연구보고서 RE-197

인공지능 산업 분류체계 개선 연구

Research on Improving the AI Industry Classification System

장진철/안미소/강호준/김지민/안성원

2026.04.

 

 이 보고서는 2025년도 과학기술정보통신부 정보통신진흥기금을 지원

받아 수행한 연구결과로 보고서 내용은 연구자의 견해이며, 

과학기술정보통신부의 공식입장과 다를 수 있습니다.

목   차

제1장 서론 ···············································································································1

 1. 연구 추진 배경 및 목표·················································································1

 2. 연구 필요성·······································································································2

제2장 인공지능산업 관련 국내외 사례조사·······················································6

제1절 국내 인공지능산업 실태조사 및 유관 통계···········································6

 1. 인공지능산업 실태조사···················································································6

 2. 기업활동조사·····································································································7

 3. 기업정보화 통계조사·······················································································8

 4. ICT 중소기업 실태조사················································································10

 5. 중소기업 정보화 수준조사···········································································11

 6. ICT 전문인력 수급 실태조사······································································12

 7. 소결···················································································································13

제2절 해외 인공지능(AI) 관련 분류체계 사례조사······································15

 1. 미국···················································································································15

 2. 유럽 ·················································································································16

 3. OECD················································································································18

 4. IDC 분류 체계································································································20

 5. Gartner의 분류 체계·····················································································22

 6. CB Insight의 분류 체계···············································································23

 7. 해외 인공지능 관련 분류체계의 종합 분석·············································24

제3장 인공지능산업 분류체계 개선 방안························································27

- iv -

제1절 인공지능(AI) 산업 분류체계 개선 전문가 자문단 운영··················27

 1. 자문단 운영 필요성·······················································································27

 2. 자문단 운영 개요···························································································27

 3. 자문단 구성 및 운영 방식···········································································28

 4. 자문회의 결과·································································································29

제2절 인공지능산업 분류체계 개선 방향 설정··············································35

 1. 배경 및 필요성·······························································································35

 2. 개선 방향성 검토 과정·················································································37

 3. 자문회의를 통한 개선 방향 도출·······························································39

 4. 인공지능 생태계 기반 산업분류 적용·······················································47

제4장 인공지능산업 분류체계 개정(안)··························································50

제1절 분류 범위 및 구조····················································································50

 1. 산업활동 범위·································································································50

 2. 분류 체계 ·······································································································51

제2절 분류 범위 및 구조····················································································53

 1. 대분류 1 : 인공지능 소프트웨어 개발 및 공급업·································53

 2. 대분류 2 : 인공지능 구축·관리 및 관련 정보 서비스업······················55

 3. 대분류 3 : 인공지능 연산 및 처리 부품/장치 제조업··························56

제3절 인공지능 기술 분류··················································································58

제4절 해외 분류체계와의 정합성······································································60

제5절 분류체계 구분을 위한 참고사항····························································62

제6절 분류 활용 방향··························································································64

- v -

제5장 인공지능산업 분류체계 모집단 정비 방안··········································66

제1절 기본 방향····································································································66

제2절 추진전략 및 세부 추진 방안··································································66

제3절 인공지능 생태계 기반 산업분류 선택 방안········································68

제6장 연구요약 및 결론······················································································71

제1절 연구 요약 ··································································································71

제2절 결론··············································································································73

- vi -

표  목  차

[표 1-1] 인공지능산업실태조사 개요·········································································2

[표 1-2] 인공지능 산업 분류체계 및 표준산업분류 연계표·································3

[표 1-3] 현행 인공지능 산업 분류체계 진단 및 개편의 필요성··························4

[표 2-1] ICT 전문인력 수급 실태조사 ICT 핵심기술 분야 중 향후 학습하고 

싶은 분야(1순위, 단위: %)···························································································13

[표 2-2] 국내 통계 중 AI 관련 제공 통계 종합···················································14

[표 2-3] 국가 AI 연구개발 전략 - 핵심전략·······················································16

[표 2-4] NIST의 AI 위험관리 프레임워크·····························································16

[표 2-5] AI Taxonomy 분류체계구조·····································································17

[표 2-6] OECD AI 시스템 분류 프레임워크··························································19

[표 2-7] IDC의 인공지능 기술 분류········································································21

[표 2-8] GenAI/AI 관련 전체 IT 지출 전망의 시장 분류(단위: 백만 달러)22

[표 2-9] 해외 인공지능 관련 분류체계의 종합·····················································25

[표 3-1] 자문단 운영 방식·························································································28

[표 3-2] 인공지능 기술분류 대분류 및 중분류 제안···········································34

[표 3-3] 자문회의 단계별 개선 방향 발전 과정···················································46

[표 3-4] 인공지능 생태계···························································································48

[표 4-1] 인공지능산업 분류체계(안)·······································································51

[표 4-2] 인공지능산업 특수분류체계와 한국표준산업분류(11차) 연계표······52

[표 4-3] 대분류 1 : 인공지능 소프트웨어 개발 및 공급업 분류체계 해설····54

[표 4-4] 대분류 2 : 인공지능 구축·관리 및 관련 정보 서비스업 분류체계 

해설·····································································································································56

[표 4-5] 대분류 3 : 인공지능 연산 및 처리 부품/장치 제조업 분류체계 해설

- vii -

57

[표 4-6] 인공지능 기술 분류·····················································································59

[표 4-7] 국내 인공지능산업 분류체계와 IDC·Gartner 분류체계 매칭·············61

[표 4-8] 국내 인공지능산업 분류체계와 CB Insights AI 스택 분류 매칭·····62

[표 4-9] 인공지능 분류상 플랫폼과 애플리케이션의 구분·································63

[표 4-10] 인공지능 애플리케이션 소프트웨어 개발 및 공급업과 구축 및 관리 

서비스업 구분···················································································································64

[표 5-1] 모집단 정비 추진전략·················································································67

- viii -

그  림  목  차

<그림 차례>

[그림 2-1] 인공지능산업 실태조사 매출액 현황(대분류별)·································7

[그림 2-2] 기업활동조사 4차 산업혁명 관련 개발기술 분야 및 활용 분야·····8

[그림 2-3] 기업정보화 통계조사 인공지능(AI) 기술 및 서비스 이용률···········9

[그림 2-4] ICT 중소기업 실태조사 제품개발(출시)현황별································10

[그림 2-5] 중소기업 정보화 수준조사 활용하고 있는 데이터 분석 및 인공지능 ·····12

[그림 3-1] 자문단 구성·······························································································29

[그림 4-1] 인공지능산업 범위 및 인공지능산업 실태조사의 모집단 범위·····50

[그림 5-1] 인공지능산업 실태조사 모집단 정비 절차·········································68

[그림 5-2] 인공지능 생태계와 인공지능산업 분류체계 연계·····························70

- ix -

요  약  문

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.

- x -

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 

- xi -

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.

대분류(3)

중분류(13)

1. 인공지능 소프트웨어 개발 및 

공급업

1-1 인공지능 시스템 소프트웨어 개발 및 공급업

1-2 인공지능 플랫폼 개발 및 공급업

1-3 인공지능 애플리케이션 개발 및 공급업

1-9 기타 인공지능 소프트웨어 개발 및 공급업

2. 인공지능 구축·관리 및 관련 

정보 서비스업

2-1 인공지능 인프라 구축 및 관리 서비스업

2-2 인공지능 애플리케이션 구축 및 관리 서비스업

2-3 인공지능 호스팅 및 관련 서비스업

2-4 인공지능 기술 및 비즈니스 지원 서비스업

2-9 기타 인공지능 정보 서비스업

3. 인공지능 연산 및 처리 

부품/장치 제조업

3-1 인공지능 반도체 제조업

3-2 인공지능 네트워크 장비 제조업

3-3 인공지능 서버 제조업

3-4 인공지능 스토리지 제조업

5. 정책적 활용 내용

- xii -

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 관리

- xiii -

와 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 실

- xiv -

질적인 정책 도구로 정착시키고, 한국 AI 산업의 경쟁력 강화를 위한 지속 가능한 기

반을 마련하는 데 기여할 것이다.

- xv -

SUMMARY

1. Title: Research on Improving the AI Industry Classification System

2. Purpose and Necessity of the Research

Recently, artificial intelligence (AI) technology has rapidly expanded across industries, 

not just the information and communications industry, driven by technological 

advancements triggered by generative AI. In other words, AI is transcending a single 

technology domain and becoming integrated and embedded across diverse industries, 

including manufacturing, finance, healthcare, content, and logistics, establishing itself 

as a key driver of productivity improvement and industrial innovation. This shift 

demonstrates that AI is no longer an appendage to a specific technology or service, 

but rather a core foundation for restructuring entire industries.

However, existing AI-related industry classification systems, including the current 

Korean Standard Industrial Classification, fail to adequately reflect these changing 

trends in the AI industry. AI technology and related industrial activities are scattered 

across various industry codes, making it difficult to systematically understand industry 

size and growth trends. Furthermore, key industrial activities, such as AI technology 

development, data processing, and AI service provision, are not clearly distinguished. 

Consequently, the need for statistical surveys that reflect the changing nature of the 

AI industry is growing, and the incomplete classification also limits its use in 

policymaking. In particular, government-promoted AI-related policies, research and 

development (R&D), and human resource development programs must be linked to 

industry-specific statistics to ensure effectiveness. However, the current classification 

system, which focuses on broad categories, makes it difficult to consistently define 

the scope and structure of related industries. Therefore, there is a growing need to 

redefine the AI industry from a perspective centered on the evolving industrial 

ecosystem and establish a comprehensive classification system that encompasses 

technology development, service provision, and application industries.

This study aims to design a new industry classification system that reflects the 

actual structure and value chain of the AI industry. Specifically, it aims to establish 

- xvi -

multi-layered classification criteria encompassing core AI technologies, platforms and 

services, and application industries. Through this, it aims to enhance statistical 

visibility of the AI industry and establish a basis for policymaking. Furthermore, it 

aims to ensure connectivity and expandability between subcategories to reflect 

inter-industry convergence and technological evolution, and to establish a foundational 

data for industry surveys and policy evaluations.

Furthermore, this study focused on ensuring international consistency by analyzing 

trends in AI industry definitions and classification systems in major countries, including 

the OECD, the EU, and the United States. To facilitate global industrial comparisons 

and statistical linkages, it is essential to establish a definition and scope of the AI 

industry in line with international standards. Therefore, the improvement measures 

proposed in this study are both effective domestic policies and serve as a foundation 

for strengthening international competitiveness.

3. Composition and Range

This study was structured in stages to clarify the definition and structure of the AI 

industry and develop practical improvement measures to address the limitations of the 

current industry classification system.

First, we surveyed and analyzed domestic and international literature and statistical 

systems covering the concept, technology classification, and application areas of the 

AI industry. Through this, we examined the structure and limitations of the 

classification system currently utilized in the AI industry survey. We compared and 

analyzed AI industry definitions and classification systems from major countries, 

including the OECD, EU, and the US, to establish a baseline for ensuring international 

consistency.

In the phase of developing an improved industry classification system, we identified 

sub-industries based on domestic industry statistics and policy demands, and designed 

the structure and codes of the new classification system. Specifically, we strengthened 

the detailed classification items to comprehensively encompass AI-related software, 

services, and hardware industries. We also analyzed the relationship with the existing 

KSIC to enhance its practical applicability.

To verify the validity of the proposed classification system, we analyzed pilot 

- xvii -

application cases and, through consultation with relevant experts and organizations, 

provided guidance on how to further refine the proposed improvement. This ensured 

that the classification system in this study achieved a level of practicality that could 

be utilized in practical policy and statistical development, industry surveys, and other 

areas.

Consequently, the scope of this study encompasses the entire cycle of defining the 

AI industry concept, from classification system design to validation, and its significance 

lies in providing a foundational framework for an AI industry classification system 

applicable to diverse fields, including statistics and policy research.

4. Main Contents and Results

This study aimed to develop a new industry classification system that reflects the 

structural characteristics of the AI industry. Its primary objective was to analyze the 

limitations of existing classification systems and identify areas for improvement and 

specific alternatives. This study utilized a multifaceted methodology, including 

literature review, case analysis, expert consultation, and classification system design 

and validation, comprehensively considering the interconnectedness of technology, 

industry, and policy.

First, in the analysis phase of the existing industry classification system, we examined 

how AI-related industrial activities were classified, focusing on the existing AI industry 

classification system utilized in the AI Industry Survey, the Korean Standard Industrial 

Classification (KSIC), and related statistical systems. The results revealed that core 

industrial activities, such as AI technology development, data processing, and AI 

service provision, were dispersed across multiple industry codes, making it difficult to 

accurately assess the current state of the industry.

Recognizing this issue, we restructured sub-industry groups to reflect the current 

domestic industry landscape and policy needs. AI-related industries were categorized 

into the "AI software industry," the "AI service industry," and the "AI hardware 

(manufacturing) industry," with detailed classification categories established within 

each category.

Finally, in the improvement verification phase, pilot applications and expert reviews 

were conducted to examine the validity and usability of the proposed classification 

system. This confirmed the practical applicability of the new classification system in 

various fields, including industry surveys, policy evaluations, and investment statistics. 

- xviii -

Furthermore, it secured its usefulness as a baseline for future industry classification 

revisions by the government and related organizations.

The significance of this study lies in its provision of a system that enables an 

integrated understanding of the AI industry across its entire lifecycle, encompassing 

software, services, and hardware. This strengthens the statistical foundation of the AI 

industry, enhances the effectiveness of policymaking and industry support, and 

proposes an advanced model for a national AI industry classification system aligned 

with international standards. These research findings are expected to serve as a 

valuable benchmark for the government, research institutes, and industry in producing 

and utilizing AI-related statistics.

5. Policy use

The proposed improved AI industry classification system presented in this study is 

significant in that it goes beyond the technical task of simply reorganizing industry 

codes. It establishes a foundation for systematically understanding the structural 

characteristics of the AI industry and incorporating them into policy, statistics, and 

industry strategies. By clearly defining the scope and components of the AI industry, 

the new classification system can enhance the effectiveness of AI-related policies 

promoted by the government and public institutions and contribute to concretizing the 

direction of industry development strategies.

First, from a policy perspective, the results of this study can serve as supporting data 

for the development and evaluation of AI industry promotion policies. Previously, the 

AI industry was classified based on a mix of technology-focused and 

convergence-focused categories, making policy effectiveness analysis difficult. 

However, the improved classification system is expected to facilitate industry-specific 

surveys and performance evaluations. In particular, in conjunction with the 

government's "National AI Strategy," "Industrial Digital Transformation Policy," and 

"Comprehensive Plan for AI Talent Development," it can be used to track structural 

changes in the AI industry and serve as a foundation for establishing mid- to 

long-term policy goals. Second, from a statistical perspective, the new classification 

system provides a statistical foundation for objectively measuring the size and growth 

trends of the AI industry. The existing Korean Standard Industrial Classification (KSIC) 

distributed AI-related industries across multiple codes, resulting in duplication and 

- xix -

omissions in statistical production. However, the improvements proposed in this study 

will enable consistent data collection and comparative analysis across industries. This 

will enhance the consistency of the industrial statistics production system promoted by 

relevant organizations such as the National Data Agency, the Ministry of Science and 

ICT, and contribute to ensuring international comparability of AI industry statistics.

Third, from an industrial perspective, the new classification system, reflecting the 

trend of AI technologies and services being integrated into diverse industries, can be 

utilized to guide strategic investment and technology development. Companies can use 

the classification system presented in this study to understand their business areas' 

position within the AI value chain, which can be used as a basis for building 

collaborative networks, formulating market entry strategies, and developing technology 

roadmaps. In particular, AI startups and SMEs have high potential for utilizing this 

data as a basis for concretizing market entry strategies based on industry statistics. 

Finally, the results of this study can serve as baseline data for future revisions to 

the Standard Industrial Classification and institutionalization of AI industry surveys. 

The proposed classification system boasts the flexibility and expandability to reflect 

changes in domestic and international industrial structures, making it a practical 

reference model for the revision of official industrial classification systems by the 

National Data Agency and related organizations. Furthermore, by linking it with the 

government's industrial statistics system, it can establish a foundation for 

quantitatively monitoring AI industry growth trends and regularly evaluating policy 

effectiveness.

In other words, this study holds significant significance in that it presents a model for 

improving the classification system that reflects a full-cycle perspective, from 

conceptual definition of the AI industry to statistical application and policy 

implementation. This, in turn, establishes a foundation for systematic management of 

the AI industry and strengthening national competitiveness.

6. Research Implication and Expected Effects

This study addresses the rapid development of the artificial intelligence (AI) industry 

and its growing convergence across industries. This study proposes a systematic and 

consistent approach to improving the current classification system. This approach 

complements the limitations of the current classification system and reflects the 

actual structure of the AI ​​industry.

- xx -

To achieve this, we analyzed the current status of domestic and international 

classification systems, designed a multi-layered classification system centered on the 

software, service, and hardware structures of the AI ​​industry, and verified its 

applicability to actual industry statistics and policies.

The study found that the AI ​​industry cannot be adequately explained solely through a 

technology-centric approach and requires an ecosystem-based definition encompassing 

the entire value chain spanning AI software, service, and hardware. Accordingly, this 

study divided the AI ​​industry into three levels and subdivided industrial activities into 

each sub-sector, establishing a foundation for understanding the current state of the 

industry and generating statistics. Furthermore, by considering the potential for 

integration with the existing Korean Standard Industrial Classification (KSIC) system, 

we propose an improvement plan, ensuring both policy effectiveness and statistical 

usability. The findings of this study can serve as supporting data for various policy 

areas, including the government's AI industry promotion policy, digital transformation 

strategy, R&D investment plans, and human resource supply and demand policies. 

Specifically, by clarifying the scope of the AI ​​industry and enhancing the reliability of 

industry-specific statistics, the accuracy of policy goal setting and effectiveness 

analysis can be enhanced. Furthermore, the classification system proposed in this 

study offers a potential foundation for developing into a national industrial statistics 

standard through collaboration among relevant organizations, including Statistics Korea, 

the Ministry of Science and ICT, and the Ministry of Trade, Industry and Energy.

Future tasks include: first, empirical application and data-based verification of the 

improvements proposed in this study. Through the participation of various 

stakeholders, including industry, academia, and government agencies, detailed criteria 

for classification items should be specified and their suitability to actual industrial 

activities should be reviewed. Second, to respond to the rapid evolution of AI 

technology and the proliferation of industrial convergence, a system for periodic 

revision and update of the classification system is required. As the AI ​​industry 

continues to expand with the emergence of new technological paradigms such as 

generative AI, autonomous intelligent systems, and edge AI, a flexible maintenance 

and supplementation system is necessary. Finally, future research requires a detailed 

design of a statistical production system linked to the AI ​​industry classification system 

and an in-depth review of international standardization measures. By linking with 

discussions in international organizations such as the OECD, EU, and ISO, Korea's AI 

- xxi -

industry statistics should be developed to facilitate global comparisons and policy 

cooperation. This follow-up research will solidify the findings of this study into a 

practical policy tool and contribute to establishing a sustainable foundation for 

strengthening the competitiveness of Korea's AI industry.

- 1 -

제1장

서론                     

1.

연구 추진 배경 및 목표

최근 생성형 인공지능(Generative AI)의 등장으로 AI 산업의 패러다임이 급속히 변화

하면서, 기존 분류체계로는 새롭게 등장한 비즈니스 모델과 기업 유형을 충분히 식별

하기 어려운 상황이 발생하였다. 2018년 개발된 현행 인공지능 산업 분류체계는 초기 

산업 생태계를 반영한 공급자 중심 구조로 설계되었으나, 그 이후 기술적·시장적 변

화 속도를 따라가지 못해 현 산업의 실태를 충분히 반영하지 못한다는 지적이 지속적

으로 제기되어 왔다. 특히, 대규모 언어모델(LLM), 생성형 AI 서비스 등과 같은 새로운 

기술 및 서비스 유형이 등장하면서 기존 분류체계의 한계가 뚜렷해졌다. 이러한 변화

는 AI 산업에 대한 정확한 통계 기반 확보와 정책 설계의 실효성을 저해하는 요인이 

되고 있다.

이에 본 연구는 AI 산업의 구조적 변화를 반영하고, 통계의 신뢰성과 일관성을 높이

는 데 필요한 개선안을 마련하는 것을 목적으로 연구를 수행하고자 한다. 즉, 본 연구

는 국가승인통계인 「인공지능산업실태조사」에 적용되고 있는 인공지능 산업 분류체

계를 전면적으로 개선하고, 이를 공식화함으로써 향후 통계의 품질을 제고하고 활용도

를 높이는 것을 목표로 한다. 구체적으로는 인공지능 산업에 대한 지속적이고 체계적

인 통계 작성 기반을 마련하여, 정부와 산업계가 산업 현황을 정량적으로 파악하고 정

책적 의사결정에 활용할 수 있는 기반을 구축하고자 한다.

이를 위해 연구에서는 우선 인공지능 산업 분류체계 개선을 위한 전문가 자문단을 

구성, 운영하였다. 자문단에는 관련 유관 연구기관, 산업협단체 및 주요 AI 기업의 전

문가가 참여하여 분류체계의 타당성을 검증하고 개선 방향을 논의하였다. 자문회의는 

4회 실시되었으며, 회의 준비, 운영, 회의록 작성 등 전 과정에서 체계적인 지원이 이

루어졌다.

또한, 국제기구(OECD, Eurostat 등), 글로벌 시장조사기관(IDC, Gartner 등), 학계 및 

국내 실태조사 등에서 활용되는 인공지능 및 유관산업의 정의와 분류 범위를 폭넓게 

검토하였다. 이러한 비교분석을 통해 한국의 산업 구조와 정책 환경에 부합하는 새로

운 분류체계(안)를 도출하였으며, 세부 유형별 범위 및 분류 기준, 대표 기업 사례, 핵

심 개념 정의 등을 구체화하였다.

- 2 -

마지막으로, 도출된 신규 분류체계(안)를 「인공지능산업실태조사」에 반영하기 위한 

모집단 개선 방안을 마련하였다. 이를 통해 조사 모집단을 재구축하고, 조사대상 기업

의 분류 타당성을 검토하여 향후 통계의 품질과 신뢰도를 높이고자 하였다. 아울러 외

부 기관의 행정적 요청이나 정책적 요구에도 신속하게 대응할 수 있는 관리체계를 제

시하였다.

결과적으로 본 연구는 인공지능 산업의 범위를 명확히 정의하고, 기술과 시장 변화

를 반영한 새로운 분류체계를 수립함으로써, 향후 AI 산업의 성장 실태를 체계적으로 

파악하고 정책 수립의 근거자료로 활용할 수 있는 통계 인프라를 강화하는 것을 궁극

적인 목표로 하고 있다.

2.

연구 필요성

현행 인공지능 산업 분류체계는 2018년에 개발되어 「인공지능산업실태조사」(국가

승인통계 제127016호)에 적용되고 있다. 이 체계는 한국표준산업분류(KSIC)를 기반으로 

하되, 인공지능 산업의 특성을 반영하기 위해 자체 AI 산업 분류를 결합한 연계형 구

조로 설계되었다.

구분

내용

조사명

인공지능산업실태조사

승인번호

제127016호

조사 목적

국내 인공지능(AI) 산업의 현황을 체계적으로 파악하여 정책 수립 및 산업 지원 기반 

마련

조사 항목

기업 일반현황, 기술 및 사업현황, 매출, 인력, 해외수출, 투자 및 개발, 애로사항 등 총 7개 

영역

조사 대상

인공지능 기술을 보유하거나, 이를 제품·서비스에 적용한 기업체

활용 목적

AI 관련 정책수립, 지원사업 설계, 관련 통계지표 구축의 근거자료로 활용

[표 1-

1

] 인공지능산업실태조사 개요

현행 인공지능 산업 분류체계 개발 당시에는 AI 산업이 초기 단계에 있었기 때문에, 

인공지능 소프트웨어 개발 및 공급업, 인공지능 구축·관리 및 정보 서비스업, 인공지

능 연산 및 처리 부품/장치 제조업 등 세 가지 대분류와 네 가지 중분류 중심의 단순 

체계로도 산업 실태를 파악할 수 있었다.

그러나 이후 AI 기술 발전과 산업 구조의 고도화가 급격히 진행되면서, 기존 체계의 

한계가 드러났다. 생성형 AI(Generative AI), 멀티모달 AI, 대규모 언어모델(LLM) 등 새

로운 기술과 비즈니스 모델이 등장했지만, 현 분류체계에는 이러한 신유형 산업을 포

- 3 -

착할 수 있는 코드나 항목이 존재하지 않는다. 또한, 기존 체계는 ‘소프트웨어 개발

업’, ‘정보 서비스 제공업’, ‘반도체 제조업’ 등 전통적 공급자 유형에 초점이 

맞춰져 있어, 모델 개발사나 클라우드 즉 SaaS형 AI 서비스 제공자 등과 같은 다양한 

공급 주체를 구분하기 어렵다.

대분류

중분류

개념

KSIC

1.인공

지능 

소프트

웨어 

개발 

및 

공급업

11.

인공지능 

시스템

소프트웨어 

개발 및 공급업

인공지능 기술을 구현하기 

위한 범용 소프트웨어 및 

도구 (엔진, APIs, 프레임 

워크)를 개발･공급하는 

산업 활동

(58221) 시스템 소프트웨어 개발 및 공급업

12.

인공지능 

응용 

소프트웨어

개발 및 공급업

인공지능 기술을 적용하여 

산업에서 발생하는 문제를 

해결 하거나 기업 내부의 

생산성 및 효율성을 

향상하기 위한 소프트 

웨어를 개발･공급하는 산업 

활동

(58211) 유선 온라인 게임 소프트웨어 개발 및 

공급업

(58212) 모바일 게임 소프트웨어 개발 및 

공급업

(58219) 기타 게임 소프트웨어 개발 및 공급업

(58222) 응용소프트웨어 개발 및 공급업

2.인공지능 구축･관리 및 

관련 정보 서비스업

인공지능 기술･시스템 

도입을 위해 구축 및 관리 

서비스를 제공 하거나 관련 

정보 서비스를 제공하는 

산업 활동

(62010) 컴퓨터 프로그래밍 서비스업

(62021) 컴퓨터 시스템 통합 자문 및 구축 

서비스업

(62022) 컴퓨터시설 관리업

(62090) 기타 정보 기술 및 컴퓨터 운영관련 

서비스업

(63111) 자료처리업

(63112) 호스팅 및 관련 서비스업

(63120) 포털 및 기타 인터넷 정보매개 

서비스업

(63910) 뉴스 제공업

(63991) 데이터베이스 및 온라인 정보 제공업

(63999) 그 외 기타 정보 서비스업

3.인공지능 연산 및 처리 

부품/장치 제조업

인공지능 연산･처리 능력을 

향상하기 위한 부품 및 

장치를 제조 하는 산업 

활동

(26111) 메모리용 전자집적회로 제조업

(26112) 비메모리용 및 기타 전자집적회로 

제조업

(26121) 발광 다이오드 제조업

(26129) 기타 반도체소자 제조업

자료 : 과학기술정보통신부·소프트웨어정책연구소(2024), “2023 인공지능산업 실태조사”

[표 1-

2

] 인공지능 산업 분류체계 및 표준산업분류 연계표

이러한 구조적 한계는 산업 실태조사 결과의 해석력과 정책 활용성을 동시에 저해한

다. 현재 분류체계는 대분류와 중분류 수준까지만 구분되어 있어, 기술·서비스 단위

의 세분류 정보가 부재하다. 그 결과, 예를 들어 ‘대화형 AI’, ‘컴퓨터 비전’, 

‘지능형 자동화’와 같은 상이한 기술 영역이 모두 동일한 코드인 ‘응용 소프트웨

어 개발 및 공급업’으로 집계되는 문제가 발생하고 있다. 이는 실제 산업 구조를 세

밀하게 반영하지 못하고, 기업의 분류 오류를 유발하여 통계 신뢰도를 낮추는 원인이 

- 4 -

된다.

또한, 기존 체계는 ‘공급자 중심’으로 설계되어 있기 때문에, 인공지능 기술을 실

제로 활용하는 수요 산업의 변화나 확산 정도를 충분히 반영하지 못한다. 최근에는 제

조, 의료, 물류 등 이른바 ‘AI+X’ 융합 산업이 빠르게 확산되고 있으며, 이러한 산

업 간 융합 흐름을 반영할 필요가 있다.

이와 함께, 표준산업분류(KSIC)와의 연계성 역시 개선이 필요하다. 현행 체계는 일부 

코드와의 매핑이 가능하지만, 통합 코드 구조가 미흡하여 다른 통계 간 비교·연계 분

석에 제약이 따른다.

점검항목

진단

내용

개편의 필요성

기술 반영 

적시성

생성형 AI, 멀티모달 AI, AIaaS 등 

신기술·신서비스 유형에 대한 분류항목 

미비

기술 발전 속도에 비해 분류체계 

갱신이 이루어지지 않아 산업 실태 

반영이 미흡

융합형 산업 

확산 대응력

 제조·의료·물류 등 다양한 ‘AI+X’ 

융합형 산업이 등장하였으나, 응용산업 

기준 미비

산업 융합 흐름을 반영하지 못해 정책 

및 통계 활용 한계

서비스 유형 

다양성 반영

API, SaaS, 모델호스팅 등 플랫폼형 

AI 서비스 출현에도 불구하고 세부 

분류항목 없음

신유형 AI 비즈니스 모델을 포착하지 

못해 산업 구조 분석에 한계

수요자 중심 

관점

분류체계가 AI 기술을 개발·제공하는 

공급자 중심으로 설계됨

AI를 활용하는 수요 산업군 실태 

반영에 한계

산업 활동 

단위의 명확성

SW-HW-서비스 간 활동 경계가 

모호하며, 실무 기준과 괴리 있음

기업의 자가분류 오류 가능성 증가, 

통계 신뢰도 저하

표준산업분류

(KSIC) 연계성

KSIC 연계는 일부 가능하나, 통합 

코드 구조 미흡

타 통계 간 비교·연계분석에 제약 발생

[표 1-

3

] 현행 인공지능 산업 분류체계 진단 및 개편의 필요성

결국, 인공지능 산업 분류체계의 개선은 단순한 기술적 보완을 넘어, 산업 현실을 반

영한 통계 기반 재정립이라는 점에서 의미가 크다. 빠르게 진화하는 기술 환경 속에서 

AI 산업을 객관적으로 파악하기 위해서는, 신기술 유형을 포괄할 수 있는 새로운 분류

체계의 설계가 필수적이다. 이를 통해 산업 간 경계를 명확히 하고, AI 생태계의 구조

적 변화를 세밀히 분석할 수 있는 통계적 기반을 마련함으로써 정책 설계의 정밀성과 

- 5 -

대응력을 높일 수 있다.

