본 연구는 Overton 데이터베이스를 사례로, 공공정책 데이터를 대상으로 한 인공지능 기반 분석이 단순한 기계학습 모델의 적용을 넘어, 제도적 정합성과 설명 가능성을 갖춘 분석 설계 행위로 접근되어야 함을 논의한다. 기존 NTIS 사례에서 활용된 SBERT 기반 임베딩, TF-IDF 키워드 분석, 클러스터링 및 지도학습 기법은 Overton과 같이 데이터 구조, 표현 방식, 메타 데이터 체계가 상이한 데이터셋에 그대로 적용하기 어려우며, 데이터 품질과 정보 구조를 고려한 분석 구조의 재설정이 필요하다. 특히 Overton은 LLM 기반 요약문 중심의 문서 구조, 중복 라벨, 메타데이터 결손 등의 한계를 지니고 있어, 분석자의 구조적 판단과 해석적 개입이 전제되어야 한다. 이에 본 연구는 SBERT, BERTopic, LLM 기반 분석 방식의 조합 가능성을 검토하고, 정책 데이터 환경에서의 분석 설계 절차와 고려 요건을 구조화하는 데 초점을 둔다. 이러한 분석 설계 논의는 EU AI Act, NIST AI RMF, 대한민국의 인공지능기본법 등에서 요구하는 데이터 정합성, 설명 가능성, 인간 개입 가능성과도 정합성을 이루며, 분석자의 역할을 기술적 실행자에서 정책 해석자이자 구조 설계자로 재정의할 필요성을 시사한다. 본 연구는 고위험 정책 영역에서의 실무 적용 가능성을 전제로, 정책지원형 분석 프레임 설계에 필요한 기준과 방향성을 모색한다.