2017년도 연구용역보고서

스마트공장 도입이 고용에 미치는 효과 연구

– 해외 사례를 중심으로

- 2017. 12. -

이 연구는 국회예산정책처의 연구용역사업으로 수행된 것으로서,

보고서의 내용은 연구용역사업을 수행한 연구자의 개인 의견이며,

국회예산정책처의 공식 견해가 아님을 알려드립니다.

연구책임자

양혁승 교수
스마트공장 도입이 고용에 미치는 효과
연구 – 해외 사례를 중심으로

2017. 12.

연구책임자 양혁승 (연세대학교 경영대학 교수)

연 구 원 이남형 (연세대학교 경영연구소 박사후 연구원)
연 구 원 김은정 (연세대학교 경영연구소 연구교수)
연 구 원 박세범 (연세대학교 경영대학 교수)
연구보조원 신유정 (연세대학교 일반대학원 경영학과)

이 연구는 국회예산정책처의 연구 용역사업으로

수행된 것으로서, 본 연구에서 제시된 의견이나 대안 등은
국회예산정책처의 공식의견이 아니라 본 연구진의 개인
의견임.
 제 출 문

국회예산정책처장 귀하

본 보고서를 귀 국회예산정책처의 연구과제 스마트공장 도입이

고용에 미치는 효과 연구-해외 사례를 중심으로의 최종
보고서로 제출합니다.

2017.12.

연세대학교 경영대학 교수 양혁승

스마트공장 도입이 고용에
미치는 효과 연구 – 해외
사례를 중심으로

연구 요약

2017. 12.
 연구요약

Ⅰ. 서론

❏ 연구의 배경 및 목적
¡ 스마트공장 도입 및 기술발달로 인한 고용 감소에 대한 우려가 팽배함.
¡ 스마트 공장은 대량의 데이터 수집과 이를 처리하는 인공지능, 이 두 가지의 기술 변
화에 크게 영향을 받을 것이며, 이 기술은 앞으로 4차 산업혁명을 이끄는 일반목적
기술이라고 할 수 있음.
¡ 따라서 스마트 공장 도입으로 인한 고용 변화를 스마트 공장에 국한해서 이해하기보
다 4차 산업혁명의 기술변화가 고용에 미치는 영향이라는 더 큰 흐름과 함께 평가하
고 준비해야 함
¡ 스마트 공장의 도입 및 기술 발달은 고용에 대해 다음의 세 가지 질문을 던짐
－ 첫째, 고용의 양이 어떻게 변할 것인가?
－ 둘째, 고용의 질이 어떻게 변할 것인가?
－ 셋째, 파생된 고용 문제를 어떻게 해결할 것인가?
¡ 본 연구는 이 세 가지 질문에 대한 잠정적 답을 제시하고자 함

❏ 연구의 내용 및 방법
¡ 2장에서는 스마트 공장의 정의와 특성, 스마트 공장 도입에 관한 독일, 일본, 미국, 중
국 등 주요국의 제조업 부흥 정책, 그리고 마지막으로 우리나라의 스마트 공장 도입
현황과 관련 정책을 정리했음
¡ 3장에서는 기술 변화가 고용에 미치는 효과에 대한 이론, 지난 30년간 정보통신 기술
과 로봇 등의 도입이 거시 경제적 고용에 미치는 효과, 그리고 마지막으로 미국, 독일,
일본 등의 주요 기업 사례 13건을 살펴보았음
¡ 4장에서는 스마트 공장과 더 나아가 기술 변화로 인한 미래 고용 변화 전망의 연구를
소개하고 미래에 필요한 역량을 정리했음. 그리고 이를 토대로 독일, 일본 등 주요국의
관련 노동 정책을 정리했음
¡ 5장에서는 4장에서의 필요 역량 예측과 해외 주요국의 대응 기조를 토대로 우리나라
의 직무 재교육 현황을 비판적으로 검토하고, 개선 방향에서 고려할 문제를 제시했음
¡ 이를 위해 국내외 문헌 및 통계 자료, 해외 사례에 대한 문헌 연구를 중심으로 연구를
수행하였음

- I -
Ⅱ. 스마트 공장 특성과 국내외 도입 현황

❏ 산업통상자원부와 민관합동 스마트공장 추진단은 스마트 공장과 스마트 제품을 다

음과 같이 정의하고 있음
¡ 스마트 공장은 정보통신기술(ICT)과 설비 및 자동화 솔루션이 융합되어 시장과 고객
이 요구하는 스마트제품을 적시에 생산·납품할 수 있도록 실시간 의사결정과 운영체
계가 최적화된 지능형 공장
¡ 스마트제품은 언제 어디에서 누가 어떻게 생산하고 납품하였는지에 관한 정보를 내재
하고 있는 제품
❏ 스마트공장의 도입으로 기업은 비즈니스 프로세스의 각 과정에서 효율성의 향상과
더불어 도입 이전과 차별화된 성과를 얻을 수 있을 것으로 기대
¡ 고객관리 측면에서 기업은 고객의 디지털 정보를 최대한 확보할 수 있게 되어, 고객
관계를 재구성하고 이를 토대로 고객의 기대와 계약을 충족시켜 고객을 유지
(retention)
¡ 제품창조 측면에서 기업은 시장과 고객의 요구사항을 더 명확하게 이해하고, 그에 따
라 맞춤형 제품 포트폴리오를 구성하여, 목표로 하는 고객이 필요로 하는 제품을 생
산할 수 있게 될 것
¡ 제품 공급과정에서는 고객의 요구사항과 생산 역량을 실시간으로 반영하여, 필요한
자원에 대한 예측 정확성을 높이고, 더 체계적인 생산계획을 수립하며, 이에 따라 구
매를 효과적으로 함으로써, 생산 효율성을 극대화
❏ 우리나라에서는 스마트 공장을 “기초-중간1-중간2-고도화”의 4단계로 구분
¡ 기초 단계는 자재(material)에 사물 인터넷 기기를 부착하여, 생산 이력 및 불량 관리
를 위한 데이터를 생성하는 수준이며, 생산된 데이터를 통한 의사결정은 이루어지지
않음
¡ 중간 1단계는 기초 단계에서 생성된 데이터를 실시간으로 수집 관리하여 생산 설비를
관리할 수 있는 수준
¡ 중간 2단계는 생성된 데이터를 토대로 실시간 공장 자동제어까지 나아가는 것으로 이
를 위해서는 생산 인력, 기계, 자재의 이력과 생산방법이 하나로 통합되어야 함
¡ 고도화 단계는 생산 공정 수준을 뛰어넘어, 시장 환경의 데이터를 수집하고, 이를 생
산 공정에 반영하는 것까지 달성한 수준

- II -
❏ 주요국은 자국의 산업별 우위에 기초하여, 독일의 “인더스트리 4.0”, 미국의 “선진제
조 파트너십 2.0”, 중국의 “중국제조 2025”, 일본의 “재흥전략/로봇혁명이니셔티브/
신산업구조 비전” 등의 슬로건 아래 좁게는 스마트 공장 도입, 넓게는 제조업 경쟁
력 강화를 위한 산업 정책을 추진
❏ 우리나라는 2014년 “제조업 혁신 3.0 전략”부터 스마트 공장 보급을 제1전략으로 추
진하여, 2016년 말까지 누적 기준 2,805개의 스마트 공장을 보급, 이중 기초 단계
(2,139개, 76.4%)와 중간1 단계(601개, 21.5%) 수준의 공장이 대부분을 차지, 고도화
단계의 공장은 없었음
❏ 2017년 11월 발표된 관계부처 합동 『혁신 성장을 위한 사람중심의 4차 산업혁명
대응계획』에서는 2022년까지 누적 2만개, 중간 1 수준 이상 공장 비중 30%의 목표
를 설정
❏ 그러나 스마트 공장을 통해 생산과정의 어떤 문제를 해결하거나 이를 통해 어떠한
새로운 산업구조를 만들 것인가에 대한 체계적 논의는 부족하며, 특히 관련 인력 양
성, 비즈니스 모델 개발 등 스마트 공장 도입을 통해 어떠한 성과를 얻을 것인가에
대한 구체적 준비가 부족하다고 평가할 수 있음

Ⅲ. 최근 기술변화가 일자리에 미치는 효과

❏ 기술변화가 고용에 미치는 영향은 대체효과, 보완효과, 생산효과, 확산효과로 설명할

수 있음
¡ 대체효과는 와해적 기술(disruptive technology)로 노동력이 대체되는 효과
¡ 보완효과는 와해적 기술의 효용성을 높일 수 있는 노동의 수요가 증가하는 효과
¡ 생산효과는 기술 변화에 따른 생산성 향상과 가격 하락으로 해당 상품과 서비스의 수
요 증가와 그에 따른 노동 수요가 증가하는 효과
¡ 확산효과(spill-over effects)는 신기술 확산에 따른 신산업이 발전하고 그에 따라 노동
수요가 증가하는 효과
❏ 보완효과, 생산효과, 확산효과가 대체효과보다 크다면, 경제 전체로는 고용이 늘어날
수 있음
¡ 스마트공장의 도입 단계와 앞에서의 이론적 전망에 기초하여, 스마트 공장의 도입과
함께 순고용이 증가할 조건을 다음 표와 같이 정리할 수 있음

- III -
 <표 1> 스마트공장 도입의 순고용 증가 조건
기초 중간1 중간2 고도화
실적 집계 설비데이터 고객맞춤형
자동화 수준 설비제어 자동화
자동화 자동집계 생산체제
순고용 증가의
대체효과 < (보완효과+생산효과) 대체효과 < (생산효과+확산효과)
조건
○ 스마트 공장 운영인력
순고용 증가의 ○ 스마트 공장 지원기업의 성장
○ 스마트 공장 지원기업의 성장
동인 ○ 신산업 창출
○ 스마트 공장 설비생산 증가

❏ 지난 30년간의 기술변화가 고용에 미친 효과를 연구한 결과에 따르면, 로봇과 자동

화로 인해 제조업의 고용은 감소했지만, 신기술 도입으로 인한 생산성 향상이 클 때
확산효과가 강하게 나타날 수 있고, 경제 전체의 고용이 증가할 수 있음을 보임
¡ 또한 독일의 사례에서 보듯, 고용을 둘러싼 제도의 방향과 제도 안에서 노사 간의 합
의가 고용에 미치는 효과가 크다는 사실을 확인할 수 있었음
❏ 이는 생산성을 상당한 수준으로 높일 수 있는 신기술을 개발하는 동시에, 신기술 도
입이 생산성을 증대시킬 수 있는 다각도의 보완 방법을 모색해야 함을 의미
¡ 향후 신기술 도입이 고용에 미치는 부정적 효과를 최소화하고 긍정적 효과를 높이기
위해서는 관련 제도의 설계가 중요함을 의미
❏ 최근 로봇, 인공지능, 스마트공장을 적극적으로 도입하고 있는 미국의 아마존, 독일
의 아디다스, 일본의 파낙 등 12개의 사례를 살펴보면, 로봇이 인간을 대체하는 것이
아니라, 인간의 능력을 보완하고 도와준다는 개념이 더 강하고 로봇은 단순하고 반
복적인 일을 지원하는 역할을 주로 맡고 있으며, 여전히 로봇을 관리할 숙련된 근로
자가 필요한 상황
¡ 단기간에는 스마트공장의 도입이 일자리를 없애기보다는 사람들이 기피하는 작업을
대신하고 다품종 소량화 시대에 인간이 할 수 없는 고정밀도로 물건을 제작할 수 있
다는 점에서 보완효과와 생산효과가 크게 나타날 수 있을 것으로 예상됨
¡ 실제로도 12개의 사례 기업에서는 고용의 감소를 확인할 수 없었음
¡ 스마트 공장의 4단계 구분은 국내에서 주로 사용하고 있어, 해외 사례에 정확하게 대
응시키기는 어렵지만, 다양한 정보를 종합해볼 때, 스마트 공장의 현 단계 수준은 최
대 중간 2단계, 즉 데이터 수집이 자동화되고, 의사결정의 일부 영역에 사람이 개입하
지 않는 정도로 판단됨

- IV -
 ¡ 즉, 대규모 데이터 수집 및 처리에서는 기계의 역할이 강조되고 있지만, 중간 2단계까
지의 데이터 분석과 적용에서는 아직 사람의 역할이 남아있다고 할 수 있음
❏ 현 단계에서는 현장 노동자에게 체화된 암묵적 지식을 기계의 코드화된 지식으로 전
환하여 생산과정의 효율성을 높일 수 있는 기술개발과 관련 인력양성이 필요하고 이
에 맞는 새로운 교육훈련 프로그램이 마련되어야 함

Ⅳ. 스마트 공장 도입에 따른 고용변화 전망과 주요국의 정책 대응

❏ 지난 30년의 기술변화가 가져온 고용효과는 정형편향적(routine-biased) 기술변화와

숙련편향적(skill-biased) 기술변화로 나누어 파악할 필요가 있음
¡ 정형편향적 기술변화는 특정한 규칙, 정형화된 경로, 계획에 의거하여 반복적으로 수
행되는 정형적 직무를 코드화하여 자동화 기술로 대체하되, 창의성이나 인지능력에
기반한 비정형적인 직무를 자동화하기는 어렵기 때문에 고용증가를 가져올 수 있음
¡ 그에 반해 숙련편향적 기술변화는 해당 기술을 활용할 수 있는 능력을 갖춘 고숙련
인력의 수요를 증가시키지만, 저숙련 인력이나 중간 숙련도를 가진 인력까지를 대체
할 것이기 때문에 그러한 인력의 수요를 감소시킬 수 있음
❏ 최근의 기술변화가 직무에 미칠 영향도 이러한 맥락에서 예상해볼 수 있는데, 먼저
가장 많이 언급되는 것은 자동화로 인한 대규모의 일자리 감소임
¡ Frey & Osborne(2013)의 연구가 대표적으로 직종별 과업에 대한 미국 노동부의
O*NET 자료와 전문가의 인공지능 발전 속도 평가를 바탕으로 미국 일자리의 47%가
인공지능 기술 및 컴퓨터화로 대체될 수 있는 고위험에 속한다고 발표
¡ 세계경제포럼은 2016년 글로벌 선도기업 371개의 최고 인사 책임자와 CEO를 대상의
설문조사를 토대로 15개 선진국과 신흥경제국에서 평균적으로 717만개의 일자리가
감소하고 202만개의 일자리가 창출되어, 515만개의 일자리가 순감할 것으로 예측
❏ 이와 반대로 일자리의 감소가 크지 않을 것이라는 연구도 있음
¡ Autor et al.(2003)은 자동화로 대체가 가능한 정형적 업무와 그렇지 않은 비정형적 업
무를 구분했을 때, 기술진보는 정형적 업무의 고용은 감소시키지만, 비정형적 업무의
고용은 증가시키는 것으로 주장
¡ McKinsey & Compnay(2015)는 미국 노동시장 자료를 바탕으로 800개의 직업을 2,000
개의 활동으로 나누고, 현 로봇기술과의 관계를 분석하여, 45%의 직업은 자동화가 가
능하지만, 완전하게 인간을 대체할 수 있는 직업은 5%에 불과하다고 예측

- V -
 ¡ Arntz et al.(2016)은 직업은 특정 업무의 결합으로 봐야 하고, 자동화는 업무를 대상
으로 하며, 관련 업무가 자동화됨에 따라 상당수의 직업이 변화할 수도 있지만, 완전
하게 자동화될 수 있는 직업은 9%에 불과할 것으로 예측
❏ 서로 다른 전망이 제시되는 이유는 분석의 단위가 직무(job)냐, 업무(task)냐에 따라
그 결과가 달라지기 때문임
¡ Frey 등의 연구는 직무를 기준으로 분석하여 자동화율이 높게 예상되는 일자리가 사
라질 것으로 전망한 데 반해, Arntz 등의 연구는 자동화율이 높더라도 완전 자동화가
되지 않는 한, 직무 자체는 유지될 것으로 전망
¡ 그러나 직무 단위로 분석하든 업무 단위로 분석하든 자동화로 인해 대체되는 업무가
많아질수록 노동의 수요는 줄어들 것으로 판단됨.
¡ 따라서 이러한 변화에 대한 대응방안은 자동화에 의해 대체될 인력들이 경력단절을
겪지 않고 새롭게 생성될 일자리로 원활하게 전환되도록 하는 데 있음
❏ 지난 30년간의 ICT 기술변화가 노동시장에 가져온 변화를 볼 때 중요한 것은 일자
리의 양이 아니라 일자리의 질일 수 있는데, 이는 비대칭적 효과로 요약될 수 있음
¡ 1980년대 중반 이후, 기술 진보는 인적자본(human capital)을 더 많이 지닌 사람들에
게 편향적인 영향을 미쳐, 숙련된 노동력의 수요는 증가하지만 덜 숙련된 노동력의
수요는 감소시킴으로써 소득 격차를 심화시킴.
¡ 주요 국가에서 생산성 향상을 고용과 소득이 따라가지 못하였고, 소득분배에서 노동
소득이 차지하는 비중도 지속적으로 하락하고 있음
¡ 기술변화가 고용과 소득의 이러한 변화를 일으킨 유일한 원인은 아니지만 앞으로의
기술진보가 고용의 양극화와 그로 인한 소득의 양극화로 진전되지 않고, 고용의 질적
측면에서 고른 발전이 되도록 정책적 방안을 모색하는 것이 중요하다고 할 수 있음
❏ 노동에 필요한 스킬은 연구자마다 다르게 분류하지만, 크게 보아 인식과 조작, 창의
적 지능, 사회적 지능의 영역으로 재분류할 수 있음
¡ 미래 기술 변화가 어떤 스킬을 요구할지에 대해서는 연구마다 다소 다른 결과를 제시
하고 있는데, Frey & Osborne(2017)은 세 영역 모두에서 자동화가 어렵다고 보는 반
면, MacCrory et al.(2015)는 인식과 조작, 창의적 지능 영역에서는 일부 대체가 진행
중이라고 보았음
❏ 스마트공장의 도입은 작업 환경에도 영향을 주어 기존의 작업 프로세스와 인력배치
구조를 변화시킬 것으로 전망됨
¡ 대표적으로 자동조립라인의 노동자는 외골격 로봇(Exo Skeleton Robot)과 같이 기계

- VI -
 로부터 물리적 도움을 받아 지금보다 더 쉽게 육체적 활동을 할 수 있게 되었기 때문
에 연령이 높아져도 일을 할 수 있고, 로봇으로 많은 신체적 움직임을 필요로 하는 노
동을 대체할 수 있을 것으로 보임
¡ 서비스 기술자의 경우, 여러 작업장을 순회 방문하여 문제를 파악하고 수정하기 때문
에 최종적인 처리 과정이 오래 걸리는 경우가 많았지만, 스마트공장의 도입으로 실시
간 원격점검과 예방점검이 가능하고 고장 발생 시 관련 부품을 파악하여 현장에 도착
하거나 가상현실을 이용한 원격수리로 생산성을 극대화할 수 있을 것으로 보임
❏ 주요국 중 독일과 일본은 앞으로의 노동정책 방향을 제시하고 있음
¡ 독일은 노동 4.0 백서를 통해 개인의 취업능력을 유지시켜야 함을 강조, 또한 새로운
자영업 형태가 증가할 것을 대비하여 사회보장체계의 변화가 필요함을 역설
¡ 일본은 신산업구조비전에서, 적극적인 대응을 통해 일자리 감소의 폭을 줄일 수 있다
고 보고 있으며 로봇이 만성적인 노동력 부족을 해결할 것으로 판단. 하지만 성장 분
야로 노동이 이동할 수 있도록 각종 지원과 평생교육, 단계별 IT 기술수준 향상 교육
패키지, 노동 현장의 다양성, 사물 인터넷 기반 HR 기술 발전 등을 중요 정책목표로
제시
❏ 최근의 기술 발전이 고용에 미칠 영향은 기술채택의 동인과 스마트공장 단위 수준으
로 나누어 볼 수 있음
¡ 먼저 신기술 채택의 목표는 자연스러운 과정이라기보다 이해관계자들이 의식적으로
결정해야 할 사안이며, 사회적으로 자동화의 목표를 어떻게 설정하고 관련 제도를 어
떻게 개편하느냐가 고용에 미치는 효과를 달라지게 할 것으로 판단됨
－ 인건비 절감과 효율극대화가 자동화의 주요 동인이라면 고용 대체효과가 커질
것으로 예상됨
－ 하지만, 인간 역량의 활용 극대화가 자동화의 주요 동인이라면 보완효과가 크게
나타날 수 있으며, 인간과 로봇이 협업하는 새로운 생산양식과 업무프로세스를
발전시킬 수 있다면 고용 대체효과보다는 생산효과와 확산효과가 더 크게 나타
날 수 있음
¡ 스마트 공장 수준에서 보면, 데이터 확보 및 분석 역량을 확보하는 것이 중요하고, 예
상하지 못하는 각종 사건에 대한 의사결정은 여전히 사람의 몫으로 남을 것으로 예상
됨
－ 데이터 분석능력과 의사결정 역량을 동시에 갖춘 인력 재배치 및 재교육 문제가
대두될 수 있음

- VII -
 － 아직 기계가 할 수 없는 관리, 전문 분야, 예상하지 못한 신체적 활동 등은 자동
화 대체율이 낮을 것으로 예상되고, 자동화 과정을 관리하는 분야에 대한 일자리
가 창출될 수 있음
－ 변화하는 작업환경에 맞게 노동자의 기술 재교육(re-skilling)과 기술 향상교육
(up-skilling)이 필요하며, 또한, 이론과 하드웨어와 소프트웨어 등을 포함하여 IT
기술, 공정, 생산, 물류에 대한 전문지식을 가진 통합전문가가 요구됨
¡ 미국의 경우 컴퓨터 활용 능력은 70%가, 문제해결 능력은 69%가, 기본기술 훈련은
69%가, 수리능력은 60%가 부족한 것으로 보고되었는데, 한국은 미국과 다른 교육환
경 가운데에 있으므로, 우리의 기술 갭에 대한 조사 및 연구가 필요
¡ 노동자가 스마트공장에 적합한 능력을 갖추도록 하려면 기업 차원에서 적절한 인력을
고용하는 것뿐 아니라, 현재 공장에서 일하는 노동자를 재교육하는 것이 필요하며, 이
를 성공적으로 수행하려면 정부, 기업, 교육기관 사이의 긴밀한 공조가 필수적임
¡ 또한 스마트공장 전환으로 기존의 젊은 남성 위주의 노동자 구성에서 다양한 연령대
의 다양한 성별의 구성이 가능해질 수 있으므로, 이러한 다양성에 대비한 교육 및 고
용 방침이 마련되어야 함

Ⅴ. 스마트 공장 도입에 따른 직무 교육의 현황과 문제점

❏ 현재 국가에서 제공하는 직업훈련은 재직자 대상 직업훈련과 실업자 대상 직업훈련

이 분리되어 진행되고 있음
¡ 훈련을 받는 인원수를 기준으로 실업자에 비해 재직자가 더 많으며, 재직자의 경우
대다수가 유급휴가훈련이 아닌 사업주 직업능력개발 지원형태의 교육을 받고 있는 것
으로 나타남
－ 직업훈련이 사업주 직업능력개발 지원에 편중되어 있음을 볼 때, 앞으로 스마트
공장 도입에 따라 실업자가 발생한다면, 스마트 공장 관련 교육과 실업자 교육
간의 재원배분과 정책지원 방향을 결정해야 하는 문제에 직면할 수 있고, 효과적
인 교육을 위해 관련 연구가 진행될 필요가 있음
❏ 스마트공장과 관련된 교육은 스마트공장 추진단과 중소기업진흥공단으로 나누어져
있음
¡ 스마트공장 추진단의 교육은 스마트 팩토리 아카데미, 스마트 공장 구축 및 추진 실
무 과정, 스마트 공장 우수기업 견학 프로그램으로 나뉘며, 이중 실질적인 스마트 공
장 운영에 관한 교육은 스마트 팩토리 아카데미 과정 하나뿐임

- VIII -
 ¡ 중소기업진흥공단은 2016년부터 스마트공장 전문가 양성과정을 신규로 개설하였고,
2016년에 총 323명을 교육했는데, 2022년까지 5만명으로 교육생을 늘리겠다는 계획
을 갖고 있음
¡ 하지만, 이는 2022년까지 누적 기준 스마트공장 도입 목표 2만개에 비추어 보면 많은
수의 인력이라고 보기는 어려움
❏ 미래 일자리 예측에 비추어 본 우리나라 실업자 교육의 문제점에 대해서는 류기락
외(2017)의 연구가 있음
¡ Arntz et al.(2016)에 따라 PIAAC 자료를 이용하여 과업기반 접근법으로 우리나라 직
업의 자동화 위험을 분석하고, 현재의 직업능력개발훈련을 자동화 위험 측면에서 평
가
¡ 우리나라 노동시장에서 자동화 위험에 노출된 직종은 고위험 직종과 저위험 직종의
분포가 상대적으로 많은 양봉형 구조
¡ 직종별 자동화 위험도를 토대로 실업자 교육을 분석한 결과, 국가기간전략산업 훈련
과정은 자동화 위험이 낮은 직능수준의 훈련생 수가 많은 반면, 실업자계좌제 훈련과
정은 자동화 위험이 높은 직능수준의 훈련생 수가 많다는 문제점이 확인됨

Ⅵ. 스마트 공장 도입의 순고용 증가를 위한 정책 제언

❏ 스마트 공장 수준에서 보면, 스마트 공장의 도입에도 불구하고 순고용이 증가할 수

있도록 하려면 단계별 접근이 필요

< 표 2> 스마트공장 도입의 순고용 증가를 위한 정책 제언

기초 중간1 중간2 고도화
순고용
대체 효과 < (보완효과 + 생산효과) 대체 효과 < (생산효과 + 확산효과)
증가의 조건
○ 스마트 공장 운영인력 양성: ○ 스마트공장 운영인력 양성 지원
- 대기업 자체 재교육 프로그램 장려, ○ 지속적인 신산업 창출
순고용
- 중소기업 지원 프로그램 개발,
증가의
- 중소기업 재직자 교육 중 대체인력
동인과 이를
지원도 검토 필요
위한
○ 스마트 공장 설비 생산 증가
정책지원
- 관련 인력 양성 프로그램
- 설비 보급 지원
○ 대체 노동력의 재취업 교육 지원 ○ 평생학습체계구축
제도적 보완 ○ Gig Worker 고용조건 제고 - ‘기업 – 중앙/지방정부 –
○ 사생활 보호 제도 마련 노동자’의 3자 체제

- IX -
❏ 단기적으로 ‘기초-중간1’ 단계에서는 스마트 공장 운영인력 양성이 주요한 정책목표
가 되어야 함
¡ 여기에는 교육 프로그램의 다양성 확보와 교육 참가자의 원활한 과정 이수를 위한 제
도적 뒷받침이 필요
¡ 앞으로의 기술발전 방향이 명확하지 않은 상황에서 경직된 기준에 따라 국가가 인증
한 프로그램을 중심으로 재교육 프로그램을 구성하는 것은 인위적 기술선택에 의한
인력 수요·공급의 불일치 문제를 야기할 가능성이 높음
－ 다양한 학습 콘텐츠를 포함하는 직업능력개발 플랫폼 구축이 필요하며, 공공-민
간 훈련기관 및 훈련과정 개편을 통해 민간운영 자율성을 확대할 필요가 있음
¡ 또한 공급자중심에서 수요자중심 훈련시장을 지향하고, 급변하는 고용 및 숙련 수요
를 반영하는 고용서비스를 강화하며, 빅데이터 및 인공지능 기반 평생경력개발 인프
라를 구축할 필요가 있음
－ 이를 위한 오픈 플랫폼 전략, 민간 훈련기관뿐만 아니라 전문대학 및 대학에서
제공하는 프로그램을 적극적으로 포함시킬 수 있는 방법을 모색해야 함
－ 특히 학령인구 감소에 따라 재학생 수가 감소할 대학의 기능을 기술 재교육과
평생학습기관으로 변모시킬 방법을 고민해야 함
¡ 재직자의 원활한 교육수강을 위해, 근로자의 학습시간이 보장되어야 하며, 이를 위해
서는 재직자의 소득과 교육기간 동안의 대체 근로자 보급을 위한 여유인력과 관련된
제도가 정비되어야 함
－ 대기업의 경우 자체적으로 교육기간 동안의 인력 운영체계 구축이 가능할 것이
며, 혁신기반 경쟁시대에 경쟁력 유지를 위해서도 불가피한 선택이 될 것
－ 하지만 중소·중견기업은 자체적으로 평생학습기반 인력운영체계를 구축하기 어려
운 상황이므로 정부 및 지방자치단체가 여유인력풀을 확보·운영하고 중소·중견기
업 근로자의 학습기간 동안 업무공백 최소화를 위해 보충인력을 투입하는 시스
템을 갖출 필요가 있음
❏ 장기적으로는 스마트 공장 도입, 넓게 보아 4차 산업혁명의 진행 과정에서 고용친화
적 혁신촉진형 인력운영을 목표로 해야 할 것이며, 이를 위해 평생학습기반의 인력
운영체계를 구축하는 것이 시급

- X -
 차례
제1장 서 론 ······································································································································ 1

1.1 연구의 배경 및 목적 ·········································································································· 1

1.2 연구의 내용 및 방법 ·········································································································· 2

제2장 스마트 공장 특성과 국내외 도입 현황 ·········································································· 3

2.1 스마트 공장의 정의와 특성 ······························································································ 3

2.2 해외 스마트 공장 도입 배경과 관련 정책 현황 ·························································· 7

2.2.1 독일 ····························································································································· 11

2.2.2 미국 ····························································································································· 12

2.2.3 일본 ····························································································································· 13

2.2.4 중국 ····························································································································· 15

2.3 국내 스마트 공장 관련 정책과 도입 현황 ·································································· 15

2.4 소결
······································································································································ 17

제3장 최근 기술 변화가 일자리에 미치는 효과 ···································································· 19

3.1 기술 변화의 고용효과에 대한 이론과 한계 ································································ 19

3.2 주요국의 거시 경제적 고용 변화 ·················································································· 21

3.2.1 미국 ····························································································································· 21

3.2.2 독일 ····························································································································· 22

3.2.3 OECD 19개국 ············································································································ 22

3.3 주요 기업 및 작업장의 고용 변화 ················································································ 24

3.3.1 미국, 아마존 ·············································································································· 24

3.3.2 독일, 아디다스 ·········································································································· 28

3.3.3 독일, 지멘스 ·············································································································· 31

3.3.4 독일, 바스프 ·············································································································· 32

3.3.5 독일, 보쉬 ·················································································································· 34

3.3.6 독일, 쿠카 ·················································································································· 36

3.3.7 독일, 하르팅 ·············································································································· 38

3.3.8 독일, 비제바 ·············································································································· 40

3.3.9 독일, 오토 보게 ········································································································ 42

3.3.10 일본, 미쓰비시전기 ································································································ 44

3.3.11 일본, 화낙 ················································································································ 45

3.3.12 일본, DMM.make AKIBA ···················································································· 46

3.4 소결
······································································································································ 47

- XI -
제4장 스마트 공장 도입에 따른 고용변화 전망과 주요국의 정책 대응 ·························· 49

4.1 기술변화로 인한 고용과 소득분배 변화 전망 ·························································· 49

4.1.1 기술변화로 인한 거시적 고용변화 전망 ····························································· 49

4.1.2 기술변화로 인한 소득분배구조 변화 전망 ························································· 54

4.2 스마트 공장에서의 인간과 기술 간 협업구조 전망 ·················································· 55

4.2.1 자동화 기술과 대체관계 또는 보완관계에 있는 역량 및 자질 분석 ············ 55

4.2.2 기존의 작업 프로세스와 인력배치 구조 변화 ··················································· 62

4.3 주요국의 제조업 혁신 및 관련 노동 정책 ·································································· 63

4.3.1 독일 ····························································································································· 63

4.3.3 일본 ··························································································································· 64

4.4 소결 ······································································································································ 66

제5장 스마트 공장 도입에 따른 직무 교육의 현황과 문제점 ············································ 69

5.1 현재 우리나라의 대처 방향 및 직업능력 교육 현황 ················································ 69

5.1.1 우리나라의 직업훈련 체계와 현황 ······································································· 69

5.1.2 스마트 공장 관련 교육 현황 ················································································· 71

5.1.3 4차 산업혁명 대응 교육 개혁방향 ······································································· 72

5.2 필요역량에 비추어 본 직업능력 교육방향 개선점 ···················································· 74

5.3 소결 ······································································································································ 79

제6장 결론 ······································································································································ 81

참고문헌 ·········································································································································· 85

- XII -
 표 차례
<표 2-1> 스마트공장의 수준별 구현 형태 ················································································ 6

<표 2-2> 스마트공장의 기능별 구현 형태 ················································································ 7

<표 2-3> 각국의 제조업 혁신 정책 ···························································································· 8

<표 2-4> 각국의 제조업 혁신 정책의 성격 ·············································································· 9

<표 2-5> 우리나라의 스마트공장 단계별 보급 현황, 2016년말 기준 ······························· 16

<표 3-1> 스마트공장 도입의 순고용 증가 조건 ·································································· 20

<표 3-2> 쿠카의 매출 및 고용 변화, 2010-2016 ···································································· 37

<표 3-3> 하르팅의 매출 및 고용 변화, 2010-2016 ································································ 39

<표 3-4> 비제바의 매출 및 고용 변화, 2010-2016 ································································ 40

<표 3-5> 오토 보게의 매출 및 고용 변화, 2010-2016 ·························································· 43

<표 4-1> 15개국 직종별 고용 전망, 2015-2020 ······································································ 50

<표 4-2> 핵심적인 업무 관련 스킬 ·························································································· 55

<표 4-3> 산업별 스킬 수요, 2015년과 2020년 ······································································· 56

<표 4-4> 산업별 스킬 공급, 2015년과 2020년 ······································································· 56

<표 4-5> 업무의 자동화를 막는 스킬 종류 ·········································································· 61

<표 4-6> 연구별 스킬 셋 분류································································································ 62

<표 4-7> 일본 고용구조 변화 전망: 직업별 종사자 수 ······················································· 65

<표 5-1> 국가 직업능력개발 지원제도 ···················································································· 69

<표 5-2> 연도별 직업능력개발 훈련실시 현황 ···································································· 70

<표 5-3> 2016년도 고용노동부 직업능력개발 사업실적 ···················································· 70

<표 5-4> 평균 수강생 수가 많은 과정 ···················································································· 76

<표 5-5> 자동화 위험 정도별 주요 훈련과정 ········································································ 77

<표 5-6> 직능수준별 훈련생 수 평균 ······················································································ 78

<표 5-7> 직능수준별 자동화 위험도 ························································································ 78

<표 5-8> 스마트공장 도입의 순고용 증가를 위한 정책 제언 ············································ 80

- XIII -
 그림 차례
<그림 2-1> 스마트 공장의 세 가지 기능 영역 ········································································ 4

<그림 2-2> 스마트 공장과 비즈니스 프로세스 ········································································ 5

<그림 2-3> 국가별 자본 투자 수익의 변화, 2000-2014년 ···················································· 10

<그림 3-1> 아마존의 분기별 직원 수

······················································································ 26

<그림 4-1> 활동을 고려한 산업별 자동화 정도(예상), 미국 ··············································· 51

<그림 4-2> OECD 국가별 자동화 위험에 처한 노동자 비중 ············································· 53

<그림 4-3> 주요국의 탈동조화(좌)와 소득분배(우) ······························································· 54

<그림 4-4> 직업에 필요한 상위 25% 스킬 개수 ··································································· 59

<그림 4-5> 2006년과 2014년 사이의 평균 스킬 요소 변화 ················································ 60

<그림 4-6> 기술 변화로 인한 직무 변화 자동차 생산과 서비스 기술자의 경우 ·········· 63

<그림 4-7> 스마트 공장에 필요한 기술 프로파일 ································································ 67

<그림 5-1> 한국-미국의 자동화 위험도 분포 비교 ······························································· 74

<그림 5-2> 국가기간전략산업 훈련과정의 Kernel 분포 ······················································ 75

<그림 5-3> 실업자계좌제 훈련과정의 Kernel 분포 ······························································ 75

- XIV -
스마트공장 도입이 고용에
미치는 효과 연구 – 해외
사례를 중심으로

2017. 12.
 제1장 서 론
1.1 연구의 배경 및 목적
본 연구에서는 스마트공장 도입 확산으로 일자리가 줄어들 것이라는 우려1)가 제기됨에
따라 우리나라보다 앞서 스마트공장 구축이 진행된 해외 사례 및 연구결과 등을 통해 실
제 고용변화를 분석하고, 스마트공장 도입 확산이 일자리 증가로 이어질 수 있도록 하는
정책 제안을 하고자 한다.
스마트 공장에 대한 개념은 다양하게 제시2)되고 있지만, 공통적으로 확인되는 점은 제품
의 기획, 제조, 유통의 전 생산과정에서 유용한 데이터를 수집하고, 수집된 데이터로 각각
의 과정을 유기적으로 통합하여 개별 소비자의 요구에 맞는 제품을 단기간에 공급할 수
있는 개인 맞춤형 유연생산체계를 구현하려는 데 목표를 두고 있다는 점이다.
스마트 공장의 발달은 그 기능에서 보듯 생산과정에서 수집되는 빅데이터와 이를 처리
하는 인공지능, 이 두 가지의 기술 변화에 크게 영향을 받을 것으로 예상된다. 이러한 기
술은 스마트 공장뿐만 아니라, 넓게 보아 제4차 산업혁명을 이끄는 일반목적기술(GPT:
General Purpose Technology)3)로 쓰일 가능성이 높다. 그런 면에서 스마트 공장이 가져올
고용에서의 변화는 스마트 공장에 국한해서 이해하기보다는 제4차 산업혁명의 기술 변화
가 고용에 미치는 영향이라는 더 큰 흐름 속에서 이해해야 할 것이다.
스마트 공장의 도입은 고용과 관련하여 다음의 세 가지 질문을 던진다. 첫째, 고용의 양
이 어떻게 변할 것인가? 둘째, 고용의 질이 어떻게 변할 것인가? 셋째, 파생된 고용 문제
를 어떻게 해결할 것인가?
이 글에서는 현재까지 제시된 국내외의 다양한 연구 결과, 기업 사례, 통계 자료를 토대
로 이 세 가지 질문에 대한 잠정적 답을 제시하고자 한다. 따라서 본 연구는 정부 정책에
따라 스마트공장 도입이 확산되고 있는 상황에서 스마트공장 도입이 고용에 미치는 효과
를 분석하고 스마트공장 도입 확산이 생산성 향상을 통해 고용의 질을 높이고, 더 나아가
양질의 고용 확대로 이어질 수 있도록 지원하는 현실성 있는 정책 대안 마련을 위한 기초
자료가 될 것이다.

