개요
최근 몇 달간 두 가지 Vibe Coding 실험을 진행하려다 중단하게 되었음. 결과를 만들지 못한 실패였지만, 그 과정을 기록해두고자 함. 실패를 빠르게 인정하고 기록으로 남기는 것이 장기적으로 의미 있다고 판단함.
실험 개요
| 실험 1 | 공문서 자동 번역 프로그램 (OCR → 번역 → 템플릿 → Word 저장) |
|---|---|
| 실험 2 | AI Tool Finder (설명 기반 AI 툴 추천 웹 서비스) |
| 공통 결론 | 비용-품질-리소스 제약으로 중단, 기록을 통해 교훈 정리 |
실험 1 – 공문서 자동 번역 프로그램
목적: 사내 공문서 번역 자동화.
흐름: 문서 업로드 → OCR로 글자 인식 → DeepL 자동 번역 → 템플릿 내 번역 항목 배치 → Word 파일 저장.
문제점 요약: (1) 한글 OCR의 형식 복원 한계, (2) 공문서 포맷 다양성으로 템플릿 적용 불가, (3) DeepL 단어 단위 맥락 처리 한계(예: ‘남’), (4) Word 저장 시 포맷 깨짐.
겪은 문제점 – 번역 프로그램
OCR 기술의 한계
EasyOCR/Tesseract 등 무료 도구를 시도했으나, 텍스트만 인식하고 표/레이아웃 복원이 불가. 글자 위치가 뒤섞이고 일부 도구는 한글 인식률이 낮았음.
공문서 포맷의 비일관성
표 항목·순서·표현 방식이 문서마다 달라 단일 템플릿 적용이 사실상 불가.
번역 API의 맥락 한계 및 비용
DeepL이 ‘남(성)’ 같은 단어의 문맥 파악 실패, 이름/주소 번역 품질 이슈. LLM 사용 시 보완 가능하나 비용·호출제한 문제가 큼.
Word 저장 시 포맷 깨짐
문단/표 스타일이 유지되지 않고 레이아웃이 틀어짐.
실험 2 – AI Tool Finder
목적: 사용자가 만들고 싶은 서비스를 설명하면 필요한 AI 툴을 추천하는 시스템.
핵심 난점: 이미 유사 서비스 다수 존재(There’s An AI For That 등), 최신 툴 데이터를 지속 수집·정리할 크롤링/파이프라인 부재, 한국어판 차별화/수익성 불확실, 현 리소스로는 비용·인프라·기술 면에서 무리.
겪은 문제점 – AI Tool Finder
유사 서비스 다수 존재
There’s An AI For That(대규모 DB/트래픽), Futurepedia, Toolify, gptsdirectory 등 강력한 대체제가 이미 시장을 선점.
데이터 파이프라인 부재
최신 AI 툴 데이터를 안정적으로 크롤링·정제·업데이트할 시스템이 없음.
언어/시장 측면 차별화 부족
한국어만으로는 글로벌 서비스 대비 경쟁력이 낮고, 수익성 모델도 불투명.
리소스와 비용 대비 불확실성
개인 실험으로 감당하기엔 API 비용/인프라/운영 복잡도가 큼.
결론 및 배운 점
비용을 줄이려다 품질/생산성 문제에 부딪힘
무료/저가 도구만으로는 요구 품질을 보장하기 어려웠고, 결국 생산성도 떨어짐.
실패를 빠르게 인정하고 기록하기
초기 중단이 장기적으로 시간·비용을 절약. 실패 기록은 다음 실험의 리스크를 줄여줌.
실현 가능성의 선제 검토 필요
아이디어의 매력과 별개로, 데이터·리소스·시장 측면의 제약을 먼저 점검해야 함.
다시 시도한다면
번역: 형식 보존형 OCR/문서 엔진과 LLM 후처리를 결합한 소규모 POC로 정확도를 먼저 검증. 샘플 데이터셋을 충분히 쌓은 뒤 템플릿 다변화를 고려.
툴 파인더: 특정 니치(예: 마케팅 자동화, 프로토타이핑)에 집중해 작은 도메인부터 수집·정규화·추천 정확도를 검증. 데이터 파이프라인을 최소 기능으로 설계하여 유지비를 낮춤.
3줄 요약
- OCR/템플릿/번역 품질/Word 포맷 등 현실 제약으로 번역 프로그램은 중단.
- 데이터 파이프라인·경쟁·수익성 문제로 AI Tool Finder는 보류.
- 실패를 빠르게 기록하고 다음 실험의 범위를 좁혀 재도전하는 것이 효율적.