AI 자동화, 엑셀, 챗GPT, 업무 효율화, AI 툴, 워크플로우, 생산성
엑셀을 잘 다루는 사람이 일을 잘하는 사람이라는 공식, 아직도 유효할까요? 저는 한동안 그 공식을 믿었습니다. VLOOKUP 오류를 잡아내고, 피벗 테이블을 정교하게 세팅하면 뭔가 '고수'가 된 것 같은 기분이 들었으니까요. 그런데 어느 순간부터 그 확신이 흔들리기 시작했습니다. AI가 제 자리를 넘보는 것이 아니라, 제가 AI를 제대로 못 쓰고 있다는 사실을 직면했을 때였습니다.
3시간짜리 작업이 15분으로 줄어드는 워크플로우
숫자부터 짚고 넘어가겠습니다. 한 마케터의 사례를 보면, 매달 20개 넘는 캠페인 성과 보고서를 작성하는 데 평균 3~4시간이 소요됐습니다. 데이터 취합, 함수 작성, 오류 검수까지 모두 수작업이었습니다. AI 툴을 도입한 이후 이 시간은 91% 단축됐고, 월 환산으로 약 55시간이 절약됐습니다. 근무일 기준으로 7일에 해당하는 시간입니다.
처음 이 수치를 접했을 때 솔직히 반신반의했습니다. 91%라는 숫자가 너무 마케팅스럽게 느껴졌거든요. 그런데 제가 직접 써봤는데, 방향이 맞으면 체감 효율이 실제로 그 수준에 근접하더라고요. 핵심은 단순히 '빠른 툴'을 쓰는 것이 아니라, AI 스택(AI Stack)을 어떻게 구성하느냐에 있었습니다. 여기서 AI 스택이란 여러 AI 툴을 목적에 따라 역할을 나누고 순서대로 연결한 파이프라인, 즉 일종의 자동화 체계를 말합니다.
실제로 효과가 검증된 4단계 워크플로우를 정리하면 다음과 같습니다.
- 클로바 노트로 회의 내용을 음성 인식(STT, Speech-to-Text) 방식으로 텍스트 변환
- 변환된 텍스트를 챗GPT에 입력해 구조화된 표 형태로 정리
- 정리된 데이터를 엑셀로 옮겨 AI에게 분석 및 그래프 생성 요청
- 결과물을 보고서에 바로 적용
여기서 STT란 음성 신호를 텍스트 데이터로 변환하는 기술로, 회의 중 수기로 메모하던 방식을 완전히 대체합니다. 1시간짜리 회의가 끝나도 10분 안에 회의록 요약과 데이터 시각화가 동시에 완성된다는 것이 이 워크플로우의 핵심입니다.
또 하나 주목할 만한 변화는 엑셀 활용의 패러다임 자체가 달라졌다는 점입니다. 예전에는 INDEX MATCH나 VLOOKUP 같은 복잡한 함수를 얼마나 정확히 외우고 있느냐가 실력의 기준이었습니다. 지금은 자연어 프롬프팅(Natural Language Prompting), 즉 우리가 평소 쓰는 말로 AI에게 원하는 결과를 얼마나 명확하게 요청할 수 있느냐가 핵심 역량으로 이동했습니다. 실제로 맥킨지 글로벌 인스티튜트에 따르면, 반복적인 데이터 처리 업무의 60~70%가 현재 기술 수준으로도 자동화 가능한 것으로 분석됩니다([출처: McKinsey Global Institute](https://www.mckinsey.com/mgi)).
AI 스택의 설계 능력과 사고의 퇴화 사이
솔직히 말씀드리면, 저는 한동안 'AI 툴 수집가'에 가까운 생활을 했습니다. 새 툴이 나왔다는 영상이 올라오면 일단 가입부터 했고, 결과적으로 쓰지도 않는 계정만 열다섯 개가 쌓였습니다. 이른바 툴 피로(Tool Fatigue) 현상입니다. 툴 피로란 너무 많은 도구를 관리하느라 정작 본업의 생산성이 오히려 떨어지는 상태를 말합니다.
전환점은 툴의 개수를 줄이고 각 툴의 강점만 뽑아 연결하는 방식으로 바꾸면서 왔습니다. 제가 직접 써봤는데, '자료 조사 → 초안 작성 → 시각화'라는 업무 흐름을 세 개의 툴로 분리했을 때 결과물의 퀄리티가 확연히 달라졌습니다. 퍼플렉시티로 팩트를 검증하고, 클로드로 문장을 다듬고, 감마로 발표 자료를 만들었을 때 챗GPT 하나에 의존할 때보다 훨씬 적은 시간에 더 정교한 결과가 나왔습니다.
하지만 여기서 제가 한 가지 비판적인 질문을 던지고 싶습니다. 툴의 조합이 완벽해질수록 우리는 고민 없이 결과물만 받아보게 됩니다. 업무의 효율성은 극대화되지만, 그 과정에서 마땅히 길러져야 할 비판적 사고와 데이터 해석 능력은 서서히 퇴화할 가능성이 있습니다. 한국지능정보사회진흥원(NIA)이 발표한 자료에서도 AI 활용 능력과 함께 AI 리터러시(AI Literacy), 즉 AI가 생성한 결과물을 비판적으로 이해하고 평가하는 역량의 중요성을 강조합니다([출처: 한국지능정보사회진흥원](https://www.nia.or.kr)). AI 리터러시란 단순히 AI 툴을 쓸 줄 아는 것을 넘어, AI의 출력값이 맞는지 틀린지를 인간이 판단할 수 있는 능력을 의미합니다.
제 경험상 이건 좀 다릅니다. 툴의 조합이 아무리 정교해도, 그 결과물을 검토하고 맥락에 맞게 재해석하는 과정이 빠지면 결국 껍데기만 그럴듯한 보고서가 나옵니다. AI가 만들어낸 그래프가 실제 비즈니스 맥락과 얼마나 맞아떨어지는지를 판단하는 건 여전히 사람의 몫입니다. 도구가 화려해질수록 그것을 다루는 사람의 주관이 더 선명해야 한다는 것, 이게 제가 이 모든 과정을 거치며 얻은 가장 중요한 결론입니다.
AI 툴을 얼마나 많이 아느냐보다, 내 업무 흐름에서 어느 지점에 어떤 툴을 배치할지를 설계하는 능력이 이제 진짜 역량입니다. 그리고 그 설계가 제대로 작동하는지를 검증하는 판단력이 그 위에 반드시 얹혀야 합니다. 지금 당장 챗GPT 무료 버전 하나만 열고, 본인의 엑셀 데이터 열 줄을 붙여넣어 "매출순으로 정리하고 총합 알려줘"라고 입력해 보십시오. 3분이면 충분합니다. 그 경험 하나가 나머지 이론보다 훨씬 많은 것을 설명해 줄 것입니다.