목 차

제1장 연구의 배경 및 목적······················································································1

제1절 AI시대 한국경제의 도전 : 글로벌 기술패권 경쟁····································1

1. 글로벌 무역구조 변화: 상호보완에서 상호대체 관계로 ·······························1

2. 주력산업의 경쟁력 유지를 위한 SW의 중요성 ·············································1

제2절 주력산업과 SW산업························································································2

1. 인구구조와 산업정책 : SW산업에서 노동투입과 자본투입···························2

2. SW의 수요산업으로서의 제조업과 서비스업···················································3

3. 산업 인프라로서의 SW산업················································································5

제3절 AI시대의 지식 동학························································································6

1. 혁신지식의 집합체, SW·······················································································6

2. 생성형 AI와 처방적 지식의 증폭·······································································7

제2장 연구방법론········································································································9

제1절 기존 분류체계의 한계를 극복하는 자동분류 방법···································9

1. 현행 SW기업 분류의 문제점··············································································9

2. 분석 방법··············································································································11

제2절 SW기업 자동 분류 : 수요산업, 제품·서비스, 기술······························14

1. SW기업의 수요산업 자동분류: 데이터 확장을 위한 AI 추론····················14

2. SW기업의 제품/서비스 자동분류: 임베딩 기반의 정합성 검증················17

3. SW기업의 기술(특허) 분류: 정형데이터 API수집·······································19

제3절 소결·················································································································20

제3장 SW산업의 과거 성장동력 분석 (2017~2024)··········································22

제1절 기존 SW기업의 매출추이············································································22

제2절 기존기업의 외생적 성장··············································································25

1. 생산요소별 성장 기여도 변화 분석: 노동에서 자본으로·····························25

2. 수요산업별 성장 탄력성 분석 ·········································································26

제3절 기존기업 내생적 성장··················································································28

1. SW기업의 성장동력 분석모델··········································································28

2. 분석 결과 : 성장동력의 실증적 검증······························································29

3. 기존기업 분석 소결 ··························································································31

제4절 혁신기업의 성공요인 분석··········································································31

1. 주요 설명변수의 정의························································································32

2. 투자유치 성공요인 분석 : 특허를 다수 보유한 SaaS 기업이 유리·········34

3. 매출성장률 분석 : 서비스 업종의 B2C 고객이 성장에 유리·····················36

4. 혁신기업 분석 소결····························································································39

제4장 AI시대 SW산업 성장동력의 모색······························································40

제1절 AI시대 기존 SW모델의 한계······································································40

1. 비트(Bit)에서 아톰(Atom)으로의 가치 전이와 ‘역-스마일 곡선’의 탄생·40

2. 인당 구독 모델(Seat-based SaaS)의 한계··················································41

제2절 AI시대 SW비즈니스 모델의 진화방향······················································43

1. 제조AI의 특성과 에이전틱SW의 필요성·························································44

2. 에이전틱SW의 가치를 극대화 하는 성과기반 요금제의 사례····················45

3. AI기반 시스템통합 기업 성공사례, 팔란티어(Palantir)······························46

다. 현장문제 해결과 제품진화의 선순환·····························································47

5. 산업AI의 투하자본과 대기업·············································································49

제3절 AI엔지니어링 주체으로서의 SW산업의 과제··········································50

1. AI 생애주기 관리와 서비스 엔지니어링·························································50

2. SW생산체계의 변화: ‘개발자’에서 ‘감독자’로서의 전환·····························51

3. AI 엔지니어링의 지속 가능성을 위한 새로운 보상체계 도입····················52

제5장 요약 및 결론·································································································54

1. 연구 요약··············································································································54

2. 시사점····················································································································55

3. 결론 : 명제적 지식(LLM)과 처방적 지식(SW)의 조화································55

별첨. 패널회귀분석표······························································································57

별첨1-1. SW기업의 외생적 성장요인 (팬데믹 이전)········································57

별첨1-2. SW기업의 외생적 성장요인 (팬데믹 기간)········································58

별첨1-3. SW기업의 외생적 성장요인 (팬데믹 이후)········································59

표 목 차

<표 1> 수요산업 분석을 위한 관련성 트리 구조·············································13

<표 2> Human-AI 협업 기반의 검증 프로세스·················································20

<표 3> 팬데믹 전후 SW산업의 성장동력 변화 양상·······································22

<표 4> 시기별 노동과 자본의 매출성장 기여도 변화·····································25

<표 5> 시기별 수요산업의 매출성장 기여도 ···················································25

<표 6> 투자유치가 매출 성장률에 미치는 영향···············································28

<표 7> 투자유치 성공요인 기본모델···································································34

<표 8> 투자유치 성공요인 확장모델···································································35

<표 9> 매출성장요인 기본모델·············································································36

<표 10> 매출성장요인 확장모델···········································································37

<표 11> 기술패권의 무기가 된 설계용 소프트웨어·········································42

<표 12> 제조업 설계․개발 소프트웨어의 중요성··············································43

<표 13> 국내외 AI 및 IT서비스 시장 전망························································43

<표 14> 제조업 설계․개발 소프트웨어의 중요성··············································45

<표 15> 성과기반 요금제의 위험과 기회요인···················································42

<표 16> SaaS와 에이전틱SW 와의 비교·····························································45

그 림 목 차

[그림 1] 혁신기업의 비정형데이터(수요산업, 제품․서비스) 예시··················11

[그림 2] 본 연구의 분석대상·················································································12

[그림 3] SW기업 자동분류 개념도 ·····································································14

[그림 4] 기존기업의 수요산업을 학습하여 혁신기업 수요산업을 식별·······15

[그림 5] SW기업 자동 분류 결과·········································································21

[그림 6] 본 장에 활용된 기업데이터의 구성·····················································22

[그림 7] SW기업의 매출합계 추이(단위 : 원)···················································23

[그림 8] SW기업의 수요산업별 매출합계 추이(단위 : 원)·····························24

[그림 9] 투자유치 성공 요인 : SaaS모델, 특허보유, SW하청기업 아님······34

[그림 10] 매출 고성장 요인 : B2C+서비스업····················································37

[그림 11] 기술패권 경쟁과 AI확산이 만들어내는 역스마일 곡선·················41

[그림 12] AI사업의 밸류체인 중 응용서비스 개발 영역·································51

[그림 13] 빙산의 수면 아래처럼 보이지 않는 기술요소의 비중이 높은 AI서비스······53

요 약 문

1. 제 목 : AI시대 SW산업 성장동력 확충방안 연구

2. 연구 목적 및 필요성

한국 경제는 저성장 국면과 인구 구조 변화라는 심각한 구조적 문제에 봉착해 있다.

특히 글로벌 시장이 AI 중심으로 급격히 재편됨에 따라, 국내 SW 기업의 재성장을 견

인할 수 있는 새로운 산업 육성 정책이 절실한 시점이다. 본 연구는 전환기 시장 실패

를 방지하고 민간과 정부의 효율적인 투자 포트폴리오 기준을 수립함으로써, 주력산업

과 SW 산업의 성장이 상호 견인하는 성장 동력을 확충하는 데 그 목적이 있다.

3. 연구의 구성 및 범위

본 연구는 SW 기업의 내부 역량인 기술력과 비즈니스 모델, 그리고 외부 환경인 수

요 산업을 연계하여 다각도로 분석한다. 팬데믹 이후 자본과 노동 등 생산 요소의 기

여도 변화를 측정하고, 매출 성장 및 투자 유치에 미치는 결정 요인을 분석 범위로 설

정한다. 또한 제조업과 서비스업 등 수요 산업별 성장 기여도 차이를 규명하며, 이를

바탕으로 수직적 AI(Vertical AI)와 과금체계 혁신 방안 등 신규 비즈니스 모델 및 고도

화된 시스템 통합(SI) 전략을 도출한다.

4. 연구 내용 및 결과

AI 시대의 지식 동학 분석은 소프트웨어는 단순한 기술 도구를 넘어 문제를 해결하

고 특정 결과를 도출하는 ‘처방적 지식(Prescriptive Knowledge)’의 집합체로 정의된

다. 생성형 AI의 등장은 이러한 처방적 지식을 기하급수적으로 증폭시키며, 단순한 지

식의 습득보다는 실행과 해결의 가치를 극대화한다. 이러한 지식 동학의 변화는 SW

산업의 경쟁력이 개별 엔지니어의 단순 숙련도를 넘어, 데이터를 통해 지식을 자본화

하고 이를 시스템적으로 재현하는 엔지니어링 역량으로 전이되고 있음을 시사한다.

국내 SW 기업의 성장 결정 요인을 정량적으로 분석한 결과(제3장), 팬데믹 이후 SW

생산체계에서 노동 투입보다 자본 투입의 성장 기여도가 유의미하게 높아지는 구조적

변화가 확인되었다. 특히 기업의 매출 성장률은 외부 투자 유치 활동과 창업 초기 규

모에 가장 민감하게 반응하였으며, 투자 유치 성공 확률은 구독형 서비스(SaaS) 모델

과 원천 기술력(특허)을 보유한 기업에서 통계적으로 높게 나타났다. 수요 측면에서는

서비스업 수요가 산업 전반의 성장을 견인해 온 반면, 제조업 수요는 팬데믹 기간의

침체 이후 성장에 유의미하게 기여하지 못하고 있는 것으로 분석되었다.

인공지능 전환기에 대응하는 비즈니스 모델 및 사례 연구 결과(제4장), 범용 기능을

제공하는 수평적 SaaS보다 특정 산업의 독점적 데이터와 워크플로우를 장악하는 ‘수

직적 AI(Vertical AI)’의 전망이 더 좋은 것으로 나타나고 있다. 제조기업의 민감한 데

이터 유출 우려로 인해 공용 플랫폼보다는 보안성이 담보된 시스템 통합(SI) 기반의

‘프라이빗 AI’ 수요가 증대되고 있으며, 이에 따라 기술적 가치와 비즈니스 기여도

에 따라 대가를 산정하는 과금체계의 고도화가 새로운 표준으로 부상하고 있다. 특히

글로벌 선도 기업의 사례를 통해 고숙련 엔지니어가 고객 현장에 밀착하여 문제를 해

결하는 전진 배치 모델의 유효성을 확인하였으며, 이를 뒷받침하기 위해 기존 기능 중

심 대가 산정에서 탈피하여 기술적 복잡성을 반영한 ‘기술 규모’ 중심의 새로운 대

가 체계 도입이 필수적이다.

5. 정책적 활용 내용

본 분석 연구는 정부 및 민간 투자 재원의 효율적 배분을 위한 정책적 가이드라인으

로 활용될 수 있다. 특히 수출 주력 제조업의 경쟁력 유지를 위한 Physical AI 및 제조

설계용 SW 육성 정책의 핵심 근거가 될 것이다. 또한, AI 엔지니어링의 특수성을 반

영하여 기존 기능점수(FP) 중심의 대가 체계를 개선하기 위한 기초 자료로 제공됨으로

써, SW 기업의 기술적 가치를 정량적으로 평가하는 제도적 기반을 마련하는 데 기여

할 수 있다.

6. 기대효과

본 연구는 국내 SW 산업이 저부가가치 용역 구조에서 탈피하여 하이테크 엔지니어

링 산업으로 진화하는 이정표를 제시한다. 특히 제2장에서 새롭게 구축한 LMM 기반

의 SW기업 자동분류 체계는 향후 연구에서도 지속적으로 활용되어, 기존 승인통계 체

계의 경직성을 보완하고 SW 산업의 동태적 현황을 기민하게 파악하는 데 기여한다.

또한 4장에서 제조업의 생산성 혁신과 SW 산업의 성장이 상호 견인하는 선순환 구조

를 안착시킴으로써 국가 경제 전반의 기술 자본 축적을 가속화하며, 궁극적으로는 글

로벌 기술 패권 경쟁에서의 우위를 확보하고 새로운 경제 성장 모델을 창출하는 효과

가 있다.

SUMMARY

1. Title: A Study on Strategies to Expand Growth Engines for the

Software Industry in the AI Era

2. Purpose and Necessity of the Research

The Korean economy is facing severe structural challenges such as low growth

and demographic shifts. As the global market reorganizes around AI, systematic

industrial policies to drive the practical growth of domestic SW companies are

desperately needed. This study aims to prevent market failure during the

transition and establish efficient investment portfolio criteria, ultimately securing

endogenous growth engines where manufacturing innovation and SW industry

growth reinforce each other.

3. Composition and Range

This study performs a linked analysis of SW companies' internal capabilities

(technology and business models) and external environments (demand industries). The

scope includes measuring changes in the contribution of production factors

post-pandemic and identifying determinants of revenue growth and investment

success. It also examines the differences in growth contributions by industry and

derives innovative business models such as Vertical AI and advanced pricing

strategies.

4. Main Contents and Results

Analysis of knowledge dynamics (Chapter 1) defines software as "Prescriptive

Knowledge." The advent of generative AI amplifies this knowledge, shifting the

industry's competitiveness toward engineering capabilities that capitalize on knowledge

through data. Quantitative analysis (Chapter 3) confirms a structural shift

post-pandemic, where capital investment has significantly surpassed labor input.

Revenue growth is primarily driven by investment attraction and firm size, while

manufacturing demand remains stagnant, highlighting the need for specialized SW

services in the manufacturing sector.Business model research (Chapter 4) reveals that

"Vertical AI," controlling proprietary workflows, holds a stronger advantage than

general services. Due to security concerns, demand is shifting toward SI-based

"Private AI." Consequently, advanced billing models based on business value and

technical contribution are emerging as a new standard. The study validates

high-skilled engineering models and concludes that a new compensation framework

based on "Technical Scope" is essential to reflect technical complexity accurately.

5. Policy use

This analysis can serve as a policy guideline for the efficient allocation of

investment. It provides core evidence for fostering Physical AI and

manufacturing-specific software. Additionally, it will be used as fundamental data for

improving AI engineering cost estimation standards, ensuring a fair institutional

evaluation of technical value.

6. Research Implication and Expected Effects

The study provides a roadmap for the domestic SW industry to evolve into a

high-tech engineering sector. In particular, the LMM-based automated business

classification system developed in Chapter 2 will continue to be utilized in future

research, helping to identify the dynamic status of the SW industry in a way that

supplements the rigidity of existing approved statistical systems. By establishing a

virtuous cycle where manufacturing innovation and SW growth drive each other, it

will accelerate technical capital accumulation and secure a leading position in the

global technological race.

- 1 -

제1장

연구의 배경 및 목적

제1절

AI시대 한국경제의 도전 : 글로벌 기술패권 경쟁

글로벌 무역구조 변화: 상호보완에서 상호대체 관계로

2025년, 한국 경제는 단순한 산업 고도화를 넘어 ‘AI 주도권 및 신성장 동력 확

보’라는 거대한 변곡점에 직면해 있다. 지난 반세기 동안 세계가 경이로움으로 지켜

보았던 '한강의 기적'과 제조 중심의 추격형(Fast-follower) 성장 모델은 이제 미·중

간의 압도적인 AI 기술 패권 경쟁과 중국의 급격한 추격이라는 거대한 파고 속에서

그 유효수명을 다할 수 있는 시기에 있다 (미래에셋 2023). 한국은 현재 인구통계학적

절벽이라는 내부적 한계와 글로벌 기술 공급망 재편이라는 지정학적 긴장 속에서 경

제의 좌표를 근본적으로 재설정해야 하는 과제를 안고 있다.

한·중 경제 관계의 변화에서 이러한 과제의 중요성이 드러난다. 과거에는 한국이

고부가가치 중간재를 공급하고 중국이 이를 가공하는 상호 호혜적 분업 구조였으나,

중국의 '제조 2025(Made in China 2025)' 전략이 완성단계에 도달하면서 양국은 이제

세계 시장에서 생존을 다투는 치열한 대체 경쟁 관계로 전환되었다 (Acemoglu 2025).

중국은 자국 내 완결형 공급망을 구축함으로써 한국산 중간재에 대한 의존도를 급격

히 낮추는 '기술 자립화'를 달성해 가고 있고, 이는 한국 제조업의 수출 경쟁력을 뿌리

부터 흔드는 요인이 될수 있다.(FKI 2025).

주력산업의 경쟁력 유지를 위한 AI․SW의 중요성

이러한 위기감은 단순한 경기 순환적 침체가 아니라 기술 혁신이 성장을 견인하지

못하는 구조적 정체에서 기인한다. 특히 2024년 노벨 경제학상 수상자인 대런 아세모

글루(Daron Acemoglu) MIT 교수는 한국 경제가 직면한 현실을 냉철하게 해부하고 있

다 (Acemoglu 2025). 그는 2025년 1월 2일 매일경제신문과의 인터뷰에서 한국 경제의

3대 구조적 문제로 △저출산과 고령화, △취약한 내수 경제와 더불어 무엇보다 △중국

과의 AI 및 첨단 기술 경쟁 심화를 지목하며, 기존 성장 방정식의 전면적인 폐기와 AI

분야에서의 새로운 돌파구 마련을 조언하였다.

- 2 -

국제기구의 보고서 또한 이러한 전환의 필요성을 뒷받침한다. 성장이 정체된 국가가

중진국 함정(Middle-Income Trap)을 탈피하여 고소득 국가로 재도약하기 위해서는 단

순한 자본 투입을 넘어 기술적 진보와 혁신을 통한 생산성의 향상이 필수적이다

(World Bank 2024). 특히 신기술이 기존의 비효율적 산업을 대체하는 '창조적 파괴

(Creative Destruction)' 과정이 원활히 작동해야만 내생적 성장이 지속될 수 있다

(Aghion & Howitt 1992).

결국, AI 시대의 새로운 성장동력은 소프트웨어(SW) 산업을 필두로 한 디지털 생태

계의 혁신 역량에 달려 있다. OECD는 국가 혁신 시스템이 단순한 R&D 지원을 넘어,

미션 중심의 강력한 AI 전환을 강조하고 있다(OECD 2025), 본 연구는 이러한 맥락에

서 한국 SW 산업의 현재를 진단하고 국가와 SW산업의 경쟁력 확보를 위한 성장동력

확충방안을 제시하고자 한다.

제2절

주력산업과 SW산업

인구구조와 산업정책 : SW산업에서 노동투입과 자본투입

아세모글루 교수가 첫 번째로 지목한 구조적 위기는 인구 구조의 급격한 변동, 즉

고령화와 저출산 문제이다 (Acemoglu 2025). 한국의 합계출산율 하락 속도와 고령화

진행 속도는 OECD 회원국 중 가장 가파르며, 이는 단순한 노동 공급의 감소를 넘어

경제 전반의 혁신 역량과 자본 축적 메커니즘을 훼손하는 심각한 요인으로 작용하고

있다 (OECD 2024).

경제학적 관점에서 인구 고령화는 노동 투입(L)의 감소를 의미할 뿐만 아니라, 생산

성의 정체를 야기할 위험이 크다. 아세모글루 교수의 제도주의적 성장 이론에 따르면,

경제 성장은 단순히 자본과 노동의 투입량에 의해 결정되는 것이 아니라, 기술 진보와

혁신을 촉진하는 제도적 환경에 의해 좌우된다 (Acemoglu & Robinson 2012). 그러나

고령화 사회는 본질적으로 위험 회피적 성향을 강화하고, 새로운 기술 도입에 대한 저

항을 높이며, 창조적 파괴(Creative Destruction)보다는 현상 유지를 선호하는 사회적

분위기를 형성할 가능성이 높다 (Mokyr 2017). 이는 혁신적 아이디어를 가진 젊은 기

업가들이 자본에 접근하는 것을 어렵게 만들고, 경제의 역동성을 저해하는 '혁신의 실

종' 현상으로 이어질 수 있다.

