① 어떤 상황에서 AI를 활용했나요?

대전중앙청과 도매시장 총무이사로 일하면서, 83개 도매법인이 매일 쏟아내는 거래 정산 데이터 8년치를 마주했습니다. 기상·시세·출하량이 동시에 움직이는 농업 시장에서 단일 숫자만 보면 의미를 잃기 쉽고, 농가·소상인·소비자·정책 담당자 모두가 같은 그림을 빠르게 이해할 도구가 필요했습니다. 혼자 풀기엔 데이터 양이 너무 컸고, 외부 데이터 회사에 맡기면 본업과 거리가 멀어진다는 한계가 있었습니다.

② 어떤 AI를 어떻게 활용했나요?

- Claude (Opus 4.7 / Sonnet 4.6, Anthropic) — 데이터 파이프라인 설계, 대시보드 코드 작성, 8섹션 시각화 구현의 주력 도구
- ChatGPT, Google Gemini, OpenAI Codex CLI — 같은 분석을 세 AI가 독립적으로 수행한 후 합의된 결과만 채택하고, 의견이 갈리면 따로 표시하는 "교차검증" 구조
- Anthropic API + 자체 MCP 서버 — 한국어 도매시장·기상·시세 데이터 전용 API 4종을 직접 구축해 AI가 정확한 한국 데이터를 인용하도록 함
- Claude Code — 매일 자동 수집·분석·Slack 리포트 발송까지 운영 자동화
세 AI를 묶어 합집합(Union)을 취하면 단일 AI보다 더 많은 오류·이상치를 잡고, 셋이 모두 같은 답을 내면 신뢰도가 올라가는 구조입니다.

③ 활용 결과 어떤 변화가 있었나요?

- 매일 3분이 걸리던 정산 모니터링이 0초로 바뀌었습니다. 자동 수집·이상치 감지·Slack 리포트가 새벽에 끝납니다.
- 8섹션 대시보드(가격 추이·이상치·계절성·기상-가격 상관·예측·물량·거래처·품목별)를 농가·소상인·연구자 누구나 접근가능합니다.
- 가장 의미 있는 변화는 "AI 한 개가 답한 분석을 도메인 전문가가 뒤집어서 더 좋은 방향을 찾은 사례"였습니다. AI가 외부 데이터(KAMIS) 활용을 추천했지만, 도매시장 현장 경험으로 보면 그 데이터가 실제 거래와 맞지 않는다는 것을 알아 채고 철회했습니다. AI는 데이터를 빠르게 다루지만, 현장의 미묘한 맥락은 사람만 잡습니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?

핵심은 "교차검증 + 도메인 전문가의 번복권" 두 가지입니다.

1. 교차검증 — Claude·Gemini·Codex 세 AI가 같은 질문에 각각 답하고, 합치면 채택 / 갈리면 표시. 환각(hallucination)을 한 AI가 만들어도 나머지가 잡습니다. 이 방법론은 학술 논문으로 정리해 국제 저널 TACL에 투고했고(2026-04 투고 완료), 코
2. 번복권 — 세 AI가 모두 같이 틀릴 수 있는 영역(현장 맥락·정책 흐름·신뢰 관계)은 도메인 전문가가 번복합니다. AI 결과를 그대로 받지 않고 "현장과 맞는가?"를 한 번 더 묻는 절차를 시스템에 명시적으로 넣었습니다.
이 두 가지를 묶어 "본업 곁에 두고 쓰는 AI"가 될 수 있다고 생각합니다. 본업과 멀어진 분석은 화려하지만 오래 못 가고, 본업에 닿은 도구는 매일 손이 갑니다.

⑤ 다른 사람도 따라 할 수 있나요?

네. 누구나 시작할 수 있는 단계로 풀면:

1. 같은 질문을 두 개 이상의 AI에 던져 보세요 — Claude·ChatGPT·Gemini는 무료 또는 저비용 플랜에서 모두 가능합니다.
2. 답이 다르면 "어떻게 검증하느냐"가 진짜 답입니다. 다른 답을 비교하는 그 순간이 학습의 시작입니다.
3. 본인 분야의 전문가에게 한 번 더 확인받으세요 — 이게 가장 중요합니다. AI는 빠르지만 현장은 사람이 압니다.
4. 본업·일상에 끼워 넣으세요 — 가계부, 학습 노트, 가게 운영, 동호회 데이터 무엇이든. 멀리 가지 않아도 데이터를 다룰 수 있습니다
도매시장 데이터 8년치도 한 사람이 본업 곁에서 풀었습니다. 화려한 인프라가 아니라 "매일 조금씩, 검증하면서 쌓는 구조"가 핵심입니다.