2026년 공공 부문에 영향을 미칠 3가지 핵심 전망

2026년 공공 부문 조직은 AI를 효과적이고 안전하게 도입해야 한다는 요구가 지속적으로 증가하고 있습니다. 이러한 중대한 운영상의 전환 속에서 공공 부문 조직은 기존 거버넌스 체계를 유지하면서도 새로운 혁신 도구를 도입하는 방안에 대해 모색하고 있습니다. 업계 전반은 예산 축소와 강화된 감독이라는 환경에 직면해 있으며, 현대화 추진, 부처 간 협업 확대 및 미션 성과 창출이라는 요구를 동시에 균형 있게 관리해야 합니다. 

이러한 변화의 속도는 앞으로 더욱 가속화될 것입니다. Snowflake 공공 부문 글로벌 CTO인 Stephen Moon은 “이 변화의 속도를 인식해야 합니다. 불과 3년 전만 해도 ChatGPT나 생성형 AI를 아는 사람은 거의 없었습니다.”라며 “앞으로 12개월, 18개월, 24개월 후 어떤 일이 벌어질지 염두에 두어야 합니다. 계속해서 변화할 것입니다.”라고 말합니다.

향후 1년간 공공 부문 조직에 대한 세 가지 주요 전망은 다음과 같습니다.

• AI가 실질적 가치를 창출하려면 데이터 및 시맨틱 상호운용성이 필수 요소가 될 것입니다. 

• 성과 기반 감독 및 투명성이 표준으로 자리 잡을 것입니다.

• AI 채택은 보안과 거버넌스가 적용된 엔클레이브로 이동할 것입니다.

전망 1: 효과적인 AI 구현을 위한 AI 준비 데이터의 중요성 확대 

예산 제약이 지속되는 가운데, 미션 크리티컬 업무를 지원하는 AI 역량에 집중하는 것이 더욱 중요해지고 있습니다. 조직들은 다양한 부처 전반에서 공통된 지표를 활용하여 미션 수행 기여도를 입증해야 하는 요구에 직면해 있습니다. 이러한 지표 보고는 보조금 배분 방식과 우선순위 프로그램 선정에 직접적인 영향을 미칩니다. 

이 모든 것은 데이터에서 시작됩니다. Moon은 “데이터를 AI에 적합한 상태로 만드는 것이 가장 중요합니다.”라며 “정부 조직에서는 데이터 사일로가 있는 경우가 많기 때문에, 이를 정제하고 AI 활용이 가능하도록 준비하는 것이 중요합니다. 즉, 대규모 언어 모델이 데이터를 안전하게 액세스할 수 있도록 하고(데이터 상호운용성), 의미를 이해할 수 있도록 하는 것(시맨틱 상호운용성)이 필요합니다.”라고 설명합니다.

데이터 및 시맨틱 상호운용성은 공공 부문 조직에서 더 이상 ‘있으면 좋은 요소’가 아니라 비즈니스 가치를 창출하기 위한 필수 요건으로 전환되고 있습니다. Moon은 “모델에 질문을 했을 때 신뢰할 수 있는 답변을 기대할 겁니다.”라며 데이터를 AI 준비 상태로 만든다는 것은, 해당 그라운딩 과정에서 고품질 데이터를 확보하고 이를 AI 모델에 제공하여 최종 사용자에게 정확한 응답을 생성하도록 하는 것을 의미합니다.”라고 강조합니다.

2026년에는 공공 기관들이 공유 데이터 제품을 활용하고 일관된 정의와 성공 지표를 수립하며, 이 모든 요소를 기관의 미션 달성에 연결하는 것이 요구됩니다. 이제 기관들은 점대점 데이터 교환 방식에서 벗어나, 실시간으로 운영되고 거버넌스가 적용된 데이터 제품 중심으로 전환하고 있습니다.

지난 몇 년간 조직들은 실험 단계에 머물러 있었습니다. Moon은 “이제는 ‘이 파일럿이 무엇이며, 실제 프로덕션 환경으로 이어질 명확한 경로가 있는가’를 묻기 시작했습니다.”라고 설명합니다. 공공 부문 리더들은 조직에 가장 큰 가치를 제공하면서, 프로덕션 수준으로 전환할 수 있는 명확한 경로가 있는 AI 이니셔티브를 찾고 있습니다. 

전망 2: 성과 기반 감독과 실시간 투명성의 표준화

공공 부문 조직들은 AI 혁신과 예산 제약 간의 균형, 그리고 AI 규정 준수와 보안 요구사항 간의 균형을 어떻게 맞출 것인지에 대해 고심하고 있습니다. 조직의 감독 기구는 어떤 AI 모델이 사용되고 있는지, 해당 모델에 어떤 데이터가 활용되는지, 그리고 어떤 의사결정에 영향을 미치고 있는지를 파악하고자 합니다. 운영 효율성과 투명성을 확보하면서 AI 이니셔티브를 추진하기 위해, 조직들은 공유 인프라를 보다 효과적으로 활용하는 방향으로 나아가고 있습니다. 