- 3 -

이러한 인구 구조의 변화가 필연적으로 노동 대체형 기술, 특히 인공지능(AI)과 로봇

공학의 도입을 가속화할 수밖에 없음을 시사하지만, 준비되지 않은 상태에서의 급격한

자동화는 노동 시장의 양극화를 초래하고 사회적 갈등 비용을 높여 경제 성장의 또

다른 제약 요인이 될 수 있음을 경고한다 (Acemoglu & Restrepo 2019). 따라서 자본

투입과 노동 투입간의 관계가 산업정책과 기술혁신 전략의 핵심 변수로 다루어져야

한다.

따라서 이 연구에서는 인적 자본 및 지식 집약적으로 알려져 있던 소프트웨어 산업

의 특성을 반영하여, 노동 투입과 자본 투입이 기업의 매출 성장률에 기여하는 탄력성

과 효과성을 2017년부터 2024년까지의 장기 패널 데이터를 통해 3장에서 실증적으로

분석하고, 4장에서 AI전환기에 새롭게 부상한 과제의 대응방안을 모색한다.

SW의 수요산업으로서의 제조업과 서비스업

한국 경제의 근간인 제조업은 현재 단순한 경기 둔화가 아닌, 공급망의 근본적 재편

과 기술 패권의 위협이라는 전례 없는 위협에 직면해 있다. 특히 아세모글루 교수가

지적한 중국과의 경쟁 심화는 과거의 양적 추격을 넘어선 질적 역전(Qualitative

Reversal)의 단계로 진입하고 있다 (Acemoglu 2025). 한국의 최후 보루였던 첨단 반도

체에서도 중국의 추격 의지는 강하다. 2024년 KISTEP의 기술 수준 평가에 따르면, 차

세대 메모리로 꼽히는 고밀도 저항 변화 메모리(94.1%)와 미래 산업의 핵심인 전력 반

도체(79.8%) 등에서 중국은 이미 한국을 수치상으로 앞지르거나 압도적인 격차로 추격

중이다 (KISTEP 2025).

특히 미·중 기술 패권 경쟁의 핵심인 AI 기술력은 위협적이다. (ASPI 2025, Critical

Technology Tracker). 중국은 막대한 빅데이터와 정부 주도의 전폭적 투자를 바탕으로

AI 반도체 설계 기술 수준에서 한국(84.1%)을 앞선 88.3%를 기록하며, 제조업의 부가가

치가 하드웨어에서 '지능형 제어 시스템(SW)'으로 이동하는 흐름을 선점하고 있다

(TechWireAsia 2025). 이러한 상황은 한국 제조업을 고도의 기술력을 보유한 선진국과

가격·기술 추격 속도를 모두 갖춘 중국 사이에 낀 '신 샌드위치' 상태로 몰아넣고 있

다 (KISTEP 2025). 기술의 라이프 사이클이 극도로 짧아진 AI 시대에, 기존 제조 패러

다임 고수는 중국의 추격을 허용하는 결정적 약점이 된다 .결국 제조업의 생존은 하드

웨어 성능 경쟁이 아닌, 공정 전반에 AI와 SW를 이식하여 유연성과 지능성을 확보하

는 '디지털 제조 경쟁력' 확보에 달려 있다.

중국의 추격은 한국의 핵심 수출 품목인 조선업으로까지 확산하며 제조업 전반의

- 4 -

경쟁 구도를 조성하고 있다. 과거 한국 조선업은 중국의 양적 공세를 고부가가치 선박

기술력으로 방어해 왔으나, 최근 중국의 민영 조선소들은 막대한 자본력과 지능형 제

조 공정을 앞세워 질적 측면에서도 한국을 맹렬히 추격하고 있다.

실제로 2024년 기준, 단일 조선소의 컨테이너선 수주 실적에서 중국의 저우산 창홍

(Zhoushan Changhong) 조선소가 총 46척(약 60억 달러 규모)을 수주하며 전통의 강자

인 현대중공업을 제치고 세계 1위를 기록하는 이변이 발생하였다 또한 과거 STX 대련

조선소를 인수한 헝리 중공업(Hengli Heavy Industry)은 약 4조 원을 투입하여 최신 설

비를 구축한 지 불과 1년 만에 120척(약 50억 달러 규모)의 선박을 수주하며, 3일에

한 척 꼴로 계약을 체결하는 유례없는 속도를 보여주고 있다 (권효재 2026).

더욱 위협적인 사실은 중국이 단순히 저가 공세에 의존하는 것이 아니라, 제조업과

로봇 기술을 결합한 지능형 생산 시스템을 통해 한국의 기술적 우위를 잠식하고 있다

는 점이다. 헝리 중공업의 경우, 전체 수주 선박 중 LNG 이중 연료(Dual-fuel) 추진선

비중이 45%에 달해 고효율 선박 시장에 안착했으며, 생산 공정의 자동화율을 용접

70%, 도장 60%, 조립 45% 수준까지 끌어올리며 한국 조선소들이 시도하지 못한 영역

에서 로봇 도입을 가속화하고 있다 (권효재 2026).

이처럼 중국 조선업이 '암묵지의 데이터화'와 '로봇 자동화'를 통해 생산성을 높임에

따라, 선박 발주자 사이에서는 한국과 중국 선박의 품질 차이에 의문을 품고 있다는

소식이 들려오고 있다. 이는 한국 제조업이 직면한 위기가 특정 품목에 국한된 것이

아니라, 생산 현장의 물리적 문제를 AI와 SW로 해결하는 '지능형 제조 역량'의 격차에

까지 발생하고 있다는 위협이다. 결국 조선업을 포함한 한국 제조업의 재도약은 기존

의 하드웨어 중심 경쟁력에 기반을 두되, 앞서 언급한 피지컬 AI와 산업 특화형 SW를

공정 전반에 이식하여 '기술 기반의 내생적 성장' 체계로 신속히 전환할 때 비로소 가

능해진다.

따라서 본 연구는 제조업이 직면한 도전이 '글로벌 경쟁에서의 기술적 생존'인 반면,

서비스업의 위기는 '내수 시장의 고질적 생산성 정체'라는 상이한 성격을 띠고 있음에

주목한다. 부문별로 위기 원인과 대응 기제가 다른 만큼, SW 산업의 기여도 역시 분

리하여 진단해야 한다.

이에 본 연구 제3장에서는 지난 9년간(2017~2024년) 서비스업과 구분되는 제조업 수

요 부문에서 SW산업의 역할이 어떠했는지 시계열 추이를 분석할 것이다. 이를 바탕으

로 제4장에서는 주력 제조업과 SW산업의 동반성장 전략을 제시하고 한다.

- 5 -

산업 인프라로서의 SW산업

가.

혁신 기업가 정신의 발현과 SW생태계

마지막으로, SW 산업은 아세모글루가 한국 경제의 돌파구로 제시한 '신규 기업'들이

가장 활발하게 등장하고 성장할 수 있는 비옥한 토양이다 (Acemoglu 2025, Maeil

Business Newspaper Interview). SW 산업은 다른 산업에 비해 초기 자본 투입이 적고

실패의 비용이 낮아, 다양한 아이디어와 지식을 결합하여 실험하는 스타트업들에게 최

적의 환경을 제공한다 (Mokyr 2016, A Culture of Growth).

이들 SW 스타트업들은 기존기업이 시도하기 어려운 파괴적 혁신을 주도하며, AI, 블

록체인 등 신기술을 기존 산업에 접목하여 새로운 처방적 지식을 만들어낸다. . 정부

의 SW 정책은 단순히 기업 수를 늘리는 것이 아니라, 이들이 제조업과 서비스업의 혁

신을 자극하는 '메기' 역할을 수행할 수 있도록 공정한 경쟁 환경과 모험 자본 생태계

를 조성하는 데 초점을 맞춰야 한다.

SW 산업은 한국 경제가 직면한 고령화(자동화로 노동력 보완), 내수 부진(서비스업

생산성 향상), 중국의 추격(제조업 고도화)이라는 3대 위기를 극복할 수 있는 가장 강

력한 무기이다 (Acemoglu 2025). SW를 통해 지식의 흐름을 가속화하고 산업 간 경계

를 허무는 것이야말로 AI 시대 한국 경제가 나아가야 할 지식 기반 성장 전략의 핵심

이다. 이어지는 장들에서는 이러한 SW 산업의 구체적인 현황과 과제, 그리고 이를 실

현하기 위한 정책적 대안들을 심층적으로 논의할 것이다.

나.

SW산업의 범용성과 네트워크 효과

과거의 산업구조에서는 토지, 노동, 자본이 주요 생산요소였으나, 현대 지식기반경제

에서는 SW와 데이터가 그 자리를 대체하고 있다. 내생적 성장이론(Endogenous

Growth Theory)에 따르면 기술 혁신과 지식의 축적은 경제 성장의 핵심적인 내생 변

수이며, SW는 이러한 지식을 디지털화하고 전파하는 가장 효율적인 매체이다. SW산

업이 인프라로서 기능할 때 발생하는 경제적 효과는 크게 두 가지로 요약된다 (SPRi

2021)

기관차 효과(Locomotive Effect)

- SW기술의 발전이 연관 산업(제조, 금융, 서비스 등)의 생산성을 상승시키는 효과

신호 효과(Signal Effect)

- 6 -

- 공공 및 민간 인프라에 적용된 SW의 안정성이 입증될 때, 해당 기술의 신뢰도가

상승하여 글로벌 시장 진출의 발판이 되는 효과.

SW 인프라는 물리적 인프라와 달리 비경합성을 가지며, 사용자가 늘어날수록 가치

가 기하급수적으로 증가하는 강력한 네트워크 효과를 가진다. 따라서 국가 차원의 SW

인프라 투자는 단순한 산업 지원을 넘어 국가 전체의 디지털 체력을 강화하는 전략적

투자가 되어야 한다.

그러므로 제4차 산업혁명으로 불렸던 디지털 전환(Digital Transformation)의 파고 속

에서 소프트웨어(SW)는 더 이상 개별 산업의 보조적 도구가 아닌, 국가 경제와 산업

경쟁력을 좌우하는 핵심 기반 기술로 부상하였다. 특히 대한민국 경제의 중추인 제조

업이 직면한 생산성 정체와 글로벌 경쟁 심화를 극복하기 위해서는 인공지능(AI), 빅데

이터, 클라우드 등 첨단 SW 기술과의 융합이 필수불가결하다.

본 연구에서는 이러한 문제의식을 바탕으로 SW산업을 국가 경제의 핵심 '인프라 산

업'으로 재정의한다. 이는 도로, 항만, 전력과 같은 전통적인 사회간접자본(SOC)의 개

념을 디지털 영역으로 확장하여, SW가 전 산업의 혁신을 견인하는 '디지털 SOC'로서

기능해야 함을 의미한다.

제3절

AI시대의 지식 동학

혁신지식의 집합체, SW

한국 경제가 직면한 인구 구조의 변화와 기술 역전의 ‘삼중고(Triple Whammy)’를

극복할 유일한 돌파구는 하이테크 산업의 육성과 신규 혁신기업 중심의 생태계 전환

에 있다 (Acemoglu 2025). 2024년 노벨 경제학상 수상자인 아세모글루 교수는 한국이

과거 재벌 대기업 중심의 효율성 추구 모델에서 벗어나, 파괴적 혁신을 주도하는 스타

트업이 끊임없이 등장하는 ‘포용적 경제 제도’로 이행해야 함을 강조한다

(Acemoglu & Robinson 2012). 특히 AI와 같은 범용 기술(GPT)은 기존 산업의 판도를

뒤흔들 기회를 제공하며, 이러한 전환기에 혁신 스타트업을 육성하는 것은 고령화로

인한 생산성 저하를 상쇄하고 기술 패권 경쟁에서 승리하기 위한 필수 전략이다

(Aghion et al. 2024).

이러한 ‘새로운 기업’의 출현이 성장에 필수적인 이유는 2025년 노벨 경제학상 수

상을 통해 그 학문적 가치를 다시 한번 증명한 조엘 모키르(Joel Mokyr) 교수가 제시

- 7 -

한 ‘유용한 지식(Useful Knowledge)의 동학’으로 설명된다 (Mokyr 2016). 경제 성장

은 자연의 원리를 이해하는 ‘명제적 지식’이 구체적인 기술적 해법인 ‘처방적 지

식’으로 변환(Mapping)될 때 발생한다 (Mokyr 2002).

기존기업은 과거의 지식 체계에 최적화된 경로 의존성과 매몰 비용으로 인해 AI라는

새로운 지식을 수용하는 데 구조적 저항을 겪는다. 반면, 혁신기업은 과거의 유산에

얽매이지 않고 최신 지식을 바탕으로 가장 효율적인 ‘처방적 지식’을 설계할 수 있

는 지식의 실험가들이다 (Aghion & Howitt 1992). 모키르가 주창한 지식 동학의 관점

에서 혁신기업은 세 가지 핵심 역할을 수행한다.

- 지식의 재결합: 혁신기업은 조직 경계가 유연하여 다양한 영역의 지식을 결합해

새로운 비즈니스 모델을 창출하는 데 유리하다 (Mokyr 2002).

- 지식의 진화적 선택: 불확실한 AI 시대에 수많은 신규 기업이 시장에 내놓는 다양

한 해법은 경제 전체의 시행착오를 줄이고 최적의 기술을 선별하는 필터 역할을

한다 (Mokyr 2017).

- 접근 비용(Access Costs)의 절감: 현대의 소프트웨어(SW) 산업은 방대한 명제적 지

식을 즉시 활용 가능한 처방적 지식으로 변환해 주는 ‘접근 비용 절감 기술’로

서 혁신기업의 등장을 가속화한다 (Mokyr 2005).

결론적으로 한국 경제의 재도약은 단순히 기술을 도입하는 것을 넘어, 이를 각 산업

현장의 구체적인 해법으로 변환해낼 수 있는 주체인 혁신기업의 역량에 달려 있다. 이

에 본 연구에서는 점진적 효율성 개선에 집중하는 ‘기존기업’과 지식의 파괴적 재

결합을 주도하는 ‘혁신기업’을 명확히 구분하여 집단별 성장 결정요인을 실증적으

로 분석하고자 한다.

생성형 AI와 처방적 지식의 증폭

조엘 모키르(Joel Mokyr)는 경제 성장의 근원을 자연 현상의 원리를 이해하는 '명제

적 지식과 이를 실제 생산에 적용하는 '처방적 지식 사이의 매핑(Mapping) 과정으로

설명하였다 (Mokyr 2002). 과거 산업혁명기에는 이러한 매핑이 인간 전문가의 수작업

과 도제식 교육, 혹은 백과사전과 같은 물리적 기록물에 의존했기에 지식의 전파와 전

환에 막대한 '접근 비용(Access Costs)'이 발생하였다. 그러나 2025년 현재, 인공지능

(AI) 기술은 이 지식 전환 메커니즘을 근본적으로 뒤흔드는 '현대판 지식 증폭기'로 기

능하고 있다. 생성형 AI(Generative AI)는 방대한 비정형 데이터 속에 흩어져 있는 명

- 8 -

제적 지식 스스로 학습하고, 이를 엔지니어나 기획자가 즉시 실행 가능한 코드, 설계

도, 비즈니스 매뉴얼과 같은 처방적 지식으로 즉각 변환해 준다. 이는 혁신가 개인이

지식을 습득하고 숙련하는 데 걸리는 시간을 획기적으로 단축하여 사회 전체의 혁신

속도를 지수함수적으로 높이는 결과를 초래한다 (Aghion et al. 2024,)

모키르가 강조한 접근 비용은 특정 지식을 찾아내어 자신의 문제 해결에 적용하는

데 드는 비용을 의미한다 (Mokyr 2005). AI는 자연어 인터페이스를 통해 복잡한 전문

지식에 대한 문턱을 낮춤으로써, 개인이나 초기 스타트업도 과거 대기업만이 보유했던

고수준의 처방적 지식에 손쉽게 접근할 수 있게 한다. 이는 지식의 독점을 해체하고 '

포용적 혁신 생태계'를 구축하는 강력한 기제가 된다. 혁신기업은 과거의 처방적 지식

에 얽매이지 않고 AI를 활용해 이종 산업 간의 지식을 결합하는 '지식의 재결합

(Recombination)'을 주도한다. 예를 들어 제조 공정의 물리적 지식과 금융권의 데이터

분석 기술이 AI를 통해 결합하여 '예지 정비 기반 제조 금융 서비스'라는 전혀 새로운

형태의 가치가 창출되는 식이다 (Mokyr 2016).

- 9 -

제2장

연구방법론

이 과정에서 분석의 정밀도를 높이기 위해 대규모 언어 모델(LLM) 기반의 자연어 처

리(NLP) 기법을 도입한다. 이를 통해 기업의 비정형 텍스트 데이터를 분석함으로써 해

당 SW 기업의 주요 수요처가 제조업인지 혹은 서비스업인지 명확히 판별하고, 해당

기업이 보유한 구체적인 서비스 모델(SaaS, B2B/B2C 등)을 자동 분류하여 분석 모형의

핵심 통제 및 독립 변수로 활용하고자 한다. 이러한 하이브리드 분석 방식은 기존의

표준산업분류만으로는 포착하기 어려웠던 디지털 전환기 SW 산업의 실질적인 수요-

공급 연계 구조를 규명하고, 각 부문별 맞춤형 성장 동력 확충 방안을 도출하는 토대

가 될 것이다.

제1절

기존 분류체계의 한계를 극복하는 자동분류 방법

SW산업분석을 장기간 수행해 온 본 연구진은 SW기업의 도메인, 제품·서비스, 기

술수준을 식별하기 위해 지속적으로 노력해 왔다. 예를 들면 SPRi(2021) 은 약 6,000개

이상의 기업에게 설문을 발송하여 해당 기업의 비즈니스 모델과 제품·서비스를 식별

하고자 하였다. 그러나 전통적인 설문방식으로는 유효설문 응답확보의 어려움. 응답

정확성 부족 등으로 신뢰성 있는 SW기업 데이터 확보에 일정한 제약을 겪은 바 있다.

그런데 23년부터 본격 확산되기 시작한 LLM을 활용하면 설문조사에 비해 상대적으

로 낮은 비용으로 방대한 정형·비정형데이터를 자동 매핑할 수 있는 기술적 기회가

있다는 것을 발견했다. 아래에 연구진이 봉착했던 문제점과 해결방법을 상세히 설명한

다.

현행 SW기업 분류의 문제점

가.

일차원적 분류체계

SW기업 별 중장기 성장추이 변화를 분석하기 위해서는 수요부문과 공급 부문의 산

업지형 변화를 정확하게 포착하여야 한다. 그러나 기존의 통계분류 체계가 현실을 따

라가지 못하고 있다. 공급부문에서는 IT서비스/패키지SW/게임SW 등의 승인통계 분류

로, 서비스형 소프트웨어(SaaS), 플랫폼 비즈니스, 구독형 서비스로 빠르게 분화하고

융합하는 현대적인 SW 기업들의 실체를 담아내지 못하는 '통계적 사각지대(Blind

- 10 -

Spot)'를 발생시키고 있다. 이는 혁신적인 비즈니스 모델을 가진 기업들이 적절한 정책

적 지원을 받지 못하거나, 반대로 혁신과는 거리가 먼 기업들이 지원을 받는 비효율을

초래할 수 있다.

나.

SW기업의 도메인(수요산업) 식별 어려움

기존 설문조사 방식의 조사로는 소프트웨어 기업이 속하는 도메인을 의미하는 수요

산업을 정확히 식별하는 것이 매우 난해한 과제였다. 단편적인 기존의 표준산업분류

(KSIC, ISIC 등) 체계는 물리적 재화의 생산을 중심으로 설계되어 있어, 무형의 지식 자

산과 서비스가 결합된 현대 SW 산업의 복잡다단한 가치 사슬을 온전히 포착하는 데

심각한 한계를 드러내고 있다. 전통적인 통계 조사는 매출액, 종업원 수와 같은 정량

적 지표에 의존하여 기업의 외형적 성장을 측정할 뿐, 해당 기업이 보유한 기술적 역

량이나 실제 제공하는 서비스의 본질적 가치를 파악하기 어렵다. 특히, 초기 스타트업

이나 비상장 기업의 경우 재무 데이터가 부재하거나 불충분하여 통계의 사각지대

(Blind Spot)에 놓이는 경우가 빈번하다. 이는 산업 간 경계를 넘어 새로운 산업에 진

출하는 SW기업에 대한 지원 등 시의성 있는 정책 수립을 저해하는 요인이 된다.

