내 지식 위키 — 로컬 색인·출처 연결 AI 초안 작업공간

사람이 하던 문서·판단 작업 옆에 AI가 초안·요약·검토안을 놓고, 사람이 고쳐서 확정한다.

PAX 사례 111건이 이 부품을 쓴다

맥락

문서·기안·검토의견처럼 산출물 형식이 정해져 있고 최종 확정자가 사람인 업무에 쓴다. BYO 코딩 에이전트와 A9 스킬을 쓰는 스킬 코파일럿이 PAX 자생 도구에 많다.

맞서는 힘(긴장)

• 초안 속도 vs 전건 검토에 드는 사람 시간
• 상용 모델 품질 vs 행정망·민감정보 제약(E1·E5)
• 양식 일관성(A9 규범) vs 사안별 유연성

해법

업무 서식과 참고 자료를 입력으로 받아 모델(A2 또는 BYO 구독)이 초안·근거·신뢰도를 내고, 사람이 편집 가능한 형태(F2)로 받아 고쳐서 확정한다. 보고서 구조·문체·검증 절차는 A9 규범 스킬로 코드 밖에 두고, 공공 문서 형식은 A10 어댑터로 입출력한다. 확정 전 검토는 C1 검토 큐로 운영하고 수정 내역을 C4·C6의 입력으로 남긴다. First로 가려면 저위험 건을 C2로 자동 확정하는 분기를 더한다.

이럴 때 쓴다

• 산출물 형식이 정해진 문서를 반복 작성할 때
• 최종 판단과 책임이 사람에게 남아야 할 때(P1 산출물 생성)
• 유형 ④ 내부 문서·기안, 유형 ⑫ 개발 코파일럿의 기본 조립일 때

이럴 때는 쓰지 않는다

• 답이 기관 규정·선례 속에 있어 접지와 출처가 핵심일 때(B3)
• 추출 결과가 사람 확정 없이 다음 판정 단계로 흐를 때(B4)
• 런타임에 모델이 필요 없는 정형 취합일 때(B0)

얻는 것

• 문서 작성 시간 단축
• 책임 소재가 사람에게 명확히 남음
• 도입이 쉬워 Enabled의 전형 경로

점검표

• 담당자가 최종 확정한다는 절차가 운영되는가
• 서식·문체 규범이 A9 스킬로 분리되어 있는가
• 초안을 이용자가 직접 고칠 수 있는가(F2)
• 수정 내역이 기록되어 품질 개선에 쓰이는가

구조 — 참여 부품

• A2 모델 서빙 계층 — 초안 생성 모델 호출(행정망이면 내부망 프록시)
• A9 업무 규범 스킬 — 서식·문체·검증 절차를 프롬프트 템플릿으로 고정
• A10 문서 형식 어댑터 — HWPX·엑셀 입출력
• C1 검토 큐 — 담당자가 초안을 확인·수정·확정
• 담당자 — 최종 확정자이자 책임자

변형

• 시스템 내장형: 기관 업무 시스템 안에 초안 기능을 넣은 형태
• 스킬 코파일럿: BYO 코딩 에이전트 + A9 스킬로 배포되는 형태(PAX Enabled 사례에서 가장 흔한 형태)

참조 구현 예

• PAX gov-report-skill — 기획보고서 7대 항목 스킬 코파일럿(카드 참조 구현)

관련 부품

C1 짝 — 사람 확정 절차 · F2 이용자 쪽 대응 — 편집 가능 출력은 B1의 필수 면 · A9 끼울 자리 — 서식·규범 스킬 · B′5 기본 배선 — 유형 ④·⑫ 조립 템플릿의 생성자-비평가 · C2 다음 단계 — 저위험 자동 확정으로 First · B3 승급 경로 — §7.2 진행 경로 1 → 4

참고 자료

Fowler Direct Prompting · InfoQ Editable Output · GoF Decorator

이 부품과 이어지는 가이드라인

• 챗GPT 활용방법 및 주의사항 안내 행정안전부, 2023.5. 공식 게시물 미확인(당시 보도로만 확인).
• 생성형 AI 서비스 이용자를 위한 개인정보 보호 가이드 개인정보보호위원회, 2026.5(게시 2026.5.19).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.
• 공공데이터의 인공지능 친화적 관리 가이드라인 행정안전부·NIA, 2026. v1.1 개정 공지(2026.8.4).
• 2026 인공지능 윤리기준 실천 자율점검표 과학기술정보통신부·KISDI, 2026.2.
• 생성형 인공지능의 저작물 학습에 대한 저작권법상 공정이용 안내서 문화체육관광부·한국저작권위원회, 2026.2.26 발간. 4종 모음 게시물에 수록.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

세션 안의 맥락과 세션을 넘는 장기 기억을 유지하는 배선이다. 공공에서는 개인정보 축적과 직결되므로 등급·비식별 없이 장기 기억을 두지 않는다.

