챗GPT가 코딩까지 해주는 시대이지만, 정작 재무와 회계 현장에서는 여전히 엑셀과 사투를 벌인다. 결국 돌고 돌아 엑셀이다.
네이버에서 수백만 명이 사용하는 클로바노트의 AI 엔진을 총괄했던 정민규 대표는, AI가 실제 현장에 들어왔을 때 무엇이 바뀌고 무엇이 끝내 바뀌지 않는지를 지켜봤다. 정 대표가 포착한 문제는 단순했다. 기술은 빠르게 발전하는데, 일하는 방식은 크게 변하지 않는다는 것. AI가 도입돼도 기존 프로세스 위에 도구만 덧붙을 뿐, 구조적 비효율은 그대로 남는다.
그는 안정적인 대기업 리더 자리를 박차고 나와 2024년 커널스페이스를 창업했다. AI 시대에 맞게 일의 구조 자체를 다시 설계하겠다는 목표였다.
정 대표는 “커리어는 늘 고객에게 더 가까이 가기 위한 선택의 연속이었다”면서, “고객의 소리를 직접 들을 수 있어야 정말 필요한 제품을 개발할 수 있다”라고 밝혔다. 이어 그는 “네이버에서는 큰 임팩트를 경험했지만, 대기업 특성상 고객의 목소리를 직접 듣고 빠르게 상호작용하기에는 분명한 한계가 있었다”고 회고했다.
문제를 풀기 위해 그가 내린 결론은 뚜렷하다. AI를 잘 사용하는 방법을 더하는 게 아니라, AI 시대에 맞게 업무 방식 자체를 설계해야 한다는 것.
“그 변화는 내부에서 혁신적으로 일하지 않으면 불가능해요. 제가 믿는 새로운 비즈니스 문법을 실험하고, 그 결과를 제품으로 증명하려 하죠.”
커널스페이스가 내놓은 제품 ‘그리디’는 AI 기반 스프레드시트 자동화 플랫폼이다. 단순한 챗봇이 아니라, 테이블 중심으로 사고해 직접적으로 스프레드시트 작업을 돕는다. 범용 LLM이 정형 데이터의 행과 열 사이 문맥을 제대로 이해하지 못하는 한계를 극복했다.
“LLM은 기본적으로 텍스트를 생성하는 모델입니다. 행과 열의 제약을 엄격히 지켜야 하는 스프레드시트 작업에서는 본질적 한계가 있죠. ‘그리디’는 설명을 자연어로 하지만, 직접적인 데이터 작업은 코드를 통해 수행하죠. 말로 다루는 것이 아니라, 계산 가능한 코드로 다루는 방식입니다.”
사용자의 요청이 들어오면 그 니즈를 먼저 코드로 변환한다. 자연어로 표현된 요구를 실행 가능한 로직으로 바꾸고, 그 코드를 실행한 뒤 결과를 스프레드시트에 반영한다.
“모든 코드가 스프레드시트의 구조를 고려해 생성됩니다. 셀의 위치와 수식의 관계, 열과 행의 의미 같은 맥락을 반영해 값이 임의로 만들어지는 게 아니라, 구조 안에서 계산되도록 설계했죠.”
실행 결과는 다시 스프레드시트의 형식과 업무 맥락에 비춰 검증된다. ‘그리디’의 AI는 바로 답을 말하는 모델이 아니라, 사용자의 의도를 코드로 바꿔 실행하고 그 결과를 다시 확인해 마무리하는 순환 구조다.
엑셀 파일은 고립된 파일이 아니다. 하나의 시트 뒤에는 연결된 다른 파일들, 반복되는 업무 흐름, 그리고 그 비즈니스의 본질적인 맥락이 있다. 하지만 많은 AI 툴은 당장의 문제를 푸는 데 그치고, 왜 그렇게 처리했는지에 대한 판단 기준과 작업 히스토리를 깔끔하게 정리해두지 못한다. 그러다 보면 같은 업무를 다시 처음부터 반복하거나, 비슷한 실수를 되풀이하기 쉽다.
“테이블의 상태뿐 아니라 비즈니스의 상태를 함께 이해하는 구조가 필요합니다. 작업 결과뿐 아니라 그 과정의 맥락과 기준이 함께 기록되고, 재사용 가능한 워크플로로 남아 자산처럼 축적될 때, 비로소 일의 본질이 드러나고 효율이 만들어지죠.”
이런 문제의식과 품질 기준을 제품에 녹여내는 과정에서 공동창업자인 박상정 CBO의 역할이 컸다. Big4 회계법인부터 채널코퍼레이션까지 거친 도메인 전문가인 박 CBO는 초기 시장 인사이트를 제공했다. 실제 엑셀 사용자들이 어떻게 일하는지, 회계 실무가 어떤 단위로 흘러가는지, 비즈니스 데이터가 어떤 맥락에서 해석되는지를 제품 설계 단계부터 밀착해 피드백했다.
그리디의 핵심 차별점은 워크플로 자동화다. 사용자가 ‘매출 데이터 합쳐줘’라고 말하면 AI가 워크플로를 설계하고 이를 재사용 가능한 코드로 저장한다. 과거 매크로나 VBA를 다룰 줄 아는 소수에게만 허용됐던 데이터 권력을 일반 실무자에게 이양하는 과정이다.
