대부분의 사람들은 AI 프롬프팅을 전등 스위치처럼 다룹니다. 켜지거나 꺼지거나, 좋거나 나쁘거나 하는 식이죠. 하지만 당신의 AI 워크플로우 (workflow)가 깨질 때, 실제 문제는 보통 두세 단계 이전 단계에 숨겨져 있는 경우가 많습니다.

다단계 AI 워크플로우 (Multi-Step AI Workflows)의 숨겨진 문제

AI 기반 워크플로우를 구축하는 데 시간을 조금이라도 써봤다면 — 설령 간단한 것이라도 — 아마 이 벽에 부딪혀 본 적이 있을 것입니다. 당신은 몇 개의 프롬프트를 연결합니다. 하나는 요약하기 위해, 하나는 핵심 사항을 추출하기 위해, 그리고 하나는 출력을 형식화하기 위해 사용하죠. 대부분은 잘 작동합니다. 그러다 어느 날 최종 출력이 완전히 잘못되어 보이고, 당신은 왜 그런지 전혀 알 수 없게 됩니다.

그래서 당신은 대부분의 사람들이 하는 행동을 합니다. 마지막 프롬프트를 다시 작성합니다. 그다음 중간 프롬프트를 수정합니다. 그다음 첫 번째 프롬프트를 미세 조정합니다. 몇 시간이 지난 후, 당신은 무언가를 고친 것인지 아니면 단지 문제를 이리저리 옮겨 놓은 것뿐인지 확신할 수 없게 됩니다.

이것이 다단계 AI 파이프라인 (pipelines)의 근본적인 과제입니다. 각 프롬프트는 이전 프롬프트의 출력값에 의존합니다. 따라서 세 번째 단계에서의 잘못된 출력은 세 번째 단계의 프롬프트와 아무런 관련이 없을 수도 있습니다. 첫 번째 단계에서 잘못 추출된 데이터 조각이 조용히 하류의 모든 과정을 오염시키고 있을 수도 있습니다.

신뢰할 수 있는 AI 출력을 얻으려는 제품 관리자(product managers), 콘텐츠 크리에이터, 그리고 비즈니스 소유자들에게 이것은 작은 불편함이 아닙니다. 이것은 실제로 시간을 절약해 주는 AI와, 방지하는 것보다 더 많은 정리 작업을 만들어내는 AI 사이의 차이입니다.

자동화된 프롬프트 최적화 (Automated Prompt Optimization)의 실제 의미

여기서부터 정말 흥미로운 부분이 시작됩니다. Cisco Foundation AI의 연구원들은 최근 이 문제에 구조적인 방식으로 접근하는 FAPO — Fully Automated Prompt Optimization (완전 자동화된 프롬프트 최적화) — 라는 시스템을 공개했습니다. 전체 파이프라인을 하나의 수정 대상으로 취급하는 대신, 이 시스템은 각 단계를 독립적으로 평가하고, 어떤 단계가 실제로 실패를 일으키고 있는지 파악한 다음, 해당 수준에서 구체적인 수정안을 제안합니다.

시스템은 대략 다음과 같이 작동합니다: 사용자가 파이프라인 (pipeline)과 목표(target)—즉, '좋은 출력물'이 무엇인지에 대한 정의—를 제공합니다. 시스템은 파이프라인을 실행하고, 결과를 확인하며, 문제가 발생한 지점을 정확히 찾아냅니다. 그다음 문제가 된 프롬프트 (prompt)의 다양한 버전을 시도해 보고, 수정안을 수락하기 전에 별도의 검토 프로세스를 사용하여 해당 수정 사항을 검증합니다.

이러한 사고방식을 활용하기 위해 FAPO나 특정 기업용 도구를 사용할 필요는 없습니다. 핵심 아이디어인 '단계별 실패 귀인 (step-level failure attribution)'은 여러분이 이미 사용 중인 어떤 AI 도구에서도 오늘 바로 수동으로 적용할 수 있는 것입니다. 원칙은 간단합니다: AI 단계의 체인 (chain)에서 무언가 잘못되었을 때, 그것이 마지막 단계 때문이라고 가정하지 마십시오. 뒤로 돌아가 각 단계를 독립적으로 테스트하십시오.

여기서 더 넓은 관점의 변화는 '일회성 창의적 행위로서의 프롬프트 엔지니어링 (prompt engineering)'에서 '진단 및 반복 프로세스로서의 프롬프트 엔지니어링'으로의 전환입니다. 이는 여러분이 이 작업을 어떻게 생각해야 하는지에 대한 의미 있는 업그레이드입니다.

