글

AI가 만든 업무 체크리스트를 실제 업무 절차로 바꾸는 방법

AI에 업무 내용을 설명하면 해야 할 일을 순서대로 정리한 체크리스트를 만들 수 있다. 신규 직원의 업무 안내, 월말 자료 정리, 회의 준비, 프로젝트 진행 상황 확인처럼 여러 단계를 거치는 작업에서 유용하다. 머릿속에 흩어져 있던 일을 목록으로 바꾸면 빠뜨린 항목을 찾기 쉽고, 업무를 다른 사람과 나누기도 편해진다. 하지만 체크리스트가 보기 좋게 정리되어 있다고 해서 실제 업무에 바로 사용할 수 있는 것은 아니다. AI는 일반적인 업무 순서를 제안할 수 있지만, 해당 조직에서 누가 승인해야 하는지, 어떤 조건에서 작업을 중단해야 하는지, 자료가 도착하지 않았을 때 어떻게 처리하는지까지 자동으로 정확하게 알지는 못한다. 예를 들어 월말 보고서 작성이라는 업무에는 자료 수집, 수치 확인, 문서 작성, 검토, 제출 같은 단계가 포함될 수 있다. 그러나 자료가 늦게 도착했을 때 누구에게 알릴지, 숫자가 맞지 않을 때 제출을 보류할지, 최종 승인자가 자리를 비웠을 때 어떻게 진행할지는 별도의 기준이 필요하다. 개인적으로 체크리스트의 가치는 항목의 개수보다 각 항목을 누가, 어떤 조건에서, 무엇을 완료하면 끝난 것으로 판단하는지 명확한가 에 있다고 본다. 따라서 AI가 만든 목록은 완성된 업무 절차서라기보다 빠진 단계를 찾아내기 위한 초안으로 활용하는 편이 적절하다. 1. 할 일 목록과 실제 업무 절차를 구분한다 할 일 목록은 해야 할 일을 기억하기 위한 도구다. 반면 실제 업무 절차는 업무의 순서뿐 아니라 담당자, 완료 기준, 필요한 자료, 예외 상황을 포함해야 한다. 두 가지는 비슷해 보이지만 사용 목적이 다르다. 예를 들어 AI가 다음과 같은 월말 보고서 체크리스트를 만들었다고 가정한다. 매출 자료를 수집한다. 자료를 확인한다. 보고서를 작성한다. 담당자에게 검토를 요청한다. 최종 보고서를 제출한다. 이 목록은 기본적인 흐름을 이해하는 데는 도움이 된다. 하지만 누가 자료를 수집하는지, 자료가 모두 도착했는지 어떻게 확인하는지, 검토 과정에서 오류가 발견되면 어디...

AI가 만든 엑셀 수식 검증하는 방법: 계산 범위와 결과를 확인하는 실무 기준

엑셀 수식을 직접 작성하는 일이 익숙하지 않다면 AI를 이용해 수식을 만드는 방법이 도움이 된다. 원하는 계산 결과를 말로 설명하면 합계, 조건별 집계, 날짜 계산, 중복 확인 등에 사용할 수 있는 수식을 제안받을 수 있다. 수식의 의미를 설명해 달라고 요청하면 복잡한 함수의 구조를 이해하는 데도 활용할 수 있다. 하지만 엑셀 셀에 오류 메시지가 나타나지 않는다고 해서 계산 결과까지 올바르다고 판단할 수는 없다. 수식 문법이 정상이어도 계산 범위가 잘못되거나, 업무에서 사용해야 할 조건이 빠지면 결과는 달라질 수 있다. 특히 숫자가 자연스럽게 표시되면 잘못된 결과를 알아차리기 어려울 수 있다. 이 글에서는 AI가 만든 엑셀 수식을 검토할 때 확인할 항목을 실제 업무에서 자주 생길 수 있는 예시 데이터로 살펴본다. 아래 숫자와 수식은 검증 방법을 설명하기 위한 가상 사례이며, 특정 AI 도구를 실제로 테스트한 결과를 의미하지 않는다. 1. 수식이 계산되는 것과 계산 기준이 맞는 것은 다르다 엑셀 수식의 문제는 크게 두 가지로 구분할 수 있다. 하나는 수식 자체가 실행되지 않는 문법이나 참조 오류이고, 다른 하나는 수식이 실행되지만 원하는 기준과 다른 결과를 내는 논리 오류다. 예를 들어 매출 금액이 B2부터 B6까지 입력되어 있는데, AI가 =SUM(B2:B5) 라는 수식을 제안했다고 가정한다. 이 수식은 정상적으로 계산될 수 있다. 그러나 B6에 마지막 거래 금액이 있다면 그 값은 합계에서 빠진다. 엑셀은 지정된 범위 안에서 정확하게 계산했지만, 사용자가 원한 전체 매출 합계를 구하지 못한 것이다. 오류 메시지가 없으므로 결과를 눈으로만 확인하면 문제를 지나칠 수 있다. 따라서 AI가 만든 수식을 검토할 때는 두 가지 질문을 분리한다. 첫째, 수식이 엑셀에서 정상적으로 실행되는가? 둘째, 수식이 내가 원하는 데이터와 조건을 대상으로 계산하는가? 첫 번째 질문에 대한 답이 긍정적이어도 두 번째 질문은 별도로 확인해야 한다. 실제 업무에서 중요한 것은 수식이 실행...

