비개발자라면 ChatGPT Work 쓰시면 됩니다! 엑셀·PPT·대시보드까지
📺 원본 영상: 비개발자라면 ChatGPT Work 쓰시면 됩니다! 엑셀·PPT·대시보드까지
🎙️ 채널: 시민개발자 구씨
📅 정리 일자: 2026-07-18
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료, 차트, 코드, 슬라이드 등은 포함되지 않을 수 있습니다.
개요
이 영상은 OpenAI의 ChatGPT Work를 비개발자 관점에서 실제 업무에 적용해 보는 실험형 리뷰다. 강연자는 가상의 동네 카페 데이터를 준비한 뒤, ChatGPT Work에 엑셀 데이터 분석, 인사이트 문서 작성, PPT 보고서 제작, 대시보드 생성과 배포까지 맡기며 결과물의 품질을 확인한다.
핵심은 ChatGPT Work가 단순한 질의응답 도구가 아니라, 로컬 폴더 안의 파일을 읽고 업무 결과물을 직접 생성하는 AI 에이전트로 작동한다는 점이다. 영상 후반부에서는 Claude Code와 같은 프롬프트를 기준으로 결과물을 비교하면서, 어떤 도구가 데이터 분석, 보고서, 대시보드 업무에 더 적합한지도 함께 짚는다.
ChatGPT Work는 비개발자를 위한 업무형 에이전트에 가깝다
강연자는 ChatGPT Work를 “작업에 필요한 내용을 담은 폴더를 제공하면, 그 파일들에 접근해서 실제 업무를 대신해주는 AI 에이전트”로 설명한다. 이 비유는 상당히 직관적이다. 회사에서 신입 직원에게 폴더 하나를 넘기며 “이 자료 정리해서 보고서 만들어줘”라고 요청하는 장면과 유사하기 때문이다. 기존 ChatGPT가 대화창 안에서 텍스트 중심으로 도움을 주는 도구였다면, ChatGPT Work는 파일과 산출물을 중심으로 업무를 진행하는 방식에 더 가깝다.
강연자는 ChatGPT Work의 작동 방식이 Codex와 비슷하지만, 목적이 다르다고 본다. Codex가 앱 제작, 디버깅, 배포처럼 개발자 중심의 바이브 코딩 도구에 가까웠다면, ChatGPT Work는 문서 작성, 데이터 분석, 보고서 생성 같은 지식 업무에 초점을 맞춘다. 이 차이는 비개발자에게 중요하다. 비개발자는 코드를 직접 작성하거나 디버깅하는 것보다, 엑셀 파일을 분석하고 회의용 자료를 만들고 공유 가능한 대시보드를 만드는 일이 더 자주 필요하기 때문이다.
이 지점에서 ChatGPT Work는 Claude Code와도 비교된다. 강연자는 두 도구 모두 로컬 파일을 열고 여러 앱과 연동해 결과물을 생성할 수 있다고 설명한다. 따라서 사용자는 단순히 “어느 모델이 더 똑똑한가”가 아니라, “내 업무 흐름에서 어느 도구가 더 빠르게 원하는 산출물에 도달하게 해주는가”를 기준으로 판단해야 한다.
실험 데이터는 가상의 카페 운영 데이터를 기반으로 구성되었다
강연자는 실험을 위해 “행복카페 성수점”이라는 가상의 동네 카페를 운영한다고 가정한다. 이 카페의 2분기 매출 데이터를 담은 샘플 엑셀 시트를 만들고, 여기에 매출 상세 데이터, 메뉴 데이터, 매입 내역, 재고 실사, 고객 후기, 인력 운영, 마케팅 캠페인, KPI 목표, 데이터 사전 등을 포함한다. 단순한 장난감 데이터가 아니라, 실제 소상공인이나 매장 운영자가 다룰 법한 업무 데이터를 흉내 낸 구성이다.
