법이 단순히 오래된 책들이 쌓인 먼지 쌓인 도서관이 아니라, 판사와 초지능 로봇 사이의 살아 숨 쉬는 대화가 되는 세상을 상상해 보십시오. 이것이 바로 법률 판단 예측(Legal Judgment Prediction)의 최전선입니다. 과학자들이 컴퓨터에게 법원 판례를 읽고 실제 판사가 분쟁을 어떻게 결정할지 추측하도록 가르치는 분야입니다. 하지만 여기에는 함정이 있습니다. 대부분의 로봇은 객관식 시험을 위해 암기만 하는 학생과 같습니다. 그들은 피고인이 이겼는지 졌는지("예" 또는 "아니오")는 말할 수 있지만, 누군가의 책임이 '얼마나' 큰지에 대한 복잡하고 현실적인 미묘한 차이를 파악하는 데는 어려움을 겪습니다. 이를 해결하기 위해 연구자들은 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 사용하고 있습니다. 이것을 로봇이 교과서를 통째로 외우는 것이 아니라, 마법의 도서관 카드를 가진 로봇이라고 생각해 보십시오. 새로운 문제에 직면했을 때, 로봇은 단순히 추측하는 것이 아니라, 가장 유사한 과거 사례들을 찾기 위해 수천 개의 판례를 즉시 훑어보고, 그 내용을 읽은 뒤, 그 신선한 정보를 사용하여 더 똑똑하고 정보에 기반한 예측을 내놓습니다.

이것이 왜 중요할까요? 법률 시스템이 서류 더미에 잠겨 있기 때문입니다. 매년 수백만 건의 경미한 교통사고가 발생하여 법원을 혼잡하게 만들고 자원을 낭비합니다. 만약 우리가 사람들이 법정에 발을 들이기도 전에 이러한 분쟁을 공정하고 빠르게 해결할 수 있도록 도울 수 있다면, 우리 모두의 시간, 돈, 스트레스를 아낄 수 있습니다. 이 논문은 핵심적인 질문을 던집니다. 단순히 "유죄" 또는 "무죄"라고 말하는 것이 아니라, 실제 변호사들이 사용하는 것과 동일한 논리를 사용하여 교통사고에서 각 운전자의 과실 비율을 정확히 계산할 수 있는 로봇을 만들 수 있을까요?

로봇 변호사의 새로운 도서관

이 연구를 진행한 펠릭스 리히만(Felix Riechmann)과 동료들은 독일의 혼란스러운 교통사고 문제를 해결하기로 했습니다. 독일에서는 두 차량이 충돌했을 때, 법은 단순히 누가 비용을 지불할지만 결정하는 것이 아니라 책임을 나눕니다. 예를 들어, 차량 A의 과실이 70%이고 차량 B의 과실이 30%일 수 있습니다. 이 분할을 "책임 비율(liability quota)"이라고 부릅니다. 연구팀은 AI가 이러한 비율을 인간 전문가만큼 정확하게 예측할 수 있도록 구축하고자 했습니다.

이를 위해 그들은 AI에게 무작위적인 이야기들을 입력하지 않았습니다. 대신 매우 구체적이고 아주 유명한 책, 즉 *교통사고에서의 책임 비율(Liability Quotas in Traffic Accidents)*이라는 방대한 법률 주석서를 제공했습니다. 이 책은 독일 교통 변호사들에게는 마치 "성경"과도 같습니다. 여기에는 수천 개의 실제 사례가 "회전 중 사고" 또는 "고속도로 사고"와 같은 거대하고 상세한 카테고리 트리로 정리되어 있습니다. 연구진은 AI가 탐정이 역할을 수행하는 시스템을 구축했습니다. 새로운 사고가 발생하면 시스템은 AI에게 다음과 같이 요청합니다. "여기 이 충돌 사고의 사실관계가 있습니다. 이 책에서 가장 유사한 사례들을 찾아내어 책임 비율이 어떻게 되어야 하는지 알려주세요."

위대한 도서관 검색: 올바른 단서를 찾는 법

실험의 핵심은 AI가 어떻게 유사한 사례를 검색해야 하는지를 테스트하는 것이었습니다. 연구진은 네 가지 다른 전략을 시도했는데, 이는 마치 건더기 속에서 바늘을 찾는 네 가지 다른 방법을 테스트하는 것과 같았습니다.

