2.1 위험성평가 제도 및 절차

위험성평가는 사업주와 근로자가 작업 과정에서 발생할 수 있는 유해·위험요인을 사전에 파악하고 위험수준을 평가한 뒤, 이를 허용 가능한 수준으로 낮추기 위한 대책을 수립·이행하는 과정이다.

Fig. 1. Risk Assessment Procedure

위험성평가 제도는 2013년 산업안전보건법에 처음 도입된 이후, 2019년 전면 개정을 거치며 적용 대상이 확대되었다. 위험성평가가 법적 제도로 정착되고 적용 범위가 넓어짐에 따라, 건설현장에서는 이를 체계적이고 일관되게 수행할 수 있도록 절차와 기준을 구체화하는 것이 요구된다. 고용노동부에서는 체계적인 위험성평가 수행을 위해 위험성평가 절차를 사전준비, 유해·위험요인 파악, 위험성 결정, 위험성 감소대책 수립 및 실행, 결과의 공유, 기록 및 보존의 6단계로 구분하였으며^{(MOEL, 2023)}, 세부적인 절차는 Fig. 1과 같다. 위험성평가 방법으로는 위험성 수준 3단계 판단법, 빈도·강도법, 유해·위험요인 체크리스트법, 핵심요인 기술법 등이 있으며, 현장 여건에 따라 적절한 방법을 선택하여 적용할 수 있다.

이후 2023년 위험성평가 관련 지침 개정을 통해 상시평가 개념이 추가되었으며, 상시평가는 기존의 정기평가와 수시평가에 따른 운영 부담을 완화하고, 월·주·일 단위 점검과 작업 전 안전점검회의(Tool Box Meeting, TBM)를 통해 위험요인을 지속적으로 파악·관리하도록 한 방식이다. 이처럼 위험성평가 제도는 정기적 평가와 상시적 관리를 병행하는 방향으로 운영 체계가 보완되고 있다.

2.2 대규모 언어모델과 RAG

대규모 언어모델(Large Language Model, LLM)은 대규모 텍스트 말뭉치를 기반으로 학습된 신경망 모델로, 문장 생성, 요약, 번역, 추론 등 다양한 자연어 처리 작업을 수행하여 문서 기반 업무의 자동화와 정보 처리 효율화에 활용할 수 있다^{(Sengar et al., 2025)}. 그러나 LLM은 학습 데이터에 포함되지 않았거나 학습 시점 이후의 정보에 대해 사실과 다른 내용을 생성하는 환각(hallucination) 문제가 발생하여^{(Oviedo-Trespalacios et al., 2023)}, 결과의 타당성을 확인하기 어렵다는 한계를 가진다.

이를 해결하기 위해 외부 문서를 검색하여 생성 결과의 정확도를 높이는 RAG 연구가 이루어지고 있다. RAG는 질의와 관련된 문서를 바탕으로 답변을 생성함으로써 환각 가능성을 낮추고 최신 정보 반영과 응답 신뢰성을 높일 수 있다^{(Lewis et al., 2020)}.

그러나 RAG 시스템을 구현하기 위해서는 비정형 문서의 전처리부터 임베딩 생성, 벡터 데이터베이스 구축, 프롬프트 구성 등 각 절차를 단계적으로 설계해야 한다. LangChain은 이러한 구현에 필요한 기능을 모듈 형태로 제공하여 RAG 기반 애플리케이션을 보다 효율적으로 구성할 수 있도록 지원한다^{(Topsakal and Akinci, 2023)}.

