더 많이 생산하기 위해 AI를 사용하지 마세요. 더 잘 생각하기 위해 사용하세요

대부분의 사람들은 더 많이 생산하기 위해 인공지능 (AI)을 사용합니다:

더 많은 기사.
더 많은 게시물.
더 많은 이메일.
더 많은 코드.
더 많은 자동화.

문제는 더 많이 생산한다고 해서 더 많이 전진한다는 의미는 아니라는 점입니다.

전략이 명확하지 않을 때, AI는 단지 잘못된 결정을 더 빠른 속도로 실행할 수 있게 해줄 뿐입니다.

랜딩 페이지 (Landing page)가 완벽하게 작성되었더라도 전환 (Conversion)이 일어나지 않을 수 있습니다. 에이전트 (Agent)가 기술적으로는 작동하더라도 계속해서 무의미한 문제를 해결할 수 있습니다. 콘텐츠 전략이 매일 게시물을 올리더라도 실제 수요를 창출하지 못할 수 있습니다.

그렇기 때문에, AI의 가장 가치 있는 용도 중 하나는 생산 과정 중에 일어나지 않습니다.

그것은 그 이전에 일어납니다.

AI는 문제를 이해하고, 가설에 의문을 제기하며, 더 나은 결정을 내리는 것을 도울 때 더 큰 가치를 제공합니다.

AI를 활용하는 세 가지 방법

ChatGPT, Claude 또는 다른 모델을 열기 전에, 자신이 어떤 상황에 처해 있는지 식별하는 것이 좋습니다.

상황	권장 사용법
미결정된 전략적 결정이 존재하는 경우	AI를 사고 파트너 (thinking partner)로 사용
결정이 내려졌고 실행만 남은 경우	AI를 어시스턴트 (assistant)로 사용
맥락, 기준 또는 정의된 문제가 없는 경우	아직 자동화하지 말 것

이러한 구분은 간단해 보이지만, 수많은 무익한 작업을 방지해 줍니다.

1. 사고 파트너 (thinking partner)로서의 AI

이 모드는 당신이 여전히 결정하려고 노력 중일 때 유용합니다:

어떤 제품을 만들 것인가.
어떤 세그먼트 (Segment)를 우선시할 것인가.
어떤 가치 제안 (Value proposition)을 옹호할 것인가.
어떤 아키텍처 (Architecture)를 사용할 것인가.
프로세스의 어느 부분을 자동화할 것인가.
어떤 가설을 먼저 테스트할 것인가.

여기서 당신은 AI가 확정적인 답변을 내놓기를 필요로 하지 않습니다.

당신은 AI가 당신의 생각을 돕기를 필요로 합니다.

AI의 역할은 약점을 찾아내고, 대안을 제시하며, 당신이 당연하다고 믿고 있는 가정들을 가시화하는 것입니다.

2. 생산 어시스턴트로서의 AI

이 모드는 결정이 이미 내려졌을 때 적합합니다.

예를 들어:

기사 형식을 다양한 포맷으로 조정하기.
정의된 요구사항에 따라 함수 리팩터링 (Refactor) 하기.
문서 요약하기.
사양 (Specification)을 작업 (Tasks)으로 변환하기.
이메일 변형 생성하기.
알려진 동작에 대한 테스트 (Tests) 생성하기.

여기서의 목표는 시간을 절약하는 것입니다.

전략적 사고 (Strategic thinking)는 이미 완료되었으며, AI는 실행을 돕습니다.

1. 아직 사용하지 마세요

인공지능 (AI)의 부족이 문제가 아닌 상황들이 있습니다.

문제는 정보의 부족입니다.

사용자를 알지 못하고, 데이터가 없으며, 목표를 설명할 수 없거나 심지어 어떤 결정을 내리고 싶은지조차 모른다면, 모델의 모든 답변은 가정 (Assumptions)에 의존하게 됩니다.

그 답변은 설득력 있게 들릴 수 있지만, 여전히 완전히 무관할 수 있습니다.

이런 경우에 필요한 것은 더 정교한 프롬프트 (Prompt)가 아닙니다.

문제를 더 잘 조사해야 합니다.

가장 흔한 실수: 출력물 (Output)부터 시작하기

많은 프로젝트가 다음과 같은 요청으로 시작됩니다:

내 제품을 위한 랜딩 페이지를 써줘.
내 리드 (Leads)에 자동으로 응답하는 에이전트 (Agent)를 설계해줘.
콘텐츠 아이디어 30개를 줘.
이 애플리케이션의 아키텍처 (Architecture)를 만들어줘.

