출처: https://youtu.be/3cT12Mvx9Zk · 길이: 12:32 · 채널: 그랜트 | 마케팅 AX, AI 사업 공개: 2026-08-14 · 자막: YouTube 한국어 자동 생성 자막. 음성인식 오류는 문맥이 분명한 경우에만 가볍게 정정했다.
개요
이 영상은 제조·관리 업무를 맡은 실무자가 AI 부트캠프 기간에 만든 통합공정시스템을 소개하는 사례 인터뷰다. 메일을 읽고 요약하는 수준을 넘어, 메일 수신·업체별 배분·공정 관리·검수·데이터 축적을 하나의 업무 OS 안에서 연결하고, 사람이 승인해야 하는 지점과 AI가 판단할 지점을 나누는 방식이 핵심이다.
영상 속 시간 절감 수치는 제작자의 일주일 시범 운영 경험에 대한 자기 보고이며 독립적으로 검증된 측정값은 아니다. 따라서 이 노트에서는 결과를 일반적인 생산성 보장으로 해석하지 않고, 업무 자동화 설계의 한 사례로 기록한다.
한눈에 보는 요약
- 여러 업무와 관리자 역할을 동시에 맡으면서 오전 7시부터 밤 10시까지 일하던 문제를, 반복되는 흐름을 시스템으로 분해하는 문제로 다시 정의했다.
- 통합공정시스템은 메일 파싱·공정/납품 관리·최종 관리 등 네 가지 테마를 한 공간에 묶고, 각 단계의 데이터를 다음 단계가 재사용할 수 있게 만든다.
- 메일이 들어오면 AI가 내용을 요약하고 해야 할 일을 추출한 뒤 업체별 필요한 정보로 나눈다. 작업 결과는 전산 검토와 물자 검토를 거쳐 고객 제공과 데이터 축적으로 이어진다.
- 자동화의 핵심은 무조건적인 자율 실행이 아니라, 기준치·목적·담당자를 정해 AI가 움직이게 하고 마지막 승인·검증은 사람이 맡는 구조다.
- 제작자는 일주일 시범 운영 뒤 야근이 크게 줄고 하루 약 5시간의 여유가 생겼다고 말한다. 이 수치는 영상 속 사례자의 체감 보고로 받아들여야 한다.
핵심 한 줄: AI를 메일 요약기에 머물게 하지 않고, 데이터·승인·실행·기록이 이어지는 작은 업무 운영체제로 확장한 사례다.
장면별 상세 설명
[00:08] 1. 도입 전 데이터는 흩어진 파일의 그래프였다
화면에는 OS를 적용하기 전의 작업 공간이 그래프 뷰로 표시된다. 왼쪽에는 원천 데이터와 업무 폴더가 나열되고, 가운데에는 서로 연결된 파일·노드가 밀집되어 있다. 화자는 업무를 확장하며 데이터와 파일이 계속 늘어났고, 이 상태만으로는 관리와 재사용이 어려웠다고 설명한다.
중요한 변화는 파일을 단순히 모으는 것이 아니라, AI가 과거 데이터를 다시 읽고 다음 행동을 제안할 수 있는 구조로 바꾸는 것이다. 예로 작년 발주량을 불러와 이번 달 발주량과 비교하고, 더 발주할지 판단 근거를 제시하는 흐름을 든다.
[01:34] 2. 네 가지 업무 테마를 하나의 통합공정시스템으로 묶다
슬라이드에는 메일 파싱, 공정 관리, 납품 관리, 최종 관리로 이어지는 네 개의 업무 축이 배치되어 있다. 화자는 대기업 용역 계약으로 PM·관리·창고 업무까지 맡게 되면서 일이 10시간 이상으로 늘었고, 반복되는 업무를 AI와 함께 하나의 시스템으로 통합하고 싶어 이 구조를 만들었다고 말한다.
이때 AI의 역할은 정보의 정확성·저장·운영 과정에 모두 관여하는 것이다. 업무를 네 개의 테마로 나누면 메일, 공정, 납품, 최종 검수의 책임과 데이터 흐름을 각각 추적할 수 있다.
[02:12] 3. 메일 수신에서 고객 제공·데이터 확보까지
흐름도는 Mail 수신 → 업체별 공정 작업 → OS 작업 → 고객 제공의 순서로 구성되어 있다. 메일 하나가 들어오면 업체 A·B·C처럼 대상별로 필요한 작업과 정보를 나누고, OS 안에서 전산 검토와 물자 검토를 수행한 뒤 고객에게 결과를 제공한다. 오른쪽의 데이터 확보는 완료된 업무를 다음 발주·검수·분석에 다시 쓸 수 있도록 저장한다는 뜻이다.
