ISSUE REPORT l 2026.03.25 IS-227

AI 확산 시대에 대응한 가치사슬 

기반 AI 인력 분류체계 재정립

Rethinking AI Workforce Classification in the Era of AI Diffusion: 

A Value Chain-Based Approach

지은희

이 보고서는 ｢과학기술정보통신부 정보통신진흥기금｣에서 지원받아 제작한 것으로 

과학기술정보통신부의 공식의견과 다를 수 있습니다.

이 보고서의 내용은 연구진의 개인 견해이며, 본 보고서와 관련한 의문 사항 또는 수정·보완할 

필요가 있는 경우에는 아래 연락처로 연락해 주시기 바랍니다.

소프트웨어정책연구소 SW기반정책인재연구실

지은희 수석연구원 ehj524@spri.kr

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

CONTENT

Ⅰ. 서 론

P.1

Ⅱ. 선행 연구 검토

P.3

Ⅲ. 현행 AI 인력분류체계의 한계

P.9

Ⅳ. 가치사슬 기반 AI 인력분류체계 정립 

P.14

Ⅴ. 결론 및 정책적 시사점

P.23

참고 문헌

P.29

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

요 약 문

본 연구는 최근 산업 현장에서 제기되고 있는 AI 인력 부족 문제가 단순한 개발 인력의 양적 

부족이 아니라, AI가 산업 전반으로 확산되는 과정에서 발생하는 역할 구조의 변화에서 기인한다

는 문제의식에서 출발한다. AI 기술이 성숙 단계에 진입함에 따라 인력 수요는 모델 개발 중심에

서 검증·운영·산업 적용 및 현업 활용 단계로 이동하고 있으나, 현행 AI인력 분류체계는 이러한 

변화를 충분히 반영하지 못하고 있다.

현행 AI 인력 분류체계는 산업 실태조사와 통계 산출을 목적으로 개발자 및 직무 중심으로 설

계되어 있어, AI 기술의 다변화와 산업별 적용 양상의 차이를 구조적으로 포착하는 데 한계가 있

다. 그 결과, AI 인력 부족 문제는 ‘개발자 부족’이라는 총량적 문제로 단순화되고, 실제 산업 현

장에서 병목으로 작용하는 검증·신뢰, 운영(MLOps), 산업(도메인) 적용, 비개발 직무 기반 AI 활

용 인력은 정책적으로 충분히 반영되지 못하고 있다. 이러한 구조적 한계는 인력 수급 전망의 정

확성을 저하시킬 뿐 아니라, 인재양성 정책과 산업 수요 간 괴리를 심화시키는 요인으로 작용한

다.

이에 본 연구는 AI 인력 분류 기준을 직무·직종 중심에서 AI 가치사슬 단계와 역할 중심으로 

전환할 필요성을 제기한다. 기획·데이터·모델 개발뿐 아니라 검증·평가·운영·확산·산업 적용 전 

과정을 포괄하는 관점에서 인력을 재구성함으로써, AI 인력 부족 문제를 가치사슬단계별, 역할별 

구조 문제로 진단할 수 있는 분석 틀을 제안한다. 또한 이러한 분류체계를 인력의 유형과 수준

(level) 체계와 연계함으로써, 향후 AI 인력의 수급(demand-supply) 전망과 교육·훈련 정책 설

계에 활용 가능한 정책 인프라로의 확장 가능성을 제시한다.

정책적 시사점으로는 AI 인력 정책의 초점을 개발자 양성 중심에서 산업 전환을 지원하는 인

력 구조로 전환할 필요가 있음을 제시한다. AI 활용이 본격화될수록 산업별 요구 역량은 더욱 분

화되므로, 공통적인 AI 기초역량과 산업별 특화된 전문역량을 구분하여 체계적으로 양성할 필요

가 있다. 가치사슬 기반 인력 분류체계로의 전환은 이러한 정책적 전환의 출발점으로서, 향후 한

국 AI 산업의 경쟁력과 AX 성과를 좌우하는 핵심적인 정책 인프라로 기능할 것으로 기대된다.

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

Executive Summary

This study is motivated by the premise that the AI workforce shortage recently observed 

in industrial contexts is not merely a quantitative shortage of development personnel, but 

rather a structural issue arising from changes in role configurations during the diffusion of 

AI across industries. As AI technologies enter a stage of maturity, workforce demand is 

shifting from a focus on model development toward stages such as validation, operations, 

industrial application, and field-level utilization. However, existing workforce classification 

systems and policy frameworks have not adequately captured these evolving patterns.

The current AI workforce classification system is designed primarily around developers and 

job functions, which constrains its ability to systematically capture the diversity of AI 

utilization across industries and the transformation of role structures. As a result, the AI 

workforce shortage is often reduced to a quantitative notion of a ‘developer shortage’, while 

critical roles—such as validation and trust, operations (e.g., MLOps), domain-specific 

application, and AI utilization in non-development functions—remain insufficiently reflected in 

policy, despite constituting key bottlenecks in practice. These structural limitations not only 

undermine the accuracy of workforce supply–demand projections but also exacerbate the 

misalignment between talent development policies and actual industry needs.

In response, this study proposes a shift in AI workforce classification from a job- and 

occupation-based approach to a framework centered on AI value chain stages and roles. By 

conceptualizing the workforce across the entire AI lifecycle—including planning, data, model 

development, validation, evaluation, operations, diffusion, and industrial application—this study 

presents an analytical framework that diagnoses AI workforce shortages not as a matter of 

aggregate quantity, but as structural imbalances across stages and roles. Furthermore, by 

linking this classification system with workforce types and skill-level frameworks, the study 

highlights its potential to serve as a policy infrastructure for workforce demand–supply 

forecasting and the design of education and training systems.

From a policy perspective, the findings suggest the need to shift the focus of AI 

workforce policy from developer-centric training toward building workforce structures that 

enable industry-wide AI transformation. As AI adoption becomes more widespread, the 

competencies required become increasingly differentiated across industries; therefore, it is 

necessary to systematically cultivate both common foundational AI capabilities and 

industry-specific specialized competencies. The transition to a value chain–based workforce 

classification system represents a critical starting point for this policy shift and is expected 

to serve as a key foundation shaping the future competitiveness of the Korean AI industry 

and its AI-driven transformation(AX).

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

1

I. 서론

1. 연구의 배경 및 필요성

ㅇ

AI 기술은 범용기술로서 산업 전반의 생산방식과 가치창출 구조를 근본적으로 

변화시키고 있으며, AI 인력은 이러한 전환을 좌우하는 핵심 전략 자산으로 부상 

–

글로벌 주요국은 AI 기술 경쟁을 넘어, AI 인재를 어떻게 정의·분류·양성·배치

할 것인가라는 인재정책 전반을 체계화하여 국가 경쟁력 강화를 위해 노력 중

–

우리나라도 ‘AI 3대 강국’ 실현을 국가적 목표로 설정한 만큼, 기술 개발 중심 

정책을 넘어 AI 인재정책의 구조적 고도화가 요구되는 시점

ㅇ

최근 AI 기술의 고도화와 산업 확산에도 불구하고, 현행 AI 인력 분류체계는 

직무 중심의 정적 구조에 머물러 있어, 채용시장에서 빠르게 분화되고 있는 AI 

역할과 직무 내부의 질적 변화를 충분히 포착하지 못하는 한계가 있음

–

최신 AI 기술은 단일 알고리즘·모델 개발 중심에서 데이터·플랫폼·서비스·운영

을 포괄하는 구조로 전환하고 있고, AI인력 수요도 알고리즘 연구 중심에서 

데이터·플랫폼·서비스 통합 역량을 갖춘 역할 중심 인력으로 이동

ㅇ

정부와 민간에서는 AI 인재양성을 위해 대규모 투자와 다양한 교육·훈련 사업을 

추진하고 있으나, 산업 현장에서는 여전히 AI 인력 부족 문제가 지속적으로 제기 

–

이는 AI 인력 문제가 단순한 총량 부족이 아니라, 어떤 가치사슬 단계에서, 어

떤 역할과 역량을 가진 인력이 부족한가라는 구조적 문제임에도 불구하고, 이

를 진단·관리할 수 있는 인력 분류체계가 충분히 정교하지 않기 때문 

ㅇ

이러한 맥락에서 AI 인력 분류체계는 단순한 직무체계 정비를 넘어, AI 인력 

통계 생산–수급전망–채용–교육·훈련–인재양성정책을 유기적으로 연결하는 

국가 AI 인재정책의 핵심 인프라로서 재정립될 필요가 있음 

–

AI 인력 분류체계의 개선 없이는 정확한 현황 진단도, 정합적인 정책 설계도, 

산업 현장과 연계된 인재양성 전략 수립도 어렵다는 점에서, 분류체계 자체에 

대한 근본적인 재검토와 개선이 시급함 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

2

2. 연구의 목적

ㅇ

본 연구는 기존 AI 인력 분류체계가 지니는 직무 중심·정적 구조의 한계를 극

복하고, AI 기술 발전과 산업 수요 변화를 종합적으로 반영할 수 있는 가치사

슬 기반 AI 인력 분류체계를 재정립하는 것을 목적으로 함

–

이를 통해 AI 인력을 단일한 직무나 직종의 집합이 아닌, AI 가치사슬 전반에 

걸쳐 수행되는 역할과 기능의 집합으로 재구성하고, 국가 AI 인재정책 전환을 

위한 정책적 기반을 마련하고자 한다.

ㅇ

구체적으로 본 연구의 목적은 다음과 같다.

–

첫째, AI 기술 및 시장 환경 변화에 따라 확장·분화되고 있는 AI 인력의 유형

과 역할을 체계적으로 가시화함으로써, AI 인력에 대한 정확한 현황 파악과 

신뢰도 높은 통계 생산의 기반을 구축

–

둘째, 기존 인재양성 정책에서 제기되어 온 AI인력 부족문제를 단순한 총량 부

족의 문제가 아닌, 가치사슬 단계별·역할별 수급 불균형이라는 구조적 문제로 

진단함으로써, 실질적인 인력부족 문제를 해소하기 위한 정책적 근거를 제시

–

셋째, 산업별·직무별 수요 특성을 반영한 가치사슬 기반 AI 인력 분류체계를 

제시함으로써, 교육·훈련 체계와의 연계 가능성을 제고하고, 산업 현장 수요에 

부합하는 인재양성정책 설계를 지원

ㅇ

따라서, 본 연구는 가치사슬 기반 AI 인력 분류체계 정립을 통해 AI 인력 통

계와 수급 전망의 정합성을 제고하고, 채용–교육·훈련–인재양성 정책 전반을 

유기적으로 연결하는 국가 AI 인재정책의 핵심 인프라 구축에 기여하고자 함

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

3

1)

 OECD(2024), ‘Explanatory Memorandum on the Updated OECD Definition of an AI System’.

2)

 ISO/IEC(2022), ‘Artificial intelligence—Concepts and terminology’, ISO/IEC 22989.

3)

 Russell & Norvig(2020). 「Artificial Intelligence: A Modern Approach」.

II. 선행 연구 검토

1. AI 및 AI 인력의 정의

가. AI의 정의

ㅇ

AI에 대한 정의는 기술 발전 단계에 따라 다소 차이를 보이지만, 최근에는 ‘데

이터와 알고리즘을 활용하여 환경을 인식하고, 학습과 추론을 통해 자율적으로 

의사결정·지원 기능을 수행하는 시스템’으로 이해

–

(OECD) AI를 ‘주어진 인간의 목표를 달성하기 위해, 환경을 인식하고 데이터로부

터 학습하며, 예측·추천·결정을 수행하는 기계 기반 시스템’으로 정의1)

–

(ISO/IEC 22989) AI를 ‘주어진 목표를 달성하기 위해 추론, 학습, 적응 등의 인간 

지능 관련 기능을 수행하는 엔지니어링 시스템’으로 정의하며, 기술적 구현보다는 

기능적 특성에 초점2) 

–

(Russell and Norvig) AI를 특정 기술이나 알고리즘이 아닌, 환경을 인식하고 목표 

달성을 위해 행동하는 ‘지능적 행위주체(agent)’로 정의하며, AI를 단일 모델 개발의 

결과물이 아니라, 인식·추론·행동·학습이 결합된 시스템·서비스 단위로 확장3)

나. AI 인력의 정의

ㅇ

AI는 이제 독립적인 연구개발 대상이 아니라, 제조·의료·금융·자동차 등 각 산

업의 기존 시스템과 결합되어 상시적으로 운영·활용되는 범용기술로 자리매김

–

이러한 변화에 따라 AI는 특정 산업이나 기술 영역에 국한된 도구가 아니라, 산

업 전반의 가치사슬과 업무 프로세스에 내재화되는 핵심 인프라로 기능하고 있음

ㅇ

AI 관련 스킬 수요 역시 ICT·연구 직무에 한정되지 않고, 제조, 금융, 보건, 서

비스 등 대부분의 산업과 직무로 빠르게 확산되고 있음

–

(OECD, 2023) 채용공고 분석을 통해 AI 관련 스킬이 요구되는 직무가 전통적인 

소프트웨어·데이터 직군을 넘어 다양한 산업과 직무로 확대되고 있음을 지적

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

4

4)

 NIST(2023), ‘AI Risk Management Framework(AI RMF 1.0)’.

