AI를 똑똑하게 쓰는 사람들의 비밀 프롬프트🤫

2025. 11. 18.

구독하기 ‧ 웹에서 보기

Vol.051 ・ 2025.11.18

💡오늘 디플릭 요약💡

[News] 챗GPT, 최대 20명 협업 가능한 ‘그룹 채팅’ 국내 시범 도입

[In;D] AI는 실패하지 않았다. 우리가 완벽만 바라봤을 뿐

[TMI] 이 한 줄이, ChatGPT 결과를 바꿉니다

[UxQuiz] 매일 마시는 커피, 뚜껑 위 구멍의 정체는?

📰 매일 바뀌는 AI · UX · IT 흐름 📰

빠르고 간결하게 전해드려요!

🧬 AI

(글로벌) 제프 베이조스, AI 스타트업 ‘프로젝트 프로메테우스’ 공동 CEO로 복귀

아마존 창업자 제프 베이조스가 AI 스타트업 ‘프로젝트 프로메테우스(Project Prometheus)’의 공동 CEO로 경영 일선에 복귀했어요. 이 회사는 텍스트가 아닌 물리 세계를 직접 관찰하고 실험하며 학습하는 AI를 개발 중이에요. 이미 62억달러(약 9조원)의 투자금을 확보했으며, 오픈AI·구글 딥마인드 출신 연구원 100여 명이 합류했어요. 베이조스는 “AI가 현실을 이해하고 행동하는 시대를 연다”며 ‘피지컬 AI’ 경쟁의 중심에 다시 섰다는 평가를 받고 있어요.

(글로벌) MS, 윈도우를 AI 에이전트 OS로 전환…개발자 반발 확산

MS가 연내 출시 예정인 ‘A365’ AI 에이전트를 통해 윈도우를 자율형 AI 동료 중심의 에이전트 운영체제로 전환할 계획이에요. A365는 고유 ID·이메일·직급을 갖고 회의 참석, 문서 작성, 협업까지 수행하는 독립 주체로 작동해요. 하지만 개발자들은 노코드 중심 전환과 AI 오남용 위험, 보안 통제 문제를 우려하며 반발하고 있어요. MS는 ‘제로트러스트’ 보안 원칙과 실시간 통제 시스템으로 대응하겠다고 밝혔지만, 개발자 생태계와의 긴장감은 당분간 지속될 전망이에요.

(글로벌) 중국 ‘키미 K2 씽킹’, GPT-5보다 성능 높은 ‘가성비 AI’ 주목

중국 문샷AI가 공개한 오픈소스 모델 ‘키미 K2 씽킹’이 GPT-5보다 높은 벤치마크 점수를 기록하며 글로벌 주목을 받고 있어요. 훈련 비용은 약 67억원으로, 수천억 원 이상 투입된 미국 모델보다 훨씬 낮은 수준이에요. MoE 구조로 파라미터 일부만 선택적으로 활용해 GPU 자원을 절약하는 방식이 핵심이에요. 딥시크에 이어 중국발 가성비 AI가 실전 경쟁력을 증명하고 있지만, 아직 생태계 주도권까지는 신중히 봐야 한다는 시각도 있어요.

(국내) 챗GPT, 최대 20명 협업 가능한 ‘그룹 채팅’ 국내 시범 도입

오픈AI가 한국 등에서 챗GPT 그룹 채팅 기능을 시범 운영하며 협업 중심 UX 실험에 나섰어요. GPT-5.1 기반 챗봇이 대화 흐름을 파악해 응답하거나 조용히 있다가 호출 시 반응하도록 설계됐어요. 사용자는 링크 초대, 커스텀 설정, 이모지 반응 등으로 실시간 공동 작업이 가능해요.

(국내) 현대차그룹, 125조 투자로 ‘피지컬 AI’ 본격 시동

현대차그룹이 향후 5년간 125조2000억 원을 투자해 자율주행·로보틱스 등 ‘피지컬 AI’ 산업을 본격 육성해요. 엔비디아와 협력해 고전력 AI 데이터센터와 ‘피지컬 AI 애플리케이션 센터’를 설립하고, 로봇 완성품 및 위탁생산 공장도 추진해요. AI·로봇·전동화 등 미래 신사업에만 50조 원 이상이 투입되며, 협력사 관세 전액 지원 등 상생 프로그램도 병행된다고 해요.

