번역된 예문으로는 부족한 이유
ChatGPT를 처음 배울 때 가장 흔히 만나는 예문은 대개 영어권 업무 문화를 바탕으로 만들어져 있습니다. "마케팅 이메일을 써 줘", "회의 내용을 요약해 줘", "전문가처럼 답해 줘" 같은 문장은 한국어로 옮겨도 그럭저럭 작동합니다. 하지만 실제 한국어 업무 현장에 넣어 보면 곧 어긋나는 지점이 보입니다. 문장은 자연스러운데 보고서 같지 않고, 예의는 갖췄지만 너무 장황하며, 요약은 잘했지만 결재권자가 보고 싶은 쟁점이 빠져 있습니다.
문제는 한국어가 어렵다는 데만 있지 않습니다. 한국어에는 상대와 상황에 따라 말투가 크게 달라지는 높임말 체계가 있고, 조직마다 선호하는 보고 문체가 있으며, 공문·회의록·제안서·품의서·학교 과제·민원 답변처럼 장르별 관습도 뚜렷합니다. 여기에 한국 조직의 승인 문화, 교육과 시험 중심의 평가 방식, 개인정보와 공정성에 대한 민감성까지 겹치면 단순히 영어 프롬프트를 번역하는 방식으로는 한계가 생깁니다.
예를 들어 영어 예문에서 "Make it professional"이라고 쓰면 대체로 무난한 비즈니스 문체를 기대할 수 있습니다. 그러나 한국어에서 "전문적으로 써 줘"라고만 하면 결과가 너무 딱딱하거나, 반대로 컨설팅 보고서 흉내만 낼 수 있습니다. "임원 보고용 1페이지 요약", "대외 공문 초안", "팀 내부 공유용 회의록", "고객 불만 응대용 사과문"은 모두 전문적인 문서일 수 있지만, 필요한 어휘와 문장 길이와 책임 표현이 다릅니다.
따라서 한국어 사용자는 ChatGPT를 쓸 때 다음 질문을 먼저 해야 합니다. "이 내용을 한국어로 써 달라"가 아니라, "이 문서가 한국어권의 어떤 장면에서, 누구에게, 어떤 책임을 지고 읽히는가?"입니다. 이 질문이 들어가는 순간 프롬프트는 단순한 요청문에서 업무 설계서로 바뀝니다.
높임말은 예절이 아니라 정보다
한국어에서 높임말은 단순히 공손한 말투가 아닙니다. 말하는 사람과 듣는 사람의 관계, 거리감, 책임의 정도, 기관의 공식성까지 드러내는 정보입니다. 같은 내용이라도 "확인해 주세요", "확인 부탁드립니다", "검토해 주시기 바랍니다", "검토하여 주시기 바랍니다"는 서로 다른 분위기를 만듭니다. ChatGPT가 이 차이를 제대로 잡지 못하면 문장이 틀린 것은 아닌데 어딘가 어색한 답변이 나옵니다.
예를 들어 고객센터 답변에서는 친절하고 부드러운 존댓말이 필요합니다.
불편을 드려 죄송합니다.
확인 후 빠르게 안내드리겠습니다.반면 공공기관의 안내문이나 공식 공문에서는 개인적 감정보다 절차와 근거가 더 중요합니다.
해당 사항은 관련 규정에 따라 검토 후 안내될 예정입니다.
필요 서류를 기한 내 제출하여 주시기 바랍니다.둘 다 존댓말이지만 역할이 다릅니다. 고객 응대 문장은 불편을 줄이는 데 초점이 있고, 공문체는 행정 절차와 책임 범위를 분명히 하는 데 초점이 있습니다. ChatGPT에게 단순히 "존댓말로 써 줘"라고 하면 이 차이가 흐려질 수 있습니다. 그래서 한국어 문체를 지시할 때는 높임말의 종류를 더 구체적으로 써야 합니다.
실무에서는 다음처럼 요청하는 편이 좋습니다.
아래 문장을 고객센터 답변 문체로 바꿔라.
조건:
- 친절한 존댓말을 사용하되 과장된 사과는 피한다.
- 책임이 확정되지 않은 사안은 단정하지 않는다.
- 고객이 바로 할 수 있는 다음 행동을 2단계로 안내한다.
- 문장 끝은 '-습니다' 중심으로 통일한다.
원문:
[붙여넣기]여기서 핵심은 "예쁘게 써 달라"가 아니라 "관계와 책임을 문체에 반영하라"는 것입니다. 높임말은 문장의 장식이 아니라 업무 맥락을 표시하는 신호입니다.
