01 / 55
오리엔테이션WEEK 01 · AI 시대의 비즈니스 기회와 로컬임팩트
AI 기회,
과장보다 문제에서 출발
- AI가 잘하는 일과 못하는 일 구분
- 지역의 불편을 사업 기회로 바꾸는 관점
- 말이 아니라 행동으로 아이디어 확인
6201652026-2김용희 교수
오늘의 중심 질문
AI를 붙이면 모두 사업 기회인가?
- 기술이 신기하다는 사실과 고객이 돈·시간을 쓰는 문제는 별개
- 좋은 출발점: 반복되는 불편, 확인 가능한 사용자, 측정 가능한 변화
01누가 불편한가
‘모두’가 아니라 지금 만나서 관찰할 수 있는 사람
무엇이 달라지는가
시간·비용·접근성·안전 가운데 분명한 변화 한 가지
어떻게 확인할까
칭찬보다 클릭, 예약, 정보 제공, 결제 같은 행동
2026년 출발점
빠른 확산, 아직 얕은 활용
- 널리 쓰인다는 것과 성과를 만든다는 것은 같은 말이 아님
- 채택률보다 문제·업무·결과를 함께 확인
88%조직의 AI 활용
하나 이상의 업무 기능에서 AI를 사용
79%생성형 AI 활용
하나 이상의 업무 기능에서 생성형 AI를 정기적으로 사용
44.5%한국의 경험률
2025년 국내 생성형 AI 서비스 이용 경험률
이번 학기의 두 렌즈
기술은 쉽게, 시장은 냉정하게
- 기술 원리: 가능성과 한계를 과장 없이 이해
- 시장 검증: 의견보다 직접 모은 행동 데이터
기술 렌즈
챗GPT는 무엇을 잘하고, 왜 틀리는가
- 언어 모델과 서비스의 차이
- 일상·업무로 넓어진 활용
- 할루시네이션과 사람의 최종 판단
박상길·정진호, 2025, 11–15쪽·21–41쪽
시장 렌즈
좋아 보이는 아이디어를 어떻게 확인할까
- 생각랜드와 의견의 함정
- 그들의 데이터와 나만의 데이터
- 적극적 투자: 말이 아니라 행동
알베르토 사보이아, 2020, 37–41쪽·65–80쪽·96–103쪽결론을 외우는 수업이 아니라, 좋은 질문을 만드는 수업
손들기 대신 눌러 보기
AI 사업, 지금 가장 중요한 것은?
기술을 세 층으로 보기
모델 ≠ 서비스 ≠ 사업
- 같은 모델을 써도 서비스의 품질과 사업 성과는 달라짐
03사업
누가 쓰고, 누가 비용을 내며, 어떤 결과를 얻는가
02서비스
화면·업무 흐름·데이터·사람의 개입을 묶은 사용 경험
01모델
텍스트·이미지·소리의 패턴을 학습하고 출력을 생성하는 엔진
『비전공자도 이해할 수 있는 챗GPT』 21–27쪽LLM의 핵심 원리
다음 ‘단어’보다 다음 ‘토큰’
- 문장을 작은 단위인 토큰으로 나눠, 이어질 가능성이 높은 토큰을 한 번에 하나씩 생성
- 유창한 문장을 만드는 원리와 사실을 보장하는 원리는 다름
아산에서가장불편한?후보 확률이동 42%주차 21%정보 13%
정확하게 고쳐 말하기
쉬운 설명에도 경계선은 필요
다음 단어 예측다음 토큰 예측토큰은 단어·부분 단어·기호가 될 수 있음
모든 단어를 동시에 처리학습은 병렬화, 생성은 순차 진행GPT 계열의 출력은 토큰을 하나씩 이어 만듦
GPT-4는 약 1조 매개변수공식 비공개확인되지 않은 추정치는 사실처럼 제시하지 않음
AI가 맡기 좋은 일
생성보다 ‘업무 단위’로 보기
만들기
초안·요약·변환·번역·시안
사람의 검토를 전제로 속도 확보찾기
문서 검색·분류·정보 추출
출처와 최신성 확인이 핵심연결하기
문의 분류·다음 단계 안내
업무 흐름 안에 넣어야 효과 발생살피기
이상 징후·패턴·수요 변화 탐색
오탐과 누락의 비용을 함께 계산그럴듯함의 함정
틀린 답도 자신 있게 말한다
- 언어 모델의 목표: 문맥에 잘 이어지는 출력
- 수업의 원칙: 중요한 주장일수록 원문·공식자료·현장 확인
질문“아산시 2025년 야간버스 이용자는 몇 명인가?”
