클로드 AI 활용 교육: NHN 3개사 기술영업 직군의 업무 효율화를 구체화하다
클로드 AI의 기능을 익히는 것만으로는
실제 업무 활용까지 이어지기는 어렵습니다.
안녕하세요, 데이터다이빙입니다.
기업에서 새로운 AI 도구를 활성화하려면 기능을 소개하는 것만으로는 부족합니다.
임직원이 도구의 전체 구조를 이해하는 동시에 자신의 업무에서 언제, 어떻게 활용할 수 있는지 경험해야
실제 사용으로 이어질 수 있기 때문입니다. 같은 도구를 사용하더라도 개발, 기술영업, 기획 등 직군에 따라 필요한 기능과 활용 방식도 달라집니다.
전년도 데이터다이빙은 NHN 개발자를 대상으로 총 4회차의 GitHub Copilot 실무 활용 교육을 진행했습니다. 코드 자동완성 기능을 익히는 데 그치지 않고, 실제 개발 과제를 구현하고 결과를 검증하며 AI 코딩
도구를 개발 업무에 적용하는 과정이었습니다.
올해는 교육의 대상과 도구, 다루는 업무가 달라졌습니다.
이번 글에서는 NHN Cloud·NHN Enterprise·NHN의 기술영업 임직원을 대상으로,
사내 Claude 활용을 활성화하기 위한 ‘클로드 AI 활용 업무 효율화 과정 교육’을 소개합니다.
이번 교육은 기본 프롬프트부터 Skill, 디자인, Claude Code, Cowork까지 Claude의 주요 활용 방식을 단계적으로 다뤘습니다. 기능을 순서대로 소개하는 데 그치지 않고 서비스 분석과 영업 보고, 고객 제안,
데이터 분석, 제안요청서(RFP) 대응처럼 기술영업의 실제 업무에 각각 연결했습니다.
기술영업은 하나의 문서만 잘 만든다고 끝나는 업무가 아닙니다.
새로운 서비스의 내용을 빠르게 파악하고, 고객의 상황에 맞는 언어로 다시 설명해야 합니다.
고객 미팅에서 확인한 문제를 자사 서비스와 연결해 제안서를 구성하고, 영업 데이터를 분석해 우선순위를 정하거나 제안요청서(RFP)의 요구사항과 자사의 역량을 비교하는 과정도 필요합니다.
이처럼 여러 자료와 판단이 이어지는 업무에서 생성형 AI를 단순한 문서 작성 도구로만 활용하면 업무의
일부만 줄일 수 있습니다. AI가 기술영업의 실제 업무를 지원하려면 질문에 답하는 단계를 넘어, 반복되는 작업 방식을 저장하고 여러 자료를 연결하며 결과물을 파일로 완성하는 과정까지 이어져야 합니다.
단순히 클로드의 기능을 익히는 것이 아니라, 각 기능을 기술영업의 어떤 업무에 어떻게 연결하고 무엇을 사람이 검수해야 하는지 직접 경험하는 과정이었습니다.
클로드의 A to Z를
기술영업의 업무 흐름에 맞추다
사내 Claude 활용을 활성화하려면 일부 기능을 빠르게 체험하는 것보다, 각 기능이 어떤 업무에 적합하고 기존 작업 방식을 어떻게 개선할 수 있는지 전체 흐름을 이해하는 것이 중요합니다.
이번 과정에서는 기술영업 담당자가 실제로 수행하는 업무 흐름을 중심으로 교육을 구성했습니다.
서비스 자료를 빠르게 이해하고 고객에게 전달할 메시지를 만드는 업무부터 반복되는 영업 보고, 고객 맞춤 제안, 영업 데이터 분석, 제안요청서(RFP) 대응까지 하나의 과정 안에서 다뤘습니다. 기능 자체보다 각
기능을 어떤 업무에 활용할 수 있는지를 중심으로 실습을 설계한 것입니다.
교육생들은 자신의 담당 업무를 바탕으로 클로드가 지원할 수 있는 작업을 구체화하고, 교육에서 제공한
자료를 활용해 직접 결과물을 제작했습니다. 예시 문장을 따라 입력하는 데 그치지 않고, 업무의 목적과
활용 상황에 따라 요청과 결과물을 조정하도록 구성했습니다.
