AI 기술 구축의 10단계: 프롬프트에서 비즈니스 폐쇄 루프(Closed Loops)까지의 체계적 프레임워크

대규모 모델(Large model) 애플리케이션은 "대화형 질의응답(conversational Q&A)"에서 "기술 기반 실행(skill-based execution)"으로 진화하고 있습니다. AI 어시스턴트가 단순히 사용자와 대화하는 것을 넘어 전체 비즈니스 워크플로우(workflow)를 자동으로 완료할 수 있게 되려면, 단순히 좋은 프롬프트(prompt) 이상의 것, 즉 구조화된 기술(Skill) 시스템이 필요합니다.

하지만 문제는 여기서 발생합니다. 기술(Skills)을 어떻게 구축해야 할까요? 가장 단순한 프롬프트 파일과 엔드 투 엔드(end-to-end) 비즈니스 폐쇄 루프(closed loop) 사이에는 거대한 간극이 존재합니다. 많은 팀이 자신이 어느 단계에 있는지조차 알지 못하며, 다음 단계로 어떻게 나아가야 할지도 모르는 상황입니다.

이 글은 AI 기술(AI Skill) 구축을 가장 기본적인 순수 프롬프트(pure-prompt) 기술부터 가장 복잡한 마스터 수준의 비즈니스 폐쇄 루프(business closed loop)까지 10개의 점진적인 계층으로 요약하여 완전한 체계적 프레임워크를 형성합니다. 각 계층은 명확한 역량 경계, 전형적인 구조, 그리고 평가 기준을 가지고 있어, 여러분이 현재 수준을 정의(定位)하고 업그레이드 경로를 계획하는 데 도움을 줄 것입니다.

계층 1: 순수 프롬프트 기술 (Pure Prompt Skill) — 노코드(Zero-Code) 시작점

이것은 기술(Skill) 구축의 가장 기본적인 형태입니다. 역할 정의, 행동 규칙, 출력 형식 요구 사항을 포함하는 단일 Markdown 파일로 구성됩니다. 코드도, 스크립트도 없으며—태스크를 실행하기 위해 전적으로 대규모 모델의 언어 이해 능력에 의존합니다.

전형적인 구조: 단일 SKILL.md 파일

핵심 역량: 정교하게 설계된 프롬프트(prompts)를 통해, 특정 시나리오에서 AI가 더 정확하고 표준화된 출력을 생성할 수 있도록 합니다. 예를 들어, "회의록 정리 기술(Meeting Minutes Organizer Skill)"은 Markdown에서 어떤 차원에서 정보를 추출할지, 어떤 형식으로 출력할지, 어떤 필드가 필수적인지만 지정하면 됩니다.

평가 기준: 기술(Skill)이 단 하나의 파일로만 구성되어 있으며, AI가 외부 도구를 호출하지 않고 "지침 읽기 → 이해 → 출력" 과정을 통해서만 태스크를 완전히 완료하는 경우입니다.

이 계층의 가치는 종종 과소평가되곤 합니다. 잘 작성된 프롬프트 기술 (Prompt Skill)은 코드가 잘못 작성된 기술 (Skill)보다 더 나은 성능을 낼 수 있습니다. 핵심은 다음과 같습니다: 규칙이 충분히 구체적인가? 경계가 충분히 명확한가? 예시가 충분히 대표성을 띠는가?

Layer 2: Component Skill — 리소스를 활용한 구조적 강화

순수 프롬프트만으로 충분하지 않을 때는 AI에게 "장비"를 갖춰주어야 합니다. 이것이 바로 컴포넌트 기술 (Component Skill)입니다. SKILL.md 위에 참조 디렉토리 (references directory, 참조 자료), 스크립트 디렉토리 (scripts directory, 실행 스크립트), 그리고 에셋 디렉토리 (assets directory, 템플릿 리소스)를 추가하는 것입니다.

전형적인 구조: SKILL.md + references/ + scripts/ + assets/

핵심 역량: AI는 실행 중에 참조 문서 (reference documents)를 찾아볼 수 있고, 데이터를 처리하기 위해 스크립트 (scripts)를 호출할 수 있으며, 파일을 생성하기 위해 템플릿 (templates)을 사용할 수 있습니다. 정보 추출기 (Info-Extractor)가 전형적인 예시입니다. SKILL.md는 추출 규칙을 정의하고, references에는 필드 매핑 테이블 (field mapping tables)이 포함되며, scripts에는 포맷팅 유틸리티 (formatting utilities)가 포함될 수 있습니다.

