AI 자동화를 처음 붙일 업무는 자주 반복되고, 좋은 결과의 기준이 분명하며, 틀려도 되돌릴 수 있고, 사람이 몇 분 안에 확인할 수 있는 일에서 고릅니다. 가장 눈에 띄는 업무나 시간이 가장 많이 드는 업무가 첫 후보로 맞는 경우는 드뭅니다. 첫 자동화는 성과를 내는 자리이기 전에, 팀이 AI 결과를 읽고 판정하는 법을 익히는 자리이기 때문입니다.
이 글은 업무 선택을 위한 실무 가이드입니다. 특정 고객사의 도입 사례나 성과 측정 결과가 아닙니다. 2026년 10월 22일 확인한 공개 자료 기준입니다. 아래 점수표와 가상 예시는 DMS.Labs의 설계 제안입니다. 조직의 보안 규정이나 계약 검토를 대신하지 않습니다.
가장 큰 업무부터 시작하면 왜 막힙니까?
OpenAI가 공개한 AI 활용 사례 가이드는 복잡한 활용 사례가 인상적으로 보여도 실제로는 진행 속도를 늦추는 경우가 많다고 적습니다. 직원들이 자기 업무에 맞는 활용 사례를 스스로 찾도록 돕는 쪽이 더 빠른 성공으로 이어지는 경우가 많다는 설명도 함께 나옵니다. Anthropic의 에이전트 설계 글은 가능한 한 가장 단순한 해법을 찾고, 필요할 때만 복잡도를 올리라고 권합니다. 에이전트 시스템을 아예 만들지 않는 결정까지 포함한다고 밝힙니다. 이 글에는 2024년 12월 이후 도구 환경이 바뀌었다는 안내가 붙어 있어, 도구 설명은 제외하고 설계 원칙만 참고했습니다.
여기에 DMS.Labs의 의견을 하나 더합니다. 첫 업무는 결과물보다 판정 연습을 위한 업무여야 합니다. 큰 업무는 결과가 나와도 무엇이 맞고 틀렸는지 가리는 데 오래 걸려서, 팀이 AI 결과를 읽는 감각을 얻기 전에 지칩니다. 작은 업무는 틀린 곳이 빨리 보입니다. 같은 업무의 절차서와 검수 담당자가 이미 있는 조직이라면 이 조언은 덜 중요합니다. 그런 곳에서는 더 큰 업무를 첫 후보에 올려도 됩니다.
후보는 어떻게 모읍니까?
OpenAI 가이드는 팀원에게 세 가지 상황을 적어 보라고 권합니다. 작업을 시작하기 어렵거나 중간에 막히는 경우, 남들이 큰 가치를 두지 않지만 시간을 많이 쓰는 수작업(가이드는 이를 '하지 않아도 될 일 목록'이라고 부릅니다), 다른 팀의 지원을 기다리느라 지연되는 작업입니다. 가이드의 자동화 사례 설명도 반복적이고 정형화된 작업을 먼저 짚고, 더 복잡한 작업에는 사람의 검토를 전제로 한 보고서 생성을 예로 듭니다.
DMS.Labs는 이 중 두 번째 목록에서 첫 후보를 찾기를 제안합니다. 하지 않아도 될 일은 입력과 결과물의 모양이 비교적 정해져 있어서, 맞고 틀림을 가리기 쉽습니다. 막히는 작업이나 기다리는 작업은 사람의 판단이 크게 섞이기 쉽습니다. 이 제안은 가이드의 문장이 아니라 DMS.Labs의 해석입니다.
후보마다 카드 한 장을 씁니다. 칸은 다섯 개입니다. 누가 언제 하는 일인지, 무엇을 입력받는지, 결과물이 어떤 모양인지, 누가 확인하는지, 지금 한 번에 걸리는 시간입니다. 마지막 칸이 비면 카드는 보류합니다. 지금 시간을 모르면 나중에 달라졌는지 말할 수 없습니다. 걸리는 시간과 검수 비용을 함께 기록하는 방법은 AI 도입 성과 측정에서 다뤘습니다.
창가 책상 위에 업무 후보 카드를 몇 묶음으로 나누어 놓은 장면.원본 전체 보기
점수표에는 무엇을 넣습니까?
네 가지 기준에 0점부터 2점까지 줍니다. 아래 표는 시험을 거친 평가 도구가 아니라 후보를 같은 기준으로 놓고 비교하기 위한 출발점입니다.
