알림 목록

分析区域：釜山广域市

核心区域：釜山广域市总部、16个区县及附属公共机构

议程：核实人工智能和数据是否已超越行政辅助的范畴，真正改变了政策选择、预算、实施和绩效评估。

黄金时间类型：行政人工智能扩展 + 决策证据缺口

参考日期： 2026年8月28日

版本：区域 AX 黄金时间智能 v3.2 增强标准版
 

2025年底，釜山市成为首个推出基于小型语言模型和搜索增强技术的生成式人工智能行政服务的市政府。到2026年初，该市已将包括问答、文档撰写和行政数据搜索在内的22种服务推广至所有部门。人工智能在行政领域的应用范围已从员工个人使用外部生成式人工智能转向将内部行政数据与安全系统相结合的组织级服务。然而，目前尚无公开的决策记录证实这些服务的使用导致了政策方案的比较、预算的调整、项目的暂停、目标区域的调整或实施方式的改变。如果2026年至2028年的三年强化计划主要以使用量和生成文档的数量为导向，那么行政人工智能的发展将停滞不前，仅仅提升工作效率。尽管釜山的人工智能行政应用已达到全部门普及的阶段，但尚缺乏证据表明其已达到改变决策流程的阶段。

釜山大数据浪潮已将一些实际政策问题列为分析任务，例如：强制大型超市停业日改为工作日后销售额的变化、“15分钟城市”项目实施前后信用卡销售额的变化、节庆活动游客数量和商业区销售额的变化，以及影岛区停车位短缺情况等。数据利用正从统计查询转向政策实施前后结果的验证。然而，关于哪些备选方案被排除以及哪些决策、预算或执行方案被修改的公开后续记录却十分有限。如果分析请求和政策决策在未来两到三年内仍处于独立系统中，分析量可能会增加，但决策的影响却无法衡量。在 釜山的数据驱动型管理中，虽然问题的提出和分析的执行得到了确认，但决策变更的可追溯性却无法得到证实。

2026年人工智能行政推进计划提出在整个行政部门广泛应用人工智能，而数据领域的工作计划则包括扩大分析范围、员工培训以及利用匿名化信息应对市政挑战。行政数字化已从部分试点项目转向全部门广泛应用的计划。然而，目前尚未建立将部门数据质量、人工智能响应准确率、用户验证行为、错误发生率和市民体验等因素整合到单一绩效框架中的公共基准。如果2026年至2028年间服务快速扩张，低质量的原始数据和未经核实的响应将反复被插入工作流程。 釜山行政人工智能面临的时效性风险在于，人工智能的应用速度超过了证据质量提升和问责制度建立的速度。

釜山市正在开展跨多个领域的决策支持项目，例如供水管网模拟、智慧海洋村和基于人工智能的审计管理。人工智能的应用范围正从普通文档处理扩展到供水、海洋环境、审计和安全等领域的专家判断。然而，目前尚无公开的对比数据证实预测性预警在多大程度上改变了实际的检查重点、预算分配以及监管和审计决策，也未发现结果有所改善。如果未来两到三年内各领域的系统各自独立发展，即使釜山市拥有多种人工智能服务，也无法构建统一的行政学习系统。 目前，“黄金时期”的定义并非指人工智能服务扩展的时期，而是指人工智能改变的决策与其最终结果首次建立联系之前的两到三年。

黄金时间论题——釜山行政AX的评判标准并非人工智能服务的数量或生成的文档数量，而是决策运行时间。这包括人工智能和数据是否产生了与现有决策不同的选择，以及该选择是否改善了市民、企业和地区的福祉。

釜山市政府通过总局、业务单元、16个区县以及公共法人、机构和投资或捐助机构，管理交通、福利、安全、产业、环境、旅游和城市规划等事务。行政数据具有分布式结构，由多个组织和受托机构生成，而非单一实体生成。公开数据无法完全核实同一市民、企业、场所或项目在不同部门使用不同ID和更新周期进行管理的程度。随着各部门人工智能服务在2026年至2028年间扩展利用这些分布式数据，针对同一问题可能会出现不同的应对措施和风险评估。 釜山市政府的规模风险取决于同一行政主体的多个记录，而非数据缺失。

Big-DataWave提供公共和私有数据、统计信息、分析咨询以及数据应用案例。釜山市政府的数据基础已从周期性统计扩展到利用信用卡销售、电信人口流动、空间网格和调查等数据进行政策分析。然而，目前尚无公开的运营指标，例如已注册的分析请求总数、平均处理时间、政策反映率和重用率。随着两到三年内请求量的增加，等待时间和重复分析的情况会不断累积，但该机构的整体分析能力仍未得到评估。尽管 釜山市政府拥有分析基础设施，但其相对于需求的处理能力仍未得到衡量。

