경찰조직의 AI 도입 역량에 대한 탐색적 진단: 동태적 AI 역량 프레임워크(DACF)의 제안과 적용

2.1 공공부문 AI 도입과 경찰조직의 특수성

AI는 공공부문의 행정 처리, 서비스 제공, 의사결정 지원 방식에 변화를 가져오고 있다. 공공부문 AI 도입은 단순한 기술 활용이 아닌 정부 운영방식, 조직구조, 공공서비스 제공 방식의 변화와 연결된다[1][2]. 실제 공공부문에서는 AI가 내부관리, 정책결정 지원 등 다양한 기능에 활용되고 있다[10].

그러나 공공조직은 민간조직과 달리 투명성, 개인정보 보호, 공공가치 실현이라는 제약 속에서 AI를 도입해야 한다. 공공조직의 AI 도입은 기술 성능뿐 아니라 제도적 정당성, 설명가능성, 책임 배분, 시민 신뢰와 밀접하게 관련된다. 따라서 공공부문 AI 도입을 분석할 때에는 효율성, 생산성뿐 아니라 제도화, 책임성, 조직학습을 함께 고려해야 한다.

경찰조직은 공공부문 중에서도 AI 활용의 기회와 위험이 동시에 크게 나타나는 조직이다. 경찰업무는 범죄예방, 수사, 법집행 등 다양한 영역을 포함하며, 대량의 자료와 복잡한 판단이 요구된다. 기존 연구에 따르면 경찰 분야의 AI 연구는 범죄예측, 교통관리, 의사결정 지원, 얼굴인식 등 여러 영역으로 확장되고 있다[6]. 국내에서도 경찰 데이터 기반 AI 치안언어모델 개발, AI 기반 경찰활동의 위험, 경찰 AI 활용의 허용과 규제 등이 논의되어 왔다[3]-[5].

이러한 연구들은 경찰 AI 활용의 가능성과 위험을 이해하는 데 기여했지만, 경찰조직 내부에서 AI 도입이 어떻게 조직역량으로 형성되는지를 설명하는 데에는 한계가 있다. 경찰조직의 AI 도입은 단순히 새로운 시스템을 구축하는 문제가 아니라, 구성원이 기술의 기회와 위험을 인식하고, 조직이 이를 어떤 기준으로 선택하며, 실제 업무방식과 책임 체계 속에 어떻게 정착시키는가의 문제이다.

2.2 동태적 역량 이론과 공공조직 적용

동태적 역량 이론은 변화하는 환경 속에서 조직이 자원을 통합·재구성하여 새로운 환경에 대응하는 능력에 주목한다. Teece et al.[9]은 동태적 역량을 변화하는 환경에 대응하기 위해 조직의 역량을 통합·구축·재구성하는 것으로 보았고, Teece는 이를 기회와 위협을 감지하는 Sensing, 감지된 기회를 포착하는 Seizing, 조직의 자산과 프로세스를 재구성하는 Reconfiguring/Transforming으로 구체화하였다[10].

동태적 역량 이론은 최근 공공조직의 변화관리와 디지털 전환을 설명하는 데에도 활용되고 있다. 공공조직 역시 기술 변화, 정책환경의 불확실성 속에서 기존 자원과 절차를 재구성해야 하기 때문이다[11]. 다만 공공조직의 동태적 역량은 민간기업과 동일하게 작동하지 않는다. 공공조직에서는 속도와 효율성뿐 아니라 책임성, 합법성, 절차적 정당성, 예산 제약, 감사와 평가가 중요한 조건으로 작용한다.

경찰조직의 경우 이러한 제약은 더욱 두드러진다. 경찰조직은 수사자료와 개인정보를 다루며, AI 활용 결과가 수사 절차와 법률적 책임에 영향을 미칠 수 있다. 따라서 경찰조직의 AI 도입 역량은 민간조직의 민첩성 중심 역량과 달리, 책임성·보안성·절차성을 훼손하지 않으면서 기술을 선택하고 적용하는 능력으로 이해되어야 한다.

