솔직히 저는 AI가 복지 행정에 들어온다는 소식을 처음 들었을 때, 막연히 좋다는 생각부터 했습니다. 그런데 정작 현장에서 부정수급 점검 업무를 직접 맡아보고 나서야, 이 기술이 왜 필요한지 몸으로 이해하게 됐습니다. 효율성 이야기가 아니었습니다. 버텨내는 이야기였습니다.
1. AI 부정수급 탐지가 메우는 사람의 한계
부정수급 점검이라는 말은 쉽게 들리지만, 실제로 해보신 분들은 아실 겁니다. 얼마나 소모적인 작업인지.
저도 처음에는 명단 확인이나 지원 대상 변동 파악 정도는 금방 끝날 거라고 생각했습니다. 그런데 실제로는 달랐습니다. 한 가구씩 데이터를 들여다보고, 의심 사례가 나오면 관련 부서와 다시 조율하고, 그 과정이 반복되다 보면 정작 위기에 놓인 분과 깊이 있는 대화를 나눌 시간은 뒤로 밀려납니다.
부정수급을 잡아내는 일과 진짜 도움이 필요한 사람을 돕는 일이 같은 24시간 안에서 경쟁하는 구조인 겁니다.
이 문제를 기술로 풀겠다는 시도가 바로 한국사회보장정보원이 구축한 FDS입니다. FDS(Fraud Detection System)란 이상 거래나 비정상적인 지출 패턴을 자동으로 감지하는 시스템입니다. 쉽게 말해, 사람이 일일이 들여다봐야 했던 수백만 건의 지급 데이터를 AI가 먼저 훑어보고, 수상한 패턴을 가진 건을 골라내는 역할을 합니다.
이 시스템은 공공분야에 AI와 빅데이터 기술을 적용해 민간에 투입된 공공재정의 적정성을 예측하고 부정수급을 관리한 국내 최초 사례로 평가받고 있습니다.
여기에 더해 반복적이고 정확성이 요구되는 바우처 재정 및 심사 업무에는 RPA가 활용됩니다. RPA(Robotic Process Automation)란 사람이 반복적으로 수행하던 정형화된 업무를 소프트웨어 로봇이 대신 처리하는 자동화 기술입니다. 예를 들어 매달 같은 형식으로 이루어지는 바우처 지급 심사, 서류 검토, 데이터 입력 같은 작업들이 여기에 해당합니다.
저는 이 부분을 읽었을 때 솔직히 안도감이 먼저 왔습니다. 단순 반복에 묶여 있던 시간이 풀리면, 사회복지사가 실제로 사람과 마주하는 시간이 늘어날 수 있으니까요.
2. FDS와 RPA가 만든 새로운 분업 체계
이 시스템의 구성을 핵심만 정리하면 다음과 같습니다.
- AI 기반 FDS: 빅데이터 분석으로 부정수급 의심 패턴을 자동 탐지
- RPA 업무자동화: 바우처 재정 심사 등 반복 업무를 소프트웨어가 대체
- FDS센터·클린센터: 탐지 결과를 전담 관리하는 조직 운영
이 체계가 제대로 작동하면, 현장 인력은 더 복잡하고 판단이 필요한 업무에 집중할 수 있게 됩니다. 저는 그 부분이 가장 중요하다고 봅니다.
그동안 사회복지사가 부정수급 점검에 묶여 있던 시간이 어떻게 다른 업무에 재배치될 수 있을지 생각해 보면, 그 변화의 의미가 꽤 큽니다. 위기 가구의 심층 사례관리, 지역사회 자원 발굴, 다기관 협력 회의, 클라이언트와의 신뢰 형성 같은 일들은 사람만 할 수 있는 영역입니다. AI와 RPA가 정형 업무를 가져가는 만큼, 그 시간을 사회복지의 본질적인 업무로 돌릴 수 있다면 이건 분명한 진전입니다.
