Executive Summary

이 글은 검색창에서 시작했다. TTA 표준화위원회는 과제 데이터베이스를 공개해 두고 있다. 2006년 이후 올라온 모든 표준화 과제를 초안작성중·과제채택·표준공고 단계까지 포함해 이름으로 찾을 수 있는 창구다. 여기에 AI 레디 데이터라는 이름을 넣어 보는 것이 국내 표준 지형을 확인하는 가장 짧은 길이다.

2026년 9월 1일 조회 기준, 다섯 개 검색어 모두 등록된 데이터가 없다는 답이 돌아왔다. 검색 기능 자체가 고장 난 것은 아니다. 같은 창구에 온톨로지를 넣으면 로봇·에너지·센서네트워크·주소 분야에서 37건이 나오고, 시맨틱은 14건, 데이터 카탈로그는 6건이 정상으로 돌아온다.

TTA 표준화위원회 과제 데이터베이스 과제명 검색. 전 위원회, 2006년 이후 전 처리단계 포함. 조회 2026년 9월 1일. 왼쪽 다섯 개는 planning 단계와 합성 단계에서 각각 한 번씩, 이 글을 쓰면서 한 번 더, 모두 세 번 같은 결과를 확인했다.

이 결과로 말할 수 있는 것은 조회 시점에 그 이름의 과제가 데이터베이스에 없었다는 사실까지다. 표준화 제안이나 신규 과제 제안서처럼 과제 등록 이전 단계의 문서는 이 창구에 잡히지 않는다. 게다가 조회한 날은 빅데이터 표준화위원회의 제54차 서면회의가 2026년 8월 27일부터 9월 2일까지 하반기 제정 표준안을 검토하고 있던 기간의 한가운데였다. 그러니 존재하지 않는다고 쓰는 대신 조회일과 대상과 검색어를 붙여 검색되지 않았다고 쓴다.

1.1표준에는 없고 용어사전에는 있다

같은 기관의 다른 창구에서는 결과가 달라진다. TTA 정보통신용어사전에는 이 개념이 표제어로 올라 있다. 표기는 「인공지능 준비 데이터, 人工知能準備-, AI-ready data」이고, 검색하면 용어사전 4건과 시사용어 2건을 합쳐 6건이 잡힌다. 표제어 설명의 첫 줄은 이렇다.

이어지는 본문은 원자료가 결측값과 오류, 형식 불일치, 중복을 품고 있어 바로 쓰기 어렵기 때문에 정제와 변환, 라벨링, 특성 가공, 품질 점검, 메타데이터 정비를 거친다고 적는다. 그리고 전처리와의 차이를 못박는다. 전처리는 준비 과정이고 인공지능 준비 데이터는 그 결과로 만들어진 활용 가능한 데이터 상태라는 것이다. 이 정의에는 품질과 구조와 라벨에 더해 접근성과 거버넌스 요건이 함께 들어가 있다. 데이터 자체의 상태만이 아니라 그 데이터를 둘러싼 관리 체계까지를 요건으로 본다는 뜻이고, 이 글의 2번 섹션이 다루는 행정안전부 가이드라인의 구성과도 그대로 겹친다.

그런데 같은 용어사전에 AI 레디 데이터를 넣으면 0건이다. 업계와 컨설팅 자료가 가장 널리 쓰는 표기로는 아무것도 잡히지 않는다. 행정안전부는 또 다른 말을 쓴다. 가이드라인 제목부터가 「공공데이터의 인공지능 친화적 관리 가이드라인」이다. 그렇다고 세 이름이 서로를 모르는 것은 아니다. 그 가이드라인 부록2의 용어 정의는 표제어를 「인공지능 친화적(Artificial Intelligence Ready)」로 적고, 뜻을 AI 학습·추론에 적합하도록 품질과 구조와 메타데이터가 정비된 데이터 상태라고 풀어 둔다. 우리말 표기는 갈렸지만 영문 이름은 같은 것을 가리킨다는 사실이 공문서 안에 이미 적혀 있다. 하나의 개념에 세 개의 공식 이름이 붙어 있는 셈인데, 표기가 문서마다 갈린다는 사실 자체가 표준이 흩어져 있다는 사정의 언어적 표면이다. 이 글은 본문 표기로 AI 레디 데이터를 쓰되, 정책·표준 문서를 인용할 때는 그 문서의 원 표기를 따른다.

1.2우산은 없지만 부품은 실재한다

우산 표준을 못 찾았다고 해서 지형이 비어 있는 것은 아니다. 오히려 실사가 찾아낸 것은 반대쪽이다. AI 레디 데이터를 구성하는 부품 표준은 실재하고, 최근 몇 해 사이에 꽤 활발하다. 카탈로그 어휘, 파이프라인, 학습데이터 메타데이터 세 갈래로 나뉘어 각자 굴러가고 있을 뿐이다.

위의 세 칸에서는 날짜가 한곳에 몰려 있다. 2025년에 표준공고된 여섯 건이 모두 12월 5일 자다. 이것을 2025년에 표준화가 급증했다는 신호로 읽으면 과장이 된다. 빅데이터 표준화위원회는 하반기 총회에서 한 해치 표준을 한꺼번에 공고하는 주기로 움직이기 때문이다. 그래도 같은 위원회가 지금까지 목록에 올린 표준 88건을 연도별로 세어 보면 연 3건에서 12건 사이를 오갔고 2025년은 다섯 건이다. 그리고 그 다섯 건은 데이터 카탈로그 어휘 버전 3, RDF 데이터셋 정규화, 데이터옵스 제1부와 제4부, 데이터 패브릭 제1부로 전부 이 계열이다. 총회 한 번의 인공적 집중이라는 사정을 감안해도, 그 한 번을 통째로 이 계열에 썼다는 사실은 남는다. 여섯 번째인 AI 모델 학습데이터세트 메타데이터는 다른 위원회 소관이라 88건에는 들어가지 않는다.

아래 칸에 대해서도 균형이 필요하다. 의미 층이 완전히 비었다고 쓰면 사실과 다르다. 데이터 이력관리를 위한 온톨로지는 W3C의 PROV-O를 국내 정보통신단체표준으로 채택한 것이고, 다루는 범위가 데이터의 출처와 이력이라는 좁은 용도다. 한국이 자체 개발한 도메인 온톨로지 표준이 아니다. 그리고 2025년 12월 5일에 함께 공고된 RDF 데이터셋 정규화 표준은 스스로 적용 분야에 온톨로지 기반 데이터 처리를 적어 두었다. 표준 지형에 의미 층의 재료가 아주 없지는 않다. 그 재료로 무엇을 어떻게 지으라는 문서가 아직 없을 뿐이다.

표준이 흩어져 있는 자리를 지금 실질적으로 메우고 있는 문서는 행정안전부와 한국지능정보사회진흥원이 2026년 3월 31일 발간하고 4월 24일 공개한 「공공데이터의 인공지능 친화적 관리 가이드라인 V1.0」이다. 70쪽짜리 문서이고 공공데이터포털 자료실에서 PDF와 마크다운 두 형식으로 받을 수 있다. 적용 대상은 공공데이터법 제2조 제1호에 해당하는 모든 공공기관이라고만 적혀 있고 기관 수는 나오지 않는다.

문서는 다섯 개 영역으로 짜여 있다. 각 영역의 원칙 문장은 아래와 같다. 문장 자체가 원문 표기 그대로다.

출처: 행정안전부·한국지능정보사회진흥원, 「공공데이터의 인공지능 친화적 관리 가이드라인 V1.0」(2026-03) [표 4]. 원문 마크다운 직접 확인, 조회 2026-09-01.

위 표는 각 영역의 대표 문장만 옮긴 것이고, 원칙은 부록1에 원칙 01부터 원칙 12까지 번호가 붙은 목록으로 따로 실려 있다. 그중 이 글의 논지와 가장 직접 맞물리는 것은 네 번째다.

문서화를 요구하는 데서 그치지 않고 어떤 문서를 갖춰야 하는지도 목록으로 적어 두었다. 데이터 카드, 스키마 정의서, 메타데이터 명세서, API 접근 문서, 품질 진단 보고서다. 스키마 정의서에는 데이터 사전이라는 이름이 괄호로 병기돼 있고, 변수의 물리명과 논리명, 데이터 타입, 단위, 필드 간 관계를 명세하라고 적힌다. 이 목록이 중요한 이유는 4번 섹션에서 다시 확인된다. 2026년의 대조 실험이 가장 확실한 이득을 낸 층이 정확히 이 층, 즉 측정값의 정의와 단위와 판별 규칙을 적은 문서였다.

이 다섯 영역과 열두 원칙 아래에 6대 품질지표가 붙고, 부록의 관리 체크리스트가 38개 문항으로 실무를 받는다. 체크리스트는 공통 여섯 영역과 데이터 유형별 세 영역으로 나뉘며, 필수 18문항과 권장 20문항으로 구성된다.

