공공 AI의 시작점은 모델보다 행정 데이터 구조

공공기관에 AI를 도입할 때 모델부터 고르면 문서와 업무 흐름에서 막힙니다. OpenAI가 소개한 일본 Polimill 사례는 지방정부별로 흩어진 회의록과 행정 문서를 먼저 정리하고, 그 위에 검색과 업무별 AI를 얹는 순서를 보여줍니다.

흩어진 기록을 공통 검색 기반으로

Polimill의 QommonsAI는 의회 답변, 복지, 법률 검색 등 공공 업무 영역별 AI를 제공합니다. 공식 사례에 따르면 일본 각 지방정부의 회의록과 행정 정보는 형식과 보관 방식이 달랐고, 과거 기록도 흩어져 있었습니다.

Polimill은 의회 회의록을 수집·표준화한 뒤 AI로 메타데이터를 붙이고, 조직과 기간을 가로질러 검색할 수 있는 기반을 만들었습니다. 핵심은 모델이 아니라 서로 다른 문서를 같은 검색 구조에 올리는 전처리입니다.

공식 사례에서 QommonsAI는 GPT 모델을 일반 대화와 파일 읽기 등에 사용하면서도 관리자가 기능 사용 이력을 검토하고 조직별 모델 사용 범위를 제한할 수 있게 구성됩니다. 공공 업무에서는 답변 품질만큼 누가 어떤 기능을 썼는지 확인하는 운영면이 중요합니다.

따라서 도입 순서는 다음처럼 나누는 편이 현실적입니다.

Polimill 사례는 경험이 적은 직원이 축적된 행정 정보와 AI를 이용해 정책 제안서를 만들 수 있었지만, 숙련 공무원의 제안이 여전히 가장 높은 평가를 받았다고 설명합니다. 차이는 매뉴얼에 완전히 기록되지 않은 실행 감각이었습니다.

어떤 절차를 거쳐야 정책이 실제로 진행되는지, 주민이 어떤 걱정을 할지 같은 판단은 문서 검색만으로 복원하기 어렵습니다. 사례에서 제시하는 다음 단계는 베테랑이 AI에 조사 지시를 내리고 결과를 수정하는 과정을 기록해 조직 지식으로 남기는 것입니다.

공공 AI의 첫 프로젝트는 거대한 자율 에이전트보다 문서 표준화와 검색 품질 점검이어야 합니다. 이후 권한·감사·사람의 승인 지점을 붙이고, 숙련자의 수정 과정을 축적하면 AI가 개인 생산성 도구를 넘어 조직의 지식 이전 장치로 확장될 수 있습니다.