다.

SW기업의 제품·서비스 식별 어려움

SW 제품 및 서비스의 '블랙박스(Black Box)'적 속성을 가지고 있다. SW 비즈니스는

단순 용역(SI)과 혁신형 제품(SaaS)이 혼재되어 있으며, 동일한 기업 내에서도 다양한

제품 라인업이 존재한다. 기업의 사업보고서나 IR 자료에 나타나는 비정형적인 설명들

은 표준화되어 있지 않아, 판별하는 데 막대한 비용이 소요된다. 그러나 SPRi(2021)의

사례에서 볼 수 있듯이, 수천 개 기업을 대상으로 한 설문은 응답률의 저조와 답변의

주관성이라는 한계에 직면한다. 웹사이트 설명이나 홍보 문구 등 기업이 시장에 발신

하는 가장 최신의 비즈니스 정보는 대부분 비정형 텍스트 형태로 존재하며, 이를 대규

모로 정량화하여 분석 모델에 투입하는 것은 기술적으로 매우 까다로운 과제였다. 이

러한 식별의 어려움은 결국 혁신적인 SW 기업들이 시장에서 정당한 가치를 평가받지

못하게 하거나, 정책 지원이 엉뚱한 곳으로 향하게 하는 '정보의 비대칭성' 문제를 야

기한다. 결론적으로, SW 기업의 제품과 서비스를 정확히 식별하는 것은 단순히 기업

을 분류하는 작업을 넘어, AI 시대의 성장 동력을 정밀하게 측정하기 위한 필수적인

전제 조건이다. 이러한 식별 과정을 거쳐 도출된 '제조업수요-SaaS서비스모델'와 같은

- 11 -

정교한 변수들은 3장의 실증 분석에서 내생적 성장의 경로를 규명하는 데 핵심적인

역할을 수행하게 된다.

[그림 1 ] 혁신기업의 비정형데이터(수요산업, 제품․서비스) 예시

분석 방법

본 연구의 핵심 방법론은 크게 세 가지 축으로 구성된다.

첫째, 데이터 증강(Data Augmentation)이다. 기업이 공개한 비정형 텍스트 데이터(기

업 소개, 기술 명세, IR 자료 등)를 AI로 해석하여 정형화된 산업 및 서비스 분류 데이

터로 변환함으로써, 결측된 데이터를 복원하고 분석의 모집단을 획기적으로 확장한다.

- 12 -

(Bosheng Ding et al. 2024)

둘째, 정합성 검증(Validation)이다. AI가 생성한 데이터의 신뢰성을 확보하기 위해 텍

스트 임베딩(Text Embedding)과 코사인 유사도(Cosine Similarity)를 활용하여 원본 텍

스트와 분류 결과 간의 의미론적 일치도를 정량적으로 평가한다. (Reese Butterfuss

&Harold Doran 2024)

가.

LLM 기반 다차원 분석 및 의미론적 계층구조 도입

다차원 분석 프레임워크 도입

이에 본 연구는 전통적인 통계적 방법론의 시차(Time-lag)와 분류의 경직성을 극복하

고, AI 시대 SW 산업의 구조적 특성과 미래 잠재력을 정밀하게 파악하기 위해 (Large

Language Model, 대형 언어 모델, 이하 LLM)기반 다차원 분석 프레임워크를 제안한다.

이 프레임워크는 LLM의 고도화된 문맥 이해 능력과 정량적 데이터 분석의 객관성을

결합한 다차원적 접근 방식이다.

[그림 2] 본 연구의 분석대상

계층분류 체계(Taxonomy) 반영

SW 기업은 단일한 기준으로 분류하기 어려울 만큼 다양하고 융복합적이다. 예를 들

어, 동일한 '인공지능(AI)' 기업이라 하더라도, 범용 AI 모델을 개발하는 플랫폼 기업인

지, AI를 활용해 금융 서비스를 제공하는 핀테크(FinTech) 기업인지, 아니면 공장 자동

화 솔루션을 납품하는 제조 특화 기업인지에 따라 그 산업적 성격과 성장 궤적, 정책

적 지원 수요는 판이하다.(Offutt 2025). 이러한 복잡성을 체계적으로 분해하지 않고 단

- 13 -

순히 키워드 매칭에 의존할 경우, 실제와 다른 의미를 가질 위험이 있다.

따라서 본 연구는 분류의 정밀도를 높이고 논리적 일관성을 확보하기 위해 관련성

트리(Relevance Tree) 방법론을 도입하여 분석 단위를 구조화하였다. 관련성 트리는

복잡한 문제를 계층적으로 분해하여 하위 수준으로 내려갈수록 더 세분화된(Granular)

구분을 가능하게 하는 분석 도구이다. 이는 표준적인 조직도와 유사한 형태를 띠며,

상위 개념에서 하위 개념으로의 논리적 연결성을 확보하는 데 유용하다.

<표 1> 수요산업 분석을 위한 관련성 트리 구조

이러한 트리 구조는 각 레벨의 항목들이 상위 레벨과 논리적으로 연결(Connected)되

도록 설계되었으며, 동일 레벨 내의 항목들은 상호 배타적(Mutually Exclusive)이어서

중복을 최소화하도록 구성되었다.8 예를 들어, '자동차'는 상위 분류인 '제조업' 하위

항목으로 분류된다. 이러한 구조화는 LLM이 텍스트를 분석할 때 모호성을 줄이고 명

확한 분류 체계(Taxonomy) 내에서 판단하도록 유도하는 결정적인 역할을 하며 LLM이

가진 방대한 지식 중에서 특정 도메인(SW 산업)에 적합한 지식만을 활성화(Activation)

하고, 환각(Hallucination) 현상을 억제하여 분류의 일관성을 확보하기 위함이다. 또한,

각 카테고리에 대한 정의를 프롬프트에 명시적으로 포함함으로써, 모델이 모호한 경계

에 있는 기업(예: SI이면서 솔루션을 일부 보유한 기업)을 분류할 때 일관된 기준을 적

용하도록 하였다.

레벨

정의

구성 요소 (예시)

분석 목적

Level 1

최상위 주제

SW 산업 생태계

전체 분석 범위 설정

Level 2-1

수요 산업

금융(FinTech), (Smart Factory),

공공(GovTech), 의료(Digital Health),

물류(Logistics)

적용 도메인 및 시장 식별

Level 2-2

고객 유형

B2B/B2C

기업고객/개인고객 유형에

따른 분류

Level 2-3

보유기술

AI, 클라우드, 빅데이터, 블록체인, IoT,

임베디드 등

핵심 기술 역량 파악

Level 3

제품·서비스

생산 관리 시스템(MES), 이상 탐지

솔루션, 모바일 뱅킹 앱, 의료 영상 분석

등

구체적 제품/서비스 단위

분류

- 14 -

제2절

SW기업 자동 분류 : 수요산업, 제품·서비스, 기술

[그림 3] SW기업 자동분류 개념도

SW기업의 수요산업 자동분류: 데이터 확장을 위한 AI 추론

가.

데이터 공백(Data Gap)과 증강(Augmentation)의 필요성

SW 기업의 성장을 분석하는 데 있어 해당 기업의 주력 시장, 즉 '수요 산업'을 파악

하는 것은 필수적이다. 기업의 매출이 어느 산업에서 발생하는지(예: 금융, 제조, 공공)

를 알지 못하면, 해당 기업의 성장 요인이 기술력에 있는지 아니면 전방 산업의 호황

에 있는지 분리해낼 수 없기 때문이다. 그러나 분석 대상인 전체 SW 기업 중 거래처

정보나 매출 내역과 같은 정형 데이터(Structured Data)를 보유한 기업은 3,658개에 불

과했다. 반면, 7,858개에 달하는 대다수 기업, 특히 초기 스타트업이나 비상장 기업은

구체적인 거래 데이터가 부재하여 전통적인 통계 분석의 사각지대(Blind Spot)에 놓여

있었다.

- 15 -

이러한 데이터 공백을 메우기 위해 본 연구는 LLM을 활용한 데이터 증강(Data

Augmentation) 기법을 도입하였다. 데이터 증강은 제한된 학습 데이터를 기반으로 합

성 데이터(Synthetic Data)를 생성하거나, 기존 데이터의 잠재된 속성을 추론하여 데이

터셋의 규모와 품질을 확장하는 기술이다(Bosheng Ding et al. 2024). 최근 자연어 처

리(NLP) 연구에 따르면, LLM은 방대한 텍스트 데이터를 학습하여 일반적인 상식과 도

메인 지식을 보유하고 있으므로, 텍스트 패턴 분석을 통해 결측된 속성(여기서는 수요

산업)을 높은 정확도로 추론할 수 있음이 입증되었다. (Elliot Dauber&Sahit Dendekuri

2024). 특히, 의료나 법률과 같은 전문 분야에서도 LLM을 활용한 데이터 증강이 분류

성능을 향상시킨다는 연구 결과는 본 연구의 방법론적 타당성을 뒷받침한다.

(Huanhuan Zhao1 et al 2024)

나.

지도 학습을 위한 기준 데이터셋(Ground Truth)의 설정

본 연구는 신뢰할 수 있는 추론 모델을 구축하기 위해, 거래 데이터가 확인된 3,658

개 기업을 '지도 학습을 위한 기준 데이터셋(Ground Truth)'으로 설정하였다. 이 기업

들의 '기업 설명 텍스트(Input)'와 실제 매출이 발생하는 '수요 산업 비중(Output)' 간의

상관관계를 분석하여, 텍스트 내의 특정 키워드나 문맥이 어떤 산업과 연관되는지를

식별하였다.

[그림 4] 기존기업의 수요산업을 학습하여 혁신기업 수요산업을 식별

예를 들어, 텍스트 데이터 내에 "PLC 연동", "수율 최적화", "SCM" 등의 용어가 등

장하면 실제 데이터상에서 "제조업" 매출 비중이 높게 나타나는 패턴을 확인하였다.

반면, "마이데이터", "PG 연동", "FDS(이상거래탐지)" 등의 용어는 "금융업"과 강한

- 16 -

상관관계를 보였다. 이러한 패턴은 LLM에게 제공할 '퓨샷(Few-shot)' 예시를 구성하는

기초 자료가 되었다.

다.

프롬프트 엔지니어링(Prompt Engineering) 전략

7,858개 미분류 기업의 수요 산업을 생성하기 위해, OpenAI의 GPT-4.1 모델을 활용

하여 다음과 같은 고도화된 프롬프트 엔지니어링 전략을 적용하였다. 이는 모델의 추

론 능력을 극대화하고 결과의 일관성을 유지하기 위한 핵심 장치이다.3

1) 퓨샷 러닝(Few-shot Prompting)

모델에게 단순히 "이 기업의 수요 산업을 분류하라"고 지시하는 제로샷(Zero-shot)

방식 대신, 기준 데이터셋에서 추출한 전형적인 예시(Exemplar)를 프롬프트에 포함하

여 제공하였다.

<프롬프트 예시>

입력: "당사는 반도체 제조 공정의 수율을 분석하는 AI 솔루션을 제공합니다."

→ 출력: "제조업"

입력: "병원 내 환자 데이터를 통합 관리하는 EMR 시스템을 개발합니다."

→ 출력: "의료업"

입력: "블록체인 기반의 해외 송금 및 결제 플랫폼입니다."

→ 출력: "금융업“

이러한 입력-출력 쌍(Pair)을 다수 제공함으로써, LLM은 특정 기술 용어와 산업 도메

인 간의 매핑 규칙을 문맥적으로 학습(In-context Learning)하게 된다. 이는 별도의 파

인튜닝(Fine-tuning) 없이도 모델이 연구자가 의도한 분류 논리를 모방하도록 유도하여

분류 정확도를 비약적으로 향상시킨다.

2) 생각의 사슬(Chain of Thought, CoT)

복합적인 사업을 영위하는 기업의 경우, 단답형 출력을 요구하면 주력 산업을 놓치

거나 가장 일반적인 카테고리로 뭉뚱그려 분류하는 오류를 범할 수 있다. 이를 방지하

기 위해 "단계별로 생각하라(Let's think step by step)"는 지시어를 통해 모델의 논리

적 추론 과정을 명시적으로 유도하였다.1

- 17 -

- 키워드 추출: 기업 설명 텍스트에서 기술, 제품, 타겟 고객과 관련된 핵심 키워드

를 추출한다.

- 연관 산업 매핑: 각 키워드가 암시하는 잠재적 수요 산업을 나열한다.

- 비중 평가: 나열된 산업 중 기업의 설명에서 가장 큰 비중을 차지하거나 핵심 가

치로 강조되는 산업을 식별한다.

- 최종 결론: 가장 적합한 단일 수요 산업(또는 상위 2개)을 도출한다.

이 과정을 통해 재무 데이터가 없는 7,858개 기업에 대해서도 "제조업 중심", "금융

업 중심", "서비스업 중심" 등 신뢰도 높은 수요 산업 데이터를 생성하였으며, 이를

기존 데이터와 통합하여 분석의 모집단을 획기적으로 확장하였다. 이는 데이터 부족

문제를 해결하고 분석의 완결성을 높이는 데 결정적인 기여를 하였다.

SW기업의 제품/서비스 자동분류: 임베딩 기반의 정합성 검증

가.

LLM을 활용한 서비스 유형 식별

SW 기업이 제공하는 가치의 본질을 파악하기 위해서는 이들이 '무엇(What)'을 파는

지, 즉 제품과 서비스 유형(SaaS, SI, 플랫폼 등)을 정확히 분류해야 한다. 기업 설명

텍스트는 비정형적이고 마케팅 용어가 혼재되어 있어 단순한 키워드 매칭으로는 정확

한 분류가 어렵다. 따라서 본 연구는 LLM에게 'SW 서비스 분류 전문가'라는 페르소나

(Persona)를 부여하고, 사전에 정의된 약 25개의 서비스 카테고리 중 가장 적합한 유형

을 선택하도록 지시하였다(Instruction Prompting).

특히, 최근 SW 산업의 트렌드를 반영하여 'SaaS(서비스형 소프트웨어)', '구독형

(Subscription)', '플랫폼' 등의 키워드를 별도로 태깅(Tagging)하도록 하여, 전통적인 SI

(시스템 통합) 기업과 현대적인 구독형 서비스 기업을 명확히 구분하였다. 이는 기존

통계가 포착하지 못했던 비즈니스 모델을 포착하기 위한 핵심적인 분류 기준이다.

나.

텍스트 임베딩(Text Embedding)과 코사인 유사도(Cosine Similarity) 검증

AI가 생성한 분류 결과는 항상 '환각(Hallucination)'의 위험을 내포하고 있다. 이를 통

제하고 연구 데이터로서의 신뢰성을 확보하기 위해, 본 연구는 텍스트 임베딩(Text

Embedding) 기술을 활용한 정량적 검증 절차를 수행하였다. 이는 텍스트의 의미론적

유사성을 수학적으로 계산하여 분류 결과의 타당성을 검증하는 방법이다(Reese

Butterfuss &Harold Doran 2024).

- 18 -

1) 벡터화 (Vectorization)

OpenAI의 text-embedding-ada-002 모델을 활용하여 '기업의 원본 설명 텍스트'와

LLM이 도출한 '제품·서비스 분류명'을 각각 1,536차원의 고차원 수치 벡터로 변환하

였다. 임베딩 과정에서 텍스트는 단순한 단어의 나열이 아닌, 내재된 의미(Semantic

Meaning)를 담은 위치 좌표로 변환된다. 따라서 "클라우드 기반 인적 자원 관리"와

"HR SaaS"처럼 표면적인 단어가 다르더라도 문맥적 의미가 유사하면 벡터 공간상에서

가까운 거리에 위치하게 된다.

2) 코사인 유사도(Cosine Similarity) 측정

본 연구에서는 분류의 정밀도를 검증하기 위해 두 벡터(원본 설명 벡터 $A$, 분류

결과 벡터 $B$) 사이의 각도를 측정하여 코사인 유사도($\text{Cosine Similarity}$) 값을

산출하였다. 코사인 유사도는 두 벡터의 내적을 각 벡터의 크기($\text{Norm}$)의 곱으

로 나눈 값으로 정의되며, 이는 고차원 공간상에서 두 데이터 간의 방향성 유사도를

정교하게 측정하는 지표로 활용된다 (Hayes 2025)

유사도 값은 -1에서 1 사이로 나타나며, 1에 가까울수록 두 텍스트의 의미가 완벽하

게 일치함을 의미한다. 유클리드 거리와 달리 벡터의 크기(텍스트의 길이)에 영향을

받지 않고 방향성(의미)만을 비교할 수 있어 텍스트 유사도 측정에 가장 적합한 지표

로 평가받는다. (Harald Steck et al. 2024)

3) 정합성 평가 및 필터링

본 연구에서는 산출된 유사도 점수가 특정 임계값(Threshold, 예: 0.85) 이상인 경우

에만 해당 분류를 '신뢰할 수 있는 데이터'로 채택하였다.

- 성공 사례: "클라우드 기반의 인사관리 시스템을 제공한다"는 설명과 "SaaS"라는

분류 결과는 높은 유사도(예: 0.92)를 보여 채택된다.

- 실패 사례: "반도체 장비 제조 및 유지보수"라는 설명과 "SW 플랫폼"이라는 분류

결과는 낮은 유사도(예: 0.45)를 보여 환각으로 간주하고 자동으로 걸러지거나 재

검토 대상으로 분류된다.

이러한 검증 절차를 통해, AI가 생성한 수만 건의 데이터 중 오류 가능성이 높은 데

- 19 -

이터를 자동으로 선별하여 제거함으로써, 연구에 활용 가능한 수준의 높은 데이터 정

합성을 확보하였다. 최종적으로 구축된 데이터셋은 기업의 기술적 특성(비정형)과 재

무적 성과(정형)를 연결하는 분석의 핵심 토대가 되었다.

SW기업의 기술(특허) 분류: 정형데이터 API수집

AI 시대의 소프트웨어 산업에서 기업의 경쟁력은 무형의 지식 자산에 의해 결정된

다. 특히 특허는 복잡한 소프트웨어 알고리즘과 비즈니스 모델을 법적으로 보호받는

기술로 구체화한 결과물이라는 점에서, 기업의 R&D 투자 의지와 기술적 독창성을 보

여주는 핵심 지표로 기능한다(SPRi 2025, 보고서 본문 뼈대.txt). 따라서 본 연구에서는

국내 SW기업의 성장동력을 분석하기 위한 핵심 변수로 특허 데이터를 채택하였으며,

대규모 기업 집단을 대상으로 정밀한 분석을 수행하기 위해 '데이터 수집'과 '질적 등

급 분류' 체계를 구축하였다.

가.

전수 특허 데이터 수집 및 SW 특허의 식별

SW기업이 보유한 특허 데이터를 확보하기 위해 특허청 산하 KIPRIS(특허정보넷)의

오픈 API를 활용한 자동화 수집 체계를 가동하였다. 수집 과정은 단순히 키워드를 검

색하는 수준을 넘어, 데이터의 무결성을 확보하기 위한 다단계 검증 절차를 거친다.

