별로 향하는 문

사회적 갈등 비용 — 한국이 매년 태우는 233조 원의 회계

STARGATE88 — Tue, 28 Jul 2026 07:23:11 +0900

부제: 앞선 글에서 분단비용을 계산했습니다. 이번에는 휴전선 이남의 청구서를 봅니다.
1. 갈등도 공짜가 아닙니다
앞선 글에서 저는 통일 논의의 오류가 "한쪽 비용만 계산하는 회계"에 있다고 썼습니다. 같은 진단이 국내 갈등에도 그대
로 적용됩니다.
우리는 갈등을 가치의 문제로만 다룹니다. 옳으냐 그르냐, 누가 정의로우냐. 그런데 갈등에는 청구서가 붙습니다. 그 청
구서는 논쟁에서 이긴 쪽에도, 진 쪽에도, 논쟁에 참여하지 않은 사람에게도 똑같이 발송됩니다.
이 글은 옳고 그름을 다루지 않습니다. 가격표만 봅니다.
2. 숫자부터 — 연평균 233조 원
2024년, 국무조정실이 단국대 분쟁해결연구센터에 의뢰한 연구용역이 처음으로 정부 차원의 공식 추계를 내놓았습니
다.
2013~2022년 10년간 사회갈등의 경제적 비용: 2,327조 원
연평균 233조 원
2023년 정부 예산이 639조 원이었습니다. 매년 국가 예산의 3분의 1이 넘는 금액이 갈등으로 소각되고 있다는 뜻입니
다.
구성비는 이렇습니다.
갈등 유형 10년 누적 비용 비중
이념 갈등 1,981조 원 75%
노동 갈등 307조 원 11.7%
기타 (환경·지역·계층 등) 잔여 13% 내외민간 추계와의 대조
이 숫자는 갑자기 나온 것이 아닙니다.
삼성경제연구소(2013): 한국의 사회갈등 수준이 OECD 평균보다 심각해 발생하는 경제적 비용을 연간 82조~246
조 원으로 추산. 당시 한국의 사회갈등 수준은 OECD 27개국 중 2번째로 높았고, 이는 2009년 조사(4위)보다 악화된
결과였습니다.
같은 연구는 갈등지수가 OECD 평균 수준으로만 개선되어도 1인당 GDP가 7~21% 증가한다고 추정했습니다.
현대경제연구원은 더 보수적으로, OECD 평균 수준 개선 시 실질 GDP 0.2%p 추가 상승을 제시했습니다.
한국행정학회는 한국의 사회갈등지수를 세계 6번째로 높은 수준으로 발표한 바 있습니다.
여기서 정직하게 짚어야 할 점
이 숫자들을 액면 그대로 믿으면 안 됩니다. 82조와 246조는 3배 차이입니다. 현대경제연구원의 0.2%p와 삼성경제연
구소의 7~21%는 두 자릿수 배율의 간극입니다.
특히 "이념 갈등 1,981조 원"이라는 항목은, 이념 대립을 어떻게 화폐로 환산했는지에 대한 방법론적 검증이 필요합니
다. 세월호·탄핵 같은 정치적 사건의 비용을 어디까지 귀속시킬 것인가는 연구자의 선택입니다.
그럼에도 방향은 일관됩니다. 모든 연구가 "갈등지수가 오르면 1인당 GDP가 내려간다"는 부(−)의 상관을 확인했습니
다. 논쟁의 대상은 크기이지 부호가 아닙니다.
3. 갈등비용의 4층 구조
갈등비용은 아래로 갈수록 커지고, 아래로 갈수록 장부에 안 잡힙니다.
1층 — 직접비용 (장부에 잡힘)
소송비, 공권력 투입, 시위 대응, 보상금, 사업 중단에 따른 금융비용. 밀양 송전탑, 방폐장, 사드 부지, 각종 국책사업 지
연 사례가 여기 속합니다.
이 층은 계산이 쉽습니다. 그리고 가장 작습니다.
2층 — 거래비용 (장부에 부분적으로 잡힘)
저신뢰 사회는 모든 거래에 추가 비용을 부과합니다. 계약서가 길어지고, 감사가 늘고, 인증이 필요해지고, 확인 절차가
중복됩니다.
신뢰는 경제학적으로 거래비용 절감 기술입니다. 신뢰가 낮으면 그 기술이 없는 상태에서 거래해야 합니다. 이 비용은 개
별 기업의 관리비 계정에 흩어져 잡히기 때문에 총량이 보이지 않습니다.3층 — 지연·무산 기회비용 (장부에 안 잡힘)
착수되지 않은 사업, 5년 지연된 인프라, 무산된 개혁. 일어나지 않은 일은 회계처리되지 않습니다.
연금 개혁이 20년째 지연되면서 발생한 미래 부담 증가분은 어느 장부에도 없습니다. 그러나 실재합니다.
4층 — 사회적 자본 훼손 (복리로 누적)
가장 크고 가장 안 보입니다. 사회적 신뢰의 하락은 단년도 손실이 아니라 성장률 자체를 낮춥니다. 성장률이 낮아지면
손실은 복리로 누적됩니다.
앞선 글에서 분단비용을 "영구연금"이라 표현했습니다. 사회자본 훼손은 그보다 나쁩니다. 원금이 줄어드는 영구연금입
니다.
4. 2026년 현재, 한국의 갈등 축은 어디에 있는가
특정 진영을 편들지 않고, 갈등의 구조만 봅니다.
(1) 정치 — '이념 양극화'가 아니라 '정서적 양극화'
이것이 가장 중요한 최근 발견입니다. 2026년 발표된 양극화 연구에 따르면, 한국의 정치 분열은 정책 선호의 차이(이념
양극화)가 아니라 상대 진영에 대한 감정적 적대(정서적 양극화, affective polarization) 로 진행되고 있습니다.
핵심 수치 두 개입니다.
정당 지지가 가장 약한 응답자와 가장 강한 응답자 사이의 정서적 양극화 점수 차이는 더불어민주당 지지층과 국민의
힘 지지층 모두 42.8점으로 나타났습니다. 양쪽이 대칭입니다. 어느 한쪽만의 문제가 아니라는 뜻입니다.
12·3 이후 응답자의 32%가 자기검열이 강화되었다고 답했습니다.
2025년 12월 조사에서는 국민의 77%가 "정치 양극화가 더 커졌다" 고 응답했습니다.
왜 이 구분이 비용 측면에서 결정적인가.
이념 차이는 협상 가능합니다. 법인세 25%와 20% 사이에는 22%가 있습니다. 중간값이 존재하고, 거래가 성립합니다.
정서적 적대는 협상 불가능합니다. 상대가 싫은 것에는 중간값이 없습니다. 게다가 상대가 찬성하면 나는 반대해야 하므
로, 정책의 내용이 아니라 제안자가 판단 기준이 됩니다.
이때 발생하는 비용이 정책 일관성의 붕괴입니다. 정권이 바뀔 때마다 에너지 정책, 부동산 정책, 노동 정책이 방향을 뒤
집으면, 기업은 10년짜리 투자 계획을 세울 수 없습니다. 자본은 예측 가능성에 프리미엄을 지불하고, 예측 불가능성에
는 할인을 적용합니다. 이것이 갈등비용이 자본시장으로 전이되는 경로입니다.
(2) 노동시장 이중구조
10년 누적 307조 원(11.7%)이 노동 갈등 비용입니다. 다만 이 항목은 이념 갈등과 성격이 다릅니다. 경제 체계에 내재한, 예측 가능한 갈등이기 때문입니다.
예측 가능하다는 것은 제도로 관리 가능하다는 뜻입니다. 단체교섭이라는 해소 채널이 이미 존재합니다. 문제는 그 채널
이 '인정투쟁'과 '벼랑 끝 전술'이라는 관행 때문에 해소 장치가 아니라 증폭 장치로 작동하는 경우가 많다는 점입니다.
정규직/비정규직, 대기업/중소기업의 이중구조는 여기에 겹칩니다.
(3) 세대 — 부담의 시차
연금, 정년, 고용, 주거. 이 넷의 공통점은 한 세대가 결정하고 다른 세대가 지불한다는 구조입니다.
의사결정에 참여한 사람과 비용을 부담할 사람이 다를 때, 정치적 유인은 언제나 '결정 지연'입니다. 지연은 무료로 보이
지만, 지연 자체가 3층 비용입니다.
(4) 자산 격차
2026년 상반기 조사에서 생활수준 상/중상층과 하층 사이의 경기 인식 격차가 확대되었습니다. 주가와 물가가 동시에
오르면 자산 보유 여부에 따라 체감 경제가 정반대로 갈라집니다.
같은 나라에 살면서 다른 경제를 경험하면, 공통의 사실 기반이 사라집니다. 사실이 공유되지 않으면 합의는 원리적으로
불가능합니다.
(5) 지역 — 수도권 일극 vs 지방소멸
수도권 집중은 비수도권의 박탈감이라는 정치적 비용과, 수도권의 주거·혼잡 비용을 동시에 만듭니다. 양쪽 다 손해인
드문 형태의 갈등입니다.
5. 왜 한국의 갈등은 유독 비싼가
OECD 하위권이라는 결과에는 구조적 이유가 있습니다.
원인 1 — 승자독식 제도
2026년 경제인문사회연구회의 진단은 명확합니다. 87년 헌정 체제의 권한 집중형 대통령제는 이념적 양극화 상황에서
국회의 위상을 위축시키고, 여야 협치를 어렵게 만들어 왔습니다. 현행 대통령 선거제도는 승자가 모든 것을 독점하는 구
도를 만들어 양극화를 부추기며, 대선 패자는 국정 참여의 폭이 제한됩니다.
경제학적으로 말하면, 승자독식은 갈등의 기댓값을 극대화하는 설계입니다. 이기면 전부를 얻고 지면 전부를 잃는 게임
에서 합리적 행위자는 타협하지 않습니다. 타협의 수익이 0이기 때문입니다. 비용은 제도가 만듭니다.
원인 2 — '비동시성의 동시성'
한국행정연구원의 표현대로, 한국 사회의 갈등은 서구보다 다층적이고 동시다발적입니다. 전근대/근대/탈근대, 독재/민주화의 상이한 역사적 경험이 한 세대 안에 공존하기 때문입니다.
압축성장의 청구서입니다. 30년에 걸쳐 겪을 변화를 10년에 겪으면, 세대 간 세계관 격차가 3배로 벌어집니다.
원인 3 — 갈등 해결 인프라의 부재
한국에서 갈등을 해결하는 공식 채널은 사실상 법원과 거리, 두 개뿐입니다. 그 사이에 있어야 할 조정·중재·협의 기구
(ADR)가 얇습니다.
2013년 심포지엄에서 이미 갈등관리기본법 제정과 ADR 활성화가 제안되었습니다. 10년이 넘게 지났습니다. 갈등 해결
제도를 만드는 일 자체가 갈등의 대상이 되는 구조가 이 문제의 본질입니다.
6. 사회적 갈등에 대한 SWOT
긍정 부정
내부 S(강점)
· 높은 정치 참여율과 시민 동원력
· 갈등의 공론화 속도가 빠름
· 제도 개혁 시 반영 속도도 빠름
· 문제 인식 자체는 사회적 합의 (심각 인식 90%+)
W(약점)
· 정서적 양극화 (협상 불가능형)
· ADR·조정기구 취약
· 승자독식 선거·권력 구조
· 갈등 사안의 사법화 편중
외부 O(기회)
· 정부 차원 공식 갈등비용 추계 확보 (2024)
· 개헌·선거제 논의의 상시화
· 갈등지수 개선 시 GDP 상승 여지가 정량 확인됨
· 디지털 공론장 기술의 성숙
T(위협)
· 알고리즘 기반 정보 분극화 가속
· 인구구조 변화로 세대 갈등 구조화
· 저성장 고착 시 분배 갈등 격화
· 자기검열 확산에 따른 공론장 축소 (32%)
7. 비용을 줄이는 레버는 이미 알려져 있습니다
갈등 자체를 없애자는 말이 아닙니다. 민주주의 사회에서 갈등의 존재는 당연합니다. 문제는 관리되지 않은 갈등입니다.
조정 가능한 변수는 최소 네 개입니다.
1. 갈등영향분석의 의무화. 대형 국책사업 예비타당성조사에 갈등비용 항목을 정식 계상합니다. 지금은 갈등비용이 사
후에 실현되고 사전에는 0으로 계상됩니다. 장부에 안 잡히는 비용은 관리되지 않습니다.
2. ADR(대체적 분쟁해결) 제도화. 법원과 거리 사이에 조정 채널을 넣습니다. 소송은 승패를 가르지만 조정은 배분을 설
계합니다. 승자독식 구조를 사안 단위에서 완화하는 가장 실용적인 수단입니다.
3. 제도 설계에서 승자독식 완화. 선거제도와 권력구조는 가치의 문제이자 비용의 문제입니다. 타협의 수익률이 0인 게
임에서는 어떤 도덕적 호소도 작동하지 않습니다.4. 정책의 시계(視界) 분리. 연금·에너지·인구처럼 30년 단위 사안을 5년 정치 주기에서 분리하는 독립 기구를 두는 방
식입니다. 정권 교체마다 방향이 뒤집히는 비용은 정책 실패 비용보다 큽니다.
8. 반론 — 정직하게 붙입니다
첫째, 갈등비용 추계는 과학이 아니라 추정입니다. 82조부터 246조까지, 방법론에 따라 3배가 움직입니다. "233조"를
확정된 사실처럼 인용하는 것은 그 자체로 지적 태만입니다.
둘째, 갈등이 없는 사회가 최적은 아닙니다. 갈등지수 0은 완전한 합의가 아니라 억압의 지표일 수 있습니다. 갈등 비용
의 반대편에는 갈등의 편익—부정의의 시정, 소수의견의 반영, 권력 견제—이 있습니다. 이 편익은 비용보다 계량이 훨씬
어렵고, 그래서 자주 0으로 취급됩니다. 이 글이 경계하려는 오류를 이 글 자신도 저지를 수 있습니다.
셋째, "통합"이 특정 진영의 언어로 쓰이는 순간 통합은 실패합니다. 갈등 관리를 주장하는 쪽이 상대의 침묵을 요구하
는 형태로 나타나면, 그것은 갈등 해소가 아니라 갈등의 다른 국면입니다.
맺으며
한국은 갈등에 매년 국가 예산의 3분의 1에 해당하는 돈을 쓰고 있습니다. 그런데 이 지출에는 예산서가 없고, 심의가 없
고, 결산이 없습니다.
국방비 60조 원은 국회에서 한 줄씩 심의합니다. 갈등비용 233조 원은 아무도 심의하지 않습니다.
앞선 글에서 저는 통일 논의가 30년째 제자리인 이유가 회계의 오류에 있다고 썼습니다. 국내 갈등도 같습니다. 우리는
갈등의 옳고 그름은 24시간 논쟁하면서, 갈등의 가격표는 한 번도 제대로 읽어본 적이 없습니다.
먼저 청구서를 읽어야 합니다. 지불 여부는 그다음 문제입니다.
본 글은 특정 정당·진영에 대한 지지 또는 비판을 목적으로 하지 않습니다. 인용된 정서적 양극화 지표가 양대 정당 지지층에서 동일하게
(42.8점) 나타난다는 점을 특히 유념해 주시기 바랍니다. 갈등비용 추계치는 연구 방법론에 따라 편차가 크므로, 절대 수치보다 구조와
방향에 주목해 읽어주시기 바랍니다.
참고: 국무조정실 의뢰 단국대 분쟁해결연구센터 연구용역(2024) / 삼성경제연구소 「한국의 사회갈등과 경제적 비
용」(2013) / 한국행정연구원 「사회갈등지수와 갈등비용 추정」 / 현대경제연구원 / 경제인문사회연구회 「2026년
도 정치 분야 이슈와 제언」 / 한국갤럽·EAI 양극화 인식조사

