Chiayi City의 AI Care Workforce: 장기요양 담당자의 서류 작업을 AI 디지털 직원이 맡다

대만 자이시(Chiayi City)는 장기요양 사례관리자가 쓰던 사례 요약, 돌봄계획, 방문 기록을 AI 디지털 직원에게 맡기고 사람은 초안을 확인해 확정하게 했습니다. 이 구조를 옮기려면 먼저 담당자의 문서 시간을 재고 초안을 언제 『채택』으로 볼지 정한 뒤, 역할별 권한과 양식을 설계해야 합니다.

요약

자이시 시정부는 2026 Gartner Eye on Innovation Awards 정부 부문에 『AI Care Workforce』를 제출했고 이 사례는 Greater China 사례집에 실렸습니다. 출발점은 초고령 사회의 압박입니다. 사례집에 따르면 사례관리자(care manager) 한 명이 300건 가까운 사례를 맡았고 근무 시간의 절반 이상을 행정과 준수 점검에 썼습니다. 기관 사이에 데이터가 이어지지 않아 가족은 기관이 바뀔 때마다 병력을 다시 설명해야 했습니다. 시는 Agentic AI(목표를 받아 여러 단계를 스스로 처리하는 AI) 기반의 디지털 직원을 장기요양 업무에 들였습니다. 이 디지털 직원은 사례 요약과 돌봄계획 작성, 문서 표준화를 맡고 방문 음성 전사와 genogram(가족관계도) 작성까지 합니다. 양식은 설정으로 바꿀 수 있고 접근 권한은 역할별로 나뉩니다. 기술 협력 기관으로는 대만 정부 출연 연구기관인 Institute for Information Industry(資策會, 정보산업연구원)가 이름을 올렸습니다.

사례집이 밝힌 출발점과 도입 기능

사례집이 밝힌 성과는 모두 자이시가 보고한 실적입니다. 문서와 돌봄계획 작성 시간은 120분에서 30분으로 줄었습니다. AI가 만든 돌봄계획 초안의 채택률은 80%를 넘었습니다. 행정 시간의 60%가 서류 작업에서 직접 돌봄과 시민 대면 업무로 옮겨 갔고 사례관리자 유지율은 100%였습니다. 현장 직원의 85%가 가치를 인정했고 17개 지방정부가 같은 모델을 도입하는 데 관심을 보였습니다. 다만 120분이 건당 시간인지, 유지율을 어느 기간에 쟀는지는 사례집에 나오지 않습니다. 성과가 난 이유는 구조에 있습니다. AI가 초안을 쓰고 사람이 고쳐 확정하니, 담당자의 일이 『빈칸 채우기』에서 『검토와 판단』으로 바뀌었습니다. 아래에서는 이 구조를 다섯 메커니즘으로 풀고 한국 대기업 AX 조직이 현장 보고서 업무에 옮기는 방법을 붙입니다.

자이시 보고 실적. 0 기준, 측정 단위(건당 등)는 사례집에 명시되지 않음

핵심 메커니즘

Agentic AI Digital Staff: 보고용 도구가 아니라 업무를 맡는 디지털 직원

디지털 직원은 담당자가 하던 문서 업무 묶음을 통째로 넘겨받는 AI입니다. 담당자가 질문할 때만 답하는 챗봇과 달리, 방문 기록과 기존 사례 자료를 받아 요약을 쓰고 돌봄계획 초안을 만들고 양식까지 채웁니다. 담당자는 결과물을 검토해 고치고 확정합니다. 사례집이 꼽은 기술은 AI Agents, Domain-Specific Language Models(특정 분야 데이터로 맞춘 언어 모델), Reasoning Models(여러 단계로 따져 답하는 모델), LLM입니다. 모델 이름이나 공급사는 밝히지 않았습니다.

