02. 엑셀 AI 잘 시키는 법

엑셀에서 AI가 자꾸 엉뚱한 답을 내는 이유는 모델이 멍청해서라기보다, 표 구조가 흐리고 질문이 넓고 결과 형식이 열려 있기 때문인 경우가 많습니다. Microsoft의 Excel 가이드와 OpenAI·Anthropic·Google 공식 문서를 같이 보면 공통점이 분명합니다. AI를 잘 쓰려면 먼저 데이터를 읽기 쉬운 표로 정리하고, 그다음 무엇을 계산할지 좁히고, 마지막으로 어떤 형식으로 돌려받을지까지 고정해야 합니다.

핵심은 한 줄이면 충분합니다. 엑셀 AI 성능은 모델보다 표 구조, 열 이름, 출력 형식에서 먼저 갈립니다.

flowchart LR
A[문제 인지: 답은 나오는데 믿기 어렵다] --> B[표와 헤더 정리]
B --> C[질문 범위 축소]
C --> D[출력 형식 고정]
D --> E[필요 시 Python 또는 도구 호출]
E --> F[샘플 검증 후 반영]

🧠 칠판 치트시트

엑셀 AI는 파일 전체보다 잘 정리된 표를 더 잘 읽는다.

“분석해줘”보다 어느 열을 보고 무엇을 찾을지를 적는 편이 훨씬 낫다.

결과는 문장보다 표·JSON·새 열 생성 형식으로 받는 게 덜 흔들린다.

큰 계산은 설명형 답변보다 Python·코드 실행·도구 호출로 넘길수록 안정적이다.

원본 파일에 바로 덮어쓰지 말고 샘플 5~10행으로 먼저 검증해야 한다.

먼저 결론: 공식 문서가 공통으로 말하는 것

Microsoft는 Copilot in Excel을 제대로 쓰려면 데이터를 table 또는 supported range로 정리하라고 안내합니다. 또 질문을 할 때는 어떤 표와 어떤 열을 기준으로 볼지 더 구체적으로 적을수록 결과가 좋아진다고 설명합니다. 복잡한 분석이 필요하면 Python 기반 고급 분석도 요청할 수 있다고 말합니다.
공식 문서: Get started with Copilot in Excel, FAQ about Copilot in Excel

OpenAI는 프롬프트를 잘 쓰는 것만으로 끝내지 말고, 필요할 때는 Structured Outputs로 출력 스키마를 고정하고, 더 큰 계산이나 파일 처리는 Code Interpreter 같은 실행 도구로 넘기라고 설명합니다.
공식 문서: Prompt engineering, Structured Outputs, Code Interpreter

Anthropic과 Google도 방향이 비슷합니다. 둘 다 tool use / function calling / structured output를 강조합니다. 즉, AI에게 “대충 잘 정리해줘”라고 맡기기보다, 호출할 기능과 받아야 할 결과 형식을 분명하게 정해야 안정적인 자동화가 된다는 뜻입니다.
공식 문서: Claude Tool Use, Claude Structured Outputs, Gemini Function Calling, Gemini Structured Output

세 축을 합치면 메시지는 하나입니다. 엑셀 AI는 질문을 잘하는 기술보다, 데이터를 읽기 쉬운 구조로 만들고 결과 형식을 잠그는 운영 습관에서 성능 차이가 납니다.

1) 표부터 정리해야 AI가 덜 헷갈린다

엑셀에서 가장 흔한 실패는 데이터가 이미 정리돼 있다고 생각하는 데서 시작합니다. 사람 눈에는 보기 괜찮아 보여도, AI 입장에서는 빈 행이 섞여 있고, 병합 셀이 있고, 헤더 이름이 애매하면 무엇이 한 레코드인지 파악하기가 어렵습니다. Microsoft도 Copilot이 잘 읽으려면 데이터를 표(Table) 나 지원되는 범위로 맞추라고 안내합니다.

실무에서는 아래 4가지만 먼저 보면 됩니다.