온톨로지 수익화 전략 — 개선판

STARGATE88 — Tue, 28 Jul 2026 07:21:48 +0900

** 핵심 명제 (v1 대비 정교화)**
온톨로지는 지식 표현 기술로는 20년간 팔리지 않았습니다. 지금 팔리는 이유는 단 하나, LLM의 환각을 구조적으로 억제하는 유일한 검증된 수단이기 때문입니다. 따라서 모든 수익 모델은 "그래프를 판다"가 아니라 "그래프 없이는 정확도가 32%인 문제를 86%로 올려준다"로 설계해야 합니다.

1. 시장 근거 (실측)

지표수치출처 / 해석

AI-Ready 엔터프라이즈 지식그래프 시장	2026년 USD 10.5억 → 2036년 USD 65.5억	CAGR 20.1%. GraphRAG 인프라·AI 거버넌스가 성장 동인 (Morningstar/PRNewswire 인용 리서치)
Fortune 500 지식그래프 활용률	약 70%	고객 인사이트·이상거래 탐지 중심. 기술 검증은 이미 끝난 단계
GraphRAG vs Vector RAG — 멀티홉 정확도	86% vs 32%	단일 사실 조회가 아닌 추론 연쇄에서 격차 발생. 본 전략의 3개 안은 전부 멀티홉 문제
GraphRAG 종합 벤치마크 우위	3.4배 (Diffbot KG-LM)	정밀도 .38 vs .18 / 재현율 .35 vs .15
환각률 감소	상대 61% 감소 (DeepSeek-V3.2)	ACL 2025 FinanceBench: 환각 6%p 감소 + 토큰 사용량 80% 절감 → 원가 동시 하락
의료 멀티홉 추론 (KRAGEN)	94.2% vs 49.9%	규제·의료 등 고위험 도메인일수록 격차 확대. 아이디어 3의 근거
국내 초중고 사교육비 총액	27.5조원 (2025)	참여율 75.7%, 1인 월평균 45.8만원 → 아이디어 1의 TAM 하한
한국 에듀테크 시장	2025 USD 51억 → 2034 USD 101억	CAGR 7.61%. 시장 자체보다 침투율이 변수

가설 검증 필요 (미실측 항목)
감정평가법인 수·시행사 수·인허가 지연 비용은 공개 통계에서 확인되지 않았습니다. 아이디어 2·3의 고객 수 가정은 추정 값이며, 한국감정평가사협회·한국건설산업연구원 자료로 별도 검증이 필요합니다.

2. 세 가지 사업안

안 1. 수학·정보올림피아드 개념 온톨로지 — 교육 SaaS

구조: 문제(Problem) — 개념(Concept) — 선수관계(prerequisite) — 해법패턴(Technique) — 오답유형(Misconception) 5계층 그래프. KOI/KMO 기출 + 백준·Codeforces를 개념 노드에 매핑합니다.

수익 지점: 학생 오답 3건 → 그래프 역추적 → "문제가 아니라 분할정복의 재귀 불변식 개념이 결손" → 커리큘럼 자동 생성. 일반 LLM 튜터는 선수관계 그래프가 없어 결손의 뿌리를 못 찾습니다. 이것이 정확히 멀티홉 문제(86% vs 32%)입니다.

가격: 학원당 월 40만원(정원 100명 기준, 학생 1인당 약 4,000원). 학원의 강사 1인 시간 대체 가치 대비 1/10 수준으로, 가격 저항이 거의 발생하지 않는 구간입니다.

