보조금 부정수급 AI (탐지시스템, 적중률, 복지신뢰)
현장에서 보조금 일을 하다 보면, 서류 한 장 넘기는 데도 한참이 걸립니다. 이걸 사람 손으로 다 잡는 건 불가능하구나, 늘 그 한계를 절감했습니다. 그래서 AI 탐지시스템이 도입됐다는 소식에 반가웠습니다. 그런데 적중률이 1%도 안 된다는 기사를 보고, 솔직히 머리가 복잡해졌습니다. 도구는 맞는데, 뭔가 어긋난 느낌이었습니다.
1. 보조금 부정수급 AI 탐지시스템, 반가움과 의문 사이
보조금 사업을 현장에서 다루다 보면, 행정 인력이 부정수급을 직접 걸러내는 일이 얼마나 한계가 있는지 몸으로 느낍니다. 그래서 정부가 AI 기반 탐지시스템을 도입했다는 소식에 저는 꽤 반겼습니다.
그런데 막상 이 시스템의 적중률이 1%에도 미치지 못한다는 사실이 알려지면서, 반가움보다 복잡한 감정이 앞섰습니다.
일반적으로 공무원들이 꼼꼼하게 서류를 검토하면 부정수급을 충분히 잡을 수 있다고 생각하는 분들도 있습니다. 저는 그 생각이 현장과 얼마나 다른지 직접 경험했습니다.
신청서 한 장을 검토하는 데도 가족 관계 등기부등본을 비교하고, 거래 내역을 하나하나 추적해야 합니다. 보조사업자 수가 수천, 수만 건에 달하는 상황에서 이 작업을 사람 손으로 전부 감당하기란 물리적으로 불가능합니다.
그러는 사이 정작 진짜 도움이 필요한 분들에게 돌아가야 할 예산이 새어 나갑니다. 정부 재정에서 보조금이 차지하는 규모를 보면 이 문제가 얼마나 심각한지 실감할 수 있습니다.
2023년 기준 국고보조금 규모는 100조 원을 넘어섰습니다. 이 규모에서 부정수급이 조금씩만 새어도 국가 재정에 미치는 영향은 결코 작지 않습니다. AI 탐지 도입 자체가 필요한 이유는 바로 여기에 있습니다.
2. 적중률 1% 미만, 이 수치를 어떻게 봐야 할까
지능형 부정지급 탐지시스템은 과거 부정수급 사업자에게서 발견된 특징 250여 개를 추출해, 신규 사업자에게 대입하는 방식으로 작동합니다. 머신러닝 기반의 패턴 분석을 통해 부정수급 징후를 자동으로 탐지하는 시스템을 의미합니다.
이 시스템이 '부정수급 징후 있음'으로 분류한 사업장은 실무자가 직접 현장 점검을 나가게 됩니다. 그런데 100건을 점검하러 나가면 실제 부정수급으로 확인되는 경우가 채 한 건도 안 된다는 겁니다.
이 시스템은 2020년 5월, 총 6억 3천만 원의 예산을 투입해 개발됐고 2021년부터 본격 운영에 들어갔습니다.
제 경험상 이건 단순히 숫자 문제가 아닙니다. 현장 점검이 나간다는 것은, 의심을 받은 사업자 입장에서는 상당한 부담이고 행정 인력도 실제로 소진됩니다. 99건이 무고한 의심이라면, 그 과정에서 발생하는 비용과 피로는 고스란히 현장이 떠안습니다.
학습 데이터가 부족하다는 해명도 나왔습니다. 학습 데이터란 AI 모델이 패턴을 인식하고 판단 기준을 형성하기 위해 반복적으로 학습하는 사례 데이터를 말합니다.
운영 기간이 2년 정도로 짧아 데이터가 아직 충분히 쌓이지 않았다는 설명인데, 저는 이 해명만으로는 부족하다고 봅니다.