첫 행이 진짜 헤더인가
각 열 이름이 한눈에 이해되는가
빈 행·병합 셀·중간 소계가 섞여 있지 않은가
날짜·통화·수량 형식이 열 단위로 일관적인가

미니 사례 A:

Before: 매출, 지역, 담당, 비고 열이 섞여 있는데 중간중간 빈 행과 소계가 들어가 있음 → AI가 행 단위를 다르게 해석하면서 이상치 설명이 흔들림
After: 표로 변환하고 헤더를 order_date, region, sales_amount, owner, note처럼 정리 → 필터, 요약, 추세 설명이 훨씬 안정됨

검증도 간단합니다. 표의 아무 행 5개를 골라서 사람이 읽었을 때 “이 한 줄이 무엇을 뜻하는지” 바로 설명되지 않으면, AI도 헷갈릴 가능성이 큽니다.

공식 문서: Format data for Copilot in Excel, Get started with Copilot in Excel

2) 질문보다 출력 형식을 먼저 고정해야 덜 흔들린다

많은 사람이 “이 데이터 분석해줘”라고 먼저 말합니다. 그런데 이런 요청은 범위가 너무 넓습니다. AI는 무엇을 중요하게 볼지, 어떤 형식으로 내야 하는지 스스로 추정해야 하고, 그때마다 결과가 달라집니다. OpenAI의 Structured Outputs, Anthropic의 strict tool use, Gemini의 structured output 가이드가 같이 말하는 핵심도 여기에 있습니다. 결과 형식을 미리 정하면 흔들림이 줄어듭니다.

실무에서는 질문을 이렇게 바꾸는 편이 좋습니다.

나쁜 예: “이 매출 파일 좀 분석해줘”
더 나은 예: “sales_amount 기준 상위 이상치 5건을 찾아서 행번호 / 원인추정 / 검토필요여부 3열 표로 정리해줘”
더 안정적인 예: “아래 스키마에 맞춰 JSON으로 반환해줘: row_id, issue_type, reason, action”

미니 사례 B:

Before: “문제 있는 행 찾아줘” → 어떤 기준이 문제인지 매번 달라짐
After: “delivery_date 누락, sales_amount 0 이하, owner 공란 행만 찾아 행번호/문제유형/권장조치로 정리” → 결과가 검토 가능한 수준으로 바뀜

여기서 중요한 포인트는 AI가 똑똑한 문장을 쓰는지보다, 사람이 다시 검수하기 쉬운 형태로 돌려주는지입니다. 문장이 길수록 멋져 보일 수는 있어도, 엑셀 작업에서는 표나 구조화된 결과가 훨씬 유용합니다.

공식 문서: Structured Outputs, Claude Structured Outputs, Gemini Structured Output

3) 큰 계산은 설명형 답변보다 Python·도구 호출로 넘겨야 한다

단순한 수식 설명이나 짧은 요약은 일반 대화형 응답으로도 충분할 때가 많습니다. 하지만 이상치 탐지, 여러 조건 조합, 차트 생성, 피벗 성격의 비교처럼 단계가 늘어나는 분석은 그냥 말로만 처리할수록 불안정해집니다. OpenAI는 이런 종류의 문제에서 Code Interpreter가 파일을 읽고 코드를 실행하며 반복적으로 해결할 수 있다고 설명합니다. Microsoft도 Copilot in Excel FAQ에서 더 깊은 분석이 필요하면 Python 사용을 요청할 수 있다고 안내합니다.

실무에서는 업무를 세 층으로 나누면 편합니다.

설명층: 수식 뜻 설명, 열 의미 요약, 간단한 정리
구조층: 새 열 생성, 조건별 분류, 표/JSON 반환
실행층: Python 계산, 차트, 이상치 탐지, 집계 자동화

짧은 현장 사례:

Before: “지난 12개월 이상치랑 계절성까지 봐줘”를 한 번에 요청 → 설명은 그럴듯하지만 기준이 모호함
After: ① 월별 매출 집계 ② 이상치 기준 계산 ③ 차트 생성 ④ 검토 코멘트 작성 순서로 나눔 → 재현 가능한 분석이 됨

검증은 결과 문장을 읽는 것보다 중간 산출물을 보는 편이 낫습니다. 새로 만들어진 열, 생성된 표, 코드 결과 샘플, 차트 기준이 보이면 믿을 수 있는 분석인지 판단하기가 쉬워집니다.

