목록으로
업무 생산성 개선을 위한 AI 활용
AI가 만든 업무앱을 그대로 믿지 않았습니다 — Excel 공급계획을 Control Tower로 바꾼 AI 검증 루프
복잡한 Excel 기반 공급계획을 생성형 AI로 실제 동작하는 웹앱 프로토타입으로 전환하고, 독립 QA에서 발견한 오류를 다시 AI 요구사항으로 바꿔 수정·재검증한 업무 혁신 사례입니다.
🤖 활용 AI 도구
ChatGPT, Claude, Gemini
## ① 어떤 상황에서 AI를 활용했나요?
저는 제조업에서 생산·공급계획 업무를 담당하고 있습니다.
글로벌 전체 공급망을 종합적으로 아우르며 하나의 공급계획으로 검토하려면 선적계획, 생산계획, 재고, 품질 대기기간, 컨테이너 적재기준, 승인상태 등을 여러 Excel 시트와 이메일에서 동시에 확인해야 합니다.
문제는 Excel 자체가 아니었습니다.
**한 셀을 바꿨을 때 다른 계획에 어떤 영향을 주는지를 사람이 머릿속에서 연결해야 한다는 것**이 더 큰 문제였습니다.
예를 들어 선적수량을 수정하면 재고가 바뀌고, 생산가능량이 부족하면 실제 선적가능량이 달라집니다. 또 확정기간의 계획을 변경하려면 승인절차가 필요합니다.
이 규칙들은 실무자에게는 익숙하지만 Excel 파일 안에는 완전히 표현되어 있지 않았습니다.
그래서 생성형 AI에 단순히
“이 Excel을 예쁘게 만들어 줘.” 라고 요청하지 않았습니다.
대신 실제 업무에서 사용하는
- 수량 단위
- M+12 Rolling 계획
- PSI 계산
- Time Fence
- 생산·품질 조건
- Container 규칙
- 승인 절차
- 기준정보
- 변경이력
을 하나씩 설명하면서,
**“이 업무규칙을 웹앱의 기능과 검증 로직으로 바꿔 줘.”** 라고 요청했습니다.
그 결과 기존 Excel 업무를 기반으로 한 **CMO Supply Chain Control Tower 웹앱 프로토타입**을 만들기 시작했습니다.
---
## ② 어떤 AI를 어떻게 활용했나요?
생성형 AI인 **Gemini를 중심으로 반복적인 대화를 통해 웹앱을 구현**했습니다.
처음부터 완성된 요구사항을 한 번에 입력한 것은 아닙니다.
실제 업무를 하나씩 분해해
**업무 문제 → 업무규칙 → AI 구현 → 테스트 → 오류 발견 → 수정 요구** 순서로 반복했습니다.
최종 프로토타입에는 다음과 같은 기능영역이 구현되었습니다.
- 공급위험과 주요 의사결정 항목을 보여주는 Control Tower
- M+12 ETD 선적계획
- 생산·입고·판매·재고를 연결하는 PSI Simulator
- What-if Scenario 비교
- Container 혼적 검토
- 생산 및 품질대기 관리
- Demand & Inventory
- Exceptions & Approvals
- Master Data
- Excel Data Hub
- Audit & Version
- Settings & Tests
특히 제가 중요하게 생각한 것은 **AI에게 앱을 만들어 달라고 한 뒤 끝내지 않은 것**입니다.
첫 버전을 별도로 검증해 보니 AI가 만든 결과에도 실제 업무에서 위험한 오류가 있었습니다.
예를 들어,
### 첫 번째 문제: 빈칸을 AI가 임의의 값으로 채움
Excel을 다시 업로드할 때 일부 누락값이 임의의 기본수량으로 대체되는 문제가 발견됐습니다.
사람 입장에서는 “값이 없음”과 “0”은 완전히 다른 의미입니다.
그래서 후속 버전에서는
- Blank와 0을 구분
- 누락값 임의 보정 금지
- 전체 행 검증
- 중복행 검출
- 단위혼동 검출
- 국가와 SKU 불일치 검출
- 오류가 포함된 파일은 저장 차단
하도록 수정했습니다.
### 두 번째 문제: 승인 전 계획이 먼저 변경됨
확정구간의 계획 변경은 원래 승인 후 반영되어야 하지만 초기 버전에서는 승인 대기 상태에서도 기준계획이 변경될 수 있었습니다.
