AI 엑셀 자동화 직접 해봤다, 업무에 바로 쓰는 방법
매달 말일이 되면 늘 반복되는 일이 있다. 여러 팀에서 넘어온 실적 엑셀 파일을 하나로 합치고, 형식을 맞추고, 피벗 테이블을 새로 만드는 작업이다. 매번 두세 시간은 그냥 여기에 갈아 넣었는데, 이번 달에는 이 반복 작업을 AI에게 얼마나 맡길 수 있는지 제대로 확인해보기로 했다. 결과부터 말하면, 생각보다 많은 부분이 자동화됐지만 여전히 사람이 마지막에 눈으로 확인해야 하는 지점도 분명히 있었다.
평소 데이터를 다루는 일을 하다 보니 엑셀 작업 자체는 익숙한 편이다. 그래서 이번 테스트는 단순히 AI가 엑셀 함수를 알려주는 수준을 넘어서, 실제로 파일을 통째로 맡기고 얼마나 손을 덜 수 있는지를 기준으로 진행했다.
이번 달 실제로 처리해야 했던 작업
이번에 처리할 작업은 세 가지였다. 첫 번째는 다섯 개 팀에서 각각 다른 형식으로 정리해서 보낸 실적 파일을 하나의 표로 합치는 작업이었다. 팀마다 열 순서도 다르고 날짜 표기 방식도 제각각이라 매번 손으로 맞추는 게 가장 번거로운 부분이었다. 두 번째는 합쳐진 데이터에서 월별, 팀별 매출 추이를 피벗 테이블로 뽑아내는 작업이었고, 세 번째는 그 결과를 바탕으로 어떤 팀이 목표 대비 부진한지 찾아내는 분석이었다.
세 작업 모두 AI에게 파일을 그대로 올리고 자연어로 요청하는 방식으로 진행했다. 함수를 직접 알려주기보다 이 파일들을 하나로 합쳐줘, 팀별 월별 매출을 피벗으로 정리해줘 같은 식으로 평소 동료에게 부탁하듯 요청했다.
형식이 제각각인 파일 합치기, 예상보다 잘 해냈다
가장 걱정했던 부분이 바로 이거였다. 다섯 개 파일의 열 이름이 조금씩 달랐다. 어떤 파일은 매출액이라고 되어 있고 다른 파일은 판매금액이라고 되어 있는 식이었다. 사람이라면 당연히 같은 의미라는 걸 알아채겠지만, 기계적으로 처리한다면 이런 부분에서 오류가 날 거라고 예상했다.
실제로 해보니 AI는 이런 유사 항목을 상당히 잘 알아서 매칭해냈다. 열 이름이 다르더라도 데이터의 성격을 보고 같은 항목으로 판단해서 하나의 표로 합쳐줬다. 날짜 형식도 마찬가지였다. 어떤 파일은 2026-03-15 형식이고 다른 파일은 26.3.15 형식이었는데, 이것도 자동으로 통일된 형식으로 맞춰서 정리했다.
다만 한 군데에서 문제가 있었다. 한 팀의 파일에는 특정 항목이 아예 빠져 있었는데, 이 부분을 AI가 임의로 0으로 채워 넣은 것이다. 실제로는 데이터가 누락된 것뿐이지 매출이 0인 게 아니었는데, 이 차이를 구분하지 못하고 넘어간 부분은 결국 직접 확인하고 수정해야 했다. 이건 꽤 중요한 지점이라고 생각한다. 데이터가 없는 것과 값이 0인 것은 완전히 다른 의미인데, 이 부분을 자동화에 온전히 맡기면 실적 보고서에 잘못된 숫자가 들어갈 수 있다.
피벗 테이블 생성은 확실히 시간을 아껴줬다
팀별 월별 매출을 피벗 테이블로 정리하는 작업은 이번 테스트에서 가장 만족스러웠던 부분이었다. 예전 같으면 피벗 테이블 필드를 하나하나 끌어다 놓고, 값 필드 설정을 바꾸고, 서식을 정리하는 데만 십오 분에서 이십 분은 걸렸을 작업이었다. 이번에는 요청 한 번으로 원하는 형태의 피벗 테이블이 바로 만들어졌다.
특히 좋았던 부분은 단순히 표만 만드는 게 아니라, 어떤 팀이 전월 대비 매출이 늘었고 줄었는지를 색으로 구분해서 표시해달라고 추가로 요청했더니 조건부 서식까지 자동으로 적용해줬다는 점이다. 예전이라면 이것도 따로 조건부 서식 규칙을 설정해야 했을 텐데, 이 과정이 통째로 생략됐다.