2.3 조직 AI 역량·준비도 연구와 DACF의 이론적 경계

조직 수준의 AI 도입을 설명하는 연구는 크게 AI capability, AI readiness, AI business value 연구로 구분할 수 있다. AI capability 연구는 데이터, 기술, 인력, 조직자원과 같은 AI 특화 자원이 결합되어 조직의 혁신성과 성과를 높이는 능력에 주목한다[12]. AI readiness 연구는 전략적 정렬, 자원, 지식, 문화, 데이터와 같이 AI 도입을 준비하기 위해 필요한 조직 조건을 구체화한다[13]. AI business value 연구는 AI 도입과 활용의 촉진·저해요인, 조직 내 사용유형 및 가치창출 효과를 종합적으로 설명한다[14].

이들 연구는 AI 도입에 필요한 자원, 준비조건, 가치창출 요인을 설명하는 데 기여하지만, 준비된 자원이 실제 업무변화로 전환되고, 그 변화가 규정·검증·책임 기준에 내재화되며, 활용경험이 다시 기술 선택과 업무설계로 환류되는 과정을 하나의 연결된 역량구조로 설명하는 데에는 한계가 있다. 특히 경찰조직에서는 AI가 일부 업무에 활용되었다는 사실만으로 조직역량이 형성되었다고 보기 어렵고, 보안성·책임성·절차적 정당성이 공식 절차와 조직학습 구조에 반영되어야 한다. 따라서 본 연구는 기존 AI capability, AI readiness, AI business value 연구의 논의를 수용하되, 경찰조직의 AI 도입을 기회와 위험의 감지, 기술 선택, 업무변화, 제도화, 조직학습의 연결과 병목이라는 관점에서 분석하기 위해 DACF를 제안한다.

표 1은 기존 동태적 역량 및 AI 도입 관련 연구의 주요 초점과 본 연구에서 제안한 DACF의 차별점을 비교한 것이다.

Table 1.

Comparison of existing AI adoption research and DACF

2.4 동태적 AI 역량 프레임워크(DACF)의 구성과 차별성

본 연구의 DACF는 기존 동태적 역량 이론을 단순히 세분화한 선형 단계모형이 아니다. Sensing은 AI의 기회와 위험을 탐지하는 역량, Seizing은 감지된 기회와 위험을 기술 선택, 보안심사, 자원배분 기준으로 번역하는 역량, Transforming은 AI 활용으로 업무과정과 구조가 변화하는 실행역량을 의미한다. Embedding은 Transforming에서 발생한 변화를 규정, 교육, 책임 기준과 같은 공식 제도에 고정하는 역량이며, Evolving은 성능평가, 오류보고, 데이터 개선 및 사용자 피드백을 통해 기존의 기술 선택과 활용방식을 반복 갱신하는 학습역량이다.

경찰에서는 AI가 일부 업무에 활용되더라도 공식 기준과 책임성이 마련되지 않으면 조직역량으로 정착했다고 보기 어렵다. 또한 활용 경험이 초기의 기회·위험 감지와 기술 선택으로 환류되지 않으면 지속적 적응도 성립하기 어렵다. 따라서 Embedding과 Evolving은 AI 도입 이후의 부수적 관리활동이 아니라, 국지적 AI 활용을 책임 있는 조직역량으로 전환하고 지속적으로 갱신하는 별도의 역량 차원이다.

DACF의 다섯 차원은 시간적으로 동일한 순서로 진행되는 성숙 단계가 아니라 상호의존적 과정이다. 특정 업무에서는 Transforming이 먼저 나타날 수 있고, 보안 우려가 강화되면서 Sensing이 반복될 수도 있다. 본 연구는 이러한 비선형성을 전제로, 한 차원에서 형성된 정보와 경험이 다음 차원으로 번역되지 못하는 지점을 연결병목으로 분석한다.

그림 1은 DACF의 다섯 역량 차원과 차원 간 연결을 경찰조직의 AI 도입 역량을 진단하기 위한 분석틀로 제시한 것이다. 표 2는 각 차원의 핵심 의미와 차원 간 연결에서 중점적으로 검토할 사항을 정리한 것이다.

Fig. 1.

DACF-based framework for diagnosing police AI adoption capabilities

Table 2.