그래서
**변경안 → Pending 영역 → 사람 승인 → 확정계획 반영** 구조로 수정했습니다.
이후에는 승인 전에는 기준계획을 변경하지 않고, 동일한 항목에 여러 요청이 들어오면 이전 요청을 구분하도록 만들었습니다.
이처럼 AI에게 단순히 코드를 다시 작성시키는 것이 아니라,
**“왜 틀렸는지 → 어떤 업무규칙을 위반했는지 → 앞으로 어떤 조건에서 막아야 하는지”** 까지 다시 요구사항으로 만들어 수정했습니다.
--
## ③ 활용 결과 어떤 변화가 있었나요?
가장 큰 결과는 웹앱 하나를 만든 것이 아닙니다.
**Excel 안에 숨어 있던 업무규칙을 명시적인 시스템 규칙으로 바꿀 수 있게 된 것**이 가장 큰 변화였습니다.
기존에는 실무자가 알고 있어야 했던
- 어떤 값을 믿어야 하는지
- 어떤 단위로 계산해야 하는지
- 어떤 기간은 수정 가능한지
- 어떤 변경은 승인이 필요한지
- 어떤 값은 아직 확인되지 않은 것인지
를 앱 안에서 구분하기 시작했습니다.
또한 AI가 생성한 첫 결과물을 그대로 사용하지 않고 독립 QA를 실시했습니다.
초기 독립 회귀검증은 총 **82개 테스트**로 진행했고,
- PASS 18건
- FAIL 60건
- 업무규칙 추가 확인 4건
으로 나타났습니다.
이 과정에서 단순 화면 오류가 아니라
- Excel 재업로드 시 계획 훼손
- 승인 전 확정계획 변경
- Scenario 값이 Baseline에 영향을 주는 문제
- 기준정보 변경이 과거 계획에 영향을 주는 문제
- 공급제약이 실제 재고에 반영되지 않는 문제
- 테스트 자체가 잘못된 결과를 PASS로 표시하는 문제
등 실제 의사결정을 왜곡할 수 있는 결함들을 확인했습니다.
이 결과를 다시 AI에게 수정요구사항으로 전달했고,
후속 버전에는
- Dynamic Rolling
- Excel 입출력 검증
- 승인대기 분리
- FROZEN 변경 차단
- Version Snapshot
- Scenario 격리
- MISSING / UNKNOWN 데이터 구분
- 실제 Upload Parser 검증
- 테스트 전후 운영데이터 불변 검증
등의 회귀검증 로직을 추가했습니다.
저에게 AI 활용의 성과는
**“AI가 한 번에 정답을 만들었다”가 아니라
“틀린 결과를 발견하고 다시 개선할 수 있는 반복 루프를 만들었다”** 는 것입니다.
---
## ④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이 사례를 진행하면서 가장 크게 바뀐 생각이 하나 있습니다.
처음에는 AI 활용능력이란
**좋은 프롬프트를 작성해 한 번에 좋은 결과를 얻는 능력** 이라고 생각했습니다.
지금은 다르게 생각합니다.
**AI가 만든 결과를 검증하고, 틀린 결과를 다시 요구사항으로 바꿀 수 있는 능력이 더 중요했습니다.**
그래서 제가 만든 방식에는 다섯 개의 Gate가 있습니다.
### 1. Source Gate
AI가 사용하는 숫자와 업무규칙의 원본이 무엇인지 확인합니다.
### 2. Data Gate
실제 확인된 값과 가상·미확인 데이터를 구분합니다.
확인되지 않은 값은 AI가 자연스럽게 채우지 못하도록 `MISSING` 또는 `UNKNOWN`으로 남깁니다.
### 3. Rule Gate
AI가 임의로 만든 업무규칙은 확정규칙처럼 사용하지 않고 `TO_CONFIRM`으로 구분합니다.
### 4. Test Gate
AI가 만든 테스트 결과 자체도 그대로 믿지 않습니다.
독립 계산과 회귀테스트를 통해 입력과 결과를 다시 확인합니다.
### 5. Decision Gate
AI는 계산·구조화·이상후보 탐지를 수행하지만,
최종 승인과 확정은 사람이 합니다.
제가 이 사례에서 얻은 가장 중요한 원칙은 다음과 같습니다.
