아젠틱 AI와 MCP 융합: 행정 서비스 혁신을 위한 전략적 로드맵
목차
- 요약
- 서론
- 스마트 국가의 지형도: 아젠틱 AI와 MCP의 기술-정책 융합 토대
- 국민비서의 재탄생: 선제 알림과 맥락 인식 서비스
- 혜택알리미의 개인화 혁명: 크로스 참조와 원스톱 처리
- 글로벌 벤치마크와 정량적 성과 지표
- 보안과 신뢰의 내재화 전략
- 단계별 실행 로드맵과 디지털 플랫폼 정부 비전
- 결론
1. 요약
본 보고서는 행정안전부의 대국민 서비스 혁신을 위해 아젠틱 AI와 MCP 기술 융합 전략을 제안합니다. 국민비서와 혜택알리미 서비스 개선, 글로벌 벤치마킹 사례 분석, 보안 및 데이터 거버넌스 정책 수립, 단계별 실행 로드맵 제시를 통해 실질적인 서비스 혁신 방안을 모색합니다.
특히, 아젠틱 AI는 실시간 상황 인식 및 능동적 의사결정 능력을 제공하며, MCP는 외부 데이터 및 도구 연동을 가능하게 하여 맞춤형 행정 서비스 제공의 핵심 역할을 수행합니다. 엠로의 AI 기반 구매 솔루션 도입 사례를 벤치마킹하여 행정 서비스 효율성을 극대화하고, 글로벌 기업의 효율성 향상 및 오류 감소 지표를 참고하여 정량적 성과 목표를 설정할 필요가 있습니다. 이를 통해 공무원의 업무 부담을 경감하고 국민 만족도를 향상시킬 수 있을 것으로 기대됩니다. 또한, 데이터 암호화 및 인간-온-더-루프(Human-on-the-Loop) 구조를 통해 보안 및 신뢰성을 확보하고, 파일럿 운용과 반복 개선을 통해 점진적인 서비스 확대를 추진해야 합니다.
2. 서론
디지털 전환 시대, 행정 서비스는 국민의 삶에 더욱 깊숙이 관여하며 편의성을 증진시키는 방향으로 진화하고 있습니다. 본 보고서는 행정안전부가 추진하는 대국민 서비스 혁신을 위해 아젠틱 AI와 MCP(Model Context Protocol) 기술의 융합 가능성을 심층적으로 분석하고, 구체적인 실행 전략을 제시합니다.
아젠틱 AI는 자율적인 판단, 협업, 계획 실행 능력을 갖춘 차세대 인공지능으로, 기존 챗봇의 한계를 넘어 능동적인 서비스 제공이 가능합니다. MCP는 AI 모델과 외부 데이터 및 도구를 연결해주는 오픈 프로토콜로서, 실시간 정보 접근 및 다양한 도구 활용 능력을 부여하여 AI의 활용 범위를 획기적으로 확장합니다.
본 보고서는 아젠틱 AI와 MCP의 개념적 토대를 확립하고, 국민비서와 혜택알리미 서비스에 대한 구체적인 적용 방안을 제시합니다. 또한 글로벌 벤치마킹 사례를 통해 실제 효용성을 입증하고, 보안 및 데이터 거버넌스 정책을 통해 신뢰성을 확보하는 방안을 모색합니다. 마지막으로, 단계별 실행 로드맵을 제시하여 디지털 플랫폼 정부 비전을 구체화합니다. 본 보고서가 행정안전부의 대국민 서비스 혁신에 기여할 수 있기를 기대합니다.
3. 스마트 국가의 지형도: 아젠틱 AI와 MCP의 기술-정책 융합 토대
3-1. 아젠틱 AI와 MCP의 개념적 토대
본 서브섹션은 보고서의 첫 번째 섹션으로서, 행정안전부의 대국민 서비스 혁신을 위한 아젠틱 AI와 MCP 기술의 융합 가능성을 탐색하고, 이를 위한 개념적 토대를 확립합니다. 이어지는 섹션에서는 국민비서, 혜택알리미 등 구체적인 서비스 적용 방안과 글로벌 벤치마킹 사례를 제시하여 실질적인 도입 전략을 구체화할 것입니다.
에이전틱 AI는 자율적인 판단, 협업, 계획 실행 능력을 갖춘 차세대 인공지능 구조로, 컨택센터 자동화, 고객 서비스 등 다양한 분야에서 주목받고 있습니다. 특히, 고객의 문의 의도뿐 아니라 감정 상태, 이력, 과거 상호작용 데이터를 통합적으로 분석해 개인화된 대응을 수행할 수 있다는 점에서 기존 챗봇의 한계를 극복합니다. Apple의 “The Illusion of Thinking” 연구가 LLM 기반 AI의 추론 한계를 지적한 이후, 에이전틱 AI는 LLM의 대안으로 더욱 부상하고 있습니다.
MCP(Model Context Protocol)는 AI 모델과 외부 데이터 및 도구를 연결해주는 오픈 프로토콜입니다. 폐쇄된 도서관에서 학습된 지식만 활용하는 기존 LLM과 달리, MCP는 AI에게 외부 인터넷 검색 및 다양한 도구 사용 능력을 부여합니다. 이를 통해 AI는 실시간 정보 접근, 이전 대화 맥락 유지, 특정 작업에 필요한 외부 애플리케이션 호출 등 복잡하고 유기적인 상호작용이 가능해집니다. OpenAI, Microsoft, Google 등 글로벌 IT 기업들이 MCP 채택 및 생태계 확장에 적극적으로 참여하고 있으며, 이는 MCP가 AI 에이전트 시대의 사실상 표준(de facto standard)으로 자리매김하고 있음을 시사합니다.
아젠틱 AI와 MCP의 결합은 공공 서비스 영역에서 실시간 크로스 도구 작업 실행을 가능하게 하는 강력한 메커니즘을 제공합니다. 예를 들어, 국민비서 서비스에서 아젠틱 AI는 사용자의 위치, 시간, 과거 패턴을 학습하여 행동을 예측하고, MCP를 통해 실시간 환경 데이터(날씨, 교통)를 반영하여 맞춤형 알림을 생성할 수 있습니다. 이러한 통합 메커니즘은 단순 정보 제공을 넘어 사용자의 실제 행동 변화를 유도하고 행정 효율성을 극대화하는 데 기여할 수 있습니다.
행정안전부는 2025년 6월 네이버클라우드, KT, LG CNS, SKT 등 국내 주요 IT 기업과 AI 협력을 위한 MOU를 체결했습니다. 이는 아젠틱 AI와 MCP 기반 서비스 혁신을 위한 중요한 발판이 될 수 있습니다. 특히, 각 기업이 보유한 LLM 기술 및 클라우드 인프라를 활용하여 행정 서비스에 특화된 AI 모델을 개발하고, MCP를 통해 다양한 공공 데이터와 연동하는 방안을 모색할 수 있습니다.
