미국 디트로이트의 제너럴 모터스(General Motors, GM) 본사 사무실.

IT 부서의 10%에 해당하는 600여 명의 정규직 직원들이 짐을 싼다. 반면 인사팀의 채용 공고에는 AI 네이티브 개발자와 데이터 엔지니어라는 새로운 직군이 빠르게 올라온다.

이런 풍경은 단순한 비용 절감을 위한 인원 감축이 아니다. 기존의 IT 인력을 덜어낸 자리에 AI 전문 인력을 채워 넣는 '기술 스택의 강제 교체'가 시작된 것이다. 자동차 산업 전반에서 벌어지고 있는 이 냉혹한 인력 재편의 배경에는 모델을 단순히 사용하는 수준을 넘어, 직접 구축하고 운영할 수 있는 역량에 대한 갈증이 자리 잡고 있다.

GM의 IT 인력 10% 감원과 자동차 업계 2만 명 규모의 고용 조정

GM이 IT 부서 인력의 10%에 해당하는 약 600명의 정규직 직원을 감원했다. 이는 단순한 비용 절감을 넘어 인력 구성의 성격을 근본적으로 바꾸려는 의도적인 스킬 스왑(Skills Swap, 기술 교체)의 일환이다. 주목할 점은 이번 조치가 기존 인력을 신규 인력으로 일대일 대체하는 방식이 아니라는 사실이다. 즉, 감원 규모가 채용 규모보다 크기 때문에 결과적으로 전체 고용 수치는 감소하는 순손실 구조를 띨 가능성이 매우 높다. 반면 GM은 이러한 공백을 AI 중심의 배경을 가진 IT 전문 인력으로 채우며 조직의 체질 개선을 시도하고 있다.

이러한 인력 재편 흐름은 GM 단독의 움직임이 아니라 미국 자동차 산업 전반의 구조적 현상으로 확장된다. 포드(Ford), GM, 스텔란티스(Stellantis) 3사의 합산 수치를 분석하면 미국 내 정규직 일자리 20,000개 이상이 이미 삭감된 상태다. 더욱 냉정하게 살펴봐야 할 지점은 최근 10년 내 고용 정점과 비교했을 때 합산 인력이 약 19%나 감소했다는 데이터다. 감원의 배경에는 다양한 경영상 이유가 존재하나, 그 기저에는 AI를 포함한 급격한 기술적 전환이 자리 잡고 있다. 기존의 전통적인 IT 운영 방식이 AI 기반의 자동화 및 최적화 체계로 빠르게 대체되고 있는 결과다.

기업들이 새롭게 정의하는 핵심 수요 역량은 과거의 소프트웨어 개발과는 궤를 달리한다. 현재 시장에서 가장 높게 평가받는 역량은 AI 네이티브 개발, 데이터 엔지니어링 및 분석, 클라우드 기반 엔지니어링이다. 여기에 더해 에이전트 및 모델 개발, 프롬프트 엔지니어링, 그리고 새로운 AI 워크플로우를 설계하고 구현하는 능력이 채용의 결정적 기준이 되었다. 그러나 여기서 핵심은 AI를 단순한 생산성 향상 도구로 사용하는 사용자를 찾는 것이 아니다. 시스템을 처음부터 설계하고 모델을 직접 학습시키며 데이터 파이프라인을 엔지니어링할 수 있는, 즉 AI를 밑바닥부터 구축할 수 있는 전문 인력을 확보하는 것이 목적이다. 이는 자동차 제조사가 단순한 하드웨어 기업에서 AI 소프트웨어 기업으로 정체성을 옮기려는 전략적 선택의 결과로 분석된다.

단순 생산성 도구 활용에서 AI 네이티브 시스템 구축으로의 전환

GM(제너럴 모터스)이 IT 부서 인력의 10%에 달하는 약 600명을 감원한 배경에는 단순한 비용 절감이 아닌 스킬셋의 교체라는 전략적 판단이 있다. 과거의 IT 인력이 AI를 업무 효율을 높이는 생산성 도구(Productivity tool)로 활용하는 수준에 머물렀다면, 현재 기업이 요구하는 기준은 AI 네이티브 개발 역량으로 격상되었다. 이는 기존의 소프트웨어 개발 방식에 AI 기능을 덧붙이는 것이 아니라, 설계 단계부터 AI를 중심에 두는 접근법을 의미한다. 반면 단순히 프롬프트를 입력해 결과물을 얻는 수준의 활용 능력은 더 이상 기업 차원의 경쟁 우위를 제공하지 못한다.

주목할 점은 기업이 구체적으로 요구하는 기술적 범위의 확장이다. 이제는 단순한 API 호출을 넘어 데이터 엔지니어링과 분석, 클라우드 기반 엔지니어링, 그리고 에이전트 및 모델 개발 능력이 필수적으로 요구된다. 특히 데이터 파이프라인 엔지니어링은 원천 데이터를 수집하고 정제하여 모델 학습에 적합한 형태로 가공하는 전 과정을 포함하며, 여기에 정교한 프롬프트 엔지니어링과 새로운 AI 워크플로우 설계 능력이 결합되어야 한다. 그러나 많은 기업이 AI 도입의 방향성을 잡지 못해 혼란을 겪는 것과 대조적으로, 일부 기업은 데이터 수집 단계부터 모델 학습까지의 수직 계열화를 통해 실질적인 비즈니스 가치를 증명하고 있다.