AI가 작성한 업무 이메일을 보내기 전 확인해야 할 표현과 책임 범위

AI를 이용하면 업무 이메일을 작성하는 시간이 줄어든다. 전달할 내용을 몇 줄로 정리한 뒤 정중한 표현으로 바꾸거나, 복잡한 요청을 읽기 쉬운 문장으로 정리할 수 있기 때문이다. 특히 거래처에 보내는 안내문이나 일정 조율 메일처럼 표현을 신중하게 선택해야 하는 상황에서 유용하다. 다만 문장이 자연스럽고 정중하다는 이유만으로 이메일을 그대로 보내는 것은 주의해야 한다. AI는 사용자가 입력한 정보를 바탕으로 문장을 구성하지만, 실제로 확정되지 않은 일정이나 담당자의 약속까지 정확하게 구분해 주는 것은 아니다. 문장을 매끄럽게 만드는 과정에서 원래 의도보다 강한 약속이 생기거나, 아직 결정되지 않은 사항이 확정된 것처럼 바뀔 수도 있다. 개인적으로 업무 이메일에서 중요하게 보는 기준은 문장의 세련됨보다 내가 실제로 전달하려는 내용과 상대방이 받아들일 내용이 일치하는가 이다. 이메일은 단순한 글이 아니라 요청, 일정, 책임, 합의가 기록으로 남는 업무 수단이기 때문이다. 따라서 AI가 만든 이메일은 표현을 다듬는 초안으로 활용하고, 발송 전에는 사실관계와 책임 범위를 따로 확인하는 편이 합리적이다. 1. 정중한 표현이 확정된 약속으로 바뀌지 않았는지 확인한다 AI는 업무 문장을 정중하게 바꾸는 과정에서 단정적인 표현을 추가할 수 있다. 원래는 가능성을 검토하겠다는 뜻이었는데, 수정된 문장에서는 실행을 약속하는 의미로 읽히는 경우가 대표적이다. 예를 들어 원래 전달하려던 내용이 다음과 같다고 가정한다. 원문: “요청한 자료는 담당 부서와 확인한 후 전달 가능 여부를 안내하겠다.” AI가 작성한 문장: “요청한 자료는 확인 후 전달하겠다.” 두 문장은 비슷해 보이지만 의미에는 차이가 있다. 원문은 전달이 가능한지 확인한 뒤 결과를 안내하겠다는 뜻이다. 반면 수정된 문장은 자료를 전달하는 것 자체가 예정된 일처럼 읽힐 수 있다. 자료 제공이 아직 결정되지 않았다면 이 차이는 중요하다. 이런 상황에서는 정중한 문장인지보다 다음 세 가지를 먼저 확인한다. 아직 결정되지 않은...

AI에게 같은 업무를 이어서 시킬 때 답변이 달라지는 이유와 대화 정리 방법

생성형 AI를 업무에 사용하다 보면 처음에는 원하는 결과가 잘 나오다가 몇 번 대화를 이어간 뒤부터 답변이 조금씩 달라지는 것을 경험할 수 있다. 처음에는 회사 보고서 초안을 잘 만들어주었는데 수정 요청을 여러 번 하다 보면 문체가 달라지거나 처음 정한 조건이 빠지기도 한다. 처음에는 특정 형식으로 정리해달라고 했는데 대화가 길어지면서 AI가 다른 형식으로 답변하는 경우도 있다. 이런 상황에서는 AI의 성능만 탓하기보다 지금까지의 대화에 어떤 조건이 누적되어 있는지 살펴볼 필요가 있다. 개인적으로 AI를 업무에 사용할 때 가장 불편한 순간 중 하나도 바로 이 부분이라고 생각한다. 처음부터 다시 설명하면 시간이 걸리고, 기존 대화를 계속 이어가면 이전 조건과 새로운 요구사항이 섞일 수 있기 때문이다. 그래서 장시간 하나의 업무를 AI와 함께 진행할 때는 대화의 길이보다 현재 작업의 기준을 얼마나 명확하게 유지하고 있는지 를 확인하는 것이 중요하다. 처음 정한 조건을 따로 적어두는 이유 업무를 AI에게 맡길 때 처음에 여러 조건을 제시하는 경우가 많다. 예를 들어 보고서 작성이라면 다음과 같은 조건이 있을 수 있다. 문서의 대상 문서의 목적 분량 문체 포함해야 할 내용 제외해야 할 내용 마감 일정 대화가 짧을 때는 이 조건들이 잘 유지된다. 하지만 수정 요청이 여러 번 이어지면 새로운 조건이 계속 추가된다. 그러다 보면 처음에 중요했던 조건이 뒤쪽 대화에서 묻힐 수 있다. 수정 요청이 많아질수록 기준을 다시 정리한다 AI에게 계속해서 “이 부분만 수정해줘.” “조금 더 짧게 해줘.” “이 문장을 바꿔줘.” “다시 작성해줘.” 라고 요청하다 보면 처음 목적과 다른 결과물이 만들어질 수 있다. 이때는 계속 수정 요청을 추가하기보다 현재까지의 조건을 다시 정리하는 것이 좋다. 예를 들어 다음과 같이 요청할 수 있다. “지금까지 정한 조건을 먼저 정리해줘.” 그다음 AI가 정리한 내용을 확인한다. 이 과정에서 빠진 조건이나 잘못 이해한 부분을 다시 수정한다. 이렇게 기준...

AI에게 회사 문서를 요약시킬 때 명사와 숫자를 따로 확인해야 하는 이유

직장에서 AI를 사용하다 보면 긴 문서를 빠르게 요약해야 하는 순간이 있다. 보고서, 내부 공지, 업무 지침, 회의자료처럼 내용이 많은 문서를 그대로 읽기 어려울 때 AI의 요약 기능은 상당히 편리하다. 문제는 문서의 전체적인 의미는 잘 정리하면서도 작은 정보가 달라질 수 있다는 점이다. 특히 회사에서 사용하는 문서에는 일반적인 글보다 고유명사와 숫자가 많이 들어간다. 부서명, 프로젝트명, 제품명, 담당자 이름, 일정, 금액, 수량 등이 대표적이다. 이런 정보는 문서 전체에서 차지하는 비중은 작지만 실제 업무에서는 매우 중요하다. 개인적으로 AI가 만들어준 업무 요약문을 확인할 때는 전체 문장을 처음부터 다시 읽기보다 고유명사와 숫자를 먼저 확인하는 방식이 효율적이라고 생각한다. AI 요약에서 작은 정보가 중요한 이유 일반적인 정보글이라면 표현이 조금 달라져도 전체 의미가 유지될 수 있다. 하지만 회사 문서는 다르다. 예를 들어 A팀과 B팀이 업무를 나누어 맡고 있는데 AI가 부서명을 잘못 정리하면 실제 담당자가 바뀐 것처럼 보일 수 있다. 프로젝트 이름이 비슷한 경우에도 문제가 생길 수 있다. 특히 여러 프로젝트가 동시에 진행되는 회사라면 이름 하나만 바뀌어도 전혀 다른 업무를 의미할 수 있다. 따라서 AI 요약에서는 문장의 자연스러움보다 특정 명칭이 정확하게 유지되었는지를 확인해야 한다. 고유명사는 따로 모아서 확인한다 AI에게 문서를 요약시킨 뒤 다음 항목을 별도로 추출해달라고 요청하는 방법이 있다. 부서명 프로젝트명 제품명 서비스명 담당자명 기관명 문서에 등장하는 주요 고유명사를 따로 모으면 원문과 비교하기 쉬워진다. 특히 비슷한 이름이 여러 개 등장하는 문서에서는 이 방법이 유용하다. 예를 들어 프로젝트 A와 프로젝트 A-2가 동시에 등장한다면 AI가 두 항목을 하나의 프로젝트처럼 정리하지 않았는지 확인할 수 있다. 숫자는 문장보다 먼저 확인한다 숫자도 마찬가지다. 다음과 같은 정보는 별도로 확인하는 것이 좋다. 금액 수량 인원 날짜 기간 비율 목표치...

