새물내 솔솔

앞선 글에서는 공공기관에서 외부 생성형 AI를 사용할 때 ‘공문이냐 아니냐’보다 그 안의 정보가 공개(O), 민감(S), 기밀(C) 중 어디에 해당하는지를 먼저 봐야 한다고 정리했습니다. 그렇다면 자연스럽게 다음 질문이 생깁니다.

 가능합니다. 다만 ‘남는 PC에 로컬 LLM을 설치하는 것’과 ‘기관이 S등급 업무를 처리하도록 설계한 Private AI’를 같은 것으로 보면 안 됩니다. N2SF는 정보시스템이 처리하는 업무정보의 등급을 기준으로 시스템을 분류하고, 그 등급과 서비스 특성에 맞는 관리적·기술적·물리적 보안통제를 선정하도록 요구합니다.

1. 목표부터 다르게: ‘챗봇’이 아니라 S등급 업무지원 플랫폼

경북교육청 단위에서 내부 LLM을 구축한다면 단순한 공개자료 검색 챗봇보다 O정보와 S정보를 안전하게 처리할 수 있는 ‘교육행정 전용 생성형 AI 플랫폼’을 목표로 하는 편이 활용가치가 큽니다.

 C등급 정보까지 하나의 플랫폼에 억지로 포함시키기보다는, 우선 O/S 업무를 중심으로 설계하고 C정보는 별도의 더 강한 통제 환경으로 분리하는 접근이 현실적입니다.

2. 전체 구조: 사용자가 LLM에 바로 접근하지 않게 한다

교직원·교육전문직·행정직
        ↓
교육청 통합인증(SSO/MFA)
        ↓
GBE-Private AI 포털
        ↓
AI 보안 게이트웨이
  ├ 개인정보·민감정보 탐지
  ├ C/S/O 정책 적용
  ├ 파일·프롬프트 검사
  └ 사용자 권한 확인
        ↓
내부 LLM + 내부 RAG
        ↓
암호화 저장소 / 감사로그 / SIEM

이 구조에서 가장 중요한 부분은 모델 자체보다 ‘AI 보안 게이트웨이’입니다. 사용자가 입력한 문장과 첨부파일을 먼저 검사하고, 정보등급과 권한에 따라 허용·차단·마스킹 등의 정책을 적용한 뒤 LLM으로 전달하는 방식입니다.

3. ‘로컬 LLM’이라는 말만 믿으면 안 되는 이유

모델 추론을 교육청 내부 서버에서 한다고 해도 모든 처리가 내부에서 이루어진다는 보장은 없습니다. OCR은 외부 클라우드, 임베딩은 외부 AI API, 음성변환은 SaaS, 로그분석은 외부 서비스로 보내는 구조라면 민감정보가 다른 경로로 외부에 전송될 수 있습니다.

 따라서 S등급을 처리하는 영역은 외부통신을 기본 차단(Default Deny)하고, 업무상 필요한 통신만 화이트리스트 방식으로 허용하는 구조가 적절합니다. N2SF 보안통제 해설서 역시 민감정보 환경에서 외부 연결 접점을 제한하고 승인된 통신 흐름만 허용하는 통제를 제시합니다.

4. O Zone과 S Zone을 분리한다

이렇게 나누면 공개자료 중심의 일상적 활용은 편리하게 유지하면서, 민감업무는 별도의 강한 통제 아래 처리할 수 있습니다.

5. 내부 RAG가 교육청 AI의 진짜 경쟁력

교육청 전용 AI의 가치는 단순히 외부 LLM을 내부 모델로 바꾸는 데 있지 않습니다. 경북교육청이 실제 업무에서 사용하는 최신 지침과 매뉴얼을 AI가 근거로 검색하도록 만드는 데 있습니다.

·       경상북도교육청 조례·규칙 및 각종 지침

·       교육부 법령·지침

·       학교업무 도움자료와 업무 매뉴얼

·       회계·계약·인사 관련 기준

·       감사 사례와 FAQ

·       공개 공문 및 승인된 내부 업무자료

사용자가 질문하면 인터넷의 일반 지식을 먼저 떠올리는 것이 아니라, 권한이 있는 내부 문서를 검색한 뒤 근거 문서와 함께 답하도록 설계합니다. 이 방식은 답변의 최신성과 근거성을 높이고 환각을 줄이는 데도 도움이 됩니다.