🧑‍💻 UX · IT

(글로벌) 애플, iOS 26.2 베타에서 시리 아닌 제미나이·알렉사 허용

애플이 iOS 26.2 베타 3에서 시리를 외부 음성비서로 대체할 수 있는 기능을 일본에서 우선 도입했어요. 이는 자국 경쟁법에 따라 애플이 음성비서 기능을 서드파티에 개방한 결과로, EU 도입 가능성도 점쳐져요. 에어드롭 30일 유지, 슬라이드 오버 복귀 등 멀티태스킹·UX 기능도 함께 강화됐어요.

(글로벌) 애플, 아이폰 연 2회 출시 체계로 전략 전환

애플이 2026년부터 프리미엄·보급형을 나눠 아이폰을 연 2회 출시할 계획이에요. 마케팅 효율과 매출 분산, 조직 부담 완화를 위한 전략적 변화로 풀이돼요. 아이폰 18 시리즈를 시작으로 연 5~6개 모델 체계를 정례화할 전망이에요. 초슬림형 ‘아이폰 에어’ 후속은 2027년 봄 출시로 조정될 가능성이 커졌어요.

(국내) 토스 ‘페이스페이’, 출시 8개월 만에 가입자 100만명 돌파

토스의 얼굴 인식 결제 서비스 ‘페이스페이’가 누적 가입자 100만명을 넘어섰어요. 단말기를 바라보는 것만으로 결제가 완료되는 서비스로, 베타 출시 8개월 만의 성과예요. 서울 가맹점의 79%, 카페 업종은 95% 이상이 실제 결제에 활용됐고, 위변조 탐지·FDS·정밀 얼굴 인식 모델로 보안성도 강화됐어요. 토스는 “신뢰와 편의성을 바탕으로 얼굴 결제의 일상화를 확대하겠다”고 밝혔어요.

(국내) 카카오맵, 무제한 위치 공유에 ‘감시 도구’ 논란

카카오맵이 친구 간 위치 공유 기능을 무제한으로 확장하면서 논란이 불거졌어요. 가족 귀가 확인 등 긍정적 활용도 있지만, 연인·직장 간 감시 도구로 악용될 소지도 제기돼요. 사용자 동의 기반이지만 기능 개편 시점이 카카오톡 탭 개편과 겹쳐 반발이 커졌어요. 유사 기능을 제공 중인 구글·인스타와 달리 카카오는 국민 앱인 만큼 민감도가 더 높다는 분석도 나왔어요.

(국내) LG전자, ‘2025 우수디자인(GD)’ 대통령상 포함 28관왕…UX·UI 혁신 두각

LG전자가 ‘2025 우수디자인(GD) 상품선정’에서 대통령상 포함 28개 상을 수상했어요. 세계 최초 투명·무선 TV ‘LG 시그니처 올레드 T’가 최고상을 받았고, LG 씽큐 온·워시타워·스탠바이미2 등도 디자인 혁신성을 인정받았어요. 특히 투명 냉장고 UX, AI 심볼, 엑스붐 패키지 디자인 등 UI·UX 부문 수상은 LG 디자인이 기술과 감성, 사용자 경험의 균형을 완성했다는 평가를 받았어요.

디자이너의 시선을 넓혀주는 시간

작은 인사이트가 인생의 전환점이 될지도..👀

AI가 틀린 게 아니라,

우리가 틀림을 못 견디는 것뿐

완벽주의자들을 불편하게 만드는 기술, AI

©Medium

자꾸 실패하는 AI, 정말 문제일까?

요즘 AI에 대해 자주 듣는 말이 있어요.

“환각이 심해요.”

“95%가 성과로 이어지지 않아요.”

“아직 실무에 도입하기엔 이르죠.”

하지만 곰곰이 생각해 보면, 이건 AI의 문제라기보다, 우리가 AI를 너무 ‘기존 소프트웨어처럼’ 생각해서 생기는 일일지도 몰라요.

기존 소프트웨어는 정해진 입력 → 정해진 출력, 즉 “예측 가능한 정답”을 전제로 설계되죠.

하지만 AI는 애초에 확률 모델입니다.

AI는 “항상 똑같이 대답하지 않도록 설계된 기술”이에요.

그럼 이 질문부터 다시 해야 해요.

AI가 틀린 걸까, 아니면 우리가 ‘틀림’을 못 견디는 걸까?

©Dr Soumya Ranjan Mishra Linkedin

AI는 ‘확률로 생각하는 기술’이에요

AI가 만들어내는 답변은 언제나 “가장 그럴듯한 확률”의 결과예요.

