본고는 생성형 AI로 인한 소프트웨어 개발 프로세스별 개발 업무 변화를 살펴보고, 이것이 소프트웨어(Software, 이하 SW) 개발자 직무에 어떠한 영향을 주는지와 그 시사점에 대해 논하려고 한다. 생성형 AI란, 텍스트, 오디오, 이미지, 동영상 형태의 새로운 콘텐츠를 생성하도록 설계된 인공지능 모델이다. 생성형 AI라는 화두를 세상에 내놓은 OpenAI사의 ChatGPT는 지금까지 출시된 애플리케이션 중 가장 빠른 속도로 이용자 수가 늘어나고 있다. 이러한 경향은 생성형 AI의 활용이 업무 효율성을 향상할 것으로 기대되기 때문이며, 특히 개발환경의 변화로 인해 개발자의 역할 또한 변화할 것으로 전망된다. SW 개발은 SW 요구분석, 설계, 구현 및 시험 등의 복잡한 프로세스로 구성되어 있다. 또한 고객사의 개발 및 운영 환경, 성능 및 보안 요구 수준, 유지보수성 등 다양한 요소를 고려해야 하는 정형화하기 어려운 업무이기 때문에 생성형 AI가 개발자 업무에 주는 영향은 예상만큼 크지 않았다. SW개발 단계 중 SW 구현과 SW 시험 단계에는 생성형 AI 활용이 가능하다. 생성형 AI를 이용하면 SW 구현 단계에서는 코드 생성, 코드 자동완성, 주석 작성, 코드 번역, 리버스 엔지니어링 등이 가능하다. SW 시험은 시간이 많이 소요되고 반복적인 업무가 많아, 생성형 AI 활용에 가장 효과적인 단계이다. 반면에 고객과의 커뮤니케이션이 중요한 SW 요구분석 단계와 최신 기술을 포함한 복잡한 기술을 연계하여 수행해야 하는 SW 설계 단계는 생성형 AI의 활용이 쉽지 않다. 전반적으로 생성형 AI 개발도구의 활용은 개발자의 생산성 향상에 효과가 있으나, 개발 단계, 개발하는 제품이나 서비스의 종류, 개발자의 수준 등에 따라 생성형 AI의 활용 방법 및 효과의 차이가 큰 것으로 분석되었다. 개발도구로써 생성형 AI의 활용은 초급개발자보다 생성형 AI 환각에 의한 잘못된 정보를 빠르게 판단할 수 있는 중급개발자의 생산성을 더 높이는 것으로 확인되었다. 반면에 초급개발자는 생성형 AI를 프로그램 언어 학습에 유용하게 활용할 수 있으며, 초급개발자 수준이 빠르게 높아질 것으로 예측된다. SW개발자의 작업에서 생성형 AI의 영향을 받는 작업은 일부분이다. 개발자 직무를 수행하기 위해서는 데이터 분석, SW 및 DB 설계, 시스템 결정 및 성능 개선 등 개발 관련 기술 업무 이외에도, 동료와 업무 협의, 이슈 해결 등의 소프트스킬이 필요한 작업이 있어 개발자 업무와 개발 생산성에 대한 생성형 AI의 영향 정도를 정량적으로 파악하기는 어렵다. 생성형 AI 시대에 대비하기 위해 개발자 수준에 따른 세분화된 생성형 AI 활용 전략 마련, 직무별로 상이한 생성형 AI의 영향을 고려한 개발자 양성 규모 검토가 필요하다. 또한 생성형 AI를 활용하면서 직면할 수 있는 저작권 문제, 프라이버시 문제, 모델 오남용 문제에 대해 적절히 대응할 수 있도록 기본적인 AI 윤리 교육에 대한 강화가 시급하다. Executive Summary In this article, we'll take a look at how generative AI is changing the development process and discuss the implications for developer jobs. Generative AI is an AI model designed to generate new content in the form of text, audio, image and video. The use of generative AI is growing at a rapid pace. This is because it is expected to improve work efficiency, and the role of developers is also expected to change due to changes in the development environment. SW development consists of a complex process of SW requirements analysis, design, implementation, and testing. In addition, the impact of generative AI on developers' work is not as large as expected because it is a difficult task to formalize that requires consideration of various factors such as the customer's development environment, performance and security requirements, and maintainability. Generative AI can be used for SW implementation and SW testing during the SW development phase. On the other hand, the SW requirement analysis phase, which requires communication with customers, and the SW design phase, which involves complex technologies including the latest technologies, are not easy to use generative AI. Overall, the use of generative AI development tools is effective in improving developers' productivity, but there are large differences in how generative AI is used and its effectiveness depending on the development stage, the type of product or service being developed, and the level of developers. Only a small part of a SW developer's work is affected by generative AI. In addition to technical tasks related to development, such as data analysis, SW and DB design, system performance improvement, developers also need soft skills, such as collaborating with colleagues, so it is difficult to quantify the extent of the impact of generative AI on developer work and development productivity. In order to prepare for the era of generative AI, it is necessary to prepare a strategy for using generative AI that is categorized by developer level and review the scale of developer training considering the impact of generative AI by job function. It is also urgent to strengthen basic AI ethics education so that developers can respond appropriately to copyright, privacy, and model misuse issues that may arise while utilizing generative AI.
인공지능(AI) 기술은 급격한 속도로 발전해왔으며, 특히 2020년대에 들어서면서 초거대 AI 모델이 경쟁적으로 등장하고 있다. 여기서 초거대 AI 모델은 대용량 연산 인프라를 바탕으로 방대한 데이터를 학습해 인간처럼 종합적인 인지·판단·추론이 가능해진 ‘큰 규모’의 AI 모델을 의미한다. 특정 목적에 따라 개별의 데이터를 수집·학습하여 만들어지는 기존의 일반 AI는 학습된 과업(task)에 한하여 수행이 가능한 반면, 초거대 AI는 더욱 복잡하고 광범위한 분야에서 과업을 수행할 수 있다. 본고에서는 2020년부터 2023년까지 전 세계에 출시된 초거대 AI 모델 현황을 분석하고, 글로벌 기술 동향과 트렌드를 살펴보았다. 구체적으로, 미국 민간 연구단체인 ‘EPOCH AI’가 최근 업데이트(‘24년 7월)한 초거대 AI 모델 현황 DB를 통해 데이터를 수집하고, 2020년부터 2023년까지 출시된 초거대 AI 모델에 대해 출시년도, 국가, 분야, 과업유형, 개발형태, 개발조직 유형 등의 다양한 기준으로 정리·분석하였다. 우리나라 현황에 대해서도 주목하고, AI 분야에 대한 정책적 시사점을 도출하였다. Executive Summary Artificial
목차 Table of Contents Ⅰ. 인공지능 산업 동향 브리프 1. 정책/법제 ▹ 국제통화기금(IMF), 세계 AI 준비 현황지도 공개 ▹ OECD, AI 분야의 데이터 거버넌스와 개인정보보호 협력 연구 ▹ 글로벌 AI 파트너십(GPAI), OECD-GPAI 통합 운영에 합의 ▹ 과학기술정보통신부, AI 분야 규제샌드박스 과제 적극 발굴 추진 ▹ 프랑스 경쟁관리국, 생성 AI 분야의 경쟁 활성화를 위한 권고사항 제시 ▹ 중국 정부, AI 표준화 체계 구축 지침 발표 ▹ 대만 국가과학기술위원회, AI 기본법 초안 발표 2. 기업/산업 ▹ EU 경쟁 당국, 구글-삼성 AI 협업에 반독점 조사 검토 ▹ 2024년 상반기 유럽 생성 AI 스타트업 투자 규모 19억 유로 ▹ 구글, 제미나이 1.5 플래시 및 오픈소스 모델 젬마 2 정식 출시 ▹ 오픈AI, 비용 효율적인 소형 AI 모델 ‘GPT-4o 미니’ 출시 ▹ 바이두, 최신 AI 모델 ‘어니 4.0 터보’ 공개 ▹ 중국 상하이市 법학회, 세계인공지능대회에서 휴머노이드 로봇 거버넌스 지침 발표 ▹ LG AI연구원, 오픈소스 AI 모델 ‘엑사원(EXAONE) 3.0’ 공개 3. 기술/연구 ▹ 세계경제포럼, 과학적 발견을 위한 AI 등 10대 신흥기술 선정 ▹ ETRI, 데이터 분석 및 머신러닝을 위한 데이터 품질 국제표준 제정 ▹ 구글 딥마인드, 제미나이를 활용한 자연어 기반 로봇 학습 연구 결과 공개 4. 인력/교육 ▹ SAS 조사, 생성 AI 사용은 중국이 가장 앞서나 성숙도는 미국이 우위 Ⅱ. 주요 행사 ▹ECCV 2024 ▹World Summit AI ▹AI WORLD 2024
생성AI의 확산과 함께 인공지능 기술이 가진 잠재적 위험에 대한 우려가 고조되고 있다. 생성AI의 부정확성, 결과 해석을 어렵게 하는 블랙박스 모델과 같은 기술적 한계와 딥페이크, 사이버 공격 등 기술 오용으로 인한 사회적 피해에 대한 긴장이 높아지고 있다. 산학계의 인공지능 전문가들조차 인공지능이 인간이 이해할 수 없는 초지능으로 급속히 발전하면 자율 성장, 통제 상실 가능성이 높아져 인류의 실존을 위협할 수 있다고 경고한다. 이러한 상황에서 유럽연합은 2024년 5월 세계 최초로 인공지능 규제법인 인공지능법을 제정하였고, 미국은 2023년 10월 행정명령을 발동해 인공지능의 안전한 개발과 보급을 유도하고 있다. 2023년 11월 영국에서 세계 최초로 개최된 인공지능 안전성 정상회의는 인공지능 안전성 확보를 위한 국제 사회의 동참을 만들어 내는 계기가 되었다. 구체적으로 영국, 미국, 일본은 AI안전연구소를 설립하고, 첨단 AI의 안전성 테스트를 위한 프레임워크 개발과 정보, 인력 교류, 표준화에 상호 협력하기로 했다. 2024년 5월 제1차 인공지능 안전성 정상회의 후속으로 진행된 한국-영국 공동 주최 AI 서울 정상회의에서는 우리 정부도 AI 안전연구소 설립을 공식화하고 주요국과 함께 AI 안전성 확보를 위한 국제협력에 적극적 의지를 표명하였다. 향후 AI 안전 확보를 위한 정부의 역할이 더욱 중요해질 것으로 예상되는 가운데, AI 안전연구소는 AI 안전성 테스트 방법 및 프레임워크 개발, AI 안전성 확보를 위한 원천기술 개발 및 표준화, 그리고 이를 위한 정책연구와 민관협력, 국제 교류를 추진해 나갈 것으로 예상된다. 민간의 혁신을 저해하지 않고 사회와 산업에 안전한 인공지능을 도입·활용을 위해 AI안전연구소의 기능과 역할 정립이 요구되는 시점으로, 이 보고서에서는 영국, 미국, 일본 등 주요국의 AI안전연구소의 추진 동향을 살펴보고 국내 AI안전연구소의 역할을 모색한다. Executive Summary With the proliferation of generative AI, concerns about the potential risks of artificial intelligence technologies are mounting. The technical limitations of generative AI, such as hallucinations and black-box models that complicate result interpretation, along with the societal harm caused by the misuse of technologies like deepfakes and cyberattacks, are increasing tensions. AI experts in academia and industry warn that rapid advancements toward superintelligent AI, which humans cannot comprehend, may lead to autonomous growth and loss of control, potentially threatening human existence.In response to these concerns, the European Union enacted the world's first AI regulatory law, the Artificial Intelligence Act, in May 2024. Meanwhile, the United States issued an executive order in October 2023 to guide the safe development and dissemination of AI. The first AI Safety Summit, held in the UK in November 2023, marked a pivotal moment, fostering international collaboration to ensure AI safety. Specifically, the UK, the US, and Japan have agreed to establish AI Safety Institutes, develop frameworks for testing advanced AI safety, and cooperate on information exchange, personnel training, and standardization. Following the first AI Safety Summit in May 2024, the AI Seoul Summit, co-hosted by Korea and the UK, saw Korea committing to establishing an AI Safety Institute and expressing a strong intention to participate in international cooperation for AI safety with other major countries. As the role of the government in ensuring AI safety becomes increasingly important, the AI Safety Institute will focus on developing AI safety testing methods and frameworks, creating foundational technologies for AI safety, and promoting standardization. This will include policy research, private sector collaboration, and international exchanges. To introduce and utilize AI safely in society and industry without hindering private innovation, it is essential to define the functions and roles of the AI Safety Institute. This report examines the trends and initiatives of AI Safety Institutes in key countries, including the UK, the US, and Japan, and explores the potential roles of the Korean AI Safety Institute.
