목록으로
업무 생산성 개선을 위한 AI 활용
코칭 대화 50건을 AI와 점검하며, 제가 할 일을 바꿨습니다
AI는 읽고 모으는 일을 맡고, 저는 무엇이 문제인지 판단하고 다음 행동을 결정합니다.
🤖 활용 AI 도구
Aside, Claude, GPT
코칭 대화 50건을 AI와 점검하며, 제가 할 일을 바꿨습니다
앱을 만드는 일 외에도 할 일이 쌓였습니다
저는 배우들이 연기 영상을 올리면 AI 코치와 대화하며 연습할 수 있는 앱을 3명이서 만들고 있습니다. 운영만 맡는 사람은 따로 없습니다.
출시하고 보니 개발 외에도 할 일이 많았습니다. 실제 코칭 대화에 이상한 답이 없는지 읽어야 했고, 광고비가 어디에 쓰이는지 확인해야 했습니다. 팀에서 끝낸 작업을 문서로 남기는 일도 있었습니다. 모두 필요한 일이지만, 하나씩 직접 확인하다 보면 앱을 고칠 시간이 부족했습니다.
그래서 브라우저에서 자료를 읽고 업무를 수행하는 AI 에이전트 Aside를 보조로 쓰기 시작했습니다. 당시 대화 모델은 Claude를 기본으로 사용했습니다. AI에게 운영 화면의 자료를 읽도록 요청하면, 에이전트가 확인한 내용을 정리해 주는 방식입니다.
그중 실제 코칭 대화를 점검한 경험을 소개하려고 합니다.
1. 짧게 요청하고, AI가 읽은 범위부터 확인했습니다
10월 8일, 제가 AI에게 한 첫 요청은 짧았습니다.
제가 한 요청
최근 코칭세션 대화 확인해봐
AI는 운영 화면에서 10월 2일부터 8일까지의 최근 대화 50건을 읽고 보고했습니다. 보고에는 자료의 범위도 적혀 있었습니다. 뒤에 기록이 더 남아 있어 전체 이력이 아니며, 팀원 세션이 제외됐는지는 확인하지 못했다는 내용이었습니다.
AI는 그날 대화를 중심으로 문제를 7가지로 정리했습니다. 다음은 실제 보고에서 사용자 대화 원문을 제외하고 제목만 발췌한 것입니다.
AI가 정리한 문제 중 일부
첫 응답에 질문이 여러 개 들어 있음.
배우의 질문을 무시하고 종료
형식이 어긋남
그림 1. 당시 에이전트와 나눈 대화의 실제 문구를 발췌해 재배치했습니다. 원래 대화 화면의 캡처는 아닙니다.
제가 받게 된 것은 단순한 요약문이 아니었습니다. 어떤 대화에서 무엇이 문제였는지 살펴보고, 고칠 대상을 정할 수 있는 목록이었습니다. 반복해서 읽고 문제를 모으는 일은 AI가 맡고, 저는 그 목록에서 중요한 문제를 골랐습니다.
2. 마음에 걸린 문제를 짚자, 추가 집계가 돌아왔습니다
보고를 읽으며 특히 걸렸던 것은 코치가 영상의 특정 순간을 초 단위 숫자로 가리키는 방식이었습니다. 저는 이렇게 답했습니다.
제가 한 판단
0:??~0:?? - 이렇게 보내주는 건 굉장히 별로야
그러자 AI는 앞서 읽은 대화에서 시간표시가 얼마나 나왔는지 집계했습니다. 실제 응답은 다음과 같았습니다.
AI의 추가 집계
ops 최근 50건(10/2~10/8) 중 37개 세션에 시간 표기가 나왔어요. 코치 응답으로 세면 256개 중 108개예요.
이렇게 역할이 나뉘었습니다. 저는 배우 입장에서 불편하게 느껴지는 표현을 골랐고, AI는 그것이 점검한 대화에서 얼마나 나타나는지 찾아왔습니다. 추상적으로 “말투가 이상하다”고 느끼는 데서 그치지 않고, 수정할 대상을 구체적으로 논의할 수 있었습니다.