“워크플로는 우리가 생각하는 기술의 민주화이자, 실무를 자산화하는 핵심 수단이죠. 사용자가 자연어로 정의한 업무 흐름은 코드 형태의 실행 로직으로 정리되고, 그 과정에서 업무 맥락과 판단 기준이 반복 가능한 자산으로 남습니다.”
워크플로는 VBA 대비 만들기 훨씬 쉽고, 기능적으로도 강력하다. 자연어로 생성하고 수정할 수 있으며, 특정 셀 하나라도 틀리면 전체가 깨질 수 있는 전통적인 VBA와 달리 훨씬 유연하게 동작한다. 그는 “사용자들은 단순한 재무 데이터 정리를 넘어, 복잡한 감사 업무까지 워크플로 버튼 하나로 반복 실행하는 경험을 하고 있다”고 강조했다.
반복 실행의 가치는 속도만이 아니라 일관성에도 있다. 회계 목적의 업무들은 정확하고 일관된 결과를 제공하는 것이 핵심인데, 사람의 수동 작업이나 LLM 기반 업무는 그 결과의 일관성을 보장하지 못한다. 하지만 코드 기반의 워크플로는 언제나 같은 코드가 실행되므로 처음 세팅만 잘 되어 있다면 일관된 결과를 보장한다.
MS 코파일럿이나 클로드 같은 거대 모델들도 엑셀 지원 기능을 강화하고 있다. 하지만 정 대표가 강조하는 건 기능의 많고 적음이 아니라, 결과가 어떻게 남고 구조적으로 축적되느냐다.
연동 역시 같은 맥락이다. 기존 방식처럼 사용자가 API를 이해하고, UI를 통해 세부적으로 세팅하는 방식이 아니다. 에이전트가 자연어 요청을 이해해 필요한 연동을 수행하는 형태로 가야 한다. 사용자는 연동의 기술적 디테일을 알 필요가 없고, 단지 ‘필요한 데이터를 가져와서 정산해줘’라고 원하는 바만 말하면 된다.
초기 테스터의 절반 이상이 단순한 실험을 넘어 곧바로 실무 자동화로 전환했다. 그리디가 실무자에게 가장 크게 소구되는 지점은 지금 하던 방식 그대로 시작할 수 있다는 점이다. 많은 툴들이 도입 과정에서 설치, 세팅, 마이그레이션을 요구하지만, 그리디는 현재 사용 중인 파일을 그대로 올려 이어서 작업할 수 있다.
특히 팀 플랜에서는 작업 결과물과 워크플로가 함께 공유되는 시스템이라 시너지 효과를 기대할 수 있다. 누군가 한 번 수행한 업무는 실행 로직으로 남아 재사용될 수 있기 때문에, 동일한 작업을 반복할수록 팀 전체의 자산이 된다. 개인의 경험이 팀의 기준으로 자연스럽게 전환되어, 조직이 특정 개인의 역량에 의지하지 않아도 같은 기준으로 AI를 활용할 수 있게 되는 것이다.
정민규 대표가 그리는 미래는 선명하다.
“단순한 데이터 가공 업무는 사실상 대부분 사라질 겁니다. 인간과 AI의 가장 큰 차이는 결국 의지이죠. AI는 계산하고 정리할 수 있지만, 무엇을 선택하고 어떤 방향으로 움직일지는 결정하지 않거든요. 의지가 없는 인간 노동자는 점점 직업 활동에서 배제될 가능성이 높습니다.”
머지않아 엑셀 UI를 직접 들여다볼 일은 줄어들 수 있다. 중심이 되는 화면은 모든 인사이트를 함축한 하나의 표일 수도 있고, 자연어 한 줄의 요약일 수도 있다. 인간은 AI가 정리해준 데이터를 바탕으로 의지를 가지고 의사결정을 내려야 한다.
단기적으로는 실무 현장에서 확실히 쓰이는 제품이 되는 것이 중요하다. 현재 지메일, 구글 드라이브, 애널리틱스는 물론 Stripe 같은 결제 시스템, 기업 비용 관리 플랫폼인 Spendit 등과 연결되어 있다. 이어 커머스와 회계, 내부 데이터베이스 등 다양한 사스(SaaS)와의 연동을 확대해, 비즈니스 데이터가 단절되지 않고 하나의 실행 맥락 안에서 작동하도록 만들 계획이다.
장기적으로는 스프레드시트를 넘어 데이터베이스와 대시보드를 연결해, 데이터가 축적되고 인사이트가 공유되며 실행 로직이 자산으로 남는 환경을 구축한다. 궁극적으로는 개별 기능을 제공하는 도구를 넘어, AI가 기업의 업무를 안정적으로 수행하는 비즈니스 실행 인프라로 발전하는 것이 커널스페이스의 중장기 방향이다.
“결국 미래의 경쟁력은 더 많은 일을 처리하는 능력이 아니라, 명확한 의지를 가지고 방향을 설정하며 그것을 실행으로 끝까지 밀어붙이는 힘에 달려 있어요. ‘그리디’는 그런 의지를 가진 사용자들이 한 단계 먼저 미래의 업무 환경으로 이동할 수 있도록 돕는 도구가 되고자 합니다.”
네이버 클로바노트의 성공을 뒤로하고 다시 거친 스타트업 현장으로 뛰어든 개발자의 집념이, 엑셀과 ‘씨름’하는 모든 실무자들의 일하는 방식을 어떻게 바꿔놓을지 주목된다.
"In the AI era, we're redesigning the very structure of work," says Jeong Min-gyu, CEO of KernelSpace.
