책에 포함된 노트AI를 잘 쓰는 법: 프롬프트를 넘어 컨텍스트·워크플로·에이전트까지

13부 75장. 앞으로 무엇을 배워야 하는가

2026-04-24Views 45약 10분생성형 AI 활용

13부 75장. 앞으로 무엇을 배워야 하는가

이 책의 앞부분에서는 프롬프트를 다뤘고, 중간에서는 컨텍스트와 멀티턴, 워크플로를 살폈다. 뒤로 가면서는 에이전트, 코드, MCP, 모델 선택, 로컬 LLM, 멀티모달, 평가와 하네스까지 다뤘다. 여기까지 왔다면 이제 중요한 질문이 하나 남는다.

그래서 다음에는 무엇을 배워야 할까?

이 질문은 생각보다 중요하다. AI는 너무 빨리 바뀌기 때문이다. 오늘 유행하는 도구가 내년에는 평범해질 수 있고, 지금은 신기해 보이는 기능이 몇 달 뒤에는 기본 옵션이 될 수도 있다. 그래서 앞으로의 학습은 "무슨 앱을 배울까?"보다 "무슨 감각을 길러야 오래 살아남을까?"에 더 가까워야 한다.

이 장의 목표는 단순히 유행 목록을 나열하는 것이 아니다. 이 책을 덮은 뒤에도 스스로 배우고, 고르고, 시험하고, 업데이트할 수 있는 다음 학습 지도를 손에 쥐게 하는 것이다.

13부 75장. 앞으로 무엇을 배워야 하는가

이제는 지식보다 학습 방향이 더 중요하다

예전에는 새로운 기술을 배우는 일이 비교적 선형적이었다. 책 한 권, 강의 하나, 자격증 하나를 끝내면 어느 정도 정리가 됐다. 하지만 AI 시대에는 그런 방식만으로는 부족하다. 모델은 계속 바뀌고, 도구는 합쳐지고 갈라지고, 기능은 서비스 경계 없이 번져 간다.

이미 많은 조직과 개인이 생성형 AI를 일상 업무에 쓰고 있고, 사람들 역시 "배우면 좋겠다"가 아니라 "배우지 않으면 뒤처질 수 있다"는 감각으로 접근하고 있다.¹ 중요한 것은 남들보다 먼저 모든 것을 다 아는 사람이 되는 것이 아니다. 무엇이 바뀌고, 무엇은 안 바뀌는지 구분하는 사람이 되는 것이다.

예를 들어 프롬프트 문법은 바뀔 수 있다. 특정 앱의 버튼 위치도 바뀐다. 하지만 목표를 분명히 하고, 필요한 맥락을 정리하고, 작업을 단계로 나누고, 결과를 검증하는 원칙은 쉽게 안 바뀐다. 앞으로의 학습은 이런 변하지 않는 축을 중심으로 쌓아야 한다.

첫 번째로 배워야 할 것: AI를 '한 번 묻는 도구'가 아니라 '작업 시스템'으로 보는 눈

이 책 전체를 관통한 메시지도 이것이었다. AI를 잘 쓴다는 것은 한 줄짜리 질문을 멋지게 만드는 능력만이 아니다. 일을 구조화하고, 맥락을 공급하고, 중간 점검을 넣고, 결과를 다듬고, 필요하면 도구를 연결하는 능력이다.

앞으로 가장 먼저 더 깊게 익혀야 할 것은 워크플로 감각이다. 다시 말해, 일을 이렇게 보는 연습이다.

무엇을 먼저 탐색할 것인가
무엇을 AI에게 맡기고 무엇을 내가 결정할 것인가
어디에서 검토와 수정이 들어가야 하는가

이 세 질문을 자연스럽게 할 수 있으면, 새 모델이 나와도 흔들리지 않는다. 반대로 이 감각이 없으면 도구는 계속 써도 일은 계속 엉킨다.

