📝 한 줄 요약
문서를 로컬 저장소에서 불러와 검토 후보를 만들고, 사람이 수정·승인한 이력과 근거를 Excel·JSON으로 내보내는 데스크톱 앱을 구현했다.
바쁘시면 이것만 읽어도 돼요: - 목표: 민감 문서를 로컬에서 검토하도록 설계한 데스크톱 MVP를 만들었다 - 핵심 과정: 문서 검토와 승인 이력 관리가 분리돼 있었다 → 로컬 저장소 중심 검토·승인·내보내기 MVP로 연결했다 - 검증 경계: 로컬 저장소 중심 설계만으로 외부 통신 차단을 보장하지 않는다.
🎯 이런 분께 추천해요
업무문서를 외부 AI 서비스에 올릴 수 없는 분
자동 추출 결과를 사람이 항목별로 검토해야 하는 분
결과뿐 아니라 수정 이력과 원문 연결이 필요한 분
😫 문제 상황
민감 문서는 클라우드 전송이 어렵고, AI가 만든 표만 남기면 원문과 연결이 끊긴다. 파일과 데이터베이스가 어긋나거나 같은 입력에서 서로 다른 결과가 나오면 검토도구로 신뢰하기 어렵다.
🛠️ 사용한 도구
Python 기반 Windows 데스크톱 UI
로컬 데이터베이스와 파일 보관소
Excel·JSON 내보내기
자동화 테스트와 설치 패키징
AI 도구/모델: 현재 공개 근거에서 확인되지 않음
🔧 작업 과정
업무문서를 외부 서비스에 보내지 않고 로컬에서 검토 후보를 만들고, 사람이 수정·승인한 이력을 안전하게 내보내게 해줘.
원본은 로컬에 복사하고 해시로 변경 여부를 확인했다. 원문과 추출 후보를 함께 보며 승인·수정·반려·보류를 선택하게 했고 모든 변경을 이력으로 남겼다. 내보내기 결과에는 공식 확정본이 아니라 검토 근거라는 경계를 표시했다.
변조, 잘못된 경로, 파일명 충돌, 데이터 연결 불일치가 생기면 저장이나 내보내기를 중단하고 기존 파일을 덮어쓰지 않도록 구현했다. 공개본에는 대표 오류 시나리오의 재현 결과를 추가해야 한다.
여기서 가장 중요한 선택은 “AI에게 문서를 맡기는 앱”이 아니라 “사람이 문서를 검토할 때 AI가 후보를 준비하는 앱”으로 범위를 좁힌 것이었다. 입력 파일, 후보 결과, 사람의 수정 내용, 최종 내보내기를 각각 분리해 어느 단계에서 판단이 바뀌었는지 되짚을 수 있게 했다. 데모 화면에는 실제 자료 대신 같은 구조의 합성 문서를 사용했다.
요구사항은 대화로 정리한 뒤 칸반과 RTM에 연결했다. 로컬 처리, 원본 불변, 승인 이력, 실패 시 중단 같은 조건은 독립 요구사항으로 관리해 UI가 완성돼 보여도 안전조건이 검증되지 않으면 완료로 처리하지 않았다.
🧩 막힌 점
정상 화면보다 오류 상황이 더 중요했다. 특히 Excel 수식 주입 방지를 구현 대상으로 포함했으며, 공개 샘플로 내보낸 파일을 다시 열어 문자 보존 여부를 확인해야 하고, 같은 입력의 결과가 재현되는지 확인해야 했다.
✅ 결과
실제 업무자료의 내용이나 수량을 공개하지 않고도 로컬 처리, 사람 검토, 변경 이력, 안전한 내보내기라는 제품 가치를 확인했다.
Before vs After
항목
Before
After
작업 방식
문서 검토와 승인 이력 관리가 분리
로컬 저장소 중심 검토·승인·내보내기 MVP
💬 이 과정에서 배운 AI 활용 팁
효과적이었던 것
민감 문서 AI의 경쟁력은 모델보다 데이터가 기기 밖으로 나가지 않도록 설계한 구조와 결과를 되짚을 수 있는 이력에 있었다.
이렇게 하면 안 돼요
로컬 저장소 중심 설계만으로 외부 통신 차단을 보장하지 않는다.
🌍 다른 업무에 적용한다면?
법무·인사·연구자료처럼 외부 전송을 제한해야 하는 문서 검토에 적용할 수 있다.
🚀 다음 계획
실제 자료 대신 공개 샘플 문서로 데모 프로젝트를 만들고 설치부터 내보내기까지 촬영한다.
📋 재사용 프롬프트
민감 문서를 로컬에서만 검토하는 앱을 설계해줘. 원본 무결성, 사람 승인 이력, 재현 가능한 Excel·JSON 내보내기, 충돌 방지와 오류 시 중단을 포함해줘.
🖼️ 게시 전 체크
[ ] 데모는 공개 샘플 문서만 사용
[ ] 실제 요구사항·평가항목·수량 제거
[ ] 파일 경로와 사용자명 마스킹
추천 이미지: - 문제 상황: 기존 방식의 불편을 보여주는 합성 화면 - 작업 과정: 입력→판단→검증 흐름도 - 결과: 실제 정보가 제거된 합성 결과 화면
