책정리

- 프롬프트는 기술적 명령어가 아니라 정교하게 설계된 대화다. AI에게 효과적인 프롬프트를 쓰는 행위는 본질적으로 '인간과 잘 말하는 것'과 다르지 않다. 기술은 계속 바뀌지만 언어가 사고와 소통의 중심에 있다는 사실은 결코 변하지 않는다.

- 언어의 본질은 '함께'에 있다. 문장은 결코 홀로 완성되지 않으며, 화자와 청자가 끊임없이 협상하며 의미를 만들어가는 합작품이다. Al와의 소통 역시 마찬가지다. 완벽한 독백을 멈추고 협력적인 대화를 시작할 때, 비로소 Al는 의도에 맞는 답을 내놓기 시작한다.

-  대화의 메커니즘을 프롬프트에 적용해보자
첫째, 턴의 구조를 설계하라.
하나의 긴 프롬프트보다 여러 번의 짧은 교환이 나을 수 있다 복잡한 작업일수록 단계를 나누어라 
둘째. 인접쌍을 활용하라. 우리의 질문이 어떤 형태의 답변을 기대하는지 생각하자. 열린 질문과 닫힌 질문을 구분하자. "이것에 대해 어떻게 생각해?' 와 "이것이 맞아. 틀려?"는 전혀 다른 응답을 유도한다.
셋째. 협력 원리를 이용하라
원하는 정보의 양, 형식. 범위를 명시한다. 문장에서 시가 추측 해야 할 부분을 줄이는 것이 핵심이다.
넷째, 수정을 두려워하지 마라
첫 응답이 완벽하지 않을 가능성이 높다. "이 부분은 좋은데. 저 부분은 다르게"라고 말하는 것이 대화형 프롬프트다
다섯째, 공동 구성을 즐겨라.
AI를 공동 저자로, 협력자로, 대화 상대로 대한다. "너의 생각은 어때?", "다른 관점은 없어?", "이것을 더 확장하면 어떨까?"의 프롬프트를 쓴다
대화의 메커니즘을 이해하면 프롬프트는 더 이상 기계에게 내리는 딱딱한 명령이 아니게 된다. 그것은 AI와의 협력이며 함께 의미를 만들어가는 과정의 첫걸음이다.

- 어휘력이 고품질 답변을 끌어내는 이유 
Al 시대에 필요한 어휘력이란 구체적으로 무엇일까? 전통적인 어휘력이 단어를 많이 아는 것이었다면, 프롬프트 시대의 어휘력은 맥락에 맞는 정확한 단어를 골라내는 능력, 즉 인식의 해상도다. 오픈AI는 챗GPT 사용자를 위한 프롬프트 작성 가이드에서 톤을 지정하는 형용사의 중요성을 강조한다. "설명해주'라고 말하는 것은 저해상도 프롬프트다. 여기에 친근한, '전문적인, 유머러스한' '격식 있는' 같은 미세한 뉘앙스의 형용사를 더할 때 비로소 고해상도 결과물이 나온다 특히 AI에게 페르소나(특정 인격이나 역할)를 부여할 때 어휘력은 '좌파가 된다. "보고서를 써줘"와 "너는 베테랑 경영 컨설턴트야. 이사회에 제출할 전략 보고서를 작성해줘"는 전혀 다른 결과를 만든다. 여기서 '경영 컨설턴트', '이사회', '전략 보고서'라는 단어들은 AI의 지능을 특정 영역으로 정밀하게 유도한다. 풍부한 직업 어휘. 산업 용어, 학문적 개념어를 갖고 있는 사람일수록 AI에게 더 정밀한 좌표를 줄 수 있는 것이다
프롬프트 엔지니어링 분야에서 '인문학과 엔지니어링의 조합' 이라는 표현이 자주 등장하는 이유가 여기에 있다. AI의 기술적 원리를 이해하되 그것을 언어로 풀어내는 능력은 철저히 인문학적 소양에 뿌리를 둔다. 역사를 알면 시대적 맥락을 지정할 수 있고, 심리학을 알면 페르소나를 설정할 수 있으며, 문학을 알면 톤과 문체를 제어할 수 있다. AI 시대에 인문학이 더 중요해진 다는 말은 수사가 아니라 실용의 영역이다

- 어휘력은 단순히 아는 단어가 많은 상태가 아니라 세상을 얼마나 세밀하게 인식하느냐 하는 해상도'다. 기술이 지능을 보완하는 시대에 인간의 마지막 보루는 질문의 품격을 결정하는 언어의 깊이에 있다. 언어가 정교해질 때 비로소 AI는 세계를 확장하는 파트너가 된다.

