제2장. 1. 프롬프팅 핵심 기법

기법의 이름을 알면 전략이 보입니다

AI에게 잘 묻는다는 것은 무엇을 의미하는가

AI를 잘 쓰는 사람과 그렇지 못한 사람 사이의 거리는 생각보다 좁습니다. 그 차이는 대부분 기술의 이해나 코딩 실력에서 오지 않습니다. 단 하나의 질문 방식에서 갈립니다. 질문을 '한다'와 질문을 '설계한다'의 차이입니다.

이 장에서는 AI와 대화할 때 우리가 무의식적으로 사용하고 있던 방법들에 이름을 붙이고 구조를 부여합니다. 이름을 갖는 순간, 감각은 전략이 되고, 전략은 반복 가능한 기술이 됩니다.

이 장에서 다루는 핵심 기법과 역할을 먼저 한눈에 정리합니다.

1. Zero-shot · One-shot · Few-shot

예시의 양이 결과의 질을 바꿉니다

AI에게 일을 맡길 때 가장 먼저 결정해야 할 것이 있습니다. '설명만 할 것인가, 예시를 보여줄 것인가?'입니다. 이 선택 하나가 결과의 정밀도를 크게 좌우합니다.

가장 단순한 방식은 Zero-shot입니다. 예시 없이 곧바로 요청하는 방법입니다. 빠르고 간편하지만, AI는 그 요청을 어떤 '맛'으로 처리해야 할지 스스로 결정해야 합니다.

Zero-shot 예시

"이 제품 리뷰를 요약해줘."

→ AI가 길이, 어조, 형식을 모두 스스로 판단합니다. 결과는 무난하지만 예측하기 어렵습니다.

여기에 단 하나의 예시를 추가하면 달라집니다. 이것이 One-shot입니다. AI는 당신이 원하는 '스타일'의 윤곽을 읽기 시작합니다.

One-shot 예시

"다음 방식으로 문장을 바꿔줘.
예시: '실패는 끝이다 → 실패는 데이터다' 이제 바꿔줘: '공부는 힘들다'"

→ "공부는 힘들다 → 공부는 미래를 설계하는 과정이다"

예시가 여러 개가 되면 Few-shot이 됩니다. AI는 이 단계에서 단순한 이해를 넘어 패턴 자체를 학습합니다. 출력의 일관성과 품질이 눈에 띄게 높아집니다.

Few-shot 실전 예시 — 카피라이팅

"다음 예시들의 패턴을 따라 문장을 바꿔줘.
'경험이 중요하다 → 경험은 자산이다'
'시간이 없다 → 시간은 선택의 문제다'
'기술이 어렵다 → 기술은 새로운 언어다'
이제 바꿔줘: '마케팅은 복잡하다'"

→ "마케팅은 복잡하다 → 마케팅은 사람의 마음을 읽는 과학이다"

핵심 인사이트

AI는 설명보다 패턴을 더 잘 배웁니다. '이렇게 해줘'보다 '이런 게 내가 원하는 것이야'라고 보여주는 쪽이 훨씬 강력합니다.

2. Chain of Thought · Tree of Thought

사고의 흐름을 내가 설계합니다

AI는 생각하지 않습니다. 하지만 생각하는 것처럼 만들 수는 있습니다. 그리고 그 차이는 결과에서 분명하게 드러납니다.

Chain of Thought(CoT)는 AI에게 '답'이 아니라 '추론 과정'을 요구하는 기법입니다. "단계별로 설명하면서 답해줘"라는 한 문장이 출력의 품질을 완전히 바꿉니다. 복잡한 문제일수록 효과는 극적으로 커집니다.

CoT 실전 예시 — 재무 계획

"월 수입 280만 원인 직장인이 3년 안에 종잣돈 5,000만 원을 모으려면 어떻게 해야 하는지, 수입 구조 분석 → 지출 최적화 → 저축·투자 전략 순서로 단계별로 설명해줘."

→ 단순한 '얼마 모아라'가 아닌, 수입 대비 고정비 분석 / 절감 항목 우선순위 / 적금·ETF 배분 전략까지 구조화된 계획이 나옵니다.

