AI 활용 방안 - 업무 생산성 높이기#

개념들에 대해서, 그리고 서비스 및 도구들에 대해서도 알아봤으니, 이제 이러한 것들을 이용해 무엇을 할 수 있을지에 대해 이야기해 보도록 하겠습니다. 업무의 생산성을 높이는 방법들과 비즈니스 아이디어를 구분해서 이야기해 볼게요.

업무 생산성 높이기#

이전 섹션의 ChatGPT에 대한 내용에서 언급한 바와 같이, ChatGPT를 정보 검색, 요약, 번역, 글쓰기, 검수, 코드 작성 및 검토, 데이터 분석 및 시각화, 이미지 / 동영상 생성, 아이디어 도출, 문제 해결 등에 활용할 수 있는데요, 이는 ChatGPT뿐만 아니라 Gemini, Claude 등의 AI 서비스도 모두 마찬가지로 활용할 수 있습니다. 각 서비스마다 부분적으로 장단점이 있는데, 이는 절대적인 것이 아니고 시간이 흐름에 따라 바뀔 수 있기 때문에 다양한 서비스에 관심을 가지고 사용해 보면서 문제 상황에 적합한 서비스를 선택하는 게 좋습니다.

정보 검색#

일을 할 때, 공부를 할 때, 또는 취미 생활을 할 때, 살아가면서 매우 많은 순간에 사람들은 정보를 검색합니다. 인터넷이 지금의 위치에 있는 데에 가장 큰 역할을 한 것이 아마도 “정보 검색”이지 않을까 싶습니다. 전통적인 검색 서비스는 사용자로부터 검색 키워드를 입력받아 해당 키워드가 포함되어 있거나 관계가 깊다고 판단되는 데이터들을 나열합니다. 그리고 사용자가 각 데이터들을 탐색하며 원하는 정보를 찾는 식이었죠. 하지만 ChatGPT와 같은 AI 서비스에서는 친구에게 물어보듯 자연어로 질문하고 잘 정리된 답변 하나를 받습니다. (참고로 일부 서비스에서는 “몇 개의 응답 후보를 주고 사용자가 더 정확한 응답을 선택하도록 하는” 시도도 있는데, 이런 방식이 AI 서비스에 보편화될지는 아직 미지수입니다.) 뭐라고 검색해야 할지 모르겠는 상황에서도 문제 상황만 설명을 해도 해당 상황을 파악해 정리하고 무엇을 해야 할지 알려주며 사용자에게 역으로 필요한 것을 질문하여 더 적절한 응답을 하기 위해 노력하기도 하죠. 많은 데이터 중 원하는 것을 찾으려는 수고를 덜 하게 되고, 사용자가 원하는 언어로 응답해 주기 때문에 번역으로 인한 스트레스도 거의 없습니다. 직관적으로 떠오르는 대로 질문하고 응답을 확인하는 과정이 매우 심플하고 빠릅니다. 하지만 AI에게는 할루시네이션 문제가 있기 때문에 잘못된 응답을 할 확률이 꽤 높고, 상당히 그럴듯하게 응답하기 때문에 “잘못된 응답”이라는 것을 알아차리는 것도 꽤 어렵습니다. 따라서 정확한 정보가 필요한 경우에는 AI의 응답을 맹신하지 말고 검증해야 할 필요가 있습니다.

정보 검색이 유용한 상황을 예로 들어 보면, 전자상거래 회사에 갓 취업한 신입 사원에게 주문 내역이 기록된 엑셀 시트와 함께 주문 상품이 무엇인지 알아보기 쉽게 정보를 추가하라는 업무가 주어졌다고 가정해 보겠습니다. 이 신입 사원은 상품 정보가 기록된 엑셀 시트가 따로 있다는 것도 몰랐고, 엑셀의 함수 기능도 잘 몰랐습니다. 그래서 뭐라고 검색해야 할지도 막막했죠. 하지만 ChatGPT 사용자였고, 아래와 같이 질문하고 답변을 받아 감을 잡아 업무를 무사히 수행할 수 있었습니다. 그리고 VLOOKUP이 무엇인지에 대해서는 따로 검색하여 공식 문서를 통해 학습했죠.

질문: 주문 내역이 기록된 엑셀 시트가 있습니다. 주문자 아이디, 배송 주소, 주문 상품 코드, 주문 수량, 주문일자가 기록되어 있습니다. 주문 상품이 무엇인지 알아보기 쉽게 엑셀 시트에 정보를 추가하라는 지시를 받았는데, 어떻게 해야할까요?

