Description-Discernment 루프
AI로 다듬기 · 7 min
요약대본
MAKS Enterprises TIPM Rebuilders의 CEO인 Mak이 Description-Discernment 루프를 시연하며, 자신의 도메인 전문성과 판단력을 활용해 AI와 함께 작업한 방법을 보여줍니다.
한국어 대본
- 00:00설명-판별력 루프는 AI를 시작하기에 좋은 방법입니다.
- 00:12기본적으로, AI가 무엇을 해야 하는지 생각하고,
- 00:16그렇게 하라고 요청하고,
- 00:17그런 다음 받은 결과를 주의 깊게 평가합니다.
- 00:20추가 프롬프트를 통해 받은 결과를 루프 안에서 계속 다듬습니다.
- 00:24오늘은 Mac과 함께하게 되어 정말 기쁩니다,
- 00:28Max Enterprises의 CEO, Max Enterprises Tip'em Rebuilders로도 알려진,
- 00:34AI에서 고품질의 가치 있는 결과물을 얻는 방법에 대해 이야기하기 위해,
- 00:38그 결과물은 비즈니스에서 더 빠르게 나아가는 데 도움이 됩니다.
- 00:41그럼 시작으로, Mac, 사업에 대해 조금 말씀해 주세요.
- 00:43저는 10년 전에 제 주방에서 사업을 시작했습니다.
- 00:47그리고 저희가 하는 일은 재제조, 재건, 수리,
- 00:50그리고 때로는 논리 제어 전자 모듈을 제조하기도 하고,
- 00:54자동차용으로 사용합니다.
- 00:56말이 길다는 건 알지만, 간단합니다.
- 00:58휴대폰 안에서 휴대폰을 작동시키는 컴퓨터와 같습니다.
- 01:02차는 차를 작동시키는 여러 컴퓨터로 구성되어 있습니다.
- 01:04그래서 주방에서 시작하셨고, 지금은 이렇게 되셨습니다.
- 01:07이제 AI를 사용하여 재고와 판매 데이터를 추적하고 계십니다.
- 01:12그럼 그것을 어떻게 시작하게 되셨는지, 그리고 어떻게 진행되고 있는지 조금 말씀해 주세요.
- 01:16지난 10년 동안, 수없이 많은 회의에서 사람들이 회의에 들어와서 말하곤 했습니다,
- 01:21Mac, 이 제품을 더 많이 사야 할 것 같습니다.
- 01:25이 SKU에 더 집중해야 합니다. 그렇게 해야 합니다.
- 01:27그러면 제 대답은, 글쎄요, 데이터가 어디 있습니까?
- 01:30저희는 eBay와 Amazon, 그리고 자체 웹사이트에서 판매합니다.
- 01:34그렇다면 이 모든 데이터를 어떻게 분리합니까?
- 01:36그래서 AI는 그것을 엄청나게 쉽게 만들어 주었고, 이렇게 말할 수 있게 해 주는 데 아주 유용했습니다,
- 01:43우리가 이 여러 채널에서 사용하는 다섯 가지 서로 다른 유형의 부품 번호들이,
- 01:47그것들은 모두 2011년형 캐러밴을 나타냅니다.
- 01:50그리고 그것은 그 데이터를 집계하여 우리 회의에 진정으로 의미 있는 데이터를 가져다줄 수 있습니다.
- 01:55그리고 실제로 우리가 더 생산적으로 일할 수 있게 도와줍니다.
- 01:58그래서 제가 보기에는 정말 신중하게 설명하고 계신 것 같습니다.
- 02:01AI에게서 필요로 하는 것이 무엇인지, 많은 전문 지식을 가지고 계시기 때문입니다.
- 02:04그 다섯 개의 부품 번호가 캐러밴에 속한다는 것을 알고 계십니다.
- 02:08팀과 함께 사용하는 전략이 있습니까?
- 02:10그들이 AI의 이러한 출력을 살펴보기 시작할 때 말입니다.
- 02:12팀이 그것이 맞아 보이는지 또는 틀린지 어떻게 직감적으로 확인합니까?
- 02:15100%입니다. 제가 팀에게 가장 먼저 말하는 것은 AI는 도구라는 것입니다.
- 02:21그냥 받아들이지 마세요, 그냥 묻지 마세요, 이렇게 말하세요,
- 02:23마케팅을 좀 봐 주시겠습니까,
- 02:25우리 시장 데이터를 보고 우리가 어떻게 하고 있는지 알려 주세요.
- 02:28하나는 그것에 정보를 공급할 것입니다. 그러니 정보를 공급하세요.
- 02:31그래야 우리에게 더 나은 데이터를 제공할 수 있습니다.
- 02:32그리고 우리는 그것을 또한 비교할 것입니다.
- 02:33그래서 우리는 이렇게 말할 것입니다. 음, 우리는 이 판매 채널에서 알고 있습니다.
- 02:38이것이 우리가 판매에서 정확히 한 일입니다.
