AI는 Chicago의 311 시스템 개선에 도움을 줄 수 있지만, 책임성을 대체할 수는 없다

Tom Dowling은 Chicago의 27년 된 311 시스템을 문서화된 ‘블랙홀’에서 끌어내기 위해 AI를 활용하자는 날카로운 제안을 Google News에 내놓았다.

이 제안은 2026년 2월 감사 결과를 뒤따른다. 감사에서는 주민들이 포트홀, 고장 난 조명, 설치류 또는 기타 문제를 신고한 뒤 어떤 일이 일어났는지 알기 어려운 경우가 많다고 지적했다. 요청은 유용한 설명 없이 완료, 취소 또는 종결로 표시될 수 있다.

Lori Lightfoot 시장의 전 고문이자 TaxProper의 전 최고경영자인 Dowling은 현대 AI가 이러한 경험을 개선할 수 있다고 주장한다. AI는 신고를 분류하고, 중복 민원을 식별하며, 업무를 배정하고, 사건 이력을 요약하고, 더 명확한 업데이트를 보낼 수 있다.

이 주장은 주목할 만하다. Chicago의 311 운영은 매년 220만~230만 건의 요청을 접수한다. 작은 개선도 시 정부와 주민 사이의 수십만 건 상호작용에 영향을 미칠 수 있다.

그러나 감사는 기술 문제 이상의 것을 설명한다. 분절된 서비스 네트워크 전반에 걸친 부서별 관행의 불일치, 불분명한 책임 주체, 제한된 인력, 취약한 책임성을 문서화했다.

AI는 이 네트워크 안에서 정보가 더 빠르게 이동하도록 만들 수 있다. 하지만 어느 부서가 조치해야 하는지 결정하거나, 작업반에게 기록 업데이트를 강제하거나, 약속된 작업이 왜 이뤄지지 않았는지 설명할 수는 없다.

따라서 진짜 대결은 AI 대 구형 소프트웨어가 아니다. 자동화된 효율성과 행정적 책임성의 대결이다. Chicago에는 둘 다 필요하다. 그렇지 않으면 더 똑똑한 인터페이스는 해결되지 않은 동일한 실패를 가릴 뿐이다.

Chicago의 311 감사가 Google News의 화제가 된 이유

즉각적인 핵심은 Chicago에 디지털 도구가 부족하다는 점이 아니다. 기존 도구가 시 정부 업무에 대한 불완전한 설명을 제시하는 경우가 많다는 점이다.

Chicago는 1999년에 종합 311 시스템을 도입했다. 시는 CHI311 웹사이트 및 모바일 애플리케이션과 함께 2018년 말 Salesforce로 이전했다.

이제 주민들은 전화, 웹사이트, 모바일 앱 또는 시의원 사무실을 통해 요청을 제출할 수 있다. 추적 번호를 받고 공개 상태 정보를 검토할 수도 있다.

그 단순한 인터페이스 뒤에는 복잡한 워크플로가 자리한다. Salesforce는 각 서비스 요청을 부서에 배정하며, 해당 부서는 하나 이상의 관련 작업 지시를 생성할 수 있다.

연결된 작업 지시가 종결될 때까지 서비스 요청은 열린 상태로 남는다. 이론적으로 이 구조는 각 조치가 경로를 따라 표시되는 택배 추적과 유사하다.

Chicago Office of Inspector General은 현실이 이 모델과 자주 다르다고 밝혔다. 해당 기관의 311 감사는 공개 정보가 혼란과 불신을 키운다고 결론지었다.

감사는 시 직원들이 모든 요청을 무시한다고 주장하지는 않았다. 대신 주민들이 부서가 무엇을 했는지, 사건이 왜 이동했는지, 각 상태가 무엇을 의미하는지 판단하기 어려운 경우가 많다고 밝혔다.

하나의 요청이 서로 다른 부서에 걸쳐 여러 작업 지시를 만들 수 있다. 그러나 처음에 일반에 공개되는 것은 첫 번째 작업 지시와 그 예상 서비스 시간뿐이다.