1) 최근 기술 변화는 그 이전의 어떤 기술 변화보다 광범위한 일자리의 감소를 가져올 것이라는 부정적인 전망이 많이
제시되고 있다. 그러나 이에 반대되는 긍정적인 전망도 많으며, 이 두 견해에서 대해서는 4장 1절에서 소개했다.
2) 우리나라 정부의 스마트 공장에 대한 정의는 2장 1절, 독일, 일본, 미국, 중국 등의 정의는 2장 2절에서 확인할 수
있다.
3) 일반목적기술은 다양한 분야에서 광범위하게 사용될 수 있는 잠재력이 있고, 기술 발달에 따라 사회경제 전 영역에
확산됨으로써 생산성 향상을 일으킬 수 있는 특징을 갖고 있다 (Bresnahan & Trjtenberg 1995). 예를 들어, 내연
기관은 자동차, 트럭, 비행기 등의 운송수단을 발달시켰지만, 동시에 교외에서의 생활, 대형 쇼핑센터의 등장, 새로
운 공급망의 구축 등도 가능하게 했다.

- 1 -
1.2 연구의 내용 및 방법
본 연구는 해외 사례 및 해외 연구결과를 국내외 문헌연구 및 통계자료 분석과 결합하
여 국내에서의 스마트공장 도입이 고용에 미치는 효과를 분석하고자 했으며, 이를 토대로
향후 고용정책의 기본 틀을 제시하고자 했다.
구체적으로는 2장에서는 스마트 공장의 정의와 특성, 그리고 스마트 공장 도입을 둘러싼
독일, 일본, 미국, 중국 등 주요국의 제조업 부흥정책을 정리했고, 마지막으로 우리나라의
스마트 공장 도입 현황과 관련 정책을 살펴보았다.
3장에서는 기술 변화가 고용에 미치는 효과에 대한 이론을 살펴보고, 지난 30년간 정보
통신기술과 로봇 등의 도입이 거시 경제적 고용에 미치는 효과를 정리했다. 끝으로 스마트
공장 또는 첨단 무인시스템을 설치한 미국, 독일, 일본의 기업 또는 작업장 사례를 제시했
다.
4장에서는 스마트 공장과 더 나아가 기술 변화로 인한 미래 고용변화 전망을 제시하고,
미래에 요구되는 필요 역량을 정리했다. 나아가 고용의 양 뿐만 아니라 고용의 질과 고용
관계의 변화를 준비할 필요가 있음을 역설했다. 이러한 미래 전망을 토대로 미국, 독일, 일
본 등 주요국의 관련 노동 정책을 살펴보았다.
5장에서는 앞에서의 기술 변화 예측과 해외 주요국의 대응 기조를 토대로 우리나라의
직무 재교육 현황을 검토하고, 중앙 및 지방정부 수준에서 중소/중견 기업 인력의 기술 갭
을 극복할 수 있는 평생학습체계를 제시였다. 이러한 미래 직무 재교육 및 인력재배치 지
원 정책의 프레임을 토대로 기업은 내부의 기술 갭을 극복하고 혁신 촉진형 인력운영 체
제로 전환하여 경쟁력을 높일 수 있을 것으로 기대된다.

- 2 -
 제2장 스마트 공장 특성과 국내외 도입 현황
2.1 스마트 공장의 정의와 특성
2000년대 후반 들어 제조업이 3D 프린터, 사물인터넷, 빅데이터, 인공지능 등의 신기술
과 결합하면서, “설계 – 생산 – 판매”의 전 과정과 소비자 반응까지의 모든 가치사슬 정
보를 파악하고 실시간 업데이트를 통해 전 공정을 최적화할 수 있는 생산혁명이 벌어지고
있다.
스마트 공장은 이러한 생산혁명의 총아로서, 정보통신기술(ICT)과 설비 및 자동화 솔루션
이 융합되어 시장과 고객이 요구하는 스마트제품을 적시에 생산·납품할 수 있도록 실시
간 의사결정과 운영체계가 최적화된 지능형 공장을 의미한다. 여기에서 스마트제품은 언제
어디에서 누가 어떻게 생산하고 납품하였는지에 관한 정보를 내재하고 있는 제품을 가리
킨다(산업통상자원부, 민관합동 스마트공장 추진단 2017).
결국 스마트 공장은 제품의 기획, 제조, 유통 등 전 과정을 통합하고 소비자의 요구에
기반한 제품 생산이 실시간으로 적용되는 공장이라 할 수 있다. 스마트 공장은 공장 자동
화와 유사한 것으로 여겨지지만, 사람의 노동력을 기계로 대체하는 것에서 더 나아가, 다
양한 장소에서 다양한 방법으로 수집된 정보를 바탕으로 공정 최적화나 생산 스케줄 수립
등에 대한 의사결정을 실시간으로 내릴 수 있도록 하는 것을 목표로 한다는 점에서 차이
가 있다(고재진, 이규택 2015).
가치 사슬에서 발생하는 모든 정보를 수집하고, 이를 토대로 최적의 의사결정을 내리는
수준의 시스템 구축을 단번에 달성할 수는 없기 때문에 현 단계에서는 기계의 가동 상태
파악 및 파손 예측, 원격 관리를 통한 기계 및 장비의 효율 또는 안전성 확대, 제품의 오
류 발생 가능성 판단 및 예측, 생산성 향상과 비용 절감을 현실적인 목표로 하고 있다.
따라서 개념상 스마트 공장이 성공하기 위해서는 독립적인 하나의 공장 시스템만이 중
요한 것이 아니라, 그 공장에 부품과 재료를 공급하는 업체까지 연결되어 최적화가 진행되
어야 한다(장재현, 정재훈 2016).
스마트 공장의 구체적인 형태와 적용되는 구체적 기술은 산업 및 개별 공장의 특성에
따라 상이하게 나타나겠지만, <그림 2-1>에서 도식화한 것처럼 “감지, 판단, 수행”의 세
가지 영역에서 변화를 이끌어낼 것이다(딜로이트 안진 2015). 감지 영역에서는 소비자 요
구 사항, 제품 수명 등의 상품 개발에 유용한 정보, 생산 장비, 인력 운영 등의 생산 과정
정보, 판매 실적, 재고 현황 등 시장 정보 등 생산 환경과 관련된 다양한 정보의 수집이
이루어진다. 판단 영역에서는 감지된 정보를 바탕으로 사전에 분석하고 정의된 기준에 따

- 3 -
라 생산 전략을 결정하거나 수정한다. 수행 영역에서는 판단 결과가 실시간으로 생산 환경
에 적용될 수 있도록 네트워크를 통한 생산설비 제어가 이루어진다.

그림 2-1> 스마트 공장의 세 가지 기능 영역

<

출처: 딜로이트 안진 (2015), p. 64.

이 세 가지 기능은 가치 사슬의 각 단계에 영향을 주어, 그 결과 스마트 공장에 적합한
새로운 생산조직이 나타날 것이다. 스마트 공장의 생산조직 변화는 세 개의 비즈니스 프로
세스와 이를 지원하는 과정으로 나누어 생각해볼 수 있다. <그림 2-2>는 비즈니스 프로세
스와 지원 과정을 그림으로 보여준다(KPMG 2016, pp. 22-28).
비즈니스 프로세스는 크게 고객관계 관리, 제품 수명주기 관리, 제품 납품 관리로 구성
된다. 고객관계 관리(CRM: Customer Relationship Management)에서는 마케팅과 판매가 진
행된다. 제품 수명주기 관리(PLM: Product Lifecycle Management)는 제품 창조과정과 관련
되어 있다. 제품 납품 관리(PDP: Product Delivery Process)는 제품 공급과정이라고 볼 수
있다. 이러한 비즈니스 프로세스는 경영, 재무, 구매, 인적자원관리, 품질관리, 정보기술 및
기타 업무의 지원을 받게 된다.

- 4 -
 그림 2-2> 스마트 공장과 비즈니스 프로세스
<

출처: KPMG (2016) pp. 22-23

스마트 공장의 도입으로 기업은 비즈니스 프로세스의 각 과정에서 효율성의 향상과 더
불어 도입 이전과 차별화된 성과를 얻을 수 있을 것으로 기대된다. 고객관리 측면에서 기
업은 고객의 디지털 정보를 최대한 확보할 수 있게 되어, 고객 관계를 재구성하고 이를 토
대로 고객의 기대와 계약을 충족시켜 고객을 유지(retention)할 수 있다. 제품창조 측면에
서 기업은 시장과 고객의 요구사항을 더 명확하게 이해하고, 그에 따라 맞춤형 제품 포트
폴리오를 구성하여, 목표로 하는 고객이 필요로 하는 제품을 생산할 수 있게 될 것이다.
제품 공급과정에서는 고객의 요구사항과 생산 역량을 실시간으로 반영하여, 필요한 자원에
대한 예측 정확성을 높이고, 더 체계적인 생산계획을 수립하며, 이에 따라 구매를 효과적
으로 함으로써, 생산 효율성을 극대화할 수 있을 것이다.
우리나라에서는 앞에서 정리한 생산조직의 변화에 정보통신기술(ICT)이 어느 정도로 활
용되고 있느냐에 따라 스마트 공장의 수준을 “기초-중간1-중간2-고도화”의 4단계로 구
분하고 있고, 이는 다시 총체적 관점에서의 수준과 기능별 수준이라는 두 기준으로 나누어
볼 수 있다. 이 분류는 우리나라 중소/중견 기업이 스마트 공장 구축을 위한 대규모의 자
체 투자 여력이 부족하기 때문에 점진적 발전을 뒷받침할 단계적 발전전략이 필요한 상황

- 5 -
에서 단계 간의 통합성과 인터페이스를 유지할 수 있도록 지원하기 위해서 사용되고 있다
(고재진, 이규택 2015; 산업통상자원부, 민관합동 스마트공장 추진단 2017).

<표 2-1> 스마트공장의 수준별 구현 형태

구분 기초 중간1 중간2 고도화

생산 이력 및 실시간 생산 실시간 공장 설비 및 시스템의

공장 운영
불량 관리 정보수집 및 관리 자동제어 자율 생산

다기능 지능화
바코드, RFID 등을 센서 등 활용 설비 PLC 등을 통한
자동화 단계 로봇과 시스템 간
활용한 자동화 관리 실시간 시스템연동
유무선 통신

인력, 기계, 자재, 인력, 기계, 자재,

사물 인터넷 대상 자재 인력, 기계, 자재
생산 방법 생산 방법, 환경

출처: 고재진, 이규택(2015), p. 10, 표 1; 산업통상자원부, 민관합동 스마트공장 추진단(2017), p. 9 재구성

기초 단계는 자재(material)에 사물 인터넷 기기를 부착하여, 생산 이력 및 불량 관리를
위한 데이터를 생성하는 수준이며, 생산된 데이터를 통한 의사결정은 이루어지지 않는 단
계이다. 중간 1단계는 기초 단계에서 생성된 데이터를 실시간으로 수집 관리하여 생산 설
비를 관리할 수 있는 수준이다. 중간 2단계는 생성된 데이터를 토대로 실시간 공장 자동제
어까지 나아가는 것으로 이를 위해서는 생산 인력, 기계, 자재의 이력과 생산방법이 하나
로 통합되어야 한다. 고도화 단계는 생산 공정 수준을 뛰어넘어, 시장 환경의 데이터를 수
집하고, 이를 생산 공정에 반영하는 것까지 달성한 수준이다.
<표 2-2>는 기능별 수준에서의 4단계 분류를 보여주고 있는데, 분류 기준은 현장 자동화
와 공장운영, 제품 및 공정 설계/개발, 공급 사슬관리 및 운영 최적화, 기업자원 관리이다
(산업통상자원부, 민관합동 스마트공장 보급단 2017). 기초 단계에서는 단일 생산 현장의
데이터 수집을 자동화하고 이를 통해 공정 및 물류 관리의 효율성을 꾀할 수 있다. 중간과
고도화 단계로 나아가면서 수집된 데이터를 토대로 의사결정과 제어 능력을 향상시키고,
또한 단일 공장 범위에서 벗어나 다른 생산시설 또는 기업과의 협업을 늘려나갈 수 있다.
이를 통해 생산의 전 과정이 자동화되어 간다. 마지막으로 고도화 단계에서는 상품 생산과
관련된 모든 관계자가 연결되어, 소비자의 니즈까지 반영하는 고객 맞춤형 생산체제를 달
성할 수 있을 것으로 기대된다.

- 6 -
 < 표 2-2> 스마트공장의 기능별 구현 형태
구분 기초 중간1 중간2 고도화
설비데이터 고객맞춤형
현장자동화 실적 집계 자동화 설비제어 자동화
자동집계 생산체제
공장운영 공정물류관리 실시간 의사결정 실시간 공장제어 가상화 및
관리 기능 중심 분산컴퓨팅 기반의
기업자원관리 기능 간 통합 공장 운영 통합
기능 개별 운용 공장 통합 운영/
실시간 공장관제
기술 구현/
서버를 통한 기술 정보 생성 시뮬레이션과 일괄 고객의 니즈를
제품 및 공정 개발
기술/납기 관리 자동화와 협업 프로세스 자동화 반영한 실시간
제품 설계 및 생산

공급사슬 관리 및 가상-물리 시스템

단일 모기업 의존 다품종 생산 협업 다품종 개발 협업
운영 최적화 기반의 협업
출처: 산업통상자원부, 민관합동 스마트공장 추진단(2017), pp. 10-14 재구성

2.2 해외 스마트 공장 도입 배경과 관련 정책 현황

스마트 공장의 도입은 유연한 생산체계를 통해 효율성을 높일 수 있을 것으로 기대된다.
많은 선진국들은 신흥국 기업이 빠르게 선진 제조기업의 생산기술을 따라잡음에 따라 기
존의 핵심부품, 소재, 특허, 설비가 아니라, 사물인터넷, 클라우드 컴퓨팅, 빅데이터, 인공
지능 등 주요 ICT 기술을 제조업에 적용하여 제조업의 비교우위를 되찾고자 했다(장재현,
정재훈 2016).
독일이 2011년 “인더스트리 4.0(Industrie 4.0)의 기치를 내세운 후, 우리나라를 비롯하여
미국, 영국, 일본, 중국 등도 스마트 공장 도입 정책을 제시하고 있다. <표 2-3>은 주요 국
가의 제조업 혁신 정책의 표어와 목표를 간략하게 정리한 것이다.
현재로는 제조업의 선두에 있는 독일, 미국, 일본, 중국이 스마트 공장 도입에 적극적이
지만, 구체적인 계획과 방향에서는 자국의 비교우위에 따라 차이를 보이고 있다. 독일은
기계 설계, 제조 기술, 기계 운용과 관련된 산업 소프트웨어와 엔지니어링 기술력이 좋지
만, 일반적인 ICT 기술력은 다소 취약한 면을 갖고 있다. 새로운 하드웨어 개념을 제시하
고 이를 양산까지 연결시키는 개념설계 역량의 우위가 있다. 미국은 항공우주, 차량, 제약
산업이 경쟁우위에 있고, ICT 전반의 기술력과 혁신력이 뛰어나다. 새로운 사업 모델의 기
획과 전 세계 부품과 제조 기업을 연결해 생산하는 공급사슬관리(SCM) 사업운영 역량이
탁월하다. 일본은 과거보다 세트 부문의 경쟁력이 하락했음에도, 전자 소재, 부품, 장비,

- 7 -
계측, 센서 분야는 세계 최고 수준이며, 현장 개선력에 입각한 공정기술에서 우위를 점하
고 있다. 중국은 세계 제조업 1위 국가이긴 하지만, 핵심기술력 부족, 낮은 품질, 자원이용
효율성, 산업 구조 등을 해결해야 한다는 판단 아래, 중국 제조 2025를 내세웠다(나준호,
최드림 2016; 이재원 2016; 中国工程院 2017).

<표 2-3> 각국의 제조업 혁신 정책

국가 연도 정책명 목 표

인더스트리 4.0 BITKOM, VDMA, ZVEI의 주도로

독일 2011
(Industrie 4.0) 맞춤형 유연생산체계 달성

선진 제조 파트너십 2.0 좋은 제조업 일자리 창출과

미국 2011
(Advanced Manufacturing Partnership 2.0) 미국의 세계 경쟁력 증대

캐터펄트 프로그램 제조업이 국내총생산에서 차지하는

영국 2011
(Catapult Programme) 비중을 2배로 증대

지능형 공장 클러스터 연구 개발 증진을 위해

이탈리아 2012 (Cluster Technologico Nazionale Fabvrica 이탈리아의 제조업 커뮤니티 형성을
Intelligente) 위한 4개 프로젝트

지능형 공장 클러스터
벨기에 2014 (Made Different: Enabling Factories of 미래의 공장 개발을 지원
Future)

중국제조 2025 10대 분야에서의 디지털화와 현대화로

중국 2014
(中国制造2025) 제조업 강국으로 발돋움

신기술에 기반한 제조업 생태계 형성과

한국 2015 제조업 혁신 3.0
스마트 공장 개발 지원

재흥전략/로봇혁명이니셔티브 서비스 산업 생산성 향상과

일본 2015
(再興/ロボット革命イニシアティブ) 2020년까지 로봇 보급 증대

미래의 산업 자동차, 전기 비행기 등의

프랑스 2015
(Alliance Industrie du Futur) 특정 상품 개발 지원

출처: Rolandberger(2016), p. 10 재구성

- 8 -
 이러한 산업별 우위에 따라 독일, 미국, 일본, 중국이 목표로 하는 스마트 공장과 도입
방식에도 차이가 있다. <표 2-4>는 이를 정리한 것이다. 독일과 일본은 자국의 스마트 공
장을 통해 자국의 제조업 경쟁력을 향상시키고, 생산설비 분야에서의 강점을 유지하기 위
해 해당 솔루션의 기술적 우위를 유지하고자 한다. 나아가 작업장 단위에서 노동자의 불편
함을 개선하고, 일을 삶에서 의미 있는 것이 되도록 만드는 데도 목표를 두고 있다. 미국
은 이보다는 새로운 비즈니스 모델 개발에 강조를 두고 있다. 또한 혁신을 촉진하기 위한
디지털 스타트업과 비즈니스 생태계 관련 플랫폼 구축도 주요한 목표이다.

표 2-4> 각국의 제조업 혁신 정책의 성격

<

목 표 방 법 국 가

가치 창출과 노동 민감성 개선, 경쟁력 향상,

독일, 일본, 미국, 중국
경쟁력 증진 진입 장벽 설치

새로운 비즈니스
개인맞춤형 제품을 대량생산 비용으로 생산 프랑스, 독일, 일본, 미국
모델 개발

해당 솔루션의 기술과 표준 개발,

독일, 중국, 한국
글로벌 리더십 획득 수출용 솔루션 개발

수요 변동에 대응하는 유연한 생산라인 구축,

내부화와 위험 관리 독일, 일본, 중국, 한국
지리적 확장에 따른 자본비용 감소

디지털 스타트업과 생태계와 관련된 플랫폼 창출,

프랑스, 중국, 미국
생태계 인큐베이터와 클러스터를 활용한 혁신 촉진

작업장에서의 작업장에서의 불편함 감소,

프랑스, 독일, 일본
피고용자 만족 일을 삶에 의미 있는 것으로 만듦

지속 가능성과
천연자원 사용의 감소, 산업 이미지 개선 프랑스, 일본
이미지

출처: Rolandberger(2016), p. 12 재구성

- 9 -
 아직 스마트 공장이 전 산업에 보급되지 않았음에도, 독일과 미국의 제조업은 긍정적 성
과를 나타내고 있다. 미국은 자동화로 인한 이윤 증가 효과를 누리고 있고, 독일은 이윤과
자산 회전율이 모두 상승하고 있다. 반면, 제조업 혁신에 상대적으로 소홀한 프랑스, 일본,
이탈리아는 저조한 성과를 보이고 있다(그림 <2-3> 참고). 이후에서는 주요국의 제조업 혁
신 정책을 좀 더 살펴보고자 한다.

< 그림 2-3> 국가별 자본 투자 수익의 변화, 2000-2014년

주: 제조업, 광업, 공공 산업만 평가

출처: Rolandberger (2016) p. 9

- 10 -
 2.2.1 독일
독일은 정부 주도로 주요 선진국 중 가장 앞선 2011년부터 인더스트리 4.0이라는 기치
아래, 기업, 정부, 학계가 공동으로 제조 시스템의 수직 통합을 목표로 하는 스마트 공장
구축에 집중하고 있다. 여기에는 다음의 두 가지 사회 경제적 환경 변화를 배경으로 하고
있다. 첫째, 국제적 경쟁압력 증대로 산업의 디지털 기술 도입 필요성이 대두되었다. 둘째,
환경 친화적이고 지속적인 성장을 위해 자원의 효율적 사용, 에너지 사용의 고도화, 경량
화 기술 등에 대한 수요가 증대되었다.
인더스트리 4.0은 2012년 독일 연방정부의 프로젝트인 “하이테크 전략 2020”에 포함되
면서 경제에너지부를 주관부처로 하는 연방정부 예산지원 사업이 되었지만, 그 이전부터
민간 주도의 연구가 활발했다. 1999년부터 사물인터넷(IoT)을 생산에 활용하고자 하는 연구
가, 2000년부터는 개인 맞춤형 제품 생산에 대한 연구가, 2006년부터는 사이버 물리 시스
템(cyber-physical system)과 서비스 인터넷(IoS)에 대한 연구가 시작되었지만, 가시적으로
긍정적인 결과를 얻지 못했다. 기존의 관련 연구를 통합하여 2011년 공식적으로 인더스트
리 4.0에 대한 공개 연구가 시작되었으며, 이후 10개월의 논의를 거쳐 하이테크 2020 실행
계획에 포함되기에 이르렀다. 2012년 10월 인더스트리 4.0의 1차 초안이 발표되었고, 2013
년 4월 최종 제안이 완성되었으며, 2015년 수정·보완 대책이 발표되었다(김은 2017).
독일 인더스트리 4.0은 최첨단 정보통신기술과 제조업의 융합을 통해 제조업의 완전한
자동화와 모든 생산과정의 최적화를 목표로 한다. 좀 더 구체적으로는 사이버 물리 시스템
(CPS: Cyber-Physical System) 기반의 스마트 공장을 구축하는 것을 목표로 한다. 사이버
물리 시스템은 소프트웨어로 만들어진 사이버 세계와 로봇, 제조기계 등의 물리적 세계를
통합한 시스템이다. 물리적 세계와 똑같은 가상의 사이버 세계를 만들고, 이를 통해 물리
적 세계를 자동화하고 지능적으로 제어할 수 있다(Forschungsunion & Acatech 2013; 이재
원 2016). 그러한 시스템을 기반으로 생산과정의 수직적·수평적 통합, 고속화와 엔지니어
링 고도화 등을 구현할 수 있다.
➀ 수직 통합: 네트워크화되고 자율화된 생산시스템으로 더욱 유연하고 효율적인 생산
및 유지 관리 체계 실현
➁ 글로벌 가치 사슬에 의한 수평 통합: 기업의 경계를 초월한 가치 네트워크 구축으로
최적화 실현
➂ 첨단기술을 통한 고속화: 인공지능, 로봇 공학, 센서 등에 의해 제품의 개별화, 유연
화 속도를 가속화하여 시간 및 비용을 절감

- 11 -
 ➃ 생애주기를 일괄하는 엔지니어링: 제품 및 고객의 생애주기 전반을 대상으로 하는 엔
지니어링으로 공급망의 최적화 실현
보쉬(Bosch), 에스에이피(SAP), 지멘스(Siemens) 등의 대표 기업은 각각 자동차 부품, 산
업 소프트웨어, 종합자동화 솔루션 등에 강점이 있기 때문에 이 기업들이 관련 플랫폼을
만들고, 페스토(FESTO, 유압부품), 아이에프엠(ifm, 센서) 등 연관 중소·중견 기업이 거기
에 참여하는 방식으로 사이버 물리 시스템을 구현하고 있다.
독일의 인더스트리 4.0은 일차적으로는 센서 등을 이용하여 생산 공정 데이터를 취합함
으로써 고장 등에 대한 예방 대응, 제조기기 및 부품 생산의 수요 및 재고에 대한 신속 자
율 대응, 대량생산과 동등한 비용으로 소비자의 요구에 부합하는 맞춤형 주문 생산 등을
가능케 하는 스마트 공장을 건설하고, 나아가 장기적으로 모든 공장을 연결해 독일 전체를
거대한 네트워크형 산업단지로 전환하고자 한다. 지멘스의 암베르그(Amberg) 공장, 비엠더
블유(BMW)의 레겐부르그(Regensburg) 공장, 아디다스(Adidas)의 안스바흐 스피드 팩토리
(Ansbach speed factory)가 현 단계의 대표적 사례들이다.

2.2.2 미국
미국 정부도 2007년 금융위기 이후 제조업 부활에 정책적인 초점을 맞추어 첨단 제조
(advanced manufacturing), 스마트 제조(smart manufacturing)를 위한 R&D 예산 확충 및
프로그램을 추진해왔다. 민간차원에서는 IIC(Industrial Internet Consortium)와 OCE(Open
Connectivity Foundation)이 자율적인 컨소시엄을 형성하여 기술 개발을 주도하면서 산업인
터넷(industry internet) 기술의 발전과 적용 확산을 촉진하기 위한 참조모델, 보안체제, 공
개표준을 만들어 새로운 산업생태계를 조성하고 있다.
아마존(Amazon), 마이크로소프트(Microsoft), 아이비엠(IBM) 등 전통적인 ICT 관련 대기업
들이 클라우드, 소프트웨어, 인공지능 분야에서의 비교우위를 토대로 산업인터넷 구축에
관심을 보이고 있으며, 허니웰(Honeywell), 록웰(Rockwell) 등의 전통적인 자동화 장비 기업
이 소프트웨어나 네트워크 기술 역량을 보강하고 있는 양상이다.
미국은 사회 전체적인 변화보다는 기존 기계나 공장에 사물인터넷을 접목하고 빅데이터
를 분석해 즉각적인 생산성 개선을 이루는 것을 주요한 목표로 하고 있으며, 인도 푸네
(Pune)에 건설한 제너럴 일렉트릭(GE)의 브릴리언트 공장(brilliant factory)이 대표적이다.

- 12 -
 2.2.3 일본
일본 정부는 미국이나 독일 정부보다 늦은 2015년 “일본 재흥전략 2015”를 수립하고,
경제사회 시스템 고도화를 목표로 내세웠다. 동년 8월, ‘스마트 매뉴팩처링 특별위원
회’(이하 특별위원회)가 발족되었다. 특별위원회에는 일본 전기공업협회의 회원뿐만 아니
라 대학과 국내 관련 단체가 참여하고 있다. 특별위원회는 일본 제조업의 핵심 경쟁력을
“생산 현장에서 품질 등의 문제를 적극적으로 발견하고 근본 원인을 찾아내어 문제를 개
선해 나가는 사람의 행동 양식”에 있다고 평가한다. 이에 따라 제조 현장의 노하우를 분
석·분해하여 일반적인 요소를 추출하고, 이를 서비스 품질 관리 및 비용 관리에 적용시키
고자 한다(スマートマニュファクチャリング特別委員会2017).
특별위원회는 2030년 미래 제조업의 모습을 변화시킴과 동시에, 사용자의 필요에 따라
유연하게 비즈니스를 구축하고 생산의 조합을 바꾸는 ‘FBM(flexible business &
manufacturing)’을 제안하고 있다. FBM은 독일의 인더스트리 4.0 등에서는 지금까지 크게
다루어오지 않았던 비즈니스를 모델 내에 도입하려는 시도이다. 특별위원회에서는 미래 제
조업의 청사진을 그리기 위해 그룹토론 기법을 사용하여 논의의 범위를 넓히고 있으며, 미
래의 제조업에 영향을 미치는 트렌드 분석도 시행하고 있다. 특별위원회는 FBM의 구현과
이에 관한 일반적인 이해를 돕기 위해 3개의 워킹그룹으로 나누어 각각의 주제에 대해 논
의를 실시했다. 워킹그룹 1은 FBM 아키텍처의 정의를 주로 다루고, 워킹그룹 2는 미래 생
산을 테마로 FBM 방식을 검토하고, 워킹그룹 3은 유연 사업(flexible business)의 사례를 수
집·정리하고 제조업의 서비스화를 검토하는 목표를 갖고 있다.
FBM 모델은 비즈니스의 ‘기반’으로 서비스 관련 요소인 ‘서비스 요소’, ‘서비스
부대 요소’, ‘서비스 결합 요소’, 가치사슬 관련 요소인 ‘가치사슬 요소’, ‘가치 요
청 요소’, ‘가치 제공 요소’ 등을 설정하고, 그것들을 결합하여 대상 비즈니스에 적용
하고자 한다.
기반은 주로 다음의 4가지 기능―➀ 사업으로서의 모델 요소 통합 관리 (서비스 요소 연
결기술 포함), ➁ 서비스 요소 간 조정(코디네이션) 처리, ➂ 금융 · 보험, 품질 · 보안
기능, ➃ 평가 방법의 제공 (평가식 등에 의한 연산)―을 갖고 있고, 일반적으로 하나의 사
업이 하나의 기반에 근거한다고 볼 수 있으며, 이를 통해 비즈니스의 다양한 평가가 가능
해진다.
기반에는 이미 평가 방법이 내포되어 있는데, 이를 바탕으로 FBM 내 다양한 요소의 속
성 값을 정해진 순서대로 결합하고 계산하여 그 결과를 호출자에게 알려주게 된다. 예를

- 13 -
들면, 비즈니스의 규모(매출과 연동)와 사업영역의 범위(사업 도메인 수 기준), 비즈니스 효
율성(영업이익) 등의 속성 값을 추출하거나 여러 속성에서 직접 추출한 값을 이용하여 계
산할 수 있다.
서비스 요소는 인프라 내 가치의 변화를 일으키는 요소를 의미하며, 일반적으로 각종 서
비스 기능이 이에 해당한다. 예를 들어, ‘기획’, ‘제품 개발’, ‘생산’, ‘판매’등이
포함된다. FBM에서는 이들을 연계하여 하나의 사업을 구성하고자 한다.
서비스 부대 요소는 서비스 요소와 바탕이 되는 기능을 연결한다. 또한 이는 서비스를
실시하는 데 필요한 부대비용을 나타내는 요소이기도 하다. 기업의 관리 비용과 구내 물류
버퍼 로스 시간 등을 예로 들 수 있다.
서비스 요소의 크기 또는 범위는 사업에 따라 다양하기 때문에 구성에 따라 더욱 정교
하게 작은 모델 요소를 분석하기 위해 서비스 결합 요소를 따로 정의하고 있다. 서비스 결
합 요소에 여러 서비스 요소가 서비스 부대 요소 가치사슬로 연결되어 있다. 또한 서비스
결합 요소도 그 자체로 서비스 부대 요소에 의해 하위영역과 연결되어 있다. 따라서 서비
스 결합 요소를 적용하면 서비스 모델을 계층적으로 설명할 수 있기 때문에 보다 유연한
모델 기술과 클러스터링 기술이 가능해진다.
특별위원회는 새로운 생산모델로의 전환에서 다음의 네 가지 요소가 중요하다고 평가하
고 있다. 먼저, 수익성과 원가 경쟁력으로 "무엇을 어떻게 벌 것인가?”를 명확하게 하는
문제라 볼 수 있다. 하드웨어와 소프트웨어를 모듈화하고 재사용함으로써 리드 타임을 단
축하여 남들과의 차별화를 도모해야 한다. 그리고 참여자가 모두 이득을 얻을 수 있는 새
로운 이익 재분배방식이 필요하다.
그 다음으로, 변화 대응력이 중요하다. 환경의 변화에 ​​
대응하여 신속하게 사용자 대상을
재조합하거나 업체와의 연계를 실현할 수 있도록 운영 프로세스가 유연성을 가질 필요가
있다. 세 번째, 사회의 기술 동향을 파악하고 비전을 제시하며 사업 및 경영 자원의 선택
과 집중을 촉진하고, 기업의 방향성을 제시할 수 있는 전략이 필요하다. 마지막으로 코어
경쟁력을 확보해야 한다. 경쟁력의 원천이 되는 고유의 제품 특성 및 제조 특성이 무엇인
지를 파악하고 이에 대한 지적 재산권을 유지함으로써 핵심 경쟁력을 최대한 활용할 수
있어야 한다.

- 14 -
 2.2.4 중국
중국은 글로벌 금융위기 이후 연평균 성장률이 10%대에서 7%대로 하락함에 따라, 경제
구조의 고도화, 성장 동력의 전환이 필요하다는 인식을 배경으로, “중국제조 2025”와
“인터넷 플러스”라는 두 가지 정책축을 필두로 4차 산업혁명의 핵심 기술력을 고양하여
선진국과의 격차를 줄이고자 한다(中国工程院 2017).
“중국제조 2025”는 ① 혁신추진, ② 품질향상, ③ 친환경발전, ④ 구조최적화, ⑤ 인재
양성의 5대 이념을 토대로 2025년까지 제조 강국에 진입하고 2050년까지 제조 강국 중 최
상위 수준으로 도약하겠다는 목표를 세우고 있다.
이를 위해 제조업 혁신 역량 강화, 정보화와 산업의 융합 발전 도모, 산업 기초 역량 강
화, 고품질 브랜드 구축, 친환경 제조 추진, 핵심분야 발전 추진, 제조업 구조조정 추진,
서비스 제조업 및 생산형 서비스업 적극 촉진, 중국 제조업의 글로벌 수준 향상이라는 9
개의 전략적 과제를 제시하고 있다(国务院 2015; 周济 2015).
이중 정보화와 산업의 융합 발전이라는 전략적 과제의 하위 과제 중 하나로 스마트 공
장 도입이 다뤄지고 있다. 공업정보화부와 재정부는 2016년 “스마트제조 발전계획
(2016-2020)”을 발표했다. 혁신, 협력, 친환경, 오픈, 공유의 발전이념을 수립하고 “중국
제조 2025”의 실행을 위한 공급구조 혁신 배치를 추진한다는 목표 아래, 2단계 진행과 10
대 중점 임무를 제시했다(中华人民共和国工业信息化部 2016).
2020년까지 스마트 제조의 발전을 위한 기초와 기반 능력을 증강시키면서 전통적 제조
업 내 중점 영역에서 제조의 디지털화를 실현하고, 2025년까지는 스마트 제조기반 체계의
기본 형태를 만들면서 중점 영역을 스마트화로 전환한다는 2단계 전략 목표를 세웠다.
이를 위해, ➀ 스마트 제조장비 발전 가속화, ➁ 핵심 공유기술 혁신 강화, ➂ 스마트 제
조 표준체계 구축, ➃ 공업 인터넷 기초 구축, ➄ 스마트 제조 실험 시범구 보급, ➅ 중점
영역의 스마트화 전환, ➆ 중소기업의 스마트화, ➇ 스마트 제조 생태계 형성, ➈ 스마트
제조 협력 발전 추진, ➉ 스마트 제조 관련 인재 육성 등 10대 중점 임무를 내세웠다.

