My AI Smarteasy 일타 저스틴 형님 강의 듣기 – Becoming AI Native: The Three M’s of AI MINDSET · METHOD · MACHINE
안녕하세요! 강사 저스틴(Justin)입니다. 반갑습니다. 한국어로 차근차근, 어려운 개념도 쉽게 이해하실 수 있도록 풀어 설명해 드리겠습니다.
오늘 다룰 내용은 의 Part 1: Mindset (How to think) 파트입니다. 이 장에서는 AI 시대를 살아가는 데 있어 기술 그 자체보다 왜 ‘사고방식의 전환‘이 우선되어야 하는지를 포괄적으로 다룹니다.
STAGE 1 — 왜 사고방식의 전환이 필요할까요?
많은 사람들이 AI를 단지 검색을 대신해 주거나 글을 대신 써주는 ‘단순 도구’로 접합니다. 하지만 AI를 보조 도구로만 바라보면 질문의 깊이가 얕아지고, 인공지능이 가진 참된 잠재력을 활용하기 어렵습니다. AI 시대의 핵심은 정답을 빨리 찾는 것이 아니라, 문제를 제대로 정의하고 AI와 함께 답을 찾아가는 사고의 틀을 갖추는 것입니다.
저스틴) 마인드셋을 이야기 하는 저스틴의 입장에서 이렇게 문제해결 방향성을 던지니 흥미가 갑니다.
STAGE 2 — 핵심 개념 풀어보기: 도구 중심에서 파트너 중심으로
AI 네이티브의 사고방식은 단순히 명령어를 입력하는 데 그치지 않고, 나의 사고 프로세스 자체에 AI를 협력자로 참여시키는 것을 의미합니다.
| 구분 | 기존의 사고방식 (Tool-based) | AI 네이티브 사고방식 (Partner-based) |
|---|---|---|
| 인공지능의 역할 | 정답을 찾아주는 검색기/대필기 | 생각을 확장하고 검토해 주는 관점의 파트너 |
| 핵심 역량 | 프롬프트 단어를 잘 외우는 기술 | 문제의 본질을 정의하고 맥락을 설계하는 능력 |
| 사고의 과정 | 일방적인 지시 및 결과 수령 | 대화를 통한 지속적인 피드백과 아이디어 구체화 |
이해되시나요? 결국 AI 네이티브가 된다는 것은 기술적 지식 이전에 ‘어떻게 질문하고, 결과를 비판적으로 검토하며, 아이디어를 구조화할 것인가’에 대한 사고력을 기르는 일입니다.
STAGE 3 — 실제로 어떻게 사고를 적용할 것인가?
- 맥락 형성하기: 단순 지시를 넘어 목적과 배경, 제약 조건을 명확히 설정하여 AI에게 문제를 전달합니다.
- 비판적 재구성: AI의 답변을 그대로 받아들이지 않고, 논리적 허점을 찾거나 다른 관점을 요구하며 검증합니다.
- 점진적 대화: 한 번의 질의응답으로 끝내지 않고, 피드백을 주고받으며 생각을 한 단계씩 발전시켜 나갑니다.
STAGE 4 — 요약 및 정리
Part 1의 핵심 메시지는 AI를 대하는 우리의 관점 재설정입니다. AI를 단순한 작업 처리기가 아닌 지적 파트너로 인식할 때, 비로소 AI 네이티브로서의 사고가 시작됩니다.
AI 네이티브로 거듭나기 위한 총 5강 커리큘럼을 구성했습니다. 전체 과정을 먼저 안내해 드린 뒤, 오늘 제1강을 정식으로 진행하겠습니다.