평가 기준: 당신의 기술 (Skill)이 여러 개의 파일로 구성되어 있으며, AI가 자신의 행동을 안내하기 위해 references의 문서를 읽거나 특정 작업을 위해 scripts를 호출해야 하는 경우입니다.

이 계층에서의 핵심적인 돌파구는 "AI가 스스로 알아내는 것"에서 "AI가 참고할 참조 자료를 갖는 것"으로의 전환입니다. 참조 자료 (Reference materials)는 AI의 판단에 근거를 제공하며, 스크립트 (scripts)는 AI의 행동에 보장을 제공합니다.

Layer 3: Workflow Skill — 다단계 의사결정 트리

단일 호출로 완료할 수 없는 작업은 각각 고유한 판단 로직을 가진 여러 단계로 나누어야 합니다. 워크플로 기술 (Workflow Skills)은 의사결정 트리 (decision tree) 구조를 도입합니다: 무엇을 먼저 할 것인지, 다음에 무엇을 할 것인지, 그리고 어떤 조건에서 어떤 분기 (branch)를 선택할 것인지에 대한 구조입니다.

전형적인 구조: SKILL.md에 Step 1 → Step 2 → Step 3와 같은 워크플로 (Workflow) 섹션이 포함되며, 각 단계는 선행 조건 (prerequisites)과 결과물 (deliverables)을 가집니다.

핵심 역량 (Core Capability): 복잡한 작업을 순서가 있는 단계적 시퀀스로 분해하며, 각 단계는 명확한 입력 (input), 처리 로직 (processing logic), 그리고 출력 (output)을 가집니다. 예를 들어, 데이터 분석 기술 (Data Analysis Skill)의 경우: 1단계 데이터 검증 (Data Validation) → 2단계 통계 계산 (Statistical Calculation) → 3단계 이상 탐지 (Anomaly Detection) → 4단계 인사이트 생성 (Insight Generation)과 같습니다.

평가 기준 (Evaluation Criterion): 귀하의 기술 (Skill)은 명확한 단계 시퀀스를 가지며, 단계 간에 데이터가 전달되고 조건부 분기 (if-else 로직)가 존재해야 합니다.

이 계층에서의 돌파구는 "원샷 (one-shot)에서 절차적 (procedural) 방식으로의 전환"입니다. AI는 더 이상 "질문을 보고 답하는" 것이 아니라, 각 단계의 출력이 다음 단계의 입력이 되는 방식으로 "단계별로 실행"합니다.

계층 4: 오케스트레이션 기술 (Orchestration Skill) — 멀티 에이전트 조정 (Multi-Agent Coordination)

기술 (Skill)의 단계가 너무 복잡해지거나 특정 단계가 완전히 독립적인 컨텍스트 (context)를 필요로 할 때, 각 단계를 담당하는 여러 개의 AI 에이전트 (Agents)가 필요하며, 구조화된 데이터 (structured data)를 통해 에이전트 간에 정보를 전달해야 합니다. 이것이 오케스트레이션 기술 (Orchestration Skills)의 핵심 개념입니다.

전형적인 구조 (Typical Structure): 페이즈-오케스트레이터 (Phase-Orchestrator) 필수 조정 프로토콜 — 각 페이즈 (Phase)는 독립적인 서브 에이전트 (sub-Agent)에 의해 실행되며, 페이즈 간에는 JSON 데이터가 전달됩니다.

핵심 역량 (Core Capability): 진정한 멀티 에이전트 (multi-Agent) 병렬 또는 순차적 협업. 페이즈 1의 에이전트가 정보 추출을 완료하고, 그 결과를 JSON 형식으로 페이즈 2의 에이전트에게 전달하여 분석하게 하며, 분석 결과는 다시 보안 검토를 위해 페이즈 3로 전달되는 방식입니다.

평가 기준 (Evaluation Criterion): 귀하의 기술 (Skill)은 페이즈-오케스트레이터 (Phase-Orchestrator) 스케줄링을 명시적으로 사용하며, 각 페이즈는 독립적인 서브 에이전트 (sub-Agent)이고 페이즈 간에 구조화된 JSON 데이터 전달 프로토콜이 존재해야 합니다.

