Articlemitsloan.mit.edu·2026년 11월 10일·0

Scale makes firms’ automation efforts worth the investment

Quick Summary

MIT FutureTech 연구진은 컴퓨터 비전 자동화의 경제성이 모델 훈련의 고정비를 분산할 수 있는 생산 규모에 크게 좌우되며, 이에 따라 대기업이 중소기업보다 먼저 도입할 가능성이 높다고 분석했다.

Scale makes firms’ automation efforts worth the investment 관련 대표 이미지

🖼️ 인포그래픽

Scale makes firms’ automation efforts worth the investment 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

Scale makes firms’ automation efforts worth the investment의 핵심 내용을 4단계로 요약한 인포그래픽
Scale makes firms’ automation efforts worth the investment 핵심 내용을 4단계로 압축한 4컷 인포그래픽

💡 한 줄 요약

MIT FutureTech 연구진은 컴퓨터 비전 자동화의 경제성이 모델 훈련의 고정비를 분산할 수 있는 생산 규모에 크게 좌우되며, 이에 따라 대기업이 중소기업보다 먼저 도입할 가능성이 높다고 분석했다.

📌 핵심 요약

  • Danial Lashkari, Wensu Li, Neil Thompson, Christina Qiu의 연구는 AI와 인간 노동의 한계비용뿐 아니라 모델 훈련과 기업별 맞춤화에 필요한 초기 고정비를 함께 분석했다.
  • O*NET에 정의된 컴퓨터 비전 자동화 가능 업무 659개를 분석한 결과, 규모 효과는 2023년 업무 간 AI의 비교우위 차이의 63%를 설명했으며 2050년에도 60%를 설명할 것으로 추정됐다.
  • 2025년 컴퓨터 비전 자동화 도입률은 기업 수 기준 5% 미만이지만 종업원 수로 가중하면 12%를 넘었다. 2035년에는 각각 약 23%와 약 60%에 이를 것으로 전망됐다.
  • 컴퓨팅 가격 하락과 미세조정의 용이성 개선으로 도입과 실질 산출이 확대되지만, 기술이 성숙하는 2040년 정점 이후에는 산출 증가 속도가 크게 둔화할 것으로 연구진은 예상했다. 자동화 가능한 업무의 한계와 남은 인간 업무의 대체 어려움이 제약으로 제시됐다.
  • 연구 대상인 컴퓨터 비전 업무는 O*NET 기준 경제 전체 업무의 약 3.5%다. 새로운 업무와 경제 부문의 출현은 분석에 반영되지 않았으며, 후속 연구는 대규모 언어 모델을 다룰 예정이다.

🧩 주요 포인트

  1. 초기 고정비가 자동화의 수익성을 좌우하므로 생산 규모와 적용 범위가 도입 시점을 가른다. 업종 내 기업들이 모델 훈련 비용을 공유하면 자동화가 더 빨라질 가능성이 있다.
  2. 컴퓨팅 가격 하락은 도입 확대를 돕지만 자동화 가능한 업무와 인간 전문성의 제약은 남는다. 따라서 도입률 상승이 지속적으로 같은 속도의 산출 증가로 이어지지는 않을 수 있다.
  3. 경제 전체 업무의 약 3.5%에 해당하는 컴퓨터 비전 분석은 AI 자동화의 일부를 설명한다. 새로운 업무·경제 부문과 대규모 언어 모델의 효과는 별도로 살펴봐야 한다.

🧠 상세 정리

1. 한계비용 비교에서 초기 고정비 분석으로

기존 AI 경제성 연구는 사람을 고용할 때와 AI를 사용할 때 생산 한 단위에 추가로 드는 한계비용을 비교하는 데 주로 초점을 맞췄다. MIT FutureTech의 Danial Lashkari는 이런 접근이 과거 기술을 분석하던 방식과 일치하지만, AI 도입에 필요한 자원의 초기 고정비를 충분히 반영하지 못한다고 지적했다. 특히 AI에는 생산 규모가 커져도 함께 증가하지 않는 상당한 모델 훈련 비용이 존재한다. Lashkari와 Wensu Li, Neil Thompson, University of Miami의 Christina Qiu는 논문 「AI, Scale, and Task-Based Theories of Automation」에서 컴퓨터 비전으로 자동화할 수 있는 업무의 고정비와 한계비용을 함께 살펴봤다.