단순 요약과의 차이는 요약문을 보여주는 데서 끝나지 않는다는 점이다. AI가 “무슨 내용인가”와 함께 “내가 무엇을 해야 하는가”를 알려주고, 그 결과를 각 업체에 배포하는 실행 경로까지 포함한다.
[03:40] 4. 업무 OS의 홈 화면은 운영 흐름을 한눈에 보여준다
웹 화면에는 GAONTECH 통합 OS가 표시되고, 가운데에는 메일·공정·통합 관리·최종 관리로 이어지는 단계형 흐름이 보인다. 왼쪽 사이드바에는 각 관리 화면으로 들어가는 메뉴가 있다. 화자는 이 공간 안에서 업무를 확인하고, 데이터를 뜯어보고, 직접 지시할 수 있도록 만들었다고 설명한다.
따라서 이 시스템은 대시보드 하나라기보다 업무의 입력·분류·처리·검수 화면을 같은 작업면에 둔 운영 콘솔에 가깝다.
[04:19] 5. 메일 파싱 관리자는 수신을 업무 항목으로 바꾼다
메일 파싱 관리자 화면에는 수신 건수, 등록 상태, 스케줄러 상태와 오늘 들어온 요청이 보인다. 화자는 매핑해 둔 메일을 인식해 오늘 14건이 들어오면 14건을 등록하고, 각 요청을 곧바로 다음 작업으로 넘길 수 있게 했다고 말한다.
여기서 자동화의 단위는 “메일을 읽었다”가 아니라 메일을 구조화된 작업 레코드로 변환했다는 데 있다. 스케줄러를 켜두면 사용자가 화면에 접속하지 않아도 담당자에게 필요한 내용이 전달되도록 설계했다.
[05:17] 6. 배분 관리자는 자동 처리 앞에 승인 지점을 둔다
배분 관리자에는 요청 행마다 담당 업체를 고르는 선택지와 승인 버튼이 있다. 어떤 요청을 어느 업체로 보낼지 사람이 확인한 뒤 승인하면, Google Sheets와 연동된 구조에도 승인 상태가 반영되고 Python으로 다음 처리 흐름이 이어진다.
이 장면에서 확인되는 설계 원칙은 완전 자동 전송보다 사람이 마지막 의도를 확인하는 승인 게이트다. 승인·변경 이력은 로그에 남겨 나중에 “어떤 요청을 어디로 보냈는가”를 되짚을 수 있게 한다.
[06:15] 7. 통합공정 화면은 자산·요청·처리량을 시각화한다
통합공정 화면에는 제품·요청 상태를 보여주는 카드와 기간별 처리량을 비교하는 선 그래프·막대 그래프가 함께 배치되어 있다. 화자는 여러 제품을 어떤 요청으로 보냈는지, 무엇을 자산으로 쌓아두고 있는지, 어떤 항목을 발주해야 하는지 한 화면에서 볼 수 있어야 한다고 설명한다.
이렇게 누적된 데이터가 있어야 AI가 “이번 달에는 30개가 필요하지만 작년에는 50개를 발주했다”처럼 과거와 현재를 비교해 제안할 수 있다. 대시보드는 보기 좋은 보고서가 아니라 AI가 판단할 입력을 정리하는 저장면이다.
[06:49] 8. AI 직원은 기준과 목적을 받아 움직인다
화자는 데이터에 기준치를 설정하고, “내가 무엇을 해주면 좋겠다”는 목적을 부여하면 AI 직원이 스스로 판단할 수 있게 만들었다고 설명한다. 화면에는 작업 상태와 차트가 남아 있어 AI의 판단이 업무 데이터와 분리되지 않는다.
이 구조에서 중요한 것은 AI에게 막연히 자율성을 주는 것이 아니다. 판단에 필요한 데이터, 실행 기준, 목표, 그리고 사람이 확인할 경계를 먼저 정의해야 자동화가 업무에 맞게 움직인다.
[07:29] 9. 계획 단계의 파일 묶음이 재사용 가능한 데이터로 커진다
초기 화면보다 훨씬 많은 노드와 파일이 연결된 그래프가 보인다. 왼쪽에는 공정·디자인·대화 기록·데이터베이스·스크립트·볼트 등 작업 영역이 나열되어 있다. 화자는 처음 계획을 세울 때의 데이터에서 출발해 업무 규칙과 기록을 계속 얹으면서 지금의 규모가 되었다고 말한다.
