한국 기업의 AI·로봇 도입과 생산성: 규제 논의와 구분해 읽기

Scope

핵심 질문

한국 기업의 AI·로봇 도입 연구는 노동생산성에 관해 무엇을 보여주며, 그 결과를 기업규모별 격차나 규제의 효과와 혼동하지 않으려면 무엇을 구분해야 하는가?

조사 기준일: 2026-09-30

이 글의 원래 질문은 한국 산업의 생산성 격차를 기업규모·산업구조·경쟁·기술확산·자원배분과 규제의 관계로 설명하는 것이었다. 아래에서 직접 확인한 ADB 연구만으로 그 전체 질문에 답할 수는 없다. 여기서는 2025년 2월 발표된 연구의 2016년부터 2022년까지 기업 자료를 읽고, 규제 논의에 적용할 분석 기준을 별도로 정리한다. 과거 관측을 2026년 현재의 생산성·임금 격차나 정책 효과로 취급하지 않는다.

결론

확인한 연구에서 AI·로봇 채택 기업은 미채택 기업보다 대체로 규모가 크고 평균 노동생산성이 높았다. 그러나 이는 우선 집단 간 단순 비교이며, 기술 도입이 그 차이를 만들었다는 증명은 아니다. 성향점수매칭 분석에서는 AI 도입의 일부 연도별 집단과 관측 시점에 노동생산성 증가 추정치가 나타났지만 모든 집단·시점에서 같은 결과가 나온 것은 아니다.(자료 1)(자료 2)

이 자료의 가치는 한국 기업의 기술 도입을 실제 설문 응답과 근로자당 부가가치로 분석했다는 데 있다. 전국의 대기업·중소기업 생산성 비율, 산업별 임금·숙련 격차, 규제가 그 격차를 일으킨 정도를 측정한 연구는 아니다. 따라서 '규제가 많아서 생산성이 낮다'는 설명을 이 연구로 입증하거나 반박하지 않는다.

확인한 기업 자료와 지표

Park와 Shin의 ADB Economics Working Paper No. 769는 통계청 기업활동조사를 이용한다. 일반 조사 기준은 상용근로자 50명 이상과 자본금 3억 원 이상이며, 소매·기타 서비스에서는 상용근로자가 50명 미만이어도 자본금이 10억 원을 초과하면 포함되는 예외가 있다. 논문은 2022년 조사 범위를 여러 산업의 13,824개 법인으로 설명한다. 이는 한국의 모든 사업체나 근로자를 포괄한 표본이라는 뜻이 아니다.(자료 1: PDF 8쪽)

노동생산성은 근로자당 부가가치다. 기술 도입 설문은 2017년에 시작됐으며, 기업이 제품개발·마케팅·생산·조직관리·판매에 AI 또는 로봇을 사용한다고 응답했는지로 채택을 구분한다. 부록 표 1은 2016년부터 2022년까지의 집단별 기술통계를 제시한다. 채택 기업의 높은 평균을 설명할 때는 해당 집단의 고용·매출 규모도 함께 봐야 한다. 논문도 이 단순 비교에서는 통계적 유의성을 검정하지 않았다고 밝힌다.(자료 1: PDF 9–10쪽; 2: 표 1, 인쇄 1쪽/PDF 2쪽)

기업 규모와 기술 도입을 구분하기

논문의 채택률 그림은 직원 수 200명 미만과 200명 이상을 나눈다. 이 구간은 연구 안의 비교 기준이지 한국 중소기업 전체를 정의하는 기준이 아니다. 기업 수 기준 채택률과 채택 기업에서 일하는 사람의 고용 비중도 다른 분모다.(자료 1: PDF 10–11쪽; 2: 그림 2.1–2.3)

예를 들어 'AI를 쓰는 기업이 더 크다'는 관찰은 '한국의 작은 기업은 모두 생산성이 낮다'는 결론으로 이어지지 않는다. 규모의 경제·자본집약도·연구개발·숙련인력·경영역량·수출·마진·업종 구성은 비교할 후보 변수다. 어느 요인이 실제 격차를 얼마나 설명하는지는 별도의 측정 문제다. 같은 규모 집단 안의 차이나 제조업과 서비스업의 차이 역시 이 글에서 전국적 수치·순위로 확정하지 않는다.