이 지점은 기술 (Skill) 구축의 분수령입니다. 처음 세 계층은 모두 "하나의 에이전트가 모든 것을 수행"하는 방식이지만, 계층 4부터는 "여러 에이전트가 하나의 일을 완수하기 위해 협업"하는 방식이 됩니다. 이점은 각 에이전트에게 더 깨끗한 컨텍스트 (context)와 더 집중된 책임을 부여할 수 있다는 것이며, 단점은 오케스트레이션 복잡성이 크게 증가한다는 것입니다.

계층 5: 보안 기술 (Security Skill) — 권한 제어 및 보호

Skill이 외부 도구를 호출하고, 데이터베이스에 접근하며, 파일을 조작하는 능력을 갖추기 시작할 때, 보안(Security)은 선택적인 추가 기능이 아니라 반드시 내장되어야 하는 필수 역량이 됩니다. 보안 기술(Security Skill)의 핵심은 최소 권한 원칙(Principle of Least Privilege)입니다. 즉, 기본적으로는 아무런 권한도 없어야 하며, 모든 권한은 명시적으로 선언되고 승인되어야 합니다.

전형적인 구조: Security-Guard 컴포넌트 — 권한 설정, 데이터 접근 범위, 민감한 필드 처리, 외부 출력/삭제 작업 및 감사 로그(Audit logs)를 점검하고, 위험 등급과 해결 방안을 출력합니다.

핵심 역량: Skill 실행 전 보안 검토(Security review)를 수행하여, 과도한 권한, 민감한 데이터 유출 위험, 고위험 작업을 식별하고 L1-L5 위험 등급을 제공합니다.

평가 기준: Skill 시스템에 전용 보안 검토 컴포넌트가 있어야 하며, 데이터 접근, 외부 통신 또는 파일 작업이 포함된 모든 Skill은 실행 전 반드시 보안 검토를 통과해야 합니다.

이 계층은 "AI가 너무 유능해서 오히려 위험하다"라는 페인 포인트(Pain point)를 해결합니다. 보안 제어가 없는 Skill은 브레이크가 없는 자동차와 같습니다. 속도가 빨라질수록 위험도 커집니다.

계층 6: 스코어링 기술 (Scoring Skill) — 규칙 엔진 파라미터화 (Rule Engine Parameterization)

비즈니스 시나리오에서는 고객 기회 점수 산정, 공급업체 평가, 이탈 위험 예측 등 "규칙에 따른 점수 산정(Scoring by rules)"이 필요한 경우가 많습니다. 이러한 스코어링 규칙은 비즈니스 조건에 따라 변합니다. 만약 규칙이 Skill 내에 하드코딩(Hardcoded)되어 있다면, 규칙이 바뀔 때마다 Skill을 수정해야 합니다. 반면, 규칙이 YAML 설정 파일로 파라미터화(Parameterized)되어 있다면, 비즈니스 담당자는 Skill을 변경할 필요 없이 설정만 수정하면 됩니다.

전형적인 구조: Scoring-Engine — 규칙은 YAML 설정에 저장되며, Skill은 "규칙 읽기 → 점수 산정 실행 → 결과 출력"만을 담당합니다. 또한 4단계 필수 오케스트레이션(정보 추출 → 지식 검색 → 데이터 분석 → 보고서 생성)을 수행합니다.

핵심 역량 (Core Capability): 비즈니스 규칙과 실행 로직의 분리. 규칙이 변경되면 YAML을 수정하고, 프로세스가 변경되면 Skill을 수정합니다. 이 둘은 서로 간섭하지 않습니다.

평가 기준 (Evaluation Criterion): 귀하의 Skill은 외부 설정 파일(YAML/JSON)을 사용하여 비즈니스 규칙을 저장하며, 이를 하드코딩하는 대신 실행 중에 동적으로 읽어옵니다.

이 계층은 중요한 엔지니어링 원칙인 '설정(configuration)과 코드(code)의 분리'를 구현합니다. Skill의 맥락에서는 이것이 더욱 중요합니다. 왜냐하면 Skill의

Layer 8: Approval Skill — Human-in-the-Loop 리스크 제어

AI가 고위험 작업(그룹 메시지 전송, 고객 데이터 수정, 작업 지시서 기록 삭제 등)을 수행해야 할 때, 직접 실행해서는 안 되며 반드시 인간의 확인이 필요합니다. Approval Skill(승인 스킬)은 "human-in-the-loop(인간 참여형)" 메커니즘을 구현합니다.