공문서 데이터 개방은 아젠틱 AI 학습에 필요한 양질의 훈련 데이터 풀을 제공합니다. 행정안전부는 이미 상당량의 공문서 데이터를 개방하고 있으며, 이를 활용하여 AI 모델의 정확도와 효율성을 향상시킬 수 있습니다. 특히, MCP를 통해 개방된 데이터에 대한 접근 권한을 관리하고, 데이터 사용 목적에 따라 차등화된 접근 권한을 부여하는 등 데이터 거버넌스 체계를 강화할 필요가 있습니다.
기존 행정안전부의 디지털 변혁 노력은 아젠틱 AI 및 MCP 도입과 시너지를 창출할 수 있습니다. 예를 들어, 정부24, 국민신문고 등 기존 플랫폼에 아젠틱 AI 기반 챗봇 기능을 추가하고, MCP를 통해 관련 민원 데이터를 분석하여 맞춤형 상담 서비스를 제공할 수 있습니다. 또한, 데이터 기반 의사결정 시스템을 구축하여 정책 결정 과정의 투명성과 효율성을 높일 수 있습니다.
3-2. 행정안전부의 기존 디지털 변혁 토대
본 서브섹션은 보고서의 첫 번째 섹션에서 아젠틱 AI와 MCP의 개념적 토대를 확립한 후, 행정안전부가 이미 보유한 디지털 자산과 AI 협력 현황을 심층적으로 분석합니다. 이는 향후 아젠틱 AI와 MCP 도입 전략을 수립하는 데 필수적인 단계로서, 기존 자원을 최대한 활용하고 잠재적 시너지 효과를 도출하기 위한 기반을 마련합니다.
행정안전부는 2025년 6월 네이버클라우드, KT, LG CNS, SKT 등 국내 주요 AI 플랫폼 기업과 업무협약(MOU)을 체결하여, 정부 전용 AI 행정지원 서비스 개발에 착수했습니다. 이 협약은 디지털플랫폼정부 실현 계획의 핵심 과제인 '정부 전용 초거대 AI Assistant 구현'의 일환으로 추진되었으며, AI 행정지원 서비스 개발, 공공데이터 개방, 기술 교류, 정책 과제 발굴 등을 목표로 합니다. 그러나 MOU의 구체적인 수행 범위와 각 기업의 LLM 기술 및 클라우드 인프라 활용 방안은 여전히 불확실하며, 행정 서비스 특화 AI 모델 개발 및 MCP를 통한 공공 데이터 연동 방안 모색이 필요합니다.
MOU 체결 기업들은 각자 보유한 AI 기술과 인프라를 행정안전부의 디지털 전환에 어떻게 기여할 수 있을까요? 네이버클라우드는 LLM 기술과 클라우드 플랫폼을 제공하여 행정 서비스에 특화된 AI 모델 개발을 지원하고, KT는 통신 인프라와 AI 컨택센터 기술을 활용하여 국민과의 소통을 강화할 수 있습니다. LG CNS와 SKT는 각각 AI 기반의 업무 자동화 솔루션과 데이터 분석 플랫폼을 제공하여 행정 업무 효율성을 높이는 데 기여할 수 있습니다. 이들의 기술 역량을 융합하여 행정안전부의 데이터 개방 정책과 연계하면 더욱 강력한 시너지를 창출할 수 있습니다.
MOU의 잠재적 시너지 효과를 극대화하기 위해서는 행정안전부가 각 기업의 강점을 명확히 파악하고, 구체적인 협력 목표와 실행 계획을 수립해야 합니다. 예를 들어, 네이버클라우드의 LLM 기술을 활용하여 민원 상담 챗봇을 개발하고, KT의 AI 컨택센터 기술을 연계하여 24시간 민원 상담 서비스를 제공할 수 있습니다. LG CNS의 업무 자동화 솔루션을 활용하여 반복적인 행정 업무를 자동화하고, SKT의 데이터 분석 플랫폼을 활용하여 민원 데이터를 분석하여 정책 개선에 활용할 수 있습니다. 이러한 구체적인 협력 모델을 통해 MOU의 실질적인 성과를 창출하고, 국민들이 체감할 수 있는 디지털 행정 서비스를 제공해야 합니다.
행정안전부는 공문서 데이터를 AI 학습에 적합한 형태로 수집·가공하여 민간 기업에 제공함으로써 국내 AI 생태계 경쟁력 강화에 기여하고 있습니다. 정부가 생산하는 공문서는 공공성과 객관성을 담보할 수 있는 양질의 정제된 문서로서, AI 기술과 결합하면 활용 범위가 확대될 것으로 기대됩니다. 하지만 공개된 공문서 데이터의 양과 품질에 대한 구체적인 통계는 부족하며, 데이터 활용 목적에 따라 차등화된 접근 권한을 부여하는 등 데이터 거버넌스 체계 강화가 필요합니다.
공문서 데이터는 아젠틱 AI 모델 학습에 필요한 양질의 훈련 데이터를 제공할 수 있습니다. 예를 들어, 민원 상담 데이터는 챗봇의 응답 정확도를 높이는 데 활용될 수 있으며, 정책 문서 데이터는 정책 분석 모델 개발에 활용될 수 있습니다. 또한, 법령 및 판례 데이터는 법률 자문 서비스 개발에 활용될 수 있습니다. 공문서 데이터의 활용도를 높이기 위해서는 데이터 정제 및 가공 기술 개발, 데이터 표준화 및 품질 관리 체계 구축, 데이터 활용 교육 및 컨설팅 제공 등이 필요합니다.
공문서 데이터 활용의 성공적인 사례로는 법제처의 'AI 법령정보 서비스'를 들 수 있습니다. 법제처는 공문서 데이터와 AI 기술을 결합하여 국민들이 법령 정보를 쉽고 편리하게 이용할 수 있도록 지원하고 있습니다. 이 서비스는 법령 검색 기능, 법령 해석 지원 기능, 법령 관련 상담 기능 등을 제공하며, 법률 전문가뿐만 아니라 일반 국민들도 쉽게 이용할 수 있습니다. 행정안전부는 법제처의 사례를 참고하여 공문서 데이터를 활용한 다양한 AI 서비스를 개발하고, 국민들의 행정 서비스 접근성을 높여야 합니다.
4. 국민비서의 재탄생: 선제 알림과 맥락 인식 서비스
4-1. 현재 국민비서의 한계와 아젠틱 AI 기반 재설계
본 서브섹션은 국민비서 서비스의 한계를 진단하고, 아젠틱 AI 기술을 활용한 능동적 재설계를 제안하여 서비스의 혁신 방향을 제시합니다. 이를 통해 국민 생활에 실질적인 편의를 제공하고 정부 서비스 만족도를 극대화하는 방안을 모색합니다.
