도, 핵심 모델·플랫폼을 해외 
기업에 의존하여 수익성이 낮은 구현 역할에 머무는 사업 구조가 형성될 수 있음 
ㅇ
글로벌 AI기업과 국내 IT서비스 기업 간 모델·플랫폼 공급과 고객 맞춤형 구현·운영
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
23
35)
 LG CNS 보도자료, "OpenAI 리셀러 파트너 활동 시작", 26.02.19
36)
 삼성SDS, "삼성SDS, 2분기 매출 3조 5,120억 원, 영업이익 2,302억 원 잠정실적 발표", 25.07.24
37)
 SK AX 홈페이지, “SK AX, 신재생에너지 제조산업 AI 기반 운영 모델 혁신 본격화”, 25.11.06
38)
 LG CNS(2026), 「2025–2026 지속가능경영보고서」, p. 13.
을 분담하는 협력관계가 나타남
–
LG CNS는 OpenAI와 리셀러·AI 서비스 구현 파트너 계약을 체결하고, 국내 기업의 
ChatGPT 도입·활용·운영을 지원하는 전담조직을 신설35)
ㅇ
AI 기반 SW공급이 확대되더라도 고객별 맞춤 구현을 인력 투입에 의존하는 방식
으로 수행할 경우, 앞서 살펴본 맞춤 구축 사업의 낮은 확장성 문제가 반복되어 수
익 구조를 개선하기 어려울 수 있음
□
(기회) AI의 현장 구현·운영 수요가 확대되면서, 국내 IT서비스 기업은 사업영역을 넓히
는 동시에 현장 경험을 재사용 가능한 자산으로 축적해 반복 수익을 확보할 기회를 가질 
수 있음
ㅇ
(사업영역의 확장) AI 도입은 구축 이후의 운영과 개선을 지속적으로 요구하여, IT서비스 기업
의 역할이 시스템 구축에서 AI 도입 컨설팅·운영·관리 서비스로 넓어지고 있음
*
삼성SDS는 2025년 2분기 MSP 사업이 공공 클라우드 전환, 생성형 AI 서비스 수주 등에 힘
입어 전년 동기 대비 20% 증가했다고 밝힘36)
*
국내 제조기업 씨에스윈드는 SK AX와 함께 생산현장 데이터를 디지털화하고 작업지시 AI 에
이전트를 도입했으며, 생산계획·일정조정 등으로 활용 범위를 확대 예정37)
ㅇ
(현장 경험의 자산화) 그러나 운영·관리 서비스도 고객별로 인력을 투입하는 방식에 머물
면 확장성에 한계가 있어, 현장에서 반복되는 요구를 재사용 가능한 AI 에이전트모듈로 축
적하는 것이 반복 수익의 관건이 됨
–
기존에도 구축 경험을 표준 기능·공통 플랫폼으로 자산화해 왔으나, AI 시대에는 업무
지식을 AI 에이전트로 구현하고 여러 고객에게 반복 적용하는 방식으로 확장
*
LG CNS는 산업·업무별 AI 에이전트를 사전 구축된 자산(Prebuilt Agent)으로 확보하고, 이를 다양
한 고객 프로젝트에 반복 적용하기 위한 재사용·확산 체계 구축을 추진38)
□
(종합) 생산·이용·공급 방식의 변화는 맞춤 구축 중심의 국내 SW산업에 위기와 기회
를 함께 가져오며, 이에 대응한 사업방식의 전환이 주요 과제로 부상
ㅇ
(생산) AI로 기능 구현 중심 사업의 경쟁 압력이 커지는 반면, 신규 제품 개발의 진입
장벽은 낮아지고 있음
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
24
ㅇ
(이용) 맞춤형으로 구축된 패키지SW는 AI 환경으로의 전환 부담이 커지나, 산업별 
데이터와 업무규칙을 보유한 기업은 AI 에이전트가 이용하는 기능·데이터의 공급자가 
될 기회를 가짐
ㅇ
(공급) 현장 구현 역할에 머물면 낮은 확장성이 반복될 수 있으나, 현장 경험을 재사
용 자산으로 축적하면 반복 수익을 확보할 기회가 형성
ㅇ
이런 변화에 대응하기 위해 국내 SW기업의 개발·사업방식 전환이 요구되며, 전환 