**AI가 맞는 답을 만드는 규칙보다, 확신할 수 없을 때 멈추는 규칙을 먼저 만들었습니다.**
---
## ⑤ 다른 사람도 따라 할 수 있나요?
네. 이 사례의 핵심은 특정 SCM 프로그램을 개발하는 것이 아닙니다.
**자신이 매일 사용하는 Excel 안의 업무규칙을 AI가 이해할 수 있는 언어로 바꾸는 것**부터 시작할 수 있습니다.
예를 들면 다음과 같이 요청할 수 있습니다.
내가 사용하는 Excel 업무를 분석해 주세요.
바로 시스템을 만들지 말고 먼저 다음을 구분해 주세요.
> 1. 사용자가 직접 입력하는 값
> 2. 계산되는 값
> 3. 기준정보
> 4. 승인이나 권한이 필요한 변경
> 5. 값이 없을 때 임의 추정하면 안 되는 항목
> 6. 반드시 검증해야 하는 오류조건
> 7. 변경 전후 이력을 남겨야 하는 항목
그 다음 이 업무규칙을 화면·계산엔진·검증규칙으로 나눠 프로토타입을 만들어 주세요.
단, 확인되지 않은 값은 임의 생성하지 말고 `MISSING` 또는 `확인 필요`로 표시해 주세요.
마지막으로 정상 데이터뿐 아니라 잘못된 데이터도 입력하여 오류가 실제로 차단되는지 테스트 케이스를 만들어 주세요.
이 방식은 공급계획뿐 아니라
구매, 재고관리, 영업계획, 프로젝트 관리, 품질관리 등 Excel을 중심으로 일하는 다양한 업무에 적용할 수 있습니다.
현재 제가 만든 결과물은 **브라우저 기반 단일 사용자 프로토타입**입니다.
중앙 DB, SSO, 다중 사용자 권한관리, 서버 기반 감사로그 등 실제 기업 운영시스템에 필요한 기능은 아직 별도의 구현이 필요합니다.
이 한계를 숨기지 않은 이유도 같습니다.
**AI가 만든 결과물을 실제보다 더 완성된 것처럼 표현하는 순간, 책임 있는 AI 활용에서 멀어진다고 생각하기 때문입니다.**
제가 이 사례를 통해 얻은 결론은 하나입니다.
**AI에게 일을 맡기는 것보다 중요한 것은, AI가 틀렸을 때 그것을 알아챌 수 있는 구조를 만드는 것이었습니다.**
Excel을 웹앱으로 바꾼 것이 결과라면,
**AI를 검증하며 함께 일하는 방법을 배운 것이 진짜 변화였습니다.**
저는 제조업에서 생산·공급계획 업무를 담당하고 있습니다.
글로벌 전체 공급망을 종합적으로 아우르며 하나의 공급계획으로 검토하려면 선적계획, 생산계획, 재고, 품질 대기기간, 컨테이너 적재기준, 승인상태 등을 여러 Excel 시트와 이메일에서 동시에 확인해야 합니다.
문제는 Excel 자체가 아니었습니다.
**한 셀을 바꿨을 때 다른 계획에 어떤 영향을 주는지를 사람이 머릿속에서 연결해야 한다는 것**이 더 큰 문제였습니다.
예를 들어 선적수량을 수정하면 재고가 바뀌고, 생산가능량이 부족하면 실제 선적가능량이 달라집니다. 또 확정기간의 계획을 변경하려면 승인절차가 필요합니다.
이 규칙들은 실무자에게는 익숙하지만 Excel 파일 안에는 완전히 표현되어 있지 않았습니다.
그래서 생성형 AI에 단순히
“이 Excel을 예쁘게 만들어 줘.” 라고 요청하지 않았습니다.
대신 실제 업무에서 사용하는
- 수량 단위
- M+12 Rolling 계획
- PSI 계산
- Time Fence
- 생산·품질 조건
- Container 규칙
- 승인 절차
- 기준정보
- 변경이력
을 하나씩 설명하면서,
**“이 업무규칙을 웹앱의 기능과 검증 로직으로 바꿔 줘.”** 라고 요청했습니다.
그 결과 기존 Excel 업무를 기반으로 한 **CMO Supply Chain Control Tower 웹앱 프로토타입**을 만들기 시작했습니다.
---
## ② 어떤 AI를 어떻게 활용했나요?
생성형 AI인 **Gemini를 중심으로 반복적인 대화를 통해 웹앱을 구현**했습니다.
처음부터 완성된 요구사항을 한 번에 입력한 것은 아닙니다.