국민비서 서비스는 세금, 교통, 교육 등 90여 종의 정보를 제공하지만, 대부분 정적인 정보 제공에 머물러 있습니다. 이는 사용자가 정보를 능동적으로 검색하거나 문의하기 전에 제공되는 알림 서비스로서, 선제적인 대응에는 미흡한 측면이 있습니다. 예를 들어, 민생회복 소비쿠폰 정보를 제공하지만, 사용자의 상황 변화를 실시간으로 반영하지 못합니다.
특히 재난 예측 알림의 경우, 오차율 문제가 심각합니다. 기상청의 단기예보가 5km, 1시간 단위로 세분화되었음에도 불구하고 국민의 신뢰도는 2018년 73%에서 2022년 66.8%로 하락했습니다. 이는 국지성 폭우 등 이상기후에 대한 예측 정확도가 낮기 때문이며, 재난문자 발송 시 대상 지역 주민이 문자를 받지 못하거나 지역 오표기 등의 오류가 발생하기도 합니다.
이러한 한계를 극복하기 위해 아젠틱 AI 기반의 재설계가 필요합니다. 아젠틱 AI는 자율적인 판단, 협업, 계획 실행 능력을 갖춘 차세대 인공지능 구조로서, 행동 및 환경 데이터를 실시간으로 분석하여 능동적인 선제 알림 서비스를 제공할 수 있습니다. 교통 및 재난 예측과 연동하여 사용자 맞춤형 알림을 생성하고, 실시간 상황 변화에 따른 혜택 정보를 재조정하는 메커니즘을 구현해야 합니다.
아젠틱 AI는 기존 챗봇이나 대화형 에이전트와 달리 상황 인식, 실시간 의사 결정, 협업 능력을 기반으로 하는 진화된 AI 모델입니다. 이는 국민비서 서비스가 단순히 미리 정의된 시나리오에 따라 답변하는 것이 아니라, 스스로 사고하고 판단하며, 필요시 다른 에이전트(인간 또는 AI)와 협업하여 최적의 결과를 도출하는 구조를 갖추도록 합니다.
특히 고객 서비스 분야에서 아젠틱 AI는 고객의 문의 의도뿐 아니라 감정 상태, 이력, 과거 상호작용 데이터를 통합적으로 분석해 개인화된 대응을 수행할 수 있습니다. 다중 채널(전화, 채팅, 이메일 등) 간 문맥 연속성을 유지하고, 예측 기반으로 문제를 사전에 해결하거나 추가 행동을 제안할 수 있어 고객 만족도와 전환율을 동시에 끌어올릴 수 있습니다.
Apple의 “The Illusion of Thinking” 연구가 LLM 기반 AI의 추론 한계를 지적한 반면, 아젠틱 AI는 이러한 한계를 극복하고 실시간 상황 변화에 따른 능동적인 서비스 제공을 가능하게 합니다. 이를 통해 국민비서 서비스는 더욱 개인화되고 맥락에 맞는 정보를 제공하며, 사용자의 만족도를 높일 수 있습니다.
교통 예측과 관련하여, 아젠틱 AI는 위치, 시간, 과거 패턴을 학습하는 행동 예측 모델과 실시간 환경 데이터(날씨, 교통)를 반영하는 맥락 인식 엔진을 통합하여 맞춤형 알림을 제공할 수 있습니다. 예를 들어, 사용자의 출근 경로와 시간을 분석하여 교통 체증이 예상되는 경우, 미리 우회 경로를 안내하거나 대중교통 이용을 권장할 수 있습니다.
재난 예측과 관련하여, 기상청의 날씨 예보 데이터와 연동하여 실시간 재난 정보를 분석하고 사용자에게 맞춤형 대피 경로를 안내할 수 있습니다. 특히 산불, 홍수, 지진 등 다양한 재난 상황에 대한 정보를 신속하게 제공하고, 사용자 위치를 기반으로 가장 안전한 대피 장소를 안내하여 인명 피해를 최소화할 수 있습니다.
해외 사례를 살펴보면, 일부 유럽 은행에서는 아젠틱 AI 도입 후 단 6주 만에 전체 콜 중 80%를 AI가 처리하게 되어 상담사의 업무 부담을 줄이고 전체 운영 효율을 크게 개선한 사례도 보고되고 있습니다. 이는 국민비서 서비스에도 적용될 수 있으며, 상담 창구 운영 효율성을 높이고 공무원 부담을 경감시키는 효과를 가져올 수 있습니다.
4-2. 행동 예측과 맥락 인식의 통합
본 서브섹션은 국민비서 서비스의 핵심 기능인 행동 예측 모델과 맥락 인식 엔진의 통합 아키텍처를 구체적으로 설명하고, 민간 앱과의 원스톱 처리가 가능한 통합 인터페이스 설계 방안을 제시하여 사용자 편의성을 극대화하는 방안을 모색합니다.
행동 예측 모델은 사용자의 위치, 시간, 과거 행동 패턴을 학습하여 미래 행동을 예측하는 핵심 엔진입니다. 이 모델은 사용자 데이터를 기반으로 개인화된 예측을 제공하며, 특히 국민비서 서비스에서 선제적 알림을 제공하는 데 중요한 역할을 수행합니다. 행정안전부의 협약 내용을 살펴보면, 2025년 6월 네이버클라우드, KT, LG CNS, SKT와의 MOU를 통해 확보된 데이터를 활용하여 모델의 정확도를 높일 수 있습니다.
모델 설계 시, 개인정보보호법을 준수하면서도 예측 정확도를 극대화하는 것이 중요합니다. 과거 행정 서비스 이용 기록, 민원 신청 내역, 교통 이용 기록 등을 익명화하여 활용하고, 사용자의 명시적 동의를 얻은 데이터만 사용하는 것이 바람직합니다. 또한, 예측 모델의 오차율을 지속적으로 모니터링하고 개선하여 예측의 신뢰도를 높여야 합니다. 예를 들어, 재난 예측 알림의 오차율을 줄이기 위해 기상청의 단기예보 데이터를 활용하고, 사용자 위치 기반의 실시간 재난 정보를 분석하는 방안을 고려할 수 있습니다.
모델의 핵심 입력 변수로는 위치 정보(GPS, 기지국 데이터), 시간 정보(요일, 시간대, 계절), 과거 행동 패턴(과거 행정 서비스 이용 기록, 민원 신청 내역, 교통 이용 기록), 사용자 프로필 정보(연령, 성별, 직업) 등이 있습니다. 이러한 변수들을 조합하여 사용자의 미래 행동을 예측하고, 예측 결과에 따라 맞춤형 알림을 제공할 수 있습니다. 예를 들어, 사용자가 매주 월요일 오전 9시에 A 행정복지센터를 방문하는 패턴을 보인다면, 월요일 오전 8시 30분에 A 행정복지센터 주변 교통 상황 정보를 미리 제공하는 방식입니다.