AI에게 회의록을 맡길 때 결정사항과 의견을 구분하는 방법

회의가 끝난 뒤 회의록을 정리하는 일은 생각보다 많은 시간이 걸린다. 회의 중에는 여러 사람이 자유롭게 의견을 이야기하고, 중간에 다른 주제로 넘어갔다가 다시 돌아오는 경우도 많기 때문이다. 생성형 AI에게 회의 내용을 입력하면 긴 대화를 짧게 정리해준다는 장점이 있다. 문제는 요약이 깔끔하게 만들어졌다고 해서 그 내용이 실제 회의에서 결정된 사항과 완전히 같은 것은 아니라는 점이다. 특히 직장에서는 누군가가 이렇게 하면 어떨 것 같다~고 말한 것과 실제로 이렇게 진행하기로 했다~는 것은 전혀 다른 의미를 가진다. 개인적으로 AI를 업무에 활용할 때 가장 신경 쓰는 부분도 바로 이 차이다. 문장이 자연스럽게 정리되어 있으면 얼핏 보기에는 모두 확정된 내용처럼 느껴지기 때문이다. 그래서 회의록을 AI에게 맡길 때는 전체 내용을 예쁘게 요약하는 것보다 의견, 결정, 보류, 담당 업무를 분리해서 확인하는 과정이 더 중요하다고 생각한다. AI가 회의 내용을 정리하면서 생기는 작은 차이 회의에서는 다음과 같은 대화가 자연스럽게 오간다. 다음 주까지 한번 검토해보면 좋겠습니다. 그럼 A안으로 가는 것도 괜찮을 것 같습니다. 일단 팀장님께 확인해보고 결정하죠. 사람이 회의에 참석했다면 이 세 문장이 모두 같은 의미가 아니라는 것을 쉽게 이해할 수 있다. 첫 번째는 검토 제안일 수 있고,  두 번째는 의견일 수 있으며,  세 번째는 아직 결정하지 않았다는 뜻에 가깝다. 하지만 AI가 이것을 간단하게 요약하면서 모두 업무 결정사항처럼 묶어버리면 문제가 생길 수 있다. 따라서 회의록을 만들 때는 단순 요약을 요구하기보다 각각의 발언이 어떤 상태인지 구분하도록 요청하는 것이 좋다. 결정된 내용과 의견을 분리해서 요청한다 회의록을 AI에게 정리시킬 때 다음과 같은 기준을 먼저 알려주는 방법이 있다. 결정된 사항 논의만 된 사항 추가 확인이 필요한 사항 담당자가 정해진 업무 담당자가 정해지지 않은 업무 이렇게 나누면 회의 내용의 성격을 구분하기 쉬워진다. 특히 담당자...

Gamma로 만든 PPT와 사람이 만든 PPT 비교, 디자인 품질부터 제작 시간까지 실제 실험 후기

  Gamma로 만든 PPT와 사람이 만든 PPT 비교, 디자인 품질부터 제작 시간까지 실제 실험 후기 최근 생성형 AI의 발전으로 발표자료 제작 방식도 빠르게 바뀌고 있다. 과거에는 파워포인트를 직접 열어 한 장씩 디자인하고 이미지와 아이콘을 찾으며 수 시간을 투자해야 했다. 하지만 지금은 Gamma와 같은 AI 기반 프레젠테이션 도구를 활용하면 몇 분 만에 발표자료 초안을 만들 수 있다. 실제로 필자 역시 업무 보고서, 교육자료, 연구발표 자료 등을 준비하면서 Gamma를 여러 차례 사용해봤다. 처음에는 "AI가 만든 PPT가 얼마나 괜찮겠어?"라는 생각이 들었지만 실제 결과는 예상보다 훨씬 흥미로웠다. Gamma는 사용자가 입력한 주제나 문서를 기반으로 발표자료의 구조와 슬라이드를 자동 생성하는 AI 프레젠테이션 플랫폼이다. 사용자는 주제만 입력하거나 기존 문서를 업로드하면 AI가 전체 발표 흐름과 레이아웃을 자동으로 구성한다. 이번 글에서는 실제로 같은 주제를 가지고 Gamma가 만든 PPT와 사람이 직접 제작한 PPT를 비교해봤다. 비교 항목은 다음과 같다. 디자인 품질 제작 시간 정보 전달력 실무 활용성 수정 편의성 발표 적합성 단순 기능 소개가 아닌 실제 업무 상황을 기준으로 테스트한 결과를 정리해보았다. 실험 환경 비교를 위해 동일한 주제를 선정했다. 주제는 "AI 도구를 활용한 업무 생산성 향상 방안"이다. 20페이지 분량의 발표자료를 제작했다. 첫 번째는 Gamma를 활용해 제작했다. 두 번째는 사람이 직접 파워포인트에서 제작했다. 비교 조건은 최대한 동일하게 유지했다. 동일한 내용 동일한 목차 동일한 발표 대상 동일한 발표 시간 오직 제작 방식만 달랐다. 첫 번째 비교, 제작 시간 가장 먼저 차이가 난 부분은 제작 시간이었다. 사람이 직접 제작한 PPT는 약 4시간 정도가 소요됐다. 자료 정리 슬라이드 구성 디자인 수정 이미지 삽입 레이아웃 조정 등의 작업이 필요했다. 반면 Gamma는 초안 생성까지 약 ...

