AI로 생성된 제안서가 연방 조달의 전통적 신호를 약화시키고 있다
Google News는 AI 기반 조달에 관한 날카로운 경고를 포착했다. 더 나은 제안서 문구가 이제는 실제 수행 역량을 식별하기 더 어렵게 만들 수 있다는 것이다. Federal News Network의 해설은 이 충돌을 ‘완벽한 제안서의 역설’로 규정하고 ‘Garcia의 법칙’과 연결한다. 이러한 명칭은 도발적이지만, 근본적인 문제는 실무적이다. 계약업체는 정교하고 규정에 부합하는 응답을 더 빠르게 만들 수 있는 반면, 기관은 여전히 누가 실제로 업무를 수행할 수 있는지 판단해야 한다.
이는 연방 경쟁의 성격을 바꾼다. 과거 제안서의 품질은 기관 지식, 체계적인 계획 수립, 기술적 판단, 그리고 압박 속에서 전문가들을 조율하는 능력 등 여러 희소한 역량을 반영했다. 생성형 AI는 이제 그러한 역량의 외형적 징후 다수를 모방할 수 있다. 몇 분 안에 요구사항을 정리하고, 용어를 표준화하며, 미흡한 문장을 다시 쓰고, 빠진 섹션을 찾아낼 수 있다.
그 결과는 단순히 자동화된 글쓰기의 증가가 아니다. 신호로서 ‘세련됨’의 가치가 붕괴하는 현상이다. 모든 입찰자가 명확한 문장과 완벽한 형식을 만들어낼 수 있다면, 평가자는 이해도를 입증할 다른 근거를 찾아야 한다. 핵심 경쟁은 AI 지원 프레젠테이션과 독립적으로 입증된 수행 역량 사이의 대결로 바뀌고 있다.
여기서 Google News는 논거의 출처가 아니라 발견 경로일 뿐이다. 중요한 이야기는 연방 구매자, 계약업체, 평가자, 그리고 그들의 결정에 영향을 받는 공공 임무에 관한 것이다. 정부는 설득력 있는 문구가 증거, 책임성, 인간의 판단을 대체하지 않도록 하면서 AI의 속도를 확보해야 한다.
Google News 기사가 실제로 바꾸는 것
완벽한 제안서는 점점 더 쉽게 만들어질 수 있으므로, 제안서의 완성도가 담는 정보량은 과거보다 줄어들고 있다.
생성형 AI는 이미 제안서 업무에 자연스럽게 적용된다. 모델은 공고를 요약하고, 요구사항을 추출하며, 준수 매트릭스를 작성하고, 핵심 주제를 제안하고, 평가 기준에 비추어 섹션을 비교할 수 있다. 검색 시스템은 계약업체가 승인한 프로젝트 기록, 이력서, 과거 수행 실적 설명을 바탕으로 결과물을 생성하도록 지원할 수도 있다.
이러한 기능은 반복 업무를 줄인다. 팀이 제출 전에 누락 사항을 찾도록 돕고, 주제 전문가에게 검토하기 더 깔끔한 초안을 제공한다. 소규모 계약업체 역시 대규모 제안서 부서를 운영하는 조직과 경쟁하기 위해 이를 활용할 수 있다.
긴장은 지원이 대체로 변하는 지점에서 시작된다. 시스템은 제안된 인력, 일정, 아키텍처 또는 관리 통제가 실제로 작동할지 알지 못한 채 그럴듯한 기술 서술을 만들어낼 수 있다. 사용 가능한 맥락을 토대로 설득력 있는 언어를 예측할 뿐이다. 생성한 주장에 대해 계약상 책임을 지지는 않는다.
이 구분은 연방 소스 선정이 글쓰기 경연이 아니기 때문에 중요하다. FAR 15.305에 따르면, 제안서 평가는 제출물뿐 아니라 제안자가 예정된 계약을 성공적으로 이행할 능력도 평가한다. 잘 작성된 응답은 자원, 의사결정, 의존성, 위험을 정확하게 반영할 때에만 가치가 있다.