Components and linkage logic of DACF

3.1 연구설계

본 연구는 경찰조직의 AI 도입 역량을 탐색적으로 진단하기 위해 질적 탐색연구 설계를 채택하였다. 연구의 목적은 경찰 구성원의 AI 수용 의향을 통계적으로 검증하는 데 있지 않고, AI 도입 과정에서 나타나는 인식, 실행, 업무 변화, 제도화, 조직학습의 양상을 분석하는 데 있다. 따라서 본 연구는 통계적 일반화 목적이 아니며, 경찰조직 내 AI 도입 역량 형성 양상을 탐색적으로 파악하기 위한 목적표집 전략을 사용하였다.

연구의 분석단위는 개별 참여자의 태도 자체가 아니라, 참여자의 서술에 나타난 조직적 절차, 관행, 제약조건 및 차원 간 연결이다. 또한 DACF 차원 간 관계는 횡단적 인식자료에서 추론한 탐색적 연결 경로로 해석하며, 시간적 선후관계나 인과효과가 검증되었다고 주장하지 않는다.

3.2 연구참여자와 표집 범위

주요 연구자료는 경찰조직 구성원 10명의 개방형 서면 응답이다. 참여자는 AI 도입과 활용을 서로 다른 위치에서 경험하거나 관찰할 수 있도록 정책·관리 계층 4명, 현장 수사 계층 4명, 교육·훈련 계층 2명으로 구성하였다. 참여자는 익명성 보장을 위해 각각 P1–P4, O1–O4, E1–E2로 표시하였다. 표 3은 연구참여자의 집단별 구성, 참여자 코드, 인원 및 주요 경험을 제시한 것이다.

Table 3.

Composition of research participants

본 연구의 10명은 대표표본이 아니라, 정책·관리, 현장 수사, 교육·훈련 등 상이한 위치에서 AI 도입 관련 사례를 확보하기 위한 목적표집 대상이다. 본 연구는 전체 역량 수준의 측정보다 초기 패턴과 병목 탐색에 초점을 두고, 세 집단을 통해 자료의 관점 다양성을 확보하고자 하였다.

다만 개방형 서면 응답은 연구자와 참여자 간 후속 대화가 제한되어 정보의 깊이가 심층인터뷰보다 낮을 수 있다. 이에 본 연구의 경우 연구 결과를 경찰조직 전체로 일반화하지 않고, 본 연구 참여자들의 경험에서 관찰된 탐색적 패턴으로 한정한다.

3.3 자료 수집 및 보조 설문

자료 수집에는 DACF의 다섯 역량 차원에 기반한 반구조화 개방형 질문지를 활용하였다. 질문지는 AI 기술과 트렌드의 인식, 도입 필요성과 위험 인식, 사업기획, 예산 확보, AI 활용에 따른 업무방식 변화, 규정·교육, 조직역량 형성 조건 등을 포함하였다. 표 4는 DACF의 다섯 역량 차원에 따라 구성한 개방형 질문의 주요 내용을 제시한 것이다. 참여자들은 각 문항에 대해 자유서술형 응답을 작성하였으며, 본 연구의 주된 자료는 구술 인터뷰 전사자료가 아니라 개방형 질적 텍스트 자료이다.

Table 4.

Open-ended questions based on DACF

응답자료에서는 개인, 부서, 특정 사건을 추정할 수 있는 표현을 제거하였다. 원문 전체는 조직 내부정보와 신원 추정 가능성을 고려하여 공개하지 않고, 응답의 의미를 훼손하지 않는 범위에서 비식별 처리된 대표 개념과 분석 대응 구조를 제시하였다.

또한 경찰 중간관리자의 AI 인식 수준과 활용 양상을 보완적으로 파악하기 위해 경정급 중간관리자 40명을 대상으로 기초 설문조사를 병행하였다. 설문은 AI 이해도, 업무 유용성, 정확성·신뢰성, 현재 사용 빈도, 생산성·효율성, 교육 필요성 등을 5점 척도로 측정하였다. 보조 설문은 DACF를 직접 측정하거나 질적 결과를 검증하기 위함이 아니라, 중간관리자층의 인식분포를 기술하고 질적 결과와의 방향성을 제한적으로 검토하기 위한 보조자료이다.

3.4 자료 분석

개방형 서면 응답은 DACF 기반 주제분석과 Gioia식 자료구조화 방식으로 분석하였다[15]. Gioia식 자료구조화는 참여자의 표현에 가까운 1차 개념을 도출하고, 이를 연구자 해석 수준의 2차 테마로 통합한 뒤, 이론적 상위 차원으로 연결하는 절차이다. 본 연구는 완전한 귀납적 근거이론이 아니라 DACF를 감지 틀로 사용한 이론기반 질적 분석이므로, 분석방법의 범위를 이에 맞게 명시하였다.