Claude는 연구계획서 작성에 얼마나 도움이 될까? 실제 논문 준비 과정에서 테스트해본 결과

  석사나 박사 과정에 진학하면 가장 먼저 부딪히는 어려움 중 하나가 연구계획서 작성이다. 연구계획서는 단순한 문서가 아니다. 앞으로 수행할 연구의 방향을 정하고 연구의 필요성과 목적을 설명하며 연구문제와 연구방법을 구체화하는 중요한 설계도 역할을 한다. 하지만 처음 연구계획서를 작성하는 대학원생이나 연구자 입장에서는 어디서부터 시작해야 할지 막막한 경우가 많다. 연구 주제는 정했지만 연구 목적을 어떻게 작성해야 하는지, 연구문제는 어떤 형태로 설정해야 하는지, 선행연구는 어떻게 정리해야 하는지 고민이 이어진다. 최근에는 생성형 AI를 연구 과정에 활용하는 사례가 증가하고 있다. 그중에서도 Claude는 긴 문서 분석 능력과 대용량 자료 처리 능력으로 연구자들 사이에서 관심을 받고 있다. Claude는 프로젝트 기능을 통해 여러 논문과 자료를 하나의 작업 공간에서 관리할 수 있으며, 대량의 문서를 기반으로 답변을 생성할 수 있다. 이번 글에서는 실제 연구계획서 작성 과정을 가정하여 Claude가 어느 정도까지 도움을 줄 수 있는지 실험해보았다. 특히 다음 세 가지를 중심으로 검증했다. 연구 목적 정리 연구문제 설정 논문 활용 및 선행연구 분석 단순 기능 소개가 아니라 실제 대학원 연구자가 활용한다는 가정하에 진행한 실험 결과를 정리해보았다. 왜 연구계획서 작성 실험을 진행했을까? 연구계획서 작성 과정은 생각보다 많은 시간이 필요하다. 먼저 연구 주제를 선정해야 한다. 그 다음에는 관련 논문을 수집해야 한다. 선행연구를 읽고 연구 흐름을 파악해야 한다. 기존 연구의 한계를 찾아야 한다. 마지막으로 연구 목적과 연구문제를 설정해야 한다. 문제는 이 과정이 상당히 반복적이라는 점이다. 특히 선행연구 검토 과정에서는 수십 편의 논문을 읽어야 하는 경우도 많다. Claude는 긴 문서를 분석하고 다수의 자료를 함께 활용하는 데 강점을 가진 것으로 알려져 있다. Anthropic은 Claude가 대량의 문서를 바탕으로 내용을 분석하고 서로 다른 자료 간의 연결성을...

Gemini와 ChatGPT의 한국어 글쓰기 품질 비교, 실제로 어떤 차이가 있을까?

  생성형 AI를 활용하는 사람들이 가장 많이 하는 작업 중 하나는 글쓰기다. 과거에는 AI가 간단한 문장 생성 정도에 머물렀지만 최근에는 보고서 작성, 블로그 콘텐츠 제작, 사업계획서 초안 작성, 이메일 작성, 회의록 정리 등 실제 업무에 활용되는 수준까지 발전했다. 현재 가장 많이 사용되는 AI 중 하나가 ChatGPT와 Gemini다. 둘 다 한국어를 지원하고 있으며 긴 문서 작성도 가능하다. 하지만 실제로 사용해보면 두 서비스의 글쓰기 스타일은 생각보다 차이가 있다. 특히 한국어 문서 작성에서는 단순히 문법이 맞는지보다 더 중요한 요소가 있다. 문장이 자연스러운가 읽기 편한가 논리 흐름이 좋은가 실제 사람이 쓴 것처럼 보이는가 이번 글에서는 동일한 주제를 Gemini와 ChatGPT에 입력한 뒤 결과를 비교하는 실험을 진행했다. 특히 다음 항목을 중심으로 분석했다. 보고서 작성 품질 블로그 글쓰기 품질 한국어 자연스러움 실무 활용성 최근 Gemini는 Google Docs와 Workspace 환경에서 문서 작성 및 편집 기능을 강화하고 있으며, ChatGPT 역시 초안 작성과 문서 개선 기능을 지속적으로 확대하고 있다. 이번 글은 단순 기능 소개가 아니라 실제 사용 관점에서 느낀 차이를 정리한 비교 후기다. 왜 한국어 글쓰기 비교를 진행했을까? AI 비교 글은 많다. 하지만 대부분 기능 소개 수준에 그치는 경우가 많다. 실제 사용자는 조금 다른 부분이 궁금하다. 예를 들어 "사업계획서를 작성할 때 어떤 AI가 더 편할까?" "블로그 글은 어느 쪽이 자연스러울까?" "보고서 초안을 작성할 때 어느 쪽이 수정이 적게 필요할까?" 같은 질문이다. 그래서 이번에는 실제 업무에서 자주 사용하는 문서를 대상으로 비교 실험을 진행했다. 실험 환경 이번 테스트에서는 동일한 프롬프트를 사용했다. 실험 주제는 다음 세 가지다. 첫 번째 공공기관 업무보고서 작성 두 번째 블로그 콘텐츠 작성 세 번째 사업계획서 초안 작성...

Gemini는 유튜브 자막 분석에 강할까? 직접 테스트해본 결과

  유튜브에는 매일 엄청난 양의 정보가 올라온다. 강의 영상부터 업무 교육, 투자 분석, 공무원 시험 강의, 연구 세미나, TED 강연까지 학습 자료로 활용할 수 있는 영상이 넘쳐난다. 하지만 문제가 있다. 좋은 영상을 찾는 것보다 끝까지 시청하는 데 더 많은 시간이 필요하다는 점이다. 1시간짜리 강의를 이해하기 위해 실제로 1시간 이상을 투자해야 하고, 필요한 내용이 어디에 있는지 찾는 데도 시간이 걸린다. 최근에는 생성형 AI를 활용해 유튜브 영상을 요약하는 사람들이 늘어나고 있다. 특히 Google Gemini는 유튜브와의 연동성이 뛰어나다는 평가를 받고 있다. Google 계열 서비스인 만큼 유튜브 영상의 자막과 메타데이터를 활용한 분석 기능이 강점으로 언급된다. 그렇다면 실제로 Gemini는 유튜브 자막 분석에 강할까? 이번 글에서는 직접 여러 종류의 유튜브 영상을 대상으로 실험을 진행했다. 단순한 기능 소개가 아니라 실제 사용 과정과 결과를 정리해보았다. 특히 다음 세 가지를 중심으로 테스트했다. 영상 학습 활용성 핵심 요약 정확도 사람이 직접 정리한 결과와 비교 왜 유튜브 자막 분석을 테스트했을까? 최근 학습 방식이 많이 바뀌고 있다. 예전에는 책이나 논문을 중심으로 공부했다면 지금은 영상 기반 학습 비중이 크게 늘어났다. 실제로 다음과 같은 분야에서 유튜브 활용도가 높다. 대학 강의 자격증 강의 공무원 시험 업무 교육 소프트웨어 사용법 연구 세미나 동물 관련 전문 교육 문제는 학습 시간이 너무 길다는 것이다. 예를 들어 50분 강의에서 실제 핵심 내용은 10~15분인 경우도 많다. 그래서 Gemini가 얼마나 효율적으로 핵심을 추출할 수 있는지 확인해보고 싶었다. 실험 환경 이번 실험에서는 세 가지 유형의 영상을 선택했다. 첫 번째 약 15분 분량의 업무 생산성 강의 두 번째 약 40분 분량의 대학 강의 세 번째 약 1시간 분량의 전문가 세미나 영상 모든 영상은 공개 자막이 제공되는 영상으로 선정했다. Gemini에게 동일한 방식으로 질문...