따라서 본 연구는 기존 분류체계의 구조적 한계를 해소하고, 기술 발전과 산업 융합

에 대응할 수 있는 체계적이고 정교한 인공지능 산업 분류체계를 구축하는 것을 핵심 

과제로 삼는다. 이를 통해 인공지능 산업의 실태를 정확히 반영하고, 향후 국가승인통

계의 품질 제고 및 신산업 정책의 근거자료로 활용될 수 있는 기반을 마련하고자 한

다.        

- 6 -

제2장

인공지능산업 관련 국내외 사례조사               

제1절

국내 인공지능산업 실태조사 및 유관 통계

1.

인공지능산업 실태조사

소프트웨어정책연구소(SPRi)가 수행하는 「인공지능산업 실태조사」는 국내 AI 산업

의 핵심 통계로서, 인공지능 산업 생태계의 구조와 현황을 체계적으로 파악하기 위한 

대표 조사이다. 이 조사는 인공지능 기술의 개발 및 적용 현황을 정량적으로 측정함으

로써, 산업 활성화와 정부 정책 수립의 기초자료로 활용되고 있다.

해당 조사는 인공지능 산업을 “인공지능 기술의 개발 및 인공지능이 적용된 제품·

서비스·플랫폼의 생산, 유통, 활용, 그리고 부가서비스(조사·분석, 컨설팅, 중개 등)

를 통해 부가가치를 창출하는 산업”으로 정의하고 있다. 이러한 정의는 인공지능 기

술의 개발 단계부터 산업 내 적용과 서비스 제공에 이르는 전 과정을 포괄하며, AI 산

업의 가치사슬(Value Chain) 전반을 분석할 수 있는 구조로 설계되어 있다.

현행 분류체계는 인공지능 소프트웨어 개발 및 공급업, 인공지능 구축·관리 및 정

보 서비스업, 그리고 인공지능 연산 및 처리 부품/장치 제조업 등 세 가지 대분류로 

구성되어 있다. 이 구분은 인공지능 기술을 중심으로 한 공급자 측면의 산업 구조를 

반영하고 있으며, 각 산업군의 매출, 종사자 수, 기술 보유 현황 등을 통해 시장의 규

모와 성장 추세를 분석하는 데 활용된다.

또한, 해당 조사는 인공지능 산업의 매출액 현황, 기술별 도입 수준, 기업의 사업 현

황 및 인력·투자 구조 등을 종합적으로 조사함으로써, 산업의 생태적 특성과 구조적 

변화를 파악하는 데 중점을 두고 있다. 특히 최근에는 생성형 AI와 대규모 언어모델

(LLM) 등 신기술이 빠르게 확산되면서, 이러한 기술이 산업 매출 및 기업 활동에 미치

는 영향을 반영하기 위한 세부 항목이 점진적으로 확대되고 있다.

결과적으로 「인공지능산업 실태조사」는 국내 AI 산업의 성장 추세를 체계적으로 

진단하고, 정책적 의사결정의 근거를 제공하는 가장 핵심적인 공급자 중심 통계로 기

능하고 있다. 향후에는 기술 변화 속도와 산업 구조의 다양성을 반영하기 위해 분류체

계의 세분화 및 조사 항목의 정교화가 지속적으로 필요할 것으로 전망된다.

- 7 -

[그림 2-

1

] 인공지능산업 실태조사 매출액 현황(대분류별)

(단위 : 조 원)

자료: SPRi(2025), 2024 AI산업실태조사

2.

기업활동조사

국가데이터처가 시행하는 「기업활동조사」는 우리나라 기업의 경영성과, 혁신활동, 

기술개발 현황 등을 종합적으로 파악하기 위한 국가승인통계로서, 인공지능(AI) 관련 

기술의 보유 및 활용 수준을 측정하는 주요 근거자료로 활용된다.

이 조사는 기업의 활동 전반을 포괄적으로 다루되, 4차 산업혁명 핵심 기술 중 하나

로서의 인공지능 개발과 활용 실태를 함께 조사한다. 특히 “인공지능”을 인간의 학

습능력·추론능력·지각능력·자연어 이해능력 등을 컴퓨터 프로그램으로 구현한 기

술로 정의하며, 이를 중심으로 기업의 기술개발 형태와 적용 분야를 파악하고 있다.

AI 관련 항목은 4차 산업혁명 관련 기술의 개발 및 활용 부문에 포함되어 있으며, 

기업이 인공지능 기술을 어떤 분야에 적용하고 있는지를 산업별·규모별로 분석할 수 

있도록 구성되어 있다. 조사 항목에는 인공지능 기술의 개발 방법, 자체 개발 여부, 외

부 도입 여부, 그리고 기술을 적용하고 있는 사업 영역 등이 포함된다.

이러한 조사 결과는 산업 전반에서 인공지능 기술이 어느 정도 확산되고 있는지를 

파악하고, 산업별 혁신 수준 및 기술 도입의 격차를 비교하는 데 활용된다. 공급자 중

심의 인공지능산업실태조사가 AI를 전문적으로 개발하는 기업을 대상으로 한다면, 기

업활동조사는 산업 전반의 기술 도입 수준과 활용 실태를 보여주는 보완적 통계로 기

- 8 -

능한다.

결과적으로 「기업활동조사」는 인공지능을 포함한 첨단 기술의 산업 내 확산 정도

를 파악할 수 있는 국가 단위의 대표 통계로서, AI 산업의 발전 방향을 정책적으로 분

석하는 데 중요한 근거자료로 활용되고 있다.

[그림 2-

2

] 기업활동조사 4차 산업혁명 관련 개발기술 분야 및 활용 분야

(단위 : 개)

자료: 국가데이터처(2024), 2024년 기업활동조사

3.

기업정보화 통계조사

한국지능정보사회진흥원(NIA)이 수행하는 「기업정보화 통계조사」는 국내 기업의 

정보화 수준과 디지털 기술 활용 현황을 다각적으로 파악하기 위한 국가 단위 조사로, 

인공지능 기술의 도입 및 활용 실태를 수요자(이용자) 관점에서 분석하는 대표 통계이

다.

이 조사는 급변하는 디지털 환경 속에서 기업의 정보화 정책 수립을 지원하고, 국가 

차원의 디지털 전환(Digital Transformation) 전략을 위한 근거자료를 제공하기 위해 실

시된다. 조사 결과는 OECD(경제협력개발기구), UNCTAD(유엔무역개발회의) 등 국제기

구에 공식 통계로 보고되어, 국제 비교 통계로도 활용되고 있다.

특히, 인공지능(AI) 관련 항목은 기업이 AI 기술 및 서비스를 실제로 도입·활용하고 

있는지 여부를 중심으로 구성되어 있다. 조사에서는 기업의 규모, 업종, 경영 형태에 

따라 인공지능 기술의 사용률과 서비스 이용 형태를 파악하며, AI 기술이 어느 영역

- 9 -

(예: 고객 서비스, 생산 관리, 데이터 분석 등)에 적용되고 있는지를 분석한다.

이 통계는 인공지능을 ‘개발·공급’의 시각이 아닌 ‘활용’의 시각에서 접근한다

는 점에서 큰 의의가 있다. 즉, 「인공지능산업 실태조사」가 AI 기술을 생산하는 기

업을 중심으로 산업 구조를 파악하는 반면, 「기업정보화 통계조사」는 AI 기술을 도

입·활용하는 수요 산업의 디지털화 수준을 보여주는 지표로 기능한다.

조사 결과는 기업의 AI 서비스 도입률, 기술 활용 분야, 향후 도입 계획 등을 통해 

AI 기술의 산업 내 확산 속도와 시장 수요를 가늠할 수 있게 한다. 또한 중소기업과 

대기업 간의 디지털 격차, 산업별 AI 도입 장벽 등을 확인함으로써, 정부의 AI 활용 지

원 정책 및 인프라 구축 방향을 설정하는 데도 기초자료로 활용된다.

결과적으로, 「기업정보화 통계조사」는 인공지능 기술의 사회적 확산 정도를 보여

주는 대표적인 수요자 중심 통계로서, AI 산업의 실태조사와 상호보완적 역할을 수행

하고 있다.

[그림 2-

3

] 기업정보화 통계조사 인공지능(AI) 기술 및 서비스 이용률

(단위 : %)

자료: 한국지능정보사회진흥원(2025), 2024 기업정보화통계조사

- 10 -

4.

ICT 중소기업 실태조사

과학기술정보통신부가 주관하고 정보통신산업진흥원(NIPA), (사)벤처기업협회가 조사

하는 「ICT 중소기업 실태조사」는 국내 정보통신기술(ICT) 분야 중소기업의 현황과 

성과를 체계적으로 파악하기 위해 시행되는 주요 국가 통계이다. 이 조사는 ICT 중소

기업의 기술 역량, 경영 실적, 디지털 전환 수준 등을 종합적으로 분석하여, 향후 정책 

수립과 산업 지원 전략 마련에 필요한 기초 자료를 제공하는 것을 목적으로 한다. 

조사에서는 ICT 산업을 ‘정보통신과 관련된 제품을 개발‧제조‧생산하거나 유통하며, 

이에 부수되는 서비스를 제공하는 산업’으로 정의하고 있다. 이 정의에는 정보통신방

송 서비스업, 정보통신방송기기 산업, 소프트웨어 및 디지털콘텐츠 개발·제작업이 모

두 포함된다. 산업 분류는 2020년 4월 개정된 「ICT 통합분류체계(산업편)」을 적용하

며, 총 3개의 대분류(정보통신방송 서비스업, 정보통신방송기기업, 소프트웨어 및 디지

털콘텐츠 산업)와 12개의 중분류로 구성된다.

[그림 2-

4

] ICT 중소기업 실태조사 제품개발(출시)현황별

(단위 : %)

자료: 벤처기업협회, ICT중소기업실태조사

특히 인공지능(AI) 관련 항목은 4차 산업혁명 핵심 기술 중 하나로서, 중소기업이 AI 

기술을 개발·도입·활용하고 있는 정도를 측정하는 데 초점을 두고 있다. 조사 내용

- 11 -

에는 AI 솔루션 도입 여부, AI를 활용한 제품 개발 및 출시 현황, 기술 확보 방식(자체 

개발·외부 도입 등), 그리고 디지털 전환(DX) 과제 추진 여부 등이 포함된다.

이 조사는 공급자 중심의 기술 통계로서, 중소기업이 AI 관련 기술을 얼마나 적극적

으로 내재화하고 있는지, 그리고 어떤 분야에 기술을 적용하고 있는지를 보여준다. 따

라서 「인공지능산업 실태조사」가 전체 AI 산업 생태계의 구조를 파악하는 데 중점

을 둔다면, 「ICT 중소기업 실태조사」는 중소기업의 AI 기술 활용과 디지털 혁신 수

준을 구체적으로 진단하는 데 의의가 있다.

결과적으로 이 조사는 중소기업의 AI 기술 역량 강화, 기술 격차 해소, 그리고 정부

의 중소기업 디지털 전환 정책 수립에 필요한 실증적 근거를 제공함으로써, AI 산업 

기반의 확산을 위한 중요한 정책적 지표로 활용되고 있다.

5.

중소기업 정보화 수준조사

중소기업기술정보진흥원(TIPA)이 수행하는 「중소기업 정보화 수준조사」는 국내 중

소기업의 정보화 및 디지털 역량을 종합적으로 진단하기 위한 국가 조사로, 인공지능

(AI) 활용 수준을 포함한 주요 기술 도입 현황을 평가하는 통계이다.

이 조사는 중소기업이 데이터 분석, 클라우드, 인공지능 등 첨단 기술을 얼마나 도

입·활용하고 있는지를 측정하여, 디지털 전환(DX)의 성숙도를 평가하는 것을 목적으

로 한다. 또한 이를 통해 산업 전반의 기술 활용 격차를 진단하고, 정부의 중소기업 

지원 정책 방향을 수립하는 기초자료로 활용된다.

AI 관련 항목은 별도의 정의를 두고 있지는 않지만, 데이터 분석 및 인공지능 활용 

수준, 관련 솔루션의 사용 여부, 그리고 DX 과제의 수립 및 실행 여부 등이 주요 지

표로 포함되어 있다. 

이러한 항목을 통해 중소기업이 AI 기술을 실제 경영 및 생산 과정에 얼마나 적용하

고 있는지를 구체적으로 파악할 수 있다.

조사 결과는 중소기업의 AI 기술 도입률, 활용 목적, 적용 분야, 그리고 향후 계획을 

세부적으로 보여준다. 이를 통해 중소기업의 디지털 역량을 객관적으로 평가하고, AI 

기술 확산을 위한 정책적 지원이 필요한 영역을 식별할 수 있다. 예를 들어, 제조업과 

서비스업 간 AI 도입률의 차이, 데이터 분석 중심 기업과 비활용 기업의 생산성 격차 

등을 비교·분석함으로써, 산업별 지원 전략을 구체화할 수 있다.

- 12 -

결과적으로 「중소기업 정보화 수준조사」는 인공지능 기술의 산업 내 확산 정도를 

수요자(이용자) 관점에서 측정하는 중요한 통계로서, AI 기술의 경제적 파급력과 디지

털 혁신 수준을 평가하는 지표 역할을 수행하고 있다. 특히 이 조사는 중소기업의 AI 

역량을 객관적으로 진단함으로써, 정부의 디지털 전환 지원사업 설계 및 AI 인프라 확

충 정책 수립에 실질적인 근거를 제공한다.

[그림 2-

5

] 중소기업 정보화 수준조사 활용하고 있는 데이터 분석 및 인공지능 

(단위 : %)

자료: 중소기업기술정보진흥원(2024), 중소기업정보화수준조사

6.

ICT 전문인력 수급 실태조사

한국직업능력연구원(KRIVET)이 실시하는 「ICT 전문인력 수급 실태조사」는 국내 정

보통신기술(ICT) 산업 전반에서의 인력 수요와 공급 구조를 파악하고, 핵심 기술 분야

별 인재 양성 정책을 수립하기 위한 기초 자료를 제공하는 국가 단위 조사이다.

이 조사는 ICT 산업을 크게 ICT 기기업, ICT 서비스업, 소프트웨어 및 디지털콘텐츠 

개발·제작업, 그리고 비ICT 산업(제조업, 서비스업, 기타)으로 구분하여 수행된다. 특

히 AI(인공지능), 빅데이터, 클라우드 컴퓨팅 등 4차 산업혁명 핵심 기술과 관련된 인

력 현황을 종합적으로 조사한다.

- 13 -

「ICT 전문인력 수급 실태조사」는 인공지능을 포함한 ICT 핵심 기술 분야의 인력 

현황을 다차원적으로 진단함으로써, 인공지능 산업 발전의 기반이 되는 인재 양성 정

책 수립에 실질적인 근거를 제공한다. 이 조사는 기술 중심의 산업 통계뿐 아니라, AI 

시대에 필요한 인력 구조의 변화 방향을 제시한다는 점에서 정책적 의의가 크다.

구분

전문대

대학교

대학원

전체

SW·AI

인공지능

29.2

45.5

41.7

42.5

빅데이터

9.8

7.8

12.8

9.3

응용 SW

3.6

6.3

6.1

5.9

시스템 SW

2.5

4.4

3.9

4.0

클라우드 컴퓨팅

5.1

8.8

3.6

7.1

컴퓨팅 시스템

1.5

0.4

1.0

0.7

타분야

48.3

26.8

30.9

30.5

[표 2-

1

] ICT 전문인력 수급 실태조사 ICT 핵심기술 분야 중 향후 학습하고 싶은 분야(1순위, 단위: %)

자료: 한국직업능력연구원(2025), ICT 전문인력 수급 실태조사 및 전망(2024)

7.

소결

앞서 살펴본 여러 통계를 종합하면, 국내 인공지능(AI) 산업 관련 조사는 각각의 목

적과 관점에 따라 상이한 역할을 수행하고 있음을 알 수 있다. 「인공지능산업 실태조

사」가 산업 전반의 구조와 생태를 공급자 중심으로 파악하는 반면, 「기업정보화 통

계조사」와 「중소기업 정보화 수준조사」는 기업의 기술 도입과 활용 현황을 수요자 

중심으로 측정하고 있다. 이에 따라 동일한 AI 기술이라도 조사별로 측정 대상과 범

위, 통계 활용 목적이 서로 다르게 설정된다.

우선, 「인공지능산업 실태조사」는 인공지능 기술·서비스·부품 등 산업 전반의 

생산구조를 분석하여, AI 산업 생태계의 현황과 성장 추세를 파악하기 위한 대표 조사

이다. 이는 AI 산업의 시장규모, 기술 보유 현황, 투자 및 인력 구조를 중심으로 공급 

측면의 통계를 제공하며, 인공지능 산업 분류체계의 근간을 이루는 핵심 통계로 활용

된다.

- 14 -

구분

목적

주요 조사 내용

AI관련 항목

인공지능산업

실태조사

- 인공지능 기술 

및 제품·서비스 

기반 산업 실태 

파악

- (기술/사업) 기술 및 사업 

현황 

- (생태) 생태 현황

- (인력) 인력 현황

- (투자) 투자 및 도입 현황

- (정책) 애로사항

- AI SW/서비스/ 

부품 구조화, 정의 

포함

  (공급자 측면)

기업활동조사

- 기업의 

경영·성과·혁신 

등 활동 전반 

분석

- (기술/활용) 4차 산업혁명 

관련 개발기술 분야 및 개발 

방법, 활용 분야

- 4차산업 기술 

보유·활용 항목 

포함

  (공급자 측면, 

기업수)

정보화

통계조사

- 정보화 환경 및 

AI 서비스 도입 

현황 파악

- (활용) AI 기술 및 서비스 

이용 여부, AI 기술 및 

서비스 분야

- AI 기술·서비스 

활용 여부

  (수요자 측면)

ICT 

중소기업 

실태조사

- 중소기업의 

디지털 전환 및 

AI 활용 역량 

조사

- (기술/활용) 4차 산업혁명 

제품 개발·출시 여부, 

개발·활용 기술 분야, 

해당기술 확보방식

- (정책) 4차 산업혁명 관련 

정책 필요사항

- AI 솔루션 도입 

여부, DX 과제 등

  (수요자 측면)

중소기업 

정보화 

수준조사

- ICT 기술별 

인력 수요·공급 

현황 조사

- (활용) 데이터 분석 및 

인공지능 활용 수준, 관련 

솔루션

- (경영) DX 과제 수립 및 

실행 여부, DX 과제 방향성

- AI 관련 인력 수요 

및 교육 이수 여부

  (수요자 측면)

ICT 

전문인력 

수요 

실태조사

- 4차산업 주력 

기술 및 AI 기반 

제품 분석

- (인력) ICT핵심기술 분야 중 

향후 학습 희망 분야, ICT 

전문인력 핵심기술 분야, ICT 

취업의사 여부 관련 분야

- AI 적용 제품 및 

기술 분류

  (수요자 측면)

자료: ‘박나연(2023), 국내 인공지능산업의 통계 현황 및 개선방안. 월간 KIET 산업경제, 300, 18-29’을 

참고하여 연구진 재구성 

[표 2-

2

] 국내 통계 중 AI 관련 제공 통계 종합

반면, 「기업활동조사」와 「ICT 중소기업 실태조사」는 4차 산업혁명 관련 기술을 

개발·보유·활용하고 있는 기업의 기술 현황을 파악한다는 점에서 유사성을 지닌다. 

다만 전자는 산업 전반의 기업을 대상으로 AI 기술 보유 현황을 파악하는 거시적 통

계인 반면, 후자는 ICT 중소기업을 대상으로 기술 개발과 제품화 역량을 세부적으로 

조사하는 미시적 통계로서의 성격을 가진다. 특히 「ICT 중소기업 실태조사」는 중소

기업의 AI 기술 내재화 수준, DX(디지털 전환) 과제 추진 현황, 기술 확보 방식 등을 

파악함으로써 정부의 중소기업 지원 정책 수립에 활용되고 있다.

한편, 「기업정보화 통계조사」와 「중소기업 정보화 수준조사」는 AI 기술을 개

발·제공하는 공급자보다는 이를 실제로 활용하는 기업의 관점에서 접근하는 수요자 

중심 통계로서 의미가 있다. 두 조사는 기업의 정보화 수준과 디지털 전환 정도를 평

가하며, 특히 인공지능 기술의 도입률, 적용 분야, 서비스 활용 현황을 구체적으로 측

- 15 -

정한다. 이를 통해 산업별 AI 확산 속도와 기술 격차를 비교·분석하고, 디지털 전환 

정책의 효과를 진단할 수 있다.

마지막으로, 「ICT 전문인력 수급 실태조사」는 인공지능 기술의 확산이 인력 구조

에 미치는 영향을 측정하는 대표 조사로, 산업별·기술별 인력 수요와 교육 수급의 불

균형을 진단하는 데 초점을 맞추고 있다. 특히 인공지능 분야가 향후 학습 희망 기술

로 가장 높은 비중을 차지한다는 점은, 산업 현장에서의 AI 수요 확대와 인력양성 체

계의 중요성을 함께 시사한다.

종합하면, 국내의 인공지능 관련 주요 통계들은 공급자 중심 통계(인공지능산업 실태

조사, 기업활동조사, ICT 중소기업 실태조사)와 수요자 중심 통계(기업정보화 통계조

사, 중소기업 정보화 수준조사), 그리고 인력 중심 통계(ICT 전문인력 수급 실태조사)

로 구분할 수 있다. 이러한 다층적 통계체계는 인공지능 산업의 구조·활용·인력 등 

각 측면을 상호보완적으로 파악할 수 있게 하지만, 조사 간 정의와 범위의 불일치로 

인한 통계 연계성 저하가 문제로 지적된다. 따라서 향후에는 각 통계 간의 연계 기준

을 명확히 하고, 인공지능 산업 분류체계의 일관성을 강화하여 보다 정합적이고 통합

적인 국가 통계체계를 구축할 필요가 있다.

제2절

해외 인공지능(AI) 관련 분류체계 사례조사

1.

미국

미국은 인공지능(AI) 산업에 대해 독립적인 공식 산업 분류체계를 운영하고 있지는 

않지만, 국가 AI 연구개발 전략(National AI R&D Strategic Plan)과 AI 위험관리 프레임

워크(AI Risk Management Framework) 등을 통해 기술 개발의 방향성과 신뢰성 기준

을 제시하고 있다.

먼저, 국가 AI 연구개발 전략(NSTC, National Science and Technology Council)은 미

국 정부 차원의 AI R&D 방향을 제시하는 핵심 정책 문서로, AI 기술 자체보다는 연구

개발의 투자와 관리 체계를 중심으로 9대 전략 영역을 제시한다. 주요 전략에는 AI의 

장기적 기초연구 투자 확대, AI의 윤리적·법적·사회적 의미에 대한 이해 제고, AI 관

련 인력 양성, AI의 공정하고 안전한 사용 촉진, AI 시스템의 보안·안전 설계 강화 등

이 포함된다. 이러한 전략은 기술개발뿐 아니라 AI 활용의 사회적 수용성과 책임성을 

함께 강화하기 위한 방향을 제시한다.

- 16 -

핵심전략

AI의 장기적인 기초 연구 투자

AI의 윤리적, 법적, 사회적 

의미에 대한 이해 증진

AI 관련 인력 개발

AI의 효과적인 사용을 위한 

이해 증진

AI 기술의 공정하고 안전한 

사용 촉진

AI 연구개발의 평가 및 조정

AI 시스템의 안전하고 보안된 

설계 및 개발

AI 기술의 공공 데이터 및 

인프라 개발

국제 협력 촉진

[표 2-

3

] 국가 AI 연구개발 전략 - 핵심전략

자료: NSTC(2023), “NATIONAL ARTIFICIAL INTELLIGENCE RESEARCH AND DEVELOPMENT 

STRATEGIC PLAN 2023 UPDATE” 

또한, 국가표준기술연구소(NIST)가 수립한 AI 위험관리 프레임워크(AI RMF)는 인공지

능 시스템의 신뢰성, 투명성, 공정성을 확보하기 위한 표준 관리체계로, 기술·산업·

윤리의 세 측면을 통합적으로 고려한다. 이를 통해 AI 기술이 상업적·공공적 영역 모

두에서 안전하고 책임 있게 활용될 수 있는 기반을 마련하고 있다.

구성

기능

거버넌스

- 거버넌스는 3가지 다른 기능에 정보를 제공하고 제공받는 교차 기능으로 설계.

- 조직내 AI시스템을 설계, 개발, 배포 또는 획득하기 위한 위험관리 문화를 조성

관리

- 식별된 위험을 처리하고 시스템 오류 및 부정적 영향에 대한 가능성을 최소화하기 

위해 거버넌스에서 설정된 문서 작성 기준, 매핑의 상황별 정보 및 측정의 경험적 

정보를 활용. 관리기능 후에는 위험 우선 순위를 지정하고 이를 지속적으로 

모니터링 및 개선하기 위한 계획 수립

위험식별

- 측정, 관리를 기초 작업으로 AI시스템의 위험, 광범위한 위험 유발 요인을 식별

측정

- 정량적, 정성적 또는 복합적 도구, 기법 및 방법을 채택하여 AI 위험 및 관련 

영향을 분석하고 평가하고 벤치마킹하며 모니터링. 

- 매핑에서 식별된 AI 위험과 관련한 지식을 활용해 관리를 위한 위험 모니터링

[표 2-

4

] NIST의 AI 위험관리 프레임워크

자료: NIST(2023), “Artificial Intelligence Risk Management Framework (AI RMF 1.0)” 

2.

유럽 

유럽의 경우, 유럽연합(EU)의 공식 통계 기구인 Eurostat를 중심으로 AI 기술의 채택 

현황을 다각도로 분석하고 이를 통계화하기 위한 체계가 개발되었다. 

- 17 -

분류체계

내용

AI_T

∙ AI 기술 유형별 분류 (텍스트 마이닝, 음성 인식, 자연어 생성 등)

AI_TTM

  - 텍스트 마이닝 : 문서나 텍스트 데이터를 분석하여 유용한 정보를 

    추출하는 기술

AI_TSR

  - 음성 인식 : 음성 데이터를 텍스트로 변환하여 기계가 이해할 수 있도록 

     하는 기술

AI_TNLG

  - 자연어 생성 : 기계가 인간의 언어로 텍스트를 생성하는 기술

AI_TIR

  - 이미지 인식 : 이미지나 영상을 분석하여 객체를 식별하거나 분류하는 기술

AI_TML

  - 기계 학습 : 데이터를 기반으로 학습하여 예측하거나 분류하는 기술

AI_TPA

  - 프로세스 자동화 : 반복적인 업무를 자동화하는 기술

AI_TAR

  - 자율 이동 : 주변 환경을 인식하고 자율적으로 이동하는 기술

AI_P

∙ AI의 비즈니스 응용 분야 (제조, 물류, IT 지원 등)

AI_PMS

  - 제조 및 생산 (Manufacturing and Production)

AI_PPP

  - 제품 및 서비스 개발 (Product and Service Development)

AI_PBA

  - 비즈니스 분석 (Business Analytics)

AI_PME

  - 마케팅 및 판매 (Marketing and Sales)

AI_PLOG

  - 물류 및 공급망 관리 (Logistics and Supply Chain Management)

AI_PITS

  - IT 및 기술 지원 (IT and Technical Support)

AI_PHR

  - 인사 관리 (Human Resources)

AI_PFIN

  - 금융 및 재무 분석 (Finance and Financial Analysis)

AI_PRDI

  - 연구 및 개발 (Research and Development)

E_DAS

∙ 데이터 소스 분류 (웹, 현장, 위성 데이터 등)

E_DASWEB

  - 웹 데이터 소스 (Data from Websites)

E_DASLOC

  - 현장 데이터 소스 (Local Data Sources)

E_DASSDS

  - 사설 데이터 소스 (Private Data Sources)

E_DASGOV

  - 공공 데이터 소스 (Government Data Sources)

E_DASSAT

  - 위성 및 원격 탐사 데이터 (Satellite and Remote Sensing Data)

E_

∙ 데이터 활용 및 분석 방법 (챗봇, 기계 학습, 서비스 로봇 등)

E_CHTB

  - 챗봇또는 가상 에이전트 (Chatbot or Virtual Agent)

E_BDAML

  - 기계 학습을 활용한 빅데이터 분석 (Big Data Analysis using Machine Learning)

E_BDANL

  - 자연어 처리를 활용한 빅데이터 분석 (Big Data Analysis using NLP)

E_RBTS

  - 서비스 로봇 사용 (Service Robots)

[표 2-

5

] AI Taxonomy 분류체계구조

자료 : EU(2021), “Creation of a taxonomy for the_european ai ecosystem”

가장 핵심적인 특징은 AI 기술의 ‘공급 기업’을 중심으로 분류하는 것이 아니라, 

전 산업에 걸쳐 AI가 실제로 얼마나 사용되는지를 측정하는, 즉 ‘활용도’에 초점을 

맞춘 수요자 중심의 관점을 채택했다는 점이다. 

주요 특징 및 구조를 살펴보면, Eurostat의 분류 코드는 “유럽 AI 생태계 분류체계 

수립(Creation of a taxonomy for the_european ai ecosystem)” 보고서에서 제공하는 

- 18 -

분류 체계를 기초로 하며, AI 공급업체가 아닌 전체 기업을 대상으로, AI 분류체계별 

활용 비율을 중심으로 통계를 제공하는 수요자 중심적 성격을 가지고 있다. 

특히 AI 기술, 비즈니스 응용, 데이터 소스, 분석 방법 등을 세분화된 코드로 분류하

는 다차원적 코드 분류 방식을 사용하고 있으며. 주요 분류 차원은 다음과 같다. AI 

기술 유형(AIT)은 텍스트 마이닝(AI_TTM), 음성 인식(AI_TSR), 자연어 생성(AI_TNLG), 

이미지 인식(AI_TIR), 기계 학습(AI_TML) 등 기업이 활용하는 구체적인 기술 자체를 분

류하고 있으며, 비즈니스 응용 분야(AIP)는 AI가 실제로 활용되는 비즈니스 기능이나 

부서를 기준으로 하며, 제조 및 생산(AI_PMS), 물류(AI_PLOG), 마케팅 및 판매

(AI_PME), 인사 관리(AI_PHR) 등으로 구분된다. 데이터 소스(DAS)는 AI 분석에 활용되

는 데이터의 출처를 웹 데이터(E_DASWEB), 공공 데이터(E_DASGOV), 위성 데이터

(E_DASSAT) 등으로 정의된다. 활용 및 분석 방법(E)은 챗봇(E_CHTB), 기계 학습을 활

용한 빅데이터 분석(E_BDAML), 서비스 로봇(E_RBTS) 등 AI의 구체적인 활용 방식을 

식별하는데 활용된다. 