2.3 인공지능 기반 위험성평가 및 RAG 활용 동향

건설 안전관리와 위험성평가 분야에는 생성형 인공지능과 LLM을 활용하여 사고사례 서술문과 규정 문서 등 비정형 텍스트를 분석하는 연구가 활발하게 이루어지고 있다. 먼저 텍스트 정보를 활용하여 위험요인을 식별하거나 재해 발생 가능성을 예측하려는 연구가 있다. ^{Cho et al.(2022)}은 의사결정 트리(Decision tree)와 BERT(Bidirectional Encoder Representations from Transformers)를 사용하여 6,826건의 재해 사례를 대상으로 건설재해 유형 예측 모델을 개발하였고, 이를 통해 재해 유형 분류에서 사고경위 텍스트가 재해 유형 예측에 유의미한 정보를 제공하는 것을 확인하였다. ^{Okonkwo et al.(2023)}은 건축 규정에 word2vec, BERT, SBERT(Sentence-Bidirectional Encoder Representations from Transformers)를 활용하여 의미 기반 검색 가능성을 연구하였으며, 특히 SBERT가 높은 정확도를 나타내는 것을 확인하였다.

다음으로 텍스트 생성형 인공지능을 활용하여 건설안전 사고사례를 분석하고, 주요 사고 패턴과 원인을 파악하기 위한 연구가 있다. ^{Smetana et al.(2024)}은 미국 산업안전보건청(Occupational Safety and Health Administration, OSHA)의 사고 서술문을 임베딩하여 K-means 클러스터링으로 군집화한 후, GPT-3.5를 활용하여 군집별 사고 양상과 주요 원인을 도출함으로써 고속도로 건설 분야의 주요 사고 유형과 공통 원인 패턴을 파악하고자 하였다. ^{Ahmadi et al.(2024)}은 2002년부터 2023년까지의 OSHA 사고사례를 대상으로 근본 원인, 상해 원인, 상해부위, 중대도, 사고 시각의 5가지 항목을 분류하였다. 생성형 인공지능이 사고사례와 같은 비정형 텍스트의 주요 항목을 높은 정확도로 분류할 수 있음을 확인하였다.

그러나 LLM은 사실과 다른 내용을 생성하는 환각 현상으로 인해 답변의 정확도가 저하될 수 있으며^{(Lee et al., 2024)}, 안전 관련 답변이 일반적이고 근거 제시가 부족하며 질문 방식에 따라 응답이 달라지는 경향이 있어^{(Oviedo-Trespalacios et al., 2023)}, 안전 의사결정에 직접 적용하기에는 한계가 있다.

이러한 한계를 개선하기 위해 RAG 방법을 활용한 연구가 증가하고 있다. ^{Uhm et al.(2025)}은 비계 작업 사고사례와 법령 및 지침 문서를 지식베이스로 구축하고, RAG를 결합한 LLM 기반 질의응답을 제안하였다. 제안한 모델을 포함한 5개의 생성형 인공지능 모델을 비교·평가한 결과, RAG 기반 LLM의 성능이 전반적으로 더 높은 것을 확인하였다. ^{Qian et al.(2024)}는 CSI 사고사례와 산업안전보건기준에 관한 규칙을 지식베이스로 구축하고 RAG를 결합한 LLM 기반 위험성평가 적용 방안을 제안하였으며, 철근콘크리트공사 철근조립 작업에 적용한 결과 RAG를 적용한 LLM이 유해·위험요인과 안전대책을 보다 구체적으로 제시하는 것을 확인하였다.

2.4 선행연구 한계 및 본 연구의 차별성

선행연구를 종합하면, 위험성평가 제도 도입 이후 건설현장에서의 실효성이 부족한 원인을 분석하기 위한 연구가 지속해서 이루어지고 있다. ^{Paek and Cho(2015)}와 ^{Ro and Kim(2015)}은 실효성 부족의 원인으로 위험성평가 실시를 위한 안내 및 정보 부족, 위험요인 도출 및 개선대책 수립 기준의 모호성, 다양한 평가 기법과 자료 공유 부족, 안전 전문가 양성을 위한 제도적 지원 미흡 등을 주요 문제로 지적하였다. ^An(2019)의 연구에 따르면, 건설현장에서는 위험성평가 담당 전문 인력과 표준화된 관련 자료가 부족하여 평가 결과의 신뢰성이 저하될 수 있다. ^{Lee and Kim(2021)}은 위험성평가 수행 과정에서 전문 인력의 주관적 판단이 크게 반영될 수 있음을 확인하였다. ^{Seo et al.(2015)}은 건설현장 소장, 관리감독자, 안전관리자 등을 대상으로 한 설문조사를 통해 위험성평가의 지속적 수행을 위한 교육·훈련 강화와 예산 지원의 필요성을 제시하였다.