데이터를 많이 쌓는 것만으로는 충분하지 않다. 어떤 폴더와 레코드가 어떤 공정에 속하는지, 어떤 기준으로 AI가 읽어야 하는지를 정해 두어야 나중에 발주·검수·알림 같은 작업으로 연결할 수 있다.
[08:15] 10. 이상 상태는 대시보드와 알림으로 드러낸다
통합공정 대시보드 위에 특정 작업의 이상 상태를 확인하라는 팝업이 표시된다. 화자는 문자·메일을 발송하는 시스템을 응용해, 재고나 공정에 문제가 생기면 메일 또는 문자로 알림을 보내는 구조까지 공부하고 있다고 설명한다.
즉 자동화의 결과는 조용히 백그라운드에서 끝나는 것이 아니라, 예외가 생겼을 때 사람이 알아차리고 개입할 수 있는 신호를 남겨야 한다.
[08:22] 11. 다음 단계는 서버에서 24시간 돌며 문제를 알리는 것
화면에는 공정 카드와 차트가 남아 있고, 오른쪽에는 화자의 웹캠이 함께 보인다. 대담에서는 이 시스템을 서버에 올려 24시간 돌아가게 하고, 문제가 생기면 바로 알림을 받는 단계까지 준비 중이라고 확인한다.
이 대목은 현재 운영이 완전히 무인이라는 선언이 아니라, 로컬 업무 시스템을 상시 운영 가능한 서비스로 확장하려는 다음 목표로 읽어야 한다. 지속 실행에는 알림뿐 아니라 권한, 장애 복구, 데이터 보존과 승인 정책도 함께 필요하다.
[12:15] 12. 성과의 기준은 숫자로 판단할 수 있는 업무 시간이다
마지막에는 통합 OS의 업무 흐름과 화자의 설명이 함께 나온다. 제작자는 일주일 동안 실제 운영해 보니 기존에 이어지던 야근을 줄이고, 오히려 더 연구하거나 점심을 여유롭게 보낼 수 있는 시간이 남았다고 말한다. 인터뷰어는 이를 하루 약 5시간의 여유로 요약한다.
이 사례가 보여주는 성과 지표는 “AI를 몇 개 썼는가”가 아니라 업무 완료 시간, 남은 여유, 재사용 가능한 데이터, 예외 처리의 가시성이다. 다만 시간 절감은 영상 속 사례자의 자기 보고이므로 다른 조직에 그대로 일반화해서는 안 된다.
부록 — 실전 체크리스트
- 반복되는 메일·파일·승인 업무를 입력, 분류, 실행, 검수, 기록 단계로 나눈다.
- AI가 읽을 수 있도록 고객·업체·제품·상태·마감일·담당자 같은 필드를 먼저 표준화한다.
- 자동 실행 전에 사람이 승인해야 하는 위험한 지점을 정하고, 승인·변경 로그를 남긴다.
- AI에게 목표뿐 아니라 기준치·완료 조건·예외 발생 시 알림 대상을 함께 준다.
- 도입 전후의 처리 시간·오류·재작업·야근·예외 대응 시간을 일주일 단위로 비교한다.
원문 인용 모음
- [01:17] “너무나도 지쳤고 번아웃도 많이 오면서 힘들어 했는데”
- [02:24] “내가 무엇을 해야 되는가로 같이 알려주면서”
- [05:17] “승인을 눌러 놓으면 조금 있다가 이제 구글 시트랑 같이 연동이 되어 있기 때문에”
- [06:49] “내가 무언가를 해줬으면 좋겠다라는 목적을 부여하면”
- [08:22] “24시간 계속 돌아가 가지고 뭔가 문제가 생겼으면 바로바로 알림 오고”
- [09:04] “오히려 그냥 다섯 시간이 더 생긴 거네요”
연결해서 읽기
- moc-ai-agents — 데이터·목표·도구·승인 경계를 묶어 업무를 수행하는 에이전트 운영 사례를 모은 MOC
- moc-productivity — 업무 인터페이스와 자동화 관점에서 이 사례를 함께 볼 수 있는 MOC
- moc-ai-coding — 영상에서 언급된 Claude Code 기반 구축·확장 맥락을 읽기 위한 MOC