콘텐츠로 이동

가이드 전체 요약

이 페이지는 생성형 AI 기술 및 서비스를 업무에 활용하기 위해 필요한 내용들을 모아서 정리 및 배포하는 자료의 분량이 너무 많아서 정독이 어려운 분들을 위한 요약본입니다. PDF 버전 기준으로 수백 페이지에 달하는 내용 중 의미 없이 들어간 부분은 거의 없지만, 당장 어떤 작업을 처리하기 위해 생성형 AI를 사용하려는 경우엔 어디부터 봐야 할지 막막하리라는 점도 충분히 이해됩니다.

이에 '원문 전체를 한 시간 안에 강의'하는 상황을 가정하여 핵심 중의 핵심만 선별해 짧게 설명하고, 자세한 내용은 원문을 참조할 수 있도록 바로가기를 넣어두겠습니다. (말이 요약본이지 '에센스'에 가깝습니다.)

가이드의 구성 및 개요🔗

전체적인 구성과 대략적인 내용은 다음과 같습니다.

  • (웹 버전) 메인 페이지 : 각 장별 바로가기와 요약 슬라이드/오디오/비디오 다운로드 링크가 있습니다. 이 요약 자료들은 원래 본 페이지를 대체할 목적으로 만들었던 것이니, 한 번 씩 간단히 둘러볼 것을 권합니다.
  • 들어가는 말 : 본론으로 들어가기 전, 본래 가이드의 작성 취지와 전체적인 구성을 담았으며, 최근 개정판(V2)의 각 장별 주요 변경점은 무엇인지도 추가하였습니다.
  • 1장. 생성형 AI 개요 : 인기가 식을 줄 모르는 '생성형 AI가 도대체 무엇인가'에 대해 설명하며, 또한 생성형 AI가 가져온 새로운 기회와 위협, 현재의 위상도 추가하였습니다.
  • 2장. 대형 언어 모델 : 생성형 AI의 기반 기술인 '대형 언어 모델(LLM)'에 대해 설명하며, 대표적인 LLM은 어떤 것들이 있는지 알아보고 가장 최근의 동향과 향후 전망을 추가하였습니다.
  • 3장. 프롬프트 엔지니어링 : 본 가이드의 첫 번째 핵심인 '프롬프트 엔지니어링 기법들'에 대해 설명하며, 알려진 주요 기법들을 예시와 함께 최대한 담았으며 프롬프트 공유 사이트, 최적화 도구도 소개합니다. 아울러 마지막 섹션으로 '컨텍스트 엔지니어링'에 대한 설명도 추가하였습니다.
  • 4장. 생성형 AI 기반 서비스 : (기존엔 선별한 몇 가지 서비스의 사용법 위주였으나) 최근까지도 계속해서 등장하는 다양한 생성형 AI 기반 서비스들을 주요 목적/기능에 따라 구분해 소개하는 내용 위주로 작성(업데이트)하였습니다. 본 가이드의 두 번째 핵심이라고 할 수 있습니다.
  • 5장. 활용 사례들 : 본 가이드의 세 번째 핵심인 실제 활용 사례들을 소개하는 부분이며, 앞으로도 제보나 추천 등을 받아 기존 섹션 또는 추가 섹션에 지속적인 업데이트 '예정'입니다.

1장(생성형 AI) 핵심 요약🔗

한동안 암흑기를 지나던 AI 기술의 돌파구로 등장한 '기계학습' 기술은 AI가 데이터를 분류(categorize), 인식(detect/recognize), 예측(predict)하는 성능을 크게 개선할 수 있었습니다. 이 기계학습 기술로 엄청난 양의 데이터를 학습한 AI는 새로운 데이터를 '생성(generate)'하는 데에도 소질을 보이기 시작했고, 눈부신 발전을 거듭해 현재는 가장 유명한 AI 기술 중 하나로 각광받고 있습니다.

기계학습을 기반으로 하는 생성형 AI의 기본 원리는 다음과 같이 비유할 수 있습니다. (주: 다른 AI들도 거의 비슷함)

* AI 생성 이미지 with Nano Banana Pro

학습한 데이터나 결과물을 만드는 방식이 다양해지면서 이제는 텍스트뿐만 아니라 그림, 영상, 음성/음악 등 분야를 가리지 않고 생성형 AI가 쓰이기 시작했는데, 종류를 막론하고 결국은 '사전에 학습한 데이터'에 의존하기 때문에 진정한 창조로 볼 수 있느냐에 대한 논란이 일기도 하고, 그 밖에 다양한 기회와 위기가 동시에 발생하고 있습니다.