공식 문서: Code Interpreter, FAQ about Copilot in Excel, Gemini Function Calling, Claude Tool Use

4) 한 번에 다 시키지 말고, 샘플 검증 루프를 넣어야 한다

공식 문서들이 공통으로 말하는 마지막 포인트는 사실 이것에 가깝습니다. AI는 잘 도와주지만, 결과를 그대로 확정 데이터로 삼으면 안 됩니다. Microsoft도 Copilot이 만든 인사이트·수식·표가 틀릴 수 있으니 사람의 판단이 필요하다고 안내합니다. 즉, 엑셀 AI의 핵심은 멋진 프롬프트 한 줄이 아니라 검증 루프를 설계하는 습관입니다.

오늘부터는 아래 순서만 고정해도 실수가 확 줄어듭니다.

원본 파일을 복제본으로 하나 더 만듭니다.
전체 범위를 돌리기 전에 5~10행 샘플로 먼저 요청합니다.
새 열이나 새 표가 기대한 형식인지 확인합니다.
그다음 전체 데이터에 확장합니다.
마지막으로 사람이 이상한 행 3건만 다시 확인합니다.

미니 사례 C:

Before: 원본 시트 전체에 바로 분류 열 추가 → 잘못된 기준이 전체 데이터에 퍼짐
After: 샘플 10행으로 먼저 분류 기준 점검 후 전체 반영 → 수정 비용이 훨씬 줄어듦

엑셀에서는 “정답률 100%“보다 오류가 생겨도 빨리 발견되는 구조가 더 중요합니다. 이 루프가 있으면 AI를 무작정 믿지 않아도 되고, 그렇다고 매번 처음부터 수작업으로 돌아갈 필요도 없습니다.

공식 문서: FAQ about Copilot in Excel, Prompt engineering

오늘 바로 쓰는 엑셀 AI 프롬프트 5개

아래 예시는 표 헤더가 정리돼 있다는 전제에서 가장 바로 써먹기 쉬운 형태만 골랐습니다.

이상치 찾기
”sales_amount 기준으로 평균에서 많이 벗어난 행 5개를 찾아 row_id / 값 / 이상치로 본 이유 / 확인할 항목 표로 정리해줘.”
결측·중복 점검
”customer_id, order_date, sales_amount 열을 기준으로 공란과 중복 행을 찾아 행번호 / 문제유형 / 권장조치로 정리해줘.”
새 열 분류 만들기
”note 열을 읽고 긴급, 일반, 후속확인 세 가지 중 하나로 분류해서 새 열 초안을 만들어줘. 분류 근거도 같이 보여줘.”
요약 보고서 만들기
”region별 매출 합계와 전월 대비 변화를 표로 만들고, 마지막에 한 문단으로 핵심만 요약해줘.”
Python 분석 요청
”월별 매출의 추세와 이상치를 Python으로 분석하고, 차트 1개와 해석 3줄을 만들어줘. 기준도 함께 설명해줘.”

15분 도입 루틴

누가 하든 비슷한 결과가 나오게 하려면, 오늘은 아래 순서만 고정하면 됩니다.

운영자: 분석할 시트를 표로 바꾸고 헤더를 정리합니다.
실무자: 질문에 반드시 대상 열 이름을 넣습니다.
에이전트: 결과를 문장 대신 표·JSON·새 열 초안으로 돌려주게 합니다.
리뷰어: 샘플 5~10행만 먼저 검수합니다.
마지막: 필요할 때만 Python·코드 실행·고급 분석으로 올립니다.

이 순서의 장점은 도구가 바뀌어도 그대로 쓸 수 있다는 점입니다. Copilot을 쓰든, Claude나 Gemini를 붙이든, API 에이전트를 만들든 기본 원칙은 같습니다.

오늘 바로 점검할 체크리스트

데이터가 표(Table) 또는 읽기 쉬운 범위로 정리돼 있다.
열 이름이 모호하지 않고, 한 줄 레코드 의미가 분명하다.
질문에 대상 열 이름과 원하는 결과 형식이 들어 있다.
전체 실행 전 샘플 5~10행으로 먼저 검증한다.
큰 계산은 설명형 답변이 아니라 Python·도구 호출로 넘길 기준이 있다.

같이 보면 좋은 문서 (10)

다음 추천 읽기: 01. AI 티 나는 디자인 줄이는 법

AI 생성 도구를 활용해 초안을 구성했고, Microsoft·OpenAI·Anthropic·Google 공식 문서를 교차 확인해 실무용으로 재정리했습니다.

일하는 ai

탐색기