이 예상치는 서비스 수준 협약, 즉 SLA로 알려져 있다. 이는 예상 응답 기간을 설명하지만, Chicago의 부서들은 SLA를 서로 다르게 계산하고 적용한다.

일부 온라인 예상치는 제한된 공개 데이터에서 산출한 동적 평균을 사용한다. 다른 일부는 현재 업무량이나 전체 요청 수명 주기를 반영하지 않을 수 있는 고정 일정을 사용한다.

부서들은 상태 라벨도 일관성 없이 사용한다. 눈에 보이는 작업이 없었는데도 요청이 ‘완료’로 표시되거나, 주민 대상 설명 없이 ‘취소’될 수 있다.

중복 민원도 또 다른 혼란의 원인이다. Salesforce는 특히 신고에 주소가 정확히 일치할 때 일부 중복을 식별할 수 있다.

부서도 중복을 수동으로 분류할 수 있다. 감사는 직원들이 때때로 다른 요청이 같은 문제를 다룬다는 설명 없이 이를 종결한다고 밝혔다.

이 차이는 주민에게 중요하다. 종결된 중복 요청은 효율적인 통합을 뜻할 수 있지만, 시스템이 아무 설명도 제공하지 않으면 기각된 것처럼 보일 수 있다.

지역사회 구성원과 선거구 직원들은 이 경험을 반복해서 ‘블랙홀’이라고 표현했다. 이 표현은 내부 처리와 대중의 이해 사이의 단절을 포착했다.

시의 CHI311 포털은 주민들이 비긴급 서비스를 제출하고, 추적하고, 탐색할 수 있다고 약속한다. 감사는 추적 기능이 부서의 데이터 입력만큼만 신뢰할 수 있음을 보여준다.

이 때문에 Dowling의 주장이 Google News를 통해 확산됐다. AI는 상당한 규모에서 분류, 요약, 검색, 반복적 커뮤니케이션을 처리할 수 있는 익숙한 도구를 제공한다.

기회는 현실적이다. 그러나 감사는 까다로운 기준을 제시한다. 어떤 기술 제안이든 신뢰할 수 없는 기록을 더 읽기 쉽게 만드는 데 그치지 않고, 근본 기록 자체를 개선해야 한다.

AI는 정보 계층을 개선할 수 있다

AI는 복잡한 주민 신고를 구조화된 업무로 전환하고 분절된 기록을 이해 가능한 업데이트로 바꿀 때 신뢰할 만한 역할을 할 수 있다.

주민은 시의 공식 분류 체계에 맞춰 지방 행정 문제를 설명하는 일이 드물다. 누군가는 어느 부서가 문제를 담당하는지 모른 채 “부서진 연석 옆에서 물이 부글부글 올라온다”고 신고할 수 있다.

언어 모델은 가능성 높은 범주를 식별하고, 위치를 추출하며, 누락된 세부 정보를 물어보고, 올바른 서비스 유형을 추천할 수 있다. 불확실한 사례는 사람이 검토할 수 있다.

이 워크플로는 흔한 접수 문제를 해결할 수 있다. 잘못된 분류는 현장 직원이 보기 전에 요청을 잘못된 부서로 보낼 수 있다.

AI는 의미상 유사한 신고도 식별할 수 있다. 의미 기반 매칭은 동일한 단어나 주소를 요구하는 대신 의미를 비교한다.

주민 10명이 같은 쓰러진 나뭇가지를 10가지 서로 다른 방식으로 설명할 수 있다. 모델은 각 주민의 업데이트 구독을 유지하면서 이 신고들을 묶을 수 있다.

이 접근법은 단순한 중복 탐지보다 개선된 방식이 될 것이다. 또한 주민에게 신고가 조용히 종결된 것이 아니라 진행 중인 사건에 연결됐다고 알릴 수 있다.

또 다른 유용한 적용 사례는 사건 요약이다. Chicago의 부모-자식 구조는 중요한 세부 정보를 하나의 서비스 요청과 여러 작업 지시에 흩어놓을 수 있다.

AI는 이러한 기록을 바탕으로 평이한 언어의 타임라인을 생성할 수 있다. 요약은 어느 부서가 사건을 접수했는지, 어떤 조치를 기록했는지, 무엇이 아직 보류 중인지 설명할 수 있다.