–

(Index, 2025) 노동시장 채용 공고 분석 결과, AI 관련 채용은 SW엔지니어, 데이

터 사이언티스트와 같은 전통적 기술 직무뿐 아니라, 운영 관리자, 마케팅·재무·기

획 직무, 산업별 분석가 등 비개발 직무에서도 빠르게 증가하고 있음을 확인 

ㅇ

AI의 개념과 활용 범위가 시스템·가치사슬 전반으로 확장됨에 따라, AI 인력

의 정의 역시 ‘단일 직무 중심’에서 ‘역할·기능 중심의 확장된 개념’으로 전환

–

AI 인력은 더 이상 ‘AI를 직접 개발하는 인력’에 한정되지 않고, AI 시스템의 기획·

개발·배포·운영·활용 전반에 기여하는 인력을 포괄하는 방향으로 재정의되고 있음

ㅇ

국제기구와 주요 국가의 접근 역시 이러한 인식 전환을 반영하고 있음

–

(OECD) AI 인력을 단일 직업군으로 명시적으로 정의하지는 않지만, AI 관련 인력 

분석에서 AI 시스템의 개발·배포·운영·활용에 기여하는 인력 전반을 포괄하는 접근 

–

(EU) AI 인력을 AI 기술을 설계·개발하는 인력뿐 아니라, AI를 활용하여 업무를 

수행하고 서비스·의사결정을 고도화하는 인력까지 포함하는 개념으로 접근

–

(미국 연방 인사관리국, OPM) AI 인력을 단순한 AI 연구자나 개발자로 한정하지 

않고, AI 시스템의 설계·개발·운영·관리뿐 아니라 정책·윤리 검토에 참여하는 직

무군 전체로 규정함

–

(미국 국립표준기술연구소, NIST) AI 인력을 AI 시스템의 기획부터 운영·영향 관

리에 이르는 전 생애주기*에서 역할과 책임을 수행하는 모든 인적 행위자(human 

actors)로 정의하며, 특정 직업군이 아닌 역할 기반 개념으로 접근4)

    * NIST는 AI 시스템의 생애주기 단계를 ‘기획·설계-데이터 관리-모델 개발-검증·평가-배포

-운영·모니터링-사회적·윤리적 영향 관리’로 분류

ㅇ

따라서, AI 인력 정책과 통계·조사 체계 역시 ‘직무 중심 접근’에서 벗어나, ‘가

치사슬과 역할 중심의 구조적 접근’으로 전환될 필요가 있음

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

5

5)

 차세대 AI 기술에 대한 정의는 다음과 같다.

 - 생성형 AI : 기존 데이터를 학습해 텍스트·이미지·음성·코드 등 새로운 콘텐츠를 생성하는 AI 기술

 - 대규모 언어모델(Large Language Models):방대한 텍스트 데이터를 학습해 자연어 이해·생성·추론을 

수행하는 초대형 AI 모델로 생성형 AI의 핵심 기반 기술(Foundation Model)

 - AI 에이전트(AI Agents):목표를 부여받아 환경을 인식하고, 계획을 수립하며, 도구를 활용해 자율적으로 

작업을 수행하는 AI 시스템으로 LLM을 행동 주체(Actor)로 확장

 - 멀티모달 AI(Multimodal AI):텍스트, 이미지, 음성, 영상, 센서 데이터 등 서로 다른 형태의 데이터를 동시에 

이해·처리·생성하는 AI

2. AI 확산에 따른 인력 수요 구조의 변화

ㅇ

최근 AI는 단일 알고리즘이나 특정 모델 개발 중심의 단계에서 벗어나, 플랫폼·서비

스·운영 전반을 포괄하는 기술로 진화하고 있음

–

생성형 AI와 대규모 언어모델(LLM), AI 에이전트, 멀티모달 AI 등 차세대 AI 기

술의 확산은 AI를 연구개발 중심 기술에서 기업 운영 전반에 내재화된 핵심 인프

라로 전환시키고 있음5)

ㅇ

이러한 기술·시장 변화는 노동시장에도 직접적인 영향을 미치며, 단순한 고용 

규모의 증감이 아니라 직무 구조와 요구 역량의 근본적 재편을 초래하고 있음

    * 2024년 기준 전세계 기업의 80% 이상이 최소 한 개 이상의 업무에서 AI를 정기적으로 활용하고, IT, 

마케팅, 고객관리, 공급망, 제품개발 등 전사적 활용이 일반화됨(McKinsey & Company, 2024). 

ㅇ

AI 산업은 데이터, 모델, 플랫폼, 서비스, 운영, 거버넌스 요소가 상호 의존적으

로 결합되는 복합 생태계로 구성되면서, 인력 수요도 가치사슬 전반에 걸쳐 다

층적으로 형성되고 있음

–

인력수요가 모델 개발에 국한되지 않고 데이터 관리, 플랫폼 운영, 제품화, 보안·프

라이버시, 책임 있는 AI 및 규제 준수 등 가치사슬 전반으로 확대되고 있음

–

특히 운영(MLOps/LLMOps)과 신뢰·거버넌스 체계가 미흡할 경우 AI의 확산과 성

과 전이가 제한된다는 점에서, 관련 인력의 중요성이 크게 부각되고 있음

ㅇ

또한, AI가 조직 전반의 업무 프로세스에 내재화되면서, AI 활용 역량은 기술 

직무를 넘어 기획·재무·인사·생산관리 등 비기술 직무의 핵심 역량으로 확산 중

–

AI 인력이 특정 직종의 집합이 아니라, 조직 전반에 분산·내재화되는 스킬 기반 인

력 구조으로 전환됨에 따라 AI 활용 비기술 직무에 대한 수요도 증가

ㅇ

AI 확산에 따른 인력 수요 변화는 단순히 ‘AI 직업’의 증가라기보다, 개발·운

영·거버넌스·활용을 포괄하는 다층적 인력 구조로의 전환하고 있음을 의미함

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

6

6)

 ISCO(International Standard Classification of Occupations)는 ILO가 제정한 국제 표준직업분류체계이

며, SOC(Standard Occupational Classification)는 미국 표준직업분류체계이다.

7)

 OECD(2022), ‘OECD Framework for the Classification of AI Systems’, OECD.AI.

8)

 ESCO(European Skills, Competences, Qualifications and Occupations)는 EU가 구축·운영하는 유럽 

표준 직무–스킬–자격을 통합 분류체계이다.

3. AI 인력분류 관련 문헌연구

가. 표준직업분류 유지 및 AI 스킬 결합 방식

ㅇ

AI 인력을 독립된 직업군으로 분리하는 대신, 기존 표준직업분류(ISCO, SOC)6) 

체계를 준거 틀로 유지하되, 각 직업별 AI 스킬 수요 강도와 과업(task) 단위

의 AI 노출도를 보조 지표로 결합

–

각 직업별 ① 채용공고 분석 기반의 AI 스킬 수요 강도와 ② 과업(Task) 단

위의 AI 노출도를 보조 지표로 결합하여 분석

–

이는 직업 분류의 통계적 안정성과 국제 비교 가능성을 확보함과 동시에, AI 

확산에 따른 기존 직무의 내부적 변화를 포착할 수 있는 현실적 전략

①

OECD.AI: AI 시스템·인적자본 분류 작업7)

ㅇ

온라인 채용공고 데이터를 활용해 AI 관련 스킬을 식별하고, 이를 기존 직업 

분류와 결합하여 직업별 AI 스킬 수요와 노출도를 정량화하는 연구를 축적함

–

OECD(2021) 「Demand for AI skills in jobs」는 채용공고 텍스트 분석을 통해 AI 

관련 스킬을 추출하고, ‘AI 관련 일자리(AI-related jobs)’를 정의·추정하는 방법 제시

–

OECD(2023) 「Emerging trends in AI skill demand across 14 OECD countries」는 

14개 OECD 국가의 채용공고 데이터를 비교 분석하여, AI 스킬이 요구되는 공고가 

어떤 직업군에 집중되는지를 실증적으로 분석

    * OECD는 Lightcast의 대규모 채용공고 데이터를 활용해 AI 관련 스킬 목록을 정의하고,  

이를 직업별로 매핑함으로써 AI 스킬 수요 지표와 직업별 AI 노출도를 산출 

ㅇ

이 접근은 직업분류의 시계열 안정성과 국가 간 비교 가능성을 유지하면서도, 

채용공고라는 고빈도 데이터를 통해 AI 직무변화를 민첩하게 반영

②

EU의 ESCO: 직업–스킬 매핑을 공공표준으로 구축

ㅇ

ESCO8)는 각 직업을 ISCO 코드에 1:1로 매핑하고, 해당 직업에 요구되는 ‘직

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

7

9)

 OPM(2024), ‘Artificial Intelligence Classification Policy and Talent Acquisition Guidance’.

10)

 OPM은 ‘AI 업무(AI work)’는 ‘머신러닝·딥러닝, 자연어처리 등 AI 기술을 설계·개발·운영·고도화하는 업무

를 수행하거나, AI 모델 성능 평가·검증, 편향·위험 관리 등 전문적인 AI 이해가 필요한 업무를 상시 수행하는 

직무’로 정의한다

업–스킬 연결(스킬·역량·지식 체계)’를 하위 레이어에서 구조화

–

이는 직업 분류 자체를 AI 중심으로 재편하기보다는, 직업체계와 스킬체계를 

연결하는 매트릭스형 인프라를 구축하여 정책(훈련, 자격, 매칭)과 데이터(고

용, 교육)를 연계하는데 초점

ㅇ

다만 ESCO는 AI만을 위한 독립적인 특수 분류체계라기보다는, AI를 포함한 

디지털 역량 전반을 포괄하는 ‘직업–스킬’ 통합 플랫폼으로 설계

–

데이터 과학자, 인공지능 전문가와 같은 직무를 기존 ISCO 체계 하에서 정

의하고, 해당 직무에 요구되는 AI·디지털 스킬을 체계적으로 정리

③

미국 OPM(연방인사관리국)의 AI 분류·채용 지침9)

ㅇ

OPM은 「AI 분류·채용 지침(AI in Government Act 이행 문서)」에서 AI를 

별도 직업군으로 분리하지 않고 기존 직렬의 안정성을 유지하면서 AI 업무를 

식별하는 방식을 채택

–

OPM은 AI 업무를 ‘머신러닝·딥러닝·자연어처리 등 AI 기술을 설계·개발·운

영·고도화하거나, AI 모델 성능 평가·검증, 편향·위험 관리 등 전문적인 AI 

이해가 필요한 업무를 상시 수행하는 직무’로 정의

–

OPM 지침은 AI 업무10) 를 ‘주로’ 수행하는 경우, 기존 직렬의 공식 직무명

에 ‘Artificial Intelligence’ 또는 ‘AI’를 괄호형 부기로 병기*하도록 규정

    * 예를 들어 “Computer Scientist(Artificial Intelligence)”, “Data Scientist(Artificial 

