오늘의집은 AI를 도구가 아닌 함께 목적지를 논의하는 팀원으로 맞이하고 있습니다. 조직의 일하는 방식을 새롭게 정의하며, 구성원 개개인이 AI라는 강력한 동력을 자유자재로 다루는 지휘자로 성장하는 여정을 시작한 것인데요. 오늘의집 팀 내 다양한 직무의 동료들을 만나 각자의 AI 팀원과 어떻게 협업하며 임팩트를 만들고 있는지 이야기를 나눴습니다.
그 첫 번째 장을 AI Transformation팀의 리드 Kangwon 님과 함께 열어봅니다.
가속 페달을 밟다 : 오늘의집이 설계하는 ‘AI-Native’
저는 오늘의집이 기술의 변화에 단순히 적응하는 것을 넘어, 일하는 방식 자체가 AI와 결합된 ‘AI-Native’ 조직으로 진화하도록 돕는 AI Transformation팀을 이끌고 있습니다. 저희의 지향점은 명확합니다. AI를 단순히 편리한 도구로 쓰는 수준을 넘어, 우리와 함께 목적지를 논의하고 고민하는 든든한 팀원으로 만드는 것이죠.
저희 팀은 이러한 방향성 아래 각 팀의 페인포인트를 찾아, AI로 해결책을 제시하는 AI 허브 역할을 수행하고 있습니다. 단순히 ‘AI를 써보세요’가 아니라 ‘해당 업무는 AI로 이렇게 해결할 수 있어요’라고 구체적인 솔루션을 함께 만듭니다. 누구나 비용 부담 없이 다양한 AI tool을 경험할 수 있게 지원하고, 실제 활용처를 잘 찾고 효과적으로 쓸 수 있도록 AI 오피스아워를 여는 등 직접 컨설팅해 드리고 있어요. 우리만의 AI 에이전트인 ‘오집사’ 같은 사내 솔루션을 구축해 배포하는 일도 하고 있고요. 구성원들이 AI를 유연하게 다룰 수 있도록 기초 체력을 기르는 교육에도 진심입니다. 프롬프트 작성법부터 AI 워크플로 제작, 바이브 코딩(Vibe Coding) 같은 실질적인 교육 세션을 운영하고 있어요. 더 나아가 구글·AWS와는 워크샵을 진행하고, Figma와는 공동 해커톤을 개최하는 등 글로벌 파트너들과 함께 업무 방식의 새로운 지평을 넓히는 시도도 멈추지 않고 있습니다.
우리가 AI 전환을 선택이 아닌 ‘생존 전략’이라 믿는 이유는 기술이 일상이 되는 속도가 기하급수적으로 빨라지고 있기 때문입니다. 과거 TV가 보편화되는 데 40년이 걸렸다면, 인터넷은 20년, 스마트폰은 10년이 걸렸지만, AI(LLM)는 단 5년 만에 우리 삶의 필수품이 되었습니다. 팔순 노인이신 저희 부모님께서 어느 날 Chat GPT 교육을 듣고 직접 쓰시는 모습을 보며 이 변화가 얼마나 거센지 다시금 체감하기도 했고요.
전에는 상상조차 못 했던 놀라운 일들이 당연한 일상이 되기까지 걸리는 시간은 앞으로 더 짧아질 것입니다. 이렇게 변화가 빠를 때는 조금만 지체해도 따라잡을 수 없는 격차가 벌어집니다. 오늘의집은 테크 직군뿐만 아니라 비즈니스, 운영 지원팀까지 직무의 경계 없이 AI를 업무의 핵심 파트너로 활용하고 있습니다. 이제 각 현장에서 AI라는 팀원과 함께 임팩트를 만들어가고 있는 동료들의 생생한 사례를 공유합니다.
데이터 정리를 넘어 의사결정의 속도를 높이는 AI 자동화 파이프라인
사용자의 의도를 해석해 공간을 재구성하는 ‘Ohouse AI’
안녕하세요. 오늘의집 SpaceAI팀에서 Backend Engineer 로 일하고 있는 Juan입니다. 저희 팀은 글로벌 인테리어 시장을 목표로 전략적으로 구성된 조직으로, 빠른 실험과 반복을 통해 서비스를 고도화하고 있습니다. PO, DA, 그리고 Backend, Frontend, ML Engineer 까지 전 직군이 데이터 기반으로 밀접하게 협업하며 다음 액션을 논의하는 구조로 일하고 있어요.