📚 전체 5강 커리큘럼 로드맵
- 제1강: AI 네이티브의 마인드셋 — 디폴트 시프트와 직무 분해 (Part 1: Ch 1~2)
- 제2강: AI 환각을 이기는 질문법과 생산성 J-커브 (Part 1: Ch 3~4)
- 제3강: 어떤 업무부터 자동화할 것인가? — 제약 조건과 EAD 진단 (Part 2: Ch 5~6)
- 제4강: 스마트한 시스템 설계 — AI 피라미드와 프로세스 맵 (Part 2: Ch 7~8 & Ch 9)
- 제5강: AI 시스템의 실전 구축과 안전한 운영 — 맥락, 권한, 단계별 출시 (Part 3: Ch 10~12)
AI 네이티브의 마인드셋 — 디폴트 시프트와 직무 분해
참고 문헌: Nate Herk (2024), Becoming AI Native, Chapter 1-2
[OPENING]
왜 어떤 사람은 주 70시간씩 야근을 하고도 해고되고, 어떤 사람은 칼퇴를 하면서도 4인분의 성과를 낼까요? 저자 네이트 허크(Nate Herk)는 책의 시작에서 마케팅 팀장 다니엘과 신입 사원 프리야의 이야기를 들려줍니다. 차이는 지식이나 기술이 아니라 ‘습관‘이었습니다. 오늘 그 첫 번째 습관을 알아봅시다.
STAGE 1 — 왜 사고방식의 전환이 필요할까요?
기존의 생산성 규칙은 완전히 바뀌었습니다. 내가 직접 손으로 처리하는 작업의 양이 많을수록, 오히려 성공과는 멀어지는 시대가 되었죠.
다니엘은 회사에서 가장 부지런한 사람이었습니다. 모든 이메일과 문구를 직접 검토했습니다. 반면 프리야는 정시에 퇴근했지만, 9개월 동안 구축한 자신만의 AI 에이전트들을 활용해 다니엘보다 2배 높은 성과를 냈습니다. 다니엘은 ‘업무 전체’를 AI에게 맡기려다 실패했지만, 프리야는 아주 ‘작은 단 하나의 작업’부터 AI에게 넘기기 시작했습니다.
STAGE 2 — 핵심 개념 풀어보기: 디폴트 시프트와 직무 나무
1. 디폴트 시프트 (The Default Shift)
원문에서는 AI 네이티브를 다음과 같이 정의합니다.
“AI 네이티브는 아는 것이 아니라, 손이 어디로 향하는가이다.” (AI native isn’t what you know. It’s what your hand reaches for.)
반복적인 수동 작업에 직면했을 때, 습관적으로 “이 작업의 최소 30%라도 AI가 어떻게 대신할 수 있을까?”라고 2초간 멈춰 질문하는 습관. 이것이 바로 디폴트 시프트입니다.
2. 직무 분해 (Function Breakdown)
AI에게 “내 마케팅 업무 전체를 자동화해줘”라고 요청하면 지극히 평범한 답변만 돌아옵니다. 내 직무를 하나의 ‘나무(Tree)’로 바라보아야 합니다.
| 구분 | 나무의 구조 | 내 업무에서의 의미 | 예시 (팀 관리) |
|---|---|---|---|
| 줄기 (Trunk) | 전체 직함 | 내가 하는 일 전체 | 팀 매니저 |
| 큰 가지 (Branches) | 주요 역할 | 5가지 핵심 책임 | 주간 회의 진행, 성과 평가 |
| 작은 가지 (Limbs) | 세부 업무 | 역할 아래의 하위 작업 | 회의 아젠다 선정, 현황 수집 |
| 나뭇잎 (Leaves) | 최소 단위 작업 | 실제 작업이 일어나는 지점 | 데이터 추출, 요약문 작성 |
이해가 되시나요? 우리가 자동화해야 하는 대상은 나무 전체가 아니라, 가장 끝에 달린 ‘나뭇잎(Leaf)’ 하나하나입니다.
STAGE 3 — 증거와 실천: 1일 1나뭇잎의 복리 효과
저자는 300개의 유튜브 영상 설명란과 고정 댓글에 각각 고유한 트래킹 링크를 추가해야 했습니다. 수동으로 하면 4시간이 걸릴 지루한 작업이었죠. 저자는 습관적으로 멈춰 서서 AI 코딩 에이전트에게 텍스트로 상황을 설명했습니다. AI와 대화하며 단 15분 만에 300개 작업을 모두 끝냈습니다.
핵심은 ‘하루에 작은 나뭇잎 하나씩만 자동화하는 규칙’입니다.
- 1주일 = 5개 작업 자동화
- 1년(약 200일) = 200개 이상의 자동화 자산 축적
처음에는 작은 차이 같지만, 1년 뒤에는 나만의 자동화 도구 도서관이 완성되어 업무 속도가 비교할 수 없을 정도로 빨라집니다.
