소개
최근 몇 달 동안 AI와 정말 많은 대화를 했다.
단순히 질문을 던지는 수준이 아니라, 실제 업무 고민부터 Power Apps 구조, Dataverse, Python 분석, 인건비 시뮬레이션, KPI 설계까지 계속 이어지는 흐름이었다.
그러다 문득 이런 생각이 들었다.
“내가 지금까지 반복적으로 만들고 있는 것들이 사실 하나의 시스템 아닐까?”
그동안 만들었던 것들은 아래처럼 각각 따로 존재하고 있었다.
Power Apps 기반 HR Dashboard
Python 분석 프로젝트
급여 Band 설계
Merit Matrix 시뮬레이션
HC ROI / PQ Variance 분석
노무 가이드 및 정책 문서
경력 자산 정리
머릿속에서는 연결된 체계처럼 느껴졌지만, 실제로는 서로 분리된 프로젝트처럼 흩어져 있었다.
그래서 AI에게 아래와 같이 요청했다.
그동안 AI랑 대화했던 대화 내용을 바탕으로
나한테 필요한 아키텍처 설계를 해줘.
개인적인 대화는 제외하고,
내 업무 흐름과 사고방식을 기반으로
OS 구조를 제안해줘.
결과는 예상보다 훨씬 흥미로웠다.
AI는 단순 기능 목록이 아니라,
내가 반복적으로 수행하던 업무 흐름 자체를 “HR OS” 구조로 재해석했다.
특히 인상 깊었던 건 다음 문장이었다.
“회사가 바뀌어도 들고 갈 수 있는 건 Power Apps 화면이 아니라,
방법론과 분석 엔진이다.”
이 문장을 보는 순간,
내가 만들고 싶었던 게 단순 자동화가 아니라 “개인의 업무 IP 시스템”이라는 걸 명확하게 이해하게 됐다.
진행 방법
1. AI에게 장기 대화 기반 구조화를 요청
이번에는 단순 기능 구현 요청이 아니라,
AI가 지금까지의 누적 대화 맥락을 기반으로 내 업무 체계를 분석하도록 요청했다.
초기 요청은 아래와 같았다.
그동안 나랑 했던 대화를 기반으로
내 업무 구조를 계층화해서 정리해줘.
개인적인 내용은 제외하고,
실제로 내가 반복적으로 만드는 업무 흐름과
분석 구조를 중심으로 제안해줘.
AI는 지금까지 진행했던 작업들을 아래처럼 계층 구조로 정리했다.
L1 산출물
L2 애플리케이션
L3 분석 엔진
L4 AI & 자동화
L5 데이터 기반
특히 L3 분석 엔진을 핵심 자산으로 정의한 부분이 인상 깊었다.
HC ROI
PQ Variance
Salary Band
Merit Matrix
KPI Tree
AI는 이 다섯 가지를 단순 기능이 아니라,
“다른 회사로 가더라도 재사용 가능한 개인의 HR Analytics IP”라고 설 명했다.
이 부분에서 단순 자동화 프로젝트가 아니라,
업무 철학과 방법론을 코드 자산으로 만드는 방향으로 사고가 바뀌기 시작했다.
2. 패키지 구조 설계
그 다음 단계에서는 실제로 재사용 가능한 Python 패키지 구조를 설계했다.
기존에는 Python 안에 여러 기능이 혼합되어 있었는데,
AI는 분석 엔진 자체를 독립 패키지로 분리하는 구조를 제안했다.
Python/
├── packages/
│ └── hr_analytics/
│ ├── schemas/
│ ├── engine/
│ ├── io/
│ ├── tests/
│ └── docs/methodology/
├── apps/
└── data/
여기서 가장 좋았던 포인트는:
분석 엔진은 순수 함수로 구성
입력/ 출력 스키마 명시
Power Apps / Streamlit / Notebook 어디서든 재사용 가능
방법론 문서까지 함께 관리
라는 설계 원칙이었다.
특히 아래 문장이 기억에 남는다.
“회사 시스템은 남고,
방법론과 엔진은 본인이 가져갈 수 있는 자산이다.”
