자주 묻는 질문

아이파트너즈(IPARTNERS)가 만들어 운영하는 AI 워크스페이스입니다. 특정 모델에 질문을 넘겨주는 창구가 아니라, 어떤 작업에 어떤 모델을 쓰고 결과를 어떻게 검증할지에 대한 방법론을 그대로 구현해 둔 도구입니다. 이 페이지는 그 바탕이 되는 판단 기준을 정리한 것입니다.

아이파트너즈(IPARTNERS)의 NX(Next Experience) Lab이 개발하고 직접 운영합니다. 아이파트너즈는 https://www.ipartners.co.kr 에서 확인할 수 있습니다.

모델마다 잘하는 일이 다르기 때문입니다. 구조를 잡고 항목을 빠짐없이 나열하는 일, 긴 글의 결을 일정하게 유지하는 일, 검색으로 사실을 확인하는 일에서 각각 앞서는 모델이 다릅니다. 하나로 통일하면 운영은 단순해지지만 모든 작업이 그 모델의 약점을 함께 물려받습니다. 그래서 작업 단위로 모델을 배정하고, 모델이 바뀌어도 작업 흐름은 그대로 두는 쪽을 택했습니다.

생성형 모델은 다음에 올 말을 확률로 고르기 때문에 같은 입력에도 매번 같은 문장이 나오지 않습니다. 이것은 고장이 아니라 동작 방식입니다. 그래서 결과물 한 번을 정답으로 취급하지 않고, 중요한 판단일수록 여러 번 또는 여러 모델에 물어 겹치는 부분을 봅니다. 반대로 일관성이 중요한 작업에서는 표현의 자유도를 낮춰 편차를 줄입니다.

모델이 사실이 아닌 내용을 사실처럼 자연스럽게 써 내는 현상입니다. 문장이 어색하면 의심이라도 하겠지만 환각은 대개 매끄럽게 나오기 때문에 읽는 것만으로는 걸러지지 않습니다. 특히 숫자, 날짜, 인용문, 법령 조항, 존재하지 않는 출처처럼 확인 가능한 형태로 나올 때 위험합니다. 그럴듯함과 사실은 다른 축이라는 전제에서 검증 절차를 짭니다.

네 가지를 겹쳐 씁니다. 첫째, 모델의 기억에 맡기지 않고 근거 자료를 함께 넣습니다. 둘째, 주장마다 출처를 함께 내도록 요구해 근거 없는 문장이 눈에 띄게 만듭니다. 셋째, 서로 다른 모델에 같은 것을 물어 교차 확인합니다. 넷째, 확인 가능한 값은 사람이 원문과 대조합니다. 어느 하나로 환각이 사라지지는 않으며, 겹치는 만큼 남는 위험이 줄어듭니다.

모델은 학습을 마친 시점까지의 내용만 알고 있습니다. 그 이후에 바뀐 제도, 가격, 인사, 신제품은 모델의 기억에 없고, 없다고 말하는 대신 예전 정보를 현재형으로 쓰는 일이 잦습니다. 그래서 최신성이 중요한 작업은 모델의 기억이 아니라 지금 검색한 결과를 근거로 삼게 하고, 검색 없이 답한 결과에는 그 사실을 표시해 사용자가 다르게 읽도록 합니다.

모델마다 학습 자료와 검색 경로가 달라 틀리는 지점도 서로 다르기 때문입니다. 한 모델만 쓰면 그 모델의 착오가 그대로 결론이 되지만, 독립적으로 답한 여러 결과를 나란히 놓으면 같은 오류가 모든 곳에서 반복될 확률은 낮아집니다. 다만 여러 모델이 같은 출처를 참조하면 오류도 함께 따라오므로, 합의가 곧 사실의 증명은 아닙니다.

다수결로 정하지 않습니다. 판단이 갈린다는 사실 자체가 그 주장이 근거가 약하거나 해석의 여지가 있다는 신호이므로, 그 지점을 사람에게 보여 주는 것이 목적입니다. 실제로 갈리는 경우는 대개 셋 중 하나입니다. 근거 자료가 실제로 엇갈리거나, 질문이 모호해 서로 다른 것을 답했거나, 한쪽만 최신 정보를 봤거나. 어느 쪽인지는 각 모델이 제시한 출처를 보면 대개 드러납니다.

같은 맥락 안에서 자기 글을 평가하면 방금 쓴 판단을 그대로 유지하려는 쪽으로 기울기 때문입니다. 초안을 쓴 흐름과 분리해 검수 기준만 주고 다시 읽히면, 빠진 항목과 근거 없는 단정이 훨씬 잘 잡힙니다. 사람의 글쓰기에서 작성자와 교정자를 나누는 것과 같은 이유이고, 검수 결과를 점수와 지적 사항으로 남기면 무엇을 고쳤는지도 추적됩니다.

네 가지를 명시할수록 편차가 줄어듭니다. 어떤 역할로 판단할지, 지켜야 할 제약이 무엇인지, 결과를 어떤 형식으로 낼지, 그리고 좋은 예와 나쁜 예입니다. 특히 하지 말아야 할 것을 함께 적는 편이 효과가 큽니다. 반대로 정중한 표현이나 강조 문구를 늘리는 것은 거의 영향이 없습니다. 길이보다 구체성이고, 모호한 지시는 모델이 임의로 메웁니다.

