ChatGPT 실전 활용기 (딥리서치, 에이전트모드, 캔버스)

“질문 도구”로만 쓰면 손해입니다: 2023년 코딩 초보가 2026년 주식 분석 시스템·캐드 리습·엑셀 매크로까지 만든 ChatGPT 실전 활용기

저는 개발자가 아닙니다. 평범한 회사원으로서 업무에 필요한 만큼만 AI를 써온 사람입니다. 그래서 더 솔직하게 말할 수 있어요. 2023년 처음 ChatGPT를 만났을 때 저는 코딩의 ‘코’자도 모르는 상태였습니다. 암호화폐 자동매매를 해보고 싶어서 파이썬 강의를 듣고 있었지만, 차트를 코드에 어떻게 넣는지, 에러가 나면 어디를 고쳐야 하는지, 무엇이 맞는 방향인지조차 감이 없었습니다.

그때 제 눈앞에 나타난 것이 ChatGPT였습니다. 저는 “이제 코드를 대신 고쳐주겠구나”라고 기대했고, 실제로 코드 수정도 시켜봤습니다. 하지만 결과는 망했습니다. 왜냐하면 ChatGPT가 만능이라서가 아니라, 제가 무엇을 원하는지조차 제대로 설명하지 못했고, 나온 답을 검증할 기준도 없었기 때문입니다. ChatGPT는 코드를 제안합니다. 사용자는 방향을 정합니다. 검증은 결과를 살립니다. 이 구조를 모르면 AI는 도움보다 혼란이 더 커질 수 있습니다.

하지만 2026년의 저는 다릅니다. 지금은 ChatGPT와 Make AI를 활용해 주식 종목 분석 시스템의 흐름을 설계하고, 회사에서 쓰는 CAD 리습과 엑셀 매크로까지 만들고 있습니다. 많은 분들이 아직도 ChatGPT를 단순 질문 도구 정도로 보지만, 제 경험상 이건 완전히 다릅니다. 잘만 쓰면 “비서 10명”을 확보한 것처럼 느껴질 정도예요. 다만 그 비서들이 유능해지느냐, 엉뚱해지느냐는 결국 사용자에게 달려 있습니다.

이 글의 핵심

• 2023년의 ChatGPT는 제게 “막연한 희망”이었지만, 2026년의 ChatGPT는 “작업 흐름을 연결하는 실무 도구”가 됐습니다.
• 딥리서치는 근거를 붙입니다.
• 에이전트 모드는 단계를 실행합니다.
• 캔버스는 결과를 다듬습니다.
• 프로젝트는 맥락을 보존합니다.
• 결국 중요한 건 AI의 화려함보다 사용자의 방향 제시와 검증 습관입니다.

왜 2023년의 저는 ChatGPT로 코딩하다가 제대로 실패했을까요?

당시의 저는 자동매매라는 결과만 원했지, 그 과정을 이해하지는 못했습니다. 파이썬 문법도 낯설었고, 차트 지표를 코드에 대입하는 구조도 몰랐습니다. 그런데 ChatGPT에게 “에러 고쳐줘”, “매매 코드 짜줘”만 반복했으니 당연히 결과는 불안정할 수밖에 없었습니다. 조금만 조건이 달라져도 답은 바뀌었고, 제가 왜 바뀌었는지 이해하지 못하니 같은 문제를 계속 반복했습니다.

더 큰 문제는 환각(Hallucination)이었습니다. 환각이란 AI가 실제로 존재하지 않거나 근거가 불충분한 정보를 그럴듯하게 만들어내는 현상입니다. 초보자 입장에서는 이게 특히 치명적입니다. 문장은 자신감 있게 보이는데, 실제로는 틀린 경우가 있거든요. 저는 그 시절 ChatGPT를 거의 “마법 도구”처럼 기대했습니다. 하지만 현실은 달랐습니다. AI는 초안을 만듭니다. 사람은 사실을 확인합니다. 이 역할 분담을 이해하지 못하면 시간을 더 쓰게 됩니다.

그래서 2023년의 실패는 단순히 모델 성능 탓만은 아니었습니다. 도구의 한계와 제 실력의 한계가 함께 부딪힌 결과였습니다. 하지만, 따라서, 그래서 그 실패가 오히려 지금의 활용법을 배우는 출발점이 되었습니다.

왜 지금의 ChatGPT는 ‘질문 도구’보다 ‘비서 10명’에 가깝게 느껴질까요?

