5장. 리서치를 맡기는 법

리서치는 ChatGPT에게 가장 먼저 맡기기 쉬운 일이다. 당장 손에 잡히는 결과가 나오기 때문이다. "이 주제 조사해줘", "비교해줘", "정리해줘"라고만 해도 그럴듯한 문장이 순식간에 쏟아진다. 그래서 많은 사람이 여기서 감탄한다. 그리고 같은 자리에서 동시에 속는다.

문제는 리서치가 잘된 것처럼 보이는 것과 실제로 잘된 것이 전혀 다르다는 데 있다. 문장이 매끄럽다고 조사 품질이 높은 것은 아니다. 표가 반듯하다고 사실이 검증된 것도 아니다. 특히 AI는 빈칸을 싫어한다. 모르면 멈추기보다, 그럴듯하게 메우려는 쪽에 가깝다. 그래서 리서치는 가장 쉽게 맡길 수 있지만, 가장 쉽게 속을 수도 있는 작업이다.

이 장의 목적은 단순하다. ChatGPT에게 "찾아와"라고 말하는 수준을 넘어, 정보 수집, 비교, 정리, 출처 확인, 재검증까지 포함한 리서치 업무를 제대로 위임하는 법을 익히는 것이다. 잘 맡기면 시간은 크게 줄고, 잘못 맡기면 확신만 커진다. 리서치에서 무서운 것은 무지가 아니라, 검증되지 않은 자신감이다.

리서치는 답을 받는 일이 아니라 판단 재료를 모으는 일이다

많은 사람이 리서치를 맡길 때 처음부터 결론을 원한다. "어떤 툴이 제일 좋아?", "이 시장은 들어가도 돼?", "이 전략이 맞아?"처럼 묻는다. 하지만 리서치의 본질은 결론을 즉시 얻는 데 있지 않다. 결론을 내릴 수 있는 재료를 빠르고 넓게 모으는 데 있다.

이 차이를 이해하면 지시 방식이 달라진다. 좋은 리서치 요청은 정답을 요구하지 않는다. 대신 판단에 필요한 구조를 요구한다. 예를 들어 "최고의 협업 툴 추천해줘"보다 "5인 팀이 원격으로 쓰기 좋은 협업 툴을 비교하되, 가격, 권한 관리, 검색 기능, 외부 연동, 학습 비용 기준으로 장단점을 정리해줘"가 훨씬 낫다. 앞의 질문은 의견을 부르고, 뒤의 질문은 비교 가능한 재료를 부른다.

리서치를 맡길 때 당신이 원하는 것은 대개 세 가지 중 하나다. 아직 지형을 모를 때는 넓게 훑어보는 지도, 선택지를 줄여야 할 때는 비교표, 의사결정을 밀어붙여야 할 때는 검증된 근거 묶음이다. 이 셋을 구분하지 않으면 AI는 늘 어중간한 보고서를 가져온다. 넓지도 않고, 깊지도 않고, 결정에도 못 쓰는 보고서 말이다.

먼저 정해야 할 것: 무엇을 조사하는가가 아니라, 조사 결과를 어디에 쓸 것인가

리서치의 품질은 질문의 멋이 아니라 사용 맥락에서 결정된다. 같은 "시장 조사"라도 목적이 다르면 필요한 정보가 달라진다. 투자 검토용 조사와 블로그 글감 탐색용 조사는 전혀 다른 작업이다. 하나는 숫자와 출처가 중요하고, 다른 하나는 관점과 사례의 다양성이 중요하다.

그래서 리서치를 맡기기 전에 먼저 스스로에게 물어야 한다.

• 이 조사의 최종 용도는 무엇인가

• 결과를 보고 누가 판단할 것인가

• 틀리면 얼마나 큰 문제가 생기는가

• 지금 필요한 것은 폭넓은 탐색인가, 좁고 깊은 검증인가

• 결과물이 표, 메모, 보고서, 추천안 중 무엇이어야 하는가

이 다섯 가지가 정해지면 ChatGPT는 갑자기 훨씬 쓸모 있어진다. 반대로 이 다섯 가지가 없으면 AI는 늘 열심히만 하는 인턴처럼 움직인다. 말은 길고, 손은 바쁘고, 결정에는 도움이 안 된다.

