요약문 1. 제 목 : AI 융합 연구 경쟁력 강화 방안 연구 2. 연구 배경 및 목적 ㅇ (연구배경) 딥러닝, 자연어처리 등 AI 기술의 고도화는 단순 데이터 분석을 넘어 새로운 지식 생산 과정을 혁신하고 있으며, 모든 학문 분야에서 연구 방법론의 한계를 보완하는 핵심 촉매로 자리 잡고 있음 - (복잡한 사회·기술적 난제 해결의 열쇠) 기후위기, 감염병 예측, 신약 개발 등 단일 학문으로 해결하기 어려운 복잡한 과제들에 대해 AI를 활용한 융합연구(Convergence Research)가 국가 경쟁력 확보의 필수 요소로 부상함 - (글로벌 AI융합연구 정책 경쟁 가속화) 미국(제네시스 미션), 중국(AI플러스행동계획), EU(Horizon Europe) 등 주요국은 AI 기반 과학 혁신을 국가 전략으로 격상하여 추진 중임 - (우리나라의 AI융합연구경쟁력 진단) 우리나라는 AI 기술에 대한 관심은 높으나, 글로벌 수준에서 국내 AI 융합연구 역량의 객관적 위치와 분야별 강·약점에 대한 체계적·정량적 분석이 미흡하여 이를 진단할 정책적 필요성이 높음 ㅇ (연구의 목표) AI 융합연구 경쟁력 개념을 정의하고, 지난 20년간의 글로벌 논문 데이터를 실증 분석하여 한국의 상대적 위치와 성장 추세를 파악함으로써 향후 정책 방향성을 제시하고자 함 3. 연구의 구성 및 수행 방법 ㅇ 본 연구는 크게 선행 문헌 연구, 국내외 정책 사례, 데이터 기반 AI융합경쟁력 현황을 분석 지표 및 프레임워크를 수립하여 파악함 - (선행 문헌 연구) 기존 융합연구 개념(학제 간, 다학제적, 초학제적)과 AI 기술 특성을 결합하여 'AI 융합연구 경쟁력'을 새롭게 정의함 - (국내외 정책 및 사례 조사) 미국, 중국, 일본, 독일, 프랑스 등 해외 주요국 및 국내 AI 융합연구 촉진을 위한 정책 및 우수 사례를 생태계 구축 전략, 데이터·컴퓨팅 인프라, 인재 양성 체계 등 다각적 측면에서 비교 분석함 - (데이터 기반 정량 분석) 글로벌 학술논문 데이터베이스 서비스 업체인 Clarivate의 Web of Science 및 InCites 데이터를 활용하여 2005~2024년(최근 20년) 동안의 다양한 과학기술학문 분야에 게재된 AI 관련 논문을 추출하고 분석함 - (분석 지표 및 프레임워크 개발) AI융합연구의 범위, 융합 연구의 강도, 영향력을 파악할 수 있는 지표 체계를 수립하여 이를 바탕으로 세부 현황을 파악함 ⁃ 융합 범위(Shannon Entropy): AI 키워드가 타 학문 분야에 얼마나 폭넓고 고르게 분포하는지 측정 ⁃ 융합 점수(Fusion Score): 특정 분야에서의 AI 기술 도입 강도를 타 분야 범용성으로 보정하여 실질적인 융합 신호를 도출 ⁃ 연구 영향력 지수(CNCI): 글로벌 평균 대비 피인용 성과를 산출하여 연구의 질적 수준을 평가 ⁃ 2차원 매트릭스(Fusion-Impact Matrix): '핵심 융합 트렌드', '성장 유망', '도메인 주도', '경쟁력 제고'의 4개 영역으로 분야를 구분하여 진단 ⁃ 핵심 키워드 도출: Stanford AI Index 등을 참고하여 AI 개념, 학습 패러다임, 생성형 AI, 컴퓨터 비전 등 4개 도메인에서 총 48개의 핵심 AI 키워드를 선정함 4. 연구 내용 및 결과 □ 주요 정책 동향 ㅇ 우리나라와 해외 주요국이 추진하고 있는 AI융합연구 촉진 정책 및 우수 사례들을 분석한 결과 AI를 단순한 분석 도구로 인식하지 않고 지식 생산의 패러다임을 바꾸는 핵심 촉매로 인식하고 이를 위한 AI+X 및 AI for Science 전략을 수립하고 추진 중 ㅇ 주요 정책들은 ‘강력한 인프라 접근성 확보’와 ‘현장 밀착형 문제 해결 과제 제시’, 그리고 'AI융합 연구 전문 인재 확보'를 유기적으로 연결하여 국가 차원의 AI 융합 생태계를 구축에 목표를 두고 추진 중 국가별 대표 정책 및 전략 국가 대표 정책 및 전략 내용 및 특징 미국 Genesis Mission 기초과학과의 강력한 결합: NSF, DOE 등을 통해 물리, 화학, 생물 등 기초 과학 분야에 AI를 적극 적용하여 연구 생산성을 극대화 국가 AI연구소: 29개 국가 AI연구소에 500개 이상의 기관이 협력 네트워크를 구축함으로써 연구-상용화 전 과정을 수행하는 연구 체계 마련 중국 AI플러스 전략 국가 주도의 거대 플랫폼화: 가설 수립부터 실험까지 지원하는 ‘사이언스원’ 같은 연구 운영 체계를 구축함 막대한 자금 투입: 약 11조 원 규모의 국가 AI 산업 투자펀드를 통해 인프라와 응용 전 분야를 지원함 유럽 AI기회행동계획(영국), AI클러스터(프랑스) 안전 및 윤리 기반의 혁신: 영국은 세계 최초 AI 안전 연구소(AISI)를 통해 위험 관리와 혁신을 병행함 프랑스는 전략 산업별 AI 클러스터를 조성하고, 독일은 실제 기업 현장에서 AI 업무 방식 및 AI 솔루션을 실험 및 검증할 수 있도록 지원함 한국 과학기술XAI 국가전략 도메인별 과학 기반모델 구축: 반도체, 바이오 등 강점 분야의 ‘플래그십 프로젝트’를 통해 한국형 AI 공동과학자를 개발함 주권 AI 인프라: 민관 합작 ‘국가 AI 컴퓨팅 센터’를 통해 GPU 자원을 확보하고 국산 AI 반도체 생태계를 육성함 □ 정량 분석 결과 ㅇ (글로벌 트렌드) 전기·전자공학, 통신학 등은 AI의 핵심 기반 영역으로 자리 잡았으며, 최근에는 의학, 영상과학, 언어학, 교육학 등에서 융합이 가속화되고 연구 영향력이 높게 나타남 - 전기·전자공학 및 통신학은 AI 기술의 핵심 기반 영역으로 가장 높은 융합도를 보이며, 자동화 및 제어 시스템, 영상과학 등이 주요 확장 분야로 식별 - 의학, 영상의학, 생화학, 통계학, 지구물리학 등은 현재 AI 융합의 폭은 좁으나(도메인 주도), 수행된 연구의 영향력은 매우 높아 AI 기술 도입 시 파급력이 가장 크게 나타날 유망 분야로 분석 - 전 세계적으로 2014년을 기점으로 AI 융합연구가 급증하고 있으며, 특히 2020년 이후 고속 성장 단계에 진입하여 향후에도 이러한 추세는 지속될 전망 ㅇ (우리의 경쟁력) 전기·전자 및 통신 분야에서 강력한 연구 역량을 보유하고 있으나, 의학 및 기초 과학(수학, 생화학 등) 분야에서는 연구 파급력은 높지만 실질적인 AI 융합 시도(융합도)는 아직 제한적인 것으로 나타남 - 중국은 세계 최대의 AI 융합연구 규모를 보유하고 있으나 연구 영향력은 특정 분야에 한정된 반면, 미국은 기초 과학부터 응용 학문까지 광범위한 분야에서 압도적인 질적 우위를 점하고 있음 ㅇ (기술별 특성) 설명가능한 AI(XAI), 생성형 AI(Gen AI), LLM 등은 거의 모든 학문 분야에서 '도메인 주도' 또는 '핵심 융합 트렌드'로 발전하며 높은 파급력을 보임 □ 정책적 시사점 ㅇ 인프라 격차 해소: 인도의 'IndiaAI Compute Capacity' 사례처럼 연구자와 스타트업이 저렴하게 GPU 자원에 접근할 수 있는 국가 주도의 인프라 생태계 구축이 시급함. ㅇ 양손잡이형 인재 양성: 과학기술 전문성과 AI 역량을 동시에 겸비한 융합 인재 양성을 위해 영재학교부터 박사후연구원(InnoCORE)까지 전 주기에 걸친 지원 체계가 필요함. ㅇ 전략적 융합 영역 발굴: 핵심 융합 트렌드뿐만 아니라, 잠재력이 큰 '성장 유망' 영역과 도메인 내 혁신이 일어나는 '도메인 주도' 영역을 조기에 포착하여 전략적 R&D 투자를 강화해야 함 5. 활용 및 기대 효과 ㅇ 연구 결과는 학문 분야에서의 AI 활용은 광범위하게 자리하고 있으며 첨단 산업에서의 AI 활용을 통한 연구는 ‘AI for Science’라는 정책으로 더욱 확대되어 가고 있음을 보여줌 ㅇ 미국, 중국이 AI융합연구를 주도하고 있는 상황과 우리나라가 전기, 전자, 통신 분야 및 의학·기초과학에서 AI융합 연구를 상대적으로 진행하고 있으나 미·중에 비해 제한적 영역에 머무는 경향을 확인함으로써 차별화된 정책 필요성을 도출 ㅇ 한편, 섀넌 엔트로피 기반의 융합 지표를 제시하여 향후 AI융합연구의 글로벌 경쟁력 확보 수준을 정기적으로 추적 및 평가할 수 있는 방법론적 토대를 마련함 ㅇ 본 연구는 '과학기술 X AI 국가전략' 등 범정부 차원의 AI 융합 정책 수립 시 우리나라의 AI융합연구 경쟁력을 파악할 수 있는 데이터 기반의 기초 정책 자료로 활용 가능 ㅇ AI 융합연구 활성화를 통해 연구 비용을 절감하고 혁신 속도를 가속화함으로써 학문적 성취와 함께 산업적 부가가치 창출에 기여할 것으로 기대됨

요약문 1. 제 목 : 2025년 국내외 인공지능 산업 동향 연구 2. 연구 목적 및 필요성 ㅇ 생성형 AI와 초거대 AI 모델, 에이전트형 AI 및 피지컬 AI의 확산으로 인공지능 산업 생태계가 빠르게 재편 - AI 기술은 산업 혁신을 넘어 행정·노동·교육·안보 등 사회 전반의 구조적 변화를 촉발하고 있으며, 주요국은 이를 국가 경쟁력과 기술 패권의 핵심 요소로 인식하고 국가 AI 전략 고도화와 법·제도 정비를 본격화 - 특히, 2025년을 전후로 AI 관련 기본법 제정과 규제·거버넌스 체계가 ‘설계 단계’를 넘어 ‘시행 단계’로 진입하면서, 정책의 실질적 효과와 산업·사회적 영향에 대한 분석의 중요성이 증대 - 관련 하드웨어, AI 반도체, 연산 인프라에 대한 대규모 투자와 함께 전 산업에서 AI 융합과 활용이 가속화되고 있으며, 글로벌 빅테크를 중심으로 초거대 모델, 에이전트형 AI, 피지컬 AI 분야에서 주도권 경쟁이 심화 - 동시에 AI 안전성·신뢰성·책임성에 대한 우려가 확대되면서, 각국 정부와 국제기구, 표준화 기구를 중심으로 AI 윤리, 안전, 거버넌스 규범 정립과 국제 협력이 강화 - 동시에 AI 안전성·신뢰성·책임성에 대한 우려가 확대되면서, 각국 정부와 국제기구, 표준화 기구를 중심으로 AI 윤리, 안전, 거버넌스 규범 정립과 국제 협력이 강화 - 동시에 AI 안전성·신뢰성·책임성에 대한 우려가 확대되면서, 각국 정부와 국제기구, 표준화 기구를 중심으로 AI 윤리, 안전, 거버넌스 규범 정립과 국제 협력이 강화 - 이러한 환경 변화 속에서 국내 인공지능 산업의 경쟁력 강화, 활용 확산, 그리고 글로벌 수준의 신뢰성 확보를 위한 정책 마련을 위해 국내외 AI 산업 및 정책 동향에 대한 종합적 분석 필요성 증대 ㅇ 본 연구는 급변하는 국내외 인공지능 산업 생태계를 체계적으로 분석하여, 국내 산업 경쟁력 강화와 인공지능 활용 확산을 지원하기 위한 정책적 기초 자료를 마련하는 것을 주된 목표 - 주요국, 주요 기관 및 학술단체, 주요 기업의 동향을 조사하여 현재의 상황을 분석하고, AI 기술의 발전 및 산업 변화에 대한 전망을 통해 적시에 효과적인 AI 정책을 개발하고 정책적 의사결정을 지원하기 위한 기초 자료를 제공하며, 이를 통해 정책 과제를 발굴 - 이를 통해 향후 국가 AI 전략, 산업 정책, 법·제도 개선을 위한 주요 정책 과제를 도출하고, 중장기 정책 고도화에 기여 - 인공지능 산업과 관련된 폭넓은 조사를 바탕으로 국내외 AI 정책·법제·전략·권고안 등 핵심 자료를 체계적으로 확보하여, 정책 설계 및 발전 과정에서 활용 가능한 근거 자료로 제공 3. 연구의 구성 및 범위 ㅇ AI 산업 현황 및 전 세계 AI 시장전망에 대한 개괄적 정리 ㅇ 국내외 주요국·국제기구 정책 동향 - 주요국에는 미국, EU, 중국, 일본, 영국, 캐나다, 프랑스, 독일, 싱가포르, 이스라엘, 인도, UAE, 대만, 호주 등 포함- 국제 기구/회의로 OECD, UN, G7정상회의, G20정상회의 동향 분석 ② 오픈소스AI의 전략적 가치 : 기술 인프라, 기업 경쟁력 요소, 소버린AI(기술 확보) 수단, 기술 경쟁 수단, 글로벌 협업 수단 ③ 소버린AI를 위한 오픈소스AI의 주요 역할 : 기반 기술 제공, 외부 의존성 완화(자 율성 확보), 신뢰성 확보 수단 ④ 오픈소스AI 개념 정립으로 인한 기준 제시 글로벌 오픈소스AI 생태계는 AI 선도 기업들이 적극적인 기술 공개와 홍보를 통해 성 장하고 있다. 특히 오픈소스AI의 핵심이라고 할 수 있는 오픈소스 모델은 선진 AI 기업 들이 주도하고 있다. 