격식체, 보고서 문체, 공문체는 서로 다르다
한국어권 실무에서 "문체가 이상하다"는 말은 종종 내용보다 먼저 나옵니다. 보고서의 논리는 맞는데 구어체가 섞이면 가벼워 보이고, 공문에 마케팅식 표현이 들어가면 신뢰가 떨어집니다. 반대로 고객 안내문이 지나치게 공문체이면 차갑고 불친절해 보입니다.
특히 ChatGPT는 문장을 매끄럽게 만드는 데 능숙하기 때문에, 사용자가 문서 장르를 지정하지 않으면 모든 결과물이 비슷한 '깔끔한 설명문'이 되는 경향이 있습니다. 하지만 한국어 업무 문서는 장르마다 목적이 다릅니다. 보고서는 의사결정을 돕기 위해 쓰고, 회의록은 합의와 책임을 남기기 위해 쓰며, 공문은 기관 간 공식 의사표시를 위해 쓰고, 제안서는 상대를 설득하기 위해 씁니다. 장르가 다르면 좋은 문장도 달라집니다.
보고서 문체에서는 대개 결론이 앞에 와야 합니다. "무엇을 검토했다"보다 "무엇을 결정해야 한다"가 먼저 나와야 합니다. 문장은 짧고, 수식어는 줄이고, 판단 근거와 리스크를 구분해야 합니다.
나쁜 요청:
이 내용을 보고서처럼 정리해 줘.
좋은 요청:
아래 내용을 임원 보고용 1페이지 요약으로 정리하라.
출력 구조는 다음 순서를 따른다.
1) 한 줄 결론
2) 의사결정이 필요한 사항
3) 핵심 근거
4) 주요 리스크
5) 다음 행동
문장은 '-함', '-필요', '-예정' 중심의 간결한 보고서 문체로 작성하라.공문체는 더 조심스럽습니다. 공문은 예의를 갖추는 동시에 책임 표현을 관리해야 합니다. "해 드리겠습니다"처럼 개인적 서비스 느낌이 강한 표현보다 "처리할 예정입니다", "제출하여 주시기 바랍니다"처럼 절차 중심 표현이 어울리는 경우가 많습니다. 물론 모든 공문이 딱딱해야 하는 것은 아니지만, 공식 문서에서는 단정 표현과 권한 범위를 특히 신경 써야 합니다.
회의록 문체는 또 다릅니다. 회의록의 좋은 문장은 아름다운 문장이 아니라 나중에 다툼을 줄이는 문장입니다. 누가 무엇을 말했는지, 무엇이 결정되었는지, 무엇은 아직 논의 중인지, 담당자와 기한이 있는지가 중요합니다. 그래서 회의록을 요약할 때는 "논의됨", "결정됨", "보류됨", "확인 필요"를 구분하게 해야 합니다.
아래 회의 메모를 회의록으로 정리하라.
단, 확정되지 않은 내용을 결정사항처럼 쓰지 마라.
출력 형식:
- 결정사항
- 미결 쟁점
- 담당자와 기한이 명시된 할 일
- 담당자 또는 기한 확인이 필요한 할 일
- 다음 회의에서 다시 볼 안건
문체:
- 감상적 표현을 제거한다.
- 발언자의 의도를 추정하지 않는다.
- 근거가 불명확한 항목에는 '확인 필요'라고 표시한다.이처럼 한국어 문서 작업에서 프롬프트의 핵심은 "한국어로"가 아닙니다. 어떤 한국어 문서 장르로가 핵심입니다.
문장 끝이 품질을 바꾼다
한국어 문서에서 문장 끝은 생각보다 중요합니다. "합니다", "했습니다", "할 예정입니다", "할 필요가 있습니다", "검토가 필요합니다", "추진 가능합니다", "추진이 가능할 것으로 보입니다"는 모두 비슷해 보이지만 책임의 강도가 다릅니다. ChatGPT가 이 차이를 무시하면 실제 업무에서는 곤란한 문장이 생깁니다.
예를 들어 아직 법무 검토가 끝나지 않은 사안을 두고 "문제가 없습니다"라고 쓰면 위험합니다. 더 안전한 표현은 "현재 제공된 자료만으로는 중대한 쟁점이 확인되지 않았으나, 최종 판단을 위해 법무 검토가 필요합니다"에 가깝습니다. 마케팅 캠페인 성과 예측에서도 "매출이 증가합니다"보다 "매출 증가 가능성이 있으나, 예산·타깃·전환율 가정 확인이 필요합니다"가 더 안전합니다.