여력이 부족한 중소 SW기업에 대한 정책적 지원 검토가 필요
Ⅴ. 시사점 및 정책 제언
1. 시사점
□
본 보고서는 에이전틱 AI 확산에 따른 SW 생산·이용·공급 방식의 변화와 국내 SW산
업에 미치는 영향을 살펴봄
[그림 5] 에이전틱 AI시대 SW산업의 구조적 변화
ㅇ
(생산주체의 변화) AI가 개발 보조도구에서 실행주체로 발전하며, SW 생산은 사람
이 지시‧검증하고 AI가 실행하는 협업방식으로 전환
–
(개발자 역할 변화) 개발자는 직접 구현보다 요구사항 구조화, 작업 분해, 아키텍
처 설계, 에이전트 조정과 결과 검증에 집중
–
(개발 경쟁력 변화) 경쟁력의 중심이 코딩 역량에서 AI가 안정적으로 개발하도록 
업무흐름·실행환경·품질관리 체계를 설계·운영하는 역량으로 확대
ㅇ
(이용주체의 확대) AI 에이전트가 새로운 SW 이용 주체로 등장하며, SW는 업무지
원 도구에서 AI의 판단을 실행하는 기반으로 역할 확대
–
(이용방식 변화) 사람의 화면 조작에 더해, 에이전트가 API 호출·브라우저 조작·
코드 실행으로 기존 SW의 기능·데이터를 직접 활용
–
(가치원천 재편) SW의 차별적 가치는 개별 기능 구현을 넘어 데이터·도메인지식, 연결
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
25
성, 신뢰성을 결합해 AI의 실행을 뒷받침하는 능력에서 형성
ㅇ
(공급방식의 변화) SW 공급은 완성된 제품의 판매에서 고객 현장의 구현·운영까지 
확대되며, 공급자의 역할이 실제 성과 창출까지 넓어짐
–
(현장배포 역량) 고객 데이터·업무환경에 AI·SW를 결합하고, 반복되는 현장 요구
를 표준화하여 재사용하는 역량이 새로운 경쟁요소로 부상
2. 정책적 제언
□
SW산업의 생산·이용·공급방식 변화에 대응하여 ① SW 개발체계 전환, ② Agent-Ready SW 기
반 구축, ③ 현장성과의 제품화를 3대 정책방향으로 제시
[그림 6] 정책 목표별 정책 제안
정책 목표
정책 제안
① 생산주체의 
변화
∙ AI 기반 SW 개발체계 전환 
및 생산 역량 강화
∙ Human–Agent 협업·검증 중심 실무교육 확대
∙ AI 기반 개발절차 재설계 및 기업 전환지원
∙ 중소 SW기업 공동 개발·검증환경 구축
② 이용주체의 
확대
∙ Agent-Ready SW 전환 및 
실행기반 구축
∙ 산업별 데이터·도메인지식 자산화 및 활용 실증
∙ 기존 SW의 API·MCP·A2A 연계 및 상호운용성 검증
∙ 에이전트 실행·검증·통제 공통 SW 기술 개발
③ 공급방식의 
변화
∙ 현장성과의 제품화 및  
공공조달 연계
∙ FDE형 현장실증과 재사용 SW 제품화 연계
∙ 성과·책임 기반 공공조달 및 선도수요 창출
□
첫째, 중소 SW기업을 대상으로 실무교육·개발절차 개편·공동 검증 환경을 연계하여 AI기
반 SW 개발체계로의 전환을 지원
ㅇ
(인력역량 강화) 기업의 실제 개발과제를 활용하여 요구사항 구조화, 작업분해, AI 
에이전트 조정, 결과 검증을 포함하는 실무교육 지원
–
개발자의 설계·보안검증 역량을 강화하고, PM·도메인전문가·현업인력은 요구사항 정의
와 결과물 확인을 통해 SW 개발에 참여하도록 교육과정 구성
ㅇ
(개발절차 개편) 기업별 개발절차를 진단하고, 실제 개발과제에 AI를 적용하여 업무
흐름을 재설계하는 시범 사업 지원
–
요구사항·설계·개발·시험·배포·운영 단계별로 사람과 AI의 역할을 정의하고 접근
권한, 검토·승인기준 등을 설정하는 전문가 컨설팅 지원
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
26
ㅇ
