AI와
혁신적 활용

문 1도입

그날 K에게서 전화가 왔다. 20년을 컨설팅과 강의를 한 사람이다. 컨설팅 시장에서 그의 이름은 하나의 보증서였다. 그런데 목소리가 예전 같지 않았다. "선생님, 올해 컨설팅과 강의 요청이 작년의 절반도 안 됩니다. 처음엔 경기 탓인 줄 알았어요. 그런데 담당자가 지나가듯 그러더군요. 요즘은 사내에서 AI로 교안을 만들어 돌린다고." K는 잠시 말을 멈췄다. "제가 20년 쌓은 게 프롬프트 한 줄에 밀리는 겁니까?"

같은 주에 B를 만났다. 직원 열두 명짜리 회사를 꾸리는 대표다. 그의 고민은 정반대 방향이었다. "제안서 쓸 사람이 없어요. 좋은 사업 기회가 와도 마감 3일 안에 40페이지짜리 제안서를 못 만들어서 그냥 포기합니다. 사람을 뽑자니 물량이 들쭉날쭉하고, 안 뽑자니 제가 밤을 새웁니다. 이게 몇 년째예요." B는 커피를 반쯤 남긴 채 물었다. "AI가 이걸 대신 써 줄 수 있다는데, 정말입니까? 아니면 또 유행입니까?"

두 통화를 끊고 나는 한참 창밖을 바라봤다. 20년 넘게 이 바닥에서 강의하고 컨설팅해 온 나 역시 같은 파도 앞에 서 있었기 때문이다. 한 사람은 자기 일이 사라질까 두렵고, 한 사람은 자기 일을 해 줄 사람이 없어 지쳤다. 같은 시대를 사는 두 사람의 고민은 정반대처럼 보인다. 그런데 나는 두 사람에게 똑같은 문장을 건넸다. "두 분의 문제는 사실 하나입니다. 그리고 해답도 하나예요." 이 장은 그 하나의 문제와 하나의 해답에 관한 이야기다. 당신의 일이 안녕한지, 지금부터 함께 진단해 보자.

1.1지금 일어나고 있는 일: 생성형 AI와 지식노동의 재편

먼저 냉정하게 짚고 넘어가자. 지금 벌어지는 일은 '자동화'가 아니다. 우리는 지난 30년간 자동화를 봐 왔다. 엑셀이 계산을 대신했고, 회계 소프트웨어가 장부를 대신했다. 그러나 그 모든 도구는 '정해진 규칙'을 빠르게 처리했을 뿐, 새로운 문장을 쓰거나 없던 기획을 만들어 내지는 못했다. 생성형 AI가 이전의 도구와 근본적으로 다른 지점이 바로 여기다. 이것은 규칙을 실행하는 기계가 아니라, 초안을 만들어 내는 동료에 가깝다.

지식노동을 뜯어보면 대개 세 겹으로 되어 있다. 첫째는 정보를 모으고 정리하는 층(layer), 둘째는 그것을 문서·강의·기획 같은 형태로 '생산'하는 층, 셋째는 판단하고 결정하고 책임지는 층이다. 과거의 자동화는 첫째 층의 일부만 건드렸다. 그런데 생성형 AI는 둘째 층, 즉 지금까지 인간 전문가의 핵심 밥벌이였던 '생산' 층을 정면으로 파고든다. K가 느낀 위기의 정체가 이것이다. 그가 20년간 팔아 온 것은 '지식'이 아니라 지식을 강의안으로 바꾸는 '생산 능력'이었고, 바로 그 생산의 단가가 급격히 떨어지고 있다.

여기서 오해하면 안 되는 것이 하나 있다. 생산 단가가 떨어진다는 말은 '전문가가 필요 없어진다'는 뜻이 아니다. 오히려 생산이 싸지면 판단과 안목의 값이 올라간다. AI는 그럴듯한 초안 다섯 개를 3분 만에 만들지만, 그중 무엇이 현장에서 먹히고 무엇이 헛소리인지는 구분하지 못한다. 그 구분이 바로 20년 경력의 값이다. 문제는 그 안목을 '초안 생산'에 묶어 두는 순간, 안목만 파는 사람에 비해 속도에서 진다는 데 있다.

현장에서 지식노동이 재편되는 양상을 나는 이렇게 정리한다.

이 표에서 오른쪽 끝 칸을 다시 보자. AI가 아무리 발전해도 그 칸의 가치는 떨어지지 않는다. 오히려 오른쪽 칸에 자기 시간을 더 많이 쓸 수 있게 된 사람이 이긴다.

B의 사정도 같은 표로 설명된다. B의 회사가 제안서를 못 쓴 이유는 판단력이 없어서가 아니라 '초안 작성' 층에 사람을 붙일 여력이 없어서였다. B에게 부족한 건 안목이 아니라 손이었다. 생성형 AI는 정확히 그 손을 채워 준다. B는 어떤 사업이 자기 회사에 맞는지, 발주처가 무엇을 원하는지 이미 알고 있었다. 다만 그 아는 것을 40페이지 문서로 옮겨 줄 사람이 없어서, 좋은 기회를 눈앞에서 놓쳐 왔을 뿐이다. 판단은 있는데 손이 없던 사람에게, AI는 지치지 않는 열 개의 손이 된다. 그래서 나는 두 사람에게 같은 말을 한 것이다. K는 자기 안목을 초안 노동에서 떼어내야 하고, B는 없던 초안 노동력을 얻어야 한다. 방향은 반대지만, 둘 다 'AI에게 생산을 맡기고 사람은 판단으로 이동한다'는 하나의 원리 위에 있다.

한 가지 더 짚고 싶은 것이 있다. 사람들은 흔히 "AI가 완벽해지면 그때 배우겠다"고 미룬다. 그런데 재편은 도구가 완벽해질 때 오는 것이 아니라, 도구가 '쓸 만해진' 순간 이미 시작된다. 지금의 생성형 AI는 완벽하지 않다. 사실을 지어내기도 하고, 맥락을 놓치기도 한다. 그럼에도 시장은 이미 움직였다. K의 강의를 대신한 사내 교안은 완벽해서 채택된 것이 아니라, '충분히 쓸 만하고 훨씬 싸서' 채택됐다. 재편은 완성도가 아니라 경제성으로 온다는 사실을 잊지 말자. 완벽을 기다리는 사람은 늘 한발 늦는다.

또 하나. 이 재편은 '느리게, 그러나 확실하게' 온다. 어느 날 아침 갑자기 모든 강사나 컨설턴트가 사라지는 식이 아니다. 강의 요청이 조금씩 줄고, 단가가 조금씩 눌리고, 경쟁자 중 누군가가 같은 시간에 두 배의 결과물을 내놓기 시작한다. 변화가 완만하기 때문에 오히려 위험하다. 개구리가 끓는 물을 못 느끼듯, 완만한 잠식은 대응을 미루게 만든다. 그래서 나는 '지금 진단하라'고 말한다. 위기가 선명해진 다음에 배우기 시작하면, 그때는 이미 배울 여유가 없다.

B의 회사에서 실제로 벌어진 변화를 하나 옮긴다. B의 회사는 정부·지자체 용역 제안서를 주로 쓴다. 예전에는 제안 공고가 뜨면 담당 직원 한 명이 사흘 밤을 새워 목차를 잡고, 회사 소개를 다시 쓰고, 수행 실적을 정리하고, 추진 일정을 표로 만들었다. 그중 순수하게 '창의적 판단'이 필요한 부분은 사업 이해와 차별화 전략, 딱 두 대목뿐이었고 나머지 80퍼센트는 매번 비슷한 형태의 반복 생산이었다. B가 AI를 붙이기 전과 후를 비교하면 이렇다.

주목할 대목은 '사업 이해·차별화 전략' 행이다. 여기만 4시간 그대로다. 나머지는 다 줄었는데 이 칸은 왜 안 줄었을까. 그 칸이 바로 D 사분면, 사람만이 할 수 있는 판단이기 때문이다. AI가 다른 칸을 줄여 준 덕분에 B는 이제 그 4시간을 '온전히' 전략에 쓴다. 예전에는 잡무에 지쳐 전략을 30분 만에 대충 짰다. 결과물의 질이 오른 진짜 이유가 이것이다. 시간이 준 게 아니라, 시간이 옳은 자리로 옮겨간 것이다.

지금 우리가 서 있는 자리를 한 문장으로 요약하면 이렇다. 지식노동의 무게 중심이 '생산'에서 '판단과 설계'로 이동하고 있다. 이 이동에 올라타면 K의 20년은 무기가 되고, 이동을 외면하면 같은 20년이 짐이 된다. 이 책은 그 올라타는 법을 다룬다.

1.2대체되는 업무, 증폭되는 전문성

'AI가 내 일을 대체하는가'라는 질문은 사실 틀린 질문이다. AI는 '직업'을 대체하지 않는다. AI가 대체하는 것은 직업이 아니라 '업무(task)' 다. 이 구분이 중요하다. 강사라는 직업은 사라지지 않지만, 강사의 하루를 이루는 수십 개 업무 중 상당수는 대체 대상이다. 그러니 두려움의 대상을 정확히 좁혀야 한다. "강사가 사라질까?"가 아니라 "내 업무 중 어떤 것이 대체되고 어떤 것이 증폭되는가?"라고 물어야 한다.

나는 모든 업무를 두 축으로 나눠 보라고 권한다. 하나는 '반복성' 축이다. 매번 비슷한 형태로 반복되는가, 아니면 매번 다른가. 다른 하나는 '판단 밀도' 축이다. 결과물의 가치가 정형적 생산에서 나오는가, 아니면 맥락적 판단에서 나오는가. 이 두 축으로 사분면을 그리면 내 업무가 어디에 놓이는지 한눈에 보인다.

이 표를 K에게 그려 줬을 때 그의 표정이 바뀌었다. K는 자기 일 전체가 위협받는다고 느꼈지만, 실제로 위협받는 건 A와 B 사분면이었다. 그런데 그가 20년간 진짜 돈을 번 지점은 D 사분면 — 청중의 눈빛을 읽고 그 자리에서 강의를 바꾸는 능력, 어려운 개념을 그 회사 맥락에 맞게 비유로 푸는 능력 — 이었다. 문제는 그가 D의 가치를 A와 B에 파묻혀 발휘하지 못했다는 데 있다. 교안 만드느라 밤을 새우면, 정작 청중을 연구할 시간이 없다.

여기서 '증폭'이라는 단어의 뜻이 살아난다. AI가 A와 B를 가져가면, 사람은 그만큼의 시간과 에너지를 D에 쏟을 수 있다. 이것이 대체의 반대편에 있는 증폭이다. 나는 이를 '레버리지 이동'이라고 부른다. 20년 경력이라는 지렛대를 어디에 걸치느냐의 문제다. 초안 생산에 걸치면 AI에 밀리고, 판단과 설계에 걸치면 AI가 오히려 그 지렛대를 길게 늘려 준다.

B의 경우를 보자. B는 B 사분면(제안서 초안)에서 병목이 걸려 D 사분면(어떤 사업을 딸지 결정)까지 마비돼 있었다. 초안을 못 쓰니 입찰 자체를 포기하고, 그러니 전략적 선택의 폭이 없었다. AI가 B의 병목을 뚫자 B는 비로소 D에서 움직일 수 있었다. "이제는 제안서를 쓸 수 있느냐가 아니라, 어떤 사업에 제안할 가치가 있느냐를 고민합니다." 이 문장이 증폭의 실체다.

그렇다면 실무에서 '대체될 업무'와 '증폭될 전문성'을 어떻게 구분하는가. 나는 세 가지 질문을 던진다.

1. 이 업무의 결과물을 낯선 사람이 봐도 품질을 평가할 수 있는가? 그렇다면 정형적이고 대체 가능성이 높다. 반대로 그 결과물의 진짜 가치를 나만 알아본다면, 그것은 증폭 대상이다.
2. 이 업무에서 내가 파는 것이 '시간'인가 '판단'인가? 시간을 팔고 있다면 위험하다. AI의 시간은 나보다 압도적으로 싸다.
3. 이 업무를 잘하기 위해 필요한 것이 '더 많은 정보'인가 '더 나은 취사선택'인가? 정보가 문제라면 AI가 해결하고, 취사선택이 문제라면 그것이 당신의 해자(垓字)다.

이 세 질문을 자기 업무 목록에 하나씩 대 보면, 놀랍게도 대부분의 사람은 '대체될까 두렵던 일'의 상당수가 사실은 '넘겨주면 후련한 일'이었음을 깨닫는다. 두려움은 대체로 구분이 안 될 때 생긴다. 구분이 되면 두려움은 전략으로 바뀐다.

증폭에는 한 가지 조건이 붙는다. AI가 A·B 사분면을 가져간다고 해서 저절로 D 사분면의 실력이 자라지는 않는다. 절약된 시간을 다시 잡무로 채우거나 넷플릭스로 흘려보내면, 대체만 일어나고 증폭은 일어나지 않는다. 이것이 내가 현장에서 가장 자주 보는 실패 유형이다. AI로 두 시간을 아낀 사람이 그 두 시간을 또 다른 반복 업무로 채우고는 "AI 써도 별로 안 바뀌더라"고 말한다. 증폭은 자동으로 오는 선물이 아니라, 아낀 시간을 판단·관계·전략에 '의도적으로' 재배치할 때만 오는 결과다. 그래서 나는 뒤에서 '미래 시간 설계'라는 작업을 따로 시킨다. 시간을 아끼는 것과 그 시간을 값지게 쓰는 것은 전혀 다른 기술이다.

한 가지 더. 전문성이 증폭되려면 AI의 결과물을 '평가할 수 있는 눈'이 있어야 한다. 초보자에게 AI는 위험하다. 그럴듯한 오류를 걸러낼 안목이 없기 때문이다. 반대로 20년 경력의 K에게 AI는 강력하다. 그는 초안을 보는 순간 "이 부분은 현장에서 안 먹힌다"를 안다. 그러니 역설적이게도, 생성형 AI 시대에 가장 유리한 사람은 'AI를 잘 다루는 초보'가 아니라 'AI를 검증할 수 있는 베테랑'이다. K가 자신을 낡았다고 여긴 바로 그 20년이, 실은 AI 시대의 가장 값진 자본이었던 것이다.

K의 사례로 이 원리를 조금 더 구체화해 보자. K는 처음 AI로 강의안을 만들었을 때 실망했다. "내용이 다 맞는 말인데, 하나도 안 와닿아요." 그럴 수밖에 없다. AI는 '반도체 산업의 리더십'에 관한 교과서적 초안은 완벽하게 뽑지만, '어제 그 공장에서 있었던 일'을 모른다. K가 20년간 현장에서 주운 사례, 청중이 무릎을 치는 그 한 마디는 AI의 데이터에 없다. 그래서 K의 작업 방식이 바뀌었다. AI에게는 '구조와 논리'를 맡기고, 자신은 '사례와 촌철살인'을 얹는다. 그가 정리한 역할 분담은 이렇다.

이 표를 만든 뒤 K의 생산성이 실제로 뛰었다. 강의안 하나에 4시간 걸리던 것이 1시간 반으로 줄었고, 남은 시간에 청중 회사를 조사하니 강의 만족도가 올랐다. "AI가 제 일을 뺏은 게 아니라, 제가 진짜 잘하는 일로 저를 돌려보낸 거였어요." K의 이 문장이 이 소절 전체의 결론이다.

1.3나의 업무 진단: AI로 개선할 일 10가지 찾기

이제 손을 움직일 차례다. 개념만 이해하고 덮으면 아무것도 바뀌지 않는다. 나는 모든 수강생에게 첫 시간에 이 작업을 시킨다. 'AI로 개선할 내 업무 10가지'를 실제로 종이에 적는 것. 이 목록이 이 책 전체를 관통하는 당신의 작업 대상이 된다. 막연히 "AI 좀 배워야지"와 "이 10가지 일을 AI로 바꾸겠다"는 하늘과 땅 차이다.

절차는 다음과 같다. 순서를 지켜서 해 보길 권한다.

1. 업무 쏟아내기. 지난 2주간 실제로 한 일을 시간 단위로 떠올리며 무작정 적는다. 잘 정리하려 하지 말고 30개 이상 쏟아낸다. "제안서 목차 짜기", "고객 문의 답장", "강의 후기 정리", "경쟁사 조사" 같은 식으로 잘게 쪼갤수록 좋다.
2. 빈도·시간 표시. 각 업무 옆에 한 달 빈도와 1회 소요 시간을 적는다. '월 4회 × 3시간'처럼. 여기서 '시간 먹는 하마'가 드러난다.
3. 사분면 분류. 1.2에서 본 A~D 사분면 중 어디인지 표시한다. A·B·C에 속하면서 시간을 많이 먹는 업무가 1순위 후보다.
4. 고통 점수. 각 업무에 '하기 싫은 정도'를 1~5점으로 매긴다. 개선 효과는 절약 시간뿐 아니라 스트레스 감소로도 온다.
5. 상위 10개 선정. (빈도 × 시간 × 고통)이 큰 순서로 10개를 고른다. 이것이 당신의 개선 목록이다.

말로만 하면 감이 안 오니, K가 실제로 작성한 진단표를 예시로 옮겨 둔다. (수치는 K의 자기 보고에 따른 예시다.)

이 표를 다 채우고 나서 K가 한 말이 인상적이었다. "제가 위기라고 느낀 게 사실은 1번과 2번, 딱 두 가지에 밤을 새우고 있었기 때문이더군요. 그 두 개만 반으로 줄여도 청중 연구할 시간이 생깁니다." 진단의 힘이 이것이다. 막연한 불안이 '두 개의 구체적 병목'으로 좁혀지는 순간, 문제는 풀 수 있는 것이 된다.

B는 회사 단위로 같은 작업을 했다. 개인이 아니라 조직의 업무 지도를 그린 것이다. 그 결과 '제안서 초안'과 '주간 보고서 취합'이라는 두 병목이 회사 전체의 속도를 잡아먹고 있음이 드러났다. 진단이 없었다면 B는 계속 '사람이 부족하다'고만 생각했을 것이다. 진단 후 그의 문장은 이렇게 바뀌었다. "사람이 부족한 게 아니라, 특정 두 업무에 사람이 묶여 있었던 겁니다."

B가 회사 차원에서 그린 진단표도 함께 옮겨 둔다. 개인이 아니라 부서·기능 단위로 작성했다는 점만 다르다. (수치는 B의 자기 보고에 따른 예시다.)

B가 이 표를 보고 가장 놀란 것은 1번의 우선지수였다. 제안서 하나가 200이라는 압도적 수치로 나머지를 눌렀다. "저는 막연히 '여러 가지가 다 바쁘다'고 느꼈는데, 숫자로 보니 제안서 하나가 회사 전체를 붙잡고 있었어요." 이것이 진단표를 조직에 적용했을 때의 힘이다. 개인의 직감으로는 '다 바쁘다'로 뭉개지던 것이, 우선지수라는 하나의 숫자 앞에서 명확한 순서로 정렬된다. B는 곧바로 제안서 작업에 AI를 붙였고, 그 하나만으로 회사 전체의 야근이 눈에 띄게 줄었다.

여기서 초심자들이 흔히 저지르는 실수 두 가지를 미리 경고해 둔다. 첫째, 업무를 너무 뭉뚱그리는 것이다. "강의 준비"라고 한 덩어리로 적으면 어디에 AI를 붙일지 보이지 않는다. 강의 준비는 '주제 리서치, 목차 설계, 슬라이드 초안, 사례 발굴, 실습 설계, 리허설'처럼 최소 예닐곱 개로 쪼개진다. 쪼갤수록 개선 지점이 선명해진다. 둘째, 우선순위를 '재미'나 '관심'으로 정하는 것이다. 새로 배운 AI 기능이 신기해서 별로 중요하지도 않은 업무부터 손대는 사람이 많다. 진단표의 우선지수를 믿어라. 지수가 낮은 업무는 나중에 해도 늦지 않다. 시간과 고통을 가장 많이 잡아먹는 병목부터 뚫는 것이 정석이다.

또 하나 강조하고 싶은 것은, 이 진단이 '일회성 행사'가 아니라는 점이다. 업무는 계절처럼 바뀐다. 분기마다 이 진단표를 다시 꺼내 갱신하길 권한다. 지난 분기의 1순위 병목을 AI로 해결하고 나면, 숨어 있던 다른 병목이 새 1순위로 올라온다. 진단 → 개선 → 재진단의 순환을 돌리는 사람과, 한 번 배우고 멈춘 사람의 격차는 1년이면 돌이킬 수 없을 만큼 벌어진다.

당신의 진단표를 채울 때 지켜야 할 체크리스트를 남긴다.

• 업무를 30개 이상 쏟아냈는가 (뭉뚱그리지 않고 잘게)
• 각 업무에 빈도·시간을 숫자로 붙였는가
• 사분면(A~D)을 표시했는가
• 고통 점수를 솔직하게 매겼는가
• 상위 10개를 우선지수 순으로 정렬했는가
• 10개 각각에 'AI 개선 방향'을 한 줄로 적었는가
• 이 목록을 눈에 보이는 곳에 붙였는가 (책을 덮은 뒤에도 보이도록)

이 진단표는 이 책을 읽는 내내 당신 옆에 두는 지도다. 앞으로의 각 장은 이 목록의 항목들을 하나씩 실제 결과물로 바꾸는 훈련이 될 것이다.

아래에 진단용 프롬프트도 하나 넣어 둔다. 업무를 쏟아내는 것조차 막막하다면 AI에게 인터뷰를 시켜 보라.

너는 업무 진단 코치다. 나는 [직업/역할]이다. 지금부터 나에게 질문을 하나씩 던져서, 내가 지난 2주간 실제로 한 업무를 30개 이상 끌어내도록 도와줘. 한 번에 질문 하나씩만 하고,
내 답을 받으면 그것을 더 잘게 쪼갤 수 있는지 되물어줘. 30개가 모이면, 각 업무를 (반복성 높음/낮음) × (판단밀도 높음/낮음) 사분면으로 분류한 표로 정리해 줘.

1.4이 책의 사용법: 읽지 말고 만들어라

이 책의 제목은 『생성형 AI의 혁신적 활용』이지만, 나는 부제를 이렇게 붙이고 싶었다. "덮을 때마다 결과물이 하나씩 늘어나는 책"이다. 이건 수사가 아니라 사용법이다. 대부분의 AI 책은 읽고 나면 '아, 이런 게 있구나' 하는 이해만 남는다. 이해는 실력이 아니다. 자전거 타는 법을 읽어서 배운 사람은 없다. 이 책은 각 장이 끝날 때 당신 손에 실물 결과물 하나가 남도록 설계됐다. 강의안, 제안서, 사업계획 초안, 콘텐츠 시리즈 — 장마다 하나씩.

그래서 이 책에는 '다섯 개의 문'이라는 구조가 있다. 모든 장이 이 다섯 개의 문을 순서대로 통과한다.

특히 세 번째 문, '적용'이 이 책의 심장이다. 여기를 건너뛰면 이 책은 그냥 또 하나의 개론서가 된다. 나는 강하게 권한다. 적용을 하지 않은 장은 읽지 않은 것으로 치라.

이 책은 또한 두 개의 트랙으로 구분된다. K를 따라가는 지식서비스 트랙(강사·컨설턴트·연구자)과 B를 따라가는 기업경영 트랙(경영자·기획자)이다. 두 트랙은 같은 원리를 다른 결과물로 구현한다. 당신은 자기 트랙을 주로 따라가되, 다른 트랙도 곁눈질하길 권한다. 강사나 컨설턴트도 언젠가 사업 제안서를 쓰고, 경영자도 언젠가 강연을 한다.

효과적인 사용을 위한 나의 권고는 이렇다.

1. 진단표를 먼저 붙여라. 1.3에서 만든 10가지 목록이 없으면 이 책은 목적지 없는 여행이 된다.
2. 한 장에 최소 하나는 만들어라. 완벽하지 않아도 좋다. '완성한 초라한 것'이 '상상 속의 완벽한 것'을 이긴다.
3. 프롬프트를 그대로 베끼지 말고 고쳐 써라. 프롬프트 랩의 예문은 뼈대다. 대괄호 안을 당신 맥락으로 채우는 순간부터가 진짜 학습이다.
4. 결과물을 남에게 보여라. AI가 만든 초안을 사람에게 검증받는 습관이 안목을 기른다.
5. 처음 결과물은 부끄러워도 된다. K의 첫 AI 강의안은 형편없었다. 세 번째부터 쓸 만해졌고, 열 번째부터는 예전 것보다 나아졌다.

덧붙이자면, 이 책의 프롬프트 예문은 특정 서비스에 종속되지 않도록 썼다. 어떤 대화형 AI에 넣어도 작동하는 '설계'에 초점을 맞췄다. 그러니 당신이 지금 쓰는 도구가 무엇이든 상관없다. 중요한 것은 도구의 이름이 아니라, AI에게 무엇을 어떤 순서로 시킬지를 아는 능력이다. 그 능력은 도구가 바뀌어도 그대로 따라온다.

마지막으로, 이 책을 대하는 마음가짐에 관해 한마디만 하자면, AI를 배우는 사람들의 가장 흔한 실수는 '완벽한 도구가 나올 때까지 기다리는 것'이다. 도구는 계속 바뀐다. 모델 이름도, 화면도, 가격도 몇 달이면 달라진다(그래서 이 책은 특정 버튼보다 원리와 프롬프트 설계에 무게를 둔다). 그러나 '내 업무를 진단하고, AI에게 생산을 맡기고, 나는 판단으로 이동한다'는 원리는 변하지 않는다. 이 원리를 몸에 익히면 도구가 어떻게 바뀌어도 당신은 흔들리지 않는다.

한 가지 당부를 덧붙인다. 이 책을 혼자 읽어도 좋지만, 가능하면 곁에 '동료'를 두라. 같은 트랙의 누군가와 결과물을 주고받으면 학습 속도가 몇 배로 빨라진다. K는 세 명의 동료 강사와 매주 서로의 AI 강의안을 품평했고, B는 직원 두 명과 함께 회사 업무 지도를 그렸다. 혼자 만든 결과물은 자기 눈의 한계를 넘지 못하지만, 남의 눈이 더해지면 안목이 자란다. AI 시대의 학습은 고립된 독학이 아니라, 결과물을 매개로 한 협업이다.

'읽는 사람'과 '만드는 사람'이 1년 뒤에 어떻게 갈리는지, 나는 현장에서 수없이 봤다. 그 차이를 표로 정리하면 이렇다.

오른쪽 열이 되고 싶다면 방법은 하나다. 각 장 끝에서 손을 움직이는 것. 그래서 나는 각 장을 시작하기 전에 스스로 점검할 목록을 하나 권한다.

• 이번 장에서 내가 만들 결과물이 무엇인지 한 문장으로 말할 수 있는가
• 그 결과물이 내 진단표 10가지 중 어느 항목과 연결되는가
• 적용에 쓸 입력 자료(내 실제 업무 자료)를 곁에 준비했는가
• 만든 결과물을 보여 줄 사람(동료·상사·고객)이 정해져 있는가

이 네 칸에 답할 수 있다면, 그 장은 반드시 결과물을 남긴다.

그리고 조급해하지 말라. 이 책은 16개 장으로 이루어져 있고, 한 장에 하나씩 결과물을 쌓으면 마지막 장을 덮을 때 당신 손에는 열여섯 개의 실물이 남는다. 강의안 한 편, 제안서 한 부, 사업계획 초안 하나, 콘텐츠 한 시리즈… 이것들이 모이면 그것이 곧 당신의 새로운 포트폴리오다. 하루에 다 만들려 하지 말고, 한 장씩 착실히 통과하라. 급하게 훑은 열여섯 장보다, 제대로 만든 다섯 장이 당신을 더 멀리 데려간다.

자, 서론은 여기까지다. 다음은 읽는 시간이 아니라 만드는 시간이다.