질문지가 DACF의 다섯 차원별로 구성되어 있다는 점은 사전 범주를 결과에서 다시 확인하는 순환논리의 위험을 가진다. 이를 완화하기 위해 본 연구는 응답을 DACF 차원별로 정리하되, 각 차원 내부의 주제뿐 아니라 차원 간 연결, 긴장, 병목도 함께 검토하였다. 특히 위험 인식의 기술 선택 기준 전환, 국지적 활용의 공식 절차화, 활용 경험의 성능평가·피드백 연계를 중심으로 해석하였다.

분석은 첫째, 참여자 코드를 부여하고 식별 가능 표현을 제거하는 자료정리, 둘째, 참여자의 표현에 가까운 1차 개념 도출, 셋째, 의미상 유사한 개념을 2차 테마로 통합, 넷째, 테마를 DACF 상위 차원 및 차원 간 병목에 대응시키는 순서로 진행하였다. 정책·관리, 현장 수사, 교육·훈련 자료를 함께 비교하여 자료원 삼각화를 시도하였고, 본문에는 비식별 처리된 대표 개념과 분석구조를 제시하여 해석의 근거를 확인할 수 있도록 하였다.

4.1 DACF 역량별 분석 결과

개방형 서면 응답 분석 결과, 참여자들의 경험에서는 DACF의 다섯 역량이 부분적으로 나타났으나 각 차원이 유기적으로 연결되지는 못했다. 특히 AI 필요성 인식과 일부 업무 활용은 확인되었지만, 이를 기술 선택 기준, 공식 절차 및 지속적 조직학습으로 전환하는 기반은 제한적으로 나타났다. 이하의 결과는 경찰조직 전체의 수준을 측정한 것이 아니라, 수집된 자료에서 관찰된 탐색적 패턴이다. 표 5는 개방형 서면 응답 분석에서 도출한 DACF 차원별 주요 테마, 대표 개념 및 차원 간 연결병목을 요약한 것이다.

Table 5.

Qualitative results and linkage bottlenecks based on DACF

4.2 보조 설문 결과

본 연구는 질적 분석 결과를 통계적으로 검증하기 위함이 아니라, 경정급 중간관리자의 AI 인식과 활용 의향을 보완적으로 파악하기 위해 40명 대상 기초 설문조사를 함께 검토하였다. Likert 5점 척도 문항의 분석 결과는 표 6과 같으며, 항목별 평균값과 긍정응답률은 그림 2와 그림 3에 제시하였다.

Table 6.

Results of the AI perception and use survey for superintendent-level middle managers

Fig. 2.

Mean scores of supplementary survey items

Fig. 3.

Positive response rates of supplementary survey items

중간관리자들은 AI의 향후 중요성과 교육 필요성에 대해 높은 인식을 보였다. ‘향후 AI의 중요성’은 평균 4.47점, 긍정응답률 97.5%로 가장 높았고, ‘AI 활용 역량 향상을 위한 교육 필요성’도 평균 4.45점, 긍정응답률 95.0%로 높게 나타났다. ‘AI 활용 시 업무 생산성·효율성 향상’과 ‘조직문화에 대한 긍정적 영향’ 역시 각각 평균 4.03점과 4.00점으로 비교적 긍정적이었다.

반면 현재의 이해도와 활용 경험, 정확성·신뢰성에 대한 평가는 상대적으로 낮았다. ‘AI 개념 및 기술 이해도’와 ‘AI 정확성·신뢰성’은 평균 2.95점이었고, ‘현재 업무에서 AI 사용 빈도’는 평균 2.52점으로 가장 낮았다. 이는 중간관리자들이 AI의 필요성과 중요성에는 공감하지만, 실제 이해 수준과 활용 경험은 아직 충분히 형성되지 않았음을 의미한다.

