이림 님에게 연락이 왔습니다. 많은 사람을 모아 AI에 대해 이야기 나눠 볼 자리를 만들어 보면 어떻겠느냐는 제안이었습니다. 림님은 책 『경험을 선물합니다』 저자 북토크로 인연이 시작된 이미 커피의 대표이자, 작년에 진행된 HFK 공간브랜딩 팀의 파트너기도 합니다. 그동안 공간·브랜딩·비즈니스 인사이트를 나누던 림님은 AI를 접한 뒤 커리어의 새로운 챕터를 열어가고 있습니다. 공간브랜딩 팀 마지막 회차에서는 림님이 AI를 실무에 도입한 사례를 소개하는데만 시간이 부족할 정도였으니까요. 카페 운영뿐 아니라 카페 컨설팅 프로젝트도 원래 많으셨는데, 림님은 그간 축적한 내용을 더 많은 사람에게 공유하고자 소상 공인 대상 AI 워크숍을 꾸준히 열기 시작했습니다. 실무에서 직접 마주한 어려움들을 듣다 보니, 자연스럽게 HFK에서도 사람들을 모아보자는 제안을 하게 된 것이었습니다.
HFK 입장에서도 매우 반가운 제안이었습니다. 24년 봄부터 AI부사수 팀을 운영하며 시즌마다 기술 트렌드가 더욱 빨라지고 있음을 체감했고, 파트너들과 나누었던 여러 인사이트를 한 번 모아 정리하고 싶었습니다. 지난 데이터씽킹 팀의 파트너였던 양석님도 AI 스타트업 딥스킬의 대표가 되어 『뉴로심볼릭 AI』를 출간했고, 최근에는 저자 북토크도 진행했습니다. 그렇게 컨퍼런스에는 AI부사수 팀의 파트너 승연님, 공간브랜딩 팀에서 사례를 꾸준히 공유해주던 림님, 그리고 『뉴로심볼릭 AI』의 저자이자 딥스킬 대표인 양석님을 초대하게 되었습니다.
이 세 명의 연사를 어떻게 묶을진 오래 고민하지 않았습니다. 멤버들과 AI에 대해 이야기를 나누다 보면 결국 닿게 되는 주제가 있었기 때문입니다. 바로 ‘AI에 대체되지 않는 사람’이라는 화두입니다. 실무의 Use case와 이를 바탕으로한 이론을 함께 이해하는 자리를 만들고 싶었습니다. 무엇보다 우리는 대체를 걱정하기 이전에 AI를 능숙하게 활용하는 사람이 먼저 되어야 하는 법이니까요. 컨퍼런스의 첫 세션에서는 AI에 대한 모두의 이해 수준을 어느 정도 비슷하게 맞추고, 두 번째 세션에서는 AI를 어디까지 활용할 수 있는지 실무에 적용해볼 수 있는 가능성을 최대한 높혀보는 시간을 마련했습니다. 마지막 세션에서는 그렇다면 우리는 AI를 어떻게 받아들이고 활용해야 하는가에 대해 짚어보고, AI가 과대평가될 수 있는 지점을 살펴보며 AI 리터러시를 갖추는 데 집중했습니다.
멤버들을 위해 쑥차를 후원해주신 teaf, 공간을 후원해주신 디캠프 감사합니다.
AI로 스몰브랜드가 성장하는 방법
첫 번째 연사 승연님은 스몰 브랜드가 어떻게 AI를 활용해야 실제 성장을 만들 수 있는지 이야기했습니다. 본격적인 발표 전, AI 산업 트렌드도 훑어보았어요.
엔비디아 젠슨 황 CEO의 한국 방문은 2024년 하반기 국내 AI 산업에서 가장 주목받은 사건이었습니다. AI 산업은 5개 레이어로 구성됩니다. 하드웨어/반도체 인프라, 학습 데이터, 파운데이션 모델, 파인튜닝, 애플리케이션 순입니다. 엔비디아는 최하위 인프라 레이어에서 AI의 바탕을 만듭니다. 그러면 오픈AI는 GPT 파운데이션 모델을 만들고 ChatGPT 애플리케이션도 제공하는 구조입니다.
최근 젠슨 황은 Gen AI에서 Agent AI, 그리고 Physical AI로의 발전 방향을 제시했습니다. 게임링, 로봇, 자율주행, AI 슈퍼컴퓨터 분야에 주목하게 될 예정이죠. 한국 대기업 총수들과의 만남도 이러한 전략적 방향성과 일치합니다.
