Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-3431(Print)
ISSN : 2287-3341(Online)
Journal of the Korean Society of Marine Environment and Safety Vol.32 No.4 pp.721-732
DOI : https://doi.org/10.7837/kosomes.2026.32.4.721

Applicability and Institutional Challenges of AI Agent Technology for Supporting Marine Spatial Suitability Review

Sung-Jin Cho*†, Taekeon Hwang**
*Associate Research Fellow, Marine Policy Research Department, Korea Maritime Institute, Busan 49111, Korea
**Senior Researcher, Marine Policy Research Department, Korea Maritime Institute, Busan 49111, Korea
† Corresponding Author : sjcho@kmi.re.kr, 051-797-4748
July 15, 2026 August 19, 2026 August 28, 2026

Abstract


Marine spatial suitability review is an administrative procedure that examines, in advance, whether a marine use or development plan conforms to the marine spatial plan and whether the proposed site is appropriate. Because the procedure simultaneously requires statutory interpretation; review of consultation materials; spatial overlap analysis; examination of marine environment, fisheries, and navigation safety issues; and the drafting of supplementary opinions, it imposes a heavy workload and tends to produce variability among reviewers. This study structured the consultation workflow by analyzing the report components; reviewed items prescribed in the Marine Spatial Suitability Review Report Preparation Manual (2nd ed.); and examined the applicability of generative AI and AI agent technology to each stage. A conceptual framework equipped with a Sense–Think–Act cognitive loop and a multi-agent division of labor is proposed, and an application scenario for a hypothetical offshore wind farm project is presented to illustrate completeness checking, spatial overlap analysis, impact-relationship review, stakeholder perspective analysis, and the drafting of supplementary opinions. The results indicate that routine tasks such as document checking, legal retrieval, and spatial analysis have high automation feasibility, whereas the final judgment of suitability must remain within the domain of human experts. By limiting AI to a decision-support role and presenting institutional control principles such as explainability, accountability, data quality, and security, this study provides a basis for the responsible digital transformation of the marine spatial planning system.



해양공간적합성협의 지원을 위한 AI 에이전트의 활용 가능성과 제도적 과제

조성진*†, 황태건**
*한국해양수산개발원 해양연구본부 부연구위원
**한국해양수산개발원 해양연구본부 전문연구원

초록


해양공간적합성협의는 해양의 이용·개발 계획이 해양공간계획에 부합하는지와 그 입지가 적정한지를 사전에 검토하는 행정절차로서, 법령 해석, 협의자료 검토, 공간 중첩분석, 해양환경·어업·항행안전 측면의 쟁점 검토, 보완의견 작성이 동시에 요구된다. 이러한 복합성은 검토 업무의 부담을 가중시키고, 검토자에 따라 결과의 편차가 발생하기 쉽다. 본 연구는 관련 법령 및 매뉴얼이 규정한 보고서 구성요소와 검토항목을 분석하여 협의 업무를 구조화하고, AI(Artificial Intelligence) 에이전트 기술이 각 단계를 지원할 수 있는 가능성을 검토하였다. 이를 위해 감지–사고–행동(Sense–Think–Act) 인지 구조와 멀티 에이전트 분업 체계를 갖춘 개념 프레임워크를 제안하고, 가상의 해상풍력 발전사업을 대상으로 자료 완결성 점검, 공간 중첩분석, 영향관계 검토, 이해관계자 관점 분석, 보완의견 초안 작성의 단계별 적용 시나리오를 예시하였다. 분석 결과, 자료 점검·법령 검색·공간분석과 같은 정형 업무는 자동화 가능성이 높은 반면, 동의·부동의 최종 판단은 인간 전문가의 영역으로 유지되어야 함을 확인하였다. 본 연구는 AI의 역할을 의사결정지원 도구로 한정하고 설명가능성·책임성·데이터 품질·보안성 등 제도적 통제 원칙을 함께 제시함으로써, 해양공간계획 제도의 책임 있는 디지털 전환을 위한 기초 논의를 제공한다.



    1. 서 론

    1.1 연구 배경

    해양은 어업, 항만·항행, 해양에너지, 관광, 골재 채취, 해양보호 등 다양한 이용·개발 수요가 동일한 공간에 중첩되는 영역이다. 이러한 수요가 상충하면서 발생하는 갈등을 사전에 조정하고 한정된 해양공간을 합리적으로 배분하기 위하여, 우리나라는 2018년 「해양공간계획 및 관리에 관한 법률」(이하 해양공간계획법)을 제정하고 해양용도구역 지정과 해양공간계획 체계를 도입하였다(MOF, 2018). 해양공간적합성협의(이하 적합성협의)는 이 체계 안에서 개별 이용·개발 계획이 해양공간계획에 부합하는지와 입지가 적정한지를 사전에 검토하는 제도적 장치이다.

    적합성협의는 해양공간계획법 제15조에 근거하며, 협의 요청기관이 해양공간 이용·개발 계획을 관계 행정기관과 협의하기에 앞서 해양수산부장관과 협의하도록 규정한다. 협의 대상은 시행령 별표에 열거된 해양관광 단지, 석유·광물·골재 채취, 항만·어항 개발, 수자원·해양에너지 개발, 어장 개발 등 8개 범주의 계획·지구·구역이다. 해당 해양공간에 해양공간관리계획(이하 관리계획)이 미수립되었거나 해양용도구역이 미지정된 경우에도 적합성협의를 거쳐야 한다는 점에서, 적합성협의는 해양공간계획 제도의 실효성을 보장하는 절차로서의 성격을 가진다.

    그러나 적합성협의는 단일한 판단이 아니라 검토 요소가 결합된 복합적 과정이다. 적합성협의 담당자와 전문기관은 협의 대상 여부의 법적 판단, 제출자료의 완결성 점검, 해양공간계획 정책방향 및 해양용도구역 관리내용과의 부합성 검토, 사업구역과 용도구역·어업권·항로·보호구역·해저시설 간의 공간 중첩·인접성, 해양환경·어업·항행안전 측면의 입지 적정성, 이해관계자 쟁점, 그리고 이를 종합한 보완·검토의견 작성을 동시에 수행하여야 한다. 이러한 업무는 여러 법령·계획·공간정보·현황 자료를 함께 참조하므로 검토자의 전문성과 경험에 따라 결과의 편차가 나타날 수 있으며, 협의 건수가 늘어날수록 실무 부담도 커진다(MOF, 2023).

    1.2 문제의식

    적합성협의 보고서는 「해양공간적합성협의에 관한 업무처리규정」(MOF, 2019)과 「해양공간적합성협의 보고서 작성 매뉴얼(제2판)」(이하 매뉴얼)이 정한 구성요소에 따라 작성된다. 이 매뉴얼은 보고서 본문을 요약문, 계획의 개요, 대상해양공간 범위 설정 및 개황, 해양공간계획 정책방향과의 부합성, 해양용도구역 및 관리내용과의 부합성, 계획공간 및 주변 환경의 여건과 입지의 적절성, 미래 수요 및 환경변화를 고려한 지속가능성, 종합검토의 단계로 규정한다. 아울러 항목마다 활용 자료의 최신성(통계 5년, 해양공간특성평가 자료 3년, 생태·환경 자료 5년 이내 등)과 출처의 명확성, 영향관계 분석의 충실성을 요구한다. 이처럼 보고서 작성은 정형화된 구조와 명확한 자료 기준을 갖추고 있어, 규칙 기반 점검과 근거 탐색이 반복적으로 요구되는 업무 영역이 대부분을 차지한다.

