2강. AI가 할 수 있는 일 — 기능 5가지로 업무 다시 보기 | 기업 AI 도입·AX 실무 가이드 30강 · 중급 · 기획자·관리자 — 누구나패스

🎯 학습 목표

AI 기능을 인식·예측·자동화·소통·생성의 다섯 가지로 나누고 업무 예와 연결할 수 있다.
예측형 AI와 생성형 AI의 차이를 결과물·평가 방법·오류 유형으로 설명할 수 있다.
“확률적 결과”와 환각(사실과 다른 생성)의 의미를 알고, 검토 비용을 숫자로 따져 볼 수 있다.
업무를 작업 단위로 쪼개 AI 적용 지점을 표시하는 업무 분해표를 작성할 수 있다.

🧩 AI 기능 다섯 가지로 업무 다시 보기

“AI로 무엇을 할까”라는 질문은 너무 넓다. 기능 단위로 바꿔 물으면 회의가 빨라진다. 아래 다섯 분류는 업계에서 흔히 쓰는 정리 방식을 실무용으로 다듬은 것이다(법령상 분류가 아니다).

기능	하는 일	대표 업무 예	주의할 한계
인식	이미지·음성·문서에서 대상을 알아보고 읽어 냄	영수증·계약서 문자 인식(OCR), 불량 이미지 판별, 통화 음성 받아쓰기	조명·화질·사투리 등 학습 때와 다른 조건에서 정확도 하락
예측	과거 데이터로 수치·확률을 추정	수요 예측, 이탈 고객 예측, 이상 거래 탐지, 설비 고장 예측	과거 패턴이 깨지면(시장 급변) 예측이 크게 빗나감
자동화	판단 결과에 따라 다음 작업을 실행	문서 분류 후 담당자 배정, 조건 충족 시 승인 요청, 에이전트의 시스템 조작	잘못된 판단이 사람 확인 없이 연쇄 실행될 위험
소통	사람의 말을 이해하고 대화로 응답	고객 상담 챗봇, 사내 규정 질의응답, 번역	질문 의도 오해, 근거 없는 확답
생성	새 글·이미지·코드·음성을 만듦	보고서·메일 초안, 마케팅 문구, 이미지 시안, 코드 작성 보조	사실과 다른 내용, 저작권·브랜드 문제, 품질 편차

실제 기업 현장에서는 어떤 기술이 많이 쓰일까. 유럽연합 통계청(Eurostat) 2025년 조사(EU 종사자 10인 이상 기업, 2025.12 추출)에서 가장 많이 쓰인 AI 기술은 텍스트 마이닝(문서 분석) 11.75%, 이미지·영상·음성 생성 9.55%, 자연어 생성·음성 합성 8.76% 순이었다. 문서를 읽고 쓰는 기능, 즉 인식·생성 쪽이 확산을 이끌고 있다는 뜻이다.

적용 지점을 알려 주는 네 가지 신호

업무를 살피다 보면 AI가 잘 맞는 작업에는 공통된 신호가 있다. 회의에서 후보를 고를 때 아래 네 가지 중 둘 이상 해당하는지 물어보면 된다.

반복량이 많다: 같은 형태의 작업이 월 수백 건 이상 반복된다. 건당 몇 분만 줄여도 합계가 커진다.
입력이 글·이미지·음성이다: 사람이 읽고 듣고 정리하는 데 시간이 드는 작업은 인식·생성 기능의 효과가 크다.
정답을 확인할 수 있다: 결과가 맞았는지 사람이 빠르게 판단할 수 있으면 검토 비용이 낮다. 확인이 어려운 작업은 오류가 숨어든다.
초안이면 충분하다: 완성본이 아니라 “사람이 다듬을 70점짜리 초안”만으로도 시간이 줄어드는 작업은 생성형 AI의 출발점으로 좋다.

반대로 처리량이 적고, 결과를 확인하기 어렵고, 한 번의 오류가 큰 피해로 이어지는 작업은 마지막 순서로 미룬다.