Eurostat가 제공하는 통계의 기준은 공급업체 기준이 아니라, 전체 기업이 앞서 정의

된 AI 분류체계별 기술을 어느 정도의 ‘활용 비율’로 사용하고 있는지를 중심으로 

제공된다.

3.

OECD

OECD는 AI를 시장이나 기술 관점이 아닌, 정책적·사회적 관점에서 이해하고 분류

하기 위한 독자적인 프레임워크를 제시한다. 이는 AI 시스템의 기술적 특성을 넘어, 

그것이 사람, 사회, 그리고 경제에 미치는 영향을 중심으로 분류 기준을 설정한다는 

점에서 시장 분석 기관의 접근법과 근본적인 차이를 보인다.

OECD 프레임워크의 핵심 목적은 AI 시스템의 특성을 다차원적으로 정의함으로써, 

각국 정부와 규제 기관이 정책 및 규제 논의의 공통 기반으로 삼을 수 있는 언어를 

제공하는 것이다. OECD의 분류 체계는 AI 시스템을 5가지 핵심 영역(Dimension)과 세

부 기준으로 평가하는 다차원 프레임워크 구조를 가진다. 이 5대 영역은 AI 시스템의 

전 생애주기와 그 영향을 포괄적으로 조망할 수 있도록 설계되었다.

- 19 -

분류영역

분류기준

설명

사람과 환경

(PEOPLE

&

PLANET)

사용자

- 시스템과 상호작용하는 사용자의 숙련도

이해관계자

- 시스템의 영향을 받는 사람 또는 집단

선택권 및 이의제기 수단 

- 사용자가 시스템을 거부하거나 전환할 수 있는지, 

 결과에 이의를 제기할 수 있는지 여부

인권 및 기본권

- 시스템이 인권 및 민주적 가치(존엄성, 표현의 자유, 

 차별 금지 등)를 침해할 수 있는 가능성

삶의 질, 사회와 환경

- 시스템이 환경, 사회, 삶의 질에 미치는 영향

일자리 대체 가능성

- 시스템이 사람의 기존 업무를 대체할 가능성

경제적 맥락

(ECONOMIC

CONTEXT)

산업 분야

- 시스템이 적용되는 산업 분야 (예: 금융, 농업 등)

비즈니스 

기능 및 

모델

업무 기능

- 시스템이 사용되는 구체적인 업무 (예: 고객 서비스 등)

비즈니스 모델

- 시스템의 운영 모델 (예: 영리/비영리/공공서비스)

업무 중대성

- 시스템이 중단될 경우 중요한 서비스나 기능에 미치는 

영향

적용 범위 

및 기술 

성숙도

적용범위

- 시스템의 배포 범위 (예: 파일럿, 지역적, 전국적, 글로벌 

등)

기술 성숙도

- 기술 성숙도(TRL) 수준

데이터 및 

입력

(DATA

&

INPUT)

데이터 수집

- 데이터가 수집되는 방식 (사람, 센서, 자동화 등)

데이터 신뢰성

- 데이터 출처가 전문가, 공식 자료인지 여부 

데이터 변화 특성

- 데이터가 정적/동적/실시간인지 여부

데이터 권리구조

- 데이터가 공공 데이터인지, 개인정보인지 여부

개인정보 식별 가능성

- 개인정보 처리 (익명 또는 가명 등) 

구조 및 

형식 

데이터 구조

- 데이터 구조 (구조화/반구조화/비구조화 등)

데이터 형식

- 데이터 및 메타데이터 형식 (표준화, 비표준화 등)

데이터 규모

- 데이터의 양과 범위

데이터 품질 및 적합성

- 데이터가 분석 목적에 적절하고, 대표성 및 완결성이 

있느지

AI 모델

(AI 

MODEL)

모델 

특성

모델 정보 공개 여부

- 모델에 대한 정보가 공개 여부

AI 모델 유형

- 인간이 정의한 규칙(기호 기반), 통계적 방법(데이터 

기반), 혼합형 모델 등

모델 권한 구조

- 오픈소스, 자체 개발, 제3자 제공 등 모델 권한 구조

판별형/생성형 모델 특성

- 생성형 모델 vs. 판별형 모델

단일/복합 모델 구성

- 단일 모델 구성 vs. 복수 모델 구성

모델 

구축 

모델 기반

- 기계 또는 인간 지식 기반 모델 구축

현장 기반 모델 진화 

- 시스템이 현장에서 데이터를 통해 스스로 능력을 

획득하거나 진화하는지 여부

중앙형 또는 연합형 

학습 구조

- 모델 학습 구조 (중앙형, 연합형, 분산형 등) 

모델 

추론방

식

모델 개발·유지관리 방식)

- 모델이 사용자나 공급자가 직접 개발/관리 가능한지 

여부

결정론적 / 확률 기반 모델

- 모델이 결정론적 방식인지, 확률 기반인지 여부

투명성 및 설명 가능성

- 사용자가 출력 결과를 이해할 수 있도록 정보가 

제공되는지 여부

작업과 출력

(TASK

&

OUTPUT)

작업

시스템 수행 작업

- 시스템이 수행하는 작업의 종류 (예: 인식, 예측 등)

복합 작업 및 행동 

통합여부

- 시스템이 여러 작업과 행동을 통합하여 수행하는지 여부

시스템 행동수준의 자율성

- 시스템의 자율성 정도

적용 분야

- 시스템이 적용되는 대표 분야(예: 자연어처리, 

컴퓨터비전 등)

평가

- 출력 결과에 대한 평가 기준이나 방법이 

 존재하는지 여부 

[표 2-

6

] OECD AI 시스템 분류 프레임워크

자료: OECD(2022), “OECD FRAMEWORK FOR THE CLASSIFICATION OF AI SYSTEMS”

- 20 -

1)

 IDC의 인공지능 기술 정의는 ‘[부록 3] IDC Worldwide Artificial Intelligence Technology Definitions’를 

참고 바람

사람과 환경 (People & Planet) 영역은 시스템과 상호작용하는 사용자, 영향을 받는 

이해관계자, 그리고 인권 및 기본권, 삶의 질, 환경에 미치는 영향 등을 기준으로 분류

하고 있다. 

경제적 맥락 (Economic Context)은 시스템이 적용되는 산업 분야(금융, 농업 등), 수

행하는 업무 기능(고객 서비스 등), 비즈니스 모델(영리/비영리/공공) 및 기술 성숙도

(TRL)를 기준으로 분류한다. 

데이터 및 입력 (Data & Input)은 데이터 수집 방식, 신뢰성, 데이터 유형(정적/동적), 

개인정보 포함 여부, 데이터 구조(정형/비정형), 규모 및 품질 등을 기준으로 분류한다. 

AI 모델 (AI Model)은 모델 유형(규칙 기반/데이터 기반/혼합형), 모델 권한(오픈소스/자

체개발), 판별형/생성형 특성, 학습 구조(중앙형/연합형), 투명성 및 설명 가능성 등을 

기준으로 분류한다. 

작업과 출력 (Task & Output)은 시스템이 수행하는 작업의 종류(인식, 예측 등), 시스

템 행동 수준의 자율성, 적용 분야(NLP, 컴퓨터 비전 등), 출력 결과에 대한 평가 기준 

존재 여부 등을 기준으로 분류

OECD의 프레임워크는 AI를 단순한 기술이나 상품이 아닌, 사회·경제적 맥락 속에

서 작동하는 복잡한 ‘시스템’으로 규정한다. 이를 통해 각국 정책 입안자들이 AI의 

잠재적 위험과 영향을 체계적으로 식별하고 관리하는 데 필요한 공통의 분류 기준을 

제공하는 것을 목표로 한다.

4.

IDC 분류 체계

글로벌 시장조사기관인 IDC(International Data Corporation)는 AI 기술 및 시장을 3개

의 기술 그룹(Technology Group), 10개의 기술 범주(Technology Category), 그리고 18

개의 세부 기술(Technology)로 구성된 체계적인 3단계 분류 구조를 제시1)한다.

IDC 분류 체계의 핵심은 AI 관련 시장을 하드웨어(HW), 소프트웨어(SW), 서비스라는 

세 가지 명확한 기술 그룹으로 대분류하는 것에서 시작한다. 이 3대 그룹은 다시 각각

의 기술 범주와 세부 기술로 세분화된다.

이러한 접근 방식의 가장 큰 강점은, AI를 단순히 기술 단위로만 보는 것을 넘어 공

급자 유형과 솔루션 제공 방식까지 분리하여 분류한다는 점이다. 이를 통해 공급자 중

- 21 -

심 분류체계가 가져야 할 정밀성과 확장성을 동시에 확보하였다.

기술 그룹

기술 범주

기술

하드웨어

IaaS 

IaaS 

네트워크 장비

네트워크 장비

서버

서버

스토리지 

스토리지 

소프트웨어

AI 애플리케이션

콘텐츠 워크플로 및 관리 애플리케이션

고객 관계 관리(CRM) 애플리케이션

기업 자원 관리(ERM) 애플리케이션

기타 AI 애플리케이션

인공지능 플랫폼

AI 수명주기 소프트웨어

컴퓨터 비전 AI 소프트웨어 서비스 

대화형 AI 소프트웨어 서비스

생성형 AI 소프트웨어 서비스

검색 및 지식 발견 소프트웨어

기타 AI 소프트웨어 서비스

AI 시스템 인프라 소프트웨어

AI 시스템 인프라 소프트웨어

애플리케이션 개발 및 배포 

소프트웨어

애플리케이션 개발 및 배포 소프트웨어

서비스

비즈니스 서비스

비즈니스 서비스

IT 서비스

IT 서비스

[표 2-

7

] IDC의 인공지능 기술 분류

자료: IDC's Worldwide AI and Generative AI Spending Guide Taxonomy, 2025: Release V1, 2025 

IDC 분류체계의 주요 특징은 다음과 같다. 먼저, AI 수명주기(Lifecycle) 기반의 소프

트웨어를 분류하고 있다. IDC는 소프트웨어 그룹을 분류할 때 AI 개발의 전주기

(Lifecycle), 즉 모델 개발, 학습, 배포, 운영 단계를 반영한다. 이는 단순한 AI 애플리케

이션(응용 프로그램)뿐만 아니라, MLOps(기계 학습 운영) 및 DevOps 플랫폼 기업, 모

델 호스팅 서비스 기업까지 AI 산업의 공급자로 포괄할 수 있게 하는 정교한 구조이

다.

다음으로 생성형 AI(Generative AI)를 독립 항목으로 분류하고 있다. 최근 AI 기술 트

렌드를 적극 반영하여, ‘생성형 AI’를 소프트웨어 기술 범주 내 하나의 독립적인 기

술 항목으로 명확히 지정하였다. 이에 따라 생성형 AI 소프트웨어 서비스는 기존의 대

화형 AI나 컴퓨터 비전 등과는 분리된 독립 카테고리로서 시장 규모가 집계된다.

- 22 -

2)

 Gartner의 분류체계는 Gartner(2025) “Forecast Analysis: GenAI IT Spending, 2023-2028, 

Worldwide”를 바탕으로 구성

또한 서비스 영역을 세분화하고 있다는 점이다. 공급자 중심 체계에서 놓치기 쉬운 

‘서비스형 AI’ 시장을 포착하기 위해, AI 관련 서비스 영역을 비즈니스 서비스(예: 

AI 비즈니스 컨설팅, 운영 대행)와 IT 서비스(예: 시스템 통합, 인프라 관리, 기술 컨설

팅)로 구분하였다. 

5.

Gartner의 분류 체계

Gartner는 AI 산업을 ‘GenAI/AI 관련 전체 IT 지출(Spending)’이라는 관점에서 접

근한다. 이 분류 체계2)는 4개의 핵심 시장(Core Markets)과 그에 속한 14개의 하위 시

장(Sub-Markets)으로 구성된다.

Gartner 접근법의 핵심은 공급자의 산업 활동이나 제품 유형이 아니라, 기업의 IT 투

자 항목(Spending Item)을 중심으로 시장을 재구성했다는 점이다. 이는 AI 산업의 규모

를 기술 그 자체가 아닌, 기술을 도입하고 운영하기 위해 지출되는 비용의 흐름으로 

파악하는 방식이다.

핵심시장

하위시장

2023년

2024년

서비스

GenAI/AI 애플리케이션 구현

581

1,292

GenAI/AI 애플리케이션 운영관리 서비스

154

339

GenAI/AI 비즈니스 컨설팅

1,343

3,748

GenAI/AI 기술 컨설팅

744

2,001

GenAI/AI 비즈니스 프로세스 서비스

771

2,720

GenAI/AI 인프라 구현

152

326

GenAI/AI 인프라 운영관리 서비스

70

143

소프트웨어

GenAI/AI 애플리케이션

2,495

7,929

GenAI/AI 인프라

1,542

5,526

GenAI/AI 모델

1,359

5,709

디바이스

GenAI/AI 스마트폰

3,794

166,192

AI PC

17,315

33,403

하드웨어

AI 최적화 서버

52,256

128,586

AI 최적화 IaaS

996

7,050

[표 2-

8

] GenAI/AI 관련 전체 IT 지출 전망의 시장 분류(단위: 백만 달러)

자료: Gartner(2025) “Forecast Analysis: GenAI IT Spending, 2023-2028, Worldwide

- 23 -

3)

 CB Insights의 분류체계는 CB Insights(2025.04.25.) “AI 100: The most promising artificial 

intelligence startups of 2025”를 바탕으로 구성

주요 특징을 살펴보면, 먼저 생성형 AI(GenAI) 중심의 분류로 구성되어 있다. 

Gartner의 분류는 기존 AI 지출 분류와 달리, ‘생성형 AI(GenAI)’를 중심축으로 하여 

구조가 전환된 것이 가장 큰 특징이다. 아래 표에서 볼 수 있듯이, ‘GenAI/AI 애플리

케이션’, ‘GenAI/AI 인프라’ 등 모든 세부 항목이 생성형 AI를 기반으로 통계를 산

출할 수 있도록 구체화되어 있다. 이는 빠르게 진화하는 AI 기술 트렌드를 즉각적으로 

반영할 수 있도록 설계된 유연한 분류 체계라 할 수 있다.

또 다른 중요 특징은 ‘디바이스(Device)’를 4대 핵심 시장 중 하나로 독립시켰다는 

점이다. 여기에는 ‘GenAI/AI 스마트폰’이나 ‘AI PC’가 포함된다. 이는 AI 기능이 

소프트웨어를 넘어 하드웨어 완제품에 내장(Embedded)되는 최신 트렌드를 반영한 것

이다. 이로써 스마트폰 제조업체나 AI 기능이 탑재된 노트북 제조사 등도 AI 공급자 

시장의 주요 참여자로 분류된다.

아래 표와 같이 4대 핵심 시장은 서비스(Services), 소프트웨어(Software), 디바이스

(Devices), 하드웨어(Hardware)이며, 각 시장은 AI 인프라, 애플리케이션, 모델 등 

GenAI/AI와 연관된 구체적인 지출 항목으로 세분화된다.

6.

CB Insight의 분류 체계3)

CB Insights는 매년 ‘AI 100’ 리스트를 발표하며, 이는 전 세계에서 가장 유망한 

비상장 AI 스타트업을 선정하는 핵심적인 지표로 활용된다. 이 리스트는 단순한 기업 

나열을 넘어, AI 기술의 발전과 시장의 요구가 어떻게 변화하고 있는지를 파악할 수 

있는 체계적인 분류를 함께 제공한다는 점에서 중요하다.

CB Insights의 분류체계는 AI기술을 ‘인프라(Infrastructure)’, ‘수평적 AI(Horizontal 

AI)’, ‘수직적 AI(Vertical AI)’라는 세 가지 핵심 영역으로 구분한다. 이 3대 분류는 

기술의 기반부터 실제 산업 적용까지 AI 생태계 전반을 조망할 수 있는 논리적 프레

임워크를 제공한다. 

‘AI 인프라’는 AI 기술을 개발, 배포, 운영하는 데 필요한 근간을 이루는 기술 영

역이다. AI 모델의 성능과 효율성을 결정하는 핵심 분야로, 최근 전체 투자의 약 79%

(약 252억 달러)가 집중될 정도로 가장 많은 투자가 이루어지고 있다. ‘AI 인프라’ 

- 24 -

영역은 다음의 세부 분야로 구성된다. 먼저 파운데이션 모델 (Foundation Models)로 대

규모 데이터로 사전 학습되어, 미세조정(Fine-tuning)을 통해 다양한 다운스트림 작업

에 적용될 수 있는 거대 AI 모델이다. 다음으로 AI 반도체(AI Semiconductors)이며 AI 

연산, 특히 대규모 병렬 처리에 최적화된 반도체이다. AI 모델의 학습과 추론 속도를 

비약적으로 향상시키는 데 필수적이다. 마지막으로 개발 플랫폼 및 MLOps이다. AI 모

델의 개발, 학습, 배포, 운영에 이르는 전 과정을 효율적으로 관리하고 자동화하는 플

랫폼 기술이다.

‘수평적 AI’는 특정 산업이나 도메인에 국한되지 않고, 여러 산업 분야에 걸쳐 범

용적으로 적용될 수 있는 AI 기술 및 애플리케이션을 의미한다. 이는 비즈니스 프로세

스 전반의 효율성을 높이는 데 중점을 둔다. 예를 들어, AI 기반 문서 자동 처리, 고객 

관계 관리(CRM) 자동화, 범용 챗봇 솔루션 등이 이에 해당한다.

‘수직적 AI’는 금융, 헬스케어, 법률, 제조 등 특정 산업(Vertical)의 고유한 문제 

해결에 특화된 AI 솔루션을 지칭한다. 해당 산업의 전문 지식과 데이터를 깊이 있게 

학습하여 높은 정확도와 전문성을 제공하는 것이 특징이다. 의료 영상 분석 AI, 금융 

이상 거래 탐지 시스템(FDS), 법률 문서 분석 AI 등이 대표적인 사례이다.

7.

해외 인공지능 관련 분류체계의 종합 분석

해외 주요 국가나 기관의 AI 관련 분류체계 사례를 조사한 결과, 이들은 통일된 단

일 기준을 따르기보다 각자의 목적에 따라 각기 다른 접근 방식을 취하고 있음이 확

인되었다.

미국과 OECD의 경우 정책·거버넌스 중심의 프레임워크로 접근하고 있다. 미국과 

OECD는 AI 산업 자체에 대한 독립적인 ‘경제·산업 분류’ 체계보다는, AI 기술의 

방향성을 제시하고 사회적 영향을 관리하기 위한 정책 및 거버넌스 프레임워크에 중

점을 둔다. 미국의 경우, 공식적인 산업 분류 체계 대신 국가적 전략과 위험 관리 기

준을 제시한다. ‘국가 AI 연구개발 전략(NSTC)’은 R&D 투자의 9가지 핵심 영역(예: 

장기 기초 연구, 윤리·법적·사회적 의미 이해, 인력 개발 등)을 제시하여 기술 개발

의 방향성을 설정한다. 이와 함께 NIST의 ‘AI 위험관리 프레임워크(AI RMF)’는 AI 

시스템의 신뢰성, 안전성, 공정성을 관리하기 위한 4가지 주요 기능(거버넌스, 맵핑, 

측정, 관리)을 정의하여 기술의 안정적 도입을 위한 기준을 제공한다.

OECD 역시 시장 규모가 아닌 AI 시스템이 사람, 사회, 경제에 미치는 영향을 중심으

로 분류 기준을 설정한다. 이 프레임워크는 AI 시스템 자체를 5가지 핵심 분류 영역

- 25 -

(사람과 환경, 경제적 맥락, 데이터 및 입력, AI 모델, 작업과 출력)과 세부 기준으로 

평가한다. 이는 정책 및 규제 논의의 기반을 제공하는 것을 목적으로 한다.

구분

기관

핵심 관점 및 목적

주요 분류 체계 및 특징

분류 대상

정책

/

거버넌스

미국 

(NSTC, 

NIST)

• AI 산업 분류체계 

부재.

• AI R&D 국가 

방향성 제시 및 

신뢰성/위험 관리 

기준 확립

• 국가 AI R&D 전략 : 9가지 

핵심 R&D 투자/관리 영역

• AI RMF (위험관리 

프레임워크): 4가지 

기능(거버넌스, 맵핑, 측정, 

관리)

정책 / 

R&D

(방향성, 

위험관리)

OECD

• AI를 시장/기술이 

아닌 정책적·사회적 

영향 관점에서 이해

• 정책 및 규제 논의의 

기반 제공

• 5대 영역 다차원 프레임워크:

 - 1. 사람과 환경

 - 2. 경제적 맥락

 - 3. 데이터 및 입력

 - 4. AI 모델

 - 5. 작업과 출력

정책 / 

영향

(AI 

시스템 

자체)

수요

유럽 

Eurostat)

• AI 공급 기업이 

아닌, 전 산업의 AI 

기술 활용도(채택 

현황)측정

• 다차원 코드 분류 (수요자 

기준)

 - AI 기술 유형 (AIT)

 - 비즈니스 응용 분야 (AIP)

 - 데이터 소스 (DAS) 등

수요자

(전 산업 

기업)

공급

IDC

• 글로벌 AI 시장 규모 

분석 및 기술 

생애주기 파악.

• 3계층 구조 (기술 그룹 → 

범주 → 기술):

 - 3대 그룹: 하드웨어(HW), 

소프트웨어(SW), 서비스

 - 특징: AI 

수명주기(Lifecycle) 기반 SW 

분류, 생성형 AI 독립 항목화, 

서비스 영역 세분화

공급자

(기술/시장 

구조)

Gartner

• GenAI/AI 관련 전체 

IT 

지출(Spending)및 

투자 동향 예측

• 4대 핵심 시장 + 14개 하위 

시장:

 - 4대 시장: 서비스, 

소프트웨어, 디바이스, 

하드웨어

 - 특징: 생성형 AI(GenAI) 

중심 분류 재편, AI 내장 

디바이스 포함

시장

(IT 

지출/투자)

CB 

Insights

• 유망 비상장 AI 

스타T트업(AI 100) 

선정 및 생태계 

트렌드 분석.

• 3대 핵심 영역 (기술 스택 

관점)

 - AI 인프라: 파운데이션 모델 

등

 - 수평적 AI: (범용 AI 

솔루션) 

 - 수직적 AI: 특정 산업 특화 

AI

공급자

(스타트업 

생태계)

[표 2-

9

] 해외 인공지능 관련 분류체계의 종합

유럽연합(EU)의 Eurostat는 AI 공급 기업이 아닌, 전 산업의 AI 활용도를 측정하는 

수요자 중심의 접근 방식을 채택한다. 이는 AI 기술 유형(AIT), 비즈니스 응용 분야

(AIP), 데이터 소스(DAS), 활용 및 분석 방법(E) 등 다차원적 코드로 세분화하여, 전체 

기업 중 AI 기술을 실제로 활용하는 기업의 비율(%)을 중심으로 통계를 제공한다.

- 26 -

글로벌 시장조사기관들은 AI 산업의 공급망과 기술 생태계를 중심으로 시장 규모와 

트렌드를 파악하는 데 중점을 둔다. IDC는 AI 시장을 하드웨어(HW), 소프트웨어(SW), 

서비스라는 세 가지 기술 그룹으로 대분류하고, 이를 다시 10개 범주, 18개 기술로 세

분화하는 3단계 구조를 사용한다. 이 체계는 AI 개발 전주기(Lifecycle)를 반영하여 

MLOps 등을 소프트웨어에 포함하고, ‘생성형 AI’를 독립 기술 항목으로 지정했으

며, ‘서비스’ 영역을 비즈니스 서비스와 IT 서비스로 구분하여 공급자 중심 분류의 

정밀성을 확보한 것이 특징이다.

Gartner는 ‘GenAI/AI 관련 전체 IT 지출(Spending)’이라는 투자 관점에서 시장을 

분류한다. 4대 핵심 시장(서비스, 소프트웨어, 디바이스, 하드웨어)과 14개 하위 시장으

로 구성되며, 모든 분류 항목이 생성형 AI 중심으로 재편된 것이 가장 큰 특징이다. 

또한 ‘디바이스’를 핵심 시장으로 독립시켜 AI PC나 GenAI 스마트폰 등 AI 내장형 

소비자 제품까지 공급자 시장의 일부로 포함한다.

CB Insights는 유망 비상장 AI 스타트업(AI 100)을 중심으로 AI 생태계를 3가지 핵심 

영역, 즉 기술 스택(Stack) 관점에서 분류한다. 이는 AI 개발의 근간이 되는 ‘AI 인프

라’(파운데이션 모델, AI 반도체, MLOps 등), 여러 산업에 범용적으로 적용되는 ‘수

평적 AI’, 그리고 특정 산업(금융, 헬스케어 등) 문제 해결에 특화된 ‘수직적 AI’로 

구분된다.

- 27 -

제3장

인공지능산업 분류체계 개선 방안

제1절

인공지능(AI) 산업 분류체계 개선 전문가 자문단 운영

1.

자문단 운영 필요성

인공지능(AI) 산업 분류체계 개선을 위한 전문가 자문단 운영은 네 가지 주요 필요성

에 따라 추진되었다. 첫째, 산업 전환기 대응을 위한 전문성 확보 관점이다. 생성형AI 

등 신기술의 출현으로AI 산업의 범위와 구조가 급속히 변화하고 있으나, 이러한 변화

를 정확히 포착하고 반영하기 위해서는 기술·산업·정책에 대한 종합적 전문성이 요

구된다. 이에 전문가 자문단을 통해 기술적 특성, 산업 연계성, 정책적 함의를 균형 있

게 반영하여 분류체계를 개선하고자 하였다.

둘째, 정책 활용성과 산업 수용성의 제고 관점이다. 이 분류체계는 단순한 통계 목적

을 넘어서 향후 산업 지원 정책의 근거로 활용되므로, 산업계 및 학계의 의견을 반영

한 설계가 필요했다. 전문가 자문은 다양한 이해관계자의 시각을 통합하여 정책 실효

성과 현장 적용 가능성을 높이는 것을 목표로 했다.

셋째, 국제 분류체계와의 정합성 확보 관점이다. AI 분류체계가 지속적으로 고도화되

는 상황에서, 국제 기준과의 연계 및 비교 가능성을 확보하는 것이 중요하였으며, 이

에 국내외 분류체계에 정통한 전문가들의 자문을 통해 글로벌 정합성을 갖춘 분류체

계로 개편하고자 하였다.

넷째, 분류체계의 타당성과 객관성 강화 관점이다. 새롭게 도출될 분류체계의 신뢰성

과 객관성을 확보하기 위해서는 다양한 분야 전문가들의 검토와 피드백 과정이 필요

했다.

2.

자문단 운영 개요

자문단 운영의 목적은 국내 AI 산업분류 체계, 즉AI의 정의, AI 산업 분류체계, AI 통

계구축, AI 실태조사와 관련된 방향성 및 결과를 검토하고 자문하는 것이었다. 운영 

기간은 2025년 7월 1일부터 10월 16일까지였으며, 운영 방법은 사전 기획 자문 인터뷰 

1회와 종합 대면 자문 회의 3회로 진행되었다.

- 28 -

4)

  전문가 명단은 ‘[부록 2] 전문가위원회 명단’을 참고 바람

자문 운영 방식은 3단계로 구성되었다. 1단계는 정보 전달 단계로, 현 분류체계의 방

향성 및 작성 기준과 선행연구 리뷰를 공유하였다. 2단계는 진단 및 구조 중심으로, 1

차 회의에서는 현행 산업분류체계의 구조 분석 및 인공지능 산업의 특수성을 진단하

고, 2차 회의에서는 개선안 초안을 제시하며K SIC 연계 구조와 신기술 분류 반영 가능

성을 검토하였다. 3단계는 실행 중심으로, 3차 회의를 통해 개선안의 실태조사 적용성 

및 정책 활용성을 평가하고 최종 수정안을 도출하였다.

회차

중점 검토

주요 검토 주제

주요 논의 내용

1단계

정보 전달

AI 산업 분류

현 분류체계의 방향성 및 작성기준, 

선행연구 리뷰 공유

2단계

1차

진단 중심

현행 체계 분석

현행 산업분류체계의 구조 분석 및 

인공지능 산업의 특수성 진단

2차

구조 중심

개선안 초안 검토

개선안 초안 제시, KSIC 연계 구조, 

신기술 분류 반영 가능성 검토

3단계

3차

실행 중심

적용성 검토

개선안의 실태조사 적용성, 정책 

활용성 평가 및 최종 수정안 도출

[표 3-

1

] 자문단 운영 방식

3.

자문단 구성 및 운영 방식

자문단은 아래 그림과 같이 총괄은 소프트웨어정책연구소가 담당하였으며, 산업통계 

분야 전문가 2인, 산업정책 분야 전문가 2인, 조사설계 및 통계분류 분야 전문가 3인 

으로, 총 7인의 전문가로 구성4)하였다. 기초 자료 작성 및 운영지원은 연구용역 수행

사인 ㈜피피에스컴퍼니가 맡았다.

자문위원들은 현행 분류체계에 대한 검토 및 개선 방향을 제시하는 활동을 수행했

다. 구체적으로 2018년에 수립된 기존 AI 산업 분류체계의 한계와 문제점을 진단하고, 

생성형 AI 등 신기술 반영을 위한 개선 필요사항을 제안하였다. 또한 AI 산업 구조 및 

분류기준에 대해 전문 자문을 제공하였는데, 기술 특성, 산업 간 융합, 서비스 유형 등 

산업 구조의 변화를 반영할 방안을 검토하고, 과학적이며 논리적인 분류 기준 및 단위

에 대한 의견을 제시했다.

국내외 분류체계 및 통계 체계를 비교 분석하는 자문도 이루어졌다. OECD, EU, IDC, 

Gartner 등 주요 기관의 분류체계에 대해 비교·해석하고, 국제 정합성과 국내 활용성 

- 29 -

5)

 자세한 인터뷰 내용은 ‘[부록 3] 사전기획 자문회의(인터뷰) 응답자별 내용 정리’를 참고 바람

간의 균형을 고려한 적용 방안을 검토하였다.

이와 함께 연구진이 제시한AI 산업 분류체계 개편(안)에 대해 평가 및 보완 의견을 

제공했다. 개선 초안에 대해 다각적 관점에서 타당성을 검토하고 분류체계의 실효성, 

적용 가능성, 지속가능성 등에 대한 개선안을 제시하였다.

마지막으로, 개편된 분류체계가 향후 정책 수립, 통계 생산 및 활용에 미치는 영향에 

대해 자문하는 등 정책 활용 및 통계 작성 측면의 실효성을 검토하였다.

[연구총괄]

소프트웨어정책연구소

[연구용역]

㈜피피에스컴퍼니

산업통계 분야

산업정책 분야

조사설계 및 통계분류 

분야

전문자문위원(2명)

전문자문위원(2명)

전문자문위원(3명)

[그림 3-

1

] 자문단 구성

4.

