<div id="readability-page-1" class="page"><div id="post-body-8749116632689065312" itemprop="articleBody">
<a href="https://blogger.googleusercontent.com/img/a/AVvXsEiyDd0LWb-sIfSswOF8pyyJoTTgkJOrXShX1SkTfdo5bpRPOCFlkqsWWCjufeT7apvEylv1deNwPlUXFEVkRtWvP6pZkPWouldWjYo_iYe6AhR8WmUqikPVVJ9SB91KuDRxfqQqYGqyr6tetYmbZjDjpmlrsU0TwuKqq2KAvKUOvW8xHdQin_O0Fxlo80k"><img alt="" data-original-height="1024" data-original-width="1024" height="280" src="https://blogger.googleusercontent.com/img/a/AVvXsEiyDd0LWb-sIfSswOF8pyyJoTTgkJOrXShX1SkTfdo5bpRPOCFlkqsWWCjufeT7apvEylv1deNwPlUXFEVkRtWvP6pZkPWouldWjYo_iYe6AhR8WmUqikPVVJ9SB91KuDRxfqQqYGqyr6tetYmbZjDjpmlrsU0TwuKqq2KAvKUOvW8xHdQin_O0Fxlo80k=w640-h640" width="280"></a>"ChatGPT에게 WBS 좀 만들어달라고 하면 정말 제대로 만들어줄까?"놀랍게도, 예상보다 훨씬 잘 만들어줍니다. 그것도 단 10분 만에 수백 개의 작업을 체계적으로 분해하는 초안을 말이죠.물론 AI가 생성한 WBS는 "초안"입니다. 인간의 전문적인 검증과 개선이 더해져야 비로소 완벽한 WBS가 됩니다. 하지만 시작점으로서 AI의 역할은 상상 이상입니다.오늘은 LLM(Large Language Model)을 활용하여 WBS를 효율적으로 생성하는 기술적 구현 방법과 핵심 프롬프트 엔지니어링 전략을 공유합니다.LLM이 WBS 생성에 특히 강한 이유가 있습니다.첫째,&nbsp;전체 맥락을 한 번에 파악합니다. 프로젝트의 큰 그림을 보면서 동시에 세부 작업까지 생각할 수 있죠.둘째,&nbsp;계층적 사고가 자연스럽습니다. 트리 구조를 만드는 것은 언어 모델의 기본 능력 중 하나입니다.셋째,&nbsp;의존성을 자동으로 인식합니다. "데이터베이스 설계가 끝나야 API 개발이 가능하다"는 것을 알고 있습니다.넷째,&nbsp;일관성을 유지합니다. 수백 개의 작업을 동일한 형식과 상세 수준으로 작성합니다.무엇보다 수많은 프로젝트 문서를 학습했기 때문에 패턴을 알고 있습니다.<h2 data-source-line="33" id="실전-이커머스-wbs-생성하기">실전: 이커머스 WBS 생성하기</h2><h3 data-source-line="35" id="step-1-기본-프롬프트">Step 1: 기본 프롬프트</h3><pre data-info="markdown {data-source-line=&quot;37&quot;}" data-role="codeBlock" data-source-line="37"><code>다음 프로젝트의 WBS를 만들어주세요:

프로젝트: 이커머스 플랫폼 개발
기간: 3개월
팀 규모: 5명
주요 기능: 상품 관리, 장바구니, 결제, 배송 추적
</code></pre>이렇게만 해도 기본적인 WBS는 나옵니다. 하지만 깊이가 부족하고 우리 상황에 맞지 않을 수 있습니다.<h3 data-source-line="49" id="step-2-고급-프롬프트-핵심">Step 2: 고급 프롬프트 (핵심!)</h3><pre data-info="markdown {data-source-line=&quot;51&quot;}" data-role="codeBlock" data-source-line="51"><code>이커머스 플랫폼 개발 프로젝트의 WBS를 생성해주세요.

제약사항:

- 3단계 깊이 (Level 1 &gt; Level 2 &gt; Level 3)
- 각 작업은 8시간 이하로 분해
- 개발/테스트/배포 단계 포함
- 시간 추정 포함 (낙관/현실/비관)

출력 형식:

1. [대분류] (총 시간)
 1.1 [중분류] (시간)
 1.1.1 [작업] (O:낙관/R:현실/P:비관)

기술 스택:

- Frontend: React, TypeScript
- Backend: Node.js, PostgreSQL
- 인프라: AWS, Docker
</code></pre>이렇게 구체적으로 요청하면 품질이 완전히 달라집니다.<h3 data-source-line="76" id="step-3-chatgpt-응답-예시">Step 3: ChatGPT 응답 예시</h3>AI가 이런 식으로 응답합니다:<pre data-info="{data-source-line=&quot;80&quot;}" data-role="codeBlock" data-source-line="80"><code>1. 프로젝트 기획 및 설계 (120h)
 1.1 요구사항 분석 (32h)
 1.1.1 이해관계자 인터뷰 (O:4h/R:6h/P:8h)
 1.1.2 기능 명세서 작성 (O:6h/R:8h/P:12h)
 1.1.3 비기능 요구사항 정의 (O:3h/R:4h/P:6h)

 1.2 시스템 설계 (40h)
 1.2.1 아키텍처 설계 (O:6h/R:8h/P:12h)
 1.2.2 DB 스키마 설계 (O:4h/R:6h/P:8h)
 1.2.3 API 설계 (O:6h/R:8h/P:10h)

2. 개발 (480h)
 2.1 백엔드 개발 (200h)
 2.1.1 인증/인가 시스템 (O:16h/R:24h/P:32h)
 2.1.2 상품 관리 API (O:20h/R:28h/P:40h)
 ...
</code></pre>단 30초 만에 이런 구조화된 WBS가 나옵니다!<h2 data-source-line="101" id="프롬프트-엔지니어링-팁">프롬프트 엔지니어링 팁</h2><h3 data-source-line="103" id="1-컨텍스트를-명확하게">1. 컨텍스트를 명확하게</h3><pre data-info="python {data-source-line=&quot;105&quot;}" data-role="codeBlock" data-source-line="105"><code>prompt = f"""
프로젝트 유형: {project_type}
기술 스택: {tech_stack}
팀 규모: {team_size}
제약사항: {constraints}
출력 형식: {output_format}
"""
</code></pre>구체적일수록 좋은 결과가 나옵니다.<h3 data-source-line="117" id="2-few-shot-예시-제공">2. Few-shot 예시 제공</h3><pre data-info="markdown {data-source-line=&quot;119&quot;}" data-role="codeBlock" data-source-line="119"><code>예시:

1. 프론트엔드 개발 (100h)
 1.1 컴포넌트 개발 (40h)
 1.1.1 Header 컴포넌트 (O:2h/R:3h/P:4h)

이런 형식으로 전체 WBS를 작성해주세요.
</code></pre>예시를 보여주면 AI가 정확히 따라합니다.<h3 data-source-line="131" id="3-반복적-개선">3. 반복적 개선</h3>한 번에 완벽한 WBS를 기대하지 마세요.첫 번째: "WBS 만들어줘" → 기본 구조 두 번째: "테스트 작업 추가해줘" → 세부 작업 추가 세 번째: "PERT 추정 적용해줘" → 시간 추정이렇게 대화하듯 개선해나가면 됩니다.<h2 data-source-line="141" id="python으로-자동화하기">Python으로 자동화하기</h2><pre data-info="python {data-source-line=&quot;143&quot;}" data-role="codeBlock" data-source-line="143"><code>import openai

class WBSGenerator:
 def __init__(self, api_key):
 openai.api_key = api_key

 def generate_wbs(self, project_desc, constraints=None):
 prompt = self._build_prompt(project_desc, constraints)

 response = openai.ChatCompletion.create(
 model="gpt-4",
 messages=[
 {"role": "system", "content": "당신은 프로젝트 관리 전문가입니다."},
 {"role": "user", "content": prompt}
 ],
 temperature=0.3, # 낮게 설정 (일관성)
 max_tokens=3000
 )