6. RAG 문서에도 ‘권한’이 붙어야 한다

내부 문서를 벡터DB에 넣었다고 해서 모든 사용자가 모든 문서를 검색할 수 있어서는 안 됩니다. 문서마다 공개범위와 보안등급, 접근 가능한 조직·직무 등의 메타데이터를 붙이고 검색 단계에서부터 권한을 적용해야 합니다.

·       문서명·생산기관·생산부서

·       작성일·최종 갱신일·유효기간

·       공개/비공개 여부 및 C/S/O 등급

·       접근 가능한 조직·직무

·       보존·폐기 기준

예를 들어 인사 관련 내부 기준은 인사업무 담당자에게만 검색되도록 해야 합니다. 그렇지 않으면 내부 AI가 오히려 기존 업무시스템보다 더 쉬운 정보유출 통로가 될 수 있습니다.

7. 대화기록도 업무 성격에 따라 다르게

다만 감사와 사고대응을 위해 ‘누가, 언제, 어떤 시스템 기능을 사용했는가’와 같은 필요한 최소 로그는 기관 정책에 따라 별도로 관리할 수 있습니다.

8. 학교 현장에서는 무엇이 달라질까?

제대로 구축된 내부 AI는 단순한 질의응답을 넘어 학교의 실제 행정 흐름과 연결될 수 있습니다.

·       공문 PDF/HWP/HWPX에서 핵심내용·제출기한·담당부서·학교 조치사항 자동 추출

·       공문을 근거로 학교 시행계획·기안문 초안 작성

·       교육청 최신 지침을 근거로 회계·계약·인사 업무 질의응답

·       학교 관리자용 일일 주요업무 브리핑 생성

·       공문에서 일정·마감일을 추출해 내부 캘린더와 연계

·       업무별 Agent가 승인된 내부 시스템과 연결되어 반복업무를 지원

9. 특정 LLM에 종속되지 않는 구조가 필요하다

AI 모델은 빠르게 바뀝니다. 따라서 Llama, Gemma, Qwen 등 특정 모델 하나를 플랫폼 전체와 강하게 묶기보다 모델 라우터를 두어 검증된 모델을 교체할 수 있게 만드는 것이 좋습니다. 인증, 보안 게이트웨이, RAG, 로그, 문서권한 체계는 유지하고 모델만 교체할 수 있어야 장기 운영이 쉬워집니다.

10. 구축보다 먼저 해야 할 일: N2SF 절차

가장 중요한 점은 서버를 구매하고 모델을 설치하는 것부터 시작하면 안 된다는 것입니다. N2SF는 준비, C/S/O 등급분류, 위협식별, 보안통제 선정·구현, 적절성 평가·조정의 흐름으로 정보서비스의 보안대책을 설계하도록 합니다.

마무리: 사용자를 교육하는 것에서 ‘실수해도 안전한 시스템’으로

현재 생성형 AI 보안은 교직원에게 ‘민감정보를 넣지 마세요’라고 안내하는 방식에 크게 의존합니다. 물론 사용자 교육은 반드시 필요합니다. 하지만 수많은 공문과 자료를 다루는 현장에서 매번 개인이 정확한 등급을 판단하기는 어렵습니다.

 교육청 차원의 Private AI가 의미를 갖는 이유도 여기에 있습니다. 인증과 권한, 정보등급, DLP, 내부 RAG, 외부통신 통제, 감사로그를 하나의 플랫폼으로 묶으면 교직원은 보안규정을 지키면서도 생성형 AI의 업무 효율을 실제 행정에 활용할 수 있습니다.

향후에는 이 기반 위에 공문 분석, 일정관리, 보고자료 작성, 규정 검색을 넘어 승인된 내부 시스템과 연계되는 교육행정 AI Agent까지 확장할 수 있습니다. 그 출발점은 더 큰 모델이 아니라 ‘정보의 등급과 흐름을 먼저 설계하는 것’입니다.

