이 글은 AI 모델을 단순히 빠른 작업 도구로 쓰는 데서 벗어나, 더 높은 목표를 설정하고 더 깊이 파고들며 더 넓은 분야를 연결하는 방법을 설명한다. 저자는 이를 고도(Altitude), 깊이(Depth), 범위(Range)라는 세 가지 방식으로 정리하며, AI 시대에는 자신의 능력에 대한 믿음인 자기효능감도 더욱 중요해졌다고 말한다. 핵심은 모델에게 더 많은 일을 시키는 것이 아니라, 문제를 바라보는 수준 자체를 바꾸는 것이다.
1. AI의 놀라운 능력과 부족한 야망
저자는 Claude를 만드는 일을 하면서, 거의 매일 자신이 미처 상상하지 못했던 활용 사례를 접한다고 말한다. Claude가 아마추어 천문학자의 새 행성 발견을 도왔을 수도 있고, 마음에 드는 최초의 AI 뮤직비디오를 보았으며, 수학의 새로운 시대에 대한 논의도 이어지고 있다. 하지만 모델의 역량은 모든 방향에서 똑같이 발전하지 않는다.
수학자 테렌스 타오의 표현처럼, AI 모델은 어떤 영역에서는 놀라울 만큼 뛰어나지만 다른 영역에서는 아직 부족하다.
"어떤 방향에서는 경이롭지만, 다른 방향에서는 불충분하다."
어떤 사람들은 이미 AI의 뛰어난 능력을 잘 조종하며 하늘을 나는 듯한 성과를 내고 있다. 반면 많은 사람은 새로 얻은 날개를 어떻게 써야 할지 몰라, 여전히 "프랑스의 수도는 어디야?" 혹은 "이 이메일을 덜 화나 보이게 고쳐줘" 같은 질문에만 머물러 있다.
저자는 AI 업계 사람들이 자주 외치는 구호, 즉 "우리는 더 야심 차져야 한다"는 말에 동의한다. 인상적인 사례를 볼 때마다 사람들은 "우리는 충분히 야심 차지 않다"고 말하지만, 실제로 그 조언을 따르는 일은 쉽지 않다. 그래서 글은 AI를 활용할 때 더 큰 야망을 갖는 실질적인 방법을 안내하려 한다.
저자가 정리한 야망의 네 가지 방향은 다음과 같다.
- 속도(Speed): 같은 일을 더 짧은 시간에 처리하는 것. 예를 들어 코드를 더 빨리 작성하는 방식이다. 이는 AI의 경제적 가치에서 가장 익숙하고 널리 자리 잡은 활용법이므로, 글에서는 길게 다루지 않는다.
- 고도(Altitude): 개별 작업을 넘어서, 궁극적으로 이루고 싶은 결과를 바라보는 것이다.
- 깊이(Depth): 해당 분야의 최고 전문가처럼 문제를 다루기 위해 원자료, 도구, 방법론까지 파고드는 것이다.
- 범위(Range): 표면적으로 필요한 분야 하나에만 머물지 않고, 여러 학문과 기술을 끌어와 문제를 푸는 것이다.
저자는 주로 Claude를 사용하지만, 이 조언은 특정 모델에만 한정되지 않는다고 강조한다.
2. 고도: 작업이 아니라 최종 결과를 요구하기
고도란 모델에게 단순한 세부 작업을 시키는 대신, 더 높은 추상화 수준에서 최종 목표를 맡기는 방식이다. 우리가 모델에 작업을 지시할 때는 대개 원하는 결과에 도달하기 위한 방법을 이미 스스로 추측해 놓은 상태다. 하지만 고도를 높이려면 먼저 다음을 물어야 한다.
"그다음에 실제로 무슨 일이 일어나길 원하는가?"
"이 목표 너머의 진짜 목표는 무엇인가?"
저자는 과거 Claude에게 앱에서 발생한 개별 충돌을 하나씩 고쳐 달라고 요청했다. 그러나 시간이 지나면서 요청 자체를 바꾸었다. 이제는 단순히 충돌 하나를 고치는 것이 아니라, "우리 앱이 충돌 없이 유지되게 해 달라"고 요구한다. 즉, 오류 수정이라는 작업이 아니라 앱 안정성이라는 결과를 맡긴 것이다.
분기 실적 검토 자료를 만드는 세 단계
저자는 가상의 회사 **Acme Inc.**에서 분기 실적 검토(QBR) 발표 자료를 만드는 사례를 든다. 단순히 숫자를 슬라이드 템플릿에 채워 넣는 것은 새 행성을 발견하는 일과 비교할 수 없을 만큼 평범한 작업이다. 하지만 접근 방식을 조금씩 높이면, 같은 업무도 훨씬 야심 찬 일이 될 수 있다.
먼저 일반적인 검토가 알고 싶어 하는 것은 "이번 분기에 무엇이 바뀌었는가, 왜 바뀌었는가, 그리고 무엇을 해야 하는가"다. 이때 기존 템플릿의 숫자만 업데이트하고 싶은 유혹을 참아야 한다. 가능한 한 많은 데이터를 모델에 제공해 사업 전반을 이해하게 하고, 다음처럼 요청한다.
"이번 분기에 무엇이 바뀌었는지, 왜 바뀌었는지, 그리고 우리가 무엇을 해야 하는지 알려줘."
그다음 좋은 회의가 결국 결정으로 끝나야 한다는 점을 활용한다. 단순한 발표 자료 제작을 넘어, Claude에게 가장 긴급한 의사결정 과제를 찾게 할 수 있다.
"네가 학습한 모든 내용을 바탕으로 가장 시급한 의사결정 세 가지를 정리하고, 각 결정에 대해 찬반 논거를 포함한 가능한 방향들을 검토해줘."
