AI 지시서 라이브러리 구축 가이드: 직무별 템플릿과 조직 적용 5단계
같은 팀 세 사람이 같은 보고서를 각자 다른 지시문으로 만든다.
한 명은 결과가 좋고, 한 명은 세 번 고쳐 쓰고, 한 명은 결국 손으로 씁니다. 잘 쓰는 사람의 지시문은 그 사람 대화창 안에만 남아 있고요. 팀장은 “그거 좀 공유해주세요”라고 말하지만, 공유받은 쪽은 그걸 어디에 둬야 할지 모릅니다. 이 지점에서 조직이 찾기 시작하는 게 AI 지시서 라이브러리입니다.
처음부터 끝까지 읽을 필요는 없습니다. 직무별 템플릿 구조와 구축 체크리스트만 먼저 가져가고 싶다면 바로 쓸 수 있는 AI 업무 지시서 자료부터 확인하셔도 됩니다.
핵심 요약
- AI 지시서 라이브러리는 검증된 프롬프트를 직무·업무 단위로 분류해 누구나 재사용하는 조직 공용 자산
- YouMind·AWS·Microsoft·Salesforce 라이브러리는 출발점일 뿐, 자사 맥락에 맞춘 변수화 작업이 필수
- P.C.R.O 같은 프레임워크로 형식을 통일했을 때 얻는 품질 편차 축소와 온보딩 속도 단축
- 설계-수집-검증-배포-관리 5단계와 보안·버전관리 거버넌스의 동시 설계
AI 지시서 라이브러리를 찾는 조직은 대개 비슷한 단계에 와 있습니다. 개인은 이미 AI를 쓰고 있는데, 그 결과물이 조직에 쌓이지 않는 단계죠. 한 사업부에서 스물네 명에게 사전 설문을 돌린 적이 있습니다. 전원이 AI를 쓰고 있었지만, 자기 작업 절차를 남이 링크 하나로 받아 쓸 수 있게 가진 사람은 0명이었습니다.
그래서 먼저 정리할 것은 용어입니다. 프롬프트는 한 번의 요청이고, 지시서는 업무 절차를 AI가 읽을 수 있게 옮긴 문서입니다. 단순한 프롬프트 모음과 라이브러리가 갈리는 지점이 바로 여기고요.
이 글은 세 가지를 다룹니다. 지시서와 프롬프트의 구분, 직무별로 바로 복사해 쓰는 템플릿 구조, 그리고 자사 라이브러리를 만드는 5단계 로드맵입니다. 벤더 라이브러리(AWS·Microsoft·Salesforce)와 범용 라이브러리를 실제로 비교해 보고, 조직의 AI 활용 성숙도 진단 데이터에서 자산화 점수가 왜 유독 낮게 나오는지도 함께 짚습니다.
남의 라이브러리를 복사하는 순간, 우리 조직의 라이브러리 설계가 시작됩니다. 복사가 끝이 아니라 시작인 이유를 먼저 보겠습니다.
AI 지시서 라이브러리란 무엇이고, ‘프롬프트’와는 뭐가 다른가요?
검색창에는 ‘지시서’라고 썼는데, 나오는 글은 전부 ‘프롬프트’입니다. 잘못 찾은 게 아닙니다.
지시서와 프롬프트, 왜 용어가 갈리나요?
프롬프트는 AI에게 던지는 한 번의 입력입니다. 지시서는 목적·맥락·출력 형식·제약 조건을 갖춘, 다시 꺼내 쓸 수 있는 업무 문서입니다.
둘은 같은 것의 다른 단계예요. 한 번 잘 통한 AI 프롬프트에 “누가, 어떤 상황에서, 무엇을 받아야 하는지”를 붙이면 그때부터 지시서가 됩니다.
국내 기업에서 ‘지시서’라는 말이 자연스럽게 쓰이는 이유는 표준 운영 절차(SOP) 문화 때문입니다. 업무 지시서는 이미 결재·공유·개정의 대상이었고, 생성형 AI 시대에 그 자리에 들어온 게 AI 지시서입니다. 그래서 프롬프트 엔지니어링을 “기술”이 아니라 “문서 표준화”로 받아들이는 조직이 정착이 빠릅니다. 이 흐름 전체는 AI 업무 활용 전반을 다룬 가이드에서 단계별로 정리해 두었습니다.
