AI강사|나미리강사

클로드 코워크 가격은 기능만이 아니라 플랜 적용 순서와 사용량 한도를 함께 봐야 판단할 수 있습니다. Pro·Max 기준과 첫 업무를 맡기기 전 확인 순서를 정리했습니다. 이 주제는 네이버 블로그에 먼저 썼습니다: 클로드 코워크 쓰는법, 채팅과 합쳐진 뒤 첫 업무 맡기는 순서 — 같은 저자가 다른 관점으로 정리한 관련 글입니다. 목차 과거에는 모드를 골랐지만, 지금은 결과를 말합니다 클로드 코워크 가격은 어떤 순서로 적용되나 내 계정이 새 화면인지 확인하는 3단계 첫 업무를 맡기기 전 폴더 권한부터 정합니다 처음 맡기기 좋은 업무 3가지 기준 채팅과 코워크의 차이를 업무 기준으로 보기 복붙해서 쓰는 첫 요청문 정리하면 FAQ 클로드 코워크 가격은 기능만이 아니라 플랜 적용 순서와 사용량 한도를 함께 봐야 판단할 수 있습니다. 2026년 9월 29일 기준으로 Pro·Max 적용 순서, 화면에서 내 환경을 확인하는 법, 첫 업무를 맡기기 전 점검표를 정리합니다. "코워크를 써 보려고 앱을 열었는데 Chat·Cowork 선택지가 안 보여요. 그래도 코워크가 작동하는 건가요?" 반복 업무를 AI에게 맡기고 싶은 기업·공공기관 비전공 실무자라면 이 장면에서 멈추기 쉽습니다. 과거에는 모드를 골랐지만, 지금은 결과를 말합니다 2026년 9월 16일 Anthropic은 Claude의 Chat과 Cowork를 하나의 Claude로 통합한다고 발표했습니다. 예전에는 식당 입구에서 일반석과 작업석을 따로 고르는 것처럼 Chat과 Cowork 중 하나를 선택했습니다. 새 환경에서는 원하는 결과를 말하면 Claude가 웹 검색, 파일 읽기, 코드 실행 같은 단계를 이어서 진행합니다. 다만 모든 계정에 같은 시점에 적용되는 것은 아닙니다. 메시지 창에 Chat 과 Cowork 선택지가 아직 보인다면 새 환경이 아직 적용되지 않은 상태입니다. 같은 플랜이어도 적용 시점이 다를 수 있고, 새 환경으로 바뀐 뒤에는 이전 화면으로 되돌릴 ...

2026.09.22 비전공자가 AI 도구를 쓰기 전에 먼저 정할 것 AI 도구를 고르기 전에 반복 업무의 끝모양과 판단 기준을 정해야 합니다. 업무 목적을 한 문장으로 정하고 입력·처리·검토·출력의 흐름으로 나누는 방법을 정리했습니다. 목차 가장 먼저 정할 것은 도구가 아니라 업무의 끝모양입니다 업무를 네 칸으로 나누면 시작점이 보입니다 처음에는 한 가지 업무만 고릅니다 복붙해서 쓰는 첫 지시문 실습 전 체크리스트 정리하면 FAQ "AI 도구를 써보고 싶은데, 무엇부터 눌러야 할지 모르겠어요." 비전공자 교육에서 자주 듣는 말입니다. 이때 새로운 도구의 사용법부터 설명하면 금방 막힙니다. 버튼은 외웠지만, 어떤 업무에 어떻게 연결해야 하는지 정하지 않았기 때문입니다. 과거에는 필요한 프로그램을 먼저 고르고 업무를 거기에 맞췄습니다. 이제는 순서가 달라져야 합니다. 먼저 바꾸고 싶은 업무의 끝모양을 정합니다. 그다음 필요한 도구를 고릅니다. AI 도구는 만능 직원이 아니라, 정해진 일을 빠르게 처리하는 전동공구에 가깝습니다. 드라이버로 못을 박을 수 없는 것처럼, 목적이 없는 AI 도구는 좋은 결과를 만들지 못합니다. 가장 먼저 정할 것은 도구가 아니라 업무의 끝모양입니다 처음에는 다음 문장을 완성합니다. "나는 [반복 업무]를 AI로 처리해서, [사용할 결과물]을 [검토 기준]에 맞게 만든다." 예를 들어 "AI를 잘 쓰고 싶다"는 목표가 아닙니다. "매주 회의 메모를 세 줄 요약, 결정사항, 담당자별 할 일 목록으로 정리한다"가 실행 가능한 목표입니다. 결과물의 모양이 정해지면 어떤 AI 도구가 필요한지도 좁혀집니다. 업무를 네 칸으로 나누면 시작점이 보입니다 AI를 업무에 붙이는 과정은 식당의 주문표와 비슷합니다. 주문이 정확해야 주방이 제대로 만들고, 완성된 음식도 확인한 뒤 손님에게 나갑니다. 업무도 입력, 처리, 검토, 출력의...