釜山的生成式人工智能行政服务为所有部门提供包括问答、数据搜索和文档创建在内的22种功能。生成式人工智能的应用规模已从培训和试点阶段扩展到实际工作环境中的常用服务。然而，各部门的活跃用户数、使用频率、节省的工作时间、纠错时间以及回复接受/拒绝率等数据尚未公开。如果仅从2026年到2028年的功能数量来看，实际使用率和工作改进效果较低的服务仍将被列为实施成果。 虽然釜山生成式人工智能的应用规模已通过功能得到验证，但其实际使用规模仍未确定。

利用传感器、模型和人工智能进行决策支持的应用正在供水网络、海洋环境、审计和安全等领域得到推广。行政人工智能已转向多层结构，通用语言模型和特定领域的预测检测模型同时运行。然而，目前尚未有公开数据证实全市范围内存在统一的模型注册、数据沿袭、准确率、错误案例和运行责任等信息。未来两到三年内，随着专用模型数量的增加，整合管理特定模型风险的成本也将迅速增长。 尽管釜山的行政人工智能正处于多领域扩展阶段，但全市范围内的模型治理仍有待完善。

釜山拥有22种生成式人工智能服务、大数据浪潮以及行业专属智能平台，这表明釜山具备丰富的AI和数据资产。行政数字资产已发展成为一种结构，通用AI和专业分析系统在单一统计门户中共存。然而，目前尚未建立统一的运行机制，将跨平台的分析结果与相同的政策会议、审批、预算和绩效评估联系起来。随着2026年至2028年间系统数量的增加，信息检索速度可能会加快，但不同机构之间的判断差异也可能扩大。 目前已确认的是AI和数据工具的积累，而非决策生态系统的整合。

对“15分钟城市”项目实施前后信用卡销售情况、大型超市强制关店政策调整后传统市场和小商户销售情况、以及节庆活动前后人流量和信用卡销售情况的分析请求，关注的是结果而非投入。行政调查的重点已从项目是否实施转向政策是否真正改变了当地经济。然而，目前尚无公开记录将分析结果与现有政策的维持、修改或终止情况联系起来。如果分析结果仅仅作为两三年的回顾性参考资料，那么对结果问题的关注并不能带来决策上的改变。 尽管釜山对结果分析有需求，但基于结果的政策协调体系尚未得到充分建立。

2025年的人工智能实践培训涵盖了市、区、县及附属机构的战略规划和技术实践，并预测人工智能服务将在2026年至2028年间扩展到所有领域。人才培养结构从简单的工具使用扩展到服务规划能力。然而，釜山市议会在2025年的行政审计中指出，部分人工智能培训课程中超过80%的内容仍处于基础水平。如果未来两到三年内服务推广速度超过规划和验证能力，员工将无法识别人工智能模型的局限性和错误。 评估认为，釜山人工智能行政人才生态系统在用户增长与高级验证能力之间存在差距。

智慧海洋村正在推进海洋环境监测和基于人工智能的决策支持，而供水行业则在实施基于大数据和人工智能的管网模拟。这些行业的管理模式正从事后投诉和检查转向主动检测和预测。然而，目前公开可用的证据有限，无法比较预测与实际事件的一致性、警报响应时间以及事故减少情况。即使该系统在2026年至2028年间投入运行，如果预测准确性与现场行动脱钩，该平台也只能停留在监控界面层面，无法发挥作用。虽然 特定行业的人工智能已具备预测能力，但缺乏生态系统证据表明预测已切实改变了管理行为。

生成式人工智能能够以秒级速度处理行政数据搜索和文件草稿，从而降低信息收集成本。行政瓶颈已从数据搜索耗时转移到确定可信证据和选择方案的时间。釜山的人工智能服务虽然提供搜索和草稿功能，但目前公开数据中尚不具备比较不同方案的有效性、成本和风险的决策能力。如果仅搜索速度在2026年至2028年间有所提升，便可构建一个能够更快复现现有政策逻辑的架构。尽管行政自动化（AX）的结构性变革已从文件生成转向判断和验证，但釜山目前的功能被认为更接近于前者。

基于红黄绿（RAG）的行政服务通过搜索内部行政数据来强化回复的基础。这种结构标志着生成式人工智能的发展方向发生了转变，从以公开的互联网信息为中心转向以釜山市政府持有的数据为中心。然而，目前尚无公开的审计追踪记录——该记录应包含回复中引用的原始文本、参考日期、冲突文件、已弃用的指南、置信度等级以及最终审核人员等信息。随着行政数据在两到三年内不断积累，近期、历史和相互冲突的证据被错误混淆的风险也随之增加。 釜山模式生成式人工智能的结构性缺陷主要体现在证据有效性的判定上，而非回复的生成上。

私人卡、电信和空间数据比行政统计数据更快地揭示了商业、交通和居住区域的变化。政策证据已从年度统计转向每日、每小时和50米网格级别的实时数据。然而，目前尚未找到一种信息披露系统能够有效管理私人数据与政策决策记录之间的抽样偏差、服务提供商变更、公式调整、成本和可重复性等问题。如果2026年至2028年间对私人数据的依赖程度增加，供应合同的变化可能会导致政策基线的中断。虽然 釜山的数据管理确保了速度，但其长期可比性和可重复性仍有待验证。