진입 우위: 동수 님의 KOI 강사 경력 자체가 온톨로지 구축 원가입니다. 경쟁사는 이 도메인 전문가를 외부에서 조달해야 하며, 그것이 이 사업의 실질적 해자입니다.

주요 리스크: 학원의 SaaS 지불 의향이 구조적으로 낮음. → 학원 대상 무료 배포 후 학부모 리포트를 유료화하는 B2B2C 우회 경로를 백업 플랜으로 준비해야 합니다.

안 2. 공간·부동산 이종 데이터 통합 온톨로지 — DaaS

문제: 국토부 실거래가 API, 등기부, 건축물대장, 토지이용계획, 나라장터 공고가 전부 다른 스키마와 다른 주소 체계를 씁니다. 실거래가 API는 법정동 코드 5자리 + 계약년월 6자리 기준이고, 개인정보 보호로 층 정보만 제공되며 동 정보는 소유권 이전등기 완료 건에 한해 공개됩니다. 이 정합 작업이 모든 프롭테크의 숨은 원가 1위입니다.

구조: 필지(Parcel)를 앵커 노드로 두고 지번 / 도로명 / PNU / 좌표를 동치관계로 묶는 공간 온톨로지 + GraphRAG.

수익 지점: "정제된 통합 API" 구독. 고객사는 데이터 엔지니어 2명(연 약 1.5억)을 채용하지 않아도 됩니다. 가격은 그 절감액의 15~20%인 월 200만원으로 책정합니다.

진입 우위: 공간계량 박사 + 토목기사 + 시설 PM 경력. 재개발 구역 중첩, 지구단위계획 예외, 필지 분할·합병 이력 같은 예외 규칙을 아는 인력이 국내에 극소수입니다. 데이터 자체는 공개되어 있으나 예외 규칙은 공개되어 있지 않다는 점이 핵심입니다.

주요 리스크: 원천 데이터가 무료 공공 API라 "직접 하면 되지 않나"라는 반론이 상시 발생합니다. → 정합률(%)과 구축 소요 공수를 수치로 제시하는 벤치마크 리포트가 영업 자료의 핵심이 됩니다.

안 3. 인허가·공공조달 규제 온톨로지 — 컴플라이언스

구조: 법률 — 시행령 — 시행규칙 — 고시/지침 — 지자체 조례 — 유권해석 — 판례를, 효력 우선순위와 개정 이력을 가진 시간축 그래프로 구축합니다. 건축법·국토계획법·환경영향평가법 등 인허가 계열로 범위를 한정합니다.

수익 지점: 사업지 좌표와 용도를 입력하면 적용 법령 체인 전체 + 인허가 리스크 지점 + 예상 지연 개월수를 출력. 일반 LLM은 개정 전 조문을 근거로 답해 치명적 오류를 내며, 시간축 그래프만이 이를 차단합니다. KRAGEN 사례(94.2% vs 49.9%)가 이 구조의 유효성을 뒷받침합니다.

가격: 건당 리포트 200만원 → 대형 건설사 연간 라이선스 5,000만원.

법적 경계 (중대): 반드시 법률 자문이 아닌 정보 제공으로 포지셔닝해야 변호사법 제109조 리스크를 회피할 수 있습니다. 출력물은 "적용 가능 법령 목록과 원문 링크"까지만 제시하고, 개별 사안에 대한 법적 판단·유불리 해석은 제외해야 합니다. 이 경계 설계가 사업의 최대 변수입니다.

3. 3개년 P&L 시뮬레이션 가정 기반 추정

단위: 만원 / 매출 = 가격 × 연평균 활성 고객수 × 12개월 / 비용 = 인건비 + 인프라 + 마케팅

안연차매출비용영업손익누적손익

1. 교육 학원 40만원/월	Y1 (8개 학원)	3,840	4,000	-160	-160
Y2 (35개)	16,800	12,200	+4,600	+4,440
Y3 (90개)	43,200	28,400	+14,800	+19,240
2. 공간데이터 사당 200만원/월	Y1 (파일럿 3사·부분연도)	2,880	16,000	-13,120	-13,120
Y2 (12사)	28,800	25,000	+3,800	-9,320
Y3 (30사)	72,000	53,000	+19,000	+9,680
3. 규제 건당 200만원	Y1 (구축)	0	22,000	-22,000	-22,000
Y2 (40건)	8,000	24,000	-16,000	-38,000
Y3 (100건+라이선스 3사)	35,000	30,000	+5,000	-33,000

손익분기 요약

안월간 BEP 고객수 (Y2 원가 기준)누적 흑자 전환필요 최대 운전자본

1. 교육	학원 26개	Y2 초	약 4,000만원
2. 공간데이터	11개사	Y3 중반	약 1.4억원
3. 규제	연 150건	Y4 이후	약 4억원

자본 효율 결론: 안 1은 필요 자본이 안 3의 1/10이면서 흑자 전환이 2년 빠릅니다. 안 3은 단독 창업으로는 자본 조달 리스크가 과도하며, 안 2의 데이터 자산 위에 얹는 확장 옵션으로 두는 것이 합리적입니다.

4. 기술 스택 선택 근거

방식강점약점권고

RDF / OWL (Triple Store)	표준 추론(reasoner), 온톨로지 병합·재사용, 법령 효력 위계 같은 공리 기반 추론에 강함	학습 곡선 가파름, 쿼리 성능 열위, 개발자 채용난	안 3 (규제)
프로퍼티 그래프 (Neo4j / FalkorDB)	Cypher 생산성, 경로 탐색·최단거리 알고리즘, 시각화 도구 성숙	형식 추론 없음, 스키마 강제 약함	안 1, 안 2
GraphRAG (LLM 결합층)	자연어 질의 수용, 멀티홉 86%, 토큰 80% 절감	그래프 품질에 성능이 전적으로 종속. 그래프가 부실하면 오히려 악화	3개 안 전부 (상위 레이어)

비용 실측: Neo4j AuraDB Professional은 GB당 월 USD 65, Business Critical은 GB당 월 USD 146(최소 2GB = 월 USD 292)입니다. 안 1의 초기 그래프(개념 500노드 + 문항 5,000건)는 1~2GB로 충분해 월 10만원 이하에서 시작 가능합니다. 안 2는 필지 수준으로 확장 시 수십 GB가 되므로, 자체 호스팅(Neo4j Community 또는 PostgreSQL + Apache AGE)로 시작해 관리형 전환 시점을 늦추는 것이 원가 방어에 유리합니다.

5. 실행 로드맵 (12개월)

시점안 1 (주력)안 2 (병행 준비)

M1–M3	개념 300~500노드 + 기출 1,000문항 매핑, MVP 진단 엔진	PNU 앵커 정합 알고리즘 PoC (서울 1개 자치구)
M4–M6	본인 강의 현장 파일럿, 진단 정확도 측정, 학원 3곳 무료 베타	정합률 벤치마크 리포트 작성
M7–M9	유료 전환 8곳, 학부모 리포트 기능 추가	파일럿 고객 3사 확보(감정평가·중소 시행사)
M10–M12	대치동 레퍼런스 기반 확산, 목표 20곳	안 1 이익으로 개발 인력 1명 충원

6. 가정 검증 체크리스트

지불 의향 검증 (최우선): 학원 원장 10명 대상 "월 40만원이면 쓰시겠습니까" 직접 인터뷰. 이 하나가 안 1 전체 모델의 성립 여부를 결정합니다.
진단 정확도 검증: 오답 3건으로 결손 개념을 맞히는 비율. 70% 미만이면 그래프 설계를 재작업해야 합니다.
안 2 고객 모수 확인: 한국감정평가사협회 등록 법인 수, 프롭테크 기업 수 실측.
안 3 법적 경계: 변호사법 관련 사전 법률 검토 필수. 검토 전 개발 착수 금지.
P&L 민감도: 본 시뮬레이션의 고객 수 가정이 50%만 달성될 경우, 안 1은 Y2 흑자→Y3 흑자로 1년 지연, 안 2는 Y3까지 누적 적자 지속.

출처
· Enterprise Knowledge Graph Market (Grand View Research / Morningstar·PRNewswire 인용 리서치) — 시장 규모 및 CAGR
· Neo4j Blog "GraphRAG makes AI agents 80% more truthful", Diffbot KG-LM Benchmark (FalkorDB), Meilisearch·Couchbase 비교 자료 — GraphRAG 정확도
· ACL 2025 FinanceBench 인용, KRAGEN(Cedars-Sinai) — 환각 감소·도메인 정확도
· 교육부·통계청 초중고 사교육비조사(2025), IMARC Group South Korea EdTech Market — 국내 교육 시장
· 공공데이터포털 국토교통부 실거래가 API 명세 — 데이터 스키마 및 공개 범위
· Neo4j AuraDB 공식 요금제(2026, 3자 집계) — 인프라 원가

주의: P&L 시뮬레이션의 고객 수·비용 항목은 전부 가정 기반 추정치이며 실측 데이터가 아닙니다. 투자 유치나 대외 제출 시에는 반드시 위 체크리스트 검증 결과로 대체해야 합니다. 본 문서는 사업 전략 검토 자료이며 법률·투자 자문이 아닙니다.

