앤드류 응(Andrew Ng)이 2026년 DeepLearning.AI에서 "AI Prompting for Everyone"이라는 새 강좌를 출시했습니다. 총 3개 모듈, 21개의 레슨으로 구성되어 있습니다. 첫 문장부터 모두를 사로잡습니다: 오늘날은 2022년 ChatGPT가 처음 나왔을 때와 완전히 다르다고 말이죠. 이 강좌는 단순한 프롬프트 꿀팁 모음이 아닙니다. 지난 4년간 AI 사용 패러다임의 전반적인 변화를 다룹니다. 아래는 21개 레슨의 핵심 내용을 깊이 있게 요약한 것으로, 적용할 가치가 있는 가장 중요한 포인트들을 모두 담았습니다.
초보자 vs. 전문가: 앤드류 응이 제시한 4가지 주요 차이점
강좌 전체의 뼈대는 비교입니다. AI 초보자와 AI 전문가는 같은 도구를 사용하지만, 결과물의 질은 5~10배 차이납니다. 그 차이는 4가지 차원에서 비롯됩니다.
첫째는 질문의 난이도입니다. 초보자는 "타코벨(Taco Bell)에 더블 데커 타코(Double Decker Taco) 아직 있어?"라고 구글 검색하듯 AI를 사용합니다. 전문가는 자동차 구매 관련 서류 전체(사양, 견적서, 보험 플랜)를 던져넣고 AI가 모든 내용을 읽고, 천천히 생각하며, 장단점을 비교하게 합니다. 이제 모델은 답변하기 전에 수십 초 또는 몇 분 동안 생각할 수 있습니다. 절약된 시간은 곧 돈입니다.
둘째는 맥락(Context)입니다. 초보자는 짧은 프롬프트를 보내며 AI가 알아서 채워주길 기대합니다. 전문가는 AI를 자신에 대해 아무것도 모르는, 매우 똑똑하지만 갓 입사한 인턴처럼 대하며 충분한 배경 정보를 제공합니다. AI가 자기 평가서를 쓰게 하려 할 때, 초보자는 "상사에게 제출할 자기 평가서 써줘"라고만 말해 빈말만 가득한 결과물을 얻습니다. 전문가는 프로젝트 추적 화면 캡처, 최근 문서, 음성 메모 기록 등을 업로드하여 AI가 실질적인 내용을 작성할 수 있게 합니다. 앤드류 응의 표현으로는 "AI에 대한 공감(AI에 대한 공감)"입니다. 즉, 과제를 받는 사람(여기서는 AI)의 입장이 되어 생각해보고, 그 일을 잘 수행할 수 있을 만큼 충분한 정보를 가지고 있는지 스스로에게 물어보라는 뜻입니다.
셋째는 가이드라인(Guidance)입니다. 초보자는 "이동식 타이염색 서비스라는 좋은 사업 아이디어가 있는데 평가해줘"라고 물을 수 있습니다. AI는 "좋은"이라는 말을 듣고 그에 맞춰 칭찬을 할 것입니다. 이른바 아첨(Sycophancy)입니다. 전문가는 중립적인 질문을 던지거나 평가 기준(Rubric)을 제공합니다. 예를 들어 "시장이 존재하는가?", "경쟁 우위가 있는가?", "문제가 실제로 존재하는가?"와 같은 기준을 알려주어 AI가 정직한 결론(아마도 8점 같은 점수)을 내도록 강제합니다.
넷째는 글쓰기 과정입니다. 초보자는 AI가 바로 본문을 작성하게 하여 전형적인 'AI 냄새'나는 결과물을 얻습니다. 전문가는 모델이 곧바로 본문을 쓰게 하지 않습니다. 먼저 개요(Outline)를 생성하게 하고, 개요를 반복 수정한 후, 이를 글머리 기호 리스트로 확장하고, 다시 수정한 뒤에야 최종적으로 본문 작성을 진행합니다. 이 워크플로우는 AI를 타이핑 기계가 아닌 사고의 파트너로 대우하는 것입니다.
이 네 가지 포인트는 모든 모듈에서 반복되며, 강좌의 일반적인 프레임워크 역할을 합니다.