최적화가 이 연결을 약화할 때 역설이 나타난다. AI가 모든 응답을 이상적인 수사 형식에 가깝게 만들수록, 평가자가 형식 자체로부터 추론할 수 있는 정보는 줄어든다. 뛰어난 구성은 더 이상 팀이 업무를 체계화했다는 증거가 아니다. 상세한 위험 언어도 누군가가 프로젝트의 실제 위험을 식별했다는 증거가 아니다.
Naval Postgraduate School의 조달 심포지엄에서 제시된 연구는 관련된 시나리오를 설명한다. 산업계는 AI로 제안서를 작성하고, 정부 시스템은 AI로 이를 평가할 수 있다. 그에 따른 인간 주체성 문제는 책임성, 공정성, 윤리적 판단, 기관 지식에 관한 것이다.
이 지점에서 해설의 두 번째 명칭이 유용해진다. ‘Garcia의 법칙’은 법률, 규정 또는 구속력 있는 조달 원칙과 혼동해서는 안 된다. 이는 보도된 논지 안에서 편집상 원칙으로 기능한다. 그럴듯한 제안서 내용을 생성하는 비용이 0에 가까워질수록, 그 내용을 검증하는 비용은 상승한다.
응답이 문법적으로 깔끔하다고 해서 이러한 검증 부담이 사라지지는 않는다. 부담은 평가자, 계약 담당관, 기술팀, 보안 검토자, 그리고 궁극적으로 프로그램 관리자에게 이전된다. 이들은 인용된 경험이 관련성이 있는지, 제안 인력이 실제로 투입 가능한지, 가정이 현실적인지, 약속을 추적할 수 있는지를 검증해야 한다.
따라서 이 이야기는 증거 가치의 변화를 보여준다. 글쓰기는 여전히 필요하지만, 정교한 글쓰기는 운영 역량을 대리하는 신호로서 점점 약해지고 있다. 이를 강력한 대리 신호로 계속 채점하는 기관은 가장 뛰어난 생성 워크플로를 갖춘 입찰자에게 보상할 위험이 있다.
더 빠른 초안 작성은 더 느린 검증 문제를 만든다
AI는 제출 전 시간을 절약하지만, 검증되지 않은 결과물은 제출 후 정부에 더 많은 업무와 위험을 전가할 수 있다.
조달에서 AI를 도입해야 한다는 가장 강력한 근거는 속도다. 연방 조달에는 시장 조사, 요구사항 개발, 공고 작성, 질의 관리, 제안서 분석, 문서화, 계약 관리가 포함된다. 이 가운데 상당수는 방대한 문서 집합에서 텍스트를 찾아 대조하는 작업을 수반한다.
Government Accountability Office의 연구는 기관들이 이미 다양한 계약 방식으로 AI를 조달하고 있음을 확인한다. 2026년 4월 검토에서는 보고된 연방 AI 사용이 2023년부터 2024년 사이 두 배 이상 증가한 것으로 나타났다. 조달 검토는 제안서를 평가할 기술 전문가를 확보하는 어려움과 AI 관련 비용을 파악하는 문제도 지적했다. 별도로 Office of Management and Budget의 연방 AI 조달 관련 M-25-22 메모는 기관들이 경쟁, 데이터 이동성, 공급업체 종속, 성과 모니터링을 다루면서 효과적이고 신뢰할 수 있는 AI를 조달하도록 지시한다.
이러한 결과는 역설 뒤에 있는 역량 불일치를 드러낸다. AI는 입찰자가 더 완전하고 정교한 제출물을 만들게 한다. 그러나 기관에는 모든 기술적 주장을 효율적으로 검증할 충분한 데이터 과학자, 조달 전문가 또는 임무 전문가가 없을 수 있다.
