국가미션을
출연연의 전략연구사업으로 바꾸는 AI

전통적 전략기획은 너무 많은 판단을 전문가의 머릿속에 맡긴다

정부출연연이 향후 전략연구사업을 기획하려면 국가정책, 해외 전략, 최신 논문과 특허, 기존 정부사업, 기관 R&R, 내부 연구소별 전문성, 인력과 시설, 기존 특허와 SW, 진행 중 과제, 산업수요와 경쟁기관, 예산과 일정까지 함께 봐야 한다. 전문가가 부족해서 어려운 것이 아니다. 한 사람이 동시에 고려해야 할 정보의 차원이 지나치게 많기 때문에 어렵다.

2025년 IEEE Access의 data-driven technology roadmapping review는 기술로드맵이 특허분석 중심의 정적 도구에서 미래 예측과 지능형 프레임워크, 생성형 기법을 활용하는 방향으로 진화하고 있음을 정리했다. [5] 같은 해 ICTMOD의 연구는 더 직접적으로 LLM 기반 AI Agent를 technology roadmapping의 여러 단계에 통합하는 문제를 제기하며, usable·adaptable·explainable system을 위한 설계요건을 논의했다. [4]

이 변화는 연구기획의 자동화 단위가 문서에서 workflow로 이동하고 있음을 뜻한다. 그러나 정부출연연에는 한 단계가 더 필요하다. 기업의 기술로드맵은 시장과 제품을 중심으로 돌아갈 수 있지만, 출연연은 국가미션과 기관 R&R이라는 공공적 제약조건을 먼저 통과해야 한다.

2025~2026년의 여섯 흐름이 한 지점으로 모인다

이 여섯 연구흐름의 공통점은 분명하다. AI는 이미 아이디어를 만들고, 과학가설을 비판하고, 기술기회를 찾고, 로드맵을 구성하고, 제안서를 작성하는 단계에 들어왔다. 아직 거의 비어 있는 부분은 이들을 기관의 전략적 책임과 연결하는 것이다.

Institution-Centric Mission-Aligned Agentic R&D Planning

I-MAP은 국가의 장기 미션을 상위 제약조건으로 받아들이되, 특정 정부출연연구기관의 R&R, 내부 연구소별 역할·보유역량·기존 과제·인력·시설·IP와 글로벌 기술동향 및 산업수요를 근거로 분석해, AI가 연구소별 미래 목표형상, 핵심기술, 정량 KPI, 연구로드맵, 산학연 역할, 예산, 사업화·성과확산 경로를 도출하고 후보 전략연구사업과 기관 전체 포트폴리오를 반복적으로 검증·조정하는 Agentic R&D Planning System이다.

계층적 다목적 의사결정 문제

기관 \(I\) 안에 연구소·연구본부 집합 \(D=\{d_1,d_2,\ldots,d_m\}\)가 있다고 하자. AI가 다뤄야 하는 입력은 다음과 같다.

AI가 만들어야 할 전략연구사업 \(q\)는 제목이 아니라 구조화된 객체다.

전체 논리는 National Mission → Institution R&R → Internal Institute → Target Shape → Core Technologies → KPI → Impact Pathway → Strategic Program으로 이어진다. 좋은 사업을 평가하는 함수도 novelty 하나로 만들 수 없다.

여러 목적이 충돌하기 때문에 하나의 weighted score보다 Pareto portfolio가 더 자연스럽다. 특히 중복, 비용, 실패위험, 외부의존, 기존 사업과의 cannibalization은 별도 제약으로 다루어야 한다.

가장 중요한 내부 데이터 구조는 ‘기관의 능력지도’다

이 그래프에 외부의 Paper → Patent → Company → Market → Policy → Standard 그래프를 연결한다. 그러면 AI는 “이 기술이 유망하다”에서 멈추지 않고, “A 연구소의 X·Y 기술과 연결되며 B 연구소와 일부 중복되고, 국내에는 Z capability가 부족하므로 대학 C 또는 기업 D와 컨소시엄을 구성하는 편이 합리적이다”라는 수준으로 reasoning할 수 있다.

ResearchAgent가 academic graph와 knowledge store를 이용해 연구문제·방법·실험을 발전시킨 점은 이 설계에 직접적인 힌트를 준다. [1] 다만 기관 전략에서는 논문 그래프만으로 부족하다. 조직, 인력, 장비, 사업과 성과확산 capability가 함께 들어와야 한다.

현재 보유기술이 아니라 미래 목표형상에서 역산한다

이 순서가 중요하다. 현재 가진 기술을 먼저 놓고 미래사업에 이름을 붙이면 technology-push bias가 생긴다. 목표형상을 먼저 정의하고 역산해야 “지금 잘하는 것”과 “미래에 반드시 새로 확보해야 하는 것”을 구분할 수 있다.