    한편, 최근 생성형 인공지능(generative AI)과 이를 자율적 작업 수행 주체로 확장한 AI 에이전트(AI agent) 기술은 단순 질의응답을 넘어 문서·공간정보·이해관계자 관점을 통합적으로 분석하고, 여러 검토 단계를 스스로 연계해 복합적인 업무를 보조할 수 있다(Janowicz et al., 2020). 특히 검색증강생성(Retrieval-Augmented Generation, RAG)은 방대한 법령·규정·협의사례에서 근거를 탐색하여 출처와 함께 제시할 수 있고, GeoAI(Geospatial Artificial Intelligence) 및 자율형 지리정보 에이전트는 공간정보 처리와 중첩분석을 자동화할 수 있다(Li and Ning, 2023;Cho et al., 2026). 이러한 기술적 진전은 적합성협의의 정형 업무를 자동화해 업무 부담을 줄이고 검토의 일관성을 높이는 데 기여할 수 있다.

    다만 적합성협의는 본질적으로 행정판단이 수반되는 절차로 협의의 동의·부동의 여부는 다양한 가치의 형량과 공익적 판단을 요구하며, 그 책임은 행정기관과 전문기관에 귀속된다. 따라서 AI(Artificial Intelligence)를 협의 업무에 도입할 때에는 AI를 최종 판단자가 아니라 담당자 및 전문기관의 검토를 지원하는 보조도구로 명확히 한정하여야 하며, 설명가능성(explainability), 책임성(accountability), 데이터 품질, 보안성, 인간 개입(human-in-the-loop) 등 제도적 통제 원칙이 함께 설계되어야 한다(Wirtz et al., 2019).

    1.3 연구 목적 및 연구질문

    본 연구는 적합성협의 업무를 매뉴얼의 검토 항목에 따라 세분화하고, 각 업무에서 AI 에이전트가 담당할 기능과 그 한계를 검토한다. 이를 바탕으로 적합성협의 지원을 위한 개념적 프레임워크를 구성하고, 실제 도입에 앞서 검토해야 할 기술적·제도적 조건을 제안한다. 본 연구는 실증 시스템의 구현이나 성능 평가를 목표로 하지 않으며, 문헌분석에 기반한 탐색적·개념적 연구로서 개념 프레임워크를 제안하고 이를 가상 시나리오에 적용하여 타당성과 한계를 검토한다. 이를 위해 다음 세 가지 연구 질문을 설정한다.

    • 적합성협의 보고서의 구성요소와 검토항목을 기준으로 AI 에이전트가 지원할 수 있는 핵심 업무는 무엇인가.

    • 법령·계획·공간정보·협의자료를 연계 검토하는 AI 에이전트 프레임워크는 어떤 구성요소와 동작 원리, 분업 체계로 설계되는가.

    • AI 에이전트를 해양공간 의사결정에 적용할 때 요구되는 기술적·제도적 고려사항은 무엇인가.

    본 연구가 실증시스템의 구현보다 업무 구조화와 적용 시나리오의 검토에 초점을 둔 이유는 다음과 같다. 첫째, 적합성협의는 비교적 최근에 정착된 행정절차로서 AI 적용에 관한 선행 논의가 축적되어 있지 않으므로, 구현에 앞서 업무를 단위 작업으로 분해하고 AI의 역할을 규정하는 개념화 작업이 선행될 필요가 있다. 둘째, 협의 자료에는 사업자의 입지정보와 협의 검토내용 등 민감정보가 포함되어 데이터 기반 실증에는 제약이 따르므로, 업무 매뉴얼이라는 공개된 제도 문서를 분석 대상으로 삼아 업무 구조와 적용 가능성을 검토하는 접근이 현실적 대안이다. 셋째, 매뉴얼은 보고서 구성요소·검토항목·자료 기준을 명시적으로 규정하고 있어, 이를 기준으로 한 업무 분해와 시나리오 검토는 임의적 가정에 의존하지 않고 제도적 근거 위에서 수행될 수 있다.

    이하 본 논문의 구성은 다음과 같다. 2장은 제도·기술·책임성에 관한 이론적 배경 및 선행연구를 검토한다. 3장은 적합성협의 제도를 분석하여 업무를 구조화한 뒤 AI 적용 가능 업무를 도출한다. 4장은 AI 에이전트 프레임워크를 제안하고, 이어서 5장은 가상의 해상풍력 발전사업을 대상으로 활용 시나리오를 적용한다. 6장은 기술적·제도적 고려사항을 논의하며, 7장은 결론과 향후 과제를 제시한다.

    2. 이론적 배경 및 선행연구

    2.1 해양공간적합성협의 제도

    적합성협의는 해양공간계획 체계 내에서 개별 이용·개발 계획의 입지 적정성을 사전에 조정하는 제도적 장치이다. 협의 요청시기는 협의 대상계획을 관련법에 따라 관계 행정기관과 협의하기 전이며, 관련법에 따른 해역이용협의·해역이용영향평가 대상인 경우는 관련 협의 요청 전에 적합성협의를 요청한다. 공유수면 매립을 수반하지 않거나 상위 또는 관련 계획의 주된 내용이 변경되지 않는 경우 등은 협의 대상에서 제외될 수 있으며, 대상 제외 여부는 협의요청서를 통해 해양수산부장관에게 확인을 요청할 수 있다.

    적합성협의에 관한 기존 연구는 제도의 법적 성격, 운영 현황, 해양공간계획 체계의 관계를 중심으로 이루어졌다(Choi et al., 2021). 반면 협의 보고서의 작성과 검토 과정 자체를 업무 관점에서 구조화하고 이를 정보기술로 보조하는 방안을 다룬 연구는 제한적이다. 특히 매뉴얼이 규정한 보고서 구성요소와 검토항목을 단위 작업으로 분해하여 자동화 가능성을 분석한 연구는 찾아보기 어렵다.

    2.2 해양공간계획 의사결정지원 기술

    해양공간계획 분야에서는 지리정보시스템(GIS) 기반 공간중첩 분석과 의사결정지원도구(decision support tool)가 입지 평가, 해양활동 간 상충 분석, 누적영향 평가 등에 활용되어 왔다(Pinarbasi et al., 2017). 또한 행위자기반 모델링(agent-based modeling)과 마이크로시뮬레이션은 어업·항행 등 다수 행위자의 상호작용과 공간 이용 변화를 모사하여 정책 시나리오를 비교하는 데 사용되어 왔다(Ko et al., 2024). 이러한 기법은 정량적 공간분석에 강점을 가지지만, 법령·규정·협의사례와 같은 비정형 문서의 해석과 연계하는 데에는 한계가 있다. 다만 해양수산 분야에서도 법령·정책 문헌을 대상으로 텍스트 마이닝을 적용하여 비정형 법률 텍스트를 구조화하려는 시도가 이루어진 바 있다(Hwang et al., 2022).

    최근 대규모 언어모델(Large Language Model, LLM)에 기반한 검색증강생성(RAG)이 비정형 문서로부터 근거를 검색·요약하고 출처와 함께 제시하는 방식으로 발전하고 있으며, GeoAI 및 자율형 지리정보 에이전트(autonomous GIS)는 공간 질의와 분석 작업을 자연어 지시에 따라 자동으로 수행하는 단계로 나아가고 있다(Li and Ning, 2023;Park et al., 2025;Cho et al., 2026). 이러한 최신 기술은 문서 해석과 공간분석을 단일 작업 흐름으로 통합할 가능성을 제시하며, 법령 해석과 공간분석이 결합된 적합성협의 업무에 시사하는 바가 크다.