답변숫자·기관명·보고서가 그럴듯해도 출처가 없으면 미확인
『비전공자도 이해할 수 있는 챗GPT』 38–41쪽1차 자료법령·공식 통계·원문 보고서·직접 관찰
신뢰 가능한 2차 자료연구기관·검증된 언론·전문가 분석
AI의 정리탐색·초안·비교표 — 최종 근거가 아님
데이터는 ‘숫자’가 아니라 관찰을 기록한 것
읽기 보완 · 데이터란 무엇인가?성과가 잘 보이는 자리
구조가 있고, 반복되며, 결과를 잴 수 있는 일
업무 구조화 수준 ↑
결과 측정 가능성 →
문의 분류회의 요약최종 인사평가안전 책임 판단우선 실험 구역
Stanford 2026: 고객지원·소프트웨어·마케팅 등 구조화된 업무에서 생산성 향상 연구가 다수 보고됨
도입과 성과 사이
도구를 켰다고 일이 바뀌지는 않는다
- 문제 정의
- 업무 재설계
- 데이터 연결
- 사람의 책임
- 결과 측정
가치는 모델 안이 아니라 바뀐 업무 흐름에서 발생
01요즘 다 AI 하니까 우리도
02누구나 쓸 수 있는 챗봇
03데이터는 나중에 모으면 됨
04무료면 일단 많이 쓸 것
05정확도 95%면 사업 성공
현재 업무량·예외 처리·품질 비용·남는 책임을 먼저 측정해야 함
1문제
지금 누가 어떤 불편을 겪는가
2흐름
AI가 어느 단계에 들어가는가
3고객
사용자와 비용 부담자는 누구인가
4증거
어떤 행동·수치로 확인할까
5책임
틀렸을 때 누가 어떻게 바로잡나
주장의 강도
약속이 커질수록 증거도 강해져야 한다
약한 주장“초안 시간을 줄일 수 있다”작은 업무 실험
중간 주장“민원 응답 품질이 좋아진다”전후 비교·사용자 평가
강한 주장“지역 돌봄 공백을 해결한다”장기 결과·형평성·안전 검증
같은 기술, 다른 결과
관광 챗봇인가, 문제 해결 서비스인가
기능 출발“아산 관광 챗봇”
- 대상: 관광객 전체
- 문제: 정보가 필요할 것
- 성과: 질문 횟수
- 약점: 검색·지도와 차이 불명확
VS문제 출발“막차 뒤 귀가 연결”
- 대상: 특정 시간대 역 이용자
- 문제: 대기·요금·불확실성
- 성과: 대기시간·예약·재이용
- 강점: 현장 관찰과 시험 가능
AI 가치사슬
모델 하나만으로 고객 가치가 되지 않는다
비전공자가 강점을 만들 수 있는 곳: 현장 데이터부터 신뢰까지
비전공자의 자리
모델을 만드는 사람만 AI 사업을 하는 것은 아니다
사람 이해
사용자의 말·행동·불안을 구분
현장 접근
지역의 시간표·관계·제약을 앎
업무 설계
기존 방식에서 바뀔 한 단계를 찾음
책임 설계
오류·개인정보·배제 가능성을 관리
로컬임팩트
지역 문제를 줄이면서 계속 운영되는 사업
장소에 묶인 문제+지속 가능한 사업 방식+측정 가능한 지역 변화
- 지역이라는 이름만 붙인 서비스가 아님
- 보조금이 끝나도 운영 논리가 남아야 함
- 누가 더 나아졌는지 결과를 확인해야 함
지역은 한 명의 고객이 아님
사용자·비용 부담자·운영자를 나눠 보기
지역이 주는 힘
장소는 배경이 아니라 데이터와 유통망
시간출근·막차·장날·축제처럼 수요가 몰리는 때
동선역·시장·병원·학교·산단을 잇는 실제 이동
관계주민센터·상인회·대학·운영기관의 접점
제약교통·인구·예산·규정·디지털 접근성
지역성은 작은 시장의 약점이 아니라 검증 가능한 경계
사업성과 × 지역성과
둘 중 하나만 높아도 오래가기 어렵다
지역성과 ↑사업 지속성 →좋은 일
운영 재원 부족
로컬임팩트 사업
성과와 운영이 함께 남음
일회성 행사
변화도 운영도 약함
지역 무관 사업
수익은 있으나 지역 변화 약함
30초 선택
지금 아산에서 가장 관찰하기 쉬운 불편
이동역·버스정류장·통학 동선에서 기다림과 우회 관찰
한국 사례 01 · 경기도 똑버스
정해진 노선보다
수요에 맞춘 이동
19개운행 시군267대운행 차량810만누적 이용
경기도 뉴스 · 2025.7똑버스의 작동 구조
AI는 ‘버스’가 아니라 배차 판단에 들어간다
1호출
앱·전화로 출발지와 목적지
2묶기
비슷한 시간·방향의 수요 결합
3경로
차량 위치와 승객 동선 계산
4탑승
정류장·도착 예정 안내
5학습
시간대별 수요와 운영 기록
사용자
대중교통이 드문 지역 주민, 특정 시간대 이동자
비용·운영
지자체·운송사업자·이용자가 역할을 나눔
결과
대기·우회·차량 공차·이동 접근성 변화
놓치면 안 될 것
앱 사용이 어려운 사람, 호출 실패, 배차 형평성
수업 질문: 아산에서 그대로 복제할 것인가, 다른 문제를 풀 것인가?