더 긴 답변은 문제를 심화할 수 있다. 모델은 입찰자가 직접 경험이 거의 없는 경우에도 모든 요구사항에 대해 광범위한 구현 세부사항을 생성할 수 있다. 그러면 평가자는 구체적으로 들리지만 일반적 패턴, 오래된 기록 또는 뒷받침되지 않는 가정에 기초할 수 있는 수백 개의 주장을 마주하게 된다.
환각만이 위험은 아니다. 제안서가 평가자를 오도하기 위해 극적인 허위 사실을 담을 필요는 없다. 부풀려진 과거 수행 실적, 양립할 수 없는 인력 투입 약속, 낙관적인 전환 계획, 다른 환경에서 복사한 보안 통제를 통해 더 작은 왜곡이 누적될 수 있다.
검색 증강 생성은 승인된 소스 자료를 모델에 제공함으로써 일부 오류를 줄인다. 그러나 검토의 필요성을 없애지는 않는다. 검색된 문서는 오래되었거나, 공고와 무관하거나, 의미를 바꾸는 단서가 제거되었을 수 있다.
AI 결과물이 재귀적으로 사용될 때 위험은 커진다. 한 모델은 내부 라이브러리를 바탕으로 기술 접근법을 작성한다. 다른 모델은 그 접근법을 공고에 비추어 평가한다. 세 번째 모델은 평가자의 판단 결과를 작성한다. 세 시스템이 유사한 언어 패턴이나 모델 계열을 공유한다면, 표면적인 일치는 독립적 확인이 아니라 상관된 행동을 반영할 수 있다.
자동화 편향은 또 다른 층위를 더한다. 사람들은 자신감, 세부사항, 수치 점수를 갖춘 구조화된 결과물이 제시될 때 그 결과에 의존하는 경향이 있다. 바쁜 검토자는 모델 결론 뒤의 증거를 재구성하는 대신 결론 자체를 검토할 수 있다.
American Bar Association은 이러한 위험이 조달 청렴성에 어떻게 도달할 수 있는지 살펴봤다. 자동화된 조달 위험에 대한 분석은 데이터 오염, 회피, 프롬프트 인젝션, 자동화 편향을 다룬다. 한 시나리오에서는 숨겨진 텍스트가 평가 시스템에 제안서를 우호적으로 평가하도록 지시한다.
이 사례는 전통적인 문서 검토만으로는 충분하지 않은 이유를 보여준다. 제안서에는 사람에게 보이지 않지만 기계가 읽을 수 있는 내용이 포함될 수 있다. 반대로 자동 추출기는 인간 평가자가 중요하게 여길 차트, 단서 또는 서식을 빠뜨릴 수 있다.
따라서 기관은 양쪽 경계에서 통제를 마련해야 한다. 수신 문서는 자동 처리 전에 정제와 검사를 거쳐야 한다. 모델 결과물에는 인용, 로그, 재현 가능한 평가 기준, 그리고 실명이 명시된 인간 책임자가 필요하다.
정부는 행정적 지원과 실질적 판단도 구분해야 한다. AI는 요구사항을 찾거나 일관되지 않은 용어를 식별하는 데 도움을 줄 수 있다. 접근법이 수용할 수 없는 임무 위험을 초래하는지 결정하는 일은 별개의 기능이다. 그 결정은 권한을 위임받은 공무원에게 귀속되어야 한다.
이 모든 것이 시간 절감 효과를 없애는 것은 아니다. 다만 리더들이 그 효과를 측정해야 할 지점을 바꾼다. 초안 작성에서 줄어든 시간이 이후 더 큰 검토 대기열, 취약한 기록 또는 이행 분쟁으로 이어진다면 순효익을 뜻하지 않는다.
AI 지원 제안서는 평가자에게 압박을 가한다
연방 평가자는 문체적 신호를 생성하기 어렵고 검증하기 쉬운 증거로 대체해야 한다.
