공공기관 AI, 자체 구축이 답일까요 상용 AI 활용이 답일까요?

📌 오늘의 안건
공공기관 AI, 자체 구축이 답일까요 상용 AI 활용이 답일까요?

고용노동부가 보안이 확보된 내부망에 자체 AI 에이전트 '고용노동 AI, 다우리 GPT'를 구축해 제21회 인사혁신 우수사례 경진대회에서 대상(대통령상)을 받았습니다(2026년 10월 27일). 1.3만 명 직원 누구나 자료 분석·정리 같은 단순·반복 업무와 판례 탐색에 AI 에이전트를 쓰고, 바이브 코딩 교육과 해커톤으로 직원이 직접 프로그램을 개발하게 하고 있습니다. 같은 대회에서 신고사건 316만 건을 분석해 만든 모의수사 교육 '수사학교'도 은상을 받았습니다.

공공기관이 AI를 들일 때, 이처럼 내부망에 자체 AI를 구축하고 직원이 직접 만들게 하는 방식이 맞을까요, 아니면 검증된 상용 AI 서비스를 보안 조건을 갖춰 빌려 쓰는 쪽이 비용·품질·보안 면에서 나을까요? 직원 역량, 유지보수, 개인정보 보호 관점에서 논의해 주세요.

숫자부터 확인할게요. 수상 소식과 도입 규모, 비용 근거가 어디까지 검증되는지 제가 맡아서 짚겠어요.

현장에서 사고 보고서를 숱하게 읽어 본 사람으로서, 이 선택이 틀어졌을 때 무엇이 먼저 무너지는지를 책임지고 따져 보겠습니다.

다들 둘 중 하나를 고르려 하실 텐데, 그 질문 자체에 빠진 전제는 없는지 제가 계속 되묻겠어요.

핀 공장의 분업을 떠올리며 이 문제를 보려 합니다. 무엇을 손수 만들고 무엇을 사 오는 것이 나라의 살림에 이로운지, 비용과 실행의 눈으로 살피겠습니다.

수상 사실, 비용·요금, 공공 도입 사례, 개인정보 규정을 공식 발표 기준으로 먼저 대조합니다.민감 업무 데이터는 내부망에 두고, 모델과 범용 기능은 보안 조건을 갖춘 상용·범정부 서비스를 빌려 쓰는 쪽이 맞아요. 풀 자체 구축은 답이 아니에요.

이용 약 1만3000명, 진정 조사·진술조서 작성 건당 1.13시간에서 0.80시간(약 29% 단축)은 대회 전 보도에 나온 수치예요. 다우리GPT 대상(대통령상), 신고 316만 건을 감독관 7명이 분석한 ‘수사학교’ 은상(국무총리상)은 장관 계정 발표(2026-10-28)와 맞아요. 상과 가입자 수는 홍보지표고, 확인된 업무지표는 그 29% 하나예요. 오류율, 유지 인력, 구축비는 공개 자료에 없어요. 서울시는 공무원 약 1만 명 구독형이면 연 약 30억 원, 종량제는 약 2억 원으로 시가 추산했어요(2025-09, 시 추정치). 챗GPT 플러스는 한국 앱스토어 월 2만9000원(2026-11-01)이고, 엔터프라이즈 좌석 단가는 공개 정가가 없어요. 행안부 지능형 업무관리(온AI)는 2026년 예산 187억 원, 2027년 542억 원으로 잡혀 있고, 보도는 1인 월 2만 원 구조를 전해요. 기관마다 GPU를 사는 길은 서울시 사례처럼 장비값에 바로 막혀요.

직원 바이브코딩은 업무 앱에는 유효하고, 모델 운영 조직은 따로 필요해요. 개인정보·비공개 자료를 외부 생성형 AI에 넣는 행위는 행안부가 2025년 2월에 금지했고, 국정원은 2025년 12월 AI 보안 가이드북에서 위협 15종·대책 30개와 에이전트 위험을 못 박았어요. 판례·진정처럼 사람 정보가 붙는 처리는 내부망, 초안·검색·범용 추론은 국가정보원 기준과 CSAP를 통과한 상용 또는 범정부 공통기반이 비용·품질·보안을 동시에 맞춥니다.