다음 단계는 기업이 보유한 특허 중 소프트웨어 및 AI 관련 기술을 정확히 식별해내

는 것이다. 본 연구에서는 국제 특허 분류 체계인 IPC(International Patent

Classification) 및 CPC(Cooperative Patent Classification) 코드를 활용하였다. 특히 인공

지능 관련 기술인 'G06N'이나 컴퓨터 기반 데이터 처리 기술인 'G06F' 등 소프트웨어

핵심 분류 코드를 기준으로 필터링을 수행하여, 소프트웨어 특허를 별도로 구분하였

다.

기업 식별 및 매칭: 먼저 분석 대상 기업의 사업자등록번호를 기반으로 특허청 관리

고유 번호인 '출원인 식별번호'를 매칭한다. 이를 통해 기업명이 유사하거나 변경된 경

우에도 데이터가 누락되거나 중복되는 오류를 원천 차단한다.

데이터 추출 및 변환: 식별된 번호를 바탕으로 해당 기업이 보유한 모든 특허의 상

세 정보(명칭, 기술 초록, 출원일 등)를 디지털 데이터 꾸러미(XML) 형태로 호출한다.

이때 프로그래밍 언어를 통해 복잡한 구조의 데이터를 엑셀과 같은 분석 가능한 표

형식으로 자동 변환하여, 수만 건의 데이터를 정량적으로 분석할 수 있는 기반을 마련

하였다.

- 20 -

나.

인간 전문가와의 협업 (Human-in-the-loop)

아무리 고도화된 AI 모델이라도 완벽할 수는 없다. 특히 맥락적 판단은 AI가 놓칠

수 있는 부분이다. 본 연구는 이를 보완하기 위해 인간 전문가 검증절차를 분석 프로

세스의 핵심 단계로 통합하였다. 이는 AI가 인간을 대체하는 것이 아니라, 인간의 전

문성을 증강(Augment)하는 도구로 활용되어야 한다는 'Human-AI Collaboration' 철학에

기반한다.(Hayes 2025.)

<표 2> Human-AI 협업 기반의 검증 프로세스

최근 정성적 연구(Qualitative Research) 분야에서도 LLM을 예비 코딩(Coding) 도구로

활용하고 연구자가 이를 검증하는 방식이 시간 효율성을 높이면서도 분석의 깊이를

유지할 수 있음을 시사하고 있다(Hayes 2025). 본 연구는 이러한 방법론을 SW 산업

분석에 적용하여, AI의 처리 속도와 인간 연구자․전문가의 통찰력을 결합함으로써 연구

결과의 타당성과 신뢰성을 확보하였다.

제3절

소결

2장의 분석 결과가 시사하는 첫 번째 함의는 '동태적 기업 분류 체계'이다. 과거의

산업분류에 의한 데이터 분석은 정책의 실효성을 떨어뜨리는 주원인이었다. 따라서 2

장에서 다룬 생성형 AI와 텍스트 마이닝 등 최신 기술을 적극 도입하여, 기업의 실제

기술 역량과 비즈니스 모델을 반영한 분류가 필요다. 이를 통해 통계적 사각지대에 숨

어 있는 유망 혁신 기업을 발굴하고, 맞춤형 정책을 수립하는데 기여할 수 있다.

본 장에서의 SW분류 방법을 적용한 결과를 다음 [그림5] 로 제시한다. 분석대상이

된 모든 SW기업에 대해서 수요산업(제조업/서비스업/SW산업), Biz모델(SaaS여부), 고객

단계

주체

주요 활동

목적

1. 1차스크리닝

AI (LLM)

대규모 텍스트 데이터 분류

데이터 처리의 효율성 및

확장성 확보

2. 이상치 탐지

알고리즘

코사인 유사도 점수가 낮은 사례, 분류

확신도(Confidence Score)가 낮은 사례

자동 선별

검토가 필요한 '관심 대상'

식별

3. 전문가 검증

도메인 전문가

선별된 이상치 후보군에 대한 심층 검토

AI 판단의 오류 수정 및

맥락적 타당성 확보

4. 반복적 개선

연구자 & AI

전문가 피드백을 프롬프트(Few-shot 예시)에

반영하여 모델 재조정(Refining)

모델의 지속적 고도화 및

편향(Bias) 보정

- 21 -

유형(B2B/B2C), 특허 (SW특허 보유여부)를 아래와 같이 분류하였다.

[그림 5] SW기업 자동 분류 결과

분류기준

분포

대상 기업군

①수요산업

제조업 13%

서비스업 57%

SW산업 30%

기존기업,

혁신기업

②Biz모델

SaaS 18%

혁신기업

③고객유형

B2B 57%

B2C 43%

④특허

SW특허보유 75%

- 22 -

‘혁신의숲’은 투자펀드인 TIPS운영사인 마크앤컴퍼니가 운영하는 스타트업의 성장 데이터 수집 및 분석 서비스이다.

이 연구에서는 ‘수요산업이 식별’된 SW기업의 매출액만 집계하였으므로 공식(승인) 통계와는 차이가 있다.

특히 24년 데이터의 경우, 잠정치로서 향후 변경될 수 있다.

제3장

SW산업의 과거 성장동력 분석 (2017~2024)

3장에서는 지난 9년간의 SW기업의 성장동력을 정량적으로 밝힌다. 여기서는 1장에

서 다룬 혁신기업의 중요성에 따라 SPRi(2021) 등 그간의 선행연구에서 다루었던 기존

기업은 산업수준에서 거시적인 변화를, 선행연구가 거의 없었던 혁신기업은 기업수준

에서 미시적인 분석을 수행한다. 기존기업 데이터의 출처는 기업신용평가기관인

KODATA이고, 혁신기업의 데이터 출처는‘혁신의 숲’1)이다. 대상기업은 표준산업분

류체계상 SW산업(J582,J62,J63)을 업종으로 등록한 기업이다.

[그림 6] 본 장에 활용된 기업데이터의 구성

제1절

기존 SW기업의 매출추이

한국 SW기업은 2017년부터 2024년까지 지속적으로 성장해 왔다. 특히 팬데믹 기간

유례없는 비대면 경제의 확산으로 성장이 가팔랐다. 2017년 약 60조 원 규모였던 전체

매출액은 2023년 기준 약 84조 원(추정치)으로 성장하는 양상을 보였다.2) 그러나 성장

궤적을 세부적으로 살펴보면 외부 환경 변화에 따른 상당한 변동성이 관찰된다. 전체

SW산업의 성장은 각 수요 산업의 지형 변화와 밀접하게 연동되어 있다. 2024년 기준

서비스업 수요가 34.4조 원으로 가장 큰 비중을 차지하고 있으며, 제조업 수요(27.7조

원)와 SW산업 자체 수요(21.5조 원)가 그 뒤를 잇고 있다.

- 23 -

SW 산업을 팬데믹 전후로 구분하여 분석하는 이유는 단순히 시간 흐름을 나열하는 것

이 아니라, 각 시기마다 산업의 성장 동력과 주요 기술 패러다임이 구분되기 때문이다.

[그림 7] SW기업의 매출합계 추이(단위 : 원)

<표 3> 팬데믹 전후 SW산업의 성장동력 변화 양상

SPRi(2024)

지난 9년 동안 SW산업은 두 차례의 큰 전환기를 거쳐왔다. 첫 번째는 디지털 전환

기(2017~2019년)로, 4차 산업혁명의 흐름 속에서 클라우드, 빅데이터, IoT 기반의 IT 솔

루션이 폭발적으로 증가한 시기였다. 많은 SW기업들은 ERP, CRM 등의 엔터프라이즈

솔루션을 클라우드 기반으로 전환하며 경쟁력을 확보했다. 두 번째는 팬데믹 전환기

(2020~2022년)로, 원격 근무, 온라인 교육, 비대면 의료 서비스가 필수 인프라로 자리

디지털 전환기

팬데믹 확장기

AI 전환기

기

간

2017~2019년

2020~2022년

2023년~현재

성

장

동

력

-클라우드 서비스 확산

-기업용 SW(ERP, CRM 등)의

클라우드 전환

-디지털 트랜스포메이션 민간

투자 증가

-원격근무·화상회의 솔루션 확산

-비대면 의료·교육·유통 서비스

증가

-비대면,디지털 뉴딜 정책

-보안SW 및 협업툴 급성장

-AI서비스

-데이터 분석·예측 자동화 수

요 증가

-AI 기반 자동화 및 맞춤형

솔루션 부각

주

요

기

술

-클라우드 컴퓨팅

-빅데이터 및 저장소 기술

-IoT

-API 기반 서비스 연동

-원격근무 솔루션

-보안 SW

-SaaS 기반 협업툴 및 생산성

-챗봇 및 RPA

-대형 AI 모델(LLM)

-AI 기반 자동화(RAG, AI 코

드 생성)

-AI 기반 영상·음성·텍스트

- 24 -

잡으며 SW서비스 산업이 급격히 성장했다. 이 기간 정부의 막강한 정책적 지원도 SW

시장 확대에 힘을 보탰다 (SPRi 2024).

그리고 지금은 AI 전환기(2023년~현재)에 와 있다. AI는 SW산업의 핵심 동력으로

자리 잡았으며, 기존 SW 솔루션이 AI 기반으로 빠르게 재편되고 있다. 기업들은 AI를

기존 시스템에 접목하는 수준을 넘어, AI서비스가 등장하며 새로운 시장을 창출할 것

이 기대되고 있다. 과거 클라우드 기술이 SW산업을 혁신했듯이, AI 서비스는 SW산업

의 본질을 다시 한 번 변화시키고 있다. AI는 단순한 자동화 기술이 아니라, 지속적으

로 학습하고 최적화되는 지능형 의사결정 서비스 중심 패러다임을 만들어가고 있다.

이것은 과거 10년간의 디지털 전환기, 그리고 팬데믹이라는 특수한 환경에서 성장

한 비대면 서비스 확대기에 이어, SW산업이 맞이하는 또 한 번의 도약 기회다. AI 전

환기를 맞아, SW산업은 다시 한번 성장할 기회를 노리고 있다. 이 기회를 잡는 기업

들은 국내 외 AI 시장에서도 강력한 경쟁력을 확보하게 될 것이다.

[그림 8] SW기업의 수요산업별 매출합계 추이(단위 : 원)

- 25 -

M2,M3,M4.... 는 별첨1의 패널회귀분석표의 분석모델 번호임

주목할 점은 팬데믹 시기를 전후하여 수요 산업별 성장 궤적도 극명하게 갈렸다는

점이다. 팬데믹 이전(2017~2019)에는 제조업과 서비스업 수요가 동반 성장하는 안정적

인 추세를 유지하였으나, 2020년 팬데믹이 시작되면서 제조업을 주요 수요처로 하는

SW기업들은 역성장을 경험하였다. 제조업 수요처로 하는 SW기업은 2019년 25.0조 원

에서 2020년 20.3조 원으로 감소하였는데, 이는 글로벌 공급망 마비와 제조 현장의 가

동 중단이 SW 투자 위축으로 직결되었음을 보여준다. 반면 서비스업 수요는 비대면

서비스의 확산에 힘입어 회복 탄력성을 보였다.

제2절

기존기업의 외생적 성장

기존기업의 성장요인 분석은 솔로(Solow) 외생적 성장모형의 실증 모델인 콥-더글라

스(Cobb-Douglas) 생산함수의 논리 체계에서 출발한다. 솔로(Solow)의 신고전파 성장

이론(Neoclassical Growth Theory)은 노동과 자본을 경제성장의 핵심변수로 취급했다.

이 장에서는 솔로 모형은 국가나 산업의 부가가치 창출이 노동(Labor)과 자본(Capital)

이라는 핵심 생산요소의 양적 결합과 함께 수요산업을 변수로 삼는다.

그래서 기업의 매출성장률을 생산함수의 산출물(Output)로 설정하고, 솔로 모형의

핵심 투입 변수인 노동(종업원 수)과 자본(로그 자본금)을 설명변수로 배치하였다. 아

울러 기업 외부의 거시적 환경 변화를 통제하고 그 실질적인 영향력을 식별하기 위해

환율, 물가, GDP 성장률과 같은 외생적 경제 지표를 모델에 포함하였다. 특히 팬데믹

과 같은 유례없는 외부 충격이 각 수요 산업(제조업, 서비스업, SW산업)이 SW기업 매

출을 어떻게 변화시켰는지 포착하기 위해 산업별 수요 더미를 결합한 확장 모델(별첨

1. M1~M6)을 구축하였다. 이러한 방법론적 구성은 1장에서 제기한 ‘요소 투입형 성

장의 한계’와 ‘수요 산업 지형의 변화’라는 연구 문제를 계량적으로 검증하고, 향

후 AI 시대에 부합하는 새로운 성장 공식을 도출하기 위한 분석적 토대가 될 것이다.

생산요소별 성장 기여도 변화 분석: 노동에서 자본으로

1장에서 제기된 '노동 투입 중심 성장 모형의 한계'를 검증하기 위해 기존기업의 생

산요소별 탄력성을 M2(노동 중심) 및 M3(자본 중심)3) 모델을 통해 분석하였다. 분석

결과, 시간이 경과함에 따라 SW산업의 성장 동력이 인적 자원에서 기술 자본으로 이

동하고 있음을 확인할 수 있었다.

- 26 -

<표 4> 시기별 노동과 자본의 매출성장 기여도 변화 (단위: 계수값, 괄호 안은 표준오차)

시기

노동 투입 계수

(M2, employee)

자본 투입 계수

(M3, lcapital)

시기별 영향력 변화

요약

팬데믹 이전

(~2019)

0.001*** (0.000)

0.004 (0.003)

노동투입의 영향을

받으나 자본투입의

영향은 유의하지 않

음

팬데믹 기간

(2020~2022)

0.000*** (0.000)

0.019*** (0.008)

노동 기여도가 미미

하고 자본 영향력이

유의해짐

팬데믹 이후

(2023~)

0.000*** (0.000)

0.033*** (0.004)

자본 집약적 성장 모

델로의 전이

별첨1 참조

위 분석 결과는 SW산업이 더 이상 단순한 인력 충원만으로는 성장을 담보할 수 없

는 단계에 이르렀음을 나타낸다. 특히 팬데믹 이후에 자본 투입(lcapital)의 계수값이

유의해 지면서 증가(0.004→0.016***→0.035***) 한 것은, AI 및 클라우드 전환 등 인프

라 투자가 실제 매출 성장을 견인하는 핵심 동력으로 자리 잡았음을 시사한다.

수요산업별 성장 탄력성 분석 : 제조업(M4), 서비스업(M5), SW산업(M6)

기존 SW기업이 타겟으로 하는 수요처가 매출 성장에 미치는 영향은 팬데믹이라는

외부 충격을 거치며 매우 역동적으로 변화하였다. 1장에서 제기된 '수요견인 성장 모

형의 유효성'과 'SW산업 내부거래의 대안적 역할'을 검증하기 위해 수요산업별 더미

변수를 활용한 M4~M6 모델을 분석한 결과는 다음과 같다.

<표 5> 시기별 수요산업의 매출성장 기여도

시기

제조업 수요

(M4,d_manuf)

서비스업 수요

(M5,d_service)

SW산업 수요

(M6,d_sw)

팬데믹 이전

(~2019)

0.014 (0.012)

0.044***

(0.008)

-0.018**

(0.008)

팬데믹 기간

(2020~2022)

0.025 (0.017)

0.062***

(0.011)

0.030***

(0.011)

팬데믹 이후

(2023~)

-0.004 (0.016)

0.015 (0.011)

-0.072***

(0.010)

별첨1 참조

- 27 -

가.

제조업 수요(M4) : 성장 기여도 미미

제조업을 주 수요처로 하는 기업들은 전 기간에 걸쳐 성장에 유의미한 영향을 미치

지 못하였다. 1절에서의 추세분석 결과와 같이 글로벌 공급망 붕괴에 따른 제조 현장

의 가동 중단이 SW투자 축소 이어진 후 팬데믹 기간을 지나서도 제조 기업들이 제조

현장의 지능화나 디지털 전환 수요를 적기에 흡수하지 못하는 경직성을 가지고 있음

을 시사한다.

나.

서비스업 수요(M5) : 팬데믹 이후 성장동력 약화

서비스업 수요는 팬데믹 이전과 팬데믹 이후 유의한 양(+)의 관계를 기록하였다. 비

대면 경제로의 급격한 전환이 기존 SW기업들에게 일시적인 매출 확대 기회를 제공한

것이다. 그러나 팬데믹 이후 다시 유의성을 상실하며 성장의 지속성을 담보하지 못하

고 있는데, 이는 혁신 기업들이 SaaS 등 고도화된 서비스 모델로 시장을 대체하면서

기존 기업의 단순 서비스 수요가 위축되고 있기 때문으로 추정된다.

다.

SW산업 수요(M6): 팬데믹 기간을 제외하고는 부정적 영향

가장 주목할 점은 SW기업 간 거래를 의미하는 SW산업 수요(M6)는 SW기업 성장에

유의하지 않거나 오히려 부정적인 영향(음의 관계)를 가진다는 것이다. 이는 기존 SW

업계 내부의 하청구조가 해당 기업들의 성장성을 심각하게 저해하고 있음을 보여주는

방증이다.

- 28 -

제3절

기존기업 내생적 성장

2절을 통하여 제조업이라는 거대 수요처를 성장의 모멘텀으로 활용하지 못하고 있으

나. 팬데믹 이후 급격히 확대되고 있는 ‘자본투입의 영향력’은 집약적 투자를 통한

성장의 가능성이 있다는 것을 알 수 있었다., 이는 향후 SW기업이 경쟁력에 기반한 '

자본 투자'를 추진하는 방향으로 전환되어야 함을 강력히 시사한다. 이번 절에서는 자

본투입을 위한 기업의 활동이 실제 고성장으로 연결되는지를 SW기업의 다른 특성화

함께 한단계 더 심도있게 분석하고자 한다.

SW기업의 성장동력 분석모델

가.

주요 설명변수의 정의

본 분석에 사용된 주요 설명변수들은 기업의 동태적 역량과 시장의 평가를 입체적으

로 반영하도록 설계되었다.

첫째, 업력(age)은 기업이 설립된 이후 경과된 연수를 의미한다. 이는 기업의 경험

축적이라는 긍정적 측면과 함께, 변화하는 기술 환경에서 과거의 성공 방식에 안주하

게 되는 ‘경로 의존성’이나 조직의 경직성을 측정하는 지표로 활용된다 (Acemoglu

& Robinson 2012).

둘째, 기업규모(FirmSize)는 소기업(외감미만(0), 외감기업(1), 중기업(2), 중견기업(3),

대기업(4))으로 단계별로 구분한 변수이다. 이는 자원의 가용성이 성장에 미치는 영향

을 통제하는 동시에, 규모의 경제가 SW 산업의 내생적 성장에 기여하는 바를 확인하

기 위함이다.

셋째, 투자유치 활동(d_innovator)은 벤처캐피털(VC) 등 외부 자본을 유치하기 위해

적극적인 활동을 수행하고 있는 상태를 나타내는 더미 변수이다. 이는 기업이 현재 기

술력을 바탕으로 시장에 혁신 신호를 보내고 있는 '혁신 의지'의 대리 지표이다.

넷째, 투자유치 성공(d_invest)은 실제로 외부 투자가 집행되어 시장에서 기술력과 성

장 가능성을 공인받은 상태를 의미한다. 이는 모키르(Mokyr)가 강조한 '처방적 지식'이

실질적인 자본과 결합하여 경제적 가치를 창출하기 시작한 단계로 해석할 수 있다

(Mokyr 2002)

- 29 -

분석 결과 : 성장동력의 실증적 검증

실증 분석 결과는 SW 산업의 성장이 외부자본의 투자유치와 밀접하게 연계되어 있

음을 극명하게 보여준다.

<표 6> 투자유치가 매출 성장률에 미치는 영향 (단위: 계수값, 괄호 안은 표준오차)

(1)

(2)

투자유치 활동

투자유치 성공

업력

-0.033***

(0.000)

기업규모

0.074***

0.077***

(0.007)

투자유치활동

0.200***

(0.012)

투자유치성공

0.234***

(0.015)

_cons

0.428***

0.434***

(0.006)

131705

Standard errors in parentheses

*p< 0.10,**p< 0.05,***p< 0.01

가.

