한글 파일로 주고받던 업무 인수인계를 AI 메모 관리로 대체한 사례가 공유됐다. 등록한 메모를 AI가 정리해 질문에 답하며, 데이터는 PC에만 저장되어 외부로 나가지 않는다.
상세 정보
- 사례 성격
- 커뮤니티
- 출처 채널
- Threads
- 수집일
- 2026-08-07
- 태그
- #인수인계 #로컬AI
- 링크 점검
- 정상 (2026-11-02)
개발자
GitHub·공공 GitLab 공개 프로필 기준 — 공공AX 챔피언 디렉토리와 같은 자료입니다.
4축 평가
| AX 단계 | AI-Enabled |
|---|---|
| 업무 범위 | S3 Workflow |
| 업무 완결성 | C1 결과 제공 |
| 권한(P축) | P1 산출물 생성(잠정) |
| 위험도 | R1 낮음 |
| 인간 통제 | H1/H2 미확인 |
| 증거 등급 | E0 게시글 주장 |
| 신뢰도 | 낮음 |
기존 업무의 검색·요약·분류·초안·분석 일부를 AI가 돕고 사람이 산출물을 확인할 수 있음. 업무 역할의 전면 재배치나 지속 학습 구조는 확인되지 않음.
디자인 패턴 분석
『모두의 공공AX 디자인 패턴』 카탈로그 v0.7.1 기준 — 사례를 기관이 함께 쓰는 AI 부품과 그 조립으로 읽은 결과입니다. · 패턴 성좌에서 전체 보기 ↗
업무 패턴 B3 지식 접지 상담 변형: 폐쇄망 로컬 RAG(개인 메모 접지 질의응답)
환경 축 배포:로컬 PC 네트워크:로컬 완결 모델:LLM(모델 미상) 런타임:미확인 권한:P1 산출물 생성
- 공통 서비스(A)
- A7 자체 제작 환경
- 서비스 블록(D)
- D8.7 인수인계·지식 보존
- 부품 배선
- A7 → B3 · B3 → D8.7
판정 근거
한글 파일로 주고받던 업무 인수인계를 AI 메모 관리로 대체한 커뮤니티 공유 사례. 등록한 메모를 AI가 정리해 질문에 답하므로 메모에 접지된 질의응답(B3)으로 잠정 판정했고, 데이터가 PC에만 저장돼 외부로 나가지 않는다는 서술로 로컬 PC·로컬 완결을 추정했다. 모델명·런타임이 공개되지 않아 model_dependency는 R8 규정에 따라 LLM(모델 미상), runtime_env 미확인. 메모 정리본이 산출되므로 P1. 인수인계 목적이라 D8.7·유형 9(A1·C5·C8 없음). URL이 없어 요약만으로 판정했다(URL 미확인). 메모 정리가 요약(B1)인지 검색 접지(B3)인지 경계가 흐리다.
구현 가이드
주 패턴 B3 지식 접지 상담을 구현할 때
구현 단계
- 대표 질문·정답·채점 기준으로 C9 평가 세트를 먼저 만든다.
- A1로 코퍼스를 정리하고 데이터 등급(E5)과 공개 범위를 메타로 붙인다. 등급 문서가 섞이면 S2 권한 인식 검색을 둔다.
- E1에 맞게 임베딩·벡터DB·모델 위치를 정한다(폐쇄망이면 전부 로컬, A2.2·A2.4).
- 근거 밖 답변 금지·출처 상시 표시·근거 없으면 이관하는 규칙을 C5·F1·B′2로 구현한다.
- 검색 품질 3패턴을 하나씩 붙이며 C9로 재고, 문서 갱신 주기를 C6으로 운영한다.
점검표
- 답마다 출처가 표시되는가
- 근거가 없을 때 답하지 않고 이관하는가
- 평가 세트로 검색·답변 품질을 재고 있는가
- 코퍼스 갱신 주기와 책임자가 정해져 있는가
환경 조건
E1 폐쇄망·행정망이면 임베딩·벡터DB·모델 전부 로컬(A2.2 주권형 또는 A2.4 내부망 프록시 + 로컬 임베딩). E2 해외 상용 API면 C5 비식별 전처리와 C7 폴백이 필수다. E4는 P0~P1이 기본이다. 신뢰 불가 입력(민원 입력·공개 웹)을 읽고 P2 이상이면 S6 문서별 격리와 S2가 필요하다. 대민형은 S4·S7이 권장된다(§7.4).
주의할 점
- 평가 없이 붙이면 품질을 알 수 없음(X10)
- 코퍼스 갱신이 멈추면 오답이 됨
- 부서마다 따로 만들면 중복(X3)
- 대민형은 인젝션·유출 위협에 노출
기본 배선 예
A1 → A2.2 → B3 (B′7 · B′2) → F1 · B3 → C2 → 담당자 이관
보완이 필요한 필수 부품
이 조합에서 카탈로그가 함께 갖추라고 권하는 부품 가운데 아직 확인되지 않은 것이다.
- A1 데이터 자산 서비스 흩어진 업무 기록을 정제·라벨링해 AI 부품이 붙여 쓸 수 있는 데이터셋·라벨·데이터 사전 형태의 기준선으로 제공한다.
- C5 가드레일 필터 개인정보·환각·편향·형식 오류가 프롬프트나 산출물에 들어가지 못하게 시스템이 경계에서 걸러낸다. 비식별 전처리, 출처 검증, 구조적 출력 제약이 대표 변형이다.
- C8 권한 경계·킬스위치 AI 부품이 할 수 있는 일의 상한을 P0~P4로 못 박고, 도구별 실행 승인·읽기/쓰기 분리·속도 제한·즉시 중단 스위치를 제공한다.
