AI 도입 문제 해결 시나리오 - 문제 해결 패턴

문제를 정의하고, 도구를 탐색하는 법을 이야기했습니다. 이제 실제로 그 과정이 어떻게 작동하는지 보여드리겠습니다.

이론은 충분하다. 이제 현장이다.

앞선 두 편에서 우리는 두 가지를 짚었습니다.

첫째, AI에게 답을 구하기 전에 질문을 만들어야 한다는 것. 둘째, 도구는 소프트웨어에 한정되지 않으며, 빠르게 탐색하고 가볍게 검증해야 한다는 것.

그런데 현장에서는 여전히 이런 반응이 돌아옵니다.

"그래서 구체적으로 어떻게 하라는 건가요?"

맞습니다. 프레임워크는 실전에서 작동할 때만 의미가 있습니다. 그래서 이번 편에서는 세 가지 현실적인 시나리오를 통해, 문제 정의 → 도구 탐색 → AI/AX 적용까지의 전 과정을 처음부터 끝까지 따라가 보겠습니다.

시나리오 1: "견적서 만드는 데 하루가 걸립니다"

흔한 접근

영업팀이 고통을 호소합니다. 견적서 작성에 너무 오래 걸린다고요. 보통 여기서 바로 "견적 자동화 솔루션"을 검색하기 시작합니다.

문제 정의부터 다시

"누가, 어떤 상황에서, 무엇 때문에, 어떤 결과를 겪고 있는가?"

영업 담당자가 고객 요청을 받은 뒤, 제품 사양 · 단가 · 할인율 · 납기 정보를 ERP, 스프레드시트, 과거 메일에서 각각 수집하고, 이를 수동으로 견적서 양식에 옮겨야 해서, 견적 발송까지 평균 6시간이 걸리며, 긴급 요청의 40%는 당일 대응에 실패한다.

이제 문제가 선명합니다. "견적서 작성이 느리다"가 아니라, 정보가 흩어져 있고 수동 취합이 병목이라는 것.

도구 탐색: 네 가지 질문

① 제거할 수 있는가? 견적서 자체를 없앨 수는 없습니다. 하지만 견적서에 들어가는 항목 중 고객이 실제로 보는 정보와 내부 관행으로 넣는 정보를 분리하면, 양식을 절반으로 줄일 수 있을지 모릅니다.

② 판단이 핵심인가, 반복 실행이 핵심인가? 할인율 결정은 판단입니다. 하지만 제품 사양 · 단가 · 납기 정보를 모으는 건 순수한 반복 작업입니다. 문제의 80%는 반복 실행 쪽에 있습니다.

③ 지금 당장 쓸 수 있는 건? ERP에 API가 있다면, 스프레드시트와 연동하는 건 개발 없이도 가능할 수 있습니다. 또한 과거 견적서 데이터가 축적되어 있다면, 유사 건을 검색하는 것만으로도 시간이 줄어듭니다.

④ 검증 비용은? 가장 빠른 실험은 이것입니다 — 최근 견적 50건의 패턴을 분석해서, 생성형 AI에게 "고객 요청 메일을 넣으면 견적서 초안을 만들어주는" 프롬프트를 테스트하는 것. 하루면 됩니다.

AI/AX 적용

1일 차: 생성형 AI(Claude, GPT 등)에 과거 견적서 양식과 제품 카탈로그를 학습시켜, 고객 요청 메일을 입력하면 견적서 초안을 생성하는 워크플로우를 만듭니다. 담당자는 초안을 검토하고 할인율만 판단합니다.

1주 차: ERP 데이터를 자동으로 조회하는 연동을 붙입니다. 제품 코드를 입력하면 최신 단가와 납기가 자동으로 채워집니다.

1개월 차: 축적된 데이터로 "이 고객에게는 이 할인율이 수주 확률을 높인다"는 패턴을 분석합니다. 판단 영역까지 AI가 보조하기 시작합니다.

결과: 견적서 작성 시간 6시간 → 40분. 사람이 바뀐 건 아닙니다. 프로세스가 바뀌고, 그 위에 AI가 올라간 겁니다.

