AI 기초부터 활용까지,
일하는 방식을 바꾸는 8주

① 세대가 바뀌었다. 예전 AI는 대화형 챗봇(요약·초안 정도)이었습니다. 지금의 AI는 에이전트입니다 — 도구를 쓰고, 코드를 실행해 계산·분석하고, 문서를 통째로 읽고, 이미지를 이해하고(멀티모달), 여러 단계를 스스로 처리합니다.

② 지금 AI가 실제로 하는 일. 표를 받아 직접 계산·차트, 계약서 전체 요약·쟁점 추출, 상품 사진을 보고 설명 작성, 반복 업무를 자동으로 도는 워크플로 — 심지어 비개발자가 AI로 실제 프로그램을 만듭니다.

③ 그래도 남는 것 — '못해서'가 아니라 '맡기면 안 되는 것'. 최종 결정과 책임, 전례 없는 상황의 가치판단, 사람과의 관계·신뢰. 여전히 그럴듯하게 틀릴 수 있으니(환각) 고위험·비가역 결정은 사람이 확인합니다.

④ 그래서 바뀌는 건 '내 역할'. 타이핑하는 사람에서 → 일을 맡기고 방향을 잡고 결과를 책임지는 사람(오케스트레이터)으로.

⑤ 왜 하필 우리 회사인가. 리퍼·반품 유통의 4대 난제(비정형 재고 / 가치 감가 / 매입가가 곧 마진 / 27개 매장 분산). 사람의 직관만으로 한계가 분명한 지점이 AI가 가장 큰 값을 내는 자리입니다. 8대 과제 지도에서 내 자리를 찾습니다.

⑥ 마인드셋. AI 능력은 분기마다 늘어납니다. "지금 안 되는 것"에 앵커링하지 말고 "다음엔 더 잘한다"를 전제로 배웁니다.

① 프롬프트 '트릭'이 아니라 '위임'이다. 유능한 실무 파트너에게 일을 맡기듯 합니다 — 무엇을(목표), 왜·어떤 상황인지(맥락), 어떤 형태로(형식), 하지 말 것(제약), 무엇이 성공인가(성공기준).

② R·T·F는 기본 골격. 역할("너는 15년차 유통 MD다") · 과제("이 회의록에서 결정·보류를 뽑아라") · 형식("표로, 담당자 열 포함"). 여기에 맥락·제약·성공기준·참고자료를 얹으면 완성된 브리핑이 됩니다.

③ 자료와 도구를 붙여라. 요즘 AI는 파일·데이터·이미지를 첨부받고, 사내 자료에 연결되고, 코드를 실행합니다. "이 파일 보고 / 이 표 계산해서 / 이 사진 설명해줘"처럼 손에 재료를 쥐여주면 결과가 달라집니다.

④ 되묻게 하라. "부족한 정보가 있으면 먼저 물어봐"라고 하면 AI가 확인 질문을 던져 오해를 줄입니다. 좋은 위임은 한 방향이 아니라 대화입니다.

⑤ 반복 개선. 한 번에 끝내려 하지 말고 결과를 보며 방향을 조정합니다. 완벽한 첫 지시보다 빠른 3번의 조정이 낫습니다.

① 단발 작업(5대 패턴)은 시작일 뿐. 요약·초안·변환·추출·확장은 기본기입니다. 그 위에 지금 AI는 데이터를 직접 분석(코드 실행)하고, 문서를 통째로 읽고(긴 문맥), 사진·이미지를 이해하고(멀티모달), 반복 업무를 자동으로 돕니다(워크플로).

② 예시·자료·이미지를 붙여라. "이 톤으로 써줘"라며 예시 2~3개를, 우리 상품설명 샘플을, 상품 사진을 함께 주면 결과가 크게 좋아집니다.

③ 리퍼 상품설명 자동화. 상품 사진 + 상태 정보를 주면 설명 초안을 대량으로 생성합니다. 우리 상품은 상태 고지가 필수이므로 "상태등급 명시, 없는 기능 금지"를 제약으로 넣습니다.

④ 반복되면 자동화하라. 매주 같은 보고서·같은 정리 작업이라면, 한 번 잘 만든 흐름을 반복 실행합니다. 비개발자도 이런 자동화를 직접 만듭니다.(7회차 심화)

⑤ 사내 프롬프트 뱅크(300선). 검증된 프롬프트를 검색해 가져다 쓰고 내 업무에 맞게 고칩니다. 바퀴를 다시 발명하지 않습니다.

① AI가 계산을 대신하는데 왜 배우나? AI에게 무엇을 시킬지 정하고, 그 답이 말이 되는지 판단하려면 지표를 알아야 합니다. 방향과 판단은 여전히 사람 몫 — 오늘은 그 감각을 손으로 기릅니다.

② 우리가 가진 데이터. 매입(로트·매입단가·상태등급) / 판매(SKU·매장·일자·판매가) / 재고(수량·입고일·체류일) / 고객(회원·구매이력).

③ 핵심 지표 5종. 아래 표 참고. 계산기로 직접 두드려 봅니다.