목차 Table of Contents Ⅰ. 인공지능 산업 동향 브리프 1. 정책/법제 ▹ AI 서울 정상회의, AI 안전•혁신•포용 강조한 서울 선언 채택 ▹ 대한민국 정보, 범부처 합동 새로운 디지털 질서 정립 추진계획 발표 ▹ 유럽연합 집행위원회, 'AI 법' 집행기관으로 AI 사무국 운영 ▹ 유럽개인정보보호감독기구, EU 기관 대상 생성 AI 지침 발간 ▹ EU AI 법의 법적 불확실성과 과잉 규제에 대한 우려 제기돼 ▹ 미국 법무부와 연방거래위원회, AI 기업 반독점 조사에 착수 2. 기업/산업 ▹ OECD, ‘디지털경제전망 2024’ 보고서에서 AI의 현황과 미래 전망 제시 ▹ 구글과 인텔 등 8개 빅테크, AI 칩의 상호연결을 위한 통신 표준 개발에 합의 ▹ 애플, WWDC 2024에서 AI 신기능 ‘애플 인텔리전스’ 공개 ▹ 앤스로픽, 최신 AI 모델 ‘클로드 3.5 소네트’ 출시 ▹ 프랑스의 미스트랄AI, 6억 유로 규모의 투자 유치 ▹ 오픈AI, 데이터 분석 기업 록셋 인수 3. 기술/연구 ▹ 영국 AI 안전연구소, 첨단 AI 모델의 안전 테스트 결과 공개 ▹ 중국 정부, AI와 컴퓨팅 표준화를 위한 3개년 계획 발표 ▹ 중국 표준화기술위원회, 생성 AI 보안 요구사항 표준 초안 공개 ▹ 오픈AI, GPT-4의 신경망 패턴을 파악해 해석 가능성 높여 ▹ 구글 딥마인드, 영상에 어울리는 오디오를 생성하는 V2A 기술 공개 ▹ MIT 연구진, 동영상 시청만으로 언어를 학습하는 알고리즘 개발 4. 인력/교육 ▹ 전미경제연구소 연구, 미국에서 10년간 AI로 인한 GDP 증가는 1% 내외 ▹ 방통위 조사 결과, 2023년 국민 10명 중 1명이 생성 AI 이용 ▹ 서울시, AI 분야 산‧학‧연 협력 거점으로 ‘서울 AI 허브’ 개관 ▹ 아마존, 글로벌 생성 AI 스타트업 활성화에 2억 3천만 달러 지원 ▹ 푸단⼤ 등 중국 대학들, 전교생 대상 AI 교육과정 확대 Ⅱ. 주요 행사 ▹ACL 2024 ▹IJCAI-24 ▹ICANN 2024
요약문 1. 제 목 : 생성형 AI에 대응한 SW 인재 양성 정책 방향 연구 2. 연구 목적 및 필요성 생성형 AI의 혁신적인 기술 발전으로 편리한 사용 방법과 접근, 창의적인 정보 생성, 효율적 정보 확보 등의 장점으로 생성형 AI의 활용이 확대되고 있다. 생성형 AI는 경제, 사회, 교육 등 전반에 영향을 미칠 것으로 예상되며, 이미 그 사용 효과가 증명되고 있다. 생성형 AI는 특히 기술자 그룹에 많은 영향을 미칠 것으로 예측되며, 코드 자동 생산, 코드 자동 완성 등 SW 개발 관련 기능의 효율성과 편리성으로 개발자들이 현업에서 이미 많이 활용하고 있다. 생성형 AI 기술 발전 및 업무 적용 속도로 보아 생성형 AI에 의한 개발 환경, 개발 방식, 역량 등의 변화는 매우 클 것으로 예상된다. 이러한 변화에 대한 사회·경제적 혼선을 줄이고 관련 인력양성의 기회로 연결할 수 있도록 디지털 인력양성 정책의 변화가 필요하다. 위 배경 및 필요성에 따라 본 연구는 생성형 AI가 개발 업무에 미치는 영향을 분석하고, 이에 따른 디지털 인재양성 정책 방향을 제시하고자 한다. 3. 연구의 구성과 범위 연구는 다음과 같이 5장으로 구성된다. 제1장 서론 “SW 개발 환경 변화에 따른 디지털 인재양성 정책 방향” 연구 배경, 목적, 연구의 개략적인 내용, 연구 방법을 기술한다. 제2장 생성형 AI 기술 진화 및 국내외 정책 방향 디지털 인재 정의와 역량을 해석하고, 생성형 AI의 개념과 시장 전망을 정리한다. 생성형 AI시대의 국내외 디지털 인재 양성 정책 동향을 분석하고, 국내외 기업의 생성형 AI 대응 및 인재 확보 경쟁에 대해 비교·종합한다. 제3장 SW 개발 환경변화에 따른 개발 업무 변화 생성형 AI가 개발 업무에 미치는 영향을 소프트웨어 개발 프로세스에 따라 문헌 연구, 전문가 심층 인터뷰, 전문가 설문을 통해 분석한다. 소프트웨어 개발 프로세스는 요구분석, 설계, 구현, 테스트 단계로 나누어 단계별 생성형 AI의 활용 가능성과 영향에 대해 분석한다. 생성형 AI가 개발자에 미치는 영향을 분석하기 위해 O*NET의 컴퓨터 프로그래머, 소프트웨어 개발자, 웹 개발자의 작업(Task)별 영향을 평가한다. 제4장 생성형 AI 시대에 대응한 디지털 인재양성 분석 결과에 기반하여, 생성형 AI 관련 디지털 인력 확보 정책의 기본 방향을 제안하고 디지털 인력양성을 위한 교육 환경 구축, 지속적이고 효율적인 디지털 인재 확보 추진을 제안한다. 제5장 결론 연구의 방법은 문헌분석, 전문가 심층 인터뷰, 전문가 설문을 통해 생성형 AI가 개발 업무에 미치는 영향을 분석하고, 생성형 AI 시대에 대응한 디지털 인재양성 정책 방향을 제안한다. 4. 연구 내용 및 결과 본 연구는 디지털 인력 중 특히 수요가 많은 개발자에 초점을 맞춰, 그들의 작업에서 코드 자동 생성 기능 등에 의한 생성형 AI의 영향도를 분석한다. 이를 기반으로 개발자 및 디지털 전환 인력의 역할 변화를 고려하여 생성형 AI 시대의 디지털 인재 양성 정책 변화 및 방향을 모색한다. 디지털 인재를 넓은 의미에서‘디지털 신기술을 보유하고 디지털 전환을 주도하는 사람과 디지털 기술을 활용하는 모든 사람을 포함한 인력’으로 정의하고, 해외 기관 및 정부 부처가 공통적으로 제시한 디지털 신기술은 AI, 빅데이터, 소프트웨어 등임을 확인하였다. 디지털 인재 역량 요구사항 중 가장 수요가 많고 중요성이 커지는 기술은 Java, 파이썬, SQL 등 프로그래밍 언어와 애자일 방법론, 컴퓨터 공학 등 개발 관련 기술로 조사되었으며, 디지털 기술 중 2023년 선풍을 일으킨 생성형 AI는 코딩 보조 도구로써 코드 자동 생성, 자동 테스트, 주석 작성 등에 뛰어난 성능을 가지고 있어 프로그래밍 작업 시 영향을 많이 미칠 것으로 예상된다. 이에 따라 생성형 AI가 개발자 수준, 개발 난이도, 소프트웨어 유형 등 개발 조건에 따라 개발 생산성에 얼마나 영향을 주는지 분석한다. 1) 생성형 AI 기술의 진화 생성형 AI는 딥러닝 기술과 텍스트, 오디오, 이미지 또는 동영상 형태의 방대한 데이터를 활용하여 학습하고, 새로운 콘텐츠를 생성하는 기술이다. 생성형 AI 기술은 1980년대 개발된 신경망, 2006년대 심층 신경망, 2010년대 트랜스포머 모델을 거치면서 성숙하였고, 성능이 향상된 컴퓨팅 파워, 폭발적으로 증가한 데이터를 사용하여 혁신적으로 발전하게 되었다. MS, Amazon, Google 등 빅테크 기업에서는 시장에서 경쟁 우위를 확보하고 새로운 수익원을 창출하기 위해 생성형 AI 기술을 개발하고 혁신적인 서비스를 출시하는 데 매진하고 있다. 자동차, 의료 등의 산업에서도 생성형 AI를 이용한 수익 창출을 위해 차별화된 제품을 개발하고 있을 뿐 아니라 업무 효율성 향상을 위해서도 생성형 AI 기술을 도입하고 있다. 또한 생성형 AI 기술과 관련 인재를 확보·유지하기 위해 총력을 기울이고 있는데, 오픈AI, 구글 등 글로벌 빅테크 기업은 물론 아시아·태평양 지역기업들 또한 생성형 AI 인재 부족을 해결하기 위해 많이 노력하고 있다. 2) 국내·외 디지털 인재 양성 정책 생성형 AI 기술의 진화와 그에 따른 우수 디지털 인재 수급 등의 문제 발생에 신속 대응하기 위해 미·중·영·일본 등 해외 주요국에서는 기존 AI 관련 정책에 더해 다양한 대응방안을 마련하고 있다. 미국의 AI 정책은 글로벌시장에서 AI 경쟁력을 유지하고, 안전하고 신뢰할 수 있는 AI 발전을 추구하는 것이다. AI 인재 확보를 위해 「국가 AI R&D 전략계획」, 「안전하고 신뢰성 있는 AI를 위한 행정명령」 등을 통해 AI 분야에 필요한 기술 인력을 평가하여 교육하고 글로벌 AI 인력 확보를 위해 비자 제도를 개편하였다. 또한 「인공지능교육법」을 제정하여 AI 오용 가능성을 감소시키고, 정부 관련 직원들이 정부의 수요에 가장 적합한 인공지능 시스템을 도입할 수 있도록 하기 위해 연방 행정 각부, 산하기관 등에 AI 교육을 시행하고 있다. 중국은 「고등교육기관 AI 혁신 행동 계획」,「중국 인공지능 인재양성 백서」등을 통해 국가 주도로 AI 인재를 양성하고 있으며, 대학을 중심으로 기업이 보조하는 형태의 인재 양성을 추진하고 있다. 대학에서 실무에 바로 투입할 수 있는 실습 기반 교육을 하고, 빅테크 기업에서는 인공지능 대회, 단기 교육을 통해 실전 경험 강화를 유도하고 인재 인증 제도를 활성화하여 AI 인재 양성을 추진하고 있다. 영국도 「영국 디지털 전략」에서 영국의 기술 기업이 혁신하고 성장하는데 필요한 인력과 자금 확보를 표명하고, 해외 우수 인재 확보를 위해 새로운 비자를 대폭 신설하였다. 