그림 2. 당시 실제 발언과 집계 결과를 발췌했습니다. 수치는 해당 50건 표본에 대한 당시 집계입니다.
다만 문제를 발견한 것과 해결한 것은 달랐습니다. 그날 코치 관련 수정이 서비스에 반영됐지만, 다음 날 추가로 확인한 대화 8건에도 시간표시가 남아 있었습니다. 이후에는 AI가 “수정했다”고 보고하면, 실제 서비스의 대화에서도 달라졌는지를 따로 확인해야 한다고 생각하게 됐습니다.
이 사례에서 얻은 변화는 코치의 문제가 모두 해결됐다는 것이 아닙니다. 제가 대화를 하나씩 읽어 문제를 모으는 대신, AI가 찾아온 근거를 보고 수정할 대상을 고른 뒤 결과를 다시 확인하는 방식으로 일하게 됐다는 것입니다.
3. 같은 방식으로 광고와 작업 기록도 정리했습니다
다른 운영 업무에도 역할을 나누는 방식을 적용했습니다.
광고에서는 추가 지출을 판단하는 데 썼습니다. 10월 8일 확인한 네이버 광고그룹은 노출 7,770회에 클릭이 0회였습니다. AI가 키워드별 수치를 모으자 ‘배우’와 ‘대사’ 두 단어에 노출 7,573회가 몰려 있었습니다. 저는 키워드 변경을 결정했습니다. 이것만으로 클릭 부진의 원인이 검증된 것은 아니지만, 어떤 키워드를 재검토할지 정하는 자료가 됐습니다.
10월 13일 확인한 누적 클릭은 69회였고, 네이버 광고 추적 태그로 확인된 가입은 1명이었습니다. 당시 확인할 수 있는 기록을 바탕으로 저는 추가 충전을 하지 않기로 했습니다. AI가 광고 효과를 높였다고 말하기보다는, 돈을 더 쓸지 판단할 자료를 모아 줬다고 설명하는 편이 정확합니다.
작업 기록에서는 작성과 연결을 맡겼습니다. 팀 회고에서 ‘티켓 1개당 문서 1개를 남기고, 티켓에 문서 링크를 단다’는 규칙을 정했습니다. 저는 AI에게 문서 양식을 알려 주고, 10월 7일 당시 진행한 제 티켓 12개의 기록 문서를 작성하고 연결하게 했습니다. 문서에는 결론뿐 아니라 판단의 이유, 버린 대안, 다시 검토할 조건도 남겼습니다.
그림 3. 기록 양식을 보여 주는 다른 실제 문서의 일부입니다. 진행 중 상태이며, 상단과 판단 기록 부분 사이의 생략 위치와 이름을 가린 부분을 표시했습니다.
4. AI에게 맡기는 일이 늘수록, 실행 전 확인은 남겼습니다
자료를 읽고 정리하는 업무와 실제로 외부에 영향을 주는 업무는 구분했습니다.
- AI가 먼저 할 일: 대화 점검, 숫자 수집, 문제 목록과 문서 초안 작성
- 제가 결정할 일: 고칠 문제의 우선순위, 코칭 품질, 광고비를 더 쓸지 여부
- 허락받은 뒤 실행할 일: 외부 메일·메시지 발송, 운영 데이터 수정, 앱 배포와 광고 예산 변경
그림 4. 실제 사용하는 업무 분담 원칙을 공개용으로 정리했습니다.
예를 들어 메일을 보낼 때는 받는 사람과 본문, 첨부를 먼저 확인합니다. 운영 데이터를 바꿀 때는 실행할 내용을 먼저 봅니다. 제가 “계속 진행해”라고 말했어도 그것을 새로운 발송이나 데이터 수정의 허락으로 넓히지 않도록 했습니다.