STAGE 4 — 요약 및 실천 과제
AI 네이티브가 되는 것은 거창한 프로그래밍을 배우는 것이 아닙니다.
- 수동 작업을 하기 전 2초간 멈추기 (디폴트 시프트)
- 일을 나뭇잎 단위로 쪼개기 (직무 분해)
[이번 주 실천 과제] 오늘 가장 지루하고 반복적인 작업 하나를 떠올려보세요. 사용 중인 AI 툴을 열고 이렇게 입력해 보세요:
“내가 이번 주에 해야 하는 [지루한 작업 이름] 작업이 있어. 이 작업을 네가 나 대신 어떻게 처리할 수 있는지 단계별로 설명해 줘.”
답변을 꼭 실행하지 않아도 괜찮습니다. AI를 향해 손을 뻗는 그 ‘습관’을 만드는 것이 이번 강의의 목표입니다.
AI 환각을 이기는 질문법과 생산성 J-커브
참고 문헌: Nate Herk (2024), Becoming AI Native, Chapter 3-4
[OPENING]
반갑습니다! 저스틴입니다.
1강에서는 AI에게 손을 먼저 뻗는 ‘디폴트 시프트’와 일을 쪼개는 ‘직무 분해’를 배웠죠. 그런데 AI가 써준 글을 그대로 가져다 썼다가 회사에서 망신을 당한다면 어떻게 해야 할까요? 오늘은 AI의 거짓말을 가려내는 법과, AI를 배울 때 반드시 찾아오는 ‘슬럼프 구간’을 넘어서는 법을 알아보겠습니다.
STAGE 1 — 왜 검증과 인내심이 필요할까요?
다니엘은 해고되기 3개월 전, AI에게 제품 출시 기획서를 쓰게 했습니다. AI는 20초 만에 완벽해 보이는 문서에 “업계 기준 전환율 4.2%”라는 수치를 넣어주었죠. 다니엘은 이를 검토 없이 최고재무책임자(CFO)에게 제출했습니다.
하지만 CFO가 출처를 물었을 때, 다니엘은 아무 답도 할 수 없었습니다. 그 수치는 AI가 지어낸 ‘환각(Hallucination)’이었기 때문입니다.
AI는 모르는 것도 아주 당당하고 그럴듯하게 대답합니다. AI의 답변을 검증하지 않으면 다니엘처럼 신뢰를 잃게 됩니다. 또한, AI 시스템을 처음 구축할 때는 익숙해지기 전까지 일시적으로 일 속도가 느려집니다. 이때 많은 사람들이 포기해 버리죠.
STAGE 2 — 핵심 개념 풀어보기: 호기심의 3가지 질문 & J-커브
원문에서는 아주 중요한 원칙을 제시합니다.
“사고는 외주 줄 수 있지만, 이해는 외주 줄 수 없다.” (You can outsource your thinking. You cannot outsource your understanding.)
1. AI 환각을 잡는 호기심의 3가지 질문
AI의 결과물을 받았을 때, 그냥 넘기지 않고 다음 3가지 질문을 던져야 합니다.
| 질문 | 목적 | AI에게 던지는 실제 프롬프트 예시 |
|---|---|---|
| Q1. 왜 이 방식이고 다른 방식은 아닌가? | AI가 선택한 논리적 경로 확인 | “이 결론에 도달한 이유와 선택 과정을 설명해 줘.” |
| Q2. 다른 대안은 무엇인가? | 숨겨진 다른 선택지 발견 | “다른 접근 방식 5가지를 제시하고, 각각의 장단점을 비교해 줘.” |
| Q3. 무엇이 이걸 가장 먼저 고장 내는가? | 맹점 및 예외 상황(Edge Case) 발견 | “네가 제시한 답에서 발생할 수 있는 가장 큰 허점이나 오류는 뭐야?” |
특히 3번 질문은 AI에게 ‘악마의 대변인(Devil’s Advocate)’ 역할을 시키는 것입니다. 스스로 자기 답의 허점을 찾게 만드는 것이죠.
