솔직히 말씀드리면, 저는 AI를 꽤 오래 "빠른 검색 엔진"처럼 써왔습니다. 질문 하나 던지고 답 받고, 또 던지고. 그렇게 쓰다 보니 속도는 별로 안 빨라졌고, 오히려 AI 답변을 검증하는 시간이 늘어나는 이상한 경험을 했습니다. 진짜 변화는 쓰는 방식을 바꾸고 나서였습니다.
AI를 검색처럼 쓰면 안 되는 이유
일반적으로 AI가 리서치를 빠르게 해준다고 알려져 있는데, 제 경험상 그건 반만 맞는 말입니다. 검색 속도 자체는 크게 달라지지 않았습니다. 오히려 차이가 난 건 그 이후 단계였습니다.
리서치는 보통 이런 흐름으로 진행됩니다.
- 자료 찾기
- 내용 읽기
- 비교 및 분류
- 핵심 정리
- 의사결정
AI가 진짜 강한 구간은 3번부터입니다. 비교, 요약, 분류, 관점 정리에서 체감 속도 차이가 압도적입니다. 반대로 1번과 2번, 특히 최신 정보 확인이나 원문 출처 검증은 사람이 직접 해야 합니다.
정보 구조화(Information Architecture)라는 개념이 있습니다. 여기서 정보 구조화란, 흩어진 데이터를 목적에 맞게 분류하고 계층화하여 의사결정에 바로 쓸 수 있는 형태로 만드는 과정을 의미합니다. AI는 바로 이 단계에서 가장 강력한 도구가 됩니다. 저도 이걸 깨닫고 나서야 업무 흐름이 실질적으로 바뀌기 시작했습니다.
조사 목표를 먼저 정의해야 달라지는 것
제가 직접 써보면서 가장 먼저 바꾼 습관은 "질문 방식"이었습니다. 처음에는 "AI 시장 조사해줘" 식으로 던졌는데, 돌아오는 건 너무 넓고 밋밋한 정보들이었습니다. 그 정보를 다시 정리하는 데 시간이 더 걸렸습니다.
프롬프트 엔지니어링(Prompt Engineering)이라는 용어가 있습니다. 프롬프트 엔지니어링이란 AI에게 원하는 결과를 끌어내기 위해 질문과 지시문을 설계하는 기술을 말합니다. OpenAI에서도 명확한 목표 설정과 구조화된 지시가 결과 품질에 직접적인 영향을 준다고 공식 가이드에서 밝히고 있습니다(출처: OpenAI).
예를 들어 새로운 기술을 조사할 때, 저는 이제 이렇게 씁니다.
- 조사 주제와 범위를 먼저 명시
- 원하는 출력 구조를 항목으로 나열 (주요 현황, 장단점, 리스크, 전망 등)
- 중요 수치와 근거 중심으로 작성 요청
이렇게 하면 AI가 만들어주는 초안의 완성도가 눈에 띄게 달라집니다. 솔직히 이건 예상 밖이었습니다. 질문 하나 다듬는 것만으로 결과물의 밀도가 이렇게 달라질 줄은 몰랐거든요.
판단 구조를 자동화하는 비교 리서치 방법
McKinsey의 보고서에 따르면 생성형 AI는 지식 집약 업무에서 생산성을 최대 40%까지 향상시킬 수 있다고 분석하고 있습니다(출처: McKinsey & Company). 제 경험상 이 수치가 실감 나는 영역은 바로 비교 분석 작업이었습니다.
예전에는 경쟁사 서비스를 분석할 때 자료 10개를 직접 읽고 비교표를 수작업으로 만들었습니다. 지금은 자료를 모은 뒤 AI에게 가격, 장점, 단점, 도입 난이도 기준으로 재구성하게 합니다. 걸리는 시간이 완전히 다릅니다.
여기서 핵심은 비교 기준(Criteria)을 사람이 먼저 정의하는 것입니다. 비교 기준이란 여러 선택지를 동일한 잣대로 평가하기 위한 평가 항목들을 말합니다. AI는 기준이 없으면 두루뭉술하게 정리하고, 기준이 있으면 그 틀 안에서 밀도 있게 채워줍니다.
또 하나 제가 챙기는 건 반대 관점입니다. 장점만 정리해달라고 하면 긍정적인 내용만 나옵니다. "반대 의견과 리스크도 같이 정리해줘"라고 명시하면 훨씬 균형 잡힌 초안이 나옵니다. 이건 의사결정 품질을 높이는 데 생각보다 큰 차이를 만들어줍니다.
최종 검증은 반드시 사람이 해야 하는 이유
AI 리서치를 많이 써보면서 제 경험상 이건 좀 다릅니다, 라고 말하고 싶은 부분이 있습니다. AI가 만든 결과물을 그대로 쓰는 경우입니다.
AI는 할루시네이션(Hallucination) 문제가 있습니다. 할루시네이션이란 AI가 존재하지 않는 정보나 수치를 그럴듯하게 만들어내는 현상을 말합니다. 특히 구체적인 통계나 최신 시장 데이터에서 이런 오류가 종종 발생합니다. 저도 실제로 AI가 정리해준 수치를 검색으로 확인해보니 출처를 찾을 수 없었던 경험이 있었습니다.
그래서 저는 AI 리서치 결과를 항상 "초안"으로 취급합니다. 최종 검증 단계에서는 반드시 이 세 가지를 직접 확인합니다.
- 최신 데이터 여부 확인 (발행일 기준)
- 원문 출처 실제 존재 여부 확인
- 핵심 수치 재검색을 통한 교차 검증
이 과정을 건너뛰면 빠르게 만든 초안이 오히려 발목을 잡을 수 있습니다. AI가 리서치를 빠르게 만들어주는 건 맞지만, 정확성의 최종 책임은 사람에게 있습니다.
결국 AI 리서치의 진짜 가치는 "검색을 대신해주는 것"이 아니라 "흩어진 정보를 판단 가능한 구조로 빠르게 바꿔주는 것"에 있습니다. 조사 목표를 먼저 정의하고, 비교 기준을 직접 만들고, AI 결과는 초안으로 보고 검증하는 흐름을 익히면 체감 속도는 분명히 달라집니다. 처음에는 조금 번거롭게 느껴질 수 있지만, 이 습관이 자리 잡히면 리서치 방식 자체가 달라집니다.