문 4½생각할 문제

1. 당신의 하루 업무를 A~D 사분면으로 나눈다면, 시간의 몇 퍼센트가 각 사분면에 쓰이고 있는가? 그 비율은 당신이 원하는 비율과 얼마나 다른가?
2. 당신이 '대체될까 두렵다'고 느끼는 업무를 하나 떠올려 보라. 그것은 정말 당신의 안목이 담긴 일인가, 아니면 넘겨주면 후련한 반복 노동인가?
3. 당신이 파는 것은 '시간'인가 '판단'인가? 만약 시간을 팔고 있다면, 판단으로 옮겨 가기 위해 지금 당장 남에게(또는 AI에게) 넘길 수 있는 일은 무엇인가?
4. K와 B의 고민 중 당신은 어느 쪽에 더 가까운가? 그 반대편 인물의 처지에서 보면, 당신에게 보이지 않던 기회는 무엇인가?
5. '나만 아는 것'이라 부를 수 있는 지식 자산을 세 가지만 적어 보라. 그것을 AI 시대에 더 큰 결과물로 키우려면 무엇이 필요한가?
6. 만약 1년 뒤 당신의 업무 시간이 지금의 절반으로 줄어든다면, 남는 절반의 시간을 무엇에 쓸 것인가? 그 답이 당신이 지향해야 할 D 사분면이다.

문 1도입

강의가 끝나고 커피를 마시는데 K가 노트북을 들고 다가왔다. 화면에는 방금 챗봇이 써 준 강의 소개문이 떠 있었다. "선생님, 이거 보세요. 제가 20년 강의한 주제인데, 저보다 더 그럴듯하게 썼어요. 무서울 정도로요." K는 잠깐 말을 멈추더니, 정말 궁금하다는 얼굴로 물었다. "그런데 대체 이게 어떻게 이런 답을 하죠? 안에 사람이 앉아 있는 것도 아니고, 인터넷을 뒤지는 것도 아니라면서요. 원리를 모르니까 믿어도 되는 건지, 어디까지 믿으면 안 되는 건지 감이 안 와요."

나는 이 질문을 좋아한다. 도구를 잘 쓰는 사람과 휘둘리는 사람을 가르는 것이 바로 이 질문이기 때문이다. "K 선생님, 좋은 질문이에요. 그 답을 제대로 하려면 60년의 역사를 10분으로 압축해야 하는데, 제가 그 10분을 아주 아껴서 써 볼게요. 수식은 한 줄도 안 나옵니다. 대신 이 장을 다 읽고 나면, 저 챗봇이 왜 가끔 자신 있게 거짓말을 하는지까지 설명할 수 있게 될 거예요."

옆에서 듣던 B도 의자를 끌고 왔다. "저도요. 임직원들한테 브리핑을 해야 하는데, 제가 원리를 모르니까 '그냥 좋대요' 수준으로밖에 말을 못 해요." 두 사람 앞에 나는 냅킨을 한 장 펼쳤다. 원리를 아는 만큼 한계가 보이고, 한계가 보이는 만큼 안심하고 쓸 수 있다. 이 장은 그 냅킨 한 장의 이야기다.

2.1규칙 기반 AI에서 머신러닝·딥러닝으로

먼저 오해 하나를 풀고 시작하겠다. 많은 분이 AI를 "인간이 규칙을 하나하나 입력해 둔 아주 똑똑한 프로그램"이라고 생각한다. 절반은 맞고 절반은 틀리다. 정확히는, 그런 AI의 시대가 한 번 있었고, 지금 우리가 쓰는 생성형 AI는 그 시대를 넘어선 다음 세대다. 이 차이를 이해하면 절반은 끝난 것이다.

1세대: 규칙 기반 AI.

1960~1980년대의 AI는 사람이 지식을 규칙으로 옮겨 심는 방식이었다. "열이 38도 이상이고 기침이 있으면 독감을 의심하라." 이런 '만약~라면(if~then)' 규칙을 전문가에게 수천 개 받아 넣은 시스템을 '전문가 시스템(expert system)'이라 불렀다. 실제로 병원 진단 보조나 은행 대출 심사에 쓰였다. 장점은 명확하다. 왜 그런 판단을 했는지 규칙을 되짚으면 설명이 된다. 문제는 세상이 규칙으로 다 적히지 않는다는 것이다. 고양이 사진을 보고 "이건 고양이"라고 말하는 규칙을 당신이 한번 글로 적어 보라. 귀가 뾰족하고, 수염이 있고… 그런데 귀가 접힌 고양이도 있고, 뒷모습만 찍힌 고양이도 있다. 규칙은 예외 앞에서 무너진다. 이걸 '지식 획득의 병목'이라고 부른다. 사람이 일일이 규칙을 짜 넣는 속도로는 현실을 따라갈 수 없다.

2세대: 머신러닝.

그래서 발상을 뒤집었다. 규칙을 사람이 넣지 말고, 데이터에서 기계가 스스로 규칙을 찾게 하자. 이것이 머신러닝(machine learning), 우리말로 기계학습이다. 고양이 사진 수만 장과 '이건 고양이/아니다'라는 정답표를 함께 주면, 기계가 사진과 정답 사이의 패턴을 스스로 통계적으로 잡아낸다. 사람은 규칙을 적는 대신 '예시'를 모아 주는 사람이 된다. 나는 강의에서 이렇게 비유한다. 규칙 기반이 "요리법을 글로 다 받아 적는 것"이라면, 머신러닝은 "완성된 요리 만 접시를 맛보게 하고 알아서 감을 잡게 하는 것"이다.

3세대: 딥러닝.

머신러닝 중에서도 '인공신경망'이라는 방식을, 층을 아주 깊게(deep) 쌓아 올린 것이 딥러닝(deep learning)이다. 인공신경망은 인간 뇌의 신경세포가 신호를 주고받는 구조에서 이름을 빌려 왔다. 무수한 작은 계산 단위(뉴런)들이 층층이 연결되어 있고, 입력이 이 층들을 통과하면서 조금씩 추상화된다. 사진의 픽셀 → 선과 모서리 → 눈·코·귀 같은 부위 → 고양이라는 개념. 이렇게 층이 깊어질수록 더 복잡하고 미묘한 패턴을 잡는다. 딥러닝이 2012년 이후 폭발한 데에는 세 가지 연료가 동시에 채워진 사건이 있었다. 인터넷 덕분에 쌓인 방대한 데이터, 게임용 그래픽카드(GPU)에서 온 값싼 연산력, 그리고 개선된 알고리즘. 이 셋이 만나면서 기계는 처음으로 사람보다 사진 분류를 잘하기 시작했다.

세 세대의 차이를 한 표로 정리하면 이렇다.

여기서 B가 던진 질문이 좋았다. "그럼 딥러닝은 규칙 기반의 '설명 가능하다'는 장점을 버린 거네요?" 정확하다. 우리는 성능을 얻는 대신 투명성을 일부 내주었다. 딥러닝 모델 안에는 수십억 개의 숫자(파라미터)가 있고, 그 숫자들이 왜 그렇게 맞춰졌는지 사람이 한눈에 읽어 낼 수 없다. 이것을 '블랙박스 문제'라고 한다. 이 성질은 뒤에서 다룰 '환각'과 곧바로 연결된다. 지금은 이것만 기억하자. 현대 AI는 규칙을 배운 게 아니라, 방대한 예시에서 패턴을 스스로 통계적으로 잡아낸 존재다. 이 한 문장이 이 장 전체의 뿌리다.

한 가지 더. 머신러닝에는 학습 방식이 몇 가지 있는데, 용어만 가볍게 짚고 가자. 정답표를 함께 주는 방식이 '지도학습', 정답 없이 데이터의 숨은 구조만 찾게 하는 것이 '비지도학습', 잘하면 상을 주고 못하면 벌을 주며 시행착오로 배우게 하는 것이 '강화학습'이다. 알파고를 바둑 챔피언으로 만든 것이 바로 강화학습이고, 뒤에 볼 챗봇을 '사람 말을 잘 듣게' 길들이는 마지막 단계에도 강화학습의 사촌 격 기법이 쓰인다. 이름만 알아 두면 충분하다.

한 가지 오해를 더 풀자. "그럼 딥러닝 AI는 인간의 뇌를 그대로 흉내 낸 거냐"고 묻는 분이 많다. 아니다. 인공신경망은 뇌에서 '영감'을 얻었을 뿐, 실제 뇌의 작동과는 상당히 다르다. 뇌는 훨씬 적은 에너지로, 훨씬 적은 예시만 보고도 배운다. 반면 오늘의 AI는 사람이 평생 읽을 양의 수백만 배에 달하는 텍스트를 소화하고 나서야 언어를 흉내 낸다. 효율로 따지면 아직 인간이 압도적이다. 이 사실은 겸손과 안심을 동시에 준다. AI가 곧 인간을 대체한다는 공포도, AI는 별것 아니라는 방심도 모두 과장이다. 우리가 다룰 것은 '아주 특정한 일을 아주 잘하는 통계 기계'다. 그 정체를 정확히 알수록 두려움은 줄고 활용은 는다.

이 세대 이야기가 왜 여러분의 실무에 중요한지, K의 사례로 못을 박아 보자. K는 몇 년 전 한 기업 교육 담당자에게 이런 말을 들었다고 했다. "저희는 규칙 기반으로 자동응답 시스템을 만들어 봤는데, 고객이 조금만 다르게 물어보면 다 막혀서 결국 접었어요." 이게 바로 규칙 기반의 벽이다. '환불 문의'라는 규칙을 심어 놓으면 "환불해 주세요"는 알아듣지만 "돈 돌려받고 싶은데요"에서 멈춘다. 표현의 무한한 변주를 규칙으로 다 적을 수 없기 때문이다. 반면 오늘의 언어모델은 두 문장이 '같은 뜻'임을 통계적으로 안다. 왜냐하면 수억 개의 문장에서 그 둘이 비슷한 맥락에 등장하는 패턴을 익혔기 때문이다. K가 이 차이를 이해한 순간, 그는 "AI가 똑똑해서"가 아니라 "학습 방식이 근본적으로 달라서" 지금의 도약이 왔다는 걸 알았다. 강의에서 이 한 끗을 짚어 주면 수강생의 눈빛이 달라진다.

2.2트랜스포머와 대규모 언어모델의 탄생

이제 본론이다. K의 챗봇이 어떻게 문장을 쓰는지, 그 심장을 열어 보자. 결론부터 말하면 놀랄 만큼 단순하다. 대규모 언어모델(LLM, Large Language Model)이 하는 일은 단 하나, 다음에 올 단어를 확률로 예측하는 것이다. 정말로 이게 전부다. "오늘 아침에 나는 커피를 ___" 하면 빈칸에 '마셨다'가 올 확률이 가장 높다고 계산하고, 그 단어를 뱉는다. 그리고 방금 뱉은 단어까지 포함해 다시 그다음 단어를 예측한다. 이 과정을 수백, 수천 번 반복하면 문단이 되고 글이 된다.

강의에서 나는 이걸 '세상에서 가장 성실한 자동완성'이라고 부른다. 여러분 스마트폰 문자 입력창 위에 뜨는 다음 단어 추천, 그것의 상상을 초월하게 거대하고 정교한 버전이라고 생각하면 된다. 스마트폰 자동완성은 바로 앞 한두 단어만 보지만, LLM은 지금까지 나온 수천 단어의 맥락을 통째로 보고 다음 한 단어를 고른다. 이 '맥락을 통째로 보는' 능력이 바로 다음에 설명할 트랜스포머의 핵심이다.

토큰: 기계가 글을 자르는 단위. 그런데 기계는 '단어'를 그대로 다루지 않는다. 글을 '토큰(token)'이라는 조각으로 잘라서 다룬다. 토큰은 대략 단어 하나이거나, 긴 단어의 일부이거나, 조사·어미 같은 짧은 조각이다. 영어로 대충 셈하면 한 토큰이 4글자 안팎, 또는 0.75단어쯤 된다. "생성형 인공지능" 같은 한국어는 '생성', '형', '인공', '지능'처럼 더 잘게 쪼개지는 경향이 있다. 왜 이 얘기를 하냐면, 여러분이 나중에 API 요금을 낼 때 이 토큰 수로 값을 매기기 때문이다. 입력한 토큰과 출력된 토큰을 합쳐 과금한다. 또 모델이 한 번에 볼 수 있는 맥락의 크기도 '토큰 몇 개까지'로 정해진다. 이걸 '컨텍스트 윈도우'라 부르는데, 이 창이 클수록 긴 문서를 통째로 넣고 다룰 수 있다. 토큰은 원리이자 곧 비용이자 한계다. 기억해 둘 값어치가 있다.

토큰이 곧 비용이라는 말이 추상적으로 들릴 테니, B의 사례로 숫자를 붙여 보자. B는 회사 제안서 초안을 AI로 뽑기 시작하면서 "한 달에 얼마나 나올까"를 걱정했다. 나는 그에게 대략적인 감을 잡는 표를 그려 줬다. 아래는 이해를 돕기 위한 예시 수치이며, 실제 단가는 모델과 시점에 따라 크게 달라진다는 점을 전제로 보라.

B가 놀란 지점은 이거였다. "그럼 긴 문서를 통째로 넣고 대화를 이어 가면, 매번 그 문서 전체가 다시 계산되는 거네요?" 정확하다. 대화가 길어지면 앞의 맥락을 계속 다시 읽어 들이므로 토큰이 눈덩이처럼 불어난다. 그래서 나는 B에게 "긴 자료는 필요한 부분만 잘라 넣고, 주제가 바뀌면 새 대화를 시작하라"고 조언했다. 원리(토큰)를 알았더니 비용 관리 습관이 저절로 나온 것이다.

확률분포: 주사위가 아니라 가중된 주사위.

모델이 다음 토큰을 고를 때, 후보가 딱 하나만 있는 게 아니다. '마셨다' 60%, '주문했다' 15%, '내렸다' 8%… 이런 식으로 모든 후보 토큰에 확률이 매겨진다. 이 확률표 전체를 '확률분포'라고 한다. 여기서 매번 확률이 가장 높은 것만 고르면 글이 딱딱하고 뻔해진다. 그래서 약간의 무작위성을 준다. 이 무작위성의 세기를 조절하는 손잡이가 '온도(temperature)'다. 온도가 낮으면 안전하고 예측 가능한 단어를, 온도가 높으면 과감하고 창의적인(때론 엉뚱한) 단어를 고른다. 같은 질문에 챗봇이 매번 조금씩 다른 답을 내놓는 이유가 바로 이것이다. AI는 정답을 꺼내 오는 게 아니라, 그럴듯한 다음 단어를 확률적으로 굴려 문장을 지어낸다. 이 원리를 알아 두면 앞으로 설명할 내용이 쉬워질 것이다.

그럼 트랜스포머는 무엇일까? 2017년, 구글 연구진이 「Attention Is All You Need」라는 논문에서 '트랜스포머(Transformer)'라는 신경망 구조를 발표했다. 이것이 오늘날 거의 모든 LLM의 뼈대다. 이름은 영화 로봇과 무관하고, 핵심은 '어텐션(attention, 주의집중)'이라는 장치에 있다. 어텐션을 나는 이렇게 비유한다. 여러분이 "그 배우가 연기한 그는 결국 배신했다"라는 문장에서 '그'가 누구인지 알려면, 문장 앞의 '배우'에 주의를 기울여야 한다. 어텐션은 바로 이것을 한다. 문장 속 각 단어가 다른 어떤 단어에 얼마나 '주의를 기울여야' 하는지를 통째로, 동시에 계산한다.

트랜스포머 이전의 모델은 사람이 소리 내어 읽듯이 문장을 앞에서부터 한 단어씩 순서대로 읽었다. 이 방식은 느리고, 문장이 길어지면 앞 내용을 잊어버렸다. 트랜스포머는 문장 전체를 한 번에 펼쳐 놓고 모든 단어 쌍의 관계를 병렬로 계산한다. 이 '병렬 처리'가 결정적이었다. GPU 수천 장을 동시에 굴려 어마어마한 양의 텍스트를 빠르게 학습할 수 있게 됐고, 그 결과 모델을 전에 없이 크게 키울 수 있었다. 그래서 '대규모(Large)' 언어모델이다.

여기서 놀라운 현상이 관찰됐다. 모델을 충분히 크게 키우고 충분히 많은 텍스트로 학습시키자, 아무도 따로 가르치지 않은 능력들이 어느 순간 '창발(emergence)'했다. 번역을 시킨 적 없는데 번역을 하고, 요약을 배운 적 없는데 요약을 하고, 간단한 추론까지 해낸다. 그저 '다음 단어 맞히기'를 극한까지 잘하게 훈련했을 뿐인데, 그 과정에서 언어에 담긴 지식과 논리의 패턴을 흡수해 버린 것이다. 이것이 2022년 말 챗GPT가 세상을 놀라게 한 사건의 기술적 배경이다.

LLM이 완성되기까지의 과정을 세 단계로 정리하면 이렇다. 임직원 브리핑에 그대로 써도 좋다.

세 번째 단계 덕분에 챗봇은 단순히 아는 걸 쏟아내는 게 아니라, 도움이 되고 해롭지 않은 방향으로 대답하려 애쓰게 된다. 다만 '애쓴다'와 '항상 옳다'는 다르다. 그 틈에서 환각이 생긴다. 이에 대해서는 2.4에서 자세히 설명할 것이다.

이 '다음 단어 예측'이라는 원리를 K가 자기 강의로 어떻게 옮겼는지 소개하고 싶다. K는 수강생에게 이렇게 시연한다. 먼저 화이트보드에 "저는 오늘 점심에 김치찌개를"이라고 쓰고 묻는다. "다음에 뭐가 올까요?" 수강생들이 입을 모아 "먹었어요"라고 답한다. K가 웃으며 말한다. "방금 여러분이 한 게 챗GPT가 하는 일의 전부입니다. 여러분 머릿속에 수십 년 쌓인 한국어 경험으로 '가장 그럴듯한 다음 말'을 고른 거죠. AI는 그걸 인터넷 전체 규모로 했을 뿐이에요." 이 3분짜리 시연 하나로 수강생들은 '기계 안에 지능이 들어 있다'는 신비주의에서 벗어난다. 원리를 몸으로 겪게 하는 것, 이것이 좋은 강의다.

2.3멀티모달 AI: 글에서 그림·음악·영상으로

지금까지는 글에 관한 이야기였다. 그런데 여러분이 이미 경험했듯, 오늘의 AI는 그림을 그리고, 목소리를 만들고, 영상을 뽑는다. 이렇게 여러 종류의 데이터를 다루는 AI를 '멀티모달(multimodal) AI'라고 한다. '모달(modality)'은 정보의 양식, 즉 글·이미지·소리·영상 같은 감각의 종류를 뜻한다. 텍스트만 다루면 유니모달, 여러 양식을 넘나들면 멀티모달이다.

원리를 파고들면 의외로 재미있다. 결국은 다 같은 게임이다. 2.2에서 LLM이 '다음 토큰 예측'을 한다고 했다. 이미지 생성 AI도 본질은 비슷하다. 방식이 조금 다를 뿐, "다음에 올 픽셀 조각은 무엇인가" 혹은 "이 흐릿한 얼룩을 어떻게 선명하게 만들 것인가"를 확률적으로 계산한다. 컴퓨터 입장에서 글, 그림, 소리는 모두 결국 숫자의 나열이다. 텍스트가 토큰이라는 숫자가 되듯, 이미지는 픽셀 값이라는 숫자가, 소리는 파형이라는 숫자가 된다. 숫자로 바뀌는 순간, 같은 종류의 예측 게임을 걸 수 있다.

이미지 생성의 대표 방식은 '디퓨전(diffusion, 확산)' 모델이다. 이름은 어렵지만 발상은 소름 돋게 단순하다. 학습할 때, 선명한 사진에 노이즈(잡음)를 조금씩 뿌려 완전한 모래폭풍이 될 때까지 망가뜨린다. 그리고 그 과정을 거꾸로 되돌리는 법을 기계에게 가르친다. 그러면 나중에 순수한 노이즈만 던져 주고 "고양이"라고 말하면, 기계가 그 모래폭풍에서 고양이를 '조각가처럼' 서서히 깎아 낸다. 나는 이걸 미켈란젤로에 비유한다. 그는 "대리석 안에 이미 갇혀 있는 형상을 꺼낼 뿐"이라고 했다. 디퓨전 모델은 노이즈라는 대리석에서 여러분이 말로 지시한 형상을 꺼낸다.

디퓨전의 작동을 그림 없이 말로 그려 보겠다. 강의에서 나는 이 4컷을 손으로 그려 설명한다.

• 1컷: 또렷한 강아지 사진.
• 2컷: 그 위에 모래(노이즈)를 살짝 뿌린 흐릿한 사진.
• 3컷: 모래를 더 뿌려 형체를 알아보기 힘든 사진.
• 4컷: 완전한 모래폭풍. 아무것도 안 보임.

학습이란 4컷에서 1컷으로 '되돌리는 법'을 수백만 번 연습하는 것이다. 연습을 마친 모델에게 이제 4컷(순수 노이즈)과 "강아지"라는 주문을 함께 주면, 모델은 배운 대로 모래를 한 겹씩 걷어 내며 강아지를 서서히 드러낸다. 없던 것을 창조하는 게 아니라, 노이즈 속에서 '강아지스러운 방향'으로 계속 다듬어 가는 것이다. 이 원리를 알면 왜 같은 프롬프트로도 매번 다른 그림이 나오는지 이해된다. 시작하는 노이즈가 매번 다르기 때문이다.

그런데 어떻게 '고양이'라는 글자를 알아듣고 고양이를 그릴까. 여기에 멀티모달의 진짜 마법이 있다. 글과 그림을 같은 '의미의 공간'에 나란히 놓는 기술이다. 수억 장의 '이미지-설명글' 쌍을 학습시키면, 모델은 '고양이'라는 단어가 사는 좌표와 고양이 사진이 사는 좌표를 가깝게 붙여 놓는다. 이 공통 좌표계 덕분에 말과 그림 사이를 오갈 수 있다. 이것을 임베딩(embedding)이라 부르는데, 용어는 몰라도 그림은 잡아 두시라. AI는 서로 다른 감각을 '의미'라는 공통 언어로 번역해 한 지도 위에 올려놓는다.

멀티모달이 실제로 어디까지 왔는지, 2025년 시점의 감각으로 정리해 본다. 다만 이 분야는 몇 달 사이에도 빠르게 변하므로, 구체적인 제품명이나 성능은 시점에 따라 달라질 수 있다.

주목할 흐름은 이 양식들이 하나의 모델 안으로 합쳐지고 있다는 점이다. 예전엔 글 모델, 그림 모델이 따로였다면, 이제는 한 모델이 사진을 '보고' 질문을 '읽고' 답을 '말하는' 수준으로 통합되고 있다. B의 회사를 예로 들어 보자. B는 지난주에 손으로 그린 매장 배치 스케치를 사진 찍어 AI에 올리고 "이 동선의 문제점을 지적하고 개선안을 글로 정리해 줘"라고 했다. 그림을 이해하고 글로 답하는, 불과 몇 년 전엔 공상과학이던 일이 지금은 점심시간에 벌어진다. 여기서 B가 얻은 것은 '완성된 정답'이 아니라 '검토할 초안'이었다는 점이 중요하다. AI가 짚어 준 동선 문제 세 가지 중 둘은 쓸 만했고 하나는 현장을 모르는 소리였다. B는 그 하나를 걸러 냈다. 멀티모달을 잘 쓰는 사람은 바로 이렇게 쓴다. 재료로 받아 판단은 자기가 한다.

K도 멀티모달을 강의에 끌어들였다. 예전엔 강의 슬라이드에 넣을 삽화를 무료 이미지 사이트에서 몇 시간씩 찾아 헤맸는데, 이제는 "노년층이 스마트폰으로 AI를 배우며 밝게 웃는 모습, 따뜻한 색감, 일러스트 스타일"이라고 주문해 몇 장을 받아 그중 하나를 고른다. 여기서 K가 지킨 원칙이 하나 있다. 이미지에 들어간 '글자'는 절대 그대로 믿지 않는다는 것. AI가 만든 그림 속 글자는 뭉개지거나 엉뚱한 철자로 나오기 일쑤라, 텍스트가 필요하면 그림 위에 자기가 직접 얹는다. 원리를 알면 어디를 믿고 어디를 손볼지가 보인다.

멀티모달 결과물을 실무에 쓰기 전, 나는 다음 체크리스트를 돌린다.

• 이미지 속 글자·숫자·로고가 정확한가(대개 부정확하다. 직접 확인·교체).
• 사람 손·치아·눈 등 세부가 자연스러운가(어색하면 재생성 또는 크롭).
• 실존 인물·브랜드·저작물을 무단으로 닮게 만들지 않았는가(권리 문제).
• 이 결과물을 '초안'으로 쓸 것인가 '최종본'으로 쓸 것인가(최종본이면 사람 검수 필수).
• 사실 정보(도표 수치, 제품 사양)가 담겼다면 원자료와 대조했는가.

한 가지 균형을 잡자. 멀티모달 결과물은 놀랍지만 아직 '초안 생성기'로 보는 게 안전하다. 이미지 속 글자가 뭉개지고, 손가락이 여섯 개로 나오고, 영상 속 사물이 슬며시 변형되는 일이 여전히 있다. 왜 그럴까. 답은 이미 나와 있다. 이들 역시 '사실을 아는' 게 아니라 '그럴듯한 다음 조각을 확률로 만들어 내기' 때문이다. 이 성질이 축복이자 저주다. 그 저주의 이름을 이제 정면으로 다루자.

2.4원리를 알면 한계가 보인다: 환각의 구조적 이유

AI를 쓰다 보면 반드시 이 순간이 온다. 챗봇이 존재하지도 않는 논문을 저자와 연도까지 붙여 인용하거나, 실제로는 없는 법 조항을 자신 있게 말한다. 이 현상을 '환각(hallucination)'이라 부른다. 나는 이 번역어를 별로 좋아하지 않는다. 마치 AI가 가끔 오작동하는 것처럼 들리기 때문이다. 진실은 반대다. 환각은 버그가 아니라, 지금까지 설명한 원리가 정상 작동한 결과다. 이걸 이해하는 순간 여러분은 AI를 두려워하지도, 맹신하지도 않게 된다.

되짚어 보자. LLM은 '다음에 올 가장 그럴듯한 단어'를 확률로 고른다고 했다. 여기서 핵심 단어는 '그럴듯한'이지 '사실'이 아니다. 모델의 목표 함수 안에 '진실'이라는 항목은 없다. 오직 '자연스럽고 그럴듯한 언어 패턴'만 있다. 그러니 존재하지 않는 논문 제목도, 실제 논문 제목과 통계적으로 똑같이 그럴듯하게 생겼다면 서슴없이 만들어 낸다. 모델에게 "모르겠다"와 "그럴듯하게 지어내기"는 확률 계산상 후자가 더 매력적일 때가 많다. AI는 거짓말을 하는 게 아니다. 애초에 참과 거짓을 구분하는 장치가 없다. 그것이 있는 것처럼 보였다면, 학습 데이터에 사실이 워낙 많아 그럴듯함과 사실이 대체로 겹쳤을 뿐이다.

환각이 특히 잘 생기는 상황을 알아 두면 방어가 된다. 생성형 AI를 처음 가르친 2023년에는 환각을 ‘거짓말’로 가르쳤으나, 최근 기술의 발전으로 이전보다 환각이 나타날 가능성이 많이 줄었기에 최근 강의에서는 환각을 '뒤통수'로 가르친다. 즉 환각에 대한 중요성을 잊지 말하는 의미이다.

B가 실제로 환각에 데인 이야기를 해야겠다. 그는 제안서에 넣을 시장 통계를 AI에 물었고, AI는 "국내 관련 시장이 연 14.2% 성장, 2024년 기준 3조 8천억 원 규모"라고 소수점까지 붙여 대답했다. 그럴듯했다. B는 하마터면 그대로 제안서에 넣을 뻔했다. 다행히 출처를 물었더니 AI가 댄 보고서는 실제로 존재하지 않았다. 숫자가 구체적이고 확신에 찰수록 오히려 더 의심해야 한다는 걸 그때 배웠다. 이후 B는 자기만의 절차를 만들었다. (1) 수치가 나오면 반드시 "출처 기관과 발표 연도를 함께 대라"고 되묻는다. (2) 그 출처를 검색창에서 직접 확인한다. (3) 확인 안 되는 수치는 제안서에서 뺀다. 이 세 줄짜리 습관이 B를 큰 사고에서 여러 번 구했다.

