'슬라이드'를 '조기 경보 시스템'으로: AI에게 더 높은 야망을 주문하는 법

분기별 사업 리뷰(QBR) 자료를 준비할 때, 우리는 흔히 AI에게 데이터를 주고 "슬라이드 만들어줘"라고 요청합니다. AI는 성실하게 빈칸을 채우고 도표를 그려 주지만, 정작 회의에서 필요한 핵심 인사이트는 여전히 사람이 찾아내야 합니다.

이 지점에서 결과물의 층위를 완전히 바꾸는 접근법이 있습니다. 2026년 10월, 앤트로픽 엔지니어링 매니저 펠릭스 리제베르크는 자신의 블로그에서 분기 리뷰를 두고 다른 프롬프트를 제안했습니다. 그는 "분기 발표 자료보다 목적을 더 잘 달성할 방법을 설계하고, 과거 데이터로 문제 포착 시점이 앞당겨졌음을 증명하며, 한 분기 동안 기존 방식과 병행 실행해 달라"고 클로드에게 요청하라고 예시를 들었습니다. 같은 데이터를 쓰더라도 요청의 대상이 '슬라이드 작성'에서 '검증 가능한 시스템 설계'로 옮겨간다는 것이 이 기법의 핵심입니다. 리제베르크 매니저가 제안하는 방법은 프롬프트를 길게 쓰는 것이 아니라, AI에 요구하는 '대상' 자체를 옮기는 것입니다. ¹²

속도, 고도, 깊이, 범위로 나뉘는 AI 활용

리제베르크 매니저는 AI 모델의 역량이 모든 영역에서 균일하지 않다고 지적합니다. 수학자 테렌스 타오는 모델이 "어떤 방향에서는 경이로울 정도지만, 다른 방향에서는 형편없다"고 표현했을 정도로 기량이 들쭉날쭉하기 때문입니다. 이러한 불균형을 다루기 위해 그는 '야망'을 네 가지 층위(Speed, Altitude, Depth, Range)로 나누어 설명했습니다. 첫 번째인 속도(Speed)는 같은 일을 더 빨리 처리하는 개념으로 널리 알려져 있어 생략되며, 중요한 것은 이후의 세 가지 층위입니다.

흔히 프롬프트가 길어지고 지침이 세분화되면 더 좋은 결과가 나온다고 생각하지만, 핵심은 분량이 아니라 지향하는 결과물의 성격입니다.

• 고도(Altitude): 개별 작업 지시 대신 궁극적인 목표나 시스템 자체를 제시합니다.
• 깊이(Depth): 전문가가 실제로 사용하는 도구와 원시 데이터(Raw data)를 요구하고 이를 검증합니다.
• 범위(Range): 해당 분야를 넘어 타 분야의 관점과 조사 기법을 끌어옵니다. ¹²

고도 높이기: '템플릿 채우기'에서 '시스템 설계'로

가장 구체적인 사례는 분기별 비즈니스 리뷰(QBR)를 준비하는 과정입니다. 리제베르크 매니저는 가상의 기업 '애크미'의 사례를 들어, 같은 데이터를 가지고도 요청의 추상화 수준을 세 단계로 높이는 방법을 공개했습니다.

1단계는 기본인 '템플릿 채우기'입니다. 데이터를 바탕으로 "무엇이 바뀌었고, 왜 그랬으며, 무엇을 해야 하는지"를 묻습니다. 2단계는 결과물을 '의사결정'으로 재정의합니다. 그는 "시급한 의사결정 3가지를 도출하고, 가능한 방향성들과 찬반 논거를 정리해 줘"라고 지시해 단순한 정보 나열을 회의 안건으로 바꿉니다. 3단계는 형식 자체를 해체합니다. 마지막 요청은 다음과 같습니다.

"이 리뷰의 존재 이유는 경영진이 문제를 조기에 포착해 자금과 인력을 적재적소에 배치하기 위해서야. 분기별 발표 자료보다 그 목적을 더 잘 달성할 수 있는 새로운 방식을 설계해 줘. 우리 회사의 과거 데이터를 바탕으로 그 방식이 문제를 더 일찍 포착했을 것임을 증명하고, 한 분기 동안 기존 방식과 나란히 실행해 줘."