Even in an era where ChatGPT can even handle coding, the real world of finance and accounting still struggles with Excel. Ultimately, it's Excel that's the answer.
Jung Min-gyu, CEO of ClovaNote, which oversaw the AI engine used by millions of people at Naver, observed what changed and what remained unchanged when AI was introduced into the workplace. The problem he identified was simple: technology advances rapidly, but work methods remain largely unchanged. Even with the introduction of AI, it merely adds tools to existing processes, leaving structural inefficiencies behind.
He left a stable leadership position at a major corporation to found KernelSpace in 2024. His goal was to redesign the very structure of work to fit the AI era.
CEO Jeong stated, "My career has always been a series of choices to get closer to customers. Only by directly listening to customers can I develop truly necessary products." He continued, "While I experienced significant impact at Naver, the nature of a large company meant there were clear limitations in directly hearing customers' voices and interacting with them quickly."
His conclusion to solving the problem is clear: rather than simply adding ways to better utilize AI, we need to redesign our work methods to fit the AI era.
"That kind of change is impossible without innovative work from within. I'm experimenting with new business grammars I believe in and trying to prove the results through products."
KernelSpace's product, "Greedy," is an AI-based spreadsheet automation platform. It's not just a chatbot; it thinks table-centrically and directly assists with spreadsheet tasks. It overcomes the limitations of general-purpose LLMs, which struggle to properly understand the context between rows and columns of structured data.
"LLM is fundamentally a text-generating model. It has inherent limitations when working with spreadsheets, which require strict adherence to row and column constraints. 'Greedy' uses natural language for explanations, but direct data manipulation is done through code. Instead of using words, it uses computable code."
When a user request comes in, the need is first translated into code. The request, expressed in natural language, is converted into executable logic, the code is executed, and the results are reflected in a spreadsheet.
"All code is generated with the spreadsheet's structure in mind. It's designed to reflect context—cell location, formula relationships, column and row meanings—so values aren't randomly generated, but calculated within the structure."
The execution results are then verified against the spreadsheet format and business context. Greedy's AI isn't a model that immediately provides answers; rather, it operates in a cyclical structure that translates the user's intent into code, executes it, and then re-verifies the results before finalizing the solution.
Excel files aren't isolated. Behind each sheet lie other linked files, repetitive workflows, and the essential context of the business. However, many AI tools focus on solving immediate problems and fail to neatly document the criteria and work history behind their actions. This can easily lead to repeating the same tasks from scratch or repeating similar mistakes.
"We need a structure that understands not only the state of the table, but also the state of the business. When the context and criteria of the process are recorded along with the results of the work, and when they are preserved as reusable workflows and accumulated as assets, the essence of the work is revealed and efficiency is achieved."
In integrating these critical issues and quality standards into the product, co-founder and CBO Park Sang-jung played a crucial role. A domain expert with experience at leading accounting firms, including the Big 4, and Channel Corporation, Park provided early market insights. From the product design stage, she closely monitored how Excel users work, the units within which accounting practices are structured, and the context in which business data is interpreted.
Greedy's core differentiator is workflow automation. When a user says, "Merge sales data," AI designs a workflow and saves it as reusable code. This shifts data power, previously reserved for a select few who know how to use macros or VBA, to the hands of everyday workers.
"Workflows, as we see it, represent the democratization of technology and a key means of capitalizing on practical work. User-defined workflows, defined in natural language, are organized into code-based execution logic, and in the process, the work context and judgment criteria become repeatable assets."
Workflows are much easier to create than VBA, and they're also more powerful. They can be created and modified using natural language, and unlike traditional VBA, where a single cell error can crash the entire system, they operate much more flexibly. He emphasized, "Users are experiencing everything from simple financial data organization to complex auditing tasks, all with the click of a button."
The value of repeatable execution lies not only in speed but also in consistency. For accounting tasks, accurate and consistent results are crucial. Manual or LLM-based workflows cannot guarantee this consistency. However, code-based workflows always execute the same code, so if properly configured, they guarantee consistent results.
Even major models like MS Copilot and Claude are enhancing their Excel support. However, CEO Jeong emphasizes that the focus isn't on the number of features, but on how the results are preserved and structurally accumulated.
Integration follows the same principle. Instead of relying on traditional methods, where users understand the API and configure detailed settings through a UI, agents should understand natural language requests and perform the necessary integration. Users don't need to know the technical details of the integration; they simply need to state their request: "Fetch the necessary data and settle the account."
More than half of the early testers moved beyond simple experiments and immediately transitioned to real-world automation. The biggest appeal of Greedy to practitioners is that they can start working the same way they're doing now. While many tools require installation, setup, and migration during the initial implementation process, Greedy allows users to simply upload their existing files and continue working on them.
Team plans, in particular, are expected to generate synergy effects because they share work outcomes and workflows. Because tasks performed once by someone are preserved as execution logic and can be reused, the more often they are repeated, the more valuable they become to the entire team. Individual experiences naturally translate into team standards, allowing organizations to leverage AI based on common principles without relying on the capabilities of specific individuals.
The future envisioned by CEO Jeong Min-gyu is clear.
"Simple data processing tasks will virtually disappear. The biggest difference between humans and AI is ultimately will. AI can calculate and organize, but it can't decide what to choose or in what direction to move. Human workers without willpower are increasingly likely to be excluded from their jobs."
Soon, we may find ourselves staring at the Excel UI less and less. The central screen might be a single table encapsulating all insights, or a single-line summary in natural language. Humans will have to make decisions based on data organized by AI.
