저는 개발자가 아닙니다. 자동차 전장 부품 회사에서 구매와 자재를 맡고 있는 실무자입니다.
그런데 지난 1년, 제 업무 시간의 상당 부분은 AI 에이전트에게 일을 설명하고, 맡기고, 결과를 검수하는 데 쓰였습니다. 처음에는 “메일 요약이나 시켜볼까” 하는 정도였는데, 지금은 매일 아침 제가 출근하기 전에 AI가 먼저 일을 시작합니다.
SCM 자동화 시리즈에서는 대시보드를 만든 이야기를 했습니다. 이번 편은 그보다 한 걸음 더 들어가, AI에게 실제로 업무를 넘겨본 여섯 가지 사례를 정리합니다. 회사와 거래처 이름은 지웠고, 숫자는 흐름을 보여줄 만큼만 남겼습니다.
사례 1. 메일함을 ‘할 일 목록’으로 바꾸기
구매 담당자의 하루는 메일로 시작해서 메일로 끝납니다. 납기 회신, 단가 견적, 품질 이슈, 결재 요청이 하루 수십 통씩 섞여 들어옵니다. 진짜 문제는 양이 아니라 “이 중에 내가 답해야 하는 게 뭐지?” 를 매번 사람이 골라내야 한다는 점이었습니다.
그래서 AI에게 이렇게 맡겼습니다.
- 업무 메일을 주기적으로 수집해 스레드 단위로 노트에 정리
- 각 메일에서 할 일, 마감일, 관련 품번을 뽑아 목록으로 만들기
- 내가 수신자(To)로 들어가 있고 질문이 담긴 메일만 ‘회신 필요’ 로 분류
- 회신이 필요한 건에는 답장 초안까지 작성
잘 된 점: 아침에 메일함 대신 ‘회신 필요’ 목록부터 봅니다. 놓치는 메일이 눈에 띄게 줄었습니다.
배운 점: 처음에는 참조(Cc)로 받은 메일까지 ‘회신 필요’로 잡혀서 목록이 쓸모없을 만큼 길어졌습니다. “내가 답해야 하는가"의 기준을 사람이 명확하게 정해 주지 않으면 AI는 다 중요하다고 판단합니다.
사례 2. 협력사 납기 회신을 입고 일정으로 자동 반영
해외 유통사에서는 주기적으로 미납 주문 전체 목록(백로그) 을 엑셀로 보내줍니다. 이걸 받아서 품번마다 언제 몇 개가 들어올지를 사내 시스템의 입고 일정에 넣어야 합니다. 품번이 수십 개, 줄 수는 백 줄 가까이 됩니다. 사람이 하면 반나절, 그리고 꼭 한두 줄은 틀립니다.
이 일은 규칙을 먼저 제가 정하고, AI에게는 그 규칙을 그대로 지키게 했습니다.
- 이미 유통사 창고에 들어와 있는 물량(예약 수량)은 메일 받은 날 + 7일에 입고
- 나머지 잔량은 유통사 출고 예정일 + 7일에 입고
- 같은 품번, 같은 날짜는 수량을 합산
- 마지막으로 원본 주문 수량 합계 = 반영 수량 합계인지 검증
검증을 통과하면 사내 시스템에 정해진 형식의 메일을 보내 일정을 반영하고, 시스템의 자동 회신으로 반영 건수까지 확인합니다.
잘 된 점: 처음 몇 번은 제가 결과를 한 줄씩 확인했고, 합계가 계속 맞아떨어진 뒤로는 “이 메일이 오면 묻지 말고 반영하고 결과만 알려줘” 로 승인 범위를 넓혔습니다. 지금은 합계가 안 맞거나 시스템이 오류를 돌려줄 때만 저를 부릅니다.
배운 점: 자동화의 핵심은 AI가 똑똑한 것이 아니라 멈춰야 할 조건이 분명한 것이었습니다. 합계 검증 한 줄이 그 역할을 합니다.
사례 3. 메일 한 통으로 시스템에 질문하기
사내 구매 시스템에는 재고, 단가, 수급 정보가 다 있지만, 매번 로그인해서 메뉴를 찾아 들어가는 건 번거롭습니다. 특히 외근 중이거나 휴대폰만 있을 때는 거의 불가능합니다.
그래서 메일 제목의 말머리로 시스템에 질문하는 방식을 만들었습니다.
[재고확인] 품번→ 현재 재고와 최근 입출고[단가확인] 품번→ 등록 단가와 이력[업체연락처] 업체명→ 담당자 연락처
정해진 주소로 메일을 보내면 몇 분 안에 답장이 옵니다. 말머리가 없으면 반응하지 않고, 답이 부족하면 “개선 요청"이라고 회신하면 다음부터 반영됩니다.
배운 점: 거창한 챗봇보다 사람들이 이미 쓰는 도구(메일)에 붙이는 것이 훨씬 잘 쓰였습니다. 지난 3편에서 말한 “아무도 안 쓰면 실패"의 해법 중 하나였습니다.
사례 4. 품번마다 ‘부품 위키’ 쌓기
부품 하나에는 이야기가 쌓입니다. 언제 납기가 밀렸는지, 단가가 왜 올랐는지, 어떤 대체품을 검토했는지. 그런데 그 이야기는 담당자 메일함에 흩어져 있다가 담당자가 바뀌면 사라집니다.