2.3 국내 스마트 공장 관련 정책과 도입 현황

우리나라 정부는 2014년 6월 “제조업 혁신 3.0 전략”부터 스마트 공장 보급 확산을
제 1 전략으로 내세우고 스마트 공장 설립에 박차를 가했다. 2016년에는 민간 재원 포함
1,341억원을 투입하여 2,805개 중소·중견 기업에 스마트 공장 구축을 지원했으며, 2017년
까지 2,600개 기업에 1,241억원을 투입함으로써 2017년 9월 누적 기준 스마트 공장 4,485개

- 15 -
를 구축했으며, 동년말까지 누적 5,000개 스마트 공장을 설립할 계획이다. 2018년에는
2,000개의 공장을 추가하여 총 7,000개의 스마트공장 설립을 목표로 설정했다(국회예산정
책처 2017).
정부 재정지원으로 구축된 2,800개 스마트 공장의 단계별 보급현황을 보면, 생산이력 추
적 및 관리가 가능한 기초단계의 공장이 전체의 76.4%였고, 고도화 단계의 공장은 없었다.
우리나라의 대기업은 중간2 등급 이상의 스마트공장을 구현하고 있지만, 대다수 중소기
업은 기초 이하의 수준에 머물러 있다고 봐야 한다.

<표 2-5> 우리나라의 스마트공장 단계별 보급 현황, 2016년말 기준

구분 기초 중간1 중간2 고도화

보급(개사) 2,139 601 60 0

비율(%) 76.4 21.5 2.1 0

출처: 국회예산정책처(2017), p. 23, 표 11 재구성
산업별로 보면 수요와 공급의 연계가 강한 자동차와 전자, 연속공정 자동화가 유리한 철
강과 화학 산업이 소량주문생산 방식이나 수작업 중심의 공정 산업에 비해 스마트공장 구
축 정도가 높은 것으로 나타나고 있다.
국내 제조기업은 대기업을 중심으로 스마트 공장 도입이 진행 중이나, 생태기반은 전체
적으로 취약한 것으로 평가된다. LS 산전, POSCO 등이 스마트 공장을 도입했고, 현대기아
차, 삼성전자 등은 중소 협력사의 공장 스마트화를 적극 추진하고 있다. 핵심요소 기술은
글로벌 선도 기술에 크게 의존하고 있지만, 외국 솔루션을 도입하여 시스템을 통합하는 경
험은 풍부한 편이다(고재진, 이규택 2016).
2017년 11월 발표된 관계부처 합동(2017) 혁신 성장을 위한 사람중심의 4차 산업혁명
대응계획에서는 한발 더 나아가 “한계에 직면한 제조업의 재도약을 위해 스마트 공장
확산, 제조로봇 보급 등으로 생산성을 제고하여 중기 제조업의 활력을 회복”하기 위해 수
준별 지원, 수준별 인증제도 및 인센티브 도입, 자금 지원, 대기업 협력사 지원 등으로
2022년까지 스마트 공장 2만개를 보급하여 제조업의 스마트화를 확산하려는 계획을 세우
고 있다. 또한 2022년까지 중간 1 이상의 스마트 공장 비중을 30%로 늘리고, 독일 등 선진
국 사례를 벤치마킹하여 50개의 업종별 시범 공장을 건설하는 목표를 설정했다.
정부의 이러한 목표 설정에 비해, 상대적으로 우리나라 기업, 특히 중소기업의 상황 인
식은 낙관적이지 않다. 2017년 전국 400개 제조 중소기업 CEO를 대상으로 설문조사한 자

- 16 -
료에 따르면, 4차 산업혁명에 대해 알고 있다고 응답한 비율이 39.5%로 전년도의 11.4%에
비해 크게 늘었지만, 여전히 대다수의 중소기업 CEO의 인식 수준은 낮다고 할 수 있다.
또한, 4차 산업혁명 대응 현황에 대한 애로사항으로 가장 많은 경우 투자 비용 대비 효과
불확실(56%)을 꼽았고, 네 번째로 새로운 비즈니스 모델 창출 어려움(24%)을 답한 것으로
보아, 현재의 기술 변화를 통해 생산성 개선과 수익 창출 방법에 대한 의문이 남아 있음을
알 수 있다. 또한 두 번째 애로 사항으로 전문 인력 부족(51%), 세 번째로 R&D 투자 자금
부족(48%)로 인력 양성과 기술 개발의 문제가 상존하고 있음을 알 수 있다(중소기업중앙회
2017, p. 4 그림 4, p. 14 그림 10 참조).

2.4 소결
지금까지 정부의 스마트 공장 관련 정책 방향은 스마트 공장 도입 숫자를 최우선 목표
로 제시해왔고, 스마트 공장을 통해 생산과정의 어떤 문제를 해결하거나 이를 통해 어떠한
새로운 산업구조를 만들 것인가에 대한 체계적 논의는 부족했던 것으로 평가된다(김승현,
김만진 2016).
우선 스마트 공장 구축은 궁극적으로 가치사슬 전체에서의 효율 고도화를 달성하는 것
이므로 기업 경영 전반 또는 산업 공정 전반의 변화를 수반해야 하며, 이는 생산 설비 교
체로만 달성될 수 없고, 가치사슬 상의 연계에 대한 기업별, 산업별 인력과 네트워크 구축
이 수반되어야 하며, 새로운 비즈니스 모델의 개발이 병행되어야 한다. 이에 대한 요구는
중소기업 CEO의 애로 사항에서도 확인되었다.
또한, 스마트 공장의 구성요소인 산업용 로봇, 센서 기술, 관련 소프트웨어의 국내 연구
개발과 연계할 필요가 있다. 이는 국내뿐만 아니라 전 세계적인 스마트 공장 확대 추세와
관련지어 보면 앞으로 성장세가 지속될 수 있는 유망 업종이 될 것이다. 따라서 이들 관련
산업의 육성 정책도 동시에 고려되어야 한다.
그리고 무엇보다, 스마트 공장의 도입이 고용에 미칠 효과도 고려해야 한다. 특히, 도입
과정에서의 관련 기술인력 확보 및 양성과 도입 이후의 고용 변화 두 측면을 모두 대비해
야 하며, 이에 대해서는 3장에서 좀 더 자세히 논의하고자 한다.

- 17 -
 제3장 최근 기술 변화가 일자리에 미치는 효과
3.1 기술 변화의 고용효과에 대한 이론과 한계
기술변화가 고용에 미치는 영향은 대체효과, 보완효과, 생산효과, 확산효과로 설명할 수
있다. 대체효과는 와해적 기술(disruptive technology)로 노동력이 대체되는 것이고, 보완효
과는 와해적 기술의 효용성을 높일 수 있는 노동의 수요가 증가하는 것이다. 생산효과는
기술 변화에 따른 생산성 향상과 가격 하락으로 해당 상품과 서비스의 수요 증가와 그에
따른 노동 수요가 증가하는 효과이다. 확산효과(spill-over effects)는 신기술 확산에 따른
신산업이 발전하고 그에 따라 노동 수요가 증가하는 효과이다.
보완효과, 생산효과, 확산효과가 대체효과 보다 크다면, 경제 전체로는 고용이 늘어날 수
있는데, 이론상으로는 다음의 여섯 가지 경로를 통해 고용에 대한 긍정적 효과가 나타날
수 있다(Vivarelli 2014).
➀ 새로운 기계의 생산. 새로운 기술이 노동력을 대체하더라도, 이러한 기술이 반영된
기계를 생산하기 위한 산업과 일자리가 새로 만들어질 것이다. ➁ 가격 하락. 새로운 기술
활용에 따른 생산성 향상은 생산비용의 감소를 의미한다. 따라서 경쟁 시장에서 비용 감소
로 인한 가격 감소는 수요 증가를 촉진할 수 있고, 이로 인한 생산 증가는 고용 증가를 유
발할 수 있다. ➂ 임금 하락. 노동 시장에서 자본과 노동의 완전 대체와 임금에 의한 수요
와 공급의 균형이 달성되고 있다면, 신기술 도입으로 노동이 자본으로 대체될 것이고, 이
로 인해 임금이 하락하게 된다. 장기적으로 시장 균형 메커니즘에 따라 임금 하락은 수요
증가를 가져올 것이므로, 고용은 증가한다. ➃ 소득 증가. 기술 진보의 성과를 분배하는 과
정에서, 노동의 몫이 커진다면, 소비의 증가를 유도할 수 있고, 이러한 수요 증가로 인해
고용 증가가 나타날 수 있다. ➄ 새로운 상품의 생산과 새로운 투자. 신기술의 결합을 통
해 신상품이 등장한다면, 이를 생산하기 위한 일자리 역시 만들어지게 되어, 기술 변화로
인한 노동력의 감소를 상쇄시킬 수 있다. 또한 인간의 욕망은 무한대이므로 새로운 상품에
대한 수요는 끊임없이 존재할 것이다.
이러한 이론적 경로는 역으로 고용 감소가 나타날 가능성도 말해준다. 노동력을 대체하
여 생산 비용을 낮추기 위한 목적으로 새로운 기술을 활용한다면, 경제 전체로 볼 때, 기
계의 생산에 투입되는 노동은 기계가 대체하는 노동보다 작을 것이다. 또한 기존의 생산
설비에 대한 추가적인 투자가 아니라, 사용 연한이 도래한 기계의 대체로서 새로운 기계가
도입된다면, 역시 기계 생산이 고용 감소를 일으킬 가능성은 높다.

- 19 -
 기술 혁신이 생산 공정의 혁신과 그에 따른 노동력 감소로 나타난다면 경제 전체의 총
구매력 감소로 이어질 수 있다. 그렇다면 실질적인 수요 증가 효과는 나타나기 어렵다. 다
른 한편, 비용 감소로 인한 가격 감소는 경쟁적 시장 구조를 전제하는데, 만약 시장이 독
과점 구조라면 가격 감소 효과가 크게 나타나지 않을 것이다.
임금 하락으로 인해 기업은 고용을 늘릴 수도 있지만, 기업이 임금 하락으로 인한 소비
감소를 예상하여 고용 규모를 축소할 수도 있다. 기술 진보 과정에서 노동의 몫이 커진 역
사적 사례는 1950년대부터 1960년대까지의 포디즘 생산 양식에서 찾아 볼 수 있다. 하지
만, 1970년대 이후 소득 분배는 다른 양식을 따르고 있고(Brynjolfsson & McAfee 2014), 노
동시장은 경쟁적 양상을 보이고 있다.
신상품의 성격도 고용 변화에 영향을 줄 수 있다. 예를 들어 1950-60년대의 자동차와 다
른 내구재 산업은 1980-90년대의 컴퓨터와 정보통신 산업보다 노동집약적 성격을 갖고 있
었다. 따라서 자동차의 대량 생산은 대규모 고용 증가를 유발했지만, 정보통신 산업은 그
러지 못했다.
스마트공장의 도입 단계와 앞에서의 이론적 전망에 기초하여, 스마트 공장이 도입되더라
도 순고용이 증가할 조건은 간단하게 다음 표와 같이 정리할 수 있다.

표 3-1> 스마트공장 도입의 순고용 증가 조건

<

구분 기초 중간1 중간2 고도화

설비데이터 고객맞춤형
자동화 수준 실적 집계 자동화 설비제어 자동화
자동집계 생산체제

순고용 증가의
대체 효과 < (보완 효과 + 생산 효과) 대체 효과 < (생산 효과 + 확산 효과)
조건

○ 스마트 공장 운영 인력 ○ 스마트 공장 지원 기업의 성장

순고용 증가의 ○ 스마트 공장 지원 기업의 성장 ○ 신산업 창출
동인 ○ 스마트 공장 설비 생산 증가

하지만 이론적으로는 기술 변화가 고용 변화에 미치는 영향이 긍정적인 효과와 부정적

인 효과 모두 가질 수 있으므로, 이 문제는 실제 자료에 기반하여 실증적으로 접근할 필요
가 있다.

- 20 -
 1-2차 산업혁명의 역사적 경험에 따르면, 단기적으로는 대체효과가 압도적이지만, 중장
기적으로는 생산효과가 지배적이라고 볼 수 있다(Bessen 2015). 하지만, 이는 경제 전반의
관점에서 그런 것이고, 산업 또는 산업 내 직군에 따라 대체효과나 보완효과만 나타나기도
한다. 1차 산업혁명을 선도한 방직업을 보면, 양털을 고르고, 실을 만들고, 이를 천으로 만
드는 전 과정이 기계로 대체되었다.
이후에서는 지난 30년 간의 정보통신기술 발달과 자동화가 고용 전반에 미친 영향을 살
펴보고, 아울러 최근 스마트 공장 도입 또는 인공지능과 결합된 자동화의 진척에 따라 작
업장 및 기업 단위에서 나타나고 있는 변화 사례를 제시하여 이를 통해 앞으로 스마트 공
장 도입이 가져올 고용 변화의 양상을 가늠해보고자 한다.

3.2 주요국의 거시 경제적 고용 변화

3.2.1 미국
Acemoglu & Restrepo (2017)은 미국에서 1993년에서 2007년까지의 로봇 노출도가 1990
년과 2007년 사이의 고용에 미치는 영향을 검토했다. 로봇 노출도를 노동자 1000명 당 산
업용 로봇의 대수로 측정했을 때, 통근 지역(commuting zone)을 기준으로 보아, 로봇 노출
도는 전체 고용에 부정적인 영향을 끼쳤다. 산업 별로 보았을 때, 로봇이 고용에 미치는
영향은 산업에 따라 상이했다. 로봇이 고용에 미치는 부정적 영향은 제조업, 특히 로봇화
가 많이 진행된 자동차, 전자, 금속, 화학, 의약, 플라스틱, 식품, 유리, 도자기 부문에 집중
되어 있었다. 로봇은 건설, 비즈니스 서비스, 도매, 서비스, 소매 부문의 고용에 부정적 영
향을 끼쳤지만 이 부문은 앞선 제조업 부문보다는 적은 영향을 받았다. 로봇이 고용에 긍
정적인 영향을 미친 부문은 금융, 공공 부문, 로봇화되지 않은 제조(재활용, 기초 금속, 섬
유, 제지, 가구, 자동차 외 운송 장비 제조) 부문뿐이었다.
Benssen (2017)은 미국 데이터를 활용하여 컴퓨터 사용이 산업별 고용에 미치는 영향을
추정했다. 1984년부터 2007년의 데이터를 사용하여 실증분석을 실시하였는데, 제조업 부문
의 경우 컴퓨터의 사용이 고용에 부정적인 영향을 미쳤지만, 비제조업 부문의 경우 컴퓨터
의 사용이 고용에 유의한 영향을 미치지 않았다. 이는 제조업 부문 시장이 이미 포화되어
기술 발전에 따른 관련 부문 소비 진작이 일어나지 않는 반면, 비제조업 부문은 기술 발전
에 따른 수요 증가가 있기 때문일 수 있다.
Bessen(2016)은 1980년-2013년 동안 컴퓨터 활용이 평균 이상인 산업의 고용은 증가한
반면 다른 산업의 고용은 상대적으로 부진했음을 보여줌으로써, 노동의 대체가 문제가 아
니라 기술 갭이 중요한 문제라고 지적하고 있다. 자동화는 비용 감소와 관련 서비스 가격

- 21 -
의 하락을 가져오며, 이로 인해 시장이 확대되어 해당 산업의 고용이 증가할 수 있다. 대
표적으로 은행 산업은 ATM 기기 도입 이후 은행 지점 설립 비용이 낮아져 은행 지점의
수가 증가하였고, 창구 직원의 업무가 출납에서 금융 상품 판매로 바뀜에 따라 은행업의
고용은 오히려 증가했다.

3.2.2 독일
Dauth, et al. (2017)은 많은 로봇을 보유하고 있고 제조업 고용 비중이 높은 독일의 노동
시장에 로봇 활용이 미친 영향을 분석했다. 연구 결과, 로봇이 전체 고용에 영향을 미치지
는 않았지만, 제조업 고용에는 강하게 부정적인 영향을 미쳤으며, 구체적으로 하나의 추가
적인 로봇이 평균적으로 2개의 일자리를 대체한 것으로 나타났다. 하지만 이와 같은 고용
감소는 제조업 외 다른 산업의 고용 증가로 완전히 상쇄되었다. 다시 말하자면, 로봇은 제
조업 분야의 일자리를 감소시키고 다른 분야의 일자리를 늘림으로써 고용의 구성을 크게
바꾸어 놓았으며, 독일 경제의 전체 일자리의 개수 측면으로 보았을 때 로봇은 일자리를
줄이지 않았다.
연구진은 추가적으로 로봇이 개별 노동자의 고용에 미치는 영향을 분석하였고 그 결과
로봇에 더 많이 노출된 노동자는 원래의 직장을 유지할 확률이 훨씬 더 높다는 것을 밝혀
냈다. 이는 로봇 노출은 기존 노동자에게 직업 안정성을 높이고, 기존 노동자 중 일부는
그들의 회사에서 로봇 노출 이전에 했던 것과는 다른 작업을 맡게 됨을 의미한다. 따라서
로봇 활용이 총 제조업 고용에 부정적인 영향을 미치는 것은 현재 노동자의 직접적 대체
가 아니라, 로봇에 노출된 산업에 신규 노동자가 진입하지 않기 때문인 것으로 추정된다.
연구진은 이러한 경험적 발견은 독일 고용시장의 노사 관계의 주요 특징을 반영한다고
설명하였다. 독일에서는 제조업 분야가 높은 수준의 노동조합 조직률을 보이고 있고, 그
동안 독일 노동조합은 높은 고용 수준을 유지하는 데 강한 선호를 가지고 일자리를 지키
기 위해 개방조항4)과 같은 임금결정 방식을 받아들였기 때문으로 보인다(Dustmann, et al.
2014).

3.2.3 OECD 19 개국
Autor & Salomons(2017)은 패널데이터 EU KLEMS에 담겨있는 OECD 19개국에 대한 1970

4) 독일 노동조합은 산별 교섭 체제를 유지하면서, 단체 협약에 다양한 개방 조항을 도입, 산별 수준의 협약 내용 중

일부는 사업장 수준에서 유연하게 협상하고 결정할 수 있도록 했다.

- 22 -
년부터 2007년까지의 자료를 활용하여 산업의 생산성 향상이 고용에 미친 영향을 분석하
였다. 노동 확장적 기술진보(labor augmenting technological progress)가 고용을 감소시켰는
지 연구한 결과, 기술진보가 앞서는 분야의 고용은 감소하지만 뒤처지는 분야로의 확산효
과(spillover effect)로 상쇄되어, 경제 전체의 순고용은 다소 증가한 것으로 나타났다.
연구진은 KLEMS 데이터에 있는 32개의 산업 중 비시장 부문인 가정부문, 공공행정, 국
방, 역외 조직부문을 제외한 28개의 산업을 ➀ 광업, 공급처리, 건설, ➁ 제조, ➂ 교육과
헬스서비스, ➃ 자본집약적 (고기술) 서비스, ➄ 노동 집약적 (저기술) 서비스로 분류하였
다. 생산성 향상을 경험한 산업에서는 고용 하락이 나타났지만, 경제 전체의 총 고용에서
는 생산성 향상이 고용에 대해 부정적인 영향을 미치지 않은 것으로 나타났다. 연구진은
이를 설명하기 위해 산업의 생산성 향상이 산업 내에 미치는 영향과 다른 산업에 미치는
확산효과(spillover effect) 영향을 분석하여, 산업의 생산성 향상이 산업 내의 고용은 줄이
지만, 그 외 산업의 고용 증진에는 긍정적 영향을 미친다는 것을 보여주었다.
산업 생산성 향상의 확산효과는 산업별로 다른 양상을 보였다. ➀ 광업, 공급처리, 건설
부문의 경우 확산효과가 없었다. ➁ 제조부문은 확산효과가 작고 통계적으로 유의하지 않
았다. ➂ 교육과 헬스서비스와 ➃ 자본집약적 서비스 부문에서는 확산효과가 유의하게 나
타났다. ➄ 노동집약적 서비스의 경우 확산효과가 다른 부문의 두 배에 달했다. 이러한 확
산효과는 지난 37년 간 고용을 20% 증진시켰는데, 경제에서 고용의 큰 부문을 차지하는
노동집약적 서비스 부문과 높은 생산성 향상을 보인 제조업 부문, 자본집약적 서비스 부문
이 특히 큰 역할을 했다.
즉 정보통신기술 산업이 성장하게 되면 해당 산업의 일자리 증가와 더불어 소득 증가로
인해 서비스업 등 다른 산업의 동반 성장과 고용 증가로 효과가 확산된다. 확산효과에는
산업별 생산성의 차이가 중요한 역할을 하는 것으로 나타났는데, 서비스 산업의 생산성 증
가가 가장 큰 확산효과를 가져오며, 현재의 자동화가 서비스 산업의 생산성을 높일 것으로
예상되므로 이는 긍정적인 신호라고 평가할 수도 있다.
하지만 산업의 생산성 향상이 산업 내 고용에 미친 영향과 산업 외 고용에 미친 확산효
과가 시기별로 상이하여 본 분석 결과의 해석에 주의해야 한다. 구체적으로 산업 내 고용
에 미친 영향의 경우 시간이 가면 갈수록 부정적이었고, 산업 외 고용에 미친 확산효과도
1970년대와 1990년대에는 강했지만 2000년대에는 약했다. 따라서 산업 내 효과와 산업 외
효과를 모두 고려했을 때 2000년대는 생산성 향상과 고용 증진 간의 선순환 고리가 제일
약한 시기였다.

- 23 -
3.3 주요 기업 및 작업장의 고용 변화
3.3.1 미국, 아마존
아마존은 주문, 결제, 운반, 배송 등의 전 과정에서 로봇을 이용한 자동화 시스템을 활용
하고 있다. 2016년을 기준으로 하여 미국 아마존 물류창고 20곳에서는 4만5000대의 로봇이
빠르고 정확하게 임무를 수행 중이다. 아마존의 물류로봇은 2014년 15,000대, 2015년
30,000대, 2016년 45,000만대로 증가해왔으며, 2017년 5월 이후 아마존은 전세계 25개 이상
의 물류센터에 2만대 가량의 로봇을 추가로 도입할 계획을 갖고 있다. 이 창고 안의 로봇
들은 서버에 있는 인공지능의 명령에 따라 움직이며, 아마존의 인공지능은 홈페이지와 창
고 내의 모든 것을 파악해 로봇을 조종한다(백성요 2017; 산업연구원 2017; 음성원 2017;
전해영 2017; 차원용 2017).
아마존은 자동으로 물건을 실어 나를 수 있는 키바(Kiva) 로봇을 활용해 첨단 자동화 물
류센터를 구축했는데, 아마존은 키바 로봇을 개발한 키바시스템스를 2012년 7억 7,500만
달러에 인수했다. 키바는 사각형 모양에 노란색상이며, 높이는 약 40cm(16인치), 무게는 약
145kg(320파운드)이다. 바퀴로 이동하는 키바 로봇은 물류창고에서 특정 물품을 찾아 포장
하는 프로세스를 자동화해주는 로봇들이며, 약 317kg(700파운드)의 상품이 담긴 선반 틀
아래로 다니며, 이 선반을 싣고 시속 약 8km 속도로 바닥에 지정된 경로를 따라 이동한
다. 물류센터에서는 로봇 기중기인 로보스토우(robo-stow)와 화물용 무인 자율주행차 등도
활용하고 있다.
아마존 물류 센터에서 로봇과 인간 사이의 협업은 다음과 같이 이루어진다. 로보스토우
는 최대 6톤 무게의 물건을 집어 상단에 있는 컨베이어벨트로 올려주는 역할을 수행한다.
그러면 물품을 선반에 집어넣는 사람들(stowers)로 불리는 노동자들이 물건을 선반 위에
쌓고 재고를 채운다. 로봇은 고객의 주문이 도착했을 때 선반을 가져가 반대쪽 끝에 있는
정거장에서 대기한다. 정거장에서 주문받은 물품을 집는 사람들(pickers)이 컴퓨터 스크린
에 뜬 지시사항을 따라서 선반에 있는 물건을 집어 플라스틱 통에 넣으면 플라스틱 통은
컨베이어 벨트를 따라 상품을 종이 박스에 넣어 포장하는 사람들(packers)에게 전달된다
(Wingfield 2017).
또한 아마존은 고객들의 데이터를 인공지능 시스템을 통해 분석하는 수요예측 배송시스
템을 통해 배송의 효율성을 극대화하고 있다(백성요 2017; 정호윤, 주영훈 2017). 수요예측
배송시스템은 고객들이 아마존에서 어떤 제품을 구입했고, 상품 페이지에 얼마나 많은 시
간 동안 머물렀는지 등의 데이터를 통해 소비자가 실제로 구매를 결정하기 전에 구매할

- 24 -
것으로 예측되는 상품을 포장하고 고객이 있는 지역과 가까운 물류센터로 보내는 기술이
다. 이를 가능하게 하는 것은 아마존의 최대 자산이라 할 수 있는 스마트 데이터이며, 스
마트 데이터는 단순한 빅 데이터가 아니라 잘 정제되고 표준화된 데이터를 의미한다. 아마
존은 20년간의 유통 네트워크 경험을 통해 고객의 행동과 패턴 등에 관한 수백억 개의 스
마트 데이터 포인트를 구축하고 있으며, 12개 이상의 데이터 센터에서 기업의 시스템과 앱
을 빠르게 확장시키고 있다.
아마존은 자동화된 물류센터 시스템을 통해 높은 효율성 달성하고 있는 것으로 파악된
다. 아마존이 공식적으로 밝히지는 않았지만, 아마존의 주문 처리량은 초당 50건, 하루 300
만개 이상에 이르는 것으로 추정된다. 창고 자동화 덕분에 아마존의 첨단(8세대) 물류센터
는 소비자가 주문한 물건을 찾아 선적하는 데 걸리는 시간을 기존 60~75분에서 30분 이내
로 감축시켰다. 선반 사이로 직원이 걸어 다닐 공간이 필요 없어졌기 때문에 같은 공간에
더 많은 물건을 배치할 수 있게 됨으로써 그에 따른 비용 절감을 이룩했는데, 구체적으로
창고 공간 활용도를 50% 이상 개선하였다. 키바 로봇을 통해 약 20%의 영업비용을 절감하
고 있는 것으로 알려져 있으며, 이를 물류센터 1개당 비용 절감액으로 환산하면 약 2,200
만달러에 달한다. 아직 키바 로봇을 갖추지 못한 107개의 물류센터에도 키바 로봇을 활용
한다면 약 8억 달러의 추가적인 비용절감 효과가 발생할 것으로 추정된다(박건형 2017; 백
성요 2017; 안정락 2016).
아마존은 현재 자체적으로는 많은 일자리를 창출하고 있다. Mandel(2016)에 따르면 2005
년 2월 아마존이 연간 고정회비를 받고 2일 이내 배송을 보장하는 아마존 프라임 서비스
를 시작하면서, 물류센터(fulfillment center)를 미국 전역에 건설해야 했으며, 그로 인해 일
자리가 폭발적으로 증가했다. 아마존이 2017년 9월 발표한 실적 보고서에 따르면 3분기 말
종업원 수가 54만1,900명으로 이는 전년 동기 30만 명보다 약 24만 여명이 늘어난 것이다.
미국의 유기농 식료품체인인 홀푸드(Whole Foods)의 인수도 큰 원인이지만, 물류센터의 주
문이행 센터 직원과 아마존 고객 서비스 직원의 급증에 따른 것으로 보인다(김범수, 김종
형 2017; 박건형 2017; 배상은 2017; 한국일보 2017).

- 25 -
 그림 3-1> 아마존의 분기별 직원 수
<

주: 정규직과 임시직 모두 포함
출처: Kessler (2017).
아마존은 2017년 1월에 향후 1년 반에 걸쳐 미국 내 정규직 일자리 10만개를 창출하겠
다고 발표했으며, 최근에는 제2의 본사를 북미 지역에 건립해 5만 여명의 신규 일자리를
만들겠다고 공언하고 있다. 이뿐만 아니라, 미국 아마존은 2017년 10월 크리스마스 시즌
온라인 주문이 급증할 것에 대비해 12만 명의 직원을 추가로 채용할 것이라고 밝혔으며,
이는 작년과 똑같은 규모이다. 아마존은 물류센터 담당뿐만 아니라 클라우드, 기계학습(머
신러닝)등 고급기술 개발인력도 충원할 계획이라고 밝혔다.
아마존이 일자리를 큰 폭으로 확대하는 이유는 제품 포장, 물품 관리, 배송서비스를 담
당하는 고객 주문처리담당(fulfillment job) 분야의 일손이 부족하기 때문이다. 아마존의 물
류 공정에서 소비자가 주문한 상품이 맞는지를 확인하고 포장하는 작업, 다양한 모양과 크
기의 개별 상품을 선반에서 집는 일 등에는 여전히 사람의 손을 필요로 한다. 디터 폭스
워싱턴대 로봇공학과 교수는 아마존 물류센터는 놀랄 만한 혁신을 보여주고 있지만 예상
치 못한 일이 발생했을 때는 인간의 도움이 있어야 한다고 밝혔다. 로봇이 잘 수행하지 못
하지만 인간이 잘 할 수 있는 업무에는 잡기, 섬세한 민첩성이 필요한 작업, 판단, 즉흥적

- 26 -
인 능력 등이 포함된다. 아마존의 페르티쿠치(Perticucci)는 인간의 유연성은 기계를 훨씬
상회하며, 이는 근시일내에 바뀌지 않을 것이라고 예측했다(김범수, 김종형 2017; 안정락
2017; Financial Times 2017; Wingfield 2017).
아마존은 공장을 자동화함에 따라 직원을 해고하지 않았고, 이는 직원들을 재교육하고
새로운 작업에 배치했다. 데이브 클라크(Dave Clark) 아마존 부사장에 따르면, 가장 단조로
운 업무를 기계한테 맡기고 인간은 머리를 쓰는 일을 하도록 될 것이다. 그는 아마존은 로
봇을 설치할 때 아무도 해고하지 않았으며, 이는 아마존이 대체되는 직원들에게 새로운 일
을 찾아주었기 때문이라고 설명했다. 아마존이 로봇을 설치할 때, 이전에 통을 쌓던 사람
중 일부는 로봇 운영자가 되기 위해 회사에서 진행되는 수업을 들었고, 다른 사람들은 물
품을 받는 정거장으로 가서 커다란 박스를 손으로 분류하여 통에 넣는 작업을 했다
(Wingfield 2017).
뉴욕타임즈의 보도에 따르면, 니사 스캇(Nissa Scott)은 2016년부터 뉴저지 남부에 있는
아마존 창고에서 플라스틱 통을 쌓는 일을 하기 시작했고, 그 작업은 각 25파운드의 통을
10시간 동안 들어 올려야 하는 고된 일이었다. 공장이 기계화됨에 따라, 그녀가 아마존에
서 새로 맡은 업무는 동시에 여러 로봇을 관리하고, 필요한 경우 문제를 해결하고, 그들이
통을 들고 있는지를 확인하는 것으로 변화했다.
하지만 아마존이 창출한 일자리에 대한 비판과 함께 기술이 발전함에 따라 궁극적으로
로봇이 모든 일자리를 대체하여 일자리 감소가 일어날 것이라는 전망도 존재한다. 아마존
은 오프라인 소매업을 위축시키고 있다. 마켓워치에 따르면, 100달러어치의 상품을 판매하
는 데 아마존은 메이시스(미국의 유명 백화점)가 필요로 하는 점원의 절반 정도만 필요로
한다. ISLR(Institute for Local Self-Reliance)이 발표한 자료에 따르면, 아마존은 2015년 말
까지 미국에서 14만 6,000명의 노동자를 고용했지만, 이와 동시에 29만 5,000개의 소매업
일자리를 사라지게 만들었으며, 따라서 14만 9,000개 일자리를 감소시켰다(김경훈 외 2017;
안정락 2017; 음성원 2017; ISLR 2016; Wingfield 2017).
이와 반대로 Mandel(2017)은 전자상거래(e-commerce)가 등장하면서 전통적 오프라인 매
장의 일자리는 줄었지만, 가사 노동이었던 쇼핑 활동을 돈을 지불하는 시장 활동으로 전환
시킴으로써 줄어든 일자리를 훨씬 상회하는 더 많은 일자리가 만들어졌다는 점을 지적했
다. 이 연구에 따르면 전자상거래업은 2007년 12월부터 2017년 6월까지 40만개의 일자리를
창출했고, 동일한 기간 동안 전통적인 오프라인 매장은 14만개의 일자리를 축소시켰다. 반
면, 동 기간에 미국 노동 통계청(the Bureau of Labor Statistics)의 분류 기준으로 창고업

- 27 -
(warehouse industry) 273,000개, 전자상거래업(electronic shopping industry) 132,000개를 합
치면 모두 405,000개의 일자리가 새로 생겨났다. 단, 여기에서는 일자리의 수가 아니라, 전
일제 근무 시간(FTE: full-time-equivalent, 주 40시간 근무)을 기준으로 측정하였다.
아마존이 제공하는 창고 일자리는 질이 낮은 것으로 평가되고 있다. 2016년 아마존은 산
업 재해를 보고하지 않아 연방 당국에 벌금을 내기도 했다. 아마존에서 일하는 사람들은
유사한 다른 일을 하는 사람들에 비해 15% 더 낮은 임금을 받고 있으며, 해당 지역의 생
계임금보다 19% 더 낮은 임금을 받고 있다. 아마존 임금의 상대적 수준에 대한 반론도 존
재하는데, Mandel(2017)은 해당 지역의 소매업 평균 임금(약 9달러)과 비교하면 아마존의
임금(약 12달러)이 더 높아, 소득 수준 개선에 도움이 된다고 주장한다. 고용 안정성 측면
에서 보면, 아마존의 창고 업무는 대규모의 임시직으로 채워지며, 소위 계절직의 경우 채
용업체를 통해 고용되는데, 이는 아마존이 안전하지 않거나 공정하지 않은 작업 환경에 대
한 책임을 회피할 수 있게 한다.
머지않은 미래에 극소수 관리 인력을 제외하면 직원이 필요 없는 무인 물류센터가 나올
수도 있다. 현재 아마존의 자동화된 창고는 로봇은 이송 기능만 담당하고 사람이 피킹 기
능을 하는 인간-로봇 협업모델로 24시간 운영이 가능한 수준이 아니다. 이에 자체적으로
시간/운영자에 상관없이 어떤 물품도 집어서 포장하고 배송도 가능하도록 하는 기술 개발
을 목표를 세우고 관련 기술 확보를 위해 아마존 로봇 챌린지(Amazon Robotics Challenge,
ARC)를 지속적으로 개최하는 등 아마존은 차세대 물류로봇을 위한 기술 확보를 위해 노력
중이다. 알베르토 로드리게스 매사추세츠공과대(MIT) 로봇공학과 연구원은 4~5년 뒤면 인
간처럼 작업할 수 있는 로봇이 개발될 것이라고 전망했다. 현재 미국의 로보틱스 연구자들
은 로봇의 기능을 향상시켜 로봇이 스스로 지각능력을 가지고 일할 수 있게 만드는 연구
에 열을 올리고 있다. 그러한 맥락에서 Ford(2016)는 아마존 창고의 고용 상황이 바뀌는
것은 시간문제라고 주장했다.