근거자료: 「국가 망 보안체계(N2SF) 보안 가이드라인 1.0」, 「보안통제 항목 해설서」. N2SF는 기관 특성과 정보서비스 환경에 따라 보안통제를 선택·조정하고, 필요한 경우 추가 통제를 정의할 수 있도록 하고 있습니다. 실제 구축 시에는 정보보안담당관 검토와 관련 규정·보안성 검토 절차를 반드시 확인해야 합니다.

본 글은 N2SF 관련 자료를 바탕으로 작성자가 내용을 검토하였으며, 자료 분석과 초안 작성 및 문장 정리에 ChatGPT(OpenAI)를 활용하였습니다.

생성형 AI 연수를 하다 보면 빠지지 않는 장면이 있습니다. 공문 PDF를 올려 핵심 내용을 요약하고, 제출기한을 찾고, 기안문 초안을 만들어 보는 실습입니다. 업무 효율만 놓고 보면 매우 유용합니다. 그런데 공공기관에서 근무한다면 그보다 먼저 확인해야 할 질문이 있습니다.

공문이라는 이유만으로 모두 허용되는 것도, 모두 금지되는 것도 아닙니다. 핵심은 문서의 형식이 아니라 그 안에 들어 있는 ‘업무정보의 보안등급’입니다. 국가 망 보안체계(N2SF)는 업무정보와 정보시스템을 기밀(C), 민감(S), 공개(O)로 구분하고, 그 등급에 맞게 정보가 생산·저장·이동·사용되도록 보안대책을 설계하는 체계입니다.

1. ‘공문인가?’보다 ‘어떤 정보가 들어 있는가?’

학교와 교육청에서 다루는 문서는 모두 같은 성격이 아닙니다. 이미 홈페이지에 공개된 보도자료나 공개 시행계획과, 아직 내부 검토 중인 인사자료·평가자료·계약자료는 같은 방식으로 다룰 수 없습니다.

특히 N2SF는 하나의 정보시스템에 여러 등급의 업무정보가 포함되는 경우, 그중 가장 높은 등급을 기준으로 정보시스템을 분류하는 방향을 제시합니다. 따라서 ‘공문번호가 있으니 괜찮다’거나 ‘내부결재 문서이니 무조건 안 된다’처럼 문서 형식만으로 판단하는 것은 적절하지 않습니다.

2. 일반 인터넷 AI에 S정보를 넣는 것이 문제가 되는 이유

N2SF 가이드라인에는 업무환경에서 생성형 AI를 활용하는 사례가 별도로 제시되어 있습니다. 여기서 중요한 포인트는 외부 생성형 AI 서비스를 공개(O) 수준의 환경으로 보고, 그 환경에서 민감(S) 업무정보가 생산·저장되는 상황을 위협으로 식별한다는 점입니다.

그래서 일반적인 인터넷 기반 생성형 AI를 업무에 사용할 때는 공개정보(O)를 중심으로 활용하고, S 또는 C에 해당할 수 있는 원문을 그대로 입력·첨부하지 않는 것이 기본적인 안전선이 됩니다. 특히 개인정보, 학생정보, 인사, 감사, 시험·평가, 입찰·계약, 내부 의사결정·검토 자료는 주의가 필요합니다.

3. 학교에서 자주 만나는 사례로 판단해 보기

4. ‘개인정보만 지우면 된다’도 충분하지 않을 수 있다

현장에서는 흔히 ‘이름과 전화번호만 지우면 AI에 넣어도 된다’고 생각하기 쉽습니다. 하지만 N2SF 관점에서는 개인정보만이 문제가 아닙니다. 내부검토 내용, 인사관리 정보, 시험·평가 정보, 계약·입찰 관련 정보 등도 민감정보가 될 수 있습니다. 따라서 비식별화는 중요한 조치이지만, 그것만으로 모든 문서가 자동으로 O등급이 되는 것은 아닙니다.

5. 생성형 AI에 자료를 넣기 전 30초 체크리스트

□ 이 자료는 이미 기관 홈페이지 등에 공개된 정보인가?

□ 학생·학부모·교직원 등 개인을 식별할 수 있는 정보가 있는가?

□ 인사·평가·감사·시험·입찰·계약·내부검토 내용이 포함되어 있는가?