3. 업무 사고방식을 함수 형태로 구조화
이후에는 실제 함수 시그니처까지 정의하기 시작했다.
hc_roi(df)
pq_variance(df_actual, df_plan)
salary_band(df_employee)
merit_matrix(df_eval)
처음에는 단순 함수처럼 보였지만,
정리하다 보니 이 과정 자체가 “업무 사고방식의 API화”라는 느낌이 들었다.
특히 중요했던 건 함수 자체보다 인터페이스였다.
어떤 입력을 받는지
어떤 기준으로 계산하는지
어떤 결과를 반환하는지
어떤 상황에서 사용하는지
를 명확히 정의하는 과정이 오히려 핵심이었다.
4. 첫 번째 엔진(HC ROI) 구현
가장 먼저 HC ROI 엔진부터 구현했다.
구조는 아래처럼 진행했다.
1. Schema 정의
2. Engine 함수 작성
3. Test 코드 작성
4. 방법론 문서 작성
5. Quickstart 예제 작성
생성된 구조는 아래와 같았다.
hr_analytics/
├── README.md
├── pyproject.toml
├── src/hr_analytics/
│ ├── schemas/
│ └── engine/hc_roi.py
├── tests/engine/test_hc_roi.py
├── docs/methodology/01_hc_roi.md
└── examples/01_quickstart.py
테스트까지 자동으로 연결되면서,
단순 아이디어 수준이 아니라 실제 재사용 가능한 구조로 발전하기 시작했다.
특히 아래 흐름이 굉장히 마음에 들었다.
HC ROI 위험 신호 감지
→ PQ Variance 분석 필요 권고
→ 다음 분석 흐름 연결
이 과정에서 단순 계산 함수가 아니라,
실제 HR 의사결정 흐름 자체를 시스템으로 만들 수 있겠다는 확신이 생겼다.
결과와 배운 점
이번 경험에서 가장 크게 느낀 건,
AI는 단순히 코드를 대신 작성해주는 도구가 아니라는 점이었다.
오히려 더 큰 역할은:
흩어져 있던 경험 정리
반복되는 사고 패턴 구조화
업무 철학 언어화
방법론 계층화
실행 가능한 구조 설계
같은 부분이었다.
특히 아래 흐름이 굉장히 중요하게 느껴졌다.
업무 경험
→ 방법론
→ 구조화
→ 코드 자산화
→ 재사용 가능한 시스템
그동안 만들던 리포트와 시뮬레이션은
그냥 개별 업무라고 생각했는데,
사실은 하나의 분석 엔진 조각들이었다.
그리고 AI와 대화하면서,
그 조각들이 연결되기 시작했다.
이번 작업을 통해 가장 크게 바뀐 건:
“회사 안에서 잘하는 사람”이 아니라,
“어디서든 재사용 가능한 방법론을 가진 사람”이라는 관점이었다.
특히 Power Apps 화면이나 Excel 파일은 회사에 남지만,
분석 엔진 구조와 사고 체계는 내가 계속 가져갈 수 있는 자산이라는 점이 인상 깊었다.
앞으로는 아래 방향으로 계속 확장해보려고 한다.
PQ Variance 엔진 구현
Salary Band / Merit Matrix 모듈화
KPI Tree 구조 연결
Dataverse 연동 표준화
Streamlit 기반 시각화 앱 연결
개인 HR Analytics 패키지 공개
이번 경험은 단순한 자동화 프로젝트라기보다,
AI와 함께 내 업무 철학을 구조화한 과정에 가까웠다.
도움 받은 글 (옵션)
OpenAI ChatGPT
Claude
Power Platform 문서
Python Packaging Guide
Dataverse 관련 문서
마무리
예전에는 AI를 “빠르게 결과를 만드는 도구”로만 생각했는데,
이번에는 조금 다르게 느껴졌다.
오히려 AI는:
생각을 정리해주고
반복 패턴을 발견하게 만들고
내가 가진 방법론을 구조화하게 도와주는
“사고 확장 파트너”에 가까웠다.
그리고 그 과정에서,
단순 업무 자동화가 아니라 “내가 들고 갈 수 있는 시스템”을 만들기 시작했다는 점이 가장 의미 있었다 😊
