AI 업무 자동화, 우리 팀 업무 중 어디까지 맡길 수 있을까?

직답 요약

업무 자동화의 성패는 AI가 자동으로 처리할 업무와 사람이 최종적으로 확인하거나 결정할 업무를 먼저 나누는 데 달려 있습니다. AI에는 자료 수집·분류·요약·입력처럼 판단 기준을 말로 설명할 수 있는 단계까지 맡길 수 있습니다. 반면 예외 상황을 처리하거나, 결과에 책임을 지거나, 실행 후 되돌리기 어려운 결정을 내리는 일은 사람에게 남겨야 합니다.

이제 팀 안에서 AI를 쓰는 사람이 절반은 넘습니다. 보고서 초안을 잡을 때도 회의록을 정리할 때도 각자 알아서 AI 서비스를 열어 쓰고 있습니다. 그런데 팀 전체가 그 일에 쓰는 시간은 좀처럼 줄지 않습니다. 매주 같은 자료를 모아 같은 양식에 옮기고, 같은 담당자에게 전달하는 업무가 여전히 사람의 몫으로 남아 있기 때문입니다. 팀의 업무 목록을 살펴보면 과거에 엑셀 매크로나 RPA로 자동화를 시도했다가 중단된 업무도 함께 발견됩니다.

이 글은 이러한 반복 업무를 줄이고 싶은 팀장을 대상으로 작성했습니다. 처음에는 개발자 없이 자동화 가능성을 검토하더라도, 실제 도입 단계에서는 IT팀·보안팀과 협의해야 하는 상황을 전제로 합니다. 먼저 자동화할 업무를 고르는 기준부터 살펴보고, 그 기준에 따라 실제 업무를 분류한 뒤 구현 방법까지 차례대로 알아보겠습니다.

AI 업무 자동화란 무엇이고, 각자 챗GPT 쓰는 걸로는 왜 안 줄어들까?

개인이 AI를 쓰는 것과 팀 업무가 자동화되는 것은 서로 다른 일입니다. 개인이 AI를 사용할 때는 사람이 매번 챗GPT를 열고 직접 지시해야 합니다. 반면 업무 자동화는 사람이 실행하지 않아도 정해진 시간이나 사건을 기준으로 시작되고, 미리 정한 순서에 따라 결과를 만든 뒤 다음 단계로 전달합니다.

대한상공회의소 SGI가 2026년 1월 발표한 조사를 보면 임금근로자 3,000여명 가운데 약 56%가 생성형 AI를 업무에 활용하고 있었습니다. 활용자들은 생성형 AI가 없었다면 평균 8.4시간을 더 일해야 했을 것이라고 답했습니다.

다만 생성형 AI를 오래 사용하는 것만으로는 생산성 향상이 확인되지 않았고, 상황과 목표에 맞게 프롬프트를 작성하는 능력이 높을수록 통계적으로 유의한 개선이 나타났습니다.

하지만 능숙하게 프롬프트를 작성할 수 있는 고도 활용자는 전체의 13.6%에 그쳤습니다. 생성형 AI를 사용하는 사람은 절반을 넘었지만 전체 근로자를 기준으로 보면 능숙하게 활용하는 사람은 일곱 명 중 한 명 정도인 셈입니다.

대한상의가 기업에 제안한 방향도 이 지점과 맞닿아 있습니다. 생성형 AI 활용을 개인의 자율에만 맡기지 말고, 효과가 검증된 사례를 업무 유형별로 표준화해 조직 전체에 공유하는 체계를 갖추라는 것입니다. 개인이 익힌 활용법이 팀의 표준으로 남지 않으면 그 방법은 옆 사람에게 자연스럽게 전달되지 않습니다. 개인의 작업 속도는 빨라질 수 있어도 팀 단위의 반복 업무는 그대로 남게 됩니다.

팀 업무 자동화는 이 문제를 다른 방식으로 해결합니다. 사람마다 다르게 지시하던 업무를 한 번 정리한 뒤, AI가 같은 기준과 순서로 반복해서 처리하고, 사람은 정해진 예외 건만 확인하는 흐름으로 바꾸는 것입니다.