④ 평균의 함정. "평균 재고 체류일 20일"이라도, 절반은 5일에 팔리고 나머지는 60일째 안 팔리고 있을 수 있습니다. 평균이 아니라 분포를 보라. 악성재고는 평균 뒤에 숨습니다 — AI도 시키는 대로만 하면 평균만 봅니다.

⑤ 좋은 질문 만들기. "요즘 잘 안 팔리는 것 같아요"(측정 불가) → "지난 30일간 소진율이 20% 미만인 SKU는 몇 개이고, 묶인 재고 금액은 얼마인가?"(측정 가능). AI에게 물을 때도 똑같습니다.

① 핵심 반전 — "AI는 계산을 틀린다"는 반쪽 진실. 맨손 암산은 불안정하지만, 계산기(코드)를 쥐여주면 실제 파이썬을 돌려 정확히 계산합니다. 그래서 데이터 분석은 항상 "도구를 쓰게" 시킵니다 — "직접 계산하지 말고 코드로 계산해서 보여줘."

② 넣기 전에 지운다. 개인정보·공급사 단가는 삭제·가명화 후에. 단, 사내 도구·커넥터를 쓰면 붙여넣기 자체가 줄어듭니다(7회차).

③ 분석 3단계. ⓐ 설명(열이 뭔지 알려주기) → ⓑ (도구로) 분석(코드 실행) → ⓒ 판단·검증. 검증은 '계산 실수 잡기'에서 '결과가 목표에 맞나, 고위험인가'로 옮겨갑니다. 표본 검증은 도구를 못 쓸 때의 안전장치입니다.

④ 멀티모달. 차트 이미지, 대시보드 스크린샷, 상품 사진도 그대로 붙여 분석시킵니다.

⑤ 경영 대시보드 읽기. 매출·평균마진·재고회전 3개 지표와 이상 알림. "마진 5%p 하락" 알림이 뜨면 무엇부터 확인하는지 순서를 배웁니다. 리퍼 상품은 입고 시점이 곧 판매 곡선의 시작이라 곡선 모양이 다릅니다.

① 예측 = 과거 패턴으로 미래 추정. 패턴이 없으면 못 맞춥니다. 그래서 처음 보는 리퍼 상품은 예측이 어렵습니다.

② Cold-start와 유사상품 매칭. 이력이 없는 신규 상품은 브랜드·가격대·카테고리·상태등급이 비슷한 과거 상품들을 찾아 판매 곡선을 빌려옵니다. 사람의 "이거 예전 그거랑 비슷하네" 감을 기계가 대규모로 하는 것입니다.

③ 네 가지가 사슬로 이어진다. 판매예측 → 재고예측 → 가격추천 → 배분추천. 앞이 틀리면 뒤가 다 틀립니다.

④ 정확도 읽는 법. MAPE는 평균 오차율("MAPE 10%"=100개를 90~110개로 맞춤). 신뢰구간이 넓다 = AI도 자신 없다는 신호입니다.

⑤ 언제 사람이 이기나 — AI가 무능해서가 아니다. 전례가 없거나(신규 매장·첫 프로모션), 고위험·비가역이거나, 가치판단이 필요할 때, 그리고 신뢰구간이 넓을 때. 이럴 땐 사람의 비중을 높입니다.

⑥ 자율 실행의 신뢰(에이전트). AI가 스스로 가격을 바꾸거나 배분을 실행하게 할 때: 저위험은 자동, 고위험은 사람 승인(human-in-the-loop), 언제든 되돌릴 수 있게(롤백). 실적이 다시 모델을 학습시키는 폐루프(closed-loop)입니다.

⑦ 역할 분담. AI는 추천·실행하고, 결정과 책임은 사람. 여러분이 남기는 "채택/거부/승인"이 회사의 자산입니다.

① RAG·커넥터. 일반 AI는 우리 회사를 모릅니다. 사내 데이터에 연결하면(킹콩 GPT) 붙여넣지 않아도 우리 상품·정책·재고를 근거로 답하고 출처를 표기합니다. 질문은 구체적으로, 출처 없으면 의심.

② 에이전트 — 대화를 넘어 스스로 도는 일꾼. 매일 재고를 점검해 이상 시 알림, 정기 보고서를 자동 생성, 여러 도구를 엮은 워크플로를 반복 실행. 사람은 감독합니다.

③ 대시보드·비딩 화면. 매출·마진·재고회전과 이상 알림, 매입 매력도·3단계 시나리오를 읽고 판단하는 연습.

④ 내 업무에 AI 심기. 프로세스를 그리고 각 단계에 자동화 가능 / AI+사람 협업 / 사람 전용 라벨을 붙입니다. '자동화 가능'은 에이전트로 넘기고, '협업'부터 시작합니다.

⑤ 비개발자가 만든다. 요즘은 코드를 몰라도 AI로 실제 도구·자동화를 직접 만듭니다(본부장 임승훈이 1인 AI 기업으로 증명). 거창한 개발이 아니라 "내 반복 업무를 대신 도는 작은 자동화"부터.