생성형 AI의 대략적인 원리나 어떤 종류가 있는지, 어떤 기회를 만들었고, 어떤 도전과 위험을 가져오는지, 그런데도 도대체 왜 생성형 AI가 중요한지에 대한 자세한 내용은 원문을 참조하기 바랍니다.

생성형 AI를 접하는 바람직한 자세

사용자 입장에서 AI가 필요하지 않은 단순한 업무에도 AI 사용을 시도하는 것은 전혀 효율적이지 않습니다. 실제로 기존에 충분히 쓸만한 도구나 인재가 있음에도 무턱대고 AI를 이용하려다 실패하는 경우가 많습니다. (어떻게 성공은 하더라도 따져보면 더 많은 시간과 공수가 들어간 경우가 빈번)

물론 지금 이 순간에도 많은 곳에서 생성형 AI가 쓰이고 있으며, 엄청난 발전 덕분에 점점 정확해지고 활용 방법도 많아지고 있지만, (적어도 지금은) 절대로 '신뢰할 수 있는 완성된 기술'이라고 믿어서도 안됩니다. 논리적으로 생각하는 것처럼 보이는 과정이나 매끄러운 문장으로 구성된 장문의 보고서라도 사실은 패턴을 흉내내는 것에 불과하며, 근.본.적.으.로. 실수나 환각을 완전히 배제할 수 없습니다.

우선 생성형 AI에 대해 잘 알수록 곳곳에 숨어있는 함정에 빠질 위험을 줄일 수 있으므로 본 가이드에서 기초부터 시작해 장황한 설명을 늘어놓는 것이고, 이 기초는 앞으로도 (적어도 단기간 내에는) 등장할 모든 생성형 AI의 공통/기반 지식으로 삼을 수 있을 것입니다.

그럼 도대체 '언제? 왜? AI를 쓰라는 거냐'라고 반문할 수 있습니다. 그러나 그 답은 이 가이드에도 없습니다. (단서는 있을지도요.) 하루가 다르게 변화하는 탓에 지금은 정답이 아닐지라도 언제든 정답이 될 수 있고, 지금 해답인 것들도 언제든 구시대의 유물이 될 수 있기 때문입니다.

강조하고 싶은 것은 날마다 새롭게 등장하는 생성형 AI 기술/서비스에 대해 끊임없이 관심을 갖고 직접 체험해보려는 적극적인 자세입니다. 이전에 게시판에도 공유한 어느 강의 자료 일부를 발췌하면 다음과 같습니다.

❝사람들 사이의 AI 리터러시 격차가 매우 크다. (단지) 요즘 AI가 무엇을 어디까지 해줄 수 있는지 인지하는 것만으로도 그 격차가 확 좁아진다. AI에게 지나치게 압도되지 않으면서도 꾸준히 따라가며 깨어있는 게 중요하다! 단, 새로 나오는 도구 다 써봐라.❞ ― 출처: 나날이 발전하고픈 개발자를 위한 AI 활용법

본 가이드를 통해 이러한 '격차'를 조금이라도 더 빨리 좁힐 수 있도록, 할 수 있는 범위에서 최대한의 내용을 담으려 노력했습니다. 원문도 틈틈이 일독을 권하며, 오류 제보나 추가 요청, 문의 등은 언제든 환영하겠습니다.

2장(대형 언어 모델) 핵심 요약🔗

2장에서는 생성형 AI 중에서도 특히 많은 발전을 거듭하며 가장 널리 쓰이고 있는 유명한 서비스들의 핵심인 '대형 언어 모델(LLM)'에 대해 설명합니다. 시작은 주로 '텍스트 생성형 AI'에 국한됐으나 현재는 Text-to-Image, Text-to-Video 등 다양한 유형의 생성형 AI에 공통적으로 사용되고 있습니다.

대형이든 소형이든 이런 언어 모델의 기본 원리를 한 마디로 표현하면 '다음에 나타날 단어로 무엇이 가장 적절할까?를 찾는 것'입니다. 현대 언어 모델의 기반이라는 '트랜스포머'니, 'Self-attention'이니 하는 것부터, 최근 출시되는 최신 언어 모델에 적용된 다양한 기술들은 거의 효율적으로 맥락을 찾고 추측해 정답률을 높이는 것일 뿐, 기본적으로는 이와 같은 원리에서 벗어나지 않습니다.