모든 문장은 여전히 시스템 데이터로 뒷받침돼야 한다. 모델은 누락된 필드를 채우기 위해 설명을 지어내서는 안 된다.

자동화된 알림은 위험이 더 낮은 기회다. 규칙 기반 시스템은 책임 주체가 바뀌거나, SLA가 만료되거나, 작업반이 현장 결과를 기록할 때 메시지를 발송할 수 있다.

AI는 승인된 상태 코드를 더 명확한 언어로 번역할 수 있다. 기본 코드를 보존하고 메시지가 기계 생성됐다는 사실을 주민에게 표시해야 한다.

이러한 도구는 시 직원의 절차 검색도 도울 수 있다. 신중하게 관리되는 AI 지식 베이스는 공식 출처를 대체하지 않으면서 관련 정책을 찾아낼 수 있다.

이 기능은 감사에서 교육과 시스템 사용의 불일치가 확인됐기 때문에 중요하다. 일부 선거구 및 부서 직원은 Salesforce 사용법을 스스로 익힌 것으로 전해졌다.

공유형 보조 도구는 사건 처리 중 정의, 배정 규칙, 종결 요건을 제시할 수 있다. 40개 이상의 부서와 협력 기관 전반에서 발생하는 우발적 불일치를 줄일 수 있다.

다른 도시들은 유용한 선례를 제공한다. Los Angeles 감사관의 검토는 지방 행정 서비스 시스템에서 음성 인식, 대화형 에이전트, AI 지원 업무 배정을 설명했다.

Los Angeles 검토는 올바른 서비스 부서를 식별하기 위한 San Francisco의 AI 기반 도구 활용을 인용했다. 또한 일상적인 요청 처리를 위해 다른 곳에서 사용되는 음성 시스템도 설명했다.

이 사례들이 Chicago가 같은 결과를 달성할 것임을 증명하지는 않는다. 다만 지방정부 AI가 제한 없는 공개 챗봇으로 시작할 필요는 없다는 점을 보여준다.

더 좁은 범위의 도입은 분류, 중복 제안, 정책 검색, 알림 초안 작성부터 시작할 수 있다. 직원은 최종 업무 배정과 종결에 대한 권한을 유지한다.

이 설계는 AI가 비교적 잘 처리하는 업무를 겨냥한다. 또한 배정 정확도, 중복 판별 정밀도, 이관 빈도, 알림 속도 등 측정 가능한 결과를 만들어낸다.

Dowling의 핵심 통찰은 바로 이 지점에서 가장 설득력 있다. Chicago는 이미 방대한 디지털 기록과 클라우드 기반 사건 시스템을 보유하고 있지만, 주민들은 과정을 해석하는 데 어려움을 겪는다.

AI는 설명을 범주와 연결하고, 기록을 설명과 연결할 수 있다. 신고와 이해 가능한 응답 사이의 행정적 마찰을 줄일 수 있다.

최선의 결과는 미래적으로 느껴지지 않을 것이다. 주민은 문제를 제출하고, 올바른 사건 번호를 받고, 현실적인 예상치를 확인하며, 모든 상태 변경을 이해하게 된다.

이는 의미 있는 변화다. 하지만 문제의 정보 계층에 불과하다.

진짜 상대는 부재한 책임성이다

더 빠른 시스템도 데이터의 품질, 약속의 정확성, 최종 서비스 결과를 책임지는 사람이 없으면 실패한다.

감사관은 Chicago의 중앙 분석 역량이 현저히 제한돼 있다고 밝혔다. 감사는 40개가 넘는 시 부서, 자매 기관 및 외부 협력 기관을 담당하는 직원이 두 명뿐이라고 확인했다.

이 직원들은 교육, 기술 지원, 보고서 구성 및 기타 행정 업무를 처리했다. 이들에게는 심층적이고 시 전역을 아우르는 운영 분석을 수행할 역량과 권한이 부족했다.