시나리오 2: "신입 온보딩에 한 달이 걸립니다"

흔한 접근

HR팀이 AI 챗봇을 만들자고 합니다. 신입 사원이 물어보는 질문에 자동으로 답해주는 봇이요. 그럴듯합니다.

문제 정의부터 다시

신입 사원이 입사 후 첫 한 달 동안, 업무 시스템 사용법 · 사내 규정 · 팀별 프로세스를 파악하기 위해 평균 12명의 동료에게 개별 질문을 해야 하고, 이 과정에서 기존 팀원의 업무 시간이 신입 1인당 월 40시간 소모되며, 신입 본인도 실질적 업무 시작까지 평균 4주가 걸린다.

문제의 핵심이 보입니다. 정보가 사람 머릿속에만 있고, 체계적으로 정리되어 있지 않다는 것.

도구 탐색

① 제거할 수 있는가? 온보딩 자체를 없앨 수는 없지만, "12명에게 개별 질문"이라는 패턴은 제거할 수 있습니다. 질문이 반복된다면, 답이 한 곳에 있으면 됩니다.

② 판단 vs 반복? 신입이 묻는 질문의 대부분은 사실 확인입니다. "휴가 신청은 어디서 하나요?" "코드 리뷰 프로세스가 어떻게 되나요?" 이건 판단이 아니라 정보 검색입니다.

③ 지금 당장 쓸 수 있는 건? 가장 빠른 도구는 AI가 아닙니다. 퇴사 예정자 또는 최근 입사자에게 "입사 첫 달에 가장 많이 물어본 것" 20가지를 적어달라고 하는 것입니다. 이 리스트가 모든 후속 도구의 기반이 됩니다.

④ 검증 비용은? 그 20가지 질문과 답변을 문서 하나에 정리하는 데 이틀. 이것만으로 효과가 있는지 다음 신입에게 검증하는 데 한 달.

AI/AX 적용

즉시: 빈번 질문 리스트를 만들고, 팀별 프로세스를 하나의 문서로 통합합니다. 이건 AI가 아니라 사람의 작업이고, 프로세스 도구입니다.

2주 차: 통합된 문서를 기반으로 사내 AI 어시스턴트를 구축합니다. 노션, 컨플루언스, 사내 위키 등 기존 문서 위에 RAG(검색 증강 생성) 기반 챗봇을 올립니다. 신입이 자연어로 질문하면 관련 문서에서 답을 찾아줍니다.

1개월 차: 챗봇이 답하지 못한 질문 로그를 수집합니다. 이 로그가 "아직 문서화되지 않은 암묵지" 목록이 됩니다. 이걸 다시 문서화하면, 조직 전체의 지식 체계가 정비됩니다.

결과: 온보딩 기간 4주 → 2주. 기존 팀원의 소모 시간 40시간 → 10시간. 그런데 진짜 성과는 따로 있습니다. 이 과정에서 만들어진 지식 베이스는 신입뿐 아니라 기존 직원에게도 유용해집니다. 온보딩 문제를 풀었는데, 조직 전체의 정보 접근성이 올라간 겁니다.

시나리오 3: "마케팅 성과를 모르겠습니다"

흔한 접근

마케팅팀이 AI 분석 대시보드를 도입하자고 합니다. 데이터를 한눈에 보여주는 멋진 화면이요. 벤더 미팅을 잡습니다.

문제 정의부터 다시

마케팅팀이 월 5개 이상의 채널(검색 광고, SNS, 이메일, 콘텐츠, 오프라인)에서 캠페인을 운영하는데, 각 채널의 성과 데이터가 서로 다른 플랫폼에 분산되어 있고, 이를 통합 리포트로 만드는 데 매월 3일이 소요되며, 리포트가 완성되는 시점에는 이미 의사결정 타이밍을 놓겨서 다음 캠페인에 인사이트가 반영되지 않는다.

핵심은 "분석이 부족하다"가 아닙니다. 데이터 통합이 느려서 인사이트의 유통기한이 지난다는 것입니다.

