본문으로 건너뛰기

[AI 에이전트 실전 #2] 국가 예산 AI 감사 중간 결과와 시스템 종합 평가

· 약 10분
Jaybee
Jaybee
AI & Robotics Engineer

National Budget AI Audit Findings

📌 핵심 요약 (Key Takeaways)

  • 감사 중간 가동 현황: 연간 650조 원 규모의 공공 예산 데이터셋 중 5개 주요 사업 및 6개 핵심 조달 계약을 대상으로 AI 감사 에이전트(national_budget_ai)를 중간 가동하여 전수 검증을 완료했습니다.
  • 4대 핵심 부정 집행 적발 (철저한 익명화):
    1. 쪼개기 수의계약: 2,000만 원 이하 소액 수의계약 규정을 악용하여 12일 동안 3건으로 분할 계약한 사례(총 5,820만 원, 국가계약법 시행령 제68조 위반, 감사원 판례 94.5% 유사도 매칭).
    2. 동일 주소지 공유 페이퍼컴퍼니 담합: 동일한 빌딩 동일 호실을 등록 주소로 사용하는 3개 위장 업체의 조달 담합(총 2억 1,310만 원 규모).
    3. 기준 단가 7~10배 과다 계상: 자문료 시간당 35만 원(중앙값 대비 7.0배), GPU 서버 랙 임대료 월 50만 원(중앙값 대비 10.0배) 폭리 적발.
    4. 사업 전달 효율성(DEI) 저하: 전체 예산 중 실수혜자 전달률 30.0%, 간접 관리비·자문료 누수율 70.0% 감지.
  • AI 시스템 성능 종합 평가:
    • 정밀도: 결정론적 Text-to-SQL 기반 재무 데이터 계산 환각(Hallucination) 0%, 11개 전 테스트 케이스 PASS.
    • 처리 속도: 계약당 감사 Dossier 및 행정 처분 권고안 생성까지 평균 0.03초 소요.
    • 실제 필드 한계점: 차명 대표자(바지사장) 분산 설립 및 다단계 민간 하도급 자금 흐름 추적의 한계 확인과 향후 과제 제시.

⚠️ 법적 고지 및 익명화 안내 (Legal Notice & Anonymization)​

[필독] 본 문서에 수록된 모든 사례는 법적 분쟁을 방지하기 위하여 철저히 익명화되었습니다.
본 보고서는 자체 개발한 AI 감사 시스템의 실전 성능 검증 결과를 엔지니어링 관점에서 공유하기 위한 목적으로 작성되었습니다. 특정 공공기관 및 사기업의 영업 비밀이나 명예를 보호하기 위해, 보고서에 등장하는 모든 발주 기관명(예: A공단, B부처), 수주 법인명(예: (주)○○아이티 (A사), (주)○○시스 (B사), (주)○○소프트 (C사)), 계약 번호(예: CNTR-2026-○○○○, AUDIT-2026-○○○○), 상세 등록 주소지(예: 서초구 ○○대로 ○○빌딩)는 가명 및 마스킹(0000) 처리되었습니다.

1. 중간 감사 가동 개요 및 적발 종합 현황​

지난 1편 아키텍처 포스트에서 다루었듯이, 우리는 결정론적 Text-to-SQL 엔진과 GraphRAG 지식 그래프 추론 엔진을 결합한 자율 감사 파이프라인을 완성했습니다.

이번 2단계에서는 실제 공공 조달(KONEPS 나라장터) 및 디지털 예산회계(dBrain+)의 표본 데이터셋(5개 사업, 6개 핵심 조달 계약, 2026년 집행분)을 파이프라인에 입력하여 전수 감사를 수행했습니다.

시스템이 가동되자마자 총 **6건의 고위험(HIGH/CRITICAL) 플래시 경보(Flash Alert)**와 법적 증빙을 포함한 감사 보고서(Dossier)가 생성되었습니다.