2. 기업별 맞춤화와 659개 업무의 분석 기준

Neil Thompson은 기반 AI 모델의 빠른 발전으로 한계비용만 보면 자동화가 매력적으로 보이지만, 대부분의 활용 사례에서 모델을 곧바로 적용할 수 있는 것은 아니라고 설명했다. 예를 들어 OpenAI가 접해 보지 못한 제품이나 공정이 1,000개 있는 기업은 자사 상황에 맞춘 모델 조정에 비용을 들여야 할 수 있다. 연구진은 미국 노동통계국의 직업정보 데이터베이스 O*NET에서 컴퓨터 비전으로 자동화할 수 있는 업무 659개를 선정하고, 훈련 고정비와 향후 컴퓨팅 비용 하락, 인간과 기계의 한계비용이 자동화의 경제성을 어떻게 바꾸는지 분석했다. 컴퓨터 비전은 가능한 결과의 수와 허용 오류율이라는 두 요소로 요구 수준을 측정하기 쉬워 선택됐으며, 매장 보안카메라 감시는 가능한 결과가 적고 오류 허용도가 높은 반면 방사선 영상의 종양 탐지는 그 반대인 사례로 제시됐다.

3. 규모 효과가 만드는 기업별 도입 격차

연구진은 컴퓨터 비전 업무 간 AI의 비교우위 차이 가운데 규모 효과가 설명하는 비중이 2023년 63%였으며, 2050년에도 60%에 이를 것으로 추정했다. 도입률에서도 규모의 이점이 드러나 2025년 기업 수 기준 도입률은 5% 미만이었지만, 종업원 수로 가중한 도입률은 12%를 넘었다. 2035년에는 기업 수 기준 약 23%, 종업원 수로 가중하면 약 60%가 될 것으로 전망됐으며, 연구진은 대기업이 더 일찍 광범위하게 기술을 도입하는 것을 그 이유로 설명했다. Thompson은 시스템을 작동시키는 고정비가 지배적이라고 강조하면서, 수천 개 매장의 카메라를 감시하도록 모델을 훈련할 수 있는 다국적 소매기업과 같은 투자를 감당하기 어려운 동네 상점을 대비했다.

4. 실질 산출 확대와 2040년 이후의 둔화

연구진은 컴퓨팅 가격이 내려가고 모델 미세조정이 쉬워지면서 컴퓨터 비전 자동화 도입이 계속 늘어날 것으로 예상했다. 이러한 추세에 따라 실질 산출은 향후 10년 동안 증가하고 기술이 성숙하는 2040년에 정점을 거친 뒤에는 훨씬 느리게 증가할 것으로 전망했다. Christina Qiu는 컴퓨터 비전으로 자동화할 수 있는 업무가 유한하므로, 조직이 해당 업무를 모두 자동화하면 추가 산출 확대 기회가 줄어드는 것이 거의 기계적인 결과라고 설명했다. 또한 자동화 이후 남는 인간 업무는 대체하기 더 어려워지는데, 컴퓨터 비전이 종양의 존재를 알려줄 수 있어도 악성 여부를 판단하고 환자와 효과적으로 소통하려면 의학적 배경을 갖춘 방사선 전문의가 필요하다는 사례가 제시됐다. 오지 탐방 가이드처럼 종사자 수가 적고 전문성을 재현하기 어려운 역할도 이런 제약을 보여준다.

