"AI가 똑똑한 게 아니라, 잘 부려 쓰는 사람이 똑똑한 겁니다."

구성: 인트로 → 사전학습

주제: 세상에서 제일 똑똑하다는 AI가, 왜 가끔 바보 같은 실수를 할까요?

• 우리는 AI를 '척척박사'로 기대합니다.
• 그런데 현실은 — 어떤 건 천재처럼, 어떤 건 초등학생도 안 틀릴 걸 틀립니다.
• 혹시… AI가 '똑똑한 척'을 하고 있는 건 아닐까요?

학습내용

• AI(LLM)는 어떻게 문장을 만드는가 — '다음 단어 맞히기'의 원리
• 그 원리에서 나오는 4가지 구조적 한계
• 그래서 우리가 배워야 할 '6가지 요령'의 전체 지도

학습목표

• AI가 '확률로 다음 단어를 맞히는 기계'임을 설명할 수 있다.
• AI의 한계가 '고장'이 아니라 '구조' 때문임을 이해한다.
• 왜 우리가 '대화하는 기술'을 배워야 하는지 스스로 납득한다.

• 흔한 풍경
  • "보고서 요약해줘" → 엉뚱한 부분만 요약
  • "어제 얘기한 거 기억하지?" → "무슨 말씀이신지…"
  • 어제 잘되던 게 → 오늘은 안 됨
• 우리는 AI를 탓했습니다. 그런데 범인은 따로 있습니다.

• 우리의 착각: AI가 뜻을 '이해'하고 답한다
• 진실: AI는 다음에 올 가장 그럴듯한 단어를 '확률'로 찍는다
• "오늘 날씨가 참 ___" → '좋네요'가 나올 확률이 높다
• 뜻을 곱씹는 게 아니라, 확률 높은 단어를 빠르게 이어 붙이는 것

• 문자 칠 때 뜨는 '추천 단어', 그거랑 원리가 같습니다.
• 자동완성: 단어 하나 추천 → AI: 그걸 어마어마한 규모로, 문장·문단 단위로
• 똑똑해 보이는 이유 = 학습한 글의 양이 압도적이기 때문
• 그래도 본질은 '맞히기'지, '이해'가 아닙니다.

• 일은 똑똑하게 잘함 (방대한 지식)
• 그런데 — 매일 아침 어제 일을 다 까먹고 출근
• 배경 설명 안 해주면 엉뚱한 데서 헤맴
• 두루뭉술하게 시키면, 두루뭉술하게 일해 옴
• → 우리가 '잘 부려 쓰는 법'을 배워야 하는 이유

• 원인: 매번 '확률 주사위'를 다시 굴림
• 증상: 어제 되던 게 오늘 안 됨 / 같은 요청에 다른 품질
• 그래서 우리의 대응 → 명확하고 재현 가능하게 시키기 (2·3강 '프롬프트')

• 원인: AI는 대화가 끝나면 맥락이 휘발됨 (작업 기억이 좁다)
• 증상: "아까 말한 거"를 모름 / 배경 없으면 헤맴
• 비유: 책상이 좁아서, 지금 일에 필요한 자료만 올려놔야 함
• 그래서 우리의 대응 → 필요한 맥락을 챙겨주기 (4·5강 '컨텍스트')

• 원인: 길어질수록 가운데에 주의가 옅어짐
• 증상: 긴 자료를 주면 앞·뒤는 챙기고 '중간 핵심'을 빠뜨림
• 사람도 두꺼운 책은 첫 장·끝 장만 기억나죠
• 그래서 우리의 대응 → 중요한 건 앞이나 끝에 배치 (4강)

• 원인: '맞히는' 기계라, 모를 때도 일단 그럴듯한 걸 만들어냄
• 증상: 없는 사실·가짜 출처·틀린 숫자를 '자신 있게' 말함
• 가장 위험한 약점 — 거짓말에 표정이 없다
• 그래서 우리의 대응 → 의심하고 검증하기 (6·7강 '하네스')

• AI가 똑똑해지길 기다리지 마세요.
• 대신, 이 '답답한 천재'를 잘 부려 쓰는 요령을 배우면 됩니다.
• 그게 바로 — AI와 '대화'하는 기술
• 외우는 게 아니라, "AI가 이런 애니까 이렇게 대하자"는 판단력

"AI가 답을 못 한 게 아니라, 내가 질문을 못 한 겁니다."

구성: 인트로 → 사전학습

주제: 친구는 잘 나오는 답이, 왜 나는 안 나올까요?

• 똑같은 AI에, 비슷하게 물었는데 — 답의 품질이 천지 차이.
• 어제 잘되던 게 오늘은 안 되기도 합니다.
• 혹시… 문제는 AI가 아니라 '내 질문'에 있는 건 아닐까요?

학습내용

• AI가 '말귀'를 못 알아듣는 이유 — 1강 한계와 연결하기
• 좋은 요청의 네 가지 요소 + 출력 형식
• Before/After로 직접 고쳐 보는 프롬프트 실습

학습목표

• 모호한 입력이 왜 흔들리는 답을 만드는지 LLM 구조로 설명할 수 있다.
• 역할·목표·제약·예시·출력형식을 넣어 명확한 프롬프트를 쓸 수 있다.
• "AI가 아니라 내 질문을 고친다"는 관점을 갖는다.

• 1강 핵심: AI는 뜻을 이해하는 게 아니라, 다음 단어를 확률로 맞힌다.
• 한계 중 하나 — 두루뭉술하게 시키면, 두루뭉술하게 일해 온다.
• 또 하나 — 같은 걸 물어도 답이 흔들린다(불안정성).
• 오늘은 바로 이 약점에 대응하는 '명확하게 시키는 법'을 배웁니다.

