생성형 AI 업무활용 교육 사례 | 우리금융그룹 일잘러 AI 동료활용법 4시간 과정 (2026년 6월)

AI를 동료로 쓴다는 말은 비유가 아닙니다. 검색창에는 질문만 던지면 되지만, 동료에게 일을 맡길 때는 배경을 설명하고 원하는 형태를 알려주고 중간에 확인합니다. 생성형 AI에서 결과 품질이 갈리는 지점이 정확히 여기입니다.

2026년 6월, 딥택트러닝 박재현 소장은 우리금융그룹 구성원을 대상으로 「일잘러 AI 동료활용법」 4시간 교육을 진행했습니다.

교육 개요

• 교육 주제 : 생성형 AI 업무생산성 향상 — ChatGPT·Gemini·Copilot 실무 적용
• 교육 대상 : 우리금융그룹 구성원
• 교육 일자 : 2026년 6월
• 교육 시간 : 4시간 (오후)
• 교육 방식 : 개인 실습, 조별 토론, 업무 적용 중심
• 참석 규모 : 80여 명

써봤는데 왜 잘 안 될까

생성형 AI는 이제 한 번쯤 써본 도구가 됐습니다. 그런데 업무에 붙이려 하면 막힙니다. 교육 현장에서 반복해서 나오는 질문이 있습니다.

• AI 답변을 어디까지 믿어도 되는가
• 업무 메일, 회의록, 데이터 분석에 어떻게 적용하는가
• 어떻게 써야 원하는 결과가 나오는가
• 금융처럼 정확성이 중요한 영역에서는 무엇을 조심해야 하는가
• 반복 업무를 챗봇이나 에이전트로 발전시킬 수 있는가

이 다섯을 실제 업무 사례로 하나씩 풀었습니다.

맡기려는 일이 검색인가, 추론인가, 생성인가

AI·머신러닝·딥러닝·LLM의 개념을 업무 관점에서 정리했습니다. 용어를 외우는 게 목적이 아닙니다. 내가 맡기려는 일이 셋 중 어디에 해당하는지 구분하는 것이 목적입니다.

사실을 찾는 일(검색)에 생성형 AI를 쓰면 그럴듯한 오답이 나옵니다. 반대로 초안을 만드는 일(생성)에 검색엔진을 쓰면 아무것도 안 나옵니다. 도구를 탓하기 전에 일의 성격을 봐야 합니다.

한계도 함께 다뤘습니다. 최신 정보를 모를 수 있고, 근거가 불분명한 답을 내놓기도 합니다. 자기검증과 출처 확인, 교차검증이 필요한 이유입니다.

일잘러의 프롬프트 3원칙

잘 쓰는 사람은 질문을 잘 던지는 사람입니다. 세 가지 원칙으로 실습했습니다.

1. 지시 문장과 참고 문장을 구분한다 — 무엇을 하라는 말인지, 참고하라는 자료인지 섞이면 AI도 헷갈립니다
2. 쪼개서 지시하고 물고 늘어진다 — 한 번에 완성하려 하지 않고 단계로 나눠 개선합니다
3. 역할을 부여하고 맥락을 설명한다 — 어떤 관점에서 답해야 하는지 알려줍니다

"기획서 작성해줘"와, 어떤 전문가 역할로 어떤 배경에서 어떤 형태의 결과물이 필요한지 알려준 요청은 결과가 다릅니다. 같은 도구, 다른 결과입니다.

일상업무 적용 — 메일, 회의록, 데이터

반복적이고 정형화하기 쉬운 업무에서 성과가 가장 빨리 나옵니다.

메일 회신은 핵심 내용 요약 → 회신에 담을 내용 정리 → 의사결정 사항 확인 → 답장 초안 → 후속 할 일 정리 순서로 진행합니다. 회의록은 녹음 → 텍스트 추출 → AI 정리 → 결정사항과 액션 아이템 확인의 흐름입니다.

데이터는 두 갈래로 나눠 실습했습니다. 정성 데이터는 클러스터링으로 묶고, 정량 데이터는 엑셀 자료를 분석합니다.

프롬프트에서 챗봇으로

한 번 잘 만든 프롬프트는 버리지 않습니다. 자주 반복되는 업무는 챗봇으로 굳힙니다.

Google Gemini의 Gems, ChatGPT의 Custom GPTs, Claude Projects, MS Copilot Agent Builder를 비교하며 각각의 성격을 살펴봤습니다.

핵심은 도구 선택이 아니라 업무의 패턴을 발견하는 것입니다. 매번 비슷하게 하는 일이 있다면 그게 챗봇 후보입니다.

프로젝트성 업무와 Step-Back Prompting

전략 기획, 문제해결, 리서치처럼 무거운 업무는 시간 단축보다 답변의 전문성이 중요합니다.

Step-Back Prompting은 최종 답을 바로 요구하지 않고, 일하는 방법과 필요한 전문 지식, 좋은 결과물의 기준을 먼저 정리하게 하는 방식입니다. 한 걸음 물러섰다가 들어가면 답의 수준이 달라집니다.

Deep Research와 NotebookLM으로 외부 자료와 내부 자료를 분석하는 방법도 다뤘습니다. 금융감독원 규정이나 신상품 설명자료처럼 검증 가능한 소스를 기준으로 AI 답변을 확인하는 실습입니다.

교육 설계 관점 : 금융권에서는 검증을 먼저 건다

같은 4시간짜리 AI 교육이라도 금융권은 순서를 다르게 잡습니다.

일반적인 과정은 활용법을 먼저 보여주고 주의사항을 뒤에 붙입니다. 그런데 금융 업무는 틀린 답 하나의 비용이 큽니다. 그래서 이번 과정은 LLM의 한계와 검증 방법을 앞쪽에 배치하고, 그 위에서 활용법을 쌓았습니다.

효과가 하나 더 있습니다. 한계를 먼저 알면 AI를 덜 무서워하게 됩니다. 어디까지 믿으면 되는지 선이 그어지기 때문입니다.

참석자 목소리

"Gems를 통해 내가 반복적으로 하는 일을 해결하는 챗봇을 만들 수 있었다." — 참석자 자유응답

"할루시네이션 있다고 포기하지 말고 좀 더 갈궈서 일 시켜야겠다." — 참석자 자유응답

이런 조직에 추천합니다

• 생성형 AI를 실제 업무에 적용하려는 기업
• ChatGPT·Gemini·Copilot을 업무생산성 도구로 쓰려는 조직
• 메일·회의록·보고서·데이터 분석 업무가 많은 구성원
• AI 답변 검증 역량이 필요한 금융권 조직