基于人工智能的审计管理将审计目标选择和风险检测的范围从抽样检查扩展到数据驱动的全面搜索。审计结构也从事后检测转向早期发现异常。然而，用于验证模型选择的审计目标、未选择的目标、实际违规行为、误报和偏差的公共数据积累仍处于起步阶段。如果人工智能建议在2026年至2028年间被纳入审计优先事项，那么无法解释的误报也将转化为行政负担和声誉风险。 审计AX预计将同时展现出检测范围扩大和程序责任缺口。

2026年人工智能行政推进计划提出了在行政部门系统性推广人工智能的方向。各部门的试点实施已逐步过渡到市级政府层面的项目组合。然而，目前尚未建立统一格式的人工智能项目登记系统，该系统应披露项目的具体基准、目标成果、负责部门、模型风险等级以及终止标准。如果2026年至2028年间率先在所有领域推广人工智能，那么使用相同的标准来区分低绩效项目和高风险项目将十分困难。 釜山的人工智能应对措施目前仍处于项目组合构建阶段，而项目组合绩效管理阶段尚待确定。

2026年初，生成式人工智能行政服务已应用于所有部门，并制定了未来三年的推进和扩展计划。人工智能的应用已从有限的用户测试扩展到所有员工的日常工作环境。然而，目前尚未有公开的基准数据，用于比较使用前后工时、投诉响应准确率、纠正率、返工率和安全事件等方面的变化。一旦人工智能在未来两到三年内融入基本工作流程，将难以将其效果与引入人工智能之前的时期进行比较。 目前，虽然三年扩展计划已明确，但衡量因果效应的方法尚未确定。

2026年数据工作计划包括扩大分析范围以解决市政问题、开展员工培训以及利用匿名化信息。数据利用范围正从公共统计数据扩展到保护个人信息的组合分析。然而，目前尚未找到能够全面披露与匿名化组合分析相关的政策结果、重新识别风险、组合失败情况、审议周期或实际政策变化的数据。如果将利用率和保护率作为2026-2028年期间的独立绩效指标进行管理，则难以评估扩大分析范围与公众信任之间的风险。 釜山目前对匿名化信息的应对措施尚处于扩大利用基础的阶段，尚未进入综合评估结果和信任度的阶段。

人工智能和数据实践培训的范围已扩大到中央机关、区、县和公共机构。能力培养政策也从培养少数数据专家转向在普通行政人员中应用人工智能。然而，培训前后实际的分析绩效、政策规划的变化、错误检出率和实际应用率等数据并未公开。如果仅统计两三年来的受训人数，则无法区分培训规模的扩大和决策质量的提升。虽然 培训的响应范围扩大了，但其工作成果仍有待验证。

釜山宣布已在所有部门全面推行基于sLLM和RAG的生成式AI行政服务，成为韩国首个实现这一目标的市政府。与韩国其他地方政府的对比证实了釜山在通用AI工作环境方面的早期应用。然而，釜山并未披露与其他领先城市采用相同标准时的活跃使用率、节省时间、准确率和政策变更率等对比数据。如果以2026-2028年的“初步应用”来取代绩效对比，则技术领先与行政绩效之间的差异将被掩盖。尽管 釜山在应用初期展现出领先优势，但就决策结果而言，其表现尚不具有可比性。

国际公共部门的人工智能治理侧重于数据沿袭、人工审核、可解释性、影响评估、异议处理和模型监控。釜山的生成式人工智能服务建立在利用安全系统和内部数据的前提下。然而，关于市政府层面风险等级审批、公民影响评估、错误披露和模型变更历史的披露情况，目前尚未得到证实。未来两到三年，随着人工智能在公民参与、审计和安全领域的扩展，程序问责制而非操作便利性将决定其相对竞争力。尽管 釜山的技术采纳准备度较高，但其公共治理准备度尚待确认。

首尔和京畿道等大型地方政府以多层次的方式运营数据分析机构、公共数据、数字孪生和人工智能服务。釜山也在通过建立大数据浪潮和特定领域的人工智能平台来缩小工具差距。然而，在韩国国内，不同城市之间“分析→决策变更→结果”的可比指标尚未标准化。仅比较2026-2028年的平台数量和预算，无法评估釜山实际的行政效率和对居民的影响。 釜山在工具拥有率方面被评为中上水平，但在决策运行时间方面存在普遍的数据差距。

对釜山“十五分钟城市”、节庆活动、商业区、交通和海洋环境的分析，结合私营部门数据，旨在解决当地问题。这比仅使用结构化行政统计数据的阶段更为先进。另一方面，在分析可重复性、对照组、基线前和结果后等方面，采用通用标准管理的证据仍然有限。即使两到三年内分析案例数量增加，如果比较设计不同，这些案例也无法汇总成对整个城市的研究成果。 釜山的优势在于其分析主题的现实性，而劣势在于分析结果在政策实验中的标准化程度不足。