피해야 할 안티패턴
- X3 부서마다 챗봇 같은 기관의 과제들이 각자 모델·벡터DB·프롬프트를 따로 만들어, 공유할 수 있는 기반 부품을 부서 수만큼 중복 구축하는 함정이다. 대처: §7.1의 두 번째 단계대로 기반 부품은 새로 만들지 말고 Provider에서 먼저 가져온다. 모델 호출은 A2 모델 서빙 계층(범정부 AI 공통기반 또는 기관 게이트웨이) 뒤로 모으고, S1 단일 진입점에서 인증·요청 상한·비용 상한·감사 기록을 일괄 적용한다. 공공 API·공공 클라우드·공공 깃랩은 A3 공공 API 제공자로 쓴다. 부서별 차이는 모델을 따로 두지 말고 A9 업무 규범 스킬과 부서 코퍼스(A1)로 표현하며, 부서·등급별 코퍼스 분리가 필요하면 S2 권한 인식 검색으로 푼다. 없어서 새로 만든 부품은 §13 참조 구현 레지스트리에 올린다.
- X10 평가 없는 RAG, RAG 없는 튜닝 평가 세트 없이 검색을 붙여 '좋아진 것 같다'로 배포하고, 검색으로 풀릴 문제를 파인튜닝으로 푸는, 진행 경로를 건너뛰는 함정이다. 대처: §7.2 진행 경로를 순서대로 밟는다. B1 직접 프롬프트에서 시작해 두 번째 단계에서 C9 평가 세트(업무 질문·정답·채점 기준)를 먼저 만들고, 이후 A9 규범 스킬·F4, B3 지식 접지(A1 데이터 자산), B3 검색 품질(Hybrid·Rewriting·Reranker), C5 가드레일·F1 순으로 붙이며 매 단계를 C9로 잰다. A2.3 튜닝은 진행 경로의 마지막 단계로, 검색·규범 스킬로 풀리지 않는다는 것이 C9 점수로 확인됐을 때만 한다. 모델·프롬프트·설정 조합은 릴리스처럼 버전 관리한다.
관련 가이드라인
이 사례가 쓰는 부품과 이어지는 공공 AX 안내서·지침이다 (부록 E 공공 AX 가이드라인 문서 해설 기준, 겹치는 부품이 많은 순).
- 공공부문 AI 도입·활용 가이드 쓰는 작업: 사업 담당자가 사업계획서와 예산 요구서를 쓸 때 처음 펴는 문서다. 기획 단계에서는 사업 범위와 성과 지표를, 계약 단계에서는 과업지시서 구조를, 운영 단계에서는 유지관리 항목을 이 문서의 단계 구분에 맞춘다. 자체 모델을 들일지 공통기반을 쓸지 결정할 때도 이 문서가 기준이다.주의: 2024년 1.0과 2025년 2.0 초거대 AI 가이드라인을 잇는 문서다. 신규 사업은 이 판을 근거로 쓰고, 구판의 체크리스트는 이 판에 없는 항목을 확인할 때만 꺼낸다.
- 공공데이터의 인공지능 친화적 관리 가이드라인 이 사례와 겹치는 부품 A1 데이터 자산 서비스 B3 지식 접지 상담쓰는 작업: 데이터 담당 부서가 공공데이터나 내부 문서를 RAG 지식베이스와 API로 내놓기 전에 편다. 데이터 개방 계획서의 메타데이터 항목, 지식베이스에 넣을 문서의 형식 변환 기준, 데이터 품질 점검표를 이 문서로 쓴다. 공공 API를 MCP 서버로 감싸려는 담당자에게도 기본 문서다.주의: NIA가 v1.1 개정을 공지했으므로 내려받은 파일의 판을 확인한다.
- 생성형 인공지능의 저작물 학습에 대한 저작권법상 공정이용 안내서 이 사례와 겹치는 부품 A1 데이터 자산 서비스 B3 지식 접지 상담쓰는 작업: 모델을 튜닝하거나 외부 문서를 지식베이스에 넣는 사업이라면 데이터 수집 계획서의 저작권 검토 칸을 이 문서로 채운다. 학습과 검색·인용을 구분하라는 PAX 목록의 메모는 이 문서와 RAG 운영 기준을 나눠 적으라는 뜻이다.주의: 공정이용 판단은 사안별이다. 공공누리 유형이나 이용허락이 확인되는 자료를 먼저 쓰고, 공정이용은 그 다음 근거로 둔다.
- 공공부문 AI 도입·활용 사례집 이 사례와 겹치는 부품 D8.7 인수인계·지식 보존쓰는 작업: 기획 단계에서 사업 담당자가 선례를 찾을 때 편다. 품의서의 "유사 사례" 칸, 예산 규모의 비교 근거, PoC 범위를 정하는 데 쓴다. PAX 사례 페이지(17장)와 함께 보면 같은 업무를 다른 기관이 어떤 부품으로 조립했는지 비교된다.주의: 사례집의 성과 수치는 그 기관의 조건에서 나온 숫자다. 우리 기관의 기대 효과로 그대로 쓰지 않는다.
- 공공부문 데이터 분석 업무 운영 가이드 이 사례와 겹치는 부품 A1 데이터 자산 서비스쓰는 작업: AI가 예측이나 추천을 내는 사업, 또는 분석 결과가 정책 결정으로 들어가는 사업에서 분석 담당자는 이 절차를 작업 절차서의 뼈대로 삼는다. 분석 결과를 정책 보고서로 옮기는 해석 단계의 점검은 AI 산출물 검토에도 그대로 들어맞는다.주의: AI 전용 문서가 아니다. 모델 보안이나 개인정보 처리는 아래 KISA·개보위 문서로 따로 채운다.
- 국가·공공기관 AI보안 가이드북 이 사례와 겹치는 부품 C8 권한 경계·킬스위치쓰는 작업: 아키텍처 설계 단계에서 보안 담당자와 사업 담당자가 보안성 검토 신청서와 보안 요구사항을 쓸 때 기준으로 삼는다. 에이전트나 MCP 서버를 들이는 사업이면 3장이 바로 설계 검토 목록이 된다.주의: 기관 보안규정과 보안성 검토 절차가 이 문서 위에 겹쳐진다. 이 문서만 근거로 쓰지 말고 기관 보안 부서의 적용 기준을 함께 확인한다.