    이상의 선행 연구를 종합하면, 기존 접근법과 본 연구가 제안하는 AI 에이전트 프레임워크 사이에는 다음과 같은 차별점이 존재한다. 첫째, 비정형 문서 처리 측면에서 GIS 기반 의사결정지원도구와 규칙 기반 전문가 시스템(rule-based expert system)은 정형화된 공간 데이터와 사전 정의된 규칙에 의존하여 법령·계획·협의사례와 같은 비정형 텍스트를 직접 해석하는 데 한계가 있다. 반면 AI 에이전트는 RAG를 통해 비정형 텍스트로부터 근거를 검색·요약하고, 이를 공간분석 결과와 통합해 처리할 수 있다. 둘째, 작업 자율성 측면에서 규칙기반 시스템은 사전에 정의된 조건-행동 규칙을 순차적으로 실행하는 반면, AI 에이전트는 입력 상황에 따라 필요한 분석 도구를 선택하고 실행 순서를 자율적으로 결정할 수 있다. 셋째, 복합업무 연계 측면에서 GeoAI는 공간 질의와 분석에 특화되어 있으나 법령 해석이나 이해관계자 분석과의 연계는 별도 설계가 필요하다. 본 연구의 멀티 에이전트 프레임워크는 법령 검토·자료 점검·공간 분석·이해관계자 분석·보완의견 작성을 단일 워크플로우 내에서 전담 에이전트 간 분업과 조정을 통해 연계한다는 점에서 기존 접근법을 확장한다.

    2.3 AI 에이전트의 개념

    AI 에이전트는 환경을 인식하고 목표에 따라 추론하며 행동을 수행하는 자율적 주체로 정의된다(Li and Ning, 2023). 단순 질의응답형 챗봇이나 사전에 고정된 정적 워크플로우와 달리, AI 에이전트는 상황을 감지해 다음 행동을 스스로 추론하고, 외부 도구를 호출하여 실제 작업을 수행한다는 점에서 이들과 구별된다. 추론과 행동을 교대로 수행하는 ReAct(Reasoning and Acting) 방식은 LLM이 도구 호출과 추론을 결합하여 다단계 과업을 처리하도록 하며, 복수의 전담 에이전트가 협업하는 멀티 에이전트 구조는 과업을 모듈화하여 신뢰성과 효율성을 높인다. 본 연구는 멀티 에이전트 구조를 적합성협의 검토 과정에 적용한다.

    AI 에이전트의 기술적 구조를 구체적으로 살펴보면, 핵심 추론 엔진인 LLM은 자연어 입력을 해석하고 검토 논리를 구성하며 도구 호출 여부를 결정한다. 본 연구는 특정 모델에 종속되지 않는 개념 프레임워크를 제안하지만, 실제 적용 시에는 한국어 법률 텍스트 처리 성능, 도구 호출(function calling) 지원 여부, 법령·계획·협의자료를 동시에 참조할 수 있는 컨텍스트 윈도우가 모델 선정의 주요 기준이 된다.

    RAG는 법령·업무처리규정·매뉴얼·협의사례를 의미 단위로 분할하여 벡터 임베딩으로 변환·저장하고, 검토 질의 시 유사도 검색으로 관련 문서를 추출해 LLM 컨텍스트에 삽입하여 출처 기반 응답을 생성하는 구조이다. 도구 호출은 LLM이 추론 과정에서 GIS API·문서점검 모듈 등 외부 도구를 선택적으로 실행하는 기능으로, ReAct 방식과 결합해 추론-도구 호출-결과 반영의 루프를 형성한다(Yao et al., 2022). 메모리는 현재 검토 세션의 맥락을 유지하는 단기 메모리와 RAG 지식기반으로 기능하는 장기 메모리로 구분된다.

    이러한 구조에서 AI 에이전트가 단순 질의응답형 LLM과 구별되는 핵심은, 입력 상황을 스스로 인식하고 도구를 선택·실행하며 그 결과를 검증하는 자율적 작업 루프를 갖추고 있다는 점이다(Yang et al., 2026).

    2.4 공공부문 AI의 책임성

    공공 행정에 AI를 도입할 때는 효율성뿐만 아니라 정당성과 책임성이 핵심 쟁점이 된다. 선행연구는 공공부문 AI 활용의 전제 조건으로 설명가능성, 감시 가능성(auditability), 투명성, 인간 개입(human-in-the-loop)을 제시한다(Wirtz et al., 2019). AI 산출물은 최종 결정이 아니라 인간 검토의 대상으로 한정되어야 하며, 데이터 품질 관리, 오류 정정 절차, 책임소재의 명확화가 함께 마련되어야 한다. 해사 분야에서도 자율운항선박과 같이 자율화 기술의 도입 국면에서 사고 시 책임 귀속 주체를 둘러싼 법적 쟁점이 제기되어 왔다(Chun and Park, 2021). 본 연구는 이러한 원칙을 프레임워크의 검증·통제 계층과 운영 원칙에 반영한다.

    3. 적합성협의 업무 분석 및 업무 구조화

    본 연구는 매뉴얼을 근거로 적합성협의의 절차·검토항목·보고서 구성을 분석하여 업무를 구조화하고, 각 단계에서 AI 에이전트가 지원할 수 있는 업무를 도출한다. 이는 프레임워크 설계와 적용 시나리오에 대한 직접적 근거가 된다.

    세부 분석은 다음 절차를 따른다. 첫째, 분석 대상 자료는 해양공간계획법 및 하위법령, 그리고 「해양공간적합성협의에 관한 업무처리규정」 및 「해양공간적합성협의 보고서 작성 매뉴얼(제2판)」을 핵심 자료로 하고, 해양공간계획 의사결정 지원과 공공부문 AI에 관한 선행연구를 보조 자료로 참고한다. 매뉴얼을 핵심 분석 대상으로 둔 이유는, 보고서 구성요소와 항목별 검토사항, 활용 자료의 최신성·출처 기준을 명시적으로 규정하여 업무 분해의 객관적 기준이 되기 때문이다. 업무 분해는 매뉴얼이 규정한 보고서 본문의 8개 구성요소를 상위 단위로 두고, 각 구성요소가 요구하는 검토사항을 세부 검토 행위로 분해한 뒤, 그 결과를 검토 결과물을 기준으로 단위 작업으로 재집계하는 방식으로 수행한다. 이어서 각 단위 작업은 자동화 가능성과 행정판단 위험의 두 기준으로 평가한다.

    우선 자동화 가능성은 세 가지 하위 기준으로 판단한다. 첫째, 입력자료의 정형성으로 작업에 사용되는 자료가 좌표·수치·서식 등 정형화된 형식인지, 또는 사례별 해석이 필요한 비정형 텍스트인지를 구분한다. 둘째, 판단 규칙의 명시성으로 매뉴얼·법령이 검토 기준을 조건-결과 형태로 명시하고 있어 규칙 기반 처리가 가능한지를 판단한다. 셋째, 반복성으로 동일한 점검 절차가 협의 건마다 반복되는 정도를 고려한다. 세 기준을 종합하여 자동화 가능성이 높음 또는 낮음으로 구분한다.

    다음으로 행정판단 위험도 세 가지 하위 기준으로 판단한다. 첫째, 재량적 판단의 수반 여부로 작업 결과가 정량적 사실 확인에 그치는지, 또는 가치 형량이나 정책적 판단을 포함하는지를 구분한다. 둘째, 법적 책임의 귀속 여부로 작업 결과에 대한 법적·행정적 책임이 행정기관 또는 전문기관에 직접 귀속되는지를 판단한다. 셋째, 이해관계 조정의 필요성으로 복수의 상충하는 공익 간 형량이나 이해관계자 간 조정이 수반되는지를 고려한다. 세 기준을 종합하여 행정판단 위험이 높음 또는 낮음으로 구분한다.

