① 어떤 상황에서 AI를 활용했나요?
공공기관들은 감사결과보고서를 법령에 따라 인터넷(각 기관 홈페이지, 알리오 등)에 공시하고 있지만, 실무자가 특정 사안을 확인하려면 기관마다 개별 접속 → 파일 하나하나 다운로드 → 수작업으로 내용 대조·검색해야 하는 비효율이 있었습니다. 특히 "이 문제, 다른 기관에서도 비슷한 사례가 있었나?", "이런 지적사항엔 보통 어떤 처분(징계/주의/시정)이 내려지나?", "이 지적의 법적 근거는 뭔가?" 같은 질문에 답하려면 수십~수백 건의 보고서 원문을 사람이 직접 읽고 비교해야 하는 상황이었습니다. 이 "많은 텍스트를 읽고 비교·판단"하는 작업에 AI를 활용했습니다.

② 어떤 AI를 어떻게 활용했나요?
Google Gemini API(생성형 LLM)를 백엔드에 붙여, 크롤링으로 수집한 감사결과보고서 원문을 대상으로 4가지 구조화된 분석 기능을 제공합니다.
- 유사사례 검색: 키워드/문장 하나로 전체 수집 기관 보고서를 가로질러 유사한 과거 감사사례를 찾아 기관명·감사명·요지·신뢰도로 표 정리
- 착안사항 검색: 보고서 원문에서 문제점(착안사항)을 근거 규정·신뢰도까지 함께 추출
- 처분요구 사례 검색: 유사한 착안사항이 과거 어떤 징계·주의·시정·개선으로 이어졌는지 판단 근거와 함께 제시
- 감사근거 법령·규정 검색: 지적사항의 근거가 된 법령/조문을 인용 맥락까지 정리

③ 활용 결과 어떤 변화가 있었나요?
"내려받는 자료"에서 "비교·분석하는 자료"로 업무 방식이 바뀌었습니다. 보고서 1건당 15~40초 수준의 처리 시간 안에 근거 규정·유사사례·처분 판단까지 자동으로 정리되어, 실무자가 여러 기관 홈페이지를 일일이 방문해 파일을 대조할 필요가 없어졌습니다. 현재 시스템에는 이미 200건 이상의 보고서가 수집·색인되어 있고, 이를 기반으로 즉시 검색·분석이 가능합니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
- 3단계 파이프라인 분리: 크롤링 → 데이터 정제 → LLM 분석을 독립적으로 실행 가능하게 나눠서, 특정 기관 크롤러가 깨져도 전체 파이프라인이 멈추지 않도록 설계
- 다중 소스 어댑터 구조: 알리오, 국토부·산업부·환경부 등 정부부처 산하기관, 국가보훈부·국가데이터처 등 기관별로 다른 홈페이지 구조에 대응하는 어댑터를 개별 구현
- 신뢰도(confidence) 표기: LLM 결과를 맹신하지 않고 각 결과에 신뢰도 점수를 붙여, 사용자가 직접 원문 링크로 검증할 수 있게 함
- 비용/속도 절충: 수집 대상 기관 수를 10~12개 이내로 권장하는 가드레일을 둬서, 토큰 비용과 처리 시간을 사용자가 통제할 수 있게 함

⑤ 다른 사람도 따라 할 수 있나요?
네, 구조 자체는 재현 가능합니다. (1) 공개된 문서를 크롤링/수집하는 어댑터, (2) LLM에 "구조화된 JSON 스키마"로 답을 강제하는 래퍼, (3) 신뢰도·출처를 항상 함께 반환하게 하는 규칙, (4) 민감정보 필터링 단계 — 이 네 가지 조합은 감사 분야뿐 아니라 계약서 검토, 규정 준수 검토, 판례 검색 등 "많은 공개 문서를 비교·요약해야 하는" 다른 업무 도메인에도 그대로 적용할 수 있는 패턴입니다.