将22种生成式人工智能服务与其在各部门的应用联系起来，可以验证其功能和部署范围。然而，由于活跃用户数、查询次数、采用率、修改率、节省时间以及政策变更率等数据未公开，因此无法计算可用性性能。服务数量乘以部门数量可以显示推广规模，但无法反映管理绩效。如果2026年至2028年间功能数量增加，则没有分母的成功指标可能会增大。 釜山目前提供的生成式人工智能数据代表了实施规模，而决策效率则取决于数据缺口。

Big-DataWave的分析请求涵盖了诸如“15分钟城市”概念、大型超市强制关店、节庆活动、停车、行人流量和消费销售等实际政策问题。请求数量和“已完成响应”指标表明分析服务运行正常。然而，后续从“已完成响应”到“审批反思”、“项目修改”和“结果变更”的进展数据并未公开。如果已完成的案例数量在两到三年内累积，分析处理效率和政策变更效率可能会被混淆。因此， 分析完成率被视为一项行政服务指标，而非政策有效性指标。

为比较2023年和2024年的变化，特别是项目完成前后的变化，需要对“15分钟城市”项目实施前后的信用卡销售情况进行分析。虽然基于时间的比较框架已经存在，但仅凭所请求的信息无法确认是否已将对照区域、外部经济状况、价格和季节性因素区分开来。项目实施前后的简单增减可能掺杂了政策影响和同时发生的外部变化。如果在2026年至2028年间重复类似的分析，可能会累积错误的因果关系判断，从而导致预算的增加或减少。 釜山数据分析的数值缺口在于变化测量和因果关系判断之间的差距。

将大型超市强制关店时间调整至工作日的分析，是一项政策性问题，它将大型超市、传统市场和小商户的销售额进行了综合比较。该分析证实了一种结构性转变，旨在考察利益相关者之间的收益分配，而非仅仅关注单一行业的销售额。然而，该分析并未明确指出综合考虑消费者收益、员工工作条件、向线上消费的转变以及长期影响等因素后的结果。如果仅基于两到三年的短期信用卡销售额得出结论，那么该政策的成本和收益将仅限于特定群体。尽管 釜山的分析基于数据，并扩展到多群体比较，但最终仍未能全面反映社会整体影响。

人工智能教育的参与人数和课程数量虽然表明了能力的投入，但市议会的一项审计指出，某些课程超过80%都处于基础水平。这表明，培训量的增加并不等同于高级能力的习得。培训与实际工作中的分析质量、模型验证或政策调整之间缺乏关联。如果以基础教育为中心的扩张模式从2026年持续到2028年，那么人工智能用户数量增加但可验证的决策者短缺的局面将依然存在。 培训课程的数量表明了规模的扩大，但组织的判断能力仍然没有得到评估。

第一个缺口是缺乏决策日志。分析请求、人工智能响应、行政文件、审批、预算和执行结果都各自独立存在。然而，与同一政策ID关联的公共记录却无法获取，因此无法确定哪些证据导致现有方案被否决并最终改变了决策。随着人工智能在2026年至2028年间的普及，追踪人工智能在决策过程中的实际影响将变得更加困难。 釜山行政自动化（AX）的最大缺口被认为是决策变更的可追溯性，而非分析能力。

第二个不足之处在于缺乏结果基准。尽管22种生成式人工智能服务展示了各自的功能，但并未公开实施前的工作时长、错误率、投诉质量和政策处理周期等通用基准值。即使实施后发生变化，这种结构也使得比较标准较为薄弱。如果人工智能在两到三年内成为标准工作环境，那么将实施前的状态与非用户对照组进行比较几乎是不可能的。 釜山的生成式人工智能在有效性验证准备方面低于部署准备方面。

第三个缺口在于数据沿袭和参考日期的管理未经核实。尽管 RAG 使用了内部数据，但行政记录中包含修订前的指南、重复文件和相互矛盾的统计数据。目前尚无已确认的机制来公开追踪人工智能响应所使用的数据和参考日期。随着 2026 年至 2028 年间文件数量的增加，近期性错误以准确语句的形式重复出现的风险也随之增加。 循证管理方面的缺口不在于数据访问，而在于判断哪些数据有效。

第四个缺口是分析与预算脱节。即使数据分析证实了政策的有效性，但将其与下一年度预算的增减或终止联系起来的公开记录却十分有限。目前的结构是，分析结果被当作参考资料管理，而预算则被视为单独的审查材料。如果低效项目不顾分析结果，连续两三年被纳入预算，那么数据驱动型管理的财政效益就会荡然无存。 釜山决策准备度的评估，并非基于政策分析，而是基于预算重新分配。

