정부 AI 에이전트 범람, 더 나은 접근성을 수용 역량 위기로 바꾸다

Chris Schmitz는 정부 AI 에이전트 범람의 잠재적 사례 84건을 기록하며, 공공 서비스 접근성이 쉬워지는 이면에 숨은 충돌을 드러냈다. AI 도구는 과거 수 시간의 전문 작업이 필요했던 민원, 이의 제기, 청원, 급여·복지 신청을 사람들이 준비하도록 돕고 있다. 이제 기관들은 종종 추가 인력이나 예산 없이 그 늘어난 수요를 처리해야 한다.

즉각적으로 떠오르는 유혹은 새로 유입된 자료를 자동화 스팸으로 분류하는 것이다. 특히 반복적인 메시지나 관련 정보가 거의 없는 방대한 문서는 그러한 설명에 들어맞는다. 그러나 Schmitz는 관찰된 사례 대부분이 사람들이 정당하게 요청할 권리가 있는 사안을 추구하는 경우라고 주장한다.

이 구분은 정책 문제의 성격을 바꾼다. 정부는 단순히 봇으로부터 시스템을 방어하는 것이 아니다. 혼란스러운 안내, 낯선 법률 용어, 분절된 증거, 관료제와 맞서는 데 드는 심리적 비용 때문에 얼마나 많은 수요가 억눌려 있었는지를 발견하고 있다.

이로 인한 긴장은 한 연구를 넘어선다. AI 비서가 정당한 청구를 더 쉽게 제출하게 만든다면, 신청량 증가는 접근성 향상을 뜻한다. 그러나 같은 개선이 적격자들이 포기한다는 전제에 은밀히 의존해 온 기관들을 압도할 수도 있다.

정부 AI 에이전트 범람이 실제로 바꾼 것

AI는 정부에 조치를 요구하는 비용을 낮췄지만, 응답하는 비용은 대체로 그대로 남겨 두었다.

Schmitz, Lewis Hammond, Alan Chan은 에이전트 범람을 정부 서비스에 부담을 주는 AI 기반 요청의 양 또는 복잡성 증가로 정의한다. 이들의 84건 사례 연구는 11개 관할 지역과 여러 유형의 공공 행정을 다룬다.

사례에는 복지 신청, 규제 민원, 정보공개 청구, 사법 서류 제출, 개발 계획 이의 제기, 의회 청원이 포함된다. 이들 시스템은 법적으로 서로 다르지만, 상당수는 취약한 접점을 공유한다. 즉, 일반 시민이 작성한 자유 형식의 텍스트를 받아들인다는 점이다.

현재의 범람은 대개 모든 정부 포털을 탐색하는 완전 자율 에이전트와 관련되지 않는다. 대신 사람이 문서나 배경 정보를 대규모 언어 모델에 제공하면, 모델이 구조화된 제출 자료를 만든다. 이후 그 사람은 해당 자료를 검토하고 복사하거나 제출한다.

이 비교적 단순한 작업 흐름은 여러 장벽을 한꺼번에 없앨 수 있다. 모델은 공식 서신을 요약하고, 가능한 이의 제기 경로를 찾아내며, 증거를 정리하고, 전문적인 서신과 유사한 문구를 작성할 수 있다. 스마트폰 사진 한 장이 낯선 안내문을 해독하는 데 드는 수 시간을 대체할 수 있다.

연구진은 압박을 두 가지 형태로 구분한다. 양적 범람은 기관이 더 많은 요청을 받는 것을 뜻한다. 질적 범람은 각 요청이 더 길고, 더 상세하며, 평가하기 더 복잡해지는 것을 의미한다.

민원인 수가 극적으로 늘지 않아도 기관은 어느 한 형태의 압박을 경험할 수 있다. 짧은 민원 10건이 수십 개의 주장을 담은 광범위한 제출 자료 10건으로 바뀔 수 있다. 각 주장은 분류, 증거 확인, 내부 협의, 서면 답변을 요구할 수 있다.

연구진은 데이터셋을 잠재적 사례의 증거로 설명하며, AI가 기록된 모든 증가를 유발했다는 증거는 아니라고 밝혔다. 여러 요인이 공공 서비스 수요를 바꿀 수 있기 때문에 이 단서는 중요하다. 정책 변화, 경제 여건, 대중 인식, 제도적 실패, 새로운 신고 채널은 모두 물량을 늘릴 수 있다.