한국어에서는 단정의 강도가 문장 끝에 모입니다. 그래서 중요한 프롬프트에는 반드시 단정 규칙을 넣어야 합니다.
아래 분석을 작성하되 단정 표현을 관리하라.
- 자료로 확인되는 내용은 '-이다', '-확인됨'으로 쓴다.
- 추정은 '-가능성이 있음', '-로 보임'으로 쓴다.
- 근거가 부족한 내용은 '확인 필요'로 표시한다.
- 법적·의학적·재무적 최종 판단처럼 보이는 표현은 피한다.이 규칙은 단순히 말투를 부드럽게 만드는 장치가 아닙니다. 책임의 위치를 분명히 하는 장치입니다. 한국어 문체를 잘 설계한다는 것은 문장을 예쁘게 다듬는 일이 아니라, 확실한 것과 불확실한 것의 경계를 읽히게 만드는 일입니다.
한국 조직의 승인 문화와 AI 초안
한국 조직에서는 좋은 아이디어만으로 일이 진행되지 않습니다. 보고 라인, 결재권자, 관련 부서의 의견, 사전 협의, 공식 기록이 함께 움직입니다. 어떤 회사에서는 팀장에게 먼저 짧게 보고한 뒤 본부장 보고서를 만들고, 어떤 기관에서는 실무 검토 의견과 부서 간 협의 결과를 붙여야 합니다. 스타트업처럼 빠르게 움직이는 조직에서도 투자자 보고, 고객사 승인, 법무 검토처럼 반드시 거쳐야 하는 문턱이 있습니다.
이런 환경에서 ChatGPT를 단순한 글쓰기 도구로만 쓰면 아깝습니다. 오히려 ChatGPT는 승인 과정에서 필요한 문서의 여러 버전을 빠르게 만드는 데 강합니다. 같은 내용을 실무자 검토용, 팀장 보고용, 임원 의사결정용, 대외 공유용으로 나누어 쓸 수 있기 때문입니다. 다만 프롬프트에 승인 단계를 알려 주지 않으면 모델은 가장 일반적인 문서 하나만 만듭니다.
예를 들어 신규 프로젝트 제안을 준비한다고 해 봅시다. 이때 "제안서 써 줘"보다 다음 요청이 훨씬 좋습니다.
아래 내용을 바탕으로 신규 프로젝트 승인용 문서를 준비하라.
우리 조직의 승인 흐름은 실무 검토 → 팀장 보고 → 임원 승인이다.
각 단계별로 필요한 산출물을 따로 작성하라.
1) 실무 검토용: 실행 조건, 필요한 리소스, 확인할 데이터
2) 팀장 보고용: 기대 효과, 일정, 부서 협업 포인트
3) 임원 승인용: 한 줄 결론, 투자 대비 효과, 주요 리스크, 의사결정 요청사항
공통 조건:
- 확정되지 않은 수치는 추정으로 표시한다.
- 반대 의견이 나올 지점을 미리 정리한다.
- 최종 승인 전에 확인해야 할 항목을 별도 목록으로 제시한다.이런 프롬프트는 한국 조직에서 특히 유용합니다. 보고는 단순히 정보를 전달하는 일이 아니라, 위로 올라갈수록 판단에 필요한 형태로 압축하는 과정이기 때문입니다. 실무자는 세부 조건을 보고, 팀장은 실행 가능성을 보고, 임원은 선택지와 리스크를 봅니다. ChatGPT가 이 차이를 알게 하려면 승인 흐름을 입력해야 합니다.
상명하복식 보고 체계에서 필요한 표현
모든 조직이 수직적인 것은 아니지만, 한국의 많은 조직에서는 여전히 상위자의 판단을 돕는 방식으로 문서가 작성됩니다. 이때 보고서는 "제가 이렇게 생각합니다"보다 "현재 상황은 이러하며, 선택지는 이렇고, 결정이 필요한 지점은 이것입니다"에 가까워야 합니다.
ChatGPT는 기본적으로 친절하게 설명하려는 경향이 있어, 보고서 초안에 배경 설명을 길게 넣는 경우가 많습니다. 하지만 상위 보고에서는 배경보다 결론과 요청사항이 먼저 와야 합니다. 특히 시간이 없는 결재권자는 "그래서 무엇을 결정해야 하는가"를 먼저 찾습니다.
상명하복식 보고 체계에서는 다음 요소를 프롬프트에 넣는 것이 좋습니다.
