AI 자동화를 시작하려고 하면 가장 먼저 이런 생각이 든다.
“무엇부터 자동화해야 하지?”
AI가 글도 만들고 자료도 정리하고 검색도 할 수 있다 보니 할 수 있는 일부터 생각하게 된다. 하지만 실제로 Make와 AI를 연결해서 여러 작업을 만들어보니, 자동화할 수 있는 업무와 자동화하는 것이 좋은 업무는 조금 달랐다.
처음부터 많은 일을 자동화하려고 하면 구조가 복잡해지고 문제가 발생했을 때 원인을 찾기도 어려워진다.
그래서 직접 작업하면서 지금은 몇 가지 기준을 먼저 확인하고 있다.
1. 매번 반복해서 하는 업무인가?
가장 먼저 볼 것은 반복성이다.
매일 또는 매주 비슷한 작업을 반복하고 있다면 자동화의 효과를 확인하기 쉽다.
예를 들어 블로그를 운영하면서 반복적으로 발생하는 작업은 다음과 같다.
- 자료를 특정 형식으로 정리하기
- 제목 후보 만들기
- 반복적인 데이터 입력
- 여러 단계에서 같은 정보를 옮기기
- 일정한 형식의 초안 만들기
- 결과를 다른 문서나 서비스로 전달하기
이런 작업은 사람이 매번 같은 과정을 반복해야 하기 때문에 자동화 대상으로 검토하기 좋다.
반대로 한 달에 한 번밖에 하지 않는 업무라면 자동화를 만드는 데 들어가는 시간이 더 클 수도 있다.
그래서 나는 “AI로 할 수 있는가?”보다 먼저 “이 일을 얼마나 자주 반복하고 있는가?”를 확인하는 것이 좋다고 생각한다.
2. 작업 방법이 어느 정도 정해져 있는가?
두 번째 기준은 규칙성이다.
같은 입력이 들어오면 대체로 비슷한 과정을 거쳐 결과를 만들어내는 업무라면 자동화하기 쉽다.
예를 들어 Google Sheets에 새로운 데이터가 들어오면 AI가 내용을 정리하고 다시 특정 열에 결과를 기록하는 구조를 만들 수 있다.
반면 매번 상황이 완전히 달라지고 사람의 판단이 많이 필요한 업무는 처음부터 완전 자동화하려고 하면 복잡해진다.
이런 경우에는 업무 전체를 자동화하기보다 일부 단계만 자동화하는 것이 현실적이다.
예를 들어
자료 수집 → AI 정리 → 사람이 판단 → 최종 처리
처럼 중간에 사람의 판단을 넣을 수 있다.
3. 자동화 결과를 사람이 쉽게 확인할 수 있는가?
이 기준은 직접 자동화를 만들어보면서 특히 중요하다고 느꼈다.
자동화가 잘 작동했는지 확인할 수 있어야 한다.
예를 들어 AI가 제목 후보 10개를 만들어주는 작업이라면 사람이 결과를 보고 쉽게 수정할 수 있다.
하지만 AI가 중요한 데이터를 자동으로 변경하거나 외부에 바로 메시지를 보내도록 만들어버리면 문제가 발생했을 때 영향이 커질 수 있다.
그래서 처음 자동화를 만들 때는 결과를 사람이 확인하기 쉬운 업무부터 시작하는 것이 좋다.
나는 이것을 간단하게 다음처럼 구분하고 있다.
| 업무 | 자동화 접근 |
|---|---|
| 자료 정리 | 적극적으로 검토 |
| 제목 후보 생성 | 적극적으로 검토 |
| 초안 작성 | 적극적으로 검토 |
| 데이터 분류 | 조건을 정한 뒤 검토 |
| 내부 데이터 수정 | 제한적으로 적용 |
| 외부 메시지 발송 | 사람 승인 권장 |
| 삭제·결제 | 별도 승인 필요 |
자동화의 편리함보다 문제가 생겼을 때 얼마나 쉽게 되돌릴 수 있는지도 함께 봐야 한다.
4. 자동화했을 때 실제 시간이 줄어드는가?
자동화의 목적은 단순히 “AI를 사용했다”는 기록을 만드는 것이 아니다.
결국 중요한 것은 시간을 줄이거나 사람이 더 중요한 일에 집중할 수 있도록 하는 것이다.
예를 들어 어떤 업무를 사람이 직접 처리하는 데 20분이 걸린다고 해보자.
자동화를 만든 뒤 AI가 1분 만에 결과를 만들어도 사람이 검수하는 데 15분이 걸린다면 실제로 절약되는 시간은 19분이 아니라 4분이다.
여기에 자동화를 처음 만드는 데 걸린 시간까지 고려해야 한다.