부록4 관리 체크리스트. 체크 방식은 적정·미흡·해당없음 세 칸에 표시하는 자가진단이며 점수를 매기지 않는다. 온톨로지가 등장하는 유일한 문항이 위 표의 두 번째 줄, 의미 및 표준 영역의 권장 문항이다.

가장 앞에 놓인 원칙, 기계가 이해할 수 있는 형식으로 구조화하라는 문장이 실제로 무엇을 요구하는지는 본문 2장에 구체적으로 적혀 있다. 먼저 포맷이다. 권장 포맷으로 텍스트는 ODT·CSV·JSON·XML·Parquet·ORC, 지리정보는 GeoJSON·GeoPackage·GeoTIFF, 이미지는 PNG·JPG·TIFF·SVG, 건설·건축은 IFC·OBJ·GLTF를 든다. 그리고 벤더 종속 포맷으로 비권장 목록을 따로 세운다.

국내 공공문서의 사실상 기본 포맷인 한글 문서와 엑셀이 1차 제공 형식으로는 비권장이라고 명시된 셈이다. 이유도 붙어 있다. 유료 소프트웨어가 필요한 독점 포맷은 클라우드나 리눅스 기반 GPU 서버에서 자동 처리가 어렵거나 별도 변환 비용이 든다는 것이다. 열 지향 포맷을 왜 권하는지도 적는다. 학습 과정에서 모든 행을 읽을 필요 없이 필요한 열만 골라 읽어 입출력을 줄일 수 있다는 설명이다.

구조에 대해서는 계층형과 플랫형을 나란히 놓고, 플랫형을 쓸 경우의 조건을 세 줄로 못박는다. 각 행은 하나의 고유한 관측값이고, 각 열은 하나의 고유한 속성이며, 각 셀에는 하나의 값만 들어간다는 것이다. 셀을 병합한 표와 한 셀에 값을 여러 개 담은 표가 기계 판독을 막는다는 실무 감각이 이 세 줄에 들어가 있다. 값의 형식도 국제 표준으로 고정한다. 날짜와 시간은 ISO 8601, 국가 코드는 ISO 3166-1, 통화는 ISO 4217, 언어는 ISO 639-1, 지리 위치는 WGS84와 ISO 6709, 측정 단위는 국제단위계다. 결측값은 오류가 아니라 결측으로 읽히도록 표기를 통일하라고 적는다. 접근 방식으로는 RESTful API를 요구하면서, 호출 결과에 값만 담지 말고 스키마와 필드 정의와 의미 설명을 함께 실어 구조와 뜻을 즉시 파악할 수 있게 하라고 덧붙인다.

품질지표 여섯 개도 이름만 나열된 것이 아니라 기존 정의와 확장 정의가 두 겹으로 붙어 있다. 문서가 스스로 정리한 대비는 기존 공공데이터 품질이 구조적 정합성 중심이고 인공지능 친화적 공공데이터 품질은 의미적 완결성 중심이라는 것이다. 예를 들어 일관성의 기존 정의는 동일 개체와 코드와 속성값이 데이터셋 전반에서 모순 없이 적용되는지를 보는데, 확장 정의는 동일한 개념이 여러 맥락에서 일관되게 같은 뜻으로 쓰여 인공지능의 해석 과정에서 혼동이 생기지 않는지를 본다. 완전성의 확장 정의에는 대표성과 균형성이 들어가고, 유일성의 확장 정의에는 중복이 편향과 과적합과 데이터 누수로 이어질 위험이 들어간다. 지표마다 진단기준과 진단방법과 오류예시까지 적혀 있어서, 이 장은 실질적으로 자동 진단 도구의 요구사항 명세에 가깝다.

2.1등록 시점에 넘어야 하는 네 줄

실무자가 가장 먼저 부딪히는 항목은 공유 데이터의 최소 품질 요건이다. 가이드라인은 네 가지를 원칙으로 제시하면서 괄호로 기준 예시라고 달아 두었다. 확정된 규범이 아니라 예시라는 뜻이므로 인용할 때 그 표기를 함께 옮긴다.

• 내용 완전성 — 데이터셋 내 결측치 비율이 20% 미만이어야 하며 핵심 정보의 누락이 없어야 한다.
• 메타데이터 충실성 — 관리기관·생산주기·최근갱신일·데이터기간·레코드수·컬럼수 및 설명·데이터등급·비식별 처리 여부·활용 허용 범위·관련 법령·담당자 연락처 열한 항목을 모두 기재한다.
• 최신성 유지 — 최근 갱신일로부터 갱신 주기가 2회 이상 경과하지 않아야 한다.
• 기술 표준 준수 — CSV, JSON, XML, Parquet 등 플랫폼 표준 포맷 중 하나를 따른다.

데이터에는 세 개의 등급이 붙는다. 개인정보와 보안에 문제가 없는 1등급은 공개공유이고, 비식별 처리로 안전성을 확보한 2등급은 제한공유, 비식별 처리 후에도 외부 공유가 부적절한 3등급은 내부전용이다. 기관 유형에 따라 접근 범위도 네 단계로 갈린다. 라이선스에는 공공누리 다섯 유형에 더해 인공지능학습용 AI유형이 새로 붙었는데, 출처표시 조건 없이 상업적·비상업적 이용과 2차 저작물 작성을 모두 허용한다. 공공누리 제1유형보다도 조건이 없는 유형이 하나 더 생겼다.

2.2권고 문서인데 왜 압력이 되는가

이 문서는 이름 그대로 가이드라인이다. 부록의 체크리스트도 점수를 매기지 않는 자가진단이고, 문서 안에 제재 조항은 없다. 다만 공유 플랫폼에 올린 데이터에 대해서는 연 1회 품질 점검을 실시해 우수 기관에 품질 인증을 부여하고 미흡 기관에 데이터 공유 제한이나 품질 개선 조치를 요청할 수 있다고 적어 두었다.

더 직접적인 우회로는 문서 바깥에 있다. 같은 정책 라인의 「공공데이터 제공·운영실태평가」는 공공데이터법 제9조를 근거로 684개 기관을 실제로 채점하는 법정 평가다. 그리고 2025년 평가부터 AI 친화·고가치 데이터 개방 실적이 신규 지표로 들어갔다. 가이드라인 자체는 권고지만 그 내용이 요구하는 상태는 법정 평가의 채점표를 통해 사실상의 압력으로 되돌아온다.

첫 해 점수는 이렇게 나왔다. 2025년 평가의 영역별 평균은 관리체계가 89.5점, 품질이 72.5점, 개방·활용이 59.2점이었다. 새로 들어간 AI 친화 지표는 37.8점이다.

평가 전체 흐름은 나쁘지 않다. 우수 이상 비중은 2023년 36.2%에서 2024년 40.9%, 2025년 50.9%로 올라 348개 기관이 그 구간에 들었다. 기관 유형별로는 공기업·준정부기관이 92.5점, 중앙행정기관이 90.2점으로 앞서고 기초자치단체가 60.3점, 기타공공기관이 57.4점으로 뒤에 있다. 전체가 올라가는 가운데 AI 친화 지표만 낮게 시작했다는 것이 2025년 성적표의 모양이다.

2.3가이드라인이 부르는 표준과 부르지 않는 표준

가이드라인은 메타데이터 규격을 스스로 만들지 않고 국제 표준을 준용한다고 밝힌다. 본문의 해당 문장과 각주는 다음과 같다.

개발 방법론을 설명하는 그림에서는 참조한 국외 문헌도 밝힌다. 그림의 표기를 그대로 옮기면 「ODI, A Framework for AI-Ready DATA」, 「美 상무부, Generative AI and Data Guidelines」, EU 인공지능법, OECD AI 원칙, 그리고 국가데이터 통합 연계를 위한 데이터 카탈로그 표준 가이드다. 그림은 이름을 줄여 적었고 정식 제목은 각주와 별도 표에 나온다. 미국 상무부 문서의 정식 제목은 「Generative Artificial Intelligence and Open Data: Guidelines and Best Practices」(2025)이고, 본문 각주 여러 곳에서 14쪽·11쪽·23~24쪽처럼 쪽수까지 지정해 인용된다. 오픈데이터연구소 문헌도 8쪽과 14쪽이 지목된다. 참조 목록에는 영국 정부의 AI 기회 행동계획과 오픈데이터정책연구소 문서까지 들어 있어서, 이 가이드라인이 국외 문헌을 훑고 지나간 것이 아니라 쪽 단위로 읽어 왔다는 것을 알 수 있다.

