생성형 AI 업무자동화 교육: 영남에너지서비스 직급별 실무에 맞춰 설계하다
같은 생성형 AI를 사용하더라도,
직급에 따라 줄여야 할 업무와 만들어야 할 결과는 다릅니다.
안녕하세요, 데이터다이빙입니다.
기업이 사내 ChatGPT를 도입하더라도 구성원마다 이를 업무에 활용하는 방식은 다릅니다.
데이터를 직접 정리하는 실무자에게는 Excel 함수와 반복 작업을 효율화하는 방법이 필요하고, 새로운
업무 방식을 고민하는 구성원에게는 AI 활용 아이디어를 구체화하는 역량이 중요합니다. 관리자는 분석
결과를 빠르게 파악하고 의사결정 자료로 정리하는 과정에 더 큰 비중을 둬야 합니다.
이번 교육은 앞서 데이터다이빙이 진행한 본사 교육을 경험한 구성원의 소개로 문의가 이어지며 시작됐습니다. 영남에너지서비스(포항)는 이미 전사적으로 사내 ChatGPT를 도입한 상태였으며, 새로운 AI
도구를 추가로 소개하기보다 구성원들이 실제로 사용할 수 있는 사내 ChatGPT를 Excel과 PowerPoint 업무에 연결하는 것이 교육의 핵심 목표였습니다.
도시가스 검침과 안전관리 업무를 반영한 데이터를 중심으로 ChatGPT, Excel, VBA, 피벗 테이블과 PowerPoint를 연결하고, 각 직급이 실제 업무에서 필요로 하는 결과물에 따라 세 개의 과정을 다르게 설계했습니다.
이번 글에서는 SK E&S 영남에너지서비스와 함께한 ‘생성형 AI 업무자동화 교육‘을 소개합니다.
하나의 업무 데이터를
직급별 결과물로 확장하다
영남에너지서비스가 필요로 했던 것은 일반적인 생성형 AI 소개가 아니었습니다.
직원들이 이미 업무에서 사용하고 있는 Excel과 PowerPoint에 생성형 AI를 연결해, 데이터 처리와 보고 업무의 효율을 실질적으로 높이는 교육이 필요했습니다.
세 과정은 서로 다른 교육으로 운영됐지만, 실습의 중심에는 공통된 업무 맥락을 두었습니다.
도시가스 검침과 안전관리 상황을 반영한 데이터를 활용해, 업무 정보를 정리하고 분석한 뒤 보고자료로
전환하는 과정을 구성했습니다.
직급을 단순히 난이도를 나누는 기준으로 사용한 것이 아니라, 각자가 업무에서 어떤 판단을 하고 어떤
결과물을 만들어야 하는지를 교육 설계의 기준으로 삼았습니다.
각 기능을 개별적으로 익히는 데 그치지 않고 다음과 같은 하나의 업무 흐름으로 연결했습니다.
주니어 과정에서는 원천 데이터의 구조를 이해하고 필요한 Excel 함수를 작성하는 실행 역량을 중심으로 다뤘습니다. 미래세대 과정에서는 현업의 문제를 생성형 AI가 이해할 수 있는 프롬프트로 구체화하고, AI를 적용할 수 있는 업무 아이디어를 발전시켰습니다. 중간관리자 과정에서는 집계된 데이터를 판단에 필요한 지표로 정리하고, 결과를 보고자료와 기획안으로 전환하는 데 더 큰 비중을 뒀습니다.
직급에 따라 단순히 교육의 난이도만 달리한 것이 아니라, 각자가 업무에서 맡는 역할과 만들어야 하는
결과물을 기준으로 실습의 중심을 구분한 것입니다.
주니어에게 필요한 것은
OA 기본기와 실행의 연결
주니어 과정은 생성형 AI를 활용해 Excel 데이터를 이해하고, 필요한 계산을 직접 구현하는 과정에서
시작했습니다.
실습에는 검침 결과와 이미지 인식 여부, 미인식 사유, 점검시간과 이동시간 등 여러 정보가 포함된 Excel 데이터를 활용했습니다. 교육생들은 먼저 각 열의 의미와 업무 규칙을 확인하고, 어떤 값을 계산해야 하는지 AI에 설명하는 방법을 익혔습니다.
단순히 “함수를 만들어달라”고 요청하는 것이 아니라, 점검 시작과 종료 시각의 차이를 계산하거나 기간별 미검침 건수를 집계하는 것처럼 업무 조건과 원하는 결과를 구체적으로 전달했습니다. 이후 AI가 제안한
함수가 실제 데이터에서도 올바르게 작동하는지 확인하고, 빈칸이나 예외값이 있을 때 결과가 어떻게
달라지는지도 함께 검토했습니다.