중소 기업의 60%가 AI를 업무에 도입했다는 조사 결과가 있습니다. 이는 많은 소상공인들에게 위기감을 조성합니다. 그러나 중요한 것은 AI가 목적이 되어서는 안 됩니다. AI를 도입하기 위해 AI에만 얽매여 있을 순 없습니다. 최근 네이버는 이러한 문제를 인식하고 AI 광고 상품을 출시하기도 했습니다. 스마트스토어 사업자들이 복잡한 광고 용어(CTR, ROAS, CPC 등) 대신 본연의 사업에 집중할 수 있도록 지원합니다. 쇼핑 캠페인 자동화, 키워드 확장 검색, 소재 생성 등의 기능을 메뉴판 형태로 제공하여 각자의 페인 포인트에 맞는 기능을 선택적으로 활용할 수 있게 했습니다.
1단계: 문제 정의와 업무 분해
AI 프로젝트 실패의 주요 원인은 AI로 실무와 무관한 문제를 해결하려 하거나, 과도하게 복잡한 문제에 AI를 적용하려 시도하는 것 등 입니다. 그 해결책으로 AI부사수 팀에서는 'Work Breakdown' 방식을 활용했습니다. 현재 업무 중 10개 내외의 대표 업무를 엑셀 시트에 적어봅니다.
지난 2년간 AI 부사수 팀에서 운영해 보았을 때 5가지 주요 페인 포인트가 도출되었습니다: ① 반복적으로 작성해야하는 보고서의 자동화가 필요함, ② 시장 트렌드/경쟁사 동향 파악이 번거로움, ③ 마케팅 크리에이티브 제작이 어려움, ④ 고객 커뮤니케이션 리소스가 부족함, ⑤ 데이터 통합 및 분석이 복잡함.
2단계: 해결하기 쉬운 것부터 시작
업무를 난이도(높음/낮음)와 반복성(루틴/비루틴)의 2×2 매트릭스로 분류합니다. 가장 먼저 AI를 적용해볼 수 있는 영역은 반복성이 높고 업무 난이도가 낮은 영역입니다. 반복적이지만 단순한 작업들을 AI로 해결해보며 성공 경험을 쌓은 후 점차 반복성이 낮고 업무 난이도가 높은 영역으로 AI를 확장해 보는 것이 효과적입니다.
3단계: AI 도구 선택
자신의 베이스캠프를 만들어야 합니다. ChatGPT, Copilot, Claude, Gemini 등의 기본 성능은 거의 동일합니다. 새로운 모델이 출시될 때마다 조급하게 경험해보지 말고, 자신에게 익숙하고 편안한 하나의 모델을 정해 지속적으로 활용하는 것이 중요합니다.
✔️ "이걸 AI로 할 수 있을까?"라는 의문이 들 때는 무작정 ChatGPT에 질문하기보다 구글링을 통해 특화된 AI 서비스를 먼저 찾아보는 것도 추천합니다. 예를 들어, 유튜브 요약, 회의록 작성, 앱 기획 등 특정 업무에 특화된 다양한 버티컬 툴들이 존재합니다.
✔️ 해외 툴 사용 시 한국어 프롬프트의 한계가 있으므로, 베이스캠프 모델에서 적절한 프롬프트를 생성한 후 다른 툴에 적용하는 방식도 좋습니다.
✔️ 개인적으로 ChatGPT 유료 버전, Cursor(바이브 코딩), Figma, Make(자동화) 등을 활용하고 있습니다.
AI로 현업의 A to Z를 해내는 사람의 사고 방식과 케이스 스터디
두 번째 발표는 이미커피 대표 이림 님의 세션이었습니다. 15년차 카페 사장이자 비개발자지만, AI로 현업의 문제를 적극적으로 해결하고 있습니다. 림님은 AI 시대의 학습 키워드로 Unknown Unknowns와 Unknown Knowns를 들었습니다. “무엇이 가능한지 아는 것”만으로도 AI로 해볼 수 있는 영역은 천지차이로 달라집니다. 상상하지 못하면 시도조차 하지 못합니다.
- AI 시대의 핵심 개념: Unknown Unknowns vs Unknown Knowns
AI 시대의 가장 큰 특징은 변화 속도가 극도로 빠르다는 점입니다. 한 달만 지나도 새로운 버전이 출시되고, 이전에 불가능했던 일들이 가능해집니다. 같은 나이와 직업군 내에서도 AI 활용 능력의 격차가 극단적으로 벌어지는 이유는 오픈 마인드와 계속되는 변화를 받아들이는지 여부에 달려있습니다. "내가 뭘 모르는지도 모르는 것(Unknown Unknowns)"과 "내가 이런 걸 못한다는 것을 아는 것(Unknown Knowns)"의 차이가 AI 리터러시의 핵심입니다. 과거에는 모른다는 것을 알아도 직접 할 수 없었지만, AI는 대부분의 버티컬적 지식을 채워줄 수 있습니다. 따라서 "저런 게 가능하다"는 가능성을 인지하는 것만으로도 역량 레벨이 달라집니다. 상상할 수 없으면 시도조차 할 수 없습니다.