- 금융분야 인공지능 보안 안내서 이 사례와 겹치는 부품 C5 가드레일 필터쓰는 작업: 금융 업무 AI를 개발할 때 보안 요구사항 목록과 인수 점검표의 기준이 된다. 일반 공공기관의 KISA AI 보안 안내서에 해당하는 자리다.주의: 2023년 금융분야 AI 보안 가이드라인은 참고 가치가 있지만, 신규 사업에는 이 문서를 우선 적용한다(PAX 목록).
- 프런티어 AI 보안 위협 금융분야 대응 요령 이 사례와 겹치는 부품 C8 권한 경계·킬스위치쓰는 작업: 금융회사 정보보호 부서가 최신 상용 모델을 쓰는 업무의 위협 대응 계획을 고칠 때 편다. PAX 목록이 꼽은 모델 탈취, 오용, 공급망·시스템 위험을 사고 대응 시나리오에 한 줄씩 넣고, 상용 모델 공급 계약에 공급자가 알려야 할 보안 사고의 범위를 적는 근거로 삼는다.주의: 내용 세부는 게시물에서 확인하지 못했다. 원문을 열어 기관 대응 절차와 대조한다.
같은 주 패턴(B3)을 쓰는 다른 사례
같은 업무 패턴으로 조립된 사례를 서비스 유형이 같은 것부터 모았다 외 22건. 구현할 때 비교해 볼 수 있다.
이 사례에 쓰인 패턴
B3 지식 접지 상담 업무 컴포넌트
기관 규정·매뉴얼·사례 문서에 접지(RAG)해 질문에 답하고, 답마다 출처를 붙이며, 근거가 없으면 답하지 않고 담당자에게 넘긴다.
PAX 사례 48건이 이 부품을 쓴다
맥락
규정·매뉴얼·FAQ·사례가 문서로 쌓인 기관에서 내부 검색·검수, 대민 자동응답, 폐쇄망 로컬 검색에 쓴다. PAX 557건에서 주 부품이 B3인 사례는 31건으로 B0·B1 다음이다. 유형 ① 대민 상담·안내의 기본 조립이기도 하다.
맞서는 힘(긴장)
- 답변 범위 vs 환각 위험(근거 밖 답변 금지)
- 대민 자동응답의 효율 vs 예외 건 이관 필요
- 검색 품질 개선 vs 평가 세트 없이는 개선을 잴 수 없음
- 폐쇄망 요구 vs 로컬 임베딩·모델 품질
해법
기관 문서를 A1 자산으로 정리해 임베딩·색인하고, 질문이 오면 검색한 근거 범위 안에서만 모델이 답하게 한다. 답에는 출처(F1)를 상시 붙이고, 근거가 없으면 '확인 불가'로 답하거나 담당자·소관기관으로 이관한다(B′2). 검색 품질은 Hybrid Retriever·Query Rewriting·Reranker로 높이되, 변경마다 C9 평가 세트로 잰다. 대민형은 한계 안내(F7)와 폴백(C7)을 두고, 문서 갱신 주기를 C6으로 정한다.
이럴 때 쓴다
- 같은 질문이 반복되고 답의 근거가 기관 문서에 있을 때
- 답변에 조문·문서 출처를 반드시 붙여야 할 때
- 유형 ① 대민 상담·안내, 유형 ⑦ 법령 접지 점검
이럴 때는 쓰지 않는다
- 평가 세트가 없어 검색 품질을 잴 수 없을 때(먼저 C9, X10)
- 질문 유형이 몇 개로 정해져 행동 선택기(S4)나 규칙 조회로 충분할 때
- 문서를 요약해 초안을 쓰는 것이 핵심이면(B1)
얻는 것
- 답변에 근거를 댈 수 있음
- 반복 질의 처리 시간 단축
- 범정부 엔진 + 기관별 코퍼스로 공유 가능
점검표
- 답마다 출처가 표시되는가
- 근거가 없을 때 답하지 않고 이관하는가
- 평가 세트로 검색·답변 품질을 재고 있는가
- 코퍼스 갱신 주기와 책임자가 정해져 있는가
구조 — 참여 부품
- A1 데이터 자산 서비스 — 코퍼스 정제·등급 메타
- A2 모델 서빙 계층 — 임베딩·생성 모델(폐쇄망이면 로컬)
- 검색기 — 벡터·키워드 검색, 재작성·재순위
- C5 가드레일 필터 — 출처 검증·근거 밖 답변 차단
- F1 출처 표시 — 근거 문서·조문을 답에 표시
- 담당자 — 내부형 검수, 대민형 예외 건 처리
변형
- 내부 검수형: 직원이 쓰고 답을 검수(Enabled)
- 대민 자동응답형: 국민에게 직접 답하고 예외만 이관(이관 분기가 있으면 First)
- 폐쇄망 로컬 RAG: 내부망 LLM + 로컬 임베딩·벡터DB
- 검색 품질 하위 항목: Hybrid Retriever(벡터+키워드)·Query Rewriting·Reranker. 태깅 시 variant에 기재(Fowler)
- 그래프 RAG: A6 지식그래프를 검색에 결합(rag_type = Graph)
참조 구현 예
- PAX 전북AI — 자체 구축, 이용 10만 건(카드 참조 구현)
- PAX 소방기술민원 답변생성기 — 관리자 승인·적재, '유권해석 아님' 고지(카드 참조 구현)
- PAX bfcd190155ae69f7 — 코레일유통 그래프RAG 사내검색, 개인 시범 구축 → 기관 공식 플랫폼(§13)
관련 부품
C9 선행 — 평가 세트 없이 검색 품질을 개선할 수 없음 · F1 이용자 쪽 대응 — 출처 표시 · B′2 배선 — 근거 없거나 예외인 질문을 담당자로 이관 · A6 선택 부품 — 그래프 RAG · S2 보안 짝 — 등급 문서가 섞인 코퍼스의 권한 인식 검색 · C7 대민 상시 서비스의 폴백
참고 자료
Fowler RAG·Hybrid Retriever·Query Rewriting·Reranker · Gulli ch.14 RAG · computer.org RAG · GoF Proxy·Facade, Microservice Aggregator
이 부품과 이어지는 가이드라인
A7 자체 제작 환경 공통 서비스
외부 용역 없이 기관 인력이 저작도구·AI 코딩 에이전트로 도구를 직접 만들고 고치는 제작 환경이다.