한국 사례 02 · 서울 AI 안부확인
자동 전화가 아니라 위험 신호의 연결
- 2025년 18개 자치구, 저위험 고립가구 1,800명 대상 시범
- 57만 건 통화 기록을 분석해 양방향 서비스로 개선
사람이 남는 구조
돌봄에서는 ‘완전 자동화’가 목표가 아님
- 정확도만이 아니라 누락의 피해를 확인
- 개인정보와 동의 범위를 분명히 설정
- AI가 사람의 관계를 대체하지 않도록 역할 구분
우리의 현장 · 아산
멀리서 찾지 말고
매일 지나치는 문제부터
- 천안아산역과 생활권의 마지막 이동
- 산업단지 교대근무자의 통근
- 대학·주거·상권 사이의 단절
2026년 아산의 변화
큰 계획을 작은 사용자 문제로 번역
약 9,990억 원
AI 모빌리티 검증단지 구상
- 배방 일대 약 10만 평 규모 구상
- 자율주행·부품·실증 인프라
- 제조 AI 창업·인재 양성 계획과 연결
- 계획 규모와 주민의 체감 문제는 따로 확인
아산시 중장기발전계획계획에서 문제로
‘AI 도시’보다 먼저 물을 네 장면
막차 이후
역 도착 뒤 택시·버스 선택의 불확실성
관찰: 대기·요금·우회교대근무
산단 출퇴근 시간과 대중교통의 어긋남
관찰: 시간표·카풀·결근 위험고령 이동
병원·시장 방문의 예약과 환승 부담
관찰: 앱 접근·보호자 의존안전 정보
공사·사고·혼잡 정보가 늦게 닿는 문제
관찰: 정보 경로·대응 시간지역상권
홍보문 자동 생성보다 수요의 빈틈 찾기
질문 순서
- 언제 손님이 끊기는가
- 누가 한 번만 오고 돌아오지 않는가
- 왜 검색·이동·결제에서 멈추는가
- 무엇을 작은 행동으로 시험할까
AI 후보: 후기 분류, 문의 묶기, 수요 변화 탐색 — 문제 확인 뒤 선택
공공데이터
다운로드가 아니라 의사결정에 연결
- 상가업소·교통·관광·인구 데이터로 가설의 범위를 좁힘
- 현장 관찰을 대신하지 않고, 어디를 먼저 볼지 정하는 데 활용
데이터 확인표
- 관측 단위: 사람·가게·정류장·시간?
- 수집 시점: 지금의 상황을 반영하는가?
- 누락 대상: 기록되지 않는 사람은 누구인가?
- 결합 가능성: 현장 데이터와 연결 가능한가?