일본은 「AI 전략」, 「초·중등 교육 단계에서의 생성형 AI 활용에 관한 잠정적 가이드라인」 등을 발표하고, 초·중등 교육에서부터 수리·데이터사이언스·AI 이론을 학습시키는 한편 첨단 AI 기술과 기술 표준화의 국제주도권 확보를 위해 해외 우수 인재 유치 및 국제 공동 연구를 지원하는 정책과 사업을 펼쳐오고 있다. 주요국은 디지털 인재 양성을 위해 디지털 리터러시 교육과정을 확대하고, 대학 학위프로그램을 확대하는 방향으로 정규교육 프로그램을 개편하고 있다. 기업의 AI 인재 양성을 강조하고 있으며, 글로벌 해외 인재 확보를 위한 제도를 개선하고 있다. 국내에서는 글로벌 AI 시장에서 경쟁력을 갖추기 위해 2023년 4월「초거대 AI 경쟁력 강화 방안」을 발표하고, 「디지털 인재양성 종합방안」등 AI·SW 인력양성의 기존 정책의 기조를 유지하며, 초거대 AI 개발·활용에 전문화된 글로벌 수준의 인재를 추가 양성한다. 3) SW 개발 환경 변화에 따른 개발 업무 변화 분석 생성형 AI 기술이 개발 업무에 미치는 영향에 대해, 요구분석-설계-구현-테스트의 4단계로 구분되는 SW 개발 프로세스를 기준으로 분석하였다. 우선 관련 문헌조사 후 컴퓨터공학과 교수, 개발자와 SW 전문가 등으로 구성된 자문단을 구성하여 구조화된 설문지를 통해 전문가 심층 인터뷰를 수행하였다. 마지막으로 O*NET의 개발자 직무 Task 기반 분석을 수행하였다. 3-1) 문헌 연구 (SW 개발에 사용되는 AI 및 생성형 AI 기술 관련 연구와 활용 현황) 소프트웨어 코딩을 자동화하기 위해 기존에 특수 목적이나 일부 한정된 사람들이 MDD(모델주도방법론), 로우코드·노코드(LCNC) 도구를 주로 사용하였다. 최근에 널리 퍼진 생성형 AI 개발 도구는 개발자들이 SW 개발 시 일반적인 도구로 활용하고 있다. 동 배경하에, 개발자들이 코드 생성 외의 다른 작업에도 생성형 AI를 얼마나 활용하는지와 활용 가능성에 대해 검토한다. SW 개발 요구분석 단계는 고객과 소프트웨어 개발 그룹과의 기능에 대한 이해와 협의가 중요하기 때문에 자동화 도구를 활용한 작업이 쉽지 않다. 생성형 AI는 회의 내용을 요약하고, 텍스트 기반의 요구사항을 구조화하는데 제한적으로 활용되고 있다. 연구에서도 사용자 요구사항의 코드 구현 관련 추적성 개선에 관한 연구 등의 소수 연구가 진행되고 있다. SW 설계 단계는 문헌 자료를 찾기 어려울 정도로 생성형 AI를 많이 활용하지 않는 것으로 조사되었다. SW 구현 단계에서는 거대언어모델(LLM)의 기술적 특성으로 인해 생성형 AI가 자동 코드 생성 기능이 우수하여, 코드 생성, 코드 자동 완성, 코드 주석 작성, 리버스 엔지니어링(역공학) 등에 개발자들이 이미 많이 활용하고 있었다. 개발자들은 생성형 AI 기술을 이용한 상용화된 도구인 GitHub Copilot, ChatGPT, AWS CodeWhisperer 및 Tabnine 등을 통해 많은 시간이 소요되고 반복 작업이 많은 코드 생성에 대해 이를 많이 활용하고 있다. 물론 생성형 AI가 코드를 완벽하게 생성하는 것은 아니어서, 컴파일되지 않는 코드, 보안 취약성, 라이선스 침해 등의 문제가 있는 코드에 대해서는 개발자의 수정을 반드시 필요로 한다. 개발자들은 생성형 AI 개발 도구를 지원하는 프로그램 언어 종류, 자동 코드 생성·코드 자동완성·코드 리뷰 등 코딩 관련 기능, 테스트 및 보안 검증 기능 여부에 따라 각 도구를 선택하여 활용하고 있다. 연구에서는 OpenAI, MS, 구글 등 LLM 관련 업체의 생성형 AI 도구의 원리 및 개선, HumanEval 등으로 성능을 테스트한 관련 논문들을 상당히 많이 발표되어 있다. 문헌 조사상에서 생성형 AI의 영향을 가장 많이 받을 것으로 예측된 단계는 SW 테스트 단계이다. 테스트 케이스의 우선순위 선정, 오류 원인 분석, 테스트 케이스 생성 등에 생성형 AI를 활용할 수 있다고 조사되었다. 생성형 AI를 활용한 테스트 데이터 생성, 테스트에 유용한 테스트 케이스 생산을 통한 테스트 커버리지 확대 등의 논문이 있다. 테스팅 자동화, 관리, 데이터 생성, 시나리오 작성 등을 지원하는 AI 증강 테스팅 도구들 또한 시장에 많이 출시되었다. SW 구현, 테스트 이외에도 생성형 AI 기술은 초급 개발자 교육에도 활용될 뿐만 아니라 SW 컴파일러의 오류메시지를 이해하기 쉽게 생성하거나, COBOL 등 기존 프로그램에서 사용하던 언어를 현재 운영하는 시스템에 맞는 프로그램 언어로 변경하는 작업 등에서도 활용되고 있다. 이러한 생성형 AI의 여러 코딩 관련 기능으로 인한 개발자 생산성 향상의 가능성에도 불구하고, 코드 생성 시 LLM에 최신 데이터 미적용, 환각(Hallucination), 보안 취약성, 저작권 침해, 내부 정보 유출 등에 문제가 있으며, 이로 인해 개발 생산성이 저하되고 개발 비용이 증가할 수 있다. 천문학적 LLM 개발 및 유지 비용도 간과할 수 없는 부분이다. 3-2) 전문가 심층 인터뷰 및 전문가 설문 분석 생성형 AI 개발 도구 사용 현황·발전 방향, 디지털 인재상, 개발자 수준, 디지털 인재 확보 현황 등에 대해 전문가들의 전문성에 따라 관련 분야의 심층 인터뷰를 시행하였다. 또한 SW 개발 프로세스 단계별로 개발자와 전문가들의 사용 현황과 의견을 물었다. 개발자들은 소프트웨어 구현 시 생성형 AI 개발 도구를 기본적으로 활용하고 있는데, 구현 및 테스트 단계에서 개발 코드 생성 및 검증은 물론, 개발 코드 설명이나 개발문서 작성에도 활용하는 것으로 조사되었다. 여러 생성형 AI 개발 도구 중 대부분 개발자가 깃허브를 이용하여 접근이 용이한 Copilot을 활용하고 있었으며, 일부 전문가가 Tabnine를 사용하고 있었다. 대화형 플랫폼으로 접근성이 가장 좋은 ChatGPT는 개발자가 코드에 대한 도움을 받거나, 새로운 기능에 대한 아이디어를 얻는 용도로 사용하는 것으로 조사되었다. 전문가들은 생성형 AI를 활용하면 초급 개발자가 빠르게 개발 역량을 높일 수 있는 장점도 있다고 했다. 그러나 단점으로는 최신 데이터 학습에 제한적인 LLM의 특성 때문에 빠른 주기로 기술이 변하는 프론트엔드 개발에는 활용하기 어렵다는 의견이 있었다. 개발자들은 테스트의 경우, 테스트 코드를 자동화하는 것과 프로그램의 단일 기능에 대한 테스트는 가능하나, 비즈니스 로직에 대한 전반적인 테스트는 불가하다고 했다. 그러나 테스트는 상당한 시간이 소요되고 반복적인 업무가 많아 생성형 AI를 이용하면 가장 개발 효율성을 높일 수 있는 단계인 것으로 분석된다. 생성형 AI 기술을 이용한 테스트 도구는 기존 테스트 도구의 단점인 적절한 테스트 커버리지를 위한 최소의 테스트 케이스 생성과 테스트 데이터 생산으로 인한 테스트 데이터 부족 문제를 해결한다고 했다. 전문가들은 요구사항 분석 단계에서는 생성형 AI를 활용하여 고객의 요구사항을 듣고 고객 요청의 맥락까지 파악하는 것은 어렵다고 조언하였다. 개발자들은 코딩작업에 생성형 AI 개발 도구를 사용하는 데에 비교적 긍적적이었으나, 소프트웨어 개발 공정 전체에 생성형 AI 개발 도구를 활용하는 데는 아직까지 어느정도 제한이 있다는 의견이 많았다. 초급 개발자보다는 중급 개발자의 개발 생산성 향상 정도가 높았는데, 이는 초급 개발자의 경우 생성형 AI의 환각(Hallucination)으로 인한 잘못된 코드를 분별하는 데 어려움을 겪기 때문인 것으로 판단된다. 또한 생성형 AI가 개발자나 SW 전문가가 원하는 정보를 생성하기 위해서는 컴퓨터 공학에 대한 기본 개념이 있어야 하고, 프롬프트 엔지리어링이 매우 중요하다는 의견이 지배적이었다. 생성형 AI 출현 이후에 전문 개발자들은 생성형 AI를 활용하여 빠르게 지식 습득을 하고 있으며, 기업에서는 지식이 많은 직원보다 주어진 문제를 인식하고 해결할 수 있는 역량을 가진 직원을 선호하는 것으로 나타났다. 교수들은 대학에서 학생들이 과제나 SW 프로그래밍에 생성형 AI 도구를 빈번하게 활용하고 있으며, 생성형 AI로 인해 소프트웨어 관련 비전공 학생들의 코딩 실력이 늘었다고 답변했다. 논문 작성에도 생성형 AI를 활용하며, 일부 학회는 논문에 생성형 AI 활용을 허용하고 있다고 했다. 3-3) O*NET의 개발 관련 직무의 작업(Task), 세부작업(DWA)별 생성형 AI 기술의 영향을 검토 컴퓨터 프로그래머, 소프트웨어 개발자, 웹 개발자의 세부 업무(DWA) 중 개발과 관련된 것과 생성형 AI에 영향을 받는 DWA를 추출하고, 개발자 작업(Task)과 비교하여, SW 개발 프로세스인 요구분석, 설계, 구현, 테스트 단계별로 생성형 AI에 의한 영향도를 분석한다. SW 개발 업무 중 생성형 AI의 영향도가 가장 큰 작업(DWA)은 구현 단계의 컴퓨터 프로그래밍 코드 작성(Write computer programming code), 애플리케이션 개발(Develop computer or online applications), 테스트 단계의 소프트웨어 테스트(Test software performance), 소프트웨어 테스트 시나리오 및 테스트 케이스 제작(Develop testing routines or procedures), 기타 소프트웨어 사용 설명서 작성(Prepare instruction manuals) 등이었다. 