Perplexity와 NotebookLM을 함께 사용해본 결과, 자료조사부터 문서분석까지 얼마나 효율적일까?

  Perplexity와 NotebookLM을 함께 사용해본 결과, 자료조사부터 문서분석까지 얼마나 효율적일까? AI 기반 연구 도구가 빠르게 발전하면서 많은 사람들이 자료조사와 문서분석 업무를 AI에게 맡기기 시작했다. 특히 최근 가장 많이 언급되는 도구가 바로 Perplexity와 NotebookLM이다. 두 서비스 모두 연구와 학습에 활용할 수 있지만 실제 사용해보면 성격이 상당히 다르다. Perplexity는 인터넷에서 자료를 찾는 데 강점을 가진 AI 검색 도구에 가깝고, NotebookLM은 사용자가 확보한 자료를 분석하는 데 특화된 연구 보조 도구에 가깝다. 흥미로운 점은 두 도구가 경쟁 관계라기보다 서로 보완 관계에 가깝다는 것이다. 실제로 많은 연구자와 대학원생, 정책 연구자들이 두 서비스를 함께 사용하는 사례가 늘어나고 있다. 자료를 찾는 단계에서는 Perplexity를 활용하고, 확보한 논문과 보고서를 분석하는 단계에서는 NotebookLM을 활용하는 방식이다. 이번 글에서는 실제 연구 프로젝트를 가정하고 두 서비스를 함께 활용해보았다. 특히 다음 항목을 중심으로 실험을 진행했다. 자료조사 문서분석 연구 활용성 시간 절약 효과 실제 업무 적용 가능성 단순한 기능 소개가 아니라 실제 연구자 관점에서 어떤 차이가 있었는지 정리해보았다. 왜 두 서비스를 함께 테스트했을까? 대부분의 연구는 다음 과정을 거친다. 주제 선정 자료 수집 논문 확보 문헌고찰 연구계획서 작성 보고서 작성 문제는 대부분의 AI 도구가 특정 단계에만 강하다는 점이다. 예를 들어 인터넷에서 자료를 찾는 것은 잘하지만 확보한 논문을 깊이 있게 분석하지 못하는 경우가 있다. 반대로 문서 분석은 잘하지만 새로운 자료를 찾는 능력이 부족한 경우도 있다. 그래서 실제 연구 과정을 기준으로 두 서비스를 함께 활용해보았다. 실험 환경 이번 실험은 다음과 같은 상황을 가정했다. 주제 생성형 AI의 업무 생산성 활용 자료 수집 기간 1주일 수집 대상 논문 연구보고서 정책자료 산업 보고서...

Claude에게 선행연구 50편을 요약시켜봤다, 연구 흐름을 얼마나 정확하게 파악할 수 있을까?

  Claude에게 선행연구 50편을 요약시켜봤다, 연구 흐름을 얼마나 정확하게 파악할 수 있을까? 대학원에 진학하거나 연구 프로젝트를 수행하다 보면 가장 많은 시간을 차지하는 작업 중 하나가 바로 선행연구 검토다. 논문 한 편을 읽는 것도 쉽지 않은데 연구계획서를 작성하거나 학위논문을 준비하는 과정에서는 수십 편의 논문을 검토해야 하는 경우가 많다. 특히 석사나 박사 과정에서는 단순히 논문을 읽는 수준을 넘어 연구 흐름을 이해하고, 연구 공백을 발견하고, 자신의 연구가 어디에 위치하는지 설명해야 한다. 문제는 시간이 너무 많이 걸린다는 점이다. 논문 10편 정도라면 직접 읽고 정리할 수 있지만 30편, 50편, 100편 이상이 되면 이야기가 달라진다. 최근에는 이러한 작업을 생성형 AI로 보조하려는 연구자들이 늘어나고 있다. 그중에서도 Claude는 장문 문서 처리 능력과 대용량 컨텍스트 처리 능력으로 연구자들 사이에서 자주 언급되는 AI 중 하나다. Anthropic은 Claude가 긴 문서와 대규모 자료를 분석하고 다양한 문서를 종합적으로 이해할 수 있도록 설계되었다고 설명하고 있다. Anthropic Claude 공식 소개 이번에는 실제 연구 환경을 가정하여 Claude에게 선행연구 50편을 제공한 뒤 얼마나 정확하게 연구 흐름을 파악하는지 실험해보았다. 특히 다음 항목을 중심으로 분석했다. 장문 논문 처리 능력 연구 흐름 분석 연구 공백 발견 능력 문헌고찰 작성 활용성 실제 연구자의 활용 가치 단순 기능 소개가 아니라 실제 논문 작성 과정에서 활용할 수 있는지를 중심으로 정리해보았다. 왜 선행연구 50편으로 실험했을까? 대부분의 논문 작성 가이드는 최소 20~30편 이상의 선행연구 검토를 권장한다. 실제로 박사과정이나 대형 연구과제에서는 50편 이상의 논문을 검토하는 경우도 흔하다. 문제는 단순히 읽는 것이 아니라 정리하는 과정이다. 예를 들어 다음과 같은 작업이 필요하다. 연구 주제 분류 주요 변수 정리 연구 결과 비교 연구 방법 비교 연구 ...

Gemini로 50페이지 사업계획서를 분석해봤다, 실제 업무에서 얼마나 도움이 될까?