정보 수집을 위임할 때 자주 쓰는 5가지 패턴

리서치를 맡길 때는 "조사해줘" 한마디보다, 어떤 종류의 조사를 시키는지 분명히 하는 편이 좋다. 실제로는 몇 가지 반복되는 패턴이 있다. 이 패턴을 알아두면 상황마다 프롬프트를 새로 짜느라 힘을 빼지 않아도 된다.

1. 지형 파악형: 낯선 주제를 빠르게 훑는 조사

이 패턴은 내가 아직 무엇을 모르는지도 모를 때 쓴다. 새로운 산업, 생소한 기술, 처음 보는 경쟁 구도처럼 낯선 영역에 발을 들일 때 유용하다. 목표는 결론이 아니라 지도다. 주요 개념, 핵심 플레이어, 자주 등장하는 쟁점, 최근 변화, 더 깊게 볼 만한 하위 주제를 뽑아내는 것이 중요하다.

이때는 너무 빨리 추천을 요구하지 않는 편이 좋다. 먼저 분야의 구조를 이해해야 하기 때문이다. 예를 들어 "B2B 이메일 자동화 시장을 조사해줘"보다는 "B2B 이메일 자동화 시장을 처음 이해하는 사람을 위해 주요 플레이어, 고객 유형, 가격 구조, 대표 기능, 최근 변화, 논쟁 지점을 개괄해줘"가 더 낫다.

이 패턴의 좋은 결과물은 읽고 나면 무엇을 추가로 물어봐야 할지가 선명해진다. 나쁜 결과물은 그럴듯한 요약인데 읽고 나서도 여전히 막막하다.

2. 비교 평가형: 선택지를 좁히는 조사

이미 후보가 몇 개 있을 때는 비교 평가형이 맞다. 이때 중요한 것은 "누가 최고인가"가 아니라 "어떤 조건에서 누구에게 더 적합한가"를 정리하는 것이다. 좋은 비교는 우열을 단정하기보다, 상황별 적합성을 드러낸다.

예를 들어 노트 앱을 고르는 상황이라면 가격만 비교해서는 소용이 없다. 검색 속도, 협업 편의성, 모바일 사용성, 데이터 이관, 보안 정책, 오프라인 지원처럼 실제 사용 장면과 연결되는 기준이 필요하다. 비교 기준을 AI가 알아서 잘 정해줄 것이라고 기대하면 안 된다. 비교의 절반은 기준을 설계하는 일이다.

이 패턴을 잘 쓰려면 결과 형식도 구체적이어야 한다. 표로만 달라고 하면 종종 빈 표가 나온다. 항목은 많은데 실질적 차이는 없는 표다. 차라리 "공통점은 짧게, 실제 선택에 영향을 주는 차이점은 길게 설명하라"고 조건을 거는 편이 낫다.

3. 근거 수집형: 주장에 버틸 힘을 붙이는 조사

글을 쓰거나 보고를 하거나 회의를 설득해야 할 때는 근거 수집형이 필요하다. 이때의 목표는 예쁜 요약이 아니라, 실제로 인용하거나 확인할 수 있는 자료 꾸러미다. 숫자, 정의, 사례, 공식 문서, 반대 사례까지 함께 모아야 한다.

예를 들어 "원격근무 생산성이 높아졌다는 근거 찾아줘"라고만 하면, AI는 당신이 듣고 싶은 방향으로 자료를 골라올 가능성이 크다. 더 좋은 요청은 "원격근무가 생산성에 미치는 영향에 대해 찬성 근거와 반대 근거를 모두 모으고, 각각 어떤 맥락에서 성립하는지 구분해줘"다. 이 한 줄만으로도 보고서의 균형이 달라진다.

근거 수집형에서는 특히 '출처 없는 사실'을 금지해야 한다. 문장이 아니라 자료가 핵심이기 때문이다. 이 작업에서 출처가 빠진 문장은 사실상 의견에 가깝다.

4. 업데이트 추적형: 바뀌는 정보를 관리하는 조사

어떤 정보는 한 번 조사하고 끝나지 않는다. 정책, 가격, 제품 기능, 경쟁사 움직임, 업계 트렌드는 시간이 지나면 금방 달라진다. 이런 정보에 대해 완벽한 일회성 보고서를 기대하면 안 된다. 대신 변화가 어디서 주로 발생하는지, 무엇을 주기적으로 확인해야 하는지를 정리하는 것이 중요하다.

