라이프 튜토리얼 — 생활법률 행동 훈련 서비스

고등학교를 졸업하는 순간부터 아르바이트 근로계약, 급여 관리, 원룸 계약, 학자금 대출처럼 법적 책임이 따르는 일들이 시작되나, 정규 교육과정에는 이를 다루는 실전 금융·노동법·생활법률 교육이 사실상 전무하다. 매년 수능 지원자 34만 777명이 아무 훈련 없이 법적 책임의 세계에 진입한다(한국교육과정평가원, ’25.9).

그 결과 사회초년생은 보이스피싱 같은 금융사기, 임금체불이나 주휴수당 미지급 같은 노동권 침해에 무방비로 노출된다. 대부분은 몰라서 당하는 정보 비대칭 피해자다.

도달 방식이 강사·선발에 묶인 공급 제약형이고, 도달이 넓어도 학습 깊이가 시청·퀴즈 수준으로 한정적이며, 교육의 대상이 알바생이 아닌 점주 또는 미래의 고객인 경우가 많다.

(표 출처: 경향게임스 ’26.6, 고용노동부 ’25, 한국금융신문 ’24.1 등 / 분모는 수능 세대 연 34만명)

• 민간이 이 자리를 채우지 않는 이유는 점주가 고객이기 때문이다 — 토스의 교육은 자영업자 점주 대상으로 수습기간 최저임금 조정 범위를 안내하고, 알바천국 또한 구인광고 점주가 대상이다.
• 강의로 ‘인식’은 가능하지만 ‘행동’은 채워지지 않는다 — 매년 여러 방면으로 교육이 지원되고 유튜브 콘텐츠도 즐비하지만, 교육을 체화하지 못하기에 문제가 발생한다.

• 전체 구조: 반응형 웹 클라이언트 ↔ FastAPI 모듈러 모놀리식
• 백엔드: 기능 모듈(BC) 6개(ontology, quest, npc, player, guard, insight)가 공통 코어를 중심으로 붙는 스타형 구조(헥사고날 아키텍처 + DDD) ↔ Vector DB · LLM API · OCR 엔진
• DB: 법제처·고용노동부·금감원 공공데이터(KOGL 유형1)를 청킹·임베딩 배치로 적재
• 프론트엔드: React (Next.js) 및 Phaser 4

대화 방어전의 데이터 흐름은 다음과 같다.

발표 시점에 확정된 기술 스택은 다음과 같다. 계층마다 “왜 이것을 골랐는가”를 함께 정해, 나중에 교체할 때 무엇을 지켜야 하는지가 남도록 했다.

법률 교육 서비스에서 가장 걱정한 것은 AI가 틀린 법 조문을 지어내는 것, 그리고 법이 개정됐는데 옛날 내용으로 답하는 것이었다. 그래서 처음부터 역할을 나눴다.

구현 단계에서 이 원칙을 세 개의 장치로 나눠 코드에 박았다. 원칙을 프롬프트로만 적어두면 모델을 바꾸는 순간 무너지기 때문이다.

1. 01법 조문은 DB 원문만 쓴다 — 프론트에 법 조문 텍스트를 하드코딩하지 않고, 요약·가공·생성을 금지한다.
2. 02판정과 근거를 분리한다 — LLM은 “행동이 적절했는가”만 판정하고 근거 문구 자체는 생성하지 않는다.
3. 03평가 기준과 런타임이 같은 코드를 쓴다 — 값 날조 판정 함수 같은 핵심 검증 로직을 평가 하네스와 실제 런타임이 함께 사용한다. 테스트에서만 통과하는 기준이 생기지 않게 하기 위해서다.

근로기준법·최저임금법 등 11개 법령 503개 조문에 최저임금 고시, 시행령 별표 7종, 고용노동부 질의회시집(행정해석 399건), 통상임금 지침까지 총 16종 문서를 1,593개 검색 단위로 나눠 임베딩·DB 적재를 마쳤다.

검색 단위는 법제처 API가 제공하는 조→항→호 구조를 그대로 사용했다(항 단위, 조문 제목 유지). 법 자체가 이미 의미 단위로 쪼개져 있어서 복잡한 청킹 알고리즘 없이도 정확한 검색이 가능했다.

판정 API는 유저 자유 입력 → 관련 조문 RAG 검색 → 페르소나·대화 이력과 함께 조립 → 판정 결과(진행중/클리어/힌트 필요) 반환까지 1턴 왕복 1~1.3초로 동작한다.

