Ⅰ. 인공지능정부로의 전환

현재 디지털 정부는 빠르게 인공지능 정부로 전환되고 있다. 2022년 11월 생성형 인공지능 (Generative AI) ‘ChatGPT’가 출시된 이래로 수많은 생성형 인공지능과 초거대 언어모델(Large Language Model, LLM)이 출시되고 있다. 국내에서도 생성형 AI를 기반으로 하는 서비스가 출시되었으며 이러한 생성형 인공지능의 경우, 금융, 법률, 조세, 창작 등 특화된 전문 영역에서 많이 활용되고 있다. 우리나라 정부에서도 정부 문서를 AI가 학습하고 국민이 공공서비스를 쉽게 이용할 수 있도록 하는 정책들을 추진하고 있다(정충식, 2024). 행정안전부도 ‘공공부문 초거대 AI 도입 활용 가이드라인’을 발표하였고(2024. 4월), 새 정부는 소버린 AI(Sovereign)전략으로 AI정부를 국정과제로 제시하고 있다.²⁾
인공지능 정부란 정부 운영과 공공 서비스 제공에 인공지능 기술을 활용해 행정의 효율성을 높이고 국민에게 맞춤형 서비스를 제공하는 정부 형태를 말한다. 인공지능 정부는 AI를 통해 대규모 데이터를 분석하고, 예측 모델을 사용하여 정책 결정을 지원하며, 정부 업무를 자동화하거나 최적화한다(정충식, 2024; 황성수 외, 2024). 디지털정부의 개념과 유사하지만 예측 모델, 자동화, 최적화라는 키워드가 인공지능 정부의 개념에서 두드러진다.
AI정부 서비스 활용 사례를 살펴본 연구들에 따르면, 우리나라에서는 민원상담 AI-assistant (Chatbot), RPA(Robotic Process Automation) 활용 병역이행 민원, 행정 서비스, 에너지 바우처, 사각지대 해소 지원 서비스, 디지털 집현전 국가지식정보 통합플랫폼, 자율작업 트랙터 시스템, 각종 스마트 시티 인프라 관리 시스템 등이 있었다. 해외사례로도 유사하게 챗봇 민원서비스 RPA 활용 행정 자동화 서비스, 예측 모델 서비스가 있었고, 특이하게 프랑스의 법률 문서 AI플랫폼 서비스가 있었다(NIA, 2025).
머신러닝과 딥러닝 같은 인공지능 기술의 발전은 행정-정책 분야에 큰 영향을 미치고 있는데, 특히 데이터 분석과 알고리즘 발전을 통한 자동화된 구성과 운용의 설계는 정책 의사결정을 혁신하고 있다(은종환·황성수, 2020; 윤상오 외, 2018). 김병조·은종환(2020)은 문제의 특성과 의사결정자의 특성에 따라 의사결정 유형을 정리하여 살펴보았다. 이를 위해 이 분야의 적용이 활발한 미국의 사례, 그중에서도 U.S. General Services Administration의 활용사례(U.S. General Services Administration, 2023)를 살펴보면서 그 활용 유형을 몇 가지 주요 범주로 분류하였다.³⁾ 각 범주는 특정한 공공 행정 서비스나 과제에 대해 인공지능이 어떻게 기여할 수 있는지를 보여준다. 활용 유형 분류는 1) 자동화 및 최적화, 2) 의사결정 지원, 3) 예측 및 시나리오 분석, 4)고객 서비스 및 상호작용 강화로 나누었다.
2) https://zdnet.co.kr/view/?no=20250728101511
3) 미 연방정부가 운영하는 웹사이트(ai.gov)에 총 710개의 활용 사례가 공개되어 있으며, 그중 U.S. General Services Administration의 활용 사례는 총 12개가 식별된다.(https://tech.gsa.gov/ai-inventory/, 2024. 6월 29일 접속)

