법령내비 (法令-Navi)
공공기관 직원의 법령 조항 검색 시간을 줄여주는 RAG 기반 검색·감사 방어 도우미.
실제 수업에서 진행한 디자인씽킹 → PRD → 빌드 과정을 정리했습니다.
도메인 특화 검색 도구를 만들 때 디자인씽킹은 어떻게 적용되는가. 법령처럼 정확도가 핵심인 영역에서 어떻게 AI의 환각(hallucination)을 줄이고 신뢰할 수 있는 결과를 만들지를 다룹니다.
1. 배경 — 어떤 문제에서 시작했나
대구TP 직원이 사업 추진을 위해 법령을 검색할 때마다 부딪히는 벽이 있었습니다:
"기획 의도를 일상 언어로 검색하면 정확한 조항이 안 나와요. 결국 법률 용어로 다시 검색하고, 여러 사이트를 돌아다니며 짜맞춰 봐야 합니다. 사업 하나 기획하는 데 법령 검색에만 반나절이 가요."
발견된 페인포인트 10가지 (요약)
| 분류 | 내용 |
|---|---|
| 검색의 한계 | 일상 언어로 검색 → 부정확한 결과 / 법률 용어 모름 |
| 분산된 정보 | 국가법령, 내부규정, 시행세칙 따로따로 |
| 해석의 어려움 | 조항을 찾아도 우리 사업에 적용되는지 판단 어려움 |
| 감사 대응 부담 | 법적 근거를 정리해서 기획서에 박아 넣는 데 시간 다 씀 |
| 최신성 확인 | 법령이 바뀌었는지 매번 다시 확인해야 함 |
그래서 풀고 싶은 핵심 질문 3가지
Q1. 기획 의도를 일상 언어로 입력하면, AI가 자동으로 관련 법령 조항을 매칭해줄 수 있을까?
Q2. 이 사업과 비슷한 성공 정책 사례를 함께 보여줄 수 있을까?
Q3. 기획서를 작성할 때 법적 근거 섹션을 자동으로 채워서 감사 방어를 가능하게 할 수 있을까?
2. 기술적 결정 — 왜 RAG인가
법령 도메인은 AI의 환각(hallucination)이 가장 치명적입니다. "이 조항이 있다"고 잘못 답하면 감사에서 큰 문제가 됩니다.
채택: RAG (Retrieval-Augmented Generation)
| 방식 | 장점 | 단점 |
|---|---|---|
| 일반 ChatGPT/Claude | 편함, 빠름 | 환각 위험, 출처 불명, 최신성 ❌ |
| RAG (채택) | 실제 법령 DB 기반, 출처 명시, 최신성 ✅ | 설계 복잡, API 연동 필요 |
| Fine-tuning | 도메인 정확도 높음 | 비용 큼, 업데이트 어려움 |
2층 데이터 구조
3. 핵심 기능 3가지 (실제 PRD 요약)
기능 1. 국가법 조항 검색
직원이 "청년 창업 지원 사업"을 기획. 검색창에 자연어로 입력 → AI가 관련 법령 조항을 4가지 태그로 분류해서 제시.
4가지 태그 (조항 역할 분류)
- 근거 — "이 사업을 할 수 있는 법적 근거" (예: 청년기본법 제○조)
- 절차 — "어떤 절차를 거쳐야 하는가" (예: 보조금 관리법 시행령)
- 제한 — "주의해야 할 제약 조건" (예: 지방재정법 제○조)
- 예산 — "예산 편성·집행 관련 조항"
핵심 UX
- 법체계 정렬 — 헌법 > 법률 > 시행령 > 시행규칙 순으로 자동 정렬
- 신뢰도 표시 — AI 매칭 점수 표시 (90% 이상만 노출)
- 출처 링크 — 모든 조항에 국가법령정보센터 원문 링크
기능 2. 대구TP 내부 규정 검색
"이 사업이 우리 회계규정에 안 걸리나?" 같은 의문에서 출발. 내부 규정만 별도로 검색.