실제 검증 사례 — “안 쓰면 저한테 벌금 나오는 거 아니에요?”라는 입력은 방향은 맞지만 벌금을 내는 쪽(사업주)을 잘못 알고 있는 함정 케이스인데, 판정 모델이 이를 정답 처리하지 않고 정확히 힌트로 걸러냈다. 본선 전까지 방어선별 평가셋을 만들어 정확도를 수치로 확인할 계획이다.

완성 단계에서는 문제를 하나의 AI에게 통째로 맡기지 않고 AI 태스크 단위로 쪼갠 뒤, 태스크마다 모델과 도구 조합을 따로 골랐다. 세 태스크는 “틀렸을 때 치르는 비용”이 서로 다르기 때문이다.

방어전 판정의 실제 데이터 흐름은 다음과 같다. 마지막 단계에서 화면에 뿌리는 법령 문구는 LLM이 아니라 DB 원문을 그대로 렌더링한 것이다.

검증은 한 번 돌리고 끝내지 않고 실패가 나오면 룰을 고치고 과거 케이스를 전부 다시 돌리는 루프로 운영했다.

• 모든 AI 호출을 Port/Adapter로 격리해 온라인(외부 API)·오프라인(로컬 GPU 모델)을 간단히 전환할 수 있다 — 헥사고날 아키텍처로 시연 안정성을 확보했다.
• 해커톤 준비에 앞서 장비의 한계를 미리 파악했다. 여러 모델로 멀티 에이전트를 구성하면 좋겠지만 현실적인 한계에 따라 모델의 구현 범위를 미리 테스트해 뒀다 — 가장 중요한 NPC와의 유기적 소통만 외부 API를 쓰고, 임베딩과 판정은 로컬 모델과 외부 API 모두 가능하다.
• 검색(임베딩)과 판정은 외부 API(Gemini)와 로컬 GPU 모델(임베딩 Qwen3, 판정 EXAONE) 어느 쪽으로도 동작하며, 전환은 코드 수정 없이 설정 파일 한 줄 변경으로 가능하다. 두 구성 모두 실제로 구동해 검증을 마쳤다.
• 앞의 함정 판별 사례(“벌금 나오는 거 아니에요?” → 힌트 처리)는 로컬 모델 구성에서 나온 결과로, 로컬 전환이 판정 품질의 타협이 아님을 확인했다.
• 전환이 빠른 이유 — 임베딩 모델이 다르면 벡터를 새로 만들어야 하는데, 1,593개 청크 전부에 외부 API용·로컬용 벡터를 미리 둘 다 만들어 뒀다.

도메인 코어(Quest·Guard·Report·Player)는 Ports & Adapters 인터페이스 뒤에 두고, 그 바깥에 역할별 어댑터를 붙였다. 최종 구성은 다음과 같다.

장애는 나지 않게 만드는 것이 아니라 났을 때 어디로 떨어질지를 정해 뒀다. AI가 틀릴 수 있다는 전제에서 출발한 설계다.

시연 자체도 리허설로 검증했다. 자동 리허설 1라운드 3회 반복을 3라운드(9회), 사람이 직접 하는 리허설도 같은 방식으로 9회, 총 18회를 돌렸다. 시연 중 발생할 수 있는 실패를 미리 소진해 두기 위한 것이다.

개발방식은 AI 시대에 맞춘 하네스 엔지니어링이다. 라이프 튜토리얼의 아키텍처는 헥사고날+클린+DDD 기반으로, 레이어드 아키텍처에 비해 과다해 보일 수 있으나 — 현 시대의 코드는 사람이 짜는 게 아니라 AI가 짜고, 사람은 컨텍스트(AI에게 무엇을 보여줄 것인가)와 검증(AI의 출력을 어떻게 믿을 것인가)을 맡는 역할이라 이 구조가 알맞다.

실전 가드(문서 점검)의 처리 경로는 다음과 같다. 판정 경로에 LLM이 들어가는 자리가 아예 없다.

1. 01같은 입력이면 같은 결과가 나온다 — 모델 샘플링이나 프롬프트 변화에 따라 결과가 흔들리지 않는다.
2. 02회귀 테스트가 된다 — 룰을 고친 뒤 과거 케이스 전체를 다시 돌려 부작용을 확인할 수 있다.
3. 03근거를 추적할 수 있다 — 어떤 룰 버전으로 판정했는지가 결과에 스냅샷으로 남는다.
4. 04할루시네이션이 배제된다 — 문서 진단 판정 경로에 LLM이 개입하지 않는다.