1. 젠스파크(Zenspark)를 활용한 영상 편집
HFK 커뮤니티 소개 영상(33분)을 젠스파크에 입력하여 1분 요약 클립과 9개 핵심 인사이트 클립으로 자동 제작했습니다. 한글 영상도 정확하게 처리하며, 텍스트 자막까지 자동 생성합니다. 이를 통해 긴 콘텐츠를 마케팅용 숏폼으로 쉽게 만들 수 있습니다.
2. N8N을 활용한 업무 자동화
(1) 유튜브 요약 자동화 시스템
해외 유튜버 채널들의 새 영상이 업로드될 때마다 자동으로 유튜브 자막을 다운받아 제미나이가 한국어로 요약하고, 노션 데이터베이스에 저장한 후 텔레그램으로 알림을 보내는 워크플로우를 구축했습니다.
(2) 급여 관리 자동화
매월 25일 오후 5시에 점장과 팀장들에게 급여 변동사항 요청 이메일을 자동 발송하고, 회신 이메일을 수집하여 정리한 후 노무사에게 자동 전달하는 시스템을 만들었습니다.
(3) 영수증 처리 자동화
직원들이 구매 시 스크린샷을 구글 드라이브에 업로드하면, 10분마다 새 파일을 체크하여 OCR로 텍스트를 추출하고, AI가 재료/포장용/집기/개인용으로 분류한 후 구글 시트에 기록합니다.
(4) 클로드 코드 워크스페이스 활용
업무의 맥락을 유지하기 위해 모든 업무를 하나의 워크스페이스에서 처리합니다. 데일리 리뷰 자동 생성, 유튜브 콘텐츠 정리, 구글 캘린더 일정 추가, 녹음 파일 텍스트 변환 및 정리 등을 클로드 코드를 활용해 통합적으로 관리합니다.
(5) 믹스보드(Mixboard)를 활용한 디자인 목업
롯데 크리스마스 마켓 팝업 준비 시 "젠하고 모던한 카페 인테리어"라는 텍스트 입력만으로 15장의 관련 이미지를 생성하고, 기존 도면과 메뉴판을 조합하여 실제와 같은 목업을 제작했습니다. 디자이너 없이도 공간 배치와 분위기를 미리 확인할 수 있어 소규모 매장 운영에 유용합니다.
떡볶이를 만들 때 떡이 익는 원리부터 먼저 공부하지 않듯이, AI도 원리를 이해하기 보다 먼저 써보는 것이 우선이라고 생각합니다. 유튜브 레시피를 따라하며 일단 요리를 만들어 본 후 맛을 보고 개선해나가는 방식과 동일하게 AI를 학습해보세요.
1. Learning By Doing: 작은 것부터 시작하여 일단 시도해봅니다. 왜 되는지 몰라도 결과가 나오면 성공입니다.
2. Learning By Prompting: 성공한 것을 자신의 업무와 취향에 맞게 수정하고 개선합니다.
3. Learning By Refining: 확장과 고도화를 통해 나만의 시스템을 구축합니다.
원리를 먼저 이해하려 하지 말고 결과물을 먼저 만들어보세요. 지속적인 시도를 통해 실력이 축적됩니다. AI를 쓰며 느끼는 불확실함, 불완전함은 정상적인 과정입니다. 이를 보완하는 방향으로 사용해보세요. AI 시대의 학습은 개념을 먼저 아는 사람이 아니라 무엇이 가능한지 알고 결과물을 먼저 시도하는 사람이 압도적으로 유리합니다. 비개발자도 충분히 AI를 활용하여 업무의 A부터 Z까지 해결할 수 있습니다. 월 30만원 정도의 AI 도구 비용으로 한 사람 몫의 업무를 자동화할 수 있어, 투자 대비 효과가 매우 높습니다.
AI를 과소·과대 평가하지 않기 위한 기준
마지막 세션에서는 딥스킬의 강양석 대표가 의사결정을 하는 인공지능과 AI 리터러시에 대해 발표했습니다. AI에 대한 과도한 기대감이나 실망감을 방지하고, 올바른 AI 활용 방향은 무엇인지 제시했습니다.