‘모음집’이 아니라 ‘라이브러리’인 이유
잘 되는 프롬프트를 메모장에 쌓아둔 건 모음집입니다. 라이브러리는 분류 체계, 검증 이력, 버전, 접근 권한이 붙은 조직 자산이고요.
개인 즐겨찾기와 팀 단위 프롬프트 라이브러리의 결정적 차이는 재현성입니다. 내가 아닌 사람이 같은 품질의 결과를 뽑을 수 있어야 자산입니다.
한 사업부에서 스물여덟 명과 두 시간 실습을 했고, 시작 전 설문에 스물네 명이 답했습니다. 전원이 AI를 쓰고 있었는데, 자기 작업 절차를 남이 링크 하나로 받아 쓸 수 있는 형태로 가진 사람은 0명이었습니다.
지시서 라이브러리를 만들면 실제로 뭐가 달라지나요?
“그거 만들 시간에 그냥 일하는 게 빠르지 않나요.” 품의서를 올리기 전에 가장 먼저 듣는 반문입니다.
달라지는 첫 번째는 편차입니다. 같은 보고서 요약을 A는 3분에 끝내고 B는 40분을 쓰는데, 원인은 역량이 아니라 지시문의 구조였던 경우가 많습니다.
절감 효과는 과장할 필요가 없습니다. 반복 업무 하나를 골라 (기존 소요시간 − 지시서 적용 후 소요시간) × 월 처리 건수 × 담당 인원으로 계산하면 됩니다. 주 2회 회의록 정리가 30분에서 10분으로 줄면 한 사람당 월 160분, 그 한 줄이 품의서에 들어갈 숫자입니다.
온보딩에서도 체감이 큽니다. 신규 입사자와 비개발 직군이 “뭐라고 물어봐야 하는지”를 묻는 시간이 사라지니 AI 워크플로 진입이 빨라집니다.
측정 지표는 넷까지 갈 필요 없이 둘이나 셋이면 충분합니다. 지시서별 재사용 횟수, 수정 없이 통과한 결과물 비율, 업무 소요시간 변화. 숫자로 보고하는 방식은 사내 AI 교육 성과 측정법에 지표 설계까지 정리돼 있습니다.
생산성이 안 오르는 게 아닙니다. 오른 생산성이 사람 머릿속에만 있어서 조직 지표에 안 잡히는 겁니다.
지시서는 어떤 기준으로 분류해야 찾기 쉬워지나요?
라이브러리가 망하는 지점은 수집이 아니라 검색입니다. 300건을 모아두고도 아무도 못 찾으면 모음집으로 되돌아갑니다.
직무·역할별 분류 (HR, 마케팅, 영업, 기획, CS, 개발)
1차 축은 직무로 잡습니다. Amazon Quick의 AI 프롬프트 라이브러리가 역할 기반으로 먼저 갈라지는 것도 같은 이유입니다.
사내에 적용할 때는 조직도를 그대로 복사하지 않는 편이 낫습니다. 실제로 산출물을 만드는 단위, 즉 팀이 아니라 직무로 끊어야 중복이 줄어듭니다.
업무 유형·산출물·모델별 교차 분류
| 축 | 분류 기준 | 태그 예시 | 참고한 외부 구조 |
|---|---|---|---|
| 1차 | 직무·역할 | HR / 마케팅 / 영업 / 기획 / CS / 개발 | AWS Amazon Quick 역할별 탐색 |
| 2차 | 산출물 | 요약 / 초안 / 분석 / 번역 / 이미지 | YouMind 미디어별 탐색 |
| 3차 | 모델 | Claude Opus 5.5 / GPT Image 2.5 / Nano Banana Pro / Seedance 2.5 | 모델별 필터 |
| 보조 | 검증 상태 | 검토 전 / 사내 승인 / 개정 예정 | Microsoft Copilot Studio 배포 단위 |
태그는 한 건당 7개를 넘기지 않는 게 실무 규칙입니다. 그 이상 붙는 순간 모든 검색어에 모든 지시서가 걸려 분류가 무너집니다. 배포 단위로 묶는 방식은 Copilot Studio의 프롬프트 라이브러리 문서가 참고할 만합니다.