이 규칙 덕분에 자료 조회와 초안 작성은 AI에게 맡기면서도, 중요한 실행은 제가 확인하는 방식을 유지할 수 있었습니다.
작은 팀이라면 한 가지 반복 업무부터 시작해 보세요
처음부터 모든 업무를 자동화할 필요는 없습니다. 저는 다른 작은 팀에도 다음 순서를 권하고 싶습니다.
1. 반복해서 읽거나 모으는 자료가 있는 업무 하나를 고릅니다.
2. AI에게 자료를 확인하게 하고, 읽은 범위와 확인하지 못한 부분도 함께 받습니다.
3. 결과에서 제가 중요하게 보는 문제를 짚고, 필요하면 추가 집계를 요청합니다.
4. 외부 발송이나 서비스 변경은 내용을 확인한 뒤 실행하게 합니다.
5. 수정이 끝났다는 보고와 실제 결과가 달라졌는지는 따로 확인합니다.
AI를 쓰며 달라진 것은 단지 일을 대신 해 주는 도구가 생겼다는 점이 아닙니다. 제가 어디에 시간을 써야 하는지가 분명해졌습니다. AI는 읽고 모으는 일을 맡고, 저는 무엇이 문제인지 판단하고 다음 행동을 결정합니다.
자료와 AI 활용 안내
- 본문은 제가 운영하는 서비스의 2026년 10월 업무 기록과 당시 AI 에이전트 대화를 바탕으로 작성했습니다. 인용은 필요한 부분만 발췌했습니다.
- 설명 그림 3장은 기록을 재구성한 것이고, 화면 캡처 1장은 개인정보를 가린 실제 기록 문서의 일부입니다. 사용자 코칭 대화 원문, 이름, 연락처와 계정 정보는 공개하지 않았습니다.
- 코칭 수치는 최근 50건 표본에 대한 당시 집계이며 전체 이용자의 통계가 아닙니다. 광고 가입 수치는 추적 태그로 확인된 범위입니다.
- 업무에는 Aside와 Claude 등 AI 도구를 사용했고, 이 글의 구성과 표현을 정리하는 데에도 AI의 도움을 받았습니다. 제출 내용에 대한 책임은 제게 있습니다.
앱을 만드는 일 외에도 할 일이 쌓였습니다
저는 배우들이 연기 영상을 올리면 AI 코치와 대화하며 연습할 수 있는 앱을 3명이서 만들고 있습니다. 운영만 맡는 사람은 따로 없습니다.
출시하고 보니 개발 외에도 할 일이 많았습니다. 실제 코칭 대화에 이상한 답이 없는지 읽어야 했고, 광고비가 어디에 쓰이는지 확인해야 했습니다. 팀에서 끝낸 작업을 문서로 남기는 일도 있었습니다. 모두 필요한 일이지만, 하나씩 직접 확인하다 보면 앱을 고칠 시간이 부족했습니다.
그래서 브라우저에서 자료를 읽고 업무를 수행하는 AI 에이전트 Aside를 보조로 쓰기 시작했습니다. 당시 대화 모델은 Claude를 기본으로 사용했습니다. AI에게 운영 화면의 자료를 읽도록 요청하면, 에이전트가 확인한 내용을 정리해 주는 방식입니다.
그중 실제 코칭 대화를 점검한 경험을 소개하려고 합니다.
1. 짧게 요청하고, AI가 읽은 범위부터 확인했습니다
10월 8일, 제가 AI에게 한 첫 요청은 짧았습니다.
제가 한 요청
최근 코칭세션 대화 확인해봐
AI는 운영 화면에서 10월 2일부터 8일까지의 최근 대화 50건을 읽고 보고했습니다. 보고에는 자료의 범위도 적혀 있었습니다. 뒤에 기록이 더 남아 있어 전체 이력이 아니며, 팀원 세션이 제외됐는지는 확인하지 못했다는 내용이었습니다.