보고 대상: 팀장, 본부장, 임원, 기관장, 고객사 책임자 등
보고 목적: 정보 공유, 의사결정 요청, 리스크 경고, 사전 협의, 사후 보고 등
권한 범위: 실무자가 결정 가능한 사항과 상위 승인이 필요한 사항
민감도: 예산, 일정 지연, 고객 불만, 법적 리스크, 대외 평판 등
예시는 다음과 같습니다.
아래 내용을 본부장 보고용으로 다시 작성하라.
보고 목적은 '의사결정 요청'이다.
조건:
- 첫 문장에 결론과 요청사항을 함께 쓴다.
- 배경 설명은 3문장 이내로 줄인다.
- 선택지는 2안 또는 3안으로 비교한다.
- 각 선택지마다 장점, 리스크, 필요한 승인 사항을 표시한다.
- 실무자가 자체 결정할 수 없는 부분은 '승인 필요'로 표시한다.이런 구조를 쓰면 ChatGPT의 답변이 단순한 설명문에서 보고 문서로 바뀝니다. 중요한 것은 상급자를 과도하게 의식하라는 뜻이 아닙니다. 의사결정권자가 실제로 필요한 정보를 빠르게 찾을 수 있게 만들라는 뜻입니다.
합의 문서 관행: 모두가 동의한 것처럼 쓰지 않기
한국 조직의 회의 문서에는 자주 애매한 표현이 등장합니다. "추후 검토", "관련 부서 협의", "방향성 공감", "원칙적으로 동의", "세부 내용 조율 필요" 같은 말입니다. 이 표현들은 조직 생활에서 필요한 완충 장치이기도 하지만, AI 요약에서는 위험한 함정이 됩니다. ChatGPT가 "방향성 공감"을 "합의 완료"로 바꾸거나, "추후 검토"를 "추진 예정"으로 바꾸면 책임의 강도가 달라집니다.
회의록이나 합의 문서를 만들 때는 특히 결정 수준을 구분해야 합니다. 모든 문장을 같은 무게로 요약하면 안 됩니다. 회의에서 나온 말은 크게 사실 공유, 의견 제시, 잠정 합의, 최종 결정, 후속 조치로 나뉩니다. 이 구분을 요구하지 않으면 모델은 문맥상 자연스러워 보이는 결론을 만들어 낼 수 있습니다.
다음 프롬프트는 합의 문서 작성에 도움이 됩니다.
아래 회의 내용을 합의 문서 초안으로 정리하라.
단, 합의 수준을 반드시 구분하라.
분류 기준:
- 확정 합의: 참석자가 명시적으로 동의했고 후속 실행 조건이 정해진 사항
- 잠정 합의: 방향에는 동의했지만 조건·일정·담당자가 남은 사항
- 이견 있음: 참석자 간 의견 차이가 드러난 사항
- 보류: 추가 자료나 상위 승인 없이는 결정할 수 없는 사항
출력 시 각 항목에 분류를 표시하고,
확정 합의가 아닌 내용을 확정된 것처럼 표현하지 마라.이런 지시는 한국 조직의 문서 관행과 잘 맞습니다. 조직 내 문서는 나중에 "그때 그렇게 합의했잖아요"라는 말의 근거가 됩니다. AI가 만든 문서일수록 합의의 강도를 정확히 표시해야 합니다.
한국어 프롬프트에는 조직 맥락이 들어가야 한다
ChatGPT는 우리 회사의 암묵지를 모릅니다. "임원 보고용"이라는 말 하나만으로 어느 정도 흉내는 낼 수 있지만, 회사마다 임원이 선호하는 보고 방식은 다릅니다. 어떤 조직은 결론을 극도로 짧게 원하고, 어떤 조직은 수치 근거와 대안 비교를 중시하며, 어떤 조직은 리스크를 먼저 보길 원합니다. 공공기관, 대기업, 스타트업, 학교, 병원, 로펌, 금융회사의 문서 습관도 모두 다릅니다.
그래서 한국어 업무 프롬프트에는 최소한의 조직 맥락이 들어가야 합니다. 단, 민감한 내부 정보를 그대로 넣으라는 뜻은 아닙니다. 필요한 맥락만 추상화해서 넣으면 됩니다. "고객사 A" 대신 "대형 엔터프라이즈 고객", "내부 시스템명" 대신 "사내 결재 시스템", "실명" 대신 "영업 담당자"처럼 바꿔도 충분한 경우가 많습니다.
실무에서 재사용하기 좋은 맥락 블록은 다음과 같습니다.