따라서, 오픈소스AI 생태계를 선도하는 국내외 기업과 이들 기업들의 오픈소스 모델을 중심으로 글로벌 오픈소스AI 동향을 조사하였다. 대상 기업으로 글로벌 오픈소스AI 생태계를 선도하는 해외 기업 8개(메타, 구글, OpenAI, EleutherAI, 알리바바, 바이두, 딥시크, 미스트랄AI)를 선정하였다. 조사 결과, 기업들은 AI 기술을 기반으로 자체 플랫폼 경쟁력 강화, 상용AI 서비스 제공, AI 솔루 션 공급을 하고 있다. 그리고 이들 기업들의 오픈소스AI는 단순한 기술 공개를 넘어 특정 기업 견제(종속성 회피), 생태계 영향력 확보 및 확장, 기술력 입증, 개방형 협업, 글로벌 진출, 기술 주권 확보 등 다양한 목적 달성을 위한 전략적 수단으로 볼 수 있다. 국내 기업으로는 오픈소스 AI를 선도하는 기업 5개(네이버, LG AI Research, SK텔레 콤, 업스테이지, 엔씨 AI)를 선정하였다. 조사 결과, 국내 기업들은 보편적으로 기술력 입증을 위한 모델 공개 전략을 추진하고 있는 것으로 보인다. 아직은 국내 기업들의 AI 기술력의 인지도 부족과 생태계 영향력 부족으로 인한 것으로 기술 공개를 통해 전 략적 입지 마련을 위해서로 생각된다. 향후에 국내 오픈소스 모델이 글로벌 오픈소스 모델 대비 성능이 견줄 수 있다면 해외 진출을 추진할 수 있다고 보며, 한국어 처리 능력에서 우월성이 증명된다면 국내 시장의 해외 오픈소스 모델의 점유율 하락을 기대 할 수 있을 것으로 생각된다. 국내외 오픈소스AI 기업 동향을 통해 도출한 시사점들은 다음과 같다. ① 오픈소스AI 전략의 실질적 목표: 기술·산업 영향력 확대 ② 중국 기업의 차별화 오픈소스 전략: 적극적 공개(혁신 기술 + 오픈소스 라이선스) ③ 오픈소스AI 영향력 확대 방안: 빠른 기술 혁신과 잦은 반복 출시로 개발자 락인 ④ 다양한 오픈소스AI 공개 방안 : 완전 공개, 제한적 공개, 폐쇄 전략 ⑤ 오픈소스AI 수익화 모델 : 간접 수익화 - 자체 제품/서비스 혁신 및 로스 리더(Loss Leader) 전략 ⑥ 오픈소스AI의 주요 수익원 : B2B 시장(엔터프라이즈 고객) 4장은 국내외 오픈소스AI 생태계에 대한 실증적 분석을 위해 EpochAI의 유명 AI 모 델 데이터를 기반으로 글로벌 AI 생태계에서 오픈소스 모델의 영향력과 현황을 분석하 였고 국내 현황으로 371명의 AI 개발자들의 오픈소스AI 인식 및 현황을 파악하기 위해 설문 조사를 수행하여 분석하였다. EpochAI의 유명 AI 모델 데이터는 1950년부터 2025년 6월 초까지 발표된 AI 모델 중 4가지 조건(① 공인 벤치마크의 최첨단 개선, ② 인용 수 1000개 이상, ③ 기술 발전의 중요성, ④ 중요한 활용)중 하나 이상을 충족한 964개의 AI 모델 정보를 제공하고 있 다. 이 데이터를 기반으로 OSI의 오픈소스AI 정의를 기반으로 주요 공개 항목(데이터, 모델 구조, 웨이트, 학습 & 추론 코드 등)을 중심으로 오픈소스 모델 269개를 분류하여 참여 기관, 참여 기관 국가, 조직 분류, 발표 일시, 유형, 활용 분야, 선정 기준 등을 분석하였다. 참여 기관에서 가장 많은 유명 모델 개발에 참여한 기관은 구글로 타 기관 대비 압 도적이었으며 오픈소스 모델 공개는 메타(페이스북 포함시)가 45개로 1위를 차지하였 다. 그리고, 기관 유형은 산업계가 참여한 AI 모델이 626개 이었으며, 오픈소스 모델은 208개로 기업들이 AI 기술 혁신을 주도하고 있었다. 연도별 현황을 보면 AI 모델은 2013년부터 지속적으로 증가하고 있으며, 오픈소스 모 델은 2015년에 처음 등장하여 2018년부터 지속 증가하는 추세이다. 그리고, 2019년 이 후 유명 모델의 51.9%는 오픈소스 모델일 정도로 오픈소스 생태계 영향력이 최근 빠르 게 증가하고 있다. 모델별 참여 국가 현황을 보면 미국이 AI 모델과 오픈소스 모델 모두 1위였고 이어서 중국이 2위 었으며, 우리나라는 오픈소스 모델 분야에서 양적으로 7위에 위치하고 있 었다. 이러한 데이터는 최근 AI 생태계에서 중국 기업의 부상을 데이터로 입증하는 자 료이며 허깅페이스 자료에서도 중국 모델들이 전세계적으로 주목을 받고 있음을 보여 주고 있다. 데이터 정보 공개, 모델 접근성, 학습 코드 접근성, 추론 코드 접근성의 분석 결과를 보면 유명 모델의 약 절반인 48.3%(458개) 모델들이 학습 데이터 정보를 공개하고 있으 며 학습 데이터 종류는 276개로 다양한 데이터들이 활용되고 있음을 알 수 있다. 이에 반해 모델 접근성, 학습 코드 접근성, 추론 코드 접근성을 공개한 모델은 각각 269개, 237개, 225개로 상대적으로 적음을 알 수 있다. 국내 오픈소스AI 인식 및 활용 현황 조사는 선행 문헌들을 분석하여 총 60개의 설문 문항을 개발하여 모바일 온라인 설문 조사를 통해 총 371명의 AI 개발자로부터 응답 결과를 수집하였다. 주요 구성은 Part 1은 성능 기대, 노력 기대, 사회적 영향, 촉진 조 건, 저항 요인, 활용 의사, 사용 행동, 기술 적합성, 환경 역동성, 제품 난이도에 대해 40개의 리커드 척도 문항으로 구성하였다. Part2는 오픈소스AI 관련 개발자들의 직접적인 인식과 상세 현황을 위한 설문으로 핵심 공개 항목, 중요성, 만족도 및 향후 예측, 국산 중요성, AI 도입 유형, 적용 분야 및 활용 수준, 모델 유형, 장단점, 저해 요인 및 촉진 조건, 플랫폼/기업 종속성, 전문가 필요성 및 핵심 역량에 관한 20개의 문항으로 구성하였다. Part 1의 오픈소스AI 활용 동기 측면에서 성능 기대에서 업무 생산성과 빠른 업무 수 행에 상대적으로 많은 응답자들이 동의하였으며, 노력 기대에서 필요 정보 획득에 가 장 많은 응답자들이 선택하였으며, 사회적 영향에서 의사결정자와 고위 경영진이 상대 적 으로 많은 응답자들이 동의하였고, 촉진 조건에서 필요 지식이 가장 많이 응답되었 다. 저해 요인으로는 저작권 침해에 가장 많은 응답자들이 동의하였다. AI 개발자들의 오픈소스AI 활용 현황을 보면 활용 의사에서 보면 주변 추천, 자주 사 용, 지속 사용, 방법 탐색 등 다양한 측면에서 활용을 확산할 의사를 가지고 있음을 확 인하였다. 그리고 실질적 행동으로 기술 문서 탐색, 새로운 정보 획득, 학습 자료 활용 등을 통해 오픈소스AI 역량을 강화하려는 응답 비중이 50%를 넘었다. Part 2에서 개발자들은 오픈소스AI의 핵심 공개 항목으로 모델, 데이터 정보, 학습 데 이터, 기술 문서를 선택하였다. 이는 공개된 정보를 기반으로 활용과 성능 향상을 위한 핵심 정보들도 판단된다. 다양한 측면의 오픈소스AI 중요성에 대해 개인적인 업무상 중요성 외에 국가 AI 기술 력 강화, 기업 AI 경쟁력 강화, AI 기술 확산 측면에 오픈소스AI 중요하다는 응답에 90% 안팎으로 응답할 정도로 중요하게 인식되고 있었다. 그리고 오픈소스AI에 만족하 는 개발자 비율이 54.4%로 과반이 넘었고, 향후 활용이 확대될 것으로 예상하는 개발 자 비율이 89%이었다. 실제로 AI 원천 기술 도입 형태에서 오픈소스AI를 활용하는 비 율은 68.5%이었다. 적용 분야와 활용 수준을 보면 사내 업무 및 서비스 적용과 기존 제품/서비스 개선 이 각각 60.4%와 59.0%로 새로운 제품/서비스 개발에 활용하는 비율보다 높았으며, 활 용 수준도 제품 적용 보다는 기술 탐색 및 연구개발 진행 중이 전체의 72.3%로 아직까 지는 제품 적용 단계는 소수인 것으로 파악되었다. 그리고 오픈소스AI 기술의 장단점으로 빠른 기술 발전 속도, 라이선스 비용 절감, 및 기술 내재화 가능성에 많은 응답자들이 선택하였으며, 단점으로는 기술 완성도 부족, 책임 주체의 불명확성, 부족한 문서화 등이 선택되면서 기술 역량 확보가 오픈소스AI 확산의 주요 요소로 판단된다. Part1의 오픈소스AI 저항 요인과 촉진 조건을 상세히 묻는 설문에서 주요 저해 요인 으로는 조직의 오픈소스AI 전략(비전) 부재, 인력 부족, 자체 인프라 부족, 조직의 정책 /거버넌스 부재 순으로 응답되며 개인적 오픈소스AI 활용 의사에 비해 환경적 요인이 부족한 것으로 판단된다. 그리고 주요 촉진 조건으로는 연구개발 인프라, 전문가 양성 및 발굴, 기업/기관 거버넌스 확립, 오픈소스AI 활용 기업 발굴 등이 응답되며 오픈소 스AI 활용 기반 조성 및 인력 양성 필요성이 제기되었다. 기술 종속성 관점에서 국산 오픈소스AI의 중요성과 특정 플랫폼/기업 종속성에 대한 설문 결과를 보면 국산 오픈소스AI 기술이 중요하다고 응답한 비율이 해외 오픈소스AI 가 중요하다고 응답한 비율보다 10.2% 높았으나, 둘 다 중요하다고 응답한 비율이 절 반이 넘는 50.9%임을 고려하면 개발자들은 국산 혹은 외산 구분 보다는 우수한 오픈소 스AI에 관심이 많다고 추정할 수 있다. 다만, 특정 플랫폼 및 기업 종속성에 대한 우려 에 대한 응답은 50.7%로 이에 대한 우려가 있음을 확인하였다. 마지막으로 오픈소스AI 확산의 주요 저해 요소인 인력(개발자, 기여자) 부족이자 주요 촉진 조건인 전문가 양성을 위한 오픈소스AI 전문가 육성 필요성에 중요하다고 응답한 비율은 88.1%로 많은 개발자들이 동의하고 있었다. 그리고, 전문가의 주요 역량으로 AI 모델 개발, 오픈소스 프레임워크 활용, 데이터 처리 및 품질 관리와 데이터셋 구축 역 량, 오픈소스 기여 및 협업 역량 순이었다. 이러한 국내외 오픈소스AI 현황 분석을 통해 다음과 같은 시사점들을 도출하였다. ① 빠르게 성장하는 오픈소스AI 생태계 ② 기업/국가 경쟁력 강화를 위해 중요한 오픈소스AI ③ 기업 인식 개선 필요 ④ 오픈소스AI 활용을 위한 전제조건 : 기술 역량 확보 ⑤ 오픈소스AI 인재 양성 필요 ⑥ 자주적 AI 역량 확보가 필요 최근 오픈소스AI가 빠르게 성장하면서 AI 기술 혁신 및 산업 혁신의 원동력이 되면서 AI 3강 도약을 위한 오픈소스AI 정책의 필요성이 커져가고 있다. 따라서 마지막 5장에 서 본 연구 내용을 기반으로 다음과 같은 정책적 시사점과 정책을 제언하고자 한다. ① 선진 기술의 빠른 수용을 위한 오픈소스AI 활용 확산 지원 ② AI 기술력 강화를 위한 선진 오픈소스AI 기술 내재화 추진 ③ 기업의 오픈소스AI 인식 개선 필요 ④ 오픈소스AI 전문가 양성 및 교육 확대 필요 ⑤ 오픈소스AI 전문 컨설팅 제공 필요 ⑥ 오픈소스AI 전문기업 육성 5. 정책적 활용 내용 AI의 중요성이 급부상하면서 우리나라는 최근 AI 3강 도약을 위한 투자 및 정책적 지 원이 집중되고 있다. 최근 글로벌 AI 동향을 보면 AI 선도 기업을 중심으로 오픈소스 모델을 공개하며 기술·산업 주도권 확보 경쟁이 치열해지면서 오픈소스AI 생태계가 중요해지고 있다. 특히 오픈소스AI는 글로벌 기업 중심의 AI 대외 의존도를 완화할 수 있는 대안을 제시하고 있다. 이러한 현실에서 본 보고서는 국가 AI 경쟁력 강화를 위 한 오픈소스AI 정책 수립을 지원을 위한 연구 목적으로 작성되었다. 따라서, 본 보고서는 AI 3강 도약을 위한 오픈소스AI 정책을 위한 당위성 제공과 정 책 방향 수립를 위한 핵심 근거 자료를 제공할 수 있으며, 국가 AI 경쟁력 확보를 위 한 오픈소스AI 기반 기술 확보 방안, 오픈소스AI 기업 육성, 오픈소스 생태계 활성화 정책 수립의 근거 자료로 활용될 수 있다. 6. 기대효과 오픈소스AI는 국가 AI 기술 경쟁력 강화, 기업 AI 경쟁력 강화, AI 기술 확산 등 다양 한 관점에서 중요하다. 특히 글로벌 기업 중심의 AI 기술 혁신에 의해 해외 의존도가 심화되고 있다. 오픈소스AI는 대외 의존도를 완화할 수 있는 가장 효율적인 대안으로 자주적인 AI 역량 확보를 통한 산업 경쟁력 강화에 큰 기여를 할 수 있다. 따라서, 본 연구는 오픈소스AI 정책 수립을 위한 기초 자료 제공과 정책 방안 제시를 통해 국가 AI 경쟁력 제고를 위한 AI 기술력 확보, AI 기업 경쟁력 강화를 통한 AI 산업 활성화 등 다양한 측면에서 긍정적 효과가 기대된다.