PAX 사례 317건이 이 부품을 쓴다
맥락
업무 담당자가 AI 코딩 도구·저작도구·오픈소스로 직접 만드는 과제에 쓴다. 유형 8(취합·변환 자동화)에서는 필수 기반이다. PAX 557건에서 A7이 붙고 BYO 모델을 쓰는 사례는 29건이다.
맞서는 힘(긴장)
- 제작 속도·현장 적합성 vs 유지보수 연속성
- 개인 역량 의존 vs 조직 인수인계
- 무예산 제작 vs 보안 검토·기관 공식화 절차
해법
기관 인력이 AI 코딩 에이전트·저작도구·오픈소스로 직접 만들되, 처음부터 전이를 전제로 한다. 설정·데이터(연락처·업무분장 등)는 코드 밖 파일로 빼 비개발자도 고치게 하고, 작업 지시서 자체를 코딩 에이전트가 수행할 프롬프트로 설계해 제작 절차를 남긴다. MIT·Apache 등 라이선스를 명시하고 공공 깃랩(A3)이나 혁신24 자료실에 등재해 담당자가 바뀌어도 이어지게 한다. 실사용 건수로 성과를 재 기관 공식으로 올린다.
이럴 때 쓴다
- 반복 업무를 줄이는 소규모 도구를 빠르게 만들 때
- 용역 없이 작은 수정을 계속해야 할 때
- 유형 8 취합·변환 자동화
이럴 때는 쓰지 않는다
- P2 이상 시스템 쓰기·처분이 걸려 보안 검토·통제 부품이 먼저 필요한데 이를 갖출 수 없을 때
- 라이선스·저장소·인수인계를 정할 수 없어 전이가 불가능할 때(X9 위험)
얻는 것
- 제작 속도와 현장 적합성
- 내부 유지보수 역량 축적
- 무예산·소예산 제작
점검표
- 라이선스가 명시되어 있는가
- 저장소가 개인 PC가 아닌 공유 위치에 있는가
- 담당자가 바뀌어도 고칠 수 있는 문서·설정 분리가 있는가
- 실사용 지표가 있는가
구조 — 참여 부품
- 업무 담당자 — 요구를 알고 직접 만드는 제작자
- AI 코딩 에이전트·저작도구 — 코드·화면·워크플로 생성
- A3 공공 깃랩·자료실 — 등재처 — 담당자 이동 후에도 이어지게
- A9 업무 규범 스킬 — 제작 규범·지시서를 재사용 가능한 형태로
변형
- 비개발자 바이브코딩: 교육 후 비개발 직원이 AI 코딩으로 웹앱을 만들고 실사용 지표까지 잰다.
- 용역 탈피 단계형: 1단계는 전문기업과, 2단계는 직원이 도구를 대여해 라벨링·학습·개발을 직접 한다.
- 오픈소스 조립형: n8n·FastAPI·Qdrant·LM Studio 등 오픈소스로 워크플로를 직접 조립하고 설정을 공유한다.
- 사람+에이전트 작업 단위형: 작업 지시서를 코딩 에이전트 입력 프롬프트로 설계해 '사람 1인 + 에이전트 1세션' 단위로 일한다.
참조 구현 예
- PAX 145a534a79c6fc53 — 공무원 1인 개발 도구가 혁신24 자료실로 여러 기관에 확산(§13 A7)
관련 부품
A3 등재처 — 공공 깃랩 · A9 짝 — 제작 규범을 스킬로 · B0 주 산출물 — 결정적 도구 · A10 짝 — 유형 8 필수 · X9 주의 — 담당자와 함께 사라지는 도구
참고 자료
GoF Prototype · PAX 전이 플레이북
D8.7 인수인계·지식 보존 서비스 블록
전임자 파일 더미를 업무·월별 정리본으로 바꾸고 결정·전례를 남기는 내부 운영 블록이다. 공직 순환보직이 만드는 한국 특유의 블록이다.
PAX 사례 37건이 이 부품을 쓴다
맥락
담당자 교체 때 업무 지식을 넘기고 보존하는 업무. §7.3 유형 ⑨ 인수인계·지식 보존(D8.7, P0). PAX 37건(주 부품 B0 68%, B1 16%). 업무 영역별 PAX 건수(557건 태깅): 공통·범용 14, 인사·복무 8, 문서·기안 4, 기획·정책 4, 감사·법무 3, 시설·안전 3, 데이터·통계 1.
맞서는 힘(긴장)
- 전임자 파일을 통째로 넘기는 편의 vs 등급 문서 무단 코퍼스화·PII 축적
- 정리 표준화 vs 업무별 다양성
- 기억 축적 vs 보관 기한·개인정보 규칙
- 정리본 수준 vs 검색 가능한 지식(승급 비용)
해법
먼저 B0 문서 정리로 전임자 파일을 업무·월별 정리본으로 바꾸고, 결정·전례를 원문 위치와 함께 남긴다(F1). 정리가 쌓이면 A1 문서 자산화와 B3 접지로 후임이 질문해 찾는 지식으로 승급하고, 업무·필드·관계 구조가 필요하면 A6 온톨로지를 붙인다. 공유 전에는 C5 비식별로 개인정보를 거르고, S2 권한 인식과 C8 접근 범위로 등급 문서가 무단 코퍼스가 되지 않게 한다. 기억은 B′+ 기억 관리의 개인정보 규칙을 따르고 F8로 이력을 남긴다.