딥스킬은 의사결정을 하는 인공지능을 만드는 회사입니다. 의사결정에서 중요한 것은 '의사'가 아닌 '결정'이라고 강조합니다. 의사결정은 기획, 실험, 확신의 복잡한 과정을 거치는 조작적이고 행정적인 과정입니다. 예를 들어 "내가 무엇을 좋아하는지"는 발견하는 것이 아니라 결정하는 것이며, 간단한 생각에도 기획과 검증 과정을 필요로 합니다. 인간의 의사결정은 전략적 의사결정과 운영적 의사결정으로 구분됩니다. 운영적 의사결정은 반복적이고 최적화된 의사결정이며, 전략적 의사결정은 장기간에 걸쳐 있고 대안들 중 하나를 선택하는 것을 기반으로 합니다. 아마존은 회사 내 모든 의사결정에 이러한 레이블을 붙여 구분하고 있죠.
인간은 세 가지 종류의 지식을 얻습니다:
- 정보 지식: 데이터 형태로 존재하는 타인의 문제해결 과정에서 취득한 지식
- 논리 지식: 높은 필연성을 가진 명제들로 구성된 지식 (예: 삼단논법)
- 경험 지식: 직접 체험을 통해 체득한 지식
현재 인공지능은 주로 정보 지식에 특화되어 있으며, 로봇 기술과 결합될 때 경험 지식을 획득할 수 있게 됩니다.
추론은 A를 보고 B를 이해하게 하는 새로운 생각을 하는 과정입니다:
- 연역추론: 상식을 기반으로 한 추론
- 귀납추론: 관찰을 기반으로 한 추론 (현재 AI의 주요 방식)
- 유추: 비슷한 경우를 기반으로 한 추론
- 가추: 직관을 기반으로 한 추론
ChatGPT 등 대부분의 AI는 빅데이터 관찰을 통한 귀납추론에 특화되어 있습니다.
인간의 의사결정은 네 단계를 거칩니다:
1. 인지(Cognition): 상황을 인지하는 단계
2. 생성(Generation): 상황에 대한 설명문을 생성하는 단계
3. 논증(Argumentation): 주장 구조를 만드는 단계
4. 변증(Dialectic): 서로 다른 논증들이 만나 타협하는 단계
현 수준의 AI는 인지와 생성 단계까지만 가능하며, 논증과 변증 단계는 불가능합니다. 그러나 모든 전략적 의사결정은 변증 과정을 거치며, 이것이 회의가 필요한 이유입니다.
ChatGPT와 같은 LLM은 논증에 대한 기본 기법이 없고 변증 능력이 부족합니다. 따라서 아이디어 차원에서는 도움이 되지만, 압도적인 질문이나 적극적인 의사결정 지원은 기대하기 어렵습니다. M&A와 같은 전략적 의사결정은 빅데이터가 부족하고 변수가 많아 귀납적 추론으로는 해결할 수 없습니다. 그래서 리터러시가 중요해집니다. 의사결정 리터러시가 좋아야 데이터 리터러시가 좋고, 데이터 리터러시가 좋아야 인공지능 리터러시가 좋아집니다. 데이터 과학에 대한 기본 소양이 AI 활용에 중요한 이유는 정보 체계에서 좋은 명제를 만들어내는 직접적인 경험을 제공하기 때문입니다.
딥스킬은 세계 3대 Argumentation Technology 연구소와 협업하여 논증 구조를 컴퓨터가 계산할 수 있도록 구현했습니다. 발화 내용을 단어로 분해하여 네트워크를 만들고, 문장 레벨과 논증 레벨에서 온톨로지를 구성하여 변증을 계산합니다. 호주 UNSW 대학에서 배포한 딥스킬 서비스는 학생의 레포트를 논증 구조 관점에서 분석하여 순환논리 구조나 증거 오류 등을 지적하고 개선 방향을 제시했습니다. (DBR Special Report 링크)
2차 베이비부머 세대의 은퇴로 인해 제조업 핵심 인력의 경험 지식을 AI에 학습시키는 것이 주요 과제가 되었기도 합니다. 현재 MIS 체계는 What-if 케이스에 대한 답을 제공할 수 없어, 엔지니어의 경험 지식을 비전 정보와 대화 정보를 통해 형식지로 변환하는 프로젝트도 진행되고 있습니다. 연역적 추론은 중요합니다. 인간의 욕망은 분석 능력보다 항상 크기 때문에 기존 MIS 체계로는 새로운 문제를 해결할 수 없습니다. 따라서 연역적 추론은 필수적이며, 책임 범위가 넓은 의사결정자가 연역적 추론의 대전제를 제공하는 역할을 해야 합니다.
컨퍼런스를 마치며 오늘 컨퍼런스에서 발표를 준비한 세 연사 모두 비개발자란 점에 많은 분들이 놀라셨습니다. 세 연사는 누구보다 AI를 깊이 사용하고, 각자의 방식으로 결과를 만들고 있습니다. 이번 컨퍼런스가 멤버들의 AI에 대한 막연한 기대도, 과도한 두려움도 덜어내고 각자 현장에서 무엇을 시작해야 할지 선명하게 해주는 자리였길 바랍니다.