같은 기능을 사용하더라도 어떤 업무를 맡고 있으며 어떤 자료와 결과물이 필요한지에 따라 프롬프트는
달라져야 하기 때문입니다. 교육생들은 담당 서비스와 영업 상황을 바탕으로 AI가 도움을 줄 수 있는 업무를 먼저 정리했습니다.
같은 “보고서를 작성해 달라”는 요청이라도 어떤 서비스를 누구에게 제안하는지, 현재 어떤 자료를 가지고 있는지, 결과물을 어디에 활용할 것인지에 따라 답변은 달라집니다.
따라서 예시 문장을 그대로 복사하기보다 자신의 영업 맥락을 설명하고 원하는 작업을 구체화하도록
했습니다.
교육 초반에는 프롬프팅, Skill, Claude 디자인, Claude Code, Cowork 등 과정에서 활용할 기능과 개념을 먼저 살펴봤습니다. 각 기능을 따로 익히는 것이 아니라 질문과 생성, 재사용, 분석, 업무 위임으로 활용 범위가 어떻게 확장되는지 전체 지도를 그린 뒤 실제 과제로 넘어가기 위한 구성이었습니다.
서비스의 언어를 고객이 듣고 싶은 메시지로
기술영업 담당자는 새로운 서비스 소개서를 짧은 시간 안에 파악해야 합니다. 그러나 소개서에 적힌 서비스 중심의 설명을 그대로 전달하는 것만으로는 고객에게 필요한 제안이 되기 어렵습니다.
이번 과정에서는 NHN이 제공한 실제 서비스 소개서 PDF를 바탕으로 핵심 기능과 차별점, 영업 담당자가 알아야 할 강점과 주의사항을 먼저 정리했습니다. 이후 분석한 내용을 데이터다이빙이 설계한 가상의 고객 상황에 맞춰 도입 필요성과 기대효과, 예상 질문과 답변 초안으로 전환했습니다.
중요한 것은 AI가 내용을 자연스럽게 정리했는지가 아니라,
그 내용이 원본 자료에 근거하고 있는지였습니다.
이 과정에서는 클로드 AI가 생성한 내용이 제공된 자료에 근거하고 있는지도 함께 검토해, 빠른 자료 분석이 정확한 영업 커뮤니케이션으로 이어질 수 있어야 합니다. 서비스 분석의 속도를 높이되, 근거 없는 정보가 영업 메시지로 이어지지 않도록 검수 기준을 함께 익히기 위해서입니다.
Skill로 반복 업무의 기준을 고정하고,
사내 업무 도구로 확장하다
생성형 AI로 반복 업무를 처리할 때 자주 발생하는 문제는 매번 같은 설명을 다시 입력해야 한다는 점입니다. 이전 작업에서 개선한 형식과 기준도 다음 업무에서는 다시 설정해야 할 수 있습니다.
이를 해결하기 위해 주간 영업 리포트 작성 방식을 Claude Skill로 만드는 실습을 진행했습니다.
교육생들은 데이터다이빙이 제작한 가상의 영업 데이터를 활용해 기존 보고 업무를 Claude로 수행하고, 실제 사용 목적에 맞게 결과물을 개선했습니다. 한 번의 답변을 얻는 데서 그치지 않고, 반복적으로 활용할 수 있는 업무 방식으로 발전시키는 데 초점을 맞췄습니다.
Skill의 활용 범위는 하나의 보고 업무에만 한정하지 않았습니다.
데이터다이빙은 NHN 임직원들이 실제 업무에서 사용하는 Dooray를 기반으로 제작한
Dooray Works Skill도 함께 소개했습니다.
클로드 코드에서 듀레이의 공식 API를 활용해 메신저와 일정, 프로젝트와 드라이브 등 여러 협업 기능을
연결할 수 있도록 구성한 Skill을 구성하여, 이를 통해 업무 내용을 확인하고 정리하는 것부터 일정과 과제를 관리하고, 필요한 자료와 커뮤니케이션을 연결하는 과정까지 기존 업무 도구 안에서 클로드의 활용 범위를 확장할 수 있다는 점을 살펴봤습니다.
