GitHub Copilot, PM도 써먹을 수 있을까? 6년차 PM의 솔직 후기

젠장, 또 삽질이다. AI 스타트업에서 PM으로 구르면서 새로운 기술 도입은 일상이고, GitHub Copilot 이야기는 끊임없이 들려왔다. '코드 자동 완성? 개발 생산성 40% 향상?' 솔직히 솔깃했다. '나도 써서 보고서 작성 시간 줄여볼까?' 하는 얄팍한 기대감으로 시작했지만, 현실은 달랐다. 이 글은 GitHub Copilot을 PM의 시각으로, 날 것 그대로 파헤친 후기다. 혹시나 장밋빛 미래를 꿈꾸고 있다면, 현실적인 이야기에 충격받을 준비를 하시길.

1. GitHub Copilot, PM에게 필요한 건 '코드'가 아니잖아?

처음 Copilot을 설치하고 들었던 생각은 '그래서, 이걸로 뭘 하지?' 였다. 내 주 업무는 코딩이 아니다. 요구사항 정의, 일정 관리, 커뮤니케이션, 데이터 분석... 코드를 짜는 대신 Jira 티켓을 쏟아내고, 슬랙 알림에 파묻히고, 엑셀 시트와 씨름한다. 데모 영상에서 봤던 화려한 코드 자동 완성은 내 세계와는 너무나 동떨어져 있었다. 마치 전투기 조종사에게 붓을 쥐여주는 느낌이랄까?

물론, 약간의 코드 작성은 필요하다. 예를 들어, 데이터 분석 결과를 시각화하기 위해 간단한 Python 스크립트를 짜거나, API 요청을 테스트하기 위해 curl 명령어를 사용하기도 한다. 하지만 Copilot은 이런 '간단한' 작업조차 제대로 도와주지 못했다. 명확한 컨텍스트 없이 코드를 뱉어내니, 오히려 내가 원하는 방향으로 수정하는 데 더 많은 시간을 쏟게 되는 경우가 허다했다. 예를 들어, '최근 3개월 사용자 활동 데이터 시각화' 라는 주석을 달고 Copilot에게 코드를 요청했을 때, 엉뚱한 그래프 라이브러리를 사용하거나, 존재하지 않는 데이터 필드를 참조하는 코드를 제시하는 경우가 많았다. 결국, 기존에 사용하던 구글링 + 스택 오버플로우 조합이 훨씬 효율적이었다.

2. 그래도 혹시나… 삽질은 계속된다

포기할까 생각했지만, '40% 생산성 향상'이라는 문구가 계속 머릿속을 맴돌았다. 혹시 내가 Copilot을 제대로 활용하지 못하는 건 아닐까? 좀 더 깊이 파고들어 보기로 했다. Copilot Labs 익스텐션을 설치하고, 다양한 실험을 진행했다.

• 자연어 → SQL 변환: 데이터 분석 업무에 도움이 될까 싶어 시도해봤다. '지난주 신규 가입자 수' 라는 자연어 쿼리를 입력했더니, 꽤나 정확한 SQL 코드를 생성해냈다. 하지만 테이블 구조에 대한 정보가 부족하거나, 복잡한 조건을 추가해야 하는 경우에는 여전히 한계가 있었다. 결국, 데이터 팀에 SQL 쿼리 요청하는 게 더 빠르고 정확했다.
• 문서 요약: 방대한 기술 문서를 빠르게 파악하기 위해 사용해봤다. 핵심 내용을 요약해주는 기능은 꽤 유용했지만, 맥락을 제대로 이해하지 못하고 단편적인 정보만 추출하는 경우가 많았다. 중요한 기술적 결정을 내릴 때는 여전히 원문을 꼼꼼히 읽어야 했다.
• 이메일 초안 작성: 회의록 기반으로 팔로우업 이메일을 작성하는 데 사용해봤다. 기본적인 틀은 잡아줬지만, 어색한 문장과 부자연스러운 표현이 많았다. 결국, 내가 직접 수정하고 다듬어야 했다.

결론적으로, Copilot은 '보조 도구' 이상의 역할을 해주지 못했다. 단순 반복 작업이나 초안 작성에는 약간의 도움을 줄 수 있지만, PM의 핵심 업무인 전략 수립, 의사 결정, 커뮤니케이션에는 거의 도움이 되지 않았다. 오히려 Copilot에게 의존하려다 시간만 낭비하는 경우가 많았다. 마치 자동 번역기를 맹신하다가 엉뚱한 결과를 초래하는 것과 비슷했다.

3. Copilot, 디자인 워크플로우에선 어떨까?

AI 스타트업에서 일하는 PM으로서, 디자인 워크플로우에 AI를 접목하는 방안도 고민해봤다. 피그마 플러그인이나 캔바의 AI 기능을 활용하면 어떨까? 하지만 디자인은 PM 업무와 마찬가지로, 단순히 '자동화'할 수 있는 영역이 아니다. 디자인은 사용자 경험에 대한 깊은 이해, 창의적인 발상, 그리고 끊임없는 실험과 개선을 통해 완성된다. AI는 이러한 과정을 '보조'할 수는 있지만, '대체'할 수는 없다.