Intelligence)”와 같이 표기함 

–

AI 직무 식별 기준은 ① 수행 업무가 AI 정의에 부합할 것, ② AI 관련 업

무가 일회성이 아닌 정기적·핵심 업무일 것, ③ 전체 업무 시간의 약 25% 

이상이 AI 업무에 투입될 것 등으로 명확히 제시

–

채용 시에는 기존 직렬별 자격 기준을 기본으로 적용하되, AI 포지션의 경우 

AI 역량(일반 43개, 기술 14개)을 직무분석 결과에 따라 선발·평가에 반영

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

8

나. 스킬 기반·가치사슬 기반 AI 인력 분류

ㅇ

AI 인력을 전통적인 직업명보다 역할(role)-스킬 번들(skill bundle)-가치사슬 

단계(value chain stage)에 따라 재구성

–

목적은 대체로 ① 기업의 인력개발(L&D), ② 재교육·전환경로 설계, ③ 병목 

단계별 인재투자 우선순위 도출 등 정책 실행

–

이 접근법은 데이터 수집-모델 개발-서비스 적용으로 이어지는 가치사슬별 

역량을 정의함으로써, ① 기업 내 인적자원개발 및 직무 재설계, ② 직무 전

환 경로(reskilling) 구축, ③ 인력 부족 병목 구간에 대한 정책적 투자 우선

순위 도출 등 구체적인 실행 중심의 목적으로 활용

①

미국 CSET: AI workforce를 ‘팀 기반’으로 분류

ㅇ

O*NET, SOC, 미국 인구조사국 데이터를 결합해, 54개의 AI 관련 직종을 선별하고, 

이를 4개 팀(Technical Team 1, 2, Product Team, Commercial Team)으로 구분

ㅇ

(분류 기준) AI 생애주기(요구 정의 → 설계·개발 → 검증·테스트 → 운영·유

지보수) 단계적 투입 인력의 실질적 역할을 기준으로 분류함 

ㅇ

(주요 특징) 새로운 직업명을 신설하는 대신, AI 개발 및 활용 프로세스상의 

기능적 역할(기술·제품·상용화)에 따라 기존 인력을 그룹화

ㅇ

(시사점) AI 인력의 범위를 연구개발(R&D)에 한정하지 않고, 제품화 및 사업

화 단계까지 포함하는 ‘AI 인력 풀’을 분류하고 인력규모 산정

②

Cisco(2025): 민간 주도의 AI 스킬 표준 및 역량 분석

ㅇ

G7 국가의 50개 주요 ICT 역할을 선정하여 수요 현황, 성장성, 스킬 갭(skill 

gap)을 정밀분석하고, 이를 토대로 ‘AI 스킬 사전(AI Skills Glossary)’체계 구축

–

이는 ‘공식 직업분류를 대체’하기보다, 급변하는 기술 수요를 반영한 민간 주

도의 스킬·역할 중심 표준을 제시하여 업스킬링·리스킬링을 촉진하는 접근

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

9

III. 현행 AI인력 분류체계의 한계

1. 현행 AI 관련 인력 분류체계

가. 국가표준직업분류

ㅇ

표준직업분류는 개인이 수행하는 ‘업무의 유사성’을 기준으로 ‘직업’을 범주화하

는 체계로, 국가 통계의 안정성과 국제 비교 가능성을 최우선 가치로 삼음

–

한 개인이 ‘소프트웨어 개발자’라는 직업군에 속할 경우, 그가 AI모델을 개발

하든 일반 웹 서비스를 구축하든 동일한 직업적 정체성이 부여됨

–

표준직업분류는 개정 주기가 길어, AI와 같이 기술 발전과 직무 재편 속도가 

매우 빠른 영역에서는 직무 내용의 세부적 변화나 역할 분화를 충분히 반영 

하지 못하는 구조적 한계가 존재

ㅇ

한국표준직업분류(KSCO)에서도 AI 관련 직업을 별도의 직업군으로 신설하지 

않고, 기존 직업군 내에 AI 관련 직무를 부분적으로 포함시키는 방식을 채택

–

AI 모델 개발, 머신러닝 활용, AI 기반 서비스 설계·운영 등 AI 관련 업무를 

수행하는 인력은 직무 내용과 무관하게 기존의 기존 직업 코드에 귀속

나. 「인공지능산업실태조사」의 AI 인력 분류 

ㅇ

「인공지능산업 실태조사」에서 활용되는 AI 인력 분류체계는 국내 AI 산업 

인력의 현황을 계량적으로 파악하기 위한 정책·통계용 분류체계 

–

이 분류체계는 기존 직업분류체계와의 정합성을 유지하는 한편, AI 분야와 

관련된 직무 내용을 특정하여 직업 기준으로 인력을 분류함

ㅇ

그러나 이러한 분류체계는 최근의 AI 기술 발전과 이에 따른 인력 수요 구조 

변화를 충분히 반영하지 못하는 한계가 있음

–

초거대 AI, 생성형 AI, AI 에이전트, 피지컬 AI 등 기술 패러다임의 급격한 

변화로 AI 인력의 역할이 세분화되고 있음에도, 현행 분류체계는 이를 반영

하지 못하고 포괄적으로 AI 인력을 집계

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

10

다. NCS 기반 AI 직무 분류

ㅇ

국가직무능력표준(NCS)의 기본 철학에 기반하여, 초거대 AI 기술 확산에 따라 

등장·분화되는 신규 직무와 고도화된 역할을 체계적으로 정의

–

이 분류는 AI 인력을 특정 직업명으로 구분하기보다는, 직무 수행에 필요한 

능력 요소(지식·기술·태도)를 중심으로 구조화함으로써, 초거대 AI 모델의 개

발·운영·활용 전 과정에서 필요한 역량을 세분화하여 제시함 

직 무

내 용

1. AI 프로젝트 관리자

인공지능 사업/프로젝트를 총괄하는 직무

2. AI 컨설턴트

사업체의 인공지능 시스템 도입·구축 및 활용에 관한 컨설팅을 수행하는 직무

3. AI 개발자

인공지능 도메인에 관한 지식과 경험을 기반으로 인공지능 제품･서비스･인프라 

개발에 관한 업무를 수행하는 직무

3.1. AI 아키텍처 설계 

및 분석가

인공지능 모델･시스템 아키텍처･플랫폼을 설계하는 직무

­

정보관리, 사용자 경험, 성능, 보안 및 관리, 플랫폼 등 인프라스트럭처 전체를 설계

­

조직의 정보, 애플리케이션 및 인프라 환경에 대한 지식, 현재 기술 환경에 대한 

지식 등을 활용하여 전체적이고 최적화된 인공지능 플랫폼을 설계

3.2. AI SW 개발자

인공지능 모델 설계 및 학습･추론 SW를 개발하는 직무

­

서비스의 성격에 맞는 인공지능 모델 개발 및 최적화

­

텍스트･음성･영상･동영상 및 기타 센서 데이터 등 데이터의 패턴 분석에 적합한 

모델 개발

­

Tensorflow, PyTorch, Keras 등 인공지능 프레임워크･라이브러리에 관한 지식

­

기계학습 엔지니어, 컴퓨터비전 엔지니어, 음성인식 엔지니어, 자연어처리 

엔지니어 등

3.3. AI HW 개발자

대규모 병렬연산을 고효율적으로 처리할 수 있는 프로세싱 코어 혹은 이를 활용한 

하드웨어를 개발하는 직무

3.4. AI 서비스 개발자

인공지능 DB･API･Frontend･Backend 등 서비스 개발에 필요한 SW 개발을 하는 직무

­

정형･비정형 데이터, 빅데이터 등 인공지능 학습 데이터 관리를 위한 

Database 개발

­

인공지능 서비스 앱/웹의 UI･UX 디자인 및 개발

­

인공지능 서비스의 API 개발･QA･운영 개발

3.9. 기타

그 외 인공지능 제품･서비스 관련 개발 업무를 수행하는 직무

­

보안 엔지니어링, 표준화 등

4. AI 시스템 운영·관리자

인공지능 시스템을 안정적이고 효율적으로 운영·관리하고 지원하기 위한 

유지/보수를 수행하는 직무

­

시스템 관리, 기술지원, 기술교육, DB 유지 관리, 프로젝트 관리, 

품질 보증·테스트 등

5. 데이터 가공·처리 담당자

인공지능 학습을 위한 데이터 전처리 업무를 수행하는 직무

­

데이터 라벨링, 데이터 구분·선별, 데이터 포맷 변경, 데이터 결합, 데이터 변형, 

데이터 구조분석, 정보 추출, 텍스트 마이닝 기술 등

6. AI 데이터 분석가

인공지능을 기반으로 다양한 데이터를 식별, 관리, 조작, 분석하여 사업체 경영의 

의사결정에 필요한 자료를 생성하는 직무

­

통계, 머신러닝, 텍스트마이닝 기반 데이터 분석, 분석결과 시각화 등 포함

*

자료: SPRI(2025). 「2024년 인공지능산업 실태조사」.

[표 

1

] 인공지능 인력 분류

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

11

ㅇ

초거대 AI 직무 분류는 초거대 모델(LLM, 멀티모달, 파운데이션 모델 등)의 등

장에 따라 새롭게 요구되는 고급 직무와 역량을 정밀하게 규정하고 있음

–

다만, 분류체계가 특정 기술 영역과 강하게 결부되어 있어, 기술 패러다임 변

화가 발생할 경우 직무 정의가 빠르게 노후화될 위험이 있음

*

자료: KOSA·SW SC(2024). 「초거대 AI 분야 직무 분석 연구 보고서」.

직무

직업

기여 역할

데이터 관리 

및 처리

데이터 큐레이터

초거대 인공지능의 학습용 영상, 언어 등의 데이터를 수집, 

구축, 정제 및 데이터의 품질 관리

데이터 엔지니어

초거대 인공지능의 학습과 활용을 위한 대규모 데이터 저장관리, 

데이터 변환/통합, 선별과 자동 가공

데이터 과학자

초거대 인공지능을 위한 데이터 분석 및 기계학습 목적, 응용 

서비스 정의; 데이터 알고리즘 선정, 모델 최적화

모델 설계 

및 최적화

대화모델 설계자

인공지능 챗봇, 콜봇 등의 대화형 초거대 인공지능 학습을 위한 

대화 정의 및 응용 모델 설계

프롬프트 엔지니어

거대언어모델(LLM) 파인튜닝을 위한 프롬프트 및 인스트럭션 구현

기계학습 엔지니어

초거대 인공지능 학습알고리즘의 개발, 실험, 최적화와 

응용서비스 모델 비교

인공지능 아키텍터

초거대 인공지능 프레임워크와 대규모 분산병렬 학습, 추론 및 

서비스 아키텍처의 설계와 개발

모델 최적화 기술자

생성형 초거대 인공지능의 속도, 메모리 사이즈, 성능 등을 최적화

서비스 및 

응용 

프로그램 

개발

AI 서비스 기획자

다양한 초거대AI 기술을 서비스화하고 사업 모형을 구현

AI 서비스 개발자

Open APIs 연동, 모바일 앱 등 다양한 환경에서의 응용서비스 개발, 

임베디드시스템구현

AI 응용프로그램 개발자

특정분야/산업에 초거대AI 모델 기반의 응용기술을 적용한 

솔루션(서비스) 개발(예: ChatPDF, AskTheCode, Diagrams 등)

인프라 및 

하드웨어

AI 클라우드 운영

초거대 인공지능의 병렬분산 학습, 대규모 추론 및 초거대 AI서비스 

시스템과 클라우드 체계의 운영 및 관리

AI 반도체 및 전용 

하드웨어 개발

초거대 인공지능 연산을 하기 위한 반도체의 설계와 개발, 대규모 

연산을 위한 전용 컴퓨터 개발

테스트 및 

품질 관리

AI퀄리티어슈런스(QA) 

및 테스팅 엔지니어

초거대 인공지능 모델의 퀄리티를 평가하고 테스트

교육 및 

판매

AI 튜터 혹은 교육자

초거대 인공지능 및 관련 기술에 대한 교육과 트레이닝 제공

AI 솔루션 셀러

기업이나 개인에게 초거대AI 솔루션을 판매하거나 컨설팅 제공

윤리 및 

관리

AI 윤리 전문가

초거대 인공지능 기술의 윤리적, 사회적 영향을 연구하고 이에 대한 

지침과 정책제안

AI 경영자 / 프로젝트 

매니저

초거대 인공지능 프로젝트의 진행을 관리하고, 자원을 배분하며, 

팀 간의 협업을 조율

[표 

2

] 초거대 AI 산업의 주요 직무

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

12

11)

 AI의 발전에 따라 새롭게 등장하는 직무를 구체적으로 살펴보면 다음과 같다.