이 과정은 AI를 한 번의 답변을 만드는 도구가 아니라, 반복 업무의 기준을 축적하는 도구로 활용하는 방법을 보여주고, 조직에서 이미 사용하고 있는 업무 툴과 결합해 다양한 업무 흐름으로 확장될 수 있음을 보여준 사례였습니다. 이를 통해 개인이 개선한 작업 방식을 다음 업무에서도 다시 사용하고, 나아가 조직의
기존 협업 도구와 연결할 수 있는 가능성을 확인했습니다.
고객의 문제와 브랜드 기준을 함께 반영한
제안서를 설계하다
고객 맞춤 제안서는 내용과 디자인 가운데 하나만 갖춰서는 완성되기 어렵습니다. 브랜드가 일관되더라도 고객의 문제가 반영되지 않으면 일반적인 회사 소개서에 머물고, 내용이 좋아도 슬라이드마다 시각 기준이 달라지면 제안서의 완성도가 흔들릴 수 있습니다.
이번 과정에서는 가상의 고객 미팅 상황과 NHN의 서비스 소개서를 연결해 고객 맞춤형 제안 내용을 구성하고, 이를 클로드 디자인을 활용해 실제 프레젠테이션 결과물로 제작했습니다.
먼저 NHN의 브랜드 모티브와 색상, 폰트, 레이아웃 원칙을 반영한 디자인 시스템을 만들었습니다.
다음으로 가상의 고객사 요구사항을 분석해 고객의 현재 상황과 핵심 문제를 정리하고, 이를 실제 서비스 소개서에서 확인되는 기능과 연결했습니다. 마지막으로 고객 문제, 해결 방향, 제안 서비스, 기대효과,
도입 로드맵이 이어지는 8장 구성안을 만든 뒤 디자인 시스템과 결합해 실제 슬라이드로 제작했습니다.
이때도 “PPT를 만들어 달라”는 한 번의 요청으로 바로 제작하지 않았습니다. 고객 문제와 서비스의 연결 논리를 먼저 설계하고, 그 내용을 브랜드 기준과 결합해 슬라이드로 완성했습니다. 최종 결과물은 웹
미리보기에서 끝내지 않고 PPTX 또는 PDF로 내려받아 빈 장, 잘린 문장, 깨진 표, 폰트와 레이아웃의
일관성을 직접 확인하도록 했습니다.
영업 데이터에서 우선 관리 고객을 찾다
영업 데이터가 많아질수록 표를 읽는 것만으로는 지금 먼저 살펴봐야 할 고객을 판단하기 어렵습니다.
매출 규모가 큰 고객이 항상 수익성이 높은 고객은 아니며, 할인율과 누적 이익, 적자 거래의 반복 여부까지 함께 확인해야 하기 때문입니다.
데이터 분석 실습에서는 데이터다이빙이 교육용으로 제작한 약 1만 건 규모의 가상 영업 데이터를 활용했습니다. 실제 NHN의 영업 현황 및 고객 정보와는 무관한 데이터로, Claude Code에 실습 폴더를 연결한 뒤 데이터의 구조와 컬럼을 먼저 파악했습니다.
이후 고객별 손익과 할인율을 분석해 거래 조건을 우선적으로 검토해야 할 고객을 정리하고, 주요 KPI와
우선 관리 고객 목록을 한눈에 볼 수 있는 단일 HTML 대시보드를 제작했습니다. 별도의 서버나 프로그램을 설치하지 않아도 파일을 더블클릭해 확인할 수 있고, 자연어 요청으로 표의 위치와 강조 색상, 숫자 형식과 모바일 화면을 수정할 수 있도록 구성했습니다.
추가로 CSV 업로드 기능을 적용하면 새로운 파일을 올릴 때 대시보드를 다시 그리도록 확장할 수도 있습니다. AI를 직접 다루지 않는 동료도 결과물을 사용할 수 있도록, 분석을 개인의 대화창 안에 남겨두지 않고 실행 가능한 파일로 전환한 것입니다.
질문하는 사용자에서
업무를 맡기고 검수하는 관리자로
교육의 마지막 단계에서는 한 번의 질문에 답을 받는 채팅 방식에서 벗어나, 여러 단계의 업무를 하나의
프로젝트로 위임하는 방식으로 확장했습니다.
기술영업의 제안요청서(RFP) 대응은 요구사항을 요약하는 것만으로 끝나지 않습니다. 고객의 요구를 정확히 파악하고, 자사 서비스와 연결할 수 있는 부분을 검토한 뒤 수주 방향과 제안서의 구조를 함께 설계해야 합니다.
