"대비를 고치세요"를 넘어 — AI 개선 권고가 나오는 원리
이번 주 3개월차 넷째 주의 마지막 글입니다. 월요일엔 숫자를 그림으로 보여주는 시각화를 봤고, 수요일엔 "화려한데 정작 행동으로는 안 이어지는 리포트"를 짚었습니다. 수요일에 핵심으로 말씀드린 게 '처방'이었습니다. 현황(예를 들어 대비 미달 14건)에서 멈추지 말고, "그래서 어떻게 고치는가"라는 처방까지 가야 비로소

들어가며 — 처방까지 가야 행동이 됩니다
이번 주 3개월차 넷째 주의 마지막 글입니다. 월요일엔 숫자를 그림으로 보여주는 시각화를 봤고, 수요일엔 "화려한데 정작 행동으로는 안 이어지는 리포트"를 짚었습니다. 수요일에 핵심으로 말씀드린 게 '처방'이었습니다. 현황(예를 들어 대비 미달 14건)에서 멈추지 말고, "그래서 어떻게 고치는가"라는 처방까지 가야 비로소 행동으로 이어진다고요.
오늘은 그 '처방' — 개선 권고 — 이 실제로 어떻게 만들어지는지를 봅니다. 특히 요즘 많이 이야기되는 AI 분석이 개선 코멘트를 정리해주는 원리를요.
먼저 솔직하게 짚고 시작하겠습니다. "AI가 개선 권고를 만들어준다"고 하면 흔히 두 가지 오해가 생깁니다. 하나는 "그럼 AI가 알아서 다 해주겠네"라는 과한 기대이고, 다른 하나는 "AI가 그럴듯한 헛소리나 하는 거 아냐?"라는 불신입니다. 둘 다 정확한 이해는 아닙니다. 오늘 글의 목표는 그 사이 어딘가에 있는 진짜 모습을 보여드리는 것입니다. AI 개선 권고가 무엇을 잘하고 무엇을 못하는지, 어떻게 해야 믿을 만한 권고가 되는지를요.
핵심부터 말씀드리면, 좋은 AI 개선 권고는 "AI가 혼자 상상해낸 것"이 아니라 "정확한 점검 데이터를 근거로, 사람이 읽기 좋게 풀어 쓴 것"입니다. 근거가 먼저이고, AI는 그 근거를 말로 옮기는 역할을 합니다. 그리고 한 가지 미리 못을 박아두겠습니다. 오늘 이야기하는 AI 개선 권고는 어디까지나 "제시·권고·예시" 수준입니다. AI가 코드를 알아서 고쳐 사이트에 바로 반영해주는 자동 수정·자동 배포가 아닙니다. 그 선을 분명히 그어두고, 그 안에서 무엇이 가능한지를 차분히 풀어보겠습니다.
한 가지 더 미리 정리해두고 싶은 게 있습니다. 이번 글에서 말하는 '개선 권고'는 앞선 세 주에서 본 '측정'과는 성격이 다릅니다. 측정은 "무엇이 어떻게 됐다"는 사실을 재는 일이고, 권고는 "그래서 어떻게 하면 되는가"를 짚어주는 일입니다. 사실을 재는 것과 방향을 잡아주는 것은 다른 작업이고, 그래서 담당자도 다릅니다. 측정은 점검 엔진이 하고, 권고를 사람 언어로 풀어 쓰는 일은 AI 분석이 돕고, 그 권고를 우리 상황에 맞게 확정하는 판단은 사람이 합니다. 오늘 글은 이 세 담당이 각자 어디까지 하고 어디서 넘겨받는지를, 실제 화면을 곁들여 하나씩 보여드리는 지도라고 생각하시면 됩니다.
왜 이 이야기를 굳이 한 편에 걸쳐 하는지 궁금하실 수 있습니다. 이유는, 개선 권고야말로 점검이 실제 개선으로 이어지느냐 마느냐가 갈리는 길목이기 때문입니다. 아무리 정확하게 측정해도, 그 결과가 "무엇을 어떻게 고칠지"로 번역되지 않으면 담당자 책상에서 멈춥니다. 위반 목록만 잔뜩 받은 담당자는 "많다"는 압박만 느끼고 첫걸음을 못 뗍니다. 반대로 그 목록이 구체적 처방과 우선순위로 정리돼 오면, "그럼 이것부터" 하고 움직입니다. 측정이 개선으로 이어지는 마지막 다리가 개선 권고인 셈입니다. 그런데 이 다리를 AI에게 통째로 맡겨버리면 앞서 말한 두 오해에 그대로 빠집니다. 그래서 이 다리를 '어떤 구조로 놓느냐'가 중요하고, 오늘 글은 그 구조를 처음부터 끝까지 따라가 봅니다.
![URL 분석 AI 종합 보고서의 오류 상세·수정사항 화면. 미통과 항목마다 "어디가·무엇이·어떻게"를 측정값·위치와 함께 붙여 두어, AI가 풀어 쓴 권고가 상상이 아니라 측정 위에서 나왔음을 그 자리에서 확인할 수 있다 [기존] (기관명·도메인 블러)](https://xbbhievqdmccsexxrdtn.supabase.co/storage/v1/object/sign/covers/content/vuhpvaw9-48705.png?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV8yOWQwYWZmNy1mOWJhLTRkNmUtYmZlZi0yMzg2NTc0ZWUzODQiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJjb3ZlcnMvY29udGVudC92dWhwdmF3OS00ODcwNS5wbmciLCJzY29wZSI6ImRvd25sb2FkIiwiaWF0IjoxNzg2MTkzMTcxLCJleHAiOjIxMDE1NTMxNzF9.E__b4xdbU3EAHga0oQs66dJ6WLXFF3KQXq76tP66S0E)
본론 1 — 왜 '대비를 고치세요'로는 부족한가
먼저, 단순한 처방의 한계부터 보겠습니다. 점검 결과에 기계적으로 처방을 붙이면 대개 이런 모양이 됩니다.
- "대비 미달 → 대비를 높이세요."
- "라벨 누락 → 라벨을 추가하세요."
- "터치 타겟이 작음 → 크게 만드세요."
틀린 말은 아닙니다. 그런데 솔직히 별 도움이 안 됩니다. "대비를 높이세요"는 사실 "대비 미달"이라는 현황을 그냥 명령형으로 바꿔놓은 것뿐입니다. 받는 사람이 이미 알고 있는 걸 다시 말한 셈이죠. 정작 중요한 "그래서 구체적으로 어떻게?"가 빠져 있습니다.
진짜 도움이 되는 처방은 훨씬 구체적입니다. 예를 들면 이런 식입니다.
"본문 글자색 #767676이 흰 배경에서 대비 3.2:1입니다. 기준은 4.5:1입니다. 글자색을 #595959로 바꾸면 4.6:1이 되어 기준을 넘습니다. 이 색은 모든 페이지 본문에 공통으로 적용돼 있어, 한 곳만 바꾸면 14건 중 11건이 함께 해결됩니다. 예상 작업 시간은 약 30분입니다."
