대만 사이버보안청 AI Audit Expert Model: 사이버보안법 준수 감사를 내부 AI가 항목별로 먼저 판정

대만 사이버보안청은 사이버보안법 준수 감사의 1차 검토를 기관 안에서 돌리는 AI에 맡기고 판정 확정은 감사인에게 남겼습니다. 기관당 감사 인력이 30명에서 3명으로 줄었다고 보고했고 감사 대상도 늘렸습니다. 따라 하려면 감사 항목 체계와 지난 감사 기록부터 정리하고 근거 인용을 강제하는 출력 형식을 정해야 합니다.

요약

대만 디지털발전부(moda) 산하 사이버보안청(Administration for Cyber Security, 이하 ACS)은 資通安全管理法(Cyber Security Management Act, 이하 사이버보안관리법)을 집행하는 기관입니다. 2026 Gartner Eye on Innovation Awards 정부 부문에 제출·소개된 사례집에 따르면 ACS는 감사 범위를 넓히는 일에서 막혀 있었습니다. 감사는 손으로 하고 숙련 감사인에게 기대는 방식이었습니다. 에너지, 금융, 교통, 통신 분야 기관의 규정과 기록과 시스템을 검토하는 데 시간이 오래 걸렸습니다. 법 적용을 받는 기관은 7,000개가 넘는데 현장 감사로는 그 범위를 다 덮지 못했습니다. ACS는 Taiwan Cyber Security Act AI Audit Expert Model(이하 감사 모델)을 만들었습니다. 사이버 법령, 대만 현지 말뭉치, 10년치 감사 데이터로 학습한 온프레미스(기관 안 서버에서 돌리는) Sovereign AI(데이터와 모델을 자국·자기 기관이 통제하는 AI)입니다. 감사 모델은 감사 문서를 파싱하고 항목별로 준수 여부를 평가한 뒤 감사인에게 권고 초안을 줍니다. 환각을 줄이려고 감사 전용 프롬프트를 쓰고 모든 출력은 최종 보고 전에 감사인이 검증합니다. 사례집이 밝힌 기술 공급사는 대만 AI 기업 APMIC입니다.

사례집이 보고한 성과는 네 가지입니다. 기관당 필요한 감사 인력이 30명에서 3명으로 90% 줄었고 감사 처리 시간이 24시간에서 4시간으로 83% 줄었습니다. 전문가 검토를 거친 AI 권고의 정확도는 80%를 넘었습니다. 감사 대상 기관은 2025년 40개에서 2026년 60개로 50% 늘었고 점진적으로 연 100개를 목표로 합니다. 100개는 실적이 아니라 목표입니다. 30명·3명이 어떤 직무를 센 인원인지와 정확도의 분모는 사례집에 적혀 있지 않습니다. 성과의 순서를 보면 이유가 드러납니다. AI가 문서 검토의 1차 작업을 맡자 한 기관에 들어가는 사람과 시간이 줄었고 남은 인력으로 더 많은 기관을 감사하게 됐습니다. 공개 자료로 보면 이 흐름은 제도 안에도 들어와 있습니다. moda의 2026년 사이버보안 감사계획은 AI 보조 장외 감사(AI 輔助場外稽核)를 점수에 넣지 않는 시범 방식으로 따로 두었습니다. 아래에서는 감사 모델을 이루는 다섯 가지 메커니즘을 풀고 한국 제조 대기업이 자기 감사 업무에 옮길 때 필요한 기술·실행 디테일을 붙입니다.

핵심 메커니즘

On-premise Sovereign AI: 법령과 감사 기록을 기관 안에서 학습한 모델

감사 모델은 외부 클라우드 API가 아니라 기관 안 서버에서 돌아갑니다. 학습 재료는 세 가지입니다. 사이버 법령은 판정 기준이 되고 대만 현지 말뭉치는 번체 중국어 행정 문서의 용어와 문체를 익히게 하며 10년치 감사 데이터는 과거 감사인이 어떤 증빙에 어떤 판정을 내렸는지를 담습니다. 감사 문서에는 피감 기관의 네트워크 구성, 취약점, 사고 기록이 들어 있어 밖으로 내보내기 어렵습니다. 온프레미스 구성은 이 제약을 풀면서 판정 기준을 기관이 직접 관리하게 합니다. 범용 모델은 법률 용어를 알아도 “이 기관의 이런 증빙이면 지난 10년간 보통 부분 충족으로 봤다”는 감각까지는 모릅니다. 그 감각을 채우는 재료가 감사 기록입니다.