이 방식은 같은 형식의 문서를 많이 쓰고 기록 내용은 현장에서 나오는데 작성은 사무실에서 따로 하는 업무에 잘 맞습니다. 판단 자체가 업무의 핵심이고 문서가 적은 일에는 효과가 작습니다. 작은 예를 들면(가상 예시) 설비 보전 엔지니어가 점검을 마치면 AI가 점검 메모와 센서 이력으로 보고서 초안을 만들고 엔지니어는 원인 판단 칸만 고쳐 서명하는 식입니다.

AI가 초안을 만들고 담당자가 확정하는 구조

Voice Visit Transcription: 방문 대화를 받아 적고 사례 요약으로 바꾸기

방문 음성 전사는 가정 방문 때 나눈 대화를 녹음해 글로 옮기고 그 글에서 사례 요약을 뽑는 기능입니다. 담당자는 방문 중에 메모하느라 대화를 끊지 않아도 됩니다. 방문 뒤에는 기억에 기대어 기록을 다시 쓰지 않아도 됩니다. 전사문에서 건강 상태 변화, 생활 여건, 가족의 지원 상황, 위험 신호를 골라 정해진 항목에 넣는 일은 AI가 맡습니다.

대화가 길고 기록 항목이 정해져 있을수록 효과가 큽니다. 반대로 녹음 동의를 받기 어렵거나 소음이 심한 현장에서는 전사 품질이 떨어지므로 짧은 음성 메모 방식이 낫습니다. 사례집은 음성 전사를 쓴다는 사실만 밝혔고 지원 언어나 전사 엔진은 적지 않았습니다.

방문 대화가 사례 기록이 되는 순서

Genogram Generation: 대화 속 가족 언급을 가족관계도로 그리기

genogram은 가족 구성원과 관계, 동거 여부, 사망 같은 사건을 기호로 그린 가족관계도입니다. 돌봄 현장에서는 누가 주 돌봄자이고 누가 멀리 사는지 한눈에 봐야 계획을 세울 수 있습니다. 예전에는 담당자가 대화를 듣고 손으로 그렸습니다. AI는 전사문에서 『큰딸』, 『아들』, 『남편 사망』 같은 언급을 찾아 사람과 관계를 목록으로 뽑고 그 목록으로 그림을 그립니다.

그림을 바로 그리게 하지 않고 관계를 먼저 데이터로 뽑는 것이 요점입니다. 데이터로 남겨 두면 다음 방문에서 바뀐 부분만 고칠 수 있고 다른 기관에 넘길 때도 같은 형식을 씁니다. 가족 정보가 대화에 흩어져 나오는 업무에 맞고 관계 정보가 이미 시스템에 정리돼 있으면 굳이 쓸 필요가 없습니다.

가상 예시. 원은 여성, 네모는 남성, X는 사망 표기

Configurable Templates and Role-based Access: 설정형 양식과 역할별 권한

설정형 양식(configurable templates)은 개발자를 부르지 않고 관리자가 문서 항목과 순서를 바꿀 수 있는 양식입니다. 제도가 바뀌어 기록 항목이 늘거나 기관마다 양식이 달라도 AI가 채울 틀만 고치면 됩니다. 역할별 접근(role-based access)은 사례관리자, 감독자, 협력 기관이 볼 수 있는 정보와 할 수 있는 일을 다르게 두는 방식입니다. 장기요양 기록에는 병력과 가족사가 들어 있어 이 구분이 없으면 현장에 내놓을 수 없습니다.

이 둘은 AI 기능이라기보다 AI가 행정 현장에 들어가기 위한 전제 조건입니다. 사례집은 이 기능과 함께 종합 사례관리 지원을 들었습니다. 기관 사이의 정보 단절을 풀려면, 기관마다 볼 수 있는 범위를 정한 상태에서 같은 사례 기록을 함께 쓰는 구조가 먼저 있어야 합니다.