하지만 이미지나 비디오를 생성하는 과정은 좀 다릅니다.

참고로 텍스트를 바탕으로 이미지/비디오를 생성(Text-to-Image/Video)하는 기술은 '확산(Diffusion) 모델'이 핵심인데, 기계학습을 바탕으로 만들어진다는 점만 유사하고 근본적으로 다른 방식의 모델입니다.

LLM은 자연어 프롬프트를 해석하여 어떤 이미지/비디오를 만들 것인지까지 해석(1)하는 초기 단계에만 이용되고, 해석한 내용을 바탕으로 실제 이미지/비디오를 만들어내는 과정은 저 확산 모델이 담당합니다.

  1. 정확히는 LLM처럼 텍스트를 생성(generation)하거나 완성(completion)하는 것은 아니고 벡터 공간으로 변환(embedding)하는 작업입니다. 자연어로 묘사한 이미지 생성 지시(프롬프트)를 확산 모델이 이해할 수 있는 형태로 번역하는 것에 비유할 수 있습니다.

쉽지 않지만 한 줄로 설명하면, 노이즈만 가득한 팔레트(잠재 공간, Latent Space)를 만들고, 여기서 이미지와 무관한 노이즈 신호를 제거하는 과정을 여러 번 반복한 다음, 최종적으로 사람이 볼 수 있는 이미지로 변환하는 식입니다.

위에 설명한 과정 중 잠재 공간에서 이미지가 만들어지는 중간 과정을 살펴보면 다음과 같습니다. 단, 잠재 공간의 이미지 정보를 그대로는 볼 수 없기에 따로 이미지로 만들어 영상으로 시각화했다는 점을 참고하기 바랍니다.

* AI 생성 이미지 with ComfyUI (Qwen Image 모델, 로컬 GPU)

* AI 생성 이미지 with Nano Banana Pro

처음엔 이렇게 단순히 시작 단어를 넣어주면 이어지는 문장을 완성하던 것이 지금은 (비록 모방에 불과할지라도) 일련의 사고 과정을 따라 사용자의 질문을 해석하고 적절한 계획을 수립하며 다양한 자료와 도구를 사용해 (논란의 여지는 있지만) 완전히 새로운 콘텐츠를 만들어내는 수준까지 발전했습니다. 체감상으로도, 전문 분석 도구를 사용해도, 최근 AI로 생성하는 콘텐츠는 사람이 만든 것과 분간하기 어려울 정도입니다.

물론 이 같은 LLM의 발전도 항상 좋은 점만 있는 것은 아닙니다. 단적인 예로 최신 LLM 덕에 누구나 아이디어만 있으면 앱/프로그램을 개발할 수 있는 바이브 코딩 도구/서비스가 널리 보급된 반면, 마찬가지로 누구나 의도만 있으면 악성 코드를 만들거나 해킹을 시도하기도 훨씬 쉬워져 심각한 보안 위협을 초래하고 있습니다.

이러한 대형 언어 모델의 기본적인 이해를 위한 내용부터 그 특징은 어떤 것들이 있는지, 그리고 주요 대형 언어 모델들을 나열하고 비교하는 내용과 최근까지의 변화 및 앞으로의 전망 등 세부적인 내용은 원문을 참조하기 바랍니다.

LLM을 믿지 마세요. 직접 판단하세요.

  1. 거듭 강조하지만 LLM은 확률적으로 사실에 가까운 답변을 하는 것이 목적이지, 진실을 말하도록 설계된 것이 아닙니다. 가령 "1 + 1 = ?' 같은 질문에 '2'라는 정답을 맞추더라도, 이는 더하기 연산이나 등호의 의미를 이해하고 정확한 산술 연산의 결과를 답한게 아니라, 학습했던 텍스트로부터 확률적으로 가장 자연스러운 텍스트를 골랐을 뿐이라는 것입니다.

    최근에는 간단한 작업은 실행 가능한 코드로 변환해 실행하고 그 결과를 답변에 이용하는 기술을 사고 모델에 도입하려는 시도가 있지만, 아직 보급화되지는 않았으며 언젠가 전면 적용이 되더라도 코드로 변환할 수 있는 논리나 판단에는 한계가 있을 것입니다.