언제 맞고 언제 안 맞나. 감사 문서가 민감하고 판정 기준이 법령과 내부 관행에 묶여 있으면 맞습니다. 과거 기록이 적거나 판정 이유가 남아 있지 않으면 학습 재료가 부족합니다. 이런 곳은 학습보다 검색 근거(RAG)로 시작하는 편이 현실적입니다. 공개 자료로 보면 APMIC은 번체 중국어 모델 ACE-1-24B를 온프레미스 배치용으로 내놓았습니다. 이 모델은 2025년 10월 moda가 지도하는 AI 평가센터(AIEC)의 신뢰성 평가를 통과했다고 보도됐습니다(경제일보, 2025년 10월 15일). 다만 ACS 감사 모델이 어떤 기반 모델을 썼는지는 공개 자료에서 확인하지 못했습니다.

Item-by-item Assessment: 감사 문서를 쪼개 항목마다 준수 여부를 판정

감사 모델은 문서 전체를 한 번에 평가하지 않습니다. 사례집 설명대로 감사 문서를 파싱하고 항목별로 준수 여부를 평가한 뒤 권고를 만듭니다. 입력은 피감 기관이 낸 정책, 운영 기록, 시스템 자료입니다. 처리는 두 단계입니다. 먼저 문서를 조각으로 나누고 각 조각이 어느 감사 항목의 증빙인지 연결합니다. 그다음 항목마다 기준과 증빙을 나란히 놓고 판정과 권고 초안을 씁니다. 출력이 항목 단위로 나오므로 감사인은 보고서 전체가 아니라 항목 하나씩 채택하거나 고칠 수 있습니다.

항목 체계가 이미 있는 감사라서 이 방식이 통합니다. moda의 2026년 감사계획을 보면 정보시스템 현장 감사는 전략·관리·기술 3개 영역 9개 항목, 100점 만점으로 짜여 있고 AI 보조 장외 감사는 그 가운데 전략·관리 영역 5개 항목을 다룹니다. 항목이 정해져 있지 않은 탐색형 감사나 현장 인터뷰가 핵심인 감사에는 맞지 않습니다.

Audit-specific Prompts: 환각을 줄이는 감사 전용 질문 틀

ACS는 환각을 줄이려고 감사 업무에 맞춘 프롬프트를 썼다고 밝혔습니다. 감사에서 환각은 두 가지로 나타납니다. 제출 문서에 없는 증빙을 있다고 쓰거나, 법령에 없는 요구사항을 근거로 지적하는 경우입니다. 감사 전용 프롬프트는 질문의 틀을 고정해 이 두 가지를 막습니다. 항목 ID, 해당 조문, 충족 기준, 제출된 증빙 조각을 정해진 자리에 넣고 모델은 정해진 형식으로만 답하게 합니다. 사례집은 프롬프트의 구체 문구를 공개하지 않았습니다. 오른쪽 그림의 세부(근거 없으면 판정 보류 등)는 실제로 돌릴 때 필요한 설계를 덧붙인 것입니다.

Human Validation: AI는 초안, 판정 확정은 감사인

감사 모델의 모든 출력은 최종 보고 전에 감사인이 검증합니다. AI가 내놓는 것은 항목별 판정과 권고의 초안이고 보고서에 서명하는 사람은 감사인입니다. 사례집의 정확도 수치도 이 구조 위에 있습니다. 80% 초과라는 값은 전문가 검토를 거친 AI 권고의 정확도로 적혀 있습니다. 감사인이 매번 확인한다는 전제가 있으니 AI가 틀린 권고를 내도 보고서에 그대로 실리지 않습니다. 감사 책임이 법적으로 사람에게 있는 업무라면 이 구조를 빼면 안 됩니다. 공개 자료도 같은 방향입니다. 2026년 감사계획은 기관이 낸 자체 평가와 증빙을 moda 감사 데이터 분석 플랫폼이 AI로 분석하고 직원과 감사위원이 그 결과를 검토하는 방식을 적었습니다.

From Sampling to Full Review: 표본 점검에서 전수 검토로

ACS가 말하는 효과는 사람을 줄인 데서 끝나지 않습니다. 한 고위 관계자는 이 변화를 “shifting from paper-based sampling to comprehensive AI-automated review”라고 설명했습니다. 사람이 문서를 읽던 때에는 증빙 일부를 골라 보는 표본 점검이 한계였습니다. AI가 모든 문서를 1차로 읽으면 감사인은 AI가 문제나 근거 부족을 표시한 항목에 시간을 씁니다. 숙련 감사인이 해마다 신입에게 가르치던 판단 기준이 모델에 쌓이니 감사인마다 판정이 달라지는 문제도 줄어든다고 ACS는 봅니다. 감사 대상 기관 수가 늘어난 것은 이 재배치의 결과입니다.