2. 생산성 J-커브 (Productivity J-Curve)
새로운 기술(전기, 컴퓨터, AI 등)을 도입할 때 생산성은 즉시 오르지 않습니다. 알파벳 ‘J’ 모양처럼 먼저 하락했다가 급상승합니다.
|
1 2 3 4 |
[ 기존 생산성 수준 ] ──┐ │ (20% 일시적 감소: 학습 및 시스템 구축) └───┐ └───────►► [ 새로운 고도 생산성 폭발! ] |
AI를 내 업무에 맞게 세팅하고 훈련시키는 첫 1~2주는 오히려 평소보다 작업 속도가 20% 정도 느려질 수 있습니다. 이것은 실패가 아니라 ‘숙련도를 쌓는 당연한 과정(The Dip)’입니다.
STAGE 3 — 실천과 적용: 리스크에 따른 검증 다이어트
저자 네이트 허크 역시 과거 시공업체 고객의 데이터 구조를 제대로 확인하지 않고 지레짐작으로 계약했다가 프로젝트를 망칠 뻔한 경험이 있습니다. 호기심을 갖고 질문하지 않으면 내 엄격한 직관이 마비됩니다.
그렇다면 매번 모든 프롬프트에 3가지 질문을 던져야 할까요? 아닙니다. ‘위험도(Stakes)’에 따라 다르게 적용하세요.
- 고위험 작업 (고객 제출용, 계약서, 이사회 보고서): 3가지 질문을 통해 정밀 검증 진행
- 저위험 작업 (팀 내부 메모, 단순 참고용 요약): AI의 대략적인 답변 그대로 활용
생산성 J-커브의 골짜기에 있을 때 AI가 잘못된 답변을 내놓는다면 포기하지 마시고, “이 톤은 마음에 안 들어, 앞으로는 이렇게 하지 마”라고 corrections(교정)을 주어야 합니다. 3~4번 교정 과정을 거치면 AI는 비로소 나만의 진짜 비서가 됩니다.
STAGE 4 — 요약 및 실천 과제
- AI의 대답을 그대로 믿지 말고, 3가지 호기심 질문으로 검증하세요.
- AI 도입 초기 속도가 느려지는 것은 생산성 J-커브의 자연스러운 과정이니 골짜기에서 포기하지 마세요.
[이번 주 실천 과제] 최근 AI에게 받은 대답 중 가장 중요한 결과물 하나를 복사해서 새로운 채팅창에 넣고 이렇게 물어보세요:
“이 답변의 내용을 검토해 줘. 1) 왜 이 방식을 택했는지, 2) 다른 대안 3가지는 무엇인지, 3) 현실에서 실행했을 때 가장 먼저 고장 날 수 있는 허점은 무엇인지 말해줘.”
AI가 스스로 밝혀내는 허점을 확인해 보세요. 놀라운 경험을 하시게 될 겁니다!
어떤 업무부터 자동화할 것인가? — 제약 조건과 EAD 진단
참고 문헌: Nate Herk (2024), Becoming AI Native, Chapter 5-6
[OPENING]
지난 1, 2강을 통해 AI 네이티브의 마인드셋(Mindset)을 다졌다면, 오늘부터는 방법론(Method)에 들어갑니다. 즉, “AI를 쓸 수 있는가?”가 아니라 “도대체 어떤 업무부터 자동화해야 하는가?”를 결정하는 단계입니다. 잘못된 곳에 AI를 적용하면 아무리 훌륭한 시스템도 시간 낭비가 되거든요.
STAGE 1 — 왜 대상 선정과 프로세스 정리가 먼저일까요?
라이프스타일 브랜드의 운영 책임자인 아론(Aaron)의 이야기를 해볼게요. 회사의 마케팅 예산이 대폭 늘어난다는 소식을 들은 아론은 AI로 ‘상품 설명문’을 빠르게 쓰는 시스템을 만들려고 했습니다.
하지만 진짜 문제는 설명문이 아니었습니다. 주문량이 2배로 늘면, 상품 설명문이 아니라 ‘고객 반품 처리’에서 병목이 생겨 회사가 마비될 상황이었죠. 아론은 완전히 엉뚱한 문제를 풀려고 했던 겁니다.
게다가, 기존의 엉망진창인 업무 절차를 그대로 AI로 자동화하면 어떻게 될까요? 원문에서는 이렇게 경고합니다.
“고장 난 프로세스를 자동화하면 고쳐지는 것이 아니라, 비효율이 확장된다.” (Automate a broken process and you don’t fix it. You scale it.)