그럼에도 시점은 주목할 만하다. 관찰된 서비스 가운데 다수는 널리 이용 가능한 생성형 AI가 등장하기 전까지 비교적 안정적인 제출 패턴을 보였다. 이후 텍스트 생성 도구가 더 쉽게 사용되면서 업무량이 증가했다.

보도된 조사 결과에 따르면, 영국 Housing Ombudsman에 접수된 민원은 2022년 약 2,600건에서 2025년 7,000건을 조금 넘는 수준으로 증가했다. 미국 Consumer Financial Protection Bureau에 제출된 민원도 같은 기간 크게 늘었다.

이 수치만으로 AI를 원인으로 분리해 낼 수는 없다. 다만 기관들이 왜 주목하는지는 보여 준다. 모든 정당한 제출 건이 대응해야 할 법적 또는 절차적 의무를 만든다면, AI의 부분적 개입만으로도 운영상 큰 의미를 가질 수 있다.

따라서 기억할 만한 변화는 자율 소프트웨어가 정부 웹사이트를 공격하는 일이 아니다. 기관이 이전에는 시민 각자가 홀로 수행하리라 기대했던 작업에, 평범한 사람들이 저렴한 지원을 받게 된 일이다.

AI는 근본적인 청구 사유를 만들지 않았다

핵심적인 반전은 과도해 보이는 많은 요청이 만들어진 수요가 아니라 충족되지 않은 수요를 드러낸다는 점이다.

행정 절차는 학습, 준수, 심리적 비용을 부과한다. 청구인은 제도를 찾아내고, 자격 요건을 해석하며, 문서를 모으고, 기한을 지키고, 기관이 선호하는 형식으로 소통해야 한다.

추가 요건 하나하나는 사기나 불완전한 사례를 걸러낼 수 있다. 하지만 시간, 자신감, 법률 지식, 언어 유창성 또는 전문적 도움을 갖추지 못한 적격자들의 신청 의지도 꺾을 수 있다.

공공 기관은 오랫동안 불완전한 수혜 이용을 서비스 설계 문제로 다뤄 왔다. OECD의 접근성 연구는 복잡한 규칙, 정보 격차, 번거로운 신청 절차가 적격 가구의 사회 지원 수혜를 막는다고 말한다.

AI 비서는 신청에 드는 노력의 일부를 흡수함으로써 이 방정식을 바꾼다. 법적 권리를 새로 만드는 것은 아니다. 그 권리를 주장하기 위한 경로를 따라가기가 더 쉬워진다.

Schmitz는 이 점을 직접 요약했다. “우리가 찾은 사례의 압도적 다수는 무언가를 청구할 자격이 있는 사람들이 그 사안을 청구하는 경우다.”

이 발언이 모든 제출 자료가 옳다는 것을 입증하는 것은 아니다. 자격은 여전히 증거, 법적 기준, 개인별 상황에 달려 있다. 그러나 증가하는 물량이 주로 남용을 반영한다는 가정에는 의문을 제기한다.

수리 민원에 부적절한 답변을 받은 임차인을 생각해 보자. 생성형 AI 이전에는 해당 임차인이 적용 가능한 정책을 찾고, 수개월간의 메시지를 재구성하며, 문제를 일관되게 설명해야 했을 수 있다. 질병, 이주, 재정적 스트레스 상황에서는 그 부담이 특히 클 수 있다.

비서를 이용하면 임차인은 일정을 정리하고 더 명확한 민원을 작성할 수 있다. 그 제출 건은 여전히 조사를 필요로 한다. 하지만 기관은 더 이상 피로감이나 혼란에 기대어 해당 건이 대기열에 들어오지 않게 할 수 없다.

같은 메커니즘은 금융 민원에도 적용된다. CFPB의 민원 보고는 소비자 제출 건의 규모와 구성을 기록하지만, 그 증가를 오로지 AI 탓으로 돌리지는 않는다.

부정확한 신용 정보에 이의를 제기하는 소비자는 정당한 불만이 있어도 적절한 분류를 사용해 이를 설명하는 데 어려움을 겪을 수 있다. AI는 기록과 서신을 보다 구조화된 서술로 바꿀 수 있다. 또한 최초 거절 이후에도 소비자가 계속 대응하도록 도울 수 있다.