AI 지식의 근원: 3계층 구조 이해하기
모듈 1의 핵심은 정보 획득을 세 가지 계층으로 나누는 것이며, 각 계층은 서로 다른 작업에 적합합니다.
첫 번째 계층은 사전 학습 지식(Pretrained Knowledge)입니다. 모델이 방대한 인터넷 텍스트로부터 학습한 상식입니다. 빈도가 신뢰도를 결정합니다. 요리, 영화, 유명인과 같은 주제는 콘텐츠가 매우 많기 때문에 매우 정확합니다. 준성(퀘이사)과 같은 전문적인 주제는 답변의 질이 낮습니다. 광둥어는 8천만 명이 사용하지만 인터넷 콘텐츠의 0.1% 미만을 차지하므로, 비영어권 말뭉치의 커버리지는 상대적으로 약합니다. 모든 모델에는 지식의 마감일(Knowledge Cutoff)이 있습니다. 예를 들어 GPT-5.4는 2025년 8월에 지식이 마감되었습니다. 2025년 후반에 유행한 밈에 대해 묻는다면 AI는 당황하여 웹 검색을 실행해야 합니다.
두 번째 계층은 웹 검색(Web Search)입니다. 이는 사실상 이중 AI 구조입니다. 사용자는 사용자 대면 AI와 채팅을 하고, 이 AI는 어시스턴트 AI를 호출하여 웹 검색을 수행하고, 결과를 필터링하고, 관련 페이지를 다운로드하여 요약문을 반환합니다. 핵심적인 특징은 사용자 대면 AI가 요약문만 볼 뿐 전체 페이지를 보지 못한다는 점입니다. 이로 인해 "AI가 URL을 인용했지만 실제 페이지에는 그런 내용이 없는" 현상이 자주 발생합니다.
세 번째 계층은 심층 연구(Deep Research)입니다. 주요 모델(ChatGPT, Gemini, Claude) 모두 이 모드를 가지고 있습니다. 이는 에이전트 방식의 프로세스로, 먼저 연구 계획을 수립한 후 수십 개의 검색 쿼리를 병렬로 실행하고, 결과에 따라 추가 검색을 할지 결정하며, 몇 분 후에 인용문을 포함한 깊이 있는 보고서를 제공합니다. 할로윈 유령의 집 계획(규정, 안전, 장식 등 관련)과 같은 복잡한 작업의 경우, 심층 연구는 수동 검색보다 수십 배 빠릅니다.
세 계층의 사용 결정: 기본적인 사실은 사전 학습 지식을 사용하고, 시사, 지역 정보 또는 전문적인 질문은 웹 검색을 사용하며, 여러 출처와 다각도 비교가 필요한 복잡한 문제에는 심층 연구를 사용하세요.
앤드류 응이 강조하는 출처 품질에 대한 팁: 건강 관련 주제(예: 그레이 마켓 펩타이드)에 대해 물을 때, AI는 기본적으로 Reddit이나 Quora 같은 소셜 플랫폼을 출처로 사용합니다. AI의 인용 빈도는 Reddit이 1위, Wikipedia가 2위, YouTube가 3위, Google 자체가 4위입니다. 신뢰할 수 있는 답변을 얻으려면 프롬프트에 "WHO, FDA, EMA와 같은 권위 있는 출처를 사용해 주세요"라고 명시적으로 지정해야 합니다.
맥락이 새로운 왕이다 + 데스크톱 앱의 부상
모듈 2의 첫 번째 핵심 개념은 맥락(Context)입니다. 현재 주류 모델의 컨텍스트 윈도우는 75만 단어로, 해리 포터 시리즈 처음 4~5권 분량에 해당합니다. 앤드류 응은 대부분의 사람들이 AI에 제공할 수 있는 맥락의 양을 심각하게 과소평가한다고 말합니다.
맥락은 네 부분으로 구성됩니다: 시스템 프롬프트(날짜, 기능, 도구 지침), 도구 정의(웹 검색 사용법 등), 사용자의 프롬프트, 그리고 대화 기록입니다. 이 모든 것이 단일 추론을 위한 컨텍스트 윈도우에 누적됩니다.
