AI 업무 자동화를 처음 알아볼 때는 생각보다 할 수 있는 일이 많아 보였다.
AI에게 글을 작성하게 할 수도 있고, 자료를 정리하게 할 수도 있다. Make 같은 자동화 도구를 이용하면 여러 서비스까지 연결할 수 있다.
그래서 처음에는 “이것도 자동화할 수 있고 저것도 자동화할 수 있겠네”라는 생각부터 들었다.
하지만 직접 AI와 자동화 도구를 연결하고 실제 작업을 만들어보면서 생각이 조금 달라졌다.
중요한 것은 AI가 얼마나 많은 일을 할 수 있는지가 아니었다.
어떤 업무를 자동화해야 하는지, AI에게 어디까지 맡길지, 문제가 생기면 어떻게 확인할지, 결과를 사람이 어떻게 검수할지를 정하는 것이 더 중요했다.
지금까지 원킹에서 AI 에이전트와 업무 자동화를 직접 공부하고 만들어보면서 알게 된 내용을 10가지로 정리해보려고 한다.
1. AI가 할 수 있는 일과 자동화해야 하는 일은 다르다
AI가 어떤 일을 할 수 있다고 해서 반드시 자동화해야 하는 것은 아니었다.
매일 반복하는 자료 정리처럼 같은 작업을 계속한다면 자동화의 효과를 기대할 수 있다.
반면 한 달에 한 번 하는 작업이나 매번 판단이 완전히 달라지는 업무라면 자동화를 만드는 데 들어가는 시간이 더 클 수도 있다.
그래서 지금은 새로운 업무를 볼 때
“AI로 할 수 있나?”
보다
“이 일을 계속 반복하고 있나?”
를 먼저 생각한다.
2. 처음부터 전체 업무를 자동화하면 복잡해진다
처음에는 주제 선정부터 검색, 글쓰기, 이미지 제작, 발행까지 전부 자동으로 연결하고 싶었다.
하지만 실제로 만들어보니 하나의 단계에서 문제가 생겼을 때 전체 흐름을 확인해야 하는 상황이 생긴다.
그래서 지금은 작은 단위부터 시작한다.
예를 들어
Google Sheets 입력
→ AI 처리
→ 결과 확인
이 정도부터 테스트한다.
정상적으로 작동하면 그다음 단계를 추가한다.
이 방법이 처음에는 느려 보여도 문제가 생겼을 때 원인을 찾기가 훨씬 쉬웠다.
3. AI에게 좋은 결과를 요구하기 전에 입력값부터 정리해야 한다
AI의 결과가 이상할 때 무조건 프롬프트부터 수정하면 안 된다는 것도 알게 됐다.
처음 AI에게 어떤 데이터가 전달됐는지를 먼저 확인해야 한다.
입력값이 비어 있거나 예상과 다른 정보가 들어갔다면 AI가 아무리 좋은 프롬프트를 받아도 원하는 결과가 나오기 어렵다.
자동화에서는
입력 → 처리 → 출력
세 단계 모두 확인해야 한다.
특히 AI가 포함된 자동화에서는 입력값의 품질이 최종 결과에 직접적인 영향을 줄 수 있기 때문에 시작 데이터를 정리하는 것이 생각보다 중요했다.
4. 결과의 내용만큼 출력 형식이 중요하다
직접 Make를 사용하면서 가장 많이 신경 쓰게 된 부분 중 하나다.
사람이 읽기 좋은 결과와 자동화가 처리하기 좋은 결과는 다르다.
예를 들어 AI가 제목과 키워드와 본문을 하나의 긴 문장으로 만들어도 사람은 이해할 수 있다.
하지만 다음 모듈에서 제목과 키워드를 각각 사용해야 한다면 문제가 생길 수 있다.
그래서 자동화를 만들 때는
무엇을 만들 것인가?
뿐만 아니라
어떤 형태로 만들어야 다음 단계에서 사용할 수 있는가?
까지 정해야 했다.
5. 자동화에서 사람의 역할이 없어지는 것은 아니었다
AI 자동화를 처음 시작할 때는 사람이 하는 일이 크게 줄어들 것이라고 생각했다.
하지만 직접 사용해보니 사람의 역할이 사라진다기보다 바뀌었다.
자료를 반복해서 옮기거나 정리하는 일은 줄일 수 있다.
