The Cowork Loop: 실제로 복리 효과를 내는 AI 워크플로우를 위한 소프트웨어 패턴

만약 당신이 LLM(Large Language Models)을 사용하여 무언가를 구축하는 데 시간을 보냈다면, 다음과 같은 벽에 부딪혀 보았을 것입니다. 에이전트(Agent)나 워크플로우(Workflow)를 실행시키고 결과물도 괜찮게 나오지만, 그게 전부입니다. 6개월이 지나도 동일한 프롬프트(Prompt)는 대략 비슷한 품질의 결과만을 만들어냅니다. 모델이 나빠진 것도 아니고, 워크플로우가 개선되지 않은 것도 아닙니다.

그 이유는 거의 항상 동일합니다. 당신은 '4단계(Phase 4)'를 놓치고 있기 때문입니다.

대부분의 AI 워크플로우가 건너뛰는 패턴

대부분의 개발자가 이름을 붙이지 않고 반복하는 루프(Loop)는 다음과 같습니다:

1. 시스템 프롬프트(System Prompt)와 사용자 프롬프트(User Prompt)를 작성한다 (Brief)
2. 모델이 결과물을 생성한다 (Generate)
3. 결과물을 읽고 품질이 좋은지 결정한다 (Review)
4. 결과물을 배포하고 세션을 종료한다

이것이 1~3단계입니다. 4단계인 'Refine(개선)'이야말로 복리 효과를 만들어내는 단계입니다.

Refine은 단순히 결과물을 수정하는 것이 아닙니다. 그것을 만들어낸 시스템을 업데이트하는 것입니다. 세션을 종료하기 전에 당신이 배운 것을 캡처해야 합니다. 시스템 프롬프트에 무엇이 누락되었는지, 어떤 프레이밍(Framing)이 더 나은 결과물을 만들어냈는지, 어떤 출력 형식(Output Format)이 평가를 더 빠르게 만들었는지 등을 말이죠. 이를 공유 컨텍스트(Shared Context) 파일에 두 문장 정도로 기록하는 것입니다.

이는 스프린트(Sprint)가 끝난 후 회고(Retrospective)를 작성하는 것과 정확히 유사합니다. 대부분의 개인 AI 워크플로우에는 이러한 과정이 없습니다.

The Cowork Loop™: 4단계

Phase 1 — Brief (브리프)

결과물의 품질은 2단계가 아니라 이 단계에서 결정됩니다. 강력한 Brief는 완전한 컨텍스트 전송(Context Transfer)을 의미합니다: 스탠딩 컨텍스트(Standing Context, 항상 유효한 정보), 세션 컨텍스트(Session Context, 현재 유효한 정보), 그리고 태스크(Task, 하나의 합리적인 해석이 가능할 정도로 구체적인 작업)가 포함되어야 합니다.

실제로 이는 매번 관련 세션을 시작할 때마다 지속적인 컨텍스트 파일을 로드하는 것을 의미합니다. 다음은 최소한의 CLAUDE.md 구조입니다:

# Context

## About this project
...

## Recent signals 섹션이 바로 Phase 4가 기록을 남기는 곳입니다. 이곳이 바로 축적 계층(Accumulation Layer)입니다.

Phase 2 — Generate (생성)

모델은 당신이 설정한 제약 조건 내에서 실행됩니다. 권장 사항은 다음과 같습니다:

• 가능한 경우 구조화된 출력 (structured output)을 요청하세요 — 이는 Phase 3의 속도를 크게 높여줍니다.
• 모델에게 불확실성을 명시적으로 표시하도록 요청하세요 ("X에 대해 확신이 없다면 그렇게 말하세요").
• 출력 범위 (output scope)를 정확하게 설정하세요 — 과잉 생성 (over-generation)은 정밀한 생성보다 평가하기가 더 어렵습니다.

Phase 3 — Review (검토)

인간의 평가 단계입니다. 네 가지 질문이 있습니다:

1. 올바른 질문에 답하고 있는가 (단순히 입력된 질문이 아니라)?
2. 추론 (reasoning)이 타당한가 — 결론이 근거로부터 도출되는가?
3. 이 워크플로우의 품질 기준을 충족하는가?
4. "충분히 괜찮은 수준"과 "탁월한 수준" 사이의 차이(delta)는 무엇인가?

질문 4는 대부분의 사람들이 건너뛰는 부분입니다. 그 차이를 찾아내는 것이 바로 Phase 4가 수행하는 역할입니다.

