AI와 함께 일하는 법 시리즈 1/2
"정책 문서 검토하는데 매번 PDF 열어서 Ctrl+F 누르고, DB 변경 승인 받으려고 이해관계자 6명 캘린더 잡고, 앱 리뷰 하나하나 분류해서 답변 템플릿 찾고, 30분마다 모니터링 대시보드 확인하고..."
반복 업무는 어디에나 있습니다. 처음엔 "일 배우는 과정"이라고 생각합니다. 몇 달이 지나면 생각이 바뀝니다.
"이거 자동화할 수 없나?"
예전이라면 자동화를 위해 개발 리소스가 필요했습니다. 요구사항 정리, 일정 조율, 개발, 테스트... 간단한 자동화에도 몇 주가 걸렸죠. 그래서 "그냥 내가 하는 게 빠르겠다"며 계속 수동으로 했습니다.
afinit에서는 다른 방식으로 접근하고 있습니다. Self-Serve입니다.
1. 승인 프로세스도 AI가 가이드한다
금융 서비스 회사에서 DB 변경은 민감한 작업입니다. 잘못하면 고객 데이터에 영향을 줄 수 있으니까요. 그래서 "제3자 승인" 규정이 있습니다. 문제는 이 규정이 복잡하다는 겁니다.
"이 변경은 Ledger 수정인가, 일반 DB 변경인가?" "긴급 상황인데 승인자가 없으면 어떻게 하지?"
전통적인 방식이라면 정책 문서를 만들고, 이해관계자 회의를 몇 차례 하고, 1-2개월 뒤에 공지합니다. 우리는 달랐습니다.
6일 만에 정책 v1.0 → v1.1 → v1.2까지 진화
Day 1: 초안 작성, 5명 이해관계자 비동기 검토 (Slack)
Day 2: "긴급 승인은 어떻게 해요?" 피드백 → Section 7 추가
Day 5: "Ledger 정의가 모호해요" 피드백 → 구체적 예시 추가
Day 6: 최종 합의, 감사 대비 완료
핵심은 "완벽한 규칙"이 아니라 "데이터 기반 진화"였습니다. 처음부터 완벽할 수 없으니, 폭넓게 허용하면서 데이터를 수집하고, 패턴을 분석하고, 정제된 규칙을 적용하는 3단계 접근법을 택했습니다.
정책 문서 자체도 AI가 읽을 수 있도록 설계했습니다. Markdown 포멧으로 작성하고 코드베이스로 관리합니다. NotebookLM에 업로드하면 "이 작업은 제3자 승인이 필요한가요?"라고 물었을 때 즉시 답변을 받을 수 있습니다.
2. 비개발자도 직접 자동화를 만든다
CS팀의 일과를 상상해 보세요. 앱 스토어에 리뷰가 올라옵니다. 별점별로 다른 톤으로 답변해야 합니다. 5점이면 감사 인사, 1점이면 사과와 해결 약속. 하루에 수십 개의 리뷰를 처리합니다.
n8n이라는 워크플로우 자동화 도구를 도입했습니다. 플랫폼 엔지니어링팀에서 AWS에 인프라를 셋업하고 기본 연동을 구성했습니다.
CS/PM팀이 직접 한 것:
적절한 답변 톤과 템플릿 설계
별점별 응답 로직 커스터마이징
비즈니스 시나리오별 분기 처리
직관적인 드래그앤드롭 인터페이스에서 플로우 수정
결과:
30분마다 자동으로 새 리뷰 확인
AI가 별점과 내용 분석 후 적절한 답변 생성
고객 맞춤형 정중한 답변 자동 발송
핵심은 인프라는 한 번 셋업하면 끝이고, 비즈니스 로직 고도화는 CS/PM팀이 직접 한다는 겁니다. 코드를 한 줄도 몰라도 됩니다. 노드를 드래그하고, 조건을 설정하고, 테스트 버튼을 클릭하면 됩니다.
3. PM이 Vibe Coding으로 모니터링 봇을 만들다
Dennis는 PM입니다. 개발자가 아닙니다. 대출 여정(Loan Journey) 데이터의 semi real-time CDC(Change Data Capture)가 가능해지면서 궁금한 게 생겼습니다. "이 지표를 ad-hoc하게 모니터링하고 이상 징후가 있으면 바로 알림을 받을 수 있을까?"
예전이라면 불가능했을 겁니다. 요구사항 정리하고, 개발팀에 요청하고, 일정 잡고... 하지만 이제는 Vibe Coding으로 직접 해볼 수 있습니다.