Tree of Thought(ToT)는 한 단계 더 나아갑니다. 단일한 사고의 흐름이 아니라, 여러 가능성을 동시에 탐색하게 만드는 방식입니다. AI는 스스로 경로를 비교하고 최선을 고릅니다.

ToT 실전 예시 — 커리어 의사결정

"현재 직장을 계속 다니는 경우 / 창업하는 경우 / 프리랜서로 전환하는 경우, 세 가지 시나리오를 각각 2년 후 재정 상태·리스크·성장 가능성 기준으로 분석하고, 30대 초반 마케터에게 가장 현실적인 선택을 추천해줘."

→ 단순 조언이 아닌 의사결정 보고서 수준의 비교 분석이 나옵니다. AI가 각 경로의 리스크를 정량·정성적으로 평가합니다.

3. Self-Consistency · Self-Reflection

AI가 스스로 답을 검증하게 만드는 방법

AI의 첫 번째 답은 완벽하지 않습니다. 그러나 우리는 그것을 완벽에 가깝게 만들 수 있습니다. 비결은 단순합니다. AI에게 두 번 생각하게 만드는 것입니다.

Self-Consistency는 같은 문제를 여러 관점에서 접근하게 한 뒤, 가장 일관된 결론을 추출하는 방식입니다. AI의 확률적 특성을 역이용하는 전략입니다.

Self-Consistency 실전 예시 — 사업 타당성 검토

"이 구독 서비스 아이디어의 성공 가능성을
(1) 시장 규모와 경쟁 구도 관점
(2) 기술적 구현 난이도 관점
(3) 수익 모델과 단위 경제학 관점
세 가지로 각각 평가하고, 공통적으로 나타나는 핵심 리스크와 강점을 정리해줘."

→ 세 관점의 교집합에서 핵심 문제가 선명하게 드러납니다. 단일 분석보다 훨씬 신뢰도가 높습니다.

Self-Reflection은 AI에게 비평가의 역할을 부여합니다. "네가 한 답의 약점을 지적해줘"라고 하면, AI는 생성자에서 검토자로 전환됩니다.

Self-Reflection 3단계 체인 — 컨설팅 수준의 분석

① "이 스타트업 아이디어의 핵심 강점과 차별점을 분석해줘."

② "방금 한 분석에서 지나치게 낙관적으로 평가한 부분이나 빠진 리스크를 비판적으로 지적해줘."

③ "그 비판을 반영해서, 더 균형 잡힌 최종 평가를 다시 작성해줘."

→ 첫 번째 답은 초안, 세 번째 답은 완성본입니다. 프롬프트 세 개만으로 전문 컨설팅 보고서 수준의 결과가 나옵니다.

4. Persona · Role-playing · Framing

역할과 맥락이 출력의 깊이를 결정합니다

AI의 답변 수준은 "무엇을 묻느냐"보다 "누구로, 어떤 상황에서 말하게 하느냐"에 더 크게 좌우됩니다. AI는 질문에 답하는 것이 아니라, 설정된 세계 안에서 행동합니다.

Persona는 AI에게 전문성과 시각을 부여합니다. "당신은 X입니다"라는 한 문장이 답변의 깊이와 결을 완전히 바꿉니다.

Persona 실전 예시 — 제품 기획

"당신은 애플에서 15년간 신제품 기획을 담당한 수석 프로덕트 매니저입니다. 사용자가 스마트폰을 내려놓고 싶어하는 순간을 해결하는 새로운 웨어러블 디바이스 아이디어를 제안해주세요. 사용자 경험 중심으로 설명해주세요."

→ 일반적인 아이디어 나열이 아닌, 사용자 페인포인트에서 출발하는 시장 중심의 제품 기획이 나옵니다.

Role-playing은 상황까지 설정합니다. 어떤 청중 앞에서, 어떤 목적으로 말해야 하는지가 명확해질수록 답변은 설득력을 갖습니다.

Role-playing 예시 — 투자 피치

"당신은 시리즈A 투자 유치를 앞둔 B2B SaaS 창업자입니다. 오늘 VC 앞에서 3분 피치를 해야 합니다. 우리 제품은 중소기업 회계 업무를 자동화하는 AI 서비스이며, 현재 월 매출 1,200만 원, MoM 성장률 18%입니다.
핵심 문제 정의 → 솔루션 → 시장 규모 → 트랙션 → 팀 순서로 피치 스크립트를 작성해줘."