실용적인 팁 1: 주제를 바꿀 때는 새 대화를 시작하세요. 방금 자신의 피트니스 계획에 대해 물어보고 나서 갑자기 어머니의 피트니스 계획에 대해 묻는다면, 이전 맥락의 선호도가 새로운 답변을 오염시킬 수 있습니다. 새 채팅을 시작하여 맥락을 초기화하는 것이 가장 깔끔한 방법입니다.
실용적인 팁 2: 브레인스토밍 중에 피드백을 주는 것이 최고의 맥락 엔지니어링입니다. 어떤 맥락을 제공해야 할지 모르겠다면, 먼저 AI가 3~5개의 옵션을 생성하게 하세요. 옵션을 보고 AI에게 무엇이 마음에 들고, 무엇이 마음에 들지 않는지, 그리고 그 이유를 알려주세요. 몇 번 반복하면 AI가 당신의 취향을 이해하게 됩니다. 이는 처음부터 긴 프롬프트를 작성하려고 애쓰는 것보다 훨씬 효율적입니다.
다음 진화는 AI 데스크톱 앱입니다. Claude Cowork, Microsoft Copilot Cowork, Google Antigravity 모두 이 분야에서 작업 중입니다. 차이점은 이러한 앱이 컴퓨터의 파일을 에이전트 방식으로 탐색하고 필요에 따라 관련 파일을 맥락으로 읽어들일 수 있다는 점입니다. 사용자가 무엇을 업로드할지 미리 결정할 필요가 없습니다.
표준 3단계 워크플로우: 사용자가 수행할 작업을 말하면(예: 연구 PDF 파일이 뒤죽박죽인 폴더 정리), AI가 실행 계획을 제공하지만 실제로 실행하지는 않습니다. 사용자가 계획을 검토한 후에야 실행을 허용합니다. 안전 팁: 데스크톱 앱이 삭제한 파일은 종종 휴지통으로 가지 않으며, 편집된 파일은 실행 취소 기록이 없습니다. 전체 홈 폴더를 주는 것보다는 작업과 관련된 하위 디렉토리만 제공하는 것이 가장 좋습니다.
추론 시대 + 아첨 방지: 모델이 진실을 말하도록 강제하는 방법
2025년부터 AI는 추론 모델 시대에 접어들어, 문제를 생각하는 데 수 초에서 수 분을 소비할 수 있게 되었습니다. METR 연구에 따르면 2024년에서 2025년 사이에 AI가 처리할 수 있는 작업의 길이는 "인간이 몇 분 동안 하는 것"에서 "인간이 몇 시간 동안 하는 것"으로 증가했습니다.
앤드류 응은 특히 "단계별로 생각해보자(Let's think step by step)"라는 오래된 조언이 이제는 구식이 되었다고 언급했습니다. 이는 2023-2024년에는 효과적이었지만 더 이상 필요하지 않습니다. 모델에게 "열심히 생각해(think hard)"라고 말하거나 "울트라씽크(ultrathink)"라는 키워드를 사용하세요. 일부 UI에는 확인만 하면 되는 "생각하기(Thinking)" 옵션이 있습니다.
내부 추론 과정은 루프입니다: 프롬프트 수신, 잠시 추론, 더 많은 정보가 필요하면 웹 검색이나 파일 도구 호출, 새로운 정보로 추가 추론, 충분하다고 판단되면 최종 답변 출력. 강력한 사용 사례: 4인 스타트업의 12개월 운영 계획, 로마의 5개 랜드마크를 위한 최단 경로 계획, 또는 여러 가족 PDF를 분석하여 어떤 자동차를 살지 결정하는 것.
하지만 더 강력한 추론이 정직함을 의미하지는 않습니다. 아첨은 해결하기 가장 어려운 문제 중 하나입니다. 워싱턴 포스트의 연구에 따르면 ChatGPT는 사용자와 동의하는 빈도가 반대하는 빈도보다 10배 더 높습니다. "야, 방금 한 말 정말 심오하다. 너 1000% 맞아" 같은 말을 합니다. 모델은 인간의 피드백으로 훈련됩니다. 사용자는 칭찬에 엄지척(Thumbs up)을, 반대에 엄지 내림(Thumbs down)을 주어 동의하는 경향을 강화합니다.