01:50 - 가상의 행복카페 성수점 데이터 구성과 여러 시트가 소개되는 장면
특히 매출 데이터가 22,000행이 넘는다는 점이 중요하다. 이 정도 규모가 되면 사람이 직접 시트를 넘겨보며 패턴을 찾거나 문제를 검증하기 어렵고, 피벗 테이블이나 수식, 차트 설계에 익숙하지 않은 사람에게는 진입 장벽이 높아진다. 강연자는 바로 이 지점에서 ChatGPT Work의 유용성을 검증한다. AI가 데이터를 읽고, 문제를 감지하고, 분석용 시트와 문서형 인사이트를 만들어줄 수 있다면 비개발자뿐 아니라 비분석가에게도 실질적인 생산성 도구가 될 수 있다.
실험의 결과물은 세 가지로 정리된다. 첫째는 엑셀 데이터 분석과 인사이트 문서 생성이고, 둘째는 이 분석 내용을 기반으로 한 PPT 보고서 제작이며, 셋째는 Sites 기능을 활용한 대시보드 제작과 외부 배포다. 이 흐름은 실제 업무에서도 자연스럽다. 먼저 데이터를 분석하고, 그 분석을 보고서로 정리한 뒤, 반복적으로 확인할 수 있는 대시보드로 확장하는 순서이기 때문이다.
프롬프트 전략은 세부 절차보다 원하는 결과를 명확히 말하는 방식이었다
강연자는 ChatGPT Work에 요청할 때 모든 분석 단계를 세세하게 지시하지 않는다. 대신 어떤 데이터가 들어 있는지 알려주고, 데이터 구조와 발견한 문제에 맞춰 시트 구성과 차트를 직접 설계해 달라고 요청한다. 이는 최근 AI 에이전트 활용 방식에서 중요한 변화다. 사용자가 모든 과정을 미리 설계하는 것이 아니라, 반드시 포함해야 할 결과와 판단 기준만 제시하고 나머지 절차는 모델에 위임하는 방식이다.
이 접근법은 특히 비개발자에게 적합하다. 엑셀 분석을 잘 모르는 사용자는 어떤 시트를 만들어야 하는지, 어떤 차트를 그려야 하는지, 어떤 유효성 검사를 해야 하는지 미리 알기 어렵다. 이때 “매출과 수익성 문제를 분석하고, 데이터 품질 문제를 확인하며, 실행 액션까지 도출해 달라”는 식으로 결과 중심의 요청을 하면, AI가 중간 절차를 설계할 수 있다. 강연자는 이 방식이 OpenAI의 공식 가이드에서도 강조되는 흐름이라고 설명한다.
다만 이 방식이 완전한 무검증 자동화를 의미하는 것은 아니다. 강연자는 ChatGPT Work가 만든 초안을 그대로 확정하지 말고, 사용자가 원하는 형식으로 피드백을 주며 수정해야 한다고 강조한다. AI 에이전트는 초안을 빠르게 만드는 데 강하지만, 최종 의사결정과 품질 검수는 여전히 사용자의 몫으로 남는다.
엑셀 분석 결과는 데이터 품질 점검과 경영 요약까지 포함했다
첫 번째 실험에서 ChatGPT Work는 파일 구조를 확인하고, 데이터의 완전성, 중복, 유효성, 정합성을 점검한 뒤 분석을 진행하겠다는 계획을 제시한다. 이후 수식 기반 엑셀 파일과 핵심 인사이트 마크다운 문서를 생성하는 흐름으로 작업이 이어진다. 강연자에 따르면 이 작업에는 약 25분에서 30분 정도가 소요되었다.
05:12 - ChatGPT Work가 파일 구조, 데이터 완전성, 중복, 유효성, 정합성을 점검하는 작업 계획을 보여주는 장면
완성된 결과물은 분석 결과 파일과 핵심 인사이트 파일로 나뉘어 생성되었다. 강연자는 결과물에서 목표 달성률 97.2%, 순매출의 전월 대비 증가, 공헌이익 1.9% 감소, 관리 가능 이익 약 -244만 원 등의 핵심 결론이 정리되어 있었다고 설명한다. 여기서 중요한 점은 단순히 매출이 늘었는지를 보는 데서 그치지 않고, 수익성이 왜 약화되었는지까지 함께 분석했다는 것이다. 매장 운영에서 매출 증가는 긍정 신호처럼 보이지만, 공헌이익률이나 관리 가능 이익이 악화되면 실제 경영 상태는 나빠질 수 있기 때문이다.
