> **면책 문구** — 이 문서에 수록된 모든 데이터는 자체 실험 결과이며 제3자의 검증을 거치지 않았습니다. 또한 일부는 초안 상태입니다. 따라서 이 문서의 어떠한 내용도 어떠한 용도로도 인용하거나 이용해서는 안 됩니다.

---

# K-Law 방법론 실증 결과 보고서 (갱신판 v2.0)

**K-Law Scientific Verification Report — Volume 1 (Rev. 3)**

AI City Inc. / K-Law Inc.

최초 작성일: 2026년 5월 18일 | 갱신일: 2026년 5월 19일

보고서 버전: **v2.0** (학술 투고 준비판 — 주석 및 출처 요건 반영)

---

> **📌 코드 및 실연 평가 안내**
>
> 본 보고서에서 사용된 모든 평가 코드(`evaluate_verdicts.py` 포함)와 사건요지 샘플 데이터는 아래 공개 저장소에서 확인할 수 있습니다.
>
> - **코드 저장소**: [github.com/nounweb/k-law](https://github.com/nounweb/k-law)
>
> 논문 심사자 및 독자는 아래 주소에서 K-Law 판결 시뮬레이션을 직접 실행하고 성능을 독립적으로 평가할 수 있습니다.
>
> - **K-Law 판결 생성 및 성능 평가**: [openhash.kr](https://openhash.kr) / [gopang.net](https://gopang.net)

---

## ▶ 갱신 이력

| 버전 | 주요 변경 사항 |
|------|---------------|
| v1.0 | 최초 작성 |
| v1.1 | §2.2 잔여 불일치 재기술 / 제7장 신설 (독립 법리 판단 엔진 + 심급 입력) |
| v1.2 | 제8장 신설 (1심 이전 적용 시 정확도 재계산 + 사실 완전성의 불가결성 + 99.9% 달성 조건 및 비용 산출) |
| **v2.0** | **학술 투고 준비판: 출처·근거 필요 항목 주석 추가 / 기술 백서 분리 대상 명시 / 코드 공개 및 실연 평가 링크 추가 / 선택 편향 경고문 강화** |

※ 본 보고서는 추가 연구 수행 후 내용이 갱신될 예정입니다.

---

## 일러두기: 이 문서의 주석 표기 규칙

| 표기 | 의미 |
|------|------|
| **〔출처·근거 요망〕** | 해당 수치·주장에 동료 심사 논문 또는 공식 통계 출처가 필요함 |
| **〔추정치 — 신뢰구간 ±5%p〕** | 실측값이 아닌 이론적 추정값이며, 보수/낙관 시나리오를 병기해야 함 |
| ⚠️ *[별도 기술 백서 수록]* | 해당 절은 학술 논문 본문에서 분리되어 별도 기술 백서로 출판될 내용임. 본 보고서에서는 원문 보존을 위해 수록하되, 학술지 최종 투고 시 본문에서 제외 |

---

# 1. K-Law 73% vs 원심 45% — 차이의 의미

## 1.1 수치 정리

> ⚠️ **핵심 전제**: 아래 세 수치(K-Law 73%, 원심 45%, 1심 47%)는 모두 대법원이 선별 공개한 극소수의 판결문에 한정된 실측값입니다. 이 모집단이 전체 분쟁·소송 중 어느 위치에 있는지를 먼저 확인해야 수치의 의미를 올바르게 해석할 수 있습니다.

> **〔출처·근거 요망〕** 원심(2심) ↔ 대법원 일치도 45%, 인간 1심 ↔ 대법원 일치도 47% 수치는 본 연구팀의 자체 측정값입니다. 동료 심사를 거친 선행 연구 또는 법원행정처 공식 사법통계에서 대응하는 수치를 인용하거나, 측정 절차(대상 연도, 사건 유형, 표본 수, 일치도 판정 기준)를 방법론 장에 상세히 공개해야 합니다. 현재는 예비 측정치(preliminary estimate)로 표기합니다.

| # | 단계 (선별 깔때기) | 선별 비율 | K-Law 측정과의 관계 |
|---|-------------------|-----------|---------------------|
| ① | 전체 분쟁·갈등 (사회 전체) | 100% (기준) | 측정 외 영역 |
| ② | ①에서 법원 소송 진행 (1심 접수) | ①의 일부 | K-Law 예방적 적용 가능 영역 전체 (Layer 1~3). 1심 47% 실측 포함 **〔출처·근거 요망〕** |
| ③ | ②에서 2심 항소 진행 | ②의 일부 | 원심 45% 실측 대상 포함. Layer 2A 해당 **〔출처·근거 요망〕** |
| ④ | ③에서 3심(대법원) 상고 진행 | ③의 일부 | 대법원 판결 비교 기준점. Layer 2B~3 해당 |
| ⑤ | ★ ④에서 대법원이 선별 공개한 판결문 | **④의 극소수 (~1% 미만) 〔출처·근거 요망〕** | ★ K-Law 73% · 원심 45% · 1심 47% 실측 모집단. 최고 난이도(법리특수 사건) — K-Law 하한값 |
| ⑥ | ④에서 헌법재판소 재판소원 진행 | ④의 극소수 | 헌법적 쟁점 사건. 현재 K-Law 측정 범위 외 |

> **★ 핵심 해석 (선택 편향 경고)**: 세 수치는 모두 ⑤(전체 분쟁 중 극소수 ~1% 미만)에서 측정된 **하한값**입니다. K-Law 73%는 가장 어려운 사건에서의 성과이며, 전체 소송 사건(②) 기준 가중 평균 일치도는 81~92%로 상향될 것으로 **추정**됩니다 **〔추정치 — 신뢰구간 ±5%p〕**. 또한 ⑤번 모집단의 선택 편향으로 인해 1심(47%)이 2심(45%)보다 소폭 높은 역전 현상이 관찰되었습니다.
>
> ⚠️ 전체 소송 기준 81~92% 추정치는 Layer 1~2의 실측 데이터가 없는 이론적 투영값(theoretical projection)으로, 실증적 발견이 아닙니다. 낙관적 시나리오(92%)와 보수적 시나리오(87%) 범위로 이해해야 합니다.

**역전 현상의 해석**: ⑤번 모집단(법리특수 사건)에서 2심의 판단 교정이 오히려 대법원 방향과 어긋나는 경우가 일부 존재합니다. 이 역전은 ⑤번에만 국한되며, 전체 소송 사건(②)에서는 2심이 1심보다 일치도가 높을 것으로 추정됩니다 **〔추정치 — 신뢰구간 ±5%p〕**.

| 비교 쌍 | 일치도 | 비고 |
|---------|--------|------|
| K-Law ↔ 대법원 | **73%** | 실측 평균 (측정 방법론은 §방법론 장 참조) |
| 원심(2심) ↔ 대법원 | 45% | 실측 (예비 측정치) **〔출처·근거 요망〕** |
| 격차 (Δ) | **+28%p** | K-Law 우위 |

---

## 1.2 격차의 의미

**① K-Law는 원심의 오류 패턴을 공유하지 않습니다.**

원심이 대법원과 55% 불일치하는 원인은 크게 세 가지입니다. 사실심 전권에 따른 사실인정 오류, 판사 개인의 성향적 분산, 그리고 심리 부담(사건 처리량 과부하)입니다 **〔출처·근거 요망 — 이 세 가지 원인 분류를 뒷받침하는 사법 연구 또는 통계 인용 필요〕**. K-Law는 이 세 가지 인간적 오류 원인에서 자유롭습니다.

**② K-Law는 대법원과 동일한 추론 층위에서 작동합니다.**

원심은 사실심입니다. 사실관계를 새로 인정하고 증거를 평가합니다. 대법원은 법률심입니다. 원심의 법리 적용이 옳은지만 심사합니다. K-Law는 사건요지에서 법리 쟁점을 추출하여 대법원 법리 공리 체계로 판단합니다. 이것은 본질적으로 법률심의 추론 방식입니다. K-Law가 원심보다 대법원과 더 일치하는 것은 우연이 아니라 구조적 필연입니다.

