속도 차이가 만든 불안
몇 초 만에 보고서를 요약하고, 수백만 건의 데이터를 분석해 의사결정을 돕는 인공지능은 날마다 진화한다. 어제의 한계를 오늘 넘어서는 것이 AI 산업의 일상이다. 반면 국정은 어떤가. 수년 전 반복된 정책 실패가 다시 등장하고, 사회적 갈등은 되풀이된다. 기술은 기하급수적으로 학습하는데, 국가는 왜 선형적으로, 때로는 제자리걸음처럼 보이는가.
이 질문은 단순한 비판이 아니다. 우리는 이미 AI가 행정 문서를 작성하고, 민원을 분류하며, 정책 시뮬레이션을 수행하는 시대에 들어섰다. 그럼에도 국민은 정책 체감 속도가 더디다고 느낀다. 세금, 부동산, 교육, 노동 등 주요 정책 영역에서 반복되는 시행착오는 국민에게 피로를 안긴다.
AI는 오류를 학습 자산으로 축적한다. 반면 국정의 오류는 종종 책임 공방 속에 묻힌다. 기술은 실패를 데이터로 삼지만, 정치는 실패를 부담으로 인식한다. 이 차이가 학습 속도의 격차를 만든다. 결국 질문은 이것이다. 국정은 왜 스스로를 학습 체계로 설계하지 못하는가.
학습 구조의 차이
AI는 기본적으로 데이터 기반 학습 시스템이다. 입력과 출력이 기록되고, 성능은 수치로 평가된다. 알고리즘은 피드백을 통해 개선된다. 반면 국정은 법·제도·정치적 이해관계가 얽힌 복합 시스템이다. 정책은 데이터뿐 아니라 가치 판단과 사회적 합의를 포함한다.
문제는 구조적 차이다. AI는 실패해도 업데이트하면 된다. 그러나 정책은 법 개정, 예산 조정, 이해관계 조율이라는 긴 과정을 거쳐야 한다. 정책 실패는 정치적 책임으로 직결되며, 이는 학습을 방어적으로 만든다.
또한 정부 조직은 부처별 칸막이 구조가 강하다. 데이터가 축적되어도 공유가 원활하지 않다. 정책 효과 분석이 축적되기보다 보고서로 소멸되는 경우가 많다. AI가 매일 모델을 개선하는 동안, 정책은 임기 단위로 리셋되는 경향이 있다.
더 큰 문제는 성과 평가 방식이다. AI는 정확도, 재현율, 처리 속도 등 명확한 지표로 평가된다. 반면 정책은 단기 지표에 치우치거나 정치적 성과 중심으로 평가되는 경우가 많다. 장기적 효과를 학습하는 구조가 약하다.
전문가와 데이터가 말하는 것
행정학자들은 정부를 ‘느린 시스템’이라 부른다. 민주주의는 숙의와 합의를 전제로 하기 때문이다. 빠름이 항상 옳은 것은 아니다. 그러나 디지털 시대에 지나친 지연은 신뢰를 약화시킨다.
국내 연구에 따르면 정책 평가 체계가 체계적으로 작동할 때 예산 효율성이 평균 12~18% 개선되는 경향이 있다. 데이터 기반 의사결정이 확대된 공공기관은 민원 처리 시간이 20% 이상 단축된 사례도 보고된다. 이는 학습 시스템이 작동할 때 행정도 충분히 개선될 수 있음을 보여준다.
반면 정치학자들은 AI식 효율성을 국정에 그대로 적용하는 데 경계한다. 정책은 사회적 약자 보호, 형평성, 민주적 정당성 등 수치로 환산하기 어려운 요소를 포함한다. AI는 정답을 찾지만, 국정은 ‘합의 가능한 답’을 찾아야 한다는 것이다.
그럼에도 데이터 축적과 피드백 체계 강화는 공통 해법으로 제시된다. 정책 실험과 단계적 적용, 사전·사후 평가의 제도화, 공공데이터 통합 플랫폼 구축 등이 반복적으로 언급된다.
설득력 있는 논증: 국정도 학습 설계가 필요하다
핵심은 속도가 아니라 구조다. AI가 빠른 이유는 학습이 시스템에 내장되어 있기 때문이다. 국정 역시 학습을 구조화해야 한다.
첫째, 정책 실험을 제도화해야 한다. 전면 시행 이전에 제한된 지역이나 대상에서 시범 운영을 통해 데이터를 축적해야 한다. 실패를 줄이는 가장 현실적 방법이다.
둘째, 데이터 통합이 필수다. 부처 간 데이터 공유를 의무화하고, 정책 효과를 장기 추적할 수 있는 시스템을 구축해야 한다. 정책은 임기 단위가 아니라 세대 단위로 평가되어야 한다.
셋째, 평가 결과의 공개가 필요하다. AI 모델이 성능 지표를 공개하듯, 정책도 객관적 지표를 통해 국민에게 설명되어야 한다. 투명성은 학습의 동력이다.
넷째, 공무원 인사 체계 역시 학습 친화적으로 바뀌어야 한다. 실패를 감추는 문화가 아니라 개선을 장려하는 문화가 형성되어야 한다. 단기 성과보다 장기 개선을 평가하는 구조가 필요하다.
AI가 우리에게 준 가장 큰 교훈은 ‘완벽한 시작’이 아니라 ‘지속적 업데이트’다. 국정도 완벽한 정책을 설계하려는 강박에서 벗어나, 개선 가능한 정책을 설계해야 한다.
우리는 어떤 정부를 원하는가
AI는 인간의 도구다. 그러나 아이러니하게도 우리는 기술에서 배워야 할 지점이 있다. 실패를 기록하고, 데이터를 축적하며, 투명하게 성능을 개선하는 시스템. 그것이 AI의 힘이다.
국정은 본질적으로 민주적이어야 하며, 속도보다 숙의가 중요하다. 그러나 숙의와 학습은 충돌하지 않는다. 오히려 학습 없는 숙의는 반복을 낳는다.
이제 질문은 바뀐다. 국정이 왜 더디게 배우는가가 아니라, 우리는 학습하는 정부를 요구하고 있는가. 정책 실패를 정쟁의 소재로만 소비하지 않고, 개선의 데이터로 축적하도록 요구하고 있는가.
AI 시대의 진정한 경쟁력은 기술이 아니라 제도다. 학습하는 정부를 설계하는 일은 더 이상 선택이 아니다. 미래 산업, 복지, 교육, 기후 대응까지 모든 영역에서 정책의 학습 능력이 국가 경쟁력을 좌우한다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}