따라서 도입을 검토할 때는 팀의 업무 목록을 펼쳐 봐야 합니다.

엑셀 매크로나 RPA만으로는 왜 충분하지 않을까?

규칙으로 설명할 수 있는 업무는 오래전부터 자동화 대상이었습니다. 지금까지 사람에게 남아 있는 일은 판단이 끼어들어 규칙만으로 처리하기 어려운 업무입니다.

로봇 프로세스 자동화(RPA, Robotic Process Automation)는 소프트웨어 로봇이 데이터 입력이나 파일 이동, 거래 처리처럼 반복적이면서 규칙에 따라 처리되는 업무를 대신하는 기술입니다. RPA 솔루션을 공급하는 UiPath는 자사 제품 소개에서 적합한 대상을 "대량으로 반복되는 규칙 기반 업무"로 명시하면서 특히 여러 시스템에 걸친 업무에 잘 맞는다고 설명합니다.

이 정의를 반대로 보면 RPA가 처리하기 어려운 범위도 드러납니다. 바로 규칙만으로 설명하기 어려운 업무입니다. 예를 들어 협력사가 보낸 메일에서 요청 사항을 찾아 담당 부서로 전달하는 업무를 생각해 보겠습니다. 메일마다 표현이 다르기 때문에 ‘제목에 견적이라는 단어가 있으면 구매팀으로 보낸다’는 식으로 조건을 정하면 상당수 메일이 잘못 분류됩니다. 사람은 메일을 읽으면 요청의 의미를 비교적 쉽게 파악합니다. 하지만 사람이 문맥을 읽고 이해하는 과정을 빠짐없이 조건문으로 옮기는 것은 어렵습니다.

엑셀 매크로도 비슷합니다. 셀 위치와 처리 순서가 고정돼 있어야 정상적으로 작동하기 때문에 양식이 조금만 달라져도 멈출 수 있습니다. 그래서 매크로로 자동화된 업무는 대체로 양식을 직접 통제할 수 있는 내부 문서에 머물러 있습니다.

AI를 활용한 자동화는 이 지점에서 차이가 납니다. 판단이 필요한 부분을 세부 조건문으로 작성하는 대신, 사람이 사용하는 말로 판단 기준을 설명할 수 있기 때문입니다. 메일 본문을 읽고 요청 유형을 분류하는 일은 규칙만으로 정의하기 어렵지만, 다음과 같이 지시할 수는 있습니다.

“메일의 내용을 읽고 견적 요청, 하자 접수, 단순 문의 가운데 하나로 분류하라.”

즉, 자동화의 경계가 규칙을 코드로 작성할 수 있는가에서 판단 기준을 말로 설명할 수 있는가로 넓어진 것입니다.

AI에 어디까지 맡기고, 사람은 어느 지점에서 확인해야 할까?

AI에는 판단 기준을 말로 설명할 수 있는 처리 단계까지 맡기고, 예외 판단과 최종 책임은 사람에게 남깁니다. 공개된 사례를 살펴보면 AI에 위임하는 범위는 크게 세 단계로 나뉩니다. 이 글에서는 이를 ‘위임 수준’이라고 부르겠습니다.

1단계: AI는 정보를 제공하고, 판단은 사람이 한다

LG유플러스는 2025년 7월부터 홈 서비스 설치와 A/S 현장에 AI 업무 비서를 앱 형태로 도입했습니다.

AI 업무 비서는 400건이 넘는 업무 매뉴얼을 학습해 표준화된 정보를 제공하며, 하루 평균 2,800건 이상 사용되고 있습니다. LG유플러스 뉴스룸에 따르면 도입 전에는 현장에서 장애가 발생했을 때 사례별로 적절한 조치 방법을 찾는 데 시간이 필요했습니다.

이 사례에서 AI의 역할은 필요한 정보를 찾아 보여 주는 데까지입니다. 어떤 조치를 실제로 선택하고 실행할지는 현장 직원이 결정합니다. 현장에는 매뉴얼에 기록되지 않은 변수가 많기 때문에 모든 판단 기준을 사전에 문장으로 정리하기 어렵기 때문입니다.