요약문 1. 제 목 : 글로벌 AI 경쟁력 확보를 위한 오픈소스AI 활성화 방안 2. 연구 목적 및 필요성 소프트웨어(SW) 기술·산업 혁신을 선도해오던 오픈소스 생태계가 인공지능(AI) 기 술 혁신을 선도하며 AI 산업 혁신을 촉발하고 있다. 대표적으로 오픈소스 AI 프레임워 크 기술들이 언어 모델의 대형화를 선도하였고, 구글이 혁신적인 모델 구조를 오픈소 스로 공개하면서 생성형 AI 시장을 태동시켰다. 그리고 메타는 OpenAI의 chatGPT에 대항하기 위해 라마를 공개하며, 빠르게 성능을 향상시며 생태계 영향력을 확대하였고 중국 기업들의 오픈소스 모델들이 공개되며 미국의 AI 주도권을 위협하고 있다. 이와 같이 오픈소스 생태계가 AI 기술·산업 혁신을 촉발하고 기술 주도권 경쟁 및 산업 영향력 확대 수단으로 활용되고 있기 때문에 AI 3강 도약을 위한 우리나라는 이 러한 오픈소스 생태계 변화를 면밀히 살펴보고 우리의 나아갈 방향을 효과적으로 설정 할 필요가 있다. 따라서, 본 연구는 글로벌 오픈소스AI 동향을 심층 분석하고 이를 통 해 정책적 시사점과 방향을 제시하는 것을 목적으로 한다. 3. 연구의 구성 본 연구는 아래와 같이 총 5장으로 구성되어 있으며, 1장 서론으로 연구 배경과 방법 에 대해 소개하고 제2장은 오픈소스AI에 대해 이해하기 위해 최근 오픈소스AI가 중요 해지는 이유와 오픈소스AI 개념에 대하여 소개하고 있다. 3장부터 본격적인 본론 부분으로 국내외 오픈소스AI 동향에 대해 파악하기 위해 국내 외 주요 오픈소스AI 기업을 선정하여 동향을 조사하였다. 그리고, 이들 주요 기업들의 주요 오픈소스 모델에 대한 현황을 조사하여 기술 동향을 파악하고자 하였다. 4장은 국내외 오픈소스AI 현황에 대한 실증적으로 분석하기 위해 글로벌 현황으로 EpochAI의 유명 AI 모델 데이터를 기반으로 전체 모델과 오픈소스 모델을 비교 분석하였다. 그리 고 국내 오픈소스AI 인식과 현황에 대해 파악하고자 AI 개발자 대상의 설문조사를 수 행하여 분석하였다. 마지막 5장은 본 보고서의 결론 부분으로 정책적 시사점을 도출하고 이를 기반으로 정책 제언을 통해 오픈소스AI 활성화를 위한 정책 방안을 제시하고 있다. 4. 연구 내용 및 결과 최근 오픈소스 기술이 SW 산업을 넘어 AI 기술 혁신과 산업 태동의 원동력이 되고 있다. 텐서플로우, 파이토치 같은 오픈소스 AI 프레임워크 기술들이 머신러닝 개발 편 의성과 효율성을 제공하며 본격적인 머신러닝 중심의 인공지능 시대를 개막하는 동력 이 되면서 머신러닝의 대형화를 선도하며 대형 언어 모델(LLM) 중심의 생성형AI 시장 을 태동시켰다. 이러한 오픈소스 생태계의 AI 기술·산업 혁신의 근간에는 AI 분야 오픈소스 생태계 의 성장이 있다. 대표 오픈소스 개발 협업 플랫폼인 깃허브의 성장과 함께 AI 관련 프 로젝트가 빠르게 증가하여 약 430만개가 되었으며, 이들의 누적 스타 수도 1764만개로 매우 빠르게 증가하였다. 그리고 핵심 AI 개발 협업 플랫폼인 허깅페이스는 2025년 가 입자 수가 500만명을 넘어섰고, 공개된 모델 수가 224만개가 넘어서며 빠르게 영향력 을 키우고 있다. 이러한 오픈소스AI(오픈소스 생태계의 AI 기술 분야)의 빠른 성장으로 많은 개발자들 이 AI 개발 과정에 오픈소스를 보편적으로 활용할 수 있게 되었다. 리눅스 재단 보고 서에 의하면 AI 개발 기업 중 인프라에 오픈소스 채택 비율이 89%일 정도로 오픈소스 는 AI의 기술적 기반을 제공하며 비용 절감, 위험 회피, 산업 표준(호환성 제공) 같은 긍정적 효과를 얻을 수 있게 되었다. 예를 들어 오픈소스 모델 기반 AI 서비스의 비용 은 chatGPT의 1/30에 불과하며 이는 오픈소스 기술을 활용하였기 때문에 가능하게 되 었다. 이와 같이 오픈소스AI가 보편적 AI 기술 인프라 역할을 수행하면서 국가적 차원의 AI 역량 강화를 위한 소버린 AI 관점에서 오픈소스AI의 중요성이 커져가고 있다. 리눅스 재단 보고서에서 국가 안보 및 경쟁력 강화를 위한 소버린 AI의 필요성에 공감하는 비 율이 79%에 달하고 있으며 소버린AI의 주체로써 국가의 역할이 중요해지고 있다. 그 이유는 AI 기술 혁신이 가속화되면서 국가 경제 및 산업 활성화에 미치는 AI 영향력이 점점 커져가고 있기 때문이다. 특히 학습용 데이터 유출에 따른 개인 정보 침해, 국가 안보 위협, 기업 경쟁력 훼손이 우려되기 때문에 오픈소스AI를 활용한 자체 AI 시스템 구축 필요성이 커져가고 있기 때문이다. 오픈소스 생태계에서 AI 기술 비중이 증가하고 영향력이 확대되면서 이를 오픈소스AI 라고 부르며 이 용어의 사용이 빈번해지고 있다. 따라서, 기존 SW 중심의 오픈소스 생 태계와 구분하여 AI의 기술적 특징을 기반으로 오픈소스AI의 재현성과 투명성을 제고 하기 위해 오픈소스AI 개념을 새로이 규정하기 위한 움직임이 있다. 대표 사례로 OSI의 오픈소스AI 정의와 리눅스 재단의 모델 개방성 프레임워크가 있다. OSI의 오픈소스AI 정의는 4가지 자유(사용, 연구, 수정, 공유)가 보장된 AI 시스템으로 정의하고 있으며, 기술 범주에 따라 AI 시스템, AI 모델, AI 웨이트로 구분하며 각각에 대한 오픈소스AI 시스템, 오픈소스 모델, 오픈 웨이트로 구분하고 있다. 리눅스 재단의 모델 개방성 프레임워크는 AI 개발 생애주기 관점에서 모델 재현성을 제공하기 위한 개방성 수준을 정의하고 있다. 가장 개방적인 오픈사이언스 모델, 오픈 도구 모델, 오 픈 모델로 구분하여 구분된 모델 개념간 활용 범위를 명확히 제시하고 있다. 이와 같은 오픈소스AI 태동과 새로운 개념의 규정에 따른 시사점들은 다음과 같다. ① 오픈소스AI의 중요성 : AI 기술·산업 혁신의 원동력 ② 오픈소스AI의 전략적 가치 : 기술 인프라, 기업 경쟁력 요소, 소버린AI(기술 확보) 수단, 기술 경쟁 수단, 글로벌 협업 수단 ③ 소버린AI를 위한 오픈소스AI의 주요 역할 : 기반 기술 제공, 외부 의존성 완화(자 율성 확보), 신뢰성 확보 수단 ④ 오픈소스AI 개념 정립으로 인한 기준 제시 글로벌 오픈소스AI 생태계는 AI 선도 기업들이 적극적인 기술 공개와 홍보를 통해 성 장하고 있다. 특히 오픈소스AI의 핵심이라고 할 수 있는 오픈소스 모델은 선진 AI 기업 들이 주도하고 있다. 따라서, 오픈소스AI 생태계를 선도하는 국내외 기업과 이들 기업들의 오픈소스 모델을 중심으로 글로벌 오픈소스AI 동향을 조사하였다. 대상 기업으로 글로벌 오픈소스AI 생태계를 선도하는 해외 기업 8개(메타, 구글, OpenAI, EleutherAI, 알리바바, 바이두, 딥시크, 미스트랄AI)를 선정하였다. 조사 결과, 기업들은 AI 기술을 기반으로 자체 플랫폼 경쟁력 강화, 상용AI 서비스 제공, AI 솔루 션 공급을 하고 있다. 그리고 이들 기업들의 오픈소스AI는 단순한 기술 공개를 넘어 특정 기업 견제(종속성 회피), 생태계 영향력 확보 및 확장, 기술력 입증, 개방형 협업, 글로벌 진출, 기술 주권 확보 등 다양한 목적 달성을 위한 전략적 수단으로 볼 수 있 다. 국내 기업으로는 오픈소스 AI를 선도하는 기업 5개(네이버, LG AI Research, SK텔레 콤, 업스테이지, 엔씨 AI)를 선정하였다. 조사 결과, 국내 기업들은 보편적으로 기술력 입증을 위한 모델 공개 전략을 추진하고 있는 것으로 보인다. 아직은 국내 기업들의 AI 기술력의 인지도 부족과 생태계 영향력 부족으로 인한 것으로 기술 공개를 통해 전 략적 입지 마련을 위해서로 생각된다. 향후에 국내 오픈소스 모델이 글로벌 오픈소스 모델 대비 성능이 견줄 수 있다면 해외 진출을 추진할 수 있다고 보며, 한국어 처리 능력에서 우월성이 증명된다면 국내 시장의 해외 오픈소스 모델의 점유율 하락을 기대 할 수 있을 것으로 생각된다. 국내외 오픈소스AI 기업 동향을 통해 도출한 시사점들은 다음과 같다. ① 오픈소스AI 전략의 실질적 목표: 기술·산업 영향력 확대 ② 중국 기업의 차별화 오픈소스 전략: 적극적 공개(혁신 기술 + 오픈소스 라이선스) ③ 오픈소스AI 영향력 확대 방안: 빠른 기술 혁신과 잦은 반복 출시로 개발자 락인 ④ 다양한 오픈소스AI 공개 방안 : 완전 공개, 제한적 공개, 폐쇄 전략 ⑤ 오픈소스AI 수익화 모델 : 간접 수익화 - 자체 제품/서비스 혁신 및 로스 리더(Loss Leader) 전략 ⑥ 오픈소스AI의 주요 수익원 : B2B 시장(엔터프라이즈 고객) 4장은 국내외 오픈소스AI 생태계에 대한 실증적 분석을 위해 EpochAI의 유명 AI 모 델 데이터를 기반으로 글로벌 AI 생태계에서 오픈소스 모델의 영향력과 현황을 분석하 였고 국내 현황으로 371명의 AI 개발자들의 오픈소스AI 인식 및 현황을 파악하기 위해 설문 조사를 수행하여 분석하였다. EpochAI의 유명 AI 모델 데이터는 1950년부터 2025년 6월 초까지 발표된 AI 모델 중 4가지 조건(① 공인 벤치마크의 최첨단 개선, ② 인용 수 1000개 이상, ③ 기술 발전의 중요성, ④ 중요한 활용)중 하나 이상을 충족한 964개의 AI 모델 정보를 제공하고 있 다. 이 데이터를 기반으로 OSI의 오픈소스AI 정의를 기반으로 주요 공개 항목(데이터, 모델 구조, 웨이트, 학습 & 추론 코드 등)을 중심으로 오픈소스 모델 269개를 분류하여 참여 기관, 참여 기관 국가, 조직 분류, 발표 일시, 유형, 활용 분야, 선정 기준 등을 분 석하였다. 5. 정책적 활용 내용 첫째, SW·AI 인력양성 정책 개선에 활용할 수 있다. SDV 산업의 인력 문제는 단순히 인력이 부족한 것이 아니라, 필요한 직무와 숙련 수준이 맞지 않는 데서 발생한다. 따라서 기초 SW 인력, 차량용 SW 전문인력, AI·데이터·보안 인력 등 단계별로 필요한 인재를 체계적으로 양성하는 데 활용할 수 있다. 둘째, 기업 수준에 맞는 맞춤형 지원정책 수립에 활용할 수 있다. 기업마다 SDV 전환 수준과 부족한 역량이 다르므로, 초기 기업에는 인프라와 실증 지원을, 전환 단계 기업에는 SW·AI 인력 확보와 운영체계 고도화를, 성장 기업에는 사업화와 시장 확대 지원을 차별적으로 제공할 수 있다. 셋째, 정책 성과를 점검하는 기준으로 활용할 수 있다. SDICI를 활용하면 기업의 기술역량, 인력역량, 사업화 역량 등이 얼마나 개선되었는지 확인할 수 있다. 이를 통해 단순히 지원 기업 수나 교육 인원만 보는 것이 아니라, 실제 전환 성과와 매출 창출 여부까지 점검할 수 있다. 6. 기대효과 첫째, 소프트웨어 중심 산업 전환을 촉진할 수 있다. 자동차·부품 기업의 SW 역량 강화, SW·서비스 기업의 SDV 시장 진입, 중소·중견기업의 전환 부담 완화를 지원함으로써 SDV 산업 경쟁력을 높일 수 있다. 또한 이러한 방식은 향후 조선, 항공, 로봇, 제조 등 다른 SDx 산업으로도 확장될 수 있다. 둘째, 정책 지원의 효과를 높일 수 있다. 기업별 부족한 부분을 정확히 파악해 필요한 지원을 제공함으로써 정책 자원의 낭비를 줄이고, SDV 전환 속도와 성과를 높일 수 있다.

요약문 1. 제 목 : SDx 산업의 경쟁력 진단과 SW·AI 인력양성 정책 연구 - SDV 산업을 중심으로- 2. 연구 목적 및 필요성 디지털 전환과 SDx 확산으로 자동차 산업은 SDV(Software-Defined Vehicle) 산업으로 전환되고 있으나, 이를 뒷받침할 SW·AI 인력 공급은 부족한 상황이다. 이에 본 연구는 SDV 산업의 전환 수준과 인력 수급 실태를 실증적으로 분석하고, SDICI를 활용해 기업 유형별 전환 병목을 진단한다. 이를 통해 기업의 전환 단계와 특성에 맞는 인력 및 산업 정책 수립의 근거를 제시하고자 한다. 3. 연구의 구성 및 범위 본 연구는 SDV 산업의 추진 현황, SW·AI 인력 수급 실태, 기업의 소프트웨어 중심 전환 역량을 종합적으로 분석한다. 이를 위해 실태조사를 통해 산업·기업 규모별 인력 현황과 전환 특성을 파악하고, SDICI 지표체계를 설계해 기업별 역량 수준을 정량화하였다. 이후 업종, 규모, 성숙도별 차이와 인력 병목 요인을 실증적으로 분석하고, 이를 바탕으로 기업 유형별 정책 수요와 차별화된 인력·산업 정책 대안을 제시하였다. 4. 연구 내용 및 결과 본 연구는 SDx 산업, 특히 SDV 산업으로의 전환 과정에서 심화되고 있는 SW·AI 인력 수급 격차를 단순한 인력 부족 문제가 아니라 산업 전환 과정에서 발생하는 구조적 미스매치로 규정하고, 이를 실증적으로 진단하여 정책적 대응 근거를 제시하는 데 목적이 있다. 분석 결과, 자동차산업은 SDV 관련 R&D 비중과 인력 투입 측면에서 이미 확산 단계에 진입한 것으로 나타났다. 그러나 전환의 핵심이라 할 수 있는 소프트웨어 중심의 내재화 수준은 여전히 초기 단계에 머물러 있다. SDV 관련 인력 비중은 확대되고 있으나 핵심 SW 인력 비중은 낮게 유지되고 있어, SDV 전환이 외형적으로는 진전되고 있음에도 산업 내부의 구조적 전환은 충분히 이루어지지 않고 있음을 보여준다. 이러한 불일치는 산업군과 기업 규모에 따라 더욱 뚜렷하게 나타났다. 자동차·부품 제조업은 SDV 전환에 따른 실행 부담이 높음에도 SW 인력 비중이 낮아 하드웨어 중심의 전환 리스크가 집중되는 양상을 보였다. 반면 SW·서비스 부문에서는 특히 중견기업을 중심으로 SDV 인력 투입 규모에 비해 핵심 SW 인력 확보와 매출 성과 창출이 충분히 이루어지지 못하는 병목이 확인되었다. 인력 수급 측면에서도 SDV 전체 인력 부족률보다 SW·AI 인력 부족률이 현저히 높게 나타나, 문제의 본질이 인력 총량의 부족이 아니라 전환 단계, 직무, 숙련 수준, 기업 유형 간 질적 미스매치에 있음을 확인할 수 있다. 본 연구는 이러한 문제를 보다 정밀하게 진단하기 위해 소프트웨어중심혁신역량지수(SDICI)를 활용하였다. SDICI는 기업의 전략, 기술, 인적, 비즈니스, 생태계 역량을 종합적으로 측정하는 지표로, 본 연구에서는 이를 바탕으로 SW·AI 인력 구조와 기업 성과 간의 관계를 분석하였다. 분석 결과, SDV 전환은 역량이 선형적으로 개선되는 과정이 아니라 일정한 임계점을 전후로 병목의 성격이 변화하는 비선형적 전환 구조를 보였다. 전환 초기에는 기초 역량과 실행 기반이 주요 제약요인으로 작용하지만, 성숙도가 높아질수록 병목은 투자 확대, 고급 인력 확보, 표준화, 외부 협력, 사업모델 확장 및 성과 전이 영역으로 이동하는 것으로 나타났다. 군집분석 결과, 기업은 SDV 전환 수준에 따라 기반구축형, 실행·전환형, 확장·성장형, 선도·확산형의 네 가지 유형으로 구분되었다. 각 유형은 상이한 전환 병목과 정책 수요를 지니고 있어, 향후 정책은 기업의 성숙도 수준에 따라 차등화된 방식으로 설계될 필요가 있다. 또한 회귀분석 결과, 기술역량은 SDV 매출의 발생과 확대를 설명하는 핵심 요인으로 확인되었으며, 인적역량은 일정 수준의 기술 기반이 확보된 이후 스케일업 단계에서 성과를 증폭시키는 요인으로 나타났다. 이는 SDV 전환정책이 인재양성과 기술역량 강화를 병행해야 하며, 특히 기술 기반이 실제 성과로 전이될 수 있도록 운영역량과 사업화 지원을 함께 설계해야 함을 시사한다. 종합하면, 본 연구는 SDV 전환이 단순한 기술 도입이나 인력 확충이 아니라 인재양성, 기술역량 강화, 기업 간 협력구조, 데이터·플랫폼·검증 인프라, 성과 창출체계를 통합적으로 재설계해야 하는 산업전환 과제임을 보여준다. 따라서 향후 정책은 범용 교육과 단기 인력 공급 중심에서 벗어나 국가 표준 역량체계, 산업문제 해결형 교육, 공유형 고급인력 풀, 실증 인프라 연계, 성과 기반 지원체계로 고도화될 필요가 있다. 또한 제조기업과 SW기업 간 외주 중심 관계를 공동개발, 공동 지식재산 창출, 수익 공유 기반의 공동 가치 창출 구조로 전환하고, 데이터 개방, 공통 플랫폼, 검증·인증 인프라를 확충해야 한다. 아울러 기업의 SDICI 수준에 따라 지원정책을 차등화하고, 특히 50점 전후의 임계 구간 기업을 집중 지원함으로써 기술·인력 투입이 실제 매출, 서비스 출시, 생산성 향상 등 산업성과로 연결되도록 정책체계를 정교화해야 한다. 5. 정책적 활용 내용 첫째, SW·AI 인력양성 정책 개선에 활용할 수 있다. SDV 산업의 인력 문제는 단순히 인력이 부족한 것이 아니라, 필요한 직무와 숙련 수준이 맞지 않는 데서 발생한다. 따라서 기초 SW 인력, 차량용 SW 전문인력, AI·데이터·보안 인력 등 단계별로 필요한 인재를 체계적으로 양성하는 데 활용할 수 있다. 둘째, 기업 수준에 맞는 맞춤형 지원정책 수립에 활용할 수 있다. 기업마다 SDV 전환 수준과 부족한 역량이 다르므로, 초기 기업에는 인프라와 실증 지원을, 전환 단계 기업에는 SW·AI 인력 확보와 운영체계 고도화를, 성장 기업에는 사업화와 시장 확대 지원을 차별적으로 제공할 수 있다. 셋째, 정책 성과를 점검하는 기준으로 활용할 수 있다. SDICI를 활용하면 기업의 기술역량, 인력역량, 사업화 역량 등이 얼마나 개선되었는지 확인할 수 있다. 이를 통해 단순히 지원 기업 수나 교육 인원만 보는 것이 아니라, 실제 전환 성과와 매출 창출 여부까지 점검할 수 있다. 6. 기대효과 첫째, 소프트웨어 중심 산업 전환을 촉진할 수 있다. 자동차·부품 기업의 SW 역량 강화, SW·서비스 기업의 SDV 시장 진입, 중소·중견기업의 전환 부담 완화를 지원함으로써 SDV 산업 경쟁력을 높일 수 있다. 또한 이러한 방식은 향후 조선, 항공, 로봇, 제조 등 다른 SDx 산업으로도 확장될 수 있다. 둘째, 정책 지원의 효과를 높일 수 있다. 기업별 부족한 부분을 정확히 파악해 필요한 지원을 제공함으로써 정책 자원의 낭비를 줄이고, SDV 전환 속도와 성과를 높일 수 있다.

