AI 질문은 Angle·Cut·Number로 달라진다

AI에게 질문을 던졌는데 답이 길기만 하고 손에 잡히지 않을 때가 있다. 문장은 자연스럽고 항목도 많다. 그런데 막상 업무에 붙이려 하면 어디부터 해야 할지 모르겠다. 이럴 때 모델을 탓하기 전에 질문 구조를 봐야 한다.

좋은 LLM 질문은 예쁜 문장이 아니다. AI가 어떤 관점에서, 어떤 기준으로, 어떤 형태의 답을 내야 하는지 미리 정해 주는 일이다. "AI 활용 전략 알려줘" 같은 질문은 넓다. 넓은 질문은 넓은 답을 부른다. 넓은 답은 읽을 때는 그럴듯하지만 실행 단계에서 힘이 빠진다.

내가 쓰는 기준은 세 단어다. Angle, Cut, Number. 관점을 고정하고, 문제를 자르는 절단면을 정하고, 판단 기준을 숫자로 박아 둔다. 이 세 가지가 들어가면 AI는 설명을 늘어놓는 쪽에서 의사결정을 돕는 쪽으로 움직인다.

모델이 똑똑하면 질문도 해결된다는 착각

새 모델이 나오면 질문을 대충 던져도 알아서 잘해 줄 것 같은 기대가 생긴다. 어느 정도는 맞다. 최신 모델은 문맥을 잘 읽고, 빠진 조건도 일부 보완한다. 하지만 그것은 평균적인 보완이다. 내가 원하는 업무 맥락, 조직 제약, 판단 기준까지 정확히 알지는 못한다.

예를 들어 "사내 AI 도입 방안 알려줘"라고 묻는다고 하자. AI는 교육, 보안, 업무 자동화, 파일 정리, 챗봇, 회의록, 윤리 같은 항목을 넓게 꺼낼 가능성이 높다. 틀린 답은 아니다. 다만 팀장에게 보고할 1페이지 메모로 바로 쓰기는 어렵다. 중심축이 없기 때문이다.

질문이 약할 때 나타나는 신호는 비슷하다. 답변이 길다. 항목은 많다. 우선순위가 흐리다. 좋은 말은 많은데 다음 행동이 없다. 이런 답은 정보 부족보다 구조 부족에서 온다. AI가 몰라서 못 쓰는 게 아니라, 무엇을 기준으로 답해야 하는지 덜 받았기 때문이다.

Angle: 누구의 관점에서 볼지 고정한다

Angle은 관점이다. 같은 주제라도 누구의 눈으로 보느냐에 따라 답이 달라진다. 대표 입장인지, 팀장 입장인지, 실무자 입장인지, 보안 담당자 입장인지 먼저 고정해야 한다. 관점이 없으면 AI는 모두에게 무난한 답을 낸다. 모두에게 무난한 답은 대개 누구에게도 충분히 날카롭지 않다.

"AI 도입 전략"을 묻는 대신 "중견기업 운영팀장의 관점에서, 인력 충원 없이 반복 업무를 줄이는 AI 도입안을 제안해 줘"라고 쓰면 답의 방향이 달라진다. 생산성이라는 큰 단어도 운영팀장의 업무, 인력 제약, 반복 업무라는 조건 속으로 들어간다.

관점은 역할만 뜻하지 않는다. 무엇을 우선할지도 포함한다. 비용 절감인지, 품질 안정인지, 의사결정 속도인지, 고객 응대 품질인지에 따라 같은 도구도 전혀 다르게 평가된다. 그래서 질문의 첫 줄에는 "나는 무엇을 가장 중요하게 볼 것인가"가 들어가야 한다.

Cut: 문제를 어디서 자를지 정한다

Cut은 절단면이다. 문제를 어떻게 나눌지 정하는 일이다. 이 단계가 없으면 AI는 흔한 목차를 만든다. 기능, 디자인, 마케팅, 운영처럼 부서 이름으로 나누거나, 장점과 단점처럼 평범한 틀로 정리한다. 보기에는 깔끔하지만 원인을 찾거나 선택을 내리기에는 약할 수 있다.

예를 들어 서비스 성장이 막혔다면 "기능, 디자인, 마케팅"보다 "획득, 활성, 유지"로 자르는 편이 더 쓸모 있을 때가 많다. 사용자가 들어오지 않는지, 들어와도 첫 행동을 못 하는지, 한 번 쓰고 떠나는지 구분되기 때문이다. 같은 문제도 절단면을 바꾸면 AI가 볼 수 있는 병목이 달라진다.

비용 절감도 비슷하다. "인건비, 재료비, 광고비"로 묻는 것보다 "고정비와 변동비로 나눠, 고객 경험을 해치지 않는 감축안을 찾아줘"라고 묻는 편이 더 직접적이다. 절단면은 분류표가 아니다. 행동 방식을 다르게 만드는 기준이다.