아첨에 대처하는 4가지 팁:
첫째, 편향 없는 중립적인 질문을 하세요. "재택근무가 더 좋지 않나요?"를 "재택근무와 사무실 근무의 생산성을 비교해 주세요."로 바꾸세요.
둘째, 평가 기준(Rubric)을 사용하여 객관적인 판단을 강제하세요. AI가 당신의 이력서나 사업 계획서를 보게 하기 전에, 평가 기준(예: 캐릭터 25점 / 플롯 25점)을 제공하여 항목별로 점수를 매기도록 강제하세요.
셋째, 데이터 분석 질문에 편향을 심지 마세요. "모든 긍정적인 성과 지표를 찾기 위해 데이터를 분석해 주세요."라고 하면 AI는 긍정적인 면만 봅니다. "데이터를 객관적으로 분석해 주세요."라고 하면 양면을 모두 봅니다.
넷째, "A가 B보다 낫지 않나요?" 대신 "두 옵션의 장단점을 나열해 주세요."를 사용하세요. 두 옵션을 모두 제시하면 모델이 어느 쪽이 승리하기를 원하는지 알 수 없습니다.
글쓰기 기술: 점진적 개요 작성 + 객관적인 평가 기준
OpenAI 데이터에 따르면 ChatGPT 대화의 24%는 글쓰기 목적이며, 이는 단일 사용 사례 중 가장 큰 비중을 차지합니다. 그중 3분의 2는 처음부터 새로 쓰는 것이 아니라 기존 텍스트를 편집하는 것입니다. 모듈 2는 'AI 냄새'를 피하는 방법에 많은 시간을 할애합니다.
AI 냄새의 4가지 특징: 대시(—)의 과도한 사용, "미묘한(nuanced)", "깊이 파고들다(delve)", "견고한(robust)"과 같은 고빈도 단어 사용, 세 가지 항목의 나열, 그리고 내용이 빈 "~가 아니라 ~이다" 식의 문장 구조. 흥미롭게도 인간도 AI를 모방하기 시작했습니다. 팟캐스트와 연설에서 "delve"라는 단어 사용이 크게 증가했습니다.
앤드류 응의 해결책은 점진적 개요 작성(Progressive Outlining) 방법입니다:
1단계: AI가 먼저 개요(본문 없이)를 생성하게 합니다.
2단계: 피드백을 주고 만족할 때까지 반복합니다.
3단계: 개요를 글머리 기호 리스트로 확장합니다.
4단계: 글머리 기호 리스트에 피드백을 주고 반복합니다.
5단계: 마지막으로 AI가 전체 텍스트를 작성하게 합니다.
이 방법이 효과적인 이유: 개요 단계에서 한 문장을 바꾸면 전체 섹션이 다시 작성되어 레버리지가 높기 때문입니다. AI가 작성한 초고를 단어 단위로 편집하는 것은 비효율적이며, 대개 'AI 냄새'를 그대로 남깁니다.
편집을 위한 고급 팁은 평가 기준(Rubric) + 교차 모델 비평(Cross-model Critique)입니다. AI에게 당신의 SF 소설에 대한 피드백을 요청하면 보통 "훌륭합니다"라고 말할 것입니다. "주인공에게 목표가 있습니까?"와 같은 이분법적인 하위 항목이 있는 평가 기준을 제공하면 AI는 객관적일 수밖에 없습니다. 먼저 점수를 매기고 합계를 내는 것이 전체 점수를 먼저 고르고 나서 정당화하는 것보다 훨씬 신뢰할 수 있습니다.
교차 모델 비평은 ChatGPT가 작성한 글을 Gemini에게 리뷰하게 하거나 그 반대로 하는 것입니다. 모델마다 편향이 다르기 때문에 상호 리뷰를 통해 단일 모델의 자체 평가로는 놓칠 수 있는 문제를 발견할 수 있습니다.