이 모든 요청은 출력물에 초점이 맞춰져 있습니다.

하지만 그것을 생산하기 전에 다른 질문들에 답해야 합니다:

우리가 해결하려는 문제는 무엇인가?
누구를 위한 것인가?
우리는 어떤 증거를 가지고 있는가?
어떤 제약 사항 (Constraints)이 존재하는가?
이전에 무엇을 시도해 보았는가?
이 출력물은 어떤 결정을 뒷받침해야 하는가?
성공했는지 어떻게 알 수 있는가?

이러한 답변이 없다면, 모델은 일반적인 패턴을 사용하여 빈칸을 채웁니다.

결과물은 전문적으로 보일 수 있지만, 실제 맥락 (Context)과는 관련성이 매우 낮을 것입니다.

실용적인 프레임워크: 결정, 맥락, 대조, 그리고 종결

AI와의 좋은 대화는 네 단계로 구조화할 수 있습니다.

1. 결정 (Decision)

무엇을 명확히 하고 싶은지 정의하세요.

이렇게 질문하지 마세요:

내 제품에 대해 어떻게 생각하세요?

이렇게 질문하세요:

이 제품을 프리랜서를 대상으로 포지셔닝할지, 아니면 소규모 에이전시를 대상으로 할지 결정하려고 합니다. 선택하기 전에 어떤 변수 (Variables)들을 분석해야 할까요?

결정이 구체적일수록 답변은 더 유용해집니다.

1. 맥락 (Context)

당신의 사례에 대해 추론할 수 있도록 충분한 정보를 제공하세요.

최소한 다음 항목들을 포함해야 합니다:

목표 (Objective).
사용자 또는 대상 (User or audience).
현재 상황 (Current situation).
제약 사항 (Constraints).
가용 데이터 (Available data).
고려 중인 옵션들 (Options considered).
현재의 기준 (Current criteria).
이전의 실험들 (Previous experiments).

맥락이 반드시 길어야 할 필요는 없습니다.

추천 결과(recommendation)를 바꿀 수 있는 요소를 포함해야 합니다.

2. 대조 (Contrast)

승인을 구하지 마세요.

마찰 (Friction)을 요청하세요.

예를 들어:

가장 취약한 가정들을 지적해 줘.
이 옵션에 반대하는 가장 강력한 논거를 구축해 줘.
상당히 다른 세 가지 대안을 제안해 줘.
어떤 정보가 부족한지 설명해 줘.
2차적 위험 (Second-order risks)을 식별해 줘.
이 결정이 성공하기 위해 무엇이 사실이어야 하는지 알려줘.
이를 검증하기 위한 가장 저렴한 실험을 설계해 줘.

AI는 당신을 기쁘게 하려고 노력할 때보다 비판적인 대화 상대 (interlocutor)로 행동할 때 훨씬 더 유용합니다.

3. 마무리 (Closure)

대화는 인간의 결정으로 끝나야 합니다.

다음 내용을 문서화하세요:

어떤 옵션을 선택했는지.
왜 그것을 선택했는지.
무엇을 제외했는지.
어떤 가설을 가정하고 있는지.
결과를 평가하기 위해 어떤 신호 (signal)를 사용할 것인지.
언제 결정을 재검토할 것인지.

이 마지막 단계가 단발성 대화를 재사용 가능한 지식으로 전환합니다.

재사용 가능한 템플릿
나는 당신을 확정적인 답변을 생성하는 도구가 아니라, 사고의 파트너 (thinking partner)로 활용하고 싶습니다.

결정 (DECISION)
나는 다음을 결정하려고 합니다:

맥락 (CONTEXT)
나의 목표는:
사용자 또는 대상은:
현재 상황은:
제약 사항은:
가용 데이터는:
고려 중인 옵션들은:
나의 현재 의견은:

분석 (ANALYSIS)

1. 가장 취약한 가정(assumptions)을 식별하세요.
2. 누락된 중요한 정보가 무엇인지 지적하세요.
3. 내가 선호하는 옵션에 반대하는 가장 강력한 논거를 구축하세요.
4. 동일한 아이디어의 단순한 변형이 아닌 대안들을 제안하세요.
5. 각 대안의 리스크(risks)와 결과(consequences)를 설명하세요.
6. 불확실성(uncertainty)을 줄이기 위한 가장 작은 규모의 실험을 설계하세요.

나 대신 결정을 내리지 마세요. 내가 결정을 더 잘 이해할 수 있도록 도와주세요.

이 템플릿의 품질은 문장력에 있지 않습니다.