  Gemini로 50페이지 사업계획서를 분석해봤다, 실제 업무에서 얼마나 도움이 될까? 사업계획서는 많은 조직에서 가장 중요한 문서 중 하나다. 정부 지원사업 신청, 공공기관 공모사업, 연구과제 제안서, 신규 사업 기획, 투자 유치 등 다양한 분야에서 사업계획서 작성은 필수 업무로 자리 잡고 있다. 문제는 사업계획서가 생각보다 길고 복잡하다는 점이다. 짧게는 20~30페이지, 길게는 100페이지가 넘는 경우도 있다. 특히 공공기관이나 정부 지원사업 관련 사업계획서는 추진 배경, 현황 분석, 예산 계획, 세부 사업 내용, 성과지표, 기대효과 등이 포함되기 때문에 내용을 파악하는 데 상당한 시간이 소요된다. 최근에는 Gemini를 활용해 긴 문서를 분석하는 사례가 늘어나고 있다. Google은 Gemini가 Google Workspace 환경에서 문서 요약, 자료 분석, 보고서 작성, 이메일 정리 등을 지원하도록 지속적으로 기능을 확대하고 있다. 이번 글에서는 실제 업무 환경을 가정하여 50페이지 분량의 사업계획서를 Gemini로 분석해보았다. 특히 다음 세 가지를 중심으로 검증했다. 핵심 내용 추출 개선점 분석 실제 업무 활용성 단순 기능 소개가 아니라 실제 사업계획서 검토 업무를 가정한 실험 결과를 정리해보았다. 왜 사업계획서 분석 실험을 진행했을까? 사업계획서를 검토해야 하는 직군은 생각보다 많다. 대표적으로 다음과 같다. 공무원 공공기관 직원 연구원 대학원생 창업자 사업기획 담당자 컨설턴트 사업계획서를 읽는 과정은 단순히 내용을 확인하는 것이 아니다. 다음과 같은 작업이 필요하다. 사업 목적 파악 추진 전략 검토 예산 분석 위험요인 확인 성과지표 검토 개선점 도출 문서가 길어질수록 검토 시간도 증가한다. 그래서 Gemini가 실제로 어느 정도까지 업무를 지원할 수 있는지 확인해보고 싶었다. 실험에 사용한 자료 이번 테스트에서는 50페이지 분량의 사업계획서를 활용했다. 문서 구성은 다음과 같았다. 사업 추진 배경 현황 분석 사업 목표 추진 전략 세부...

NotebookLM에 PDF 100개를 넣어봤다, 실제로 어디까지 관리될까?

  NotebookLM에 PDF 100개를 넣어봤다, 실제로 어디까지 관리될까? 대용량 자료 관리 실험 후기 최근 AI를 활용한 문서 분석이 보편화되면서 연구자, 대학원생, 공무원, 직장인들 사이에서 NotebookLM 활용이 빠르게 늘어나고 있다. 특히 논문이나 연구보고서, 정책자료처럼 분량이 많은 문서를 다루는 사람들에게는 상당히 유용한 도구로 평가받고 있다. 그런데 실제로 사용하다 보면 한 가지 궁금증이 생긴다. "NotebookLM은 정말 대량의 PDF를 관리할 수 있을까?" "논문 100편을 넣어도 제대로 검색이 될까?" "자료가 많아지면 답변 품질은 떨어지지 않을까?" 나 역시 이런 궁금증이 생겨 직접 테스트를 진행해보았다. 이번 글에서는 NotebookLM에 대량의 PDF 자료를 넣고 관리했을 때 어떤 결과가 나타나는지, 검색 속도는 어느 정도인지, 그리고 실제 업무와 연구에 활용할 수 있는 수준인지 분석해보려고 한다. 왜 이런 실험을 하게 되었을까? 최근 논문 연구를 진행하면서 관련 자료가 빠르게 늘어났다. 초기에는 논문 10편 정도만 관리하면 충분했지만 시간이 지나면서 상황이 달라졌다. 학술논문 연구보고서 정부 정책자료 학회 발표자료 통계 보고서 이렇게 자료가 쌓이다 보니 수십 개의 PDF를 관리해야 했다. 기존에는 폴더별로 정리하고 필요한 내용을 직접 검색했다. 하지만 시간이 지나면서 필요한 자료를 찾는 것 자체가 업무가 되기 시작했다. 그래서 NotebookLM이 실제로 자료 관리 도구로 활용 가능한지 확인해보기로 했다. NotebookLM은 PDF를 몇 개까지 넣을 수 있을까? 많은 사람들이 오해하는 부분이 있다. NotebookLM은 무한정 자료를 넣을 수 있는 서비스가 아니다. 2026년 기준 무료 플랜은 노트북당 최대 50개의 소스를 지원하며, 상위 플랜에서는 100~300개 이상까지 확장된다. 또한 단일 소스는 최대 50만 단어 또는 200MB까지 허용된다. 즉 PDF 100개를...

Napkin AI는 논문 발표자료 제작에 쓸만할까? 연구모형 시각화부터 발표자료 제작까지 실제 사용 후기

  Napkin AI는 논문 발표자료 제작에 쓸만할까? 연구모형 시각화부터 발표자료 제작까지 실제 사용 후기 석사 논문이나 박사 논문을 준비해본 사람이라면 누구나 공감할 것이다. 논문을 작성하는 것도 어렵지만 연구 내용을 발표자료로 만드는 과정 역시 만만치 않다. 특히 연구모형, 연구설계, 변수 간 관계, 연구 흐름 등을 시각적으로 표현하는 작업은 생각보다 많은 시간을 요구한다. 실제로 연구계획서 발표, 중간발표, 학위논문 심사 발표, 학회 발표 등을 준비할 때 가장 고민되는 부분 중 하나가 바로 도식화 작업이다. 연구자는 연구 내용은 잘 알고 있지만 이를 청중이 한눈에 이해할 수 있도록 시각화하는 것은 또 다른 영역의 능력이 필요하기 때문이다. 최근에는 이러한 문제를 해결하기 위해 다양한 AI 기반 시각화 도구가 등장하고 있다. 그중에서도 Napkin AI는 텍스트를 입력하면 자동으로 다이어그램과 개념도를 생성해주는 서비스로 연구자와 직장인들 사이에서 관심을 받고 있다. 이번 글에서는 실제 논문 발표 상황을 가정하고 Napkin AI를 활용해 연구모형을 시각화하고 발표자료를 제작해보았다. 단순 기능 소개가 아닌 실제 연구 발표 준비 과정에서 얼마나 도움이 되는지 중심으로 분석해보았다. 이번 테스트에서는 다음 항목을 중점적으로 살펴봤다. 연구모형 시각화 논문 발표자료 제작 연구 흐름 설명 수정 편의성 실제 활용성 왜 Napkin AI를 논문 발표에 활용해봤을까? 대부분의 논문 발표자료에는 공통적으로 등장하는 요소가 있다. 연구배경 연구목적 연구모형 연구문제 연구방법 연구결과 결론 이 중에서도 가장 많은 시간을 소모하는 부분이 연구모형과 연구 흐름을 시각화하는 작업이다. 예를 들어 조직관리 연구라면 조직문화가 직무만족에 영향을 주고, 직무만족이 조직몰입에 영향을 주는 구조를 그림으로 표현해야 한다. 동물복지 연구라면 조직 특성이 동물복지 인식에 영향을 미치고 이것이 직무만족으로 연결되는 과정을 시각적으로 보여줘야 한다. 직접 파워포인트에서 도형을 그리기 ...