→ 단순한 제품 소개가 아닌 투자자의 시선을 의식한 설득형 내러티브가 구성됩니다.

Framing은 문제를 바라보는 '틀'을 바꿉니다. 같은 사안도 어떤 렌즈로 보느냐에 따라 완전히 다른 답이 나옵니다.

Framing 예시 — 관점 전환

"이 온라인 강의 플랫폼 사업 아이디어를 두 가지 관점에서 분석해줘.

① 최소 비용으로 최대 수익을 내는 린(Lean) 스타트업 관점

② 장기적 브랜드 자산 구축 관점

두 관점에서 초기 6개월 실행 전략이 어떻게 달라지는지 비교해줘."

→ 같은 아이디어가 전혀 다른 두 개의 사업 전략으로 펼쳐집니다.

5. Iterative Prompting · Prompt Chaining

대화를 설계하면 결과가 달라집니다

좋은 글이 한 번에 완성되지 않듯이, 좋은 AI 출력도 한 번의 프롬프트로 완성되지 않습니다. 대화는 과정입니다. 그 과정을 얼마나 잘 설계하느냐가 최종 결과를 결정합니다.

Iterative Prompting은 같은 결과물을 반복적으로 다듬어나가는 방식입니다. 편집자처럼 점진적으로 개선합니다.

Iterative 실전 흐름 — 콘텐츠 제작

① "AI 입문자를 위한 블로그 글을 써줘. 주제: 프롬프트 엔지니어링의 기초."

② "좋아. 이제 도입부를 더 흥미롭게 바꿔줘.

독자가 읽다가 멈추게 만드는 첫 문장을 써줘."

③ "전체 톤을 대학 강의가 아니라

친한 선배가 카페에서 설명해주는 느낌으로 바꿔줘."

④ "이 글에 맞는 제목 7개를 제안해줘. 클릭율이 높을 것 같은 순서로."

→ 각 단계마다 글이 살아있는 방향으로 진화합니다. 마지막 결과물은 첫 번째와 완전히 다른 수준입니다.

Prompt Chaining은 여러 단계의 작업을 연결하는 방식입니다. AI에게 하나의 긴 작업을 한꺼번에 요청하는 대신, 단계별로 나눠서 처리합니다. 각 단계의 결과가 다음 단계의 입력이 됩니다.

Prompt Chaining 고급 예시 — 리포트 자동 생성

1단계: "국내 구독경제 시장 트렌드의 핵심 키워드 10개를 추출해줘."
2단계: "그 키워드 중 B2C 서비스에 가장 직접적인 영향을 주는 3개를 선정하고 이유를 설명해줘."
3단계: "선정된 3개 키워드 각각에 대해 300자 분량의 시장 분석을 작성해줘."
4단계: "세 개의 분석을 하나의 일관된 흐름으로 연결해 1,000자 분량의 트렌드 리포트로 완성해줘."
5단계: "이 리포트의 경영진 요약(Executive Summary)을 3문장으로 써줘."

→ 이것은 질문이 아닙니다. 하나의 작업 프로세스입니다. 5단계를 거치면 전문 리서치 기관 수준의 리포트가 완성됩니다.

— 기법의 조합이 레버리지를 만듭니다

함께 쓸 때 가장 강력합니다

이 장에서 소개한 기법들은 서로 독립적이지 않습니다. 가장 강력한 결과는 이 기법들이 함께 작동할 때 나옵니다. 아래 조합은 실전에서 특히 강력한 시너지를 발휘합니다.

프롬프팅은 질문 기술이 아닙니다. AI의 사고 구조를 설계하는 기술입니다. AI는 점점 더 강력해지고 있습니다. 하지만 그 능력을 온전히 끌어내는 것은 여전히 인간의 몫입니다.

"좋은 프롬프트는 좋은 질문이 아닙니다.
좋은 프롬프트는 AI가 최선을 다할 수밖에 없는 환경을 만드는 것입니다."