여기서 '지식 컷오프(knowledge cutoff)'라는 말을 짚자. 모델은 특정 시점까지의 데이터로 학습을 마친다. 그 이후에 벌어진 일은, 검색 같은 외부 도구를 붙여 주지 않는 한 원천적으로 알 수 없다. K가 "지난달 개정된 강사법 조항 알려 줘"라고 물으면, 학습 시점 이후라면 모델은 모른다고 하거나, 더 위험하게는 그럴듯한 가짜 조항을 만들어 낸다. 그래서 최신 정보가 걸린 질문에는 반드시 근거 자료를 직접 물려 주거나 검색 기능을 켜야 한다.

그렇다면 환각을 어떻게 다스릴까. 완전히 없앨 수는 없지만, 확률을 크게 낮추는 습관이 있다. 나는 이것을 세 가지 방어선으로 가르친다.

1. 근거를 물려 준다(Grounding). 모델의 기억에만 의존하지 말고, 답의 재료가 될 문서·데이터를 직접 붙여 주고 "이 자료 안에서만 답하라"고 지시한다. 뒤 장에서 배울 RAG(검색증강생성)가 이 원리를 시스템으로 구현한 것이다. 상상으로 메울 틈을 사실로 막는 것이다.
2. 출처를 요구한다. "각 주장 뒤에 근거 출처를 표시하고, 확실하지 않으면 '불확실'이라고 밝혀라." 이렇게 지시하면 모델이 자기 확신도를 드러내도록 유도할 수 있다. 출처를 대라고 하면 지어낸 출처가 오히려 검증하기 쉬워지는 역설적 효과도 있다.
3. 사람이 검증한다. 이것이 마지막이자 가장 중요한 방어선이다. AI의 산출물은 '전문가가 검토할 초안'이지 '그대로 나갈 완성본'이 아니다. 특히 수치, 인용, 법률·의료·계약처럼 틀리면 대가가 큰 영역은 사람이 반드시 원출처를 확인한다. 이 원칙은 이 책 전체를 관통한다.

B가 여기서 가장 중요한 질문을 던졌다. "그럼 환각 때문에 결국 AI는 못 믿을 물건 아닌가요?" 나는 이렇게 답했다. "계산기는 여러분이 버튼을 잘못 누르면 틀린 답을 냅니다. 그렇다고 계산기를 안 쓰나요? 도구의 작동 원리와 한계를 알면, 그 한계 바깥에서 마음껏 쓰면 됩니다." AI는 창작·요약·초안·발상·번역처럼 '그럴듯함'이 곧 가치인 일에서 압도적으로 강하다. 반대로 '단 하나의 정확한 사실'이 걸린 일에서는 반드시 검증을 붙여야 한다. 원리를 아는 사람은 이 경계를 안다. 지나치게 겁내지도 않고, 무턱대고 믿지도 않는다.

K가 마지막으로 물었다. "선생님, 그래도 시간이 지나면 환각이 완전히 사라지지 않을까요?" 나는 이렇게 답했다. "많이 줄어들 겁니다. 검색을 붙이고, 자기 답을 스스로 검토하게 하고, 근거를 함께 대게 하는 기술이 빠르게 좋아지고 있어요. 하지만 '그럴듯한 다음 조각을 확률로 만든다'는 뿌리 자체는 그대로예요. 그러니 몇 년 뒤에도 원칙은 같습니다. 중요한 사실은 사람이 확인한다. 이건 기술이 아무리 발전해도 여러분이 놓지 말아야 할 마지막 버튼이에요." 원리를 아는 사람에게 이 결론은 불안이 아니라 자유다. 무엇을 맡기고 무엇을 지킬지 스스로 정할 수 있으니까.

이 장을 정리하며 냅킨에 적을 한 문장은 이것이다. 현대 AI는 규칙을 배운 게 아니라 방대한 예시에서 패턴을 익혔고, 그 패턴으로 '그럴듯한 다음 조각'을 확률로 만들어 낸다. 이 성질이 창의성의 원천이자 환각의 원천이다. 같은 뿌리에서 축복과 저주가 함께 자란다. 이 뿌리를 알면, 어디까지 맡기고 어디서 손을 놓지 말아야 할지가 보인다.

문 4½생각할 문제

1. 규칙 기반 AI가 갖던 '설명 가능성'을 딥러닝이 일부 포기했다. 여러분의 업무에서, 성능을 위해 투명성을 내주어도 되는 일과 절대 안 되는 일은 각각 무엇인가.
2. "AI는 정답을 찾아오는 게 아니라 그럴듯한 다음 단어를 지어낸다"는 사실을 처음 안 지금, 최근에 받은 AI 답변 하나를 다시 본다면 어디를 다르게 읽겠는가.
3. 멀티모달 결과물(이미지·영상)에서 여러분이 직접 겪은 오류(뭉개진 글자, 어색한 손 등)를 떠올려 보라. 그것을 2.4의 원리로 설명할 수 있는가.
4. 환각을 '없애야 할 결함'이 아니라 '관리해야 할 성질'로 본다면, 여러분의 조직에 필요한 'AI 사용 수칙'은 어떤 문장으로 시작해야 하는가.
5. 지식 컷오프와 검증의 부담을 고려할 때, 여러분의 일 중 'AI에 맡길 일'과 '사람이 지킬 일'의 경계선을 한 문장으로 그어 본다면.

문 1도입

같은 날 오후, 나는 K와 B에게 똑같은 실험을 시켰다. 노트북 두 대를 나란히 놓고, 한쪽에는 ChatGPT를, 다른 쪽에는 Claude를 띄웠다. 그리고 완전히 같은 문장을 양쪽에 그대로 붙여 넣게 했다. "중소기업 대표를 대상으로 하는 두 시간짜리 'AI 업무 자동화' 강의의 커리큘럼을 짜 줘."

엔터를 누르는 순간까지도 K는 심드렁했다. "어차피 같은 AI인데, 답도 비슷하겠죠." 그런데 30초 뒤, 두 화면을 번갈아 보던 K의 표정이 묘하게 바뀌었다. 한쪽은 밝고 친절한 목소리로 아이디어를 쏟아 냈다. 강의 제목 후보 다섯 개, 아이스브레이킹 활동, 실습 아이디어까지 신이 나서 떠들어 댔다. 다른 한쪽은 차분했다. 대신 90분을 어떻게 배분하고, 각 블록에서 무엇을 다루고, 청중이 중간에 이탈하지 않으려면 어느 지점에 실습을 넣어야 하는지를, 마치 오래 강의해 본 사람처럼 구조를 잡아 왔다.

K가 물었다. "어느 쪽이 맞는 거예요?" 나는 웃었다. 그건 20년 전 내가 신입 강사 둘을 데리고 있을 때 하던 질문과 똑같았기 때문이다. 한 명은 아이디어가 넘쳤고, 한 명은 문서를 기가 막히게 정리했다. 그때 나는 "누가 더 나은가"를 묻지 않았다. "언제 누구를 부를 것인가"를 배웠다. 이 장은 바로 그 이야기다. 지금 우리 손에는 글 잘 쓰는 두 천재가 있다. 문제는 우열이 아니라 배치다.

3.1ChatGPT: 아이디어, 기획, 범용 작업의 강자

먼저 분명히 해 두자. 나는 이 장에서 "ChatGPT가 이겼다" "Claude가 이겼다" 같은 승부를 매기려는 게 아니다. 두 도구는 결이 다른 천재다. 그 결을 이해하면, 여러분은 같은 값을 내고도 두 배의 결과를 얻는다. 먼저 ChatGPT부터 보자.

ChatGPT는 오픈AI가 2022년 11월에 세상에 내놓은 대화형 AI다. 이름 자체가 하나의 대명사가 됐다. 사람들이 "GPT 돌려 봤어?"라고 말할 때, 그건 대개 생성형 AI 전체를 가리키는 관용어가 되어 버렸다. 그만큼 대중적이고, 그만큼 범용적이다. 내가 현장에서 ChatGPT를 소개할 때 늘 쓰는 비유가 있다. "옆자리에 앉은, 아는 것 많고 눈치 빠른 만능 대리." 뭘 시켜도 일단 해 본다. 아이디어를 물으면 신나서 열 개를 던진다. 막힌 문제를 던지면 "이런 방향은 어때요?" 하고 먼저 제안한다. 이 적극성과 범용성이 ChatGPT의 첫 번째 강점이다.

두 번째 강점은 생태계다. ChatGPT는 단순한 챗봇이 아니라 하나의 플랫폼으로 자랐다. 웹 검색, 이미지 생성, 데이터 분석(파일을 올리면 파이썬으로 계산·차트를 만들어 준다), 음성 대화, 그리고 특정 목적에 맞게 미리 세팅해 둔 맞춤형 봇(GPTs)까지 한 지붕 아래에 있다. 강의 기획 하나를 하더라도, 아이디어를 브레인스토밍하고, 곧바로 강의 포스터 이미지를 뽑고, 수강생 설문 데이터를 붙여 넣어 분석까지 한 창에서 이어 갈 수 있다. 나는 이걸 "작업의 연쇄가 끊기지 않는다"고 표현한다. 도구를 갈아타느라 흐름이 끊기는 것만큼 창작을 방해하는 게 없다.

버전 이야기를 잠깐 하자. 2025년 기준으로 ChatGPT는 GPT-4o를 중심으로, 더 깊이 생각하는 추론 계열 모델(o 시리즈로 불리던 라인), 그리고 더 진화한 GPT-5 계열로 세대가 이어져 왔다. 무료로도 상당 부분 쓸 수 있고, 유료 구독(개인용 플러스 요금제는 2025년 기준 대략 월 20달러 선)으로 더 똑똑한 모델과 사용 한도, 부가 기능을 연다. 다만 여기서 한 가지만 당부한다. 모델 이름, 세대 번호, 가격, 사용 한도는 이 책을 읽는 시점에 이미 바뀌어 있을 가능성이 매우 높다. 이 분야는 6개월이 6년 같다. 그러니 "GPT-4o가 최신이다" 같은 특정 버전 정보에 매이지 말고, "범용 아이디어·생태계 통합에 강하다"는 성격을 기억하기 바란다. 성격은 잘 안 변하지만 버전은 매달 변한다.

세 번째 강점은 대화의 유연함이다. ChatGPT는 사용자의 짧고 거친 지시에도 곧잘 반응한다. "이거 좀 더 재밌게" "톤을 캐주얼하게" "10대가 봐도 이해되게" 같은 두루뭉술한 요구를 던져도, 눈치껏 방향을 튼다. 나는 이걸 "요구가 덜 정제된 초기 단계"에 특히 강한 성질이라고 본다. 머릿속이 아직 정리되지 않았을 때, 무엇을 원하는지조차 모를 때, ChatGPT는 같이 헤매 주면서 실마리를 던져 준다. 기획의 0에서 1을 만드는 구간, 여기가 ChatGPT의 홈그라운드다.

현장 사례를 하나 들겠다. K가 신규 강의를 하나 기획해야 했다. 주제는 정했는데(중소기업 대상 AI 자동화), 어디서부터 손대야 할지 막막했다. 나는 K에게 ChatGPT를 열고 이렇게 시켜 보라고 했다.

나는 20년 경력의 기업교육 강사야. 중소기업 대표·실무진을 대상으로 'AI로 반복 업무 자동화하기'라는 신규 강의를 기획하려고 해. 아직 아이디어 단계야. 다음을 도와줘. 1) 이 강의의 매력적인 제목 후보 8개 (직관적인 것과 도발적인 것을 섞어서) 2) 이 강의를 들으면 좋을 타깃 청중 3가지 유형과 각각의 절실한 고민 3) 2시간 강의에서 다룰 수 있는 소주제 후보 12개 4) 수강생이 "돈이 아깝지 않았다"고 느끼게 할 실습 아이디어 5개 브레인스토밍이니까 자유롭게, 많이 던져 줘.

ChatGPT는 이런 요청에 물 만난 물고기다. 제목 후보를 쏟아 내고("사장님, 그 업무 이제 AI가 합니다" 같은 도발형부터 "중소기업 실무 자동화 입문"까지), 청중 유형을 나누고, 소주제를 12개는커녕 15개쯤 던지며, 실습 아이디어까지 신나게 채워 준다. K는 그중 마음에 드는 것만 골라 담았다. 15분 만에 백지가 아이디어로 가득 찼다. 이게 ChatGPT의 진짜 가치다. 완성품이 아니라, 완성으로 가는 재료를 폭발적으로 늘려 주는 능력.

한 가지 주의도 함께 말하겠다. 아이디어를 많이 준다는 건, 그중 쓸모없는 것도 섞여 있다는 뜻이다. 적극적이라는 건, 때로 여러분이 묻지도 않은 방향으로 앞서 나간다는 뜻이기도 하다. 그래서 나는 ChatGPT를 "재료 공급자"로 쓰고, 최종 선별과 판단은 반드시 사람이 한다고 원칙을 세워 둔다. 만능 대리는 만능이지 완벽이 아니다. 이 구분을 놓치면, 넘치는 아이디어에 오히려 휩쓸린다.

K의 사례를 조금 더 들여다보자. 아이디어를 받은 뒤 K가 저지른 첫 실수가 바로 이 대목이었다. ChatGPT가 15개의 소주제를 던지자, K는 그 15개를 전부 강의에 넣으려 했다. 2시간짜리 강의에 소주제 15개는 재앙이다. 나는 K를 말리며 이렇게 시켰다. "이번엔 좁혀 달라고 해 보세요." K는 다시 이렇게 물었다. "방금 준 15개 소주제 중에서, 중소기업 대표가 '당장 내일 써먹을 수 있다'고 느낄 만한 것 5개만 골라 줘. 고른 이유도 한 줄씩." ChatGPT는 15개를 5개로 추렸고, 각각 왜 실용적인지 근거를 붙였다. 여기서 배울 점은 두 가지다. 첫째, ChatGPT는 발산만 잘하는 게 아니라, '기준을 주면' 그 기준으로 좁히는 것도 한다. 둘째, 그 좁히는 기준(무엇이 우리 청중에게 절실한가)은 결국 사람이 정해 줘야 한다. AI에게 좁혀 달라고 할 때도, 좁히는 잣대는 여러분 손에 있어야 한다.

발산 단계에서 ChatGPT를 더 세게 쓰는 요령 하나를 공유한다. 나는 아이디어가 뻔하게 나올 때 "한 번 더, 그런데 이번엔 다르게"를 요구한다. 예컨대 "방금 아이디어는 너무 평범해. 경쟁 강의에는 없을, 조금 도발적이고 신선한 각도로 5개 더 줘"라고 밀어붙이면, ChatGPT는 첫 라운드에서 내놓지 않던 색다른 것들을 꺼낸다. 발산은 한 번으로 끝내는 게 아니라 여러 라운드로 짜내는 것이다. 이 '재요청'에 가장 유연하게 반응하는 게 ChatGPT의 성격이다.

정리하면 ChatGPT의 자리는 이렇다. 발상, 기획, 초안, 범용 잡무, 그리고 여러 기능을 한 창에서 이어 쓰는 통합 작업. 머릿속이 뿌옇고 무엇을 원하는지조차 흐릿한 그 처음, 거기서 ChatGPT는 가장 빛난다. 자 이제 외쳐보자! “지성의 GPT”. 이 말은 필자가 강의시에 잘 기억 시키기위해 만들었던 것이다.

3.2Claude: 장문 분석, 문서 작성, 추론의 강자

이제 다른 천재를 소개할 차례다. Claude는 앤트로픽(Anthropic)이 만든 대화형 AI다. 앤트로픽은 오픈AI 출신 연구자들이 "안전하고 정직한 AI"를 기치로 세운 회사다. 이 출신 배경은 Claude의 성격에 고스란히 배어 있다. 내가 Claude를 소개할 때 쓰는 비유는 이렇다. "말수는 적지만 문서 하나는 기막히게 뽑아 오는, 꼼꼼하고 신중한 베테랑 실무자." ChatGPT가 발랄한 만능 대리라면, Claude는 진중한 전문 작가에 가깝다.

Claude의 첫 번째 강점은 긴 글을 다루는 힘이다. 기술 용어로는 '컨텍스트 윈도(context window)'라고 부르는데, 쉽게 말하면 한 번에 읽고 기억할 수 있는 분량이다. Claude는 이 그릇이 매우 크다. 2025년 기준으로 수십만 토큰, 한글로 환산하면 책 한 권 분량의 문서를 통째로 붙여 넣고 "이 안에서 핵심 쟁점 세 가지를 뽑아 줘" "3장과 7장의 주장이 서로 모순되지 않는지 봐 줘" 같은 요청을 할 수 있다. B가 이 대목에서 눈이 커졌다. 그는 30페이지짜리 경쟁사 사업보고서를 늘 훑어야 했는데, 매번 시간이 없어 앞부분만 읽고 회의에 들어갔다. Claude에게 그 보고서를 통째로 넘기고 "우리 회사 관점에서 위협 요인과 기회 요인을 표로 정리해 줘"라고 하자, 흩어져 있던 30페이지가 한 장의 표로 압축됐다. 긴 문서를 읽고, 비교하고, 요약하고, 그 안의 논리를 따지는 일. 여기가 Claude의 홈그라운드다.

두 번째 강점은 글쓰기의 품질과 안정성이다. Claude가 뽑아내는 문장은 대체로 차분하고, 구조가 잡혀 있고, 과장이 적다. 보고서, 제안서, 공문, 계약서 검토 의견, 긴 이메일처럼 '틀이 있고 격식이 필요한 글'에서 특히 강하다. 나는 이걸 "문서의 뼈대를 스스로 세우는 능력"이라고 표현한다. 시키지 않아도 서론-본론-결론을 잡고, 소제목을 달고, 근거를 문단으로 배열한다. B처럼 제안서 쓸 사람이 없어 늘 과부하인 대표에게, 이 성질은 축복에 가깝다.

세 번째 강점은 신중함, 즉 추론과 정직성이다. Claude는 모호한 요청을 받으면 함부로 지어내기보다 "이 부분은 정보가 부족하다"고 밝히는 경향이 상대적으로 강하다. 복잡한 논리를 단계별로 풀어내는 추론 작업, 여러 조건을 동시에 만족시켜야 하는 문제에서 침착하게 따라간다. 물론 Claude도 틀린다. 어떤 AI도 환각(그럴듯한 거짓)에서 자유롭지 않다. 이건 뒤의 검증을 다루는 장에서 제대로 짚겠다. 다만 성향의 결로 보면, Claude는 "일단 자신 있게 말하고 보는" 쪽보다 "근거를 짚으며 조심스럽게 가는" 쪽에 가깝다.

버전과 요금도 짚자. 2025년 기준으로 Claude는 여러 세대를 거쳤다. 빠르고 가벼운 모델(Haiku 계열), 균형 잡힌 주력 모델(Sonnet 계열), 가장 깊이 사고하는 최상위 모델(Opus 계열)로 라인업이 나뉘어 왔다. 무료로도 쓸 수 있고, 유료 구독(개인용 프로 요금제는 2025년 기준 대략 월 20달러 선)으로 더 강한 모델과 더 넉넉한 사용량을 연다. 여기서도 똑같이 당부한다. Haiku, Sonnet, Opus라는 이름도, 세대 번호도, 가격도 여러분이 읽는 시점엔 달라져 있을 수 있다. 외워야 할 것은 이름이 아니라 성격이다. "긴 문서, 정제된 글, 신중한 추론에 강하다." 이 문장 하나면 충분하다.

Claude가 어떻게 다른지, 앞의 K 사례와 이어서 보자. K는 ChatGPT로 아이디어를 잔뜩 모은 뒤, 이번엔 그 재료를 실제 강의안으로 조립해야 했다. 나는 K에게 이번엔 Claude를 열라고 했다. 그리고 ChatGPT가 뽑아 준 소주제 목록을 그대로 붙여 넣게 한 뒤 이렇게 시켰다.

아래는 '중소기업 대상 AI 자동화' 2시간 강의를 위해 브레인스토밍한 소주제 후보들이야. 이걸 재료로, 실제 강의안(러닝 플랜)을 만들어 줘. 조건: - 총 120분, 10분 단위 블록으로 시간 배분 - 각 블록마다: 다룰 내용 / 강의 방식(강의·실습·토론) / 청중이 얻어 갈 것 - 청중이 지치는 60분 지점에 짧은 실습을 배치 - 마지막 20분은 '내 업무에 바로 적용하기' 워크숍으로 - 표 형태로, 강사가 그대로 보고 진행할 수 있게 [여기에 ChatGPT가 준 소주제 목록 붙여넣기]

Claude는 이런 요청에서 진가를 발휘한다. 120분을 블록으로 쪼개고, 각 칸에 내용과 방식과 학습 성과를 채우고, 60분 지점에 실습을 정확히 배치하고, 마지막을 워크숍으로 닫는, 강사가 인쇄해서 그대로 들고 들어갈 수 있는 표를 만들어 온다. K가 감탄한 건 "빠짐없이 채워졌다"는 점이었다. ChatGPT가 재료를 폭발시켰다면, Claude는 그 재료로 반듯한 건축물을 세웠다.

B의 사례도 하나 더 보태겠다. B는 거래처에 보낼 제안서 초안을 늘 밤늦게 혼자 붙들고 있었다. 문제는 글의 '틀'이었다. 무슨 말을 할지는 머릿속에 있는데, 그걸 제안서다운 목차와 문단으로 배열하는 데서 매번 막혔다. 나는 B에게 Claude를 열고 이렇게 시켜 보라고 했다.

나는 소규모 [업종] 회사 대표야. [거래처]에 [제안 내용]을 제안하는 제안서를 써야 해. 아래는 내가 하고 싶은 말을 두서없이 적은 메모야. 이걸 정식 제안서 구조로 재배열해 줘. 조건: - 구조: 표지 제목 / 제안 배경 / 핵심 제안 / 기대 효과 / 실행 방안 / 비용 개요 / 맺음말 - 각 절은 상대 담당자가 결재 올리기 쉽게, 간결한 문단으로 - 내가 준 메모에 없는 수치나 실적은 임의로 지어내지 말고, 채워야 할 곳은 [작성 필요]로 표시 [여기에 두서없는 메모 붙여넣기]

Claude는 B의 흩어진 메모를 반듯한 7단 구조 제안서로 재배열했고, 근거가 없는 칸은 지어내지 않고 [작성 필요]로 남겨 두었다. B가 가장 고마워한 건 마지막 조건이었다. 예전 같으면 빈칸을 그럴듯한 말로 메우다 사실과 어긋난 문장을 넣곤 했는데, Claude는 “여기는 당신이 실제 숫자를 넣어야 한다”고 선을 그어 줬다. 신중함이 곧 신뢰가 되는 순간이다. B는 그날 밤, 두 시간 걸리던 초안 잡기를 20분에 끝냈다.

여기서 이 장의 핵심 통찰이 나온다. 두 사례는 대립이 아니라 이어짐이다. ChatGPT로 발산하고, Claude로 수렴했다. 이게 3.4에서 본격적으로 다룰 협업 워크플로의 씨앗이다. 그 전에, 두 모델의 성격 차이를 눈으로 직접 확인하는 교차 실험부터 해 보자.

3.3같은 과제, 다른 답: 교차 실험으로 배우는 선택 기준

말로 "ChatGPT는 발산에 강하고 Claude는 수렴에 강하다"고 백 번 듣는 것보다, 같은 프롬프트를 두 모델에 넣고 결과를 나란히 보는 게 훨씬 빠르다. 나는 이걸 '교차 실험(cross-test)'이라고 부른다. 강의에서 늘 시키는 실습이기도 하다. 방법은 단순하다. 완전히 똑같은 프롬프트를 준비하고, 두 창에 그대로 넣고, 나온 답의 '성격'을 비교한다. 정답을 채점하는 게 아니라 결을 읽는 게 목적이다.

도입에서 K가 했던 실험을 다시 꺼내 보자. 프롬프트는 이랬다. "중소기업 대표를 대상으로 하는 두 시간짜리 'AI 업무 자동화' 강의의 커리큘럼을 짜 줘." 딱 이 한 문장. 두 모델의 응답 특성을 표로 정리하면 이렇다. (아래 표의 응답 특성은 실제 실습에서 반복적으로 관찰되는 경향을 정리한 예시이며, 특정 실행에서는 다르게 나올 수 있다.)

이 표를 K와 함께 보면서 나는 이렇게 말했다. "어느 쪽도 틀리지 않았죠? 둘 다 성실히 답했어요. 다만 K가 지금 필요한 게 '아이디어를 더 얻는 것'이냐 '아이디어를 문서로 굳히는 것'이냐에 따라 부를 사람이 다른 겁니다." K는 그제야 아침의 "어느 쪽이 맞느냐"는 질문이 잘못된 질문이었음을 이해했다.

교차 실험을 몇 번 더 해 보면, 재미있는 규칙성이 보인다. 나는 그동안 수백 번의 교차 실험에서 관찰한 경향을 다음과 같은 선택 기준으로 정리해 두었다. 이것도 절대 법칙이 아니라 '대체로 이렇더라'는 경험칙임을 먼저 밝힌다.

과제 유형별 선택 기준(경험칙)

물론 이 표는 고정된 것이 아니다. 두 회사 모두 서로의 약점을 메우며 빠르게 진화한다. ChatGPT도 긴 문서를 점점 잘 다루고, Claude도 이미지·검색 같은 부가 기능을 넓혀 간다. 그러니 이 표를 부적처럼 외우지 말고, 여러분이 직접 교차 실험을 반복하며 '내 일'에 맞는 나만의 감을 쌓기 바란다. 도구는 변해도, 교차 실험이라는 방법은 변하지 않는다.

교차 실험을 제대로 하기 위한 실전 요령 세 가지를 덧붙인다. 첫째, 프롬프트는 토씨 하나 다르지 않게 똑같이 넣어라. 조금이라도 다르면 비교가 오염된다. 둘째, 한 번의 결과로 단정하지 마라. 같은 프롬프트도 실행할 때마다 조금씩 다른 답이 나온다(생성형 AI의 본질이다). 두세 번 돌려 경향을 봐라. 셋째, '정답'이 아니라 '결'을 봐라. 어느 쪽이 더 길게 썼는가가 아니라, 어느 쪽이 지금 내 작업 단계에 맞는가를 물어야 한다.

한 번의 커리큘럼 실험만으로는 성급하다. 그래서 나는 K와 B에게 성격이 다른 과제로 교차 실험을 한 번 더 시켰다. 이번엔 B의 실제 업무였다. 프롬프트는 이랬다. "아래 30페이지 경쟁사 사업보고서를 읽고, 우리(중소 제조사) 관점에서 위협 요인 3가지를 뽑아 줘. [자료 첨부]" 긴 문서를 다뤄야 하는, 성격이 정반대인 과제다. 결과는 다음과 같이 갈렸다. (역시 반복 관찰되는 경향의 예시이며, 실행마다 달라질 수 있다.)

두 표를 겹쳐 보면 결론이 또렷해진다. 짧고 발산적인 과제(커리큘럼 짜기)에서는 ChatGPT의 적극성이 빛나고, 길고 분석적인 과제(30페이지 보고서 읽기)에서는 Claude의 근거 중심 신중함이 빛난다. 같은 두 모델인데, 과제의 성격이 바뀌자 우위가 뒤집혔다. 이것이 "누가 더 나은가"라는 질문이 성립하지 않는 이유다.

교차 실험 체크리스트(실습 시 그대로 사용)

• 프롬프트를 두 창에 토씨 하나 다르지 않게 넣었는가
• 각 모델을 두세 번씩 돌려 경향을 봤는가(한 번의 결과로 단정 금지)
• 첫인상·톤을 기록했는가
• 기본 산출 형태(목록형 vs 표·구조형)를 기록했는가
• 시키지 않았는데 자발적으로 더한 것을 기록했는가
• 근거·출처를 얼마나 대는지 비교했는가
• 내가 이어서 해야 할 후속 작업량을 비교했는가
• "지금 내 작업 단계"에 어느 쪽이 맞는지 한 문장으로 결론 냈는가

Before/After로 정리하면 이렇다. 교차 실험을 모르던 K는 "AI 하나 정해서 그것만 쓰면 되겠지"라고 생각했다(Before). 교차 실험을 해 본 K는 "작업 단계마다 부를 도구가 다르다"는 걸 알게 됐다(After). 이 한 끗 차이가, 앞으로 K의 작업 속도를 바꾼다.