현재 저희는 사용자가 업로드한 인테리어 이미지를 다양한 스타일로 재구성해 볼 수 있는 ‘Ohouse AI’ 서비스를 개발하고 있습니다. 단순히 이미지를 생성하는 것을 넘어 사용자의 의도와 이미지의 문맥을 해석해 최적의 결과물을 만드는 데 집중하고 있죠. 여기에 3D RoomPlanner 기능을 더해 직접 꾸며보는 입체적인 경험도 함께 제공하고 있습니다.
서비스 개선 사이클을 늦추는 반복 업무에 대한 문제의식
팀의 핵심 목표는 빠른 실험과 반복을 통해 서비스를 고도화하는 것이지만, 현실적으로는 매일 쌓이는 지표를 수동으로 확인하고 정리하는 데 너무 많은 에너지가 소모되고 있었습니다. 특히 전날의 실험 결과나 릴리즈 내용을 지표 변화와 연결해 해석하는 과정은 중요하면서도 상당한 집중력을 요구하는 작업이었죠. 저는 ‘데이터를 정리하는 데 시간을 쓰기보다, 그 의미를 해석하고 다음 액션을 고민하는 데 더 집중할 수 없을까?’라는 질문에서 출발해 이 과정을 자동화해 보기로 했습니다.
지표와 개발 맥락을 하나로 엮은 AI 분석 파이프라인
데이터 분석 자동화는 워크플로우 자동화 도구인 n8n을 중심으로 구축했습니다. Redash와 GitHub 등 여러 소스에서 필요한 데이터를 수집하고, 이를 Gemini가 요약·정리해 슬랙으로 공유하는 구조죠. 여기서 핵심은 단순히 지표의 등락만 전달하는 것이 아니라, GitHub의 릴리즈 노트를 함께 분석하도록 설계했다는 점입니다. 어떤 코드 변경이나 기능 개선이 지표 변화에 영향을 주었는지 AI가 함께 추론하게 함으로써, 데이터와 개발 이력 사이의 맥락을 자연스럽게 연결할 수 있었습니다.
물론 처음부터 완벽했던 것은 아닙니다. 초기에는 요약 내용이 다소 추상적이거나 세밀한 맥락을 놓치는 경우도 있었죠. 하지만 프롬프트를 반복적으로 수정하고 출력 형식을 정교하게 다듬으며, 팀원들이 실무에서 즉시 참고할 수 있는 형태로 발전시켰습니다. 이 시행착오의 과정 자체가 저에게는 AI를 최적으로 다루는 방법을 익히는 학습이기도 했습니다.
자동화 파이프라인 구축 이후 팀의 아침 모습이 달라졌습니다. 이전에는 개별적으로 지표를 확인하거나 담당자의 정리를 기다려야 했지만, 이제는 팀 전체가 AI가 공유해 준 1차 해석본을 동시에 확인하며 논의를 시작합니다. 반복적인 정리 작업이 사라진 덕분에 저희는 이제 지표의 이면에 담긴 의미를 파악하고 다음 실험 아이디어를 구체화하는 등 본질적인 업무에 더 많은 시간을 쓰고 있습니다. 정보 공유의 시차를 줄인 것이 결국 서비스 개선 속도의 향상으로 이어진 셈입니다.
사고의 범위를 넓혀주는 파트너로서의 AI
앞으로는 단순한 자동화를 넘어, AI가 실질적인 의사결정의 단초를 제공하는 파트너 역할을 할 수 있도록 확장하려 합니다. 수많은 실험 결과나 사용자 행동 로그 속에서 ‘지금 우리가 가장 먼저 해결해야 할 문제는 무엇인지’ 우선순위를 제안하거나, 다음 실험 아이디어를 제안하는 수준까지 나아가는 것이 목표예요. AI를 모든 정답을 주는 존재로 정의하기보다는, 우리가 미처 보지 못한 사각지대를 조명해 주며 팀의 사고를 확장해 주는 파트너로 활용하고 싶습니다. AI와 함께 더 빠르고 나은 제품 결정을 내릴 수 있는 최적의 환경을 구축해 나가는 것이 앞으로의 목표입니다.