많은 로드맵 자료가 이제 AI 활용을 단순한 프롬프트 사용에서 벗어나 자동화, RAG, 에이전트, 배포와 운영까지 이어지는 흐름으로 설명하는 이유도 여기에 있다.²³ 결국 미래의 핵심 역량은 "좋은 답을 한 번 받는 능력"보다 좋은 흐름을 반복 가능하게 만드는 능력이다.

두 번째로 배워야 할 것: 컨텍스트를 다루는 능력

앞으로의 AI 활용에서 실력이 가장 크게 갈리는 지점 중 하나는 여전히 컨텍스트다. 많은 사람이 모델 성능 차이만 크게 보지만, 실제 현장에서는 무엇을 얼마나 어떻게 넣느냐가 결과를 크게 바꾼다.

앞으로 더 배워야 할 것은 다음과 같은 기술이다.

첫째, 자료를 던지는 것이 아니라 정리해서 주는 법이다. 문서 원문 전체보다 핵심 발췌, 목적, 우선순위, 참고 범위, 제외 조건을 함께 주는 쪽이 훨씬 강하다.

둘째, 외부 지식을 연결하는 법이다. 요즘 실무에서 특히 중요하게 떠오르는 것이 RAG다. 이는 모델이 자기 내부 기억만으로 답하지 않고, 외부 문서나 데이터베이스에서 관련 정보를 찾아와 함께 답하도록 만드는 방식이다. 쉽게 말해 "그냥 똑똑한 척하는 모델"이 아니라 "내 자료를 보고 말하는 모델"에 가까워진다.²⁴

셋째, 긴 작업에서 문맥을 잃지 않게 관리하는 법이다. 긴 대화는 그냥 길게 이어 간다고 좋아지지 않는다. 중간 요약, 상태 정리, 결정 사항 기록, 다음 단계 명시가 있어야 한다. 이건 기술이기도 하지만 습관이기도 하다.

앞으로 AI를 더 잘 쓰고 싶다면, 프롬프트 책만 더 읽기보다 자료를 다루는 법, 지식을 연결하는 법, 문맥을 유지하는 법을 꾸준히 연습해야 한다.

세 번째로 배워야 할 것: 에이전트 시대의 기본 문해력

AI는 점점 더 답변만 하는 도구에서 벗어나고 있다. 계획하고, 도구를 고르고, 실행하고, 다시 확인하는 쪽으로 이동 중이다. 교육과 산업 현장 모두에서 전통적인 AI 도구에서 AI 에이전트로의 이동이 중요한 변화로 언급되고 있다.⁵

하지만 여기서 오해하면 안 된다. 앞으로 필요한 것은 "에이전트를 무조건 잘 만드는 법"보다 먼저, 에이전트가 잘되는 일과 잘 안 되는 일을 구별하는 눈이다.

에이전트 시대에 배워야 할 기본 감각은 이렇다.

에이전트는 복잡한 목표를 여러 단계로 쪼개어 처리할 수 있다. 도구를 호출하고, 자료를 찾고, 형식을 맞추고, 반복 작업을 줄이는 데 강하다. 반면 목표가 애매하거나, 검증 기준이 없거나, 책임이 큰 판단이 필요한 작업에서는 쉽게 헛돌 수 있다.

그래서 앞으로는 에이전트를 "만능 비서"로 보는 대신, 감독이 필요한 반자동 작업자로 보는 시각이 중요하다. 무엇을 자율화하고, 무엇을 승인 기반으로 두고, 어디에서 사람이 개입할지를 설계하는 능력이 핵심이 된다.³⁵

쉽게 말해, 앞으로는 AI를 쓰는 사람도 두 부류로 갈린다. "와, 혼자 알아서 하네"에서 멈추는 사람과, "어디까지 알아서 하게 하고 어디서 멈추게 할까"를 설계하는 사람이다. 앞으로 배워야 할 것은 분명 후자다.

