■ 이 사례가 다른 점
1. AI로 일을 줄이는 데서 끝나지 않고 판단을 바꿨습니다. 어떤 과일을 언제 팔지 감이 아니라 데이터로 정하고, 실제 상품 결정에 썼습니다.
2. 한 번 물어보고 끝나는 게 아니라 매일 실무에서 돌아가는 시스템입니다. ★8월 20일부터 평일 49일 중 43일 실제로 사용했고(159회 실행), 프로그램이 남긴 실행 기록을 첨부 PDF에 그대로 실었습니다. 코딩을 모르는 현업 직원이 개발자 없이 혼자 만들었습니다.
3. AI를 그대로 믿지 않았습니다. AI가 낸 숫자의 오류를 현장 감각으로 찾아 고쳤고, 고객 정보는 지키고, 되돌릴 수 없는 결정은 사람이 합니다.

■ 1. 활용 배경: 매일 아침은 엑셀, 중요한 판단은 감
신선식품을 7개 온라인 쇼핑몰에서 파는 작은 회사입니다.
- 반복 작업: 쇼핑몰마다 엑셀 양식이 달라 매일 파일을 하나하나 내려받고, 합치고, 분류하는 데 2시간이 걸렸습니다.
- 타이밍 판단: 과일은 시즌이 짧아서 수요가 오르기 몇 주 전에 산지와 연락하고 상품을 올려야 팔립니다. 그런데 언제 시작할지는 작년 기억과 감에 의존했습니다. 검색 추이, 도매 시세, 평년 가격을 품목마다 다른 사이트에서 찾아야 해서 110개 품목을 매주 보는 건 불가능했습니다.
개발자는 없었고, 저도 코딩을 모릅니다.

■ 2. 활용 방법: AI에게 말로 설명하고, 결과를 검산
Claude Code(AI 코딩 에이전트)에 원하는 결과를 말로 설명하고, 틀리면 "왜 틀렸어?"라고 물어 고치는 방식으로 만들었습니다.

① 토대 - 엑셀 자동화 (2시간 → 10분)
파일을 이름도 바꾸지 않고 폴더에 넣은 뒤 더블클릭하면, 프로그램이 파일 안을 열어 어느 쇼핑몰의 무슨 자료인지, 며칠치인지 스스로 판별합니다. 그다음 날짜별로 합쳐 보고서와 웹 화면까지 갱신합니다. ★'새 성과 보고서 (22).xlsx', '아무이름.xlsx' 같은 파일도 알아보고, 지금까지 232개 파일을 14종류로 자동 분류했습니다. 같은 파일을 두 번 넣어도 매출이 부풀지 않게 중복을 막습니다. 파일명은 20일인데 내용은 18일치였던 사고, 열 순서가 바뀌어 날짜가 2804년으로 들어간 사고를 겪으며 규칙을 하나씩 늘렸습니다.

② 핵심 - 과일 진입 보드
아낀 시간으로 무엇을 언제 팔지 판단하는 보드를 만들었습니다. 흩어진 공개 데이터 3종을 한 화면에 묶었습니다.
- 네이버 데이터랩: 품목별 주간 검색 수요 3년치, 과일 인기 검색어
- 전국 공영도매시장 경매 API: 낙찰가와 반입량 ★(하루 약 11만 건, 600여 품종)
- KAMIS: 평년 시세와 작년 같은 날 시세

★회사 PC가 매일 오전 10시 30분에 사람 손 없이 이 데이터를 모아 보드를 갱신합니다.
판단 기준은 제가 현장 경험으로 정하고, AI가 110개 품목에 똑같이 적용합니다.
- 지금 팔 상품: 검색 수요가 그 품목 최고치의 50% 이상 (또는 30% 이상이면서 오르는 중)
- 지금 연락할 상품: 수요가 최고치의 40%를 넘는 주를 시즌 시작으로 보고, 그 4주 전을 산지 연락 마감으로 계산
- 다음 준비: 연락 마감이 7~12주 뒤
- 수요 내림세: 최고치를 지나 내려가는 중
품목마다 한 칸에만 들어가서 열면 이번 주에 할 일이 바로 보입니다. 3년 평균 수요로 품목별 성수기를 보여 주는 한 해 달력, 작년 이맘때 인기 검색어로 다가올 몇 달을 미리 보여 주는 시즌 베스트도 있고, 휴대폰으로도 봅니다.