당신이 입력하는 컨텍스트(context)의 품질에 달려 있습니다.

예시 1: 제안(offer) 설계하기

생산 중심의 접근 방식은 다음과 같습니다:

"내 새로운 프로그램의 판매 페이지를 작성해줘."

전략적 접근 방식은 다음과 같습니다:

"이것은 타겟 오디언스(audience)이고, 이것은 약속된 변화이며, 이것은 파악된 반대 의견(objections)이고, 이것은 최근 인터뷰 결과입니다. 문제, 약속, 그리고 제안 메커니즘(mechanism) 사이에서 마찰(friction)이 가장 크게 발생하는 지점을 분석해 주세요."

두 번째 대화에서 다음과 같은 사실을 발견할 수 있습니다:

약속이 너무 광범위함.
문제가 충분히 시급하지 않음.
오디언스 세그멘테이션(segmentation)이 잘못됨.
메커니즘이 신뢰할 수 없어 보임.
제안이 너무 많은 문제를 해결하려고 함.
가격이 인지된 가치(perceived value)에 의해 뒷받침되지 않음.

이러한 문제들을 해결한 후에야 비로소 판매 페이지를 작성할 가치가 있습니다.

예시 2: 콘텐츠 제작하기

50개의 콘텐츠 아이디어를 요청하는 것은 쉽습니다.

모델은 몇 초 안에 그것들을 생성해낼 것입니다.

하지만 대부분은 해당 분야의 다른 사람이 만든 콘텐츠와 구별되지 않을 가능성이 높습니다.

더 나은 접근 방식은 다음과 같은 것들을 제공하는 것입니다:

당신의 핵심 논지(thesis).
당신이 동의하지 않는 아이디어들.
오디언스의 실제 질문들.
당신이 반복적으로 관찰하는 문제들.
당신의 관점을 뒷받침하는 경험들.
다시 반복하고 싶지 않은 주제들.

그 지점부터, AI는 다음과 같은 시퀀스(sequence)를 구축하도록 당신을 도울 수 있습니다:

어떤 믿음에 의문을 제기할 것인가.
어떤 문제를 가시화할 것인가.
어떤 증거를 제시할 것인가.
어떤 반대 의견을 해결할 것인가.
어떤 행동을 제안할 것인가.

이렇게 하면 단순한 제목의 집합이 아닌, 비판적 사고가 담긴 편집 방향(editorial line)을 얻을 수 있습니다.

예시 3: 영업 대화 분석하기

영업 대화에는 많은 분석 도구보다 더 많은 전략적 정보가 담겨 있습니다.

익명화된 전사 데이터(transcriptions)를 모델에 제공하고 다음과 같은 사항을 탐지하도록 요청할 수 있습니다:

반복되는 반대 의견 (Objeciones).
고객이 사용하는 단어.
신뢰가 상실되는 순간.
결과에 대한 의구심.
이해의 문제.
구매 의도 신호.
구매자와 비구매자 간의 차이점.

모델은 영업 메시지를 지어내서는 안 됩니다.

대신 시장이 이미 사용하고 있는 언어를 복구(recover)할 수 있도록 도와야 합니다.

예시 4: 무엇을 자동화할지 결정하기

흔히 하는 실수는 프로세스를 이해하기 전에 에이전트(agent)를 구축하는 것입니다.

예를 들어, 누군가는 질문을 많이 받는다는 이유로 리드(leads) 대응을 자동화하기로 결정합니다.

하지만 모든 질문을 자동화해서는 안 됩니다.

먼저 다음과 같은 사항을 분석해야 합니다:

어떤 질문이 반복적인가.
어떤 질문에 판단력(criterio)이 필요한가.
어떤 정보가 민감한가.
어떤 답변이 구매에 직접적인 영향을 미치는가.
어느 시점에 사람이 개입해야 하는가.
어떤 오류가 허용 가능한가.
에이전트가 답변을 모를 때 어떤 일이 발생하는가.

프로세스를 분석한 후에 다음과 같은 것들이 필요한지 결정할 수 있습니다:

자주 묻는 질문(FAQ) 페이지.
팀을 위한 보조 답변.
대화 분류기 (classifier).
제한된 범위의 챗봇.
도구 접근 권한을 가진 에이전트.
자동화 없음.

때로는 AI를 사용하지 않는 것이 최선의 해결책일 수 있습니다.

주로 효과적인 경우

AI는 다음과 같이 정리되지 않은 원재료(materia prima)가 존재할 때 특히 잘 작동합니다:

메모.
인터뷰.
문서화된 자료.
고객 피드백.
로그 (Logs).
실험 결과.
이전의 결정 사항들.
영업 대화.