2026.09.22 AI 에이전트를 하나로 쓰지 마세요: 역할을 나누면 결과가 달라집니다 AI가 점점 엉뚱해지는 이유는 모델 성능이 아니라 구조에 있습니다. 하나의 AI에 모든 일을 맡기는 대신 역할을 나누는 방법과, 실제로 붙여보며 걸렸던 세 지점을 정리했습니다. 목차 도구를 바꾸지 말고 구조를 바꾼다 같은 입구, 다른 방 실제로 해보면 걸리는 곳 정리하면 자주 묻는 질문 "AI한테 다 시켰는데, 왜 점점 대답이 엉뚱해질까요?" AI 도구를 본격적으로 쓰기 시작한 분들에게 자주 듣는 고민입니다. 답은 대개 하나입니다. 하나의 AI에게 서로 다른 성격의 일을 모두 맡기고 있기 때문 입니다. 강의 자료도 여기, 기술 검토도 여기, 개인 메모도 여기. 그러면 AI가 쌓아온 맥락이 뒤섞이고, 어느 순간부터 어느 쪽도 제대로 못 하게 됩니다. 해결책은 성능 좋은 모델로 바꾸는 것이 아닙니다. 역할을 나누는 것 입니다. 도구를 바꾸지 말고 구조를 바꾼다 비유하자면 이렇습니다. 한 사람에게 회계와 디자인과 영업을 동시에 시키면, 그 사람이 유능해도 결과물은 어정쩡해집니다. 각자 책상을 주고 담당을 정해야 일이 제대로 돌아갑니다. AI도 같습니다. 중요한 것은 모델의 성능이 아니라 일이 들어오고 나가는 경로를 설계하는 것 입니다. 실제로 저는 AI 에이전트를 두 개로 나눠 운영하고 있습니다. 하나는 강의와 콘텐츠를 담당하고, 다른 하나는 하드웨어 기술 검토를 담당합니다. 각각 별도의 기억, 별도의 작업 폴더, 별도의 규칙을 갖습니다. 같은 입구, 다른 방 여기서 현실적인 문제가 생깁니다. 에이전트를 나눴다고 앱을 두 개 켜두고 왔다 갔다 하면, 나눈 의미가 절반은 사라집니다. 쓰기가 번거로우면 결국 안 쓰게 되니까요. 그래서 입구는 하나로 두고 방만 나누는 방식을 택했습니다. 메신저 대화방 하나를 만들고, 그 안에 주제별 채널을 두 개 만들었습니다. '강의...