□ 문서 일부를 가려도 나머지 정보의 결합으로 특정 개인이나 내부 상황을 추정할 수 있는가?

□ 내가 사용하는 AI가 기관에서 승인한 업무용 서비스인가, 일반 인터넷 서비스인가?

□ 원문 전체가 꼭 필요한가? 필요한 부분만 추출하거나 O정보로 정리해서 입력할 수는 없는가?

6. 생성형 AI 연수에서 기능보다 먼저 알려야 할 것

생성형 AI 연수는 대개 프롬프트 작성법, 문서 요약, 이미지 제작, 업무 자동화에 집중합니다. 그러나 공공기관 종사자를 대상으로 한다면 ‘무엇을 잘 시킬 것인가’만큼 ‘무엇을 입력하면 안 되는가’를 먼저 알려야 합니다.

그리고 장기적으로는 이 판단을 교직원 개인에게만 맡겨서는 안 됩니다. 사용자가 실수로 민감정보를 입력하더라도 시스템이 탐지·차단하고, 필요한 업무정보는 안전한 내부 환경에서 활용할 수 있도록 기관 차원의 AI 인프라가 필요합니다.

다음 글

그렇다면 개인정보와 내부 업무자료까지 활용하면서 생성형 AI의 장점을 살릴 방법은 없을까요? 다음 글에서는 경북교육청이 직접 ‘교육청 전용 Private AI’를 구축한다고 가정하고, N2SF 관점에서 어떤 구조가 필요한지 설계해 보겠습니다.

근거자료: 「국가 망 보안체계(N2SF) 보안 가이드라인 1.0」, 「보안통제 항목 해설서」. 본 글은 이해를 돕기 위한 실무 설명이며, 개별 기관의 최종 보안 판단을 대신하지 않습니다.

본 글은 N2SF 관련 자료를 바탕으로 작성자가 내용을 검토하였으며, 자료 분석과 초안 작성 및 문장 정리에 ChatGPT(OpenAI)를 활용하였습니다.

지난 글에서는 AI Agent 활용 사례를 학교와 교육청 안에서 어떻게 모으고 나눌지 생각해 보았습니다. 성공담을 모으는 일보다 업무 장면, 입력 자료, 사람이 확인한 부분, 조심한 부분을 함께 남기는 일이 더 필요하다는 이야기였습니다. 그렇게 사례가 쌓이면 자연스럽게 다음 질문이 생깁니다. “이제 이 도구를 나 혼자 쓰는 수준에서 팀이 함께 쓰는 방식으로 넓힐 수 있을까?”

저도 처음에는 Hermes Agent를 아주 개인적인 비서처럼 썼습니다. Telegram으로 말을 걸고, 제 노트북의 폴더를 읽게 하고, 블로그 원고와 이미지를 준비하게 했습니다. 그런데 매일 원고 준비 과정을 기록하다 보니 이것이 꼭 개인용으로만 머물 필요는 없겠다는 생각이 들었습니다. 학교나 교육청의 실제 업무는 혼자 끝나는 일이 많지 않습니다. 담당자, 검토자, 관리자, 함께 일하는 부서가 이어져 있습니다. AI Agent 업무공간도 이 흐름을 따라가야 합니다.

1. 개인 비서에서 팀 작업대가 되려면 구조가 필요하다

개인이 AI Agent를 쓸 때는 조금 어수선해도 괜찮습니다. 내가 어떤 방에서 무엇을 시켰는지 기억하고, 결과물이 어디 있는지 대략 알면 됩니다. 하지만 팀 단위로 넓어지는 순간 이야기가 달라집니다. 누가 요청했는지, 어떤 자료를 기준으로 했는지, 결과물을 누가 확인했는지가 남아야 합니다.

이때 AI Agent를 “공동 작업대”로 생각하면 이해가 쉽습니다. 작업대 위에는 요청 내용, 참고 자료, 중간 결과, 최종 확인 사항이 놓입니다. 팀원들은 그 작업대에 와서 필요한 것을 보고, 자신의 역할을 이어갑니다. Agent는 그 사이에서 초안을 만들고, 정리하고, 반복 작업을 줄여 주는 역할을 합니다.