2단계: 수집과 분석은 AI가 하고, 해석은 사람이 한다

사내 AI 워크플로를 만드는 솔루션인 Dify가 공개한 고객 사례 가운데에는 전 세계 1억 명 이상이 사용하는 소비자 가전 기업의 고객 의견 분석 사례가 있습니다. 도입 전에는 제품 담당자가 많은 양의 사용자 리뷰를 직접 수집하고 분석했습니다. 자동화 이후에는 분석 시간이 8시간에서 3시간으로 줄었고, 월간 처리량은 15,000건에서 50,000건으로 증가했습니다.

리뷰를 수집하고, 유형별로 분류하고, 주요 내용을 요약하는 단계까지는 판단 기준을 문장으로 설명할 수 있습니다. 반면 분석 결과를 바탕으로 제품을 어떻게 개선할지 결정하는 일은 사람에게 남았습니다. Dify 블로그는 담당자가 반복적인 분석 업무 대신 순추천지수인 NPS를 높이는 데 더 많은 시간을 사용할 수 있게 됐다고 설명합니다.

3단계: 실행까지 AI가 맡고, 사람은 예외만 확인한다

Dify가 공개한 재무 업무 사례에서는 법인카드 지출 내역을 회계 시스템에 기록하는 업무를 자동화했습니다.

건당 3~5분이 걸리던 처리 시간이 5초 미만으로 줄었고, 사람이 직접 확인해야 하는 비율은 100%에서 약 15%로 낮아졌습니다. 여기서 사람이 맡는 일은 모든 거래를 다시 검토하는 것이 아닙니다. 신규 거래처, 고액 거래, 민감 계정처럼 사전에 정한 조건에 해당하는 거래만 확인하고 승인하는 일입니다.

신규 거래처이거나 금액이 크거나 민감한 계정과 관련된 거래는 시스템이 자동으로 보류 항목을 생성해 재무팀에 전달합니다. 재무팀은 해당 거래의 증빙과 내용을 확인한 뒤 승인하거나 수정합니다. 반면 신뢰도가 높고 반복 패턴이 일정한 거래는 별도의 확인 없이 통과시킵니다.

세 사례의 차이를 만든 것은 업무의 종류가 아니었습니다. 판단 기준을 어느 단계까지 문장으로 설명할 수 있었는지, 그리고 사람이 확인할 조건을 얼마나 구체적으로 정했는지가 AI에 맡길 범위를 결정했습니다. 재무 사례가 실행 단계까지 자동화될 수 있었던 이유도 업무가 단순해서가 아닙니다. 사람이 반드시 확인해야 하는 조건을 세 가지로 구체화할 수 있었기 때문입니다.

개발자 없이 만들 수 있고, 사내 자료는 외부로 나가지 않을까?

코드가 필요한 부분은 전체 흐름이 아니라 특정 단계에 집중돼 있으며, 데이터가 저장되는 위치는 배포 방식에 따라 달라집니다.

개발자가 필요한 지점

앞서 사례로 살펴본 Dify를 기준으로 보면 업무 흐름은 각 단계를 나타내는 상자를 화면에서 연결해 만듭니다. 문서를 읽고 분류한 뒤 메일을 보내는 단계를 선으로 연결하는 방식입니다. 이때 각 상자를 ‘노드’라고 부릅니다.

문서를 읽고, 내용을 분류하고, 조건에 따라 경로를 나누고, 결과를 전달하는 단계까지는 코드를 작성하지 않고 조립할 수 있습니다. 코드는 Code 노드에서 사용합니다. Dify 공식 문서는 Code 노드를 ‘미리 제공되는 노드만으로 처리하기 어려울 때’ 사용하는 기능으로 설명하며, 파이썬과 자바스크립트를 실행할 수 있도록 지원합니다.

예를 들어 사내 시스템에서 전달하는 데이터 형식이 일반적이지 않아 별도의 변환이 필요하거나, 계산 규칙이 복잡한 경우가 이에 해당합니다. 이때 IT팀에 요청할 범위는 주로 해당 변환 단계입니다.