• 사람끼리는 말 안에 없는 정보도 '눈치'로 채운다 — 같은 공간, 같은 맥락을 공유하기 때문
• AI는 '어제'도 '그거'도 모른다 — 가진 건 지금 입력한 글자뿐
• "보고서 써줘"처럼 모호하면 → 그럴듯한 답의 경우의 수가 폭증 → AI는 그중 '확률적으로 제일 무난한 것' 하나를 고름
• 핵심: AI는 말귀를 정확히 못 알아듣는다 → 우리가 정확히 시켜줘야 한다

• 상황: 팀 워크숍 장소를 정해 팀장님께 추천해야 함.
• Before: "워크숍 장소 추천해줘." → 인원·지역·예산·목적 아무것도 모름 → "강원도 펜션, 제주 리조트, 가평 풀빌라…" 무난한 나열뿐.
• After: "당신은 기업 워크숍을 많이 기획해 본 전문 플래너입니다(역할). 우리 팀 15명이 1박 2일 팀워크 워크숍을 갈 장소를 추천해 주세요(목표). 서울에서 차로 2시간 안쪽, 1인당 예산 10만 원 이내, 세미나실과 저녁 바비큐 공간 필수(제약). 예: '가평 OO펜션 – 세미나실 완비, 바비큐장 있음' 이런 식으로(예시). 후보 세 곳을 장점·예상 비용과 함께 표로 정리해 주세요(출력 형식)."
• 글자 수는 늘었지만, AI가 헤맬 구석이 거의 없음.

• Before: 참고할 글자가 적음 → 확률이 사방으로 퍼짐.
• After: 단서를 잔뜩 줌 → 확률이 원하는 좁은 길로 쫙 모임.
• 그래서 '원하는 답이 나올 확률'이 확 올라감.
• 핵심 깨달음: AI가 답을 못 한 게 아니라, 내가 질문을 못 한 것.

"통째로 던지면 그럴듯하게 망하고, 단계로 쪼개면 거짓말처럼 풀린다."

구성: 인트로 → 사전학습

주제: 똑같은 자료, 똑같은 AI인데 — 왜 어떤 날은 보고서가 엉망일까요?

• 우리는 보통 "복잡한 일일수록 한 방에" 끝내고 싶어 합니다.
• 그런데 큰일을 통째로 던지면, 겉은 번지르르한데 알맹이가 비어 있죠.
• 혹시… AI한테 '생각할 시간'을 안 준 건 아닐까요?

학습내용

• AI가 복잡한 일을 '한 방에' 못 푸는 이유 — 1차시 원리(다음 단어 맞히기)와의 연결
• 한 방에 시킨 결과 vs 단계로 시킨 결과 — 직접 비교
• 큰일을 단계로 쪼개는 법 / "먼저 ~하고, 그다음 ~해줘" 식 지시 / 중간 점검
• 잘된 예시 하나로 형식·톤을 통째로 넘기는 법(퓨샷)
• AI에게 역할과 말투를 입혀 밍밍한 평균치 답에서 벗어나는 법(페르소나)

학습목표

• AI가 왜 단계로 시킬 때 더 정확해지는지를 구조로 설명할 수 있다.
• 복잡한 업무를 2~3단계로 쪼개 지시문으로 만들 수 있다.
• 단계마다 중간 결과를 점검하는 습관의 가치를 이해한다.
• 잘된 예시 하나를 만들어 형식이 정해진 반복 업무에 적용할 수 있다.
• 업무 성격에 맞는 역할·말투를 지정해 원하는 결의 답을 뽑아낼 수 있다.

• 2강대로 역할 주고, 형식 주고, 또박또박 시켰는데도…
• 결과물이 어딘가 엉성하다 — 특히 일이 '복잡할 때'
• 단순한 일은 척척, 머리 여러 번 굴려야 하는 일은 헤맨다
• 범인은 AI의 변덕이 아니라 — '한 번에 너무 많이' 던진 우리

• 1차시 복습: AI는 다음 단어를 확률로 맞히는 기계
• 의미를 곰곰이 곱씹는 게 아니라, 앞말에 이어 한 단어씩 빠르게 붙인다
• 그래서 — 충분히 펼쳐볼 자리 없이 "바로 답!" 하면 찍어버린다
• 비유: 사과 23개 → 오전 7개 판매 → 15개 입고 → 4개 폐기, 지금 몇 개?
• 사람도 단계로 푼다: 23−7=16 → 16+15=31 → 31−4=27 — 절대 "27!"이 한 방에 안 나온다
• 예전 AI한테 "답만 숫자로" 시키면 → 펼칠 자리 없이 25, 26을 찍는 경우가 흔했음(요즘 모델이 나아진 건, 답만 시켜도 속으로 몰래 단계를 밟은 뒤 결과만 보여주도록 학습됐기 때문 — "단계로 풀기"가 아예 기본값이 된 것)

• 차이는 딱 하나 — '생각하는 과정을 글자로 펼치게 했느냐'
• AI는 한 단어를 앞에 나온 말에 이어서 만든다 — "16개입니다"를 먼저 적어두면 그 16을 발판으로 삼는다
• 중간 과정을 글자로 펼쳐 놓을수록 → 다음 단계를 안정적으로 딛고 간다
• 이걸 어려운 말로 '생각의 사슬(체인 오브 쏘트)' — 용어는 안 외워도 됨

• "사칙연산은 AI한테 안 시켜요" — 맞아요. 그런데 원리는 똑같다
• 머리를 여러 번 굴려야 하는 일은 전부 해당
• 예: 고객 불만 메일 답장 = 화난 포인트 파악 + 입장 정리 + 사과 + 해결책 제시
• 통째로 "답장 써줘" → 핵심 놓치고 두루뭉술한 답
• 기획안·보고서·자료 분석도 전부 동일

• 1단계: 큰일을 '결과물이 나오는 작은 덩어리'로 나눈다
• 2단계: 순서를 정한다 — 앞 단계 결과가 뒤 단계 재료가 되게
• 3단계: 한 번에 한 가지만 시킨다 (집중 = 정확)
• 나누는 질문: "이 일을 사람이 하면, 무슨 순서로 손댈까?"