자문회의 결과

1) 사전 기획 자문 인터뷰5)

본격적인 분류체계 개선안 도출에 앞서, ’25년 6월 25일부터 7월 10일까지 산업통

계, 산업정책, 통계분류 전문가 7인을 대상으로 사전 기획 인터뷰가 진행되었다. 인터

뷰의 목적은 AI 산업의 정의와 분류 범위를 명확히 하고, 현행 분류체계의 한계를 진

단하며, 국내외 사례를 비교 분석하여 향후 개편 방향성의 기초를 탐색하는 것이었다.

인터뷰 결과, AI 산업의 정의는 ‘인공지능 기본법’의 정의를 준용하는 것을 기준

으로 삼아야 한다는 공감대가 형성되었다. 다만, 실태조사의 실효성을 고려할 때 조사 

대상은 ‘인공지능개발사업자’와 ‘인공지능이용사업자’ 중 ‘소프트웨어 산업군’

에서 제품 및 서비스를 생산하는 기업으로 한정하는 것이 적절하다고 판단되었다.

분류체계 개선과 관련해서는, 전문가 다수가 2018년 개발된 현행 체계가 생성형 AI 

등 새로운 기술 특성을 반영하기 어려우며, 산업 구조를 파악하기에는 분류가 너무 단

- 30 -

6)

 자세한 내용은 ‘[부록 4] 1차 자문회의 주제별 내용 정리’를 참고 바람

순하다는 점에 동의했다. 이에 따라 현행 3개의 대분류(소프트웨어 개발/공급, 정보 서

비스, 장치 제조) 골격은 유지하되, 중분류 및 소분류를 신설하여 세분화할 필요성이 

제기되었다.

구체적인 보완 방향으로는, IDC나 Gartner와 같은 글로벌 시장조사기관의 분류 방식

을 결합하여 한국형 체계로 발전시키는 방안이 제시되었다. 특히 IDC의 AI 수명 주기

(개발·학습·배포·운영) 관점을 소프트웨어 분류에 반영하고, ‘생성형 AI’를 별도 

기술 항목으로 마련하는 것이 유용할 것으로 진단되었다. 또한 Agentic AI, Physical 

AI, 그리고 ‘소버린 AI’와 연계된 ‘인공지능 데이터센터 서비스’ 등 최신 기술 분

야도 신규 편입이 필요하다는 의견이 있었다.

분류의 기준에 대해서는 중요한 합의가 이루어졌다. 기술은 변화 속도가 너무 빨라 

정태적인 분류 기준으로 삼기 어렵다는 한계가 지적되었다. 따라서 분류체계의 중심 

기준은 ‘기술’이 아닌 ‘제품 및 서비스(품목)’로 설정하고, ‘기술’은 해당 품목

의 예시 또는 소분류 수준에서 매칭하는 방식이 타당한 것으로 논의되었다.

기타 주요 의견으로는, 현행 통계의 모집단 규모(약 2,500개)가 너무 적어 추가 발굴

이 시급하다는 점과, AI 연구개발(R&D) 부문을 모집단에 포함할 필요가 있다는 점이 

제기되었다.

마지막으로, 본 분류체계가 국가승인통계로서의 지위를 공고히 하기 위해 가장 시급

한 과제로 국가데이터처 ‘특수분류’ 개발 및 등록을 추진하고자 한다. 현행 KSIC 연

계표 방식은 국가데이터처에서 표준분류 미준수 사례로 판단할 가능성이 크므로, 신산

업 분야에 맞는 공식 특수분류 등록 절차(약 1~2년 소요)를 조속히 추진해야 한다는 

점이 핵심 제언으로 도출되었다.

2) 1차 자문회의 주요 결과6)

1차 자문회의의 목적은 마련된 인공지능 산업 분류체계 개편(안)에 대한 타당성을 

검토하고 전문가 자문을 구하는 것이었다. 주요 안건은 AI 산업의 정의와 조사 범위, 

분류체계의 기본 구조, Agent AI 및 Physical AI 등 신규 개념의 포함 여부, 그리고 AI 

데이터센터와 인공지능 연구개발업의 포함 여부 등이었다

1차 자문회의를 통해 분류체계 개편의 핵심 원칙과 방향성이 확립되었다. 첫째, 산업 

정의 및 조사 범위와 관련하여, 정의의 기준은 ‘인공지능 기본법’상의 정의를 최대

한 반영하여 정책적 활용성을 높이는 방향으로 공감대가 형성되었다. 조사의 대상은 

- 31 -

7)

 자세한 내용은 ‘[부록 5] 2차 자문회의 주요 내용 정리’를 참고 바람

현행과 같이 공급기업 중심으로 유지하되, 정보통신 산업군이라도 단순히 AI를 이용만 

하는 기업은 원칙적으로 모집단에서 제외하기로 하였다.

둘째, 산업분류의 기본 구조에 대한 핵심 원칙이 확립되었다. 분류체계의 기준은 "무

엇을 만드는가(품목)"에 두어야 한다는 데 의견이 모아졌다. 이에 따라 중분류는 ‘품

목’ 중심으로 설정하고, ‘기술’(예: 언어지능, 시각지능)은 분류체계 항목이 아닌 

별도의 설문 문항으로 분리하여 파악하기로 결정하였다. 이는 향후 ‘품목-기술’ 간 

교차 분석을 통해 더 심층적인 분석을 가능하게 하는 기반이 된다.

셋째, 신규 개념의 수용 방안이 논의되었다. Agent AI와 Physical AI 등 경계가 모호

한 신규 개념은 고정된 분류 항목으로 신설하기보다는, ‘별도 설문 문항’을 통해 현

황을 파악하는 유연한 구조를 채택하기로 합의하였다. 특히 Physical AI는 로봇·자동

차 등 기존 산업과의 중복 가능성이 크고 제품/시장 측면에 가까우므로, 분류체계에 

포함시키기보다는 정책적 판단이 선행되어야 한다는 점이 지적되었다.

넷째, AI 데이터센터의 경우, 정책적 중요성을 고려하여 분류체계에 포함할 필요성이 

인정되었다. 다만, GPU 용량 등 AI 특화 속성을 기준으로 정의를 명확히 하고, 전력 

등 연관 산업까지 과도하게 확장하지 않도록 범위 설정이 필요함이 강조되었다.

다섯째, 인공지능 연구개발업은 분류상 포함 가능성은 열어두되, 조사 난이도를 감안

하여 실제 조사는 생략하는 방안이 제안되었다. 대신, KSIC 연구개발업(721, 722) 등 

기존 통계와 연계하여 간접적으로 현황을 제공하는 방식이 검토되었다.

마지막으로, 통계 활용 관점에서 공표 수준은 ‘중분류’ 중심이 현실적이라는 데 

다수가 동의하였다. 세분류까지 확대할 경우 표본 수 부족 등으로 공표에 제한이 따를 

수 있으므로 신중한 설계가 요구되었다.

3) 2차 자문회의 주요 결과7)

2차 자문회의는 1차 자문회의에서 제시된 의견을 반영하여 보완된 분류안과 모집단 

범위를 검토하는 것이 회의의 목적이었다. 이 회의는 해외 분류체계를 참고하되, 국내 

실태조사 목적에 적합하고 정책 활용성과 조사 가능성을 동시에 충족하는 맞춤형 분

류체계를 확립하는 것을 목표로 하였다.

2차 회의에서는 1차 논의를 바탕으로 보다 구체적이고 실무적인 쟁점들이 논의되었

다. 첫째, 모집단 관리의 중요성이 강조되었다. KSIC 코드를 기반으로 모집단을 설정하

는 것은 기본적으로 타당하나, 실제 기업 활동과 통계 분류 간의 괴리가 크므로, 이를 

- 32 -

8)

 자세한 내용은 ‘[부록 6] 3차 자문회의 주요 내용 정리’를 참고 바람

보정하기 위한 정기적인 ‘판별조사’의 제도화가 필요하다는 점이 지적되었다. 또한, 

법률·의료·제조·게임 등 AI가 활발히 적용되는 ‘버티컬(Vertical) 산업’을 모집단

에 포함할 필요성이 제기되었다.

둘째, 유통업의 포함 여부에 대해 명확한 결론이 도출되었다. AI SW 유통 기업을 포

함할 경우 중복 계상, 매출 왜곡, 조사의 난이도 증가 등의 문제가 발생할 수 있으므

로, 정의상으로는 ‘유통’을 포함하되 실제 조사에서는 제외해야 한다는 의견이 다수

였다.

셋째, 분류체계에서 가장 혼선이 컸던 ‘플랫폼’과 ‘애플리케이션’의 구분 기준

이 집중적으로 논의되었다. 현재의 정의가 불명확하다는 지적에 따라, 단순 품목 구분

을 넘어 기업의 ‘비즈니스 모델(수익 구조)’을 기준으로 삼는 방안이 구체적으로 제

시되었다. 예를 들어, ‘플랫폼’은 라이선스·수수료 기반으로, ‘애플리케이션’은 

구독료·판매 기반으로 구분하는 방식이다.

넷째, 용어 정의 및 KSIC 연계의 실무적 개선이 요구되었다. 단순 품목 명칭보다는 

‘개발업’, ‘공급업’ 등 공식적이고 정책적으로 활용 가능한 용어를 사용해야 하

며, 조사자의 이해를 돕기 위해 KSIC 매칭은 ‘중분류-KSIC 코드-예시 기업’ 형태의 

표로 명확히 정리할 필요가 있음이 강조되었다.

다섯째, 하드웨어의 범위를 명확히 했다. GPU, TPU 등 핵심 반도체는 명확히 포함

하되, AI 특화성이 모호한 서버·스토리지는 별도의 판별 기준을 마련하거나 ‘판별 

불가 그룹’으로 관리하는 방안이 제시되었다.

마지막으로, 분류체계의 정합성을 높이기 위해 항목 간 ‘상호배타성’을 확보하고 

일관성을 보완할 필요성이 제기되었다. 특히 중분류 간 중복·포괄 관계를 재검토하

여, 조사 대상 기업이 특정 항목에 명확히 귀속될 수 있도록 구체적인 예시 기업과 적

용·제외 범위를 명확히 제시해야 한다는 점이 핵심 과제로 도출되었다.

4) 3차 자문회의 주요 결과8)

3차 자문회의는 연구 종료 전 마지막 공식 회의로, 인공지능 산업 분류체계 개편(안)

에 대한 최종 타당성을 검토하고 자문하는 것을 목적으로 하였다. 회의의 주된 취지는 

그간의 논의 결과를 종합하여 최종 분류체계 개편안을 확정하는 것이었다. 2차 자문회

의에서 제시된 의견의 반영 현황을 검토하고, 체계의 정합성과 해설(정의) 구성을 최

종 점검하여 실무적 완성도를 높이는 것을 목표로 하였다.

- 33 -

9)

 자세한 내용은 ‘[부록 6] 3차 자문회의 주요 내용 정리’를 참고 바람

주요 결과를 살펴보면, 첫째, 분류체계의 수정·보완이 적정한 것으로 평가되었다. 

1·2차 자문에서 제기된 ‘플랫폼-애플리케이션’ 구분 명확화, 중복 항목 정리, ‘기

타’ 항목 축소 등이 개편(안)에 잘 반영되어 체계적 완성도와 상호배타성이 향상되었

다. 특히, ‘인공지능 시스템 인프라 소프트웨어’ 명칭에서 혼선을 유발하던 ‘인프

라’ 용어를 삭제하거나 단순화하고, 범위가 불명확한 ‘기타’ 항목은 삭제하는 방향

이 타당한 것으로 확인되었다.

둘째, 가장 혼선이 컸던 ‘플랫폼-애플리케이션’의 구분 기준이 최종적으로 명확해

졌다. ‘플랫폼’은 AI 기능 활용을 위한 ‘기반 환경’(API 제공, 모델 호출 등)으로, 

‘애플리케이션’은 최종 사용자에게 제공되는 ‘완성형 서비스’로 정의하기로 하였

다. 경계가 모호한 생성형 AI의 경우, ‘개발 지원’에 초점을 맞추면 플랫폼으로, 

‘사용자 서비스’에 초점을 맞추면 애플리케이션으로 구분하는 기능 수행 기준을 적

용하기로 했다.

셋째, 분류체계의 논리적 일관성이 확보된 것으로 평가되었다. 개선된 체계는 KSIC의 

‘활동 중심 원칙’을 반영하여, ‘1. 인공지능 소프트웨어 개발 및 공급업’과 ‘2. 

인공지능 구축·관리 및 정보 서비스업’으로 구분함으로써 산업의 전 주기를 포괄하

는 논리적 구조를 갖추었다.

넷째, 모집단 정비 및 ‘자기분류(Self-classification)’ 도입 방안이 타당한 것으로 승

인되었다. ‘기존 모집단 유지 + 신규 확충 + 자기분류 도입’ 구조는 산업 변화에 신

속히 대응하고 데이터 품질을 개선하는 데 효과적일 것으로 진단되었다. 특히 기업의 

‘자기분류’ 응답 결과는 기존의 매출액 기반 분류와 병행 검증하여 데이터의 신뢰

도를 높이는 데 활용하기로 하였다.

다섯째, 응답자 이해도 제고 방안이 마련되었다. 복잡한 정의로 인한 혼란을 최소화

하기 위해, 실제 실태조사 시 명확한 정의, 기능별 도식, 시각적 설명 자료를 병행 제

공하여 응답자가 쉽게 이해하고 정확하게 응답할 수 있도록 지원하기로 하였다.

5) 기술분야 서면 자문 주요 결과9)

분류체계 개편 과정에서, 산업 활동(Activity)을 구분하는 ‘산업 분류’와 별개로, 기

업이 보유한 핵심 기술(Core Technology)을 파악하기 위한 ‘기술 분야’ 분류에 대한 

별도의 자문이 진행되었다. 이 기술 분야 분류는 향후 실태조사에서 별도의 조사 문항

으로 활용하여, 산업과 기술 간의 교차 분석(Cross-Tabulation)을 가능하게 하는 것을 

- 34 -

목적으로 한다.

자문의 핵심 내용은 제안된 인공지능 기술 분류가 현 산업·기술 동향을 잘 반영하

고 있는지, 항목 간 중복이나 누락은 없는지, 그리고 조사 문항으로 활용 시 응답 기

업이 이해하기 쉽게 구성되어 있는지를 검토하는 것이었다.

자문 주요 결과를 살펴보면, 자문 결과, 기술 분야를 체계화하기 위해 아래 표와 같

은 대분류 체계가 제안되었다. 기술 분야는 크게 ‘인지 지능’, ‘생성 및 응용 지

능’, ‘인공지능 기반 기술’의 3개 대분류로 구성되었다.

대분류

중분류

인지 지능

- 언어 지능   - 시각 지능  - 음성 지능

- 복합지능(멀티모달)

생성 및 응용 지능

- 파운데이션 모델  - 생성형 인공지능(GenAI)

- 지능형 에이전트 및 자율지능 - Physical AI – 산업 응용 지능

인공지능 기반 기술

- AI 특화 하드웨어 - AI 운영·관리

- 데이터·지식 관리 - 신뢰가능한 AI

[표 3-

2

] 인공지능 기술분류 대분류 및 중분류 제안

이러한 구조를 도출하는 과정에서 다음과 같은 주요 검토 및 수정 의견이 반영되었

다. 

첫째, 기존 안에서 ‘범용인공지능(AGI)’ 항목은 제외되었다. 이는 AGI가 현재의 기

술 분야라기보다는 미래 지향적 연구개발 목표에 가까워 분류 항목으로는 부적절하다

고 판단되었기 때문이다. 또한 ‘학습·추론 지능’ 항목도 제외되었는데, 이는 대부

분의 AI 기술이 학습과 추론을 기본 기능으로 포함하고 있어 독립된 분류로 보기 모

호하다는 이유에서였다.

둘째, 최신 기술 트렌드를 반영하여 용어가 수정되고 항목이 신설되었다. ‘로보틱

스’는 최근 AI 연구개발 트렌드를 반영하여 ‘Physical AI’라는 용어로 대체되었다. 

또한, ‘파운데이션 모델’과 AI 모델의 전체 운영 생애주기를 다루는 ‘AI 운영·관

리 기술(LLMOps, MLOps 등)’이 중요성을 고려하여 신규 항목으로 추가되었다.

셋째, 일부 항목의 정의와 범위가 명확화되었다. ‘언어지능’의 핵심기술 예시에서 

‘대규모 언어모델(LLM)’은 ‘파운데이션 모델’ 항목과 중복되므로 삭제가 추천되

었다. ‘신뢰가능한 AI’의 핵심기술 예시도 ‘채용 AI’ 같은 특정 사례 대신 ‘AI 

모델의 편향성 보정’, ‘공격 방어 기술’ 등 AI 윤리 및 안정성을 보장하는 일반적

인 기술로 수정되었다.

- 35 -

제2절

인공지능산업 분류체계 개선 방향 설정

1.

배경 및 필요성

1) 추진 배경

인공지능산업 분류체계 개정은 최근의 급격한 기술 발전과 기존 분류체계의 한계, 

그리고 정확한 통계 기반 및 국제 정합성 확보의 필요성에 따라 추진되었다.

인공지능산업은 급격한 인공지능 기술 발전으로 단순한 알고리즘 수준을 넘어 생성

형 AI, 멀티모달 AI, 대규모 언어모델(LLM), 그리고 API·플랫폼 기반 서비스 등으로 

빠르게 확산하고 있다. 이러한 신기술들은 새로운 비즈니스 모델과 기업 유형을 만들

어내고 있으나, 전통적인 분류체계로는 이러한 변화 양상을 충분히 반영하기 어려운 

상황이다. 특히 기존 분류체계는 넓은 범주로만 구분되어 있어, 다양한 인공지능 산업 

간의 차이를 식별하지 못한다.

이러한 기존 분류체계는 급격한 인공지능 기술 발전을 포괄하는데 한계가 존재하고 

있다. 현행 체계는 공급자 중심으로 단순화되어 있어 다양한 산업 활동을 포괄하지 못

하고 서로 다른 기술과 서비스가 동일한 범주에 묶여 있어, 실제 산업 구조의 세밀한 

차이를 분석할 수 없는 구조이다. 새로운 기술이나 서비스가 등장했을 때 이를 반영할 

세분화된 항목이 부족하여, 정책 분석이나 연구에서 정밀한 비교·분석을 수행하기 어

렵다는 문제점이 지속적으로 제기되었다.

또한 정확한 통계 기반 마련에 대한 필요성이 제기되고 있다. 인공지능은 국가적 차

원에서 전략적으로 육성해야 하는 핵심 산업 분야로, 이를 뒷받침할 신뢰성 있는 통계 

체계가 필수적이다. 기존 분류체계는 산업 변화에 민감하게 반응하지 못하여 통계의 

효용성이 낮고, 이로 인해 정책 설계와 지원 사업의 효과적인 대응이 어려웠다. 새로

운 분류체계를 마련하여 기업 활동을 보다 체계적이고 일관성 있게 기록함으로써 통

계의 품질을 높이고, 정책 수립, 지원사업 기획, 성과 평가 등 광범위한 분야에서 활용

할 필요가 있다.

또한 국제적 분류체계와의 정합성 확보에 대한 필요성도 제기되고 있다. 해외 주요 

기관들은 빠르게 변하는 산업 환경을 반영해 생성형 AI, 플랫폼형 서비스, AI 내장형 

디바이스 등을 이미 독립된 항목으로 분류하고 있다. 국내 분류체계도 이러한 국제적 

흐름과 보조를 맞출 필요가 있으며, 이를 통해 글로벌 비교·협력의 기반을 마련해야 

- 36 -

한다. 국제 정합성을 확보한 분류체계는 국내 산업의 현황을 세계적 기준에 맞게 진단

할 수 있게 하고, 동시에 해외 연구나 정책 논의에서 국제 경쟁력을 평가하는 데 중요

한 역할을 수행할 것이다.

2) 개선 필요성

먼저 분류체계의 개선을 통해 현 분류체계가 가지고 있는 한계를 극복하고자 한다. 

현행 인공지능 산업 분류체계는 2018년에 수립되어 국내 최초로 AI 산업을 독립적으

로 정의하고 국가승인통계에 적용되는 일정 수준의 성과를 거두었다. 특히 공급자 중

심으로 소프트웨어 개발·공급업, 정보 서비스업, 연산·처리 장치 제조업을 구분하여 

산업 전반을 구조화했다는 점에서 의미가 있다. 그러나 해당 체계는 초기 산업 생태계

에 적합한 단순 구조에 머물러 있어, 산업의 빠른 변화 속도를 반영하는 데 한계를 보

였다.

기술 발전에 따른 반영 한계가 뚜렷했다. 최근 등장한 생성형 AI, 멀티모달 AI, 대규

모 언어모델, AI 서비스형 모델(AlaaS) 등은 기존 분류체계에서 별도의 범주로 식별되

지 않았다. 이로 인해 새로운 기술을 제공하거나 활용하는 기업의 활동을 제대로 포착

하지 못하며, 산업 구조 변화를 반영하는 데 큰 어려움이 나타났다. 예를 들어, 모델 

개발사, API 플랫폼 운영사, SaaS 서비스 제공자는 산업 내 역할이 뚜렷이 구분됨에도 

불구하고 동일 범주에 포함되는 문제가 발생했다.

또한, 세밀한 구분이 부재하여 통계·정책 활용에도 한계가 있었다. 현행 체계는 공

급자 중심의 단순 구조여서 다양한 기업 활동을 제대로 반영하지 못했다. ‘응용 소프

트웨어’라는 광범위한 항목 안에 대화형 AI, 컴퓨터 비전, 지능형 자동화 서비스 등

이 모두 포함되어 세밀한 구분이 어려웠다. 결과적으로 산업 현장에서 실제로 나타나

는 다양한 기업 유형과 서비스 모델을 조사 통계에서 체계적으로 통계화하기 어려웠

으며, 이는 정책 수립 과정에서 산업 현황을 정확히 파악하는 데 걸림돌로 작용했다.

이러한 한계를 극복하기 위해, 앞으로의 분류체계는 국제 사례와 국내 현실을 균형 

있게 반영하여 설계할 필요가 있다. 해외에서는 이미 생성형 AI, 플랫폼형 서비스, AI 

내장형 장치 등을 별도 항목으로 분류하고 있으며, 국내 체계도 이에 상응하는 수준으

로 정비되어야 한다. 이를 위해 전문가 자문단을 통한 단계별 논의, KSIC과의 매핑 강

화, 조사 적용성 검토 등을 추진하였다. 더불어 통계 행정 절차(예: 특수분류 등록, 승

인 변경)를 고려하여, 새로운 분류체계가 국가승인통계에 원활히 반영될 수 있는 연구

를 수행하였다.

- 37 -

또한 분류 체계 개선을 통해 통계의 정책 활용성을 강화하고자 한다. 인공지능 산업 

분류체계 개편은 단순히 통계 생산 기준을 넘어, 산업·기술 정책 전반과 긴밀히 연결

되는 역할을 수행한다.

개선된 분류체계는 산업·기술 정책과의 정합성 확보에 기여한다. 이는 정부가 추진

하는 디지털 전환 전략, AI 산업 육성 로드맵, 신산업 진흥계획 등과 직접 호환될 수 

있는 체계를 마련하여 정책 정합성을 강화하는 것이다.

또한 산업 정책 지원 체계의 고도화를 가능하게 한다. 분류체계 개선으로 생성형 AI, 

플랫폼형 AI 서비스 등 새로운 산업 영역을 구체적으로 포착할 수 있는 체계를 갖춤

으로써, 시장의 변화를 보다 정밀하게 진단하고 맞춤형 정책 설계를 지원할 수 있다.

행정·제도적 연계 강화 측면에서도 중요하다. 최근 통계 행정에서는 표준분류와의 

연계 또는 특수분류 등록을 필수적으로 요구한다. 개선된 분류체계는 이러한 요건을 

충족시키고, 특수분류 개발·등록 절차(관계기관 협의, 전문위원회 심의 등)에 활용될 

수 있다. 또한 국가 통계 공표, 보도자료 배포, 국가통계포털(KOSIS) 공개 등과 연계되

어 정책 활용도를 향상시킨다.

개선된 체계는 국가승인통계와의 통합 운영을 전제로 한다. 인공지능산업실태조사와 

긴밀히 연결되어 기업의 일반현황, 기술·사업 현황, 매출, 인력, 투자·개발 등 핵심 

정보를 정량적·정성적으로 수집한다. 이를 통해 산업 구조와 기업 활동을 체계적으로 

파악할 수 있으며, 정책 개선과 제도 보완 과정에 실질적으로 반영할 수 있는 현장 기

반 자료를 마련하게 된다.

마지막으로, 국제적 비교·협력 기반이 마련된다. 개편된 분류체계를 통해 KSIC 등 

기존 산업통계와의 연계를 강화하여 산업 간 비교와 연계 분석을 가능하게 한다. 이는 

국내 산업만의 특수성을 넘어서 국제 벤치마킹과 비교 평가를 가능케 하여, 글로벌 산

업 정책과의 연계성을 강화하는 것이다.

2.

개선 방향성 검토 과정

1) 기존 국가승인통계 검토

기존 국가승인통계인 인공지능산업실태조사(승인번호 제127016호)는 국내에서 AI 산

업을 체계적으로 파악하기 위해 최초로 마련된 국가승인통계이다. 이 조사는 기업 일

반현황, 기술·사업 현황, 매출, 인력, 투자·개발, 해외수출, 애로사항 등 7개 영역을 

조사하여 산업 전반의 기초자료를 제공해왔다. 이를 통해 정부는 정책 수립과 산업 지

- 38 -

원 사업의 근거를 확보할 수 있었으며, 이는 국내 AI 산업 통계체계의 초석 역할을 수

행했다는 의의를 갖는다.

그러나 현행 조사 체계는 명확한 한계를 지니고 있다. 2018년에 수립된 분류체계를 

기반으로 운영되어, 당시 산업 환경은 반영했지만 최근 급속히 확산된 생성형 AI, 플

랫폼 기반 서비스 등을 세부적으로 포착하지 못하는 한계가 존재한다. 조사 대상과 범

위가 소프트웨어·정보서비스·연산장치 제조 등 전통적 구분에 국한되어 있어, 실제 

기업 활동과 새로운 서비스 모델을 세밀히 반영하지 못한다.

통계 연계성에도 제약이 따른다. KSIC(한국표준산업분류)와의 연계를 기반으로 하고 

있으나, 일부 항목은 상위 수준의 코드에만 매핑되어 있어 세부 비교·연계 분석에는 

한계가 존재한다. 이로 인해 인공지능 산업과 타 산업 간의 구조적 연관성을 정밀하게 

분석하기 어렵고, 국제 통계와의 비교에서도 충분한 정합성을 확보하기 어렵다.

정책 활용성 측면에서도 부족함이 있다. 현행 조사는 산업의 기초자료 제공에는 기

여했지만, 급변하는 산업 패러다임을 반영하지 못해 정책 활용도가 제한적이다. 새로

운 기술과 서비스 유형이 통계에 반영되지 않아, 정책 수립·산업 지원 전략·성과 평

가 과정에서 필요한 세부 데이터를 충분히 제공하지 못한다.

따라서 기존 국가승인통계는 AI 산업 통계의 기초를 마련했다는 점에서 의미가 크지

만, 산업 변화 속도를 따라잡기에는 명백한 한계가 존재한다. 이에 인공지능산업 분류

체계 개선을 통해 조사 대상의 현실 반영, 조사 항목의 세분화, KSIC와의 정합성 강화

가 필요하다. 이를 바탕으로 향후 조사가 보다 정확하고 일관성 있게 이루어지며, 정

책 설계와 산업 지원 전략 수립에 실질적 기반을 제공할 것을 기대한다.

2) 분류체계 개정 연구

AI 산업에 대해 지속적이고 효과적인 지원 정책 수립을 위해 산업 현황을 체계적으

로 파악할 수 있는 분류체계 작성이 요구되었다. 또한 AI 관련 통계·지표의 일관된 

기준에 의한 작성을 도모하고, 표준산업분류 체계 내에서 산업 간 비교를 위해 AI 산

업 특수 분류체계를 고려한 AI 산업분류체계 개정이 필요했다. 이를 위해 전문가 자문

을 통한 분류체계 연구가 수행되었다.

먼저, 인공지능 산업의 복합적 특성을 반영하기 위해, 산업통계, 산업정책, 조사설

계·통계분류, 기술 전문가 등 다양한 분야를 아우르는 자문단을 구성하였다. 자문은 

단순 자문회의에 그치지 않고 서면검토·심층토론 등 다층적 방식을 통해 진행되었으

며, 국내외 현황 분석과 개선 필요성을 논의의 시작점으로 설정하였다. 이 과정은 통

- 39 -

계적 타당성과 정책적 활용성을 동시에 확보할 수 있는 분류체계 초안을 마련하는 데 

중점을 두고 운영되었다.

자문단 운영은 아래와 같이 단계별로 진행되었다. 사전 기획 자문(인터뷰) 단계에서

는 시의성 높은 AI 산업분류체계 작성을 위한 방향성 및 계획 수립을 자문하였다. 또

한 AI 기술 정의 및 분류체계의 작성 기준과 방법에 관한 선행연구를 검토하고, 국내

외 AI 유관 기관의 분류체계 선행연구를 기반으로 분류기준 검토 결과에 대해 자문하

였다.

1차 전문가 자문 회의에서는 AI 산업분류 체계 연구 결과, 즉 분류의 정의, 목적, 기

준, 범위 등에 대한 프레임워크를 구상하였다. 또한 자문 검토 결과를 기반으로 분류

기준 설계 방안을 마련하였다.

2차 전문가 자문 회의에서는 1차 자문을 통해 구성된 작성 기준 및 프레임워크가 반

영된 AI 산업 분류체계에 대해 상세히 검토하였다. 이 과정에서 분류항목 및 항목 기

술 내용을 검토하고, 분과별 검토 기준을 반영한 상세 검토가 이루어졌다.

3차 종합 자문 회의에서는 연구결과를 토대로 작성된 AI 산업분류체계 구축(안)에 대

해 대면 종합 자문을 실시하였다. 산업 및 정책 현장에서의 활용 가능성과 파급효과를 

검토하고, 표준산업분류(KSIC) 연계 가능성 및 분류체계 간 정합성을 검토하였다. 아울

러 개선된 분류체계의 실태조사 적용 가능성에 대한 평가와 최종 개선(안)에 대한 보

완사항 및 정책적 제언을 수렴하였다.

전문가 자문회의를 통해 도출된 핵심 작성 원칙과 합의된 방향은 다음과 같다. 

