연구자 93%가 AI 쓰는데, 출연연은 아직도 구독 영수증 붙이는 중

연구 현장은 이미 AI로 돌아가는데, 행정은 아직 월 구독 영수증 모드

• 국내 출연연 연구자들은 생성형 AI를 거의 일상 도구처럼 쓰고 있음

  • 국가과학기술연구회 정책연구 보고서 기준, 출연연 종사자 242명 중 93%가 이미 생성형 AI를 연구에 활용한다고 답함
  • 조만간 활용할 계획이라는 응답도 5%라서, 사실상 95% 이상이 AI를 연구 도구로 보고 있는 셈

• 쓰는 범위도 단순 문장 교정 수준이 아님

  • 선행연구 조사, 논문 요약, 가설·아이디어 발굴, 보고서 초안 작성, 데이터 분석, 코드 작성까지 연구 전 과정에 들어와 있음
  • 연구 기간 단축과 비용 절감 효과가 있어서, 현장에서는 “선택 도구”가 아니라 “필수 인프라”에 가까워짐

• 그런데 비용 처리는 아직도 꽤 구식임

  • 개인이나 연구실, 부서가 챗GPT, 클로드, 제미나이 같은 서비스를 월 단위로 구독하고 직접비로 정산하는 사례가 많음
  • 매달 카드 결제 내역과 영수증을 출력하고, 과제 관련성을 설명하고, 외화 결제면 환율과 수수료까지 확인해야 함
  • 연구 빨리 하려고 AI를 샀는데, 연구자가 결제·증빙·필요성 설명까지 떠안는 구조라니 좀 웃픈 상황임

정부 규정은 이미 길을 열어놨는데, 기관 내부가 병목

• 정부 연구비로 유료 생성형 AI를 쓰는 건 제도상 가능함

  • 한국연구재단의 2026년 6월 ‘정부연구비 사용 Q&A 사례집’은 연구개발과제와 직접 관련 있고 연구목적 달성에 필요하면 유료 생성형 AI를 연구활동비 중 소프트웨어 활용비로 집행할 수 있다고 명시함
  • 비영리기관은 여러 과제의 소프트웨어 활용비를 모아 기관 단위 통합구매·관리도 할 수 있음

• 연간 계약도 막혀 있지 않음

  • 소프트웨어 사용계약이 연구개발기간을 넘더라도 최소 계약단위임을 소명하면 계약금액 전부를 계상할 수 있음
  • 최소 계약단위보다 긴 계약이라도 경제적으로 더 합리적이라는 증빙이 있으면 장기계약도 인정됨

• 문제는 “가능하다, 다만 명확히 관리해야 한다”는 단서가 현장에서는 무겁게 작동한다는 점임

  • 과제 연관성, 비용 배분, 사용 내역, 보안 조치, 감사 대응 논리를 기관 내부에서 모두 맞춰야 함
  • 연구관리·회계·구매·정보보안·감사 부서가 다 같이 움직여야 하니, 빠르게 도입하기가 어려움
  • 신설 AI 부서처럼 기존 규정에 없는 인프라를 들여오려는 경우엔 “누가 책임질 거냐”는 질문에서 멈추는 사례도 나옴

민간은 회사가 책임지고, 출연연은 연구자가 버티는 차이

• 민간기업은 업무용 AI를 조직 인프라처럼 다루는 쪽으로 가고 있음

  • 국내 한 대기업은 개인 필요 구독은 허용하되, 업무용 표준 서비스는 회사가 통합 계약·결제함
  • 월 정량제 계정을 계약하고 직원에게 API 키를 제공하는 방식도 활용함
  • 직원은 영수증 제출보다 지급받은 계정과 키로 업무에 집중하는 구조임

• 출연연은 민간보다 고려할 게 더 많은 것도 사실임

  • 국방, 원자력, 에너지, 우주항공, 첨단소재 같은 국가 전략기술과 미공개 데이터를 다루기 때문
  • 비공개 데이터, 소스코드, 특허 초안, 심사 중인 과제계획서를 외부 클라우드에 넣으면 연구자산과 지식재산권 유출 문제가 생길 수 있음
  • 생성형 AI가 없는 문헌이나 틀린 수치를 만들어낼 수 있어서 결과 검증 책임도 필요함

• 그래도 지금처럼 개인에게 책임을 몰아주는 방식은 확장성이 낮음

  • 기관 차원의 보안규정이나 세부 사용 제한이 뚜렷하지 않으면, 결국 연구자나 행정 담당자가 케이스마다 판단해야 함
  • AI 활용이 늘수록 이 방식은 회계 부담과 보안 리스크를 동시에 키움