사례문제AI의 자리확인할 결과
똑버스정해진 노선의 수요 불일치수요 결합·배차대기·접근성·운영효율
AI 안부확인고립가구의 신호 누락대화·변화 탐색위험 발견·후속 연결
아산 이동 아이디어막차·교대근무의 이동 공백아직 미정현장 관찰로 먼저 정의
시장 실패의 법칙
유능한 팀도 틀린 아이디어를 잘 만들 수 있다
- 기술·자금·실행력이 있어도 시장이 원하지 않으면 실패
- ‘대부분 실패’는 정확한 보편 통계라기보다 검증을 서두르라는 위험 원칙으로 읽기
좋은 팀+좋은 기술+많은 투자≠시장 수요
『아이디어 불패의 법칙』 17–21쪽·37–41쪽생각랜드
회의실의 ‘좋다’는 시장 데이터가 아님
아이디어
나도 쓸 것 같아요즘 뜨는 분야야설문에서 80% 긍정투자자가 좋아할 듯기술적으로 가능해생각랜드를 나오는 방법: 현실의 행동을 작게 얻기
『아이디어 불패의 법칙』 63–66쪽의견을 믿기 어려운 이유
아이디어를 흐리는 네 가지 함정
전달의 문제
같은 설명을 들어도 서로 다른 서비스를 상상
예측의 문제
미래의 내 행동을 정확히 말하기 어려움
적극적 투자의 부재
좋다는 말에 잃을 돈·시간·평판이 없음
확증편향
듣고 싶은 칭찬만 모아 성공 신호로 해석
그들의 데이터와 나만의 데이터
남의 성공담보다 내 사용자 행동
그들의 데이터시장 규모·기사·타사 사례
- 방향을 보는 데 유용
- 내 지역·내 고객과 다를 수 있음
- 대개 오래됐거나 조건이 생략됨
→나만의 데이터지금 직접 모은 행동
- 내가 정한 좁은 대상
- 예약·연락처·선결제·반복 사용
- 최근성·관련성·신뢰성 확인
『아이디어 불패의 법칙』 96–103쪽증거의 사다리
위로 갈수록 사용자가 더 큰 비용을 감수
1의견좋네요
2클릭자세히 보기
3정보연락처·조건 제공
4예약시간을 정함
5결제돈을 지불
개인정보는 필요한 최소 범위만, 수집 목적과 보관 기간을 먼저 알림
시간예약·방문·대기·반복 사용
정보연락처·이동 조건·실제 요구
평판동료에게 소개·담당자 연결
돈보증금·선결제·유료 전환
부담을 크게 만들라는 뜻이 아니라, 행동의 진정성을 확인하라는 뜻
시장 참여 가설
‘관심이 많다’를 숫자와 행동으로 바꾸기
적어도 X%의Y가Z할 것이다
나쁜 문장아산 시민은 AI 이동 서비스를 좋아할 것이다.
확인할 문장평일 밤 역 도착자 30명 중 6명은 귀가 예약 알림에 연락처를 남길 것이다.
『아이디어 불패의 법칙』 108–120쪽 · 5주차에 본격 활용적어도 20%의 평일 저녁 천안아산역 이용자가 귀가 수단을 사전 예약할 것이다.
X는 첫 실험에서 수정 가능 · 핵심은 Y와 Z를 관찰 가능하게 좁히는 것
프리토타입 예고
만들기 전에 진짜 행동부터 확인
완성품을 흉내 내되 속이지 않도록 실험임을 고지
『아이디어 불패의 법칙』 121–131쪽 이후 · 6주차에 본격 실습
- 누가 불편을 겪는가
- 언제·어디서 문제가 생기는가
- 지금 어떻게 우회하는가
- 무엇을 잃는가: 시간·돈·안전·기회
- 얼마나 자주 반복되는가
해석과 관찰을 분리: “불편해 보임”보다 “세 번 앱을 바꿔 확인함”
질문 바꾸기
좋은 아이디어인가 → 어떤 행동이 나타나는가
“AI가 막차 귀가 문제를 해결할 수 있을까?”
증거 설계 한 장
아이디어를 말하지 말고 실험을 설명
1문제 장면
언제·어디서 무엇이 막히나
2좁은 사용자
오늘 직접 만날 수 있는가
3현재 대안
지금은 어떻게 해결하나
4시험 행동
클릭·예약·정보·결제 중 무엇인가
5성공 기준
몇 명 중 몇 명이면 다음 단계인가
6보호 장치
동의·개인정보·오류를 어떻게 관리하나
AI 도입률이 높으면 성과도 자동으로 높다.
LLM의 답이 자연스러우면 사실일 가능성이 높다.
좋은 지역 문제는 사용자를 직접 만날 수 있다.
칭찬보다 예약·결제가 더 강한 증거다.
다음 수업 전 현장 과제
문제 하나를 관찰 기록으로 가져오기
01장면 3개
같은 문제가 나타나는 시점·장소·행동 기록
02말 1개
당사자의 실제 표현을 짧게 기록
03행동 1개
현재 어떤 우회·포기·비용 지불을 하는지 기록
04질문 1개
다음에 무엇을 더 확인해야 하는지 작성
개인정보 금지 · 이름·전화번호·얼굴·차량번호를 수집하거나 촬영하지 않기
WEEK 01 · 정리
AI는 지렛대
문제가 출발점
증거가 다음 단계를 결정
다음 주 · AI와 LLM의 작동 원리
