다른 부서의 문제를 AI와 함께 이틀 만에 제안으로 바꾼 Fresh Eyes

합격 뒤 신입 교직원 교육에서 Fresh Eyes라는 과제를 진행했습니다. 특정 부서가 담당해온 캠퍼스 생활 문제를 다른 부서의 신입 구성원이 새로운 시선으로 살펴보고, 문제를 직접 정의해 개선안을 제안하는 과정이었습니다. 해당 부서를 평가하는 일이 아니라, 오래 익숙해진 업무에서는 잘 보이지 않을 수 있는 불편을 실제 이용자의 관점에서 다시 보는 데 의미가 있었습니다.

주어진 시간은 이틀이었습니다. 그 안에 자료와 구성원 의견을 확인하고, 캠퍼스를 직접 걸으며 문제를 검증하고, 관련 정책과 사례를 찾아 두 가지 시범안을 만들었습니다. AI를 활용해 생활정보 데이터 구조와 지도 프로토타입, 발표자료와 시연까지 빠르게 결과물로 옮겼습니다. 다만 AI가 문제를 대신 정의한 것은 아니었습니다. 현장을 보고 범위를 정하는 일은 사람이 했고, AI는 확인한 내용을 검토 가능한 형태로 만드는 시간을 줄였습니다.

Fresh Eyes는 익숙한 문제를 낯선 시선으로 보는 과정이었습니다

특정 업무를 오래 담당하면 사소한 불편은 일상의 일부가 되기 쉽습니다. 반대로 다른 부서에서 온 사람은 업무의 맥락을 충분히 알지 못하지만, 처음 이용하는 사람과 비슷한 질문을 던질 수 있습니다. Fresh Eyes는 이 낯섦을 문제를 찾는 출발점으로 사용했습니다.

낯선 시선만으로는 현실적인 개선안을 만들 수 없습니다. 첫인상을 바로 문제라고 단정하면 담당 부서가 이미 해온 일과 실제 제약을 놓칠 수 있기 때문입니다. 과제에서는 관찰한 내용을 기존 안내자료와 구성원 의견에 대조하고, 현장을 직접 확인한 뒤 제안의 범위를 정했습니다.

관찰에서 시작해 기존 자료와 구성원 의견을 확인하고, 현장 조사로 문제를 검증한 뒤 범위를 좁혔습니다. 여기에 정책과 사례를 연결하고 AI로 제안과 프로토타입을 구체화해 발표와 시연으로 마무리했습니다. Fresh Eyes는 아이디어를 많이 내는 과제가 아니라, 다른 시선으로 발견한 문제를 해당 부서가 검토할 수 있는 제안으로 바꾸는 과정이었습니다.

짧은 시간 안에 질문을 결과물로 바꿔야 했습니다

주어진 시간은 문제를 충분히 이해하고 완성된 서비스를 만들기에는 짧았습니다. 그래서 모든 단계를 깊게 끝내려 하기보다, 각 단계에서 무엇을 사람이 확인하고 어디에서 AI의 속도를 빌릴지 구분했습니다.

단계	사람이 직접 확인하고 결정한 일	AI가 속도를 높인 일
문제 정의	시설 불편 관찰, 기존 자료와 구성원 의견 확인, 현장 검증	관찰 내용 분류, 반복되는 문제와 확인 질문 정리
정책·사례 조사	원문을 읽고 제안과 맞는지 판단	자원순환·리빙랩·분리배출·리유저블컵 사례 후보 탐색과 비교
해결안 설계	두 시범안의 범위와 운영 가정 결정	대안 비교, 이용 흐름과 필요한 데이터 항목 구체화
프로토타입	실제 정보와 샘플의 경계, 지도 위치와 화면 흐름 확인	Vue 3와 TypeScript 구현, 화면과 검색 흐름 반복 수정
발표 준비	무엇을 구현했고 무엇이 제안인지 최종 판단	발표 구조, 설명 문장과 예상 질문 정리

AI는 관찰 메모를 제안서 형태로 정리하고, 정책과 사례를 빠르게 비교하고, 데이터 구조를 코드와 화면으로 옮기는 데 도움이 됐습니다. 발표 흐름과 예상 질문을 다듬는 데도 활용했습니다. 이런 역할 분담으로 이틀 안에 문제 정의에서 정책 연계, 시범안, 웹 프로토타입과 발표까지 정리했습니다.

속도가 빨라졌다고 해서 확인 과정이 사라지지는 않았습니다. 현장에서 확인한 내용과 공식 자료를 바탕으로 제안을 정리했고, 확인하지 못한 위치와 시설 정보는 실제 데이터처럼 보이지 않도록 샘플로 구분했습니다.

쓰레기통에서 시작한 문제는 현장에서 달라졌습니다

처음 눈에 들어온 것은 건물마다 다른 쓰레기통과 분리배출 표기, 찾기 어려운 흡연구역, 노후한 공용공간과 흩어진 생활시설 안내였습니다. 처음에는 쓰레기통을 교체하고 안내판을 추가하며 공간을 정비하면 된다고 생각했습니다.