네 번째로 배워야 할 것: 평가와 검증

AI 시대에 점점 더 비싸지는 실수는 그럴듯함을 실력으로 착각하는 일이다. 문장이 자연스럽다고 맞는 것은 아니고, 말투가 자신감 있다고 신뢰할 수 있는 것도 아니다.

그래서 앞으로 더 중요해질수록 반드시 같이 커져야 하는 역량이 평가다. 어떤 결과가 좋은 결과인지 기준을 세우고, 실패 사례를 모으고, 반복해서 점검하는 습관 말이다.

이제 잘되는 팀들은 단순히 모델을 바꾸지 않는다. 평가 기준을 만들고, 체크리스트를 돌리고, 실패 유형을 누적해 시스템을 고친다. AI가 고도화될수록 "더 똑똑한 모델을 쓰는가"만큼이나 "더 엄격한 검증 루프를 갖고 있는가"가 경쟁력이 된다.³

개인 사용자에게도 이 원리는 같다. 앞으로 배워야 할 것은 거창한 벤치마크만이 아니다. 아주 작은 수준에서도 평가 습관을 들일 수 있다.

예를 들어 이런 식이다.

내가 원하는 출력 조건을 먼저 적어 두기
결과를 사실성, 구조, 톤, 재사용성으로 나눠 보기
실패한 예시를 버리지 않고 수정 전후를 비교해 보기

이런 습관이 쌓이면, AI는 운빨 도구가 아니라 점점 다듬어지는 작업 환경이 된다.

다섯 번째로 배워야 할 것: 데이터와 구조를 보는 감각

많은 사람이 AI를 언어의 기술로만 생각한다. 하지만 실제로 AI의 품질을 바꾸는 큰 축 중 하나는 여전히 데이터다. 데이터가 지저분하면 결과도 흐려지고, 구조가 엉키면 자동화도 금방 무너진다.

그래서 앞으로는 비개발자라도 어느 정도 데이터 감각을 키울 필요가 있다. 여기서 말하는 데이터 감각은 어려운 수학 시험을 치르라는 뜻이 아니다. 우선은 이런 수준이면 충분하다.

입력이 어떤 필드로 구성되는지 본다. 같은 형식으로 반복 입력할 수 있는지 본다. 어떤 정보가 빠지면 결과가 흔들리는지 본다. 텍스트, 표, 메모, 로그, 파일명이 제각각 흩어져 있으면 왜 AI도 자꾸 헛답을 하는지 이해한다.

기술 로드맵 자료들이 여전히 데이터 분석, 데이터 정리, SQL, 피처와 평가를 기본 역량으로 강조하는 이유는 단순하다. AI는 마법처럼 보이지만, 실제로는 입력 구조를 매우 많이 탄다.⁶⁷

즉, 앞으로 배워야 할 것은 "어떤 모델이 제일 똑똑한가"만이 아니라 "내 정보는 AI가 다루기 좋은 모양인가"라는 질문을 하는 능력이다.

여섯 번째로 배워야 할 것: 최소한의 코드와 자동화

모든 사람이 AI 엔지니어가 될 필요는 없다. 하지만 앞으로는 많은 사람에게 코드를 전혀 모르는 상태와 조금은 읽고 고칠 수 있는 상태 사이의 차이가 점점 커질 가능성이 높다.

이때 필요한 것은 대규모 소프트웨어를 직접 짜는 능력이 아니라, 작은 자동화와 연결을 이해하는 수준의 기초다. 예를 들면 이런 것들이다.

파일을 읽고 정리하는 간단한 스크립트, CSV를 다루는 기본 처리, API가 무엇인지 이해하는 감각, 프롬프트를 템플릿처럼 재사용하는 구조, CLI 도구를 다뤄 보는 경험, 간단한 테스트와 검증 흐름 같은 것들이다.