컴퓨터 프로그래머, 소프트웨어 개발자, 웹 개발자 중 생성형 AI의 영향을 가장 가장 많이 받는 직무는 컴퓨터 프로그래머로 분석되었다. AI나 생성형 AI의 직업에 미치는 선행연구들에서도 “AI나 생성형 AI 역량”과 “모든 직업에서 수행하는 직무”를 비교하여 “각 직업에 대한 생성형 AI의 영향도”를 분석하였으며, 본 연구는 “개발자 업무와 직업”에 관한 연구를 문헌 연구, 전문가 심층 인터뷰, 그리고 선행연구의 연구 방법(AI 역량과 직업 역량 비교)을 활용하여 수행하고 분석을 시도하였다. 3-4) 생성형 AI가 개발 업무에 미치는 영향에 대한 최종 결과 분석 문헌 연구, 전문가 심층 인터뷰, O*NET 자료 분석 결과, SW 개발 프로세스 중 생성형 AI 기술의 영향을 가장 많이 받는 단계는 구현 단계였으며, 개발자가 생성형 AI를 활용하여 구현 단계에서 할 수 있는 작업은 “문헌이나 인터넷 등에 이미 포함되어 있는 코드”를 이용한 코드 생성과 통합개발환경(IDE)이 제공하는 함수를 사용할 때 “코드 자동 완성” 기능을 활용하는 것이다. 그러나 개발 단계에서 비즈니스 로직이 복잡하거나 개발 코드가 최신 기술을 활용해야 하는 코드를 작성해야 할 때는 생성형 AI 개발 도구를 활용하기 어렵다. 생성형 AI의 영향으로 전문 개발자가 아닌 소프트웨어 산업 외의 다른 산업에 종사하는 도메인 전문가들의 프로그래밍이 가능해지며, 디지털 전문가로 전환 가능성이 커질 것으로 예상된다. 종합적으로 SW 개발 단계 중 요구분석과 설계 단계에서는 생성형 AI 활용도가 낮아 SW 개발 시 개발 생산성 향상에 많은 영향을 주지는 못하는 것으로 분석된다. 또한 개발자 업무 중 컴퓨터 하드웨어 엔지니어와 협력하여 하드웨어 및 소프트웨어 시스템을 통합하고, 고객, 마케팅 담당자, 소프트웨어 품질 담당자, 소프트웨어 보안 담당자 등 소프트웨어 개발에 중요한 이해관계자와의 협상 등 직접적인 개발 업무에 속하는 않는 작업들은 생성형 AI를 활용하기 어렵다. 4) 생성형 AI 시대에 대응한 디지털 인재양성 생성형 AI가 개발자에 미치는 영향 분석 결과와 해외 주요국 및 국내 AI 정책을 분석하여 생성형 AI 디지털 인재 양성 정책 방향을 검토하였다. 1. 디지털 인력 확보 기본 방향 - 디지털 교육 저변 확대 및 개인 맞춤 교육 - 생성형 AI 기술의 효율적 활용을 위한 디지털 교육 - 생성형 AI를 활용한 연구와 디지털 교육 2. 디지털 인재 양성을 위한 교육 환경 구축 - 체계적 교육시스템 구축 - 디지털 교육을 위한 학습 시스템과 평가시스템 구축 3. 지속적이고 효율적인 인재 확보 추진 - 글로벌 인재 확보 - 디지털 인재 네트워킹 활성화 지원 본 연구는 요구사항 분석, 설계, 구현, 테스트의 개발 프로세스 단계별로 문헌 연구, 심층 인터뷰, O*NET 데이터를 이용하여 생성형 AI 영향에 의한 개발환경 변화를 다각도로 분석하여, 생성형 AI 시대의 인재양성 정책를 제안하였다는데 의의가 있다. 향후 연구로는 생성형 AI 활용이 어려운 개발 관련 업무나 교육에 생성형 AI 기술을 적용하여 개발 생산성을 높이고 디지털 전환을 가속하게 하는 방안에 대한 연구가 필요하겠다. 5. 정책적 활용 내용 본 연구는 생성형 AI가 개발 업무와 개발자 직무에 대한 영향도를 문헌 분석, 전문가 심층 인터뷰, 데이터 기반 검토를 통해 생성형 AI가 개발 프로세스 중 구현과 테스트에 영향이 가장 많은 영향을 주는 것으로 분석하였으며, 이에 따라 디지털 인력 양성 방향을 제시하였다. 지금까지 발표한 「초거대 AI 경쟁력 강화 방안」, 「디지털 인재양성 종합방안」 등의 구체적인 실행 계획 수립에 활용할 수 있다. 6. 기대효과 생성형 AI 기술이 세계 경제 경쟁력 강화에 중요한 기술로 부각됨에 따라 생성형 AI 시대에 대비한 국내 디지털 인재 양성 정책 수립에 활용되어, 디지털 기술을 개발하고 활용하는 인력의 역량 강화 및 이에 따른 국내 디지털 경쟁력 강화에 기여할 것이다.
요약문 1. 제 목 : 글로벌 AI 신뢰성 동향 분석 2. 연구 목적 및 필요성 본 연구의 목적은 국내외의 AI 신뢰성 관련 동향 조사를 통해 최신 이슈를 파악 및 분석하여 정책적 시사점을 도출하고, 국내 정책 수립을 위한 기초 자료를 제공하는 데 있다. 인공지능 기술의 급격한 발전으로 국가사회 전반의 변화가 빠르게 이루어지면서, 현재 많은 산업 분야에서 AI 기술이 도입되고 일상 활용이 확산되고 있다. 하지만, AI 높은 효용성과는 반대로, 기술적 한계와 오남용 등으로 인해 환각, 편견과 차별을 야기하는 불공정, 개인정보 유출과 같은 문제가 대두되고 있다. AI 기술로 인한 위협으로부터 안전한 활용을 가능케하기 위해 AI 신뢰성을 확보하기 위한 노력들이 확산되고 있다. 세계 각국은 인공지능의 효용은 극대화하고 역기능 등은 최소화하기 위해 법제도적 기반과 통제방안 등을 마련하고 있고, 국제기관에서는 정책 보고서 및 신뢰할 수 있는 AI를 위한 지침들을 발표하고 있다. 기업들은 AI 시스템 개발에 있어 자체적인 원칙을 마련하거나 검증을 위한 방안을 수립하는 등 신뢰성을 고려한 전략을 추진하고 있다. 우리나라 또한 AI 국가 전략을 기반으로 다수의 전략과 실행 계획들을 발표하며 다양한 정책을 추진 중에 있는 만큼, 세계 주요국의 시의성 있는 동향을 파악하고 대응 할 필요가 있다. 3. 연구의 구성 및 범위 본 연구는 총 7개의 장으로 서론(1장)을 시작으로 주요국 AI 신뢰성 동향(2장), 국제기구(3장) 및 주요 기업동향(4장), 연구 및 표준 동향(5장)을 비롯하여 주요 AI 활용 산업별 동향(6장)과 시사점 및 결론(7장)으로 구성되어있다. 국내외 정부 및 국제기관 등의 언론, 공식 보도, 정책보고서와 같이 다양한 정보소스를 바탕으로 동향을 조사하여, △법제도 △기업/산업 △기술/연구 △인력/교육으로 이를 분류하였다. 본 연구에서는 한국을 포함하여 총 14개의 주요국을 다루고 있다. AI 관련 활동이 활발한 미국, EU, 영국, 중국, 일본, 캐나다를 포함하여 기타 주요국(독일, 프랑스, 호주, 스페인, 네덜란드, 싱가포르, 이스라엘)에 대한 동향을 바탕으로 국가별 AI 신뢰성 정책 동향을 기술한다. 산업별 AI 신뢰성 동향에서 고려하고 있는 산업은 크게 5가지로, AI의 도입이 활발한 △ICT △교육 △의료 △금융 △보안 산업에 해당한다. 기본적으로 2023년 이전의 정책적 흐름을 간략하게 다루고 있고, 주 조사 내용은 2023년 자료에 해당한다. 4. 연구 내용 및 결과 2017년부터 현재까지 50개국 이상에서 신뢰할 수 있는 AI를 위한 국가 전략 또는 정부 차원의 이니셔티브를 채택하였다. 이에 따라 국가 AI 정책 관리를 위해, 각 국 정부는 정부 조정기관, 위원회 설립 등을 통해 다양한 거버넌스 모델을 사용하고 있다. 현재 시의성 있는 동향 중 하나는 규제 정책이며, OECD AI 원칙과 국가 AI 전략 등을 바탕으로 규제 프레임워크를 만들고 있다. EU의 규제법안인 AI act는 2023년 말 합의가 된 만큼 추후 시행까지 동향을 추가적으로 파악할 필요가 있다. 대부분의 국가는 위험 기반의 규제 방식을 채택하고 있고, 고위험 AI에 대한 관리와 통제조치들을 집중적으로 다루고 있다. 우리나라의 AI 관련 입법안들은 AI 산업 발전을 위한 기반 마련에 초점을 맞추고 있고, 최근 들어 입법안에서 규제적 조치를 담고 있으나 아직 추가적인 논의가 필요한 상황이다. 세계적으로 AI의 신뢰성 확보가 더욱 중요해지고 있는 만큼, 주요국들은 적극적인 국가간 협력 체계를 구축하면서 다양한 논의를 진행하고 있다 OECD, UN, 유네스코 등은 꾸준히 인간 중심 접근방식에 중점을 두고 다양한 활동을 하고 있는데, OECD는 GPAI(Global Partnership on Artificial Intelligence), AI 거버넌스 작업반(AIGO) 등을 통한 국제 협력을 주도하고 있다. 이외에도 AI 책임성 향상에 관한 정책보고서, AI 규제 샌드박스 보고서 등 여러 정책 보고서 또한 발간하고 있다. G7 7개국은 히로시마 정상회담에서 히로시마 AI 프로세스를 출범하며 AI 국제 행동강령을 마련하였다. 이외에도 AI 안전 정상회의에서의 블레츨리 선언 등 대부분 생성 AI 기술 확산에 따른 위험성 증가에 대응하기 위한 움직임이 다수 존재하였으며, 국제 협력 규모가 더욱 확대되고 AI 거버넌스 등이 생기고 있는 추세다. 