PAX 사례 15건이 이 부품을 쓴다

맥락

다회차 상담, AI 코딩 지원처럼 이전 결정·서식을 이어 써야 하는 업무에 쓴다. S3 컨텍스트 방화벽은 이 원형을 의존 대상으로 두고, 이용자 쪽 면은 F8 대화 이력·되돌리기다. 사건 기록은 C4가 맡는다.

맞서는 힘(긴장)

• 맥락 유지로 인한 효율 vs 개인정보·등급 정보 축적
• 장기 기억의 편의 vs 기억 오염(잘못된 기억의 재사용)
• 토큰 절약 vs 요약 과정의 정보 손실

해법

세션 기억과 장기 기억을 구분하고, 장기 기억에 넣을 항목(결정·제약·서식 프로필 등)을 명시적으로 정한다. 저장 전 E5 등급을 확인하고 C5로 비식별하며, 기억은 신뢰 구역을 분리해(S3) 지시와 섞이지 않게 한다. 보관 기간과 삭제·열람 경로를 두어 이용자가 F8로 확인·되돌릴 수 있게 하고, 사건·처리 기록은 기억이 아니라 C4에 남긴다.

이럴 때 쓴다

• 다회차 업무에서 이전 결정·제약을 이어 써야 할 때
• 같은 맥락을 반복 주입해 비용·지연이 커질 때(§7.5)
• 비식별과 보관 규칙을 운영할 수 있을 때

이럴 때는 쓰지 않는다

• E5 S 이상 정보를 비식별 없이 저장해야 할 때
• 처리 이력·감사 기록이 목적일 때(C4)
• 단발성 질의응답일 때

얻는 것

• 토큰 낭비 감소
• 맥락 상실 방지
• 서식·결정의 재사용

점검표

• 장기 기억에 들어가는 항목이 명시되어 있는가
• 저장 전 비식별이 되는가
• 보관 기간과 삭제 경로가 있는가
• 기억이 지시와 구분된 구역으로 주입되는가

구조 — 참여 부품

• 기억 저장소 — 세션·장기 기억 보관(로컬 저장 등)
• C5 가드레일 필터 — 저장 전 비식별
• S3 컨텍스트 방화벽 — 기억 구역을 지시와 분리
• F8 대화 이력·되돌리기 — 이용자가 이력 열람·되돌리기

변형

• 세션 기억: 한 세션 안의 대화·작업 맥락을 유지한다
• 장기 기억: 세션을 넘어 결정·제약을 저장하고 다음 세션에 되읽는다(MCP 메모리 서버 등)
• 서식 기억: 읽어 둔 기관 서식을 프로필로 캐시해 재사용한다

참조 구현 예

• PAX 17ed2d7a88c03119 — 기관 서식을 프로필로 캐시해 재사용하는 서식 기억(§13)
• PAX c483c6ad4ccff0ab — 세션 종료 훅으로 결정·제약을 로컬 SQLite에 저장하고 다음 세션에 되읽는 MCP 메모리 서버(§13 A8)

관련 부품

C5 필수 전제 — 비식별 · S3 보안 짝 — 기억 구역 분리 · F8 이용자 쪽 대응 — 대화 이력·되돌리기 · C4 경계 — 사건 기록은 C4 · A8 메모리 서버를 MCP 도구로 제공

참고 자료

Gulli ch.8 Memory · Towards AI #6 · aiux Thread History

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 공공부문 데이터 분석 업무 운영 가이드 NIA, 2025.12(게시 2025.12.29).
• 공공데이터의 인공지능 친화적 관리 가이드라인 행정안전부·NIA, 2026. v1.1 개정 공지(2026.8.4).
• 공개된 개인정보 처리 안내서 개인정보보호위원회, 2024.7(게시 2024.7.19).
• 합성데이터 생성·활용 안내서 개인정보보호위원회, 2024.12(자료실 게시 2025.1.3).
• 가명정보 처리 가이드라인 개인정보보호위원회, 2026.3 개정(게시 2026.3.31).
• 생성형 인공지능의 저작물 학습에 대한 저작권법상 공정이용 안내서 문화체육관광부·한국저작권위원회, 2026.2.26 발간. 4종 모음 게시물에 수록.
• 제조AI 2030 전략 산업통상부, 2026.6(2026.6.29 공개). 현행.
• KS X ISO/IEC 23053 기계 학습(ML)을 사용하는 인공지능(AI) 시스템 프레임워크 국가기술표준원 고시 제2025-0413호, 발행 2025.10.30. ISO/IEC 23053:2022와 일치(IDT).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