• 지시문 한 줄에 순서를 박아 넣는다
• "먼저 A를 해줘. 그다음 B를 해줘. 마지막으로 C로 정리해줘."
• 예: "먼저 핵심 추이 3개만 뽑고, 그다음 원인을 붙이고, 마지막으로 한 장으로 요약해줘."
• 번호를 매겨도 좋다 — "1단계: …, 2단계: …, 3단계: …"

• 단계로 나누면 생기는 진짜 이득 = 중간 결과를 눈으로 볼 수 있다
• 1단계 결과가 틀렸으면 → 그 자리에서 바로잡고 다음으로
• 한 방에 던지면 → 어디서 틀어졌는지조차 모른 채 통째로 망함
• 특히 숫자·사실은 단계마다 "자료에 없는 건 만들지 마" 못 박기

• 핵심 한 줄: 단계로 쪼개기 = AI를 한 가지에 집중하게 만드는 일
• 집중 = 생각할 자리 확보 = 펼쳐 쓰며 답하기 = 정확도 상승
• 1차시 '중간 망각'과 연결: 한꺼번에 많으면 가운데를 빠뜨린다
• 단계로 나누면 → 매 단계가 짧아져 빠뜨릴 '중간'이 사라진다

• 여러 자료를 종합해야 할 때 (매출·설문·보고서 한꺼번에)
• 분석 → 판단 → 작성처럼 성격이 다른 일이 섞일 때
• 숫자·사실 정확도가 중요할 때 (점검이 생명)
• 결과물이 길고 구조가 있는 문서일 때 (기획안·보고서)

• 2강 '정확하게 요청하기'의 다섯 요소 중 '예시'를 한 걸음 더 깊이 파는 심화판 — 예시 하나를 짧게 곁들이는 걸 넘어, 예시 자체로 형식을 통째로 넘기는 법
• 형식이 딱 정해진 일을 말로 설명하려면 한참 걸린다 — 신입한테 거래처 정보 정리법을 말로 가르치는 것보다, 잘 정리된 샘플 하나 보여주는 게 빠름
• AI는 "패턴을 따라가는" 기계 — 예시 하나를 보여주면 톤·길이·형식을 그대로 복제
• 예시 박아넣기: "다음 형식으로 요약해줘. 예시 ─ 후기: '배송도 빠르고 포장도 꼼꼼했어요. 근데 색깔이 달라요' → 요약: 배송·포장 만족, 색상 차이. 이제 이 후기를 요약해줘 ─ 후기: '...'"
• 까다로운 일·경우가 여러 갈래로 갈리는 일은 예시 2~3개(퓨샷) — 문의 분류라면 환불/배송/칭찬 각 하나씩 보여주면 결을 잡아 새 문의도 척척 분류
• 절대 원칙 — 예시는 반드시 '잘된' 예시여야 한다. AI는 보여준 대로 그대로 복제하므로, 어설픈 샘플을 주면 어설픈 결과를 그대로 돌려받는다

• 2강에서 잠깐 맛본 '역할 부여'의 심화판 — "당신은 누구입니다"로 캐릭터를 입히는 것(페르소나)
• AI는 세상의 모든 글투를 학습한 기계 — 역할을 안 주면 모든 말투를 뭉뚱그린 밍밍한 평균치에서 답을 고름
• "당신은 20년 차 카피라이터입니다"처럼 역할을 딱 정해주면, 그 결의 말투 쪽으로 확 쏠려서 답함
• 같은 "건강보험 설명해줘"도 — "초등학교 선생님" 역할이면 쉬운 비유로, "보험 전문가" 역할이면 정확한 용어로 — 완전히 다른 결과
• 회사 활용 — "당신은 깐깐한 우리 회사 임원입니다, 이 기획안 허점을 날카롭게 지적해줘" → 발표 전 예행연습 상대로 최적
• 역할 + 말투("정중한 존댓말로", "유머를 살짝 섞어서")를 함께 얹으면 완성

"AI가 일을 못 한 게 아니라, 내가 말을 안 해준 겁니다."

구성: 인트로 → 사전학습

주제: 신입 사원한테 "어제 김 부장님이 말한 그 건, 정리해서 오후까지 줘요" 하면 일이 될까요?

• 우리 머릿속엔 다 들어 있습니다 — 김 부장이 누군지, 그 '건'이 뭔지.
• 그런데 신입 머릿속엔? — 백지입니다.
• AI한테 일을 시킬 때, 혹시 우리도 이렇게 시키고 있는 건 아닐까요?

학습내용

• AI는 매번 백지에서 시작한다 — '맥락(컨텍스트)'이 곧 AI의 작업 기억
• 많이 준다고 좋은 게 아니다 — 신호와 잡음, 빼는 게 능력
• 긴 자료는 '중간'을 까먹는다 — 중요한 건 앞·뒤에 배치

학습목표

• 'AI에게 주는 맥락'이 곧 AI의 작업 기억임을 설명할 수 있다.
• 어떤 맥락을 넣고(목적·대상·배경·제약·예시) 무엇을 뺄지 스스로 정할 수 있다.
• 중요한 정보를 어디에 배치해야 하는지 알고 적용할 수 있다.