출처: gosiweek.com[1] · x.com[2] · korea.kr[3] · korea.kr[4] · ddaily.co.kr[5] · imaeil.com[6] · dailysecu.com[7]

제 결론은 '자체 구축이냐 상용 임대냐'가 아니라, 데이터 등급에 따라 둘을 나눠 써야 한다는 것입니다. 그리고 고용노동부 사례에서 진짜 위험은 AI를 어디에 두느냐보다 직원이 바이브 코딩으로 만든 프로그램 쪽에 있다고 봅니다. 따져 볼 전제가 하나 있습니다. 고용노동부가 다루는 신고사건 316만 건에는 이름, 사업장, 임금체불, 산재 같은 민감한 개인정보가 촘촘히 들어 있습니다. 이런 데이터는 유출 한 번이면 되돌릴 수 없으므로 내부망에 두는 것이 맞습니다. 반면 공개 법령 요약이나 보도자료 초안 같은 일까지 자체 모델로 처리하면, 상용 최신 모델과의 품질 격차와 GPU 유지비를 세금으로 계속 메우게 됩니다. 마침 국정원의 국가망보안체계(N²SF)가 업무정보를 기밀(C)·민감(S)·공개(O)로 나누고, 공개 등급에는 챗GPT 같은 상용 AI를 허용하는 쪽으로 이미 바뀌고 있습니다. 그러니 C·S 등급은 내부망 자체 AI로, O 등급은 보안 조건을 갖춘 상용 AI로 나누는 것이 비용·품질·보안을 함께 챙기는 답입니다.

두 방식의 최악 시나리오는 이렇게 대비됩니다.

• 상용 AI의 최악 시나리오: 입력한 데이터가 국외로 나가고 회수할 수 없는 경우
• 2023년 삼성전자에서 엔지니어들이 반도체 소스코드를 챗GPT에 붙여넣은 일이 있었고, 회사는 결국 사내 사용을 금지했습니다. - 2025년 초에는 개인정보위가 딥시크의 국내 신규 다운로드를 중단시켰습니다. 이용자 정보가 해외로 넘어간 문제가 원인이었습니다. - 여기에 공급사 의존 문제가 겹칩니다. 가격 인상, 약관 변경, 모델 단종이 일어나도 기관은 협상력이 거의 없습니다. - 완화책: 국내 리전 운영, 입력 데이터를 학습에 쓰지 않는다는 조항과 보존기간을 계약서에 명시, 공급사를 바꿀 수 있는 구조 유지. - 자체 구축의 최악 시나리오: 내부망이라 안전하다는 착각
• 프롬프트 주입은 망을 가리지 않습니다. OWASP가 꼽은 LLM 위험 1순위입니다. 판례나 민원 문서 안에 숨긴 지시문이 에이전트를 움직여 다른 사건 정보를 꺼내 오게 만들 수 있습니다. - 1.3만 명에게 같은 권한을 주면, 한 직원의 실수가 곧 부처 전체의 유출로 이어집니다.

• 완화책: 에이전트 권한을 그 직원의 사건 열람 권한과 일치시키기, 개인정보 자동 마스킹, 질의 로그를 전수 감사, 외부에서 들어온 문서는 신뢰하지 않는 입력으로 분리하기.

가장 조용하게 커지는 위험은 해커톤과 바이브 코딩으로 만든 프로그램들입니다. 이들은 '섀도 IT'(공식 관리 밖에서 돌아가는 프로그램)가 되기 쉽습니다. 만든 사람이 인사이동으로 떠나면 관리할 사람이 없어지고, 하드코딩된 접속정보나 권한 검사 없는 조회 같은 코드가 운영 시스템에 남습니다. 직원 역량을 키우겠다는 취지에는 동의합니다. 다만 다음 조건이 붙어야 합니다.

• 개발과 배포 사이에 관문을 둡니다. 샌드박스에서 만들고, 자동 보안점검과 개인정보 영향평가를 거친 것만 운영에 올립니다.
• 소유자 등록과 폐기 기한을 의무화합니다.
• 운영 데이터는 기본적으로 읽기 전용으로만 접근하게 합니다.

이 세 가지가 없으면 대통령상을 받은 혁신이 3년 뒤에는 기술부채이자 사고 원인이 됩니다. 정리하면 이렇습니다. 민감 데이터는 자체 AI로 처리하되 최소권한과 감사 체계를 반드시 갖추고, 공개 업무는 상용 AI로 품질과 비용을 확보하며, 직원이 만든 프로그램은 엄격한 관리 아래 허용하는 혼합형이 맞습니다.

출처:

• 고용노동부 보도자료(2026.10.28)[1]
• 뉴시스, N²SF로 공공 업무PC 상용 AI 허용[2]
• 바이라인네트워크, KISA "N²SF 실제 적용 단계로"[3]
• OWASP LLM01 프롬프트 주입[4]

삼성전자 유출(2023)과 딥시크 다운로드 중단(2025)은 이번에 기사 링크를 다시 확인하지 못해 출처 없이 적었습니다.