삼사라(Samsara, 차량 관제 솔루션 기업)의 사례는 AI 네이티브 시스템 구축이 가져오는 결과물을 명확히 보여준다. 이들은 지난 10년 동안 수백만 대의 트럭 내부에 설치된 카메라를 통해 방대한 양의 도로 데이터를 축적했다. 단순히 사고 예방이나 운전자 모니터링이라는 기존의 도구적 활용에 그치지 않고, 축적된 데이터를 학습 데이터셋으로 전환하여 포트홀(pothole, 도로 파손 구멍) 감지 및 악화 속도를 판단하는 전용 모델을 직접 설계했다. 이는 외부의 범용 모델을 가져다 쓴 것이 아니라, 자신들이 보유한 독점적 데이터를 기반으로 파이프라인을 구축하고 모델을 최적화한 결과다.

결과적으로 삼사라는 이 모델 기반 제품을 통해 시카고를 비롯한 여러 도시 정부와 계약을 체결하며 AI 역량을 직접적인 매출로 연결했다. 이는 AI를 단순한 보조 도구로 사용하는 단계와, 데이터 파이프라인부터 모델 학습까지 직접 설계하는 AI 네이티브 역량 사이의 격차가 제품의 시장 경쟁력으로 직결됨을 시사한다. 단순 활용 능력은 대체 가능하지만, 도메인 특화 데이터를 모델로 전환하는 시스템 설계 능력은 대체 불가능한 핵심 자산이 된다.

자율주행 리콜과 인프라 확장: Waymo 4,000대 업데이트와 Uber의 인도 진출

Waymo(웨이모, 구글 자율주행 부문)가 4,000대의 차량을 대상으로 침수 도로 회피를 위한 소프트웨어 업데이트를 실시했다. 이는 NHTSA(미국 도로교통안전국)의 리콜 결정에 따른 조치다. 그러나 웨이모는 침수 조건에서 차량이 어떻게 반응해야 하는지에 대한 근본적인 문제를 완전히 해결하지 못했다. 반면 테슬라(Tesla)의 로보택시(Robotaxi, 무인 택시)는 2025년 7월 이후 최소 2회의 충돌 사고를 기록했다. 주목할 점은 해당 사고들이 원격 운전자가 차량을 제어하던 중에 발생했다는 사실이다. 이는 자율주행 AI가 실제 도로의 변수와 엣지 케이스를 처리하는 능력이 여전히 불완전하며, 인간의 개입 단계에서도 사고 위험이 상존함을 보여준다. 실무적으로는 AI의 판단과 인간의 원격 제어 사이의 지연 시간이나 제어권 전환 로직의 결함이 사고의 핵심 원인으로 분석된다.

소프트웨어의 기술적 한계와는 별개로 글로벌 인프라 확장은 가속화되고 있다. 우버(Uber)는 인도 내에 약 9,600명을 수용할 수 있는 규모의 엔지니어링 캠퍼스 2곳을 확장하고 데이터 센터 파트너십을 체결했다. 이는 단순한 인력 확충을 넘어 제품 개발과 인프라 운영 효율을 높이기 위한 전략적 배치다. 특히 인도 시장의 방대한 데이터를 처리하기 위한 데이터 센터 확보는 AI 모델의 학습 효율을 높이는 핵심 인프라가 된다. 기술적 완성도가 낮아지는 구간에서도 데이터 확보와 운영 기반을 넓히는 물리적 투자가 병행되는 구조다. 시장은 기술의 완결성보다 데이터의 규모와 이를 처리할 수 있는 인프라의 선점 가능성에 더 주목하고 있다. 이는 소프트웨어 업데이트만으로는 해결할 수 없는 물리적 데이터 처리 용량의 한계를 극복하려는 시도로 풀이된다.

자본 시장의 흐름은 이러한 리스크보다 미래 가치에 더 무게를 두고 있다. 마인드 로보틱스(Mind Robotics, 리비안 스핀오프 기업)는 2개월 전 5억 달러를 유치한 데 이어 최근 4억 달러의 추가 투자를 확보했다. 리비안(Rivian, 전기차 제조사)에서 분사한 이 기업의 공격적인 자금 조달은 자율주행 하드웨어와 소프트웨어의 결합 가능성을 높게 평가한 결과다. 특히 RJ 스캐링지(RJ Scaringe)가 설립한 3개 스타트업인 Also, 마인드 로보틱스, 리비안에 투입된 총 금액은 123억 달러에 달한다. 이는 개별 모델의 벤치마크 수치보다 창업자의 실행력과 생태계 구축 능력에 자본이 반응하고 있음을 의미한다. 기술적 결함으로 인한 리콜과 사고가 반복되는 상황에서도 특정 설계자와 기업의 비전에 대한 자본의 신뢰는 오히려 강화되는 양상이다.