 return self._parse_response(response)
</code></pre>temperature를 낮게 설정하면 더 일관된 결과가 나옵니다.<h2 data-source-line="168" id="실제-성능-비교">실제 성능 비교</h2>수동으로 WBS를 작성하면 4-6시간이 걸립니다. 작업도 50-80개 정도가 한계이고, 일관성도 떨어집니다. 무엇보다 중요한 작업을 놓칠 가능성이 높습니다.LLM을 사용하면 10-15분 만에 100-200개의 작업이 나옵니다. 일관성도 높고, 누락 가능성도 낮습니다.물론 도메인 특수성이나 팀 특성은 반영하기 어렵습니다. 하지만 이건 인간이 검토하고 조정하면 됩니다.<h2 data-source-line="180" id="llm-wbs의-한계와-보완">LLM WBS의 한계와 보완</h2><h3 data-source-line="182" id="한계점">한계점</h3>도메인 특수성: 특정 업계의 고유한 프로세스를 모를 수 있습니다. 최신 기술: 2024년 이후 나온 기술은 모를 수 있습니다. 팀 특성: 우리 팀만의 작업 방식은 반영할 수 없습니다.<h3 data-source-line="188" id="보완-방법">보완 방법</h3>도메인 전문가가 리뷰하고, 과거 프로젝트 데이터를 반영하고, 팀 벨로시티를 적용하면 됩니다.AI가 80%를 만들고, 인간이 20%를 보완하는 것. 이것이 가장 효율적인 방법입니다.<h2 data-source-line="197" id="실전-체크리스트">실전 체크리스트</h2>LLM으로 WBS 생성 시:<ul data-source-line="201"><li data-source-line="201">&nbsp;프로젝트 컨텍스트 명확히 제공</li><li data-source-line="202">&nbsp;기술 스택 구체적으로 명시</li><li data-source-line="203">&nbsp;출력 형식 예시 포함</li><li data-source-line="204">&nbsp;3단계 이상 깊이 요청</li><li data-source-line="205">&nbsp;시간 추정 방식 지정</li><li data-source-line="206">&nbsp;생성된 WBS 전문가 검토</li><li data-source-line="207">&nbsp;팀 특성 반영하여 조정</li></ul><h2 data-source-line="209" id="마무리-ai는-도구-판단은-인간">마무리: AI는 도구, 판단은 인간</h2>ChatGPT가 만든 WBS는&nbsp;시작점입니다.빠르게 초안을 만들고, 팀이 함께 검토하고 조정하세요. 10분 만에 80%를 만들고, 나머지 20%를 팀이 완성하는 것.이것이 AI 시대의 프로젝트 관리입니다.과거에는 PM 혼자 반나절을 고민했다면, 이제는 10분 만에 초안을 만들고 팀과 함께 개선할 수 있습니다.더 빠르고, 더 정확하고, 더 협력적으로.<hr>AI와 함께하는 체계적인 WBS 관리가 필요하신가요?&nbsp;<a href="https://plexo.work/">Plexo</a>를 확인해보세요.