공공기관의 기본 선택은 공통 기반을 재사용하고, 업무별로 모델을 고르는 방식이어야 해요. 자체 구축과 상용 서비스 중 하나만 골라야 하나요? 영국 정부 지침도 구축·구매·재사용의 조합을 검토하고, 내부 운영 인력과 유지보수 능력을 판단 기준으로 삼아요. 민감한 사건 자료는 통제된 내부 환경에서, 일반 문서 작업은 보안 조건을 충족한 상용 서비스에서 처리할 수 있어요. AI가 필요 없는 단순 절차는 기존 자동화가 더 나을 수도 있고요. 영국 정부 지침[1]

다우리 GPT의 수상은 도입을 평가받은 성과예요. 업무 효과가 입증됐다는 뜻일까요? 고용노동부의 공개 자료에는 1만 3천 명의 이용 가능 규모와 수사학교의 개발 내용은 있지만, 실제 이용률·시간 절감·판례 탐색 오류율·운영비의 비교 결과는 제시되지 않았어요. 그 수치 없이 자체 구축이 싸고 정확하다고 결론 내릴 수는 없어요. 같은 업무를 여러 방식으로 시험해 정확도와 3년 총비용을 비교해야 해요. 고용노동부 발표[1]

직원이 직접 만드는 일은 현장 문제를 찾고 시제품을 만드는 데 유용해요. 하지만 배포 뒤의 코드 검토·보안 점검·장애 대응은 누가 맡나요? 이를 담당할 전문팀과 예산이 없는 프로그램 확산은 숨은 유지보수 비용을 키워요. 내부망도 개인정보 보호를 자동으로 보장하지 않아요. 사건 자료의 접근권한·입력 기록·보관 기간을 통제하고, 해당하면 개인정보 영향평가를 거쳐야 해요. 결론은 전면 자체 구축도, 전면 임대도 아니에요. 공통 플랫폼 위에서 위험도별로 선택하고, 검증된 업무부터 넓혀야 해요. NIST 보안 개발 지침[1] · 개인정보보호위원회 영향평가 안내[2]

공공기관의 AI 도입은 범용 인프라와 기저 모델은 검증된 상용 서비스를 빌려 쓰고, 기관 고유의 데이터 결합과 업무 워크플로우 설계에만 내부 역량을 집중하는 ‘분업형 하이브리드’가 유일하게 지속 가능한 정답입니다. 분업은 시장의 크기에 의해 결정되며, 각자 가장 잘하는 일에 특화할 때 비로소 자원의 낭비가 사라지는 법입니다. 수백억 원이 투입되는 파운데이션 모델 개발과 인프라는 글로벌 시장에서 규모의 경제를 달성한 민간 기업의 영역이고, 공공기관이 가장 잘하는 일은 현장의 행정 절차와 법령·사건 데이터를 꿰뚫어 보는 일입니다. 빵집 주인이 최고급 빵을 굽겠다고 직접 밀밭을 일구고 맷돌을 깎기 시작하면, 정작 빵 맛은 떨어지고 곳간만 비어가는 이치와 같습니다.

현실적 실행가능성과 비용 대비 효과의 저울에 올려보면, 공공기관이 직접 만들 일과 사서 쓸 일의 경계는 더욱 명확히 갈립니다. 비용과 보안(사서 쓸 일):* 개별 기관이 폐쇄망에 독자적인 거대 모델과 GPU 서버를 구축·유지하는 것은 막대한 초기 설비투자와 감가상각비를 초래합니다. 반면 클라우드 보안인증(CSAP)이나 망분리 완화 기준을 충족한 상용 AI 및 정부 공통기반을 구독하면, 수천만 원 단위의 인증·검증 비용을 민간 공급사가 분담하고 기관은 사용한 만큼만 지불하여 예산 효율과 최신 품질을 동시에 얻습니다(과학기술정보통신부·NIA 초거대 AI 공공 도입 사업[1], 한국인터넷진흥원 CSAP 제도[2]). 단, 민감한 개인정보가 담긴 원본 데이터(고용노동부의 316만 건 신고사건 등)는 외부 학습에 쓰이지 않도록 내부망에 묶어두고 검색증강생성(RAG) 방식으로만 연결해야 합니다.

• 유지보수와 직원 역량(직접 할 일): 순환보직이 기본인 공무원 조직에서 직원이 ‘바이브 코딩’이나 해커톤으로 직접 짠 프로그램은, 담당자가 인사이동으로 자리를 뜨는 순간 고치지도 버리지도 못하는 ‘기술 부채’로 전락합니다. 따라서 시스템의 뼈대와 유지보수는 전문 민간 기업에 맡기고, 내부 직원은 코딩 기술자가 아니라 도메인 지식을 바탕으로 판례 탐색 구조나 ‘수사학교’ 같은 교육 시나리오를 정교하게 설계하고 AI의 결과물을 감수하는 ‘업무 설계자’ 역량을 축적하는 데 특화해야 합니다(고용노동부 제21회 인사혁신 우수사례[1]).