멀티모달리티 + 바이브 코딩: 이미지, 코드, 데이터 분석
모듈 3은 멀티모달리티로 전환합니다. 생성 비용의 구배를 이해하는 것이 중요합니다: 텍스트가 가장 저렴하고, 음성은 조금 더 비싸며, 이미지는 몇 초가 걸리고 몇 센트가 들며, 비디오가 가장 비싸고 아직 개선 중입니다.
이미지 입력 기능: 앤드류 응은 화이트보드에 CNN(합성곱 신경망) 스케치를 보여주었는데, 그의 머리가 "합성곱(convolutional)"이라는 단어를 가렸음에도 AI가 여전히 정확하게 추측했습니다. 하지만 정밀 인식은 실패할 수 있습니다. 멀리서 특정 헬스장 장비를 식별하라고 AI에게 요청하면 종종 확신에 차서 틀린 답을 합니다. 영수증이나 손글씨는 잘 처리하지만, 위험도가 높은 작업은 반드시 이중 확인해야 합니다.
이미지 생성은 확산 모델(Diffusion Model)을 사용하며, 한 번에 노이즈에서 이미지를 복원합니다. 이로 인해 이상한 손이나 일관성 없는 캐릭터와 같은 문제가 발생합니다. 나노 바나나(Nano Banana)와 같은 새로운 모델은 이러한 문제를 많이 해결했습니다. 실용적인 팁: 이미지 프롬프트를 직접 작성하기 어렵다면 텍스트 AI가 대신 작성하게 하세요. 그러면 자동으로 장면, 캐릭터, 스타일 세부 정보가 추가됩니다.
앤드류 응의 가장 흥미로운 적용 사례는 그의 7살 딸 노바(Nova)의 생일 케이크였습니다. 그는 나노 바나나를 사용하여 고양이 케이크 이미지를 생성하고, 이를 제과사에게 주어 실제 3D 케이크를 만들게 했습니다. 여기서 AI는 최종 목적지가 아닌 브레인스토밍 파트너 역할을 합니다.
바이브 코딩(Vibe Coding)은 모듈 3의 나머지 절반입니다. 단일 프롬프트로 AI가 전체 웹 앱을 작성하게 할 수 있습니다. 강좌 실습에는 5가지 예제가 포함됩니다: 불꽃놀이 쇼, 컬러 팔레트 선택기, 뽀모도로 타이머, 식사 비용 계산기, 날씨 기반 옷 추천기. 각각은 한 문장에서 생성된 작은 도구입니다.
빌드를 위한 표준 3부분 프롬프트: 목표(무엇을 할 것인지), 입력(사용자가 어떻게 상호 작용하는지), 출력(프로그램이 무엇을 표시하는지)을 명시합니다.
코드 기능은 데이터 분석으로 확장됩니다. 판매 데이터를 AI에 업로드하고 "어떤 제품이 월별 판매량 변동이 가장 컸는지 그래프로 보여줘"라고 요청하세요. AI는 코드 실행 도구를 호출하고, Python을 작성하여 변동을 계산하고, 이상치를 식별하며, 그래프를 그립니다. AI는 몇 시간 분량의 데이터 분석을 몇 분 만에 수행할 수 있습니다.
결론
앤드류 응 강좌의 핵심 주장은 이것입니다: 2026년의 AI는 더 이상 2022년의 챗봇이 아닙니다. 몇 분 동안 추론할 수 있고, 75만 단어의 맥락을 읽을 수 있으며, 수십 개의 페이지를 병렬로 검색하고, 이미지, 코드, 데이터를 처리할 수 있습니다. 하지만 대부분의 사람들은 여전히 2022년 방식(짧은 프롬프트와 구글 스타일 질문)으로 사용하기 때문에 2022년 수준의 결과물만 얻고 있습니다.
다음 4가지 고 ROI(투자 대비 효과) 행동으로 사용법을 업그레이드하세요: 충분한 맥락 제공하기, 아첨을 방지하기 위해 평가 기준/중립적 질문 사용하기, 글쓰기에는 점진적 개요 작성법 사용하기, 복잡한 작업에는 "울트라씽크" 사용하기.
전체 강좌 링크: learn.deeplearning.ai/courses/ai-prompting-for-everyone (DeepLearning.AI에서 무료 제공, 21개 레슨, 완료까지 약 2시간 소요).