1. 무작위 섞기(The Random Shuffle): AI가 사례를 완전히 무작위로 가져오도록 두었습니다. 이것은 체계적인 행동을 하는 것이 단순히 추측하는 것보다 나은지를 확인하기 위한 "대조군", 즉 기준점이었습니다.
2. 의미론적 검색(The Semantic Search - Unsupervised): AI가 의미상 유사한 사례를 찾았습니다. 만약 새로운 사고가 "빨간 자동차를 친 파란 트럭"과 관련이 있다면, 설령 다른 종류의 사고에서 발생했더라도 "파란 트럭"이나 "빨간 자동차"에 관한 다른 이야기들을 찾아냈습니다.
3. 분류 체계 검색(The Taxonomy Search - Supervised): 이것은 "스마트한" 검색이었습니다. 단순히 단어를 읽는 대신, AI는 책의 목차에 있는 해당 사례의 '카테키(category)'를 살펴보았습니다. 만약 새 사례가 "회전 사고"라면, AI는 오직 다른 "회전 사고"들만 조사했습니다. 그 외의 것은 무시했습니다.
4. 하이브리드 검색(The Hybrid Search): 이것은 두 가지를 결합한 것입니다. AI는 단어와 카테고리 태그를 동시에 고려했습니다.

로봇이 실제로 찾아낸 것

결과는 놀라울 정도로 명확했으며, 연구진에게 법률 AI를 구축하는 방법에 대한 몇 가지 큰 교훈을 주었습니다.

첫째, "무작위 섞기"는 재앙이었습니다. AI가 무작위로 사례를 가져왔을 때 성능은 저조했습니다. 그것은 마치 수프 만드는 레시피를 읽으며 수학 문제를 풀려는 것과 같았습니다. 이는 AI가 제대로 작동하기 위해서는 반드시 적절한 종류의 사례를 찾아야 한다는 것을 입증했습니다.

둘째, "스마트한" 검색이 승리했습니다. 책의 카테고리를 활용한 전략(분류 체계 및 하이브리드 검색)이 단순히 유사한 단어를 찾는 방식보다 훨씬 뛰어났습니다. 이 논문은 법률에 있어서는 단순히 단어를 아는 것보다 지식의 '구조'가 더 중요하다는 점을 시사합니다. 해당 사례가 "고속도로 사고" 카테고리에 속한다는 것을 아는 것이, 사고에 "빠른 자동차"가 등장했다는 것을 아는 것보다 더 도움이 됩니다. 단어와 카테고리를 결합한 하이브리드 접근 방식이 가장 우수한 성과를 보였으며, 가장 발전된 모델들은 실제 정답과 약 19~20%포인트 이내의 오차로 책임을 계산해 냈습니다.

셋째, 단서의 순서가 중요합니다. 연구진은 AI가 읽는 사례의 순서를 섞었을 때 어떤 일이 일어나는지도 테스트했습니다. 그들은 AI가 가장 관련성이 높은 사례를 먼저 읽을 때 매우 잘 수행한다는 것을 발견했습니다. 하지만 순서를 무작위로 섞으면 AI는 혼란에 빠지고 더 많은 실수를 저질렀습니다. 이것은 마치 추리 소설을 읽는 것과 같습니다. 단서들을 올바른 순서대로 읽으면 사건을 해결할 수 있지만, 결말을 먼저 읽고, 그다음 시작을 읽고, 그다음 중간을 읽는다면 완전히 길을 잃게 될 것입니다. 이 논문은 이러한 법률 로봇들의 경우, 가장 중요한 사례들을 목록의 맨 윗부분에 두는 것이 매우 중요하다고 제안합니다.

판결: 판사를 위한 도구가 아닌 평화를 위한 도구

그렇다면 이 로봇이 판사를 대체할 준비가 되었을까요? 저자는 이 부분에서 매우 신중합니다. 그들은 이 시스템이 법정에서의 인간 판사를 대체하는 것이 아님을 명시적으로 밝히고 있습니다. 아직 오류율이 너무 높기 때문입니다. 대신, 그들은 이를 **대체적 분쟁 해결(ADR)**을 위한 강력한 도구로 보고 있습니다.

방금 충돌 사고를 겪은 두 운전자를 상상해 보십시오. 법원 날짜를 기다리는 대신, 그들은 이 시스템을 사용할 수 있습니다. 시스템은 사고를 분석하고, "법률의 성경"에서 가장 유사한 과거 사례들을 찾아낸 뒤 이렇게 말할 것입니다. "5,000개의 유사 사례에 근거할 때, 귀하의 과실은 60%이며 상대 운전자의 과실은 40%일 가능성이 높습니다." 이는 두 운전자에게 법정에 갔을 때 어떤 결과가 나올지에 대한 현실적인 기대치를 제공합니다. 이는 재판의 스트레스와 비용 없이 그 자리에서 바로 비용을 정산할 수 있도록 도와줍니다.

이 논문은 무겁고 권위 있는 법률 서적을 "계산 가능한 조정 장치(computable coordination device)"로 변환함으로써, 사람들이 더 빠르고 공정한 결과를 합의할 수 있도록 도울 수 있다고 결론짓습니다. 이것은 정의를 위협하는 것이 아니라, 규칙을 명확하고 예측 가능하게 만듦으로써 사람들이 정의를 찾도록 돕는 것입니다. 로봇은 판사가 아닙니다. 로봇은 경기가 시작되기도 전에 선수들이 점수를 합의할 수 있도록 돕는 심판입니다.