응답: 주문 상품 코드만으로는 상품이 무엇인지 알아보기 어려울 수 있습니다. 이를 해결하기 위해 아래 절차로 상품 정보를 추가할 수 있습니다.

  1. 상품 코드에 대한 정보 수집: 각 상품 코드에 해당하는 상품명/설명/가격 등 정보를 담은 별도 데이터(엑셀 시트 등)를 준비합니다. 이 시트에는 “상품 코드”, “상품명”, “상품 설명” 같은 컬럼이 포함되어야 합니다.
  2. VLOOKUP 함수 사용: 주문 내역 시트에 “상품명” 컬럼을 새로 만들고, 첫 셀에 아래 VLOOKUP 공식을 입력합니다.
=VLOOKUP(주문 상품 코드 셀, 상품 정보 시트의 범위, 상품명이 위치한 열 번호, FALSE)

예를 들어 주문 내역 시트의 B2 셀에 상품 코드가 있고, 상품 정보 시트 이름이 “상품정보”이며, 상품 코드는 1열, 상품명은 2열에 있다면:

=VLOOKUP(B2, 상품정보!A:B, 2, FALSE)
  1. 공식 복사: 공식을 아래로 복사해 모든 주문에 대해 상품명을 자동 조회합니다.
  2. 추가 정보 확장: 상품 설명/가격 등도 같은 방식으로 컬럼을 추가해 조회합니다.
  3. 데이터 확인: 올바르게 매핑되었는지 확인하고 필요하면 범위/열 번호를 조정합니다.

이렇게 하면 주문 상품 코드를 보기 쉬운 상품명/설명으로 보완해 업무 효율을 높일 수 있습니다.

요약#

현대 사회는 그야말로 정보 홍수의 시대라 할 수 있습니다. 그 많은 정보들 중에 일부는 꼼꼼하게 확인하고 숙지해야 하는 것도 있지만, 상당수는 긴 글을 읽더라도 머릿속에 한 문장 정도만 남겨두는 경우가 많죠. 예를 들어, 필자가 Gemini API Developer Competition 소개 페이지를 읽고 나서 머리에 남은 한 문장은 “8월 12일까지 Gemini API를 사용해 앱을 개발해서 제출해야 하고, 1등하면 30만 달러”였습니다. 그렇다면 다양한 정보들에 대하여 요약된 정보를 먼저 확인하고, 필요 시 구체적인 정보를 더 탐색하는 방식이 효율적이겠죠. ChatGPT, Gemini, Claude와 같은 채팅형 AI 서비스에서 웹 문서의 URL을 입력하거나 문서 파일을 첨부한 후에 요약해 달라고 요청할 수도 있고, AI 관련 브라우저 확장 앱이나 AI 브라우저를 설치하여 읽으려는 웹 문서에 대한 요약을 요청할 수도 있겠죠. 읽어야 할 문서의 길이가 길 경우 요약된 내용을 먼저 읽고 본문을 빠르게 스캔하는 것이 내용 파악을 하는 데 도움이 될 것이라 생각합니다.

번역#

번역 기능은 ChatGPT가 이슈가 되기 훨씬 전부터 보편적으로 사용되던 기능이었습니다. 하지만 AI 모델들이 멀티모달 모델로 발전해 가면서 번역 기능의 사용성도 점점 더 확장되어 가고 있죠. 이전에는 이미지 인식, 동영상 인식, 요약, 번역 등 각각의 목적에 대해 별개의 모델을 훈련시키고 서로 연동하는 방식이었는데, 이러면 아무래도 느리고 응답의 품질도 다소 떨어질 수밖에 없겠죠. 전자상거래 서비스에서 유통 과정이 길어지면 비싸고 느리고 제품이 손상될 확률도 커지는 것과 비슷한 이치라 할 수 있겠습니다. OpenAI의 GPT-4o 발표 영상을 보면, ChatGPT와 음성으로 실시간 커뮤니케이션을 하는데 지연 시간이 거의 느껴지지 않을 만큼 자연스럽고, 언어를 바꿔서 이야기해도 바로 인지하고 해당 언어로 응답하는 모습을 볼 수 있었습니다. 음성 인식 및 번역에 대한 전체적인 지연 시간을 줄인 것이 단순히 시간을 줄인다는 점을 넘어서 새로운 가능성들을 열었다고 볼 수 있는 거죠.