2026.09.23 AI 에이전트 도입 전에 먼저 설계할 것: 추적과 승인 AI 에이전트 도입의 핵심은 더 많은 기능이 아니라 누가 무엇을 실행했는지 확인하는 구조입니다. 최근 기업 사례와 실무 점검 순서를 정리했습니다. 목차 과거에는 도구를 고르면 됐지만, 이제는 운영 구조가 필요합니다 도입 전에 확인할 세 가지 실무 적용 순서 자주 묻는 질문 "AI 에이전트를 도입했는데, 어떤 일을 했는지 나중에 확인하기 어렵습니다." 최근 기업 현장에서 자주 나오는 고민입니다. 에이전트는 단순한 대화형 AI와 다릅니다. 질문에 답하는 데서 끝나지 않고, 도구를 호출하고 여러 단계를 거쳐 실제 작업을 수행합니다. 사람이 지시하고 결과를 받는 도구 에서 업무를 대신 실행하는 직원 에 가까워진 셈입니다. 직원에게 업무를 맡길 때 출입 기록과 결재선이 필요하듯, 에이전트에도 실행 기록과 승인 절차가 필요합니다. 최근 Fortune 보도에 따르면 기업들은 에이전트가 늘어나는 상황에서 작업을 추적하고, 데이터와 모델을 한곳에서 관리하며, 승인된 에이전트만 운영하는 방향으로 움직이고 있습니다. 과거에는 도구를 고르면 됐지만, 이제는 운영 구조가 필요합니다 과거에는 업무에 맞는 AI 도구를 하나 고르면 됐습니다. 요약은 요약 도구에, 번역은 번역 도구에 맡기면 됩니다. 반대로 에이전트는 여러 도구를 연결해 업무의 다음 단계를 스스로 선택합니다. 그래서 문제가 생겼을 때 결과만 보는 방식으로는 부족합니다. 어떤 데이터로 어떤 판단을 했고 어떤 도구를 호출했는지 가 남아야 원인을 찾을 수 있습니다. 구분 기존 AI 도구 AI 에이전트 역할 질문에 답하거나 결과를 생성 여러 단계를 거쳐 업무를 실행 관리 대상 입력과 출력 권한, 도구 호출, 실행 과정 필요한 통제 사용 가이드 승인, 기록, 모니터링 핵심 정리 에이전트는 챗봇이 아니라 디지털 직원에 가깝습니다. 기능을 추가하기 전에 권한과 실행 기록을 설계해야 합니다....

2026.09.23 보여주면 배우는 AI 자동화: 어떤 업무부터 녹화해 스킬로 만들까 ChatGPT Codex의 Record & Replay와 Claude Cowork의 Record a Skill은 업무를 한 번 보여주면 재사용 스킬로 저장합니다. 두 기능의 차이와 녹화하기 좋은 업무를 고르는 기준 세 가지를 정리했습니다. 목차 두 기능은 무엇이 같고 무엇이 다른가 녹화하기 좋은 업무를 고르는 기준 세 가지 녹화할 때 이렇게 말하며 진행합니다 자주 묻는 질문 "자동화하고 싶은 일은 많은데, 설명하는 것부터가 일이에요." 업무 자동화 강의에서 가장 많이 듣는 고민입니다. 과거의 자동화는 설명이 전부였습니다. RPA는 클릭 좌표를 하나하나 등록해야 했고, Zapier나 Make 같은 노코드 도구도 "이 신호가 오면 이 동작"이라는 규칙을 글로 짜야 했습니다. 2026년 여름, ChatGPT와 Claude가 한 달 간격으로 같은 방향의 기능을 내놓았습니다. 업무를 한 번 직접 해서 보여주면, AI가 그 흐름을 재사용 가능한 스킬로 저장 하는 기능입니다. 설명하는 자동화에서 보여주는 자동화 로 바뀐 것입니다. 두 기능은 무엇이 같고 무엇이 다른가 비유하면 신입에게 업무를 가르칠 때 매뉴얼을 써 주는 대신 옆에서 한 번 해 보이는 방식입니다. 두 기능 모두 이 방식을 따르지만, 받아 적는 방법이 다릅니다. 항목 ChatGPT Codex Record & Replay Claude Cowork Record a Skill 출시 2026년 6월 18일 2026년 7월 21일 녹화 환경 Codex macOS 데스크톱 앱 Claude 데스크톱 앱 기록하는 것 화면 동작 화면 동작 + 음성 설명 결과물 SKILL.md 문서(직접 편집 가능) 스킬 라이브러리에 저장 실행 환경 내 macOS에서 Computer Use로 실행 기본은 내 기기의 격리된 가상 환경,...