마지막 디테일 하나. 검색 키워드 필드에 동의어를 미리 넣어두면 프롬프트 공유가 훨씬 수월해집니다. 보고서=리포트, 회의록=미팅노트처럼요.
분류 설계가 막히는 건 대개 조직의 자산화 수준이 낮아서입니다. 지금 위치가 애매하다면 AI 활용 성숙도 5단계를 먼저 재어보는 편이 순서상 빠릅니다.
좋은 지시서는 어떤 틀로 써야 하나요? (P.C.R.O 프레임워크)
지시서를 쓰라고 하면 대부분 커서만 깜빡입니다. 내용을 몰라서가 아니라 틀이 없어서입니다.
틀이 생기면 작성 시간보다 편차가 먼저 줄어듭니다. 누가 써도 비슷한 모양이 나오니까요.
P.C.R.O 구성요소 뜯어보기
P.C.R.O는 Persona(역할)·Context(맥락)·Request(요청)·Output(출력 형식)의 네 블록입니다. 프롬프트 엔지니어링에서 가장 적은 규칙으로 가장 많은 품질을 확보하는 조합입니다.
[P] 당신은 [업종] 기업의 HRD 담당 10년 차입니다.
[C] 대상은 [대상부서] 실무자 [인원]명, 사전 AI 사용 경험은 개인 단위에 머물러 있습니다.
[R] 교육 니즈 분석 설문 문항 12개를 만들어 주세요. 현재 업무 병목을 드러내는 질문을 절반 이상 포함합니다.
[O] 표로 출력. 칼럼은 문항·측정 목적·응답 형식. 분량은 [분량] 이내.
여기에 제약조건과 예시(few-shot)를 더하면 다섯 블록 템플릿이 됩니다. 금칙어, 톤, 참고할 기존 문서 한 건을 붙이는 자리입니다.
변수는 대괄호로 통일하는 편이 낫습니다. [회사명]·[대상고객]·[분량]처럼 표기 규칙이 하나면 다른 사람이 10초 만에 채워 넣습니다. 재사용률은 내용보다 이 사소한 규칙에서 갈립니다.
다른 프레임워크와 비교해 언제 무엇을 쓸까
| 프레임워크 | 구성 | 적합 업무 | 난이도 |
|---|---|---|---|
| RTF | 역할·과업·형식 | 단발성 초안, 요약, 번역 | 낮음 |
| P.C.R.O | 역할·맥락·요청·출력 | 반복 업무 지시서 표준화 | 중간 |
| CO-STAR 계열 | 맥락·목표·톤·대상·응답 | 대외 커뮤니케이션, 캠페인 카피 | 높음 |
Salesforce가 공개한 생성형 AI 프롬프트 가이드처럼 벤더 문서도 대개 이 네다섯 블록 안에서 변형됩니다. 새 약어를 외우기보다 하나를 골라 조직 안에서 고정하는 편이 프롬프트 최적화에 유리합니다.
다만 멀티턴 대화형 업무는 단일 지시서로 덮이지 않습니다. 기획 회의 시뮬레이션이나 데이터 해석은 두세 번째 질문에서 품질이 결정되거든요.
한 제약사 사업부에서는 이미 후속 질문이 이어지도록 설계한 프롬프트 지침서를 부서 안에서 공유해 쓰고 있었습니다. 첫 지시서 아래 ‘후속 질문 세트’를 같은 카드에 묶어 저장하는 방식이었죠. 지시서 하나가 아니라 대화 흐름 하나가 자산이라는 관점입니다. 더 넓은 적용 범위는 AI 업무 활용 가이드에서 직무별로 정리해 두었습니다.
바로 복사해서 쓰는 직무별 지시서 템플릿 체크리스트
“예시만 좀 주세요.” 교육장에서 가장 많이 듣는 말입니다.