이림 님에게 연락이 왔습니다. 많은 사람을 모아 AI에 대해 이야기 나눠 볼 자리를 만들어 보면 어떻겠느냐는 제안이었습니다. 림님은 책 『경험을 선물합니다』 저자 북토크로 인연이 시작된 이미 커피의 대표이자, 작년에 진행된 HFK 공간브랜딩 팀의 파트너기도 합니다. 그동안 공간·브랜딩·비즈니스 인사이트를 나누던 림님은 AI를 접한 뒤 커리어의 새로운 챕터를 열어가고 있습니다. 공간브랜딩 팀 마지막 회차에서는 림님이 AI를 실무에 도입한 사례를 소개하는데만 시간이 부족할 정도였으니까요. 카페 운영뿐 아니라 카페 컨설팅 프로젝트도 원래 많으셨는데, 림님은 그간 축적한 내용을 더 많은 사람에게 공유하고자 소상 공인 대상 AI 워크숍을 꾸준히 열기 시작했습니다. 실무에서 직접 마주한 어려움들을 듣다 보니, 자연스럽게 HFK에서도 사람들을 모아보자는 제안을 하게 된 것이었습니다.
HFK 입장에서도 매우 반가운 제안이었습니다. 24년 봄부터 AI부사수 팀을 운영하며 시즌마다 기술 트렌드가 더욱 빨라지고 있음을 체감했고, 파트너들과 나누었던 여러 인사이트를 한 번 모아 정리하고 싶었습니다. 지난 데이터씽킹 팀의 파트너였던 양석님도 AI 스타트업 딥스킬의 대표가 되어 『뉴로심볼릭 AI』를 출간했고, 최근에는 저자 북토크도 진행했습니다. 그렇게 컨퍼런스에는 AI부사수 팀의 파트너 승연님, 공간브랜딩 팀에서 사례를 꾸준히 공유해주던 림님, 그리고 『뉴로심볼릭 AI』의 저자이자 딥스킬 대표인 양석님을 초대하게 되었습니다.
이 세 명의 연사를 어떻게 묶을진 오래 고민하지 않았습니다. 멤버들과 AI에 대해 이야기를 나누다 보면 결국 닿게 되는 주제가 있었기 때문입니다. 바로 ‘AI에 대체되지 않는 사람’이라는 화두입니다. 실무의 Use case와 이를 바탕으로한 이론을 함께 이해하는 자리를 만들고 싶었습니다. 무엇보다 우리는 대체를 걱정하기 이전에 AI를 능숙하게 활용하는 사람이 먼저 되어야 하는 법이니까요. 컨퍼런스의 첫 세션에서는 AI에 대한 모두의 이해 수준을 어느 정도 비슷하게 맞추고, 두 번째 세션에서는 AI를 어디까지 활용할 수 있는지 실무에 적용해볼 수 있는 가능성을 최대한 높혀보는 시간을 마련했습니다. 마지막 세션에서는 그렇다면 우리는 AI를 어떻게 받아들이고 활용해야 하는가에 대해 짚어보고, AI가 과대평가될 수 있는 지점을 살펴보며 AI 리터러시를 갖추는 데 집중했습니다.
멤버들을 위해 쑥차를 후원해주신 teaf, 공간을 후원해주신 디캠프 감사합니다.
AI로 스몰브랜드가 성장하는 방법
첫 번째 연사 승연님은 스몰 브랜드가 어떻게 AI를 활용해야 실제 성장을 만들 수 있는지 이야기했습니다. 본격적인 발표 전, AI 산업 트렌드도 훑어보았어요.
엔비디아 젠슨 황 CEO의 한국 방문은 2024년 하반기 국내 AI 산업에서 가장 주목받은 사건이었습니다. AI 산업은 5개 레이어로 구성됩니다. 하드웨어/반도체 인프라, 학습 데이터, 파운데이션 모델, 파인튜닝, 애플리케이션 순입니다. 엔비디아는 최하위 인프라 레이어에서 AI의 바탕을 만듭니다. 그러면 오픈AI는 GPT 파운데이션 모델을 만들고 ChatGPT 애플리케이션도 제공하는 구조입니다.
최근 젠슨 황은 Gen AI에서 Agent AI, 그리고 Physical AI로의 발전 방향을 제시했습니다. 게임링, 로봇, 자율주행, AI 슈퍼컴퓨터 분야에 주목하게 될 예정이죠. 한국 대기업 총수들과의 만남도 이러한 전략적 방향성과 일치합니다.