대신 결과를 확인하고 방향을 결정하고 오류를 수정하는 일이 중요해진다.
그래서 지금 생각하는 가장 현실적인 구조는
사람이 목표를 정한다
→ AI가 반복 작업을 처리한다
→ 자동화 도구가 데이터를 전달한다
→ 사람이 결과를 검수한다
에 가깝다.
6. AI의 설명도 실제 화면에서 확인해야 한다
AI에게 자동화 방법을 물어보면 상당히 구체적인 설명을 받을 수 있다.
하지만 실제 서비스를 사용하다 보면 화면이나 연결 방식이 설명과 다를 수 있다.
실제로 자동화를 구성하면서 AI가 알려준 모듈 연결 방법과 실제 화면에서 확인한 방법이 맞지 않았던 경험도 있었다.
그때 이후로는 AI가 알려준 내용을 바로 실행하기보다
AI 설명
→ 실제 화면 확인
→ 작은 테스트
→ 결과 확인
순서로 확인하고 있다.
AI는 작업을 도와주는 도구이지 실제 환경을 대신 확인해주는 절대적인 기준은 아니라는 것을 직접 경험했다.
7. 오류가 발생하면 처음부터 다시 만들 필요는 없다
자동화가 실패하면 처음부터 다시 만드는 것보다 어디에서 문제가 시작됐는지 찾는 것이 먼저다.
내가 사용하는 기본적인 확인 순서는 다음과 같다.
- 처음 입력값 확인
- AI에 전달된 값 확인
- AI 결과 확인
- 출력 형식 확인
- 다음 모듈 전달값 확인
- 최종 결과 확인
이렇게 한 단계씩 거슬러 올라가면 전체 자동화를 다시 만들지 않고 문제 지점을 찾을 수 있다.
결국 자동화는 오류가 발생하지 않는 것만큼 오류가 발생했을 때 원인을 찾기 쉬운 구조를 만드는 것도 중요했다.
8. 자동화가 정말 시간을 줄이는지는 직접 측정해야 한다
AI가 몇 분 만에 글을 만들었다고 해서 전체 업무시간이 그만큼 줄었다고 볼 수는 없다.
자동화를 만드는 시간도 필요하고 결과를 검수하는 시간도 필요하다.
오류가 발생하면 수정하는 시간도 들어간다.
그래서 자동화의 효과를 확인하려면 최소한
- 기존 작업시간
- 자동화 구축시간
- 자동 실행시간
- 검수시간
- 오류 수정시간
- 서비스 사용비용
을 함께 봐야 한다.
특히 자동화를 반복해서 사용할수록 구축에 들어간 시간이 누적된 시간 절약으로 상쇄될 수 있기 때문에 장기적인 관점에서 확인하는 것이 중요하다.
9. 모든 결과를 같은 수준으로 검수할 필요는 없다
AI가 만든 결과는 전부 꼼꼼하게 확인해야 한다고 생각할 수도 있다.
하지만 모든 업무에 같은 수준의 검수를 적용하면 자동화의 장점이 줄어들 수 있다.
간단한 아이디어 목록이라면 빠르게 확인할 수 있다.
반면 외부에 공개하는 글이나 고객에게 전달되는 정보라면 더 꼼꼼한 검수가 필요하다.
그래서 결과의 위험도에 따라 검수 수준을 다르게 정하는 것이 현실적이다.
예를 들어
| 결과 | 검수 수준 |
|---|---|
| 아이디어 | 빠른 확인 |
| 초안 | 내용 검수 |
| 외부 공개 콘텐츠 | 사실·중복·품질 확인 |
| 고객 메시지 | 사람 승인 |
| 삭제·결제 | 별도 승인 |
처럼 구분할 수 있다.
10. 좋은 자동화는 가장 복잡한 자동화가 아니다
AI 에이전트와 Make를 함께 사용하다 보면 더 많은 기능을 붙이고 싶어진다.
검색도 넣고, AI도 여러 개 연결하고, 데이터베이스도 연결하고, 자동 발행까지 연결하고 싶어진다.
하지만 기능이 많아질수록 관리해야 할 부분도 늘어난다.
그래서 지금은 새로운 자동화를 만들 때 가능한 한 단순하게 시작하려고 한다.
정말 필요한 단계만 먼저 연결하고 정상적으로 작동하는 것을 확인한 뒤 필요한 기능을 추가한다.