업데이트 추적형 리서치에서는 "현재 상태 요약"만큼이나 "앞으로 어디를 보면 되는가"가 중요하다. 공식 블로그, 릴리스 노트, 공지 페이지, 가격 정책 페이지처럼 바뀌는 정보의 원천을 함께 정리하게 하라. 그래야 다음번 확인이 쉬워진다.

좋은 리서치는 현재의 답만 주지 않는다. 다음번에도 같은 품질의 답을 얻는 경로를 남긴다.

5. 반대 관점 탐색형: 내가 틀릴 가능성을 찾는 조사

가장 과소평가되지만 가장 강력한 패턴이다. 사람은 원래 자기가 믿는 쪽의 자료를 더 쉽게 받아들인다. AI도 당신의 요청을 따라 그 방향으로 자료를 모으는 경향이 있다. 그래서 중요한 결정일수록 한 번쯤은 일부러 반대로 시켜야 한다.

예를 들어 새 서비스를 출시하려는 상황이라면 "이 아이디어가 통할 근거"만 모으지 말고, "이 아이디어가 실패할 수 있는 이유", "비슷한 시도가 먹히지 않았던 조건", "내 가정에서 가장 취약한 부분"을 따로 조사하게 하라. 이 작업은 의욕을 꺾기 위한 것이 아니라 착각을 줄이기 위한 것이다.

좋은 리서처는 나를 지지하는 자료를 모으는 사람이 아니라, 내 판단이 어디서 흔들릴 수 있는지를 먼저 보여주는 사람이다. ChatGPT도 그 역할을 하게 만들 수 있다.

출처를 확인하지 않으면 무슨 일이 벌어지는가

리서치를 맡길 때 가장 흔한 실수는 요약만 보고 넘어가는 것이다. 하지만 요약은 늘 마지막 단계여야 한다. 먼저 봐야 하는 것은 출처다.

출처를 확인하지 않으면 세 가지 문제가 생긴다.

• 첫째, 존재하지 않는 자료를 진짜처럼 믿게 된다.

• 둘째, 실제 자료가 있더라도 맥락이 뒤집힌 채 전달될 수 있다.

• 셋째, 오래된 정보를 최신 정보처럼 사용하게 된다.

AI가 특히 자주 저지르는 실수는 '형식적으로 그럴듯한 출처 만들기'다. 제목도 있고, 기관명도 있고, 연도도 있어서 진짜처럼 보이는데 막상 찾아보면 없는 경우가 있다. 혹은 출처는 실제로 존재하지만 당신이 필요한 주장과는 다른 내용을 말하는 경우도 많다. 요약 과정에서 의미가 미세하게, 그러나 결정적으로 틀어진다.

예를 들어 원문은 "특정 조건에서 효과가 나타났다"고 말하는데, 요약은 "효과가 입증되었다"고 바뀌어버릴 수 있다. 사람 눈에는 둘 다 비슷해 보이지만, 의사결정에서는 전혀 다른 문장이다.

그래서 리서치 결과를 받을 때는 "무엇을 말했는가"보다 "그 말을 어디서 가져왔는가"를 먼저 확인해야 한다. 요약은 매끄럽게 써도, 근거는 꾸며내기 어렵다. 최소한 더 어렵다.

신뢰할 수 있는 결과물을 받기 위한 지시 설계

좋은 리서치 프롬프트는 화려하지 않다. 대신 빠지는 것이 적다. 특히 아래 요소들은 거의 항상 들어가는 편이 좋다.

목적을 먼저 말하라

"조사해줘"보다 "회의에서 의사결정하려고 한다", "블로그 초안을 쓰려 한다", "구매 후보를 3개로 줄이려 한다"처럼 최종 사용 장면을 먼저 주는 것이 좋다. 목적이 생기면 AI는 정보를 선별하는 기준을 잡는다. 목적이 없으면 쓸데없이 넓거나 애매한 내용을 잔뜩 담는다.

범위를 좁혀라

주제, 기간, 지역, 대상 독자, 산업 범위를 구체화하라. "AI 교육 시장 조사"는 너무 넓다. "한국의 직장인 대상 AI 실무 교육 시장을 최근 2년 기준으로 조사"처럼 범위를 자르면 훨씬 실용적인 결과가 나온다. 리서치 품질은 종종 지능보다 테두리에서 결정된다.