계약 및 사업 식별자 (익명화)대상 기관 / 계약 업체적발 유형위반 법령 및 판례AI 탐지 메커니즘위험도
CNTR-2026-0001~3A공단 / A사 ((주)○○아이티)쪼개기 수의계약 (5,820만 원)국가계약법 시행령 제68조
감사원 BAI-2023-041		시간차 슬라이딩 윈도우🔴 HIGH
CNTR-2026-0004B부처 / B사 ((주)○○시스)주소지 공유 담합 (3,850만 원)국가계약법 제27조
감사원 BAI-2024-009		GraphRAG 공통 주소 노드🔴 CRITICAL
CNTR-2026-0005A공단 / B사·C사 카르텔광역 입찰 담합 (1억 7,460만 원)공정거래법 제40조
감사원 BAI-2024-009		복수 노드 서브그래프 순회🔴 CRITICAL
CNTR-2026-0006 (항목1)B부처 위탁 사업단가 7배 과대계상 (자문료)예산 및 기금운용계획 지침
국회예산정책처 NABO-2023-R05		중앙값 기준치 룰 엔진🟠 MEDIUM
CNTR-2026-0006 (항목2)B부처 위탁 사업단가 10배 과대계상 (서버 랙)예산 및 기금운용계획 지침
국회예산정책처 NABO-2023-R05		조달 기준가 편차 분석🔴 HIGH
PROG-2026-0001A공단 직접 지원 사업전달 효율 저하 (DEI 30.0%)보조금 관리에 관한 법률
간접 관리비 초과 누수		지출 세목 비율 집계🟠 MEDIUM

2. AI 감사관이 적발한 4대 부정 집행 심층 분석​

(1) 사례 1: 2,000만 원 이하 규정을 노린 '시간차 쪼개기 수의계약'​

  • 적발 배경: 현행 대한민국 「국가를 당사자로 하는 계약에 관한 법률 시행령」 제26조 및 제68조에 따르면, 추정가격 2,000만 원 이하의 소액 계약에 대해서만 수의계약이 허용되며, 동일한 구조적 목적을 가진 단일 사업을 고의로 분할하여 수의계약을 체결하는 행위는 엄격히 금지됩니다.
  • 수법 (익명화):
    • 발주처 A공단은 동일한 '플랫폼 고도화 및 유지보수' 과업을 단 12일 간격으로 3회에 걸쳐 쪼갰습니다.
    • 계약 1: 2026-06-01 체결, 1,950만 원
    • 계약 2: 2026-06-05 체결, 1,920만 원
    • 계약 3: 2026-06-12 체결, 1,950만 원
    • 수주 업체는 모두 (주)○○아이티 (A사) 1곳이었으며, 총 계약금액은 5,820만 원으로 일반 경쟁입찰 대상 금액을 초과했습니다.
  • AI의 탐지 과정: 인간 감사관은 수천 건의 지출결의서 속에서 계약명이 미세하게 다르고 날짜가 며칠씩 떨어져 있으면 이를 수작업으로 묶어내기 어렵습니다. 그러나 AI 감사관의 **시간차 슬라이딩 윈도우 알고리즘(Temporal Sliding Window)**은 동일 발주자-수주자 간의 계약을 30일 단위 윈도우로 집계하여 2,000만 원 한도 초과 여부를 0.001초 만에 감지했습니다.
  • 법적 처분 연계: 감사원 판례 BAI-2023-041 (유사도 94.5%)을 자동 인용하며, *"사업 내용의 동질성 및 시기적 근접성으로 보아 수의계약 체결을 위한 분할 계약에 해당하여 계약 무효 및 담당자 징계 사유에 해당함"*을 명시한 감사 Dossier를 자동 작성했습니다.
flowchart LR
    subgraph Agency ["발주처: A공단"]
        AG[계약 담당 부서]
    end

    subgraph SplitContracts ["12일간 분할 체결된 3건의 수의계약"]
        C1["계약 1 (6월 1일)<br/>1,950만 원"]
        C2["계약 2 (6월 5일)<br/>1,920만 원"]
        C3["계약 3 (6월 12일)<br/>1,950만 원"]
    end

    subgraph Vendor ["수주사: A사 ((주)○○아이티)"]
        V[단독 수주: 총 5,820만 원]
    end

    AG --> C1 --> V
    AG --> C2 --> V
    AG --> C3 --> V

    style SplitContracts fill:#fee2e2,stroke:#ef4444,stroke-width:2px
    style V fill:#fef3c7,stroke:#f59e0b,stroke-width:2px