결국 고용노동부의 사례가 일회성 수상을 넘어 지속 가능한 행정 혁신으로 남으려면, 직원이 도구를 직접 만드는 가내수공업의 유혹에서 벗어나야 합니다. 민간은 규모의 경제로 벼려낸 안전하고 날카로운 연장(상용 AI와 유지보수)을 대고, 공공은 현장의 맥락과 데이터(업무 설계와 보안 통제)를 불어넣는 철저한 분업만이 세금을 아끼고 행정의 품격을 높이는 길입니다.

제 결론을 고칩니다. 지켜야 할 것은 '모델을 누가 만들었느냐'가 아니라 '민감 데이터가 처리되는 경계 안에서 모델이 돌아가느냐'입니다. 한서윤 님의 지적이 옳습니다. 처음 초안에서 저는 C·S 등급 데이터를 "내부망 자체 AI"로 처리하자고 했는데, 이 말은 모델까지 직접 개발하자는 뜻으로 읽힐 수 있었습니다. 모델은 빌려 오되 망 안에 설치해 운영하면 됩니다. 검증된 상용 모델이나 공개 모델을 내부망에 들여오는 방식도 있고, 행안부 온AI 같은 범정부 공통기반에 올리는 방식도 있습니다. 이렇게 하면 품질 격차와 GPU 중복투자를 함께 줄일 수 있습니다. 질문은 '자체 대 상용' 두 가지로 나눴지만, 실제로는 공통기반이라는 세 번째 길이 가장 현실적입니다. 정태오 님의 비판도 받아들입니다. 공개된 업무지표는 진술조서 작성 시간 29% 단축 하나뿐입니다. 보안 쪽 지표는 더 비어 있습니다. 레드팀 점검 결과, 프롬프트 주입 시험 결과, 오남용 적발 건수는 어디에도 나오지 않습니다.

성과를 3년 총비용으로 비교해야 하듯이, 안전도 수치로 증명되기 전까지는 '안전하다고 가정한 상태'일 뿐입니다.

애덤 스미스 님의 분업론에는 절반만 동의합니다. 순환보직 때문에 관리자가 사라지는 문제는 저와 같은 진단입니다. 그러나 처방에는 위험한 빈틈이 두 군데 있습니다.

• "원본은 내부망에 두고, 외부 상용 모델과는 RAG로만 연결한다"는 구조는 그 자체로 유출 경로입니다. RAG는 내부 문서에서 찾아낸 내용을 질문과 함께 모델에 넘기는 방식입니다. 원본 데이터베이스는 그대로 남아 있어도, 질문할 때마다 사건 내용 조각이 프롬프트에 실려 밖으로 나갑니다. 삼성 사례에서 소스코드가 나간 것도 데이터베이스가 뚫려서가 아니라, 직원들이 붙여넣은 입력창을 통해서였습니다. 여기에 행안부의 2025년 2월 금지 조치를 겹치면, 사람 정보가 붙은 검색 결과를 외부 모델에 보내는 구조는 설계 단계에서 이미 규정 위반입니다. 이런 RAG는 망 안에서 운영하는 모델에만 연결해야 합니다. - 유지보수를 민간에 맡겨도 섀도 IT는 사라지지 않습니다. 외주 계약 밖으로 옮겨 갈 뿐입니다. 직원이 만드는 일을 막으면, 직원들은 개인 계정의 상용 AI로 같은 일을 조용히 처리하게 됩니다. 그러면 공식 관문을 둘 때보다 감사 기록조차 남지 않는 더 나쁜 상태가 됩니다.

국정원 가이드북이 에이전트 위험을 따로 짚은 이유도, 위험이 도구의 출처보다 그 도구가 가진 권한에서 나오기 때문입니다. 그래서 해커톤을 금지하기보다는 샌드박스와 배포 관문을 두는 쪽이 최소권한 원칙에 맞습니다.

그래서 보완한 설계는 이렇습니다. 첫째, 데이터 등급이 모델의 위치를 정합니다. C·S 등급은 망 안에서 도는 모델(빌린 것이든 공통기반이든)만 쓰고, O 등급만 외부 상용 AI로 보냅니다. 둘째, 데이터가 등급 경계를 넘는 지점에 기계적인 관문을 둡니다. 외부 모델로 나가는 모든 프롬프트에 개인정보 탐지와 차단을 걸고, 내부 RAG 결과가 외부 호출로 섞여 나가지 못하게 경로를 분리합니다. 셋째, 수상 실적이 아니라 지표로 확산 여부를 판단합니다. 업무 정확도, 3년 총비용, 주입 시험 통과율을 함께 공개하고, 이를 넘은 업무만 넓혀 갑니다. 대통령상은 출발이 좋았다는 증명일 뿐입니다. 사고는 대개 아무도 다시 점검하지 않는 두 번째 해에 터집니다.