가상 예시. 사례집은 역할별 접근과 설정형 양식을 밝혔고, 칸 구성은 새로 설계

Draft Adoption: AI가 쓰고 담당자가 확정하는 초안 구조

이 사례에서 AI는 최종 문서를 내지 않습니다. 돌봄계획은 초안까지만 쓰고 확정은 사례관리자가 합니다. 그래서 성과 지표도 『AI 초안 채택률』입니다. 담당자가 초안을 그대로 받아들이거나 조금 고쳐 쓴 비율로, 자이시는 80%를 넘었다고 보고했습니다. 어느 정도 고쳐야 채택이 아닌 것으로 보는지는 사례집에 정의가 없습니다.

이 구조는 책임 소재가 분명해야 하는 공공·규제 업무에 맞습니다. 서명과 책임은 사람에게 남고 시간이 드는 작성 단계만 AI가 맡습니다. 채택률은 품질 지표 역할도 합니다. 채택률이 떨어지는 항목은 양식이나 프롬프트를 고칠 곳이라는 신호가 됩니다.

채택률은 담당자가 초안을 받아들인 비율. 채택 기준의 정의는 사례집에 없음

통념과 다른 주장

흔히 이렇게 봅니다공공기관의 AI는 민원 안내 챗봇이나 현황을 보여 주는 대시보드처럼 정보를 정리해 보고하는 도구로 쓰는 경우가 많습니다.

자이시는 이렇게 봅니다시의 고위 책임자는 이 사업이 AI를 『reporting tool』에서 『digital workforce』로 바꾼다고 말합니다. AI가 현장 담당자의 일을 직접 맡아야 한다는 뜻입니다.

근거사례집의 성과 항목이 이 관점을 따릅니다. 작성 시간 단축, 초안 채택률, 서류 작업에서 직접 돌봄으로 옮겨 간 행정시간 60%처럼 담당자의 시간이 어디로 갔는지를 성과로 셉니다.

사례집의 경영진 발언과 성과 항목을 바탕으로 정리

사례 재구성

자이시 장기요양 AI 디지털 직원

구분	내용
상황	초고령 사회로 장기요양 수요가 늘었습니다. 사례관리자 한 명이 300건 가까운 사례를 맡고 근무 시간의 절반 이상을 행정·준수 점검에 썼습니다. 기관 간 데이터가 이어지지 않아 가족이 병력을 되풀이해 설명했습니다.
한 일	Agentic AI 디지털 직원을 들여 사례 요약, 돌봄계획, 문서 작업을 자동화하고 표준화했습니다. 방문 음성 전사와 가족관계도 작성, 설정형 양식, 역할별 접근, 종합 사례관리 지원을 붙였습니다. Institute for Information Industry가 참여했습니다.
결과	자이시 보고 실적으로 문서·계획 작성 120분에서 30분, AI 초안 채택률 80% 초과, 행정시간 60%를 직접 돌봄·시민 대면으로 전환, 사례관리자 유지율 100%, 현장 직원 85%가 가치 인정, 17개 지방정부가 도입 관심. 측정 기간과 단위는 사례집에서 밝히지 않음.
연결	디지털 직원(메커니즘 1), 음성 전사(2), 가족관계도(3), 양식·권한(4), 초안 채택 구조(5)가 한 업무 흐름으로 묶인 사례입니다.

모두 자이시 보고 실적(사례집 표기). 기간·분모는 사례집에 명시되지 않음

배경: 공개 자료로 본 자이시 장기요양 AI

이 사례(AI Care Workforce)를 직접 다룬 자이시 보도자료나 언론 보도는 이번 조사에서 확인하지 못했습니다. 같은 시의 장기요양 분야 AI 활용은 별도 보도로 확인됩니다. 자유시보(自由時報) 2026년 7월 9일 보도에 따르면 자이시는 독거 노인과 치매 가구를 위한 『伊鍵通』 AI 안전 지킴이 서비스를 내놓았습니다. 착용형 버튼으로 보호자 최대 20명을 한꺼번에 부르고 가정 내 이상 움직임을 AI로 감지하며 음성 기록을 요약합니다. 이 서비스는 사례관리자용 디지털 직원과 다른 사업이며 이 노트의 성과 수치와 관계가 없습니다.