하지만 기존 안내자료와 구성원 의견을 살펴보니 비슷한 불편이 여러 형태로 반복되고 있었습니다. 업무 단위로는 서로 다른 시설 문제였지만, 이용자에게는 필요한 정보를 찾고 이해하는 하나의 경험으로 이어졌습니다.

교육 기간 중 다섯 시간 동안 캠퍼스를 직접 걸었습니다. 쓰레기통과 흡연구역이 실제로 어디에 있는지, 처음 온 사람이 안내를 이해할 수 있는지, 사람들이 어느 출입구와 동선을 이용하는지 확인했습니다. 문서에 위치가 있어도 실제 이동 경로와 연결되지 않으면 찾기 어려웠고, 같은 목적의 시설도 표기 방식이 다르면 이용자가 매번 다시 판단해야 했습니다.

현장 조사는 발표 사진을 모으는 시간이 아니라 처음 세운 문제를 검증하는 과정이었습니다. 시설을 설치하는 일과 그 시설을 쉽게 이용하게 만드는 일은 달랐습니다. 여기서 질문은 무엇을 새로 설치할까에서 위치와 이용 방법, 상태와 관리 정보를 어떤 기준으로 연결할까로 바뀌었습니다.

시설 하나가 아니라 공간과 생활정보가 서로 연결되지 않은 문제일 수 있었습니다.

정책과 사례로 제안의 근거를 보완했습니다

시설에 대한 좋은 아이디어만으로는 해당 부서가 검토할 수 있는 제안이 되기 어려웠습니다. 비슷한 문제를 다른 기관에서는 어떻게 다뤘는지, 작은 시범 운영으로 시작할 수 있는 정책적 근거가 있는지를 함께 찾아봤습니다.

AI와 함께 2026년 자원순환마을 만들기 공모사업과 지역 탄소중립 리빙랩 공고를 살펴봤습니다. 자원순환 정책에서는 대학 단위 시범사업으로 연결할 가능성을, 리빙랩 사례에서는 이용자와 담당자가 함께 작은 실증을 진행하는 방식을 참고했습니다.

해외 분리배출 안내와 공공 픽토그램 사례에서는 색상과 명칭, 다국어 안내 방식을 살폈습니다. 리유저블컵 운영 사례에서는 반납과 회수 동선을 확인했습니다.

정책을 찾았다고 예산이나 사업 승인이 확보된 것은 아닙니다. 다만 분리배출과 다회용컵 아이디어를 단순한 시설 교체가 아니라 자원순환, 이용 경험과 소규모 실증의 언어로 설명할 수 있었습니다. AI는 관련 자료의 후보를 빠르게 찾고 비교하는 데 사용했고, 실제 제안에 포함할 범위는 사람이 판단했습니다.

두 시범안은 생활정보 데이터로 연결됐습니다

전체 캠퍼스를 한 번에 바꾸는 제안은 짧은 기간 안에 현실성을 설명하기 어려웠습니다. 그래서 범위를 분리배출 이용 경험 표준화와 리유저블컵 순환이라는 두 가지 시범안으로 좁혔습니다.

첫 번째 시범안의 핵심은 모든 쓰레기통을 같은 제품으로 바꾸는 일이 아니었습니다. 일반쓰레기, 플라스틱, 캔과 병, 종이를 구분하는 색상과 픽토그램, 명칭과 안내 방식을 맞춰 어느 건물에서도 비슷하게 이해하도록 제안했습니다. 제품보다 이용 경험을 통일하는 방향이었습니다.

두 번째 시범안은 사용, 반납, 회수, 세척과 재사용이 이어지는 리유저블컵 순환이었습니다. 반납 지점의 위치와 적재율, 회수량과 최근 회수 시각이 있다면 모든 회수함을 같은 시간에 도는 대신 필요한 곳을 먼저 확인할 수 있습니다.

두 제안은 서로 달라 보였지만 실제 운영을 가정하자 같은 데이터가 필요했습니다.

건물
  ↓
층
  ↓
생활시설
  ↓
위치
  ↓
운영 상태

시설 종류가 달라도 건물과 층, 위치, 이용 가능 상태와 갱신 시각은 같은 기준으로 관리할 수 있었습니다. 이때 제안의 중심은 개별 시설 개선에서 재사용할 수 있는 생활정보 데이터로 옮겨갔습니다.

지도 프로토타입으로 제안을 확인할 수 있게 했습니다

발표자료만으로는 생활정보 데이터가 실제로 어떤 경험을 만드는지 보여주기 어려웠습니다. AI의 도움을 받아 Vue 3와 TypeScript로 웹 프로토타입을 만들고 정적인 샘플 데이터를 지도 위에 표시했습니다.

프로토타입에서는 건물과 층을 따라 생활시설을 찾고, 시설 종류를 필터링하며, 다국어 문장으로 가까운 시설을 검색할 수 있게 했습니다. 리유저블컵 시범안에는 반납 위치와 회수 상태를 살펴보는 관리 화면도 붙였습니다.