Moon은 “리소스는 제한되어 있기 때문에 모든 것을 다 할 수는 없습니다.”라며 “투자 대비 수익을 기준으로 프로젝트를 선택해야 합니다. 기술 파트너와 협업할 때에는 해당 투자의 기대 수익을 평가할 수 있는 체계를 갖추고 있는지 확인해야 합니다. 모두가 AI 도입에 대한 압박을 받고 있지만, 그렇다고 해서 모든 곳에 리소스가 충분히 제공되는 것은 아닙니다. 낮은 영향과 높은 영향 사이에는 트레이드오프가 존재합니다. 중요한 것은 미션이며, 어떤 것이 가장 큰 영향을 만들어낼 것인가입니다.”라고 말합니다.

감독 기구와 리더십은 프로그램 성과에 대해 실시간으로 확인 가능하고 재현 가능한 뷰를 요구하게 될 것이며, 감독 관련 질의에 대해서도 보다 신속한 답변을 기대하게 될 것입니다. 리더들은 어떤 프로젝트가 미션을 지원하는지 판단하고, 기술적 영향과 비즈니스 영향 측면 모두에서 가장 큰 효과를 낼 수 있는 프로젝트를 기준으로 의사결정을 내려야 합니다. 

전망 3: 보안 및 거버넌스 기반의 엔클레이브 환경으로 이동하는 AI 도입

빠르게 변화하는 AI 표준과 보안 요구사항은 공공 부문 AI 아키텍처를 재편할 것입니다. 조직들은 개방형 실험 단계에서 벗어나, 직원 생산성을 향상시키는 AI 에이전트를 포함한 미션 대응형 도메인 특화 AI를 도입하고 있습니다. 또한 거버넌스, 휴먼 인 더 루프(인간 개입 기반 검증) 컨트롤 및 대규모 규정 준수를 지원하는 보안 기반 ‘AI 엔클레이브’를 우선적으로 구축하려 하고 있습니다. 

중앙집중형 AI 규칙을 포함한 정책 및 보안 요구사항에 대한 압박도 커지고 있습니다. 그러나 Moon은 “AI는 매우 빠르게 변화하기 때문에 거버넌스는 상당히 까다로운 과제입니다.”라며 “오늘 정책을 수립하고 5년 후에 다시 검토하는 방식으로는 대응할 수 없습니다.”라고 말합니다.

이처럼 산업의 역동성은 거버넌스와 보안 모델 설계에 중요한 요소로 작용합니다. 공공 부문 조직들은 협력을 통해 안전한 AI 도입을 가속화할 수 있습니다. 또한 과도한 우려가 도입을 지연시켜서는 안 됩니다. Moon은 “결국 어떤 데이터 플랫폼이나 모델을 선택해야 하는 시점이 옵니다.”라며, 공급업체 종속을 피하기 위해 “여러 플랫폼에서 동작할 수 있는 모델을 선택해야 합니다. 그래야 플랫폼을 변경하고자 할 때 유연하게 대응할 수 있습니다. 이러한 상호운용성은 기술적 측면과 데이터 측면에서 서로를 기반으로 발전합니다.”라고 설명합니다.

공공 부문 리더를 위한 효과적인 AI 환경 대응 방안

향후 AI 이니셔티브를 추진함에 있어 공공 부문 리더들은 조직에 실질적인 영향을 창출하는 데 우선순위를 두어야 합니다. 무엇보다도 조직은 데이터를 중심에 두어야 합니다. 데이터가 곧 엔진을 구동하기 때문입니다. Moon은 “잘못된 데이터를 입력하면 잘못된 결과가 나온다는 원칙은 AI에서도 변하지 않습니다.”라며 “부정확한 정보를 제공하면 잘못된 답변이 그대로 반환됩니다. 데이터 품질, 상호운용성, 정제, 데이터 플랫폼에 집중할수록 AI는 미션 수행에 더욱 유용해집니다.”라고 말합니다.

AI 표준은 지속적으로 발전하고 있으며, 기관들이 AI 모델의 실행 위치와 액세스 가능한 데이터를 어떻게 결정할지에 대한 기준을 점차 체계화하고 있습니다. 조직은 부서별로 별도의 맞춤형 스택을 구축하지 않으면서도 AI를 확장해야 하는 압박을 받고 있습니다. 이에 따라 조직들은 협력을 통해 보안이 적용된 AI 엔클레이브를 정의하고, 거버넌스 기준을 중앙화하며, 워크플로우에 도메인 특화 AI 에이전트를 도입하게 될 것입니다. 

AI 도입 효과를 높이기 위해서는 “AI를 생산성 증폭 도구로 활용하는 방법을 익혀야 합니다.”라고 Moon은 강조합니다. “현재는 감당하기 어려울 정도로 많은 정보가 쏟아지고 있습니다. 이를 수작업으로 모두 처리하는 것은 사실상 불가능합니다. AI를 활용해 중요한 정보를 선별하고, 업무를 보완하는 수단으로 활용해야 합니다.”

공공 부문 AI 및 데이터 동향에 대해 더 알아보고 싶으시다면 “How AI Policies Are Impacting Gov IT” 웨비나 전체 영상을 시청하세요.