92,690자짜리 원문 전문에서 TTA와 한국정보통신기술협회, 정보통신단체표준이라는 말은 각각 0회다. DCAT은 25회, Croissant는 5회, ISO는 9회 나온다. 그 ISO 아홉 번이 어디에 쓰였는지도 세어 봤다. 값의 형식을 고정하는 표준들, 즉 ISO 8601과 3166-1과 4217과 639-1과 6709가 대부분이고, 여기에 더블린 코어를 국제 표준 규격으로 소개하는 대목이 붙는다. 데이터 품질을 다루는 국제 표준은 그 아홉 번 안에 없다. 국내 표준화 기구가 같은 시기에 DCAT 버전 3을 국내 표준으로 개정하고 한국형 DCAT 응용 프로파일을 표준으로 갖고 있는데, 정책 문서는 그 경로를 거치지 않고 국제 규격을 직접 준용한다. 왜 그런 선택을 했는지는 이 문서만으로 알 수 없다. 확인되는 것은 낱말 빈도뿐이고, 그래서 그것만 적는다. 정책 층과 표준 층이 서로를 부르지 않는다는 사정은 3번 섹션에서 한 번 더 되풀이된다.

기구의 이름을 부르지 않는다는 것과 어휘를 쓰지 않는다는 것은 다른 얘기다. 같은 문서는 공공데이터법 시행규칙의 제공대상 공공데이터 등록서 항목을 하나씩 국제 어휘 속성에 붙여 놓았다. 공공데이터 명칭은 dct:title, 설명은 dct:description, 이용허락범위는 dct:rights, 업데이트 주기는 dct:accrualPeriodicity, 위치는 dcat:landingPage, 매체유형은 dcat:mediaType이다. 법정 서식의 항목과 카탈로그 어휘의 속성이 이미 한 표 안에서 맞춰져 있다. 기존 등록서 항목을 기본 메타데이터로 삼고 그 위에 데이터 타입별·이용·계보·품질 메타데이터를 확장하는 그림도 함께 실려 있다.

행정안전부 가이드라인이 준용 문서로 부르는 다른 한 축이 한국지능정보사회진흥원의 「국가데이터 통합 연계를 위한 데이터 카탈로그 표준 가이드 v1.0」이다. 2025년 10월에 나왔고 인공지능데이터본부 국가데이터인프라팀이 발행처다. 판권지는 이 가이드가 방송통신발전기금으로 수행한 정보통신·방송 연구개발 사업의 결과물이므로 내용을 발표할 때 과학기술정보통신부 사업의 연구 결과임을 밝혀야 한다고 적어 두었다. 이 문서를 과학기술정보통신부의 것으로 소개하는 2차 자료가 있는데 그 표기에도 근거는 있다. 행정안전부 가이드라인도 준용 문서를 소개하는 대목에서 이 가이드를 과학기술정보통신부 발간으로 적었고, 제목도 국가 데이터 상호운용성을 위한 데이터 카탈로그 표준 가이드로 한 번, 국가데이터 통합 연계를 위한 데이터 카탈로그 표준 가이드로 한 번 다르게 옮겼다. 정확히 쓰려면 한국지능정보사회진흥원이 발간했고 과학기술정보통신부 연구개발 사업의 결과물이라고 두 가지를 함께 적으면 된다.

문서의 목적은 하나다. 흩어진 데이터 플랫폼들이 국가 데이터 통합플랫폼인 One-윈도우에 데이터셋 목록을 올릴 때 어떤 항목을 어떤 이름으로 적을지를 통일하는 것이다. 적용 대상 문장에는 시스템 연계만이 아니라 인공지능 에이전트의 접속도 포함된다고 명시돼 있다.

3.1국제 어휘는 그대로 쓰고 국내 항목만 새로 세웠다

구조는 두 겹이다. 국제 표준에서 그대로 가져오는 공통항목이 다섯 클래스, 국내 유통 실무를 위해 새로 정의한 확장항목이 세 클래스다. 확장항목에는 ndi:라는 자체 네임스페이스를 붙였다.

출처: 「국가데이터 통합 연계를 위한 데이터 카탈로그 표준 가이드 v1.0」 [표 5]. 공통항목의 괄호 숫자는 원문이 클래스명 옆에 직접 적어 둔 값이다. 다섯 개를 더하면 93이 되는데 이 합계는 원문이 계산해 둔 값이 아니라 우리가 더한 값이다.

연계 실무를 적은 문단에는 현장 감각이 묻어 있다. 기존 XML 메타데이터를 스크립트로 RDF 카탈로그로 변환하고 큐레이션·프로파일링 정보를 붙여 의미적 표현을 강화하라는 것이 원칙인데, 바로 다음 줄에 예외가 붙는다.

표준은 RDF인데 현장 입구에는 엑셀이 하나 더 열려 있다. 이것을 흠으로 읽을 필요는 없다. 연계를 실제로 돌리려면 그 문이 있어야 하고, 대신 그 문으로 들어온 값이 어느 층까지 기계가 읽을 수 있는 상태인지는 별개 문제로 남는다. 4번 섹션에서 다룰 층위 구분이 필요한 이유이기도 하다.

3.2다섯 달 사이에 갈라진 DCAT 세대

위 표의 왼쪽 열에 적힌 준용 표기를 보면 DCAT AP 2.1이다. 같은 표기가 본문 기본구성 문장에도, 참고 그림 캡션에도 나온다. 부록3의 RDF 예시에는 유럽 SEMIC 저장소의 2.1.0 릴리스 변경 이력 주소가 그대로 박혀 있다. 그런데 같은 문서 부록1의 용어 정의는 DCAT의 출처를 DCAT V3로 적는다. 한 문서 안에서도 표기가 갈린다.

그리고 다섯 달 뒤에 나온 행정안전부 가이드라인은 각주에서 W3C의 DCAT 버전 3을 준용한다고 밝힌다. 그 사이에 TTA가 데이터 카탈로그 어휘 버전 3을 국내 표준으로 개정 공고했다. 시간 순서로 놓으면 이렇게 된다.

이 연표를 어느 문서가 낡았다는 이야기로 읽으면 틀린다. 층이 다르기 때문이다. DCAT-AP는 유럽연합이 유럽 맥락에 맞춰 제약을 더한 응용 프로파일이고, DCAT은 W3C가 만든 기반 어휘다. 2.1이 3보다 낮은 버전이라는 식의 대소 비교가 성립하지 않는 관계다. 남는 것은 사실의 배열이다. 국내 정책 문서 두 건이 다섯 달 간격으로 서로 다른 세대의 DCAT 계열을 준용하게 됐고, 그 사이에 국내 표준 개정이 있었다.

다만 세대 차이가 이름뿐인 것은 아니다. DCAT-AP 3.0 명세는 2.x에서 쓰던 여러 속성 주소를 폐기하고 DCAT 네임스페이스 안의 주소로 바꿨다고 적는다. dct:hasVersion이 dcat:hasVersion으로, dct:isVersionOf가 dcat:isVersionOf로 바뀌는 식이다. 앞의 표에서 Dataset의 선택 속성으로 dct:hasVersion이 들어 있는 것을 보면, 세대 차이가 실제 속성 이름 수준에서 갈라진다는 것을 확인할 수 있다.

3.3한국어 DCAT 확장이 두 벌 있다

확장 쪽 사정은 조금 더 복잡하다. 국내 데이터 포털을 위한 DCAT 확장은 이미 TTA 표준으로 존재한다. 「대한민국의 데이터포털을 위한 DCAT 응용 프로파일(DCAT-AP-KR)」이고 표준번호는 TTAK.OT-10.1406, 표준공고일은 2022년 12월 7일, 41쪽짜리 문서다. 표준 요약은 이렇게 적는다.

공개 명세 페이지를 열어 보면 신규 정의 어휘는 dcatkr: 프리픽스를 쓰는 열 개다. 그리고 국가 데이터 카탈로그 표준 가이드가 세 해 뒤에 정의한 ndi: 확장에도 같은 성격의 항목이 들어 있다. 조회수와 다운로드수가 두 어휘 모두에 있고 이름이 서로 다르다.

출처: TTA 표준 요약 페이지(TTAK.OT-10.1406), DCAT-AP-KR 공개 명세 vocab.datahub.kr, 국가 데이터 카탈로그 표준 가이드 [표 5]. 조회 2026-09-01.

두 어휘가 서로를 모르는 것은 아니다. 국가 데이터 카탈로그 표준 가이드의 참고문헌은 여덟 줄인데, 그중 한 줄이 바로 그 TTA 표준의 요약 페이지 주소다. 다만 본문 60쪽 어디에도 DCAT-AP-KR이라는 이름이나 dcatkr: 프리픽스는 나오지 않는다. 두 어휘의 관계가 승계인지 참조인지, 사이에 매핑 표가 있는지는 공개 문서로 확인하지 못했다. 그러니 여기서 쓸 수 있는 말은 상호운용을 목적으로 만들어진 한국어 DCAT 확장이 두 벌 병존한다는 데까지다. 충돌한다거나 중복 투자라는 판단은 매핑 유무를 확인하기 전에는 이르다.

