생성형 AI가 검색이나 자료조사 기능과 결합되면서 정보를 찾는 과정은 예전보다 편해졌다.
궁금한 내용을 문장으로 입력하면 관련 내용을 정리해주고, 여러 정보를 비교하거나 긴 자료를 요약하는 데도 활용할 수 있다.
그래서 자료조사를 시작할 때 곧바로,
“이 주제 조사해줘.”
라고 입력하기 쉽다.
하지만 실제 업무에서는 이 한 문장이 생각보다 넓다.
무엇을 조사해야 하는지, 어느 기간의 자료가 필요한지, 공식 자료만 봐야 하는지, 시장의 반응까지 필요한지 알 수 없기 때문이다.
예를 들어,
“생성형 AI 업무 활용 사례를 조사해줘.”
라는 요청을 생각해보자.
AI는 수많은 방향으로 답할 수 있다.
기업 사례를 찾을 수도 있고, 직장인의 개인 활용법을 정리할 수도 있다. 문서 업무 사례를 중심으로 볼 수도 있고, 개발이나 고객지원 사례를 포함할 수도 있다.
자료조사에서는 검색 능력보다 먼저 질문을 좁히는 능력이 중요하다.
‘주제’와 ‘조사 질문’은 다르다
먼저 조사하고 싶은 주제와 실제 조사 질문을 구분하면 좋다.
예를 들어,
“AI 회의록”
은 주제다.
하지만 이것만으로는 무엇을 알아야 하는지 정해지지 않는다.
조사 질문으로 바꾸면 훨씬 구체적이 된다.
“생성형 AI를 회의록 정리에 사용할 때 사람이 반드시 확인해야 하는 정보는 무엇인가?”
또는,
“AI 회의록 활용에서 개인정보와 보안 측면에서 확인해야 할 항목은 무엇인가?”
처럼 바꿀 수 있다.
하나의 주제에서도 질문은 여러 개 만들어질 수 있다.
예를 들어 ‘AI 문서 요약’이라는 주제라면 다음과 같은 질문이 가능하다.
AI로 긴 문서를 요약할 때 어떤 정보가 빠지기 쉬운가?
긴 보고서를 한 번에 넣는 방식과 구간별로 나누는 방식은 어떻게 다른가?
AI 요약 결과에서 숫자와 날짜는 어떻게 검토해야 하는가?
이렇게 질문이 구체적이면 필요한 자료도 자연스럽게 달라진다.
즉, 리서치를 시작할 때는 “무엇에 대해 조사할까?”보다 “조사가 끝났을 때 어떤 질문에 답할 수 있어야 하는가?”를 먼저 생각하는 편이 좋다.
좋은 조사 질문은 결과물이 보인다
업무용 리서치에서는 조사 그 자체가 목적이 아닌 경우가 많다.
조사 결과를 보고서에 넣거나, 회의에서 설명하거나, 블로그 글을 작성하거나, 제품을 비교하기 위해 자료를 찾는다.
그래서 조사 질문을 만들 때 최종 결과물을 함께 생각하면 범위를 정하기 쉽다.
예를 들어,
“AI 이미지 기능을 조사한다.”
보다,
“AI 이미지 입력 기능을 처음 사용하는 직장인을 위한 가이드에서 설명해야 할 핵심 개념과 주의사항을 조사한다.”
라고 정하면 훨씬 구체적이다.
필요한 자료도 보인다.
멀티모달 개념.
이미지 입력의 일반적인 활용 사례.
정확성 한계.
개인정보 주의사항.
서비스별 세부 기능은 현재 공식 자료를 확인해야 한다는 점.
조사의 끝에서 어떤 글이나 문서를 만들 것인지 알면 불필요한 정보까지 끝없이 모으는 일을 줄일 수 있다.
질문을 ‘사실·비교·방법·의미’로 나눠본다
조사 질문을 만들기 어렵다면 네 가지 유형으로 나눠보는 방법이 있다.
첫 번째는 사실 확인 질문이다.
“이 기능이 실제로 제공되는가?”
“언제 발표됐는가?”
“공식적으로 어떤 제한이 있는가?”
이런 질문은 공식 문서나 1차 자료가 중요하다.
두 번째는 비교 질문이다.
“두 방식은 무엇이 다른가?”
“서비스 A와 B의 지원 범위는 어떻게 다른가?”
이런 질문은 같은 기준으로 여러 자료를 비교해야 한다.
세 번째는 방법 질문이다.
“어떻게 사용하면 되는가?”
“어떤 순서로 진행하는 것이 좋은가?”
공식 사용법과 실제 적용 사례를 함께 참고할 수 있다.