모델 연결 방식도 확인해야 합니다. Dify 공식 문서에 따르면 LLM 노드를 사용하기 전에 통합 메뉴에서 모델 제공자를 최소 하나 이상 설정해야 합니다. 즉, Dify를 도입한 뒤 실제로 사용할 AI 모델을 별도로 연결하는 구조입니다.

사내 자료의 반출 여부

배포 방식에 따라 달라집니다.

Dify Enterprise는 세 가지 배포 방식을 제공합니다. 첫 번째는 공급사가 고객이 선택한 리전의 전용 클러스터에 호스팅하는 방식입니다. 두 번째는 회사가 보유한 AWS·GCP·Azure 계정 안에 설치하는 방식입니다. 공식 페이지는 이 경우 데이터가 회사의 보안 경계를 벗어나지 않는다고 설명합니다. 세 번째는 외부 인터넷과 분리된 환경에서 운영하면서 사내에 설치한 모델을 연결하는 폐쇄망 방식입니다. Dify는 이 방식을 의료, 금융, 소매, 자동차처럼 높은 수준의 보안이 필요한 산업을 위해 제공한다고 밝히고 있습니다.

보안 기능도 함께 확인해야 합니다. Enterprise 등급에서는 SAML·OIDC 기반 통합 인증인 SSO, 워크플로 단위까지 설정할 수 있는 역할 기반 접근 제어인 RBAC, 변조 흔적을 남기는 감사 로그, 개인정보를 가린 프롬프트 이력 등이 제공됩니다. 모델 학습에 고객 데이터가 사용되지 않는다는 조건도 함께 명시돼 있습니다.

다만 이러한 조건은 Enterprise 등급을 기준으로 합니다. 무료 등급이나 일반 클라우드 등급은 공급사가 운영하는 서버에 데이터가 올라가는 구조이기 때문에 같은 조건이 그대로 적용되지는 않습니다.

사내 데이터를 외부에 저장하지 않는 구성을 검토하고 있다면 온프레미스 AI와 망분리 편에서 솔루션의 설치 위치와 AI 모델의 위치를 나눠 판단하는 방법을 확인할 수 있습니다.

고른 업무를 실제 업무 흐름으로 어떻게 만들까?

흐름을 만드는 작업은 세 가지를 정하는 것으로 끝납니다. 언제 시작할지, 실패하면 어떻게 할지, 사람이 어디서 볼지입니다. 앞에서 적은 예외 조건이 세 번째 자리에 그대로 들어갑니다.

언제 시작할지

사람이 버튼을 누르지 않아도 돌게 하려면 시작 지점에 트리거를 둡니다. Dify 문서는 트리거를 "사용자나 API 호출을 기다리는 대신 일정에 따라 또는 외부 시스템의 이벤트에 반응해 워크플로가 자동으로 실행되게 하는 시작 노드"로 정의합니다. 종류는 셋인데 정해진 시각이나 주기로 도는 일정 트리거, 외부 시스템에서 특정 사건이 생길 때 도는 연동 트리거, 별도로 만든 수신 주소로 신호를 받는 웹훅 트리거입니다.

주간 취합 업무라면 일정 트리거가 맞습니다. 하나 알아 둘 제약은 워크플로 하나에 일정 트리거를 최대 한 개까지만 걸 수 있다는 점이라서 주간과 월간을 다른 주기로 돌리려면 흐름을 나눠야 합니다.

실패하면 어떻게 할지

저희가 검토 자리에서 가장 자주 비어 있는 항목이 오류 처리입니다. Dify에서 오류 처리를 지원하는 노드는 LLM·HTTP·Code·Tool 네 가지이고 선택지는 세 가지인데 아무것도 고르지 않았을 때의 기본 동작이 중요합니다. 공식 문서는 기본값을 "노드 하나가 실패하면 워크플로 전체가 멈춘다"로 명시합니다.

50건을 처리하는 흐름에서 12번째 건의 첨부 파일이 깨져 있으면 나머지 38건도 그대로 섭니다. 그리고 아무도 모릅니다. 사람이 매번 확인하던 업무를 자동화하면 확인하던 사람도 같이 사라지기 때문입니다.