Ⅱ. 인공지능 활용 정부 서비스 사례와 유형

공공영역에서의 인공지능 기술의 활용은 현재 행정의 영역에서 가장 크게 논의되고 있는 연구와 실무의 주제이다. 일례로 인공지능 연구계에서 가장 성과를 올린 과학자 중 한 명인 Andrew Ng은 인공지능 시스템 구축에 있어 데이터를 재료에 비유하며 성능 향상에는 고품질의 데이터가 중요하다고 하였으며, 또 정부의 역할은 기술을 규제하는 것이 아니라 어플리케이션과 서비스를 규제하는 데 집중해야 한다고 하였다(AI Global Forum, Seoul, 2024).⁴⁾
인공지능 기술의 발전에 따라 행정/정책 분야의 활용 사례도 조금씩 발견되고 있다. 그럼에도 불구하고 정부와 공공기관에서 인공지능의 활용은 주로 기계학습이 적용되지 않은 챗봇, RPA의 활용이 활발한 것이 현실이다.⁵⁾ 물론 인공지능 기술이 빠르게 발달하면서 미국 등 관련 기술 선진국 중심으로 공공부문에서 공공의사결정에 있어 인공지능이 본격적으로 활용되는 사례도 나타나고 있다. 행정에서 AI는 다양한 출처에서 방대한 양의 데이터를 수집, 저장, 분석하여 공공 서비스의 품질, 생산성, 접근성, 투명성을 향상시키는 데 기여하고 있다(황성수 외, 2024).
Worldbank(2020)에서 살펴본 공공영역 AI활용 사례들을 살펴보면, 1) 미국 세관의 감시(surveillance) 시스템 활용, 2) 공중 보건 분야인 국경에서의 열화상카메라 및 코로나 바이러스 네트워크 분석, 3) 영국의 법률문서 지원 챗봇 및 LLM 활용, 4) 아르메니아의 세무 행정의 빅데이터 분석 사례들이 있다. 다양한 분야, 다양한 수준에서의 AI활용이 여러 나라에서 이루어지고 있는 것을 알게 된다.
한국지능정보사회진흥원의 연구(2025)도 싱가포르, 프랑스, 미국, 영국 주요국가의 주요 사례에 대해 설명하였는데, Worldbank 자료와 다른 사례들을 추가로 예시하고 그 자료 발표 이후 4년에서 5년의 시간이 흘렀음에도 불구하고 비슷한 양상을 보인다. 이 자료에 따르면 다음과 같은 사례들이 있는데, 주로 챗봇, LLM, 예측 모델이었으며 자율주행 관련 사례도 있었다.
4) https://www.newstheai.com/news/articleView.html?idxno=5498
5) 챗봇(Chatbot)은 사용자와의 대화를 통해 질문에 답하거나, 특정 작업을 수행하는 소프트웨어 프로그램이다. 주로 자연어 처리(NLP)를 활용하여 사용자의 의도를 파악하고, 적절한 응답을 제공하는 방식이다. RPA(Robotic Process Automation)는 반복적이고 규칙 기반의 업무를 자동화하는 기술이다. 인간이 수행하는 단순하고 반복적인 작업을 소프트웨어 로봇이 대신 수행하여 업무 효율성을 높인다. 맞춤형 추천(Personalized Recommendation) 시스템은 사용자의 과거 행동이나 선호도를 기반으로 개인화된 추천을 제공하는 기술이다. 주로 머신러닝 알고리즘을 사용하여 사용자에게 가장 적합한 콘텐츠나 제품을 추천한다. 초보적 인공지능(Basic AI)은 특정 작업을 수행하기 위해 제한된 범위 내에서 사용되는 AI 기술이다. 기계 학습이나 규칙 기반 알고리즘을 활용하여 특정 문제를 해결하는 데 중점을 둔다.(김동욱 외, 2024)
한편, 인공지능을 전면적으로 활용한 사례는 아니지만, 디지털트윈 기술을 통해 공공 부문에서 정책의 예측, 계획 및 실행 과정을 개선하는 데 사용되는 경우를 다루는 것도 중요하다. 즉, 주로 데이터 기반 결정을 지원하고, 최적화 문제를 해결하며, 자동화된 작업을 수행하는 인공지능 활용의 앞단계로서 정책 결정 과정에서 다양한 시나리오를 모델링하고 시험하여 가능한 결과를 예측하고, 정책의 미세 조정을 가능하게 하는 과정으로 디지털 트윈을 활용하는 경우도 있다(황한찬·최한별·신승윤, 2023; 황한찬·최한별, 2023). 예를 들어, 세종시 공공자전거 시스템의 디지털트윈은 정책 시나리오를 통한 자전거 배치와 이용 패턴의 변화를 시뮬레이션함으로써 효과적인 정책 조정을 가능하게 했다.