第五个差距是组织在人工智能错误方面的学习不足。生成式人工智能和预测模型可能会产生错误答案、遗漏、偏差和误报。目前尚未发现任何登记系统能够整合并公开釜山市各模型的错误案例、纠正时间、复发率和版本变更情况。随着2026年至2028年间服务数量的增加，同样的错误可能会扩散到多个部门的文件和决策中。 釜山人工智能管理面临的风险评估认为，并非错误本身的存在，而是组织架构中缺乏对错误的有效记忆。

大数据浪潮和生成式人工智能管理服务分别提供分析数据和业务支持基础设施。釜山市目前同时具备数据查询和分析能力，以及文档搜索人工智能。然而，目前尚无公开证据表明这两项基础设施与同一政策任务ID关联。如果2026年至2028年间继续进行单独升级，数据分析结果可能无法反映在生成式人工智能的响应中，或者参考日期可能会发生变化。 目前已确定多项技术基础设施得到保障，但政策层面的互操作性仍有待确认。

总部、各区、县及附属机构开展了人工智能和数据培训，并实施了实践规划培训。培训对象已从部分IT人员扩大到一般政策制定人员。另一方面，2025年行政审计指出，目前缺乏先进的应用和融合能力。如果人工智能在未来两到三年内推广到所有部门，可能会出现瓶颈，即一名核查人员需要处理来自多个用户的错误。 人才基础设施被评估为处于用户扩展阶段，而高级核查人员则处于短缺阶段。

用于信用卡销售、电信流量、空间网格、行政统计和匿名化信息的利用基础设施从多个角度观察政策现象。数据基础设施已从结构化公共数据扩展到公私融合。然而，目前尚未找到能够有效管理样本偏差、公式变更、缺失值以及数据采集终止等因素对分析结果影响的数据。随着2026年至2028年间对私有数据的依赖性增强，合同和公式的变更将扰乱政策结果的时间序列。尽管 数据准备工作的范围有所扩大，但其质量和连续性仍有待验证。

釜山市的人工智能行政推进计划和个人信息安全系统为人工智能的应用奠定了制度基础。人工智能的引入已从员工自主使用转向正式的行政管理体系。然而，目前尚未发现能够公开披露高风险决策中最终人为判断、公民通知、异议处理、自动化禁区以及模型停用标准的综合系统。如果未来两到三年内，人工智能的应用扩展到民事投诉、福利、审计和安全等领域，程序上的漏洞将转化为对公民权利的风险。 因此，尽管该系统已获准采用，但其影响尚未达到可控范围。

生成式人工智能行政服务旨在通过支持行政数据搜索和撰写民事投诉回复，减少员工工作量和公众响应时间。该架构涉及内部运营技术，并延伸至与居民接触点的响应质量。然而，实施前后民事投诉处理时间、复询率、错误率和公民满意度的对比数据尚未公布。即使2026年至2028年间员工使用率有所提高，但如果居民体验到的速度和准确性没有提升，行政人工智能服务仍将仅仅是一种内部效率提升措施。虽然 居民接受度被认为是预期效果，但实际结果尚未得到证实。

针对大型超市强制关店、“15分钟城市”计划、节庆活动和商业区的数据分析，旨在制定与小企业主和居民生活息息相关的政策。数据管理正从内部报告的编制转向区域经济成果的分析。然而，后续证据表明分析结果已改变商业环境、设施布局、预算和活动设计的证据仍然有限。如果一项分析在两到三年后才结束，那么当地企业就仅仅成为数据提供的对象，而无法从政策变化中受益。 尽管针对企业和居民的分析范围有所扩大，但决策变化带来的实际影响仍未得到证实。

公共数据和大数据浪潮为中小企业和公民提供了数据获取途径。数据利用范围已从内部管理扩展到私营部门。然而，将开放数据（最终转化为企业产品、服务、销售和就业）的绩效与数据质量问题联系起来的常规数据尚未得到验证。如果2026年至2028年间数据集的数量仅有所增加，那么实际效用价值低的数据仍将被视为开放的成果。虽然数据 在私营部门的普及已在可访问性方面得到证实，但其在产业成果方面仍未得到验证。

基于人工智能的审计、安全、供水和海洋环境系统旨在构建一个能够及早发现事故、腐败和泄漏，从而减少居民损失的体系。居民的获益并非体现在系统的实施上，而是体现在事故减少、恢复时间缩短、水质改善和安全保障等方面。公开资料中关于这些系统引入前后居民损失和误报成本变化的数据有限。如果仅仅在两三年内增加警报和屏幕数量，那么居民的获益就会被行政技术实施的记录所掩盖。 人工智能在各领域的普及程度已在检测能力层面得到证实，但其减少损失的效果尚待验证。

