생성형 AI 시대, 공공웹 품질관리는 어디로 — LLM 분석의 의미와 전망

AI가 "분석을 도운다"는 말이 실제로 무엇인지, 그리고 우리가 경계하는 것들

들어가며 — 도구가 바뀌면 무엇이 달라지는가

생성형 AI가 쏟아지는 시대다. 텍스트를 쓰고, 코드를 생성하고, 이미지를 그리고, 요약을 만드는 도구들이 매달 새로운 버전으로 등장한다. 공공 부문도 예외가 아니다. 행정안전부와 디지털플랫폼정부위원회는 2024년 4월 「공공부문 초거대 AI 도입·활용 가이드라인」을 배포했고, 2025년 4월에는 그 2.0 버전을 내놓았다. 중앙부처, 지방자치단체, 공공기관 모두를 대상으로 AI를 "이제는 선택이 아니라 필수"로 명시했다.

그렇다면 공공 웹사이트의 품질관리도 바뀌어야 할까. 아니, 이미 바뀌고 있을까.

이 질문 앞에 솔직해지고 싶다. '생성형 AI 시대'라는 표현은 멋있게 들리지만, 막상 "우리 기관 홈페이지의 KRDS 준수 여부를 AI가 판정해 준다"는 말을 들었을 때 담당자의 반응은 대개 둘 중 하나다. "드디어 이런 게 나왔네"이거나, "그거 믿어도 되나"이다. 그 두 반응 사이 어딘가에 실제 이야기가 있다.

이 편은 ViewCheck LLM 분석 시리즈의 마지막 편이자, 가장 멀리서 바라보는 편이다. 기능 하나하나를 설명하는 대신, 생성형 AI가 공공 디지털 품질관리라는 영역에 어떤 변화와 어떤 한계를 동시에 가져오는지, 그 안에서 ViewCheck LLM 분석이 어느 위치에 있는지를 이야기한다.

"AI가 다 해결해 줄 것입니다"라고 말할 생각은 전혀 없다. 오히려 반대다. 이 시대의 가장 큰 위험 중 하나는 AI가 "그럴듯하게 틀리는 것"이고, 공공 품질관리 영역에서 그것이 어떤 형태로 나타나는지를 가능한 한 솔직하게 들여다보려 한다. 그래야 "그럼에도 LLM 분석이 의미 있는 이유"가 더 진정성 있게 들릴 것이다.

40대 한국인 공공기관 담당자가 두 모니터를 바라보며 웹 품질 대시보드와 AI 분석 결과를 나란히 보는 모습. — 도구가 바뀌면 무엇이 달라지는가. 공공 웹 담당자가 두 화면 앞에서 멈추는 장면.

숫자로 보는 전환 — 공공 부문의 생성형 AI는 지금

숫자부터 보자. 실제로 얼마나 빠르게 변하고 있는지를 확인하는 게 이야기의 출발점이다.

미국 회계감사원(GAO)이 2025년 7월 발표한 보고서(GAO-25-107653, "Artificial Intelligence: Generative AI Use and Management at Federal Agencies")에 따르면, 연방 기관들의 AI 활용 사례는 2023년 571건에서 2024년 1,110건으로 거의 두 배 증가했다. 특히 생성형 AI 사용 사례는 같은 기간 32건에서 282건으로 약 9배 폭증했다. 단 1년 사이의 수치다.

이는 미국만의 이야기가 아니다. OECD는 2024년 "AI를 활용한 거버넌스(Governing with Artificial Intelligence)" 보고서에서, AI가 공공 서비스의 생산성과 반응성을 높이고 정부 책임성을 강화할 수 있다고 평가하면서도, 동시에 "정부는 신뢰할 수 있는 AI의 가능 환경을 구축하면서 잠재 위험을 완화해야 한다"는 점을 명시했다. 기회와 위험을 한 문장에 담은 것이다.

국내는 어떨까. 디지털플랫폼정부위원회가 2025년 4월 배포한 「공공부문 초거대 AI 도입·활용 가이드라인 2.0」은, 공공 AI의 3대 전략 목표로 ①사회문제 해결, ②대국민 서비스 혁신, ③일하는 방식 효율화를 제시했다. 검색 증강 생성(RAG) 기술을 AI 도입 시 데이터 학습 방식으로 새롭게 명시한 것도 눈에 띈다. 정부가 RAG라는 개념을 공식 가이드라인에 명문화했다는 것은, 단순히 기술 유행어를 따라가는 수준이 아니라 실무 적용을 전제로 한 기준 설정이라는 의미가 있다.

그리고 웹 품질관리라는 좁은 영역으로 들어와도, 2025년 6월 25일 개정된 행정안전부고시 제2025-46호 「전자정부 웹사이트 품질관리 지침」은 주목할 만한 방향을 택했다. 기존에 고시 본문의 별표에 직접 담겨 있던 "품질진단 기준(기술적 사항)"을 삭제하고, 그 구체적·기술적 사항을 별도의 「품질관리 가이드」로 위임했다. 이 선택이 무엇을 뜻하는지는 뒤에서 따로 살펴보겠다. 지금 여기서 확인하고 싶은 것은 하나다 — 공공 부문 전체가, 그리고 공공 웹 품질관리라는 세부 영역에서도, 생성형 AI와 어떻게 공존할 것인가를 진지하게 묻기 시작했다는 것이다.

"가이드라인"이라는 무기 — 기준이 살아 움직인다는 것

2025-46호 개정에서 품질진단 기준을 별표에서 가이드로 옮긴 것은 사소한 행정 절차 변경처럼 보일 수 있다. 하지만 이 선택의 배경을 조금 더 들여다보면, 그 안에 중요한 신호가 있다.