기계적인 운영 업무를 걷어내고, 고객을 위한 가치 있는 판단에 몰입하다
고객의 경험을 긍정적인 가치로 바꾸는 서비스운영팀
안녕하세요. 오늘의집 서비스운영팀에서 CX Quality Manager 로 일하고 있는 Enzo 입니다. 저희 팀은 매주 수만 건씩 인입되는 고객 문의 데이터를 분석해 서비스 프로세스를 개선하는 역할을 맡고 있습니다. 단순히 고객의 불편을 해결하는 것을 넘어, 고객 만족도 지표인 NPS*를 기반으로 제품의 개선 방향을 도출하기도 하죠. 오늘의집을 이용하며 고객이 겪는 불편을 빠르게 해소하고, 이를 다시 긍정적인 이용 경험으로 연결해 운영 효율과 품질을 동시에 책임지는 조직이라 보시면 됩니다.
*NPS (Net Promoter Score) : 고객이 우리 서비스를 다른 사람에게 얼마나 추천하고 싶어 하는지를 나타내는 만족도 지표
월 20시간의 관성적인 업무에서 고객을 향한 인사이트로
가장 큰 고민은 매주 발행하는 VOC 리포트 작성이었습니다. 수만 건에 달하는 데이터를 직접 내려받아 유형별로 분류하고 지표를 결합하는 과정에만 매주 5시간, 월평균 20시간 가까운 행정적인 리소스를 쏟고 있었죠. 리포트 자체는 중요했지만, ‘정리를 위해 시간을 매몰하느라 정작 개선책을 도출하는 데는 에너지를 쓰지 못하고 있다’는 아쉬움이 컸습니다. 그래서 회사의 적극적인 AI 지원을 계기로, 이 루틴화된 프로세스를 n8n 기반의 자동화 파이프라인으로 전환했습니다. 매주 정해진 시간에 raw 데이터를 불러와 LLM이 분석하고, 리포트 초안 작성부터 노션 페이지 생성, 슬랙 공유까지 자동으로 이뤄지는 구조를 구축했죠. 이제는 데이터 점검만 하면 리포트가 생성되어, 관련 업무 시간이 월 1시간 이내로 획기적으로 줄었습니다. 리포트를 ‘만드는 일’이 아니라, 리포트를 기반으로 ‘문제를 해결하는 일’에 더 많은 시간을 쓸 수 있게 된 것이 가장 큰 변화입니다.
상담의 온도를 높이는 AI 파트너
이러한 효율화는 현장 운영 업무로도 이어졌습니다. 대표적으로 매달 수만 건 게재되는 고객 리뷰 모니터링에 AI를 도입했는데요. 이전에는 상담원들이 모든 리뷰를 전수 조사하며 불만을 가려냈지만 지금은 AI가 1차 스크리닝을 진행해 절반 이하의 수치들만 선별, 상담원이 확인하고 있습니다. 모니터링 시간은 17% 줄었지만, 정확도는 사람과 비교해 99.8% 수준을 유지하고 있어요.
또한, 상담원의 답변 작성을 돕는 AI 답변 Copilot을 도입했습니다. 관련 지식을 충분히 알고 있어도 적절한 문장을 직접 구성하는 과정에서 상담원이 느끼는 부담이 컸거든요. 지금은 AI가 과거에 쌓인 이력을 검색해 유사 사례를 찾고 맞춤형 초안을 제안해 줍니다. 덕분에 건당 4분씩 걸리던 답변 작성 시간이 20초 수준으로 단축됐습니다. 이를 통해 상담원들이 고객의 문제 해결과 공감이라는 본질에만 온전히 집중할 수 있는 환경을 설계한 것입니다.
낯선 도전이 팀의 변화로 이어지기까지
비개발자로서 n8n의 로직을 직접 설계하고 LLM을 제어하는 과정은 매 순간이 쉽지 않은 과제였습니다. 수백 번 프롬프트를 수정하며 시행착오를 겪기도 했지만, 사내 AI팀과의 긴밀한 협력 덕분에 시스템을 완성할 수 있었죠. 이 과정에서 얻은 가장 큰 소득은 단순히 업무 시간을 아낀 것이 아니라, 기술을 활용해 내 업무를 스스로 설계하고 변화시킬 수 있다는 자신감을 얻은 것입니다. 이제는 제 업무 영역을 넘어 팀 내 다른 파트에서도 자동화할 수 있는 영역을 발굴하고 돕고 싶습니다.