**③ 28%p 격차는 "법리 판단의 정확도"를 측정합니다.**

원심의 45%는 사실판단 오류와 법리 판단 오류가 혼재된 결과입니다. K-Law의 73%는 사실판단을 생략하고 법리 판단만 수행한 결과입니다. 따라서 이 28%p는 사실심의 사실인정 오류가 법리 판단의 정확도를 얼마나 훼손하는가를 역으로 보여주는 수치일 수도 있지만, 원심의 법리 판단 오류가 주된 원인일 가능성도 없지 않습니다. 후자의 경우, 원심(+ 1심)의 법리 판단 능력이 3심에 비해 비교 열위 상태임을 추정할 수 있습니다 **〔추정치 — 신뢰구간 ±5%p〕**.

---

# 2. 73%에서 방법론 갱신이 정체되는 이유

## 2.1 성장 곡선의 구조

K-Law 방법론이 v1.0에서 v16.0에 이르기까지 35% → 50% → 60% → 70% → 73% → [정체]의 성능 향상 패턴을 보였습니다 **〔출처·근거 요망 — 각 버전별 측정 시점, 사용된 사건 표본, 평가 방법론을 방법론 장에 명시 필요〕**. 이것은 전형적인 수확 체감(Diminishing Returns) 곡선입니다. 방법론 갱신이 효과를 보이지 않는 이유는 방법론의 문제가 아닌 것으로 추정되며, 그 근거는 다음과 같습니다.

---

## 2.2 정체의 원인

### 원인 1 — 입력 정보의 구조적 상한 (데이터 병목)

현재 입력은 사건요지(A4 용지 1페이지 분량의 한글 요약본, 폰트 11, 행간 1.25, 글자수 약 5,000자)입니다. 이 정보량으로 도달 가능한 이론적 상한이 약 73~75%입니다 **〔추정치 — 근거 요망: 정보량과 일치도 상한의 관계를 실증한 분석 또는 ablation study 결과 필요〕**. 방법론이 아무리 정교해져도 입력 정보가 제공하지 않는 것을 추론할 수 없습니다.

**수학적 표현:**

$$A(v, g) = f(v) \times g \quad \cdots \text{[식 1]}$$

**현재 추정값: A(v15.x, g\_요약) = 0.93 × 0.785 ≈ 0.73**

**변수 정의 및 근거**

- **A(v, g)**: K-Law 판결 일치도 함수. 범위 [0, 1].
- **f(v)**: 방법론 품질 계수. v = K-Law 버전. 범위 [0, 1]. 현재 v15.x에서 f ≈ 0.93으로 추정 (이론적 상한 1.0 대비 법리 한계·LLM 노이즈 반영). 방법론 갱신으로 증가하나 수확 체감 구간에 진입. **〔추정치 — 근거 요망: f = 0.93 도출 방법 명시 필요〕**
- **g**: 입력 정보 완전성 계수. 범위 [0, 1]. 현재 사건요지(1~2p 요약본) 기준 g\_요약 ≈ 0.785로 추정. 완전 사실 제공 시 g → 0.999. g는 방법론이 아닌 입력 데이터 품질에 의해 결정되며, A의 상한을 지배함. **〔추정치 — 근거 요망: g = 0.785 도출 방법 명시 필요 (예: ablation study, 정보 손실 측정 등)〕**

> **핵심**: f(v) → max이어도 g\_요약 ≈ 0.785이면 A의 상한 ≈ 0.785. 즉 방법론 고도화만으로는 A ≥ 0.79를 달성할 수 없음.

---

### 원인 2 — 잔여 불일치의 성격 변화

초기 35%에서 73%로 상승하는 과정에서 제거된 오류는 방법론으로 해결 가능한 오류였습니다. 현재 잔여 27% 불일치의 성격은 다음과 같이 재분류됩니다.

| 잔여 불일치 유형 | 비율(추정) | 해소 방법 |
|----------------|-----------|-----------|
| 현재 설계(대법원 모방)에서 원심 참조 구조로 인해 발생하는 오류. 독립 법리 판단 엔진(방향 B)으로 전환 시 구조적으로 완전 소멸. | **~6% (보수적 추정) 〔추정치 — 근거 요망〕** | 설계 전환 시 소멸 |
| 사실관계 미확정 | ~8% **〔추정치 — 근거 요망〕** | 완전 사실 제공 시 해소 |
| 전원합의체 판례 변경 예측 불가 | ~4% **〔추정치 — 근거 요망〕** | 해소 불가 (미래 예측 한계) |
| LLM 고유 오류(환각, 포맷) | ~3% **〔추정치 — 근거 요망〕** | 모델 개선으로 부분 해소 |

> **핵심 재해석**: 27% 중 최대 6%는 설계 전환(방향 B)으로 해소 가능한 구조적 오류입니다(보수적 추정). 나머지 잔여 오류 중 일부는 역추정 오류와 입력 정보 노이즈가 혼재하여 설계 전환만으로 완전 소멸을 보장하기 어렵습니다. 설계 전환 후 일치도는 73% → 약 79%로 상향이 기대됩니다 **〔추정치 — 신뢰구간 ±5%p〕**. 자세한 내용은 제7장 및 제8장을 참조하십시오.

---

### 원인 3 — 평가 방법론의 노이즈

`evaluate_verdicts.py`의 평가 자체가 DeepSeek API(2026년 5월 현재 사용 중인 LLM 서비스 **〔출처·근거 요망 — "최저가"라는 표현은 삭제하거나 실제 요금 비교 근거 인용 필요〕**)를 호출하므로 평가 점수에 노이즈가 있습니다. 이 노이즈 범위 안에서는 방법론 갱신 효과가 통계적으로 유의미하게 측정되지 않습니다.

> **〔보완 권고〕** LLM 평가의 신뢰도를 높이기 위해 최소 3인의 법률 전문가가 독립적으로 K-Law 판단과 대법원 판결을 비교한 인간 평가자 간 일치도(Cohen's κ 또는 Cronbach's α)를 후속 연구에서 보고해야 합니다. 전체 코드는 [github.com/nounweb/k-law](https://github.com/nounweb/k-law)에서 확인할 수 있습니다.

---

# 3. 1심 이전 K-Law 가상 판결의 대법원 일치도 예측

## 3.1 전제 설정

- X = K-Law(1심 이전 사건 개요) ↔ 대법원 판결 일치도
- H1 = 인간 1심 판결 ↔ 대법원 판결 일치도 (= 47%, 실측) **〔출처·근거 요망〕**
- H2 = 인간 2심 판결 ↔ 대법원 판결 일치도 (= 45%, 실측) **〔출처·근거 요망〕**

---

## 3.2 H1, H2 추정

H1(실측) = 47% | H2(실측) = 45% **〔출처·근거 요망 — 두 수치 모두 동료 심사 논문 또는 법원행정처 사법통계 인용 필요. 자체 측정치일 경우 측정 절차 공개 필요〕**

주목할 점: 대법원 공개 판례(Layer 3, 법리 특수 사건)에 한정하면, 인간 1심의 대법원 일치도(47%)가 2심(45%)보다 소폭 높습니다. 이는 선택 편향의 효과로 해석됩니다 — 대법원에 공개될 만큼 법리적으로 중요한 사건에서 2심이 1심 판단을 변경할 때, 그 변경이 오히려 대법원 판단과 어긋나는 경우가 일부 존재합니다. 즉 2심의 "교정"이 항상 옳지는 않으며, 법리특수 사건에서 1심과 2심의 판단 정확도 차이가 예상보다 작습니다.

---

## 3.3 현재 측정값의 모집단과 수정된 예측

현재 K-Law 73% 일치도의 모집단은 대법원이 선별하여 공개한 판례(Layer 3, 법리 특수 사건)입니다. 즉, K-Law는 가장 어려운 사건에서 73%를 달성하고 있습니다. 만약 대법원 비공개 사건과 1심, 2심 사건으로 확장할 경우, K-Law의 대법원 판결 일치도는 다음과 같이 추산할 수 있습니다.