요약문 1. 제 목 : 메타버스-인공지능 융합 활성화 연구 2. 연구 목적 및 필요성 메타버스는 제조·의료·교육 등 다양한 산업에서 실증 성과를 축적하며, 엔터테인먼 트 중심 활용을 넘어 시뮬레이션, 의사결정지원, 교육·훈련 등으로 활용 범위를 확대 하고 있다. 한편 AI는 데이터 기반 자동화를 통해 산업 전반의 생산성과 업무 구조를 재편하는 핵심 기술로 자리잡고 있다. 최근에는 생성형 AI 기반 콘텐츠 제작 고도화, XR 기반 AI 스마트 안경 확산, 엔비디아의 옴니버스–코스모스를 통한 피지컬 AI 훈련 사례 등에서 보듯 메타버스와 AI가 상호 보완적으로 결합되고 있다. 그러나 기존 연구는 메타버스 관점에서의 AI 활용에 집중되어 왔으며, AI 발전 관점 에서 메타버스의 전략적 역할에 대한 체계적 분석은 미흡하다. 이에 본 연구는 메타버 스–AI 융합 구조를 종합적으로 분석하고, 양 기술의 공진화를 촉진하는 기술·산업·정 책적 시사점을 도출함으로써, 메타버스는 AI 기반 산업 혁신과 디지털 전환을 견인하 는 핵심 플랫폼으로, AI는 메타버스의 기능·서비스·생태계를 고도화하는 핵심 동력 으로 발전하는 데 기여하고자 한다. 3. 연구의 구성 및 범위 본 연구는 메타버스와 AI 융합 활성화 전략을 도출하기 위해 기술–산업–정책으로 이 어지는 단계적 구조로 총 5개 장으로 구성되었다. 제1장은 연구 배경과 목적을 제시하 고, 제2장은 메타버스와 AI의 핵심 기술 요소를 정리한다. 제3장은 AI 기반 메타버스 혁신과 메타버스 기반 AI 혁신 등 양 기술의 상호 시너지를 분석하고, 융합 시너지에 따른 가치사슬 변화를 구조화한다. 제4장은 주요 산업별 활용 동향과 주요국의 관련 정책을 검토하여 메타버스-AI 융합의 중장기 발전 방향을 제시한다. 마지막으로 제5장 은 메타버스–AI 융합의 장애요인을 정리하고 대응 방안을 제시한다. 4. 연구 내용 및 결과 4.1 메타버스 및 AI 기술 개요 메타버스는 현실 세계와 가상 세계가 융합하는 가상융합세계로, 메타버스의 핵심 기 술로는 AI, 공간컴퓨팅, 디지털 트윈, 블록체인 등이 있다. 이들은 콘텐츠–플랫폼–네트 워크–디바이스(CPND) 산업 생태계 전반에 걸쳐 신공간화, 초개인화, 초실감화, 멀티모달화라는 진화 방향을 형성하고 있다. 특히 공간컴퓨팅은 현실 공간을 디지털 정보와 정밀하게 연동하여 사용자의 상호작용 방식을 근본적으로 확장하며, 디지털 트윈은 물 리적 세계를 가상 환경에 실시간으로 복제·분석·예측하는 기반 기술로 산업 전반의 의사결정 구조를 고도화한다. 한편, AI는 기계학습-딥러닝-생성형 AI로 이어지는 기술 발전을 통해 산업의 생산성 구조와 업무 방식을 재편하는 범용 핵심 기술로 부상하였다. 특히 생성형 AI는 텍스 트·이미지·영상·음성·코드 등 다양한 콘텐츠를 창작하는 능력을 바탕으로 메타버 스 콘텐츠 생산을 혁신하고 있으며, 멀티모달 AI, AI 에이전트 등은 산업 전반의 지능 화를 가속화하고 있다. 4.2 메타버스-AI 융합 시너지 메타버스와 AI 기술은 서로의 발전을 촉진하며 공진화하고 있으며, 이로 인해 새로운 가치와 서비스 창출의 혁신이 기대된다. AI는 텍스트로도 실시간 콘텐츠 창작을 지원하며, 메타버스 내에서 사용자의 행동 패턴을 학습하여 개인화된 콘텐츠와 추천 시스템 구현 등에 핵심적 역할을 수행한다. 이를 통해, 메타버스는 각 사용자에게 최적화된 맞춤형 경험을 제공하고 산업적 활용 측면에서도 향상된 성과 달성에 기여할 수 있다. 메타버스는 AI 학습에 필요한 데이터와 시뮬레이션 환경을 제공함으로써 상호 시너지 효과를 창출하고 있다. 메타버스에서 생성되는 사용자 행동 데이터는 AI 모델 학습에 유용하게 활용될 수 있고, 메타버스에서 제공하는 가상 시뮬레이션 환경은 AI가 복잡 하고 다양한 물리적 조건을 안전하게 사전 학습하고 대응 전략을 검증하는데 기여할 수 있다. 또한, AI 기반 XR 기기와 디지털 휴먼은 현실과 가상 세계를 연결하는 핵심 매개체로서 AI의 실생활 활용성을 높이며, 새로운 응용 서비스 기회를 창출할 것으로 기대된다. 또한, 메타버스–AI 융합은 ‘인프라’에서 ‘경험’에 이르는 메타버스 가치사슬 전 단계에 걸쳐 동시다발적으로 확산되며, 생태계 전반의 고도화를 견인하는 핵심 동력으 로 작용하고 있다. AI는 메타버스 전 영역에서 효율성·개인화·지능화를 동시에 강화 하며 기존 가치사슬을 고도화하는 동시에 새로운 수익 기회를 창출하고 있다. 이러한 융합의 확산은 기술 혁신을 가속화하는 한편, 데이터 수집·가공 범위, AI생성 창작물 저작권 등 새로운 사회·제도적 과제의 부상을 예고하고 있다. 4.3 메타버스-AI 융합 발전 전망 제조, 교육, 유통, 의료 등 다양한 분야에서 메타버스와 AI 융합이 적용되고 있다. 제 조분야에서는 AI 기반 공정 최적화, AI 기반 시뮬레이션, 로봇 가상 훈련 등의 활용 사 례가 나오고 있으며, 교육 분야에서는 개인 맞춤형 학습, AI 보조 학습 등이 가능해지 고 있다. 유통 분야에서는 맞춤형 가상 쇼핑 경험 제공, 물류 효율성 향상 등에 기여할 수 있으며, 헬스케어·의료 분야에서는 XR 치료 플랫폼, 정신·인지 재활 지원 등에 활용될 수 있다. 건설, 국방, 문화 분야에서도 메타버스-AI 융합 활용 사례가 만들어지 는 등 다양한 산업 분야로의 점진적 확산이 전망된다. 국제적으로는 미국, EU, 중국, 중동에서 메타버스-AI 융합을 지원하는 정책들이 진행 되고 있다. 미국과 EU는 메타버스를 구현하는 XR을 중심으로 AI를 융합하는 사례들을 개발하고 있으며, 중국은 메타버스 육성 계획에 산업 메타버스를 중심 축으로 삼아 AI, 블록체인, 클라우드 등 신기술의 집성 혁신을 명시하였다. 중동에서는 관광, 도시 분야 에서 메타버스 도입과 AI 연계를 시도하고 있으며, 국제전기통신연합(ITU)과 유엔 국제 컴퓨팅센터(UNICC), 디지털 두바이가 공동으로 추진하는 시티버스(Citiverse - Global Initiative on Virtual Worlds & AI)는 메타버스와 AI 등 디지털 신기술의 도시 적용을 위한 규범적 프레임워크를 마련하고 있다. 산업 활용 동향과 정책 동향을 통해 볼 때 메타버스-AI 융합 시너지는 중장기적으로 지속 발전 할 것으로 전망된다. 구체적으로는 단기적으로 콘텐츠 생산성과 개인화 경 험의 향상 및 서비스 최적화가 두드러지며, 중기적으로 AI 인터페이스의 고도화와 활 용 범위 확대, 장기적으로 현실과 가상 간 융합이 일상화되면서 사회·경제 구조 건반 에 걸친 근본적 변화가 나타날 것으로 전망된다. 메타버스–AI 융합은 중장기적으로 높은 산업적·사회적 잠재력을 지니지만, 이를 현실화 하기 위해서는 기술적·산업적 제약을 동시에 극복할 필요가 있다. 특히 시뮬레이션 기반 AI 학습에서는 가상과 현실 간 성능 격차(Sim-to-Real Gap) 문제 해결이 필요하며, XR 기기 역시 배터리, 무게, 시야각, 사용자 피로도 등 기술적 한계를 극복해야 한다. 또한 플랫폼 구축, 장비 도입, AI 인프라 확보 등에 따른 높은 초기 비용과 투자 불확실성은 산업 확산 을 지연시키는 요인으로 작용할 수 있다. 따라서 메타버스–AI 융합은 기술 성숙도 확보와 경제성 검증 과정을 거치며 점진적으로 발전할 가능성이 높으며, 향후 발전 전략은 기술 혁 신과 산업 기회뿐 아니라 기술적 한계와 리스크를 균형 있게 고려하는 접근이 필요하다. 4.4 메타버스-AI 융합 활성화 방안 메타버스-AI 융합을 저해하는 주요 장애요인은 내부 인재 부족, 경영진의 인식 부족, 데이터 부족, AI 인프라 비용, 기존 시스템과의 상호 운용성 부족, 초기 투자비용, 투자 대비 성과 불확실, 법·제도의 불확실성 등으로 요약된다. 이러한 제약은 기업 단독으 로 해결하기 어려우며 정부 차원의 지원 정책이 요구된다. 이에 본 보고서는 융합 인재 양성, 경영·조직 역량 강화, 데이터 생태계 구축, AI 인 프라 지원, 표준·상호운용성 확립, 초기 도입지원, 정책금융, R&D 실증 지원, 파트너 십 및 글로벌 진출, 법·제도 정비를 대응 방안으로 제시한다. 이를 통해 메타버스-AI 융합을 촉진하고 메타버스와 AI 산업이 상호 발전하는 선순환 구조를 구축함으로써 국 가 디지털 경쟁력과 미래 성장 동력을 강화하는데 기여하고자 한다. [대응 방안1] 융합인재 양성 메타버스–AI 융합은 3D·XR·AI·데이터·산업 도메인을 아우르는 복합 역량을 요구 하지만, 국내 기업들은 이러한 융합 인재를 충분히 확보하지 못하고 있으며 특히 중소 기업은 인력 확보와 유지에 어려움을 겪고 있다. 이에 따라 대학–산업–정부 연계를 통 한 융합 교육과정 구축, 재직자 리스킬링·업스킬링 확대, 현장 프로젝트 및 글로벌 교 육·인증 연계 등 단계적·지속적인 인재 양성 체계 구축이 필요하다. [대응 방안2] 경영·조직 역량 강화 메타버스–AI 서비스 추진을 위해서는 기술·데이터·인프라 투자와 함께, 경영진의 인식 제고와 전담 조직·거버넌스 정비 등 경영·조직 역량 강화가 병행되어야 한다. 이를 위해 경영진 대상 전략 교육, 전담 조직에 대한 권한·예산 부여, 기술 인력 성과 의 KPI 반영 및 보상 강화 등을 통해 메타버스–AI 융합을 중장기 핵심 사업 영역으로 정착시킬 필요가 있다. [대응 방안3] 데이터 생태계 구축 메타버스–AI 융합의 경쟁력은 고품질 데이터의 확보와 공유·활용 역량에 의해 좌우 되며, 현재 주요 산업 도메인에서 학습용 멀티모달 데이터 부족이 핵심 제약 요인으로 작용하고 있다. 이에 따라 개별 기업 단위의 대응을 넘어, 국가·산업 차원의 데이터 생태계 구축과 산업별 핵심 데이터 정의 및 데이터 로드맵 수립이 필요하다. 또한 공 공–민간 공동 데이터 표준체계 구축과 데이터 거래 활성화를 통해 표준 단절과 정합화 비용을 완화하고, 중소기업 대상 데이터 전처리 바우처 확대와 공공 전처리 인프라 공 동 활용을 통해 데이터 구축 비용 부담을 줄일 필요가 있다. [대응 방안4] AI 인프라 지원 메타버스–AI 서비스 운영에는 대규모 연산 인프라가 필수적이지만, 중소·지역 기업은 높은 GPU·클라우드 비용으로 인해 심각한 부담을 겪고 있다. 이에 공용 GPU 센터 구 축, 연산 자원 바우처·클라우드 이용료 지원, PoC 이후 운영 단계까지 이어지는 지속형 인프라 지원, 그리고 기업 성장 단계에 맞춘 맞춤형 장비 지원 체계 마련이 필요하다. [대응 방안5] 표준·상호운용성 확립 메타버스–AI 융합이 산업 전반으로 확산되기 위해서는 플랫폼 간 연동과 기존 시스템 연계를 가능하게 하는 표준·상호운용성 체계가 필수적이며, 이는 보안 기준과 함께 초기 단계부터 설계되어야 한다. 또한 글로벌 시장 진출을 고려하여 국제 표준·규제 와의 정합성을 확보하는 것이 메타버스–AI 융합 생태계 확장에 필요하다. [대응 방안6] 초기 도입 지원 메타버스–AI 융합 사업은 높은 초기 투자 비용으로 인해 중소·지역 기업이 파일럿조 차 시도하기 어려운 경우도 생겨, 공공영역 중심의 초기 시장 창출과 선도적 공공구매 를 통한 도입 촉진이 필요하다. 아울러 실증–마켓핏–디자인–현지화–사업화 이관을 연계 한 전주기 지원과 바우처·엑셀러레이팅 결합형 정책을 통해 초기 도입이 실제 시장 확산으로 이어지도록 해야 한다. [대응 방안7] 정책금융, R&D 실증 지원 메타버스–AI 융합 사업은 기술적 불확실성과 높은 투자 부담으로 인해 기업이 단독으 로 대규모 투자를 감행하기 어려우므로, 실증형 R&D 보조금과 성과연계형 금융지원 등 정책금융의 적극적 개입이 필요하다. 또한 PoC·테스트베드 확대와 공공 안전·국 방·의료 등 공공영역 중심 실증 지원을 통해 실증 비용을 낮추고 사업화 연계를 촉진 해야 한다. 또한, 심투리얼 갭 해소를 위해 고충실도 시뮬레이션과 심투리얼 전이학습 기반의 기술 개발 지원을 강화하여 가상에서 학습된 AI가 실제 산업 현장에서 정확히 작동하도록 하는 기술 지원이 시급하다. [대응 방안8] 파트너십 및 글로벌 진출 메타버스–AI 융합 사업은 초기 투자 부담과 불확실성이 높아 기업 단독 추진이 어려 우므로, 국내 AI·메타버스 기업 간 파트너십과 대기업–중소기업 협력, 그리고 글로벌 공동 연구·실증 참여를 통해 비용과 리스크를 분산할 필요가 있다. 특히 국제 협력 프로그램 참여는 초기 부담 완화와 함께 기술 신뢰도 제고, 해외 실증 및 시장 진출을 촉진하여 국내 메타버스–AI 산업의 지속 성장 기반 강화에 기여 할 수 있을 것이다. [대응 방안9] 법·제도 정비 메타버스–AI 융합 산업의 성장을 위해서는 데이터 활용과 AI 생성물에 관한 현행 법 령의 적용 범위와 해석 기준을 명확히 정립하여, 기업이 사전에 법적 리스크를 예측할 수 있는 제도적 기반을 마련할 필요가 있다. 특히 메타버스 내 생체·행태 데이터와 AI 학습 데이터에 대한 수집·활용 요건, 가명정보 및 추가적 이용 기준을 AI 학습 특 성에 맞게 구체화함으로써 데이터 활용의 법적 예측 가능성을 제고해야 한다. 아울러 AI 생성물의 유형별 법적 분류와 책임 배분 원칙, 고위험 서비스에 대한 강화된 책임 기준을 포함한 일관된 규범적 틀을 정립하여, 생성형 AI 확산에 따른 규제 불확실성과 기업의 컴플라이언스 리스크를 최소화할 필요가 있다.