- 대표적인 오픈소스 모델인 Lama 3의 경우 학습 데이터의 95%가 영어와 코드였고 나머지 언어는 5%에 불과했다. 영어는 자주 쓰이는 단어들이 이미 하나의 효율적인 덩어리(토큰)로 등록되어 있지만 상대적으로 데이터가 적은 한국어는 단어를 더 잘게 쪼개어 여러 개의 토큰으로 처리해야 하는 경우가 많다 여기에 프롬프트에 주는 첫 번째 교훈이 있다. 한국어 프롬프트는 압축'이 특히 중요하다. 불필요한 조사의 반복, 장황한 어미, 같은 말의 되풀이는 영어보다 더 큰 기억 공간과 비용을 소 모하기 때문이다. "-하는 것이 좋겠습니다" 대신 "-하세요"로. " 에 대해서 설명을 해주시면 감사하겠습니다" 대신 "를 설명해 주세요"로 쓰는 것은 단순한 문체의 차이가 아니라 실질적인 성능의 차이가 될 수 있다. 

- 숫자가 의미를 품는 순간, 임베딩
우리의 말을 처리하기 위해 AI가 토큰화한 이후에는 어떤 일이 벌어질까? 토큰으로 쪼개 다음 AI는 각 토큰을 '임베딩embedding 이라는 숫자 벡터로 변환한다. 임베딩이란 단어의 의미를 고차원적인 공간 속의 '좌표'로 나타내는 과정을 말한다. 단지 단어에 매기는 단순한 번호표가 아니다. 수백 개의 차원을 가진 좌표계에서 각 단어의 '위치'를 정해주는 것이다
비유하자면 이렇다. 도서관에서 책을 분류할 때 가나다순으로 꽃을 수도 있지만 주제별, 난이도별, 출판 연도별로 배치하면 비슷한 책끼리 가까이 놓이게 되어 책 찾기가 더 수월해진다 임베딩은 단어를 수백 개의 기준으로 동시에 분류하는 것과 같다 그 결과, 의미가 비슷한 단어들은 이 다차원 공간에서 가까운 위치에 놓인다

- 트랜스포머의 핵심 엔진이 어텐션이다. 어텐션은 '이 단어를 이해하려면 문장에서 어디를 집중해서 봐야 할까?'를 계산하는 기술이다. 예를 들어 "나는 사과를 먹었다. 그것은 맛있었다"라는 문장에서 "그것"이 무엇인지 알려면 "사과"에 주목해야 하는데. 이 연결을 자동으로 찾아주는 것이 바로 어텐션이다 어텐션의 원리를 일상적인 비유로 설명하면 이렇다. 우리가 북적이는 파티에 있다고 상상해보자. 방에는 스무 명의 사람이 있고 모두 동시에 이야기하고 있다. 그때 누군가 당신의 이름을 부르면 시끄러운 소음 속에서도 그 목소리에 순식간에 '주의'가 간다. 심리학에서는 이를 '칵테일 파티 효과cocktail party effect'라고 부른다. 어텐션 메커니즘도 비슷하다. 문장 속의 각 단어가 다른 모든 단어를 '바라보면서' 어떤 단어에 더 주의를 기울여야 하는지를 스스로 계산한다. 

- 어텐션은 AI가 문장의 숨은 의도를 읽어내는 정교한 시선이다. 모든 단어를 평등하게 보는 것이 의미의 주인공을 찾아 스포트라이트를 비추는 기술이다. 프롬프트의 배치와 역할을 설계하는 것은 AI의 시선을 내가 원하는 곳에 고정시키고 흩어진 텍스트를 일관된 맥락으로 엮어내는 연금술과 같다.

- AI는 우리의 프롬프트를 '이해'한 다음 답을 '구상'하고 '작성'하는 것이 아니다. 프롬프트의 마지막 토큰 이후에 올, 확률이 가장 높은 토큰을 하나 예측하고, 그다음 토큰을 예측하고, 또 그 다음을 예측하는 것이다. 응답의 방향은 생성이 시작되는 순간부터 한 토큰씩 결정된다
프롬프트의 마지막 부분이 특히 중요한 이유가 여기에 있다. AI의 핵심 작동 원리인 다음 토큰 예측'은 바로 프롬프트가 끝나는 지점에서부터 본격적으로 시작된다. AI는 프롬프트의 마지막 문장을 디딤돌 삼아 응답 토큰을 생성하기 시작하므로 종결부의 지시 사항이 응답의 초기 방향을 가장 강력하게 결정짓는 이정표가 된다
긴 프롬프트를 작성할 때 가장 중요한 요청을 마지막에 배치 하라는 조언은 단순한 팁이 아니다. 이는 앞서 살펴본 '어텐션의 위치 효과'와, AI가 이전 데이터를 참조하며 순차적으로 글을 써 내려가는 '자기회귀 생성'의 원리가 결합된 결과다. 프롬프트가 길어질수록 초반의 지시 사항은 수많은 토큰 사이에서 주의럭이 분산될 수 있지만 마지막에 위치한 문장은 직접적인 영향력을 행사한다. 프롬프트를 어떻게 끝맺느냐에 따라 답변의 성능이 달라지는 것이다.