이 요청이 의도하는 산출물은 슬라이드 덱이 아니라, 과거 데이터로 예측력을 입증하고 기존 방식과 경쟁하는 새로운 운영 프로세스입니다. 리제베르크 매니저는 이 방식이 결과물을 놓고 실질적인 회의를 열어야 할 때 가장 효과적이라고 설명합니다. 다만 이 과정에서 AI가 실제 워크플로우를 변경하려면 모델이 소프트웨어를 설치하고 운영체제에 접근할 수 있는 환경이 미리 갖춰져 있어야 합니다. 그는 앱 무충돌 유지를 위해 클로드에게 충돌 보고서 접근 권한을 주고, 버전과 git 커밋을 매핑하며, 윈도우·맥OS·리눅스 컴퓨터에 접근하게 한 뒤 독립적으로 수정 사항을 검증하게 했다고 밝혔습니다. ¹²

깊이 높이기: 말투 흉내에서 '독립적 검증'으로

두 번째 층위는 깊이를 높이는 작업입니다. 리제베르크 매니저는 "모델에게 전문가처럼 행동하라고 하면, 실제 방법론은 그대로 두고 어휘만 바꾸는 경우가 많다"고 관찰했습니다. 예를 들어 "데이터 분석 전문가처럼 해줘"라고 하면, 모델은 전문 용어를 섞어 쓰면서도 결국 마크다운 표나 간단한 요약에 머무르기 쉽습니다.

깊이를 높이는 비결은 말투가 아니라 도구와 데이터에 있습니다. AI가 텍스트 표를 그리려 할 때, 일류 데이터 과학자가 사용하는 데이터베이스나 통계 모델을 사용하도록 요구해야 합니다. 구체적으로는 로우 데이터를 직접 열어 통념을 적대적으로(adversarially) 검증하게 하고, 모델 스스로 답이 맞았다고 평가하게 두지 말고 모델과 독립적인 외부 검증 기준(Outside judge)을 마련해야 합니다. 이를 위해 그는 다음과 같은 프롬프트 템플릿을 공개했습니다.

나는 이 작업의 '더 큰' 버전이 아니라 '더 깊은' 버전을 원해. 
프롬프트를 다시 작성하기 전에 다음을 먼저 답해줘:

(1) 이 분야 최고의 전문가라면 내가 요청하지 않은 무엇을 여기서 수행할까?
(2) 이미 가공되어 요약된 자료 대신, 그들이 출발점으로 삼을 가장 원시적인(rawest) 데이터는 무엇일까?
(3) 그들이 사용할 구체적인 방법론과 도구는 무엇일까?
(4) 너나 나(주관적 판단) 외에, 결과물이 옳다는 것을 객관적으로 증명해 줄 수 있는 기준은 무엇일까?

그런 다음, 정확히 그 내용을 요구하도록 내 프롬프트를 다시 작성해 줘.

이 요청은 모델이 스스로 '전문가의 도구'와 '독립적인 검증 기준'을 찾아내도록 강제하는 기능을 합니다. ¹²

범위 넓히기: 명사를 동사로 풀고 역할극 피하기

마지막 층위는 범위를 넓히는 전략입니다. 이는 작업의 명칭을 '동사'로 풀어 정의하는 데서 시작합니다. 톰 켈리와 조나단 리트만의 책 『이노베이션 기술』에 나오는 기법으로, 분기별 사업 리뷰는 단순한 '발표 자료(명사)'가 아니라 "바쁜 사람들에게 인과관계에 대한 이야기를 납득시키고, 불확실성 속에서 30분 안에 의사결정을 내리게 하는 것(동사)"으로 재정의될 수 있습니다. 이렇게 동사 덩어리로 놓고 보면 데이터 분석을 넘어 심리학, 저널리즘, 통계학 등 타 분야의 관점이 왜 필요한지 분명해집니다.

다만, "공매도 투자자처럼 말해줘"와 같은 단순 역할극은 피해야 합니다. 말투를 흉내 내는 것만으로는 수준 높은 리서치 결과를 얻을 수 없습니다. 리제베르크 매니저는 대신 "공매도 투자자가 자신의 포지션을 리서치할 때 실제로 수행하는 작업을 해줘"라고 지시해야 한다고 강조합니다. 역할극이 아니라 해당 분야의 실제 조사 기법을 작동시키는 것이 범위를 넓히는 진정한 의미입니다. ¹²

결론

리제베르크 매니저가 제시한 '야망을 높이는 프롬프트'는 정해진 형식을 채우는 템플릿이 아닙니다. 같은 데이터를 줄 때 요청의 방향이 '슬라이드 작성'에서 '조기 경보 시스템 설계'로 바뀌고(고도), '표 작성'에서 '독립적 통계 도구와 원시 데이터 검증'으로 밀려나며(깊이), '발표자 흉내 내기'에서 '타 분야 조사관 수행'으로 확장될 때 비로소 AI의 잠재력은 결과물의 질적 변화로 이어집니다. 다만 이러한 지시가 단순한 텍스트 생성을 넘어 실제 시스템 설계와 검증으로 이어지려면, AI가 데이터베이스나 외부 도구에 접근할 수 있는 기술적 환경이 전제되어야 한다는 점을 기억해야 합니다.