이러한 결과는 질적 분석에서 확인된 DACF 차원 간 불균형을 보완적으로 보여준다. AI의 중요성에 대한 높은 평가는 Sensing 역량의 초기 형성을, 교육 필요성에 대한 높은 평가는 Embedding 역량의 미충족을 시사한다. 반면 낮은 사용 빈도는 Transforming 역량이 아직 제한적으로 나타나고 있음을 보여주며, 정확성·신뢰성에 대한 낮은 평가는 Seizing과 Embedding 차원에서 검증 기준과 책임 체계가 필요함을 의미한다. 또한 AI 개념 및 기술 이해도의 낮은 평가는 Evolving 차원에서 조직학습과 전문인력 기반이 충분히 형성되지 않았을 가능성을 시사한다.

4.3 결과의 종합: 연결병목과 탐색적 명제

분석 결과, 경찰조직의 AI 도입 역량은 DACF의 각 차원에서 동일한 수준으로 형성되어 있지 않았다. Sensing 차원에서는 AI 도입의 필요성과 업무 효율성에 대한 인식이 비교적 뚜렷하게 나타났고, Transforming 차원에서도 판례 검색, 수사자료 요약, 문서 작성 등 일부 업무에서 국지적 활용 가능성이 확인되었다. 그러나 이러한 인식과 부분적 활용이 Seizing, Embedding, Evolving 차원으로 충분히 연결되지는 못하고 있었다.

첫째, 위험-거버넌스 번역 병목이 확인되었다. 참여자들은 AI의 업무 효율성에 공감했지만, 개인정보 유출, 수사기밀 노출, 환각, 허위 판례, 책임 소재 불명확성 등을 주요 위험으로 인식하였다. 이러한 위험 인식은 AI 도입을 촉진하는 동시에 보안 심사, 내부망 구축, 책임 기준 마련 등 추가 조건을 요구함으로써 실제 기술 선택과 자원 배분을 지연시키는 요인으로 작용하였다.

둘째, 현장수요-사업설계 병목이 나타났다. 현장 수사 계층은 판례 검색, 쟁점 정리, 수사자료 요약, 문서 작성 등 구체적 업무 지원을 필요로 했지만, 이러한 수요가 사업 기획과 시스템 설계 단계에 충분히 반영되는지는 불확실하다고 인식하였다. 이는 AI 도입의 필요성은 인식되지만, 현장 수요가 공식 사업요건과 자원 배분 기준으로 전환되는 과정이 취약하다는 점을 보여준다.

셋째, 제도화-조직학습 병목이 확인되었다. AI는 일부 업무에서 효율화를 만들어내고 있었지만, 활용 기준, 검증 절차, 교육 체계, 책임 배분 기준이 충분히 마련되지 않아 개인 또는 일부 부서의 비공식 활용에 머무르는 경향이 있었다. 또한 성능평가, 오류보고, 사용자 피드백 반영 체계가 미흡하여 AI 활용 경험이 다시 기술 선택, 교육, 제도 개선으로 환류되는 구조도 약하게 나타났다.

이상의 결과를 종합하면, 경찰조직의 AI 도입 역량은 선형적으로 성숙하는 과정이라기보다, Sensing과 일부 Transforming이 선행되는 반면 Seizing, Embedding, Evolving이 이를 충분히 뒷받침하지 못하는 불균형적 구조로 이해할 수 있다. 본 연구의 탐색적 결과는 다음과 같은 몇 가지 명제로 정리할 수 있다.

명제 1. 경찰조직에서 AI 도입의 필요성 인식은 위험 인식과 결합되며, 위험이 운영기준으로 번역될 때 Seizing 역량으로 연결될 수 있다.

명제 2. 현장 수요가 사업설계와 자원배분 기준으로 반영될 때 AI 도입은 국지적 필요 인식을 넘어 실제 업무 변화로 이어질 수 있다.

명제 3. AI 활용 경험이 규정, 교육, 검증 절차, 책임 기준으로 정착될 때 국지적 Transforming은 Embedding으로 전환될 수 있다.

명제 4. 성능평가, 오류보고, 사용자 피드백이 축적될 때 AI 활용 경험은 Evolving을 통해 다시 Sensing과 Seizing으로 환류될 수 있다.

그림 4는 이러한 연결병목을 분석적으로 단순화하여 제시한 것이다.

Fig. 4.