In the short term, it's crucial to establish a product that's reliably used in the field. Currently, it's integrated with Gmail, Google Drive, Analytics, payment systems like Stripe, and the corporate expense management platform Spendit. Going forward, we plan to expand integrations with various SaaS (Software as a Service) platforms, including commerce, accounting, and internal databases, ensuring business data operates seamlessly within a single execution context.
In the long term, KernelSpace aims to move beyond spreadsheets and connect databases and dashboards, creating an environment where data is accumulated, insights are shared, and execution logic remains an asset. Ultimately, KernelSpace's mid- to long-term goal is to evolve beyond tools providing individual functions into a business execution infrastructure that reliably enables AI to perform corporate tasks.
"Ultimately, future competitiveness doesn't depend on the ability to handle more work, but on the power to set a clear direction with determination and then push through to execution. 'Greedy' aims to be a tool that helps users with such determination move one step ahead into the future work environment."
Leaving behind the success of Naver Clova Note, the developer's tenacity as he jumped back into the rough startup world is drawing attention to how it will change the way all practitioners who "wrestle" with Excel work.
「AI時代、仕事の構造自体を再設計する」…チョン・ミンギュカーネルスペース代表
チャットGPTがコーディングまでしてくれる時代だが、いざ財務と会計現場では依然としてエクセルと死闘を繰り広げる。結局回って帰ってエクセルだ。
ネイバーで数百万人が使用するクローバノートのAIエンジンを総括していたチョン・ミンギュ代表は、AIが実際の現場に入ったときに何が変わり、何が終わって変わらないかを見てみた。チョン代表が捉えた問題は単純だった。技術は急速に発展するが、働き方は大きく変わらないということ。 AIが導入されても既存のプロセスの上にツールだけを付け加えるだけで、構造的非効率はそのまま残る。
彼は安定した大企業リーダーの座を迫り、2024年にカーネルスペースを創業した。 AI時代に合わせて仕事の構造自体を再設計するという目標だった。
チョン代表は「キャリアはいつも顧客に近づくための選択の連続だった」とし、「顧客の声を直接聞くことができなければ本当に必要な製品を開発できる」と明らかにした。続いて彼は「ネイバーでは大きなインパクトを経験したが、大企業の特性上、顧客の声を直接聞いて迅速に相互作用するには明らかな限界があった」と回顧した。
問題を解決するために彼が下した結論は明らかです。 AIをうまく使う方法を加えるのではなく、AI時代に合わせて業務方式自体を設計しなければならないということ。
「その変化は内部で革新的に働かなければ不可能です。私が信じる新しいビジネス文法を実験し、その結果を製品として証明しようと思います」
カーネルスペースが出した製品「グリディ」は、AIベースのスプレッドシート自動化プラットフォームだ。単純なチャットボットではなく、テーブル中心に考えて直接スプレッドシート作業を支援する。汎用LLMが整形データの行と列の間のコンテキストを正しく理解していない限界を克服した。
「LLMは基本的にテキストを生成するモデルです。行と列の制約を厳密に守らなければならないスプレッドシート作業では本質的な制限があります。 'Gridy'は説明を自然言語にしますが、直接的なデータ作業はコードを通じて行います。言葉で扱うのではなく、計算可能なコードで扱う方法です。
ユーザーの要求が入ったら、そのニーズをまずコードに変換します。自然言語で表現された要求を実行可能なロジックに置き換え、そのコードを実行した後、結果をスプレッドシートに反映します。
「すべてのコードがスプレッドシートの構造を考慮して生成されます。セルの位置と数式の関係、列と行の意味などのコンテキストを反映して値が任意に作られるのではなく、構造内で計算されるように設計しました。」
実行結果は再びスプレッドシートの形式と業務の文脈に照らして検証される。 「グリディ」のAIはまさに答えを語るモデルではなく、ユーザーの意図をコードに変えて実行し、その結果を再確認して仕上げる循環構造だ。