글쓰기 및 검수#

LLM 모델의 가장 강력한 능력 중 하나가 바로 글쓰기입니다. 단순히 데이터베이스에 저장된 내용을 찾아서 출력하는 것이 아니라, 사용자의 요청과 그 맥락을 이해하고 그에 맞는 글을 작성합니다. 소설을 쓸 수도 있고, 시나리오나 대본을 쓸 수도 있습니다. 보고서나 제안서 등을 작성할 수도 있고, 작명이나 기획 아이디어 등을 작성할 수도 있습니다.

하지만 이미 쓰려는 글이 구체적으로 머릿속에 있는 경우, 그것을 작성하는 번거로움을 줄이려고 AI를 사용하는 것은 적합하지 않습니다. 구체적으로 원하는 결과를 얻어내려면 그만큼 프롬프트를 구체적으로 작성해야 하는데, 그게 직접 글을 작성하는 것보다 더 오래 걸릴 수도 있는 것이죠. 따라서 추상적인 글의 흐름을 정한 상태에서 구체적인 내용은 AI에게 어느 정도 맡겨도 되는 경우나, AI가 작성해 준 글에서 아이디어를 얻고자 하는 경우 등에 AI를 사용하는 것이 합리적입니다. 그리고 업무적인 이메일이나 보고서와 같이 형식이 중요한 문서의 경우 AI를 이용해 초벌을 작성하고 부분적으로 내용을 직접 수정하는 방식으로 활용이 가능하죠. 또한 내가 작성한 글이 문법적으로 틀린 부분이 없는지와 문맥상 어색한 부분이 없는지를 검수하는 데에도 AI를 활용할 수가 있습니다.

코드 작성 및 검토#

AI 모델의 코드 작성 능력은 어찌 보면 글쓰기 능력과 비슷합니다. 작가는 글을 쓰고, 개발자(프로그래머)는 코드를 작성하죠. AI가 방대한 글을 학습했기 때문에 글을 쓸 수 있듯이, 방대한 코드를 학습했기 때문에 코딩을 할 수 있는 것입니다. 차이가 있다면 코드는 글보다 더 정형화되어 있어 샛길로 빠질 확률이 상대적으로 적다는 것입니다. 다시 말해, AI 모델의 코드 작성 능력은 매우 훌륭하고 유용합니다. 필자는 LLM 기반의 AI 서비스로 인해 가장 큰 혜택을 누리고 있는 직군이 개발자라고 생각합니다. 개발자의 역할들을 AI에게 모두 뺏기게 되는 게 아닌가 하고 걱정하는 분들도 있지만, “컴퓨터 쓰는 수학자”처럼 AI를 도구로 활용하며 다른 중요한 부분들에 더 집중하고 시간을 사용해야 한다고 생각합니다.

Cursor가 등장하고 에이전트 기능이 붙으면서 “바이브 코딩(vibe coding)”이라는 용어가 유행했었습니다. 자연어로 원하는 바를 요청하는 것만으로도 원하는 애플리케이션을 개발할 수 있다는 콘셉트에서 만들어진 용어입니다. 물론 이상과 현실은 아직까지는 다소 차이가 있기는 하지만, 하나 확실한 것은 “직접 타이핑하는 코딩”에 쓰는 시간이 크게 줄었다는 것입니다. 이는 코딩과 디버깅 시간을 드라마틱하게 줄여줬고, 한 번에 2개 이상의 작업을 할 수도 있게 해줬습니다. (이상과 현실의 차이는, 프로그래밍에 익숙하지 않은 사람에게는 아직 벽이 꽤 높은 편이라는 점이죠. 첫 요청으로 초벌 코드를 만드는 과정은 순탄하나, 초벌 코드가 원하는 바와 다를 때 원하는 방향으로 수정해 나가는 과정은 프로그래밍에 대한 이해가 낮은 상태에서 생각보다 꽤 어려울 수 있습니다.)

그리고 AI는 코드에 대해 설명하는 능력도 뛰어납니다. 남이 작성한 코드를 넘겨받아서 업데이트를 해야 하는 상황은, 아마도 개발자들이 제일 싫어하는 상황 중 하나였을 것입니다. 코드를 넘기는 경우는 보통 인계자는 마음 편하고 인수자만 속이 타는 경우가 많죠. 마음 편한 인계자가 속 타는 인수자의 속이 편해질 때까지 내용을 잘 전달해 주는 것은 현실적으로 쉽지 않습니다. 더구나 인수인계 기간이 지나고 나서 궁금한 것이 생겼을 때는 이미 인계자가 눈앞에 없을 수도 있고요. 하지만 AI는 인터넷에 연결만 되어 있다면 언제든 원하는 바에 대해 응답을 해줍니다.

