AI가 비용 절감과 매출 증대의 핵심 도구로 자리 잡아
기업의 인공지능 활용 확대, 성과 창출 위한 정책 지원 절실
AI 전문 인력 양성과 데이터 인프라 구축 시급
[아웃소싱타임스 김민수 기자] 기업의 인공지능(AI) 활용이 산업 전반으로 확산되고 있지만, 성과 창출로 이어지는 사례는 제한적인 것으로 나타났다.
AI는 경제적 파급효과가 기대되지만, 기업들은 낮은 기술 인프라와 데이터 부족, 초기 투자 비용 부담, 전문 인력 부족 등의 이유로 활용률이 낮은 상황이다. 특히 중소기업의 경우 AI 도입에 대한 명확한 전략과 지원 체계가 미비하여 적극적인 활용이 어려운 실정이다. 이러한 문제를 해결하기 위한 정책적 지원이 절실하다.
산업연구원이 지난 2월 발표한 ‘국내기업의 인공지능 활용과 정책과제’ 보고서에 따르면, 2022년 기준 국내 기업의 AI 활용률은 5%에도 미치지 못하는 것으로 나타났다. 서비스업에서는 코로나19 이후 일시적으로 AI 도입이 증가했으나, 다시 감소하는 추세를 보였으며, 제조업에서는 활용률이 평균 이하에 머물렀다. 이는 AI 기술이 단순 자동화를 넘어 산업의 전반적인 변화를 주도할 핵심 기술로 평가받음에도 불구하고, 실제 도입과 활용은 미미한 수준임을 보여준다.
■ AI 활용과 성과 간 괴리
AI를 도입한 기업들 중 일부는 실질적인 성과를 거두고 있다. 예를 들어, 포스코는 AI를 활용한 생산 공정 최적화로 연간 6억 원의 비용을 절감했으며, JP모건은 AI 기반 법률 문서 분석 시스템 도입을 통해 연간 36만 시간의 업무 시간을 절약했다. 하지만 이러한 사례는 일부 대기업과 특정 산업군에 국한되어 있으며, 국내 중소기업의 경우 AI 도입에 따른 성과 창출이 여전히 어렵다는 분석이 나온다.
실제 보고서에 따르면, 기업의 AI 활용이 기대한 성과로 연결되지 못하는 가장 큰 이유는 낮은 기술 인프라, 데이터 부족, 그리고 전문 인력 부족 때문인 것으로 나타났다.
낮은 기술 인프라는 기업 내 IT 시스템과 네트워크 환경이 AI 도입을 지원하기에 부족하다는 점을 의미하며, 이는 AI 모델을 효과적으로 실행하는 데 필요한 컴퓨팅 자원이 제한적이기 때문이다. 데이터 부족은 AI 학습 및 운영에 필요한 고품질 데이터가 충분히 확보되지 않아 AI 모델의 정확성과 신뢰성을 저해하는 요인으로 작용한다.
또한, AI 도입과 운영을 담당할 전문 인력이 부족한 상황에서 기업들은 AI 기술을 제대로 활용하지 못하고 있으며, 이로 인해 AI 도입이 실질적인 성과로 연결되기 어려운 실정이다. AI 도입의 가장 큰 장애 요인으로 ‘데이터 부족’(41.6%)과 ‘전문 인력 부족’(15.9%)이 지목되었으며, AI 기술 도입을 위한 초기 투자 부담도 주요한 장애 요소로 작용했다.
■ 산업별 AI 활용 사례 및 효과
산업별로 AI를 도입한 기업들의 사례를 살펴보면, AI 기술이 다양한 방식으로 활용되고 있다.
- 자동차 산업: BMW는 AI 기반 실시간 결함 탐지 시스템을 도입하여 조립 라인의 생산 중단 시간을 연간 약 500분 줄였다. GM은 AI 설계를 활용해 차량 부품의 경량화와 강도 최적화를 달성했으며, 메르세데스-벤츠는 무인운반차량(AGV)을 AI로 운영하여 생산 효율성을 25% 향상시켰다.
- 반도체 산업: ASML은 AI 기반 챗봇을 도입하여 IT 운영 비용을 절감하고, 직원들의 기술 지원 시간을 30% 단축했다.
- 철강 산업: 포스코는 AI를 활용해 제강 공정에서 원료 사용량을 60% 절감하고, 도금 공정에서 도금량 제어 정확도를 99% 이상으로 높였다.
- 화학 산업: 일본 요코가와는 AI 자율제어 시스템을 도입해 증류 공정의 효율성을 향상시키고, 에너지 사용량과 탄소 배출량을 40% 감축했다.
- 바이오 산업: 인실리코 메디슨은 AI를 이용한 신약 개발 플랫폼을 구축하여 신약 개발 비용을 기존의 10분의 1로 낮추고 개발 기간을 3분의 1로 단축했다.
- 금융 산업: JP모건은 AI 기반 계약 인텔리전스 도구 ‘COiN’을 활용해 상업 신용 계약 검토 시간을 연간 36만 시간 절감했다.
- 물류 산업: DHL은 AI 기반 자동 물류 검토 시스템을 도입해 90%의 정확도로 배송 물품을 식별하고 처리 시간을 단축했다.