즉각적인 압박은 조달팀에 가해진다. 이들은 제한된 평가 기간, 기술 전문가에 대한 불균등한 접근성, 그리고 경쟁자를 공정하게 대해야 할 의무를 안고 있다. 또한 정부가 한 제안자를 다른 제안자보다 선택한 이유를 설명하는 명확한 기록도 필요하다.
이 기록은 최초 계약 수주를 넘어 중요하다. 디브리핑, 내부 검토, 감사, 입찰 이의 소송을 뒷받침한다. 기관이 불투명한 모델을 사용해 중요한 결론에 도달했다면, 해당 결정을 재구성하기는 어려워진다.
연방 조달에는 이미 인간 책임성 구조가 마련돼 있다. 평가위원회는 제안서를 평가하고, 계약 담당관은 조달을 관리하며, 소스 선정 권한자는 문서화된 판단을 내린다. 모델은 위임된 권한을 보유하거나 책임 있는 공무원처럼 추론을 설명할 수 없으므로 AI는 이러한 역할에 자동으로 들어맞지 않는다.
유용한 경계선은 도구가 평가의 실질을 바꾸는지 여부다. 검색, 색인화, 서식 지정, 요구사항 추적은 검토자를 지원할 수 있다. 강점, 약점, 위험 또는 비교 가치를 부여하는 일은 수주 결정에 영향을 미치므로 더 엄격한 통제가 필요하다.
동일한 구분은 계약업체에도 적용된다. 승인된 인력 배치 계획을 AI로 서식화하는 일은 이를 발명하도록 요청하는 일과 다르다. 검증된 과거 수행 실적을 요약하는 일은 이상화된 프로젝트 이력을 생성하는 일과 다르다. 제안서 책임자는 이러한 차이를 반영하는 승인 절차를 마련해야 한다.
기관은 입찰자에게 제출하도록 요구하는 내용도 재설계할 수 있다. 긴 서술형 섹션은 텍스트 생성과 매우 잘 맞는다. 작업 샘플, 기술 과제, 구조화된 데이터, 구두 발표, 시나리오 응답은 실제 수행이 기대되는 사람들에 대해 더 많은 것을 드러낼 수 있다.
실시간 시연도 코칭이나 자동화의 영향에서 자유롭지는 않다. 그러나 평가자는 이를 통해 가정을 검증하고 후속 질문을 던질 수 있다. 설계를 이해하는 팀이라면 미리 작성된 답변에 의존하지 않고도 트레이드오프, 실패 모드, 의존성, 대안을 설명할 수 있어야 한다.
과거 실적도 신중하게 검증할 때 더 큰 가치를 지닌다. 평가자는 포괄적인 주장을 그대로 받아들이는 대신, 인용된 업무가 비교 가능한 임무, 운영 환경, 보안 경계, 복잡도 수준을 수반했는지 살펴볼 수 있다. 추천서는 계약업체가 실제로 맡았던 역할을 확인해야 한다.
인력 관련 증빙도 비슷한 수준의 검토가 필요하다. AI는 이력서가 뒷받침하지 못하는 인상적인 관리 서사를 만들어낼 수 있다. 기관은 가용성, 직무 범주 적합성, 핵심 인력의 확약, 제안 인력과 기술 접근법의 연관성을 검증할 수 있다.
비용 현실성은 여전히 핵심이다. 정교하게 생성된 계획은 이를 수행하는 데 필요한 인력을 반영하지 않은 채 공격적인 일정, 광범위한 테스트, 지속적인 감독을 약속할 수 있다. 서술상의 약속을 인력 계획과 가격 책정에 대조하면 모순을 드러낼 수 있다.
이러한 압박은 소규모 기관에도 미친다. 대형 부처는 보안 평가 환경을 구축하고 다학제 검토팀을 구성할 수 있다. 더 작은 구매기관은 동등한 법률·기술·보안 지원 없이 상용 도구에 의존할 수 있다.
공동 조달 서비스가 도움이 될 수는 있지만, 표준화는 또 다른 우려를 낳는다. 여러 기관이 동일한 채점 모델을 사용한다면 계약업체는 그 선호를 학습하게 된다. 그러면 제안서 최적화는 임무가 아니라 평가자를 겨냥하게 될 수 있다.