마크다운 인사이트 문서에는 한 줄 결론, 데이터 품질 판정, 경영 요약, 수익성 분석, 주요 원인, 7월 실행 액션, 검사 결과 등이 정리되었다. 특히 데이터 품질 문제를 먼저 지적했다는 점은 실무적으로 의미가 있다. 원천 데이터에 오류나 정합성 문제가 있으면 아무리 보기 좋은 차트와 보고서를 만들어도 결론이 왜곡될 수 있기 때문이다. ChatGPT Work가 이 문제를 찾아내면 사용자는 데이터를 수정한 뒤 다시 분석을 요청할 수 있다.
엑셀 산출물의 장점은 검증 가능한 수식 기반 분석에 있다
강연자는 ChatGPT Work가 생성한 엑셀 파일을 실제 엑셀로 열어 확인한다. 경영 요약 시트에는 대시보드 형태의 차트와 대표 결론, 월별 순매출, 공헌이익 등이 정리되어 있었다. 여기에 KPI 수익성, 원인 분석 채널, 원인 분석 메뉴, 서비스 인력, 재고 공급, 마케팅, 데이터 품질 이슈, 7월 액션 같은 시트도 함께 구성되었다.
06:58 - 생성된 엑셀 파일의 경영 요약 시트와 차트형 대시보드가 표시되는 장면
이 방식의 장점은 결과가 엑셀 수식으로 계산되어 있기 때문에 검증이 쉽다는 데 있다. AI가 말로만 “이렇게 분석했습니다”라고 답하면 사용자는 계산 과정을 확인하기 어렵다. 반면 엑셀 파일 안에 수식이 들어 있으면, 사용자는 원천 데이터에서 어떤 값을 끌어왔고 어떤 계산식을 적용했는지 직접 점검할 수 있다. 강연자는 이 점을 실제 활용에서 중요한 장점으로 본다.
물론 처음 나온 초안이 항상 최종본이 될 필요는 없다. 강연자는 7월 실행 액션 부분만 다시 정리해 달라고 요청했고, ChatGPT Work는 해당 부분을 “무엇을, 왜, 언제까지, 무엇으로 성공을 확인하나”라는 네 가지 기준으로 재구성했다. 이는 AI 에이전트 사용의 핵심 패턴을 보여준다. 처음부터 완벽한 산출물을 기대하기보다, 초안을 받은 뒤 특정 섹션에 피드백을 주고 반복적으로 다듬는 방식이 더 현실적이다.
08:44 - 7월 실행 액션이 무엇을, 왜, 언제까지, 무엇으로 성공을 확인하나의 네 섹션으로 재정리된 장면
PPT 보고서는 경영진용 요약 자료에 가까운 형태로 생성되었다
두 번째 실험에서는 앞서 만든 분석 결과와 인사이트 문서를 기반으로 PPT 보고서를 요청한다. 강연자는 8장에서 10장 정도 분량의 슬라이드를 만들고, 각 장표가 답해야 하는 핵심 질문을 명시했으며, 브랜드 가이드와 카페 로고도 반영해 달라고 지시한다. 결과적으로 ChatGPT Work는 약 17분 30초 만에 10장 분량의 경영진용 리포트를 생성했다.
PPT 결과물은 샘플 로고를 반영하고, 브랜드 스타일에 맞춘 형태로 구성되었다. 첫 장에서는 리포트 요약을 제시하고, 순매출, 공헌이익률, 주문 수, 관리 가능 이익, 경영 판단 같은 지표를 정리했다. 이어지는 장표에서는 순매출 변화, 공헌이익률 하락, 배달 채널 성장과 마진 문제, 운영 개선 필요성, 액션 플랜 등을 다루었다. 강연자는 일부 텍스트 배치가 아래로 내려오는 등 아쉬운 부분이 있었지만, 전반적으로 차트와 메시지가 깔끔하게 구성되었다고 평가한다.