Excelファイルは孤立したファイルではありません。あるシートの後ろには、リンクされた他のファイル、繰り返しのワークフロー、そしてそのビジネスの本質的な文脈があります。しかし、多くのAIツールはすぐに問題を解決するのにとどまり、なぜそのように処理したのかに関する判断基準と作業履歴をきれいに整理しておくことができない。そうすれば、同じ業務を再び最初から繰り返すか、同様のミスを繰り返すのは簡単だ。
「テーブルの状態だけでなく、ビジネスの状態を一緒に理解する仕組みが必要です。作業結果だけでなく、その過程の文脈と基準が一緒に記録され、再利用可能なワークフローとして残り、資産のように蓄積されると、初めての仕事の本質が明らかになり効率が作られます。」
このような問題意識と品質基準を製品に溶かす過程で共同創業者のパク・サンジョンCBOの役割が大きかった。 Big4会計法人からチャンネルコーポレーションまで、大まかなドメイン専門家のパクCBOは初期市場インサイトを提供した。実際のExcelユーザーがどのように働くか、会計実務がどんな単位に流れているのか、ビジネスデータがどのコンテキストで解釈されるかを製品設計段階から密着してフィードバックした。
グリディの重要な差別点はワークフロー自動化だ。ユーザーが「売上データを合わせて」と言うと、AIはワークフローを設計し、それを再利用可能なコードとして保存します。過去マクロやVBAを扱うと思う少数だけに許されたデータ権力を一般実務者に移譲する過程だ。
「ワークフローは、私たちが考える技術の民主化であり、実務を資産化する重要な手段です。ユーザーが自然言語で定義した業務フローは、コード形式の実行ロジックで整理され、その過程で業務の文脈と判断基準が繰り返し可能な資産として残ります。」
ワークフローはVBAと比較してはるかに簡単で、機能的にも強力です。自然言語で作成して修正することができ、特定のセルが間違っていると、全体が壊れる可能性がある従来のVBAとは異なり、はるかに柔軟に動作します。彼は「ユーザーは単純な財務データの整理を超え、複雑な監査業務までワークフローボタン一つで繰り返し実行する経験をしている」と強調した。
繰り返し実行の価値は速度だけでなく一貫性にもある。会計目的の業務は正確で一貫した結果を提供することが重要です。しかし、コードベースのワークフローはいつも同じコードが実行されるため、最初の設定だけがうまくいけば一貫した結果を保証します。
MSコパイロットやクロードのような巨大モデルもエクセル支援機能を強化している。しかし、チョン代表が強調するのは機能の多く、少ないことではなく、結果がどのように残って構造的に蓄積されるかという。
連動も同じ文脈だ。従来の方法のように、ユーザーがAPIを理解し、UIを介して詳細に設定する方法ではありません。エージェントが自然言語要求を理解し、必要な連動を行う形に行かなければならない。ユーザーは連動の技術的ディテールを知る必要がなく、ただ「必要なデータを持ってきて精算してくれ」と望むところだけ言えば良い。
初期テスターの半分以上が単純な実験を超えてすぐに実務自動化に切り替えた。グリディが実務者に最も大きく訴求される点は、今やっていた方式のままスタートできるという点だ。多くのツールは導入プロセス中にインストール、設定、移行を必要としますが、Gridyは現在使用中のファイルをそのままアップロードして作業できます。
特にチームプランでは、作業成果物とワークフローが共に共有されるシステムなので、相乗効果が期待できる。誰かが一度行った業務は実行ロジックとして残って再利用できるため、同じ作業を繰り返すほどチーム全体の資産となる。個人の経験がチームの基準に自然に転換され、組織が特定の個人の能力に頼らなくても同じ基準でAIを活用できるようになるのだ。
チョン・ミンギュ代表が描く未来は鮮明だ。
「単純なデータ加工業務は事実上ほとんど消えてしまいます。人間とAIの最大の違いは結局頼りです。AIは計算して整理することができますが、何を選択してどの方向に動くかを決めません。
すぐにExcel UIを直接覗くことは減る。中心となる画面は、すべてのインサイトを意味する1つの表でも、自然言語の1行の要約でもあります。人間はAIがまとめたデータに基づいて意志を持って意思決定を下さなければならない。
短期的には実務現場で確実に使われる製品になることが重要だ。現在、Gmail、Googleドライブ、アナリティクスはもちろん、Stripeなどの決済システム、企業コスト管理プラットフォームであるSpenditなどと繋がっている。続いてコマースと会計、内部データベースなど多様なSaaSとの連動を拡大し、ビジネスデータが断絶されずに1つの実行コンテキスト内で動作するようにする計画だ。
長期的にはスプレッドシートを越えてデータベースとダッシュボードを連結し、データが蓄積され、インサイトが共有され、実行ロジックが資産として残る環境を構築する。最終的には個々の機能を提供するツールを超えて、AIが企業の業務を安定的に遂行するビジネス実行インフラに発展するのがカーネルスペースの中長期方向だ。
「結局、将来の競争力は、より多くのことを処理する能力ではなく、明確な意志を持って方向を設定し、それを実行で最後まで押し付ける力にかかっています。 'グリディ'は、そのような意志を持ったユーザーが一段階先に未来の業務環境に移動できるように助けるツールになりたいと思います。」
ネイバー・クローバノートの成功を後にして再び荒いスタートアップ現場に飛び込んだ開発者のこだわりが、エクセルと「シルム」するすべての実務者の働き方をどのように変えるか注目される。
KernelSpace 首席执行官郑敏圭表示：“在人工智能时代，我们正在重新设计工作的结构。”
即使在 ChatGPT 都能处理代码的时代，现实世界中的金融和会计仍然难以驾驭 Excel。最终，Excel 还是胜出了。
ClovaNote首席执行官郑敏圭(Jung Min-gyu)观察到，人工智能引入工作场所后，哪些方面发生了改变，哪些方面依然如故。ClovaNote负责开发Naver数百万用户使用的AI引擎。他发现的问题很简单：技术飞速发展，但工作方式却基本保持不变。即使引入了人工智能，也只是在现有流程中添加了工具，结构性低效依然存在。
他放弃了一家大公司稳定的领导职位，于 2024 年创立了 KernelSpace。他的目标是重新设计工作结构，使其适应人工智能时代。
郑社长表示：“我的职业生涯始终围绕着如何更贴近客户而展开。只有直接倾听客户的声音，我才能开发出真正必要的产品。”他继续说道：“虽然我在Naver取得了显著的成就，但大型公司的性质决定了我们在直接聆听客户心声和快速与他们互动方面存在明显的局限性。”