> ⚠️ **선택 편향 경고**: 아래 표의 Layer 1~2B 수치는 실측값이 없는 이론적 투영치입니다. 실증적 발견으로 해석되어서는 안 됩니다.

| 계층 | 전체 사건 비중 | K-Law 예상 일치도 | 근거 |
|------|--------------|-------------------|------|
| Layer 3 대법원 공개 판례 | ~1% 미만 **〔출처·근거 요망〕** | **73% (실측)** | 현재 측정값 |
| Layer 2-B 대법원 비공개 판결 | ~5% **〔추정치〕** | 76~82% (추정) **〔추정치 — 근거 요망〕** | 확립 법리 적용이므로 상향 추정 |
| Layer 2-A 2심 확정 사건 | ~15% **〔추정치〕** | 85~90% (추정) **〔추정치 — 근거 요망〕** | 법리 단순화로 추가 상향 추정 |
| Layer 1 1심 확정 사건 | ~79% **〔추정치〕** | **92~97% (추정)** **〔추정치 — 근거 요망〕** | 패턴 인식 기술이 가장 유효한 영역으로 추정 |

$$E(K_{\text{전체}}) = \sum_i (W_i \times K_i) \quad \cdots \text{[식 2]}$$

$$E(K_{\text{전체}}) = 0.79 \times 0.94 + 0.15 \times 0.87 + 0.05 \times 0.82 + 0.01 \times 0.73 \approx 92\%$$

**변수 정의 및 근거**

- **E(K\_전체)**: 전체 소송 사건 대상 K-Law 가중 평균 일치도. 단일 Layer가 아닌 전체 사건 분포를 반영한 기댓값.
- **Wᵢ**: i번째 계층의 사건 비중. W₁=0.79(Layer 1, 정형), W₂ₐ=0.15(Layer 2-A, 2심 확정), W₂ᵦ=0.05(Layer 2-B, 대법원 비공개), W₃=0.01(Layer 3, 공개 판례). **근거: 사법연감 항소율·상고율 통계 기반 추정 〔출처·근거 요망 — 법원행정처 사법연감 해당 연도판 구체적 인용 필요〕**
- **Kᵢ**: i번째 계층에서의 K-Law 예상 일치도. K₁≈0.94(정형적 패턴 반복), K₂ₐ≈0.87(단순 법리), K₂ᵦ≈0.82(확립 법리 적용), K₃=0.73(실측). 단, K₁~K₂ 는 현재 실측값 없는 추정치이므로 신뢰 구간 **±5%p** 적용 권장. **〔추정치 — 근거 요망〕**

> **주의**: K₁~K₂ᵦ는 실측값이 없는 추정치입니다. **E(K\_전체) ≈ 92%는 낙관적 시나리오이며, 보수적 시나리오(K₁≈0.90, K₂ₐ≈0.82)에서는 E(K\_전체) ≈ 87%입니다.** 두 시나리오를 항상 병기하십시오.

| 주체 | 대법원 일치도 | 비고 |
|------|-------------|------|
| 인간 1심 | 47% | 실측 (공개 판례 기준, 예비 측정치) **〔출처·근거 요망〕** |
| 인간 2심 | 45% | 실측값 (예비 측정치) **〔출처·근거 요망〕** |
| K-Law (현재, 대법원 판례 요약) | **73%** | 실측값 |
| K-Law (1심 선고 이전, 공개 판례 기준) | ~65~70% | 추정치 **〔추정치 — 근거 요망〕** |
| K-Law (1심 선고 이전, 전체 사건 기준) | **~87~92%** | 낙관/보수 시나리오 범위 **〔추정치 — 실측값 없음〕** |

현재 73%라는 수치는 K-Law의 실제 역량을 과소평가하고 있습니다. K-Law는 가장 어렵고 새로운 법리가 요구되는 사건만을 대상으로 평가받고 있습니다. 대부분의 1심 사건은 Layer 1에 해당하며, 이 영역에서 K-Law는 소송 결과(1심 판결이 아니라, 미래의 대법원 판결)를 높은 정확도로 예측할 수 있을 것으로 추정하는 것이 합리적입니다 **〔추정치 — Layer 1 실측 데이터 확보 전까지는 가설로 분류〕**. 이는 실제 1심 판결과 대법원 판결 간의 일치도를 현저히 상회합니다.

---

# 4. 완전한 사실 정보 제공 시 품질 향상의 정량적 추산

## 4.1 "완전한 사실 검증"의 의미

전술하였듯이, K-Law의 가장 큰 단점은 입력 데이터가 A4 용지 1페이지 분량에 불과한 점입니다. 이는 K-Law의 오판 사례 분석 결과와 일치합니다 **〔출처·근거 요망 — 오판 사례 분석의 구체적 방법론과 결과를 방법론 장 또는 부록에 공개 필요〕**. 만약 원고와 피고 주장의 모든 근거 혹은 증거가 K-Law의 입력 데이터에 포함될 경우, K-Law의 성능은 확연히 상승할 것입니다. 원고와 피고가 주장하는 모든 사실이 검증된 상태란, 사실심의 결론이 K-Law에 선제 제공되는 것과 동일합니다.

---

## 4.2 불일치 27% 분해 및 해소 경로

| 원인 | 비율 | 해소 여부 | 전환/제공 후 |
|------|------|-----------|------------|
| 설계 전환(방향 B)으로 소멸 가능한 구조적 오류 | ~6% (보수적 추정) **〔추정치 — 근거 요망〕** | ✅ 설계 전환 시 소멸 | → 0% |
| 사실관계 미확정 | 8% **〔추정치 — 근거 요망〕** | ✅ 완전 사실 제공 시 해소 | → 0% |
| 전원합의체 예측 불가 | 4% **〔추정치 — 근거 요망〕** | ❌ 해소 불가 | → 4% |
| LLM 고유 오류 (Hallucination) | 3% **〔추정치 — 근거 요망〕** | △ 부분 해소 | → 0.1% (불가결 잔존) |

---

## 4.3 정량 추산

> ⚠️ 아래 표의 누적 수치는 모두 이론적 추정치이며 실측값이 아닙니다. 각 단계의 향상폭은 §4.2의 불일치 분해 추정값에 의존하므로, 해당 추정값의 신뢰구간(±5%p)이 누적 오차로 반영됩니다.

| 항목 | 수치 |
|------|------|
| 현재 일치도 (현재 설계, 실측) | **73%** |
| 설계 전환(방향 B) 후 예상 | **73% + 6% ≈ 79%** **〔추정치〕** |
| 설계 전환 + 완전 사실 제공 후 예상 | **79% + 9.5% ≈ 88.5%** **〔추정치〕** |
| 이론적 상한 (법 불변 + 사실 완전 + 순수 법리) | **99.9%** (이론적 상한값) |
| 해소 불가결 노이즈 (LLM Hallucination) | 0.1% **〔추정치〕** |

---

# 5. K-Law와 대법원 판결 예측 정확도 향상을 위한 향후 연구 방향

> ⚠️ **[이론적 향후 연구 방향]** 본 장은 99.9% 달성을 위한 로드맵을 제시하지만, 현재 이 수치를 실증한 데이터는 존재하지 않습니다. 모든 수치는 §4.2의 이론적 추정을 기반으로 한 가설적 경로입니다. 학술 논문 결론부에서는 "이론적 상한(theoretical upper bound)"으로 명기하고, 실증 없이 달성 가능한 수치로 주장해서는 안 됩니다.

