2장. 모델보다 중요한 것은 '어떤 일을 시키는가'

ChatGPT를 조금만 써 본 사람이라면 금방 이런 질문을 하게 된다. 어떤 모델이 제일 좋은가. 지금은 무엇을 써야 하나. 더 비싼 모델을 쓰면 정말 결과가 확 달라지나.

이 질문 자체가 틀린 것은 아니다. 실제로 모델마다 성격이 다르고, 잘하는 일도 다르다. 하지만 많은 사람이 너무 일찍 모델 이야기로 들어간다. 마치 아직 무슨 요리를 할지도 정하지 않았는데 칼부터 고르는 것과 비슷하다. 칼은 중요하다. 그러나 칼보다 먼저 정해야 하는 것은 오늘 만들 음식이다.

AI도 마찬가지다. 어떤 모델을 쓰느냐는 중요하지만, 그보다 먼저 따져야 할 것은 무엇을 맡길 것인가다. 빠르게 정리만 하면 되는 일인지, 시간을 들여 생각하게 해야 하는 일인지, 초안이 필요한지, 판단 보조가 필요한지, 여러 안을 비교해야 하는지부터 구분해야 한다.

좋은 모델을 고른 사람보다, 맞는 일을 고른 사람이 더 좋은 결과를 얻는다. 그리고 더 오래 앞서간다. 모델은 계속 바뀌지만, 일을 보는 눈은 쉽게 낡지 않기 때문이다.

사람들은 왜 모델부터 고르려 할까

모델은 눈에 잘 보인다. 앱 화면에 이름이 붙어 있고, 요금제도 나뉘어 있고, 인터넷에는 비교 글도 넘쳐난다. 반면 어떤 일을 어떻게 맡겨야 하는지는 눈에 잘 보이지 않는다. 화면 어디에도 버튼처럼 붙어 있지 않다. 그래서 사람들은 측정하기 쉬운 것부터 붙잡는다.

하지만 실전에서는 보이는 변수가 항상 가장 중요한 변수가 아니다.

예를 들어 누군가는 회의록을 정리해야 하고, 누군가는 신사업 아이디어의 가능성을 검토해야 한다. 둘 다 AI를 쓰는 일이지만, 요구하는 사고의 밀도는 전혀 다르다. 회의록 정리는 이미 나온 말을 압축하고 구조화하는 일에 가깝다. 반면 신사업 검토는 가정이 맞는지, 빠진 변수가 무엇인지, 어떤 위험이 숨어 있는지 따져 봐야 한다. 전자는 빠르고 단정한 손이 필요하고, 후자는 느리더라도 생각의 깊이가 필요하다.

그런데 많은 사람은 이 둘을 똑같이 다룬다. 그냥 그때 가장 좋아 보이는 모델 하나를 켜고, 모든 일을 같은 방식으로 던진다. 그러면 어떤 일은 과하게 무거워지고, 어떤 일은 터무니없이 얕아진다.

AI를 잘 쓰는 사람은 모델을 고르기 전에 먼저 일을 분류한다. 지금 필요한 것이 속도인지, 사고인지, 아이디어 폭인지, 검토의 엄격함인지부터 묻는다. 이 질문을 건너뛰고 모델부터 고르면, 좋은 엔진을 달고도 엉뚱한 길로 가게 된다.

빠른 답이 필요한 일과 깊게 생각해야 할 일

모든 일이 같은 종류는 아니다. AI에게 맡기는 작업은 크게 두 부류로 나눠 생각하면 편하다.

첫째는 빠른 답이 필요한 일이다. 이런 일은 대체로 문제의 형태가 이미 정해져 있다. 내용을 더 짧게 줄이거나, 더 읽기 쉽게 바꾸거나, 초안을 몇 개 뽑거나, 분류하거나, 형식을 맞추는 일이다. 여기서는 완벽한 철학보다 속도와 일관성이 중요하다. 마감 10분 전 회의 요약, 고객 메일 톤 정리, 문장 다듬기, 제목 후보 20개 만들기 같은 작업이 여기에 가깝다.