이는 불편한 측정 문제를 만든다. 더 긴 대기열은 서비스 악화, 조작 시도, 대중 인식 향상, 행정적 부담 감소 또는 이 네 가지가 함께 발생한 결과를 의미할 수 있다.

따라서 모든 증가를 범람이라고 부르는 것은 업무량 설명에 정책 판단을 몰래 끼워 넣을 위험이 있다. 기관의 관점에서 급증은 수용 역량의 위협이다. 청구인의 관점에서 같은 급증은 권리에 새롭게 실질적으로 접근할 수 있게 된 것을 뜻할 수 있다.

정부 AI 에이전트 범람이 중요한 이유는 이러한 관점의 차이를 드러내기 때문이다. 공공 시스템은 흔히 처리 속도와 관리 가능한 사건 수를 통해 성공을 측정한다. 시민은 정당한 필요가 공정한 결정을 받는지에 관심을 둔다.

기관은 신청을 어렵게 만들어 뛰어난 처리 통계를 유지할 수 있다. 그 결과는 내부적으로는 효율적으로 보이지만, 외부적으로는 배제를 초래한다.

AI 에이전트는 이런 체계를 덜 안정적으로 만든다. 과거 서류 절차가 감춰 왔던 수요를 드러내며, 행정적 마찰이 안전장치였는지 아니면 비공식적인 배급 메커니즘이었는지를 공무원들이 판단하도록 압박한다.

접근성의 성과가 수용 역량 위기로 바뀐다

공공 서비스 입구의 마찰을 없애면 병목 현상이 조사관, 사례 담당자, 심사관에게 곧바로 옮겨갈 수 있다.

대부분의 정부 서비스는 모든 적격자가 완전하고 지속적인 청구를 제출하는 상황을 전제로 인력을 배치하지 않았다. 업무량 예측은 포기, 기한 누락, 아예 시작되지 않은 신청을 포함한 과거 행동을 반영한다.

AI 지원은 이런 예측을 빠르게 무효화할 수 있다. 더 많은 사람이 신청할 수 있고, 각 사람은 더 상세한 자료를 제출하며 더 많은 검토 단계로 나아갈 수 있다.

Housing Ombudsman은 운영상 압박을 구체적으로 보여 준다. 이 기관의 2025 사업 계획은 전례 없는 사건 업무, 25초마다 한 번씩 발생하는 연락, 연간 7,000건이 넘는 조사 완료를 설명했다.

조사는 텍스트 생성처럼 확장할 수 없다. 직원들은 관할권을 확인하고, 증거를 검토하며, 관련 당사자에게 연락하고, 정책을 적용하며, 방어 가능한 결정을 문서화해야 한다. 민감한 사례는 패턴 매칭으로 안전하게 축소할 수 없는 판단도 요구한다.

이 비대칭성이 위기를 이끈다. 청구인은 몇 분 만에 긴 이의 제기서를 생성할 수 있다. 이를 받는 기관은 어떤 문장이 중요한지, 각 주장이 뒷받침되는지를 판단하는 데 수 시간을 쓸 수 있다.

더 긴 제출 자료는 방어적 업무도 만들어 낼 수 있다. 공무원들은 반복된 주장, 조작된 인용, 또는 유효한 쟁점을 식별하지 못하면서 법적으로 정확해 보이는 문구 속에서 관련 사실을 찾아야 한다.

이 문제는 저품질 AI 보안 보고서가 만드는 압박과 닮았다. 그럴듯한 취약점 보고서를 생성하는 비용은 낮지만, 실제 문제가 있는지 판단하는 일은 여전히 전문가의 주의를 소모한다. 공공 기관은 법률이나 서비스 규정이 답변을 요구할 수 있다는 추가 제약에 직면한다.

그러나 보안 비유에는 한계가 있다. 조작된 버그 보고서는 사회적 이익이 거의 없다. 반면 AI 지원을 받은 주거 민원이나 복지 이의 제기는 해당 시스템이 원래 서비스를 제공하도록 만들어진 사람에게서 나올 수 있다.

따라서 핵심적인 대립은 더 넓은 접근성과 고정된 행정 수용 역량 사이에 있다. 시민 대 공무원도, 인간 대 기계도 아니다.