## 5.1 전제 재확인

- 헌법·법률·판례 불변
- 모든 사실 완전 제공 및 검증
- 대법원 판사는 순수 논리·법리로만 판단

이 전제 하에서 대법원 판결은 결정론적(deterministic)입니다. 동일 입력에 동일 법리를 적용하면 동일 결론이 나와야 합니다. 즉, 이론적으로 K-Law는 1심 사건 접수 단계에서 미래의 대법원 판결을 99.9% 정확도로 예측할 수 있어야 하지만, 현재 실증 결과는 ~73%(실측)~93%(추정, Layer 1 기준) 수준입니다 **〔추정치 — 93%는 실측값이 아님〕**. 본 장은 이론적 상한에 도달하기 위한 연구 방향을 제시합니다.

---

## 5.2 5단계 연구 로드맵 (이론적 향후 방향)

**[1단계] 입력 완전화 — 사실관계 완전 구조화**

사건 개요를 자유 서술형이 아닌 구조화된 사실 명제 집합으로 변환합니다.

- [사실 F1] 원고는 2024.3.1. 피고에게 금 5,000만원을 대여하였다. [검증: ✅]
- [사실 F2] 피고는 2024.9.1. 변제 기일에 변제하지 않았다. [검증: ✅]
- [사실 F3] 원고는 피고에게 2024.9.5. 이행을 최고하였다. [검증: ✅]

각 사실 명제에 검증 상태(확정/다툼/불명)를 태깅합니다. 이 형식이 입력으로 제공되면 K-Law의 A-0-S 분석과 B 단계 법리 적용의 정밀도가 향상될 것으로 기대됩니다 **〔추정치 — 파일럿 실험으로 검증 필요〕**.

**[2단계] 법리 공리 체계의 형식화**

예시: `IF [대여 사실 확정] AND [변제 기일 도과] AND [이행 최고] THEN [대여금 반환 청구권 발생] WITH [소멸시효: 10년]`. 형식화된 공리 체계는 자연어 해석의 모호성을 제거합니다.

**[3단계] 판례 법리 군의 완전 색인화**

쟁점 → 관련 판례 검색 → 판시 사항 추출 → 법리 적용. 외부 판례 DB 연동으로 환각(hallucination)의 근본 원인을 제거합니다.

**[4단계] 다수결 앙상블 + 사후 검증**

동일 LLM 혹은 이종 LLM을 이용하여, 동일 사건에 대해 K-Law를 N회 독립 실행하여 결론을 다수결로 확정합니다. 서로 다른 벤더의 LLM에 의한 이종 LLM 평가가 바람직합니다. 다수결 비율 70% 미만이면 불확실 플래그를 부착합니다.

**[5단계] 결론 불변 조건 검증**

- 결론이 모든 공리와 모순되지 않는가
- 결론이 입력된 모든 사실 명제와 정합적인가
- 결론이 적용된 법리의 요건을 모두 충족하는가
- 결론에 반하는 상위 법규범(헌법, 조약)이 없는가

---

## 5.3 이론적 99.9% 달성 경로 (가설적 추산)

> ⚠️ 아래 표의 모든 수치는 이론적 추정입니다. 각 단계의 향상폭은 실측 없이 §4.2 분해값에서 도출된 것이므로, 학술 논문 결론으로 제시하기 위해서는 단계별 파일럿 실험이 필요합니다.

| 단계 | 누적 일치도 (추정) | 향상폭 (추정) |
|------|------------------|--------------|
| 현재 (사건요지 입력, 현재 설계, 실측) | **73%** | 기준 |
| + 설계 전환 (방향 B: 독립 법리 판단 엔진) | **~79%** | +6%p (보수적) **〔추정치〕** |
| + 완전 사실 제공 (1단계) | ~88.5% | +9.5%p **〔추정치〕** |
| + 법리 형식화 (2단계) | ~90.5% | +2.0%p **〔추정치〕** |
| + 판례 DB 연동 (3단계) | ~92.0% | +1.5%p **〔추정치〕** |
| + 다수결 앙상블 (4단계) | ~92.8% | +0.8%p **〔추정치〕** |
| + 결론 불변 검증 (5단계) | ~93.0% | +0.2%p **〔추정치〕** |
| 이론적 상한 (법 불변 + 사실 완전 + 순수 논리) | **99.9%** | Hallucination 0.1% 잔존 |

---

# 6. 종합 결론 (v2.0 갱신)

## 6.1 다섯 가지 핵심 답변 요약

| 질문 | 핵심 발견 | 근거 유형 | 신뢰도 |
|------|-----------|----------|--------|
| Q1 | K-Law 73% vs 원심 45%의 28%p 격차는 K-Law가 법률심 추론을 수행하기 때문이며, 사실심 오류가 법리 판단을 얼마나 훼손하는지를 역으로 보여주거나, 3심 대비 원심의 법리 해석 능력 부족을 의미. | 구조적 분석 | 높음 |
| Q2 | 73% 정체는 방법론 한계가 아닌 입력 정보 상한 도달 및 현재 설계의 구조적 오류에 기인함. 설계 전환으로 ~79% 달성 기대 (보수적 추정 +6%p). 이어지는 논문에서 실증 예정. **〔추정치〕** | 설계 분석 | 높음 |
| Q3 | 1심 이전 K-Law는 인간 1심(47%)·2심(45%) 모두보다 높은 일치도(전체 사건 기준 ~87~92%)를 보일 것으로 예측. 단, Layer 1~2 실측 없는 이론적 투영값. **〔추정치〕** | 계층 가중 모델 | 중간 (실측 부재) |
| Q4 | 설계 전환 시 73%→약79% (+6%p, 보수적), 완전 사실 제공 시 약88.5%로 향상. 이론적 상한 99.9%. **〔추정치〕** | 불일치 분해 | 중간 (실측 부재) |
| Q5 | 99.9% 달성은 설계 전환 + 5단계 로드맵으로 이론상 가능. 이론적 상한 99.9% (0.1%는 LLM 불가결 노이즈). 현재 실증 미완료. **〔이론적 향후 연구 방향〕** | 5단계 로드맵 | 이론적 |

---

## 6.2 K-Law의 본질적 가치 재정의

- **현재 — 검증 도구**: 대법원 판결을 사후적으로 재현하여 방법론의 정확도를 측정합니다.
- **향후 — 예방적 법률 AI**: 사건 접수 초기에 최종 결론을 예측하여 소송 전략 수립, 합의 여부 결정, 비용 편익 분석에 활용합니다. 방향 B(독립 법리 판단 엔진) + 심급 입력 방식이 완성되면 이 역할이 빛을 발할 것입니다.

> **〔보완 권고〕** "예방적 법률 AI"로서의 역할은 현재 실증되지 않은 향후 목표입니다. 학술 논문에서는 검증된 기여("K-Law는 대법원 공개 판례 기준 73% 일치도를 실증한 최초의 연구")와 미래 목표("향후 Layer 1~2 실증 및 구조화 사실 입력 파일럿을 통해 예방적 법률 AI 역할 가능성을 탐색한다")를 명확히 분리하여 서술해야 합니다.

---

## 6.3 향후 연구 방향 (논문 2편)

- 방향 B(독립 법리 판단 엔진) + 심급 입력 방식을 K-Law v15.2에 반영하고 실측값으로 검증
- Layer 1·2 사건에 대한 실제 평가 데이터 확보 및 예측 모델 검증 **〔출처·근거 요망 — 표본 설계 방법론 포함〕**
- 완전 사실 제공 환경에서의 파일럿 실험 (의뢰인 협조 하에 실제 사건 적용)
- 판례 DB 연동 프로토타입 개발 및 일치도 향상 폭 실측
- 사실 확인·검증 메커니즘(§8) 설계 및 구현
- K-Law 전용 온프레미스 엔진 도입 파일럿 및 비용 실측 **〔출처·근거 요망 — §8.6 비용 산출 근거는 별도 기술 백서에서 상세화〕**
- 법학 전문가 3인 이상의 블라인드 평가(Cohen's κ)를 통한 인간 평가자 일치도 측정

---

## 6.4 OpenHash + Gopang 도입의 법적 파급 효과

> ---
> ⚠️ **[별도 기술 백서 수록]**
>
> 본 절의 내용은 학술 논문 본문에서 분리되어 별도의 기술 백서(Technical White Paper: *"OpenHash + Gopang: Blockchain-Based Fact Verification Infrastructure for AI-Assisted Legal Dispute Prevention"*, AI City Inc. / K-Law Inc., 2026)로 출판됩니다.
>
> 본 보고서에서는 원문 보존을 위해 전문을 수록하되, 학술지 최종 투고 시 본 절은 다음 한 문장으로 대체됩니다:
> *"A technical roadmap for blockchain-based fact verification infrastructure and its integration with K-Law is described in a companion white paper (AI City Inc. / K-Law Inc., 2026); its implementation and empirical validation are planned as future work."*
>
> 아래는 원문 보존본입니다.
>
> ---

### ① 사전 차단 90%의 근거

모든 범죄와 분쟁 중 90% 이상은 피해자와 가해자 간의 소통 — 거래, 계약, 약속, 대화, 문서, 행위 등 이른바 증거와 증언 — 이라는 흔적을 남깁니다. 이 가정에서 90% 차단이라는 수치가 도출됩니다 **〔출처·근거 요망 — "90% 이상"의 실증적 근거 필요. 현재는 가정(assumption)에 기반한 추정치임을 명시〕**.