데이터 분석 및 시각화#

데이터 분석 서비스에 AI 기능이 통합되면서 사용자들이 더 많은 작업을 자동화하고, 복잡한 분석도 손쉽게 수행할 수 있게 되었습니다. 예를 들어, 대표적인 데이터 분석 서비스인 Tableau와 Power BI는 AI 기반의 자동 인사이트 생성, 예측 분석, 그리고 자연어 질의 처리 등을 통해 복잡한 데이터 분석 작업을 단순화하는 방향으로 개선되고 있습니다. 이러한 도구들은 비즈니스 인텔리전스(BI) 분야에서 중요한 역할을 하며, 기업들이 실시간 데이터에 기반한 의사 결정을 더 효과적으로 내릴 수 있도록 지원합니다. 그러나 이러한 고급 분석 도구는 기능이 복잡하고 학습 곡선이 가파르며, 상대적으로 더 많은 비용이 발생한다는 단점이 있습니다. 특히 고도의 데이터 분석을 처음 시작하는 개인 사용자나 소규모 비즈니스의 경우, 이러한 비용과 학습 부담이 장벽이 될 수 있죠. 반면, ChatGPT와 같은 AI 서비스는 이러한 복잡한 도구를 사용하지 않고도 자연어로 간단하게 분석을 요청할 수 있는 장점을 제공합니다. 사용자들은 별도의 학습 과정 없이도 필요한 데이터를 빠르게 분석하고 시각화할 수 있으며, 추가적인 피드백도 실시간으로 받을 수 있습니다. 또한, 특정 요구사항에 맞춰 데이터를 처리할 수 있는 유연성 덕분에, 기존 데이터 분석 도구에서 처리하지 못하는 복잡한 요구사항을 AI 서비스에서 해결할 수 있는 경우도 있습니다. 그러나 ChatGPT와 같은 AI 서비스는 데이터의 정교한 처리나 시각화 기능에서 한계가 있을 수 있으며, 데이터 분석 서비스와 비교했을 때 결과의 정확성과 품질 면에서 다소 부족할 수 있습니다. 따라서 초기에는 ChatGPT 같은 AI 서비스를 활용해 빠르고 간편하게 데이터 분석을 진행하고, 비즈니스가 성장한 후 분석 요구사항이 복잡해지면, Tableau나 Power BI와 같은 고급 데이터 분석 도구를 함께 사용하여 더 정교한 분석과 시각화를 구현하는 방향으로 확장해 나가는 것이 바람직합니다. 이를 통해 비용과 학습 시간을 절약하면서도, 궁극적으로 더 깊이 있는 인사이트를 얻을 수 있는 종합적인 분석 전략을 세울 수 있을 것입니다.

그리고, 엑셀(Excel)에 대해서도 이야기해 볼게요. 엑셀은 매우 훌륭한 데이터 저장, 분석, 시각화 도구입니다. 그러나 엑셀 초심자는 테이블에 값을 입력하는 것 외에 다른 기능을 제대로 활용하지 못할 수 있죠. Microsoft Copilot을 사용하면 도표 생성, 컬럼 추가, 수식 작성, 피벗 테이블 생성 등 다양한 작업을 자연어로 간단하게 요청하여 처리할 수 있습니다. ChatGPT와 같은 AI 서비스를 이용해서도 비슷한 작업을 수행할 수 있지만, Copilot과의 차이점은 현재 상황(맥락)을 따로 설명할 필요가 없다는 점입니다. ChatGPT를 통해 엑셀 파일의 테이블을 분석하려면, 엑셀 파일을 업로드하거나 테이블을 자세히 설명한 후에 질문해야 한다는거죠. 반면, Copilot은 엑셀 소프트웨어에 통합되어 있어 해당 테이블의 정보를 자동으로 파악하고, 사용자의 요청에 따라 바로 수정 작업을 수행할 수 있습니다.

엑셀에 AI 기능을 통합하는 방법은 Copilot 외에도 다양합니다. 예를 들어, Python을 엑셀과 연동해 데이터 분석 및 머신러닝 모델을 적용할 수 있습니다. xlwings와 같은 라이브러리를 사용하면 엑셀과 Python을 연결하여 복잡한 AI 분석을 수행할 수 있습니다. 또한, 엑셀 애드인(Excel add-ins)을 통해 AI 기능을 확장할 수 있으며, Azure Machine Learning을 이용해 엑셀에서 AI 모델을 직접 실행할 수도 있습니다. 마지막으로, VBA를 사용해 외부 AI API를 호출하여 엑셀 데이터를 분석하거나 작업을 자동화할 수 있습니다. 이러한 방법들을 통해 Copilot 없이도 AI 기반 분석을 엑셀에서 효율적으로 수행할 수 있습니다.