오픈웨이트 모델을 기관 서버·폐쇄망·로컬 PC 안에서 Ollama·vLLM 등으로 구동해 데이터를 기관 밖으로 내보내지 않고 추론한다.

PAX 사례 54건이 이 부품을 쓴다

맥락

E1은 폐쇄망·행정망·로컬 PC, E2는 해외 오픈웨이트(로컬) 또는 국산 오픈웨이트, E5는 S 이상이다. 폐쇄망 B3·B6·B8, 유형 3(현장 폐쇄망 서버 추론), 유형 12 개발 코파일럿은 이 변형을 기본으로 쓴다.

맞서는 힘(긴장)

• 데이터 주권 vs 상용 최신 모델 대비 성능
• GPU·서버 고정비 vs 종량 과금
• 모델 운영·갱신 역량 vs 외부 의존 제거
• 저사양 장비 구동 vs 모델 크기

해법

오픈웨이트 모델을 기관 안에 설치하고 서빙 계층(Ollama·vLLM·LM Studio 등)으로 업무 부품에 노출한다. 임베딩 모델도 로컬로 두어 B3 검색까지 망 안에서 끝낸다(§5 E1 폐쇄망 행 '로컬 임베딩'). 모델 선정은 C9 평가 세트로 상용·온프레미스 후보를 같은 조건에서 비교해 정한다. 폐쇄망에서 C7 경로는 수동 전환·다른 로컬 모델로 제한되므로 둘 이상의 로컬 모델이나 수동 절차를 미리 둔다. 모델·패키지 반입은 S11 인제스천 검증을 거친다.

이럴 때 쓴다

• E1이 폐쇄망·행정망이거나 문서가 PC 밖으로 나가면 안 될 때
• E5가 S 이상인데 내부망 프록시(A2.4)를 쓸 수 없을 때
• 현장 폐쇄망 서버에서 추론해야 하는 유형 3
• C7의 대체 경로로 로컬 모델을 둘 때

이럴 때는 쓰지 않는다

• 추론 인프라·운영 인력을 확보할 수 없을 때
• 현장 기기 자체에서 돌아야 하면 A5(엣지 런타임)
• 모델을 재학습했으면 A2.3

얻는 것

• 데이터가 기관 밖으로 나가지 않음
• 호출 비용이 고정비로 바뀜
• 폐쇄망에서도 LLM 사용 가능
• C7의 대체 경로 후보

점검표

• 추론·임베딩 어디에서도 데이터가 망 밖으로 나가지 않는가
• 모델 선정 근거(평가 세트 비교)가 남아 있는가
• 반입한 모델·패키지의 무결성 검사 기록이 있는가
• 대체 로컬 모델 또는 수동 전환 절차가 있는가

구조 — 참여 부품

• A2 서빙 계층 — 로컬 모델을 업무 부품에 노출
• 오픈웨이트 모델·로컬 임베딩 — 기관 안에서 추론·색인
• GPU 서버 또는 워크스테이션 — 추론 인프라
• S11 인제스천·공급망 검증 — 폐쇄망 반입 모델·패키지 검사

변형

• 기관 서버형: vLLM 등으로 기관 GPU 서버에서 다수 이용자에게 서빙한다.
• 로컬 PC·워크스테이션형: Ollama·LM Studio로 개인 PC나 단일 워크스테이션에서 돌린다(온나라 sAIde).
• 범정부 공통기반 내부망 설치형: 국산 독자모델·오픈웨이트를 공통기반 내부망에 직접 설치해 여러 부처에 제공한다(PAX 행정안전부 사례).

