1. 어떤 상황에서 AI를 썼나

중소기업은 규모가 작다고 해서 해야 할 일까지 적은 것은 아닙니다. 저는 식품 제조업체에서 생산 현장 지원부터 온라인 판매, 포장, 영업, 각종 관리업무까지 여러 역할을 병행하고 있습니다. 하지만 업무가 늘어난다고 사람을 쉽게 추가할 수는 없습니다. 한정된 인력으로 다양한 일을 처리해야 하는 것이 현실입니다.
온라인 판매처마다 주문서 양식과 품목의 세부정보가 달랐습니다. 엑셀 파일을 각각 내려받아 내부 제품 기준으로 수량을 다시 계산하고 그것을 정리하고, 택배 접수 파일을 만든 뒤 각 사이트에 송장정보를 개별 등록해야 했습니다. 시중의 SaaS나 업무관리 프로그램은 표준화된 기능을 제공하지만, 우리 회사의 세밀한 업무 방식까지 맞추기는 어려웠고 추가 개발에는 비용이 발생했습니다.
그러다 보니 배송 파손 추적, 고객 리뷰 분석, 판매 통계처럼 소비자 만족도를 높이기 위한 업무는 자주 뒤로 밀렸습니다. 원재료 비중이 높은 제조업 특성상 시장가격과 공급 상황을 분석해 구매 시점을 판단해야 했지만, 자료를 모으는 것조차 쉽지 않았습니다.
반복 작업을 줄이는 것뿐 아니라, 시간이 부족해 놓치던 업무까지 수행할 수 있는 방법이 필요했습니다. 업무에 흐름에 따라서 흐름에 따라 필요한 일들을 전부 처리하고 싶었습니다.

2. 어떤 AI를 어떻게 썼나

저는 컴퓨터 관련 전공이나 프로그래밍 교육을 받은 적이 없고, 코드 한 줄도 직접 작성하지 못합니다. 대신 Claude와 ChatGPT 같은 생성형 AI에게 실제 업무 절차와 예외 상황, 필요한 기능을 자연어로 설명했습니다. AI가 코드를 작성하면 직접 실행해 보고, 오류와 개선사항을 다시 설명하는 방식으로 개발했습니다. 이렇게 만든 프로그램을 약 5개월간 실제 업무에 사용하며 확장해 왔습니다.
개발뿐 아니라 운영 과정에도 AI를 적용했습니다.
고객 리뷰 관리: Claude Haiku가 리뷰를 칭찬·걱정·불편 등으로 먼저 분류합니다. 단순한 칭찬에는 미리 정한 문구를 사용하고, 세심한 대응이 필요한 리뷰는 Claude Opus가 맞춤형 답글 초안을 작성합니다. 승인된 답글은 다음 답변의 참고 견본으로 활용하며, 월말에는 고객 대응과 보상 필요성도 분석합니다.
원재료 시세 분석: 도매시장 경락가격과 반입량, 기상·생육 등 공공데이터를 수집합니다. 나이브·계절 모형과 LightGBM 머신러닝 모델로 향후 1~20거래일의 가격 흐름을 예측하고, Claude가 시세·공급·생육 지표를 종합해 판단과 근거를 제시합니다.
반면 주문 통합, 송장 처리, 배송 파손 판정처럼 기준이 명확한 작업은 AI 대신 규칙 기반으로 자동화했습니다.
반복은 규칙에게, 해석은 AI에게, 결정은 사람에게. 이것이 시스템의 기본 원칙입니다.

3. 그래서 무엇이 달라졌나

이전에는 판매처별 주문 다운로드, 수량 정리, 택배 접수, 송장 등록, 배송 사고 확인을 각각 처리했습니다. 다른 현장 업무까지 병행하면 업무가 꼬이고 실수를 하거나 업무를 미뤄야 했습니다.
지금은 시중의 커머스 솔루션처럼, 주문 수집을 시작하면 판매처마다 다른 상품과 옵션을 내부 표준 품목으로 변환하고, 출고 수량표와 택배 접수 파일을 생성합니다. 송장 정보도 각 판매처에 자동으로 전달됩니다. 주요 관리 업무를 이제 혼자 30분 이내에 처리합니다. 온라인 커머스로 출고되는 월 4,000여건의 처리의 업무는 매일 30분이면 충분해졌습니다.