他给出的解决方案很明确：与其简单地增加更好地利用人工智能的方法，我们更需要重新设计我们的工作方法以适应人工智能时代。
“如果没有内部的创新工作，这种变革是不可能的。我正在尝试一些我信奉的新商业模式，并试图通过产品来证明其效果。”
KernelSpace 的产品“Greedy”是一个基于人工智能的电子表格自动化平台。它不仅仅是一个聊天机器人；它以表格为中心进行思考，并直接协助用户完成电子表格任务。它克服了通用型逻辑层级管理（LLM）的局限性，后者难以正确理解结构化数据行和列之间的上下文关系。
“LLM本质上是一个文本生成模型。它在处理电子表格时存在固有的局限性，因为电子表格需要严格遵守行和列的限制。‘贪婪’算法使用自然语言进行解释，但直接的数据操作是通过代码完成的。它不使用文字，而是使用可计算的代码。”
当收到用户请求时，首先会将需求转化为代码。用户以自然语言表达的请求会被转换成可执行的逻辑，代码执行后，结果会反映在电子表格中。
“所有代码的生成都充分考虑了电子表格的结构。它的设计旨在反映上下文——单元格位置、公式关系、列和行的含义——因此值不是随机生成的，而是在结构内计算的。”
然后，系统会将执行结果与电子表格格式和业务上下文进行验证。Greedy 的人工智能模型并非立即提供答案；相反，它采用循环结构运行，将用户意图转化为代码，执行代码，然后在最终确定解决方案之前再次验证结果。
Excel 文件并非孤立存在。每个工作表背后都关联着其他文件、重复的工作流程以及业务的关键背景信息。然而，许多人工智能工具专注于解决眼前的难题，却未能清晰地记录其操作背后的标准和工作历程。这很容易导致重复执行相同的任务或犯类似的错误。
“我们需要一种不仅能理解表格状态，还能理解业务状态的架构。当流程的背景和标准与工作结果一起被记录下来，并作为可重用的工作流程保存下来，积累成资产时，工作的本质就会显现出来，效率也会随之提高。”
在将这些关键问题和质量标准融入产品的过程中，联合创始人兼首席商务官朴相贞发挥了至关重要的作用。朴相贞是一位拥有丰富经验的领域专家，曾在包括四大在内的多家领先会计师事务所和Channel Corporation工作，她为产品早期市场提供了深刻的洞察。从产品设计阶段开始，她就密切关注Excel用户的操作方式、会计实务的组织结构以及业务数据的解读背景。
Greedy 的核心优势在于工作流程自动化。当用户发出“合并销售数据”的指令时，人工智能会自动设计工作流程并将其保存为可重用的代码。这使得以往只有少数精通宏或 VBA 的人员才能掌握的数据处理能力，如今已转移到普通员工手中。
“我们认为，工作流代表了技术的民主化，也是充分利用实际工作的关键手段。用户用自然语言定义的工作流被组织成基于代码的执行逻辑，在这个过程中，工作背景和判断标准变成了可重复使用的资产。”
工作流比VBA更容易创建，功能也更强大。它们可以使用自然语言创建和修改，而且与传统的VBA不同，VBA中单个单元格的错误就可能导致整个系统崩溃，工作流的运行更加灵活。他强调说：“用户只需点击一个按钮，就能体验从简单的财务数据整理到复杂的审计任务等各种功能。”
可重复执行的价值不仅在于速度，更在于一致性。对于会计任务而言，准确且一致的结果至关重要。手动或基于逻辑逻辑模型（LLM）的工作流程无法保证这种一致性。然而，基于代码的工作流程始终执行相同的代码，因此，如果配置得当，就能保证结果的一致性。
就连微软 Copilot 和 Claude 等主流软件也在不断增强对 Excel 的支持。然而，CEO Jeong 强调，重点不在于功能的数量，而在于如何保存和系统地累积结果。
集成遵循同样的原则。与传统方法（用户需要理解API并通过用户界面配置详细设置）不同，代理应该理解自然语言请求并执行必要的集成。用户无需了解集成的技术细节；他们只需提出请求：“获取必要数据并结算账户”。
超过一半的早期测试人员超越了简单的实验阶段，立即过渡到实际的自动化测试。Greedy 对实践者最大的吸引力在于，他们可以像现在一样直接上手使用。许多工具在初始部署过程中需要安装、设置和迁移，而 Greedy 允许用户直接上传现有文件并继续工作。
团队计划尤其有望产生协同效应，因为它们共享工作成果和工作流程。由于个人执行过一次的任务会被保存为执行逻辑并可重复使用，因此重复次数越多，对整个团队的价值就越大。个人经验自然而然地转化为团队标准，使组织能够基于共同原则利用人工智能，而无需依赖特定个人的能力。
郑珉奎首席执行官所构想的未来是清晰的。
“简单的数据处理任务将几乎消失。人类和人工智能之间最大的区别归根结底在于意志。人工智能可以计算和组织，但它无法决定选择什么或朝着哪个方向前进。缺乏意志力的人类劳动者越来越有可能被淘汰。”
不久之后，我们或许会发现盯着Excel用户界面的时间越来越少。中心屏幕可能只是一个概括所有分析结果的表格，或者一句自然语言的简短摘要。人类将不得不根据人工智能整理的数据做出决策。
短期内，至关重要的是打造一款在实际应用中可靠运行的产品。目前，该产品已与 Gmail、Google Drive、Analytics、Stripe 等支付系统以及企业费用管理平台 Spendit 集成。展望未来，我们计划扩展与各种 SaaS（软件即服务）平台的集成，包括电商、会计和内部数据库，确保业务数据在单一执行环境中无缝运行。
从长远来看，KernelSpace 的目标是超越电子表格，连接数据库和仪表盘，创建一个数据积累、洞察共享且执行逻辑始终保持高效利用的环境。最终，KernelSpace 的中长期目标是超越提供单一功能的工具，发展成为能够可靠地支持 AI 执行企业任务的业务执行基础设施。
“归根结底，未来的竞争力不在于处理更多工作的能力，而在于能否坚定地设定明确方向并付诸行动。‘Greedy’旨在成为一款工具，帮助拥有这种决心的用户在未来的工作环境中领先一步。”
继 Naver Clova Note 取得成功之后，这位开发者重返竞争激烈的创业世界，他展现出的坚韧不拔的精神引起了人们的关注，也让人们意识到这将如何改变所有与 Excel 打交道的从业者的工作方式。
« À l’ère de l’IA, nous repensons la structure même du travail », déclare Jeong Min-gyu, PDG de KernelSpace.