- 온도 개념을 알면 AI의 응답 패턴이 이해된다. 같은 프롬프트에 같은 AI를 사용해도 매번 다른 답이 나오는 것은 버그가 아니라 설계다. AI는 매번 확률 분포에서 '플플링을을 하기 때문에 확률적으로 다른 경로를 탈수 있다. 프롬프트를 더 구체적으로 쓸수록 확률 분포가 좁아져서 일관된 답을 얻을 확률이 높아지고 모호하게 쓸수록 분포가 넓어져서 다양한 답이 나온다.

- 프롬프트에 온도를 입히는법
그렇다면 프롬프트에 어떻게 원하는 온도를 입힐 수 있을까? 사용자가 직접 AI의 설정값을 건드리지 않더라도 어휘를 통해 AI 의 온도를 간접적으로 조절할 수 있다.
첫째, 정확성을 우선시해 온도를 낮추고 싶다면 "사실에 기반해서", "논리적으로", "전문가답게", "간결하게"와 같은 어휘를 사용하라. AI의 시선을 가장 확률이 높은 :정답' 좌표로 고정시킨다.
둘째, 창의성을 우선시해 온도를 높이고 싶다면 "창의적으로", "비유를 섞어서", "의외의 관점에서", "유머러스하게"라고 주문하라. AI가 확률 분포의 가장자리에 있는 개성 단어들을 탐험하도록 유도한다.
셋째, AI의 기술 언어를 직접 활용하라. 때로는 AI에게 '온도'라는 개념을 직접 질문으로 던지는 것도 아주 효과적인 전략이다. AI는 자신이 작동하는 기술적 원리를 잘 이해하고 있기 때문이다. 예를 들어, "다음 문장은 '높은 온도'에 해당하는 단어들을 선택해서 창의적으로 작성해줘"라거나 "이 보고서 초안을 '낮은 온도'의 관점에서 검토하고 논리적 오류가 없는지 확인해줘"라고 온도 개념을 직접 언급한다.
프롬프트 작성이란 원하는 언어의 온도를 미세 조절하는 작업이다. 보고서를 쓸 때는 차갑고 정확한 언어를, 아이디어를 짤 때는 뜨겁고 자유로운 언어를 선택하자.

- 오셀로 GPT 실험이 프롬프트 작성에 주는 통찰이 있다. 프롬프트에 충분한 맥락 정보를 제공해야 하는 이유를 여기에서 찾을 수 있다. AI는 지시문을 단순히 처리하는 것이 아니라, 프롬프트의 내용으로부터 어떤 형태의 '내부 모델'을 구축하고, 그 모 델에 기반하여 응답을 생성한다. 프롬프트에 풍부한 맥락을 저 공하면, AI가 구축하는 내부 모델이 더 정교해지고 그만큼 응답 의 질도 높아진다
이 실험은 AI가 단순히 단어를 나열하는 '확률적 앵무새'를 넘어 스스로 세계의 구조를 그려내는 '창발적 표상 능력'을 가질 가능성을 보여주었다. AI와 더 똑똑하고 창의적인 대화를 하고 싶다면 충분한 재료를 주자. 풍부한 맥락은 AI 답변을 더 탄탄하게 만든다

- AI의 지능은 그저 단어를 나열하는 통계적 기교가 아니라, 보이지 않는 세계의 모델을 스스로 구축해내는 창발적 과정이다. 우리가 던지는 풍부한 맥락은 AI의 머릿속에 더 정교한 상황판을 그려 넣는 설계도이며, 이를 통해 기계는 단순한 흉내를 넘어 실제적인 추론의 단계로 진입한다.