Linkage bottlenecks in police AI adoption capabilities

5.1 연구결과 요약

본 연구는 경찰조직의 AI 도입을 단순한 기술수용이나 시스템 구축의 문제가 아니라, 기회와 위험의 감지, 기술 및 자원의 선택, 업무변화, 제도화, 조직학습이 연결되는 조직역량의 문제로 보고 분석하였다. 이를 위해 기존 동태적 역량 이론을 경찰조직의 AI 도입 맥락에 맞게 확장한 동태적 AI 역량 프레임워크(DACF)를 제안·적용하였다. 자료는 경찰 구성원 10명의 개방형 서면 응답과 경정급 중간관리자 40명의 보조 설문을 활용하였다.

분석 결과, 경찰조직의 AI 도입 역량은 Sensing과 일부 Transforming 차원에서 먼저 나타나는 것으로 해석된다. 참여자들은 AI의 필요성, 업무 효율성, 향후 중요성을 비교적 뚜렷하게 인식하고 있었으며, 판례 검색, 수사자료 요약, 문서 작성 등 일부 업무에서 AI 활용 가능성도 확인되었다. 그러나 이러한 인식과 국지적 활용은 Seizing, Embedding, Evolving 차원으로 충분히 연결되지 못하고 있었다.

특히 본 연구는 경찰조직의 AI 도입 과정에서 세 가지 연결병목을 확인하였다. 첫째, AI의 위험은 인식되고 있으나 개인정보 보호, 보안심사, 검증 절차, 책임 기준과 같은 운영기준으로 충분히 번역되지 않는 위험-거버넌스 번역 병목이 나타났다. 둘째, 현장 수사부서의 구체적 업무수요가 사업기획, 기능설계, 예산배분으로 충분히 반영되지 않는 현장수요-사업설계 병목이 확인되었다. 셋째, 일부 업무에서의 AI 활용 경험이 규정, 교육, 책임 기준, 성능평가, 오류보고 및 사용자 피드백 체계로 정착되지 못하는 제도화-조직학습 병목이 나타났다. 이러한 결과는 경찰조직의 AI 도입이 필요성 인식과 부분적 활용 단계에서 제도화와 조직학습 단계로 충분히 전환되지 못하고 있음을 보여준다.

5.2 이론적 시사점

본 연구의 이론적 시사점은 다음과 같다. 첫째, 본 연구는 경찰조직의 AI 도입을 기술수용이나 단일 시스템 도입의 문제가 아니라, 조직 차원의 동태적 역량 형성 문제로 분석하였다. 기존 기술수용 연구가 개인의 수용 의도와 사용 태도에 초점을 두었다면, 본 연구는 제도화, 책임 기준, 데이터 관리, 조직학습까지 포함했다는 점에서 차별성을 가진다.

둘째, 본 연구는 기존 동태적 역량 이론의 Sensing, Seizing, Transforming 구조에 Embedding과 Evolving을 추가함으로써 경찰조직의 AI 도입 맥락을 설명할 수 있는 DACF를 제안하였다. 경찰조직에서는 AI가 일부 업무에 활용되더라도 공식 기준과 책임성이 마련되지 않으면 조직역량으로 정착했다고 보기 어렵다. 따라서 Embedding은 AI 활용을 규정, 교육, 검증 절차, 책임 기준으로 내재화하는 핵심 역량이며, Evolving은 데이터, 성능평가, 오류보고, 사용자 피드백을 통해 AI 활용 경험을 지속적으로 갱신하는 학습역량으로 이해할 수 있다.

셋째, 본 연구는 DACF의 다섯 차원이 선형적으로 성숙하는 것이 아니라 연결과 단절을 반복하는 비선형적 과정으로 나타날 수 있음을 보여주었다. 특히 경찰조직의 Sensing은 단순한 기술기회 탐색이 아니라 위험 인식과 결합된 ‘위험인지형 Sensing’으로 나타났다. 또한 Seizing은 예산 확보나 기술 구매를 넘어, 감지된 위험을 보안·검증·책임 기준으로 번역하는 역량으로 이해될 필요가 있다.

넷째, 본 연구는 ‘국지적 Transforming의 함정’을 제시하였다. 일부 업무에서 AI가 활용되고 효율화가 나타난다고 해서 곧바로 조직 차원의 AI 역량이 형성되는 것은 아니다. 국지적 활용이 표준 업무절차, 인간 검토 지점, 교육, 책임 기준, 피드백 체계로 연결되지 않으면 AI 활용은 개인 또는 일부 부서의 비공식적 사용에 머물 수 있다. 이러한 점에서 본 연구는 AI 도입 연구에서 업무변화 이후의 제도화와 조직학습을 별도 차원으로 분석할 필요성을 제시한다.