이는 조달 분야의 검색 엔진 최적화 버전이다. Google News는 발견을 위해 정보를 순위화하고 정리하며, 게시자는 그 신호에 맞춰 적응한다. 자동화된 평가는 더 높은 이해관계가 걸린 피드백 루프를 만든다. 계약업체는 시스템이 보상하는 요소에 맞춰 문구, 구조, 증거를 조정하게 될 것이다.
해법이 비밀 유지에만 있는 것은 아니다. 숨겨진 채점 절차는 공정성을 훼손하고 오류에 이의를 제기하기 어렵게 만들 수 있다. 기관은 시스템 지침을 보호하고 조작을 감시하면서도 투명한 기준을 마련해야 한다.
우수한 평가 설계는 시스템 공략의 가치를 낮춘다. 이는 뒷받침된 사실, 측정 가능한 약속, 관련 경험, 일관된 트레이드오프를 보상한다. 또한 단일 서술 점수가 결과를 좌우하도록 두지 않고 여러 형태의 증거를 활용한다.
진짜 경쟁은 설득과 증명 사이에 있다
AI는 경쟁의 양쪽 모두에서 설득력을 높일 수 있지만, 계약업체가 실행할 수 있다는 증거를 대체할 수는 없다.
이것이 이 글의 핵심적인 반전이다. 생성형 AI는 모든 제출물이 더 명확하고 더 요구에 부합하게 될 수 있으므로 제안서 품질을 더 중요하게 만드는 듯 보인다. 실제로는 기존 제안서의 세련됨을 덜 결정적인 요소로 만든다.
기존 신호가 한꺼번에 사라지는 것은 아니다. 혼란스러운 제안서는 여전히 부실한 조정을 뜻할 수 있고, 불완전한 응답은 여전히 입찰요청 요건을 충족하지 못할 수 있다. 다만 허용 가능한 표현의 기준선이 올라가고, 차별화는 다른 곳으로 이동한다.
증명은 추적 가능성에서 시작한다. 모든 중요한 주장은 승인된 출처, 지정된 책임자, 측정 가능한 약속 또는 문서화된 가정과 연결되어야 한다. 계약업체는 어떤 진술이 모델에서 비롯됐는지, 제출 전에 누가 이를 검증했는지 알아야 한다.
실무적인 내부 기록은 각 주장을 입찰요청 요건, 출처 문서, 분야별 검토자, 최종 승인과 연결할 수 있다. 이는 검색 가능한 지식 기반과 유사하지만, 목적은 편의성이 아니라 계약상 규율이다.
추적 가능성은 계약 체결 이후에도 도움이 된다. 프로그램 팀은 어떤 제안 약속이 계약상 의무가 되었는지, 어떤 가정이 확인을 필요로 하는지 파악할 수 있다. 이러한 연속성이 없으면 제안서는 이행과 분리된 설득용 산출물로 남는다.
기관은 재사용 가능한 형식의 증거를 요구해야 한다. 구조화된 인력 데이터, 마일스톤 정의, 테스트 기준, 보안 책임, 의존성 목록은 제한 없는 산문보다 비교하기 쉽다. 서술은 판단을 설명하는 데 여전히 유용하지만, 그 밑바탕의 약속을 가려서는 안 된다.
기술 시연은 또 다른 증명 계층을 제공한다. 입찰자는 제안한 아키텍처가 장애에 어떻게 대응하는지, 정부 데이터를 어떻게 보호하는지, 이식성을 어떻게 지원하는지 보여줄 수 있다. 그러면 평가자는 관찰된 행동을 서면 주장과 비교할 수 있다.
AI 시스템의 경우 테스트에는 불완전한 데이터, 적대적 입력, 드리프트, 운영상의 제약이 포함돼야 한다. 정제된 시연에서는 잘 작동하는 모델도 사용자가 모호한 요청이나 민감한 정보를 입력하면 실패할 수 있다.