Même à l'ère où ChatGPT maîtrise la programmation, le monde de la finance et de la comptabilité peine encore à utiliser Excel. En fin de compte, c'est bien Excel qui reste la solution.
Jung Min-gyu, PDG de ClovaNote, qui supervisait le moteur d'IA utilisé par des millions de personnes chez Naver, a observé les changements et les constantes engendrés par l'introduction de l'IA en entreprise. Le problème qu'il a identifié est simple : si la technologie progresse rapidement, les méthodes de travail restent globalement inchangées. Même avec l'introduction de l'IA, les processus existants sont simplement complétés par des outils, sans que les inefficacités structurelles ne soient corrigées.
Il a quitté un poste de direction stable au sein d'une grande entreprise pour fonder KernelSpace en 2024. Son objectif était de repenser la structure même du travail pour l'adapter à l'ère de l'IA.
Le PDG Jeong a déclaré : « Ma carrière a toujours été guidée par la volonté de me rapprocher des clients. C’est uniquement en les écoutant directement que je peux développer des produits véritablement indispensables. » Il a ajouté : « Bien que j’aie eu un impact significatif chez Naver, la nature même d’une grande entreprise impliquait des limites évidentes pour entendre directement la voix des clients et interagir rapidement avec eux. »
Sa conclusion quant à la résolution du problème est claire : plutôt que de simplement ajouter des moyens de mieux utiliser l’IA, nous devons repenser nos méthodes de travail pour les adapter à l’ère de l’IA.
« Ce genre de changement est impossible sans un travail d'innovation interne. J'expérimente de nouveaux modèles commerciaux auxquels je crois et j'essaie d'en démontrer les résultats par le biais de produits. »
« Greedy », le produit de KernelSpace, est une plateforme d'automatisation de feuilles de calcul basée sur l'IA. Bien plus qu'un simple chatbot, il appréhende les données tabulaires et assiste directement les utilisateurs dans leurs tâches liées aux feuilles de calcul. Il pallie les limitations des LLM classiques, qui peinent à comprendre le contexte entre les lignes et les colonnes des données structurées.
« LLM est fondamentalement un modèle de génération de texte. Il présente des limitations inhérentes lorsqu'il travaille avec des feuilles de calcul, qui exigent un respect strict des contraintes de lignes et de colonnes. « Greedy » utilise le langage naturel pour les explications, mais la manipulation directe des données se fait par le biais de code. Au lieu d'utiliser des mots, il utilise du code informatique. »
Lorsqu'une requête utilisateur est reçue, le besoin est d'abord traduit en code. La requête, exprimée en langage naturel, est convertie en logique exécutable, le code est exécuté et les résultats sont consignés dans une feuille de calcul.
« Tout le code est généré en tenant compte de la structure de la feuille de calcul. Il est conçu pour refléter le contexte (emplacement des cellules, relations entre les formules, signification des colonnes et des lignes), de sorte que les valeurs ne sont pas générées aléatoirement, mais calculées au sein de la structure. »
Les résultats de l'exécution sont ensuite vérifiés par rapport au format de la feuille de calcul et au contexte métier. L'IA de Greedy ne fournit pas de réponses immédiates ; elle fonctionne plutôt selon une structure cyclique qui traduit l'intention de l'utilisateur en code, l'exécute, puis revérifie les résultats avant de finaliser la solution.
Les fichiers Excel ne sont pas isolés. Derrière chaque feuille se cachent d'autres fichiers liés, des flux de travail répétitifs et le contexte essentiel de l'entreprise. Or, de nombreux outils d'IA se concentrent sur la résolution de problèmes immédiats et négligent de documenter clairement les critères et l'historique de leurs actions. Cela peut facilement conduire à refaire les mêmes tâches depuis le début ou à reproduire les mêmes erreurs.
« Nous avons besoin d'une structure qui comprenne non seulement l'état du tableau, mais aussi l'état de l'entreprise. Lorsque le contexte et les critères du processus sont enregistrés avec les résultats du travail, et lorsqu'ils sont préservés sous forme de flux de travail réutilisables et accumulés comme actifs, l'essence du travail est révélée et l'efficacité est atteinte. »
L'intégration de ces enjeux critiques et de ces normes de qualité au produit a été grandement facilitée par la cofondatrice et directrice commerciale, Park Sang-jung. Experte reconnue du secteur, forte d'une expérience acquise au sein de grands cabinets d'audit, notamment les Big Four, et chez Channel Corporation, elle a apporté une vision précoce du marché. Dès la conception du produit, elle a suivi de près les méthodes de travail des utilisateurs d'Excel, l'organisation des pratiques comptables et le contexte d'interprétation des données commerciales.