2편 · GraphRAG — 유사도가 아니라 관계로 검색하다

STARGATE88 — Sun, 26 Jul 2026 14:54:40 +0900

1편 · RAG — LLM에 기억이 아니라 근거를 붙이는 기술
대규모 언어모델은 학습이 끝나는 순간 지식이 굳어버립니다. 여기서 세 가지 결함이 동시에 발생합니다. 학습 이후의 사실을 알지 못하고, 모르는 것을 그럴듯하게 지어내며, 사내 문서나 계약서 같은 비공개 자료는 애초에 접근 대상이 아닙니다. 파인튜닝으로 메우려는 시도는 비용과 갱신 주기 양쪽에서 불리합니다. 문서 한 건 수정될 때마다 모델을 다시 학습시킬 수는 없기 때문입니다.
RAG는 문제를 다르게 풉니다. 지식을 파라미터 안에 넣는 대신 외부 저장소에 두고, 질문이 들어온 그 순간 검색해서 프롬프트에 주입합니다. 모델은 기억하는 존재가 아니라 주어진 근거를 읽고 답하는 존재로 역할이 바뀝니다. 문서를 갱신하면 즉시 반영되고, 답변에 출처를 붙일 수 있으며, 검색 단계에서 권한을 걸어 문서별 보안까지 구현됩니다.
구조는 두 단계입니다. 오프라인 인덱싱에서 문서를 파싱하고, 청크로 자르고, 임베딩해 벡터 인덱스에 넣습니다. 온라인 질의에서는 질문을 변환하고, 검색하고, 재순위화한 뒤 프롬프트를 조립해 생성합니다.
품질을 좌우하는 지점은 정해져 있습니다. 첫째, 파싱. 2단 조판 PDF의 컬럼 순서가 뒤섞이거나 표가 줄바꿈으로 뭉개지면 뒤 단계가 아무리 정교해도 복구되지 않습니다. 둘째, 청킹. 청크가 작을수록 검색 정밀도는 오르고 답변 충실도는 떨어집니다. 이 상충은 작은 청크로 검색하고 큰 부모 청크를 전달하는 방식으로 해소합니다. 셋째, 하이브리드 검색. 임베딩은 의미를 잡지만 조항번호·모델명 같은 고유명사에 약하고, BM25는 정확히 반대입니다. 두 결과를 융합하면 단일 방식을 거의 항상 상회합니다. 넷째, 리랭커. 검색기가 재현율 확보를 위해 넉넉히 가져오면 크로스 인코더가 질의-문서 쌍을 직접 채점해 상위 몇 건으로 압축합니다. 투입 노력 대비 개선 폭이 가장 큰 지점입니다.
평가는 검색과 생성을 분리해야 원인 진단이 됩니다. 검색은 Hit Rate와 문맥 정밀도·재현율로, 생성은 충실도(제공 문맥이 답변을 지지하는 비율)로 봅니다. 여기서 실무 원칙 하나. 골든 평가셋 50문항을 먼저 만들고 시작하십시오. 평가셋 없이 튜닝하면 개선인지 퇴행인지 판별조차 불가능합니다.
개선 효과가 큰 순서는 평가셋 → 파싱 → 청킹 → 하이브리드 → 리랭커 → 질의 변환입니다. 거꾸로 접근하는 조직이 많습니다. Self-RAG나 에이전트 루프를 먼저 붙이고도 성능이 안 오르는 사례 대부분은, 실은 PDF 파싱에서 표가 이미 깨져 있던 경우입니다.
그리고 RAG에는 원리적 한계가 둘 있습니다. 여러 문서를 이어붙여야 답이 나오는 다중 홉 질문, 그리고 "이 자료 전체의 핵심 쟁점은?" 같은 전역 요약 질문입니다. 후자에 대응하는 청크는 애초에 존재하지 않습니다.
2편 · GraphRAG — 유사도가 아니라 관계로 검색하다
표준 RAG가 무너지는 지점에서 GraphRAG가 시작합니다.
"A사 공급업체 중 B규제 대상은 어디인가"라는 질문을 생각해 봅니다. A와 공급사의 관계, 공급사와 규제의 관계가 서로 다른 문서에 흩어져 있고, 어느 쪽도 질문과 직접 닮지 않았다면 유사도 검색은 실패합니다. "이 1만 건 문서를 관통하는 쟁점 다섯 가지"도 마찬가지입니다. 답이 코퍼스 전체에 분산되어 있으니 상위 k개 검색으로는 도달할 방법이 없습니다.
Microsoft가 2024년 내놓은 GraphRAG의 발상은 단순합니다. 검색하기 전에 문서를 읽어 "누가 무엇과 어떻게 연결되는지"를 미리 구조화해 둔다.
인덱싱은 이렇게 흘러갑니다. 문서를 텍스트 유닛으로 자르고, LLM이 각 유닛에서 엔티티와 관계를 추출합니다. 추출된 것들을 이어 그래프를 만들고, Leiden 알고리즘으로 밀접하게 얽힌 노드 군집(커뮤니티)을 계층적으로 찾아냅니다. 그리고 각 커뮤니티마다 LLM이 요약 보고서를 씁니다. 하위 요약을 재료로 상위 요약을 만드는 상향식 구조입니다. 이 보고서 집합이 곧 코퍼스 전체의 다층 지도이며, 표준 RAG에는 이런 산출물이 아예 없습니다.
여기서 두 가지가 결정적입니다. 하나는 도메인 스키마. 기본 프롬프트는 범용 엔티티를 가정하므로, 법률이면 조항·판례·의무, 부동산이면 필지·용도지역·거래 같은 유형을 명시해야 쓸 만한 그래프가 나옵니다. 다른 하나는 엔티티 해소. "서울대", "서울대학교", "SNU"가 세 노드로 남으면 그래프가 파편화되고 GraphRAG의 이점이 통째로 사라집니다. 실무 최다 실패 지점입니다.
질의는 세 갈래입니다. Local은 질문 속 엔티티를 찾아 그 이웃과 원문 청크를 모아 답합니다. Global은 모든 커뮤니티 보고서를 map-reduce로 훑어 전역 질문에 답하지만, 커뮤니티 수만큼 LLM을 호출하므로 비쌉니다. DRIFT는 커뮤니티 정보로 넓게 출발해 질문을 후속 질의로 쪼갠 뒤 그래프를 동적으로 순회하는 방식으로, 국소 검색의 재현율 부족과 전역 검색의 비용 과다 사이 중간해입니다. 실전에서 1순위로 검토할 모드입니다.
대가는 정직하게 비쌉니다. 문서 전량을 LLM으로 읽어야 하므로 인덱싱 비용이 표준 RAG의 수십에서 수백 배까지 갑니다. 증분 갱신도 어렵습니다. 그래서 통제 전략이 필요합니다. 추출은 저비용 모델, 요약과 생성은 고성능 모델로 이원화하고, 전역 검색은 상위 커뮤니티 레벨만 쓰며, 코퍼스 전체가 아니라 핵심 문서군만 그래프화합니다.
실무 정답은 양자택일이 아니라 질의 라우팅입니다. 단일 사실 조회는 표준 RAG로, 엔티티 상세는 Local로, 다중 홉은 DRIFT로, 전역 요약은 Global로 보냅니다. 통상 질의의 70~85%가 가장 싼 경로에서 끝납니다.
GraphRAG는 RAG의 상위 호환이 아니라 다른 질문을 푸는 도구입니다. 전자가 검색이라면 후자는 이해입니다. 그러므로 도입 판단의 출발점은 기술 사양이 아니라 한 줄의 실측입니다. 우리 질의 중 관계형 질문이 몇 퍼센트인가. 이 숫자 없이 시작하는 GraphRAG는 대체로 비싼 실험으로 끝납니다.

20·30을 위한 정치는 없다

STARGATE88 — Sun, 26 Jul 2026 12:58:04 +0900

투표율은 올랐는데, 왜 아무것도 바뀌지 않는가
청년은 정치를 외면한 적이 없다. 정치가 청년을 외면했을 뿐이다
대표 없는 세대의 산수(算數)

2026년 6·3 지방선거 투표율은 61.0%였습니다. 31년 만의 최고치입니다. 30대 이하 출마자는 810명으로 역대 가장 많았습니다. 한 정치학자는 이를 두고 "정치적 효능감이 투표율을 높였다"고 진단했습니다. 계엄과 탄핵을 거치며 내 표가 실제로 무언가를 바꾼다는 자신감이 생겼다는 것입니다.

그렇다면 이제 "요즘 젊은 사람들은 정치에 관심이 없다"는 말은 폐기해도 됩니다. 관심은 충분했습니다.

문제는 그다음입니다. 투표율이 31년 만에 최고치를 찍은 다음 날에도, 20·30세대의 삶을 규정하는 조건들 — 주거, 부채, 고용의 불안정성, 그리고 앞으로 40년간 납부할 연금의 설계 — 은 그대로였습니다.

이 글의 주장은 단순합니다. 20·30을 위한 정치는 없습니다. 있는 것은 20·30을 소재로 삼은 정치뿐입니다. 그리고 이것은 청년의 무관심 때문이 아니라, 제도의 설계 때문입니다.

2. 대표성의 산수

감정을 걷어내고 숫자만 보겠습니다.

대한민국 인구에서 20·30대가 차지하는 비중: 약 26.7%
21대 국회 재적의원 298명 중 20·30대 의원: 4.3%(13명)
같은 국회에서 40·50대 의원: 71.1%(212명)

인구의 4분의 1이 의석의 20분의 1을 갖습니다. 이것은 편향이 아니라 배제에 가깝습니다.

국회의원 평균 연령은 54.9세, 우리나라 중위 연령은 43세 안팎입니다. 격차는 약 11.7세. G7 국가와 비교하면 미국 다음으로 큰 격차입니다. OECD 회원국 국회의원 평균 연령이 49.5세라는 점을 감안하면, 한국 국회는 세계적으로도 유별나게 나이가 많습니다.

후보 단계에서 이미 결판이 납니다. 22대 총선 지역구 후보 699명 중 20·30대는 5.5%(38명), 60세 이상은 **39.1%(273명)**였습니다. 유권자는 자신이 원하는 사람을 뽑는 것이 아니라, 이미 걸러진 명단 안에서 덜 싫은 사람을 고릅니다. 투표율이 아무리 올라도 선택지가 바뀌지 않으면 결과는 바뀌지 않습니다.