이게 진짜 처방입니다. 현재 값, 기준, 구체적 해결책, 영향 범위, 그리고 드는 노력까지 담겨 있습니다. 받는 사람은 이걸 보고 바로 움직일 수 있습니다. "단순 명령"과 "구체적 처방"의 차이가 이만큼 큽니다. 앞의 명령은 받는 사람을 그 자리에 세워두고, 뒤의 처방은 받는 사람을 다음 걸음으로 데려갑니다.
단순 명령이 도움이 안 되는 진짜 이유를 조금 더 파보겠습니다. 그것은 '받는 사람이 이미 아는 것을 반복'하기 때문입니다. 점검이 "대비 미달"이라고 알려준 순간, 받는 사람은 이미 "대비를 높여야겠구나"까지는 압니다. 그걸 다시 "대비를 높이세요"라고 말하는 건 새로운 정보가 아닙니다. 정보는 그 사람이 '모르던 것'을 채워줄 때 생깁니다. "어느 색을, 어떤 값으로, 어디까지 바꾸면, 몇 건이 해결되는지" — 이것이 받는 사람이 모르던 것이고, 그래서 이것이 진짜 정보입니다. 좋은 처방은 받는 사람이 이미 아는 것을 줄이고 모르던 것을 채웁니다. 단순 명령은 그 반대입니다. 아는 것을 반복하고, 모르는 것은 그대로 남겨둡니다. 그래서 "○○을 고치세요" 형태의 권고가 잔뜩 실린 리포트일수록, 정작 받는 사람에게는 줄 정보가 적은 리포트일 수 있습니다.
그런데 이 '구체적 처방'을 미통과 항목마다 사람이 일일이 쓴다고 생각해보면, 엄청난 일입니다. 항목마다 현재 값을 확인하고, 기준을 찾고, 해결책을 계산하고, 영향 범위를 따지고, 노력을 추정하고… 이걸 수백 건에 대해 반복해야 한다면 사실상 불가능에 가깝습니다. 바로 여기서 AI 분석이 들어옵니다. 이 '구체적 처방을 사람 언어로 정리하는 일'을 도와주는 것입니다. 사람이 밤을 새워도 다 못 쓸 처방 초안을, AI가 빠르게 만들어 사람 앞에 놓아줍니다. 그렇다고 AI가 처방을 '결정'하는 건 아닙니다. AI는 초안을 만들고, 최종 결정은 사람이 합니다. 이 구분은 오늘 글 내내 반복해서 짚을 겁니다.
'단순 명령'과 '구체적 처방'을 가르는 다섯 가지 요소를 조금 더 뜯어보면 이해가 쉽습니다. 좋은 처방에는 보통 현재 값, 기준, 해결책, 영향 범위, 노력이라는 다섯 조각이 들어갑니다. 현재 값은 "지금 얼마인가"를, 기준은 "얼마여야 하는가"를, 해결책은 "무엇을 어떻게 바꾸면 되는가"를, 영향 범위는 "이걸 바꾸면 어디까지 함께 해결되는가"를, 노력은 "얼마나 걸리는가"를 알려줍니다. 이 다섯이 다 있으면 받는 사람은 판단에 필요한 정보를 손에 쥡니다. "지금 3.2:1인데 4.5:1이어야 하니 미달이구나, 색을 이 값으로 바꾸면 되겠구나, 공통 스타일이라 한 번에 여럿 해결되겠구나, 30분이면 되겠구나" 하고요. 그런데 단순 명령엔 이 다섯 중 대개 하나(그것도 이미 아는 '기준 미달'이라는 사실)밖에 없습니다. 나머지 넷이 비어 있으니, 받는 사람은 그 빈칸을 스스로 채워야 하고, 그 과정에서 시간이 흐르거나 아예 손을 놓게 됩니다. 처방의 품질은 결국 이 빈칸이 얼마나 채워졌느냐로 결정됩니다.
여기에 하나를 더 얹으면, 다섯 조각 위에 '우선순위'가 붙을 때 처방은 완성됩니다. 같은 처방이라도 "이건 핵심 페이지의 문제라 먼저", "이건 잘 안 쓰는 페이지라 나중에"라는 순서가 함께 오면, 받는 사람은 여러 처방 중 무엇부터 손댈지까지 정할 수 있습니다. 위험도 P0부터 P3까지의 등급이 이 우선순위를 정해줍니다. 개선 권고가 '무엇을 어떻게 고치는가'만이 아니라 '무엇부터 고치는가'까지 짚어줄 때, 비로소 받는 사람은 긴 목록 앞에서 막막해하지 않고 "오늘은 이것부터"라는 첫걸음을 뗄 수 있습니다. 그래서 좋은 개선 권고는 처방과 우선순위가 한 세트로 움직입니다.

본론 2 — AI 개선 권고의 재료: 정확한 데이터
여기가 오늘 글에서 가장 중요한 대목입니다. AI가 좋은 개선 권고를 쓰려면, 먼저 정확한 점검 데이터가 있어야 합니다.
AI는 무에서 권고를 만들지 않습니다. 아니, 만들면 안 됩니다. 점검이 측정한 사실 — "이 위치의 글자색은 #767676, 대비 3.2:1, 기준 4.5:1, 이 색은 공통 스타일이라 14곳에 적용됨" — 이라는 정확한 데이터를 받아서, 그것을 사람이 읽기 좋은 권고로 풀어 쓰는 것입니다. 그래서 순서가 결정적으로 중요합니다.
- 점검 엔진이 측정합니다. 실제 브라우저로 화면을 끝까지 그려 읽고(지난 두 달에 걸쳐 본 부분입니다), 846규칙으로 판정하고(지난 3주에 걸쳐 본 부분입니다), 정확한 수치를 냅니다. "대비 3.2:1, 위치, 영향 범위" 같은 사실이 여기서 나옵니다.
- AI가 그 사실을 받아 권고로 옮깁니다. "이 글자색을 이렇게 바꾸면 기준을 넘고, 공통 적용이라 한 번에 여럿이 해결됩니다, 약 30분"처럼요.
AI는 2단계만 맡습니다. 1단계인 측정은 어디까지나 점검 엔진의 일입니다. 이 구분이 핵심인 이유가 있습니다. AI가 1단계까지 하려 들면, 즉 정확한 측정 없이 권고를 상상하기 시작하면, 그게 바로 "그럴듯한 헛소리"가 되기 때문입니다. "아마 대비가 부족할 겁니다" 같은 추측이요. 정확한 측정값 없이 만든 권고는 믿을 수가 없습니다.
