AI가 국가 연구전략을
스스로 기획할 수 있는가

전통적 연구기획은 전문가의 머릿속에 너무 많은 일을 맡긴다

전략연구사업을 기획하려면 정책문서, 해외 전략, 최신 논문과 특허, 기존 과제, 시장·산업 동향, 내부 연구역량, 예산과 기간을 한꺼번에 검토해야 한다. 전통적인 방식은 전문가 워크숍과 조사·분석을 통해 이 문제를 해결해 왔다. 깊이는 있지만 확장성에는 한계가 있다.

2025년의 GenAI 기반 technology foresight 연구는 수작업 기술탐색이 정보량의 폭증을 따라가기 어렵고, 정보 수집과 분석뿐 아니라 여러 자료를 하나의 기술 프로파일로 합성하는 과정 자체가 병목이라고 지적한다. 연구진은 LLM과 RAG를 이용해 검색전략, 데이터 수집, 기술 프로파일 생성까지 자동화할 가능성을 탐색했다. [6]

그런데 정부출연연구기관의 전략기획은 기업의 technology scouting보다 어렵다. “무엇이 뜨는가”만 보면 안 된다. 국가적으로 필요한가, 기관 R&R과 맞는가, 민간이 아니라 공공 연구기관이 해야 할 이유가 있는가, 기존 과제와 중복되지 않는가, 장기 목표형상에 어떤 기술공백이 남아 있는가를 함께 물어야 한다.

2025~2026년, 네 개의 연구흐름이 한 지점으로 모였다

이 네 흐름을 연결하면 자연스럽게 AI Co-Strategist for R&D라는 문제가 나온다. 연구 아이디어를 만드는 AI, 실험하는 AI, 미래기술을 탐색하는 AI, 국가미션 포트폴리오를 관리하는 방법론이 따로 발전해 왔다. 이제 남은 질문은 이들을 어떻게 하나의 책임 있는 기획시스템으로 묶느냐는 것이다.

Mission-Aligned Agentic R&D Planning

MAARP는 국가의 장기 미션, 정부 정책, 사회·산업 난제, 기관 R&R과 보유역량, 글로벌 과학기술 동향, 논문·특허·기존 R&D 포트폴리오, 예산·기간 제약을 지속적으로 분석해 AI가 전략연구 후보를 발굴하고 목표형상·핵심기술·KPI·컨소시엄·예산·로드맵을 구성하며, 여러 평가 Agent와 인간 전문가의 검증을 거쳐 포트폴리오를 개선하는 Agentic AI 시스템으로 정의할 수 있다.

따라서 자동화의 단위는 RFP 문장이 아니다. National Mission → Institutional R&R → Foresight & Evidence → Technology Gap → Research Opportunity → Target Shape → Core Technologies → KPI & Benchmark → Consortium & Budget → RFP → Portfolio Evaluation → Monitoring & Replanning의 전체 사슬이다.

다목적·동적·불확실 의사결정 문제로 본다

입력은 국가미션만이 아니다. 기관의 R&R, 내부 역량, 외부 근거, 기존 포트폴리오, 현실적 제약이 동시에 들어온다.

AI의 출력은 전략과제 집합 \(Q=\{q_1,q_2,\ldots,q_n\}\)이다. 하나의 후보과제 \(q_i\)는 최소한 문제정의, 목표형상, 기술공백, 핵심기술, KPI, baseline, 컨소시엄, 예산, 일정, 위험, 근거를 포함해야 한다.

이 문제는 단일 점수 최대화로 만들기 어렵다. 국가적 필요성, 기술적 도전성, 실현가능성, 산업적 파급은 서로 충돌한다. 따라서 AI는 하나의 “정답”을 내기보다 Pareto-optimal portfolio와 그 선택의 trade-off를 제시하고, 최종 가치판단은 인간에게 남겨야 한다.

Mission-to-RFP Multi-Agent Architecture

1) Mission & R&R Knowledge Layer

국가전략, 법·정책, 기관 R&R, 과거 R&D, 논문, 특허, 기술로드맵, 예산, 산업동향을 temporal knowledge graph + hybrid RAG로 구성한다. 문서의 내용뿐 아니라 시점과 provenance를 저장해야 한다. 기술전략은 시간이 지나면 진실값이 달라지기 때문이다. GenAI technology foresight 연구도 최신 데이터 수집과 구조화된 기술 프로파일, 맥락을 주입하는 RAG의 중요성을 강조한다. [6]

2) Mission Interpreter Agent

“국가 AI 경쟁력 확보” 같은 추상문장을 Mission → Societal/Industrial Problem → Desired Outcome → Target Shape → Measurable Success Criteria로 분해한다. 정책문장을 그대로 연구과제 제목으로 옮기는 관행을 끊는 역할이다.