문장을 만들 땐, 다음 단어가 나올 확률을 계산하고
이미지를 그릴 땐, 시각적 패턴을 확률로 예측하고
두뇌 신호를 분석할 땐, ‘지금 어떤 행동을 하려는지’의 가능성을 추정하죠

이렇게 AI는 ‘확률 분포’를 계산한 뒤, 그 안에서 하나를 ‘무작위로 샘플링’해서 결과를 내요.

그래서 같은 질문을 여러 번 던져도 매번 조금씩 다른 결과가 나오는 거예요.

이건 ‘불안정’이 아니라 오히려 “창의성과 적응력”을 가능하게 하는 기능적 구조예요.

©Lena Voita

AI는 왜 항상 100% 정확하지 않을까?

여기서 많은 실무자들이 좌절합니다.

“어? AI가 또 틀렸어.”

“저건 중요한 정보를 왜 놓쳤지?”

“실수 없는 툴이 필요해.”

하지만 실수가 없는 AI는 존재하지 않아요.

그리고 그건 못 만드는 게 아니라, 만들지 않는 거예요.

왜냐하면 AI에게 단 하나의 답만 요구하면, 모든 결과가 항상 “The boy went to the playground.”처럼 똑같은 문장, 똑같은 코드, 똑같은 이미지가 나올 테니까요.

이건 창의적인 툴로서의 AI가 아니라, ‘고급 검색기’일 뿐이죠.

그래서 지금의 AI는 확률적으로 다양한 후보를 제안하고, 거기서 방향을 찾는 것을 전제로 설계돼 있어요.

💬 D.Flick's Comment

“The boy went to the playground.”

이 문장은 AI 모델(특히 언어 모델, LLM)이 예측을 어떻게 하는지 설명할 때 자주 쓰이는 예시 문장이에요.

AI 언어 모델은 사람처럼 문장을 ‘이해’하는 게 아니라, “다음에 어떤 단어가 올 확률이 가장 높을까?”를 계산해서 문장을 만듭니다.

예를 들어 “The boy went to the…” 라는 문장이 주어졌을 때 모델은 다음에 올 단어로 “school”, “park”, “playground”, “store”, “bathroom”… 등 수많은 가능성을 생각하고, 그 중 확률이 제일 높은 단어를 골라 이어 붙입니다.

이때 가장 흔하게 등장하는 조합 중 하나가

👉 “The boy went to the playground.”

그래서 이 예시가 자주 쓰여요. 만약 AI가 매번 가장 확률이 높은 단어만 선택한다면 항상 똑같이 “The boy went to the playground.”라고만 말하게 되는 거죠.

©World Bank

불확실성을 다루는 기술: Zero-Knowledge Proofs

조금 더 깊이 들어가볼까요?

보안, 블록체인, 인증 기술에서 자주 등장하는 개념 중 Zero-Knowledge Proof (ZK-Proof)라는 게 있어요.

이건 쉽게 말해, “어떤 주장을 증명하는데, 그 내용을 굳이 보여주지 않아도 되는 방법”이에요.

예를 들어 누군가 “난 마법사야”라고 주장하면서 색맹인 사람 앞에서 두 개의 공을 숨겼다가 매번 맞히면, 결국 그 사람은 ‘아, 정말 뭔가 있는 건가…’ 하고 믿게 되죠.

여러 번 테스트했는데도 실수 없이 정확하면, 그건 진실일 가능성이 아주 높다고 받아들이는 방식이에요.

이 개념은 AI에도 적용돼요.

모든 출력을 100% 신뢰할 수는 없지만, 여러 번 테스트하고 반복해서 가장 ‘일관된 결과’를 고르는 방식이 바로 ChatGPT나 Gemini가 내부적으로 활용하는 방식 중 하나예요.

이걸 Best-of-N이라고 부르고, AI가 낸 결과 중 가장 많이 나온 것을 선택하거나, 가장 논리적으로 일치하는 것을 고르는 식으로 ‘확률적 신뢰’를 확보하는 거예요.

©Medium

문제는 AI가 아니라, ‘틀림을 못 견디는’ 인간 쪽이다

AI를 “왜 이렇게 자꾸 틀리지?”라고 평가하는 순간, 우리는 이미 프레임을 잘못 짜고 있는 거예요.

대부분의 기술 리더들이 AI를 도입하지 못하는 이유는 AI가 부족해서가 아니라, 스스로가 AI의 속성을 받아들일 준비가 안 됐기 때문이에요.

