목록으로
업무 생산성 개선을 위한 AI 활용
이 문서로 충분해요? ( 인수인계 문서 잘 좀 써주세요.. )
인수인계 과정에서 누락되거나 추가해야하는 사항이 없는지 사전에 확인하는 Agent
🤖 활용 AI 도구
ChatGPT
이 문서로 충분해요? ( 인수인계 문서 잘 좀 써주세요 )
① 어떤 상황에서 AI를 활용했나요?
업무 인수인계에서 가장 어려운 문제는 단순히 문서가 없다는 것이 아니었습니다. 문서는 존재하지만 작성자에게 너무 익숙한 정보가 자연스럽게 빠지는 경우가 많았습니다. 예를 들어 “매일 오전 매출 자료를 다운받아서 팀에 공유한다. 월말에는 정산 자료도 추가로 만든다. 파일에 문제가 있거나 화면 오류가 나면 담당자에게 문의한다.”라는 문장은 얼핏 보면 인수인계가 된 것처럼 보입니다.
하지만 이 문서만 받은 새로운 담당자가 실제 업무를 시작하려고 하면 바로 여러 질문이 생깁니다. 어느 시스템에서 자료를 다운로드해야 하는지, 어떤 메뉴로 들어가야 하는지, 어떤 권한이 필요한지, 권한이 없으면 누구에게 신청해야 하는지, 오전 중 정확히 몇 시까지 완료해야 하는지, 다운로드한 자료가 정상인지 무엇과 비교해야 하는지, 화면 오류가 발생하면 먼저 재시도해야 하는지, 담당자는 누구이며 어떻게 연락해야 하는지 등이 문서에 없기 때문입니다.
기존에는 이런 문제를 인수자가 실제 업무를 시작한 이후에야 발견하는 경우가 많았습니다. 결국 문서가 있어도 새로운 담당자는 메신저나 전화로 다시 질문해야 했고, 기존 담당자가 이미 이동하거나 퇴사했다면 중요한 업무 지식이 그대로 사라질 수도 있었습니다. 특히 정기 업무, 운영 업무, 시스템 관리 업무처럼 장애 대응이나 예외 상황이 중요한 업무에서는 이러한 누락이 단순한 불편을 넘어 업무 중단 위험으로 이어질 수 있습니다.
그래서 AI를 이용해 문서를 더 잘 작성하거나 더 짧게 요약하는 것이 아니라, “이 문서만 받고 새로운 담당자가 내일부터 혼자 일할 수 있는가?”라는 관점에서 기존 인수인계 문서를 검사해 보기로 했습니다.
② 어떤 AI를 어떻게 활용했나요?
ChatGPT를 활용했습니다. 하지만 일반적인 문서 요약 방식은 사용하지 않았습니다. 보통 문서에 생성형 AI를 적용하면 긴 문서를 입력하고 핵심 내용을 요약하거나 문장을 매끄럽게 정리하는 방식을 먼저 생각하게 됩니다. 이런 방식은 이미 문서에 적혀 있는 내용을 정리하는 데는 효과적이지만, 인수인계에서 더 중요한 문제는 문서에 아예 적혀 있지 않은 정보였습니다.
그래서 AI에게 “이 문서를 요약해줘”라고 요청하는 대신, 새로운 담당자의 입장에서 이 문서만으로 업무를 독립적으로 수행할 수 있는지 검토하도록 역할을 부여했습니다. 이를 위해 인수인계 문서를 업무 목적, 실행 절차, 시스템 및 도구, 계정 및 권한, 담당자 및 연락처, 수행 주기 및 마감시간, 입력 데이터, 출력 결과, 예외 처리, 장애 대응, 검증 방법, 후속 업무의 12개 영역으로 나누었습니다.
AI는 각 영역을 CLEAR, PARTIAL, MISSING의 세 단계로 판단합니다. CLEAR는 별도의 질문 없이 실행할 수 있을 정도로 정보가 충분한 상태이고, PARTIAL은 일부 내용은 있지만 추가 확인이 필요한 상태이며, MISSING은 업무 수행에 필요한 정보가 빠져 있는 상태입니다.