[조직 맥락]
- 조직 유형: B2B SaaS 기업
- 문서 목적: 임원 의사결정 지원
- 독자: 사업부장 및 재무 담당 임원
- 선호 문체: 결론 우선, 짧은 문장, 수치 근거 중시
- 금지 표현: 확정되지 않은 매출 효과 단정, 고객명 노출
- 반드시 포함할 항목: 선택지 비교, 리스크, 승인 필요 사항이 블록을 붙이면 ChatGPT는 훨씬 정확하게 움직입니다. 사용자는 매번 긴 설명을 반복하지 않아도 되고, 팀은 비슷한 품질의 문서를 만들 수 있습니다. 나중에 다룰 Projects, custom GPTs, skills 같은 기능도 결국 이런 조직 맥락을 재사용 가능한 형태로 저장하는 방향과 연결됩니다.
교육과 시험 문화에서 AI는 왜 민감한가
한국어권에서 ChatGPT 활용을 말할 때 교육을 빼놓을 수 없습니다. 한국 사회는 입시, 내신, 자격시험, 공채, 승진시험처럼 평가가 개인의 기회와 직결되는 구조를 강하게 갖고 있습니다. 그래서 AI가 글을 대신 써 주거나 문제를 대신 풀어 주는 상황은 단순한 편의의 문제가 아니라 공정성의 문제가 됩니다.
학생이 ChatGPT로 독후감 초안을 만들었다고 해 봅시다. 어떤 교사는 이를 글쓰기 보조 도구로 볼 수 있고, 어떤 교사는 대필에 가깝다고 볼 수 있습니다. 차이는 사용 방식에 있습니다. 책을 읽은 뒤 자신의 생각을 정리하기 위해 질문 목록을 만들거나, 초안을 고친 이유를 설명하게 하는 것은 학습에 도움이 될 수 있습니다. 반면 책을 읽지 않고 제출용 글 전체를 생성해 내면 학습도, 평가도 왜곡됩니다.
자격시험이나 과제 평가에서도 비슷한 문제가 생깁니다. AI가 만든 답안은 문장이 매끄럽고 구조가 좋아 보일 수 있습니다. 하지만 그 답안이 학습자의 실제 이해를 보여 주는지는 별개의 문제입니다. 특히 글쓰기 과제, 보고서 과제, 코딩 과제, 번역 과제처럼 산출물만 보고 평가하기 쉬운 영역에서는 AI 사용 여부와 사용 범위를 어떻게 밝힐지 정해야 합니다.
교육 현장에서 중요한 질문은 "AI를 금지할 것인가, 허용할 것인가" 하나가 아닙니다. 더 현실적인 질문은 다음과 같습니다.
어떤 과제에서는 AI 사용을 허용하고, 어떤 과제에서는 제한할 것인가?
AI를 사용했다면 사용한 부분과 사람의 기여를 어떻게 표시할 것인가?
결과물만 평가할 것인가, 과정과 설명 능력까지 평가할 것인가?
AI 접근성이 다른 학생들 사이의 격차를 어떻게 줄일 것인가?
이 질문을 프롬프트에도 반영할 수 있습니다. 예를 들어 학생에게 무작정 "과제 써 줘"라고 시키는 대신, 다음처럼 학습 보조형으로 설계할 수 있습니다.
나는 고등학생이고, 아래 주제로 글을 써야 한다.
답안을 대신 써 주지 말고 학습을 도와라.
해 줄 일:
1) 주제를 이해하기 위한 핵심 질문 5개 제시
2) 찬성·반대 관점 정리
3) 내가 직접 써야 할 개요 양식 제공
4) 초안을 쓴 뒤 스스로 점검할 체크리스트 제공
금지:
- 제출용 완성 글을 대신 작성하지 말 것
- 내가 읽지 않은 자료를 읽은 것처럼 꾸미지 말 것교사도 비슷하게 사용할 수 있습니다. AI를 답안 생성기로 쓰기보다 루브릭 설계, 피드백 문장 초안, 수준별 질문 만들기, 토론 주제 만들기에 쓰면 교육적 가치가 커집니다. 핵심은 AI가 학습자의 사고를 대체하지 않고 드러내게 만드는 것입니다.
표절, 대필, 공정성의 회색지대
AI 시대의 표절 문제는 예전보다 복잡합니다. 기존 표절은 주로 남의 문장을 가져와 자기 것처럼 제출하는 일이었습니다. 생성형 AI는 특정 문장을 복사하지 않아도 새로운 문장을 만들어 냅니다. 그래서 표절 검사 도구만으로 판단하기 어려운 경우가 많습니다. 문장이 새롭다고 해서 학습자의 기여가 충분하다는 뜻은 아니고, AI가 썼다고 해서 항상 부정행위라는 뜻도 아닙니다.