만약 출력이 방향성 측면에서 틀렸다면, 더 날카로운 브리프 (Brief)를 가지고 Phase 1로 돌아가세요. 잘못된 방향을 다듬는 것은 더 세련된 잘못된 방향을 만들 뿐입니다.

Phase 4 — Refine (개선)

두 가지 작업: 현재 출력을 개선하고, 공유된 컨텍스트 (shared context)를 업데이트하는 것입니다.

컨텍스트를 업데이트하는 것이 바로 복리 효과를 내는 부분입니다. 세션을 종료하기 전에 Phase 3에서 발견한 차이(delta)를 컨텍스트 파일에 추가하세요. 전체를 다시 쓰는 것이 아니라, 두 문장 정도면 충분합니다:

2026-06-24: 후킹 (hook)에서 특정 날짜/이벤트를 앞세우는 것이 논제 (thesis statement)를 앞세우는 것보다 더 나은 참여를 유도함. 기본 후킹 템플릿을 업데이트할 것.

다음 세션에서, 그 신호 (signal)는 브리프 (Brief)에 로드됩니다. 다음 출력은 오늘의 작업이 끝난 지점보다 앞선 지점에서 시작됩니다.

90회 이상의 세션을 거치면, ## Recent signals 섹션은 이 워크플로우에서 무엇이 좋은 출력을 만들어내는지에 대해 당신이 배운 모든 것을 정제하여 기록한 결과물이 됩니다. 이는 자기 문서화되는 조직적 기억 (institutional memory)입니다.

OpenAI가 왜 이를 인프라에 바로 구축했는가

2026년 6월 4일, OpenAI는 Dreaming V3를 출시했습니다 — 이는 ChatGPT 대화 기록을 자동으로 합성하여 중요한 컨텍스트를 새로운 세션으로 전달하는 백그라운드 프로세스입니다. 모든 사용자에게 무료로 제공되며, 컴퓨팅 비용을 5배 절감했습니다.

그것이 바로 플랫폼 수준에서 자동화된 Phase 4입니다.

엔지니어링 측면의 통찰은 정확합니다. Phase 4는 대부분의 사람들이 건너뛰는 단계이며, 이를 자동화함으로써 건너뛰게 만드는 마찰(friction)을 제거할 수 있습니다.

한계점: 자동화된 합성 (automated synthesis)은 입력된 데이터의 품질에 의해 제한됩니다. 구조화되지 않은 대화는 구조화되지 않은 사고의 구조화된 요약본을 만들어낼 뿐입니다. 의도적인 Cowork Loop 단계 — 즉, Phase 3에서 무엇을 캡처할지 명시적으로 이름을 붙이고 Phase 4에서 이를 기록하는 과정 — 를 거쳐야만 합성이 활용할 수 있는 더 풍부한 자료가 생성됩니다.

만약 여러분이 ChatGPT 위에서 워크플로우를 구축하고 있다면, Dreaming V3와 Cowork Loop™는 경쟁 관계가 아닌 상호 보완적인 관계입니다. 자동화는 더 나은 자료를 얻게 해주고, 여러분은 더 나은 합성 결과를 얻게 됩니다.

최소 기능 구현 (Minimum viable implementation)

1. 가장 자주 반복되는 AI 워크플로우를 위한 context.md (또는 CLAUDE.md) 파일을 생성합니다.
2. 가장 자주 다시 설명하게 되는 다섯 가지 사항을 작성합니다 — 이것이 여러분의 초기 스탠딩 컨텍스트 (standing context)가 됩니다.
3. 다음 세션이 끝날 때 두 문장을 추가합니다: 브리프 (Brief)에서 누락된 점은 무엇인지, 무엇이 효과적이었는지.
4. 앞으로 모든 관련 세션이 시작될 때 해당 파일을 로드합니다.

이를 3주 동안 수행하십시오. 그런 다음 여러분의 ## Recent signals 섹션을 읽어보십시오. 여러분은 기본 템플릿이 아니라, 실제 세션을 통해 정제된 실제 시스템이자, 여러분의 실제 워크플로우에 맞춰 조정된 브리프 (Brief)를 구축하게 된 것입니다.

이것이 바로 Cowork Loop입니다. 그 이후에는 복리 효과가 자연스럽게 발생합니다.

_전체 프레임워크 기술 (실패 모드 및 제가 실제로 사용하는 CLAUDE.md 구조 포함)은 공식 버전에서 확인하십시오: echonerve.com/the-echonerve-cowork-loop
_