그 결과 나타난 모순은 Google News 논쟁의 핵심이다. Chicago의 311 임무에는 정보를 활용해 서비스를 개선하고 자원을 효율적으로 관리하는 일이 포함된다.

그러나 감사는 부서를 아울러 그 업무를 담당하는 시 조직이 없다고 밝혔다. 기술은 활동을 기록하지만 조직적 책임은 분산된 채로 남아 있다.

Service Advocacy Unit을 둘러싼 논쟁은 이 공백을 특히 선명하게 드러낸다. 공개된 시 자료는 광범위한 분석 및 성과 책임을 지닌 조직을 설명했다.

OEMC는 해당 조직이 수년간 존재하지 않았다고 답했다. 관련 업무는 제한된 역량을 가진 기존 역할에 흡수됐다고 밝혔다.

감사관은 감사 기간에도 직원들이 자신을 그 조직의 구성원으로 소개했다고 지적했다. 현장 조사 기간에도 해당 웹페이지는 계속 공개돼 있었다.

이 불일치는 사소한 명칭 문제가 아니다. 시스템의 가장 중요한 기능 중 하나를 누가 담당하는지를 둘러싼 불확실성을 보여준다.

AI는 그 불확실성을 해결할 수 없다. 모델은 기한이 지난 요청을 표시할 수 있지만, 부서 책임자에게 적체 상황을 설명하도록 요구할 수는 없다.

비정상적인 종결 패턴을 감지할 수는 있지만, 그 패턴이 효율적인 업무, 부실한 교육, 또는 보고 성과를 개선하려는 시도를 반영하는지 판단할 수는 없다.

업데이트 초안을 작성할 수는 있지만, 현장 작업반이 입력하지 않은 사실을 진실하게 만들어낼 수는 없다. 자동화된 요약 이후에도 누락된 운영 데이터는 여전히 누락된 상태다.

Chicago의 부서들은 필드도 서로 다르게 정의하고 사용한다. 감사는 ‘완료’, ‘종결’, ‘취소’, ‘원인 없음’에 대한 접근 방식이 일관되지 않다고 밝혔다.

부서마다 서비스 예상치를 계산하는 수준도 다르다. 일부는 전체 요청에 초점을 맞추는 반면, 다른 일부는 개별 작업 지시에 목표를 연결한다.

이 기록으로 학습한 AI 시스템은 시가 먼저 권위 있는 의미를 정의하지 않는 한 불일치를 학습하게 된다. 자동화는 명확성만큼이나 쉽게 모호성을 확장할 수 있다.

자원 배분에도 같은 문제가 영향을 미친다. 대시보드는 한 지역에서 반복되는 민원을 보여줄 수 있지만, 부서가 대응하려면 여전히 인력, 장비, 예산, 권한이 필요하다.

지도부가 분류 개선을 서비스 개선으로 간주한다면, 공공 신뢰는 더 떨어질 수 있다. 주민들은 모델의 정확도만이 아니라 포트홀 수리와 위험 요소 제거를 기준으로 311을 평가한다.

따라서 신뢰할 수 있는 개혁에는 서비스 여정 전체에 책임을 지는 담당 주체가 필요하다. 그 조직은 필드를 정의하고, SLA를 검증하며, 부서 성과를 검토하고, 수정 사항을 공개해야 한다.

감사관은 정기적인 부서 회의, 더 명확한 대민 안내, 개선된 교육, 인력 분석을 권고했다. 이는 AI 기능이 아니라 거버넌스 조치다.

OEMC도 더 체계적인 참여 방식이 도움이 될 것이라는 데 동의했다. 또한 인력 결정은 기존 예산 및 운영상 고려 사항과 연계된다고 밝혔다.

예산 제약은 현실이지만, AI 조달이 이를 없애주지는 않는다. 제대로 작동하는 시스템에는 여전히 분류 체계를 유지하고, 오류를 검토하며, 이의 제기를 처리하고, 공급업체를 감독할 사람이 필요하다.

감사관이 면담한 직원들에 따르면, 시카고는 한때 311 데이터를 활용한 전 시 차원의 성과 회의를 열었다. 그러나 이런 회의는 수년간 열리지 않았다.