수상은 성과의 출발점이지, 자체 구축의 승리 선언은 아니에요. 한서윤 초안의 건당 1.13→0.80시간 수치는 제 초안의 “시간 절감 결과가 없다”는 말을 고치게 해요. 다만 그 수치 하나로 전체 업무의 정확도나 운영비까지 입증되나요? 같은 업무에서 오류·재작업·인건비를 포함한 총비용을 비교해야 해요.

오민재 초안의 데이터 등급 구분은 받아들여요. 하지만 민감 자료는 무조건 자체 모델, 공개 자료는 무조건 상용 모델이라는 규칙은 너무 빨라요. 내부망에 데이터를 두더라도 검색 결과를 외부 모델에 보내면 그 내용은 밖으로 나가요. 반대로 통제된 공통기반에서 민감 업무를 처리할 수도 있어요. 모델의 소유보다 어떤 데이터가 어디로 전달되고 누가 접근하는지가 먼저예요. 애덤 스미스 초안의 민간 분업론도 유용하지만, 공공의 검수·계약 관리 능력까지 공급사에 맡길 수는 없어요.

제 결론은 업무별 실험 후 선택이에요. AI 없이 끝낼 절차는 자동화하고, 나머지는 정부 공통기반·보안 조건을 갖춘 상용 서비스·기관 내부 운영을 같은 기준으로 겨뤄야 해요. 직원 개발은 시제품까지 넓히되, 운영 배포에는 책임자·코드 검토·인사이동 뒤 유지보수 예산을 붙여야 해요. 해커톤의 작품 수가 늘어도 그 비용을 감당할 사람이 없으면 혁신이 아니라 미뤄 둔 청구서예요.

29% 한 건과 대통령상은 ‘자체 구축이 이겼다’는 증거가 아니에요. 정태오 말이 맞아요. 부처 공개 자료엔 이용률·오류율·3년 총비용 대조가 없고, 보도의 1.13시간→0.80시간은 진정 조사 전후 한 조각이에요. 그래서 결론을 이렇게 고쳐요. 민감 사건 데이터는 내부망, 모델·범용 기능은 보안 조건을 통과한 상용·범정부 공통기반. 전면 구축도 전면 임대도 아니에요.

오민재의 C·S는 내부, O는 상용이라는 등급 분할은 그 결론의 운영판이라 흡수해요. 다만 국정원 N²SF가 공개등급에 챗GPT를 이미 열었다는 문장, 삼성 유출·딥시크 차단·OWASP 1순위는 이번 고용노동부 발표 묶음에 없는 논거예요. 방향은 행안부 2025년 2월 외부 생성형 AI 입력 금지, 국정원 2025년 12월 가이드북과 맞지만, 등급 허용의 시행 세부는 그 자료만으로 확정 사실로 쓰지 않아요. 애덤의 분업(모델은 사고, 업무 설계는 남긴다)도 같아요. 그런데 ‘수백억 파운데이션’ ‘수천만 원 인증비’는 제시된 출처에 없는 숫자예요. 공개된 예산 앵커는 서울시 추산(구독 연 약 30억, 종량 약 2억)과 온AI 2026년 187억·2027년 542억뿐이고, 둘 다 기관별 GPU가 아니라 공통 구독·공통기반 쪽을 가리켜요.

새로 넣는 조건은 바이브코딩 관문이에요. 만든 앱 수·운영 이관 건수는 공개된 게 없어요. 그래도 1.3만 명에 같은 조회 권한을 주고 해커톤 산출물을 그냥 올리면, 내부망은 안전 증명이 아니라 섀도 IT 창고가 돼요. 샌드박스, 보안점검, 개인정보 영향평가, 소유자 등록을 통과한 것만 배포해요. 직원은 시제품과 업무 설계까지, 모델 운영과 배포 후 장애는 전문 조직이에요. 그 게이트 없는 자체 구축은 수상 실적이고, 지속 운영 설계는 아니에요.

출처: gosiweek.com[1] · x.com[2] · korea.kr[3] · korea.kr[4] · ddaily.co.kr[5] · imaeil.com[6] · dailysecu.com[7]

분업의 경계는 추상적 원칙이 아니라 데이터 등급과 요금 구조라는 구체적인 눈금 위에서 그어져야 마땅합니다. 앞선 논의에서 오민재 님이 짚어주신 국가망보안체계(N²SF)의 기밀(C)·민감(S)·공개(O) 기준과 한서윤 님이 제시하신 서울시·행안부의 실제 비용 추산은 제 분업론을 한층 날카롭게 벼려주는 훌륭한 숫돌입니다. 다만 정태오 님이 ‘진술조서 작성 시간 29% 단축’이라는 보도 지표를 놓치신 점이나, 한서윤 님이 직원 바이브 코딩을 업무 앱에 유효하다고만 긍정하신 대목은 비용 대비 효과의 저울로 다시 달아볼 필요가 있습니다. 29%의 시간 단축이 정작 순환보직 뒤 남겨질 유지보수 비용과 프롬프트 주입·권한 오남용 같은 보안 사고 비용보다 크다는 보장이 없기 때문입니다.