3.3.2 독일, 아디다스

아디다스는 독일 안스바흐(Ansbach)에 대부분의 공정이 자동화된 스피드팩토리(speed
factory)를 세웠다. 아디다스가 유럽의 높은 임금을 피해 공장을 이전시켰던 아시아 국가의
경제가 발전함에 따라 임금이 높아지고, 기술을 가진 사람이 드물어지고, 힘들고 단조로운
일을 하려는 사람이 줄어드는 문제가 나타나기 시작했기 때문이다. 동시에 아디다스는 소
비자가 유행에 맞추어 신발을 원하는 반면, 공급사슬은 이를 만족시키기 어렵다는 문제를

- 28 -
안고 있었다. 새로운 운동화를 스케치하고, 시제품을 만들고, 테스트하고, 자재를 주문하
고, 샘플을 평가하고, 신상품에 맞추어 공장을 새롭게 정비·생산하여, 마지막으로 완제품
을 매장에 배송하는 데에 18개월이 소비되지만, 그 중 3/4은 1년 이내에 판매가 중단되었
다.
이와 같은 문제의 해결을 위해 독일 정부 주도로 2013년부터 아헨공대와 아디다스의 협
력이 시작되어 2016년 스피드팩토리가 완공되었다. 독일 정부는 관련 프로젝트의 자금 지
원을 담당하였으며, 아헨공대는 아디다스의 스마트 팩토리에서 운동화 제작과 관련된 데이
터를 조직화해 섬유를 디자인하는 방법을 구현했다. 아헨공대는 많은 기업들의 제조기기들
이 서로 연결되고 데이터를 교환할 수 있도록 플랫폼을 구축하였는데, 이를 위한 파트너
기업은 6개이며, 협업과 연결에 참여한 총 기업수는 25개에 이르고 있다.
아디다스가 스피드팩토리라고 이름 붙인 안스바흐 공장은 4600㎡크기에 직원은 160명
정도에 불과하며, 스피드공장의 로봇들은 5시간 만에 운동화 1켤레를 만들 수 있다. 스피
드팩토리에서는 각 부품을 부품 제작 업체에 주문하는 것이 아니라, 대부분의 경우 플라스
틱, 섬유 등과 같은 원자재로 직접 만들 수 있다. 이러한 작업을 수행하는 기계는 자동화
수준이 높아, 컴퓨터화된 뜨개질, 로봇 커팅, 적층 가공과 같은 공정을 사용했다. 다양한
종류의 자재를 다룰 수 있는 다양한 산업용 3D 프린팅 기계를 활용했다.
소프트웨어에 의해 구동되는 로봇, 뜨개질 기계, 3D 프린터는 기존 기계를 재설정하고
인간 노동자를 재교육하기 위해 생산을 멈출 필요 없이, 컴퓨터 디자인 프로그램으로부터
직접 지시를 받는다. 현재 안스바흐 스피드팩토리에는 6대 정도의 로봇이 2개의 생산라인
에 설치되어 있는데, 한 라인은 신발 바닥 부분을 만들고, 다른 라인은 신발 윗부분을 만
든다. 신발 디자인 공정이 디지털화되었을 뿐 아니라, 컴퓨터로 신발의 착화감과 성능을
테스트할 수 있다.
이 공정을 효과적으로 수행하기 위해 스피드팩토리는 디지털 쌍둥이를 가지고 있다. 이
는 새로운 운동화 생산을 시뮬레이션할 수 있는 가상컴퓨터 모델이다. 시뮬레이션 모델이
잘 작동하는 경우 가상컴퓨터 공장이 물리적 생산 시스템으로 이동한다. 아디다스는 2017
년 하반기 미국 애틀랜타에도 스피드팩토리를 구축할 예정이다. 아디다스는 애틀랜타에 7
만 4천 평방미터에 달하는 부지를 확보, 2017년 말 기계를 들여놓고 작동을 시작할 계획이
며 5만 켤레의 운동화 생산을 목표로 하고 있다(박종원 2016; 산업연구원 2017; 장경석
2017; 장길수 2016; Epic Times 2016; The Economist 2017).
아디다스는 스피드팩토리 도입을 통해 고도로 맞춤화된 신발을 효율적으로 생산하고 있

- 29 -
다. 스피드팩토리는 신발끈부터 깔창, 뒷굽 및 색깔까지 수백만 가지 옵션 중 소비자가 원
하는 것을 선택하면 5시간 안에 제품을 생산할 계획이다. 지금은 맞춤형 신발을 제작해 배
송하는 데까지 약 6주가 소요된다. 이로써 스피드팩토리는 유행 변화에 신속한 대처가 가
능하게 되었다. 아디다스는 스피드팩토리를 통해 트렌드에 대응할 수 있을 뿐만 아니라 불
필요한 재고를 줄이고 있다. 주문이 들어온 제품만 그때그때 만들기 때문에 소비자는 자신
만의 신발을 신을 수 있고 악성 재고를 남기지 않아도 된다(산업연구원 2017; 정성원
2016).
스피드팩토리는 작은 규모의 일자리를 창출할 것으로 예상된다. 스피드팩토리는 연간 50
만 켤레의 운동화를 생산할 수 있는 규모인데, 상당한 수준의 로봇 자동화 공정을 갖추고
있고 최초 계획 상으로는 상주 인원을 10명으로 유지하고자 했다. 기존의 신발공장에서 이
정도 물량을 생산하기 위해서는 600명의 인력이 필요했다. 그렇지만 스피드팩토리의 모든
직업이 자동화되지는 않을 예정이다. 로봇은 신발의 마지막 형태를 잡는 것과 같은 일부
작업에는 인간보다 더 느리고 덜 정확하기에 각 스피드팩토리는 160개의 생산 일자리를
창출할 수 있다(노경목 2016; 박현영 2017).
스피드팩토리는 선진 제조업 국가들이 공통으로 겪고 있는 저출산, 고령화에 따른 숙련
공 부족 문제도 해결할 수 있을 것으로 보인다. 이브스 글로이(Yves Gloy) 아헨공대 섬유
기술연구소 생산기술부장은 “독일 섬유산업도 근로자 평균 연령이 50세를 넘고 숙련공
수가 급격히 줄고 있다며 생산과정을 지능화하면 특별한 경험이 없는 근로자도 숙련공만
큼 생산성을 올릴 수 있다”고 밝혔다. 실제 스피드팩토리 내에서 생산과 관련한 복잡한
작업 대부분은 기계가 수행하고 사람은 단순한 의사 결정만 해주면 된다(The Economist
2017).
2016년 취임한 캐스퍼 로어스테드(Kasper Rorsted) 아디다스 CEO는 운동화를 처음부터
끝까지 로봇이 만드는 완전 자동화가 5~10년 안에 이뤄지진 않으리라는 전망을 제시했다.
약 120단계의 과정을 거치는 운동화 제조 작업 중에서 섬세한 작업은 아직까지 로봇이 배
우지 못하고 있다. 또 로어스테드는 아시아의 반자동 생산시설이 완전 자동화된 로봇 기반
의 생산 시설보다 훨씬 생산성이 높다는 의견을 밝혔다(The Economist 2017).
당분간 아디다스는 스피드팩토리로 일반 공장을 대체하는 것이 아니라 보완하는 용도로
활용할 계획이다. 현재 아디다스가 독일 내 스피드팩토리에서 생산하는 신발 50만켤레는
매년 총생산 규모인 3억 100만켤레에 비하면 아직 미미한 수준이다. 이는 세계 각지에 100
여 곳의 스마트 팩토리를 세워도 전체 매출량의 1.7% 정도만을 소화할 수 있어, 상당 물량

- 30 -
은 여전히 노동 집약적 양산 공정에서 생산될 수밖에 없다.
아디다스는 스피드팩토리가 증가하는 임금에 대한 반응이 아니며, 현재의 운영 방식에
대한 대체가 아닌 보완을 목적으로 한다고 밝혔다. 스마트 제조는 대량 생산보다는 소수를
위한 맞춤형 고급 제품을 만드는 데 적합하다. 이 때문에 스피드팩토리는 대량 생산 공장
의 리쇼어링(reshoring)보다는 고급 프리미엄 제품을 만들어 공급한다는 데 더 큰 의미를
부여하고 있다. 로어스테드 CEO는 스피드팩토리는 틈새시장 수요를 위한 섬세한 신발 제
조 기술을 구현할 것으로 전망했다(박현영 2017; 산업연구원 2017; Bain 2015; The
Economist 2017).
아디다스는 스피드팩토리가 아시아 공장과 경쟁하는 것이 아니라 이들을 보완할 것으로
기대하지만 진보한 제조 형태가 확대됨에 따라, 아시아 공장의 노동자들은 감소할 가능성
이 높다.

3.3.3 독일, 지멘스

독일 남부 암베르크(Amberg)에 위치한 전기전자기업 지멘스의 스마트 공장
EWA(Electronics Works Amberg)는 독일 인더스트리 4.0의 표준 모델이다. 지멘스가 스마
트 공장에서 강조하고 있는 부분은 통합이다. 지멘스의 하드웨어 위에 제품 설계부터 최종
제품 생산에 이르는 전체 과정을 일괄적으로 관리해주는 PLM(Product Lifecycle
Management), 실제 생산을 위한 TIA(Totally Integrated Automation) Portal 등의 생산 툴과
상위의 MES(Manufacturing Execution System)까지 모든 소프트웨어를 통합하는 것이 지멘
스의 스마트 공장 전략이다. 이는 전체적인 가치 사슬 상에서의 수평적 통합과 시스템 아
키텍처 상에서 수직적 통합을 이루는 것을 의미한다. 또한 소프트웨어와 하드웨어를 망라
한 전체 제품과 솔루션 포트폴리오 통합화를 이루려는 개념이다(김시우 2017; 김언한
2015; 월간 21C FA VISION 2015; 이유진 2017; 장경석 2017; 장재현, 정재훈 2016).
암베르크 공장에서는 초기 R&D부터 설계，판매，유통，사후관리까지 모든 과정에서 변
경 포인트가 있을 때마다 자동으로 작업이 유연하게 변경된다. 지멘스는 암베르크 공장에
1,000개의 센서와 스캐너를 설치하여 제품수명주기 관찰 및 오류 발생 현황을 확인하고 있
다. 1,000개 이상의 스캐너가 모든 공정 단계를 실시간 점검하며 테스트 이상여부, 접합될
때의 온도, 위치정보와 같은 제품 상세 정보 등을 기록한다. 이 데이터는 매 5,000만 건 이
상에 달하며 이를 바탕으로 1/1,000초 단위로 작업을 분석하여 가동률, 불량률 등을 실시
간으로 체크하고 최적 공정을 초단위로 예측한다. 감독자가 작업을 한 눈에 모니터링할 수

- 31 -
있으며, 이렇게 얻은 모든 정보는 제품 개발 부서에 통보되어 제품을 개선하는 데 이용된
다.
암베르크 공장은 높은 효율을 달성하고 있다. 암베르크 공장은 99.7% 확률로 전제품을
주문 후 24시간 내 출하가 가능하며, 급한 설계 변경에도 유연하게 대처할 수 있다. 현재
암베르크 공장은 250여 개 공급 파트너로부터 약 1만 종류 이상의 부품을 공급받아 고객
요구 사항에 따라 매일 1,000여 개의 서로 다른 사양의 제품들을 생산하고 있으며, 제품의
불량률이 0.001% (10만 개 제품 생산 시 1개) 수준으로 급감했다. 직원들의 근무 시간은
평균 35시간(1주 기준)으로 매우 짧은 편에 속하지만 생산성은 매우 높다. 뿐만 아니라 에
너지 소비 역시 기존 공장 대비 30% 정도 낮아 전체 수익 상승에 기여하고 있다(이방실
2017; 장경석 2017) .
지멘스는 암베르크 공장을 자동화하면서도 종업원을 재교육함으로써 같은 수의 종업원
을 유지하고 있다. 암베르크 공장은 1985년에 본격적인 생산을 시작했는데 지멘스가 생산
공정을 크게 자동화하였음에도 불구하고, 동일한 생산면적에 동일한 종업원 수를 유지하고
있다. 지멘스는 훈련 센터(Training center)를 구축하여 근로자의 기술향상(upskill), 재기술
화(reskill)를 위한 시스템 및 SW 관련 교육을 실시하고, 데이터 분석, 시스템 관리 등 업무
위주로 전환·재배치하였다. 기계는 사람이 하던 위험하거나 단순한 작업을 대체하고, 사
람은 좀 더 창조적이고 효율적인 일을 할 수 있게 되었다. 공장에서 근무하는 직원들이 하
는 일은 불량으로 판명된 제품을 테스트하거나 중요한 의사결정을 내리는 등 전략을 수립
하는 업무만 담당하고 있다. 지멘스 암베르크 공장의 경우 연간 생산성 증가의 40%는 인
력에 의한 것으로 파악되었다(산업통상자원부 2017; 월간 21C FA VISION 2015; 임근난
2015; 장재현, 정재훈 2016; 최갑천 2017).
지멘스가 추구하는 스마트 공장은 100% 자동화가 아니라, 기계와 인간의 노동력을 효율
적으로 구분해 최적의 생산성을 달성하려는 데 목표를 두고 있다. 지멘스는 미래에는 지금
보다 훨씬 탄력적이고 신속하게 일회용 제품들을 제조하는 것이 경쟁력의 관건이 될 것으
로 예측하면서 이를 위해서는 복잡하고 고도로 숙련된 작업은 소프트웨어의 도움을 받아
사람이 처리하는 방식의 디지털 생산시스템이 반드시 필요하다는 전망을 제시하고 있다.

3.3.4 독일, 바스프

바스프(BASF)는 전 세계 약 12만 명의 임직원을 가진 독일계 화학 회사이다. 1865년 루
트비히스하펜에 Badische Anilin & Soda Fabrik을 전신으로 설립되어, 현재는 플라스틱, 기

- 32 -
능성 제품, 농화학, 정밀화학, 석유화학 등 다양한 분야에서 제품과 솔루션을 제공하는 글
로벌 화학 기업으로 성장했다. 1951년에는 스티로폼을 개발하여 세계적인 성공을 거두었으
며, 이는 일반적인 단열재 및 완충포장재의 고유 명사가 되었다(BASF AG 2016; 편승민
2017).
루트비히스하펜 공장 부지의 3개 발전소에서 적정량의 에너지만 생산하도록 시스템을
구축하고 있다. 전기 가격은 15분마다 변동하기 때문에, 공장의 에너지 수급에 대한 빠른
예측이 가능하다면 이를 적기에 사고팔아 이익을 극대화할 수 있다. 수동으로 결합한 개별
예측치가 아닌 빅데이터 기반의 새로운 통계 모델을 사용하여 에너지 수급에 대한 정확한
계산을 할 수 있다. 이를 도입하여 에너지 수요 예측을 최대 60% 향상할 수 있었다(BASF
AG 2016; 편승민 2017).
바스프는 기업의 과거 데이터와 경제 데이터를 결합해 수요 예측을 수행하는 예측 애널
리틱스 접근법을 구현 중이다. 예측 모델은 계절 효과, 고객이 속한 산업에 대한 전국적,
지역적 거시경제 데이터와 같은 외부적 요인들과 바스프의 사업 전략과 같은 내부적 요인
들을 고려한다. 동 예측 모델을 사용해 수요 변화에 따라 공장 운영을 계획하고 조정할 수
있다.
원료 운송에 있어서 더 빨리 필요한 공장으로 운송하는 방법을 연구하는 AGV 프로젝트
도 진행하고 있다. 동 시스템을 이용하면 현재 22시간이 걸리는 과정을 2시간 정도로 획기
적으로 줄일 수 있을 것으로 예상하고 있다.
독일 카이저슬라우테른에 위치해 있는 BASF SE 스마트 공장은 독일 정부의 지원 아래
만들어진 파일럿 형태의 삼푸 및 액체 비누 공장이다(BASF AG 2016; Stefan Van Thienen
et al. 2016; Shiyong Wang et al. 2015).
제품 주문은 온라인에서 이루어지며, 각 용기에는 RFID가 부착되어 생산라인에서 기계와
커뮤니케이션을 하게 된다. 이를 통해 제품의 색, 향, 원료 등 주문자가 온라인에서 주문했
던 정보들이 반영된 제품이 만들어진다. 결과적으로 생산되는 모든 제품들은 대량생산체제
에서 이루어지지만 같은 제품이 반복적으로 만들어지지 않는다. 이곳 파일럿 공장에서의
실험은 기계와 제품 간 무선 네트워크를 기반으로 이루어진다.
바스프 그룹의 직원 수는 전 세계적으로는 약간 증가하였으나, 2017년 1 분기에 39,115
명에서 3만 8,962명으로 153명의 직원을 줄였으며, 모회사인 BASF SE에서도 2016년 말 3
만 5,001명에서 3만 4,762명으로 239명의 일자리가 감소하였다. 바스프 그룹 전체 고용은
2017년 3월 기준 전년대비 1,601명이 감소한 11만 3,873명이다. 바스프 CEO인 쿠르트 복

- 33 -
(Kurt Bock)은 인구 구조의 변화, 디지털화에 따른 기술 진보가 인원 감축의 이유라고 밝
혔다(Die Rheinpfalz, 2017).

3.3.5 독일, 보쉬
보쉬(Bosch)는 이동 솔루션, 산업 기술, 소비재, 에너지 건설 사업 부문을 가지고 있으며
360개 소부문, 50개의 지역사로 이루어져 있다. 일일 평균 20개의 특허를 출원하고 있으며,
기술개발에 큰 금액을 투자하면서 삶의 질을 개선하기 위한 다양한 서비스를 제공하고 있
다(Robert Bosch GmbH 2017; 나준호, 최드림 2016; 김낙훈 2015a).
보쉬의 내부 슬로건은 3C이다. 2020년까지 전 세계에 흩어진 250여개의 자사 공장들을
연결하여(Connect), 새로운 경영효율화 실행을 함께 창조(Co-create)하고, 성공 사례들을 서
로 학습, 복제(Copy)하여 기업 전체의 생산성을 크게 진작시키자는 계획이다.
보쉬 렉스로트는 홈부르크 공장에서 인더스트리 4.0을 실질적으로 실현하는 실험 과정에
있다. 동 공장의 조립라인 하나에서 200개가 넘는 다양한 유압 밸브를 조립한다. 조립 라
인의 스마트 스테이션이 공구 캐리어의 RFID 칩을 통해 준비된 제품을 어떻게 조립할 것
인지, 그리고 어떤 작업 단계가 필요한지를 인식한다. 각 스테이션은 태그를 읽고 디스플
레이를 통해 처리해야 할 변형에 대해 해당 작업자에게 작업 지시를 보여준다. 이를 통해
수많은 개별 제품을 한 라인에서 제조할 수 있다(Roland Berger 2017; 슈테파니 미헬
2016).
홈부르크 공장의 생산라인은 보쉬 자체 제품과 솔루션을 사용하였다. 생산정보 시스템인
액티브 콕핏(Active-Cockpit)이 지속적으로 생산 데이터를 모아 필터링하고 시각화한다. 작
업자들은 통신 플랫폼과 자체 지능을 가진 오픈 자동화 솔루션을 사용한다.
유압밸브 공정에 적용한 RFID를 통해 정밀 인식과 작업 지시 동기화가 가능해졌다. 이는
재고와 작업 준비시간을 줄여 생산성을 10% 높였고, 공간이용 효율도 30% 가량 향상시켰
다. 홈부르크 공장의 작업라인은 Industry 4.0 Award를 수상했다.
슈투트가르트 시의 포이어바흐 공장 역시 인더스트리 4.0을 대표하는 스마트 팩토리이
다. 세계 완성차 제조사에 디젤 시스템 부품을 주로 공급한다(정치연, 2017).
이곳의 핵심 장비도 액티브 콕핏으로, 기계와 시스템을 사물인터넷으로 연결해 실시간으
로 데이터를 수집하고 관리한다. 작업자는 에너지 모니터링 시스템과 유지 보수 지원 시스
템에 접속하여 공장 현황을 한눈에 확인할 수 있다. 과거에는 직원이 일일이 작업 현황을
적는 방식으로 한 달 평균 380시간을 소비했으나, 액티브 콕핏을 활용해 데이터 수집 시간

- 34 -
을 월 34시간으로 단축할 수 있었다. 또한 에너지 모니터링을 통해 2016년에 총 350MWh
의 에너지를 절약할 수 있었다. 현장 직원은 스마트폰이나 태블릿 등을 통해 빠르게 유
지·보수 직원과 소통할 수 있으며, 이를 통해 직원이 유지·보수를 위해 걸어다니는 시간
을 절반으로 줄일 수 있었다. 액티브 콕핏은 공장 전체의 생산량을 2% 증가시켰고, 고장으
로 공장이 멈추는 시간을 5% 줄였다.
공장에서는 아파스라 불리는 협업 로봇을 이용한다. 아파스에 사람이 다가가면 로봇이
스스로 작업 속도를 늦추고, 직접 손을 대면 안전을 위해 작업을 멈춘다. 무거운 부품은
아파스가 옮기고 사람은 조립만 하는 방식으로 협업이 진행된다.
이멘슈타트(Immenstadt)에 위치한 블라이차흐(Blaichach) 공장 사례는 인더스트리 4.0 도
입이 고용을 감소시키지 않는 사례에 해당한다. ABS/ESP 브레이크 제품을 생산하는 동 공
장에서는 작업자들이 인더스트리 4.0프로젝트에 적응할 수 있도록 적절한 교육을 받게 했
다. 2015년 4월에는 ‘Working well in Factory 4.0 (Gute Arbeit in der Fabrik 4.0)’이라
는 제목으로 인더스트리 4.0이 가져올 변동 사항에 있어 회사와 직원들을 대비시키기 위한
프로젝트를 수행하기도 했다(Hoellbacher 2015; Sören Götz und Lukas Koschnitzke 2017).
보쉬의 CEO인 크리스토프 퀴벨(Christoph Kübel)도 “우리의 비전은 사람이 없는 공장이
아니다.”라고 언급하며, 공정 자동화가 일자리를 없애기보다는 더 많은 일자리를 창출할
것이라고 했다. 기계는 인간이 하기에 단조로운 공정을 담당하고, 사람과 기계가 함께 작
업하는 근로 환경을 구축하게 될 것이다. 그러나 디지털화에 따라 이전과 똑같은 일을 계
속하여 담당할 수는 없으며, 직원 교육을 통해 새로운 생산 과정을 담당해야 한다. 로이틀
링엔(Reutlingen)에서는 직원에게 프로그래밍 교육과정을 제공하며 최대 500명의 직원들을
재교육하고 있다. 또한 숙련되지 않은 직원을 위해 자격 부여 프로그램을 마련하여 추가
교육을 제공하기도 한다. 매년 직원의 역량 프로필을 작성하여 직원의 재교육 방안 또는
부서 변경 방안을 고려한다.
보쉬그룹은 전 세계 225개 공장 중 50개 공장이 넘는 곳에서 스마트 공장 시범라인을
가동 중에 있으며, 점차 확대할 전망이다. 2014년 블라이차흐 공장의 시범 과정에서
ABS/ESP 브레이크 제품은 23%의 생산성 증가를 보였으며, 2015년까지 전체적으로 생산성
은 10% 향상, 재고 수준은 30% 절감되었다. 또한 자회사인 BOSCH Software Innovation에
서는 IT 인력을 확충하여 IoT 플랫폼을 개발하고 있다(LG경제연구원, 2017; 김낙훈, 2015;
Hoellbacher, 2015).

- 35 -
 3.3.6 독일, 쿠카
쿠카(KUKA)는 자동화 기술 및 로봇 전문 기업으로, 산업용 로봇을 제조하여 자동화 시
스템과 로봇 공학, 플랜트 엔지니어링 분야에서 국제적 입지를 구축하고, 독일 인더스트리
4.0 구현에 중추적인 역할을 감당하고 있다. 쿠카의 주요 사업은, 산업용 로봇 개발 및 판
매와 로봇 제어 소프트웨어 및 서비스를 제공하는 산업용 로봇(Robotics) 부문, 설비 및 특
수기계 생산 분야의 맞춤형 자동화 설비 설계 및 프로젝트 관리와 관련된 자동화 솔루션
개발(Systems) 부문, 조립, 가공, 용접, 레이저 분야의 자동화 공정 셀 및 솔루션 제공과 관
련된 제조 설비(Industries) 부문, 미래지향형 병원, 창고, 물류센터에 대한 자동화 솔루션
제공하여 업무 진행과 물품 조달, 재고 관리에서 효율성 증진을 추구하는 물류센터 솔루션
(Swisslog) 부문으로 나누어진다(KUKA AG, 2016; 박정은, 2015; 김영학, 2016).
쿠카의 LBR iiwa 모델은 인체공학적 작업을 위한 협업로봇인 코봇(Cobot: Collaborative
robot)이다. 지멘스 공장에 도입되어 있다. 코봇을 투입하면 노동자가 자신의 머리 위에서
힘겹게 진행해야 하는 조립작업이나, 반대로 몸을 구부려야 하는 작업을 줄일 수 있다. 코
봇에는 센서가 부착되어 있다. 이를 통해 주변 환경을 인식하여 사물과 코봇이 부딪치는
것을 방지하면서 무거운 부품을 넣는 반복적인 작업과 같은 비인체공학적인 작업을 대신
할 수 있다.
또한 쿠카는 매트릭스 생산(matrix-produktion) 개념을 도입하여 생산하고자 하는 제품군
을 변경하고자 할 때 전체 공정 과정과 연동된 산업 규모의 생산설비를 즉시 변환할 수
있도록 하고 있다. 범주화 및 표준화된 생산 셀에 기초하여 생산하려는 제품에 구애받지
않는 기기 및 공정을 구현하고자 한다. 따라서 매트릭스의 하나의 셀단위 내에서 부품 조
립이 이루어지며, 구체적인 공정 상황에 따라 각각의 셀이 확장 및 통합될 수 있도록 매트
릭스를 구성했다. 이를 토대로 인더스트리 4.0에서 구현하고자 하는 여러 제품 버전과 다
양한 모델을 생산하는 것이 가능해졌다.
쿠카의 기술은 다양한 산업군에서 활용 가능하다. 쿠카 사는 자신들이 제공할 수 있는
상품의 범위를 자동차 산업의 엔지니어링 설비, 프로젝트 관리 시스템, 테스트 과정 제공,
전자상거래의 스마트 솔루션 소프트웨어 제공, 전자산업 제품의 조립 생산, 원자력 발전설
비의 가동 중단, 폐기제품 처리 및 환경 복원, 의학 로봇 산업과의 기술협약 지원, 식품 산
업의 포장과 보관 공정 솔루션, 금속 산업 주조 부문 자동화 등 다양한 사례로 제시하고
있다(KUKA AG, 2016). 쿠카의 시스템 도입 후 생산 효율성이 증진된 사례로는 에어버스,
BSH, ASM, 크라이슬러 등이 대표적이다.

- 36 -
 에어버스(Airbus)의 경우, 함부르크 공장의 항공기 제작 시설에서 쿠카의 옴니무브
(omniMove) 제품을 활용하고 있다. 항공기의 거대한 동체로 인해 제조 공간 활용이 제한
되는데, 옴니무브는 매우 좁은 공간에서도 항공기 제작에 필요한 중장비 부품을 전 방향으
로, 밀리미터 단위의 정확도로 운반할 수 있다. 신규 항공기 모델을 위한 로봇 자동화 생
산 라인에도 쿠카의 솔루션을 도입할 예정이다.
비에스에이취 하우스게레트(BSH Hausgeräte GmbH)는 식기세척기 생산 라인에서 쿠카의
플렉스 펠로우(flexFELLOW) 제품을 이용하고 있다. 인체공학적으로 불편한 작업이 기계의
도움으로 이루어진다. 또한 로봇이 작업을 문서로 정리하여 제시하고, 나사 결합이 정상인
지에 대한 메시지를 제공한다. 또한 감응 특성을 가지고 있어, 로봇이 독립적으로 공정을
자가 조정하고, 검색 실행 모드를 통해 나사 결합 위치를 찾고, 올바르게 나사를 결합하여
넣는 자동화 공정을 수행할 수 있다.
전자기기 산업 제조 솔루션 업체인 에이에스엠 제조 시스템(ASM Assembly Systems)은
쿠카의 KMR iiwa 시스템을 도입했다. 이 시스템은 작업장 내 자동경로를 설정하며, 고정
식 1차 조립을 담당한다. 로봇 기술을 기반으로 하여 자동화를 구축하여, 작업 과정의 오
류를 최소화하고 조립 업무를 간소화했다.
미국의 자동차 제조사 크라이슬러는 쿠카와 협력하여 259개의 로봇과 6만 개의 장치가
산업용 사물인터넷으로 연결된 스마트 공장을 미국 오하이오 주에 구축하여 생산성 개선
에 성공하였다. 공장은 센서로 이상 상황을 실시간으로 파악하고 공정을 조정하여 즉각 대
응이 가능하며 8년 동안 무중단 운영을 할 수 있다. 수집 데이터에 기반을 둔 운영 효율화
로 공장에서는 지프 랭글러(Jeep Wrangler) 차체를 한 라인에서 77초마다 1개씩 생산할 수
있다.(KUKA AG 2016, KT경제경영연구소 2017)
쿠카는 지속적으로 자동차, 전자기기, 물류, 소비재, 건강 용폼 등의 산업에서 자동화와
디지털화를 추구하여 새로운 산업 모델을 구축할 것이다(KUKA AG, 2016; Pooler, 2017).

<표 3-2> 쿠카의 매출 및 고용 변화, 2010-2016

단위: 백만유로, 명)
(

연도
2010 2011 2012 2013 2014 2015 2016
구분
매출 1,078.6 1,435.6 1,739.2 1,774.5 2,095.7 2,965.9 2,948.9

고용 5,990 6,589 7,264 7,990 12,102 12,300 13,188

- 37 -
 쿠카의 로봇 및 솔루션 수요 증대로 인해 매출과 고용이 계속 증가하고 있다. 매출은
2010년 10억 7,860만 유로에서 29억 4,890만 유로로, 고용은 5,990명에서 13,188명으로, 각
각 2.7배와 2.2배 증가했다. 북미와 중국이 주요 시장으로 2016년 기준, 북미 시장 매출 13
억 6,950억 유로, 중국 시장 매출 5억 2,530만 유로를 기록했다. 북미 시장에서는 낮은 에
너지 가격과 신기술 수요, 중국 시장에서는 생산가능인구의 감소 및 가파른 임금 상승률로
인해 노동력을 대체할 산업용 로봇 수요가 크다(KUKA AG, 2016; 김재현, 2017).

3.3.7 독일, 하르팅

하르팅(Harting)은 노르트라인 베스트팔렌(Nordrhein-Westfalen) 주의 에스펠캄프
(Espelkamp)에 위치한 산업커넥터 제조업체로 100% 가족소유 중견기업이다. 네덜란드. 프
랑스, 멕시코, 미국, 중국 등 전 세계 13개 국가에 생산기지를 두고 있다. 초기에는 조리
판, 전기다리미 등을 생산하는 기업이었으나, 1950년대 이후 산업용 커넥터 분야에 본격
진출하여 생산을 시작하였다. 현재 산업용 커넥터 부문에서 세계적인 경쟁력을 갖고 있는
기업으로 성장했으며, 스마트공장 추진을 위한 지역 기술 네트워크 “It’s OWL”에 참여
하는 핵심 25개 기업 중 하나로 선정되었다(권준화 2016a, 2016b; Harting AG&Co.KG,
2017a).
하르팅은 향후 맞춤형 대량 생산 추세가 가속화될 것으로 예상하여 스마트공장 도입을
추진하게 되었다. 하르팅 경영진은 모듈화된 생산과정과 비즈니스 소프트웨어 도입을 통해
고객 맞춤형 제품 생산을 하겠다는 강한 의지를 가지고 신속히 스마트공장 도입을 추진하
였다(권준화 2016a; Northdata 2017; Goldbacher 2015; Schäfer 2014; Harting AG&Co.KG
2017b).
스마트공장 구축을 위해 2012년 지역 기술 네트워크인 “It’s OWL”의 스마트공장 프
로젝트에 참여하여 스마트 공장 프로젝트를 위한 컨소시엄을 구성하였다. 빌레펠트대학 기
계공학연구소, IT 및 기계공학부문의 하르팅 자회사가 참여하였으며, 5년간 1.8백만 유로를
투자하여 관련 필요한 기술 등을 개발하였다. 2014년에는 플렉시몬(Fleximon)이라는 스마
트공장을 도입하였고, 2016년에는 이보다 혁신적 스마트 공장인 ‘HAII4YOU Factory’를
독자적으로 구축하였다. HAII4YOU Factory는 스마트 공장 내 이루어지는 생산프로세스를
지능적으로 제어하는 시스템 등을 갖추었다.
스마트 공장 도입에 따라 제품생산방식이 공급자중심 생산에서 고객맞춤형 생산으로 변
화하였다. 인터넷에서 고객이 직접 원하는 부품들을 선택하고, 이것들을 조합한 제품에 고

- 38 -
객이 지정하는 제품명을 부착할 수 있다. 생산체계의 변화를 통하여 하르팅의 생산성은 스
마트공장 도입 이전에 비해 약 30%가량 향상되었다(권준화 2016a; Harting AG&Co.KG
2016b).
또한 자사의 스마트공장 시스템인 플렉시몬을 타 기업에 공급함으로써 새로운 수익모델
을 갖게 되었다. 기계와 장비의 판매뿐만 아니라, 스마트 부품, 스마트 시스템에 관한 컨설
팅 및 유지관리서비스 등을 제공한다.
스마트 공장 도입 이후 매출과 고용 모두 꾸준히 증가세를 보이고 있다. 2010년부터
2016년 사이 매출은 4억 1,300만 유로에서 5억 8,600만 유로로 40% 상승했고, 고용은 2,990
명에서 4,286명으로 역시 40% 증가했다.

표 3-3> 하르팅의 매출 및 고용 변화, 2010-2016

<
단위: 백만유로, 명)
(

연도
2010 2011 2012 2013 2014 2015 2016
구분
매출 413.0 481.0 479.0 484.0 547.0 567.0 586.0

고용 2,990 3,263 3,410 3,563 3,790 3,940 4,286

생산자동화로 고용안정에 영향이 있을 수 있었음에도 노동자는 스마트공장 도입을 적극

수용하였다. 이는 가족적 기업문화로 안정적 고용에 관해 오랜 전통을 갖고 있었고, 종업
원들이 회사 및 경영진을 전적으로 신뢰했기 때문이다. 경영진은 적극적인 기업 내부 의사
소통 활동을 통해 직원들에게 스마트공장 도입과 관련된 변화에 대해 많은 정보를 제공함
으로써 종업원들이 변화 프로세스를 충분히 공감할 수 있도록 했다. 이로 인해 스마트공장
이 안정적으로 정착될 수 있었다.
또한 스마트 공장관련 교육훈련을 광범위하게 실시하였다. 상당수의 기존 노동자는 스마
트공장 도입 후 직업재교육을 통해 새로운 과업에 재배치되었으며, 현재 고용된 인원뿐만
아니라 직업교육생까지 스마트공장과 관련된 교육훈련을 실시하였다. 회사 소속 160명의
직업교육생들에게 스마트공장 관련 직업교육 및 직업재교육을 실시하였으며, 이는 “It’s
OWL” 소속 대학과의 협력을 통해 이루어졌다. 이를 통해 현재 하르팅 종업원은 물론 관
련 업계에 진출할 미래인력까지도 스마트공장 관련 기술을 습득할 수 있게 했다.

- 39 -
 3.3.8 독일, 비제바
비제바(BIZERBA)는 산업 계량 및 라벨링 기술 분야에서 관련 기술을 제공하는 독일의
가족 소유 기업이다. 1866년 설립되었고 2016년에 설립 150주년을 맞이하였다. 본사는 바
덴-뷔르템부르크 주의 발링겐(Balingen)에 위치해 있다. 독일에는 본사와 3개의 생산시설을
두고 있으며, 세계 각국에 흩어져 있는 41개의 자회사와 69개의 국가별 대행사에서 3,900
여명의 직원이 일하고 있다(Hauser, 2017; Südkurier, 2016; van Berkel, 2017a).

