AI는 왜 규칙을 잊을까? 골프 연습 스윙에서 배우는 AI 활용법

 

AI는 왜 내가 알려준 규칙을 잊어버릴까요? 골프 프로가 본 스윙 전에 하는 연습 스윙을 떠올리면, 이 질문의 답이 의외로 선명해집니다. 중요한 것은 규칙을 더 많이 주는 일이 아니라, 실행 직전에 무엇을 다시 떠올리게 하느냐예요.

요즘 골프를 배우는 사람이라면 비슷한 장면을 자주 겪게 됩니다. 레슨을 받을수록 머릿속 체크리스트는 늘어나지만, 정작 공 앞에 서면 한두 개씩 꼭 빠집니다. 몸통 회전, 체중 이동, 손목 각도, 시선 처리. 하나만 놓쳐도 결과가 흔들리죠.

AI를 쓸 때도 꽤 비슷한 일이 벌어집니다. 분명 처음에는 “이 형식을 지켜줘”, “이 톤을 유지해줘”, “이 항목은 꼭 포함해줘”라고 다 말해두었는데, 출력이 길어질수록 중요한 조건이 하나씩 사라집니다. 이때 많은 사람은 모델이 멍청해서 그렇다고 생각하지만, 실은 이 현상이야말로 하네스 엔지니어링(harness engineering)이 필요한 이유에 가깝습니다.

그리고 여기서 골프의 연습 스윙이 아주 강력한 비유가 됩니다. 프로들은 본 스윙 전에 단순히 몸을 푸는 것이 아니라, 이번 샷에서 가장 중요하게 가져가야 할 몸의 패턴을 다시 활성화합니다. 말하자면, 알고 있는 것을 실행 가능한 상태로 복구하는 짧은 리허설을 하는 셈이죠.

연습 스윙이 실제로 하는 일

연습 스윙은 겉보기보다 훨씬 정교한 동작입니다. 그 안에는 적어도 네 가지 메커니즘이 들어 있어요.

1. 선택적 활성화: 모든 체크리스트를 떠올리는 것이 아니라, 이번 샷에 중요한 1~3개만 켭니다.
2. 시점의 근접성: 머리로 아는 시점과 실제 실행 시점의 간격을 최소화합니다.
3. 신체적 리허설: 단순히 이해하는 데서 끝나지 않고, 실제 동작에 가까운 방식으로 한 번 통과시킵니다.
4. 상황 특이성: 드라이버, 아이언, 퍼터마다 루틴이 다르듯 상황에 따라 활성화 포인트가 달라집니다.

이 네 가지를 그대로 AI 활용으로 옮기면 흥미로운 그림이 보입니다. 우리가 해야 할 일은 모델에게 더 많은 규칙을 주입하는 것이 아니라, 특정 작업을 수행하기 직전에 그 작업에 필요한 규칙만 다시 깨우는 루틴을 설계하는 것입니다.

핵심 한 문장
AI 하네스 엔지니어링의 본질은 모델에게 무엇을 가르치느냐가 아니라, 결정적 순간에 무엇을 떠올리게 하느냐에 있습니다.

1. 필요한 규칙만, 필요한 순간에

가장 흔한 실수는 시스템 프롬프트에 모든 규칙을 한꺼번에 넣는 방식입니다. 골프로 치면 매 샷 전에 레슨 노트 전체를 다시 읽는 셈이죠. 이 방식은 성실해 보이지만 실제로는 비효율적입니다.

LLM은 긴 맥락을 다루지만, 모든 지시를 같은 강도로 끝까지 유지하지는 못합니다. 중간에 묻히거나, 뒤로 밀리거나, 중요도가 떨어지는 순간이 생깁니다. 그래서 긴 규칙을 통째로 쏟아붓기보다, 이번 작업에 필요한 규칙만 직전에 주입하는 방식이 더 강력합니다. 이것이 실무에서 말하는 just-in-time context injection에 가깝습니다.

2. AI에게도 연습 스윙을 시킬 수 있다

골프에서 연습 스윙의 핵심은 본 동작 직전에 몸으로 한 번 더 통과시키는 데 있습니다. AI에서는 이를 짧은 사전 리허설 프롬프트로 구현할 수 있어요.

실전용 프리플라이트 예시

본 작업을 시작하기 전에 다음 세 가지를 먼저 답해줘.

1. 이 작업에서 가장 중요한 제약 3개는 무엇인지
2. 가장 빠뜨리기 쉬운 항목 1개는 무엇인지
3. 그걸 반영해 어떤 순서로 작업할 것인지

이 방식이 효과적인 이유는 단순합니다. 모델은 외부에서 길게 주어진 규칙보다, 자기가 방금 말한 규칙을 더 강하게 붙잡는 경향이 있습니다. 사람도 코치의 말을 그냥 듣는 것보다, 스스로 “왼쪽 어깨 깊게”라고 중얼거리고 스윙할 때 동작이 더 또렷해지는 것과 비슷합니다.