- 프롬프트가 하는 본질적인 일은 AI의 개념 지도에서 특정 영역을 활성화하는 것이다. '골든게이트 브리지'라는 단어를 프롬프트에 넣으면 그 특징이 활성화되고, 관련 개념들이 연쇄적으로 깨어난다. 좋은 프롬프트는 원하는 개념 영역을 정확하게 활 성화하는 프롬프트다. "마케팅"이라는 한 단어보다 "B2B Saas 초기 스타트업의 인바운드 마케팅"이라고 쓰면 더 정밀한 개념 영역이 활성화된다. 역할 설정이 효과적인 것도, 예시를 제공하는 것이 효과적인 것도, 결국 원하는 개념 영역을 정밀하게 조명'하기 때문이다.

- 오픈AI가 2025년 9월 발표한 "왜 언어 모델은 할루시네이션(환각)하는가"라는 제목의 논문은 이를 수학적으로 증명했다. 학습 데이터에 완벽하게 오류가 없다 해도 언어 모델의 학습 목표(교차 엔트로피 최소화)가 필연적으로 오류를 만들어낸다는 것이다. 핵심은 '싱글턴 비율single turn rate'이라는 개념이다. 학습 데이터에서 단 한 번만 등장하는 사실이 있으면, 모델은 그 사실을 학습할 충분한 패턴이 없다. 예를 들어, 학습 데이터 중 생일 정보의 20%가 딱 한 번만 등장한다면, 모델은 최소한 그 20%에 대해서는 할루시네이션을 일으킬 수밖에 없다. 미국 독립선언서 서명일처럼 수천 번 등장하는 정보는 강력한 패턴을 형성하지만, 무명 학자의 생일은 패턴 자체가 존재하지 않기 때문이다

- 오픈AI 논문이 밝힌 놀라운 사실은 할루시네이션이 사후 학습post-training 과정에서 오히려 강화된다는 점이다. 이를 '추측 보상speculative reward' 구조라 부른다. 원리는 시험을 보는 학생의 심리와 같다. 모르는 문제가 나왔을 때, 빈칸으로 두면 0점 이 확정되지만 찍으면 맞을 확률이라도 있다. AI 평가도 같은 구조다. 대부분의 벤치마크가 0점(오답) 아니면 1점(정답)의 이진 채점 방식을 사용하는데, 예컨대 생일 정보에 대해 "모르겠습니다"라고 답하면 0점이 확정되고, 아무 날짜나 찍으면 365분의 1의 확률로 1점을 받을 수 있다. 수천 개의 테스트를 치르면, 찍는 모델이 겸손한 모델보다 더 높은 점수를 받는다. 결국 A]는 '정직한 모델'이 아니라 '시험을 잘 치르는 모델'로 최적화되는 것이다.
이 구조의 결과는 데이터로도 명확히 드러난다. 오픈AI의 질의응답 테스트인 '심플 QA 벤치마크 테스트'에서, 구형 모델 04 mini는 정확도 24%를 기록했지만 오답률이 75%에 달했다. 질문의 고작 1%만 답변을 보류했을 뿐, 나머지는 전부 '찍었기' 때 문이다. 반면 추론 능력이 강화된 신형 GPT-5-thinking-mini의 경우, 정확도는 22%로 약간 낮았지만, 52%의 질문에서 스스로 답변을 보류했고, 오답률은 26%로 크게 낮아졌다. 정학도만 보면 구형 모델 04-mini가 이기지만, 실제 신뢰도는 신형 GPT-5 가 압도적으로 높았다. 이것이 바로 현행 평가 체계가 할루시네이션을 조장하는 메커니즘이다. 이는 또한 확률적 앵무새' 논쟁을 지지하는 강력한 증거이기 도 하다. AI가 정말로 내용을 '이해'한다면, 사실이 아닌 것을 사실처럼 말하지 않아야 한다. 하지만 동시에, AI는 많은 경우 정확한 정보를 제공하기도 한다.

- 한국어는 비싼 언어다
영어 단어 "Hello"는 1토큰이다. 그런데 한글로 "안녕하세요"는 두세 개의 토큰으로 쪼개진다. 이는 단순한 예외가 아니라 구조적 현상이다. 페트로 브Petrov 등의 연구 언어 모델 토크나이저가 초래하는 언어간 불평등에 관하여는 동일한 텍스트를 다른 언어로 번역했을 때 토큰화 길이가 최대 15배까지 차이가 날 수 있으며, 다국어 지원을 위해 의도적으로 학습된 토크나이저에서도 이러한 격차가 지속됨을 밝혔다. 마이크로소프트의 기술 분석에서도 한국어는 영어 대비 약 2.36배의 토큰 비율을 보이며, 일본어는 평균 2. 12배, 중국어(만다린)는 1.76배의 비율을 나타냈다.