OCR 파이프라인도 실제 문서를 넣어 6회 검증했고, 그 과정에서 나온 실패를 룰 수정과 회귀 테스트로 되돌렸다. 발견된 유형은 세 가지다 — 노이즈로 인한 오인식(위약금 → 위익금), 미검출(휴게시간·가산수당 누락), 오탐(서식의 미제출 라벨).

상담 준비 리포트에는 Confirm gate를 뒀다. 피해자가 모르는 항목을 LLM이 그럴듯하게 채우면 노무사·변호사가 잘못된 전제로 상담을 시작하게 된다. 그래서 “모르겠음”은 그대로 남기고, 사용자 확인을 거친 내용만 문서에 들어간다.

적용 분야는 에듀테크(생활법률·금융 행동훈련), 리걸테크(계약서 AI 진단), B2G 공공 교육 조달의 세 갈래를 겨냥한다.

1. 01품질·안전성 — 판정 오류·힌트 폴백 사례를 모아 방어선별 평가셋 고도화
2. 02게임성 — 퀘스트별 완주·이탈 지점을 측정해 재미와 난이도 개선
3. 03사회 기여 검증 — 유저가 지켜낸 돈, 계약서 작성률 변화 등 문제의식이 실제로 해결되는지 측정

검증된 품질과 성과 지표가 성인판(사회초년생)·B2G·B2B로 가는 발판이며, 수익화는 그 단계에서 이뤄진다. 운영 시나리오상 수능 직후~겨울방학이 골든타임이므로 “8주 어른 수업” 시즌제(하루 1퀘스트 × 6~8주)로 묶어 운영한다. 단, 본 기획서의 개발 범위는 핵심 가설 검증을 위한 MVP까지로 한정하며 정식 출시 이후는 향후 마일스톤으로 추진한다.

• 풀어야 할 곳은 40.4%가 아니라 7.0% — 청소년 알바생의 19.5%가 근로계약서 없이 일하고, 미작성 이유 1위는 ‘작성해야 하는지 몰라서’(40.4%)지만, 알면서도 시정을 요청해 본 경험은 7.0%에 그친다(알바천국, n=292, ’26.5). 지식 전달만으로는 40.4%의 간극만 건드릴 뿐, “면전에서 요구하지 못하는” 간극은 남는다.
• 가장 못 닿은 곳에 가장 잘 닿는다 — 근로계약서 미작성률은 학교 밖 청소년에서 24.4%로 가장 높고, 경상권 23.5%·전라권 23.1%로 수도권(16.8%)과 뚜렷한 격차가 있다. 강사 파견형 오프라인 교육이 구조적으로 닿기 어려운 집단·지역에서 피해가 가장 크다는 뜻이다.
• 세금으로 만든 무료 인프라가 실제로 쓰이게 한다 — 부족한 것은 제도가 아니라 피해를 발견한 순간과 제도를 잇는 다리다. 진단(발견) → 기관 안내(라우팅) → 상담 준비 리포트(정리)로 그 다리를 놓는다.

제시한 상황은 이렇다 — “처음 3일은 교육기간이라 임금을 적게 줄게요. 근로계약서는 일주일 뒤에 작성하고, 바쁘면 약속한 시간보다 더 일할 수도 있어요.” 질문은 “실제 상황이라면 가장 먼저 어떻게 하시겠습니까?”였다.

표본이 작아 통계적 유의성을 주장할 수 있는 규모는 아니지만, “지식을 전달했는가”가 아니라 “행동이 바뀌었는가”를 지표로 삼는 설계 자체가 검증됐다. 베타테스터의 자유응답 중에는 “실생활에서 가장 필요한 지식을 AI로 친근하게 배울 수 있어서 좋았다”가 있었다.

기술적으로는 KDT 과정에서 배운 LLM 프롬프트, RAG, OCR, FastAPI, 웹 프론트, 이벤트 기반 데이터 분석을 따로가 아니라 한 서비스에 통합해 실전 적용했다. 대화·이해는 모델에 맡기고 판정은 룰과 원문으로 하는 구성은, LLM의 강점(자연어 이해)과 한계(판정 신뢰성)를 구분해 쓰는 설계다.