단순 기록을 넘어,
살아 있는 ‘의정 지식’으로
AI 의정지원시스템은 파편화된 회의록을 연결된 지식으로 전환하여, 의정 활동의 ‘기억’과 ‘자료조사’를 AI가 대신합니다.
현행 시스템의 한계
현행 키워드 검색 시스템의 구조적 한계: ‘맥락의 부재’
기존 시스템은 ‘검색 시스템’일 뿐, 의정 활동의 맥락을 이해하지 못합니다.
단순 키워드 검색
(PDF 파일 열람)
- →맥락 파악 불가, 수작업 분석
- →특정 현안 파악을 위해 수십 개 PDF를 다운로드 (평균 4시간 소요)
- →정보 연결 단절, 시간 소모적 검색
질문형 AI 의정지원
(Contextual QA)
- →의원 발언·이력·답변·후속조치를 연결하여 즉시 제공
- →정책 질의 준비 시간을 1/3로 단축
- →의정 전문성 강화 및 맥락 기반 답변
단순 매칭의 한계
'산단 도로' 검색 시 수백 건의 문서가 나열될 뿐, '누가 언제 지적했고, 어떻게 해결되었나?'라는 맥락 파악이 불가능합니다.
연결성 부재
5분 발언(문제 제기) → 도정 질문(심화) → 예산 심사(반영)로 이어지는 의정 활동의 타임라인이 단절됩니다.
비효율적 업무
과거 발언 이력과 집행부의 약속 이행 여부를 확인하기 위해 수작업으로 문서를 대조하는 '비효율의 일상화'가 반복됩니다.
핵심 목표: 의원이 질문을 준비할 때 필요한 ‘기억’과 ‘자료조사’를 AI가 대신하여, 정책 질의 준비 시간을 1/3로 단축하고 의정 전문성을 강화합니다.
핵심 솔루션
회의록을 ‘데이터’로 분해하여
연결된 ‘지식’으로 재조립합니다
누가, 언제, 무엇을 약속했는지 AI가 기억하고 추적합니다.
기존 (아카이브)
- •정적인 문서 보관소
- •사용자가 직접 문서를 찾아 읽고 해석
- •키워드 중심
미래 (메모리) ★
- •능동적인 지식 에이전트
- •AI가 맥락을 해석하여 구조화된 답변 제공
- •의도(의도) 및 관계(관계) 중심
맥락 인식
의원별·지역구별 의정활동 맥락 이해.
능동적 추적
집행부 답변과 실제 이행 여부(공약 이행 추적) 추적.
구조화된 답변
단순 나열이 아닌 '보고서 형태'의 답변 생성.
성공의 핵심은 ‘단순 검색 시스템’이 아닌 ‘의정 기억 시스템’을 지향하는 것.
핵심 기술
2026년형 핵심 솔루션: GraphRAG
기존 벡터 검색은 ‘산단 도로’ 문서만 찾아주지만, GraphRAG는 ‘A의원이 3년 전 지적했고, B국장이 약속했으나 미이행된 C지역 도로 사업’이라는 복합적 관계를 추론합니다.
벡터 검색 (표준)
단어 유사성 기반 매칭 (키워드 매칭)
GraphRAG (제안) ★
엔티티 관계 기반 추론 (관계 추론)
RAG(검색 증강 생성) 기술 파이프라인
질문 입력
최근 우주항공청 관련 논의 내용은?
검색
관련 발언 덩어리(Chunk) 검색.
생성
LLM이 검색된 텍스트 기반 요약.
출력
답변 + 원본 회의록 링크/근거 문장.
Safety Lock: 답변 하단에 반드시 출처(회의명, 날짜, 발언자)를 표기하여 신뢰성 보장.
시나리오 기반 Dynamic Context Engineering
AI에게 단순 프롬프트를 주는 것을 넘어, 사용자(Who), 상황(When), 의도(Why)를 동적으로 파악합니다.
히스토리 요약
시계열 순 발언 요약 및 쟁점 변화 구조화
팩트 체크
과거 답변 vs 현재 상태 vs 미이행 내역 대조
비교 분석
타 의원 발언 및 집행부 대응 태도 비교 분석
최신 이론 적용: Context Engineering (맥락 공학)
Keyword Search
단어 일치 여부만 확인
Vector Search
문장의 의미 유사성 파악
Context-Aware Memory
시간, 인물, 인과관계를 포함한 입체적 맥락 이해
Insight: AI의 성능은 LLM 모델의 크기가 아니라, 주입되는 ‘맥락(Context Window)’과 ‘메타데이터’의 품질이 결정합니다.
활용 시나리오
현장에서 바로 활용되는 AI 의정지원
정책지원관의 ‘초고속 리서치’
“이번 도정질문, 지난번 지사님 답변과 비교해서 질의서를 써야 해요.”