尽管釜山市政府拥有通用的生成式人工智能服务和专门的数据部门，但各区县的数据人员、预算和分析经验并不相同。尽管行政人工智能系统（Administrative AX）旨在覆盖所有部门和区县，但实际实施能力可能因组织规模而异。目前尚无按区县划分的活跃使用率、分析请求、内部分析和政策反馈率的对比数据。如果这些能力差距在2026年至2028年间持续扩大，基于数据的政策的准确性甚至可能因釜山居民的居住地而有所不同。由此可见 ，釜山行政人工智能系统的服务获取与实际利用能力之间存在不平衡。

大数据浪潮分析需求涵盖了特定区域的问题，例如东区的行人交通、影岛区的停车问题、釜山镇区的商业区以及广安里节。虽然釜山各地都存在数据需求，但问题的类型和数据获取的难度却各不相同。如果分析支持以请求为基础，那么拥有强大应用能力和项目设计技能的机构更有可能获得支持。如果这种模式持续两到三年，那么未能提出有效分析请求的地区将会比缺乏数据的地区更早被排除在外。 由此可见，造成空间差异的原因更有可能是行政问题的设计能力，而非数据拥有情况。

50米网格的行人流量和刷卡消费数据能够捕捉到社区及更小范围内的生活方式变化。行政分析单元正从区县平均水平转向微观生活区域。然而，目前尚无证据表明所有政策领域都采用了相同的空间分辨率和更新周期。如果仅对2026年至2028年间的特定区域进行精确观测，则未观测到的区域可能被错误地判定为没有需求。 尽管釜山的空间智能分析已得到改进，但整个区域的观测一致性仍未得到证实。

釜山市中心、西釜山和东釜山在人口、产业、交通和商业结构方面存在差异。即使将同一人工智能模型应用于整个城市，如果训练数据的区域构成不同，预测误差也会因区域而异。目前尚无公开数据可以比较不同行政区、县、年龄、收入或企业规模的模型性能。如果仅关注两到三年的平均准确率，则脆弱区域的低准确率会被整体平均值所掩盖。 釜山行政人工智能的空间风险并非取决于服务部署，而是取决于区域误差率的隐蔽性。

釜山式生成式人工智能行政服务于2026年初应用于所有部门，并将于2026年至2028年三年间进一步完善和扩展。接下来的两到三年将是初始功能、数据和使用模式逐步定型为标准业务流程的时期。引入人工智能之前的基线数据和人工智能影响决策日志尚未公开。一旦基本流程固化，就很难将人工智能应用前的工作与未应用人工智能时的工作进行比较，不规范的使用方式也将成为组织规范。 目前，“黄金时期”并非人工智能引入之前，而是最初三年运营标准固化之前。

人工智能和数据分析正迅速扩展到诸如“十五分钟城市”、商业区、节庆活动、交通运输、海洋事务、供水和审计等领域。其应用范围已从一般性任务转向影响公民权利和安全的专家判断。然而，目前尚未发现能够整合风险等级、错误、异议和暂停标准管理的公共信息披露系统。如果自动化在2026年至2028年间扩展到高风险领域，那么事后对已积累的决策和投诉进行监管补充将十分困难。因此，治理的黄金时期被定义为在将高风险措施纳入日常运营之前。

利用私人信用卡和电信数据以及匿名化信息，比行政统计数据更快地揭示政策趋势。釜山的数据判断速度正从年度统计加速到月度、日度和小时级。然而，用于管理私人数据公式、样本和合同变更以及长期对比的公开披露机制存在局限性。如果依赖相同数据的政策累积两到三年，一旦数据提供者发生变更，以往判断的可重复性就会消失。  “数据黄金期”的判定标准是基线连续性被打破之前，而非使用量扩张之前。

尽管员工培训范围有所扩大，但2025年的行政审计指出，培训过度侧重于基础课程。这表明人工智能服务的普及速度与高级规划和验证人员的成长速度存在差异。衡量高级能力和实际错误检测的数据尚未得到证实。随着人工智能在2026年至2028年间成为所有员工的常规操作，少数专家将难以验证所有模型、数据和响应。 人才的“黄金时期”被认为是用户数量结构性地超过验证人员数量之前。

12-1. 基层地方政府“黄金时间”应用案例①——釜山津区

已向大数据平台Big-Data Wave提出请求，要求分析“15分钟城市”项目（包括端岩和开金居住区）实施前后信用卡销售的变化。釜山镇区居住区政策的评估已从设施完善程度转向周边商业区的实际销售业绩。然而，目前尚未有公开的分析结果证实价格、季节性、经济状况和对照区域等因素对项目实施前后及后续政策变化的影响。如果“15分钟城市”项目在2026年至2028年间沿用相同方法进行推广，则最初因果关系判断中的误差可能会复制到其他居住区。 尽管釜山镇区是数据驱动型结果研究的热点地区，但目前尚无法确定其政策效果。