최신 AI 로드맵들이 파이썬, 데이터 처리, API, 배포, MLOps를 계속 핵심 축으로 놓는 이유는, 이제 AI가 단순 대화창 바깥으로 나왔기 때문이다.⁴⁶⁷ 앞으로는 "AI에게 물어봤다"보다 "AI를 내 흐름에 붙였다"가 더 큰 차이를 만든다.

코딩이 두렵다면 이렇게 생각하면 편하다. 앞으로 배워야 할 코드는 개발자가 되기 위한 코드가 아니라, AI와 일하기 위한 작업 언어에 가깝다.

일곱 번째로 배워야 할 것: 모델을 읽는 눈

이제 모델은 하나가 아니다. 빠른 모델, 긴 문맥에 강한 모델, 코딩에 강한 모델, 도구 호출이 좋은 모델, 로컬에서 돌리기 쉬운 모델, 비용이 낮은 모델이 다 따로 논다.

그래서 앞으로는 "최고의 모델 하나"를 찾기보다 작업에 맞는 모델을 고르는 눈이 훨씬 중요해진다. 이것은 생각보다 배울 가치가 크다. 좋은 사용자는 모델 발표를 볼 때도 광고 문구보다 다음을 본다.

문맥 길이가 실제로 유용한가. 추론이 필요한 작업에서 안정적인가. 도구 사용과 함수 호출이 매끄러운가. 가격과 속도는 어떤가. 멀티모달 입력은 실전에서 쓸 만한가. 로컬로 돌릴 수 있는가.

산업 전반에서는 생성형 AI가 더 넓게 퍼지고, 멀티모달과 수직 특화 AI, 거버넌스의 중요성이 커지고 있다.⁸ 이런 흐름 속에서는 "무조건 제일 큰 모델"보다 "내 목적에 맞는 조합"을 찾는 사람이 유리하다.

앞으로는 모델 비교 글을 볼 때도 팬심보다 작업 기준으로 읽는 훈련이 필요하다. 이 감각이 생기면 새 모델이 나올 때마다 호들갑을 떨 필요가 없다. 그냥 이렇게 묻으면 된다. 내 일에는 어디서 이득이 나는가?

여덟 번째로 배워야 할 것: 멀티모달 감각

앞으로의 AI는 점점 텍스트만 다루지 않는다. 이미 텍스트, 이미지, 오디오, 비디오, 코드가 서로 엮이고 있고, 앞으로 이 흐름은 더 강해질 가능성이 높다.⁸

여기서 중요한 것은 영상 편집 전문가나 음악 제작자가 되라는 뜻이 아니다. 최소한 다음 정도의 감각은 갖추는 편이 좋다.

텍스트로만 설명하면 잘 안 풀리는 문제를 이미지로 넘기는 법, 문서를 요약한 뒤 발표 슬라이드로 바꾸는 흐름, 회의 음성을 받아 요약하고 액션 아이템으로 바꾸는 흐름, 스토리보드를 영상 프롬프트로 바꾸는 흐름을 이해하는 것이다.

즉, 앞으로 배워야 할 것은 "이미지 AI도 한 번 해보기"가 아니라, 매체를 바꿔 가며 일하는 능력이다. 같은 아이디어가 글, 표, 그림, 음성, 영상으로 변환될 수 있다는 감각이 생기면 AI 활용 폭이 크게 넓어진다.

아홉 번째로 배워야 할 것: 윤리, 보안, 정책 감각

AI가 널리 쓰일수록 실력은 단지 생산성으로만 측정되지 않는다. 무엇을 넣어도 되는지, 무엇은 넣으면 안 되는지, 어떤 자동화는 편하지만 위험한지, 어떤 결과는 차별이나 왜곡을 만들 수 있는지 아는 것도 실력이다.