이럴 때 쓴다
- 인사이동 때 업무 지식이 사라지는 문제
- 후임이 같은 질문과 실수를 반복할 때
- 결정·전례를 근거와 함께 남겨야 할 때
이럴 때는 쓰지 않는다
- 현재 담당자의 문서 검색이 목적이면 D8.1
- 공유 전 비식별 자체가 산출물이면 D8.8(우선순위상 인수인계가 먼저이므로 목적을 확인)
- 개인 메모 도구로 인계 목적이 없으면 D8.0 검토
얻는 것
- 인사이동 시 지식 손실 감소
- 후임의 적응 기간 단축
- 결정·전례의 근거 보존
점검표
- 정리본의 결정·전례가 원문 위치와 연결되는가
- 공유 전 개인정보가 걸러지는가
- 등급 문서의 접근 범위가 제한되는가
- 도구 자체가 담당자 이동으로 멈추지 않도록 저장소·라이선스가 있는가
구조 — 참여 부품
- 전임자 — 파일과 판단 근거를 남김
- 후임자 — 정리본을 읽고 질문해 찾음
- B0 결정적 도구(문서 정리) — 파일 더미를 정리본으로
- A6 지식그래프 서비스 — 업무·필드·관계 구조(승급 시)
- B3 지식 접지 상담 — 정리본에 접지한 질의응답(승급 시)
- C5 가드레일·비식별 — 공유 전 개인정보 제거
변형
- 정리본 생성형: B0 문서 정리로 업무·월별 정리본 생성(내편이음).
- 로컬 메모 자산화형: 실무자 메모를 로컬에서 자산화(MemoMindAI).
- 현장 관제판형: 3교대 공용 PC용 인수인계 대시보드(소방 장비서무).
참조 구현 예
- 내편이음 — §7.3 유형 ⑨ 참조 구현, 인수인계 정리본
- 눈치코치 — §7.3 유형 ⑨ 참조 구현
- 소방 장비서무 인수인계 대시보드 — 카탈로그 D8.7 카드 예: 3교대 공용 PC용 로컬 관제판
- MemoMindAI — 카탈로그 D8.7 카드 예: 실무자 메모를 로컬에서 자산화
- dd784289395c2afb — §13 D8.7 참조 구현: 화성특례시·병무청에 이어 지방의회로 확산된 신규자 지식창고
관련 부품
A6 승급 시 기반 — 온톨로지 · B3 승급 경로 — 접지 질의응답 · B′+ 기억 관리 — 개인정보 규칙 · X9 이 블록이 막는 함정 · S2 필수 보안 — 권한 인식
참고 자료
카탈로그 §7.3 유형 ⑨ · 카탈로그 §7.4 유형 ⑨ 위협 모델 · 카탈로그 §13 참조 구현 레지스트리 D8.7
이 부품과 이어지는 가이드라인
A1 데이터 자산 서비스 공통 서비스
흩어진 업무 기록을 정제·라벨링해 AI 부품이 붙여 쓸 수 있는 데이터셋·라벨·데이터 사전 형태의 기준선으로 제공한다.
PAX 사례 110건이 이 부품을 쓴다
맥락
학습 모델(A2.5·B2), 지식 접지(B3)의 코퍼스, 평가 세트(C9)의 정답 출처가 필요한 과제라면 모두 이 부품을 쓴다. 서비스 유형 5a·9·10·11에서는 필수 기반이다. 비LLM 규칙 기반 대민 안내에서는 A2를 거치지 않고 결정론 조회의 대상이 된다(R21).
맞서는 힘(긴장)
- 정제 품질 vs 구축 기간·라벨링 인력 비용
- 과제 전용 가공(빠름) vs 기관 공통 기준선(재사용)
- 데이터 활용 범위 vs 데이터 등급(E5) 보호
- 기준선 고정(재현성) vs 원천 갱신 반영
해법
원천 기록을 수집→정제(중복·결측 처리)→라벨링→정의 문서화 순으로 가공하고, 결과를 정제 데이터셋·라벨·데이터 사전의 세 산출물로 고정해 제공한다. 'N건→M건 정제'처럼 정제 전후 규모와 기준을 기록하고, 변수·테이블·인터페이스 정의서로 소비 부품이 같은 정의를 쓰게 한다. 기준선은 버전으로 관리해 C9 평가 세트의 정답 출처와 C6 재학습의 입력으로 재사용한다. 데이터 경계는 부품별로 두고(DB per Service), 타 기관 데이터와의 결합은 A4로 분리한다.
이럴 때 쓴다
- 예측·추천기(B2)나 비전 모델(A2.5)을 학습·재학습할 때
- 지식 접지(B3)의 코퍼스를 구축할 때
- 평가 세트(C9)의 정답 출처가 필요할 때
- 서비스 유형 5a-agg·9·10·11처럼 A1이 필수인 조립
이럴 때는 쓰지 않는다
- 공공 API 응답을 가공 없이 조회만 할 때(A3)
- 정제·정의 없이 파일을 올려 바로 검색하는 경우(태그 대상 아님)
- 타 기관 데이터 결합이 핵심일 때는 A4를 함께 태그해 계약·키 매핑을 따로 드러낸다
얻는 것
- 모델 교체와 무관하게 남는 기관 자산
- C9·C6·B3가 같은 기준선을 재사용
- 데이터 사전이 기관 간 표준 확산의 단위가 됨
점검표
- 정제 전후 규모와 정제 기준이 기록되어 있는가
- 데이터 사전(정의·단위·출처)이 있는가
- 기준선에 버전이 있고 평가용 분할이 학습용과 분리되어 있는가
- 데이터 등급(E5)에 맞는 가명·비식별 처리가 적용되었는가
구조 — 참여 부품
- 원천 시스템·기록 — 가공 전 업무 기록을 내주는 출처
- 정제·라벨링 파이프라인 — 중복 제거·결측 처리·라벨 부여·품질관리를 수행
- 데이터 사전 — 정의·단위·출처를 문서로 고정해 소비 부품이 같은 뜻으로 쓰게 함
- C9 평가 세트·회귀시험 — 기준선을 정답 출처로 사용
- A2.5 비LLM 학습 모델 — 기준선으로 학습·재학습하는 소비 부품
변형
- 학습데이터 구축형: 영상·이미지 등을 수집해 품질관리 단계(중복 제거·재라벨링·학습/검증/평가 분리)를 거쳐 학습 기준선으로 만든다.
- RAG 코퍼스 정본화형: 법령·규정 원문을 현행 시행본 기준으로 정본화하고 조문 구조·메타데이터를 부여해 색인한다.
