RACI 모델의 명확한 기원이나, 누가 처음 제창했는지에 대한 단일 출처는 특정되지 않았습니다. 다만 조직 관리나 프로젝트 매니지먼트 (Project Management) 실무 속에서, 역할과 책임의 정의가 모호함에 기인하는 '책임 소재 불분명', '작업 중복', '의사결정 지연'과 같은 과제를 해결하기 위해 널리 보급된 수법입니다.

프로젝트 매니지먼트 수법으로서는, 특히 대규모 조직이나 복잡한 프로세스를 요하는 업무에 있어 표준적인 도구로서 정착되어 있습니다.

주로 다음과 같은 상황에서 혼란을 미연에 방지하기 위해 활용됩니다.

의사결정의 명확화: 여러 이해관계자가 관여하는 프로젝트에서, 누가 최종 결정권 (Accountable)을 가지며 누구에게 상담 (Consulted)해야 하는지를 정의함으로써 의사결정의 병목 현상을 해소합니다. -
책임 범위의 가시화: 역할이 중복되는 부분 (누가 할지 불명확한 태스크)이나, 반대로 아무도 담당하지 않는 태스크를 발견하여 리소스 배분을 최적화합니다. -
조직 횡단 프로젝트 관리: 부서를 넘나드는 업무 플로우에서 책임 소재가 모호해지기 쉬운 '경계선'을 명확히 하고, 커뮤니케이션 경로 (특히 Consulted와 Informed의 구분)를 정리합니다.

WBS (작업 분해 구조도) 작성 시: 태스크 리스트업과 동시에, 각 태스크에 대해 누가 R・A・C・I를 담당할지를 매트릭스 (RACI 차트) 상에 기입하여 계획 단계에서 합의 형성을 도모합니다. -
프로젝트 관리 도구와의 통합: Jira, Asana, Trello 등의 관리 도구에서 '담당자 (Responsible)'를 등록할 때, 승인 프로세스나 보고 루트를 정의하는 가이드라인으로 이용합니다. -
회의·의사결정 프로세스 정리: 회의에 '누구를 불러야 할지'를 판단하는 지표로서, RACI 정의에 기반하여 의사결정자 (A)와 상담 대상 (C)만을 참여시키는 등의 규칙 운용을 수행합니다.

--

여기서부터는

AI를 활용한 시스템 개발에 있어, RACI 모델은 '인간과 AI의 역할 분담' 및 'AI 개발 프로세스 특유의 의사결정'을 명확히 하기 위해 활용됩니다. 기존의 개발과 달리, AI 모델의 성능 평가나 데이터 선정과 같은 판단이 추가되기 때문에 각 역할의 재정의가 요구됩니다.

AI의 판단 결과 (특히 생성형 AI나 자동 판단 시스템)에 대해 누가 최종적인 '책임'을 지는가는 매우 중요합니다. 개발 프로세스에서는 모델의 출력에 대한 법적·윤리적 책임을 지는 인물 (AI 리드나 사업 책임자)을 명확히 할 필요가 있습니다.

AI 개발에는 기존 기술자만으로는 판단할 수 없는 영역이 포함됩니다.

도메인 전문가: 모델이 업무상의 '정답'을 판단하고 있는지 확인하기 위해 필수적입니다. -
법무·윤리 담당: 학습 데이터에 저작권 침해가 포함되어 있지 않은지, 할루시네이션 (Hallucination, 환각)에 대한 대책이 충분한지를 판단하기 위해 필수적입니다.

RACI 모델의 'R (실행 책임자)' 중 일부를 AI가 담당하는 경우가 있습니다.

• 예를 들어 '코드 자동 생성'이나 '테스트 데이터 생성'을 AI가 수행하는 경우, 해당 AI에 대한 프롬프트 입력이나 출력을 검증하는 인간이 'R'을 담당해야 합니다. 이 부분이 모호하면 AI가 낸 에러를 아무도 수정하지 않는 사태가 발생합니다.

지속적 평가의 포함: AI 모델은 한 번 개발하고 끝나는 것이 아니라, 정밀도 저하에 따른 재학습이 필요합니다. 이 '운영 페이즈'에서도 RACI 정의를 유지·갱신해야 합니다. -
책임 불일치 방지: AI의 출력 결과에 기반한 트러블이 발생했을 때, AI 엔지니어 (R)와 이를 승인한 사업 책임자 (A) 사이에서 책임을 떠넘기는 일이 발생하기 쉽기 때문에 계획 단계에서의 합의가 필수적입니다.

AI 활용 시스템 개발의 특정 공정 (요건 정의, 검증 등)에서 어떤 RACI 정의가 우려되고 있는지 확인이 필요합니다.