해외는 영수증보다 데이터 등급과 위험 관리를 본다

• 유럽연합은 AI법과 연구 지침을 통해 도구 사용 사실과 범위 공개를 요구함

  • 다만 동료평가나 과제 심사 과정의 미공개 논문·연구계획서를 상용 서비스에 입력하는 건 엄격히 금지함
  • 기술 사용 자체보다 심사 기밀과 지식재산권 보호에 선을 긋는 방식임

• OECD는 데이터를 등급화해서 외부 서비스 입력 가능 범위를 나눔

  • 공개·비공개·민감·개인정보 같은 식으로 구분하고, 인증되지 않은 외부 서비스에는 공개 데이터만 넣도록 함
  • 생성된 코드, 수치, 시각 자료는 전문가 검토 없이 보고서에 쓰지 못하게 해 인간 책임을 붙임

• 미국 NIST는 금지 목록을 길게 만드는 대신 위험 관리 프레임워크를 제시함

  • 거버넌스 구축, 위험 식별, 측정, 관리 단계로 기관이 허용 가능한 위험 수준을 정하게 함
  • 환각, 데이터 오염, 프롬프트 공격 같은 AI 고유 리스크를 계속 점검하는 쪽임

• 국가마다 규제 강도는 달라도 공통 원칙은 꽤 명확함

  • 모델을 연구의 저자나 책임 주체로 인정하지 않음
  • 최종 연구성과의 책임은 인간 연구자에게 둠
  • 대신 조직은 안전한 도구와 기반을 제공해야 함

해법은 “각자 알아서 구독”이 아니라 용도별 인프라 분리

• 보고서는 기관 성격에 따라 AI 사용 환경을 나눠야 한다고 봄

  • 국방·안보·에너지처럼 민감한 미공개 데이터를 다루는 기관은 외부 클라우드 접촉을 최소화하고 폐쇄형 모델과 인터넷 분리 연구환경을 구축해야 함
  • 기초과학·융합기술 분야는 기관 내부 보고서와 외부 학술 데이터베이스를 연결한 검색증강생성 체계와 API 연동이 제안됨
  • 경제·사회·행정 분야는 검증 가능한 공공데이터 기반 정책 분석 환경이 적합하다고 봄

• 기본 방향은 연구자가 비용과 보안까지 떠안는 구조에서 벗어나는 것임

  • 일상적인 문헌 검색, 문서 작성, 코딩에는 기관 구독을 제공
  • 내부 연구시스템 개발과 데이터 분석 자동화에는 API를 적용
  • 민감 연구에는 폐쇄형 환경을 제공하고 이용내역과 비용은 기관이 관리

• 디지털 전환을 한다면서 입력 시스템이 여러 개면 의미가 없음

  • 이용 신청, 보안 확인, 결제, 과제별 비용 배분, 전자영수증 등록, AI 활용 공개를 하나의 시스템으로 연결해야 함
  • 연구자가 같은 내용을 회계시스템, 연구관리시스템, 보안시스템에 따로 입력하면 AI 도입의 생산성 효과를 행정이 갉아먹는 꼴임

---

기술 맥락

• 여기서 핵심 선택은 생성형 AI를 개인 구독 도구로 둘지, 기관 공통 연구 인프라로 볼지예요. 개인 구독으로 두면 도입은 빠르지만 결제, 과제 배분, 보안 판단이 전부 연구자 단위로 쪼개져서 규모가 커질수록 감당이 안 되거든요.

• 기관 통합구매와 API 제공 방식은 왜 중요하냐면, AI 사용을 계정 관리와 비용 관리의 문제로 바꿔주기 때문이에요. 연구자는 지급받은 계정이나 키를 쓰고, 기관은 사용량·권한·비용을 한곳에서 관리할 수 있어요.

• 민감 데이터가 있는 출연연은 일반 SaaS처럼 접근하면 안 돼요. 국방, 원자력, 우주항공 같은 분야는 외부 클라우드에 프롬프트 하나 잘못 넣어도 미공개 연구자산이 빠져나갈 수 있어서, 폐쇄형 모델이나 인증된 클라우드 환경이 필요한 이유가 생겨요.

• RAG 같은 방식도 단순 편의 기능이 아니라 연구기관용 AI의 현실적인 타협점이에요. 기관 내부 보고서와 학술 데이터베이스를 붙이면 모델이 아무 말이나 지어내는 위험을 줄이고, 연구자가 출처를 검증할 여지도 커지거든요.