지금의 ChatGPT는 단순히 한 문장 답을 뱉고 끝나는 도구가 아닙니다. 공식적으로도 OpenAI는 deep research, ChatGPT agent, canvas, projects 같은 기능을 통해 조사, 작성, 수정, 보관까지 하나의 흐름으로 묶고 있습니다. 즉, “대답”만 하는 게 아니라 “업무 단계”를 이어주는 방향으로 진화한 것입니다.

제 경험상 이 변화는 체감이 큽니다. 예전에는 코드를 고쳐 달라고 하면 그때그때 조각난 답변만 받는 느낌이었다면, 지금은 작업 목표를 설명하고, 자료를 찾고, 초안을 만들고, 다시 손보는 흐름이 훨씬 자연스러워졌습니다. 저는 ChatGPT가 제 주식 종목 분석 시스템 전체를 혼자 완성했다고 말하지는 않겠습니다. 하지만 방향을 정리하고, 논리를 구조화하고, 오류 후보를 짚어주고, 제가 놓친 부분을 다시 질문하게 만드는 역할은 확실히 해줬습니다.

또 하나 중요한 변화가 있습니다. 현재 공식 문서 기준으로는 예전의 “커넥터” 개념이 Apps in ChatGPT로 통합되어, 외부 도구와 데이터를 대화 안으로 불러와 검색·참조·딥리서치·일부 액션까지 이어갈 수 있게 됐습니다. OpenAI의 앱 활용 예시 문서에는 Google Drive, Notion, Google Calendar, GitHub 같은 서비스들이 실제 사용 사례와 함께 소개되어 있습니다(App use cases and prompts). 그래서 저는 지금의 ChatGPT를 “말 잘하는 검색창”이 아니라 “텍스트로 지시하는 작업 허브”라고 보는 편이 더 정확하다고 생각합니다.

딥리서치는 왜 환각을 줄이는 데 도움이 될까요?

딥리서치는 ChatGPT를 신뢰할 수 있게 만드는 핵심 기능 중 하나입니다. OpenAI 도움말에 따르면 Deep research in ChatGPT는 복잡한 온라인 작업을 계획하고, 조사하고, 종합해 문서화된 보고서로 만들어주는 기능입니다. 사용자는 어떤 소스를 쓸지 직접 정할 수 있고, ChatGPT는 조사 전에 제안된 리서치 플랜을 보여주며, 진행 중에도 사용자가 중단하거나 방향을 조정할 수 있습니다. 결과물에는 인용 또는 소스 링크가 붙기 때문에 검증이 쉬워집니다.

이 점이 정말 중요합니다. 예전의 저는 AI가 한 말을 그대로 믿었다가 낭패를 본 적이 많았습니다. 하지만 지금은 다릅니다. 저는 딥리서치를 켤 때 보통 공개 웹과 필요한 특정 사이트 중심으로 범위를 좁혀 씁니다. OpenAI 도움말에도 public web, 업로드 파일, 연결된 앱, 특정 사이트 제한 기능이 설명되어 있고, 필요하면 Sites 관리에서 특정 도메인만 쓰도록 제한할 수 있습니다. 즉, 막연히 “찾아줘”가 아니라 “이 범위 안에서 근거를 붙여 찾아줘”로 바뀌는 것이죠.

의료, 시장조사, 정책 비교처럼 정확성이 더 중요한 질문일수록 이 차이가 큽니다. AI는 빠릅니다. 하지만 정확도는 관리해야 합니다. 딥리서치는 속도보다 정확성이 중요한 순간에 특히 강합니다. 그래서 저는 환각을 완전히 없애는 기능이라고 보지는 않지만, 최소한 거짓말을 잡아낼 수 있는 구조를 만들어주는 기능이라고 생각합니다.

일반 채팅 vs 딥리서치, 무엇을 언제 써야 할까요?