네 번째는 의미 또는 해석 질문이다.
“이 변화가 사용자에게 어떤 의미가 있는가?”
“왜 이런 기능이 중요해졌는가?”
이런 질문은 공식 자료뿐 아니라 기사나 분석 자료도 도움이 될 수 있다.
질문의 유형을 알면 어떤 출처를 먼저 찾아야 할지도 결정하기 쉬워진다.
하나의 큰 질문은 작은 질문으로 나눈다
업무 중에는 조사해야 할 주제가 너무 넓을 때가 있다.
예를 들어,
“생성형 AI를 사내 업무에 도입하는 방법을 조사해줘.”
라는 질문은 상당히 크다.
AI에게 한 번에 맡기면 보기 좋은 정리본은 나올 수 있지만 실제로 어떤 근거가 필요한지 확인하기 어렵다.
이를 작은 질문으로 나눌 수 있다.
“생성형 AI를 사내에서 활용할 수 있는 반복 업무는 무엇인가?”
“업무 자료를 입력할 때 확인해야 할 개인정보와 보안 문제는 무엇인가?”
“직원이 AI 결과를 검토할 때 필요한 기본 기준은 무엇인가?”
“AI 활용 가이드에는 어떤 항목을 포함하면 좋은가?”
“시범 도입을 한다면 어떤 종류의 저위험 업무부터 시작할 수 있는가?”
이렇게 나누면 질문마다 필요한 자료를 따로 찾을 수 있다.
나중에는 각 답을 다시 합쳐 하나의 보고서나 기획안으로 만들면 된다.
앞선 자동화 시리즈에서 복잡한 업무를 여러 단계로 나눴던 것처럼 리서치도 큰 질문을 작은 검증 단위로 나누는 편이 관리하기 쉽다.
조사 범위에는 시간 기준도 넣는다
리서치에서 자주 빠지는 조건이 ‘언제의 정보인가’다.
특히 AI나 소프트웨어처럼 변화가 빠른 분야에서는 중요하다.
예를 들어,
“이 AI 서비스의 파일 업로드 기능을 조사해줘.”
라고 하면 오래된 자료와 최근 자료가 섞일 수 있다.
가격이나 기능, 지원 모델, 이용 제한은 시간이 지나면서 바뀔 수 있다.
따라서 현재 정보가 필요하다면 조사 질문에도 시점을 넣는 편이 좋다.
예를 들어,
“현재 사용 가능한 공식 기능 기준으로 확인한다.”
또는,
“2026년 8월 현재 공개된 공식 자료를 기준으로 정리한다.”
처럼 기준을 정할 수 있다.
반대로 AI 환각의 개념처럼 오래 유지되는 기초 내용을 조사한다면 특정 날짜보다 원리 설명이 더 중요할 수 있다.
즉, 모든 조사에 날짜가 필요한 것은 아니다.
변경 가능성이 높은 정보인지 먼저 판단하는 것이 중요하다.
어떤 출처까지 사용할지도 미리 정한다
같은 질문도 필요한 신뢰 수준에 따라 자료 범위가 달라진다.
예를 들어 어떤 서비스의 현재 요금을 조사한다면 공식 가격 페이지가 우선이다.
실제 사용자가 어떤 점을 불편해하는지 조사한다면 개인 블로그나 커뮤니티도 참고할 수 있다.
새로운 기술의 업계 반응을 조사한다면 공식 발표와 함께 신뢰할 만한 기사나 분석 글을 볼 수 있다.
그래서 리서치를 시작하기 전에 출처 기준을 정해두면 좋다.
예를 들어 다음처럼 생각할 수 있다.
공식 사실 확인: 운영사의 공식 문서
발표 내용: 공식 보도자료나 발표문
시장·업계 맥락: 신뢰할 만한 뉴스 기사
실제 사용 경험: 블로그, 후기, 커뮤니티
연구 내용: 원문 논문이나 연구기관 자료
이 기준을 AI에게 알려주면 자료의 역할을 구분하기도 쉬워진다.
검색어를 바로 만들기보다 ‘찾아야 할 정보 목록’을 만든다
조사 질문이 정해졌다면 바로 검색어를 만드는 것도 가능하다.
하지만 한 단계 더 거치면 좋다.
이 질문에 답하려면 어떤 정보가 필요한지 목록으로 만드는 것이다.
예를 들어,
“AI로 긴 문서를 요약할 때 정확성을 높이는 방법”
을 조사한다고 해보자.
필요한 정보는 다음처럼 나눌 수 있다.