- LLMOps(Large Language Model Operations):대규모 언어모델의 배포·운영·모니터링·비용 최적화를 담당

- RAG(Retrieval-Augmented Generation) 엔지니어: 외부 지식과 모델을 결합해 신뢰가능한 응답체계 설계·구현

- AI모델 평가·검증 전문가: 모델의 성능·안정성·신뢰성·안전성을 독립적으로 평가·검증, 배포적합성을 판단

- AI거버넌스전문가: 조직 차원의 AI 활용이 법·윤리·보안·책임성 기준을 충족하도록 정책·통제 체계를 설계·운영

- 피지컬 AI시스템 아키텍트: 로보틱스·자율주행·스마트팩토리 등 물리적 시스템과 AI를 결합하여 소프트웨어·하

드웨어·제어·안전 설계를 통합적으로 수행

- 엣지(Edge) AI 엔지니어: 온디바이스(on-device)·실시간 환경에서 모델 경량화 및 성능 최적화 담당

2. 기존 AI 인력 분류체계의 한계와 개선방향

가. 기존 AI 인력 분류체계의 한계

ㅇ

기존 AI 인력 분류체계는 최근 AI 기술과 산업 환경의 구조적 변화를 충분히 

반영하지 못하는 한계가 있음

①

현행 분류체계는 AI 인력을 ‘AI 개발자’와 같이 포괄적인 범주로 집계함으로써, 

최신 AI기술의 다차원적 특성과 연구·개발·운영·검증·거버넌스 등 가치사슬 단

계별 역할의 차이를 분류체계에 구조적으로 반영하지 못함

–

현행 분류체계는 AI 모델 검증 및 운영, 거버넌스 관리, 물리 시스템 통합 

등 새롭게 등장하는 AI 직무를 통계적으로 식별하지 못하는 한계가 있음11)

②

현행 분류체계는 AI 기술·서비스 공급기업 중심으로 모집단을 설정하고 있어, 

제조·금융·의료·공공 등 일반 산업에서 확산되고 있는 ‘도메인×AI 융합’ 인력

을 충분히 반영하지 못하고 있음

–

이는 AI 인력을 특정 산업에 한정된 전문 인력으로 인식하게 하며, 실제 산

업 전반에서 확대되는 AI 활용 인력 수요를 과소평가하는 결과를 초래

③

현행 분류는 통계 산출과 시계열 비교 측면에서는 일정한 안정성을 제공하지

만, 동일 직무명 하에서도 AI를 설계·개발·운영·활용하는 방식과 수준이 크게 

상이함을 충분히 포착하지 못하고 있음

–

예를 들어 ‘SW개발자’ 혹은 ‘AI개발자’로 분류된 인력이라도 기초 모델 설

계·파인튜닝을 수행하는 인력, RAG 기반 시스템을 구축하는 응용 통합 인

력, 모델을 배포·운영하는 LLMOps 인력, 모델의 성능과 안전성을 검증하는 

평가·검증 전문가 등 역할과 책임 범위가 크게 상이할 수 있음

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

13

나. 범용기술로서 AI의 확산과 인력 분류 논리의 전환

ㅇ

최근 AI와 SW기술은 특정 산업이나 직무 영역을 넘어, 제조·금융·의료·공공 등 

전 산업과 전 업무 영역으로 확산되는 범용기술로 자리매김하고 있음

–

생성형 AI, 초거대 AI, AI 에이전트, 피지컬 AI 등 기술 패러다임의 진화는 

AI를 단일 산업의 기술이 아닌, 전 산업의 가치사슬과 업무 구조를 재편하

는 핵심 인프라로 전환시키고 있음

–

AI 인력도 특정 직무나 직종에 한정된 전문 인력이 아니라, 다양한 산업과 업

무 과정에 분산되어 역할을 수행하는 이질적이고 다층적인 인력 집단으로 재

구성되고 있음

ㅇ

AI·SW와 같은 범용기술은 기존의 바이오·반도체 등 특정 산업·공정 중심 신기

술과 근본적으로 다른 확산 경로와 인력 구조를 형성

–

전통적 신기술 인력은 비교적 명확한 산업 경계와 직무 정의를 전제로 분류

가 가능했으나, 범용기술 인력은 직무의 경계를 넘나들며 기존 업무의 수행 

방식 자체를 변화시키는 특성을 가짐

구분

범용기술 인력 (AI·소프트웨어)

기존 신기술 인력 (바이오·반도체 등)

기술 확산 구조

전 산업, 전 업무로 확산

특정 산업·공정 중심

적용 범위

범용적·수평적 확산

산업·공정 내 수직적 집중

직무 구조 변화

직무명은 유지되나, 내부역할 지속적 재편

직무–전공–공정 간 비교적 고정적 연결

동일 직무 내 이질성

매우 높음

상대적으로 낮음

인력 정의 방식

역할 × 기능 × 책임수준 결합

단일 직무 · 전공 중심

산업 경계 특성

산업 간 경계 초월, 도메인 융합

산업 내부 경계 중심

분류체계 적합성

직무 중심 분류에 구조적 한계 존재

직무 중심 분류와 정합성 높음

[표 

3

] 신기술 인력 분류 관점의 구조적 차이

ㅇ

이러한 특성은 기존의 직무 중심 인력 분류 패러다임이 범용기술 인력 분석에 

구조적으로 부적합하며, AI 인력 분류체계를 정책 인프라로 활용하기 위한 분류 

기준과 논리의 근본적 전환이 필요함 

ㅇ

AI·SW와 같은 범용기술 인력은 산업과 직무 전반에 걸쳐 다양한 역할과 활용 

수준으로 분화되므로, 기존 신기술 인력과는 다른 분류 원칙이 요구됨

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

14

IV. 가치사슬 기반 AI 인력 분류체계(안)

1. 분류체계 개선의 기본 방향 

가. AI 인력 분류 설계 원칙

ㅇ

기존의 직무 중심 AI 인력 분류체계의 한계를 극복하기 위해서는, 범용기술 

인력의 특성을 반영한 역할·유형·활용 수준 기반의 분류 설계 원칙이 필요함

ㅇ

이러한 설계 원칙을 구체적으로 살펴보면 다음과 같음

①

 직업명 중심이 아닌 역할 중심 분류 

ㅇ

범용기술 인력 분류체계는 직무명이나 직종 코드가 아니라, AI 가치사슬 내에

서 수행하는 기능적 역할을 기준으로 설계되어야 함

–

AI는 기획·전략, 데이터 관리, 모델 개발, 시스템·플랫폼 구축, 운영·배포, 산

업 적용, 거버넌스에 이르기까지 전 주기에 걸쳐 다양한 역할을 요구함

–

역할 중심 분류는 AI인력 수요를 단순한 직무 단위가 아니라 가치사슬 구조 

속에서 파악하도록 하며, 인력 수요가 발생하는 지점과 병목 구간을 보다 정

밀하게 식별할 수 있는 기반을 제공

②

 다양한 AI 인력 유형을 포괄하는 분류

ㅇ

AI가 범용기술로 확산됨에 따라, 모델 개발 중심의 전문 인력뿐 아니라 산업 

현장에서 AI를 설계·운영·활용하는 인력의 비중이 빠르게 확대되고 있음

ㅇ

개선된 AI인력 분류체계는 코어 인력뿐 아니라, AI 성숙과 산업 전반 확산에 

따라 증가하는 응용·융합 인력, 일반 활용 인력까지 포괄하는 구조로 설계하여, 

인력 수요를 총량이 아닌 유형별·단계별 구조적 관점에서 진단하도록 함

③

 AX 확산에 대응한 도메인 융합형 AI 인력 분류

ㅇ

산업 전반의 AX가 가속화되면서 도메인 지식과 AI 기술을 결합해 산업 현장

에서 문제를 설계·적용·운영하는 융합형 인력의 중요성이 커지고 있음

ㅇ

개선된 AI 인력 분류체계는 공통적 AI 역할 분류를 기본 축으로 하되, 산업 

특화 영역과 결합할 수 있는 통합적 구조로 설계될 필요가 있음

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

15

④

 정책 활용성을 고려한 구조적 분류

ㅇ

AI 인력 분류체계는 단순한 통계 집계 도구를 넘어 정책 설계와 집행에 활용 

가능한 구조를 지향

–

통계 집계를 위한 기본 구조와 정책 분석을 위한 확장 구조를 계층적으로 결

합함으로써, 인력 부족 문제를 총량이 아닌 구조적 병목 관점에서 진단하고 

정책 개입의 정확성을 제고하는 정책 인프라로서의 기능을 고려

나. 가치사슬 기반 AI 인력 분류 프레임워크

ㅇ

AI 가치사슬 기반 인력 분류 프레임워크는 역할 중심 구조를 기본 축으로 하

되, 인력 유형과 산업·도메인 특성을 결합하는 다층적 체계로 구성

①

 AI 가치사슬 기반 분류

ㅇ

AI 가치사슬 단계는 AI의 기획–개발–운영–적용 전 과정을 기준으로 인력의 

역할과 기능을 구분하는 분석 프레임으로, 단순 직무 세분화를 넘어, 가치사슬

상 어느 단계에서 인력 수요가 발생하고 병목 현상이 생기는지 식별

ㅇ

인력 부족 문제를 단순한 '총량 부족'이 아닌, '어느 단계와 산업에서 불균형

이 발생하는가'라는 구조적 관점으로 파악 

가치사슬 단계

단계 정의

1. 기획·전략·거버넌스 설계

AI 도입 목적, 활용 범위, 책임 구조 및 거버넌스 체계를 설계하는 단계

2. 데이터 확보· 관리·통합 

AI 모델 학습 및 운영에 필요한 데이터를 수집·정제·관리·통합하는 단계

3. 인프라·플랫폼·HW

AI 개발·운영을 위한 컴퓨팅 자원, 플랫폼, 아키텍처를 설계·구축하는 단계

4. 모델·알고리즘 개발

AI 모델 및 알고리즘을 설계·학습·튜닝하는 핵심 기술 개발 단계

5. 검증·평가·신뢰·안전 확보

모델의 성능·안정성·편향·보안·설명가능성을 평가하고 배포 적합성 판단 단계

6. 제품·서비스 구현 

(엔지니어링)

개발된 AI 모델을 실제 제품·서비스 형태로 구현하고 시스템에 통합하는 단계

6. 배포·운영·모니터링

AI 모델을 실제 환경에 배포하고 성능·비용·안정성을 지속적으로 관리하는 단계

8. 산업·조직 전환(AX 확산)

AI를 조직 및 산업 프로세스에 내재화하여 업무구조와 가치사슬을 재편하는 단계

[표 

4

] AI 가치사슬단계의 정의와 주요 역할

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

16

②

 AI 인력의 범위 확장 : 코어·응용·융합·일반활용 인력 포괄

ㅇ

AI 인력은 모델 개발을 담당하는 코어 인력뿐 아니라, 이를 실제 산업 가치로 

전환하는 응용 인력, 도메인 지식과 AI를 연결하는 융합 인력, AI를 일상 업

무에 활용하는 일반활용 인력을 포괄하도록 구성

인력 유형

주요 역할

대표 역할군 예시

코어 인력

●

AI 모델 및 알고리즘을 직접 연구·개발하는 핵

심 인력. 