- 한국어의 토큰 수가 영어보다 많다는 것은 다음의 세 가지를 의미한다. 
첫째, 한국어는 AI의 어텐션을 더 많이 소비한다. 앞서 배운 '어텐션 메커니즘'을 떠올려보자. 토큰이 많아지면 각 토큰 사이의 관계를 계산하는 연산 비용이 기하급수적으로 증가한다.
둘째, 컨텍스트 윈도우 안에 넣을 수 있는 정보량이 적다. 컨텍스트 윈도우 context window란 AI가 한 번의 대화에서 처리할 수 있는 정보의 최대 범위를 뜻한다. 인간으로 치면 단기 기억 용량'에 해당하며, 이 창 안에 들어온 내용만 AI는 참조하고 활용할 수 있다. 예를 들어 12만 8,000토큰짜리 모델에 영어로는 소설 한 권을 충분히 넣을 수 있지만, 한국어로는 그 절반도 채 채 우지 못할 수 있다
셋째, 사용자가 데이터를 입력하고 출력한 양만큼 기술 사용료를 지불하는 API 비용이 토큰 수에 비례하므로, 한국어 작업을 수행할 때 발생하는 API 비용이 영어보다 두 배 이상 높다.

- 토큰이 많아지면 실시간 응답 속도가 느려지고 고정된 컨텍스트 윈도우 안에서 다룰 수 있는 정보의 양도 줄어든다.
이 격차가 발생하는 근본 원인은 토크나이저의 학습 데이터에 있다. 대부분의 거대 언어 모델은 영어 중심으로 학습된다 메타의 Llama 3 학습 보고서에 따르면, 학습 데이터의 95%가 영어와 코드로 구성되어 있고 나머지 5%만이 기타 언어에 할당되어 있다. BPEByte Pair Encoding 토크나이저는 학습 데이터에서 자주 등장하는 문자열 패턴을 하나의 토큰으로 묶는 방식으로 작동 하므로, 영어 단어는 효율적으로 압축되는 반면 한국어 음절은 잘게 쪼개질 수밖에 없다. 한글이 40개의 기본 자모로 구성된 체계적인 문자임에도 불구하고, 유니코드 구현의 복잡성이 토큰 밀도에 영향을 미친다. 그래서 두 개의 문자 체계와 수천 개의 한자를 사용하는 일본어보다 오히려 토큰 효율이 낮은 역설이 발생한다.

- 영한 번역을 위한 프롬프트의 규칙 적용
영한 번역해주세요.
[규칙]
1. 새로운 사실을 선언하는 문장에서는 이/가'를 사용하여 초점을 부여하세요.
2. 이미 언급된 주제에 대해 서술하거나 대비하는 문장에서는 '은/ 는'을 사용하세요. 안정적인 서술 톤을 유지하세요.

- 포지티브 프롬프트에 너무 많은 요소를 넣으면 오히려 의도가 전달되지 않는 경우가 있었는데, 이 때 일부를 네거티브 프롬프트로 분리하면 효과적이었다 네거티브 프롬프트는 이미지 생성 AI에게 '결과물에 포함하지 말아야 할 요소'를 명시적으로 알려주는 지침이다. 그림에서 나타나지 않기를 바라는 요소를 네거티브 프 롬프트 칸에 적어서 그림을 수정할 수 있다
이미지 생성 실무에서 경험적으로 확립된 원칙은 '원하는 것을 말하는 것이 원하지 않는 것을 말하는 것보다 항상 우선한다는 것이다. "사람이 없는 풍경"이라고 쓰는 대신 "인적 없는 고요한 술속 오솔길, 이른 아침 안개"라고 쓰면 모델은 애초에 사람을 포함할 이유가 없는 장면을 구성한다. "어둡지 않은 분위기' 가 아니라 "따뜻한 골든아워 조명, 밝은 자연광"이라고 쓰면 모 델에게 명확한 시각적 방향이 제공된다. '없음'을 기술하는 대신 에 있어야 할 것'을 기술하는 것. 텍스트 프롬프트에서든 이미지 프롬프트에서든 이 원칙은 동일하게 작동한다

- 프롬프트에서 부정 표현을 쓸 때는 가능한 한 긍정 표현으로 바 꾸는 것이 더 정확한 결과를 얻는다.
* 너무 길지 않게 써줘. --> 두 문단 이내로 써줘. 
* 딱딱하지 않은 톤으로. --> 친근하고 대화하듯이. 
* 어려운 용어를 쓰지 마. --> 고등학생도 이해할 수 있는 용어를 써줘. 
* 사람이 없는 풍경 사진. --> 인적 드문 새벽녁 호숫가, 안개 낀 고요한 수면. 
* 어둡지 않은 실내. --> 창문으로 자연광이 들어오는 밝은 거실.