대규모 언어 모델 시스템을 위한 GSA의 제안 규칙은 운영상 보호조치에 대한 관심이 커지고 있음을 보여준다. 2026년 6월의 LLM 조항 초안은 정부 데이터, 지식재산권, 개인정보 보호, 이식성, 변경 통지, 평가, 시정 조치를 다룬다.
이 초안은 경직된 통제가 왜 자체적인 문제를 만들 수 있는지도 보여준다. 상업적 관행과 크게 다른 요건은 공급업체의 참여를 저해하거나 모델 제공업체와 하도급업체에 적용하기 어렵게 될 수 있다. 기관은 신뢰할 만한 공급업체가 수용할 수 없는 의무를 명시하지 않으면서 정부 이익을 보호해야 한다.
이는 트레이드오프이지만, 보조적 맥락으로 남아야 한다. 핵심 갈등은 여전히 설득과 증명 사이에 있다. 공개와 데이터 보호조치는 기관이 관련 시스템을 신뢰하고 검증할 수 있는지를 결정하기 때문에 중요하다.
독립 검토도 또 다른 증명 수단이다. 응답을 작성하지 않은 사람이 주요 주장을 출처 기록과 대조해 검증해야 한다. 보안, 인력, 비용, 전환, 과거 실적을 포함한 고위험 섹션은 저위험 형식 요소보다 더 강한 검토가 필요하다.
AI는 이러한 검증 기능을 지원할 수 있지만, 자신의 작업을 스스로 채점해서는 안 된다. 별도의 검색 코퍼스, 모델, 프롬프트 또는 검토팀은 상관된 오류를 줄일 수 있다. 중요한 충돌은 인간 전문가가 해결해야 한다.
계약업체는 기밀 및 통제 정보에 관한 명확한 규칙도 필요하다. 승인되지 않은 서비스에 입찰요청 데이터, 가격 정보, 이력서, 기술 설계를 업로드하면 개인정보 보호, 보안, 지식재산권 노출이 발생할 수 있다.
기관 평가자에게도 이에 상응하는 의무가 있다. 제안서 정보는 민감하며, 이를 공개 모델에 입력하면 조달의 무결성이 훼손될 수 있다. 승인된 환경은 보존, 학습 활용, 접근 통제, 로깅, 사고 대응을 정의해야 한다.
승리하는 조직이 반드시 AI를 피하는 조직은 아닐 것이다. 출처 증거에서 최종 약속까지 신뢰할 수 있는 연계를 유지하면서 자동화를 활용하는 조직이 될 것이다.
Garcia의 법칙이 아직 알려줄 수 없는 것
경고는 신빙성이 있지만, 완벽한 제안서의 역설이나 Garcia의 법칙은 공식적인 조달 규칙으로 확립된 것은 아니다.
용어 사용에는 주의가 필요하다. 근거가 된 Google News 항목은 규정, 법원 판결, 정부 전반의 정책이 아니라 Federal News Network의 논평을 가리킨다. 독자는 이 명명된 개념들을 분석적 약칭으로 받아들여야 한다.
AI 지원 제안서가 모두 신뢰할 수 없다는 공개 증거는 없다. 많은 계약업체는 이미 모델을 승인된 콘텐츠로 제한하고 전문가 검토를 요구하는 통제된 워크플로를 사용한다. AI는 누락 사항, 불일치하는 수치, 뒷받침되지 않는 진술을 찾아 정확성을 높일 수 있다.
사람이 작성한 제안서가 본질적으로 신뢰할 수 있다고 가정할 근거도 없다. 전통적인 제안서 팀은 역량을 과장하거나, 관련 없는 콘텐츠를 재사용하거나, 이행 팀이 지킬 수 없는 약속을 할 수 있다. 무결성 문제는 생성형 AI보다 앞서 존재했다.