●

알고리즘, 모델, 학습·추론 구조 등 AI의 원천

기술을 창출하며 기술 경쟁력의 기반을 형성

• AI 연구원(AI Research Scientist)

• 머신러닝/딥러닝 엔지니어

• 데이터 사이언티스트(모델 중심)

• 컴퓨터비전·자연어처리 연구자

• AI 시스템/반도체 아키텍트

응용 인력

●

개발된 AI 기술을 특정 서비스나 산업시스템에 

적용하고 통합하는 인력 

●

AI를 실제로 “작동하는 솔루션”으로 전환

• AI 응용 엔지니어 / AI SW 엔지니어

• MLOps·LLMOps 엔지니어

• AI 플랫폼·클라우드 엔지니어/

• AI 서비스 개발자

• AI SRE / Observability 엔지니어

융합 인력

●

도메인 지식과 AI를 결합하여 도메인 문제를 AI 

활용 사례로 구체화하고, 요구사항·프로세스·서

비스 아키텍처를 설계하며, 현장 적용과 가치 

실현까지 책임지는 인력

• AI 프로덕트 매니저(AI PM)

• 도메인 특화 AI 엔지니어(제조·의료·금융 등)

• AI 서비스/사업 기획자

• AI 솔루션 아키텍트·컨설턴트

• 산업별 AI 분석가

일반활용 

인력

●

AI를 직접 개발하지는 않지만, 업무 과정에서 

AI 도구와 시스템을 활용해 업무 효율을 높이고 

의사결정을 고도화하는 인력 

●

AI 확산의 저변 형성

• AI 기반 마케팅·재무·인사 분석 담당자

• AI 활용 생산·품질·공정 관리자

• 의료·교육·행정 분야 AI 활용 종사자

• 생성형 AI 활용 사무·전문 인력

[표 

5

] AI 인력 유형의 특성 

③

 산업·도메인 중심의 AI 전환(AX) 반영

ㅇ

최근 AI의 중심축이 기술 자체에서 산업 현장 전환(AX)으로 이동함에 따라, 

인력 체계 역시 산업 및 도메인 중심으로 재편되고 있음

ㅇ

AI 인력은 단순히 공통적인 기술 역량을 보유한 인력에 그치지 않고, 산업별 

도메인 지식과 결합된 특화 역량을 함께 갖춘 인력으로 확대

ㅇ

AI 인력 분류체계는 '산업 공통 역량'과 '도메인 특화 역량'을 통합적으로 구

조화함으로써, 범용 인재 양성 중심의 정책에서 산업 맞춤형 인재 정책으로 전

환할 수 있는 기반 제공

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

17

2. 가치사슬 기반 AI 인력 분류체계(안)

ㅇ

AI 인력 분류체계는 가치사슬 기반 분류, 인력 유형별 분류, 산업별 융합 구조 

반영하여 다음과 같이 AI 인력 분류체계 개선안을 제시함

가치사슬 단계

직무 분류(중분류)

직무 역할 설명

비고(관련 직종 예시)

① 기획·전략 

·거버넌스 설계

AI 전략기획

조직·산업 차원의 AI 도입 

전략·로드맵·투자 방향 수립

AI 프로젝트 매니저(PM/PO), AI 

전환 매니저, CAIO 조직지원 인력

AI 거버넌스·윤리· 

리스크 관리

AI 윤리·책임성·규제·리스크 관리 

체계 설계(전단계 관통)

Responsible AI 담당자, 

AI 정책·규제 대응 전문가, 

AI 컴플라이언스 담당

② 데이터 확보· 

관리·통합

데이터 엔지니어링

데이터 수집·정제·라벨링· 

파이프라인 설계·운영

데이터 엔지니어, 데이터 아키텍트, 

빅데이터 엔지니어

데이터 관리·품질· 

거버넌스

데이터 품질·표준·메타데이터· 

접근권한··보존·결측/편향 관리

데이터 거버넌스 매니저, 

개인정보 보호 담당자(DPO)

③ 인프라·플랫폼  

·HW

AI 플랫폼·클라우드

AI 학습·추론 플랫폼, 클라우드 

인프라 구축

AI 플랫폼 엔지니어, 

클라우드 엔지니어

AI HW·시스템

GPU/NPU·스토리지·네트워크·가

속 최적화 및 운영 인프라 설계

AI 반도체 엔지니어, 

GPU 시스템 아키텍트

엣지·온디바이스 AI

로봇·차량·설비 등 엣지 환경 AI 

구현

엣지 AI 엔지니어, 임베디드 AI 

엔지니어, 피지컬 AI 엔지니어

④ 모델·알고리즘 

개발

AI 모델 개발

ML/DL 모델 설계·학습·성능 개선

머신러닝 엔지니어, 

데이터 사이언티스트(모델 중심)

AI 알고리즘 연구

신규 알고리즘·모델 구조 연구

AI 연구원, 알고리즘 엔지니어

생성형·Foundation AI 

모델 개발·튜닝

LLM·파운데이션 모델 개발·튜닝

대규모 언어모델(LLM) 엔지니어, 

파운데이션 모델 연구원

⑤ 검증·평가· 

신뢰·안전

AI 성능·안전성 검증

정확도·강건성·안전성 평가

AI 테스트 엔지니어, 

모델 검증 전문가

AI 보안·프라이버시

데이터·모델 보안, 공격 대응

AI 보안 엔지니어, 개인정보 보호 

엔지니어

AI 인증·적합성 관리

표준·규제·인증 대응

AI 인증 전문가, AI 적합성·규제 대응 

담당

⑥ 제품·서비스 

구현

AI 서비스/앱 엔지니어링

모델 API화·서비스 로직·UX 

연계·품질/성능 요구 구현

AI 서비스 개발자, AI 애플리케이션 

개발자

RAG 엔지니어링

검색·지식베이스·벡터DB·RAG 

파이프라인 설계/구현

RAG 엔지니어, 검색 엔지니어

AI 시스템 통합

기존 ERP/MES/EMR 등과 AI 

연계·통합

AI 시스템 통합 엔지니어, 솔루션 

엔지니어

⑦ 배포·운영· 

모니터링

MLOps·LLMOps

모델 배포·버전·재학습 자동화

MLOps 엔지니어, LLMOps 엔지니어

AI SRE

서비스 안정성·모니터링·장애대응

AI SRE(Site Reliability Engineer), 

AI 운영 엔지니어

⑧ 산업·조직 

전환(AX)

산업별 AI 적용

산업 도메인 문제 해결을 위한 AI 

적용

제조·의료·금융·자동차 AI 엔지니어

AI 활용 실무

비개발 직무에서 AI 활용 및 

의사결정 지원

AI 활용 기획자, AI 기반 

마케팅·인사(HR) 실무자

[표 

6

] 가치 사슬 기반 AI 인력 분류체계(안) 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

18

ㅇ

가치사슬 기반 AI 인력 분류체계를 인력유형과 인력수준으로 매핑하면 다음과 같음

(가치사슬별 인력유형과 인력수준에 대한 구체적인 역할·스킬예시는 [부록 1] 참조)

가치사슬 단계

직무 분류

(중분류)

인력 유형1)

인력수준2)

스킬 요건

(Skill Requirement)

① 기획·전략 

·거버넌스 설계

AI 전략기획

전략

전략

AI 로드맵, 투자전략, 데이터 이해, 리스크 

분석

AI 거버넌스·윤리

융합

고급~전략

AI 윤리, 규제 대응, 리스크 관리, 내부통제 

설계

② 데이터 확보· 

관리·통합

데이터 엔지니어링

코어

실무~고급

Python, SQL, ETL(Extract, Transform, 

Load), 데이터 파이프라인, 데이터 품질

데이터 관리·품질

응용

실무

데이터 표준화, 메타데이터, 품질관리

③ 인프라·플랫폼  

·HW

AI 플랫폼·클라우드

코어

실무~고급

클라우드, GPU/NPU, DevOps, CI/CD

AI HW·시스템

코어

고급

시스템 설계, 가속 연산, 네트워크, 

스토리지

엣지·온디바이스 AI

코어

실무~고급

모델 경량화, 임베디드, 실시간 처리

④ 모델·알고리즘 

개발

AI 모델 개발

코어

실무~고급

ML/DL, PyTorch/TensorFlow, 모델 튜닝

알고리즘 연구

코어

고급

수학·통계, 최적화, 구조 설계

생성형/LLM 개발

코어

고급

LLM 구조, 파인튜닝, 프롬프트, 멀티모달

⑤ 검증·평가· 

신뢰·안전

성능·안전 검증

코어/응용

고급

모델 평가, 편향 분석, 강건성 테스트

보안·프라이버시

코어

고급

보안 설계, 공격 대응, 개인정보 보호

인증·적합성 관리

융합

고급~전략

규제 해석, 문서화, 인증 대응

⑥ 제품·서비스 구현

AI 서비스 엔지니어링

응용

실무~고급

API 통합, 백엔드, 프론트엔드 연계

RAG 엔지니어링

응용

실무~고급

벡터DB, 검색, 파이프라인 설계

AI 시스템 통합

융합

실무~고급

ERP/MES 연계, 시스템 아키텍처

⑦ 배포·운영· 

모니터링

MLOps/LLMOps

응용

실무~고급

모델 배포, 자동화, 비용 최적화

AI SRE

응용

실무~고급

SLA/SLO, 장애 대응, 관제 자동화

⑧ 산업·조직 

전환(AX)

산업별 AI 적용

융합

실무~고급

도메인 지식 + AI 적용 설계

AI 활용 실무

일반활용

기초~실무

AI 도구 활용, 프롬프트, 데이터 이해

주1) 인력유형 : ①코어(Core): AI 핵심 기술·모델·플랫폼 자체를 개발·고도화, ②응용: AI를 시스템·서비스로 구현· 

운영, ③융합: 산업/도메인 문제를 AI로 전환·설계, ④일반활용: 비개발 직무에서 AI를 활용·의사결정에 적용

주2) 인력수준 : ① 기초: AI 이해·활용 가능 수준, ② 실무: 독립적 업무 수행·적용, ③ 고급: 설계·고도화·책임 수행, 

④ 전략: 전사·산업 단위 총괄·의사결정

[표 

7

] 가치 사슬 기반 분류체계별 인력 유형·수준과 스킬 요건 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

19

3. 가치사슬 기반 AI 인력 분류체계의 위상과 활용 방안

가. 기존 분류체계와 연계

ㅇ

새로운 분류체계 도입에 따른 통계 단절 우려를 해소하고, 과거 시계열 자료

와의 비교 가능성을 안정적으로 유지하기 위해서는 기존에 축적된 인력 통계 

체계와의 연속성 및 정합성을 확보할 필요가 있음.

ㅇ

가치사슬 기반 AI 인력분류체계를 기존 분류체계와 매핑한 결과, 일부 직무는 

기존 분류와 명확히 대응되지 않는 ‘미분류’ 영역으로 나타남.

–

(국가표준직업분류(KSCO)와 연계) AI 전략·기획, 플랫폼·클라우드, 엣지·온

디바이스 AI, AI 모델 개발, AI 성능·안정성 검증, 산업 적용 등 주요 직무

는 기존 KSCO 직종 체계 내에서 직접 대응되는 분류를 찾기 어려움

–

(AI 인력분류체계와 연계) AI 개발·데이터·운영 직종은 비교적 높은 정합성

을 보이나, AI 거버넌스, 생성형 AI, AI 성능·안정성 검증, 산업 적용 등 가

치사슬 확장 영역은 대응 가능한 분류가 제한적임

ㅇ

이러한 ‘미분류’ 영역은 기존 통계 체계로 충분히 포착되지 않았던 AI 확산 

단계의 정책 수요를 보여주는 지표로서, 향후 교육·훈련 및 인력 전환 정책의 

핵심 대상 영역으로 활용 가능함

–

생성형 AI, Foundation 모델, LLMOps 등은 기존 모델 개발·운영 직무를 대

체하기보다는 해당 직무의 요구 역량 수준과 책임 범위를 고도화시키는 방

향으로 작용하며, 기존 분류로는 식별하기 어려움

–

AI가 단일 기술이 아니라 서비스·조직·업무 프로세스 전반과 결합되는 범용

기술로 확산됨에 따라, AI 기획, 시스템 통합, 데이터-모델-서비스 연계 등 

융합·통합형 역할이 확대되고 있음.

–

제조·의료·금융·공공 등 산업 현장에서는 독립적인 AI 직종의 증가뿐 아니

라, 기존 직무 내에서 AI 활용도가 높은 현업 인력의 확대로 나타나고 있음.

