표지


AI 자동화와 일반 자동화의 차이, 정해진 순서의 업무에도 AI가 필요할까요?

처리 순서와 판단 조건을 명확하게 적을 수 있는 업무라면 일반 자동화부터 검토하는 편이 좋습니다. 파일을 정해진 폴더로 옮기고, 표의 값을 비교하고, 날짜에 맞춰 알림을 보내는 과정마다 AI를 호출할 필요는 없습니다. 문장의 뜻을 해석하거나 제각각인 자료에서 정보를 골라내야 하는 구간이 있다면 그 부분에 AI를 붙이는 방식을 고려할 수 있습니다.


다만 순서가 정해져 있다는 사실만으로 AI가 불필요하다고 결론 내릴 수는 없습니다. '메일을 읽고 담당자에게 전달한다'는 순서는 단순하지만, 어떤 담당자에게 보내야 하는지 알아내는 일이 어려울 수 있기 때문입니다. 자동화할 때는 전체 업무 이름보다 각 단계가 요구하는 판단을 살펴봐야 합니다.


순서와 판단 규칙은 따로 봐야 합니다

섹션1


Red Hat의 공식 설명은 자동화를 사전에 정의한 규칙을 실행하는 기술로, AI를 패턴과 맥락을 해석해 결정을 돕는 기술로 구분합니다. 언어 이해와 패턴 분류는 AI의 활용 영역으로 소개하고, 반복적인 실행과 구성 관리는 자동화의 활용 영역으로 설명합니다.


이 구분을 사무 업무에 적용하면 '똑같은 일을 자주 하는가'에서 한 걸음 더 들어갈 수 있습니다. 같은 조건을 줬을 때 담당자들이 같은 답을 낼 수 있는지, 그 조건을 프로그램이 확인할 수 있는 형태로 적을 수 있는지가 중요합니다.


예를 들어 신청서의 접수일이 마감일 이전인지 확인하는 일은 날짜 비교로 처리할 수 있습니다. 신청 사유를 읽고 어느 지원 분야에 가까운지 분류하는 일은 문맥 해석이 필요할 수 있습니다. 두 작업이 한 신청서 안에 있어도 같은 방식으로 구현할 이유는 없습니다.


규칙이 많다고 곧바로 AI가 필요한 것도 아닙니다. 조건이 복잡해도 명확하다면 규칙 기반 처리가 적합할 수 있습니다. 반대로 한 문장으로 설명되는 일이라도 사람마다 해석이 달라진다면 AI를 넣기 전에 판단 기준부터 합의해야 합니다. 합의되지 않은 기준은 모델이 대신 확정해 줄 수 없습니다.


문의 메일 처리라면 AI를 어디에 넣을까요?

섹션2


다음은 실제 고객 사례가 아닌, 설계를 설명하기 위한 가상의 업무입니다. 작은 팀이 문의 메일을 받아 담당자를 정하고 답장 초안을 작성한다고 가정해 보겠습니다.


메일 수신 시간을 기록하고, 첨부파일을 저장하고, 이미 처리한 메일인지 확인하는 단계에는 명시적인 규칙을 사용할 수 있습니다. 메일 제목에 정해진 접수 번호가 들어 있다면 기존 기록을 찾는 일도 일반 자동화로 처리할 수 있습니다.


어려운 부분은 본문입니다. 같은 배송 문의라도 '언제 도착하나요'와 '행사 전에 꼭 받아야 하는데 가능한가요'는 필요한 대응이 다를 수 있습니다. 이때 AI에 문의 유형과 요청 내용을 추출하게 하고, 추출 근거가 되는 원문 문장도 함께 남기도록 설계할 수 있습니다. 이는 가능한 실무 제안이며, 특정 모델이 항상 정확하게 처리한다는 보장은 아닙니다.


이후 담당자 지정은 다시 규칙으로 돌아오는 편이 관리하기 쉽습니다. 배송 문의는 물류 담당자에게, 결제 문의는 정산 담당자에게 보내고, 분류가 불명확하거나 여러 유형이 섞였으면 검토함으로 보냅니다. AI가 조직의 담당자 명단을 상상해서 결정하도록 둘 필요는 없습니다.


답장도 초안 작성과 실제 발송을 분리할 수 있습니다. 특히 환불, 보상, 납기 확약처럼 고객과의 약속이 생기는 문장은 사람이 확인하도록 남겨두는 방식을 권합니다. 분류가 맞았다는 사실만으로 답장의 약속까지 적절하다고 볼 수는 없기 때문입니다.