이러한 한계를 보완하기 위해서는 위험요인을 파악하고 판단하는 데 도움을 줄 수 있는 지원 수단이 필요하다. ^Choi(2022)는 건설현장의 인력, 예산, 전문성이 부족한 소규모 건축현장을 대상으로 간소화된 평가 양식을 제안하였다. ^{Lu et al.(2021)}은 건설정보모델링(Building Information Modeling, BIM)과 설계 정보를 활용하여 공종·작업별 위험도를 정량화하고, 이를 설계 단계에서 색상으로 시각화하여 설계 대안 간 안전성을 비교·평가할 수 있는 BIM 연계 위험성평가 기법을 제안하였다. 이와 같은 연구는 평가 결과를 설계·계획 단계와 연계하여 안전관리의 중요성을 강조한다.

한편, 생성형 인공지능을 활용한 연구에서는 비정형 사고사례 텍스트를 분석하여 사고 유형 및 주요 속성을 도출할 수 있음을 확인하였다^{(Smetana et al., 2024; Ahmadi et al., 2024)}. 또한 RAG 방법을 활용한 연구에서는 사고사례, 법령, 지침을 연계하여 위험요인과 대책을 도출하고, 답변의 근거를 명확히 하여 정확성을 높임으로써 안전정보 제공에 기여할 수 있음을 확인하였다^{(Qian et al., 2024; Uhm et al., 2025)}.

그러나 선행연구는 몇 가지 공통적인 한계를 지닌다. 먼저 대부분 단일 기관이나 특정 프로젝트의 사고 데이터를 중심으로 분석하여, 서로 다른 출처의 사고사례를 종합적으로 활용하는 연구가 부족하다. 또한 LLM 활용 연구는 위험요인 분류, 위험도 예측, 사고 유형 군집화 등 개별 기능에 초점을 두는 경우가 많아 사고사례 검색, 위험성평가표 자동 작성, 법령 및 추가 정보 제공, 시각자료 생성을 통합적으로 지원하는 시스템으로 확장된 사례가 제한적이다. 마지막으로 성능 비교나 개별 기능 검증에 머무르는 LLM 및 RAG 기반 연구는 건설현장 안전관리자를 대상으로 사용성, 효율성, 교육성을 포함한 평가가 제한적인 측면이 있다. 따라서 본 연구에서는 이러한 한계를 보완하고자 다양한 출처에서 수집한 사고사례와 법령 데이터를 통합한 RAG 기반 검색 시스템을 구축하고, 위험성평가표 자동 생성 및 시각자료 제공 기능을 통합한 시스템을 개발하였다. 또한 위험성평가 경험이 있는 안전관리자를 대상으로 교육성, 효율성, 만족도, 신뢰성, 효과성 측면에서 시스템을 평가하였다.

3.1 시스템 개요

Fig. 2는 ^Lee(2026)의 연구에서 제안한 시스템을 기반으로 본 연구에서 설계한 시스템의 흐름도를 나타낸다. 본 시스템은 크게 인공지능 기반 위험성평가표 및 시각자료 생성 시스템과 RAG 기반 법령 및 사고사례 검색 시스템으로 구성된다. 인공지능 기반 위험성평가표 및 시각자료 생성 시스템은 사용자가 입력한 대공종, 세부공종, 작업내용 및 자유입력 내용을 바탕으로 관련 사고사례를 검색하고, GPT API를 통해 검색된 사고사례와 사용자 질의의 관련성을 검증한 후 위험성평가표를 생성하도록 구성하였다. 또한 선별된 사고사례 내용을 생성형 이미지 모델의 프롬프트로 활용하여 사고 상황을 시각적으로 표현한 자료를 제공한다. RAG 기반 법령 및 사고사례 검색 시스템은 법령 및 사고사례 문서를 기반으로 사용자의 추가 질의에 대해 관련 법령 조항과 사고사례 정보를 제공하는 기능으로 구성된다. 사용자는 이 기능을 통해 위험성평가표 작성 과정에서 필요한 법령 근거, 추가 사고사례, 법령·사고사례 기반 질의응답 결과를 확인할 수 있다. 이와 같이 본 시스템은 사고사례 검색, GPT API 기반 관련성 검증, 위험성평가표 생성, 사고사례 기반 시각자료 생성, RAG 기반 법령 및 사고사례 검색 기능을 통합하여 건설현장 위험성평가 업무 효율과 작업자의 위험감수성을 향상하고자 하였다. Table 2는 ^Lee(2026)의 연구에서 제안한 시스템을 기반으로 본 연구에서 구현한 생성형 인공지능 기반 건설현장 위험성평가 및 시각자료 지원시스템의 개발 환경을 나타낸다.