2026.09.23 자녀 폰 앱 차단은 세 겹으로: 기기·웹 주소·통신사 설정 정리 앱 하나를 막을 때는 기기, 웹 주소, 통신사 세 겹을 함께 걸어야 빈틈이 없습니다. 제타AI를 예로 패밀리링크·스크린 타임 설정과 자주 틀리는 연령 등급·차단 주소를 정리했습니다. 목차 세 겹 구조 한눈에 보기 1겹 — 기기에서 막기 2겹 — 웹 주소 막기, 주소를 정확히 3겹 — 통신사 서비스로 원격 관리 자주 묻는 질문 "앱을 지웠는데 또 하고 있어요." 자녀 스마트폰 관리를 이야기할 때 가장 자주 나오는 말입니다. 과거에는 앱을 지우면 끝났습니다. 지금은 다릅니다. 많은 서비스가 앱과 웹 브라우저 양쪽으로 열려 있어서, 앱을 지워도 브라우저 주소창으로 다시 들어갑니다. 비유하면 현관문만 잠그고 창문은 열어 둔 집과 같습니다. 그래서 차단은 한 겹이 아니라 세 겹 으로 겁니다. 아래 설정은 청소년이 많이 쓰는 AI 캐릭터 채팅 앱 제타(Zeta)를 예로 들었고, 2026년 7월 기준 화면 경로입니다. 세 겹 구조 한눈에 보기 층 막는 것 도구 약점 1겹 기기 앱 실행·설치 안드로이드 패밀리링크, 아이폰 스크린 타임 웹 접속은 따로 막아야 함 2겹 웹 주소 브라우저 접속 스크린 타임 웹 콘텐츠 제한 등 주소를 틀리게 적으면 효과 없음 3겹 통신사 원격 앱 차단·시간 제한 통신사 자녀 보호 서비스 VPN 우회에 약함 세 겹은 작동하는 층이 서로 달라서 함께 걸어도 충돌하지 않습니다. 오히려 한 겹이 뚫려도 다른 겹이 받쳐 줍니다. 1겹 — 기기에서 막기 안드로이드: 패밀리링크 부모 휴대폰에서 Family Link 앱을 열고 자녀 계정을 고릅니다. 기기 사용 시간 → 시간 제한 → 앱 시간 제한으로 들어갑니다. 목록에서 Zeta를 찾아 '차단'으로 두면 실행되지 않습니다. 완전 차단이 부담스러우면 같은 화면에서 하루 30분처럼 사용 시간만 정합니다. 새로 ...

2026.09.24 AI 음성은 목소리만 만드는 기술이 아닙니다: 생성·복제·검증을 나누어 보세요 AI 음성 기술은 자연스러운 목소리 생성보다 생성·복제·검증을 나누어 설계하는 일이 먼저입니다. 최신 음성 모델의 기능과 도입 전 확인할 기준을 정리했습니다. 목차 과거에는 읽어주기, 이제는 음성 설계 이번 발표에서 실무자가 볼 세 가지 무료 실습은 작은 대본으로 시작합니다 정리하면 자주 묻는 질문 ‘AI로 사람 목소리를 만들 수 있다는데, 어디까지 써도 되는지 모르겠습니다.’ 최근 AI 음성 기능을 살펴보면 이런 고민이 생깁니다. 문장을 읽어주는 기능만 생각했는데, 이제는 말투와 억양을 지시하고, 새로운 목소리를 만들고, 짧은 음성 샘플로 기존 목소리를 재현하는 기능까지 한 화면에 들어왔습니다. 다만 기능이 많아졌다고 바로 업무에 붙이면 안 됩니다. AI 음성은 하나의 버튼이 아니라 생성·복제·검증이 이어지는 작은 시스템 으로 봐야 합니다. 과거에는 읽어주기, 이제는 음성 설계 과거의 음성 합성은 입력한 문장을 기계적인 목소리로 읽는 데 초점이 있었습니다. 음성 합성은 글자를 소리로 바꾸는 기술입니다. 건물로 비유하면, 문장을 전달하는 기본 배관에 가깝습니다. 최근 공개된 Gemini 3.8 Flash TTS와 Flash-Lite TTS는 이 배관 위에 여러 설계 도구를 얹었습니다. 사용자가 자연어로 목소리의 역할·억양·특징을 지시하고, 문장마다 속도와 감정을 조절할 수 있습니다. 두 사람이 대화하는 장면도 하나의 대본으로 구성할 수 있습니다. 여기서 TTS는 Text-to-Speech의 줄임말입니다. 텍스트를 음성으로 바꾸는 기술이라는 뜻입니다. 반면 voice replication은 기존 목소리의 특징을 재현하는 기능 입니다. 새 목소리를 설계하는 것과 기존 목소리를 복제하는 것은 같은 일이 아닙니다. 구분 무엇을 하는가 도입 전에 볼 기준 음성 생성 설명한 특징에 맞춰 새로운 목소리를 만듭니다. 언어·...