한국이 카탈로그 어휘에 늦게 뛰어들었다는 인상은 사실이 아니다. TTA의 데이터 카탈로그 어휘 표준은 2017년 12월 13일에 제정됐고 2020년에 버전 2, 2025년에 버전 3으로 두 번 개정됐다. 국내 포털용 응용 프로파일도 2022년에 표준이 됐다. 재료는 오래전부터 있었다. 비어 있는 것은 그 재료들을 하나로 부르는 이름과, 그 위에 얹을 의미 층이다.

여기까지가 있는 것들의 지도다. 남은 것은 없는 칸이다. 두 정책 문서에서 의미 층에 해당하는 말이 몇 번 나오는지를 같은 잣대로 세어 보면 지형이 한눈에 들어온다. 카탈로그 표준 가이드는 60쪽 PDF 전문을, 인공지능 친화적 관리 가이드라인은 92,690자 원문 마크다운을 대상으로 단순 문자열을 세었다.

숫자보다 중요한 것은 점선 아래의 세 줄이 각각 문서의 어디에 놓여 있는가다. 카탈로그 표준 가이드에서 시맨틱 한 번은 부록4의 「선택적으로 활용하는 확장 표준」 표에 있다.

인공지능 친화적 관리 가이드라인에서 온톨로지 한 번은 부록4 체크리스트의 의미 및 표준 영역, 등급은 권장인 문항이다.

이미 있으면 정합성을 점검하라는 문장이지 만들라는 문장이 아니고, 만드는 방법도 문서 안에 없다. 왜 그렇게 됐는지는 추정하지 않고, 두 문장이 어디에 놓여 있는지만 적어 둔다. 선택 표준 표의 한 줄과 권장 체크 문항 하나가 그 이름으로 배정된 지면의 전부다.

그런데 낱말을 세는 방식에는 한계가 있고, 이 글은 그 한계를 밝혀 두는 편이 정직하다고 본다. 의미 층에 해당하는 요구가 다른 이름으로 문서 안에 들어와 있기 때문이다. 세 군데다. 첫째, 두 문서가 함께 싣는 네임스페이스 참조표에는 owl이 들어 있고 설명은 클래스와 속성 간의 관계를 정의한다고 적혀 있다. prov도 나란히 있다. 온톨로지 언어의 주소가 표 안에 이미 선언돼 있는 것이다. 둘째, 체크리스트의 의미 및 표준 영역에는 앞의 권장 문항 말고 필수 문항이 따로 있다. 동일한 개념은 동일한 라벨과 용어로 일관되게 쓰고 있는지를 묻는 문항이다. 셋째, 앞 절에서 본 품질지표의 확장 정의가 의미적 일관성과 의미적 완결성을 요구한다. 의미적이라는 낱말은 이 문서에 열 번 나온다.

그러니 정확한 진술은 이렇게 된다. 국내 정책 문서에 의미 층의 요구는 이미 여러 곳에 흩어져 들어와 있고 어휘의 주소까지 선언돼 있다. 없는 것은 그 요구를 어떤 순서와 방법으로 충족하라는 문서다. 같은 개념에 같은 용어를 쓰라는 필수 문항을 받은 담당자가 그 일을 실제로 어떻게 하는지는 어느 장에도 적혀 있지 않다. 1번 섹션에서 본 표준 지형과 같은 모양이다. 재료는 있고 조립 설명서가 없다.

4.1층을 나눠야 순서가 보인다

시맨틱 레이어라는 말이 혼란스러운 이유는 그 말이 서로 비용이 다른 여러 층을 한꺼번에 가리키기 때문이다. 엑셀 파일 옆에 붙인 4KB짜리 설명 문서도 시맨틱 레이어이고, 도메인 온톨로지 위에 질의 재작성 엔진을 얹은 시스템도 시맨틱 레이어다. 두 가지의 구축 비용은 수천 배 차이 나고, 효과의 확실성도 다르다. 다음 절에서 볼 실험은 이 갈림을 두 이름으로 정리해 두었다. 정의를 코드로 적고 질의를 결정적으로 컴파일하는 쪽이 실행 형태이고, 같은 내용을 문서로 적어 모델에게 읽히는 쪽이 맥락 형태다. 층을 나눠 놓고 보면 어디서부터 손대야 하는지가 훨씬 선명해진다.

4.24KB 문서가 만든 차이

시맨틱 레이어가 실제로 효과가 있는지를 짝지어 비교로 잰 최근 실험은 2026년 4월 28일 arXiv에 올라왔다. 저자들은 프론티어 모델 세 개에 ClickHouse 위의 소매 데이터셋을 두고 자연어 질문 100개를 던졌다. 모델은 클로드 오퍼스 4.7과 소네트 4.6, 그리고 GPT-5.4다. 각 모델을 두 번씩 평가하는데, 한 번은 창고 스키마만 주고 한 번은 스키마에 4KB짜리 손으로 쓴 마크다운 문서를 얹어 준다. 그 문서에는 측정값의 정의와 관례, 중의성을 푸는 규칙이 적혀 있다. 25개 테이블 전체의 생성 구문을 주고 도구도 반복 시도도 실행 피드백도 없이 한 번에 답하게 하는 설계다.

인용하기 전에 밝혀 둘 것이 있다. 이 논문의 저자 소속은 큐브(Cube)이고, 큐브는 시맨틱 레이어를 상용 제품으로 파는 회사다. 논문 스스로도 관련 연구를 정리하면서 벤더가 낸 벤치마크는 심사를 거친 결과가 아니라 방향을 가리키는 자료로 읽어야 한다고 적어 두었는데, 그 기준은 이 논문 자신에게도 적용된다. 이 글이 이 실험을 인용하는 이유는 설계가 통제돼 있고 코드와 데이터와 판정 기록이 공개돼 있어 다시 확인할 수 있기 때문이며, 결과의 크기가 아니라 방향과 순서를 근거로 쓴다.

결과는 문서를 붙였을 때 정확도가 세 모델 모두에서 17에서 23%포인트 올랐다는 것이다. 문서가 있으면 세 모델이 67.7%에서 68.7% 사이로 통계적으로 구분되지 않고, 없으면 45.5%에서 50.5% 사이로 역시 구분되지 않는다. 군 사이의 모든 비교가 p < 0.01 수준에서 유의했다. 저자들은 이 결과를 이렇게 해석한다.

업무 의미를 명시하는 일이 모델을 더 유능하게 만든 것이 아니라 모델에게 던지는 질문 자체를 바꾼 것이라는 해석이다. 시맨틱 레이어가 모델 성능을 올린다는 인과로 옮기면 저자들이 명시적으로 배제한 해석이 된다. 실험이 보여 준 것은 같은 모델에 맥락을 붙이면 답이 달라진다는 것이고, 그 맥락은 4KB짜리 텍스트 파일이었다.

문서가 막아 준 오류의 종류를 보면 이 이야기가 왜 공공데이터와 겹치는지가 분명해진다. 논문이 꼽은 첫 번째 유형은 스냅샷과 흐름의 혼동이다. 재고 테이블은 상품과 점포 조합별로 날짜마다 한 줄씩 쌓이는 일별 스냅샷인데, 문서가 없는 조건의 모델은 재고 수량을 날짜 전체에 걸쳐 더해서 실제보다 약 1,000배 큰 값을 냈다. 두 번째는 시간의 기준점이다. 데이터의 마지막 날짜가 2009년 12월 31일인데 모델은 지난 분기를 오늘 기준으로 해석해 빈 결과를 돌려주었다. 세 번째는 관례를 모르는 값이다. 판촉 키 1번은 할인이 없다는 뜻으로 넣어 둔 코드라서 할인액 집계에서 빼야 하고, 근무일 여부는 참과 거짓이 아니라 문자열로 저장돼 있다.

세 유형은 한 가지 성질을 공유한다. 생성된 질의는 문법상 정상이고, 실재하는 표와 열을 참조하며, 오류 없이 실행되고, 행을 반환한다. 논문은 이것을 조용한 환각이라고 부르면서, 눈에 보이는 오류보다 위험하다고 적는다. 잘못됐다는 신호가 어디에도 없는 채로 값이 업무 판단에 흘러들기 때문이다. 행정안전부 가이드라인도 부록2 용어 정의에 환각을 올려 두고 그럴듯해 보이지만 잘못된 응답이라고 풀어 놓았다. 갱신 주기와 데이터 기간, 결측값 표기, 코드 체계를 메타데이터로 적어 두라는 가이드라인의 요구는 바로 이 조용한 실패를 막는 재료 목록이다.