AI는 규모, 속도, 탐지 가능성을 바꾼다. 팀은 더 적은 노력으로 더 그럴듯한 자료를 만들 수 있다. 또한 조직이 로그와 인용을 유지하지 않으면 진술의 출처를 재구성하기 어렵게 만들 수 있다.
공개 의무가 자동적인 해결책은 아니다. AI 사용 여부를 묻는 단순 체크박스는 맞춤법 검사, 검색, 초안 작성, 채점, 자율 생성까지 포괄하는 이 용어의 범위 때문에 거의 알려주는 바가 없다. 지나치게 광범위한 공개는 위험한 관행을 드러내지 못한 채 무해한 사용을 처벌할 수도 있다.
더 나은 접근은 중요성에 초점을 맞춘다. 기관은 AI가 비용, 성과, 보안, 인력, 일정, 기술 역량에 관한 주장에 영향을 미쳤는지 관심을 가져야 한다. 또한 어떤 검증과 승인이 이뤄졌는지 물어야 한다.
모델 탐지는 신뢰할 수 있는 집행 수단을 제공하기 어려울 가능성이 크다. 텍스트 탐지기는 오탐을 내고 편집으로 무력화될 수 있다. 평가자는 각 문장을 누가 입력했는지 추측하기보다 증거와 일관성을 검토해야 한다.
편향 역시 해결되지 않은 또 다른 우려다. 과거 조달 데이터에는 과거의 선호, 불평등한 접근성, 일관되지 않은 채점이 반영돼 있을 수 있다. 그 기록으로 평가 시스템을 학습시키면 이를 객관적으로 보이게 하면서 그러한 패턴을 재현할 수 있다.
투명성에도 한계가 있다. 모든 모델 지침을 공개하면 계약업체가 시스템을 조작하는 데 도움이 될 수 있다. 절차를 완전히 비밀로 유지하면 입찰자가 기관의 판단 방식을 의미 있게 이해하지 못하게 할 수 있다. 기관은 공정성을 뒷받침할 만큼 공개하되 악용 가능한 세부 사항은 노출하지 않아야 한다.
데이터 품질은 가장 어려운 제약일 수 있다. 과거 기록이 불완전하거나 일관되지 않거나 시스템 간 연결이 끊겨 있다면 평가자는 성과를 신뢰성 있게 비교할 수 없다. 더 나은 모델만으로는 취약한 조달 데이터를 해결할 수 없다.
기관이 교훈을 수집하고 적용해야 한다는 GAO의 요청은 여기서도 관련이 있다. 연방 구매기관은 어떤 AI 조달 방식이 효과가 있었는지, 이행 중 무엇이 실패했는지, 평가 결과가 실제 성과를 얼마나 예측했는지에 대한 기록이 필요하다.
이는 이 역설을 검증할 수 있는 측정 가능한 시험을 만든다. 점점 더 세련된 제안서가 계약 성과와의 상관관계가 약해진다면, 기관은 서술적 표현에 부여하는 비중을 줄여야 한다. 구조화된 증거와 시연이 결과를 더 잘 예측한다면 평가 계획은 이를 우대해야 한다.
그러한 증거가 축적되기 전까지 기관은 두 가지 과장을 피해야 한다. 소프트웨어를 사용한다는 이유만으로 AI 평가를 중립적이라고 제시해서는 안 된다. 사람이 판단했다는 이유만으로 모든 인간의 판단이 우월하다고 가정해서도 안 된다.
옹호 가능한 입장은 더 좁다. 중요한 결정에는 책임 있는 담당자, 검토 가능한 증거, 오류나 조작을 탐지할 수 있는 절차가 필요하다. AI는 그 절차를 지원할 수 있지만, 자동으로 그러한 조건을 충족하지는 않는다.
이 역설을 시험할 세 가지 신호
다음 단계는 조달 설계, 이의 제기 기록, 계약 이행에서 나온 증거에 의해 결정될 것이다.