행동 예측 모델의 성능을 평가하기 위해 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error) 등의 지표를 활용할 수 있습니다. 또한, 예측 결과와 실제 사용자 행동 간의 일치율을 측정하여 모델의 정확도를 평가하고, 지속적인 개선을 통해 예측 성능을 향상시켜야 합니다. 모델의 예측 성능이 향상될수록 국민비서 서비스의 선제적 알림 기능은 더욱 강력해지고, 사용자 만족도 또한 높아질 것입니다.
맥락 인식 엔진은 실시간 환경 데이터(날씨, 교통, 재난 정보 등)를 수집하고 분석하여 사용자에게 필요한 정보를 제공하는 역할을 수행합니다. 이 엔진은 사용자 위치 기반으로 실시간 데이터를 수집하고, 행동 예측 모델과 연동하여 더욱 정확하고 개인화된 서비스를 제공합니다. 브라이트 데이터(Bright Data)와 같은 웹 데이터 인프라 기업의 실시간 웹 검색 솔루션을 활용하여 최신 정보를 신속하게 수집할 수 있습니다.
맥락 인식 엔진 설계 시, 데이터 수집의 신뢰성과 속도가 중요한 요소입니다. 기상청, 교통정보센터, 재난안전정보포털 등 공공 데이터 API를 활용하여 신뢰성 있는 데이터를 확보하고, MCP(Model Context Protocol)와 같은 기술을 활용하여 데이터 수집 속도를 높일 수 있습니다. 또한, 데이터 수집 과정에서 발생할 수 있는 오류를 방지하기 위해 데이터 유효성 검증 절차를 강화해야 합니다. 앤트로픽(Anthropic)이 오픈소스로 공개한 MCP를 활용하면 AI 모델과 외부 데이터 간의 연동 효율성을 높일 수 있습니다.
엔진의 핵심 기능으로는 실시간 날씨 정보 제공(기온, 강수량, 미세먼지 농도), 교통 상황 정보 제공(교통 체증, 사고 발생), 재난 정보 제공(지진, 홍수, 산불) 등이 있습니다. 이러한 정보를 사용자 위치 기반으로 제공하고, 사용자의 과거 행동 패턴과 연동하여 더욱 개인화된 서비스를 제공할 수 있습니다. 예를 들어, 사용자가 출근 시간에 특정 경로를 이용하는 경우, 해당 경로의 교통 상황과 예상 소요 시간을 미리 알려주고, 우회 경로를 추천하는 방식입니다.
맥락 인식 엔진의 성능을 평가하기 위해 지연 시간(Latency)과 데이터 정확도를 측정할 수 있습니다. 지연 시간은 사용자가 정보를 요청한 시점부터 정보를 제공받는 시점까지의 시간을 의미하며, 실시간 서비스에서는 짧은 지연 시간이 중요합니다. 데이터 정확도는 제공되는 정보의 정확성을 의미하며, 신뢰성 있는 서비스를 위해서는 높은 데이터 정확도가 필수적입니다. 엔진의 성능 개선을 위해 지속적인 모니터링과 테스트를 수행해야 합니다.
5. 혜택알리미의 개인화 혁명: 크로스 참조와 원스톱 처리
5-1. 혜택알리미의 확대 로드맵과 아젠틱 AI 기반 개인화
이 서브섹션은 혜택알리미 서비스의 개인화된 확장을 목표로, 아젠틱 AI를 활용한 서비스 추천의 정확도 향상과 실시간 상황 변화 감지의 중요성을 강조합니다. 이전 섹션에서 제시된 국민비서 서비스 개선안과 연계하여, AI 기반 대국민 서비스 혁신의 구체적인 방향성을 제시합니다.
2025년, 혜택알리미는 4개 분야 800개의 공공 서비스를 시작으로, 2026년까지 3,300개 서비스로 확대될 예정입니다. 이는 국민 개개인의 상황에 맞는 혜택을 선제적으로 제공하여 공공 서비스 접근성을 높이는 데 기여할 것으로 기대됩니다. 그러나 서비스 확장은 동시에 개인별 맞춤 추천의 복잡성을 증가시키고, 추천 정확도 확보라는 과제를 야기합니다.
아젠틱 AI는 사용자의 실시간 상황 변화(주소, 가족 구성원 변화 등)를 감지하고, 이를 바탕으로 혜택을 재조정하는 역할을 수행합니다. AI 에이전트는 고객사 환경에 최적화된 다양한 대형언어모델(LLM) 기반으로 구매 업무에 필요한 API 호출 및 도구 활용, 기업 내 축적된 구매 관련 데이터나 문서 기반 검색증강생성(RAG) 검색, SQL 쿼리(SQL query) 생성을 통한 데이터 분석 및 결과 제공 등의 기능을 수행합니다. 엠로는 자사의 구매 솔루션에 다양한 AI 에이전트(AI agent) 기능을 선보이면서, MCP(Model Context Protocol) 관련 기능을 내재화하여 AI 에이전트가 보다 많은 정보에 접근하고 활용할 수 있도록 합니다.
추천 정확도를 높이기 위해서는 사용자 데이터의 지속적인 학습과 함께, 다양한 외부 요인(정책 변화, 경제 상황 변동 등)을 고려한 예측 모델 개발이 필요합니다. 2025년까지 추천 정확도 목표 수치를 설정하고, 이를 달성하기 위한 구체적인 전략(데이터 확보, 알고리즘 개선, 사용자 피드백 반영 등)을 수립해야 합니다. 추천 서비스의 신뢰도를 높이고 사용자 만족도를 극대화하기 위한 노력이 요구됩니다.
혜택알리미 서비스의 핵심은 실시간 상황 변화에 대한 신속한 감지 및 대응입니다. 특히 가족 구성원 변경(출생, 사망, 결혼 등)은 혜택 자격에 직접적인 영향을 미치므로, 이에 대한 감지 지연시간을 최소화하는 것이 중요합니다. 가족관계등록부 등 관련 데이터베이스와의 연계를 강화하고, AI 기반 이상 감지 시스템을 구축하여 변화를 즉각적으로 파악해야 합니다.
가족관계 변경 감지 지연시간 현황을 주기적으로 분석하고, 목표 지연시간(예: 24시간 이내)을 설정하여 서비스 개선의 기준으로 활용해야 합니다. 만약 감지 지연시간이 길어질 경우, 사용자가 혜택을 받지 못하거나 과다 지급되는 문제가 발생할 수 있습니다. 실시간성에 기반한 혜택 조정 메커니즘을 구축하여, 국민 편의성을 극대화해야 합니다.
실시간 상황 감지 시스템의 구축과 함께, 개인정보보호 및 보안 문제에 대한 철저한 대비가 필요합니다. 민감한 개인정보를 안전하게 관리하고, 외부 침입으로부터 시스템을 보호하기 위한 다층적인 보안 체계를 구축해야 합니다. 또한, 사용자 동의를 기반으로 데이터 수집 및 활용 범위를 명확히 설정하고, 투명한 정보 공개를 통해 서비스 신뢰도를 높여야 합니다.