업력(age)

우선, 업력(age)의 영향력은 선행연구의 결과와 동일하였다. 분석 결과 업력은 매출

성장률과 통계적으로 유의한 음(-)의 상관관계를 나타낸다 (-0.033). 이는 오래된 기업

의 성장 속도가 점진적으로 둔화된다는 본 연구자의 선행연구(SPRi 2024)를 다시 한번

입증하며, 오래된 SW 기업들이 새로운 기술 패러다임에 적시에 대응하지 못할 경우

성장의 정체에 빠질 위험이 크다는 점을 시사한다. 이는 모키르가 설명한 '지식의 확

산과 제도적 장벽'의 문제로, 오래된 기업일수록 새로운 처방적 지식을 습득하는 데

드는 비용이 증가하기 때문이다 (Mokyr 2017). 따라서 AI 시대를 맞이하여 기존 SW

기업들이 '전통적 개발 방식'이라는 경로 의존성에서 벗어나 신속하게 AI 기반 비즈니

스 모델로 피벗(Pivot)할 수 있도록 돕는 정책적 자극이 필요하다.

신규 기업의 역동성

업력 5년 미만의 초기 스타트업 집단에서 매출액 성장률(g_revenue)의 변동 폭이 가

- 30 -

장 크게 나타났다. 이는 아세모글루 교수가 주장한 '파괴적 혁신'이 주로 젊은 기업군

을 통해 발현되고 있음을 통계적으로 지지한다 (Acemoglu 2025).

기존 기업의 성장 정체

업력 15년 이상의 중견 기업군에서는 매출 성숙기에 진입하며 성장률이 완만해지는

경향을 보인다. 이는 처방적 지식의 고착화(Lock-in) 현상으로 해석될 수 있으며, 이들

기업에 대한 AI 도입 및 조직 혁신 유도 정책의 필요성을 뒷받침한다.

나.

기업규모

그러나, 기업 규모는 기존의 지배적인 경제학적 통념과는 사뭇 다른 양상을 보였다.

일반적으로 기업 성장에 관한 다수의 선행 연구들은 소규모 기업이 대규모 기업보다

더 역동적으로 성장한다는 '지브라의 법칙(Gibrat's Law)'의 기각 사례를 주로 보고해

왔다(Evans 1987). 하지만 본 실증 분석 결과에 따르면, 관찰 기간 동안 SW 기업은 규

모가 클수록 매출 성장률이 오히려 유의미하게 높아지는 경향(0.074~0.077)이 관찰되었

다 이는 팬데믹 이후 급격한 디지털 전환기를 거치며 자본력과 브랜드 파워를 갖춘

상위 기업들이 시장의 수요를 선점하고 글로벌 경쟁력을 확보하기 위한 임계 규모

(Critical Mass)에 도달했음을 시사한다. 정작 우리가 데이터를 통해 주목해야 할 핵심

은 기업 규모 그 자체보다 해당 기업이 전개하는 '혁신 활동의 질'이다.

다.

투자유치

마지막으로 본 분석에서 가장 주목해야 할 대목은 세 번째 설명변수인 투자유치 활

동과 실제 성공이 매출 성장에 미치는 압도적인 영향력이다. 분석 결과, 외부 투자를

유치하기 위해 적극적으로 움직이는 활동(d_innovator) 그 자체만으로도 기업의 성장률

은 약 20.0%p 상승하는 것으로 나타났으며(0.200), 실제 투자 유치에 성공한 경우

(d_invest)의 효과는 23.4%p로 분석되었다(0.234).

여기서 우리가 눈여겨봐야 할 점은 투자유치 '활동'과 '성공' 사이의 계수 차이가 생

각보다 크지 않다는 사실이다. 또한, 이 두 변수의 회귀계수 크기는 앞서 살펴본 업력

(-0.033)이나 기업규모(0.077)가 미치는 영향력을 압도하는 수준이다. 이는 SW 산업에

서 실제 자본유치의 성공여부 못지않게, 기업이 자신의 기술력을 시장에 증명하고 투

자자를 설득하기 위해 비즈니스 모델을 고도화하는 '혁신 프로세스' 자체가 성장의 핵

심 동력으로 작동하고 있음을 시사한다. 즉, 시장의 검증을 받으려는 시도 그 자체가

기업의 체질을 개선하고 성장을 견인하는 강력한 내생적 요인이 된다는 것이다.

- 31 -

기존기업 분석 소결

이러한 분석 결과는 향후 SW 산업 정책이 지향해야 할 방향에 대해 매우 중요한 시

사점을 제공한다.

첫째, 기업규모라는 외형적 조건은 성장을 뒷받침하는 토대일 뿐, 실제 성장의 폭발

력을 결정짓는 가속 페달은 기술 혁신을 주도하고 시장의 신뢰를 자본으로 연결하는

적극적인 혁신 지향적 행위인 것이다. 결국 성장의 본질은 기업의 크기가 아니라 모키

르(Mokyr)가 강조한 것처럼 지식과 자본을 결합하여 새로운 경제적 가치를 창출해내는

혁신 역량에 달려 있다 (Mokyr 2017).

그러므로 정책의 초점을 투자유치 '결과' 뿐만 아니라 '활동' 그 자체를 독려하는 방

향으로 확대해야 한다. 투자 유치 성공은 시장의 선택이라는 변수가 작용하지만, 투자

유치를 위한 활동은 기업의 혁신 의지에 달려 있다. 투자유치 활동의 계수(0.200)가 기

업규모나 업력의 효과를 훨씬 상회한다는 점은, 더 많은 SW 기업이 자본 시장의 문을

두드리도록 유도하는 것만으로도 산업 전체의 성장 탄력을 상당 부분 확보할 수 있음

을 의미한다.

따라서 본질적인 성장 동력은 여전히 '혁신의 질'에 있다. 기업이 단순히 덩치를 키

우는 전략보다 끊임없이 혁신적인 시도를 지속할 수 있는 생태계를 조성하는 것이 훨

씬 효율적임을 뒷받침한다. 이는 모키르(Mokyr)가 주장한 것처럼, 경제 성장의 지속성

은 물리적 자원의 크기가 아니라 새로운 지식을 경제적 가치로 전환하려는 혁신적인

문화와 제도적 뒷받침에서 비롯되기 때문이다 (Mokyr 2017).

결론적으로, 한국 SW 산업의 내생적 성장을 가속화하기 위해서는 기업들이 자본 시

장이라는 냉혹한 검증대 위에 스스로를 세우도록 독려해야 한다. 이러한 '혁신적 시도'

가 활발해질 때, 자본과 기술이 유기적으로 결합하며 1절에서 지적한 성장 한계를 극

복할 수 있을 것이다.

제4절

혁신기업의 성공요인 분석

상기 2절에서 투자유치 활동 여부가 기업 성장의 강력한 결정요인임을 확인한 바 있

는데 본 절에서는 이를 투자유치 활동을 하는 기업을 대상으로 분석의 심도를 깊게하

고자 한다. 이에 이들 투자유치 활동 기업을 ‘혁신기업’ 으로 정의하고 이 기업들

의 내부적인 성장 동력을 심층 분석한다. 이는 단순히 외부 자본의 수혈 여부를 넘어,

- 32 -

혁신을 지향하는 기업들이 보유한 지식 자산(특허)과 비즈니스 모델(SaaS, B2B/B2C),

그리고 수요 산업이 실제 매출 성장과 투자유치 성공에 어떻게 기여하는지 규명하기

위함이다.

이는 기업의 내생적 성장 동력을 규명하기 위한 핵심 분석으로, 혁신 기업의 기술적

특성과 시장의 평가 기제 사이의 상관관계를 도출하는 데 목적이 있다 (Romer 1986).

1980년대 로머(Romer)와 루카스(Lucas) 등에 의해 주창된 내생적 성장 이론

(Endogenous Growth Theory)은 이러한 관점에 적합한 모델이다. 이 이론은 기술 혁신

과 지식의 축적을 경제 시스템 내부에서 결정되는 '내생적 변수'로 포섭했다. 이에 따

르면, 기업의 연구개발(R&D) 투자와 인적 자본(Human Capital) 축적은 새로운 지식을

창출하고, 이 지식은 비경합적(Non-rival) 특성으로 인해 경제 전체로 확산(Spillover)되

어 수확 체증(Increasing Returns)을 유발한다.

전통적인 생산함수가 노동과 자본의 양적 투입에 주목했다면, 내생적 성장 이론

(Endogenous Growth Theory)은 기업내부의 혁신과 지식 축적이 성장을 견인한다고 본

다. 본 절에서는 한국 SW 기업들이 단순히 자본을 투입하는 수준을 넘어, 어떠한 혁

신적 유인을 통해 내생적 성장을 도모하고 있는지 실증적으로 분석하고자 한다. 특히

시장에서의 혁신 의지와 그에 따른 자본의 선택이 기업 성장에 미치는 영향을 중점적

으로 살펴본다.

주요 설명변수의 정의

본 연구에서는 혁신기업의 성공 요인을 다각도로 포착하기 위해 기업의 비즈니스 모

델, 시장 구조, 기술적 역량을 아우르는 변수 체계를 설계하였다. 각 변수는 조엘 모키

르(Joel Mokyr)의 지식 기반 경제 성장론을 바탕으로, '지식의 축적'이 어떻게 '경제적

가치'로 전환되는지를 실증적으로 측정하는 역할을 한다.

가.

SaaS 서비스 모델(saas)

SaaS(Software as a Service) 모델은 단순히 소프트웨어의 배포 방식을 넘어, 혁신적

인 ‘명제적 지식’이 시장에서 실제 가치를 창출하는 ‘처방적 지식’으로 변환되는

과정에서 발생하는 접근 비용(Access Costs)을 획기적으로 낮추는 핵심 기제이다. 기존

의 온프레미스(On-premise) 방식이 고가의 초기 구축 비용과 복잡한 유지보수로 인해

지식의 확산을 저해했다면, 클라우드 기반의 구독형 모델은 시장 진입 장벽을 제거함

으로써 기술 혁신이 경제 전반으로 빠르게 전이되도록 돕는다. 이는 기업 측면에서 사

- 33 -

용자 데이터를 실시간으로 수집하여 제품을 지속적으로 고도화할 수 있는 선순환 구

조를 구축하게 하며, '학습과 개선'의 반복을 가능케 하여 수익의 지속 가능성과 확장

성을 동시에 측정하는 지표가 된다 (Mokyr 2017)

나.

SW기술 수준(sw특허활동수)

기업이 보유한 SW 관련 특허 활동 수는 해당 기업이 확보한 기술적 전문성과 지식

축적의 깊이를 대변하는 핵심 지표이다. 조엘 모키르(Joel Mokyr)의 관점에서 특허는

단순한 법적 권리를 넘어, 자연의 현상과 원리에 대한 이해인 ‘명제적 지식

(\Omega)’을 구체적인 기술적 문제 해결책인 ‘처방적 지식’으로 체계화하여 명문

화한 결과물이다 (Mokyr 2002). 본 연구에서는 기업별 특허 활동의 빈도를 기준으로,

혁신적인 기술 자본을 집중적으로 축적한 ‘고기술(High-tech)’ 집단과 상대적으로

기술 도입 및 응용에 치중하는 ‘저기술(Low-tech)’ 집단을 구분하여 기술적 잠재력

이 실제 시장 성과에 미치는 영향을 분석한다.

다.

고객유형(b2b/b2c)

기업(B2B)과 소비자(B2C)라는 고객 층의 구분은 혁신 기술이 시장 성과로 매핑

(Mapping)되는 경로와 구조적 환경의 차이를 규명하는 데 필수적이다. B2C 시장은 개

인 소비자의 빠른 기술 수용도와 낮은 전환 비용을 바탕으로 파괴적 혁신이 폭발적인

매출 성장을 일으키기 용이한 환경을 제공하는 반면, B2B 시장은 기존 레거시 시스템

과의 호환성, 공정의 안정성 중시, 보수적인 의사결정 체계 등으로 인해 신생 혁신 기

업이 뚫고 들어가기 어려운 강력한 진입 장벽을 형성한다. 따라서 고객 유형별 분석은

혁신 기업이 보유한 기술적 역량이 시장의 성격에 따라 어떻게 다른 성장 패턴을 보

이는지, 특히 제조업과 같은 전통적인 산업 영역에서 기술 확산이 지체되는 구조적 원

인이 무엇인지를 파악하는 근거가 된다 (Acemoglu 2025).

라.

수요 산업(제조업/서비스업/SW산업)

본 모델에서 수요 산업은 혁신기업이 자신의 기술을 투여하기 위해 의도적으로 선택

한 '전략적 타겟'을 의미한다. 제1절의 기존기업 분석에서 수요 산업을 거시 경제적 흐

름에 따른 외부 환경(외생변수)으로 다룬 것과 달리, 혁신기업 모델에서는 기업이 어

떤 산업의 문제를 해결하고자 하는지를 결정하는 내생적 선택 변수로 설정한다.

특히 혁신기업은 기존 기업처럼 다각화된 제품 포트폴리오를 통해 불특정 다수의 고

객을 기다리는 것이 아니라, 상대적으로 좁고 명확한 타겟 고객층(Niche Market)을 대

상으로 비즈니스를 개시한다. 따라서 제조업, 서비스업, 혹은 SW 산업 중 어느 분야를

- 34 -

혁신의 전장으로 선택하느냐는 해당 기업의 수익 구조뿐만 아니라, 시장(투자자)이 판

단하는 확장성과 회수 가능성에 결정적인 영향을 미치는 변수가 된다. 이러한 전략적

선택은 모키르가 설명한 것처럼 새로운 지식이 어떤 경제적 분야에서 실용화되어 '처

방적 지식'으로 전환될지를 결정하는 핵심적인 행위이다.

투자유치 성공요인 분석 : 특허를 다수 보유한 SaaS 기업이 유리

혁신 스타트업의 첫 번째 관문은 투자자로부터 잠재력을 인정받는 것이다. 이를 위

해 ‘투자유치 성공 여부’를 종속변수로 한 프로빗(Probit) 회귀분석을 실시하였다.

프로빗 모델은 특정 요인이 사건 발생 확률을 얼마나 높이는지를 추정하는 데 적합하

며, 분석결과를 요약하여 ‘투자유치성공’확률이 높아지는 설명변수의 조합을 아래

그림과 같이 도식화할 수 있다.

상기 도식을 구체적으로 설명하면 다음과 같다.

첫째, 서비스 모델 측면에서는 'SaaS' 모델의 우위가 압도적이다. <표7>을 보면 SaaS

모델 보유 변수는 모든 모델에서 가장 높은 수준의 양(+)의 계수값(p<0.01)을 기록하면

[그림 9] 투자유치 성공 요인 : SaaS모델, 특허보유, SW하청기업 아님

- 35 -

서 계수는 0.264***로, 특허 활동에 비해 약 7배 이상 강력한 설명력을 가지는 것으로

나타났다. 이는 투자자들이 일회성 구축형 SI 매출보다 예측 가능하고 확장성이 높은

반복 매출(Recurring Revenue) 구조에 더 높은 가치를 부여하고 있음을 실증한다.

둘째, 기술 자본 역량의 척도인 'SW 특허' 보유 수 역시 유의미한 변수로 작용하여

투자 유치 확률에 유의미한 양(+)의 영향(0.037***)을 미치고 있으나, 그 계수 값은 예

상보다 크지 않았다.

이는 투자자들이 기업이 보유한 원천 기술(명제적 지식) 자체도 중요하게 여기지만,

그 기술을 얼마나 확장 가능하고 안정적인 수익 모델(SaaS)로 구현해냈는지를 훨씬 더

결정적인 투자 잣대로 삼고 있음을 시사한다. 즉, 기술적 난이도라는 '지식의 깊이'보

다는 접근 비용을 낮추고 시장을 빠르게 점유할 수 있는 '비즈니스 모델의 확장성'이

투자유치를 위해서는 더 유리한 역량으로 작동하고 있는 것이다. 한편, 이러한 경향성

은 팬데믹 이전과 이후를 막론하고 시기별로 큰 차이 없이 일관되게 관찰되어, 혁신기

업의 본질적인 성공 방정식으로 자리 잡았음을 알 수 있다.

<표 7> 투자유치 성공요인 기본모델 (단위: 계수값, 괄호 안은 표준오차)

(1)

(2)

(3)

(4)

전체기간

팬데믹이전

팬데믹시기

팬데믹이후

SaaS 서비스모델 여부

0.264***

0.161**

0.308***

0.292***

(0.044)

(0.065)

(0.042)

(0.041)

B2B

-0.038

-0.037

-0.060

-0.003

(0.073)

(0.108)

(0.072)

(0.071)

B2C

-0.084

-0.083

-0.105

-0.058

(0.071)

(0.106)

(0.069)

(0.068)

SW특허수

0.037***

0.030***

0.039***

0.040***

(0.003)

(0.005)

(0.003)

Constant

-0.263***

-0.144

-0.282***

-0.338***

(0.076)

(0.112)

(0.074)

(0.073)

Observations

41712

10853

18326

12533

* p < 0.10, ** p < 0.05, *** p < 0.01

한편, 초기 분석에서 투입되었던 고객유형(B2B/B2C)은 투자 유치 여부에 통계적으로

유의미한 영향을 미치지 않는 것으로 나타났다. 이는 투자자들이 단순히 '누구에게 파

는가'보다는 '어떤 모델로 파는가'와 '어떤 기술을 가졌는가'라는 기업 본연의 혁신 역

량에 집중하고 있음을 말해준다. 또한, 이러한 경향은 팬데믹 전후 시기에 상관없이

일관되게 관찰되어, AI 시대 혁신 기업을 선별하는 시장의 본질적 기준이 견고함을 확

인하였다.

- 36 -

반면, 수요 산업 요인에서 'SW 산업 외부(Non-SW)' 수요 확보 여부가 투자 유치에

결정적인 역할을 하는 것으로 확인되었다. <표8>에서 SW산업을 수요기업으로 둔 경우

계수값이 –0.237로서 주요 수요처가 SW 산업 내부(하청 및 협력업체 간 거래)가 아닌

기업, 즉 SW 산업이 아닌 외부 산업을 주요 시장으로 확보한 기업일수록 투자 유치

성공 확률이 통계적으로 유의미하게 높게 나타나는 것이다. 이는 자본 시장이 SW 기

업 간의 단순 용역이나 하청 구조에 머무는 기업보다는, 제조나 서비스 등 타 산업 분

야의 디지털 전환을 직접 리드하며 독자적인 시장 가치를 창출하는 기업의 확장성과

성장 잠재력을 훨씬 높게 평가하고 있음을 의미한다. 다만 서비스업 수요(0.038)와 제

조업 수요(-0.059)를 대상으로 하는 SW 기업들은 투자 유치에 있어 큰 차이가 없었다.

<표 8> 투자유치 성공요인 확장모델 (단위: 계수값, 괄호 안은 표준오차)

매출성장률 분석 : 서비스 업종의 B2C 고객이 성장에 유리

투자 유치가 시장의 '기대'라면 매출 성장률은 시장의 '검증'이다. 본 연구에서는 확

률효과(Random Effects) 패널 모형을 통해 매출 성장률) 영향을 미치는 요인을 분석하

였다.

B2C 기반의 가파른 성장: 고객 유형별 분석에서 B2C(기업-소비자 거래) 중심 기업은

전체 기간 동안 +0.058의 성장 기여도를 보였으며, 특히 팬데믹 이전에는 +0.25이라는

압도적인 고성장을 기록했다. 이는 모바일 앱 등 대중 소비자를 겨냥한 경량화된 서비

스 모델이 매출 확대 측면에서 가장 민감하게 반응했음을 입증한다.