표가 넓으면 좌우로 스크롤하여 확인하세요.
| 기준 | 묻는 말 | 0점 | 2점 |
|---|---|---|---|
| 반복 빈도 | 이 일을 한 달에 몇 번 합니까? | 분기에 한 번 이하 | 매주 이상 |
| 판정 기준 | 두 사람이 같은 결과를 맞다고 합니까? | 사람마다 다름 | 예시 몇 개로 설명 가능 |
| 확인 시간 | 결과 한 건을 확인하는 데 얼마나 걸립니까? | 원본을 처음부터 다시 봐야 함 | 원본과 몇 분 안에 대조 |
| 기준선 | 지금 걸리는 시간을 적어 둔 값이 있습니까? | 없음 | 최근 몇 번의 기록 있음 |
점수와 별개로 걸러내는 조건이 두 가지 있습니다. 첫째, 틀린 결과가 조직 밖으로 나가면 되돌릴 수 없는 일은 첫 업무에서 뺍니다. 고객에게 바로 가는 답장이 대표적입니다. 둘째, 입력 자료를 해당 서비스로 보내도 되는지 확인하지 못했다면 보류합니다. 자료를 고르는 기준은 AI에 올릴 자료 고르기에 정리했습니다. 두 조건에 걸린 후보는 점수가 높아도 첫 업무가 아닙니다.
합계 8점 만점에서 6점 이상을 첫 후보로 보자는 것이 DMS.Labs의 출발 기준입니다. 이 숫자도 시험으로 정한 값이 아닙니다. 팀이 실제로 몇 번 써 보고 기준을 고쳐 가시기를 권합니다.
네 기준은 각각 다른 실패를 막습니다. 반복 빈도는 한 번 만든 설정이 쓰일 기회를 보장합니다. 일 년에 한 번 하는 일에 자동화를 만들면 만드는 시간이 쓰는 시간보다 길어지기 쉽습니다. 판정 기준은 검수가 사람마다 달라지는 문제를 막습니다. 담당자 A는 통과시키고 B는 반려하는 결과물이라면, 잘못이 AI에게 있는지 기준에 있는지 알 수 없습니다. 확인 시간은 사람이 결과를 믿고 넘기는 습관을 막습니다. 확인이 너무 오래 걸리면 결국 대충 훑게 됩니다. 기준선은 도입 효과를 말할 때 비교할 값을 남깁니다.
가상의 세 후보를 비교하면
아래 예는 직원 열두 명쯤의 가상 사무실을 가정한 것입니다. 실제 고객이나 현장의 기록이 아닙니다. 후보는 세 개입니다. 하나는 들어온 문의 메일을 종류별로 분류하는 일, 다른 하나는 분류한 뒤 고객에게 답장까지 자동으로 보내는 일, 마지막은 월간 보고서 초안을 쓰는 일입니다.
표가 넓으면 좌우로 스크롤하여 확인하세요.
| 후보 | 반복 | 판정 | 확인 | 기준선 | 합계 | 걸러내는 조건 | 판단 |
|---|---|---|---|---|---|---|---|
| 문의 메일 분류 | 2 | 2 | 2 | 1 | 7 | 없음 | 첫 업무 후보 |
| 분류 후 답장 자동 발송 | 2 | 1 | 1 | 1 | 5 | 오류가 밖으로 나가면 되돌리기 어려움 | 보류 |
| 월간 보고서 초안 | 1 | 1 | 0 | 2 | 4 | 없음 | 후순위 |
메일 분류는 분류 이름이 정해져 있고 결과를 받은편지함에서 바로 대조할 수 있다고 가정했습니다. 그래서 확인 시간이 2점입니다. 기준선은 지난 몇 주의 처리 시간을 대충 기억하는 수준이라 1점으로 줬습니다. 첫 두 주 동안 실제 시간을 적으면 2점이 됩니다.
답장 자동 발송은 합계도 5점에 그치지만, 더 큰 문제는 걸러내는 조건입니다. 틀린 답장이 고객에게 가면 취소할 수 없습니다. 이 후보를 버리라는 뜻은 아닙니다. 메일 분류를 몇 주 돌려 분류 오류가 어떤 모양인지 본 다음, 초안만 만들어 사람이 보내는 단계로 올릴 후보입니다. 권한을 단계적으로 넓히는 순서는 AI 자동화, 권한을 세 단계로 나눠 주기에 적었습니다.
월간 보고서는 눈에 띄는 일이지만 한 달에 한 번이라 반복 점수가 낮습니다. 확인할 때도 여러 시스템의 원본을 다시 열어야 해서 0점을 줬습니다. 시간이 많이 드는 일이 곧 좋은 첫 후보는 아니라는 점이 이 표의 요점입니다.
닫힌 노트북 옆에서 체크 표시가 있는 종이 점검표와 분류된 카드를 대조하는 장면.원본 전체 보기
점수가 낮아도 먼저 해야 할 일이 있습니까?