5-2. 민간 앱 내 원스톱 처리 인터페이스
이 서브섹션은 혜택알리미 서비스의 개인화된 확장을 목표로, 아젠틱 AI를 활용한 서비스 추천의 정확도 향상과 실시간 상황 변화 감지의 중요성을 강조합니다. 이전 섹션에서 제시된 국민비서 서비스 개선안과 연계하여, AI 기반 대국민 서비스 혁신의 구체적인 방향성을 제시합니다.
2025년 혜택알리미는 청년, 구직, 출산, 전입 4개 분야에서 800개의 공공 서비스를 제공하며, 2026년까지 3,300개로 확대될 예정입니다. 이는 국민 개개인의 상황에 맞는 혜택을 선제적으로 제공하여 공공 서비스 접근성을 높이는 데 기여할 것으로 기대되지만, 개인별 맞춤 추천의 복잡성 증가와 함께 추천 정확도 확보라는 과제에 직면하고 있습니다.
아젠틱 AI는 사용자의 실시간 상황 변화(주소, 가족 구성원 변화 등)를 감지하고, 이를 바탕으로 혜택을 재조정하는 역할을 수행합니다. 예를 들어, 엠로는 자사의 구매 솔루션에 다양한 AI 에이전트 기능을 도입하여 API 호출 및 도구 활용, 기업 내 구매 관련 데이터 기반 검색증강생성(RAG) 검색, SQL 쿼리 생성을 통한 데이터 분석 기능을 제공하고 있으며, MCP(Model Context Protocol) 관련 기능을 내재화하여 AI 에이전트가 보다 많은 정보에 접근하고 활용할 수 있도록 합니다.
추천 정확도를 높이기 위해서는 사용자 데이터의 지속적인 학습과 다양한 외부 요인(정책 변화, 경제 상황 변동 등)을 고려한 예측 모델 개발이 필요합니다. 2025년까지 추천 정확도 목표 수치를 설정하고, 이를 달성하기 위한 구체적인 전략(데이터 확보, 알고리즘 개선, 사용자 피드백 반영 등)을 수립해야 합니다. 이러한 노력은 추천 서비스의 신뢰도를 높이고 사용자 만족도를 극대화하는 데 필수적입니다.
혜택알리미 서비스의 핵심은 실시간 상황 변화에 대한 신속한 감지 및 대응입니다. 특히 가족 구성원 변경(출생, 사망, 결혼 등)은 혜택 자격에 직접적인 영향을 미치므로, 이에 대한 감지 지연시간을 최소화하는 것이 중요합니다. 이를 위해 가족관계등록부 등 관련 데이터베이스와의 연계를 강화하고, AI 기반 이상 감지 시스템을 구축하여 변화를 즉각적으로 파악해야 합니다.
가족관계 변경 감지 지연시간 현황을 주기적으로 분석하고, 목표 지연시간(예: 24시간 이내)을 설정하여 서비스 개선의 기준으로 활용해야 합니다. 감지 지연시간이 길어질 경우, 사용자가 혜택을 받지 못하거나 과다 지급되는 문제가 발생할 수 있습니다. 따라서 실시간성에 기반한 혜택 조정 메커니즘을 구축하여 국민 편의성을 극대화해야 합니다.
실시간 상황 감지 시스템의 구축과 함께, 개인정보보호 및 보안 문제에 대한 철저한 대비가 필요합니다. 민감한 개인정보를 안전하게 관리하고, 외부 침입으로부터 시스템을 보호하기 위한 다층적인 보안 체계를 구축해야 합니다. 사용자 동의를 기반으로 데이터 수집 및 활용 범위를 명확히 설정하고, 투명한 정보 공개를 통해 서비스 신뢰도를 높여야 합니다.
6. 글로벌 벤치마크와 정량적 성과 지표
6-1. 엠로 사례: 아젠틱 AI·MCP 기반 구매 솔루션 혁신
본 서브섹션은 글로벌 벤치마크 사례를 통해 아젠틱 AI와 MCP 기술의 실제 효용성을 입증하고, 행정안전부 대국민 서비스 혁신 가능성을 시사한다.
엠로는 에이전틱 AI 기반 구매 혁신을 통해 API 호출, RAG 검색, SQL 쿼리 생성 등 다양한 기능을 구매 솔루션에 통합했다. 이를 통해 기업 구매 담당자들은 챗봇을 통해 자연어로 질문하거나 액션 버튼 및 팝업창으로 AI 에이전트를 실행하여 협력사 검색, 유사 발주 실적 조회, 구매 관련 문서 및 리포트 작성 등 구매 업무를 보다 쉽고 빠르게 처리할 수 있게 되었다.
엠로의 AI 에이전트는 MCP 관련 기능을 내재화하여 더 많은 정보에 접근하고 활용할 수 있도록 설계되었다. 특히, 다양한 내·외부 리소스에 접근하거나 외부 시스템에 정보를 제공하기 위해 활용되는 MCP 기능을 통해 AI 에이전트가 실시간으로 필요한 정보를 수집하고 분석하여 구매 업무 효율성을 극대화할 수 있다.
엠로는 이미 국내 최대 IT 기업의 차세대 구매시스템 구축 프로젝트에 AI 에이전트 기능을 공급했으며, 국내 대표 플랜트 기업과도 유사 발주 실적 검색, 견적 비교 분석 등 AI 에이전트를 활용한 개념 검증(PoC) 프로젝트를 진행하는 등 에이전틱 AI 활용 사례를 빠르게 확보하고 있다. 이러한 성공 사례는 행정안전부가 아젠틱 AI와 MCP 기술을 도입하여 대국민 서비스를 개선할 수 있는 가능성을 시사한다.
엠로의 AI 에이전트 도입은 구매 업무 효율성과 정확성을 획기적으로 향상시키는 결과를 가져왔다. 데이터 기반 인사이트를 바탕으로 정교한 구매 의사결정이 가능해져 기업의 공급망 경쟁력을 강화하는 데 기여할 수 있을 것으로 기대된다.
엠로의 성공 사례는 공공 서비스 분야에도 적용될 수 있음을 시사한다. 특히, 행정안전부의 대국민 서비스는 다양한 데이터와 복잡한 프로세스를 포함하고 있어, AI 에이전트를 통해 효율성을 높이고 오류를 줄일 수 있다. 예를 들어, 국민비서와 혜택알리미 서비스에 AI 에이전트를 도입하여 사용자 맞춤형 정보 제공 및 실시간 상담 서비스를 제공할 수 있다.
행정안전부가 엠로의 사례를 벤치마킹하여 AI 기반 구매 시스템을 도입할 경우, 예산 낭비를 줄이고 효율적인 자원 관리를 통해 국민 편의성을 높일 수 있다. 또한, 공공 서비스의 투명성과 신뢰도를 높이는 데에도 기여할 수 있을 것으로 기대된다.