통념과 다른 주장

사례 재구성

ACS: 사이버보안관리법 AI 감사 모델

구분	내용
상황	피규제 기관 7,000개 이상. 에너지·금융·교통·통신 분야의 규정·기록·시스템 검토를 손으로 하고 숙련자에게 의존. 현장 감사로는 범위가 모자람
한 일	사이버 법령·현지 말뭉치·10년 감사 데이터로 온프레미스 Sovereign AI 구축. 문서 파싱, 항목별 준수 평가, 권고 초안 작성. 감사 전용 프롬프트로 환각 억제. 최종 보고 전 감사인 검증. 기술 공급사 APMIC
결과	기관당 감사 인력 30명→3명(90% 감소), 처리 24시간→4시간(83% 감소), 전문가 검토 후 권고 정확도 80% 초과, 감사 기관 2025년 40개→2026년 60개(50% 증가), 점진 목표 연 100개
연결	On-premise Sovereign AI(학습 재료), Item-by-item Assessment(처리 단위), Audit-specific Prompts(환각 억제), Human Validation(책임), From Sampling to Full Review(범위 확대)

기술 디테일: 감사 1차 검토 AI를 만들려면

아래 단계, 필드명, 설정값은 실제로 돌릴 때 필요한 것을 정리한 가상 예시입니다. ACS의 실제 설정이 아닙니다.

파이프라인을 다섯 단계로 나누려면(Item-by-item Assessment) 수집, 파싱, 매핑, 판정, 검증을 따로 돌립니다. 파싱 단계에서는 스캔 문서에 OCR을 돌리고 표는 행·열 구조를 살려 뽑습니다. 이때 조각마다 원본 문서 ID와 쪽 번호를 붙여 둡니다. 매핑 단계에서는 조각을 감사 항목 ID에 연결하고 해당 조문과 같은 항목의 과거 판정 3~5건을 검색해 함께 넣습니다. 판정은 항목 하나를 호출 한 번으로 처리합니다. 문서 전체를 한 번에 넣으면 항목끼리 근거가 섞입니다.

출력을 고정하려면(Audit-specific Prompts) 항목 하나의 결과를 아래 JSON으로 받습니다. 모델이 이 형식을 벗어나면 다시 호출합니다.

{"agency_id": "A-0193", "item_id": "MGT-04", "law_ref": "조문 ID", "verdict": "partial", "evidence": [{"doc_id": "D-12", "page": 7, "quote": "제출 문서 원문 그대로"}], "missing": ["최근 1년 교육 이수 기록"], "finding": "지적 초안", "recommendation": "권고 초안", "agreement": "3/3", "model_version": "audit-v2", "prompt_version": "p-mgt-04-v5"}

verdict는 compliant·partial·noncompliant·insufficient_evidence 네 값으로 제한합니다. quote는 제출 문서의 문장을 그대로 옮기게 하고 판정 뒤 코드로 원문에 그 문자열이 실제로 있는지 대조합니다. 대조에 실패한 결과는 사람 검토로 넘깁니다. 근거 조각이 하나도 없으면 모델이 추측하지 않고 insufficient_evidence를 내게 프롬프트에 적습니다. prompt_version을 항목별로 남기면 프롬프트를 고친 뒤 정확도가 어떻게 바뀌었는지 버전끼리 비교할 수 있습니다.

편차를 다루려면 temperature를 0~0.2로 낮추고 같은 항목을 3회 돌려 verdict가 모두 같은지 봅니다. 셋이 다르면 agreement를 2/3처럼 적고 감사인 우선 검토 목록 맨 위에 올립니다. 판정이 갈리는 항목은 대개 증빙이 애매한 항목이라 사람이 먼저 봐야 할 곳과 겹칩니다.

정확도를 재려면(Human Validation) 감사인이 AI 권고마다 채택·경미 수정·기각 중 하나를 고르게 하고 채택과 경미 수정을 합한 비율을 영역별로 집계합니다. 사례집의 80% 초과 수치와 견주려면 정확도의 정의를 먼저 문서로 정해 두어야 합니다. 항목 단위인지 권고 문장 단위인지, 경미 수정을 정답으로 칠지를 정합니다. 정확도와 함께 놓친 지적 수를 따로 셉니다. 파일럿 동안 감사인이 같은 기관을 직접 검토하고 감사인은 찾았는데 AI가 compliant로 넘긴 항목을 셉니다. 감사에서 비싼 실수는 틀린 지적보다 놓친 지적입니다.