각 국 정부의 규제 움직임에 대해 기업 및 산업 부문에서는 과도한 규제에 우려하는 추세로, 기술 발전과 신뢰성 확보 측면에서 입장차가 존재한다. 명확한 규제가 존재하지 않는 현재, 기업들은 자율 규제 방식을 채택하고 최소한의 신뢰성 확보를 위해 개발 가이드라인이나 윤리 원칙 등을 수립하여 대응하고 있다. 향후 AI 서비스 및 SW 등에 인·검증이 본격적으로 전개될 것으로 예상되는데, 이와 관련한 국제 표준 선도에 대한 전략적 대응이 필요한 상황이며, 선제적 대응을 통해 이를 주도함으로써 선도적 입지 확보를 위한 투자가 필요할 것으로 보인다. 마지막으로 생성 AI 기술이 산업의 각 영역에 적용되고 혁신 도구로서의 가능성을 보여주고 있다. 특히 의료, 금융, 보안, 교육 등 분야에서 AI가 많이 활용되고는 있으나, 개인 및 사회에 영향력이 높은 만큼 엄격한 검증이 필요하다. 이에 도메인의 정제된 데이터를 이용해 생성 AI 기술의 신뢰성을 높이는 연구들이 진행되고 있음을 확인할 수 있었으며, 생성 AI의 잠재적 보안 취약성과 오남용으로 인한 피해에 대한 산업계의 면밀한 검토가 진행되고 있음을 파악하였다. 향후 다양한 산업 도메인과 영역에서 생성 AI 기술이 적용되기 위해서는 산업 특화된 데이터를 기반으로 생성 결과물의 신뢰성을 높이는 작업과 함께, 올바른 활용을 위한 지침과 규정이 보다 구체화될 것으로 예상된다. 5. 정책적 활용 내용 주요국의 AI 규제 입법안에서 위험을 통제하는 수단들은 데이터 관리, 위험 및 품질관리, 보안강화, 인간에 의한 통제조치, 투명성 확보와 이용자에 대한 정보제공 등으로 정리할 수 있다. 국가 및 기업들은 AI가 다루는 데이터의 방대함과 민감한 데이터의 사용 등에 따라 정보보안에 대한 요구사항이 많다. 시스템의 안정적 운영이나 오류를 방지하기 위해서도 정보보안이 강화되어야 하는데, 대부분의 법률안들은 사이버보안에 대해 특히 강조하고 있다. AI 시스템이 의도된 목적에 따라 적절한 수준의 정확성과 견고성, 사이버보안을 달성하고 수명주기 동안 일관되게 수행할 수 있도록 설계·개발될 것을 요구한다. 최근에는 AI 기술의 안전성에 초점을 맞춘 ‘AI 안전’이 더욱 중요해지고 있으며 다양한 가이드라인이 제안되고 있는 추세이다. 이외에도 EU 및 미국 등은 AI 시스템이 사용되는 동안 인간이 효과적으로 감독할 수 있도록 설계·개발되어야 하고, 시스템을 안전한 상태로 정지시킬 수 있도록 통제를 강조하고 있으며, 투명성을 확보할 것을 규정한다. 이를 위해 미국, 영국을 중심으로 AI안전, 신뢰를 확보하기 위한 거버넌스 체계도 정비되고 있다. 국가 최고지도자를 중심으로 인공지능 국가 전략을 수립 추진하고 있으며 관련해 AI안전연구소와 같은 전담연구조직을 설치해 기술 및 제도 기반 수립을 위한 연구에 힘을 싣고 있는 상황을 주시할 필요가 있다. 생성 AI의 기반이 되는 파운데이션 모델(foundation model)의 중요성이 커지는 만큼 이와 관련된 지침들이 추가적으로 정의되고 있다. 향후 생성 AI는 텍스트를 넘어, 다양한 이미지, 영상, 텍스트 정보들을 학습에 활용하고 다양한 형태의 결과물로 출력하는 이른 바 ‘네이티브 멀티모달’ 기술로 전개될 것으로 예상된다. 따라서 데이터, 콘텐츠 산업 전반에 있어 영향이 커질 것으로 예상되는 가운데 관련 지적재산권, 오남용으로 인한 사회적 피해와 혼란에 대한 선제적 대응이 필요하다. 일례로, 딥페이크와 같은 기술은 배포, 게시 금지와 같은 규제와 처벌 규정들이 도입되고 있다. 이처럼 앞으로의 AI 신뢰성 정책을 수립함에 있어, 생성 AI를 비롯하여 급격히 발전하고 있는 AI 기술을 포괄적으로 수용할 수 있는 기반을 마련해 둘 필요가 있다. 기술과 서비스 변화에 따라 AI 산업 전반에 관여하는 구성원 또는 참여자가 달라지는 환경을 고려하여 구성원 간 관계, 개별 구성원이 준수해야 하는 의무들에 대한 지속적 논의가 필요하다. 또한 주요국들은 빠르게 인공지능의 위험성을 통제하는 수단들을 고민하고 적극적으로 입법화를 시도하는 만큼, 우리나라도 신업 진흥 및 기술 발전 이외에도 국내 규제 법안 마련에도 집중할 필요가 있다. 산업 및 시장 구조와 환경 변화에 대응하는 규제조치를 포함하여 데이터 관리와 차별 방지 의무화, 품질관리와 위험관리, 사이버보안과 회복력 확보, 인간에 의한 통제가능성 확보, 기술문서 작성과 기록관리 의무, 사용자 권리 보장과 국가의 감독기능 강화 등 다양한 규제수단들이 매우 구체적으로 제시되고 있는 만큼 적극적으로 이러한 조치들을 참조할 수 있을 것으로 판단된다. 6. 기대효과 본 연구에서는 국내외의 주요 AI 신뢰성 정책 사례를 조사하고 다양한 관점에서 이를 분석하였다. 법제도, 기업 및 산업, 기술 및 연구, 인력 및 교육 분야로 구분하여 넓은 범위에서 시의성 있는 사례들을 포함하여 의미 있는 움직임들을 파악할 수 있다. 또한 분석을 통해 현재 주요국의 규제에 대한 움직임, 기업들의 대응 방법, 주요 AI 활용 산업 분야에서의 신뢰성 이슈 등에서 시사점을 도출하여 방향성을 제시하고 있다. 이러한 국가별, 산업별 정책 현황 자료 및 분석 결과는 앞으로의 새로운 국내 AI 신뢰성 정책 수립에 있어 참고 자료로서 활용 될 수 있을 것으로 기대된다.
요약문 1. 제 목 : 국내 AI 창업기업 비즈니스 현황 분석 2. 연구 목적 및 필요성 우리나라는 AI 산업 육성을 위한 국가 전략과 입법을 꾸준히 추진해왔다. 예를 들어, 2023년 1월 발표된 「인공지능 일상화 및 산업 고도화 계획」(관계부처 합동)은 AI 소프트웨어와 하드웨어의 초격차 실현을 위한 기술 연구개발, 법 제도 및 규제 정비를 비롯해, AI 기업 성장을 위한 데이터 및 해외 진출 등의 내용을 담고 있다. 이를 통해, 2027년 3대 AI 기술 강국 도약, AI 전문기업 1천 개 육성 등의 정량적인 목표도 제시하였다. 이러한 국가정책을 바탕으로 지금, 이 순간에도 국내 다수의 창업기업이 AI 기술을 활용하여 새로운 비즈니스를 창출하고 있으나, 세계적인 경기 침체를 비롯한 여러 가지 애로사항으로 인해 사업을 영위하기에 어려운 상황에 직면해 있다. 예를 들어, 학습용 데이터나 AI 반도체 등 AI 인프라 구축의 어려움, AI 인재 확보의 한계, 해외 언어 및 이종 문화 문제를 비롯한 판로 개척의 난항으로 인한 글로벌화의 한계 등으로 인해 AI 창업 투자 생태계 강화를 위해서는 국내 창업·투자 생태계 연구가 중요한 상황으로 꼽히고 있다. 이에, 본 연구에서는 국내외 선행연구를 통해 AI 창업기업을 정의하고, AI 창업기업의 비즈니스 현황을 분석하고, 주요 우수사례를 발굴하고, 주요 창업기업을 대상으로 심층 인터뷰하여 기업이 직면한 현황, 제품 및 서비스 개발 현황을 파악하고, 정부의 정책 지원이 필요한 분야 등 AI 산업 생태계를 육성하고, AI 창업지원을 위한 정책 기초자료를 파악하고자 한다. 이를 통해, 국내 AI 창업·투자 생태계를 파악하면서 해외 주요국과 비교할 수 있는 시장현황 통계를 생산함으로써, 세계적 수준의 AI 창업기업 육성을 위한 정책의 기초자료 마련을 목표로 한다. 빠르게 변화하는 AI 시장과 창업·투자 생태계 특성상 조사 시간이 많이 요구되는 실태조사 대비, 유관 DB를 기반으로 신속하게 현황을 파악하고 국내·외 현황 비교를 위한 대안적 조사 연구로써 데이터 기반의 분석을 수행하였다. 3. 연구의 구성 및 범위 본 연구는 크게 세 가지 세부 과업으로 구성되어 있다. 첫 번째는 AI 창업기업 정의, 조사 및 분석이며, 두 번째는 AI 창업기업 비즈니스 현황 조사이고, 셋째는 AI 기업 사례 및 기업·기관 심층 조사에 관한 내용이다. 먼저 AI 창업기업 정의, 조사 및 분석에서는 AI 창업기업 정의에 대한 선행 조사를 기반으로 하여 창업기업을 정의하고, AI 창업기업 기준을 설정하였다. 이어, 정의된 AI 창업기업 기준에 맞게 창업기업 명부를 정리하고, 조사항목을 도출하여 VC 투자 정보 데이터베이스 및 웹 자료로부터 AI 창업기업 전반에 대한 투자 및 매출 현황, 정부 지원사업 추진 현황, 해외 진출 현황, 특허 등 지식재산권 보유현황 등을 조사하고, 이러한 요인들과 기업의 투자 및 매출과의 상관관계 분석을 위한 통계 분석 등을 수행하였다. 마지막으로, AI 창업기업에서 주요한 모범사례들이나 특징적인 기업을 선정하여 심층적으로 사례분석을 수행함과 동시에 AI 기업과 기관 심층 조사에서는 창업기업 투자나 정책지원기관, AI 창업기업을 대상에 대해 인터뷰하였다. 4. 연구 내용 및 결과 선행 문헌과 선행 연구에 기반하여, AI 분야 창업기업의 정의와 분류 기준을 마련하였다. 