AI 검색 도구 5종을 같은 질문으로 비교해봤다, ChatGPT·Gemini·Perplexity·Felo·Claude의 답변은 얼마나 달랐을까?

  AI 검색 도구 5종을 같은 질문으로 비교해봤다, ChatGPT·Gemini·Perplexity·Felo·Claude의 답변은 얼마나 달랐을까? 최근에는 궁금한 내용을 찾기 위해 검색창에 키워드를 입력하는 대신 AI에게 질문하는 경우가 많아졌다. 예전에는 여러 검색 결과를 직접 열어보고 필요한 내용을 찾아야 했다면 이제는 AI가 여러 정보를 정리해서 하나의 답변으로 만들어준다. 그런데 여기서 한 가지 궁금한 점이 생겼다. 같은 질문을 ChatGPT, Gemini, Perplexity, Felo, Claude에게 동시에 입력하면 과연 비슷한 답변이 나올까? 검색 결과가 다르다면 그 이유는 무엇일까? 그리고 어떤 AI가 더 정확하다고 단순하게 판단할 수 있을까? 이번에는 이 궁금증을 확인하기 위해 AI 검색 및 조사 기능을 활용할 수 있는 5개 서비스를 동일한 조건에서 비교하는 실험을 진행했다. 비교 대상은 ChatGPT, Gemini, Perplexity, Felo, Claude다. 이번 실험에서 가장 중요하게 생각한 것은 특정 AI를 무조건 좋거나 나쁘다고 평가하는 것이 아니었다. 같은 질문에 어떤 자료를 찾고, 어떤 방식으로 답변을 구성하며, 출처를 얼마나 확인하기 쉽게 보여주는지를 비교하는 것이 목적이었다. 왜 같은 질문으로 비교했을까? AI 서비스마다 기본적인 성격이 다르다. 어떤 서비스는 대화와 문서 작업에 강하고, 어떤 서비스는 웹 검색과 출처 확인에 편리하다. 또 어떤 서비스는 긴 문서를 분석하거나 복잡한 질문을 단계적으로 처리하는 데 초점을 맞추고 있다. 따라서 단순히 "어떤 AI가 가장 좋은가?"라는 질문은 정확한 비교 방법이라고 보기 어렵다. 사용 목적에 따라 결과가 달라질 수 있기 때문이다. 그래서 이번에는 동일한 질문을 5개 서비스에 입력하는 방식으로 조건을 통일했다. 비교 항목도 미리 정했다. 첫째는 답변의 정확성이다. 둘째는 최신 정보 반영 여부다. 셋째는 출처 확인의 편리성이다. 넷째는 답변의 구체성이다. 다섯째는...

Gemini는 Google Workspace 사용자에게 얼마나 유용할까? Gmail과 Docs 중심으로 직접 사용해본 후기

  Gemini는 Google Workspace 사용자에게 얼마나 유용할까? Gmail과 Docs 중심으로 직접 사용해본 후기 생성형 AI가 빠르게 보급되면서 많은 사람들이 ChatGPT, Claude, Gemini 같은 AI 도구를 업무에 활용하고 있다. 그중에서도 Gemini는 다른 AI와 조금 다른 위치에 있다. 단순한 대화형 AI가 아니라 Google Workspace와 깊게 연동된다는 점이 가장 큰 특징이다. Google Workspace를 사용하는 사람이라면 Gmail, Google Docs, Google Drive, Google Meet, Google Sheets 등을 매일 사용하게 된다. 문제는 업무가 늘어날수록 이메일은 쌓이고, 문서는 많아지고, 필요한 자료를 찾는 데 많은 시간이 소요된다는 점이다. Google은 이러한 문제를 해결하기 위해 Gemini를 Workspace에 통합했다. 단순히 질문에 답하는 AI가 아니라 실제 업무 도구 안에서 함께 일하는 AI를 목표로 하고 있다. 이번 글에서는 실제 업무 환경을 가정하여 Gemini를 Gmail과 Google Docs 중심으로 사용해보았다. 특히 다음 세 가지를 중심으로 검증했다. Gmail 활용성 Google Docs 활용성 실제 업무 효율 변화 단순 기능 소개가 아니라 실제 사용 경험을 바탕으로 분석한 내용이므로 Google Workspace를 사용하고 있는 직장인, 연구자, 공무원, 대학원생이라면 참고가 될 것이다. 왜 Gemini와 Google Workspace 조합이 주목받고 있을까? 대부분의 생성형 AI는 별도의 웹사이트나 앱에서 사용한다. 예를 들어 ChatGPT는 대화창에서 질문을 입력하고 결과를 받아야 한다. 하지만 Gemini는 조금 다르다. Google이 제공하는 업무 도구 안으로 직접 들어와 있다. 예를 들면 Gmail에서 이메일 작성 지원 Docs에서 문서 초안 작성 Drive 문서 검색 Meet 회의 요약 Sheets 데이터 분석 등이 가능하다. 즉 AI를 사...

ChatGPT와 Excel을 함께 사용하면 어떤 업무가 자동화될까?