</div></div>

All of Software

"ChatGPT에게 WBS 좀 만들어달라고 하면 정말 제대로 만들어줄까?"
놀랍게도, 예상보다 훨씬 잘 만들어줍니다.
그것도 단 10분 만에 수백 개의 작업을 체계적으로 분해하는 초안을 말이죠.
물론 AI가 생성한 WBS는 "초안"입니다.
인간의 전문적인 검증과 개선이 더해져야 비로소 완벽한 WBS가 됩니다.
하지만 시작점으로서 AI의 역할은 상상 이상입니다.
오늘은 LLM(Large Language Model)을 활용하여 WBS를 효율적으로 생성하는 기술적 구현 방법과
핵심 프롬프트 엔지니어링 전략을 공유합니다.
왜 LLM이 WBS를 잘 만들까?
LLM이 WBS 생성에 특히 강한 이유가 있습니다.
첫째, 전체 맥락을 한 번에 파악합니다.
프로젝트의 큰 그림을 보면서 동시에 세부 작업까지 생각할 수 있죠.
둘째, 계층적 사고가 자연스럽습니다.
트리 구조를 만드는 것은 언어 모델의 기본 능력 중 하나입니다.
셋째, 의존성을 자동으로 인식합니다.
"데이터베이스 설계가 끝나야 API 개발이 가능하다"는 것을 알고 있습니다.
넷째, 일관성을 유지합니다.
수백 개의 작업을 동일한 형식과 상세 수준으로 작성합니다.
무엇보다 수많은 프로젝트 문서를 학습했기 때문에 패턴을 알고 있습니다.
실전: 이커머스 WBS 생성하기
Step 1: 기본 프롬프트
다음 프로젝트의 WBS를 만들어주세요:
프로젝트: 이커머스 플랫폼 개발
기간: 3개월
팀 규모: 5명
주요 기능: 상품 관리, 장바구니, 결제, 배송 추적
이렇게만 해도 기본적인 WBS는 나옵니다.
하지만 깊이가 부족하고 우리 상황에 맞지 않을 수 있습니다.
Step 2: 고급 프롬프트 (핵심!)
이커머스 플랫폼 개발 프로젝트의 WBS를 생성해주세요.
제약사항:
- 3단계 깊이 (Level 1 > Level 2 > Level 3)
- 각 작업은 8시간 이하로 분해
- 개발/테스트/배포 단계 포함
- 시간 추정 포함 (낙관/현실/비관)
출력 형식:
1. [대분류] (총 시간)
   1.1 [중분류] (시간)
   1.1.1 [작업] (O:낙관/R:현실/P:비관)
기술 스택:
- Frontend: React, TypeScript
- Backend: Node.js, PostgreSQL
- 인프라: AWS, Docker
이렇게 구체적으로 요청하면 품질이 완전히 달라집니다.
Step 3: ChatGPT 응답 예시
AI가 이런 식으로 응답합니다:
1. 프로젝트 기획 및 설계 (120h)
   1.1 요구사항 분석 (32h)
      1.1.1 이해관계자 인터뷰 (O:4h/R:6h/P:8h)
      1.1.2 기능 명세서 작성 (O:6h/R:8h/P:12h)
      1.1.3 비기능 요구사항 정의 (O:3h/R:4h/P:6h)
   1.2 시스템 설계 (40h)
      1.2.1 아키텍처 설계 (O:6h/R:8h/P:12h)
      1.2.2 DB 스키마 설계 (O:4h/R:6h/P:8h)
      1.2.3 API 설계 (O:6h/R:8h/P:10h)
2. 개발 (480h)
   2.1 백엔드 개발 (200h)
      2.1.1 인증/인가 시스템 (O:16h/R:24h/P:32h)
      2.1.2 상품 관리 API (O:20h/R:28h/P:40h)
      ...
단 30초 만에 이런 구조화된 WBS가 나옵니다!
프롬프트 엔지니어링 팁
1. 컨텍스트를 명확하게
prompt = f"""
프로젝트 유형: {project_type}
기술 스택: {tech_stack}
팀 규모: {team_size}
제약사항: {constraints}
출력 형식: {output_format}
"""
구체적일수록 좋은 결과가 나옵니다.
2. Few-shot 예시 제공
예시:
1. 프론트엔드 개발 (100h)
   1.1 컴포넌트 개발 (40h)
   1.1.1 Header 컴포넌트 (O:2h/R:3h/P:4h)
이런 형식으로 전체 WBS를 작성해주세요.
예시를 보여주면 AI가 정확히 따라합니다.
3. 반복적 개선
한 번에 완벽한 WBS를 기대하지 마세요.
첫 번째: "WBS 만들어줘" → 기본 구조
두 번째: "테스트 작업 추가해줘" → 세부 작업 추가
세 번째: "PERT 추정 적용해줘" → 시간 추정
이렇게 대화하듯 개선해나가면 됩니다.
Python으로 자동화하기
import openai
class WBSGenerator:
    def __init__(self, api_key):
        openai.api_key = api_key
    def generate_wbs(self, project_desc, constraints=None):
        prompt = self._build_prompt(project_desc, constraints)
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "당신은 프로젝트 관리 전문가입니다."},
                {"role": "user", "content": prompt}
            ],
            temperature=0.3,  # 낮게 설정 (일관성)
            max_tokens=3000
        )
        return self._parse_response(response)
temperature를 낮게 설정하면 더 일관된 결과가 나옵니다.
실제 성능 비교
수동으로 WBS를 작성하면 4-6시간이 걸립니다.
작업도 50-80개 정도가 한계이고, 일관성도 떨어집니다.
무엇보다 중요한 작업을 놓칠 가능성이 높습니다.
LLM을 사용하면 10-15분 만에 100-200개의 작업이 나옵니다.
일관성도 높고, 누락 가능성도 낮습니다.
물론 도메인 특수성이나 팀 특성은 반영하기 어렵습니다.
하지만 이건 인간이 검토하고 조정하면 됩니다.
LLM WBS의 한계와 보완
한계점
도메인 특수성: 특정 업계의 고유한 프로세스를 모를 수 있습니다.
최신 기술: 2024년 이후 나온 기술은 모를 수 있습니다.
팀 특성: 우리 팀만의 작업 방식은 반영할 수 없습니다.
보완 방법
도메인 전문가가 리뷰하고,
과거 프로젝트 데이터를 반영하고,
팀 벨로시티를 적용하면 됩니다.
AI가 80%를 만들고, 인간이 20%를 보완하는 것.
이것이 가장 효율적인 방법입니다.
실전 체크리스트
LLM으로 WBS 생성 시:
 프로젝트 컨텍스트 명확히 제공
 기술 스택 구체적으로 명시
 출력 형식 예시 포함
 3단계 이상 깊이 요청
 시간 추정 방식 지정
 생성된 WBS 전문가 검토
 팀 특성 반영하여 조정
마무리: AI는 도구, 판단은 인간
ChatGPT가 만든 WBS는 시작점입니다.
빠르게 초안을 만들고, 팀이 함께 검토하고 조정하세요.
10분 만에 80%를 만들고, 나머지 20%를 팀이 완성하는 것.
이것이 AI 시대의 프로젝트 관리입니다.
과거에는 PM 혼자 반나절을 고민했다면,
이제는 10분 만에 초안을 만들고 팀과 함께 개선할 수 있습니다.
더 빠르고, 더 정확하고, 더 협력적으로.
AI와 함께하는 체계적인 WBS 관리가 필요하신가요? Plexo를 확인해보세요.

LLM을 활용한 WBS 자동 생성: 1시간 만에 WBS 완성하기

댓글