참조 구현 예

• PAX 58420e002644542c — 행정안전부, 엑사원·Gemma4를 범정부 공통기반 내부망에 설치해 약 8천 명에 롤아웃(§13 A2.2)
• PAX 01963ce2b093182c — 양산시, 저사양 온프레미스 로컬 LLM으로 보고서 작성 전 과정을 폐쇄망 안에서 처리(§13 A2.2)
• PAX 온나라 sAIde — 온나라 사이드패널 + 로컬 Ollama 요약(§9)

관련 부품

C7 대체 경로 — 상용 API 장애 시 전환 대상 · A8 짝 — 폐쇄망 로컬 MCP 호스트 · S11 선행 — 폐쇄망 반입 검증 · A5 대안 — 현장 기기 추론 · C9 선행 — 모델 선정 근거

참고 자료

Heiland '업무 로직과 ML 모델 분리' · GoF Strategy

이 부품과 이어지는 가이드라인

• 공공부문 초거대 AI 도입·활용 가이드라인 1.0 2024.4. 최초판. 배포처 미확인.
• 생성형 AI 개발·활용을 위한 개인정보 처리 안내서 개인정보보호위원회, 2025.8(게시 2025.8.6).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

AI 산출물이 다음 단계로 넘어가기 전에 사람이 맞고 틀림을 확인·수정·확정하는 대기열을 두어, 오류가 업무 결과로 흘러가지 않게 한다.

PAX 사례 46건이 이 부품을 쓴다

맥락

AI 산출물이 공문·처분·대민 안내·기록으로 이어지는 모든 B 부품(B1 코파일럿, B4 인식 파이프라인, B2 예측기, B7 콘텐츠 생성기 등). 이용자 본인이 최종 확정자인 자기서비스형 도구도 포함한다(R16).

맞서는 힘(긴장)

• 정확성·책임성 vs 처리 속도(전건 검토는 자동화 이득을 깎는다)
• 검토자의 숙련 vs 자동화 편향(AI 결과를 그대로 승인하는 경향)
• 전건 검토의 안전 vs 위험도별 분기(C2)로 가야 하는 효율 압력

해법

AI 산출물에 신뢰도·근거를 붙여 검토 대기열에 올리고, 검토자가 승인·수정·반려 중 하나를 고르게 한다. 수정·반려 내역은 C4 감사 로그에 남겨 수정률을 집계하고 C6 환류의 입력으로 쓴다. 검토 화면은 원문 위치·근거를 함께 보여 줘 확인 비용을 줄인다. 전건 검토로 시작하되, 수정률 실측이 쌓이면 C2 위험도 라우터로 저위험 건을 자동 종결하는 단계로 옮긴다.

이럴 때 쓴다

• AI 산출물이 공문·처분·대민 안내로 그대로 이어질 때
• E4가 P1 이상이고 되돌리는 데 사람 시간이 많이 드는 조치가 있을 때
• 서비스 유형 ② 접수·심사, ④ 기안 코파일럿, ⑥ 콘텐츠 제작, ⑦ 대조·점검, ⑩ 위험 예측, ⑪ 추천·매칭, ⑫ 개발 코파일럿처럼 C1이 필수인 유형

이럴 때는 쓰지 않는다

• B0 결정적 도구처럼 런타임 AI 산출물이 없을 때
• 쉽게 되돌릴 수 있고 저위험인 조치를 이미 C2로 자동 종결하도록 실측 근거를 갖춘 구간(전건 검토를 영원히 남기지 않는다)

얻는 것

• 오류가 업무 결과로 나가기 전에 차단
• 책임 소재가 명확해짐
• 수정 내역이 C4 지표와 C6 환류의 원천 데이터가 됨

점검표

• AI 산출물이 확정 전 상태로 머무는 지점이 명시되어 있는가
• 검토자와 승인·수정·반려 선택지가 정해져 있는가
• 검토 결정과 수정 내역이 로그로 남는가
• 실증 기간의 검토·수정 건수가 기록되어 있는가
• 전건 검토에서 분기로 옮길 조건이 정해져 있는가

구조 — 참여 부품

• 검토 대기열 — AI 산출물을 확정 전 상태로 보관하고 검토자에게 배정
• 검토자(담당자 또는 이용자 본인) — 승인·수정·반려를 결정하는 최종 책임자
• F2 편집 가능한 출력 — 검토자가 산출물을 직접 고치는 화면
• C4 감사 로그·지표 — 검토 결정과 수정 내역을 적재해 수정률로 집계

변형

• 전건 검토형: 모든 AI 산출물을 담당자가 확인·확정
• 예외 검수형: 정상 건은 일괄 승인하고 저신뢰 항목만 개별 검수하는 검수 UI
• 파이프라인 내장 관문형: 멀티에이전트·다단계 파이프라인의 각 관문에 승인·보완·재작성 선택지를 둠
• 자기서비스형: 이용자 본인이 최종 확정자인 HITL. 실제 운영 중이면 C1 present(R16)
• 심의 게이트: 팩트체크·법무·윤리처럼 제3자 전문가가 수행하는 승인 게이트