여기서 짚어둘 게 있습니다. 좋은 권고의 근거는 단순히 '숫자'만이 아니라 **'어떤 규칙을 어긴 것인지'**까지 함께 옵니다. "대비 3.2:1이라 미달"이라는 수치 옆에는, "이것은 디자인 스타일(DS) 영역의 색 대비 기준을 어긴 것"이라는 판정 근거가 붙습니다. 그래서 권고는 "글자색을 진하게 바꾸세요"에서 끝나지 않고, "어떤 기준에 걸렸고, 그 기준을 넘기려면 어느 값으로 바꿔야 하는지"까지 연결됩니다. 근거가 규칙 단위까지 이어지기 때문에, 받는 사람은 "왜 이걸 고쳐야 하지?"라는 질문에 그 자리에서 답을 얻습니다. 이 '규칙과 함께 오는 근거'가 AI 권고를 검증 가능하게 만드는 뿌리입니다.
이 점이 요즘 'AI로 다 된다'는 분위기 속에서 특히 중요합니다. AI가 워낙 말을 잘하다 보니, "AI에게 사이트 주소만 던져주면 알아서 다 분석하고 고쳐주겠지" 하는 기대가 생깁니다. 그런데 측정 없이 AI에게 "이 사이트 개선점 알려줘"라고 하면, AI는 화면을 정확히 잰 게 아니라 '그럴듯한 일반론'을 만들어냅니다. "버튼을 더 크게, 색을 더 밝게, 여백을 더 넓게 하세요" 같은 것들이요. 틀린 말은 아니지만, 이 사이트의 실제 측정값에 근거한 게 아니라 어느 사이트에나 통할 뻔한 조언입니다. 진짜 쓸모 있는 권고는 "이 사이트의 이 버튼이 38픽셀이라 최소 기준 44픽셀에 미달"이라는 구체적 측정에서 나옵니다. 그 측정을 누가 하느냐 — 점검 엔진입니다. AI는 그 측정 결과를 받아 풀어 쓸 뿐입니다. 측정 없는 AI 권고는 점쟁이의 일반론이고, 측정 위의 AI 권고는 의사의 처방입니다. 둘은 겉보기엔 비슷한 문장이어도 신뢰도가 하늘과 땅 차이입니다.
그래서 좋은 AI 개선 권고의 첫 번째 조건은 'AI가 똑똑한 것'이 아니라 **'재료(데이터)가 정확한 것'**입니다. 정확한 측정값을 주면 AI가 좋은 권고를 쓰고, 부실한 데이터를 주면 AI가 아무리 똑똑해도 부실한 권고를 씁니다. 요리사의 솜씨가 아무리 좋아도 재료가 상했으면 좋은 요리가 안 나오는 것과 같은 이치입니다. 월요일 시각화 글에서 "데이터가 먼저"라고 말씀드린 그 이야기가, 개선 권고에서도 똑같이 성립합니다. 시각화든 권고든, 데이터가 부실하면 그 위에 아무리 예쁜 그림을 그리고 아무리 매끄러운 문장을 얹어도 결국 부실한 결과물이 됩니다. 겉모습이 데이터의 부실을 가려줄 수는 있어도, 없애주지는 못합니다.
여기서 한 걸음 더 들어가 보겠습니다. '정확한 측정'이라는 게 왜 그렇게 어렵고, 그래서 왜 그렇게 값진지를요. 화면 하나를 정확히 재려면, 실제 브라우저로 페이지를 끝까지 그려서 "코드가 아니라 화면"을 봐야 합니다. 코드만 봐서는 실제로 어떤 색이 어떤 배경 위에 얹히는지, 그 대비가 실제로 얼마인지 확정하기 어렵습니다. 그래서 점검 엔진은 구조(DOM)와 실제 계산된 스타일(computed style)을 함께 읽고, 필요할 때는 화면을 보는 시각 AI까지 동원해 "정말로 화면에 이렇게 나온다"를 확인합니다. 이렇게 확정된 수치라야, 그 위에 얹는 권고가 흔들리지 않습니다. AI가 아무리 좋은 문장을 써도 그 아래 깔린 측정이 부정확하면 처방 전체가 무너지기 때문에, ViewCheck는 '측정을 정확히 하는 일'에 가장 많은 공을 들입니다. 권고는 그 정확한 측정 위에 나중에 얹히는 층입니다.
측정을 맡는 두 엔진의 역할 분담도 잠깐 짚어두면 좋겠습니다. 하나는 규칙 엔진입니다. 코드와 화면 구조를 읽어 846규칙에 따라 빠르게 pass/fail을 판정합니다. 다른 하나는 시각 AI 엔진입니다. 화면 스크린샷을 보고 "여기에 버튼이 있다, 카드가 있다" 하는 식으로 컴포넌트를 감지합니다. 두 엔진 사이에는 지켜지는 규칙이 있습니다. 규칙 엔진이 코드로 pass/fail을 확정한 항목은 시각 AI가 뒤집지 않습니다. 시각 AI는 규칙 엔진이 판단하지 못해 비워둔 빈칸(N/A)만, 그것도 확신이 있을 때만 채웁니다. 화면에서 확실히 못 본 것은 억지로 채우지 않고 빈칸으로 남깁니다. 이렇게 해야 "감지가 안 됐는데 있다고 우기는" 환각이 측정 단계에서부터 막힙니다. 그리고 무엇을 판정하든 근거를 남깁니다. 개선 권고가 검증 가능한 이유의 절반은 이 측정 단계에서 이미 근거가 차곡차곡 쌓이기 때문입니다.
한 가지 더 덧붙이면, 측정은 한 화면에서 끝나지 않습니다. URL 분석은 사이트 전체를 수십에서 수백 페이지까지 훑습니다. 그래서 "이 대비 미달이 한 페이지에만 있는지, 아니면 공통 요소라 모든 페이지에 퍼져 있는지"까지 측정에 담깁니다. 이 '영향 범위'라는 측정값이 있어야, 나중에 AI가 "한 곳만 바꾸면 14곳이 함께 해결됩니다"라는 처방을 쓸 수 있습니다. 만약 측정이 한 페이지만 봤다면, AI는 그 처방을 쓸 근거가 없습니다. 여러 페이지를 함께 재고 같은 위반을 묶어 빈도와 범위까지 측정해두는 것 — 이것이 개선 권고의 '영향 범위' 칸을 채워주는 재료가 됩니다. 정확한 측정이 넓게, 그리고 깊게 이뤄질수록, 그 위에 세워지는 권고도 그만큼 구체적이고 실용적이 됩니다.
본론 3 — 그럼 AI는 무엇을 더하나
"데이터가 다 있으면 AI가 왜 필요한가? 데이터를 그냥 보여주면 되지 않나?" 하고 생각하실 수 있습니다. 그런데 AI가 더하는 게 분명히 있습니다. 크게 세 가지입니다.