요약문 1. 제 목 : AI시대 SW산업 성장동력 확충방안 연구 2. 연구 목적 및 필요성 한국 경제는 저성장 국면과 인구 구조 변화라는 심각한 구조적 문제에 봉착해 있다. 특히 글로벌 시장이 AI 중심으로 급격히 재편됨에 따라, 국내 SW 기업의 재성장을 견 인할 수 있는 새로운 산업 육성 정책이 절실한 시점이다. 본 연구는 전환기 시장 실패 를 방지하고 민간과 정부의 효율적인 투자 포트폴리오 기준을 수립함으로써, 주력산업 과 SW 산업의 성장이 상호 견인하는 성장 동력을 확충하는 데 그 목적이 있다. 3. 연구의 구성 및 범위 본 연구는 SW 기업의 내부 역량인 기술력과 비즈니스 모델, 그리고 외부 환경인 수 요 산업을 연계하여 다각도로 분석한다. 팬데믹 이후 자본과 노동 등 생산 요소의 기 여도 변화를 측정하고, 매출 성장 및 투자 유치에 미치는 결정 요인을 분석 범위로 설 정한다. 또한 제조업과 서비스업 등 수요 산업별 성장 기여도 차이를 규명하며, 이를 바탕으로 수직적 AI(Vertical AI)와 과금체계 혁신 방안 등 신규 비즈니스 모델 및 고도 화된 시스템 통합(SI) 전략을 도출한다. 4. 연구 내용 및 결과 AI 시대의 지식 동학 분석은 소프트웨어는 단순한 기술 도구를 넘어 문제를 해결하 고 특정 결과를 도출하는 ‘처방적 지식(Prescriptive Knowledge)’의 집합체로 정의된 다. 생성형 AI의 등장은 이러한 처방적 지식을 기하급수적으로 증폭시키며, 단순한 지 식의 습득보다는 실행과 해결의 가치를 극대화한다. 이러한 지식 동학의 변화는 SW 산업의 경쟁력이 개별 엔지니어의 단순 숙련도를 넘어, 데이터를 통해 지식을 자본화 하고 이를 시스템적으로 재현하는 엔지니어링 역량으로 전이되고 있음을 시사한다. 국내 SW 기업의 성장 결정 요인을 정량적으로 분석한 결과(제3장), 팬데믹 이후 SW 생산체계에서 노동 투입보다 자본 투입의 성장 기여도가 유의미하게 높아지는 구조적 변화가 확인되었다. 특히 기업의 매출 성장률은 외부 투자 유치 활동과 창업 초기 규 모에 가장 민감하게 반응하였으며, 투자 유치 성공 확률은 구독형 서비스(SaaS) 모델 과 원천 기술력(특허)을 보유한 기업에서 통계적으로 높게 나타났다. 수요 측면에서는 서비스업 수요가 산업 전반의 성장을 견인해 온 반면, 제조업 수요는 팬데믹 기간의 침체 이후 성장에 유의미하게 기여하지 못하고 있는 것으로 분석되었다. 인공지능 전환기에 대응하는 비즈니스 모델 및 사례 연구 결과(제4장), 범용 기능을 제공하는 수평적 SaaS보다 특정 산업의 독점적 데이터와 워크플로우를 장악하는 ‘수 직적 AI(Vertical AI)’의 전망이 더 좋은 것으로 나타나고 있다. 제조기업의 민감한 데 이터 유출 우려로 인해 공용 플랫폼보다는 보안성이 담보된 시스템 통합(SI) 기반의 ‘프라이빗 AI’ 수요가 증대되고 있으며, 이에 따라 기술적 가치와 비즈니스 기여도 에 따라 대가를 산정하는 과금체계의 고도화가 새로운 표준으로 부상하고 있다. 특히 글로벌 선도 기업의 사례를 통해 고숙련 엔지니어가 고객 현장에 밀착하여 문제를 해 결하는 전진 배치 모델의 유효성을 확인하였으며, 이를 뒷받침하기 위해 기존 기능 중 심 대가 산정에서 탈피하여 기술적 복잡성을 반영한 ‘기술 규모’ 중심의 새로운 대 가 체계 도입이 필수적이다. 5. 정책적 활용 내용 본 분석 연구는 정부 및 민간 투자 재원의 효율적 배분을 위한 정책적 가이드라인으 로 활용될 수 있다. 특히 수출 주력 제조업의 경쟁력 유지를 위한 Physical AI 및 제조 설계용 SW 육성 정책의 핵심 근거가 될 것이다. 또한, AI 엔지니어링의 특수성을 반 영하여 기존 기능점수(FP) 중심의 대가 체계를 개선하기 위한 기초 자료로 제공됨으로 써, SW 기업의 기술적 가치를 정량적으로 평가하는 제도적 기반을 마련하는 데 기여 할 수 있다. 6. 기대효과 본 연구는 국내 SW 산업이 저부가가치 용역 구조에서 탈피하여 하이테크 엔지니어 링 산업으로 진화하는 이정표를 제시한다. 특히 제2장에서 새롭게 구축한 LMM 기반 의 SW기업 자동분류 체계는 향후 연구에서도 지속적으로 활용되어, 기존 승인통계 체 계의 경직성을 보완하고 SW 산업의 동태적 현황을 기민하게 파악하는 데 기여한다. 또한 4장에서 제조업의 생산성 혁신과 SW 산업의 성장이 상호 견인하는 선순환 구조 를 안착시킴으로써 국가 경제 전반의 기술 자본 축적을 가속화하며, 궁극적으로는 글 로벌 기술 패권 경쟁에서의 우위를 확보하고 새로운 경제 성장 모델을 창출하는 효과 가 있다.

요약문 1. 제 목 : AI시대 데이터 상호운용성 및 이동권 활성화 전략 연구 2. 연구 목적 및 필요성 AI 기술이 단순한 보조 도구를 넘어 스스로 데이터를 탐색하고 과업을 수행하는 능동 형 AI(AI Agent) 시대로 진화함에 따라, 데이터는 가치 창출을 목적으로 설계·관리되 는 ‘데이터 제품(Data Product)’으로 재정의되고 있다. 이러한 패러다임 변화에 대응 하여 국내에서도 데이터 댐 프로젝트와 마이데이터 사업 등을 통해 양적 공급을 확대 해 왔으나, 산업 현장은 여전히 데이터 파편화와 ‘AI-Ready Data’의 부족이라는 구 조적 한계에 직면해 있다. 특히 2024년 소프트웨어정책연구소(SPRi) 인공지능산업실태 조사에서 기업의 22.8%가 AI 도입의 핵심 장애요인으로 데이터 확보 및 품질 문제를 꼽은 것은, 데이터의 총량보다 실질적인 연결과 활용이 더 시급함을 시사한다. 따라서 현재의 파편화된 구조를 극복하고 혁신적인 데이터 생태계를 조성하기 위해서는 데이 터를 유기적으로 결합하는 ‘상호운용성(Interoperability)’ 확보와 정보 주체의 주도적 활용을 보장하는 ‘데이터 이동권(Right to Data Portability)’의 실질적 구현이 필수적 이다. 3. 연구의 구성 및 범위 본 연구는 총 6장으로 구성되며, 주요 내용은 다음과 같다. 제1장 서론에서는 능동형 AI의 등장에 따른 데이터 패러다임 변화와 연구 배경 및 목 적을 제시한다. 제2장에서는 데이터 관리 패러다임의 전환을 살펴보고 생애주기별 현 황 분석을 위한 프레임워크를 구축한다. 제3장과 제4장에서는 각각 상호운용성과 이동 권에 관한 국내외 정책·표준·법제 및 산업별 적용 사례를 수집·분석하여 핵심 쟁점 을 도출한다. 제5장에서는 생애주기 단계별 쟁점을 논리적으로 구조화하고 기술, 제 도·거버넌스, 경제·사회적 관점의 개선 방안을 종합 분석하여 실행 방향을 제언한다. 마지막 제6장에서는 연구 결과를 종합하고 정책 수립 및 실무 활용을 위한 중장기 발 전 방향을 논의한다. 4. 연구 내용 및 결과 본 연구는 데이터 상호운용성 및 이동권에 관한 글로벌 주요국의 정책 동향과 산업별 적용 사례 분석을 통해 도출된 핵심 쟁점들을 5단계의 순환적 데이터 생애주기 모 델과 STS(사회기술시스템)의 세 가지 관점(기술, 제도·거버넌스, 경제·사회)을 활용하 여 입체적으로 분석하였다. 분석 결과, 데이터 생태계의 원활한 흐름을 저해하는 5대 핵심 쟁점(① 데이터 고립 및 초기 확보 역량 격차 심화, ② 대규모 연계 체계 미흡 및 상호 연결성 한계, ③ 데이터 품질 및 신뢰성 확보 미흡, ④ 플랫폼 독점 및 데이터 흐 름 단절, ⑤ 지속가능성 결여 및 책임 거버넌스 부재)을 식별하였으며, 세부적인 분석 결과는 다음과 같다. 5. 정책적 활용 내용 본 연구에서 도출된 3대 추진 전략 및 세부 실행 과제는 향후 국가 차원의 데이터 정책 수립 및 현장 이행을 위한 실무 지침으로 폭넓게 활용될 수 있다. 거버넌스 측면에서는 국가데이터처와 같은 전담 조직이 부처별로 산재한 데이터 정책을 통합하고, 플랫폼 시장의 공정 경쟁 환경을 조성하기 위한 실질적인 법적·제도적 근거를 마련하 는 데 기초 자료로 활용되어야 한다. 특히 데이터 산업법 및 산업별 특별법 개정 시 범용 표준 API 제공 의무화와 이행 실효성 확보를 위한 가이드라인으로 쓰일 수 있다. 기술적 측면에서는 국가 데이터 허브의 논리적 구조 설계와 산업별 표준 API 확산 로 드맵 수립 시 구체적인 기술적 참조 모델을 제공한다. 또한 사회적 측면에서는 정보 주체 친화적인 UX/UI 표준 가이드라인 보급을 통해 마이데이터 이용률을 실질적으로 제고하고, 글로벌 신뢰 기반 데이터 흐름(DFFT) 규범에 대응하는 국제 협력 전략 수립 에 정책적 시사점을 제공한다. 6. 기대효과 본 연구의 수행을 통해 기대되는 성과는 경제, 제도, 국가적 측면에서 실질적이고 광 범위한 파급 효과를 가질 것으로 전망된다. 경제적으로는 파편화된 데이터 환경을 실 질적으로 연결함으로써 개별 기업의 중복 투자를 방지하고 데이터 거래 및 탐색 비용 을 획기적으로 낮추어 AI 산업 전반의 혁신 성장을 가속화할 수 있다. 제도적 측면에 서는 정보 주체의 실질적인 데이터 주권을 확립하는 동시에, 데이터 이동권 행사와 관 련된 법적 불확실성을 해소하여 투명하고 예측 가능한 데이터 거버넌스 체계를 정착시 키는 데 기여할 것이다. 국가적으로는 대한민국이 AI 시대에 부합하는 선진적 데이터 관리 역량을 확보함으로써, 데이터 고립주의에 대응하고 글로벌 데이터 규범 형성을 주도하는 핵심 국가로 도약하는 정책적 토대가 마련될 것으로 기대된다.

요약문 1. 제 목 : 인공지능 산업 분류체계 개선 연구 2. 연구 목적 및 필요성 최근 인공지능(AI) 기술은 산업의 디지털 전환(DX) 및 생성형 AI가 촉발한 기술적 진 보를 통해 정보통신업은 물론 산업 전반으로 빠르게 확산되고 있다. 즉, AI는 단일 기 술 영역을 넘어 제조, 금융, 의료, 콘텐츠, 물류 등 다양한 산업 분야에 융합되고 내재 화되며 생산성 향상과 산업 혁신의 핵심 동력으로 자리잡고 있다. 이러한 변화는 AI가 더 이상 특정 기술이나 서비스의 부속 개념이 아니라, 전 산업의 구조 전반을 재편하 는 핵심 기반으로 성장하고 있음을 보여준다. 그러나 현행 한국표준산업분류(KSIC)를 비롯한 기존 AI 관련 산업 분류체계는 이러한 AI 산업의 변화 양상을 충분히 반영하지 못하고 있다. AI 기술과 관련 산업 활동이 다 양한 산업 코드에 산재됨에 따라 산업 규모나 성장 추세를 체계적으로 파악하기 어렵 고, AI 기술 개발, 데이터 처리, AI 서비스 제공 등 주요 산업 활동이 명확히 구분되지 못하고 있다. 그 결과 AI 산업의 변화를 반영한 통계 조사의 필요성이 부각되고 있으 며, 세분화되지 못한 분류로 인한 정책적 활용에도 한계가 존재한다. 특히 정부에서 추진 중인 AI 관련 정책, 연구개발(R&D), 인력양성 사업 등은 산업별 통계와 연계되어야 실효성을 확보할 수 있으나, 현행 대분류 중심의 분류체계로는 관 련 산업의 범위와 구조를 일관성 있게 정의하기 어렵다. 따라서 AI 산업을 변화된 산 업 생태계 중심의 관점에서 재정의하고, 기술 개발에서 서비스 제공, 활용 산업에 이르 는 전 주기적 분류체계를 마련할 필요성이 높아지고 있다. 이에 본 연구는 AI 산업의 실제 구조와 가치사슬을 반영한 새로운 산업 분류체계를 설계하고자 한다. 구체적으로는 AI 핵심 기술, 플랫폼 및 서비스, 활용 산업을 포괄하 는 다층적 분류 기준을 수립하고, 이를 통해 AI 산업의 통계적 가시성을 제고하며 정 책 수립의 근거를 마련하는 것을 목표로 한다. 또한 산업 간 융합과 기술 진화를 반영 할 수 있도록 중분류 항목 간의 연계성과 확장성을 확보하고, 산업 실태조사 및 정책 평가에 활용 가능한 기초자료를 구축하고자 한다. 아울러 본 연구는 OECD, EU, 미국 등 주요국의 AI 산업 정의 및 분류체계 동향을 분 석하여 국제적 정합성을 확보하는 데에도 중점을 두었다. 글로벌 차원의 산업 비교와 통계 연계를 위해서는 AI 산업의 정의와 범위를 국제 표준과 조화롭게 정립하는 것이 필수적이다. 따라서 본 연구에서 제시하는 개선 방안은 국내 정책적 실효성과 함께 국 제 경쟁력 강화를 위한 기반으로서의 의미를 갖고 있다. 3. 연구의 구성 및 범위 본 연구는 AI 산업의 정의와 구조를 명확히 하고, 현행 산업 분류체계의 한계를 개선 하기 위한 실질적 개선 방안을 도출하기 위해 단계적으로 구성되었다. 첫째, AI 산업의 개념, 기술 분류, 응용 분야 등 국내외 관련 문헌과 통계체계를 조사 하고 분석하였다. 이를 통해 인공지능산업실태조사에서 활용중인 분류체계 구조와 한 계를 검토하고, OECD, EU, 미국 등 주요국의 AI 산업 정의 및 분류체계 사례를 비교, 분석하여 국제적 정합성 확보를 위한 기초자료를 마련하였다. 산업 분류체계 개선(안) 도출 단계에서는 국내 산업통계체계와 정책 수요를 반영하여 세부 산업군을 식별하고, 새로운 분류체계의 구조와 코드를 설계하였다. 특히 AI 관련 소프트웨어, 서비스, 하드웨어 산업을 통합적으로 포괄할 수 있도록 세부 분류항목을 강화하고, 기존 KSIC과의 대응관계를 분석하여 실무적 활용 가능성을 높였다. 제안된 분류체계의 타당성을 검증하기 위해 시범 적용 사례를 분석하고, 관련 전문가 자문 및 관계 기관 의견 수렴을 통해 개선(안)의 보완 방향을 제시하였다. 이를 통해 본 연구의 분류체계가 실제 정책 및 통계 작성, 산업 실태조사 등에 활용 가능한 수준 의 실효성을 갖추도록 하였다. 결과적으로 본 연구의 범위는 AI 산업의 개념 정의에서부터 분류체계 설계 및 검증까 지 전 주기를 포괄하며, 통계와 정책 연구 등 다양한 분야에서 활용 가능한 AI 산업 분류체계의 기초 틀을 제시하는 데 그 의의가 있다. 4. 연구 내용 및 결과 본 연구는 AI 산업의 구조적 특성을 반영한 새로운 산업 분류체계를 마련하기 위해, 기존 분류체계의 한계를 분석하고 개선 방향과 구체적 대안을 도출하는 것을 중심 내 용으로 구성되었다. 연구는 문헌 조사, 사례 분석, 전문가 자문, 분류체계 설계 및 검증 등 다각적인 방법론을 통해 수행되었으며, 기술, 산업, 정책의 연계성을 종합적으로 고 려하였다. 우선, 기존 산업 분류체계 분석 단계에서는 인공지능산업실태조사에서 활용 중인 기 존 AI 산업 분류체계 및 한국표준산업분류(KSIC)와 관련 통계 체계를 중심으로 AI 관련 산업 활동이 어떻게 분류되어 있는지를 검토하였다. 그 결과, AI 기술 개발, 데이터 처 리, AI 서비스 제공 등 핵심 산업 활동이 여러 산업 코드에 분산되어 있어 산업 실태 를 정확히 파악하기 어렵다는 한계가 확인되었다. 이러한 문제 인식에 따라, 국내 산업 현황과 정책 수요를 반영하여 세부 산업군을 재 구성하였다. AI 관련 산업을 기존 AI 산업 분류체계 및 타 분류체계를 참고하여 ‘AI 소프트웨어 산업’, ‘AI 서비스 산업’, ‘AI 하드웨어 산업’으로 구분하고, 각 영역 내에 세부 분류 항목을 기존 문헌 및 전문가 수요 조사에 따라 설정하였다. 마지막으로, 개선(안) 검증 단계에서는 제안된 분류체계의 타당성과 활용 가능성을 검 토하기 위해 시범 적용 및 전문가 검토를 실시하였다. 이를 통해 새로운 분류체계가 산업 실태조사, 정책평가, 투자통계 등 다양한 분야에서 실질적으로 활용될 수 있음을 확인하였으며, 향후 국가데이터처 및 관련 기관의 산업 분류 개편 시 참고 가능한 기 초자료로서의 유용성을 확보하였다. 