긴 문서를 처리할 때 생길 수 있는 문제
컨텍스트와 입력 길이에 대한 기본 개념
구간별 요약 방법
숫자와 고유명사 검토 방법
원문과 요약을 비교하는 방법
최신 모델별 제한이 있다면 공식 자료에서 확인할 항목
이 목록을 만든 뒤 검색하면 자료를 읽을 때도 기준이 생긴다.
어떤 기사에 흥미로운 이야기가 많더라도 내 조사 질문과 관계가 없다면 제외할 수 있다.
리서치가 길어지는 가장 큰 이유 중 하나는 필요한 자료와 흥미로운 자료를 구분하지 못하는 것이다.
AI에게 ‘조사 설계’를 먼저 맡길 수 있다
생성형 AI는 답변을 만드는 데만 사용할 필요가 없다.
검색하기 전에 조사 계획을 만드는 데도 활용할 수 있다.
예를 들어 다음과 같이 요청할 수 있다.
“‘생성형 AI를 업무 문서 요약에 활용하는 방법’이라는 주제로 정보형 글을 작성하려고 한다. 아직 내용을 작성하지 말고 조사에 필요한 질문만 만들어줘.
조건:
초보자 대상
특정 제품 홍보가 아닌 일반적인 활용법
정확성, 개인정보, 검토 방법 포함
최신 기능처럼 변동 가능성이 큰 부분은 별도 확인 대상으로 표시”
그러면 AI가 조사해야 할 세부 질문을 제안할 수 있다.
이 결과를 그대로 사용하기보다 불필요한 질문을 제거하고 필요한 항목을 추가하면 된다.
AI를 리서치의 답변자로만 사용하는 것이 아니라 조사 구조를 함께 만드는 보조 도구로 활용하는 방식이다.
질문 속 잘못된 전제를 먼저 확인한다
자료조사에서 위험한 상황 중 하나는 질문 자체가 잘못된 전제를 포함하는 경우다.
예를 들어,
“AI 검색이 기존 검색엔진보다 항상 정확한 이유를 조사해줘.”
라고 질문했다고 해보자.
이 문장에는 이미 ‘AI 검색이 항상 더 정확하다’는 전제가 들어 있다.
AI가 이 전제를 그대로 받아들이면 이유를 그럴듯하게 만들어낼 수 있다.
그래서 조사 질문을 만들 때 다음과 같이 바꾸는 것이 좋다.
“AI 기반 검색과 일반 검색의 장단점을 비교하고, 어느 한쪽이 항상 더 정확하다고 볼 수 있는지 확인해줘.”
또는,
“다음 질문에 잘못된 전제가 있는지 먼저 검토한 뒤 조사 항목을 만들어줘.”
라고 요청할 수 있다.
좋은 리서치는 답을 빨리 찾는 것뿐 아니라 처음 질문이 올바르게 만들어졌는지 확인하는 과정도 포함한다.
조사 범위에서 제외할 항목도 정한다
조사를 하다 보면 관련 정보가 계속 확장된다.
AI 업무 활용을 조사하다가 AI 역사, 기업 시장점유율, 모델 성능 비교, 반도체 산업 이야기까지 이어질 수 있다.
관련은 있지만 현재 결과물에는 필요하지 않을 수 있다.
그래서 조사 시작 전에 제외 범위를 정하는 것도 유용하다.
예를 들어,
“이번 조사에서는 특정 회사의 매출과 시장점유율은 다루지 않는다.”
“모델별 벤치마크 성능 비교는 제외한다.”
“법률적 판단이 필요한 내용은 다루지 않는다.”
처럼 범위를 좁힐 수 있다.
특히 블로그 글 하나를 작성하기 위한 조사라면 모든 것을 담으려고 하는 것보다 한 가지 질문을 충분히 설명하는 것이 읽는 사람에게도 좋다.
리서치 메모에는 ‘확인됨’과 ‘확인 필요’를 구분한다
자료를 찾기 시작하면 메모가 쌓인다.
이때 모든 내용을 동일한 사실처럼 적어두면 나중에 글을 쓸 때 출처를 다시 찾기 어렵다.
그래서 간단한 상태 표시를 사용할 수 있다.
예를 들어,
[공식 확인] 공식 문서에서 직접 확인
[보조 자료] 기사나 해설에서 확인
[사용 경험] 사용자 후기에서 반복적으로 언급
[확인 필요] 출처를 아직 검증하지 못함
처럼 표시한다.
AI에게 자료를 정리하게 할 때도,
“각 정보 옆에 ‘공식 확인 / 보조 자료 / 확인 필요’를 표시해줘.”
라고 요청할 수 있다.
이렇게 해두면 나중에 글을 작성할 때 어떤 부분을 사실로 단정해도 되는지 판단하기 쉬워진다.