참조 구현 예

• PAX 9dc1a7081bc869b1 — 광진구 — 담당자·팀장 최종 판단 책임 등 4대 관리 원칙 명문화

관련 부품

C2 다음 단계 — 전건 검토에서 위험도 분기로 승급 · C1.2 변형 — 제3자 전문가 심의 게이트 · F2 이용자 쪽 대응 — 검토자가 직접 고치는 화면 · F6 이용자 쪽 대응 — 에이전트 행동 실행 전 확인 · C4 기록처 — 검토 결정·수정 내역 · C6 후속 — 수정 내역이 환류의 입력

참고 자료

Google ADK HITL · Gulli ch.13 Human-in-the-Loop · Towards AI 동기·비동기 HITL · Chain of Responsibility

이 부품과 이어지는 가이드라인

• 공공기관 신뢰가능 AI 구현 실용가이드 NIA, 2019(게시 2019.12.30).
• 금융분야 인공지능 가이드라인 금융위원회, 2026.6.22 시행(보도 2026.6.18).
• 금융분야 AI 위험관리프레임워크 금융감독원, 2026.6.
• 자동화된 결정에 대한 정보주체 권리 안내서 개인정보보호위원회, 2024.9. 공식 게시물 미확인(2024.9 보도로 확인).
• 고영향 인공지능 사업자 책무 가이드라인 과학기술정보통신부, 2026.1.
• 신뢰할 수 있는 인공지능 개발 안내서 과학기술정보통신부·TTA, 일반 2023·2024년판, 분야별 2023~2024.
• 인공지능 개발과 활용에 관한 인권 가이드라인 국가인권위원회, 2022(2022.4.11 전원위원회 의결). 공식 게시물 미확인(2022.4.17 보도로 확인).
• 생성형 인공지능 결과물에 의한 저작권 분쟁 예방 안내서 문화체육관광부·한국저작권위원회. 4종 모음 게시물에 수록.
• KS X ISO/IEC 22989 인공지능 개념 및 용어, KS X ISO/IEC TR 24028 인공지능의 신뢰성 개요 국가기술표준원 고시 제2023-0612호, 두 표준 모두 발행 2023.12.14. 각각 ISO/IEC 22989:2022, ISO/IEC TR 24028:2020과 일치(IDT).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

사용 결과(수정·이의·오탐 기록)가 정해진 주기와 트리거로 재학습·기준 개정에 되돌아오게 해, 배포 후에도 성능과 기준이 개선되게 한다.

PAX 사례 3건이 이 부품을 쓴다

맥락

C4가 수정·이의·오탐을 기록하고 있는 B2 예측기, B4 인식 파이프라인, B5 감지·경보, 추천형 B1. 유형 ③ 현장 감시, ⑤a 분석, ⑩ 위험 예측, ⑪ 추천·매칭.

맞서는 힘(긴장)

• 개선 속도 vs 검증 비용(재학습마다 C9 재검증)
• 현장 피드백 반영 vs 피드백 오염·편향
• 자동 반영 vs 반영 범위 상한

해법

C4의 수정·이의·오탐 기록을 입력으로, 재학습 또는 기준 개정의 주기(예: 6개월)와 트리거(예: 일치율 임계 미만)를 수치로 정한다. 개정 전에는 C9 평가 세트로 재검증해 기준을 넘는 경우에만 배포하고, 개정 이력을 남긴다. 반영 범위에 상한을 두고 평가 기간에는 루프를 동결하는 조건도 정한다. 이용자 쪽에서는 F10 피드백이 입력이 된다.

이럴 때 쓴다

• C4에 수정·오탐 기록이 쌓이는 학습 모델 기반 부품
• 데이터 분포가 시간에 따라 바뀌는 감지·예측 업무
• 유형 ③⑤a⑩⑪처럼 C6가 필수인 유형

이럴 때는 쓰지 않는다

• B0 결정적 도구처럼 학습·개정할 모델·기준이 없을 때
• C4 기록과 C9 평가 세트가 없어 반영 결과를 검증할 수 없을 때(먼저 C4·C9)

얻는 것

• 배포 후 성능 개선
• 현장 기준 변화 반영
• Native 단계 진입 근거

점검표

• 주기·트리거가 수치로 정해져 있는가
• 환류 입력 데이터가 C4에서 나오는가
• 개정 전 재검증 절차가 있는가
• 실증 기간에 완결된 사이클이 1회 이상 기록되었는가