업무 구간 먼저 검토할 방식 확인할 조건
수신 기록·첨부 저장 일반 자동화 저장 위치와 실패 기록이 명확한가
문의 내용 해석 AI 활용 검토 원문 근거와 검토 경로를 남길 수 있는가
담당자 연결 규칙 기반 분기 확정된 담당자 목록을 사용하는가
답장 초안 작성 AI 보조 확인되지 않은 약속을 만들지 않는가
대외 발송 승인 후 실행부터 시작 보낼 대상과 최종 문안을 확인했는가

이렇게 나누면 AI 결과가 잘못됐을 때 어느 구간을 수정해야 하는지도 비교적 분명해집니다. 담당자 목록이 바뀌었다면 목록을 고치고, 문의 해석이 틀렸다면 분류 기준과 예시를 살펴보면 됩니다.


AI가 자동화를 만들어 주는 것과 매번 실행하는 것은 다릅니다

섹션3


AI를 써서 스크립트나 자동화 흐름을 만드는 경우도 있습니다. 사람이 자연어로 요구사항을 설명하고 AI가 파일 정리 코드를 작성했다면, AI는 제작을 도운 것입니다. 완성된 코드가 정해진 조건만 확인하며 실행된다면 매번 모델을 호출하지 않아도 됩니다.


Red Hat도 자연어를 이용해 자동화 플레이북을 작성하는 코딩 보조 활용을 소개합니다. 여기서 얻을 수 있는 실무적인 해석은 분명합니다. AI를 도입한다고 해서 모든 실행 단계를 AI에 맡겨야 하는 것은 아닙니다.


저는 정해진 규칙으로 충분한 업무라면 이 선택을 먼저 검토하겠습니다. AI로 초안을 만들되 사람이 조건과 예외를 확인하고, 실제 실행은 검토된 코드에 맡기는 방식입니다. 다만 AI가 작성했다는 이유로 코드가 검증된 것은 아닙니다. 덮어쓰기나 외부 전송을 하는 작업은 복사본이나 시험 환경에서 먼저 실행해야 합니다.


실행 중에도 AI를 호출하는 구조는 새로운 자료를 해석할 때 유용할 수 있습니다. 대신 모델 호출 비용과 지연, 잘못된 결과를 검토하는 부담이 생깁니다. 어느 쪽이 더 경제적인지는 업무량과 오류 비용을 실제로 확인해야 판단할 수 있습니다. 모든 팀에 같은 절감률을 약속하기는 어렵습니다.


도입 전에는 정답이 있는 일과 해석이 필요한 일을 표시해 보세요

섹션4


바로 적용할 수 있는 방법은 현재 업무를 한 줄씩 적고, 각 줄 옆에 판단 근거를 붙이는 것입니다. '첨부파일 저장' 옆에는 저장 폴더와 파일명 규칙을, '문의 분류' 옆에는 분류 기준과 애매한 사례를 적습니다. 정답을 설명할 수 없거나 팀 안에서도 의견이 갈리는 단계는 먼저 확인할 대상으로 남겨둡니다.


그다음 실제 자료를 사용할 권한과 개인정보 처리 범위를 확인한 뒤 작은 시험을 진행하는 편이 좋습니다. 정상적인 입력만 고르지 말고 누락된 첨부파일, 중복 메일, 여러 요청이 섞인 문장도 포함해야 합니다. AI의 분류 결과뿐 아니라 사람이 수정하는 데 든 시간과 잘못 연결된 건을 복구하는 과정까지 함께 살펴보세요.


AI가 스스로 내놓은 확신 점수 하나만으로 발송이나 승인을 결정하는 설계는 권하지 않습니다. 필요한 항목이 비어 있는지, 허용된 분류값인지, 원문 근거가 있는지처럼 별도로 확인할 조건을 두는 편이 낫습니다. 조건을 만족하지 못한 건은 사람이 이어받도록 남겨두면 됩니다.


첫 적용 대상으로는 결과를 검토한 뒤 되돌릴 수 있는 단계를 추천합니다. 메일 발송 전체를 맡기기 전에 문의 분류 제안만 받아보는 식입니다. 이 시험에서 해석을 맡길 가치가 확인되면 다음 단계를 연결할 수 있습니다. 규칙으로 이미 안정적으로 처리되는 구간은 그대로 유지해도 됩니다.


현재 자동화하려는 일을 적어 놓고, 문장의 의미를 읽어야 하는 단계에만 표시해 보세요. 그 표시가 없는 구간은 일반 자동화 후보입니다. 표시가 있는 구간은 AI를 검토하되, 틀린 결과를 누가 확인하고 어디서 멈출지까지 함께 정하는 것이 다음 작업입니다.


출처: Red Hat, AI와 자동화 비교하기: 차이점. 기술 구분은 공식 설명을 참고했으며, 문의 처리 예시와 도입 순서는 이를 바탕으로 한 실무 제안입니다.


업무를 단계별로 나누고 적용 범위를 정하는 데 도움이 필요하시면 카카오톡 오픈채팅으로 AI/AX 컨설팅 문의하기를 이용하실 수 있습니다.


류웅수 프로필 보기


태그: #AI자동화 #업무자동화 #워크플로 #AI도입