3. 설계 단계에서 충분한 검증이 선행됐어야 했다
이 시스템의 핵심 문제는 적중률이 낮다는 사실 자체보다, 운영을 개시하기 전에 충분한 시뮬레이션과 검증이 이뤄졌느냐는 데 있습니다.
머신러닝 기반 탐지 모델에서 가장 중요한 지표 중 하나가 정밀도입니다. 정밀도란 시스템이 '부정수급'이라고 판정한 것들 중 실제로 부정수급인 비율을 의미합니다. 적중률 1% 미만이라는 수치는 결국 이 정밀도가 극도로 낮다는 뜻입니다.
6억 원이 넘는 예산이 투입된 시스템이라면, 개발 과정에서 이 수치를 어느 정도 예측하고 보완했어야 합니다.
물론 부정수급 탐지에는 본질적인 어려움도 있습니다. 실제 부정수급 사례 자체가 전체 보조사업에서 차지하는 비율이 낮고, 이런 불균형 데이터 환경에서 탐지 모델의 정밀도를 높이는 일은 기술적으로도 까다롭습니다.
그렇다고 해서 1% 미만이라는 결과를 그냥 넘어갈 수는 없습니다. 추경호 경제부총리가 지난달 탐지 정확도 제고를 위한 시스템 고도화를 지시한 것도 결국 같은 맥락입니다.
이 시스템이 제대로 작동하려면, 다음 요소들이 함께 보완되어야 한다고 봅니다.
- 최신 부정수급 사례의 지속적인 모니터링과 신규 특징 반영
- 특징 추출 단계에서 현장 실무 전문가의 의견 반영 강화
- 탐지 결과에 대한 피드백 루프 구축으로 모델 재학습 주기 단축
- 허위 양성, 즉 무고한 의심 판정을 줄이기 위한 임계값 조정
4. AI 도입 자체는 맞다, 그래도 신뢰부터 쌓아야 한다
일반적으로 AI 도입에 실패하면 그 기술 자체를 포기해야 한다고 보는 시각도 있습니다. 저는 개인적으로는 그렇게 생각하지 않습니다. 문제는 도구가 아니라 설계와 운영 방식에 있습니다.
공항 보안 검색대를 떠올려 보면, 모든 승객이 매번 검사대를 통과합니다. 일부 무고한 불편함이 발생하더라도, 그것이 전체 안전을 지키는 데 필요한 과정으로 받아들여집니다.
보조금 탐지 시스템도 마찬가지 논리가 적용될 수 있습니다. 다만 적중률이 1% 미만인 상태에서는 그 논리가 성립하지 않습니다. 현장의 부담과 행정 낭비가 공익을 앞서버리기 때문입니다.
제가 직접 현장에서 느낀 건, 복지 제도에 대한 국민의 신뢰는 예산 규모보다 운영의 투명성에서 나온다는 점입니다. 2022년 보건복지부 복지인식조사에서도 복지 제도 불신의 주요 원인 중 하나로 '부정수급에 대한 관리 미흡'이 꼽혔습니다.
AI 탐지 시스템이 실제로 기능한다면, 이 신뢰를 회복하는 데 기여할 수 있습니다. 반대로 낮은 적중률이 계속 이어진다면, 행정 자원 낭비라는 비판과 함께 제도 전체에 대한 불신만 키우는 결과를 낳을 수 있습니다.
결국 이 시스템의 성패는 기술이 아니라 의지에 달려 있다고 봅니다. 고도화를 지시하는 데서 끝나지 않고, 실제 적중률이 어느 수준까지 올라갔는지 주기적으로 공개하는 것이 먼저입니다.
납세자의 돈으로 만든 시스템이 제대로 작동하는지 확인할 권리는 국민에게 있습니다. 보조금 사업을 다루는 현장에 있는 사람으로서, 이 시스템이 빠르게 개선되기를 바랍니다.
이 글은 개인적인 경험과 의견을 공유한 것이며, 전문적인 정책 조언이 아닙니다.
참고 자료