부진한 팀을 찾아내는 분석, 여기서부터는 신중해야 했다
세 번째 작업인 목표 대비 부진한 팀을 찾아내는 분석에서는 조금 다른 태도로 접근했다. AI가 뽑아준 분석 결과 자체는 그럴듯했다. 특정 팀이 목표 대비 가장 낮은 달성률을 보이고 있다는 결론을 내놨고, 숫자상으로도 틀린 말은 아니었다.
그런데 여기서 걸리는 부분이 있었다. AI는 단순히 숫자만 보고 판단했기 때문에, 그 팀이 왜 부진했는지에 대한 맥락은 전혀 반영하지 못했다. 실제로는 그 팀이 이번 달에 인원 교체가 있었거나, 특정 프로젝트가 다음 달로 이월되면서 매출이 일시적으로 낮게 잡힌 경우였다. 이런 배경 정보는 엑셀 데이터 안에 없기 때문에, AI가 알 수 있는 영역이 아니다. 결국 숫자로 나온 결과를 그대로 보고서에 옮기는 게 아니라, 실제 담당자에게 확인하는 과정을 한 번 더 거쳐야 했다.
이 부분에서 느낀 건, AI는 데이터 안에서 패턴을 찾아내는 데는 강하지만 데이터 밖의 맥락까지 채워주지는 못한다는 점이었다. 특히 실적 평가처럼 사람의 판단이 중요한 영역에서는 AI의 분석을 참고 자료로만 쓰고, 최종 결론은 반드시 사람이 확인하는 절차가 필요하다.
반복 작업을 매크로처럼 만들 수 있을까
이번 테스트를 하면서 추가로 확인해본 게 있다. 매달 반복되는 이 작업을 아예 정형화해서, 다음 달에도 같은 방식으로 요청하면 똑같이 처리되는지를 봤다. 결과는 대체로 일관됐다. 파일 구조가 크게 바뀌지 않는 한, 비슷한 요청 문구로 매달 같은 결과를 얻을 수 있었다.
다만 완전히 손을 떼도 되는 수준은 아니었다. 팀에서 보내는 파일의 형식이 매달 조금씩 바뀌는 경우가 있었는데, 이럴 때는 AI가 이전과 다른 방식으로 데이터를 해석하는 경우가 있었다. 그래서 매달 첫 번째 처리 결과는 반드시 한 번 검토하고, 이상이 없다는 걸 확인한 다음에야 보고서에 반영하는 방식으로 습관을 들였다.
실제로 아낀 시간은 얼마나 될까
이번 달 작업을 기준으로 계산해보면, 예전 방식으로는 파일 합치기에 한 시간, 피벗 테이블 작성에 삼십 분, 분석 정리에 삼십 분 정도로 총 두 시간이 걸렸을 작업이었다. 이번에는 AI에게 요청하고 결과를 받는 데 이십 분, 누락된 데이터와 부진 팀 분석의 맥락을 확인하고 수정하는 데 삼십 분 정도가 걸려서 총 오십 분 정도로 마무리됐다. 절반 이상의 시간을 아낀 셈이지만, 검토 과정을 완전히 생략할 수는 없었다.
실무에 적용한다면 이렇게 나눠서 쓰겠다
이번 테스트를 통해 정리한 활용 원칙은 이렇다. 단순 반복 작업, 그러니까 파일 형식 통일이나 피벗 테이블 생성 같은 기계적인 작업은 AI에게 거의 전적으로 맡겨도 된다. 다만 데이터 누락처럼 판단이 필요한 부분은 결과를 그대로 믿지 말고 원본과 한 번 대조해봐야 한다. 그리고 실적 부진처럼 사람의 맥락이 필요한 분석은 AI의 결과를 초안으로만 쓰고, 실제 담당자 확인을 거쳐 최종 결론을 내리는 방식이 안전하다.
마무리
AI로 엑셀 업무를 자동화해본 결과, 반복적이고 기계적인 작업에서는 확실히 시간을 크게 아낄 수 있었다. 형식이 다른 파일을 합치고 피벗 테이블을 만드는 과정은 예전보다 훨씬 빠르고 편해졌다. 하지만 데이터가 없는 것과 값이 0인 것을 구분하는 문제, 그리고 숫자 뒤에 숨은 맥락을 읽어내지 못하는 한계는 여전히 사람의 검토를 필요로 했다. 결국 지금 시점에서 가장 현실적인 방법은 반복 작업은 AI에게 맡기고, 판단이 필요한 부분만 사람이 마지막에 확인하는 역할 분담이다. 이렇게만 나눠도 매달 반복되던 두 시간짜리 작업이 절반 이하로 줄어든다는 걸 이번 달에 직접 확인했다.