기본값을 그대로 두지 않는다면 남는 선택지는 둘입니다. 대체값을 미리 정해 두면 실패한 건에 그 값을 넣고 흐름은 계속 진행되며, 실패 분기를 두면 실패한 건만 따로 빠져 별도 경로로 갑니다. 취합 업무라면 실패 분기로 빼서 담당자 메일로 보냅니다.

사람이 어디서 볼지

그 예외 조건을 조건에 따라 길을 나누는 조건 분기로 옮깁니다. 재무 사례의 구성을 그대로 가져오면 신규 거래처나 고액 거래에 걸린 건은 처리 대신 보류 상태로 만들어 담당자에게 알림을 보내는 경로로 나누고 걸리지 않은 건은 그대로 통과시킵니다.

이렇게 해 두면 흐름이 도는 동안 사람은 걸린 건만 봅니다. 전부 맡기는 쪽과 전부 사람이 보는 쪽 사이에서 어디까지 통과시키고 어디서 세울지가 흐름 안에 적혀 있기 때문입니다. 참고로 Dify에서 이런 단발 처리 흐름은 워크플로 앱으로 만들고 대화형으로 주고받는 형태는 챗플로로 만드는데 취합·검토·전달처럼 한 번 돌고 끝나는 업무는 앞쪽에 해당합니다.

우리 팀은 무엇부터 시작하면 될까?

첫 번째로 할 일은 업무 목록에서 AI가 자동 처리할 범위와 사람이 확인·승인할 조건을 구체적으로 정할 수 있는 항목을 찾는 것입니다. 솔루션 선택은 그다음입니다. 다음 순서로 진행할 수 있습니다.

1. 팀의 반복 업무를 목록으로 정리합니다. 주간이나 월간 단위로 반복되는 업무부터 작성합니다. 각 업무에 사람이 어느 정도의 시간을 쓰고 있는지도 대략 함께 기록합니다.

2. 세 가지 질문으로 대상을 좁힙니다. 결과물의 형태가 정해져 있는지, 판단 기준을 신입 직원에게 설명할 수 있는지, 결과가 틀렸을 때 되돌릴 수 있는지를 확인합니다.

3. AI의 자동 처리 범위와 사람의 확인 조건을 작성합니다. 다음 두 문장을 각각 완성합니다.

“이 조건에서는 AI가 여기까지 자동으로 처리한다.”

“이 조건에 해당하면 AI가 처리를 멈추고 담당자가 확인·승인·수정한다.”

예를 들어 다음과 같이 작성할 수 있습니다.

• 일반 거래처의 10만 원 이하 반복 지출은 AI가 회계 시스템에 자동 입력한다.

• 신규 거래처이거나 100만 원을 넘는 지출은 AI가 입력을 보류하고 담당자가 증빙을 확인한 뒤 승인한다.

• 고객 발송 메일은 AI가 초안을 작성하지만 담당자가 최종 승인한 뒤 발송한다.

사람이 확인할 조건을 구체적으로 작성하기 어려운 업무는 아직 실행까지 자동화할 단계가 아닙니다. 이런 업무는 정보를 찾아 제공하는 1단계에 두는 편이 적절합니다.

4. 오류 처리와 알림부터 설정합니다. 시범 운영을 시작하기 전에 실패했을 때의 처리 방식과 알림 대상을 먼저 정합니다. 문제가 발생했을 때 누가, 언제 알게 되는지 정해지지 않은 워크플로는 자동으로 실행하지 않는 것이 안전합니다.

5. 가장 작은 업무 하나로 시범 운영합니다. 오류가 생겨도 되돌릴 수 있고, 반복 빈도가 높은 업무가 첫 번째 대상으로 적합합니다. 내부 자료 취합이나 보고서 초안 작성처럼 외부에 직접 영향을 주지 않는 업무부터 시작할 수 있습니다.

실제 검토 과정에서 가장 많은 시간이 필요한 단계는 세 번째인 자동 처리 범위와 사람의 확인 조건 작성입니다. AI가 어디까지 처리하고, 어떤 조건에서 멈추며, 사람이 무엇을 확인한 뒤 승인하거나 수정할지 세 줄 안쪽으로 정리하고 나면 이후 과정은 그 기준을 화면에서 업무 흐름으로 조립하는 작업이기 때문에 예상보다 빠르게 진행할 수 있습니다.