기술 디테일: 첫 프로토타입을 세우는 법

아래는 사례집의 구조를 실제로 돌릴 때 필요한 것들입니다. 설정값과 필드는 새로 설계한 가상 예시입니다.

음성 전사를 돌리려면(메커니즘 2) 녹음, 전사, 정제, 요약을 네 단계로 나눕니다. 녹음 전에 동의 여부를 기록하고 원음은 암호화해 보관 기간(예: 90일)을 정합니다. 전사 엔진(ASR)은 화자 구분과 구간별 신뢰도 점수를 내는 것을 고릅니다. 한국 현장이라면 사투리와 공장 소음을 섞은 표본 20건으로 단어 오류율을 먼저 잽니다. 신뢰도가 낮은 구간은 요약에 쓰지 않고 담당자에게 표시합니다. 주민번호나 전화번호 같은 개인정보는 LLM에 넘기기 전에 가립니다. 녹음과 고객 정보가 사외로 나가면 안 되는 회사라면 사내 배포 모델이나 데이터를 보관하지 않는 조건의 API 계약을 고릅니다.

실제로 돌릴 때 필요한 단계. 새로 설계

사례 요약과 계획 초안을 구조화하려면(메커니즘 1·5) 자유 문장 대신 정해진 필드의 JSON을 받습니다. 필드마다 근거가 된 전사 구간 ID를 함께 받게 하면 담당자가 클릭 한 번으로 원문 대화를 확인합니다. 근거를 찾지 못한 항목은 지어내지 말고 빈칸으로 두게 합니다.

{
  "case_id": "C-2026-0412",
  "visit_date": "2026-10-20",
  "summary": {
    "health_change": {"text": "무릎 통증 증가, 야간 보행 어려움", "evidence": ["seg-014", "seg-022"]},
    "living": {"text": "혼자 거주, 계단 있는 2층", "evidence": ["seg-005"]},
    "family_support": {"text": "아들 주말 방문", "evidence": ["seg-031"]},
    "risk_flags": [{"type": "낙상", "level": "중", "evidence": ["seg-022"]}]
  },
  "care_plan_draft": [
    {"goal": "낙상 위험 감소", "service": "주거 환경 개선 상담", "frequency": "1회", "evidence": ["seg-022"]}
  ],
  "missing_fields": ["복약 현황"]
}

모델은 용도별로 나눕니다. 전사문 요약처럼 항목을 옮겨 담는 일은 빠르고 싼 모델에, 여러 조건을 따져야 하는 계획 초안은 Reasoning Model에 맡깁니다. 호출 단위와 설정은 단순하게 둡니다. 방문 1건에 요약 1회, 계획 1건에 초안 1회를 호출합니다. 같은 입력으로 세 번 돌려 필수 항목(위험 신호, 서비스 종류)이 서로 다르면 담당자 화면에 경고를 띄웁니다. 사례집이 든 Domain-Specific Language Model을 쓸 여력이 없으면, 범용 LLM에 과거 확정 기록 50~100건을 예시로 검색해 넣는 방식부터 시작합니다.

가상 예시 설정값. 사례집에 없는 수치

가족관계도를 만들려면(메커니즘 3) LLM에게 그림을 그리게 하지 말고 사람(id, 이름 또는 호칭, 성별, 생존 여부, 거주지)과 관계(부모, 배우자, 자녀, 동거, 주 돌봄자)를 JSON으로 뽑게 합니다. 그림은 Graphviz 같은 도구로 그립니다. 뽑은 관계는 규칙으로 검사합니다. 한 사람이 배우자가 둘이거나 자녀가 부모보다 나이가 많으면 오류로 돌려보냅니다. 다음 방문에서는 새로 나온 관계만 덧붙이고 담당자가 확인합니다.