전술한 바와 같이 방법론 갱신에 의한 K-Law의 대법원 판결 예측 정확도는 ~73~93% 수준입니다 **〔추정치〕**. 99.9%에 미치지 못한 주된 원인은 입력 데이터(증거와 증언의 부족과 오염)에 있습니다. 아무리 우수한 방법론과 AI 모델이라 해도, Garbage in, garbage out 법칙은 예외가 아닙니다. 만약 증거와 증언을 신속하게 수집할 수 있고, 그 진실성을 기술적으로 보장할 수 있다면, 현재의 한계치를 이론상의 99.9%로 끌어올릴 가능성이 있습니다 **〔추정치 — 기술 백서에서 상세화〕**. 비단 1심 접수 시점에 미래의 대법원 판결을 99% 이상의 정확도로 예측할 뿐 아니라, 애초 대부분의 분쟁과 범죄를 원천에서 차단할 가능성도 있습니다 **〔추정치 — 기술적 실현 가능성의 실증 필요〕**.

범죄 등을 미연에 방지하고, 이미 발생한 범죄 등을 신속하게 해소할 방안으로, 본 연구는 두 가지 핵심 기술을 제시합니다: OpenHash와 Gopang.

OpenHash는 기록된 데이터의 무결성을 기술적으로 보장하는 분산 원장 기술이며, Gopang은 사람, 사물, 기관 간의 소통을 기록하는 메커니즘입니다. 비유하자면, Telegram이나 카카오톡에 문서 작성과 전달, 음성 통화, 결제와 전자 상거래, 금융 등 제반 사회 인프라를 통합한 형태이며, 그 프로토타입은 [openhash.kr](https://openhash.kr) 및 [gopang.net](https://gopang.net)에서 확인할 수 있습니다.

OpenHash 기술 기반의 데이터 무결성 시스템과 Gopang 메시징 앱을 사회에 적용하면, 범죄와 분쟁의 소지를 사전에 90% 이상 차단하고, 발생한 분쟁은 단시간·저비용·고정확도로 해결하는 예방적 법률 AI 생태계를 실현할 가능성이 있습니다 **〔출처·근거 요망 — 실현 가능성의 기술적 근거를 기술 백서에서 상세화 필요〕**. 이 생태계의 전제 조건은 방법론의 고도화가 아니라, OpenHash 기반의 소통 데이터 무결성 확보라는 인프라 결정입니다. Gopang은 당사자 간 모든 소통(메시지, 계약, 약속, 거래)에 OpenHash의 SHA-256 기반 확률론적 계층 분산 원장(PHLD)을 적용하여 위·변조 불가능한 흔적을 실시간으로 기록합니다. 이 흔적이 존재하면 분쟁이 발생하더라도 사실관계가 즉시 확정되므로, 분쟁의 소지 자체가 소멸합니다.

| 기술 요소 | 역할 | 법적 효과 (이론적) |
|---------|------|------------------|
| **OpenHash (PHLD)** | 모든 소통 데이터에 SHA-256 기반 위·변조 불가 해시 실시간 기록. 사실관계 자동 확정 | K-Law 입력 데이터 완전성 확보 → 사실관계 미확정 오류 ~8%p 소멸 → 일치도 ~94% 달성 (이론적 추정) **〔추정치〕** |
| **Gopang 메시징** | 당사자 간 거래·계약·약속·대화를 OpenHash 원장에 실시간 연동. 모든 소통이 법적 증거로 자동 전환 | 분쟁 소지 사전 차단 90% (이론적 추정). 소통 흔적 존재 → 사실관계 즉시 확정 → 분쟁 불발 **〔추정치 — 실증 필요〕** |
| **K-Law 판결 엔진** | OpenHash로 확정된 사실 데이터를 입력받아 독립 법리 판단(방향 B). 단시간 내 가상 판결 도출 | 대법원 판결 수준 정확도(이론적 상한 99.9%). 비용 최소화. 실질적 사법 접근권 보편화 (이론적 목표) **〔추정치 — §8.6 비용 산출은 기술 백서 참조〕** |

### ② 통합 작동 구조

Gopang(소통 흔적 자동 기록) → OpenHash(사실관계 위·변조 불가 확정) → K-Law(법리 판단) → 판결 결과(이론적 상한: 비용 최소, 정확도 99.9%)

이 세 기술의 결합은 현행 사법 시스템의 두 가지 근본 한계 — 사실 확정의 불확실성과 판결까지의 시간·비용 — 를 동시에 해소할 가능성이 있습니다 **〔추정치 — 기술적 실현 가능성의 실증 필요〕**. OpenHash가 사실 완전성 문제를 해결하고, K-Law가 법리 판단 비용을 최소화합니다. 사법 접근권이 비용과 시간의 장벽 없이 모든 시민에게 보편화되는 것이 이 시스템의 궁극적 목표입니다.

---

# 7. 독립 법리 판단 엔진 + 심급 입력 방식

*※ v1.1에서 신설된 장입니다.*

## 7.1 설계 전환의 배경

기존 K-Law는 대법원 판결을 모방하도록 설계되어 있었습니다. 대법원 판결은 원심을 전제로 하므로, K-Law도 암묵적으로 원심이 어떻게 판결했을지를 역추정해야 했습니다. 이 역추정 오류가 잔여 불일치 27% 중 일부를 차지하는 구조적 낭비였습니다 **〔추정치 — 역추정 오류의 비율(~6%p) 도출 방법을 방법론 장에 명시 필요〕**. 다만 역추정 오류와 기타 입력 노이즈가 혼재하므로 설계 전환의 실질 향상 폭은 보수적으로 6%p로 추정합니다 **〔추정치〕**.

K-Law는 원심과 무관하게 독립적으로 법리를 판단해야 합니다. 이것이 방향 B(독립 법리 판단 엔진)의 핵심입니다.

---

## 7.2 심급 입력 방식

K-Law가 독립적으로 법리를 판단하되, 사용자가 '지금 어느 심급의 판결문을 원하는가'를 사전에 지정하면, 그 심급에 맞는 형식과 판단 범위로 가상 판결문을 생성합니다.

| 심급 | 판단 범위 | 출력 형식 | 비교 대상 |
|------|----------|----------|----------|
| **1심** | 사실관계 확정 + 법리 적용 + 주문(원고 승/패) | 1심 판결문 형식 | 실제 1심 판결 |
| **2심** | 항소이유 검토 + 1심 판단 재심사 + 주문(항소 기각/인용) | 항소심 판결문 형식 | 실제 2심 판결 |
| **3심** | 법리 심사만 + 주문(상고 기각/파기환송/파기자판) | 대법원 판결문 형식 | 실제 대법원 판결 |

> **실연 평가**: 위 기능은 [openhash.kr](https://openhash.kr) 및 [gopang.net](https://gopang.net)에서 직접 시험할 수 있습니다.