檀岩区和开金区以实际居住区（面积大于洞，小于区）作为政策单位。空间判断已从行政洞的平均水平转向结合居民流动性和消费的居住区。然而，目前尚无确凿的公开证据将流动人口、卡销售、设施可达性、居民满意度和商业生存状况等因素与单一居住区运行周期联系起来。如果代表性居住区项目在两到三年内完成，则可能仅留下特定设施的绩效结果，而缺乏基准。 釜山镇区的“黄金时期”并非居住区分析本身的存在，而是能够记录该分析是否影响后续设施选址和预算的时间段。

12-2. 基层地方政府黄金时段应用案例② — 影岛区

在对Saeol咨询投诉进行分析后，发现与停车相关的投诉最为频繁，影岛区因此就停车位短缺问题申请了数据分析咨询服务。这标志着居民投诉不再局限于汇总重复投诉，而是转向提出政策分析问题。然而，目前尚无公开的后续记录证实，究竟哪些决策——例如停车位分配、执法时间、公共交通或旅游路线——根据分析结果进行了调整。如果2026年至2028年间，由于旅游业、住房和人口老龄化等因素导致停车需求发生变化，那么过去的投诉分析数据将成为具有不同参考点的一次性数据。 尽管影岛区的案例表明数据揭示了政策问题，但尚未证实数据是否改变了解决方案。

影岛区的停车问题十分复杂，居民、游客、商家和行动不便人士的停车需求在同一空间内相互冲突。仅凭投诉数量无法区分哪个群体的需求或哪个时间段构成瓶颈。此外，也无法验证将投诉、停车位周转率、违章停车、行人安全和商业收入联系起来的公共运行时间。如果主要依据投诉量来判断停车问题，且持续两到三年，那么高投诉率区域和实际高风险区域就会混淆不清。 影岛区的“黄金时段”是指能够确定投诉原因和不同政策方案差异的时间段，而不仅仅是识别投诉高发区域。

如果未能保留2026年人工智能应用初期各部门的使用情况、错误、纠正措施和采用情况等数据，后续行政绩效的基准线将不复存在。人工智能工作支持计划分三年逐步扩展，非使用任务将迅速减少。目前，实施前后的公开结果有限。2026年至2028年之后，将难以区分人工智能究竟是改进了工作流程，还是仅仅增加了工作量。 首次损失将取决于人工智能早期应用阶段的因果证据，而非技术预算。

如果分析结果与审批、预算和执行脱钩，那么对同一问题的分析就会在不同部门和不同年份重复进行。虽然大数据浪潮识别出了许多现实世界的政策问题，但其重复使用和决策变更的历史却未被披露。如果人员调动和组织结构重组发生在两到三年内，那么分析的前提、局限性和后续决策就会与组织记忆脱节。 第二个损失并非由个别报告造成，而是由行政记忆决定，因为行政记忆不会重蹈覆辙。

如果人工智能响应和预测模型中的错误没有被记录在案，那么使用相同的数据、提示和模型，错误将会重复出现。虽然服务正在扩展到所有部门和专业领域，但全市范围内的错误学习系统尚未得到验证。随着多个系统在2026年至2028年间不断发展，版本和责任方将会发生变化，这将使重现过去的错误变得困难。 第三个损失并非由准确率决定，而是由将错误纳入后续决策所需的学习时间决定。

如果各区县在数据人员和问卷设计能力方面存在差异，分析支持可能会集中在应用能力较强的机构，而不是需求量大的地区。目前，基于请求的分析系统和区域性任务已被识别，但未观察到未应用的需求。如果这种结构持续两到三年，行政应用能力差距将演变为区域服务差距。 第四个损失并非由技术上的平等决定，而是由不受地域或组织能力影响的政策判断的公平性决定。

釜山已在各部门部署了生成式人工智能服务、大数据浪潮、匿名化信息应用以及行业特定的人工智能平台和实践培训。行政AX的组成部分并非完全缺失，而是分散在不同的阶段。然而，基于政策ID和决策日志关联的证据尚未得到验证。在2026年至2028年系统结构最终确定之前，仍有时间基于相同的政策结果对现有资产进行比较。 目前，这一契机被视为建立分散资产决策连接性的时期，而非构建一个全新的系统。

关于“15分钟城市”、大型超市、节庆活动和停车等方面的分析请求表明，政府已经开始就政策效果提出具体问题。釜山的问题不在于缺乏问题，而在于缺乏对这些问题作出回应后的决策记录。目前尚未形成公开的分析结果与政策变更之间的关联链条。如果未来两到三年内分析请求持续增长，能否将后续决策联系起来将成为衡量行政效率的关键标准。 当前的机遇不在于扩大分析的数量，而在于如何将切实可行的政策问题作为可重复的决策依据加以保存。

基于红黄绿（RAG）的生成式人工智能利用釜山市的内部行政数据。这为重用该机构过去的政策依据奠定了基础，同时缩短了搜索时间。然而，目前尚未公开数据有效性、冲突依据和决策结果的综合搜索结构。如果在2026年至2028年行政数据量增长之前，政策依据和结果未能关联起来，人工智能虽然能够快速找到过往文件，但无法区分过去决策的成败。 目前，该机遇被评估为初始运行阶段，在此期间，行政文件可以作为组织学习数据。