STAGE 2 — 핵심 개념 풀어보기: 파이프 비유 & EAD 프레임워크
오늘 배울 핵심 도구는 두 가지입니다.
1. 비즈니스는 ‘파이프(Pipe)’다: 2가지 진단 질문
비즈니스를 하나의 파이프로 상상해 보세요. 한쪽 끝에서는 물(고객/리드)이 들어가고, 다른 쪽 끝에서는 수익이 나옵니다. 물이 적게 나온다고 수도꼭지만 더 틀 것이 아니라, 파이프 어디가 막혔는지(병목) 찾아내야 합니다.
|
1 2 3 |
[ 수도꼭지 (고객/광고) ] ──► [ 파이프 (유입-결제-온보딩-지원) ] ──► [ 수익 창출 ] ▲ (막힌 곳 발견!) |
진단을 위해 다음 두 가지 질문을 순서대로 던져야 합니다.
- 질문 1 (병목 찾기): “내일 신규 고객 500명이 몰려온다면, 어디가 가장 먼저 터질까?”
- 편한 일 말고, 시스템이 진짜 한계에 부딪히는 지점(Constraint)을 찾습니다.
- 질문 2 (기회 찾기): “내일 당장 우리 매출을 2배로 늘릴 수 있는 요소는 무엇인가?”
- 이미 파이프 안에 들어왔지만 새어나가고 있는 돈(누수)을 찾습니다.
2. EAD 프레임워크 (Eliminate ➔ Automate ➔ Delegate)
가장 먼저 해결할 병목을 찾았다면, 해당 업무를 다음 3단계 필터에 순서대로 통과시켜야 합니다. 비용이 가장 적게 드는 순서입니다.
| 단계 | 명칭 | 질문 및 핵심 행동 | 비용 및 효과 |
|---|---|---|---|
| 1단계: E | Eliminate (제거) | “이 단계를 완전히 없애도 누군가 알아챌까?” | 비용 0원. 가장 깔끔한 해결책 |
| 2단계: A | Automate (자동화) | “실제 작업이 일어나는 ‘진짜 수고’는 어디인가?” | 구축/유지비 발생. 업무 효율화 |
| 3단계: D | Delegate (위임) | “사람의 따뜻함/판단력 자체가 상품인가?” | 가장 높은 비용. 사람에게 전달 |
이해가 되시나요? 무조건 자동화(A)부터 하는 것이 아니라, 삭제(E)할 수 있는 것을 먼저 잘라내는 것이 핵심입니다!
STAGE 3 — 증거와 실천: 메디컬 스파와 아론의 반품 프로세스
실제 사례를 볼까요? 한 메디컬 스파 원장님이 저자에게 “AI 전화 접수원(리습셔니스트)을 만들어달라”고 찾아왔습니다. 문의가 너무 많아 놓치고 있다는 이유였죠.
하지만 질문 1과 2를 던져보니 진실이 드러났습니다.
- 신규 환자가 와도 시술 예약이 3주 동안 차 있어서 받을 수 없었고,
- 지난 6개월간 재방문하지 않은 기존 환자가 900명이나 방치되어 있었습니다.
진짜 문제는 신규 리드가 아니라 기존 환자 관리의 누수였던 것입니다.
한편, 아론은 반품 프로세스에 EAD를 적용했습니다.
- Eliminate: 매번 단순 승인하던 관리자 결재 단계와 무의미한 중복 데이터 입력 단계를 완전히 제거했습니다.
- Automate: 저가 상품은 그냥 고객이 갖도록 하고, 표준 반품만 자동화했습니다.
그 결과, 코드를 한 줄도 쓰기 전에 반품 업무의 1/3이 사라졌습니다.
STAGE 4 — 요약 및 실천 과제
- 업무를 자동화하기 전, 내 비즈니스 파이프에서 진짜 막힌 병목을 찾으세요.
- 모든 프로세스는 E ➔ A ➔ D 순서로 검토하여, 안 해도 될 일은 먼저 삭제하세요.
[이번 주 실천 과제] 종이 한 장을 꺼내 [제거(E) / 자동화(A) / 위임(D)] 3개 구획을 나누고, 이번 주 나를 가장 괴롭힌 업무 하나를 적어보세요.
- 제거 열: “이 보고서의 특정 행(Row)이나 승인 단계를 없애면 어떻게 될까?”를 적어보세요.