결국 가장 좋은 자동화는 가장 화려한 자동화가 아니라 내가 실제 업무에서 계속 사용할 수 있는 자동화에 가깝다고 생각한다.
지금까지 직접 만들어보면서 가장 크게 바뀐 생각
처음에는 AI 자동화의 목표를 “사람이 일을 하지 않아도 되는 것”이라고 생각했다.
하지만 직접 만들어보니 생각이 달라졌다.
AI가 사람을 완전히 대신하는 구조보다
사람이 해야 할 판단과 AI가 반복할 수 있는 작업을 나누는 것
이 훨씬 현실적이었다.
예를 들어 자료 수집과 정리는 AI에게 맡길 수 있다.
서비스 연결과 데이터 전달은 Make 같은 자동화 도구를 이용할 수 있다.
하지만 어떤 주제를 선택할지, 결과가 사실인지, 실제로 공개해도 되는지 같은 중요한 판단은 사람이 맡을 수 있다.
이렇게 역할을 나누면 AI의 장점을 활용하면서도 결과에 대한 통제력을 유지할 수 있다.
처음 시작한다면 이렇게 해보려고 한다
AI 업무 자동화를 처음 시작하는 사람이라면 처음부터 거대한 시스템을 만들 필요는 없다고 생각한다.
오히려 다음 순서로 시작하는 것이 현실적이다.
1단계. 반복 업무 하나를 찾는다.
매일 또는 매주 반복하는 작업을 찾는다.
2단계. 업무를 작은 단계로 나눈다.
입력 → 처리 → 출력으로 구분한다.
3단계. 가장 단순한 단계 하나만 자동화한다.
처음부터 전체 업무를 연결하지 않는다.
4단계. 한 건만 테스트한다.
결과와 데이터 전달을 확인한다.
5단계. 문제가 있으면 원인을 찾는다.
입력부터 출력까지 하나씩 확인한다.
6단계. 사람이 검수할 지점을 정한다.
모든 결과를 자동으로 통과시키지 않는다.
7단계. 실제 시간을 측정한다.
자동화 전후의 시간을 비교한다.
8단계. 충분히 안정되면 다음 단계를 추가한다.
이렇게 조금씩 확장한다.
AI 자동화를 공부하면서 가장 중요했던 것
지금까지 AI 에이전트와 업무 자동화를 공부하고 직접 만들어보면서 가장 크게 느낀 것은 도구 자체보다 설계와 검증이 중요하다는 것이었다.
AI가 새로운 일을 할 수 있다는 사실만 알아서는 실제 업무에 적용하기 어렵다.
어떤 업무를 선택할지,
어떤 데이터를 넣을지,
AI에게 무엇을 맡길지,
자동화 도구가 무엇을 연결할지,
어디에서 사람이 확인할지,
오류가 발생하면 어떻게 복구할지,
실제로 시간이 줄었는지를 어떻게 측정할지까지 생각해야 한다.
결국 AI 자동화는 단순히 버튼 하나를 눌러 일을 대신시키는 기술이 아니었다.
내가 하는 일을 다시 살펴보고, 반복되는 부분을 찾아내고, 그것을 작은 단계로 나누고, AI와 자동화 도구에 적절한 역할을 배분하는 과정에 가까웠다.
그리고 직접 실패해보면서 오히려 더 많이 배울 수 있었다.
잘못된 연결을 다시 확인하고, 데이터 형식을 수정하고, AI의 결과를 검수하고, 전체 실행 전에 작은 테스트를 하는 과정이 쌓이면서 조금씩 자동화의 구조가 보이기 시작했다.
앞으로 원킹에서는 단순히 새로운 AI 도구가 나올 때마다 소개하는 방식보다 실제 업무에 적용해보고 어떤 부분에서 도움이 됐는지, 어떤 부분에서 문제가 생겼는지, 그리고 결국 사람이 어디까지 개입해야 하는지를 계속 기록해보려고 한다.
AI 자동화를 처음 시작한다면 거창한 시스템부터 만들 필요는 없다.
반복해서 하는 작은 업무 하나를 찾아서 직접 자동화해보는 것.
지금까지 직접 만들어본 경험을 기준으로 하면, 그것이 AI 업무 자동화를 시작하는 가장 현실적인 첫걸음이었다.