둘째는 깊게 생각해야 할 일이다. 이런 일은 문제 자체가 애매하거나, 선택지 사이의 차이를 따져야 하거나, 겉보기에는 그럴듯하지만 실제로는 위험한 판단을 걸러내야 한다. 사업 아이디어 비교, 원인 분석, 전략 설계, 반론 찾기, 기준 만들기, 숨은 가정 점검 같은 작업이 여기에 들어간다. 이런 일은 답을 빨리 내는 것보다, 틀린 방향으로 빨리 달리지 않는 것이 더 중요하다.

둘의 차이를 가장 쉽게 알아보는 방법은 이 질문이다. 나는 지금 결과를 빨리 받고 싶은가, 아니면 생각의 질을 빌리고 싶은가.

빠른 답이 필요한 일에서 지나치게 깊은 사고를 요구하면, AI는 지나치게 성실해진다. 간단히 세 줄로 끝날 일을 배경 설명부터 장황하게 늘어놓고, 사용자는 그 정성을 읽느라 시간을 잃는다. 반대로 깊게 생각해야 할 일에서 즉각적인 답만 요구하면, AI는 그럴듯한 문장을 재빨리 만들어 내지만 정작 중요한 빈칸은 그대로 남긴다.

그래서 실무에서는 종종 이런 일이 벌어진다. 빠른 답이 필요한 업무에 너무 무거운 모델을 써서 답답해하고, 깊은 검토가 필요한 업무에 너무 가벼운 모델을 써서 뒤늦게 사고가 난다. 문제는 모델의 좋고 나쁨이 아니라, 일과 모델의 성격이 맞지 않았다는 데 있다.

추론형 모델과 즉답형 모델의 본질적 차이

이제 모델을 이름이 아니라 성격으로 보자. 그래야 유행이 바뀌어도 흔들리지 않는다.

즉답형 모델은 말하자면 눈치 빠른 실무 보조에 가깝다. 요청을 받으면 곧바로 형태를 잡고, 익숙한 패턴 속에서 빠르게 결과물을 만든다. 초안 작성, 문장 정리, 요약, 형식 변환, 아이디어 발산 같은 일에서 특히 유용하다. 속도가 장점이고, 대화 흐름도 경쾌하다. 잘 맞는 일에 쓰면 정말 시원하다. 일단 움직이게 만드는 힘이 있다.

반면 추론형 모델은 성급히 대답하기보다 문제를 한 번 더 뜯어보려는 분석가에 가깝다. 질문을 곧바로 답으로 바꾸기보다, 조건을 나누고, 가정을 점검하고, 선택지를 비교하려는 경향이 있다. 복잡한 문제를 단계로 나누거나, 논리적 허점을 찾거나, 왜 이런 결론이 나오는지 설명하는 일에서 강점이 드러난다.

둘의 차이는 똑똑함의 차이라기보다, 일하는 태도의 차이에 가깝다. 한쪽은 빠르게 초안을 만든다. 다른 한쪽은 쉽게 단정하지 않는다.

물론 이것만으로 모든 것을 판단할 수는 없다. 즉답형 모델도 충분히 좋은 답을 줄 때가 많고, 추론형 모델도 엉뚱한 길로 갈 수 있다. 중요한 것은 실패 방식이 다르다는 점이다.

즉답형 모델은 자신감 있게 말하지만 얕을 때가 있다. 말은 매끈한데, 왜 그 결론이 나왔는지 따져 보면 근거가 허전하다. 반대로 추론형 모델은 지나치게 복잡하게 갈 때가 있다. 단순한 일을 필요 이상으로 분해하고, 사용자가 원하는 속도를 놓치기도 한다.

그래서 좋은 사용자는 모델을 서열로 보지 않는다. 배치로 본다. 이 일에는 누가 맞는지, 어느 구간에 어떤 성격이 필요한지를 따진다. 팀장이 일을 나눌 때 빠른 사람과 꼼꼼한 사람을 구분하듯이 말이다.

