컨퍼런스 바에서 Anthropic의 AI 연구원 이야기를 우연히 듣게 되었습니다. 그는...
요약
본 글은 Anthropic의 AI 연구원이 LLM 활용에 대한 일반적인 논의(프롬프트 엔지니어링, 컨텍스트 윈도우 등)를 벗어나, 사용자가 LLM으로부터 진정한 가치를 얻기 위한 세 가지 구조적 변화에 초점을 맞춘 내용을 다룹니다. 필자는 이 개념을 바탕으로 '워크플로우 감사관' 역할을 수행하는 네 가지 심층적인 프롬프트를 제시하며, 단순한 프롬프트 개선을 넘어 AI에게 위임하는 방식 자체의 근본적인 변화를 강조합니다.
핵심 포인트
- LLM 활용에서 중요한 것은 단순히 좋은 프롬프트를 작성하는 것이 아니라, 워크플로우 전반에 걸쳐 AI에게 위임하는 '방식'의 구조적 변화이다.
- AI 코치 대신 '워크플로우 감사관(workflow auditor)' 관점에서 현재의 LLM 사용 방식을 객관적으로 매핑하고 질문해야 한다.
- 실제 시간 절약이 되는 활동과 생산적인 것처럼 보이지만 실제로는 그렇지 않은 '보여주기식' 활동을 구분하는 것이 중요하다.
- 가장 자주 사용하는 프롬프트는 실제로 최적화하려는 목적과 다를 수 있으므로, 이를 스트레스 테스트하여 숨겨진 가치 손실 지점을 찾아야 한다.
컨퍼런스 바에서 Anthropic의 AI 연구원 이야기를 우연히 듣게 되었습니다.
그는 프롬프트 엔지니어링 (prompt engineering)이나 컨텍스트 윈도우 (context windows)에 대해서는 단 한 번도 언급하지 않았습니다.
오직 LLM (Large Language Models)으로부터 진정한 가치를 얻는 사람과 그렇지 못한 사람을 가르는 3가지 구조적 변화 (structural shifts)에 대해서만 이야기했습니다.
저는 그것들을 Claude 프롬프트로 만들었습니다. 여기 있습니다:
프롬프트 1 : 당신이 실제로 AI를 사용하는 방식을 매핑하세요
AI 코치가 아닌 워크플로우 감사관 (workflow auditor)으로서 행동하세요.
내가 현재 LLM을 어떻게 사용하는지 매핑하기 위해 나에게 5가지 질문을 하세요: 어떤 작업을 위임하는지, 무엇을 여전히 수동으로 하는지, 도구 간에 어디에서 복사-붙여넣기를 하는지, 무엇을 시도했다가 포기했는지.
아직 조언을 하지 마세요. 그냥 질문만 하세요.
프롬프트 2 : 실제와 보여주기식(theater)을 구분하세요
여기 나의 AI 사용 매핑 데이터입니다: [붙여넣기]
이제 다음을 식별하세요:
- 무엇이 나에게 실제 시간 (측정 가능한 시간 절약)을 아껴주는가
- 무엇이 생산적인 것처럼 느껴지지만 실제로는 그렇지 않은가 (보여주기식)
- LLM이 해야 하는데 내가 수동으로 하고 있는 것은 무엇인가
패턴만 찾아내세요. 판단은 하지 마세요.
프롬프트 3 : 3가지 구조적 변화를 식별하세요
이 매핑을 바탕으로: 내가 어떤 프롬프트를 사용하는가가 아니라, AI에게 위임하는 '방식'에 있어 가장 영향력이 큰 3가지 구조적 변화 (structural shifts)는 무엇인가?
"더 나은 프롬프트를 작성하라"는 것이 아닙니다. 내가 LLM에게 무엇을 믿고 맡길 것인지, 그것이 내 워크플로우의 어디에 위치하는지, 그리고 무엇을 중단할 것인지에 대한 변화를 의미합니다.
프롬프트 4 : 가장 자주 사용하는 프롬프트를 스트레스 테스트하세요
여기 내가 일주일에 여러 번 실행하는 프롬프트가 있습니다: [붙여넣기]
이 프롬프트가 실제로 최적화하고 있는 것은 무엇이며, 내가 생각하는 목적과는 어떻게 다른가?
어디에서 가치를 놓치고 있는가?
AI 연구원이라면 이 프롬프트를 어떻게 다시 작성할 것이며, 그 이유는 무엇인가?
AI 자동 생성 콘텐츠
본 콘텐츠는 X @heygurisingh (자동 발견)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기