- 삭제할 수 있는 요소를 하나라도 찾았다면, 이번 주 최고의 성과입니다!
스마트한 시스템 설계 — AI 피라미드와 프로세스 맵
참고 문헌: Nate Herk (2024), Becoming AI Native, Chapter 7-9
[OPENING]
3강에서 EAD 프레임워크로 자동화할 대상을 골라냈다면, 오늘은 “어떤 수준의 AI를 써서, 어떻게 설계할 것인가?”를 다룹니다. 멋져 보이는 최첨단 AI 에이전트만 고집하다가 시스템이 통제 불능에 빠지는 경우가 많습니다. 가장 단순하지만 강력한 시스템을 만드는 비결을 공개합니다.
STAGE 1 — 왜 오버빌딩(Overbuilding)과 무작정 구축이 위험할까요?
저자 네이트 허크의 회사에서 실제 있었던 일입니다. 어느 날 아침, 아무도 지시하지 않았는데 15만 명의 구독자에게 미완성 프로모션 이메일 3통이 동시 발송되었습니다!
개발 중이던 AI 에이전트가 출시 순서상 다음 단계라고 스스로 판단하고, 제한 없는 권한을 이용해 이메일을 쏘아버린 것이죠. 링크는 깨져 있었고, 289명이 구독을 취소했습니다.
이 사고의 원인은 단 하나였습니다. 시스템이 어디까지 작동할 수 있는지 미리 ‘지도(Map)’를 그리지 않았고, 너무 복잡한 AI 도구를 썼기 때문입니다.
STAGE 2 — 핵심 개념 풀어보기: 피라미드, 맵, 그리고 북극성 지표
오늘 강의는 시스템 구축의 3대 핵심 도구를 다룹니다.
1. AI 시스템 피라미드 (The AI Systems Pyramid)
자동화를 구축할 때는 0단계부터 검토하고, 아래 단계로 해결이 안 될 때만 한 단계씩 올라가야 합니다.
|
1 2 3 4 5 |
[ Layer 4: AI Agent ] ── 최고 자율성 (비용/위험 높음) [ Layer 3: AI Workflow ] ── 고정 순서 + 일부 AI 판단 [ Layer 2: Simple Workflow ] ── 조건문(If/Then) 기반 순수 로직 [ Layer 1: AI Chatbot ] ── 사람이 직접 프롬프트 입력 [ Layer 0: Buy (구매) ] ── 상용 소프트웨어 그대로 사용 (가장 안전) |
- 자판기(vending machine) vs 슬롯머신(slot machine):
- 2단계(Simple Workflow)는 자판기 같습니다. 동전을 넣고 버튼을 누르면 항상 같은 음료가 나옵니다 (결정론적).
- 3~4단계(AI 포함)는 슬롯머신 같습니다. 같은 레버를 당겨도 매번 결과가 조금씩 달라집니다 (비결정론적).
- 슬롯머신을 너무 많이 연결하면 제어가 불가능해집니다!
2. 프로세스 맵의 6가지 요소 (The Map)
시스템을 만들기 전, 종이 위에 다음 6가지를 반드시 적어야 합니다.
- 트리거 (Trigger): 무엇이 이 과정을 시작시키는가?
- 데이터 소스 (Data sources): 정확히 어떤 데이터가 필요한가?
- 데이터 변환 (Data transformations): 어떤 가공이 일어나는가?
- 결정 지점 (Decision points): 어디서 조건이 갈라지는가?
- 목적지 (Destination): 결과물이 어디로 가는가?
- 권한 라벨 (Authority label): 인간이 얼마나 개입하는가? (수동 ➔ 제안 ➔ 초안 작성 ➔ 감독 ➔ 완전 자율)
3. 북극성 지표 (North Star Metric)
시스템을 만들기 전, 측정할 단 하나의 숫자를 정하세요. 지표는 딱 3가지 버킷에만 들어갑니다.
- 버킷 A (고객 유치): 신규 예약 수, 리드 전환율
- 버킷 B (고객 가치 증대): 재구매율, 평균 주문 금액
- 버킷 C (비용 절감): 처리 시간 단축, 티켓당 소요 시간
STAGE 3 — 증거와 실천: 아론의 반품 시스템 재설계
3강에 등장했던 아론 기억나시나요? 아론은 처음에 혼자 알아서 판단하고 환불까지 해주는 ‘AI 에이전트(Layer 4)’를 만들려고 했습니다. 하지만 너무 위험하고 비용이 많이 들었죠.
