์ฌ์ ๋ฆฌ๋
์ฌ์ดํด ๊นจ๊ธฐ: ์กฐ์ง์ด Doomprompting์ ํผํ๊ณ ์ฑ๊ณต์ ๋ฌ์ฑํ๋ ๋ฐฉ๋ฒ
1950년대 이론적 개념 이후 인공 지능(AI)은 다양한 기술, 특히 기계 학습 시스템을 통해 비즈니스에서 향상된 기회와 생산성을 경험할 수 있도록 길을 열었습니다. 이러한 도구/기술은 예측과 의사 결정의 개선에 기여했으며, 향후 기술 발전에 기초를 마련했습니다. 최근에, 생성형 AI는 모든 것을 바꿀 것이라고 약속했으며, AI 경험을 민주화했습니다. 사용자는 이제 ChatGPT와 같은 AI 모델과 상호 작용합니다. “프롬프트”를 통해 사용자가 AI 모델과 상호 작용합니다. 그러나 이러한 이점은 새로운 도전을 가져옵니다. Doomprompting입니다. 이것은 온라인 콘텐츠에서 목표를 정의하지 않고 “도움스크롤”하는 것과 동일하며, 사용자를 래빗 홀에 빠지게 합니다. 그러나 AI의 경우, 래빗 홀은 사용자와 대화합니다. 이 연속적인 AI 프롬프트 정제는 생성형 및 에이전트 모델 모두에서 완벽한 출력을 얻으려는雄心에 의해 추진되며(때로는 특정 목표 없이 프롬프트를 사용함으로써), 비용이 증가하고 돌아오는 것이 줄어듭니다. 이것은 성공으로 가는 주요 장애물이며, AI 기술 자체를 사용하는 목적을 무효화합니다.
비즈니스에서 AI 관련 예산을 늘리면서, 의사 결정자는 투자에서 실제로 돌아오는 것을 이해하고, 생성하는 가치를 알아야 합니다. 2025년 IEEE 보고서인 ‘AI의 숨겨진 비용: 작은 비효율성은 어떻게 큰 경제적 부담으로积累되는가는, 소규모 조정이 어떻게 큰 경제적 부담으로积累되는지 보여줍니다. 이러한 비용적인 투쟁에서 벗어나기 위해, 조직은 직원들을 LLMs를 사용하여 AI 투자의 전체 잠재력을 달성하도록 훈련해야 합니다.
생성형 AI는 최적화와 효율성의 약속을 가져옵니다. 그러나 팀이 끝없는 정제(또는 레이더 없는 방황)의 사이클에 갇히면, 비효율성이 이 기초를 무너뜨립니다.
작업 슬롭 정리
팀이 완벽한 응답을 생성하기 위해 연속적으로 출력을 정제하는 이유 중 하나는 작업 슬롭입니다. 하바드 비즈니스 리뷰에서 처음 설명된 작업 슬롭은 ‘의미 있는 작업을 발전시키지 못하는 AI 생성 작업 콘텐츠를 의미합니다.’
이 AI 생성 ‘슬롭’은 도움프롬프팅 사이클의 첫 번째 도미노입니다. 하위 콘텐츠를 반복 또는 편집을 통해 수정하는 것이 중요하지만, 감소하는 돌아오는 것을 이해하기 전에 멈추는 것을 알아야 합니다. 조직은 AI 훈련에 대한 시간 투자를 균형 있게 접근해야 합니다. 한쪽에서는 팀이 필요한 품질을 인식해야 합니다. 다른 한쪽에서는 너무 많은 것을 알 수 있어야 합니다. AI 모델을 사용하여 최적의 프롬프트와 명확한 목표를 사용하는 직원 훈련도 유용할 것입니다.
도움프롬프팅을 피하는 에이전트 AI 활용
최근 몇 년 동안, 비즈니스에서는 운영 효율성을 개선하는 능력으로 인해 에이전트 AI에 대한 관심과 투자가 크게 증가했습니다. 에이전트 AI는 복잡한 작업을 취급할 수 있으며, 여러 에이전트(包括 RAG 및 액션 에이전트)와 함께 작동하여 작업을 완료하기 위한 행동 방향을 결정하고, 작업을 완료하기 위해 자율적으로 실행할 수 있습니다.
이러한 특성은 AI가 도움프롬프팅을 완화하거나 완전히 피할 수 있도록 도와줄 수 있습니다. 이것은 작업을 완료하기 위해 GenAI 인터페이스를 여러 프롬프트로 안내할 필요를 제거할 수 있습니다. 예를 들어, AI 기반 IT 운영, 또는 AIOps는 AI를 일일 작업에 통합하여 IT를 현대화하고 있습니다. 전통적으로 팀은 시스템을 수동으로 조정하는 데 시간을 보냅니다. 21세기 부서는 AI를 사용하여 중요 기능을 자율적으로 처리하는 부서입니다. 예를 들어, 문제 해결, 사고 대응 및 자원 할당과 같은 작업입니다.