공공 웹 품질의 기술적 기준은 생각보다 빠르게 변한다. WCAG(웹 콘텐츠 접근성 지침)는 2.1에서 2.2로, 그리고 앞으로 3.0으로 나아가고 있다. 브라우저 기술이 바뀌고, 모바일 환경이 진화하고, 공공 서비스에 새로운 유형의 인터랙션이 등장한다. 이것들을 법령이나 고시에 모두 박아두면, 기준이 현실보다 항상 뒤처지게 된다. 가이드로 위임함으로써 "기준을 살아 있게" 두는 것 — 이 선택 자체가 이미 디지털 시대에 적합한 규범 운영 방식으로의 전환이다.

생성형 AI 시대에 이것은 더 중요한 함의를 갖는다. AI 기반 도구들이 품질 진단에 개입할수록, 기준도 그 도구들이 판정할 수 있는 형태로 구체화되어야 한다. "텍스트 대비가 충분한가"라는 질문은 DOM에서 색상값을 읽고 수치를 비교하면 판정 가능하다. 반면 "이 페이지가 사용하기 편한가"는 AI가 자동으로 판정하기 매우 어렵다. 기준을 가이드로 분리하면, 자동화 가능한 항목과 사람이 판단해야 하는 항목을 보다 유연하게 나눌 수 있다.

ViewCheck의 관점에서 이것은 매우 실질적인 문제다. 우리가 KRDS 846개 규칙을 분석할 때, 그 중 일부는 DOM 데이터만으로 명확하게 판정된다. 하지만 일부는 "사람이 눈으로 봐야 아는" 시각적 영역이고, 또 일부는 "사용자가 직접 상호작용해봐야 아는" 런타임 영역이다. 기준이 살아 있다는 것은 이 세 범주의 경계가 기술의 발전에 따라 계속 이동한다는 의미이기도 하다. 어제는 "사람만 할 수 있었던" 판정이 오늘은 AI가 도울 수 있게 되고, 그것이 가이드에 반영되어 내일의 기준이 된다.

이런 흐름 속에서 "기준을 살아 있게 유지하는 것"은 품질관리 인프라의 핵심이 된다. ViewCheck가 규칙을 코드에 하드코딩하지 않고 데이터로 관리하는 이유도 여기에 있다. 기준이 바뀌면, 데이터를 업데이트하면 된다. 코드 전체를 갈아엎지 않아도 된다. 이것이 "살아 있는 기준"에 대응하는 도구의 방식이다.

생성형 AI가 가져온 것 — 3가지 진짜 변화

공공 웹 품질관리의 맥락에서, 생성형 AI가 가져온 변화를 세 가지로 정리해 보고 싶다. 거창한 미래 선언이 아니라, 지금 이미 일어나고 있거나 당면한 현실적인 변화들이다.

변화 1: "설명"이 가능해졌다

기존 자동화 도구의 한계 중 하나는 "왜"를 말하기 어렵다는 점이었다. 체크리스트 기반 자동 점검 도구는 "이 항목 실패"라고 알려줄 수 있지만, "왜 실패인지, 어떻게 고쳐야 하는지"를 자연어로 설명하는 데는 취약했다. 결과를 해석하는 것은 전문가의 몫이었다.

생성형 AI는 이 부분에서 실질적인 변화를 만든다. 판정 결과를 자연어로 설명하고, 맥락을 덧붙이고, 개선 방향을 서술하는 일을 AI가 도울 수 있다. 담당자가 "이 항목이 왜 미통과인가요?"라고 물으면, 규칙의 어떤 조건을 충족하지 못했는지, 어떤 문서에 근거한 것인지를 대화로 풀어주는 것이다.

물론 여기에 조건이 붙는다. AI가 "그럴듯한 설명을 지어내는 것"과 "근거 있는 설명을 정확히 하는 것"은 완전히 다르다. 전자가 바로 '환각(hallucination)' 문제다. 이것은 변화 1의 이면이자 한계로, 이 편의 중심 주제이기도 하다. 일단 변화를 먼저 보고, 뒤에서 한계를 다룬다.

변화 2: "대화"라는 진입로

"품질 점검 보고서"를 받아 든 비전문가의 가장 큰 어려움은 읽기다. 표와 수치로 가득 찬 보고서는, 그것을 만든 사람에게도 해석이 필요하고, 의사결정자에게는 더더욱 그렇다. 생성형 AI는 이 장벽을 낮춘다. 결과를 대화로 탐색할 수 있게 되면, 비전문가도 "이 부분이 왜 문제인가요?"를 대화창에 타이핑해서 답을 얻을 수 있다.

이것은 도구의 사용자층을 넓힌다. 기존에는 전문가만 결과를 소화할 수 있었다면, 이제는 행정 실무자, 기관장 비서실, 의사결정자까지 품질 데이터에 직접 접근하는 가능성이 열린다. ViewCheck가 24개 분석 카드를 '임원보고서'부터 '개선 로드맵'까지 다층적으로 설계한 이유도 여기에 있다. 같은 데이터를 보는 사람에 따라 다른 입구를 열어주는 것이다.

변화 3: "속도"와 "커버리지"의 새로운 등식

사람이 공공 웹사이트를 수동으로 점검할 때, 속도와 커버리지는 늘 Trade-off 관계다. 깊이 보면 느려지고, 빠르게 가면 얕아진다. 100페이지짜리 사이트를 한 사람이 꼼꼼히 보는 것은 물리적으로 불가능에 가깝다.

자동화 + 생성형 AI는 이 등식을 바꾼다. 속도는 유지하면서 커버리지를 넓히는 것이 가능해진다. 크롤러가 100페이지를 돌고, 846개 규칙을 수 초 안에 판정하고, 그 결과를 AI가 읽을 수 있는 형태로 정리하면 — 사람은 그 요약을 보고 무엇에 집중해야 할지를 판단하면 된다. 물론 이 "요약의 정확성"이 다시 핵심 신뢰의 문제로 돌아온다.