① 사람의 언어로 풀어냅니다. "대비 3.2:1, 기준 4.5:1, #767676"은 정확하지만 딱딱합니다. AI는 이걸 "본문 글자가 배경에 비해 흐려서, 저시력 이용자나 밝은 곳에서 보시는 분들이 읽기 어렵습니다. 글자색을 조금 진하게 바꾸면 해결됩니다" 같은 자연스러운 설명으로 풀어냅니다. 같은 사실을 사람이 이해하기 좋게 옮기는 것이죠. 수요일에 말씀드린 '번역'이 바로 이것입니다.
② 맥락을 묶습니다. 흩어진 미통과 항목들을 묶어 "이것들은 다 공통 스타일 문제라 한 번에 해결됩니다", "이 셋은 신청 폼과 관련된 것이라 함께 보시면 좋습니다"처럼 연결해줍니다. 개별 항목을 의미 있는 묶음으로 정리하는 일입니다.
③ 받는 사람에 맞춥니다. 같은 문제를 개발자에게는 기술적으로("이 공통 스타일 값을 수정"), 기관장에게는 영향 중심으로("저시력 시민의 접근성 개선")로 다르게 풀 수 있습니다. 수요일에 본 '층별 번역'을 AI가 돕습니다. 실제로 URL 분석에는 쉬운말 모드와 전문가 모드가 있어서, 같은 판정을 받는 사람 수준에 맞춰 다른 결로 풀어낼 수 있습니다.
![URL 분석 UX Writing 영역의 'AI 개선방안 생성 후' 화면. 딱딱한 측정값을 받아, AI가 "왜 문제이고 어떻게 고치면 되는지"를 사람 언어로 풀어 쓴다. AI가 더하는 건 새 사실이 아니라 '전달'이다 [기존] (기관명·도메인 블러)](https://xbbhievqdmccsexxrdtn.supabase.co/storage/v1/object/sign/covers/content/1dt5c6s8-48545.png?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV8yOWQwYWZmNy1mOWJhLTRkNmUtYmZlZi0yMzg2NTc0ZWUzODQiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJjb3ZlcnMvY29udGVudC8xZHQ1YzZzOC00ODU0NS5wbmciLCJzY29wZSI6ImRvd25sb2FkIiwiaWF0IjoxNzg2MTkzMTcxLCJleHAiOjIxMDE1NTMxNzF9.mPQwWm2vdGzBjjwe9k1pgQir01BSKza0BkeqamHVYOI)
정리하면, AI는 '새로운 사실을 만드는 일'이 아니라 '있는 사실을 잘 전달하는 일'을 합니다. 측정값이라는 정확한 재료를, 사람이 읽고 움직이기 좋은 형태로 가공합니다. 이것이 AI 개선 권고의 진짜 역할입니다. 똑똑한 분석가라기보다는, 정확한 데이터를 잘 풀어 쓰는 유능한 작성자에 가깝습니다. 이 구분이 은근히 중요합니다. 분석가는 새로운 사실을 발견하는 사람이고, 작성자는 이미 있는 사실을 잘 전하는 사람입니다. AI에게 분석가의 역할까지 맡기면 — 즉 측정 없이 스스로 사실을 만들어내게 하면 — 환각의 문이 열립니다. 반대로 작성자의 역할에 충실하게 두면, AI는 매우 든든한 조수가 됩니다.
이 셋(풀기·묶기·맞춤) 가운데서도 '묶기'가 의외로 큰 가치를 냅니다. 점검 결과는 보통 항목 단위로 흩어져 나옵니다. "여기 대비 미달, 저기 대비 미달, 또 저기 라벨 누락…" 수백 건이 낱개로 떨어져 있습니다. 사람이 이걸 그대로 마주하면 "많다"는 압박만 느낍니다. 그런데 AI가 "이 12건의 대비 미달은 전부 본문 공통 색 하나에서 비롯됐습니다 → 색 하나만 바꾸면 12건이 동시에 해결됩니다"라고 묶어주면, 12건이 갑자기 '1건짜리 작업'으로 보입니다. 압박이 줄고 행동이 쉬워집니다. 흩어진 증상들을 공통 원인으로 묶는 것 — 이것이 단순 나열과 진짜 진단의 차이입니다. 의사가 여러 증상을 묶어 "이건 다 한 가지 원인입니다"라고 말해주는 것과 같습니다. 증상 나열은 환자를 불안하게 하고, 원인 진단은 안심시킵니다. AI가 이 '묶어서 진단하기'를 잘하면, 같은 데이터가 훨씬 덜 막막하게 다가옵니다.
'묶기'가 왜 사람보다 AI에게 잘 맞는 일인지도 짚어두고 싶습니다. 수백 건의 위반을 사람이 하나하나 읽으며 "이건 저것과 같은 원인이네, 이건 다른 원인이네" 하고 손으로 묶는 일은 지루하고 실수가 많습니다. 몇 시간을 들여도 놓치는 게 생깁니다. 그런데 이 '반복적이고 규칙적인 묶기'는 기계와 AI가 잘하는 일입니다. 그래서 이 대목은 이번 달 내내 반복된 후렴 — "반복적이고 정확한 일은 기계·AI에, 맥락과 가치 판단은 사람에" — 과 정확히 맞아떨어집니다. 묶는 일은 AI에게 맡기고, "그중에서 무엇을 먼저 고칠까"라는 맥락 판단은 사람이 하는 것이죠.
'받는 사람 맞춤'이라는 세 번째 능력도 실무에서 생각보다 크게 작동합니다. 같은 위반 하나를 두고도, 누가 그 리포트를 받느냐에 따라 필요한 말이 다릅니다. 개발 담당자는 "어느 요소의 어떤 값을 바꿔야 하는가"라는 기술적 사실을 원하고, 기관장은 "이걸 안 고치면 어떤 시민이 어떤 불편을 겪는가, 고치면 무엇이 나아지는가"라는 영향과 의미를 원합니다. 같은 측정값을 놓고 한쪽에는 기술 언어로, 다른 쪽에는 영향 언어로 풀어내는 일 — 이걸 사람이 매번 두 벌씩 쓰려면 품이 두 배로 듭니다. AI는 같은 근거를 서로 다른 결로 빠르게 풀어낼 수 있습니다. 쉬운말 모드와 전문가 모드가 바로 이 맞춤을 위한 장치입니다. 다만 여기서도 원칙은 같습니다. 톤과 표현은 받는 사람에 맞춰 바꾸되, 그 아래 깔린 측정값과 규칙 판정은 그대로여야 합니다. 표현이 달라진다고 사실까지 달라지면 안 되니까요. 그래서 맞춤은 '사실을 바꾸는 것'이 아니라 '같은 사실을 다르게 전하는 것'입니다.
본론 4 — AI 권고의 위험과 안전장치
AI 개선 권고에는 분명한 위험이 있습니다. 솔직하게 짚고 가겠습니다. 가장 큰 것은 **'그럴듯한 거짓말(환각)'**입니다.