(공공 검증 인프라) SW 개발기업이 AI를 활용한 개발 결과를 시험·검증할 수 있
도록 공동 개발·검증환경과 전문서비스 이용 지원
–
AI 개발도구, 시험환경, 보안점검, 변경·승인 이력관리 기능을 통합적으로 제공하
여 개별기업의 구축·운영 비용 부담 완화
◾(영국) 정부·산업 공동 ‘AI Skills Boost’를 통해 2030년까지 근로자 1,000만 명의 AI 
역량 향상을 추진하고, 중소기업 근로자 200만 명 이상을 지원 
◾(IBM) 개발지원 에이전트 Bob을 통해 기획·코딩·시험·배포를 연계하고, 작업별 승인
기준과 보안점검·수행이력 관리를 개발과정에 통합하도록 지원
☞ 개발도구 보급에 재교육·개발체계 개편·공동 검증환경을 결합하는 SW기업 전환지
원 방안 추진 검토
□
둘째, 이용주체 확대 촉진을 위해 SW의 기능·데이터를 AI 에이전트가 안전하게 활용
할 수 있도록 Agent-Ready SW 전환과 공통 실행기반 구축 지원
ㅇ
(데이터·도메인지식 자산화) 제조·금융·의료·물류 등 산업별 데이터, 업무규칙, 전문
지식을 AI가 활용할 수 있는 형태로 구조화하는 실증과제 추진
–
비정형 문서와 현장 전문가의 판단기준을 업무시스템과 연계하고, 데이터의 품
질·갱신·접근권한을 관리하는 거버넌스 정비
–
자산의 외부 공개 여부와 구분하여, 허용된 범위에서 에이전트가 검색·활용할 수 
있도록 지원
ㅇ
(연결성 확보) 고객별로 구축된 기존 제품의 기능·데이터를 API·MCP·A2A 등 개
방형 방식으로 제공할 수 있도록 제품 전환 및 상호운용성 검증 지원
–
에이전트가 SW의 기능을 발견·호출·조합할 수 있도록 기능명세와 연결방식을 정비
하고, 다양한 모델·플랫폼과의 연계 시험 추진
–
상호운용성 시험을 국제 표준화·오픈소스 활동과 연계하여 특정 플랫폼에 종속되
지 않는 활용환경 조성
ㅇ
(신뢰성 확보) 에이전트의 실행권한·행동·결과를 검증·통제하는 공통 SW 기술을 개발
하고 실제 업무환경에서 실증
–
업무 위험도에 따라 자율 실행범위와 인간 승인기준을 설정하고, 실행기록·감사
추적·중단·복구 등 통제기능 검증
–
권한관리·실행기록·검증 모듈을 여러 SW와 에이전트에서 재사용할 수 있도록 공동 
개발·활용 지원
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
27
◾(미국) NIST는 ‘AI Agent Standards Initiative’를 통해 에이전트의 외부 시스템·데이터 
연계를 위한 상호운용성·보안 표준 및 프로토콜개발 추진
◾(싱가포르) IMDA는 에이전트의 권한범위, 인간 승인, 기술적 통제 등을 포함하는 
Agentic AI 거버넌스 프레임워크를 마련하고 기업 실증사례를 축적
 
☞ 단기에는 산업별 테스트베드에서 기존 SW의 데이터·연계·검증을 실증하고, 중기(2~3
년)에는 검증된 커넥터·통제 모듈을 다양한 SW서비스에 재사용하도록 확산
□
셋째, 공급방식의 변화에 대응하여 현장성과의 제품화와 공공조달 연계를 지원
ㅇ
(현장실증과 제품화 연계) 공급·수요기업이 실제 업무문제를 공동 정의·구현·검증하
는 FDE형 현장실증을 R&D·사업화 지원과 연계
–
제품기업의 고객 업무시스템 적용과 SI·IT서비스 기업의 현장 구현 경험을 반복 
활용 가능한 제품·서비스로 전환하도록 지원
–
현장실증의 업무성과뿐 아니라 커넥터·업무모듈·검증 템플릿 등 재사용 자산의 확보
와 후속 고객 적용 가능성을 함께 평가
ㅇ
(성과·책임 기반 조달) 현장실증에서 확인된 업무성과와 품질·안전요건을 공공서
비스의 발주·검수기준에 반영하여 후속 수요 창출
–
