AI 기술의 급격한 발전으로 AI 프로젝트 발주가 증가하고 있지만, 기존의 기능점수(FP) 방식은, 챗봇이나 RAG(검색 증강 생성)와 같이 사용자 인터페이스는 단순하지만 그 이면에서 방대한 데이터 처리와 복잡한 연산을 수행하는 AI 사업의 실질적 규모를 반영하지 못한다는 한계를 드러내고 있다. 이로 인해 AI 프로젝트의 예산 책정의 현실성이 떨어질 위험성을 안고 있다.

이러한 문제를 해결하기 위해서 본 보고서는 AI프로젝트를 거대한 빙산에 비유하며, 수면 아래 잠겨 있는 데이터 전처리, 임베딩, 벡터 저장소 구축 등 고난도 기술 엔지니어링 영역은 국제 표준인 SNAP(Software Non-functional Assessment Process) 모델을 도입하여 별도로 정량화할 것을 제안한다. 이는 기존 방식으로는 측정 불가능했던 백엔드(Back-end) 기술 공수에 대해 정당한 가치를 부여하는 해결책이 될 것이다.

마지막으로 합리적인 규모산정 체계의 적용을 위해 AI 기술규모 자동화 측정 도구 발굴, AI 프로젝트 데이터 축적, 그리고 AI 엔지니어링 기업 생태계 육성을 실현방안으로 제시한다. 궁극적으로는 이러한 노력이 AI 프로젝트 사업 대가 산정의 정확성과 투명성을 제고하는 데 기여할 것으로 기대한다.

As AI technologies advance rapidly, the number of AI project procurements continues to grow. Yet the traditional Function Point (FP) method shows clear limitations: in AI projects such as chatbots or Retrieval-Augmented Generation (RAG), the user interface may appear simple while massive data processing and complex computational workflows operate underneath. FP cannot capture the true scale of these hidden engineering efforts, creating a risk that AI project budgets will be underestimated and ultimately unrealistic.

To address this gap, this report shifts the focus from AI model development to AI Application Service Construction (Engineering) and proposes a framework for scope estimation. It recommends adopting the international SNAP (Software Non-functional Assessment Process) standard to quantify the technical complexity involved in back-end operations—such as data preprocessing, embedding generation, and vector-store construction—that FP cannot measure.

For a sound compensation system to take root, this report suggests key directions: discovering automated measurement tools for AI technical scope, accumulating AI project data, and fostering the AI engineering company ecosystem. Ultimately, these efforts will contribute to enhancing the accuracy and transparency of AI project cost estimation.