AI는 그럴듯한 말을 잘 만듭니다. 너무 잘 만들어서, 가끔 사실이 아닌 것도 그럴듯하게 말합니다. "이 버튼의 색을 #0050A0으로 바꾸세요"라고 자신 있게 말하는데, 정작 그 색이 기준을 충족하는지 확인되지 않은 것일 수 있습니다. 그럴듯해서 오히려 더 위험합니다. 받는 사람이 믿고 따랐다가 틀리면, AI 권고 전체에 대한 신뢰가 한 번에 깨집니다. 그래서 환각을 '완전히 없애는 것'보다 '틀렸을 때 바로 잡히게 만드는 것'이 실전에서는 더 현실적인 목표입니다.
그래서 안전장치가 필요합니다. 몇 가지를 짚어보겠습니다.
① 데이터에 근거를 묶습니다. 권고가 "왜 이런 권고인지"를 측정값·규칙 판정과 함께 보여줍니다. "대비 3.2:1(측정값)이라 색 대비 기준(규칙)에 미달이고, #595959로 바꾸면 4.6:1(계산값)이 되어 기준을 넘습니다"처럼요. 근거가 붙어 있으면, 받는 사람이 직접 검산할 수 있고, AI가 멋대로 지어낸 게 아님이 확인됩니다. 근거 없는 권고는 안 믿는 게 오히려 맞습니다.
② 검증 가능한 권고만 냅니다. "이렇게 바꾸면 기준을 넘는다"는, 계산으로 확인되는 권고는 안전합니다. 반면 "이 디자인이 더 예쁠 겁니다" 같은 검증 불가능한 권고는 AI가 함부로 내면 안 됩니다. 사실 기반의 권고와 취향 기반의 의견을 구분하는 것입니다. 전자는 데이터가 뒷받침하고, 후자는 데이터가 뒷받침할 수 없습니다.
③ 사람이 최종 검토합니다. AI 권고는 '초안'이지 '결정'이 아닙니다. 수요일에 본 분업 그대로입니다. 특히 맥락이 중요한 권고("이 폼을 먼저 고쳐라")는 사람이 우리 기관 상황에 맞는지 확인합니다. AI가 정렬하고 풀어 쓴 초안 위에, 사람이 판단을 얹어 완성합니다. 앞서 여러 번 강조한, "AI는 자동으로 고쳐 배포하지 않는다"는 선이 바로 여기서 지켜집니다. AI는 처방 초안까지, 반영 여부의 결정과 실제 반영은 사람의 몫입니다.
![URL 분석 결과에서 미통과 항목에 개선 권고가 붙되, 그 옆에 측정값·위치·관련 규칙이 함께 표시되는 화면. AI 권고 옆에 항상 근거를 붙여, 틀리면 그 자리에서 바로 드러나게 두는 구조 [기존] (기관명·도메인 블러)](https://xbbhievqdmccsexxrdtn.supabase.co/storage/v1/object/sign/covers/content/7dtfmsb0-52119.png?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV8yOWQwYWZmNy1mOWJhLTRkNmUtYmZlZi0yMzg2NTc0ZWUzODQiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJjb3ZlcnMvY29udGVudC83ZHRmbXNiMC01MjExOS5wbmciLCJzY29wZSI6ImRvd25sb2FkIiwiaWF0IjoxNzg2MTkzMTcxLCJleHAiOjIxMDE1NTMxNzF9.-rYVcwAEewOnrQSofFgRVZW5AiqFX135STO_qGOHqYk)
이 안전장치들의 공통점은 **"AI를 믿되, 검증 가능하게 둔다"**는 것입니다. AI가 똑똑하니 다 맡기는 것도 아니고, 못 믿으니 아예 안 쓰는 것도 아닙니다. AI가 잘하는 것(풀어 쓰기, 묶기)은 시키되, 그 결과를 근거와 함께 둬서 검증 가능하게 만드는 것. 그게 AI 개선 권고를 안전하게 쓰는 방법입니다.
여기서 '근거를 묶는' 안전장치가 왜 그렇게 강력한지 한 번 더 짚고 싶습니다. 근거가 붙어 있으면, AI가 환각을 부려도 그 자리에서 들통납니다. 예를 들어 AI가 "이 글자 대비가 2.1:1이라 심각합니다"라고 했는데, 옆에 붙은 측정값이 4.6:1이면 — 어라, 안 맞네, 하고 바로 걸러집니다. 근거가 일종의 '검산기' 역할을 하는 것입니다. 반대로 근거 없이 AI 말만 덩그러니 있으면, 그게 맞는지 틀린지 확인할 길이 없어 그냥 믿거나 그냥 무시하게 됩니다. 그래서 좋은 AI 권고 시스템은 AI를 '더 똑똑하게' 만드는 데만 매달리지 않습니다. 그보다 'AI 말 옆에 항상 측정값과 규칙 판정을 붙여, 틀리면 바로 보이게' 만드는 데 공을 들입니다. 똑똑함을 높이는 것보다 검증 가능성을 높이는 게, 실전에서는 더 믿을 만한 시스템을 만듭니다. AI는 가끔 틀릴 수 있다는 걸 인정하고, 틀렸을 때 바로 잡히게 설계하는 것 — 그게 AI를 실무에 안전하게 쓰는 핵심입니다.
한 가지 더, 이 안전장치가 있기 때문에 오히려 AI를 더 적극적으로 쓸 수 있다는 점을 말씀드리고 싶습니다. 근거가 없으면 사람은 AI를 무서워서 조금밖에 못 씁니다. 틀릴까 봐요. 그런데 근거가 항상 붙어 검산이 되면, 사람은 AI에게 수백 건의 초안을 마음 놓고 맡길 수 있습니다. 어차피 틀린 건 근거 대조에서 걸러지니까요. 그래서 '검증 가능성'은 AI 사용을 제약하는 장치가 아니라, 오히려 AI를 더 넓게 쓰게 해주는 발판입니다. 브레이크가 튼튼한 차가 더 빨리 달릴 수 있는 것과 비슷합니다. 잡아줄 장치가 있으니 안심하고 속도를 낼 수 있는 것이죠.
여기서 '판단 시점'의 도구인 LLM 분석을 잠깐 연결해두고 싶습니다. 오늘 이야기한 개선 권고가 리포트에 붙는 정적인 코멘트라면, LLM 분석은 그 결과를 놓고 사람과 대화하며 답하는 도구입니다. "이 위반은 왜 심각한 건가요?"라고 물으면, 그 답에 "어떤 규칙의 어떤 판정을 근거로 했는지"를 함께 표시해줍니다. 그럴듯하게 말하는 것과 데이터를 근거로 말하는 것의 차이를, 이 '근거 표시'가 가릅니다. 심지어 대화 도중에 필요하면 다시 분석을 돌려 최신 상태로 확인할 수도 있고, 쉬운말 모드와 전문가 모드를 오갈 수도 있습니다. 그런데 이 대화형 도구에서도 오늘의 원칙은 똑같이 적용됩니다. AI의 답은 정확한 측정 데이터 위에서 나와야 하고, 근거와 함께 제시돼야 하며, 최종 판단은 사람이 합니다. 정적 코멘트든 대화형 답변이든, "측정 위에서, 근거와 함께, 사람 검토를 거쳐"라는 골격은 흔들리지 않습니다. 이 LLM 분석의 원리는 8개월차에서 더 깊이 다룹니다.