모델이 기억을 더듬는 대신 눈앞의 자료를 읽고 답하게 되기 때문입니다. 사실관계의 출처가 자료로 고정되므로 지어낼 여지가 줄고, 그 조직만 쓰는 용어나 표기 방식도 자료에서 그대로 따라옵니다. 일반론으로 흐르는 결과물의 상당수는 모델의 한계가 아니라 판단 근거를 주지 않은 결과입니다.

자료가 근거의 전부라고 지시하지 않으면 모델은 자료를 참고 삼아 자기 지식으로 빈칸을 메웁니다. 자료가 길어 핵심이 가운데 묻혀 있을 때도, 자료끼리 서로 어긋날 때도 같은 일이 생깁니다. 그래서 자료 밖의 내용을 쓰지 말 것, 자료에 없으면 없다고 답할 것을 명시하고, 자료는 관련 있는 부분만 추려 넣습니다.

컨텍스트 윈도우는 모델이 한 번에 읽을 수 있는 분량입니다. 넘치면 잘려 나가고, 잘린 부분은 모델에게 처음부터 없던 내용이 됩니다. 다 들어간다 해도 분량이 길수록 가운데 놓인 내용의 반영이 약해지는 경향이 있습니다. 그래서 문서를 통째로 밀어 넣기보다 필요한 대목을 골라 넣고, 중요한 지시는 자료 앞뒤에 배치합니다.

토큰은 모델이 글자를 읽고 쓰는 단위로, 대체로 단어보다 잘고 글자보다 큽니다. 분량 제한과 비용이 모두 이 단위로 계산됩니다. 한국어는 영어와 같은 내용을 담아도 더 많은 토큰으로 쪼개지는 경향이 있어, 같은 한도 안에 넣을 수 있는 분량이 상대적으로 적습니다. 긴 한국어 자료를 다룰 때 요약이나 발췌가 먼저 필요한 이유입니다.

생성이 끝날 때까지 기다렸다 한 번에 받는 대신, 만들어지는 대로 이어받아 보여 주기 때문입니다(스트리밍). 긴 글은 완성까지 수십 초가 걸리는데 그동안 빈 화면을 보게 되면 멈춘 것과 구분되지 않고, 연결이 끊기면 그때까지 만든 것이 전부 사라집니다. 방향이 어긋난 것을 도중에 알아채고 멈출 수 있다는 점도 이 방식의 실질적인 이점입니다.

GEO(Generative Engine Optimization)는 생성형 엔진이 답을 만들 때 우리 브랜드를 언급하고 우리 자료를 근거로 인용하게 만드는 일입니다. SEO가 검색 결과 목록에서의 순위를 다툰다면, GEO에서 사용자에게 전달되는 것은 링크 목록이 아니라 완성된 문장 하나입니다. 그 문장 안에 들어가지 못하면 노출 자체가 없다는 점이 결정적인 차이이고, 검색 순위는 그대로인데 AI 답변에서만 사라지는 일이 여기서 생깁니다.

기계가 본문을 해석해 추측해야 할 것을 명시적으로 알려 줍니다. 어느 문장이 질문이고 어느 것이 답인지, 누가 쓴 글이고 언제 갱신됐는지가 표시되어 있으면 인용할 대목을 고르기 쉬워집니다. 다만 구조화 데이터를 넣었다고 인용이 보장되지는 않습니다. 그리고 스키마에만 있고 화면에는 없는 내용은 위반으로 취급되므로, 표시하는 내용과 마크업하는 내용은 반드시 같아야 합니다.

한 문장으로 길게 묘사하면 무엇을 바꿔서 결과가 달라졌는지 알 수 없기 때문입니다. 피사체, 구도, 조명, 색, 질감, 화면비를 항목으로 나눠 두면 조명만 바꾼 결과와 구도만 바꾼 결과를 비교할 수 있고, 마음에 드는 결과의 조합을 다음에 재현할 수 있습니다. 이미지 작업에서 실제로 쌓이는 자산은 완성된 이미지 한 장이 아니라 그것을 만든 조합입니다.

용어와 말투를 번역할 대상이 아니라 지켜야 할 제약으로 넘깁니다. 브랜드명과 제품명의 표기, 번역하지 않고 그대로 둘 단어, 높임의 수준, 문장의 길이 같은 것을 미리 고정해 두지 않으면 문장마다 조금씩 달라지고, 그 편차는 문서를 합쳤을 때 드러납니다. 직역과 의역의 문제가 아니라 기준을 주었는가의 문제입니다.

규칙 기반 검사기는 사전과 문법 규칙에 어긋나는 것을 찾습니다. 그래서 규칙에는 맞지만 문맥상 틀린 표현, 예를 들어 다른 단어로 잘못 바뀐 고유명사나 앞뒤가 어긋난 호칭은 지나칩니다. 언어 모델은 문맥을 함께 보기 때문에 이런 것을 짚을 수 있지만, 반대로 멀쩡한 표현을 고치라고 하거나 문체를 임의로 다듬는 일이 생깁니다. 규칙 기반은 놓치고 모델 기반은 과하게 잡는다는 성질이 서로 반대라, 지적된 것을 사람이 채택할지 정하는 단계가 필요합니다.

그대로 쓰지 않는 것을 전제로 설계했습니다. 사실관계, 숫자, 인용, 그리고 대외로 나가는 문장의 책임은 사람에게 있습니다. AI는 초안의 속도와 빠뜨린 항목의 점검에서 도움이 되지만 최종 판단을 대신하지는 않으며, 여기서 만드는 모든 검수·교차 검증 절차도 사람의 확인을 없애기 위한 것이 아니라 사람이 확인해야 할 지점을 좁히기 위한 것입니다.