釜山市议会的行政审计公开质疑人工智能教育水平和项目成效。其结构是市政府负责人工智能推广，市议会负责外部核查，两者并行运作。然而，目前尚未对审计结果、市政府行政管理、模式/教育变革以及后续成果之间的关联数据进行核实。如果市议会的核查持续两到三年，人工智能治理就会被分散在预算审查和项目报告之间。 目前，亟需将人工智能治理的内部运作和外部核查整合到一条统一的证据链中。

管理 AX 运行时

政策问题 → 基线 → 数据与人工智能分析 → 方案比较 → 决策变更 → 预算 → 执行 → 公民满意度 → 差距 → 审计与理事会核实 → 纠正 → 下一决策

行政人工智能扩展 + 决策证据差距

釜山市的人工智能和数据管理已经超越了引入阶段，现在正处于各个部门的推广阶段。

任务搜索、文档创建和个人政策分析功能已确认。

人工智能和数据对现有决策的影响与最终结果的变化之间没有关联。

当前真正的危险不在于不使用人工智能的政府，而在于使用人工智能却无法判断人工智能是否做出了更好的决策的政府。

最终裁决是行政人工智能扩展 + 决策证据缺口。

1. 按部门划分的生成式人工智能活跃用户
2. 每位员工的人工智能使用频率
3. 22种服务类型的使用率
4. 人工智能答案的采纳率、修改率和拒绝率
5. 人工智能生成文档的平均纠错率
6. 缩短行政数据搜索时间
7. 减少撰写民事诉讼状所花费的时间
8. 人工智能使用前后民事投诉的复查率
9. 人工智能响应错误、遗漏和偏差的数量
10. 从发现错误到纠正错误所需的时间
11. 相同错误的再次发生率
12. 分析请求的接收、完成和等待期
13. 分析结果的认可度
14. 分析后的政策替代方案变化率
15. 分析后项目目标和区域的变化率
16. 分析后的预算增加、减少和完成率
17. 政策实施前的基准披露率
18. 使用对照区/对照组的分析比率
19. 私有数据公式和样本变更历史
20. 模型准确率、误报率和漏检率
21. 各区/县人工智能应用及内部分析差距
22. 完成培训后的在职求职申请率
23. 高级人工智能和数据验证人员数量
24. 经理事会和审计部门提出问题后，实际纠正率
25. 政策变化后公民和企业福祉改善率

数据缺口：在公开证据中，釜山市决策运行流程（政策咨询→数据/人工智能分析→现有提案与替代方案比较→批准/预算变更→执行→市民/企业成果→审计/市议会核实→后续修正）在同一政策 ID 下尚未得到确认。

运行时链

数据 → 分析 → 备选方案 → 决策变更 → 预算 → 执行 → 结果 → 错误/差距 → 审计/委员会 → 纠正 → 下一决策

来源·核实

• 釜山广域市推出全国首个生成式人工智能行政服务
• 釜山广域市2026年人工智能管理实施计划
• 釜山广域市2026年数据驱动型行政重大工作计划
• 釜山大数据浪潮、政策数据分析与咨询现状
• 釜山大数据浪潮，统计说明材料
• 釜山广域市，面向未来行政部门的人工智能实践培训
• 釜山市议会，《2025年韩国信息产业振兴院行政审计报告》
• 釜山广域市基于数据的智能海洋环境管理支持平台
• 釜山广域市计划到2026年支持基于人工智能和大数据技术的供水网络决策
• 釜山广域市基于人工智能的智能审计管理支持系统

本次分析留下的结构性见解

行政决策仅保留最终定稿的方案，而抹去未被采纳的备选方案。即使人工智能提出了更多证据和备选方案，如果原始方案、备选方案和最终方案之间的差异没有被记录下来，就无法验证人工智能是否改变了其判断。这是一种使用方式不变，但实际影响却消失殆尽的结构。

在这种结构下，人工智能好坏之间的区别并非仅仅取决于其准确性。如果准确的分析未能改变审批和预算，其行政影响几乎为零；反之，如果分析不完整却影响了高风险决策，即使是微小的错误也会对公民造成不利影响。人工智能的行政价值取决于模型性能和决策影响的乘积。

因此，釜山行政AX的核心结构只有一个。人工智能并非取代决策，而是记录决策变更的原因，才能真正成为一种行政能力。 如果没有这些记录，釜山市政府虽然可以更快地搜索并生成更多文档，但却无法判断其决策是否比以往更优。

黄金时期论题——釜山市行政AX的2026年至2028年并非生成式人工智能普及的时期，而是首次在行政记录中完整记录“证据→备选方案→决策变更→最终结果”这一过程的关键时期。若缺乏这一环节，人工智能虽能提升行政效率，却无法加快政策失误的发现和纠正速度。