- 지표 표준화형: 여러 자료원의 지표를 도메인별로 표준화하고 정의·단위·분모·결측·원본 링크를 메타데이터로 관리한다.
- 자동 피처 파이프라인형: 수집→정제→파생 변수 생성→자동 검증→담당자 승인을 주기 실행하고 승인만 사람에게 남긴다.
관련 부품
C9 소비처 — 기준선이 평가 세트의 정답 출처 · A4 짝 — 자기 기관 정제(A1)와 타 기관 결합(A4) · B3 소비처 — 지식 접지의 코퍼스 · C6 선행 — 재학습 입력이 되는 기준선 · A2.5 소비처 — 자체 학습 모델의 학습 데이터
참고 자료
computer.org 데이터 증강 · Heiland 데이터 계층 · Microservice 패턴 DB per Service · GoF Builder
이 부품과 이어지는 가이드라인
C5 가드레일 필터 운영 컴포넌트
개인정보·환각·편향·형식 오류가 프롬프트나 산출물에 들어가지 못하게 시스템이 경계에서 걸러낸다. 비식별 전처리, 출처 검증, 구조적 출력 제약이 대표 변형이다.
PAX 사례 44건이 이 부품을 쓴다
맥락
외부 모델을 부르거나 대민에 답하는 모든 B 부품. 특히 E2 해외 상용 API, E5 S 이상 데이터, B3 지식 접지 상담, 유형 ① 대민 상담, ④ 기안, ⑥ 콘텐츠, ⑦ 대조·점검, ⑨ 인수인계, ⑬ 비식별·정제 도구.
맞서는 힘(긴장)
- 차단의 엄격함 vs 과잉 차단으로 인한 유용성 저하
- 비식별 강도 vs 문맥 보존
- 결정적 검증의 신뢰성 vs 구현 범위
해법
프롬프트가 기관 밖으로 나가기 전 PII를 마스킹하고 원복 키를 보관하는 비식별 전처리기를 둔다. 응답에는 인용을 원본(법령정보센터·통계표 등)과 대조하는 출처 검증기와, JSON 스키마·허용 목록 같은 구조적 출력 제약을 건다. 근거가 없으면 답하지 않거나 '확인 필요'로 표시한다. 차단 사유는 C4에 남기고, 이용자에게는 F1 출처와 F7 한계 안내로 보인다. 사람이 하는 팩트체크·법무 심의는 C5가 아니라 C1.2에 둔다.
이럴 때 쓴다
- E2 해외 상용 API로 행정망 본문이 외부로 나갈 때(필수)
- E5 S 이상 개인정보·민감정보를 다룰 때
- B3 대민 응답처럼 인용·수치의 정확성이 신뢰의 핵심일 때
- C5가 필수인 유형 ①④⑥⑦⑨⑪⑬
이럴 때는 쓰지 않는다
- E1 로컬 PC 완결로 데이터가 밖으로 나가지 않을 때 비식별은 불필요해질 수 있다(§5 매트릭스, 단 출처 검증은 별개)
- 사람이 수행하는 심의만 있을 때(C1.2로 태그)
- 적대적 입력 탐지가 목적일 때(S8)
얻는 것
- 개인정보 외부 유출 차단
- 환각 인용 감소
- 상용 API 사용 조건 충족
점검표
- 외부 전송 전 무엇이 걸러지는지 답할 수 있는가
- 인용이 원본과 대조되는가
- 근거 없을 때의 동작이 정해져 있는가
- 차단 사유가 기록되는가
구조 — 참여 부품
- 비식별 전처리기 — 외부 전송 전 PII 마스킹과 원복
- 출처 검증기 — 인용을 원본과 대조해 환각을 걸러냄
- 출력 제약 — 스키마·허용 목록·금칙어로 출력 형식 제한
- F1 출처 표시 — 검증된 출처를 이용자에게 보임
변형
- 로컬 비식별 전처리기: 외부 전송 전 PII 마스킹·원복(PAX에서 독립 부품으로 확인)
- 출처 검증기: 인용을 법령정보센터·KCI·CrossRef 원본과 대조
- 구조적 출력 제약·스키마 검증: JSON 스키마·허용 목록으로 출력 범위를 고정(v0.6 식별 신호 추가)
- 근거 재대조형 환각 검증: 추출값의 근거 문장을 원문에서 재대조해 '문서확인/AI추정/문서에없음'으로 재분류
참조 구현 예
- PAX Korean Stats MCP — KOSIS 통계 출처 자동 인용
관련 부품
F1 이용자 쪽 대응 — 검증된 출처 표시 · F7 이용자 쪽 대응 — 근거 없을 때 한계 안내 · A2.4 짝 — 민감정보 외부 유출 대응 · C1.2 구분 — 사람이 하는 심의 · S8 구분 — 적대적 입력 탐지 · S13 변형 후보 — 로컬 비식별 게이트
참고 자료
Fowler Guardrails · InfoQ Output Guardrails·Model Critic · Gulli ch.18 Guardrails · Heiland 규칙 기반 안전장치 · Proxy · Decorator
이 부품과 이어지는 가이드라인
C8 권한 경계·킬스위치 운영 컴포넌트
AI 부품이 할 수 있는 일의 상한을 P0~P4로 못 박고, 도구별 실행 승인·읽기/쓰기 분리·속도 제한·즉시 중단 스위치를 제공한다.
PAX 사례 22건이 이 부품을 쓴다
맥락
도구를 호출하거나 시스템에 쓰는 B6 오케스트레이터, A8 MCP 서버·호스트, B8 레거시 오버레이, 처분 보조(P3) 서비스. 유형 ⑤b 데이터 에이전트, ⑨ 인수인계(접근 범위).
맞서는 힘(긴장)
- 자동화 범위 vs 통제
- 승인 절차의 안전 vs 이용 마찰
- 도구 설명의 편의 vs 실제 권한과의 일치 검증 비용
해법
부품별 허용 권한 범위(P0 읽기 전용 ~ P4 자율 처분)를 정하고, 도구 목록마다 읽기/쓰기를 분리한다. 위험도가 높은 도구는 실행 전 사람 승인(C2·F6)을 받게 하고, 호출 상한(속도 제한)을 둔다. 전역 킬스위치로 즉시 중단할 수 있게 하고, 승인·실패·중단 이력을 C4에 남긴다. MCP 도구는 설명과 실제 권한이 일치하는지 A8 6축 검증으로 확인한다.