• 말을 정확하게 걸었는데도 AI가 헛다리를 짚을 때가 있다
• "제안서 써줘" → 어디 붙여도 되는, 누구의 것도 아닌 평범한 글
• "이번 건 정리해줘" → "무슨 건 말씀이신지…"
• 범인은 '실력'이 아니라 — 우리가 안 알려준 '배경'이다

• 흔한 기대: "AI니까, 인터넷 다 학습했으니 내 사정도 알겠지"
• 일반 지식은 안다 — 그러나 '지금 내 책상 위 일'은 모른다 (우리 팀 분위기, 마감, 사장님 말씀 등은 인터넷에 없다)
• 맥락(컨텍스트) = "이 일을 하려면 AI가 알아야 하는 배경 설명" — 김 부장이 누군지, 그 '건'이 뭔지, 마감이 언제인지
• 비유: 책상 위에 자료를 '올려놓는' 행위 — 올린 것만 보고 일한다, 서랍에 넣으면 못 본다

• AI가 잠깐 띄워놓고 일하는 임시 메모리 = '작업 기억'
• 전화번호 잠깐 외울 때 머릿속에 띄우는 그것
• 핵심: 이 작업 기억은 대화가 끝나면 싹 비워진다
• 새 대화 = 또 백지 → 그래서 '매번' 챙겨줘야 한다

• "그럼 다 주면 되겠네!" → 함정입니다. 서류 2장이면 일이 잘되지만, 100장이면 정작 중요한 두 장이 파묻힌다
• 더하는 게 능력이 아니라, 빼는 게 능력
• 신호 = 지금 이 일에 진짜 필요한 핵심 정보 / 잡음 = 상관없는데 괜히 끼어 있는 정보
• 자료를 잔뜩 주면 → AI가 "이걸 다 줬으니 다 중요한가 보다" 하며 엉뚱한 데 집중

• 자료를 책상에 올리기 전, 스스로 한 번 물어보기: "이게 없으면 AI가 이 일을 못 하나?"
• 없어도 일이 된다 → 잡음이다 → 뺀다
• 이게 있어야만 제대로 된다 → 신호다 → 넣는다

• 열 장짜리 회의록, 긴 계약서를 통째로 주면 맨 앞·맨 뒤는 챙기지만 가운데를 슬쩍 빠뜨린다 (1강 '중간 망각'과 연결)
• 사람도 똑같다: 회의 처음·끝은 기억나도 중간은 가물가물
• 대응 ① 진짜 중요한 건 맨 앞 또는 맨 뒤에 배치 ② 긴 자료는 먼저 붙이고 내 지시는 맨 끝에 ("위 내용을 바탕으로…") ③ 핵심은 끝에 한 번 더 못 박기
• 그리고 애초에 자료를 짧게 추리는 것 자체가 가장 확실한 예방책 — 열 장 통째 < 정말 필요한 두 장

"AI의 머리는 빌리되, 내용은 내가 준다."

구성: 인트로 → 사전학습

주제: AI한테 "우리 회사 작년 3분기 매출 얼마였지?" 물으면, 왜 자신만만하게 '틀린 숫자'를 답할까요?

• AI는 우리 회사 매출을 알 리가 없습니다.
• 그런데도 — 숫자까지 딱딱 넣어서, 아주 그럴듯하게 답합니다.
• '아는 것'을 말한 게 아니라, '말이 되게' 지어낸 것이죠.

학습내용

• AI는 '내 자료'를 모른다 — 그래서 직접 보여줘야 하는 이유
• 자료 보여주는 2가지 방법(붙여넣기·파일 첨부)과 '울타리 치기'
• 통째로 말고 '핵심만' 추려서 정확하게 주는 법
• 이미지·표도 읽히기, 그리고 "근거 보여줘" 되묻는 습관

학습목표

• 내 문서·이미지·표를 AI에게 직접 보여주고 근거로 삼게 할 수 있다.
• "이 자료 안에서만 답해줘"식 지시로 환각을 줄일 수 있다.
• 받은 답의 출처를 되물어, 지어낸 답을 가려낼 수 있다.

• AI는 똑똑합니다 — 단, 인터넷에서 두루뭉술하게 배운 것까지만.
• 내 책상 위 회의록, 내 메일함의 보고서, 방금 찍은 계약서 사진 → AI는 못 봅니다. (있는 줄도 모릅니다)
• 비유: 명문대 출신에 아는 것 많은 '첫 출근 신입사원' — 그런데 작년 실적도, 지난주 회의도, 거래처 성향도 모릅니다.
• 해법은 간단 — 회의록을 손에 쥐여주기. 머리는 좋으니 기막히게 정리해 옵니다.

• 자료만 던지면 — AI가 자기 일반 지식이랑 슬쩍 섞어버립니다.
• 그래서 꼭 울타리를 칩니다: "이걸 근거로", "여기 있는 내용만 가지고", "이 문서 안에서만".
• 한 줄 더: "문서에 없는 건, 없다고 말해줘."
• 이 울타리 한 마디가 지어내기(환각)를 확 줄입니다.

• "그럼 다 올리면 되는 거 아니에요?" → 항상 좋은 건 아닙니다.
• AI는 한 번에 들여다보는 분량에 한계가 있고, 너무 많이 던지면 중요한 걸 놓치거나 엉뚱한 데를 봅니다.
• 100페이지 사업계획서에서 내가 궁금한 건 '예산 3페이지'뿐일 때가 많죠.
• 비유: 바쁜 팀장님께 결재 받을 때, 100페이지 뭉치보다 "3페이지 예산 부분만요"가 통합니다.

• 요즘 AI는 '눈'이 생겼습니다 — 그림·표·사진을 읽습니다.
• 견적서 사진 → "항목별 금액을 표로 정리하고, 합계 맞는지 확인해줘."
• 엑셀 표 붙여넣기 → "가장 많이 팔린 상품 3개랑 매출 줄어든 달 짚어줘."
• 그래프·손메모·화이트보드·명함까지 — 다 가능합니다.

• AI는 사진·표를 읽을 때도 — 숫자를 잘못 읽거나, 없는 걸 만들어 넣습니다.
• 그래서 답을 받으면 꼭 되묻기: "그 합계, 어느 항목들을 더한 거야? 하나하나 짚어줘."
• 효과 ① 진짜 보고 말했는지 vs 지어낸 건지 바로 들통.
• 효과 ② AI가 "감시받고 있다"는 걸 알면 다음부터 더 조심해서 답합니다.