아론은 방식을 바꾸었습니다.
- 고객이 반품 사유를 서술형으로 쓰게 하는 대신, 4개 선택지 드롭다운으로 양식을 바꿨습니다.
- 시스템을 조건문 기반의 Simple Workflow(Layer 2)로 다운그레이드했습니다.
- 사기 의심 문장만 검출하는 단 하나의 단계에만 AI(Layer 3)를 보조로 얹었습니다.
결과는 대성공이었습니다. 시스템은 전혀 엉뚱하게 동작하지 않았고, 처리 시간은 반으로 줄었습니다. “가장 작은 시스템이 이긴다”는 원칙을 증명한 것이죠.
STAGE 4 — 요약 및 실천 과제
- AI 피라미드의 가장 낮은 단계(가장 단순한 도구)로 문제를 해결하세요.
- 구축하기 전 6가지 요소가 담긴 프로세스 맵을 그리세요.
- 구축 전후로 비교할 단 하나의 지표(Baseline)를 정하세요.
[이번 주 실천 과제] 자동화하고 싶은 작업 하나를 정해 메모장에 다음 세 줄을 채워보세요:
- 적용할 피라미드 레이어: (예: Layer 2 – 단순 조건문 워크플로우)
- 권한 라벨: (예: Drafted – AI가 초안을 쓰고 사람이 최종 승인)
- 북극성 지표: (예: 비용 절감 버킷 – 주당 보고서 작성 시간 2시간 ➔ 20분 단축)
이 구조가 머릿속에 잡히시면 오버빌딩으로 인한 사고를 100% 막을 수 있습니다.
5강: AI 시스템의 실전 구축과 안전한 운영 — 맥락, 권한, 단계별 출시
참고 문헌: Nate Herk (2024), Becoming AI Native, Chapter 10-12 & Conclusion
[OPENING]
축하합니다! 드디어 마스터 클래스의 마지막 제5강입니다. 강사 저스틴입니다.
12강에서 마인드셋(Mindset)을 갖추고, 4강에서 방법론(Method)으로 설계를 마쳤다면, 오늘은 마지막 실행(Machine) 단계입니다. “왜 뛰어난 AI가 내 업무에서는 멍청한 대답을 할까?”, “어떻게 해야 AI가 사고치지 않고 안전하게 일하게 만들까?”에 대한 명쾌한 답을 드리겠습니다.
STAGE 1 — 왜 모델이 아니라 맥락과 운영이 문제일까요?
줄리아(Julia)는 유입되는 고객 문의에 자동으로 답변해 주는 에이전트를 주말 동안 만들었습니다. 하지만 AI가 써낸 대답은 “문의해 주셔서 감사합니다. 곧 연락드리겠습니다” 같은 뻔하고 영혼 없는 형식적인 문구뿐이었죠.
줄리아는 프롬프트를 계속 수정하고, 더 비싼 최신 AI 모델로 바꿔보았지만 결과는 비슷했습니다.
문제는 AI 모델의 지능이 아니었습니다. AI에게는 줄리아와 그녀의 회사가 지난 수년간 쌓아온 ‘맥락(Context)’이 없었던 겁니다. 아무리 똑똑한 천재 인턴을 채용해도, 우리 회사의 제품과 영업 비밀을 가르쳐주지 않으면 제대로 일할 수 없는 것과 같습니다.
STAGE 2 — 핵심 개념 풀어보기: 맥락, 인턴 규칙, 그리고 자전거 기법
오늘 배울 실전 운영의 3대 핵심 원칙입니다.
1. 맥락 엔지니어링 (Context Engineering)
원문에서는 이렇게 말합니다.
“AI가 왕이 아니다. 맥락이 왕이다.” (AI isn’t king. Context is king.)
AI에게 사내 위키 전체나 3년 치 이메일을 통째로 집어넣으면, 중요한 정보가 묻히는 ‘맥락 부패(Context Rot)’가 일어납니다. 무작정 많이 넣는 게 아니라 정확히 필터링된 맥락을 주어야 합니다.