심지어 가장 오류를 용납하지 않아야 할 분야인 사이버보안조차 확률적 리스크를 기반으로 설계하고 있어요.

완벽해서 신뢰하는 게 아니라, 오류 가능성을 충분히 낮춰서 수용 가능한 리스크로 만든 거죠.

이게 바로 AI를 도입하는 기술적 자세예요.

©GPT-5 System Card

완벽을 기대하면, 아무 것도 쓸 수 없다

AI는 더 이상 기술의 문제가 아니에요.

우리가 어디까지 오류를 받아들이고, 어디서부터 확률을 신뢰할 수 있는지를 결정하는 문제예요.

완벽한 결과를 요구하는 순간, AI는 쓸 수 없는 도구가 되고, 반복과 탐색, 샘플링, 조합을 받아들이는 순간 AI는 강력한 보조자이자 실험 파트너가 됩니다.

즉, 이제 소프트웨어에 대한 직관을 새롭게 업데이트할 때예요.

아티클 전문 보기 👉

🍯 TMI: Tips Made Interesting 🍯

재밌고, 흥미롭게 · 디자이너의 TIP, 그리고 TMI

ChatGPT가 쓴 글,

다시 ChatGPT에게 검토시키는 법

디플릭 구독자라면 ChatGPT 자주 쓰시죠?

검색보다 빠르고, 요약도 잘하고, 말투도 자연스러워서 요즘은 아예 ‘기본 브라우저’ 처럼 쓰시는 분들도 많더라고요. 다만 딱 한가지, 우리 마음속에 남는 찝찝함은…

“이거, 진짜 맞는 말일까?”

맞습니다. ChatGPT는 헛소리도 그럴싸하게 잘합니다.

AI 업계에선 이런 걸 ‘환각(hallucination)’이라고 부르죠.

말투는 TED 토크인데, 알고 보면 출처도 없고, 근거도 애매한 경우가 꽤 많습니다.

🧪 프롬프트 하나면, 검증 끝

AI가 쓴 말이 맞는지 검토하고 싶다면? AI한테 자기 말을 직접 검토하게 하면 됩니다.

이때 쓸 수 있는 검증용 프롬프트(Sanity-Check Prompt)는 아주 간단해요.

Prompt (English ver.)
“Perform an in-depth sanity-check on the above output, avoiding sycophancy and ensuring everything can be independently verified.”

프롬프트 (한글 ver.)
“위 결과물 전반에 대해 심층적인 sanity check를 수행하되, 아부성/칭찬성 표현은 피하고, 모든 내용이 독립적으로 검증 가능하도록 점검해줘.”

이 프롬프트를 기존 답변에 붙여서 다시 물어보면, AI가 스스로 다음과 같은 피드백을 줘요.

“이 내용은 방향은 맞지만, 구체적인 출처는 없습니다.”
“해당 정보는 2021년 기준이며, 최신 정보와 다를 수 있습니다.”
“이 비유는 개념을 단순화한 것으로, 정확한 기술적 설명은 아닙니다.”

즉, 자기 말을 자기가 검열하는 셈이죠. 일종의 AI 버전 ‘셀프 피드백’ 기능이라고 보면 됩니다.

©ChatGPT

🛠️ 예시로 보면 더 쉬워요!

Q. 벡터 데이터베이스(Vector Database)가 뭔가요? AI에서 어떻게 쓰이나요?

📄 일반 답변:

벡터 데이터베이스는 고차원 벡터 데이터를 저장하고 검색하는 데 최적화된 데이터베이스입니다. AI에서는 이미지, 텍스트, 오디오 등의 특징 벡터를 저장해 유사한 데이터를 빠르게 찾는 데 활용됩니다. 예를 들어, 추천 시스템이나 챗봇의 유사 문장 검색 등에 사용됩니다.

📄 Sanity-check 프롬프트 적용 시:

이 설명은 전반적으로 정확하지만, FAISS, Pinecone, Weaviate 같은 실제 벡터 DB 기술 사례가 언급되지 않았습니다. 또한 ‘유사한 데이터를 찾는다’는 설명은 지나치게 단순화되어 있어, 코사인 유사도(cosine similarity) 같은 구체적인 유사도 측정 방법을 함께 설명하면 더 정확합니다. 최신 AI 모델에서는 벡터 기반 검색이 어떻게 통합되는지도 부가 설명이 필요합니다.

👉 즉, 큰 틀은 맞지만 빠진 맥락이나 더 구체적인 사례/기술 요소를 알려주기도 해요.

💡 디플릭 Tip!