프롤로그에서 언급했던 30점짜리 보고서 실패는 단순한 해프닝이 아니었다. 그것은 AI와의 협업 방식을 근본부터 다시 생각하게 만든, 이 여정의 실질적인 출발점이었다.
유학 시절의 나를 도와준 구글처럼 생성형 AI가 큰 변화를 가져올 것이라 기대했다. '자료 정리 → 콘텐츠 설계 → 표현 완성'이라는 나름의 3단계 작업 구조를 세우며 체계적으로 접근했다. 이번에야말로 내 생각과 관점이 담긴 온전한 결과물을 만들 수 있으리라 생각했다. 하지만 AI가 내놓은 결과는 기대와는 거리가 멀었다.
문제는 내 질문에 있었다
그 경험을 복기하며 깨달았다. 문제는 AI의 능력이 아니라 나의 지시 방식에 있었다. 나는 AI에게 '결과물'을 만들어달라고 요청했지만, 정작 그 결과물에 이르는 '과정'은 제대로 설계하지 않았던 것이다. AI 시대의 전문가는 결과물을 만드는 사람이 아니라, 최상의 결과에 이르는 과정을 설계하는 사람이 되어야 함을 그때 배웠다.
그렇게 실패의 경험을 바탕으로 나만의 작업 시스템, 세 가지 원칙을 세웠다.
첫 번째 원칙: 관점과 초점을 명확히 하기
AI가 분석할 관점과 초점을 명확히 정의했다. "AI와 ESG의 관계를 분석해 줘"라는 막연한 질문 대신, "두 개의 상반된 의제가 서로 어떻게 충돌하고 통합되는가?"라는 구체적인 분석 프레임워크를 제시했다. 내가 보고자 하는 방향을 명확히 제시하자 AI는 비로소 그 틀 안에서 의미 있는 정보를 찾아내기 시작했다.
두 번째 원칙: 구체적인 과업지시서 제공하기
모호한 지시 대신 구체적인 과업지시서를 제공했다. 막연히 "요약해 줘"라고 요청하는 대신, AI에게 '유능한 주니어 리서처'라는 역할을 부여하고 명확한 전략적 브리핑을 전달했다.
예를 들어, "이 보고서의 독자는 기술 비전문가인 중소기업 대표다. 따라서 복잡한 기술 용어 대신, 실제 도입 사례와 예상 투자수익률 중심으로 내용을 재구성해달라. 결과물은 서론, 본론, 결론 구조를 갖춘 10페이지 분량의 보고서 초안 형태로 제출하라"처럼 역할, 목표, 결과물의 수준과 형식을 구체적으로 정의했다.
이 방식이 이후 내가 정리한 딥 리서치 워크플로우의 시초였다. 단순히 질문을 던지는 게 아니라, AI에게 역할·맥락·산출물을 단계별로 정의해 주는 구조를 만들자 결과물의 품질이 눈에 띄게 달라졌다. 이 접근법 덕분에 나는 ‘자료를 모아 나열하는 보고서’가 아니라 실제 의사결정에 도움이 되는 구조화된 분석을 얻을 수 있었다
세 번째 원칙: 역할 분담 명확히 하기
나와 AI의 역할을 명확히 나눴다. 방대한 팩트를 정리하고 분류하는 것은 AI의 몫으로 돌렸다. 하지만 그 사실들을 엮어 해석하고 의미를 부여하는 것은 나의 몫으로 남겨두었다. AI는 내 사고의 '증폭기'가 되었고, 나는 그 증폭된 힘을 올바른 방향으로 이끄는 조율자가 되었다.
같은 AI, 다른 결과
이 세 가지 원칙을 담은 시스템으로 다시 보고서를 요청했을 때 AI는 완전히 다른 결과물을 내놓았다. 같은 AI, 같은 데이터였지만 결과물의 깊이는 이전과 비교할 수 없었다.
이 첫 성공은 내게 중요한 사실을 가르쳐 주었다. AI 시대에 전문가의 진짜 역량은 '결과물' 그 자체가 아니라, 그 결과에 이르는 자신만의 '과정'을 설계하는 능력이라는 것을.
흔들렸던 정체성이 다시 보이기 시작했다
이렇게 AI와 협업하는 나만의 시스템을 만들고 나니 비로소 기술 앞에서 흔들리던 '번역가'로서의 내 정체성도 다시 보이기 시작했다. 다음 글에서는 이 경험이 나의 직업적 관점을 어떻게 바꾸고, 오히려 나를 더 선명한 길로 이끌었는지에 대해 이야기해 보려 한다.
AI 시대에도 사람의 손길이 필요한 전문 번역을 찾고 계신가요? 29년간의 미국 생활과 기술 분야에 대한 깊은 이해를 바탕으로 한 저의 번역 서비스가 궁금하시다면, 제 크몽 프로필에서 자세한 정보와 포트폴리오를 확인하시거나 브런치 '제안하기'를 통해 직접 문의해주셔도 좋습니다.