AI에게 품번이 언급된 이슈 메일을 품번별 위키 페이지로 모으는 일을 맡겼습니다. 메일 하나에 품번 하나씩, 중복은 걸러서요.
잘 된 점: “이 부품 예전에 무슨 일 있었지?“라는 질문에 메일함을 뒤지지 않고 위키 한 장으로 답할 수 있게 됐습니다.
배운 점 — 그림자 모드부터: 처음 일주일은 실제로 보내지 않고 “보냈다면 이렇게 보냈을 것"만 기록하는 그림자 모드로 돌렸습니다. 그 기록을 보니 시스템이 자동으로 보내는 예외 알림 메일까지 위키로 들어갈 뻔했더군요. 그런 메일을 제외 규칙에 넣은 뒤에 실제 발송으로 바꿨고, 그림자 모드 기간에 쌓인 건들은 소급해서 반영했습니다. 처음부터 실제로 돌렸다면 위키가 알림 메일로 도배됐을 겁니다.
사례 5. 10년치 단종부품 이력을 대장 하나로
지난 글에서 다룬 NRPL·EOL 부품은 수년째 월별 엑셀 시트로 관리되고 있었습니다. 시트마다 양식이 조금씩 달랐고, 같은 부품이 여러 달에 걸쳐 등록·해제·재등록된 이력도 섞여 있었습니다.
AI에게 이 시트 전체를 읽혀서 천 건이 넘는 기록을 부품 기준 대장 하나로 정리했습니다. 같은 부품의 이력은 한 줄에 묶고, 가장 최근 상태를 기준으로 판정하고, 등록 사유도 단종·공급/품질 이슈·중복 채번 등으로 분류했습니다.
잘 된 점: 이제 “이 부품 써도 되나요?“라는 질문에 대장을 검색해 바로 답합니다. 사유별 분포를 보니 단종만큼이나 공급·품질 이슈로 설계에서 빼야 하는 부품도 많다는 것도 처음 숫자로 보였습니다.
배운 점: AI가 정리한 대장도 원본 시트와 건수를 맞춰보는 단계는 꼭 거쳤습니다. “정리했습니다"라는 말은 검증 결과가 아닙니다.
사례 6. 보고서와 기안은 ‘초안까지만’
견적 비교, 재견적 요청, 상부 보고 메일, 불용재고 매각 기안. AI가 가장 시간을 많이 아껴주는 일이지만, 동시에 가장 조심해서 선을 그은 일이기도 합니다.
원칙은 하나입니다. AI는 초안까지 만들고, 보내는 버튼은 제가 누릅니다.
- 메일은 메일 프로그램의 ‘임시 보관함’에 초안으로만 만들기
- 표와 근거 엑셀은 첨부까지 준비
- 사람 이름, 직함, 회사명은 원문 그대로, 숫자는 근거 파일에서 대조
배운 점: 같은 제목의 초안을 다시 만들 때 이전 초안을 지우는 단계가 있었는데, 조건을 넓게 잡았다가 보관해 둔 예전 초안까지 지워진 적이 있었습니다. 그 뒤로는 “방금 만든 것만 지운다"로 범위를 좁혔습니다. 사소해 보여도, 되돌리기 어려운 동작일수록 범위를 좁게 잡아야 한다는 걸 배웠습니다.
1년 해보고 남은 원칙 다섯 가지
| 원칙 | 왜 |
|---|---|
| 규칙은 사람이 정한다 | AI는 규칙을 잘 지키지만, 무엇이 맞는지는 업무를 아는 사람이 정해야 한다 |
| 멈출 조건을 먼저 만든다 | 합계 불일치, 오류 회신 같은 ‘멈춤 신호’가 있어야 맡길 수 있다 |
| 그림자 모드로 시작한다 | 실제로 보내기 전에 “보냈다면"을 일주일 지켜보면 사고가 미리 보인다 |
| 읽기는 넓게, 쓰기는 좁게 | 조회 권한은 넉넉히 주되, 보내기·지우기·결재는 사람이 하거나 범위를 좁힌다 |
| 검증은 숫자로 한다 | “다 했습니다"가 아니라 건수·합계·회신 결과로 확인한다 |
마치며
AI가 제 일을 대신해 준 것은 아닙니다. 정확히 말하면 제가 하던 일의 모양이 바뀌었습니다. 엑셀을 옮겨 적고 메일함을 뒤지던 시간이 줄었고, 그 자리에 “이 일의 규칙은 무엇인가”, “어디서 멈춰야 하는가"를 고민하는 시간이 들어왔습니다.
돌아보면 그 질문들은 원래 실무자가 가장 잘 아는 것이었습니다. 개발을 몰라도 AI에게 일을 맡길 수 있었던 이유도 거기에 있었던 것 같습니다. 업무를 아는 사람이 규칙을 말로 설명할 수 있으면, 자동화는 생각보다 가까이 있습니다.
다음 편에서는 이 중 사례 2(납기 회신 자동 반영)를 골라, 규칙을 어떻게 정하고 검증했는지 조금 더 자세히 다뤄보겠습니다.

댓글