    다시 말해 LLM이 아무리 논리적이고 명확한 답변을 근거까지 달아서 내놓더라도 이는 '그럴싸한데?' 정도로 받아들여야 하며, 심지어 근거(출처)가 명시된 부분도 '여기서 이런 내용을 본 것 같아요' 정도의 의미이지, 실제로 사람이 출처의 내용을 이해하고 인용한 것처럼 이해하면 곤란할 수 있습니다.

    막상 출처의 내용을 찾아보면 -체감상 점점 실수가 줄어드는 느낌이긴 합니다만- 원문의 의도나 맥락과 다소 동떨어진 답변을 하는 경우를 볼 수 있었습니다. 출처가 표 형태라면 더 높은 확률로 오류가 나기도 합니다.

  2. 한편 종종 받는 질문으로 '필자는 어떤 LLM을 쓰는지?' 또는 '어떤 LLM이 가장 좋은지?'가 있습니다. 이 역시 단정적으로 답할 수 없는 것이어서 단서를 달아 설명하다보면 조금 길어지곤 합니다만, 돌이켜보면 결과적으로 '큰 차이는 없다'입니다.

    2025년부터는 2개 이상의 LLM을 유료로 이용해 왔으며 사소한 질문을 제외하고는 항상 3종 이상의 LLM에 같은 질문을 던져 결과를 종합하는 습관이 있는데, LLM끼리 크고 작은 기능 차이나 특성의 차이는 있을지라도 어느 하나가 우월하다거나 특별히 추천할만하다는 것은 없습니다.

    참고로 어느 모델이 어떤 성능 평가(벤치마크)에서 몇 점으로 1위를 달성했네 하는 것들은 모델 간 비교에는 쓸모가 있겠지만, 실제로 몇 점을 달성했다거나 몇 % 향상했다고 해도 막상 그만큼 체감되지는 않습니다. 이는 이미 대부분 LLM들이 일정 수준 이상의 성능에 도달했고, 개인화 설정이나 대화 기록 참조 등 부수적인 것들이 끼치는 영향도 적지 않기 때문으로 추측합니다.

    대신, 가능하다면 뭐든지 상관 없으니 하나 정도는 유료 계정으로 이용하길 권하는 편입니다. 언제든 새로 출시하는 최신 모델이나 새로운 기능은 대개 -더 많은 자원이 들어가는 탓에- 유료 사용자에게 우선하여 제공하기 때문입니다.

    그 외에는 '누가 뭐가 좋다'고 하든지 각자의 취향과 처했던 상황에 한정된 것으로 이해하는게 바람직하고, 여러분이 직접 여러 LLM을 일정 기간 써보면서 판단하고 선택하기를 권장합니다.

  3. 시간이 없다면 다른 부분은 건너 뛰더라도 '2025년 신규 및 주목할 모델' 섹션만은 살펴보기 바랍니다. 2025년 11월부터 12월에 걸쳐 OpenAI(GPT 계열), Anthropic(Claude 계열), Google(Gemini 계열)이 벌인 최신 모델 출시 경쟁은 한 편의 드라마와도 같습니다.

3장(프롬프트 엔지니어링) 핵심 요약🔗

프롬프트 엔지니어링은 간단히 'LLM에게 효율적으로 지시/요청하는 대화법'이라고 이해하면 됩니다. 발전을 거듭하면서 최신 LLM들은 프롬프트 엔지니어링의 중요성이 점점 낮아지는 추세입니다만, 그럼에도 불구하고 간혹 효과적으로 사용할 수 있는 경우가 있기에 원문의 내용도 전체적으로 한 번쯤은 눈에 익혀두기를 권합니다.

여러 기법들 중에서 가장 절대적이며 중요한 원칙은 '구체적이고 명확한 지시(Be clear and specific)' 입니다. 이는 대부분의 프롬프트 기법이 사실은 방법만 다를 뿐 근본적으로 '구체적'이고 '명확한' 지시를 위한 것이기 때문입니다. (비유하면 마치 '절대반지'와도 같다고 할 수 있습니다.)

* AI 생성 이미지 with Nano Banana Pro

심지어 이제는 어떤 프롬프트를 쓸지 직접 고민하고 연구하며 썼다 지웠다를 반복하는 데에 시간을 보내기보다, 프롬프트 최적화 도구를 사용하거나, 차라리 LLM에게 '어떻게 질문하는게 좋겠냐'는 질문부터 시작하는 방법도 유용합니다. 이 '프롬프트 최적화 도구'란 것들도 내부적으로는 LLM을 이용하는 것이니 사실상 동일하다고 봐도 무리는 아닙니다.