Fig. 2. Overall Workflow of the Proposed System

3.2 시스템 구현 및 인터페이스

시스템의 구현 내용과 인터페이스는 다음과 같다. 먼저 사용자 입력 및 데이터 수집 과정에서는 위험성평가표 생성을 위해 사용자가 대공종, 세부공종, 작업내용 등을 입력할 수 있도록 구성하였다. 대공종, 세부공종, 작업내용은 키워드 형태로 입력하며, 건설현장조건과 추가 질의는 자유입력 방식으로 작성할 수 있도록 하였다. 이를 통해 사용자는 공종 및 작업내용뿐만 아니라 건설현장의 특수한 조건과 추가적으로 고려해야 할 사항을 반영할 수 있다. 데이터 출처는 사고사례 데이터와 법령 데이터로 구분하였다. 사고사례 데이터는 고용노동부 사고사례 2,574건(2016~2021년), 민간 건설사의 위험성평가 자료 19,642건(2019∼2024년), CSI 사고사례 23,820건(2016~2021년), 건설안전협의회 사고사례 2,019건을 수집하여 활용하였다. 법령 데이터는 산업안전보건기준에 관한 규칙을 대상으로 수집하였다.

다음으로 수집된 사고사례 데이터에서 재해 개요, 구체적 사고 원인, 유해·위험요인을 추출하고, 검색에 활용할 수 있도록 JSON(JavaScript Object Notation) 형식으로 변환하였다. 특히 각 사고사례에서 재해 개요, 구체적 사고 원인, 유해·위험요인을 추출하였다. 이후 OpenAI의 text-embedding-3-large 모델을 활용하여 벡터 형태로 변환하였으며, 변환된 사고사례 벡터는 FAISS(Facebook AI Similarity Search) 기반 벡터 데이터베이스로 구축하였다. 또한 사용자가 입력한 대공종, 세부공종, 작업내용, 건설현장조건, 추가 질의 역시 동일한 임베딩 모델을 통해 질의 벡터로 변환하였다. 이후 사용자 질의 벡터와 사고사례 벡터 간의 Cosine similarity를 계산하여 관련성이 높은 사고사례를 검색한다. 유사사례 검색 결과는 각 데이터베이스에서 Cosine similarity가 높은 상위 40건으로 제한하였다. 이는 GPT API 기반 사고사례 검증 과정에서 처리해야 하는 사례 수가 과도하게 증가할 경우 발생할 수 있는 응답 속도 저하와 토큰 제한 문제를 고려하여 설정한 기준이다. 이에 따라 4개의 사고사례 데이터베이스에서 총 160건의 후보 사고사례를 1차로 추출하였다.