5. 변화하는 도입 양상과 훈련 비용 공유

Lashkari는 기업 규모와 업종, 지역에 따른 자동화 도입 양상이 앞으로 상당히 달라질 것이라고 설명했다. 현재 상태가 10년, 20년, 30년 뒤의 상황을 시사할 수 있다고 언급하면서도, 장기적으로 도입 양상이 진화한다는 점을 함께 강조했다. 특히 한 기업이 모델 훈련 비용을 모두 부담하는 대신 같은 업종의 기업들이 비용을 공유하면 자동화가 더 빠르게 진행될 가능성이 제시됐다. 이는 고정비가 도입의 핵심 제약이라는 연구 결과와 연결되며, 자동화 확산 속도가 컴퓨팅 가격이나 개별 기업의 생산 규모뿐 아니라 훈련 비용을 부담하는 방식에도 영향을 받을 수 있음을 뜻한다.

6. 컴퓨터 비전 연구의 범위와 후속 과제

이번 논문은 O*NET 기준 경제 전체 업무의 약 3.5%를 차지하는 컴퓨터 비전 업무만 분석하므로, 결과를 AI 자동화 전체의 효과로 해석하는 데에는 범위상의 한계가 있다. Qiu는 컴퓨터 비전으로 자동화할 수 있는 새로운 업무의 등장이나 자동화가 빠르게 확산될 새로운 경제 부문의 출현처럼 더 역동적인 산출 증가 요인은 분석에 포함되지 않았다고 설명했다. 연구진은 이번 연구를 더 넓은 자동화 분석 체계의 일부로 보고, 후속 연구에서는 가능한 결과가 많고 오류 허용도가 낮은 복잡한 업무의 자동화를 도울 대규모 언어 모델을 살펴볼 예정이다. 방사선 의학에서는 컴퓨터 비전 모델이 찾아낸 종양을 분석하는 데 대규모 언어 모델이 도움을 줄 수 있다는 예가 제시됐으며, Lashkari는 자동화와 함께 AI가 새로운 생산 방식과 과학적 진보를 창출하는 데 어떻게 쓰일지도 연구하려 한다고 밝혔다.

🧾 핵심 주장 / 시사점

  • 기업 수 기준 도입률과 종업원 수로 가중한 도입률의 격차는 자동화가 대기업에 먼저 확산될 수 있음을 보여준다. 따라서 어떤 도입률 지표를 쓰느냐에 따라 확산 정도에 대한 해석이 달라질 수 있다.
  • 컴퓨팅 비용이 낮아져도 모델 훈련의 고정비와 기업별 맞춤화 부담이 남는다면, AI의 낮은 한계비용만으로 개별 기업의 투자 타당성을 판단하기 어렵다.
  • 기존 업무의 자동화에서 발생하는 산출 증가가 둔화한다는 전망과 새로운 업무·생산 방식에서 추가 효과가 생길 가능성은 함께 고려할 필요가 있다. 이번 컴퓨터 비전 연구는 후자의 효과까지 추정한 결과는 아니다.

✅ 액션 아이템

  • 컴퓨터 비전 자동화의 투자 경제성 평가에 모델 훈련의 초기 고정비, 생산 규모, 적용 범위를 함께 반영.
  • 업종 내 기업들의 모델 훈련 비용 공유가 초기 고정비 부담과 자동화 도입 시점에 미칠 영향 검토.
  • 경제 전체 업무의 약 3.5%를 다룬 컴퓨터 비전 연구의 범위를 고려해 대규모 언어 모델과 새로운 업무·경제 부문의 효과를 구분해 해석.

❓ 열린 질문

  • 모델 훈련의 초기 고정비를 고려할 때 컴퓨터 비전 자동화가 경제성을 확보하는 생산 규모와 적용 범위는 어느 정도인가?
  • 업종 내 기업들이 모델 훈련 비용을 공유하면 기업 수 기준과 종업원 수로 가중한 컴퓨터 비전 자동화 도입률의 격차는 어떻게 달라질까?
  • 대규모 언어 모델과 새로운 업무·경제 부문의 출현을 고려하면 2040년 이후 산출 증가 속도 둔화 전망은 어떻게 달라질까?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.