B의 Before/After도 나란히 두자. 교차 실험 전의 B는 제안서든 분석이든 손에 익은 한 도구로 다 밀어붙였고, 긴 보고서 분석에서 번번이 "근거 없이 그럴듯한 요약"에 속았다(Before). 실험 뒤의 B는 분석은 Claude로 근거를 확인하고, 대응책 발산은 ChatGPT로 넓히는 이원 전략을 쓴다(After). 도구를 하나 더 쓰기 시작했을 뿐인데, 판단의 안전판이 하나 더 생겼다.

3.4두 모델을 이어 쓰는 협업 워크플로

이제 이 장의 진짜 목적지에 도착했다. 두 천재를 각각 아는 것으로는 부족하다. 둘을 '이어서' 쓸 줄 알아야, 한 명일 때보다 두 배 이상의 결과가 나온다. 나는 이걸 '릴레이(relay) 워크플로'라고 부른다. 육상 계주처럼, 한 주자가 잘하는 구간을 뛰고 다음 주자에게 바통을 넘기는 것이다.

가장 기본이 되는 릴레이 패턴은 앞에서 K가 자연스럽게 밟았던 순서다.

패턴 A — 발산 → 수렴 (기획·강의안·콘텐츠 기획에 최적)

1. ChatGPT로 발산한다. 아이디어, 제목, 소주제, 사례를 최대한 많이 뽑는다.
2. 사람이 선별한다. 쏟아진 재료 중 쓸 것만 고른다. 이 단계는 AI에게 맡기지 않는다.
3. Claude로 수렴한다. 고른 재료를 넘겨 반듯한 문서(강의안, 기획서, 구성표)로 조립한다.
4. 다시 사람이 다듬는다. 현장 감각으로 문구와 수치를 손본다.

여기서 핵심은 2번과 4번, 즉 사람이 개입하는 두 지점이다. AI 두 대를 이어 쓴다고 사람이 빠지는 게 아니다. 오히려 사람은 '판단'과 '책임'이라는 가장 중요한 두 구간을 맡는다. 나는 이걸 "AI는 바통을 나르고, 결승선은 사람이 끊는다"고 말한다.

두 번째 패턴은 방향이 반대다. 긴 자료를 먼저 소화해야 하는 일에 쓴다.

패턴 B — 분석 → 활용 (보고서·제안서·전략 수립에 최적)

1. Claude로 분석한다. 긴 원자료(경쟁사 보고서, 시장 자료, 계약서 등)를 통째로 넣고 핵심을 뽑는다.
2. 사람이 방향을 정한다. 분석 결과를 보고 "우리는 이 각으로 간다"를 결정한다.
3. ChatGPT로 활용을 확장한다. 정해진 방향에 맞춰 홍보 문구, 슬라이드 아이디어, 이미지, 다양한 버전을 뽑는다.
4. 다시 Claude로 최종 문서를 정리한다(필요 시).

B가 실제로 밟은 순서가 패턴 B였다. 그는 경쟁사 보고서 30페이지를 Claude로 요약·분석한 뒤(1), 우리 회사가 파고들 틈새를 정하고(2), 그 틈새를 소개하는 마케팅 문구와 제안서 목차 아이디어를 ChatGPT로 확장하고(3), 최종 제안서 초안을 다시 Claude로 정리했다(4). 도구를 갈아탈 때마다, 각 모델이 가장 잘하는 구간만 뛰게 한 것이다.

세 번째 패턴은 품질을 높이는 데 쓴다.

패턴 C — 교차 검증 (중요한 문서·의사결정에 최적)

1. 한 모델로 초안을 만든다.
2. 다른 모델에게 그 초안을 '비평'시킨다. "이 글의 약점, 빠진 관점, 논리적 허점을 지적해 줘."
3. 지적을 반영해 원래 모델(또는 사람)이 수정한다.

이 패턴이 강력한 이유는, 한 모델의 사각지대를 다른 모델이 비춰 주기 때문이다. 같은 AI에게 "네 글 어때?"라고 물으면 대개 자기 글에 후하다. 하지만 다른 회사가 만든 다른 모델은, 같은 문제를 다른 각도에서 본다. 나는 중요한 제안서를 낼 때 늘 이 교차 검증을 거친다. Claude로 쓴 제안서를 ChatGPT에게 "투자 심사역 입장에서 이 제안서의 허점을 세 개만 지적해 줘"라고 시키는 식이다. 그 지적의 절반은 흘려도, 나머지 절반이 문서를 한 단계 끌어올린다.

실전에서 릴레이를 매끄럽게 하는 요령도 나누겠다. 첫째, 바통(중간 산출물)을 깔끔하게 넘겨라. ChatGPT가 준 결과를 Claude에 넘길 때, 필요 없는 잡담은 잘라 내고 핵심 재료만 붙여 넣는다. 둘째, 넘길 때 맥락을 한 줄 붙여라. "아래는 브레인스토밍 결과야. 이걸 재료로 ~해 줘"처럼, 받는 모델이 이게 무엇인지 알게 한다. 셋째, 릴레이 전체를 기록해 둬라. 어떤 프롬프트로 무엇을 얻었는지 남겨 두면, 다음에 같은 유형의 일을 할 때 그대로 재사용할 수 있다. 나는 이런 릴레이 절차를 '레시피'라고 부르며 폴더에 모아 둔다. 좋은 레시피 하나가, 다음 프로젝트의 반나절을 아낀다.

세 패턴을 한눈에 비교하면 이렇다.

B의 릴레이를 한 단계씩 더 자세히 따라가 보자. 그의 목표는 신규 거래처에 낼 8쪽 제안서였다. (1) 먼저 경쟁사 3곳의 회사소개서와 보도자료 40여 쪽을 Claude에 통째로 넣고 "이 셋의 공통 강점과, 아무도 안 건드리는 빈틈을 표로"라고 시켰다. Claude는 세 곳이 모두 '대량 납품'을 앞세우고 '소량 맞춤·빠른 납기'는 비워 뒀다는 빈틈을 짚어 줬다. (2) B는 이 빈틈을 보고 "우리는 소량·맞춤·빠른 납기로 간다"는 방향을 스스로 정했다. 이 결정은 AI가 아니라 B의 몫이었다. (3) 그 방향을 ChatGPT에 넘겨 "이 강점을 부각할 제안서 제목 10개, 한 줄 슬로건 5개, 상대 담당자가 솔깃할 도입부 3개 버전"을 발산시켰다. (4) 고른 재료를 다시 Claude로 넘겨 8쪽 제안서 초안으로 조립했다. (5) 마지막으로 그 초안을 ChatGPT에 넣어 "깐깐한 구매팀장 입장에서 반박할 지점 3가지"를 뽑고, 그중 두 개를 반영했다. 처음부터 끝까지 B가 손으로 썼다면 이틀이 걸렸을 일을, 반나절로 줄였다. 각 구간을 가장 잘하는 주자에게 맡겼기 때문이다.

마지막으로 오해 하나를 풀자. "두 개를 다 구독하면 돈이 두 배 드는 것 아닌가요?" 자주 받는 질문이다. 물론 둘 다 유료로 쓰면 비용이 늘어난다(2025년 기준 각각 월 20달러 선, 시점에 따라 다르다). 하지만 나는 이렇게 답한다. 강사·컨설턴트·경영자에게 시간은 가장 비싼 자원이다. 릴레이 워크플로가 아껴 주는 반나절의 값어치를 생각하면, 두 도구의 구독료는 대개 금세 회수된다. 그리고 처음부터 둘 다 유료일 필요도 없다. 무료 버전으로 교차 실험부터 시작해, 여러분의 일에 어느 조합이 맞는지 확인한 뒤 결정해도 늦지 않다.

문 4½생각할 문제

1. 최근 여러분이 한 업무 중 하나를 떠올려 보라. 그 일은 '발산'이 필요한 일이었는가, '수렴'이 필요한 일이었는가? 어느 모델을 먼저 불렀어야 했을까?
2. 같은 프롬프트를 두 모델에 넣었을 때 답이 크게 달랐던 경험이 있는가? 그 차이는 어디서 왔다고 생각하는가?
3. 릴레이 워크플로에서 '사람이 개입하는 지점'을 AI에게 넘긴다면 어떤 위험이 생길까? 왜 그 구간만은 사람이 지켜야 하는가?
4. 교차 검증(패턴 C)에서 다른 모델이 지적한 내용을 전부 반영하는 것은 왜 위험한가? 지적을 취사선택하는 기준은 무엇이어야 할까?
5. 여러분의 직무에서 ChatGPT와 Claude의 '나만의 선택 기준 표'를 만든다면, 3.3의 표에 어떤 행을 추가하거나 바꾸겠는가?
6. 두 도구가 서로의 약점을 빠르게 메우며 닮아 간다면, 그럼에도 '두 모델을 함께 쓰는' 이유는 무엇으로 남을까?

문 1도입

그날 아침, K는 강의를 앞두고 조바심이 났다. 전날 정부가 발표한 'AI 기본법 시행령' 후속 대책이 강의 주제와 정면으로 겹쳤기 때문이다. 어제 저녁 뉴스에서 흘려들었을 뿐, 정확한 내용은 손에 없었다. K는 늘 쓰던 챗봇 창을 열고 물었다. "어제 발표된 정부의 AI 정책 후속 대책 핵심을 정리해 줘." 답이 돌아왔다. 그런데 그 답은 어딘가 익숙했다. 두 해 전 발표된 옛 정책을 그럴듯하게 요약한, 시점이 어긋난 문장이었다. 모델은 정중하게 덧붙였다. "제 학습 데이터는 특정 시점까지만 반영되어 있어, 어제 발표된 내용은 알지 못합니다."

K는 잠시 멍했다. 사람보다 똑똑하다던 이 도구가, 정작 '어제'를 모른다니. 옆자리에서 노트북을 두드리던 후배가 다른 창을 열더니 같은 질문을 넣었다. 몇 초 뒤, 화면에는 어제 날짜가 박힌 보도자료 링크 세 개와 함께 요약이 떴다. 문장 끝마다 작은 각주 번호가 달려 있었고, 그 번호를 누르니 실제 기사 원문으로 이동했다. K는 그 화면을 한참 바라봤다. "너, 방금 뭘 쓴 거야?" 후배가 웃으며 답했다. "검색이 붙은 모델이요. 형이 쓰는 애랑 종류가 달라요."

같은 시각, B도 비슷한 벽에 부딪혀 있었다. 투자 유치 미팅을 앞두고 경쟁사 세 곳의 '이번 분기' 동향을 정리해야 하는데, AI에게 물으면 하나같이 작년 이야기만 반복했다. B는 결국 밤새 기사 스무 개를 손으로 뒤졌다. 그리고 다음 날 깨달았다. 문제는 AI가 아니라, '세상과 연결되지 않은 AI'를 쓰고 있었다는 것. 이 장은 바로 그 연결에 관한 이야기다. 학습된 지식만 읊는 모델과, 지금 이 순간의 세상을 읽어 오는 모델. 그 차이를 아는 순간, 여러분의 조사와 보고서는 완전히 다른 차원으로 올라간다.

4.1Gemini: 검색·멀티모달·업무도구 연동의 강자

먼저 짚고 넘어가야 할 오해가 하나 있다. 많은 분이 "AI는 인터넷을 다 알고 있다"고 생각한다. 아니다. 챗봇의 기본 두뇌는 특정 시점까지의 데이터로 '학습'된 뒤 얼어붙는다. 그 시점 이후에 벌어진 일은, 별도의 검색 연결이 없으면 모른다. 이걸 '지식 컷오프(knowledge cutoff)'라고 부른다. 도입에서 K가 겪은 낭패가 바로 이 컷오프였다.

Gemini는 구글이 만든 모델이다. 그리고 구글이 누구인가. 세상에서 검색을 가장 잘하는 회사다. Gemini의 첫 번째 강점은 여기서 나온다. 질문에 실시간 검색이 필요하다고 판단하면, 구글 검색을 직접 돌려 최신 정보를 끌어온다. 나는 강의에서 이걸 "도서관에 사서를 상주시킨 AI"라고 표현한다. 다른 모델이 자기 머릿속 기억만 뒤진다면, Gemini는 필요할 때 서가로 뛰어가 오늘 자 신문을 뽑아 온다.

두 번째 강점은 멀티모달(multimodal)이다. 멀티모달이란 텍스트뿐 아니라 이미지, 표, PDF, 오디오, 영상까지 한꺼번에 이해하는 능력을 말한다. Gemini는 설계 단계부터 여러 형식을 함께 다루도록 만들어졌다. 나는 현장에서 이런 식으로 쓴다. 40쪽짜리 산업 보고서 PDF를 통째로 올리고, "이 안에서 시장 규모 추정치와 그 근거가 되는 표를 찾아, 출처 페이지와 함께 정리해 줘"라고 시킨다. 이미지 속 그래프의 수치를 읽어 표로 옮겨 달라는 요청도 잘 처리한다. 강사인 나에게 이건 시간을 통째로 벌어 주는 기능이다.

세 번째 강점은 업무도구 연동이다. Gemini는 구글의 생태계(문서, 스프레드시트, 지메일, 캘린더, 드라이브 등)와 자연스럽게 붙는다. 지메일에 쌓인 문의 메일을 요약하게 하거나, 구글 문서 초안을 다듬게 하거나, 스프레드시트의 데이터를 해석하게 하는 흐름이 매끄럽다. B처럼 구글 워크스페이스로 회사를 돌리는 사람에게는 이 연동 하나만으로 도입 이유가 충분하다. B는 실제로 매주 월요일 아침, 지난주 고객 문의 메일 수십 통을 Gemini에 요약시켜 '반복되는 불만 세 가지'를 뽑는다. 예전엔 직원 한 명이 반나절을 쓰던 일이다. 지금은 커피 한 잔 내리는 사이에 끝난다. 도구가 데이터가 있는 곳으로 찾아가 준다는 것, 이게 연동의 진짜 힘이다.

여기서 한 가지 개념을 분명히 하고 넘어가자. 사람들이 자주 헷갈리는 것이 '학습'과 '검색'의 차이다. 학습은 모델을 만들 때 미리 집어넣은 지식이다. 방대하지만 특정 시점에 멈춰 있다. 검색은 질문을 받은 그 순간에 인터넷을 뒤져 오는 정보다. 늦지 않지만, 대신 아무 문서나 물어 올 위험이 있다. 좋은 사용자는 이 둘을 구분해서 지시한다. 일반 개념·이론을 물을 때는 학습된 지식으로 충분하고, '어제·이번 분기·최신 수치'가 필요할 때는 반드시 검색을 켜야 한다. 나는 강의에서 이렇게 말한다. "역사를 물으면 기억으로 답하게 하고, 오늘을 물으면 신문을 펴게 하라."

그럼 실제로 어떻게 시키는가. 검색이 붙은 모델을 쓸 때 핵심은 '최신·출처'를 명시적으로 요구하는 것이다. 다음은 내가 실제로 쓰는 형태다.

[역할] 너는 산업 리서치 애널리스트다.

[과업] '국내 가정간편식(HMR) 시장'의 2025년 최신 동향을 조사해 정리하라.

[요구]

1. 반드시 최근 6개월 이내 자료를 우선 검색해 반영할 것
2. 각 주장·수치마다 출처(매체명, 날짜, 링크)를 문장 끝에 표기할 것
3. 시장 규모, 성장률, 주요 플레이어, 최근 이슈 4개 항목으로 구분
4. 확인되지 않은 수치는 '추정' 또는 '출처 불명'으로 명시할 것

[형식] 표 + 3문단 요약

여기서 눈여겨볼 대목은 "각 주장·수치마다 출처를 표기하라"는 지시다. 검색 연동 모델의 진짜 가치는 '근거 표시(citation)'에 있다. 답만 주는 게 아니라, 그 답이 어느 문서에서 왔는지 각주로 달아 준다. 여러분은 그 각주를 눌러 원문을 직접 확인할 수 있다. 나는 이걸 강의에서 이렇게 강조한다. "AI의 답을 믿지 말고, AI가 붙여 준 링크를 믿으라. 아니, 그 링크를 열어 본 당신 자신을 믿으라." 검색이 붙었다고 해서 환각(없는 사실을 지어내는 현상)이 완전히 사라지는 건 아니다. 다만 검증할 단서를 손에 쥐여 준다는 점이 결정적으로 다르다.

Gemini를 쓸 때 내가 당부하는 습관이 세 가지 있다. 첫째, 최신 정보가 필요한 질문이면 "최근 자료로 검색해서"라는 말을 명시적으로 붙인다. 그래야 모델이 기억 대신 검색을 택한다. 둘째, 답을 받으면 각주 링크를 최소 두어 개는 눌러 실제로 열어 본다. 링크가 죽었거나 내용이 다르면 그 문장은 의심한다. 셋째, 긴 문서나 이미지를 다룰 때 "몇 쪽/어느 표에서 나온 근거인지 함께 밝혀라"를 붙인다. 근거의 위치를 알면 검증이 5분에서 30초로 줄어든다.

Before/After로 감을 잡아 보자. 지식 컷오프에 걸린 일반 질문(Before): "요즘 HMR 시장 어때?" → 두루뭉술한 원론적 답변, 시점 불명, 출처 없음. 검색·출처를 설계한 질문(After): 위 프롬프트처럼 기간·출처·형식을 못 박은 질문 → 날짜가 박힌 최신 자료 기반 정리 + 클릭 가능한 각주. 같은 도구라도 질문의 설계가 결과의 8할을 가른다. 이건 이 책 전체를 관통하는 원칙이기도 하다.

여기서 K의 실제 사례를 하나 풀어 보자. 도입에서 낭패를 본 K는 그날 오후 Gemini로 다시 붙었다. 이번엔 접근이 달랐다. 먼저 "어제 발표된 정부 AI 정책 후속 대책을, 발표일이 최근 일주일 이내인 보도자료·기사만 근거로 정리해 줘. 각 문장 끝에 매체명과 날짜를 달아 줘"라고 시켰다. 답이 나오자 K는 각주 네 개 중 두 개를 눌러 원문을 확인했다. 하나는 정확했고, 하나는 링크가 옛 기사로 연결됐다. K는 그 문장을 지웠다. 그다음 "이 정책이 '기업 강사'에게 주는 실무적 영향 세 가지를 뽑아, 각각 내 강의 슬라이드 한 장 분량으로 요약해 줘"라고 이어 붙였다. 30분 뒤, K는 어제까지 존재하지 않던 최신 강의 자료 세 장을 손에 넣었다. 핵심은 순서다. 검색으로 사실을 확정하고(1차), 각주로 검증하고(2차), 그 위에 내 관점을 얹는다(3차). 이 세 박자를 나는 '확정-검증-가공'이라고 부른다.

멀티모달을 좀 더 실감 나게 써 보자. 나는 경쟁 강사의 공개 커리큘럼 PDF, 시장 보고서의 그래프 캡처, 손으로 스케치한 강의 설계 메모 사진을 한꺼번에 올린 뒤 이렇게 시킨 적이 있다. "세 자료를 종합해서, 내 강의가 시장에서 비어 있는 지점(빈틈)을 찾아 줘. 그래프의 수치는 표로 옮기고, 내 스케치의 아이디어는 그 빈틈과 연결해 줘." 텍스트만 다루는 모델로는 불가능한 작업이다. 이미지와 문서를 한 맥락에서 읽어 내는 멀티모달이라야 가능하다.

한 가지 더. Gemini는 구글 계정만 있으면 진입 장벽이 낮고, 무료 구간에서도 검색·멀티모달의 핵심을 체험할 수 있다. 다만 심층 추론이나 대용량 처리, 고급 기능은 유료 등급에서 열린다. 버전 이름과 등급 체계, 가격은 시점에 따라 자주 바뀌므로, 여기서는 "구글 검색이 붙은 멀티모달 강자"라는 성격만 기억해 두면 충분하다. 이름은 바뀌어도 이 성격은 오래 간다.

4.2Grok: 실시간 정보와 트렌드 감지의 강자

Grok은 일론 머스크가 이끄는 xAI가 만든 모델이다. 이 모델의 정체성은 한 문장으로 요약된다. "지금 이 순간, 세상 사람들이 무슨 이야기를 하고 있는가." Grok은 소셜 플랫폼 X(옛 트위터)와 긴밀하게 연결돼 있어, 실시간으로 올라오는 게시물의 흐름을 읽어 온다. 뉴스가 기사로 정리되기 전, 사람들의 반응이 실시간으로 들끓는 그 원재료를 들여다볼 수 있다는 것. 이게 Grok의 결정적 차별점이다.

나는 이 차이를 이렇게 설명한다. 신문 기사는 '정리된 세상'이다. 편집과 검증을 거쳐 하루 뒤에 도착한다. 반면 소셜 타임라인은 '날것의 세상'이다. 지금 무슨 일이 벌어지고 있는지, 사람들이 어떻게 느끼는지가 실시간으로 흐른다. Gemini가 도서관 사서라면, Grok은 광장 한복판에서 사람들의 대화를 듣는 관찰자에 가깝다. 둘 다 필요하지만 쓰임이 다르다.

왜 이 '날것의 세상'이 중요한가. 조사에서 가장 놓치기 쉬운 것이 바로 '아직 기사화되지 않은 변화'다. 시장의 큰 흐름은 항상 사람들의 웅성거림에서 먼저 시작된다. 어떤 제품에 대한 실망이 소셜에서 번지기 시작하면, 그것이 판매 부진 기사로 정리되기까지는 몇 주가 걸린다. 그 몇 주의 시차가 곧 기회다. 남들이 기사를 읽고 움직일 때, 당신은 이미 대응을 마쳐 둘 수 있다. Grok은 그 시차를 당신 편으로 만들어 주는 도구다. 다만 명심할 것은, 이 앞선 신호가 언제나 옳지는 않다는 점이다. 웅성거림 중에는 진짜 변화의 전조도 있고, 하루 만에 사라질 소음도 있다. 그 둘을 가려내는 건 결국 검증이다. 그래서 Grok은 '빠름'을 주고, 검증은 '정확함'을 준다. 조사는 이 둘을 다 가져야 한다.

Grok이 특히 빛나는 순간은 이런 때다. 첫째, 속보성 이슈의 초기 반응을 봐야 할 때. 신제품 발표 직후 시장의 첫 반응, 정책 발표에 대한 여론의 온도, 갑작스러운 사건에 대한 대중의 정서를 빠르게 감지하는 데 강하다. 둘째, 트렌드와 밈(meme)을 읽어야 할 때. 지금 무엇이 유행하고, 어떤 키워드가 급부상하는지 파악하는 데 유용하다. 콘텐츠 기획자, 마케터, 브랜드 담당자에게는 이 감지 능력이 곧 돈이 된다. 셋째, 특정 인물·기업·제품에 대한 실시간 여론을 스캔할 때. "이번 신제품에 대한 사람들의 반응, 긍정·부정 비율과 대표적인 목소리를 뽑아 줘" 같은 요청이 여기에 해당한다.

실전 프롬프트를 보자. 트렌드 감지를 시킬 때 나는 이렇게 쓴다.

[과업] 최근 2주간 X(소셜)에서 '리들스나이더 신제품' 관련 대화를 스캔하라.

[요구]

1. 긍정/부정/중립 반응의 대략적 분포와 대표적 목소리 3~5개
2. 반복적으로 등장하는 키워드·불만·기대 포인트
3. 눈에 띄는 영향력 있는 게시물이 있다면 요약(단, 사실 확인은 별도 필요)
4. 이 흐름이 향후 어떻게 전개될지에 대한 신중한 관찰

[주의] 소문·미확인 정보는 반드시 '미확인'으로 구분해 표기하라.

여기서 반드시 붙여야 하는 안전장치가 있다. 바로 "소문·미확인 정보는 미확인으로 표기하라"는 지시다. 소셜 데이터는 속도가 빠른 만큼 부정확하다. 루머, 편향, 조작된 여론이 섞여 있다. 그래서 나는 Grok을 '최종 근거'가 아니라 '탐지 센서'로 쓴다. Grok으로 무슨 일이 벌어지는지 빠르게 감지하고, 그 실마리를 Gemini의 검색이나 공식 자료로 교차 검증하는 순서다. 센서가 울렸다고 바로 결론 내리지 않는다. 센서가 가리킨 방향을 정식으로 확인한다.

B의 사례가 딱 맞는 예다. B는 경쟁사가 신규 서비스를 조용히 출시했다는 낌새를 Grok으로 먼저 잡았다. 소셜에서 사용자들이 그 서비스에 대해 웅성거리기 시작했기 때문이다. 아직 기사 한 줄 없던 시점이었다. B는 그 실마리를 들고 경쟁사 공식 채널과 뉴스 검색으로 넘어가 사실을 확인했고, 결국 남들보다 사흘 먼저 대응 자료를 준비할 수 있었다. 사흘. 작은 회사에게 사흘은 짧지 않다. 이게 실시간 감지의 실전 가치다.

Grok의 또 다른 특징은 말투다. 다소 유머러스하고 거침없는 개성을 의도적으로 설계했다. 딱딱한 리포트보다 톡톡 튀는 카피, 소셜용 짧은 글, 반응을 끌어내는 문구를 뽑을 때 이 개성이 도움이 되기도 한다. 다만 공식 보고서나 제안서처럼 무게가 필요한 문서에는 톤을 명시적으로 눌러 줘야 한다. "격식 있는 보고서 문체로, 유머 없이"라고 지정하면 된다. 반대로 소셜 마케팅 문구가 필요할 때는 이 개성을 오히려 풀어 준다. B의 마케팅 담당자는 신제품 출시 트윗을 뽑을 때 Grok에 "요즘 소셜에서 먹히는 톤으로, 진지하지 않게, 사람들이 리트윗하고 싶게"라고 시킨다. 같은 모델을 한쪽에서는 조이고 한쪽에서는 푼다. 도구의 개성을 억누르기만 할 게 아니라, 그 개성이 자산이 되는 자리를 찾아 주는 것. 이것도 사용자의 실력이다.

Grok을 언제 꺼내면 좋은지, 반대로 언제는 피해야 하는지 표로 정리해 두자. 강의에서 늘 보여 주는 판단표다.

K의 사례도 하나 보태자. K는 신규 강의 주제를 정할 때 Grok을 '수요 탐지기'로 쓴다. "최근 한 달간 소셜에서 '중소기업 AI 도입' 관련해 사람들이 자주 던지는 질문과 불만을 10개만 뽑아 줘"라고 시킨다. 그러면 실제 사람들이 막히는 지점이 날것으로 드러난다. K는 그 목록에서 반복되는 세 가지 고통을 골라, 그것을 그대로 강의 커리큘럼의 세 꼭지로 삼았다. 강의가 아니라 시장의 목소리에서 출발한 것이다. 물론 이 목록도 결론이 아니라 가설이다. K는 그중 핵심 주장은 다시 검색으로 사실 확인을 거친 뒤 슬라이드에 올렸다.

정리하면 Grok의 강점은 '실시간성'과 '여론·트렌드 감지'다. 약점은 소셜 데이터 특유의 노이즈와 신뢰성 편차다. 그래서 나는 Grok을 이렇게 자리매김한다. 조사의 '첫 삽'으로는 훌륭하지만, '마지막 도장'으로는 부족하다. 트렌드를 남보다 먼저 냄새 맡되, 결론은 반드시 검증된 근거로 마무리한다. 이 원칙만 지키면 Grok은 대단히 유용한 조기 경보 시스템이 된다.

4.34대 모델 종합 비교표: 과업별 최적 조합

이제 4대 모델을 한자리에 놓고 비교하자. ChatGPT(OpenAI), Claude(Anthropic), Gemini(Google), Grok(xAI). 나는 강의 때마다 "어느 게 제일 좋냐"는 질문을 받는다. 그때마다 같은 답을 한다. "좋은 망치가 좋은 톱은 아닙니다." 절대 강자를 찾는 건 잘못된 질문이다. 옳은 질문은 "이 과업에는 어느 모델이 맞는가"이다. 아래 표는 그 판단을 돕는 지도다. 수치가 아니라 성격과 쓰임을 담았고, 모델 성능은 버전마다 계속 바뀌므로 '경향'으로 읽어 주기 바란다.