미국의 경우 LLM과 알고리즘을 활용한 조달업무 관련 ‘Acqbot’이 있고, 영국의 경우 민원인들을 상대하는 ‘Darcie’ & ‘Ali’가 대화형 LLM기술을 활용한다. AI센서를 활용해서 자율주행으로 길거리 청소를 하는 로봇 차량 사례가 눈에 띄었다. 미국의 민간영역(농업)에서 자율주행 트랙터의 사례는 널리 알려져 있는데 영국의 자율주행 로봇 차량의 길거리 청소는 복잡성이 낮고 효율성이 높은 잠재력을 보여준다. 또한 영국의 복지분야의 AI활용 예측모델사례도 있었다. 복지 분야의 AI활용 예측 모델은 우리나라에서도 최근 지속적으로 개발되고 활용되는 사례가 있었다. 프랑스에서는 특이하게 다른 나라에서 찾아보기 힘든 법률문서를 AI플랫폼을 구축해서 서비스하는 ‘Doctrine and Luminance’이 특이한 사례였다. 우리나라도 오랫동안 열린정부(OGP) 추진 차원, 그리고 여러 시민단체의 요청으로 법률문서 개방 및 인공지능 활용 데이터 제공이라는 노력이 진행되고는 있지만 아직은 이러한 서비스는 제공되기 전이다. 프랑스는 여러 다른 나라(호주, 독일 등)처럼 RPA 기술을 활용한 자동화된 허가 및 인가, LLM기술을 활용한 민원 서비스 제공의 사례가 있었다. 싱가포르의 경우 AI 챗봇 기술을 활용한 콜센터 ‘Pair’사례가 있었다.
Hjaltalin & Sigurdarson(2024)은 이러한 최근 사례들을 학술적인 연구로 발전시켜서 정리하였다. Hjaltalin & Sigurdarson에 따르면 많은 경우 AI활용 전략은 의사결정 지원 (a decision support tool)으로 설정하나, 대부분의 경우 서비스 제공, 내부 프로세스 최적화, 자원 배분, 조직관리로 유형 분류가 된다고 하였다. 저자들은 아직은 효율성과 서비스 제공이 대부분의 논의와 서비스 사례를 차지하고 있으며, 시만참여나 정책의사결정에 대한 논의는 연구와 실무 모두 부족한 편이라고 하였다. 이는 우리나라의 경우에도 마찬가지라고 볼 수 있다. 우리나라에서 제공되고 있는 공공부문 AI활용 사례를 자동화와 혁신이라는 유형으로 나누어 보았다. 자동화와 혁신으로 나누어 보는 두 가지 기준은 복잡성(complexity)와 투자수익률(ROI)로 제시하였다. 자동화와 혁신은 복잡성에서 주로 차이를 보일 것이고, 또한 공공영역에서 세금을 활용한 정부AI서비스는 ROI측면을 고려해야만 한다.
<그림 1>과 같이 같이 정부 서비스 유형을 ROI와 complexity 양 축의 구분으로 분류하고 표시해 보았다. AI chatbot활용 민원상담, RPA활용 행정 서비스, 자율작업 트랙터(AI센서 활용) 사례들은 자동화 유형에 속할 수 있다. 이러한 유형의 사례들은 비교적 효율성을 추구하고 성과 또한 정량적으로 측정이 용이하다. 두 번째로 혁신 유형은 에너지 바우처 사각지대 해소 지원 서비스, 그리고 스마트 시티 인프라 관리 시스템이다. 정책의사결정 지원 도구로서 출발 하였지만 데이터가 쌓이고 정책지식이 축적되면 언젠가는 전반적인 혁신의 결과를 도출 할 수 있기 때문이다. 프로세스의 단계를 축소시키는 단순한 혁신에서 정책을 재구성하고 서비스 혁신을 가져다 줄 잠재력이 있다. 세 번째로는 현상 유지인데, 자동화 기술을 적용할 수는 있어도 현재 상태보다 자원(세금)절약 효과가 없다면 굳이 할 필요가 없다.
마지막으로는 비용도 많이 들고 혁신에 대한 기대치도 낮지만 장기적인 관점에서의 연구(R&D) 유형이다. 이는 정부 서비스 연구라기 보다는 연구재단 등의 연구지원 유형에 해당된다.