현대적인 방식은 AI 지원 분석과 직접적인 관리 압박을 결합할 수 있다. 부서 책임자들은 적체, 종결 패턴, 이관, 지역별 격차를 검토하게 된다.

이는 빠져 있던 피드백 고리를 만든다. 모델은 패턴을 식별하고, 관리자는 원인을 조사하며, 부서는 조치하고, 주민은 문서화된 결과를 보게 된다.

그 고리가 없다면 AI는 주민과 의사결정자 사이에 또 하나의 층이 된다. 인터페이스는 더 유창해지지만 책임 소재는 더 찾기 어려워진다.

AI 제안이 입증해야 할 것

시카고는 모든 311 AI 시스템을 챗봇의 유창성, 공급업체 시연, 자동화된 상호작용의 양이 아니라 검증된 서비스 결과로 평가해야 한다.

생성형 AI는 학습한 패턴을 바탕으로 그럴듯한 순서를 예측해 텍스트를 만든다. 시 작업반이 실제로 업무를 완료했는지에 대해서는 독립적인 이해를 갖고 있지 않다.

주민이 난방 지원, 보호소, 고령자 안부 확인, 공공 안전과 관련된 수리를 요청할 때 이런 한계는 위험해진다.

자신감은 있지만 잘못된 답변은 누군가를 엉뚱한 서비스로 안내할 수 있다. 또한 기초 기록은 그렇지 않다고 말하는데도 주민에게 사건이 해결됐다고 알릴 수 있다.

미국 국립표준기술연구소는 이런 행동을 환각(confabulation)이라고 부른다. 해당 기관의 생성형 AI 프로필은 거짓이거나 내부적으로 모순된 내용을 자신 있게 제시하는 시스템을 설명한다.

시카고는 모델이 말할 수 있는 범위를 제한해 이 위험을 줄일 수 있다. 모든 대민 응답은 승인된 시스템에서 사실을 조회하고 관련 사건 필드를 인용해야 한다.

조회 기능이 오류를 없애지는 않는다. 모델이 잘못된 기록을 선택하거나, 상태를 오독하거나, 중요한 조건을 누락할 수 있다.

따라서 영향이 큰 범주에는 더 엄격한 통제가 필요하다. 일부 요청은 자율적인 우선순위 지정이나 종결 없이 훈련된 직원에게 곧바로 이관돼야 한다.

시는 형평성도 검증해야 한다. 민원 기록은 누가 311의 존재를 알고 있는지, 누가 이를 신뢰하는지, 누가 디지털 접근성을 갖췄는지, 누가 해결되지 않은 문제를 반복 신고하는지를 반영한다.

민원이 더 많다고 해서 실제 필요가 더 크다는 뜻은 아니다. 민원이 적다고 해서 그 지역의 문제가 더 적다는 증거도 아니다.

최적화 시스템은 과거 데이터가 더 풍부한 지역을 우대할 수 있다. 수치상 효율적으로 보이면서 기존 서비스 격차를 강화할 수 있다.

시카고는 지역, 언어, 장애 접근성, 채널, 서비스 유형별로 라우팅과 우선순위 지정을 평가해야 한다. 개인정보가 허용하는 범위에서는 오류율도 공개 보고해야 한다.

주민에게는 자동화된 결정에 이의를 제기할 간단한 경로도 필요하다. 사건 전체를 처음부터 다시 시작하지 않고도 사람이 검토해 달라고 요청할 수 있어야 한다.

개인정보 보호도 똑같이 중요하다. 신고에는 주소, 사진, 전화번호, 취약한 사람이나 재산 상태에 관한 설명이 포함될 수 있다.

시는 모델이 접근할 수 있는 필드, 프롬프트와 출력의 보관 방식, 공급업체 시스템이 해당 정보를 학습에 사용하는지 여부를 정의해야 한다.

보안 검토는 프롬프트 인젝션, 무단 데이터 조회, 제출된 텍스트에 삽입된 조작된 지시를 포함해야 한다. 대중이 입력하는 내용은 본질적으로 신뢰할 수 없다.