성과 확인이 가능한 업무를 중심으로 성과지표·검수·재처리 기준과 공급기업·수요기
관의 비용 및 책임분담 구체화
–
API 접근성·데이터 이동성·상호운용성을 조달 요건에 반영하여 장기 운영과 공급
자 변경 가능성 확보
◾(EU) EDIH의 ‘Test Before Invest’를 통한 중소기업의 AI 도입 전 실증과 산업별 
TEF의 실제 환경 시험·검증을 연계하여 AI 솔루션의 사업화 및 현장 확산 지원
◾(IBM·OpenAI·Palantir) Forward-Deployed 조직을 고객 현장에 배치하여 업무 재설
계부터 AI 배포·운영 및 지속적인 개선 지원
☞ 현장실증의 성과를 재사용 가능한 SW제품·서비스로 전환하고, 공공 선도수요와 연계한 
시장 확산 지원
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
28
참고문헌
■
국가인공지능전략위원회(2026), 대한민국 인공지능 행동계획, 2026.02.25
■
법무법인 세종 (2026). “AI 기본법 시행과 그 시사점”, 2026.02.11.
■
소프트웨어정책연구소 (2026). 2025년 SW산업실태조사
■
최혜리, 강송희, 유호석 (2022). 플랫폼 비즈니스의 습격과 SW솔루션의 진화. 이슈리포트 IS-132, 
소프트웨어정책연구소
■
Anthropic (2024a). “Building Effective Agents.” 2024.12.19
■
Anthropic (2025a), Anthropic Economic Index: AI’s impact on software development.
■
Anthropic (2025b). “Donating the Model Context Protocol and Establishing the Agentic AI 
Foundation.”
■
Asthana, S., Zhang, B., DeLuca, C., Patel, H., & Mahindru, R. (2026). Runtime-structured task 
decomposition for agentic coding systems. Proceedings of the ACM Workshop on Agentic 
Software Engineering, ACM CAIS 2026.
■
Awojuyigbe, O. (2025). Technical guide: Four steps for startups to build multi-agent systems. 
Google Cloud Blog.
■
Baolin, J., & Harvey, N. (2026, March 10). Balancing AI tensions: Moving from AI adoption to 
effective SDLC use. Google Cloud DORA
■
BCG (2024), GenAI Doesn’t Just Increase Productivity. It Expands Capabilities. BCG블로그, 
2024.09.05. 
■
Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on 
experienced open-source developer productivity. arXiv preprint arXiv:2507.09089.
■
Boysel, S. (2026). State of AI Impact on Software Security and Cybersecurity 2026. The 
Linux Foundation.
■
Cognition (2024), Introducing Devin, the first AI software engineer.