09:55 - ChatGPT Work가 생성한 PPT 리포트 요약 슬라이드와 주요 경영 지표가 표시되는 장면
이 사례는 AI가 단순히 문서를 요약하는 수준을 넘어, 분석 결과를 프레젠테이션 문법으로 바꾸는 데 활용될 수 있음을 보여준다. 보고서와 PPT는 같은 정보를 담더라도 구조가 다르다. 보고서는 자세한 설명을 담을 수 있지만, PPT는 한 장표마다 메시지가 명확해야 하고 시각적 우선순위가 중요하다. ChatGPT Work가 이 변환을 자동으로 수행할 수 있다면, 사용자는 분석 이후의 문서화 작업 시간을 크게 줄일 수 있다.
Sites 기능은 대시보드 제작과 외부 공유를 연결한다
세 번째 실험의 핵심은 Sites 기능이다. 강연자는 ChatGPT Work에서 Sites 기능을 호출해 대시보드 제작을 요청했고, 단순한 로컬 산출물이 아니라 URL로 공유 가능한 형태까지 만들 수 있다고 설명한다. 이는 비개발자에게 특히 중요한 변화다. 기존에는 대시보드를 만들더라도 이를 외부에 공유하려면 별도의 웹 배포, 서버 설정, 권한 관리 같은 과정이 필요했기 때문이다.
생성된 대시보드에는 순매출, 공헌이익률, 주문 수, 관리 가능 이익, 객단가, 공헌이익 금액, KPI, 공헌이익률 추이, 수익성 하락 주요 원인, 월별 폐기 원가와 목표 등이 반영되었다. 강연자는 대시보드가 깔끔하게 만들어졌고, PDF나 HTML로도 제작할 수 있으며, Edit 버튼을 눌러 카드 위치를 이동하고 저장하면 바로 반영된다고 설명한다. 즉, AI가 만든 산출물을 사용자가 직접 편집 가능한 업무 도구로 이어갈 수 있는 셈이다.
11:25 - Sites 기능으로 생성된 대시보드에서 KPI, 공헌이익률 추이, 수익성 하락 원인이 표시되는 장면
이 기능은 ChatGPT Work의 차별점으로 제시된다. 데이터 분석 결과를 보고서나 PPT로 끝내는 것이 아니라, 운영자가 계속 확인할 수 있는 대시보드로 만들고 이를 외부 링크로 공유할 수 있기 때문이다. 매장 운영, 영업 관리, 프로젝트 KPI 관리처럼 반복적으로 숫자를 봐야 하는 업무에서는 이 연결성이 큰 장점이 된다.
Claude Code와의 비교에서는 분석 깊이와 사용성의 차이가 드러났다
영상 후반부에서 강연자는 같은 프롬프트를 기준으로 Claude Code와 ChatGPT Work의 결과물을 비교한다. 엑셀 분석에서는 Claude Code가 안내 시트를 따로 만들고, 섹션별 세부 분석을 한 번에 더 풍부하게 제공했다는 평가가 나온다. 반면 ChatGPT Work는 경영 요약을 더 깔끔하게 구성하고 대표 수치와 차트를 보기 좋게 배치했지만, 세부 해석의 깊이는 상대적으로 간단하다는 인상을 주었다고 한다.
PPT에서는 두 도구의 품질 차이가 엑셀보다 작았다. 강연자는 ChatGPT Work가 경영 판단 섹션을 나눠 구성한 점, 로고를 우측 상단에 반영한 점, 풋노트를 처리한 점을 긍정적으로 본다. 반면 Claude Code는 슬라이드 구성이 조금 더 다채롭고, 액션 플랜의 예상 순효과를 “200만 원 이상”처럼 요약해준 점이 좋았다고 평가한다. 디자인 면에서는 과거에 Claude가 훨씬 앞선다는 인상이 있었지만, 이번 비교에서는 ChatGPT Work가 많이 따라잡았다는 판단도 덧붙인다.