5.3 정책적 시사점

본 연구의 결과는 경찰조직의 AI 도입과 관련하여 다음과 같은 정책적 시사점을 제공한다. 첫째, 경찰업무 특성을 반영한 AI 활용 가이드라인과 책임 기준이 필요하다. 입력 가능한 자료와 금지 자료, 비식별화 기준, AI 결과 검증 절차, 인간 검토 의무, 오류 발생 시 책임 배분 기준을 구체화해야 한다. 특히 수사자료와 개인정보를 외부 AI에 입력하는 문제, AI가 생성한 판례나 법률 정보의 검증 문제, AI 결과를 수사보고서나 의사결정 과정에 활용할 때의 책임 기준을 명확히 할 필요가 있다.

둘째, 현장 수요 기반의 AI 도입체계가 필요하다. 본 연구에서 현장 수사 계층은 판례 검색, 쟁점 정리, 수사자료 요약, 문서 작성 등 구체적 업무 지원 기능을 필요로 하는 것으로 나타났다. 따라서 AI 도입은 상위 정책기조나 기술공급 중심으로 추진되기보다, 실제 사용자의 업무수요를 기능설계와 사업기획에 반영하는 구조로 이루어져야 한다. 이를 위해 수사, 정책, 교육, 정보화 부서 간 협업과 피드백 절차가 필요하다.

셋째, 기능별 AI 리터러시 교육이 필요하다. 수사부서에는 허위 판례 검증, 수사자료 비식별화, 증거 판단 보조, 법적 책임 기준에 관한 교육이 요구된다. 정책·기획부서에는 AI 사업기획, 외부업체 관리, 성능평가, 데이터 거버넌스 교육이 필요하다. 교육·훈련 부서에는 AI 활용 역량을 직무교육과 연계하여 조직 전체로 확산하는 역할이 요구된다.

넷째, 데이터 통합, 전문인력, 성능평가, 오류보고 및 사용자 피드백 기반의 지속적 고도화 체계를 마련해야 한다. AI 시스템 도입 이후 현장의 오류 보고, 개선 요구, 우수사례와 실패사례를 수집하여 성능 개선과 교육 콘텐츠에 반영하는 순환 구조가 필요하다. 이를 통해 AI 활용 경험이 개인의 경험에 머무르지 않고 조직 차원의 학습과 제도 개선으로 연결될 수 있다.

5.4 연구의 한계와 후속 연구

본 연구는 다음과 같은 한계를 가진다. 첫째, 주요 자료가 개방형 서면 응답이므로 특정 응답의 맥락을 추가 질문을 통해 심화하는 데 제한이 있다. 둘째, 연구참여자 10명과 중간관리자 40명 대상 보조 설문은 경찰조직 전체의 인식을 일반화하거나 통계적으로 검증하기에는 한계가 있다. 셋째, 본 연구는 참여자의 인식과 경험을 중심으로 분석하였기 때문에 실제 AI 시스템의 성능, 사용 로그, 업무시간 감소, 오류율 변화 등 객관적 성과 자료를 직접 검토하지 못하였다. 넷째, DACF 차원 간 연결과 병목을 탐색적으로 제시하였지만, 시간적 선후관계나 인과효과를 실증적으로 검증하지는 못하였다.

향후 연구에서는 다양한 계급, 기능, 지역의 경찰 구성원으로 표본을 확대하고, 심층인터뷰, 현장 관찰, 시스템 사용 데이터 등을 결합하여 경찰조직의 AI 도입 역량을 보다 입체적으로 분석할 필요가 있다. 또한 DACF의 각 차원을 측정할 수 있는 문항을 개발하고, R 또는 SPSS 등을 활용하여 AI 이해도, 신뢰성 인식, 사용 빈도, 교육 필요성, 조직지원 인식 간의 관계를 검증할 필요가 있다. 나아가 AI 기반 텍스트 분석과 시각화 기법을 보조적으로 활용하여 개방형 응답의 주제 분포와 연결 구조를 탐색하되, 최종 해석은 연구자가 원자료와 맥락을 재검토하는 방식으로 수행할 필요가 있다.