이를 통해 ChatGPT를 Excel 수식을 대신 작성하는 도구로만 활용하지 않고, 복잡한 업무 조건을 함수로 변환하고 오류를 수정하는 보조 도구로 활용하도록 했습니다.
함수 실습 이후에는 반복되는 계산과 확인 작업을 VBA로 확장하고, 피벗 테이블과 차트를 통해 데이터를 기준별로 요약했습니다. 마지막에는 분석 결과를 보고용 PowerPoint로 정리하며, 데이터 처리부터
시각화와 보고까지 이어지는 전체 OA 업무 흐름을 경험했습니다.
미래세대는 업무 아이디어를
실행 가능한 요청으로 구체화하다
미래세대 과정에서는 생성형 AI의 기능을 단순히 익히는 것보다,
AI를 적용할 수 있는 업무를 찾고 이를 구체적인 요청으로 발전시키는 역량에 더 큰 비중을 뒀습니다.
실습에서는 도시가스 배관망의 안전관리와 같은 현업 상황을 제시하고, 생성형 AI를 활용할 수 있는 방안을 도출하도록 했습니다. 처음부터 AI에 아이디어를 요구하는 대신, 자신이 어떤 조직과 역할에 속해 있는지, 현재 해결해야 하는 문제가 무엇인지, 어떤 형태의 결과가 필요한지를 단계적으로 정리했습니다.
교육생들은 정확한 답변을 위해 구조화된 프롬프트를 설계하는 법을 먼저 배웠습니다. 필요한 정보가 부족할 때는 AI가 먼저 질문하도록 하고, 참고 예시를 함께 제공해 결과물의 범위와 형식을 구체화하는 방법도 다뤘습니다.
이 과정에서 막연한 아이디어는 현업에서 검토할 수 있는 수준의 AI 활용 방안으로 발전했습니다.
중요한 것은 AI가 제안한 아이디어의 개수가 아니라, 조직의 업무 환경과 실제 문제를 반영해 실행 가능성을 판단할 수 있는 요청을 만드는 것이었습니다.
이후 Excel 실습에서도 곧바로 피벗 테이블을 만드는 대신, 데이터를 통해 무엇을 비교하고 어떤 기준으로 결과를 확인할 것인지 먼저 설정했습니다. 설정한 기준은 피벗 테이블과 슬라이서로 구현하고, 분석 결과를 시각자료와 발표자료로 연결했습니다.
중간관리자는 반복 집계를 줄이고
판단 가능한 보고자료를 만들다
중간관리자 과정은 데이터를 처리하는 기능보다,
결과를 어떻게 검토하고 의사결정 자료로 정리할 것인지에 초점을 맞췄습니다.
먼저 생성형 AI 활용 아이디어를 목표와 주요 기능, 도입 방식, 기대효과로 구분해 기획안 형태로 정리했습니다. AI에 문서 작성을 맡기는 데 그치지 않고, 관리자가 검토해야 할 항목과 보고자료에 포함되어야 할
내용을 먼저 구조화한 뒤 결과를 PowerPoint로 전환했습니다.
이때 작성된 내용은 교육을 위한 기획안 예시입니다. 실제 도입 성과를 의미하는 것이 아니라,
업무 아이디어를 의사결정자가 검토할 수 있는 문서 구조로 발전시키는 과정을 보여줍니다.
데이터 분석 실습에서는 담당자별 검침 건수와 점검 결과, 평균 소요시간 등의 지표를 피벗 테이블로 집계했습니다. 단순히 총계를 구하는 데서 끝내지 않고, 담당자별 차이가 처리 속도에서 발생한 것인지 업무
물량에서 발생한 것인지 구분해 결과를 해석했습니다.
분석한 내용은 핵심 지표와 차트, 해석을 포함한 보고자료로 전환했습니다. 원본 피벗 테이블을 그대로
전달하는 것이 아니라, 관리자가 확인해야 할 수치와 판단 기준이 한눈에 드러나도록 재구성한 것입니다.
반복되는 집계 과정은 VBA로 줄이되, AI가 작성한 코드와 자동화된 결과는 반드시 원본 데이터와
대조하도록 했습니다. 집계가 자동으로 실행된다는 사실보다 어떤 기준으로 데이터를 나누고, 어떤 수치를 보고해야 하는지를 사람이 결정하는 것이 더 중요하기 때문입니다.
이를 통해 중간관리자 과정은 업무 아이디어를 기획안으로 정리하고, 데이터를 분석한 뒤, 결과를 한 장의 보고자료로 전환하는 관리 업무의 전체 흐름으로 구성됐습니다.
사내 ChatGPT를 도입했다고,
교육까지 바로 가능한 것은 아니다
기업이 사내 ChatGPT를 도입했더라도 공개형 ChatGPT와 동일한 기능을 사용할 수 있다고
단정하기는 어렵습니다.