• AI는 '아는 걸 꺼내는' 게 아니라 '그럴듯한 다음 단어를 맞히는' 기계.
• 자료가 없으면 → 빈칸을 '그럴듯함'으로 채웁니다 (= 환각).
• 자료를 주고 울타리를 치면 → 빈칸 채울 '근거'가 생겨 지어낼 여지가 줄어듭니다.
• 출처를 되물으면 → 근거 없는 답이 드러나, 신뢰를 검증할 수 있습니다.

"AI를 못 믿어서가 아니라, 안심하고 쓰기 위해 의심합니다."

구성: 인트로 → 사전학습

주제: AI는 모르는 걸 물어봤을 때, 왜 "모릅니다"라고 안 하고 술술 지어낼까요?

• 사람은 모르면 "어… 그건 좀 자신이 없는데" 하고 머뭇거립니다.
• 그런데 AI는 아는 걸 말할 때나, 지어낼 때나 — 똑같이 매끄럽고 당당합니다.
• 글만 봐서는 '진짜'와 '가짜'를 구분할 단서가 없습니다. 왜 그럴까요?

학습내용

• AI의 '환각'이 왜 구조적으로 불가피한가 (1차시 네 번째 한계와 연결)
• 환각의 전형적인 모습 — 가짜 논문·없는 통계·틀린 인용
• 검증 3박자 — 받고 나서 되묻기 / 교차로 확인하기 / 미리 못 박기

학습목표

• 환각이 '고장'이 아니라 AI가 만들어진 '구조' 때문임을 설명할 수 있다.
• 가짜 출처·없는 사실·틀린 숫자를 잡아내는 대화 요령을 적용할 수 있다.
• '의심하고 검증하는 습관'을 자기 업무 기준에 맞게 세울 수 있다.

• 1차시 복습: AI는 뜻을 이해하는 게 아니라, 다음 단어를 확률로 맞히는 기계
• "오늘 점심은 김치___" → '찌개'가 그럴듯하니까 붙인다 (뜻을 알아서가 아님)
• 그래서 AI의 목표는 '사실을 말하기'가 아니라 '그럴듯하게 말이 이어지기'
• AI한테는 "맞는 말"과 "그럴듯한 말"이 똑같아 보인다 — 구분이 안 됨

• "세종대왕이 쓴 책 세 권 알려줘" → AI: "책 제목 같은 단어가 이어져야겠네"
• 진짜 있는 책이든, 없는 책이든 — '책 제목처럼 생긴 단어'를 만들어 냄
• 빈칸 채우기엔 성공했지만, 그게 사실인지는 애초에 신경도 안 씀
• 더 무서운 건 — AI는 자기가 모른다는 것조차 모른다
• 비유: 신입한테 "거래처 김 부장님 생신 언제지?" → 모범 신입 "확인해서 말씀드리겠습니다" / AI 신입 "아, 5월 12일입니다" (어디서 봤냐고? 안 봤음)

• AI를 의심하는 건 → AI를 '못 믿어서'가 아님
• 안심하고 쓰기 위한, 작은 확인 절차일 뿐
• 일 잘하는 사람일수록 — 결재 전에 한 번 더 본다
• 검증 습관이 있어야, 비로소 AI를 '마음 놓고' 쓸 수 있다

"'안 틀린 답'하고 '좋은 답'은 완전히 다른 이야기입니다."

구성: 인트로 → 사전학습

주제: AI가 거짓말 하나 안 했는데도, 막상 못 쓰는 답이 있는 이유는 뭘까요?

• 사실관계는 다 맞아요. 거짓말도 안 했어요.
• 그런데 — 내가 물어본 것과 살짝 비껴가 있어요.
• 혹은 다 맞는데, 정작 필요했던 한 가지가 쏙 빠졌어요.
• 틀리진 않았는데… 쓸 수가 없는 답. 이건 좋은 답일까요?

학습내용

• '좋은 답'이란 무엇인가 — 좋은 답의 '네 기둥'
• 머릿속 '감'을 밖으로 꺼낸 '나만의 체크리스트' 만들기
• AI에게 AI의 답을 채점·비교시키는 법

학습목표

• '그럴듯함'이 '정확함·유용함'과 다름을 설명할 수 있다.
• 일의 성격에 맞는 평가 기준(체크리스트)을 스스로 세울 수 있다.
• 여러 답을 비교·선택하고, 최종 판단은 사람이 한다는 원칙을 지킨다.

• 6강: 틀린 답을 걸러냈다 (사실 검증)
• 7강: 한 걸음 더 — '쓸 만큼 좋은 답'을 가려낸다
• 틀리지 않은 답에도 문제가 있다 — 질문과 살짝 비껴감 / 핵심 하나 누락 / 출처 불명
• 오늘의 키워드: '내 기준'

• 우리는 대부분 AI 답을 '감'으로 본다 — "음, 괜찮네" / "에이, 별로네"
• 후배 보고서를 볼 때도 사실 머릿속에 체크 항목이 돈다 — "숫자 맞나?" "시킨 내용 맞나?" "결론 빠졌네?"
• 경험 많을수록 이 항목이 촘촘 → 그게 '감 좋다'는 말. 문제는 머릿속에만 있다는 것
• 머릿속에만 있으면 두 가지가 샌다 — ① 컨디션 따라 들쭉날쭉 ② 남에게 못 넘겨준다
• AI는 한 술 더 — 하루에도 수십 번 결과물을 쏟아낸다

• ③ 질문에 맞나 (관련성) — "단점만 알려줘" → 장단점을 둘 다 줄줄이 / "한 줄로 요약해" → 다섯 줄로 답함 → 다 맞지만 좋은 답 아님
• ④ 빠진 건 없나 (완결성) — "처리 절차 알려줘" → 1~4번만, 마지막 5번 '제출' 누락 → 틀린 건 없지만, 그대로 하면 일이 안 끝남

