기업을 분석할 때 가장 부담스러웠던 일 중 하나는 수많은 공시 가운데 실제로 기업 실적에 영향을 줄 만한 정보를 골라내고, 그 의미를 일관된 기준으로 정리하는 것이었습니다.

처음에는 생성형 AI 하나에게 “공시를 분석해줘”, “중요한 공시를 찾아줘”, “프로토타입도 만들어줘”처럼 여러 일을 한꺼번에 요청했습니다. 하지만 데이터 분석, 금융적 판단, 프롬프트 설계, 개발, 문서 작성은 요구하는 관점이 서로 달랐고, 한 대화에서 모든 작업을 이어가면 맥락이 길어지면서 결과의 일관성과 검증 가능성이 떨어졌습니다.

그래서 저는 AI를 한 명의 만능 직원처럼 쓰는 대신, 역할이 다른 5명의 업무팀처럼 나누어 사용해보기로 했습니다.

OpenAI Codex에서 각각 다음과 같은 역할을 만들었습니다.

1. 데이터 프로파일러
OpenDART에서 수집한 공시 데이터를 유형·시장·날짜·기업·제목 패턴별로 분석하고, 어떤 공시가 실제 분석 가치가 높은지 파악하도록 했습니다.

2. 공시 신호 분류 담당
모든 공시를 AI에게 그대로 읽히는 대신, 규칙 기반 사전 필터를 설계해 재무적으로 의미 있을 가능성이 높은 공시만 다음 단계로 넘기도록 했습니다.

3. 프롬프트 설계 담당
선별된 공시를 분석할 때 매출·비용·현금흐름 등 어떤 재무지표에 영향을 줄 수 있는지, 판단 근거와 확신 수준까지 구조화하도록 프롬프트를 개선했습니다. 근거가 부족하면 억지로 결론을 만들지 않도록 환각 방지 조건도 포함했습니다.

4. 프로토타입 개발 담당
분석 결과를 실제로 확인할 수 있도록 Next.js 기반의 대시보드와 공시 영향 그래프를 구현하고, 작업 후에는 빌드까지 실행해 정상 동작 여부를 확인하도록 했습니다.

5. 제안서 검수 담당
마지막으로 실제 데이터와 구현된 기능을 기준으로 설명 문서를 다시 검토하고, 아직 구현되지 않은 기능을 구현된 것처럼 표현하지 않도록 수정했습니다.

실제 작업에서는 최근 30일 상장법인 공시 가운데 지정 유형 7,844건을 하나의 공통 데이터 스냅샷으로 구축했고, 이 데이터를 분석해 고신호 공시 후보와 재무 영향 분석 결과를 만드는 프로토타입까지 연결했습니다. 저장소에는 데이터 분석뿐 아니라 이를 시각화하는 대시보드와 지식그래프 구현 과정도 남아 있습니다.

제가 이 과정에서 가장 크게 느낀 점은 좋은 AI 활용은 더 긴 프롬프트를 쓰는 것이 아니라, 일을 적절한 단위로 나누는 것이라는 점이었습니다.

예전에는 한 AI에게
“데이터도 분석하고, 중요한 내용을 고르고, 코딩하고, 보고서도 작성해줘”
라고 했다면,

지금은

데이터 확인 → 후보 선별 → 분석 기준 설계 → 구현 → 독립 검수

순서로 업무를 분리합니다.

각 AI에게는 필요한 자료와 명확한 산출물만 전달하고, 이전 단계의 결과가 다음 단계의 입력이 되도록 구성했습니다. 실제 작업 흐름도 각 에이전트가 하나의 좁은 산출물만 담당하도록 설계했습니다.

이 방식의 장점은 단순히 시간을 줄이는 데 그치지 않았습니다. 한 AI가 처음부터 끝까지 만든 결과보다 어느 단계에서 문제가 발생했는지 확인하기 쉬웠고, 데이터 분석 결과와 코드, 문서가 서로 다른 주장을 하는 문제도 줄일 수 있었습니다.

특히 개발 담당 AI에게는 결과만 요구하지 않고 실제 빌드와 검증까지 수행하도록 하는 방식을 사용했습니다. AI가 “완료했다”고 말하는 것과 실제 프로그램이 동작하는 것은 다르기 때문에, 최종 산출물이 검증 단계를 통과해야 다음 작업으로 넘어가도록 한 것입니다.

이 방법은 금융 공시 분석에만 사용할 필요도 없습니다.

예를 들어 보고서를 작성한다면
자료 조사 AI → 데이터 검증 AI → 초안 작성 AI → 사실 검수 AI,
서비스를 만든다면
기획 AI → 개발 AI → 테스트 AI → 사용자 관점 검수 AI처럼 역할을 나눌 수 있습니다.

저에게 AI는 이제 하나의 질문에 답해주는 도구라기보다, 큰 일을 작은 업무로 분해하고 각 업무를 서로 다른 역할에 맡길 수 있는 개인용 업무팀에 가까워졌습니다.