<그림 1> 공공부분 AI활용 사례 유형 분류

Ⅲ. 인공지능 활용 정부 서비스 개발을 위한 제언

1. 자동화와 혁신 동시 추진 전략: 투자수익율(ROI) vs. 복잡성(Complexity)
첫 번째로 제안하는 전략은 자동화와 혁신의 두 방향 모두 추진하는 것이다. 이를 위해 투자수익율과 복잡성의 두 가지 기준을 제시하고자 한다. AI 활용 서비스 개발은 많은 경우 엄청난 예산 투입이 필요한 경우가 많다. 민간의 서비스 개발과 마찬가지로 공공의 AI활용 서비스도 ROI를 고려해야 한다. 수익률을 덜 고려해도 되는 기본적인 인프라 구축의 개념과는 다르게 AI활용 서비스, AI agent개발에는 현재 제공하는 정부서비스와 직접 비교해 단순한 편의성과 효율성을 넘어 투자수익률을 고려하는 것이 필요하다. 두 번째 기준은 투자수익율을 고려할 때 복잡성의 측면을 고려해야 한다. 즉 복잡할수록 기능 구현이나 목표 달성이 어렵거나 비용이 많이 들 가능성이 크다. 이러한 두 가지 측면을 조화롭게 고려해서 투자와 기획을 해야 한다. 아래 그림과 같이 이러한 두 가지 기준에서 비롯된 구분 유형은 대표적으로 혁신과 자동화로 제시할 수 있다.
정부 서비스 사례유형 분류에서 논의됐듯 자동화와 혁신의 분류는 꼭 필요하다. 근시안적으로 자동화에 너무 몰입하게 되면 궁극적인 목표와 더 큰 영향력을 가져다줄 혁신에 대해 소홀해지기 때문이다. 앞서 사례 섹션에서 살펴보았듯이 다행히 최근 우리나라 사례들은 자동화와 혁신 유형 모두 적절히 존재하고 있다. <그림 2>의 화살표가 예시하듯이 학술계의 연구개발(R&D)연구로부터 자동화나 혁신을 위한 기술 개발이 출발된다고 볼 수 있다.⁶⁾ 그래서 우리나라 정부에서도 이러한 정부서비스를 기획할 때 자동화와 혁신의 유형에 적절하게 7:3의 황금비율을 모색하는 것도 좋을 것 같다. 물론 R&D를 통한 AI정부 서비스 연구 개발도 확대해야 한다.⁷⁾
6) Anderson은 자동화 사례들이 의도치는 않았지만 미래에는 혁신을 가져다줄 잠재적인 플랫폼이 되거나 자동화의 축적이 의도치 않은 혁신을 이끌어낼 수도 있다고 토론했다(Anderson, 2025). 그래서 자동화에서도 혁신으로 가는 점선을 그려 볼 수도 있다.
7) 인공지능 혁신 융합대학 사업, 문제해결 아이디어 경진대회, 창업 아이디어 경진대회 등 다양하게 진행되고 있다. 이재명 정부에서는 최소 5만 개 이상 GPU확보, 국가 차원의 AI데이터 센터 공약을 발표했다. 최근에는 소위 국가대표 AI 모델 개발-독자 인공지능 파운데이션 모델 프로젝트-에 5개 팀을 선정했다(과학기술정보통신부, 보도자료 2025.8.4.).