KPI도 한 층으로 만들면 안 된다. I-MAP은 최소한 네 층의 KPI를 설계해야 한다.

2026년 한국 정부출연연 성과평가 연구는 평가체계 개선 이후 일부 과학기술 산출은 감소한 반면 기술이전율과 같은 성과확산 지표에는 유의한 효과가 나타났다고 보고했다. [15] 이 결과는 KPI가 사후평가 표가 아니라 연구행동을 바꾸는 설계변수라는 점을 보여준다.

사업화는 하나의 출구가 아니라 여러 경로의 선택 문제다

모든 출연연 과제를 licensing으로 몰아가면 안 된다. 원천기술, 국가 인프라, 표준, 공공안전, 산업생태계 기술은 성과경로가 다르다. 따라서 I-MAP에서는 “사업화”보다 넓은 Impact Pathway가 적절하다.

2025년 NIH Proof-of-Concept Center 275개 기술을 분석한 연구는 기술·연구자 특성에 따라 patent, licensing, startup/SBIR-STTR의 경로가 달라지며, 더 큰 PoCC 지원과 licensing 빈도 사이에 양의 연관성이 있음을 보였다. [13] 또 TransCubating Technology 연구는 patent transfer power와 follow-on innovation을 유발하는 incubating power를 함께 보아 core technology를 찾는 방법을 제시했다. [7]

GC-GTM은 기술과 시장의 convergence를 하나의 latent opportunity space로 표현하고, 비어 있는 영역을 생성모델로 해석한다. [10] I-MAP은 이런 방법을 이용해 “기술적으로 가능한가?”뿐 아니라 “어떤 산업·공공 수요와 연결될 수 있는가?”를 별도 Agent가 검토하도록 만들 수 있다.

국가미션에서 연구소별 전략연구사업까지

예를 들어 국가가 “AI를 이용해 과학연구 생산성을 획기적으로 향상하라”는 미션을 제시했다고 하자. I-MAP은 곧바로 “AI Scientist를 개발하자”라고 답하지 않는다. 먼저 기관 R&R과 내부 연구소 역량, 기존 과제와 글로벌 기술을 읽는다.

그다음 “자율 과학발견 AI Scientist” 같은 목표형상을 정의하고, Scientific Multimodal Foundation Model, 지식·인과추론, Agent Planning, Scientific Tool Use, Verification, Continual Learning 같은 핵심기술을 분해한다. 각 핵심기술에는 현재수준·global benchmark·목표성능·연차 KPI를 연결하고, 내부 연구소와 대학·기업·타 출연연의 역할을 배치한다.

마지막으로 기술별로 기술이전 가능한 SW, 국가 공통 플랫폼, 산업 PoC, 표준 API, Spin-off 후보, 공공 연구인프라 같은 Impact Pathway를 설계한다. 이 모든 것이 하나의 Strategic R&D Program Card가 된다.

기관 내부에서 실제로 쓸 수 있는 응용

• 연구소별 신규 전략과제 후보 자동발굴과 중복 탐지
• 국가미션 대비 기관 기술공백 및 R&R 미충족 영역 분석
• 목표형상 중심의 RFP 초안과 핵심기술·KPI 자동 설계
• 내부 연구소 간 협업 또는 역할재배치 후보 추천
• 대학·기업·타 출연연을 포함한 산학연 컨소시엄 역할분담
• 과제별 기술이전·표준·공공적용·Spin-off 등 Impact Pathway 제안
• 기존 과제의 Continue / Accelerate / Merge / Pivot / Stop 분석
• 예산 시나리오에 따른 목표형상 달성가능성 비교

이 정도에 이르러야 AI가 “연구과제를 스스로 기획한다”고 말할 수 있다. 제목과 개요를 생성하는 것은 문서자동화다. 기관의 목표와 능력, 기술공백, 측정지표, 성과경로까지 연결하는 것이 전략기획이다.

여섯 가지 구조적 난제

R&R Fit의 정량화

어떤 기술이 국가적으로 중요하다고 해서 특정 출연연이 반드시 해야 하는 것은 아니다. 반대로 현재 capability가 약하다는 이유만으로 미래전략에서 배제해서도 안 된다. 따라서 Current Capability Fit과 Strategic Additionality를 분리해야 한다. “지금 잘한다”와 “앞으로 반드시 해야 한다”는 다른 변수다.

Target Shape의 추상성

“AGI 핵심기술 확보”는 목표형상이 아니다. 시험 가능한 미래 시스템 상태가 되어야 한다. 예를 들어 “서로 다른 과학분야의 문제를 이해해 가설–계획–도구실행–검증을 수행하는 AI Scientist 시스템”처럼 성능과 실증을 연결할 수 있어야 한다.