본 연구의 결과는 AI 산업을 소프트웨어, 서비스, 하드웨어의 전 주기적 관점에서 통 합적으로 파악할 수 있는 체계를 제시하였다는 데 의의가 있다. 이를 통해 AI 산업의 통계적 기반을 강화하고, 정책 수립과 산업 지원의 실효성을 높이는 동시에, 국제 표준 과의 정합성을 갖춘 국가 차원의 AI 산업 분류체계 고도화 모델을 제안하였다. 이러한 연구 성과는 향후 정부, 연구기관, 산업계가 AI 관련 통계를 생산, 활용하는 데 중요한 기준으로 활용될 것으로 기대된다. 5. 정책적 활용 내용 본 연구에서 제시한 AI 산업 분류체계 개선(안)은 단순히 산업 코드를 재편하는 기술 적 작업을 넘어, AI 산업의 구조적 특성을 체계적으로 이해하고 이를 정책·통계·산 업 전략 전반에 반영하기 위한 기반을 마련했다는 점에서 의의가 있다. 새로운 분류체 계는 AI 산업의 범위와 구성요소를 명확히 정의함으로써, 정부와 공공기관이 추진하는 AI 관련 정책의 효과성을 높이고 산업 육성 전략의 방향성을 구체화하는 데 기여할 수 있다. 첫째, 정책적 측면에서 본 연구의 결과는 AI 산업 진흥 정책의 수립 및 평가를 위한 근거자료로 활용될 수 있다. 그동안 AI 산업은 기술 중심의 분류와 융합 산업 중심의 분류가 혼재되어 정책 효과 분석이 어려웠으나, 개선된 분류체계를 통해 산업별 실태 조사와 성과평가가 가능해질 것으로 기대된다. 특히, 정부의 「국가 AI 전략」, 「산업 디지털 전환 정책」, 「AI 인재양성 종합계획」 등과 연계하여 AI 산업의 구조적 변화 를 추적하고, 중장기 정책목표 설정의 기초자료로 활용될 수 있다. 둘째, 통계적 측면에서는 새로운 분류체계가 AI 산업의 규모와 성장 추세를 객관적으 로 측정할 수 있는 통계 기반을 제공한다. 기존 한국표준산업분류(KSIC)에서는 AI 관련 산업이 여러 코드에 분산되어 있어 통계 생산 시 중복과 누락이 발생했으나, 본 연구 의 개선(안)을 적용하면 산업 단위별로 일관된 데이터 수집과 비교 분석이 가능해진다. 이는 국가데이터처, 과학기술정보통신부 등 관련 기관이 추진하는 산업통계 생산체계 의 정합성을 높이고, AI 산업 통계의 국제 비교 가능성을 확보하는 데에도 기여할 것 이다. 셋째, 산업적 측면에서는 AI 기술과 서비스가 다양한 산업에 내재화되는 추세를 반영 하여, 산업계의 전략적 투자와 기술개발 방향 설정에도 활용될 수 있다. 기업은 본 연 구에서 제시한 분류체계를 통해 자사의 사업 영역이 AI 가치사슬 내에서 어떤 위치에 있는지를 파악할 수 있으며, 이를 기반으로 협력 네트워크 구축, 시장 진출 전략 수립, 기술로드맵 개발 등에 참고할 수 있다. 특히, AI 스타트업 및 중소기업의 경우 산업 통 계에 기반한 시장 진입 전략을 구체화할 수 있는 근거 자료로서의 활용 가능성이 높 다. 마지막으로, 본 연구의 결과는 향후 표준산업분류 개편 및 AI 산업 실태조사 제도화 를 위한 기초자료로서 기능할 수 있다. 제안된 분류체계는 국내외 산업 구조 변화를 반영할 수 있는 유연성과 확장성을 갖추고 있어, 국가데이터처 및 관계 기관의 공식 산업 분류체계 개정 과정에서 실질적인 참고 모델로 활용될 수 있다. 나아가 정부 차 원의 산업통계 체계와 연계하여 AI 산업의 성장 추세를 정량적으로 모니터링하고, 정 책의 효과성을 정기적으로 평가하는 기반을 마련할 수 있을 것이다. 즉, 본 연구는 AI 산업의 개념적 정의부터 통계적 적용, 정책적 활용에 이르기까지 전 주기적 관점을 반영한 분류체계 개선 모델을 제시함으로써, AI 산업의 체계적 관리와 국가 경쟁력 강화를 위한 토대를 구축했다는 점에서 중요한 의의를 가진다. 6. 기대효과 본 연구는 인공지능(AI) 산업의 급속한 발전과 산업 간 융합 확산에 대응하여, 현행 산업 분류체계의 한계를 보완하고 인공지능 산업의 실질적 구조를 반영할 수 있는 체 계적이고 정합성 있는 분류체계 개선 방안을 제시하였다. 이를 위해 국내외 산업 분류체계의 현황을 분석하고, AI 산업의 소프트웨어, 서비스, 하드웨어 구조를 중심으로 다층적 분류체계를 설계하였으며, 실제 산업 통계 및 정책 적용 가능성을 검증하였다. 연구 결과, AI 산업은 기술 중심적 접근만으로는 충분히 설명될 수 없으며, AI 소프트 웨어, 서비스, 하드웨어 산업으로 이어지는 가치사슬 전체를 포괄하는 생태계적 관점에 서 정의될 필요가 있음이 확인되었다. 이에 따라 본 연구는 AI 산업을 3단계 구조로 구분하고, 각 세부 영역별 산업 활동을 세분화함으로써 산업 실태 파악과 통계 생산의 기초를 마련하였다. 또한 기존 한국표준산업분류(KSIC) 체계와의 연계 가능성을 고려하 여 개선안을 제시함으로써, 정책적 실효성과 통계적 활용성을 동시에 확보하였다. 본 연구의 성과는 향후 정부의 AI 산업 진흥 정책, 디지털 전환 전략, R&D 투자 계 획, 인력 수급 정책 등 다양한 정책 분야에 근거자료로 활용될 수 있다. 특히 AI 산업 의 범위를 명확히 하고, 산업별 통계의 신뢰성을 높임으로써 정책 목표 설정과 효과 분석의 정밀도를 향상시킬 수 있을 것이다. 또한 본 연구에서 제안한 분류체계는 국가 데이터처, 과학기술정보통신부 등 관계 기관 간 협력을 통해 국가 차원의 산업통계 표 준 체계로 발전할 수 있는 잠재적 기반을 제공한다. 향후 과제로는 첫째, 본 연구에서 제시한 개선(안)의 실증 적용과 데이터 기반 검증이 필요하다. 산업체·학계·정부기관 등 다양한 이해관계자의 참여를 통해 분류항목의 세부 기준을 구체화하고, 실제 산업 활동과의 적합성을 검토해야 한다. 둘째, AI 기술 의 급속한 진화와 산업 융합 확산에 대응하기 위해 분류체계의 주기적 개편 및 업데이 트 체계 구축이 요구된다. AI 산업은 생성형 AI, 자율지능시스템, 엣지AI 등 새로운 기 술 패러다임의 등장에 따라 지속적으로 확장되고 있으므로, 이에 맞는 유연한 유지· 보완 시스템이 필요하다. 마지막으로, 향후 연구에서는 AI 산업 분류체계와 연계한 통계 생산 체계의 구체적 설계, 그리고 국제 표준화 연계 방안에 대한 심층적 검토가 요구된다. OECD, EU, ISO 등 국제기구의 논의와 연계함으로써 한국의 AI 산업 통계가 글로벌 비교와 정책 협력 에 활용될 수 있도록 발전시킬 필요가 있다. 이러한 후속 연구는 본 연구의 결과를 실질적인 정책 도구로 정착시키고, 한국 AI 산업의 경쟁력 강화를 위한 지속 가능한 기 반을 마련하는 데 기여할 것이다.

요약문 1. 제 목 : SW 융합 혁신의 개념과 실제 - 금융 및 헬스케어 산업을 중심으로 2. 연구 배경 및 목적 정부가 소프트웨어(이하 SW)의 중요성을 인식하고, ‘SW 중심사회’라는 캐치프레이 즈 하에 범부처 합동으로 《SW 중심사회 실현전략》(2014.7.)을 수립한지 10년이 지났 다. 그동안 정부는 SW중심대학, AI대학원 등의 인재양성 사업을 추진했고, SW진흥법 을 통해 SW산업육성의 법적 근거를 마련하였으며, SW 기본계획을 수립하여 정책의 체 계를 갖추는 등 나름의 성과를 거뒀다. 하지만, 전 산업과 사회로 뻗어나가는 SW의 영향력에 비해 현재의 SW 주요 정책은 여전히 공공 SW제도, SI 이슈 대응 등 국내의 고질적인 SW 현안 해결에 집중되어 있 다는 지적도 상존한다. 특히 최근 AI, 메타버스, 블록체인, 빅데이터 등 SW 분야의 혁 신 기술이 끊임없이 등장하여 빠르게 발전하고, 자동차, 헬스케어 등 전통산업에서의 SW 융합혁신이 본격화되는 상황에서 새로운 SW 정책을 모색할 필요성이 높아졌다. 본 연구는 지난 10년 SW 정책의 미흡한 부분을 파악하고 SW가 만드는 미래 모습을 선제적으로 예측함으로써 대한민국이 SW 기반역량을 강화하는데 필요한 SW 정책을 기획하기 위한 목적으로 최신의 SW 기술과 산업, 그리고 정책 동향을 조사하는 것을 목적으로 한다. 3. 연구의 구성 및 방법 SW 분야의 최근 동향을 파악하고, 이를 바탕으로 SW가 주도하는 산업 및 사회 혁신 방향을 예측하며, 우선순위가 높은 정책 의제에 대해 구체적인 조사를 하여, 신규 정책 을 제언하는 것이 본 연구의 목적이다. 본 연구는 크게 두 단계를 거쳐 진행되었다. 첫 단계는 SW 분야의 최신 동향을 파악 하는 것이다. 이를 위해 2024년 1월부터 6월까지 IT 분야 시장조사기관인 IDC와 가트 너에서 발간한 SW 통계 및 동향 자료를 수집 정리하고, 5대 언론인 뉴욕타임즈, 월스 트리트저널, 파이낸셜타임즈(이상 일간지), 이코노미스트(이상 주간지), MIT테크놀로지 리뷰(이상 격월지)에서 SW 관련 기사를 분석했다. 이후 IT 시장조사기관 및 주요 언론사의 SW 관련 기사를 5개의 주제별로 분류한 후 주제별 기사의 빈도를 기준으로 정책의 우선순위를 도출한 결과, SW 융합 정책이 가장 우선순위가 높은 것으로 도출되었다. 후속 작업으로 우선순위가 높은 SW 융합에 대해 심층 조사를 수행하였다. SW 융합에 대한 심층 동향 연구는 전 산업에 공통으로 적용되는 SW 융합의 개념적 모형을 수립하는 개괄적 연구와 SW 융합이 활발히 이뤄 지는 산업을 선정하여 실제 융합 현상을 파악하는 세부 연구로 나눠 수행했다. 개괄적 연구는 제2장에서 다루고, 세부 연구는 SW 지출액이 가능 높은 금융 산업과 산업 특 화 SW 지출액 비중이 가장 높은 헬스케어 산업을 대상으로 각각 제3장과 제4장에서 다루었다. 결론에서는 SW 융합 정책의 방향에 대해 제언했다. 우선 SW 융합 정책의 큰 방향성 을 제안한 후금융 산업과 헬스케어 산업별 SW 융합 정책을 제언하였다. 4. 연구 내용 및 결과 SW 융합의 개념적 모형을 제시한 2장에서는 국가 경쟁력 모델인 다이아몬드 모델을 이용하여 SW 혁신의 특성을 ①신속성(Speed), ②협력성(Cooperation), ③적응성(Adaptation), ④지속성(Longevity), 그리고 ⑤확장성(Expansion) 등 다섯 가지 요소로 제시하고, SW 융합 을 통해 국가 및 기업 조직은 ❶제품·서비스 구조의 고도화, ❷조직 구조 및 운영 방식 의 효율화, ❸비즈니스 모델 형식 등 세 가지 측면의 편익이 있음을 밝혔다. SW 혁신의 5대 특성은 구체적으로 다음과 같다. 첫째, 전략 및 구조 관점에서 국가 와 기업은 SW를 이용하여 프로세스 자동화 및 조직 효율을 추구함으로써 혁신을 가속 화 할 뿐만 아니라 기술 사업화 기간도 단축할 수 있다. 즉, SW를 이용하여 혁신의 신 속성(Speed)을 높이게 된다. 둘째, 자원 여건 관점에서 오픈소스 플랫폼 등 SW를 중심 으로 다양한 이해관계자가 모여 협력·상생의 방식으로 사업 및 경제활동의 공통 자산 에 투자하고 함께 기반을 형성할 수 있다. 즉, SW를 중심으로 협력적(Cooperation) 혁 신 생태계를 조성한다. 셋째, 수요 여건 관점에서 빠른 시장 변화에 맞춰 SW는 클라우드 기반의 온디맨드 방식으로 실시간 업데이트가 가능하여 복잡한 환경 변화에 유연하 게 대응할 수 있다. 즉, SW는 서비스 형태로 실시간 전달하여 시장변화에 유연하게 적 응(Adaptation)하는 것이 용이하다. 넷째, 경쟁 관점에서 SW는 사용할수록 데이터가 축 적되고 이를 학습하여 지속적으로 기능을 개선하므로 경쟁 우위 확보를 위한 경쟁이 장기간에 걸쳐 치열하게 전개된다. 즉, SW는 데이터를 학습하면서 지속적(Longevity) 혁신 경쟁을 촉발시킨다(종적 파급력). 다섯째, 연관 산업 관점에서 한번 개발된 SW는 플랫폼화하여 API를 통해 타 산업의 제품과 서비스에 적용함으로써 산업간 시너지 창 출에 도움을 준다. 즉 SW 혁신은 다양한 연관 산업의 신제품 및 서비스로 확장 (Expansion)이 용이하다(횡적 파급력). SW 융합의 3대 편익은 다음과 같다. 첫째, 제품과 서비스 구조의 고도화 관점에서 SW 플랫폼은 기존에 독립적으로 기능하는 분산된 하위 시스템을 통합하고 API를 통해 서 하위 시스템을 조율하며, 하위 시스템으로부터 생성되는 데이터를 통합 관리하여 전체 기능을 최적화하는 기능을 수행한다. 둘째, 조직 구조 및 운영 효율화 관점에서 SW는 전사의 의사소통과 협력을 원활히 하고, 개별 그룹의 신설과 폐지를 유연하게 하며 외부와의 협력을 용이하게 한다. 셋째, 비즈니스 모델 관점에서 SW는 고객 접점 을 다변화하고 관여도를 높이며, 다양한 가격 책정 방식을 가능하게 해준다. 2장의 개념적 모형을 활용하여 금융 산업의 SW 융합 혁신을 심층 조사한 3장에서는 SW 융합에 의한 금융 산업 혁신 트렌드로 개인화된 맞춤형 통합 서비스 확대, SW 기 반 업무 효율화 가속화, 금융-비금융간 빅블러 생태계 확장, 금융자산 및 거래방식 디 지털화, 보안 및 데이터 보호 강화, 금융 SW 융합 전문가 확대 등을 도출했다. 헬스케어 산업의 SW 융합 혁신을 심층 조사한 4장에서는 SW 융합에 의한 헬스케어 산업의 혁신 트렌드로 기업의 핵심 자산으로서의 SW 혁신, 기존 기업과 스타트업의 SW 혁신 추구, SW를 통한 기업간 상호 협력 강화, 헬스케어 세부 분야별 SW 혁신의 경로 및 단계성, 헬스케어 기업의 SW 활용한 사업 확장 등을 꼽았다. 5. 정책적 활용 내용 본 연구는 SW 융합에 대한 개념적 모형을 제시하고 주요 산업의 SW 융합 심층 사례 조사뿐만 아니라 정책 방향과 제언을 담았다. SW 융합 정책 방향으로서 중소기업 대상 디지털 전환 사업을 기존의 구축 지원 중심 에서 컨설팅 등 역량 향상 서비스 제공 중심으로 전환, 협력 생태계 강화를 위한 타산 업 분야 오픈소스 SW 활용 지원, SW 플랫폼을 중심으로 한 공동 해외 시장 진출, SW 중심 혁신(SDX) 역량 강화, SW 융합 인재 양성, 업간 융합을 위한 제도 개선 등을 제 안했다. 금융 산업의 SW 융합 정책으로는 개인화된 맞춤형 통합 서비스 확대를 위한 마이데 이터 2.0사업, 데이터바우처 지원사업 등의 개선, 금융기관의 SW 기반 업무 효율화를 위한 망분리 규제, AI 학습용 데이터 구축 사업의 정비, 금융-비금융 빅블러 생태계 확 장을 위한 마이데이터 인센티브 강화, 업간 규제 정비 등을 제안했다. 헬스케어 산업의 SW 융합정책으로는 원격 의료 서비스를 위한 SW 품질 및 안전성 확보 방안 마련, SW 혁신을 촉진하는 제도 설계와 수가 조정 체계 수립, 헬스케어 빅 데이터의 활용을 위한 유연한 분석 인프라 환경 구축, 데이터 전송 요구권을 지원하는 SW 기반 구축, 헬스케어 분야 SW 개발자 교육 프로그램 제공 등을 제안했다. 6. 기대효과 본 연구를 통해 최근 화두가 되고 있는 SW 융합의 실제 추진 사례를 자세히 살펴볼 수 있었다. 특히, 금융, 헬스케어 등 고부가가치를 창출하는 서비스 산업에서의 SW 융 합이 어떠한 목적과 수단으로 추진되고 있는지를 상세히 살펴봤다. 현재 SW 분야 정책 총괄을 담당하는 과학기술정보통신부는 SW 융합과 관련하여 SDX, XaaS 등의 정책을 마련하기 위해 노력하고 있다. 본 연구를 통해 탐색적 차원에 서 인재 양성, 기술 개발, 산업 육성, 플랫폼 구축 및 생태계 조성 등 다양한 정책 영 역에서 고민할 수 있는 정책 이슈를 제시함으로써 정책 개발의 기초자료를 제공했다는 의의가 있다.