항목	일반 채팅	딥리서치
주요 목적	빠른 질문, 초안, 요약, 아이디어 확장	다중 출처 조사, 비교 검증, 문서형 리포트 작성
속도	빠릅니다	더 느리지만 깊이 있습니다
소스 통제	상대적으로 약합니다	웹, 파일, 앱, 특정 사이트를 선택하거나 제한할 수 있습니다
결과 형태	대화형 답변 중심	인용 또는 소스 링크가 포함된 구조화된 보고서
추천 상황	문장 다듬기, 초안 생성, 간단한 질문	시장 규모, 정책 비교, 논문·기사 종합, 근거 수집
주의점	그럴듯한 오류를 바로 걸러내기 어렵습니다	시간이 더 걸릴 수 있고, 그래도 최종 검증은 필요합니다

OpenAI는 딥리서치를 일반 채팅보다 더 깊고 문서화된 조사 기능으로 설명합니다(공식 도움말). 그래서 저는 “빨리 초안을 뽑아야 할 때”는 일반 채팅을, “근거를 붙여야 할 때”는 딥리서치를 켭니다. 이 구분만 제대로 해도 실수와 시간 낭비가 크게 줄어듭니다.

에이전트 모드는 어디까지 대신해줄 수 있을까요?

2025년 이후 생성형 AI 흐름에서 가장 중요한 변화 중 하나는 ‘에이전트형 AI’입니다. OpenAI는 Introducing ChatGPT agent에서 ChatGPT가 스스로 도구를 선택하고, 자체 컴퓨터를 사용해 복잡한 작업을 처음부터 끝까지 처리할 수 있도록 확장됐다고 설명합니다. 공식 안내에 따르면 agent mode는 작성창의 도구 메뉴에서 선택할 수 있고, 작업 중에도 사용자가 중간에 끼어들어 방향을 바꾸거나 제어를 넘겨받을 수 있습니다.

이게 실무에서 왜 무섭도록 편하냐면, 작업을 “한 답변”이 아니라 “여러 단계”로 나눠서 처리해주기 때문입니다. 예를 들어 조사, 정리, 슬라이드 골격 작성, 스프레드시트 업데이트 같은 흐름이 하나로 이어집니다. OpenAI는 에이전트가 반복 업무 자동화, 대시보드나 스크린샷을 프레젠테이션으로 전환, 회의 일정 조정, 재무 스프레드시트 업데이트 같은 작업을 지원한다고 소개합니다. 저는 이 기능을 접하면서 “AI가 드디어 답변을 넘어서 일의 흐름을 다루기 시작했구나”라는 생각을 했습니다.

제 경험으로도 에이전트 모드는 자료 조사와 초안 제작에서 특히 강했습니다. 예를 들어 “로봇 마켓 사이즈 2025년 조사”처럼 요청하면, 예전에는 제가 검색하고 복붙하고 정리하던 과정을 훨씬 빠르게 묶어줍니다. 실제로 저는 시장 자료를 모으고 PPT 10장 안팎의 초안 골격을 잡아본 적이 있습니다. 물론 완성본은 아닙니다. 세밀한 레이아웃, 숫자 재검토, 표현 다듬기는 여전히 사람이 해야 합니다. 하지만 초반 틀을 잡는 속도는 확실히 달라집니다.

다만 여기서도 착각하면 안 됩니다. 에이전트 모드는 “알아서 다 해주는 마법 버튼”이 아닙니다. 앱과 외부 서비스 연결, 액션 권한, 지역과 요금제 제한, 보안 정책이 함께 따라옵니다. OpenAI의 앱 문서에도 일부 앱은 검색·참조만 가능하고, 일부 앱은 쓰기 액션을 수행할 수 있으며, 외부 작업은 사용자 확인을 요구한다고 설명되어 있습니다(Apps in ChatGPT). 따라서 맡길 수 있는 범위와 직접 검토해야 하는 범위를 나누는 감각이 꼭 필요합니다.

캔버스는 왜 긴 문서와 코드 수정에서 체감 차이가 날까요?

많은 분들이 아직도 답변을 받은 뒤 복사해서 다른 곳에 붙여 넣는 방식으로만 ChatGPT를 씁니다. 하지만 제 체감상 진짜 생산성 차이는 캔버스에서 벌어집니다. OpenAI 도움말에 따르면 canvas는 글쓰기와 코딩처럼 수정과 편집이 반복되는 작업을 위한 인터페이스입니다. 채팅처럼 한 번 묻고 답하는 구조가 아니라, 결과물을 옆에 두고 바로 고치고 다듬는 작업 공간에 가깝습니다.

공식 문서에는 캔버스에서 특정 부분만 하이라이트해 수정 요청을 하거나, 전체 문서를 직접 편집하거나, Suggest edits, Adjust the length, Change reading level, Add final polish 같은 글쓰기 단축 기능을 쓸 수 있다고 나와 있습니다. 특히 reading level은 Kindergarten부터 Graduate School까지 조절할 수 있고, final polish는 문법·명확성·일관성을 다듬어줍니다. 코드 쪽에서는 Fix bugs, Add comments, Code review, Port to a language 같은 기능도 제공합니다.