품목 중심 원칙 유지하여 기존 KSIC와의 연계를 고려하여 품목 중심의 구조를 유지

하되, AI 특화 기술과 서비스 유형을 별도로 세분화하여 반영하기로 하였다. 중복 최

소화 및 체계적 구분을 위해 분류 항목 간 중복 가능성을 줄이고, 기업이 응답 과정에

서 혼란을 겪지 않도록 상호 배타적이고 체계적인 구조를 지향하였다. 또한 국제 정합

성 확보를 위해 해외 주요 분류체계에서 채택한 범주(예: 생성형 AI, AI 반도체, 클라

우드 기반 AI 서비스)를 적극 검토하여 국제 비교가 가능한 체계로 개선하기로 하였

다. 정책 활용성 강화를 위해 산업정책 수립, 지원사업 기획, 성과평가 등 다양한 정책 

영역에서 활용 가능한 통계 기반을 마련한다는 점을 최우선 가치로 설정하였다. 

3.

자문회의를 통한 개선 방향 도출

1) 사전기획 자문회의

- 40 -

본 단계는 본격적인 연구 착수에 앞서 현행 인공지능 산업 분류체계의 한계점을 명

확히 진단하고, 해외 선행사례를 참고하여 개선안의 기본 방향과 골격을 수립하기 위

한 과정으로 수행되었다.

우선, 현행 분류체계의 한계 진단을 통해 문제점을 파악하였다. 전문가 자문을 통해 

기존 체계가 왜 개선되어야 하는지, 특히 명칭과 정의의 혼동이 어떤 방식으로 나타나

는지를 집중적으로 검토한 결과, 다음과 같은 주요 한계점이 도출되었다.

첫째, 기술 발전을 반영하지 못한다는 점이다. 생성형 AI, 대규모 언어모델(LLM), AI 

API 서비스 등 새로운 기술과 비즈니스 유형이 지속적으로 등장하고 있으나, 현행 분

류체계는 이를 적절히 식별하지 못한다는 점이 공통적으로 지적되었다.

둘째, 세분류의 부재로 인한 혼동이 발생하고 있다는 점이다. 현행 체계는 대분류 3

개, 중분류 4개로 구성되어 있어 산업의 세부 구조를 충분히 포착하기 어렵다. 예를 

들어, ‘인공지능 응용 소프트웨어’라는 항목 안에 대화형 AI, 컴퓨터 비전, 지능형 

자동화 등이 모두 포함되어 있어 세부 영역 간의 경계가 불명확하고, 산업의 실제 구

조를 반영하기 어렵다는 문제가 제기되었다.

셋째, 산업 정의와 범위가 모호하다는 점이다. 기존 정의가 ‘가치를 창출하는 산

업’이라는 포괄적 개념에 머물러 있어, AI를 활용하는 수요 기업과 이를 개발·공급

하는 기업 간의 경계가 명확히 구분되지 않는다는 점이 주요 한계로 지적되었다.

이러한 문제 인식을 토대로, 전문가들은 해외 선행사례를 적극적으로 벤치마킹하여 

개선안의 기본 골격을 도출하였다. IDC와 Gartner의 분류 방식을 결합하여 한국 산업 

현실에 맞는 체계를 구축할 필요성이 강조되었으며, 이에 따라 다음과 같은 신규 중분

류 항목이 제안되었다.

첫째, IDC 분류체계의 핵심 요소인 ‘AI 플랫폼’의 중요성을 반영하여 이를 별도의 

중분류로 신설할 필요가 있다는 의견이 제시되었다.

둘째, IDC의 ‘AI 수명주기(Lifecycle)’ 개념(개발–학습–배포–운영)을 소프트웨어 분

류에 반영함으로써, 기술 발전 단계를 체계적으로 포착해야 한다는 제안이 이루어졌

다.

셋째, 기존 체계에서 누락된 ‘AI 데이터센터’, ‘AI 연구개발업’ 등의 핵심 영역

을 보완적으로 신설해야 한다는 의견이 제시되었으며, Agentic AI, Physical AI 등 최신 

기술 분야도 향후 분류체계에 포함해야 할 대상으로 논의되었다.

아울러 ‘혼동되는 정의’를 바로잡기 위한 기준 정립 작업도 병행되었다. 산업 정

- 41 -

의의 불명확성을 해소하기 위해 2026년 시행 예정인 「인공지능 기본법」의 정의를 

준용하여 법적·정책적 정합성을 확보하는 방향이 논의되었다. 또한 분류 기준을 ‘기

술’이 아닌 ‘품목(제품 및 서비스)’ 중심으로 설정하고, 기술은 별도의 조사 문항

을 통해 교차 분석(Cross-Tabulation) 방식으로 파악하는 방안이 제시되었다.

사전기획 자문회의 단계에서는 현행 분류체계의 한계로 지적된 세분류 부재와 신기

술 미반영 문제를 중심으로 개선의 필요성을 명확히 진단하였으며, IDC 및 Gartner 등

의 글로벌 사례를 기반으로 ‘AI 플랫폼’, ‘AI 데이터센터’ 등 신규 중분류를 신설

하는 방향성을 도출하였다. 또한 ‘인공지능 기본법’을 준용하여 법적 정합성을 확보

하고, 분류 기준을 ‘품목 중심 체계’로 전환하는 등 향후 체계 개편의 핵심 골격을 

마련하였다.

2) 1차 자문회의

1차 자문회의는 사전기획 단계에서 제안된 개선 골격인 ‘품목 중심의 분류 원칙’

과 ‘기술 분류의 보완적 반영’을 구체화하여, 신규 분류체계(안)의 핵심 원칙을 확

립하는 것을 목표로 진행되었다. 특히 기존 분류체계에서 가장 혼동이 많았던 ‘산업

(품목)’과 ‘기술’의 관계를 명확히 정립하는 데 중점을 두었다.

우선, ‘혼동되는 정의’의 개선을 위해 분류체계의 기본 원칙을 ‘품목 중심’으로 

확정하였다. 주요 논의는 분류의 기준을 ‘기술(예: 생성형 AI)’ 중심으로 할 것인지, 

‘산업 활동(예: 응용 소프트웨어 개발)’ 중심으로 할 것인지에 관한 것이었다. 전문

가들은 “무엇을 만드는가(품목)”를 중심으로 중분류를 설정하는 것이 통계적 안정성

과 표준산업분류(KSIC)와의 연계성 확보 측면에서 더 적합하다는 데 의견을 모았다.

이에 따라 기존 체계에서 혼재되어 혼란을 야기했던 ‘기술’과 ‘산업’의 관계를 

명확히 구분하였다. ‘AI 기술’(예: 언어지능, 시각지능, 생성형 AI 등)은 산업 분류 

코드 내에 직접 포함하지 않고, 별도의 설문 문항으로 분리하여 조사하기로 결정하였

다. 이로써 산업 활동을 기준으로 한 ‘품목 중심 분류’와 기업이 보유한 ‘기술 역

량’을 교차 분석(Cross-Tabulation)할 수 있는 구조적 기반이 마련되었으며, 이는 사전

기획 단계에서 제안된 방향이 실질적인 조사 방법론으로 구체화된 결과라 할 수 있다.

또한, 사전기획 단계에서 제시된 신규 중분류 항목들의 포함 여부와 범위를 조정하

기 위한 논의도 진행되었다. 먼저, Agent AI와 Physical AI는 개념적으로 중요한 영역

이지만, 아직 산업적으로 명확히 정립되지 않았으며 기존 산업(특히 로봇 산업 등)과

의 중복 가능성이 크다는 점에서, 독립된 분류 항목으로 설정하기보다는 ‘별도 설문 

- 42 -

문항’을 통해 현황을 파악하는 유연한 접근이 필요하다는 데 의견이 모아졌다.

반면, AI 데이터센터는 정책적 중요성이 높고, 향후 AI 인프라 확충의 핵심 기반으로 

작용한다는 점에서 분류체계에 포함하는 방향으로 가닥이 잡혔다. 다만 일반 데이터센

터(IDC)와의 구분을 위해 GPU 용량, AI 연산 비중 등의 세부 기준을 마련할 필요성이 

제기되었다.

인공지능 연구개발업의 경우, 그 중요성은 전문가들 모두 인정하였으나, 기업체를 대

상으로 한 산업 통계에서 직접 조사하기에는 현실적인 한계가 있다는 지적이 있었다. 

이에 따라, 해당 분야는 KSIC의 연구개발업(721, 722 등)과 연계하여 간접적으로 R&D 

현황을 반영하는 방식이 제안되었다.

요약하면, 1차 자문회의는 선행 자료 검토 결과를 바탕으로 ‘혼동되는 명칭과 정

의’를 바로잡고, ‘품목 중심 분류’ 원칙을 확정한 단계였다. 이 과정에서 ‘기술’

은 별도 문항으로 분리하여 조사하고, 산업 분류는 제품 및 서비스 단위를 중심으로 

구성하는 방향이 확립되었다. 또한 Agent AI, AI 데이터센터, 인공지능 연구개발업 등 

신규 분야의 처리 방침(분류 포함 또는 문항 조사 방식)이 구체적으로 결정되면서, 향

후 개선안의 실질적 초석이 마련되었다.

3) 2차 자문회의

2차 자문회의는 1차 회의에서 확립된 기본 원칙을 바탕으로 마련된 초안을 실제 조

사 현장에 적용할 경우 발생할 수 있는 문제점을 검토하고, ‘혼동되는 명칭과 정의’

를 중심으로 구체적인 개선방안을 마련하는 것을 주요 목표로 진행되었다. 이번 회의

는 특히 분류체계의 실무 적용 가능성을 점검하는 일종의 “스트레스 테스트” 성격

을 지녔다.

우선, 가장 혼동이 컸던 명칭인 ‘플랫폼’과 ‘애플리케이션’의 구분 문제가 핵심 

쟁점으로 논의되었다. 초안 단계에서 이미 두 용어의 개념적 차이를 설정했으나, 여전

히 실제 산업 현장에서 명확히 구분하기 어렵다는 지적이 제기되었다. 이를 해결하기 

위해 다음과 같은 구체적 기준이 제시되었다.

첫째, ‘수익 모델’을 기준으로 한 구분 방식이 제안되었다. 단순히 품목을 기능적

으로 구분하는 수준을 넘어, 기업의 실제 비즈니스 모델(수익 구조)을 분류 기준으로 

삼자는 것이다. 이에 따라 ‘플랫폼’은 라이선스 또는 수수료 기반의 수익 구조를, 

‘애플리케이션’은 구독료 또는 판매 기반의 구조를 가지는 것으로 정의하였다. 이 

기준은 산업의 운영 방식과 가치 창출 구조를 반영함으로써, 통계적 분류의 현실 적합

- 43 -

성을 높이는 방향으로 평가되었다.

둘째, ‘제공 방식’을 기준으로 한 보완적 구분안이 논의되었다. 해외 기관(IDC 등)

의 정의를 그대로 차용하기보다 국내 산업 현실에 맞게 조정해야 한다는 의견이 다수 

제시되었으며, 이에 따라 ‘단일 빌드 패키지 형태’의 제품은 애플리케이션으로, 

‘온라인 플랫폼을 통해 서비스되는 구조’는 플랫폼으로 구분하는 방안이 검토되었

다.

다음으로, ‘혼동되는 정의(범위)’의 명확화를 위한 논의가 이어졌다. 우선, AI 산업

의 정의상 ‘유통업’이 포함되지만, 실제 조사에서 유통 기업을 함께 조사할 경우 중

복 계상과 매출 왜곡이 발생할 가능성이 크다는 점이 지적되었다. 이에 따라 유통은 

정의상 포함하되, 실제 조사는 제외하는 방향으로 정리하고, 이 불일치를 조사 지침에 

명확히 안내해야 한다는 실무적 개선안이 도출되었다.

또한, ‘AI 하드웨어’의 범위에 대한 구체화도 이루어졌다. GPU와 TPU 등 AI 연산

에 직접 사용되는 핵심 반도체는 명확히 포함하되, ‘서버’와 ‘스토리지’의 경우 

AI 특화 여부가 불분명하므로 별도의 판별 기준을 마련하거나, ‘판별 불가 그룹’으

로 관리하는 것이 필요하다는 의견이 제시되었다. 이는 하드웨어 범주의 정의를 보다 

정밀하게 설정하기 위한 방향으로 정리되었다.

아울러, 분류체계의 실태조사 적용성 제고를 위한 실용적 보완책이 논의되었다. ‘플

랫폼’, ‘애플리케이션’ 등과 같은 기술적 또는 개념적 명칭 대신, KSIC와 연계되는 

공식 산업 활동 명칭(예: 개발업, 공급업, 관리업 등)을 사용하는 것이 바람직하다는 

점이 강조되었다. 또한, 조사 과정에서 응답자와 조사자가 모두 쉽게 이해할 수 있도

록, 단순한 코드 나열이 아닌 ‘중분류–KSIC 코드–예시 기업’을 매칭한 형태의 표를 

제공해야 한다는 구체적 개선안이 제시되었다.

마지막으로, 조사 대상 모집단의 신뢰성을 확보하기 위해 KSIC 코드 기반의 모집단 

정비가 필요하다는 점이 논의되었다. 다만 실제 기업의 활동 범위가 통계상 분류 코드

와 불일치할 수 있으므로, 정기적인 판별조사(Categorization Audit)를 실시하여 분류체

계의 현행성을 유지해야 한다는 점이 확인되었다.

요약하자면, 2차 자문회의는 1차 회의에서 마련된 초안을 실무적으로 검증하는 과정

으로, 가장 혼동이 컸던 ‘플랫폼–애플리케이션’ 구분을 수익 모델과 제공 방식을 기

준으로 명확히 정리하였다. 또한 ‘유통업’과 ‘AI 하드웨어’ 등 범위 정의가 불분

명했던 영역에 대해 구체적인 처리 기준을 마련하였으며, 조사 현장에서의 활용성을 

- 44 -

높이기 위해 예시 기업 매칭표, 공식 용어 체계화, 모집단 판별조사 제도화 등의 실용

적 개선방안을 도출하였다.

4) 3차 자문회의

3차 자문회의는 2차 회의에서 도출된 개선안의 타당성을 최종적으로 검증하고, 실제 

조사 적용 시 응답자의 혼란을 최소화하기 위한 구체적인 개선 방안을 확정하는 단계

로 진행되었다. 본 회의에서는 “혼동되는 명칭과 정의”를 중심으로, 분류체계의 용

어 정비와 응답자 친화적 설계, 그리고 전체 체계의 논리적 일관성 확보에 초점이 맞

추어졌다.

우선, 혼동되는 명칭의 최종 정비가 이루어졌다. 2차 회의에서 논의된 바와 같이, 

‘1-1 인공지능 시스템 인프라 소프트웨어 개발 및 공급업’의 경우 ‘인프라’라는 

용어가 ‘2-1 인공지능 인프라 구축 및 관리 서비스업’과 중복되어 혼선을 초래한다

는 점이 다시 확인되었다. 이에 따라 1-1의 명칭에서 ‘인프라’ 용어를 삭제하고, 보

다 단순한 형태인 ‘시스템 소프트웨어 개발 및 공급업’으로 수정하는 방향이 확정

되었다. 또한 ‘1-4 기타 인공지능 소프트웨어’, ‘2-5 기타 인공지능 정보 서비스

업’과 같이 구체적인 예시 제시가 어렵고 범위가 불명확한 ‘기타’ 항목은 분류체

계의 명확성과 실용성을 높이기 위해 삭제하기로 결정되었다.

다음으로, “혼동되는 정의”에 대한 응답자 친화적 개선 방안이 마련되었다. 특히 

‘플랫폼’과 ‘애플리케이션’의 구분은 여전히 전문가가 아닌 일반 기업 실무자에

게는 복잡하고 주관적으로 해석될 수 있다는 점이 주요 쟁점으로 제기되었다. 이를 해

소하기 위해 2차 회의의 논의를 발전시켜, 플랫폼은 ‘기반 환경’으로, 애플리케이션

은 ‘완성형 서비스’로 정의하는 원칙이 최종 확정되었다.

또한 경계가 모호한 생성형 AI 서비스의 경우, 기능 수행의 초점을 기준으로 구분하

기로 하였다. 즉, 개발을 지원하거나 모델을 제공하는 기능 중심 서비스는 ‘플랫폼’

으로, 사용자에게 직접 서비스를 제공하는 완성형 형태는 ‘애플리케이션’으로 분류

하기로 정리되었다.

아울러 응답자의 이해도를 높이기 위한 실질적인 보완책도 논의되었다. 복잡한 정의

로 인한 해석 차이를 줄이기 위해, 설문조사 시 구체적인 예시를 병기하고, 각 유형의 

기능적 차이를 한눈에 이해할 수 있도록 도식(시각 자료)을 함께 제공하기로 하였다. 

이를 통해 응답자가 스스로 정확한 분류를 선택할 수 있도록 지원하는 실무적 개선이 

이루어졌다.

- 45 -

마지막으로, 분류체계 전반의 논리적 일관성을 검토하였다. 개선된 체계가 KSIC의 

‘활동 중심 원칙’을 충실히 따르고 있는지를 점검한 결과, 산업의 생애주기를 반영

하여 ‘1. 인공지능 소프트웨어 개발 및 공급업’과 ‘2. 인공지능 구축·관리 및 정

보 서비스업’으로 구분한 구조가 논리적으로 타당하다는 평가를 받았다. 예를 들어, 

‘1-1 인공지능 시스템 소프트웨어 개발’과 ‘2-1 인공지능 인프라 구축·관리 서비

스’는 각각 ‘개발’과 ‘운영’ 단계로 구분되어 일관된 체계를 유지하고 있었다.

또한, 조사 모집단의 운영 방식에 대해서도 현실적인 정비 방안이 확정되었다. 기존 

모집단을 유지하되, 신기술 분야의 신규 기업을 지속적으로 확충하고, 응답자의 자가

분류(Self-classification) 결과를 기존의 매출액 기반 분류와 병행 검증함으로써 데이터

의 신뢰성과 정확성을 제고하는 방안이 마련되었다.

3차 자문회의는 개선안의 최종 확정 단계로서, ‘인프라’, ‘기타’ 등 혼동을 유발

하는 명칭을 정리하고, ‘플랫폼’과 ‘애플리케이션’의 정의를 응답자가 이해하기 

쉽게 단순화하였다. 또한 예시와 도식 자료를 활용한 응답자 친화적 설계 방안을 마련

함으로써 조사 과정의 일관성과 실효성을 강화하였다. 더불어 전체 분류체계가 ‘개발

–운영’의 논리적 구조를 확립하고, 데이터 품질을 향상시키는 현실적 운영 방안을 확

정함으로써 인공지능 산업분류체계 개선안의 완성도를 높였다.

5) 자문회의를 통한 개선 방향 도출 종합

인공지능 산업 분류체계 개선안은 총 4단계의 전문가 자문회의를 거치며 발전되었

다. 이 과정은 현행 분류체계의 ‘혼동되는 명칭과 정의’를 명확히 하고, 신기술을 

반영하며, 통계적 실용성을 확보하는 방향으로 진행되었다.

사전기획 자문회의 단계에서는 2018년 수립된 현행 체계의 한계를 진단했다. 현 체

계가 생성형 AI, LLM 등 신기술 트렌드를 반영하지 못하고, ‘인공지능 응용 소프트

웨어’처럼 세분류가 부재하여 산업 구조를 포착하기 어렵다는 점이 지적되었다. 이에 

IDC, Gartner 등 해외 사례를 벤치마킹하여, 분류 기준을 모호한 ‘기술’ 중심에서 

KSIC와 연계 가능한 ‘품목(제품 및 서비스)’ 중심으로 전환하고 ‘인공지능 기본

법’의 정의를 준용하는 기본 방향을 설정했다.

1차 자문회의에서는 ‘품목 중심 분류’ 원칙을 확정했다. 이 과정에서 ‘AI 기술’

(예: 언어지능, 시각지능)은 산업 분류 코드에서 완전히 분리하고, 대신 별도의 설문 

문항으로 조사하여 향후 ‘산업-기술 교차 분석’에 활용하기로 결정했다. 또한 ‘AI 

데이터센터’는 정책적 중요성을 고려해 분류에 포함하되, Agent AI나 Physical AI처럼 

- 46 -

개념이 모호하고 타 산업과 중복 가능성이 큰 항목은 분류에서 제외하고 설문 문항으

로 처리하는 등 신규 분야의 처리 방침을 구체화했다.

2차 자문회의는 1차에서 확립된 초안의 실무 적용성을 검증하는 단계였다. 가장 큰 

쟁점이었던 ‘플랫폼’과 ‘애플리케이션’의 모호한 구분을 해결하기 위해, 단순 기

능 구분을 넘어 기업의 ‘수익 모델’(예: 라이선스/수수료 기반은 플랫폼, 구독/판매 

기반은 애플리케이션)을 기준으로 삼는 구체적인 안이 제시되었다. 또한 통계 왜곡(중

복 계상 등)을 방지하기 위해 ‘유통업’은 정의에 포함되더라도 실제 조사 대상에서

는 제외하기로 결정했다.

3차 자문회의에서는 개선안을 최종 확정하고 응답자 친화성을 확보하는 데 중점을 

두었다. ‘플랫폼’은 ‘기반 환경(API 제공)’으로, ‘애플리케이션’은 ‘완성형 서

비스’로 정의를 단순화하여 확정했다. 또한 ‘시스템 인프라 소프트웨어’ 항목에서 

혼선을 유발하던 ‘인프라’ 용어를 삭제하고, 마지막으로 응답자의 이해를 돕기 위해 

도식(시각 자료)을 제공하고, 기업이 스스로 업종을 선택하는 ‘자가분류

(Self-classification)’ 방식을 도입해 기존 분류와 병행 검증하기로 확정했다.

회의 단계

주요 목표 및 진단

핵심 결정 및 발전 내용

사전기획 

자문회의

현행 체계 한계 진단

• 신기술(생성형 AI 등) 미반영

• 세분류 부재, 포괄적 분류

• 공급-수요 경계 모호

• 분류 기준을 ‘기술’에서 ‘품목(제품/서비스)’ 

중심으로 전환

• ‘AI 플랫폼’, ‘AI 데이터센터’ 등 신규 중분류 

도입 제안

• ‘인공지능 기본법’ 정의 준용

1차 

자문회의

핵심 원칙 확립

• ‘품목’과 ‘기술’의 관계 정립

• 신규 영역(Agent AI, 

데이터센터 등)의 범위 설정 

• ‘품목 중심’ 원칙 확정

• ‘기술’(언어, 시각 지능 등)은 분류체계에서 

분리하여 별도 설문 문항으로 조사 

(교차분석용)

• ‘Agent/Physical AI’는 분류 제외(설문 처리), 

‘AI 데이터센터’는 포함 확정

2차 

자문회의

실무 적용성 검토

• 초안의 현장 적용성 검증

• 최대 쟁점: ‘플랫폼’ vs 

‘애플리케이션’의 정의 모호

• ‘플랫폼-애플리케이션’ 구분 기준으로 ‘수익 

모델’ 및 ‘제공 방식’ 제시

• ‘유통업’은 정의상 포함, 조사상 제외 결정 

(매출 왜곡 방지)

• ‘AI 하드웨어’ 범위 구체화 (서버/스토리지 

모호성 지적)

3차 

자문회의

최종안 확정 및 정교화

• 응답자 친화적 설계

• 용어 및 정의 최종 정리

• ‘플랫폼’ 정의 : ‘기반 환경’ (API 제공)

• 애플리케이션 정의: 완성형 서비스 (최종 

사용자)

• 혼동 용어 조정

• ‘자가분류’ 방식 도입 및 도식(시각 자료) 

제공 확정

[표 3-

3

] 자문회의 단계별 개선 방향 발전 과정

- 47 -

4.

인공지능 생태계 기반 산업분류 적용

인공지능(AI) 기술은 단일 기술이 아닌, 복잡하게 상호 연결된 기술 스택(Tech Stack)

과 가치 사슬(Value Chain)의 집합체로 이해해야 한다. AI 생태계를 구성하는 다양한 

기술과 참여자들의 역할을 명확히 파악하기 위해, 본 보고서는 AI 생태계를 하드웨어, 

시스템, 플랫폼, 애플리케이션, 서비스의 5가지 핵심 계층으로 구분한다. 

이러한 계층적 프레임워크는 AI 솔루션이 물리적 기반에서부터 최종 사용자에게 전

달되기까지의 과정을 논리적으로 설명하는 데 유용하며, 다수의 산업 분석 및 연구에

서 유사한 구조로 AI 생태계를 조망하고 있다(Bank for International Settlements, 2024; 

University of Manchester, 2024).

하드웨어(Hardware)는 AI 생태계의 가장 근본이 되는 물리적 기반 계층으로, AI 모델

의 대규모 연산을 물리적으로 수행하는 컴퓨팅 자원을 포함한다. 특히 딥러닝 모델의 

학습(Training)과 추론(Inference)에 필요한 막대한 양의 병렬 처리를 효율적으로 수행

하도록 설계된 특수 반도체가 이 계층의 핵심이다.(Mawson Inc., 2024).

시스템(System)은 하드웨어 계층 위에서 물리적 자원을 효율적으로 관리하고, AI 연

산에 필요한 기본 소프트웨어 환경을 제공하는 인프라 계층이다. 하드웨어 자원을 추

상화하여 플랫폼 계층에서 쉽게 활용할 수 있도록 연결하는 다리 역할을 수행한다. 핵

심 역할: 대규모 하드웨어 클러스터를 안정적으로 운영하고, AI 개발 및 배포 환경의 

확장성과 유연성을 보장한다. 다수의 클라우드 서비스 제공자(CSP)들이 이 계층에서 

핵심적인 역할을 수행한다 (Bank for International Settlements, 2024).

플랫폼(Platform)은 개발자들이 AI 모델을 효율적으로 구축, 학습, 테스트, 배포 및 운

영할 수 있도록 지원하는 도구와 환경의 집합이다. 이 계층은 AI 개발의 생산성과 직

결되며, 최근에는 모델의 전체 수명 주기를 관리하는 MLOps가 플랫폼의 핵심 기능으

로 부상하고 있다 (University of Manchester, 2024).

애플리케이션(Application)은 플랫폼 위에서 특정 문제나 작업을 해결하기 위해 개발

된 구체적인 AI 모델 또는 소프트웨어 자체를 의미한다. 이는 AI 기술이 특정 도메인 

지식과 결합하여 실질적인 지능을 구현하는 핵심 결과물이다(Bank for International 

Settlements, 2024).

서비스 (Service)는 개발된 AI 애플리케이션을 최종 사용자나 다른 시스템이 쉽게 접

- 48 -

근하고 활용할 수 있도록 제공하는 가치 전달의 접점이다. AI의 기능이 실제 비즈니스 

가치로 전환되는 마지막 단계이다. 사용자가 원하는 기능만을 간편하게 이용할 수 있

도록 제공하여 AI 기술의 대중화와 상업화를 견인한다(MDPI, 2024).

AI 생태계는 하드웨어의 물리적 연산력에서 시작하여, 시스템 인프라의 안정적인 관

리, 플랫폼의 효율적인 개발 환경, 애플리케이션의 구체적인 지능 구현, 그리고 서비스

를 통한 최종 가치 전달에 이르기까지 5개의 계층이 유기적으로 연결되어 구성된다. 

하드웨어

AI 모델의 대규모 학습과 추론에 필요한 연산 능력을 제공하는 AI 반도체, 서버, 스토리지 등 

물리적 기반 장치

시스템

하드웨어 자원을 효율적으로 관리하고 AI 모델의 안정적인 운영을 지원하는 MLOps, AI 전용 

운영체제(OS) 등 기반 소프트웨어

플랫폼

다양한 AI 기술과 모델을 쉽게 개발하고 응용 서비스에 통합할 수 있도록 제공되는 파운데이션 

모델 API, 개발 도구 및 환경

애플리케이션

AI 기술을 활용하여 특정 산업이나 사용자의 문제를 해결하기 위해 만들어진 최종적인 

소프트웨어 제품 및 서비스.

호스팅 서비스

AI 학습 및 서비스 운영에 필요한 서버, 스토리지 등 IT 인프라 자원을 클라우드나 데이터센터를 

통해 임대·제공하는 서비스.

기술/정보 서비스

AI 도입 컨설팅, 데이터 구축·가공, 시스템 통합(SI), 교육 등 생태계 전반의 원활한 구축과 

활용을 지원하는 전문 서비스.

[표 3-

4

] 인공지능 생태계

이러한 계층적 접근 방식은 본 보고서에서 검토한 여러 글로벌 시장조사기관의 분류

체계에서도 공통적으로 확인된다. 

- 49 -

IDC는 AI 시장을 크게 하드웨어(Hardware), 소프트웨어(Software), 서비스(Service)라

는 3개의 기술 그룹으로 분류하고 있으며, 특히 ‘소프트웨어’ 그룹을 ‘AI 시스템 

인프라 소프트웨어’, ‘인공지능 플랫폼’, ‘AI 애플리케이션’ 등으로 세분화하여 

스택 구조를 명확히 제시하고 있다(IDC, 2025)

Gartner 역시 AI 관련 IT 지출을 하드웨어, 소프트웨어, 서비스, 디바이스의 4가지 핵

심 시장으로 분류하고 있다(Gartner, 2025). CB Insights는 AI 스타트업 생태계를 기능

적으로 AI 인프라, 수평적 AI(플랫폼), 수직적 AI (애플리케이션)라는 3대 핵심 영역으

로 분류하고 있다(CB Insights, 2025).

아래 그림의 생태계 구분은 AI 산업을 분석하는 글로벌 표준 방법론을나타낸다. 

‘하드웨어’는 IDC, Gartner, CB Insights 모두가 강조하는 AI 연산의 물리적 기반(반

도체, 서버 등)에 해당하고, ‘시스템’, ‘플랫폼’, ‘애플리케이션’은 IDC와 

Gartner가 정의한 ‘소프트웨어’ 시장의 핵심 구성요소를 세분화한 것이다. ‘호스팅 

서비스’ 및 ‘기술/정보 서비스’ 는 AI 시스템 구축, 컨설팅, 운영을 지원하는 ‘서

비스’ 시장에 대응된다.

- 50 -

10)

 주) 인공지능산업 실태조사 모집단 범위는 “인공지능사업자”중 인공지능개발사업자와 소프트웨어 산업에서 

제품 및 서비스를 생산하는 인공지능이용사업자임

제4장

인공지능산업 분류체계 개정(안)

제1절

분류 범위 및 구조

1.

산업활동 범위

인공지능산업의 정의는 다음과 같다. "인공지능산업"이란 "인공지능 또는 인공지능

기술을 활용한 제품(이하 "인공지능제품"이라한다)을 개발·제조·생산또는 유통하거

나 이와 관련한 서비스(이하 "인공지능서비스"라한다)를 제공하는 산업"을 말한다.