있습니다. 이 점수표는 첫 시도의 안전성과 학습 속도를 보는 표이고, 일이 얼마나 가치 있는지는 거의 반영하지 않습니다. OpenAI 가이드는 가치를 따로 보는 도구로 영향과 노력의 사분면을 소개합니다. 적은 노력으로 큰 영향을 내는 일은 높은 ROI에 집중할 대상이고, 개인이 스스로 만들어 쓰는 일은 셀프 서비스로 둡니다. 큰 가치에 큰 노력이 드는 일은 빠른 성과로 추진력을 얻은 뒤에 투자하며, 노력은 큰데 영향이 작은 일은 당장 미룹니다. 같은 가이드는 지금은 어려운 활용 사례도 AI 기능이 발전하면 쉬워질 수 있으니 분기마다 평가 기준을 다시 보라고 권합니다.
두 도구는 질문이 다릅니다. 이 글의 점수표는 어디서 시작할지를 정하고, 영향과 노력 사분면은 시작한 다음 무엇을 키울지를 정합니다. 첫 업무로 메일 분류를 골랐더라도 월간 보고서가 고가치 후보라면 사분면의 큰 가치 칸에 적어 둡니다.
AI를 쓰지 않는 편이 낫지 않습니까?
그럴 수 있습니다. 미국 국립표준기술연구소(NIST)의 AI 위험관리 프레임워크 플레이북은 맥락을 파악하는 단계에서 AI 시스템의 과업, 목적, 최소 기능과 기대 이익을 정의하고 문서화하라고 제안합니다. 더 믿을 만한 결과를 낼 비AI 또는 비기술 대안이 있는지도 확인하라고 합니다. 반자동이거나 대부분 수작업인 방법도 그 대안에 들어갑니다.
이 문서는 AI 시스템을 개발하고 운영하는 쪽을 위한 위험관리 자료라서, 사내 업무 자동화 후보 선정에 그대로 대응하지는 않습니다. 이 글에서는 후보 카드에 한 줄을 더 쓰는 근거로만 삼았습니다. 'AI 없이 해결하는 방법은 무엇인가'입니다. 문의 메일 분류라면 문의 양식에 선택 항목을 넣거나 받은편지함 규칙을 만드는 편이 더 안정적일 수 있습니다. 그렇다면 첫 결정은 AI를 붙이지 않는 것입니다.
AI가 맞는 일도 있습니다. Anthropic은 에이전트가 가치를 더하는 일의 조건으로 분명한 성공 기준, 결과로 받는 피드백, 의미 있는 사람의 감독을 듭니다. 같은 글은 에이전트처럼 스스로 여러 단계를 밟는 방식에 비용이 늘고 오류가 겹칠 수 있다고도 적습니다. 첫 업무를 한 단계짜리 일로 잡자는 DMS.Labs의 제안은 이 경고에 기댄 것입니다.
고른 뒤 2주 동안 무엇을 남깁니까?
시작하기 전에 세 가지를 적습니다. 지금 걸리는 시간, 결과를 확인할 담당자, 중단 조건입니다. 중단 조건은 한 줄이면 충분합니다. 예를 들어 같은 종류의 오류가 두 번 나오면 멈추고 입력 설명을 고친다는 식입니다.
매 건마다 사람이 고친 곳을 표시합니다. 고친 건수를 전체로 나누면 고친 비율이 나옵니다. 이 비율이 얼마면 통과인지는 이 글이 정하지 않습니다. 업무마다 다르고, 시험으로 확인된 기준값이 없기 때문입니다. 대신 처음 두 주의 비율이 내려가는지, 같은 오류가 반복되는지를 봅니다.
2주 뒤에는 확대, 수정, 중단 가운데 하나를 고릅니다. 기록이 부족하면 한 주를 늘릴 수 있지만, 아무것도 정하지 않은 채 흘려보내지는 않습니다. 확대를 택하면 앞서 본 권한 사다리의 다음 단계가 후보가 되고, 그때 점수표를 다시 채웁니다. 교육으로 이 판단 연습을 하려는 팀은 AI 교육은 도구 설명보다 '이 일을 맡겨도 되나'에서 시작합니다의 업무 경계표를 먼저 만들어 볼 수 있습니다.
다음에 볼 것
DMS.Labs 업무 자동화에서 업무 정의와 자동화 설계 방향을 볼 수 있습니다. 상담 준비에는 후보 카드 두세 장과 실제 정보를 뺀 예시 입력이면 됩니다. 조건이 필요한 부분은 문의 페이지에서 확인하십시오.