표 3-4> 비제바의 매출 및 고용 변화, 2010-2016

<

단위: 백만유로, 명)
(

연도
2010 2011 2012 2013 2014 2015 2016
구분
매출 435.0 435.5 454.8 466.1 503.8 598.6 652.6

고용 3,012 3,047 3,052 3,077 3,223 3,509 3,900

비제바는 식품, 의약, 무역 및 물류 분야의 회사에 무게 관련 하드웨어·소프트웨어 솔

루션을 제공하여 고객사의 인더스트리 4.0 구현을 이끌고 있다. 비제바는 슬라이스, 가공,
칭량, 현금화, 점검, 커미셔닝 및 라벨링과 관련된 제품 및 솔루션 뿐 아니라 컨설팅 및 서
비스, 라벨 및 소모품에서부터 포트폴리오 임대를 완료하는 광범위한 서비스 포트폴리오를
구축하고 있다.
구체적으로 스마트 공장을 위한 지능형 라벨링 솔루션을 개발했는데, 이를 통해 고객사
는 생산량을 예측하고, 장비를 유지·관리하는 데 드는 비용을 절감할 수 있다. 자동 라벨
링 시스템은 데이터베이스를 실시간으로 동기화하여 비용을 크게 늘리지 않고도 시장 변
화에 따라 제품 변형, 새로운 라벨 디자인을 할 수 있어 소비자 맞춤형 제품 생산에 효과
적이다. 또한 라벨링 시스템이 네트워크로 연결되어 있어 개별 제품 크기에 맞게 조정할
수 있으며, 라벨 소비량과 창고 관리 시스템을 동기화하여 물량 부족 시 자동 주문이 이루
어진다. 기계 데이터를 실시간으로 등록하여 조기에 문제점을 발견하여 유지·보수에 있어
서도 비용을 절감할 수 있다.
비제바는 2016년 2월 ‘바덴-뷔르템부르크 주의 인더스트리 4.0 100개 사업장’에 선정
되었다. 비제바는 포장 식품의 개별 라벨링을 위한 기술인 ‘지능형 Plug-In® Label’을
개발했으며, 이에는 소모품을 제어할 수 있는 기술이 탑재되었고, 기계의 유지·보수가 필

- 40 -
요할 때 자동으로 서비스 요원에게 통지하여 기계 고장이 발생하기 전에 문제를 해결할
수 있도록 했다.
Plug-In® Label은 식품 공장의 개별 공정을 제공할 수 있기 때문에 소비자의 개별 니즈
를 반영하여 생산할 수 있다. 예를 들면, 소비자는 알러지 등으로 자신이 피해야 하는 식
재료를 선택할 수 있고, 입맛에 따라 더 많은 향료를 첨가하여 제품을 생산할 수 있게 된
다. 라벨 생산 기계는 클라우드에서 정보를 얻어 내용물, 무게, 가격이 적힌 라벨을 만들고
스스로 주문까지 한다. 나아가 개별 라벨이 부착된 포장물의 사진을 소비자에게 가상 샘플
로 보낼 수 있다(van Berkel, 2017b; Yumda, 2014; Engelhard, 2017; Neue Packung, 2015).
또한 산업용 소프트웨어 Brain2를 통해 비제르바 기계를 통한 생산 프로세스를 통합 관
리할 수 있고, Bizerba Vision System은 바코드, 텍스트, 라벨 위치를 자동으로 확인하여 포
장 불량 가능성을 낮추며, 중량이 잘못될 경우 제품을 자동 분류한다. 엑스레이 시스템인
XRE는 음식에 들어간 돌, 유리, 세라믹, 뼈 등의 이물질을 탐지하여 자동으로 보고할 수
있다.
이탈리아 커피 회사 카페 밀라니(Caffé Milani)는 비제르바의 중량 선별기를 설치하여 생
산 라인을 확대한 성공 사례로 꼽힌다. 생두를 로스팅하여 포장하는 생산라인 마무리 단계
에 비제르바의 중량 선별기를 배치하여 커피가 적정 중량에 미달 혹은 초과되었는지 체크
한다. 측정된 모든 데이터는 실시간으로 통계 자료로 정리되어 카페 밀라니의 제품 품질
강화에 기여하며 제품 손실을 최소화할 수 있다. 커피 포장이 적정 중량을 약간 초과하는
것만으로도 큰 손실로 이어질 수 있기에, 카페 밀라니 측은 비제르바의 정확한 중량 선별
기 솔루션을 도입한 것에 긍정적 반응을 보였다(Bizerba SE & Co. KG, 2016).
오스트리아의 물류 센터 한들 티롤(Handl Tyrol)은 물류 컨베이어 벨트에서 박스 포장 작
업과 박스 라벨링 작업 사이에 기계가 작동하지 않는 시간이 끊임없이 발생한다는 문제점
이 있었다. 한들 티롤은 비제르바의 GLM-B 150 F 라벨링 모델을 도입하여 문제를 해결하
였다. 동 기계는 바코드를 스캔하여 박스를 선별하며, 고객 이름과 발신자, 주문번호 등 모
든 정보를 부착한다. 정확한 고객 정보 인식이 가능해졌고, 포장과 라벨링 간 시차를 줄여
물류 선별 과정의 소요시간을 단축하여 한들 티롤의 물류 프로세스의 효율성을 개선했다.
무게 측정, 절단 및 마킹 기술에 대한 요구가 증가함에 따라 사업은 확장세를 띠고 있으
며, 직원 수도 계속 늘어나고 있다. 비제바의 총 매출은 꾸준히 상승세를 보이며, 특히 해
외 판매 비중이 65% 이상을 차지하고 있다(Northdata, 2017; Hauser, 2017). 2010년 대비
매출은 4억 3,500만 유로에서 6억 5,260만 유로로 50% 증가했고, 고용도 3,012명에서 3,900

- 41 -
명으로 30% 늘어났다. 비제르바는 여러 유럽 국가 및 브라질, 남아프리카, 동유럽 국가 등
성장 시장에도 적극 투자할 뜻을 보이고 있으며, 계량 및 절단 분야의 디지털 솔루션 개발
에 더욱 집중할 예정이다.

3.3.9 독일, 오토 보게
오토 보게(Otto Boge)는 독일에 있는 산업용 압축기 및 진공 압축 시스템을 제조하는 기
업으로, 종업원 700명 규모의 독일 중견기업이다. 1907년에 설립되었고, 본사는 독일 빌레
펠트(Bielefeld)에 위치해 있다. 전 세계 120개 국가에 소재한 식품, 철강, 플라스틱 및 의약
품 회사들에 수출하고 있으며, 매출액 대비 수출 비중은 65%에 달한다. 공기 압축기, 질소
및 산소 발생기 등을 생산하며 지속적인 기술 개발로 압축기 분야에서 강력한 기술력을
가진 글로벌 강소기업이다(권준화 2016b; Bloomberg 2017; Otto Boge GmbH & Co KG
2016).
오토 보게는 2011년 이후 스마트공장 도입 및 확산을 핵심 사업으로 추진하는 노르트라
인 베스트팔렌주의 기업, 대학, 연구소, 경제단체 기술 네트워크인 ‘It‘s OWL’에 참여
하여 스마트공장 도입을 적극 추진했다(권준화 2016a; It‘s OWL Cluster management
2014).
기존 공장에서 생산하는 부품 및 제품은 기존 인력과 시스템으로 생산할 필요가 있다고
판단하여, 기존 공장을 전환하지 않고 신규 공장 건립을 추진하였다. 이에 작센 주 그로센
하인(Grossenhain)에 신규 건립한 공장에 전 공정을 자동으로 통제할 수 있는 시스템을 구
축하였다. 주문된 상품별로 개별적인 생산시스템을 운영하며, 지능형 컴퓨터를 활용하여
시스템 스스로 어떤 부품들이 사용되어 어떤 제품들을 생산할지 결정할 수 있다.
스마트 공장 시스템은 산학협력을 통해 구축되었다. 앞서 말한 It’s OWL이라는 기술
네트워크를 통해 파더본 대학 협력 프로젝트를 통해서는 압축기의 지능화된 통제시스템을
개발하였고, 빌레펠트 대학 협력 프로젝트에서는 압축기의 자동화된 조합을 가능하게 하는
시스템을 개발하였다.
오토 보게는 스마트공장을 운영하는 동시에 새로운 시장을 형성하였다. 스마트공장 운영
에 필요한 지능형 진공압축 시스템을 새롭게 개발·제조하게 되었고, 이 시스템이 진공압
축기 스마트공장의 주요 설비가 되어 스마트 공장 설비의 공급업체가 될 수 있었다. 또 이
진공압축 시스템을 스마트폰 및 태블릿용 어플리케이션을 사용하여 원격으로 유지·관리
할 수 있는 지능형 솔루션을 자체적으로 개발하였다.

- 42 -
 오토 보게의 스마트공장 중심의 인더스트리 4.0 도입은 생산체계 측면에서 주문된 상품
별로 개별적인 생산을 자동적으로 처리하는 시스템을 운영하여 프로세스 효율성 증대, 반
복공정 정확성 제고, 품질 향상, 생산 유연성 증대를 통해 생산성을 크게 향상시켰다(권준
화 2016a, 2016b; Nuissl 2013; Rinke 2016; Northdata 2017a).
생산성 증가에 힘입어 지속적인 매출도 증가세를 보이고 있다. 2016년 매출은 1억 3,700
만 유로로 2010년 대비 50% 증가했고, 고용도 800명으로 550명에서 50% 늘어났다.

<표 3-5> 오토 보게의 매출 및 고용 변화, 2010-2016

단위: 백만유로, 명)
(

연도
2010 2011 2012 2013 2014 2015 2016
구분
매출 93.2 100.0 107.7 109.6 121.7 131.5 137.0

고용 550 558 592 650 700 716 800

오토 보게의 스마트공장 도입은 경영진의 전략적 의사결정으로 이루어졌다. 경영진은 스

마트공장에 대한 합리적 계획을 수립하고, 시스템 공급업체와 협의를 통해 최종 스마트공
장의 핵심 요소를 결정하였다. 동독지역의 정책자금과 은행 대출을 통하여 자금을 조달했
다. 직원을 해고하지 않는 전통적인 기업문화, 충분한 소통을 통해 노사 간 신뢰관계를 형
성한 덕분에 직원들의 저항은 거의 없었다.
구 동독지역에 위치한 스마트 공장에서 일하는 직원은 모두 자격을 갖춘 인재로 채웠다.
그리고 기존 인력에 대한 고용상의 어떠한 변화도 없이 안정적 업무환경을 조성했다. 직원
의 직업교육 수요가 커짐에 따라 직업교육과 직업재교육을 실시하였다. 스마트 공장 도입
전에는 수작업을 하는 기술자가 필요했지만, 도입 후에는 자동화된 기계를 운영할 수 있는
새로운 기술을 가진 기술자가 필요했다.
자동화 시스템 대체 이후 1∼2개월 정도 직원의 직업재교육을 실시하였고, 직원들은 이
를 통하여 새로운 기술을 습득하였을 뿐만 아니라, 업무 만족도가 향상되었다. 예를 들어,
수작업 엔지니어가 재교육을 통해 소프트웨어 엔지니어로 재탄생하였다. 따라서 인력감축
등 기존 인력에 대한 고용상의 어떠한 변화도 없이 안정적인 업무환경이 조성될 수 있었
다(권준화 2016a; Northdata 2017a).

- 43 -
 3.3.10 일본, 미쓰비시전기
미쓰비시전기는 나고야제작소에 공장 자동화 솔루션 e-F@ctory를 도입했다. (나준호, 최
드림 2016; 산업연구원 2017; 이유진 2017; LG경제연구원 2017). 미쯔비시는 2000년대 초반
부터 센서 등을 공장 자동화에 적극 활용해 생산 유연성 제고, 설비 보수 효율 증대 등 성
과를 거두어왔는데, 이러한 성과들은 개별 프로젝트별로 분산되어 있었다. 미쯔비시는 기
존 성과를 통합하는 측면에서 2014년부터 인텔과 협력해 e-F@ctory 시스템을 개발하였다.
e-F@ctory 시스템은 FA와 IT 기술을 활용하여 개발·생산·유지보수 전반의 총비용을
절감하고 한발 앞선 제조를 지원하는 솔루션을 제공한다. e-F@ctory는 생산 실적, 가동 실
적, 품질 정보 등 생산현장의 데이터를 실시간으로 수집하고 데이터를 IT시스템에 끊임없
이 연결시켜 데이터의 분석 및 해석 결과를 생산현장에 계속적으로 피드백 함으로써 여러
문제를 해결할 수 있게 한다. 이는 공장 생산라인의 상태, 설비 가동상황, 근로자 동향 등
을 실시간 파악할 수 있기 때문에 가능했다. e-f@ctory의 구현을 위해서는 다른 기업과의
협력이 필요한데, SI(Systerm Integrator), 소프트웨어, 기기 등 291사가 파트너로 참여하고
있다.
미쓰비시 전기 나고야 제작소는 작업자 잘못에 의한 불량률 제로를 목표로 삼아 모든
시스템이 작업자의 실수를 줄이는 데 집중하고 있다. 예를 들어, 바코드를 읽으면 작업자
가 사용해야 할 부품과 도구를 자동으로 제시하고, 현장에서 수집한 데이터를 분석하여 불
량이 작업자에 의한 것인지 제조 환경에 의한 것인지를 밝혀 개선에 반영한다.
미쓰비시 전기의 나고야 제작소는 공장 내에 e-f@ctory 개념을 도입한 이후 공장 내의
데이터를 분석하고, 문제를 현재화함으로써 생산성, 품질, 에너지절감, 안전성, 보안성 향
상 등의 성과를 실현하였다. 품질 손실은 50% 이상 감소, 생산성은 30% 증가, 에너지 비용
30% 감소, 가공 시간은 15% 이하로 감소하였다. 산업 제조 현장에서 기계를 제어하는 전
자장치인 PLC를 생산하는 나고야 제작소의 E4 라인은 e-F@ctory 도입 후 소비전력을 30%
정도 줄였을 뿐 아니라, 불량품 발생을 원천 차단하고 있다. 모터를 생산하는 나고야 제작
소의 W3 라인에서는 e-F@actory 도입 후 작업 시간이 40~50% 정도 줄었고, 전력 소모도
10% 이상 줄었다(강승태 2017a, 2017b).
미쓰비시는 IT가 제조를 지원하는 도구에 불과하다고 생각하고, IT 시스템이 가진 성능
을 끌어내되, 이를 활용하기 위해서 필요한 정보를 취사선택하는 인간의 역할을 중시하고
있다. 코야마 켄이치 미쓰비시전기 나고야 제작소 소장은 스마트 공장으로 인해 일자리가
줄어들 것이란 우려가 있다는 점에 대해서는 무조건 사람을 줄이는 것을 목표로 스마트

- 44 -
공장을 추진하는 것이 아니라는 의견을 개진했다. 스마트 공장 구현을 위해 가장 중요한
것은 사람이고, 무인화 공장은 변화나 오류에 능동적으로 대처하지 못하며, 기계가 아무리
효율성이 높아도 소프트웨어를 만들거나 유지·보수하는 것은 사람의 몫이 될 것으로 전
망하였다.
따라서 기계와 사람의 공존이야말로 스마트 공장의 핵심이고, 데이터를 활용하고 현장에
접목하는 것은 사람이 할 일로 남게 된다. 따라서 사람과 로봇이 함께 어울려 근무할 수
있는 환경을 조성하는 것이 중요한 목표가 되었다. 투입된지 1~2개월 밖에 되지 않은 근로
자도 일할 수 있도록 공장 내 작업을 설명하는 모니터를 설치했다. 다이요 산업단지에 입
주해 있는 공장의 경우 장애인, 고령층, 경력단절 여성 등을 고용하는 등 사회 고용 측면
에서도 긍정적인 역할을 하고 있다.
IT 시스템은 작업자를 편하게 하고 생산성과 효율성을 극대화하는 도구일 뿐, 그 자체로
목적이 돼선 곤란하며, 각종 신기술이 작업자의 장인정신과 연결될 때 진정한 힘을 발휘할
수 있다는 주장이다(강승태 2017a, 2017b; 이유진 2017).

3.3.11 일본, 화낙
화낙(FANUC)은 로크웰 오토메이션(Rockwell Automation)과 전략적 제휴 파트너십을 기반
으로 프로세스 간소화 및 통합을 기반으로 스마트 공장을 운영하고 있다. 기존에는 존재하
지 않았거나 운영 과정에서 제대로 활용되지 못했던 데이터에 고객이 액세스할 수 있도록
돕고 있는데, 이를 통해 제조 현장의 스마트 자산 및 머신의 다운 타임을 줄이고 생산성을
증진시키는 원격 보안 모니터링 등 최신 기술을 개발 중이다. 더불어 커넥티드 엔터프라이
즈 확장 노력을 기울여 공장 생산 자산에 대한 모니터링 및 유지·관리 분야를 개발하고
있다.
2000년대 초부터 스마트 공장을 추진하여 자동화율이 75%에 육박하고 있다. 또한 시스
코 시스템즈와의 협업을 통해 현장용 제조 로봇을 네트워크로 연결하고 있다. 양사는 주요
자동차 브랜드에서 제로 다운타임(ZDT) 파일럿 프로젝트를 실시하였으며, 생산 설비 및 제
조용 로봇의 다운타임을 거의 100% 절감하였다.
화낙의 ZDT 솔루션은 로봇 및 제어 장치, 제조 공정에서 발생할 수 있는 문제점을 사전
에 감지하고 예기치 못한 다운타임을 방지하기 위해 사전 유지보수 일정에 맞춰 문제를
해결함으로써 예기치 못한 다운타임 발생을 예방한다. 이로 인한 생산성 향상 등으로 영업
이익률이 36%를 상회하였다.

- 45 -
 앞으로 공장 전체 생산 시스템 최적화를 실현할 수 있는 플랫폼으로 4개사의 협력을 통
해 FIELD system을 시작할 예정이며, 이러한 산업용 IoT 기술은 다운타임 방지에 필요한
상황화(contextualized)된 정보를 실시간으로 운영자가 접근할 수 있도록 하고 있다.
고용 면에서 산업용 로봇의 생산인력 대체에 따라(자동화율 75%) 기존 인력을 R&D 및
고객관리 부문 등으로 전환 배치하고 있다. 기존 인력 전환을 통해 제조 혁신과 R&D 강
화, 고객 만족 제고의 선순환 구조가 정착되고 있는 것으로 평가된다(Kenkyo Investing
2017; 三島一孝 2016, 2017).

3.3.12 일본, DMM.make AKIBA

일본 스마트 공장 도입을 주도하고 있는 일본전기공업협회는 DMM.make AKIBA에서의
비즈니스 구축을 네트워크 제조업의 참고 사례로 제시하고 있다(スマートマニュファクチャリン
グ特別委員会 2017).
2014년 11월 DMM.com은 수억엔의 비용을 들여 DMM.make AKIBA를 도쿄도 아키하바라,
후지 빌딩에 개설하였다. DMM.make AKIBA는 하드웨어 개발을 종합적으로 지원하는 제조
시설로서, 공유 사무실과 이벤트 공간 등 비즈니스 거점으로서 이용할 수 있는 DMM.make
AKIBA Base와 다양한 제조 시설과 장비의 프로토타이핑을 지원하는 DMM.make AKIBA
Studio로 구성되어 있다.
DMM.make AKIBA는 ‘모노쯔구리(ものづくり)’ 로 표현되는 장인 생산을 주요 컨셉으
로 하고 있다. ➀ 제품 디자인 및 프로토 타입 검증에 필요한 시설을 갖춘 종합 개발 시설
제공, ➁ 제품개발에서 프로토 타입 제작 지원, 수탁 기업의 엔지니어와 크리에이터의 매
칭, ➂ IoT 관련 인재 개발 및 육성 지원, 인재 교육 서비스 제공(IoT 서비스 설계, 제품
관리 등)을 목표로 하고 있다. 또한 기술 지원 외에 인재 검색, 금융 기회 제공, 변리사 및
변호사 등 전문가의 자문 지원도 실시하는 등 스타트업에 필요한 유무형의 플랫폼을 공급
하고 있다. 특히 인력 지원은 PwC 컨설팅 그룹과 공동으로 제공하고 있으며, PwC 컨설팅
은 ➀ 디지털 기술을 활용한 신규사업 개발 지원, ➁ 디지털 기술을 활용한 하드웨어 기획
(IoT 장치, 로봇 등), ➂ IoT 관련 인재개발 및 육성 지원, 인재 교육 서비스 제공(사업전략,
비즈니스 모델 개발 등)의 역할을 맡고 있다.
지난 3년간 DMM.make AKIBA에서는 CNC 등을 비롯한 각종 공작 기계, 3D CAD 소프트
웨어, 측정 장비, 시험 장비 등 제조에 필요한 시설과 장비를 설치하였고, 설계에서 소량
생산까지 필요한 시설을 하나의 거점을 중심으로 집약적으로 배치함으로써 하드웨어를 종

- 46 -
합적으로 지원할 수 있도록 했다.
또한 시설 내에 소규모 공간을 마련하여, 회원들이 이 공간 내에서 회의를 하며 스타트
업을 목표로 하는 관계자와 함께 높은 수준의 기술 정보를 교환하고, 비즈니스 모델을 공
유하며 선의의 경쟁을 하고 있다.
DMM.make AKIBA의 회원은 약 1,500명이며, 그 중 300명 정도가 활발하게 활동하고 있
다. 정확한 조사를 토대로 한 결과는 아니지만, 이 300 명 중 80%가 스타트업을 목표로 하
고 있으며, 10%는 중소 사업자로서 일상 거점으로 이용하고 있고, 나머지 10%는 단순 취
미로 물건 만들기를 위해 이용하고 있는 것으로 추산된다. 회원들은 회사와 투자자를 유치
하는 데모 데이(Demo Day)를 통해 협력과 투자의 기회를 제공하는 장을 마련하는 활동도
실시하고 있다. 데모 데이를 지원하는 기업의 비율은 국내가 40%, 해외가 60%이다.
현재 DMM.make AKIBA는 IoT 지향 하드웨어 분야에서 사업을 시작하려는 스타트업 기
업들의 활동의 장으로서 기능하고 있다고 볼 수 있으며, 미국의 주요 반도체 제조업체 등
이 스폰서가 되는 등 다양한 형태의 제휴가 이루어지고 있다. 또한 일본 내 기업 연구소가
비즈니스의 조기 사업화를 위한 시운전 장소로 이용하기도 한다. 실제로 하드웨어 스타트
업으로서 성공한 사례가 나오는 등 통상적인 스타트업 단계에서는 상당히 까다로운 제품
출하를 시작하는 경우도 늘고 있다.
스타트업 지원 프로그램이나 기존 중소기업의 생산성 향상을 목적으로 한 프로그램 제
작과 관련된 노력도 이루어지고 있으며, 총무성이나 경제산업성과 의견 교환을 하고 있다.
앞으로는 AI와 핀테크 등 IoT를 축으로 하여 하드웨어를 통해 더 높은 가치를 제공하는 영
역에 더 집중할 것으로 보인다.

3.4 소결
지난 30년간의 기술변화는 제조업의 고용을 감소시킨 것으로 나타났지만, 신기술 도입으
로 인한 생산성 향상이 클 때 확산효과가 강하게 나타날 수 있고, 경제 전체의 고용이 증
가할 수 있다. 이는 생산성을 상당한 수준으로 제고시킬 수 있는 신기술을 개발하는 동시
에, 신기술 도입이 생산성을 증대시킬 수 있는 다각도의 보완 방법을 모색해야 함을 의미
한다. 또한 독일의 사례에서 보듯, 고용을 둘러싼 제도의 방향과 제도 안에서 노사 간의
합의가 고용에 미치는 효과가 큼을 확인할 수 있었다. 이는 앞으로의 신기술 도입이 고용
에 미치는 부정적 효과를 최소화하고 긍정적 효과를 높이기 위해서는 관련 제도의 설계가
중요함을 의미한다.

- 47 -
 자동화 기술과 로봇공학 분야 기술이 작업장에 투입돼 근로자 중심의 인체공학적 스마
트 공장으로 발전하고 있다. 기존 단순 노동직을 로봇으로 대체하고, 인체공학적 기계·시
설 및 시스템을 도입하더라도 새로운 기술과 산업을 위해 필요한 ICT 지식 및 교육 시스
템, 관련 소프트웨어 연구 개발에 노력하여 경쟁력을 키울 수 있다.
독일 제조업 현장에서는 로봇이 인간을 대체하는 것이 아니라, 인간의 능력을 보완하고
도와준다는 개념이 더 강하다. 인간이 가진 유연성과 문제 해결 능력을 로봇이 따라오기에
는 아직 무리이기 때문이다. 로봇은 단순하고 반복적인 일을 지원하는 역할을 주로 맡고
있으며, 여전히 로봇을 관리할 숙련된 근로자가 필요하다.
첨단 자동화의 도입이 일자리를 없애기보다는 사람들이 기피하는 작업을 대신할 수 있
으며, 다품종 소량화 시대에 인간이 할 수 없는 고정밀도로 물건을 제작할 수 있다는 점에
서 로봇의 필요성이 크다.
선행연구에서 정보통신 기술의 발달과 로봇에 의한 자동화 등이 제조업의 고용을 감소
시킨 효과는 공통적으로 확인된다. 과거의 기술변화가 고용관계에 미친 효과가 앞으로 스
마트 공장의 도입 과정에서 재현될 것을 보장하지는 않는다. 하지만, 우리는 이러한 경험
을 분석함으로써 미래의 고용 변화가 긍정적인 방향으로 변화하기 위해서는 적어도 생산
성 제고와 관련 제도 설계가 필요함을 확인할 수 있다.
스마트 공장의 4단계 구분은 국내에서 주로 사용하고 있어, 해외 사례에 정확하게 대응
시키기는 어렵다. 다만, 다양한 정보를 종합해볼 때, 스마트 공장의 현 단계 수준은 최대
중간 2단계, 즉 데이터 수집이 자동화되고, 의사결정의 일부 영역에 사람이 개입하지 않는
정도로 판단된다. 즉, 대규모 데이터 수집 및 처리에서는 기계의 역할이 강화되고 있지만,
중간 2단계까지의 데이터 분석과 적용에서 아직 사람의 역할이 남아 있다고 할 수 있다.
이를 위해서는 현장 노동자에게 체화된 암묵적 지식을 기계의 코드화된 지식으로 전환
하여, 생산과정의 효율성을 높일 수 있는 인력양성이 필요하고 이에 맞는 새로운 교육훈련
프로그램이 마련되어야 한다. 또한, 새로운 생산 시스템을 개발/운영할 수 있는 하드웨어
와 소프트웨어 엔지니어 양성도 요구된다.
4장에서는 이러한 맥락아래 새로이 필요한 역량에 대한 연구를 정리하고, 시사점을 도출
하고자 한다.

- 48 -
 제4장 스마트 공장 도입에 따른 고용변화 전망과 주요국의
정책 대응
4.1 기술변화로 인한 고용과 소득분배 변화 전망
4.1.1 기술변화로 인한 거시적 고용변화 전망
앞으로의 미래 변화를 정확히 예상하는 것은 어렵지만, 지난 30년간의 정보통신기술 발
달이 고용에 미친 영향을 살펴봄으로써 앞으로의 생산체계 변화가 가져올 효과에 대한 시
사점을 얻을 수 있을 것이다. 지난 30년의 기술변화가 가져온 고용효과는 정형편향적
(routine-biased) 기술변화와 숙련편향적(skill-biased) 기술변화로 나누어 파악할 필요가 있
다.
정형편향적 기술변화는 특정한 규칙, 정형화된 경로, 계획에 의거하여 반복적으로 수행
되는 정형적 직무를 코드화하여 자동화 기술로 대체하되, 창의성이나 인지능력에 기반한
비정형적인 직무를 자동화하기는 어렵기 때문에 고용증가를 가져올 수 있다. 그에 반해 숙
련편향적 기술변화는 해당 기술을 활용할 수 있는 능력을 갖춘 고숙련 인력의 수요를 증
가시키지만, 저숙련 인력이나 중간 숙련도를 가진 인력까지를 대체할 것이기 때문에 그러
한 인력의 수요를 감소시킬 수 있다.
최근의 기술변화가 직무에 미칠 영향도 이러한 맥락에서 예상해볼 수 있다. 먼저 가장
많이 언급되는 것은 자동화로 인한 대규모의 일자리 감소이다. 가장 대표적인 연구라고 할
수 있는 Frey & Osborne(2013)의 연구는 미국 고용시장을 대상으로 O*NET5) 자료를 활용
하여 일자리 및 직종 단위에서의 고용 변화 추이를 예측했다. 미래 컴퓨터화가 미국 노동
시장에 미칠 영향을 추산하기 위해 70개의 직종에 대해 기계학습 연구자의 기술발달 정도
로 인한 대체가능성을 주관적으로 평가한 후, 가우시안 분류함수(Gaussian process
classifier)에 따라 전체 702개 직종의 컴퓨터화6) 위험을 추정했다. 그 결과 미국 일자리의
47%가 인공지능 기술 및 컴퓨터화로 대체될 수 있는 고위험에 직면하며, 직종의 평균 임
금과 교육수준은 컴퓨터화 가능성과 음(-)의 상관관계를 갖고 있음을 보여주었다.

5) O*NET 자료는 미국 노동부 표준직업분류 기준에 따라 세부 직종 정보를 포함하고 있으며, 직종별 표준화된 측정
가능 변수와 직종의 과업에 대한 주관식 기술을 포함하고 있다. 이 자료로 직종에서 요구하는 지식, 기술, 능력 조
합, 과업의 다양성에 따라 직종을 범주화할 수 있다. 자료는 각 직종별 관련 전문가 조사를 통해 지속적으로 업데
이트 된다.
6) 해당 일자리의 과업이 빅데이터 활용 가능성에 따라 명시적으로 파악될 수 있는지, 현재 컴퓨터 제어 장비에 의해
수행될 수 있는지에 대한 기계학습 전문가 평가(예/아니오)를 했다. 이로 인한 주관 편의를 상쇄하기 위해 컴퓨터화
에서의 병목 현상 발생 가능 영역을 지각 및 조작, 창의적 지능, 사회적 지능의 세 영역으로 나누고 각각의 영역에
손가락 민첩성, 육체적 민첩성, 좁은 작업 공간, 불편한 작업 자세/창조성, 순수예술/사회적 반응성, 협상, 설득, 타
자를 지원하고 돌보기 등의 O*NET의 변수를 수준 점수 보정했다.

- 49 -
 세계경제포럼(WEF: Word Economic Forum, 2016)은 글로벌 선도 기업 371개의 최고인사
책임자와 CEO를 대상으로 설문조사를 실시하여, 15개 선진국과 신흥경제국의 주요 산업에
서의 고용 변동을 전망하였다. 그 결과 15개 주요 국가에서 평균적으로 717만개의 일자리
가 감소하고, 202만개의 새로운 일자리가 창출되어, 515만개의 일자리가 순감할 것으로 예
측하였다. 사무/행정, 제조/생산, 건설/채굴, 예술/디자인/오락/미디어, 법률, 시설/장비 직종
에서는 일자리가 감소할 것으로 예측되며, 비즈니스/금융, 경영, 컴퓨터/수학, 설계/공학, 영
업/관리, 교육/훈련 직종에서는 고용증가가 예상되었다.

< 표 4-1> 15개국 직종별 고용 전망, 2015-2020

(단위: 천명)
사무/ 제조/ 건설/ 예술/디자인/ 시설/
구분 법률 소계
행정 생산 채굴 오락/미디어 정비
순고용
-4,579 -1,609 -497 -151 -109 -40 -7,165
감소
비즈니스/ 컴퓨터/ 설계/ 영업/ 교육/
구분 경영 소계
금융 수학 공학 관리 훈련
순고용
492 416 405 339 303 66 2,021
증가

출처: World Economic Forum (2016)

McKinsey & Compnay(2017)는 인간활동을 지각(sensory), 인지(cognitive), 자연어 처리
(natural language processing), 사회성 및 감성(social and emotional), 신체 능력(physical) 등
다섯 개의 필요역량(capabilities)으로 나누고, 이에 따라 미국의 산업 내 활동의 자동화 가
능성을 분석하였다. 산업 내 활동을 총합했을 때 미국에서 자동화 대체 가능성이 가장 높
은 산업은 숙박 및 음식 서비스업(73%)이고, 이어 제조업(60%), 농업(58%), 운송 및 보관업
(57%) 순으로 높았으며, 전문직과 관리직(35%)은 대체 가능성이 낮았고, 가장 낮은 산업은
교육(27%)으로 예측되었다.
활동별로 보면 자동화 대체 가능성이 높은 활동은 예측 가능한 신체 활동, 자료수집 및
자료처리 분야였고, 가장 낮은 활동은 대면접촉과 대면관리 등이었다.

- 50 -
 그림 4-1> 활동을 고려한 산업별 자동화 정도(예상), 미국
<

출처: McKinsey & Company (2017) p. 7

각주: 원의크기가클수록미국의해당산업내노동시간비중이높음. 붉은색에가까울수록자동화가능성이높고, 연두색에가까울수
록 자동화 가능성이 낮으며, 파란색에 가까울수록 자동화 가능성이 매우 낮음. 가장 좌측의 수치가 전체적인 자동화 가능성을 의미.
- 51 -
 이와 반대로 자동화의 진행에도 불구하고 일자리의 감소가 크지 않을 것이라는 연구도
있다. Autor et al.(2003)에 따르면, 자동화로 대체가 가능한 정형적 업무와 그렇지 않은 비
정형적 업무를 구분했을 때, 기술진보는 정형적 업무의 고용은 감소시키지만, 비정형적 업
무의 고용은 증가시키는 것으로 나타났다.
McKinsey & Compnay(2015)는 미국 노동시장 자료를 바탕으로 800개의 직업을 2,000개의
활동으로 나누고, 현재 로봇기술과의 관계를 분석하여, 45%의 직업은 자동화가 가능하지
만, 완전하게 인간을 대체할 수 있는 직업은 5%에 불과하다고 예측하였다.
Arntz et al.(2016)은 직업은 특정 업무의 결합으로 봐야 하고, 자동화는 업무를 대상으로
하며, 관련 업무가 자동화됨에 따라 상당수의 직업이 변화할 수도 있지만, 완전하게 자동
화 될 수 있는 직업은 9%에 불과할 것으로 예측하였다. 이 연구는 Frey & Osborne(2013)
의 연구결과는 자동화 위험이 높은 직종에서도 자동화하기 어려운 과업이 상당 부분 포함
되어 있으므로, 직종기반 분석은 자동화 위험을 과장할 우려가 있다는 비판에서 출발하였
다. 그리고 대상 국가를 OECD 국가로 확대하였고, O*NET 자료가 아닌 국제성인역량조사
(PIIAC) 자료7)를 활용하였다.
국가별 자동화 가능성은 <그림 4-2>에서 보듯 상당한 차이가 존재하는데, 이는 ➀ 그룹
작업이나 대면 상호작용에 의존하는 작업장 조직의 국가간 차이, ➁ 신기술 도입의 국가
간 차이, 경제 및 교육 구조, 작업장 조직 및 과업 구조의 차이 등에서 기인하며, ➂ 교육
및 근로자의 교육 수준, 고학력자 중심으로 노동력이 형성된 국가에서는 고위험 근로자 비
중이 낮은 특성 등 때문으로 보인다.