차별화 요소
- 출처 라벨 — "정관 제○조" 또는 "회계규정 제○조" 명확 표시
- 상위법 연계 — 내부 규정 옆에 관련 국가법 자동 표시
- 충돌 탐지 — 내부 규정이 상위법과 충돌하면 경고 (감사 위험 사전 알림)
- 최신성 경고 — 6개월 이상 미수정 규정에 "최신 확인 필요" 배지
기능 3. 통합 감사 방어 보고서 자동 생성 ⭐
가장 임팩트 큰 기능. 기획서의 "법적 근거" 섹션을 자동 작성하고, 예상 감사 질문에 대한 답변까지 미리 준비.
2가지 컴포넌트
6가지 감사 취약점 카테고리
- 법적 근거 부재 — 명확한 근거 조항이 없는 경우
- 예산 집행 적정성 — 예산 항목·금액의 합법성
- 절차 누락 — 거쳐야 할 심의·승인 절차 미준수
- 이해 충돌 — 이해관계자 개입 가능성
- 성과 측정 — 사업 평가 지표 부재
- 이중 지원 — 다른 사업과 중복 지원 가능성
4. 진행 흐름 — 실제 수업에서는
| 단계 | 활동 | 결과물 |
|---|---|---|
| 1차시 | FGI 인터뷰 + 페인포인트 10개 정리 + 핵심 질문 3가지 도출 | 문제정의서 |
| 2차시 | 경쟁 도구 분석 (법제처 사이트, ChatGPT, 변호사 상담) + 차별화 포인트 도출 | 경쟁 분석표 |
| 3차시 | 핵심 기능 3가지 정의 + 4가지 태그 시스템 설계 | 앱 기획안 |
| 4차시 | PRD 작성 (와우플래닝 활용) + 2층 데이터 구조 설계 | PRD v1.0 |
| 5차시 | Claude Desktop으로 프로토타입 빌드 (Artifact 기반) | v0.1 데모 |
| 6차시 ~ | 피드백 반영 + 국가법령 API 연동 + 감사 보고서 기능 추가 | v0.2, v0.3 |
5. Claude Desktop 시작 프롬프트 (실제 사용)
법령내비는 Claude Desktop의 Artifact로 만들었습니다. 다음과 같은 프롬프트로 시작했어요:
이터레이션 프롬프트 (개선 단계에서)
6. 본인 업무에 응용하려면
법령이라는 도메인을 다른 영역으로 바꾸면 같은 구조로 다양한 도구를 만들 수 있어요.
응용 아이디어 4가지
| 대체 도메인 | 활용 예 |
|---|---|
| HR 정책 검색 | "우리 회사 휴가 규정이 어떻게 돼?" → 취업규칙·복무규정에서 매칭 |
| 의료 가이드 검색 | 증상 입력 → 진료 가이드라인 매칭 + 출처 표시 (병원 내부용) |
| 강의 자료 검색 | "디자인씽킹 POV 만드는 법" → 과거 강의자료에서 관련 슬라이드 추출 |
| 제안서 근거 도우미 | 제안 항목 입력 → 과거 성공 제안서에서 비슷한 표현·논리 추출 |
본인 RAG 도구 만들 때 시작 프롬프트
7. 이 사례의 핵심 학습 인사이트
- 도메인 페인포인트 10개 → 핵심 질문 3개로 압축 — 디자인씽킹의 가장 강력한 패턴. "모든 걸 다 풀려고 하지 말고, 진짜 본질 3개로 좁히기"
- 환각 위험이 높은 도메인은 RAG가 필수 — 일반 LLM 답변에 의존하면 안 됨. 출처 명시·신뢰도 표시가 신뢰의 핵심
- 2층 데이터 구조 — 공개 데이터(Open API)와 비공개 데이터(기관 협조)를 분리 설계. 첫 단계는 공개 데이터로 빠르게, 두 번째 단계에서 기관 협조
- "감사 방어"라는 가치 제안 — 단순 검색 도구가 아닌 "사용자의 진짜 두려움(감사)을 해결"하는 도구로 포지셔닝