비교 기준을 미리 정하라

비교 작업에서는 기준이 곧 품질이다. 가격, 기능, 신뢰성, 도입 난이도, 법적 이슈, 유지 비용처럼 무엇을 기준으로 볼지 먼저 정해야 한다. 기준이 없으면 표는 생기지만 판단은 남지 않는다.

출처 규칙을 분명히 하라

출처가 필요한 작업이라면 아예 지시문에 규칙으로 넣어라. 예를 들면 이런 식이다. "각 핵심 주장마다 출처를 붙이고, 출처가 불확실하면 불확실하다고 명시하라." 또는 "블로그 글, 광고성 페이지, 익명 커뮤니티는 보조 자료로만 쓰고, 공식 문서나 원자료를 우선하라."

이 한 줄이 결과물을 완전히 바꾼다. AI는 허용된 느슨함의 범위 안에서 움직인다. 느슨하게 말하면 느슨하게 일한다.

사실과 해석을 분리하게 하라

리서치 보고서에는 종종 사실과 의견이 뒤섞인다. 그래서 "확인된 사실", "해석 또는 추정", "추가 확인 필요"를 나눠서 쓰게 하면 좋다. 이 구조만 있어도 읽는 사람이 훨씬 냉정해진다. AI가 자신감 있게 말하더라도, 어느 줄이 사실이고 어느 줄이 해석인지 구분되기 때문이다.

모르면 모른다고 쓰게 하라

이건 단순하지만 매우 중요하다. "확실한 근거가 없으면 추측하지 말고, 확인이 필요한 항목으로 남겨라"라는 지시는 리서치 품질을 눈에 띄게 올린다. AI는 빈칸을 채우려는 습성이 있다. 당신이 허락하지 않으면 그 습성이 조금 줄어든다.

결과 형식을 구체화하라

리서치 결과는 보통 아래 요소를 적절히 섞으면 좋다.

• 한 문단 요약

• 핵심 사실 정리

• 비교표 또는 항목별 평가

• 출처 목록

• 불확실한 부분

• 다음에 확인할 질문

형식은 내용의 그릇이다. 그릇이 없으면 내용도 쉽게 흐트러진다.

실전에서 바로 쓰는 리서치 요청 방식

리서치를 잘 맡기는 사람은 장문의 프롬프트를 쓰는 사람이 아니라, 빠뜨리면 안 되는 줄을 아는 사람이다. 아래처럼 생각하면 된다.

"무엇을 조사할지"만 적지 말고, "왜 조사하는지", "어디까지 조사할지", "어떤 기준으로 볼지", "출처를 어떻게 다룰지", "불확실성은 어떻게 표시할지"를 함께 적는다.

예를 들어 나쁜 요청은 이렇다.

생산성 앱 시장 조사해줘.

이 요청에는 목적도 없고, 범위도 없고, 기준도 없다. 이런 질문에 대한 대답은 대개 읽을 만하지만 쓸모는 적다.

조금 나아진 요청은 이렇다.

1인 사업자가 쓸 생산성 앱 후보를 고르기 위해 조사해줘. 일정 관리, 문서 작성, 메모 검색, 외부 연동 기준으로 비교하고, 무료 플랜과 유료 전환 지점을 함께 정리해줘.

여기에 출처와 불확실성 규칙까지 더하면 훨씬 좋아진다.

1인 사업자가 쓸 생산성 앱 후보를 고르기 위한 리서치를 해줘. 일정 관리, 문서 작성, 메모 검색, 외부 연동, 가격 기준으로 비교하되, 공식 사이트 기준 정보와 사용자 경험 기반 정보를 구분해서 정리해줘. 확인되지 않은 내용은 추정하지 말고 '추가 확인 필요'로 표시해줘. 마지막에는 추천이 아니라, 어떤 유형의 사용자에게 어떤 앱이 맞는지 조건별로 정리해줘.

이 정도면 ChatGPT는 단순 요약기가 아니라 실제 조사 보조자에 가깝게 움직인다.

