[6강] 역할·형식·예시로 정밀하게 시키기 — 무엇이 정말 효과 있을까

01

세 가지 무기 — 그런데 쓰임이 다르다

5강에서 좋은 프롬프트의 4요소(맥락·역할·형식·예시)를 배웠습니다. 이번 강은 그중 실무에서 가장 자주 쓰는 세 가지 — 역할·형식·예시 — 를 한 단계 깊이 파고듭니다. 많은 입문서가 "전문가 역할을 부여하고, 형식을 정하고, 예시를 들어라"라고 뭉뚱그려 말하지만, 사실 이 셋은 각자 잘하는 일이 전혀 다릅니다. 어디에 어떤 무기를 써야 하는지 모르면, 좋다는 기법을 다 넣고도 결과가 그대로인 경험을 하게 됩니다.

왜 '무기의 쓰임을 구분하는 것'이 중요할까요? 입문자가 가장 흔히 빠지는 함정이 "좋다는 걸 다 넣으면 좋아지겠지"입니다. 역할도 주고, 형식도 정하고, 예시도 넣고, 길이도 지정하고… 그런데 결과가 기대만큼 안 좋습니다. 이유는 각 기법이 해결하는 문제가 다르기 때문입니다. 사실이 틀린 게 문제인데 역할만 화려하게 붙이면, 틀린 답이 더 그럴듯해질 뿐 정확해지지 않습니다. 반대로 모양이 마음에 안 드는데 역할만 바꾸면 모양은 그대로입니다. 문제를 진단하고 그에 맞는 무기를 고르는 것 — 이것이 정밀하게 시키는 사람과 기법을 외워 쏟아붓는 사람의 차이입니다.

특히 가장 널리 퍼진 "너는 10년 차 전문가야"라는 역할 부여에 대해서는 오해가 많습니다. 이걸 붙이면 답이 더 정확해진다고 믿는 분이 대부분이지만, 최근 연구들은 다른 이야기를 합니다. 김지백 강사는 강의에서 이렇게 짚습니다. "역할 부여가 만능이라는 믿음이 오히려 더 위험합니다. 무엇에 효과가 있고 무엇엔 없는지를 알아야, 정작 중요한 '사실 확인'을 소홀히 하지 않게 됩니다." 하나씩 정확히 뜯어보겠습니다.

02

역할 부여 — 정확도는 안 오른다 (의외의 진실)

"너는 노련한 변호사야", "너는 친절한 초등학교 선생님이야" 처럼 AI에게 역할(페르소나)을 정해 주는 기법은 가장 유명합니다. 그런데 정말 답이 더 정확해질까요? 2024년 자연어처리 학회(EMNLP)에서 발표된 한 연구는 「'친절한 어시스턴트'는 사실 그리 도움이 되지 않는다」는 제목으로, 4개 주요 LLM 계열과 2,410개의 사실 질문을 분석했습니다. 결론은 분명했습니다. 시스템 프롬프트에 역할(페르소나)을 넣어도, 넣지 않은 경우에 비해 사실 정확도가 일관되게 높아지지 않았습니다.

더 주의할 점도 있습니다. 다른 연구들에서는 "너는 ~분야 최고 전문가야" 같은 강한 전문가 프롬프트가 답의 말투와 자신감은 키우지만, 사실 정확도는 오히려 떨어뜨릴 수 있다는 결과가 나왔습니다. 한마디로 역할 부여가 AI를 "실제로 맞게" 만드는 게 아니라 "맞는 것처럼 들리게" 만드는 쪽으로 작용할 수 있다는 것입니다. 이건 위험합니다. 틀린 답이 더 그럴듯하게 포장되면, 우리가 속기 더 쉬워지니까요.

그렇다면 역할 부여는 쓸모없을까요? 아닙니다. '톤·관점·표현 방식'을 조정하는 데는 분명히 효과가 있습니다. "초등학생도 알 수 있게 설명하는 선생님처럼"이라고 하면 설명이 쉬워지고, "깐깐한 편집자처럼 검토해줘"라고 하면 비판적인 시각으로 봐줍니다. 즉 역할은 '어떻게 말할지'를 정하는 도구이지, '무엇이 사실인지'를 보장하는 도구가 아닙니다.