같이 옮겨야 할 유보도 세 가지다. 첫째, 문서를 붙여도 남는 오류가 약 30%다. 68%대를 믿고 쓸 수 있는 정확도라고 부를 수는 없다. 이 실험이 말하는 것은 45%에서 68%로 가는 구간을 가장 싼 수단이 메웠다는 사실까지다. 남은 오류는 백분위와 상관계수와 표준편차, 임계값 기반 순위, 여러 단계로 겹친 질의처럼 문서에 정의를 적어 두지 않은 계산에 몰려 있다. 저자들은 이것을 방식의 한계가 아니라 문서를 더 채워 해결할 문제로 본다. 둘째, 이 실험은 문서를 프롬프트에 넣는 형태만 쟀다. 논문은 시맨틱 레이어를 정의를 코드로 적고 질의를 결정적으로 컴파일하는 실행 형태와 문서로 적어 모델에게 읽히는 맥락 형태로 나누고, 자기가 측정한 것은 뒤쪽이며 앞쪽의 하한에 해당한다고 밝힌다. 맥락 형태에서는 모델이 규칙을 받되 반드시 따르도록 강제되지 않는다. 셋째, 판정자가 시험 대상 두 개와 같은 모델 계열이고, 문서를 쓴 분석가가 데이터셋을 이미 본 사람이었다. 저자들은 둘 다 한계로 적어 두었고, 저장소의 부수 실험에서는 도구를 써서 필요한 정보를 찾아 나가는 방식이 스키마만 준 기준선을 넘지 못했다고도 덧붙인다.

같은 방향의 두 번째 근거는 AT&T 최고데이터책임자 조직이 낸 자동 메타데이터 추출 연구다. 정답에 쓰인 스키마나 값 힌트 같은 오라클 정보를 전혀 주지 않고 프로파일링 정보만으로 BIRD 벤치마크에서 67.41%를 냈고, 같은 조건의 차순위 제출은 57.13%였다. 오라클 정보는 실제 서비스 환경에 존재하지 않으므로 이 조건이 실제 작동 방식을 더 잘 대표한다는 것이 저자들의 주장이다. 조건을 빼고 67.41%만 옮기면 무엇과 비교한 숫자인지가 사라지므로 함께 적어 둔다. 같은 논문은 힌트를 쓰는 조건의 상위 성적도 함께 적어 두었는데 1위가 77.14점, 그 뒤가 구글 76.02점과 컨텍스추얼AI·알리바바 75.63점이다.

이 연구는 점수보다 진단에서 실무에 닿는다. 저자들은 질의 개발에서 가장 어려운 부분이 데이터베이스에 무엇이 들어 있는지를 이해하는 일이고 그것이 끝나면 질의 작성은 비교적 간단하다고 못박는다. 그리고 그 이해가 문서로 남아 있지 않다는 것을 수치로 보여 준다. 질의 로그를 분석해 보니 문서화되지 않은 조인 경로가 전체의 25%였다. 잘 문서화된 두 표를 단말기 식별번호로 이어 붙였는데 결과가 비어서 들여다보니 한쪽은 13자리, 다른 쪽은 14자리였고 긴 쪽에는 앞자리에 1이 붙어 있었다는 사례도 적어 두었다. 스키마 정의서에 단위와 필드 간 관계를 적으라는 행정안전부 가이드라인의 요구가 왜 형식 요건이 아닌지를 이보다 짧게 보여 주기는 어렵다.

같은 크기의 격차는 사람에게도 나타난다. 앞의 논문이 인용한 BIRD 벤치마크 원 보고에 따르면, 질문마다 외부 지식 한 문장을 붙였을 때 GPT-4의 정확도는 34.88%에서 54.89%로 올랐고, 같은 질문에 대한 사람 전문가의 정확도도 72.37%에서 92.96%로 올랐다. 20%포인트 안팎이라는 격차의 크기가 기계와 사람에서 거의 같다. 맥락 없는 스키마 앞에서 헤매는 것이 모델만의 사정이 아니라는 뜻이고, 데이터 사전을 채우는 일이 인공지능 대응 작업이라기보다 원래 해야 했던 일이라는 뜻이기도 하다.

4.3가장 비싼 층은 조건부다

반대 방향의 증거도 같은 해에 나왔다. ICLR 2026에 실린 GraphRAG-Bench 논문은 문제 제기 자체를 이렇게 시작한다. 개념적으로는 그럴듯한데도 최근 연구들이 그래프 기반 검색증강생성이 여러 실제 과업에서 평범한 검색증강생성보다 못한 성능을 낸다고 보고한다는 것이다. 그래서 이 논문의 물음은 그래프가 효과가 있느냐가 아니라 어떤 상황에서 그래프 구조가 측정 가능한 이득을 주느냐로 옮겨 간다.

그 물음에 논문이 내놓은 답은 과업의 성격으로 갈린다. 의학 지침과 소설 두 종류의 말뭉치에 사실 검색부터 복잡 추론, 문맥 요약, 창작까지 난이도를 올려 가며 실험한 결과를 저자들은 아홉 개 관찰로 정리했는데, 앞의 두 개가 순서 문제의 답이다. 단순 사실 검색에서는 평범한 검색증강생성이 그래프 방식과 대등하거나 오히려 앞선다. 재순위를 붙인 기본 방식이 소설 말뭉치 사실 검색에서 근거 재현율 83.2%로 가장 높았다. 이 구간에서 그래프는 논리적으로 관련은 있지만 불필요한 정보를 함께 끌어와 답의 품질을 떨어뜨린다는 것이 저자들의 설명이다. 반대로 여러 단락에 흩어진 정보를 이어야 하는 복잡 추론과 요약 구간에서는 그래프 쪽이 분명히 앞선다. 같은 말뭉치의 2단계와 3단계 질문에서 근거 재현율이 87.9%에서 90.9%까지 올라간다.

같은 논문이 비용도 함께 쟀다. 질의 한 건에 들어가는 프롬프트 토큰이 평범한 방식은 900개 안팎인데, 그래프 방식은 구현에 따라 3천 개대에서 수만 개대까지 벌어진다. 커뮤니티 요약을 돌리는 구현에서는 과업 난이도가 올라갈수록 7,800개에서 4만 개로 늘어난다고 적혀 있다. 논문의 그림에 실린 표는 같은 구현에 더 큰 값을 적어 두어서 본문 서술과 자릿수가 맞지 않는데, 그래서 여기서는 배수를 계산하지 않고 자릿수 차이가 난다는 데까지만 쓴다. 관계를 많이 뽑기만 하면 되는 것도 아니다. 저자들은 큰 그래프가 아니라 촘촘하게 연결된 그래프를 만들라고 권한다. 성적이 좋았던 구현은 간선을 많이 만들면서 이웃 연결의 밀도도 가장 높았고, 그러면서 프롬프트는 1,000개 토큰 수준으로 유지했다.

두 증거를 나란히 놓으면 층위 구분이 곧 결론이 된다. 4KB 문서로 얻은 이득과 완전한 지식그래프로 얻는 이득은 같은 얘기가 아니다. 가장 싼 층에서 가장 확실한 이득이 나오고, 가장 비싼 층은 조건부다. 그리고 이 결론은 국가 카탈로그 표준 가이드가 부록에 스스로 적어 둔 순서와 정확히 같은 방향이다.

국가 표준 가이드와 학술 실험이 같은 순서를 가리킨다. 정책 문서가 의미 층에 지면을 거의 배정하지 않은 것을 두고 빠뜨렸다고 읽을 수도 있지만, 적어도 순서에 관해서는 그 문서가 적어 둔 조언과 2026년의 실험 결과가 어긋나지 않는다.

그렇다고 3층 이상이 쓸모없다는 뜻은 아니다. 온톨로지 기반 데이터 접근이 산업 현장에서 통한 사례는 오래전부터 문헌에 있다. 노르웨이 스타토일(현 에퀴노르) 사례가 대표적인데, EU 프로젝트에서 만든 시스템으로 탐사 데이터 소스 일곱 개를 온톨로지 아래로 묶었다. 그중 한 저장소만 해도 테이블 약 3,000개, 컬럼 약 37,000개 규모였다. 후속 문헌이 반복해 인용하는 결과는 IT 전문가 없이는 질의를 짤 수 없던 데이터에서 지질학자가 자기 용어로 묻고 답을 얻는 시간이 수 주에서 수 분으로 줄었다는 서술이다. 다만 이것은 정량 벤치마크가 아니라 사례 서술이라서, 배수나 퍼센트로 재가공하지 않고 원 서술을 그대로 인용한다.

수치로 잰 계열도 있다. 앞의 짝지어 비교 실험이 관련 연구로 정리해 둔 목록 가운데 199개 표짜리 보험 데이터베이스를 다룬 2023년 연구가 있다. 원 논문 초록으로 확인하면 GPT-4가 SQL을 바로 쓰게 했을 때 정확도가 16%였고, 같은 데이터를 온톨로지와 매핑으로 지식그래프로 표현한 뒤 그 위에 물었을 때 54%였다. 이듬해 후속 연구는 여기에 온톨로지로 질의를 검증하고 오류 설명을 붙여 고치게 하는 층을 얹어 전체 정확도를 72%까지 올렸다고 보고한다. 그 후속 연구가 함께 적은 값은 정확도만이 아니다. 8%가 모르겠다는 답으로 처리되고 전체 오류율이 20%로 줄었다.