이 표를 외우라는 게 아니다. 감각을 잡으라는 것이다. 내가 실제로 손이 가는 조합, 즉 '과업별 최적 조합'을 몇 가지 소개한다. 이건 정답이 아니라 나의 현장 레시피다.

첫째, 심층 보고서·제안서를 쓸 때. 나는 Claude를 주력으로 쓴다. 긴 글의 논리 구조를 잡고, 문장을 정제하고, 톤을 일관되게 유지하는 데 강하기 때문이다. 초안의 뼈대와 살을 Claude로 만든다.

둘째, 최신 정보·실시간 근거가 필요할 때. Gemini의 검색을 쓴다. 각주와 링크로 근거를 붙여 오니 검증이 편하다. "이 주장 최근 자료로 확인해서 출처 달아 줘"가 내 단골 지시다.

셋째, 여론·트렌드의 초기 신호를 잡을 때. Grok으로 소셜을 스캔한다. 남보다 먼저 냄새를 맡는 용도다. 단, 여기서 나온 건 반드시 다른 모델·공식 자료로 교차 검증한다.

넷째, 다양한 실험과 범용 작업. ChatGPT를 쓴다. 이미지 생성, 코드, 데이터 분석, 브레인스토밍까지 두루 무난하고, 생태계와 도구가 풍부하다. "일단 아무거나 빠르게 돌려 보고 싶을 때"의 기본값이다.

내가 즐겨 쓰는 실전 워크플로우를 하나 공개한다. 조사보고서를 만들 때의 4단 릴레이다. (1) Grok으로 실시간 트렌드와 여론의 실마리를 감지한다. (2) Gemini의 검색으로 그 실마리를 최신 자료·통계·출처로 확정한다. (3) Claude로 수집한 재료를 논리적 보고서로 구조화하고 문장을 정제한다. (4) ChatGPT나 다시 각 모델로 교차 검증(fact-check)하며 표·시각화·요약을 다듬는다. 하나의 모델에 모든 걸 맡기지 않는다. 각자의 강점 구간에서만 뛰게 한다. 나는 이걸 "AI 계주"라고 부른다. 바통을 넘길 때마다 결과물의 완성도가 한 단계씩 올라간다.

여기서 오해 하나를 풀자. "그럼 네 개를 다 구독해야 하나요?" 아니다. 처음에는 하나로 충분하다. 다만 하나만 쓰더라도, 그 하나의 강점과 약점을 정확히 알고 써야 한다. 검색이 약한 모델에게 '어제 뉴스'를 묻지 않고, 실시간 감지가 강한 모델에게 '격식 있는 최종 보고서'를 맡기지 않는 것. 이 분별만 있어도 여러분은 상위 10퍼센트의 사용자다. 도구가 많은 게 실력이 아니다. 어떤 도구를 언제 꺼내는지 아는 것이 실력이다.

위 표가 '성격'을 담았다면, 다음 표는 '과업별로 누구를 먼저 부를지'를 담았다. 실무에서 가장 자주 참조하게 되는 지도다.

이 지도를 K가 어떻게 쓰는지 보자. K는 새 강의안을 만들 때 이 표를 그대로 따라간다. 먼저 Grok으로 요즘 수강생들이 궁금해하는 지점을 감지하고, Gemini로 관련 최신 사례와 통계를 출처와 함께 모으고, Claude로 강의 스크립트를 논리 있게 짜고, ChatGPT로 실습 예제와 퀴즈를 만든다. 예전에는 이 모든 걸 혼자, 한 도구로 끙끙대며 했다. 결과물은 늘 어딘가 비어 있었다. 지금은 네 명의 전문가를 데리고 일하는 셈이다. K는 이걸 두고 "혼자 일하다가 팀이 생긴 기분"이라고 표현했다. 도구를 바꾼 게 아니라, 일하는 방식을 바꾼 것이다.

교차 검증 칸을 '서로 대조'라고 적은 데는 이유가 있다. 검증에는 단일 정답 모델이 없다. 나는 핵심 수치 하나를 세 모델에 각각 물어 답이 일치하는지 본다. 셋이 같은 숫자를 말하면 신뢰도가 올라가고, 하나만 다른 숫자를 대면 그 지점을 파고든다. 서로 다른 회사가 만든 모델을 심판으로 세우는 셈이다. 나는 이걸 '삼권분립 검증'이라 부른다.

한 가지 더 강조한다. 모델 이름과 버전, 가격, 세부 성능은 계절이 바뀌듯 자주 변한다. 그래서 나는 강의에서 '이름'이 아니라 '성격'을 기억하라고 말한다. 검색·멀티모달·구글 연동은 Gemini의 성격이고, 실시간·소셜은 Grok의 성격이며, 긴 글·논리는 Claude의 성격이고, 범용·생태계는 ChatGPT의 성격이다. 버전이 바뀌어도 이 성격의 축은 쉽게 무너지지 않는다. 성격을 알면 새 모델이 나와도 자리를 금방 찾아 줄 수 있다.

4.4조사보고서 실전: AI로 시장·산업을 읽는 법

이제 이 장의 결과물을 만들 차례다. 우리가 만들 것은 '조사보고서'다. 시장을 읽고, 산업을 읽고, 경쟁사를 읽는 문서. K에게는 자기 분야의 시장 조사보고서가, B에게는 산업·경쟁사 동향 리포트가 필요하다. 나는 이 과정을 6단계로 나눠 가르친다. 순서대로 따라오면, 밤을 새우던 조사가 반나절로 줄어든다.

본격적으로 들어가기 전에, 왜 조사를 사람이 아니라 'AI 계주'로 해야 하는지 한 번 더 짚자. 전통적인 조사는 한 사람이 검색하고, 읽고, 정리하고, 쓴다. 병목이 사람 한 명에게 몰린다. AI 계주는 이 과정을 강점별로 쪼갠다. 감지는 Grok이, 검색은 Gemini가, 집필은 Claude가 맡는다. 각 구간이 자기가 가장 잘하는 일만 하니 전체 속도가 빨라지고, 서로 다른 모델이 서로의 결과를 검증하니 정확도도 올라간다. 나는 이 방식으로 조사 시간을 예전의 3분의 1로 줄였다. 다만 오해는 말자. AI가 조사를 '대신'해 주는 게 아니다. 조사의 뼈대를 세우고, 각 단계의 결과를 판단하고, 최종 책임을 지는 건 여전히 사람이다. AI는 조사원이고, 여러분은 편집장이다. 편집장이 사실 확인을 게을리하면, 아무리 유능한 조사원을 써도 오보가 나간다.

1단계, 조사 설계(질문 쪼개기). 좋은 보고서는 좋은 질문 목록에서 시작한다. "우리 시장 어때?" 같은 막연한 질문은 막연한 답을 부른다. 나는 먼저 큰 질문을 5~7개의 하위 질문으로 쪼갠다. 예를 들어 시장 조사라면 이렇게 나눈다. ① 시장 규모와 성장률 ② 주요 플레이어와 점유율 ③ 최근 1년의 핵심 변화·이슈 ④ 규제·정책 환경 ⑤ 소비자·수요 트렌드 ⑥ 위협과 기회 ⑦ 향후 전망. AI에게 이 뼈대를 먼저 만들게 하는 것도 방법이다. "이 시장을 조사할 때 반드시 다뤄야 할 핵심 질문 7가지를 뽑아 줘"라고.

2단계, 실시간 신호 감지(Grok). 쪼갠 질문 중 '최근 변화'와 '여론·트렌드' 항목은 Grok으로 먼저 훑는다. 지금 사람들이 이 시장·기업에 대해 무슨 말을 하는지, 어떤 키워드가 뜨는지를 감지한다. 여기서 얻은 건 '가설'이지 '결론'이 아니다. 실마리를 메모해 둔다. 이때 요령이 있다. 감지의 결과를 그대로 보고서에 옮기지 말고, '검색으로 확인할 질문'의 형태로 바꿔 적어 두는 것이다. 예를 들어 소셜에서 '가격 불만'이 감지되면, 그것을 "경쟁사 A가 최근 요금제를 인상했는가? 그 시점과 인상 폭은?"이라는 검증 질문으로 적는다. 이렇게 하면 다음 단계인 검색이 훨씬 날카로워진다. 감지는 방향을 주고, 검색은 사실을 준다. 이 연결 고리를 매끄럽게 만드는 것이 조사의 요령이다.

3단계, 검색·출처 확정(Gemini). 이제 각 하위 질문을 Gemini의 검색으로 채운다. 이때 핵심은 '기간·출처·형식'을 못 박는 것이다. 아래는 내가 쓰는 검색 프롬프트의 표준형이다.

[역할] 산업 리서치 애널리스트

[과업] '{시장/산업명}'에 대해 아래 7개 질문에 최신 자료로 답하라.

① 시장 규모·성장률 ② 주요 플레이어·점유율 ③ 최근 1년 핵심 이슈

④ 규제·정책 ⑤ 수요·소비 트렌드 ⑥ 위협·기회 ⑦ 향후 전망

[요구]

- 최근 12개월 이내 자료 우선, 각 수치·주장에 출처(매체·날짜·링크) 표기

- 확인 안 된 수치는 '추정' 또는 '출처 불명'으로 명시

- 상충되는 자료가 있으면 양쪽을 함께 제시

[형식] 질문별로 3~5문장 + 근거 링크

4단계, 교차 검증(fact-check). AI가 내놓은 수치와 주장을 그대로 믿지 않는다. 나는 세 가지를 반드시 확인한다. 첫째, 각주 링크를 실제로 열어 원문과 대조한다. 둘째, 핵심 수치는 다른 모델에게 같은 질문을 던져 답이 갈리는지 본다. 답이 갈리면 그 수치는 '불확실'로 표시한다. 셋째, 통계는 가급적 1차 출처(정부 통계, 기업 공시, 협회 자료)까지 거슬러 올라간다. "이 수치의 원 출처가 어디인지 밝혀 줘"라고 되묻는다. 이 단계를 건너뛴 보고서는 언젠가 반드시 사고를 낸다. 나는 그걸 여러 번 목격했다.

5단계, 구조화·집필(Claude). 검증된 재료를 보고서로 조립한다. 나는 Claude에게 재료를 모두 주고 이렇게 시킨다. "다음 조사 메모를 바탕으로 A4 4~6쪽 분량의 조사보고서를 작성하라. 구성은 요약(Executive Summary)→시장 개요→주요 플레이어→핵심 이슈→기회와 위협→결론 및 시사점. 각 주장 뒤에는 내가 제공한 출처 표기를 유지하라. 문체는 격식 있는 보고서체." 여기서 중요한 건, AI에게 '없는 사실을 지어내지 말고, 내가 준 재료 안에서만 쓰라'고 못 박는 것이다. 그래야 환각을 억제한다.

6단계, 시각화·마무리. 표와 요약, 핵심 메시지를 다듬는다. 시장 규모 추이, 경쟁사 비교표, 기회·위협 매트릭스 같은 표를 AI에게 만들게 하되, 수치는 5단계까지 검증된 것만 넣는다. 마지막으로 '한 페이지 요약'과 '핵심 시사점 3가지'를 뽑아 맨 앞에 배치한다. 바쁜 의사결정자는 첫 페이지만 읽는다는 걸 잊지 말자.

경쟁사 동향 리포트도 같은 골격을 쓴다. 다만 질문 목록이 달라진다. B가 쓰는 경쟁사 분석 프레임은 이렇다. ① 경쟁사 개요와 최근 움직임 ② 신제품·서비스 출시 현황 ③ 가격·포지셔닝 전략 ④ 마케팅·여론 반응 ⑤ 강점과 약점 ⑥ 우리에게 주는 시사점. 나는 여기에 흔히 쓰는 두 프레임을 얹으라고 권한다. 하나는 SWOT(강점·약점·기회·위협), 다른 하나는 3C(자사·경쟁사·고객). "수집한 자료를 SWOT 표로 정리해 줘"라고만 해도 AI는 훌륭히 뼈대를 잡아 준다.

이 6단계가 실제로 어떻게 돌아가는지, B의 하루로 재구성해 보자. B는 자사가 속한 '소규모 사업자용 회계 SaaS' 시장의 동향 리포트가 필요했다. 오전 9시, B는 1단계로 질문 일곱 개를 쪼갰다(시장 규모, 주요 경쟁사, 최근 이슈, 규제, 수요 변화, 위협·기회, 전망). 9시 20분, 2단계로 Grok에 "최근 한 달 소셜에서 이 분야 사용자들이 가장 불평하는 지점"을 물어, '가격 인상'과 '고객지원 지연'이라는 두 실마리를 메모했다. 10시, 3단계로 Gemini에 표준 검색 프롬프트를 넣어 각 질문을 최신 기사·공시와 함께 채웠다. 이때 '가격 인상' 실마리가 경쟁사 A의 실제 요금제 개편 공지와 연결됐다. 11시, 4단계로 시장 규모 수치가 자료마다 달라, 세 모델에 같은 질문을 던져 대조하고 가장 보수적인 추정치에 '추정'을 붙여 채택했다. 오후 1시, 5단계로 Claude에 검증된 메모를 통째로 주고 SWOT·3C 구조의 리포트를 뽑았다. 3시, 6단계로 경쟁사 비교표와 '우리에게 주는 시사점 3가지'를 붙여 마감했다. 예전 같으면 이틀 걸릴 일이 하루 만에 끝났다. 그리고 결정적으로, 모든 핵심 수치에 출처가 달려 있어 미팅에서 "그 숫자 어디서 났냐"는 질문에 곧바로 링크를 열어 답할 수 있었다.

마무리 전에, 내가 보고서를 넘기기 직전 반드시 훑는 검증 체크리스트를 공유한다. 인쇄해서 책상 앞에 붙여 두길 권한다.

• 모든 핵심 수치에 출처(매체·날짜)가 붙어 있는가
• 각주 링크를 실제로 최소 3개 이상 열어 원문과 대조했는가
• 자료 간 상충이 있던 수치는 '추정' 또는 '범위'로 표기했는가
• 소셜(Grok)에서 얻은 실마리를 공식 자료로 확정했는가
• 통계는 가급적 1차 출처(정부·공시·협회)까지 거슬렀는가
• AI가 지어냈을 위험이 있는 고유명사·인용을 따로 검증했는가
• 첫 페이지(요약)만 읽어도 결론과 시사점이 잡히는가
• 시사점이 '느낌'이 아니라 '우리 행동'으로 연결되는가

마지막으로, 근거 표시(citation)를 대하는 태도를 다시 강조하고 싶다. 검색이 붙은 모델의 답에는 각주가 달린다. 초보는 그 각주를 장식으로 본다. 고수는 그 각주를 '검증의 입구'로 쓴다. 나는 보고서에 넣을 핵심 수치라면 각주 링크를 반드시 한 번은 클릭해 원문을 눈으로 확인한다. 그 30초의 습관이, 여러분의 보고서를 '그럴듯한 문서'에서 '신뢰받는 문서'로 바꾼다. 세상과 연결된 AI는 강력하다. 하지만 그 연결의 끝을 확인하는 건 언제나 사람의 몫이다. 그 몫을 성실히 하는 사람이, 결국 AI를 가장 잘 쓰는 사람이 된다.

문 4½생각할 문제

1. 지금 내가 주로 쓰는 AI는 '검색이 붙은' 모델인가, 아닌가? 그 사실이 내 조사·업무에 어떤 한계를 만들고 있었는가?
2. 최근 내가 AI에게 던진 질문 중, 사실은 '실시간 정보'가 필요했는데 낡은 답을 받았던 경우가 있는가? 어떻게 다시 물으면 좋았을까?
3. Grok으로 감지한 '트렌드 실마리'를 결론으로 착각했을 때 벌어질 수 있는 사고를 구체적으로 상상해 보라. 이를 막을 나만의 교차 검증 규칙은 무엇인가?
4. 내 업무에서 4대 모델의 강점을 '계주'처럼 이어 붙일 수 있는 워크플로우를 하나 설계한다면, 어떤 순서가 될까?
5. 근거 표시(citation)를 성실히 확인하는 데 드는 시간과, 그것을 생략했을 때의 위험을 저울질해 보라. 나는 어느 선에서 타협할 것인가?
6. 모델의 '이름'이 아니라 '성격'으로 기억하라는 조언이, 앞으로 새 모델이 쏟아질 때 나에게 어떤 실질적 이점을 줄까?

문 1도입

그날 오후 워크숍은 조용했다. 열두 명의 수강생 앞에 같은 화면, 같은 AI, 같은 과제가 놓여 있었다. "중소 제조업 대표를 위한 '재고 관리 개선' 특강 커리큘럼을 만들어 보세요." 나는 시계를 보며 10분을 줬다.

K는 익숙한 손놀림으로 자판을 두드렸다. "재고 관리 특강 커리큘럼 짜 줘." 엔터. 화면에는 그럴듯한 목차가 떴다. 재고의 정의, 재고의 종류, 재고 관리의 중요성, ABC 분석 소개, 마무리. K는 만족스러운 표정으로 고개를 끄덕였다. 20년 강사 경력에 이 정도면 됐다 싶었을 것이다.

그런데 옆자리, 이제 막 AI를 배우기 시작한 젊은 동료의 화면은 달랐다. 대상의 연매출 규모와 업종, 3시간짜리 오프라인 특강이라는 조건, 강사가 컨설턴트 관점에서 "당장 월요일에 써먹을 체크리스트"를 남겨야 한다는 목적까지 촘촘히 적혀 있었다. 결과물은 차원이 달랐다. 모듈별 학습목표, 실습 시트, 사례 기업, 강사 멘트 예시, 심지어 쉬는 시간 배치까지. 그것은 커리큘럼이 아니라 한 편의 컨설팅 제안서였다.

K는 화면을 번갈아 보다 나를 돌아봤다. "선생님, 저는 20년을 했는데 왜 제 게 초등학생 숙제 같습니까." 나는 웃으며 대답했다. "K 선생님, AI가 달랐던 게 아니에요. 질문이 달랐던 겁니다." 이 장은 바로 그 하나의 차이, 질문에 관한 이야기다.

5.1왜 프롬프트가 실력인가

먼저 오해 하나를 걷어내자. 많은 사람이 "좋은 AI를 쓰면 좋은 결과가 나온다"고 믿는다. 절반만 맞는 말이다. 같은 모델, 같은 버전을 써도 결과의 품질은 열 배, 스무 배 벌어진다. 그 격차를 만드는 변수가 바로 프롬프트, 즉 질문이다. 나는 강의에서 이렇게 말한다. "AI 시대의 실력은 지식의 양이 아니라 질문의 질로 측정됩니다."

왜 그럴까. 생성형 AI는 방대한 가능성의 바다다. 이 모델 안에는 초등학생용 설명도 있고, 맥킨지 컨설턴트가 쓸 법한 보고서도 있고, 논문도 있고, 블로그 잡담도 있다. 여러분이 던지는 질문은 그 바다에서 어느 지점의 물을 길어 올릴지 정하는 두레박이다. 두레박을 얕게 담그면 얕은 물이, 깊고 정확한 자리에 담그면 깊은 물이 올라온다. K의 "재고 관리 특강 커리큘럼 짜 줘"라는 문장은 두레박을 수면에 살짝 담근 것이었다. 그러니 초등학생 숙제 같은 물이 올라올 수밖에.

여기서 중요한 통찰이 하나 있다. AI는 여러분이 말하지 않은 것을 알아서 채워 준다. 문제는 그 '알아서'가 언제나 가장 평범하고 무난한 선택이라는 점이다. 대상을 밝히지 않으면 AI는 '일반 대중'을 가정한다. 목적을 밝히지 않으면 '개괄적 소개'를 목표로 삼는다. 분량을 밝히지 않으면 '적당히 짧게' 끝낸다. 무난함의 총합, 그것이 바로 초등학생 숙제 같은 결과물의 정체다. 반대로 말하면, 우리가 할 일은 명확하다. AI가 '알아서' 채우기 전에, 우리가 먼저 채워 주는 것이다.

B의 첫 시도를 좀 더 자세히 들여다보자. B가 "우리 회사 제안서 좀 써 줘"라고 쳤을 때, AI 입장에서 비어 있던 빈칸을 나열하면 이렇다. 어떤 발주처인가. 무슨 사업인가. 우리 회사의 강점은 무엇인가. 경쟁사와 무엇이 다른가. 심사위원이 중시하는 항목은 무엇인가. 몇 페이지짜리인가. 이 여섯 개가 전부 비어 있었다. AI는 그 빈칸을 '일반적인 IT 회사의 일반적인 제안서'로 채웠고, 결과는 어느 회사 이름이든 갈아 끼워도 되는 껍데기가 나왔다. 반대로 B가 나중에 이 빈칸을 하나씩 메우자, 같은 AI가 발주처의 예산 부담을 먼저 짚고 B 회사의 '지역 밀착 대응' 강점을 근거로 내세우는, 딱 B의 회사만 쓸 수 있는 문장을 뽑아냈다. AI가 똑똑해진 게 아니다. B가 빈칸을 메웠을 뿐이다.

현장에서 나는 이 원리를 '빈칸 채우기 게임'이라 부른다. 좋은 프롬프트란 결국 AI가 헷갈릴 만한 빈칸을 미리 메워 주는 행위다. 강사 K가 겪은 문제를 다시 보자. AI 입장에서 "재고 관리 특강"이라는 다섯 글자에는 빈칸이 수십 개다. 누구를 위한 특강인가. 몇 시간짜리인가. 온라인인가 오프라인인가. 이론 중심인가 실습 중심인가. 대기업인가 소상공인인가. 이 빈칸을 AI가 제멋대로 채우게 두면 결과는 복불복이 된다. 반대로 우리가 채우면 결과는 통제 가능한 자산이 된다.

또 하나. 프롬프트는 일회성 요행이 아니라 재현 가능한 기술이다. 이 점이 결정적이다. 어쩌다 한 번 좋은 답이 나오는 건 실력이 아니다. 언제든, 몇 번을 해도 일정 수준 이상의 답을 뽑아내는 것이 실력이다. 나는 컨설팅 현장에서 같은 유형의 보고서를 수백 번 써 왔다. 그때마다 새로 고민하지 않는다. 검증된 질문의 뼈대가 있기 때문이다. 이 뼈대를 여러분에게 넘겨주는 것이 이 장의 목표다.

B의 사례도 같은 맥락이다. B는 소규모 회사를 운영하며 제안서를 직접 쓴다. 처음 AI를 쓸 때 B는 "우리 회사 제안서 좀 써 줘"라고 했다. 결과는 어느 회사에나 붙일 수 있는, 그래서 아무 회사에도 안 맞는 껍데기였다. B가 좌절하며 내게 물었다. "대표님, AI가 제 사업을 어떻게 압니까?" 맞는 말이다. AI는 B의 사업을 모른다. 그러니 B가 알려 줘야 한다. 프롬프트는 AI에게 사업을 브리핑하는 자리다. 신입사원에게 일을 시킬 때 배경 설명 없이 "제안서 써"라고 던지면 뭐가 나오겠는가. 프롬프트도 똑같다.

이 대목에서 K가 내게 던진 질문이 하나 더 있다. "선생님, 그럼 프롬프트를 잘 쓰려면 결국 그 분야를 잘 알아야 한다는 거네요? AI가 다 해 주는 게 아니라?" 정확한 통찰이다. 나는 늘 말한다. AI는 여러분의 전문성을 대신하는 도구가 아니라, 여러분의 전문성을 증폭하는 도구다. 재고 관리를 20년 해 온 K는 어떤 강의가 대표들에게 실제로 도움이 되는지 안다. 그 앎이 곧 좋은 프롬프트의 재료다. 반대로 그 분야를 전혀 모르는 사람은 애초에 무엇을 채워야 할지조차 모른다. 그래서 나는 이렇게 정리한다. "AI 시대에 전문성은 쓸모없어지는 게 아니라, 프롬프트라는 통로를 통해 더 크게 쓸모 있어진다." K의 20년은 사라지는 자산이 아니라, 질문을 통해 되살아나는 자산이었다.

여기서 흔히 나오는 반론이 있다. "질문을 그렇게 길게 쓸 시간이면 내가 직접 쓰는 게 빠르지 않나요?" 나는 이렇게 답한다. 처음 한두 번은 그럴 수 있다. 하지만 좋은 질문은 근육과 같아서, 반복하면 몸에 붙는다. 처음엔 다섯 요소를 하나씩 떠올리며 3분이 걸리던 것이 익숙해지면 30초로 준다. 게다가 그 30초의 투자로 뽑은 초안은 여러분이 처음부터 손으로 쓰는 것보다 훨씬 앞선 지점에서 출발한다. 나는 이것을 '질문의 레버리지'라 부른다. 짧은 질문은 짧은 지렛대다. 아무리 힘을 줘도 무거운 결과물은 들리지 않는다. 긴 지렛대, 즉 잘 설계된 질문은 같은 힘으로 열 배 무거운 결과물을 들어 올린다.

또 하나 강조하고 싶은 것은, 프롬프트를 잘 쓰는 능력이 곧 '일을 정의하는 능력'과 같다는 점이다. 신입에게 일을 잘 시키는 관리자와 못 시키는 관리자의 차이를 생각해 보라. 못 시키는 사람은 "그거 알아서 좀 해 봐"라고 던진다. 잘 시키는 사람은 목적과 조건과 마감을 명확히 준다. AI에게 일을 시키는 것도 똑같다. 프롬프트를 잘 쓰게 되면, 놀랍게도 사람에게 일을 시키는 능력, 나아가 자기 일을 스스로 정의하는 능력까지 함께 자란다. 나는 프롬프트 훈련을 '생각을 언어로 정확히 옮기는 훈련'이라 여긴다. 이 훈련의 효용은 AI를 끄고 나서도 남는다. 실제로 나는 프롬프트를 진지하게 다루기 시작한 뒤로, 회의에서 요청을 전하는 방식이 달라졌다는 말을 자주 듣는다. 무엇을, 왜, 어떤 형태로, 얼마나 필요한지를 자연스럽게 붙여 말하게 된 것이다. 질문을 잘 던지는 사람은 결국 일을 잘 정의하는 사람이고, 일을 잘 정의하는 사람은 어디서든 귀하다.

정리하자. 프롬프트가 실력인 이유는 세 가지다. 첫째, 같은 AI라도 질문의 질이 결과의 질을 결정한다. 둘째, AI는 말하지 않은 빈칸을 가장 무난하게 채우므로, 우리가 먼저 채워야 한다. 셋째, 좋은 질문은 재현 가능한 기술이라 한 번 익히면 평생 자산이 된다. 그럼 이제 그 '뼈대'를 배울 차례다. 나는 이것을 '역관목조분'이라 이름 붙였다.

5.2역관목조분: 역할·관련 분야·목적·조건·분량의 5요소

전문가의 프롬프트에는 공통 골격이 있다. 나는 20년간 수천 개의 프롬프트를 뜯어보며 그 골격을 다섯 개로 압축했다. 외우기 쉽게 앞 글자를 따 '역관목조분'이라 부른다.

• 역할(Role): AI에게 누구로서 답할지 정해 준다.
• 관련 분야(Domain): 어떤 영역·맥락의 전문성으로 접근할지 좁혀 준다.
• 목적(ObBective): 이 결과물로 무엇을 이루려는지 밝힌다.
• 조건(Condition): 반드시 지켜야 할 제약과 형식을 지정한다.
• 분량(Length): 얼마나 길게, 어떤 단위로 쓸지 못 박는다.

이 다섯 개는 앞서 말한 '빈칸'의 핵심 다섯 자리다. 하나씩 뜯어보자.

역할. AI에게 페르소나를 부여하는 일이다. "너는 15년 경력의 재고관리 컨설턴트다"라고 말하는 순간, AI는 그 바다에서 컨설턴트가 쓸 법한 어휘, 논리, 구조를 길어 올린다. 역할이 없으면 '일반적 AI 어시스턴트'로 답한다. 역할이 있으면 '전문가'로 답한다. 나는 역할을 정할 때 경력 연수까지 붙인다. "3년 차 마케터"와 "20년 차 CMO"는 전혀 다른 답을 준다. 구체적일수록 좋다.

