민원 자동화의 병목은 AI 모델이 아니라 업무 하네스다

민원 자동화 이야기가 나오면 대개 어떤 AI 모델을 쓸지부터 묻습니다. 최신 모델이 무엇인지, 한국어 성능은 얼마나 좋은지, 답변 정확도는 몇 퍼센트인지가 첫 질문이 됩니다. 저도 처음에는 모델이 충분히 좋아지면 민원 업무의 상당 부분이 자연스럽게 자동화될 것이라고 생각했습니다.

그런데 행정의 실제 흐름을 들여다볼수록 순서가 반대라는 생각이 듭니다. 민원 자동화에서 어려운 일은 그럴듯한 답변 한 문장을 만드는 것이 아닙니다. 그 답변이 어느 규정에 근거했는지, 최신 규정이 맞는지, 담당 기관과 권한이 맞는지, 누가 검토하고 승인했는지, 잘못됐을 때 어디까지 되돌릴 수 있는지를 함께 설계하는 일입니다.

민원은 이메일 답장과 다릅니다. 「민원 처리에 관한 법률」은 민원을 행정기관에 처분 등 특정한 행위를 요구하는 것으로 정의하고, 민원처리기준표에는 처리기관·처리기간·구비서류·처리절차·신청방법 등을 종합해 게시하도록 합니다. 답변의 문장이 자연스럽다고 해서 민원이 처리된 것은 아니라는 뜻입니다. 민원 처리는 문장 생성이 아니라 정해진 절차 안에서 상태를 바꾸는 행정행위에 가깝습니다. 국가법령정보센터의 「민원 처리에 관한 법률」

답변 생성과 민원 처리는 다른 일이다

생성형 AI는 초안을 빠르게 씁니다. 민원의 요지를 정리하고, 관련 문서를 찾고, 답변 형식에 맞춰 문장을 다듬는 데도 능합니다. 그러나 실제 민원 업무는 그 앞뒤가 훨씬 깁니다.

먼저 이 민원이 어느 유형인지 분류해야 합니다. 소관 기관과 부서를 찾아야 하고, 적용할 법령과 지침의 기준일을 확인해야 합니다. 민원인이 제공한 사실과 기관이 보유한 사실을 구분하고, 재량이 필요한 사안인지 단순 안내인지 판단해야 합니다. 초안이 만들어진 뒤에는 권한 있는 사람이 검토하고, 처리 결과를 기록하고, 민원인에게 통지해야 합니다. 예외가 생기면 상급자나 전문 부서로 넘겨야 하고, 나중에 이의가 제기되면 당시 판단의 근거를 다시 꺼낼 수 있어야 합니다.

이 가운데 AI가 잘하는 부분은 분명히 있습니다. 하지만 일부를 잘한다고 전체가 자동화되는 것은 아닙니다. 민원 자동화의 단위는 ‘답변 한 건’이 아니라 ‘접수에서 종결까지 이어지는 업무 흐름’이어야 합니다.

국민권익위원회가 2026년 방문·우편 민원까지 접수부터 처리 완료까지 진행 단계를 안내하도록 개선한 것도 같은 맥락으로 읽힙니다. 민원인에게 중요한 것은 최종 답변만이 아닙니다. 내 민원이 접수됐는지, 보완이 필요한지, 어느 단계에 있는지 알 수 있어야 합니다. 처리 상태가 보이지 않으면 민원인은 다시 문의하고, 담당자는 같은 상황을 반복해서 설명하게 됩니다. 국민권익위원회 보도자료

모델보다 먼저 필요한 업무 하네스

여기서 제가 말하는 ‘업무 하네스’는 공식 행정 용어가 아닙니다. AI를 실제 업무의 경계 안에 묶어두는 장치들을 한데 부르는 표현입니다. 어떤 입력을 받을지, 어떤 자료만 근거로 쓸지, 어디까지 AI가 하고 어디서 사람이 이어받을지, 무엇을 기록하고 어떤 경우에 즉시 멈출지를 정한 실행 구조입니다.

챗봇이 엔진이라면 업무 하네스는 엔진을 차량에 고정하고 조향·제동·계기판과 연결하는 장치에 가깝습니다. 엔진 출력만 높인다고 차가 안전하게 목적지에 도착하지는 않습니다. 공공 AI도 같습니다. 모델이 좋아질수록 업무에 연결하는 구조가 더 중요해집니다.

민원용 업무 하네스에는 적어도 일곱 가지가 필요합니다.