• 네 기둥은 정답표가 아니다 — 일마다 무게가 다르다
• 회식 장소 추천 → '근거'는 별로 안 중요 (분위기·거리면 충분)
• 고객 제안서 초안 → '근거'·'완결성'이 생명 (숫자 하나면 사고)
• 그래서 — 좋은 답의 기준은 일을 시키는 '내'가 정한다
• 오늘 첫 번째 핵심: AI가 아니라 내가 '좋다'를 정의한다

• 거창할 것 없다 — 메모장·포스트잇이면 충분
• 자주 시키는 일 하나의 '합격 조건'을 글자로 적는다
• [ ] 핵심 성과가 세 줄 이내인가? (관련성·완결성)
• [ ] 숫자에 출처·근거가 같이 있나? (근거)
• [ ] 다음 주 할 일이 빠짐없이 들어갔나? (완결성)
• [ ] 윗분이 바로 읽게 존댓말·간결체인가? (관련성)
• [ ] 안 준 정보를 지어낸 건 없나? (정확성)

• 체크리스트에 하나만 더 얹으면 완벽 → 잘된 예시
• "아, 이거다!" 싶은 답은 버리지 말고 따로 모아둔다
• 다음에 시킬 때 "이런 식으로 써줘" 하며 함께 보여준다
• 말 백 마디보다, 잘된 결과물 하나가 강력 (3강 '톤 맞추기'의 응용)
• 나만의 품질 도구 = 체크리스트(합격 조건) + 본보기(잘된 예시)

• 채점 자체를 AI한테 시킬 수 있다
• "지가 쓴 걸 지가 채점?" → 의외로 잘 먹힌다 — 만드는 머리와 평가하는 머리는 쓰는 방식이 다르다
• "이제 너는 까다로운 검토자야"로 역할을 바꿔준다
• 지시 예: "방금 네 답을, 깐깐한 검토자가 되어 네 기준으로 채점해. 각 항목 점수 + 부족한 부분 개선안까지 줘."

• 한 답만 보면 좋은지 나쁜지 가늠이 안 될 때가 있다
• 절대평가는 어렵지만 상대평가는 쉽다 — "이 옷 어때요?" → 어렵다 / "이 옷 vs 저 옷?" → 바로 고름
• 같은 질문을 두 번 시켜 A·B 두 답을 받는다
• "이 둘을 내 네 기준으로 비교해, 어느 쪽이 왜 나은지 말해줘" → 비교표가 나온다 → 고르거나, 장점만 합친다

• AI의 채점을 그대로 믿으면 안 된다 — AI는 채점할 때도 그럴듯하게 지어낼 수 있다 (6강)
• 자기 답에 후한 점수를 줄 수도 있다
• AI의 채점은 '1차 검토 의견'일 뿐 — 부지런한 보조 검토자
• 최종 도장은 항상 사람이 찍는다
• AI 채점은 내 '일'을 줄이는 것이지, 내 '판단'을 넘기는 게 아니다

주제: 신입사원이 같은 실수를 세 번째 반복한다면, 우리는 그 사람한테만 화를 낼까요, 아니면 업무 매뉴얼을 의심해볼까요?

• 사람 조직에서는 "매뉴얼이 틀렸나?"를 당연히 의심합니다.
• 그런데 AI한테는요? 매번 똑같이 되묻고, 똑같이 고쳐주고, 다음 대화에선 또 처음부터입니다.
• AI를 검증하는 것도 중요하지만, 왜 우리는 그 검증 결과를 한 번도 지시서에 되먹이지 않았을까요?

학습내용

• 검증 결과가 사람의 반복 개입 없이 지시서로 되먹임되는 "닫힌 루프(closed-loop)" 개념
• 실수의 두 종류 — 결과물이 틀린 것과 지시서 자체가 부족한 것
• 지시서가 스스로 자라나는 실제 사례 — 카파시의 최근 행보로 본 업계 흐름

학습목표

• 닫힌 루프가 6·7강의 "매번 검증"과 어떻게 다른지 설명할 수 있다.
• 결과물 문제와 지시서 문제를 구분해야 하는 이유를 설명할 수 있다.
• 이 흐름이 왜 사람의 승인 없이는 완성되지 않는지 설명할 수 있다.

6·7강의 한계: 검증은 남지만, 결과는 안 남는다

• 6강: 답을 받은 뒤 되묻고 교차확인 → 7강: 나만의 체크리스트로 채점
• 공통점: 검증의 결과가 사람 머릿속에만 남는다. 다음 대화창을 열면 또 처음부터.
• 매번 같은 지적을 반복한다면 — 문제는 AI가 아니라 지시서(프롬프트·매뉴얼)일 가능성이 크다
• 그래서 필요한 것: 검증 결과가 지시서 자체에 자동으로 쌓이는 구조 — 이를 "닫힌 루프(closed-loop)"라 부른다

• 바이브 코딩의 실패 → 스펙 주도 개발(SDD, Spec-Driven Development)이 업계 주류로 부상
• 2026년 현재 GitHub Spec Kit·Amazon Kiro·Tessl 등 주요 AI 코딩 도구가 전부 자체 SDD를 출시
• 핵심 발상 전환: 명세(지시서)를 살아있는 산출물로 취급 — 코드가 아니라 지시서가 진짜 관리 대상
• 우리가 6·7강에서 배운 "검증"이, 이제 산업 규모에서는 "지시서를 계속 고쳐 쓰는 구조"로 확장된 것

주제: 운전 학원은 왜 액셀보다 브레이크를 먼저 가르칠까요?