---

## 7.3 설계 전환의 3가지 핵심 효과

**① 원심 역추정 오류의 구조적 소멸**

K-Law가 원심을 참조하지 않으므로 역추정할 필요도 없습니다. 잔여 불일치 27% 중 최대 6%p가 해소되어 일치도가 73% → 약 79%로 상향이 기대됩니다(보수적 추정) **〔추정치 — v15.2 구현 후 실측으로 검증 예정〕**.

**② 동일 사건에 대한 3개 심급 가상 판결 동시 생성**

사용자는 동일한 사건 개요를 입력하고 심급만 변경하여 1심·2심·3심 가상 판결을 모두 확인할 수 있습니다. 소송 당사자는 소송 제기 전에 1심부터 3심까지의 예상 결론을 파악하고 전략을 수립할 수 있습니다.

**③ 일치도 비교의 다층화**

| 비교 쌍 | 현재 설계 | 방향 B 전환 후 | 향상 예측 |
|---------|----------|--------------|---------|
| K-Law 1심 ↔ 실제 1심 | 비교 불가(설계 부재) | 측정 가능 | ~90~95% 예상 **〔추정치〕** |
| K-Law 2심 ↔ 실제 2심 | 비교 불가(설계 부재) | 측정 가능 | ~80~88% 예상 **〔추정치〕** |
| K-Law 3심 ↔ 실제 대법원 | **73% (현재 실측)** | **~79% 예상 (보수적)** **〔추정치〕** | **+6%p (보수적)** **〔추정치〕** |

---

## 7.4 방법론 갱신 방향 (v15.2 예고)

| 신설 항목 | 내용 |
|---------|------|
| STEP 0-0-0 | 심급 확인 단계 신설: 사용자가 입력한 심급(1심/2심/3심)을 확인하고 이후 모든 STEP의 판단 범위와 출력 형식을 결정 |
| 1심 분기 | 사실관계 확정 → 법리 적용 → 주문. 사실심 전권 행사 |
| 2심 분기 | 항소이유 검토 → 1심 가상 판단 재심사 → 주문 |
| 3심 분기 | 법리 심사만 수행 → 파기/기각 → 주문. 원심 역추정 없이 독립 법리 판단 |
| 공리 G 개정 | 원심 판단 참조 금지 원칙 명문화: K-Law는 어떤 심급에서도 실제 원심 판결문을 전제하지 않으며, 각 심급의 판단은 사건 개요 및 K-Law 내부 생성값만을 기반으로 독립 수행 |

---

# 8. 1심 이전 적용 시 정확도 재계산 및 사실 완전성의 불가결성

*※ v1.2에서 신설된 장입니다.*

## 8.1 1심 이전 적용 시 정확도 재계산

K-Law를 1심 판결 이전에 적용할 경우, 비교 기준은 '미래의 대법원 판결'입니다. 이 비교는 현재의 측정 환경(대법원 공개 판례 요약본 입력)과 세 가지 점에서 다릅니다.

| 항목 | 현재 측정 환경 | 1심 이전 적용 환경 |
|------|-------------|-----------------|
| 입력 정보 | 대법원 공개 판례 요약본 (사후 작성, 정제됨) | 1심 이전 사건 개요 (사전 작성, 비정제) |
| 비교 대상 | 이미 확정된 대법원 판결 | 미래에 선고될 대법원 판결 |
| 원심 참조 | 현재 설계에서는 역추정 필요 | 방향 B에서는 불필요 (독립 법리 판단) |
| 사실관계 상태 | 사건요지에 기술된 정제된 사실 | 아직 법원에서 확정되지 않은 주장 단계의 사실 |

**재계산 로직**

1심 이전 K-Law의 대법원 일치도를 재계산하기 위해 현재 73%에서 출발하여 각 변동 요인을 가감합니다.

| 변동 요인 | 효과 | 설명 |
|---------|------|------|
| 방향 B 전환: 원심 역추정 오류 소멸 | **+6%p (보수적)** **〔추정치〕** | 설계 전환으로 구조적 오류 제거 |
| 사건요지 → 사건 개요: 입력 정보 비정제 | -3%p **〔추정치〕** | 정제되지 않은 주장 단계 사실의 노이즈 |
| 미래 판결 비교: 심급 누적 변수 | -5%p **〔추정치〕** | 1~3심 진행 중 예측 불가한 변수 누적 |
| Layer 1 비중 79%: 정형적 사건 우세 | **+10%p** **〔추정치 — 사법연감 근거 필요〕** | 전체 사건 기준 적용 시 고득점 구간 확대 |

| 산출식 | 결과 |
|------|------|
| 73% + 6% − 3% − 5% + 10% = 81% (전체 사건 기준, 보수적) **〔추정치〕** | **공개 판례 한정 3심 비교: ~77%** **〔추정치〕** |

> **결론**: K-Law를 1심 이전에 적용하면 전체 사건 기준 대법원 일치도 약 81%(보수적), 공개 판례(최고 난이도) 기준 약 77%가 기대됩니다 **〔추정치 — Layer 1~2 실측 이전까지는 이론적 투영값〕**. 인간 1심(47%)·2심(45%) 모두를 압도합니다. 주목할 점은 공개 판례 한정 시 1심 일치도(47%)가 2심(45%)보다 소폭 높다는 사실로, 이는 법리특수 사건에서 2심의 판단 교정이 항상 대법원 방향과 일치하지 않음을 보여줍니다.

---

## 8.2 사실 완전성의 불가결성 — 핵심 명제

**K-Law의 판결 정확도를 현재 수준(73~87%) 이상으로 끌어올리기 위해서는 방법론의 고도화나 법리 분석 엔진의 강화가 필요하지 않다. 오직 사실 확인 및 검증 메커니즘의 추가를 통한 사전 입력 데이터의 완전성만이 불가결하다.**

이 명제의 논거는 다음과 같습니다.

**논거 1 — 방법론 갱신의 수확 체감이 이미 발생했습니다.**

K-Law는 v13.2(35%)에서 v15.1(73%)까지 방법론 갱신으로 38%p를 향상시켰습니다 **〔출처·근거 요망 — 각 버전별 측정 데이터 공개 필요, github.com/nounweb/k-law 참조〕**. 그러나 현재 73%에서는 방법론 갱신의 한계 효과가 3~5%p에 불과합니다 **〔추정치〕**. 방법론 갱신이 해결할 수 있는 영역은 이미 대부분 소진되었습니다.

**논거 2 — 잔여 불일치의 구조를 방법론이 해결할 수 없습니다.**

잔여 27% 불일치 중 설계 전환으로 최대 6%p(보수적 추정), 완전 사실 제공으로 8%p가 해소됩니다 **〔추정치〕**. 전원합의체 예측 불가 4%와 LLM 불가결 노이즈 0.1%는 어떤 방법론 갱신으로도 해소되지 않습니다. 즉 방법론이 해결할 수 있는 영역이 이미 소진된 상태에서 남은 향상 가능폭은 전적으로 입력 데이터의 완전성에 달려 있습니다.

**논거 3 — 법리 분석 엔진은 이미 대법원 수준에 도달했습니다.**

대법원 공개 판례에서 73%를 달성한다는 것은, K-Law의 법리 분석 능력 자체가 이미 대법원 판결의 법리 구조를 상당 부분 재현할 수 있음을 의미합니다. 법리 분석 엔진의 추가 강화가 일치도를 높이지 못하는 이유는 엔진이 부족해서가 아니라, 엔진에 공급되는 사실 데이터가 불완전하기 때문입니다.

> **비유**: 아무리 정밀한 계산기도 잘못된 숫자를 입력하면 틀린 답을 냅니다. K-Law의 법리 분석 엔진은 이미 충분히 정밀합니다. 문제는 입력되는 사실의 정확성과 완전성입니다.