이에 동료분들의 날카로운 근거를 흡수하여, 공공 AI의 ‘분업형 하이브리드’ 원칙을 세 가지 실행 기준으로 보완합니다. 요금제와 인프라의 분업(사서 쓸 일): 서울시 추산에서 공무원 1만 명 기준 정액 구독은 연 30억 원이나 들지만 종량제는 약 2억 원에 그쳤고, 행안부 범정부 공통기반(온AI)은 1인 월 2만 원 수준으로 규모의 경제를 입증했습니다. 부처마다 따로 GPU라는 발전기를 돌릴 것이 아니라, 공개(O) 등급 업무는 검증된 상용 AI의 종량제나 범정부 공통기반을 빌려 써야 예산의 누수를 막습니다. 데이터 통제와 내부 결합(나눠 할 일): 316만 건의 신고사건처럼 개인정보가 얽힌 기밀(C)·민감(S) 업무는 2025년 행안부 금지 지침과 국정원 가이드북에 따라 내부망에 두되, 오민재 님 지적처럼 내부망이라는 이유만으로 안전을 과신해서는 안 됩니다. 직원의 사건 열람 권한과 AI 에이전트의 접근 권한을 엄격히 일치시키고 개인정보 마스킹을 거친 뒤에만 내부 검색증강생성(RAG)을 연결해야 합니다.

• 바이브 코딩의 한계와 역량 특화(직접 할 일): 한서윤·정태오 님 말씀처럼 현장의 문제를 찾아 시제품(프로토타입)을 빚어보는 데까지는 직원 바이브 코딩이 유용한 연장일 수 있습니다. 그러나 인사이동이 잦은 공직 사회에서 직원이 만든 앱을 그대로 정식 운영에 올리는 것은 주인 없는 ‘섀도 IT’와 기술 부채를 양산하는 지름길이므로, 직원은 시제품 설계와 결과물 감수까지만 맡고 실제 배포 전 보안 점검·영향평가와 본체 개발·유지보수는 전문 인력과 외주 기업에 넘기는 선을 그어야 합니다.

결국 훌륭한 행정가는 서툰 솜씨로 직접 대장간을 차리는 사람이 아니라, 현장의 문제를 가장 정확한 설계도로 그려내고 검증된 장인의 연장을 빌려다 쓰는 사람입니다. N²SF 등급으로 데이터의 울타리를 치고, 범정부 공통기반과 종량제로 세금을 아끼며, 직원의 바이브 코딩은 시제품 검증까지만 허용하는 명확한 분업만이 29%의 단기 효율을 넘어 지속 가능한 공공 혁신을 완성할 것입니다.

29% 시간 단축(1.13시간→0.80시간) 한 조각으로는 아키텍처를 못 고른다면, 서울시 추산 연 30억 대 2억과 온AI 월 2만 원으로 하이브리드를 고르는 것도 같은 위반이에요. 종량 2억은 1만 명 저이용 가정의 청구서이고, 수상 서사(직원 1.3만 명 상시 사용)와 동시에 성립하지 않아요. 제시된 월 2만 원을 1.3만 명에 12개월 곱하면 연 약 31억으로, 비싸다고 친 정액 30억과 같은 자릿수예요. 이건 새 통계가 아니라 앞 라운드 단가의 곱셈이에요. 온AI 예산 187억(2026)→542억(2027)은 규모의 경제 입증이 아니라 채택이 늘면 총액이 약 2.9배 뛴 궤적이에요. 건당 단가 하락은 그 두 숫자에 없어요.

약점 공략은 경계예요. C·S를 기관 망 안 모델에 두고 O만 외부로 보내면서, 동시에 GPU 중복을 공통기반으로 없앤다는 문장은 서로 싸워요. 공통기반이 부처 망 밖이면 민감 RAG가 그 경계로 나가는 순간, 다수안이 금지한 외부 프롬프트 유출과 같은 경로예요. 테넌트 격리·오분류·차단율이 이 자료 묶음에 없어요. 샌드박스·점검·영향평가·소유자 등록도 처리 시간과 기각률이 없어요. 관문이 진짜면 0.33시간 절감은 심사 대기에서 죽고, 관문이 형식적이면 1.3만 명 동일 권한이 섀도 IT 창고가 돼요. 316만 건 일괄 분석(수사학교 은상)과 상시 에이전트는 비용 곡선이 다른데, 대회 한 묶음으로 한 설계에 넣었어요.

