목록으로
업무 생산성 개선을 위한 AI 활용
업무 기준을 코드로 바꾸다: AI 기반 인사행정 자동화(바이브코딩)
인사담당자가 업무 기준과 예외사항을 생성형 AI와 함께 Python 코드로 구현해 반복적인 인사행정 업무를 자동화한 사례
🤖 활용 AI 도구
ChatGPT
① 어떤 상황에서 AI를 활용했나요?
공공기관 인사담당자로 근무하면서 매월 기관 인력통계, 사업체노동력조사, 총인건비 평균단가 산출, 휴직·복직 등 인사발령 관리와 같이 반복적이지만 담당자의 판단이 많이 필요한 업무를 수행하고 있습니다.
예를 들어 기관통계는 단순히 재직자 수를 세는 업무가 아닙니다. 매월 말일을 기준으로 퇴직일, 휴직 여부, 파견 여부, 직군·직급, 정원 변경 이력 등을 함께 확인해야 하고, 직군별·연령별·성별 현황 등 여러 통계항목도 반복해서 작성해야 합니다.
업무를 할 때마다 같은 기준을 사람이 다시 확인하고 계산하는 대신, 담당자가 알고 있는 업무기준 자체를 프로그램으로 만들 수 없을까라는 생각에서 생성형 AI를 활용하기 시작했습니다.
② 어떤 AI를 어떻게 활용했나요?
저는 개발자가 아닌 인사행정 실무자입니다. Python 코드를 처음부터 직접 작성하기보다, 제가 가장 잘 알고 있는 업무의 판단기준과 예외사항을 생성형 AI에게 자연어로 설명했습니다.
예를 들어 기관통계에서는
매월 말일을 기준으로 현원을 산정하고
말일 퇴직자는 해당 월 현원에 포함하며
기준일 현재 휴직자는 제외하고
타 기관에서 우리 기관으로 파견 온 인력은 제외하는 식으로 실제 업무기준을 하나씩 정리했습니다.
AI가 작성한 Python 코드를 실제 업무자료에 적용한 뒤 기존 수기 결과와 비교하고, 결과가 다르면 원인을 찾아 누락된 기준이나 예외사항을 다시 설명해 코드를 수정했습니다.
이 과정을 반복하면서
업무기준 정의 → AI에게 설명 → 코드 생성·수정 → 실제 데이터 검증 → 오류·예외 확인 → 기준 보완
이라는 방식으로 프로그램을 고도화했습니다.
AI가 인사업무의 기준을 결정한 것이 아니라, 담당자가 정한 기준을 AI와 함께 코드로 구현한 것이 핵심입니다.
③ 활용 결과 어떤 변화가 있었나요?
먼저 매월 반복되던 기관통계 업무를 자동화했습니다. 인사 원자료를 기준에 따라 자동 분류·집계하고, 기관에서 관리하는 통계 제출자료와 같은 항목과 구조로 결과를 구성하여 화면을 보고 바로 입력하거나 엑셀로 내려받아 활용할 수 있도록 만들었습니다. 또한 성별·연령별 합계와 현원이 일치하는지도 자동으로 대조하여 결과 검증을 지원하도록 했습니다.
이후 같은 방식을 다른 인사업무에도 확장했습니다.
사업체노동력조사: 종사자·입직·이직 기준을 자동 적용하고 근거명단까지 생성하여 업무시간을 약 83.3% 단축
총인건비 평균단가: 급여항목, 승진, 파견, 시보 등 예외기준을 반영하여 기존 4시간 이상 걸리던 작업을 약 10분으로 단축(약 95.8%)
인사발령 관리: 휴직만료·복직·계약만료 등의 일정을 사전에 알리고 채용 진행상태와 연계하여 사후 확인형 업무를 선제적 관리형으로 전환
단순히 계산시간만 줄어든 것이 아니라, 매번 담당자의 기억에 의존하던 업무기준을 동일한 규칙으로 반복 적용할 수 있게 된 것이 가장 큰 변화였습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
제 방식의 차별점은 단순히 “AI에게 프로그램을 만들어 달라”고 요청한 것이 아니라, 현업 담당자만 알고 있던 세부 판단기준과 예외처리를 먼저 구조화한 뒤 이를 코드로 옮겼다는 점입니다.
예를 들어 사업체노동력조사에서는 무급 육아·돌봄휴직은 제외하지만 질병휴직은 포함하고, 총인건비에서는 건강검진·선택적복지비 제외, 승진월 구간 분리, 파견·시보 예외처리 등을 각각 반영했습니다. 인사발령 관리에서도 조기복직, 복직원 확인, 미채용·재공고, 예비후보자 등 실제 업무에서 발생하는 예외를 계속 추가했습니다.
즉, 자동화한 것은 숫자 자체가 아니라 담당자가 반복해서 적용하던 판단기준과 예외처리였습니다. 또한 결과를 무조건 신뢰하지 않고 기존 수기 결과와 대조하고 담당자가 최종 확인하는 방식으로 운영했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
가능합니다. 다만 제가 만든 프로그램을 그대로 복제하는 것이 핵심은 아닙니다. 기관마다 업무기준과 사용하는 자료가 다르기 때문입니다.
대신
① 반복업무에서 사람이 판단하는 기준을 정리하고 → ② AI에게 자연어로 설명하고 → ③ 코드로 구현한 뒤 → ④ 실제 결과와 비교·검증하고 → ⑤ 예외사항을 다시 반영하는 방식은 다른 업무에도 적용할 수 있습니다.
코딩 경험이 많지 않은 현업 담당자라도 자신이 가장 잘 아는 업무의 기준을 명확히 설명하고 결과를 검증할 수 있다면, 생성형 AI를 활용해 자신에게 필요한 업무도구를 직접 만들 수 있습니다.