    이 평가는 매뉴얼이 규정한 각 검토 항목의 성격에 근거하여 저자가 정성적으로 수행하였으며, 두 기준의 높음-낮음 조합을 2×2 매트릭스로 구성하여 업무별 AI 활용 수준을 네 유형으로 구분하였다(Fig. 4 참조). 따라서 본 분류는 자동화 가능성이나 행정판단 위험을 객관적으로 측정하거나 실증적으로 검증한 결과가 아니라, 적합성협의 업무의 특성에 기초한 탐색적 분류로 해석할 필요가 있다.

    3.1 협의 절차와 검토주체

    적합성협의의 기본 절차는 요청기관의 협의 요청, 적합성 여부 검토·통보, 협의내용에 대한 조치계획 또는 조치결과 통보로 이루어진다. 1차 검토는 법 제20조에 따른 해양공간계획평가 전문기관이 20일 이내에 수행하며, 해양수산부가 해양공간계획과의 부합 여부와 입지 적정성을 검토하여 적합성 여부에 대한 의견(동의·부동의)을 통보한다.

    해양수산부장관은 제출된 적합성 검토결과의 내용이 누락되거나 현저히 미흡한 경우 반려 또는 내용 보완을 요구할 수 있으며, 필요시 현지 실사를 시행한다. 종합적 해양공간특성 검토의 누락·미흡, 중요한 보고서 기재사항의 누락, 최적입지 대안 검토의 부적정, 작성방법 미준수 등은 보완 사유에 해당한다. 또한 보완기간(30일) 미준수, 입지적절성 검토가 사실과 크게 다른 경우, 부적절한 기초자료·예측기법 활용, 상충성 누락, 공유수면 불법이용 확인 등은 반려 사유에 해당한다. 중점 검토대상이거나 전문기관의 쟁점사항이 있는 경우에는 해양공간 적합성 검토협의회를 구성·운영하며, 환경·생태·자원·해상교통·안전·수산·관광 등 영역의 자문위원을 활용한다.

    매뉴얼은 이러한 검토를 위한 핵심 검토항목을 정책방향 부합성, 해양공간특성, 관리내용 부합성, 입지의 적절성의 네 가지로 제시한다(Table 1). 이들 항목은 본 연구가 업무를 구조화하고 AI 지원 가능 업무를 도출하는 기준이 된다.

    3.2 보고서 구성요소의 분해

    매뉴얼은 보고서 본문을 8개 구성요소로 규정하며, 각 구성요소는 세부 검토 행위로 분해한다. 예컨대 대상해양공간 개황은 어항구역 현황, 인문·사회·경제 환경, 해양물리·수질·생태, 이용·개발 계획, 타 법률에 따른 관리현황의 기술로 구성되고, 입지 적절성은 다른 활동과의 영향관계 분석, 생태·환경 영향과 저감방안, 물리적 변화 검토로 구성된다. 각 세부 업무는 자료 형식과 판단 방식에 따라 정형·비정형 업무와 규칙 기반·판단 기반 업무로 분류하였다. 이 분류를 AI 적용 가능성을 평가하는 기준으로 사용하였다.

    3.3 AI 적용 가능 업무 도출

    위 결과를 토대로 각 보고서 구성요소에서 AI 에이전트가 지원할 수 있는 업무를 도출하였다(Table 2). 다만 AI 에이전트는 협의의 동의·부동의 여부를 자동으로 결정하는 수단으로 설계하지 않는다. AI의 역할은 협의자료 검토, 쟁점 도출, 근거 검색, 보완의견 초안 작성 등 담당자·전문기관의 판단을 지원하는 보조 기능으로 한정되며, 다음 다섯 가지 업무 단위로 구분된다.

    • 법령·고시 기반 협의 대상 여부 검토, 제출서류·위치도·좌표·첨부자료의 누락 확인.

    • RAG 기반 법령·업무처리규정·해양공간관리계획 검색·요약.

    • 해양용도구역·보호구역·어업권·항로·항만·해저시설 등과의 중첩·인접성 분석.

    • AI 페르소나 기반 어업인·사업자·지자체·환경단체 등의 쟁점·수용조건 탐색.

    • 검토 결과를 바탕으로 담당자용 보완의견·검토의견 초안 생성.

    4. AI 에이전트 프레임워크

    본 연구에서는 앞서 도출한 업무를 수행하기 위한 AI 에이전트 프레임워크를 제안한다. 제안한 프레임워크는 질의응답형 챗봇이나 정적 워크플로우와 달리, 입력자료의 상태를 확인하고 필요한 분석도구를 선택해 검토 결과를 생성하는 업무지원 구조이다. 이를 위해 에이전트의 핵심 구성요소와 인지 동작 원리, 업무 계층 구조, 멀티 에이전트 분업 체계, 운영 원칙을 순서대로 제시한다. 프레임워크의 전체 처리 흐름은 입력자료, 지식·데이터 기반, AI 분석 모듈, 검증·통제, 산출물의 다섯 단계로 구성되며, 그 개요는 Fig. 1과 같다. 입력자료 단계는 신청서류·입지도면·영향평가 자료를 인식하고, 지식·데이터 기반 단계는 법령·계획·공간데이터·과거 협의사례를 제공한다. AI 분석 모듈은 협의대상 여부 판단, 완결성 점검, 법령·계획 검토, 공간 중첩분석, 이해관계자 관점 분석, 보완의견 초안 생성을 수행한다. 이어서 검증·통제 단계는 출처 표시, 결과 검증, 감사 로그 기록을 거쳐 인간 검토 단계로 연결되며, 최종적으로 사전검토 체크리스트, 쟁점 분석보고서, 보완요청 및 협의의견 초안을 산출한다. 그림 하단의 피드백·갱신 경로는 담당자가 확정한 검토 결과를 지식 기반에 반영하여 후속 검토의 일관성을 높이는 구조이다.

    4.1 핵심 구성요소

    본 연구에서는 AI 에이전트의 기능을 두뇌(추론), 기억(지식 저장·검색), 감각(입력자료 인식), 도구(분석도구 실행)의 네 요소로 구분하였다(Table 3). 두뇌는 LLM 기반 추론 엔진으로 법령·계획 해석, 쟁점 추론, 보완의견의 논리 구성을 담당한다. 기억은 메모리와 벡터 데이터베이스로서 법령·업무처리규정·기존 협의사례를 RAG 지식기반으로 축적·검색한다. 다음으로 감각은 협의 요청서·사업계획서·좌표·도면 등 외부 입력자료를 인식하며, 도구는 GIS 공간분석 호출, 자료 점검, 산출물 생성 등 실제 작업을 수행하는 액추에이터 역할을 한다.

    4.2 인지 동작 원리(Sense–Think–Act)

    AI 에이전트는 감지(Sense), 사고(Think), 행동(Act)의 인지 루프를 반복하며 검토 업무를 수행한다. 감지 단계에서는 협의자료의 접수, 자료 변경, 누락 항목 등 입력과 상황을 인식한다. 사고 단계에서는 두뇌(LLM)와 기억(RAG)을 활용하여 법령 부합성, 공간 쟁점, 입지 적정성을 평가하고 다음 행동을 추론하는데, 이때 추론과 도구 호출을 교대로 수행하는 ReAct 방식을 적용한다. 행동 단계에서는 GIS 분석도구와 문서점검 모듈을 실행하고, 그 결과를 점검표나 보완의견 초안의 형태로 출력한다. 이 루프는 검토가 완결될 때까지 반복되며, 각 단계의 입력·추론·행동은 로그로 기록되어 사후 추적이 가능하다.