학습 재료를 준비하려면(On-premise Sovereign AI) 지난 감사 기록을 항목 단위 행으로 바꿉니다. 한 행에는 기관, 연도, 항목 ID, 제출 증빙 요약, 판정, 지적 문구, 권고 문구가 들어갑니다. 판정 이유가 빠진 행은 학습에서 빼거나 검색용으로만 씁니다. 법령이 개정되면 개정 전 기록은 law_version 필드로 구분해 새 기준 판정에 섞이지 않게 합니다. 대만의 사이버보안관리법은 2025년 9월 개정안이 공포됐습니다(Baker McKenzie, 2025년 10월). 모델 규모는 20~30B급 모델을 GPU 1~2장에 올리는 구성에서 시작할 수 있습니다. 망분리 구간 안에 두고 입력·출력 로그를 감사 증적으로 보관합니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 대기업, 특히 제조 기업의 AX 조직이 이 사례를 자기 감사 업무로 옮기는 방법입니다. 역할, 일정, 기준은 모두 가상 예시입니다.

역할	담당	할 일
과제 책임	정보보호 감사팀장	대상 감사와 항목 범위 확정, 진행 여부 판정
감사인	숙련 감사인 2~3명	골든셋 라벨링, AI 결과 병행 검토, 판정 기준 문서화
데이터·모델	AX팀 엔지니어 2명	파싱, 매핑, 프롬프트, 평가 대시보드
인프라	보안 인프라 담당	온프레미스 GPU, 망분리, 접근 권한, 로그 보관
규정	법무·컴플라이언스	AI 초안의 지위, 보고서 서명 책임, 피감 부서 고지

시작 전 준비물은 네 가지입니다. 감사 항목 체계(항목 ID, 근거 규정, 충족 기준, 필요한 증빙 유형), 최근 3~5년 감사 기록(항목별 판정과 지적 문구), 이번 감사 대상의 제출 문서 표본 20~30건, 감사인이 평소 쓰는 판정 메모입니다. 판정 메모는 대개 개인 파일에 흩어져 있어 먼저 모아야 합니다.

기간	할 일	산출물
1~2주	대상 감사·항목 확정, 과거 기록을 항목 단위로 정리, 망·권한 규정	항목 체계표, 정리된 기록
3~6주	감사인이 기관 10곳 분량을 직접 판정해 골든셋 작성, 파이프라인 구축	골든셋, 1차 파이프라인
7~10주	실제 감사 1회분을 사람과 AI가 나란히 검토, 프롬프트 수정	항목별 채택률, 놓친 지적 목록
11~12주	결과 정리, 확대 범위 결정	판정 보고서

감사인에게 물을 질문도 정해 둡니다. 이 항목에서 판정이 갈리는 전형적인 증빙은 무엇인가? 부분 충족과 미충족을 가르는 기준을 한 문장으로 쓸 수 있는가? AI 권고를 고칠 때 주로 무엇을 고쳤는가? 근거 인용이 원문과 다른 경우가 있었는가? AI가 표시한 항목만 봐도 안심할 수 있는가?

**진행 판정 기준(가상 예시)**은 네 가지입니다. 감사인 채택률(채택+경미 수정) 80% 이상(ACS 사례의 80% 초과를 참고한 문턱), 근거 인용 대조 통과율 95% 이상, 항목당 검토 시간 50% 이상 단축, 사람이 찾은 중대 지적을 AI가 compliant로 넘긴 건 0건입니다. 마지막 조건을 못 넘기면 다른 셋이 좋아도 확대하지 않습니다.

어디에 먼저 쓰나. 한국 제조 대기업에서 ACS 사례와 가장 닮은 업무는 협력사 정보보안 점검입니다. 점검 대상이 수백 곳이고 협력사가 자가진단표와 증빙을 내면 소수의 감사 인력이 검토하는 구조라서 ACS가 7,000개 이상 기관을 앞에 둔 상황과 비슷합니다. 첫 과제는 이 점검의 서류 검토를 AI 1차 검토로 바꾸고 감사인은 AI가 표시한 항목과 현장 확인에 집중하게 하는 것입니다. 그다음은 계열사 ISMS-P·ISO 27001 내부 감사, 마지막으로 IATF 16949 품질 시스템 감사나 공정안전관리(PSM) 문서 검토처럼 항목 체계가 뚜렷한 감사로 넓힙니다. 성과는 인력 절감보다 점검 범위로 먼저 보고하는 편이 낫습니다. 예를 들어 연 50곳 표본 점검을 전 협력사 서류 검토로 넓혔다는 식입니다. ACS도 사람을 줄인 결과를 감사 기관 수를 늘리는 데 썼습니다.