구조 없이 팀이 함께 쓰기 시작하면 금방 혼란이 생깁니다. 어떤 답변이 최신인지 모르고, 누가 검토했는지 알 수 없고, 민감한 자료가 섞일 수 있습니다. 그래서 처음부터 거창한 시스템을 만들기보다, 작은 구조를 정해 두는 편이 좋습니다.

2. Telegram 방은 업무 흐름별로 나누는 편이 낫다

Telegram으로 AI Agent를 쓰는 장점은 접근성이 좋다는 점입니다. 컴퓨터 앞에 앉아 있지 않아도 짧게 요청할 수 있고, 대화 기록이 남습니다. 다만 팀 단위로 쓸 때 하나의 방에 모든 일을 넣으면 금방 복잡해집니다.

예를 들어 연수 기획, 정책 자료 요약, 공문 초안, 회의록 정리, 블로그나 연수 자료 제작을 한 방에서 모두 처리하면 나중에 찾기가 어렵습니다. 그래서 업무 흐름별로 방을 나누는 방식을 생각해 볼 수 있습니다. “연수 기획”, “자료 요약”, “회의 정리”, “AI Agent 실험 기록”처럼 방 이름만 봐도 용도를 알 수 있게 하는 것입니다.

방을 나눈다는 것은 단순히 정리정돈의 문제가 아닙니다. 각 방마다 넣어도 되는 자료, 요청해도 되는 일, 확인해야 할 사람이 달라질 수 있습니다. 민감한 내용이 들어갈 가능성이 있는 방은 더 조심스럽게 운영해야 합니다. 반대로 공개 자료 요약처럼 비교적 안전한 방은 연수 참여자 실습용으로도 활용할 수 있습니다.

3. 공유 폴더는 Agent가 읽는 자료와 사람이 보는 자료를 구분한다

팀 업무에서는 파일 위치가 중요합니다. AI Agent가 참고해야 할 자료, 사람이 검토해야 할 결과물, 최종 보관할 문서가 뒤섞이면 실수가 생깁니다. 저는 블로그 작업에서도 초안, 발행완료, 자료 폴더를 나누어 둡니다. 이 단순한 구분이 다음 작업을 이어 가는 데 꽤 도움이 됩니다.

학교나 교육청 업무에서도 비슷하게 시작할 수 있습니다. 예를 들어 “01_입력자료”, “02_Agent초안”, “03_사람검토”, “04_최종본” 정도로 나눌 수 있습니다. Agent가 읽어도 되는 자료는 입력자료 폴더에 넣고, 초안은 별도로 저장합니다. 사람이 수정한 문서는 검토 폴더나 최종본 폴더로 옮깁니다.

이 구분은 책임을 분명하게 해 줍니다. Agent가 만든 초안은 초안일 뿐이고, 최종 문서는 사람이 확인한 문서라는 점이 폴더 구조 안에서 드러납니다. 특히 공문, 보고서, 연수 안내문처럼 외부로 나가는 문서는 이 구분이 필요합니다.

4. 역할 분담은 요청자, 확인자, 관리자 정도로 단순하게 시작한다

팀 단위 AI Agent 활용에서 처음부터 복잡한 권한 체계를 만들 필요는 없습니다. 오히려 너무 복잡하면 시도 자체가 멈춥니다. 출발은 단순해도 됩니다. 요청하는 사람, 결과를 확인하는 사람, 운영 기준을 살피는 사람 정도로 나누면 됩니다.

요청자는 업무 상황과 원하는 결과물을 설명합니다. 확인자는 사실관계, 날짜, 법령, 개인정보, 문장 톤을 살핍니다. 관리자는 어떤 업무에 Agent를 쓰고 있는지, 문제가 생기지는 않았는지, 사례가 잘 기록되고 있는지를 봅니다. 이 세 역할만 있어도 개인 사용과 팀 사용의 차이가 생깁니다.

중요한 것은 모든 책임을 Agent에게 넘기지 않는 것입니다. Agent는 초안을 빠르게 만들 수 있지만, 업무 판단을 대신하지는 못합니다. 팀이 함께 쓴다는 말은 여러 사람이 책임을 나눈다는 뜻이지, 책임을 흐리게 만든다는 뜻이 아닙니다.