여기서 가장 중요하게 생각한 부분은 단순히 “정보가 부족합니다”라고 지적하는 데서 끝내지 않는 것이었습니다. PARTIAL이나 MISSING으로 판단된 내용은 실제 인계자에게 다시 물어볼 수 있는 질문으로 변환했습니다. 예를 들어 문서에 “오류가 나면 담당자에게 문의한다.”라고만 적혀 있다면 AI는 어떤 오류까지 직접 재시도해야 하는지, 재시도 횟수는 몇 회인지, 해결되지 않을 경우 누구에게 연락해야 하는지, 실제 연락 채널은 무엇인지, 어느 시점부터 상위 담당자에게 에스컬레이션해야 하는지를 질문합니다.
즉 AI를 문서를 대신 작성하는 도구가 아니라, 인수자의 시각에서 문서를 검토하고 사람이 다시 확인해야 할 내용을 찾아주는 리뷰어로 활용했습니다.
또한 개선 문서를 만들 때 AI가 없는 사실을 임의로 만들어내지 않도록 했습니다. 확인되지 않은 정보는 “정보 필요”, “권한 확인 필요”, “담당자 확인 필요”, “시간 확인 필요”와 같이 명시적으로 남기도록 했습니다. 예를 들어 시스템명이 문서에 없다면 AI가 그럴듯한 시스템명을 만들어 넣는 것이 아니라 “매출 자료 다운로드 시스템: 정보 필요”와 같이 사람이 반드시 확인해야 하는 항목으로 남깁니다.
이를 통해 생성형 AI의 문서 구조화 능력은 활용하면서, 운영 문서에서 특히 위험할 수 있는 허위 정보 생성 가능성을 줄이고자 했습니다.
③ 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 인수인계 문서를 “잘 썼는가?”가 아니라 “실제로 실행 가능한가?”라는 기준으로 볼 수 있게 된 것입니다. 검증하기 위해 일일 매출자료 공유, 급여 인터페이스 전송, 신규 계정 발급, SSL 인증서 갱신, 신규 입사자 온보딩, 야간 배치 모니터링, 협력사 세금계산서 처리, 월간 DB 백업 복구 점검 등 서로 다른 업무 유형의 Synthetic 인수인계 문서 8건을 만들었습니다.
AI에게 문서를 보여주기 전에 각 문서의 품질을 POOR, FAIR, GOOD으로 먼저 분류하고 어떤 정보를 의도적으로 빠뜨렸는지도 미리 정의했습니다. 이후 실제 Production 환경의 Azure OpenAI를 이용해 분석했습니다.
검증 결과 8건 모두 Azure OpenAI를 이용한 분석에 성공했고, 사람이 사전에 판단한 문서 품질 등급과 AI 점수 구간은 8건 중 6건에서 일치해 75퍼센트의 일치율을 보였습니다. 의도적으로 누락한 전체 정보 중 AI가 발견한 비율은 77.8퍼센트였습니다.
특히 실행 절차, 시스템, 계정 및 권한, 장애 대응처럼 실제 업무 수행에 직접적인 영향을 줄 수 있는 항목을 Critical Gap으로 정의했을 때, 의도적으로 심어놓은 Critical Gap 13개 중 12개를 발견해 92.3퍼센트의 탐지율을 보였습니다. 총 33개의 확인 질문도 생성되었습니다.
대표적으로 신규 입사자 온보딩 문서에는 입사자 확인, 노트북 신청, 사원증 신청, 교육 안내 절차는 작성했지만 업무 수행 권한, 문의 담당자, 장애 대응 방법, 완료 여부 검증 기준은 의도적으로 제외했습니다. AI는 이 네 가지를 모두 찾아냈고 “각 포털에서 필요한 권한은 무엇이며 어떻게 신청하는가?”, “신청 반려나 시스템 장애 발생 시 연락할 담당 팀과 연락 채널은 무엇인가?”, “포털 장애나 이메일 발송 실패 시 어떤 순서로 재시도하고 에스컬레이션하는가?”, “노트북 및 사원증 신청이 완료되었는지 어떤 상태를 기준으로 검증하는가?”와 같은 질문을 생성했습니다.