이럴 때 쓴다
- E4 P2 이상(필수, First 관문)
- E3 MCP·CLI 환경에서 에이전트가 도구를 호출할 때
- B6 오케스트레이터에 상용 API를 쓰는 경우(A2 + C7 + C8 도구별 승인)
- 유형 ⑤b-host, ⑨ 인수인계(접근 범위)
이럴 때는 쓰지 않는다
- 도구 호출·시스템 쓰기가 없는 서술 전용 코파일럿(P1)
- B0 결정적 도구로 AI가 행동을 고르지 않을 때
얻는 것
- 되돌릴 수 없는 조치 방지
- 도구 설명과 실제 권한의 불일치(X7) 예방
- 감사 가능한 행동 기록
점검표
- AI가 쓸 수 있는 시스템 목록을 답할 수 있는가
- 도구별 읽기/쓰기 구분과 위험도가 있는가
- 고위험 도구에 실행 승인이 걸려 있는가
- 킬스위치가 있고 누가 누를 수 있는지 정해져 있는가
- 도구 설명과 실제 권한이 일치하는가
구조 — 참여 부품
- 권한 정책 — 부품·도구별 허용 범위(P0~P4)와 읽기/쓰기 구분
- A8 MCP 서버·호스트 — 도구 설명과 실제 권한의 일치 검증 대상
- F6 에이전트 행동 검토·확인 — 실행 전 이용자 승인 화면
- 킬스위치 — 전역 즉시 중단
- C4 감사 로그·지표 — 승인·실패·롤백·중단 이력
변형
- 읽기 전용·쓰기 배제: 도구 세트를 읽기 전용으로 한정하거나 쓰기 기능을 설계에서 배제
- 도구별 위험도·실행 승인: 도구마다 위험도를 평가하고 고위험 도구는 실행 전 승인
- 판정 필드 비도달 설계: AI가 판정·업무 필드에 쓸 수 없게 코드 수준으로 분리
- 속도 제한: 도구 호출 상한(Rate Limiter)
- 킬스위치: 전역 즉시 중단과 기존 절차 전환
참조 구현 예
- PAX 망분리 환경용 로컬 AI 에이전트 — 도구별 위험도 평가·실행 승인·감사 대시보드(§9, PAX 557건 태깅에서 C8이 운영 중(present)으로 확인된 2건 가운데 하나. 구현 단계까지 합치면 22건)
- PAX 갈피 법령 MCP — 쓰기 배제 설계
관련 부품
C7 짝 — 막는 통제와 이어 가는 통제 · F6 이용자 쪽 대응 — 에이전트 행동 검토·확인 · A8 의존 — 도구 설명과 실제 권한의 일치 · C2 의존 — 고위험 도구는 사람 승인 · C4 기록처 — 승인·실패·롤백 로그 · S1 짝 — 단일 진입점에서 요청 상한·인증
참고 자료
aiux Agent Action Review · Towards AI 체크포인트 휴리스틱 · Gulli ch.18 Guardrails · Access Token · Rate Limiter · Bulkhead · PAX 원칙 2.5
이 부품과 이어지는 가이드라인
X3 부서마다 챗봇 안티패턴
같은 기관의 과제들이 각자 모델·벡터DB·프롬프트를 따로 만들어, 공유할 수 있는 기반 부품을 부서 수만큼 중복 구축하는 함정이다.
맥락
한 기관 안에서 여러 부서가 동시에 대민·내부 챗봇, 문서 검색, 요약 도구를 추진하는 경우. 특히 각 과제가 상용 API를 직접 호출하는 경우.
맞서는 힘(긴장)
- 부서의 빠른 자율 구축 vs 기관 전체의 중복 비용
- 부서별 맞춤(코퍼스·문체) vs 공통 모델·게이트웨이
- 과제 단위 예산·성과 vs 공통 기반 등재·유지 책임
해법
§7.1의 두 번째 단계대로 기반 부품은 새로 만들지 말고 Provider에서 먼저 가져온다. 모델 호출은 A2 모델 서빙 계층(범정부 AI 공통기반 또는 기관 게이트웨이) 뒤로 모으고, S1 단일 진입점에서 인증·요청 상한·비용 상한·감사 기록을 일괄 적용한다. 공공 API·공공 클라우드·공공 깃랩은 A3 공공 API 제공자로 쓴다. 부서별 차이는 모델을 따로 두지 말고 A9 업무 규범 스킬과 부서 코퍼스(A1)로 표현하며, 부서·등급별 코퍼스 분리가 필요하면 S2 권한 인식 검색으로 푼다. 없어서 새로 만든 부품은 §13 참조 구현 레지스트리에 올린다.