2026.09.23 AI가 짠 코드를 받기 전에: 바이브 코딩 슬롭을 거르는 검수 4단계 AI 코딩의 생산성 차이는 얼마나 많이 쓰느냐보다 어떻게 검수하느냐에서 갈립니다. 슬롭의 네 가지 증상과, 초안·구조·보안·테스트로 나눈 검수 4단계를 정리했습니다. 목차 슬롭은 이렇게 드러납니다 검수 4단계 — AI는 초안, 완성은 사람 도구보다 먼저 필요한 교육 세 가지 자주 묻는 질문 "AI가 금방 만들어 줘서 좋았는데, 고치려고 열어 보니 손을 못 대겠어요." 바이브 코딩(말로 설명해 AI에게 코드를 짜게 하는 방식)을 해 본 분들이 자주 하는 말입니다. 당장은 돌아가지만 나중에 손대기 어려운 코드, 이것을 업계에서는 슬롭(slop) 이라고 부릅니다. 대충 쏟아 낸 결과물이라는 뜻입니다. 과거에는 코드를 짜는 속도가 병목이었습니다. 지금은 AI가 속도를 해결했고, 병목은 그 코드를 검수하는 사람 으로 옮겨 왔습니다. 같은 AI를 써도 결과가 크게 갈리는 이유가 여기에 있습니다. 슬롭은 이렇게 드러납니다 유형 증상 드러나는 시점 허술한 로직 돌아가지만 예외 처리가 없음 운영 중 장애가 났을 때 유지보수 불가 얽힌 구조, 중복·불필요한 함수 기능을 추가하거나 바꿀 때 확장성 부족 사용자가 늘면 성능이 급격히 떨어짐 트래픽이 늘 때 보안 취약 입력값 미검증, SQL 인젝션 등 보안 점검이나 침해 사고 때 더 큰 문제는 책임입니다. 누가 이 코드를 확인하고 책임지는지 처음에 정하지 않으면, AI가 짠 코드는 조직 안에서 주인 없는 코드가 됩니다. 검수 4단계 — AI는 초안, 완성은 사람 원칙은 하나입니다. AI는 초안을 만드는 도구이고, 완성은 사람이 합니다. 비유하면 AI는 빠른 목수이고, 사람은 준공 검사를 하는 감리입니다. 목수가 빨라질수록 감리가 더 중요해집니다. 1단계 — 초안: 조건을 적어서 요청한다 "로그인 기능 만들어 줘"가 아니라 기술...

2026.09.24 Meta Muse와 기존 LLM은 무엇이 다른가: 답변하는 AI에서 행동하는 AI로 Meta Muse의 핵심은 모델 이름이 아니라 실행 구조입니다. Muse Spark와의 차이, 기존 LLM과 에이전트의 업무 흐름, 승인·보안 기준을 사실과 해석으로 나누어 정리합니다. 목차 기존 LLM은 답변을 만들고, 에이전트는 업무를 이어갑니다 Muse와 Muse Spark를 구분하세요 왜 이슈가 되는가 공식 발표를 읽을 때 구분할 것 사용자와 조직이 확인할 기준 정리하면 FAQ "Meta Muse는 새로운 LLM인가요?" 정확히 말하면 아닙니다. Muse Spark는 모델 계열 이고, Meta Muse는 그 모델을 브라우저·연결 서비스·전용 실행 환경과 묶은 개인 AI 에이전트 제품입니다. 이 차이를 먼저 나눠야 합니다. 답변을 만드는 AI와 실제로 외부 세계에서 행동하는 AI는 확인할 기준이 다르기 때문입니다. 기존 LLM은 답변을 만들고, 에이전트는 업무를 이어갑니다 기존 LLM의 일반적인 흐름은 질문, 답변, 사람의 검토, 사람의 실행입니다. 반면 Muse가 지향하는 흐름은 목표 입력, 계획 수립, 도구 사용, 승인 요청, 외부 작업으로 이어집니다. 비유하면 기존 LLM은 책상 위의 유능한 비서입니다. 에이전트는 여기에 사무실 출입카드와 업무 시스템 권한까지 준 상태입니다. 말이 잘 통하는지만큼 어떤 문을 열 수 있고 언제 멈추는지 가 중요합니다. 구분 기존 LLM 챗봇 Meta Muse 목적 질문·요약·초안·코딩 답변 사용자 목표를 장기 작업으로 실행 입력 대화, 파일, 이미지 등 대화와 연결 서비스·브라우저 맥락 출력 텍스트와 생성물 계획, 진행 상태, 외부 행동 결과 통제 결과를 사람이 실행 전 검토 권한, 승인, 중단, 안전 계층을 함께 설계 Muse와 Muse Spark를 구분하세요 Muse Spark는 멀티모달 추론과 도구 사용, 다중 에이전트 오케스트레이션을 강...