차이가 있다면, 최적화 도구는 뭐라도 최소한의 프롬프트가 있어야 하지만 특화된 도구인 만큼 빠르게 우수한 프롬프트를 확보할 수 있습니다. 반면 LLM에게 의뢰하는 방법은 기본적인 프롬프트 없이도 일정 수준 이상의 프롬프트를 얻을 수 있고, 이미 만들어진 프롬프트를 최적화하는 작업에도 효과적입니다. (작업 흐름을 일관되게 유지할 수 있어서 추천)

'질문하는 법을 질문하라고?'

일종의 말장난처럼 보이기도 하겠지만, 큰 수고를 들이지 않고도 준수한 프롬프트와 최종 결과물을 얻을 수 있는 방법이라 추천합니다.

그리고 이 때에도 '절대반지'같은 프롬프트 기법이 적용됩니다. LLM에게 '어떻게 질문하는게 좋겠냐'처럼 단순하게 요청해도 적당히 쓸만한 프롬프트를 알려줄 테지만, 조금 더 구체적으로 작업 목표 및 주요 지침, 맥락과 데이터 등 충분한 단서와 함께 프롬프트 작성을 요청하면 훨씬 더 최적화된 프롬프트를 알려줄 것입니다.

지금은 단순한 질문/작업에는 프롬프트 기법 자체가 거의 필요 없어졌지만, 여전히 중요한 작업은 곧바로 일을 시키기보다 '작업 계획'과 '프롬프트 작성'부터 시켜보는 편이 결과적으로 많은 시간과 노력을 절약할 수 있을 것입니다. 간단히 예를 들면 다음과 같습니다.

이러이러한 목적으로 어떤 작업을 하려는데 어떤 단계로 접근하면 좋을까? 작업 계획을 구분하고 기본 프롬프트를 제안해줘. 단계별 세부 사항과 지침을 보완한 최종 프롬프트는 각 단계를 진행하면서 별도로 요청할게.

그리고 LLM이 알려준 프롬프트라도 이를 그대로 쓰기보다는 크고 작은 수정이 필요할 수 있는데, 이 때 3장에 소개된 다양한 프롬프트 엔지니어링 기법들을 알고 있으면 상당히 유용할 것입니다.

이처럼 직접 프롬프트 엔지니어링까지 할 필요는 점점 줄어드는 추세인데, 적어도 '어떤 기법이 있나?', 또는 조금 더 나아가 '이런 기법들이 언제 효과적인가?' 정도까지는 알아둔다면 더 효율적으로 작업할 수 있습니다. 누군가 완벽한(?) 프롬프트를 공유해주더라도 항상 크고 작은 수정이 필요한 경우가 발생하기 때문입니다.

3장은 첫 번째 섹션에서 '프롬프트 엔지니어링'의 개념을 알아보고, 다음 섹션에서 프롬프트 엔지니어링에 있어 가장 중요하다고 한 '명확하고 구체적인 지시' 원칙에 대해 설명합니다. 이어서 '다양한 구분 기호 사용', '단계적 지시(=기본적인 사고 사슬(CoT) 기법)', '역할 부여', '예시 제공' 등 알려진 프롬프트 기법들을 거의 포함하였습니다.

그리고 '그 밖의 기법들' 섹션에서는 길이 조절, 재질문, 톤/스타일 지정 같은 비교적 간단한 기법부터 고급 사고 사슬(CoT) 기법을 위한 프롬프트 연계하기, 다각적 분석에 유용한 사고 트리(ToT), LLM의 창의력을 극대화할 수 있는 Verbalized Sampling 등 고급 기법까지 설명하고, '프롬프트 공유 사이트' 섹션에 주요 사이트와 프롬프트 최적화 도구를 함께 정리했습니다.

마지막으로 3장의 끝에 새로 추가한 '컨텍스트 엔지니어링'에 대해서도 꼭 알아두기 바랍니다. 아직까진 프롬프트 엔지니어링 만으로는 해결할 수 없는 문제나 근본적인 한계가 있는데, 이를 극복하고자 등장한 '컨텍스트 엔지니어링'이 앞으로는 더욱 중요해질 것으로 전망합니다.