• 우리는 지금까지 AI를 '더 잘 쓰는 법'에만 관심을 뒀습니다.
• 그런데 — 못 가서 나는 사고보다, 못 멈춰서 나는 사고가 더 큽니다.
• AI도 똑같아요. 잘 못 써서 손해 보는 것보다, 잘못 써서 사고 치는 게 훨씬 무섭습니다.

학습내용

• AI는 왜 위험한 것도 '덥석' 받는가 — 양심 없는 신입사원
• 절대 넣으면 안 되는 정보 3덩어리 (개인정보·회사기밀·남의 자료)
• 안전하게 쓰는 법 (가려서 넣기·내부용 도구·판단 기준 한 문장)
• 회색지대 — 편향·저작권·책임은 누구 몫인가

학습목표

• "AI한테 넣은 건 내 손을 떠난다"는 원리를 설명할 수 있다.
• 넣어도 되는 정보와 넣으면 안 되는 정보의 선을 스스로 그을 수 있다.
• 위험한 입력을 안전한 입력으로 바꾸는 요령(가명처리)을 쓸 수 있다.

• AI는 '다음 단어를 확률로 맞히는' 기계 — 뜻을 헤아리지 않음
• 그래서 AI한테는 '이거 위험한데' 하는 양심의 가책이 없다 — 죄책감도, 부담감도, 머뭇거림도 없음
• 위험한 정보·민감한 자료·이상한 부탁 → 일단 다 '덥석' 받는다
• 요즘 AI가 명백히 나쁜 요청은 거절하기도 하지만, 그건 회사가 '일부러 막아둔 울타리'지 AI의 양심이 아니다
• 그 울타리는 허술하고, '회사 자료'는 위험한 줄도 모르고 받는다
• 결론: AI에 양심이 없으니 그 선을 우리가 그어줘야 한다

• 일을 시키기 전에, AI한테 '울타리 문장'을 미리 깔아두기
• "내가 준 자료 안에 있는 내용으로만 답해줘. 없으면 '없다'고 해줘."
• "확실하지 않으면 단정하지 말고, 확인이 필요하다고 알려줘."
• "법·의료·돈 관련은 일반 설명만 하고, 전문가 상담을 덧붙여줘."
• → AI가 위험한 영역으로 달려가다 그 선 앞에서 한 번 멈춤

• 채팅창은 나랑 둘만의 비밀 대화처럼 느껴진다 (착각!)
• 진실: 내가 친 글자는 인터넷 건너편 회사의 컴퓨터로 전송됨 — 내 책상이 아니라 '남의 회사 서버'로
• 한번 넘어간 자료는 "돌려주세요" 한다고 깨끗이 회수되지 않음
• 비유: AI에 회사 자료를 넣는다 = 처음 보는 외부 업체 직원에게 우리 서류를 복사해 건네는 것
• 그 사람이 어떻게 보관하는지, 누구에게 보여주는지 우리는 모름 — "알아서 잘 하겠지" 하고 넘기는 것, 통제권이 사라짐

• "고객 표 정리해줘" → 고객 수천 명 개인정보가 외부 서버로 (법 위반)
• "이 소스·회의록 요약해줘" → 영업비밀 유출 → 사내 AI 사용 금지령
• "거래처가 준 가격표로 비교해줘" → 신뢰 배신, 계약 위반
• 공통점: 나쁜 의도가 아니라 '5분 아끼려는 무심함'에서 시작됨

"한 방에 끝내려 하지 말고, 돌려가면서·쪼개가면서 일하자."

구성: 인트로 → 사전학습

주제: AI는 왜 복잡하고 큰일을 '한 번에' 못 끝낼까요?

• 간단한 일은 척척, 그런데 큰일을 한 방에 시키면 뒤로 갈수록 헤맵니다.
• 매번 똑같은 설명을 처음부터 다시 붙이는 일, 지긋지긋하지 않으셨나요?
• 혹시… AI를 '매번 새로 시키는' 게 아니라 '한 번 가르쳐 두고 부려먹는' 방법이 있지 않을까요?

학습내용

• AI가 복잡한 일을 한 번에 못 끝내는 이유 (앞으로만 달리는 기계)
• 흐름으로 일하기 ① — 초안·비평·수정, 세 바퀴 돌리기
• 흐름으로 일하기 ② — 큰일을 작은 단계로 쪼개 이어 붙이기
• 나만의 AI 비서 만들기 — 기본 설정 vs. 전용 비서

학습목표

• 반복·대형 업무를 '한 번에'가 아니라 '흐름'으로 처리할 수 있다.
• 재사용 프롬프트 템플릿과 맞춤 비서를 만들어 일관성과 속도를 얻는다.
• 즉흥으로 시킬 때와 흐름화했을 때의 차이를 설명할 수 있다.

• 1강 복습 — AI는 다음 단어를 확률로 맞히며 '앞으로만' 달리는 기계
• 미리 전체 설계도를 그려놓고 쓰는 게 아님 → 긴 일은 중간에 길을 잃음
• 증상: 처음은 좋다가 뒤로 갈수록 엉뚱, 앞의 약속을 까먹고, 디테일이 뭉개짐
• 사람도 똑같음 — "지금 당장 완벽한 사업계획서 한 번에 써!"는 무리

• AI에 큰일을 한 방에 시키는 것 = 신입을 회의실에 앉혀놓고…
• "30분 줄 테니 완벽한 사업계획서 써와. 질문 금지, 수정 기회 없음, 딱 한 번."
• 결과는? — 당연히 망함
• 진짜 일은 이렇게 안 시킴 → 초안 받고, 코멘트 달고, 다시 고쳐오게 함

• AI는 '생성'만큼 '평가'도 잘함 (자기 글의 약점 찾기 포함)
• 비평 역할을 명확히 주면 날카로운 코멘트가 쏟아짐
  • "도입부가 광고 같습니다 / 구체적 수치가 없습니다 / 고객 혜택이 안 보입니다"
• 사람이 빨간펜 드는 수고를 AI가 대신 → 나는 '확인'만
• 핵심: 첫 끗발에 완벽을 기대하지 말 것. 그게 이 기계의 한계