Le principal atout de Greedy réside dans l'automatisation des flux de travail. Lorsqu'un utilisateur demande de fusionner les données de vente, l'IA conçoit un flux de travail et l'enregistre sous forme de code réutilisable. Ainsi, la maîtrise des données, auparavant réservée à quelques experts en macros ou VBA, devient accessible à tous.
« Les flux de travail, tels que nous les concevons, représentent la démocratisation de la technologie et un moyen essentiel de tirer profit du travail pratique. Les flux de travail définis par l'utilisateur, formulés en langage naturel, sont organisés en une logique d'exécution basée sur le code, et, ce faisant, le contexte de travail et les critères de jugement deviennent des ressources reproductibles. »
Les workflows sont bien plus faciles à créer que le VBA, et ils sont également plus performants. Ils peuvent être créés et modifiés en langage naturel et, contrairement au VBA traditionnel où une simple erreur de cellule peut paralyser tout le système, ils offrent une bien plus grande flexibilité. Il a souligné : « Les utilisateurs peuvent tout faire, de l’organisation simple de données financières aux tâches d’audit complexes, d’un simple clic. »
L'intérêt d'une exécution reproductible réside non seulement dans la rapidité, mais aussi dans la cohérence. Pour les tâches comptables, des résultats précis et cohérents sont essentiels. Les flux de travail manuels ou basés sur des modèles logiques ne peuvent garantir cette cohérence. En revanche, les flux de travail automatisés exécutent toujours le même code et, s'ils sont correctement configurés, garantissent donc des résultats cohérents.
Même des logiciels majeurs comme MS Copilot et Claude améliorent leur compatibilité avec Excel. Cependant, le PDG Jeong souligne que l'accent n'est pas mis sur le nombre de fonctionnalités, mais sur la manière dont les résultats sont préservés et structurés.
L'intégration suit le même principe. Au lieu de s'appuyer sur les méthodes traditionnelles, où les utilisateurs comprennent l'API et configurent des paramètres détaillés via une interface utilisateur, les agents doivent comprendre les requêtes en langage naturel et effectuer l'intégration nécessaire. Les utilisateurs n'ont pas besoin de connaître les détails techniques de l'intégration ; il leur suffit d'énoncer leur demande : « Récupérez les données nécessaires et clôturez le compte. »
Plus de la moitié des premiers testeurs sont passés directement de l'expérimentation à l'automatisation en conditions réelles. Le principal atout de Greedy pour les professionnels est qu'ils peuvent reprendre leur travail comme ils l'utilisent déjà. Alors que de nombreux outils nécessitent une installation, une configuration et une migration lors de la mise en œuvre initiale, Greedy permet aux utilisateurs de simplement importer leurs fichiers existants et de poursuivre leur travail.
Les plans d'équipe, en particulier, devraient générer des synergies car ils partagent les résultats et les flux de travail. Les tâches effectuées une fois par une personne étant conservées comme logique d'exécution et réutilisables, leur répétition accroît leur valeur pour l'ensemble de l'équipe. Les expériences individuelles se transforment naturellement en standards d'équipe, permettant aux organisations d'exploiter l'IA selon des principes communs sans dépendre des compétences individuelles.
L’avenir envisagé par le PDG Jeong Min-gyu est clair.
« Les tâches simples de traitement de données vont quasiment disparaître. La principale différence entre les humains et l'IA réside fondamentalement dans la volonté. L'IA peut calculer et organiser, mais elle ne peut pas décider de ce qu'elle choisit ni dans quelle direction elle va. Les travailleurs humains dépourvus de volonté risquent de plus en plus d'être exclus de leur emploi. »
Bientôt, nous passerons sans doute de moins en moins de temps devant l'interface d'Excel. L'écran principal pourrait se limiter à un tableau unique regroupant toutes les informations, ou à un résumé concis en langage naturel. Les humains devront alors prendre des décisions à partir de données organisées par l'IA.
À court terme, il est crucial de mettre en place un produit fiable et utilisable sur le terrain. Actuellement, il est intégré à Gmail, Google Drive, Analytics, aux systèmes de paiement comme Stripe et à la plateforme de gestion des dépenses d'entreprise Spendit. À l'avenir, nous prévoyons d'étendre les intégrations à diverses plateformes SaaS (Software as a Service), notamment le commerce, la comptabilité et les bases de données internes, afin de garantir le bon fonctionnement des données métier dans un environnement unique.
À long terme, KernelSpace ambitionne de dépasser le stade des tableurs et de connecter bases de données et tableaux de bord, créant ainsi un environnement où les données sont collectées, les analyses partagées et la logique d'exécution préservée. À terme, l'objectif de KernelSpace est de faire évoluer ses outils fonctionnels vers une infrastructure d'exécution métier permettant à l'IA de réaliser des tâches d'entreprise de manière fiable.
« En fin de compte, la compétitivité future ne dépend pas de la capacité à gérer une charge de travail plus importante, mais du pouvoir de définir une orientation claire avec détermination, puis de la mettre en œuvre. « Greedy » se veut un outil qui aide les utilisateurs dotés d’une telle détermination à anticiper l’environnement de travail de demain. »
Après le succès de Naver Clova Note, la ténacité du développeur qui s'est replongé dans le monde difficile des startups attire l'attention sur la façon dont cela va changer la manière dont tous les praticiens qui « luttent » avec Excel travaillent.
You must be logged in to post a comment.