사례 담당자는 더 명확한 신청을 반길 수 있으면서도, 그 수에 압도될 수 있다. 신청자는 정당한 청구를 하면서도 의도치 않게 대기열을 길게 만드는 데 기여할 수 있다. 양측 모두 더 낮은 참여 수준을 위해 설계된 시스템을 경험한다.

정부 AI 에이전트 범람은 전문성의 분배도 바꾼다. 생성형 AI 이전에는 전문 대리인과 변호사가 고객의 실제 문제를 제도적 언어로 바꾸도록 도왔다. 이제 범용 모델은 그 초안 작성 업무의 일부를 근사할 수 있다.

그 근사는 일관되지 않다. 모델은 주장을 명확히 할 수 있지만, 규칙을 지어내거나 사용자가 약한 논점을 과장하도록 부추길 수도 있다. 기관은 제출 자료가 도착한 뒤 유용한 지원과 자신감에 찬 오류를 구분해야 한다.

AI가 생성한 언어가 약한 주장과 강한 주장을 똑같이 세련되게 보이게 만들면, 그 평가는 더 어려워진다. 글의 완성도는 더 이상 법적 타당성이나 개인적 노력의 신뢰할 수 있는 신호가 아니다.

정부는 자체 자동화를 추가하는 방식으로 대응할 수 있다. 분류기는 사례를 배분하고, 쟁점을 추출하며, 중복을 감지하거나, 사람이 검토할 문서를 요약할 수 있다. 이러한 도구는 행정 업무를 줄일 수 있지만, 정확성, 편향, 개인정보 보호, 이의 제기 권리와 관련한 문제를 새롭게 제기한다.

자동화된 분류는 두 확률 시스템 간의 경쟁도 만들어낸다. 한 모델은 시민의 불만을 공식적인 언어로 확장한다. 다른 모델은 그 언어를 기관이 사용하는 범주로 압축한다.

그 과정에서 중요한 맥락이 사라질 수 있다. 신청자는 두 번째 시스템이 어떤 주장을 무시했는지 알지 못할 수 있으며, 담당자는 원래 강조점 자체를 보지 못할 수도 있다.

따라서 역량 강화는 단순히 소프트웨어를 구매하는 것 이상을 포함해야 한다. 기관에는 명확한 제출 구조, 감사 가능한 분류 절차, 충분한 인적 검토, 자동화 오류를 바로잡는 절차가 필요하다.

이러한 투자 없이 접근성만 빨라지면, 대기 시간은 기관 내부 더 깊은 곳으로 옮겨갈 뿐이다. 양식 작성은 쉬워지지만 결정에는 더 오랜 시간이 걸린다.

더 많은 서류가 더 많은 진실을 뜻하지는 않는다

AI는 정당한 주장을 드러낼 수 있지만, 이를 판단하는 데 쓰이는 정보 환경을 오히려 악화시킬 수도 있다.

AI 지원을 옹호하는 가장 강력한 근거는 정당한 접근성에 있다. 이에 대한 가장 강력한 회의론은 신뢰성, 중복, 전략적 활용에 관한 것이다.

대규모 언어 모델은 그럴듯한 텍스트를 예측한다. 법적 규칙이 실제로 적용되는지, 문서가 진본인지, 신청자의 기억이 정확한지를 독립적으로 입증하지는 않는다. 잘 다듬어진 제출물에도 뚜렷한 경고 신호 없이 허위 인용이나 무관한 주장이 포함될 수 있다.

사용자는 모델에게 자신의 입장을 강화해 달라고 요청할 수도 있다. 그 결과 생성된 텍스트는 불확실성을 확신으로 바꾸고, 추론을 증거처럼 다루거나, 하나의 사건에서 서로 겹치는 여러 주장을 만들어낼 수 있다.

이러한 실패가 중요한 이유는 공적 결정이 주거, 소득, 이민 신분, 인허가, 부채 및 기타 중대한 이해관계에 영향을 미치기 때문이다. 검토자는 전문적인 문체가 전문적인 검증을 뜻한다고 가정할 수 없다.

