구글 ‘지속가능성 보고서를 위한 AI 플레이북’ 발간

구글이 지난 2년여간의 AI 실험과 10년 넘게 축적한 투명한 공시 경험을 바탕으로 “지속가능성 보고서를 위한 AI 플레이북(AI playbook for sustainability reporting)(원문)”을 15일(현지시각) 공개했다. 플레이북에는 구글이 2025년 환경 보고서를 작성하며 실제로 테스트한 구체적인 프롬프트와 사례 연구를 포함하고 있다.

본 기사에서는 이 보고서가 제안하는 5단계 프레임워크와 AI 도입의 기회 요인을 살펴보고, 특히 성공적인 AI 활용을 위해 제시된 핵심 모범 사례들을 상세히 분석했다.

지속가능성 보고를 위한 5단계 프레임워크

AI를 무작정 도입하기보다는 체계적인 접근이 필요하다. 구글은 보고 프로세스에 AI를 통합하기 위한 5단계 접근 방식을 제안한다.

1. 수동 작업 및 시간 소모적 워크플로 감사 (Audit): 가장 먼저 반복적이고 데이터 집약적인 작업, 특히 비정형 데이터를 다루는 업무 중 시간이 많이 걸리는 부분을 식별해야 한다. 공급업체 설문지 분석이나 정책 업데이트 요약 등이 여기에 해당한다.
2. AI와 자동화의 구분 (Decide): 모든 문제에 AI가 필요한 것은 아니다. 규칙 기반 로직으로 해결 가능한 단순한 작업은 스프레드시트 공식이나 스크립트가 더 빠르고 정확할 수 있다. AI는 복잡하고 모호한 작업에 사용해야 한다.
3. 적절한 AI 도구 선택 (Select): 작업의 성격에 맞춰 모델을 선택해야 한다. 생성형 AI는 프레임워크 요약이나 서사 작성(narrative drafting) 같은 텍스트 중심 작업에 적합하며, 구조화된 머신러닝은 배출량 분류나 데이터 공백 채우기 등 정량적 작업에 유리하다.
4. 솔루션 구축, 테스트 및 반복 (Build, Test, Iterate): 처음부터 완벽을 기하기보다 프로토타입으로 시작해 인간의 검증을 거쳐 오류를 수정해 나가는 방식이 효과적이다.
5. 확장을 위한 문서화 (Document): 성공적인 프롬프트와 프로세스를 중앙 가이드에 기록하여 조직 전체가 자산으로 활용할 수 있도록 해야 한다.

성공과 확장을 위한 6가지 모범 사례 (Best Practices)

1. 인간 참여형 접근 방식 유지 (Keep a human in the loop)

AI는 인간을 대체하는 것이 아니라 협력하는 도구다. 보고서 작성자는 ‘승객’이 아니라 ‘조종사’가 되어야 한다. 전략을 수립하고, 프롬프트를 설계하며, AI가 생성한 결과물을 엄격하게 검증하는 것은 여전히 인간의 몫이다. 기술은 프로세스를 가속화할 수 있지만, 그 정확성을 보장하는 것은 결국 인간의 판단력이다.

2. AI에게 도움 요청하기 (Ask AI to help)

AI 활용 중 막히는 부분이 있다면 AI에게 직접 도움을 요청하는 것이 좋다. 잠재적인 사용 사례를 브레인스토밍하거나, 복잡한 오류의 원인을 설명해 달라고 요청할 수 있다. 심지어 자신이 작성한 프롬프트를 더 나은 버전으로 수정해 달라고 AI에 요청할 수도 있다. 만약 결과물이 의도와 다르다면, AI에게 “왜?”라고 물어보는 것이 지침을 디버깅하는 가장 빠른 방법이 될 수 있다.

3. 호기심 유지 및 지속적 학습 (Stay curious)

AI 리터러시는 일회성 교육으로 끝나는 것이 아니라 지속적인 실천이 되어야 한다. 팀의 일상 업무에 AI 학습을 통합하고, 매주 새로운 AI 기능을 공유하는 시간을 가지며, 타 부서가 유사한 문제를 AI로 어떻게 해결하고 있는지 적극적으로 물어보는 문화가 필요하다.