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

20

가치사슬 단계

직무 분류

(중분류)

SPRi 

(중분류)

KSCO 

(세분류)

① 기획·전략 ·거버넌스 

설계

AI 전략기획

1. AI 프로젝트 관리자, 

2. AI 컨설턴트

1350 정보통신 관련 관리자(부분)

AI 거버넌스·윤리·리스크 

관리

– 

– (현행분류 미포착)

② 데이터 확보· 

관리·통합

데이터 엔지니어링

5. 데이터 가공처리 담당자, 

6. AI 데이터 분석가 

2231 데이터 전문가

데이터 관리·품질· 거버넌스

– 

– 

③ 인프라·플랫폼  

·HW

AI 플랫폼·클라우드

–

–

AI HW·시스템

3.3. AI HW 개발자

2211 컴퓨터 하드웨어 기술자 및 

연구원

엣지·온디바이스 AI

– 

– 

④ 모델·알고리즘 개발

AI 모델 개발

3.2. AI SW 개발자

2223 응용 소프트웨어 개발자

AI 알고리즘 연구

–

2112 자연과학 연구원

생성형·Foundation AI 

모델 개발·튜닝

–

– (현행분류 미포착)

⑤ 검증·평가· 

신뢰·안전

AI 성능·안전성 검증

–

–

AI 보안·프라이버시

3.9. 기타(AI 보안/표준 등)

2233 정보 보안 전문가(부분)

AI 인증·적합성 관리

3.9. 기타(AI 표준화 등)

–

⑥ 제품·서비스 구현

AI 서비스/앱 엔지니어링

3.4. AI 서비스 개발자

2223 응용 소프트웨어 개발자

RAG 엔지니어링

3.4. AI 서비스 개발자

2223 응용 소프트웨어 개발자

AI 시스템 통합

3.4. AI 서비스 개발자

2223 응용 소프트웨어 개발자

⑦ 배포·운영· 모니터링

MLOps·LLMOps

4. AI 시스템 운영·관리자

2241 정보 시스템 운영자

AI SRE

4. AI 시스템 운영·관리자

2241 정보 시스템 운영자

⑧ 산업·조직 전환(AX)

산업별 AI 적용

–

– (구조적 식별 불가)

AI 활용 실무

–

– (구조적 식별 불가)

주) ‘–’ 는 기존 분류체계(KSCO, SPRi 인공지능 인력분류)와 1:1 매칭이 어려운 ‘미분류’ 영역임

[표 

8

] 가치사슬 기반 AI인력 분류와 기존 인력분류의 연계(매핑) 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

21

나. 가치사슬 기반 AI 인력 분류체계의 활용도 제고 

ㅇ

AI 인력 수요는 가치사슬 전반으로 확산되고 직무·역량 구성이 빠르게 변화

하여, 정책이 ‘누구를 어떤 기준으로 지원할 것인가’를 명확히 하지 않으면 정

책 대상 설정, 우선순위, 성과관리가 흔들릴 위험이 큼

ㅇ

해외 주요국은 이러한 한계를 인식하고, 기존 직업·인력 분류체계는 유지하면

서, 상위 수준의 인력 프레임워크와 연계하여 AI 인력정책을 고도화하고 있음

–

OECD(2023)는 ‘AI 역량 프레임워크(AI Capability Framework)’를 통해 기

존 직업분류를 보완하면서, AI 인력 수요를 기술·산업·역량 관점에서 재해석

–

EU(2024)는 ‘직무-스킬-교육체계를 연계한 프레임워크’를 구축하여, AI 인

력정책을 산업정책, 교육정책, 규제정책과 통합적으로 운영 

구분

OECD

EU

기본 구조

직업 유지 + AI 역량 결합

직무–스킬–교육 연계

병목 진단

스킬 수요 분석

교육-산업 정합성 분석

도메인 반영

산업별 분석

산업별 역량 매핑

정책 연계

인력·혁신 정책 연계

교육·규제·산업 통합

특징

스킬 중심

교육체계 중심

[표 

9

] OECD와 EU의 AI 인력 프레임워크 비교 

ㅇ

가치사슬 기반 AI 인력분류체계의 실무 적용성과 활용도를 높이기 위해서는, 

이를 단순한 ‘통계 집계용 분류’가 아니라 기업의 인재확보·배치·전환과 교육기

관의 커리큘럼·평가·자격체계를 하나의 언어로 연결하는 공통 인프라로 설계

–

(기업) 분류체계는 AI 인력을 역할 중심으로 재정의하여 채용요건과 평가기

준을 표준화하고, 현업·IT 인력의 전환(Reskilling/Upskilling) 경로와 역량기

준을 설계하는 기반으로 기능하도록 설계

–

(교육 기관) 분류체계는 산업의 역할 수요를 커리큘럼·평가·자격으로 일관되

게 연결해 교육의 ‘직무 적합성’과 ‘배치 가능성’을 높이는 표준 프레임 제공

–

(실무 적용) 가치사슬 기반 AI 인력 분류체계를 토대로 ‘직무 역할 정의서, 

스킬요건, 전환/성장경로’를 연계하여 채용–전환–교육–평가–자격–경력

경로가 하나로 연결되는 표준 인프라로 구현하여 활용도 제고

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

22

ㅇ

따라서 ‘가치사슬 기반 AI 인력 분류체계’는 교육훈련, 정책 프로그램 설계, 성

과평가와 연계할 수 있는 ‘AI 인력 프레임워크’로 확장될 필요가 있음

–

‘AI 인력 프레임워크(AI Workforce Framework)’가 AI 인력의 역할·역량·전환 

구조를 설계하는 상위 프레임이라면, ‘AI 인력 분류체계’는 이를 통계적으로 

측정·집계하기 위해 직무 단위로 구현한 정책 인프라 역할을 함

ㅇ

분류체계의 활용 범위를 정책 설계·집행까지 확장하기 위해서는, 전체를 ‘정책·

집행(상위층)’과 ‘측정·통계(하위층)’로 구분하여 재구성하는 것이 바람직함

–

상위층(정책·집행): AI 인력 프레임워크로서 역할(Role)–역량(Competency)

–숙련수준(Level)–경력경로(Pathway)를 표준화하고, 이를 교육·훈련·자격·

채용·전환 등 정책수단과 연계하여 목표-수단-평가를 일관되게 정렬

–

하위층(측정·통계): 분류체계를 특수분류체계로 정립하되, 기존 분류체계와의 

연계표(매핑)를 구축하여 호환성을 확보함으로써 시계열 연속성과 비교 가능

성 유지

[그림 

1

] 가치사슬 기반 AI 인력분류체계의 위상 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

23

V. 결론 및 정책적 시사점

1. 결론 요약

가. 가치사슬 기반 AI 인력 분류체계 정립의 필요성 

ㅇ

AI는 더 이상 특정 기술 인력의 전유물이 아니라, 산업 전반의 가치 창출 과

정에 내재화되는 범용 기술로 전환되고 있음

–

최근 AI 기술은 연구·개발 단계를 넘어 데이터 운영, 모델 배포, 서비스 통

합, 현업 적용, 거버넌스 등 전 가치사슬 전반으로 확산되고 있음

–

이에 따라 인력 수요도 직무 내 스킬 요건 변화(질적 전환)와 새로운 역할

의 등장이라는 형태로 확대·다변화되고 있음

ㅇ

그러나 현행 AI 인력 분류체계는 여전히 개발자 중심·직무 중심 구조에 머물

러 있어, 이러한 수요 구조 변화를 충분히 반영하지 못하고 있음

–

그 결과 AI 인력 부족이 ‘총량 문제’로만 인식될 소지가 커지고, 인력양성 

및 수급전망 정책이 산업 현장에서 실제로 발생하는 병목과 괴리되는 한계

가 반복될 수 있음

–

특히 평가·검증·신뢰(Trust), 운영(MLOps), 산업 도메인 적용, 현업 활용 인

력에 대한 정책적 가시성이 낮아, AI 확산의 실질적 장애 요인이 체계적으

로 관리되지 못하는 문제가 지속되고 있음

ㅇ

본 연구는 AI 인력 수요 구조의 변화를 반영하여, 기존 개발자 중심 AI 인력 

분류체계의 한계를 진단하고 가치사슬·역할·산업 도메인 기반 분류체계 개선

안을 제시함

–

이는 AI 인력 정책을 단순한 통계·교육 정책을 넘어 수급전망·인재양성·산

업 AX 전략을 연결하는 정책 인프라로 고도화하기 위한 핵심 기반이며, 향

후 한국 AI 산업 경쟁력과 AX 성과에 중요한 영향을 미칠 정책 과제임

나. 가치사슬 기반 AI 인력 분류체계의 특징과 장점

① AI 인력 범위의 확장과 역할 가시화

ㅇ

AI 인력을 개발 중심의 협소한 범주에서 벗어나, 데이터–모델–배포·운영–

거버넌스–사업화로 이어지는 가치 창출 전 과정의 역할로 체계화

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

24

–

생성형 AI 확산 국면에서는 개발 역량보다 운영(MLOps), 통합, 신뢰·검증, 

현업 적용 역량이 성패를 좌우하는 경우가 증가

–

이에 따라 운영(MLOps)·신뢰(평가/검증)·현업 적용 인력을 분류체계 내부에 

명시하고, 인력 현황 및 수요 전망의 기본 분석 단위로 가시화함

② 인력 수급 문제의 정책 프레임 전환

ㅇ

AI 인력 문제를 단순한 총량 부족이 아닌, 가치사슬 단계별 구조적 병목 문제

로 재정의

–

인력 수요를 가치사슬 단계별로 분해하고, 병목 단계에 따라 교육·훈련, 전

환(리스킬링), 채용, R&D, 평가·인증, 거버넌스 등 정책수단을 재배치하고, 

이를 통해 투자 우선순위를 명확히 설정하고 정책 효율성 제고

③ 시계열 연속성과 기술 변화 대응성을 동시 확보

ㅇ

기존 분류체계와의 연계표를 통해 시계열 연속성을 유지하면서도, 생성형 AI 

확산 등 기술 변화에 유연하게 대응하도록 설계

–

(시계열 연속성) 기술 변화에 덜 민감한 기술-중립적 가치사슬 틀을 통해 

통계·실태조사·정책 설계의 비교가능성 확보

–

(기술 변화 대응성) 보안·윤리·규제 대응 등 ‘책임 있는 AI(responsible AI)’  

요소를 가치사슬 전 단계에 내재화하여 운영 리스크를 관리하고, 산업 생태

계 차원의 투자·협력·외주 전략 수립에 활용 가능

④ 분류체계를 인력수급전망-인재양성-AX 전략을 연결하는 공통 언어로 정착

ㅇ

가치사슬 단계별 역할(role)과 역량 묶음(skill bundle)을 기준으로 AI 인력 수

요를 구조화하여, 교육·훈련을 직무명 중심의 단편적 과정이 아닌 병목 단계 

중심의 모듈형 커리큘럼으로 설계

ㅇ

숙련 수준별 성장·전환 경로를 명확히 제시하고, 이를 통해 정책의 정합성과 집

행 효율을 동시에 제고

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

25

2. 정책적 시사점 및 정책 제언

ㅇ

AI 인력 수요가 산업 전반에서 빠르게 확산되고 있으나, 교육·산업·노동·통계 

영역의 관련 데이터는 분절적으로 운영되고 있어 인력 수요 구조를 종합적으로 

파악하기 어려운 상황임

–

동일한 AI 직무라 하더라도 통계체계, 교육훈련 분류, 채용 데이터간 코드와 

분류 기준이 상이하여 상호 매핑이 곤란하고, 이로 인해 전체 인력 수급 구

조의 통합적 분석과 정책 효과의 계량적 평가가 제한되고 있음

ㅇ

따라서 데이터 기반 인재양성 정책의 실효성을 제고하기 위해서는, 가치사슬 기

반의 표준화된 인력 분류체계를 중심으로 교육·채용·산업·통계 데이터를 연계할 

수 있는 공통 코드 체계를 구축하고, 이를 정책 인프라로 제도화할 필요가 있음

ㅇ

이를 위해 다음의 핵심 과제를 단계적으로 추진할 필요가 있음

① 가치사슬 기반 AI 인력 분류체계를 ‘특수분류체계’로 정립

ㅇ

‘가치사슬 기반 AI인력분류체계(안)’에 대해 현장 적용가능성을 검토하기 위하

여 산·학·연·관 협의체를 구성하여 ‘표준 설계·검증·현행화’를 위한 실행 거버

넌스 역할 수행

–

협의체는 특수분류(중분류·소분류)의 산업 적합성을 검증하고, 채용공고 스

킬 분석 등 시장 수요 변화 모니터링하고 현행화 기능 수행

ㅇ

개선된 분류체계(안)을 특수분류체계로 제도화하여, 통계의 시계열 연속성을 

유지하면서도 신기술·신직무 수요를 신속 반영하는 동적 업데이트 체계 구축

–

(통계의 안정성) 기존 분류체계와의 상시 매핑 및 특수분류체계 버전관리

(변경이력·환산 규칙) 체계를 병행 운영하여 통계 단절 우려 최소화

–

(동적 업데이트 체계) 신기술 및 신직무 수요를 신속히 반영하기 위해 6개

월 주기의 스킬요건 분석과 1년 주기의 역할 구조 점검을 수행하는 동적 업

데이트 체계를 구축

ㅇ

개선된 AI 인력분류체계(특수분류)와 연계 가능한 ‘공통 AI직무 표준*’을 마련

하고, ‘특수분류–공통직무표준 - NCS–교육훈련–자격체계’를 연계체계 마련

    * 공통 AI직무 표준은 AI 가치사슬 단계별 ‘역할(Role)’을 기준으로 ‘역할 – 수행과업 – 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

26

12)

 FTE((Full-Time Equivalent)는 근로시간 기준 환산 인원으로, 1.0 FTE는 전일제 근로자 1명이 특정 직무

와 역할에 근로시간의 100%를 투입하는 것을 의미한다. 이는 겸직과 역할 전환이 일상화된 AI 산업의 현실을 

반영한 개념으로, 인력 투입의 실제 규모를 보다 정확하게 계측할 수 있는 장점이 있다.