팩트 체크
행정부 답변과 과거 기록 즉시 비교
유사 사례 탐색기
타 지자체 및 타 의원의 유사 질의 사례 벤치마킹
초안 작성 지원
5분 자유발언/도정질문 템플릿 자동 생성 (근거 포함)
목표: 조사 시간 60% 이상 단축
특정 현안 파악을 위해 수십 개의 PDF를 다운로드하고 읽어야 함
(평균 4시간 소요)
“최근 4년간 거제시 조선소 지원 관련 논의 흐름 보고서 작성해줘.”
자료조사 시간 1/3 이하로 단축
6개월 전 국장이 약속한 안전 펜스 설치, 진행되고 있나?
202X년 X월 도정질문에서 도시건설국장이 ‘추경 반영’을 약속했습니다.
현재 예산안 확인 결과, 해당 항목은 미반영 상태입니다.
의원의 ‘내 손안의 지역구 브리핑’
Active Memory
집행부가 과거에 어떤 약속을 했는지 기억에 의존할 필요 없음.
Tracking
[질문]→(답변 매칭)→[약속 추출]→(후속 데이터 연계)→[현황 확인] 프로세스 자동화.
보안 및 아키텍처
폐쇄형 On-Premise 구축으로 보안과 안정성을 최우선으로
On-Premise Server
자체 서버 운영
Vector DB & Knowledge Graph
지식 그래프 저장소
sLLM
행정/법률 특화 경량화 LLM
의정 특화 Knowledge Graph 스키마
의원 (Member)
성명, 지역구, 상임위
안건 (Agenda)
조례안, 5분발언, 도정질문
행정 (Admin)
소관부서, 국장, 주요사업
지역 (Region)
시/군, 읍/면/동
누가 무엇을 반복해서 주장했는지 기계적으로 이해하는 기반 마련.
운영 주체
의회사무처 주관 + 정보화부서 기술 지원
유지 관리
정기적 회의록 업데이트 및 사용자 피드백 루프(Loop) 구축
구축 로드맵
단계별 구축 전략
파일럿
핵심 기능 검증 및 학습 데이터 최적화
최근 1개 회기 본회의 회의록 우선 적용
의원(특정 상임위 5~10명) 및 정책지원관 시범 운영
질문형 검색 및 근거 제시 기능, 의원별/지역구별 활동 요약 카드, AI 답변 정확성 및 사용자 피드백 반영
활용성과 정확성을 검증하고 초기 데이터 구조를 확정.
확대
Expansion
상임위원회 및 특별위원회 회의록 전체 포함
전 의원 대상 서비스 오픈, 지역구 연계 기능 강화
고도화
Evolution
예산서, 조례, 행정사무감사 자료 연동
집행부 후속조치 이력 자동 연계 및 이행 여부 모니터링
내부 업무 시스템과 결합된 '지방의회 맞춤형 AI 플랫폼'
성공적인 구축을 위해 ‘기술’보다 ‘시나리오’를 먼저 정의합니다
- 의원이 실제로 묻는 '질문 시나리오' 사전 정의
- 사람(Human-in-the-loop)이 개입된 메타데이터 1차 검수
- 보안을 고려한 내부망 기반의 폐쇄형/보안형 시스템
- '회의록을 전부 넣으면 AI가 알아서 해주겠지'라는 막연한 기대
- 의원 활용 시나리오 없이 기술(LLM, Vector DB) 위주로만 접근
성공적인 시스템 구축을 위한 핵심 제언
Data First, AI Second
회의록 원문을 넣으면 AI가 알아서 해준다는 환상을 버려야 함. '의정 데이터 재가공'이 선행되어야 함.
Meta-Data is Key
AI 성능은 모델이 아니라, 의원·지역구·현안 메타데이터의 품질이 결정함.
Scenario Driven
기술 위주 설명이 아닌, '의원이 실제로 묻는 질문' 시나리오를 먼저 정의하고 구축해야 함.
의정 활동의 ‘속도’와 ‘깊이’가 달라집니다
질문 준비 및 자료 조사 시간 절감 기대 (자체 추산)
중복 질의 감소 및 업무 효율성 증대
연속성
의원이 바뀌어도 지역구 현안 관리는 끊기지 않음
전문성
데이터에 기반한 날카로운 질의와 정책 대안 제시
책임성
집행부 답변과 약속 이행에 대한 체계적 추적 관리
단순 기록(Archive)에서 지능형 메모리(Memory)로.
개인의 경험(Experience)에서 조직의 자산(Asset)으로.
이 시스템은 단순한 기록 보관소가 아닙니다. 지난 수년간의 논의를 현재의 정책으로 연결하는 ‘살아있는 의정 지식 플랫폼’이 될 것입니다.