왜 이런 일이 생길까요? 1강에서 봤듯 AI는 '그럴듯한 다음 말'을 이어 쓰는 방식으로 작동합니다. "너는 최고의 의학 전문가야"라고 역할을 주면, AI는 '의학 전문가가 할 법한 말투와 확신'을 더 잘 흉내 냅니다. 문제는 그 '전문가다운 확신'이 사실의 정확성과 비례하지 않는다는 데 있습니다. 실제로 한 직장인이 "너는 노동법 전문가야. 우리 회사 연차 규정이 맞는지 봐줘"라고 물어 단정적인 답을 받았는데, 정작 그 답이 최신 법 개정을 반영하지 못한 틀린 내용이었던 사례가 흔합니다. 역할이 답을 더 '자신만만하게' 만든 탓에, 오히려 의심 없이 받아들이게 된 것이죠.

그렇다면 역할 부여를 가장 잘 쓰는 법은? '결과물의 독자'를 역할로 떠올리게 하는 것입니다. "이 설명을 처음 듣는 신입사원이 이해할 수 있게", "바쁜 임원이 30초 만에 파악할 수 있게"처럼 '누가 읽는가'를 역할로 주면, 톤과 눈높이가 그 독자에 맞춰집니다. 이건 사실 정확도와 무관하게 거의 항상 결과를 좋게 만드는, 검증된 역할 활용법입니다.

03

형식 지정 — 가장 확실하게 통제된다

세 가지 중 효과가 가장 확실하고 즉각적인 것이 형식 지정입니다. "표로", "단계별 번호로", "300자 이내로", "장단점으로 나눠서", "마지막에 한 줄 요약"처럼 결과물의 모양을 정해 주면 AI는 거의 어김없이 그대로 따라 줍니다. 역할 부여가 '들리는 느낌'에 영향을 준다면, 형식 지정은 '눈에 보이는 구조'를 직접 만듭니다.

형식 지정이 강력한 이유는, 우리가 결과물을 쓰는 맥락과 직결되기 때문입니다. 같은 정보라도 회의에 가져갈 거면 '표', 보고서에 넣을 거면 '문단', 발표에 쓸 거면 '불릿', 메신저로 보낼 거면 '3줄'이 좋습니다. AI에게 "어떻게 생겼으면 좋겠는지"를 말해 주는 것만으로 후속 작업(복사해서 붙여넣고 다듬는 시간)이 확 줄어듭니다.

형식 지정의 또 다른 힘은 사고를 정리하게 만든다는 점입니다. "장점 3개, 단점 3개, 그리고 너의 추천을 표로"라고 하면, AI는 그 틀에 맞춰 빠진 부분 없이 균형 있게 답합니다. 막연히 "어때?"라고 묻는 것보다 훨씬 쓸모 있는 답이 나옵니다. 형식은 단순한 모양이 아니라 '생각의 틀'이기도 한 셈입니다.

실무에서 특히 유용한 형식 지정 표현 몇 가지를 기억해 두면 좋습니다. "표로 비교해줘"는 선택지를 견줄 때, "단계별로 번호 매겨줘"는 따라 할 절차를 만들 때, "한 문장 요약을 먼저, 그다음 자세히"는 바쁜 사람이 읽을 문서를 만들 때 효과적입니다. 또 "○○ 항목을 빠뜨리지 말고 포함해줘"처럼 반드시 들어가야 할 요소를 형식에 못 박으면, AI가 중요한 부분을 빠뜨리는 일을 막을 수 있습니다. 형식 지정은 배우는 비용이 거의 없으면서 효과는 확실한, 가성비 최고의 기법입니다.

04

예시 들기 — 백 마디 설명보다 강하다

세 번째 무기는 예시 들기입니다. 원하는 결과가 어떤 모양·말투인지 한두 개 보여 주는 것인데(전문 용어로 'few-shot'이라 합니다), 효과가 의외로 큽니다. 연구와 현장 경험 모두 한목소리로 말합니다. "형식 규칙을 길게 나열하는 것보다, 좋은 예시 한두 개를 보여 주는 편이 훨씬 일관된 결과를 만든다." 말로 "정중하고 간결하게, 끝인사는 따뜻하게…"라고 열 줄 설명하는 것보다, 마음에 드는 이메일 한 통을 보여 주며 "이런 느낌으로 써줘"라고 하는 게 더 정확합니다.

예시는 특히 '내 스타일'을 전달할 때 빛납니다. 내가 평소 쓰던 보고서 문장 두세 개를 보여 주면, AI가 그 톤과 구조를 흉내 내 '나처럼' 써 줍니다. 규칙으로는 설명하기 어려운 미묘한 느낌(말맛, 문장 길이, 격식의 정도)이 예시 하나로 전달되는 것이죠.