13)

 채용공고 데이터는 기업별 자유기술식 직무명과 스킬 나열 방식으로 작성되기 때문에 가치사슬 기반 역할

(Role)–숙련수준(Level) 체계로 표준화하지 않으면, 공식 통계와의 정합성을 확보하기 어렵다.

필수역량 – 숙련수준 – 성과책임’을 체계화한 국가 단위 AI 역할 정의 프레임워크로 통

계·교육·자격·정책과 연결하는 국가 공통 인터페이스를 의미함

② AI 인력 수급전망을 총량 중심에서 병목 중심 전망체계로 전환

ㅇ

AI 인력수급 전망은 그간 직업 단위 총량 추계에 기반하여 수행되어 왔으나, 

이는 산업 전환 속도를 제약하는 구조적 병목을 설명하지 못하는 한계가 있음

ㅇ

이를 위해 가치사슬 기반 특수분류체계를 중심으로, ‘역할(Role)–숙련수준

(Level)–FTE12)’ 구조를 적용한 인력 수급 전망 모델 구축 필요

–

특수분류는 AI 시스템의 가치사슬 단계별로 핵심 역할을 정의하고, 숙련수

준과 투입 인력 규모를 기준으로 수요·공급을 측정할 수 있는 기반 제공

ㅇ

또한, AI 인력수급 전망은 실태조사 기반의 구조적 데이터와 채용공고 기반의 

시장 수요 신호를 결합한 하이브리드 방식으로 전환할 필요가 있음

–

실태조사 기반 전망은 보유 인력과 중기 수요 계획을 파악하는 데 유효하

나, 조사 주기상 신기술 확산과 신규 직무 등장, 숙련 요건 고도화 등 동태

적 변화를 즉각 반영하기 어려움

–

채용공고 기반 스킬 분석은 시장 수요 변화를 신속히 포착할 수 있으나, 대

표성 편향과 중복·허수 공고, 고용 규모(FTE) 환산의 한계로 인해 승인통계

를 직접 대체하기에는 구조적 제약이 있음

ㅇ

따라서 실태조사 기반 구조 통계를 유지하되, 채용공고 분석은 역할-숙련수준 

체계로 표준화·보정·지수화하여 활용함으로써13), 통계의 시계열 연속성을 확보

하면서도 신기술·신직무 수요 변화를 반기 단위로 조기 탐지하고 병목 심화 

구간을 선제적으로 파악하는 상시 대응 체계를 구축해야 함

③ 산업별 AX 확산 가속화를 위한 ‘국가 AI 스킬 표준’ 정립

ㅇ

최근 산업 현장에서 관측되는 AI 인력 부족은 AI 전공 인력의 절대 규모 부

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

27

14)

 ‘공통 코어’는 전 산업 공통 스킬(데이터/모델/운영/신뢰/통합/변경관리 등)을 의미하고, ‘산업 특화 모듈’은 

산업별 제약/표준/리스크/도메인 지식, 예컨대 자동차 안전·온디바이스, 의료·임상검증, 금융 모델 리스크·규제, 

제조 OT/현장운영 등을 의미한다.

족이라기보다, AI의 특정 가치사슬 단계의 실행 역량이 취약하여 AI 도입과 

확산이 지연되는 구조적 병목에서 비롯됨

ㅇ

이러한 문제를 해소하기 위해서는 기업마다 상이한 직무명에 의존하는 접근

을 넘어, 가치사슬 기반 분류체계에 ‘역할-스킬-숙련 표준’을 결합한 ‘AI Skill 

Framework’를 구축하여 채용·교육훈련·자격·경력전환 정책 전반에 적용되는 

국가 차원의 공통 언어로 정립 

ㅇ

‘국가 AI 스킬 표준’은 가치사슬 단계별 역할과 역량 묶음으로 재정의하고, 전 

산업에 공통으로 요구되는 최소 역량을 ‘공통 코어(core)’로 규정하고, 제조, 

SDV, 의료, 금융 등 산업별로 상이하게 나타나는 병목을 해결하기 위한 ‘산업 

특화 모듈’을 추가하는 모듈형 구조로 설계14)(구체적인 예시는 [부록 2] 참조)

–

(공통 코어) 전 사업의 공통 스킬로 데이터/모델/운영/신뢰(리스크·거버넌

스)/통합/변경관리 등 AX의 보편적 실행역량을 의미

–

(산업 특화 모듈) 산업별 규제, 표준, 리스크, 도메인 지식*을 반영해 병목을 

직접 겨냥하는 스킬 번들로 구성

    * 예:자동차 안전·온디바이스, 의료 임상검증, 금융 모델리스크·규제, 제조OT·현장운영 등

ㅇ

따라서 ‘국가 AI 스킬 표준’은 산업별 AX의 병목을 역할·역량·숙련 수준으로 

표준화해 기업 수요를 교육·자격·전환 체계로 즉시 번역함으로써, 인재를 ‘필

요한 시점에 필요한 수준으로’ 공급하게 만드는 정책 인프라 역할을 함

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

28

3. 연구의 의의와 기대효과

ㅇ

본 연구는 AI 인력을 다차원적 가치사슬 관점에서 재정의하고, 현행 분류체계

의 한계를 진단하여 수요지향적 개선 방향을 제시함으로써, AI 인력 통계·교

육·정책·산업을 유기적으로 연결하는 인재정책 프레임워크의 기초를 마련함 

ㅇ

이는 단순한 분류항목 조정에 그치지 않고, AI 시대 인적자원 정책 전반을 재

구조화하기 위한 개념적·분석적 기반을 제시한다는 점에서 의미가 있음

ㅇ

(개념적) AI 인력을 특정 직무나 직종으로 한정하지 않고, 역할(연구개발–엔

지니어링–서비스 기획–응용), 숙련 수준(핵심 연구인력–전문 실무인력–응

용·활용 인력), 활용 영역(산업·도메인)을 포괄하는 다차원적 범주로 재정의

–

이를 통해 AI 인력에 대한 보다 정교한 이론적·분류학적 틀을 제시하고, 생

성형 AI, 에이전틱 AI, 피지컬 AI 등으로 다변화·고도화되는 AI 기술과 직

무 구조를 포괄적으로 설명할 수 있는 개념적 공통 언어를 제공

ㅇ

(분석적·제도적) 기존 직업·인력 분류체계 안에서 AI 관련 직무 포착의 한계

와 왜곡을 체계적으로 진단하고, 통계체계 개선 방향을 제시함

–

한국표준직업분류 등 기존 분류체계에서 AI 관련 직무가 어떻게 반영되고 

어떤 영역이 누락되고 있는지를 구조적으로 분석하여 향후 통계체계 개편 

논의에 활용 가능한 근거와 참고자료를 제시

–

AI 인력 통계를 보다 신뢰도 높게 산출하기 위한 기초 인프라(분류기준, 연

계구조)를 정비함으로써, 정부의 인력수급 전망, 산업별 인력정책, AI 인재

양성 재정사업 설계에 활용 가능한 기준을 마련

ㅇ

본 연구는 산업계·교육계·정책 현장의 요구를 반영한 수요지향적 AI인력 분류

체계를 지향하며, 통계–교육–정책–산업 현장을 관통하는 공통 언어로서 분

류체계를 제시함

–

이를 통해 각 영역에서 산발적으로 추진되던 AI 인력 관련 노력들이 보다 

정합적으로 연계되고, 정책 설계–집행–평가까지 일관된 기준으로 정렬될 

수 있는 기반을 제공

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

29

참고문헌

1. 국내문헌

■

박근용 외(2025), ‘AI 전문인력 현황과 수급 불균형:규모, 임금, 이동성 분석’, 「BOK 이슈

노트」 제 2025-36호, 한국은행.

■

소프트웨어정책연구소(2025), 「2024년 인공지능산업 실태조사」. 

■

한국소프트웨어산업협회·소프트웨어산업 인적자원개발협의체(2024), 「초거대 AI 분야 직무 

분석 보고서」.

■

이현경(2025), ‘AX 시대, AI 융합인재 양성 현황의 진단과 제언’, 「KISTEP ISSUE 

PAPER」 2025-04 (통권 제375호), KISTEP.

■

통계청(2025), ‘제8차 한국표준직업분류(시행 2025.1.1) 및 개정 주요 내용’.

2. 국외문헌

■

Cisco(2025a), ‘ICT in Motion: The Next Wave of AI Integration’, AI Workforce 

Consortium. 

https://www.cisco.com/content/dam/cisco-cdc/site/m/ai-workforce-consortium/

documents/2025-ai-workforce-consortium-full-report.pdf.

■

Cisco(2025b), ‘2025 AI Skills Glossary’, AI Workforce Consortium. 

■

Cisco(2025c), ‘Empowering Organizations with AI: A Playbook for Skilling, 

Strategy, and Success’, 「2025 AI Workforce Playbook」. 

https://www.cisco.com/content/dam/cisco-cdc/site/m/ai-workforce-consortium/

documents/2025-ai-workforce-playbook.pdf.

■

CSET(2021), ‘The U.S. AI Workforce: Understanding the Supply of AI Talent’, 

CSET Issue Brief. 

■

Green, A. & Lamby, L.(2025), ‘The Characteristics of the AI Workforce across 

OECD Countries’, The Indian Journal of Labour Economics.

■

EU(2024). ‘Use of artificial intelligence in enterprises’.

■

ESCO(2024), ‘Skills–Occupations Matrix Tables–Artificial Intelligence & 

Machine Learning’. 

■

Index(2025), ‘AI Job Growth Statistics 2026: Skills, Salaries and Automation’.

■

McKinsey & Company(2025), ‘The state of AI : How organizations are 

rewiring to capture value’. 

■

NASSCOM(2023), ‘State of Data Science & AI Skills in India’. 

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

30

■

NIST(2023), ‘AI Risk Management Framework(AI RMF 1.0)’.

■

OECD(2021), ‘Demand for AI skills in jobs: Evidence from online job postings’, 

OECD Science, Technology and Industry Working Papers 2021/03.

■

OECD(2022), ‘Framework for the Classification of AI Systems’, 「OECD Digital 

Economy Papers」, No. 323.

■

OECD(2023), ‘Emerging trends in AI skill demand across 14 OECD countries’, 

「OECD AI Papers」, October 2023(No.2).

■

OECD(2024), ‘AI and The Changing Demand For Skills in the Labour Market’, 

「OECD AI Papers」, April 2024(No. 14).

■

U.S. OPM(2024), ‘Artificial Intelligence Classification Policy and Talent 

Acquisition Guidance’.

■

Rosie Hood (2025), ‘The AI Workforce: What LinkedIn data reveals about ‘AI 

Talent’ trends in OECD.AI’s live data’, OECD.AI.

■

Russell, S., & Norvig, P.(2020), 「Artificial Intelligence: A Modern Approach 」, 

Pearson.