한 번에 다 맡기지 말고, 2단계로 나눠라

리서치 위임이 자꾸 불안한 이유는 너무 많은 일을 한 번에 시키기 때문이다. 수집, 요약, 비교, 추천, 결론을 한 요청에 몰아넣으면 AI는 중간 단계를 생략하고 그럴듯한 결론부터 내놓는다.

그래서 실전에서는 보통 2단계가 좋다.

첫째 단계에서는 자료를 모은다. 이 단계의 목표는 넓게, 빠르게, 빠진 것 없이 보는 것이다. 둘째 단계에서는 모인 자료를 정리하고 판단에 맞게 압축한다. 여기서 필요하면 추천이나 우선순위까지 붙인다.

이렇게 나누면 장점이 많다. 먼저, 중간 산출물을 검토할 수 있다. 잘못된 방향이면 빨리 수정할 수 있다. 또, AI가 근거 없이 결론을 성급하게 내리는 문제를 줄일 수 있다. 무엇보다 당신이 "이 결론이 어디서 나왔는지"를 추적하기 쉬워진다.

리서치를 맡길 때는 항상 생각해야 한다. 지금 필요한 것은 대답인가, 재료인가. 대부분의 경우 먼저 필요한 것은 재료다.

재검증은 사치가 아니라 리서치의 일부다

많은 사람이 검증을 리서치 이후의 별도 작업으로 생각한다. 하지만 실제로는 그렇지 않다. 검증은 리서치의 마지막 단계가 아니라 본체에 가깝다. 검증이 빠진 리서치는 조사라기보다 정리된 인상문에 가깝다.

재검증은 거창할 필요가 없다. 몇 가지 원칙만 있어도 대부분의 위험을 크게 줄일 수 있다.

핵심 주장부터 검증하라

모든 문장을 다 확인하려고 하면 지친다. 대신 의사결정에 영향을 주는 핵심 주장부터 확인하라. 가격, 수치, 법적 제한, 기능 유무, 일정, 공식 발표 내용처럼 틀리면 바로 문제가 되는 부분이 우선이다.

사소한 배경 설명보다, 한 줄의 잘못된 숫자가 더 큰 피해를 만든다.

원문에 최대한 가까이 가라

가능하면 요약을 또 요약한 자료보다 원문에 가까운 자료를 보라. 공식 문서, 보도자료, 정책 문서, 제품 페이지, 원조사 보고서 같은 것들이다. 중간 요약은 편하지만, 왜곡이 누적되기 쉽다.

날짜를 꼭 확인하라

리서치에서 자주 벌어지는 사고는 틀린 정보보다 오래된 정보에서 나온다. 특히 가격, 정책, 제품 기능, 규제는 금방 바뀐다. 그래서 맞는 말이어도 언제의 말인지 확인해야 한다. 어제 맞던 답이 오늘은 틀릴 수 있다.

반대 검색을 해보라

어떤 주장이 너무 매끈하면, 반대 방향으로 다시 물어보는 것이 좋다. "이 주장에 반례가 있나?", "조건이 다른 연구는 무엇을 말하나?", "이 기능이 안 된다는 사례는 없나?" 같은 질문이다. 좋은 리서치는 찬성 자료만 쌓는 것이 아니라, 반대 자료를 견딜 수 있어야 한다.

일부만 샘플링해도 효과가 크다

모든 출처를 다 열어보지 못하더라도 괜찮다. 대신 핵심 항목 몇 개는 실제로 들어가서 확인하라. 표에 있는 열 개 항목 중 세 개만 샘플링해도, 전체 신뢰도를 가늠할 수 있다. 세 개가 허술하면 나머지도 위험하다.

리서치 결과를 읽는 법: 그럴듯함보다 불확실성을 보라

AI가 만든 리서치 문서는 대개 자신감 있게 보인다. 문장이 단정적이고, 구조가 깔끔하고, 누락이 적어 보인다. 바로 그 점이 위험하다. 사람이 만든 초안은 어설픔이 드러나서 경계심이라도 생기는데, AI가 만든 초안은 너무 자연스러워서 의심이 늦게 생긴다.

그래서 리서치 결과를 읽을 때는 '얼마나 잘 썼는가'보다 '어디에서 머뭇거리는가'를 봐야 한다. 불확실성을 표시했는지, 출처가 구체적인지, 추정과 사실을 구분했는지, 예외 조건을 적었는지 확인하라. 좋은 리서치는 매끈함보다 경계선을 잘 그린다.