아래는 그대로 복사해 변수만 바꾸면 돌아가는 프롬프트 템플릿 목록입니다. 각 항목에 변수 / 기대 산출물 / 추천 모델을 붙였습니다.
HRD·교육 담당자용 지시서
- 교육 니즈 분석 설문 생성 — 변수: [대상부서][인원][교육주제] / 산출물: 문항 12개 표 / 추천: 장문 추론형 모델
- 과정 설계안 초안 — 변수: [시간][수준][산출물] / 산출물: 모듈별 타임테이블 / 추천: 범용 대화형 모델
- 강의 평가 결과 요약 — 변수: [응답수][척도][자유응답] / 산출물: 강점·보완점 각 4줄 / 추천: 장문 입력에 강한 모델
- 사내 공지문 작성 — 변수: [대상][일정][신청링크] / 산출물: 메일 본문 300자 / 추천: 범용 대화형 모델
마케팅·영업·기획·CS용 지시서
- 콘텐츠 기획안 — 변수: [대상고객][채널][목표지표] / 산출물: 주제 10개와 각 한 줄 근거 / 추천: 범용 대화형 모델
- SNS 카피 A/B안 — 변수: [제품][핵심편익][금칙어] / 산출물: 2안 × 3버전 / 추천: 카피 톤 조절이 좋은 모델
- 경쟁사 메시지 비교 분석 — 변수: [경쟁사3곳][수집문구] / 산출물: 포지셔닝 비교표 / 추천: 장문 추론형 모델
- 제안서 요약 — 변수: [원문][읽는사람][분량] / 산출물: 1페이지 요약 / 추천: 장문 추론형 모델
- 고객 이메일 응대 톤 조정 — 변수: [원문초안][관계단계][금칙어] / 산출물: 정중·간결 2안 / 추천: 범용 대화형 모델
- 민원 유형 분류 — 변수: [민원목록][분류기준] / 산출물: 유형 태그와 긴급도 / 추천: 구조화 출력에 강한 모델
- 회의록 액션아이템 추출 — 변수: [녹취문][참석자] / 산출물: 담당자·기한 표 / 추천: 장문 입력형 모델
- 보고서 1페이지 요약 — 변수: [원문][보고대상][결론선호] / 산출물: 결론 먼저 구조 / 추천: 장문 추론형 모델
- 데이터 해석 코멘트 — 변수: [지표][기간][비교군] / 산출물: 해석 3줄과 가설 2개 / 추천: 분석형 모델
이 묶음을 프롬프트 팩처럼 그대로 쓰면 절반은 겉돕니다. 조직 용어·보고 톤·금칙어를 반영해 한 번은 손으로 고쳐야 AI 워크플로에 붙습니다.
한 IT 기업 마케팅팀은 잘 쓰는 직원과 못 쓰는 직원의 간극이 벌어지면서 조직 안에 위화감이 생겼다고 했습니다. 요청은 개인기 향상이 아니라 팀의 표준이었습니다. 업무 지시서 라이브러리는 그 표준을 종이로 만드는 일입니다. 교육 설계 쪽 맥락은 사내 AI 교육 실행법에 단계별로 정리돼 있습니다.
벤더 라이브러리와 범용 라이브러리, 우리 회사엔 어떤 게 맞나요?
“외부 라이브러리 가져다 쓰면 안 되나요?” 됩니다. 다만 두 종류의 성격이 완전히 다릅니다.
벤더 종속형은 플랫폼에 붙어 있습니다. AWS의 Amazon Quick AI Prompt Library, Microsoft Copilot Studio 프롬프트 라이브러리가 대표적이고, 후자는 Power Apps·Power Automate·Dataverse와 연결돼 업무 흐름에 바로 꽂힙니다. Salesforce는 Agentforce 안에서 고객 데이터와 묶어 운용합니다.