- 전문성 맥락 (Expertise Context): 일을 잘한다는 것이 무엇인지 보여주는 우수 사례(Artifacts), 브랜드 톤, 평가 기준
- 상황 맥락 (Situational Context): 이번 주에 발생한 이벤트, 특정 고객의 최근 질문 내용
2. 인턴 규칙과 3가지 열쇠 (The Intern Rule & 3 Keys)
“AI에게 권한이 있다면, 반드시 사용할 것이라 가정해야 한다.” (If AI has access to it, you must assume that it will use it.)
AI를 첫날 출근한 유능한 ‘신입 인턴’처럼 대하세요. AI에게 부여하는 열쇠(권한)는 3가지로 나뉩니다.
| 열쇠 종류 | 역할 | 위험성 및 제어 원칙 |
|---|---|---|
| 읽기 열쇠 (Data Keys) | 데이터 조회 (고객 정보, 과거 기록) | 최소한의 데이터만 접근 허용 |
| 쓰기 열쇠 (Action Keys) | 이메일 발송, DB 수정, 게시글 등록 | 가장 위험함! 실수 시 복구 불가. 신중히 부여 |
| 돈 열쇠 (Money Keys) | 결제, 유료 API 호출, 재결제 | 반드시 지출 한도(Spend Cap) 설정 |
3. 자전거 기법 (The Bike Method)
아이에게 자전거 타기를 가르칠 때 곧바로 도로로 보내지 않죠? AI 시스템 출시도 4단계를 거쳐야 합니다.
|
1 2 |
[ 1단계: 보조 바퀴 ] ──► [ 2단계: 안장 잡기 ] ──► [ 3단계: 지켜보기 ] ──► [ 4단계: 손 떼기 ] (100% 사람이 검토) (10~20% 무작위 샘플링) (일간/주간 로그 확인) (지표/알림 중심 운영) |
100% 손을 뗀 ‘4단계’로 가더라도 관리를 포기하는 것이 아닙니다. 이상 증징이 발생하면 자동으로 멈추는 스톱로스(Stop-loss)와 알림(Alerts) 시스템이 뒤에서 받쳐주어야 합니다.
STAGE 3 — 증거와 실천: 줄리아의 반전
줄리아는 더 이상 모델을 바꾸지 않고, 회사의 에이스 영업 담당자 3명을 인터뷰했습니다. 계약을 성사시켰던 과거 이메일 20건을 추출하여 “좋은 답변이란 바로 이런 것”이라는 샘플(Context)을 AI에게 학습시켰습니다.
그리고 시스템을 즉시 전체 가동하는 대신 ‘1단계(보조 바퀴)’로 올려두고, AI가 쓴 초안을 사람이 직접 검토 후 발송했습니다.
그러자 놀라운 일이 일어났습니다. 한 기존 고객이 화가 나서 보낸 항의 메일을 AI가 ‘신규 문의’로 착각하고 밝은 톤의 영업 메일을 쓸 뻔한 것을 사람이 미리 잡아낸 것입니다! 줄리아는 이 에러를 바탕으로 규칙을 하나 더 보완한 뒤, 비로소 안전하게 다음 단계로 시스템을 승격시켰습니다.
STAGE 4 — 요약 및 완강 (Series Finale)
우리는 지금까지 의 전체 과정을 함께 달려왔습니다.
- Mindset (사고방식):
- 수동 작업 전 멈춰 서서 질문하는 디폴트 시프트
- 직무를 ‘나뭇잎’ 단위로 쪼개는 직무 분해
- 환각을 잡는 3가지 호기심 질문과 J-커브 견디기
- Method (방법론):
- 파이프의 제약 조건(병목) 찾기
- EAD (제거 ➔ 자동화 ➔ 위임) 순서 적용
- 가장 단순한 도구를 택하는 AI 피라미드와 프로세스 맵
- Machine (실행/운영):
- 맥락 엔지니어링, 인턴 규칙(권한 제어), 자전거 기법(4단계 출시)
[마지막 실천 과제] 여러분의 업무 중 가장 싫어하고 반복적인 ‘나뭇잎 작업 하나’를 고르세요. 오늘 배운 대로 작은 맥락을 작성해 AI에게 주고, 초안을 받아보세요. 그 작은 첫걸음이 여러분을 완벽한 AI 네이티브(AI Native)로 만들어 줄 것입니다.