(1)

(2)

(3)

(4)

전체산업

제조업

서비스업

SW산업

SaaS 서비스모델 여부

0.274***

0.277***

0.270***

0.299***

(0.043)

SW특허수

0.037***

0.038***

(0.003)

제조업수요

-0.059

(0.094)

서비스업수요

0.038

(0.049)

SW산업수요

-0.237***

(0.071)

Constant

-0.325***

-0.324***

-0.328***

-0.316***

(0.021)

Observations

41712

- 37 -

서비스업 수요의 성장 쏠림 : 확장 모델인 <표 10>에 따르면, 서비스업 수요를 대상

으로 하는 기업의 성장률 기여도는 0.105 로 매우 높게 나타난 반면, 제조업 수요의

기여도는 통계적으로 유의미한 수준에 도달하지 못했다.

[그림10] 매출 고성장 요인 : B2C+서비스업

<표 9> 매출성장요인 기본모델 (단위: 계수값, 괄호 안은 표준오차)

* p < 0.10, ** p < 0.05, *** p < 0.01

흥미로운 점은 SW 특허 활동 수가 매출 성장률에는 미미하게 부정적인 영향을 미치

(1)

(2)

(3)

(4)

전체기간

팬데믹이전

팬데믹시기

팬데믹이후

SaaS 서비스모델 여부

0.058***

0.061

0.055**

0.048*

(0.018)

(0.048)

(0.028)

(0.026)

B2B

-0.043

0.077

-0.055

-0.059

(0.033)

(0.089)

(0.043)

(0.048)

B2C

0.058*

0.250***

0.055

-0.020

(0.031)

(0.085)

(0.040)

(0.046)

SW특허수

-0.005***

-0.005*

-0.006***

-0.005***

(0.001)

(0.003)

(0.002)

Constant

0.460***

0.419***

0.551***

0.307***

(0.034)

(0.092)

(0.045)

(0.050)

Observations

29771

4814

14163

10794

- 38 -

는 것으로 나타났다는 점이다(-0.005***). 이는 고기술(High-tech) 기반 기업들이 보유

한 특허가 즉각적인 매출로 연결되기까지 상당한 연구개발 시간과 시장 검증 기간이

소요됨을 의미한다. 즉, 특허 활동이 활발한 고기술 기업들은 단기적인 매출 극대화보

다는 지식의 축적과 파괴적 혁신을 위한 준비 단계에 머물러 있을 가능성이 높으며,

이는 창조적 파괴 과정에서 필연적으로 발생하는 성장의 시차(Time-lag)로 해석될 수

있다 (Aghion & Howitt 1992).

SaaS 모델의 성장 기여도: SaaS 서비스 모델을 채택한 기업의 매출 성장 기여도 계

수는 +0.058로 유의미한 양(+)의 값을 기록했으나, 투자 유치 모델에서의 기여도에 비

해서는 그 폭이 상대적으로 낮았다. 이는 SaaS 모델이 기업 성장의 핵심 동력임은 분

명하나, 투자 시장의 기대치에 비해 실제 매출 성과로 연결되기까지는 일정한 시차가

존재함을 의미한다.

<표 10> 매출성장요인 확장모델 (단위: 계수값, 괄호 안은 표준오차)

(1)

(2)

(3)

(4)

전체산업

제조업

서비스업

SW산업

SaaS 서비스모델 여부

0.032*

0.029*

0.020

0.034*

(0.017)

(0.018)

SW특허수

-0.006***

(0.001)

제조업수요

0.050

(0.039)

서비스업수요

0.105***

(0.020)

SW산업수요

-0.024

(0.022)

Constant

0.465***

0.464***

0.455***

0.466***

(0.009)

Observations

29771

반면, 상기 <표10>의 수요 산업별 확장 모델을 살펴보면 서비스업 수요를 대상으로

하는 SW 기업들의 성장률이 10.5%p나 높게 나타나(0.105***), 현재 한국 SW 산업의

가장 강력한 성장 동력이 B2C 서비스업의 디지털 전환에 있음을 명확히 보여준다. 대

조적으로, 제조업 수요를 대상으로 하는 혁신 기업들의 매출 성장 기여도는 통계적으

로 유의미한 수준에 도달하지 못했다(0.050).

- 39 -

실증 데이터의 전반적인 흐름은 국내 SW 산업의 성장이 B2B 제조업 기반의 중후장

대형 사업보다 모바일 앱 등 가벼운 B2C 서비스 사업과 서비스업 수요를 중심으로 이

루어졌음을 명확히 보여준다. 제조업 현장의 공정 문제를 해결하는 지능형 SW보다는

소비자 지향적 서비스 모델이 매출 측면에서 더 빠른 성과를 거두었으며, 이러한 구조

적 편중은 산업용 AI/SW 생태계의 지체 현상을 설명하는 근거가 된다.

따라서 혁신기업들이 아직 제조업이라는 거대한 B2B 시장에 접근하는 데 상당한 제

약을 받고 있음을 보여준다. 제조업 현장은 기존 시스템과의 호환성, 보수적인 의사결

정 구조, 그리고 높은 공정 신뢰도 요구 등으로 인해 신생 혁신 기업이 뚫고 들어가기

어려운 강력한 '진입 장벽'이 존재한다고 추정할 수 있다. 아세모글루가 지적했듯, 기

존 산업의 구조적 관성이 새로운 기술의 파괴적 혁신을 가로막는 장벽으로 작용하고

있는 것이다 (Acemoglu 2025).

혁신기업 분석 소결

본 절의 분석 결과를 종합하면, AI 시대 우리나라 SW 산업의 혁신 동력은 비즈니스

모델의 전환(SaaS)과 서비스업 중심의 디지털 전환 수요에서 발생하고 있다. 하지만

지식의 축적이 경제적 성과로 연결되는 과정에는 여전히 두 가지의 커다란 '지체 현상

'이 존재한다.

첫째는 기술과 성과 사이의 시간적 시차이다. 고도의 기술력을 보유한 기업들이 투

자 시장에서는 환영받지만, 그것이 즉각적인 매출 성장으로 이어지지 못하는 것은 기

술적 검증과 시장 최적화에 필요한 적응기가 존재함을 의미한다. 둘째는 산업 간 확산

의 불균형이다. 서비스업에서의 활발한 지식 확산과 달리, 제조업이라는 핵심 산업 영

역에서는 혁신 기업들이 견고한 진입 장벽에 가로막혀 있다.

결론적으로, 1장에서 제기한 성장 동력 확충을 위해서는 기술 개발 그 자체에 매몰

되기보다, 혁신적인 비즈니스 모델이 제조업 등 전통 산업의 폐쇄적 구조를 뚫고 들어

갈 수 있도록 '수요 산업 맞춤형 매핑' 정책을 강화해야 한다. 지식의 접근 비용을 낮

추고 산업 간 경계를 허무는 노력이 병행될 때, 비로소 AI 시대의 지식 기반 성장이

우리 경제 전반으로 확산될 수 있을 것이다.

- 40 -

제4장

AI시대 SW산업 성장동력의 모색

제1절

AI시대 기존 SW모델의 한계

본 절에서는 3장의 정량분석에서 나타난 SW 기업의 성장동력을 참고하되, 생성형 AI

의 확산이 기존 SW 비즈니스 모델에 미치는 구조적 요인을 ‘제조 가치사슬의 중요

도 급상승’와 ‘수익 구조의 변화 필요성’라는 두 가지 측면에서 분석한다.

비트(Bit)에서 아톰(Atom)으로의 가치 전이와 ‘역-스마일 곡선’의 탄생

지난 수십 년간 글로벌 산업 생태계는 고마진의 R&D 및 서비스와 저마진의 제조로

양분되는 ‘스마일 곡선(Smile Curve)’ 구조를 유지해 왔다. 그러나 1장에서 언급한

미중 기술패권 경쟁은 AI의 확산은 이러한 부가가치 분배 구조를 재편하고 있다.

기존 SW 산업의 성장을 견인한 핵심 동력은 물리적 제약이 없는 '비트(Bit)' 기반의

가상 세계 확장성이었다. 그러나 AI 기술의 심화는 역설적으로 가상 세계의 논리가 물

리적 실체인 '아톰(Atom)'의 제약에 종속되는 국면을 초래하고 있는 것이다

(LatticeWork 2024).

이러한 부가가치의 이동은 산업 생태계 전반의 수익 구조를 근본적으로 재편하고 있

다. 전통적인 산업 구조에서는 고마진의 R&D 및 서비스와 저마진의 제조로 양분되는

‘스마일 곡선(Smile Curve)’이 지배적이었으나, AI 신질서 하에서는 초과 수요가 발

생하는 병목 하드웨어(GPU, HBM, 고성능 액츄에이터 등)가 이익을 독식하는 ‘역-스

마일 곡선(Inverted Smile Curve)’이 나타나고 있다.

이는 하드웨어의 성능 개선 속도가 소프트웨어의 혁신 속도를 압도하면서 시장의 가

치 평가가 물리적 인프라로 쏠리고 있음을 의미하며, 결과적으로 유형 자산의 뒷받침

없는 순수 SW 모델은 과거와 높은 가치를 도전 받는 상황에 놓여있다.

- 41 -

[그림 11] 기술패권 경쟁과 AI확산이 만들어내는 역스마일 곡선

자료 : LatticeWork 2025

인당 구독 모델(Seat-based SaaS)의 한계

3장의 분석에서 SaaS 모델이 고성장 기업의 매출에 긍정적인 기여(5.8%p 추가 성장)

를 했음에도 불구하고, 향후 인당 과금 방식(Seat-based Pricing)의 지속 가능성은 AI가

가져온 '생산성 혁명'에 의해 위협받고 있다. 이는 기업이 AI를 도입하여 노동 생산성

을 제고할수록 필요 인력이 감소하며, 이는 곧 SW 공급 기업에게 유효 사용자(Seat)의

축소라는 결과로 돌아오는 ‘생산성의 역설’을 발생시키기 때문이다.

특히 HR, CRM 등 업무 효율화를 목표로 하는 수평적 SaaS(Horizontal SaaS)의 경우,

AI 에이전트가 인간의 노동을 대체함에 따라 라이선스 수요(Q)가 필연적으로 감소하는

구조적 한계를 가진다. 핀테크 기업 클라르나(Klarna)가 AI 도입 후 대규모 상담 인력

을 감축하며 기존 SaaS 구독을 대거 해지한 사례는 이러한 위기를 시각화한다. 결과적

으로 노동 투입량에 비례하여 수익을 창출하는 전통적인 구독 체계는 AI 시대에 장기

적인 성장동력으로는 한계가 있을 것으로 전망된다.

- 42 -

중국 EDA SW시장의 80%를 차지하는 케이던스 디자인 시스템즈, 시놉시스, 지멘스를 대상으로 함

제조 설계용 SW의 무기화: 2025년의 미․중 대립의 교훈

2025년은 글로벌 기술 패권 경쟁 속에서 제조 설계용 SW가 단순한 상품을 넘어 국

가 안보를 좌우하는 ‘전략적 무기’로 각인된 한 해였다. 미·중 갈등의 심화에 따라

소프트웨어가 공급망 통제의 핵심 수단으로 부상한 적이 있다.

2025년 4월~5월: 중국이 희토류에 대한 수출 허가제를 강화하며 사실상 대미 수출

중단 조치를 취하자, 미국은 이에 대한 맞대응으로 2025년 5월 28일 자국 내 반도체

설계 자동화(EDA) 소프트웨어의 대중 수출을 금지하는 것으로 위협했다.

2025년 7월~10월: 7월 양국 간 무역 협상으로 잠시 완화되었던 규제는 10월 중국의

희토류 금지 조치가 재개되자 더욱 강력한 형태로 부활했다. 미국은 규제 대상을 EDA

SW뿐만 아니라 주요 설계용 SW 전체로 확대하려 하다가 철회한바 있다.

<표 11> 기술패권의 무기가 된 설계용 소프트웨어

경과

주요 내용

2025.04.04.

중국이 희토류에 대한 수출허가제를 강화함에 따라 사실상 대미

희토류 수출 제한

2025.05.28.

미국은 자국 내 반도체 설계 자동화(EDA) 소프트웨어(SW)4)의 대중

수출 제한

2025.07.02.

양국은 제2차 미·중 무역협상에서 중국의 희토류 수출통제 조치와 미국의 EDA

SW 대중국 수출금지 조치를 상호 해제하기로 합의하고, 이를 이행함

2025.10.09.

중국이 트럼프 행정부의 관세 조치에 대응하여, 희토류에 대한 수출허가제를

재시행함

2025.10.22.

미국은 자국산 SW를 활용해 생산된 제품의 대중국 수출금지를 검토 후 철회

하드웨어 설계 SW의 높은 대외 의존도와 공급망 리스크

반도체 및 하드웨어 제품의 설계 SW(EDA, CAD, PLM 등) 부문이 가장 중요하다. 독

점적 시장 구조와 대체 불가능하기 때문이다. 해당 분야는 고도화된 수치해석 기술과

고급설계 지식이 집약된 복합체로서, 미국산 제품이 글로벌 시장에서 절대적 우위를

점하고 있다. 특히 반도체 설계의 필수 도구인 EDA(Electronic Design Automation)의

경우 미국산 SW에 대한 의존도가 매우 높아, 공급망 차질 시 국내 주력 산업의 설계

지연 및 가동 중단으로 직결될 위험이 크다. 이러한 고기술 지식 기반 SW는 단기간

내에 국산화하거나 제3국 제품으로 대체하기 어려운 '처방적 지식'의 집약체라는 점에

서 리스크가 배가된다.

- 43 -

<표 12> 제조업 설계․개발 소프트웨어의 중요성

공정

최종 생산품

설계·개발

제조·운영

하드웨어

(제조업)

① 대체재가 없어 영향 大

- EDA/CAD(Computer-Aided Design)

- PLM (Product Lifecycle Management)

②국산·제3국(독일 등) 대체재가 존재하여 영향 中

- MES (Manufacturing Execution System)

- SCM (Supply Chain Management)

- ERP (Enterprise Resource Planning)

소프트웨어

(서비스업)

③이미 오픈소스로 대체되어

있어 영향 小

- CASE (Computer-Aided SW Engineering)

④국산 또는 오픈소스로 대체가능하여 영향小

- DB (DataBase)

- WAS (Web Application Server)

이러한 ‘제조용SW의 무기화’는 한국의 반도체, 조선, 자동차 등 설계 SW의 외산

의존도가 높은 주력 산업에 큰 영향을 끼칠 수 있다는 점을 상기시키는 기회가 되었

다. 미국산 설계 SW에 의존하는 제조 기업은 미국의 정책 변화에 따라 제품 생산 및

수출 자체가 중단될 수 있는 리스크에 노출되는 것이다. 이는 단순한 도구의 국산화를

넘어, 제조 가치사슬의 상단에 위치한 지식 권력을 확보하기 위한 ‘기술 주권’ 확립

이 국가적 과제임을 시사한다.

제2절

AI시대 SW비즈니스 모델의 진화방향

본 절에서는 대한민국의 제조경쟁력의 도전을 다룬 1장의 문제제기 , 제조업 수요를

지원하는 AI․SW기반의 혁신성장 기회가 있다는 3장의 분석, 그리고 앞절의 SW산업의

비즈니스 모델 한계를 바탕으로 ‘제조업과 SW산업의 쌍끌이 성장전략’을 제시하고

자 한다.

<표 13> 국내외 AI 및 IT서비스 시장 전망

부문

2024년 규모

2030년 전망

연평균 성장률

(CAGR)

출처

글로벌 제조 AI

시장

5.32

47.88

46.50%

Grand View

Research(2024)

한국 IT서비스 시

장 (전체)

7.53

14.74

11.87%

24년 규모는

IDC(2025),

성장률은 Grand

View Research

한국 IT서비스 시

장 (제조)

1.85

3.62

- 44 -

위 표에서 나타나듯, 한국의 제조 분야 IT서비스 시장은 이는 연평균 46.5%에 달하

는 글로벌 제조 AI 시장의 폭발적인 성장세와 비교할 때 그 규모와 속도 면에서 뚜렷

한 격차를 보인다.

현재 국내 SW 기업들이 주력하고 있는 전통적인 IT서비스 시장은 여전히 인건비 기

반의 용역 구조와 협소한 내수 시장의 한계에 갇혀 있으며, 이는 1장에서 논의한 ‘자

본 집약적 내생적 성장’을 달성하기에 불충분한 토양이다. 따라서 국내 SW 산업이

단순한 정보화 지원 수준을 넘어 새로운 성장 임계점을 돌파하기 위해서는, 11.87%의

성장률에 머무는 국내 SI 시장의 틀을 깨고 글로벌 ‘피지컬 AI(Physical AI)’ 및 제조

AI 영역으로 사업 지형을 과감히 확장해야 한다. 이는 단순히 수요 산업의 범위를 넓

히는 것을 넘어설 필요가 있다. 3장에서 실증한 SW 서비스 모델의 유효성을 제조업의

실질적인 생산성 혁신과 결합함으로써 글로벌 제조 밸류체인의 핵심 병목(Bottleneck)

구간을 선점하는 전략적 전환을 의미한다 (Grand View Research 2024)

제조AI의 특성과 에이전틱SW의 필요성

제조업 분야의 시스템통합은 글로벌 SW기업 대비 국내 SW기업이 유리하다. 국내

제조 기업이 구글, MS, OpenAI와 같은 글로벌 퍼블릭 서비스를 활용하기 어려운 이유

는 보안 우려와 현장 특수성 때문이다. 실제 현장에서는 AI 모델 단독으로 구동되는

것이 아니라 기존의 ERP, 운영 시스템(OT)과의 유기적인 결합이 필수적이며, 이는 본

질적으로 고도의 시스템 통합(SI) 프로젝트이다 (김진형 2025). 기업의 56%가 AI 도입

의 최대 난제로 '기존 시스템과의 통합'을 꼽고 있다는 사실이 이를 뒷받침한다 (유호

석 2024).

기술 유출 우려로 인해 많은 제조사는 보안이 강화된 온프레미스(On-premise) 구축

을 선호하며, 이는 하드웨어 인프라 설계 단계부터 SI 기업의 개입을 필요로 한다

(Atlantic 2026). 따라서 보안 계층(Trust Layer)을 내재화한 아키텍처 설계가 필수적이

다 (SAP NS2 2026). 기업은 자사의 민감한 내부 데이터를 외부 클라우드 모델에 학습

시키거나 전송하는 것에 본능적인 거부감을 가지며, 이는 결국 기업별 맞춤형 환경을

구축하는 '프라이빗 AI(Private AI)'나 '온프레미스(On-premise) 통합' 수요로 이어진다.

이러한 보안 장벽은 단순한 SW 구매를 넘어 보안 아키텍처와 로컬 인프라를 최적화

하여 통합해야 하는 SI 기업의 전략적 가치를 재조명하게 한다 (김진형 2025).