이건 제가 기술 보고서를 정리할 때 정말 크게 체감했던 부분입니다. CAD는 Computer-Aided Design의 약자로, 컴퓨터를 활용해 설계 도면을 작성하는 소프트웨어를 뜻합니다. 그런데 CAD 관련 설명은 처음부터 기술자 언어로 쓰이면 비전공자가 따라오기 어렵습니다. 저는 캔버스에서 표현 수준을 낮추고, 특정 문단만 골라 다시 설명하게 하면서 훨씬 이해하기 쉬운 문장으로 바꿔왔습니다. 다시 처음부터 질문하지 않아도 된다는 점이 정말 큽니다.

코딩에서도 마찬가지입니다. 예전에는 에러가 나면 답변 전체를 다시 받아야 해서 어디가 달라졌는지 추적하기 어려웠습니다. 하지만 캔버스는 특정 부분을 선택해 수정하고, 필요하면 버전 기록과 변경 사항도 비교할 수 있습니다. 따라서 긴 글이든 코드든 “부분 수정”이 자주 필요한 사람에게는 일반 채팅보다 훨씬 실용적입니다.

프로젝트는 왜 AI 활용의 연속성을 살려줄까요?

AI를 오래 쓰다 보면 의외로 가장 큰 문제가 “좋은 답변을 받는 것”이 아니라 “예전 맥락을 다시 찾는 것”입니다. OpenAI는 Projects in ChatGPT를 장기 작업을 위한 스마트 워크스페이스로 설명합니다. 프로젝트 안에는 채팅, 파일, 지시사항을 함께 모아둘 수 있고, 프로젝트별 지시사항을 넣어 ChatGPT가 계속 같은 맥락을 유지하게 만들 수 있습니다. 기존 채팅을 프로젝트로 옮기면 그 대화는 프로젝트의 지시사항과 파일 컨텍스트를 이어받습니다.

이게 왜 중요하냐면, AI 활용은 결국 누적 게임이기 때문입니다. 저는 실제로 생각 정리용, SNS 관련, 업무 흐름용처럼 주제를 나눠 관리하는 편이 훨씬 편했습니다. 프로젝트를 써보면 한 달 전 대화, 업로드 파일, 현재 작업 목표가 한 공간에서 이어집니다. 그래서 똑같은 설명을 반복할 필요가 줄어들고, AI도 더 일관되게 반응합니다. ChatGPT는 대화를 기억합니다. 프로젝트는 그 기억을 정리합니다. 사용자는 흐름을 이어갑니다.

특히 회사 업무에서는 이 기능이 큽니다. 보고서 초안, 참고 파일, 회의 메모, 후속 질문을 하나의 주제별 공간에 모아두면 나중에 다시 꺼내 쓰기가 정말 쉽습니다. 일반 검색만으로는 흩어진 대화의 의미를 찾기 어렵지만, 프로젝트는 처음부터 목적별로 정리해 두기 때문에 활용의 연속성이 살아납니다.

2025~2026 최신 데이터는 무엇을 말해줄까요?

제 체감만으로 “AI가 확 달라졌다”고 말하면 과장처럼 들릴 수 있습니다. 하지만 실제 데이터도 비슷한 흐름을 보여줍니다. 생성형 AI는 이제 일부 얼리어답터의 장난감이 아니라, 개인과 기업의 실제 업무 도구로 빠르게 들어오고 있습니다. 다만 많이 쓰는 것과 제대로 내재화하는 것은 여전히 다른 문제입니다.

출처	핵심 수치	의미
Stanford HAI AI Index 2025	2024년 조직의 AI 활용 비율은 78%로, 전년 55%에서 크게 상승했습니다.	기업 차원에서 AI가 이미 실무 도구 단계로 확산됐다는 뜻입니다.
OECD 2026 발표	2025년 OECD 국가 개인의 3분의 1 이상이 생성형 AI를 사용했고, 기업의 AI 도입 비율은 20.2%로 2024년 14.2%, 2023년 8.7%에서 계속 상승했습니다.	개인과 기업 모두에서 AI가 일상화되는 흐름이 분명하다는 뜻입니다.
McKinsey State of AI 2025	대다수 기업은 여전히 실험 또는 파일럿 단계에 머물고 있고, 약 3분의 1 정도가 본격 확장 단계에 들어갔습니다. 또 23%는 에이전트형 AI를 기업 내 일부 기능에서 확장 중이라고 답했습니다.	도입은 넓어졌지만, 진짜 성과는 워크플로 재설계와 검증 체계를 가진 조직에서 더 잘 나온다는 뜻입니다.

