1) AI 사용 배경과 목적

엑셀에서 반복적으로 발생하는 작업은 “조건이 조금씩 다른 함수”를 빠르게 구성하는 일이었습니다. 예를 들어 매출 데이터에서 특정 기간, 특정 채널, 특정 담당자 조건을 결합해 합계를 구하는 상황이 자주 발생했습니다.

직접 함수를 만들면 정확도는 높지만, 요구 조건이 바뀔 때마다 재작성이 발생해 시간이 소모되었습니다. AI에게 함수를 요청한 목적은 “정답을 대신 내는 것”이 아니라, 초안을 빠르게 뽑고 사람은 검증에 집중하는 흐름으로 바꾸기 위함이었습니다.

3) 실제 사용 과정에서 효과가 났던 요청 방식

AI에게 “함수 하나 만들어 주세요”라고만 던지면, 대체로 표 구조를 가정해서 답을 내는 경향이 있었습니다. 반대로 결과가 안정적이었던 경우는, 요청에 포함된 정보가 “프롬프트 기술”이라기보다 엑셀의 설정값(전제 조건)처럼 정리되어 있을 때였습니다.

• 테이블 구조: 열 이름(예: 날짜, 채널, 담당자, 금액)과 데이터가 있는 시트명을 명시했을 때 오류가 줄었습니다.
• 원하는 출력 형태: 단일 값(합계/평균)인지, 목록(필터 결과)인지가 분명할수록 재작업이 줄었습니다.
• 예외 처리: 값이 없을 때 0으로 둘지, 공백으로 둘지처럼 “없음 처리”를 지정했을 때 실사용성이 높아졌습니다.

즉, AI는 “함수 문법”은 잘 제시하지만, 시트의 현실(열 이름, 범위, 비어있는 값, 날짜 형식)을 알지 못한다는 전제가 계속 작동했습니다.

5) 실제 예시: AI 출력과 수정 전후 비교

아래는 “A열=날짜, B열=채널, C열=담당자, D열=금액” 테이블에서, 특정 기간·채널·담당자 조건의 합계를 구하는 상황에서 나온 전형적인 흐름입니다.

이 예시에서 핵심은 “AI가 SUMIFS를 모른다”가 아니라, AI가 시트의 구조를 모른다는 점이었습니다. 따라서 실제 업무에서는 “함수 문법 생성”보다 참조 체계 정합성이 더 큰 비용으로 나타났습니다.

7) 한계 또는 비효율적이었던 조건

• 날짜/텍스트 형식 혼재: 같은 ‘날짜’라도 텍스트로 들어간 값이 섞이면, AI가 제시한 조건식이 그대로 작동하지 않는 경우가 있었습니다.
• 중복 키 + 다단 조건: 예를 들어 주문번호가 중복되고, “최신 행”만 찾는 요구가 포함되면 단일 함수보다 보조열·파워쿼리·피벗 등 다른 접근이 더 빨랐습니다.
• 대용량(전체열 참조의 비용): AI가 습관적으로 D:D처럼 전체열을 잡는 초안을 내놓는 경우가 있어, 성능 문제로 수정이 필요했습니다.

이 구간에서는 AI를 쓰면 초안은 빨리 나오지만, 검증과 구조 정리가 더 커져 총 시간이 비슷해지거나 늘어날 수 있었습니다.

9) 판단 정리

AI에게 엑셀 함수를 만들어 달라고 요청하는 방식은 “함수 문법을 외우는 부담”을 줄이는 데 의미가 있었습니다. 다만 실사용 효율은 검증 비용이 좌우했습니다.

• 작업량이 많고 패턴이 반복될수록 초안 생성의 이점이 누적되었으나, 형식 혼재·중복 키·대용량이 섞이면 수정이 반복되어 효율이 상쇄될 수 있었습니다.
• 정량 종합: 초안 작성은 10~15분 → 1~3분 수준으로 줄어드는 경우가 있었으나, 검증·수정을 포함하면 총 6~12분으로 수렴해 “전체 프로세스 단축 폭”은 상황에 따라 제한적이었습니다.

따라서 이 방식은 “AI가 대신 해준다”라기보다, 초안 생성기로 사용하고 검증은 사람이 맡는 구조로 받아들이는 편이 현실적이었습니다.