AI 업무 자동화, 무엇부터 맡겨야 할까? 직접 해본 작업에서 배운 3가지
AI에게 질문하고 답을 복사하는 일은 익숙해졌습니다. 그런데 정작 파일을 정리하고, 결과를 옮기고, 빠진 내용을 확인하는 일은 여전히 제 손에 남아 있었습니다.
저도 이 지점에서 AI 활용 방식을 바꾸기 시작했습니다. 답을 받는 데서 끝내지 않고, 실제 작업의 일부를 맡겨 본 것입니다. 프로그램의 응답 속도를 개선하기도 했고, 이미지 편집 결과를 비교하기도 했습니다. 반대로 실패 원인을 잘못 짚어 시간을 낭비한 적도 있습니다.
이번 글은 네이버 블로그와 쓰레드에 남긴 제 작업 기록, JMT AI 유튜브에서 다룬 검증 이야기를 바탕으로 정리했습니다. 처음 업무 자동화를 시작할 때 제가 권하고 싶은 기준은 세 가지입니다.
1. 도구를 고르기 전에, 맡길 일을 작게 나눕니다
“AI로 업무를 자동화하고 싶다”는 목표만으로는 시작점을 잡기 어렵습니다. 어떤 자료를 읽고, 무엇을 만들고, 어디까지 실행할지 정해야 결과를 확인할 수 있습니다.
제가 만들었던 프로그램에서도 이 차이를 봤습니다. 2026년 10월 10일 네이버에 남긴 기록을 보면, 사주 계산 결과에 AI 풀이를 붙이는 작업은 처음에 전체 응답까지 2분 11초가 걸렸습니다. 이후 호출 방식을 바꾸면서 풀이를 네 묶음으로 나누어 동시에 처리하고, 답을 받는 형식을 정하고, 같은 요청을 재사용하는 저장 방식도 적용했습니다. 당시 기록한 전체 풀이 시간은 약 20초였습니다.
이 수치를 특정 AI가 언제나 더 빠르다는 뜻으로 읽으면 안 됩니다. 여러 조건을 한꺼번에 바꾼 제 환경의 작업 기록입니다. 속도가 줄었다는 사실과, 그 원인이 어느 한 요소였다는 주장은 구분해야 합니다.
처음 시작하는 분이라면 매주 반복하는 업무에서 한 단계만 골라 보세요. 예를 들어 회의 메모를 읽고 할 일을 표로 만드는 작업입니다. 사람 이름과 날짜가 원문에 없으면 빈칸으로 두고, 담당자에게 보내는 일은 확인 후에 하도록 범위를 정할 수 있습니다.
처음부터 전체 과정을 맡기는 것보다, 결과를 바로 비교할 수 있는 작은 작업이 좋습니다. 이때 완성 기준도 함께 적습니다. “표를 만들어 줘”에서 한 걸음 더 나아가 “모든 항목에 원문 근거를 붙여 줘”라고 요청하는 식입니다.
2. 빠르게 나왔는지와 실제로 쓸 수 있는지를 따로 봅니다
이미지를 만들 때도 비슷했습니다. 쓰레드에는 기준 인물의 얼굴을 유지하면서 장면만 바꾸는 편집 실험을 올렸습니다. 기준 그림은 같게 두고 두 모델의 결과를 비교한 작업입니다.
| 모델 | 기록한 생성 시간 | 직접 확인한 차이 |
|---|---|---|
| FLUX.2 Klein 4B | 한 장 7~12초 | 빠르지만 배경 변경이 반영되지 않은 컷이 있었습니다. |
| Qwen Image Edit 2511 | 한 장 24~28초 | 제 눈으로 비교했을 때 같은 인물로 보이는 정도가 더 좋았습니다. |
이 역시 모든 환경에 적용되는 성능표는 아닙니다. 해당 게시물에는 장비와 해상도 등 모든 실험 조건이 적혀 있지 않으므로, 시간을 그대로 재현할 수 있다고 말할 수는 없습니다. 인물 유지에 대한 평가는 제 육안 판단입니다.
그래도 작업 방향을 정하는 데는 도움이 됐습니다. 저는 빠른 시안과 인물이 이어져야 하는 장면을 구분해 도구를 쓰기로 했습니다. 가장 빨리 만들어 주는 도구 하나로 모든 일을 처리할 이유는 없었습니다.