실제 업무를 하나씩 분해해
**업무 문제 → 업무규칙 → AI 구현 → 테스트 → 오류 발견 → 수정 요구** 순서로 반복했습니다.
최종 프로토타입에는 다음과 같은 기능영역이 구현되었습니다.
- 공급위험과 주요 의사결정 항목을 보여주는 Control Tower
- M+12 ETD 선적계획
- 생산·입고·판매·재고를 연결하는 PSI Simulator
- What-if Scenario 비교
- Container 혼적 검토
- 생산 및 품질대기 관리
- Demand & Inventory
- Exceptions & Approvals
- Master Data
- Excel Data Hub
- Audit & Version
- Settings & Tests
특히 제가 중요하게 생각한 것은 **AI에게 앱을 만들어 달라고 한 뒤 끝내지 않은 것**입니다.
첫 버전을 별도로 검증해 보니 AI가 만든 결과에도 실제 업무에서 위험한 오류가 있었습니다.
예를 들어,
### 첫 번째 문제: 빈칸을 AI가 임의의 값으로 채움
Excel을 다시 업로드할 때 일부 누락값이 임의의 기본수량으로 대체되는 문제가 발견됐습니다.
사람 입장에서는 “값이 없음”과 “0”은 완전히 다른 의미입니다.
그래서 후속 버전에서는
- Blank와 0을 구분
- 누락값 임의 보정 금지
- 전체 행 검증
- 중복행 검출
- 단위혼동 검출
- 국가와 SKU 불일치 검출
- 오류가 포함된 파일은 저장 차단
하도록 수정했습니다.
### 두 번째 문제: 승인 전 계획이 먼저 변경됨
확정구간의 계획 변경은 원래 승인 후 반영되어야 하지만 초기 버전에서는 승인 대기 상태에서도 기준계획이 변경될 수 있었습니다.
그래서
**변경안 → Pending 영역 → 사람 승인 → 확정계획 반영** 구조로 수정했습니다.
이후에는 승인 전에는 기준계획을 변경하지 않고, 동일한 항목에 여러 요청이 들어오면 이전 요청을 구분하도록 만들었습니다.
이처럼 AI에게 단순히 코드를 다시 작성시키는 것이 아니라,
**“왜 틀렸는지 → 어떤 업무규칙을 위반했는지 → 앞으로 어떤 조건에서 막아야 하는지”** 까지 다시 요구사항으로 만들어 수정했습니다.
--
## ③ 활용 결과 어떤 변화가 있었나요?
가장 큰 결과는 웹앱 하나를 만든 것이 아닙니다.
**Excel 안에 숨어 있던 업무규칙을 명시적인 시스템 규칙으로 바꿀 수 있게 된 것**이 가장 큰 변화였습니다.
기존에는 실무자가 알고 있어야 했던
- 어떤 값을 믿어야 하는지
- 어떤 단위로 계산해야 하는지
- 어떤 기간은 수정 가능한지
- 어떤 변경은 승인이 필요한지
- 어떤 값은 아직 확인되지 않은 것인지
를 앱 안에서 구분하기 시작했습니다.
또한 AI가 생성한 첫 결과물을 그대로 사용하지 않고 독립 QA를 실시했습니다.
초기 독립 회귀검증은 총 **82개 테스트**로 진행했고,
- PASS 18건
- FAIL 60건
- 업무규칙 추가 확인 4건
으로 나타났습니다.
이 과정에서 단순 화면 오류가 아니라
- Excel 재업로드 시 계획 훼손
- 승인 전 확정계획 변경
- Scenario 값이 Baseline에 영향을 주는 문제
- 기준정보 변경이 과거 계획에 영향을 주는 문제
- 공급제약이 실제 재고에 반영되지 않는 문제
- 테스트 자체가 잘못된 결과를 PASS로 표시하는 문제
등 실제 의사결정을 왜곡할 수 있는 결함들을 확인했습니다.
이 결과를 다시 AI에게 수정요구사항으로 전달했고,
후속 버전에는
- Dynamic Rolling
- Excel 입출력 검증
- 승인대기 분리
- FROZEN 변경 차단
- Version Snapshot
- Scenario 격리
- MISSING / UNKNOWN 데이터 구분
- 실제 Upload Parser 검증
- 테스트 전후 운영데이터 불변 검증
등의 회귀검증 로직을 추가했습니다.