그리고 한계 — AI가 "그럴듯하게 틀리는" 문제

세 가지 변화를 이야기했지만, 이제 가장 중요한 역방향 이야기를 해야 한다. 생성형 AI의 가장 치명적인 약점, 그것이 공공 품질관리 영역에서 어떤 형태로 나타나는가.

EU AI Act(2024년 8월 발효)의 실행 지침은 환각(hallucination)을 명시적으로 핵심 위험 중 하나로 규정했다. 부록 1.3.2에서 "범용 AI 모델 제공자가 평가하고 완화해야 할 주요 위험" 중 환각을 포함시켰다. 이것은 환각이 더 이상 기술적 해프닝이 아니라, 규제 대상 위험으로 인정받았다는 의미다.

수치로 보면 더 선명하다. 연구 결과에 따르면, GPT-3.5의 환각률은 약 40%, GPT-4.0은 약 29%로 추정된다(Maxim AI, "The State of AI Hallucinations in 2025"). 다시 말해 법률·의료·컴플라이언스 같은 고위험 도메인에서 AI가 생성한 내용의 30~~40%가 사실이 아닐 수 있다는 것이다. 물론 이 수치는 모델 버전과 도메인에 따라 크게 달라지고, 맥락 기반 시스템을 쓸 경우 정확도가 94~~99%까지 올라간다는 연구도 있다. 하지만 '기본 상태'에서의 환각 위험은 분명히 존재한다.

공공 웹 품질관리에서 이게 구체적으로 어떤 모습일까. 생각해 보자.

어떤 LLM이 특정 공공 웹사이트의 HTML 코드를 보고 "이 버튼의 색상 대비는 WCAG AA 기준을 충족합니다"라고 말한다. 실제로는 충족하지 않는데 말이다. 담당자가 이 판정을 그대로 보고서에 쓰면, 접근성이 부족한 사이트가 "합격" 처리된다. 더 나쁜 경우, LLM이 아예 존재하지 않는 KRDS 규칙을 지어내거나, 실제 고시 내용과 다른 기준을 서술한다.

이 문제의 심각성은 공공 영역에서 특히 크다. 민간 서비스는 품질 판정이 틀려도 서비스 개선의 방향을 잃는 정도지만, 공공 영역에서는 장애인 접근성이 누락된 사이트가 "합격"으로 분류되거나, 보안 취약점이 "이상 없음"으로 처리될 수 있다. 이것은 실제 시민의 권리와 직결된 문제다.

그래서 "AI가 판정한다"는 말은 반드시 "어떻게 판정하고, 그 근거를 어떻게 검증할 수 있는가"와 함께 이야기되어야 한다.

ViewCheck의 답 — DOM이 판정한 것은 AI가 뒤집지 않는다

환각 문제에 대해 ViewCheck가 선택한 접근을 솔직하게 설명한다.

핵심 원칙은 하나다: DOM이 명확하게 통과/미통과로 판정한 것은, AI가 뒤집지 않는다.

우리는 KRDS 846규칙 중 DOM 데이터(HTML 구조, CSS 값, ARIA 속성)로 판정 가능한 영역은 if/else 로직으로 처리한다. 이것은 AI가 아니다. 버튼의 색상값을 읽어 KRDS 색상 토큰과 비교하고, ARIA 레이블이 있는지 확인하고, 폼에 오류 메시지가 구현되어 있는지를 체크하는 것 — 이것은 규칙 기반 판정이다. 빠르고(보통 수 초), 반복 가능하고, 환각이 없다.

AI(LLM)는 이 판정이 못 닿는 두 가지 영역에서만 투입된다.

첫째, N/A 처리된 규칙 — DOM을 봐도 해당 컴포넌트가 없어서 "해당없음"으로 빠진 것들 중에, Vision AI로 화면을 보면 실제로 그 컴포넌트가 있다고 판정되는 경우. 비표준 HTML로 만들어진 UI 요소(이미지나 canvas로 구현된 버튼 등)가 대표적이다.

둘째, 시각적 영역 — 색상의 시각적 일관성, 이미지로 구현된 UI의 레이아웃 검증, 비표준 방식으로 구현된 컴포넌트의 감지 같은 것들. 이것은 DOM이 절대 알려줄 수 없다.

그리고 AI가 이 두 영역을 다룰 때도, 우리는 "AI가 그냥 말하게" 두지 않는다. 판정의 근거가 되는 문서 — KRDS 규칙 원문, 공식 컴포넌트 스펙, 공식 가이드라인 — 를 먼저 검색해 AI 앞에 펼쳐주고(RAG), 그 문서에 기반해 판정하고, 그 문서를 사용자에게 함께 제시하도록 강제한다. 사용자는 AI의 판정 결과 옆에서, "이 판정이 어느 규칙의 어느 조항에 기반한 것인지"를 직접 확인할 수 있다.

이것이 완벽한 답은 아니다. RAG도 잘못된 문서를 가져오거나, AI가 문서를 잘못 해석할 수 있다. 우리는 이 문제를 "해결했다"고 말하지 않는다. 다만 "환각이 일어났을 때 사용자가 그것을 발견할 수 있는 구조"를 만들려 한다. 근거가 함께 표시되어 있으면, 사용자가 근거를 확인해서 "이건 맞지 않는데"라고 발견할 수 있다. 근거 없이 결과만 있으면, 틀린 것을 발견할 방법 자체가 없어진다.

증적 — AI 종합 리포트가 24번째 카드인 이유

ViewCheck LLM 분석의 24번째 기능 카드는 'AI 종합 리포트'다. 이것이 마지막에 배치된 것은 설계 철학이다.