범용형은 수량과 속도가 강점입니다. YouMind 같은 공개 라이브러리는 무료로 매일 갱신되지만, 품질 편차와 조직 맥락 부재는 그대로 남습니다.
| 비교 축 | 벤더 종속형 | 범용 공개형 |
|---|---|---|
| 도입 비용 | 구독에 포함되나 상위 플랜 필요 | 대부분 무료 |
| 시스템 연동 | 워크플로 자동화까지 연결 | 수동 복사·붙여넣기 |
| 커스터마이즈 | 플랫폼 범위 내 | 자유 |
| 보안 통제 | 테넌트·권한 관리 가능 | 자체 저장소에서 별도 관리 |
| 유지보수 주체 | 벤더 | 우리 조직 |
모델별 차이도 선택에 들어갑니다. GPT Image 2.5와 Nano Banana Pro는 이미지 묘사어와 비율 지정에, Claude Opus 5.5는 장문 맥락과 근거 추론에, Seedance 2.5는 장면 전환과 카메라 지시에 반응합니다. 같은 지시서가 다르게 작동하는 이유는 모델마다 해석하는 ‘지시 단위’가 다르기 때문입니다.
이미 쓰는 업무 플랫폼이 명확하다면 벤더형이 빠릅니다. 여러 모델을 혼용한다면 범용형에서 아이디어를 얻고 저장은 자체 저장소에 하는 쪽이 안전합니다. 규제 산업이라면 규제산업 AI 도입 기준을 먼저 확인한 뒤 결정하는 순서가 맞고, 도구 선정 전 조직 상태가 궁금하다면 AI 활용 성숙도 진단이 그 역할을 대신합니다.
우리 조직 지시서 라이브러리, 어떻게 5단계로 구축하나요?
어디서부터 손대야 하냐는 질문을 가장 많이 받습니다. 순서가 정해지면 생각보다 단순한 일입니다.
아래 다섯 단계는 한 번에 다 하는 게 아니라, 1~3단계를 한 분기에 끝내고 4~5단계를 운영으로 넘기는 구조입니다.
1~3단계: 설계·수집·검증
- 설계 — 팀이 반복하는 업무 중 상위 10개를 먼저 고릅니다. 분류 체계(직무·산출물·모델)와 템플릿 양식을 여기서 못 박아야 뒤가 흔들리지 않습니다.
- 수집 — 사내 공모와 인터뷰로 실사용 지시서를 모읍니다. AI를 잘 쓰는 직원 서너 명의 대화창에 이미 라이브러리의 절반이 들어 있습니다.
- 검증 — 같은 입력으로 3회 돌려 재현되는지 봅니다. 정확성·형식 준수·수정 소요 세 기준으로 A/B/C 등급을 붙이면, 공유할 것과 버릴 것이 갈립니다.
한 사업부에서 스물여덟 명과 두 시간 실습을 한 적이 있습니다. 사전 설문에 답한 스물네 명 전원이 AI를 쓰고 있었는데, 자기 작업 절차를 남이 링크 하나로 받아 쓸 수 있는 형태로 가진 사람은 0명이었습니다.
수집 단계가 어려운 이유가 여기 있습니다. 없는 걸 만드는 게 아니라, 흩어진 걸 꺼내게 만드는 일입니다.
4~5단계: 배포·운영과 거버넌스
- 배포 — Notion·Confluence·사내 포털 중 하나로 접근 경로를 단일화합니다. 신규 입사자 온보딩과 사내 AI 교육 커리큘럼에 라이브러리 사용법을 붙여두면 조회수가 달라집니다. Microsoft Copilot Studio의 프롬프트 라이브러리 문서가 권한·공유 구조를 설계할 때 참고가 됩니다.
- 관리 — 분기마다 점검하고, 수정할 때는 변경 이력을 남기는 프롬프트 버전 관리 규칙을 둡니다. 사용 로그가 0인 지시서는 폐기, 재사용이 몰리는 지시서는 표준으로 승격합니다.
보안은 설계 단계부터 같이 가야 합니다. 개인정보·고객사명·미공개 재무정보는 금칙어로 못 박고, 외부 공개 산출물용 지시서에는 승인자를 지정합니다. 규제 산업이라면 규제산업 AI 도입 기준을 먼저 맞춘 뒤 프롬프트 라이브러리 구축에 들어가는 편이 안전합니다.