이미지 / 동영상 생성#

이미지 생성 AI와 동영상 생성 AI는 다양한 산업에서 높은 활용 가능성을 보이고 있습니다. 이미지 생성 AI는 마케팅, 광고, 게임 디자인, 웹사이트 및 앱 UI/UX 디자인, 패션 디자인, 미술 창작 등에서 창의적인 시각적 콘텐츠를 빠르게 생성하는 데 중요한 역할을 합니다. 이를 통해 디자이너들은 반복적인 작업을 줄이고, 새로운 아이디어를 탐색하는 데 더 많은 시간을 할애할 수 있습니다. 또한, 이미지 생성 AI는 패턴, 스타일, 배경 등 다양한 그래픽 요소를 자동으로 생성해 복잡한 디자인 작업을 간소화할 수 있습니다. 동영상 생성 AI는 자동 콘텐츠 제작, 소셜 미디어용 짧은 영상 제작, 애니메이션 및 게임 개발, 교육용 동영상 제작, 개인화된 영상 편집 등에서 강력한 도구로 활용됩니다. AI는 사용자의 요청에 따라 자동으로 동영상을 생성 및 편집하거나, 텍스트 기반 자료를 시각적 콘텐츠로 변환하여 더욱 풍부한 학습 및 마케팅 자료를 제공할 수 있습니다. 특히 이미지 생성 AI로 생성한 이미지를 활용해 동영상 생성 AI로 동영상을 제작하는 방식도 자주 사용됩니다. 예를 들어, 이미지 생성 AI로 만든 제품 이미지를 이용해 동영상 생성 AI로 프로모션 영상을 제작할 수 있으며, 이는 마케팅과 광고에서 빠르게 콘텐츠를 생산하고 다양한 채널에 적용하는 데 큰 이점을 제공합니다. 이처럼 이미지와 동영상 생성 AI는 함께 사용되며 콘텐츠 제작의 속도와 효율성을 높이고, 복잡한 작업도 간편하게 처리할 수 있는 장점을 제공합니다. 결과적으로 이러한 AI 도구들을 통해 생산성과 창의성을 극대화할 수 있으며, 다양한 산업에서 비용 절감과 혁신을 달성할 수 있습니다.

HTML 페이지 생성#

AI를 이용하면 다양한 목적의 HTML 페이지를 빠르게 만들 수 있습니다. 여기서 말하는 HTML 페이지는 “웹사이트를 정식으로 개발한다”기보다, 브라우저에서 바로 실행되는 간단한 화면(입력 폼, 버튼, 결과 영역 등)을 뜻합니다. 이런 형태는 비용과 시간이 많이 드는 본 개발에 들어가기 전에 아이디어를 검증하거나, 당장 불편한 문제(Needs)를 해결하는 작은 도구를 만드는 데 특히 유용합니다.

첫 번째 활용은 기획 요구사항을 전달하기 위한 프로토타이핑입니다. PPT나 문서로 기획서를 쓰면 요구사항을 텍스트로 정리할 수는 있지만, 사용자가 어떤 버튼을 누르고 어떤 화면으로 이동하며 어떤 결과를 보게 되는지 같은 “실행 흐름”을 생생하게 전달하기는 어렵습니다. 이때 기획서(또는 요약된 요구사항)를 AI에게 제공하고 “이 흐름을 보여주는 프로토타입 HTML을 만들어 달라”고 요청하면, 클릭 가능한 화면을 빠르게 만들어 공유할 수 있습니다. 팀원 입장에서는 문서를 읽고 상상하는 단계가 줄어들고, ‘이 화면에서는 이 정보가 더 필요하다’ 같은 피드백을 훨씬 구체적으로 주고받을 수 있습니다.

두 번째 활용은 특정 니즈를 해소하기 위한 나만의 도구입니다. 예를 들어 컴퓨터에 기본으로 설치된 계산기가 마음에 들지 않는다면, 내가 원하는 기능(자주 쓰는 계산 버튼, 단축키, 결과 기록, 단위 변환 등)을 가진 계산기를 HTML 페이지로 만들어 쓸 수 있습니다. 완성도를 높이려면 추가적인 수정이 필요할 수 있지만, “작동하는 초벌”을 얻는 속도가 매우 빠르기 때문에 작은 문제를 해결하는 개인용 툴은 생각보다 쉽게 만들어 볼 수 있습니다.