여기서 "인공지능"이란 "학습, 추론, 지각, 판단, 언어의 이해 등 인간이 가진 지적 

능력을 전자적 방법으로 구현한 것"을 말하며, "인공지능기술"이란 "인공지능을 구현

하기 위하여 필요한 하드웨어·소프트웨어기술 또는 그 활용 기술"을 말한다.

인공지능산업 실태조사의 모집단 범위는 "인공지능사업자" 중에서 "인공지능개발사

업자"와 "소프트웨어 산업에서 제품 및 서비스를 생산하는 인공지능이용사업자"로 설

정한다.10)

[그림 4-

1

] 인공지능산업 범위 및 인공지능산업 실태조사의 모집단 범위

- 51 -

"인공지능개발사업자"는 인공지능을 개발하여 제공하는 자를 의미한다. "인공지능이

용사업자"는 인공지능개발사업자가 제공한 인공지능을 이용하여 인공지능제품 또는 

인공지능서비스를 제공하는 자를 의미한다.

2.

분류 체계 

인공지능산업 분류체계의 구조는 인공지능 분야의 특수성과 산업 분야 체계성을 기

반으로 하며, 대분류 3개와 중분류 13개로 구성된 2개 계층구조이다.

대분류

중분류

1. 인공지능 소프트웨어 개발 및 

공급업

1-1 인공지능 시스템 소프트웨어 개발 및 공급업

1-2 인공지능 플랫폼 개발 및 공급업

1-3 인공지능 애플리케이션 개발 및 공급업

1-4 기타 인공지능 소프트웨어 개발 및 공급업

2. 인공지능 구축·관리 및 관련 

정보 서비스업

2-1 인공지능 인프라 구축 및 관리 서비스업

2-2 인공지능 애플리케이션 구축 및 관리 서비스업

2-3 인공지능 호스팅 및 관련 서비스업

2-4 인공지능 기술 및 비즈니스 지원 서비스업

2-5 기타 인공지능 정보 서비스업

3. 인공지능 연산 및 처리 

부품/장치 제조업

3-1 인공지능 반도체 제조업

3-2 인공지능 네트워크 장비 제조업

3-3 인공지능 서버 제조업

3-4 인공지능 스토리지 제조업

[표 4-

1

] 인공지능산업 분류체계(안)

대분류는 표준산업분류를 기준으로 인공지능산업과 연관된 분류를 추출하여 3개 대

분류로 구성하였다. 이 3개의 대분류는 ‘1. 인공지능 소프트웨어 개발 및 공급업’, 

‘2. 인공지능 구축·관리 및 관련 정보 서비스업’, ‘3. 인공지능 연산 및 처리 부품

/장치 제조업’이다. 중분류는 ‘인공지능 발전과 신뢰 기반 조성 등에 관한 기본법’ 

및 ‘한국표준산업분류 제11차 개정 해설서’ 등 인공지능 기본법과 산업분류 체계 

등을 참고하고 전문가 자문을 거쳐 13개로 구성하였다. 세부적으로는 대분류 ‘1. 인

공지능 소프트웨어 개발 및 공급업’에 4개 중분류, ‘2. 인공지능 구축·관리 및 관

련 정보 서비스업’에 5개 중분류, ‘3. 인공지능 연산 및 처리 부품/장치 제조업’에 

4개 중분류로 구성된다.

- 52 -

대분류(3)

중분류(13)

한국표준산업분류(11차)

1. 인공지능 소프트웨어 개발 및 

공급업

1-1 인공지능 시스템 소프트웨어 개발 및 공급업

58221 시스템 소프트웨어 개발 및 공급업

1-2 인공지능 플랫폼 개발 및 공급업

58222 응용 소프트웨어 개발 및 공급업

58211 유선 온라인 게임 소프트웨어 개발 및 공급업

58212 모바일 게임 소프트웨어 개발 및 공급업

58219 기타 게임 소프트웨어 개발 및 공급업

1-3 인공지능 애플리케이션 개발 및 공급업

1-9 기타 인공지능 소프트웨어 개발 및 공급업

2. 인공지능 구축·관리 및 관련 

정보 서비스업

2-1 인공지능 인프라 구축 및 관리 서비스업

62010 컴퓨터 프로그래밍 서비스업

62021 컴퓨터 시스템 통합 자문 및 구축 서비스업

62022 컴퓨터시설 관리업

62090 기타 정보 기술 및 컴퓨터 운영 관련 서비스업

2-2 인공지능 애플리케이션 구축 및 관리 서비스업

2-3 인공지능 호스팅 및 관련 서비스업

63112 호스팅 및 관련 서비스업

2-4 인공지능 기술 및 비즈니스 지원 서비스업

63111 자료 처리업

63991 데이터베이스 및 온라인 정보 제공업

2-9 기타 인공지능 정보 서비스업

63120 포털 및 기타 인터넷 정보 매개 서비스업

63910 뉴스 제공업

63992 가상자산 매매 및 중개업

63999 그 외 기타 정보 서비스업

3. 인공지능 연산 및 처리 

부품/장치 제조업

3-1 인공지능 반도체 제조업

26111 메모리용 전자집적회로 제조업

26112 비메모리용 및 기타 전자집적회로 제조업

26121 발광 다이오드 제조업

26129 기타 반도체소자 제조업

3-2 인공지능 네트워크 장비 제조업

26410 유선 통신장비 제조업

26429 기타 무선 통신장비 제조업

3-3 인공지능 서버 제조업

26310 컴퓨터 제조업

3-4 인공지능 스토리지 제조업

26321 기억 장치 제조업

[표 4-

2

] 인공지능산업 특수분류체계와 한국표준산업분류(11차) 연계표

- 53 -

제2절 분류 범위 및 구조

1. 대분류 1 : 인공지능 소프트웨어 개발 및 공급업

먼저 ‘인공지능 소프트웨어 개발 및 공급업’의 개념 및 정의를 살펴보면, ‘인공

지능 소프트웨어 개발 및 공급업’은 인공지능 기술을 구현하거나, 이를 활용하기 위

한 소프트웨어를 기획하고, 개발하며, 공급하는 모든 산업 활동을 의미한다. 

이 분류는 인공지능 시스템의 핵심이 되는 알고리즘, 모델, 플랫폼, 그리고 다양한 

응용 소프트웨어를 모두 포함한다. 이는 인공지능 고유의 기능인 학습, 추론, 의사결정 

등을 구현하는 데 필수적인 기술적 기반을 제공하는 활동이다. 

‘인공지능 소프트웨어 개발 및 공급업’은 인공지능 산업의 전체 가치사슬(Value 

Chain) 중에서 두뇌 역할을 수행하는 핵심 영역이다. 데이터와 연산 인프라를 활용하

여, 다양한 산업 분야에서 실질적으로 활용 가능한 AI 솔루션과 서비스를 창출하는 산

업이다.

‘인공지능 소프트웨어 개발 및 공급업’의 주요 범위에는 인공지능 시스템 소프트

웨어, 인공지능 플랫폼 소프트웨어, 그리고 인공지능 응용 소프트웨어의 개발 및 공급 

등이 포함된다.

구체적으로는 인공지능 모델의 생성, 학습, 운영을 지원하는 시스템 소프트웨어(예: 

MLOps 플랫폼)부터, 특정 산업 현장의 문제를 해결하기 위한 응용 소프트웨어(예: AI 

의료 진단 솔루션)에 이르기까지, 소프트웨어 개발 및 공급의 전주기(Full-lifecycle) 활

동을 포괄한다.

‘인공지능 소프트웨어 개발 및 공급업’은 산업적 측면에서 인공지능 생태계의 기

술 공급 중심축으로서 기능한다. 이 영역은 하드웨어 산업(대분류 3) 및 서비스 산업

(대분류 2)과 긴밀히 연계되며, AI 기술이 타 산업으로 확산되고 활용되는 수준을 결정

하는 핵심적인 역할을 수행한다.

- 54 -

중분류

구분

내용

1-1 인공지능 

시스템 소프트웨어 

개발 및 공급업

업종

정의

인공지능 서비스와 응용 프로그램이 안정적이고 확장 가능하게 

작동할 수 있도록 기반 환경을 구축·지원하는 소프트웨어를 

개발·공급하는 산업

예시

AI 전용 운영체제(OS) 및 AI 연산 최적화 미들웨어, AI 모델 

배포·운영 환경 (MLOps 플랫폼), AI 가속기 및 분산 컴퓨팅 환경 

소프트웨어, 데이터 관리 및 AI 최적화 시스템, 머신러닝 

프레임워크 및 엔진 개발 등

제외

범용 OS, 범용 데이터베이스 소프트웨어 등 인공지능 시스템에 

특화되지 않은 범용 시스템 소프트웨어

1-2 인공지능 

플랫폼 개발 및 

공급업

업종

정의

인공지능 기술·도구·데이터·모델을 통합하여 다른 서비스나 

사용자가 활용할 수 있도록 지원하는 기반 플랫폼 소프트웨어를 

개발·제공하는 산업

예시

대규모 언어모델(LLM) API 제공 플랫폼, 클라우드 기반 AI 

플랫폼, 통합형 AI 개발 플랫폼, 산업 특화형 AI 플랫폼, 대화형 

AI 및 음성 인식 플랫폼, AutoML 플랫폼 등 

제외

최종 사용자를 대상으로 제공되는 응용 프로그램(예: 챗봇 서비스, 

번역 앱, 이미지 생성 앱)

1-3 인공지능 

애플리케이션 

소프트웨어 개발 

및 공급업

업종

정의

인공지능 기술을 특정 목적이나 업무에 적용해 완성된 서비스를 

사용자에게 제공하는 애플리케이션 소프트웨어를 개발·공급하는 

산업

예시

AI 기반 사무·생산성 소프트웨어, AI 헬스케어 소프트웨어, AI 

금융·핀테크 애플리케이션, AI 마케팅·고객 관리 소프트웨어, AI 

보안·사이버 방어 소프트웨어, AI 창작·콘텐츠 제작 소프트웨어, 

AI 자율주행·로보틱스 소프트웨어 등

제외

인공지능을 활용하지 않는 일반 응용 소프트웨어

1-9 기타 

인공지능 

소프트웨어 개발 

및 공급업

업종

정의

인공지능 시스템 소프트웨어, 인공지능 플랫폼, 인공지능 응용 

소프트웨어로 분류되지 않는 기타 형태의 인공지능 관련 

소프트웨어를 개발·공급하는 산업

[표 4-

3

] 대분류 1 : 인공지능 소프트웨어 개발 및 공급업 분류체계 해설

- 55 -

2. 대분류 2 : 인공지능 구축·관리 및 관련 정보 서비스업

개념 및 정의를 살펴보면, ‘인공지능 구축·관리 및 관련 정보 서비스업’은 인공

지능 기술 및 시스템을 실제 현장에서 활용하기 위해 필요한 구축, 운영, 관리, 그리고 

정보 제공 활동 전반을 포괄하는 산업이다.

이는 인공지능 소프트웨어(대분류 1)와 하드웨어(대분류 3)가 실제 산업 현장, 서비스 

환경, 또는 특정 플랫폼에 성공적으로 적용되고 운영될 수 있도록, 이에 필요한 기술

적·관리적 서비스를 제공하는 활동을 의미한다.

구체적으로는 개발된 인공지능 솔루션을 특정 기업이나 기관의 기존 업무 시스템에 

맞춤형으로 통합(SI)하거나, AI 모델 구동에 필수적인 인프라를 설계·구축·운영하고, 

나아가 AI를 통해 수집·처리된 데이터를 분석하여 정보 서비스 형태로 새로운 부가

가치를 창출하는 산업 활동을 모두 포함한다.

‘인공지능 구축·관리 및 관련 정보 서비스업’의 주요 산업 활동에는 ‘인공지능 

인프라 구축 및 관리 서비스업’, ‘인공지능 애플리케이션 구축 및 관리 서비스업’, 

‘인공지능 호스팅 및 관련 서비스업’, 그리고 ‘인공지능 기술 및 비즈니스 지원 서

비스업’ 등이 포함된다.

즉, 이 영역은 AI 기술이 연구실을 나와 실제 서비스화되고 상용화되는 전 과정에서, 

시스템의 운영 효율성을 보장하고 데이터 기반의 가치를 창출하는 것을 담당하는 실

무형 서비스 영역이라고 할 수 있다.

산업적 관점에서 ‘인공지능 구축·관리 및 관련 정보 서비스업’은 AI 생태계의 

‘운영자(Operator)’ 및 ‘연결자(Connector)’로서의 핵심적인 역할을 수행한다. AI 

기술이 다양한 산업 현장으로 확산되고 성공적으로 상용화될 수 있도록 촉진하는 것

이 바로 이 산업의 주된 역할이다.

- 56 -

중분류

구분

내용

2-1 인공지능 

인프라 구축 및 

관리 서비스업

업종

정의

기업·기관 등이 인공지능 기술을 활용할 수 있도록 서버, 

스토리지, 네트워크, GPU/TPU 등 연산 자원 및 관련 소프트웨어 

환경을 설계·구축·운영·관리하는 서비스를 제공하는 산업

예시

AI 전용 데이터센터 구축 및 운영 서비스, 온프레미스 AI 인프라 

구축 서비스, AI 클라우드 인프라 관리 서비스, 네트워크·스토리지 

최적화 서비스, 보안·신뢰성 기반 AI 인프라 관리 서비스 등

제외

범용 IT 인프라 구축·관리 서비스(예: 일반 서버, 네트워크, 

스토리지 구축) 

2-2 인공지능 

애플리케이션 구축 

및 관리 서비스업

업종

정의

특정 산업이나 기업의 요구에 맞게 인공지능 기반 응용 서비스를 

설계·개발·구축하고, 이를 안정적으로 운영·관리하는 서비스를 

제공하는 산업

예시

스마트 제조·품질 관리 솔루션 구축 서비스, AI 헬스케어 서비스 

구축, 금융·핀테크 AI 응용 서비스 운영, AI 마케팅·고객 경험 

관리 서비스, 물류·유통 AI 서비스 구축, 맞춤형 기업 AI 솔루션 

구축 대행 등

제외

범용 IT 어플리케이션 구축 및 관리 서비스(인공지능 관련 

애플리케이션 구축 및 관리가 아닌 서비스)

2-3 인공지능 

호스팅 및 관련 

서비스업

업종

정의

인공지능 학습·추론·서비스 제공에 필요한 서버, 스토리지, 연산 

자원(GPU/TPU 등)을 임대하거나, 클라우드 기반으로 

제공·운영하는 서비스업

예시

클라우드 AI 연산 자원 호스팅, AI 전용 클라우드 플랫폼 서비스, 

AI 서버·스토리지 임대 서비스 등

제외

범용 웹호스팅·일반 클라우드 서비스(웹사이트, 이메일 등 

인공지능 관련 호스팅 목적이 아닌 서비스)

2-4 인공지능 

기술 및 비즈니스 

지원 서비스업

업종

정의

인공지능을 도입·활용하는 기업과 기관을 대상으로 기술적 자문, 

교육·훈련, 테스트·검증, 운영 대행 등 부가적 지원 서비스를 

제공하는 산업

예시

AI 산업별 맞춤 비즈니스 지원, AI 컨설팅 및 전략 수립 서비스, 

AI 교육·훈련 서비스, AI 테스트·검증 서비스, AI 운영·관리 대행, 

AI 데이터 구축 및 어노테이션 서비스, AI 법·윤리·규제 대응 지원 

서비스 등

제외

일반적인 IT 기술지원 및 컨설팅 서비스(인공지능 관련 기술지원 

및 컨설팅 목적이 아닌 서비스)

2-9 기타 

인공지능 정보 

서비스업

업종

정의

인공지능 인프라 구축 및 관리, 인공지능 애플리케이션 구축 및 

관리, 인공지능 호스팅, 인공지능 기술 및 비즈니스 지원으로 

분류되지 않는 기타 형태의 인공지능 관련 정보 서비스를 

제공하는 산업

[표 4-

4

] 대분류 2 : 인공지능 구축·관리 및 관련 정보 서비스업 분류체계 해설

3.  대분류 3 : 인공지능 연산 및 처리 부품/장치 제조업

개념 및 정의를 살펴보면, ‘인공지능 연산 및 처리 부품·장치 제조업’은 인공지

능 알고리즘의 핵심 활동인 학습, 추론, 그리고 데이터 처리를 위해 특별히 필요한 연

산 장치, 반도체, 서버, 네트워크, 스토리지 등 물리적 장비를 설계하고, 제조하며, 공

급하는 산업 활동을 의미한다.

이 분류는 인공지능 소프트웨어(대분류 1)와 서비스(대분류 2)를 실제로 구현하기 위

한 하드웨어 기반 인프라의 핵심 제조 부문이다. 즉, 인공지능 시스템의 전반적인 성

- 57 -

능과 데이터 처리 효율을 물리적으로 결정하는 필수적인 요소라 할 수 있다.

‘인공지능 연산 및 처리 부품·장치 제조업’의 주요 산업 활동에는 ‘인공지능 반

도체 제조업’, ‘인공지능 네트워크 장비 제조업’, ‘인공지능 서버 제조업’, ‘인

공지능 스토리지 제조업’ 등이 포함된다.

중분류

구분

내용

3-1 인공지능 

반도체 제조업

업종

정의

인공지능 알고리즘의 학습·추론을 위해 최적화된 연산 구조를 가진 

전용 반도체 칩을 설계·제조하는 산업

예시

GPU (Graphics Processing Unit) 제조, TPU (Tensor Processing 

Unit) 및 NPU (Neural Processing Unit) 제조, 엣지 AI 반도체 

제조, 데이터센터 및 HPC(고성능 컴퓨팅) AI 반도체 제조 등

제외

범용 CPU, 메모리, 저장장치 등 인공지능에 특화되지 않는 반도체 

제조업 

3-2 인공지능 

네트워크 장비 

제조업

업종

정의

인공지능 기능을 탑재하여 데이터 전송·분석·관리·보안 등을 

지능적으로 수행하는 네트워크 장비를 설계·제조하는 산업

예시

AI 기반 스위치·라우터 제조 산업, AI 보안 네트워크 장비 산업, 

데이터센터·클라우드용 AI 네트워크 장비, 산업용 IoT·엣지 

네트워크 장비 제조

제외

인공지능 기능이 없는 범용 라우터·스위치 등 일반 네트워크 장비 

제조업 

3-3 인공지능 

서버 제조업

업종

정의

인공지능 모델 학습·추론·서비스 제공을 위해 GPU, NPU, TPU 등 

고성능 연산 장치와 대용량 메모리·스토리지·네트워크 기능을 

통합한 전용 서버를 설계·제조하는 산업

예시

AI 전용 GPU 서버 제조, TPU·NPU 기반 AI 서버 제조, 

데이터센터용 대규모 AI 서버 제조, 엣지 AI 서버 제조 산업, AI 

슈퍼컴퓨터 서버 제조 등

제외

범용 서버·워크스테이션 등 인공지능에 특화되지 않는 서버 제조업

3-4 인공지능 

스토리지 제조업

업종

정의

인공지능 학습·추론 과정에서 발생하는 대규모 데이터의 

저장·처리·관리 요구에 특화된 스토리지 장치를 설계·제조하는 

산업

예시

AI 전용 고속 스토리지 시스템 제조, NVMe 기반 AI 스토리지 

제조, 분산 파일 시스템·오브젝트 스토리지 산업, 

HPC·슈퍼컴퓨팅용 AI 스토리지 제조, 엣지 AI 스토리지 장치 

제조

제외

범용 HDD, SSD 등 일반 스토리지 장치 제조업

[표 4-

5

] 대분류 3 : 인공지능 연산 및 처리 부품/장치 제조업 분류체계 해설

이 영역은 인공지능 산업의 물리적 기반을 담당하며, AI 기술의 구현과 실질적인 확

산을 가능하게 하는 산업 생태계의 하드웨어 축을 구성한다.

기술적 특성과 산업적 역할을 살펴보면, 산업적 관점에서 ‘인공지능 연산 및 처리 

부품/장치 제조업’은 인공지능 소프트웨어 산업(대분류 1)과 구축·운영 서비스 산업

- 58 -

(대분류 2)을 하드웨어적으로 지원하는 기반 산업이다. AI 생태계 전체의 엔진 역할을 

수행한다고 볼 수 있다. 최근 AI 최적화 반도체(GPU, NPU 등), 경량형 엣지 디바이스, 

AI 전용 데이터센터 서버 등 새로운 제품군이 지속적으로 등장하면서, 이 산업의 고도

화가 빠르게 진행되고 있다.

제3절 인공지능 기술 분류

본 연구에서는 ‘인공지능산업 분류체계’를 통해 산업 활동의 기준을 제시하였다. 

다른 한가지 기준으로써 본 연구는 아래 표와 같이 ‘인공지능 기술 분류’를 제시하

여 ‘산업 분류’와는 별개로 제시하여, 인공지능 기업이 보유하거나 개발, 서비스하

는 기술적 핵심을 파악하기 위한 기준을 추가적으로 제공하고자 한다. 

인공지능 기술 분류는 조사 문항으로 활용하여. 개선된 분류체계가 적용될 「인공지

능산업실태조사」내에 기술분야를 별도의 조사 문항으로 포함함으로써, 기업은 자신의 

주력 산업분류(예: ‘1-3 인공지능 애플리케이션 개발 및 공급업’) 기준으로 정보를 

입력하고 또한, 사가 개발·보유·서비스하는 핵심 기술 분야(예: ‘언어 지능’, ‘생

성형 인공지능’) 기준으로 정보를 입력할 수 있는 구조를 갖출 수 있다. 

이러한 방식을 통해 조사결과를 ‘산업 분류(중분류 13개) × 기술 분야(중분류 12

개)’의 산업-기술 교차분석(Cross-Tabulation)으로 활용할 수 있다. 이는 기존 분류체

계의 한계였던 산업 활동 중심의 단편적 분석을 넘어, 다차원적이고 심층적인 산업 현

황 파악을 가능하게 한다. 예를 들어, ‘인공지능 플랫폼 개발 및 공급업’(1-2)에 속

하는 기업 중 몇 %가 ‘파운데이션 모델’ 기술을 보유하고 있는지 정밀한 시장 분석

을 할 수 있다. 나아가 특정 산업 분류에서는 활발하지만 특정 기술의 적용이 미미한 

분야를 식별하여, 해당 기술의 R&D 지원이나 확산 정책을 수립하는 근거 자료로 활

용할 수 있다.

결론적으로, ‘산업 분류’는 기업의 경제적 형태를 정의하고, ‘기술 분야’는 기업

의 기술적 실체를 정의한다. 이 두 축을 교차 분석함으로써 AI 산업의 현황을 더욱 입

체적으로 파악하고 통계의 품질과 정책적 활용도를 제고할 수 있다.

- 59 -

기술분야

기술개요

핵심기술

대분류

중분류

인지 

지능

언어 지능

∙ 언어분석, 의미이해, 대화 이해, 자동 

통역･번역, 질의응답(Q/A), 텍스트 

요약

∙ 언어분석, 의미이해, 대화이해, 

자동 통역·번역, 질의응답(QA), 

텍스트 요약, 다국어 처리 등

시각 지능

∙ 이미지/영상에서 객체·행동·장면을 

이해하고 예측·요약

∙ 영상처리·패턴인식, 객체 / 행동 / 

장면 인식, 장소 이해, 비디오 

분석/예측, 시공간 영상 이해, 

비디오 요약 등

음성 지능

∙ 음성·음향 신호의 인식·분석·합성 및 

검색

∙ 음성분석 / 인식, 화자인식·적응, 

음성합성, 오디오 색인·검색, 

잡음처리·음원분리, 음향인식 등

복합지능

(멀티모달

)

∙ 텍스트, 이미지, 음성 등 두 가지 

이상의 데이터를 복합적으로 인식/ 

추론하여, 고차원적 상황 이해 및 

판단 

∙ 시각 질의응답(VQA), 이미지/영상 

캡셔닝, 텍스트-이미지, 

텍스트-영상 등 상호 변환 및 

생성 기술, 오디오-시각 정보 

결합을 통한 상황 분석 및 음성 

인식 등

생성 및 

응용 

지능

파운데이

션 모델

∙ 대규모 데이터로 사전에 학습되어 

다양한 작업을 수행할 수 있도록 조정 

가능한 범용 AI 모델

∙ 대규모 데이터 기반 사전학습, 

자기지도학습, 전이학습 및 

미세조정, 프롬프트 엔지니어링 등

생성형 

인공지능

(Gen AI)

∙ 텍스트·이미지·오디오·비디오·코드 등 

다양한 형식의 콘텐츠 생성/변환

∙ 파운데이션 모델 및 API / 모델허브

 / 대화형 인터페이스 제공, 

합성데이터 생성, 다과업 

수행(요약·QA·분류 등) 등

지능형 

에이전트 

및 

자율지능

∙ 사용자의 목표를 이해하고 환경과 

상호작용하며 다단계 작업을 수행

∙ 대화형 AI, 에이전트 플랫폼/툴킷, 

계획·도구사용, 모방학습 / 

시뮬레이션 / 게임지능, 

자율주행·드론·로봇 지능, 

인간-로봇 상호작용(HRI) 등

Physical 

AI

∙ 물리적 로봇이 환경을 인지하고 

작업을 수행하도록 제어하는 기술

∙ 공장 생산 및 조립 지원 협업 로봇, 

지능형 수술 로봇, 자율주행 배송 

로봇 기술, 피지컬 AI 등

산업 응용 

지능

∙ 산업·공공·사회 등 특정 분야의 현장 

문제 해결을 목표로, 다양한 인공지능 

기술과 해당 분야의 전문 데이터를 

융합하여 활용하는 기술

∙ 의료, 금융, 교육, 제조, 국방·치안, 

재난·환경·에너지, 도시·교통, 

콘텐츠·문화예술 등의 도메인 특화 

데이터를 복합적으로 활용하는 

기술

인공지

능

기반 

기술

AI 특화 

하드웨어

∙ 인공지능 연산에 최적화된 전용 

하드웨어 및 시스템 인프라를 제공

∙ 지능형 반도체 (AI Chips), 

슈퍼컴퓨팅 인프라, 엣지 AI 

디바이스 (Edge AI Devices) 등

AI 

운영·관리

∙ AI 모델의 개발 완료 이후, 서비스 

환경에서의 배포, 모니터링, 관리, 

거버넌스 등 전체 운영 생애주기를 

자동화하고 최적화하는 기술

∙ LLMOps, MLOps, AIOps, AI 

자원(GPU 등) 최적화 관리, 

실시간 모델 성능 및 데이터 

드리프트 모니터링 등

데이터·

지식 관리

∙ 대규모 데이터를 수집, 정제, 

가공하고, 비정형 데이터로부터 

유의미한 정보와 관계를 추출하여 

모델의 성능과 신뢰성을 확보하는 

기술

∙ 데이터 수집·정제 및 통합 기술, 

데이터 라벨링 및 어노테이션 

자동화, 합성 데이터 생성 기술 등

신뢰 

가능한 AI

∙ AI 모델 학습데이터의 내제된 편향을 

탐지하여 정렬하거나 모델의 

오작동을 유하는 적대적 샘픙을 

탐지하고 방어하는 기술

∙ AI 모델의 성별/인종 편향성 보정, 

에이전트의 오인식을 유발하는 

공격 방어 기술 등 AI 윤리적 / 

안정성을 보장하기 위한 기술

[표 4-

6

] 인공지능 기술 분류

- 60 -

제4절 해외 분류체계와의 정합성

본 연구에서 제시한 인공지능산업 분류체계는 글로벌 분류체계와의 정합성을 확보하

는 동시에, 국내 산업 현실과 정책 환경을 반영하는 특징을 가진다.

글로벌 스탠더드와의 정합성 측면에서, 본 분류체계는 글로벌 기관들이 공통적으로 

채택하고 있는 ‘하드웨어(인프라)-소프트웨어-서비스’라는 3대 축을 따른다. 이를 

‘인공지능 연산 및 처리 부품/장치 제조업’, ‘인공지능 소프트웨어 개발 및 공급

업’, ‘인공지능 구축·관리 및 관련 정보 서비스업’이라는 3개의 대분류로 설정하

여 구조적 일관성을 확보했다.

세부적으로도 글로벌 기준과 정합성을 맞추었다. 첫째, IDC와 CB Insights가 강조하는 

AI 인프라(서버, 스토리지, 반도체) 영역을 ‘3. 인공지능 연산 및 처리 부품/장치 제조

업’으로 구체화하여 하드웨어 기반 산업을 명확히 포착했다. 둘째, 소프트웨어(SW) 

영역을 ‘시스템 SW’, ‘플랫폼’, ‘애플리케이션’으로 세분화하여, IDC 및 CB 

Insights의 기능적 계층 구분을 국내 산업 활동 기준으로 재해석했다. 이는 단순 SW 

개발을 넘어 LLM API와 같은 플랫폼 비즈니스와 최종 사용자용 애플리케이션 시장을 

체계적으로 구분한 것이다. 셋째, AI 시스템 통합, 컨설팅 등 IDC와 Gartner가 중요하

게 다루는 서비스 시장을 ‘2. 인공지능 구축·관리 및 관련 정보 서비스업’으로 정

의하고, 인프라 구축부터 비즈니스 지원까지 포괄적으로 분류했다.

국내 산업 현실 및 정책 환경 반영은 본 분류체계의 가장 큰 강점으로, 글로벌 동향

을 따르면서도 국내 실정에 최적화되었다.

가장 핵심적인 특징은 모든 분류 항목을 한국표준산업분류(KSIC) 코드와 연계하여 

설계한 점이다. 이를 통해 국가승인통계로서의 신뢰성과 일관성을 확보하고, 기업들이 

명확한 기준에 따라 자사의 산업 활동을 분류·응답할 수 있게 하며, 타 산업 통계와

의 비교·분석을 가능하게 하여 정책 활용성을 확대했다.

또한, 국내 AI 산업의 핵심 주체인 기술 공급 기업을 중심으로 범위를 명확히 설정

했다. 이는 AI 기술을 활용하는 수요 산업 전체를 포괄할 때 발생할 수 있는 통계의 

왜곡(중복 계상, 과대 추정 등)을 방지하고, AI 산업 자체의 순수한 규모와 구조를 정

밀하게 측정하기 위한 현실적인 접근이다.

나아가, 분류체계가 단순히 시장을 나누는 것을 넘어 정부의 정책 수립 및 지원 사

업의 근거 자료로 직접 활용될 수 있도록 설계되었다. 이는 국가 전략 기술 육성 정책

- 61 -

과 직접적으로 연결될 수 있는 실용적인 분류이다.