3. 실패를 먼저 상상하는 pre-mortem

연습 스윙을 할 때 많은 골퍼는 지난 실수의 감각을 함께 떠올립니다. “지난번에는 여기서 손목이 풀렸지”, “임팩트 직전에 급해졌지” 같은 식이죠. AI에도 이 방식을 적용할 수 있습니다.

예를 들어, 작업 전에 “이 결과가 실패한다면 가장 가능성 높은 원인은 무엇인가?”, “그 원인을 미리 회피하려면 지금 무엇을 확인해야 하는가?”를 먼저 묻게 하는 겁니다. 이 작은 질문 하나만으로도 모델은 누락 가능성이 높은 부분을 훨씬 선명하게 의식하게 됩니다. 심리학에서 말하는 pre-mortem 또는 prospective hindsight와 닿아 있는 방식입니다.

4. 연습 스윙 다음에 본 스윙이 온다

AI 작업도 한 번에 최종본을 뽑게 하기보다, 가벼운 초안과 본 출력을 분리하는 편이 안정적입니다. 먼저 초안을 내게 하고, 그 초안이 핵심 제약을 얼마나 반영했는지 점검한 뒤, 그 다음 최종본으로 넘어가는 방식이죠.

이 구조는 단순한 품질 향상 기법이 아니라, 연습 스윙과 본 스윙의 구조를 그대로 가져온 것입니다. 초안은 방향을 맞추는 단계이고, 최종본은 힘을 싣는 단계입니다. 많은 경우 문제는 모델이 모른다는 데 있지 않고, 너무 일찍 최종본 모드로 들어간다는 데 있습니다.

5. 좋은 예시 하나가 규칙 열 개보다 강할 때

연습 스윙이 강력한 이유는 추상적인 설명이 아니라, 실제 동작을 미리 한번 실행해 보기 때문입니다. AI에서 이에 가장 가까운 것은 잘 만든 few-shot example입니다.

“이런 식으로 써라”라는 규칙을 길게 나열하는 것보다, 원하는 톤과 구조를 가진 모범 답안 하나를 보여주는 편이 더 강하게 작동하는 경우가 많습니다. 모델은 규칙을 해석하는 기계이기도 하지만, 동시에 패턴을 모방하는 기계이기 때문입니다. 그래서 반복 작업일수록 프롬프트를 새로 짜는 것보다, 루틴과 예시를 도구로 고정해 두는 편이 훨씬 낫습니다.

주의할 점
규칙을 많이 넣는다고 품질이 자동으로 좋아지지는 않습니다. 오히려 핵심이 흐려지고, 중요한 제약이 중간에 묻히는 “과잉 지시” 상태가 생길 수 있어요.

오늘부터 바로 적용할 수 있는 것들

1. 반복 작업은 루틴으로 고정하세요. 자주 하는 글쓰기, 요약, 코딩 작업은 프롬프트가 아니라 템플릿이나 스킬로 박제하는 편이 좋습니다.
2. 새 작업에는 프리플라이트 한 줄을 붙이세요. “시작 전에 가장 중요한 제약 3개를 네 말로 다시 적어줘”만 추가해도 체감이 큽니다.
3. 자주 빠지는 항목은 pre-mortem으로 승격하세요. “이번에도 X를 빼먹지 마”가 아니라, “실패한다면 무엇이 빠질까?”라고 먼저 묻게 하세요.
4. 가능하면 예시를 보여주세요. 좋은 결과물 하나는 긴 규칙 목록보다 더 강한 방향 감각을 줍니다.

 

마무리: 진짜 일은 루틴 설계다

이 비유를 한 문장으로 밀어붙이면, 결론은 꽤 분명합니다. AI 하네스 엔지니어링의 핵심은 모델에게 더 많은 지식을 넣는 일이 아니라, 결정적 순간에 무엇을 다시 떠올리게 할 것인가를 설계하는 일입니다.

골프 코치가 18홀 내내 옆에서 자세를 잡아줄 수 없듯이, 시스템 프롬프트도 모든 토큰을 끝까지 붙들고 있지는 못합니다. 결국 성패를 가르는 것은 더 많은 규칙이 아니라, 실행 직전에 핵심을 복구하는 루틴입니다. 좋은 모델을 찾는 일만큼, 좋은 연습 스윙을 설계하는 일이 중요해지는 이유가 여기에 있습니다.

그래서 AI를 잘 쓰는 사람은 대개 프롬프트를 화려하게 쓰는 사람이 아니라, 어떤 순간에 어떤 질문으로 모델의 주의를 다시 세울지를 아는 사람입니다. 원리를 알면 도구는 달라도 응용이 가능합니다. 글쓰기든, 코딩이든, 요약이든, 결국 문제는 늘 비슷하니까요.