ViewCheck LLM 분석에서 24번째 카드인 AI 종합 리포트 화면 캡처. 분석 결과 전체를 자연어로 요약한 내용이 표시되어 있다. — ViewCheck LLM 분석의 24번째 카드, AI 종합 리포트. 앞선 23개 카드의 결과를 종합해 자연어로 정리한다. 이것이 가장 나중에 오는 것은, AI 요약이 분석의 '시작'이 아니라 '마무리'여야 한다는 판단 때문이다. — 실제 분석 화면

앞선 23개 카드 — 종합총평, 디자인 스타일, 컴포넌트, 기본 패턴, 서비스 패턴, 접근성, 보안, 반응형, 웹 성능, SEO, 오류 리스트, 위반 매트릭스, 법적 리스크, 벤치마킹, UX 라이팅, 비용·MM, 개선 로드맵 등 — 은 모두 구체적 데이터와 규칙 기반 판정의 결과다. AI 종합 리포트는 그 데이터를 '읽어서' 자연어로 정리하는 역할을 한다.

순서가 중요하다. AI 요약이 먼저 나오고, 그 요약을 뒷받침하는 데이터가 나중에 나오는 구조라면, 사용자는 AI의 말을 무비판적으로 따를 위험이 있다. 반대로 23개의 구체적 데이터를 먼저 제시하고, 마지막에 그것을 AI가 정리하면 — 사용자는 AI의 요약과 앞선 데이터를 비교하며 정합성을 확인할 수 있다. AI 요약이 데이터를 왜곡하거나 놓친 부분이 있다면, 앞선 카드들이 그 체크포인트가 된다.

이것은 작은 UX 결정처럼 보이지만, 실제로는 "AI를 어떻게 신뢰 가능하게 쓸 것인가"에 대한 구조적 답이다. 데이터가 먼저, AI 요약이 나중 — 이 순서는 앞으로도 바꾸지 않을 원칙이다.

공공 AI 거버넌스의 큰 그림 — 우리가 참고하는 기준들

ViewCheck의 설계는 진공 속에서 이루어지지 않는다. 공공 AI 거버넌스에 대한 국내외의 논의를 참고하며, 그 안에서 우리의 위치를 가늠한다.

OECD는 2024년 업데이트된 AI 원칙에서, 투명성과 설명 가능성, 견고성·보안·안전성, 책임성을 핵심 원칙으로 명시했다(OECD AI Principles 2024 Update). 특히 이번 업데이트에서는 2019년 원칙에 없던 '편향(bias)'이 명시적으로 포함되었다. AI의 편향 문제가 이제 핵심 의무로 인정받은 것이다. 이것이 공공 웹 품질관리와 어떻게 연결되는가. 예를 들어, AI 기반 분석 도구가 특정 유형의 웹사이트 구조에 편향되어 있다면(예: 특정 HTML 패턴을 더 잘 읽고 다른 패턴을 놓치는 경향), 그 편향이 분석 결과의 공정성에 영향을 준다. 이것도 우리가 계속 모니터링해야 하는 영역이다.

EU AI Act(2024년 8월 발효)는 AI 시스템을 위험 수준에 따라 분류하고, 고위험 AI는 접근성 요건을 충족해야 한다고 명시했다. 공공 서비스에 AI가 개입하는 경우가 많아질수록, 그 AI 자체가 접근성 기준을 지켜야 한다는 뜻이다. 이것은 흥미로운 역설을 만든다 — 접근성을 검사하는 AI 도구 자체가 접근성 규정의 대상이 된다.

국내의 공공부문 AI 거버넌스 논의에서도 핵심 키워드는 비슷하다. 행안부의 「세계 최고 AI 민주정부 실현」 국정 과제 자료는 AI 도입의 원칙으로 사회적 안전, 투명성, 신뢰성을 강조한다. 한국지능정보사회진흥원(NIA)이 배포한 AI 활용 가이드들도 책임 있는 AI 거버넌스를 일관된 주제로 다룬다.

이런 거버넌스 논의를 보면서 우리가 한 가지 명확히 이해하게 된 것이 있다. "AI 도구를 쓴다"는 것은 그 자체로 충분하지 않다. 그 도구가 어떤 원칙으로 작동하는지, 틀렸을 때 어떻게 발견할 수 있는지, 사용자가 그 결과를 어떻게 검증할 수 있는지 — 이 질문들에 답할 수 있어야 비로소 "신뢰할 수 있는 AI 도구"라고 말할 수 있다.

한국 공공기관 대형 회의실에서 여러 관계자들이 테이블 주위에 앉아 웹 품질 분석 대시보드가 표시된 프로젝터를 보며 회의하는 장면. — 공공 AI 거버넌스의 논의는 이미 회의실 안으로 들어와 있다. 기준을 정하는 사람들이 모이는 장면.

"전망"을 말하기 전에 — 불확실성을 솔직히

이 시리즈의 마지막 편이고, 주제가 "전망"이다. 그러니 앞으로 공공 웹 품질관리는 어떻게 바뀔 것인지를 이야기할 차례다. 하지만 그 전에 한 가지를 먼저 짚고 싶다.

전망을 말하는 것은 쉽다. 특히 AI를 주제로 할 때는 더 그렇다. "AI가 모든 것을 자동화할 것이다", "AI 덕분에 품질관리는 완전히 달라질 것이다" — 이런 말들은 그럴듯하게 들리지만, 실제로는 아무것도 약속하지 않는다. 이 시리즈 전체에서 우리가 지켜온 원칙이 있다. 확인 안 된 것을 사실처럼 쓰지 않는다. 전망편이라고 예외를 두고 싶지 않다.

