AI 레벨업

업무를 하다 보면 읽어야 할 문서가 한꺼번에 몰릴 때가 있다. 수십 페이지짜리 보고서, 회의 전에 공유된 자료, 다른 부서가 전달한 검토 문서, 업계 기사나 조사자료처럼 내용은 중요하지만 처음부터 끝까지 꼼꼼하게 …

업무 이메일은 한 통만 보면 오래 걸리는 일이 아닐 수 있다. 하지만 하루 동안 일정 변경 안내, 자료 요청, 회의 후속 연락, 내부 협조 요청처럼 비슷한 이메일을 계속 작성하다 보면 생각보다 많은 시간이 들어간다…

회의 자체보다 회의가 끝난 뒤가 더 번거롭게 느껴질 때가 있다. 회의 중에는 중요한 내용을 놓치지 않으려고 빠르게 메모한다. 문제는 회의가 끝난 다음이다. 흩어진 메모를 다시 읽고, 실제로 결정된 내용과 단순한 의…

생성형 AI를 업무에 활용해보고 싶다는 생각은 들지만, 막상 회사에서 무엇부터 시작해야 할지 모르겠는 경우가 많다. ChatGPT 같은 도구를 열어놓고도 결국 궁금한 것을 검색하거나 문장을 조금 다듬는 정도로 끝나…

생성형 AI를 처음 접하면 배워야 할 것이 상당히 많아 보인다. 프롬프트를 잘 써야 한다는 이야기가 나오고, 조금 더 알아보면 토큰과 컨텍스트라는 용어가 등장한다. AI가 틀린 정보를 만들 수 있다는 ‘환각’ 문제…

생성형 AI를 사용하다 보면 유난히 믿음이 가는 답변이 있다. 문장이 매끄럽고, 설명 순서도 논리적이며, “~입니다”, “~때문입니다”처럼 단정적인 표현을 사용한다. 여기에 숫자나 기관 이름까지 포함되어 있으면 더…

생성형 AI를 자주 사용하다 보면 프롬프트가 점점 길어지는 경우가 있다. 처음에는 단순히, “이 자료를 요약해줘.” 라고 시작했지만 원하는 결과를 얻기 위해 독자, 목적, 문체, 분량, 출력 형식, 주의사항을 하나…

생성형 AI에게 정보를 물어볼 때 한 가지 조건을 자주 덧붙이게 된다. “출처도 같이 알려줘.” 특히 숫자, 제품 기능, 정책, 연구 결과처럼 정확성이 중요한 내용을 찾을 때는 출처가 있으면 답변을 더 믿을 수 있…

생성형 AI를 처음 사용하면 꽤 놀라운 경험을 하게 된다. 역사, 과학, 문서 작성, 프로그래밍처럼 서로 다른 분야를 질문해도 자연스럽게 답한다. 웬만한 개념을 설명하고 긴 글을 요약하는 모습을 보면 인터넷에 있는…

생성형 AI를 처음 접했을 때 가장 익숙한 형태는 채팅창이었다. 사용자가 글로 질문을 입력하면 AI가 글로 답한다. 그래서 한동안 생성형 AI는 ‘똑똑한 텍스트 챗봇’처럼 느껴지기도 했다. 하지만 최근의 AI 활용…

생성형 AI와 짧게 대화할 때는 크게 의식하지 않지만, 대화가 길어지면 한 가지 궁금증이 생긴다. “AI는 내가 처음에 말했던 내용까지 전부 기억하고 있을까?” 처음에는 “초보자도 이해할 수 있게 설명해줘”라고 요…

생성형 AI를 사용하다 보면 처음에는 서비스 이름만 기억하게 된다. “ChatGPT를 쓴다.” “Claude를 사용한다.” “회사에서 특정 AI 서비스를 도입했다.” 그런데 조금 더 사용하다 보면 같은 서비스 안에…

생성형 AI를 조금 깊게 사용하다 보면 자주 등장하는 단어가 하나 있다. 바로 토큰(Token) 이다. AI 서비스의 설명을 보다 보면 “입력 가능한 토큰 수”, “컨텍스트 윈도우”, “토큰 사용량” 같은 표현을 …