기존 방식에서는 담당자가 실제 업무를 수행하다가 막힌 뒤에야 이런 질문을 하게 되지만, 이번 방식에서는 문서를 전달하기 전에 미리 질문을 확인하고 보완할 수 있게 되었습니다.
또한 POOR, FAIR, GOOD 문서 그룹별 평균 AI 점수는 각각 34점, 63점, 95점으로 나타나 문서 품질 그룹 간 차이도 확인할 수 있었습니다. 다만 개별 문서에서는 사람의 평가와 AI 점수가 다르게 나온 사례도 있었습니다. 이 결과를 통해 점수를 절대적인 문서 품질 평가 기준으로 사용하는 것보다는 AI가 어떤 빈칸을 발견했고 어떤 확인 질문을 만들어냈는지를 활용하는 것이 더 가치 있다는 것을 확인했습니다.
처음에는 문서 품질을 점수로 평가하는 서비스에 가깝게 생각했지만, 실제 검증을 진행하면서 이 서비스의 핵심 가치는 점수가 아니라 “질문 생성”이라는 방향으로 구체화되었습니다. 초기 분석 평균 응답시간도 약 11.5초 수준으로 실제 웹 화면에서 사용할 수 있는 수준으로 확인했습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이번 활용 방식에서 가장 중요하게 생각한 차별점은 AI에게 답을 만들게 하지 않고 질문을 만들게 했다는 것입니다. 생성형 AI를 업무에 적용할 때 흔히 사용하는 방식은 사용자가 초안을 입력하면 AI가 더 완성도 높은 문서를 대신 작성하는 것입니다.
하지만 인수인계에서는 이 방식이 오히려 위험할 수 있다고 판단했습니다. AI가 부족한 정보를 추론해 그럴듯하게 채워 넣으면 문서의 완성도는 높아 보일 수 있지만 실제와 다른 시스템명이나 담당자, 절차가 운영 문서에 들어갈 가능성이 있기 때문입니다.
그래서 “AI가 아는 척해서 빈칸을 채우는 것이 아니라, 사람이 확인해야 할 빈칸을 찾게 한다.”라는 원칙을 세웠습니다.
첫 번째 개선 방식은 문서를 12개의 실행 정보 영역으로 분해한 것입니다. 이를 통해 AI가 문장의 자연스러움이나 문서의 분량만 평가하는 것이 아니라 새로운 담당자가 업무를 실제로 실행할 때 필요한 요소를 하나씩 확인하도록 했습니다.
두 번째는 AI의 판단과 최종 점수 계산을 분리한 것입니다. AI는 각 항목을 CLEAR, PARTIAL, MISSING으로 판단하고 그 이유를 설명하는 역할을 수행하며, 최종 점수는 프로그램에서 동일한 규칙으로 계산합니다. 이렇게 하면서 AI 모델이 동일한 의미의 판단을 상황에 따라 임의의 숫자로 바꾸는 문제를 줄이고 결과를 좀 더 일관되게 만들 수 있었습니다.
세 번째는 확인되지 않은 사실을 임의 생성하지 않는 방식입니다. 개선 문서에서 확인되지 않은 값은 “정보 필요”, “권한 확인 필요”, “담당자 확인 필요”처럼 남겼습니다. AI가 완성된 정답 문서를 만드는 것이 아니라 실제 담당자가 추가로 확인해야 할 항목이 보이는 작업용 문서를 만드는 방식입니다.
네 번째는 AI가 반드시 해야 하는 작업과 프로그램이 처리할 수 있는 작업을 분리한 것입니다. 초기 버전에서는 AI 한 번의 호출에서 12개 항목 분석, 점수, Gap, 질문, 개선 문서 전체를 생성했습니다. 이 때문에 응답시간이 길어졌습니다.