■ 3. 결과
- 매일 엑셀 작업(내려받기, 합치기, 분류, 보고서): 2시간 → 10분 (실행 자체는 3분)
- 실제 사용: ★8/20~10/27 평일 49일 중 43일 사용, 159회 실행, 파일 232개 자동 처리
- 과일 110품목 시즌 판단: 품목마다 사이트 3곳 검색(사실상 감) → 보드 한 번 열면 끝, ★매일 자동 갱신
- 신규 품목 결정: 작년 기억 → 보드를 근거로 10월 감귤·사과(부사) 출시, 11월 후보(유자, 딸기 등) 선정
- 팀 회의에서 "왜 이 과일이냐"는 질문에 감이 아니라 화면을 보여 주며 설명합니다.

■ 4. 나만의 활용 노하우: AI를 믿되, 검산합니다
- AI 숫자의 오류 발견: 올해와 예년 비교값이 거의 모든 품목에서 -60%대로 나왔습니다. 수요가 준 게 아니라 데이터 기준이 달라서 생긴 오류였고, 그 뒤로는 3년 평균으로만 판단하게 바꿨습니다.
- 통합 검색어의 함정 발견: 사과는 검색 1위인데 보드는 다음 준비로 분류했습니다. 통합 검색어가 저장 사과 수요에 끌려간 탓이라, 이제 품종(부사, 감홍 등)별로 따로 봅니다.
- 실수는 규칙으로: 사고가 나면 원인을 문서에 적고, AI가 매번 그 문서를 먼저 읽게 했습니다.
- 추정보다 빈칸: 틀릴 수 있는 추정값은 지우고 실제 데이터만 보여 줍니다.
- 되돌릴 수 없는 일은 사람이: 발주 확정, 광고비, 가격 변경은 AI가 준비만 하고 마지막 버튼은 제가 누릅니다.

★■ 5. 개인정보 보호와 출처
- 웹에 게시하는 보드는 공개된 공공·통계 데이터만 씁니다. 고객 주문 정보는 들어가지 않습니다.
- AI가 먼저 읽는 규칙 문서에 "고객 이름·주소·연락처는 출력하지 않는다, 주문번호는 끝 4자리만 쓴다, 원본 주문 파일은 외부에 올리지 않는다"를 적어 두었습니다.
- 원가·마진·거래처가 든 자료는 대내용으로만 쓰고, 밖에 보여 주는 자료는 따로 만듭니다. 이 제출물에도 매출액·거래처·고객 정보는 넣지 않았습니다.
- 데이터 출처: 네이버 데이터랩 쇼핑인사이트(네이버 오픈 API), 공공데이터포털 전국 공영도매시장 경매 정보, KAMIS 농산물유통정보(한국농수산식품유통공사)
- 사용한 AI: Claude Code(Anthropic). 프로그램 제작과 이 자료 정리에 썼고, 모든 숫자는 실제 실행 기록과 대조해 확인했습니다.

■ 6. 따라 하려면
1. 매일 반복하는 일 하나부터 AI에게 맡겨 시간을 법니다.
2. 아낀 시간으로, 매번 감으로 하던 판단 하나를 고릅니다.
3. 그 판단에 필요한 정보가 어디 있는지 적습니다. 대부분 공개 데이터에 있습니다.
4. AI에게 "이 데이터로, 이 기준이면 이렇게 나눠 줘"라고 말로 설명합니다.
5. 결과가 이상하면 숫자를 의심하고 원인을 묻습니다. 현장 감각이 가장 좋은 검산 도구입니다.

※ 실제 화면, 실행 기록, 사용 통계는 첨부 PDF(6쪽)에 있습니다.