즉, 업력 7년 이내 기업으로, AI 기술을 통해 제품, 서비스, 플랫폼의 생산, 유통, 활용, 부가서비스, 조사, 분석, 컨설팅, 중개 등의 과정을 통해 가치를 창출하는 기업으로 정의하여 이 기준에 맞게 국내 VC 투자 데이터베이스인 더브이씨 DB에서 377개의 AI 창업기업을 포함, 총 513개 기업을 대상으로 투자, 수상 이력, 해외 진출, 제품 서비스, 지식재산권 확보 현황 등을 도출하였다. 주요 분석 결과는 다음과 같다. [국내 AI 분야 VC 투자 주요 결과] [국내 생성형 AI 분야 VC 투자 주요 결과] AI 창업기업을 대상으로 한 사례분석을 수행한 결과, 일부 AI 창업기업의 경쟁 우위와 이익창출력 측면의 취약성에 의해 지속성장의 어려움이 예측되었다. 이를 위해서는 기술과 서비스 개발을 위한 R&D 지원, 학습데이터 및 인프라 구축, 전문인력 지원의 필요성이 있었다. 기업과 기관 심층 인터뷰 결과, 최근 AI 스타트업의 대표적인 어려움으로는 높은 AI 모델의 개발 비용과 개발 데이터 확보의 어려움 및 AI 효과에 대한 투자자의 의문 등으로 초기 투자의 기피 요인이 발생하고 있다. 또한, 스타트업은 해외 시장 진출 경험 부족에 따른 Global standard 부재와 언어, 지역, 문화, 비용 등에 대한 정보 부족의 어려움을 호소하고 있다. 이에, 대기업의 자본과 창업기업의 능동적인 구조를 활용한 협업 체계를 마련하고, 대기업 벤처캐피탈 설립을 통한 오픈이노베이션 프로그램 활용이 적극적으로 필요하다고 할 수 있다. 초격차 기술을 가진 기업을 대상으로 빠른 상장을 지원하기 위해 과기정통부에서 추진하는 초격차 기술특례 상장 제도의 빠른 정착과 함께, AI 초격차 기술을 가진 기업에 경제적 지원을 할 AI 전용 펀드 결성을 통해 AI 산업 생태계 마련 및 지속성을 유지하면서도 장기적 관점에서 AI 전문인력 양성 방안 모색이 필요하다. 또한, 선제적 차원의 정부 공공 데이터를 기반으로 한 AI 기술 도입이 필요한 상황이다. 5. 정책적 활용 내용 본 연구과제의 주요 정책적 시사점은 다음과 같다. 스타트업 대상의 투자를 촉진하기 위해서는 높은 투자금을 받는 우수 스타트업을 육성하고, 대기업과의 투자 및 연구협력을 통해 기업의 내실을 키우도록 지원하는 것이 중요 정부 중심의 투자 시 좀비 스타트업을 양성하지 않도록 스타트업의 좋은 제품을 선별하여 정부가 구매하고 인증을 하는 방법이나, 공공 데이터 개방을 촉진하는 등 다른 방법의 정부 투자가 필요 해외 진출 기업과 투자자 간의 지속적인 네트워킹과 경험 교환의 장 마련 글로벌 협력을 위해 아프리카나 동남아시아 등 신흥국 ODA 사업과 연계한 글로벌 AI 활용 촉진, 국내 AI 기업 해외 영업 레퍼런스 확보 가능성 검증 기업가 정신의 함양: 교육과정으로서의 기업가 정신이 아닌, 타트업 CEO의 성공과 실패 경험을 공유하고 사업계획서를 작성하는 방법, 인큐베이터와 투자유치, 인력 확보 방안 등 실무적인 경험을 키우고 전문성을 강화 스타트업의 출구전략에 대한 정책 필요 (M&A와 기업공개를 활성화) 글로벌 AI 기업에게 필수적 사례가 된 안전하고 신뢰할 수 있는 AI 기술의 개발 오픈소스 AI 활용을 독려할 수 있도록 오픈소스 전문가 인력 채용을 활성화하고 오픈소스 기반 산업 응용 소프트웨어 개발을 위한 연구개발 지원 지역, 언어의 한계 극복을 위한 멀티모달 생성형 AI 기술에 주목 전문 인력 양성 및 국내 기업의 글로벌 AI 인재 유치 지원 등의 필요성 본 과제에서 제시하는 빠르게 생성 및 진화하는 국내 AI 창업기업 현황 분석 방법론을 통해, 향후 AI 기업 모집단 구축에 이바지할 수 있다. 이를 통해, 시의성 높은 산업·지역별 AI 제품 및 서비스 현황 분석으로 AI 산업 진흥을 위한 정책 자료로 제공할 수 있다. 6. 기대효과 본 연구를 통해 국내 AI 창업기업에 대한 최신 VC 투자 현황과 비즈니스 분석을 통해 국내 AI 기업을 육성하기 위한 정책 수립에 필요한 기초자료로 활용될 수 있다. 향후 혁신적인 인공지능 제품/서비스 활용 확대를 위한 미래 연구에도 활용될 수 있을 것으로 기대된다.
요약문 1. 제 목 : 공공부문 AI 도입현황 연구 2. 연구 목적 및 내용 인공지능 기술의 발전에 따라 공공분야에서도 인공지능 도입 및 활용 범위의 확대가 업무 생산성 및 효율성 개선과 대민서비스 향상에 기여할 것으로 전망한다. 이러한 기대감 속에 현 정부는 다양한 인공지능 정책 추진을 통해 인공지능 도입과 활용에 대한 중요성을 강조하고 있으며, 향후 정책 개선 요인을 도출하는 차원에서 공공부문의 인공지능 도입현황에 대한 기초 자료를 마련하는 것은 필수적인 요소이다. 지난 10년간 조달청의 입찰정보와 계약정보를 활용하여 공공부문 인공지능 도입 현황을 보다 객관적이고 사업 단위까지 세밀하게 조사를 수행하고자 한다. 더불어 수집된 정보를 바탕으로 타 기관에 시사점을 제공할 수 있는 사례를 선별해 성공요인 등을 분석하여 공공부문의 AI 도입 및 활용 확대를 위한 정책적 시사점을 도출하는 것이 본 연구의 목적이다. 국내 공공부문의 AI 도입현황 조사 연구는 크게 2개 부문으로 나뉜다. 우선 도입현황 조사 부문은 지난 10년간 420개 공공기관의 ICT시스템 관련 용역계약 정보와 제안요청서, 과업지시서 등 첨부분서를 조달청의 조달정보개발포털을 통해 수집한다. 수집된 공공조달 데이터에서 AI 관련 사업은 텍스트 마이닝 기법을 사용하여 입찰 제안서(RFP) 세부 내용에 인공지능(AI) 관련 키워드가 포함되어 있는지 여부로 선별한다. 최종 선별된 인공지능 용역계약의 첨부문서를 분석해 추진단계, 활용 분야, 용도, 기술유형 등 부가 정보를 추가한 DB를 구축한다. 구축된 DB를 활용해 연도별 변화추이, 기관구분별 특성, 발주 및 낙찰 기관 등 다양한 관점에서 공공부문의 AI 도입 현황을 조사한다. 다음은 공공기관의 인공지능 도입 활성화 방안 도출을 위한 사례분석이다. 정보시스템 평가나 시스템 운영/관리 평가모델 등을 수집하여 평가요소를 확인하고, 공공기관과 인공지능의 성격에 적합한 내용을 필터링하여 평가방법을 개발한다. 조달공고 DB와 제안요청서(RFP) 등으로부터 시스템 관련 기초 정보를 수집하고, 시스템에 직접 접속/확인하거나, 기관의 홈페이지 혹은 홍보기사 등을 통해 추가적으로 수집한 정보로 벤치마킹 케이스를 선정한다. 선정된 벤치마킹 대상 사례분석을 통해 시사점을 도출한다. 4. 연구 결과 가. 도입현황 조사 과거 10년(2013∼2022년)간 공공부문 조달계약 중 인공지능(AI) 도입 계약 건수는 3,870건이다. 420개 공공기관의 56.7%인 238개 기관이 인공지능을 도입한 것으로 나타났다. 조사 대상 기관 중 자체적인 ICT 시스템을 보유하지 않은 소규모 기관이 다수 포함되어 있어 이들을 제외하면 공공기관의 실질 도입률은 크게 높아질 것이다. (연도별 추이) 공공기관의 인공지능 도입은 2016년 알파고 쇼크 이후 매년 빠르게 증가하였다. 인공지능 계약은 2015년 107건에서 2022년 922건으로 7배 가까이 증가했으며, 금액은 2016년 938억원에서 2022년 1조 831억원으로 10배 이상 늘어났다. 이에 따라 공공기관의 전체 ICT관련 용역 계약 중 인공지능이 차지하는 비중도 금액 기준으로 2016년 2.22%에 불과했으나 점진적으로 증가하여 2020년 이후 12% 수준으로 늘어났다. 용역 건당 금액은 2016년 7천만원 정도에서 2017년 이후 1억원 수준으로 증가했다. (추진단계) 2016년 딥러닝 등 새로운 인공지능 기술이 주목 받으면서 2017년부터 인공지능 도입을 위한 정보화계획의 수가 빠르게 늘어났다. 또한, 학습 위주의 고성능 인공지능 도입이 늘어나게 되면서 2020년부터 데이터셋 구축 및 단위 SW 개발을 위한 모델개발 단계가 크게 증가하였다. AI스피커 등의 서비스 기술 발전이 진행됨에 따라 2019년 이후 이들을 활용한 서비스임대 방식이 지자체를 중심으로 점차 확대되었다. (정책 분야) 전자정부, 민원 서비스 등에 관련된 시스템 수요가 많은 일반행정 분야가 지속적으로 전체의 20% 이상의 가장 높은 비중을 차지하고 있다. 다음으로 산업/고용(산업육성, 일자리매칭 등, 16.5%), 교통수송/건설(지능형 교통망 등, 11.6%), 기상/재난안전(기상 예측 등, 10.4%) 순으로 많이 도입되었다. (활용용도) 2016년 이전에는 對국민 공공서비스를 위한 인공지능 기술 도입 비중이 내부 역량강화 목적보다 높았으나, 이후 고유 업무의 효율화를 위한 도입이 늘어나면서 이전과 반대 상황이 되었다. 하지만 2020년 이후 챗봇, 자연어처리 등 민원 서비스를 위한 기술이 발전하면서 다시 공공서비스 도입 비중이 점차 높아지고 있다. (기술유형) 전체적으로 언어지능(37%), 전문가시스템(34.7%), 시각지능(19.6%) 순으로 과제가 많이 진행되었다. 언어지능의 경우 초반 규칙 기반의 TTS, STT 등의 과제가 많아 가장 높은 비중을 차지했으나 점차 축소되고 있다. 