오류의 크기가 아니라 종류가 바뀐 것이다. 두 연구가 관찰한 바로는 온톨로지에 묶인 모델이 없는 클래스나 속성을 만들어 내지는 않고, 틀릴 때는 속성 경로를 잘못 타는 방식으로 틀린다. 앞 절에서 본 조용한 환각과 대조하면 차이가 분명하다. 스키마만 준 조건의 실패는 그럴듯한 숫자를 자신 있게 내놓는 형태이고, 의미 구조에 묶인 조건의 실패는 모르겠다고 답하거나 검증 층에서 걸리는 형태다. 3층의 이득을 정확도 몇 퍼센트로만 재면 이 차이가 보이지 않는다. 값을 대국민 서비스로 그대로 내보내는 자리라면, 틀린 답을 줄이는 것보다 틀렸다는 사실이 드러나게 만드는 쪽이 더 중요할 수 있다. 앞 절의 실험이 잰 맥락 형태에는 이 성질이 없다. 문서는 모델에게 규칙을 알려 주지만 어기는 것을 막지는 못한다.

4.4온톨로지부터 그리면 왜 멈추는가

2026년 학계에서 반복되는 진단 하나가 이 순서 문제와 맞물린다. FAIR 원칙과 AI 레디니스는 같은 말이 아니라는 논쟁인데, 그 안에서 자주 지적되는 것이 FAIR를 달성하는 데 쓰인 방식의 확장성이다. 거버넌스 담당자가 손으로 온톨로지를 짜는 방식은 한 조직이 지금 관리하는 데이터 제품의 양에 맞춰 늘어나지 않는다. 데이터셋 문서화 표준의 원형인 Datasheets for Datasets도 원래 자동화 도구가 아니라 데이터를 만든 사람만 아는 정보를 남기기 위한 수기 문서로 설계됐다. 허깅페이스 데이터셋 카드를 대규모로 분석한 연구는 도구가 제안돼 있어도 실제 채택률은 낮다는 격차를 실증했다.

그래서 2025년과 2026년의 흐름은 사람이 채우던 항목을 자동으로 채우는 쪽으로 움직인다. Croissant 메타데이터를 자동 생성하는 도구가 나왔고, 앞서 언급한 자동 메타데이터 추출 연구도 같은 계열이다. 국내 학계에서도 DCAT-AP-KR에 지식그래프 기반 데이터맵 검색을 결합하는 후속 연구가 나와 있다. 카탈로그 다음 단계가 지식그래프라는 순서를 학술 연구가 이미 밟고 있는 셈이다.

지금까지의 근거를 실무 순서로 옮기면 다음과 같다.

• 먼저 카탈로그를 정리한다. 무엇이 어디 있는지의 목록이 없으면 그 위에 무엇을 얹어도 닿을 데가 없다. 국내에는 이미 TTA 표준과 국가 카탈로그 표준 가이드라는 두 벌의 규격이 있으므로 새로 설계할 일이 아니다.
• 다음으로 데이터 사전과 문서를 채운다. 측정값의 정의, 단위, 스냅샷인지 누적인지, 조직 안에서만 통하는 관례, 같은 이름이 두 가지를 가리킬 때의 판별 규칙, 그리고 데이터의 마지막 시점이 언제인지가 여기 들어간다. 4KB짜리 마크다운으로도 효과가 나온 층이 바로 이 층이고, 행정안전부 가이드라인이 스키마 정의서라는 이름으로 요구하는 문서도 이것이다.
• 그다음에 도메인 어휘를 세운다. 이 단계는 비용이 크므로 앞의 두 층에서 이미 반복해 부딪히는 중의성이 무엇인지 확인한 뒤에 착수한다. 다만 답이 그대로 대국민 서비스나 의사결정으로 나가는 자리라면 판단 기준이 하나 더 붙는다. 틀렸을 때 모르겠다고 말하게 만들 필요가 있는지다. 그 성질은 문서가 아니라 검증 층이 주는 것이다.
• 지식그래프는 다중 홉 추론이나 구조적 관계가 결과를 좌우하는 과업이 실제로 있을 때 얹는다. 단순 조회가 대부분이면 평범한 검색이 대등하거나 오히려 낫다는 것이 벤치마크의 관찰이고, 그래프가 앞서는 구간은 여러 문서에 흩어진 정보를 이어 붙여야 하는 질문이었다. 얹기로 했다면 간선 수를 늘리기보다 이웃 연결의 밀도를 높이는 쪽으로 만든다.
• 어느 단계에 있든 지금 상태를 먼저 잰다. 결측과 구조와 계보가 어떤 상태인지 모르면 어느 층에서 막히고 있는지도 알 수 없다.

지금까지의 이야기는 비어 있는 칸에 관한 것이었다. 그래서 한국이 뒤처졌다는 인상이 남기 쉬운데, 국제 비교 지표를 놓고 보면 그림이 반대로 나온다. 경제협력개발기구는 2026년 2월 12일 공공거버넌스위원회 승인으로 워킹페이퍼 90호를 냈고, 여기에 2025년 디지털정부지수와 개방·유용·재사용 가능 데이터 지수의 결과가 담겨 있다. 자료 수집 기간은 2023년 1월부터 2024년 12월까지다.

출처: OECD, Digital Government Index and Open, Useful and Re-usable Data Index: 2025 Results and Key Findings, OECD Working Papers on Public Governance No. 90, 2026-02-12 승인. PDF 원문 직접 확인, 조회 2026-09-01.

제도와 정책 성숙도로 재면 한국은 최상위다. 그 안에서 상대적으로 점수가 낮은 것이 데이터 가용성인데, 실제 데이터의 양과 범위가 얼마나 넓어졌는가를 보는 항목이다. 다른 두 축이 0.97과 0.98인 가운데 0.90이라는 뜻이지 낮은 점수라는 뜻은 아니다. 그런데 이 배치는 이 글이 앞에서 본 것과 겹친다. 상부구조는 촘촘하고, 그것을 기계가 읽는 구체적 규격으로 옮기는 중간층이 상대적으로 덜 채워져 있다.

5.1유럽은 버전 정책까지 문서로 만든다

유럽연합의 DCAT-AP는 릴리스 이력이 공개 저장소에 그대로 쌓여 있다. 2020년 6월 2.0.1, 2021년 12월 2.1.0, 2022년 8월 2.1.1, 2023년 7월 3.0.0, 2024년 10월 고가치 데이터셋용 확장판, 그리고 2026년 6월 3.0.1이다. 마지막 판에는 날짜가 둘 붙는다. 저장소 릴리스 공개일은 2026년 6월 4일인데, 명세 본문이 밝히는 문서 상태는 2025년 10월 27일자 SEMIC 권고다. 앞 절의 연표에 찍어 둔 점은 뒤쪽 날짜다. 같은 명세는 2023년에 W3C DCAT 3이 채택되면서 DCAT-AP의 새로운 정렬 작업이 촉발됐다고도 적는다. 어느 판이 현행이고 이전 판의 어떤 속성이 폐기됐는지가 문서 자체에 적혀 있다.

확장 방식은 이렇다. 공간정보에는 GeoDCAT-AP, 고가치 데이터셋에는 별도 릴리스가 붙는 식으로 도메인 확장이 기반 프로파일 위에 얹힌다. 국내에도 같은 모양이 있다. 공간정보 데이터 포털을 위한 GeoDCAT 응용 프로파일이 2023년 12월 6일 표준으로 공고돼 있다. 도메인별 확장이라는 설계 자체는 이미 국내 표준 체계 안에 들어와 있다.

한 가지 국제 표준은 두 정책 문서 어디에도 나오지 않는다. 인공지능·기계학습 시스템의 데이터 품질을 다루는 ISO/IEC 5259 시리즈는 전문 검색에서 두 문서 모두 0회다. 앞에서 센 ISO 아홉 번이 날짜와 코드와 단위의 표기 형식을 고정하는 표준들이었다는 점과 겹쳐 놓으면 모양이 분명해진다. 값을 어떻게 적을지에 대해서는 국제 표준을 부르고, 품질을 어떻게 잴지에 대해서는 자체 지표 체계를 새로 짰다. 데이터 품질 축의 국제 표준과 국내 카탈로그 축의 정책이 아직 같은 문서 안에서 만나지 않는다는 뜻이다. 페블러스는 그 표준 문서 자체를 OWL 온톨로지로 옮긴 사례 연구를 ISO/IEC 5259 온톨로지화로 발행해 두었다.

5.2준비가 안 됐다는 조사는 전부 글로벌이다

기업 쪽 사정을 보여 주는 조사는 여러 건이 있는데, 아래 넷은 모두 글로벌 조사이고 한국 특화 데이터가 아니다. 국내 기업 비율로 옮겨 쓰면 없는 숫자를 만들게 된다.