자료를 찾기 전에 ‘완료 기준’을 정하면 끝없는 검색을 줄일 수 있다
리서치는 어느 순간 멈춰야 한다.
그렇지 않으면 비슷한 자료를 계속 찾게 된다.
그래서 시작할 때 조사 완료 기준을 정할 수 있다.
예를 들어,
“다음 항목이 모두 확인되면 자료조사를 종료한다.
개념 정의
주요 활용 방법 3가지 이상
대표적인 주의사항
공식 자료로 확인할 내용
실제 적용 예시
추가 확인이 필요한 부분”
이렇게 정하면 새로운 자료를 발견할 때마다,
“이 정보가 아직 비어 있는 항목을 채워주는가?”
를 판단할 수 있다.
이미 충분히 확인된 내용을 반복하는 자료라면 더 이상 모으지 않아도 된다.
업무용 리서치에서는 많은 링크를 모으는 것보다 필요한 질문에 답할 만큼 충분한 근거를 확보하는 것이 중요하다.
실전용 리서치 시작 프롬프트
자료조사를 시작할 때는 다음과 같은 템플릿을 사용할 수 있다.
“다음 주제로 업무용 자료조사를 준비하고 있다.
[주제]
{{조사할 주제}}
[최종 결과물]
{{보고서 / 블로그 글 / 회의자료 / 비교표}}
[독자]
{{결과물을 읽을 사람}}
아직 최종 답변을 작성하지 말고 다음 항목만 정리해줘.
이 주제를 조사하기 위한 핵심 질문
질문별로 필요한 정보
우선 확인해야 할 출처 유형
최신 정보 확인이 필요한 항목
잘못된 전제가 포함될 가능성이 있는 질문
조사 범위에서 제외해도 되는 내용
조사 완료 여부를 판단할 기준
과장된 결론을 미리 만들지 말고, 무엇을 확인해야 하는지 중심으로 작성해줘.”
이런 프롬프트를 사용하면 AI에게 바로 정답을 생성하게 하기보다 리서치의 방향부터 잡을 수 있다.
마무리
AI로 자료조사를 시작할 때 가장 먼저 해야 하는 일은 검색창을 여는 것이 아니다.
무엇을 알아야 하는지 질문을 정하는 것이다.
넓은 주제는 실제로 답할 수 있는 작은 질문으로 나눈다.
조사가 끝난 뒤 만들 결과물을 생각한다.
최신 정보가 필요한지 확인한다.
어떤 종류의 출처를 우선할지 정한다.
찾아야 할 정보 목록을 만든다.
그리고 어느 정도 확인되면 조사를 끝낼지도 미리 정한다.
이 과정이 조금 번거로워 보여도 실제로는 자료를 무작정 많이 찾는 시간을 줄여준다.
특히 생성형 AI는 질문이 넓어도 그럴듯한 답을 만들어낼 수 있기 때문에 검색 전에 조사 범위를 정하는 과정이 오히려 더 중요해졌다.
좋은 리서치의 출발점은 많은 정보를 가진 상태가 아니다.
어떤 질문에 답해야 하는지 명확하게 알고 있는 상태다.
다음 글에서는 이렇게 만든 조사 질문을 실제 검색으로 연결해, AI에게 검색어와 검색 질문을 만들게 하고 공식 자료를 먼저 찾는 방법을 살펴본다.
FAQ
Q1. 자료조사를 할 때 AI에게 바로 “조사해줘”라고 하면 안 되나요?
간단한 개요를 얻는 용도라면 가능하다. 하지만 업무 보고서나 정보형 글처럼 결과를 실제로 사용해야 한다면 먼저 조사 질문과 범위를 정하는 편이 좋다. 그래야 필요하지 않은 정보가 많이 섞이거나 중요한 항목이 빠지는 일을 줄일 수 있다.
Q2. 조사 질문은 몇 개 정도 만드는 것이 좋나요?
정해진 개수는 없다. 다만 한 글이나 짧은 보고서라면 핵심 질문 몇 개로 좁히는 편이 관리하기 쉽다. 질문이 지나치게 많다면 하나의 결과물에서 다루기에는 주제가 너무 넓은지 확인해볼 수 있다.
Q3. AI가 만들어준 조사 질문을 그대로 사용해도 되나요?
초안으로 활용하는 것이 좋다. AI가 제안한 질문 가운데 실제 목적과 관계없는 내용은 제외하고, 중요한데 빠진 항목은 사람이 추가해야 한다. 특히 질문 자체에 잘못된 전제가 없는지도 한 번 확인하는 것이 좋다.
0 댓글