그래서 자동화 전에는 최소한 다음 정도는 기록해두는 것이 좋다.
| 확인 항목 | 기록할 내용 |
|---|---|
| 기존 처리시간 | 사람이 직접 처리하는 시간 |
| 월간 처리횟수 | 한 달에 몇 번 반복하는지 |
| 구축시간 | 자동화를 만드는 데 걸린 시간 |
| 실행시간 | 자동화가 결과를 만드는 시간 |
| 검수시간 | 사람이 확인하는 시간 |
| 오류수정시간 | 문제가 생겼을 때 추가되는 시간 |
| 사용비용 | AI·자동화 서비스 비용 |
이렇게 기록해두면 자동화가 실제로 효과가 있었는지 나중에 비교할 수 있다.
5. 오류가 발생해도 피해가 작은가?
처음 자동화를 만들 때는 성공하는 것보다 실패했을 때 안전한지가 더 중요할 수도 있다.
예를 들어 AI가 블로그 초안을 잘못 작성하면 사람이 수정하면 된다.
하지만 잘못된 결과가 바로 외부 고객에게 전송되거나 파일을 삭제하거나 중요한 데이터를 변경한다면 이야기가 달라진다.
그래서 처음 자동화를 만들 때는 되돌리기 쉬운 업무부터 시작하는 것이 좋다.
예를 들면
AI가 초안 생성
→ 사람이 확인
→ 최종 발행
같은 구조다.
이런 방식으로 충분히 테스트한 뒤 자동화 범위를 조금씩 넓혀가는 것이다.
직접 해보니 가장 먼저 자동화하기 좋았던 업무
지금까지 AI와 Make를 이용해 작업하면서 내가 중요하게 생각하게 된 기준을 하나로 정리하면 이렇다.
“반복적이고, 규칙이 어느 정도 정해져 있으며, 결과를 쉽게 확인할 수 있고, 문제가 생겨도 되돌릴 수 있는 업무”
이 네 가지에 가까울수록 먼저 자동화를 검토하기 좋다.
반대로
“중요한 판단이 필요하고, 결과가 외부에 바로 영향을 주며, 잘못됐을 때 되돌리기 어려운 업무”
라면 자동화 수준을 낮추고 사람의 승인을 넣는 것이 좋다.
자동화할 업무를 고르는 간단한 방법
새로운 자동화를 만들기 전에 다음 다섯 가지 질문을 적어보는 것도 도움이 된다.
- 이 업무를 얼마나 자주 반복하는가?
- 작업 순서가 일정한가?
- 결과를 사람이 쉽게 확인할 수 있는가?
- 잘못됐을 때 쉽게 되돌릴 수 있는가?
- 자동화 후 실제로 시간이 줄어드는가?
5개 질문에 대부분 “예”라고 답할 수 있다면 자동화 후보로 검토할 만하다.
반대로 “아니오”가 많다면 업무 전체를 자동화하기보다 일부 단계만 자동화하는 방법을 먼저 생각하는 것이 좋다.
AI 자동화에서 중요한 것은 ‘많이 자동화하는 것’이 아니었다
처음에는 자동화를 많이 만들수록 좋은 것이라고 생각했다.
하지만 직접 만들어보면서 생각이 조금 바뀌었다.
자동화의 핵심은 사람이 하는 일을 최대한 없애는 것이 아니라, 사람이 반복적으로 시간을 쓰는 부분을 줄이고 판단이 필요한 부분에 집중하도록 만드는 데 있었다.
특히 AI가 들어간 자동화는 일반적인 규칙 기반 자동화보다 결과가 항상 똑같다고 보장하기 어렵기 때문에 검수와 테스트 과정도 함께 설계해야 한다.
그래서 지금은 새로운 자동화를 만들 때 무조건 전체 업무를 연결하지 않는다.
가장 반복적인 한 단계부터 시작한다.
작은 테스트를 실행하고 결과를 확인한다.
문제가 없으면 다음 단계를 추가한다.
그리고 마지막에는 사람이 결과를 확인할 수 있는 구조를 남겨둔다.
결국 좋은 자동화는 복잡한 자동화가 아니라 내가 실제로 계속 사용할 수 있는 자동화에 가깝다.
앞으로 원킹에서는 AI가 할 수 있는 일을 무조건 늘리는 것보다 실제 업무에서 시간을 줄여주는 자동화가 무엇인지 직접 테스트해보려고 한다.
자동화할 수 있다는 것과 자동화해야 한다는 것은 다르다.
직접 만들어보고 시간을 측정하고 문제가 생겼을 때 다시 수정해보는 과정이 결국 나에게 맞는 AI 자동화를 찾는 가장 현실적인 방법이라고 생각한다.