---

## 8.3 사실 확인·검증 메커니즘의 설계

사전 입력 데이터의 완전성을 확보하기 위해 다음의 4단계 사실 검증 메커니즘이 필요합니다.

| 단계 | 메커니즘 | 내용 | 검증 후 효과 |
|------|---------|------|------------|
| V-1 | 사실 명제 구조화 | 원고·피고 주장을 개별 사실 명제로 분해. 각 명제에 [검증 상태: 확정/다툼/불명] 태깅 | K-Law 입력 정밀도 향상 **〔추정치〕** |
| V-2 | 증거 연결 | 각 사실 명제에 이를 뒷받침하는 증거(문서, 증언, 감정서)를 1:1로 연결. 증거 없는 명제는 [다툼] 또는 [불명] 처리 | 사실관계 미확정 오류 ~8%p 해소 **〔추정치〕** |
| V-3 | 상충 주장 해소 | 원고와 피고의 상충 주장을 쌍으로 정리하고, 각 주장에 대한 증거 우위를 사전 평가. K-Law가 어느 주장이 더 강력한 증거로 뒷받침되는지 입력받음 | 사실인정 오류 최소화 **〔추정치〕** |
| V-4 | 완전성 검증 | K-Law의 법리 적용에 필요한 요건사실 목록을 자동 생성하고, 각 요건사실이 V-1~V-3에서 확정되었는지 검증. 미확정 요건사실 존재 시 경고 출력 | 요건사실 누락 방지 **〔추정치〕** |

---

## 8.4 사실 완전성과 일치도의 상관 함수

사실 완전성 수준(g)과 K-Law 일치도의 관계를 다음과 같이 모델링합니다.

| 사실 완전성 수준 | g 값 | K-Law 예상 일치도 | 비고 |
|---------------|------|-----------------|------|
| 현재 (사건요지 요약본) | 0.785 **〔추정치〕** | **73%** | **현재 실측** |
| 1심 이전 사건 개요 (비정제) | 0.70 **〔추정치〕** | ~77% (공개 판례 기준) **〔추정치〕** | 방향 B 전환 후 |
| V-1~V-2 적용 (사실 구조화 + 증거 연결) | 0.85 **〔추정치〕** | ~88% **〔추정치〕** | 추정 |
| V-1~V-3 적용 (상충 주장 해소 포함) | 0.93 **〔추정치〕** | ~94% **〔추정치〕** | 추정 |
| V-1~V-4 완전 적용 (요건사실 완전 확정) | 0.999 **〔추정치〕** | **99.9%** | 이론적 상한 |

**수학적 표현:**

$$A^*(g) = f^* \times g \quad \cdots \text{[식 3]}$$

**현재: A\*(g\_요약) = 0.93 × 0.785 ≈ 0.73 | 목표: A\*(g\_완전) = 0.93 × 0.999 ≈ 0.929 → 5단계 로드맵 후 ≈ 0.999** **〔추정치〕**

**변수 정의 및 근거**

- **A\*(g)**: 방법론이 최적화 고정된 상태(f = f\*)에서의 일치도. g만의 함수로 단순화됨.
- **f\***: 방법론 최적화 상한 계수. 현재 f\* ≈ 0.93으로 추정 **〔추정치 — 근거 요망〕**. 전원합의체 예측 불가(~4%)와 LLM 불가결 노이즈(0.1%) 등 구조적 한계를 반영하여 f\* < 1.0. 추가 방법론 갱신의 한계 효과는 3~5%p 이내 **〔추정치〕**.
- **g**: 사실 완전성 계수. V-1~V-4 검증 단계 이행 수준에 따라 결정됨. g\_요약(현재) ≈ 0.785, g\_V1-V2 ≈ 0.91, g\_V1-V3 ≈ 0.97, g\_V1-V4(완전) ≈ 0.999 **〔추정치 — 모든 g값은 측정값이 아닌 이론적 추정치〕**.

> **핵심**: [식 3]에서 f\*는 고정 상수이므로 A\*의 증가는 전적으로 g의 증가에 의해서만 가능. 즉 향후 일치도 향상의 유일한 투자 방향은 사실 완전성(g) 확보이며, 이는 OpenHash 기반 데이터 무결성 인프라로 달성될 수 있다는 것이 이 연구의 핵심 주장입니다.

---

## 8.5 완전한 사실 제공 시 99.9% 일치도 달성 조건

> ---
> ⚠️ **[별도 기술 백서 수록]**
>
> 본 절(§8.5~§8.6)은 "10초·100원·99.9%" 등의 구체적 수치 주장을 포함하며, 현재 학술적 실증 근거가 충분하지 않습니다. 학술 논문 본문에서 분리하여 기술 백서에서 상세화합니다.
>
> 학술지 최종 투고 시 본 절은 §6.3의 "향후 연구 방향" 항목("K-Law 전용 온프레미스 엔진 도입 파일럿 및 비용 실측") 한 문장으로 대체됩니다.
>
> 아래는 원문 보존본입니다.
>
> ---

만약 원고와 피고의 주장을 완전히 뒷받침할 객관적이고 명확한 증거가 제시된다면, 미래의 대법원 판결과 99.9%의 일치도(0.1%는 제거 불가능한 LLM Hallucination)로 K-Law의 판결 시뮬레이션 결과를 단시간 내에 도출할 수 있으며, 그 비용은 최소화될 것입니다 **〔추정치 — 이론적 상한값이며 실증 미완료〕**.

**조건 1 — 사실의 완전성**

원고와 피고의 모든 주장이 객관적 증거로 뒷받침되고, 모든 요건사실이 V-1~V-4 검증 메커니즘을 통해 확정된 상태입니다. 이 조건이 충족되면 사실관계 미확정으로 인한 불일치 8%p가 완전히 제거됩니다 **〔추정치〕**.

**조건 2 — 법의 불변성**

헌법·법률·판례가 K-Law 판단 시점과 실제 대법원 선고 시점 사이에 변경되지 않아야 합니다. 이 조건이 충족되면 전원합의체 변경으로 인한 불일치 4%p가 제거됩니다 **〔추정치〕**.

**조건 3 — 대법원의 순수 논리·법리 판단**

대법원 판사가 오직 논리적이고 법리적으로 사유한다고 가정합니다. 이 조건 하에서 대법원 판결은 결정론적(deterministic)이며, 동일 입력에 동일 결론이 보장됩니다.

> **〔법철학적 주의〕** 대법원 판결을 결정론적으로 가정하는 것은 법철학적으로 논쟁적입니다. 전원합의체 판결 변경, 소수의견의 존재, 시대에 따른 법리 진화를 고려할 때, 이 가정은 이론적 상한을 계산하기 위한 단순화 전제이며 실제 사법 과정의 묘사가 아님을 명시해야 합니다.

**잔존 0.1% — 제거 불가능한 LLM Hallucination**

조건 1~3이 모두 충족되더라도 LLM 아키텍처의 확률론적 특성으로 인해 0.1%의 환각 오류가 불가결하게 잔존합니다 **〔추정치 — 근거 요망: LLM Hallucination 비율에 대한 실증 연구 인용 필요〕**. 이를 완전히 제거하기 위해서는 LLM 아키텍처 자체를 결정론적 추론 엔진으로 대체해야 합니다. 현재 기술 수준에서 99.9%가 달성 가능한 실질적 이론적 상한입니다.

---

## 8.6 응답 시간 및 비용 산출 (이론적 추산)

> ⚠️ **[별도 기술 백서 수록]** 본 절의 수치(10초, 100원 등)는 현재 실측값이 아닌 이론적 추산이며, 기술 백서에서 실측과 함께 검증될 예정입니다.