구조 — 참여 부품

• C4 감사 로그·지표 — 수정·이의·오탐 기록 제공
• 환류 규칙 — 주기·트리거·표본·임계값·반영 상한
• C9 평가 세트·회귀시험 — 재학습·개정 결과의 재검증
• F10 이용자 자기확인·피드백 — 이용자 쪽 피드백 입력

변형

• 주기 재학습: 정해진 주기로 수정 데이터를 모아 모델 재학습
• 전문가 판정 적재 플라이휠: 전문가 검수 결과를 Ground Truth DB로 적재해 재학습에 환류
• 프롬프트·기준 개정: 재학습 없이 피드백을 프롬프트·기준에 상한을 두고 반영
• 표본 대조 재조정: 주기적으로 표본을 전문가 판단과 대조해 일치율 미달 시 재조정

관련 부품

C4 입력 — 수정·이의·오탐 기록 · C9 재검증 단계 — C6의 재검증이 곧 C9 · F10 이용자 쪽 입력 — 자기확인·피드백 · C1 원천 — 검토 수정 내역 · A1 기록처 — 재학습 데이터셋

참고 자료

computer.org 지속 학습 · Gulli ch.9 Learning & Adaptation · Observer · State · PAX AIM06

이 부품과 이어지는 가이드라인

• 제조AI 2030 전략 산업통상부, 2026.6(2026.6.29 공개). 현행.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

답변에 근거 문서·조문·통계표 ID를 붙여 이용자가 원문을 직접 확인할 수 있게 한다. C5 출처 검증의 이용자 면이다.

PAX 사례 87건이 이 부품을 쓴다

맥락

B3 지식 접지 상담, A8 공공데이터 MCP, 법령·통계·규정을 인용하는 모든 응답. 유형 ① 대민 상담, ⑤b 데이터 에이전트, ⑦ 대조·점검, ⑨ 인수인계(원문 위치).

맞서는 힘(긴장)

• 출처 상세도 vs 화면 복잡도
• 출처 표시 vs 실제 검증(표시만 하고 검증하지 않으면 잘못된 신뢰)
• 원문 링크의 신선도 vs 유지 비용

해법

답변의 각 주장에 근거 문서·조문 번호·통계표 ID·원문 위치를 붙이고, 원문으로 바로 이동하는 링크를 제공한다. 출처의 갱신 시각과 이용 조건을 함께 보여 오래된 자료를 현재로 오인하지 않게 한다. 표시되는 출처는 C5 출처 검증을 통과한 것이어야 한다.

이럴 때 쓴다

• B3 지식 접지 응답 전반
• 대민 서비스 D1~D7(F1·F2·F7이 최소 요건)
• 유형 ①⑤b⑦⑨처럼 F1이 필수인 유형

이럴 때는 쓰지 않는다

• 모델의 판정 근거(요인·BBox·사유 코드)를 보여 주려는 경우(F9)
• B0 결정적 도구로 원천 데이터를 그대로 보여 주는 경우(출처가 곧 화면)

얻는 것

• 이용자 신뢰 확보
• 원문 대조로 오류 발견
• 공식 판단 여부를 이용자가 스스로 확인

점검표

• 모든 답변에 출처가 붙는가
• 출처가 원본과 대조되는가
• 갱신 시각이 보이는가
• 이용자가 원문을 바로 열 수 있는가

구조 — 참여 부품

• C5 가드레일 필터 — 출처 검증
• 이용자 — 원문을 열어 대조

변형

• 문서·조문 인용: 근거 문서명과 조문 번호를 답변에 붙임
• 통계표 ID 인용: 통계 답변에 통계표 ID를 자동 인용(KOSIS MCP 방식)
• 출처·신선도 표시: 출처에 갱신 시각과 이용 조건을 함께 표시

참조 구현 예

• PAX Korean Stats MCP — KOSIS 통계를 자연어로, 출처 자동 인용
• PAX 224e2d82d9369735 — 모든 출처에 갱신 시각과 이용 조건을 함께 저장한 출처·신선도 표시
• PAX 9998aba2d1f55c24 — 항목별 법령·처분사례 원문 연계(F1)

관련 부품

C5 시스템 쪽 대응 — 출처 검증 · F7 짝 — 한계 안내와 함께 신뢰의 실체 · F9 구분 — 판정 근거 표시 · B3 끼울 자리 — 지식 접지 응답 · A3 출처 제공 — 공공 API 원문

참고 자료

aiuxpatterns Results · Show Citations

이 부품과 이어지는 가이드라인

• 인공지능 투명성 확보 가이드라인 과학기술정보통신부, 2026.1.
• 생성형 인공지능 결과물에 의한 저작권 분쟁 예방 안내서 문화체육관광부·한국저작권위원회. 4종 모음 게시물에 수록.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

생성물을 이용자가 직접 고쳐 확정하게 한다. 통제감의 실체이며, 수정 내역은 C4 지표와 C6 환류의 입력이 된다.