범위: 자동화할 민원 유형과 제외할 유형을 먼저 정해야 합니다. 공개된 절차와 구비서류를 안내하는 반복 문의와, 권리·의무를 개별적으로 판단하는 민원은 같은 방식으로 다룰 수 없습니다.
근거: AI가 참고할 법령·지침·FAQ의 출처와 기준일을 고정해야 합니다. 근거 문서가 바뀌면 검색 데이터도 함께 갱신되어야 합니다.
불확실성: 정보가 부족하거나 문서끼리 충돌하거나 예외 조건이 발견되면 AI가 단정하지 않고 사람에게 넘겨야 합니다.
승인선: 초안 작성, 사실 확인, 법적 판단, 최종 발송의 권한을 나눠야 합니다. 사람 검토가 필요하다는 말만 적어두는 것이 아니라 누가 무엇을 승인하는지 정해야 합니다.
기록: 사용한 근거, 모델과 지식베이스의 버전, 초안과 최종 답변의 차이, 검토자와 승인 시점을 남겨야 합니다.
개인정보 경계: 꼭 필요한 정보만 입력하고, 접근권한과 보관기간을 제한하며, 외부 모델로 나가서는 안 되는 정보를 기술적으로 차단해야 합니다.
평가와 중단: 속도만 보지 말고 수정률, 재문의율, 재접수율, 예외 전환율, 개인정보 사고 여부를 함께 측정해야 합니다. 기준을 넘으면 자동화 범위를 줄이거나 즉시 되돌릴 수 있어야 합니다.

이것은 제가 임의로 붙인 안전장치 목록만은 아닙니다. 행정안전부와 한국지능정보사회진흥원이 2026년 배포한 「공공부문 AI 도입·활용 가이드」도 AI 서비스를 기획·예산·계약·구축·운영의 전 과정으로 보고, 작은 시범 적용 뒤 성능을 검증해 단계적으로 넓힐 것을 제시합니다. 특히 접근권한, 로그, 결과 검증, 사람 개입, 역할과 책임, 지속적인 모니터링을 함께 설계하도록 합니다. 최신 내부 문서를 우선 참조하는 검색 증강 생성도 중요하지만, 그것만으로 끝나지 않는다는 점이 핵심입니다. 한국지능정보사회진흥원의 공공부문 AI 도입·활용 가이드

더 좋은 모델로도 해결되지 않는 것

물론 모델 성능은 중요합니다. 분류를 잘못하거나 근거와 다른 답변을 만들면 좋은 업무 하네스도 계속 경고만 울리게 됩니다. 다만 모델이 좋아지면 제도 설계가 필요 없어지는 것은 아닙니다.

행정의 위험은 평균적인 질문보다 드문 예외에 몰려 있습니다. 오래된 규정이 검색되는 경우, 비슷해 보이지만 소관이 다른 경우, 한 문장에 여러 기관의 업무가 섞인 경우, 민감정보가 포함된 경우, 단순 문의처럼 보이지만 실제로는 권리구제 기한과 연결된 경우가 그렇습니다. 모델의 평균 정확도가 높아져도 이런 예외를 누가 책임지고 처리할지는 남습니다. 오히려 답변이 자연스러워질수록 검토자가 틀린 부분을 지나칠 위험도 커집니다.

개인정보 문제도 모델 선택만으로 해결되지 않습니다. 개인정보보호위원회의 생성형 AI 안내서는 목적 설정, 적법한 처리 근거, 데이터와 시스템의 안전조치, 정보주체 권리, 책임자 중심의 거버넌스를 생애주기 전체에서 다루도록 합니다. 결국 개인정보 보호도 입력창에 주의 문구를 띄우는 문제가 아니라 누가 어떤 목적으로 어떤 정보를 처리하고 언제 지우는지를 정하는 운영 문제입니다. 개인정보보호위원회의 생성형 AI 개인정보 처리 안내서

그래서 저는 공공 민원 AI의 경쟁력이 모델 순위표보다 업무 하네스의 완성도에서 갈릴 가능성이 크다고 봅니다. 같은 모델을 쓰더라도 어떤 기관은 책임 있게 업무 시간을 줄이고, 어떤 기관은 검토 부담만 늘릴 수 있습니다. 차이는 모델 밖에서 생깁니다.

한 종류의 민원으로 작게 시험한다면

처음부터 모든 민원을 자동화할 필요는 없습니다. 한 기관에서 반복적으로 들어오는 단일 안내형 민원 범주를 골라 2주 정도 시험해볼 수 있습니다. 법적 판단이나 재량이 거의 없고, 공식 근거가 명확하며, 민감정보를 사용하지 않아도 답할 수 있는 범주가 적합합니다.