자주 묻는 질문

RPA를 이미 쓰고 있으면 AI 자동화는 필요 없을까요?

두 방식은 대상이 다릅니다. RPA는 규칙 기반 업무에 맞고 AI 자동화는 판단이 개입하는 자리를 맡습니다. 실제로는 한 흐름 안에서 섞여 돌아가는 경우가 많습니다. 문서에서 내용을 뽑는 단계는 AI가 처리하고 뽑은 값을 기간 시스템에 입력하는 단계는 기존 자동화가 처리하는 구성입니다.

자동화하면 사람이 하던 일이 얼마나 줄어들까요?

공개된 사례를 기준으로 보면 위임 수준에 따라 다릅니다. 실행까지 맡긴 재무 사례에서 사람이 직접 확인하는 비율이 100%에서 약 15%로 내려갔고 분석까지 맡긴 사례에서는 분석에 걸리던 8시간이 3시간이 됐습니다. 저희가 확인한 공개 사례 중에는 사람 확인이 0%가 되는 구성이 없었습니다. 예외 확인은 남습니다.

개발자 없이 부서에서 직접 만들 수 있을까요?

흐름 설계는 화면에서 노드를 이어 붙이는 방식이라 코드 없이 됩니다. 사내 시스템 응답을 변환하거나 계산 규칙이 복잡한 경우에만 Code 노드에서 파이썬이나 자바스크립트가 필요합니다. 그 한 자리를 IT팀에 요청하는 구성이 일반적입니다.

우리 회사 문서를 넣으면 외부로 나갈까요?

배포 방식이 정합니다. 자사 클라우드 계정 안에 설치하면 데이터가 보안 경계를 벗어나지 않고 폐쇄망 구성으로는 완전히 오프라인 운영도 가능합니다. 다만 이 구성은 Enterprise 등급에서 제공되므로 무료 등급을 그대로 사내에 여는 것과는 전제가 다릅니다.

무엇부터 자동화하는 게 좋을까요?

되돌릴 수 있으면서 반복 빈도가 높은 업무입니다. 내부 취합이나 초안 작성이 여기 들어갑니다. 외부로 나가는 메일이나 금액이 걸린 처리는 예외 조건을 충분히 적을 수 있게 된 뒤로 미루는 편이 안전합니다.

출처

출처

• 대한상공회의소 SGI, '생성형 AI와 기업의 생산성: 현실과 과제'(이창근·김용미), 2026-01-28 발표, 임금근로자 3,000여명 설문: https://www.korcham.net/nCham/Service/Economy/appl/KcciReportDetail.asp?SEQ_NO_C010=20120944234&CHAM_CD=B001

• LG유플러스 뉴스룸, 'LG U+, 현장 직원에게 AI 비서 도입해 업무 효율 높였다', 2025-10-10: https://news.lguplus.com/20176

• UiPath, 'Robotic Process Automation (RPA)': https://www.uipath.com/rpa/robotic-process-automation

• Dify Blog, 'Finance Automation in Action': https://dify.ai/blog/finance-automation-in-action-how-to-solve-the-credit-first-management-challenge-with-dify-workflow

• Dify Blog, 'How Dify.AI powers the company that is powering the world': https://dify.ai/blog/how-dify-ai-powers-the-company-that-is-powering-the-world

• Dify Docs, 'Trigger Overview': https://docs.dify.ai/en/cloud/use-dify/nodes/trigger/overview

• Dify Docs, 'Predefined Error Handling Logic': https://docs.dify.ai/en/use-dify/build/predefined-error-handling-logic

• Dify Docs, 'Code Node': https://docs.dify.ai/en/cloud/use-dify/nodes/code

• Dify Docs, 'LLM Node': https://docs.dify.ai/en/cloud/use-dify/nodes/llm

• Dify Docs, 'Key Concepts': https://docs.dify.ai/en/learn/key-concepts

• Dify, 'Dify Enterprise': https://dify.ai/dify-enterprise