전형적인 구조: Human-In-Loop 컴포넌트가 작업의 리스크 수준(L1-L5)을 자동으로 평가하고, 중·고위험 작업에 대해 승인 양식(리스크 경고, 콘텐츠 미리보기, 확인 옵션 포함)을 생성하며, 인간의 확인 후 실행하고 전체 프로세스를 아카이브(archive)합니다.

핵심 역량: "AI가 먼저 행동하고 인간이 나중에 확인하는" 방식에서 "고위험 작업에 대해 인간이 승인하는" 방식으로 전환합니다. L1-L2 작업은 자동으로 실행되며, L3는 사용자의 주의를 환기시키고, L4-L5는 실행 전 인간의 확인을 요구합니다.

평가 기준: 귀하의 Skill 시스템이 명확한 리스크 분류 및 인간 승인 메커니즘을 갖추고 있으며, "AI 요청 → 인간 확인 → 실행"의 3단계 폐쇄 루프(closed loop)를 보유하고 있는가.

이 레이어는 "신뢰 경계(trust boundary)" 문제를 해결합니다. AI가 아무리 유능해지더라도 스스로 결정을 내려서는 안 되는 시나리오가 존재합니다. Human-in-the-loop는 AI를 불신하는 것이 아니라, 비즈니스 보안을 위한 필수적인 보호 장치입니다.

Layer 9: Composition Skill — Multi-Skill 오케스트레이션 벤치마크

단일 Skill은 하나의 문제를 해결하지만, 실제 비즈니스에서는 전체 워크플로우(workflow)를 완료하기 위해 여러 Skill이 협업해야 합니다. Composition Skill(구성 스킬)은 5개 이상의 기본 Skill을 하나의 엔드 투 엔드(end-to-end) 비즈니스 파이프라인으로 오케스트레이션(orchestrate)합니다.

전형적인 구조: "지능형 데이터 쿼리 대시보드"를 예로 들면, 사용자의 한 문장 입력 → 권한 확인 → 의도 파악(intent understanding) → 데이터 쿼리 → 통계 계산 → 차트 렌더링 과정을 거칩니다. 5개의 Skill이 협업합니다: NL2Query(의도 인식) → Security-Guard(권한 검증) → Data-Executor(안전한 쿼리) → Data-Aggregator(집계 계산) → Visualization-Renderer(차트 렌더링)가 Gateway Skill에 의해 오케스트레이션됩니다.

핵심 역량 (Core Capability): 단 한 문장이 5개 이상의 스킬 (Skill)로 구성된 완전한 파이프라인을 트리거하며, 각 스킬은 독립적인 컴포넌트로 호출되어 전체가 하나의 통합된 비즈니스 진입점 (Entry Point)으로 나타납니다.

평가 기준 (Evaluation Criterion): 귀하의 스킬 시스템은 통합된 오케스트레이션 (Orchestration)을 통해 5개 이상의 스킬이 연결되어 있어야 하며, 사용자가 단 하나의 자연어 입력만으로 엔드 투 엔드 (End-to-End) 비즈니스 프로세스를 완료할 수 있어야 합니다.

이 계층은 "도구에서 시스템으로 (from tool to system)"의 전환을 의미합니다. 단일 스킬이 망치라면, 구성 스킬 (Composition Skill)은 작업장 전체와 같습니다. 하지만 구성은 개별 부품보다 훨씬 어렵습니다. 인터페이스 프로토콜 (Interface Protocols), 데이터 형식 (Data Formats), 오류 전파 (Error Propagation), 성능 병목 현상 (Performance Bottlenecks) 등 각각이 공학적 도전 과제입니다.

계층 10: 폐쇄 루프 스킬 (Closed-Loop Skill) — 엔드 투 엔드 비즈니스 폐쇄 루프 시스템

이것은 스킬 구축의 가장 높은 형태입니다. 8개 이상의 스킬이 협업하여 "의도 파악"부터 "아카이빙 및 침전 (Archiving and Precipitation)"에 이르는 완전한 비즈니스 폐쇄 루프 (Closed Loop)를 다룹니다. 이는 단순히 하나의 작업을 완료하는 것을 넘어, 스스로 학습하고 지속적으로 진화합니다.