이후 첫 번째 호출에서는 Gap과 질문을 우선 분석하고, 사용자가 개선 문서를 원하는 경우에만 두 번째 AI 호출을 하도록 변경했습니다. 또한 카테고리 이름, 점수 계산, Gap 카드 생성처럼 AI가 직접 생성할 필요가 없는 항목은 프로그램에서 처리하도록 변경했습니다.
그 결과 초기 Production 테스트에서 약 17.4초였던 평균 응답시간을 약 10~11초 수준까지 줄일 수 있었습니다. 즉 단순히 AI API를 연결하는 것이 아니라 AI가 잘하는 판단과 질문 생성에 집중시키고 프로그램이 잘할 수 있는 계산과 형식 처리는 프로그램에 맡기는 방식으로 개선했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
이 방식은 특정 회사나 특정 업무 시스템에 종속되지 않도록 설계했습니다. 기본적으로 필요한 것은 기존에 사용하고 있는 인수인계 문서와 생성형 AI입니다.
먼저 자신이 인수받는 업무를 수행하기 위해 반드시 알아야 할 항목을 체크리스트 형태로 정의합니다. 업무 목적, 실행 절차, 시스템 및 도구, 계정 및 권한, 담당자 및 연락처, 수행 주기 및 마감시간, 입력 데이터, 출력 결과, 예외 처리, 장애 대응, 검증 방법, 후속 업무의 12개 항목을 사용했습니다.
다른 업무라면 이 평가 기준을 자유롭게 변경할 수 있습니다. 예를 들어 개발 업무라면 소스 저장소, 배포 절차, 테스트 방법, 롤백 방법 등을 추가할 수 있고, 영업 업무라면 고객 정보, 계약 상태, 견적 절차, 승인 기준, 주요 커뮤니케이션 이력 등의 항목으로 바꿀 수 있습니다.
그 다음 AI에게 작성자의 역할이 아니라 인수자의 역할을 부여하면 됩니다. “이 문서를 요약해줘.”라고 요청하는 대신 “이 문서만 받은 사람이 독립적으로 업무를 수행하기 위해 부족한 정보가 무엇인지 찾아줘.”라고 요청하는 방식입니다.
부족한 내용을 찾았다면 단순한 지적이 아니라 기존 담당자에게 바로 물어볼 수 있는 질문으로 변환하도록 합니다. 그리고 확인되지 않은 정보는 AI가 추측해 채우지 않고 “정보 필요”와 같은 형태로 남기도록 제한합니다.
마지막으로 잘 작성된 문서, 보통 수준의 문서, 정보가 많이 빠진 문서를 준비해 중요한 누락을 제대로 찾아내는지 검증하면 됩니다.
이 구조는 인수인계 문서뿐 아니라 업무 매뉴얼, SOP, 장애 대응 매뉴얼, 교대근무 인수인계, 외주 업무 가이드, 프로젝트 종료 문서, 퇴사자 업무 인수인계, 신규 담당자 교육자료, 운영 체크리스트 등에도 적용할 수 있습니다.
따라서 이 사례에서 다른 사람이 따라 할 수 있는 핵심은 특정 AI 모델이나 특정 프로그램 자체가 아닙니다. 생성형 AI를 “답을 대신 작성하는 도구”로만 보지 않고 “사람이 놓친 질문을 찾아주는 도구”로 역할을 바꾸는 방식입니다.
마무리 하며...
좋은 인수인계 문서는 단순히 내용이 많거나 문장이 잘 정리된 문서가 아닙니다. 새로운 담당자가 문서를 읽고 어디에서, 무엇을, 언제까지, 어떤 권한으로, 어떤 순서로 수행해야 하는지 이해할 수 있어야 하며, 문제가 발생했을 때 어떻게 대응해야 하는지와 결과가 정상인지 어떻게 확인해야 하는지도 알 수 있어야 합니다.
그래서 이 서비스가 해결하려는 문제는 문서를 대신 작성하는 것이 아닙니다. 작성자에게는 너무 익숙해서 미처 쓰지 않은 정보를 인수자가 실제 업무를 시작하기 전에 발견하는 것입니다.
기존 AI가 문서에 있는 정보를 더 잘 정리했다면, 이번 활용에서는 AI에게 문서에 없는 정보를 찾게 했습니다.