그래서 다음에 이어지는 전망들은 모두 "~가 될 것이다"가 아니라 "~의 방향으로 가고 있다" 혹은 "~가 중요해질 것 같다"는 수준으로 이야기한다. 틀릴 수 있다. AI 분야는 1년 전 예측이 지금과 전혀 다른 방향으로 실현되는 일이 비일비재하다.

그것을 전제로, 이제 이야기해 보겠다.

전망 1: 품질관리의 지속적 자동화 — 그러나 전부는 아니다

공공 웹 품질관리에서 자동화가 확장되는 방향은 비교적 분명해 보인다. 지금도 접근성 자동 검사(axe-core, IBM Equal Access 등), HTML/CSS 표준 검증, 색상 대비 확인 같은 것들은 이미 자동화된다. KRDS 846규칙도 그중 상당 부분은 DOM 데이터로 자동 판정이 가능하다.

앞으로 Vision AI의 정확도가 높아지면, 지금은 "해당없음(N/A)"으로 남는 시각적 영역의 일부도 자동 판정 범위 안에 들어올 가능성이 있다. 이미지로 구현된 UI 컴포넌트, 비표준 방식의 버튼이나 탭 — 이것들을 AI가 인식하고 규칙과 매핑하는 정확도가 올라갈수록, 자동화의 커버리지는 넓어진다.

하지만 "전부"는 아닐 것이다. 어떤 영역은 사람이 판단하는 것이 본질적으로 더 적합하다. 예를 들어 "이 정책 안내 페이지가 시민에게 얼마나 이해하기 쉽게 작성되었는가"는 AI가 자동 판정하기보다, 실제 사용자가 읽어보고 판단하는 것이 훨씬 신뢰할 수 있다. 쉬운 언어(Plain Language)의 측정은 규칙 기반으로 일부 접근할 수 있지만, 그 본질은 독자의 경험에 있다.

자동화는 "사람이 할 수 없는 양"을 처리하는 것이지, "모든 판단"을 대체하는 것이 아니다. 이 선을 어디에 그을 것인가가 앞으로의 핵심 설계 질문이 될 것 같다.

전망 2: "근거 있는 AI"가 표준이 된다

환각 문제를 이야기할 때, 그 해법으로 RAG(검색 증강 생성)가 주목받는다는 것을 앞에서 언급했다. 공공 부문 AI 가이드라인(2025년 4월, 디지털플랫폼정부위원회)이 RAG를 명시한 것도 이 흐름을 반영한다.

앞으로 공공 AI 서비스에 대한 기대치는, "AI가 말했다"에서 "AI가 어디에 근거해서 말했다"로 이동할 것 같다. 특히 법령·고시·공식 기준을 다루는 영역에서는 더 그렇다. "KRDS 가이드라인 3.2.1 항에 따르면..."이라고 출처를 명시한 판정과, 출처 없이 "이 항목은 미통과입니다"라고 말하는 판정의 신뢰도는 시간이 지날수록 더 크게 갈릴 것이다.

이것은 도구를 만드는 입장에서 구체적인 요구 사항이 된다. 분석 결과마다 "이 판정의 근거가 된 규칙과 문서"를 함께 제시하는 구조가 '있으면 좋은 것'에서 '있어야 하는 것'으로 격상될 가능성이 높다. 실제로 OECD AI 원칙의 핵심 가치 중 투명성과 설명 가능성이 2024년 업데이트에서 더 강화된 것도 같은 방향이다.

ViewCheck의 참조패널 — 판정 결과 옆에서 근거가 된 규칙과 공식 문서를 확인할 수 있는 구조 — 은 이 방향성에 맞춰 처음부터 설계된 것이다. 아직 완성형은 아니고, 참조 문서의 정확도와 커버리지를 높이는 일을 계속하고 있다. 하지만 방향은 이 쪽이 맞다고 믿는다.

전망 3: 사람의 역할이 바뀐다 — 없어지는 게 아니라

생성형 AI가 공공 웹 품질관리에 더 깊이 개입할수록, 사람이 하는 일도 달라질 것이다. 없어지는 게 아니라, 바뀐다고 보는 게 더 정확하다.

지금 많은 담당자의 시간을 잡아먹는 일은, "이 페이지 열어서, 이 항목 체크하고, 저 페이지 열어서, 또 체크하고"의 반복이다. 이것은 자동화될 수 있는 영역이고, 그 자동화가 진전될수록 담당자는 이 반복 작업에서 해방된다.

하지만 그렇다고 담당자의 역할이 없어지는 건 아니다. 오히려 더 고차원의 역할이 남는다. "자동화 도구의 결과 중 무엇을 신뢰하고, 무엇을 재검토해야 하는가", "AI가 N/A로 처리한 규칙 중 실제로는 점검이 필요한 것이 있는가", "개선 로드맵의 우선순위가 이 기관의 현실에 맞는가" — 이런 판단들은 여전히, 아마도 영원히, 사람이 해야 한다.

영국 앨런 튜링 연구소(Alan Turing Institute)가 2025년 5월 발표한 보고서("Mapping the Potential: Generative AI and Public Sector Work")도 비슷한 결론에 닿는다. 생성형 AI는 공공부문 업무의 상당 부분을 보조할 수 있지만, 최종 판단과 책임은 여전히 사람에게 있어야 하며, AI의 오류를 발견하고 수정할 수 있는 사람의 역량이 오히려 더 중요해진다는 것이다.

그래서 우리는 ViewCheck를 "담당자를 대체하는 도구"가 아니라 "담당자가 더 잘 판단하도록 돕는 도구"로 정의한다. 이것은 마케팅 문구가 아니라, 설계 원칙이다.

전망 4: 기준과 도구의 공진화

앞에서 2025-46호 개정이 품질진단 기준을 가이드로 위임했다는 이야기를 했다. 이 흐름이 앞으로 더 진행된다면, 기준과 도구 사이의 관계가 달라질 것이다.