이럴 때 쓴다
- 같은 기관의 두 과제 이상이 각자 모델 계약·API 키·벡터DB를 갖는다
- 범정부 AI 공통기반·공공 API를 쓰지 않은 이유가 서술되지 않는다
- 공통 규정·매뉴얼 코퍼스를 과제마다 따로 임베딩한다
- 모델 호출 비용을 기관 단위로 집계할 수 없다
이럴 때는 쓰지 않는다
- 데이터 등급(E5)이나 망 조건(E1) 때문에 공통 기반을 쓸 수 없고 그 사유가 서술된 경우
- A2 게이트웨이를 공유하면서 부서별 코퍼스·스킬만 따로 둔 경우(정상 조립)
- 개인이 만든 단일 도구로 기관 내 중복 과제가 없는 경우
얻는 것
- 부서가 협의 없이 빠르게 만든다
- 부서 요구에 딱 맞는 맞춤 구성을 갖는다
점검표
- 기관의 모든 모델 호출이 하나의 게이트웨이를 지나는가
- 부서별 API 키 직접 호출이 남아 있지 않은가
- 공통 기반을 쓰지 않은 과제는 그 사유(E1·E5)가 적혀 있는가
- 부서별 차이가 모델이 아니라 스킬·코퍼스로 표현되어 있는가
구조 — 참여 부품
- A2 모델 서빙 계층 — 교정 후 모든 부서 호출이 모이는 공통 자리
- A3 공공 API 제공자 — 범정부 AI 공통기반·공공 깃랩 등 Provider
- S1 AI 게이트웨이·단일 진입점 — 부서별 API 키 직접 호출을 대체하는 인증·상한·기록 지점
- A9 업무 규범 스킬 — 부서별 차이를 모델이 아니라 스킬로 표현
변형
- 부서별 API 키 직접 호출: 각 과제가 상용 API 키를 따로 받아 직접 호출. S1 부재의 전형
- 벡터DB 중복: 같은 규정·매뉴얼을 부서마다 따로 임베딩해 따로 검색
- 프롬프트 사일로: 같은 공문 규범을 부서마다 다른 프롬프트로 재작성
관련 부품
A2 대체 — 모델 호출을 모을 공통 서빙 계층 · A3 대체 — 범정부 AI 공통기반 등 Provider · S1 끼울 자리 — 부서별 API 키 직접 호출을 대체하는 단일 진입점 · A9 짝 — 부서별 차이를 스킬로 표현 · X4 이웃 안티패턴 — 중복 구축과 단일 모델 종속이 함께 나타남
참고 자료
Microservice API Gateway · 카탈로그 §13 참조 구현 레지스트리
이 부품과 이어지는 가이드라인
X10 평가 없는 RAG, RAG 없는 튜닝 안티패턴
평가 세트 없이 검색을 붙여 '좋아진 것 같다'로 배포하고, 검색으로 풀릴 문제를 파인튜닝으로 푸는, 진행 경로를 건너뛰는 함정이다.
맥락
B3 지식 접지·B1 코파일럿에 RAG를 붙이거나 A2.3 튜닝형 모델을 만드는 과제, 특히 규정·매뉴얼 기반 질의응답.
맞서는 힘(긴장)
- 눈에 보이는 기술 성과 vs 지루한 평가 세트 구축
- 빠른 배포 vs 변경마다 재는 자
- 자체 모델 보유 인상 vs 검색으로 충분한 문제
해법
§7.2 진행 경로를 순서대로 밟는다. B1 직접 프롬프트에서 시작해 두 번째 단계에서 C9 평가 세트(업무 질문·정답·채점 기준)를 먼저 만들고, 이후 A9 규범 스킬·F4, B3 지식 접지(A1 데이터 자산), B3 검색 품질(Hybrid·Rewriting·Reranker), C5 가드레일·F1 순으로 붙이며 매 단계를 C9로 잰다. A2.3 튜닝은 진행 경로의 마지막 단계로, 검색·규범 스킬로 풀리지 않는다는 것이 C9 점수로 확인됐을 때만 한다. 모델·프롬프트·설정 조합은 릴리스처럼 버전 관리한다.
이럴 때 쓴다
- RAG·튜닝을 도입했는데 업무 질문·정답·채점 기준 세트가 없다
- '답변 품질 향상'을 수치 없이 서술하거나 단발 정확도만 보고한다
- 자주 바뀌는 규정·매뉴얼 질의를 파인튜닝으로 풀었다
- 검색 품질(재현율·리랭킹)을 재지 않고 튜닝으로 넘어갔다
이럴 때는 쓰지 않는다
- C9 세트로 RAG 전후를 비교한 뒤 배포한 경우
- 검색·스킬로 풀리지 않음을 C9 점수로 확인한 뒤 튜닝한 경우
- B2·B4처럼 비LLM 학습 모델로 원래 학습이 해법인 경우(RAG가 대안이 아님)
얻는 것
- RAG·튜닝이라는 눈에 보이는 기술 성과를 빨리 낸다
- 평가 세트 구축에 현업 시간을 쓰지 않는다
점검표
- 업무 질문·정답·채점 기준 세트가 있는가
- RAG 전후 점수 비교가 있는가
- 튜닝을 선택한 근거가 C9 점수로 설명되는가
- 모델·프롬프트·설정 조합이 버전 관리되는가
구조 — 참여 부품
- C9 평가 세트·회귀시험 — 빠진 부품. 모든 변경을 같은 자로 잼
- B3 지식 접지 — 튜닝 전에 먼저 시도할 검색 기반 접지
- A2.3 튜닝형 모델 — 진행 경로의 마지막 단계
- A1 데이터 자산 서비스 — 정답 출처와 검색 코퍼스
변형
- 평가 없는 RAG: 검색을 붙이고 몇 개 질문을 눈으로 보고 배포
- RAG 없는 튜닝: 문서 검색으로 풀릴 최신 규정 질의를 파인튜닝으로 해결하려 함
- 평가 없는 튜닝: 튜닝 전후를 같은 세트로 비교하지 않음
관련 부품
C9 대체 — RAG·튜닝보다 먼저 만들 평가 세트 · B3 선행 — 튜닝 전에 시도할 지식 접지 · A2.3 순서 — 진행 경로의 마지막 단계 · A9 대안 — 튜닝 대신 규범 스킬로 푸는 경로 · X11 이웃 안티패턴 — 같은 진행 경로 위반
참고 자료
Fowler GenAI 진행 경로(Direct Prompting → Evals → RAG → Hybrid Retriever·Query Rewriting·Reranker → Guardrails → Fine Tuning) · InfoQ Prompt-Model-Config Versioning
이 부품과 이어지는 가이드라인
실무 도입 카드
필요한 것
요구 환경 미확인 — 원문·저장소에서 확인 필요
첫 3단계
① 원문·저장소에서 실체 확인 → ② 소규모 업무로 시험 → ③ 결과를 동료와 교차 검증
주의사항
게시글 주장 외 독립 증거가 아직 없습니다 · 성과 수치는 출처가 확인된 것만 신뢰하세요
전이 절차(보안검토→품의→배포)는 전이 플레이북을 참고하세요.