하나의 업무는 보통 여러 기능의 조합이다. 예를 들어 “거래처 견적서 처리”는 PDF 읽기(인식) → 항목 추출·검증(인식·예측) → 회신 메일 초안(생성) → 시스템 입력(자동화)으로 이어진다. 기능별로 쪼개야 어디서 정확도가 문제 되는지 보인다.

🔍 예측형 AI와 생성형 AI는 무엇이 다른가

구분	예측형(분류·회귀 등)	생성형(대규모 언어 모델 등)
결과물	숫자·등급·예/아니오	문장·이미지·코드 같은 열린 결과
정답 비교	실제 결과와 맞았는지 바로 비교 가능	“좋은 답”의 기준이 여러 개라 평가 설계가 필요
필요한 데이터	우리 회사 과거 데이터(라벨 포함)가 핵심	범용 모델을 쓰고, 사내 문서는 참고 자료로 붙임(3강 RAG)
대표 오류	잘못 분류(놓침·오탐)	그럴듯하지만 사실과 다른 내용(환각), 지시 무시
도입 속도	데이터 준비에 시간이 듦	구독·API로 바로 시작 가능, 대신 검수 설계가 중요

둘은 경쟁 관계가 아니다. 이탈 가능성은 예측형으로 점수화하고, 점수가 높은 고객에게 보낼 안내문은 생성형으로 초안을 만드는 식으로 함께 쓰는 경우가 많다.

확률적 결과와 환각

생성형 AI는 질문에 대해 “다음에 올 가능성이 높은 말”을 이어 붙여 답을 만든다. 그래서 같은 질문에도 답이 조금씩 달라지고, 근거가 없을 때도 자신 있는 말투로 틀린 내용을 만들 수 있다. 미국 국립표준기술연구소(NIST)의 생성형 AI 위험 관리 프로필(NIST AI 600-1, 2024.7)은 이를 confabulation(작화)이라는 위험으로 분류하고, 사실과 다르거나 거짓인 내용을 자신 있게 제시하는 현상으로 설명한다. 업계에서는 흔히 “환각”이라고 부른다.

실무에서 기억할 원칙은 두 가지다. 첫째, 정확도 100%는 전제하지 않는다. 둘째, 틀렸을 때의 피해 크기에 따라 검토 강도를 정한다. 사내 회의록 요약의 작은 누락과 고객에게 나가는 약관 안내의 오류는 무게가 다르다.

검토 비용 계산 예

월 2,000건의 계약서에서 핵심 조항을 뽑는 업무에 AI를 쓴다고 하자. 파일럿에서 측정한 항목 추출 정확도가 95%라면 오류는 2,000 × 0.05 = 월 100건이다. 사람이 처음부터 직접 하면 건당 12분, AI 결과를 검토만 하면 건당 3분이 걸린다고 측정되었다.

사람만: 2,000건 × 12분 = 24,000분 = 400시간
AI + 전수 검토: 2,000건 × 3분 = 6,000분 = 100시간, 검토에서 걸러진 100건 수정에 건당 10분 추가 → 1,000분 ≈ 16.7시간, 합계 약 116.7시간

이 경우 전수 검토를 해도 약 283시간이 줄어든다. 반대로 검토 시간이 건당 10분으로 늘어나면 2,000 × 10분 = 약 333시간에 수정 시간이 더해져 절감 효과가 크게 줄어든다. “AI가 해 주니 검토는 금방”이라고 가정하지 말고 검토 시간을 실측하라는 것이 이 계산의 교훈이다.

🧰 바로 쓰는 도구 — 업무 분해표

업무 하나를 골라 5~10개 작업으로 쪼개고 칸을 채운다. “AI 적용 후보”가 3개 이상 나오고 그중 오류 피해가 “낮음·중간”인 것이 있으면 파일럿 후보가 된다.