여러 교육 자료와 산업 전망은 기술 역량과 함께 AI 윤리, 데이터 관리, 가드레일, 책임성과 같은 주제를 핵심 학습 영역으로 보고 있다.⁵⁹ 특히 조직에서는 그림자 AI, 즉 승인되지 않은 도구 사용과 무분별한 데이터 입력이 큰 문제로 떠오른다.⁵

앞으로 개인이 꼭 익혀야 할 최소 감각은 분명하다. 민감한 정보는 어디까지 넣어도 되는가. 출력은 어떤 근거로 확인할 것인가. 자동화를 어디까지 허용할 것인가. 사람 검토는 어느 단계에서 필수인가. 저작권과 인용은 어떻게 다룰 것인가.

AI를 오래 잘 쓰는 사람은 빠른 사람인 동시에 조심할 줄 아는 사람이다. 안전과 책임을 모르면 생산성은 쉽게 사고로 바뀐다.

열 번째로 배워야 할 것: 사람의 고유 역량

이쯤 되면 이런 생각이 들 수 있다. "결국 다 AI 쪽 공부만 하라는 말 아닌가?" 그런데 오히려 반대다. AI가 강해질수록 더 귀해지는 것은 인간 쪽 능력이다.

여러 자료가 공통으로 강조하는 것도 비슷하다. 문제 해결, 비판적 사고, 커뮤니케이션, 협업, 창의성, 판단력, 적응력 같은 능력은 AI 시대일수록 더 중요해진다.⁹¹⁰ 기술이 강해질수록, 방향을 정하고 맥락을 해석하고 최종 결정을 내리는 쪽의 가치가 커지기 때문이다.

예를 들어 AI는 초안을 빠르게 만들 수 있다. 하지만 어떤 문제를 지금 풀어야 하는지 정하는 일은 여전히 사람 몫이다. AI는 여러 선택지를 보여 줄 수 있다. 하지만 조직 상황, 관계, 책임, 우선순위를 반영해 최종 결정을 내리는 것은 사람의 일이다.

그래서 앞으로는 AI를 공부하면서 동시에 이런 질문도 계속 붙들어야 한다.

나는 더 명확하게 설명할 수 있는가. 더 좋은 질문을 만들 수 있는가. 더 나은 기준으로 비교할 수 있는가. 모호한 상황에서 판단을 내릴 수 있는가. 다른 사람과 함께 일의 방향을 정할 수 있는가.

AI가 강해질수록 인간은 더 인간적인 능력에서 차이가 난다.

앞으로의 학습은 두 갈래로 나눠 생각하면 편하다

앞으로의 학습은 한 줄로 정리되지 않는다. 사람마다 목표가 다르기 때문이다. 그래서 자신을 크게 두 갈래 중 어디에 둘지 먼저 정하면 좋다.

첫째는 파워 유저 경로다. 코드를 많이 쓰지 않더라도 AI를 업무와 학습, 창작의 흐름에 깊게 붙이고 싶은 사람이다. 이런 사람에게는 도구 선택, 프롬프트 설계, 컨텍스트 정리, 워크플로 자동화, 문서 연결, 검증 습관이 핵심이다.¹¹

둘째는 빌더 경로다. AI 시스템을 직접 만들거나, 기술 직무로 넘어가거나, 제품과 모델을 설계하고 싶은 사람이다. 이 경로에서는 파이썬, 데이터 처리, 수학 기초, 머신러닝, 딥러닝, 트랜스포머, RAG, 에이전트 프레임워크, 배포와 운영이 중요해진다.¹¹¹²

중요한 것은 둘 중 하나만 고르라는 뜻이 아니라, 내 당장의 중심축이 무엇인지 아는 것이다. 파워 유저가 먼저라도 나중에 빌더 쪽으로 옮겨 갈 수 있다. 빌더라 해도 파워 유저 감각이 약하면 실제 문제를 못 푼다. 두 갈래는 경쟁 관계가 아니라 연결된 길이다.