수직적 AI는 단순히 조언을 제공하는 수준을 넘어, 해당 산업의 규제(Compliance)를

준수하며 업무를 완결 짓는 특징을 가진다. 예를 들어 의료 AI 'Abridge'는 단순 녹취

- 45 -

를 넘어 의료 보험 청구 코드를 고려한 구조화된 데이터(EMR)를 자동 생성하며, 법률

분야의 'Harvey'나 계약 관리의 'Ironclad' 역시 도메인 특화 데이터를 바탕으로 높은

정확도를 보장한다. 이러한 수직적 전문성은 타겟 고객이 명확하여 고객 획득 비용

(CAC)을 낮추고, 일단 핵심 워크플로우에 통합되면 교체 비용(Switching Cost)이 매우

높아 고객 유지율(Retention)을 극대화하는 효과를 가져온다.(Satyashil 2025)

<표 14> SaaS와 에이전틱SW 와의 비교

구분

SaaS

에이전틱SW

타겟 시장

모든 산업 (범용성)

특정 산업 (전문성)

핵심 경쟁력

기능의 폭, 확장성

도메인 데이터, 규제 대응

AI 전략

범용 LLM API 연동 (Wrapper)

자체 데이터로 미세 조정

(Fine-tuning)

생존 가능성

낮음 (빅테크 플랫폼에 흡수됨)

높음 (진입장벽 구축)

에이전틱SW의 가치를 극대화 하는 성과기반 요금제의 사례

이러한 수직적 AI로의 전환은 과금 모델을 '성과 기반 요금제(Outcome-Based

Pricing)'로 시킬 수 있는 잠재력이 있다. 이는 사용자 수에 따라 과금하는 기존 방식

에서 탈피하여, AI가 완료한 작업 수나 해결 결과에 따라 비용을 산정하는 모델로의

이행을 의미한다. 일례로 고객 지원 AI 에이전트인 Intercom의 'Fin'은 AI가 문의를 스

스로 해결했을 때만 건당 $0.99를 과금하며, 헬스케어 분야의 'Thoughtful AI'는 의료비

청구 처리 건당 수수료를 받는 방식으로 고객사의 운영 비용을 30~80% 절감시켰다

(Alex Zekoff 2025).

<표 15> 성과기반 요금제의 위험과 기회요인

구분

사용자 기반 요금제

성과 기반 요금제

과금 기준

사용자 수 (Per Seat)

완료된 작업 수 (Per Result)

위험 부담

고객 부담 (효과 미달 시에도

지불)

공급자 부담 (성과 미달 시 매출

감소)

인센티브

가입자 수 증대 지향

정확하고 빠른 문제 해결 지향

출처 : Sam Shinner et al 2024

- 46 -

이 모델은 고객의 도입 장벽을 획기적으로 낮추는 동시에, 공급자에게는 고도의 기

술적 정확성을 요구한다. AI가 오류를 범할 경우 추론 비용만 발생하고 매출은 0이 되

는 리스크를 공급자가 전적으로 부담하기 때문이다. 그러나 특정 산업의 규제를 준수

하며 업무를 완결 짓는 '워크플로우의 완결성'을 확보한 SI 기업은 높은 고객 유지율과

강력한 수익성을 확보할 수 있다(Sam Shinner et al 2024). 결과적으로 보안이 담보된

프라이빗 환경에서 산업별 특화된 수직적 AI를 통합하고 성과를 보증하는 역량은 AI

시대 SI 모델의 도입이 불가피할 것으로 예측된다.

AI기반 시스템통합 기업 성공사례, 팔란티어(Palantir)

앞서 논의한 보안 중심의 프라이빗 AI 수요로의 전환을 가장 성공적으로 구현한 모

델로 팔란티어(Palantir)를 꼽을 수 있다. 팔란티어는 단순한 소프트웨어 공급을 넘어,

기업의 파편화된 데이터를 통합하고 물리적 현장의 의사결정을 지원하는 ‘지능형시

스템 통합자’로서의 독보적인 위상을 구축하고 있다.

가.

미 국방 및 정보기관의 해결사: 빈라덴 체포 작전과 데이터 통합의 힘

팔란티어의 명성은 미 국방 및 정보기관과의 긴밀한 협력을 통해 쌓아 올린 압도적

인 데이터 통합 역량에서 시작되었다. 가장 상징적인 사례는 2011년 오사마 빈라덴 체

포 작전(Operation Neptune Spear)이다. 당시 미 정보당국은 파편화된 수많은 첩보와

방대한 통신 기록 속에서 유의미한 단서를 찾아내는 데 난항을 겪었으나, 팔란티어의

고담(Gotham) 플랫폼을 통해 흩어져 있던 데이터를 유기적으로 연결함으로써 은신처

를 특정하는 결정적 단서를 포착할 수 있었다.

이러한 국방 분야의 성공은 단순한 분석 툴의 성능을 넘어, 극도의 보안이 요구되는

환경에서 이질적인 데이터 소스들을 실시간으로 통합하여 실행 가능한 지능

(Actionable Intelligence)을 도출해내는 '지능형 시스템 통합'의 정수를 보여주었다. 팔

란티어는 이러한 국방 기술의 DNA를 제조 및 산업 현장으로 이식하여, 오늘날 비트

(Bits)와 아톰(Atoms)을 연결하는 독보적인 입지를 확보했다.

가. HD현대중공업의 ‘미래 조선소(FOS)’피지컬 AI의 구현

팔란티어의 지능형 SI 역량은 HD현대중공업의 ‘미래 조선소(Future of Shipyard,

FOS)’ 프로젝트에서 실질적인 성과로 증명되고 있다. 조선업은 공정의 복잡도가 높고

비정형 데이터가 방대하여 일반적인 AI 모델로는 접근이 어려운 대표적인 ‘아톰

(Atom)’의 영역이다. HD현대중공업은 팔란티어의 기업용 빅데이터 플랫폼인 ‘파운

- 47 -

드리(Foundry)’와 AIP를 도입하여 울산 조선소의 설계, 건조, 물류 데이터를 단일 통

합 시스템으로 연결하는 오케스트레이션 레이어를 구축했다. (HD현대중공업 2025)

그 결과, 데이터 기반의 정교한 의사결정과 공정 최적화를 통해 선박 건조 속도를

기존 대비 약 30% 향상시키는 획기적인 생산성 혁신을 달성했다. 이는 2절에서 논의

한 ‘제조업 지원을 위한 SI 사업모델’이 실질적인 제조 밸류체인의 병목을 해결하고

성장을 견인할 수 있음을 보여주는 사례이다.

나. 전진 배치 엔지니어(FDE) 모델을 통한 현장 밀착형 통합

팔란티어 방식의 핵심은 본사에 앉아 코드를 짜는 개발자가 아닌, 고객사의 현장에

직접 투입되어 문제를 해결하는 전진 배치 엔지니어(Forward Deployed Engineer, FDE)

모델에 있다. FDE는 소프트웨어 엔지니어링 역량과 비즈니스 컨설팅 역량을 동시에

보유한 주체로서, 고객사의 방화벽 안에서 데이터 아키텍처를 설계하고 워크플로우를

완결 짓는 역할을 수행한다. 이들 FDE는 기술적 수월성뿐만 아니라 비즈니스 설계 능

력을 동시에 보유한 ‘CTO(최고기술책임자)급’ 인재들로 구성된다.

<표 16> 팔란티어 FDE(전진 배치 엔지니어)의 주요 활동 단계

단계

주요 활동 내용

핵심 목표

1단계: 현장 진단

(Scoping)

고객 환경 매핑, 데이터 프로파일

링, 산업 현장의 페인 포인트(Pain

Point) 식별

데이터 아키텍처 및 의

사결정 경로 가시화

2단계: 고속 프로토타이핑

(Prototyping)

실제 고객 데이터 기반의 빠른 반

복(Iteration), PoC 수행 및 가치

입증

AI 모델과 현장 프로세

스의 정합성 확보

3단계: 운영체제화

(Production)

레거시 시스템(ERP, OT 등) 완전

통합, 현장 인력 교육 및 지식 전

수

지속 가능한 자율 운영

체계 구축

Palantir Technologies (2026)

다. 현장문제 해결과 제품진화의 선순환

FDE의 활동과정에서 단순한 고객 지원을 넘어 제품 자체의 진화를 이끄는 핵심 동

력이 된다. 현장에서 도출된 기술적 해법과 혁신적인 로직은 일회성 용역에 그치지 않

고 팔란티어의 핵심 플랫폼인 AIP(Artificial Intelligence Platform)로 다시 통합

(Feedback)된다.

이러한 선순환 구조는 현장의 특수한 문제 해결 경험이 제품의 보편적인 기능 강화

로 이어지는 ‘지식의 상향식 축적’을 가능하게 한다. FDE가 현장에서 검증한 실전

적인 데이터 모델과 워크플로우가 AIP의 표준 기능으로 내재화됨에 따라, 팔란티어는

별도의 대규모 R&D 조직 없이도 실제 시장의 요구에 가장 부합하는 제품 고도화를

- 48 -

달성한다. 결과적으로 이러한 ‘서비스와 제품의 융합’은 팔란티어가 단순 SI 기업의

한계를 탈피하여 강력한 기술 자본을 축적하고, 경쟁사가 모방할 수 없는 지능형 시스

템의 해자를 구축하는 결정적인 요인이 된다.

Physical AI와 제조 설계용 SW: 지능형 제조 주권의 핵심

AI 기술의 패러다임이 가상 세계의 정보를 처리하는 ‘생성형 AI’를 넘어, 물리적

세계와 직접 상호작용하며 스스로 움직이는 피지컬 AI(Physical AI)’로 빠르게 전환되

고 있다 (SPRi 2025). 피지컬 AI는 AI 파운데이션 모델이 로봇, 자율주행차, 제조 공정

등 물리적 하드웨어(Body)와 결합하여 자율적인 판단과 행동을 수행하는 ‘embodied

intelligence’를 의미한다. 이러한 흐름 속에서 제조 밸류체인의 최상단에 위치한 제조

설계용 SW는 피지컬 AI가 구현되는 인식론적 토대이자 기술적 방어벽으로서 그 전략

적 가치가 급증하고 있다.

가.

피지컬 AI 시대의 설계-제조 통합 메커니즘

과거의 제조 설계 SW가 단순히 물리적 형상을 디지털 공간에 구현(CAD/CAE)하는

보조적 도구였다면, 피지컬 AI 시대의 설계 SW는 현장의 물리적 데이터를 실시간으로

학습하고 최적의 공정 처방을 내리는 ‘지능형 엔진’으로 진화하고 있다. 기존의 자

동화가 정해진 규칙(Rule-based)에 따라 기계를 움직였다면, 피지컬 AI 기반의 설계 시

스템은 하드웨어가 처한 주변 환경을 인식하고 예기치 못한 변수에 유연하게 대응하

는 ‘자율적 의사결정’을 핵심으로 한다. 이는 설계 도면이 단순한 가이드라인을 넘

어 로봇의 두뇌 역할을 하는 파운데이션 모델과 직접 연결되는 구조적 변화를 의미한

다 (SPRi포럼 2025.12월).

특히 조선업과 같은 고난도 제조 현장에서 숙련공들이 수십 년간 쌓아온‘암묵지

(Tacit Knowledge)’를 데이터화하여 AI 모델에 이식하는 과정은 피지컬 AI 구현의 성

패를 가르는 핵심 요소이다. HD한국조선해양의 사례처럼, 용접 로봇이 비전 센서를

통해 용융풀(Melt Pool)의 상태를 실시간으로 감지하고, 이를 설계 데이터와 비교하며

스스로 용접 속도와 전압을 조절하는 기술이 대표적이다 (SPRi포럼 2025.12월). 이러한

설계-제조 통합 메커니즘은 단순한 공정 효율화를 넘어 인간의 숙련도를 디지털 자산

으로 치환하여 제조 경쟁력을 근본적으로 재설계하는 동력이 되고 있다.

나.

제조 현장의 데이터 딜레마와 시뮬레이션 기반 SW의 역할

- 49 -

피지컬 AI의 확산과 기술 자립을 가로막는 가장 큰 장벽은 현실 세계에서 양질의 학

습 데이터를 확보하기 어렵다는 ‘데이터 딜레마’이다. 로봇이나 자율주행 기기가 복

잡한 환경에 적응하기 위해서는 수많은 사고 데이터나 극단적인 돌발 상황(Edge

cases)에 대한 학습이 필수적이지만, 이를 실제 현장에서 수집하는 것은 천문학적인

비용과 안전상의 위험을 동반한다 (SPRi포럼 2025.12월). 예를 들어 자율주행차의 사고

시나리오를 학습시키기 위해 실제 차량을 충돌시킬 수 없는 것과 같은 이치이다.

이에 따라 가상 세계에서 물리 법칙을 정교하게 모사하여 무한한 시뮬레이션을 가능

케 하는 디지털 트윈(Digital Twin) 및 시뮬레이션 SW의 중요성이 부각되고 있다. 물리

적 실체와 동일한 가상 환경을 구축하고 그 안에서 수억 번의 학습을 거친 뒤 결과값

만 실물에 이식하는 ‘Sim-to-Real(가상에서 실물로)’ 기술은 피지컬 AI 발전의 린치

핀(Linchpin) 역할을 한다. NVIDIA가 2025년 제시한 로봇 학습용 파운데이션 모델이 가

상 시뮬레이션 공간인 ‘Omniverse’와 결합되는 흐름은, 향후 제조 경쟁력이 현실의

하드웨어가 아닌 가상의 시뮬레이션 설계 역량에서 결정될 것임을 예고한다.

결국 한국형 피지컬 AI 생태계의 성공 여부는 이러한 가상 학습 환경을 구축할 수

있는 소프트웨어 역량 확보에 달려 있다. 현실 데이터의 한계를 극복하는 고도화된 시

뮬레이션 SW는 중국의 대량 생산 기반 추격을 따돌리고, 한국 제조업이 ‘지능형 설

계 우위’를 점할 수 있게 하는 핵심 인프라로 기능할 것이다.

산업AI의 투하자본과 대기업

수직적 AI(Vertical AI), 특히 제조 현장에 체화되는 피지컬 AI의 구현은 과거의 순수

소프트웨어 개발과는 차원이 다른 막대한 투하자본(CAPEX)을 요구한다. 이는 단순히

알고리즘을 설계하는 단계를 넘어, 현장의 방대한 데이터를 수집할 센서 네트워크 구

축, 고성능 엣지 컴퓨팅 인프라 확보, 그리고 실시간 물리 제어를 위한 하드웨어 최적

화 과정을 포함하기 때문이다. 이러한 3장에서 실증한 자본투자의 중요성을 다시 한번

입증하며, 대규모 투자가 가능한 기업의 참여를 시사한다.

특히 우리나라의 수출 제조기업의 복잡한 레거시 시스템을 AI와 결합하는 과정은 고

도의 시스템 통합(SI) 역량을 필요로 한다. 수십 년간 축적된 공정의 암묵지를 데이터

화하고, 이를 보안이 담보된 프라이빗 환경에서 최적화하는 작업은 막대한 인적·기술

적 자원이 투입되는 대규모 프로젝트이다. 3장의 분석에서 제조업 수요를 대상으로 하

는 SW 기업의 성장성이 낮게 나타난 원인 중 하나는 이러한 거대 규모의 통합 비용

과 기술적 난이도를 감당할 주체가 부족했기 때문으로 풀이된다. 따라서 제조 밸류체

- 50 -

인의 핵심을 장악하여 부가가치를 창출하는 ‘역-스마일 곡선’의 상단에 올라서기

위해서는, 도메인 지식과 자본력을 모두 갖춘 대형 SI 기업 및 제조 대기업의 주도적

참여가 불가피하다.

결론적으로 산업AI는 ‘규모의 경제’와 ‘범위의 경제’가 동시에 작용하는 자본

집약적 산업으로 진화하고 있다. AI 모델의 정교화에 따른 연산 비용 급증과 성과 기

반 요금제(Outcome-Based Pricing) 도입에 따른 공급자의 리스크 부담 확대는 대기업

의 참여를 더욱 강제하는 요인이 된다. 대기업은 이러한 자본력을 바탕으로 제조 현장

에 AI 솔루션을 보급하는 ‘지식 파이프라인’의 거점 역할을 수행해야 하며, 이는 국

내 SW 산업이 단순 용역 구조를 탈피하여 고부가가치 엔지니어링 산업으로 전환되는

계기가 될 것이다.

제3절

AI엔지니어링 주체으로서의 SW산업의 과제

AI 프로젝트의 성패는 알고리즘 자체를 개선하는 ‘AI모델 개발’을 넘어, 이를 실제

비즈니스 환경에 이식하고 운영하는 ‘AI 서비스 엔지니어링’ 역량에서 결정된다. 모

델 개발이 뇌(Brain)를 만드는 과정이라면, 서비스 엔지니어링은 그 뇌가 신체 및 외부

환경과 원활히 상호작용할 수 있도록 데이터 파이프라인을 설계하고, AI의 결과값을

최적화하는 전 과정을 포괄한다 (유재흥 외 2025).

AI 생애주기 관리와 서비스 엔지니어링

인공지능 혁명의 실체는 고도화된 소프트웨어 알고리즘과 데이터 파이프라인의 결합

이며, 이는 본질적으로 데이터 수집, 전처리, 학습, 추론 및 최적화로 이어지는 소프트

웨어 생애주기(Lifecycle)의 산물이다 (유재흥 외 2025). 특히 AI 프로젝트의 성패는 모

델 자체를 개발하는 단계를 넘어, 이를 실제 비즈니스 환경에 최적으로 이식하고 운영

하는 ‘AI 서비스 엔지니어링’ 역량에서 결정된다.

SW 기업은 단순히 외부 모델을 연동하는 수준을 넘어, 복잡한 시스템 아키텍처를

설계하고 데이터의 흐름을 최적화하는 전 과정을 포괄하는 지능형 인프라 제공자로서

의 역할을 수행해야 한다. 따라서 AI모델 확보를 넘어선 ‘응용 서비스 엔지니어링’

역량의 내재화가 필수적이다. AI 모델이 점차 범용화됨에 따라 인간 개발자가 직접 코

딩에 투입하는 공수(Effort)는 줄어들 수 있으나, 양질의 데이터를 확보하고 특정 도메

인에 맞춰 모델을 학습·최적화하는 과정에는 여전히 막대한 공수가 요구된다.

- 51 -

[그림12] AI사업의 밸류체인 중 응용서비스 개발 영역

따라서 AI 사업의 밸류체인을 완성하기 위해서는 최종 사용자의 요구사항을 정밀하

게 반영하는 서비스 엔지니어링(기획, 데이터 확보, 배포, 응용 서비스 개발 및 운영)

과정이 수반되어야 한다. 단순한 모델 호출을 넘어 보안 거버넌스를 준수하고 레거시

시스템과 안정적으로 연동되는 응용 서비스를 구현하는 능력이야말로, AI라는 원천 기

술을 비즈니스 가치로 전환하는 핵심 동력이다. 결국 AI 시대 SW 기업의 생존은 인프

라 투자 여력과 더불어, 복잡한 비즈니스 로직을 지능형 서비스로 엮어내는 엔지니어

링 프로세스의 정교함에 달려 있다.

SW생산체계의 변화: ‘개발자’에서 ‘감독자’로서의 전환

생성형 AI의 확산은 개발자의 역할과 노동 시장의 구조에 근본적인 변화를 초래하고

있다. 과거 고소득을 보장하던 ‘순수 코딩(Syntax 작성)’ 역량은 AI의 자동화로 인해

가치가 급락하고 있으며, 이로 인해 노동 시장의 변화가 감지되고 있다.

- 52 -

이러한 변화 속에서 인적 자본의 핵심 역량은 코드를 작성하는 능력이 아니라, AI

에이전트들을 조율하고 전체 시스템을 설계하며 결과를 검증하는 시니어 아키텍트’

의 역량으로 이동하고 있다.

결국 미래의 SW 산업인력은 단순 알고리즘 생산자에서 벗어나, AI가 처리하지 못하

는 예외 상황(Edge Case)를 해결하고 결과물에 대해 윤리적·법적 최종 책임을 지는

감독자(Supervisor) 역할을 수행하게 된다. 이러한 Human-in-the-Loop 모델 내에서의

관리 역량은 AI시대의 핵심적인 가치사슬이 될 것이다.