국내 분류체계(중분류)

IDC 관련 항목

Gartner 관련 항목

1-1 인공지능 시스템  

소프트웨어 개발 및 

공급업

[Software]- AI 시스템 

인프라 소프트웨어- AI 

수명주기 소프트웨어(MLOps 

등)

[Software]- GenAI/AI 

인프라

1-2 인공지능 플랫폼 개발 및 

공급업

[Software]- 인공지능 

플랫폼(전체) - 생성형AI 

소프트웨어 서비스(LLM API 

등) - 대화형AI 소프트웨어 

서비스

[Software]- GenAI/AI 모델

1-3 인공지능 애플리케이션 

개발 및 공급업

[Software]- AI 

애플리케이션(전체) - 

CRM/ERM 애플리케이션- 

콘텐츠 워크플로 및 관리 

애플리케이션

[Software]- GenAI/AI 

애플리케이션

1-4 기타 인공지능 

소프트웨어 개발 및 

공급업

[Software]- 기타AI 

소프트웨어 서비스

해당 없음

2-1 인공지능 인프라 구축 및 

관리 서비스업

[서비스]- IT 서비스(시스템 

통합, 인프라 관리 등)

[서비스]- GenAI/AI 인프라 

구현- GenAI/AI 인프라 

운영관리 서비스

2-2 인공지능 애플리케이션 

구축 및 관리 서비스업

[서비스]- IT 

서비스(애플리케이션 개발, IT 

구축 등)

[서비스]- GenAI/AI 

애플리케이션 구현- 

GenAI/AI 애플리케이션 

운영관리 서비스

2-3 인공지능 호스팅 및 관련 

서비스업

[하드웨어]- IaaS

[하드웨어]- AI 최적화IaaS

2-4 인공지능 기술 및 

비즈니스 지원 서비스업

[서비스]- 비즈니스 

서비스(AI 비즈니스 컨설팅 

등) - IT 서비스(IT 컨설팅, 

IT 교육 등)

[서비스]- GenAI/AI 

비즈니스 컨설팅- GenAI/AI 

기술 컨설팅

2-5 기타 인공지능 정보 

서비스업

[Software]- 검색 및 지식 

발견 소프트웨어

해당 없음

3-1 인공지능 반도체 제조업

[하드웨어]- 서버(GPU, 

NPU, TPU 포함)

[하드웨어]- AI 최적화 서버

3-2 인공지능 네트워크 장비 

제조업

[하드웨어]- 네트워크 장비

해당 없음

3-3 인공지능 서버 제조업

[하드웨어]- 서버

[하드웨어]- AI 최적화 서버

3-4 인공지능 스토리지 

제조업

[하드웨어]- 스토리지

해당 없음

(참고) 국내 분류에 없는 항목

(해당 없음)

[디바이스]- GenAI/AI 

스마트폰- AI PC

[표 4-

7

] 국내 인공지능산업 분류체계와 IDC·Gartner 분류체계 매칭

본 AI 산업 분류체계는 글로벌 분류체계의 핵심적인 구조와 개념을 충실히 반영하여 

국제적 비교 가능성을 확보하는 동시에, KSIC 연계를 통해 국내 통계 환경과의 정합성 

및 정책적 실용성을 높였다. 이는 빠르게 변화하는 AI 산업의 글로벌 동향을 반영하

고, 국내 산업 생태계의 현실을 담아낼 수 있는 균형점을 마련한 것이다.

- 62 -

인공지능산업 분류체계 매칭

CB Insights AI 스택 분류

1. 인프라 (Infrastructure)

대분류 1. 인공지능 소프트웨어 개발 및 공급업 

  1-1 인공지능 시스템 소프트웨어 개발 및 공급업 

대분류 2. 인공지능 구축·관리 및 관련 정보 서비스업

  2-1 인공지능 인프라 구축 및 관리 서비스업

  2-3 인공지능 호스팅 및 관련 서비스업

대분류 3. 인공지능 연산 및 처리 부품/장치 제조업

  3-1 인공지능 반도체 제조업

  3-2 인공지능 네트워크 장비 제조업

  3-3 인공지능 서버 제조업

  3-4 인공지능 스토리지 제조업 

AI 모델을 훈련하고 운영하는 데 필요한 

기반 하드웨어, 클라우드 플랫폼, MLOps 

소프트웨어 등 핵심 기반 시설 계층. 

물리적 장비 제조부터 관련 소프트웨어, 

구축 및 운영 서비스까지 포괄

2. AI 모델 & 플랫폼 (AI Models & Platforms)

대분류 1. 인공지능 소프트웨어 개발 및 공급업   

  1-2 인공지능 플랫폼 개발 및 공급업

거대언어모델(LLM)과 같은 파운데이션 

모델과 개발자들이 AI 기능을 쉽게 

활용하고 통합할 수 있도록 제공되는 

API 및 개발 플랫폼

3. AI 애플리케이션 (AI Applications)

대분류 1. 인공지능 소프트웨어 개발 및 공급업 

  1-3 인공지능 애플리케이션 개발 및 공급업 

대분류 

대분류 2. 인공지능 구축·관리 및 관련 정보 

서비스업 

  2-2 인공지능 애플리케이션 구축 및 관리 

서비스업

  2-4 인공지능 기술 및 비즈니스 지원 서비스업

최종 사용자가 특정 목적을 위해 직접 

사용하는 AI 기반의 소프트웨어 및 

서비스

산업별, 기능별 특화된 솔루션이 해당

[표 4-

8

] 국내 인공지능산업 분류체계와 CB Insights AI 스택 분류 매칭

제5절 분류체계 구분을 위한 참고사항

인공지능 산업 분류체계의 적용에 있어, 특히 혼동하기 쉬운 ‘플랫폼’과 ‘애플리

케이션’, 그리고 ‘소프트웨어 개발’과 ‘구축 및 관리 서비스’ 간의 구분 기준은 

다음과 같다.

‘플랫폼(Platform)’과 ‘애플리케이션(Application)’은 핵심 기준에서 차이를 보인

다. 플랫폼은 인공지능 기술을 다른 서비스나 사용자가 활용할 수 있도록 제공하는 기

반(Infra/API)을 의미한다. 반면, 애플리케이션은 인공지능 기술을 특정 목적이나 업무

에 직접 적용하여 사용자에게 완성된 서비스로 제공하는 것을 말한다.

기능적 역할에서도 차이가 있다. 플랫폼은 AI 개발과 운영을 지원하는 공통 기능 제

- 63 -

공자(도구, 환경, API 제공)의 역할을 수행하지만, 애플리케이션은 AI 기능을 특정 산업

이나 도메인의 문제 해결에 직접 적용하는 사용자 서비스로서의 역할을 한다.

이에 따라 사용 주체도 구분된다. 플랫폼은 주로 제3의 개발자, 기업, 서비스 사업자 

등 B2B 중심인 반면, 애플리케이션은 일반 사용자 또는 특정 산업 수요자를 대상으로 

하여 B2C와 B2B가 혼합되는 특징을 가진다. 기술 구조 측면에서도, 플랫폼은 다수의 

모델, 데이터, 모듈을 연계하거나 호출할 수 있는 확장형 구조를 가지며, 애플리케이션

은 하나의 모델 또는 특정 기능 중심의 완결형 구조를 가진다.

구분 항목

플랫폼(Platform)

애플리케이션(Application)

핵심 기준

인공지능 기술을 다른 서비스나 

사용자가 활용할 수 있도록 제공하는 

기반(Infra/API)

인공지능 기술을 특정 목적·업무에 

직접 적용하여 완성된 서비스로 제공

기능적 역할

AI 개발·운영을 지원하는 공통 기능 

제공자(도구·환경·API 제공)

AI 기능을 특정 산업·도메인 문제 

해결에 직접 적용하는 사용자 서비스

사용 주체

제3의 개발자, 기업, 서비스 사업자 

(B2B 중심)

일반 사용자 또는 특정 산업 수요자 

(B2C·B2B 혼합)

기술 구조

다수의 모델·데이터·모듈을 

연계·호출할 수 있는 확장형 구조

하나의 모델 또는 특정 기능 중심의 

완결형 구조

[표 4-

9

] 인공지능 분류상 플랫폼과 애플리케이션의 구분

‘1-3. 인공지능 애플리케이션 소프트웨어 개발 및 공급업’과 ‘2-2. 인공지능 애플

리케이션 구축 및 관리 서비스업’은 산업의 성격에서 뚜렷한 차이를 보인다. 1-3(개

발 및 공급업)은 제품 중심(Product-oriented)의 산업이며, 2-2(구축 및 관리 서비스업)

는 서비스 중심(Service-oriented)의 산업이다.

핵심 활동을 기준으로 볼 때, 개발 및 공급업은 AI 기술을 적용한 응용 소프트웨어

를 기획·개발하여 시장에 판매하는 활동이다. 이에 반해 구축 및 관리 서비스업는 고

객의 맞춤형 요구에 따라 AI 애플리케이션을 구축·설치·운영·관리하는 활동이다.

산출물에서도 차이가 명확하다. 개발 및 공급업의 산출물은 ‘완성된 소프트웨어 제

품’(패키지, 앱, SaaS 등)이며, 구축 및 관리 서비스업의 산출물은 특정 기관이나 기

업에 맞춤형으로 구현된 ‘AI 시스템’이다.

주요 고객층을 보면, 개발 및 공급업은 다수의 일반 사용자를 대상으로 시장에 판매

- 64 -

하는 것을 목적으로 하지만, 구축 및 관리 서비스업는 특정 기업이나 기관을 대상으로 

하는 B2B 프로젝트 중심이다.

예를 들어, ‘AI 번역 프로그램’, ‘AI 회의요약 앱’ 등은 개발 및 공급업에 속한

다. 반면, ‘병원용 AI 진단 시스템 구축 서비스’, ‘제조공정 불량탐지 AI 솔루션 커

스터마이징’, ‘고객센터용 챗봇 시스템 구축 및 유지관리’ 등은 구축 및 관리 서비

스업에 해당한다.

사업 형태 및 KSIC 연계 측면에서, 개발 및 공급업은 제품을 만들어 공급하는 개발

회사 중심으로(KSIC 58222 연계), 구축 및 관리 서비스업는 고객 환경에 설치·운영하

는 IT 서비스기업(SI·운영대행업) 중심으로(KSIC 62010~62021 연계) 이루어진다.

요약하자면, 개발 및 공급업은 AI를 이용해 ‘앱을 만든 회사’이고, 구축 및 관리 

서비스업는 그 앱을 ‘고객 맞춤형으로 설치·운영해주는 회사’로 구분할 수 있다.

구분

1-3. 인공지능 애플리케이션 소프트웨어 

개발 및 공급업

2-2. 인공지능 애플리케이션 구축 및 

관리 서비스업

산업 

성격

제품 중심(Product-oriented)

서비스 중심(Service-oriented)

핵심 

활동

AI 기술을 적용한 응용 소프트웨어를 

기획·개발·판매

고객 맞춤형 AI 애플리케이션을 

구축·설치·운영·관리

산출물

완성된 소프트웨어 

제품(Product)(패키지, 앱, SaaS 등)

특정 기관·기업에 맞춤형 AI 

시스템(Implementation)

주요 

고객층

다수의 일반 사용자(시장판매 목적)

특정 기업·기관(B2B 프로젝트 중심)

사업 

형태

“제품을 만들어 공급하는” 개발회사 중심 

(SW 출판·공급업)

“고객 환경에 설치·운영하는” IT 

서비스기업 중심 (SI·운영대행업)

KSIC연

계

응용 소프트웨어 개발 및 공급업 

(58222)

컴퓨터 프로그래밍·시스템통합 자문 및 

구축 서비스업 (62010·62021)

특징

AI를 이용해 ‘앱을 만든 회사’

그 앱을 ‘고객 맞춤형으로 

설치·운영해주는 회사’

[표 4-

10

] 인공지능 애플리케이션 소프트웨어 개발 및 공급업과 구축 및 관리 서비스업 구분

제6절 분류 활용 방향

인공지능산업 분류체계의 활용 방향은, 시장 형성 초기 단계인 인공지능 산업의 특

성을 고려하여 설정된다. 정부 주도의 기초 통계 생산과 민간 참여 유도를 통해 산업 

생태계 기반을 마련하고, 이 분류체계를 정책 수립 및 정보 제공의 핵심 자료로 활용

한다.

인공지능산업 분류의 정책·산업적 활용 방안으로, 개편된 분류체계를 근거로 기업 

규모·산업 구조·기술 보유 현황 등을 체계적으로 파악한다. 이는 산업 육성 정책 설

- 65 -

계와 기업 지원 전략의 정밀성을 높이고, 국내·외 판로 개척을 위한 지원 자료로 적

극 활용된다.

AI 산업 분류체계 기반의 정책 및 지원 활용계획으로는, 인공지능산업실태조사와 연

계된 분류체계를 통해 기업의 애로사항 및 요구사항을 정량적·정성적으로 수집하는 

것이 있다. 이는 정책 개선 및 제도 보완에 반영되어 현장의 수요에 부응하는 정책 추

진을 지원하게 된다.

인공지능산업 분류의 활용 및 확산 전략으로는 KSIC 등 기존 산업통계와 연계 가능

한 구조를 활용하는 것이 있다. 이를 통해 산업 간 비교·국제적 벤치마킹이 가능하도

록 하여, 글로벌 동향에 맞춘 국가 전략 수립과 국제 협력 기반을 강화한다.

AI 산업 분류체계의 적용 및 정책 연계 방안으로는, 주기적인 통계 갱신과 산업 변

화 반영을 통해 AI+X 융합산업 등 신유형 분야를 포괄적으로 관리하며, 지속 가능한 

통계 관리체계를 구축하는 것이 있다.

- 66 -

제5장 인공지능산업 분류체계 모집단 정비 방안

제1절 기본 방향

 모집단 정비의 기본 방향은 기존 통계의 연속성을 유지하면서도 산업 구조 변화에 

유연하게 대응하는 것이다. 기존 「인공지능산업실태조사」는 2018년 수립된 분류체계

를 기반으로 구축된 약 2,500개 기업의 모집단을 활용해왔다. 그러나 최근 생성형 AI, 

AI 플랫폼, 데이터 서비스, AI 반도체 등 신산업이 등장하면서, 기존 분류체계만으로는 

이러한 산업 구조의 변화를 충분히 포착하기 어려워졌다.

이에 따라 기존 모집단을 전면적으로 유지하되, ① 개선된 산업분류체계에 따른 사

전 재분류(Pre-classification), ② 산업구조 변화에 대응한 신규 모집단 확충, ③ 응답기

업의 자가분류 방식 도입, ④ 사후 검증 및 정기 갱신 체계 구축을 단계적으로 추진하

는 것을 기본 방향으로 설정하였다. 

이러한 체계는 통계의 연속성을 확보하는 동시에, 기업의 자율적 판단을 반영하여 

현실 변화에 대응할 수 있는 유연한 조사체계를 마련하는 것을 목표로 한다.

제2절 추진전략 및 세부 추진 방안

모집단 정비는 4단계의 구체적인 추진 전략을 통해 실행된다. 1단계는 ‘기존 모집

단 유지 및 사전 재분류’이다. 현행 약 2,500~2,800개 기업의 모집단을 전면 유지하

고, 이를 개선된 산업분류체계(3대분류-13중분류 기준)에 따라 사전 분류하는 작업을 

수행한다. 이 과정은 KSIC 코드, 사업자등록정보, 그리고 기업의 주요 서비스·제품 키

워드를 기반으로 자동 매핑과 수작업 검토를 병행하여 예비 분류코드를 부여한다. 이 

사전 분류 결과는 조사 설계(표본추출, 문항 라우팅 등)와 통계 정합성 확보를 위한 

기초자료로 활용된다.

2단계는 ‘신규 모집단 확충 및 병합’이다. 생성형 AI, AI 데이터 서비스, AI 클라우

드, AI 반도체 등 신규 산업군을 중심으로 기존에 포함되지 않았던 기업을 추가로 발

굴한다. 이를 위해 과기정통부 AI 바우처 사업, NIA AI 허브 등록기업, AIIA 회원사, 민

간 AI 스타트업·R&D 수행기관 DB 등 관련 기관의 외부 데이터베이스와 연계한다. 

신규로 식별된 기업은 중복 정제 및 통합 관리체계를 통해 기존 모집단에 병합함으로

- 67 -

써 AI 산업 전반을 포괄하는 통합 모집단을 구축한다.

3단계는 ‘조사단계의 자가분류(Self-classification) 도입’이다. 조사 응답 시 기업이 

스스로 자사의 주요 산업유형(대분류·중분류)을 선택하도록 문항을 설계한다. 이때 

응답자의 이해를 돕기 위해 각 분류별 업종 정의와 대표 예시(기업명·서비스 유형)를 

함께 제시한다. 복수 사업 영역을 가진 기업은 ‘주요 사업(Primary)’과 ‘부사업

(Secondary)’을 구분하여 응답할 수 있도록 허용하며, 이 자가분류 결과는 향후 분류

체계 검증 및 개선을 위한 자료로 활용된다.

4단계는 ‘사후 검증 및 정기적 갱신 체계 구축’이다. 조사 완료 후, 기업의 자가응

답 결과와 연구진의 사전분류 결과를 교차 비교하여 불일치 항목을 검토하고 일치

율·편차를 분석한다. 이 불일치 항목 검토를 통해 분류체계의 현실 적용성 및 기업의 

인식 차이를 파악하고, 분류체계의 정의나 문항 표현을 개선하는 근거로 삼는다. 또한, 

매년 산업 변화(신설·폐업, 업종 전환)를 반영한 정기 갱신형 모집단 관리체계를 구

축하고 운영한다.

구분

주요 목표

세부 내용

1단계

기존 모집단 유지 

및 사전 재분류

- 현행 약 2,500~2,800개 기업의 모집단을 전면 유지하고, 개선된 

산업분류체계(3대분류–13중분류 기준)에 따라 사전 분류 수행

- KSIC 코드, 사업자등록정보, 기업의 주요 서비스·제품 키워드를 

기반으로 예비 분류코드 부여

- 사전 분류 결과는 조사 설계(표본추출, 문항 라우팅 등)와 통계 

정합성 확보를 위한 기초자료로 활용

2단계

신규 모집단 확충 

및 병합

- 생성형 AI, AI 데이터 서비스, AI 반도체, AI 플랫폼 등 신규 

산업군 중심의 추가 기업 발굴

- 과기정통부 AI 바우처 사업, NIA AI 허브 등록기업, AIIA 

회원사, AI 스타트업 DB 등 외부 데이터베이스와 연계

- 신규 식별 기업을 기존 모집단에 병합하여 AI 산업 전반을 

포괄하는 통합 모집단구축

3단계

조사단계: 

자가분류(Self-cl

assification)

- 조사 응답 시 기업이 스스로 자사의 주요 

산업유형(대분류·중분류)을 선택하도록 문항 설계

- 각 분류별 업종 정의와 대표 예시(기업명·서비스 유형)를 함께 

제시하여 응답의 이해도 제고- 복수 사업영역을 가진 기업은 

‘주요 사업(Primary)’과 ‘부사업(Secondary)’을 구분 응답가능

- 기업의 자율적 응답 결과는 향후 분류체계 개선 및 정책분석에 직접 

반영

4단계

사후 검증 및 

정기적 갱신 체계 

구축

- 조사 완료 후, 기업 자가응답 결과와 연구진의 사전분류 결과를 

교차 비교하여 불일치 항목 검토

- 일치율 분석을 통해 분류체계의 현실적용성 및 기업의 인식 

차이 파악

- 검증·연계체계를 구축하고, 산업 변화(신설·폐업 등)를 반영하여 

모집단을 매년 갱신

[표 5-

1

] 모집단 정비 추진전략

- 68 -

❶ 기존 모집단 유지 및 사전 재분류 (Pre-classification)

⇨ (목적) 조사 설계 및 표본 추출 편의 목적

• 기존 약 2,500개 기업 모집단 전면 유지

• 개선된 산업분류체계(3대분류–13중분류) 기준으로 예비 분류코드 부여

• KSIC 코드, 사업자등록정보, 서비스 키워드 기반 자동 매핑

⇩

 ❷ 신규 모집단 확충 및 병합

⇨ (목적) 조사 모집단의 포괄성 및 대표성 강화

• 생성형 AI, AI 데이터 서비스, AI 하드웨어 등 신산업군 중심 발굴

• 과기정통부·NIA·AIIA·AI 바우처 사업 등 참여 기업 등과 DB 연계

• 신규 기업을 선별 후 기존 모집단과 병합

⇩

 ❸ 조사단계 자가분류(Self-classification)

⇨ (목적) 현장 중심의 유연한 산업 식별 구조

• 각 분류별 정의·예시(기업명·서비스유형) 제공

• 응답 기업이 직접 자사 산업유형(대분류·중분류)을 선택

• 복수활동시 ‘주요사업/부사업’ 구분 응답 허용

⇩

❹ 사후 검증 및 정기적 갱신

⇨ (목적) 지속 갱신형 AI 산업 모집단 관리체계 확립

• 사전분류 결과 vs 기업 자가응답 비교·검증

• 불일치 항목 재검토 및 최종 산업분류 DB 갱신 / 검증 및 연례 업데이트

[그림 5-

1

] 인공지능산업 실태조사 모집단 정비 절차

제3절 인공지능 생태계 기반 산업분류 선택 방안

아래 그림은 본 보고서에서 제시하는 인공지능산업 분류체계는 응답 기업이 자사의 

비즈니스를 명확히 분류할 수 있도록 지원하는 선택 방안을 제공한다. 이 방안은 기업

이 먼저 앞서 정의된 표준화된 AI 생태계(기술 스택) 관점에서 자사의 핵심 비즈니스 

영역이 어디에 속하는지 파악한 후, 이를 본 연구에서 개발한 산업 분류체계의 중분류 

- 69 -

항목과 정확하게 연계할 수 있도록 돕는 역할을 한다.

선택 방안의 구체적인 절차는 다음과 같다. 먼저 생태계 분야를 먼저 선택한다. 인공

지능 기업은 가장 먼저 자사의 핵심 비즈니스 활동이 AI 생태계의 5가지 핵심 계층, 

‘하드웨어’, ‘시스템’, ‘플랫폼’, ‘애플리케이션’, ‘호스팅 서비스’, ‘기술/

정보 서비스’ 중 어디에 연관되는지 선택한다.

다음으로 ‘하드웨어’ 계층과 연계된다면, 이는 AI 연산 및 처리에 필요한 물리적 

부품 및 장치를 제조하는 활동에 해당한다. 이 경우, 대분류 ‘3. 인공지능 연산 및 처

리 부품/장치 제조업’ 내에서 자사의 핵심 제품에 따라 ‘3-1 인공지능 반도체 제조

업’, ‘3-2 인공지능 네트워크 장비 제조업’, ‘3-3 인공지능 서버 제조업’, ‘3-4 

인공지능 스토리지 제조업’ 중 하나를 최종 중분류로 선택한다.

‘시스템’, ‘플랫폼’, ‘애플리케이션’ 분야 연계 기업의 활동이 AI 소프트웨어

의 핵심 계층인 ‘시스템’, ‘플랫폼’, ‘애플리케이션’ 중 하나와 연계될 경우, 그 

활동의 성격에 따라 두 가지 경로로 나뉜다.

만약 기업의 핵심 비즈니스가 AI 소프트웨어 ‘제품’을 직접 기획, 개발하여 시장

에 공급(판매)하는 것이라면, 이는 대분류 ‘1. 인공지능 소프트웨어 개발 및 공급업’

에 해당한다. 이 경우, 해당 소프트웨어의 기능에 따라 ‘시스템 소프트웨어’, ‘플랫

폼’, 또는 ‘애플리케이션’ 중에서 최종 중분류를 선택한다.

만약 기업의 비즈니스가 이미 개발된 소프트웨어나 기술을 특정 고객(기업, 기관)의 

환경에 맞게 통합(SI), 구축하고, 안정적으로 운영·관리하는 ‘서비스’를 제공하는 

것이라면, 이는 대분류 ‘2. 인공지능 구축·관리 및 관련 정보 서비스업’에 해당한

다. 이 경우, 서비스의 대상에 따라 ‘2-1 인공지능 인프라 구축 및 관리 서비스업’ 

또는 ‘2-2 인공지능 애플리케이션 구축 및 관리 서비스업’을 선택한다.

기업의 비즈니스가 AI 학습 및 운영에 필요한 서버, 스토리지 등 인프라 자원을 클

라우드나 데이터센터를 통해 임대·제공하는 ‘호스팅 서비스’ 계층과 연관된다면, 

‘2-3 인공지능 호스팅 및 관련 서비스업’을 최종 중분류로 선택한다.

기업의 비즈니스가 AI 도입 컨설팅, 데이터 구축·가공, 교육 등 생태계 전반의 활용

을 지원하는 ‘기술/정보 서비스’ 계층에 해당한다면, ‘2-4 인공지능 기술 및 비즈

니스 지원 서비스업’을 최종 중분류로 선택한다.

- 70 -

[그림 5-

2

] 인공지능 생태계와 인공지능산업 분류체계 연계

- 71 -

제6장 연구요약 및 결론

제1절 연구 요약 

본 연구는 국가승인통계인 「인공지능산업 실태조사」에 적용되는 기존 인공지능 산

업 분류체계의 개선을 목표로 한다. 2018년 개발된 현행 분류체계는 생성형 AI 등장 

등 급격한 기술 및 산업 패러다임 변화를 반영하지 못하는 한계가 지적됐다. 신기술·

신규 비즈니스 모델 식별의 어려움은 정확한 통계 기반 확보와 정책 수립의 실효성을 

저해하는 요인이었다. 이에 본 연구는 산업 구조 변화를 반영하고 통계의 신뢰성과 일

관성을 높이기 위한 개선안 마련을 목적으로, 전문가 자문단 운영, 국내외 사례 비교 

분석, 신규 분류체계(안) 도출 및 모집단 개선 방안 마련 등을 수행했다. 궁극적으로 

AI 산업 범위를 명확히 정의하고 최신 동향을 반영한 분류체계를 수립하여, AI 산업 

실태 파악 및 정책 수립의 근거자료로 활용될 통계 인프라 강화를 목표로 한다.

국내 AI 관련 통계 현황을 파악하기 위해 「인공지능산업 실태조사」를 포함한 6개 

주요 국가 통계를 분석했다. 이들 통계는 공급자 중심(예: 인공지능산업 실태조사, 기

업활동조사)과 수요자 중심(예: 기업정보화 통계조사), 인력 중심(예: ICT 전문인력 수

급 실태조사) 등으로 구분되며, 각기 다른 목적과 관점에서 AI 산업을 측정하고 있었

다. 그러나 조사 간 정의와 범위의 불일치로 통계 연계성이 부족하다는 문제가 확인됐

다.

해외 사례로는 미국, 유럽, OECD 및 주요 시장조사기관(IDC, Gartner, CB Insights)의 

접근 방식을 검토했다. 미국과 OECD는 산업 분류보다는 AI R&D 전략, 위험 관리, 사

회적 영향 평가 등 정책·거버넌스 중심의 프레임워크를 제시하는 경향을 보였다. 유

럽(Eurostat)은 AI 기술의 실제 활용도에 초점을 맞춘 수요자 중심의 다차원 코드 분류 

방식을 사용했다. 반면, IDC, Gartner, CB Insights는 AI 시장 규모, IT 지출, 기술 스택

(인프라-플랫폼-애플리케이션) 등 공급자 및 시장 분석 관점에서 체계적인 분류 기준

을 제시했으며, 특히 생성형 AI, AI 수명주기, AI 내장 디바이스 등을 반영하는 최신 

동향을 보여주었다. 이들 해외 사례는 국내 분류체계 개선 방향 설정에 중요한 참고자

료로 활용됐다.

분류체계 개선의 전문성, 정책 활용성, 국제 정합성, 객관성 확보를 위해 산업통계, 

산업정책, 통계분류, 기술 전문가 7인으로 구성된 자문단을 운영했다. 자문은 2025년 7

- 72 -

월부터 10월까지 사전 기획 인터뷰 1회와 종합 대면 자문회의 3회, 별도의 기술분야 

서면 자문 1회로 진행됐다.

자문 과정은 단계별로 진행됐다. 사전기획 인터뷰에서는 현행 체계의 한계 진단 및 

개편 방향성의 기초를 탐색했다. 1차 회의에서는 분류 기준을 ‘기술’이 아닌 ‘품

목’ 중심으로 확정하고, ‘기술’은 별도 설문 문항으로 분리하는 핵심 원칙을 수립

했다. 2차 회의에서는 ‘플랫폼’과 ‘애플리케이션’의 구분 기준(수익 모델, 제공 방

식 등)을 구체화하고, ‘유통업’ 조사 제외 등 실무 적용 쟁점을 정리했다. 3차 회의

에서는 용어 및 정의를 최종 확정하고, 응답자 친화적 설계(도식 제공, 자가분류 도입) 

방안을 마련했다. 기술분야 자문에서는 ‘산업 분류’와 별개로 활용될 ‘기술 분

류’(인지 지능, 생성·응용 지능, 기반 기술) 체계를 정립하고 용어를 정비했다.

전문가 자문 결과를 바탕으로 분류체계 개선의 최종 방향성을 설정했다. 먼저, 기존 

국가승인통계인 「인공지능산업 실태조사」의 성과와 한계(신기술 미반영, 세분화 부

족, 정책 활용성 제약 등)를 재확인했다. 이후, 전문가 자문을 통해 진행된 분류체계 

개정 연구 과정을 요약했다.

개선 방향 도출은 자문회의 단계별 결과 종합을 통해 이루어졌다. 사전기획 단계에

서 ‘품목 중심’ 전환 및 ‘AI 기본법’ 준용 원칙을 설정했고, 1차 회의에서 ‘기

술’ 분류 분리 및 신규 영역 처리 방침을 확정했다. 2차 회의에서는 ‘플랫폼-애플리

케이션’ 구분 기준 구체화 및 ‘유통업’ 조사 제외 등 실무 적용성을 검토했으며, 3

차 회의에서 용어 최종 정비, 정의 단순화, ‘자가분류’ 도입 등을 확정했다.

또한, AI 산업을 보다 체계적으로 이해하기 위해 AI 생태계를 하드웨어, 시스템, 플

랫폼, 애플리케이션, 서비스(호스팅, 기술/정보)의 5가지 핵심 계층으로 구분하는 모델

을 제시하고, 이것이 IDC, Gartner 등 글로벌 분류체계와 정합성을 가짐을 설명했다. 

이는 향후 기업들이 개정된 분류체계 내에서 자신의 위치를 파악하는 데 도움을 줄 

것이다.

본 연구의 결과로 인공지능산업 분류체계 개정(안)을 제시했다. 산업 활동 범위는 

‘인공지능 기본법’ 정의를 준용하되, 실태조사 모집단은 AI를 개발·제공하는 ‘인

공지능개발사업자’와 개발된 AI를 이용해 제품·서비스를 생산하는 ‘소프트웨어 산

업군 소속 인공지능이용사업자’로 한정했다.