대신, 전문가시스템은 매년 큰 폭으로 증가하여 2022년 전체 용역 중 45%로 가장 높은 비중을 차지하고 있다. (적용기술) 과거 인공지능은 문서의 디지털화를 위한 OCR 기술과 장애인의 홈페이지 접근성 제고를 위한 TTS 기술에 주로 적용됐었으나 2016년 이후 다른 기술의 적용이 확대되면서 2개 기술의 비중은 빠르게 감소한다. 챗봇은 2016년 3건을 시작으로 2020년부터 급속히 확산되어 2022년 161건으로 급증하였다. 또한 음성인식과 비정형 데이터 처리 기술이 발전하면서 STT와 자연어처리 적용도 급속하게 확대되었다. (기관구분별) 계약 건수는 국가기관(36.8%), 지자체(23.5%), 준정부기관(19.4%), 기타공공기관(19.4%) 순으로 많고, 총 계약금액은 국가기관(56.2%), 준정부기관(27.4%), 지자체(11.7%), 기타공공기관(11%) 순으로 많다. 국가기관과 기타공공기관은 타 기관에 비해 모델개발 단계의 비중이 상대적으로 높은 반면 정보화계획과 모델개발을 건너뛰고 바로 정보시스템 구축에 들어간 사례가 많다. 국가기관은 일반행정 분야가 433건으로 가장 높은 비중을 차지하고 있으며, 그 외 기관별 고유 업무에 따라 다양한 분야에서 인공지능 기술이 도입되고 있는 것으로 나타났다. 지자체 역시 일반행정 분야가 가장 많으나 교통수송/건설이 그 다음으로 ITS 등 지역의 교통문제 해결을 위해 인공지능 기술을 많이 도입하고 있다. 그리고 기상/재난안전 분야도 지속적으로 활용이 증가하고 있는 것으로 나타났다. 지자체를 제외한 다른 공공기관은 공공서비스 보다 내부역량제고 목적으로 인공지능을 도입한 사례가 2배 정도 많다. 특히 기타공공기관과 공기업은 대국민 서비스가 적은 기관 특성에 때문에 타기관보다 내부역량제고 비중이 높다. 공공서비스의 세부 용도를 살펴보면, 준정부기관과 기타공공기관은 민원 서비스 비중이 안내 서비스보다 높다. 이것은 이들 기관이 콜센터 상담 업무를 챗봇 등을 사용하여 자동화한 결과이다. 반면 지자체는 민원 서류 발급은 행정망을 사용하고 대면 민원처리가 많아 안내 서비스의 비중이 다른 용도에 비해 절대적으로 높다. 내부역량제고는 전체적으로 비정형 데이터 비중이 높으며 기관 특성에 따른 세부 용도 비중의 차이는 크지 않다. 기술유형별 건수를 보면 전체적으로는 언어지능>전문가시스템>시각지능 순으로, 국가기관은 전문가시스템>언어지능>시각지능 순으로 도입하였다. 특히 전문가 시스템 유형의 분석 업무를 추진한 과제가 기타공공기관, 준정부기관에서 주로 추진되고 있으며, 민원/안내 목적의 언어지능 시스템은 지자체와 준정부기관에서 많이 추진된 것으로 나타났다. (발주기관) 국가기관에서는 행정안전부가 전자정부 시스템의 지능화를 적극 추진하면서 인공지능 도입 용역 건수 및 계약 금액에서 1위를 차지하고 있다. 대규모 시스템을 보유한 국세청, 과학기술정통부(우정사업본부), 보건복지부, 관세청, 법무부 등이 투자금액에서 상위 기관에 위치하였다. 광역자치단체에서는 경기도(229건), 서울특별시(115건), 경상남도(105건) 순으로 인공지능 도입에 적극적이었던 것으로 나타났다. 경기도는 많은 인구와 복잡한 교통의 지역 특성상 교통 관련 업무에 딥러닝과 TTS를 타 시도 대비 적극적으로 활용하였다. 다른 시도와 달리 서울시, 충청남도 등은 공공서비스 보다 내부역량제고 용도에 더 많은 프로젝트를 진행하였다. (낙찰기업) 공공부문 인공지능 도입 계약 3,870건의 낙찰기업은 총 1,348개이고 평균 계약금액은 11.9억원이다. 이를 조달정보개방포탈의 기업구분에 따라 나누어 살펴보면, 대기업(98억원), 중견기업(63억원), 중소기업(7.8억원), 비영리 중소기업(6.5억원), 비영리법인(1.8억원) 순이다. 전체 인공지능 건수 중에 중소기업이 56.3%의 계약을 낙찰받았고, 비영리 중소기업도 30.6%를 낙찰받아 합계 86.9%를 진행한 것으로 미루어 보았을 떄, 소규모의 인공지능 프로젝트도 활발히 진행되고 있음을 알 수 있다. 나. 사례분석 인공지능 도입 계약 3,870건 중‘AI 도입의 성숙도 모델’에서 3단계(구축) 이상에 속하는 계약 건(2,584건)을 대상으로‘AI 도입기관 사례평가 모델’을 활용하여 분석한 결과, 1차로 30개의 우수사례를 선별하였다. 1차에서 선별된 30개의 계약 건을 대상으로 RFP 확인, 정보검색 및 전문가 검토를 통해 최종적으로 4개의 사례(한국고용정보원, 대검찰청, 관세청, 서울시) 를 선정하여 상세분석을 진행했다. [AI 도입의 성숙도 모델 img] 선정된 4건의 사례 분석 대상은 공통적으로 초기 연구부터 정보화계획, 단계별 구축을 통해 점진적으로 발전하여 왔다. 이들 기관은 기술에 대한 이해도가 높고 도메인 지식이 있는 내부 전문가를 보유하고 있어 사업 진행에 주도적인 리더십을 발휘할 수 있었다. 이들은 도메인 지식의 공유와 명확한 요구사항, 대안이 있는 피드백 등을 통해 새로운 기술 도입을 위한 끊임없는 개선 및 고도화를 추진하였다. 또한 인공지능 기술 도입의 필요성에 대한 기관 차원의 요구가 강하여 사업 진행에 있어 내부 구성원의 이해와 협조가 원활하게 이루어졌다. 한편, 분석대상 기관의 시스템을 구축했던 개발자들과 심층 인터뷰를 한 결과, 도입 기관의 리더십 강화를 위해서는 내부 기술 전문인력 확보도 중요하지만, 시스템 구축시 개발자들과의 원활한 소통을 위해 AI 도입을 위한 ISMP 같은 프로토콜이 필요한 것으로 나타났다. 또한 요구되는 정확한 시스템 또는 기능 도입을 위해서는 데이터 품질확보가 가장 중요하므로 모델 개발이나 시스템/서비스 구축 시 데이터 클린징에 대한 비용과 시간을 충분히 제공하는 것이 중요하다는 의견이 많았다. 5. 결론 조달 정보를 사용한 현황조사와 사례분석을 종합하여 도출한 국내 공공부문 인공지능 활용을 촉진하기 위한 정책적 제언은 다음과 같다. 첫째, 많은 광역 및 기초 지자체가 적은 예산으로 체계적인 계획 없이 산발적으로 인공지능 시스템을 도입하고 있는 상황으로 지방자치단체에 대한 지원을 강화해야 한다. 현재 정부에서 추진 중인 차세대 지방행정공통시스템 구축 사업에 인공지능 기술을 최대한 많이 적용해 인공지능 활용을 확대해야 한다. 또한 상위 기관이 주도적으로 지역 공통의 문제를 발굴해 인공지능으로 해결한 후 하위 기관에 체계적으로 확산·보급하는 전략이 필요하다. 둘째, 최신 인공지능 기술 도입을 위한 민관협력 선순환 구조 창출이 필요하다. 공공기관에서 최신 인공지능 기술을 활용하기 위해서는 ‘대학, 연구소 등과 공동연구 → 실증 보급 → 테스트용 데이터셋 공개 → 민간 기업 제품 개발 → SaaS 방식의 최신 인공지능 서비스 사용’의 선순환 구조를 지속적으로 창출해야 한다. 선순환 구조 창출 성공의 핵심 포인트는 테스트용 데이터셋 공개이다. 공동연구 과정에서 확보한 정제된 데이터로 테스트용 데이터셋을 벤치마크 수치와 함께 일반에 공개해 관심 있는 AI기업과 연구자의 자발적인 참여를 이끌어 내야 한다. 현재 시스템보다 우수한 벤치마크 결과를 제시한 기업 제품으로 업그레이드 한다면 사업 성공의 위험 부담을 경감하면서 최신 기술을 적용할 수 있을 것이다. 더 나아가 자체 시스템 구축이 아닌 SaaS 형태로 도입 방식을 바꾸면 최신 기술 적용의 부담을 경감하고 보다 쉽게 확산시킬 수 있다. 셋째, 체계적이고 단계적인 도입 전략이 필요하다. 최근 각광받고 있는 딥러닝 등 인공지능 최신 기술은 아직 정립된 방법론이 없고 IT서비스 기업의 경험도 상대적으로 많지 않아, 인공지능 도입 사업의 리스크가 기존 시스템 보다 큰 상황이다. 기관 업무를 세부적으로 나누고 일부 사업을 시범적으로 추진해 구축 경험과 성과를 축적한다. 이를 활용해 다른 영역으로 사업을 확대하고, 최종적으로 각 부분을 통합해 하나의 시스템으로 완성하는 도입 전략이 성공 가능성을 높일 것이다. 넷째, 기관 내부에 AI 전문가 육성이 필요하다. 사례조사를 위한 심층 인터뷰 과정에서 공통적으로 지적하는 가장 큰 애로사항은 인공지능 지식이 부족한 내부 실무자는 인공지능에 대한 환상을 갖고 있고, 개발자는 도메인 지식이 부족하다는 점이다. 기관 내부에 인공지능 교육을 강화하고 초기 단계부터 두 가지 입장을 조율하고 올바른 의사결정을 할 수 있는 사내 전문가를 양성해야 한다. 다섯째, 데이터 cleaning을 위한 시간과 예산 지원을 강화해야 한다. 인공지능은 기존 시스템과 달리 얼마나 정제된 데이터로 학습하는가가 중요하다. 많은 공공사업이 인공지능 특성에 대한 고려 없이 기존 관행대로 개발 일정과 비용을 책정해 데이터 cleaning에서 많은 문제와 애로사항이 발생한다고 지적한다. 구축 계획시 데이터에 대한 충분한 고려가 있어야 하고 주기적인 재학습이 필요하기 때문에 체계적인 데이터 관리가 필요하다.
