미국 행정의 AI 활용 연방 주 지방 수준별 알고리즘 거버넌스 분석

초록

본 연구는 연방, 주, 지방 정부에서 AI가 어떻게 적용되는지를 30건의 사례를 통해 비교 분석한다. 디지털 시대 거버넌스 이론과 사회기술적 관점을 결합해 ‘통제‑지향형’과 ‘지원‑지향형’ 두 가지 알고리즘 거버넌스 모드를 도출하고, 연방은 통제‑지향, 주는 혼합, 지방은 지원‑지향으로 기능적 차별화를 보인다. 제도적 맥락이 AI의 위험·책임 구조를 결정한다는 점을 강조한다.

상세 분석

이 논문은 연방제 국가에서 AI가 제도적으로 어떻게 자리매김하는지를 탐구하기 위해 ‘제3의 물결’ 이론과 다층 거버넌스 프레임워크를 도입하였다. 제3의 물결은 디지털 전환을 단순 자동화 단계에서 AI·빅데이터가 핵심 의사결정에 직접 개입하는 단계로 정의하며, 이는 기존 행정 구조와 권한 배분을 재구성한다는 점을 강조한다. 저자는 이를 바탕으로 통제‑지향형과 지원‑지향형 두 가지 알고리즘 거버넌스 모드를 제시한다. 통제‑지향형은 위법 탐지, 제재 부과, 행동 감시 등 국가의 감독·강제력을 강화하는 기능에 초점을 맞추며, 주로 연방 차원에서 고위험 분야(예: 국경 보안, 금융 감시, 대규모 규제 집행)에 적용된다. 반면 지원‑지향형은 서비스 접근성 확대, 위험 예측, 행정 효율성 증대 등 시민과 기업에게 직접적인 혜택을 제공하는 데 중점을 둔다.

30건의 사례 분석 결과, 연방 기관은 AI를 ‘감시·제재’ 도구로 활용하는 비중이 78%에 달했으며, 이는 중앙집중식 규제 체계와 대규모 데이터 인프라가 뒷받침된 결과로 해석된다. 주 차원에서는 복지 관리, 공공 보건, 교통 관리 등에서 AI가 지원‑지향 기능과 통제‑지향 기능을 동시에 수행하는 혼합형이 54%를 차지한다. 지방 정부는 일상 행정(예: 콜센터 자동화, 건축 허가 심사, 주민 신고 처리)에서 지원‑지향형 AI를 71% 이상 활용하고 있어, 비용 절감과 주민 만족도 향상이 주요 목표임을 보여준다.

위험 분석 측면에서는 연방 수준에서 ‘블랙박스’ 문제와 민간 벤더 의존도가 가장 크게 나타났으며, 책임 소재가 불명확해 규제 대응이 복잡해진다. 주 차원은 정책·감시 체계가 다양해 표준화가 부족하고, 지방은 인력·예산 제약으로 감시·감사 역량이 약해 비공식적인 책임 전이가 발생한다. 이러한 차이는 AI 도입 효과와 부작용이 제도적 맥락에 따라 크게 달라진다는 중요한 시사점을 제공한다.

학술적 기여는 첫째, 다층 정부 구조에서 AI 활용 양상을 체계적으로 비교함으로써 기존 연구가 주로 단일 수준에 머물렀던 한계를 극복했다. 둘째, 통제‑지향·지원‑지향이라는 분석 틀을 통해 정책 입안자들이 AI 도입 목적과 위험을 명확히 구분하고, 수준별 맞춤형 거버넌스 설계에 활용할 수 있는 실용적 프레임을 제공한다. 셋째, 제도적 차이에 따른 위험 프로파일을 제시함으로써 연방·주·지방 차원의 규제·감시 체계 개선 필요성을 강조한다.

한계점으로는 사례 선정이 주로 공개된 문헌과 보고서에 의존해 비공식적인 파일럿 프로젝트가 누락될 가능성이 있다. 또한 정성적 비교에 머물러 정량적 성과 지표와 비용‑편익 분석이 부족하다. 향후 연구는 장기적인 성과 추적과 AI 윤리·공정성 평가를 포함한 종합적 평가 모델을 구축할 것을 제안한다.