■
Cognition (2026), Build a Stripe Checkout Flow.
■
Cusumano, M. A. (2004). The business of software: What every manager, programmer, and 
entrepreneur must know to thrive and survive in good times and bad. Simon and Schuster.
■
Gartner (2025a). “Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI 
Agents by 2026.”
■
Gartner (2025b). “Market Guide for AI Trust, Risk and Security Management.”
■
Gartner (2026). “Gartner Says $234 Billion in Enterprise Application Software Spend Is at Risk 
from Agentic AI.”
■
Gokturk, B. (2024). Grounding generative AI in enterprise truth. Google Cloud Blog
■
IDC (2026). “The Agent Takeover: What Happens When AI Becomes the Primary User of 
Enterprise Software.” 2026.05.14
■
J.P.Morgan (2026), Sector Spotlight: Software
■
Lin, J., Liu, S., Pan, C., Lin, L., Dou, S., Xi, Z., ... & Jiang, Y. G. (2026). Agentic harness 
engineering: Observability-driven automatic evolution of coding-agent harnesses. arXiv preprint 
arXiv:2604.25850.
■
McKinsey. (2025). Leading AI-driven software organizations show the way: Unlocking the 
value of AI in software development.
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
29
■
McKinsey. (2026a). Beyond the copilot: Scaling the agentic product development life cycle.
■
McKinsey. (2026b). The AI revolution in software development.
■
OECD. (2025). Generative AI and the SME workforce: New survey evidence. OECD Publishing.
■
OpenAI (2025a). “A Practical Guide to Building Agents.”
■
OpenAI (2025b). “Introducing Deep Research.”
■
OpenAI (2026a), Codex in ChatGPT for Software Engineering teams.
■
OpenAI (2026b), Harness engineering: leveraging Codex in an agent-first world.
■
Sharma, A. J., Rathore, B., Biswas, B., Xiao, X., & Gupta, R. (2026). Generative AI 
implementation in enterprises: lessons from a case study of enhanced IT service management. 
Information Systems Journal. 
■
Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 
100-1. National Institute of Standards and Technology
■
Tavakoli, A., Goodman, B., Soller, H., & Rowshankish, K. (2026). Building the foundations for 
agentic AI at scale. McKinsey & Company
■
Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A 
systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303
■
Widener, C., Shact, L., Jarvis, D., & Mazumder, S. (2026). AI agents are only the beginning: 
The path to agentic transformation. Deloitte Insights
■
Yang, J. et al. (2024). “SWE-agent: Agent-Computer Interfaces Enable Automated Software 
Engineering.” NeurIPS 2024, arXiv:2405.15793.
■
Yilmaz, E. D., & Meyer, T. (2025). The impact of generative artificial intelligence on innovation: 
Evidence from software products. In Academy of Management Proceedings
■
Yu, T., Zhou, W., Yang, L., Shukla, A., Madugula, M., Gundecha, P., ... & Zhang, V. (2025, May). 
EKRAG: Benchmark RAG for enterprise knowledge question answering. In Proceedings of the 4th 
International Workshop on Knowledge-Augmented Methods for Natural Language Processing (pp. 
152-159).
SPRi 이슈리포트 IS-239AI시대, 소프트웨어 산업의 새로운 질서
주      의
이 보고서는 소프트웨어정책연구소에서 수행한 연구보고서입니다. 
이 보고서의 내용을 발표할 때에는 반드시
소프트웨어정책연구소에서 수행한 연구결과임을 밝혀야 합니다.
AI시대, 소프트웨어 산업의 새로운 질서
: 생산‧이용‧공급 방식의 변화와 시사점
나청호, 이동현, 송지환
경기도 성남시 분당구 대왕판교로 712번길 22 글로벌 R&D 연구동(B)
Global R&D Center 4F 22 Daewangpangyo-ro 712beon-gil, Bundang-gu, Seongnam-si, Gyeonggi-do
 
www.spri.kr