Claude Code와 함께 직접 만든 것:
Jupyter SQL 쿼리 결과 파싱
시계열 이상 탐지 로직 (40% 드롭 감지)
Slack 알림 봇
인도 시간대(IST) 기반 스케줄링
🚨 LOAN JOURNEY ANOMALY 🚨
[테이블]: new_user
[시간대]: 14:00 IST
[지표]: CLoftkn (CL Offers Taken)
[변화]: -35% (어제 동시간 대비)
@dennis.choi @loan-team 확인 필요
결과:
수동 모니터링 80% 감소
이상 탐지 정확도 95% 이상
응답 시간 2분 이내 (데이터 수집 → 알림)
핵심은 "궁금한 게 있으면 직접 만들어 본다"입니다. AI 코딩 도구 덕분에 PM도 자신이 원하는 것을 직접 구현해볼 수 있게 됐습니다. 완벽하지 않아도 됩니다. 일단 돌아가면 됩니다. 그게 Self-Serve입니다.
4. 정책 문서도 살아있다
회사에는 수십 개의 정책 문서가 있습니다. 인사 규정, 서비스 규칙, 엔지니어링 가이드라인... 대부분 PDF로 드라이브 어딘가에 잠들어 있습니다. 필요할 때 찾으려면 Ctrl+F를 몇 번이나 눌러야 하는지요.
Policy RAG Maker라는 프로젝트를 진행 중입니다.
작동 방식:
정책 문서(PDF, Word, PPT)를 업로드
AI가 자동으로 청크로 분할하고 임베딩 생성
Neo4j 지식 그래프에 저장 (카테고리별 분류)
자연어로 질문하면 관련 내용 즉시 검색
7개 정책 카테고리:
기업문화, 사내규칙, 사내복지
서비스규칙, 엔지니어링규칙, 인사규칙
인프라
"신입사원 수습 기간은 얼마인가요?"라고 물으면, HR 정책 문서에서 관련 섹션을 찾아 답변합니다. PDF 열 필요 없습니다.
5. Knowledge Base as Code
우리 팀의 에이전트 정의서는 CLAUDE.md라는 마크다운 파일입니다. Git으로 버전 관리됩니다.
# Observer - System Monitoring Sidekick
## Core Purpose
I am Dennis Choi's personal monitoring specialist, designed to
continuously watch 30-minute statistics from Jupyter SQL queries
and instantly detect anomalies that require attention.
## Success Metrics
- Detection Accuracy: >95% of real issues caught
- False Positive Rate: <5% unnecessary alerts
- Response Time: <2 minutes from data to alert
- Dennis Satisfaction: Reduced manual monitoring by >80%
정책도 마찬가지입니다. DB 변경 승인 정책 v1.2는 마크다운으로 작성되고, PDF로 변환되고, Git 커밋으로 변경 이력이 남습니다. 누가 언제 무엇을 바꿨는지 모두 추적됩니다.
왜 "as Code"인가:
AI가 직접 읽고 이해할 수 있음
버전 관리와 롤백이 자연스러움
리뷰와 승인 프로세스(PR)가 내장됨
검색과 분석이 쉬움
지식이 사람 머릿속에만 있으면 그 사람이 떠나면 사라집니다. 문서로 쓰더라도 드라이브 어딘가에 방치되면 죽은 지식입니다. 코드처럼 관리되고, AI가 읽을 수 있는 형태여야 살아있는 지식이 됩니다.
시간을 만들어 내는 것
"시간을 절약한다"는 표현은 수동적입니다. 똑같은 일을 좀 더 빠르게 하는 거니까요.
"시간을 만들어 낸다"는 다릅니다. 반복 업무가 사라지면 그 시간에 더 가치 있는 일을 할 수 있습니다. 새로운 문제를 발견하고, 더 나은 해결책을 고민하고, 다음 자동화를 기획합니다.
CS팀은 리뷰 답변 대신 고객 인사이트 분석을 합니다
Dennis는 대시보드 감시 대신 제품 전략을 고민합니다
정책 담당자는 문서 검색 대신 정책 개선을 설계합니다
이걸 어떻게 측정하고, 조직 전체로 어떻게 확산하는지는 다음 글에서 다루겠습니다.
함께 만들어가기
afinit는 AI와 인간이 협업하는 업무 환경을 만들어가고 있습니다. 단순히 AI 도구를 쓰는 게 아니라, 업무 방식 자체를 AI와 함께 설계하는 것.
이런 방식의 일에 관심이 있다면, 우리와 함께해보는 건 어떨까요?
이 글은 "AI와 함께 일하는 법" 시리즈의 1편입니다. 2편에서는 이런 변화를 측정하고 확산하기 위한 ANTI(AI-Native Transformation Index) 프레임워크를 소개합니다.