5. 요청 양식을 조금만 맞추면 결과 품질이 달라진다

팀에서 여러 사람이 AI Agent에게 요청하면 표현 방식이 제각각이 됩니다. 어떤 사람은 자료만 던지고 “정리해 줘”라고 하고, 어떤 사람은 목적과 대상까지 자세히 적습니다. 결과 품질은 당연히 달라집니다. 그래서 아주 간단한 요청 양식을 정해 두면 좋습니다.

제가 권하고 싶은 항목은 네 가지입니다. 업무 목적, 대상, 참고 자료, 원하는 결과물입니다. 예를 들어 “초등 교감 대상 연수 안내문 초안이 필요하다”, “대상은 신규 교감이며, 톤은 공문보다 부드럽게”, “참고 자료는 전년도 안내문과 올해 일정표”, “결과물은 안내문 본문과 문자 안내 문구”처럼 적는 방식입니다.

이 정도만 맞춰도 Agent가 일을 훨씬 안정적으로 수행합니다. 또 나중에 대화 기록을 봤을 때 왜 이런 결과물이 나왔는지 이해하기 쉽습니다. 요청 양식은 통제를 위한 문서라기보다, 팀이 같은 방식으로 일을 맡기기 위한 약속에 가깝습니다.

6. 팀 업무공간에는 기록과 정리 담당이 필요하다

AI Agent를 팀에서 쓰다 보면 생각보다 많은 결과물이 생깁니다. 초안, 요약, 표, 점검표, 안내문, 회의 정리본이 계속 쌓입니다. 처음에는 편리하지만, 정리하지 않으면 곧 찾기 어려운 자료가 됩니다. 그래서 팀 업무공간에는 기록과 정리를 챙기는 사람이 필요합니다.

이 역할은 꼭 별도 인력이 있어야 한다는 뜻은 아닙니다. 업무 담당자가 매주 한 번씩 정리할 수도 있고, 팀 회의 전에 주요 결과물만 목록으로 남길 수도 있습니다. 중요한 것은 “썼다”에서 끝나지 않고 “무엇을 남겼는지”를 확인하는 습관입니다.

Hermes Agent로 블로그 원고를 준비할 때도 목차 파일을 계속 갱신합니다. 어떤 글이 준비되었는지, Word 파일과 이미지가 어디에 있는지, Drive 링크가 있는지 적어 둡니다. 이런 기록이 없으면 자동화가 오히려 불안해집니다. 팀 업무공간에서도 같은 원리가 적용됩니다.

7. 작게 시작해도 팀의 일하는 방식은 달라질 수 있다

팀 단위 AI Agent 활용이라고 해서 처음부터 모든 업무를 바꿀 필요는 없습니다. 오히려 작은 업무 하나를 정해 반복해 보는 편이 낫습니다. 예를 들어 공개 정책자료 요약, 연수 안내문 초안, 회의 안건 정리처럼 비교적 안전하고 반복되는 업무를 고를 수 있습니다.

한 달 정도만 같은 방식으로 해 보면 변화가 보입니다. 요청이 더 구체적으로 바뀌고, 결과물 검토 기준이 생기고, 어떤 자료를 넣으면 안 되는지도 경험으로 알게 됩니다. 이 과정에서 팀은 단순히 AI 도구를 익히는 것이 아니라, 자신들의 업무 흐름을 다시 보게 됩니다.

결국 팀 업무공간의 목적은 AI Agent를 많이 쓰는 데 있지 않습니다. 함께 일하는 과정에서 반복되는 정리, 초안 작성, 확인 목록 만들기를 줄이고, 사람이 판단해야 할 일에 시간을 남기는 데 있습니다. 작게 시작하되 기록을 남기고, 안전한 범위에서 넓혀 가는 것이 현실적인 길입니다.

마무리하며

AI Agent 업무공간을 팀 단위로 확장하려면 도구보다 운영 방식이 먼저 보입니다. Telegram 방을 어떻게 나눌지, 공유 폴더를 어떻게 둘지, 누가 요청하고 누가 확인할지, 결과를 어디에 남길지 정해야 합니다. 이런 약속이 있어야 Agent가 만든 초안이 팀의 실제 업무 흐름 안으로 들어올 수 있습니다.