대시보드에서는 Claude Code가 한 번의 요청 기준으로 더 완성도 높은 디자인과 필터링 기능을 보여줬다고 평가된다. 로고 반영과 차트 표현도 Claude Code 쪽이 더 낫다는 설명이 나온다. 그러나 ChatGPT Work는 생성된 대시보드를 바로 편집할 수 있고, Share 기능을 통해 인터넷상의 다른 사람에게 쉽게 공개할 수 있다는 장점이 있다. 따라서 결과물의 첫 품질만 보면 Claude Code가 앞서는 부분이 있지만, 배포와 수정 편의성까지 포함하면 ChatGPT Work가 실무 흐름에 더 자연스럽게 붙는 영역이 있다.
15:48 - Claude Code와 ChatGPT Work가 만든 대시보드를 좌우로 비교하는 장면
사용량과 반복 수정 가능성은 ChatGPT Work의 현실적 강점이다
강연자가 마지막으로 강조한 차이는 사용량이다. ChatGPT Work는 꽤 활용했음에도 사용량 제한이 거의 줄지 않았다고 설명된다. 반면 Claude Code는 20달러 요금제를 기준으로 많이 사용하기 어렵고, 사용량 제약이 더 큰 편이라고 언급한다. 이 차이는 단순한 비용 문제가 아니라 업무 방식의 차이로 이어진다.
AI 에이전트 결과물은 한 번에 완벽하게 나오는 경우보다, 초안을 만들고 피드백을 주고 다시 수정하는 흐름에서 더 강력해진다. 사용량이 넉넉하면 사용자는 “이 섹션을 더 구체화해줘”, “이 차트를 바꿔줘”, “액션 플랜을 실행 기준 중심으로 다시 정리해줘”처럼 반복적으로 요청할 수 있다. 강연자는 ChatGPT Work가 기본적으로 디렉션을 잘 따르는 모델이기 때문에, 사용자가 원하는 부분을 명확히 강조하면 Claude Code와의 한 번 요청 기준 품질 차이를 충분히 줄일 수 있다고 본다.
결국 ChatGPT Work의 강점은 최고의 초안을 한 번에 내는 데만 있지 않다. 파일을 읽고, 산출물을 만들고, 사용자의 피드백을 받아 수정하고, 대시보드로 배포하는 전체 업무 흐름을 비교적 낮은 장벽으로 제공한다는 데 있다. 비개발자에게 중요한 것은 도구의 이론적 성능보다, 반복 사용 가능한 업무 시스템을 얼마나 쉽게 만들 수 있느냐다.
마무리 / 핵심 정리
강연자는 ChatGPT Work가 자율적인 분석 요청만으로도 꽤 높은 품질의 초안을 만들어냈다는 점을 인상적으로 평가한다. 엑셀 분석에서는 데이터 품질 점검, 경영 요약, 수익성 원인 분석, 실행 액션까지 생성했고, PPT에서는 경영진용 리포트에 가까운 형태로 메시지와 차트를 정리했다. 여기에 Sites 기능을 활용하면 대시보드를 만들고 URL로 공유하는 단계까지 이어갈 수 있었다.
물론 모든 영역에서 ChatGPT Work가 Claude Code를 앞선 것은 아니다. 한 번의 요청 기준 분석 깊이나 대시보드 디자인 품질은 Claude Code가 더 나은 부분이 있었다. 그러나 ChatGPT Work는 사용량이 넉넉하고, 디렉션을 잘 따르며, 생성된 대시보드를 쉽게 편집하고 배포할 수 있다는 실무적 장점이 있다. 따라서 비개발자가 엑셀, PPT, 대시보드 업무를 AI 에이전트에게 맡기고 반복적으로 개선하는 시스템을 만들고자 한다면, ChatGPT Work는 충분히 검토할 만한 도구로 보인다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 비개발자라면 ChatGPT Work 쓰시면 됩니다! 엑셀·PPT·대시보드까지 |
| 채널 | 시민개발자 구씨 |
| 영상 길이 | 약 19분 08초 |
| 리포트 작성 | 2026-07-18 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.