■

WEF(2025), ‘Future of Jobs Report’, WEF. 

https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf.

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

31

[부록 1] 가치사슬단계와 인력 유형 및 인력 수준별 직무 역할

□

가치사슬 기반 AI 인력 분류를 AI 인력 유형과 매핑 

*

 ‘공란(-)’은 해당 단계의 인력이 없음이 아니라 주도적이지 않음을 의미함

□

가치사슬 기반 AI 인력 분류를 AI 인력 수준과 매핑 

가치사슬 단계

코어 인력

응용 인력

융합 인력

일반활용 인력

1. 기획·전략·거버넌스

–

–

AI 전략기획, AI PM, 

AI 거버넌스·윤리

AI 기반 전략·기획 

담당

2. 데이터 기획·수집· 

관리·품질

데이터셋 설계,

데이터품질/편향 

측정 기법 연구

데이터 엔지니어 

(수집·관리)

데이터 거버넌스 · 

품질 책임자

데이터 기반 업무 

사용자

3. AI 인프라·플랫폼 

·HW

AI 시스템·반도체 

아키텍트

플랫폼·클라우드·엣

지 AI 엔지니어

산업 IT/OT 연계 

설계자

AI 플랫폼 사용자

4. 모델 개발·학습

AI 연구원, 

ML/DL·LLM 

엔지니어

모델 튜닝·통합 

엔지니어

도메인 모델 설계자

–

5. 검증·평가·신뢰

평가 알고리즘·기법 

연구

AI 테스트·검증 

엔지니어

인증·규제·신뢰 

설계자

현업 검수자

6. 배포·운영·관측

–

MLOps·LLMOps, 

AI SRE

운영 설계·전환 리더

AI 시스템 활용자

7. 서비스·시스템·제품 

적용

–

AI 서비스·시스템 

개발자

AI 서비스·UX·제품 

기획

AI 기반 업무 수행

8. 활용·확산·고도화(AX)

–

업무시스템 재구성,

사내 AI 도구 내재화

전사 확산 리더

전사 AI 활용 인력

직무분류(중분류)

L1(기초 활용)

L2(실무 응용)

L3(고급 설계)

L4(전략, 총괄)

AI 전략·기획

AI 리터러시, 활용 

사례

프로젝트 관리, ROI 

분석

산업·기업 AI 전략 

설계

국가·산업 AI 전략, 

정책

데이터 엔지니어

데이터 이해

ETL·DB·파이프라인

데이터 아키텍처 설계

대규모 데이터 플랫폼 

총괄

AI 플랫폼·클라우드

클라우드 기초

AI 플랫폼 구축·운영

분산·대규모 플랫폼 

설계

AI 인프라 아키텍트

AI 모델 개발

모델 이해

ML/DL 모델 개발

모델 고도화·튜닝

차세대 모델 설계

생성형·Foundation AI

개념 이해

파인튜닝·활용

LLM 구조·최적화

Foundation Model 

연구

AI 제품·서비스 개발

AI 서비스 활용

RAG·Agent 개발

서비스 아키텍처 설계

AI 제품 전략 총괄

AI 시스템 통합

AI 활용 이해

IT/OT 연계 실무

AX 통합 설계

전사 AX 아키텍처

MLOps·AI 운영

운영 이해

배포·자동화

운영 고도화

AI 운영 전략

산업별 AI 적용

AI 활용

산업 데이터 적용

산업 AX 설계

산업 AI 리더

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

32

[부록 2] 가치사슬 기반 AI인력 분류체계의 산업 적용(예시)

□

SDV 산업의 AI 인력의 스킬 요건(공통 코어 + 산업 특화 모듈)

가치사슬 단계(VC)

공통 코어(Core) 스킬요건

산업 특화 모듈 스킬요건

1. 전략·거버넌스

유스케이스·KPI/ROI 설계,

AI 로드맵/포트폴리오, 

RAI(책임성)·리스크 관리, 

데이터/모델 거버넌스, 

품질·성과관리 체계

SDV 제품·서비스 구조 이해(차량 기능/서비스), 

E/E 아키텍처 관점 요구사항 정렬, 

안전/보안 중심 의사결정

(안전 목표·안전 케이스 체계), 

OTA 기반 생애주기 관리 전략

2. 데이터

데이터 표준/메타데이터/라인리지, 

품질지표·데이터 계약, 

파이프라인(수집–정제–적재), 

라벨링 운영·버전관리

센서 데이터(카메라/라이다/레이다) 멀티모달 처리, 

주행 시나리오/ODD 기반 데이터 설계, 

코너케이스·희귀사건 데이터 수집 전략, 

라벨링 정합성(동작·객체 정의) 및 품질 QA 체계

3. 인프라·플랫폼

클라우드/컨테이너, 

GPU/가속 인프라, IAM/키관리, 

비용·성능 최적화, 

보안(취약점/접근통제)

엣지/온디바이스 추론 스택(차량용 SoC), 

실시간/지연·전력 제약 최적화, 

차량 네트워크/게이트웨이 제약 고려, 

차량 사이버보안(키 프로비저닝·보안 부트·침해대응) 및 

OTA 배포 인프라

4. 모델 개발 

(ML/LLM)

ML/LLM 모델링, 

RAG/에이전트 기초, 

실험관리·재현성, 

학습/추론 성능 최적화, 

평가 설계(기준/데이터셋)

인지(Perception)·센서퓨전 모델, 

판단/제어 보조 모델, 

시뮬레이션 기반 학습·증강, 

도메인 제약(물리/주행) 반영, 

경량화/양자화 등 온디바이스 모델 최적화

5. 검증·평가·안전성

성능·강건성·편향 평가, 

드리프트 감지, 

테스트케이스/회귀 테스트, 

모델 리스크 문서화 

(모델카드/리스크레지스터), 

승인 게이트 운영

시나리오 기반 검증(ODD 커버리지), 

MIL/SIL/HIL 개념 및 적용, 

코너케이스 재현·안전성 주장(안전 케이스) 체계, 

OOD(분포 외) 대응 평가, 

안전/보안 요구의 검증 증적 관리

6. 배포·운영 

(MLOps/LLMOps)

CI/CD, 모델 레지스트리·버전관리, 

모니터링/알림, 

롤백·A/B, SLO/SLI 기반 운영

OTA 릴리스·롤백 프로세스, 

플릿 텔레메트리 기반 운영 관측성

(차량군 성능 추적), 

버전 호환성/구성관리(차량 HW 다양성), 

운영 중 안전 임계치 관리(자동 중지·완화 로직)

7. 서비스/업무 통합 

(제품화)

API/시스템 통합, 

제품 요구사항→모델 요건 변환, 

UX·휴먼인더루프, 

변경관리·교육, 

운영 매뉴얼

차량 SW 통합(미들웨어/ECU 연계)과 인터페이스 

설계, 

안전 요구사항 반영 아키텍처, 

운전자 HMI/경고 전략(오경보 최소화), 

기능 업데이트가 사용자 경험·안전에 미치는 

영향 평가

8. 운영·지속개선 

(내재화)

현업 KPI 운영, 

장애/품질 이슈 대응, 

운영 데이터 피드백, 

재학습 트리거, 

감사/보고 체계

필드 이슈 재현·원인분석(RCA)과 데이터 환류, 

품질/리콜 프로세스 연계, 

서비스센터 진단 지원, 

플릿 기반 장기 성능 저하(드리프트) 관리 및 개선 

사이클 운영

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

33

□

의료 산업의 AI 인력의 스킬 요건(공통 코어 + 산업 특화 모듈)

가치사슬 단계(VC)

공통 코어(Core) 스킬요건

산업 특화 모듈 스킬요건

1. 전략·거버넌스

유스케이스·KPI/ROI 설계,     

AI 로드맵/포트폴리오, 

RAI(책임성)·리스크 관리, 

데이터/모델 거버넌스, 

품질·성과관리 체계

임상 문제정의(환자안전·진료성과 중심 KPI), 

책임소재·의사결정 구조 반영, 

IRB/윤리·준법 체계, 

의료기기/SaMD 관점 리스크·문서화, 

의료기관 내 거버넌스(위원회·승인 프로세스)

2. 데이터

데이터 표준/메타데이터/라인리지, 

품질지표·데이터 계약, 

파이프라인(수집–정제–적재), 

라벨링 운영·버전관리

EHR/EMR 데이터 구조 이해, 

의료 데이터 표준(HL7/FHIR 등) 적용, 

의료영상 표준(DICOM) 처리, 

임상 용어·코딩 정합(코호트 정의 포함), 

비식별/가명처리·데이터 접근 승인(민감정보)

3. 인프라·플랫폼

클라우드/컨테이너, 

GPU/가속 인프라, 

IAM/키관리, 

비용·성능 최적화, 

보안(취약점/접근통제)

병원 보안·망분리 환경 제약 반영, 

민감정보 접근통제·감사로그(추적성), 

안전한 분석환경(연구망/VDI/샌드박스) 구축, 

데이터 반출·공유 통제, 

프라이버시 보존 학습(연합학습 등) 적용 여건 설계

4. 모델 개발(ML/LLM)

ML/LLM 모델링, 

RAG/에이전트 기초, 

실험관리·재현성, 

학습/추론 성능 최적화, 

평가 설계(기준/데이터셋)

임상 변수·혼란변수 이해, 

라벨 노이즈(판독자 차이) 처리, 

데이터 누수 방지, 

캘리브레이션(위험도/확률 해석), 

의료영상/임상 NLP 특화 모델링, 

설명가능성·임상의 수용성 고려

5. 검증·평가·안전성

성능·강건성·편향 평가, 

드리프트 감지, 

테스트케이스/회귀 테스트, 

모델 리스크 문서화 (모델카드 

/리스크 레지스터), 

승인 게이트 운영

임상적 유효성 평가(민감도/특이도 등) 및 해석,

외부검증(기관/기간/장비 차이) 설계, 

서브그룹 편향·공정성 평가(취약집단), 

임상 워크플로 영향 평가, 

규제·감사 대응 문서(근거/추적성)

6. 배포·운영 

(MLOps/LLMOps)

CI/CD, 모델 레지스트리·버전관리, 

모니터링/알림, 

롤백·A/B, SLO/SLI 기반 운영

EHR/PACS 등 병원 시스템 연계 배포, 

운영환경 검증(변경관리 포함), 

업데이트 시 재검증·추적성(감사), 

성능저하·안전이슈 발생 시 중지/완화 

기준(가드레일), 

사용자 알림·운영 프로토콜

7. 서비스/업무 통합 

(제품화)

API/시스템 통합, 

제품 요구사항→모델 요건 변환, 

UX·휴먼인더루프, 

변경관리·교육, 

운영 매뉴얼

임상 워크플로 삽입 지점 설계(CDS), 

HITL(의료진 확인·승인) 설계, 

알람 피로(Alarm fatigue) 최소화, 

책임소재·업무규정 반영, 

의료진 교육·정착·사용성 평가

8. 운영·지속개선 

(내재화)

현업 KPI 운영, 

장애/품질 이슈 대응, 

운영 데이터 피드백, 

재학습 트리거, 

감사/보고 체계

환자안전 이벤트 모니터링, 

성능 저하 시 운영중지·재검증 루프, 

임상 지표 기반 지속개선, 

안전사건 보고·대응 프로토콜, 

규제·감사 정기 대응(증적 관리)

SPRi 이슈리포트 IS-227가치사슬 기반 AI인력분류체계

[소프트웨어정책연구소]에 의해 작성된 [SPRI 보고서]는 공공저작물 자유이용허락 표시기준 

제4유형(출처표시-상업적이용금지-변경금지)에 따라 이용할 수 있습니다.

 

주      의

이 보고서는 소프트웨어정책연구소에서 수행한 연구보고서입니다. 

이 보고서의 내용을 발표할 때에는 반드시

소프트웨어정책연구소에서 수행한 연구결과임을 밝혀야 합니다.

가치사슬 기반 AI 인력분류체계: AI 인재정책 인프라로 전환

지은희 

경기도 성남시 분당구 대왕판교로 712번길 22 글로벌 R&D 연구동(B)

Global R&D Center 4F 22 Daewangpangyo-ro 712beon-gil, Bundang-gu, Seongnam-si, Gyeonggi-do

 

www.spri.kr