1차 검색을 통해 추출된 총 160건의 후보 사고사례와 사용자 질의를 검증 프롬프트에 함께 입력하였다. 본 연구에서는 gpt-4o-2024-08-06 API를 활용하였으며, GPT-4o가 검색된 사고사례와 사용자 질의 맥락 간 부합성을 검토하여 관련성이 높은 사고사례를 선별하도록 구성하였다. 이때 관련성 판단은 단순 키워드 일치 여부가 아니라, 사고사례에 포함된 재해 개요, 구체적 사고 원인, 유해·위험요인과 사용자가 입력한 공종, 작업내용, 건설현장 조건 간의 부합성을 기준으로 판단하였다. 선별된 사고사례는 위험성평가표의 위험발생 상황 및 결과, 유해·위험요인, 위험성 감소대책을 제공하는 데 활용되며, 그 결과는 위험성평가표 형식으로 출력된다. 또한 시스템은 사용자가 강도·빈도·위험성을 직접 판단할 수 있도록 인터페이스를 구성하였다. GPT 관련성 판단에 사용된 프롬프트 구성은 Fig. 4와 같다. 또한 생성형 이미지 모델 기반 사고사례 시각자료 생성에는 gpt-image-1 모델을 사용하였다. 본 기능은 선별된 사고사례 또는 사용자가 선택한 사고사례 내용을 이미지 생성 프롬프트로 활용하여 사고 상황을 구체적이고 직관적으로 표현한 이미지를 생성하도록 설계하였다. 생성된 이미지는 작업자 교육용 시각자료로 제공되며, 위험감수성을 증진시키기 위한 보조 자료로 활용될 수 있다. 사고사례 기반 이미지 생성 결과는 Fig. 5와 같다.

RAG 기반 법령 및 사고사례 검색 시스템에서는 OpenAI Assistants API를 활용하여 추가 사고사례 검색과 일반 질의응답 기능을 구현하였다. 법령 및 사고사례 문서는 JSON 형식으로 정형화한 후 OpenAI Storage에 업로드하였으며, 자동 파싱, 청크 분할, 임베딩 과정을 거쳐 검색용 벡터 데이터로 활용하였다. 사고사례 텍스트는 1,400 토큰 단위로 분할하였으며, 400 토큰 중첩을 적용하였다. 청크 단위로 분할된 데이터는 OpenAI Storage에 저장하여 법령 및 사고사례 검색용 벡터 데이터베이스로 구성하였다. 대화형 검색 과정에서는 OpenAI Assistants의 gpt-4o-0613 API를 사용하였으며, 응답 일관성 확보를 위해 Temperature는 0.2로 설정하였다. 사용자가 질의를 입력하면 OpenAI Storage에서 관련 문서를 검색하고 재정렬한 후, GPT-4o가 법령 및 사고사례 기반 답변을 생성하도록 하였다. 법령 검색 기능은 산업안전보건기준에 관한 규칙 문서를 활용하여 구현하였으며, 사용자는 RAG 기반 법령 및 사고사례 검색 시스템을 통해 관련 법령 조항과 추가 사고사례를 확인할 수 있다. 검색 결과를 참고하여 위험성평가표의 내용을 보완할 수 있다. 위험성평가표 자동 생성 및 RAG 기반 법령·사고사례 검색 기능의 구현 결과는 Fig. 3과 같다.

Fig. 3. Implementation Results of Automated Risk Assessment Sheet Generation and Regulation-Accident Case Retrieval

Fig. 4. Prompt Design for Accident Case Verification Using the GPT API

Fig. 5. Results of Accident Case-Based Image Generation

4.1 시스템 평가 개요

본 시스템의 평가를 위해 위험성평가 경험이 있는 안전관리자 9명을 대상으로 설문조사를 실시하였다. 설문조사는 기존 위험성평가 과정에서 유해·위험요인 식별 단계에 소요되는 시간을 묻는 문항을 포함하였으며, 신뢰성, 효율성, 만족도, 효과성, 교육성의 5가지 평가항목을 5점 리커트 척도로 측정하였다. 또한 장점·단점·추가의견을 묻는 서술형 문항을 포함하였다. 평가항목과 문항은 문헌 조사를 통해 측정 척도 문항을 참고하여 본 시스템 평가 목적에 맞게 재구성하였다^{(Brooke, 1996; Jian et al., 2000; Longo, 2018; Alsalamah and Callinan, 2022; Lee and Lee, 2023)}. 설문 참여자는 본 시스템을 위험성평가에 활용하는 상황을 가정하여 업무와 관련된 공종 및 작업 내용을 입력하고, 생성 결과를 확인한 후 설문에 응답하였다.