첫 번째 신호는 입찰요청 구조의 변화다. 기관이 긴 서술형 요건을 줄이고 기술 과제, 구두 발표, 구조화된 약속 또는 시연을 추가하는지 지켜봐야 한다. 이러한 변화는 기존 산문이 차별화 요소로서의 가치를 잃었다는 주장을 강화할 것이다.
세부 사항이 중요하다. 서면 에세이를 대본화된 발표로 바꾸는 것은 큰 변화를 만들지 못한다. 의미 있는 시험은 제안 인력이 현실적인 제약 아래에서 의사결정을 설명하고, 새로운 사실에 대응하거나, 역량을 시연하도록 요구한다.
두 번째 신호는 제안서 평가에서 중요한 AI 사용을 둘러싼 최초의 가시적인 분쟁이다. 이의 제기, 감사 또는 감찰관 검토는 기관이 자동화된 결과에 의존했는지, 그리고 인간 담당자가 독립적인 판단을 행사했는지를 드러낼 수 있다.
핵심 질문은 기록에 관한 것이다. 이 도구는 평가 점수를 생성했는가, 아니면 단지 증거를 정리했을 뿐인가? 평가자들은 그 결과를 재현할 수 있었는가? 반대되는 정보도 검토했는가? 최종 판단에 대한 책임은 누가 맡았는가?
충분히 문서화된 사례는 범위가 제한된 AI 지원에 대한 신뢰를 높일 수 있다. 반면 중요한 평가 점수를 설명하지 못하는 불투명한 절차는 이 역설을 더욱 부각하고 정부 전반의 통제 강화 요구를 키울 것이다.
세 번째 신호는 성과 데이터다. 기관들은 계약 수주 이후 제안서의 주장과 인력 안정성, 납품 이정표, 비용 증가, 보안 사고, 사용자 성과를 비교해야 한다. 이러한 증거는 어떤 평가 신호가 실제로 성공을 예측하는지 보여줄 수 있다.
성과 측정은 계약업체의 내부 통제도 검증하게 된다. 생성된 콘텐츠를 검증된 기록과 연결하는 조직은 이행 과정에서 모순이 더 적게 발생할 가능성이 높다. 제출에만 최적화한 조직은 프로그램 팀이 비현실적인 약속을 인수할 때 어려움을 겪을 수 있다.
Google News는 AI 정책, 연방 계약, 자동화된 업무를 둘러싼 논쟁을 계속 노출할 것이다. 독자들은 집계라는 표지를 넘어 기관들이 무엇을 보상하는 방식을 바꾸고 있는지 살펴봐야 한다.
최선의 대응은 AI 금지나 통제 없는 자동화 어느 쪽도 아니다. 연방 구매 담당자는 세련된 문구를 출발점으로 삼아야지, 종착점으로 삼아서는 안 된다. 증거를 요구하고, 핵심 주장을 검증하며, 민감한 데이터를 보호하고, 책임 있는 인간의 결정을 문서화해야 한다.
계약업체에도 제출 전 동일한 원칙이 적용된다. 원본 기록에서 제안서 주장으로 이어지는 검토 가능한 연결 고리를 구축한 뒤, 이를 이행 단계까지 보존해야 한다. 방대한 증거 자료를 관리하는 팀은 knowledge blending을 활용해 맥락을 정리할 수 있지만, 책임 있는 전문가가 모든 중요한 약속을 여전히 승인해야 한다.
이 접근법이 효과를 내고 있음을 무엇으로 입증할 수 있을까? 더 짧은 서술, 더 엄격한 실증, 더 명확한 감사 추적, 그리고 평가 결과와 계약 성과 간의 더 나은 연결을 지켜봐야 한다. 이러한 신호가 나타난다면, 완벽한 제안서의 역설은 유용한 시정을 이끌어낸 셈이다. 그렇지 않다면 AI는 연방 제안서를 더 쉽게 작성하게 만들 뿐, 성공적인 조달을 달성하는 일은 여전히 똑같이 어려운 과제로 남길 수 있다.