3. 발의는 있고, 통과는 없다

"그래도 청년 법안은 나오지 않느냐"는 반론이 가능합니다. 나옵니다. 통과가 안 될 뿐입니다.

21대 국회에서 발의된 약 2만 4천 건의 법안 중 청년 관련 법안은 980건, 전체의 4.4%였습니다. 그중 실제로 통과된 것은 24건입니다. 발의 대비 통과율 2.4%. 전체 법안 평균 가결률의 절반에도 미치지 못합니다.

흥미로운 것은 발의 주체별 통계입니다. 20·30대 의원은 1인당 청년 법안 6.8건을 발의한 반면, 40대 의원은 3.6건, 50대는 3.1건, 60대는 3.2건이었습니다. 젊은 의원 한 명이 늘어날 때 청년 의제는 두 배 가까이 늘어납니다.

이 숫자가 말하는 바는 분명합니다. 의제는 대표를 따라옵니다. 대표가 없으면 의제도 없습니다. 선의(善意)로 대신할 수 있는 것이 아닙니다.

4. 진입 장벽은 사고가 아니라 설계다

왜 젊은 후보가 나오지 않을까요. 흔한 답은 "청년이 도전하지 않아서"입니다. 데이터는 다른 이야기를 합니다.

첫째, 돈입니다. 21대 총선에 출마한 20·30대 정치인의 평균 지출액은 약 2억 원으로 조사됐습니다. 자산 형성 이전 단계의 세대에게 2억은 도전 비용이 아니라 자격 요건입니다.

둘째, 제도의 공전입니다. 청년 후보 공천을 유도하기 위한 청년추천보조금 제도가 있지만, 22대 총선에서 이 보조금을 수령한 정당은 한 곳도 없었습니다. 제도는 존재하고, 아무도 쓰지 않습니다. 요건을 충족할 만큼 청년을 공천한 정당이 없었기 때문입니다.

셋째, 선거제도입니다. 한국의 비례대표 의석 비중은 15.7%로 OECD 최하위권(33위)입니다. 국제 비교에서 비례대표 비중이 높은 나라일수록 40세 미만 의원 비율이 높다는 상관관계가 반복적으로 확인됩니다. 지역구 중심 소선거구제는 조직·인지도·자금을 이미 축적한 사람에게 압도적으로 유리합니다. 그 셋 모두를 30대가 갖추기는 구조적으로 어렵습니다.

즉 청년의 정치 진입 실패는 개인의 노력 부족이 아니라, 비용·제도·선거방식 세 겹의 필터를 통과하지 못한 결과입니다. 필터는 우연히 생기지 않았습니다. 필터를 통과한 사람들이 필터를 만듭니다.

5. '청년 정치'라는 알리바이

선거철마다 각 당은 청년을 영입합니다. 청년최고위원을 뽑고, 청년위원회를 만들고, 20대 비례 후보를 상단에 배치합니다. 언론은 이를 '청년 정치의 부상'이라고 씁니다.

그러나 이 경로의 공통점은 하나입니다. 선출이 아니라 간택입니다.

당의 필요에 의해 발탁된 개인은 당의 필요가 사라지면 소멸합니다. 세대를 대표할 기반(지역 조직, 후원 구조, 정책 참모)을 갖추기 전에 임기가 끝나고, 다음 선거에서는 다른 얼굴로 교체됩니다. 축적이 일어나지 않습니다. 그 결과 청년 정치인은 있어도 청년 정치 세력은 생기지 않습니다.

이것은 대표가 아니라 연출입니다. 그리고 연출은 대단히 효율적인 알리바이입니다. 몇 명의 얼굴을 배치하는 것만으로, 구조를 바꾸지 않았다는 사실이 가려지기 때문입니다.

6. 정치는 표의 무게중심을 따라간다

정치인을 도덕적으로 비난할 필요는 없습니다. 그들은 합리적으로 행동하고 있을 뿐입니다.

60대 이상의 투표율은 오랫동안 70%대를 유지해 왔고, 20·30대는 평균 이하였습니다. 게다가 인구 구조 자체가 고령화되고 있습니다. 유권자 구성비와 실제 투표자 구성비의 차이 때문에, 20·30세대는 자기 인구 비중보다 적은 정치적 무게를 갖고 60대 이상은 더 큰 무게를 갖습니다.

표의 무게중심이 어디에 있는지 계산할 줄 아는 정치인이라면, 한정된 재정과 정치적 자본을 어디에 쓸지는 자명합니다. 그래서 20·30 의제는 대체로 '구조 개편'이 아니라 '지원사업'의 형태로 등장합니다. 청년수당, 청년주택, 청년적금, 청년내일채움. 이름에 '청년'이 붙은 예산 항목은 늘어나지만, 부동산 세제, 정년, 연금의 세대 간 부담 배분처럼 실제로 자산과 권리를 재배치하는 영역은 거의 손대지 않습니다.

시혜는 정치적으로 저렴하고, 구조 개편은 비쌉니다. 대표가 없는 세대에게는 저렴한 쪽이 배정됩니다. 이것이 낮은 투표율 → 빈약한 청년 정책 → 정치 효능감 저하 → 다시 낮은 참여로 이어지는 악순환의 작동 방식입니다.

7. 예상되는 반론 세 가지

"2026년에는 청년이 투표했고 투표율이 61%까지 올랐다. 이제 달라지지 않겠는가."

바뀔 수 있습니다. 다만 그 상승은 계엄과 탄핵이라는 예외적 사건에 대한 반응이었다는 점을 기억해야 합니다. 개인의 권리 침해에 민감하게 반응한 결과이지, 세대 이익을 대표할 통로를 확보한 결과가 아닙니다. 통로가 없으면 열기는 한 번의 파도로 끝납니다.

"나이가 곧 대표성은 아니다. 50대 의원도 청년 정책을 잘 만들 수 있다."

원칙적으로 옳습니다. 그러나 발의 데이터는 나이가 실제로 의제 설정에 영향을 준다는 것을 보여줍니다. 대리 대표가 불가능하다는 뜻이 아니라, 대리 대표만으로는 부족하다는 뜻입니다.

"청년은 하나의 이해집단이 아니다."

맞습니다. 20대 남성과 30대 여성, 수도권 임차인과 지방 자영업자의 이해는 서로 충돌합니다. 그러나 이 다양성이야말로 더 많은 대표가 필요한 이유이지, 대표가 없어도 되는 이유가 될 수는 없습니다.

8. 그래서 무엇을 해야 하는가

세 가지만 제시하겠습니다. 모두 감정이 아니라 제도의 문제입니다.

비례대표 비중 확대. 15.7%는 OECD 최하위권입니다. 이 수치를 올리지 않는 한 청년·여성 대표성 개선은 구호에 머뭅니다.
청년추천보조금의 실효화. 수령 정당이 0곳인 인센티브는 인센티브가 아닙니다. 미달 시 국고보조금을 감액하는 방식의 페널티 구조로 전환해야 합니다.
출마 비용 구조 개선. 선거비용 보전 요건 완화와 공천 심사 과정의 공개가 병행되어야 합니다. 2억 원이 자격 요건인 한, 정치는 자산 보유자의 리그로 남습니다.

9. 맺으며

투표하라는 말로 이 글을 끝내지 않겠습니다. 20·30세대는 이미 투표했습니다. 61%는 그 증거입니다.

부족한 것은 참여가 아니라 통로입니다. 후보 명단에 오를 통로, 발의한 법안이 통과될 통로, 한 번 당선된 사람이 4년 뒤에도 살아남아 세력을 축적할 통로.

그 통로를 만드는 일은 기존 정치가 스스로 하지 않습니다. 자신을 통과시킨 필터를 스스로 없애는 사람은 없기 때문입니다.

그러니 다음 질문은 "누구를 찍을 것인가"가 아니라 **"어떤 선택지를 만들 것인가"**여야 합니다. 20·30을 위한 정치는 없습니다. 만들어지지 않았을 뿐입니다.

서울 인구 930만, 숫자가 말해주는 도시의 뒷모습

STARGATE88 — Fri, 24 Jul 2026 08:42:48 +0900

천만 도시라는 이름을 내려놓다

한때 서울은 '천만 도시'였다. 1988년 올림픽을 치르던 무렵 서울은 처음으로 인구 1,000만을 넘겼고, 그 숫자는 오랫동안 이 도시의 자부심이자 정체성이었다. 그런데 2020년대를 지나며 서울 인구는 조용히 930만 명대로 내려앉았다. 어느 날 갑자기 벌어진 일이 아니다. 데이터는 이 변화가 30년에 걸쳐 서서히 진행된 구조적 흐름이라고 말한다.

사람들은 서울을 '떠난' 것이 아니다

가장 먼저 짚어야 할 오해가 있다. 서울 인구 감소는 사람들이 서울을 싫어해서 떠난 결과가 아니라는 점이다. 전입·전출 데이터를 뜯어보면, 서울을 빠져나간 사람들의 대다수는 경기·인천으로 이동했다. 즉 서울을 떠난 것이 아니라 '수도권 안에서 자리를 옮긴' 것에 가깝다. 이유는 단순하고 뼈아프다. 집값이다. 서울에서 감당하기 어려운 주거비를 피해, 사람들은 경기 외곽의 신도시로 향했다. 서울의 인구는 줄었지만 수도권 전체 인구는 오히려 늘었다. 도시는 사라진 것이 아니라 '넓게 번져나간' 셈이다.