좋은 인수인계는 많이 쓰는 문서가 아니라, 다음 사람이 다시 물어보지 않아도 되는 문서입니다.
① 어떤 상황에서 AI를 활용했나요?
업무 인수인계에서 가장 어려운 문제는 단순히 문서가 없다는 것이 아니었습니다. 문서는 존재하지만 작성자에게 너무 익숙한 정보가 자연스럽게 빠지는 경우가 많았습니다. 예를 들어 “매일 오전 매출 자료를 다운받아서 팀에 공유한다. 월말에는 정산 자료도 추가로 만든다. 파일에 문제가 있거나 화면 오류가 나면 담당자에게 문의한다.”라는 문장은 얼핏 보면 인수인계가 된 것처럼 보입니다.
하지만 이 문서만 받은 새로운 담당자가 실제 업무를 시작하려고 하면 바로 여러 질문이 생깁니다. 어느 시스템에서 자료를 다운로드해야 하는지, 어떤 메뉴로 들어가야 하는지, 어떤 권한이 필요한지, 권한이 없으면 누구에게 신청해야 하는지, 오전 중 정확히 몇 시까지 완료해야 하는지, 다운로드한 자료가 정상인지 무엇과 비교해야 하는지, 화면 오류가 발생하면 먼저 재시도해야 하는지, 담당자는 누구이며 어떻게 연락해야 하는지 등이 문서에 없기 때문입니다.
기존에는 이런 문제를 인수자가 실제 업무를 시작한 이후에야 발견하는 경우가 많았습니다. 결국 문서가 있어도 새로운 담당자는 메신저나 전화로 다시 질문해야 했고, 기존 담당자가 이미 이동하거나 퇴사했다면 중요한 업무 지식이 그대로 사라질 수도 있었습니다. 특히 정기 업무, 운영 업무, 시스템 관리 업무처럼 장애 대응이나 예외 상황이 중요한 업무에서는 이러한 누락이 단순한 불편을 넘어 업무 중단 위험으로 이어질 수 있습니다.
그래서 AI를 이용해 문서를 더 잘 작성하거나 더 짧게 요약하는 것이 아니라, “이 문서만 받고 새로운 담당자가 내일부터 혼자 일할 수 있는가?”라는 관점에서 기존 인수인계 문서를 검사해 보기로 했습니다.
② 어떤 AI를 어떻게 활용했나요?
ChatGPT를 활용했습니다. 하지만 일반적인 문서 요약 방식은 사용하지 않았습니다. 보통 문서에 생성형 AI를 적용하면 긴 문서를 입력하고 핵심 내용을 요약하거나 문장을 매끄럽게 정리하는 방식을 먼저 생각하게 됩니다. 이런 방식은 이미 문서에 적혀 있는 내용을 정리하는 데는 효과적이지만, 인수인계에서 더 중요한 문제는 문서에 아예 적혀 있지 않은 정보였습니다.
그래서 AI에게 “이 문서를 요약해줘”라고 요청하는 대신, 새로운 담당자의 입장에서 이 문서만으로 업무를 독립적으로 수행할 수 있는지 검토하도록 역할을 부여했습니다. 이를 위해 인수인계 문서를 업무 목적, 실행 절차, 시스템 및 도구, 계정 및 권한, 담당자 및 연락처, 수행 주기 및 마감시간, 입력 데이터, 출력 결과, 예외 처리, 장애 대응, 검증 방법, 후속 업무의 12개 영역으로 나누었습니다.
AI는 각 영역을 CLEAR, PARTIAL, MISSING의 세 단계로 판단합니다. CLEAR는 별도의 질문 없이 실행할 수 있을 정도로 정보가 충분한 상태이고, PARTIAL은 일부 내용은 있지만 추가 확인이 필요한 상태이며, MISSING은 업무 수행에 필요한 정보가 빠져 있는 상태입니다.