본론 5 — '정확한 측정 + AI 번역'이 함께 가야 합니다
지금까지를 묶으면, 좋은 AI 개선 권고의 구조가 보입니다. 네 단계가 사슬처럼 이어집니다.
| 단계 | 누가 | 하는 일 | 예시 |
|---|---|---|---|
| ① 정확한 측정 | 점검 엔진 | 화면을 재고 846규칙으로 판정해 수치를 낸다 | "대비 3.2:1, 공통 14곳, DS 대비 기준 위반" |
| ② AI가 풀어 쓰기 | AI 분석 | 딱딱한 측정값을 사람 언어로 옮긴다 | "글자가 흐려 읽기 어렵습니다, 이렇게 고치면 됩니다" |
| ③ 근거를 묶어 검증 가능하게 | 안전장치 | 권고 옆에 측정값·규칙 판정을 항상 붙인다 | "측정값·계산값·관련 규칙 함께 표시" |
| ④ 사람이 최종 검토 | 사람 판단 | 우리 맥락에 맞는지 확인하고 결정한다 | "우리 폼부터, 이건 예외로" |

각 단계가 다 필요합니다. 측정이 정확해야 재료가 좋고, AI가 잘 풀어야 읽히고, 근거가 묶여야 믿을 수 있고, 사람이 검토해야 맥락이 맞습니다. 어느 하나가 빠지면 문제가 생깁니다. 측정 없이 AI만 쓰면 헛소리가 되고, AI 없이 측정만 보여주면 딱딱한 수치 더미로 남고, 근거 없이 AI 권고만 던지면 불신이 쌓이고, 사람 검토 없이 자동으로만 돌리면 우리 맥락에 안 맞는 권고가 됩니다. 네 단계가 서로의 약점을 메우면서 하나의 사슬을 이룹니다.
그래서 AI 개선 권고는 "AI가 다 한다"도 아니고 "AI는 못 믿는다"도 아닙니다. 정확한 측정과 AI 번역과 사람 판단이 함께 가는 협업입니다. 이 셋이 제대로 맞물릴 때, "대비를 고치세요" 같은 빈 명령이 "이 색을 이렇게 바꾸면 14곳이 해결됩니다, 약 30분, 우리 핵심 페이지이니 먼저"라는 진짜 처방으로 바뀝니다. 빈 명령과 진짜 처방 사이의 거리를, 이 네 단계가 메우는 셈입니다.
들어가며에서 말씀드린 두 오해 — "AI가 다 해주겠지"와 "AI는 헛소리야" — 가 왜 둘 다 틀렸는지가 이제 분명해집니다. 전자는 측정과 사람 판단을 빼고 AI만 믿는 것이고, 후자는 측정과 안전장치를 붙인 AI마저 거부하는 것입니다. 진실은 가운데 있습니다. AI는 정확한 측정 위에서, 검증 가능한 형태로, 사람 검토를 거쳐 쓰면 매우 유용합니다. 측정 없이 혼자 쓰면 위험하고, 안전장치를 갖춰 쓰면 든든합니다. 그러니 질문은 "AI를 쓰느냐 마느냐"가 아니라 **"AI를 어떤 구조 안에서 쓰느냐"**입니다. 구조가 맞으면 AI는 수백 건의 처방을 빠르게 풀어 쓰는 든든한 조수가 되고, 구조가 없으면 그럴듯한 말만 하는 위험한 점쟁이가 됩니다. 같은 AI인데 구조가 결과를 가릅니다.
이 '구조'라는 말을 조금 더 구체적으로 풀어보겠습니다. 구조가 있다는 건, AI 앞뒤로 사람과 기계가 각자 자리를 지키고 있다는 뜻입니다. AI 앞에는 정확히 측정하는 점검 엔진이 있어 좋은 재료를 대주고, AI 뒤에는 근거를 대조하는 안전장치와 맥락을 판단하는 사람이 있어 결과를 검증합니다. AI는 그 사이에서 '번역'이라는 자기 일에만 집중합니다. 이렇게 앞뒤가 받쳐주니, AI가 가끔 실수해도 시스템 전체는 흔들리지 않습니다. 반대로 구조가 없다는 건, AI를 홀로 세워두고 "네가 알아서 다 해"라고 맡기는 것입니다. 앞에서 좋은 재료를 대주는 이도 없고, 뒤에서 검증하는 이도 없으니, AI가 한 번 헛디디면 그대로 결과가 됩니다. 좋은 도구를 잘 쓰는 것과 잘못 쓰는 것의 차이가 여기서 갈립니다. 도구 자체보다, 그 도구를 어떤 구조 안에 놓느냐가 결과의 신뢰도를 정합니다.
이 네 단계 사슬을 반대로 뒤집어 보면, 흔히 보이는 리포트의 문제들이 어느 고리가 끊겨서 생기는지도 보입니다. "개선안이 다 뻔한 일반론이더라"는 불만은 대개 ①번 측정 고리가 약한 경우입니다. 이 사이트의 실제 측정값이 아니라 어느 사이트에나 할 법한 조언이 나오는 것이죠. "숫자만 잔뜩 있고 무슨 뜻인지 모르겠다"는 불만은 ②번 번역 고리가 없는 경우입니다. "AI가 자신 있게 말하는데 못 믿겠다"는 불만은 ③번 근거 고리가 빠진 경우입니다. "권고대로 했더니 우리 상황엔 안 맞더라"는 불만은 ④번 사람 검토 고리를 건너뛴 경우입니다. 이렇게 보면, 좋은 개선 권고를 만드는 일은 새로운 마법을 찾는 게 아니라 이 네 고리를 하나도 빠뜨리지 않고 잇는 일에 가깝습니다. 화려한 기능 하나를 더하는 것보다, 이 네 고리를 성실하게 연결하는 게 실전에서는 훨씬 큰 차이를 만듭니다.
본론 6 — 사람과 AI, 각자의 자리
마지막으로, 이번 주 내내 본 '분업'을 AI 개선 권고에 맞춰 한 번 더 정리하겠습니다.
