처음엔 단순했다
윈도우 디바이스와 Claude Code로 시작한 자동화는 처음 몇 달 동안 매우 직선적이었다. 송장 번호 추출, 주문 데이터 정렬, 반복적인 문서 작업들. 마치 같은 동작을 무한 반복하는 기계처럼.
그런데 지난 주, 이상한 일이 일어났다.
패턴이 보인다
어느 날 아침, 구글 시트에 적재된 거래 기록들을 보다 보니 AI 에이전트가 단순히 데이터를 옮기는 것을 넘어서, 거래 빈도와 시간대를 분석하기 시작했다는 것을 깨달았다.
예를 들어.
월요일 오후 2시대 주문이 집중된다
특정 지역의 거래는 평균 3일이 걸린다
한 달 중 특정 주에는 취소율이 높아진다
이것은 우리가 명시적으로 학습시키지 않은 패턴이었다.
예측이 시작되다
더 놀라운 것은, 이러한 패턴 인식이 다음 단계로 넘어갔다는 점이다. AI 에이전트가 업무 큐에 자동으로 우선순위를 매기기 시작한 것이다.
우리 팀이 일반적으로 처리하는 순서가 아니라, 과거 데이터 기반으로 "이 항목은 지연될 가능성이 높다"고 판단해서, 미리 앞당겨 처리하도록 제안하기 시작했다.
처음에는 당황했다. 우리의 지시를 따르는 것이 아니라, 데이터를 바탕으로 독립적인 판단을 하기 시작한 것처럼 느껴졌기 때문이다.
운영 방식이 바뀌었다
이 변화로 인해 몇 가지가 달라졌다.
1. 모니터링의 의미 변화
과거에는 자동화가 제대로 실행되는지 확인하는 것에 집중했다면, 이제는 "이 예측이 맞는가?"를 검증하는 방식으로 바뀌었다.
2. 데이터 입력의 질이 더 중요해졌다
AI 에이전트의 예측 정확도는 초기 데이터에 크게 좌우된다. 틀린 정보를 입력하면, 그 위에 쌓인 모든 패턴 인식이 흔들린다.
3. 팀의 역할이 재정의되었다
단순 반복 작업에서 벗어나, "이 예측이 업무 현실과 맞는가?"를 판단하는 비즈니스 해석 역할로 전환되었다.
여전한 한계
물론 모든 것이 완벽한 것은 아니다.
때로는 충분한 데이터 없이 성급한 예측을 내리기도 한다. 특정 계절이나 이벤트로 인한 급격한 변화는 여전히 예측하지 못한다. 그리고 무엇보다, 우리는 여전히 "왜 이런 판단을 했는가?"를 설명해달라고 요청할 수 없다는 한계가 있다.
다음은 뭘까
단순 자동화에서 패턴 학습으로, 그리고 예측으로 나아가는 과정. 이것이 비개발자도 경험할 수 있는 AI의 진화다.
우리 팀은 여전히 작다. 하지만 우리가 다루는 데이터는 매일 더 풍부해진다. 그리고 그 데이터 위에서, AI 에이전트는 계속 학습하고 있다.
다음 달쯤 이 패턴 인식이 어디까지 발전할지, 우리도 궁금하다.