빠져나간 세대의 얼굴

더 중요한 것은 '누가' 빠져나갔는가이다. 연령별 데이터를 보면 서울을 떠나는 인구의 중심에는 30대와 어린 자녀를 둔 젊은 가구가 있다. 결혼과 출산, 내 집 마련이라는 생애 과업 앞에서 서울의 문턱은 너무 높았다. 반대로 서울에 남거나 새로 유입되는 인구는 20대 초반의 학생·취업준비생과, 이미 자리를 잡은 고령층으로 양극화되는 경향을 보인다. 도시의 허리에 해당하는 세대가 얇아진다는 것은, 단순한 숫자 감소보다 훨씬 무거운 신호다.

저출생이라는 근본적인 파도

이동만으로는 다 설명되지 않는다. 서울은 오랫동안 전국에서 합계출산율이 가장 낮은 지역이었다. 태어나는 아이보다 세상을 떠나는 사람이 많은 '자연 감소' 현상이 서울에서 먼저, 그리고 더 빠르게 나타났다. 인구가 밀집한 대도시일수록 주거·양육·경쟁의 압력이 크고, 그 압력이 출산을 미루거나 포기하게 만든다는 역설이다. 930만이라는 숫자는 이 나라 저출생 문제가 가장 선명하게 새겨진 지문과도 같다.

텅 빈 교실과 남는 집

인구 감소는 도시의 표정을 바꾼다. 학령인구가 줄면서 문을 닫는 초등학교가 늘고, 한 반에 스무 명이 채 안 되는 교실이 흔해졌다. 반대로 1인 가구는 폭발적으로 증가해, 이제 서울의 가장 흔한 가구 형태는 '혼자 사는 집'이 되었다. 사람 수는 줄었는데 가구 수는 늘어나는 이 기묘한 조합이, 소형 주택 수요와 도시 인프라 설계에 새로운 숙제를 던진다.

축소가 곧 쇠퇴는 아니다

그렇다면 서울은 쇠퇴하는 도시일까. 데이터는 성급한 결론을 경계하라고 말한다. 인구가 준다고 도시의 활력이나 경제력이 곧바로 꺾이는 것은 아니다. 세계의 여러 성숙한 대도시들도 인구 정점을 지나 '적정 규모'를 찾아가는 과정을 겪었다. 관건은 줄어드는 인구에 맞춰 도시를 어떻게 다시 설계하느냐다. 비어가는 공간을 녹지와 문화, 돌봄의 인프라로 채우고, 떠난 젊은 세대가 돌아올 수 있는 주거 환경을 만드는 일. 930만이라는 숫자는 위기의 경고음인 동시에, 도시를 다시 사람 중심으로 고쳐 쓸 수 있는 기회의 신호이기도 하다.

숫자 너머의 질문

결국 인구 통계는 답이 아니라 질문이다. 서울이 던지는 질문은 이것이다. 우리는 계속 커지기만 하는 도시를 원했던 걸까, 아니면 오래 머물고 싶은 도시를 원했던 걸까. 930만이라는 숫자 뒤에는, 집을 찾아 떠난 사람들과 아이를 갖기를 망설인 사람들의 수많은 이야기가 숨어 있다. 데이터로 도시를 읽는다는 것은, 결국 그 숫자 하나하나에 담긴 삶을 읽어내는 일이다.

모든 예측은 틀리고, 모든 보여지는 언어는 반대로 해석하면 된다.

STARGATE88 — Fri, 24 Jul 2026 08:38:11 +0900

모든 예측은 틀리고, 모든 보여지는 언어는 반대로 해석하면 된다.

AI 시대에 정보를 배운다는 것의 의미

STARGATE88 — Thu, 23 Jul 2026 13:44:36 +0900

AI가 질문에 답하고, 글을 쓰고, 이미지를 만들며, 코드를 작성하는 시대가 되었다. 이제 사람은 필요한 정보를 직접 외우거나 오랜 시간 검색하지 않아도 된다. 그렇다면 AI 시대에도 정보를 배워야 할까?

오히려 지금이야말로 정보를 제대로 배워야 하는 시대다. 다만 배움의 목적은 더 이상 많은 지식을 머릿속에 저장하는 데 있지 않다. AI 시대에 정보를 배운다는 것은 정보가 어떻게 만들어지고, 처리되고, 전달되며, 사회에 영향을 미치는지를 이해하는 것이다.

정보를 찾는 능력에서 정보를 판단하는 능력으로

과거에는 원하는 정보를 빠르게 찾는 사람이 유능했다. 그러나 검색엔진과 생성형 AI의 등장으로 정보 탐색 자체는 쉬워졌다. 이제 중요한 것은 정보의 양이 아니라 정보의 신뢰성이다.

AI는 자연스럽고 자신감 있는 문장으로 잘못된 내용을 말할 수 있다. 인터넷에는 사실과 의견, 광고와 선전, 진짜 자료와 조작된 자료가 뒤섞여 있다. 따라서 정보를 배운다는 것은 다음과 같은 질문을 던지는 능력을 기르는 일이다.

이 정보는 누가 만들었는가?
어떤 자료와 근거를 사용했는가?
특정한 관점이나 이해관계가 반영되어 있지는 않은가?
다른 자료와 비교했을 때도 같은 결론이 나오는가?

AI 시대의 정보교육은 정답을 빠르게 찾는 교육이 아니라, 제시된 답을 의심하고 검증하는 교육이어야 한다.

정보를 소비하는 사람에서 정보를 설계하는 사람으로

우리는 매일 뉴스, 영상, 게시물, 광고, 추천 콘텐츠를 소비한다. 그러나 디지털 환경에서 정보는 단순히 전달되는 것이 아니다. 알고리즘에 의해 선택되고, 배열되고, 강조된다.

같은 사건도 어떤 데이터를 선택하고 어떤 그래프를 사용하느냐에 따라 전혀 다르게 보일 수 있다. 같은 사용자라도 플랫폼의 추천 알고리즘에 따라 서로 다른 세계를 경험한다.

따라서 정보를 배운다는 것은 데이터베이스, 알고리즘, 네트워크, 프로그래밍의 원리를 배우는 것과 연결된다. 학생은 단순한 정보 이용자가 아니라 작은 프로그램과 서비스를 직접 만들어 보면서 정보가 작동하는 구조를 이해해야 한다.

프로그램을 만든다는 것은 단순히 코딩 문법을 익히는 일이 아니다. 문제를 나누고, 조건을 정하고, 자료를 구조화하고, 결과를 검토하는 사고 과정이다. AI가 코드를 대신 작성하더라도 무엇을 만들 것인지 결정하고, 결과가 올바른지 판단하는 책임은 사람에게 남는다.

질문을 만드는 능력

생성형 AI의 성능이 높아질수록 질문의 중요성도 커진다. 막연한 질문에는 막연한 답이 돌아오고, 구체적인 질문에는 더 정교한 답이 돌아온다.

그러나 질문을 잘한다는 것은 단순히 프롬프트 문장을 길게 쓰는 것이 아니다. 무엇이 문제인지 정의하고, 필요한 조건을 구분하며, 원하는 결과의 기준을 세우는 능력이다.

예를 들어 “환경 문제를 해결해 줘”라는 질문보다 “우리 학교에서 일주일 동안 발생하는 일회용품의 양을 조사하고, 이를 줄일 수 있는 실행 가능한 방법을 제안해 줘”라는 질문이 훨씬 구체적이다. 좋은 질문은 문제를 관찰하고 구조화한 결과다.

AI 시대에 정보를 배운다는 것은 답을 암기하는 것보다 답을 만들어 낼 수 있는 질문을 설계하는 것이다.

데이터 뒤에 있는 사람을 이해하는 일

정보기술은 중립적인 도구처럼 보이지만, 언제나 사람과 사회의 가치가 반영된다. AI가 학습한 데이터에는 기존 사회의 편견이 포함될 수 있고, 개인정보를 활용한 서비스는 편리함과 감시의 문제를 동시에 가져올 수 있다.

얼굴 인식 기술은 보안을 강화할 수 있지만 사생활을 침해할 수도 있다. 추천 알고리즘은 취향에 맞는 콘텐츠를 보여 주지만 사용자의 선택을 특정 방향으로 유도할 수도 있다. 자동화된 평가 시스템은 효율적일 수 있지만 일부 사람에게 불공정한 결과를 줄 가능성도 있다.

그래서 정보교육에는 기술적 능력뿐 아니라 윤리적 판단이 포함되어야 한다.

이 기술은 누구에게 도움이 되는가?
누가 불이익을 받을 수 있는가?
어떤 정보가 수집되고 있는가?
문제가 발생했을 때 누가 책임져야 하는가?

정보를 배운다는 것은 기술을 능숙하게 사용하는 것에 그치지 않고, 기술을 어떤 방향으로 사용할 것인지 결정하는 시민으로 성장하는 과정이다.

AI와 경쟁하기보다 AI를 지휘하는 능력

AI가 인간보다 더 빠르게 계산하고 더 많은 자료를 처리한다고 해서 인간의 배움이 불필요해지는 것은 아니다. 계산기가 등장한 뒤에도 수학적 사고가 중요했던 것처럼, 생성형 AI가 등장한 뒤에는 정보적 사고가 더욱 중요해진다.

AI는 가능한 답을 제시할 수 있지만, 어떤 문제가 중요한지는 스스로 결정하지 못한다. AI는 기존 자료를 조합할 수 있지만, 결과에 의미와 목적을 부여하는 일은 인간의 몫이다. AI는 선택지를 만들 수 있지만, 그중 무엇을 선택하고 책임질 것인지는 사람이 판단해야 한다.

앞으로 필요한 사람은 AI보다 더 많은 정보를 기억하는 사람이 아니다. AI에게 적절한 일을 맡기고, 결과를 검증하며, 서로 다른 정보를 연결해 새로운 가치를 만드는 사람이다.