    4.3 업무 계층 구조

    본 연구에서 제안하는 프레임워크는 입력자료(감각), 지식 기반(기억), 공간정보 기반, AI 에이전트(두뇌·도구), 검증·통제 체계의 다섯 계층으로 구성된다(Table 4). 입력자료 계층은 협의 요청서·사업계획서·위치도·좌표·도면·환경·어업·항행안전 검토자료를 포함한다. 지식 기반 계층은 해양공간계획법·시행령·시행규칙·업무처리규정·해양공간관리계획·기존 협의사례·보고서 작성 매뉴얼을 포함한다. 공간정보 기반 계층은 해양용도구역·해양보호구역·어업권·항로·항만구역·해저시설·해양환경·안전 자료를 포함한다. AI 에이전트 계층은 RAG 기반 검토, 완결성 점검, 공간 중첩분석, 이해관계자 관점 분석, 초안 작성을 수행하고, 검증·통제 계층은 출처 표시, 근거 확인, 공간분석 결과 검증, 담당자·전문기관 검토, 로그 관리, 인간 개입을 담당한다.

    4.4 멀티 에이전트 분업 구조

    적합성협의 업무의 신뢰성과 검토 일관성을 높이기 위하여 단일 에이전트에 모든 업무를 부여하지 않고 기능별 전담 에이전트로 모듈화한다. 조정 에이전트(Manager)가 작업 계획, 워크플로우 통제, 결과 병합, 갈등 조정, 품질 관리를 담당하며, 전담 에이전트인 법령검토·자료점검·공간분석·이해관계자분석·보완의견 작성 에이전트가 각 단계를 수행한다. Fig. 2에서 보듯이 전담 에이전트는 지식 기반·공간데이터·분석도구 등의 외부 리소스를 도구로 호출하여 각자의 담당 업무를 수행하며, 모든 산출물은 검토·통제 계층(Review & Control Layer)을 거쳐 출처 표시·결과 검증·인간 검토를 받는다. 기능별 모듈을 분리하면 오류가 발생한 단계와 사용된 자료를 확인하기에 용이하며, 해당 단계만 수정하거나 재실행할 수 있는 이점이 있다. 이는 검토 과정의 추적 가능성을 높이는 데 유리하며, 전담 에이전트별로 사용할 수 있는 자료와 분석도구의 범위를 제한하여 담당 기능을 벗어난 해석이나 불필요한 도구 실행을 줄일 수 있다.

    4.5 설계 방법 및 운영 원칙

    프레임워크의 설계는 다음 접근방식을 따른다. 첫째, 적합성협의 법령·업무처리규정 분석을 통해 협의 절차와 검토항목을 구조화하고, 업무 단계별로 AI 지원 가능 기능을 매핑한다. 둘째, 법령·계획·협의사례는 RAG 기반 지식검색 체계로, 사업구역과 공간정보는 GIS 기반 중첩·인접성 분석 체계로 구성한다. 셋째, 이해관계자 쟁점은 AI 페르소나 기반 사전 스크리닝 방식으로 검토한다(Hwang and Cho, 2026).

    운영 원칙은 첫째, 가드레일 원칙으로 시스템 프롬프트를 통해 에이전트가 해야 할 일과 하지 말아야 할 일을 구체적으로 명시한다. 둘째, 도구 접근 최소화 원칙으로 각 단계에 필요한 도구(API)만을 제공하여 오류와 과잉 해석을 예방한다. 셋째, 출력 표준화 원칙으로 사전검토표, 쟁점분석표, 보완의견 초안 등 산출물을 매뉴얼 양식에 맞춘 서식으로 표준화하여 일관성과 효율성을 확보한다. 이 원칙에 따라 생성된 모든 산출물은 최종 행정판단이 아닌 담당자 및 전문기관의 의사결정지원 자료로 활용된다.

    5. 적용 시나리오: 가상 해상풍력 발전사업

    5.1 목적 및 설정

    본 연구에서 제안한 프레임워크를 가상 사례에 적용하여 실제 적합성협의 검토 흐름에서의 작동 방식과 적용 가능성 및 한계를 검토한다. 적용 사례로는 해상풍력 발전사업을 설정하였다. 해상풍력 사업은 해양용도구역과의 부합성뿐 아니라 어업활동, 해양환경, 항행안전 등 항목을 동시에 검토하므로, 프레임워크의 업무 분담 구조를 살펴보기에 적절하다(Lee et al., 2020;Hwang et al., 2026). 본 연구에서 사례분석의 모든 수치·좌표·기관명은 예시를 위한 가상의 값으로서 실제 사업을 지칭하지 않으며, 민감정보 노출을 방지하기 위해 구성되었다. 또한 본 시나리오는 실증 결과가 아니라 프레임워크의 개념 타당성을 확인하는 절차적 예시임을 전제로 한다.

    본 시나리오에서 제시되는 자료 누락 건수, 용도구역 중첩율, 인접거리 등의 수치는 분석의 결론이 아니라 각 단계 에이전트가 어떤 입력을 받아 어떤 판단으로 연결하는지를 보이기 위한 예시 값이다. 따라서 분석대상은 개별 수치의 정확성이 아니라, 입력자료가 자료점검, 쟁점분석, 보완의견 작성으로 이어지는 처리 과정이다.

    사례 사업은 총 400 MW 규모(8 MW급 해상풍력터빈 50기)로, 사업구역 면적은 약 62 km2, 내부 집전 해저케이블은 약 70 km, 외부 송전을 위한 송전선로는 약 45 km이다. 절차상으로 적합성협의를 거친 후 환경영향평가 등을 수행하고, 이를 바탕으로 전원개발사업 실시계획이 승인되는 흐름이다. 대상 해양공간의 범위는 사업구역 외곽선에서 2km로 설정하였으며, 이는 해상풍력 시행에 따른 해양환경 변화와 영향이 예상되는 범위를 고려한 것이다(Lee et al., 2020).

    5.2 검토 절차

    에이전트는 감지–사고–행동 흐름에 따라 매뉴얼 보고서 구성요소에 대응하는 7단계로 사전검토를 수행한다. 각 단계는 담당 전담 에이전트가 수행하며, 마지막 단계에서 담당자와 전문기관이 산출물을 검토·수정하고 최종 협의의견을 책임지고 확정한다. Fig. 3에서 보듯이 1단계부터 7단계까지의 처리 결과는 모두 하단의 인간 검토·최종 결정(Human Review & Final Decision) 단계로 환류되어, AI 산출물이 그 자체로 최종 결정이 되지 않도록 통제된다.

    5.3 자료 완결성 점검

    자료점검 에이전트는 매뉴얼 검토사항의 기본요건을 체크리스트로 변환하여 제출자료의 누락과 축척 불일치 등을 식별하고 보완의견 초안을 작성한다(Table 5). 가상 점검 결과, 사업구역 좌표와 항행안전 검토자료는 요건을 충족하였으나, 해양용도구역 중첩도는 축척이 권장 기준에 미달하고 어업 영향자료는 조업실적 일부 연도가 누락되어 보완이 필요한 것으로 식별되었다. 또한 예시 사업은 「해사안전법」 제15조에 따른 해상교통안전진단 대상이라는 가정에 따라, 진단 진행상황의 기술 필요성을 자료점검 에이전트가 제시하는 것으로 설정하였다.