프로그램을 복제하는 것이 아니라, ‘현업지식을 시스템화하는 방법’을 확산할 수 있다는 것이 이 사례의 핵심입니다.
공공기관 인사담당자로 근무하면서 매월 기관 인력통계, 사업체노동력조사, 총인건비 평균단가 산출, 휴직·복직 등 인사발령 관리와 같이 반복적이지만 담당자의 판단이 많이 필요한 업무를 수행하고 있습니다.
예를 들어 기관통계는 단순히 재직자 수를 세는 업무가 아닙니다. 매월 말일을 기준으로 퇴직일, 휴직 여부, 파견 여부, 직군·직급, 정원 변경 이력 등을 함께 확인해야 하고, 직군별·연령별·성별 현황 등 여러 통계항목도 반복해서 작성해야 합니다.
업무를 할 때마다 같은 기준을 사람이 다시 확인하고 계산하는 대신, 담당자가 알고 있는 업무기준 자체를 프로그램으로 만들 수 없을까라는 생각에서 생성형 AI를 활용하기 시작했습니다.
② 어떤 AI를 어떻게 활용했나요?
저는 개발자가 아닌 인사행정 실무자입니다. Python 코드를 처음부터 직접 작성하기보다, 제가 가장 잘 알고 있는 업무의 판단기준과 예외사항을 생성형 AI에게 자연어로 설명했습니다.
예를 들어 기관통계에서는
매월 말일을 기준으로 현원을 산정하고
말일 퇴직자는 해당 월 현원에 포함하며
기준일 현재 휴직자는 제외하고
타 기관에서 우리 기관으로 파견 온 인력은 제외하는 식으로 실제 업무기준을 하나씩 정리했습니다.
AI가 작성한 Python 코드를 실제 업무자료에 적용한 뒤 기존 수기 결과와 비교하고, 결과가 다르면 원인을 찾아 누락된 기준이나 예외사항을 다시 설명해 코드를 수정했습니다.
이 과정을 반복하면서
업무기준 정의 → AI에게 설명 → 코드 생성·수정 → 실제 데이터 검증 → 오류·예외 확인 → 기준 보완
이라는 방식으로 프로그램을 고도화했습니다.
AI가 인사업무의 기준을 결정한 것이 아니라, 담당자가 정한 기준을 AI와 함께 코드로 구현한 것이 핵심입니다.
③ 활용 결과 어떤 변화가 있었나요?
먼저 매월 반복되던 기관통계 업무를 자동화했습니다. 인사 원자료를 기준에 따라 자동 분류·집계하고, 기관에서 관리하는 통계 제출자료와 같은 항목과 구조로 결과를 구성하여 화면을 보고 바로 입력하거나 엑셀로 내려받아 활용할 수 있도록 만들었습니다. 또한 성별·연령별 합계와 현원이 일치하는지도 자동으로 대조하여 결과 검증을 지원하도록 했습니다.
이후 같은 방식을 다른 인사업무에도 확장했습니다.
사업체노동력조사: 종사자·입직·이직 기준을 자동 적용하고 근거명단까지 생성하여 업무시간을 약 83.3% 단축
총인건비 평균단가: 급여항목, 승진, 파견, 시보 등 예외기준을 반영하여 기존 4시간 이상 걸리던 작업을 약 10분으로 단축(약 95.8%)
인사발령 관리: 휴직만료·복직·계약만료 등의 일정을 사전에 알리고 채용 진행상태와 연계하여 사후 확인형 업무를 선제적 관리형으로 전환
단순히 계산시간만 줄어든 것이 아니라, 매번 담당자의 기억에 의존하던 업무기준을 동일한 규칙으로 반복 적용할 수 있게 된 것이 가장 큰 변화였습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
제 방식의 차별점은 단순히 “AI에게 프로그램을 만들어 달라”고 요청한 것이 아니라, 현업 담당자만 알고 있던 세부 판단기준과 예외처리를 먼저 구조화한 뒤 이를 코드로 옮겼다는 점입니다.
예를 들어 사업체노동력조사에서는 무급 육아·돌봄휴직은 제외하지만 질병휴직은 포함하고, 총인건비에서는 건강검진·선택적복지비 제외, 승진월 구간 분리, 파견·시보 예외처리 등을 각각 반영했습니다. 인사발령 관리에서도 조기복직, 복직원 확인, 미채용·재공고, 예비후보자 등 실제 업무에서 발생하는 예외를 계속 추가했습니다.
즉, 자동화한 것은 숫자 자체가 아니라 담당자가 반복해서 적용하던 판단기준과 예외처리였습니다. 또한 결과를 무조건 신뢰하지 않고 기존 수기 결과와 대조하고 담당자가 최종 확인하는 방식으로 운영했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
가능합니다. 다만 제가 만든 프로그램을 그대로 복제하는 것이 핵심은 아닙니다. 기관마다 업무기준과 사용하는 자료가 다르기 때문입니다.
대신
① 반복업무에서 사람이 판단하는 기준을 정리하고 → ② AI에게 자연어로 설명하고 → ③ 코드로 구현한 뒤 → ④ 실제 결과와 비교·검증하고 → ⑤ 예외사항을 다시 반영하는 방식은 다른 업무에도 적용할 수 있습니다.
코딩 경험이 많지 않은 현업 담당자라도 자신이 가장 잘 아는 업무의 기준을 명확히 설명하고 결과를 검증할 수 있다면, 생성형 AI를 활용해 자신에게 필요한 업무도구를 직접 만들 수 있습니다.
프로그램을 복제하는 것이 아니라, ‘현업지식을 시스템화하는 방법’을 확산할 수 있다는 것이 이 사례의 핵심입니다.