모든 것을 아는 보고서는 대체로 믿기 어렵다. 무엇을 아직 모르는지 함께 적힌 보고서가 오히려 쓸 만하다.

이렇게 맡기면 실패한다

리서치 위임이 실패하는 방식은 대체로 비슷하다.

첫 번째 실패는 결론부터 정해놓고 조사시키는 것이다. "왜 이 전략이 맞는지 조사해줘"라고 하면, AI는 대체로 맞는 이유를 잘 모아온다. 하지만 그건 조사라기보다 변론에 가깝다.

두 번째 실패는 범위를 너무 넓게 잡는 것이다. "AI 시장 전체 조사" 같은 요청은 거의 언제나 피상적이다. 한 권짜리 보고서가 필요한 일을 메신저 한 줄로 끝내려는 셈이다.

세 번째 실패는 출처를 옵션처럼 취급하는 것이다. 출처가 없는 리서치는 참고용 메모 정도로만 써야 한다. 보고, 발표, 구매, 계약, 전략 결정에 바로 쓰면 안 된다.

네 번째 실패는 요약과 추천을 너무 빨리 요구하는 것이다. 재료가 빈약한 상태에서 나온 추천은 말만 근사할 뿐이다. 추천은 보통 가장 마지막 단계여야 한다.

다섯 번째 실패는 검증 책임을 전부 AI에 넘기는 것이다. ChatGPT는 조사 속도를 높여주지만, 최종 책임까지 가져가지는 않는다. 중요한 결정을 앞두고 있다면 결국 사람이 확인해야 한다.

잘 맡긴 리서치는 어떤 모습인가

좋은 리서치 결과물은 읽는 순간 티가 난다. 정보량이 많아서가 아니다. 쓸모 있는 긴장감이 있기 때문이다. 무엇이 확인된 사실인지, 무엇이 해석인지, 무엇이 아직 불확실한지 구분되어 있다. 출처가 보이고, 비교 기준이 보이고, 빠진 부분도 보인다.

그리고 가장 중요하게는, 다음 행동으로 이어진다. 어떤 선택지를 버릴지, 무엇을 추가로 확인할지, 어느 자료를 다시 열어볼지, 누구에게 물어봐야 할지가 자연스럽게 보인다. 리서치는 '알게 되는 일'로 끝나는 것이 아니라, '결정할 수 있게 되는 일'로 이어져야 한다.

이 점에서 리서치는 단순한 정보 수집이 아니다. 의사결정의 설계다. ChatGPT는 이 설계를 대신해주지 않는다. 하지만 당신이 구조를 잘 짜면, 그 구조 안에서 놀라울 정도로 많은 일을 대신해준다.

리서치를 맡길 때 기억할 한 문장

리서치를 맡길 때 가장 중요한 원칙은 이것이다.

AI에게 결론을 맡기기 전에, 근거를 모으는 방식을 먼저 설계하라.

이 순서가 뒤집히면 당신은 빠르게 속는다. 이 순서를 지키면 ChatGPT는 꽤 믿을 만한 조사 파트너가 된다.

리서치는 AI에게 맡기기 가장 좋은 일 중 하나다. 반복적이고, 구조화할 수 있고, 넓게 탐색하는 데 강점이 있기 때문이다. 하지만 동시에 가장 위험한 일이기도 하다. 그럴듯함이 진실처럼 보이기 쉽기 때문이다.

그러니 리서치를 맡길 때는 더 똑똑한 질문을 던지려고 애쓰기보다, 더 검증 가능한 일을 시키는 데 집중하라. 넓게 모으고, 기준으로 비교하고, 출처를 붙이고, 의심하고, 다시 확인하라. 그러면 AI가 가져온 정보는 단순한 텍스트가 아니라, 실제로 쓸 수 있는 판단 재료가 된다.

다음 장에서는 한 걸음 더 나아가 보자. 리서치가 정보를 모으는 일이라면, 이제는 실제 실행을 맡기는 단계로 넘어갈 차례다. 정보를 아는 것과 일을 해내는 것 사이에는 분명한 차이가 있다. 그리고 ChatGPT를 잘 쓰는 사람은 바로 그 경계를 이해하는 사람이다.