AI는 민원 요지를 분류하고, 승인된 최신 자료를 찾고, 근거 링크가 붙은 답변 초안을 만듭니다. 담당자는 모든 초안을 검토한 뒤에만 발송합니다. 근거가 없거나 서로 충돌하면 초안을 만들지 않고 예외 처리합니다. 모델의 역할은 최종 판단이 아니라 검토 가능한 첫 번째 답안을 준비하는 데 한정합니다.

실험 전에는 기존 수동 처리의 기준선을 먼저 재야 합니다. 그다음 중앙값 처리시간, 담당자의 실제 검토시간, 핵심 사실 수정률, 예외 전환율, 재문의·재접수율, 근거 누락률, 개인정보 사고를 비교합니다. 제 가설은 중앙값 처리시간을 20퍼센트 이상 줄이면서 핵심 수정률의 증가는 5퍼센트포인트 이내로 억제하고, 재접수율은 늘리지 않는 것입니다. 개인정보 사고는 당연히 0건이어야 합니다. 이것은 정부 전체에 적용할 기준이 아니라 첫 파일럿을 판정하기 위한 임시 기준입니다.

여기서 처리시간만 줄고 담당자의 검토시간이나 재문의가 늘어난다면 자동화에 성공한 것이 아닙니다. 앞 단계의 시간을 뒤 단계로 떠넘긴 것에 가깝습니다. 반대로 초안의 절반을 고치더라도 근거 찾는 시간이 크게 줄고 중요한 오류가 검토 단계에서 안정적으로 잡힌다면, 다음 실험에서 하네스를 개선할 단서가 생깁니다.

하네스가 무거우면 자동화할 이유가 없다는 반론

이 정도의 승인과 기록을 붙이면 사람이 직접 하는 것보다 느린 것 아니냐는 반론이 가능합니다. 실제로 그럴 수 있습니다. 모든 민원에 같은 수준의 통제를 붙이면 자동화 비용이 편익보다 커질 수 있습니다.

그래서 하네스는 자동화의 장애물이 아니라 범위를 고르는 도구여야 합니다. 낮은 위험의 반복 업무에는 가벼운 검토선을 두고, 권리·의무나 민감정보와 연결된 업무에는 더 강한 통제를 둬야 합니다. 사람이 처음부터 끝까지 처리하는 편이 나은 민원은 자동화 대상에서 빼면 됩니다. 작은 범주에서도 검토 부담을 줄이지 못한다면 아직 자동화할 준비가 되지 않았다는 뜻입니다.

민원 자동화 수요라고 부르는 것 중 상당 부분이 사실은 ‘대민 답변의 자동 발송’보다 ‘담당자가 내부 문서에서 근거를 찾고 초안을 만드는 시간을 줄여달라’는 요구일 수도 있습니다. 그렇다면 첫 단계는 무인 민원창구가 아니라 공무원을 위한 근거 검색과 초안 보조가 맞습니다. 사용자의 화면보다 내부 업무부터 정리하는 편이 더 현실적인 출발일 수 있습니다.

첫 산출물은 챗봇 데모가 아니라 업무체계도다

공공기관이 민원 AI를 시작할 때 첫 번째로 만들어야 할 것은 챗봇 데모가 아니라고 생각합니다. 민원 한 종류를 골라 접수, 분류, 근거 확인, 초안, 검토, 승인, 통지, 기록, 예외 처리의 흐름을 한 장에 그린 업무체계도가 먼저입니다.

그 그림 위에 AI가 들어갈 칸과 사람이 반드시 남아야 할 칸을 표시하면 질문이 달라집니다. ‘어떤 모델을 살 것인가’보다 ‘어디까지 자동화할 것인가’, ‘어떤 근거 없이는 답하지 못하게 할 것인가’, ‘누가 최종 책임을 질 것인가’를 먼저 묻게 됩니다. 모델은 바뀌어도 이 구조는 남습니다.

공공 민원 자동화의 목표는 답변을 가장 빨리 만들어내는 시스템이 아닙니다. 국민의 요청을 더 정확하게 처리하고, 담당자의 반복 작업을 줄이며, 문제가 생겼을 때 판단 과정을 설명할 수 있는 시스템이어야 합니다. 챗봇은 국민에게 보이는 앞면일 뿐입니다. 실제 행정을 움직이는 것은 그 뒤의 근거, 권한, 승인, 기록입니다.

AI 모델이 엔진이라면 업무 하네스는 행정이 그 엔진을 책임지고 사용할 수 있게 만드는 구조입니다. 민원 자동화의 병목은 아직 모델의 지능보다 이 구조를 설계하는 능력에 더 가까이 있습니다.

참고한 공식자료

※ 이 글은 2026년 8월 9일 확인한 공식자료를 바탕으로 한 개인적 제안이며, 특정 민원의 법률 자문이나 공식 유권해석이 아닙니다.