저희 팀의 다음 과제는 2026년 상반기까지 챗봇과 상담원용 Copilot을 안착시키는 것인데요. 반품이나 배송같이 비중이 높은 문의를 기술이 먼저 해결하는 구조를 지향하고 있죠. 이를 통해 고객은 기다림 없이 답을 얻고, 상담원은 보다 세밀한 케어가 필요한 상황에 온전히 에너지를 쏟을 수 있게 됩니다. 기계적인 데이터 작업은 AI에 맡기고, 사람은 판단과 개선이라는 역할에 전념하는 것. 이것이 제가 그리는 데이터 기반 서비스 운영의 지향점입니다.
반복 응대를 넘어 정책 고도화로, AI와 함께 만드는 커머스정책 운영의 선순환
정책 확인의 ‘담당자 의존도’를 낮추기 위한 구조적 고민
안녕하세요. 커머스정책팀에서 오늘의집 파트너 운영 정책을 설계하고 관리하는 Shine 입니다. 저희 팀은 오늘의집에 입점한 파트너들이 안전하고 원활하게 판매 활동을 할 수 있도록 입퇴점·상품·배송 등 여러 도메인의 운영 정책을 만들고, 이 정책들이 실제 파트너들에게 잘 작동될 수 있도록 운영 프로세스를 관리하고 있어요.
정책 업무는 범위가 넓고 복잡하기 때문에, 유관 부서 동료들이 필요할 때마다 방대한 문서를 직접 찾아 이해하기엔 어려움이 있었습니다. 결국 담당자에게 직접 묻고 답변을 기다려야 하는 상황이 반복됐죠. 저는 문서 정리만으로는 이 구조적인 정보 접근의 병목을 해결하기 어렵다고 판단했습니다. 단순히 정보를 정리하는 것을 넘어, 누구나 질문 한 줄로 정책을 즉시 활용할 수 있는 새로운 인터페이스를 고민하게 되었습니다.
단계별 시도와 주도적인 탐색이 일궈낸 기술적 돌파구
처음에는 Google NotebookLM으로 정책 문서를 구조화해 보았지만, 슬랙과의 연동성 등 실제 활용 면에서 대안이 필요했습니다. 이후 사내 AI 해커톤에 참여해 GPT builder와 Slack, Zapier를 활용한 챗봇 형태를 시도해 보며 AI 서비스가 실제로 어떻게 구성되고 작동하는지 그 메커니즘을 익힐 수 있었죠. 이를 발판 삼아 AI Transformation팀의 가이드를 통해 n8n과 같은 워크플로우 툴로 시야를 넓혔고, 생소한 개념들이 많았지만 약 2개월간 시간을 투자해 기능을 하나씩 내 것으로 만들었습니다.
이런 단계별 시도 끝에 현재는 노션의 정책 데이터를 Milvus DB에 적재하고 사용자가 슬랙에서 질문하면 AI가 최적의 근거를 찾아 답변해 주는 ‘커머스정책봇’을 운영하고 있습니다. 복잡한 정책을 일일이 검색하거나 답변을 기다려야 하는 상황이 해결되니, 이제는 AI를 통해 단 1분 안에 정확한 가이드를 얻을 수 있게 되었습니다. 특히 정책의 맥락을 정확히 읽어내기 위해 데이터 임베딩 과정을 거쳐 답변을 생성하는 구조를 설계한 덕분에 정보 활용의 효율이 높아졌습니다.
반복 업무를 걷어내고 정책 전문가로서의 본질에 집중하다
커머스정책봇 도입 이후, 반복적인 질의응답에 소모되던 운영 리소스가 줄어들면서 정책 자체의 정교함을 고민하거나 프로세스를 개선하는 등 핵심적인 업무에 몰입할 수 있게 되었습니다. 운영 현장에는 시스템이 다 커버하지 못하는 ‘그레이존’이 존재하는데요. 앞으로는 AI를 통해 이러한 운영 과정의 맥락을 촘촘히 데이터화하고, 이를 다시 정책 고도화로 연결하는 선순환 구조를 만들고 싶습니다.