AI는 그날 대화를 중심으로 문제를 7가지로 정리했습니다. 다음은 실제 보고에서 사용자 대화 원문을 제외하고 제목만 발췌한 것입니다.
AI가 정리한 문제 중 일부
첫 응답에 질문이 여러 개 들어 있음.
배우의 질문을 무시하고 종료
형식이 어긋남
그림 1. 당시 에이전트와 나눈 대화의 실제 문구를 발췌해 재배치했습니다. 원래 대화 화면의 캡처는 아닙니다.
제가 받게 된 것은 단순한 요약문이 아니었습니다. 어떤 대화에서 무엇이 문제였는지 살펴보고, 고칠 대상을 정할 수 있는 목록이었습니다. 반복해서 읽고 문제를 모으는 일은 AI가 맡고, 저는 그 목록에서 중요한 문제를 골랐습니다.
2. 마음에 걸린 문제를 짚자, 추가 집계가 돌아왔습니다
보고를 읽으며 특히 걸렸던 것은 코치가 영상의 특정 순간을 초 단위 숫자로 가리키는 방식이었습니다. 저는 이렇게 답했습니다.
제가 한 판단
0:??~0:?? - 이렇게 보내주는 건 굉장히 별로야
그러자 AI는 앞서 읽은 대화에서 시간표시가 얼마나 나왔는지 집계했습니다. 실제 응답은 다음과 같았습니다.
AI의 추가 집계
ops 최근 50건(10/2~10/8) 중 37개 세션에 시간 표기가 나왔어요. 코치 응답으로 세면 256개 중 108개예요.
이렇게 역할이 나뉘었습니다. 저는 배우 입장에서 불편하게 느껴지는 표현을 골랐고, AI는 그것이 점검한 대화에서 얼마나 나타나는지 찾아왔습니다. 추상적으로 “말투가 이상하다”고 느끼는 데서 그치지 않고, 수정할 대상을 구체적으로 논의할 수 있었습니다.
그림 2. 당시 실제 발언과 집계 결과를 발췌했습니다. 수치는 해당 50건 표본에 대한 당시 집계입니다.
다만 문제를 발견한 것과 해결한 것은 달랐습니다. 그날 코치 관련 수정이 서비스에 반영됐지만, 다음 날 추가로 확인한 대화 8건에도 시간표시가 남아 있었습니다. 이후에는 AI가 “수정했다”고 보고하면, 실제 서비스의 대화에서도 달라졌는지를 따로 확인해야 한다고 생각하게 됐습니다.
이 사례에서 얻은 변화는 코치의 문제가 모두 해결됐다는 것이 아닙니다. 제가 대화를 하나씩 읽어 문제를 모으는 대신, AI가 찾아온 근거를 보고 수정할 대상을 고른 뒤 결과를 다시 확인하는 방식으로 일하게 됐다는 것입니다.
3. 같은 방식으로 광고와 작업 기록도 정리했습니다
다른 운영 업무에도 역할을 나누는 방식을 적용했습니다.
광고에서는 추가 지출을 판단하는 데 썼습니다. 10월 8일 확인한 네이버 광고그룹은 노출 7,770회에 클릭이 0회였습니다. AI가 키워드별 수치를 모으자 ‘배우’와 ‘대사’ 두 단어에 노출 7,573회가 몰려 있었습니다. 저는 키워드 변경을 결정했습니다. 이것만으로 클릭 부진의 원인이 검증된 것은 아니지만, 어떤 키워드를 재검토할지 정하는 자료가 됐습니다.
10월 13일 확인한 누적 클릭은 69회였고, 네이버 광고 추적 태그로 확인된 가입은 1명이었습니다. 당시 확인할 수 있는 기록을 바탕으로 저는 추가 충전을 하지 않기로 했습니다. AI가 광고 효과를 높였다고 말하기보다는, 돈을 더 쓸지 판단할 자료를 모아 줬다고 설명하는 편이 정확합니다.