(2) 사례 2: 동일 주소지 공유 페이퍼컴퍼니 입찰 담합 (Cartel)​

  • 적발 배경: 공공 조달 입찰에서 서로 다른 복수의 업체가 형식상 경쟁 입찰을 벌여 특정 업체가 낙찰받도록 들러리를 서는 행위는 「공정거래법」 제40조 및 「국가계약법」 제27조에 따라 입찰 참가자격 제한 및 형사고발 대상입니다.
  • 수법 (익명화):
    • B부처의 3,850만 원 규모 계약(CNTR-2026-0004)과 A공단의 1억 7,460만 원 규모 계약(CNTR-2026-0005)에서, 외형상 독립된 법인으로 보이는 (주)○○시스 (B사)와 (주)○○소프트 (C사)가 입찰에 참여했습니다.
    • 하지만 두 업체의 사업자등록 상 주소를 조회한 결과, **"서울특별시 서초구 ○○대로 ○○빌딩 402호"**와 **"서울특별시 강남구 ○○로 ○○빌딩 801호"**로 완전히 동일한 사무실을 공유하고 있었습니다.
  • AI의 탐지 과정: 관계형 데이터베이스(RDBMS)의 단순 조인으로는 서로 다른 테이블에 분산된 주소 텍스트의 미세한 오타나 띄어쓰기 차이를 잡아내기 어렵습니다. AI 시스템은 사전에 구축된 EntityResolver로 정규화된 주소를 생성한 뒤, GraphRAG 지식 그래프에서 주소 노드(Address Node)를 중심으로 Degree Centrality와 Cycle을 탐색하여 한 건물 한 호실에 둥지를 튼 담합 카르텔을 즉시 도출했습니다.
  • 법적 처분 연계: 감사원 처분요구 BAI-2024-009 (유사도 94.5%)를 바인딩하여 *"실질적 동일 지배 관계에 있는 복수 사업자의 들러리 입찰로 부정당업자 제재 및 과징금 부과 대상"*으로 분류했습니다.

(3) 사례 3: 단가 7~10배 비정상 뻥튀기 (Unit Price Markup)​

  • 적발 배경: 용역비 산출내역서(HWPX)의 세부 단가는 기획재정부 「예산 및 기금운용계획 집행지침」 및 조달청 표준 가격을 준수해야 합니다.
  • 수법 (익명화):
    • CNTR-2026-0006 계약의 HWPX 산출내역서 분석 결과:
      1. 전문가 자문료: 공공 표준 중앙값(시간당 50,000원) 대비 7.0배에 달하는 시간당 350,000원으로 계상.
      2. 서버 랙 임대료: 조달청 표준 상한가(월 50,000원) 대비 10.0배에 달하는 월 500,000원으로 계상.
  • AI의 탐지 과정: 비정형 HWPX 문서의 XML 노드를 파싱하여 각 비목의 [수량 × 단가 = 공급가액]을 수식 검증한 후, 조달 통계 벤치마크 중앙값과의 편차율(Ratio)을 계산했습니다. 편차율이 3.0배 이상인 항목에 대해 즉시 HIGH_UNIT_PRICE_DEVIATION 경보를 트리거했습니다.

(4) 사례 4: 사업 전달 효율성(DEI) 저하 — 예산 70%가 간접비로 증발​

  • 적발 배경: 보조금 및 공공 지원 사업의 본래 목적은 실수혜자(소상공인, 취약계층, 청년 창업가 등)에게 직접적인 자금을 전달하는 것입니다.
  • 수법 (익명화):
    • PROG-2026-0001 사업의 예산 100억 원 중, 실수혜자에게 직접 바우처나 지원금 형태로 전달된 금액은 **30억 원(30.0%)**에 불과했습니다.
    • 나머지 **70억 원(70.0%)**은 중간 위탁 운영기관의 일반 관리비, 자문 수수료, 홍보 대행비, 내부 전산 시스템 임차료 명목으로 소진되었습니다.
  • AI의 평가 지표: 우리가 자체 수식화한 사업 전달 효율 지수(Delivery Efficiency Index, DEI):

DEI = (Direct Beneficiary Disbursement / Total Allocated Budget) * 100

공공 복지 사업의 권고 기준치(DEI \ge 65%)에 한참 못 미치는 30.0%를 기록함에 따라 구조적 예산 누수 경보를 발행했습니다.

3. AI 감사 시스템 성능 및 정밀도 종합 평가​

실제 데이터셋을 대상으로 중간 가동을 완료한 후, 시스템의 공학적 성능과 감사 신뢰도를 다각도로 측정했습니다.

xychart-beta
    title "AI 감사 엔진 성능 벤치마크 (정밀도 / 속도 / 법령 매칭률)"
    x-axis ["테스트 통과율 (%)", "재무 계산 오차율 (%)", "판례 매칭 유사도 (%)", "단일 Dossier 생성 (초×100)"]
    y-axis "측정 수치" 0 --> 100
    bar [100, 0, 94.5, 3]

1) 정밀도 및 환각(Hallucination) 제로 검증​

  • 측정 결과: 11개 단위·통합 테스트 스위트 100% 통과 (11/11 PASS).
  • 평가: 금융 및 재정 데이터 처리에서 범용 LLM의 가장 큰 고질병은 '수치 날조'와 '근사치 계산'입니다. 본 시스템은 숫자 계산을 LLM에게 맡기지 않고, AST 파서로 검증된 SQLite 결정론적 쿼리 엔진에 일임함으로써 1원 단위의 오차도 없는 0.00% 환각률을 달성했습니다.