이 수치들은 제 경험과도 맞아떨어집니다. 이제는 “AI를 쓰느냐”보다 “어떻게 쓰느냐”가 더 중요해졌습니다. 많이 쓰는 것만으로는 부족합니다. 프롬프트를 구체화하고, 적절한 모드를 고르고, 출처를 검증하고, 결과물을 축적해야 비로소 차이가 납니다.

그렇다면 ChatGPT를 단순 질문 도구로만 쓰면 왜 아쉬울까요?

단순 질문 도구로만 쓸 때의 ChatGPT는 분명 유용합니다. 요약도 되고, 문장도 다듬어주고, 아이디어도 던져줍니다. 하지만 그 수준에만 머무르면 진짜 강점을 놓치게 됩니다. 딥리서치는 근거를 수집합니다. 에이전트 모드는 다단계 작업을 이어갑니다. 캔버스는 결과를 다듬습니다. 프로젝트는 맥락을 저장합니다. 이 네 가지를 연결하면 ChatGPT는 단답형 AI가 아니라 업무 파이프라인이 됩니다.

제 경우가 딱 그랬습니다. 2023년에는 “한 번에 완성해줘”만 기대했습니다. 그래서 망했습니다. 2026년에는 다르게 씁니다. 먼저 목표를 쪼갭니다. 다음으로 어떤 기능이 맞는지 고릅니다. 그다음 결과를 검토하고 다시 수정합니다. 필요하면 프로젝트에 쌓아두고 다음 작업으로 이어갑니다. 이 방식으로 접근하니, 예전에는 엄두도 못 냈던 주식 분석 흐름 설계나 캐드 리습, 엑셀 매크로 작업도 조금씩 현실이 되기 시작했습니다.

솔직히 제 체감상 코딩의 한 방 정확도는 다른 모델이 더 좋게 느껴지는 순간도 있고, 이미지 생성은 또 다른 도구가 더 강하게 느껴질 때도 있습니다. 하지만 여러 AI 사이에서 제 의도를 정리하고, 조사와 작성과 편집과 보관을 한 흐름으로 묶는 허브 역할은 여전히 ChatGPT가 편했습니다. 그래서 저는 ChatGPT를 “최고의 단일 답변기”보다 “가장 넓게 연결되는 실무 조정자”로 보는 편입니다.

결국 ChatGPT를 어떻게 써야 상상 이상의 퍼포먼스가 나올까요?

제 결론은 단순합니다. AI를 잘 쓰고 싶다면 AI보다 먼저 사람이 공부해야 합니다. 공부라고 해서 거창한 걸 말하는 건 아닙니다. 무엇이 좋은 질문인지, 무엇을 검증해야 하는지, 어떤 기능을 언제 켜야 하는지 아는 정도면 됩니다. 중요한 건 AI를 신비화하지 않는 것입니다. AI는 도구입니다. 하지만 제대로 쓰면 아주 강력한 도구입니다.

1. 모드를 먼저 고르세요.
   간단한 초안은 일반 채팅, 근거 수집은 딥리서치, 다단계 작업은 에이전트 모드, 세부 편집은 캔버스, 장기 작업은 프로젝트가 더 잘 맞습니다.
2. 프롬프트보다 목적을 분명히 하세요.
   “해줘”보다 “누구를 위한 결과물인지, 어떤 형식인지, 무엇이 반드시 들어가야 하는지”를 함께 말해야 합니다.
3. 출처를 반드시 확인하세요.
   특히 숫자, 일정, 정책, 의학, 법률, 투자 관련 내용은 링크를 직접 열어보는 습관이 필요합니다.
4. 부분 수정 습관을 들이세요.
   마음에 안 든다고 처음부터 다시 쓰게 하지 말고, 캔버스에서 특정 부분만 골라 다듬는 편이 훨씬 효율적입니다.
5. 작업을 축적하세요.
   프로젝트에 파일, 지시사항, 이전 대화를 모아두면 다음 작업의 출발점이 훨씬 좋아집니다.
6. 다른 AI와 비교해 보세요.
   중요한 리서치나 코드 작업은 Gemini, Claude 같은 다른 모델과 교차 검토하면 객관성이 높아집니다. 하지만 최종 판단은 언제나 사람이 해야 합니다.