중소 기업의 60%가 AI를 업무에 도입했다는 조사 결과가 있습니다. 이는 많은 소상공인들에게 위기감을 조성합니다. 그러나 중요한 것은 AI가 목적이 되어서는 안 됩니다. AI를 도입하기 위해 AI에만 얽매여 있을 순 없습니다. 최근 네이버는 이러한 문제를 인식하고 AI 광고 상품을 출시하기도 했습니다. 스마트스토어 사업자들이 복잡한 광고 용어(CTR, ROAS, CPC 등) 대신 본연의 사업에 집중할 수 있도록 지원합니다. 쇼핑 캠페인 자동화, 키워드 확장 검색, 소재 생성 등의 기능을 메뉴판 형태로 제공하여 각자의 페인 포인트에 맞는 기능을 선택적으로 활용할 수 있게 했습니다.
1단계: 문제 정의와 업무 분해
AI 프로젝트 실패의 주요 원인은 AI로 실무와 무관한 문제를 해결하려 하거나, 과도하게 복잡한 문제에 AI를 적용하려 시도하는 것 등 입니다. 그 해결책으로 AI부사수 팀에서는 'Work Breakdown' 방식을 활용했습니다. 현재 업무 중 10개 내외의 대표 업무를 엑셀 시트에 적어봅니다.
지난 2년간 AI 부사수 팀에서 운영해 보았을 때 5가지 주요 페인 포인트가 도출되었습니다: ① 반복적으로 작성해야하는 보고서의 자동화가 필요함, ② 시장 트렌드/경쟁사 동향 파악이 번거로움, ③ 마케팅 크리에이티브 제작이 어려움, ④ 고객 커뮤니케이션 리소스가 부족함, ⑤ 데이터 통합 및 분석이 복잡함.
2단계: 해결하기 쉬운 것부터 시작
업무를 난이도(높음/낮음)와 반복성(루틴/비루틴)의 2×2 매트릭스로 분류합니다. 가장 먼저 AI를 적용해볼 수 있는 영역은 반복성이 높고 업무 난이도가 낮은 영역입니다. 반복적이지만 단순한 작업들을 AI로 해결해보며 성공 경험을 쌓은 후 점차 반복성이 낮고 업무 난이도가 높은 영역으로 AI를 확장해 보는 것이 효과적입니다.
3단계: AI 도구 선택
자신의 베이스캠프를 만들어야 합니다. ChatGPT, Copilot, Claude, Gemini 등의 기본 성능은 거의 동일합니다. 새로운 모델이 출시될 때마다 조급하게 경험해보지 말고, 자신에게 익숙하고 편안한 하나의 모델을 정해 지속적으로 활용하는 것이 중요합니다.
✔️ "이걸 AI로 할 수 있을까?"라는 의문이 들 때는 무작정 ChatGPT에 질문하기보다 구글링을 통해 특화된 AI 서비스를 먼저 찾아보는 것도 추천합니다. 예를 들어, 유튜브 요약, 회의록 작성, 앱 기획 등 특정 업무에 특화된 다양한 버티컬 툴들이 존재합니다.
✔️ 해외 툴 사용 시 한국어 프롬프트의 한계가 있으므로, 베이스캠프 모델에서 적절한 프롬프트를 생성한 후 다른 툴에 적용하는 방식도 좋습니다.
✔️ 개인적으로 ChatGPT 유료 버전, Cursor(바이브 코딩), Figma, Make(자동화) 등을 활용하고 있습니다.
AI로 현업의 A to Z를 해내는 사람의 사고 방식과 케이스 스터디
두 번째 발표는 이미커피 대표 이림 님의 세션이었습니다. 15년차 카페 사장이자 비개발자지만, AI로 현업의 문제를 적극적으로 해결하고 있습니다. 림님은 AI 시대의 학습 키워드로 Unknown Unknowns와 Unknown Knowns를 들었습니다. “무엇이 가능한지 아는 것”만으로도 AI로 해볼 수 있는 영역은 천지차이로 달라집니다. 상상하지 못하면 시도조차 하지 못합니다.
AI 시대의 가장 큰 특징은 변화 속도가 극도로 빠르다는 점입니다. 한 달만 지나도 새로운 버전이 출시되고, 이전에 불가능했던 일들이 가능해집니다. 같은 나이와 직업군 내에서도 AI 활용 능력의 격차가 극단적으로 벌어지는 이유는 오픈 마인드와 계속되는 변화를 받아들이는지 여부에 달려있습니다. "내가 뭘 모르는지도 모르는 것(Unknown Unknowns)"과 "내가 이런 걸 못한다는 것을 아는 것(Unknown Knowns)"의 차이가 AI 리터러시의 핵심입니다. 과거에는 모른다는 것을 알아도 직접 할 수 없었지만, AI는 대부분의 버티컬적 지식을 채워줄 수 있습니다. 따라서 "저런 게 가능하다"는 가능성을 인지하는 것만으로도 역량 레벨이 달라집니다. 상상할 수 없으면 시도조차 할 수 없습니다.