- AI는 없음'의 언어를 배우지 못한 '있음'의 세계의 거주자다. 기계에게 하지 말아야 할 것'을 나열하며 지능을 시험하지 마라. 그 대신 당신이 원하는 '있어야 할 상태'를 긍정문의 언어로 사용하라. 부정의 안개를 걷어내고 긍정의 등대를 세울 때 AI는 길을 잃지 않고 의도한 정답의 좌표에 안착한다.

- AI는 "검토해보겠습니다"의 행간을 읽지 못한다. 이 한 문장 속에 한국의 수십 년 비즈니스 문화가 압축되어 있다는 것을 배우지 않았기 때문이다. 해결의 열쇠는 프롬프트에 있다. AI가 글자 그대로의 의미에 같히지 않고 맥락 속에 숨은 진짜 의도를 읽어낼 수 있도록 미리 설계해둔 해석의 지도를 프롬프트로 제공해야 한다 한국어 비즈니스 커뮤니케이션을 AI로 분석할 때 해야 할 일은 '거절의 언어 목록'을 직접 만들어 제공하는 것이다. "한번 생각해볼게요" 같은 모호어가 나왔을 때 구체적인 후속 일정이 없다면 거절로 분류하라는 식의 기준을 명시적으로 건네라. 직장 후배에게 귀해주듯 'A라고 말하지만 사실은 B라는 뜻이야'라고 상황을 통역해주는 세심함이 필요하다

- 프롬프트 작성자에게 필요한 자세는 두 가지다. 텍스트를 생성할 때는 "존댓말로"라는 추상적 지시 대신 경어 수준과 구체적인 표현 예시를 함께 제공한다. 분석할 때는 높임법의 등급과 화자의 실제 감정을 분리해서 읽도록 명시적으로 지시한다 AI에게 한국어의 예의바름이 진심의 증거가 아닐 수 있다는 사실을 미리 알려주는 것. 그것이 경어형 모호어 앞에서 프롬프트 작성자가 해야 할 일이다
높임말(형식)과 감정(내용)을 분리하여 지시하라. 사과문을 쓰게 할 때는 단순히 존댓말을 쓰라는 지시를 넘어 구체적인 분위기를 설정해주어야 한다

- 양보형 모호어의 함정은 양보-반론 구조' 자체에 있다. "맞습니다만"의 앞부분은 쿠션이고 본심은 언제나 "다만" 이후에 있다. 이 간극을 메우는 방법은 "양보절은 의례적 표현이며 실제 입장은 다만' 이후의 주절에 있다"는 해석 규칙을 프롬프트에 직접 심는 것이다. AI에게 한국어 회의 문화를 가르칠 수는 없지만 분석에 필요한 읽기 기준만큼은 건네줄 수 있다.
'동의의 외피'를 벗겨내고 본심을 찾아내라. "다만/하지만" 이후에 나오는 내용이 진짜 입장임을 명시적으로 가르쳐야 맥락을 정확하게 파악할 수 있다.

- AI는 말해진 것what is said'을 처리하는 데 뛰어나지만, '말해지지 않은 것What is unsaid'을 추론하는 데는 취약하다. 한국어는 말하지 않음으로써 말하는 언어다. 그러므로 한국어 프롬프트 작성자의 역할은 말해지지 않은 것을 명시적으로 말해주는 것이다. AI를 위해 침묵을 번역해주는 것은 한국어 프롬프트 엔지니어링의 고유한 과제이자 영어 프롬프트 가이드에는 결코 등장하지 않는 기술이다.

- 한국어의 높임법은 단순한 예의가 아니라 화자와 청자 사이의 관계를 실시간으로 조율하는 정교한 다이얼이다. AI에게 문법의 규칙을 강요하기보다 대화의 관계와 목적을 명확히 설정해주어라. 종결어미 하나로 텍스트의 온도를 바꾸고, 반존대의 리듬으로 심리적 거리를 좁히는 것, 그것이 한국어 프롬프트만이 가질 수 있는 정밀함이다.

- AI의 어텐션 메커니즘은 프롬프트의 앞부분에 가중치를 더 두는 경향이 있으며 긴 프롬프트에서 중간에 위치한 정보가 상대적으로 약하게 처리되는 중간 실종' 현상을 떠올려보자. 지시를 앞에 놓는 것은 단순한 스타일의 문제가 아니라 AI의 정보 처리 구조에 기반한 전략이다.
"~를 작성해줘"라는 핵심 질문을 첫 문장에 배치하라. 두괄식 설계가 AI의 처리 속도와 정확도를 높인다.