6-2. 정량적 성과 지표와 공무원 부담 경감 전망
본 서브섹션은 글로벌 벤치마크 사례 분석을 통해 아젠틱 AI와 MCP 기술의 실질적인 효용성을 강조하며, 행정안전부 대국민 서비스 혁신 가능성을 제시합니다.
글로벌 기업들은 아젠틱 AI 도입 후 평균 10~25%의 효율성 향상과 40%의 오류 감소를 달성했다. 특히, 고객 응대, 데이터 처리, 의사 결정 지원 등 다양한 업무 영역에서 AI 에이전트의 활약이 두드러진다. 행정안전부 역시 국민비서, 혜택알리미 등 대국민 서비스에 아젠틱 AI를 도입하여 민원 처리 시간을 단축하고 오류 발생률을 낮출 수 있다.
Capgemini의 연구에 따르면, 미국 내 Gen AI 의사 결정자 중 약 49%는 AI 투자에 대한 ROI를 1~3년 내에 달성할 것으로 기대하고 있다. 이는 아젠틱 AI가 단순 업무 자동화를 넘어 기업의 핵심 경쟁력을 강화하는 데 기여할 수 있음을 시사한다. 행정안전부는 엠로의 AI 기반 구매 시스템 도입 사례를 참고하여 AI 에이전트가 실시간으로 필요한 정보를 수집하고 분석하여 민원 업무 효율성을 극대화하는 방안을 모색할 수 있다.
단순 문의 응대, 서류 작성 지원, 민원 데이터 분석 등에 아젠틱 AI를 활용하면 공무원의 업무 부담을 경감하고, 보다 창의적인 업무에 집중할 수 있도록 지원할 수 있다. Bank of America의 사례처럼 챗봇을 통해 20억 건 이상의 문의를 처리하고, 98%의 해결률을 달성하는 것은 행정안전부의 대국민 서비스 혁신에 시사하는 바가 크다. 하지만 민원 처리 과정에서 발생할 수 있는 개인 정보 유출 및 오용 문제에 대한 철저한 대비가 필요하며, 이에 대한 해결책으로는 디노티시아-윈스테크넷 보안 솔루션 협력 사례가 있다.
아젠틱 AI는 24시간 개인 맞춤형 서비스를 제공하여 국민 만족도를 향상시킬 수 있다. 예를 들어, 국민비서 서비스에 AI 에이전트를 도입하여 실시간 상담 및 맞춤형 정보 제공을 통해 사용자 편의성을 높일 수 있다. ZAPTA Technologies의 SEO 책임자인 Mohsin Ali는 에이전틱 AI가 이미 여러 실제 비즈니스 기능과 지원 작업을 완전 자동화할 수 있다고 언급하며, 특히 반복적이고 데이터 기반 프로세스에서 강점을 보인다고 밝혔다.
행정안전부는 국민신문고 민원 서비스에 생성형 AI를 도입하여 민원 답변문 초안 자동 생성, 다국어 민원 번역 등 다양한 서비스를 제공할 계획이다. 특히, 국민권익위는 민원처리 시스템을 AI 기반으로 전환하여 국민이 체감할 수 있는 지능형 민원 행정 서비스 체계를 완비해나갈 계획이라고 밝혔다. 이는 민원 처리 과정에서 효율성을 증대시키고 사용자 편의를 극대화할 수 있는 중요한 진보로 평가된다.
국민 만족도 향상은 행정 서비스의 신뢰도를 높이고, 정부 정책에 대한 지지도를 강화하는 데 기여할 수 있다. 행정안전부는 AI 기반 서비스 도입 효과를 지속적으로 측정하고, 국민 만족도 조사 결과를 반영하여 서비스 품질을 개선해야 한다. 또한, AI 서비스 사용에 대한 교육 및 홍보를 강화하여 국민들이 AI 기반 서비스를 적극적으로 활용할 수 있도록 유도해야 한다.
아젠틱 AI는 반복적이고 단순한 업무를 자동화하여 공무원의 업무 부담을 경감하고, 보다 창의적인 업무에 집중할 수 있도록 지원할 수 있다. 예를 들어, 혜택알리미 서비스에 AI 에이전트를 도입하여 실시간 상황 변화에 따른 혜택 크로스 참조 및 맞춤형 정보 제공을 자동화하면 공무원의 업무 부담을 크게 줄일 수 있다. 2025년 4분야 800개 서비스와 2026년 3,300개 서비스 확대 계획을 고려할 때, AI 에이전트 도입은 필수적이다.
엠로의 AI 에이전트 도입 사례는 공공 서비스 분야에도 적용될 수 있음을 시사한다. 특히, 행정안전부의 대국민 서비스는 다양한 데이터와 복잡한 프로세스를 포함하고 있어, AI 에이전트를 통해 효율성을 높이고 오류를 줄일 수 있다. 행정안전부는 AI 기반 구매 시스템을 도입할 경우, 예산 낭비를 줄이고 효율적인 자원 관리를 통해 국민 편의성을 높일 수 있다.
업무 효율성 향상과 공무원 부담 경감은 행정 서비스의 질을 높이고, 국민 만족도를 향상시키는 데 기여할 수 있다. 행정안전부는 AI 기반 서비스 도입 후 공무원의 업무량 변화, 스트레스 감소 효과 등을 측정하고, 이를 바탕으로 AI 서비스 운영 방식을 개선해야 한다. 또한, AI 서비스 도입에 따른 인력 재배치 계획을 수립하여 공무원의 고용 안정성을 확보해야 한다.
7. 보안과 신뢰의 내재화 전략
7-1. 데이터 거버넌스 정책과 암호화 기반 접근 제어
이 서브섹션은 행정안전부의 대국민 서비스에 아젠틱 AI와 MCP를 안전하게 도입하기 위한 데이터 보안 및 개인 정보 보호의 토대를 구축합니다. 이전 섹션에서 제시된 국민비서와 혜택알리미의 혁신적인 서비스가 성공적으로 구현되기 위해서는 견고한 데이터 거버넌스 체계가 필수적입니다. 다음 서브섹션에서는 인간 온더 루프(Human-on-the-Loop) 구조를 통해 AI 시스템의 안전성을 더욱 강화하는 방안을 모색합니다.
민간 앱과 연동되는 공공 서비스 환경에서 데이터 보안은 국민 신뢰를 확보하는 데 결정적인 요소입니다. 따라서 행정안전부는 데이터의 범위, 암호화 방식, 접근 권한, 감사 로그 정책 등 데이터 거버넌스 정책을 명확히 정의해야 합니다. 특히 암호화는 전송 중인 데이터는 물론, 저장된 데이터까지 보호하는 핵심적인 역할을 수행해야 합니다.