저에게 AI 활용의 성과는
**“AI가 한 번에 정답을 만들었다”가 아니라
“틀린 결과를 발견하고 다시 개선할 수 있는 반복 루프를 만들었다”** 는 것입니다.
---
## ④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이 사례를 진행하면서 가장 크게 바뀐 생각이 하나 있습니다.
처음에는 AI 활용능력이란
**좋은 프롬프트를 작성해 한 번에 좋은 결과를 얻는 능력** 이라고 생각했습니다.
지금은 다르게 생각합니다.
**AI가 만든 결과를 검증하고, 틀린 결과를 다시 요구사항으로 바꿀 수 있는 능력이 더 중요했습니다.**
그래서 제가 만든 방식에는 다섯 개의 Gate가 있습니다.
### 1. Source Gate
AI가 사용하는 숫자와 업무규칙의 원본이 무엇인지 확인합니다.
### 2. Data Gate
실제 확인된 값과 가상·미확인 데이터를 구분합니다.
확인되지 않은 값은 AI가 자연스럽게 채우지 못하도록 `MISSING` 또는 `UNKNOWN`으로 남깁니다.
### 3. Rule Gate
AI가 임의로 만든 업무규칙은 확정규칙처럼 사용하지 않고 `TO_CONFIRM`으로 구분합니다.
### 4. Test Gate
AI가 만든 테스트 결과 자체도 그대로 믿지 않습니다.
독립 계산과 회귀테스트를 통해 입력과 결과를 다시 확인합니다.
### 5. Decision Gate
AI는 계산·구조화·이상후보 탐지를 수행하지만,
최종 승인과 확정은 사람이 합니다.
제가 이 사례에서 얻은 가장 중요한 원칙은 다음과 같습니다.
**AI가 맞는 답을 만드는 규칙보다, 확신할 수 없을 때 멈추는 규칙을 먼저 만들었습니다.**
---
## ⑤ 다른 사람도 따라 할 수 있나요?
네. 이 사례의 핵심은 특정 SCM 프로그램을 개발하는 것이 아닙니다.
**자신이 매일 사용하는 Excel 안의 업무규칙을 AI가 이해할 수 있는 언어로 바꾸는 것**부터 시작할 수 있습니다.
예를 들면 다음과 같이 요청할 수 있습니다.
내가 사용하는 Excel 업무를 분석해 주세요.
바로 시스템을 만들지 말고 먼저 다음을 구분해 주세요.
> 1. 사용자가 직접 입력하는 값
> 2. 계산되는 값
> 3. 기준정보
> 4. 승인이나 권한이 필요한 변경
> 5. 값이 없을 때 임의 추정하면 안 되는 항목
> 6. 반드시 검증해야 하는 오류조건
> 7. 변경 전후 이력을 남겨야 하는 항목
그 다음 이 업무규칙을 화면·계산엔진·검증규칙으로 나눠 프로토타입을 만들어 주세요.
단, 확인되지 않은 값은 임의 생성하지 말고 `MISSING` 또는 `확인 필요`로 표시해 주세요.
마지막으로 정상 데이터뿐 아니라 잘못된 데이터도 입력하여 오류가 실제로 차단되는지 테스트 케이스를 만들어 주세요.
이 방식은 공급계획뿐 아니라
구매, 재고관리, 영업계획, 프로젝트 관리, 품질관리 등 Excel을 중심으로 일하는 다양한 업무에 적용할 수 있습니다.
현재 제가 만든 결과물은 **브라우저 기반 단일 사용자 프로토타입**입니다.
중앙 DB, SSO, 다중 사용자 권한관리, 서버 기반 감사로그 등 실제 기업 운영시스템에 필요한 기능은 아직 별도의 구현이 필요합니다.
이 한계를 숨기지 않은 이유도 같습니다.
**AI가 만든 결과물을 실제보다 더 완성된 것처럼 표현하는 순간, 책임 있는 AI 활용에서 멀어진다고 생각하기 때문입니다.**
제가 이 사례를 통해 얻은 결론은 하나입니다.
**AI에게 일을 맡기는 것보다 중요한 것은, AI가 틀렸을 때 그것을 알아챌 수 있는 구조를 만드는 것이었습니다.**
Excel을 웹앱으로 바꾼 것이 결과라면,
**AI를 검증하며 함께 일하는 방법을 배운 것이 진짜 변화였습니다.**