관련 분야. 역할이 '누구'라면, 관련 분야는 '어느 판'이다. 같은 컨설턴트라도 제조업 재고인지, 유통업 재고인지, 패션 시즌 상품 재고인지에 따라 답이 달라진다. 관련 분야를 좁혀 주면 AI는 그 판의 용어와 관행, 흔한 함정까지 반영한다. K의 특강이라면 "연매출 30억 규모 중소 식품 제조업의 원자재·완제품 재고"처럼 좁힌다. 판이 좁아질수록 답은 날카로워진다.

목적. 이 결과물이 최종적으로 어디에 쓰이는가. 이것을 밝히면 AI는 형식이 아니라 목표를 향해 정렬된다. "재고 관리를 이해시키는" 특강과 "당장 월요일에 재고를 줄일 체크리스트를 손에 쥐여 주는" 특강은 완전히 다른 결과물을 만든다. 나는 목적을 쓸 때 '그래서 청중이/독자가 무엇을 하게 되는가'를 반드시 넣는다. 목적은 결과물의 나침반이다.

조건. 지켜야 할 규칙과 형식이다. 표로 만들 것, 실제 사례를 3개 넣을 것, 전문용어에는 괄호로 쉬운 설명을 달 것, 결론을 먼저 쓸 것, 특정 표현을 피할 것. 조건은 결과물의 품질을 세밀하게 조각하는 끌이다. 조건이 촘촘할수록 재작업이 줄어든다. 나는 여기에 '하지 말 것'도 함께 적는다. "일반론·원론적 이야기는 빼고 실행 가능한 것만"처럼.

분량. 얼마나 길게 쓸지 단위와 함께 지정한다. "A4 2페이지", "500자 이내", "슬라이드 12장 분량", "각 항목 3문장씩". 분량을 안 정하면 AI는 제멋대로 늘리거나 줄인다. 특히 분량은 '단위'가 중요하다. "짧게"는 사람마다 다르지만 "3문장"은 명확하다. 애매함을 없애는 것이 분량 지정의 핵심이다.

이제 역관목조분을 실제 문장으로 조립해 보자. K의 그 빈약했던 프롬프트를 다섯 요소로 다시 쓰면 이렇게 된다.

[역할] 너는 중소 제조업을 15년간 지도한 재고관리 전문 컨설턴트이자 기업교육 강사다. [관련 분야] 대상은 연매출 30억 원 규모의 중소 식품 제조업 대표들이며, 다루는 재고는 원자재와 완제품이다. 이들은 엑셀 정도만 다루고 전문 재고 이론은 모른다. [목적] 3시간짜리 오프라인 특강 커리큘럼을 만든다. 목표는 참석 대표들이 특강이 끝난 뒤 '월요일 아침에 바로 실행할 재고 점검 루틴'을 손에 쥐고 돌아가게 하는 것이다. [조건] 3개 모듈로 나누고, 각 모듈마다 학습목표·핵심내용·실습활동·강사 멘트 예시를 표로 제시한다. 실제로 적용할 사례 기업을 2개 넣되 익명 처리한다. 이론은 최소화하고 실습 비중을 60% 이상으로 한다. 쉬는 시간과 시간 배분도 표시한다. [분량] 전체 A4 3~4페이지 분량. 표 중심으로 간결하게.

같은 AI에게 이 프롬프트를 넣으면 나오는 결과가 바로 옆자리 동료의 '컨설팅 제안서'였다. 차이는 오직 이 다섯 요소를 채웠느냐다.

한 가지 당부. 역관목조분은 반드시 이 순서로, 다섯 개를 모두 채워야 하는 규칙이 아니다. 상황에 따라 어떤 요소는 한 줄이면 충분하고, 어떤 요소는 문단이 필요하다. 간단한 요청이라면 역·목·분 세 개만으로도 충분하다. 중요한 건 순서나 개수가 아니라, 결과물이 흔들릴 만한 빈칸을 이 다섯 개의 렌즈로 점검하는 습관이다. 나는 프롬프트를 쓰기 전 머릿속으로 '역-관-목-조-분' 다섯 글자를 훑는다. 3초면 된다. 그 3초가 결과물의 격을 바꾼다.

아래 표는 다섯 요소를 언제, 어떻게 쓰는지 한눈에 정리한 것이다.

이번에는 B의 사례로 다섯 요소를 한 번 더 조립해 보자. B가 매주 쓰는 '주간 업무보고'를 예로 든다. B의 처음 프롬프트는 "이번 주 한 일 정리해서 보고서 만들어 줘"였다. 역관목조분으로 다시 쓰면 이렇게 바뀐다.

[역할] 너는 경영진 보고에 익숙한 사업기획 담당자다. [관련 분야] 직원 12명 규모 IT 서비스 회사의 주간 경영 보고이며, 읽는 사람은 바쁜 대표 한 명이다. [목적] 대표가 3분 안에 읽고 '이번 주 무엇을 결정해야 하는지' 바로 알게 한다. [조건] '핵심 성과 3줄 → 진행 중 이슈와 필요한 의사결정 → 다음 주 계획' 순서로 쓰고, 숫자로 표현할 수 있는 것은 숫자로. 결정이 필요한 항목에는 [결정요청] 표시를 붙인다. 미사여구·자화자찬은 뺀다. [분량] A4 한 페이지, 항목별 2~3줄.

이 한 번의 재작성으로 B의 주간보고는 '한 일 나열'에서 '의사결정 요청서'로 성격이 바뀌었다. 대표가 회의에서 "그래서 뭘 정하면 되냐"고 되묻는 일이 사라졌다고 한다. 목적 한 줄이 문서의 정체를 바꾼 것이다.

프롬프트를 다 썼다면, 아래 다섯 문항으로 스스로 채점해 보라. 나는 이것을 '전송 전 5초 점검'이라 부른다.

• 역: AI가 어떤 전문가로서 답할지 지정했는가? (경력·직함이 있으면 더 좋다)
• 관: 어떤 업종·상황·독자인지 좁혔는가?
• 목: '그래서 상대가 무엇을 하게 되는가'가 들어갔는가?
• 조: 형식과 '하지 말 것'을 최소 하나씩 넣었는가?
• 분: 분량을 단위(페이지·글자·문장 수)로 못 박았는가?

5.3나쁜 프롬프트 개조 실습: Before & After 10선

이론은 여기까지다. 이제 손을 움직일 차례다. 나는 강의에서 늘 말한다. "프롬프트는 눈으로 배우는 게 아니라 손으로 고치면서 배웁니다." 그래서 실제 수강생들이 가져온 나쁜 프롬프트 10개를 골랐다. 각각을 역관목조분으로 개조한 Before & After를 보자. 개조본이 왜 나은지, 어느 요소를 채웠는지에 집중하라.

1) 블로그 글쓰기

Before는 '건강'이라는 우주 전체를 던졌다. After는 독자·목적·형식·분량을 못 박아 '오늘 저녁 따라 할 코어 운동'으로 좁혔다.

2) 이메일 작성

3) 요약

4) 강의 기획

5) 아이디어 발상

6) 자기소개서

7) 데이터 해석

8) SNS 콘텐츠

9) 회의록 정리

10) 제안서 초안

열 개를 관통하는 규칙이 보이는가. Before는 하나같이 명사 하나에 "써 줘"를 붙인 형태다. After는 예외 없이 역관목조분의 빈칸을 메웠다. 특히 눈여겨볼 지점이 세 가지 있다.

첫째, '목적'이 결과물의 방향을 튼다는 점이다. 7번 데이터 해석에서 목적을 "대표에게 브리핑"으로 잡자 AI는 통계 나열이 아니라 의사결정용 인사이트를 뽑는다. 둘째, '조건'의 '하지 말 것'이 강력하다는 점이다. 3번의 "원문에 없는 내용 금지", 7번의 "단정 말 것", 10번의 "원론 금지"는 AI가 흔히 저지르는 실수를 미리 차단한다. 셋째, '분량'이 완성도를 좌우한다는 점이다. 분량 단위를 명시한 순간 결과물은 손볼 데가 확 줄어든다.

개조본을 스스로 채점하는 간단한 기준도 하나 드린다. After를 다 썼다면 이렇게 물어보라. "이 프롬프트를, 나와 전혀 다른 사람이 받아서 실행해도 비슷한 결과가 나올까?" 그렇다면 잘 개조된 것이다. 만약 "그건 내 머릿속에 있는 맥락을 알아야 제대로 나오는데" 싶은 부분이 있다면, 바로 그 맥락이 아직 빈칸으로 남아 있는 것이다. 다음 표는 위 10선에서 반복적으로 채워진 요소가 무엇인지 되짚은 것이다.

한 가지 더. 개조는 한 번에 완벽하게 끝나지 않아도 된다. 실제 현장에서 나는 After를 넣고 나온 결과물을 보며 "여기는 더 짧게", "이 부분은 사례를 하나 더" 하는 식으로 두세 번 더 다듬는다. 이 되먹임 과정 자체가 역관목조분의 조건과 분량을 정교화하는 훈련이다. 처음부터 완벽한 프롬프트를 쓰려고 굳어 있지 마라. 60점짜리 프롬프트로 시작해 결과를 보며 80점, 90점으로 끌어올리는 것이 훨씬 현실적이고 빠르다. 나쁜 프롬프트의 반대말은 '완벽한 프롬프트'가 아니라 '고쳐 나가는 프롬프트'다.

여러분도 지금 자신이 자주 쓰는 나쁜 프롬프트 하나를 떠올려 보라. 십중팔구 "무엇을 써 줘" 형태일 것이다. 그것을 역관목조분으로 다시 써 보라. 5분이면 된다. 그 5분이 여러분의 다음 결과물을 바꾼다. 나는 강의 마지막에 늘 수강생들에게 숙제를 낸다. "이번 주에 AI에게 던지는 모든 요청 앞에, 역·관·목·조·분 다섯 글자를 속으로 한 번씩 외우고 엔터를 누르세요." 딱 일주일만 해 보면, 어느새 그 다섯 글자가 손에 붙는다. 그때부터는 의식하지 않아도 좋은 질문이 나온다. 자전거를 처음 배울 때 페달과 균형을 따로 신경 쓰다가 어느 순간 그냥 타게 되는 것과 같다. 프롬프트도 똑같다. 처음엔 어색하지만, 몸에 배면 평생 간다.

5.4나만의 전문 프롬프트 템플릿 만들기

Before & After를 매번 즉석에서 조립하는 것도 실력이지만, 진짜 고수는 한 걸음 더 간다. 자기 일에 맞는 프롬프트 템플릿을 미리 만들어 두는 것이다. 나는 이것을 '프롬프트 자산화'라 부른다. 반복되는 업무일수록 매번 새로 고민하는 건 낭비다. 뼈대를 만들어 두고 빈칸만 바꿔 끼우면 된다.

템플릿의 원리는 간단하다. 역관목조분 다섯 요소 중 자기 업무에서 '늘 고정되는 것'과 '매번 바뀌는 것'을 나누는 것이다. 강사 K를 예로 들자. K의 강의 기획에서 '역할'(교육 설계 전문가)과 '조건'(모듈 표 구조, 실습 비중)은 거의 고정이다. 반면 '관련 분야'(수강 대상)와 '목적'(강의 후 무엇을 하게 할지)은 강의마다 바뀐다. 그렇다면 고정 부분은 템플릿에 박아 두고, 바뀌는 부분만 대괄호로 비워 두면 된다.

K의 강의 기획 템플릿은 이렇게 생겼다.

너는 성인 교육을 20년간 설계한 교육공학 전문가이자 현장 강사다. 대상: [수강 대상과 수준] 이 강의의 목표는 수강생이 강의 후 [구체적으로 할 수 있게 될 행동]하는 것이다. [강의 시간]짜리 [온/오프라인] 강의를 설계하라. 조건: 강의를 3개 모듈로 나누고, 각 모듈마다 학습목표·핵심내용·실습활동·강사 멘트 예시를 표로 제시한다. 이론 대비 실습 비중을 60% 이상으로 하고, 시간 배분과 쉬는 시간도 표시한다. 익명 처리한 사례 2개를 포함한다. 분량: A4 3~4페이지, 표 중심.

이제 K는 강의 요청이 올 때마다 대괄호 네 곳만 채우면 된다. 30초면 전문가급 커리큘럼 초안이 나온다. 이것이 자산화의 힘이다. 한 번 잘 만든 템플릿은 평생 복리로 돌아온다.

실제로 K가 이 템플릿의 대괄호를 채운 사례 하나를 보자. 어느 소상공인 협회에서 '가게 홍보용 AI 글쓰기' 2시간 강의를 의뢰했을 때, K는 이렇게 채웠다. 대상은 "컴퓨터를 겨우 다루는 40~60대 소상공인", 강의 후 할 행동은 "자기 가게 소개 문구와 단골 안내문을 AI로 직접 만들기", 강의 시간은 "2시간", 방식은 "오프라인 실습형". 나머지 문장은 템플릿에 그대로 박혀 있으니 손댈 것이 없었다. 결과물은 모듈 3개, 각 모듈 실습 시트, 강사 멘트까지 갖춘 커리큘럼이었고, K는 여기에 자기 경험으로 두어 줄만 손봤다. 예전 같으면 반나절 걸리던 일을 커피 한 잔 마시는 동안 끝낸 것이다. K의 표현을 빌리면 "이제 강의 준비의 고통이 아니라 강의 자체에 집중하게 됐다"고 한다.

템플릿을 만드는 절차를 5단계로 정리하면 이렇다.

1. 반복 업무 고르기. 한 달에 세 번 이상 하는 업무를 하나 고른다. 빈도가 높을수록 템플릿의 가치가 크다.
2. 가장 잘 나온 결과물 역추적하기. 그 업무에서 지금까지 가장 만족스러웠던 결과물을 떠올린다. 그때 어떤 요청을 했는지, 역관목조분으로 분해한다.
3. 고정/변동 나누기. 다섯 요소를 '항상 같은 것'과 '매번 다른 것'으로 가른다.
4. 고정은 박고, 변동은 대괄호로. 고정 요소는 문장으로 완성하고, 변동 요소는 [ ]로 비워 둔다.
5. 3회 실전 테스트 후 다듬기. 서로 다른 실제 사례 3개에 적용해 보고, 매번 손보게 되는 부분을 찾아 조건에 추가한다.

B의 제안서 템플릿도 같은 방식으로 만들어졌다. B는 입찰 제안서를 자주 쓰는데, '역할'(제안 전문 컨설턴트)과 '조건'(발주처 니즈 분석 + 차별화 3가지 + 원론 금지)이 고정이고, '관련 분야'(어떤 용역인지)와 '목적'(어떤 심사 포인트를 노리는지)이 변동이다. B는 이 템플릿을 만든 뒤 제안서 초안 작성 시간을 절반 이하로 줄였다. 더 중요한 건, 컨디션이 나쁜 날에도 결과물 품질이 일정해졌다는 점이다. 템플릿은 실력의 하한선을 끌어올린다.

몇 가지 실전 팁을 덧붙인다. 첫째, 템플릿에 '나쁜 예/좋은 예'를 한 줄씩 넣으면 정확도가 확 오른다. AI에게 "이런 건 피하고 이런 걸 지향하라"고 예시로 보여 주는 것이다. 둘째, 자주 쓰는 템플릿은 메모 앱이나 별도 문서에 모아 '프롬프트 서랍'을 만든다. 나는 업무 유형별로 폴더를 나눠 20여 개의 검증된 템플릿을 관리한다. 셋째, 템플릿은 완성품이 아니라 진화하는 자산이다. 쓸 때마다 아쉬웠던 점을 한 줄씩 조건에 보태라. 반년만 지나도 여러분만의 무기가 된다.

템플릿을 조직 차원으로 넓히면 효과는 더 커진다. B의 회사에서는 B가 만든 제안서 템플릿을 팀원들과 공유했다. 그러자 신입 직원도 첫 주부터 제법 쓸 만한 제안서 초안을 뽑아냈다. 개인의 노하우가 조직의 자산으로 옮겨 간 것이다. 나는 이것을 강조하고 싶다. 잘 만든 프롬프트 템플릿은 한 사람의 머릿속에 갇혀 있던 암묵지를, 누구나 꺼내 쓸 수 있는 형식지로 바꾼다. 강사 K가 자기 강의 설계 노하우를 템플릿으로 정리하면, 그것은 K가 은퇴한 뒤에도 남는 유산이 된다. 프롬프트 자산화는 결국 '경험의 문서화'이며, 이 시대에 가장 값진 자기 투자 중 하나다.

한 가지 경계할 것. 템플릿에 지나치게 의존해 '생각을 끄면' 안 된다. 템플릿은 사고의 대체물이 아니라 사고의 출발점이다. 특히 목적은 매번 진지하게 다시 물어야 한다. "이번 결과물로 상대가 무엇을 하게 만들 것인가." 이 질문만큼은 템플릿에 맡기지 말고 매번 여러분이 직접 답하라. 나머지는 템플릿이 도와줄 것이다.

마지막으로, 템플릿을 처음 만드는 이들이 가장 자주 던지는 질문 하나에 답하고 넘어가자. "템플릿을 몇 개나 만들어야 하나요?" 나는 이렇게 답한다. 처음부터 스무 개를 만들려 들지 마라. 여러분이 이번 주에 실제로 세 번 이상 반복한 업무 딱 하나부터 시작하라. 그 하나를 만들어 일주일 써 보고, 손이 자주 가는 부분을 조건에 반영해 다듬는다. 그다음 주에 두 번째를 만든다. 이렇게 한 달에 서너 개씩만 쌓아도 반년이면 스무 개가 넘는 '프롬프트 서랍'이 생긴다. 중요한 건 개수가 아니라, 각 템플릿이 실전에서 검증됐느냐다. 검증되지 않은 템플릿 스무 개보다, 매주 쓰며 다듬은 템플릿 다섯 개가 훨씬 강력하다. K도 B도 그렇게 시작했다. 첫 템플릿 하나가 두 번째를 부르고, 그 둘이 습관을 만든다. 그 습관이 결국 여러분을 'AI를 잘 쓰는 사람'으로 바꾼다.

문 4½생각할 문제

1. 최근 AI에게 던진 프롬프트 중 결과가 실망스러웠던 것 하나를 골라 보라. 역관목조분 다섯 요소 중 어느 빈칸을 비워 두었기에 실망스러운 답이 나왔는가?
2. 당신의 업무에서 '목적'을 "상대가 무엇을 하게 되는가"로 다시 쓰면, 지금 만들던 결과물의 방향이 어떻게 달라지는가?
3. 조건에 '하지 말 것'을 넣는 것이 왜 '할 것'을 넣는 것만큼, 때로는 그 이상으로 강력한가? 당신의 일에서 AI가 자주 저지르는 실수 세 가지를 '금지 조건'으로 적어 보라.
4. 템플릿 자산화의 이점(속도·품질 일정성)과 위험(사고의 자동화)을 함께 고려할 때, 당신은 어떤 업무를 템플릿화하고 어떤 업무는 매번 직접 사고할 것인가?
5. 같은 프롬프트 템플릿을 동료에게 넘겼을 때도 비슷한 품질의 결과물이 나온다면, 그것은 무엇을 의미하는가? 개인의 실력과 조직의 자산은 어떻게 연결되는가?

문 1도입

월요일 아침 9시. B의 회사에서는 지난 한 주를 돌아보는 주간 회의가 열린다. 여덟 명이 한 시간 반 동안 쏟아 낸 이야기, 결정, 숙제, 미루어진 안건이 뒤섞인다. 예전의 B는 이 회의가 끝나면 곧바로 두 번째 회의에 들어가는 기분이었다. 녹음 파일을 다시 처음부터 들으며 누가 무슨 말을 했는지 받아 적고, 결정 사항과 실행 과제를 골라내고, 담당자와 기한을 표로 정리하고, 다음 회의 자료로 옮겨 붙이는 일. 그 뒷정리에만 매주 세 시간이 사라졌다. 회의보다 회의록이 더 무거웠다.

지난달 어느 월요일, B는 나에게 메시지를 보냈다. "대표님, 저 오늘 회의록을 8분 만에 끝냈어요. 그것도 회의 끝나고 커피 내리는 사이에요." 나는 웃으며 물었다. 비결이 뭐였냐고. B의 답은 짧았다. "다섯 개의 동사요." 요약하고, 정리하고, 분석하고, 생성하고, 설명하는 것. B는 이 다섯 가지 동작을 하나의 순서로 꿰어 자기만의 회의록 틀을 만들었고, 그 틀에 녹취 텍스트만 밀어 넣으면 결정 사항 표와 실행 과제 목록, 그리고 다음 주 안건 초안까지 한 번에 튀어나왔다. 세 시간이 8분이 된 자리에는 마법이 아니라 문법이 있었다. 이 장은 바로 그 문법에 관한 이야기다.

미리 말해 두자면, 이 다섯 동사는 특정 도구에 매인 기술이 아니다. 어떤 생성형 AI를 쓰든, 심지어 몇 년 뒤 지금 도구가 사라지고 새로운 것이 등장하더라도, 자료를 결과물로 바꾸는 이 다섯 가지 손놀림은 그대로 남는다. 도구는 갈아입는 옷이고, 다섯 동사는 몸에 밴 걸음걸이다. 그래서 나는 강의 첫머리에 늘 이렇게 말한다. 새 도구를 쫓아다니느라 지치지 말고, 이 다섯 동사부터 몸에 붙이라고. 그 다음엔 무엇이 오든 두렵지 않다.

6.1요정분생설: 요약·정리·분석·생성·설명

나는 강의 현장에서 사람들에게 이렇게 묻곤 한다. "여러분이 컴퓨터 앞에서 하루에 반복하는 일을 동사로 적어 보세요." 처음에는 수십 개가 나온다. 취합하고, 검토하고, 다듬고, 뽑아내고, 만들고, 옮기고, 풀어 쓰고. 그런데 그 목록을 몇 번 접어 보면 놀랍게도 다섯 개로 수렴한다. 요약, 정리, 분석, 생성, 설명. 나는 이 다섯 동사를 '요정분생설'이라고 부른다. 외우기 좋으라고 붙인 이름이지만, 실은 생성형 AI가 지식 노동에서 가장 잘하는 다섯 가지 동작을 정확히 짚은 프레임이기도 하다. 반복 업무 자동화의 출발점은 새로운 도구를 배우는 것이 아니라, 내 업무를 이 다섯 동사로 분해하는 눈을 갖는 것이다.

다섯 동사는 각각 성격이 다르다. 무엇을 넣고 무엇을 기대하는지가 다르고, 따라서 프롬프트의 말투도 달라진다. 하나씩 보자.

요약(要約) 은 많은 것을 적게 만드는 동작이다. 긴 원문에서 핵심만 남기고 나머지를 덜어 낸다. 여기서 초보자가 가장 많이 하는 실수는 "요약해 줘"라고만 말하는 것이다. 그러면 AI는 자기 마음대로 분량과 관점을 정한다. 좋은 요약 프롬프트는 세 가지를 지정한다. 분량(몇 문장, 몇 자, 몇 개 불릿), 관점(누구를 위한 요약인가), 그리고 반드시 살릴 요소(숫자, 기한, 결정 사항 등)다.

아래 회의 녹취를 요약해 줘. 조건: (1) 다섯 개 불릿 이내, (2) 우리 팀장이 3분 안에 읽을 용도, (3) 결정된 사항과 다음 행동은 반드시 포함, (4) 잡담과 곁가지는 제외.

정리(整理) 는 흩어진 것을 구조로 바꾸는 동작이다. 요약이 '덜어 내기'라면 정리는 '자리 잡기'다. 같은 정보라도 시간순으로, 담당자별로, 주제별로 재배열하면 전혀 다른 문서가 된다. 정리 프롬프트의 핵심은 '틀을 지정하는 것'이다. 표의 열 이름을 직접 정해 주면 AI는 그 틀에 내용을 채워 넣는다.

다음 상담 메모를 표로 정리해 줘. 열은 '구분 / 고객 발언 요지 / 내가 확인해야 할 사항 / 후속 조치'로 하고, 내용이 없는 칸은 '해당 없음'으로 표기해.

분석(分析) 은 표면 아래를 읽는 동작이다. 무엇이 반복되는지, 무엇이 빠졌는지, 어떤 위험이 숨어 있는지를 찾는다. 요약과 정리가 있는 그대로를 다룬다면, 분석은 '판단'을 요구한다. 그래서 분석 프롬프트에는 '판단 기준'을 함께 넣어 줘야 한다. 기준 없는 분석은 그럴듯한 인상비평으로 끝난다.

이 분기 상담 기록 30건을 분석해 줘. 기준: (1) 가장 자주 나온 불만 세 가지, (2) 계약으로 이어진 상담과 그렇지 않은 상담의 차이, (3) 우리가 놓치고 있는 신호. 각 항목은 근거가 된 발언을 함께 인용해.

생성(生成) 은 없던 것을 새로 만드는 동작이다. 초안, 이메일, 제안 문구, 다음 회의 안건. 앞의 세 동사가 자료를 다룬다면 생성은 결과물을 낳는다. 생성 프롬프트의 관건은 '샘플과 제약'이다. 원하는 형식의 예시를 하나 보여 주고, 하지 말아야 할 것을 못 박으면 품질이 크게 오른다.

위 분석을 바탕으로, 이탈 위험이 높은 고객에게 보낼 후속 제안 이메일 초안을 써 줘. 조건: 200자 이내, 부담스럽지 않은 어조, 구체적 다음 약속을 한 문장 넣기, 과장·할인 압박 금지.

설명(說明) 은 어려운 것을 쉽게 만드는 동작이다. 전문 용어를 풀고, 배경을 덧붙이고, 상대의 눈높이에 맞춘다. 같은 보고서라도 임원용과 실무자용, 고객용은 설명의 결이 다르다. 설명 프롬프트는 '독자'를 반드시 지정한다.

아래 기술 검토 결과를 두 가지 버전으로 설명해 줘. (A) 비전문가 임원용 3문장 요지, (B) 실무 담당자용 상세 배경. 전문 용어가 나오면 괄호로 짧게 풀이해.

내가 강의에서 자주 드는 비유가 있다. 다섯 동사는 주방의 다섯 가지 칼질과 같다. 썰고, 다지고, 저미고, 채 치고, 어슷 써는 동작이 다르듯, 다섯 동사도 자료를 다루는 손놀림이 저마다 다르다. 초보 요리사는 무슨 요리든 같은 칼질만 반복한다. 그러다 보면 재료가 뭉개진다. 마찬가지로, 어떤 자료든 "요약해 줘"로만 밀어붙이면 결과가 뭉개진다. 반대로 지금 필요한 동작이 요약인지 분석인지 정확히 알면, 손이 자연스럽게 그 프롬프트로 간다. 도구를 바꾸는 게 아니라 동사를 바꾸는 것이다. 나는 이 감각이 잡히는 순간을 여러 수강생에게서 봤다. K도 그중 하나였다. 처음엔 강의 후기 100장을 앞에 두고 막막해했지만, "이건 요약이 아니라 분석이구나"를 깨달은 뒤로는 후기에서 반복되는 칭찬과 불만을 표로 뽑아내기 시작했다. 같은 자료, 같은 도구, 다른 동사. 결과는 완전히 달랐다.

K의 강의 후기 이야기를 조금 더 해 보자. K는 매 학기 끝에 수강생 후기를 100장 가까이 받는다. 예전에는 그걸 전부 읽고 "대체로 만족, 실습을 더 원함" 정도의 감(感)으로 다음 강의를 준비했다. 감은 자주 틀렸다. 어느 학기, K는 후기를 다섯 동사로 나눠 처리해 봤다. 먼저 100장을 열 문장으로 요약해 전체 분위기를 잡았다. 다음으로 후기를 '만족 요인 / 불만 요인 / 요청 사항' 세 열의 표로 정리했다. 그리고 그 표를 분석해 "실습 시간 부족"이라는 불만이 서른 번 넘게 반복된다는 사실을 숫자로 확인했다. 이어서 그 분석을 바탕으로 다음 학기 커리큘럼 개편안을 생성했고, 마지막으로 그 개편안을 학원장에게 보고할 3문장짜리 요지로 설명했다. 감으로 뭉뚱그리던 일이, 근거를 갖춘 다섯 단계 작업으로 바뀐 것이다. K는 그 학기 강의 만족도가 눈에 띄게 올랐다고 했다. 놀라운 도구를 쓴 게 아니다. 후기라는 같은 자료를 다섯 동사로 훑었을 뿐이다.