AI 분석이 잘하는 것:
- 정확한 측정값을 사람 언어로 풀어 쓰기
- 흩어진 항목을 의미 있게 묶기
- 받는 사람에 맞춰 다른 톤으로 번역하기
- 수백 건의 권고 초안을 빠르게 만들기
AI가 하면 안 되는 것:
- 측정 없이 권고를 상상하기(환각)
- 검증 불가능한 취향을 사실처럼 말하기
- 맥락 판단을 최종 결정하기
- 사람 검토 없이 곧바로 고쳐 반영하기
사람이 잘하는 것:
- "우리 상황엔 이게 먼저"라는 맥락 우선순위 정하기
- 이유 있는 예외 가려내기
- AI 권고가 우리 사이트에 맞는지 최종 검토하기
- 정말 중요한 결정(예산·인력 배분) 내리기
이걸 나란히 놓고 보면 한 가지가 분명해집니다. AI가 하면 안 되는 것과 사람이 잘하는 것이 거의 정확히 맞물린다는 점입니다. AI가 못 하는 '맥락 판단·최종 결정'이 바로 사람이 잘하는 영역이고, 사람이 일일이 하기 벅찬 '풀어 쓰기·묶기·수백 건 초안'이 바로 AI가 잘하는 영역입니다. 서로의 빈자리를 정확히 메우는 모양입니다. 그래서 이 둘은 경쟁이 아니라 보완입니다. AI가 사람의 일을 빼앗는 게 아니라, 사람이 하기 힘든 부분을 맡아 사람을 자유롭게 합니다. 잘 설계된 협업은 늘 이렇게 생겼습니다. 각자 잘하는 걸 하고, 못 하는 건 상대에게 맡깁니다.
이렇게 나누면, AI는 사람을 대체하지 않습니다. 사람이 일일이 못 쓰는 수백 건의 처방 초안을 AI가 빠르게 만들어주고, 사람은 그 위에서 맥락과 판단에 집중합니다. 측정은 엔진이, 번역은 AI가, 결정은 사람이. 셋이 각자 자리에서 일합니다. 이 그림에서 사람의 자리는 오히려 더 중요해집니다. 잡일에서 풀려난 사람은 '무엇이 우리에게 정말 중요한가'라는, 기계도 AI도 대신할 수 없는 판단에 시간을 쓸 수 있으니까요.
돌아보면 '측정은 기계, 판단은 사람'이라는 이번 달의 후렴이 단계마다 모습을 조금씩 바꿔 나타났습니다. 첫째 주엔 "846개를 같은 자로 재는 건 기계, 시민에게 친절한지는 사람", 둘째 주엔 "가중평균 계산은 기계, 무게를 어떻게 둘지는 사람", 셋째 주엔 "색값·대비 측정은 기계, 멋과 의미는 사람", 그리고 오늘은 "처방을 풀어 쓰는 건 AI, 맥락과 최종 결정은 사람". 영역과 단계가 달라도 골격은 같습니다. 정확하고 반복적인 일은 기계·AI에, 맥락과 가치 판단은 사람에. 이 분업이 흔들리지 않는 한, 자동화는 사람을 대체하는 게 아니라 사람이 더 사람다운 일에 집중하게 돕는 도구로 남습니다. 이번 달 내내 이 한 가지를 여러 각도에서 본 셈입니다.
이 후렴이 왜 이렇게 반복되는지, 마지막으로 한 번 더 짚겠습니다. 자동화 도구를 이야기할 때 사람들이 가장 걱정하는 게 "그럼 사람은 뭘 하나"입니다. 그런데 오늘 본 분업을 보면, 자동화가 깊어질수록 사람이 할 일이 없어지는 게 아니라 사람이 할 '진짜 일'만 남습니다. 측정과 번역과 묶기 같은 반복 작업이 기계와 AI로 넘어가면, 사람 손에는 "우리 기관에 무엇이 먼저인가", "이 예외는 인정할 만한가", "이 예산을 어디에 쓸까" 같은 판단만 남습니다. 이건 줄어든 게 아니라 오히려 밀도가 높아진 것입니다. 자동화는 사람의 일을 없애는 게 아니라, 사람이 판단에만 집중할 수 있게 잡일을 걷어가는 것에 가깝습니다. 그래서 이 분업이 제대로 설계되면, 사람과 기계 둘 다 각자 가장 잘하는 일을 하게 됩니다.
그래서 "AI가 자동으로 다 고쳐준다"는 말에 조금은 조심스러워질 필요가 있습니다. 오늘 본 것처럼 개선 권고는 제시·예시까지이고, 무엇을 실제로 반영할지는 사람이 정하는 것이 맞습니다. 만약 어떤 도구가 "AI가 알아서 코드를 고쳐 배포까지 해준다"고 한다면, 그 편리함의 이면에 "그 수정이 우리 맥락에 맞는지 누가 확인했나"라는 질문이 남습니다. 맥락 판단과 최종 결정은 사람만 할 수 있는 일이고, 그 자리를 비워두면 나중에 더 큰 비용으로 돌아오기 쉽습니다. ViewCheck가 개선 권고를 '제시'까지로 선을 긋는 이유가 여기 있습니다. 사람이 반드시 있어야 할 자리를 지켜두는 것 — 그게 자동화를 오래, 그리고 안전하게 쓰는 방법입니다. 편리함을 위해 사람의 판단을 건너뛰는 게 아니라, 사람의 판단을 더 잘하도록 돕는 데 자동화를 쓰는 것이죠.
그래서 ViewCheck는
ViewCheck가 미통과 항목에 개선 방향과 코멘트를 붙이는 것도 바로 이 구조입니다. 점검 엔진이 정확히 측정하고(846규칙·디자인 스타일), 그 측정값과 규칙 판정을 근거로 개선 권고를 풀어 쓰고, 권고에 근거(위치·수치·관련 규칙)를 묶어 검증 가능하게 둡니다. 미통과마다 "어디가, 무엇이, 어떻게"를 측정값과 함께 붙여, AI가 풀어 쓴 권고가 상상이 아니라 측정 위에서 나왔음을 그 자리에서 확인할 수 있게 합니다. 다시 한번 분명히 하면, ViewCheck의 AI 개선 권고는 "이렇게 고치면 됩니다"라는 제시·예시까지입니다. 실제로 고칠지, 어떻게 반영할지는 사람이 결정합니다. 자동으로 코드를 바꿔 배포하는 게 아닙니다.