요약문 1. 제 목 : 메타버스-인공지능 융합 활성화 연구 2. 연구 목적 및 필요성 메타버스는 제조·의료·교육 등 다양한 산업에서 실증 성과를 축적하며, 엔터테인먼 트 중심 활용을 넘어 시뮬레이션, 의사결정지원, 교육·훈련 등으로 활용 범위를 확대 하고 있다. 한편 AI는 데이터 기반 자동화를 통해 산업 전반의 생산성과 업무 구조를 재편하는 핵심 기술로 자리잡고 있다. 최근에는 생성형 AI 기반 콘텐츠 제작 고도화, XR 기반 AI 스마트 안경 확산, 엔비디아의 옴니버스–코스모스를 통한 피지컬 AI 훈련 사례 등에서 보듯 메타버스와 AI가 상호 보완적으로 결합되고 있다. 그러나 기존 연구는 메타버스 관점에서의 AI 활용에 집중되어 왔으며, AI 발전 관점 에서 메타버스의 전략적 역할에 대한 체계적 분석은 미흡하다. 이에 본 연구는 메타버 스–AI 융합 구조를 종합적으로 분석하고, 양 기술의 공진화를 촉진하는 기술·산업·정 책적 시사점을 도출함으로써, 메타버스는 AI 기반 산업 혁신과 디지털 전환을 견인하 는 핵심 플랫폼으로, AI는 메타버스의 기능·서비스·생태계를 고도화하는 핵심 동력 으로 발전하는 데 기여하고자 한다. 3. 연구의 구성 및 범위 본 연구는 메타버스와 AI 융합 활성화 전략을 도출하기 위해 기술–산업–정책으로 이 어지는 단계적 구조로 총 5개 장으로 구성되었다. 제1장은 연구 배경과 목적을 제시하 고, 제2장은 메타버스와 AI의 핵심 기술 요소를 정리한다. 제3장은 AI 기반 메타버스 혁신과 메타버스 기반 AI 혁신 등 양 기술의 상호 시너지를 분석하고, 융합 시너지에 따른 가치사슬 변화를 구조화한다. 제4장은 주요 산업별 활용 동향과 주요국의 관련 정책을 검토하여 메타버스-AI 융합의 중장기 발전 방향을 제시한다. 마지막으로 제5장 은 메타버스–AI 융합의 장애요인을 정리하고 대응 방안을 제시한다. 4. 연구 내용 및 결과 4.1 메타버스 및 AI 기술 개요 메타버스는 현실 세계와 가상 세계가 융합하는 가상융합세계로, 메타버스의 핵심 기 술로는 AI, 공간컴퓨팅, 디지털 트윈, 블록체인 등이 있다. 이들은 콘텐츠–플랫폼–네트 워크–디바이스(CPND) 산업 생태계 전반에 걸쳐 신공간화, 초개인화, 초실감화, 멀티모달화라는 진화 방향을 형성하고 있다. 특히 공간컴퓨팅은 현실 공간을 디지털 정보와 정밀하게 연동하여 사용자의 상호작용 방식을 근본적으로 확장하며, 디지털 트윈은 물 리적 세계를 가상 환경에 실시간으로 복제·분석·예측하는 기반 기술로 산업 전반의 의사결정 구조를 고도화한다. 한편, AI는 기계학습-딥러닝-생성형 AI로 이어지는 기술 발전을 통해 산업의 생산성 구조와 업무 방식을 재편하는 범용 핵심 기술로 부상하였다. 특히 생성형 AI는 텍스 트·이미지·영상·음성·코드 등 다양한 콘텐츠를 창작하는 능력을 바탕으로 메타버 스 콘텐츠 생산을 혁신하고 있으며, 멀티모달 AI, AI 에이전트 등은 산업 전반의 지능 화를 가속화하고 있다. 4.2 메타버스-AI 융합 시너지 메타버스와 AI 기술은 서로의 발전을 촉진하며 공진화하고 있으며, 이로 인해 새로운 가치와 서비스 창출의 혁신이 기대된다. AI는 텍스트로도 실시간 콘텐츠 창작을 지원하며, 메타버스 내에서 사용자의 행동 패턴을 학습하여 개인화된 콘텐츠와 추천 시스템 구현 등에 핵심적 역할을 수행한다. 이를 통해, 메타버스는 각 사용자에게 최적화된 맞춤형 경험을 제공하고 산업적 활용 측면에서도 향상된 성과 달성에 기여할 수 있다. 메타버스는 AI 학습에 필요한 데이터와 시뮬레이션 환경을 제공함으로써 상호 시너지 효과를 창출하고 있다. 메타버스에서 생성되는 사용자 행동 데이터는 AI 모델 학습에 유용하게 활용될 수 있고, 메타버스에서 제공하는 가상 시뮬레이션 환경은 AI가 복잡 하고 다양한 물리적 조건을 안전하게 사전 학습하고 대응 전략을 검증하는데 기여할 수 있다. 또한, AI 기반 XR 기기와 디지털 휴먼은 현실과 가상 세계를 연결하는 핵심 매개체로서 AI의 실생활 활용성을 높이며, 새로운 응용 서비스 기회를 창출할 것으로 기대된다. 또한, 메타버스–AI 융합은 ‘인프라’에서 ‘경험’에 이르는 메타버스 가치사슬 전 단계에 걸쳐 동시다발적으로 확산되며, 생태계 전반의 고도화를 견인하는 핵심 동력으 로 작용하고 있다. AI는 메타버스 전 영역에서 효율성·개인화·지능화를 동시에 강화 하며 기존 가치사슬을 고도화하는 동시에 새로운 수익 기회를 창출하고 있다. 이러한 융합의 확산은 기술 혁신을 가속화하는 한편, 데이터 수집·가공 범위, AI생성 창작물 저작권 등 새로운 사회·제도적 과제의 부상을 예고하고 있다. 4.3 메타버스-AI 융합 발전 전망 제조, 교육, 유통, 의료 등 다양한 분야에서 메타버스와 AI 융합이 적용되고 있다. 제 조분야에서는 AI 기반 공정 최적화, AI 기반 시뮬레이션, 로봇 가상 훈련 등의 활용 사 례가 나오고 있으며, 교육 분야에서는 개인 맞춤형 학습, AI 보조 학습 등이 가능해지 고 있다. 유통 분야에서는 맞춤형 가상 쇼핑 경험 제공, 물류 효율성 향상 등에 기여할 수 있으며, 헬스케어·의료 분야에서는 XR 치료 플랫폼, 정신·인지 재활 지원 등에 활용될 수 있다. 건설, 국방, 문화 분야에서도 메타버스-AI 융합 활용 사례가 만들어지 는 등 다양한 산업 분야로의 점진적 확산이 전망된다. 국제적으로는 미국, EU, 중국, 중동에서 메타버스-AI 융합을 지원하는 정책들이 진행 되고 있다. 미국과 EU는 메타버스를 구현하는 XR을 중심으로 AI를 융합하는 사례들을 개발하고 있으며, 중국은 메타버스 육성 계획에 산업 메타버스를 중심 축으로 삼아 AI, 블록체인, 클라우드 등 신기술의 집성 혁신을 명시하였다. 중동에서는 관광, 도시 분야 에서 메타버스 도입과 AI 연계를 시도하고 있으며, 국제전기통신연합(ITU)과 유엔 국제 컴퓨팅센터(UNICC), 디지털 두바이가 공동으로 추진하는 시티버스(Citiverse - Global Initiative on Virtual Worlds & AI)는 메타버스와 AI 등 디지털 신기술의 도시 적용을 위한 규범적 프레임워크를 마련하고 있다. 산업 활용 동향과 정책 동향을 통해 볼 때 메타버스-AI 융합 시너지는 중장기적으로 지속 발전 할 것으로 전망된다. 구체적으로는 단기적으로 콘텐츠 생산성과 개인화 경 험의 향상 및 서비스 최적화가 두드러지며, 중기적으로 AI 인터페이스의 고도화와 활 용 범위 확대, 장기적으로 현실과 가상 간 융합이 일상화되면서 사회·경제 구조 건반 에 걸친 근본적 변화가 나타날 것으로 전망된다. 메타버스–AI 융합은 중장기적으로 높은 산업적·사회적 잠재력을 지니지만, 이를 현실화 하기 위해서는 기술적·산업적 제약을 동시에 극복할 필요가 있다. 특히 시뮬레이션 기반 AI 학습에서는 가상과 현실 간 성능 격차(Sim-to-Real Gap) 문제 해결이 필요하며, XR 기기 역시 배터리, 무게, 시야각, 사용자 피로도 등 기술적 한계를 극복해야 한다. 또한 플랫폼 구축, 장비 도입, AI 인프라 확보 등에 따른 높은 초기 비용과 투자 불확실성은 산업 확산 을 지연시키는 요인으로 작용할 수 있다. 따라서 메타버스–AI 융합은 기술 성숙도 확보와 경제성 검증 과정을 거치며 점진적으로 발전할 가능성이 높으며, 향후 발전 전략은 기술 혁 신과 산업 기회뿐 아니라 기술적 한계와 리스크를 균형 있게 고려하는 접근이 필요하다. 4.4 메타버스-AI 융합 활성화 방안 메타버스-AI 융합을 저해하는 주요 장애요인은 내부 인재 부족, 경영진의 인식 부족, 데이터 부족, AI 인프라 비용, 기존 시스템과의 상호 운용성 부족, 초기 투자비용, 투자 대비 성과 불확실, 법·제도의 불확실성 등으로 요약된다. 이러한 제약은 기업 단독으 로 해결하기 어려우며 정부 차원의 지원 정책이 요구된다. 이에 본 보고서는 융합 인재 양성, 경영·조직 역량 강화, 데이터 생태계 구축, AI 인 프라 지원, 표준·상호운용성 확립, 초기 도입지원, 정책금융, R&D 실증 지원, 파트너 십 및 글로벌 진출, 법·제도 정비를 대응 방안으로 제시한다. 이를 통해 메타버스-AI 융합을 촉진하고 메타버스와 AI 산업이 상호 발전하는 선순환 구조를 구축함으로써 국 가 디지털 경쟁력과 미래 성장 동력을 강화하는데 기여하고자 한다. [대응 방안1] 융합인재 양성 메타버스–AI 융합은 3D·XR·AI·데이터·산업 도메인을 아우르는 복합 역량을 요구 하지만, 국내 기업들은 이러한 융합 인재를 충분히 확보하지 못하고 있으며 특히 중소 기업은 인력 확보와 유지에 어려움을 겪고 있다. 이에 따라 대학–산업–정부 연계를 통 한 융합 교육과정 구축, 재직자 리스킬링·업스킬링 확대, 현장 프로젝트 및 글로벌 교 육·인증 연계 등 단계적·지속적인 인재 양성 체계 구축이 필요하다. [대응 방안2] 경영·조직 역량 강화 메타버스–AI 서비스 추진을 위해서는 기술·데이터·인프라 투자와 함께, 경영진의 인식 제고와 전담 조직·거버넌스 정비 등 경영·조직 역량 강화가 병행되어야 한다. 이를 위해 경영진 대상 전략 교육, 전담 조직에 대한 권한·예산 부여, 기술 인력 성과 의 KPI 반영 및 보상 강화 등을 통해 메타버스–AI 융합을 중장기 핵심 사업 영역으로 정착시킬 필요가 있다. [대응 방안3] 데이터 생태계 구축 메타버스–AI 융합의 경쟁력은 고품질 데이터의 확보와 공유·활용 역량에 의해 좌우 되며, 현재 주요 산업 도메인에서 학습용 멀티모달 데이터 부족이 핵심 제약 요인으로 작용하고 있다. 이에 따라 개별 기업 단위의 대응을 넘어, 국가·산업 차원의 데이터 생태계 구축과 산업별 핵심 데이터 정의 및 데이터 로드맵 수립이 필요하다. 또한 공 공–민간 공동 데이터 표준체계 구축과 데이터 거래 활성화를 통해 표준 단절과 정합화 비용을 완화하고, 중소기업 대상 데이터 전처리 바우처 확대와 공공 전처리 인프라 공 동 활용을 통해 데이터 구축 비용 부담을 줄일 필요가 있다. [대응 방안4] AI 인프라 지원 메타버스–AI 서비스 운영에는 대규모 연산 인프라가 필수적이지만, 중소·지역 기업은 높은 GPU·클라우드 비용으로 인해 심각한 부담을 겪고 있다. 이에 공용 GPU 센터 구 축, 연산 자원 바우처·클라우드 이용료 지원, PoC 이후 운영 단계까지 이어지는 지속형 인프라 지원, 그리고 기업 성장 단계에 맞춘 맞춤형 장비 지원 체계 마련이 필요하다. [대응 방안5] 표준·상호운용성 확립 메타버스–AI 융합이 산업 전반으로 확산되기 위해서는 플랫폼 간 연동과 기존 시스템 연계를 가능하게 하는 표준·상호운용성 체계가 필수적이며, 이는 보안 기준과 함께 초기 단계부터 설계되어야 한다. 또한 글로벌 시장 진출을 고려하여 국제 표준·규제 와의 정합성을 확보하는 것이 메타버스–AI 융합 생태계 확장에 필요하다. [대응 방안6] 초기 도입 지원 메타버스–AI 융합 사업은 높은 초기 투자 비용으로 인해 중소·지역 기업이 파일럿조 차 시도하기 어려운 경우도 생겨, 공공영역 중심의 초기 시장 창출과 선도적 공공구매 를 통한 도입 촉진이 필요하다. 아울러 실증–마켓핏–디자인–현지화–사업화 이관을 연계 한 전주기 지원과 바우처·엑셀러레이팅 결합형 정책을 통해 초기 도입이 실제 시장 확산으로 이어지도록 해야 한다. [대응 방안7] 정책금융, R&D 실증 지원 메타버스–AI 융합 사업은 기술적 불확실성과 높은 투자 부담으로 인해 기업이 단독으 로 대규모 투자를 감행하기 어려우므로, 실증형 R&D 보조금과 성과연계형 금융지원 등 정책금융의 적극적 개입이 필요하다. 또한 PoC·테스트베드 확대와 공공 안전·국 방·의료 등 공공영역 중심 실증 지원을 통해 실증 비용을 낮추고 사업화 연계를 촉진 해야 한다. 또한, 심투리얼 갭 해소를 위해 고충실도 시뮬레이션과 심투리얼 전이학습 기반의 기술 개발 지원을 강화하여 가상에서 학습된 AI가 실제 산업 현장에서 정확히 작동하도록 하는 기술 지원이 시급하다. [대응 방안8] 파트너십 및 글로벌 진출 메타버스–AI 융합 사업은 초기 투자 부담과 불확실성이 높아 기업 단독 추진이 어려 우므로, 국내 AI·메타버스 기업 간 파트너십과 대기업–중소기업 협력, 그리고 글로벌 공동 연구·실증 참여를 통해 비용과 리스크를 분산할 필요가 있다. 특히 국제 협력 프로그램 참여는 초기 부담 완화와 함께 기술 신뢰도 제고, 해외 실증 및 시장 진출을 촉진하여 국내 메타버스–AI 산업의 지속 성장 기반 강화에 기여 할 수 있을 것이다. [대응 방안9] 법·제도 정비 메타버스–AI 융합 산업의 성장을 위해서는 데이터 활용과 AI 생성물에 관한 현행 법 령의 적용 범위와 해석 기준을 명확히 정립하여, 기업이 사전에 법적 리스크를 예측할 수 있는 제도적 기반을 마련할 필요가 있다. 특히 메타버스 내 생체·행태 데이터와 AI 학습 데이터에 대한 수집·활용 요건, 가명정보 및 추가적 이용 기준을 AI 학습 특 성에 맞게 구체화함으로써 데이터 활용의 법적 예측 가능성을 제고해야 한다. 아울러 AI 생성물의 유형별 법적 분류와 책임 배분 원칙, 고위험 서비스에 대한 강화된 책임 기준을 포함한 일관된 규범적 틀을 정립하여, 생성형 AI 확산에 따른 규제 불확실성과 기업의 컴플라이언스 리스크를 최소화할 필요가 있다.

