정부와 SW 업계, AI 사업 대가 산정에 SNAP 표준 검토한다

• 정부와 소프트웨어 업계가 AI 사업 대가 산정 기준을 다시 잡으려 함

  • 과학기술정보통신부와 한국인공지능·소프트웨어산업협회(KOSA)가 ‘SW 규모 산정에서의 비기능 측정 방법론(SNAP) 국내 도입 타당성 연구’ 용역을 발주함
  • 정부 차원에서 AI 사업 대가의 구체적 산정 방식을 공식 연구하는 건 이번이 처음이라고 함

• 핵심 후보는 SNAP임. 기존 기능점수(FP)로 안 잡히는 비용을 보자는 얘기임

  • SNAP은 국제기능점수사용자그룹(IFPUG)이 만든 비기능 요구사항 측정 표준임
  • 화면 수, 데이터 수량 같은 눈에 보이는 기능 말고 개발 환경, 기술 난이도, 품질 특성 같은 요소를 측정함

• 왜 이게 나오냐면, AI 사업은 일반 SW 사업처럼 요구사항과 결과물이 딱 떨어지지 않기 때문임

  • 일반 SW는 기능 목록과 산출물이 비교적 명확해서 성공과 실패를 가르기 쉬움
  • AI 사업은 데이터를 학습시키고, 피드백을 주고받고, 성능이 나올 때까지 검증을 반복해야 함
  • 목표 성능까지 몇 번의 검증과 재학습이 필요할지 예측하기 어려워서 비용이 계속 불어날 수 있음

• AI 사업의 숨은 비용은 꽤 현실적임

  • AI 환각을 제어하려면 단순 테스트보다 더 촘촘한 검증이 필요함
  • 오류를 잡기 위해 일반 SW 사업보다 많은 고급 인력이 검증 단계에 상시 투입될 수 있음
  • 데이터 정제, 벡터 저장소 구축 같은 엔지니어링도 겉으로는 기능 하나처럼 보이지만 실제 난도는 낮지 않음

• 현재 시장에는 기준으로 삼을 누적 데이터도 부족함

  • AI 사업의 전체 주기를 완전히 경험한 사례가 아직 많지 않음
  • 그래서 기존 FP 방식으로 AI 대가를 산정하는 건 사실상 어렵다는 지적이 계속 나왔음
  • 과기정통부와 KOSA는 SNAP을 통해 AI의 불확실성, 데이터 학습 비용, 고난도 검증 작업을 제도권 안으로 들이려는 구상임

• 업계 반응은 “드디어 모호한 말에서 측정 모델로 넘어간다”에 가까움

  • 그동안은 ‘가치 기반 대가 산정’처럼 말은 그럴듯하지만 실제 계약에 쓰기 어려운 논의가 많았음
  • 이번 연구는 글로벌 표준을 국내 상황에 맞게 결합해보려는 실천적 출발점으로 평가됨
  • 다만 업계 관계자는 단발성 연구만으론 부족하고, 시장 변화에 맞춘 후속 연구와 추가 예산이 필요하다고 봄

---

기술 맥락

• 여기서 기술적 선택은 AI 사업 비용을 기능점수만으로 보지 말자는 거예요. 기존 FP는 “무슨 기능을 몇 개 만들었나”를 세는 데 강하지만, AI 프로젝트의 반복 학습과 검증 비용은 잘 드러나지 않거든요.

• SNAP을 검토하는 이유는 비기능 요구사항을 숫자로 다뤄야 계약과 검수가 가능해지기 때문이에요. 기술 난이도, 품질 특성, 개발 환경 같은 요소를 비용 산정에 넣지 않으면 실제 투입 인력과 계약 금액이 계속 어긋나요.

• 특히 AI 서비스는 데이터 정제, 벡터 저장소 구축, 환각 검증이 성능을 좌우해요. 겉으로는 챗봇 하나처럼 보여도 내부에는 데이터 파이프라인과 검색 구조, 평가 체계가 붙기 때문에 단순 화면 기능 기준으로는 규모를 설명하기 어려워요.

• 공공 AI 사업을 하는 팀이라면 이 변화가 꽤 중요해요. 앞으로 제안서에서 “모델 붙이면 끝”이 아니라 학습 반복, 검증 인력, 품질 기준을 비용 항목으로 더 명확히 설명해야 할 가능성이 커지거든요.