작업 단계	입력	산출물	월 횟수 × 소요 시간	해당 기능	오류 피해(낮음·중간·높음)	사람 검토 방식
예) 견적서 수신·열람	메일 첨부 PDF	견적 항목 목록	300건 × 5분	인식	중간	금액·수량만 대조
예) 단가 비교	견적 항목, 과거 단가	비교표	300건 × 10분	예측·인식	중간	이상치만 확인
예) 회신 메일 작성	비교 결과	메일 초안	300건 × 8분	생성	낮음	발송 전 읽기
예) 발주 승인	비교표	승인 결정	300건 × 3분	(사람 판단 유지)	높음	권한자 승인

마지막 줄처럼 “AI를 쓰지 않을 단계”를 명시하는 것도 분해표의 중요한 결과다. 권한·책임이 걸린 판단은 처음에는 사람에게 남기고, 데이터가 쌓인 뒤 범위를 넓힌다.

⚠️ 흔한 실수와 오해

“생성형 AI면 다 된다.” 수요 예측·이상 탐지처럼 숫자를 맞혀야 하는 일은 예측형이 더 적합한 경우가 많다. 기능부터 맞춘다.
“업무 전체를 AI에 맡긴다.” 업무 단위가 아니라 작업 단위로 적용해야 성공 확률이 높다. 전체 자동화는 단계를 밟아 간다.
“정확도 95%면 충분하다.” 월 처리량과 오류 한 건의 피해를 곱해 봐야 충분한지 알 수 있다. 같은 95%도 업무에 따라 의미가 다르다.
“말투가 확신에 차 있으면 맞는 답이다.” 생성형 AI의 자신감은 정확도와 관계없다. 숫자·인용·법령은 원문으로 대조한다.
“한 번 측정한 정확도는 계속 유지된다.” 입력 문서 양식이 바뀌거나 모델이 업데이트되면 성능이 변한다. 정기적으로 다시 잰다.

✏️ 확인 문제

“매장별 다음 주 판매량을 추정한다”는 다섯 기능 중 무엇에 해당하는가? 정답 예측 — 과거 판매 데이터로 수치를 추정하는 전형적인 예측 과제다.
생성형 AI가 존재하지 않는 판례 번호를 그럴듯하게 제시했다. NIST AI 600-1이 이 위험을 부르는 용어는? 정답 confabulation(작화, 흔히 환각) — 사실과 다른 내용을 자신 있게 제시하는 위험으로, 인용·출처는 반드시 원문으로 확인한다.
월 5,000건, 정확도 98%인 분류 업무의 예상 오류 건수는? 정답 월 100건 — 5,000 × 0.02 = 100. 이 100건이 고객에게 그대로 나가면 어떤 피해가 생기는지 함께 따져야 한다.
사람이 직접 하면 건당 12분, AI 결과 검토는 건당 3분, 월 2,000건이다. 수정 시간을 빼고 검토만 따졌을 때 줄어드는 시간은? 정답 300시간 — (12 − 3)분 × 2,000건 = 18,000분 = 300시간. 실제로는 오류 수정 시간을 빼야 한다.
업무 분해표에서 “발주 승인” 단계를 사람 판단으로 남긴 이유로 가장 적절한 것은? ① AI가 숫자를 못 다뤄서 ② 오류 피해가 크고 권한·책임이 걸린 판단이라서 ③ 처리 건수가 적어서 정답 ② — 책임이 걸린 결정은 초기에는 사람이 맡고, 검증된 뒤 범위를 넓힌다.

📝 핵심 요약과 다음 강 예고

AI 기능을 인식·예측·자동화·소통·생성으로 나누면 적용 지점과 한계가 함께 보인다.
예측형은 숫자를 맞히고, 생성형은 열린 결과를 만든다. 평가 방법과 오류 유형이 다르다.
생성형 AI의 결과는 확률적이며 사실과 다른 내용이 나올 수 있다. 검토 시간을 실측해 효과를 계산한다.
업무 분해표로 작업 단위 적용 지점과 “사람에게 남길 단계”를 함께 정한다.

다음 3강에서는 생성형 AI와 대규모 언어 모델이 어떻게 작동하는지 비개발자 눈높이로 살펴본다. 토큰·컨텍스트·지식 컷오프, 그리고 RAG·파인튜닝·에이전트의 차이를 정리한다.

AI가 할 수 있는 일 — 기능 5가지로 업무 다시 보기