지금은 "기준이 먼저 있고, 도구가 그 기준을 추종한다"는 관계다. 행안부가 고시로 기준을 내놓으면, 점검 도구들이 그 기준에 맞게 업데이트된다. 이 관계는 앞으로도 기본적으로 유지될 것이다.

하지만 AI 기반 도구들이 실제 사이트들을 대량으로 분석하면서, 기준에 명시되지 않았지만 현장에서 반복적으로 발견되는 패턴이나 문제들을 식별할 수 있게 된다. 이런 "현장 데이터 기반의 패턴 발견"이 앞으로 기준 개정에 피드백되는 흐름이 만들어질 수도 있다. 기준이 가이드로 분리된 만큼, 그 가이드를 업데이트하는 주기도 짧아질 수 있다.

이것은 도구와 기준이 서로를 참고하며 함께 진화하는, 일종의 '공진화'다. 아직은 완전히 실현된 그림이 아니지만, 방향은 그쪽을 향하고 있는 것 같다. ViewCheck가 분석한 수천 개 사이트의 결과 데이터가, 언젠가 기준을 개선하는 데 기여하는 날이 오기를 기대하고 있다.

황금빛 조명이 현대식과 오래된 공공기관 건물을 비추는 한국 정부 지구의 항공 사진. — 기준이 도구와 함께 진화하는 시대. 기관들이 모인 도시의 풍경에서 디지털 전환의 흐름을 읽는다.

이미 달라진 것 — 현장에서 본 작은 변화들

전망의 이야기를 잠시 접고, 이미 달라진 것들을 이야기해 보자. 큰 그림이 아니라, ViewCheck가 실제 분석 과정에서 관찰한 작은 변화들이다.

분석을 많이 돌리다 보면, 공공 웹사이트들이 달라지고 있다는 게 보인다. KRDS가 공개되기 이전의 공공 웹사이트들은 기관마다 제각각인 경우가 많았다. 글꼴도 다르고, 버튼 모양도 다르고, 색상도 제각각이었다. 최근 리뉴얼된 공공 사이트들을 보면, KRDS 컴포넌트를 의식적으로 적용한 흔적이 보이는 경우가 늘었다. 완벽하지는 않지만, 방향이 맞아가고 있다.

접근성도 마찬가지다. KWCAG를 의식하고 만든 사이트와 그렇지 않은 사이트의 차이는, 분석 결과에서 꽤 뚜렷이 드러난다. 이미지에 alt 속성이 붙어 있는지, 폼 요소에 label이 제대로 연결되어 있는지, 색상 대비가 기준을 충족하는지 — 이런 기본적인 항목들에서도 최근 사이트들이 과거보다 더 나은 모습을 보이는 경우가 있다.

"AI가 분석해 주니까" 나아진 게 아니다. 기준(KRDS, KWCAG, 행안부 지침)이 명확해지고, 그 기준에 맞게 만들어야 한다는 인식이 높아졌기 때문이다. AI 기반 분석 도구는 그 인식을 높이는 데 기여할 수 있지만, 실제로 사이트를 개선하는 것은 결국 개발사와 담당자의 노력이다. 이 순서를 잊지 않으려 한다.

한국 공공 디지털 서비스의 미래와 KRDS

KRDS가 어느 위치에 있는지를 해외 맥락에서 한 번 더 짚어보자.

영국의 GOV.UK Design System은 2018년 시작해 수백 개의 정부 서비스에 적용됐다. 미국의 USWDS(U.S. Web Design System)도 비슷한 역할을 한다. 이 시스템들의 공통점은 단순히 "예쁜 UI를 통일한다"가 아니라, 접근성을 기본값으로 만들고, 서비스마다 개별적으로 해결해야 했던 문제들을 공통 컴포넌트로 해결해 준다는 데 있다.

GOV.UK Design System의 공식 문서는 "모든 컴포넌트와 패턴이 가장 널리 쓰이는 보조 기술로 검증되고 WCAG AA 수준을 충족한다"고 명시한다. 그리고 수백 개의 서비스가 이 시스템을 따름으로써, 중앙 시스템에 접근성을 내장하는 것이 곧 수백 개 서비스의 접근성을 일괄적으로 끌어올리는 효과를 낸다.

KRDS도 같은 잠재력을 가지고 있다. 중앙 시스템에 접근성이 제대로 내장되고, 각 기관이 그 시스템을 따르면 — 대한민국 수천 개 공공 웹사이트의 접근성이 일괄적으로 높아지는 구조가 된다. 물론 "KRDS를 따른다"는 것이 실제로 어떤 수준을 의미하는지가 관건이고, 그 수준을 객관적으로 확인하는 방법이 필요하다. ViewCheck가 하려는 일의 한 부분이 바로 이것이다.

생성형 AI 시대의 공공 디지털 서비스는, AI가 시민에게 더 나은 서비스 경험을 만들어주는 방향으로 가야 한다. 그런데 그 서비스 자체가 접근성이 없고, 느리고, 정보가 잘못 조직되어 있으면, 아무리 AI 채팅봇을 얹어도 근본이 흔들린다. 웹 품질의 기초 — KRDS 준수, 접근성, 성능, 보안 — 는 AI 서비스를 올려놓는 토대다. 토대가 흔들리면 그 위의 모든 것이 흔들린다.

우리가 아직 잘 모르는 것들

이 편에서 아직 이야기하지 않은 것들도 있다. 정확히는, 이야기할 수 없는 것들이다. 아직 잘 모르기 때문이다.

LLM이 웹 품질 판정에서 환각을 얼마나 내는지를, 우리는 엄밀하게 측정하지 못했다. 수천 개 사이트를 분석하면서 "이 판정이 맞다"고 확인하는 일은, 사람이 일일이 검증해야 하기 때문에 시간이 많이 든다. 이 검증 작업을 체계적으로 하는 것이 앞으로의 과제 중 하나다.