여기서 가장 중요하게 생각한 부분은 단순히 “정보가 부족합니다”라고 지적하는 데서 끝내지 않는 것이었습니다. PARTIAL이나 MISSING으로 판단된 내용은 실제 인계자에게 다시 물어볼 수 있는 질문으로 변환했습니다. 예를 들어 문서에 “오류가 나면 담당자에게 문의한다.”라고만 적혀 있다면 AI는 어떤 오류까지 직접 재시도해야 하는지, 재시도 횟수는 몇 회인지, 해결되지 않을 경우 누구에게 연락해야 하는지, 실제 연락 채널은 무엇인지, 어느 시점부터 상위 담당자에게 에스컬레이션해야 하는지를 질문합니다.
즉 AI를 문서를 대신 작성하는 도구가 아니라, 인수자의 시각에서 문서를 검토하고 사람이 다시 확인해야 할 내용을 찾아주는 리뷰어로 활용했습니다.
또한 개선 문서를 만들 때 AI가 없는 사실을 임의로 만들어내지 않도록 했습니다. 확인되지 않은 정보는 “정보 필요”, “권한 확인 필요”, “담당자 확인 필요”, “시간 확인 필요”와 같이 명시적으로 남기도록 했습니다. 예를 들어 시스템명이 문서에 없다면 AI가 그럴듯한 시스템명을 만들어 넣는 것이 아니라 “매출 자료 다운로드 시스템: 정보 필요”와 같이 사람이 반드시 확인해야 하는 항목으로 남깁니다.
이를 통해 생성형 AI의 문서 구조화 능력은 활용하면서, 운영 문서에서 특히 위험할 수 있는 허위 정보 생성 가능성을 줄이고자 했습니다.
③ 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 인수인계 문서를 “잘 썼는가?”가 아니라 “실제로 실행 가능한가?”라는 기준으로 볼 수 있게 된 것입니다. 검증하기 위해 일일 매출자료 공유, 급여 인터페이스 전송, 신규 계정 발급, SSL 인증서 갱신, 신규 입사자 온보딩, 야간 배치 모니터링, 협력사 세금계산서 처리, 월간 DB 백업 복구 점검 등 서로 다른 업무 유형의 Synthetic 인수인계 문서 8건을 만들었습니다.
AI에게 문서를 보여주기 전에 각 문서의 품질을 POOR, FAIR, GOOD으로 먼저 분류하고 어떤 정보를 의도적으로 빠뜨렸는지도 미리 정의했습니다. 이후 실제 Production 환경의 Azure OpenAI를 이용해 분석했습니다.
검증 결과 8건 모두 Azure OpenAI를 이용한 분석에 성공했고, 사람이 사전에 판단한 문서 품질 등급과 AI 점수 구간은 8건 중 6건에서 일치해 75퍼센트의 일치율을 보였습니다. 의도적으로 누락한 전체 정보 중 AI가 발견한 비율은 77.8퍼센트였습니다.
특히 실행 절차, 시스템, 계정 및 권한, 장애 대응처럼 실제 업무 수행에 직접적인 영향을 줄 수 있는 항목을 Critical Gap으로 정의했을 때, 의도적으로 심어놓은 Critical Gap 13개 중 12개를 발견해 92.3퍼센트의 탐지율을 보였습니다. 총 33개의 확인 질문도 생성되었습니다.
대표적으로 신규 입사자 온보딩 문서에는 입사자 확인, 노트북 신청, 사원증 신청, 교육 안내 절차는 작성했지만 업무 수행 권한, 문의 담당자, 장애 대응 방법, 완료 여부 검증 기준은 의도적으로 제외했습니다. AI는 이 네 가지를 모두 찾아냈고 “각 포털에서 필요한 권한은 무엇이며 어떻게 신청하는가?”, “신청 반려나 시스템 장애 발생 시 연락할 담당 팀과 연락 채널은 무엇인가?”, “포털 장애나 이메일 발송 실패 시 어떤 순서로 재시도하고 에스컬레이션하는가?”, “노트북 및 사원증 신청이 완료되었는지 어떤 상태를 기준으로 검증하는가?”와 같은 질문을 생성했습니다.