이 다섯 동사를 따로 기억할 필요는 없다. 실제 업무에서는 대개 연결되어 흐른다. 긴 자료를 요약해 큰 그림을 잡고, 그 내용을 표로 정리하고, 정리된 것을 분석해 인사이트를 뽑고, 그 인사이트로 결과물을 생성하고, 마지막으로 상대에게 맞게 설명한다. 요→정→분→생→설. 이 순서가 곧 하나의 파이프라인이다. B의 8분짜리 회의록도, K가 만든 강의 후기 리포트도 모두 이 다섯 동사의 조합이었다. 자동화란 결국 이 흐름을 매번 손으로 하지 않고 하나의 틀에 담아 두는 일이다.

다섯 동사가 헷갈릴 때 꺼내 보라고, 나는 수강생들에게 한 장짜리 대조표를 나눠 준다.

이 표 한 장이면 어떤 업무 앞에서도 "지금 나는 무슨 동사가 필요한가"를 5초 안에 정할 수 있다.

6.2자료가 결과물로 바뀌는 전환의 문법

강의에서 나는 이 다섯 동사를 '전환의 문법'이라고 부른다. 문법이라고 부르는 이유가 있다. 문법은 단어를 아무렇게나 늘어놓지 않고 의미가 통하는 문장으로 엮는 규칙이다. 마찬가지로, 자료를 결과물로 바꾸는 데에도 규칙이 있다. 그 규칙을 나는 네 개의 자리로 설명한다. 입력 - 동사 - 형식 - 검수. 어떤 자동화든 이 네 자리를 채우면 완성된다.

첫째 자리는 입력이다. AI에게 무엇을 주는가. 녹취록인지, 상담 메모인지, 지난 보고서인지. 여기서 흔한 실패는 '맥락 없는 입력'이다. 파일만 던지고 "알아서 해 줘"라고 하면, AI는 이 자료가 어떤 회사의 무슨 회의인지 모른 채 일반론을 뱉는다. 좋은 입력에는 최소한의 배경이 붙는다. "우리는 5인 규모 교육 회사이고, 이건 주간 팀 회의 녹취다." 이 한 줄이 결과물의 격을 바꾼다.

둘째 자리는 동사다. 앞 절의 다섯 동사 중 무엇을 시킬지 고른다. 여기서 중요한 건 '동사를 섞지 말라'는 것이다. 초보자는 한 프롬프트에 "요약하고 분석하고 이메일도 써 줘"라고 몰아넣는다. 그러면 각 동작이 얕아진다. 나는 복잡한 일일수록 동사를 쪼갠다. 한 번에 하나씩, 요약을 확인하고 그 결과를 다음 프롬프트의 입력으로 넘긴다. 이걸 '체인'이라고 부른다. 체인을 쓰면 중간에서 품질을 점검할 수 있어 실패가 줄어든다.

B의 사례가 이 대목을 잘 보여 준다. 처음 B는 회의 녹취를 넣고 "요약하고, 결정 사항 뽑고, 과제 정리하고, 다음 안건까지 만들어 줘"를 한 번에 시켰다. 결과는 그럴듯했지만 자꾸 어긋났다. 결정 사항 표에 아직 결정되지 않은 안건이 섞였고, 과제 담당자가 뒤바뀌기도 했다. 네 가지 동작을 한 호흡에 처리하느라 각각이 성기게 나온 것이다. 그래서 B는 이걸 세 걸음으로 쪼갰다. 1걸음 요약으로 큰 흐름을 확인하고, 2걸음에서 그 요약을 붙여 결정과 과제를 표로 뽑고, 3걸음에서 과제 표를 근거로 다음 안건을 만들었다. 걸음마다 잠깐 눈으로 확인하니, 엉뚱한 결과가 다음 단계로 번지지 않았다. B는 "한 번에 시키면 빠른 것 같지만, 틀린 걸 되돌리는 시간까지 치면 쪼개는 쪽이 더 빠르다"고 했다. 정확한 관찰이다. 체인은 느려 보여도 결국 빠르다.

셋째 자리는 형식이다. 결과물이 표인지, 불릿인지, 이메일인지, BSON인지. 형식을 지정하지 않으면 AI는 줄글로 길게 답한다. 그러면 그걸 다시 사람이 표로 옮겨야 한다. 자동화의 절반은 형식 지정에서 온다. 나는 형식을 아예 예시로 보여 준다. "이런 표로: | 안건 | 결정 | 담당 | 기한 |" 하고 빈 표의 머리글만 줘도 AI는 그 틀을 지킨다.

넷째 자리는 검수다. 자동화라고 해서 결과를 그대로 믿으라는 뜻이 아니다. 오히려 자동화의 신뢰는 검수 규칙에서 나온다. 나는 프롬프트 끝에 '검수 지시'를 넣는다. "원문에 없는 내용은 지어내지 말 것. 확실하지 않으면 '확인 필요'로 표시할 것." 이 한 줄이 있으면 AI는 빈칸을 억지로 채우는 대신 정직하게 비운다. 자동화된 회의록에서 가장 위험한 것은 '있지도 않은 결정'을 그럴듯하게 적어 넣는 것이다. 검수 지시는 그 위험을 막는 안전장치다.

이 네 자리를 표로 정리하면 이렇다.

전환의 문법을 몸에 익히면, 처음 보는 업무 앞에서도 당황하지 않는다. 나는 새로운 자동화를 만들 때마다 머릿속으로 이 네 칸을 채운다. 입력은 무엇이고, 어떤 동사를 어떤 순서로 걸고, 어떤 형식으로 받고, 무엇을 검수할 것인가. 이 네 문장이 정해지면 프롬프트는 거의 저절로 써진다. Before/After로 감을 잡아 보자.

Before(막연한 요청): "회의 내용 정리해 줘." 결과: 문단 세 개짜리 줄글. 결정 사항이 문장 속에 묻혀 있고, 담당자·기한이 빠져 다시 손봐야 한다.

After(전환의 문법 적용):

[배경] 5인 교육 회사의 주간 팀 회의 녹취다. [동사·형식] 아래 녹취를 다음 두 개의 표로 정리해 줘. 표1 결정 사항: | 안건 | 결정 내용 | 근거 발언 | 표2 실행 과제: | 과제 | 담당자 | 기한 | 비고 | [검수] 녹취에 나오지 않은 담당자나 기한은 지어내지 말고 '미지정'으로 표기해.

결과: 두 개의 깔끔한 표. 담당자가 언급되지 않은 과제는 '미지정'으로 남아, B가 회의 직후 그 칸만 채우면 된다. 같은 자료, 같은 AI인데 문법 하나로 결과물의 완성도가 달라진다.

여기서 한 가지를 더 강조하고 싶다. 전환의 문법에서 가장 과소평가되는 자리는 네 번째, 검수다. 사람들은 입력과 형식에는 공을 들이면서 검수 지시는 자주 빠뜨린다. 그런데 자동화가 무서운 이유가 바로 여기 있다. 손으로 회의록을 쓸 때는 기억나지 않는 결정을 함부로 적지 않는다. 하지만 AI는 빈칸을 싫어한다. 지시가 없으면 그럴듯한 문장으로 빈칸을 메우려 든다. 그렇게 만들어진 '있지도 않은 결정'은 겉보기에 너무 매끄러워서, 오히려 사람이 쓴 어설픈 메모보다 걸러 내기 어렵다. 나는 이것을 '매끄러운 거짓'이라고 부른다. 검수 지시 한 줄은 이 매끄러운 거짓을 막는 방어선이다. "확실하지 않으면 비워 두고 표시하라"는 규칙이 있으면, AI는 정직하게 '확인 필요'를 남긴다. 자동화의 속도는 입력과 형식에서 오지만, 자동화의 신뢰는 오직 검수에서 온다. 이 둘이 함께 갖춰질 때 비로소 안심하고 결과물을 넘길 수 있다.

6.3반복 업무 자동화 템플릿 구축

여기까지 오면 자연스러운 질문이 나온다. "매번 이렇게 긴 프롬프트를 쓸 순 없잖아요?" 맞다. 그래서 우리는 템플릿을 만든다. 템플릿이란 한 번 잘 만들어 두고 자료만 바꿔 끼우는 재사용 프롬프트다. B가 회의록을 8분에 끝낸 진짜 비결도 실은 이것이었다. B는 매주 프롬프트를 새로 쓰지 않는다. 완성된 틀에 이번 주 녹취만 붙여 넣는다.

좋은 템플릿에는 공통 구조가 있다. 나는 다섯 개의 블록으로 나눠 가르친다.

1. 역할·배경 블록 — AI에게 누구로서 일하는지, 어떤 조직의 자료인지 알려 준다. 매번 같으므로 고정해 둔다.
2. 입력 슬롯 — 자료를 붙여 넣는 자리. 보통 <<여기에 자료 붙여넣기>>처럼 표시해 둔다.
3. 작업 지시 블록 — 어떤 동사를 어떤 순서로 걸지. 이 장의 다섯 동사가 들어가는 자리다.
4. 출력 형식 블록 — 표 머리글, 불릿 개수, 분량 등 형식을 못 박는다.
5. 검수·예외 블록 — "없는 내용 금지, 불확실은 표시" 같은 안전 규칙.

이 다섯 블록을 갖춘 회의록 템플릿의 뼈대는 이렇게 생겼다.

[역할·배경]

너는 우리 회사의 회의 서기다. 우리는 5인 규모 교육 서비스 회사이고,

매주 월요일 주간 팀 회의를 한다. 참석자는 대표(B), 기획, 운영, 강사 2인이다.

[입력]

아래는 이번 주 회의 녹취 텍스트다.

<<여기에 녹취 붙여넣기>>

[작업 지시 — 요약·정리·생성 체인]

1. 먼저 회의 전체를 5불릿 이내로 요약한다.
2. 결정 사항을 표로 정리한다: | 안건 | 결정 내용 | 근거 발언 |
3. 실행 과제를 표로 정리한다: | 과제 | 담당자 | 기한 | 비고 |
4. 마지막으로 '다음 주 안건 후보' 3가지를 생성한다.

[출력 형식]

제목은 '주간 회의록 (YYYY-MM-DD)'. 위 순서대로 소제목을 달아 출력.

[검수·예외]

- 녹취에 없는 담당자·기한은 '미지정'으로 표기.

- 결정되지 않은 안건은 '보류'로 분류.

- 원문에 없는 사실은 절대 지어내지 말 것.

이 템플릿을 한 번 만들어 문서로 저장해 두면, 다음 주부터는 <<여기에 녹취 붙여넣기>> 자리만 교체하면 된다. 나는 이런 템플릿을 업무별로 모아 '프롬프트 서랍'이라고 부르는 문서 하나에 쌓아 둔다. 회의록, 상담 요약, 주간보고, 제안서 초안, 고객 문의 답변… 서랍이 채워질수록 반복 업무에 쓰는 시간이 눈에 띄게 줄어든다.

템플릿을 만들 때 내가 꼭 지키는 원칙 세 가지가 있다.

첫째, 한 템플릿은 한 결과물만. 회의록 템플릿과 주간보고 템플릿을 억지로 합치지 않는다. 결과물이 다르면 형식과 검수 규칙도 다르기 때문이다. 서랍은 넓게, 각 템플릿은 좁게.

둘째, 버전을 남긴다. 템플릿은 한 번에 완성되지 않는다. 쓰다 보면 "여기서 자꾸 담당자를 헷갈리네" 하는 지점이 보인다. 그럴 때 지시 한 줄을 고치고, 문서 아래에 'v2: 담당자 혼동 방지 규칙 추가'라고 적어 둔다. 이 작은 기록이 나중에 큰 자산이 된다.

셋째, 예시를 한 개 박아 둔다. 템플릿 안에 '이런 식으로 나오면 됨'을 보여 주는 완성 예시를 한 개 넣어 두면, AI의 출력 편차가 크게 준다. 이걸 '원샷 예시'라고 한다. 특히 신입이나 다른 동료에게 템플릿을 물려줄 때, 예시 한 개가 설명 열 줄보다 낫다.

K가 자기 상담 템플릿을 완성해 가는 과정을 지켜본 적이 있다. 처음 만든 v1은 상담 메모를 넣으면 표는 잘 만들었지만, 후속 이메일이 지나치게 딱딱했다. "귀하의 문의에 감사드리며…" 같은 공문 투가 나왔다. K는 [출력 형식] 블록에 "어조는 지인에게 말하듯 편안하게, 존댓말은 유지"라는 한 줄과, 자신이 실제로 잘 보냈던 이메일 한 통을 원샷 예시로 붙였다. 그게 v2다. v2부터는 K 특유의 따뜻한 말투가 살아났다. 며칠 뒤 K는 상담 표에 '다음 통화 예정일' 칸이 빠져 자꾸 놓친다는 걸 발견하고 열을 하나 더 추가했다. 그게 v3다. 이렇게 세 번을 거치자 템플릿은 K의 손에 완전히 붙었고, 이제는 상담 직후 메모만 붙여 넣으면 K가 쓴 것과 구분되지 않는 후속 자료가 나온다. 템플릿은 완성품을 한 번에 사는 게 아니라, 쓰면서 길들이는 도구다.

이 세 원칙과 함께, 나는 템플릿을 완성했다고 판단하기 전에 다음 다섯 가지를 점검한다.

• 배경 한 줄만 봐도 어떤 조직·업무의 자료인지 AI가 알 수 있는가.
• 입력 슬롯이 명확히 표시되어 있어, 붙여 넣을 자리를 헷갈리지 않는가.
• 작업 지시가 다섯 동사 중 무엇을 어떤 순서로 거는지 번호로 드러나는가.
• 출력 형식이 표 머리글이나 예시로 못 박혀 있는가.
• 검수·예외 규칙("없는 내용 금지, 불확실은 표시")이 마지막에 붙어 있는가.

이 다섯 개에 모두 "예"라고 답할 수 있으면, 그 템플릿은 남에게 넘겨도 흔들리지 않는다.

템플릿이 익으면 그다음 단계가 보인다. 여러 템플릿을 이어 붙여 하나의 흐름으로 묶는 것이다. 예컨대 B는 회의록 템플릿의 '실행 과제 표'를 그대로 주간보고 템플릿의 입력으로 넘긴다. 회의록이 만들어 낸 과제 목록이, 그다음 주 보고서의 재료가 되는 것이다. 이렇게 한 템플릿의 산출물이 다른 템플릿의 입력이 되도록 설계하면, 손으로 옮겨 붙이는 중간 작업마저 사라진다. 나는 이것을 '릴레이'라고 부른다. 릴레이가 잘 짜인 서랍에서는, 월요일 아침에 녹취 하나만 넣으면 회의록과 주간보고가 도미노처럼 이어져 나온다. 다만 릴레이를 처음부터 욕심내지는 말라. 개별 템플릿이 각자 충분히 안정된 뒤에 잇는 것이 순서다. 흔들리는 두 칸을 이어 붙이면 오류가 두 배로 커진다.

정리하면, 자동화는 거창한 프로그래밍이 아니다. 잘 쓴 프롬프트를 문서 하나에 모아 두고, 자료만 갈아 끼우는 습관이다. 다섯 동사가 재료라면, 템플릿은 그 재료로 반복해 차릴 수 있게 만든 레시피 카드이고, 릴레이는 그 레시피들을 이어 한 상을 차리는 코스 요리다.

6.4상담기록·회의록·보고서: 3대 실전 시나리오

이제 실물로 들어가자. 지식서비스와 기업경영 현장에서 가장 자주 마주치는 세 가지 반복 업무를, 입력자료→프롬프트→산출물의 순서로 끝까지 보여 주겠다. 여기 나오는 자료와 결과는 설명을 위한 예시다. 여러분의 실제 자료로 그대로 바꿔 쓰면 된다.

시나리오 1 상담기록 요약과 후속 제안(지식서비스)

K는 강의 문의 상담을 자주 받는다. 통화나 메신저로 오간 대화를 메모해 두지만, 그 메모가 계약으로 이어지려면 '무엇을 확인하고 무엇을 제안할지'가 정리되어야 한다.

입력자료(상담 메모 원본, 예시):

[3/12 상담 메모]

- ○○협회 교육담당자와 통화. 하반기 직원 대상 AI 교육 알아보는 중.

- 인원 30명 내외, 반나절(4시간) 정도 생각. 예산은 아직 안 정해졌다고 함.

- 실습 위주였으면 좋겠다. 이론만 하는 강의는 별로였다는 말.

- 날짜는 10월 중 평일, 정확한 날은 내부 협의 후 알려주겠다.

- 견적이랑 커리큘럼 샘플 보내달라고 함. 이메일 받음.

프롬프트(정리·분석·생성 체인):

너는 교육 컨설턴트의 상담 비서다. 아래 상담 메모를 세 부분으로 처리해 줘. (1) 정리: | 항목 | 내용 | 확정 여부 | 표로 (인원/시간/예산/일정/요구사항/후속요청). (2) 분석: 계약 성사를 위해 내가 먼저 확인·해소해야 할 리스크 3가지. (3) 생성: 담당자에게 보낼 후속 이메일 초안. 조건 - 정중하고 간결, 커리큘럼 샘플과 견적을 보낸다는 안내, 실습 비중을 강조, 일정 확정을 부드럽게 요청, 250자 이내. 검수: 메모에 없는 예산 숫자나 날짜는 지어내지 말 것.

산출물(예시):

정리 표

분석(리스크 3): ① 예산 미정 — 견적을 보내되 2~3개 옵션으로 제시해 상대가 고르게 한다. ② 일정 미확정 — 10월 평일 후보일 두어 개를 역으로 제안해 확정을 앞당긴다. ③ 실습 요구 — 커리큘럼 샘플에 실습 비중(예: 60%)을 눈에 보이게 표기한다.

후속 이메일 초안: "안녕하세요, 통화로 나눈 하반기 AI 교육 관련해 커리큘럼 샘플과 견적을 함께 보내드립니다. 요청하신 대로 실습 비중을 높인 반나절 과정으로 구성했습니다. 10월 중 가능한 평일 몇 개만 알려 주시면 일정을 빠르게 잡겠습니다. 편하게 회신 부탁드립니다."

세 시간 걸리던 상담 후속을, K는 이 템플릿으로 5분에 끝낸다. 중요한 건 이메일이 아니라 '리스크 분석'이다. AI가 짚어 준 세 가지가 곧 계약 성사의 지렛대이기 때문이다. K는 여기에 한 걸음을 더 붙였다. 후속 이메일을 보내고 사흘이 지나도 답이 없으면, 같은 정리 표를 넣고 "부담스럽지 않은 리마인드 메시지 한 통"을 생성한다. "혹시 커리큘럼 보시고 궁금한 점 있으실까 해서 짧게 남깁니다" 정도의 가벼운 한 통. 이 리마인드 하나로 놓칠 뻔한 상담을 되살린 게 한두 번이 아니라고 했다. 자동화의 진짜 가치는 '빠짐없이 챙기게 되는 것'에 있다.

상담기록 자동화를 처음 돌릴 때 다음을 점검하라.

• 정리 표에 '확정 / 미확정'이 구분되어, 아직 정해지지 않은 항목이 확정처럼 보이지 않는가.
• 리스크 3가지가 감상이 아니라 '내가 이번 주에 할 행동'으로 번역되는가.
• 후속 이메일에 구체적인 다음 약속(일정 제안, 자료 발송 등)이 한 문장 들어 있는가.
• 메모에 없던 예산·날짜가 이메일에 슬쩍 들어가 있지 않은가.

시나리오 2 회의록과 실행 과제(기업경영)

앞서 본 B의 회의록이다. 이번엔 실제 입력과 산출을 붙여 보자.

입력자료(녹취 일부, 예시):

B: 지난주 신규 문의가 늘었는데 응대가 밀렸어요. 이거 먼저 봅시다.

기획: 문의 폼을 자동응답으로 바꾸면 초기 대응은 될 것 같아요.

B: 좋아요. 그건 기획팀이 이번 주 안에 초안 잡아 주세요.

운영: 자동응답 문구는 제가 볼게요. 근데 환불 문의는 사람이 봐야 해요.

B: 맞아요. 환불은 수동 유지. 그리고 다음 달 워크숍 장소는 아직이죠?

운영: 네, 두 곳 견적 받는 중이에요. 다음 주 회의 때 정할게요.

프롬프트: 6.3의 회의록 템플릿을 그대로 사용(녹취만 교체).

산출물(예시):

주간 회의록 (2026-07-13)

요약: ▲신규 문의 응대 지연이 이번 주 최우선 이슈 ▲문의 폼 자동응답 도입 결정 ▲환불 문의는 수동 응대 유지 ▲워크숍 장소는 다음 주 확정 예정.

결정 사항

실행 과제

다음 주 안건 후보: ① 자동응답 도입 후 문의 처리율 점검 ② 워크숍 장소 최종 결정 ③ 환불 응대 프로세스 문서화.

담당자가 언급되지 않은 칸은 '미지정'으로 남았다. B는 이 표를 보며 그 칸만 채우면 회의록이 끝난다. 게다가 '다음 주 안건 후보'까지 미리 나오니, 다음 회의 준비 시간도 함께 줄어든다. B가 특히 만족한 대목은 '보류' 처리다. 초기 버전에서는 "워크숍 장소를 다음 주에 정한다"는 말이 결정 사항 표에 들어가 마치 확정된 것처럼 보였다. B는 검수 규칙에 "아직 정해지지 않은 것은 결정 사항이 아니라 실행 과제로 분류"라는 한 줄을 더했고, 그 뒤로는 결정과 숙제가 깔끔하게 갈렸다. 회의록에서 이 구분이 흐려지면, 다음 주에 "그거 결정된 거 아니었어요?" 하는 혼선이 생긴다. 자동화가 그 혼선을 원천에서 막아 준 셈이다.

회의록 자동화를 점검하는 세 가지 질문은 이렇다.

• 결정된 것과 아직 논의 중인 것이 표에서 분명히 갈리는가.
• 모든 실행 과제에 담당자와 기한 칸이 있고, 비어 있으면 '미지정'으로 표시되는가.
• 근거 발언이 함께 인용되어, 나중에 "누가 그렇게 말했냐"를 확인할 수 있는가.

시나리오 3 자료를 보고서로(공통)

세 번째는 흩어진 자료를 상급자용 보고서로 바꾸는 일이다. 이건 '요약·분석·설명'이 함께 걸리는 대표적 업무다.

입력자료(주간 실적 메모, 예시):

- 신규 문의 42건(전주 28건). 자동응답 도입 후 응답 누락 0건.

- 계약 3건 성사(협회 교육 1, 기업 특강 2). 예상 매출 규모 중간.

- 강사 일정 충돌 1건 발생 → 다음 주 조정 필요.

- 홈페이지 방문 증가하나 문의 전환율은 정체.

프롬프트(요약·분석·설명·생성 체인):

아래 주간 실적 메모를 대표 보고용 '주간 업무 보고서'로 만들어 줘. 구성: (1) 한 줄 요지, (2) 이번 주 성과 3가지 불릿, (3) 이슈·리스크와 제안 대응, (4) 다음 주 집중 사항. 어조는 간결한 보고체. 숫자는 메모에 있는 것만 사용하고, 없는 수치는 쓰지 말 것. 매출 규모처럼 모호한 표현은 '구체 수치 확인 필요'로 표시.

산출물(예시):

주간 업무 보고서 (2026-07-13)

한 줄 요지: 자동응답 도입으로 문의 응대가 안정화되며 신규 문의가 전주 대비 50% 증가했고, 계약 3건을 확보했다.

이번 주 성과

• 신규 문의 42건으로 전주(28건) 대비 50% 증가, 자동응답 도입 후 응답 누락 0건.
• 계약 3건 성사(협회 교육 1건, 기업 특강 2건). 예상 매출은 구체 수치 확인 필요.
• 홈페이지 방문 증가.

이슈·리스크와 대응

• 문의 전환율 정체: 방문은 늘었으나 문의로 이어지지 않음 → 문의 폼 노출 위치·문구 점검 제안.
• 강사 일정 충돌 1건: 다음 주 초 우선 조정 필요.

다음 주 집중 사항: ① 전환율 개선 실험 ② 강사 일정 재조정 ③ 계약 3건 예상 매출 정산·기재.

여기서 눈여겨볼 대목은 '예상 매출은 구체 수치 확인 필요'라는 문구다. 메모에 '중간'이라고만 적혀 있었기에, AI는 그럴듯한 숫자를 지어내는 대신 정직하게 표시했다. 검수 지시 한 줄이 만든 신뢰다. 보고서 자동화의 성패는 화려함이 아니라 이 정직함에 달려 있다.

세 시나리오는 따로 노는 것이 아니라 한 줄로 꿸 수 있다. B의 한 주를 따라가 보자. 월요일 회의가 끝나면 회의록 템플릿으로 결정·과제 표가 나온다. 금요일에는 그 과제 표에서 '완료'로 바뀐 항목을 골라 주간 실적 메모에 붙이고, 보고서 템플릿에 넣어 주간보고서를 만든다. 상담이 들어오면 그 사이사이 상담 템플릿이 후속 이메일을 뽑는다. 회의록의 산출물이 보고서의 입력이 되는 이 이음새가 바로 앞서 말한 '릴레이'다. B는 이 흐름을 한 문서에 순서대로 적어 두고 매주 그대로 따라간다. 월요일 아침 세 시간이 사라졌던 자리에, 이제는 커피 한 잔의 여유가 생겼다.

세 시나리오를 관통하는 공통점을 눈치챘을 것이다. 모두 다섯 동사의 조합이고, 모두 네 자리(입력-동사-형식-검수)를 채운 프롬프트이며, 모두 한 번 만들면 재사용되는 템플릿이라는 점이다. 업무의 이름은 달라도 문법은 같다.

문 4½생각할 문제

1. 당신이 매주 반복하는 업무 세 가지를 다섯 동사(요약·정리·분석·생성·설명)로 분해해 보라. 어떤 동사에 시간이 가장 많이 드는가?
2. 최근 만든 요약 결과가 마음에 들지 않았다면, 분량·관점·필수요소 중 무엇을 지정하지 않았기 때문인가?
3. '동사를 섞지 말고 체인으로 나누라'는 조언에 반대하는 상황도 있을까? 한 번에 처리하는 편이 나은 업무는 무엇인가?
4. 검수 지시("없는 내용 금지, 불확실은 표시")가 없었다면 벌어졌을 실제 사고를 당신 업무에서 상상해 보라.
5. 당신의 '프롬프트 서랍'에 가장 먼저 넣을 템플릿 세 개는 무엇인가? 그 이유는?
6. 템플릿을 동료에게 넘겼을 때 결과가 달라진다면, 다섯 블록 중 어디를 보강해야 하는가?

문 1도입

B가 나에게 전화를 건 것은 밤 열한 시가 넘어서였다. 목소리가 떨렸다. "대표님, 큰일 났어요. 내일 아침 아홉 시에 발주처 임원단 앞에서 제안 발표인데, 방금 이상한 걸 발견했습니다."

사연은 이랬다. B는 사흘 밤을 새워 스마트팩토리 구축 제안서를 썼다. 초안은 AI에게 맡겼다. 시장 규모, 도입 효과, 경쟁사 벤치마크까지 술술 채워졌다. 특히 마음에 든 문장이 하나 있었다. "한국생산기술연구원 2024년 보고서에 따르면, 중소 제조기업의 스마트팩토리 도입 후 불량률이 평균 37.2% 감소했다." 숫자가 구체적이라 신뢰가 갔다. 출처까지 붙어 있으니 의심할 이유가 없었다. 그 문장은 제안서 핵심 페이지, 임원의 눈이 가장 먼저 닿을 자리에 큼지막하게 박혔다.