4장(생성형 AI 기반 서비스) 핵심 요약🔗

4장에는 생성형 AI 기술을 바탕으로 여러 최신 기술, 도구, 전용/특화 모델 등을 이용해 다양한 목적 및 용도에 맞게 여러 유형의 콘텐츠를 생성할 수 있는 서비스들을 소개합니다.

기존 내용을 (거의) 대부분 삭제(1)하고 이번 개정판에서 (사실상) 새로 작성한 챕터이며, 위 1장 핵심 요약 중 부연 설명(접혀있는 부분)에 언급한 바와 같이 '요즘 AI가 무엇을 어디까지 해줄 수 있는지'를 최대한 전달하고자 했습니다. 대신 각각의 구체적인 사용법까진 일일이 정리할 수 없어서 (하더라도 언제든 변경될 수 있는 내용이라) 공식 매뉴얼이나 가이드, 유튜브 등 참고할만한 외부 자료 바로가기로 갈음하였습니다.

  1. 혹시 기본적인 사용법을 단계적으로 따라할 수 있게끔 작성한 기존 4장의 내용을 찾을지 몰라서 웹 버전 가이드에는 바로가기를 남겨두었습니다. 단, 작성 후 상당한 시간이 지난 만큼 현재 UI/기능과는 다소 차이가 있다는 점은 감안하기 바랍니다.

최근엔 별도의 서비스라기보다 거의 모든 LLM에 기본으로 내장되기 시작한 'AI 검색' 서비스부터, 일종의 보고서 작성에 특화된 '리서치' 도구, 자연어만으로 앱/웹 등 SW 개발이 가능한 '바이브 코딩' 도구, '회의록/기록' 요약 및 정리 도구, 다양한 종류의 '시각화/PPT' 제작 도구, 다양한 디자인 작업을 위한 '디자인' 도구, 그리고 '이미지 생성/편집' 및 '동영상 생성/편집' 도구, 여러 가지 복잡한 작업을 위한 'AI 에이전트' 서비스, 그 외 '기타/미분류' 서비스 및 도구까지, 크게 10가지로 분류해 총 90여 개의 서비스/도구들을 담았습니다.

지금 어떤 서비스들이 있는지 전체적으로, 또는 관심 있는 분야/작업에 대한 섹션만 한 번 봐두었다가, 필요할 때 가이드 원문을 검색해 구체적으로 어떤 서비스가 어떤 기능을 제공하는지 살펴보면서 원하는 기능/서비스를 찾는 방식을 권합니다. 웹 사이트 상단의 검색 기능을 활용하거나, 세부 기능(#태그 표시)별로 구분해놓은 '기능별 서비스 목록' 섹션에서도 찾을 수 있습니다.

4장의 내용도 수시로 새로운 서비스가 등장하거나 사라지거나 세부적인 기능/요금제 등이 변경될 수 있으므로 참고용으로만 활용하기 바라며, 이를 위한 내용 추가/업데이트 제보도 언제든 환영하겠습니다.

5장(활용 사례들) 핵심 요약🔗

5장도 이번 개정판에 새로 추가(작성)한 챕터로, 생성형 AI를 효율적으로 사용할 수 있는 팁부터 시작해 복잡한 작업에 생성형 AI를 이용하는 방법, 그리고 우리 원의 전문가들이 피땀 흘려 완성한 업무용 프롬프트 여러 가지를 소개합니다.

만약 생성형 AI가 무엇인지나 프롬프트 엔지니어링 기법들, 여러 유형의 생성형 AI 기반 서비스/도구들부터 알아가는 것보다 당장 어떤 용도로 생성형 AI를 사용해야 하는 경우 이 챕터부터 참조하면 됩니다.

그래도 가이드 원문의 일독을 권하는 이유

물론 곧바로 5장만 봐서는 잘 이해가 되지 않거나 제대로 활용하기 어려운 내용도 있을지 모르기 때문에, 가능하면 틈틈이라도 가이드 원문을 전체적으로 한 번쯤 읽어볼 것을 권합니다.

특히 누군가 완벽에 가까운 프롬프트를 작성해 공유했더라도 이를 토씨 하나 고치지 않고 그대로 쓸 수 있는 경우는 그리 흔하지 않습니다. 적용 분야나 목적, 세부 지침이나 출력 형식 등 공유된 프롬프트 전반에 걸쳐 변경해야 할 것을 제대로 반영하지 않으면 적절한 결과물을 얻기 어렵습니다.