KPI의 Goodhart 문제

측정하기 쉬운 것을 목표로 만들면 연구자는 그 지표를 최적화하게 된다. 논문수·특허수 같은 단일 KPI보다 Mission–Target Shape–Core Tech–Impact의 계층형 KPI가 필요한 이유다. 출연연 평가체계와 성과유형 사이의 관계를 분석한 2026년 연구도 KPI가 성과행동과 무관한 단순 표가 아님을 시사한다. [15]

AI Reviewer Bias

2026년 물리·천체물리·우주론의 8개 실제 연구주제에서 인간 연구자와 세 LLM이 총 32개 proposal을 작성한 실험에서, 인간 심사자는 AI와 인간이 쓴 proposal을 전반적으로 비슷하게 평가했지만 두 AI reviewer는 AI-generated proposal에 5점 척도에서 약 1점 더 높은 점수를 주었다. [12] 생성과 심사를 같은 모델계열에 맡기는 구조가 위험한 이유다.

False Negative

2026년 국가 연구지원 프로그램의 959개 proposal을 분석한 연구에서 LLM 기반 screening은 recall 45.82%, false negative 175건을 기록했다. TF-IDF 기반 투명한 방식은 recall 78.95%, false negative 68건이었다. [14] 전략과제 탐색에서는 평범한 후보 몇 개를 더 검토하는 비용보다 미래의 중요한 과제를 조기에 지워버리는 비용이 훨씬 크다. 초기 단계는 precision보다 recall과 diversity를 우선할 이유가 있다.

사업화의 획일화

모든 사업이 licensing으로 끝나야 하는 것은 아니다. 공공인프라, 표준, 안전, 데이터·SW 플랫폼, reference implementation은 다른 성과경로가 필요하다. NIH PoCC 연구가 기술 유형과 PI 특성에 따라 patent·licensing·startup 경로가 달랐음을 보인 점은 이 설계에 실증적 근거를 제공한다. [13]

아직 풀리지 않은 다섯 문제

기관 전체를 디지털 모델로 만든다

기관 Digital Twin 안에는 연구소, 연구자, 기술, 과제, 특허, 논문, SW, 시설, 데이터, 기업, 예산, 성과가 연결된다. 매달 새로운 논문·특허·사업·정책·경쟁기관 성과를 받아 상태를 갱신한다.

그 위에서 AI는 다음 질문을 시뮬레이션할 수 있다. “현재 포트폴리오로 2030 목표형상을 달성할 가능성은?”, “A 연구소와 B 연구소 과제는 얼마나 중복되는가?”, “이 핵심기술을 대학이 맡고 출연연이 시스템 통합을 담당하는 편이 더 합리적인가?”, “50억 원을 어느 capability에 추가하면 목표형상 달성에 가장 큰 기여를 하는가?”

이 단계에서 연구기획은 문서작성보다 simulation problem에 가까워진다.

계획을 고정하지 않고 실행결과로 다시 기획한다

이것이 Self-Evolving Institutional Portfolio다. 새로운 기술이나 성과가 나타날 때마다 과제의 전략가설을 다시 평가한다. AI가 과제를 만든 뒤 실제 결과를 보고 자신의 과거 기획을 수정하게 된다.

기관 간 협업은 기밀을 공개하지 않고도 가능해야 한다

각 출연연이 내부 인력·IP·미공개 과제 정보를 중앙에 모두 모으는 것은 현실적이지 않다. 미래에는 기관별 Agent가 내부 capability를 로컬에서 분석한 뒤 필요한 추상화만 공유하고, 상위 Consortium Agent가 역할분담을 협상하는 Federated GRI Planning이 필요하다.

동시에 모든 기획문장은 다음 구조를 가져야 한다.

이 구조가 있어야 평가위원은 매끄러운 서술보다 근거의 계보를 확인할 수 있다. 전략기획 AI의 신뢰성은 얼마나 자연스럽게 쓰느냐가 아니라 얼마나 잘 추적되고 반박될 수 있느냐에 달려 있다.

AI Co-Scientist와 다른 결정적 이유

한국어로 바꾸면 더 명확하다. “AI는 국가미션과 정부출연연의 R&R·연구역량을 근거로, 내부 연구소별 목표형상–핵심기술–KPI–성과확산 경로를 일관되게 설계하고, 기관 전체 전략연구 포트폴리오를 자율적으로 생성·검증·진화시킬 수 있는가?”

학술적 차별점은 좋은 연구아이디어 생성 자체가 아니다. 국가미션→기관 R&R→내부 연구소→목표형상→핵심기술→KPI→성과확산 사이의 논리적 정합성을 자동으로 만들고 검증하는 데 있다. 현재 AI Scientist와 technology foresight 연구가 각각 연구실 안의 discovery와 기술환경의 미래를 다룬다면, I-MAP은 그 사이의 빈 공간, 즉 기관이 무엇을 책임져야 하는지 결정하는 지능을 연구대상으로 삼는다.