작업 기록에서는 작성과 연결을 맡겼습니다. 팀 회고에서 ‘티켓 1개당 문서 1개를 남기고, 티켓에 문서 링크를 단다’는 규칙을 정했습니다. 저는 AI에게 문서 양식을 알려 주고, 10월 7일 당시 진행한 제 티켓 12개의 기록 문서를 작성하고 연결하게 했습니다. 문서에는 결론뿐 아니라 판단의 이유, 버린 대안, 다시 검토할 조건도 남겼습니다.
그림 3. 기록 양식을 보여 주는 다른 실제 문서의 일부입니다. 진행 중 상태이며, 상단과 판단 기록 부분 사이의 생략 위치와 이름을 가린 부분을 표시했습니다.
4. AI에게 맡기는 일이 늘수록, 실행 전 확인은 남겼습니다
자료를 읽고 정리하는 업무와 실제로 외부에 영향을 주는 업무는 구분했습니다.
- AI가 먼저 할 일: 대화 점검, 숫자 수집, 문제 목록과 문서 초안 작성
- 제가 결정할 일: 고칠 문제의 우선순위, 코칭 품질, 광고비를 더 쓸지 여부
- 허락받은 뒤 실행할 일: 외부 메일·메시지 발송, 운영 데이터 수정, 앱 배포와 광고 예산 변경
그림 4. 실제 사용하는 업무 분담 원칙을 공개용으로 정리했습니다.
예를 들어 메일을 보낼 때는 받는 사람과 본문, 첨부를 먼저 확인합니다. 운영 데이터를 바꿀 때는 실행할 내용을 먼저 봅니다. 제가 “계속 진행해”라고 말했어도 그것을 새로운 발송이나 데이터 수정의 허락으로 넓히지 않도록 했습니다.
이 규칙 덕분에 자료 조회와 초안 작성은 AI에게 맡기면서도, 중요한 실행은 제가 확인하는 방식을 유지할 수 있었습니다.
작은 팀이라면 한 가지 반복 업무부터 시작해 보세요
처음부터 모든 업무를 자동화할 필요는 없습니다. 저는 다른 작은 팀에도 다음 순서를 권하고 싶습니다.
1. 반복해서 읽거나 모으는 자료가 있는 업무 하나를 고릅니다.
2. AI에게 자료를 확인하게 하고, 읽은 범위와 확인하지 못한 부분도 함께 받습니다.
3. 결과에서 제가 중요하게 보는 문제를 짚고, 필요하면 추가 집계를 요청합니다.
4. 외부 발송이나 서비스 변경은 내용을 확인한 뒤 실행하게 합니다.
5. 수정이 끝났다는 보고와 실제 결과가 달라졌는지는 따로 확인합니다.
AI를 쓰며 달라진 것은 단지 일을 대신 해 주는 도구가 생겼다는 점이 아닙니다. 제가 어디에 시간을 써야 하는지가 분명해졌습니다. AI는 읽고 모으는 일을 맡고, 저는 무엇이 문제인지 판단하고 다음 행동을 결정합니다.
자료와 AI 활용 안내
- 본문은 제가 운영하는 서비스의 2026년 10월 업무 기록과 당시 AI 에이전트 대화를 바탕으로 작성했습니다. 인용은 필요한 부분만 발췌했습니다.
- 설명 그림 3장은 기록을 재구성한 것이고, 화면 캡처 1장은 개인정보를 가린 실제 기록 문서의 일부입니다. 사용자 코칭 대화 원문, 이름, 연락처와 계정 정보는 공개하지 않았습니다.
- 코칭 수치는 최근 50건 표본에 대한 당시 집계이며 전체 이용자의 통계가 아닙니다. 광고 가입 수치는 추적 태그로 확인된 범위입니다.
- 업무에는 Aside와 Claude 등 AI 도구를 사용했고, 이 글의 구성과 표현을 정리하는 데에도 AI의 도움을 받았습니다. 제출 내용에 대한 책임은 제게 있습니다.