정보를 배운다는 것은 세상을 읽고 다시 만드는 일이다

AI 시대의 정보교육은 특정 프로그램의 사용법을 익히는 교육이 되어서는 안 된다. 지금 사용하는 도구와 플랫폼은 빠르게 사라지고 바뀔 수 있기 때문이다.

변하지 않는 핵심은 문제를 발견하는 능력, 정보를 구조화하는 능력, 알고리즘을 이해하는 능력, 결과를 검증하는 능력, 그리고 기술의 영향을 책임 있게 판단하는 능력이다.

결국 AI 시대에 정보를 배운다는 것은 컴퓨터를 배우는 것만을 의미하지 않는다. 그것은 데이터와 알고리즘으로 움직이는 세상을 읽는 법을 배우는 일이다. 동시에 그 세상을 더 공정하고, 안전하고, 창의적으로 다시 설계하는 법을 배우는 일이다.

AI가 답을 만들어 주는 시대일수록 인간은 더 좋은 질문을 해야 한다. 정보가 넘쳐나는 시대일수록 우리는 더 신중하게 판단해야 한다. 기술이 강력해질수록 그것을 사용하는 사람의 책임도 커진다.

그것이 AI 시대에 우리가 정보를 배워야 하는 가장 중요한 이유다.

AI 시대에 수학을 배운다는 것에 의미

STARGATE88 — Thu, 23 Jul 2026 13:25:57 +0900

인공지능이 복잡한 계산을 몇 초 만에 처리하고, 어려운 수학 문제의 풀이까지 단계별로 설명해 주는 시대가 되었다. 이제는 자연스럽게 이런 질문이 나온다.

“AI가 계산도 하고 문제도 풀어 주는데, 우리는 왜 수학을 배워야 할까?”

이 질문은 수학 교육이 필요 없다는 뜻이 아니다. 오히려 AI 시대에는 수학을 배우는 목적이 무엇인지 다시 생각해야 한다는 뜻에 가깝다. 과거의 수학 교육이 빠르고 정확하게 답을 구하는 능력을 강조했다면, 앞으로의 수학 교육은 문제를 정의하고, 관계를 발견하며, AI가 제시한 답을 판단하는 능력을 길러야 한다.

계산하는 능력에서 질문하는 능력으로

전통적인 수학 수업에서는 주어진 문제를 정해진 공식에 따라 푸는 경우가 많았다. 방정식이 주어지면 해를 구하고, 함수가 주어지면 그래프를 그렸다. 그러나 현실의 문제는 교과서처럼 깔끔하게 정리되어 있지 않다.

예를 들어 한 지역의 학생 수가 앞으로 얼마나 감소할지 예측한다고 생각해 보자. 먼저 어떤 데이터를 사용할지 결정해야 한다. 출생아 수, 인구 이동, 주택 공급, 학교 수, 학원 수 등 여러 요인 가운데 무엇이 중요한지 판단해야 한다. ‘학생 수 감소’를 어떤 기준으로 측정할 것인지도 정해야 한다.

이 과정에서 가장 어려운 일은 계산이 아니다. 무엇을 문제로 볼 것인지 정하는 일이다.

AI는 주어진 질문에 빠르게 답할 수 있지만, 어떤 질문을 해야 하는지는 인간이 결정해야 한다. 수학을 배운다는 것은 단순히 답을 구하는 방법을 익히는 것이 아니라, 복잡한 현실을 분석 가능한 문제로 바꾸는 방법을 배우는 것이다.

수학은 세상을 표현하는 언어다

수학은 숫자와 공식만으로 이루어진 과목이 아니다. 수학은 세상에 존재하는 변화와 관계를 표현하는 언어다.

함수는 한 값이 변할 때 다른 값이 어떻게 달라지는지를 보여 준다. 확률은 불확실한 상황을 다루는 방법을 알려 준다. 통계는 많은 데이터 속에서 의미 있는 경향을 찾아내도록 돕는다. 기하학은 공간과 형태를 이해하게 하고, 미적분은 계속해서 변화하는 현상을 설명한다.

AI 역시 이러한 수학적 언어를 기반으로 작동한다. 추천 알고리즘은 사용자의 행동을 수치로 표현하고, 생성형 AI는 단어 사이의 관계를 확률적으로 계산한다. 이미지 인식, 자율주행, 금융 예측, 의료 진단에도 벡터, 행렬, 확률, 최적화 같은 수학 개념이 사용된다.

모든 사람이 AI 모델을 직접 개발할 필요는 없다. 하지만 AI가 어떤 방식으로 결과를 만들어 내는지 이해하려면 최소한의 수학적 사고가 필요하다. 수학을 모르면 AI의 결과를 그저 믿거나 거부하게 된다. 반면 수학적 사고를 갖춘 사람은 AI가 무엇을 근거로 판단했는지 질문하고, 결과의 한계를 살펴볼 수 있다.

AI의 답을 검증하는 힘

AI는 빠르지만 항상 옳지는 않다. 존재하지 않는 정보를 사실처럼 제시할 수도 있고, 잘못된 계산을 자연스럽게 설명할 수도 있다. 데이터에 포함된 편향을 그대로 학습해 불공정한 결론을 내릴 가능성도 있다.

이때 필요한 능력이 수학적 검증 능력이다.

결과의 크기가 상식적으로 가능한지, 사용된 표본이 충분한지, 평균만으로 현상을 설명해도 되는지, 상관관계를 인과관계로 잘못 해석한 것은 아닌지 살펴봐야 한다. 그래프의 축이 왜곡되어 있지는 않은지, 특정 데이터만 선택적으로 사용되지는 않았는지도 확인해야 한다.

수학을 배운 사람은 AI의 답을 그대로 받아들이지 않는다.

“이 결과는 어떤 가정에서 나온 것인가?”

“다른 조건을 적용하면 결론이 달라지는가?”

“이 수치는 실제로 무엇을 의미하는가?”

이러한 질문을 던질 수 있을 때 우리는 AI의 사용자가 아니라 AI를 통제하고 활용하는 사람이 된다.

정답보다 중요한 사고의 과정

AI 시대에는 정답의 가치가 사라지는 것이 아니라, 정답만의 가치가 낮아진다. 정답은 AI도 빠르게 찾을 수 있기 때문이다. 대신 어떤 방식으로 문제를 이해했는지, 왜 그 방법을 선택했는지, 다른 해결 방법은 없는지 설명하는 능력이 중요해진다.

같은 문제를 두고도 대수적으로 풀 수 있고, 그래프로 해석할 수 있으며, 표를 만들어 규칙을 발견할 수도 있다. 각각의 방법에는 장점과 한계가 있다. 여러 방법을 비교하는 과정에서 학생은 자신의 사고를 점검하고 더 나은 전략을 선택하게 된다.

따라서 앞으로의 수학 수업은 문제를 많이 푸는 것만으로는 충분하지 않다. 학생이 자신의 풀이를 설명하고, 친구의 풀이와 비교하며, AI가 만든 풀이에서 오류를 찾아보는 활동이 필요하다. AI에게 문제를 풀게 한 뒤 그 답을 평가하고 수정하는 것 역시 중요한 수학 학습이 될 수 있다.

수학은 불확실성을 견디는 훈련이다

수학 문제를 풀다 보면 처음에는 해결 방법이 보이지 않는 순간이 찾아온다. 여러 번 시도해도 답이 나오지 않고, 자신이 알고 있는 개념을 어떻게 적용해야 할지 막막할 때도 있다.

이때 학생은 조건을 다시 읽고, 그림을 그리며, 작은 사례부터 시험해 본다. 틀린 방법을 버리고 새로운 방법을 시도한다. 이러한 경험은 단순한 문제 풀이를 넘어 불확실한 상황을 견디고 해결책을 찾아가는 훈련이 된다.

AI가 많은 일을 대신하는 시대일수록 인간에게는 낯선 문제를 마주하는 능력이 중요해진다. 이미 정답이 정해진 문제는 AI가 잘 해결한다. 그러나 목표가 불분명하고 조건이 계속 변하는 문제에서는 인간의 판단력과 끈기가 필요하다.

수학 학습은 학생에게 “모르더라도 생각을 시작할 수 있다”는 경험을 제공한다.

AI와 경쟁하기 위한 수학이 아니라, AI와 협력하기 위한 수학

AI 시대의 수학 교육은 인간이 AI보다 계산을 잘하도록 만드는 교육이 되어서는 안 된다. 인간은 계산 속도와 데이터 처리 능력에서 AI를 이기기 어렵다. 중요한 것은 AI가 잘하는 일과 인간이 해야 할 일을 구분하는 것이다.

AI는 계산하고, 자료를 정리하고, 여러 가능성을 빠르게 제시할 수 있다. 인간은 목적을 세우고, 문제의 맥락을 이해하며, 결과가 사회적으로 어떤 의미를 갖는지 판단해야 한다.

수학은 이 두 영역을 연결한다. 인간이 문제를 수학적 구조로 표현하면 AI는 계산을 도울 수 있다. AI가 결과를 제시하면 인간은 수학적 사고를 통해 그 결과를 검토하고 해석한다.

따라서 수학을 배운다는 것은 AI와 경쟁하기 위한 준비가 아니라, AI와 제대로 협력하기 위한 준비다.

결국 수학은 생각하는 힘을 배우는 일이다

AI 시대에도 수학을 배워야 하는 이유는 모든 공식을 외우기 위해서가 아니다. 수학을 통해 우리는 복잡한 현상을 단순화하고, 보이지 않는 관계를 발견하며, 주장과 근거를 구분하는 법을 배운다.

앞으로 학생들에게 필요한 것은 계산을 빠르게 하는 능력만이 아니다.

좋은 질문을 만드는 능력, 데이터를 비판적으로 읽는 능력, 자신의 판단을 논리적으로 설명하는 능력, AI의 결과를 검증하는 능력이 필요하다.