이 회색지대를 줄이려면 과제와 평가 기준이 바뀌어야 합니다. "완성된 글 1편 제출"만 요구하면 AI 대필을 구분하기 어렵습니다. 대신 주제 선정 이유, 자료 조사 과정, 초안의 변화, AI 사용 내역, 최종 판단 근거를 함께 제출하게 하면 학습자의 역할이 더 잘 드러납니다. 코딩 과제도 완성 코드만 보는 대신 설계 의도, 테스트 결과, 오류 수정 과정, 코드 설명을 함께 평가할 수 있습니다.
프롬프트 차원에서는 AI 사용 내역을 남기게 할 수 있습니다.
아래 글을 다듬어라.
단, 수정 내역을 반드시 구분해서 보여라.
출력 형식:
1) 원문의 핵심 주장 요약
2) 문장 표현만 고친 부분
3) 논리 구조를 바꾼 부분
4) 새로 추가한 아이디어
5) 작성자가 직접 확인해야 할 부분
주의:
작성자의 원래 주장과 다른 결론을 임의로 만들지 마라.이런 방식은 학생뿐 아니라 직장인에게도 중요합니다. 보고서에서 AI가 만든 수치나 주장이 사람의 검토 없이 들어가면 책임 문제가 생깁니다. 따라서 AI가 한 일과 사람이 한 일을 구분하는 습관은 교육 윤리이면서 동시에 업무 윤리입니다.
한국어 평가 기준이 따로 필요한 이유
많은 사람이 "좋은 모델이면 한국어도 잘하겠지"라고 생각합니다. 어느 정도는 맞습니다. 큰 모델은 다양한 언어에서 꽤 좋은 성능을 보입니다. 하지만 한국어 업무에서 중요한 능력은 단순 번역 능력이 아닙니다. 조사와 어미를 자연스럽게 쓰는 능력, 높임말을 상황에 맞게 조절하는 능력, 한국식 보고서의 결론 우선 구조를 이해하는 능력, 한국의 교육·행정·법률·조직 문화에 맞는 표현을 고르는 능력이 필요합니다.
영어 벤치마크에서 높은 점수를 받은 모델이 한국어 문서 업무에서도 항상 좋은 결과를 내는 것은 아닙니다. 영어 문제를 한국어로 번역한 시험만으로도 부족합니다. 번역된 문제는 한국어 문장의 표면은 갖추지만, 한국어권에서 실제로 쓰이는 지식과 표현 관습을 충분히 담기 어렵습니다. 예를 들어 한국의 행정 문서, 수능식 지문, 자격시험 문항, 공공기관 안내문, 기업 보고서에는 영어권 자료와 다른 문맥이 들어 있습니다.
이런 이유로 KMMLU, CLIcK, KoBEST 같은 한국어 특화 평가 흐름이 중요해집니다. KMMLU는 한국어 원본 시험에서 수집한 35,030개의 객관식 문항과 45개 과목으로 구성되어, 번역 기반 평가가 놓치기 쉬운 한국어의 언어적·문화적 요소를 반영하려는 벤치마크입니다.1 KoBEST 역시 영어 중심 평가의 한계를 배경으로 제안된 한국어 평가 체계로, 전문 한국어 언어학자가 설계한 5개 한국어 과제를 통해 고급 한국어 언어 지식과 추론 능력을 평가하려는 시도입니다.2
활용서 관점에서 벤치마크는 연구자만의 이야기가 아닙니다. 독자가 모델을 고르거나 업무에 도입할 때도 중요한 기준이 됩니다. 어떤 모델이 영어 코딩 문제는 잘 풀지만 한국어 회의록 요약에서 결정사항과 논의사항을 자주 섞는다면, 그 조직에는 맞지 않을 수 있습니다. 어떤 모델이 한국어 문장은 자연스럽지만 공문체의 책임 표현을 잘못 쓰거나, 교육 과제에서 답을 과도하게 대신 써 준다면 별도의 통제가 필요합니다.