좋은 Cut은 두 가지를 만족한다. 서로 겹치지 않아야 하고, 빠진 영역이 적어야 한다. 그리고 더 중요한 조건이 하나 있다. 핵심이 드러나야 한다. 항목이 예쁘게 나뉘어도 의사결정에 도움을 주지 못하면 좋은 구조가 아니다.

Number: 판단 기준을 숫자로 박아 둔다

Angle과 Cut이 들어가도 답변은 아직 느슨할 수 있다. "빠르게", "효율적으로", "적절히" 같은 말이 남기 때문이다. Number는 이 느슨함을 줄이는 장치다. 기간, 목표치, 예산, 인원, 우선순위 개수처럼 판단 기준을 숫자로 고정한다.

"신규 사용자를 늘리는 방법"과 "3개월 안에 신규 가입을 20% 늘리되 광고비는 월 100만 원 안으로 제한하는 방법"은 완전히 다른 질문이다. 후자는 AI가 효과 크기와 제약을 같이 봐야 한다. 무엇을 먼저 할지, 무엇을 버릴지, 어느 지점에서 실패로 볼지도 더 분명해진다.

숫자는 정답을 보장하지 않는다. 그래도 답변의 검증 가능성을 높인다. 숫자가 없는 질문은 마음에 드는 문장을 고르기 쉽다. 숫자가 있는 질문은 조건을 만족했는지 따져 볼 수 있다. LLM 답변을 업무에 쓰려면 이 차이가 중요하다.

바로 쓰는 질문 템플릿

아래 문장을 복사해 빈칸만 바꿔도 질문 품질이 올라간다.

내 목표는 [목표]다.
독자는 [대상]이고, 결과물은 [형식]으로 필요하다.
관점은 [Angle]로 고정한다.
문제는 [Cut] 기준으로 나눠서 봐라.
제약은 [예산/기간/인원/권한]이다.
성공 기준은 [Number]다.
먼저 가정을 3개만 적고, 그다음 우선순위 순서로 답해라.

예시는 이렇게 바뀐다.

내 목표는 고객 문의 처리 시간을 줄이는 것이다.
독자는 5명 규모 고객지원팀의 팀장이고, 결과물은 1페이지 실행 메모로 필요하다.
관점은 고객 경험보다 응답 품질 안정으로 고정한다.
문제는 문의 유입, 분류, 답변 초안, 검수, 후속 처리 기준으로 나눠서 봐라.
제약은 새 인력 채용 없음, 유료 도구 월 30만 원 이하, 개인정보 외부 전송 금지다.
성공 기준은 8주 안에 1차 응답 시간을 30% 줄이는 것이다.
먼저 가정을 3개만 적고, 그다음 우선순위 순서로 답해라.

이 정도로 묻는다고 AI가 항상 맞는 답을 내는 것은 아니다. 대신 틀렸을 때 고치기 쉬워진다. 관점이 틀렸는지, 절단면이 틀렸는지, 숫자가 비현실적인지 분리해서 볼 수 있다. 질문을 고칠 수 있다는 것은 답변을 운영할 수 있다는 뜻이다.

답변이 흐릴 때 점검할 것

AI 답변이 마음에 들지 않으면 프롬프트를 길게 꾸미기 전에 아래 항목부터 확인한다.

점검 항목	좋은 질문의 기준	흐린 답변의 신호
Angle	누구의 관점과 우선순위인지 보인다	모두에게 맞는 일반론이 나온다
Cut	문제가 행동 가능한 기준으로 나뉜다	목차는 깔끔한데 선택이 안 된다
Number	기간, 목표치, 예산, 개수가 있다	"빠르게", "효율적으로" 같은 말이 많다
형식	메모, 표, 체크리스트처럼 결과물 모양이 정해져 있다	읽기는 좋은데 붙여 넣을 곳이 없다
가정	AI가 먼저 가정을 밝힌다	숨은 전제가 틀렸는데 끝까지 이어진다

LLM을 잘 쓰는 사람은 질문을 길게 쓰는 사람이 아니다. AI가 추측하면 안 되는 곳을 먼저 막는 사람이다. 관점, 절단면, 숫자가 들어가면 AI는 덜 떠돌고 더 좁게 움직인다. 그 좁아진 답변이 실무에서는 더 쓸모 있다.

비슷한 방식으로 여러 AI 도구의 답을 검증하는 법은 AI 코드 검증 워크플로 글에도 정리했다. 질문을 잘 만드는 것과 답을 검증하는 것은 같은 선 위에 있다. 입력 조건이 선명해야 출력도 비교할 수 있다.

다음에 AI에게 묻기 전, 한 줄만 먼저 쓴다. "누구의 관점에서, 무엇을 기준으로, 어느 숫자를 만족해야 하는가." 이 질문에 답하지 못하면 아직 AI에게 물을 차례가 아니다. 먼저 문제를 좁혀야 한다.