사기도 또 다른 불확실성이다. 낮은 신청 비용은 자격 있는 청구인에게 도움이 되지만, 여러 제도에 걸쳐 거짓 이야기를 시험해 보는 비용도 낮춘다. 더 나은 신원 관리 장치는 사칭을 제한할 수 있지만, 청구 내용의 사실관계가 참인지를 입증하지는 못한다.

조직화된 정치 참여는 다른 문제를 제기한다. AI는 주민들이 도시계획 제안을 이해하고 정보에 기반한 이의를 표현하도록 도울 수 있다. 하지만 대중 참여의 외형상 폭을 과장하는 수천 건의 거의 동일한 의견을 만들어낼 수도 있다.

정부 기관은 참여를 사람 수, 제출 건수, 고유한 주장 수, 또는 입증된 지역적 이해관계 중 무엇으로 측정할지 결정해야 한다. 생성형 텍스트는 이러한 범주를 더 쉽게 조작할 수 있게 만든다.

이 연구는 보편적인 사기율을 입증하지 않으며, 데이터셋에서 발생한 모든 급증이 AI 때문에 생성됐다고 증명하지도 않는다. 그 가치는 반복적으로 나타나는 패턴과 그럴듯한 메커니즘을 식별하는 데 있다.

인과관계의 불확실성은 극적인 예측을 제한해야 한다. 하지만 그것이 아무 조치도 하지 않는 변명이 되어서는 안 된다. 기관은 모든 사용자가 어떤 도구를 썼는지 추측하지 않고도 문서 길이, 중복 문구, 처리 시간, 이탈, 결정 결과, 인용이 받아들여진 사례를 측정할 수 있다.

이러한 측정은 업무량과 청구의 타당성을 구분해야 한다. 서비스에 접수되는 청구가 두 배로 늘어도 승인 비율은 비슷할 수 있다. 이는 기각되거나 중복된 제출물이 주도한 급증과는 다른 양상이다.

기관은 AI 지원과 대규모 자동화도 구분해야 한다. 한 사람이 모델을 사용해 하나의 이의 제기를 정리하는 경우는 자동화된 워크플로를 통해 수천 건의 청구를 제출하는 상업 서비스와 다른 위험을 만든다.

전자는 조언 접근성의 확대에 가깝다. 후자는 특히 기업이 성공한 청구에서 수익을 얻거나 신청자와의 소통을 통제할 때 산업화된 중개에 가깝다.

두 활동 모두 합법적일 수 있다. 이들을 AI 생성 콘텐츠라는 하나의 뭉뚱그린 범주로 규제해서는 안 된다.

공개 요건은 매력적으로 들리지만 집행 문제를 낳는다. 신청자는 글쓰기 도구의 어떤 기능에 AI가 관여하는지 모를 수 있다. 공개 표시는 정확성, 권한, 수급 자격에 대해서도 아무것도 말해 주지 않는다.

탐지 소프트웨어는 더욱 불확실하다. AI 텍스트 탐지기는 사람이 쓴 글을 잘못 분류할 수 있으며, 공공 서비스를 거부하는 신뢰할 만한 근거를 제공하지 못한다. 이러한 사용은 특히 제2언어로 글을 쓰는 사람들에게 불이익을 줄 수 있다.

더 나은 질문은 출처와 책임에 관한 것이다. 신청자가 제출을 승인했는가? 기관이 신원을 확인할 수 있는가? 뒷받침 문서를 이용할 수 있는가? 신청자가 오류를 수정하고 결정을 이해할 수 있는가?

이러한 통제는 산문의 문체가 아니라 절차의 무결성에 초점을 둔다. 청구서가 변호사, 옹호자, 모델, 또는 신청자 본인만에 의해 작성됐는지와 관계없이 계속 유효하다.

따라서 정부 AI 에이전트 범람은 가끔의 정당한 사용자가 있는 단순한 남용 문제가 아니라, 남용 사례를 포함하는 서비스 설계 문제로 다뤄야 한다.

마찰을 추가하면 정당한 청구인에게 불이익을 준다

가장 빠른 방어책은 AI가 사람들이 극복하도록 도운 장벽을 다시 만들어 관리 가능한 대기열을 복원할 수 있다.

기관에는 수요를 억제하는 익숙한 도구가 여럿 있다. 수수료를 도입하거나, 대면 방문을 요구하거나, 제출 기간을 좁히거나, 엄격한 단어 수 제한을 부과하거나, 까다로운 신원 확인 절차를 추가할 수 있다.