가트너 조사의 표본수를 248명으로 옮긴 국내 재인용 기사가 돌아다니는데 원문은 1,203명이다. 이 글은 원문 표기를 따랐다. 원문 접근이 막힐 때는 아카이브 스냅샷으로 대조할 수 있다.

같은 회사의 전망 문구도 몇 개 돌아다니는데, 이것들은 조사 결과가 아니라 애널리스트의 전략적 계획 가정이다. 2026년까지 기업들이 AI 레디 데이터가 뒷받침되지 않는 AI 프로젝트의 60%를 포기할 것이라는 문장, 2027년까지 AI 레디 데이터에서 의미를 우선하는 조직이 생성형 AI 모델 정확도를 최대 80% 높이고 비용을 최대 60% 줄일 것이라는 문장, 2030년까지 범용 시맨틱 레이어가 데이터 플랫폼·사이버보안과 나란히 핵심 인프라로 취급될 것이라는 문장이 그것이다. 연구 결과로 바꿔 쓰지 않고 전망으로 옮기는 편이 정확하다.

시장 규모는 아예 단일 수치로 쓰기 어렵다. 메타데이터 관리 시장 하나만 놓고도 2025년 기준 추정치가 조사기관에 따라 15억 달러에서 132억 8천만 달러까지 벌어진다. 전사 메타데이터 관리 체계까지 포함하는지 도구 시장으로 좁히는지, 데이터 카탈로그를 합산하는지에 따라 정의가 다르기 때문이다. 아홉 배 가까운 격차 자체가 이 영역의 경계가 아직 합의되지 않았다는 신호로 읽는 편이 낫다.

5.3표준이 비운 칸에 이미 시장이 있다

국내 컨설팅 시장은 표준이 비워 둔 층을 이미 상품으로 팔고 있다. 데이터 컨설팅 기업 엔코아는 2026년 9월 현재 공식 홈페이지의 제품 메뉴에 AI Ready Data와 Entology 항목을, 컨설팅 메뉴에 Ontology와 AI Ready Data 항목을 각각 별도로 두고 있다. 같은 메뉴에 데이터 맥락 지도와 MCP 확장 항목도 있다. 다만 우리가 확인한 것은 메뉴 구조뿐이다. 각 페이지 본문은 자바스크립트로 렌더링돼 있어 본문 카피는 확보하지 못했고, 방법론 주장이나 효과 수치는 판매자의 주장이므로 중립적 사실처럼 옮기지 않는다.

학습 데이터 인프라 쪽은 표준 공백과 무관하게 빠르게 커지고 있다. AI허브에는 2026년 9월 1일 기준 개방데이터 977건과 기관 제공 데이터 51건이 올라 있다. 2026년 8월 27일에는 독자 AI 파운데이션 모델 프로젝트 5개 팀의 1차 단계평가 산출물 29종, 약 3,544만 건이 무료 개방됐다. 토큰으로 환산하면 약 1조 5,600억 토큰 규모이고, 과학기술정보통신부 보도자료는 이론적으로 700억에서 800억 파라미터급 대형 AI 모델 학습에 사용 가능한 규모라고 적었다. 데이터는 쌓이고 있고, 그것을 어떤 어휘로 기술할지가 이 글이 다룬 문제다.

상용 시맨틱 레이어 제품군이 이 층을 어떻게 다루는지는 이 글의 범위 밖이다. 팔란티어식 온톨로지와 고전 온톨로지의 차이는 별도 비교 글에서 다뤘다.

페블러스는 데이터의 상태를 진단하고 그 결과를 성적서로 발급하는 일을 한다. 그래서 이 글이 그린 층위 지도는 남의 이야기로 읽히지 않는다. 1층과 2층이 국제 표준으로 촘촘히 규정됐고 3층 이후가 비어 있다는 배치가, 우리 제품군이 각각 어느 칸에 앉아 있는지를 그대로 드러내기 때문이다.

6.1지도의 층과 제품의 층이 겹친다

DataClinic은 첫 층에서 지금 이 데이터가 어떤 상태인지를 재고, PebbloScope는 구조를 관측하며, CURK는 의미 층을 다룬다. 4번 섹션의 사다리에 그대로 얹으면 세 제품이 서로 다른 층에 앉는다. 그 사다리가 말하는 순서가 곧 우리 제품이 고객에게 권해야 할 순서이기도 하다. 의미 층 도구를 먼저 팔 수 있는 상황이 있고, 아래 두 층이 정리되기 전에는 위층이 성립하지 않는 상황이 있다. 이 글은 후자가 훨씬 흔하다는 근거를 정책 문서와 학술 실험 양쪽에서 확인했다.

6.2가이드라인이 우리 일의 기준선을 그어 주었다

행정안전부 가이드라인이 요구하는 AI가 읽을 수 있는 상태는 결국 구조와 결측과 계보의 문제다. 결측치 20% 미만, 완전성부터 유일성까지 여섯 개 품질지표, 38개 체크 문항은 모두 데이터의 지금 상태를 재는 항목이다. 문서는 여기서 한 걸음 더 나가 지표마다 진단기준과 진단방법과 오류예시를 적어 두었고, 갖춰야 할 문서 목록에 품질 진단 보고서를 넣었다. 우리가 성적서라고 부르며 해 온 일이 정책 문서의 요구 항목으로 적힌 셈이다. 학습 데이터의 상태가 모델 내부 표현으로 어떻게 이어지는가는 페블러스가 계속 다뤄 온 주제인데, 이 문서는 그 주제에 국내 규범이라는 구체적 기준선을 그어 주었다.

4번 섹션의 실험이 보여 준 것도 같은 방향이다. 모델을 바꾸지 않고 데이터 쪽 맥락만 정리해도 답이 달라졌다. 모델 교체보다 데이터 진단이 싸고 확실할 수 있다는 근거가 하나 더 생겼다.

6.3무엇부터 하느냐는 질문에 답이 생겼다

공공기관과 산하기관은 지금 가이드라인은 받았는데 무엇부터 하느냐는 단계에 있다. 이 글의 실무적 답은 순서다. 카탈로그 정비가 먼저이고 온톨로지는 그다음이다. 그 순서를 국가 표준 가이드의 부록과 2026년의 대조 실험이 함께 뒷받침한다.

어느 순서든 첫 단계는 현재 상태를 재는 일이다. 38개 문항을 손으로 채우는 대신 진단 도구로 재는 것이 페블러스가 대응하는 지점이다. 기업 쪽도 사정이 같다. 사내 데이터를 에이전트가 쓰게 만들라는 지시를 받았다면, 온톨로지 설계를 발주하기 전에 카탈로그와 데이터 사전부터 세울 일이다.

6.4비어 있는 칸을 먼저 문서화하는 쪽이 기준을 만든다

국내 표준 지형에서 의미 층이 비어 있다는 것은 그 칸을 채우는 방법론을 먼저 문서로 남긴 쪽이 기준을 제시하게 된다는 뜻이기도 하다. 페블러스는 ISO/IEC 5259-2를 OWL 온톨로지로 옮긴 사례 연구를 이미 발행했다. 국제 표준과 국내 정책 사이를 잇는 해설자 자리에 설 근거가 그 작업에 있다.

본문의 표준 목록·낱말 빈도·정책 문서 인용은 모두 페블러스가 2026년 9월 1일에 1차 출처를 직접 열어 확인한 값이다. 조사기관 발표와 애널리스트 전망은 발표 주체를 함께 적었고, 원문 접근이 막힌 항목은 그 사실을 해당 줄에 밝혔다.

국내 표준 · 용어

• 1.TTA 표준화위원회. 표준화 과제 검색 및 PG1004 제정 표준 목록. committee.tta.or.kr — 2026년 9월 1일 조회. AI Ready · AI 레디 · 인공지능 준비 · 지식그래프 · 시맨틱 레이어 다섯 개 검색어 모두 결과 없음. 같은 창구에서 온톨로지 37건, 시맨틱 14건, 데이터 카탈로그 6건은 정상 반환됐다.
• 2.TTA. 「데이터 카탈로그 어휘(DCAT) - 버전 3」 TTAE.OT-10.0427/R2, 2025-12-05, 200쪽. 제정본 TTAE.OT-10.0427은 2017-12-13, 버전 2는 2020-12-10. 표준 요약
• 3.TTA. 「대한민국의 데이터포털을 위한 DCAT 응용 프로파일(DCAT-AP-KR)」 TTAK.OT-10.1406, 2022-12-07, 41쪽. 과제번호 2021-2197, PG1004. 표준 요약 · 공개 명세 vocab.datahub.kr
• 4.TTA. 「데이터 이력관리를 위한 온톨로지 / PROV-O: The PROV Ontology」 TTAE.OT-10.0452, 2020-12-10, 80쪽 — W3C PROV-O의 국내 채택본이다.
• 5.TTA. 「RDF 데이터셋 정규화」 TTAE.OT-10.0473, 2025-12-05, 70쪽 · 「데이터 패브릭 - 제1부」 TTAK.KO-10.1631-Part1, 2025-12-05 · 「데이터옵스 - 제1부」 TTAK.KO-10.1492-Part1/R1, 2025-12-05.
• 6.TTA 정보통신용어사전. 「인공지능 준비 데이터, 人工知能準備-, AI-ready data」. terms.tta.or.kr — 2026년 9월 1일 조회. 같은 사전에서 AI 레디 데이터로는 0건이 나온다.