같은 일도 누구에게 맡기느냐로 결과가 갈린다

재미있는 점은, 같은 일처럼 보이는 것도 실제로는 여러 층으로 나뉜다는 것이다.

예를 들어 당신이 새 온라인 강의를 준비한다고 해 보자. 겉으로 보면 하나의 프로젝트지만, 안쪽에는 성격이 다른 일이 섞여 있다. 먼저 강의 제목 후보를 많이 뽑아야 할 수 있다. 이 단계는 속도와 발산이 중요하다. 그다음에는 어떤 제목이 타깃에게 더 잘 먹히는지 비교해야 한다. 여기서는 단순한 발산보다 판단 기준이 중요하다. 이어서 커리큘럼을 짜야 하고, 경쟁 강의와 차별점을 찾아야 하고, 소개 페이지 문구를 다듬어야 한다.

이 모든 작업을 한 모델에게 같은 방식으로 맡기면 결과가 들쑥날쑥해진다. 제목 후보를 뽑는 일에는 빠른 반응이 장점이 되지만, 포지셔닝을 검토하는 단계에서는 오히려 성급함이 약점이 된다. 반대로 전략 검토에는 신중함이 도움이 되지만, 간단한 카피 초안을 열 개 뽑는 데까지 매번 깊은 사고를 걸면 작업 리듬이 끊긴다.

결국 중요한 것은 모델 하나를 맹신하는 것이 아니라, 프로젝트 안의 일을 서로 다른 종류로 보는 눈이다. 같은 강의 준비라도 초안 생성, 비교 평가, 구조 설계, 문장 다듬기는 서로 다른 일이다. 업무를 한 덩어리로 보지 않고, 성격이 다른 구간으로 나누는 순간 AI 활용은 한 단계 올라간다.

이 감각은 글쓰기에서도 똑같이 작동한다. 칼럼 초안을 뽑는 일, 주장에 반론을 붙여 보는 일, 논리의 빈틈을 찾는 일, 문체를 정리하는 일은 모두 다르다. 초안 작성에서 쓸모 있는 모델이 반드시 반론 검토에서도 최고의 선택인 것은 아니다. 중요한 것은 누가 더 강한가가 아니라, 누가 지금 이 단계에 더 맞는가다.

모델 선택은 도구 선택일 뿐, 일 자체는 당신이 설계한다

여기서 핵심이 나온다. 모델 선택은 도구 선택이다. 하지만 일의 설계는 사용자의 몫이다.

아무리 좋은 모델을 골라도, 맡긴 일이 흐리면 결과는 흐리다. 반대로 모델이 완벽하지 않아도, 일이 잘 설계되어 있으면 결과는 쓸 만해진다. 이 차이는 생각보다 크다.

예를 들어 누군가에게 이렇게 요청한다고 해 보자.

신사업 아이디어 검토해 줘.

이 말만으로는 무엇을 검토해야 하는지 알 수 없다. 시장 크기를 봐야 하는지, 수익성을 봐야 하는지, 실행 난도를 봐야 하는지, 법적 리스크를 봐야 하는지 전혀 정해지지 않았다. 그러면 어떤 모델이든 빈칸을 추측할 수밖에 없다. 이때 생기는 답은 대개 그럴듯하지만 일반적이다.

반대로 이렇게 바꾸면 어떨까.

직장인을 위한 구독형 뉴스레터 사업 아이디어를 검토해 줘. 초기 1인 운영을 전제로 하고, 첫 6개월 안에 유료 전환 가능성이 있는지 보고 싶다. 시장성, 차별화 가능성, 운영 난도, 유지 비용, 반복 구매 요인을 기준으로 판단해 줘. 마지막에는 진행, 보류, 폐기 중 하나를 추천하고 이유를 적어 줘.

이제 AI는 생각할 기준을 받았다. 무엇을 중심으로 검토해야 하는지, 어떤 현실 조건을 가정해야 하는지, 어떤 형식으로 결론을 내야 하는지가 분명해졌다. 이 상태에서는 모델의 성격 차이가 여전히 영향을 주겠지만, 결과를 좌우하는 가장 큰 요소는 이미 모델이 아니라 작업 설계가 되어 있다.

