비정형 데이터 수작업 처리의 한계와 AI 자동화 도입 필요성

안녕하세요,

15년 차 SCM 전문가 에이드네(Aidne)입니다. 오늘도 발주서 이메일을 열고 듀얼 모니터 한쪽엔 PDF나 카카오톡 텍스트를, 다른 한쪽엔 엑셀이나 ERP 창을 띄워놓고 Ctrl+C, Ctrl+V를 무한 반복하고 계신가요?

최첨단 스마트 팩토리와 AI를 논하는 2024년에도, 실무 현장에서는 여전히 컨베이어 벨트 한가운데서 땀 흘리며 치명적 형태의 나사 조이기를 수동으로 하는 것과 같은 일들이 벌어지고 있습니다. 이른바 ‘김 대리의 엑셀 노가다’죠.

단순 반복 작업은 사람의 진을 빼놓을 뿐만 아니라, 오타나 누락 같은 휴먼 에러를 필연적으로 발생시킵니다. 데이터가 ERP 시스템에 정확하게 입력되지 않으면 이후의 재고 관리, 물류 배차, 정산까지 도미노처럼 무너집니다.

이제는 값비싼 솔루션을 통째로 도입하는 대신, 가벼운 iPaaS(서비스형 통합 플랫폼)와 LLM(대형 언어 모델)을 결합해 실무자가 직접 데이터 파이프라인을 구축해야 하는 시대입니다.

Make와 LLM API를 활용한 데이터 파이프라인 구축 워크플로우

수박 겉핥기식의 “AI를 쓰면 편해집니다”라는 뻔한 소리는 하지 않겠습니다. 현업 실무자가 내일 당장 세팅할 수 있는 Make(구 Integromat)와 ChatGPT API 기반의 구체적인 자동화 워크플로우를 단계별로 뜯어보겠습니다.

1단계: 이메일(Gmail) 트리거 설정 및 비정형 텍스트 추출

첫 시작은 외부에서 들어오는 데이터를 감지하는 것입니다. Make에서 ‘Gmail – Watch Emails’ 모듈을 트리거로 설정합니다. 특정 거래처의 이메일 주소나 제목에 ‘발주’, ‘주문’ 등의 키워드가 포함된 메일만 필터링하여 가져오도록 세팅합니다.

메일 본문(Text Content)이나 첨부파일을 읽어오는 단계인데, 이때 본문 데이터는 양식이 제각각인 ‘비정형 데이터’ 상태입니다. 기존의 단순 파싱 툴이나 정규식(Regex)으로는 거래처마다 다른 포맷을 감당할 수 없기 때문에 바로 여기서 LLM이 투입됩니다.

2단계: ChatGPT API 프롬프트 엔지니어링 및 JSON 데이터 파싱

다음으로 ‘OpenAI – Create a Chat Completion’ 모듈을 연결합니다. System Prompt에 다음과 같이 명확한 역할과 출력 형식을 지정하는 것이 핵심입니다.

“너는 15년 차 SCM 데이터 추출 전문가야. 제공된 이메일 본문에서 거래처 코드(company_code), 품목명(item_name), 수량(qty), 납기일(due_date)을 정확히 추출해. 결과값은 반드시 다른 설명 없이 순수한 JSON 포맷으로만 반환해.”

이렇게 프롬프트를 설정하면, ChatGPT는 “안녕하세요, 발주서 보냅니다. A123업체고요, 박스 100개 12월 5일까지 부탁해요”라는 중구난방 텍스트를 {"company_code": "A123", "item_name": "박스", "qty": 100, "due_date": "2024-12-05"}라는 정형화된 데이터로 변환해 줍니다.

이후 Make의 ‘JSON – Parse JSON’ 모듈을 붙여 LLM이 뱉어낸 텍스트를 실제 시스템이 읽을 수 있는 데이터 객체로 매핑합니다.

3단계: 구글 시트 및 ERP 연동 시 데이터 타입 에러 핸들링

데이터를 추출했다고 끝이 아닙니다. 이 데이터를 ‘Google Sheets – Add a Row’나 ERP API 웹훅으로 넘길 때 실무자들이 가장 많이 겪는 좌절이 바로 ‘데이터 타입 불일치 에러(Data Type Error)’입니다.

예를 들어, ERP에서는 수량(qty)을 정수(Integer)로 받기를 원하는데, LLM이 간혹 “100”처럼 문자열(String)로 반환하는 경우가 있습니다.

이를 방지하기 위해 Make 내장 함수인 parseNumber()를 활용해 강제로 숫자형으로 변환해 주어야 합니다. 또한, 특정 항목이 누락되어 Null 값이 들어올 때 워크플로우가 멈추지 않도록 ifempty(1.qty; 0) 처럼 기본값을 지정해 주는 에러 핸들링(Error Handling)은 실제 자동화 파이프라인의 안정성을 좌우하는 핵심 노하우입니다.

전사적 AI 워크플로우 확장을 위한 B2B 자동화 전략

이러한 단위 업무의 자동화는 단순히 개인의 생산성을 높이는 데 그치지 않습니다. B2B 환경에서 의사결정권자들은 이 작은 성공 사례를 바탕으로 부서 간 데이터 사일로(Silo)를 허물고, 전사적인 AI 자동화 시스템을 기획할 수 있습니다.

수억 원을 들여 무거운 ERP를 커스터마이징 하는 것보다, 레고 블록처럼 유연한 노코드/로우코드 툴과 AI API를 조합하는 것이 변화하는 비즈니스 환경에 훨씬 빠르고 저렴하게 대응하는 길입니다.

이 글을 읽고 ‘우리 회사의 복잡한 수작업도 진짜 이렇게 바꿀 수 있을까?’라는 생각이 드셨다면, 당장 실행에 옮겨야 합니다.