원문 사례

항목	사례집 기재	공개 자료
기관	Administration for Cyber Security, moda (대만 타이베이)	moda가 사이버보안관리법 주관 부처, ACS가 집행 기관 (Baker McKenzie, 2025년 10월)
사례명	AI Audit Expert Model (Taiwan Cyber Security Act AI Audit Expert Model)	같은 이름의 공개 발표는 확인 못 함
출처	Gartner 2026 Eye on Innovation Awards for Government 제출·소개 사례 (수상 여부는 공개 자료로 확인 못 함)
문제	피규제 기관 7,000개 이상, 수동·숙련자 의존 감사, 현장 감사 범위 부족	2025년 개정으로 적용 범위가 정부 통제 기업·단체로 넓어짐
구현	온프레미스 Sovereign AI, 사이버 법령·현지 말뭉치·10년 감사 데이터, 문서 파싱·항목별 평가·권고, 감사 전용 프롬프트, 감사인 검증	2026년 감사계획에 AI 보조 장외 감사를 점수 미반영 시범 방식으로 둠. 전략·관리 영역 5개 항목, 회당 피감 기관 직원 1명과 감사위원 1명
기술 분류·공급사	AI, Cybersecurity Technologies, GenAI, LLMs, Data & Analytics / APMIC	APMIC은 온프레미스용 번체 중국어 모델 ACE-1-24B를 공개, AIEC 신뢰성 평가 통과 보도 (2025년 10월). ACS 사례에 쓴 모델은 확인 못 함
감사 인력	기관당 30명→3명 (90% 감소)	2026년 계획의 현장 감사는 위원 4~8명, 기술 검사는 회당 약 12명
처리 시간	24시간→4시간 (83% 감소)
정확도	전문가 검토 후 AI 권고 정확도 80% 초과
감사 범위	2025년 40개→2026년 60개 (50% 증가), 점진 목표 연 100개	2023년 공무기관 감사는 24곳 (moda 2023년 감사 개요, 2024년 7월). 2026년 계획은 총 기관 수를 적지 않음

핵심 개념

資通安全管理法 (Cyber Security Management Act)

대만의 사이버보안 기본법. 정부 기관과 핵심 기반시설 운영자 등에 보안 유지 계획과 사고 보고 의무를 지우고 주관 기관이 이행 여부를 감사합니다.

AI 輔助場外稽核 (AI 보조 장외 감사)

현장에 가지 않고 기관이 낸 자체 평가와 증빙을 AI로 먼저 분석한 뒤 사람이 검토하는 감사 방식. moda 2026년 감사계획에 시범 방식으로 들어 있습니다.

골든셋

숙련 감사인이 직접 판정한 정답 묶음. AI 판정을 비교해 채택률과 놓친 지적을 재는 기준이 됩니다.

근거 인용 대조

AI가 인용했다는 문장이 제출 문서에 실제로 있는지 코드로 확인하는 절차. 없는 증빙을 지어내는 환각을 걸러 냅니다.

RAG

질문할 때마다 관련 조문과 과거 판정을 검색해 모델 입력에 함께 넣는 방식. 학습 없이도 판정 근거를 최신으로 유지합니다.

APMIC

대만의 기업용 자체 구축 AI 기업. 사례집이 이 사례의 기술 공급사로 적었습니다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(정부, Administration for Cyber Security, moda 『AI Audit Expert Model』, 슬라이드 35). 요약·메커니즘의 사례 내용·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했습니다. 공개 자료로는 moda 『115年資通安全稽核計畫(核定本)』(2026년 3월, https://www-api.moda.gov.tw/File/Get/acs/zh-tw/DUszM7xHC2UQo3i), moda 『112年度公務機關資安稽核概況報告』(2024년 7월, https://www-api.moda.gov.tw/File/Get/acs/zh-tw/u4xZ1n7Jv3RM4Qv), Baker McKenzie 『Taiwan: Amendment to Cybersecurity Management Act』(2025년 10월 8일, https://connectontech.bakermckenzie.com/taiwan-amendment-to-cybersecurity-management-act/), 경제일보 APMIC ACE-1-24B AIEC 평가 통과 보도(2025년 10월 15일, https://money.udn.com/money/story/5613/9071252)를 확인했습니다. 감사계획의 AI 보조 장외 감사가 사례집의 감사 모델과 같은 시스템이라는 공개 설명은 찾지 못했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 시상 부문 안내는 Gartner Eye on Innovation Awards 정부 페이지(https://www.gartner.com/en/about/awards/eye-on-innovation/government)에서 볼 수 있습니다.