요약문 1. 제 목 : 국내 주력산업의 SW융합경쟁력 진단 2. 연구 목적 및 필요성 최근 전통 제조업과 서비스업 전반에서 소프트웨어(SW)에 대한 투자가 지속적으로 확대되 고 있으며 산업별 특성과 수요를 반영한 SW융합 시도가 점차 활발해지고 있다. Gartner(2025)에 따르면 전 세계 산업특화 SW(Vertical SW)의 투자 규모는 2025년 이후 연 평균 약 15%의 성장이 예측되고 있다. 이처럼 산업특화 SW에 대한 투자가 점차 증가하는 양상을 보이는 것은 산업별로 범용 SW의 활용을 넘어 산업에 최적화된 SW에 대한 수요가 증대하고 있음을 의미한다. 다시 말해 산업별 SW융합은 기업의 경쟁력의 핵심 요소로 그 중요성이 증대되고 있다. 정부 역시 SW융합의 중요성을 인지하고 국내 산업의 SW역량 강화를 위해 제도적, 정책 적 노력을 지속적으로 기울이고 있다. 그러나 이와 같은 정부의 노력에도 불구하고 산업별 SW융합 수준을 객관적으로 진단할 수 있는 체계적인 지표체계가 부재하여 객관적인 파악 과 더불어 근거에 기반한 지원이 어려운 실정이다. 따라서 국가 경제를 견인하는 주력 산업 의 SW융합이 경쟁력 유지와 신산업 창출의 핵심 동력인 만큼, 현재의 융합 수준을 정밀하 게 진단하고 분석할 수 있는 체계적인 기준 마련이 시급하다. 이에 본 연구는 국내 주력산 업의 SW융합 경쟁력을 진단체계를 마련하고 시사점을 도출하고자 한다. 3. 연구의 범위 본 연구는 다음과 같이 주요 범위를 설정하였다. 첫째, 분석 대상으로는 SW융합의 파급효 과가 큰 주력산업을 대상으로 한다. 둘째, 연구 방법측면에서는 선행연구 검토를 바탕으로 전문가 대상의 델파이 조사를 수행하여 지표의 타당성을 검증 및 보완한다. 또한 계층화분 석방법(AHP)을 적용하여 지표별 가중치를 산출하고 산업특성을 고려한 진단체계를 구축한 다. 셋째, 연구결과의 활용은 구축된 지표체계를 주력산업군에 적용하여 국내 주력산업의 SW융합 경쟁력을 진단하고 이를 바탕으로 정책적 시사점을 제공하고자 한다. 4. 연구 내용 및 결과 본 연구의 구체적인 내용은 다음과 같다. 2장에서는 선행 연구 검토 및 이론적 논의를 진 행하였다. SW융합경쟁력 개념의 정립을 토대로 SW융합경쟁력 관련 선행연구 및 기존 진단 체계를 조사하여 예비 지표를 분류하였다. 3장에서는 분석 대상이 되는 주력산업을 선정한 후 앞서 조사했던 통계자료를 기반으로 산업별 SW융합 활용현황을 살펴보고 쟁점을 도출 하였다. 4장에서는 진단 프레임워크의 이론적 근거를 기반으로 델파이 조사를 위한 선행준 비를 하였다. TOE 프레임워크를 기반으로 진단모형(안)을 개발하였으며 앞선 선행문헌에 따 라 예비지표 기반의 진단모형(안)을 구성하였다. 5장에서는 전문가 델파이 조사를 통해 SW 융합경쟁력 진단(안)의 타당성을 검증하고 지표체계를 확정하였다. 6장에서는 AHP 조사를 수행하여 델파이 조사로 도출된 SW융합경쟁력 진단지표에 제조업과 서비스업의 특성을 반 영한 가중치를 부여하고 최종지표체계를 도출하였다. 마지막으로 결론에서는 연구결과 요약 및 앞서 분석한 결과를 바탕으로 정책적 시사점을 도출하였다. 본 연구의 SW융합경쟁력 지수는 제조업과 서비스업 간 SW융합의 활용 목적과 성과 발현 방식이 구조적으로 상이함을 보여준다. 제조업은 SW융합이 주로 내부 운영 고도화와 생산 성 향상에 기여하는 반면, 서비스업은 SW가 직접적인 서비스 혁신과 비즈니스모델 창출로 연결되면서 경쟁력 격차를 확대하는 양상이 관찰된다. 이러한 결과는 향후 SW융합 정책 및 산업별 지원 전략이 획일적 접근이 아닌, 산업 특성을 반영한 차별화된 전략 설계가 필요함 을 시사한다. 5. 정책적 활용 내용 본 연구의 분석 결과를 바탕으로 도출한 정책적 시사점은 기술, 조직, 환경의 세 측면에서 제시할 수 있다. 첫째, 기술 측면에서는 업종별 SW융합의 목적과 방향을 고려한 맞춤형 지 원 정책이 필요하다. 제조업의 경우‘업무 자동화 및 최적화 수준’이 SW융합경쟁력의 핵 심 요소로 나타났다. 이에 업무 자동화는 로봇, 센서, 서버 등 물리적 설비투자와 직결되어 초기 비용 부담이 높은 만큼 제조기업의 인프라 투자 부담을 경감하는 방향으로 지원체계 를 고도화할 필요가 있다. 서비스업의 경우‘SW기술 간 연계 및 통합 수준’이 핵심 경쟁 력 요소로 확인되었으며, 시스템 통합의 기술적 난이도와 비용 부담을 완화하기 위해 API 연동 지원, 바우처 지원 사업의 실효성 제고, 무형자산에 대한 정책적 지원 확대가 요구된 다. 둘째, 조직 측면에서는 업종별 특성에 맞는 SW융합 인력 기반 강화가 필요하다. 제조업 은 SW전담인력 확보와 유지가 경쟁력 제고에 중요한 역할을 하는 만큼 현장 적용 역량을 갖춘 실무형 인재 양성과 재직자 전환 교육 체계의 정교화가 필요하다. 서비스업은 단순 개 발 인력보다 비즈니스 기획과 SW기술을 유기적으로 연결할 수 있는 고숙련 전문인력에 대한 수요가 높은 만큼, 양적 지원 체계를 내실화하는 동시에 핵심 인재의 질적 역량 강화를 위한 지원을 확대해야 한다. 셋째, 환경 측면에서는 수요 기반의 정책 환경 및 SW융합 생 태계 조성이 필요하다. 제조업과 서비스업 모두‘정부지원 만족도’, ‘산업별 규제 개선 만족도’ 등 환경 관련 지표가 종합 순위에서 하위권에 머물러, 정부 지원이 기업의 실질적 수요에 미치는 영향이 제한적임을 시사한다. 이에 현장 체감도를 높이는 방향으로 정책 지 원의 실효성을 제고하고, 기업이 생태계 인프라를 활용하여 실질적인 가치를 창출할 수 있 도록 SW융합 생태계의 역동성을 강화하는 방향으로 정책 지원을 고도화해야 할 것이다. 종 합하면, 주력산업 전반에서 SW융합 경쟁력은 기술 도입의 문제가 아니라 해당 기술이 산업 의 가치창출 방식과 얼마나 깊이 결합되어 있는지에 의해 결정된다. 따라서 향후 SW융합정 책은 산업 간 획일적 기술 확산을 지양하고 산업별로 SW가 경쟁력에 기여하는 경로와 메 커니즘을 구분하여 차별화된 방향으러 설계될 필요가 있다. 6. 기대효과 본 연구는 국내 주력산업의 SW융합 경쟁력 진단을 위한 진단체계 구축을 통해 SW융합을 둘러싼 추상적 논의가 아닌 실효성 있는 정책 및 산업 전략 수립의 토대를 마련하고자 하 였다. 본 연구의 구체적인 기대효과는 다음과 같다. 첫째, 주력산업의 SW융합 수준을 체계적으로 진단할 수 있는 공통 기준을 마련했다는 점 에서 의의가 있다. 본 연구는 기존의 개별 기술 도입 여부나 단편적 디지털 전환 지표에서 벗어나, 기술, 조직, 환경(TOE) 관점을 통합한 SW융합 경쟁력 지표체계를 구축함으로써 산 업별 SW융합 수준을 구조적으로 비교‧분석할 수 있는 기반을 제공한다. 이를 통해 주력산 업 전반에서 SW가 어떤 방식으로 경쟁력에 기여하고 있는지를 보다 정밀하게 진단할 수 있을 것으로 기대된다. 둘째, 산업별 특성을 반영한 맞춤형 정책 설계의 근거를 제공한다. 본 연구에서 구축한 지 표는 제조업과 서비스업, 나아가 산업별로 SW융합의 핵심 요인이 상이하게 나타남을 계량 적으로 확인할 수 있도록 설계되었다. 이는 획일적인 지원 정책에서 벗어나, 산업별로 필요 한 SW인프라, 데이터 연계, 제도적 지원 요소를 구분하여 정책 우선순위를 설정하는 데 활 용될 수 있다. 셋째, 정성적 논의에 머물러 있던 SW융합 논의를 정량적으로 비교 가능한 분석 영역으로 확장하였다. 그동안 SW융합 경쟁력은 사례 중심 또는 선언적 논의에 그치는 경우가 많았으 나, 본 연구의 지표체계는 전문가 델파이와 AHP를 통해 가중치를 도출함으로써 SW융합의 상대적 중요도와 구조를 수치화하였다. 이를 통해 산업 간 비교가 가능한 분석 틀을 제시하 며, 후속 연구에서 실증 분석으로 확장할 수 있는 기반을 제공한다.

요약문 1. 제 목 : 모빌리티 혁신을 위한 오픈소스 활성화 방안 2. 연구 목적 및 필요성 오픈소스 생태계는 소프트웨어(SW) 기술 혁신을 넘어 통신, 금융, 모빌리티, 에너지, 미디어 같은 다양한 산업 디지털 혁신의 동력으로 작용하고 있다. 특히 자동차, 조선, UAM/드론 등의 모빌리티 분야에서 자율주행, 스마트 선박, 무인 비행 등의 SW 기반 기술 혁신을 위한 오픈소스 협업이 활발해지고 있다. 대표적으로 GENIVI, AGL(Automotive Grade Linux), 아폴로(Apollo), 오토웨어(Autoware) 등이 있으며 이들은 모빌리티 기업 중심의 오픈소스 협업 프로젝트로 모빌리티 기술 혁신을 위해 오픈소스 개발을 하며 혁신 확산에 기여하고 있다. 모빌리티 생태계는 국가 주력 산업인 자동차와 조선 산업을 포함하고 있으며 최근 새로운 SW 시장으로 떠오르고 있는 분야이다. 국내 자동차 산업은 우리나라 GDP의 5% 이상을 차지하고 있으며, 조선 산업은 우리나라 GDP의 3~4%를 차지할 정도로 큰 규모를 가지고 있다. 또한 국내 SW기업군의 거래총액 분석(2019년 ~ 2022년)에서 자동차 기업군간의 거래총액은 연평균 76.3%로 전체 거래 총액 증가율 20.2% 대비 매우 빠르게 성장하고 있는 것으로 나타났다. 러므로 모빌리티 혁신은 국가 주력 산업인 자동차, 조선 분야의 미래 경쟁력과 SW산업 활성화를 위한 신시장 창출 효과가 있는 중요한 기회로 볼 수 있다. 하지만 SW 관점의 모빌리티 동향 분석 및 SW 정책 수립을 위한 정책 연구 사례가 많지 않기 때문에 본 연구는 글로벌 모빌리티 동향 분석과 모빌리티 관련 오픈소스 프로젝트 동향 분석을 통해 모빌리티 혁신을 위한 SW 정책 및 오픈소스 정책 수립에 필요한 정보 제공 및 정책적 시사점을 제시하고자 한다. 3. 연구 구성 본 연구의 주요 내용은 서론과 결론을 제외하고 아래 그림과 같이 크게 3개의 장으로 구성되어 있으며 각 장의 내용은 다음과 같다. 1장은 서론으로 모빌리티 혁신을 위한 오픈소스 활성화 방안의 연구 배경과 연구 내용 및 방법을 소개한다. 2장은 글로벌 모빌리티 동향 부분으로 자동차, 선박, UAM/드론 분야의 모빌리티 혁신 관련 주요 동향을 소개하고 PEST 분석을 통해 시사점을 제시한다. 글로벌 모빌리티 동향 조사에 있어 우선 SW 기반 모빌리티 혁신(이하 모빌리티 SW혁신) 사례인 SDV, 자율주행, 커넥티드카, 자율운항, 스마트 선박, UAM/드론(무인비행 중심)을 중심으로 산업 동향, 정책 동향, 기술 동향을 소개한다. 그리고 글로벌 모빌리티 혁신 동향 조사 내용을 기반으로 PEST 분석을 통해 동향 조사 내용을 요약 분석하고 시사점을 도출하였다. 3장은 모빌리티 관련 오픈소스 기술 동향으로 2장에서 정리한 모빌리티 혁신 기술을 중심으로 관련 오픈소스 기술 동향을 소개한다. 우선 모빌리티 혁신 기술을 중심으로 도출된 모빌리티 혁신에 활용되는 핵심 원천SW 기술 분야를 선정하고 최종 선정된 5개의 원천SW 기술 분야(운영체제, 가상화, 인공지능, 빅데이터, 클라우드)의 주요 오픈소스 프로젝트 동향을 소개한다. 그리고 모빌리티 혁신 오픈소스 프로젝트 동향을 소개하고 오픈소스 기술 동향 내용을 기반으로 시사점을 제시한다. 4장은 모빌리티 혁신을 위한 오픈소스 생태계 활성화 방안에 대한 정책을 제언한다. 실질적인 정책 제언을 위해 2장의 PEST 분석 결과와 3장의 오픈소스 기술 동향 시사점을 기반으로 국내 모빌리티 생태계 SWOT 분석을 통해 정책적 시사점 도출하고 중복 시사점을 통합한 이후에 일반 정책적 시사점과 오픈소스 정책적 시사점으로 구분하여 최종적으로 모빌리티 혁신을 위한 5가지 오픈소스 활성화 정책 방안을 제언한다. 5장은 결론 부분으로 2장, 3장, 4장의 내용을 요약하고 본 연구의 한계점을 제시하며 마무리한다. 4. 주요 연구 내용 및 결과 자동차, 선박, 항공 등의 모빌리티 산업은 2050년 탄소중립 달성을 위한 세계 각국의 규제(유럽 2030년 내연기관 판매 제한 등)와 정책적 지원(전기차, 친환경 선박 보조금 지급 등)으로 모빌리티 혁신을 초래되고 있다. 우선 자동차 분야에서 내연기관 차량 판매량이 줄어들고 전기차, PHEV, 수소차 등의 친환경차 판매량이 크게 증가하면서 테슬라, BYD 등의 새로운 기업들이 성장하며 기존 기업들을 위협하고 있다. 조선 분야는 LNG선 등 친환경 연료 선박의 판매량이 증가하면서 국내 조선기업들이 수혜를 보고 중국 기업들은 구조조정을 진행하고 있다. 또한 도심의 교통 혼잡 및 환경 오염 절감을 위해 UAM/드론 등의 새로운 시장이 창출되면서 신생 모빌리티 기업(조비, 릴리움, DJI 등)의 등장하고 있다. 인공지능, 빅데이터, 클라우드 등 SW 기술 발전으로 몇 년간 기술 진보가 답보되었던 첨단 운전자 보조 시스템(ADAS) 기능이 본격적으로 자율주행 단계로 접어들고 있으며, 조선 분야에서 각국의 정책적 지원을 바탕으로 자율운항 실증이 확산되며 기술적 가능성이 증명되면서 자율주행과 자율운항이 미래 모빌리티 기술 경쟁력의 핵심이 되고 있다. 또한 UAM/드론 분야는 큰 기대를 받았던 UAM 상용화가 다소 지연되는데 비해 드론 기술은 원격 조종에서 무인화 단계로 접어들면서 공공산업 영역을 넘어 국방 분야에서 미래 항공 기술로 주목받고 있다. 이러한 시대적 변화에 따라 모빌리티 기업들은 SDV 전환, 자율주행/운항/비행 기술 확보들을 추진하며 미래 산업 경쟁력 확보를 추진하기 위한 기술 개발, SW기업과의 협업, 스타트업 설립 및 투자 등을 추진하고 있다. 이러한 글로벌 모빌리티 동향을 정책, 산업, 사회, 기술 관점의 PEST (Political, Economic, Social and Technological) 분석을 통해 다음과 같이 요약하였다.