소결

제1절 요약

AI가 기준 전망보다 빠르게 확산되면 전산업 실질부가가치의 연평균 증가율은 2025–2035년 1.82%에서 2.14%로 0.32%p 높아지고, 2035년 수준은 기준보다 83조 원(3.2%) 커진다. 성숙기 AI 생산성 효과의 크기에 대한 가정(Λ = 0.3–0.8%p)에 따라 그 폭은 0.19–0.51%p이다.

산업별로는 AI 효과가 특정 산업에 몰리기보다 전 산업에 넓게 퍼지되, 정보통신(+0.62%p)·교육서비스(+0.58%p)·의료·정밀·광학기기(+0.56%p)·전자부품(+0.56%p)처럼 정보·지식 집약적인 산업에서 크고 건설(+0.42%p)·문화·스포츠·수리(+0.40%p)에서 작다. 반도체·이차전지 같은 신산업은 전자부품의 높은 프리미엄을 이어받는다.

제2절 인력 구조에 대한 함의

AI가 만드는 추가 부가가치가 고용을 늘리지 않는다고 보면, 취업계수는 산업별로 해마다 0.40–0.62%p 더 낮아진다. 같은 일을 더 적은 인력으로 하게 되는 생산성 효과이다. 사업체들은 2040년까지 매출은 늘지만 고용은 줄 것으로 내다보았으므로, 실제 고용 반응은 이보다 더 보수적일 수 있다. 설문의 고용 탄력성을 그대로 적용하면 섬유·가죽, 비금속광물, 자동차, 교육서비스에서 취업계수가 연 1%p 넘게 낮아진다. 이 산업들에서는 인력 재배치와 직무 전환 지원의 필요가 크다.

제3절 한계

• 크기의 불확실성. AI 생산성 효과에 관한 실증 근거가 아직 쌓이는 중이어서 Λ의 범위가 넓다. 본 연구는 중도값을 중심으로 하고 민감도를 함께 제시하였다.
• 인식 기반 배분. 산업 배분은 사업체의 인식(설문)에 기초한다. 인식은 실제 도입·성과와 다를 수 있으며, 정도 척도의 기준점 선택에 따라 산업별 수치가 달라진다. 특허·논문·뉴스의 객관 노출 지수나 한국고용정보원(2017) 혁신 시나리오로 배분을 바꾸면 전산업 효과는 같지만, 교육서비스처럼 자료 사이에 평가가 엇갈리는 산업의 프리미엄은 크게 달라진다(4장 보론).
• 고용 반응. 설문 탄력성에는 AI 외 요인이 섞여 있어 중심 가정으로 쓰지 않았다. AI에 따른 고용 반응을 직접 식별하는 자료가 필요하다.
• 기준선. 기준 시나리오는 보고서1의 2026년 10월 기준선 정비판이며, 장기 성장은 잠재성장률 가정(1.8%)에 의존한다. AI 확산 효과(기준 대비 차이)는 기준 수준에 크게 좌우되지 않는다(정비 전후 모두 +0.32%p).

제4절 후속 과제

1. 4장 보론의 업종별 노출 지수를 62개 산업 수준으로 세분하고, 국내 특허만으로도 다시 계산해 배분 자료 사이의 차이가 어디에서 오는지 확인한다.
2. 네이버 뉴스를 전 기간·산업별 키워드로 수집해 국내 관심도의 산업별 차이를 측정한다.
3. AI 확산 속도(조기·지연)를 달리한 시나리오를 추가한다. AI 확산 총량 지수의 추세 대비 위치(갭)를 감시 지표로 삼고, 표본이 쌓이면 AI를 외생변수로 넣은 산업모형(4장 보론 대안 2)을 다시 추정한다.
4. 산업 간 파급은 축약형 동학이 아니라 산업연관표의 투입 구조 같은 구조적 경로로 계산한다.
5. 노동수요 전망 단계(한국고용정보원)의 모형과 취업계수 변화를 연계해 산업·직종별 인력 수요를 산출한다.