기존 방식에서는 담당자가 실제 업무를 수행하다가 막힌 뒤에야 이런 질문을 하게 되지만, 이번 방식에서는 문서를 전달하기 전에 미리 질문을 확인하고 보완할 수 있게 되었습니다.
또한 POOR, FAIR, GOOD 문서 그룹별 평균 AI 점수는 각각 34점, 63점, 95점으로 나타나 문서 품질 그룹 간 차이도 확인할 수 있었습니다. 다만 개별 문서에서는 사람의 평가와 AI 점수가 다르게 나온 사례도 있었습니다. 이 결과를 통해 점수를 절대적인 문서 품질 평가 기준으로 사용하는 것보다는 AI가 어떤 빈칸을 발견했고 어떤 확인 질문을 만들어냈는지를 활용하는 것이 더 가치 있다는 것을 확인했습니다.
처음에는 문서 품질을 점수로 평가하는 서비스에 가깝게 생각했지만, 실제 검증을 진행하면서 이 서비스의 핵심 가치는 점수가 아니라 “질문 생성”이라는 방향으로 구체화되었습니다. 초기 분석 평균 응답시간도 약 11.5초 수준으로 실제 웹 화면에서 사용할 수 있는 수준으로 확인했습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
이번 활용 방식에서 가장 중요하게 생각한 차별점은 AI에게 답을 만들게 하지 않고 질문을 만들게 했다는 것입니다. 생성형 AI를 업무에 적용할 때 흔히 사용하는 방식은 사용자가 초안을 입력하면 AI가 더 완성도 높은 문서를 대신 작성하는 것입니다.
하지만 인수인계에서는 이 방식이 오히려 위험할 수 있다고 판단했습니다. AI가 부족한 정보를 추론해 그럴듯하게 채워 넣으면 문서의 완성도는 높아 보일 수 있지만 실제와 다른 시스템명이나 담당자, 절차가 운영 문서에 들어갈 가능성이 있기 때문입니다.
그래서 “AI가 아는 척해서 빈칸을 채우는 것이 아니라, 사람이 확인해야 할 빈칸을 찾게 한다.”라는 원칙을 세웠습니다.
첫 번째 개선 방식은 문서를 12개의 실행 정보 영역으로 분해한 것입니다. 이를 통해 AI가 문장의 자연스러움이나 문서의 분량만 평가하는 것이 아니라 새로운 담당자가 업무를 실제로 실행할 때 필요한 요소를 하나씩 확인하도록 했습니다.
두 번째는 AI의 판단과 최종 점수 계산을 분리한 것입니다. AI는 각 항목을 CLEAR, PARTIAL, MISSING으로 판단하고 그 이유를 설명하는 역할을 수행하며, 최종 점수는 프로그램에서 동일한 규칙으로 계산합니다. 이렇게 하면서 AI 모델이 동일한 의미의 판단을 상황에 따라 임의의 숫자로 바꾸는 문제를 줄이고 결과를 좀 더 일관되게 만들 수 있었습니다.
세 번째는 확인되지 않은 사실을 임의 생성하지 않는 방식입니다. 개선 문서에서 확인되지 않은 값은 “정보 필요”, “권한 확인 필요”, “담당자 확인 필요”처럼 남겼습니다. AI가 완성된 정답 문서를 만드는 것이 아니라 실제 담당자가 추가로 확인해야 할 항목이 보이는 작업용 문서를 만드는 방식입니다.
네 번째는 AI가 반드시 해야 하는 작업과 프로그램이 처리할 수 있는 작업을 분리한 것입니다. 초기 버전에서는 AI 한 번의 호출에서 12개 항목 분석, 점수, Gap, 질문, 개선 문서 전체를 생성했습니다. 이 때문에 응답시간이 길어졌습니다.
이후 첫 번째 호출에서는 Gap과 질문을 우선 분석하고, 사용자가 개선 문서를 원하는 경우에만 두 번째 AI 호출을 하도록 변경했습니다. 또한 카테고리 이름, 점수 계산, Gap 카드 생성처럼 AI가 직접 생성할 필요가 없는 항목은 프로그램에서 처리하도록 변경했습니다.