4.2 시스템 평가 결과

설문조사 결과, Fig. 6(a)에 보인 것과 같이 기존 유해·위험요인 식별 단계의 소요 시간은 주로 4시간 미만 구간에 분포한다. 그러나 4~6시간이 소요된다는 응답도 있으므로 소요 시간은 공종, 작업 특성, 안전관리자의 경험 수준에 따라 달라질 수 있다. Fig. 6(b)는 기존 위험성평가 방법의 효과성에 대한 응답으로, 부정, 보통, 긍정에 분산되어 있어 기존 방식의 효과성에 대한 건설현장 안전관리자의 인식이 일치하지 않음을 보여준다.

Fig. 7은 기존 방식과 본 시스템을 비교한 설문 결과로, 교육성 4.56점, 효율성 4.33점, 만족도 4.11점, 신뢰성 3.89점, 효과성 3.78점으로 나타났다. 이 중 교육성과 효율성이 상대적으로 높게 나타난 것은 ^{Qian et al.(2024)}과 ^{Uhm et al.(2025)}에서 제시한 바와 같이 RAG 기반 시스템이 위험요인과 안전대책을 보다 구체적이고 빠르게 제공하는 데 기여한 것으로 판단된다. 특히 교육성이 가장 높게 나타난 것은 텍스트 중심의 위험요인 제공에서 나아가 다양한 출처의 사고사례를 통합하고 사고 상황에 대한 이미지를 작업자 교육과 위험감수성 향상에 활용할 수 있기 때문으로 해석된다. 반면 신뢰성과 효과성 점수가 상대적으로 낮게 나타난 것은 인공지능이 제시한 사고사례가 건설현장의 공종, 작업 조건 및 위험요인과 실제로 부합하는지 사용자가 재판단해야 한다는 점과, 건설현장 맥락에 적합한 법령이 충분히 제공되지 않거나 필요한 조항이 일부 누락될 수 있다는 인식이 영향을 미친 것으로 판단된다.

서술형 문항에 대한 응답은 다음과 같다. 먼저 장점으로는 간단한 입력만으로 관련 정보가 제공되어 반복적인 문서 작성 부담이 완화된다는 평가와, 사고사례 기반 이미지 생성 기능이 유해·위험요인에 대한 인식을 높이고 교육 효과를 강화하는 데 도움이 될 수 있다는 의견이 포함되었다. 또한 경험이 부족한 안전관리자가 놓치기 쉬운 위험요인을 보완하는 용도로 활용할 수 있다는 의견도 나타났다. 반면 단점으로는 인공지능 기반 법령 안내가 개정 사항을 충분히 반영하는지 판단하기 어렵다는 우려가 있었고, 도출된 위험요인과 평가 결과를 건설현장에 적용할 때 적정성 판단이 쉽지 않다는 응답도 나타났다. 또한 생성형 인공지능의 처리 속도가 충분하지 않아 결과 제공이 지연된다는 응답이 있었으며, 사고사례에 포함된 안전조치는 당시 작업 상황을 전제로 하므로 다른 건설현장에 적용하려면 추가 보완이 필요하다는 의견도 확인하였다. 그 외에 중소 규모 사업장에서 활용도가 높을 것이라는 응답이 있었고, 공정 정보를 세부 작업 단위로 분류하여 제공하면 활용성이 높아질 것이라는 제안과 함께 데이터 정확도 및 처리 속도 개선 필요성에 대한 응답도 있었다.

Fig. 6. Distribution of Responses on the Time Required and Effectiveness of the Conventional Risk Assessment Method; (a) Response Distribution for Time Required to Identify Hazards and Risk Factors, (b) Response Distribution for the Effectiveness of the Conventional Risk Assessment Method

Fig. 7. Item-Level Evaluation Results of the Generative AI-Based Automated Risk Assessment System