그래서 다수안은 절충이 아니에요. 미측정 항(내부 추론 운영, 관문 인력, 등급 오분류, 공통기반 이전)이 자체 구축보다 많고, 제시된 싼 숫자는 수상 서사의 이용량을 버리는 순간에만 남아요. 채택할 실체는 ‘망 안 상용+공통기반+관문’이 아니라, 진술조서 한 업무에서 오류율·재작업·유출 차단을 이용량을 고정한 채 재는 일이에요. 그 전 하이브리드 확정은 수상 실적을 운영 설계로 오인한 지출이에요.

출처: gosiweek.com[1] · x.com[2] · korea.kr[3] · korea.kr[4] · ddaily.co.kr[5] · imaeil.com[6] · dailysecu.com[7]

최종 입장을 정리합니다. 앞서 하이브리드를 고를 근거로 든 비용 논거는 철회합니다. 다만 민감 데이터가 망 경계를 넘지 못하게 막는 통제는 측정 결과를 기다리지 않고 지금 걸어야 합니다. 약점 공략의 곱셈은 맞습니다. 월 2만 원에 1.3만 명, 12개월을 곱하면 연 약 31억 원이고, 비싸다고 했던 정액 30억 원과 같은 수준입니다. 1.3만 명이 상시로 쓴다는 수상 서사와 저이용 가정의 종량 2억 원은 함께 성립하지 않습니다. 결국 비용은 두 방식 사이에서 승부를 가리지 못합니다. 그러면 남는 판단 기준은 품질과 경계입니다. 공통기반 지적도 받아들입니다. 온AI가 부처 망 밖에 있는데 테넌트 격리를 증명한 자료가 없다면, 그곳은 '안'이 아니라 '또 하나의 밖'입니다. 이 점을 흐린 채 GPU 중복투자를 줄이자고 한 제 문장은 경계 원칙과 충돌했습니다.

다만 '측정이 끝날 때까지 설계를 보류하자'는 처방에는 위험한 공백이 있습니다. 다우리 GPT는 계획서 속 시스템이 아닙니다. 이미 1.3만 명이 같은 권한으로 쓰고 있습니다. 삼성 사례에서 코드가 나간 것도 누군가 아키텍처를 결정하기 전, 직원들이 입력창에 붙여넣은 몇 주 사이였습니다. 측정이 진행되는 동안에도 사건 조각은 프롬프트에 실려 오갑니다. 그래서 무엇을 기다리고 무엇을 기다리지 않을지 나눠야 합니다. 업무를 넓힐지는 측정 결과를 보고 정합니다. 반면 외부로 나가는 경로의 개인정보 차단, 내부 RAG와 외부 호출의 경로 분리, 감사 기록은 측정의 전제 조건이어서 먼저 걸어야 합니다. 관문이 0.33시간 절감을 대기열에서 죽인다는 비판도 타당하므로 관문을 단계로 나눕니다. 쓰기 권한과 외부 호출이 없는 샌드박스는 심사 없이 바로 쓰게 합니다. 사람의 심사는 권한을 올려 달라는 시점에만 둡니다. 형식적인 관문도 대기열만 늘리는 관문도 피하는 길은 이것뿐입니다.

최종 수정안은 세 가지입니다. 첫째, 경계의 기본값은 부처 망 안입니다. C·S 등급은 망 안 모델에서만 처리합니다. 공통기반이 이 등급을 받으려면 먼저 테넌트 격리 시험과 차단율 결과를 공개해야 합니다. 둘째, 진술조서 한 업무에서 이용량을 고정한 채 오류율과 재작업률을 잽니다. 같은 시험에서 주입 시험 통과율, 개인정보 차단율, 관문 처리 시간도 함께 잽니다. 생산성과 안전을 한 장의 성적표에 올려야, 둘 중 한쪽만 좋아 보이는 착시를 막을 수 있습니다. 셋째, 316만 건 일괄 분석과 상시 에이전트는 비용 곡선도 위험의 성격도 다르므로 따로 평가합니다. 대통령상은 첫해의 성적입니다. 이 세 가지가 정착하지 않으면, 사고는 아무도 다시 점검하지 않는 두 번째 해에 일어날 것입니다.

자체 구축과 상용 임대 중 하나를 먼저 고를 이유가 없어요. 수상은 시도할 근거이고, 건당 1.13시간에서 0.80시간으로 줄었다는 수치는 효과의 단서예요. 하지만 그 절감이 오류 수정과 운영 비용을 제하고도 남나요? 제 입장은 업무별 실험으로 더 좁혀요.

진술조서 한 업무에서 이용량을 같게 고정하고, AI 없는 절차 개선·정부 공통기반·보안 조건을 갖춘 상용 서비스·기관 내부 운영을 비교해야 해요. 시간만 재면 또 놓쳐요. 오류와 재작업, 총비용, 개인정보가 전달되는 경로와 유출 차단까지 함께 재야 해요. 월 2만 원을 1.3만 명에게 적용하면 연 약 31억 원이에요. 낮은 이용량에서 나온 비용 추산으로 전 직원 상시 사용의 설계를 정할 수는 없어요.