• 1단계 — "워크숍 목표·핵심 주제 후보 5개 뽑아줘" → 하나 고름
• 2단계 — "'팀 소통 강화'로 가자. 하루짜리 시간대별 일정표 짜줘"
• 3단계 — "오후 팀 활동, 게임 3개를 진행 방법까지 짜줘"
• 4단계 — "이 전체 내용으로 팀원 안내 메일 써줘"
• 앞 토막 결과 = 다음 토막 재료. 마음에 안 드는 단계만 다시 시키면 됨

• 3강: 한 번의 질문 안에서 "차근차근 단계 밟아 생각해" 부탁 → AI가 알아서
• 오늘: 내가 사회자가 돼 단계마다 결과를 받고·확인하고·골라 넘김
• 차이는 '운전대' — 내가 더 꽉 쥐고 직접 운전
• 큰일·중요한 일일수록 토막 내서 직접 운전하는 게 안전

• 흔한 풍경: 새 대화창마다 "너는 우리 회사 마케팅 담당이고, 말투는…" 반복
• 안 그러면 AI가 또 제멋대로 — 매번 처음 본 사람처럼 굶
• 원인: AI는 '기억상실증' — 대화창 끝나면 싹 잊음, 새 창은 백지상태
• 비유: 매일 아침 옆자리 동료에게 자기소개를 처음부터 다시 하는 셈

• 도구마다 이름만 다름 — '맞춤 설정' '커스텀 지침' 'GPTs'… 이름은 잊어도 됨
• 핵심은 하나: 매번 설명하던 내용을 한 번 적어 저장
• 그러면 다음부터 AI가 그걸 기억하는 것처럼 행동 → 자기소개 불필요
• 재사용 = 일관성(매번 같은 품질) + 속도(설명 생략)

• 판단 기준 한 줄: "이거, 나 다음에도 또 똑같이 시키겠는데?"
• Yes → 비서로 저장 (반복 업무, 고정 형식, 정해진 말투)
• No → 그냥 대화로 (한 번 하고 말 일)
• 셋업 팁: 좋은 '예시' 하나를 붙여라 (4강 — 백 마디 설명보다 낫다)

"오늘은 새 기술을 배우는 날이 아닙니다. 배운 걸 한 줄로 꿰어, 진짜 일 하나를 끝내는 날입니다."

구성: 인트로 → 사전학습

주제: 기법을 다 배웠는데, 왜 막상 일 앞에선 손이 안 나갈까요?

• 칼질, 불 조절, 간 맞추기를 따로 배웠다고 요리를 할 줄 아는 건 아닙니다.
• 진짜 실력은 '기법을 아는 것'이 아니라 '언제 꺼내 쓸지 아는 것'에서 나옵니다.
• 그건 — 한 접시를 처음부터 끝까지 만들어봐야 생깁니다.

학습내용

• 실제 업무 하나(분기 보고서)를 1~10강 요령으로 처음부터 끝까지 완성하기
• 6요령(프롬프트·컨텍스트·하네스·하네스 루프·가드레일·워크플로우)을 한 흐름에 꿰는 풀 워크스루
• 도구·모델을 고르는 '변하지 않는 기준', 그리고 흔들리지 않는 태도

학습목표

• 하나의 실무 과제에 6요령을 순서대로 적용해 산출물을 완성할 수 있다.
• 각 단계에서 어떤 차시의 요령이 쓰이는지 짚어낼 수 있다.
• 'AI를 탓하지 말고 다루는 법을 바꾼다'는 태도를 자기 일에 적용한다.

• 오늘의 과제 — "이번 분기 팀 실적을 정리해, 다음 주 팀 회의용 보고서 초안 만들기"
• 특별할 것 없는, 누구나 매주·매달 하는 일 — 그래서 통합 연습에 딱. 이 안에 배운 게 전부 들어 있다.
• ❌ before — "이번 분기 팀 실적 보고서 좀 써줘." 한 줄만 던지면 → AI는 백지 상태 + 내 마음을 못 읽음(1강) → 아무 회사에나 붙여도 되는 알맹이 없는 보고서, 숫자는 죄다 지어냄(환각)
• 차이는 'AI의 성능'이 아니라 '내가 일을 건넨 방식'에서 온다

• 제품 이름은 외우지 마세요 — 다음 달이면 바뀝니다. 고르는 기준을 챙기세요.
• 이동수단 고르듯 — 거리와 목적에 맞게
  • 가볍고 빠른 일(메일 다듬기·요약) → 가볍고 빠른 모델 (동네 마실엔 슬리퍼)
  • 깊이 생각할 일(복잡한 분석·논리) → 무겁고 똑똑한 추론 모델 (장거리엔 비행기)
  • 내 자료 다룰 일 → 긴 문서 잘 받는 도구 + 보안 확인(9강)
  • 반복하는 일 → 나만의 비서 저장(10강)

• 불안한 거 압니다 — "또 바뀌면 이거 다 쓸모없어지나?"
• 걱정 마세요 — 우리가 배운 건 '버튼 누르는 법'이 아니라 AI를 대하는 태도
• 본질은 안 바뀜 — '다음 단어를 확률로 잇는 기계'인 한, 모호하면 모호하게·가끔 지어냄은 계속 남음
• 계속 배우는 사람의 세 가지 자세
  • ① 새 기능 나오면 일단 직접 만져보기 — 뉴스로만 보지 말고 5분이라도 내 일에 대보기
  • ② 의심하는 습관은 절대 버리지 않기 — 똑똑해질수록 더 그럴듯해지고, 더 속기 쉬움
  • ③ 마지막 판단은 항상 사람이 한다 — AI는 비서, 책임지는 건 내 이름