    5.4 부합성 및 공간 중첩분석

    공간분석 에이전트는 사업구역을 관리계획의 해양용도구역 레이어와 중첩하여 용도구역별 관리방향·중첩활동 관리·해역별 관리에 부합하는지를 정성적으로 판단한다(Table 6). 가상 분석 결과, 사업구역은 에너지개발구역과 약 41% 중첩하여 해당 구역의 핵심 활동인 해상풍력에 직접 부합하는 반면, 어업활동보호구역과 약 18% 중첩하여 이격·저감·보상 등 공존 가능성에 대한 정성 검토가 필요한 것으로 나타났다. 항만·항행구역에는 직접 중첩하지 않으나 약 1.2 km 거리로 인접하여 통항안전 영향 검토로 연계된다. 요약하자면 협의 대상 계획이 에너지개발구역의 핵심 활동에 해당하므로, 매뉴얼 별표 비고의 생략 규칙에 따라 해양용도구역 부합성 일부 항목의 작성을 생략할 수 있음을 에이전트가 자동으로 표시한다.

    5.5 입지 적절성: 영향관계 분석

    이해관계자·공간분석 에이전트는 매뉴얼의 다른 활동과의 영향관계 항목 중 본 사업과 관련된 어업·항행·연구교육·에너지를 선택하여 현황과 영향관계를 검토하고, 상충 여부 및 저감방안에 근거한 입지 적절성을 제시한다. 매뉴얼 기준에 따라 에너지 자원 부존량 기초자료는 보고서 제출시점 기준 3년 이내, 어업 조업실적은 최소 5년 이상의 자료를 활용하도록 하였다. 통항안전 영향은 항행구역, 통항 흐름, 송전선로, 해양사고 밀집도를 고려하여 검토하며, 통항밀집도는 GICOMS 자료를 이용한 1년 이상의 실제 항적을 기반으로, 해양사고밀집도는 중앙해양안전심판원의 10년 해양사고 데이터베이스를 기반으로 산정한다.

    물리적 변화는 해상 구조물 설치에 따른 해수유동, 침·퇴적양상, 부유사 확산을 해수유동실험·수치모형실험으로 검토하며(가상 결과: 부유사 영향 반경 약 1.5 km, 침·퇴적 변화 경미), 그에 따른 영향 여부를 기술한다. 생태·환경 영향은 타 법률에 따른 환경영향평가 조사 결과를 개괄적으로 인용하되, 협의와 관련된 주요 항목인 보호대상해양생물과 서식지에 한정하여 기술하고 저감방안을 제시한다. 매뉴얼이 정한 바와 같이 생태·환경적 영향의 검토 시점은 계획 수립 단계가 아니라 개발행위 착수 이후로 설정한다.

    이해관계자 관점 분석에서는 AI 페르소나 기반 사전 스크리닝을 통해 이해관계자별로 제기될 가능성이 있는 쟁점과 대응 필요사항을 탐색한다(Hwang and Cho, 2026). 어업인·어촌계는 조업구역 축소와 어획 감소, 케이블 매설 구간 통항을 쟁점으로 제기하며 이격거리, 공사시기 조정, 어업피해 모니터링을 수용조건으로 제시한다. 환경단체는 보호대상생물과 서식지, 누적영향을 쟁점으로 제기한다. 다만 AI 페르소나를 통해 도출된 쟁점은 실제 이해관계자의 의견이나 사회적 수용성을 대표하는 결과가 아니며, 협의 과정에서 검토가 필요한 잠재적 쟁점을 사전에 탐색하기 위한 보조자료로 한정된다. 따라서 실제 적용 시에는 주민 의견수렴 및 이해관계자 조사 결과와 비교하여 AI 페르소나가 제시한 쟁점의 타당성을 검증할 필요가 있다.

    5.6 종합검토 초안 및 적용 평가

    보완의견 작성 에이전트는 위 단계의 결과를 종합하여 검토의견 초안을 생성하며, 그 형태는 다음과 같이 예시된다. 다만, 이때 도출되는 의견의 구체적 내용은 가상의 입력에 따른 것으로, 실제 협의 결과를 의미하지 않는다. 예시의 계획은 에너지개발구역의 핵심활동에 부합하나, 어업활동보호구역과의 중첩 및 통항분리수역 인접으로 인하여 어업 이격·보상, 해상교통안전진단 결과를 반영한 터빈 배열과 통항안전 확보, 보호대상생물 이동경로 회피 및 부유사 저감이 전제될 경우 입지 적정성이 인정될 수 있다는 형태의 조건부 의견으로 정리된다. 자료 측면에서는 어업 조업실적의 일부 연도 누락과 용도구역 중첩도의 축척 불일치에 대한 보완이 필요함을 함께 기술한다. 이 결과는 부합성 검토, 상충요인 분석, 보완사항이 최종 검토의견에 어떻게 반영되는지를 나타낸다.

    가상 시나리오에서 제안한 AI 에이전트의 적용 가능성은 검토 완결성, 근거 추적성, 업무 효율성, 역할 적절성의 네 기준을 중심으로 예시적으로 검토하였다(Table 7). 검토 완결성 측면에서는 자료 누락 2건과 축척 불일치 1건을 식별하는 상황을 설정하였으며, 근거 추적성 측면에서는 각 검토 결과에 법령·계획·공간자료의 출처가 연결되도록 구성하였다. 다만 이러한 내용은 실제 시스템 실행을 통해 확인된 성능이 아니라, 제안한 프레임워크의 업무 흐름과 기대 기능을 설명하기 위한 가상 시나리오상의 예시이다.

    6. 토 론

    6.1 AI 적용 가능성과 행정판단 위험

    적합성협의 업무를 자동화 가능성과 행정판단 위험에 따라 분류하고, 유형별로 AI의 관여 수준을 달리 설정하였다. Fig. 4에서 가로축에 자동화 가능성을, 세로축에 행정판단 위험을 각각 설정해 적합성협의 업무를 네 영역으로 구분한다. 자료 완결성 점검, 법령 검색·요약, 공간 중첩분석, 좌표 검증은 자동화 가능성이 높고 판단 위험이 낮아 AI 자동화에 적합하다(영역I). 부합성 평가, 보완의견 초안 작성, 쟁점 스크리닝은 자동화 가능성은 높으나 판단 위험이 커 AI 보조와 인간 검토가 병행되어야 한다(영역II). 이해관계자 쟁점 매핑과 유사사례 제시는 자동화 가능성은 낮으나 판단 위험도 낮아 참고 용도로 활용된다(영역III). 적합 여부의 최종 결정, 입지에 대한 종합적 판단, 상충하는 공익 간의 형량은 행정적 책임과 재량을 수반한다. 따라서 이러한 업무는 AI의 분석 결과를 참고하더라도 담당 행정기관과 전문기관이 수행해야 한다(영역IV). 이 매트릭스는 AI 에이전트의 적정 역할을 사전 진단하기 위한 것으로, AI 산출물은 최종 결정이 아니라 인간(전문가·담당자)의 검토 대상임을 전제로 한다.

    다만, Fig. 4의 업무 분류는 매뉴얼의 검토항목과 업무 특성을 토대로 한 저자의 정성적 판단에 기초하므로, 각 업무의 자동화 가능성과 행정판단 위험 수준이 객관적으로 검증되었다고 볼 수는 없다. 향후 해양공간계획평가 전문기관의 실무자와 관련 분야 전문가를 대상으로 한 평가를 통해 분류 기준과 영역 배치의 타당성을 검증하고 보완할 필요가 있다.