그 위에서 사람은 "우리 폼부터, 이건 예외로"라는 맥락을 얹어 완성합니다. 측정은 엔진이, 번역은 AI가, 결정은 사람이. 핵심은 'AI의 똑똑함'이 아니라 **'정확한 데이터 위에서 AI가 일하게 하는 것'**입니다. 이 원리는 URL 분석에만 머무르지 않습니다. 설계 시점에 디자인 파일을 KRDS 공식 기준과 대조하는 Figma 분석에서도, 그 대조 결과를 놓고 대화하는 판단 시점의 LLM 분석에서도, 결국 같은 골격이 반복됩니다. 정확히 재고, 근거와 함께 풀어 쓰고, 최종 판단은 사람이 하는 것. 개선 권고는 이 골격이 '무엇을 어떻게 고칠까'라는 물음 앞에서 드러난 한 장면일 뿐입니다. 그리고 그 권고가 어떤 규칙의 어떤 판정에서 나왔는지를 늘 함께 보여준다는 것, 그래서 받는 사람이 "왜 이렇게 고치라는지"를 근거까지 되짚을 수 있다는 것 — 이 두 가지가 ViewCheck가 개선 권고를 다루는 방식의 뼈대입니다. krds.viewcheck.co.kr에서 직접 URL을 넣어 미통과 항목의 개선 권고와 그 옆에 붙은 근거를 함께 보시면, 오늘 이야기한 구조가 화면에서 어떻게 작동하는지 가장 빠르게 확인하실 수 있습니다.
🔐 특허로 지키는 부분
ViewCheck가 이렇게 '점검 결과(정확한 측정값)에 AI 개선 권고를 결합하고, 권고에 근거를 묶어 검증 가능하게 두는' 방식은 ViewCheck가 출원한 5건의 특허 가운데 하나인 시각 요소 분석과 맞닿아 있습니다. 측정한 사실을 근거로 AI가 개선 권고를 풀어 쓰고, 그 권고에 측정값·위치·규칙 판정을 묶어 검증 가능한 처방으로 만드는 흐름이 보호 대상입니다. 결과에 처방을 붙이는 것 자체는 누구나 할 수 있지만, 그 처방을 측정 위에 세우고 근거로 검산 가능하게 두는 절차를 권리로 정리해 둔 데 차별점이 있습니다.
다만 솔직하게 짚어둘 게 있습니다. 특허는 그 '방법과 절차'를 보호하는 장치이지, AI 권고가 항상 완벽하다는 품질 보증서가 아닙니다. 그리고 이 5건은 모두 등록이 아니라 출원입니다. 출원 중이라는 건 심사를 받고 있다는 뜻이지 등록이 완료됐다는 뜻이 아닙니다. AI가 풀어 쓴 권고는 어디까지나 '초안'이고, "우리 기관엔 이게 먼저"라는 맥락 판단과 최종 검토, 그리고 실제 반영 여부는 결국 사람이 얹어야 완성됩니다.
(특허 출원 기술 / 자체 개발)
마무리
오늘은 AI 개선 권고가 만들어지는 원리를 봤습니다. 한 줄씩 정리하면 이렇습니다.
- "대비를 고치세요" 같은 빈 명령으로는 부족합니다. 현재 값·기준·해결책·영향·노력이 담긴 구체적 처방이 필요합니다.
- AI는 무에서 권고를 만들지 않습니다. 만들면 헛소리가 됩니다. 정확한 측정 데이터를 받아 사람 언어로 풀어냅니다. 재료(데이터)가 먼저이고, AI는 번역입니다.
- AI가 더하는 것: 사람 언어로 풀기, 맥락 묶기, 받는 사람 맞춤. 새 사실이 아니라 전달을 잘하는 것입니다.
- 위험(환각)에 대한 안전장치: 근거 묶기, 검증 가능한 권고만 내기, 사람 최종 검토. 그리고 AI는 제시·예시까지이지 자동 수정·배포가 아닙니다.
- 좋은 권고 = 정확한 측정 + AI 번역 + 근거 + 사람 판단. 넷이 함께 가야 합니다.
이걸로 3개월차 넷째 주가 끝났습니다. 이번 주를 한 줄로 묶으면 — "숫자는 그림으로 보여주고(월), 화려함보다 행동을 목표로 하며(수), 개선 권고는 정확한 데이터 위에서 AI가 풀어 쓴다(금)."
다음 주는 3개월차 마지막으로, 이 모든 것을 '임원 보고'로 정리합니다. 준수율을 의사결정의 언어로 옮기는 이야기입니다. 오늘 본 '받는 사람 맞춤 번역'이 거기서 본격적으로 다뤄집니다. 실무자가 아니라 결정권자에게, 무엇을 어떻게 전해야 의사결정으로 이어지는가. 측정에서 시작한 긴 여정이 결국 '결정'으로 닿는 마지막 단계입니다.
오늘 딱 하나만 가져가신다면 이 문장이면 좋겠습니다. 좋은 AI 개선 권고는 'AI가 얼마나 똑똑한가'가 아니라 '정확한 측정 위에서, 근거와 함께, 사람 검토를 거쳐 쓰이는가'로 결정됩니다. 그 구조만 갖춰지면, AI는 수백 건의 처방을 빠르게 풀어 쓰는 든든한 조수가 됩니다. 그리고 그 마지막 결정의 자리에는, 자동화가 아무리 깊어져도 언제나 사람이 있습니다. 그 자리를 지키는 것이 결국 좋은 점검과 좋은 개선의 출발점입니다.
이번 주도 끝까지 함께해주셔서 고맙습니다. 다음 주에 뵙겠습니다.
krds.viewcheck.co.kr
관련 글
위반에도 급이 있다 — 같은 '미통과'라도 심각함은 하늘과 땅 차이입니다
지난달(3개월차) 마지막 무렵에 임원 보고 이야기를 하면서, 우선순위 4분면을 잠깐 봤습니다. '영향'과 '효율' 두 축으로 "무엇부터 고칠까"를 정한다는 이야기였죠. 이번 달은 그중 '영향' 축을 본격적으로 깊이 파고듭니다. 이번 달부터 시작되는 새 챕터입니다. 지난 세 달이 "무엇을 어떻게 보는가(방법·규칙·준수율)"
임원 보고, 이렇게 구성합니다 — 섹션 구성과 우선순위 제시법
이번 주 세 번째 글이자, 3개월차의 마지막 글입니다. 이번 주 월요일엔 "준수율을 의사결정의 언어로 옮기는 일"을, 수요일엔 "분석 결과를 날것 그대로 들고 갔다가 회의가 막히는 이유"를 함께 봤습니다. 오늘은 그 둘을 실제 보고서 한 장으로 조립하는, 가장 실무적인 이야기입니다. 임원 보고를 어떤 섹션으로 짜고, 그
"실무용을 그대로 보고?" — 날것의 함정, 그리고 층으로 차리는 법
지난 월요일에 준수율을 의사결정의 언어로 옮기는 임원 보고 이야기를 드렸습니다. 오늘은 그걸 거꾸로 뒤집어 보려 합니다. 번역 없이 실무용 리포트를 그대로 임원에게 들고 갔을 때, 회의실에서 무슨 일이 벌어지는지를요. 이런 장면, 한 번쯤 보셨거나 직접 겪으셨을 겁니다. 실무자가 점검 결과를 정말 열심히 분석했습니다. 8

댓글 0
댓글을 불러오는 중…