4. 솔루션 문서화 (Document your solutions)

성공적인 AI 실험이 단지 채팅창 속에 머물게 해서는 안 된다. 성공한 프롬프트, 검증된 워크플로, 관련 튜토리얼을 보관하는 팀 공유 ‘AI 도구 상자(AI Toolbox)’를 구축해야 한다. 이러한 문서화는 개인의 성공을 조직 전체의 역량으로 확장하는 다리가 된다.

5. 반복하고 또 반복하라 (Iterate, iterate, iterate)

첫 번째 프롬프트가 최상의 결과를 내는 경우는 드물다. 초기의 실패를 장애물이 아닌 데이터 포인트로 간주해야 한다. 가장 강력한 솔루션은 보통 서너 번의 수정 과정을 거친 후에 나타난다. 결과물이 원하는 기준에 도달할 때까지 지침과 제약 조건을 지속적으로 다듬는 과정이 필수적이다.

6. ‘AI 만능주의’ 함정 피하기 (Avoid the AI solutionism trap)

앞서 프레임워크에서도 언급했듯, 모든 문제에 AI 솔루션이 필요한 것은 아니다. AI로 문제를 해결하기 전에, 스프레드시트 공식이나 간단한 스크립트로 더 잘 해결할 수 있는지 자문해야 한다. AI는 표준 자동화 도구로 처리하기 어려운 복잡성과 모호함이 있는 작업에 활용해야 한다.

실제 적용 사례

1. 내러티브 검증 및 스트레스 테스트 (Stress-testing narratives) 보고서 초안의 견고함을 테스트하기 위해 AI에게 특정 ‘페르소나’를 부여하는 방식은 매우 효과적이다. 예를 들어, AI에게 “당신은 갭과 약점, 그린워싱을 찾아내는 회의적인 탐사 보도 기자입니다”라는 역할을 부여하여 보고서 섹션을 검토하게 하거나, “ESG 중심의 투자자” 입장에서 전략에 대한 질문을 던지게 할 수 있다. 이는 ‘반복(Iterate)’과 ‘인간 참여형(Human in the loop)’ 모범 사례를 잘 보여주는 예시다.

2. 클레임 검증 (Claims validation) 환경 관련 주장의 검증은 시간이 많이 걸리고 위험 부담이 큰 작업이다. 구글은 Gemini의 맞춤형 Gem을 사용하여 초안의 주장을 내부 가이드라인 및 모범 사례와 교차 참조하도록 프로그래밍했다. 이 모델은 인간 검토자가 처음부터 모든 것을 확인하는 대신, 모델의 평가를 검증하는 데 집중하게 하여 워크플로를 효율화했다.

3. 반응형 커뮤니케이션 (Reactive comms) 내부 팀은 외부 이해관계자가 보고서를 어떻게 받아들일지에 대한 사각지대를 가질 수 있다. NotebookLM과 같은 도구에 최종 보고서 초안을 업로드하고, AI에게 회의적인 저널리스트나 NGO의 입장에서 “까다로운 질문”을 생성하고 이에 대한 답변을 초안으로 작성하도록 요청할 수 있다. 이는 잠재적인 그린워싱 리스크나 데이터 공백을 사전에 식별하는 데 도움을 준다.

4. 접근성 및 콘텐츠 상호작용 (Accessibility & Content interaction) AI는 이미지에 대한 대체 텍스트(alt text)를 자동으로 생성하거나 시각적 능력을 가정한 언어(예: “아래 차트 참조”)를 식별해 포용적인 언어로 수정 제안을 할 수 있다. 또한, NotebookLM이나 Learn About과 같은 도구를 활용해 정적인 PDF 보고서를 대화형 인터페이스나 오디오 개요(팟캐스트 스타일)로 변환하여 더 넓은 청중에게 기술적인 데이터를 쉽게 전달할 수 있다.