3) Foresight Agent

논문·특허·과제·산업자료에서 급성장 기술, 기술융합, 약한 신호, 해외는 성장하지만 국내가 취약한 영역, 기존 R&D가 해결하지 못한 gap을 탐색한다. Cosmos 1.0은 23,544개의 technology-adjacent entity를 매핑하고 100개의 emerging technology를 수작업 검증해 넓은 기술공간을 bottom-up으로 탐색하는 한 가지 방법을 보여준다. [7]

4) Research Opportunity Agent

ResearchAgent의 발상을 전략기획으로 옮긴다. Known Problem + Missing Capability + New Technology Combination을 연결해 후보 연구문제를 만든다. 다만 “새롭다”와 “좋다”는 같은 말이 아니다. 신규성은 이후 별도 Reviewer가 다시 검증한다. [1]

Generate–Debate–Evolve를 전략기획에 옮긴다

이 구조는 Co-Scientist가 사용한 생성·비판·진화·토너먼트적 아이디어를 기획 문제로 확장한 것이다. Co-Scientist는 연구목표와 기존 근거를 바탕으로 여러 Agent가 가설을 생성·비판·개선하는 구조를 사용했다. [3]

Target-Shape Backcasting Agent

미래 목표에서 역산하면 유행하는 기술목록이 아니라 목표달성에 꼭 필요한 기술사슬이 드러난다. 핵심은 현재 잘하는 것을 미래과제로 포장하는 것이 아니라, 미래시스템이 필요로 하는데 지금 존재하지 않는 능력을 찾아내는 데 있다.

Portfolio Optimizer

후보과제를 하나씩 순위화하지 않는다. Mission coverage, 기술 상보성, risk diversification, budget, time, institution capability, industrial spillover를 함께 고려해 Pareto portfolio를 만든다. OECD는 mission portfolio의 성공에 일관되고 다양한 프로젝트 집합이 함께 기여해야 하며, 관리과정도 유연하고 적응적이어야 한다고 강조한다. [9]

Human Governance Layer

이 순서를 바꾸면 위험하다. AI가 후보를 넓게 탐색하는 것은 강점이지만, 무엇을 국가가 중요하게 여길지는 민주적·정책적 가치판단이며, 최종 책임은 인간 의사결정자에게 남아야 한다.

국가 R&D는 고위험 의사결정 환경이다

국가미션은 가치판단을 포함한다

“AI 주권”, “국민안전”, “연구생산성 향상” 같은 목표는 하나의 수치로 환원되지 않는다. 기술적 가능성은 AI가 분석할 수 있어도, 사회가 무엇에 우선순위를 둘지는 정책과 민주적 책임의 영역이다.

Novelty와 Feasibility는 충돌한다

ICLR 2025 대규모 인간평가에서 LLM 아이디어는 인간 아이디어보다 novel하게 평가됐지만 feasibility는 약간 낮았다. 또한 자기평가와 생성 다양성 문제가 확인됐다. [2] 따라서 탐색을 넓히는 Agent와 실현성을 좁혀 보는 Agent를 분리해야 한다.

AI의 자기평가 편향

2026년 물리·천체물리 프로젝트 기획 연구에서 인간 리뷰어는 AI와 인간 작성 제안서를 대체로 비슷하게 평가했지만, AI 리뷰어는 AI 작성 제안서를 약 한 점 더 높게 평가하는 체계적 선호를 보였다. [11] 생성과 평가를 같은 모델계열에 맡기면 폐쇄회로 편향이 생길 수 있다.

False Negative의 비대칭적 비용

959개 연구제안서를 사용한 2026년 연구에서 LLM screening의 recall은 45.82%였고, 실제 위원회가 다음 단계로 올린 제안 중 절반 이상을 놓쳤다. [12] 연구기획에서 false positive는 전문가 검토로 제거할 수 있지만, false negative는 대담한 아이디어를 검토 테이블에서 아예 사라지게 할 수 있다.