디노티시아와 윈스테크넷의 협력 사례는 시사하는 바가 큽니다. 이들은 MCP 기반 AI 인프라에 보안을 내재화하고, AI 서비스에서의 보안 솔루션을 개발하여 공공 및 민간 AI 보안 시장을 공략하고 있습니다. 행정안전부는 이 사례를 벤치마킹하여 데이터 암호화, 접근 제어, 감사 기능을 통합한 포괄적인 보안 아키텍처를 구축해야 합니다.
데이터 거버넌스 정책은 단순히 기술적인 문제에 그치지 않습니다. 데이터 사용 목적, 접근 권한, 책임 소재 등을 명확히 규정함으로써 공공 서비스의 투명성과 책임성을 높여야 합니다. 암호화는 이러한 정책적 노력을 뒷받침하는 중요한 수단이며, 데이터 유출 사고 발생 시에도 피해를 최소화하는 데 기여할 수 있습니다. 궁극적으로 데이터 거버넌스 정책은 국민들이 안심하고 공공 서비스를 이용할 수 있는 환경을 조성하는 데 필수적입니다.
MCP 환경에서 API 호출 시 암호화는 필수적이지만, 암호화 과정에서 발생하는 지연 시간은 서비스 성능에 부정적인 영향을 미칠 수 있습니다. 따라서 행정안전부는 암호화 알고리즘 선택 시 보안 강도와 성능 간의 균형을 신중하게 고려해야 합니다. 또한 암호화 과정에서 발생하는 지연 시간을 최소화하기 위한 기술적 노력을 기울여야 합니다.
국가정보원은 검증필 암호모듈(KCMVP)을 통해 암호화 알고리즘의 안전성을 검증하고 있습니다. 한컴위드는 IQNUS Crypto 암호모듈에 NIST 표준 양자내성암호 알고리즘을 국내 처음으로 적용하여 보안성을 강화했습니다. 행정안전부는 이러한 KCMVP 인증 모듈을 활용하여 암호화 시스템을 구축하고, API 암호화에 따른 지연 시간을 측정하여 서비스 성능에 미치는 영향을 최소화해야 합니다.
암호화 기술은 지속적으로 발전하고 있으며, 양자컴퓨터의 등장으로 인해 기존 암호화 체계가 무력화될 가능성도 제기되고 있습니다. 따라서 행정안전부는 장기적인 관점에서 양자내성암호(PQC) 기술 도입을 고려해야 합니다. 삼성SDS는 카이스트와 협력하여 개발한 '에이머' 알고리즘이 국가공모전에서 최종 알고리즘으로 선정되는 등 PQC 기술 경쟁력을 입증했습니다. 행정안전부는 이러한 기술 동향을 주시하며, 미래의 보안 위협에 대비해야 합니다.
7-2. 인간 온더 루프 구조와 실시간 모니터링
이 서브섹션에서는 아젠틱 AI와 MCP 기반의 서비스 운영에 있어 인간의 개입을 보장하고, 실시간 모니터링을 통해 시스템의 안전성을 확보하는 방안을 제시합니다. 이는 데이터 거버넌스 정책의 실효성을 높이고, 국민 신뢰를 구축하는 데 필수적인 요소입니다.
행정안전부의 대국민 서비스에 아젠틱 AI를 도입할 때, 발생 가능한 오류에 대한 인간의 개입 시점을 결정하는 명확한 기준이 필요합니다. 단순히 '중요 결정'이라는 추상적인 기준 대신, 구체적인 오류율 임계값을 설정하여 자동화된 개입을 유도해야 합니다. 예를 들어, 개인 정보 관련 질의 응답에서 5% 이상의 오류율이 발생하거나, 재난 관련 정보 제공에서 심각한 오정보가 발생할 가능성이 1%를 넘는 경우, 즉시 인간의 검토를 거치도록 설정할 수 있습니다.
오류율 임계값은 서비스의 종류와 민감도에 따라 다르게 설정되어야 합니다. 예를 들어, 단순 민원 안내 서비스는 비교적 높은 오류율을 허용할 수 있지만, 세금 환급이나 연금 지급과 관련된 서비스는 극히 낮은 오류율을 유지해야 합니다. 이를 위해 서비스별 위험 평가를 실시하고, 각 서비스에 적합한 오류율 임계값을 설정하는 것이 중요합니다. 또한, 오류의 종류에 따라서도 가중치를 부여하여, 사회적으로 민감한 정보에 대한 오류는 더욱 엄격하게 관리해야 합니다.
인간 온더 루프(HITL) 시스템은 단순히 오류를 수정하는 데 그치지 않고, AI 모델의 학습 데이터로 활용되어야 합니다. 인간 검토자가 수정한 내용은 AI 모델에 피드백되어, 모델의 정확도를 지속적으로 개선해야 합니다. 이를 통해 오류 발생률을 점진적으로 낮추고, HITL 시스템의 효율성을 높일 수 있습니다. 궁극적으로는 자동화된 의사결정의 신뢰도를 높여, 국민들이 안심하고 서비스를 이용할 수 있도록 해야 합니다.
테크M의 보도에 따르면, 에이전틱 AI가 자동으로 해킹을 시도하는 등 AI 시대의 새로운 안보 전략이 필요합니다. 이상용 김앤장 IT 수석은 AI가 탈옥되거나 인젝션 공격으로 우회될 수 있는 구조적 취약점을 지적하며 AI 기반 서비스 설계 시 보안성과 데이터 통제를 강조했습니다. 특히 외부 AI 서비스에 데이터를 통째로 넘기는 구조는 국방 분야에서는 현실적으로 어려움이 있으며, 폐쇄적으로 운영되는 데이터 기반의 내부 시스템 보안 구조가 필요합니다.
아젠틱 AI 시스템의 실시간 모니터링은 오류를 신속하게 감지하고 대응하는 데 필수적이지만, 모니터링 시스템 자체의 지연으로 인해 오류 감지가 늦어질 수 있습니다. 따라서 실시간 모니터링 시스템의 지연 허용폭 기준을 명확하게 설정하여, 오류 감지 메커니즘의 신뢰도를 강화해야 합니다. 예를 들어, 시스템 이상 징후 발생 후 1초 이내에 경고를 발생시키도록 설정하거나, 사용자 응답 시간 지연이 0.5초를 초과하는 경우 즉시 관리자에게 알리도록 설정할 수 있습니다.
모니터링 지연폭 기준은 시스템의 중요도와 서비스의 특성에 따라 다르게 설정되어야 합니다. 예를 들어, 긴급 재난 상황에 대한 정보 제공 서비스는 극히 짧은 지연폭을 유지해야 하지만, 일반적인 민원 안내 서비스는 비교적 여유로운 지연폭을 허용할 수 있습니다. 또한, 지연폭 기준은 네트워크 환경, 서버 성능, 데이터 처리량 등 다양한 요인을 고려하여 설정해야 합니다. 와치텍의 자료에 따르면 GPU 연산 및 데이터 전송 성능을 극대화하기 위해서는 InfiniBand와 GPU를 통합 모니터링해야 합니다. GPU와 네트워크 사용 패턴을 분석해 자원 낭비를 방지하고, 네트워크 지연과 GPU 자원 사용률을 실시간으로 모니터링 해 문제를 조기에 발견해야 합니다.