    6.2 기술적 고려사항

    기술적 측면에서 법령·계획·고시·협의사례 데이터의 최신성과 정확성을 확보하는 일이 우선 과제이다. 매뉴얼이 정한 자료 기준, 즉 통계자료 5년, 해양공간특성평가 자료 3년, 생태·환경 자료 5년 이내 등의 기준을 시스템에 반영하여 자료의 시의성을 자동으로 점검해야 한다. 또한 공간정보의 좌표계와 축척을 표준화하고 GIS 분석 결과의 검증체계를 마련해야 하는데, 본 시나리오에서 예시한 축척 불일치 식별 절차가 이러한 기능의 적용 사례에 해당한다. RAG 검색 결과에는 인용한 법령, 계획문서, 협의사례의 출처와 해당 부분을 함께 표시해야 한다. 또한, 검색 결과와 생성된 답변이 일치하는지 확인하는 절차도 필요하다. 아울러 사업 위치와 내부 검토의견이 포함된 자료는 접근권한을 구분하고, 자료 조회와 수정 이력을 반드시 기록해야 한다.

    또한, LLM 기반 시스템의 기술적 위험도 함께 고려해야 한다. 첫째, 환각(hallucination) 위험으로, LLM은 학습 데이터에 기반해 그럴듯하게 사실과 다른 내용을 생성할 수 있다. 가령, 적합성협의 맥락에서는 존재하지 않는 법령 조항을 인용하거나, 실제와 다른 관리계획 내용을 제시하는 오류가 발생할 수 있다. 이를 방지하기 위해 RAG 기반의 출처 연결 응답을 기준으로 하되, 검색 결과와 생성된 답변 간의 일치 여부를 대조하는 검증 단계가 필요하다. 둘째, 지식기반의 최신성 관리로, 법령 개정·관리계획 변경·업무처리규정 개정 시 RAG 지식기반이 적시에 갱신되지 않으면 오래된 정보에 근거해 검토가 이루어질 수 있다. 따라서 법령정보센터·관리계획 관보 등 원자료의 변경을 모니터링하고 벡터 데이터베이스를 갱신하는 체계를 구축해야 한다. 셋째, 공간정보 오류로, 서로 다른 시점에 구축된 공간 레이어 간 시간 불일치, 좌표계 혼용, 경계선 정밀도 차이 등이 중첩분석 결과의 신뢰도에 영향을 미칠 수 있다. 공간분석 결과에 사용된 레이어의 기준 시점과 좌표계를 기록하고, 분석 결과를 담당자가 직접 확인할 수 있는 검증 기능이 필요하다. 마지막으로 책임소재의 구체화로, AI 산출물에 오류가 포함되었음을 담당자가 인지하지 못한 채 최종 판단에 반영된 경우, 그 책임 주체를 사전에 정립해야 한다. 따라서 AI는 검토 보조 자료의 생성 주체로 한정하고, 모든 AI 산출물에 대한 인간 검토 이력을 기록해 책임 추적이 가능하도록 설계해야 한다.

    6.3 제도적 고려사항

    기술 도입에 앞서 AI의 업무 범위와 책임 주체를 명확히 규정할 필요가 있다. AI는 자료 검색과 분석, 의견 초안 작성까지만 수행하고, 협의 결과에 대한 최종 책임은 담당 행정기관과 전문기관이 부담하도록 해야 한다. AI 산출물의 설명가능성과 감시 가능성을 확보하고 로그 관리 체계를 마련하여 사후 검증이 가능하게 하며, 보완·검토 의견에 대한 인간 검토를 의무화하는 인간 개입 절차를 제도화해야 한다. 또한 해양공간계획평가 전문기관의 검토체계와 AI 지원체계 간의 역할분담을 명확히 하고 오류 정정 절차를 마련해야 한다. 보고서 보완·반려 사유, 즉 입지적절성 검토의 부적정, 부적절한 기초자료·분석방법 활용, 공유수면 불법이용 등은 AI가 사전 점검하되, 최종 보완·반려 판단은 행정기관이 수행한다.

    7. 결 론

    본 연구는 적합성협의 업무 매뉴얼이 규정한 보고서 구성요소에 대응하여 업무를 구조화하고, 각 업무 단계에서 AI 에이전트가 지원할 수 있는 기능과 한계를 제시하였다. 이를 위해 두뇌·기억·감각·도구의 핵심 구성요소, 감지–사고–행동의 인지 동작 원리, 다섯 계층의 업무 구조, 조정 에이전트와 전담 에이전트로 이루어진 멀티 에이전트 분업 체계, 그리고 가드레일·도구 접근 최소화·출력 표준화의 운영 원칙을 갖춘 개념 프레임워크를 제안하였다. 또한 가상의 해상풍력 발전사업을 대상으로 자료 완결성 점검, 공간 중첩분석, 영향관계 검토, 이해관계자 관점 분석, 보완의견 초안 작성의 단계별 작동 여부를 검토하였다.

    연구 질문에 따라 분석 결과를 정리하면 다음과 같다. 적합성협의 업무는 자동화 가능성과 행정판단 위험의 두 축으로 구분되며, 자료 완결성 점검·법령 검색·공간 중첩분석·좌표 검증은 자동화 가능성이 높고 판단 위험이 낮아 AI 지원에 적합하지만, 적합·부적합의 최종 판단과 다양한 가치의 형량은 자동화 가능성이 낮고 판단 위험이 높아 인간의 영역으로 유지되어야 함을 확인하였다. 다음으로, 법령·계획·공간정보·협의자료를 연계하는 검토는 두뇌·기억·감각·도구의 구성요소가 감지–사고–행동의 인지 루프로 작동하고, 조정 에이전트와 기능별 전담 에이전트가 분업하며, 모든 산출물이 검증·통제 계층을 거치는 멀티 에이전트 프레임워크로 설계될 수 있음을 제시하였다. 마지막으로 공공 해양공간 의사결정에 AI를 적용할 때는 기술적으로 데이터의 최신성·정확성 확보, 좌표계·축척 표준화와 결과 검증, 출처 기반 응답을 통한 환각 방지, 보안·로그 관리가 요구되고, 제도적으로 AI 역할의 보조도구 한정과 책임의 인간 귀속, 설명가능성·감사 가능성 확보, 인간 개입 절차의 제도화, 전문기관 검토체계와의 역할분담이 요구됨을 도출하였다.

    본 연구는 실증이 아닌 개념·시나리오 수준의 연구로서, 제안한 프레임워크의 실제 데이터 연계와 성능 평가는 수행하지 않았다. 적용 시나리오에 사용된 수치와 분석 결과는 가상의 값이며, 앞서 Table 7의 평가는 시나리오의 절차적 타당성에 대한 정성적 검토 결과로써 시스템 성능의 정량적 측정값이 아니다. 실증을 수행하지 않은 데에는 세 가지 제약이 있다. 첫째, 적합성협의 자료에는 사업 위치, 내부 검토의견 등 민감정보가 포함되어 데이터 접근에 제약이 따른다. 둘째, 프로토타입 구현을 위해서는 법령·업무처리규정·관리계획·협의사례를 포괄하는 RAG 지식기반의 구축이 선행되어야 하며, 이는 상당한 사전 작업을 요구한다. 셋째, 적합성협의에 AI를 적용한 선행 논의가 축적되어 있지 않으므로, 업무를 단위 작업으로 분해하고 AI의 역할과 한계를 규정하는 개념화 작업이 실증에 앞서 수행될 필요가 있다. 본 연구는 이러한 개념화를 수행함으로써 후속 실증연구의 분석 틀과 검증 변수를 구체화하는 데 기여한다.