각 조치는 접수량을 줄일 수 있다. 하지만 각 조치는 돈, 이동성, 시간, 언어 능력, 문서 접근성이 제한된 사람들을 배제할 수도 있다.

이러한 상충관계는 금전적 가치가 크고 행정적으로 복잡한 서비스에서 특히 심각하다. 이런 제도는 사람들에게 도움을 구할 강한 이유를 주는 한편, 규칙이 복잡해 지원 없이 이용하기 어렵게 만든다.

수수료는 투기성 요청을 억제할 수 있지만, 접근성을 소득에 따라 가격 매기기도 한다. 대면 요건은 자동화된 대량 제출을 방해할 수 있지만, 장애인 신청자, 농촌 거주자, 돌봄 제공자, 시간제 임금 노동자에게 부담을 준다.

엄격한 양식은 관련 사실을 명확히 묻는다면 처리를 개선할 수 있다. 그러나 기술적 실수 하나가 다른 면에서 유효한 청구를 자동으로 무산시킬 때는 배제적으로 변한다.

속도 제한 역시 신중한 설계가 필요하다. 검증된 개인당 제출 건수를 제한하면 대량 제출을 늦출 수 있다. 그러나 여러 개의 별도 문제를 겪는 사람이나 많은 의뢰인을 대리할 권한을 받은 옹호자에게 해를 줄 수 있다.

디지털 신원은 또 다른 선택지다. 강력한 인증은 누가 상호작용을 승인했는지 확립하고 공정한 속도 통제를 뒷받침할 수 있다. 동시에 개인정보 보호, 접근성, 구현상의 과제를 만든다.

대안은 역량 강화다. 정부는 자격 요건 규칙을 단순화하고, 이미 알고 있는 데이터를 미리 채우며, 구조화된 신청 인터페이스를 제공하고, 기존 기록을 통해 자격을 확인할 수 있을 때 사람들을 선제적으로 등록할 수 있다.

이러한 조치는 근본적인 행정 부담을 해결한다. 또한 시스템이 예측 가능한 형식으로 구체적 증거를 요구하므로, 장황한 서사를 만들어낼 유인도 줄인다.

OECD는 연계된 행정 데이터와 자동 등록이 복지 수급률을 높일 수 있다고 주장해 왔다. 이 접근법은 서류 경쟁을 자동화하는 대신 시민과 접수 기관의 업무를 줄인다.

공공기관은 기계가 읽을 수 있는 규칙과 공식 에이전트 인터페이스를 게시할 수도 있다. 애플리케이션 프로그래밍 인터페이스, 즉 API는 승인된 소프트웨어가 정의된 정보를 교환할 수 있는 구조화된 통로다.

신중하게 설계된 인터페이스는 임의적인 문서 길이를 제한하고, 일관되게 증거를 요청하며, 명확한 상태 정보를 반환할 수 있다. 사용자를 다시 종이 서류로 돌려보내지 않으면서도 자동화된 지원의 책임성을 높일 수 있다.

다만 API가 유일한 관문이 되어서는 안 된다. 특히 자신의 상황이 표준 필드에 맞지 않는 사람들에게는 접근 가능한 인적 채널이 필요하다.

기관은 AI 지원 처리에 관한 법적 확실성도 확보해야 한다. 담당자는 어떤 결정에 인간의 판단이 필요한지, 자동화 시스템이 어떤 정보에 접근할 수 있는지, 신청자가 오류에 어떻게 이의를 제기할 수 있는지를 알아야 한다.

조달 규칙은 활동 로그와 실제 사례를 통한 평가를 요구해야 한다. 담당자는 도구의 출력을 신뢰하기 전에 왜 그것이 제출물을 분류하고, 요약하고, 표시했는지 확인할 수 있어야 한다.

독립 감사는 자동화가 언어, 장애, 소득, 인구통계 집단별 기각률을 바꾸는지 검증해야 한다. 효율성 향상이 숨겨진 차별을 정당화할 수는 없다.

이러한 재설계는 수수료를 추가하거나 이메일 수신함을 닫는 것보다 초기 비용이 더 든다. 그러나 역량을 공공 접근성이라는 약속에 부합하게 만든다.