좋은 작업 설계에는 보통 다섯 가지가 들어 있다.

• 무엇을 위한 일인지라는 목표

• 어떤 조건 아래서 판단할지라는 제약

• 무엇을 바탕으로 볼지라는 입력 자료

• 어떤 모습으로 내놓을지라는 출력 형식

• 무엇을 사람이 다시 확인할지라는 검증 기준

이 다섯 가지가 잡히면 AI는 훨씬 덜 헤맨다. 그리고 사용자도 결과를 평가하기 쉬워진다. 좋은 답인지 아닌지를 느낌이 아니라 기준으로 말할 수 있기 때문이다.

강한 모델보다 강한 워크플로우가 오래간다

AI를 오래 잘 쓰는 사람들은 최신 모델 이름을 줄줄 외우는 사람만은 아니다. 오히려 일이 흘러가는 구조를 잘 만드는 사람이 많다. 이유는 간단하다. 모델은 바뀌지만, 좋은 워크플로우는 오래 남기 때문이다.

예를 들어 시장 조사 업무를 한다고 해 보자. 잘하는 사람은 그냥 한 번 묻고 끝내지 않는다. 먼저 조사 질문을 정리하게 하고, 그다음 가설을 세우게 하고, 그 가설에 대한 반론을 찾게 하고, 필요한 추가 데이터를 목록으로 뽑게 하고, 마지막에 의사결정용 메모로 다시 정리하게 한다. 이 흐름은 특정 모델 이름과 크게 상관없이 유지된다.

즉, 경쟁력은 모델 자체보다 일의 순서에 있다. 무엇을 먼저 하고, 무엇을 나중에 하고, 어느 시점에서 사람이 개입하고, 무엇을 검증할지를 정해 두면 모델이 조금 바뀌어도 작업 품질이 크게 흔들리지 않는다.

반대로 워크플로우 없이 모델에만 의존하면, 매번 처음부터 다시 시작해야 한다. 오늘은 잘되던 방식이 내일은 잘 안 먹히고, 새 기능이 나오면 또 정신이 팔린다. 그때그때 유행을 쫓느라 정작 자기 일의 구조는 남지 않는다.

그래서 실무에서 더 중요한 질문은 이것이다. 어떤 모델이 최고인가가 아니라, 내가 반복해서 맡길 수 있는 일의 구조를 만들었는가.

모델을 고르기 전에 먼저 해야 할 질문

모델 선택이 아예 중요하지 않다는 뜻은 아니다. 다만 순서가 바뀌어야 한다. 먼저 모델을 고르고 거기에 일을 끼워 맞추는 것이 아니라, 일을 보고 나서 모델을 고르는 쪽이 맞다.

그때 스스로에게 던질 질문은 의외로 단순하다.

• 지금 필요한 것은 속도인가, 사고의 깊이인가

• 결과물이 초안인가, 판단 보조인가

• 정해진 형식으로 바꾸는 일인가, 문제를 새로 정의하는 일인가

• 여러 선택지를 넓게 보는 단계인가, 몇 가지 안을 엄격하게 줄이는 단계인가

• 답을 바로 써야 하는가, 사람이 다시 검토할 중간 산출물인가

이 질문에 답하고 나면 모델 선택은 훨씬 쉬워진다. 빠르게 많이 뽑아야 하는 구간인지, 느리더라도 검토가 필요한 구간인지가 보이기 때문이다.

더 중요한 것은, 이 질문들이 결국 모델보다 일에 대해 더 많이 생각하게 만든다는 점이다. 그러면 자연스럽게 사용자의 수준도 올라간다. AI를 잘 쓰는 사람은 대개 AI에 대해 많이 아는 사람이기 전에, 자기 일이 무엇인지 정확히 아는 사람이다.