교육생들은 교육용 가상 제안요청서(RFP)와 NHN의 서비스 소개서를 실습 폴더에 넣고 Cowork
프로젝트를 구성했습니다. 먼저 모든 작업에 적용할 규칙 파일을 만든 뒤, 평가 기준과 서비스 역량을 각각 정리했습니다.
이후 목표와 필수 요구사항을 브리핑하고, Cowork가 제안한 작업 계획에 필요한 단계와 산출물이
포함되어 있는지 확인한 뒤 실행을 승인했습니다.
그 결과 갭분석, 수주 전략, 근거 자료와 제안서 설계 초안이 파일로 이어지도록 했습니다. 이 과정에서 교육생의 역할도 달라졌습니다. AI가 만든 문장을 복사하는 사용자가 아니라, 목표를 설명하고 계획을 승인하며 중간 산출물과 근거를 검수하는 관리자의 역할을 경험한 것입니다.
AI가 만드는 범위가 넓어질수록
검수 기준은 더 구체적으로
이번 교육은 Claude의 A to Z를 익힐 수 있도록 프롬프트 작성부터 문서 분석, 보고서 자동화, 슬라이드와 대시보드 제작, 프로젝트 위임까지 기술영업의 여러 업무를 단계적으로 연결했습니다.
그러나 AI가 더 많은 작업을 수행하도록 맡기는 것만으로 업무 활용이 완성되는 것은 아닙니다.
입력 자료의 범위를 정하고, 결과물에 포함된 수치와 근거를 원본에서 확인하며, 실제로 생성된 파일을
다시 열어보는 과정이 함께 필요합니다.
그래서 모든 실습에 사람의 검수 기준을 포함했습니다. 근거가 없는 내용은 ‘데이터 없음’이나 ‘확인 필요’로 남기고, 외부 자료는 출처 링크를 확인했습니다. 실제 서비스 소개서는 업무 맥락을 반영하는 근거 자료로 활용하되, 고객 및 영업 데이터는 교육용 가상 데이터로 구성했습니다. AI가 작업을 완료했다고 답하더라도 최종 문서와 대시보드를 직접 열어 오류가 없는지 확인했습니다.
같은 주제를 대상으로 하더라도 생성형 AI와 클로드를 사용해 본 경험은 모두 상이합니다.
따라서 교육 전에 설계한 커리큘럼을 모든 회차에 동일하게 적용하기보다, 실제 교육생의 이해도와 반응을 확인하며 교육의 깊이를 조정할 필요가 있습니다.
첫 회차에서는 기초 내용에 대한 교육생의 이해도가 예상보다 높게 확인되었습니다. 데이터다이빙은 이를 다음 회차의 설계에 반영해, 2회차에는 각 기능을 직접 기술영업 과제에 적용하고 그 결과물을 완성하는
실습 비중을 확대했습니다.
그 결과 2회차에서는 교육 난이도가 적절했다는 교육생 반응이 다수 확인되었습니다. 정해진 내용을 반복해서 전달하는 데 그치지 않고, 회차별 교육생의 활용 수준과 학습 반응에 따라 설명과 실습의 비중을 조정함으로써 교육이 실제 업무 활용까지 이어질 수 있도록 한 것입니다.
사내 AI 활성화는 새로운 기능을 많이 아는 것만으로 이루어지지 않습니다.
조직이 실제로 사용하는 자료와 업무 흐름에 기능을 연결하고, 안전하게 연습할 수 있는 데이터와 명확한 검수 기준을 함께 마련해야 합니다.
데이터다이빙은 앞으로도 각 조직의 업무와 자료, 활용 환경을 바탕으로 AI가 실제 업무 안에서 작동할 수 있는 교육을 설계하겠습니다.
상세 커리큘럼이 궁금하신가요?
사내 클로드 AI 활용 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![신라면세점 데이터 리터러시 교육(집합교육) [1/2]](https://datadiving.net/wp-content/uploads/2023/11/신라면세교육-16_9-집합교육_1-768x432.png)
![웅진 생성형 AI 활용 역량강화 교육 – 후기편 [2/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_2-1-768x432.png)
![서울시설공단 ChatGPT 실무 적용 교육(집합교육) – 후기편 [2/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_3-768x432.png)