업무를 위한 AI 기초

앞으로 배울 대부분은 기술이지만, 기술은 실제로 사용하고 싶어질 때 비로소 몸에 익습니다. 이 모듈은 방법을 가르치기 전에 이유를 먼저 다룹니다: 대부분의 회사가 AI 도입에서 실패하는 이유를 보여주는 실제 수치, 실제 사례 두 가지(성공 사례 하나, 실패 사례 하나), 그리고 이 프로그램이 실제로 요구하는 것.

AI를 진지하게 써보지 않은 사람들은 그것을 만능 검색 도구처럼 믿거나(그리고 AI가 처음으로 지어낸 답을 내놓을 때 낭패를 보거나) 장난감처럼 무시합니다(그리고 이 과정의 나머지를 낭비합니다). 이 모듈은 어떤 기술도 가르치기 전에 하나의 기대를 먼저 바로잡습니다: AI는 아주 훌륭한 언어 예측기이지, 모든 것을 아는 데이터베이스가 아니라는 것입니다.

초보자가 가장 흔히 저지르는 두 가지 실수: 되돌릴 수 없거나 위험도가 높은 결정을 AI에 맡겼다가 낭패를 보거나, 반대로 "AI는 아마 못 할 거야"라며 모든 걸 손으로 처리해 아무것도 절약하지 못하는 것입니다. 이 모듈은 추측이 아니라 점수화 방법(빈도 × 소요시간 × 위험도)을 제공합니다.

AI를 몇 번 써보고 그만두는 가장 흔한 이유는, 자기 회사에 대해 유창하지만 틀린 답을 하는데 어떻게 고쳐야 할지 모르기 때문입니다. 다른 프로그램들은 이것을 모두 "프롬프트를 더 잘 쓰기"에 포함시키지만, 여기서는 독립된 모듈로 다룹니다. 제약의 핵심이 표현 방식이 아니라, 모델이 회사의 문서를 한 번도 본 적이 없다는 데 있기 때문입니다.

AI를 쓸 때마다 매번 즉흥적으로 만들어낸다면 생산성은 실제로 오르지 않습니다——시간이 타이핑에서 추측으로 옮겨갈 뿐입니다. 이 모듈은 반복되는 작업을 하나의 공식으로 바꿉니다: 한 번 작성하면 여러 번 재사용하고, 매번 같은 형태의 결과를 얻습니다.

진짜 위험은 AI가 틀린다는 사실이 아니라, 언제 틀리는지 모른 채 엉뚱한 것을 검증하는 것입니다(위험도가 낮은 작업은 지나치게 살피고, 정작 중요한 것은 건너뜁니다). 이 모듈은 감이 아니라, 특정 작업에 얼마만큼의 검증이 필요한지 판단하는 방법을 제공합니다.

한 가지 업무에 재사용할 Skill을 정의하고 일반 사례와 예외 사례로 시험한 뒤 버전을 기록합니다. 공유하거나 업무 흐름에 연결하기 전에 품질, 전체 처리 시간, 수정 작업, 비용을 비교합니다.

여러 단계로 이루어진 업무 흐름에서 입력, 결과물, 담당자, 예외 처리, 검토 지점을 분명히 정합니다.

워크플로의 한 단계에 필요한 신뢰할 수 있는 지식 검색을 설계하고 최신성을 유지하는 방법을 정합니다.

필요한 정보와 도구 권한, 결과 확인 방법, 실패 시 대응을 정합니다. MCP가 적합한 경우를 이해하고 시범 적용 여부를 판단할 근거를 준비합니다.

Choose the simplest approach that meets the business need before any agent pilot.

Design a bounded pilot before any wider release.

Use pilot evidence to make the next operating decision.