90일 학습 지도: 책을 덮은 뒤 바로 시작하는 법

앞으로의 학습이 너무 커 보인다면, 먼저 90일만 잡아도 충분하다.

첫 30일에는 내 작업을 관찰하자. 어떤 일이 반복되는지, 어떤 일이 AI에 잘 맞는지, 어디에서 매번 시간을 잃는지 기록한다. 이 단계의 핵심은 새로운 앱을 더 까는 것이 아니라, 내 일이 어떤 구조인지 보는 것이다.

다음 30일에는 작은 시스템을 만든다. 예를 들어 회의 요약 흐름 하나, 리서치 비교 흐름 하나, 글쓰기 초안 흐름 하나를 만든다. 가능하면 입력 형식을 고정하고, 출력 형식도 고정해 본다. 좋은 질문을 만드는 것보다 반복 가능한 구조를 만드는 데 집중한다.

마지막 30일에는 한 단계 확장한다. 문서를 붙여 보고, 외부 자료를 연결해 보고, 간단한 자동화를 시도해 보고, 필요하면 코드 도구나 로컬 모델도 맛본다. 그리고 가장 중요하게, 결과를 평가한다. 진짜 시간이 줄었는지, 품질이 좋아졌는지, 다음에도 쓸 수 있는지 확인한다.

이 90일만 제대로 해도, AI는 더 이상 구경용 장난감이 아니라 내 일의 일부가 된다.

1년 학습 지도: 무엇을 순서대로 쌓을 것인가

1년을 본다면, 순서를 이렇게 잡는 편이 좋다.

먼저 AI 활용의 기초 체력을 다진다. 프롬프트, 컨텍스트, 멀티턴, 워크플로, 평가 습관이다. 이것이 바닥이다.

그다음에는 도메인 적용력을 키운다. 내 업무, 공부, 창작 중 한 분야에 깊게 붙여 본다. 예를 들어 마케팅, 기획, 연구, 교육, 코딩, 디자인 중 하나를 골라 그 분야에서 자주 나오는 작업을 AI 흐름으로 바꾼다.

그다음에는 확장 기술을 붙인다. RAG, 에이전트, 자동화, 코드, CLI, MCP, 로컬 LLM, 멀티모달 중에서 내 목표에 맞는 것을 고른다. 다 하려고 하지 말고, 내 일에서 가장 자주 부딪히는 병목을 풀어 주는 쪽부터 고르면 된다.

마지막으로 운영 감각을 붙인다. 모델 비교, 비용 감각, 보안, 데이터 관리, 검증 루프, 실패 사례 관리다. 여기까지 오면 이제 단순 사용자가 아니라, 자기만의 AI 시스템을 운영하는 사람에 가까워진다.

무엇을 배우지 말아야 하는가

앞으로 무엇을 배워야 하는가만큼 중요한 질문이 있다. 무엇을 굳이 쫓지 않아도 되는가다.

모든 신기한 데모를 따라갈 필요는 없다. 모든 모델 발표를 정독할 필요도 없다. 남들이 좋다고 하는 앱을 죄다 설치할 필요도 없다. 유행을 많이 아는 것과 실력이 좋은 것은 다르다.

특히 조심해야 할 것은 세 가지다.

첫째, 결과만 화려한 도구를 실력으로 착각하는 것이다. 둘째, 남의 활용법을 내 일에 바로 맞을 거라고 믿는 것이다. 셋째, 기초 없이 고급 키워드만 수집하는 것이다.

RAG, 에이전트, 멀티모달, 로컬 LLM 같은 말이 멋져 보여도, 실제로는 기본이 없는 상태에서 붙이면 금방 무너진다. 반대로 목표 설정, 입력 구조화, 단계 분해, 검증 루프가 탄탄하면 새 기술은 훨씬 쉽게 붙는다.

앞으로의 학습에서 가장 무서운 것은 느리게 배우는 것이 아니라, 필요 없는 것을 바쁘게 배우는 것이다.