정리하면 이렇습니다. 2023년의 저는 ChatGPT를 잘못 기대했고, 그래서 실망했습니다. 2026년의 저는 ChatGPT를 도구로 대하고, 그래서 도움을 받고 있습니다. 차이는 모델만이 아니라 사용자에게도 있었습니다. 아무것도 모른 채 쓰면 그만한 결과가 나오고, 함께 학습하며 방향을 제시하면 상상 이상의 퍼포먼스가 나옵니다. 진짜로 ChatGPT를 활용하고 싶다면, 결국 공부해야 합니다. 하지만 그 공부는 생각보다 어렵지 않습니다. AI에게 일을 떠넘기는 법이 아니라, AI와 함께 일하는 법을 배우는 과정이니까요.

어떤 공식 출처를 함께 보면 판단이 더 쉬워질까요?

• OpenAI Help Center - Deep research in ChatGPT
• OpenAI - Introducing ChatGPT agent
• OpenAI Help Center - What is the canvas feature in ChatGPT?
• OpenAI Help Center - Projects in ChatGPT
• OpenAI Help Center - Apps in ChatGPT
• Stanford HAI - AI Index Report 2025
• OECD - AI use by individuals surges across the OECD
• McKinsey - The State of AI 2025

자주 묻는 질문은 무엇일까요?

누가 ChatGPT의 기능 차이를 가장 크게 체감하나요?

문서 작성, 조사, 정리, 반복 편집, 간단한 자동화처럼 텍스트와 지식 작업이 많은 사람일수록 차이를 크게 체감합니다. 개발자만의 도구가 아니라 직장인, 기획자, 마케터, 1인 사업자에게도 실용성이 큽니다.

무엇을 먼저 시켜야 ChatGPT를 제대로 쓰기 시작할 수 있을까요?

처음부터 거대한 작업을 통째로 맡기기보다, 요약, 비교표, 회의 메모 정리, 코드 설명, 문서 초안처럼 작은 단위부터 맡기는 것이 좋습니다. 작은 성공을 반복해야 어떤 기능이 나에게 맞는지 보이기 시작합니다.

언제 딥리서치를 켜는 것이 좋을까요?

시장 규모, 정책 변화, 의료·영양 정보, 투자 검토처럼 출처와 정확성이 중요한 순간에는 딥리서치가 더 적합합니다. 반대로 짧은 초안 작성이나 빠른 발상 정리에는 일반 채팅이 더 효율적입니다.

어디까지 에이전트 모드에 맡겨도 괜찮을까요?

자료 수집, 초안 정리, 프레젠테이션 골격 작성, 반복적인 웹 작업 보조까지는 큰 도움을 받을 수 있습니다. 하지만 로그인, 결제, 민감한 데이터 처리, 외부 전송처럼 책임이 큰 단계는 꼭 사람이 확인해야 합니다.

왜 캔버스와 프로젝트를 같이 써야 하나요?

캔버스는 결과물을 다듬는 데 강하고, 프로젝트는 그 결과물과 맥락을 장기적으로 쌓아두는 데 강합니다. 둘을 함께 쓰면 수정 효율과 작업 연속성이 동시에 살아납니다.

어떻게 코딩을 몰라도 활용 폭을 넓힐 수 있을까요?

완성된 코드를 한 번에 받으려 하지 말고, “이 코드가 무슨 뜻인지 설명해줘”, “어디서 에러가 나는지 단계별로 짚어줘”, “주석을 달아줘”, “엑셀 매크로로 바꿔줘”처럼 이해 중심으로 접근하면 훨씬 빨리 실력이 붙습니다.

작성자 소개

평범한 회사원으로서 생성형 AI를 업무 보조, 자료 조사, 문서 작성, 캐드 리습 정리, 엑셀 매크로 제작 등 실무에 필요한 수준으로 활용하고 있습니다. 2023년에는 파이썬과 자동매매 코드조차 낯설었던 사용자였지만, 시행착오를 거치며 지금은 ChatGPT를 단순 질문 도구가 아니라 작업 흐름을 연결하는 협업 도구로 사용하고 있습니다.

개인정보 처리방침 및 연락처 페이지 세팅 완료