도구 탐색

① 제거할 수 있는가? 5개 채널이 모두 필요한가? 성과가 미미한 채널을 정리하면, 통합해야 할 데이터 자체가 줄어듭니다. 채널 수를 3개로 줄이는 것만으로 리포트 작성 시간이 40% 감소할 수 있습니다.

② 판단 vs 반복? 데이터를 각 플랫폼에서 내려받고, 양식을 맞추고, 합치는 건 순수 반복입니다. 하지만 "이번 달 검색 광고 전환율이 떨어진 이유"를 해석하는 건 판단입니다. 반복을 자동화하면, 사람은 판단에 집중할 수 있습니다.

③ 지금 당장 쓸 수 있는 건? Google Ads, Meta, GA4 등 대부분의 광고 플랫폼은 이미 API를 제공합니다. 루커 스튜디오나 스프레드시트 연동만으로도 수동 다운로드를 없앨 수 있습니다. 이건 AI가 아닌 기존 도구의 제대로 된 활용입니다.

④ 검증 비용은? 스프레드시트에 API를 연결하는 데 하루. 기존 수동 리포트와 비교하는 데 일주일.

AI/AX 적용

1일 차: 각 광고 플랫폼 데이터를 하나의 스프레드시트 또는 데이터 웨어하우스로 자동 수집합니다. 이건 AI가 아니라 데이터 엔지니어링입니다. 하지만 이 단계 없이 AI를 올리면, 쓰레기 데이터 위에 AI가 앉는 꼴이 됩니다.

1주 차: 통합된 데이터 위에 생성형 AI를 연결합니다. "이번 주 검색 광고 성과를 요약해줘", "전환율이 가장 높은 크리에이티브 3개를 알려줘" 같은 자연어 질의가 가능해집니다. 리포트를 '만드는' 시간이 사라지고, 리포트를 '읽는' 시간만 남습니다.

1개월 차: AI가 이상 징후를 자동으로 감지합니다. "어제 CPC가 평소 대비 35% 상승했습니다. 원인 후보: ①경쟁사 입찰 증가 ②키워드 품질 점수 하락." 사람이 물어보기 전에 AI가 먼저 알려주는 단계입니다.

결과: 리포트 작성 3일 → 실시간 자동 생성. 의사결정 속도 월 1회 → 주 1회 이상. 마케팅팀의 역할이 "데이터 정리하는 사람"에서 "인사이트로 판단하는 사람"으로 바뀝니다.

세 시나리오가 보여주는 공통 패턴

되돌아보면, 세 가지 사례 모두 같은 구조를 따릅니다.

1단계 — 문제를 구체적으로 정의한다. "느리다", "모르겠다", "어렵다"를 넘어서, 누가-상황-원인-결과로 분해합니다.

2단계 — AI 이전의 도구를 먼저 찾는다. 프로세스 정리, 불필요한 단계 제거, 기존 시스템 활용 — 이것만으로 문제의 상당 부분이 줄어듭니다.

3단계 — 줄어든 문제 위에 AI를 올린다. AI는 정리된 데이터와 명확한 프로세스 위에서 가장 잘 작동합니다. 혼란 위에 AI를 얹으면, 더 빠르게 혼란을 만들 뿐입니다.

4단계 — 작게 시작하고, 결과로 다음을 결정한다. 하루짜리 실험 → 일주일짜리 파일럿 → 한 달짜리 검증. 이 리듬을 지키면, 실패해도 비용이 작고, 성공하면 확신을 갖고 확장할 수 있습니다.

AI 전환은 기술 프로젝트가 아니다

이 세 편의 글을 관통하는 메시지는 하나입니다.

AI 전환(AX)은 기술 도입이 아니라 문제 해결 방식의 전환입니다.

문제를 정의하는 힘, 도구를 열린 시각으로 탐색하는 습관, 그리고 작은 실험으로 빠르게 검증하는 실행력 — 이 세 가지가 갖춰진 조직은 어떤 기술이 등장하더라도 적응합니다. AI는 그 위에 올라가는 가속기일 뿐입니다.

기술은 계속 바뀝니다. 하지만 좋은 문제를 정의하고, 적절한 도구를 찾고, 빠르게 실행하는 능력 — 이건 어떤 시대에도 유효합니다.