실제 사례 - 단계별 분석

여러분이 AI를 사용하여 가공되지 않은 인터뷰 녹취록을 세련된 블로그 게시물로 변환하는 콘텐츠 크리에이터라고 가정해 봅시다. 여러분의 파이프라인은 다음과 같습니다:

1단계: 녹취록 요약하기
2단계: 세 가지 주요 주제 추출하기
3단계: 추출된 주제를 사용하여 600단어 분량의 기사 초안 작성하기

최종 기사가 계속해서 일반적이고 평이하게 나옵니다. 여러분의 본능은 3단계 프롬프트를 다시 쓰는 것입니다. 하지만 실제로 이를 디버깅 (debug)하는 방법은 다음과 같습니다:

첫째, 1단계를 독립적으로 테스트하십시오. 녹취록을 붙여넣고 요약 프롬프트만 실행합니다. 출력을 비판적으로 읽어보십시오. 화자가 말한 가장 흥미롭고 구체적인 내용들을 포착하고 있습니까? 아니면 질감과 뉘앙스를 모두 놓치고 있습니까? 만약 요약이 이미 모호하다면, 그 이후의 어떤 단계도 이를 해결할 수 없습니다.

둘째, 강력한 요약본을 사용하여 2단계를 독립적으로 테스트하십시오. 직접 깔끔한 요약본을 작성한 다음, 그것을 대상으로 주제 추출 프롬프트를 실행합니다. 주제들이 구체적이고 흥미롭습니까? 아니면 어떤 인터뷰에도 적용될 수 있는 '리더십'이나 '혁신'과 같은 일반적인 카테고리입니까? 만약 그렇다면, 2단계 프롬프트를 개선해야 합니다.

셋째, 직접 작성한 고품질 입력값(high-quality inputs)으로 3단계를 테스트하세요. 초안 작성 프롬프트(drafting prompt)에 훌륭한 요약과 날카로운 주제를 제공하십시오. 만약 기사가 마침내 괜찮게 들린다면, 문제는 초안 작성 단계가 아니라 앞 단계(upstream)에 있었다는 것을 확인한 것입니다.

이 3단계 진단 루프(diagnostic loop)는 아마 20~30분 정도 소요될 것입니다. 단순히 이것저것 수정하며 요행을 바라는 것보다는 느리지만, 훨씬 더 효과적입니다.

오늘 바로 적용하는 방법

새로운 도구나 플랫폼의 업데이트를 기다릴 필요는 없습니다. 이번 주에 바로 다음의 구체적인 행동들을 시작해 보세요.

현재의 AI 워크플로(workflow)를 종이에 그려보세요. 아주 작은 단계라도 AI가 관여하는 모든 단계를 나열하십시오. 대부분의 사람들은 생각보다 단계가 더 많다는 사실을 발견하게 됩니다.

각 단계 뒤에 품질 검사(quality check)를 추가하세요. 다음 단계로 넘어가기 전에 출력물을 읽고 스스로 물어보세요: "만약 이것이 내가 가진 전부라면, 다음 단계가 성공할 수 있을까?" 만약 대답이 '아니오'라면, 계속 진행하기 전에 이를 수정하십시오.

"테스트 입력 라이브러리(test input library)"를 구축하세요. 파이프라인의 각 단계에 대해, 정말로 좋은 입력값과 정말로 나쁜 입력값의 예시를 두세 개씩 저장해 두십시오. 무언가 잘못되었을 때, 이를 사용하여 각 단계를 개별적으로 빠르게 테스트할 수 있습니다.

한 번에 한 단계씩 반복(iterate)하세요. 두 개의 프롬프트를 동시에 변경하지 마십시오. 어떤 변경이 실제로 도움이 되었는지 알 수 없게 됩니다.

AI로부터 가장 신뢰할 수 있는 결과를 얻는 팀들은 반드시 더 나은 모델을 사용하는 것은 아닙니다. 그들은 무엇이 실제로 고장 났는지 파악하기 위해 더 체계적인 접근 방식을 사용하고 있습니다.

핵심 요약

• 다단계 AI 파이프라인은 조용히 실패합니다. 눈에 보이는 문제는 실제 실패가 발생한 지점인 경우가 드뭅니다.
• 단계별 진단(각 프롬프트를 개별적으로 테스트하는 것)은 모든 것을 한꺼번에 다시 쓰는 것보다 효과적입니다.
• FAPO와 같은 자동화 도구들은 대규모 환경에서 훌륭한 프롬프트 디버깅(prompt debugging)이 어떤 모습이어야 하는지를 공식화하고 있습니다.
• 여러분이 이미 사용 중인 어떤 AI 도구로도 오늘 바로 단계별 사고방식을 수동으로 적용할 수 있습니다.
• 신뢰할 수 있는 AI 출력물은 일회성 창의적 노력이 아니라 반복적인 과정입니다.

이에 대한 여러분의 경험은 어떠신가요? 아래에 댓글을 남겨주세요. 모든 댓글을 읽고 있습니다.

참조된 출처: Cisco Foundation AI FAPO 연구, MarkTechPost 보도