분류 체계 구조는 기존 3개 대분류(‘소프트웨어 개발 및 공급업’, ‘구축·관리 및 

관련 정보 서비스업’, ‘연산 및 처리 부품/장치 제조업’)를 유지하면서, 전문가 자

- 73 -

문을 거쳐 13개 중분류로 세분화했다. 각 중분류는 명확한 업종 정의, 포함 예시, 제외 

기준을 제시하고, 한국표준산업분류(KSIC)와의 연계표를 함께 제공하여 통계 작성의 

일관성과 타 통계와의 비교 가능성을 확보했다.

또한, 산업 분류와 별도로 기업의 핵심 기술 역량을 파악하기 위한 ‘인공지능 기술 

분류’(3대분류, 12중분류)를 정의하고, 이를 실태조사 시 별도 문항으로 활용하여 

‘산업-기술 교차분석’을 가능하게 함으로써 심층적인 산업 현황 분석 기반을 마련

했다.

개정된 분류체계는 IDC, Gartner, CB Insights 등 해외 주요 분류체계와의 비교를 통

해 글로벌 정합성을 검증했으며, KSIC 연계 및 공급자 중심 범위 설정 등 국내 산업 

현실과 정책 환경을 반영한 특징을 명확히 했다. 마지막으로, ‘플랫폼 vs 애플리케이

션’, ‘개발 vs 구축·관리’ 등 혼동하기 쉬운 분류 구분에 대한 참고사항을 제공하

여 응답자의 이해를 돕고자 했다.

개선된 분류체계의 안정적인 실태조사 적용을 위해 모집단 정비 방안을 수립했다. 

기본 방향은 기존 통계의 연속성을 유지하면서 산업 구조 변화에 유연하게 대응하는 

것으로, 4단계 추진 전략을 제시했다.

1단계는 기존 약 2,500개 기업 모집단을 유지하며 개선된 분류체계에 따라 사전 재

분류하는 것이다. 2단계는 생성형 AI, AI 반도체 등 신규 산업군 중심으로 외부 DB 연

계를 통해 신규 기업을 발굴하여 모집단을 확충·병합하는 것이다. 3단계는 조사 시 

기업이 스스로 산업 유형을 선택하는 ‘자가분류(Self-classification)’ 방식을 도입하여 

현장 중심의 유연한 식별 구조를 마련하는 것이다. 4단계는 조사 완료 후 사전분류 결

과와 자가분류 결과를 비교 검증하고, 매년 산업 변화를 반영하여 모집단을 정기적으

로 갱신하는 체계를 구축하는 것이다.

또한, 응답 기업이 자신의 비즈니스를 개정 분류체계와 쉽게 연계할 수 있도록, AI 

생태계(하드웨어-시스템-플랫폼-애플리케이션-서비스) 모델 기반의 산업분류 선택 가

이드라인을 제공했다. 이는 기업이 생태계 내 자신의 위치를 먼저 파악한 후, 해당 계

층과 연관된 적절한 중분류 항목을 선택하도록 안내하는 방식이다

제2절 결론

본 연구는 2018년 수립된 기존 인공지능 산업 분류체계가 생성형 AI 등장 등 급변하

는 기술 및 산업 환경을 더 이상 정확히 반영하지 못한다는 문제 인식에서 출발했다. 

- 74 -

기존 체계의 한계(신기술 미반영, 세분화 부족, 정의 모호성 등)는 통계의 신뢰도를 저

하시키고 효과적인 정책 수립을 어렵게 만드는 요인이었다.

이에 본 연구는 ‘인공지능 기본법’ 제정 취지를 반영하고 국내외 선행 사례

(OECD, IDC, Gartner 등)를 면밀히 검토했으며, 다분야 전문가 자문을 통해 실효성과 

타당성을 검증하여 새로운 인공지능 산업 분류체계 개정(안)을 도출했다.

개정(안)은 기존 3개 대분류 체계를 유지하면서 산업 현실과 국제 기준을 반영하여 

13개 중분류로 세분화했으며, 각 분류 항목에 대한 명확한 정의, 구체적인 예시, 제외 

기준 및 KSIC 연계표를 제공하여 통계 작성의 일관성과 활용성을 크게 높였다. 특히, 

산업 분류와 별개로 ‘인공지능 기술 분류’(12개 중분류)를 제시하여, 향후 실태조사

에서 ‘산업-기술 교차분석’을 통해 AI 산업을 더욱 입체적으로 파악할 수 있는 기

반을 마련했다.

더불어, 개정된 분류체계의 안정적인 통계 조사 적용을 위해 모집단 정비 방안(기존 

유지+신규 확충+자가분류+사후 검증)을 구체적으로 제시했다.

결론적으로, 본 연구는 AI 산업의 최신 동향과 국내 실정을 반영한 체계적이고 실용

적인 분류체계 개정(안)과 그 적용 방안을 마련함으로써, 향후 인공지능 산업 통계의 

품질을 제고하고 정확한 산업 진단과 효과적인 정책 수립을 지원하는 데 기여할 것으

로 기대된다.

- 75 -

참  고  문  헌

과학기술정보통신부·소프트웨어정책연구소(2024), 「2023 인공지능산업 실

태조사」

박나연(2023), 「국내 인공지능산업의 통계 현황 및 개선방안」. 월간 KIET 

산업경제, 300, 18-29p.

CB Insights(2025.04.25.) 「AI 100: The most promising artificial intelligence 

startups of 2025」.

EU(2021). "Creation of a taxonomy for the_european ai ecosystem".

Gartner (2025), 「Forecast Alert: GenAI IT Spending(2023-2028)」.

IDC(2025) 「Worldwide Artificial Intelligence Technology Definitions」.

IDC(2025), 「IDC's Worldwide AI and Generative AI Spending Guide 

Taxonomy」.

Mawson Inc. (2024). Decoding the AI Stack and How to Succeed in the AI 

Value Chain.

MDPI. (2024). AI Ecosystem and Value Chain: A Multi-Layered Framework.

NIST(2023), "Artificial Intelligence Risk Management Framework (AI RMF 

1.0)".

NSTC(2023). "NATIONAL ARTIFICIAL INTELLIGENCE RESEARCH AND 

DEVELOPMENT STRATEGIC PLAN 2023 UPDATE".

- 76 -

OECD(2022), "OECD FRAMEWORK FOR THE CLASSIFICATION OF AI 

SYSTEMS".

University of Manchester. (2024). Constructing an AI Value Chain and 

Ecosystem Model. Digital Development Working Paper.

- 77 -

부록 1

 IDC Worldwide Artificial Intelligence Technology Definitions

기술 그룹

기술 범주

기술

기술 설명

하드웨어 

IaaS 

IaaS 

▪ 서비스형 인프라(IaaS)는 공공 클라우드 서비스 제공에 대한 자격 기준에 따라 정의된 바와 같이, 

컴퓨팅(서버), 스토리지 및 네트워킹을 서비스로 제공하는 것을 의미하며, 이는 IDC의 전 세계 인공지능 

지출 가이드에 따른 AI 솔루션 지원의 맥락에서 정의됨

　

네트워크 

장비

네트워크 장비

▪ AI 데이터센터 네트워킹에는 수신 트래픽(데이터 및 음성)을 분석하여 목적지 주소를 결정하는 장치인 

이더넷 스위치가 포함됨

▪ 이 주소는 스위칭 매트릭스를 통해 트래픽을 적절한 발신 물리적 통신 포트/링크로 전송하는 전송 경로를 

설정하는 데 사용됨

　

서버

서버

▪ IDC는 서버 시스템을 네트워크를 통해 서비스에 액세스하고 제공하는 다중 사용자 컴퓨팅 장치로 정의함

▪ 서버와 서버에서 실행되는 애플리케이션은 일반적으로 여러 사용자가 공유함

▪ 클라이언트 장치와 달리 서버는 일반적으로 인간-기계 상호 작용을 위한 사용자 인터페이스를 갖지 않음

▪ 일반적인 서버 시스템은 하나 이상의 프로세서, 마더보드, 메모리, 내장 디스크 또는 플래시 스토리지, 

번들 운영 체제, 전원 공급 장치, 그리고 네트워크 인터페이스로 구성됨

▪ AI 중심 서버에는 AI 플랫폼, AI 애플리케이션, AI 지원(기존) 애플리케이션, AI 애플리케이션 개발 및 

배포(AD&D) 소프트웨어 중 하나 이상을 실행하는 서버가 포함됨

　

스토리지 

스토리지 

▪ 외부 스토리지는 애플리케이션 서버 인클로저 외부에 있는 모든 엔터프라이즈 스토리지 시스템(ESS)을 

포함함

▪ IDC는 외부 스토리지 시스템을 전원 공급 장치, 냉각 장치, 시스템 인클로저, 스토리지 컨트롤러, 시스템 

케이블 및 외부 연결, 그리고 하드 디스크 드라이브(HDD) 및/또는 플래시 형태의 저장 매체를 포함하여 

지속적인 데이터 저장 리소스를 제공하는 스토리지 요소의 집합으로 정의함. 간단히 말해, 외부 스토리지 

시스템은 디지털 데이터의 처리, 관리 및 저장을 지원하는 데 사용됨

▪ IDC는 엔트리 레벨 비즈니스 스토리지를 엔터프라이즈 스토리지 시스템과는 별도의 시장으로 간주하므로 

모든 ESS 시장 규모 산정에서 제외함

▪ AI 중심 외부 스토리지 시스템은 AI 관련 데이터를 저장하고 액세스(및/또는 하이퍼컨버지드 

어플라이언스의 경우 가상화된 컴퓨팅 인스턴스 호스팅)하도록 설계된, 개별적이고 독립형이며 완전한 

시스템임

소프트웨

어 

AI 

애플리케이

션

　

▪ 자동으로 학습, 발견, 추천 또는 예측을 수행하는 프로세스 및 산업 애플리케이션이 포함됨

▪ AI 애플리케이션의 기능은 재무, 영업, 위험 관리, R&D, 조달, HR, 마케팅, 성과 관리 등 다양한 분야에 

걸쳐 적용될 수 있음

▪ 자금세탁 방지, 환자 결과, 통신사 이탈, 소매 가격 책정, 자산 관리, 물류 등은 산업 AI 애플리케이션의 

몇 가지 예에 불과함

▪ AI 애플리케이션은 우리 자신, 우리가 좋아하는 것, 싫어하는 것, 그리고 우리가 하는 일에 대해 

학습하고, 이를 바탕으로 질문에 답하고, 행동을 예측하고, 추천을 제공함

▪ 이러한 애플리케이션은 자연어 처리, 검색, 머신러닝을 활용하여 다양한 분야에서 전문가 지원을 제공함

▪ AI 애플리케이션은 AI 중심 애플리케이션과 AI 비중심 애플리케이션으로 나뉨

- 78 -

기술 그룹

기술 범주

기술

기술 설명

▪ AI 중심 애플리케이션은 AI 기술이 애플리케이션 기능의 핵심이며 필수적인 AI 애플리케이션 또는 

모듈이며, AI 기술을 제거하면 애플리케이션 자체가 더 이상 존재하지 않게 됨

▪ AI 애플리케이션은 일종의 머신 러닝(지도 학습, 비지도 학습, 강화 학습 등)과 사용자/데이터 

상호작용(예: 자연어 처리/자연어 처리, 질의응답 처리, 이미지/비디오 분석, 비전) 또는 지식 표현 기능을 

갖춰야 함

▪ AI 애플리케이션에는 SKU(제품 코드)가 있으며, 매출을 추적하고 보고할 수 있음

▪ 때로는 다른 비즈니스 애플리케이션(예: ERP, CRM, SCM, HCM)과 함께 구매해야 하는 경우도 있음

　

　

콘텐츠 

워크플로 및 

관리 

애플리케이션

▪ AI 중심 콘텐츠 워크플로 및 관리 애플리케이션이 포함됨

▪ 워크플로 및 관리 애플리케이션은 콘텐츠 서비스, 캡처, 문서, 창의성, 설득적 콘텐츠 관리, 전자 증거 

공개 및 법의학, 엔터프라이즈 포털 및 디지털 작업 공간의 7가지 기능적 가치를 포함하는 것으로 정의됨

　

　

고객 관계 

관리(CRM) 

애플리케이션

▪ AI 중심 CRM 애플리케이션이 포함됨

▪ CRM 애플리케이션은 업종(예: 광고, 마케팅, 디지털 커머스, 영업, 고객 서비스, 컨택센터)과 관계없이 

조직 내 고객 대면 비즈니스 프로세스를 자동화하는 것으로 정의됨

▪ 이러한 애플리케이션은 브랜드 구축, 잠재 고객의 고객 전환, 고객 서비스 제공 등 고객의 전체 

라이프사이클을 관리하고 조직이 성공적인 관계를 구축하고 유지할 수 있도록 지원함

▪ 이러한 프로세스를 지원하는 상호작용은 다양한 커뮤니케이션 채널을 통해 이루어질 수 있으며, 이메일, 

전화, 소셜 미디어, 웹사이트 등이 이에 국한되지 않음

　

　

기업 자원 

관리(ERM) 

애플리케이션

▪ AI 중심 ERM 애플리케이션이 포함됨

▪ ERM 애플리케이션은 비즈니스 또는 조직 목표 달성에 필요한 리소스와 관련된 비즈니스 프로세스를 

자동화하고 최적화하도록 설계된 애플리케이션으로 정의되며, 고객 또는 잠재 고객을 대상으로 하거나 

다양한 유형의 엔지니어링에 특화되지는 않음

▪ 자동화되는 리소스에는 인력, 재정, 자본, 자재, 공급업체, 프로젝트, 계약, 주문 및 시설이 포함됨

▪ 결과적으로 생성되는 애플리케이션은 이러한 리소스에 대한 예측, 추적, 경로 지정, 분석 및 보고를 

수행함

▪ 시장에는 특정 산업에 특화된 소프트웨어뿐만 아니라 여러 산업의 요구 사항을 처리할 수 있는 

소프트웨어도 포함됨

▪ ERM 애플리케이션은 통합된 전사적 자원 관리(ERP) 애플리케이션 제품군(기능 영역 전반에 걸쳐 

공통된 데이터 및 프로세스 모델을 제공)을 통해 제공되거나, 회계, 인적 자본 관리(HCM) 또는 조달과 

같은 특정 기능 영역을 자동화하며 통합 제품군의 일부로 제공되지 않는 독립형 애플리케이션으로 제공될 

수 있음

▪ 독립형 애플리케이션이 때때로 "동급 최고"로 언급되지만, 이것이 ERP 제품이 각 기능 영역에서 일부 

독립형 애플리케이션보다 동등하거나 더 나은 기능을 제공할 수 없다는 것을 의미하지는 않음

　

　

기타 AI 

애플리케이션

▪ 콘텐츠 워크플로 및 관리, CRM 또는 ERM 애플리케이션에 포함되지 않는 기타 모든 AI 중심 

프로세스(재무, 판매, 위험 관리, R&D, 조달 등)와 업계(자금 세탁 방지, 환자 결과, 통신사 이탈, 소매 

가격 책정, 자산 관리, 물류 등) AI 중심 애플리케이션이 포함됨

　

인공지능 

플랫폼

AI 수명주기 

소프트웨어

AI 라이프사이클 소프트웨어는 데이터 과학자와 머신러닝 개발자가 AI 및 ML 솔루션의 실험부터 프로덕션 

배포까지 사용하는 도구와 기술을 포괄하며, 여기에는 생성 AI도 포함됨. 이러한 도구와 기술은 데이터 

레이블링 소프트웨어, AI 빌드 소프트웨어, 머신러닝 운영(MLOps) 및 기반 모델 운영 소프트웨어, 

그리고 신뢰할 수 있는 AI 소프트웨어라는 네 가지 하위 시장의 핵심 기능을 지원함

- 79 -

기술 그룹

기술 범주

기술

기술 설명

① (데이터 레이블링 소프트웨어) 

▪ 데이터 레이블링 소프트웨어(훈련 데이터, 데이터 주석, 데이터 태깅 또는 데이터 분류 소프트웨어라고도 

함)는 기업이 레이블링되지 않은 데이터를 레이블이 지정된 데이터로 변환하고 생성 AI 기반 모델을 

포함한 해당 인공 지능 알고리즘을 구축할 수 있는 도구 세트를 제공함

▪ 이러한 도구 내에서 사용자는 주어진 데이터 세트를 입력하면 소프트웨어는 머신러닝 지원 레이블링, 

인간 태스크포스 또는 사용자 직접 레이블을 제공함

▪ 일부 플랫폼은 이 세 가지를 결합하여 사용자(또는 시스템 자체)가 가격, 품질, 속도 등의 요소를 

기반으로 레이블링 작업을 수행할 사람 또는 항목을 선택할 수 있도록 함

▪ 데이터 레이블링 도구는 데이터 유형(예: 이미지, 비디오, 오디오, 텍스트)과 지원하는 해당 유형의 하위 

집합(예: 위성 이미지, LIDAR)에 따라 서로 다름

▪ 주석 유형 또한 다양하며, 이미지 데이터의 경우 이미지 분할 및 객체 감지, 텍스트 데이터의 경우 개체명 

인식(NER) 및 감정 감지, 음성 주석의 경우 전사 및 감정 인식을 포함함

▪ 레이블의 품질을 평가하기 위해 대부분의 도구는 합의 및 실제값과 같은 지표를 사용함

▪ 이 소프트웨어는 종종 데이터 과학 및 머신 러닝 플랫폼과 통합될 수 있으며, 데이터 레이블링 

소프트웨어에서 레이블이 지정된 데이터는 알고리즘 학습에 도움이 됨

② (AI 빌드 소프트웨어) 

▪ AI 빌드 소프트웨어는 고급 머신 러닝 모델과 기반 모델을 구축, 학습 및 조정할 수 있도록 지원함

▪ 일반적으로 데이터 과학자와 머신 러닝 개발자가 고품질 모델을 맞춤 설정하고 구축하기 위한 시작점으로 

사용할 수 있는 미리 구축된 알고리즘과 모델이 포함됨

▪ 이 소프트웨어에는 학습 실행 디버깅 및 프로파일링 기능도 포함되어 있어 학습 및 검증, 혼동 행렬, 학습 

기울기 등 학습 중 실시간 지표를 자동으로 캡처하여 모델 정확도를 향상시킴으로써 학습 프로세스를 

더욱 투명하게 만듦

▪ 또한 모델을 프로덕션 환경에 배포, 검증 및 관리하는 기능도 제공할 수 있음

▪ 배포, 모델 검증(공정성, 설명 가능성, 견고성 및 투명성 포함), 모델 관리(데이터 및 개념 드리프트 

모니터링) 구성 요소가 별도로 또는 독립형 소프트웨어로 판매되는 경우, MLOps 소프트웨어 및 신뢰할 

수 있는 AI 소프트웨어 하위 시장에 포함됨

③ (MLOps 및 기반 모델 운영 소프트웨어) 

▪ MLOps 도구 및 기술(LLMOps 소프트웨어 포함)은 전체 머신 러닝 수명 주기를 간소화하고 자동화함

▪ LLMOps는 대규모 언어 모델(Large Language Model) 및 기반 모델 운영(Foundation Model 

Operations)의 약자이며, LLM 및 기반 모델 기반 애플리케이션의 수명 주기를 운영화하기 위한 새로운 

도구 세트, 아키텍처 원칙 및 모범 사례에 중점을 둠

▪ 주요 기능에는 데이터 수집부터 모델 배포, 추적 및 모니터링에 이르기까지 ML 데이터 및 파이프라인, 

ML 코드, ML 모델을 관리하고 자동화하는 것이 포함됨

▪ 머신 러닝 프로세스에 적용되는 DevOps와 동일한 원칙을 사용함

④ (신뢰할 수 있는 AI 소프트웨어) 

▪ 신뢰할 수 있는 AI 소프트웨어에는 모델 검증 및 평가, 그리고 모델의 안전성과 보안을 보장하는 데 

사용되는 도구와 기술이 포함됨. 이러한 소프트웨어는 AI 모델 신뢰의 기본 요소를 지원함

▪ 공정성, 해석 가능성 및 설명 가능성, 견고성, 계통, 투명성, 환각 및 독성을 개선하는 데 도움이 되는 

- 80 -

기술 그룹

기술 범주

기술

기술 설명

소프트웨어가 포함됨

　

　

컴퓨터 비전 AI 

소프트웨어 

서비스 

▪ 컴퓨터 비전 AI 소프트웨어는 AI 및 머신러닝/딥러닝 기술을 사용하여 디지털 이미지 또는 비디오에서 

정보를 처리, 이해 및 추출하는 컴퓨터 비전 소프트웨어 서비스 및 개발 플랫폼을 포함

▪ 이미지/비디오 AI 작업에는 디지털 이미지를 수집, 처리, 분석 및 이해하고, 고차원 데이터를 추출하여 

수치 또는 기호 정보(예: 의사 결정 형태)를 생성하는 방법이 포함

▪ 여기서 이해는 시각적 이미지를 개별 구성 요소 및 관련 메타데이터 설명으로 변환하여 애플리케이션에 

활용하고 적절한 조치를 유도하는 것을 의미

▪ 이미지 데이터는 비디오 시퀀스, 여러 카메라의 뷰, 3D 스캐너 또는 의료용 스캐닝 장치의 다차원 데이터 

등 다양한 형태를 취할 수 있음

▪ 이 하위 시장의 요소에는 장면 재구성, 이벤트 감지, 비디오 추적, 객체 인식, 3D 자세 추정, 인덱싱, 동작 

추정, 3D 장면 모델링, 그리고 머신러닝 및 딥러닝을 활용한 이미지 복원이 포함

▪ 이러한 도구는 컴퓨터 비전 애플리케이션, 클러스터링 및 분류에 사용됨

　

　

대화형 AI 

소프트웨어 

서비스

▪ 이 AI 소프트웨어 서비스 시장은 언어 및 음성 AI 소프트웨어 서비스와 대화형 AI 솔루션 개발 플랫폼을 

포괄함

▪ 텍스트를 인식, 이해 및 가치 추출하거나 유사한 기술을 사용하여 사람이 읽을 수 있는 텍스트를 

생성하는 독립형 머신러닝 기반 도구가 포함됨

▪ 언어 분석기, 기계어 번역, 텍스트 클러스터링 및 분류 도구도 포함됨

▪ 이 하위 시장에는 오디오, 음성 및 음성 데이터에서 정보를 인식, 식별 및 추출하고, 음성을 식별 및 

인식하며, 소리를 유용한 텍스트로 변환하는 소프트웨어도 포함됨

▪ 대화형 AI는 컴퓨터와 인간 간의 인간적인 상호작용을 제공하는 자동 메시징 및 음성 지원 

애플리케이션을 뒷받침하는 AI 기반 기술의 집합임

▪ 대화형 AI는 음성과 텍스트를 인식하고, 의도를 이해하고, 다양한 언어를 해독하고, 인간의 대화를 

모방하는 방식으로 응답함으로써 인간처럼 소통할 수 있음

▪ 대화형 AI 솔루션은 텍스트 및 음성 방식 모두로 제공될 수 있으며, SMS 및 웹 채팅(텍스트 방식)부터 

전화 통화 및 스마트 스피커(음성 방식)까지 다양한 채널과 기기에서 이러한 방식을 지원함

▪ 대화형 AI는 자동 음성 인식(ASR), 자연어 처리, 고급 대화 관리 등 다양한 머신러닝 기반 기술을 

활용하여 모든 상호작용을 이해하고, 반응하고, 학습함

▪ 대화형 AI 소프트웨어 도구와 기술은 지능형 디지털 비서 및 대화형 챗봇 개발에 특화되어 있음

▪ 엔터프라이즈 디지털 비서와 가상 에이전트는 기존 비즈니스 애플리케이션에 플러그인할 수 있는 사전 

구축된 AI 소프트웨어임

　

　

생성형 AI 

소프트웨어 

서비스

▪ 다양한 데이터로 학습되어 광범위한 다운스트림 작업에 맞게 조정 또는 미세 조정할 수 있는 생성 기반 

모델(FM)이 포함됨

▪ 이러한 모델은 API 액세스, 모델 허브 또는 대화형 인터페이스를 통해 제공됨

▪ 이러한 모델은 텍스트, 오디오, 비디오, 이미지, 코드 등 이전에 생성된 콘텐츠를 사용하여 짧은 

프롬프트에 응답해 새로운 콘텐츠를 생성할 수 있음

▪ 또한 다양한 종류의 타겟 데이터 세트(예: 의료 코드)를 사용하여 도메인별 모델에 맞게 조정할 수도 

있음

▪ 입력 프롬프트를 기반으로 다양한 작업을 높은 정확도로 수행할 수 있음

▪ 작업에는 자연어 처리, 질의응답, 이미지 분류가 포함됨

- 81 -

기술 그룹

기술 범주

기술

기술 설명

▪ FM은 크기와 범용성이 뛰어나 텍스트 감정 분석, 이미지 분류, 추세 예측과 같은 특정 작업을 수행하는 

기존 머신러닝 모델과 차별화됨

　

　

검색 및 지식 

발견 

소프트웨어

▪ 검색 및 지식 발견 소프트웨어는 지식 근로자에게 필요한 정보를 찾고, 찾아내고, 관련 답변과 정보를 

제공하는 소프트웨어임

▪ 기존의 검색 및 정보 검색/접근 시스템뿐만 아니라, 인공지능, 자연어 처리(NLP), 내장된 지식 그래프, 

머신러닝/딥러닝을 활용하여 다양한 저장소에서 정형 및 비정형 데이터를 분석하고, 업무 흐름 속에서 

맥락에 맞는 통찰력을 사전에 도출하여 인간의 지능을 강화하는 차세대 지식 발견 시스템도 포함됨

▪ 부서, 기업, 업무 기반 검색 및 발견 시스템뿐만 아니라 제품 검색, 사이트 검색, 범용 질의응답 시스템도 

포함됨

▪ 이 시장에는 텍스트 분석, 클러스터링, 분류, 검색을 하나의 포괄적인 정보 접근 시스템으로 결합하는 

통합 정보 접근 도구 및 시스템도 포함됨

　

　

기타 AI 

소프트웨어 

서비스

▪ 문서 이해 AI와 더불어 컴퓨터 비전 AI 도구 및 대화형 AI 도구의 기술 범주에 아직 포함되지 않은 기타 

AI 소프트웨어 서비스가 포함됨

▪ AI 소프트웨어 서비스는 사전 학습된 독립형 서비스로, 머신러닝, 딥러닝 및 기타 AI/ML 기술을 

기반으로 애플리케이션 및 워크플로에 비즈니스 성과 개선을 지원하는 기능을 제공함

▪ 개발자와 비즈니스 분석가는 이러한 서비스를 사용하여 머신러닝 전문 지식 없이도 AI 기반 

애플리케이션을 구축할 수 있음

　

AI 시스템 

인프라 

소프트웨어

AI 시스템 

인프라 

소프트웨어

▪ 시스템 인프라 소프트웨어는 베어 메탈 인프라 하드웨어 리소스가 상위 레벨 애플리케이션 개발 및 배포 

소프트웨어와 애플리케이션 소프트웨어를 호스팅할 수 있도록 하는 소프트웨어의 기본 기반 계층을 

제공하는 소프트웨어 솔루션을 포함함

▪ 이 소프트웨어는 이기종 애플리케이션 및 사용자 그룹 간에 해당 리소스의 사용을 구성, 제어, 자동화 및 

공유하는 데 사용되는 가상화 및 관리 소프트웨어를 제공함

▪ AI 중심 시스템 인프라 소프트웨어는 AI 기술이 소프트웨어 기능의 핵심이며 필수적인 인프라 

소프트웨어임

▪ 이러한 기술이 제거되면 소프트웨어 기능은 더 이상 존재하지 않게 됨

▪ 소프트웨어에는 머신 러닝(지도 학습, 비지도 학습, 강화 학습 등)과 사용자/데이터 상호작용(예: 

NLP/NLG, Q&A 처리, 이미지/비디오 분석, 비전) 또는 지식 표현 기능이 필요함

▪ AI 시스템 인프라에는 SKU가 있으며, 매출을 추적하고 보고할 수 있음

　

애플리케이

션 개발 및 

배포 

소프트웨어

애플리케이션 

개발 및 배포 

소프트웨어

▪ 애플리케이션 개발 및 배포(AD&D) 소프트웨어는 개발자가 소프트웨어를 구축, 테스트 및 배포하고 

데이터를 처리, 통합, 관리 및 분석하는 데 주로 사용하는 도구와 플랫폼을 의미함

▪ AI 중심 애플리케이션 개발 및 배포 소프트웨어는 AI 기술이 소프트웨어 기능에 핵심적인 역할을 하는 

소프트웨어이며, 이러한 기술이 제거되면 소프트웨어 기능은 더 이상 존재하지 않게 됨

▪ 소프트웨어에는 머신 러닝(지도 학습, 비지도 학습, 강화 학습 등)과 사용자/데이터 상호작용(예: 자연어 

처리/자연어 처리, 질의응답 처리, 이미지/비디오 분석, 비전) 또는 지식 표현 기능이 필요함

▪ AI 애플리케이션 개발 및 배포 소프트웨어에는 SKU(제품 코드)가 있으며, 매출을 추적하고 보고할 수 

있음

서비스 

　

비즈니스 

서비스

비즈니스 

서비스

▪ 비즈니스 서비스는 AI 소프트웨어 및 하드웨어와 관련된 비즈니스 컨설팅과 수평적 비즈니스 프로세스 

아웃소싱으로 구성됨

- 82 -

자료) IDC's Worldwide AI and Generative AI Spending Guide Taxonomy, 2025: Release V1, 2025 

기술 그룹

기술 범주

기술

기술 설명

IT 서비스

IT 서비스

▪ IT 서비스에는 IT 컨설팅, 시스템 및 네트워크 구현, IT 아웃소싱, 애플리케이션 개발, IT 구축 및 지원, 

그리고 인지/AI 소프트웨어 및 인프라 투자 관련 IT 교육 및 훈련이 포함됨

▪ 또한, 구매자가 AI 여정의 전반적인 IT 전략을 수립할 수 있도록 지원하는 서비스도 포함됨

[소프트웨어정책연구소]에 의해 작성된 [SPRI 보고서]는 공공저작물 자유이용허락 표시기준 

제 4유형(출처표시-상업적이용금지-변경금지)에 따라 이용할 수 있습니다.

(출처를 밝히면 자유로운 이용이 가능하지만, 영리목적으로 이용할 수 없고, 변경 없이 그대로 이용해야 합니다.)

주 의 

1.

이 보고서는 소프트웨어정책연구소에서 수행한 연구보고서입니다. 

2.

이 보고서의 내용을 발표할 때에는 반드시 소프트웨어정책연구소에서 

수행한 연구결과임을 밝혀야 합니다.