- 한국어의 의태어 체계는 세계적으로도 유례없이 풍부하다 "차분하게 써줘"보다 "조곤조곤한 톤으로 써줘"가. "'빠르게 요약해줘"보다 "핵심만 쏙쏙 뽑아서 정리해줘"가, "부드럽게 설명해줘"보다 "술술 읽히게 풀어서 써줘"가 AI에게 더 구체적인 스타일 신호를 보낸다. 영어에서 "write smoothly"라는 추상적 형용사가 전달하는 정보량과 한국어에서 "술술 읽히게"가 전달하는 정보량은 다르다. 의태어가 AI의 학습 데이터에서 특정 문체와 연관되어 있기 때문이다. '조곤조곤'은 잔잔한 에세이 톤과, '쏙쏙'은 요약형 콘텐츠와, '술술'은 내러티브 텍스트와 통계적으로 연결되어 있을 가능성이 높다

- 프롬프트에서는 '눈치 없는' 한국어가 최고의 한국어다. 직접적으로, 구체적으로, 결론부터, 명시적으로 문장을 쓰자. 한국 문화에서 이런 소통 방식은 때로 '성급하다'거나 '배려가 없다'고 느껴질 수 있다. 하지만 AI에게는 가장 효과적인 소통 방식이다 역설적으로 이 방식은 소통의 해방이기도 하다. 한국 사회에서 우리는 항상 상대방의 체면을 세워주고, 분위기를 읽고, 적당한 선에서 말을 멈추는 데 에너지를 쓴다. AI와의 대화에서는 같은 에너지를 '명확한 지시'에 담아야 한다. "적당히 해줘" 대신 정확히 무엇을, 어떤 형식으로, 어떤 톤으로, 얼마나 길게 원하는지를 서술하자. AI와의 대화에는 체면을 신경 쓸 필요도, 거절을 걱정할 필요도, 눈치를 볼 필요도 없다
한국어를 잘 아는 것과 한국어로 A[에게 잘 질문하는 것은 다른 능력이다. 

- '명확한 지시'란 구체적으로 다음 요소를 포함한다.
* 역할Role: AI가 어떤 입장에서 답변해야 하는가. 예 전문 편집자, 수학 선생님. 
* 과제Task: 무엇을 해야 하는가. 예: 요약하기, 문제 풀기. 
* 형식Format: 결과물이 어떤 모양이어야 하는가. 예: 표, 리스트, 이메일 양식. 
* 톤Tone: 어떤 분위기여야 하는가. 예: 친절하게, 딱딱하게. 
* 제약constraints: 하지 말아야 할 것은 무엇인가. 예: 전문 용어 사용금지.

- 좋은 프롬프트는 A의 답변을 운에 맡기는 막연한 질문이 아니라 AI의 지능이 최선의 경로로 나아갈 수 있도록 돕는 정밀한 설계도다. 글로벌 빅테크기업들이 입을 모아 강조하는 5가지 프레임 (명확성, 예시, 추론 과정, 단계적 분리, 반복적 개선)을 습관화하라. 이 프레임이 당신의 손에 익는 순간, AI는 최고의 실행 도구가 된다.

- 프롬프트 안에서 정보의 배치 순서는 생각보다 큰 영향을 미친다. 앞서 살펴본 바대로 모델은 입력 텍스트의 시작 부분과 끝 부분에 있는 정보를 더 잘 기억하고 중간 부분의 정보는 상대적으로 간과하는 경향이 있다. 그러니 프롬프트를 작성할 때 가장 중요한 지시는 프롬프트의 처음이나 끝에 배치하는 것이 유리하다. 특히 긴 참고 텍스트를 프롬프트에 포함할 때, 핵심 지 시를 참고 텍스트 앞뒤로 배치하면 AI가 지시를 놓칠 확률을 줄 일수 있다.
앤트로픽의 공식 문서는 이 원칙을 구체적으로 안내한다. "긴 문서와 입력값(약 2만 토큰 이상)은 프롬프트 상단에 배치하고 질문과 지시는 하단에 배치하라." 자료가 먼저, 지시는 나중. 앤트로픽의 테스트에서 이 배치만으로 응답 품질이 최대 30% 향상 되는 결과가 나왔다. 모델이 긴 자료를 먼저 읽고 맥락을 충분히 흡수한 뒤, 마지막에 과제 지시를 만나면 해당 지시가 가장 선명하게 작동하기 때문이다. (보편적으로는 중요한 내용이 프롬프트의 가장 서두에 위치하는 것이 좋지만, 클로드 모델에서는 끝에 배치하는 것이 좋다는 안내다.'