데이터로 실질적인 해결책을 제시하는, 분석 본연의 역할에 집중하다
인사이트의 공백을 정의하고 의사결정의 성과를 높이는 일
안녕하세요. 유저인사이트팀에서 Data Analyst 로 일하고 있는 Fred 입니다. 저희 팀은 단순히 보고서를 만드는 것을 넘어 오늘의집의 핵심적인 인사이트 공백을 정의하고, 유저 리서치와 데이터 분석을 결합해 그 답을 찾아냅니다. 단순히 숫자를 던져주는 것이 아니라, 각 팀과 함께 실험하고 실제 결과를 만들어내며 모든 구성원이 고객에 대해 동일한 맥락을 유지할 수 있도록 돕는 역할을 하죠. 이 과정에서 분석가가 본연의 가치인 ‘인사이트 도출’에 집중하기 위해서는, 데이터 마트 관리나 파이프라인 유지보수 같은 운영 업무의 리소스를 걷어내는 것이 필수적이었습니다.
수일이 걸리던 대시보드 환경 구축을 15분 만에 끝내는 법
신규 피처가 론칭되면 분석가는 PRD(Product Requirements Document)와 Design Doc 핵심 정보를 파악하고, NoSQL*등의 복잡한 DB 스키마를 Athena*에서 조회 가능한 형태로 재정의해야 합니다. 기존에는 내용을 파악하고, DB정보를 정리하는 과정이나 MongoDB*의 중첩 구조를 풀거나 타임스탬프를 변환하는 과정에서 잦은 문법 오류를 겪으며, 대시보드 하나를 세팅하는 데만 최소 2일이 걸리기도 했습니다. 하지만 이제는 Cursor AI를 통해 기획서의 핵심 지표를 5분 만에 YAML* 형식으로 구조화하고, Athena MCP*를 연결해 에이전트가 실제 데이터 샘플을 직접 탐색하며 스키마의 세부 구조를 스스로 파악하게 합니다. 이후 Redash MCP*를 활용해 적절한 차트를 LLM과 논의하며 LLM을 활용해 대시보드를 빠르게 세팅할 수 있게 되었습니다. 최근 진행한 신규 프로젝트 사례의 경우, 이렇게 준비된 컨텍스트를 바탕으로 10여 개의 핵심 지표 쿼리를 단 15분 만에 생성했습니다. 실행 중 발생하는 타입 불일치 오류도 에러 메시지만 입력하면 AI가 5분 내로 수정안을 제안해 주니, 분석의 기술적 장벽이 획기적으로 낮아졌습니다.
단순한 쿼리 작성을 넘어, 대규모 운영 업무에도 AI를 적극 도입했습니다. 예를 들어 마트 제작 시사용한 기존 테이블 참조를 전체적으로 교체해야 할 때, 예전 방식이라면 200개가 넘는 파일을 일일이 열어 수정하느라 일주일은 족히 걸렸을 거예요. 하지만 저는 변환 규칙을 담은 .mdc 파일*을 만들어 프로젝트 전체에 적용했고, 결과적으로 일주일 분량의 작업을 단 1시간 만에 실수가 거의 없는 상태로 완료했습니다. 또한 수십 개의 복잡한 Jira 라벨링 규칙을 AI가 판단하게 하여, 담당자가 일일이 내용을 읽고 판단해 작성하던 반복 작업을 프롬프트 한 줄로 처리하며 지라 티켓 관리의 효율을 극대화했습니다.
*MCP(Model Context Protocol) : AI가 데이터베이스나 외부 도구에 직접 접속해서 데이터를 가져오거나 작업을 수행할 수 있게 연결해 주는 기술
*Athena : AWS database의 종류 중 하나
*NoSQL / MongoDB : 정해진 표 형태가 아니라 자유롭고 복잡한 구조로 데이터를 쌓는 방식. 분석을 위해서는 중첩 구조를 파악하고 이를 알맞은 형태로 변환하는 과정이 필요함
*YAML : 정보를 구조화해서 적는 방식 중 하나로, AI와 사람이 모두 읽기 편해 대화의 맥락을 전달할 때 자주 쓰임
*Cursor Rules (.mdc) : 팀이 공통된 작업을 진행할 때 LLM이 이해하기 쉽도록 작성한 안내 지침
코드 작성을 넘어 인사이트에 집중하는 분석 환경
최근에는 Claude Code와 Cursor AI를 결합해 데이터 분석의 과정을 자동화하는 작업 환경을 구축했습니다. 분석가가 분석 목적을 전달하면 AI가 분석 계획을 먼저 제안하고, 분석가는 이를 검토하고 수정하며 Plan을 짜며 방향을 확정합니다. 계획이 정해지면 쿼리 작성부터 Jupyter 노트북* 생성, 시각화까지 자동으로 진행됩니다. 분석가는 처음부터 모든 코드를 작성하는 것이 아니라 LLM이 작성한 코드를 검토하고 수정 요청하는 과정만 거치면 됩니다. 이전처럼 코드 문법을 고민하거나 구글링하는 시간을 대폭 줄인 덕분에, 이제는 결과물 속에 담긴 데이터의 의미를 파악하고 더 나은 방안을 논의하는 데 더 많은 에너지를 쏟고 있습니다. 코드 작성이라는 반복적인 업무에서 벗어나, 데이터로 실질적인 해결책을 제시하는 분석 본연의 역할에 몰입하게 된 것이죠.