예를 들어, AI 기반 디자인 툴을 사용하여 아이콘 디자인을 자동 생성할 수는 있다. 하지만 사용자의 니즈와 맥락에 맞는 아이콘을 선택하고, 전체 디자인 시스템과 조화롭게 통합하는 것은 결국 디자이너의 몫이다. AI는 단지 '아이디어 발전'의 시작점을 제공하는 역할만 수행할 뿐이다. 결국, 디자인 워크플로우에서 AI는 '시간 단축'보다는 '아이디어 발상'에 초점을 맞춰 활용해야 한다.

4. PM, Copilot 대신 이거 쓰세요 (솔직 추천)

Copilot은 내게 '계륵' 같은 존재였다. 활용하기에 따라 약간의 도움은 되지만, 기대했던 만큼의 생산성 향상은 없었다. 오히려 Copilot에 적응하려다 시간만 낭비하는 경우가 많았다. 그렇다면 PM은 어떤 AI 도구를 활용해야 할까? 내 경험을 바탕으로 솔직하게 추천한다.

• Notion AI: 회의록 작성, 문서 요약, 아이디어 브레인스토밍에 유용하다. 특히, 회의록 기반으로 액션 아이템을 자동으로 추출해주는 기능은 PM 업무 효율성을 크게 향상시켜준다. (개인적으로 Notion AI 도입 후 보고서 작성 시간 20% 단축 효과를 봤다.)
• Otter.ai: 실시간 회의록 작성에 특화된 AI 툴이다. 회의 내용을 텍스트로 변환해줄 뿐만 아니라, 화자 분리, 키워드 추출 기능도 제공한다. 회의 내용을 빠르게 정리하고 공유하는 데 유용하다.
• ChatGPT (GPT-4): 복잡한 문제 해결, 아이디어 발상, 보고서 초안 작성에 활용할 수 있다. 특히, GPT-4는 이전 버전보다 문맥 이해 능력이 훨씬 뛰어나, PM의 전략적 사고를 돕는 데 효과적이다. 단, ChatGPT가 제공하는 정보는 반드시 검증해야 한다. (GPT-4를 활용하여 경쟁사 분석 보고서 초안 작성 시간을 30% 단축한 경험이 있다.)

실천 가이드: Copilot, 그래도 써보고 싶다면?

만약 당신이 PM으로서 GitHub Copilot을 꼭 사용해보고 싶다면, 다음 가이드라인을 참고하길 바란다.

1. 명확한 목표 설정: Copilot을 통해 무엇을 얻고 싶은지 명확하게 정의해야 한다. 단순히 '생산성 향상'이라는 막연한 목표보다는, '특정 작업 시간 단축', '반복적인 코드 작성 자동화'와 같이 구체적인 목표를 설정하는 것이 좋다.
2. 작업 환경 최적화: Copilot은 주석 기반으로 코드를 생성하는 경우가 많다. 따라서 코드 작성 시 주석을 적극적으로 활용하고, 코드 컨벤션을 준수하는 것이 중요하다. 또한, Copilot Labs 익스텐션을 활용하여 다양한 실험을 진행해보고, 자신에게 맞는 활용법을 찾아야 한다.
3. 지속적인 학습: Copilot은 끊임없이 발전하고 있다. 새로운 기능이 추가될 때마다 학습하고, 다양한 활용 사례를 참고하는 것이 중요하다. 또한, Copilot 커뮤니티에 참여하여 다른 사용자와 정보를 공유하고, 노하우를 배우는 것도 좋은 방법이다.
4. 과도한 의존 경계: Copilot은 '보조 도구'일 뿐, '만능 해결사'가 아니다. Copilot에게 과도하게 의존하면 오히려 생산성이 떨어질 수 있다. Copilot은 코드 초안을 빠르게 생성하는 데 활용하고, 최종 결과물은 반드시 직접 검토하고 수정해야 한다.

마무리: AI는 도구일 뿐, 핵심은 '사람'

GitHub Copilot은 훌륭한 도구임에는 분명하지만, PM에게는 아직 활용도가 제한적이다. AI 기술은 끊임없이 발전하고 있지만, PM의 핵심 역량인 문제 해결 능력, 커뮤니케이션 능력, 전략적 사고 능력은 여전히 인간만이 가질 수 있는 고유한 자산이다. AI를 맹신하기보다는, AI를 활용하여 자신의 역량을 강화하고, 더 가치 있는 일에 집중하는 것이 중요하다.

자, 이제 당신의 차례다. 당신은 어떤 AI 도구를 활용하고 있는가? 댓글로 당신의 경험을 공유해주길 바란다.