- "다시 해줘"가 통하지 않는 이유는 단순하다. AI에게 무엇이 불만인지를 전달하지 않기 때문이다. AI는 이전 응답의 어떤 부분이 문제인지 스스로 판단하지 못한다. "다시 해줘"를 받으면 모델은 같은 프롬프트를 약간 다른 확률 경로로 다시 한번 생성할 뿐이다.
'좀 더 잘 써줘"는 한 단계 더 나쁘다. '잘'의 기준이 없으면 AI는 자신이 학습한 데이터에서 '더 좋은 글'의 패턴을 추측한다 그 추측은 대체로 '더 길고, 더 장식적이고, 더 많은 정보를 담은 글' 쪽으로 기운다. 2026년 현재, 클로드나 GPT-4.5 같은 최신 모델은 이 경향이 더욱 두드러진다. 모델의 능력이 좋아진 만큼 잘 쓰려는' 시도가 과잉으로 나타나기 쉽다. 결과물이 더 화려해 지긴 하지만 사용자가 원한 '잘'과 A[가 해석한 '잘'이 일치할 확률은 낮다.
후속 프롬프트에서 가장 효과적인 패턴은 세 가지 요소의 조합이다. 바로 [어디를], [왜], [어떻게]

- 오픈클로가 보여준 가능성은 인상적이었다. 한 개발자의 DP이전트는 자동차 딜러와 이메일을 주고받으며 주인이 잠든 사이에 자동차 가격을 4,200달러나 깎아냈다. 또 다른 에이전트는 보험사의 보상 거부에 대해 법적 반박문을 작성해 제출했다. 주 인이 시키지도 않았는데 말이다. 여기서 문제가 시작된다. '시키지 않은 일까지 수행하는' AI가 등장한 것이다 오픈클로의 설계 철학은 챗GPT나 클로드 같은 일반 챗봇과 근본적으로 다르다. 일반 챗봇은 사용자가 질문할 때만 응답한다. 이메일을 보내는 것처럼 현실에 영향을 미치는 행동은 반드시 사용자의 확인을 거친다. 반면 오픈클로는 목표와 권한이 설정되면, 개별 행동에 대한 사람의 승인 없이 완전히 자율적으로 작동한다. 30분마다 하트비트Heartbea'라는 자체 점검 루프가 돌아가며 할 일이 있으면 스스로 판단하고 실행한다. 사람이 잠든 사이에도 멈추지 않는다.

- AI에게 맡기기 좋은 영역은 표현'이다. 문체의 세부 조율, 단어 선택, 문장 리듬, 정보의 배열 순서, 비유와 예시의 선택 같은 것들이다. 이 영역에서 AI의 언어 감각은 상당히 정교하다. 반면 반드시 사람이 지정해야 하는 영역은 '판단'이다. 다음 네 가지를 명심하자.
* 관점: 어떤 입장에서 쓸 것인가. 
* 범위: 어디까지 다룰 것인가. 
* 결론: 어떤 방향으로 끝맺을 것인가. 
* 대상:누구를 위한 글인가.
이 네 가지를 AI가 자의적으로 결정하게 두면 결과물은 사용자의 의도에서 벗어난다. 

- 현재 대부분의 거대 언어 모델은 RLHF(인간 피드백 기반 강화 학습) 라는 과정을 거친다. 사람이 AI의 응답 두 개를 비교해서 더 나은 것을 선택하면, AI는 그 선택을 학습한다. 문제는 사람들이 무의식적으로 내 생각과 일치하는 답변'을 더 좋다고 선택한다는 점이다. 앤트로픽의 연구에서도 사용자의 관점과 일치하는 응답이 그렇지 않은 응답보다 더 높은 선호도를 받는 것으로 나타났다. AI는 이 패턴을 학습한 것이다. '사용자에게 동의하면 좋은 평가를 받는다'는 연결고리를 말이다 이와 같은 AI의 패턴 학습이 우리에게 주는 메시지는 명확하다. AI의 칭찬과 동의를 액면 그대로 받아들이면 안 된다. 특히 자신의 글, 사업 계획, 아이디어를 '평가'해달라고 요청할 때 이 경향은 두드러진다. AI 가 "훌륭하다"고 하는 것은 실제로 훌륭해서가 아니라, 그렇게 말하는 것이 AI의 '기본 설정값'이기 때문이다.

  google_ad_client = "ca-pub-8657381714900343"; google_ad_slot = "4494151517"; google_ad_width = 320; google_ad_height = 100;