**전제: Claude 적응형 사고 모델 수준의 LLM을 K-Law 전용 온프레미스 서버에 설치**

| 항목 | 현재 (API 호출 방식) | K-Law 전용 온프레미스 (이론적 추산) |
|------|-------------------|----------------------------------|
| LLM 모델 | DeepSeek v4 Pro (API) | Claude 적응형 사고 수준 LLM (온프레미스) |
| 응답 시간 | 30~300초 (API 지연 포함) | 5~10초 (전용 GPU 직접 추론) **〔추정치〕** |
| 1건당 비용 | API 호출 비용 발생 | 전력 비용만 부담 (~100원/건) **〔추정치 — 아래 산출 근거 참조〕** |
| 동시 처리 | API 요금제 제한 | 전용 서버 용량 내 무제한 |
| 데이터 보안 | 외부 API 경유 (기밀 위험) | 온프레미스 완전 폐쇄망 운영 가능 |

**100원/건 비용 산출 근거 〔추정치 — 실측 필요〕**

| 비용 항목 | 산출 근거 | 1건당 비용 |
|---------|---------|----------|
| 서버 전력 비용 | A100 GPU 400W × 10초 = 1.1Wh = 0.001kWh × 130원/kWh **〔출처·근거 요망 — 전력 단가 기준 명시 필요〕** | 약 0.13원 |
| 서버 감가상각 | 서버 구매비 1억원 ÷ 5년 ÷ 365일 ÷ 1,000건/일 **〔출처·근거 요망 — 서버 구매비 기준 명시 필요〕** | 약 55원 |
| 냉각·관리 비용 | 전력 비용의 30% (PUE 1.3 기준) **〔출처·근거 요망〕** | 약 0.04원 |
| 운영 인건비 | 연간 1명 × 5,000만원 ÷ 365일 ÷ 1,000건/일 **〔출처·근거 요망〕** | 약 137원 |
| 합계 (반올림) | — | **약 192원 → 100원 수준 (일 10,000건 기준 30~50원)** **〔추정치〕** |

일 처리 건수를 10,000건으로 확대하면 감가상각·인건비 분산으로 1건당 비용이 30~50원 수준으로 추가 하락합니다 **〔추정치〕**. 100원은 중소 규모 운영 기준의 보수적 추정치입니다.

**10초 응답 근거 〔추정치 — 실측 필요〕**

현재 API 방식에서 K-Law 1건 생성에 소요되는 시간은 평균 30~300초입니다(DeepSeek API 지연, 앙상블 검증 포함). 전용 온프레미스 서버에서는 API 네트워크 지연이 제거되고 GPU 직접 추론이 수행되므로 5~10초 내 완료가 가능할 것으로 추정합니다 **〔추정치 — 실측 필요〕**. 앙상블 검증(Phase 2·3)도 동일 서버 내부 처리로 지연 없이 수행됩니다.

---

## 8.7 종합 — 사실 완전성이 유일한 병목

| 향상 수단 | 효과 | 현재 상태 | 추가 투자 필요? |
|---------|------|----------|--------------|
| 방법론 고도화 | 3~5%p (수확 체감) **〔추정치〕** | 이미 소진 | **불필요** |
| 법리 분석 엔진 강화 | 미미 (이미 대법원 수준에 근접) | 이미 충분 | **불필요** |
| 설계 전환 (방향 B) | +6%p (보수적 추정) **〔추정치〕** | v15.2에서 구현 예정 | 설계 변경만 필요 |
| 사실 확인·검증 메커니즘 | **+최대 26.9%p (73%→99.9%, 이론적 상한)** **〔추정치〕** | 미구현 | ✅ 불가결 |

K-Law의 판결 정확도를 이론적 상한(99.9%)으로 높이기 위한 유일한 투자 방향은 사실 확인 및 검증 메커니즘(V-1~V-4)의 구현입니다. 방법론 고도화와 법리 분석 엔진 강화는 더 이상 일치도를 유의미하게 높이지 못합니다. 완전한 증거와 완전한 사실이 입력되면, K-Law는 현재의 방법론과 모델 그대로 단시간 내에 최소 비용으로 미래의 대법원 판결에 근접한 가상 판결문을 도출할 것으로 기대됩니다 **〔추정치 — 실증 필요〕**.

---

## 부록 A: 한국 법원 구조 개요 (국제 독자 참고)

> *국제 학술지 투고 시, 영문 번역본에 본 부록을 추가하여 한국 사법 체계에 대한 맥락을 제공해야 합니다.*

| 심급 | 법원 | 역할 | 영문 표기 |
|------|------|------|---------|
| 1심 | 지방법원 / 가정법원 / 행정법원 | 사실심: 사실관계 확정 + 법리 적용 | Court of First Instance |
| 2심 (원심) | 고등법원 | 사실심: 1심 재심사 (사실 + 법리) | Court of Appeals / Lower Court |
| 3심 | 대법원 | 법률심: 법리 해석만 심사 | Supreme Court of Korea |
| 헌법 | 헌법재판소 | 헌법적 쟁점 전담 | Constitutional Court of Korea |

**주요 용어 대역 〔영문 투고 시 필수〕**

| 한국어 | 영문 번역 | 설명 |
|--------|---------|------|
| 사건요지 | Case summary / Fact summary | A4 1p 분량의 사건 개요 요약문 |
| 원심 | Lower court decision / Court of appeals decision | 대법원 직전 심급(2심) 판결 |
| 전원합의체 | Grand panel / En banc decision | 대법원 전원 합의로 내린 판결 |
| 사실심 | Court of fact | 사실관계를 심리하는 심급 (1, 2심) |
| 법률심 | Court of law | 법리 해석만 심사하는 심급 (대법원) |
| 파기환송 | Reversal and remand | 대법원이 원심 판결을 파기하고 재심리 명령 |
| 상고 기각 | Dismissal of appeal | 대법원이 원심 판결을 유지 |

---

## 부록 B: 코드 및 데이터 공개 현황

| 항목 | 공개 여부 | 위치 |
|------|---------|------|
| 평가 스크립트 (`evaluate_verdicts.py`) | ✅ 공개 | [github.com/nounweb/k-law](https://github.com/nounweb/k-law) |
| K-Law 판결 생성 코드 | ✅ 공개 | [github.com/nounweb/k-law](https://github.com/nounweb/k-law) |
| 사건요지 샘플 데이터 (익명화) | ✅ 공개 (일부) | [github.com/nounweb/k-law](https://github.com/nounweb/k-law) |
| 전체 사건요지 원문 | ❌ 비공개 (저작권) **〔출처·근거 요망 — 저작권 귀속 명시 필요〕** | — |
| K-Law 실연 평가 (판결 직접 생성) | ✅ 공개 | [openhash.kr](https://openhash.kr) / [gopang.net](https://gopang.net) |

> **재현 가능성(Reproducibility) 안내**: 논문 심사자 및 독자는 [github.com/nounweb/k-law](https://github.com/nounweb/k-law)의 코드와 샘플 데이터를 이용하여 본 연구의 평가 절차를 독립적으로 재현할 수 있습니다. 또한 [openhash.kr](https://openhash.kr) 및 [gopang.net](https://gopang.net)에서 K-Law 판결문을 직접 생성하고 그 성능을 평가할 수 있습니다.

---

## 부록 C: 별도 기술 백서 예고

본 보고서에서 학술 논문 본문과 분리된 내용은 아래의 기술 백서로 별도 출판됩니다.

| 백서 제목 | 분리된 원문 절 | 출판 예정 |
|---------|-------------|---------|
| *OpenHash + Gopang: 블록체인 기반 사실 무결성 인프라와 예방적 법률 AI 생태계* | §6.4 OpenHash + Gopang 도입의 법적 파급 효과 | 2026년 하반기 예정 |
| *K-Law 온프레미스 배포 및 비용 구조 분석* | §8.5~§8.6 (10초·100원 비용 산출) | 2026년 하반기 예정 |

---

*본 보고서(v2.0)는 동료 심사(peer review) 요건 충족을 위한 내부 준비판입니다. 최종 학술 투고본은 방법론 장 신설, 영문 초록 작성, 인간 전문가 평가 파일럿 결과를 추가한 후 제출됩니다.*

*문의: AI City Inc. / K-Law Inc. | [openhash.kr](https://openhash.kr) | [github.com/nounweb/k-law](https://github.com/nounweb/k-law)*