PAX 사례 50건이 이 부품을 쓴다

맥락

B1 코파일럿(필수 면), B7 콘텐츠 생성기, B4 인식 결과 확정. 유형 ② 접수·심사, ④ 기안 코파일럿, ⑫ 개발 코파일럿, 5a-agg(R19), 2b 시민 제출 준비(R20).

맞서는 힘(긴장)

• 편집 자유도 vs 원본 추적(무엇을 고쳤는지)
• 편집 가능한 공공 서식(HWPX 등) 출력 vs 구현 비용

해법

생성물을 이용자가 바로 고칠 수 있는 형식(편집 화면, HWPX·PPTX 등 네이티브 파일)으로 내고, 이용자가 고친 뒤 확정하게 한다. AI 원안과 수정본의 차이를 기록해 C4 수정률과 C6 환류 입력으로 쓴다. 문서 형식 출력은 A10 어댑터가 받친다.

이럴 때 쓴다

• B1 코파일럿 전반(필수 면)
• 대민 서비스 D1~D7(F1·F2·F7이 최소 요건)
• 유형 ②④⑫, 5a-agg, 2b처럼 F2가 필수인 유형

이럴 때는 쓰지 않는다

• 이용자가 결과를 수정하면 안 되는 판정 결과(판정은 C1 확정 절차로 다룸)
• 조회 결과만 보여 주는 P0 도구

얻는 것

• 이용자 통제감
• 수정 내역이 품질 지표·환류 데이터가 됨
• 공공 서식 재작업 감소

점검표

• 산출물을 이용자가 직접 고칠 수 있는가
• 원안과 수정본 차이가 기록되는가
• 공공 서식 형식으로 편집 가능한가

구조 — 참여 부품

• 편집 화면·네이티브 파일 — 이용자가 직접 고치는 면
• A10 문서 형식 어댑터 — HWPX·PPTX 등 편집 가능한 형식 출력
• C4 감사 로그·지표 — 수정 내역 기록

변형

• 화면 내 편집: 생성 결과를 화면에서 바로 수정·확정
• 네이티브 파일 출력: PPTX·HWPX·피그마 등 이어서 고칠 수 있는 형식으로 산출

참조 구현 예

• PAX cb0abc29707cc710 — PPTX 네이티브·피그마(로컬 MCP)·HTML 세 형식으로 수정 가능한 산출물 출력

관련 부품

C1 짝 — 확정 절차 · B1 끼울 자리 — 코파일럿의 필수 면 · A10 의존 — 편집 가능한 문서 형식 출력 · C6 후속 — 수정 내역이 환류 입력

참고 자료

InfoQ UX Editable Output

이 부품과 이어지는 가이드라인

• 생성형 인공지능 활용 저작물의 저작권 등록 안내서 문화체육관광부·한국저작권위원회. 4종 모음 게시물에 수록.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 공공부문 AI 도입·활용 사례집 NIA, 2025.12(게시 2025.12.29).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

보고서·공문·답변·직무기술서·제안서의 첫 판을 서식에 맞춰 만드는 내부 운영 블록이다. B1 스킬 코파일럿에 A9 규범 스킬과 A10 HWPX 어댑터가 붙는다.

PAX 사례 64건이 이 부품을 쓴다

맥락

기관 내부 문서의 첫 판을 만드는 업무. §7.3 유형 ④ 내부 문서·기안 코파일럿(D8.3 · D8.2, P1)과 유형 ⑫ 개발 코파일럿(D8.3, P1)의 무대. PAX 64건(주 부품 B1 64%, B0 20%), 문서·기안 영역 31건.