도입 전후 비교는 무엇을 더 보여주나

도입 기업과 미도입 기업은 도입 전부터 다를 수 있다. 논문은 일반적인 이중차분 분석에서 평행추세 가정이 자주 위반됐다고 보고하고, 성향점수매칭으로 도입 전 특성이 비슷한 채택 기업과 미채택 기업을 비교한다. 이 방법의 추정치는 특정 도입 집단에 대한 결과이며 단순 평균 차이와 구분해야 한다.(자료 1: PDF 13–18쪽)

부록 표 8.3에서는 2017년과 2019년 AI 도입 집단의 도입 2년 후, 2018년 도입 집단의 3년 후에 양의 노동생산성 추정치가 유의하게 표시된다. 반면 다른 집단·시점에서는 유의한 증가가 확인되지 않는다. 본문의 2018년 집단 증가 시점 서술과 부록 표의 표시가 일치하지 않는 부분이 있어, 여기서는 부록의 연도·시점 구분을 따른다. 로봇과 AI를 함께 도입한 집단의 표 9.3에서도 일관된 생산성 증가가 확인되지 않는다.(자료 2: 표 8.3, 인쇄 23쪽/PDF 24쪽; 표 9.3, 인쇄 27쪽/PDF 28쪽)

이것은 AI를 도입하면 어느 기업에서나 생산성이 오른다는 보장이 아니다. 저자도 기업 간 투입산출 연계와 소득 증가에 따른 총수요 효과를 고려하지 않고 경제 전체로 일반화할 수 없다고 제한한다. 연구의 노동소득분배율은 노동비용과 부가가치의 비율이지 대기업·중소기업 근로자의 임금 격차 그 자체가 아니다.(자료 1: PDF 9쪽, 18–19쪽)

규제 논의에 쓸 분석 기준

다음은 위 연구가 측정한 한국의 규제 효과가 아니라 정책을 평가할 때 구분할 질문과 조건부 경로다. 규제 개수만 세기보다 어떤 행동을 바꾸는 규칙인지, 비용과 편익이 누구에게 생기는지 따져야 한다.

시장진입 제한이 있는 경우: 신규·해외 기업의 진입 비용과 기존 사업자의 경쟁압력 변화를 각각 측정한다. 진입 규정이 있다는 사실만으로 생산성 하락을 단정하지 않는다.
기업규모 경계에 지원·의무가 달라지는 경우: 경계 부근에서 기업이 성장·투자를 피하는지 확인한다. 제도의 존재와 실제 회피 행동은 다르다.
인허가가 불명확한 경우: 승인기간·예측 가능성·기술 도입 비용을 비교한다. 긴 승인기간의 원인이 규정인지 다른 행정·사업 조건인지도 구분한다.
특정 사업자·직역을 보호하는 경우: 가격·서비스 혁신과 자원 이동에 미치는 효과를 검토한다. 경쟁제한 비용과 보호 목적의 편익을 함께 평가한다.

안전·환경·독점 남용·금융위험·소비자 정보비대칭·개인정보·불공정 하도급에 대한 보호 목적은 '규제는 적을수록 좋다'는 결론과 구분해야 한다. 보호 효과가 있는지와 과도한 비용이 있는지는 둘 다 실증 평가 대상이다. 이 글은 특정 한국 규제의 순편익을 산출하지 않는다.

지원·인력·자원배분을 함께 확인하기

지원정책은 신용제약·연구개발 외부효과·디지털 전환의 비용을 해결하는지, 아니면 성장·퇴출의 유인을 왜곡하는지 나눠 평가할 수 있다. 전자는 지원의 잠재적 편익, 후자는 잠재적 비용에 관한 가설이다. 사업 수나 지원 대상 기업의 존속만으로 효과를 판정하지 않는다.