양식과 권한을 설정으로 두려면(메커니즘 4) 양식은 항목 이름, 필수 여부, 허용 값, AI 작성 허용 여부를 담은 설정 파일로 관리합니다. AI 작성을 막은 항목(예: 최종 판정, 서명)은 화면에서 사람만 채웁니다. 권한은 역할과 사례 소속으로 나누고 열람과 수정, AI 초안 승인을 모두 감사 로그에 남깁니다. 협력 기관에는 필요한 항목만 보이는 별도 보기를 만듭니다.

채택률과 품질을 재려면(메커니즘 5) 채택을 먼저 정의합니다. 아래처럼 0·3·5점 기준을 두고 3점 이상을 채택으로 셉니다. 담당자가 고친 글자 비율도 함께 저장하면 어느 항목에서 AI가 자주 틀리는지 보입니다. 사실 오류(없는 증상, 잘못된 가족 관계)는 채택률과 따로 세어 2% 같은 상한을 둡니다.

가상 예시. 채택률을 셀 때 쓰는 채점 기준

실패 상황	증상	대응
전사 오류	약 이름·지명이 엉뚱하게 적힘	업무 용어 사전 등록, 낮은 신뢰 구간 표시
근거 없는 요약	대화에 없던 증상이 들어감	필드별 근거 ID 필수, 없으면 빈칸
관계 혼동	며느리를 딸로 기록	관계 규칙 검사, 담당자 확인 단계
권한 누수	협력 기관에 가족사 노출	기관별 보기 분리, 열람 로그 점검
초안 의존	검토 없이 확정	무작위 표본 재검토, 확정 시간 하한 경고

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업에서 자이시와 가장 닮은 업무는 현장 방문 뒤 보고서를 쓰는 일입니다. 고객사를 방문하는 필드 서비스 엔지니어, 설비 보전 담당자, 협력사 품질 감사 담당자가 여기에 해당합니다. 이들도 현장에서는 대화하고 보고서는 사무실에서 따로 씁니다. 아래는 이 업무를 대상으로 한 가상 예시입니다.

역할	담당	하는 일
현업 스폰서	서비스·품질 부문 임원	대상 업무 선정, 판정 회의 주재
업무 책임자	현장 팀장 1명	보고서 양식 확정, 채택 기준 승인
파일럿 사용자	엔지니어 8~12명	녹음·초안 검토, 수정 기록 남김
AX 엔지니어	2명	전사·요약 파이프라인, 양식 설정
정보보호	1명	녹음 동의서, 권한·로그 설계 검토

시작 전 준비물은 네 가지입니다. 최근 확정 보고서 50~100건(예시와 평가용), 현재 보고서 양식과 필수 항목 목록, 고객·협력사 녹음 동의서 문안, 엔지니어별 보고서 작성 시간을 2주간 잰 기록입니다. 마지막 것이 없으면 자이시의 120분과 30분 같은 전후 비교를 낼 수 없습니다.

가상 예시. 한국 제조사 현장 보고서 업무 기준

기간	할 일	산출물
1~2주	보고서 작성 시간 계측, 양식 항목 정리	기준 시간표, 항목 목록
3~4주	양식 설정, 권한 설계, 근거 ID 필드 정의	양식 설정 파일, 권한표
5~8주	사용자 8~12명 실사용, 매주 채점	주간 채택률·오류율
9~10주	판정 회의, 확산 범위 결정	판정 보고서

파일럿 사용자에게는 매주 다음을 묻습니다. 초안에서 가장 자주 고친 항목은 무엇인가. 근거 링크로 원문을 확인했는가. 초안이 없을 때보다 놓친 내용이 늘었는가. 아낀 시간을 어디에 썼는가. 마지막 질문은 자이시가 행정시간 60%가 직접 돌봄으로 옮겨 갔다고 보고한 지표에 해당합니다. 한국 현장에서는 『고객 대면 시간』이나 『추가 점검 건수』로 바꿔 셀 수 있습니다.