실시간 모니터링 시스템은 단순한 경고 발생 기능 외에도, 문제 발생 원인을 신속하게 파악할 수 있도록 지원해야 합니다. 이를 위해 시스템 로그, 트래픽 정보, 서버 상태 등 다양한 데이터를 통합적으로 분석하고, 시각화된 형태로 제공하는 것이 중요합니다. 브레인즈컴퍼니의 자료에 따르면 서버 모니터링 솔루션은 서버의 성능, 가용성, 보안 상태를 실시간으로 모니터링할 수 있어야 하며, 다양한 성능 지표를 수집할 수 있어야 합니다. 여기에는 CPU 사용률, 메모리 사용량, 디스크 I/O, 네트워크 트래픽 등의 하드웨어관련 데이터뿐만 아니라 애플리케이션과 관련한 데이터도 포함됩니다.
표준감리 커뮤니케이션 시스템 관련 특허 문헌에 따르면, 실시간 통신 모듈은 단말 간 통신 지연 수와 시간, 평균 단말 간 통신 지연 수와 시간 등을 연산하여 통신 지연 발생 여부를 결정할 수 있습니다. 또한 통신 상태가 평균 통신 상태에 비해 개방되었는지 여부도 판단할 수 있습니다. 이처럼 실시간 모니터링은 단순히 장애를 감지하는 것을 넘어, 잠재적인 문제점을 예측하고 예방하는 데에도 활용될 수 있습니다.
8. 단계별 실행 로드맵과 디지털 플랫폼 정부 비전
8-1. 파일럿 운용과 반복 개선 로드맵
본 서브섹션은 행정안전부 대국민 서비스 혁신의 최종 단계로서, 아젠틱 AI와 MCP 기술의 파일럿 운용 및 점진적 확장을 위한 로드맵을 제시하고, 디지털 플랫폼 정부의 미래 비전을 구체화합니다. 앞선 섹션에서 제시된 국민비서, 혜택알리미 혁신 방안, 글로벌 벤치마킹 사례, 보안 전략을 통합하여 실제 구현 가능성을 높이는 데 초점을 맞춥니다.
아젠틱 AI와 MCP 기반 대국민 서비스의 성공적인 안착을 위해서는 초기 파일럿 운용 단계에서부터 명확한 성과 지표(KPI)를 설정하고, 이를 기반으로 지속적인 개선을 수행하는 것이 중요합니다. 파일럿 운용은 실제 서비스 환경과 유사한 조건에서 제한된 사용자 그룹을 대상으로 진행되며, 이를 통해 기술적 실행 가능성, 사용자 만족도, 보안 취약점 등을 사전에 검증할 수 있습니다. 특히 처리율과 오류율은 서비스의 안정성과 효율성을 평가하는 핵심 지표로서, 목표치를 설정하고 달성 여부를 주기적으로 측정해야 합니다.
국내 AI 파일럿 사업의 경우, 처리율은 업무 자동화 수준, 응답 시간 단축 효과, 민원 처리 건수 증가 등으로 측정할 수 있습니다. 예를 들어, 2025년 행정안전부의 AI 행정지원 서비스 시범 개발 결과, 보고서 작성 시간이 20% 단축되고, 민원 처리 건수가 15% 증가하는 성과를 달성했다고 가정할 수 있습니다. 오류율은 AI의 오작동으로 인한 잘못된 정보 제공, 개인 정보 유출, 서비스 중단 등으로 측정할 수 있으며, 목표 오류율은 1% 미만으로 설정하여 서비스의 신뢰성을 확보해야 합니다. 엠로의 구매 솔루션은 API 호출, RAG 검색, SQL 쿼리 생성 기능으로 구매 업무 효율성을 높인 바 있습니다.
파일럿 운용 결과를 바탕으로 개선 사항을 도출하고, 이를 서비스에 반영하는 반복적인 과정을 거쳐야 합니다. 처리율이 목표치에 미달하거나 오류율이 높게 나타날 경우, 알고리즘 개선, 데이터 보강, 인프라 확장 등의 조치를 취해야 합니다. 또한 사용자 피드백을 수집하여 서비스의 편의성, 디자인, 정보 제공 방식 등을 개선해야 합니다. 이러한 반복 개선 과정을 통해 서비스의 완성도를 높이고, 사용자 만족도를 향상시킬 수 있습니다. 궁극적으로 국민 중심의 스마트 국가를 구현하는 데 기여할 수 있습니다.
아젠틱 AI와 MCP 기반 대국민 서비스의 단계별 확대 시기는 파일럿 운용 결과, 기술적 준비도, 예산 확보 상황, 정책적 우선순위 등을 종합적으로 고려하여 결정해야 합니다. 초기에는 국민 생활과 밀접한 분야부터 시작하여 점진적으로 서비스 범위를 확대하는 것이 바람직합니다. 예를 들어, 국민비서의 경우, 교통 정보, 재난 알림, 세금 납부 등 활용도가 높은 서비스부터 시작하여 점차 개인 맞춤형 상담, 민원 처리 등으로 기능을 확장할 수 있습니다.
2025년 6월 네이버클라우드, KT, LG CNS, SKT 등 국내 AI 플랫폼 기업과 체결한 업무 협약(MOU)을 바탕으로 민간과의 협력을 강화해야 합니다. 민간 기업의 기술력과 정부의 행정 데이터를 결합하여 시너지를 창출하고, 서비스 개발 및 운영의 효율성을 높일 수 있습니다. 또한 공공 데이터 개방을 확대하여 민간 기업의 AI 학습 데이터 확보를 지원하고, AI 생태계 경쟁력을 강화해야 합니다. 한편, 2025년부터 2026년까지 혜택알리미 서비스 범위를 800개에서 3,300개로 확대하는 로드맵에 따라 관련 인프라 구축 및 기술 개발을 추진해야 합니다.
단계별 확대 로드맵은 구체적인 목표, 일정, 예산, 책임 기관 등을 명시하고, 주기적으로 진행 상황을 점검해야 합니다. 또한 예상되는 문제점을 사전에 파악하고, 이에 대한 대응 방안을 마련해야 합니다. 예를 들어, 데이터 보안 문제, 개인 정보 침해 가능성, 기술적 오류 발생 가능성 등을 고려하여 사전에 예방 조치를 취해야 합니다. 아젠틱 AI·MCP 핵심 모듈 공동 개발을 통해 디지털 플랫폼 정부 모델을 구축하고, 국민 중심 스마트 국가 구현을 가속화해야 합니다.
8-2. 새로운 디지털 플랫폼 정부 모델