조달 과정에서는 독립적인 테스트와 상세한 사고 보고를 요구해야 한다. 시카고는 모델 공급업체가 제시하는 성능 주장에만 의존해서는 안 된다.

감사는 더 기본적인 선결 조건도 제시한다. 바로 일관된 데이터 정의다. 부서마다 종결 범주의 의미에 동의하지 않으면 AI 평가는 신뢰할 수 없게 된다.

출시 전에 시카고는 공통 데이터 사전을 공개해야 한다. 각 상태, 결과, 이관, 중복 지정, SLA에는 하나의 운영상 정의가 있어야 한다.

부서는 전문화된 업무 흐름을 유지할 수 있다. 하지만 대외 보고는 여전히 이해하기 쉬운 공통 상태 집합에 매핑돼야 한다.

그다음 시범 사업을 통해 기준선을 설정해야 한다. 유용한 지표에는 잘못된 라우팅, 이관 빈도, 미해결 중복 건, 기한이 지난 업데이트, 재개된 요청, 주민 만족도가 포함된다.

시는 AI 지원 사례와 현재 프로세스에 따라 처리된 유사 사례를 비교해야 한다. 평균 성과와 최악의 실패 사례를 모두 검증해야 한다.

처리 완료 속도만으로는 충분하지 않다. 업무가 끝나지 않았어도 사례를 빠르게 종결하면 이 지표를 개선할 수 있다.

시카고는 속도를 검증된 결과와 결합해야 한다. 감사는 완료된 사례를 표본 추출하고, 기록을 현장 증거와 비교하며, 미해결 상태에 대해 주민에게 연락할 수 있다.

이러한 회의적 기준은 Dowling의 제안을 거부하지 않는다. 오히려 그 제안을 운영 측면에서 진지하게 만든다.

AI는 인간의 책임을 보존하면서 이해하기 쉽고 정확한 서비스를 개선할 때 역할을 인정받는다. 변하지 않은 관료제 위에 더 나은 언어만 덧씌울 때는 실패한다.

시카고는 세 가지 측정 가능한 시험으로 시작해야 한다

다음 단계는 라우팅 품질, 사실에 기반한 업데이트, 책임 있는 부서 대응을 중심으로 한 제한적이고 공개적인 시범 사업이어야 한다.

첫 번째 신호는 시카고가 311 성과에 대해 명확히 식별되는 책임자를 지정하는지 여부다. 그 책임자는 참여 부서 전반에 걸친 권한을 가져야 한다.

새 직함만으로는 충분하지 않다. 해당 조직은 데이터 정의를 공개하고, SLA를 검토하며, 반복되는 실패를 조사하고, 시정 조치를 보고해야 한다.

시카고가 그 기능을 구축한다면 Dowling의 주장은 더 강해진다. AI는 모델 출력을 운영상 변화로 전환할 수 있는 관리 구조를 갖추게 된다.

책임이 분산돼 있고 비공식적인 상태로 남는다면 제안은 약화된다. 자동화된 분석 결과는 감사에서 확인된 동일한 조직적 공백에 도달하게 된다.

두 번째 신호는 통제된 라우팅 및 중복 탐지 시범 사업이다. 시카고는 신뢰할 수 있는 과거 기록을 가진 고처리량·저위험 서비스 범주 몇 가지를 선정해야 한다.

시범 사업은 사람의 결정과 AI 제안을 비교해야 한다. 직원들은 오탐 매칭, 잘못된 라우팅, 이관, 상향 조치가 필요한 사례를 기록해야 한다.

신고가 중복으로 묶인 주민에게는 주 사건 번호와 현재 상태를 제공해야 한다. 또한 매칭에 이의를 제기할 방법도 남겨야 한다.

개선은 지역이나 언어 집단 전반에서 결과를 악화시키지 않으면서 불필요한 이관과 설명 없는 종결을 줄이는 것을 의미한다.

실패의 모습은 다르다. 시스템은 처리 시간을 줄이면서 오분류를 늘리거나, 지역적 패턴을 숨기거나, 주민에게 독립적인 사건 기록을 부정할 수 있다.

세 번째 신호는 공개 상태 정보가 정확해지는지 여부다. 시카고는 자연어 설명을 생성하기 전에 표준 상태 집합을 정의해야 한다.