<그림 2> 자동화와 혁신 구분 전략: 투자수익률과 복잡성

2. 위험관리 전략 Risk vs. Data Availability
두 번째는 AI 모델이 점점 더 복잡해지고 그 결정을 해석하기 어려워짐에 따라 알고리즘 투명성 원칙이 논의되고 있다. 알고리즘이 원천 기술이고 영업비밀인 경우가 많아 투명성을 지킬 수 없다는 시각과, 그 반대에서는 그럼에도 불구하고 알고리즘을 복제(replicate)하거나 종료(shut down)할 수 있어야 한다는 시각이 있다. 이런 양 쪽의 다소 철학적인 논쟁도 있지만 현실적으로는 다음과 같은 제언을 할 수 있다. 법적으로는 미국의 제조물 책임법(product liability) 시각의 강한 사후적 처벌과 보상의 시스템을 설계할 필요가 있다. 공공영역에서의 서비스 측면에서는 문제가 생기면 돌이킬 수 없는 영역에서는 AI를 활용한 서비스를 하면 안 된다. 예를 들어 기차표를 손해 봐서 배상을 받는 것과 응급실 안내 정보가 잘 못 되어 생명에 지장을 끼친 것을 극단적인 예시로 들 수 있다. 똑같은 인공지능 의사결정 알고리듬의 서비스로 만들어질 수 있다. 하지만 심각한 문제가 생기는 분야에서는 공공의 데이터를 민간에 공유해서 자유롭게 서비스하면 큰 문제가 생길 소지가 생긴다.
많이 알려진 Amazon의 AI 채용 시스템을 다시 예시로 들자면 데이터 편향(data bias)으로 인종차별적인 결과를 도출해 내 이 시스템은 폐지되었고 회사의 이미지 추락을 발생시켰다. 반대 경우의 예를 들자면 우리나라 인사혁신처의 전자인사관리시스템(e-saram)은 각종 내부 인사관리 업무를 자동화하여 실수나 위기가 발생해도 사회적인 파장이나 문제를 일으킬 확률은 낮다.

<그림 3> AI 활용의 오류 위험(가용성 vs. 위험성)

이 외에도 다른 전략이나 여러 기준을 논의할 수 있다. 결론적으로 어떠한 전략이나 기준을 적용하더라도 우선순위를 도출하고 이에 더해 세금을 투입하는 AI서비스 개발에 있어서는 자동화와 혁신의 예시처럼 적절한 비율을 설정하는 것이 중요하다. 우선순위 설정은 과거 전자정부나 디지털 정부 과업들에서도 잘 추진된 측면이 있지만 투자의 위험성 분산을 위한 다양한 포트폴리오 관리(risk-management)처럼 서비스 개발에도 유형별 분류 후 비율 설정을 고려해야 한다. 마지막으로 과거 HCI(Human Computer Interaction) 연구들처럼 이제는 HAII(Human AI Interaction), 즉 인간과 인공지능의 상호작용에 대한 연구가 필요하다. 김경대·김석주(2024)에서 설명하였듯이 AI정부는 인간이 미리 입력해 둔 알고리즘을 기반으로 인공지능이 학습을 통한 최적의 의사결정을 시도한다. 즉 확보된 데이터를 토대로 공무원 역량에 의존하는 의사결정이 이루어지는 과거의 전자정부와는 달리 AI정부는 AI시스템이 데이터를 통해 학습한 지식과 분석으로 최적의 의사결정을 내리고 공무원이 수용하게 된다. 공무원과 AI가 어느 정도의 상호작용(알고리즘 활용 정도, 데이터 분석 및 시나리오 도출, prompt 명령어 및 결과 수용)을 할지가 관건이 될 것이다.