Vision AI(화면을 보고 UI 컴포넌트를 감지하는 AI)의 정확도가 실제 분석 품질에 얼마나 기여하는지도, 아직 충분히 측정하지 못했다. 이것은 기술적으로 매우 흥미로운 영역이지만, 동시에 불확실성이 큰 영역이다.

"AI 분석 결과를 받아든 담당자가 실제로 그것을 어떻게 활용하는가"도 잘 모른다. 우리는 분석 결과를 만들지만, 그 결과가 실제 현장에서 어떻게 쓰이고, 어떤 의사결정에 연결되고, 어떤 경우에 무시되는지를 체계적으로 추적하지 못하고 있다.

이 세 가지 불확실성은, 앞으로 우리가 "안다"고 말하기 위해 실측해야 하는 것들이다. 지금은 확인 안 됨이라고 적는다. 그리고 그것을 확인하는 일을 계속 할 것이다.

RAG와 지식 그래프 — 근거의 인프라를 만드는 일

전망과 한계 이야기를 하다 보니, 결국 하나의 주제로 수렴한다. 근거의 인프라.

ViewCheck의 KRDScan 엔진은 RAG(검색 증강 생성)를 위한 지식 베이스를 운영한다. Neo4j(그래프 데이터베이스)와 Qdrant(벡터 데이터베이스)를 연동해, KRDS 규칙 원문, 공식 컴포넌트 스펙, 공식 가이드라인, 크롤링 데이터 등을 검색 가능한 형태로 관리한다.

이 지식 베이스가 AI 판정의 근거가 된다. 어떤 규칙을 왜 위반했는지를 AI가 말할 때, 그 말의 출처가 되는 문서가 이 지식 베이스에 있다. 사용자에게 참조패널에서 보여주는 "이 규칙의 원문"이 여기서 나온다.

지식 베이스의 품질이 AI 판정의 품질을 결정한다. 잘못된 문서가 들어 있거나, 최신 기준이 반영되지 않은 문서만 있다면, AI는 그 문서에 기반해 잘못된 판정을 내린다. 그래서 지식 베이스의 구축과 갱신은 단순한 기술 작업이 아니라, 판정의 신뢰도를 결정하는 핵심 인프라 작업이다.

연구 결과에 따르면, 맥락 기반 시스템(RAG 등)을 적용한 경우 AI 정확도가 94~99%까지 올라간다는 보고가 있다(Maxim AI, "AI Hallucinations in 2026"). 물론 이 수치는 도메인과 구현 방식에 따라 크게 달라지므로 맹신할 수 없지만, 방향성은 분명하다 — 근거 문서의 질을 높이면 AI의 정확도가 올라간다.

그래서 우리는 지식 베이스를 지속적으로 확장한다. 공공 웹사이트 크롤링 데이터, KRDS 공식 HTML 키트, 행안부 고시와 가이드, 접근성 지침 문서들이 계속 추가된다. 이 인프라를 쌓는 일이, 겉으로는 눈에 안 보이지만 실제로는 분석 품질을 결정하는 가장 중요한 작업이라고 생각한다.

현대적인 사무실에서 두 개의 모니터 앞에 앉은 연구자가 정부 문서와 정책 자료 더미에 둘러싸여 화면의 데이터를 꼼꼼히 검토하는 모습. — 근거의 인프라를 쌓는 일. AI 분석의 신뢰도는 결국 지식 베이스의 품질에서 나온다.

"대화형 LLM 분석"이 공공 품질관리에서 갖는 위치

이 편의 제목으로 돌아오자. 생성형 AI 시대, 공공웹 품질관리는 어디로 — 그 안에서 LLM 분석이 갖는 위치는 무엇인가.

우리의 답은 이렇다: 대화형 LLM 분석은 공공 웹 품질관리의 진입장벽을 낮추는 레이어다. 전문가가 아닌 실무 담당자가 복잡한 기준(846개 규칙, 7대 품질 영역)에 접근할 수 있도록, 대화라는 익숙한 인터페이스로 연결해 주는 것. 그리고 그 과정에서 "AI가 말하는 것"이 아니라 "근거가 있는 말"을 전달하는 것.

이것은 만능 해결책이 아니다. 앞에서 이야기한 한계들 — 환각 위험, 시각적 판정의 불완전함, 런타임 상호작용의 자동화 어려움 — 은 여전히 존재한다. 우리는 그 한계를 줄이는 일을 계속하지만, 사라졌다고 말하지는 않는다.

그래도 LLM 분석이 의미 있다고 생각하는 이유는 하나다. 지금 현장에서 실제로 일어나는 일을 보면, 공공 웹 품질 점검의 가장 큰 문제는 "완벽한 판정 도구가 없다"는 게 아니라 "아무도 점검을 안 한다"는 것이다. 점검하고 싶어도 방법을 모르고, 방법을 알아도 시간이 없다. 이 장벽을 하나라도 낮출 수 있다면, 그것만으로도 의미가 있다.

채팅창에 주소 한 줄을 붙여 넣는 것만으로, 사이트의 846개 규칙 판정 결과와 7대 품질 영역의 분석이 24개 카드로 펼쳐지는 경험 — 이것이 "아무것도 안 하던 상태"와 "뭔가를 아는 상태" 사이의 거리를 좁혀준다면, 그게 LLM 분석이 이 시대에 기여할 수 있는 것이다.

이 시리즈를 마무리하며 — 솔직한 한 줄

ViewCheck LLM 분석 시리즈는 39편으로 여기서 마무리된다.