7) 개인의 사회경제적 특성, 스킬, 일자리 관련 정보, 과업 및 역량 관련 정보를 포함하고 있으며, 동일 직종에 대해서
는 국가간 과업 구조가 동일하다는 엄격한 가정을 완화한 분석이 가능

- 52 -
 < 그림 4-2> OECD 국가별 자동화 위험에 처한 노동자 비중

출처: Arntz (2016), Figure 3, p. 16

산업별 연구를 보면, Remus & Levy(2015)는 인공지능으로 인한 법률서비스의 자동화가

변호사와 비서를 대체하는 효과가 있지만, 법률서비스 시장의 확대를 고려하면 산업 전체
의 고용에는 큰 변화가 없을 것으로 전망했다.
서로 다른 전망이 제시되는 이유는 분석의 단위가 직무(job)냐, 업무(task)냐에 따라 그
결과가 달라지기 때문이다. Frey 등의 연구는 직무를 기준으로 분석하여 자동화율이 높게
예상되는 일자리가 사라질 것으로 전망한 데 반해, Arntz 등의 연구는 자동화율이 높더라
도 완전 자동화가 되지 않는 한, 직무 자체는 유지될 것으로 전망하였다.
기존의 연구는 미래에 새롭게 생성될 업무나 직무에 대한 예측에 초점이 맞춰져 있다기
보다는 기존의 업무나 직무가 자동화에 의해 대체되는 수준에 초점이 맞춰져 있기 때문에
대체효과가 상대적으로 더 강조되었다고 볼 수 있다. 그러나 직무 단위로 분석하든 업무
단위로 분석하든 자동화로 인해 대체되는 업무가 많아질수록 노동의 수요는 줄어들 것이
다. 따라서 이러한 변화에 대응하여 우리의 과제는 자동화에 의해 대체될 인력들이 경력단
절을 겪지 않고 새롭게 생성될 일자리로 원활하게 전환되도록 하는 데 있다.

- 53 -
 4.1.2 기술변화로 인한 소득분배구조 변화 전망
최근 30년간 ICT 기술이 고용에 미친 영향은 비대칭적 효과로 요약될 수 있다. 1980년대
까지 기술진보는 전반적인 생산성과 고용의 증대 효과를 가져왔다. 하지만, 1980년대 중반
이후, 인적자본(human capital)을 더 많이 지닌 사람들에게 편향적인 영향을 미쳐, 숙련된
노동력의 수요는 증가하지만 덜 숙련된 노동력의 수요는 감소함으로써 소득 격차가 심화
되었다.
지난 30년간의 ICT 기술변화가 노동시장에 가져온 변화를 볼 때 중요한 것은 일자리의
양이 아니라 일자리의 질일 수 있다(정혁 2017). 기술변화의 영향을 받는 직업의 임금 및
근로조건은 악화될 수 있다. 따라서 고용형태의 다양화, 직무구성의 변화, 임금격차로 인한
소득분배의 변화 등 일자리의 질에 대한 논의가 이루어져야 한다.
앞에서 설명한 것처럼 ICT 기술은 고숙련 비정형적 직무의 노동수요를 늘렸으며 과학자,
법률가, 관리자, 의사 등으로 대표되는 이들 직군의 소득을 상승시킨 반면, 저숙련 정형적
노동을 대체함에 따라 특히 생산직 노동자의 소득 하락에 영향을 미쳤다.
주요 국가에서 생산성 향상을 고용과 소득이 따라가지 못하였고(<그림 4-3> 좌), 소득분
배에서 노동소득이 차지하는 비중도 지속적으로 하락하고 있다(<그림 4-3> 우)(ILO &
OECD 2015).

<그림 4-3> 주요국의 탈동조화(좌)와 소득분배(우)

좌: 호주, 캐나다, 프랑스, 독일, 이탈리아, 대한민국, 영국, 미국 우: EU 28개국과호주외 10개선진국의국내총생산중조정노

의 노동생산성(위 굵은 선)과 실질임금(아래 가는 선) 변화, 동소득(위 실선)과 통상 노동소득(아래 점선) 비중 변화,
2000-2013 1991-2011

출처: ILO & OECD (2015), Figure 5 (좌), Figure 2 (우)

기술변화가 고용과 소득의 이러한 변화를 일으킨 유일한 원인은 아니지만 앞으로의 일

- 54 -
자리 변화뿐만 아니라 노동 전반의 변화를 전망하는 데 중요한 참고가 될 것이다. 기술진
보가 고용의 양극화와 그로 인한 소득의 양극화로 진전되지 않고, 고용의 질적 측면에서
고른 발전이 되도록 정책적 방안을 모색하는 것이 중요하다.

4.2 스마트 공장에서의 인간과 기술 간 협업구조 전망

4.2.1 자동화 기술과 대체관계 또는 보완관계에 있는 역량 및 자질 분석
Word Economic Forum (2016)은 O*NET 데이터베이스의 모든 직종 및 직군에 걸쳐 가장
빈번하게 언급되는 스킬과 능력으로부터 35개의 핵심 스킬을 도출했고, 이로부터 2020년까
지 전 산업에서 수요가 증가할 것으로 예상되는 핵심 스킬로 복합 문제해결 능력, 사회적
스킬, 과정 스킬, 시스템 스킬이 제시되었다. 반면 수요가 감소할 것으로 예상되는 핵심 스
킬은 육체적 능력, 기술적 스킬, 내용 스킬이었다.
Klaus & Samans (2016)는 산업별8)로 2015년, 2020년을 기준으로 한 스킬 수요와 공급에
대한 조사를 실시하였는데, 제조업과 연관되는 산업의 스킬 수요와 공급은 다음과 같다.
이 연구에서 사용한 업무 관련 스킬은 <표 4-2>와 같다.

표 4-2> 핵심적인 업무 관련 스킬
<
구분 업무 스킬 스킬 내용
인지적 능력 인지적 유연성, 창의성, 논리적 추론, 문제 민감성, 수학적 추론, 가시화
능력
육체적 능력 육체적 힘, 손재주와 정확도

기초적 내용 스킬 적극적 학습, 말하기 능력, 읽기 능력, 쓰기 능력, ICT 능력

스킬 과정 스킬 적극적 듣기, 비판적 사고, 자신과 타인 모니터링
타인과 조정, 감정 지능, 협상력, 설득력, 서비스 지향성, 타인을 훈련하고
사회적 스킬
지도
시스템 스킬 판단과 의사결정, 시스템 분석
기능 간 복잡한 문제
복잡한 문제 해결
스킬 해결 스킬
자원관리
재무 자원의 관리, 자재 자원의 관리, 사람 관리, 시간 관리
스킬
장비 유지 및 수리, 장비 운영 및 제어, 프로그래밍, 품질 관리, 기술과 유저
기술적 스킬
경험 디자인, 고장 수리
출처: Klaus & Samans (2016)

8) 제조업과 연관되는 산업은 기초 및 인프라 산업 (화학, 인프라 및 도시 개발, 광업 및 금속), 소비자 산업 (농업, 식
음료, 소매, 소비재 및 라이프스타일), 에너지 산업 (에너지 공익사업 및 기술, 석유 및 가스, 재생 에너지)으로 보
았다.

- 55 -
 각각의 스킬에 대한 산업별 수요와 공급은 각각 <표 4-3>과 <표 4-4>에서 확인할 수 있
다. 이 둘의 차이를 보면 수요와 공급 사이에 갭이 존재함을 알 수 있다. 제조업뿐만 아니
라 전 산업으로 보았을 때, 2020년까지 전 산업에서 수요가 증가할 것으로 예상되는 핵심
스킬로 복잡한 문제해결 스킬(36%), 사회적 스킬(19%), 과정 스킬(18%), 시스템 스킬(17%)
등이 있고, 2020년까지 전 산업에서 수요가 감소할 것으로 예상되는 스킬로는 육체적 능력
(4%), 기술적 스킬(12%), 내용 스킬(10%) 등이 있다.

<표 4-3> 산업별 스킬 수요, 2015년과 2020년

산업 기초 및 인프라 소비자 에너지
연도
2015 2020 2015 2020 2015 2020
구분
복잡한 문제 해결 스킬 42 33 28 31 49 38
사회적 스킬 17 17 26 27 27 28
과정 스킬 10 19 21 22 24 29
시스템 스킬 22 26 28 25 24 18
자원관리 스킬 21 15 38 35 29 24
기술적 스킬 25 20 20 18 29 22
인지적 능력 10 19 13 25 - -
내용 스킬 6 13 - - - -
육체적 능력 - - - - - -
각주. 산업이 요구하는 핵심적 스킬셋 중 해당 스킬을 요구하는 직업의 비중, %
출처: Klaus & Samans (2016) p. 22 Table 7 재구성.

<표 4-4> 산업별 스킬 공급, 2015년과 2020년

산업 기초 및 인프라 소비자 에너지
연도
2015 2020 2015 2020 2015 2020
구분
복잡한 문제 해결 스킬 42 33 28 31 49 38
사회적 스킬 17 17 26 27 27 28
과정 스킬 10 19 21 22 24 29
시스템 스킬 22 26 28 25 24 18
자원관리 스킬 21 15 38 35 29 24
기술적 스킬 25 20 20 18 29 22
인지적 능력 10 19 13 25 - -
내용 스킬 6 13 - - - -
육체적 능력 - - - - - -
각주. 산업에서 스킬이 차지하는 비중, %
출처: Klaus & Samans (2016) p. 26 Table 8C 재구성.

- 56 -
 Elliott (2017)은 PIAAC(Programme for the International Assessment of Adult
Competencies) 스킬 수요가 미래에 변화하는 것을 이해하기 위해, PIACC 시험에서 사용된
문제를 현재의 혹은 미래의 예측된 컴퓨터 능력으로 컴퓨터가 얼마나 잘 풀 수 있는지를
평가했다(Elliott, 2017; OECD, 2012).
PIAAC은 교육을 받으면서 개발되고, 직장과 개인의 삶에서 광범위하게 사용되는 일반적
인 인지 스킬을 측정하며, 읽고 쓸 수 있는 능력 (literacy), 산술 능력 (numeracy), 컴퓨터
로 문제를 해결하는 능력 (problem solving with computers) 을 포함한다. 각 영역의 숙련
도에 따라 최저 레벨 1에서 최고 레벨 5의 등급을 부여받게 된다.
읽고 쓸 수 있는 능력은 사회에 참여하고, 개인의 목적을 달성하고, 개인의 지식과 잠재
력을 개발하기 위해 글을 이해하고, 평가하고, 사용하고, 활용하는 능력으로 정의된다. 산
술 능력은 성인의 삶에서 다양한 범위의 수학적 요구에 대응하고 관리하기 위해, 수학적
정보와 아이디어에 접근하고, 사용하고, 해석하고, 의사소통하는 능력으로 정의된다. 컴퓨
터로 문제를 해결하는 능력은 정보를 습득하고 평가하고, 다른 사람과 의사소통 하고, 실
질적인 업무를 수행하기 위해 디지털 기술, 커뮤니케이션 도구, 네트워크를 활용하는 능력
으로 정의된다.
본 프로젝트의 목적은 어떤 문제를 현재의 컴퓨터 기술로 대답할 수 있는지를 파악하고,
이를 서로 다른 숙련도 수준을 가진 성인과 비교하는 것이다. 전반적으로, 전문가들은 컴
퓨터 능력의 성과 패턴이 성인 PIAAC 숙련도 분포의 중간에 위치하는 것으로 평가했다.
읽고 쓸 수 있는 능력의 경우, 현재의 컴퓨터 능력은 대략 레벨 2의 성인 정도이고, 레
벨 3이 곧 가능해질 것으로 보인다. 산술 능력의 경우, 컴퓨터 능력은 대략 레벨 2이며, 레
벨 3 혹은 레벨 4가 곧 가능해질 것으로 보인다. 특히 산술 능력의 경우 컴퓨터는 시각적
자료를 해석하거나, 문제 혹은 텍스트에 사용된 언어를 이해하는 데 어려움을 겪었으며 이
것이 큰 장애 요소로 작용했다. 컴퓨터로 문제를 해결하는 능력의 경우, 컴퓨터 능력은 대
략 레벨 2이고, 레벨 3이 곧 가능해질 것으로 보인다.
전문가 평가에 따르면 OECD 국가 근로자 중 62%는 컴퓨터가 재현해내는 것에 가까운
수준의 숙련도로 PIACC 스킬을 매일 사용하고 있다. 근로자의 13%만 컴퓨터보다 높은 정
도의 숙련도로 PIACC 스킬을 매일 사용하며, 근로자의 25%는 PIACC 스킬을 일하는 데 사
용하지 않는다.
한국의 경우, 컴퓨터의 능력과 같거나 컴퓨터의 능력보다 낮은 일반적 인지 능력을 가진
근로자의 비율이 2016년 컴퓨터의 능력을 기준으로 하였을 때는 30%이고, 2026년 컴퓨터

- 57 -
의 능력을 기준으로 하였을 때는 65%이다. 현재의 컴퓨터 능력의 수준은 향후 수십 년 동
안 낮은 정도에서 중간 정도의 일반 인지 능력이 있는 근로자에 대한 수요가 증가하지 않
을 것임을 시사한다.
하지만 그런 수준의 일반적인 인지 능력을 가진 많은 근로자들이 여전히 고용될 가능성
이 있는데, 그들은 주로, 신체적 또는 사회적 기술, 또는 특정 분야의 전문 지식 등 주로
다른 기술 때문에 고용될 것이다.
Autor(2014)는 컴퓨터가 노동을 대체할 수 있는지 여부를 업무의 정형성 여부로 파악했
다. 컴퓨터 도입의 노동 대체효과는 정형적 업무(routine tasks)에서 나타난다. 컴퓨터는 명
시적이고, 코드화가 가능한 업무에서 근로자를 대체해 왔다 정형적 업무는 많은 중간 정도
의 스킬을 요구하는 인지, 육체노동 활동의 특징이며, 이러한 활동의 예에는 부기, 사무작
업, 반복적 생산 작업이 있다.
컴퓨터 도입의 노동 보완효과는 비정형적 업무(non-routine tasks)에서 나타난다. 컴퓨터
가 노동을 대체할 수 있는 범위는 제한되어 있으며, 엔지니어는 그들이 명시적으로 이해하
지 못하는 프로세스를 컴퓨터가 수행하도록 할 수 없다. 자동화하기 가장 어려운 것으로
밝혀진 업무는 우리가 암묵적으로만 이해할 수 있는 유연성, 판단력, 상식을 요구하는 일
이다.
컴퓨터로 대체될 수 없는 업무는 일반적으로 컴퓨터가 인간을 보완한다. 비정형적 업무
에는 두 가지 분류가 있는데, ➀ 추상적인 업무 (문제 해결 능력, 직관력, 창의력, 설득력
이 필요한 업무), ➁ 육체노동 업무(상황 적응력, 시각적 언어적 인식, 대면 상호작용을 필
요로 하는 업무)로 나뉜다.
MacCrory et al.(2015)은 미국 데이터를 활용하여 2006년에서 2014년 사이에 스킬 차원에
따라 임금과 고용이 어떻게 변화했는지를 밝히고, 기술적 변화가 이러한 변화를 어떻게 설
명할 수 있는지를 추정한다. 본 연구는 2006년 O*NET 데이터에 주성분 분석(principal
component factor analysis)을 실시하여 직무에 사용되는 스킬을 일곱 가지로 분류하였다.
➀ 육체적(physical) 스킬: 동적 힘, 민첩성, 체력, ➁ 장비(equipment) 스킬: 운영 모니터
링, 기술 디자인, 고장 수리, ➂ 감독(supervision) 스킬: 타인의 업무 조율, 팀 개발/구축,
자원 모니터링, ➃ 의식(awareness) 스킬: 야간 시야, 차량 작동, 음향 위치 파악, ➄ 지각
(perception) 스킬: 종료의 유연성, 지각 속도, 선택적 주의, ➅ 대인관계(interpersonal) 스
킬: 협동, 스트레스 내성, 사회적 지향성, ➆ 진취성(initiative) 스킬: 진취성, 혁신, 지속성
평균적으로, 2006년과 2014년에 거쳐 높은 육체적, 의식 스킬을 요구하는 직업은 적은

- 58 -
보수를 받고, 높은 장비, 감독, 지각, 진취성 스킬을 필요로 하는 직업은 높은 보수를 받았
다.
컴퓨터 활용 정도와 스킬에 따른 보상 정도는 다음과 같았다. 장비, 감독 스킬은 높은
정도의 컴퓨터 활용과 합쳐졌을 때 가장 많은 보상을 받았다. 진취성, 대인 관계, 지각 스
킬은 이와 같은 스킬을 보안하기 위한 최적 수준의 IT가 사용되었을 때 가장 많은 보상을
받았고, 단순히 IT가 더 많이 사용된다고 하여 더 많은 보상을 받는 것은 아니었다. 육체
적 스킬의 경우 IT가 적게 사용될수록 더 많은 보상을 받는다.
스킬과 기술의 복잡한 상호작용은 근로자에게 대학 학위를 취득할 것을 요구할 것이 아
니라, 재교육을 실시함에 있어 더 섬세한 타겟팅이 필요하다는 점을 시사한다. 다음 그림
은 근로자가 보유한 스킬이 적어도 둘 이상에서 상위 25% 이상이 되었을 때, 임금 프리미
엄이 있음을 나타낸다.

<그림 4-4> 직업에 필요한 상위 25% 스킬 개수

주: 직업과 중위 임금에 필요한 상위 25% 스킬 개수. 퍼센트와 임금은 고용에 따라 가중치가 부여되었다.
출처: MacCrory, et al. (2015) p. 11
MacCrory, et al.(2014)은 최근 자동화 역량의 변화가 직업 내 스킬 구성을 어떻게 변화
시켰는지를 탐구한다. 본 연구는 미국에서 2006년에서 2014년 사이에 직업을 구성하는 스
킬 콘텐츠의 변화를 검토한다. 이론에 따르면 대체효과가 직업에서 몇몇 스킬을 사라지게
만들고, 보완효과가 다른 스킬을 강화하고, 상관관계가 없는 스킬은 보몰의 비용병리현상

- 59 -
(Baumol's Cost Disease)으로 인해 강화될 것이라고 예측한다. 본 연구는 2006년, 2014년
O*NET 데이터에 주성분 분석 (principal component factor analysis)을 실시하여, 직무에 사
용되는 스킬을 일곱 가지로 분류했다.
➀ 장비(Equipment) 스킬 : 장비 유지 보수, 설치, 작동 모니터링, 수리, 시스템 분석, 문
제 해결, ➁ 대인관계(Interpersonal) 스킬 : 적응력, 타인을 돕거나 돌보기, 협력, 의존성,
서비스 지향성, 스트레스 내성, ➂ 차량운전(Vehicle Operation) 스킬 : 차량 조작, 야간 시
야, 주변 시야, 음향 위치 파악, 공간적 방향, ➃ 육체적(Manual) 스킬 : 동적 힘, 총체적
신체 조정, 물체 다루기, 손재주, 팔다리 운동 속도, 체력, ➄진취성(Initiative) 스킬 : 성취,
독립성, 진취성, 혁신, 지속성, ➅ 감독(Supervision) 스킬: 타인의 업무 조정, 팀 개발/구축,
부하 직원 가이드/동기 부여, 재무 자원 관리, 자원 모니터링, 업무 또는 활동 계획, ➆ 지
각(Perception) 스킬 : 범주 유연성, 원근 시력, 지각 속도, 선택적 주의, 종료의 속도, 시각
적 색 구별
스킬 별로 2006년과 2014년의 직업 내 구성 변화 정도는 다음 그림과 같다.

<그림 4-5> 2006년과 2014년 사이의 평균 스킬 요소 변화

각주: 양수 값은 해당 스킬 요소에 대한 평균적인 직업 요구 사항이 2006년에 비해 2014년 증가했다는 의미

출처: MacCrory, et al. (2014) p. 11.
기계가 이전에는 인간이 수행했던 스킬을 대신하는 스킬은 육체노동 스킬, 지각 스킬,
감독 스킬이 있다. 육체노동 스킬: 정형적인 육체노동 업무는 최근 계속 자동화로 대체되
어 왔고, 앞으로도 대체될 예정이며, 기술 발전은 컴퓨터가 비정형적인 육체노동 업무도
자동화하도록 하고 있다. 구글의 자율주행차량과 리싱크 로보틱스의 박스터가 대표적이다.

- 60 -
 ➀ 지각 스킬: 로봇의 시각, 지각 능력에서 눈부신 발전이 있어 왔고, 따라서 정형적인
인간의 지각을 필요로 하는 직업은 기술이 대체하게 될 것이다.
➁ 감독 스킬: 기술이 일상 업무를 수행함에 따라 사람들이 일상 업무를 감독 할 필요성
이 감소하며, 최근 수년간 기술은 감독자 개입 없이 근로자가 자체 조직을 수행 할 수 있
게 해주었다.
➂ 기계는 인간의 스킬을 보완하고 인간이 일을 할 수 있는 능력을 강화하는 스킬은 장
비 스킬이다.
➃ 장비 스킬: 장비 스킬은 대체가 아닌 증강 효과를 보이며, 지난 기간 동안 장비 스킬
은 특정 직업이 아닌 여러 직업의 일부가 되었다.
➄ 컴퓨터가 아직 크게 영향을 미치지 않는 스킬에 초점을 맞춘 직종이고 컴퓨터가 대
체 불가능한 스킬은 대인 관계 스킬이다.
➅ 대인 관계 스킬: 기계는 대인 관계 작업을 수행하는 능력이 제한적이며 고객은 기계
보다는 다른 사람과 상호 작용하는 것을 선호하지만, 이 분야에서도 기계가 발전하고 있
다.

< 표 4-5> 업무의 자동화를 막는 스킬 종류

자동화
O*NET 변수 O*NET 설명
장애물
한 손 또는 양 손의 정교한 손놀림으로 매우 작은 물체를 잡거나,
손가락 민첩성
조작하거나 조립할 수 있는 능력
인식과 손을 빨리 움직이거나 손과 발을 빨리 움직이거나, 두 손을
육체적 민첩성
조작 움직여 물체를 잡거나 조작하거나 조립할 수 있는 능력
좁은 작업 공간,
불편한 자세로 좁은 작업 공간에서 일하는 것을 요구하는 빈도
불편한 작업 자세
주어진 주제나 상황에 대해 통상적이지 않거나 기민한 생각을
창조성
창의적 떠올리고 문제를 창의적 방식으로 해결하는 능력
지능 음악, 댄스, 시각 미술, 드라마나 조각을 작곡, 생산 또는
순수예술
연주하기 위해 필요한 이론과 기술의 보유
사회적 반응성 타자의 반응을 인지하고 반응 이유를 이해하는 것
협상 타자를 함께 모으고 차이를 조정하기 위하여 노력하는 것
사회적
설득 타자를 설득하여 생각이나 행동을 바꾸도록 하는 것
지능
타자를 지원하고 동료, 고객 혹은 환자와 같은 타자에게 개인서비스, 의학적
돌보기 관심, 감정적 지원, 개인적 돌봄을 제공하는 것
출처: Frey & Osborne (2017), 류기락 외 (2017)에서 재인용 p.32

- 61 -
 Frey & Osborne (2017)은 기계 학습, 모바일 로보틱스 연구와 옥스퍼드 대학 공과대학
워크샵의 자료를 활용하여, 비정형적인 업무의 자동화를 막는 장애물을 세 가지 업무 카테
고리로 분류했다. 연구진은 최근 기계학습의 진보로 고용이 컴퓨터화 위험에 노출되지만,
자동화에 장애물로 작용하는 업무로 인하여 노동 대체에 지연이 생길 것으로 예상했다.
이상의 연구에서 분류한 스킬 분류는 크게 보아, 인식과 조작, 창의적 지능, 사회적 지능
의 영역으로 재분류할 수 있다. <표 4-6>은 앞에서의 연구를 이 세 개의 분류로 나누어 본
것이다. 하지만, 각각의 스킬에 대한 요구에 대해서는 연구마다 다소 다른 결과를 제시하
고 있다. Frey & Osborne (2017)은 9개의 스킬이 모두 자동화가 어렵다고 보는 반면,
MacCrory et al. (2015)는 육체적인 스킬과 진취성 스킬이 일부 대체가 진행 중이라고 보았
다.

표 4-6> 연구별 스킬 셋 분류
<
Klaus &
연구 MacCrory, et al. (2014,
Frey & Osborne (2013) Autor (2014) Samans
구분 2015)
(2016)
손가락 민첩성 육체노동 업무 육체적 능력 육체적(Manual) 스킬
인식과
육체적 민첩성 육체노동 업무 육체적 능력 육체적 스킬
조작
좁은 작업 공간,
육체노동 업무 육체적 능력 육체적 스킬
불편한 작업 자세
창조성 추상적인 업무 인지적 능력 진취성(Initiative) 스킬
창의적
지능
순수예술 추상적인 업무 인지적 능력 진취성 스킬
대인 관계(Interpersonal)
사회적 반응성 추상적인 업무 사회적 스킬
스킬
협상 추상적인 업무 사회적 스킬 대인 관계 스킬
사회적
지능
설득 추상적인 업무 사회적 스킬 대인 관계 스킬

타자를 지원하고 돌보기 추상적인 업무 사회적 스킬 대인 관계 스킬

4.2.2 기존의 작업 프로세스와 인력배치 구조 변화

스마트 공장의 도입은 작업 환경에도 영향을 주어 기존의 작업 프로세스와 인력배치 구
조를 변화시킬 것이다(Lorentz et al. 2015).

- 62 -
 그림 4-6> 기술 변화로 인한 직무 변화 자동차 생산과 서비스 기술자의 경우
<

좌: 로봇의도움을 받는 자동차생산노동자의 예, 내부 천장 마감 우: 서비스 기술자의 일과, 전통적인 업무 구조(상), 원격/예방 점

에 많은 움직임이 필요하지 않게 됨 검이 적용된 업무 구조 (하)
출처: Lorentz et al. (2015), Exhibit 4 (좌), Exhibit 5 (우)
대표적으로 자동조립라인의 노동자는 외골격 로봇(Exo Skeleton Robot)과 같이 기계로부
터 물리적 도움을 받아 지금보다 더 쉽게 육체적 활동을 할 수 있게 됨에 따라, 연령이 높
아져도 일을 할 수 있고, 많은 신체적 움직임을 필요로 하는 노동을 대체하고 있다.
업무 방식도 변할 수 있는데, 서비스 기술자의 경우, 여러 작업장을 순회하며 직접 방문
하여 문제를 파악하고 수정하기 때문에 최종적인 처리 과정이 오래 걸리는 경우가 많았지
만, 스마트 공장의 도입을 실시간 원격 점검과 예방 점검이 가능하고 고장 발생시 관련 부
품을 파악하여 현장에 도착하거나 가상 현실을 이용한 원격 수리로 생산성을 극대화할 수
있다.

4.3 주요국의 제조업 혁신 및 관련 노동 정책

4.3.1 독일
스마트 공장으로 대표되는 생산구조의 변화는 사회 전반에도 큰 변화를 가져올 것으로
예상된다. 미래 변화의 방향은 다음과 같이 그려진다. ➀ 물리적 상품이 아닌 디지털 정보
와 데이터 거래의 일상화, ➁ 전통적 생산방식보다 지식기반 프로세스의 중요성 증대, ➂

- 63 -
이러한 변화를 가능하게 하는 디지털인프라 구축, ➃ 소규모 혹은 개인기업 역할의 증대,
➄ 글로벌 차원에서의 정보 실시간 획득.
미래의 이러한 변화는 고용에서 다음과 같은 과제를 야기할 것이다. 먼저, 노동역량 측
면에서 큰 변화가 진행되는 가운데 개인의 취업능력(employability)을 유지시켜야 한다. 다
음으로 노동시간의 유연성이 높아지는 가운데서도 노동자의 일과 삶의 경계는 유지되어야
한다. 그리고 산업안전보건 면에서 직업적 요구조건이 신체적인 것에서 정신적인 것으로
변화하고 있기 때문에 이에 대한 관리가 중요해지고, 이를 전적으로 개인의 몫으로만 돌려
서는 안 된다. 디지털 기술의 발달로 취업자 정보보호 기준 변화 또한 필요하다. 독일의
고유한 공동결정(co-determination) 제도는 이해관계자 모두에게 유지 필요성이 인정되고
있으나, 변화에 발맞추어 사업장 차원에서의 참여적 요소를 강화할 필요가 있다. 새로운
자영업 형태가 증가할 것이며, 이들을 포함시킬 수 있는 사회보장 체계의 변화가 필요하
다. 마지막으로 복지국가의 유지 면에서 디지털 일용직 근로자의 대량 양산에 따른 사회적
불평등 심화를 해결해야 하고, 유럽통합을 뒷받침할 수 있어야 한다.
이러한 과제에 대해 구체적인 정책은 제시되지 않았지만, 독일의 주요 정책방향은 다음
과 같이 제안되었다. 먼저, 고용보험에서 취업보험으로, 즉 숙련과 자격 수준 개선에 더 많
이 투자하고, 전 생애에 걸친 경력개발 및 직무단계 이동을 지원할 수 있어야 한다. 그리
고 현재의 고용보험에 의한 실업자 지원은 효과적이지 못하기 때문에 예방적이고 생애주
기 맞춤형 대응책이 될 수 있도록 고용보험의 개념을 전환해야 한다.
노동시간과 관련하여, 생산방식의 변화에 따라 근로시간의 유연성을 높여야 하지만, 근
로자는 근로시간의 자기결정권을 갖고 있어야 한다. 정보보호와 관련하여, 기존의 취업자
정보보호를 약화시키지 않으면서 법적 안정성과 명확성을 높일 수 있어야 한다. 자영업자
와 복지국가의 유지 문제와 관련하여, 자영업자의 증가에 따라 이들의 독립성을 강화할 수
있는 방향으로 사회보장제도를 구축해야 한다.

4.3.3 일본
신산업구조비전에서 일본은 앞으로 다가올 사회를 사회 5.0(Society 5.0)으로 특징지워
평가하고 있다. 사회 5.0은 수렵-농경-산업-정보 사회에서 발전한 초스마트 사회라고 할
수 있다. 종래의 기업 대 기업, 사람 대 시장 등의 독립적, 대립적 관계는 융합 관계로 변
화할 것이고, 그로 인해 새로운 비즈니스 모델이 나타날 것으로 예상된다. 사회 5.0의 목표
는 인간중심의 문제해결형 사회가 될 것이다.

- 64 -
 <표 4-7> 일본 고용구조 변화 전망: 직업별 종사자 수
직업별 종사자수 변화율
구분 직업 변화 시나리오 현상 현상
변혁 변혁
방치 방치
경영전략 담당, 새로운 비즈니스를
1. 상류공정 -136만명 +96만명 -2.2% +1.2%
연구개발자 등 담당하는 핵심인재 증가
제조라인 및 AI 로봇으로 대체가
2. 제조 및
기업조달 업무 진행되고 변화의 성공 -262만명 -297만명 -1.2% -1.4%
조달
종사자 등 여부를 불문하고 감소
고도의 컨설팅 기능이
개별 주문
3. 영업 판매 경쟁력의 원천이 되는
고액 보험상품 -62만명 +114만명 -1.2% +1.7%
(낮은 대체율) 상품 및 서비스 등을
영업 등
담당하는 업무 증가
저가 및 AI 빅데이터로 효율화
4. 영업 판매 정형화된 보험 및 자동화가 진행되고,
-62만명 -68만명 -1.3% -1.4%
(높은 대체율) 상품 판매, 변화의 성공여부를
마트 계산원 등 불문하고 감소
사람이 직접 대응하는
서비스의 가치가
5. 서비스 고급 레스토랑
높아져서 고부가가치 -6만명 +179만명 -0.1% +1.8%
(낮은 대체율) 서빙 직원 등,
서비스를 담당하는 업무
증가
6. 서비스 AI 및 로봇으로 효율화,
콜센터 등 +23만명 -51만명 +0.1% -0.3%
(높은 대체율) 자동화 진행, 고용감소
제조업 사물인터넷화,
IT 보안담당자
7. IT업무 보안강화 등으로 산업 -3만명 +45만명 -0.2% +2.1
등
전반 IT 업무 수요증가
AI, 글로벌 아웃소싱으로
인사, 데이터 대체가 진행되고, 변화의
8. 사무업무 -145만명 -143만명 -0.8% -0.8%
입력 등 성공 여부를 불문하고
감소
AI 및 로봇으로
9. 기타 건설노동자 등 효율화와 자동화가 진행, -82만명 -37만명 -1.1% -0.5%
고용감소
합계 -735만명 -161만명 -0.8% -0.2%
주: 2030년 기준
출처: 経済産業省 (2017), p. 369

신산업구조비전은 현상을 방치했을 때와 변혁을 시도했을 때의 2개 시나리오로 2030

년 부문별 종사자 수를 전망하였다. 이에 따르면, 현상을 방치했을 때 일자리는 735만 개
가 감소하지만, 변화를 시도하여 성공하는 경우 161만 개의 감소가 예상된다. 어느 경우에
나 일자리가 감소하지만, 일본은 만성적인 노동력 부족에 따라, 로봇을 빠르게 고령화되고
있는 사회의 해결책으로 보고 있다. 일본의 로봇에 대한 자신감은 서구 미디어에서 로봇의

- 65 -
직업 대체 가능성에 대해 우려하는 보고서를 발간하는 것과는 대조적이다.
한편, 새로운 고용구조에 대응할 수 있는 인재양성과 성장분야로의 노동이동 필요성도
제기되고 있다. 이 문제를 해결하기 위해서는 고용이슈로 다음의 네 가지 당면 과제를 해
결해야 할 과제로 제시하고 있다. 첫째, 개인의 능력 또는 기술을 업데이트할 기회를 주는
노동시장이 성숙되지 못한 상황을 해결해야 한다. 이를 위해서는 기존의 OJT 중심 교육에
서 탈피하여 새로운 니즈에 대응하는 교육시스템을 구축하는 것이 필요하다. 둘째, 일본형
고용시스템의 문제와 제도변화로서 소속 기업 고정을 전제한 인재 투자, 인사 평가의 변화
와 노동 이동이 필요하다. 셋째, 기술변화에 따른 종래의 인사제도 변화가 필요하다.
이에 따라 정책의 기본방향은 다음의 네 가지가 제시되고 있다. ➀ 성장분야로 노동이
이동할 수 있도록 각종 지원대책 검토, 평생교육(recurrent education) 지원, 인재 유효활용
촉진, ➁ IT 기술 수준을 기초-중급-고급으로 나누어 각각의 단계에 맞는 육성정책 패키지
제시, ➂ 유연하고 이동성이 높은 변화 실현, 다이버서티 2.0 추진, ➃ IoT 기반 HR 테크놀
로지 관련 이벤트 개최, HR 테크놀로지 활용 경영사례 수집 및 공표.

4.4 소결
최근의 연구 결과를 종합해보면, 스마트 공장 도입은 직업의 업무구성에 따라 다른 영향
을 미칠 것으로 예상된다. 숙련편향적 기술변화를 논할 때에 일반적으로 학력수준에 따라
숙련도를 구분하는데, 이러한 접근은 기술변화가 구체적으로 어떤 영향을 미치는지를 분석
하는 데 한계가 있다. 알파고가 세계 최고수준의 프로 바둑기사를 이긴 것처럼 스마트 공
장에서도 해당 산업의 공정 중 숙련도에 관계없이 코딩화와 자동화가 가능한 직무는 빠르
게 기계 또는 인공지능으로 대체되겠지만, 비정형적인 직무의 일자리는 계속 유지될 것이
다. 하나의 일자리라고 하더라도 다양한 업무로 구성되어 있다면, 정형편향적 기술변화는
여러 업무의 일부를 대체하거나 새로운 업무를 만들어냄으로써 일자리는 사라지지 않고
그것을 구성하는 업무에서만 변화가 나타날 수 있다.
큰 틀에서 보면, 기술변화로 인한 고용의 변화는 기술적 특징뿐만 아니라 기술 채택의
주요 동인도 영향을 미칠 것이다. 만약, 인건비 절감과 효율극대화가 자동화의 주요 동인
이라면 고용 대체효과가 커질 것으로 예상된다. 스마트 공장의 자동화 수준이 지능형으로
고도화될수록 중간지식 노동까지 대체할 수 있어서 고용 대체효과가 더 커질 것이다.
하지만, 인간 역량의 활용 극대화가 자동화의 주요 동인이라면 보완효과가 크게 나타날
수 있다. 그리고 인간과 로봇이 협업하는 새로운 생산양식과 업무프로세스가 발전할 수 있

- 66 -
다면, 고용 대체효과보다는 생산효과와 확산효과가 더 크게 나타날 수 있다. 그러나 이는
자연스러운 과정이라기보다 이해관계자들이 의식적으로 결정해야 할 사안이며, 사회적으로
자동화의 목표를 어떻게 설정하고 관련 제도를 어떻게 개편하느냐가 고용에 미치는 효과
를 달라지게 할 것이다.
다른 한편, 스마트 공장 도입의 수준 측면에서 보면, 결국 확보된 데이터를 얼마나 잘
활용하는가의 문제를 해결해야 하며, 데이터 확보 및 분석 역량을 확보하는 것이 중요하다
고 할 수 있다. 단순 업무를 담당하는 인력은 감소했지만, 예상하지 못하는 각종 사건에
대한 의사결정은 여전히 사람의 몫이기 때문이다. 그러므로 데이터 분석능력과 의사결정
역량을 동시에 갖춘 인력 재배치 및 재교육 문제가 대두될 수 있다.
앞에서 정리한 작업장 단위의 사례에서 보듯, 빅데이터나 인공지능 등으로 공장 자동화
가 진척되더라도 아직 기계가 할 수 없는 업무에서는 인간 역량이 여전히 필요하다. 따라
서 관리, 전문 분야, 예상하지 못한 신체적 활동 등은 자동화 대체율이 낮을 것으로 예상
되고, 자동화 과정을 관리하는 분야에 대한 일자리가 창출될 것이다.