즉 생성형 AI로 일정 수준 이상의 결과를 만들고 싶다면, 누구나 최적의 프롬프트를 -또는 최적에 가깝게라도- 만들 수 있어야 합니다. 이 때 LLM의 도움을 받을 수 있다는 팁도 언급했지만, 사소한 부분까지 LLM에 요청하고 결과를 받아보는 것도 반복하면 효율이 떨어질 수 있으므로 사용자도 프롬프트 기법에 대해 알아두는 편이 훨씬 효율적입니다.

또한 3장에 새로 추가한 섹션인 '컨텍스트 엔지니어링' 부분도 상당히 중요한데, 어떤 화려한 프롬프트를 쓰더라도 정작 LLM이 작업을 처리하기 위해 필요한 정보/지침/도구 등(=컨텍스트)이 적절히 제공되지 않는다면 그 결과에 크고 작은 오류/환각이 끼어들 가능성도 커지기 때문입니다.

본 가이드를 통해 생성형 AI나 LLM이 어떻게 동작하고 어떤 것들이 가능/불가능한지, 이럴 때는 어떻게 할 수 있고 무엇을 주의해야 하는지, 매일 새롭게 등장하는 서비스/도구들은 대체 무엇이 특별한지 등을 최대한 전달하고자 했으며, 조금이라도 도움이 될만한 내용은 (중복을 제외하고) 거의 모두 포함한 탓에 분량이 상당하다는 점을 모쪼록 헤아려 주기 바랍니다.

첫 번째 섹션으로 소개하는 개인 맞춤(Personalization) 설정은 LLM이 사용자가 지정한 전문성/스타일/형식 등에 맞춰 답변하게끔 조정하는 기능입니다. 다양한 LLM이 각각의 방식으로 이 같은 기능을 제공하는데 사소한 차이만 있을 뿐 기본 개념이나 원리는 거의 동일하므로, 본 가이드에서는 ChatGPT의 기능을 중심으로 설명합니다.

다음 섹션의 작업 예약(Scheduled Tasks) 기능은 LLM이 정해진 일정에 정해진 작업을 자동으로 수행하여 먼저 알려주는 기능으로, 구체적인 설정 방법, 과정, 팁 등에 대해 필자가 실제로 유용하게 쓰고 있는 사례를 들어 설명합니다. 역시 다른 LLM도 지원하거나 지원 예정인 기능인데, 본 가이드에서는 ChatGPT를 기준으로 삼았습니다.

5장의 세 번째 섹션에서는 '긴 텍스트 요약' 작업을 예로 들어, 장문의 자료를 효과적으로 요약하거나 원하는 형식으로 처리(출력)하는 방법을 설명합니다. 특히 단순 요약처럼 보이는 작업이라도 필요에 따라 전체 처리 과정을 세부 단계로 나눠서 처리하는게 효과적일 수 있습니다. (요약이 아닌 다른 작업도 마찬가지)

이어 네 번째 섹션은 학습 목적으로 생성형 AI를 활용하는 몇 가지 방법을 소개합니다. 무언가 새로운 것을 학습해야 할 때 기존에는 '검색'이 주된 도구였다면, 이제는 이 검색 도구를 포함한 생성형 AI의 도움을 받아 최적화된 학습 과정/자료를 찾거나 만들어낼 수 있습니다.

마지막 두 섹션(1)에서는 '생성형 AI 업무 혁신 TF팀'에서 축사, 기고문 등 몇 가지 '공통 업무'를 위해 작성한 프롬프트들을 소개하며, 이후 자체 'AI 활용 적극행정 공모전(기획조정팀)'에서 우수작으로 선정된 다양한 프롬프트들도 함께 찾아볼 수 있습니다.

  1. 이 두 섹션은 내부 자료이므로 외부에서 접속 가능한 본 사이트(https://deniskim.duckdns.org)에서는 내부 시연을 위해 한시적으로만 조회할 수 있습니다.

향후 다른 업무용 프롬프트나 효율적인 AI 활용법 등이 있으면 업데이트 하겠습니다.

참고로 웹 버전 가이드의 예시 텍스트 블록마다 우측 상단에 마우스를 가져가면 나타나는 '복사' 버튼을 이용해 간편히 복사 & 붙여넣기 할 수 있습니다. (아래 그림 참조)