총 39편에 걸쳐 우리가 전하려 했던 것을 한 줄로 요약하면 이렇다: AI는 공공 웹 품질관리를 쉽게 만들 수 있지만, 그것이 신뢰받으려면 근거가 있어야 하고, 근거를 만드는 일은 생각보다 훨씬 어렵고 오래 걸린다.

이 시리즈가 "우리 제품 한번 써보세요"로 끝나지 않으려 했다. "우리는 이렇게 생각하고, 이렇게 실험하고, 이런 부분이 아직 어렵다"를 공개하는 것 — 그것이 결국 장기적으로 더 신뢰받는 방법이라고 믿기 때문이다.

공공 웹의 품질이 나아지는 것은, 어떤 도구가 대신해 주는 게 아니라 담당자가 기준을 알고, 기준에 맞게 만들고, 그것을 확인하는 문화가 쌓이는 것에서 온다. 도구는 그 문화를 조금 더 쉽게 만들어주는 역할 이상을 할 수 없다. 이상을 주장하지 않는 것 — 그것이 우리가 이 시리즈 전체에서 지키려 했던 선이다.

이 글을 읽어주신 분들께 감사드린다. 39편 모두를 읽지 않아도 괜찮다. 한 편이라도 "이런 생각을 하는 사람들이 있구나"라는 인상을 남겼다면, 그것으로 충분하다.

저녁빛 속에 공공기관 건물을 나서는 한국인 공공 부문 전문가가 차분하고 사려 깊은 표정으로 도시 스카이라인을 배경으로 걸어가는 모습. — 마지막 편을 마무리하며. 도구는 방향을 제안할 수 있지만, 걸어가는 것은 결국 사람이다.

마무리 — AI 시대에도 변하지 않는 것

생성형 AI가 바꾸는 것들이 많지만, 변하지 않는 것들도 있다.

공공 웹사이트가 접근성을 지켜야 하는 이유는, 장애가 있는 시민도 동등하게 디지털 정부 서비스에 접근할 수 있어야 하기 때문이다. 이것은 기술이 아무리 바뀌어도 변하지 않는 원칙이다. AI가 그 접근성을 검사하는 방법을 바꿀 수는 있지만, 접근성 자체의 가치를 만들거나 없애지는 않는다.

공공 웹사이트가 보안 헤더를 갖춰야 하는 이유, 빠르게 로딩되어야 하는 이유, 정보가 잘 조직되어야 하는 이유 — 이것들도 마찬가지다. 기술 도구가 아무리 발전해도, 이 이유들이 사라지지는 않는다.

생성형 AI 시대의 공공 웹 품질관리는, 결국 이 변하지 않는 원칙들을 더 잘 실현하기 위해 변하는 도구를 현명하게 활용하는 일이다. 우리는 그 "현명한 활용"의 한 방식을 연구하고 있고, 이 시리즈가 그 연구의 일부를 기록한 것이다.

다음에 또 이야기를 나눌 기회가 있기를 바란다.

참고문헌

본문에 인용한 출처는 작성 시점에 모두 실재 여부를 직접 검증했다. 국내 공식 기준·정책 자료와 해외 연구·기관 보고서를 함께 실었다.

국내 — 공식 기준 / 정책자료

행정안전부, 「전자정부 웹사이트 품질관리 지침」 일부 개정(행정안전부고시 제2025-46호, 2025. 6. 25. 시행). 행정안전부. https://www.mois.go.kr/frt/bbs/type001/commonSelectBoardArticle.do?bbsId=BBSMSTR_000000000016&nttId=118636
행정안전부, 「전자정부 웹사이트 품질관리 지침」 전문(국가법령정보센터). https://www.law.go.kr/행정규칙/전자정부웹사이트품질관리지침
디지털플랫폼정부위원회, 「공공부문 초거대 AI 도입·활용 가이드라인 2.0」(2025. 4. 16.). 디지털플랫폼정부위원회. https://www.dpg.go.kr/DPG/contents/DPG03020000.do?schM=view&id=20250416154050742370&schBcid=reference
한국지능정보사회진흥원(NIA), 「공공부문 초거대 AI 도입·활용 가이드라인」(2024년 배포), NIA. https://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=99852&bcIdx=26677&parentSeq=26677
KRDS(범정부 UI/UX 디자인시스템) 공식 사이트. 행정안전부·디지털플랫폼정부위원회. https://www.krds.go.kr/

해외 — 기관 보고서 / 연구

U.S. Government Accountability Office(GAO), "Artificial Intelligence: Generative AI Use and Management at Federal Agencies", GAO-25-107653, 2025. 7. https://www.gao.gov/products/gao-25-107653
OECD, "Governing with Artificial Intelligence", 2024. https://www.oecd.org/en/publications/governing-with-artificial-intelligence_26324bc2-en.html
OECD AI Policy Observatory, "Evolving with Innovation: The 2024 OECD AI Principles Update". https://oecd.ai/en/wonk/evolving-with-innovation-the-2024-oecd-ai-principles-update
European Parliament, "EU AI Act: First Regulation on Artificial Intelligence". (2024년 8월 발효) https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence
Alan Turing Institute, "Mapping the Potential: Generative AI and Public Sector Work", 2025. 5. https://www.turing.ac.uk/sites/default/files/2025-05/ons_tus_final_report.pdf
Maxim AI, "AI Hallucinations in 2026: Causes, Impact, and Solutions for Trustworthy AI". https://www.getmaxim.ai/articles/ai-hallucinations-in-2025-causes-impact-and-solutions-for-trustworthy-ai/
GOV.UK Design System(공식). Government Digital Service(GDS). https://design-system.service.gov.uk/
ACM Digital Library — "Generative AI is already widespread in the public sector: evidence from a survey of UK public sector professionals", Digital Government: Research and Practice. https://dl.acm.org/doi/full/10.1145/3700140