요약문 1. 제 목 : 산업 수요 중심의 국가 AI R&D 전략성 강화를 통한 AI 확산 방안 연구 2. 연구 목적 및 필요성 최근 인공지능(AI) 경쟁력이 국가 경제와 직결될 만큼 절대적 영향력을 가지게 되면서, 미국과 중국을 중심으로 한 글로벌 AI 기술패권 경쟁이 더욱 치열하게 전개되고 있다. 미국의 동맹국과의 연대를 통한 對중국 기술제재와 중국의 자체 AI 기술생태계 구축 노력이 동시에 전개되면서 양국 간 일대일 구도의 경쟁이 아닌 AI 기술 블록화와 맞물리는 진영 대결로 심화되고 있어, 기술적 자주성과 글로벌 리더십 확보를 도모하기 위해 국가 차원의 전략적 선택과 범국가적 역량의 집중이 요구되고 있다. 우리나라는 AI 기술수준 측면에서 중국에 이어 두 번째로 빠른 속도로 성장하여 현재 선진국들에 근접한 수준에 이르렀다. 그러나 생태계 측면에서는 AI 기술의 개발 및 공급이 크게 확대되고 있는 추세에도 불구하고, 시장(수요)에 해당하는 AI 응용·활용 수준이 다소 미흡한 상황이다. 여러 실태조사에서 기업들이 AI 도입의 가장 큰 걸림돌로 ‘기업 수요에 맞는 AI 기술 및 솔루션 부족’과 ‘맞춤식 AI 적용의 어려움’을 응답한 것으로 볼 때, 이러한 상황의 주요한 원인 중 하나가 바로 AI 기술 수요와 공급의 미스매치라고 판단된다. 즉, 우리나라 AI 기술생태계 자립성 확보의 선결조건인 AI 확산을 위해서는 산업에서의 활용도 있는 기술개발을 위한 정책적 노력이 필요함을 시사한다고 볼 수 있다. 한편, 글로벌 경기둔화와 고금리 기조 등의 영향으로 경제 불확실성이 증대됨에 따라, 우리나라 정부는 최근 이러한 경제위기 돌파와 더불어 그동안 끊임없이 지적되어왔던 국가 R&D 성과의 질적수준 정체 문제 해결이라는 시대적 요구에 부응하여 ‘R&D 혁신’을 추진하고 있다. 즉, 글로벌 AI 기술패권 경쟁에 능동적으로 대응하기 위하여 AI 기술경쟁력 강화와 산업 활용도 높은 기술개발을 통한 AI 확산을 도모해나가야 하는 동시에, 이를 ‘R&D 혁신’이라는 국가 전략에 부합하는 방향으로 추진해나가야 하는 상황이라는 것이다. 종합하면, AI 기술에 대한 국내 기업들의 인식·수요 현황을 객관적으로 확인하고, 산업 수요를 고려하여 국가 AI R&D 추진 방향을 전략적으로 수립·조정할 필요가 있다고 사료된다. 본 연구에서는 산업 활용도·수용성 중심의 국가 AI R&D 전략성 강화를 통한 AI 확산을 도모하는 정책 방안 및 제언을 제시한다. 본 연구를 통해 산업 수요에 부합하는 기술의 개발 및 공급을 통한 全 산업의 AI 융합·활용을 가속화하는 한편, R&D 성과 확산을 통한 국가 AI R&D 투자 및 정책의 효율성·효과성 제고를 도모하는 데 도움이 될 수 있는 기초자료를 마련하고자 하였다. 3. 연구의 구성 및 범위 본 연구에서는 먼저 AI 기술개발에 대한 정부의 투자 측면인 국가 R&D 현황을 분석하였다. 국가과학기술지식정보서비스(NTIS)에 등록된 AI 기술 관련 국가 R&D 과제 정보(2018년 1월 ~ 2023년 6월)를 수집하고, LDA 토픽모델링을 통해 AI 분야의 세부기술 영역(주제)별 국가 R&D 규모 현황을 도출하였다. 둘째, AI 기술에 대한 국내 기업의 인식 및 수요 조사결과를 살펴본다. 여기서 AI 기술은 국가 R&D 과제 정보를 활용한 토픽모델링을 통해 분류한 12가지 AI 세부기술 영역으로 설정하였다. 셋째, 국가 AI R&D 현황 및 AI 기술에 대한 국내 기업의 인식·수요 조사결과를 비교 분석하였다. 포트폴리오 분석 틀을 활용해 세부 AI 기술 영역별 국가 R&D 추진 현황을 진단하였다. 넷째, 본 연구의 결론으로서 산업 수요 중심의 국가 AI R&D 전략성 강화방안과 AI 확산 및 활용 고도화를 위한 정책 제언을 제시하였다. 4. 연구 내용 및 결과 첫째, 국가 AI R&D 추진현황을 분석하였다. 토픽모델링 분석을 통하여 AI 기술 관련 국가 R&D 과제 정보에 내포된 12개 토픽을 추출하였다. 정부연구비를 기준으로, 국가 AI R&D 과제의 연도별 규모는 증가 추세이며, ‘딥러닝 기반 이미지 분석 및 처리 기술’ 토픽 관련 과제의 규모가 가장 큰 것으로 나타났다. 정부연구비 규모를 기준으로 한 순위 변화를 보면, ‘객체 탐지 및 추적을 위한 비전 딥러닝 기술’과 ‘머신러닝 기반 데이터 보안 및 보호 기술’이 2018년 대비 가장 크게 순위가 상승한 토픽인 것으로 나타났다. 둘째, AI 기술에 대한 산업계 인식 및 수요 현황을 파악하기 위한 설문조사를 실시하였다. 현재 산업에서의 활용도에 대해 전체 기업이 긍정적으로 응답한 비중이 가장 높은 기술은 ‘딥러닝 기반 이미지 분석 및 처리 기술’이고, 그 다음으로 ‘생성형 인공지능기술’, ‘딥러닝 모델 알고리즘 및 성능 최적화’, ‘머신러닝 기반 데이터 보안 및 보호 기술’ 순으로 긍정 응답 비중이 높았다. 3년 이후의 예상 활용도가 높은 기술로는 ‘딥러닝 모델 알고리즘 및 성능 최적화’, ‘딥러닝 기반 이미지 분석 및 처리 기술’, ‘머신러닝 기반 데이터 보안 및 보호 기술’ 순으로 긍정적 응답이 많았다. 현재 기술별 활용도와 3년 이후의 예상 활용도 응답 결과를 비교하여 기업들이 예상하는 기술별 미래 활용도 변화를 추정해보면, 활용도 변화가 가장 클 것으로 예상되는 기술은 ‘강화학습 기술’과 ‘인공지능 신뢰성 기술’이다. 기술별 수용(도입) 의사에 대한 조사에서는 ‘딥러닝 기반 이미지 분석 및 처리 기술’, ‘머신러닝 기반 데이터 보안 및 보호 기술’, ‘딥러닝 모델 알고리즘 및 성능 최적화’ 순으로 긍정 응답 비중이 높았다. 기술별 개발 시급성 정도로는 ‘딥러닝 기반 이미지 분석 및 처리 기술’, ‘머신러닝 기반 데이터 보안 및 보호 기술’, ‘객체 감지 및 추적을 위한 비전 딥러닝 기술’ 순으로 높았다. 이 외에도 중소기업을 기준으로 한 응답 결과를 별도로 살펴보고, 주요 산업별로도 나누어 살펴보았다. 셋째, 앞서 살펴본 국가 AI R&D 현황과 AI 기술에 대한 국내 기업의 인식·수요 조사 결과를 비교분석하였다. 최근 3년 기간의 정부연구비 규모와 중소기업이 응답한 미래 활용도, 개발 시급성 정도, 기술 수용도(수용 의사)를 중심으로 비교한 결과, ‘인공지능 신뢰성 기술’은 산업계 인식 수준이 높은 데 비해 국가 R&D 규모가 상당히 부족한 것으로 나타났으며, 전략적으로 국가 R&D 투자를 대폭 확대하는 방향으로 정책 및 투자 방향을 조정할 필요가 있다고 사료된다. ‘생성형 인공지능 기술’, ‘그래프 분석 기반 진단 및 예측 기술’, ‘경로 탐색 및 모델 최적화’ 기술, ‘강화학습 기술’ 등의 경우에도 국가 R&D 투자 확대가 필요한 영역이라고 판단된다. 5. 결론 본 연구의 결론으로서 산업 수요 중심의 국가 AI R&D 전략성 강화를 위한 방안을 다음과 같이 제시하였다. 첫째, 산업 활용도·수용성을 고려해 전략적으로 AI 관련 정책 및 R&D 투자를 추진하는 것이다. 본 연구에서는 국가 AI R&D 현황과 산업계 인식·수요를 비교하는 포트폴리오 분석을 통해 ‘인공지능 신뢰성 기술’, ‘그래프 분석 기반 진단 및 예측 기술’, ‘생성형 인공지능 기술’, ‘경로 탐색 및 모델 최적화’ 기술, ‘강화학습 기술’ 등 산업 활용도·수용성 측면에서 높은 인식 수준을 보인 데 비해 국가 R&D 규모가 부족한 세부 AI 기술분야를 도출하였다. 이러한 결과를 활용하여, 전략적으로 해당 분야의 육성을 위해 국가 R&D 투자 확대 및 정책적 지원을 추진할 필요가 있다고 판단된다. 둘째, AI 정책 및 R&D 전략 수립 과정의 산업계 인식·수요 반영 체계를 강화하는 것이다. 글로벌 AI 기술패권 경쟁에 대응하기 위한 차원에서, AI 기술생태계 자립성 확보의 선결과제인 산업에서의 활용도 있는 기술 공급을 통한 AI 확산을 촉진하는 데 대한 실효성 있는 정책 및 R&D 투자전략이 마련되기 위해서는 산업계 기술 인식·수요에 대한 보다 충분한 정보와 이해가 필수적이다. 따라서 규모있는 조사를 통해 AI 기술에 대한 기업들의 인식 및 수요를 객관적으로 파악하는 것이 바람직해보인다. AI 기술 육성을 위한 정책 및 R&D 투자계획을 수립·조정하는 과정에서 AI 세부기술 영역별 중요성 정도 및 파급효과를 평가하는 요소로서 동 조사 결과를 활용함으로써 산업 활용도·수용성 측면의 전략성 제고를 도모할 필요가 있다. 아울러 AI 확산 및 활용 고도화를 위한 정책 제언을 다음과 같이 제시하였다. 첫째, AI 기술 응용·활용 성공사례를 발굴하여 적극 보급할 필요가 있다는 것이다. 전반적으로, 국내 산업계에서는 이들 AI 세부기술의 미래 활용도, 유용성, 시급성 등 측면에 대해서는 긍정적 응답이 많았으나, 현재 활용도와 기술 수용에 대한 긍정 응답 비중은 상대적으로 낮은 경향을 보였다. 이러한 결과는 국내 기업들이 기술 자체의 우수성과 잠재력에 대한 높은 인식을 가지고 있으나, 그에 비해 실제 비즈니스 현장에서의 활용 측면에 대해서는 인식 및 이해가 다소 낮은 상황임을 암시한다고 판단된다. 따라서 AI 기술 응용활용에 대한 인식 수준 제고를 지원하기 위해 AI 도입 효과에 대한 실증적 연구(결과), 그리고 산업별 또는 분야별로 기업들이 참조할 수 있는 AI 도입 성공 사례들을 발굴하여 보급할 필요가 있다. AI 기술 도입 및 사업화 관련 지원사업의 주요 성과를 기업들이 체감할 수 있도록 사례화하고 홍보하는 방안을 고려해 볼 수 있다. 단지 정부 지원사업의 성과로부터 발굴된 사례들 간 중복성이 발생하거나 다양성이 부족할 수 있는 바, 정부 지원 사업 성과조사의 범위를 넘어서서 다양한 국내·외 사례들을 확보하기 위해 관련 조사·연구에 대한 범정부적 지원을 추진해볼 필요도 있다고 사료된다. 둘째, 기술수요에 대응할 수 있는 정책의 유연성 및 시의성을 확보할 필요가 있다. 본 연구의 조사 결과에 따르면, 현재 활용도가 높은 AI 기술이 앞으로도 활용도가 높을 것이라 전망하는 산업 분야가 있는 반면, 그렇지 않은 산업 분야도 있었다. 즉, 특정 AI 기술의 현재 산업 활용도는 높지만 향후에는 활용도가 낮아지고, 반대로 현재 활용도가 낮은 기술이 앞으로는 중요하게 활용될 것으로 예상하는 산업 분야가 있다는 것이다. 이러한 결과는 국가 AI R&D 정책과 제도가 산업 환경의 변화 및 고도화에 따른 기술수요의 차별화·다양화에 유연하게 대응할 수 있도록 설계되어야 함을 시사한다. 오늘날 AI의 기술변화 속도가 어느 다른 분야보다 빠르다는 점에 대해 이견이 없을 것이다. 이러한 측면을 감안할 때, AI 관련 국가 정책은 산업 환경 및 수요에 대한 지속적인 모니터링과 피드백·조정을 통해 높은 수준의 유연성 및 시의성을 확보할 필요가 있다고 하겠다.