또 다른 적절한 예는 에이전트 AI 시스템이 복잡한 사고를 자율적으로 처리하는 방법입니다. 이러한 에이전트는 ITOps와 함께 작업하여 문제를 상황에 맞게 이해하고, 행동 방향을 결정하기 위해 추론 에이전트와 협력하고, IT 시스템에서 마지막 마일 수정을 위해 액션 에이전트를 사용하고, 마침내 학습 에이전트를 사용하여 해결을 더 잘 이해하고 향후 사고에서 더 효과적으로 적용합니다.
에이전트 AI의 지능형 자동화는 인간의 상호 작용을 줄이고 작업을 자율적으로 처리합니다. 비즈니스 요구 사항이 발전함에 따라 반복적인 작업과 운영은 자율적인 AI에 넘겨야 합니다. 이것은 도움프롬프팅을 연료로 하는 반복적인 프롬프트와 정제의 사이클을 제거합니다. 자율적인 운영은 AI 모델이 수동 입력 없이 변경하는 변수에 반응하고 최적화할 수 있도록 허용하여 더 빠른 결과를 얻을 수 있습니다.
훈련된 전문가들은 여전히 일일 작업에서 중요한 역할을 할 것입니다. 그러나 그들의 시간은 결과 검증을 위해 더 잘 활용될 것입니다. 이 접근 방식은 오류 또는 과도한 조정을 도입할 위험을 최소화합니다.
도움프롬프팅을 방지하는 거버넌스 역할
최근 McKinsey 설문조사에 따르면, 88%의 응답자가 비즈니스 기능 중至少 하나에서 AI를 사용하고 있다고 보고했습니다. 이것은 2024년보다 10% 증가한 것이며, 2023년보다 33% 증가한 것입니다. 에이전트 AI의 경우, 증가폭은 더 컸습니다. 2023年的 33%에서 2025年的 거의 80%로 증가했습니다.
이 광범위한 채택은 비즈니스에서 도움프롬프팅을 피하는 새로운 솔루션을 찾도록驱动하고 있습니다. 이러한 도구 중 하나는 강력한 거버넌스 프레임워크입니다. 이러한 프레임워크는 AI 프로젝트가 비즈니스 목표와 일치하고, 끝없는 최적화의 와중에서 갇히지 않도록 주의 깊게 설계되어야 합니다. 팀이 이러한 프레임워크를 개발할 때, 다음을 고려해야 합니다:
- 지침 설정: AI 모델에서 오고 가는 데이터 스트림은 점점 더 복잡해지고 있습니다. 이를 단순화하기 위해, AI 지침은 팀이 데이터를 처리하고, 의사 결정을 내리고, AI 출력을 책임 있게 관리하기 위한 프레임워크를 제공해야 합니다.
- 사용자 훈련: 프롬프트 사용에 대한 적절한 훈련은 최적의 생산성을 위한 것입니다
- 전문 모델 사용: 산업 및 목적 특정 AI 모델은 더 빠르게 의미 있는 출력을 제공할 가능성이 있습니다
- AI 모델 훈련: AI 모델을 산업/작업/조직 특정 데이터(가능한 경우)로 훈련하면 작업 슬롭이 줄어들고, 더 적합한 출력이 더 빠르게 생성될 수 있습니다.
- 규칙 개발:明確한 규칙 집합을草案화하고 구현하는 것은 AI 개발 및 배치에 대한 지침을 제공하는 데 필수적입니다. 팀이 운영 경계를 설정하면, 채택된 시스템이 조직 목표, 윤리 표준 및 규제 요구 사항과 일치한다는 것을 보장할 수 있습니다.
AI 솔루션의 채택률이 증가하고 있지만, 거버넌스는 그렇지 않습니다. 2025년 PEX Industry Report에 따르면, 반 Zahl의 AI 거버넌스 정책이 없습니다. 한편, 25%는 구현 중이며, 거의 3분의 1은 AI 거버넌스 정책이 없습니다. 이러한 프레임워크는 비즈니스에서 적합한 성능이 무엇인지에 대한明確한 경계를 설정하는 데 도움이 될 수 있습니다.
도움프롬프팅 루프 탈출
도움프롬프팅의 사이클에 빠지지 않으려면, 비즈니스에서는 완벽함보다 결과를 우선하는 AI 전략을 채택해야 합니다. 프롬프트 훈련, 목적 특정 AI 모델 및 컨텍스트 기업 데이터로 훈련된 모델의 사용은 광범위한 재 프롬프팅의 필요성을 줄일 수 있습니다. 에이전트 AI, 자율적인 IT 운영 및 강력한 거버넌스 프레임워크를 활용하는 비즈니스에서는 비즈니스 목표를 달성하기 위해 중요한 자원을 재할당할 수 있습니다. 성공은 팀이 연속적인 정제에서 집중된 실행 및 측정 가능한 결과로 마음을 전환할 때 찾아옵니다.