벤치마크 점수와 내 업무 품질은 다르다
다만 한국어 벤치마크 점수가 높다고 해서 내 업무에서 무조건 좋은 결과가 나온다는 뜻은 아닙니다. 벤치마크는 모델의 능력을 비교하는 공통 시험지에 가깝습니다. 시험 점수는 중요하지만, 실제 업무는 시험지보다 훨씬 지저분합니다. 회의록에는 말이 끊기고, 보고서에는 내부 약어가 나오고, 고객 문의에는 감정이 섞이며, 학교 과제에는 평가 기준이 숨어 있습니다.
그래서 조직은 공개 벤치마크와 별도로 자기 업무용 평가 세트를 만들어야 합니다. 거창할 필요는 없습니다. 자주 하는 업무 20개만 모아도 시작할 수 있습니다. 예를 들어 회의록 요약, 임원 보고서 변환, 고객 문의 분류, 공문 초안 작성, 교육 피드백 문장 생성, 계약 검토 쟁점 추출처럼 실제 업무 샘플을 준비합니다. 그런 다음 모델의 답변을 기준표로 평가합니다.
한국어 업무 평가 기준에는 다음 요소가 들어가야 합니다.
문체 적합성: 보고서체, 공문체, 고객 응대체, 교육 피드백체가 상황에 맞는가?
높임말과 어조: 독자와 관계에 맞는 존댓말, 완곡 표현, 단정 강도를 사용했는가?
사실성과 근거성: 제공된 자료 밖의 내용을 추정하지 않았는가?
조직 적합성: 승인 단계, 부서 협의, 책임 범위를 제대로 반영했는가?
공정성과 윤리: 교육·채용·평가 상황에서 부적절한 대필이나 편향을 만들지 않았는가?
이런 기준은 나중에 다룰 평가와 벤치마킹 장에서 더 자세히 다루겠지만, 지금부터 기억해야 할 점은 분명합니다. 한국어 업무 품질은 "한국어로 말이 되는가"보다 넓은 문제입니다. 그 문장이 한국어권의 실제 사용 장면에서 책임 있게 작동하는가가 기준입니다.
좋은 한국어 프롬프트의 기본 틀
이 장에서 살펴본 변수들을 하나로 모으면, 한국어 프롬프트에는 적어도 다섯 가지 정보가 들어가야 합니다. 목적, 독자, 문서 장르, 책임 범위, 검증 기준입니다. 이것은 뒤에서 배울 프롬프트 기본 문법의 예고편이기도 합니다.
다음 틀을 보면 한국어 업무 요청이 얼마나 구체화될 수 있는지 알 수 있습니다.
[목적]
아래 자료를 바탕으로 [무엇을 하기 위한] 문서를 작성하라.
[독자]
읽는 사람은 [직급/역할/상황]이다.
이 독자는 [가장 알고 싶어 하는 것]을 우선적으로 본다.
[문서 장르와 문체]
문서 유형은 [임원 보고서/회의록/공문/고객 안내문/교육 피드백]이다.
문체는 [결론 우선/간결한 보고체/공식 공문체/친절한 존댓말]로 작성하라.
[책임 범위]
제공된 자료에 없는 내용은 추정하지 말고 '확인 필요'로 표시하라.
확정된 내용, 추정, 검토 필요 사항을 구분하라.
[검증 기준]
마지막에 다음 항목을 스스로 점검하라.
- 문체가 독자와 상황에 맞는가?
- 단정하면 안 되는 내용을 단정했는가?
- 결정사항과 논의사항을 혼동했는가?
- 추가 확인이 필요한 데이터가 있는가?이 틀은 길어 보이지만 실제로는 시간을 줄여 줍니다. 처음부터 원하는 문서의 성격을 분명히 하면, 나중에 "이건 너무 가벼워요", "보고서 느낌이 안 나요", "이건 아직 합의된 게 아니에요"라고 다시 고치는 시간이 줄어듭니다.
작은 사례: 같은 내용을 네 가지 한국어 문서로 바꾸기
간단한 상황을 생각해 봅시다. 서비스 장애가 30분 동안 발생했고, 원인은 아직 조사 중이며, 고객 문의가 늘고 있습니다. 이 사실을 ChatGPT에게 "공지문 써 줘"라고만 하면 보통 무난한 안내문이 나옵니다. 하지만 실제 조직에서는 같은 사실도 독자에 따라 다르게 써야 합니다.
고객 안내문은 불편에 대한 공감과 현재 조치 상황이 중요합니다.
서비스 이용에 불편을 드려 죄송합니다.
현재 일부 기능에서 접속 지연이 확인되어 원인을 조사하고 있습니다.
확인되는 즉시 추가 안내드리겠습니다.임원 보고는 영향 범위와 의사결정 필요 여부가 중요합니다.