한국사회보장정보원이 FDS 신속 대응·탐지체계로 2022년 전반기 우수행정 및 정책사례 선발대회에서 우수상을 수상한 것도, 단순한 기술 도입의 의미를 넘어 복지 행정 구조 자체를 바꾸는 시도로 평가받았기 때문이라고 봅니다.
3. 감시 도구가 아니라 복지 지속가능성을 지키는 장치
"AI 부정수급 탐지는 결국 감시 사회로 가는 길"이라는 시각도 분명히 존재합니다. 그런데 저는 그 시각에 동의하지 않습니다. 오히려 현장을 보면 정반대라고 느낍니다.
요즘 인터넷에서 사회복지 지원 관련 글을 보면 부정수급 이야기가 빠지지 않습니다. "정작 필요한 사람은 못 받고, 악용하는 사람에게 세금이 새고 있다"는 인식이 빠르게 퍼지고 있습니다.
이 인식의 무게는 단순히 여론의 문제가 아닙니다. 세금을 내는 시민의 신뢰가 떨어지면, 사회복지 지원 자체의 정당성이 흔들리고, 예산이 줄어들고, 새로운 복지 정책을 만들기 위한 사회적 합의도 어려워집니다.
결국 가장 큰 피해를 입는 건 정당하게 지원이 필요한 분들입니다. 부정수급이 제때 걸러지지 않으면, 모든 수급자의 지원이 위태로워지는 구조입니다.
그래서 제가 생각하는 AI 부정수급 탐지의 진짜 의미는 효율성이 아닙니다. 복지 재정의 지속가능성입니다.
부정수급이 줄어들고 그 사실이 시민에게 투명하게 전달될 때, 사회복지 지원이 장기적으로 유지될 수 있는 토대가 만들어집니다. 단기적으로는 감시처럼 보일 수 있지만, 길게 보면 진짜 필요한 사람에게 도움이 더 안정적으로 닿을 수 있는 길입니다.
4. 알고리즘 투명성과 사람의 판단이 함께 가야 한다
다만 한 가지 조건은 분명합니다. 알고리즘의 투명성이 반드시 함께 가야 한다는 점입니다.
설명 가능한 AI, 즉 XAI(Explainable AI)가 필요합니다. XAI란 AI가 어떤 근거로 특정 사례를 의심했는지 사람이 추적하고 검증할 수 있도록 설계된 시스템을 말합니다.
만약 알고리즘이 특정 집단을 과도하게 표적으로 삼거나, 오류로 정당한 수급자를 부정수급자로 분류한다면, 그건 신뢰를 회복하는 도구가 아니라 또 다른 불신을 만드는 도구가 됩니다.
결국 AI가 의심한 사례를 최종 판정하는 단계는 반드시 사람이 맡아야 합니다. 한국사회보장정보원 역시 FDS 탐지 결과를 전담 조직인 FDS센터와 클린센터에서 검토하는 이중 구조를 운영하고 있습니다. 기술의 속도와 사람의 판단이 함께 움직여야 한다는 원칙입니다. 사회복지 현장에서 일해온 입장에서, 저는 이 구조가 맞다고 생각합니다.
AI가 부정수급 탐지를 맡는다고 해서 사회복지사의 역할이 줄어드는 게 아닙니다. 오히려 기술이 반복 업무를 가져가는 만큼, 사람이 사람을 더 깊이 들여다볼 수 있는 구조가 될 수 있습니다. 복지 현장이 그 방향으로 가고 있다는 사실이, 저는 솔직히 반갑습니다.
지금 복지 행정이나 사회보장 제도에 관심이 있으시다면, 한국사회보장정보원의 FDS 운영 현황을 한 번 들여다보시길 권합니다. 기술이 어떻게 복지를 지키는 방향으로 쓰일 수 있는지, 구체적인 사례가 담겨 있습니다.
이 글은 사회복지 현장에서의 개인적인 경험과 의견을 공유한 것이며, 전문적인 법률·행정 조언이 아닙니다.
참고: 출처: 한국사회보장정보원
참고: 출처: 국무조정실
참고: 출처: 복지로
참고: 헬스경향 원문