2026.09.23 자료 기반 AI는 방향으로 고릅니다: NotebookLM과 세타웨이브 AI의 차이 NotebookLM은 자료를 이해하고 분석하는 도구, 세타웨이브 AI는 외우고 시험을 대비하는 도구입니다. 두 도구의 입력·출력 차이와 공부 단계별로 나눠 쓰는 순서를 정리했습니다. 목차 과거의 공부 도구, 지금의 공부 도구 NotebookLM이 맞는 상황 세타웨이브 AI가 맞는 상황 둘을 나눠 쓰는 순서 자주 묻는 질문 "NotebookLM이랑 세타웨이브, 둘 다 자료 올리면 정리해 주는 거 아닌가요?" AI 학습 도구를 소개하면 꼭 나오는 질문입니다. 두 도구는 공통점이 분명합니다. 둘 다 내가 올린 자료만 근거로 답합니다. 범용 AI가 그럴듯하게 지어내는 환각(hallucination) 문제를 줄이려고 나온 도구들입니다. 비유하면 ChatGPT 같은 범용 AI는 도서관 전체를 뒤지는 사서이고, 문서 기반 AI는 내가 건넨 책 몇 권만 읽는 조교입니다. 조교는 아는 범위가 좁은 대신, 엉뚱한 책을 인용하지 않습니다. 그런데 두 조교가 일하는 방향은 정반대입니다. 이 방향 하나만 알면 고르는 일은 단순해집니다. 과거의 공부 도구, 지금의 공부 도구 과거에는 요약은 사람이 하고, 문제집은 따로 샀습니다. 지금은 자료를 올리면 요약도 문제도 AI가 만듭니다. 다만 무엇을 위해 가공하느냐 가 도구마다 다릅니다. 비교 항목 NotebookLM 세타웨이브 AI (ThetaWave) 방향 인풋 중심 — 이해·분석 아웃풋 중심 — 암기·실전 훈련 주 사용자 연구자, 기획자, 보고서를 쓰는 직장인 대학생, 수험생, 자격증 준비생 넣는 자료 PDF, 구글 문서, 웹 링크 등 텍스트 중심 강의 녹음, 유튜브, 슬라이드, PDF 등 여러 형식 나오는 결과 출처 각주가 달린 답변, 브리핑 문서, 오디오 요약 구조화 노트, 플래시카드, 퀴즈, 마인드맵 환경 웹 브라우저 웹 + 모바일 ...

