AI와 5일 동안 같이 처리한 업무 일지

이번주 월요일부터 금요일까지의 AI와 함께 업무 처리한 내역입니다.
주로 Codex(Pro)를 사용했으며, Claude(Pro)는 서포트 하는 형태로 사용 되었습니다.

AI 와 함께 일처리하는거 궁금해 하시는 분들이 계실까봐 5일간의 기록을 적어 보았습니다.
Hermes, OpenClaw등 신기술이 난무하지만, 저는 실무에 적용할게 이정도 이거 같습니다.

우선 AI와 함께 일하면서 효율이 어느 정도 나올지 궁금했는데, 당연한 얘기지만 아직까지는 효율이 꽤 괜찮은 것 같습니다.
다시 한번 말씀드리자면, AI를 돌려서 나온 결과물을 그냥 받아보는 방식이 아니라, 돌리고 검수하고 다시 돌리고 확인하는 과정을 반복해서 실 서비스에 적용하기 위한 작업이었다는 점입니다.
단순히 테스트 삼아 돌려본 게 아니라, 서비스 기능이나 홍보 등 실제 서비스에 쓰기 위해 사용해 본 내역입니다.

일자별 사용량

참고: 총 토큰에는 캐시된 입력 토큰이 포함되어 있습니다. 실제 신규 처리량에 가까운 값은 비캐시 입력과 출력 토큰을 기준으로 보면 약 3,615만 tokens 수준입니다.

Codex가 처리한 내역을 정리한 업무와 분석 내용

최근 5일 동안 AI와 함께 여러 솔루션의 운영, 관리자 기능, 콘텐츠 관리, 분석 화면, 마케팅 준비 작업을 동시에 진행했다.

작업 범위는 단순한 코드 수정 수준이 아니라, 다음과 같은 항목을 포함했다.

• 솔루션 A의 관리자 분석 화면 개선
  • 방문자 국가, 외부 유입, 디바이스, 방문 요약 화면 정리
  • 유입 분류 오류 수정
  • 대시보드와 방문 기록 화면의 표시 기준 정리
• 솔루션 B의 콘텐츠 관리 시스템 개선
  • 글 삭제 기능 개선
  • 선택 삭제, 커스텀 확인창, 관련 이미지/미디어 정리 로직 추가
  • 데이터베이스 쿼리 오류 원인 분석 및 수정
  • 관리자 UI 폰트와 화면 구성 정리
• 솔루션 C의 공개 콘텐츠 페이지 개선
  • 제품 정보가 관리자 데이터와 다르게 보이던 문제 수정
  • 이미지가 잘리던 문제 해결
  • 이미지 최적화 방식과 표시 기준 정리
  • 제품 페이지의 신뢰도와 시각적 완성도 개선
• 솔루션 D의 매거진/아티클 화면 개선
  • 매거진 상세 화면 구조 개선
  • 목차 UI, 헤더 영역, 제목 크기, 여백 조정
  • 아티클 화면도 매거진과 유사하지만 별도 성격이 드러나도록 정리
• 회사/브랜드 사이트 정비
  • footer 구성 개선
  • SNS 링크 연결
  • 번역 키가 노출되는 문제 수정
  • 불필요한 문구 제거
  • 다국어 번역 데이터 정리
  • 배포 후 실제 화면 검증
• 마케팅/SNS 운영 방향 정리
  • 반복적인 이미지/문구 게시 방식의 한계 점검
  • 제품별 SNS 운영 방향 재정리
  • 실제 제품 화면 기반 콘텐츠 전략 수립
  • SNS 연결, 메타 태그, 오타, 프로필 정보 정비

Claude 로 처리한 업무 내역

A·B SNS 홍보 실행

• LinkedIn: 프로필·회사 소개 구성, Projects 3개 등록, 연결 아웃리치 5명, C 소개 문구 작성
• X: 계정 브라우저 매핑 정리, A·B 각각 팔로우 전략·게시글 작성
• Facebook: A·B 두 페이지 설정, 관련 그룹 가입·게시
• Instagram·Threads: 게시 및 계정 정리

기록·루틴화

• 전 채널 작업을 통합 로그(sns-promotion-log.md) 하나로 정리 — 현황 표 + 채널별 세부 + TODO
• SNS 루틴 체크리스트 신규 작성 — 채널마다 '반응 대응 먼저 → 신규 게시 나중' 순서 고정

전략·환경 세팅

• A의 퍼널 계측 방향 정리(이탈 단계 측정이 왜 1순위인지)
• 반복 작업 예약 설정
• 역할에 맞는 Claude 플러그인·커넥터 맞춤 설정

AI 분석 내용

이 정도 작업량은 일반적으로 혼자 수작업으로 처리하면 1~2주 이상 걸릴 수 있는 범위다. 특히 관리자 기능, 데이터베이스, 이미지 최적화, 다국어, 배포, 실서비스 화면 검증까지 포함되어 있었기 때문에, 5일 동안 처리한 양은 적은 편이 아니다.

다만 모든 과정이 완전히 매끄럽지는 않았다. AI가 일부 원인을 잘못 판단하거나, 이미지 문제를 CSS 문제로만 보거나, 배포 브랜치와 실제 배포 상태를 혼동하거나, 인코딩/로컬 환경 문제로 재확인이 필요한 경우가 있었다. 그래서 작업 중 상당 시간은 AI 결과를 그대로 믿고 진행하기보다, 하나씩 검증하고 수정하면서 진행했다.

따라서 생산성 평가는 다음과 같다.

• 작업량: 많음
• 처리 속도: 빠른 편
• 검증 비용: 높음
• 비효율: 일부 있었음
• 전체 생산성: 높은 편
• 체감 피로도: 높았을 가능성 큼

결론적으로, 이번 5일은 비효율적인 시간이 아니라 AI를 활용해 많은 작업을 빠르게 밀어붙이되, 운영 품질을 지키기 위해 검증 비용을 많이 쓴 기간으로 볼 수 있다.

AI를 통해 속도는 확실히 빨라졌지만, 실서비스에 반영되는 작업에서는 여전히 사람이 방향을 잡고, 결과를 확인하고, 배포 전후를 검증하는 과정이 필수적이었다.
즉, AI는 작업 속도를 크게 올려줬지만, 최종 품질을 보장한 것은 사람의 검토와 판단이었다.