AI는 단순한 자동화를 넘어 기업 운영을 혁신하는 핵심 요소로 자리 잡고 있다. 하지만 중소기업의 경우, 이러한 성과를 내기 위해 필요한 기술력과 자원이 부족한 경우가 많아 정부 차원의 적극적인 지원이 필요하다.
■ AI 활용 확대 위한 정책적 과제
AI 활용을 늘리고 성과 창출로 이어지게 하기 위해서는 산업 맞춤형 지원 정책이 필요하다는 분석이 제기되고 있다. 산업연구원은 이를 위해 세 가지 주요 정책을 제시했다.
첫째, 산업 AI 연구개발(R&D) 투자 확대를 통해 기업이 AI 기술을 자체적으로 개발하고 적용할 수 있도록 지원한다.
둘째, 디지털 기술(클라우드, 3D 프린팅 등)과의 융합 지원을 강화하여 AI가 실질적인 생산성과 효율성을 높이는 도구로 자리 잡도록 유도한다.
셋째, AI 바우처 지원을 확대하여 중소기업이 초기 비용 부담 없이 AI 도입을 시작할 수 있도록 한다. 이러한 정책들은 기업이 AI를 보다 쉽게 도입하고 활용할 수 있도록 지원하며, 장기적으로 경제적 성과를 높이는 역할을 할 것이다.
산업연구원은 "AI 활용을 확대하기 위해서는 단순한 기술 지원을 넘어 기업이 실제로 AI를 적용할 수 있도록 실질적인 인센티브가 필요하다"며 "정부와 산업계가 협력하여 맞춤형 지원 방안을 마련해야 한다"고 강조했다.
| 부문 | 정책 목표 | 주요 과제 |
|---|---|---|
| 기술 부문 | 산업 내재화를 위한 AI 기술 개발 | AI 기술 개발 및 개방형 혁신 생태계 구축 |
| 중소기업 AI 도입 부담 완화 | AI 바우처 확대 | |
| 금융 부문 | AI-산업 융합 금융 지원 확대 | AI 활용 기업 대상 장기 저리 대출 제공 |
| 세제 혜택 강화 | AI 기술을 국가전략기술로 지정해 세제 혜택 부여 | |
| 규제 부문 | 기업의 AI 활용 촉진 | 네거티브 규제 및 사후 규제 체계 도입 |
| 정책 불확실성 해소 | AI 규제정보 제공 시스템 운영 | |
| 인력 부문 | AI 전문 인력 양성 | 민간 주도형 AI 인력 양성 체계 구축 |
| AI 고급 인재 확보 | 대학 내 AI 학제 개편 및 고급 인재 양성 확대 | |
| 노동시장 변화 대응 | 인력 수급 관리 체계 구축 |
■ AI 전문 인력 양성과 데이터 인프라 구축 시급
AI 기술 활용을 확대하기 위해 가장 중요한 것은 전문 인력 양성과 데이터 인프라 구축이라는 지적도 나온다. 현재 국내 기업들이 AI를 도입하지 않는 가장 큰 이유로 ‘AI에 대한 낮은 인식(59.6%)’과 ‘성과 불확실성(18.7%)’이 꼽혔다. AI 기술을 기업 현장에 적용하기 위해서는 일반 직원 대상 교육 프로그램 확대와 함께, 대학 및 연구기관과의 협력을 통한 전문 인력 양성이 필수적이다.
더불어 AI 기술이 원활하게 활용될 수 있도록 표준 AI 모델 및 데이터 구축 지원도 필요하다. 표준 AI 모델은 기업들이 공통적으로 활용할 수 있는 기본적인 알고리즘과 학습 구조를 제공하여 AI 도입의 초기 부담을 줄여준다. 이를 통해 기업들은 개별적으로 AI 모델을 개발하는 데 드는 시간과 비용을 절감할 수 있다.
또한, 양질의 데이터를 축적하고 공유할 수 있는 데이터 허브 구축이 중요하다. 고품질의 대규모 데이터셋이 확보되면 AI의 학습 효과가 향상되며, 보다 정확하고 신뢰할 수 있는 AI 모델이 개발될 수 있다.
이러한 지원이 마련되면 AI 활용 기업들이 보다 쉽게 혁신을 이루고 산업 전반에서 경쟁력을 높일 수 있을 것이다. 기업들이 활용할 수 있는 AI 모델을 개발하고, 양질의 데이터를 제공하는 데이터 허브를 구축해 AI 기술 활용도를 높이는 전략이 요구된다.
■ AI 활용 선순환 구조 구축해야
AI는 경제와 산업 전반의 변화를 이끌 핵심 기술이지만, 국내 기업들의 활용도와 성과 창출 수준은 기대에 미치지 못하고 있다. 이를 해결하기 위해서는 산업별 맞춤형 지원, 금융 지원, 규제 완화, 인력 양성, 데이터 인프라 구축 등 종합적인 정책적 접근이 필요하다.
AI 활용과 성과 창출이 선순환을 이루기 위해서는 정부와 기업 간 협력이 필수적이다. 이를 위해 구체적인 정책 실행이 시급하다.