가상 예시 기준값. 사례집 실적이 아님

진행 판정은 세 기준으로 합니다(가상 예시). 작성 시간이 측정 전보다 50% 이상 줄었는지, 3점 이상 초안이 70% 이상인지, 사실 오류가 2% 이하인지 봅니다. 셋을 모두 넘으면 같은 부문의 다른 팀으로 넓히고 하나라도 못 넘으면 실패 항목의 양식과 근거 규칙을 고쳐 4주를 더 돌립니다.

적용 순서를 제언하면, 첫 과제는 보고서가 많고 양식이 정해져 있으며 책임자가 서명하는 업무로 고릅니다. 자이시가 돌봄계획에서 그랬듯 AI는 초안까지만 쓰고 확정은 사람이 하게 두면 노조와 법무의 우려도 줄어듭니다. 성과는 비용 절감보다 『아낀 시간이 고객과 현장으로 갔는가』로 보고하는 편이 임원 설득에 유리합니다. 자이시는 담당자 유지율 100%를 성과로 내세웠습니다. 인력난을 겪는 현장 직군이라면 이직률을 함께 추적할 만합니다. 한 부문에서 양식 설정과 권한 구조를 만들어 두면, 17개 지방정부가 관심을 보인 자이시처럼 같은 틀을 다른 사업장에 옮기기 쉬워집니다.

원문 사례

항목	내용
기관	Chiayi City Government(대만 자이시)
출처	Gartner 2026 Eye on Innovation Awards for Government 제출 사례, Greater China 사례집 슬라이드 36
사례명	AI Care Workforce(장기요양 AI 디지털 직원)
문제	사례관리자당 300건 가까운 사례, 근무 시간 50% 초과가 행정·준수 점검, 기관 간 데이터 단절
기술	AI Agents, Domain-Specific Language Models, Reasoning Models, LLMs
협력 기관	Institute for Information Industry
기능	사례 요약·돌봄계획·문서 자동화와 표준화, 방문 음성 전사, 가족관계도, 설정형 양식, 역할별 접근, 종합 사례관리
성과(보고 실적)	120분 → 30분, 초안 채택 80% 초과, 행정시간 60% 전환, 유지율 100%, 현장 85% 가치 인정, 17개 지방정부 관심

핵심 개념

care manager: 장기요양 대상자의 상태를 평가하고 돌봄계획을 세워 서비스를 연결하는 사례관리 담당자.
care plan: 대상자에게 어떤 서비스를 얼마나 자주 줄지 정한 돌봄계획 문서. 이 사례에서 AI가 초안을 씁니다.
Domain-Specific Language Model: 특정 분야의 용어와 문서로 맞춘 언어 모델. 범용 모델보다 업무 용어를 덜 틀립니다.
Reasoning Model: 답을 내기 전에 여러 단계로 따져 보는 모델. 계획처럼 조건이 얽힌 문서에 씁니다.
ASR: Automatic Speech Recognition. 음성을 글로 옮기는 기술.
Institute for Information Industry: 대만 정부가 출연한 정보통신 연구기관(資策會). 이 사례의 기술 협력 기관입니다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Chiayi City, 『AI Care Workforce』, 슬라이드 36). 요약·메커니즘·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료를 AX Review가 다시 정리했습니다. 이 사례를 직접 다룬 추가 공개 자료는 확인하지 못했습니다(TechNews 『數位大黃金時代: AI 如何釋放長照一線雙手?』 https://technews.tw/2026/07/15/ai-frees-caregivers-hands/ 는 접근이 막혀 읽지 못함). 배경 절의 별도 서비스는 자유시보 2026년 7월 9일 보도(https://news.ltn.com.tw/news/life/breakingnews/5499413)로 확인했습니다. 기술·현업 디테일, JSON 예시, 설정값, 일정·판정 기준, 인포그래픽과 표는 새로 작성했으며 그 안의 숫자는 가상 예시입니다.