  ChatGPT와 Excel을 함께 사용하면 어떤 업무가 자동화될까? 실제 업무 데이터로 테스트해본 결과 최근 생성형 AI가 업무 환경에 빠르게 확산되면서 가장 많이 언급되는 조합 중 하나가 바로 ChatGPT와 Excel이다. 많은 직장인들이 Excel은 사용할 수 있지만 데이터 분석이나 보고서 작성에는 어려움을 겪는다. 반대로 ChatGPT는 문서 작성과 분석 능력이 뛰어나지만 숫자 데이터가 정리되지 않으면 제대로 활용하기 어렵다. 그래서 최근에는 Excel과 ChatGPT를 함께 사용하는 방식이 주목받고 있다. 실제로 업무 현장에서는 매일 수많은 Excel 파일이 생성된다. 매출 데이터 예산 집행 내역 민원 처리 현황 프로젝트 일정표 설문조사 결과 재고 현황 업무 실적 자료 등 대부분의 업무 데이터는 Excel 형태로 관리된다. 문제는 데이터를 정리한 뒤 이를 분석하고 보고서로 작성하는 과정이다. 많은 사람들이 데이터 정리에는 시간을 쓰지만 정작 분석과 활용에는 충분한 시간을 투자하지 못한다. 이번 글에서는 실제 업무 데이터를 활용해 ChatGPT와 Excel을 함께 사용했을 때 어떤 업무가 자동화될 수 있는지 실험해보았다. 특히 다음 세 가지를 중심으로 분석했다. 데이터 정리 자동화 보고서 작성 자동화 실무 적용 가능성 단순 기능 소개가 아니라 실제 업무 환경을 가정한 실험 결과를 정리했다. 왜 ChatGPT와 Excel 조합이 주목받고 있을까? 직장인들이 가장 많은 시간을 사용하는 프로그램 중 하나는 Excel이다. 하지만 Excel만으로 해결하기 어려운 작업도 많다. 예를 들어 데이터 의미 분석 추세 파악 보고서 작성 결과 해석 발표 자료 구성 등은 사람이 직접 수행해야 한다. 반면 ChatGPT는 데이터 자체를 관리하는 도구는 아니지만 정리된 데이터를 해석하고 설명하는 데 강점을 가진다. 즉 Excel은 데이터를 관리하고 ChatGPT는 데이터를 이해하고 설명하는 역할을 수행한다. 이 조합이 업무 생산성을 높이는 이유다. 실험 환경 이번 ...

ChatGPT로 1개월 업무일지를 자동 정리해봤다, 보고서 작성 시간은 얼마나 줄었을까?

  ChatGPT로 1개월 업무일지를 자동 정리해봤다, 보고서 작성 시간은 얼마나 줄었을까? 직장인이라면 누구나 한 번쯤 업무일지 작성 때문에 고민한 경험이 있을 것이다. 하루 동안 처리한 업무를 기록하는 것은 어렵지 않다. 문제는 그 기록이 한 달 동안 쌓였을 때다. 매일 작성한 업무일지는 수십 페이지에 달하고, 월간 업무보고서나 성과보고서를 작성하려고 하면 다시 처음부터 내용을 정리해야 한다. 특히 공공기관, 공기업, 연구기관, 일반 기업의 기획부서에서는 월간 업무보고서 작성에 상당한 시간이 소요된다. 최근에는 ChatGPT를 활용해 업무일지를 자동으로 정리하고 보고서 초안을 만드는 사례가 늘어나고 있다. 실제로 OpenAI는 업무 기록, 문서, 메모, 일정 자료를 활용해 주간 브리프와 업무 보고서를 작성하는 활용 사례를 소개하고 있다. 그렇다면 실제 업무 현장에서 얼마나 효과가 있을까? 이번 글에서는 1개월 동안 작성한 업무일지를 ChatGPT로 분석하고 자동 정리해본 실험 결과를 정리해보았다. 특히 다음 세 가지를 중심으로 검증했다. 업무 기록 관리 효율성 보고서 작성 활용성 생산성 변화 단순한 기능 소개가 아니라 실제 업무 데이터를 활용한 실험 후기라는 점에서 업무 자동화에 관심 있는 직장인들에게 도움이 될 것이다. 왜 업무일지 자동 정리 실험을 진행했을까? 많은 직장인들이 업무일지를 작성한다. 대표적인 예시는 다음과 같다. 일일 업무일지 주간 업무보고 프로젝트 진행 기록 회의 결과 정리 민원 처리 기록 연구 활동 기록 현장 업무 기록 문제는 업무일지가 쌓일수록 활용하기 어려워진다는 점이다. 한 달만 지나도 어떤 업무를 수행했는지 기억하기 어려워진다. 실제로 월말 보고서를 작성할 때는 업무일지를 다시 읽어야 하는 경우가 많다. 나 역시 업무일지를 꾸준히 작성하고 있었지만 월간 보고서를 작성할 때마다 상당한 시간이 소요되었다. 그래서 ChatGPT를 활용하면 얼마나 효율적으로 정리할 수 있는지 직접 확인해보기로 했다. 실험에 사용한 자료 이번 실...

ChatGPT에게 같은 보고서를 5번 작성시켜봤다, 결과는 얼마나 달라질까?

  ChatGPT에게 같은 보고서를 5번 작성시켜봤다, 결과는 얼마나 달라질까? 생성형 AI를 업무에 활용하는 사람들이 가장 자주 하는 질문 중 하나가 있다. "같은 질문을 여러 번 하면 항상 같은 답변이 나올까?" 실제로 ChatGPT를 사용하다 보면 비슷한 질문을 입력했는데도 답변이 조금씩 달라지는 경우를 경험하게 된다. 어떤 때는 보고서 구조가 달라지고, 어떤 때는 사례가 바뀌거나 표현 방식이 달라지기도 한다. 그렇다면 실제 업무에서 활용할 경우 이러한 차이는 어느 정도일까? 특히 보고서 작성 업무에서는 일관성이 매우 중요하다. 공공기관 보고서, 연구보고서, 사업계획서, 회의 결과보고서 등은 일정한 품질과 구조를 유지해야 하기 때문이다. 이번 글에서는 동일한 주제의 보고서를 ChatGPT에게 5번 작성하게 한 뒤 결과를 비교 분석해봤다. 단순히 "답이 다르다"는 수준이 아니라 다음 항목을 중심으로 실제 실험을 진행했다. 답변 일관성 분석 보고서 품질 차이 프롬프트 영향 분석 실무 활용 가능성 검토 최근 AI 활용 사례는 많지만 실제 비교 실험 데이터는 생각보다 많지 않다. 그래서 직접 테스트를 진행하고 결과를 정리해보았다. 왜 이런 실험을 진행했을까? 많은 직장인들이 ChatGPT를 업무에 활용하고 있다. 대표적으로 다음과 같은 작업이다. 사업계획서 작성 정책보고서 초안 작성 회의록 정리 공문 작성 연구보고서 작성 시장조사 보고서 작성 그런데 같은 주제를 여러 번 질문하면 결과가 조금씩 달라진다는 이야기가 많다. 실제 업무에서는 재현성이 중요하다. 만약 오늘 작성한 보고서와 내일 작성한 보고서가 완전히 다르다면 실무 활용에 문제가 생길 수 있다. 그래서 이번 실험에서는 같은 조건에서 동일한 보고서를 5회 생성하여 결과를 비교했다. 실험 환경 실험에 사용한 보고서 주제는 다음과 같았다. "지역사회 환경보호 캠페인 추진 계획 보고서" 입력 프롬프트는 동일하게 유지했다. 추가 조건도 동일하게 적용했다. 보고...