1. 고부가가치 AI 산업 전환을 위한 소프트웨어 대가산정의 개요
디지털 전환(DX)을 넘어 인공지능 전환(AX) 시대로 접어들며, 기존의 기능 점수(FP) 중심 대가산정 방식은 AI 모델 학습, 데이터 정제, 대규모 언어 모델(LLM) 활용 등 AI 사업의 특수성을 반영하는 데 한계가 있었습니다. 이에 **'소프트웨어사업 대가산정 가이드 2025년 개정판'**은 AI 서비스 도입 사업의 유형을 구체화하고, 이에 적합한 산정 체계를 정립하여 적정 대가 지급 기반을 마련하였습니다.
2. 가. 소프트웨어 대가산정 가이드의 목적
소프트웨어사업 대가산정 가이드는 합리적이고 객관적인 비용 산정 기준을 제시함으로써 다음과 같은 목적을 달성하고자 합니다.
예산 수립의 객관성 확보: 공공 및 민간 부문에서 SW 사업 발주 시, 근거 있는 예산 수립 기준을 제공하여 예산 부족으로 인한 사업 부실을 방지합니다.
SW 산업 경쟁력 강화: 개발자의 기술력과 노동 가치에 대한 적정 대가를 보장함으로써 우수 인력 유입과 산업 전반의 품질 향상을 도모합니다.
공정 거래 환경 조성: 발주자와 수주자 간의 비용 협상 기준을 표준화하여 불공정 계약을 방지하고 투명한 시장 질서를 확립합니다.
신기술 반영 및 유연성 제고: 클라우드, AI, SaaS 등 변화하는 IT 환경에 맞춘 산정 방식을 적시에 보급하여 신산업 활성화를 지원합니다.
3. 나. 인공지능(AI) 서비스 도입 사업유형과 사업비 산정절차
2025년 개정판에서는 AI 사업의 불확실성과 고도의 데이터 처리 과정을 반영하여 사업 유형을 세분화하고 절차를 체계화하였습니다.
1) 인공지능(AI) 서비스 도입 사업유형
AI 사업은 그 성격에 따라 크게 3가지 유형으로 구분됩니다.
| 사업 유형 | 주요 내용 | 산정 방식(주요 기법) |
| AI 알고리즘 개발형 | 특정 목적을 위해 새로운 AI 모델/알고리즘을 직접 설계 및 개발하는 사업 | 투입공수 방식 (난이도가 높고 규모 산정이 불확실함) |
| AI 솔루션 도입형 | 기 개발된 AI 솔루션이나 상용 API(GPT, 하이퍼클로바X 등)를 도입하여 커스터마이징 | 기능점수(FP) + 솔루션 구입비 (UI/UX 및 연계 중심) |
| AI 데이터 구축/정제형 | AI 학습을 위한 데이터 수집, 라벨링, 전처리 작업이 주가 되는 사업 | 데이터 수량 기반 산정 (데이터 건수 x 단가) |
2) 인공지능(AI) 서비스 도입 사업비 산정절차
AI 사업은 일반 SW 개발과 달리 **'데이터 확보'**와 '모델 검증' 단계가 중요하므로 다음과 같은 절차를 따릅니다.
요구사항 분석 및 범위 획정:
AI 서비스의 목적(분류, 예측, 생성 등)과 성능 목표(Accuracy, F1-score 등)를 정의합니다.
사용할 데이터의 원천과 규모, 인프라(GPU 등) 환경을 식별합니다.
사업 유형 결정:
위의 3가지 유형 중 해당 사업이 어디에 속하는지 판별합니다. (대부분 복합형으로 구성됨)
항목별 대가 산정:
기본 개발비: 서비스 구현을 위한 기능 점수(FP) 또는 투입공수(Man-month).
AI 특수 비용: * 데이터 수집 및 정제 비용(데이터 품질 관리 비용 포함).
AI 모델 학습 및 튜닝(Fine-tuning) 비용.
외부 AI API 사용료(Token 기반 또는 호출 기반 예상 비용).
이윤 및 부가가치세 합산: * 산출된 직접비에 간접비, 이윤(최대 25%) 등을 반영하여 최종 사업비를 도출합니다.
4. 결론 및 기술사 제언
2025년 개정 가이드는 AI 사업의 특수성인 **'데이터 가치'**와 **'반복적 학습 과정'**을 대가 산정에 포함했다는 점에서 의의가 큽니다.
하지만 기술사로서 실무 적용 시 고려해야 할 점은 AI 사업의 높은 불확실성입니다. 학습 결과에 따라 알고리즘을 재설계해야 하는 상황이 빈번하므로, 고정된 기능점수 방식보다는 **'애자일(Agile) 방식의 단계적 계약'**이나 **'실제 사용량 기반(Usage-based) 모델'**을 혼합하여 유연하게 대응해야 합니다. 또한, 향후 LLM 기반 서비스가 주류를 이룰 것에 대비해 프롬프트 엔지니어링 및 RAG(검색 증강 생성) 구축에 대한 세부 산정 기준의 고도화를 지속적으로 검토해야 합니다.
댓글 없음:
댓글 쓰기