기관 R&R 정합성

국가적으로 중요한 연구와 특정 기관이 해야 할 연구는 다르다. 따라서 National Importance와 Institutional Additionality를 분리해 평가해야 한다. 과거 성공과제만 학습한 시스템은 “이미 잘하는 것”만 반복 추천할 가능성이 있다.

포트폴리오 상호작용

A와 B가 각각 좋더라도 함께 있으면 중복일 수 있다. 반대로 단독으로는 약해 보이는 A·B·C가 함께 있어야 목표형상이 성립할 수도 있다. 이것이 mission portfolio가 단순 ranking과 다른 이유다. [9]

기밀성·보안·감사 가능성

기관 내부 역량, 미공개 기획안, 예산, 기술경쟁력은 민감한 정보다. 실제 시스템에는 private RAG, fine-grained access control, audit log, source-level provenance가 기본요건이 된다.

아직 풀리지 않은 네 개의 난제

가장 실용적인 첫 제품은 Mission-to-RFP Copilot이다

정부출연연 환경에서 가장 먼저 구현할 만한 응용은 Mission-to-RFP Copilot이다. 국가미션을 입력하면 최신 논문·특허·국내외 프로그램과 기관 R&R을 분석해 후보 목표형상과 기술공백을 제시하고, 왜 해당 기관이 맡아야 하는지와 산학연 역할까지 근거와 함께 구조화한다.

그 밖에 연구포트폴리오 중복 탐지, 신규 RFP 생성, 산학연 컨소시엄 구성, 전략기술 horizon scanning, 중간성과 기반 재설계, 예산 시나리오 분석, 종료·통합·가속 후보과제 제안이 가능하다. 2026년 국내 연구가 semantic similarity로 정부 AI R&D의 정책 부합도를 계량화한 것은 이 기능 중 일부가 이미 현실적인 분석문제로 들어왔음을 보여준다. [10]

다섯 개의 발전방향

Mission Digital Twin

국가미션, 기술수준, 연구기관 역량, 경쟁국, 예산, 연구성과를 지속 갱신하는 디지털 모델을 만들고 “현재 포트폴리오를 유지하면 2035 목표달성 가능성은?”, “예산을 A에서 B로 옮기면?”, “새 기술이 등장하면 무엇을 중단해야 하는가?”를 counterfactual simulation한다.

AI Scientist × Strategic Foresight

현재 AI Scientist는 주어진 문제의 가설을 찾고, Foresight AI는 미래기술을 탐색한다. 다음 시스템은 Foresight → Mission Gap → Research Idea → Experiment → Result → Portfolio Update를 하나의 폐루프로 연결한다.

Self-Evolving R&D Portfolio

논문, 특허, 연구성과, 경쟁국 기술, 실패한 실험이 들어올 때마다 포트폴리오의 가설을 재평가해 Continue / Accelerate / Merge / Pivot / Stop을 제안한다. OECD가 강조한 adaptive mission portfolio를 Agentic AI로 구현하는 방향이다. [9]

Federated Mission Intelligence

각 출연연이 민감한 내부 데이터를 외부로 내보내지 않으면서 기관별 Agent가 자신의 역량과 제약을 표현하고 중앙 Mission Agent와 협상해 최적 컨소시엄을 구성한다.

Audit-First Agentic Planning

모든 전략제안은 Claim → Evidence → Source → Date → Assumption → Counter-evidence → Uncertainty 구조로 저장되어야 한다. 평가위원은 매력적인 서술보다 근거의 계보를 먼저 볼 수 있어야 한다.

가장 중요한 한 문장

기존 AI Scientist는 Goal → Hypothesis → Experiment → Discovery를 다룬다. MAARP는 그보다 한 단계 위에서 National Mission → Institutional R&R → Foresight → Technology Gap → Target Shape → Research Programs → Portfolio → Funding/RFP → Outcome Monitoring → Strategy Revision을 다룬다.

이 차이는 사소하지 않다. 연구자가 문제를 푸는 능력과, 국가가 어떤 문제에 연구자원을 배분할지 판단하는 능력은 다른 종류의 지능이다. 전자는 scientific reasoning에 가깝고 후자는 mission reasoning, institutional reasoning, portfolio reasoning을 요구한다.