반복업무를 AI에게 계속 시키는 것은 자동화가 아니다. 같은 일이 반복된다면 먼저 워크플로우로 내려야 한다. AI는 반복 노동자가 아니라, 반복을 시스템으로 바꾸는 설계자에 가까워야 한다.
AI 도입을 이야기하면 가장 먼저 나오는 말이 있다. “반복업무를 AI 직원에게 맡기면 되지 않을까?” 듣기에는 맞다. 실제로도 처음 며칠은 그렇게 보인다. 링크를 요약하고, 문서를 정리하고, 제목을 붙이고, 보고서 형식을 맞추는 일을 AI가 빠르게 처리한다.
그런데 같은 일을 매일 시켜 보면 문제가 드러난다. 매번 프롬프트를 읽혀야 하고, 매번 토큰 비용이 들고, 매번 결과를 확인해야 한다. 어떤 날은 잘하고, 어떤 날은 묘하게 흔들린다. 사람이 하던 반복 업무가 사라진 것이 아니라, “AI에게 반복 지시하고 검수하는 일”로 바뀐 셈이다.
반복업무의 본질은 지능이 아니라 절차다
반복업무는 대개 창의성이 필요한 일이 아니다. 입력이 있고, 규칙이 있고, 출력 형식이 있다. 실패했는지 확인할 기준도 있다. 이런 일은 비싼 모델의 판단보다 코드와 워크플로우가 더 잘한다.
- 금지어를 검사한다.
- 날짜와 파일명 규칙을 맞춘다.
- 중복 URL을 정규화한다.
- 필수 항목이 비었는지 확인한다.
- 템플릿 구조가 빠졌는지 점검한다.
- 검증 결과를 로그로 남긴다.
이런 일은 AI가 “생각”할 필요가 없다. 생각하면 오히려 흔들린다. 같은 입력에는 같은 결과가 나와야 하고, 실패하면 어디서 실패했는지 남아야 한다. 이것이 워크플로우의 영역이다.
AI에게 맡기면 비싸지는 일
AI에게 반복업무를 계속 맡기면 다섯 가지 비용이 생긴다.
- 같은 규칙을 매번 설명하는 비용
- 모델 호출마다 발생하는 토큰/API 비용
- 출력이 조금씩 달라져 다시 확인해야 하는 검수 비용
- 실패 원인이 로그가 아니라 대화 속에 흩어지는 관리 비용
- 반복 패턴이 스크립트나 제품 기능으로 승격되지 못하는 기회비용
여기서 가장 큰 손실은 돈보다 구조다. 반복되는 일을 계속 AI에게 시키면, 조직은 “어떤 규칙이 반복되는지”를 발견할 기회를 놓친다. 자동화의 씨앗을 매번 프롬프트로 태워 버리는 셈이다.
먼저 세 가지로 분류한다
업무를 AI에 맡기기 전에 먼저 분류해야 한다.
예를 들어 링크 모음에서 URL을 정규화하고 중복을 찾는 일은 워크플로우가 한다. 제목 후보와 한 줄 요약 초안은 로컬 LLM이 해도 된다. 공개해도 되는 글인지, 어떤 관점으로 칼럼화할지는 고성능 AI나 사람이 판단해야 한다.
이렇게 나누면 AI를 덜 쓰게 된다. 그런데 결과는 더 좋아진다. 싼 일은 싸게 처리하고, 중요한 일에만 비싼 판단을 쓰기 때문이다.
코드화 가능한 규칙은 따로 뽑아야 한다
좋은 기준은 단순하다. 아래 네 가지에 걸리면 AI에게 계속 맡기지 말고 규칙으로 뽑아낼 후보로 봐야 한다.
- 공식화할 수 있는가? 계산이나 변환 규칙으로 표현되는가?
- 조건화할 수 있는가? 통과/실패, 포함/제외로 나눌 수 있는가?
- 규격화할 수 있는가? 파일명, 제목 길이, 필드 구조처럼 형식이 있는가?
- 검증화할 수 있는가? 결과가 맞는지 자동 확인할 수 있는가?
이 네 가지는 비개발자에게도 중요하다. 모든 사람이 코드를 직접 짤 필요는 없다. 다만 “이건 판단이 아니라 규칙이다”라고 구분할 수 있어야 한다. 그래야 AI에게 좋은 지시를 할 수 있고, 나중에는 그 지시가 스크립트나 워크플로우로 승격된다.
AI가 진짜로 필요한 자리
그렇다고 AI를 빼자는 이야기가 아니다. 오히려 반대다. AI를 제대로 쓰려면 반복에서 빼야 한다.
- 사용자의 애매한 요청 의도를 파악한다.
- 규칙만으로 닫히지 않는 예외를 해석한다.
- 새로운 업무 흐름을 설계한다.
- 글의 관점과 메시지를 잡는다.
- 실패 패턴을 보고 다음 자동화 후보를 찾는다.
- 사람이 검토해야 할 쟁점을 정리한다.
AI는 “매일 같은 표를 정리하는 직원”보다 “이 표 정리가 왜 매일 반복되는지 보고, 다음 달부터는 자동으로 끝나게 만드는 설계자”에 가까워야 한다.
성과측정도 분리해야 한다
워크플로우와 AI는 평가 기준이 다르다. 워크플로우는 정확성, 재현성, 실패율, 처리시간을 본다. AI 결과는 사실성, 유용성, 구조, 공개 안전성, 다음 행동의 적절성을 본다.
평가가 분리되어야 개선도 분리된다. 규칙 문제를 모델 교체로 해결하려 하면 비용만 늘어난다. 반대로 판단 문제를 스크립트로 억지로 닫으면 예외를 놓친다.
작게 시작하는 방법
처음부터 거대한 자동화 시스템을 만들 필요는 없다. 매일 반복되는 작업 하나만 고르면 된다.
- 최근 일주일 동안 AI에게 세 번 이상 시킨 일을 찾는다.
- 그중 입력과 출력 형식이 비슷한 일을 고른다.
- 사람이 매번 확인하는 기준을 적는다.
- 규칙으로 닫히는 부분과 판단이 필요한 부분을 나눈다.
- 규칙 부분은 스크립트나 체크리스트로 내린다.
- 예외와 해석만 AI에게 맡긴다.
- 실패 로그를 남기고 다음 개선 후보를 찾는다.
이 정도만 해도 AI 사용 방식이 달라진다. “이번에도 해줘”가 아니라 “이번부터는 어디까지 자동으로 처리하고, 어디서부터 판단할까?”로 질문이 바뀐다.
누리의 결론
AI 시대의 생산성은 AI가 얼마나 많이 일했는가로 결정되지 않는다. 오히려 반대다. 좋은 시스템은 AI를 덜 호출하면서도 더 좋은 결과를 낸다.
반복은 워크플로우가 맡고, 저비용 언어 처리는 로컬 모델이 맡고, 고난도 판단은 좋은 AI와 사람이 맡는다. 그리고 그 결과는 다시 규칙, 템플릿, 평가 로그, 지식 자산으로 남아야 한다.
반복업무는 AI가 아니라 워크플로우가 해야 한다. AI는 반복을 대신하는 직원이 아니라, 반복을 없애는 구조를 설계하는 파트너여야 한다.