*Jupyter 노트북 : 분석 코드를 실행하고 그 결과(표, 그래프 등)를 바로 확인할 수 있는 분석가들의 작업장
정량과 정성 데이터를 엮어 지식 자산으로 만드는 일
현재 유저인사이트팀에서 가장 집중하고 있는 과제는 파편화된 정보를 연결해 조직의 지식 자산으로 만드는 것입니다. 예를 들어 데이터분석팀은 ‘클릭률이 떨어졌다’는 숫자를 보고, 리서치팀은 ‘고객이 상세페이지를 신뢰하지 않는다’는 인터뷰 내용을 봅니다. 하지만 이 두 정보는 서로 만나지 못합니다. 그래서 같은 조사를 반복하거나 단편적인 정보로 의사결정을 내리는 경우가 많았어요. 단순히 키워드로 문서를 ‘찾는’ 수준을 넘어, 데이터 간의 연결 고리를 통해 맥락을 ‘이해’할 수 있는 환경을 구축하고 싶습니다.
이를 위해 고객의 본질적인 니즈를 중심으로 정량·정성 데이터를 그래프 네트워크 형태로 연결하는 작업을 진행 중입니다. 수십 페이지의 리포트를 단순히 저장하는 게 아니라, 핵심 인사이트 단위로 쪼개 맥락 속에 배치하는 방식이죠. 이렇게 정보의 관계를 탐색할 수 있는 구조가 갖춰지면, 신규 멤버도 조직이 쌓아온 지식을 즉시 활용할 수 있고 담당자가 바뀌어도 인사이트가 휘발되지 않습니다. 결국 ‘감’이 아닌 ‘연결된 데이터’에 기반해 의사결정 하는 문화를 정착시키는 것이 분석가로서 나아가고자 하는 방향입니다.
플레이어에서 지휘자로 : 오늘의집이 꿈꾸는 ‘AI 브레인’의 시대
지난 1년 반 사이, 오늘의집 구성원들의 AI 활용률은 4배 가까이 폭발적으로 증가했습니다. 하지만 더 중요한 변화는 수치가 아닌 ‘질문의 본질’에 있습니다. 초반에는 ‘과연 이게 가능할까?’라는 의구심이 있었다면, 이제는 시작부터 AI와의 협업을 전제로 프로세스를 설계하죠. ‘어떻게 해야 더 정교한 결과물을 얻을 수 있을까?’를 고민하며 기술을 능숙하게 이끄는 모습은 이미 우리의 일상이 되었습니다. 이제 오늘의집에서 AI는 단순한 기능을 넘어, 함께 산출물을 만들어가는 든든한 팀원으로 자리 잡았습니다.
오늘의집은 여기서 한 걸음 더 나아가려 합니다. 앞으로의 목표는 AI를 오늘의집의 ‘브레인’이자 ‘운영체제(OS)’로 진화시키는 것입니다. 작년까지 AI가 유용한 ‘도구’였고, 올해가 든든한 ‘동료’였다면, 내년부터는 우리 조직의 ‘두뇌’가 되어야 한다고 생각합니다. 이에 따라 구성원들의 역할 또한 직접 실무를 수행하는 플레이어에서, AI팀들을 이끌고 관리하는 ‘지휘자’로 진화해 나갈 것입니다. 단순히 기술을 얼마나 잘 다루느냐를 넘어, 기술을 통해 각자의 전문성을 무한히 확장해 나가는 것. 오늘의집은 ‘AI Native’라는 지향점을 향해 일하는 방식의 변화를 우리의 당연한 일상으로 채워가고 있습니다.