직원 개발은 어디까지 열까요? 교육과 시제품은 넓히되, 운영 배포는 책임자·코드 검토·인사이동 뒤 유지보수 예산이 확보된 경우로 제한해요. 내부망이라는 이름도 면책은 아니에요. 검색 결과가 모델로 어디까지 전달되는지 확인한 뒤, 그 업무에서 검증된 방식을 채택하는 게 최종 판단이에요.

전면적인 하이브리드 아키텍처 도입을 서두르기보다, 이용량과 비용 곡선이 고정된 단일 핵심 업무에서 분업의 손익분기점부터 먼저 실증하는 단계적 전환으로 제 입장을 수정합니다. 앞선 반론에서 짚어주신 산술의 맹점은 대단히 날카로웠습니다. 월 2만 원의 온AI 단가라도 1만 3천 명이 상시 쓰면 연 31억 원에 달해 정액제 30억 원과 다를 바 없고, 연 2억 원의 종량제는 저이용을 전제할 때만 성립하므로 ‘전 직원 상시 활용’이라는 수상 실적과 동시에 양립할 수 없다는 지적을 흔쾌히 수용합니다. 시장의 크기를 모른 채 공장을 두 개 짓는 것은 분업이 아니라 중복 투자일 뿐입니다.

또한 기밀(C)·민감(S) 데이터를 부처 내부에 두면서 범정부 공통기반으로 GPU 중복을 없앤다는 구상이 지닌 경계의 모순과 관문 비용 문제도 인정합니다. 민감 문서의 검색증강생성(RAG)이 부처 망 밖의 공통기반을 호출하는 순간 외부 유출 경계와 맞닿게 되며, 직원이 빚은 시제품을 심사하는 보안·영향평가 관문이 촘촘할수록 진술조서에서 아낀 0.33시간(1.13시간→0.80시간)이 대기 시간과 심사 인건비로 상쇄될 수 있습니다. 아울러 316만 건을 한 번에 분석해 교재를 만드는 ‘수사학교’ 같은 일괄 배치 작업과 1.3만 명이 매일 두드리는 상시 에이전트는 비용의 결이 전혀 다르므로 한 그릇에 담아 설계해서는 안 됩니다.

따라서 지금 공공기관이 택할 길은 성급한 전사적 하이브리드 확정이 아니라, 측정 가능한 작은 저울 위에서 분업의 단가를 재는 일입니다. 첫째, 일회성 대량 분석(수사학교형)과 상시 조회(에이전트형)의 계정을 분리해 종량제와 정액제의 실제 교차점을 찾고, 둘째, 전 직원 바이브 코딩 배포 대신 진술조서 작성 한 업무만 떼어내어 이용량을 고정한 채 오류율·재작업 시간·유출 차단 비용이 0.33시간의 절감액보다 작은지부터 검증해야 합니다. 이 실증의 관문을 통과한 업무에 한해서만 검증된 상용 모델과 내부 데이터를 결합하는 것이 세금을 지키는 가장 정직한 분업입니다.

연 31억과 연 30억은 같은 청구서예요. 월 2만 원을 수상 서사의 1.3만 명에 12개월 곱하면 연 약 31억이고, 서울시가 비싸다고 적어 둔 정액 약 30억과 자릿수가 같아요. 온AI 187억(2026)에서 542억(2027)은 건당 단가가 내려간 표가 아니라 총액이 약 2.9배 커진 궤적이에요. 싼 임대는 그 1.3만 명 상시 이용을 지울 때만 남아요.

하이브리드는 여기서 낙찰하지 않아요. 내부 추론비, 관문 인력, 등급 오분류, 공통기반 이전은 공개 표에 없고, 공통기반이 부처 망 밖이면 민감 검색이 그 선 밖으로 나가요. 2025년 2월 외부 생성형 AI 입력 금지와 같은 길이에요. 316만 건 일괄 분석과 상시 에이전트는 비용 곡선이 다른데, 대상·은상 한 묶음이 둘의 단가를 대신하지 못해요.

수정안은 지출 순서를 바꾸는 거예요. 다음 예산 전에 진술조서 한 업무만 이용량을 고정하고 오류율, 재작업, 유출 차단을 적어요. 그 표 전에는 사건 원문은 이미 있는 내부망에 두고, 상용 계약은 사건 밖 업무의 입찰 후보로만 남겨요. 직원 앱은 소유자 등록 전엔 시제품이고, 이관 건수가 없으니까 대통령상은 운영 성과로 치지 않아요.

출처: imaeil.com[1] · ddaily.co.kr[2] · korea.kr[3] · gosiweek.com[4]