    후속 연구는 다음 세 방향으로 진행될 수 있다. 첫째, 비식별 처리된 실제 협의사례를 이용해 자료 누락 탐지의 정확도(precision·recall), 법령 검색의 적합성, 공간중첩분석 결과의 일치율을 정량적으로 검증할 필요가 있다. 둘째, 전문기관 실무자를 대상으로 한 전문가 평가(expert review)를 통해 AI 산출물의 유용성·정확성·신뢰성을 평가하고, 기존 검토 절차에 AI 지원 기능을 결합하는 방안을 도출할 필요가 있다. 셋째, 프로토타입을 구현한 뒤 기존 검토 절차 대비 소요 시간·검토 완결성·검토 의견 일관성 등의 정량적 비교 분석을 수행하여 실무적 효과를 검증해야 한다. 아울러 본 연구에서 제시한 자동화 가능성–행정판단 위험 매트릭스는 전문가 및 실무자 평가를 통해 분류 기준과 업무별 위치의 타당성을 검증할 필요가 있다.

    사 사

    이 논문은 2026년 한국해양수산개발원 일반사업 「인공지능 기반 해양수산 연구모델(챗봇) 개발」의 지원으로 수행되었다. 논문의 질적 향상을 위해 귀중한 의견을 제시해 주신 익명의 심사자들께 깊이 감사드린다.

    Figure

    KOSOMES-32-4-721_F1.jpg

    AI agent framework for supporting marine spatial suitability review.

    KOSOMES-32-4-721_F2.jpg

    Multi-agent architecture for suitability consultation support.

    KOSOMES-32-4-721_F3.jpg

    Preliminary review workflow for a hypothetical offshore wind farm project.

    KOSOMES-32-4-721_F4.jpg

    Matrix of AI applicability and risk of administrative judgment in the suitability consultation process.

    Table

    Review items for the suitability review report

    Consultation tasks supportable by AI agents, mapped to report components

    Core components of the AI agent

    Hierarchical structure of the framework

    Result of completeness check (hypothetical)

    Zoning overlap and conformity analysis (hypothetical)

    Illustrative assessment of scenario applicability (hypothetical)

    Reference

    1. Cho, S.-J., K.Kim, T.Hwang, and J.-Y.Kang ( 2026), Evolution of Generative AI-based Geospatial Technologies (GeoAGI): Deriving Strategic Directions through a Literature Review, Journal of the Korean Geographical Society, Vol. 61, No. 1, pp. 55-68 (in Korean with English abstract).
    2. Choi, H.-J., H.-Y.Lee, S.-J.Cho, J.-S.Lim, and S.-M.Kim ( 2021), A Study on Building an Enhanced Mechanism for the Implementation of Marine Spatial Planning, KMI Basic Research 2021-10, Korea Maritime Institute, Busan.
    3. Chun, J. and H.Park ( 2021), Legal Status and Major Issue of Maritime Autonomous Surface Ships (MASS) in International Law, Journal of the Korean Society of Marine Environment & Safety, Vol. 27, No. 2, pp. 256-265 (in Korean with English abstract).
    4. Hwang, K. W., M. S.Lee, and S. R.Yun ( 2022), Using Text Mining for the Analysis of Research Trends Related to Laws Under the Ministry of Oceans and Fisheries, Journal of the Korean Society of Marine Environment & Safety, Vol. 28, No. 4, pp. 549-566 (in Korean with English abstract).
    5. Hwang, T. and S.-J.Cho ( 2026), Exploring the Applicability of an LLM-Based AI Persona Framework for Supporting Spatial Policy Decision-Making, Journal of the Korean Association of Geographic Information Studies, Vol. 29, No. 2, pp. 130-151 (in Korean with English abstract).
    6. Hwang, T., S.-H.Lee, J.Kim, and K.Yook ( 2026), Spatial Application of Site Regulatory Factors and Analysis of Changes in Possible Areas for Preliminary Districts under the Offshore Wind Power Act, Korean Energy Economic Review, Vol. 25, No. 1, pp. 161-184, doi:(in Korean with English abstract).
    7. Janowicz, K., S.Gao, G.McKenzie, Y.Hu, and B.Bhaduri ( 2020), GeoAI: Spatially Explicit Artificial Intelligence Techniques for Geographic Knowledge Discovery and Beyond, International Journal of Geographical Information Science, Vol. 34, No. 4, pp. 625-636.
    8. Ko, J.-H., S.-B.Yun, Y.-S.Lee, and Y.-H.Chang ( 2024), Development of a Self-evolving Simulation Service for Marine Spatial Planning, Journal of the Korean Society of Marine Environment & Safety, Vol. 30, Special Issue 3, pp. 11-20 (in Korean with English abstract).
    9. Lee, J.-S., W.-J.Son, H.-T.Lee, and I.-S.Cho ( 2020), A Study on the Factors Affecting Optimal Site of Offshore Wind Farm from the Perspective of Maritime Traffic using Spatial Analysis, Journal of Coastal Disaster Prevention, Vol. 7, No. 2, pp. 85-96, doi:(in Korean with English abstract).
    10. Li, W. and H.Ning ( 2023), Autonomous GIS: The Next-Generation AI-Powered GIS, International Journal of Digital Earth, Vol. 16, No. 2, pp. 4668-4686.
    11. Ministry of Oceans and Fisheries (MOF) ( 2018), Marine Spatial Planning and Management Act (Act No. 15607, enacted 17 April 2018), including its Enforcement Decree and Enforcement Rule, Korean Law Information Center, https://www.law.go.kr (in Korean).
    12. Ministry of Oceans and Fisheries (MOF) ( 2019), Regulations on the Work Procedures for Marine Spatial Suitability Review (MOF Notification No. 2019-74), Korean Law Information Center, https://www.law.go.kr (in Korean).
    13. Ministry of Oceans and Fisheries (MOF) ( 2023), Marine Spatial Suitability Consultation Report Preparation Manual (2nd ed.), Ministry of Oceans and Fisheries, Sejong, Korea, pp. 7-88.
    14. Park, J.-H., M.-S.Cho, K.-R.Kwon, and H.-S.Lim ( 2025), An Integrated GIS and Deep Learning Simulation Framework for Coastal Flood Prediction and Risk Management, Journal of Coastal Disaster Prevention, Vol. 12, No. 2, pp. 107-114, doi:(in Korean with English abstract).
    15. Pinarbasi, K., I.Galparsoro, A.Borja, V.Stelzenmuller, C. N.Ehler, and A.Gimpel ( 2017), Decision Support Tools in Marine Spatial Planning: Present Applications, Gaps and Future Perspectives, Marine Policy, Vol. 83, pp. 83-91.
    16. Wirtz, B. W., J. C.Weyerer, and C.Geyer ( 2019), Artificial Intelligence and the Public Sector: Applications and Challenges, International Journal of Public Administration, Vol. 42, No. 7, pp. 596-615.
    17. Yang, Y., H.Chai, S.Shao, Y.Song, S.Qi, R.Rui, and W.Zhang ( 2026), AgentNet: Decentralized Evolutionary Coordination for LLM-Based Multi-Agent Systems, Advances in Neural Information Processing Systems, Vol. 38, pp. 107309-107336.
    18. Yao, S., J.Zhao, D.Yu, N.Du, I.Shafran, K.Narasimhan, and Y.Cao ( 2022), ReAct: Synergizing Reasoning and Acting in Language Models, arXiv preprint arXiv:2210.03629.