조직 AI 도입 수준에 따라 시작점이 달라집니다. 지금 몇 단계인지 모르겠다면 AI 활용 성숙도 진단으로 자산화·거버넌스 점수를 먼저 확인하는 쪽을 권합니다.
지시서 라이브러리만 갖추면 AI 활용이 끝나는 걸까요?
라이브러리를 열심히 만들고 나면 다 됐다는 기분이 듭니다. 거기서 멈춘 조직을 여러 번 봤습니다.
첫 번째 한계는 사용자 쪽에 생깁니다. 템플릿만 돌리고 결과를 검증하지 않으면, 틀린 답이 ‘승인된 양식’을 입고 나가는 셈입니다.
진단 데이터를 보면 검증 능력은 개인이 가장 잘 길러낸 항목이었습니다. 문제는 그 잘 걸러내는 방법이 옆자리로 넘어가지 않는다는 점입니다.
두 번째는 노후화입니다. 모델이 바뀌면 멀쩡하던 지시서가 다른 결과를 뱉습니다. 분기 1회 재현 테스트를 프롬프트 관리 루틴에 넣어두지 않으면 조용히 썩습니다.
죽은 라이브러리의 징후는 셋입니다. 최근 3개월 신규 등록 0건, 조회는 있는데 복사가 없음, 그리고 팀장만 쓰고 실무자는 모름.
라이브러리는 시작점입니다. 반복이 확인된 지시서부터 AI 에이전트와 업무 자동화 흐름으로 옮겨 붙이는 게 다음 단계입니다.
그래서 짝꿍 활동이 필요합니다. 프롬프트 엔지니어링 기초 교육, 결과 검토 체크리스트, 잘된 사례를 올리는 채널 하나. 생성형 AI를 직무에 붙이는 전체 흐름은 AI 업무 활용 로드맵에서 이어집니다.
자주 묻는 질문
AI 프롬프트 라이브러리와 지시서 라이브러리는 같은 개념인가요?
실질적으로 같은 대상을 가리킵니다. 다만 ‘프롬프트’는 입력 문장 한 줄을 뜻하는 쪽에 가깝고, ‘지시서’는 목적·맥락·제약·출력 형식까지 담은 문서 단위를 가리킵니다. 국내 조직에서 ‘지시서’라는 말이 더 잘 통하는 이유도 여기에 있습니다. 결재와 인수인계가 문서로 돌아가는 환경에서는, 재사용되는 단위가 문장이 아니라 문서여야 하니까요. 라이브러리를 만들 때 어느 단어를 쓰든 상관없지만, 저장되는 최소 단위는 문서로 잡는 편이 나중에 덜 고생합니다.
무료로 사용할 수 있는 AI 프롬프트 라이브러리는 어디서 찾나요?
공개 라이브러리와 벤더 공식 문서, 두 갈래로 보면 됩니다. 이미지·영상 쪽 예시를 대량으로 훑고 싶다면 YouMind의 무료 AI 프롬프트 라이브러리 같은 범용 저장소가 빠릅니다. 업무 시스템과 붙일 생각이라면 Microsoft Copilot Studio 프롬프트 라이브러리 문서나 AWS Amazon Quick, Salesforce Agentforce의 공식 예시가 더 실용적입니다. 다만 공개 라이브러리는 품질 편차가 큽니다. 그대로 쓰기보다 우리 업무 용어로 한 번 고쳐 쓰는 과정을 거쳐야 합니다.
회사 차원에서 프롬프트 라이브러리를 어떻게 구축하나요?
반복 업무 10개를 고르는 것에서 시작합니다. 그다음은 사내에서 이미 쓰고 있는 지시문을 모으고, 같은 입력으로 세 번 돌려 결과가 재현되는지 검증하고, 저장소 하나로 배포한 뒤, 분기마다 점검하는 순서입니다. 수집 단계를 건너뛰고 외부 템플릿부터 붙여넣는 조직이 많은데, 그러면 아무도 안 쓰는 라이브러리가 됩니다. 조직의 현재 위치가 애매하다면 AI 활용 성숙도 5단계를 먼저 확인하는 편이 순서를 잡는 데 도움이 됩니다.