개발이 아닌 업무에 Cursor 활용하기#

Cursor는 원래 개발자가 코드를 작성하는 데에 사용하는 도구이지만, 사용하다 보니 개발 외의 업무를 하는 데에도 충분히 활용할 수 있겠다는 생각을 하게 되었습니다.

개발 쪽에서는 보통 project라는 개념이 있습니다. 이는 하나의 애플리케이션을 만들기 위해 필요한 소스 코드들을 한 폴더 안에 담아 관리하는 것을 의미합니다. Cursor를 실행할 때도 이 project를 선택하는 흐름으로 시작하죠. 비개발 상황에서는 간단히 폴더를 하나 만들고, 업무에 필요한 텍스트 기반 파일들(메모, 요구사항, 회의록, 체크리스트, 작업 로그 등)을 넣어 둔 다음, Cursor에서 project 선택 시 그 폴더를 선택하면 됩니다.

일단 Cursor의 몇 가지 기능을 나열해 보겠습니다.

  • AI 에이전트와의 채팅: ChatGPT와 같은 채팅형 AI 서비스를 사용할 때처럼 대화를 나눌 수 있습니다. ChatGPT보다 좋은 점은, AI 에이전트가 해당 폴더(프로젝트) 안의 파일들을 알아서 참조하여 필요한 내용을 찾고 반영해 준다는 점입니다.
  • 브라우저: AI 에이전트가 웹 브라우저를 띄우고, 원하는 페이지로 이동하거나, 원하는 내용을 입력하거나, 버튼을 클릭하거나, 현재 화면의 상태를 파악하는 식의 작업을 수행할 수 있습니다. (다만 로그인 같은 인증 단계는 사용 환경에 따라 사람이 먼저 처리해야 하는 경우가 많습니다.)
  • MCP 연동: Cursor에 노션이나 구글 문서 도구 같은 외부 서비스를 연동할 수 있습니다. 연동이 되어 있다면 읽기뿐 아니라 쓰기도 가능해서, “정리한 내용을 노션에 남기기” 같은 흐름을 자동화할 수 있습니다. (연동 가능 여부와 범위는 사용하는 MCP 서버/권한 설정에 따라 달라질 수 있습니다.)
  • 슬랙에서 @Cursor 멘션으로 작업 요청: 예를 들어 슬랙의 특정 대화 쓰레드에서 “@Cursor” 멘션을 통해, 해당 대화 내용을 바탕으로 일을 시키는 형태의 워크플로를 구성할 수도 있습니다. (이 역시 조직의 슬랙/연동 설정에 따라 가능 여부가 달라질 수 있습니다.)

위 내용을 기반으로 한 가지 유즈케이스를 예로 들어 보겠습니다.

  1. 슬랙에서 어떤 업무에 대하여 동료들과 대화를 나눕니다. (해당 업무는 “어떤 웹사이트에 들어가서 특정 내용을 조회하여 나온 테이블 데이터를 구글 스프레드시트에 작성하는 작업”이라고 가정하겠습니다.)
  2. 해당 쓰레드에서 “@Cursor” 멘션을 걸고, 해야 할 업무에 대한 계획을 문서로 작성하라고 지시합니다.
  3. Cursor를 실행해 해당 계획 문서를 확인하고, 채팅 패널에서 “노션에 작업 문서를 남기고, 브라우저를 실행해 작업을 수행하고, 그 결과를 구글 스프레드시트에 추가한 뒤, 그 링크를 노션 작업 문서에 추가하라”고 지시합니다.

멋지지 않은가요? 최대한 간단하게 표현하느라 MCP 연동 설정, 브라우저에서 웹사이트에 로그인은 별도로 해야 한다는 점 등은 유즈케이스에 자세히 언급하지 않았지만, 어쨌든 위의 유즈케이스는 충분히 가능한 시나리오입니다.

단점은 Cursor가 개발 도구이기 때문에, 비개발자는 모를 만한 기능들이 너무 많아서 사용 방법을 익히기가 상당히 어렵다는 점입니다. 위와 같은 니즈를 해소하는 애플리케이션이 곧 나오지 않을까 기대해 보는데요, 그 전에는 좀 어렵더라도 Cursor를 한 번 사용해 보는 것이 좋은 시도가 될 것이라 생각합니다.