계속 업데이트해야 할 감각

마지막으로, 앞으로 꾸준히 업데이트해야 할 감각을 정리해 보자.

첫째, 도구 감각이다. 어떤 도구가 새로 나왔는지보다, 내 흐름 어디에 붙는지를 보는 감각이다.

둘째, 모델 감각이다. 크기와 인기보다 실제 성능, 속도, 비용, 맥락 길이, 도구 사용성을 함께 보는 감각이다.

셋째, 위험 감각이다. 편해서 다 맡기는 순간 생길 수 있는 오류, 보안 문제, 책임 문제를 함께 보는 눈이다.

넷째, 학습 감각이다. 한 번 배우고 끝내는 것이 아니라, 써 보고, 고치고, 기록하고, 다시 적용하는 순환을 만드는 감각이다. 빠르게 바뀌는 시대일수록 오래 가는 사람은 더 많이 외운 사람이 아니라 더 잘 업데이트하는 사람이다.¹⁰¹³

다섯째, 자기화 감각이다. 남의 활용법을 보는 데서 멈추지 않고, 내 일에 맞게 변형하는 능력이다. 결국 실력은 정보를 많이 아는 데서가 아니라, 내 흐름으로 바꾸는 데서 나온다.

결국 앞으로 배워야 할 것은 'AI'만이 아니다

이 장의 제목은 "앞으로 무엇을 배워야 하는가"지만, 사실 더 정확한 답은 이것이다.

앞으로 배워야 할 것은 AI 자체이면서, 동시에 일을 구조화하는 법, 판단하는 법, 검증하는 법, 협업하는 법, 계속 배우는 법이다.

AI는 점점 더 강해질 것이다. 더 많이 읽고, 더 잘 쓰고, 더 자연스럽게 말하고, 더 많은 도구를 연결할 것이다. 하지만 그럴수록 더 중요해지는 것은 사용자의 방향 감각이다. 무엇을 맡기고, 무엇을 붙들고, 무엇을 믿고, 무엇을 의심할지를 정하는 힘 말이다.

이 책을 덮은 뒤 당신에게 필요한 것은 완벽한 준비가 아니다. 다음 한 걸음을 고를 수 있는 지도다.

그 지도는 아마 이렇게 생겼을 것이다. 먼저 내 일을 관찰하고, 작은 AI 흐름을 만들고, 컨텍스트와 검증을 강화하고, 필요에 따라 자동화와 코드와 에이전트로 확장하고, 계속 평가하면서 내 방식으로 다듬는다. 그리고 그 과정에서 도구보다 원리, 유행보다 구조, 속도보다 방향을 놓치지 않는다.

그렇게 가면 된다. AI 시대에 오래 강한 사람은 모든 것을 이미 배운 사람이 아니라, 다음에 무엇을 배워야 하는지 아는 사람이기 때문이다.

이번 장의 핵심

앞으로 중요한 것은 더 많은 프롬프트 요령을 모으는 일이 아니라, 작업 시스템을 설계하는 눈을 기르는 것이다. 특히 컨텍스트, RAG, 에이전트 이해, 평가와 검증, 데이터 감각, 최소한의 코드와 자동화, 모델 선택 감각, 멀티모달 활용, 윤리와 보안, 인간 고유의 판단 능력이 핵심 학습 주제가 된다.

또한 앞으로의 학습은 파워 유저 경로와 빌더 경로로 나눠 생각하면 선명해진다. 무엇보다 중요한 것은 빠르게 바뀌는 도구를 쫓는 데 그치지 않고, 써 보고, 고치고, 축적하고, 업데이트하는 학습 루프를 자기 안에 만드는 일이다. 결국 이 책 이후의 진짜 공부는 새로운 앱을 찾는 데서 시작하지 않는다. 내 일에 맞는 다음 학습 지도를 스스로 그리는 데서 시작한다.