금일 14:10~14:40 일부 기능 접속 지연이 발생했으며, 현재 원인 조사 중입니다.
고객 문의 증가가 확인되어 CS 우선 대응 체계로 전환했습니다.
보상 정책 언급 여부는 원인 확인 후 별도 승인 필요합니다.개발팀 회고 문서는 재발 방지와 로그 확인이 중요합니다.
장애 시간대의 배포 이력, 인프라 지표, 외부 연동 로그를 우선 대조해야 합니다.
원인 확정 전까지 단일 원인으로 결론 내리지 않습니다.
재발 방지안은 원인 분석 완료 후 액션 아이템으로 분리합니다.대외 공문은 책임 단정과 보상 언급을 조심해야 합니다.
해당 시간대 일부 서비스 이용이 원활하지 않았던 사항을 확인했습니다.
현재 관련 내용을 검토 중이며, 확인 결과에 따라 필요한 조치를 안내드릴 예정입니다.같은 사건인데 문장이 달라지는 이유는 독자와 책임 범위가 다르기 때문입니다. ChatGPT의 한국어 품질을 높이는 핵심은 바로 이 차이를 프롬프트에 넣는 것입니다.
한국어 사용자를 위한 실전 점검표
한국어로 ChatGPT를 사용할 때는 답변이 자연스럽다는 이유만으로 만족하면 안 됩니다. 자연스러운 한국어와 업무에 맞는 한국어는 다릅니다. 특히 보고, 승인, 평가, 공문, 고객 응대처럼 책임이 있는 문서에서는 다음을 점검해야 합니다.
독자가 분명한가: 학생, 고객, 팀원, 임원, 공무원, 전문가 중 누구를 향한 문서인가?
장르가 분명한가: 설명문, 보고서, 회의록, 공문, 제안서, 피드백, 답변서 중 무엇인가?
문체가 맞는가: 존댓말, 격식체, 간결한 보고체, 완곡한 표현, 단정 강도가 상황에 맞는가?
합의 수준이 구분되었는가: 결정, 논의, 보류, 이견, 확인 필요가 섞이지 않았는가?
교육·평가 상황에서 공정성을 해치지 않는가: 대필, 무단 사용, 출처 미표시, 과정 은폐가 없는가?
한국어 평가 기준을 갖고 있는가: 공개 벤치마크뿐 아니라 내 업무 샘플로 품질을 확인했는가?
이 점검표는 거창한 규정이 아닙니다. 한국어권에서 AI를 실제로 쓰다 보면 반드시 부딪히는 현실적인 질문입니다.
한국어 맥락은 부가 기능이 아니라 기본값이다
ChatGPT를 잘 쓰는 일은 더 멋진 명령어를 외우는 일이 아닙니다. 한국어 사용자의 경우에는 특히 그렇습니다. 중요한 것은 번역된 예문을 따라 하는 것이 아니라, 한국어 문서와 조직의 작동 방식을 프롬프트 안에 넣는 것입니다. 높임말과 문장 끝은 책임의 강도를 조절하고, 보고서와 공문체는 의사결정 구조를 반영하며, 회의록과 합의 문서는 나중에 책임을 확인하는 기록이 됩니다. 교육 현장에서는 AI가 학습을 돕는 도구인지, 평가를 왜곡하는 대필자인지 구분해야 합니다. 모델 평가는 영어 점수만 볼 것이 아니라 한국어의 언어적·문화적 맥락을 제대로 다루는지 확인해야 합니다.
앞으로 다룰 프롬프트 설계의 기본 문법도 이 현실 위에서 작동합니다. 목표를 분명히 쓰고, 맥락을 제공하고, 제약을 걸고, 출력 형식을 지정하고, 성공 기준을 정하는 일은 모든 언어에서 중요합니다. 그러나 한국어권에서는 여기에 한 가지가 더해집니다. 한국어 문체와 조직 맥락을 명시해야 한다는 점입니다.
ChatGPT는 한국 조직의 회의실에 앉아 있었던 적이 없습니다. 우리 학교의 평가 기준을 저절로 알지도 못하고, 우리 회사 임원이 싫어하는 표현을 자동으로 피하지도 못합니다. 하지만 우리가 그 맥락을 잘 설명하면, ChatGPT는 훨씬 쓸모 있는 조수가 됩니다. 이제 다음 장부터는 그 맥락을 실제 프롬프트 문법으로 바꾸는 방법을 하나씩 살펴보겠습니다.
참고
1KMMLU: Measuring Massive Multitask Language Understanding in Korean
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.