실무적으로는 다음을 같은 연도·정의로 기록하는 것이 출발점이다.

기업규모·업종·표본의 포함 및 제외 기준
매출이 아닌 부가가치 기준인지, 근로자 수와 근로시간 중 무엇을 분모로 삼았는지
기술 도입의 정의와 도입 전 특성, 비교집단 및 도입 후 관측기간
임금·숙련인력·금융 접근·투자 변화가 실제로 측정됐는지
높은 생산성 기업으로 노동·자본이 이동했는지와 재취업·구조조정의 사회적 비용

예를 들어 채택 기업의 생산성이 높다는 표를 읽을 때는 먼저 업종·규모 구성이 다른지 확인하고, 정책 효과를 주장하려면 정책을 받지 않았을 비교집단과 변화의 시점을 별도로 확인한다. 이는 자료를 읽는 기준이지 한국 전체의 격차가 확대·축소됐다는 새 결론이 아니다.

핵심

직접 확인한 것은 과거 조사대상 기업의 기술 채택 차이와 일부 AI 도입 집단의 노동생산성 추정 결과다. 이 사례를 통해 분모·표본·도입 전 차이·관측 시점을 나눠 읽는 방법을 얻을 수 있다. 한국 전체의 규모·산업·임금 격차와 규제의 인과효과는 여전히 별도의 근거가 필요하며, 이 글의 좁힌 결론이 원래의 넓은 질문을 입증한 것은 아니다.

Sources

직접 확인한 근거:

(자료 1) Park, Donghyun & Shin, Kwanho. ADB Economics Working Paper No. 769, 2025-02, Implications of Artificial Intelligence and Robots for Employment and Labor Productivity: Firm-Level Evidence from the Republic of Korea. PDF 8–11쪽(자료·정의·단순 비교), 13–19쪽(방법·결과·일반화 한계): https://www.adb.org/sites/default/files/publication/1031016/ewp-769-artificial-intelligence-robots-employment-rok.pdf
(자료 2) 같은 연구의 공식 Appendix. 표 1, 8.3, 9.3 및 그림 2.1–2.3. 부록 인쇄 쪽번호는 PDF 페이지보다 1 작다: https://www.adb.org/sites/default/files/publication/1031016/ewp-769-artificial-intelligence-robots-employment-rok-appendix.pdf

기존 참고 링크의 접근 이력도 보존한다. 다음 OECD 링크 5건은 2026-10-05 검토에서 모두 403을 반환했다. 여기서는 원문 표·단위·분모를 확인한 수치 근거로 취급하지 않는다. 추후 자료를 직접 읽을 수 있을 때만 수치와 비교·인과 주장을 재검증해야 한다.

OECD, OECD Economic Surveys: Korea 2026: https://doi.org/10.1787/6b87f585-en
OECD, OECD Compendium of Productivity Indicators 2026 — Labour productivity patterns across firm sizes: https://www.oecd.org/en/publications/oecd-compendium-of-productivity-indicators-2026_734a5e68-en/full-report/labour-productivity-patterns-across-firm-sizes_7edc4fb8.html
OECD, Financing SMEs and Entrepreneurs 2026 — Korea: https://www.oecd.org/en/publications/financing-smes-and-entrepreneurs-2026_bb7fc5c4-en/korea_166a1b94-en.html
OECD, OECD Economic Surveys: Korea 2024 — Red light, Green light reforms to boost productivity: https://www.oecd.org/en/publications/oecd-economic-surveys-korea-2024_c243e16a-en/full-report/red-light-green-light-reforms-to-boost-productivity_1e59e1af.html
OECD, Artificial Intelligence and the Labour Market in Korea, 2025: https://www.oecd.org/en/publications/artificial-intelligence-and-the-labour-market-in-korea_68ab1a5a-en/full-report/overview_ad148dd1.html