적용된 모델의 버전과 사내 권한 설정에 따라 파일 처리나 코드 생성, 시각 결과물 제작 등 사용할 수 있는
기능의 범위가 달라질 수 있기 때문입니다. 일반적인 ChatGPT나 외부 도구를 기준으로 설계한 실습이
사내 환경에서 작동하지 않는다면, 교육 당일 계획한 과정을 진행하기 어려울 수 있습니다.
영남에너지서비스 교육에서도 일부 외부 도구 활용 구간을 사내 ChatGPT로 대체할 수 있는지 먼저 확인해야 했습니다.
데이터다이빙은 교육 전에 테스트 방법을 정리한 노션 가이드를 담당자에게 공유했습니다. 담당자는 실제 사내 ChatGPT에 동일한 지시를 입력하고, 검침 데이터의 요약과 분석 결과를 보고용 형식으로 출력할 수 있는지 확인했습니다.
데이터다이빙은 회신받은 결과를 바탕으로 사내 환경에서 사용할 수 있는 기능의 범위를 점검하고, 이에
맞춰 교안과 실습 방식을 조정했습니다. 교육 당일의 실행 가능성뿐 아니라 교육생이 교육 이후에도 같은
방법을 현업에서 활용할 수 있는지를 고려한 과정입니다.
같은 AI 도구가
각자의 업무 방식으로 이어지기 위해
영남에너지서비스의 생성형 AI 업무자동화 교육은 모든 교육생에게 동일한 기능을 전달하는 방식으로 진행되지 않았습니다.
주니어는 AI를 활용해 Excel 데이터를 처리하고 피벗 분석과 보고자료로 연결하는 기본적인 업무 흐름을 익혔습니다. 미래세대는 AI를 적용할 수 있는 업무 아이디어를 찾고, 이를 분석 가능한 질문과 기준으로
구체화했습니다. 중간관리자는 반복 집계를 자동화하고 결과를 한 장의 판단 자료로 정리하는 데
집중했습니다.
세 과정이 다루는 깊이와 결과물은 달랐지만 공통된 방향은 분명했습니다.
업무를 구체적으로 설명하고, AI로 처리 방법의 초안을 만든 뒤, 기존 OA 도구에서 실행하고 검증해
최종 보고자료로 전환하는 것입니다.
생성형 AI는 기존 업무 도구를 모두 대체할 때보다, 조직이 이미 사용하고 있는 Excel과 PowerPoint에
연결될 때 더 빠르게 현업에 적용될 수 있습니다. 여기에 직급별 역할과 업무 책임을 반영한다면 AI 교육은 단순한 기능 습득을 넘어, 조직의 실제 일하는 방식을 개선하는 과정으로 이어질 수 있습니다.
생성형 AI가 같은 도구라고 해서 조직 안에서 필요한 활용 방식까지 같을 수는 없습니다. 데이터를 직접
정리하는 구성원, 새로운 활용 가능성을 검토하는 구성원, 결과를 판단하고 공유하는 관리자는 AI를 업무에 연결해야 하는 지점이 서로 다르기 때문입니다.
영남에너지서비스 과정은 이러한 차이를 교육 설계의 출발점으로 삼았습니다. 새로운 도구의 기능을
폭넓게 소개하기보다, 구성원들이 이미 사용하고 있는 Excel과 Powerpoint 안에서 각 직급이 자주
수행하는 업무를 어떻게 더 효율적으로 처리할 수 있는지에 집중했습니다.
기업의 AI 교육에서 중요한 것은 기능을 얼마나 많이 다뤘는지가 아닙니다. 교육생이 자신의 업무를 AI가 이해할 수 있도록 설명하고, 생성된 결과를 검증한 뒤 기존 업무 흐름에 다시 연결할 수 있어야 합니다.
그래야 교육이 일회성 체험에 머물지 않고 현업에서 반복해 활용할 수 있는 방식으로 남습니다.
조직의 AI 활용은 모든 구성원을 하나의 수준으로 맞추는 것에서 시작되지 않습니다. 서로 다른 역할을
가진 구성원이 각자의 업무에서 AI를 활용하고, 그 결과가 데이터 처리와 보고, 의사결정으로 이어질 때
조직 전체의 일하는 방식도 함께 변화할 수 있습니다.
데이터다이빙은 기업의 업종과 업무 환경, 구성원의 직급과 역할을 분석해 현업에서 실제로 활용할 수 있는 생성형 AI 업무자동화 교육을 설계합니다.
상세 커리큘럼이 궁금하신가요?
생성형 AI 업무자동화 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![웅진 생성형 AI 활용 역량 강화 교육 [1/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_웅진_1-768x432.png)