그러나 가장 큰 변화는 단순한 시간 단축이 아닙니다. 과거에는 시간이 부족해 미뤘던 업무들이 이제는 일상적인 관리 영역으로 들어왔습니다. 배송 이력을 조회해 사고와 지연을 선별하고, 고객에게 필요한 후속 조치를 더 빠르게 제공할 수 있습니다. 매일 수백건의 택배를 몇분안에 추적하여 파손이나 오배송을 관리할 수 있게 되었습니다. 원재료 시세와 공급 상황은 하루 네 차례 갱신되는 분석 결과를 통해 확인합니다.

반나절을 30분으로 줄인 것보다 중요한 것은, 혼자서는 감당하기 어려웠던 업무까지 지속적으로 수행하게 됐다는 점입니다. 절약한 시간만큼 관리의 범위와 깊이가 달라졌습니다.


4. 나만의 방식, 바꾼 점

처음부터 대규모 시스템을 만들려고 한 것은 아닙니다. 매일 경험하는 불편을 하나씩 해결하면서 기능을 연결했습니다. 상용 소프트웨어에 업무를 맞추기보다, 우리 회사의 업무 방식에 맞는 소프트웨어를 만드는 접근이었습니다.
대표적인 사례는 상품 표준화입니다. 판매처마다 다른 상품명과 묶음 수량을 내부 기준으로 변환해 생산·포장 현장에서 바로 활용할 수 있는 하나의 출고표로 만들었습니다. 이를 통해 주문이 들어온 판매처와 관계없이 동일한 기준으로 작업할 수 있게 했습니다.
AI 코딩 과정에서도 일관성을 유지하기 위해 별도의 개발 규칙서를 마련했습니다. 보안, 데이터 처리, 기능 분리, 배포 등의 원칙을 문서화하고 AI가 이를 참고하도록 했습니다. 데이터 수집과 업무 처리는 서버 PC를 중심으로 관리하며, 개인정보가 포함된 운영 기록과 분석용 통계도 분리했습니다.
안전장치도 중요하게 생각했습니다. AI가 생성한 답글은 부적절한 보상·환불 약속을 검사하고, 시세 분석의 숫자는 실제 근거자료와 대조합니다. 송장 전송은 처리 이력을 남기고, 오류로 전송 여부가 불명확하면 무조건 재시도하지 않습니다.
AI의 판단을 참고하되, 고객 대응과 중요한 업무의 최종 결정권은 사람에게 남겨두었습니다.

5. 다른 사람도 따라 할 수 있나

저는 개발을 시작하기 전까지 제가 업무용 프로그램을 직접 만들 수 있다고 생각하지 못했습니다. 코딩 지식은 없었지만, 매일 수행하는 업무의 순서와 불편한 점, 예외 상황은 누구보다 잘 알고 있었습니다. AI는 그 경험을 실제 소프트웨어로 구현할 수 있게 해준 도구였습니다.
개발 과정이 처음부터 순조로웠던 것은 아닙니다. 작은 기능을 만들고, 실제 업무에 사용하고, 오류와 개선사항을 다시 AI에 설명하는 과정을 반복했습니다. 기능이 늘어나면서 공통 규칙과 데이터 관리 원칙을 문서화했고, 자동화할 일과 사람이 판단할 일도 구분했습니다.
중소기업에는 기업마다 서로 다른 작업 방식과 세밀한 요구사항이 존재합니다. 모든 기업이 동일한 상용 프로그램을 사용하거나 별도의 개발 인력을 갖출 필요는 없습니다. 필요한 것은 자신이 해결하고 싶은 문제를 정확하게 이해하는 일입니다.
물론 AI가 만든 결과물도 확인하고 검증해야 합니다. 특히 개인정보나 고객에게 영향을 주는 기능에는 별도의 안전장치가 필요합니다.
현장의 경험과 아이디어에 AI의 개발 능력을 결합한다면, 전문 개발자가 아니더라도 자신에게 필요한 업무 도구를 직접 만들 수 있습니다. 저는 이를 실제 사업장에서 경험했고, 지금도 사용하며 개선하고 있습니다.