그런데 발표 전날 밤, 꼼꼼한 성격의 신입 직원이 물었다. "대표님, 이 보고서 원문 링크 좀 주세요. 발표 때 질문 나오면 대비하려고요." B는 링크를 찾으려 검색을 시작했다. 없었다. 보고서 제목으로도, 저자로도, 37.2%라는 숫자로도, 아무것도 나오지 않았다. 그런 보고서는 세상에 존재하지 않았다. 존재하지 않는 논문에서 나온 통계가, 내일 아침 발주처 임원단 앞에 걸릴 참이었다.

"AI가 거짓말을 한 겁니까?" B가 물었다. 나는 이렇게 답했다. "거짓말이라기보다, AI는 그럴듯한 문장을 만드는 기계예요. 그럴듯함과 사실은 다릅니다. 오늘 밤 우리가 할 일은, 그 둘을 갈라내는 겁니다." 이 장은 바로 그날 밤 B와 내가 한 시간 동안 한 일 — AI의 거짓말을 잡아내고, 애초에 걸려들지 않는 습관을 만드는 이야기다.

7.1환각은 왜, 어떻게 일어나는가

먼저 이름부터 정리하자. AI가 사실이 아닌 것을 사실처럼 말하는 현상을 '환각(hallucination)'이라 부른다. 나는 이 단어를 좋아하지 않는다. '환각'이라고 하면 AI가 가끔 정신이 나가서 헛것을 본다는 뉘앙스가 있는데, 실제로는 정반대다. 환각은 AI가 고장 났을 때 나오는 게 아니라, 정상적으로 작동할 때 나오는 자연스러운 결과물이다. 이 사실을 이해하는 것이 검증의 출발점이다.

생성형 AI가 문장을 만드는 원리를 한 줄로 요약하면 이렇다. "지금까지 나온 단어들 다음에, 가장 그럴듯한 단어를 하나씩 이어 붙인다." AI는 '진실'을 저장해 두었다가 꺼내는 것이 아니다. 방대한 텍스트를 학습해 '어떤 말 다음에 어떤 말이 오는 것이 자연스러운가'에 대한 확률 감각을 익혔을 뿐이다. 그래서 AI에게 "한국생산기술연구원 2024년 스마트팩토리 보고서의 불량률 감소 수치는?"이라고 물으면, AI는 도서관에서 그 보고서를 찾는 게 아니라 그런 보고서가 있다면 대략 이런 문장이 나오겠다를 지어낸다. '37.2%'라는 숫자는 사실이어서가 아니라, 그 자리에 오기에 그럴듯한 숫자여서 나온 것이다.

여기서 핵심을 짚자. AI에게는 "나는 이걸 모른다"와 "나는 이걸 안다"를 구별하는 감각이 기본적으로 약하다. 사람은 모르는 걸 물으면 "글쎄요, 잘 모르겠는데요"라고 말할 수 있다. 하지만 AI의 기본 성향은 침묵이나 고백이 아니라 매끄러운 완성이다. 빈칸이 있으면 채운다. 그것도 아주 자신 있는 말투로. 나는 이걸 강의에서 이렇게 표현한다. "AI는 모른다고 말하는 법을 배우지 못한 우등생이다. 답을 모를 때도 백지를 내는 대신 그럴듯한 답을 적어 낸다."

환각이 특히 잘 나오는 상황이 있다. 경험상 다음 다섯 가지를 조심하면 절반은 막는다.

첫째, 구체적인 출처를 요구할 때다. "이 주장 뒷받침할 논문 알려줘", "관련 판례 찾아줘", "통계 출처 붙여줘" 같은 요청이 가장 위험하다. 저자명, 논문 제목, 연도, 페이지 번호, 판례 번호, URL — 이런 것들은 형식이 정형화돼 있어서 AI가 진짜처럼 지어내기 딱 좋다. B의 제안서 사고가 정확히 이 유형이었다.

둘째, 최신 정보나 지엽적 사실이다. 학습 시점 이후의 사건, 특정 회사의 작년 매출, 어제 개정된 법령 조항 같은 것들. AI는 학습 데이터에 없는 걸 물으면 과거 지식으로 그럴듯하게 추정해 버린다.

셋째, 숫자와 통계다. 시장 규모, 성장률, 점유율, 설문 결과 같은 수치는 AI가 가장 잘 지어내는 영역이다. 소수점까지 붙은 정밀한 숫자일수록 오히려 의심하라. 진짜 통계는 반올림돼 있는 경우가 많고, 지어낸 숫자가 신뢰를 사려고 소수점을 단다.

넷째, 고유명사의 조합이다. 실제 인물에게 하지 않은 말을 붙이거나, 실제 기업이 하지 않은 사업을 붙이거나, 실제 책에 없는 문장을 인용하는 식이다. 각 요소는 진짜인데 조합이 가짜다. 그래서 더 안 걸린다.

다섯째, 길고 복잡한 요청의 끝부분이다. 한 번에 많은 걸 시키면 AI는 앞부분은 성실히 하다가 뒤로 갈수록 밀도가 떨어지고 지어내기 시작한다.

K의 사례도 하나 있다. K는 강의 자료를 만들다가 "리더십 이론의 역사를 대표 학자 인용문과 함께 정리해줘"라고 했다. AI는 그럴듯한 인용문을 학자 이름과 함께 예쁘게 정리해 주었다. K는 그중 하나를 슬라이드에 큰따옴표로 박았다. 그런데 그 문장은 그 학자가 한 적 없는 말이었다. 청중 중에 그 분야 전공자가 있었다면 K의 20년 경력은 그 슬라이드 한 장에 흔들렸을 것이다. K는 그 뒤로 원칙을 하나 세웠다. "따옴표 안에 들어가는 모든 문장은 원문을 내 눈으로 확인하기 전엔 슬라이드에 올리지 않는다."

B의 경험은 한 걸음 더 나아간 교훈을 준다. 제안서 사고 이후 B는 "AI가 틀리면 티가 나겠지"라고 생각했다. 그런데 정반대였다. 환각은 눈에 띄는 헛소리가 아니라, 문서의 다른 문장들과 완벽하게 어울리는 자연스러운 문장으로 온다. B의 37.2%는 앞뒤 문맥과 어조가 매끄러웠기 때문에 오히려 의심받지 않았다. 나는 이걸 "환각은 문단의 이방인이 아니라 원주민 행세를 한다"고 말한다. 그래서 '이상해 보이는 것'을 찾는 방식으로는 환각을 못 잡는다. '검증 대상 유형'을 정해 두고 기계적으로 훑어야 잡힌다. 위 다섯 가지 위험 상황이 바로 그 훑는 지도다.

정리하자. 환각은 버그가 아니라 생성 원리의 그림자다. 없앨 수는 없다. 하지만 어디서 잘 나오는지 알면 피할 수 있고, 나온 걸 잡아낼 수 있다. 그 '잡아내는 기술'이 다음 절이다.

7.2사실·통계·법령·논문 검증 프로토콜

나는 B와 그날 밤 검증을 하면서, 즉흥적으로 하지 않았다. 정해 둔 절차가 있었기 때문이다. 검증은 영감이 아니라 습관이고 체크리스트다. 여기서는 내가 실제로 쓰는 4단계 프로토콜과, 대상별 세부 절차를 실물로 준다.

검증 4단계 프로토콜 (모든 사실에 공통 적용)

1. 분류(Classify) — 이 문장은 검증이 필요한 '주장'인가, 검증이 필요 없는 '의견·표현'인가를 가른다. "우리 솔루션은 도입이 쉽다"는 표현이다. "우리 솔루션 도입 기업의 90%가 3개월 내 정착했다"는 검증 대상 주장이다. 숫자·고유명사·출처·인용이 들어간 문장에 형광펜을 친다.
2. 원본 대조(Source) — AI가 준 출처를 믿지 말고, 1차 출처를 직접 찾는다. 논문이면 원문 초록, 법령이면 국가법령정보센터, 통계면 통계청·기관 원자료. AI 답변은 '어디를 찾아볼지' 알려주는 지도일 뿐, 그 자체가 증거가 아니다.
3. 교차 확인(Cross-check) — 독립된 출처 두 곳 이상에서 같은 사실이 확인되는가. 한 곳에서만 나오는 놀라운 숫자는 보류한다. 특히 AI가 준 정보를 또 다른 AI에게 물어 확인하는 건 교차 확인이 아니다. 같은 종류의 오류가 반복될 뿐이다.
4. 표기(Record) — 확인된 사실만 남기고, 확인 못 한 것은 삭제하거나 "추정치", "미확인" 꼬리표를 단다. 최종 문서에는 확인 경로(출처 URL·접속일)를 각주나 메모로 남긴다. 나중에 질문받으면 3초 안에 근거를 댈 수 있어야 한다.

이 네 단계를 대상별로 구체화하면 아래와 같다.

통계·수치 검증 절차

법령·규정 검증 절차 — 법은 특히 위험하다. 조문 번호와 문구가 형식적이라 AI가 그럴듯하게 지어내거나, 개정 전 옛 조문을 최신인 양 인용하기 때문이다.

1. 국가법령정보센터(law.go.kr) 등 공식 원문에서 해당 법률·시행령·시행규칙의 현행 조문을 직접 확인한다.
2. 조문 번호, 항·호까지 일치하는지 대조한다. AI가 "제○조 제○항"이라고 한 것을 그대로 믿지 않는다.
3. 시행일과 개정 이력을 확인한다. 지금 유효한 버전인지, 곧 시행될 개정본이 있는지 본다.
4. 해석이 걸린 사안이면 반드시 "이는 일반 정보이며 구체적 사안은 전문가(변호사·노무사·세무사) 확인이 필요하다"는 단서를 붙인다. 법률·세무·의료 정보를 AI만 믿고 확정 조언으로 내보내지 않는다.

논문·인용 검증 절차

1. 저자·제목·학술지·연도로 원문을 검색한다. Google Scholar, 학술 DB, DOI 조회. 원문이 안 나오면 존재하지 않을 가능성이 높다.
2. 원문이 있으면 초록과 해당 문장을 직접 읽는다. AI가 요약한 내용과 원문의 주장이 일치하는지 본다. 논문은 실재하는데 결론을 반대로 요약하는 경우도 흔하다.
3. 인용문은 원문 그대로 옮긴다. AI가 만든 '그럴듯한 인용문'은 큰따옴표에서 추방한다.
4. DOI나 안정적 URL, 접속일을 기록한다.

이 절차를 몸에 붙이려면 프롬프트 단계에서부터 AI를 길들이는 게 좋다. 나는 사실 확인이 중요한 작업에서는 아래 지시를 기본으로 붙인다.

[검증 모드 지시]

- 확실히 아는 사실만 쓰고, 불확실하면 "확인 필요"라고 명시하라.

- 통계·수치·인용·법령 조문을 쓸 때는 반드시 출처(기관·연도)를 붙이고,

네가 지어낸 것일 가능성이 있으면 솔직히 표시하라.

- 존재하지 않는 논문·판례·URL을 만들어 내지 마라. 모르면 "모른다"고 하라.

- 각 주장에 [검증완료/추정/미확인] 태그를 붙여라.

이 지시가 환각을 완전히 없애지는 못한다. 하지만 AI가 스스로 "이건 추정입니다"라고 손을 드는 비율을 눈에 띄게 높인다. 검증할 지점을 AI가 먼저 표시해 주니, 사람은 그 지점만 집중해서 파면 된다.

K는 이 프로토콜을 자기 방식으로 다듬어 썼다. K가 다루는 위험 유형은 주로 '인용문'과 '이론의 출처'다. 그래서 K는 강의 교안을 완성하면 마지막에 '따옴표 사냥'이라는 마무리 작업을 한다. 문서에서 큰따옴표를 전부 찾아(워드의 찾기 기능으로 " 를 검색한다), 하나하나 원문을 확인한 뒤에만 통과시키는 것이다. 이론의 창시자·연대도 같은 방식으로 훑는다. "매슬로가 1943년"처럼 인물과 연도가 붙은 문장은 전부 형광펜 대상이다. K는 이 작업이 교안 한 편당 20분쯤 걸린다고 했다. "그 20분이 강의장에서 전공자 앞에서 무너지는 20초를 막아 준다"는 게 K의 말이다.

교차 확인을 실제로 어떻게 하는지도 짚자. 나는 하나의 놀라운 수치를 만나면 세 가지 경로로 확인한다. 첫째, 그 수치를 발표했다는 기관의 공식 사이트에서 원 보도자료·보고서를 찾는다. 둘째, 그 수치를 인용한 언론 기사 두어 개를 찾아 숫자와 연도가 일치하는지 본다. 셋째, 같은 주제의 다른 조사가 비슷한 크기의 숫자를 내는지 대략의 감을 잡는다. 세 경로가 어긋나면 그 수치는 문서에서 뺀다. 시간이 없으면 "정확한 수치 대신 방향(증가/감소, 대체로 상당한 개선)"만 남긴다. 틀린 정밀함보다 맞는 모호함이 낫다.

그날 밤 B의 제안서로 돌아가자. 우리는 문제의 문장에 형광펜을 쳤고(분류), 보고서 원문을 찾았고(원본 대조·실패), 다른 출처에서 유사 통계를 찾았고(교차 확인), 결국 이렇게 바꿨다. "산업통상자원부와 여러 기관 자료를 종합하면, 스마트팩토리 도입 기업 상당수가 불량률과 납기 개선 효과를 보고하고 있다(구체 수치는 기업 규모·업종별 편차가 큼)." 화려한 소수점은 사라졌지만, 발표장에서 반박당하지 않는 문장이 되었다. B는 다음 날 무사히 발표를 마쳤고, 임원의 "그 수치 출처가 뭐냐"는 질문에 당황하지 않았다. 애초에 지어낸 수치를 뺐으니까.

7.3넣지 말아야 할 것들: 개인정보·기업기밀·고객정보

검증이 'AI가 내놓은 것'을 거르는 일이라면, 이 절은 'AI에게 넣는 것'을 거르는 일이다. 방향이 반대다. 그리고 실무에서 사고가 더 크게 터지는 쪽은 사실 이쪽이다. 잘못된 통계는 발표 전날 잡을 수 있지만, 한 번 입력한 정보는 주워 담을 수 없다.

원리를 알아야 조심할 수 있다. 우리가 챗봇 대화창에 넣는 내용은 서버로 전송된다. 서비스와 설정에 따라 그 대화가 모델 개선(학습)에 쓰일 수도 있고, 사업자 서버에 일정 기간 저장되기도 한다. 즉 내가 붙여 넣은 고객 명단이나 미공개 계약서가, 내 통제를 벗어난 어딘가에 남고, 최악의 경우 다른 사용자에게 흘러갈 가능성을 배제할 수 없다. 실제로 한 글로벌 기업에서 엔지니어가 내부 소스코드를 챗봇에 붙여 넣어 디버깅을 시켰다가 기밀 유출로 번진 사건이 널리 알려지면서, 여러 대기업이 사내 생성형 AI 사용 지침을 급히 만들었다. 이건 남의 일이 아니다.

절대 입력 금지 목록 (원칙)

핵심 습관은 하나로 요약된다. "이 화면이 그대로 캡처돼 외부에 공개돼도 괜찮은가?" 이 질문에 "아니오"라면 그 내용은 넣지 않는다. 나는 이걸 '공개 테스트'라 부르며 입력 전 0.5초 습관으로 삼으라고 강의한다.

그렇다고 실무 데이터를 아예 못 쓰는 건 아니다. 가공해서 쓰는 기술이 있다. 이것이 실전의 핵심이다.

• 익명화·가명화: 실명을 "고객 A", "직원 B"로, 실제 회사명을 "당사", "경쟁사 X"로 바꾼다. 상담 사례를 분석하고 싶으면 이름·연락처·식별 가능한 세부를 지운 뒤 상황만 남긴다.
• 가상 데이터 치환: 진짜 매출표 대신 구조가 같은 가짜 숫자표를 만들어 분석 방법을 물은 뒤, 방법만 가져와 내 진짜 데이터에 오프라인으로 적용한다.
• 추상화: "우리 A거래처와의 이번 계약서 검토해줘" 대신 "납품 계약서에서 지체상금 조항을 검토할 때 봐야 할 포인트를 알려줘"라고 묻는다. 구체적 사실이 아니라 일반적 지식을 얻는다.
• 환경 분리: 조직 차원에서는, 학습에 쓰지 않겠다고 계약된 기업용(엔터프라이즈) 플랜이나 온프레미스·프라이빗 환경을 쓴다. 개인 무료 계정에 회사 기밀을 넣는 것과는 위험이 다르다. 설정에서 '대화 학습 사용 안 함' 옵션이 있으면 켠다(서비스마다 명칭·제공 여부가 다르며 시점에 따라 바뀐다).

Before / After로 감을 잡자.

Before (위험): "김민수 고객(010-1234-5678, 강남구 거주)이 지난달 우리 B2B 계약을 해지하겠다고 합니다. 아래 계약서 전문을 보고 위약금 대응 논리를 짜줘. [계약서 전체 붙여넣기]" After (안전): "B2B 서비스 계약에서 고객이 중도 해지를 통보한 상황이다. 공급자 입장에서 위약금·손해배상 대응 논리를 세울 때 검토할 항목과 협상 화법을 정리해줘. (실제 계약서·고객정보는 넣지 않음)"

After 버전도 필요한 답은 다 얻는다. 오히려 특정 사실에 매몰되지 않아 더 일반적이고 응용 가능한 답이 나오는 경우가 많다. B는 이 원칙을 접한 뒤 회사에 '한 줄 규칙'을 붙여 두었다. "챗봇 창에 넣기 전에, 캡처돼도 되는지 물어라." 사고는 거창한 규정집이 아니라 이 한 줄이 막는다.

지식서비스 쪽 사례도 하나 보자. K는 상담 이력이 쌓이자 "지난 6개월 상담 내용을 AI로 분석해 유형을 뽑고 싶다"고 했다. 좋은 아이디어였지만, 상담 기록에는 내담자의 실명·직장·가정사가 그대로 들어 있었다. 그것을 통째로 챗봇에 넣는 건 심각한 문제였다. 우리는 이렇게 바꿨다.

Before (위험): "다음은 내 상담 내담자 기록이다. [이지은, 34세, ○○기업 재직, 이혼 소송 중… 실명·직장·가정사 포함 원문 붙여넣기] 이 사람들의 공통 고민을 유형화해줘." After (안전): "직장인 상담에서 자주 나오는 고민을 유형화하려 한다. 내가 정리한 '탈식별 요약'을 줄 테니 분류해줘. 요약에는 이름·직장·식별 정보 없이 상황과 감정만 담았다: 30대 직장인, 대인관계 갈등으로 소진 호소 / 40대 관리자, 성과 압박과 번아웃 …"

K는 상담 기록을 먼저 자기 손으로 '탈식별 요약'으로 바꾼 뒤, 그 요약만 AI에 넣었다. 분석의 질은 떨어지지 않았고, 내담자 정보는 대화창 밖으로 한 글자도 나가지 않았다. 핵심은 이것이다. 가공은 AI가 아니라 내가 미리 한다. "AI야, 개인정보 지우고 분석해줘"라고 하면 이미 개인정보는 서버로 넘어간 뒤다. 지우는 것은 입력 전에, 내 손으로 한다.

7.4저작권과 연구윤리: 창작과 표절의 경계

검증과 정보 보호를 지났으면, 마지막 선은 '윤리'다. AI로 만든 결과물을 세상에 내보낼 때, 그것을 어떻게 만들고 어떻게 밝히느냐의 문제다. 이 영역은 법과 규범이 아직 정리 중이라 회색지대가 넓다. 그래서 나는 '법으로 딱 정해진 것'과 '스스로 지켜야 할 선'을 나눠서 본다.

먼저 몇 가지 감각을 공유하자. 생성형 AI를 둘러싼 저작권은 크게 두 방향의 물음이 있다. 입력 쪽 — AI가 학습한 데이터에 저작물이 쓰였는가, 출력 쪽 — AI가 만든 결과물의 저작권은 누구 것이며 남의 것을 침해하지 않는가. 세부 규정과 판례는 나라마다 다르고 지금도 형성 중이다. 다만 실무자가 붙잡아야 할 원칙 몇 가지는 비교적 안정적이다.

첫째, AI 출력물을 그대로 남의 것처럼 쓰지 마라. AI가 만든 문장·이미지가 기존 저작물과 매우 유사하게 나오는 경우가 있다. 특히 이미지 생성에서 특정 작가의 화풍이나 캐릭터, 로고와 흡사한 결과가 나올 수 있다. 상업적으로 쓸 결과물은 '기존 저작물과 유사하지 않은가'를 확인해야 한다. 유명 캐릭터·브랜드·특정 작가 이름을 프롬프트에 넣어 모방을 유도하는 것은 위험 신호다.

둘째, 인용은 밝히고, 표절은 하지 마라. 이건 AI 시대에 새로 생긴 규칙이 아니라 원래 있던 규칙이다. 남의 글·데이터·아이디어를 가져왔으면 출처를 밝힌다. AI가 요약해 준 남의 논문 내용을 마치 내 분석인 양 쓰는 것은 표절이다. AI를 거쳤다고 표절이 세탁되지 않는다. 오히려 검증(7.2절)을 거치며 자연스럽게 출처를 확보하게 된다.

셋째, AI 사용 사실을 필요할 때 밝혀라. 학계·교육·공공 영역에서는 'AI를 어떻게 썼는지' 투명하게 표기하는 흐름이 자리 잡고 있다. 학술지·학회·대학마다 AI 활용 표기 규정을 두기 시작했고, 논문·과제에서 AI를 어느 범위로 썼는지 밝히도록 요구하는 경우가 늘고 있다. 연구자라면 소속 기관·투고 학술지의 AI 정책을 먼저 확인하는 것이 기본이다. "밝히면 표절 같아 보일까 봐" 숨기는 것이 오히려 위반이다.

넷째, 'AI가 썼으니 내 책임이 아니다'는 통하지 않는다. 결과물을 내 이름으로 내보내는 순간, 그 안의 오류·표절·명예훼손·허위정보는 내 책임이다. AI는 도구이고, 최종 책임자는 사람이다. 이 원칙을 받아들이는 것이 전문가와 아마추어를 가른다.

그렇다면 어디까지가 '내 창작'이고 어디부터가 '표절'인가. 나는 학생과 실무자에게 이 스펙트럼을 그려 준다.

내 기준은 단순하다. "AI가 재료를 줬고, 판단과 검증과 최종 문장은 내가 했다"면 그것은 내 작업이라고 떳떳이 말할 수 있다. 반대로 내가 한 일이 복사-붙여넣기뿐이라면, 그건 내 창작이라고 부르기 어렵다. K는 강의 교안을 만들 때 AI 초안을 받되, 자기 20년 현장 사례로 절반 이상을 다시 쓴다. 그 교안은 K의 것이다. B는 제안서 뼈대를 AI로 잡되, 자사 실적과 검증된 수치로 살을 채운다. 그 제안서도 B의 것이다. 도구를 썼다는 사실이 저작자의 지위를 빼앗지 않는다. 다만 그 지위에는 책임이 따른다.

현장에서 이 경계가 실제로 어떻게 갈리는지 K와 B의 사례로 보자. K는 강의 홍보용 카드뉴스 이미지를 AI로 만들었다. 처음엔 "○○ 스타일로, 유명 애니메이션 캐릭터 느낌으로"라고 프롬프트를 넣었다. 결과는 특정 스튜디오 화풍과 캐릭터를 빼닮은 이미지였다. 상업적 홍보물에 그대로 쓰면 분쟁의 씨앗이다. K는 방향을 바꿔, 특정 작가·캐릭터를 지목하지 않고 "따뜻한 파스텔 톤, 단순한 선, 밝은 표정" 같은 속성 언어로만 요청했다. 특정 저작물을 겨냥하지 않으니 위험이 줄었고, 오히려 K의 브랜드에 맞는 고유한 톤이 나왔다. 특정 이름을 베끼려 하지 말고 '원하는 속성'으로 요청하는 것 — 이것이 이미지 생성에서 안전과 개성을 동시에 얻는 길이다.

B의 사례는 표기의 문제였다. B는 지원사업 신청서를 AI 도움으로 작성하면서, "AI로 썼다고 하면 성의 없어 보일까" 걱정했다. 그런데 그 사업 공고에는 'AI 활용 시 활용 범위를 기재하라'는 조항이 있었다. 숨겼다면 규정 위반이 될 뻔했다. B는 "시장 분석 초안과 문장 다듬기에 생성형 AI를 활용했으며, 모든 수치와 자사 정보는 직접 검증·작성함"이라고 한 줄 밝혔다. 감점은 없었다. 오히려 도구를 투명하고 책임 있게 쓰는 태도로 읽혔다. 밝히는 것이 손해가 아니라 신뢰라는 걸 B는 그때 배웠다.

연구윤리로 한 걸음 더 들어가면, 데이터 위조·변조가 있다. AI에게 "이 결론을 뒷받침하는 데이터를 만들어줘"라고 하는 것은 연구부정이다. AI가 만든 그럴듯한 표와 그래프를 실제 실험 결과인 양 논문에 넣는 것은 명백한 위조다. AI는 '없는 데이터를 지어내는' 능력이 뛰어나기 때문에, 이 유혹은 생각보다 가깝다. 특히 "설문 응답 예시를 만들어줘"처럼 '예시'로 시작해 어느새 그 예시가 진짜 데이터 자리에 슬며시 들어앉는 경우를 조심해야 한다. 선을 분명히 긋자. AI는 분석을 돕는 도구이지, 결과를 만들어 내는 도구가 아니다. 데이터는 세상에서 수집하는 것이지 대화창에서 생성하는 것이 아니다.

7.5내 분야 검증 체크리스트 만들기

지금까지 원리(7.1), 검증 절차(7.2), 입력 금지(7.3), 윤리(7.4)를 봤다. 마지막은 이 모든 걸 당신의 분야에 맞는 한 장짜리 체크리스트로 압축하는 일이다. 왜 한 장이어야 하는가. 발표 전날 밤, 마감 30분 전에는 아무도 이 책을 다시 펼치지 않는다. 책상 앞에 붙은 한 장만 본다. 그래서 검증은 결국 '내 것으로 만든 체크리스트'로 완성된다.

체크리스트를 만드는 5단계를 소개한다.

1. 내 분야의 고위험 항목을 꼽는다. 강사라면 인용문·통계·이론 출처, 컨설턴트라면 시장 수치·법령, 연구자라면 선행연구·데이터, 마케터라면 효능 표현·경쟁사 비교. 내가 자주 다루면서 틀리면 크게 다치는 것부터.
2. 각 항목의 검증 방법과 1차 출처를 정한다. "통계 → 통계청/발표기관 원자료", "법령 → 국가법령정보센터 현행 조문"처럼 어디서 확인할지를 미리 못 박는다. 매번 어디서 찾을지 고민하지 않도록.
3. 입력 금지 항목을 명시한다. 내 업무에서 절대 넣으면 안 되는 정보를 구체적으로 적는다. 상담사라면 내담자 정보, 경영자라면 미공개 재무.
4. 표기·책임 규칙을 정한다. 최종 산출물에 출처를 어떻게 남길지, AI 사용을 밝힐지 여부를.
5. 한 장으로 줄이고 눈에 보이는 곳에 둔다. 열 개 항목이 넘으면 안 본다. 5~8개로 압축.

아래는 두 트랙의 표준 체크리스트다. 이걸 뼈대로, 당신 분야의 단어로 바꿔 쓰면 된다.

[지식서비스 트랙] 강의·상담 정보 검증 체크리스트

• 슬라이드의 모든 인용문은 원문을 직접 확인했는가? (따옴표=원문 대조 완료)
• 제시한 통계·수치에 기관명과 연도가 붙어 있고, 원자료를 찾아봤는가?
• 소개한 이론·개념의 창시자·연대가 정확한가? (AI가 인물을 바꿔치기하지 않았는가)
• 상담·강의 중 인용한 법·제도가 현행 기준인가?
• 수강생·내담자의 개인정보를 AI에 넣지 않았는가? (사례는 익명화했는가)
• 교안·자료에 쓴 남의 저작물의 출처를 밝혔는가?
• 이 자료가 캡처되어 공개돼도 문제없는가?