좋은 사용자는 모델을 바꾸기 전에 일을 다시 쪼갠다

원하는 결과가 안 나왔을 때 많은 사람은 곧바로 더 좋은 모델을 찾는다. 물론 그 선택이 맞을 때도 있다. 하지만 의외로 더 자주 필요한 것은 모델 교체가 아니라 작업 재설계다.

질문을 이렇게 바꿔 보자. 정말 모델이 부족했던 걸까, 아니면 한 번에 너무 많은 것을 시켰던 걸까.

예를 들어 보고서 초안을 부탁했는데 결과가 별로였다면, 모델이 멍청해서가 아니라 일이 너무 크게 뭉쳐 있었을 수 있다. 핵심 메시지 정하기, 독자 정의하기, 목차 뽑기, 근거 정리하기, 문체 맞추기, 결론 압축하기를 한 번에 다 시켰다면 어느 모델도 흔들린다. 사람 직원에게도 무리인 일을 AI에게 한 문장으로 맡기고 실망하는 셈이다.

이럴 때 더 나은 방법은 일을 다시 쪼개는 것이다. 먼저 독자를 정의하게 하고, 그다음 결론 후보를 세우게 하고, 그 결론을 뒷받침할 근거가 충분한지 점검하게 하고, 마지막에 보고서 형식으로 정리하게 하는 식이다. 이렇게 하면 모델의 성능 차이보다 작업 구조의 차이가 더 크게 작동한다.

즉, 좋은 사용자는 결과가 마음에 들지 않을 때 무조건 더 센 모델로 도망가지 않는다. 먼저 자신이 맡긴 일이 맡길 수 있는 형태였는지부터 본다. 이 습관이 쌓이면 AI 활용은 점점 안정된다.

결국 당신이 설계자다

이 장에서 말하고 싶은 것은 단순하다. 모델은 중요하다. 하지만 모델이 본질은 아니다.

본질은 어떤 일을 맡기느냐다. 빠르게 처리해야 할 일과 깊게 생각해야 할 일을 구분할 줄 아는가. 초안 생성과 판단 보조를 같은 것으로 착각하지 않는가. 프로젝트를 한 덩어리가 아니라 여러 성격의 작업으로 나눌 수 있는가. 원하는 결과를 얻기 위해 목표, 기준, 형식, 검증 지점을 설계할 수 있는가.

여기까지 오면 모델은 더 이상 신비한 존재가 아니다. 적절한 자리에 배치할 수 있는 도구가 된다. 어떤 모델은 속도를 위해 쓰고, 어떤 모델은 검토를 위해 쓰고, 어떤 단계에서는 둘을 섞어 쓸 수도 있다. 중요한 것은 항상 사용자가 설계자라는 사실이다.

AI를 잘 쓰는 사람과 그렇지 않은 사람의 차이는 최신 모델 정보를 얼마나 빨리 아느냐에서 갈리지 않는다. 일을 보는 눈, 일을 자르는 감각, 일을 맡기는 구조에서 갈린다.

이 장의 핵심

좋은 모델을 찾는 것보다 먼저 해야 할 일은, 지금 하려는 일이 어떤 종류인지 구분하는 것이다. 빠른 답이 필요한 일에는 속도와 형식 감각이 중요하고, 깊게 생각해야 하는 일에는 추론과 검토가 중요하다. 즉답형 모델과 추론형 모델은 누가 더 우월한가의 문제가 아니라, 어디에 배치해야 하는가의 문제다.

그리고 그 배치조차 결국은 사용자의 작업 설계 위에서만 의미가 있다. 모델 선택은 도구 선택일 뿐이다. 일 자체는 당신이 설계한다.

다음 장에서는 이 설계가 실제 결과에 어떻게 반영되는지를 더 구체적으로 보게 된다. 같은 모델, 같은 작업이라도 누구는 훨씬 좋은 답을 받는다. 그 차이는 대개 머리가 아니라 준비에서 나온다. AI가 일할 수 있도록 미리 건네는 맥락, 즉 컨텍스트가 결과를 결정하기 때문이다.