- 02:39왜냐하면 우리가 가지고 있기 때문입니다. 그것은 하나의 스프레드시트에 있습니다.
- 02:42그리고 우리는 그것을 다시 확인하고 명확한지 확인할 것입니다.
- 02:44또한 저에게 다른 한 가지를 언급하셨습니다.
- 02:46AI와 함께 하고 계셨던 것,
- 02:48그것이 바로 SOP였습니다.
- 02:51그 SOP가 AI 이전에는 어떻게 운영되었는지, 오늘날에는 어떻게 운영되는지 설명해 주세요.
- 02:56이전에는 엔지니어링 관련 작업이면 엔지니어 중 한 명에게 배정해야 했습니다.
- 03:03그리고 그들은 이렇게 힘들고 오랜 시간을 들여 이 전체 SOP를 문서화해야 했습니다.
- 03:09그리고 그렇게 해도 우리는 정확한지 확인하기 위해 여전히 아주 꼼꼼히 검토해야 했습니다.
- 03:13그래서 엔지니어링이든 고객 서비스든 데이터 입력이든 생산이든, 무엇이든 간에,
- 03:20이 모든 SOP는 엄청난 시간과 자원이 듭니다. 이제 SOP가 필요할 때마다 저는 생각합니다
- 03:28그것을 아는지, 그리고 무엇을 해야 하는지 안다면 AI에 가서 그냥 그것과 이야기하며 그것을 안내하며
- 03:36SOP에 따라 그것에게 SOP를 만들어 달라고 요청합니다. 그러면 짜잔, 말 그대로 1분 안에 엄청난
- 03:43SOP가 완성됩니다. 중요한 점은 저는 그것을 절대 당연하게 여기지 않는다는 것입니다. 그 SOP를 가져다가 끝까지 읽어 봅니다
- 03:51그리고 저는 항상 수정해야 할 작은 부분들을 발견합니다. 그것이 정말, 정말 중요합니다.
- 03:55저는 확실히 알게 됩니다. 우리 회사에 대한 정보를 많이 공유함으로써 그것은 점점 더 좋아지고
- 04:01더 좋아지고, 그리고 SOP를 더 많이 만들수록 그것은 더욱 정밀해지고 있습니다. 마지막 질문입니다. 한 가지를 말씀하실 수 있다면
- 04:07AI 시작을 고려하고 있는 소규모 사업체에 무엇이라고 말씀하시겠습니까?
- 04:11그냥 그것에게 '시장 분석을 해 줄 수 있나요?'라고 말하면 일반적인 출력을 얻게 될 것입니다.
- 04:19하지만 그것에게 '저는 논리적으로 제어되는 전자
- 04:25모듈을 재제조하는 사업을 하고 있습니다.' 그리고 저는 특히 Chrysler, Dodge, Jeep, Ram 또는 다른
- 04:33제조사에 집중하고 있습니다. 그리고 저는 이 인구 통계와 이 그룹을 찾고 있습니다. 프롬프트를 입력할수록 그것은 점점
- 04:39더 좋아질 것입니다. 그리고 그것이 제가 말씀드리고 싶은 가장 중요한 한 가지입니다.
- 04:42Mac의 과정에서 몇 가지 핵심 교훈을 얻을 수 있습니다. 첫째, 효과적인 설명은
- 04:47컨텍스트를 제공합니다. 그는 AI에게 단순히 판매 데이터를 분석해 달라고 요청하지 않았습니다. 그는 자신의 제품이 어떻게
- 04:52그리고 채널이 실제로 작동하는지, 그리고 어떤 결정을 내려야 했는지 설명했습니다. 그 컨텍스트가
- 04:56AI가 그에게 일반적인 것이 아닌 유용한 무언가를 주는 데 도움이 되었습니다. 둘째, 판별력은 선택 사항이 아닙니다.
- 05:02AI 출력은 비판적으로 평가되어야 합니다. 특히 실제 돈과 실제 고객이
- 05:07관여되어 있을 때 그렇습니다. AI는 실수할 수 있고, 사업주는 대개 유일한
- 05:11그것을 알아챌 수 있는 사람. 구체적인 주장을 지적하고, 공백을 발견하고, 분석이
- 05:17실제로 자신의 현실을 반영하는지 의문을 제기하세요.
- 05:19셋째, 설명-판별력 루프는 반복적입니다. 첫 프롬프트만으로는 거의
- 05:23끝까지 도달하지 못합니다. 한 응답에서 배운 내용을 활용하여 더 정교한 후속 프롬프트를 작성하세요.
- 05:28마지막으로, 가능할 때마다 컨텍스트를 업로드하세요. 제품 이력, 과거 문서, SKU 매핑,
- 05:34이 모든 것이 AI가 비즈니스의 구체적인 세부 사항을 이해하도록 돕고, 이는 더 강력한
- 05:39출력으로 처음부터 이어집니다.
- 05:41AI는 작업 속도를 높이지만, 판단을 대체하지는 않습니다.