1. 젠스파크(Zenspark)를 활용한 영상 편집
HFK 커뮤니티 소개 영상(33분)을 젠스파크에 입력하여 1분 요약 클립과 9개 핵심 인사이트 클립으로 자동 제작했습니다. 한글 영상도 정확하게 처리하며, 텍스트 자막까지 자동 생성합니다. 이를 통해 긴 콘텐츠를 마케팅용 숏폼으로 쉽게 만들 수 있습니다.
2. N8N을 활용한 업무 자동화
(1) 유튜브 요약 자동화 시스템
해외 유튜버 채널들의 새 영상이 업로드될 때마다 자동으로 유튜브 자막을 다운받아 제미나이가 한국어로 요약하고, 노션 데이터베이스에 저장한 후 텔레그램으로 알림을 보내는 워크플로우를 구축했습니다.
(2) 급여 관리 자동화
매월 25일 오후 5시에 점장과 팀장들에게 급여 변동사항 요청 이메일을 자동 발송하고, 회신 이메일을 수집하여 정리한 후 노무사에게 자동 전달하는 시스템을 만들었습니다.
(3) 영수증 처리 자동화
직원들이 구매 시 스크린샷을 구글 드라이브에 업로드하면, 10분마다 새 파일을 체크하여 OCR로 텍스트를 추출하고, AI가 재료/포장용/집기/개인용으로 분류한 후 구글 시트에 기록합니다.
(4) 클로드 코드 워크스페이스 활용
업무의 맥락을 유지하기 위해 모든 업무를 하나의 워크스페이스에서 처리합니다. 데일리 리뷰 자동 생성, 유튜브 콘텐츠 정리, 구글 캘린더 일정 추가, 녹음 파일 텍스트 변환 및 정리 등을 클로드 코드를 활용해 통합적으로 관리합니다.
(5) 믹스보드(Mixboard)를 활용한 디자인 목업
롯데 크리스마스 마켓 팝업 준비 시 "젠하고 모던한 카페 인테리어"라는 텍스트 입력만으로 15장의 관련 이미지를 생성하고, 기존 도면과 메뉴판을 조합하여 실제와 같은 목업을 제작했습니다. 디자이너 없이도 공간 배치와 분위기를 미리 확인할 수 있어 소규모 매장 운영에 유용합니다.
떡볶이를 만들 때 떡이 익는 원리부터 먼저 공부하지 않듯이, AI도 원리를 이해하기 보다 먼저 써보는 것이 우선이라고 생각합니다. 유튜브 레시피를 따라하며 일단 요리를 만들어 본 후 맛을 보고 개선해나가는 방식과 동일하게 AI를 학습해보세요.
1. Learning By Doing: 작은 것부터 시작하여 일단 시도해봅니다. 왜 되는지 몰라도 결과가 나오면 성공입니다.
2. Learning By Prompting: 성공한 것을 자신의 업무와 취향에 맞게 수정하고 개선합니다.
3. Learning By Refining: 확장과 고도화를 통해 나만의 시스템을 구축합니다.
원리를 먼저 이해하려 하지 말고 결과물을 먼저 만들어보세요. 지속적인 시도를 통해 실력이 축적됩니다. AI를 쓰며 느끼는 불확실함, 불완전함은 정상적인 과정입니다. 이를 보완하는 방향으로 사용해보세요. AI 시대의 학습은 개념을 먼저 아는 사람이 아니라 무엇이 가능한지 알고 결과물을 먼저 시도하는 사람이 압도적으로 유리합니다. 비개발자도 충분히 AI를 활용하여 업무의 A부터 Z까지 해결할 수 있습니다. 월 30만원 정도의 AI 도구 비용으로 한 사람 몫의 업무를 자동화할 수 있어, 투자 대비 효과가 매우 높습니다.
AI를 과소·과대 평가하지 않기 위한 기준
마지막 세션에서는 딥스킬의 강양석 대표가 의사결정을 하는 인공지능과 AI 리터러시에 대해 발표했습니다. AI에 대한 과도한 기대감이나 실망감을 방지하고, 올바른 AI 활용 방향은 무엇인지 제시했습니다.
딥스킬은 의사결정을 하는 인공지능을 만드는 회사입니다. 의사결정에서 중요한 것은 '의사'가 아닌 '결정'이라고 강조합니다. 의사결정은 기획, 실험, 확신의 복잡한 과정을 거치는 조작적이고 행정적인 과정입니다. 예를 들어 "내가 무엇을 좋아하는지"는 발견하는 것이 아니라 결정하는 것이며, 간단한 생각에도 기획과 검증 과정을 필요로 합니다. 인간의 의사결정은 전략적 의사결정과 운영적 의사결정으로 구분됩니다. 운영적 의사결정은 반복적이고 최적화된 의사결정이며, 전략적 의사결정은 장기간에 걸쳐 있고 대안들 중 하나를 선택하는 것을 기반으로 합니다. 아마존은 회사 내 모든 의사결정에 이러한 레이블을 붙여 구분하고 있죠.