정책 선택은 많은 것을 드러낸다. 공직자들이 더 많은 정당한 참여에 장애물을 재구축하는 방식으로 대응한다면, 이전의 단순한 대기열은 배제에 의존하고 있었던 셈이다.

실제 수요를 중심으로 서비스를 재설계한다면, AI 지원은 정부가 어차피 해결해야 했던 약점을 드러낼 수 있다.

정부가 어떤 길을 택하는지는 세 가지 신호가 보여줄 것이다

다음 단계는 모델 성능의 또 다른 도약이 아니라, 측정 가능한 기관의 대응으로 규정될 것이다.

첫 번째 신호는 공공기관이 AI 지원을 구체적인 운영 결과와 연결하는 증거를 공개하는지 여부다. 단순 제출 건수만으로는 충분하지 않다.

유용한 보고는 접수량, 문서 길이, 처리 시간, 중복률, 승인률, 성공한 이의 제기, 해소되지 않은 적체를 비교할 것이다. 또한 개인 지원과 조직적 또는 상업적 대량 제출을 구분해야 한다.

기관이 이 정보를 공개한다면, 논의는 일화를 넘어설 수 있다. 높은 승인률은 AI가 정당한 수요를 드러내고 있다는 주장을 강화할 것이다. 높은 중복률이나 기각률은 가치가 낮은 제출물에 대한 더 제한적인 통제를 뒷받침할 것이다.

두 번째 신호는 정부가 마찰을 택하는지, 역량을 택하는지다. 새로운 수수료, 폐쇄된 채널, 광범위한 AI 제한, 의무적인 대면 방문은 기관이 접근성을 줄여 업무량을 보호하고 있음을 보여줄 것이다.

구조화된 양식, 더 강한 인력 배치, 자동 등록, 감사 가능한 분류, 공식 에이전트 인터페이스는 반대 방향을 가리킬 것이다. 이는 기관이 늘어난 참여를 서비스 의무로 받아들인다는 것을 보여줄 것이다.

세 번째 신호는 처리 역량이 더 쉬워진 신청 절차를 따라가는지 여부다. 조사 적체와 결정 소요 시간은 정부가 시민 접점의 입구만 현대화했는지를 드러낼 것이다.

Housing Ombudsman의 업무량과 CFPB의 민원 접수량은 유용한 기준점이지만, 향후 보고에는 더 명확한 인과 분석이 필요하다. 연구자들은 AI 도입과 함께 정책 변화 및 경제 상황을 검토해야 한다.

이 작업은 분포도 추적해야 한다. 평균 결정 속도가 빨라져도 자동화 범주에 맞지 않는 사례의 결과는 더 나빠질 수 있다.

개발자에게 주는 교훈은 에이전트의 품질을 성공적인 제출만으로 측정할 수 없다는 점이다. 책임 있는 시스템은 증거를 보존하고, 출처를 보여주며, 확인을 요청하고, 하나의 불만을 뒷받침되지 않은 주장들로 바꾸지 않아야 한다.

기업 구매자는 에이전트가 공공기관과 소통할 때 누가 계속 책임을 지는지 물어야 한다. 승인, 데이터 보존, 감사 로그, 수정 워크플로는 유창한 문서 작성보다 더 중요하다.

지식 노동자는 생성된 제출물을 중대한 기록으로 다뤄야 한다. 공식 서한을 편리하게 만들 수 있다는 사실이 이름, 날짜, 주장, 인용된 규칙을 확인할 의무를 없애지는 않는다.

공공기관은 가장 어려운 과제에 직면한다. 새롭게 역량을 갖춘 시민을 공격자로 취급하지 않으면서 제한된 역량을 보호해야 한다.

정부 AI 에이전트 범람은 디지털 접근성이 진정한 약속이었는지, 아니면 단지 편리한 구호였는지를 시험할 것이다. 자격 있는 사람들이 절차가 자신들을 좌절시키기 때문에 참여하지 않는다면, 관리 가능한 대기열은 성공적인 서비스가 아니다.

이제 실질적인 질문은 피할 수 없다. AI가 행정적 부담 뒤에 숨겨져 있던 수요를 드러낼 때, 정부는 사람들이 약속받았던 서비스를 지원할 것인가, 아니면 그들을 침묵하게 했던 부담을 되돌릴 것인가?