여기서 AI의 역할은 두 가지였습니다. 작업 과정에서는 자료 정리와 코드 작성, 화면 수정과 발표 준비를 빠르게 반복하도록 도왔습니다. 서비스 안에서는 학교가 관리하는 생활정보를 자연어로 찾게 하는 인터페이스를 제안했습니다.

다만 현재 프로토타입에는 실제 LLM API를 연결하지 않았습니다. 다국어 질문에서 시설 의도를 찾고 가까운 위치를 보여주는 흐름은 규칙 기반 검색으로 구현했습니다. 향후 검증된 운영 DB와 API가 마련된다면 LLM이 질문의 조건을 추출하고, 실제 데이터를 조회한 결과를 사용자의 언어로 설명하도록 확장할 수 있습니다.

이 구분은 짧은 기간에 만든 결과물을 완성된 서비스처럼 보이지 않게 하는 데 중요했습니다.

구분	현재 결과와 이후 범위
완료	문제 정의, 현장 조사, 정책·사례 검토, 두 시범안 설계, 생활정보 데이터 구조, 정적 웹 프로토타입, 규칙 기반 검색, 발표와 데모
제안	분리배출 이용 경험 표준화, 리유저블컵 회수 운영, 관리 화면의 실제 업무 적용
향후 구조	운영 DB와 API, LLM Tool Calling, 문서 검색을 위한 RAG
주장하지 않은 것	시설 설치 완료, 리유저블컵 실운영, 전교 확산, 실제 사용자 성과

지도 아이콘과 현재 위치, 건물의 클릭 영역과 시설 좌표도 계속 수정했습니다. 공식 지도와 시설 안내를 다시 확인했고, 정확히 확인하지 못한 정보는 샘플로 표시했습니다. AI로 빠르게 만들수록 무엇을 확인했고 무엇을 가정했는지를 더 분명하게 나눠야 했습니다.

AX 인재전쟁을 떠올린 이유

Fresh Eyes를 진행하는 동안 AX 인재전쟁이 계속 떠올랐습니다. 공식 페이지에서는 기업이 실제 문제를 제시하고 참가자가 AI 도구를 활용해 결과물을 만드는 과정에서 문제 정의력과 현업 적용 가능성을 본다고 설명합니다.

제가 인상 깊게 본 것도 특정 AI 도구를 얼마나 화려하게 쓰는지가 아니었습니다. 무엇이 진짜 문제인지, 범위를 어디까지 좁힐지, 무엇을 현장에서 확인할지를 정하는 과정이었습니다. 그다음에 AI를 사용할 지점을 선택했습니다.

Fresh Eyes에서는 기업 대신 특정 부서의 현실적인 문제를 다른 부서 구성원이 바라봤습니다. 그리고 AI와 함께 짧은 시간 안에 검토 가능한 제안으로 만들었습니다.

이런 방식은 다른 내부 문제에도 적용할 수 있겠다고 생각했습니다. 각 부서가 해결하고 싶은 문제를 공개하고, 부서 밖 구성원이 담당자의 설명과 현장을 확인한 뒤 짧은 기간 동안 개선안이나 프로토타입을 만드는 방식입니다. AI는 필요한 지점에만 사용하고 실행 가능성이 확인된 아이디어를 시범 운영으로 이어갈 수 있습니다. 내부 공모전이나 작은 해커톤처럼 문제 해결과 부서 간 교류를 함께 만드는 장치가 될 수 있겠다는 생각이 들었습니다.

Fresh Eyes가 신입 교직원에게 남긴 것

프로젝트 결과만큼 좋았던 것은 다른 부서의 선배들과 함께 이야기하고 작업한 시간이었습니다. 평소 업무만 했다면 쉽게 만나지 못했을 구성원들과 같은 캠퍼스 문제를 보고 서로 다른 관점에서 의견을 나눴습니다. 학교를 내가 일하는 부서만의 관점이 아니라 학생과 교직원이 함께 사용하는 하나의 공간과 서비스로 볼 수 있었습니다.

가장 크게 남은 것은 이틀 만에 프로토타입을 만들었다는 속도만이 아닙니다. 다른 부서의 문제를 낯선 시선으로 보고 현장에서 다시 확인했습니다. 정책과 사례에 연결한 뒤에는 AI를 활용해 담당 부서가 검토할 수 있는 제안으로 만들었습니다. AI는 이 과정을 빠르게 했지만 무엇이 문제인지 정하고 현실과 맞는지 확인하는 일까지 대신하지는 않았습니다.

채용 회고에서 저는 AI를 답을 대신하는 도구보다 제 경험과 판단을 검토하는 도구로 사용했다고 적었습니다. Fresh Eyes에서는 그 태도를 입사 뒤 실제 문제에 적용해볼 수 있었습니다. 신입 교직원으로서 꽤 좋은 시작이었습니다.

참고자료

• 2026년 자원순환마을 만들기 공모사업
• 2026 탄소중립 그린도시 주민주도 리빙랩 공고
• AX 인재전쟁 공식 페이지