문서 업무에도 같은 질문을 적용할 수 있습니다. 요약문이 빨리 나왔는지와, 숫자와 날짜가 맞는지는 별개입니다. 고객 답변이 자연스러운지와, 실제로 제공할 수 있는 내용을 약속하는지도 따로 확인해야 합니다.
3. 완료 메시지보다 결과물과 오류 원문을 확인합니다
자동화가 막혔을 때 바로 다시 실행하면 해결될 것 같지만, 그렇지 않은 경우도 있었습니다. 네이버에 적었던 이미지 작업에서는 실제 실패 원인을 확인하지 않은 채 재시도하다가 59분을 썼습니다.
그때 문제는 결과에서 파일 경로를 읽어 내는 제 코드에 있었습니다. 필요한 범위보다 길게 읽는 문자열 처리 때문에 결과를 제대로 인식하지 못하고 실패로 판단한 것입니다.
이 경험 이후에는 다시 시도하기 전에 실패 원문부터 읽고, 확인하지 않은 원인을 사실처럼 기록하지 않는 것을 기준으로 삼았습니다. 추측이 오류 메시지에 들어가면 다음 작업에서도 그 추측을 출발점으로 삼기 쉽기 때문입니다.
JMT AI 유튜브의 「AI 답이 매끄러워도 틀릴 수 있는 이유」에서도 자연스럽게 이어지는 답과 사실이 맞는 답을 구분해 설명했습니다. 업무에서는 이 구분을 직접 확인하는 절차로 옮겨야 합니다.
- 문서를 만들었다면 파일을 열어 제목과 본문이 들어 있는지 봅니다.
- 표를 정리했다면 원문과 숫자 몇 개를 대조합니다.
- 업로드했다면 대상 화면에 결과가 실제로 저장됐는지 봅니다.
- 실패했다면 오류 원문과 발생 위치를 먼저 남깁니다.
AI의 설명을 읽는 것에 더해, 결과물이 있어야 할 자리를 직접 확인하는 과정입니다.
첫 자동화는 이렇게 요청해 보세요
다음은 앞의 경험을 바탕으로 만든 연습용 요청 예시입니다. 실제 고객 정보 대신 공유해도 되는 메모나 가상의 자료로 먼저 시험해 보세요.
이 회의 메모에서 할 일을 찾아 표로 정리해 주세요.
열은 할 일, 담당자, 기한, 원문 근거로 나눠 주세요.
메모에 없는 담당자와 날짜는 추측하지 말고 ‘확인 필요’로 남겨 주세요.
중복되는 할 일은 묶되, 어떤 문장을 묶었는지 보여 주세요.
우선 초안만 만들고, 외부 전송이나 기존 파일 수정은 하지 마세요.
표를 받은 뒤에는 누락된 일이 없는지, 원문과 다른 날짜가 들어가지 않았는지 살펴봅니다. 잘 맞는다면 다음번에도 같은 형식으로 반복하고, 자주 틀리는 부분이 있다면 요청 조건을 한 가지씩 고칩니다.
처음부터 거창한 시스템이 필요하지는 않습니다. 반복되는 일 하나를 고르고, 끝난 상태를 정하고, 결과를 확인하는 것부터 시작해 보세요. 제가 직접 해본 작업에서도 이 세 가지가 다음 자동화로 넘어갈 기준이 됐습니다.
여러분의 업무에서는 어떤 일이 매주 같은 방식으로 반복되나요? 그중 결과를 가장 쉽게 확인할 수 있는 일 하나를 첫 대상으로 골라 보시면 좋겠습니다.
이 글의 바탕이 된 기록
- 네이버 sky3311: AI 에이전트 사용법, 채팅창에서 도구 연결형으로 옮겨 본 경험 — 2026년 10월 10일 작업 기록
- 쓰레드 sky33115: 같은 얼굴로 장면만 바꾸는 이미지 편집 비교
- JMT AI 유튜브: AI 답이 매끄러워도 틀릴 수 있는 이유 — 영상 자막에서 자연스러움과 사실 확인의 구분 확인
기존 기록을 바탕으로 2026년 10월 18일 블로그용으로 재구성했습니다. 실험 수치는 당시 기록이며, 도구 전체의 성능 순위를 뜻하지 않습니다.
AI 업무 활용과 교육 소식은 JMT AI 홈페이지에서도 확인하실 수 있습니다.
댓글
댓글 쓰기