- 05:44AI는 Mac이 빠르게 방향을 잡도록 돕고, 이는 가치 있지만, 여전히 결정을 내리는 사람은 Mac입니다.
- 05:49다음 비디오에서 위임-성실 루프를 살펴보겠습니다. 이 루프는 어떻게, 언제, 어디서
- 05:55AI를 비즈니스에 도입해야 하는지, 그리고 팀과
- 05:59고객에게 AI 사용에 대해 어떻게 명확히 할 수 있는지.
Description ↔ Discernment 루프
유연한 AI 활용은 긴밀한 루프 안에서 이루어집니다: 원하는 것을 설명하면, 모델이 응답하고, 무엇이 유용한지 판단한 다음, 더 정교하게 다시 설명합니다. Delegation이 무대를 마련하고, Diligence가 마무리합니다.
Delegation무엇을 AI에 맡길 가치가 있는지 처음부터 결정합니다.
Diligence최종 결과물을 검증하고, 출처를 밝히고, 책임을 집니다.
Description모델이 행동할 수 있도록 비전을 전달합니다.
Discernment돌아온 결과를 판단하고, 그 판단을 다음 단계로 전달합니다.
좋은 결과가 어떤 모습인지 알려주세요.창의적인 비전을 모델이 행동할 수 있는 용어로 전환하는 명확하고 구체적이며 체계적인 프롬프트 작성입니다.
PromptThe LoopRefine
돌아온 결과를 판단하세요.결과물의 품질, 관련성, 편향에 대한 비판적 평가와 협업 자체에 대한 평가를 통해 다음 프롬프트를 더 정교하게 만듭니다.
핵심 요점
- 효과적인 Description은 맥락을 제공합니다: 사업이 무엇을 하는지, 무엇을 달성하려는지, 구체적으로 무엇을 알아야 하는지 설명하세요.
- Discernment는 선택 사항이 아닙니다: 규정, 가격 데이터, 마감일 등 특정 주장은 1차 출처와 대조하여 검증하도록 표시하세요.
- 루프는 반복적입니다: 각 응답에서 배운 내용을 활용해 다음 프롬프트를 다듬으세요.
- AI는 연구를 가속화하지만 전문성을 대체하지는 않습니다: 여전히 자신의 사업 판단을 적용하는 의사결정자는 바로 당신입니다.
연습
Exercise 1Exercise 2
정책 및 법률 추적
Description과 Discernment를 활용해 소규모 사업과 관련된 규정, 컴플라이언스 요건, 또는 업계 동향을 조사하는 연습을 합니다.
1부: 자기 성찰
사업과 관련된 규제 또는 업계 영역(지역 구역 설정법, 면허 요건, 세금 변경, 노동 규정, 업종별 컴플라이언스 등)을 선택하고 다음을 파악하세요:
- 이해하고자 하는 구체적인 규정, 정책, 또는 동향
- 사업 맥락 — 판매하거나 제공하는 것, 운영 지역, 고객층, 그리고 이 주제가 운영에 왜 중요한지
- 알아야 할 내용 — 사업 모델에 대한 영향, 컴플라이언스 단계, 마감일, 비용 영향, 또는 경쟁 관련 고려사항
- 시간 범위 또는 지리적 범위 — 지역, 주, 또는 연방 단위인가요? 지난 1년간 최근 변경 사항이 있나요?
2부: 협업
위에서 파악한 맥락을 활용해 상세한 프롬프트를 작성하고 AI와 공유하세요. 그런 다음 응답을 검토하고 Discernment를 적용하세요:
- 공식 출처(정부 웹사이트, 규제 기관, 업계 협회)와 대조하여 검증이 필요한 주장을 최소 두 가지 파악하세요
- 빠진 관점이 있는지 확인하세요 — 예를 들어, 해당 규정이 귀사 규모의 사업체에 구체적으로 어떤 영향을 미치는지 다루었나요?
- 오래되었거나, 지나치게 일반적이거나, 서로 다른 관할권의 규칙을 혼동한 것으로 보이는 정보를 표시하세요
3부: 성찰
처음 작성한 프롬프트가 AI에게 유용할 만큼 충분한 맥락을 제공했나요? 두 번째 시도에서는 무엇을 수정하시겠습니까? 이 정보를 바탕으로 사업 결정을 내리기 전에 어떤 검증 단계를 거치시겠습니까?
도전 목표: AI에게 요약 내용 중 핵심 규제 관련 주장 하나(특정 수수료, 마감일, 또는 기준치)의 원본 출처를 찾아달라고 요청한 다음, 직접 검증해 보세요. AI가 출처를 얼마나 정확하게 표현했는지 비교해 보세요.
수업 성찰
- 사업 맥락을 제공한 것이 일반적인 질문과 비교해 AI의 연구 결과물 품질을 어떻게 바꾸었나요?
- AI를 연구에 활용할 때 워크플로에 어떤 검증 습관을 구축하시겠습니까?
다음 단계
다음 수업에서는 AI로 데이터를 분석하며 Delegation과 Diligence의 외부 루프를 살펴보겠습니다.