이 모든 능력의 중심에 수학적 사고가 있다.

AI가 더 똑똑해질수록 수학의 중요성이 줄어드는 것이 아니다. 오히려 인간이 무엇을 생각하고, 무엇을 판단하며, 무엇에 책임져야 하는지가 더욱 중요해진다.

AI 시대에 수학을 배운다는 것은 답을 외우는 일이 아니다.

세상을 구조적으로 이해하고, 기술이 제시한 답 앞에서 스스로 판단할 수 있는 사람이 되는 일이다.

부동산 세제·금융·공급 '운명의 날' — 대통령이 직접 듣고 판단합니다

STARGATE88 — Wed, 22 Jul 2026 21:23:14 +0900

안녕하세요. 도시공학(공간계량·부동산 데이터 전공) 박사 정동수입니다. 오늘은 부동산 시장의 흐름을 크게 바꿀 수 있는 중대한 이벤트를 짚어드리겠습니다.

청와대는 7월 23일 오전 10시부터 100분간 '부동산 대토론회'를 개최합니다. 슬로건은 '나라의 주인과 함께 설계하는 대한민국 부동산정책 청사진'이며, 정부는 이를 계기로 보유세 등 세제 개편안을 확정한다는 계획입니다. 정부 측 35명·전문가 30명·일반 국민 75명 등 총 140명이 참석하고, 앞서 14~16일 국토부(공급)·금융위(금융)·재경부(세제) 부처별 토론회를 종합하는 자리입니다. 이재명 대통령은 적정 보유세, 실거주 1주택과 다주택의 차등, 초고가 주택 기준, 보유세·거래세 관계 등을 쟁점으로 제시했고, 16일 세제 토론회에서는 종부세 과세 기준을 '주택 수→주택 가액'으로 바꾸자는 목소리에 힘이 실렸습니다

과세 기준의 '주택 수→가액' 전환은 세 부담을 강남권·한강변 초고가 단지로 이동시키는 공간적 재분배 효과를 갖고, 보유세 강화와 대출 완화의 시차(time lag) 비대칭 탓에 시행 초기 집값 자극 위험이 있으며, 공급 대책은 정비사업 리드타임(7~10년)이 길어 단기 안정에는 거래세 조정이 더 결정적이라는 분석을 담았습니다.

예타 기준 1,000억 원으로 바뀌었나? 2026 개편안과 현행법 차이

STARGATE88 — Wed, 22 Jul 2026 18:09:29 +0900

도로·철도·공항 같은 대형 사회간접자본 사업을 둘러싼 기사에서 “예타 기준이 1,000억 원으로 상향됐다”는 표현이 등장합니다. 정부가 2026년 예비타당성조사 제도 개편 방향을 발표했기 때문입니다.

하지만 개편 방침의 발표, 평가지침의 변경, 국가재정법상 대상 기준의 변경은 같은 단계가 아닙니다. 2026년 7월 22일 현재 적용되는 법률과 앞으로 적용하려는 개편안을 구분해 볼 필요가 있습니다.

결론부터 한눈에 보기

구분현행 국가재정법2026년 개편 방향

총사업비 기준	500억 원 이상	SOC 사업 1,000억 원 이상 추진
국가 재정지원 기준	300억 원 이상	500억 원 이상 추진
법적 상태	현재 시행 중	법률 개정이 필요한 정책 방향
평가체계	경제성·정책성·지역균형발전 등을 종합	정책성·지역균형성장 평가 강화·개편

[사실] 2026년 6월 2일 시행 국가재정법 제38조 제1항은 총사업비 500억 원 이상이면서 국가의 재정지원 규모가 300억 원 이상인 일정한 신규 대규모 사업에 대해 예비타당성조사를 실시하도록 규정합니다.

따라서 1,000억·500억 원 기준은 정부가 제시한 개편 방향이라는 점과 현행 법률의 문언을 분리해 읽어야 합니다. 기준금액 변경은 관련 국가재정법 개정안의 국회 의결과 공포·시행 여부를 최종 확인해야 합니다.

예비타당성조사는 무엇을 판단하나

예비타당성조사는 대규모 신규 재정사업을 예산에 반영하기 전에 사업의 타당성과 우선순위를 객관적으로 검토하는 절차입니다. 단순히 공사비가 얼마인지 확인하는 절차가 아니라 수요, 비용과 편익, 정책 필요성, 지역균형 효과 등을 종합적으로 살펴봅니다.

흔히 예타를 B/C, 즉 비용편익비율 하나로 설명하지만 실제 판단은 그보다 복합적입니다.

경제성 분석: 투입 비용과 사회적 편익 비교
정책성 분석: 정책 필요성, 추진 여건과 사업의 특수성 검토
지역균형 분석: 지역 낙후도와 지역경제 파급효과 등 검토
종합평가: 여러 항목을 AHP 방식 등으로 종합

B/C가 1보다 높다는 것은 추정 편익이 비용보다 크다는 뜻이지만, 그것만으로 예산 편성과 사업 착수가 자동 확정되는 것은 아닙니다. 반대로 B/C가 낮아도 정책성과 지역균형 요소를 포함한 종합평가 결과는 달라질 수 있습니다.

2026년 개편에서 실제로 달라지는 부분

[사실] 정부의 2026년 개편 방향은 SOC 예타 대상 기준을 총사업비 1,000억 원, 국비 500억 원으로 높이고 정책성과 지역균형성장 평가를 강화하는 내용을 담고 있습니다.

KDI 공공투자관리센터는 개편된 정책성·지역균형 평가항목을 2026년 1월 이후 착수 사업에 적용하기 위한 가이드라인을 공개했습니다. 즉 평가항목과 분석 방법의 개편은 관련 지침을 통해 적용될 수 있지만, 법률에 직접 적힌 대상 기준금액의 변경은 법률 개정 여부를 별도로 봐야 합니다.

[분석] 기사 제목에서 “예타 개편 시행”이라고 표현하더라도 다음 두 질문을 나눠 확인하는 것이 정확합니다.

조사 대상이 되는 금액 기준 자체가 법률상 바뀌었는가?
예타를 수행할 때 적용하는 평가항목과 가중치가 바뀌었는가?

첫 번째는 국가재정법, 두 번째는 운용지침과 세부 가이드라인이 핵심 확인 자료입니다.

예타 면제는 ‘타당성 검토 불필요’가 아니다

국가재정법 제38조 제2항은 국가안보·보안이 필요한 국방사업, 재난복구와 긴급한 안전사업, 기존 시설의 단순 개량·유지보수 등 일정한 사업을 예타 대상에서 제외할 수 있도록 규정합니다.

그러나 예타 면제는 사업비가 공짜가 되거나 사업의 타당성이 자동으로 인정된다는 뜻이 아닙니다. 사업계획 적정성 검토, 총사업비 관리, 예산안에 대한 국회 심사, 감사와 결산 통제 등이 뒤따를 수 있습니다.

정치권이나 지방자치단체가 “예타 면제 추진”을 발표한 단계와 정부의 면제 절차가 완료된 단계도 구분해야 합니다.

타당성재조사는 예타와 어떻게 다른가

예비타당성조사는 원칙적으로 대규모 신규 사업의 예산 편성 전에 실시합니다. 반면 타당성재조사는 사업 추진 과정에서 총사업비가 크게 늘거나 수요·편익 등 중요한 조건이 달라졌을 때 사업의 타당성을 다시 점검하는 절차입니다.

따라서 이미 예타를 통과한 사업도 사업비 증가나 계획 변경이 크면 원래 결과만으로 계속 추진되는 것이 아닐 수 있습니다. 철도 노선, 역사 위치, 공사 규모와 개통 시기가 바뀐 경우에는 변경된 계획을 기준으로 재검토 여부를 확인해야 합니다.

지역 SOC 공약을 읽는 6가지 질문

선거공약이나 지역개발 발표에서 도로·철도 사업이 제시되면 다음 순서로 확인하면 됩니다.

국가사업인가, 지방자치단체 자체사업인가?
총사업비와 국비 부담액은 얼마인가?
예타 대상 선정, 조사 중, 통과, 면제 중 어느 단계인가?
기본계획·설계·착공 중 실제 현재 단계는 어디인가?
사업비 증가로 타당성재조사가 필요한가?
예산이 실제로 국회에서 확정됐는가?

“예타 신청”, “예타 대상 선정”, “예타 통과”, “예산 확보”, “착공”은 모두 다른 단계입니다. 특히 예타 통과는 사업 추진의 중요한 관문이지만, 즉시 착공이나 개통을 의미하지 않습니다.

결론

2026년 예비타당성조사 제도는 평가체계 개편과 대상 기준 상향 논의가 함께 진행되고 있습니다. 그러나 2026년 7월 22일 현재 국가재정법에 적힌 기본 대상 기준은 총사업비 500억 원 이상, 국가 재정지원 300억 원 이상입니다.

SOC 예타 기준을 1,000억·500억 원으로 상향하는 정책 방향이 발표됐더라도 실제 적용 여부는 법률 개정과 시행 시점을 확인해야 합니다. 반면 정책성·지역균형 평가 방식은 지침과 가이드라인을 통해 먼저 달라질 수 있습니다.

지역개발 사업의 현실성을 판단할 때는 ‘예타가 바뀐다’는 한 문장보다 현행법, 평가 지침, 개별 사업의 조사 단계와 확정 예산을 함께 확인하는 것이 정확합니다.

공식 출처

발행 전 확인 메모

법률상 기준금액은 자료 기준일 현재 현행법 기준으로 작성함.
향후 국가재정법 개정안이 공포되면 기준금액과 시행일을 업데이트할 것.
본문 속 예산·추경·예비비 차이 글과 내부링크 연결 권장.