작은 실험이 시작되다
지난달, 윈도우 디바이스에 쌓인 주문 확인서가 200개를 넘었다. 매번 수동으로 형식을 확인하고 거래처별 오류를 찾는 일은 시간이 오래 걸렸다. 「이걸 봇이 자동으로 검증할 수 있을까?」라는 작은 질문에서 시작된 실험이었다.
먼저 구글 시트에 주문 데이터의 핵심 필드들을 정리했다. 거래처, 상품명, 수량, 배송일자, 특별 요청사항 등등. 그리고 Claude Code에 간단한 명령을 넣었다. 「각 거래처의 주문 형식을 학습하고, 패턴에서 벗어난 항목을 표시해줘."
AI가 예상을 넘어서다
첫 실행에서는 명백한 오타나 빈칸을 찾아냈다. 평범한 결과였다. 하지만 2주차부터 흥미로운 일들이 시작됐다.
봇이 「거래처 A는 항상 배송일자를 화요일로 지정하는데, 이번 주문은 목요일로 들어왔다」는 식의 패턴을 스스로 감지하기 시작한 것이다. 개발자가 일일이 규칙을 입력한 게 아니었다. AI가 데이터를 보면서 거래처별 선호도를 학습한 것이다.
또 다른 사례. 거래처 B의 주문에 「상품 코드」라는 필드가 자주 빈칸으로 들어오는데, 봇은 이를 단순 오류가 아닌 「이 거래처는 상품명으로 주문하는 패턴」으로 분류했다. 같은 상황이지만 맥락에 따라 다르게 해석한 것이다.
숨겨진 문제들이 드러나다
자동 검증 과정에서 예상 밖의 데이터 문제들이 떠올랐다.
첫째, 거래처들이 보내는 주문 확인서의 인코딩이 제각기였다. 같은 정보인데 어떤 파일은 UTF-8, 어떤 파일은 다른 인코딩으로 들어왔다. 봇이 이를 자동으로 감지하면서 우리도 문제를 알게 됐다.
둘째, 날짜 표기 형식이 섞여 있었다. 「2024-01-15」, 「01/15/2024」, 「15-01-2024」 등이 혼재했고, 사람 눈에는 같은 날짜였지만 자동화 입장에서는 에러였다.
셋째, 가장 놀라웠던 부분은 「재주문」의 패턴이었다. 3개월 주기로 반복되는 주문들이 있었는데, 봇이 이를 감지하면서 「혹시 이번 달 주문이 빠진 걸 아나?」라고 알림을 띄운 것이다. 우리가 놓친 주문도 몇 건 있었다.
작은 자동화가 만든 변화
지금은 매주 월요일 아침, 봇이 검증 보고서를 자동으로 생성한다. 문제 있는 주문들은 우선순위별로 정렬되고, 각각에 대한 제안까지 포함된다. 우리는 그 보고서를 보고 5분 안에 응답한다.
더 중요한 건, 이 과정이 쌓여서 우리 팀이 거래처들과 주문하는 방식 자체를 개선하는 계기가 됐다는 것이다. 봇의 보고서가 거래처별 특성을 명확히 해주니, 거래처별 대응 방식도 표준화할 수 있었다.
「자동화의 진짜 가치는 일을 빠르게 처리하는 게 아니라, 그 과정에서 숨겨진 패턴을 발견하는 것 같다."
이제 또 다른 작은 실험이 준비 중이다. 이번엔 거래처의 응답 시간을 봇이 추적하고, 예상 배송일이 지나갈 것 같은 주문들을 미리 알림으로 띄우는 것이다. 또 어떤 예상 밖의 발견들이 나올지 기대 중이다.