다만 주의할 점이 있습니다. 예시가 많다고 무조건 좋은 건 아닙니다. 최근 연구에서는 예시를 지나치게 많이 넣으면 오히려 성능이 떨어지는 '과잉 프롬프트(over-prompting)' 현상이 보고됐고, AI가 예시의 사소한 형식 차이에도 민감하게 반응한다는 점도 확인됐습니다. 그러니 대표적인 예시 1~3개로 방향만 잡아 주는 것이 가장 효율적입니다. 예시가 너무 많으면 AI가 그 틀에만 갇히거나 혼란스러워할 수 있습니다.

그렇다면 '좋은 예시'란 어떤 걸까요? 세 가지를 기억하세요. 첫째, 내가 진짜 원하는 결과와 닮은 것. 어설픈 예시를 주면 어설픈 결과가 나옵니다('쓰레기를 넣으면 쓰레기가 나온다'는 원칙은 예시에도 적용됩니다). 둘째, 일관된 형식. 예시 두 개의 구조가 제각각이면 AI가 어느 쪽을 따라야 할지 헷갈립니다. 셋째, 대표성. 가장 전형적인 경우 하나와, 까다로운 예외 하나를 함께 보여 주면 AI가 패턴을 더 정확히 잡습니다. 즉 '많이'가 아니라 '잘 고른 한두 개'가 핵심입니다.

05

세 무기를 조합해 보기

이제 셋을 실제로 어떻게 조합하는지 봅시다. 아래 탭에서 같은 요청이 무기를 더할 때마다 어떻게 정밀해지는지 비교해 보세요. 각 프롬프트는 복사해 바로 써볼 수 있습니다.

신입사원 환영 메시지 써줘.

신입사원 환영 메시지를 써줘.
- 3문장 이내로
- 따뜻한 인사 → 기대 → 도움 요청 안내 순서로

너는 직원들이 편하게 느끼는 친근한 팀장이야.
신입사원 환영 메시지를 써줘.
- 3문장 이내로
- 따뜻한 인사 → 기대 → 도움 요청 안내 순서로
- 너무 격식 차리지 않고 사람 냄새 나게

너는 친근한 팀장이야. 신입사원 환영 메시지를 써줘.
- 3문장 이내, 따뜻한 인사 → 기대 → 도움 요청 순서
- 우리 팀은 이런 말투를 써. 예시:
  "OO님 합류 진심으로 환영해요! 모르는 건 언제든 편하게 물어봐 주세요 :)"
- 위 예시 같은 느낌으로 새로 써줘

네 단계를 거치며 답이 점점 '내가 원하던 것'에 가까워집니다. 여기서 꼭 기억할 것 하나. 역할(톤)·형식·예시는 결과물을 정밀하게 만들지만, 그 내용이 '사실로 맞는지'는 별개입니다. 환영 메시지처럼 사실 검증이 필요 없는 일에는 마음껏 쓰되, 숫자·정보가 들어가는 일에는 반드시 사실을 따로 확인하세요.

한 가지 더, 이 세 무기는 4강에서 배운 '대화로 다듬기'와 함께 쓸 때 가장 강력합니다. 처음부터 역할·형식·예시를 완벽하게 짜 넣으려 애쓸 필요는 없습니다. 가볍게 형식만 정해 시작한 뒤, 결과를 보고 "톤을 좀 더 친근하게(역할)", "이런 느낌으로(예시)"를 대화로 하나씩 더해 가도 됩니다. 미리 설계하든, 대화로 쌓아가든 — 중요한 건 각 무기가 무엇을 바꾸는지 알고 의도적으로 쓰는 것입니다. 그러면 "왜 좋아졌는지 모르겠지만 좋아졌다"가 아니라 "이걸 바꿨더니 이게 좋아졌다"라고 말할 수 있게 됩니다. 그 의식적인 통제력이 곧 실력입니다.

06

정리 — 무기별 사용 설명서

한 문장으로 요약하면 이렇습니다. "역할로 결을 잡고, 형식으로 모양을 만들고, 예시로 정확히 맞춘다. 그리고 사실은 따로 확인한다." 이 네 가지를 구분하는 순간, 같은 AI에서 전혀 다른 품질의 결과가 나옵니다. 좋다는 기법을 무작정 다 넣는 게 아니라, 지금 내게 필요한 무기를 골라 쓰는 것 — 그것이 정밀하게 시키는 사람의 방식입니다.