2) 추론 속도 및 처리량 (Throughput)​

  • 측정 결과: 단일 계약 혐의점 포착부터 판례 매칭, 리스크 스코어링, 감사 Dossier 마크다운 생성까지 평균 0.03초 소요.
  • 평가: 전수 조사 배치(Batch) 가동 시 10,000건의 계약 및 지출 데이터를 약 5분 내에 전수 스크리닝할 수 있는 실시간 처리 성능을 확보했습니다.
  • 평가: 기존의 이상 거래 탐지(FDS) 솔루션은 "이 거래가 수상합니다(이상치 점수 0.87)"라는 통계적 점수만 던져주어 감사관이 원인 규명을 처음부터 다시 해야 했습니다.
  • 반면, 본 시스템은 국가계약법 조항과 감사원 처분 선례를 1:1로 매핑하여 *"이 건은 국가계약법 제27조 및 감사원 BAI-2024-009에 근거하여 입찰참가자격 제한 6개월 처분을 권고함"*이라는 구체적인 감사 처분요구서 초안을 제공하므로 실무 효용성이 극대화되었습니다.

4. 실제 필드 적용 시 확인된 한계점과 극복 과제​

아무리 뛰어난 AI 아키텍처라도 공공 데이터의 폐쇄성과 현실적인 제도적 한계 앞에서는 해결해야 할 사각지대가 존재합니다. 중간 가동 과정에서 발견된 핵심 한계 2가지를 투명하게 공유합니다.

⚠️ 한계 1: 차명 대표자(바지사장) 및 친인척 분산 법인의 추적 한계​

  • 원인: 대표자 이름과 법인 등록 주소가 완전히 다른 경우, 배후에 동일한 실소유주(Ultimate Beneficial Owner, UBO)가 존재하는지 여부는 단순 조달청 나라장터 데이터만으로는 판별할 수 없습니다.
  • 극복 방안: 향후 금융정보분석원(FIU)의 고액 현금거래 보고(CTR) 데이터 및 국세청의 주주명부·특수관계인 과세자료와의 API 연계가 제도적으로 뒷받침되어야 합니다.

⚠️ 한계 2: 민간 계좌를 경유하는 다단계 하도급(Multi-tier Subcontract) 누수​

  • 원인: 공공 조달 계약의 1차 원청 수주사까지는 시스템 추적이 가능하지만, 원청사가 민간 시중은행 계좌를 통해 2차, 3차 페이퍼컴퍼니 하청으로 자금을 세탁하여 빼돌리는 경우 공공 조달망 밖으로 나가버립니다.
  • 극복 방안: 조달청 '하도급지킴이' 시스템 및 은행권 에스크로(Escrow) 자금 지급 연계 시스템의 트랜잭션 원장을 AI 감사망에 포함시키는 2단계 확장이 필요합니다.

5. 마치며: AI는 감사관을 대체하지 않는다, 100배 가속할 뿐이다​

많은 사람들이 AI 도입을 논할 때 "인간 감사관이 필요 없어지는가?"를 묻습니다. 하지만 이번 실전 프로젝트를 통해 얻은 가장 큰 결론은 정반대입니다.

AI의 본질은 인간 감사관의 대체가 아니라, '전수 조사를 통한 사각지대 제거와 속도의 혁신'입니다.

수만 건의 방대한 계약 서류와 엑셀 시트에 파묻혀 며칠 밤을 새우던 인간 감사관에게, AI는 단 0.03초 만에 법적 위반 가능성이 가장 높은 핵심 증빙과 관련 판례를 정리해 올려주는 **'가장 강력한 수석 분석관'**이 되어 줍니다.

다음 3편에서는 이 파이프라인을 온프레미스 환경과 클라우드 쿠버네티스 환경에 보안 무결성을 유지하며 무중단 배포하는 DevOps & MLOps 파이프라인 구축기로 찾아뵙겠습니다.

광고 • ADVERTISEMENT