모델은 정보를 그룹화하고, 패턴을 식별하며, 흩어져 있는 직관을 명시적인 가설로 전환하는 데 도움을 줄 수 있습니다.

이는 반드시 처음부터 전략을 만들어내는 과정은 아닙니다.

이는 이미 데이터 속에 숨겨져 있던 전략을 가시화하는 과정입니다.

또한 옵션을 비교하는 데에도 효과적입니다.

예를 들어:

비용, 운영 복잡성, 공급업체 종속성(vendor dependency), 그리고 향후 2년간의 확장 가능성을 고려하여 이 세 가지 아키텍처(architecture)를 비교해 보세요.

유용성은 단순히 최종 권장 사항에만 있는 것이 아닙니다.

하나의 옵션이 다른 옵션과 구별되는 변수들을 이해하는 데에 있습니다.

흔히 발생하는 실수
명확성이 확보되기 전에 생산을 요구하는 것

혼란스러운 제안에 대해 더 많은 콘텐츠를 생성하는 것은 혼란을 증폭시킬 뿐입니다.

충분한 맥락(context)을 제공하지 않는 것

모델은 비록 당신의 사례와 맞지 않더라도 일반적인 패턴으로 빈틈을 채워 넣을 것입니다.

유창함과 정확성을 혼동하는 것

잘 쓰인 답변이 반드시 정확한 것은 아닙니다.

확증 편향을 찾는 것 (Seeking validation)

자신의 의견을 확인받기 위해 질문을 구성한다면, 아마도 설득력 있는 정당화 근거를 찾아내게 될 것입니다.

판단력을 완전히 위임하는 것

AI는 대안을 평가하는 데 도움을 줄 수 있지만, 책임은 여전히 인간에게 있습니다.

망가진 프로세스를 자동화하는 것

자동화는 잘못된 프로세스를 바로잡지 못합니다.

그저 더 빠르고, 더 많이, 때로는 더 큰 규모로 실행할 뿐입니다.

프로세스 내에 사람을 유지해야 하는 경우

다음과 같은 요소들이 개입될 때는 인간의 검토가 특히 중요합니다:

재무 정보.
개인 데이터.
법적 결정.
보안.
계약.
상업적 약속.
평판 리스크.
되돌리기 어려운 변경 사항.

이러한 상황에서 AI는 시나리오를 탐색하거나 첫 번째 분석을 준비할 수는 있습니다.

하지만 최종 권위자가 되어서는 안 됩니다.

또한, 다음 두 가지 질문을 분리하여 생각하는 것이 좋습니다:

모델이 이 작업을 수행할 수 있는가?
우리가 모델이 이 작업을 자율적으로 수행하도록 허용해야 하는가?

첫 번째 질문에 대한 답이 두 번째 질문을 자동으로 결정하지는 않습니다.

AI가 당신의 사고를 돕고 있는지 확인하는 방법

좋은 대화는 다음과 같은 결과 중 하나를 남겨야 합니다:

문제가 더 잘 정의되었습니다.
당신이 의심하지 않았던 가정을 발견했습니다.
대안들을 더 정확하게 설명할 수 있습니다.
어떤 정보를 얻어야 하는지 알게 됩니다.
선택지의 수를 줄였습니다.
가설을 검증하기 위한 구체적인 실험 계획을 갖게 됩니다.
왜 그 결정을 내렸는지 이해하게 됩니다.

만약 단순히 더 긴 문서 하나만을 얻었다면, 당신은 아마도 사고하기 위해서가 아니라 생산하기 위해 AI를 사용했을 가능성이 높습니다.

이번 주에 해볼 것

며칠 동안 미뤄왔던 실제 결정 하나를 선택하세요.

모델에게 그 문제를 직접 해결해 달라고 요청하지 마세요.

다음 내용을 작성하세요:

무엇을 결정하려고 하는가.
어떤 정보를 가지고 있는가.
어떤 제약 조건이 존재하는가.
현재 어떤 옵션을 선호하는가.
그 옵션이 작동하기 위해 무엇이 사실이어야 하는가.

그다음, 모델에게 당신의 논리를 파괴하고, 대안을 제안하며, 작은 실험을 설계해 달라고 요청하세요.

최종 결정은 당신이 직접 내리고 이를 문서화하세요.

그 문서는 자동으로 생성된 다른 스무 개의 콘텐츠보다 훨씬 더 가치 있을 것입니다.

결론