AI 엔지니어링의 지속 가능성을 위한 새로운 보상체계 도입

가. 기존 SW 사업 대가 체계의 한계: ‘헌신’과 ‘기술’요소의 재평가 필요

산업 AI의 비약적인 발전을 견인하는 핵심 동력이 팔란티어의 FDE와 같은 SI 인력의

현장 밀착형 헌신(Devotion)’과 고도의 아키텍처 설계 역량이라면, 현재 국내외 SW

시장의 지배적인 대가 체계는 이러한 가치를 온전히 담아내기에 역부족이다. 기존의

투입 공수(Man-month) 방식은 엔지니어가 현장에서 발휘하는 문제 해결의 질적 수준

보다는 단순 근로 시간의 양적 투입에 초점을 맞추고 있으며, 기능점수(FP) 방식 역시

사용자에게 보이는 인터페이스 기능에만 치중하여 수면 아래의 복잡한 기술적 노력을

반영하기 어렵다. (유호석·이윤석 2025). 이러한 환경에서 ‘CTO급’ 역량을 가진

FDE의 헌신적인 활동이 단순한 ‘고급 개발자’의 노무 제공으로 격하되어, 산업 전

체의 질적 성장을 저해하는 병목 요인이 될 수 있다.

나. 기술 규모(Technical Scope) 중심의 가치 정량화

산업 현장의 암묵지를 데이터화하고 물리적 실체와 지능을 통합하는 과정에서 투입

되는 엔지니어링의 가치는 ‘기술 규모’라는 관점에서 재정립되어야 한다. AI 엔지니

어링은 데이터 파이프라인의 복잡도 증가, 벡터 데이터베이스 최적화, 프라이빗 보안

아키텍처 구축 등 비기능적 요구사항이 프로젝트 성패를 결정한다. 따라서 사업 대가

는 단순히 ‘무엇(What)’을 만드느냐가 아니라, 얼마나 난도가 높은 ‘어떻게(How)’

를 해결했느냐에 따라 결정되어야 한다 (유호석&이윤석 2025).

- 53 -

[그림 13] 빙산의 수면 아래처럼 보이지 않는 기술요소의 비중이 높은 AI서비스

유호석&이윤석(2025), AI프로젝트 규모산정 프레임워크

위 그림 에서 제시한 ‘빙산아래’의 비유에 착안하여, 수면 아래의 기술적 난도를

정량적으로 측정하는 지표를 대가 산정 표준에 적극 반영해야 한다. 이는 엔지니어가

단순 코더가 아닌 ‘지능형 시스템 설계자’로서 정당한 대우를 받을 수 있는 제도적

안전장치가 될 것이다.

다. 성과 기반 보상과 선순환 생태계 구축

산업 AI의 지속적인 원동력이 되기 위해서는, 공급자와 수요자가 미션을 공유하고

그 성과를 나누는 성과 기반 요금제(Outcome-Based Pricing)로의 전환이 필요하다. 팔

란티어의 부트캠프와 같이 고객사의 실질적인 생산성 향상(예: 수율 개선, 리드타임 단

축)을 입증했을 때, 그 가치의 일정 부분을 인센티브나 공유 이익 형태로 보상받는 체

계의 도입을 검토하는 것이 바람직하다.

이러한 보상 체계의 혁신은 고숙련 엔지니어들이 단순한 용역 업무에서 탈피하여,

자부심을 가지고 제조 현장의 난제에 뛰어들게 하는 강력한 유인이 된다. 정당한 보상

은 기술 자본의 재투자로 이어지며, 이는 다시 AI 플랫폼의 고도화와 국가 산업 경쟁

력 강화로 환류되는 ‘지능형 SW 생태계의 선순환’을 완성할 것이다.

- 54 -

제5장

요약 및 결론

연구 요약

제1장에서는 글로벌 기술패권 경쟁이 심화되는 가운데, 과거 상호보완적이었던 글로

벌 무역 구조가 상호대체 관계로 변모하고 있음을 진단하였다. 국가 주력 산업의 글로

벌 경쟁력을 유지하기 위해 AI와 SW의 전략적 중요성이 급격히 부상하였으며, 특히

인구 구조 변화에 따른 노동력 부족 문제를 해결하기 위해 기존의 노동집약적 SW 생

산 방식을 넘어선 기술 자본 중심의 성장 패러다임 전환이 본 연구의 핵심 목적임을

제시하였다.

제2장에서는 급변하는 AI 기술 환경 속에서 기존의 정적인 산업 분류 체계가 가진

한계를 극복하기 위해, LLM 기반의 다차원 동태적 분류 큐브방법론을 제시하였다. 약

2만여 개의 SW 기업 데이터를 활용하여 수요 산업(X축), 비즈니스 모델(Y축), 핵심 기

술(Z축)이라는 세 가지 관점에서 기업을 입체적으로 맵핑함으로써, 단순 인력 규모가

아닌 기업의 실질적인 비즈니스 역량과 기술적 지향점을 정밀하게 파악할 수 있는 분

석 기반을 마련하였다.

제3장에서는 패널 회귀분석을 통해 과거 SW 산업의 성장 동력이 노동 집약에서 기

술 자본 집약 구조로 근본적으로 전환되었음을 실증하였다. 팬데믹 이후 자본 투입의

성장 기여도가 높아졌으며, 특히 자본 시장은 기술력 자체보다 이를 확장 가능한 수익

모델로 구현한 SaaS 모델에 강력한 가치를 부여하고 있음을 확인하였다. 또한, 현재의

매출 성장이 모바일 앱 등 '경박단소'형 B2C 서비스업(계수 0.105)에 편중되어 있으며,

제조업 영역은 높은 진입 장벽으로 인해 성장이 정체되는 '제조업 패러독스' 구간에

머물러 있음을 밝혔다.

제4장에서는 이러한 구조적 한계를 돌파하기 위한 미래 성장 전략으로 '에이전틱

(Agentic) SW'와 '수직적(Vertical) AI'로의 패러다임 전환을 제안하였다. 인당 과금 체

계의 한계를 극복하기 위해 비즈니스 성과를 공유하는 '성과 기반 요금제'로의 비즈니

스 모델 혁신이 필요하며, 고숙련 엔지니어가 현장의 난제를 직접 해결하는 전진 배치

엔지니어(FDE) 모델과 지능형 SI 생태계 육성이 필수적이다.

- 55 -

정책적 시사점

첫째, SW의 역할을 기존 데이터 보존 중심인 ‘기록의 시스템(System of Record)’

에서 자율적 실행 중심인 ‘행동의 시스템(System of Action)’으로 진화시켜야 한다.

AI 에이전트가 레거시 시스템 위에서 직접 업무를 수행하는 ‘액션의 지휘자’ 역할

을 수행하도록 함으로써, SW의 가치를 단순 기능 제공에서 실무 완결성 확보로 이동

시켜야 한다.

둘째, 기존 SW에 기능을 부가한 수준을 넘어 데이터와 AI가 핵심인 ‘AI-Native’

모델로의 전환을 지원해야 한다. 미국식 SaaS 위기론 속에서도 한국은 IT 서비스 비중

이 높은 구조적 특성을 활용하여, 복잡한 비즈니스 로직을 AI 에이전트 환경으로 정밀

하게 전이시키는 ‘전문 엔지니어링’ 중심의 생태계를 구축해야 한다.

셋째, 금융·제조 등 환각이 허용되지 않는 영역에서 100% 무결성을 유지하는 ‘결

정적 기록 시스템’으로서의 SW 기능을 강화하고, 외부 LLM이 접근할 수 없는 현장

도메인 지식을 보안 환경 내에서 디지털 자산화하여 독점적 기술 해자(Moat)를 구축해

야 한다.

넷째, AI 도입의 실효성을 위해 단순 모델 확보를 넘어선 ‘응용 서비스 엔지니어

링’ 역량을 내재화해야 한다. AI 모델 개발 및 학습 단계는 막대한 컴퓨팅 자원과 인

프라가 투입되는 자본집약적 영역임을 인식하고, 기획부터 데이터 확보, 배포 및 운영

에 이르는 전 과정의 엔지니어링 프로세스를 정교화하여 AI 기술을 실질적인 비즈니

스 가치로 전환해야 한다.

결론 : 명제적 지식(LLM)과 처방적 지식(SW)의 조화

1장에서 인공지능(AI)은 단순한 기술적 도구를 넘어, 현대 경제의 지식 체계를 재편

하는 핵심 동력으로 부상하고 있음을 다룬바 있다. 모키르(Mokyr)의 지식 기반 성장이

론을 빌려 표현하자면, 현재의 거대언어모델(LLM)은 현대판 ‘명제적 지식’의 집합체

이며, 이를 산업 현장에 적용하는 산업별 SW서비스는 실질적인 ‘처방적 지식’의 구

현체라 할 수 있다.

가.

명제적 지식으로서의 LLM : 지식의 디지털화와 보편화

1장에서 다룬 모키르의 명제적 지식은 ‘무엇이 그러하다’는 사실과 원리에 대한

지식, 즉 과학적 지식과 관찰된 현상의 총체를 의미한다 (Mokyr 2002). LLM의 등장은

- 56 -

인류가 축적한 방대한 명제적 지식을 디지털 공간에 통합하고 이를 누구나 즉각적으

로 호출할 수 있는 형태로 보편화시켰다.

LLM은 특정 분야에 국한되지 않는 범용적 언어 이해와 생성 능력을 통해 지식 탐색

비용을 획기적으로 낮추었으며, 이는 새로운 기술 혁신을 위한 광범위한 ‘인식적 기

초(Epistemic Base)’를 형성한다. 즉, LLM은 그 자체로 생산 결과물을 만들어내기보다

는, 정교한 결과물을 만들기 위한 기초적인 원리와 데이터를 제공하는 거대한 지식 창

고의 역할을 수행한다.

나.

처방적 지식으로서의 SW: 지능의 물리적 체화

반면, 처방적 지식은 ‘어떻게 달성하는가’에 대한 기술(Technique)과 지침을 의미

한다. 아무리 뛰어난 명제적 지식이 존재하더라도, 이를 구체적인 생산 공정에 적용할

수 있는 처방적 지식으로 전환하지 못하면 경제적 성장은 발생하지 않는다.

산업별 SW서비스는 바로 이러한 처방적 지식의 정점이다. 피지컬 AI는 디지털 공간

의 지능을 로봇, 자동차, 제조 장비 등 물리적 객체에 체화(Embodiment)하여, 현장의

복잡한 변수 속에서 실시간으로 인지하고 행동하게 함으로써 실질적인 부가가치를 창

출한다 (이해수 외 2025). 예컨대 조선업의 자율 용접 로봇은 숙련공의 ‘암묵지’를

데이터화하여 정교한 용접 경로를 스스로 찾아내는데, 이는 LLM이 가진 일반적 지식

을 특정 제조 공정의 성공을 위한 ‘처방’으로 구체화한 결과이다.

다.

소프트웨어(SW)를 통한 지식의 연결과 성장엔진 확충

결국 AI 시대의 경쟁력은 방대한 명제적 지식(LLM)을 얼마나 정교한 처방적 지식(산

업별 AI 및 피지컬 AI)으로 전환하느냐에 달려 있으며, 이 전환을 가능케 하는 핵심

동력은 바로 소프트웨어(SW)이다.

SW가 AI 생애주기 전반에서 방대한 데이터를 수집·정제하여 AI 모델을 학습시키고,

이를 각 산업 현장의 레거시 시스템과 통합하여 실질적인 서비스로 구동시키는 모든

과정이 SW 기술력에 의존하는 것은 본장의 3절에서 다룬바 있다.

결론적으로, 대한민국 SW 산업이 성장의 한계를 극복하고 고부가가치화되기 위해서

는 단순 SI 용역에서 벗어나, 제조업 등 강력한 타겟 산업을 향한 '처방적 지식 공급자

'로 거듭나야 한다. 피지컬 AI를 매개로 한 제조업과 SW의 유기적 결합은 경직된 수

요를 탄력적인 혁신 시장으로 전환시키고, 인프라 산업으로서의 SW 위상을 공고히 하

는 핵심 경로가 될 것이다. 이러한 기술과 자본, 그리고 전략적 시장 선택의 결합이야

말로 AI 시대 SW 산업이 나아가야 할 지속 가능한 내생적 성장의 시나리오이다.

- 57 -

별첨. 패널회귀분석표

별첨1-1. SW기업의 외생적 성장요인 (팬데믹 이전)

Standard errors in parentheses

* p < 0.10, ** p < 0.05, *** p < 0.01

(1)

(2)

(3)

(4)

(5)

(6)

M1(Full)

M2(Lab)

M3(Cap)

M4(Mfg)

M5(Svc)

M6(SW)

employee

0.000***

(0.000)

lcapital

0.004

0.005*

(0.003)

d_manufacturing

-0.007

0.014

(0.014)

(0.012)

d_service

0.027***

0.044***

(0.010)

(0.008)

d_sw

-0.036***

-0.018**

(0.010)

(0.008)

age

-0.031***

-0.034***

-0.033***

(0.001)

lgdp

0.140***

0.137***

0.197***

0.195***

0.192***

0.197***

(0.043)

(0.035)

lppi

-0.046

-0.041

-0.393***

-0.394***

-0.393***

(0.105)

(0.104)

(0.084)

lex

-0.485***

-0.483***

-0.157***

-0.154***

-0.156***

-0.154***

(0.054)

(0.042)

_cons

1.988***

2.084***

0.448

0.552

0.610*

0.533

(0.453)

(0.441)

(0.343)

(0.338)

97306

97314

131694

131705

r2_o

0.043

0.042

0.041

0.042

0.041

- 58 -

별첨1-2. SW기업의 외생적 성장요인 (팬데믹 기간)

Standard errors in parentheses

* p < 0.10, ** p < 0.05, *** p < 0.01

(1)

(2)

(3)

(4)

(5)

(6)

M1(Full)

M2(Lab)

M3(Cap)

M4(Mfg)

M5(Svc)

M6(SW)

employee

0.000***

(0.000)

lcapital

0.016***

0.031***

(0.004)

d_manufact

0.038**

0.025

(0.018)

(0.017)

d_service

0.072***

0.062***

(0.013)

(0.011)

d_sw

0.053***

0.030***

(0.013)

(0.011)

age

-0.027***

-0.025***

-0.029***

-0.025***

(0.001)

lgdp

-1.263***

-1.209***

-1.247***

-1.179***

-1.187***

(0.129)

(0.130)

(0.131)

(0.130)

(0.131)

lppi

-5.106***

-4.979***

-5.142***

-5.104***

-5.130***

-5.120***

(0.580)

(0.581)

(0.584)

(0.585)

lex

5.995***

5.852***

5.948***

5.871***

5.903***

5.897***

(0.638)

(0.639)

(0.643)

(0.644)

_cons

0.000

(.)

25755

28965

r2_o

0.048

0.047

0.041

0.039

- 59 -

별첨1-3. SW기업의 외생적 성장요인 (팬데믹 이후)

Standard errors in parentheses

* p < 0.10, ** p < 0.05, *** p < 0.0

(1)

(2)

(3)

(4)

(5)

(6)

M1(Full)

M2(Lab)

M3(Cap)

M4(Mfg)

M5(Svc)

M6(SW)

employee

0.000***

(0.000)

lcapital

0.035***

0.033***

(0.004)

(0.003)

d_manufac

turing

-0.059***

-0.004

(0.019)

(0.016)

d_service

-0.035***

0.015

(0.013)

(0.011)

d_sw

-0.115***

-0.072***

(0.013)

(0.010)

age

-0.025***

-0.022***

-0.026***

-0.022***

(0.001)

lgdp

0.903***

1.141***

0.890***

1.049***

1.046***

1.066***

(0.176)

(0.174)

(0.182)

lppi

0.000

(.)

lex

-1.896***

-2.291***

-1.869***

-2.103***

-2.097***

-2.136***

(0.358)

(0.357)

(0.372)

_cons

0.000

(.)

29880

29883

34173

34176

r2_o

0.033

0.028

0.031

0.028

0.029

- 60 -

참 고 문 헌

●

Acemoglu, D. & Restrepo, P. (2019). Automation and New Tasks.

●

Acemoglu, D. & Robinson, J. (2012). Why Nations Fail.

●

Acemoglu, D. (2025). 매일경제 인터뷰 - 한국 경제의 3대 구조적 위기와 기술 패권

대응 방향.

●

Aghion, P. & Howitt, P. (1992). A Model of Growth Through Creative Destruction.

●

Aghion, P. et al. (2024). AI and Growth.

●

Alex Zekoff. (2025). Service as Software: The Biggest Secret in AI for Entrepreneurs.

●

Atlantic. (2026). Cloud AI vs On-Prem AI: What Should Manufacturing Leaders

Consider?

●

Barclays Investment Bank (2026.01.20), "AI gets physical: Innovation meets

opportunity", Impact Series

●

Bosheng Ding et al. (2024). Data Augmentation using LLMs: Data Perspectives,

Learning Paradigms and Challenges.

●

Butterfuss, R. & Doran, H. (2024). An Application of Text Embeddings to Support

Alignment of Educational Content Standards.

●

Elliot Dauber & Sahit Dendekuri. (2024). Data Generation for NLP Classification

Dataset Augmentation: Using Existing LLMs to Improve Dataset Quality.

●

Evans, D. S. (1987). The Relationship between Firm Growth, Size, and Age: Estimates

for 100 Manufacturing Industries.

●

Forbes (2025.04.23), "From SaaS To RaaS: How AI Agents Are Redefining Software",

Forbes Technology Council

●

Future Ventures Corp (2025), The New Frontier of Enterprise AI: Forward Deployed

Engineering and the Future of SI, Industry White Paper.

●

FKI. (2025). Survey on Korea's Export Competitiveness vs China.

●

Grand View Research (2024.05), "Artificial Intelligence in Manufacturing Market Size,

Share & Trends Analysis Report",

●

Harald Steck et al. (2024). Is Cosine-Similarity of Embeddings Really About Similarity?

●

Hayes. (2025). “Conversing” With Qualitative Data: Enhancing Qualitative Research

- 61 -

Through Large Language Models (LLMs).

●

HD현대중공업 (2025), 「자율운항 및 스마트 조선소(FOS) 구축 성과 보고서: 팔란티어

파운드리(Foundry) 도입 사례」, 기업 내부 공시 및 보도자료 종합.

●

Huanhuan Zhao et al. (2024). Improving Text Classification with Large Language

Model-Based Data Augmentation.

●

IDC (2025), 「산업별 국내 SW시장 규모 분석」, SPRi 통계싸이트.

●

Integrass. (2025). Integrating AI into Legacy Apps: Key Challenges & Solutions.

●

JD Supra. (2026, 1월 24). New frontiers: How AI is transforming the life sciences

industry - Patient, Commercial And Regulatory Concerns.

●

Johannes. (2025). Service-as-a-Software: How AI Is Shaking Up The Professional

Services Industry.

●

KISTEP. (2025). In-depth Analysis of Technology Levels.

●

LatticeWork. (2024). The Great Rotation: The Case for Intelligent Physical Assets.

●

Mokyr, J. (2002). The Gifts of Athena: Historical Origins of the Knowledge Economy.

●

Mokyr, J. (2005). The Intellectual Origins of Modern Economic Growth.

●

Mokyr, J. (2017). A Culture of Growth: The Origins of the Modern Economy.

●

OECD. (2024). Economic Surveys: Korea.

●

OECD. (2025). An ecosystems approach to industrial policy: OECD Science,

Technology and Innovation Outlook 2025.

●

Offutt. (2025). Utilizing Large Language Models for text-based Industry classification.

●

Optimum. (2026, 1월 24). AI Integration into Legacy Systems: Challenges and

Strategies.

●

Palantir Technologies (2026), "AIP for Manufacturing: Bridging the Gap Between Bits

and Atoms with Forward Deployed Engineers", Palantir Resource Center,

●

Romer, P. M. (1986). Increasing Returns and Long-Run Growth.

●

Sam Shinner et al. (2024). The Rise of Outcome-Based Pricing in SaaS: Aligning

Value With Cost.

●

SAP NS2. (2026, 1월 24). The real demands of AI for U.S. regulated industries, and

how to meet them.

●

Satyashil Awadhare. (2025). Vertical AI Platforms as a Source of Competitive