맞서는 힘(긴장)

• 초안 속도 vs 규범·서식 적합성
• 편집 가능 출력 vs 완성본처럼 보이는 초안의 과신
• 기관 문서 반출 제약 vs 상용 모델 품질
• 생성자-비평가 반복 품질 vs 비용(반복 상한)

해법

B1 코파일럿이 초안을 만들되, 보고서 구조·문체·서식·검증 절차를 A9 규범 스킬로 코드 밖에 패키징해 재사용하고, 출력은 A10 어댑터로 HWPX 등 기관 서식에 맞춘다. 품질은 B′5 생성자-비평가로 올리되 반복 상한(2~3회)을 둔다. 출력은 F2 편집 가능 형태로 내고, F5 참고자료 첨부로 범위를 좁히고, F3로 대안을 준다. 담당자가 C1로 확정하고, C5 비식별로 첨부 속 개인정보를 거르며, C9 평가 세트로 스킬 변경을 잰다. 개발 코파일럿이면 S9 샌드박스를 더한다.

이럴 때 쓴다

• 서식이 정해진 문서의 첫 판을 반복해 쓸 때
• AI 초안을 다시 기관 서식에 옮기느라 시간이 들 때
• 문서 규범을 여러 사람이 같은 방식으로 적용해야 할 때

이럴 때는 쓰지 않는다

• 기존 문서를 요약·추출만 하면 D8.2
• 초안을 규정·인용과 대조해 점검하는 것이 목적이면 D8.4(우선순위 높음)
• 보도자료·카드뉴스처럼 발행물이면 D8.10(우선순위 높음)

얻는 것

• 첫 판 작성 시간 단축
• 기관 규범의 일관 적용
• 스킬 단위 재사용

점검표

• 초안이 기관 서식 그대로 열리고 고쳐지는가
• 규범이 프롬프트가 아니라 재사용 스킬로 분리되어 있는가
• 스킬 변경을 평가 세트로 재는가
• 담당자 확정 없이 기안으로 나가지 않는가

구조 — 참여 부품

• 담당자 — 요청·참고자료를 주고 초안을 고쳐 확정
• B1 직접 프롬프트 코파일럿 — 초안 생성
• A9 업무 규범 스킬 — 구조·문체·서식·검증 절차 패키지
• A10 문서 형식 어댑터 — HWPX 등 기관 서식 출력
• B′5 생성자-비평가 — 초안을 규범 기준으로 검토·수정
• C1 검토 큐 — 담당자 확정

변형

• 보고서·공문 스킬형: A9 규범 스킬 + A10 HWPX 출력(gov-report-skill, public-doc-to-hwpx).
• 민원 답변 초안형: 규정에 접지한 답변 초안을 담당자가 검수(B3 내부 검수형과 겹침).
• 개발 코파일럿형: 공직자 코드 작성 보조. 유형 ⑫(필수 A9, A2.1|A2.2, C1, C9, S9, F2; R22).

참조 구현 예

• HRMCP — 카탈로그 D8.3 카드 예: NCS 온톨로지 기반 HR 실무 MCP 서버
• public-doc-to-hwpx — 카탈로그 D8.3 카드 예: AI 초안을 공공기관 보고서 서식 HWPX로
• gov-report-skill — §7.3 유형 ④ 참조 구현

관련 부품

A9 필수 기반 — 규범 스킬 · A10 필수 기반 — HWPX 어댑터 · D8.2 이웃 블록 — 같은 유형 ④ · D8.4 후속 블록 — 초안 점검 · B′5 제어 흐름 원형 — 생성자-비평가

참고 자료

카탈로그 §7.3 유형 ④·⑫ · 카탈로그 §7.2 진행 경로 · 카탈로그 §6 A9·A10 카드

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 금융분야 인공지능 보안 안내서 금융보안원, 2026.6(게시 2026.6.19).
• 공공 AX 프라이버시 보호 안내서 개인정보보호위원회, 2026.7(2026.7.23 제11회 과학기술관계장관회의에서 공개).

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 국가·공공기관 AI보안 가이드북 국가정보원, 2025.12(게시 2025.12.10). 현행 핵심.
• 프런티어 AI 보안 위협 금융분야 대응 요령 금융보안원, 2026.7(게시 2026.7.1).
• 개인정보의 안전성 확보조치 기준 안내서 개인정보보호위원회, 2025.11(게시 2025.11.28).
• 고영향 인공지능 사업자 책무 가이드라인 과학기술정보통신부, 2026.1.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗

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

• 공공부문 AI 도입·활용 가이드 행정안전부·NIA, 2026.6. 현행 핵심.

웹북에서 전체 프로필 보기 ↗ · 패턴 성좌 디렉터리에서 보기 ↗