<그림 4-7> 스마트 공장에 필요한 기술 프로파일

출처: KPMG (2017), Figure 3, p. 12

- 67 -
 그러므로 변화하는 작업환경에 맞게 노동자의 기술 재교육(re-skilling)과 기술 향상교육
(up-skilling)이 필요하며, 스마트 공장으로 인해 소비자 요구에 맞는 다양하고 복잡한 제품
생산이 가능해질 것으로 예상된다. 또한, 이론과 하드웨어와 소프트웨어 등을 포함하여 IT
기술, 공정, 생산, 물류에 대한 전문지식을 가진 통합전문가가 필요하며, 특별히 ➀ 계획,
통제, 분석 능력, 복잡한 경영, ➁ 문제해결 능력, 좋은 학습태도, 높은 유연성, ➂ 단기의
예상치 못한 행동에 대한 대처 능력 등은 계속 필요할 것이다(KPMG 2017).
하지만 필요한 기술수준에 비춰 노동자의 지식수준은 못 미치는 것으로 나타나고 있다.
미국의 경우, 컴퓨터 활용 능력은 70%가, 문제해결 능력은 69%가, 기본기술 훈련은 69%가,
수리 능력은 60%가 부족한 것으로 보고되었다(Deloitte 2015). 한국은 미국과 다른 교육환
경 가운데에 있으므로, 우리의 기술 갭에 대한 조사 및 연구가 필요하다.
노동자가 스마트 공장에 적합한 능력을 갖추도록 하려면 기업 차원에서 적절한 인력을
고용하는 것뿐 아니라, 현재 공장에서 일하는 노동자를 재교육하는 것이 필요하며, 이를
성공적으로 수행하기 위해서는 정부, 기업, 교육기관 사이의 긴밀한 공조가 필수적이다.
또한 스마트 공장 전환으로 기존의 젊은 남성 위주의 노동자 구성에서 다양한 연령대의
다양한 성별의 구성이 가능해질 수 있으므로, 이러한 다양성에 대비한 교육 및 고용 방침
이 마련되어야 한다.

- 68 -
 제5장 스마트 공장 도입에 따른 직무 교육의 현황과 문제점
5.1 현재 우리나라의 대처 방향 및 직업능력 교육 현황
5.1.1 우리나라의 직업훈련 체계와 현황
현재 국가에서 제공하는 직업훈련은 재직자 대상 직업훈련과 실업자 대상 직업훈련이
분리되어 진행되고 있다(고용노동부 2017). <표 5-1>에 주요 사업이 정리되어 있다.

<표 5-1> 국가 직업능력개발 지원제도

교육
지원 대상 프로그램명 대상 개요
대상
사업주가 소속 근로자 등에게
사업주 직업능력개발훈련을 시킬 때
직업능력개발 고용보험가입 사업주 소요되는 비용의 일부를
지원 지원함으로써 기업의
기업
인적자원개발을 촉진
(사업주가 인적자원개발에 대한 투자 여력이
근로자대 인적자원개발에 대한 투자
중소기업 부족한 중소기업 근로자들의
상으로직 여력이 부족한 중소기업
훈련 지원 직업능력개발 참여 촉진 및
업훈련을 근로자들
중소기업 경쟁력 제고
실시하는
다수의 중소기업과 컨소시엄을 중소기업 재직근로자의 직업훈련
경우)
국가인적자원 구성하고 자체 우수 훈련시설을 수혜 확대와 우수 인력공급,
재직자
개발 이용하여 중소기업 근로자 신성장동력분야 등 전략산업의
컨소시엄 등에게 맞춤형 공동훈련을 인력육성, 지역ᆞ산업별 인력양성
제공하는 기업 및 사업주단체 등 기반 조성

개인 중소기업 근로자,
(근로자가 기간제ᆞ단시간ᆞ파견ᆞ일용근로
스스로 자, 이직 예정의 근로자(180일 중소기업 근로자, 비정규직 근로자
근로자
직업능력 이내), 무급 휴직ᆞ휴업자, 45세 등의 직업훈련 기회 확대를 통한
내일배움카드
개발을 이상 대규모기업 근로자, 3년간 평생 고용 가능성 제고
하는 사업주훈련을 받지 못한 사람,
경우) 육아휴직자
구직 등록한 15세 이상 실업자,
국가의 기간산업 및 전략산업 등의
국가기간, 고3학년에 재학 중인 상급학교
산업분야에서 부족하거나 수요가
민간 전략산업직종 비진학자, 대학(전문대포함)
증가할 것으로 예상되는 직종에
(실업자가 훈련 최종학년 재학생으로 대학원등에
대한 직업능력개발훈련을 실시
실업자 직업훈련 진학하지 않는 자
을 받는
취ᆞ창업에 필요한 직무수행능력
경우) 실업자 고용센터의 상담을 거쳐 훈련의
습득이 필요한 실업자 등에게
내일배움카드 필요성이 인정된 실업자 등
직업능력개발훈련 참여기회를 제공
출처: 고용노동부 홈페이지

- 69 -
 <표 5-2>와 <표 5-3>을 보면, 훈련을 받는 인원규모로 보았을 때 직업훈련을 받는 비중
은 실업자에 비해 재직자가 더 많으며, 재직자의 경우 대다수가 유급휴가훈련이 아닌 사업
주 직업능력개발 지원형태의 교육을 받고 있는 것으로 나타났다.

<표 5-2> 연도별 직업능력개발 훈련실시 현황

단위: 천명)
(

연도
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
구분

재직자 2,527 3,104 3,930 4,313 5,210 4,269 3,362 3,477 3,616 3,453 2,895 3,228

실업자 93 84 93 ` 133 286 369 309 413 243 198 213

출처: 고용보험 DB 자료
표 5-3> 2016년도 고용노동부 직업능력개발 사업실적
<

단위: 천명)
(

구분 훈련명 인원
사업주직업능력개발지원(유급휴가훈련제외) 2,867
유급휴가훈련 9
중소기업핵심직무능력향상지원 60
재직자훈련
국가인적자원개발 컨소시엄 -
근로자 내일배움카드 292
소계 3,228
실업자 내일배움카드 213.4
실업자훈련 국가기간전략산업직종훈련 59
소계 272.4
총계 3,539.40
출처: 고용노동부 (2017) p. 45에서 재구성
직업훈련이 사업주 직업능력개발 지원에 편중되어 있음을 볼 때, 앞으로 스마트 공장 도
입에 따라 실업자가 발생한다면, 스마트 공장 관련 교육과 실업자 교육 간의 재원배분과
정책지원 방향을 결정해야 하는 문제에 직면할 수 있고, 효과적인 교육을 위해 관련 연구
가 진행될 필요가 있다.

- 70 -
 5.1.2 스마트 공장 관련 교육 현황
스마트 공장과 관련하여, 민관합동 스마트공장 추진단은 스마트 팩토리 아카데미, 스마
트 공장 구축 및 추진 실무 과정, 스마트 공장 구축 우수기업 견학 프로그램 등 세 부류의
스마트 공장 교육을 제공하고 있다(산업통상자원부, 스마트공장 추진단 2017).
스마트 팩토리 아카데미는 스마트공장 구축 이후 중소·중견기업 스스로 유지관리 및
고도화할 수 있는 전문인력 양성을 목적으로 제조기업 임직원을 대상으로 하여 직급별 교
육을 제공하고 있다. 경영자, 중간관리자, 실무자 등 세 그룹에게 각기 다른 교육 과정을
개설 중이다.

○ 경영자 대상 경영자 과정(임원급 인력): 스마트공장 추진방향, 추진사례, 우수업

체 벤치마킹

○ 중간관리자 대상: 마스터 양성과정(추진리더): 스마트팩토리 4대 솔루션, 기술분

야별 실습, 우수업체 벤치마킹

○ 실무자 대상: 공장 운영시스템 (2개 과정), 공정 시뮬레이션 (2개 과정), 제조 자

동화 (6개 과정), 공장 운영시스템 (2개 과정), 현장혁신(6개 과정: 낭비개선, 공정
개선, PRO-3M, 제조물류개선, 품질관리, 자재관리)

스마트공장 구축 및 추진실무 과정은 스마트공장 관련 정의, 동향, 추진전략 및 관련기

술에 대한 이해를 증진하고, 운영, 자동화, IT 기술 등으로 구성된 스마트공장 추진 역량강
화를 위해 제조기업 임직원을 대상으로 교육을 실시하고 있다.
이는 3일 간의 교육과정으로 스마트공장 개요 및 수준 진단, 스마트공장의 정보시스템
구축, 사이버물리시스템(CPS)과 시뮬레이션 활용, 스마트공장 사례연구(중소기업연수원) -
스마트공장 대표기업 견학(안산 소재), 스마트 생산/품질/설비관리(부산경남연수원, 호남연
수원 과정 시 강의진행), 자동화 시스템과 에너지 관리, 중소기업 스마트공장 추진사례 등
을 교육한다.
스마트공장 구축 우수기업 견학프로그램은 스마트공장 견학을 통하여 중소·중견 기업
관계자의 인식 제고와 이해도 향상 도모를 위한 교육이다. 교육용 동영상을 시청하고, 방
문기업의 스마트공장 구축현황·활용방법·성과 등을 소개하고, 현장투어 및 간담회 등 현
장교육을 진행하는 프로그램으로 구성되어 있다.
중소기업진흥공단은 2016년 스마트공장 전문가양성 과정을 신규로 개설하였고, 2017년도
44개 과정으로 확대하여 운영 중이다. 본 프로그램을 통해 중소기업진흥공단은 2016년 총
323명의 스마트 공장 핵심인력을 양성하였다.

- 71 -
 2018년 스마트공장 추진 전문가 양성과정을 2017년보다 40% 증가된 66개로 운영할 계획
이며, 스마트공장 전문가를 내년까지 7,000명, 2022년까지 5만 명을 양성한다는 목표를 세
우고 있다(김유리, 2017; 신수현, 2017; 중소기업진흥공단, 2017). 하지만, 이는 동년도까지
누적기준 2만개의 스마트공장을 도입하겠다는 목표에 비추어 보면 많은 숫자라고 보기는
어렵다.

5.1.3 4 차 산업혁명 대응 교육 개혁방향

정부는 제4차 산업혁명 대응을 위해 ‘지능정보사회 민관합동 추진협의회’를 구성하고
‘지능정보사회 추진 민관합동 콘퍼런스’등을 개최하는 등 제4차 산업혁명이 경제, 사회
전반에 미칠 영향을 파악하고 대응하고자 노력하고 있다(관계부처 합동 2017; 류기락 외
2017).
특히 정부는 기술발전에 따른 인간노동 필요역량의 변화에 대응하기 위하여 지능정보사
회에 발맞추어 미래교육을 혁신하고, 자동화 및 고용형태 다변화에 적극적으로 대응하는
방식으로 대처하겠다고 천명하였다(김용진, 2017; 미래창조과학부, 2016; 기획재정부, 2016;
산업통상자원부, 2014). 여기서 도출된 방향은 다음과 같다.
첫째, 암기 주입식 교육이 아닌 문제해결 사고력중심 교육을 실현한다. 이를 위해 초중
등 학생의 소프트웨어 및 과학, 기술, 엔지니어링, 예술, 수학(STEAM: Science, Technology,
Engineering, Arts & Mathematics) 교육을 대폭 확대하여 컴퓨팅 사고력(Computational
Thinking) 및 문제해결 능력을 배양하는 교육을 실현하는 목표를 세웠다. 구체적으로 이를
위해 2018년부터 정규 초·중·고 전학년에 SW 교육을 실시하고 점차 확대한다. SW 교육
전문기관을 설치하고 1학교 1 SW 동아리를 운영한다. 창의성, 통섭능력을 갖춘 인재양성
을 위해 창의융합형 선도학교를 확대하고, 학생들의 자율적 역량개발 및 미래준비를 지원
하기 위해 수업방식, 학사제도 및 교육과정 전면개편을 추진하며, 지능정보사회에 대비한
미래교육 정책들의 현장 안착과 실질적인 교육계 변화 유도를 위한 미래형 대학 입학전형
제도를 마련하고자 했다.
둘째, 지능정보기술을 활용한 맞춤형 교육체제를 전면화한다. 지능정보기술로 학생의 학
습이력 및 수준을 분석하고 학습효과를 극대화할 수 있는 맞춤형 학습(Adaptive Learning)
체제를 구축하고, 다양한 분야의 고급강의를 한국형 온라인공개강좌(K-MOOC)를 통해 공
유하고 인센티브 확대 등을 통해 지속가능한 학습체계를 마련하고자 했다.
셋째, 신산업 발전을 이끌 지능정보 핵심인력을 양성한다. STEAM 교육을 기반으로 컴퓨

- 72 -
터 과학, 데이터 분석, SW 개발 등에 능통한 창의적인 지능정보영재 5만 명을 조기 발굴
하여 양성한다. 최고 전문가 교수진으로 구성된 산학연 합동 집중 교육과정을 개설하고,
석·박사과정 장학금 확대 등을 통해 지능정보기술 최고급 전문인력을 양성한다. 2022년까
지 ICT융합 등 4차 산업혁명 관련 계약학과를 대폭 확충하고, 마이스터고ㆍ특성화고 우수
학생을 기초R&D 전문인력 등으로 양성하는 ‘영마이스터 육성과정’을 신설하고 운영한
다. 사회수요 맞춤형 인력양성을 위해 창업선도대학을 확대하며, 대학·산업체의 사회맞춤
형 학과 입학생 공동선발 등 취업연계를 강화한다.
넷째, 교원을 양성하고 지능정보사회 교육 인프라를 구축한다. 특히 교원의 지속적인
SW 지도역량 강화를 위해 매년 6만 여명의 교원을 대상으로 SW 연수교육을 실시하고 경
력에 따라 맞춤형 연수를 실시한다.
다섯째, 부문 간 일자리 이동 지원을 위하여 고용서비스를 고도화한다. 워크넷 및 고용
보험 정보를 빅데이터 분석(개인 생애주기, 사용자 특성, 이용패턴, 교육·훈련·구직이력
등 통합 분석)하여 취업정보·훈련정보·지원금 등 개인별맞춤형 서비스를 제공한다. 구직
자의 다양한 욕구에 맞춘 신속한 일자리 이동 지원을 위해 취업지원 서비스 역량을 강화
한다. 중앙-지방-민간의 일자리 관련 정보 및 서비스를 워크넷(온라인) 및 취업성공 패키
지(오프라인)를 중심으로 유기적으로 연계한다. 중소기업 전직자를 대상으로 하여 중장년
일자리희망센터의 재취업 역량강화 서비스 제공을 단계적으로 확대한다. 구체적으로 전직
자 대상 심리상담, 경력 컨설팅, 훈련 등을 병행하여 원활한 이직, 전직을 지원한다. 훈련
비 지원 상향, 훈련방식 다양화 등으로 전직훈련 참여 유인을 강화한다. 전직자를 대상으
로 하여 일자리 창출 잠재력이 풍부한 빅데이터, 인공지능, 가상현실 등 신산업분야 창업
및 창직에 대한 훈련을 제공한다.
여섯째, 지능정보사회 신산업 창출을 위한 산업인력을 양성한다. 직종별 자동화에 의한
대체효과, 유망 신산업 신직업에 대한 인력수요 예측을 위한 인력수급 전망 고도화 및 전
담조직을 확충한다. 산업 트렌드에 부합하고 인력수요가 늘어나는 직종을 ‘국가기간·전
략산업직종훈련’에 포함하고, 폴리텍 중심으로 선도인력을 양성하고, 공공훈련기관(폴리
텍)을 테스트베드(Test-Bed)로 매년 지능정보기술 분야 훈련과정을 신규개발하고 민간훈련
기관으로 확산한다. 민간의 역량 있는 기관을 지능정보기술 선도훈련기관으로 선정하고,
초기 2~3년간 집중지원을 통해 신기술 분야 훈련을 확산한다. 산업 전문인력 양성사업(산
업기술진흥원)을 통해 지능정보기술 신산업 분야 인력양성을 확대하여 매년 3천명의 석·
박사급 인력을 공급한다. 인문학과 기술을 연결해 새로운 가치를 창출하는 융합형 인재 양

- 73 -
성을 위한 인문계 전공 학생, 사무직 재직자에 대한 SW 교육을 확대한다. 사물인터넷·AI
등 매년 미래 유망분야 신규 NCS를 개발하고, 국가기술자격을 신설·변경하여 유망분야
인력양성을 유도한다.

5.2 필요역량에 비추어 본 직업능력 교육방향 개선점 9)

류기락 외(2017)은 Arntz et al.(2016)에 따라 PIAAC 자료를 이용하여 과업기반 접근법으

로 우리나라 직업의 자동화 위험을 분석하고, 현재의 직업능력개발훈련을 자동화 위험 측
면에서 평가했다.

<그림 5-1> 한국-미국의 자동화 위험도 분포 비교

자료: 국제성인역량조사 (PIAAC)

출처: 류기락 외 (2017) pp.180
우리나라 노동시장에서 자동화 위험 수준은 정형편향적(routine-biased) 기술변화 명제의
주장과 일치한다. 즉, 고위험 직종과 저위험 직종의 분포가 상대적으로 많은 양봉형 구조
를 띠고 있다. 사회경제적 집단별로 자동화 위험을 분석하였을 때, 한국 노동시장에서는
자동화에 따른 위험은 주로 청년층, 저학력 노동자, 저임금 근로자에 집중되어 있다. 미국
과 비교하여 한국은 자동화 위험이 낮은 직종이 상대적으로 작은 반면에 중위 위험군
(30~70%)에 속하는 직종의 빈도가 상대적으로 높은 특성을 나타냈다(<그림 5-1> 참고).
이러한 위험도를 실업자 훈련 현황에 비추어 볼 때, <그림 5-2>와 같이 국가기간전략산
업 훈련의 경우 자동화 위험이 낮은 직종의 밀도가 상대적으로 높고, 자동화 위험이 높은

9) 이 절의 내용은 류기락 외(2017)에 크게 의존하고 있다.

- 74 -
직종의 밀도가 약간 높은 반면, <그림 5-3>과 같이 실업자계좌제 훈련은 자동화 위험이 높
은 직종의 분포가 상대적으로 매우 큰 것으로 확인되었다.

< 그림 5-2> 국가기간전략산업 훈련과정의 Kernel 분포

주: 가중치     ×  , X = 훈련과정별 훈련생 수, D = 중복관측치 수 (과정), j = 훈련과정의 KECO4 분류 (세분류)


  

출처: 류기락 외 (2017) p. 167

 

<그림 5-3> 실업자계좌제 훈련과정의 Kernel 분포

주: 가중치     ×  , X = 훈련과정별 훈련생 수, D = 중복관측치 수 (과정), j = 훈련과정의 KECO4 분류 (세분류)


  

출처: 류기락 외 (2017) p. 167

 

- 75 -
 <표 5-4>는 훈련과정의 고용직업 분류별 과정 평균 수강생 수를 산출한 후, 과정 평균
수강생 수가 많은 상위 10개 직종을 제시한 것이다. 국가기간전략산업 훈련의 경우 평균
수강생 수가 많은 상위 10개 직종 중 자동화 위험도가 높은(70% 이상) 훈련과정은 금형
및 공장 기계 조작원, 무역 및 운송 관련 사무원, 용접원, 건설구조 관련 기능 종사자 등 4
개 직종이다.
실업자계좌제 훈련의 경우 평균 수강생 수가 많은 상위 10개 직종 중 자동화 위험도가
높은(70% 이상) 훈련과정은 경영지원, 행정 및 금융 관련 관리자, 회계, 세무 및 감정평가
관련 전문가, 회계 및 경리 관련 사무원, 비서 및 사무보조원 등 4개 직종이다.

<표 5-4> 평균 수강생 수가 많은 과정

(단위: %, 명)

과정평균 과정수강생 자동화

구분 KECO(소분류)
수강생수 수 합계 위험도

151 (기계공학기술자, 연구원및시험원) 6,442 77,304 27

155 (금형및공장기계조작원) 2,550 17,851 81
085 (디자이너) 1,331 15,967 30
국가
025 (생산관련사무원) 1,097 12,071 54
기간
전략 026 (무역및운송관련사무원) 2,325 11,625 88
산업 203 (소프트웨어개발전문가) 3,599 10,797 22
훈련
191 (전기및전자공학기술자,연구원및시험원) 1,257 8,797 43
과정
164 (용접원) 3,927 7,854 78
141 (건축및토목관련기술자및시험원) 1,363 6,815 51
142 (건설구조관련기능종사자) 1,014 5,072 84
012 (경영지원, 행정및금융관련관리자) 29,425 1,295,000 87
021 (경영및행정관련전문가) 19,029 456,691 65
022 (회계, 세무및감정평가관련전문가) 21,588 388,587 92

실업자 023 (광고, 홍보, 조사, 행사기획관련전문가) 6,846 184,855 50

계좌제 024 (경영지원및행정관련사무원) 2,366 170,368 52
훈련 025 (생산관련사무원) 3,299 158,371 30
과정
026 (무역및운송관련사무원) 4,365 74,208 53
027 (회계및경리관련사무원) 10,528 42,110 89
028 (안내,접수,고객응대및통계조사관련사무원) 1,333 34,654 42
029 (비서및사무보조원) 4,259 34,074 78
출처: 류기락 외 (2017) pp.168 169

- 76 -
<표 5-5>는 자동화 위험 정도별 주요 훈련과정을 명시한 것이다.

<표 5-5> 자동화 위험 정도별 주요 훈련과정

(단위: 명)

구분 KECO(소분류) 과정 수강생 수
151 (기계공학기술자, 연구원및시험원) 77,304
203 (소프트웨어개발전문가) 10,797
자동화 위험
221 (환경공학기술자, 연구원및시험원) 2,245
낮음 (0~30%)
192 (전공*) *전기공의준말 2,004
202 (컴퓨터시스템설계및분석가) 1,119
국가 085 (디자이너) 15,967
기간 025 (생산관련사무원) 12,071
자동화 위험
전략
중간 191 (전기및전자공학기술자,연구원및시험원) 8,797
산업
(30~70%) 141 (건축및토목관련기술자및시험원) 6,815
훈련
과정 068 (의료복지지원종사자) 4,488
155 (금형및공장기계조작원) 17,851
자동화 위험 026 (무역및운송관련사무원) 11,625
높음 164 (용접원) 7,854
(70~100%) 142 (건설구조관련기능종사자) 5,072
143 (건설마감관련기능종사자) 1,446
071 (사회복지및상담전문가) 31,022
024 (경영지원및행정관련사무원) 21,120
자동화 위험
151 (기계공학기술자, 연구원및시험원) 19,308
낮음 (0~30%)
203 (소프트웨어개발전문가) 10,860
192 (전공*) *전기공의준말 8,042
131 (주방장및조리사) 456,691
실업자 121 (이,미용및관련서비스종사자) 184,855
자동화 위험
계좌제
중간 068 (의료복지지원종사자) 170,368
훈련
(30~70%) 085 (디자이너) 158,371
과정
227 (공예원,세공원,악기제조원및기타기능종사자) 74,208
029 (비서및사무보조원) 1,295,000
자동화 위험 027 (회계및경리관련사무원) 388,587
높음 212 (제과제빵원및떡제조원) 42,110
(70~100%) 164 (용접원) 34,074
143 (건설마감관련기능종사자) 29,839
출처: 류기락 외 (2017) p. 171

- 77 -
 직능수준이 1에 가까울수록 직능수준이 상대적으로 높고, 직능수준이 9에 가까울수록 직
능수준이 상대적으로 낮다고 해석할 수 있는데, 국가기간전략산업 훈련과정은 직능수준 1
의 훈련 생 수 평균이 2,530명으로 가장 많으며, 직능수준 5-6이 그 다음으로 많고, 직능수
준 7-9는 훈련생 수 평균이 48~220명으로 낮다. 실업자계좌제 훈련과정의 훈련생 수는 상
대적으로 직능수준이 낮은 7과 9에 훈련생 수 평균이 11,868명과 26,974명으로 가장 많은
반면, 직능수준이 높은 1-2의 훈련생 수 평균은 매우 작다.

<표 5-6> 직능수준별 훈련생 수 평균

(단위: 명)
직능수준 1 2 3 4 5 6 7 8 9
국가기간 전략산업
2,530 385 308 526 1,219 1,098 63 220 48
훈련과정
실업자계좌제
3,322 577 400 992 1,308 200 11,868 1,713 26,974
훈련과정
출처: 류기락 외 (2017) p. 174

<표 5-7> 직능수준별 자동화 위험도

(단위: %)
직능수준 1 2 3 4 5 6 7 8 9
국가기간 전략산업
33 55 54 58 47 59 78 46 82
훈련과정
실업자계좌제
42 55 67 46 49 72 70 55 87
훈련과정
출처: 류기락 외 (2017) p.176

현재까지 정부주도 실업자 훈련의 공급 양상이나 훈련성과는 자동화 위험과 유사한 분

포를 나타내고 있다. 국가기간전략산업 훈련과정의 경우 자동화 위험이 낮은 직능수준의
훈련생 수가 많은 반면, 실업자계좌제 훈련과정의 경우 자동화 위험이 높은 직능수준의 훈
련생 수가 많아 개선이 필요하다.
따라서 향후 실업자 훈련 재편 과정에서 직종별 자동화 위험뿐만 아니라 연령, 성별, 학
력에 따른 자동화 위험의 차이를 감안하여 훈련과정 개설 및 훈련 상담을 진행하는 방법
을 모색할 필요가 있다.
특히, 직업능력개발훈련을 자동화 가능성이 낮은 직종 위주로 개편할 필요가 있는데, 국
가기간전략산업 훈련의 경우 자동화 위험이 낮은 직종의 밀도가 상대적으로 높은 반면, 실

- 78 -
업자계좌제 훈련의 경우 자동화 위험이 높은 직종의 밀도가 상대적으로 매우 크므로 실업
자계좌제 훈련 직종을 조정할 필요가 있다.
국가기간전략산업 훈련과정에서 금형 및 공장기계 조작원, 무역 및 운송 관련 사무원,
용접원, 건설 구조 관련 기능 종사자는 모두 자동화 위험도가 70%가 넘지만 과정수강생
수가 많으므로, 이러한 직종의 과정수강생 수를 줄이고 자동화 위험도가 낮은 직종으로 수
강생을 유도해야 한다.
실업자계좌제 훈련과정에서 경영지원, 행정 및 금융 관련 관리자, 회계, 세무 및 감정평
가 관련 전문가, 회계 및 경리 관련 사무원, 비서 및 사무보조원은 모두 자동화 위험도가
70%가 넘으면서 수강생 수가 많으므로, 이러한 직종의 훈련과정 수강생 수를 줄이고, 자동
화 위험도가 낮은 직종으로 수강생들을 유도해야 한다. 특히 경영지원, 행정 및 금융 관련
관리자, 회계, 세무 및 감정평가 관련 전문가의 경우 자동화 위험도가 각각 87%, 92%로 매
우 높음에도 불구하고, 과정 평균 수강생 수는 약 3만 명, 2만 명 정도로 많으므로 빠른
개입이 필요하다.

5.3 소결
2016년 현재 정부는 4차 산업혁명으로 인해 2024년까지 82만 4,000명의 전문직 인력이,
그리고 4대 유망분야 12개 신산업에서는 신규인력 9만 명 포함 총 17만 명의 인력이 필요
할 것으로 예측하고 있다(고용노동부 2016).
하지만 고령화로 인한 생산가능 인구의 평균연령 상승으로 노동생산성의 저하가 예상되
고, 국제성인능력조사(PIIAC) 보고에 따르면 20대부터 급격한 역량감소가 나타나는 상황에
직면해 있다. 또한, 노동시장의 저임금 근로자 비중이 높은 상황과 대기업 대 중소기업 간
직업훈련 참여격차가 4차 산업혁명의 기술변화에 따라 필요한 노동자의 재숙련화 및 숙련
향상을 방해할 것을 예상된다.
우선, 스마트 공장 단위에서 보면, 다음 <표 5-8>에 정리한 바와 같이 스마트 공장의 도
입에도 불구하고 순고용이 증가할 수 있도록 하려면 단계별 접근이 필요하다.
단기적으로 ‘기초-중간1’ 단계에서는 스마트 공장 운영인력 양성이 주요한 정책적 목
표가 되어야 할 것이다. 여기에는 교육 프로그램의 다양성 확보와 교육 참가자의 원활한
과정 이수를 위한 제도적 뒷받침이 필요하다.
앞으로의 기술발전 방향이 명확하지 않은 상황에서 경직된 기준에 따라 국가가 인증한
프로그램을 중심으로 재교육 프로그램을 구성하는 것은 인위적 기술선택에 의한 인력 수

- 79 -
요·공급의 불일치 문제를 야기할 가능성이 높다. 따라서 다양한 학습 콘텐츠를 포함하는
직업능력개발 플랫폼 구축이 필요하며, 공공-민간 훈련기관 및 훈련과정 개편을 통해 민간
운영 자율성을 확대시킬 필요가 있다.

<표 5-8> 스마트공장 도입의 순고용 증가를 위한 정책 제언

구분 기초 중간1 중간2 고도화
순고용 증가의
대체 효과 < (보완효과 + 생산효과) 대체 효과 < (생산효과 + 확산효과)
조건
○ 스마트 공장 운영인력 양성: ○ 스마트 공장 운영인력 양성 지원
- 대기업은 자체 재교육 프로그램 장려, ○ 지속적인 신산업 창출
- 중소기업 지원 프로그램 개발
순고용 증가의
- 중소기업 재직자 교육 중 대체인력
동인과 이를
지원도 검토 필요
위한 정책지원
○ 스마트 공장 설비 생산 증가
- 관련 인력 양성 프로그램
- 설비 보급 지원
○ 대체 노동력의 재취업 교육 지원 ○ 평생학습체계구축
제도적 보완 ○ Gig Worker 고용조건 제고 - ‘기업 – 중앙/지방정부 – 노동자’의
○ 사생활 보호 제도 마련 3자 체제

또한 공급자중심에서 수요자중심 훈련시장을 지향하고, 급변하는 고용 및 숙련 수요를

반영하는 고용서비스를 강화하며, 빅데이터 및 인공지능 기반 평생경력개발 인프라를 구축
할 필요가 있다. 이를 위한 오픈 플랫폼 전략, 민간 훈련기관뿐만 아니라 전문대학 및 대
학에서 제공하는 프로그램을 적극적으로 포함시킬 수 있는 방법을 모색해야 한다. 특히 학
령인구 감소에 따라 재학생 수가 감소할 대학의 기능을 기술 재교육과 평생학습기관으로
변모시킬 방법을 고민해야 한다.
또한 재직자의 원활한 교육수강을 위해, 근로자의 학습시간이 보장되어야 하며, 이를 위
해서는 재직자의 소득과 교육기간 동안의 대체 근로자 보급을 위한 여유인력과 관련된 제
도가 정비되어야 한다. 대기업의 경우 자체적으로 교육기간 동안의 인력 운영체계 구축이
가능할 것이며, 혁신기반 경쟁시대에 경쟁력 유지를 위해서도 불가피한 선택이 될 것이다.
하지만 중소·중견기업은 자체적으로 평생학습기반 인력운영체계를 구축하기 어려운 상황
이다. 이를 위해 정부 및 지방자치단체가 여유인력풀을 확보·운영하고 중소·중견기업 근
로자의 학습기간 동안 업무공백 최소화를 위해 보충인력을 투입하는 시스템을 갖출 필요
가 있다.
장기적으로는 스마트 공장 도입, 넓게 보아 4차 산업혁명의 진행 과정에서 우리는 고용
친화적 혁신촉진형 인력운영을 목표로 해야 할 것이다. 이를 위해 평생학습기반의 인력운
영체계를 구축하는 것이 시급하다.