유용한 업데이트는 책임 부서를 명시하고, 기록된 조치를 설명하며, 남은 업무를 공개하고, 다음 예상 이정표를 제공해야 한다.

시에 추정치가 없다면 없다고 말해야 한다. 약한 데이터에서 만들어진 정확한 날짜보다 솔직한 불확실성이 더 신뢰할 만하다.

시카고는 적시에 업데이트를 받는 요청의 비율, 재개된 사례의 비율, 표시된 완료 시간과 실제 완료 시간의 차이를 측정할 수 있다.

시의 공개 서비스 데이터셋은 외부 분석의 기반을 제공한다. 모든 AI 시범 사업은 이러한 투명성을 유지하거나 개선해야 한다.

이 시험은 순서대로 이뤄져야 한다. 거버넌스가 먼저이고, 통제된 자동화가 뒤따르며, 공개 확대는 검증된 결과에 달려 있다.

시카고는 모든 것에 답하겠다고 약속하는 전 시 차원의 챗봇으로 시작해서는 안 된다. 이런 접근은 기초 기록을 바로잡기 전에 가장 큰 평판 위험을 만든다.

범위가 좁은 보조 도구도 눈에 띄는 가치를 제공할 수 있다. 주민이 올바른 요청 유형을 선택하도록 돕고, 기존의 검증된 사건 이력을 설명할 수 있다.

이 도구는 자신이 자동화된 시스템임을 밝혀야 하며, 답변의 근거가 된 원본 기록을 보여줘야 한다. 불확실성은 꾸며낸 확신이 아니라 사람의 검토로 이어져야 한다.

콜센터 직원과 구청 직원은 시스템 설계에 참여해야 한다. 이들은 디지털 요청과 현장 업무 사이에서 나타나는 실패 양상을 이해하고 있다.

특히 접근성 서비스나 영어 이외의 언어를 사용하는 주민들도 참여해야 한다. 이들의 경험은 집계 지표에 가려진 오류를 드러낼 수 있다.

독립적인 검토자는 확대 전에 시범 사업을 평가해야 한다. 그 결과에는 기술 성능뿐 아니라 실제 시의 대응 품질도 포함돼야 한다.

Google News의 관심은 AI가 중심 사건인 것처럼 보이게 할 수 있다. 더 중요한 질문은 시카고가 그 관심을 책임성을 재건하는 데 활용하는지 여부다.

Dowling의 말처럼 AI는 연간 200만 건이 넘는 요청을 처리하는 시스템을 개선할 수 있다. 분류, 중복 탐지, 검색, 소통은 실용적인 활용 사례다.

그러나 이 “블랙홀”은 시카고에 유창한 소프트웨어가 부족해서 생긴 것이 아니다. 주민들이 책임 주체, 진행 상황, 신뢰할 수 있는 설명을 확인할 수 없었기 때문에 생겼다.

시카고는 모든 시범 단계가 끝날 때마다 한 가지 질문을 던져야 한다. 주민이 더 정확한 서비스를 받았는가, 아니면 더 많은 자동화된 소통만 받았는가?

이 구분은 조달, 인력 배치, 대외 보고를 이끌어야 한다. 또한 프로그램이 초기 범주를 넘어 확대될지 여부도 결정해야 한다.

Google News를 통해 이 이야기를 지켜보는 독자에게 의미 있는 이정표는 AI 발표가 아닐 것이다. 그것은 시카고가 기록된 활동과 완료된 업무 사이의 격차를 해소한다는 증거일 것이다.

지명된 성과 책임자, 공개된 상태 정의, 독립적으로 측정된 시범 결과를 주목해야 한다. 이 신호들이 함께 나타난다면 시카고가 단순한 대화형 계층 이상의 것을 구축하고 있음을 보여줄 것이다.

AI는 311을 통과하는 길을 비출 수 있다. 하지만 누가 그 길을 걷고, 누가 문제를 해결하며, 아무 일도 일어나지 않을 때 누가 답할지는 여전히 시카고의 지도자들이 결정해야 한다.