프롬프트 템플릿의 모델이나 입력값을 수정해도 되나요?
변수 치환은 권장하고, 구조 변경은 신중해야 합니다. [회사명], [대상고객], [분량] 같은 변수는 쓸 때마다 바꾸라고 만든 자리입니다. 반면 역할 지정·제약조건·출력 형식 세 블록은 결과 품질을 지탱하는 뼈대라 손대면 재현성이 깨집니다. 모델을 바꾸는 경우는 별개입니다. 같은 지시서라도 Claude Opus 5.5와 GPT Image 2.5, Seedance 2.5에서 반응이 다르기 때문에, 모델 교체 시에는 재검증을 거친 뒤 ‘검증 모델’ 항목을 다시 적어두는 게 원칙입니다.
프롬프트 라이브러리만 있으면 AI 활용이 충분한가요?
충분하지 않습니다. 라이브러리는 출발선이지 결승선이 아닙니다. 결과를 검증하는 능력이 함께 자라지 않으면, 잘 만든 템플릿이 오히려 잘못된 결과를 빠르게 양산하는 통로가 됩니다. 특히 규제 산업에서는 출처 확인과 민감정보 금칙어 규칙이 라이브러리와 한 묶음으로 움직여야 합니다. 교육, 결과 검토 체크리스트, 승인 프로세스가 같이 깔릴 때 비로소 AI 업무 활용이 개인기를 넘어 팀 단위로 올라섭니다.
마무리
여기까지 읽고 나면 할 일이 많아 보일 겁니다. 실제로는 하나만 하면 됩니다.
- 프롬프트는 한 번의 입력, 지시서는 재사용 가능한 문서 — 라이브러리가 관리하는 단위는 후자
- 분류는 직무·산출물·모델 3축, 태그는 7개 이내가 검색이 무너지지 않는 선
- 구축 순서는 반복 업무 선정 → 사내 수집 → 재현성 검증 → 단일 저장소 배포 → 분기 점검
오늘 할 수 있는 첫 행동은 이겁니다. 지난주에 AI로 처리한 업무 중 가장 자주 반복한 것 하나를 골라, 그때 쓴 지시문을 역할·맥락·제약·출력 형식 네 칸으로 다시 적어보는 것.
스물네 명이 응답한 사전 설문에서 자기 작업 절차를 남이 링크 하나로 받아 쓸 수 있게 가진 사람은 0명이었습니다. 전원이 AI를 쓰고 있는데 조직에 남은 건 한 건도 없었던 겁니다. 첫 지시서 한 건은 그 0을 1로 바꾸는 일입니다.
다만 여기서 끝나지 않습니다. 지시서 열 건을 모아놓고 나면 거의 반드시 다음 벽을 만납니다. 저장소를 어디에 둘지, 민감정보 금칙어를 누가 정할지, 그리고 이 작업에 쓸 시간과 예산을 어떻게 승인받을지.
마지막 벽이 보통 가장 높습니다. 저는 SK텔레콤과 존슨앤드존슨, 롯데에서 결재하는 쪽에 앉아 교육 품의서를 승인하고 반려해봤는데, 반려 사유는 내용이 부실해서가 아니라 숫자와 인과가 비어 있어서인 경우가 많았습니다. AI 교육 품의서 작성법과 기업 AI 교육 도입 8단계가 그 지점을 다룹니다.
이미 한 번 반려를 받고 다시 올려야 하는 상황이라면, 빈 양식보다 채워진 예시가 빠릅니다. 가상 기업 ‘한결식품’ 시나리오로 전 칸을 채운 품의서 완성본과, ‘보안은?’ ‘내년에 하자’ 같은 반려 사유 5가지별로 복사해 쓰는 재상신 문구가 들어 있습니다. AI 교육 도입 서류 3종 무료로 받기 — 전 칸을 채운 품의서 완성 예시본과 반려 사유 5가지별 재상신 문구 포함 (편집용 DOCX)