2026.09.23 아이가 AI 캐릭터 채팅에 빠졌을 때, 금지보다 먼저 정할 가정 규칙 AI 캐릭터 채팅 앱은 막기 전에 가정 규칙부터 세워야 오래 갑니다. 제타AI를 예로 부모가 확인할 계정 설정, 개인정보 원칙, 함께 정하는 사용 시간 규칙을 정리했습니다. 목차 과거의 게임, 지금의 캐릭터 채팅 좋은 점과 걱정되는 점을 나란히 보면 가정에서 먼저 정할 규칙 세 가지 규칙을 정하는 대화, 이렇게 시작합니다 자주 묻는 질문 "우리 애가 밤마다 제타라는 앱만 봐요. 그게 뭐예요?" AI 교육 현장에서 학부모님께 자주 받는 질문입니다. 제타AI는 스캐터랩이 만든 캐릭터 대화 앱입니다. 원하는 성격의 캐릭터를 만들고, 그 캐릭터와 대화하며 이야기를 이어가는 구조입니다. 올해 초 조사에서는 한 달 사용 시간이 챗GPT보다 길게 나왔을 만큼, 청소년이 오래 머무는 서비스입니다. 이 글은 앱을 막는 방법이 아니라 막기 전에 집에서 먼저 정해야 할 규칙 을 다룹니다. 기기·웹·통신사 차단 설정은 별도 글로 정리합니다. 과거의 게임, 지금의 캐릭터 채팅 과거에 부모가 걱정한 것은 주로 게임 시간이었습니다. 게임은 규칙이 정해진 놀이라서 시간만 관리하면 됐습니다. 캐릭터 채팅은 다릅니다. 상대가 항상 내 편을 들어주는 대화 상대 라는 점이 핵심입니다. 비유하면 게임은 놀이터이고, 캐릭터 채팅은 늘 맞장구쳐 주는 친구가 사는 집입니다. 놀이터는 해가 지면 돌아오지만, 그 집에는 계속 머물고 싶어집니다. 그래서 시간뿐 아니라 누구와 어떤 대화를 하는지 까지 봐야 합니다. 좋은 점과 걱정되는 점을 나란히 보면 구분 도움이 되는 쪽 걱정되는 쪽 창작 캐릭터와 세계관을 직접 만들며 글쓰기 연습 자극적인 설정의 인기 캐릭터 노출 관계 다양한 상황을 간접 경험 현실 친구·가족과의 대화 감소 사용 패턴 외국어 캐릭터와 언어 연습 대화를 계속 이어가게 만드는 구조, 과몰입 가입 카카오·구글 계...

2026.09.22 생성형 AI로 칼퇴하기: 직장인을 위한 보고서·이메일·데이터 정리 자동화 가이드 챗GPT 등 생성형 AI를 활용해 직장인의 반복 업무인 보고서 작성, 이메일 회신, 데이터 정리를 자동화하는 구체적인 프롬프트 작성법과 실무 적용 노하우를 소개합니다. 목차 보고서 초안 작성 및 기획서 뼈대 잡기 비즈니스 이메일 작성 및 답장 자동화 대량의 데이터 정리 및 요약 분석 성공적인 AI 업무 자동화를 위한 주의점 마치며: 업무 효율화를 위한 첫걸음 참고 자료 이메일 회신, 데이터 정리, 보고서 초안. 매일 반복되는 이 세 가지가 퇴근 시간을 뒤로 미룹니다. 직장인이 실무에서 챗GPT나 클로드 같은 생성형 AI를 활용해 업무를 자동화하는 핵심 비결은 단순한 '프롬프트 작성 기술'에만 머무르지 않고, AI를 업무 프로세스에 어떻게 결합할지 이해하는 데 있습니다 [7]. 최근 공공기관과 대학, 지자체 등에서도 행정 혁신과 실무 역량 강화를 위해 생성형 AI 교육을 적극적으로 도입하고 있을 만큼, AI 실무 활용은 이제 필수적인 직무 역량으로 자리 잡았습니다 [1, 3, 6]. 이번 글에서는 이 세 가지 업무에 적용할 수 있는 생성형 AI 활용법과, 복사해서 바로 쓸 수 있는 프롬프트를 단계별로 정리합니다. 1. 보고서 초안 작성 및 기획서 뼈대 잡기 기획서나 보고서를 작성할 때 가장 힘든 단계는 빈 화면을 마주하는 첫 순간입니다. 생성형 AI는 보고서의 구조를 잡고 초안을 작성하는 데 매우 유용합니다. 실제로 공공기관과 기업의 실무 교육에서도 AI를 활용한 기획력 강화와 행정 혁신 방안이 주요하게 다뤄지고 있습니다 [1, 6]. 보고서 작성을 자동화할 때는 AI에게 구체적인 역할(Role)과 문서의 목적, 대상을 명확히 지정해 주어야 합니다. 아래 프롬프트를 복사하여 실무에 적용해 보세요. [역할] 너는 10년 차 IT 기업의 전략기획팀장이야. [상황] 신규 모바일 앱 서비스 ...