인간은 세 가지 종류의 지식을 얻습니다:
- 정보 지식: 데이터 형태로 존재하는 타인의 문제해결 과정에서 취득한 지식
- 논리 지식: 높은 필연성을 가진 명제들로 구성된 지식 (예: 삼단논법)
- 경험 지식: 직접 체험을 통해 체득한 지식
현재 인공지능은 주로 정보 지식에 특화되어 있으며, 로봇 기술과 결합될 때 경험 지식을 획득할 수 있게 됩니다.
추론은 A를 보고 B를 이해하게 하는 새로운 생각을 하는 과정입니다:
- 연역추론: 상식을 기반으로 한 추론
- 귀납추론: 관찰을 기반으로 한 추론 (현재 AI의 주요 방식)
- 유추: 비슷한 경우를 기반으로 한 추론
- 가추: 직관을 기반으로 한 추론
ChatGPT 등 대부분의 AI는 빅데이터 관찰을 통한 귀납추론에 특화되어 있습니다.
인간의 의사결정은 네 단계를 거칩니다:
1. 인지(Cognition): 상황을 인지하는 단계
2. 생성(Generation): 상황에 대한 설명문을 생성하는 단계
3. 논증(Argumentation): 주장 구조를 만드는 단계
4. 변증(Dialectic): 서로 다른 논증들이 만나 타협하는 단계
현 수준의 AI는 인지와 생성 단계까지만 가능하며, 논증과 변증 단계는 불가능합니다. 그러나 모든 전략적 의사결정은 변증 과정을 거치며, 이것이 회의가 필요한 이유입니다.
ChatGPT와 같은 LLM은 논증에 대한 기본 기법이 없고 변증 능력이 부족합니다. 따라서 아이디어 차원에서는 도움이 되지만, 압도적인 질문이나 적극적인 의사결정 지원은 기대하기 어렵습니다. M&A와 같은 전략적 의사결정은 빅데이터가 부족하고 변수가 많아 귀납적 추론으로는 해결할 수 없습니다. 그래서 리터러시가 중요해집니다. 의사결정 리터러시가 좋아야 데이터 리터러시가 좋고, 데이터 리터러시가 좋아야 인공지능 리터러시가 좋아집니다. 데이터 과학에 대한 기본 소양이 AI 활용에 중요한 이유는 정보 체계에서 좋은 명제를 만들어내는 직접적인 경험을 제공하기 때문입니다.
딥스킬은 세계 3대 Argumentation Technology 연구소와 협업하여 논증 구조를 컴퓨터가 계산할 수 있도록 구현했습니다. 발화 내용을 단어로 분해하여 네트워크를 만들고, 문장 레벨과 논증 레벨에서 온톨로지를 구성하여 변증을 계산합니다. 호주 UNSW 대학에서 배포한 딥스킬 서비스는 학생의 레포트를 논증 구조 관점에서 분석하여 순환논리 구조나 증거 오류 등을 지적하고 개선 방향을 제시했습니다. (DBR Special Report 링크)
2차 베이비부머 세대의 은퇴로 인해 제조업 핵심 인력의 경험 지식을 AI에 학습시키는 것이 주요 과제가 되었기도 합니다. 현재 MIS 체계는 What-if 케이스에 대한 답을 제공할 수 없어, 엔지니어의 경험 지식을 비전 정보와 대화 정보를 통해 형식지로 변환하는 프로젝트도 진행되고 있습니다. 연역적 추론은 중요합니다. 인간의 욕망은 분석 능력보다 항상 크기 때문에 기존 MIS 체계로는 새로운 문제를 해결할 수 없습니다. 따라서 연역적 추론은 필수적이며, 책임 범위가 넓은 의사결정자가 연역적 추론의 대전제를 제공하는 역할을 해야 합니다.
컨퍼런스를 마치며 오늘 컨퍼런스에서 발표를 준비한 세 연사 모두 비개발자란 점에 많은 분들이 놀라셨습니다. 세 연사는 누구보다 AI를 깊이 사용하고, 각자의 방식으로 결과를 만들고 있습니다. 이번 컨퍼런스가 멤버들의 AI에 대한 막연한 기대도, 과도한 두려움도 덜어내고 각자 현장에서 무엇을 시작해야 할지 선명하게 해주는 자리였길 바랍니다.