- 80 -
 제6장 결론
본 연구에서는 스마트공장 도입 확산으로 고용이 줄어들 것이라는 우려가 제기됨에 따
라 스마트공장을 도입한 해외 사례와 기술발전이 고용에 미친 효과에 대한 기존의 연구결
과를 통해 고용변화를 예측하고, 스마트공장 도입 확산에 따른 고용 대체효과를 최소화하
면서 스마트공장 도입과 고용 간 관계를 긍정적 방향으로 이끌기 위한 정책대안을 제안하
고자 했다.
기술발전과 고용 간 관계는 케인즈의 기술실업(technological unemployment)에 대한 예측
에도 불구하고 1, 2차 산업혁명 이후 20세기 말까지 양적(+) 상관관계를 유지하며 발전해
왔다. 그러나 컴퓨터와 디지털 디바이스를 매개로 한 디지털 혁명이 본격화된 이후부터는
기술발전을 통한 생산성 향상과 민간고용 사이에 비동조화(decoupling) 현상이 나타나기 시
작하였고(Brynjolfsson & McAfee, 2014), ‘고용 없는 성장’이 일상적 패턴으로 자리 잡았
다.
1차 산업혁명은 과도기에 수공업에 종사하던 사람들의 고용을 줄이는 대체효과를 가져
왔지만, 생산효과와 확산효과를 크게 높임으로써 중장기적으로는 고용을 크게 늘리는 결과
를 가져왔다. 2차 산업혁명도 기존의 공장제 생산체계를 미숙련 노동자들의 노동 분업을
활용한 대량생산체계로 전환함으로써 생산효과와 확산효과를 크게 높였다. 2차 산업혁명이
성숙단계로 접어들면서 제조업 생산현장의 육체노동을 대체하는 자동화가 빠르게 진전되
었지만, 사무·관리직과 전문기술직을 포함한 지식노동과 서비스업의 꾸준한 확대가 민간
고용의 증가를 이끌었다.
그에 반해 디지털 혁명의 특성을 갖는 3차 산업혁명부터는 정보통신기술이 인간의 지적
노동의 영역을 점차 대체함으로써 생산성 향상과 민간고용 간 비동조화 현상을 만들어내
기 시작했다. 그리고 빅데이터와 인공지능의 급속한 발전을 축으로 확산되고 있는 4차 산
업혁명(Schwab 2016)은 상당한 수준의 지식기반 전문직 업무까지 대체함으로써 고용 없는
성장을 심화시키고 있다. 이런 점에서 최근 지능형 정보기술은 숙련 편향적(skill-biased) 혹
은 슈퍼스타 편향적(superstar-biased) 특성을 가지고 있다. 즉, 현재의 지능형 정보기술은
그것을 활용할 수 있는 고숙련자들에게는 큰 기회를 제공하지만, 상당 수준의 지식노동을
수행하는 중간계층의 일자리까지 침식할 수 있는 가능성을 내포하고 있다.
그렇다면 스마트공장의 확산이 고용에 미칠 영향은 어떨까? 기술적 가능성만을 고려할
경우 지능형 정보기술을 적극적으로 활용하는 스마트공장의 고도화는 기술발전과 고용 간
비동조화 현상을 더욱 더 심화시킬 것으로 예측된다. 스마트공장 도입의 1차적 목표가 인

- 81 -
건비 절감을 통한 효율극대화에 두어진다면, 그러한 비동조화 현상은 가속도가 붙어 더욱
더 빨라질 것이다. 그에 반해, 신기술 활용을 통해 인간 역량을 증강시킴으로써 생산성을
높이려는 것이 스마트공장 도입의 주요 동인일 경우 대체효과보다 보완효과가 더 크게 나
타날 수 있다. 그리고 인간과 로봇이 협업하는 새로운 생산양식과 업무프로세스가 발전한
다면, 대체효과에 따른 고용감소보다는 생산효과와 확산효과로 인한 고용증대가 더 크게
나타날 수도 있다.
이상을 고려하면 기술발전과 고용 간 관계가 기술결정론에 의해 정해지는 것은 아니다.
어떠한 사회적 목표와 가치를 추구하느냐에 따라 기술발전의 활용방향이 달라지고 기술
활용과 고용이 선순환을 이룰 수 있는 가능성 또한 크다고 볼 수 있다. 이에 대해서는 독
일의 사례가 참고가 될 수 있다. 독일은 인더스트리 4.0을 통한 제조업 스마트화의 목표를
제조업의 경쟁력 제고를 넘어 노동자들의 높은 임금수준과 고용을 유지하는 데 맞췄다. 인
더스트리 4.0과 노동 4.0이 유기적 연계성을 갖고 사회적 공론화의 핵심주제가 되었다는
점이 이를 반영한다. 스마트공장 도입·확산의 사회적 목표에 대한 공감대와 노사 간 신뢰
가 전제될 때 스마트공장의 도입·확산 과정에서 표면화될 수 있는 노사 간 갈등을 최소
화하고 기술도입에 대한 전향적 분위기를 형성할 수 있다. 이는 스마트공장의 도입이 고용
에 미치는 부정적 효과를 최소화하고 긍정적 효과를 높이기 위해서는 그에 따른 고용 불
안감을 해소할 수 있는 제도적 장치들을 마련함과 동시에 스마트공장의 도입에 따른 생산
성 증대를 노동자들과 시민들의 삶의 질 향상으로 연결시킬 수 있는 조직운영 시스템과
사회운영 시스템을 구축하는 것이 중요함을 의미한다.
그 차원에서 우선적으로 갖춰야 할 시스템이 업무역량 강화시스템이다. 업무역량 강화시
스템의 구축은 지식과 기술의 반감기가 갈수록 짧아지고 있는 현실에서 필수적이라 할 수
있다. 그렇지 못할 경우 기존 인력이 보유하고 있는 지식과 기술의 진부화가 빠르게 진전
되어 경쟁력 하락의 도화선이 될 수 있기 때문이다. 뿐만 아니라, 스마트공장의 도입에 따
라 대체될 위험성이 높은 인력들이 새롭게 요구되는 역할을 수행할 수 있도록 필요역량을
키우지 못한다면 고용친화적 자동화를 구현할 수 없으며, 기존 인력들은 고용불안감 때문
에 스마트공장 도입을 포함한 기업혁신에 적극 저항하게 될 것이다.
스마트공장 도입 및 고도화를 뒷받침할 업무역량 강화시스템의 절실한 필요성에도 불구
하고 수많은 중소·중견기업들은 자체적인 업무역량 강화시스템을 갖추고 운영하는 것이
현실적으로 매우 어렵다. 자금여력 면에서도 어렵지만, 인력 부족난을 겪고 있는 중소·중
견기업들이 현업에 있는 인력들을 순차적으로 빼내어 일정 기간 동안 업무역량 강화훈련

- 82 -
을 받게 하는 것은 더욱 더 어려운 것이 현실이다. 정부나 지방자치단체의 적극적 지원이
필요한 지점이 바로 여기이다. 정부나 지방자치단체가 중소·중견기업들이 자체 보유인력
들의 지속적 역량강화를 위해 활용할 수 있는 역량개발 훈련프로그램을 내실화하고, 훈련
기간 동안 훈련참가 인력들의 업무공백을 메워줄 수 있는 ‘훈련받은’ 예비인력 풀을 운
영할 필요가 있다. 정부나 지방자치단체가 운영하는 예비인력 풀은 청년실업 문제를 완화
할 수 있는 방안으로서 유용할 뿐 아니라, 실업난으로 인한 청년세대의 역량누수 문제를
해소할 수 있는 방안으로서도 유용하다고 볼 수 있다.
역량개발 훈련프로그램의 내실화 차원에서 볼 때 현재 우리나라의 직업능력개발훈련은
효율적이라고 보기는 어렵다. 현재까지 정부주도 훈련프로그램의 공급양상이나 훈련성과는
자동화 위험과 유사한 분포, 즉, 자동화 위험이 높은 부문에 교육 과정이 집중되어 있는
문제를 안고 있다. 따라서 직업능력개발훈련을 자동화 가능성이 낮은 직종 위주로 개편할
필요가 있으며, 지능형정보기술에 대한 이해도와 활용능력을 높이고 더 나아가 공장 스마
트화와 보완관계를 갖는 인간 고유의 역량을 제고할 수 있는 훈련을 강화할 필요가 있다.
이상의 역량강화 훈련프로그램은 재직자뿐만 아니라, 실직자들에게도 제공되는 공공 평
생학습체계로 정착시킬 필요가 있다. 전일제 정규직 중심이던 20세기형 고용의 형태가 21
세기 들어 점차 다양한 비정규직 형태에 자리를 내주고 있는 현실을 감안할 때 경력관리
는 점차 개인의 책임 비중이 커지는 방향으로 바뀌고, 그에 따라 개인의 경력탄력성은 갈
수록 그 중요성을 더해가고 있다.
따라서 정부는 사회구성원들의 경력전환을 위한 징검다리를 제공해줄 필요가 있는 바,
공공 평생학습체계는 역량개발 차원의 징검다리 역할을 수행하게 될 것이다. 더불어 경력
전환을 위한 훈련 참여기간 동안 재정적 징검다리까지 제공된다면 스마트공장의 도입·확
산, 더 넓게는 4차 산업혁명에 따른 대변혁을 사회적으로 좀 더 유연하게 수용하고 발전시
킬 수 있을 것으로 판단된다. 경력전환을 위한 훈련기간 동안 지원되는 재정적 징검다리,
즉 사회안전망은 지능정보기술의 고용대체효과로 인해 고용의 소득분배 기능이 약화될 위
험성이 커질수록 사회적으로 그 중요성은 더욱 더 커질 것이다.

- 83 -
 참고문헌
KT경제경영연구소(2017), 한국형 4차 산업혁명의 미래: KT경제경영연구소가 찾아낸
미래 한국의 7가지 성장전략, 한즈미디어.
LG경제연구원(2017), 스마트 팩토리 삼국지, LG경제연구원.
강승태(2017a), ｢일본 스마트팩토리 산실 미쓰비시전기: 100년 된 공장이
AI·로봇·IoT로 대변신｣, 매일경제, 2017년 7월 7일,
http://news.mk.co.kr/newsRead.php?no=456774&year=2017, 2017년 11월 3일 방문.
(2017b), ｢[해외 전문가 인터뷰] 코야마 켄이치 미쓰비시전기 나고야제작소장:
신기술과 장인정신 결합해야 진정한 효과｣, 매일경제, 2017년 7월 7일,
http://vip.mk.co.kr/newSt/news/news_view.php?p_page=&sCode=21&t_uid=20&c_uid=
1516711&search=&topGubun=, 2017년 11월 3일 방문.
고용노동부(2016), 4차 산업혁명에 대비한 직업능력개발 제도개편(안), 고용노동부.
고재진, 이규택(2015), 스마트 공장 현황 및 시사점, 한국 임베디드 소프트웨어
시스템 산업 협회.
관계부처 합동(2017), 혁신 성장을 위한 사람중심의 4차 산업혁명 대응계획, 2017년
11월.
국회예산정책처(2015), 4차 산업혁명 대비 미래산업정책 분석 Ⅳ, 산업 분야별 육성
및 고도화 정책 분석, 국회예산정책처.
권준화(2016a), ｢독일 스마트공장 현황과 시사점｣, IBK경제연구소.
권준화(2016b), ｢독일 인더스트리 4.0의 중소기업에 대한 도입 사례 분석과 시사점｣,
경상논총, 제34권 3호, 2016년 9월, pp. 37-55, 한독경상학회.
기획재정부 (2016), 2017 경제 정책 방향, 기획재정부.
김기림(2016), ｢美 아마존, 로봇 3만개와 22만명 직원 어떻게 공존할까｣, 이코노믹리뷰,
2016년 4월 10일, http://www.econovill.com/news/articleView.html?idxno=286460,
2017년 11월 3일 방문.
김낙훈(2015a), ｢10년 내 스마트팩토리 통해 창출될 부가가치 독일서만 800억유로｣,
한국경제, 2015년 9월 14일, http://news.hankyung.com/article/2015090363561,
2017년 12월 1일 방문.
김낙훈(2015b), ｢공장 로봇들이 스스로 작업방식 결정…독일, 4차 산업혁명 신호탄｣,
한국경제, 2015년 12월 24일,
http://land.hankyung.com/news/app/newsview.php?aid=2015122354551, 2017년 12월
1일 방문.
김범수, 김종형(2017), ｢‘일자리 킬러인가, 제조기인가’ 아마존, 5만명 채용 계획

- 85 -
 발표｣, 조선비즈, 2017년 8월 9일,
http://biz.chosun.com/site/data/html_dir/2017/08/09/2017080900235.html, 2017년 11월
3일 방문.
김승현, 김만진(2016), 차세대 생산혁명을 대비한 제조업 혁신 정책과 도전과제,
과학기술정책연구원.
김승현(2017), 4차 산업혁명과 제조업혁신, 제413회 과학기술정책포럼, 2017년 7월
6일, 과학기술정책연구원.
김시우(2017), 스마트 팩토리, 4차 산업혁명의 생생한 현장, Global Thematic Insight,
2017년 6월 9일, 한국투자증권.
김언한(2015), ｢제조업 하락의 대안, ‘스마트 팩토리’｣, electornic science, 2015년
11월, http://www.elec4.co.kr/article/articleView.asp?idx=12008, 2017년 11월 3일
방문.
김영학(2016), ｢Robot 넘어 Cobot 시대 온다｣, 월간로봇, 2016년 10월 7일,
http://www.elec4.co.kr/article/articleView.asp?idx=15516#, 2017년 11월 13일 방문.
김용진 (2017), 제4차 산업혁명 대비 중소기업 대응 및 지원 방안 수립 연구용역,
중소기업진흥공단.
김재현(2017), ｢제조업 강국 꿈꾸는 중국의 ‘로봇굴기’｣, 중앙시사매거진, 2017년
11월 27일, http://jmagazine.joins.com/economist/view/318877, 2017년 11월 29일
방문.김경훈, 김재홍, 최영호(2017), ｢물류로봇 기술동향 및 향후전망｣, KEIT PD
Issue Report, 17(7), 45-62, 한국산업기술평가관리원.
나준호, 최드림(2016), 미국, 독일, 일본의 스마트 팩토리 전략, LG경제연구원.
노경목(2016), ｢신발끈·뒷굽 등 수백만가지 옵션도 5시간 내 생산 끝낸다｣, 한국경제,
2016년 10월 16일,
http://www.hankyung.com/news/realtime/index.php?aid=2016101678791, 2017년 11월
3일 방문.
딜로이트 안진(2015), ｢유연 생산 체계를 구현하는 Smart Factory: 생산 전략의 효과적
운용 방안｣, Deloitte Anjin Review, 4, 62-68.
류기락 (2017), ｢사람 중심 4차 산업혁명을 위한 몇 가지 제안｣, The HRD Review,
20(4), 48-67.
류기락, 김안국, 임언, 노수경 (2017), 제4차 산업혁명과 직업능력개발 정책과제,
경제발전노사정위원회.
미래창조과학부 (2017), 제4차 산업혁명에 대응한 지능정보사회 중장기 종합대책,
미래창조과학부.
박건형(2017), ｢아마존 창고, AI·로봇이 초당 50건씩 배송처리｣, 조선일보, 2017년 8월

- 86 -
 2일, http://news.chosun.com/site/data/html_dir/2017/07/24/2017072400325.html,
2017년 11월 3일 방문.
박정은(2015), ｢쿠카로보틱스코리아, 인간협업 로봇 ‘LBR 이바’ 한국 출시...
산업현장 생산성 향상 기대｣, 전자신문, 2015년 7월 23일,
http://www.etnews.com/20150723000294, 2017년 11월 13일 방문.
박종원(2016), ｢고향으로 공장 되돌리는 아디다스, 로봇기술로 제조업 패러다임 혁신｣,
파이낸셜뉴스, 2016년 6월 9일, http://www.fnnews.com/news/201606091610551486,
2017년 11월 3일 방문.
박현영(2017), ｢아디다스 발길에 쏠린 눈｣, 중앙일보, 2017년 5월 2일,
http://news.joins.com/article/21533565, 2017년 11월 3일 방문.
배상은(2017), ｢아마존, 연말 쇼핑 성수기 시즌 직원 12만명 채용｣, 뉴스1, 2017년 10월
12일, http://news1.kr/articles/?3122361, 2017년 11월 3일 방문.
백성요(2017), ｢4차 산업혁명, 왜 아마존인가?｣, 녹색경제, 2017년 7월 20일,
http://www.greened.kr/news/articleView.html?idxno=28815, 2017년 11월 3일 방문.
산업연구원(2017), 4차 산업혁명의 글로벌 동향과 한국산업의 대응전략, 산업연구원.
산업통상자원부 (2014), 제조업 혁신 3.0, 산업통상자원부.
산업통상자원부(2017), 스마트 제조혁신 비전 2025, 중소기업 정책 간담회, 2017년
4월 20일, 산업통상자원부.
산업통상자원부, 민관합동 스마트공장 추진단(2016), 제조업, 혁신의 길을 찾다:
2015년 스마트 공장 지원 사업 참여 기업 우수 사례집.
산업통상자원부, 민관합동 스마트공장 추진단(2017), 스마트공장 참조모델:
업종중심으로 3차 개정증보판.
소아영(2017), 4차 산업혁명과 국내외 스마트 공장 산업동향, 융합 Weekly TIP, 57,
융합연구정책센터.
송해영(2016), ｢‘연결되는 공장’ 실현을 위해 일본 기업들이 뭉쳤다｣, MFG, 2017년
8월 4일, http://www.mfgkr.com/archives/2644, 2017년 11월 3일 방문.
슈테파니 미헬(2016), ｢인더스트리 4.0 문제 없음!｣, Machinenmarkt Korea, 2016년 3월
1일,
http://mmkorea.net/2016/03/01/%EC%9D%B8%EB%8D%94%EC%8A%A4%ED%8A%B8%
EB%A6%AC-4-0-%EB%AC%B8%EC%A0%9C-%EC%97%86%EC%9D%8C-%EB%94%94
%EC%A7%80%ED%84%B8-%EC%83%9D%EC%82%B0/, 2017년 12월 1일 방문.
안정락(2016), ｢아마존, 로봇·무인차·빅데이터 결정체…1000명이 인공지능만 연구｣,
한국경제, 2016년 10월 16일, http://news.hankyung.com/article/2016101679031,
2017년 11월 3일 방문.

- 87 -
안정락(2017), ｢짐꾼·기중기 로봇…아마존 물류센터는 ‘로봇천국’｣, 한국경제,
2017년 1월 4일, http://news.hankyung.com/article/2017010353421, 2017년 11월 3일
방문.
LG경제연구원(2017), 스마트팩토리삼국지, 2017년 3월 29일, LG경제연구원.
월간 21C FA VISION(2015), Smarter Factory로 제조업 혁신을 이끌자! 지멘스, 인더스트리
4.0의 전도사, (주)제내드.
유성열(2016), ｢로봇-AI가 사람 대체… 공장 늘어도 고용한파 더 거세져｣, dongA.com,
2016년 6월 12일,
http://news.donga.com/List/SocietyLabor/3/0303/20161216/81866642/1, 2017년 11월
3일 방문.
음성원(2017), ｢아마존의 노동 없는 기계 제국｣, 한겨레신문, 2017년 2월 16일,
http://www.hani.co.kr/arti/science/science_general/781426.html, 2017년 11월 3일
방문.
이기준(2017), ｢'AI 시대' 일자리 해법? 창고 노동자를 로봇 관리자로 재교육한 아마존｣,
중앙일보, 2017년 9월 12일, http://news.joins.com/article/21927115, 2017년 11월
3일 방문.
이방실(2017), ｢스마트공장은 자동화 공장이 아니다. 연결-통찰-최적화가 결합된
‘지능화 공장’｣, 동아비즈니스리뷰, 2017년 6월,
http://dbr.donga.com/article/view/1101/article_no/8162, 2017년 11월 3일 방문.
이유진(2017), 해외 스마트팩토리가 한국에 주는 시사점, TRADE BRIEF, 10, 2017년
4월 7일, 한국무역협회 국제무역연구원.
이재원(2016),제4차 산업혁명: 주요국의 대응현황을 중심으로, 한국은행.
임근난(2015), ｢獨 지멘스 암베르크 공장, '소프트웨어+센서' 결합으로 공장 지능화｣,
HelloT 첨단뉴스, 2015년 5월 22일,
http://www.hellot.net/new_hellot/magazine/magazine_read.html?code=201&sub=001&i
dx=23462, 2017년 11월 3일 방문.
장경석(2017), 국내ㆍ외 스마트 팩토리 동향, KB 지식비타민, 17-37, KB 금융지주
경영연구소.
장길수(2016), ｢아디다스 '스피드 팩토리'의 도입 효과는?｣, 로봇신문, 2016년 6월 9일,
http://www.irobotnews.com/news/articleView.html?idxno=7782, 2017년 11월 3일
방문.
장길수(2017), ｢아마존, 로봇 도입 급속도로 증가｣, 로봇신문, 2017년 8월 4일,
http://www.irobotnews.com/news/articleView.html?idxno=11339, 2017년 11월 3일
방문.

- 88 -
장재현, 정재훈(2016), 스마트 팩토리 산업 인터넷 혁명의 서곡, LG Business Insight,
2016년 5월 4일.
전해영(2017), 4차 산업혁명 시대 물류산업의 미래, 현대경제연구원.
정성원(2016), 제4차 산업혁명(Industry 4.0) 시대의 빅데이터와 머신러닝,
데이터솔루션.
정치연(2017), ｢獨 스마트 팩토리 모범사례 ‘보쉬 포이어바흐 공장’을 가다｣,
전자신문, 2017년 9월 24일, http://www.etnews.com/20170924000019, 2017년 12월
1일 방문.
정호상, 박민영, 임현우(2016), 물류창고를 활용한 우체국 소포사업 경쟁력 제고방안,
인하대학교 산학협력단.
정호윤, 주영훈(2017), 아마존의 국내시장 진출 시 영향 분석, 유진투자증권.
정혁(2017), 4차 산업혁명과 일자리, KISDI Premium Report, 17-09,
정보통신정책연구원.
조규남(2017), ｢쿠카로보틱스코리아㈜｣, 로봇신문, 2017년 5월 31일,
http://www.irobotnews.com/news/articleView.html?idxno=10793, 2017년 11월 13일
방문.
좌동욱, 안대규, 강현우(2017), ｢‘스마트 팩토리’ 만든 넥센타이어, 창녕에
고급일자리 1100개 선물｣, 한국경제신문, 2017년 7월 7일,
http://news.hankyung.com/article/2017070605551, 2017년 8월 30일 방문.
중소기업중앙회(2017), 중소벤처기업의 4차 산업혁명 대응실태조사 결과보고.
중소기업진흥원(2017), 제4차 산업혁명 대비 중소기업 대응 및 지원방안 수립 연구
용역
지준영(2015), ｢한국미쓰비시전기오토메이션, e-F@ctory 통해 제조의 디지털화 선뵐
것｣, FA저널, 2015년 12월 11일,
http://www.fajournal.com/news/articleView.html?idxno=3637, 2017년 11월 3일 방문.
차원용(2017), ｢아마존의 제4차 산업혁명 전개 방향 분석｣, IT 뉴스, 2017년 3월 16일,
http://www.itnews.or.kr/?p=21145, 2017년 11월 3일 방문.
최갑천(2017), ｢全공정 디지털화로 제품 불량률 100만개당 11.5개뿐｣, 파이낸셜뉴스,
2017년 1월 1일, http://www.fnnews.com/news/201701011748116117, 2017년 11월
3일 방문.
최해옥, 최병삼, 김석관(2017), 제4차 산업혁명 동향 1-일본의 제 4차 산업혁명 대응
정책과 시사점, 동향과 이슈, 제30호, 과학기술정책연구원.
추수현(2016), ｢독일, 근로자 중심의 인체공하적 스마트 팩토리 추진 중(2편)｣, Kotra
해외시장뉴스, 2016년 1월 11일,

- 89 -
 https://news.kotra.or.kr/user/globalBbs/kotranews/4/globalBbsDataView.do?setIdx=243
&dataIdx=147942, 2017년 11월 12일 방문.
편승민(2017), ｢4차산업을 통해 미래를 보다 1부 : 인더스트리 4.0, 인간과 기술의
조화｣ 머니투데이 더리더, 2017년 9월 29일,
http://theleader.mt.co.kr/articleView.html?no=2017092816287828777, 2017년 12월
1일 방문.
한국노동연구원(2016), ｢영국, 아마존 물류창고의 열악한 근무조건에 비판 여론 확산｣,
한국노동연구원, 2016년 12월 23일,
https://www.kli.re.kr/kli/selectBbsNttView.do?bbsNo=8&key=42&nttNo=129648,
2017년 11월 3일 방문.
한국일보(2017), ｢아마존 종업원 54만명, 지난 1년간 24만명 증가｣, 한국일보, 2017년
10월 31일, http://www.koreatimes.com/article/20171030/1084588, 2017년 11월 3일
방문.

三島一孝(2016), ｢スマートファクトリー：
製造業IoTに新たなデファクト誕生か、ファナックらが人工知能搭載の情報基盤開発へ｣,
MONOist, 2016년 4월 19일.
三島一孝(2017), ｢ハノーバーメッセ2017：
つながる工場実現へ、ファナックがIoT基盤をドイツでアピール｣, MONOist, 2016년 4월
19일.
スマートマニュファクチャリング特別委員会(2017), 2016年度版 製造業2030  , 日本電機工業会.
経済産業省(2017), ｢新産業構造ビジョン｣ 一人ひとりの、世界の課題を解決する日本の未来 ,
産業構造審議会 新産業構造部会 事務局.

国务院(2015), 国务院关于印发《中国制造2025》的通知.
周济(2015), 智能制造——“中国制造 2025” 的主攻方向, 中国机械工程, 26(17),
2273-2284.
中华人民共和国工业信息化部(2016), 《智能制造发展规划（2016-2020年）》正式发布,
2016.12.08.

Acemoglu, Daron and Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Markets,” NBER
Working Paper, 23285, National Bureau of Economic Research.
ADIDAS AG(2016), ADIDAS ANNUAL REPORT, ADIDAS AG.
Arntz, Melanie, Terry Gregory, and Ulrich Zierahn (2016), “The Risk of Automation for Jobs in OECD

- 90 -
 Countries: A Comparative Analysis,” OECD Social, Employment and Migration Working Papers, No.
189, OECD Publishing, Paris.
Autor, David H., Frank Levy, and Richard J. Murnane (2003), “The Skill Content of Recent Technological
Change: An Empirical Exploration,” Quarterly Journal of Economics, 118(4), 1279-1333.
Autor, David H. (2014), “Polanyi's paradox and the shape of employment growth,”
National Bureau of Economic Research.
Autor, David H. and Anna Salomons, 2107, “Does Productivity Growth Threaten Employment?
‘Robocalypse Now?’”, European Central Bank Annual Conference, Sintra, Portugal.
Bain, Marc (2015), “Adidas wants to make sneakers with more robots and fewer
Chinese factories”, QUARTZ,
https://qz.com/569774/adidas-wants-to-make-sneakers-with-more-robots-and-fewer
-chinese-factories/, 2017년 11월 3일 방문.
BASF AG(2016), Industry 4.0 and the Chemicals Industry, BASF AG.
Bessen, James E. (2015), Learning by doing: the real connection between innovation,
wages, and wealth, Yale university press.
Bessen, James E. (2016), “The Automation Paradox,” Atlantic, 21, Jan..
Bizerba SE & Co. KG(2017), “Bizerba Further Pursues its Dynamic Course of
Expansion in its Anniversary Year”,
https://www.bizerba.com/en/news/current-news/bizerba-further-pursues-its-dynamic
-course-of-expansion-in-its-anniversary-year.html, 2017년 12월 1일 방문.
Bizerba SE & Co. KG, “Bizerba solutions for industrial production”, Bizerba SE &
Co. KG
BLOOMBERG stock report(2017),
https://www.bloomberg.com/research/stocks/private/snapshot.asp?privcapid=5854227,
2017년 11월 30일 방문.
Bresnahan, Timothy F. and Trajtenberg M. (1995), “General purpose technologies
‘Engines of growth’?”, Journal of Econometrics, 65(1), 83-108.
Brynjolfsson, Erik and Andrew McAfee (2014), The Second Machine Age: Work,
Progress, and Posperity in a Time of Brilliant Technologies, W.W. Norton &
Company.
Deloitte (2015), The Skills Gap in U.S. Manufacturing 2015 and Beyond, Deloitte.
Elliott, Stuart W. (2017), Computers and the Future of Skill Demand, OECD Publishing,
Paris. Avaliable at http://dx.doi.org/10.1787/9789264284395-en
Deming, David J. (2017), “The growing importance of social skills in the labor

- 91 -
 market,” The Quarterly Journal of Economics, 132(4), 1593-1640.
Die Rheinpfalz(2017), “BASF setzt Stellenabbau im Ludwigshafener Stammwerk fort”,
https://www.rheinpfalz.de/lokal/kaiserslautern/artikel/basf-setzt-stellenabbau-im-lud
wigshafener-stammwerk-fort, 2017년 12월 3일 방문.
Dustmann, Christian, Bernd Fitzenberger, Uta Schonberg, and Alexandra
Spitz-Oener(2014), “From Sick Man of Europe to Economic Superstar:
Germany’s Resurgent Economy,” Journal of Economic Perspectives, 28(1),
167-188.
Engelhard, Stefan, “Bizerba: Maschinen für die Lebensmittel der Zukunft”, IHK
Reutlingen,
https://www.reutlingen.ihk.de/innovation/digitalisierung/industrie-40/bizerba-industrie
-40, 2017년 12월 1일 방문.
Epic Times (2016), “Adidas To Replace Asian Labor With Robots In Germany”, Epic
Times, http://www.epictimes.com/05/25/2016/adidas-asian-labor-robots-germany/,
2017년 11월 3일 방문.
Financial Times (2017), “Amazon robots bring a brave new world to the
warehouse”, Financial Times,
https://www.ft.com/content/916b93fc-8716-11e7-8bb1-5ba57d47eff7, 2017년 11월
3일 방문.
Frey, Carl B., and Michael A. Osborne (2017), “The future of employment: how
susceptible are jobs to computerisation?” Technological Forecasting and Social
Change, 114, 254-280.
Goldbacher, Alfred, (2015), “Harting Technologiegruppe Umsatz steigt um knapp 4 %
auf 567 Mio. Euro”,
http://www.elektroniknet.de/elektronik/e-mechanik-passive/umsatz-steigt-um-knapp
-4-auf-567-mio-euro-126157.html, 2017년 12월 1일 방문.
Green, Dennis and Anaele Pelisson (2017), “This map of Amazon's warehouse
locations shows how it's taking over America”, Business Insider,
http://www.businessinsider.com/amazon-warehouse-locations-in-us-2017-9, 2017년
11월 3일 방문.
Hauser, Detlef(2017), “Bizerba: Software Schlüssel zum Erfolg”, Schwarzwälder Bote,
https://www.schwarzwaelder-bote.de/inhalt.balingen-bizerba-software-schluessel-zu
m-erfolg.157dbb97-07d3-4b5d-af04-6874e079d05c.html, 2017년 12월 1일 방문.
Harting AG & Co.KG(2016a), Zukunft braucht Herkunft, Harting AG & Co.KG

- 92 -
Harting AG & Co.KG(2016b), “HARTING Technologiegruppe weiter klar auf
Wachstumskurs”,
http://www.harting.com/aktuelles/unternehmensmeldungen/detail/article/harting-tech
nologiegruppe-weiter-klar-au-003796, 2017년 12월 1일 방문.
Hoellbacher, Rupert(2015), “Bosch plant: how to put people at the heart of Industry
4.0”,
https://blog.bosch-si.com/categories/manufacturing/2015/06/people-are-the-heart-of
-industrie-4-0, 2017년 12월 1일 방문.
It’s OWL Cluster management(2014), Auf dem Weg zu Inudstrie 4.0.
ILO and OECD (2015), The Labor Share in G20 Economies, ILO and OECD.
ISLR (2016), How Amazon Undermines Jobs, Wages, and Working Conditions, ISLR.
Kenkyo Investing(2017), “Fanuc Leads The Way For Smart Factory Software For Now,
Kuka And ABB To Follow Closely,”
https://seekingalpha.com/article/4066774-fanuc-leads-way-smart-factory-software-now-
kuka-abb-follow-closely, 2017년 12월 1일 접속.
Kessler, Sarah (2017), “Amazon’s massive fleet of robots hasn’t slowed down its
employment of humans”, QUARTZ,
https://qz.com/885425/amazons-massive-fleet-of-robots-hasnt-slowed-down-its-emp
loyment-of-humans/, 2017년 11월 3일 방문.
KPMG (2016), The Factory of the Future, KPMG.
KUKA AG(2016), KUKA ANNUAL REPORT, KUKA AG.
Lorenz, Markus, Michael Russmann, Rainer Strack, Knud Lasse Luelth, and Moritz Bolle (2015), “Man and
Machine in Industry 4.0”, bcg.perspectives,
https://www.bcgperspectives.com/content/articles/technology-business-transformation-engineered-produ
cts-infrastructure-man-machine-industry-4/#chapter1, 2017년 8월 30일 방문.
MacCrory, Frank, George Westerman, Yousef Alhammadi, and Erik Brynjolfsson (2014),
“Racing with and against the machine: changes in occupational skill composition
in an era of rapid technological advance,” Proceedings of the International
Conference of Information Systems (ICIS), Auckland, NZ.
MacCrory, Frank, George Westerman, and Erik Brynjolfsson (2015), “Identifiying the
Multiple Skills in Skill-Biased Technical Change,” Cambridge, MA: MIT Sloan
School of Management.
Manthorpe, Rowland (2017), “To make a new kind of shoe, adidas had to change
everything”, Wired,

- 93 -
 http://www.wired.co.uk/article/adidas-speedfactory-made-for-london-trainers,
2017년 11월 3일 방문.
McKinsey & Company (2015), “Four fundamentals of workplace automation,”
http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/four-fund
amentals-of-workplace-automation 2017년 8월 30일 방문.
Neue Packung(2015), “Bizerba auf dem Weg zur Lebensmittelproduktion 4.0”,
http://www.neue-verpackung.de/33164/kundenbeduerfnisse-mit-der-produktion-vers
chmelzen/, 2017년 12월 2일 방문.
Nick Wingfield (2017), “As Amazon Pushes Forward With Robots, Workers Find New
Roles”, The New York Times,
https://www.nytimes.com/2017/09/10/technology/amazon-robots-workers.html,
2017년 11월 3일 방문.
Northdata(2017), https://www.northdata.de/, 기업별 검색, 2017년 12월 1일 방문.
Nuissl, Nora(2013), “Der Kompressorenhersteller Boge wächst entgegen dem
Branchentrend”,
https://www.maschinenmarkt.vogel.de/themenkanaele/betriebstechnik/drucklufttechn
ik/articles/471670, 2017년 11월 30일 방문.
McKinsey & Company (2017), A Future that works: automation, employment, and
productivity.
OECD (2012), Literacy, Numeracy and Problem Solving in Technology-Rich
Environments: Framework for the OECD Survey of Adult Skills, OECD
Publishing, Paris, Available at http://dx.doi.org/10.1787/9789264128859-en.
Pooler, Michael(2017), “Robot army is transforming the global workplace”, Financial
Times, 2017년 11월 20일,
https://www.ft.com/content/f04128de-c4a5-11e7-b2bb-322b2cb39656, 2017년 11월
29일 방문.
POSCO(2017), “How Smart Factories are Changing the Manufacturing Industry”,
2017년 3월 13일,
http://globalblog.posco.com/how-smart-factories-are-redefining-the-manufacturing-
industry, 2017년 12월 1일 방문.
Rinortner, Kristin(2012), “Harting konsolidiert Umsatz auf hohem Niveau”, 2012년
12월 4일,
https://www.elektronikpraxis.vogel.de/harting-konsolidiert-umsatz-auf-hohem-nivea
u-a-387826/, 2017년 12월 1일 방문.

- 94 -
Roland Berger (2016), Think Act: The Industrie 4.0 Transition Quantified. (4차
산업혁명 이미 와 있는 미래, 다산 3.0).
Schäfer, Reinhold (2014), “Harting-Technologiegruppe steigert Umsatz um 13% auf
547 Mio. Euro｣, Maschienenmarkt”,
https://www.maschinenmarkt.vogel.de/harting-technologiegruppe-steigert-umsatz-u
m-13-auf-547-mio-euro-a-469664, 2017년 12월 1일 방문.
Schwab, Klaus and Richard Samans (2016), “The future of jobs: Employment, skills
and workforce strategy for the fourth industrial revolution”, World Economic
Forum, Geneva, Switzerland. Available at
http://reports.weforum.org/future-of-jobs-2016/
Shiyong Wang, Jiafu Wan, Di Li, and Chunhua Zhang(2015), Implementing Smart
Factory of Industrie 4.0: An Outlook, Hindawi Publishing Corporation.
Sören Götz und Lukas Koschnitzke(2017), “Unsere Vision ist nicht die menschenleere
Fabrik”, Zeit Online,
http://www.zeit.de/wirtschaft/unternehmen/2017-09/industrie-40-digitalisierung-bosc
h-christoph-kuebel/komplettansicht, 2017년 12월 3일 방문.
Südkurier(2016), “Industrie 4.0: Bizerba erhält Auszeichnung vom Land”,
https://www.suedkurier.de/region/linzgau-zollern-alb/balingen/Industrie-4-0-Bizerba-
erhaelt-Auszeichnung-vom-Land;art372552,8561845, 2016년 2017년 12월 1일 방문.
Stefan Van Thienen, Andrew Clinton, Monika Mahto, Brenna Sniderman(2016),
Catalyzing transformation through operations improvement and business growth,
Deloittes.
The Economist (2017), “Adidas’s high-tech factory brings production back to
Germany,” The Economist,
https://www.economist.com/news/business/21714394-making-trainers-robots-and-3d-
printers-adidass-high-tech-factory-brings-production-back, 2017년 11월 3일 방문.
van Berkel, Fabienne(2017a), “Bizerba maakt industrie 4.0 technologie beschikbaar,
Packonline”,
http://www.packonline.nl/nieuws/bizerba-maakt-industrie-4-0-technologie-beschikba
ar, 2017년 12월 1일 방문.
van Berkel, Fabienne(2017b), “Bizerba geeft Industrie 4.0 vorm met slimme
oplossingen voor meer succes, Packonline”,
http://www.packonline.nl/nieuws/bizerba-geeft-industrie-4-0-vorm-met-slimme-oplo
ssingen-voor-meer-succes, 2017년 12월 1일 방문.

- 95 -
Vivarelli, Marco (2014), “Innovation, Employment and Skills in Advanced and
Developing Countries: A Survery of Economic Literature,” Journal of Economic
Issues, 48(1), 123-154.
Weiss, Richard (2017), “Adidas Brings the Fast Shoe Revolution One Step Closer”,
Bloomberg Businessweek,
https://www.bloomberg.com/news/articles/2017-10-05/adidas-brings-the-fast-shoe-r
evolution-one-step-closer, 2017년 11월 3일 방문.
World Economic Forum (2016), The Future of Jobs: Employment, Skills and Workforce
Strategy for the Fourth Industrial Revolution, Jan. 2016.
Yumda (2014), “Auf dem Weg zur Industrie 4.0 : Bizerba stellt Maschinen-Backup
aus der Cloud vor”,
http://www.yumda.de/news/143124/auf-dem-weg-zur-industrie-4-0.html, 2017년
12월 1일 방문.

- 96 -