정책 문서 · 통계

• 7.한국지능정보사회진흥원(NIA) 인공지능데이터본부 국가데이터인프라팀. 「국가데이터 통합 연계를 위한 데이터 카탈로그 표준 가이드 v1.0」, 2025-10, 판권지 60쪽. 게시글 — 방송통신발전기금으로 수행한 과학기술정보통신부 정보통신·방송 연구개발 사업의 결과물이다. 전문 낱말 카운트는 이 PDF를 텍스트로 변환해 세었다.
• 8.행정안전부 · 한국지능정보사회진흥원. 「공공데이터의 인공지능 친화적 관리 가이드라인 V1.0」, 2026-03-31 발간 / 2026-04-24 공개, 70쪽. 공공데이터포털 자료실 — 낱말 카운트는 같은 게시글의 마크다운 원문(92,690자)을 기준으로 했다.
• 9.행정안전부. 「2025년 공공데이터 제공·운영실태 평가 결과」, 2026-03-31. 보도자료 — 684개 기관, 3개 영역 10개 지표, 근거는 공공데이터법 제9조.
• 10.OECD. Digital Government Index and Open, Useful and Re-usable Data Index: 2025 Results and Key Findings. OECD Working Papers on Public Governance No. 90, 2026-02-12 승인.
• 11.SEMIC / Interoperable Europe. DCAT-AP 3.0.1. 명세 본문이 밝히는 문서 상태는 SEMIC Recommendation 2025-10-27이고, 저장소 릴리스 공개일은 2026-06-04이다. 명세 · 릴리스 이력 (GitHub 릴리스 API로 조회)
• 12.과학기술정보통신부. 「독자 AI 파운데이션 모델」 1차 단계평가 산출물 개방 보도자료, 2026-08-27. 정책브리핑 · AI허브 aihub.or.kr (2026-09-01 조회, 개방데이터 977건 · 기관 제공 51건)

학술 논문

• 13.Michael Rumiantsau, Ivan Fokeev. "Semantic Layers for Reliable LLM-Powered Data Analytics: A Paired Benchmark of Accuracy and Hallucination Across Three Frontier Models." arXiv:2604.25149, 2026-04-28. arXiv — 본문의 +17~23%p와 67.7~68.7% / 45.5~50.5%, 오류 유형 서술, 잔여 오류율, 맥락 형태와 실행 형태의 구분은 논문 전문(초록·4장·5장·6장)에서 확인했다. 저자 소속은 큐브(Cube)로, 시맨틱 레이어 상용 제품을 만드는 회사다. 코드·질문·판정 기록은 공개 저장소에 있다. 판정 대상은 100문항 가운데 참조 질의가 실행되지 않은 1문항을 뺀 99문항이다.
• 14."When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation" (GraphRAG-Bench). arXiv:2506.05690, ICLR 2026. arXiv — 초판 인용 시 수치표를 열지 못했으나 이후 v3 전문(HTML)으로 4장의 관찰 아홉 개와 표 2·3, 토큰 비용 그림을 확인했다. 본문의 재현율 83.2%와 87.9~90.9%는 소설 말뭉치 표 3의 값이다. 토큰 비용은 그림의 표와 본문 서술이 자릿수에서 어긋나므로 배수로 재가공하지 않았다.
• 15.Vladislav Shkapenyuk 외 (AT&T CDO). "Automatic Metadata Extraction for Text-to-SQL" (AskData). arXiv:2505.19988, 2025. — BIRD 벤치마크 오라클 미사용 조건 67.41%, 같은 조건 차순위 57.13%(차이 10.28%p, 2025년 1월 기준). 힌트 사용 조건 상위는 77.14(AT&T) · 76.02(Google) · 75.63(Contextual AI, Alibaba) · 73.17(IBM). 미문서화 조인 경로 25%와 단말기 식별번호 자릿수 사례도 이 논문의 서술이다.
• 16.Kaveen Hiniduma, Suren Byna, Jean Luca Bez. "Data Readiness for AI: A 360-Degree Survey." ACM Computing Surveys 57(9):219, 2025. arXiv:2404.05779.
• 17.Jane Greenberg 외. "The metadata ecosystem and AI: Enabling FAIR and AI-ready data." AI Magazine, 2026. doi:10.1002/aaai.70060 · S. Majithia 외. "An actionable framework for AI-ready data." AI Magazine, 2026. doi:10.1002/aaai.70054
• 18.MLCommons Croissant Working Group. "Croissant: A Metadata Format for ML-Ready Datasets." arXiv:2403.19546, NeurIPS 2024 Datasets and Benchmarks Track · Timnit Gebru 외. "Datasheets for Datasets." CACM, 2021.
• 19.Evgeny Kharlamov 외. "Ontology Based Data Access in Statoil." Journal of Web Semantics, 2017 — 데이터 소스 7개, 한 저장소가 테이블 약 3,000개·컬럼 약 37,000개 규모. 수 주에서 수 분이라는 서술은 정량 벤치마크가 아니라 사례 서술이다.
• 20.박하람 · 김학래(중앙대학교 문헌정보학과). 「DCAT-AP-KR: 국내 데이터 포털의 상호운용을 위한 애플리케이션 프로파일」 디지털콘텐츠학회논문지 23권 11호(2022-11), 2249~2258쪽. doi:10.9728/dcs.2022.23.11.2249 — 2022년 2월 1일 기준 공공기관이 운영하던 데이터 포털 109개 가운데 주제 특화 41개와 메타데이터 미제공 23개를 뺀 45개(중앙부처 6 · 지자체 13 · 공공기관 26)를 조사해 공통 메타데이터 항목을 뽑고 DCAT-AP 설계 원칙으로 신규 어휘를 정의한 논문이다. 3번 TTA 표준은 같은 이름으로 그해 12월 7일에 공고됐다. 본문의 DCAT-AP-KR 관련 진술은 3번 표준 요약과 공개 명세를 근거로 적었고, 이 논문의 분석 결과를 따로 인용하지는 않았다.
• 21.Juan Sequeda, Dean Allemang, Bryon Jacob. "A Benchmark to Understand the Role of Knowledge Graphs on Large Language Model's Accuracy for Question Answering on Enterprise SQL Databases." arXiv:2311.07509 — 16%에서 54%로. · Dean Allemang, Juan Sequeda. "Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue!" arXiv:2405.11706, ISWC 2024 — 온톨로지 기반 질의 검증과 수정으로 72%, 별도로 8%는 모르겠다는 답, 전체 오류율 20%. 두 값은 각 논문 초록에서 직접 확인했다. 13번 논문은 이 값을 16.7%와 54.2%로 옮겨 적었는데 원문 초록의 표기는 16%와 54%이므로 원문을 따랐다. 한편 본문에 인용한 BIRD의 증거 격차(34.88%→54.89%, 사람 전문가 72.37%→92.96%)는 13번 논문이 인용한 값을 옮긴 것이며 BIRD 원 논문(arXiv:2305.03111) PDF로 재확인하지는 않았다.

조사기관 발표 (전망 문구 포함)

• 22.Gartner. "Lack of AI-Ready Data Puts AI Projects at Risk" (Roxane Edjlali), 2025-02-26 — 데이터 관리 리더 1,203명, 2024년 7월 조사. 60% 포기 전망도 같은 발표다.
• 23.Gartner. "Top Data and Analytics Predictions" (Carlie Idoine, Sydney Summit), 2025-06-17 — 2027년 80%/60% 전망의 화자는 Carlie Idoine이다. 2차 보도가 다른 애널리스트로 옮겨 적은 사례가 있다. 2026-03-11 발표의 2030년 범용 시맨틱 레이어 전망도 함께 참조했다.
• 24.Cloudera × Harvard Business Review Analytic Services, 2026-03-05 — 230명 이상, 2025년 10월 조사 · Dun & Bradstreet AI 모멘텀 설문, 2026-05-20 보도(표본 미공개) · Informatica & Wakefield Research, CDO Insights 2025(600명).
• 25.엔코아 공식 홈페이지 en-core.com, 2026-09-01 조회 — 제품·컨설팅 메뉴 구조만 확인했다. 각 페이지 본문은 자바스크립트로 렌더링돼 카피를 확보하지 못했다.