그 결과 초기 Production 테스트에서 약 17.4초였던 평균 응답시간을 약 10~11초 수준까지 줄일 수 있었습니다. 즉 단순히 AI API를 연결하는 것이 아니라 AI가 잘하는 판단과 질문 생성에 집중시키고 프로그램이 잘할 수 있는 계산과 형식 처리는 프로그램에 맡기는 방식으로 개선했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
이 방식은 특정 회사나 특정 업무 시스템에 종속되지 않도록 설계했습니다. 기본적으로 필요한 것은 기존에 사용하고 있는 인수인계 문서와 생성형 AI입니다.
먼저 자신이 인수받는 업무를 수행하기 위해 반드시 알아야 할 항목을 체크리스트 형태로 정의합니다. 업무 목적, 실행 절차, 시스템 및 도구, 계정 및 권한, 담당자 및 연락처, 수행 주기 및 마감시간, 입력 데이터, 출력 결과, 예외 처리, 장애 대응, 검증 방법, 후속 업무의 12개 항목을 사용했습니다.
다른 업무라면 이 평가 기준을 자유롭게 변경할 수 있습니다. 예를 들어 개발 업무라면 소스 저장소, 배포 절차, 테스트 방법, 롤백 방법 등을 추가할 수 있고, 영업 업무라면 고객 정보, 계약 상태, 견적 절차, 승인 기준, 주요 커뮤니케이션 이력 등의 항목으로 바꿀 수 있습니다.
그 다음 AI에게 작성자의 역할이 아니라 인수자의 역할을 부여하면 됩니다. “이 문서를 요약해줘.”라고 요청하는 대신 “이 문서만 받은 사람이 독립적으로 업무를 수행하기 위해 부족한 정보가 무엇인지 찾아줘.”라고 요청하는 방식입니다.
부족한 내용을 찾았다면 단순한 지적이 아니라 기존 담당자에게 바로 물어볼 수 있는 질문으로 변환하도록 합니다. 그리고 확인되지 않은 정보는 AI가 추측해 채우지 않고 “정보 필요”와 같은 형태로 남기도록 제한합니다.
마지막으로 잘 작성된 문서, 보통 수준의 문서, 정보가 많이 빠진 문서를 준비해 중요한 누락을 제대로 찾아내는지 검증하면 됩니다.
이 구조는 인수인계 문서뿐 아니라 업무 매뉴얼, SOP, 장애 대응 매뉴얼, 교대근무 인수인계, 외주 업무 가이드, 프로젝트 종료 문서, 퇴사자 업무 인수인계, 신규 담당자 교육자료, 운영 체크리스트 등에도 적용할 수 있습니다.
따라서 이 사례에서 다른 사람이 따라 할 수 있는 핵심은 특정 AI 모델이나 특정 프로그램 자체가 아닙니다. 생성형 AI를 “답을 대신 작성하는 도구”로만 보지 않고 “사람이 놓친 질문을 찾아주는 도구”로 역할을 바꾸는 방식입니다.
마무리 하며...
좋은 인수인계 문서는 단순히 내용이 많거나 문장이 잘 정리된 문서가 아닙니다. 새로운 담당자가 문서를 읽고 어디에서, 무엇을, 언제까지, 어떤 권한으로, 어떤 순서로 수행해야 하는지 이해할 수 있어야 하며, 문제가 발생했을 때 어떻게 대응해야 하는지와 결과가 정상인지 어떻게 확인해야 하는지도 알 수 있어야 합니다.
그래서 이 서비스가 해결하려는 문제는 문서를 대신 작성하는 것이 아닙니다. 작성자에게는 너무 익숙해서 미처 쓰지 않은 정보를 인수자가 실제 업무를 시작하기 전에 발견하는 것입니다.
기존 AI가 문서에 있는 정보를 더 잘 정리했다면, 이번 활용에서는 AI에게 문서에 없는 정보를 찾게 했습니다.
좋은 인수인계는 많이 쓰는 문서가 아니라, 다음 사람이 다시 물어보지 않아도 되는 문서입니다.