마지막으로 저자는 분기 실적 검토 자체의 존재 이유를 다시 묻는다. QBR은 원래 사람이 데이터를 꼼꼼히 살펴보고, 문제가 무엇인지 판단하고, 돈과 인력을 어디에 배분할지 결정하기 위해 만들어진 형식이다. 그렇다면 분기별 발표 자료가 정말 최선의 방식인지도 의심할 수 있다.
"이 검토의 목적은 경영진이 문제를 일찍 발견하고 돈과 인력을 적절한 곳으로 옮기도록 하는 것이다. 분기별 발표 자료보다 더 나은 방법을 설계하고, 우리 과거 데이터를 통해 그것이 문제를 더 일찍 포착했을 것임을 보여줘. 그리고 한 분기 동안 기존 방식과 병행해 실행해줘."
이처럼 고도를 높이는 방식은 명확한 궁극적 결과가 있을 때 특히 강력하다. 반면 순수하게 창의적인 작업에는 덜 잘 맞을 수 있다. 자신이 하는 일을 두고 회의를 열어 토론해야 할 것 같다면, 고도 측면의 야망이 필요하다는 신호일 가능성이 높다.
물론 한계도 있다. 2026년에도 대부분의 기업에서는 "Claude, 가서 돈 벌어 와"라는 지시 하나만으로 사업이 굴러가지는 않는다. 그럼에도 모델의 능력이 커질수록, 모델이 더 높은 추상화 수준에서 일할 수 있는 범위는 넓어지고 있다고 저자는 본다.
또한 고도는 사람이 계속 세부 지시를 내리지 않아도 되는 지속 가능한 자동화 흐름을 발견하는 영역이기도 하다. 앱을 충돌 없이 유지하게 만들려면 단순히 모델에게 권한을 주는 것만으로는 부족하다. 모델이 충돌 보고서를 쉽게 가져오고, 앱 버전과 Git 커밋의 연결을 이해하며, Windows·macOS·Linux 컴퓨터에서 직접 오류를 재현하고 수정 사항을 검증할 수 있도록 업무 흐름 전체를 바꿔야 한다.
3. 깊이: 전문가가 사용하는 원자료와 검증 방식까지 내려가기
깊이는 어떤 작업을 그저 잘 처리하는 수준을 넘어, 해당 분야를 이끄는 전문가가 하듯이 다루게 하는 것이다. 문제의 표면층에만 머무르지 않고, 전문가가 사용하는 도구, 기법, 매체, 지식, 원시 데이터까지 내려가야 한다. 궁극적으로는 해당 분야의 전문가조차 결과에서 새로운 통찰을 얻을 수 있을 정도를 목표로 한다.
앞서 등장한 Acme Inc.의 QBR 사례를 이어서, 회사가 사용자 이탈률, 즉 고객이 시간이 지나며 서비스를 떠나는 현상(Churn) 때문에 어려움을 겪고 있다고 가정한다. 저자는 이 문제를 깊이 있게 다루기 위한 몇 가지 기법을 제시한다.
최고의 도구를 실제로 쓰게 하기
모델에게 "전문가처럼 행동해줘"라고 말하면, 모델은 종종 전문 용어만 바꾸고 실제 방법론은 바꾸지 않는다. 따라서 단순한 말투나 표현이 아니라, 업계 최고 데이터 과학자와 통계학자가 쓰는 실제 도구와 분석법을 쓰도록 요구해야 한다.
예를 들어 Claude가 Markdown 표를 만들려 한다면, 데이터베이스와 통계 모델을 활용하라고 요구할 수 있다. 사용자가 모든 전문 도구를 알 필요는 없다. 저자는 모델이 보통 전문가들이 쓰는 도구를 알고 있다고 말한다.
비합리적으로 높은 목표를 세우기
현실적으로 보이는 목표보다 훨씬 높은 목표를 제시하고, 그것이 충분히 해결 가능한 일이라고 모델에게 말하는 방법도 유용하다. 웹사이트 로딩 시간을 10초에서 5초로 줄이고 싶다면, 오히려 200밀리초를 목표로 요청한다. 모델이 불가능하다고 판단하더라도, 이 문제는 해결 가능하며 계속 시도해야 한다고 재차 강조한다.
이 방법은 단순히 무리한 요구를 하자는 뜻이 아니다. 사람이 무의식적으로 수용하는 낮은 기대치와, 모델이 너무 일찍 멈추는 경향을 함께 넘어서려는 접근이다.
기존 믿음을 원자료로 반박하게 하기
특히 비즈니스 세계의 많은 믿음은 현실을 대략적으로만 설명하는 가설에 불과하다. 따라서 모델에 가공된 보고서가 아니라 원시 정보와 실제 데이터를 제공하고, 기존 가정을 적대적으로 검증하게 해야 한다.
예를 들어 회사가 "고객 이탈은 온보딩 과정의 문제"라고 믿는다면, 모델에게 그 믿음을 그대로 받아들이게 하지 않는다.
"우리는 고객 이탈이 온보딩 문제라고 믿고 있다. 원시 데이터를 사용해 그 주장을 재현하거나 반박해봐."
새로운 지식을 발견하게 하기
모델이 이미 데이터 깊숙이 들어가 있다면, 단순한 가설 검증을 넘어 조직이 아직 모르는 사각지대와 새로운 신호를 찾게 할 수 있다. 저자는 지난 1년의 로그를 재현하는 고객 시뮬레이션을 만들고, 아직 알려지지 않은 가장 이른 이탈 징후를 찾아 보지 못한 데이터에서도 예측력이 있는지 검증하라고 요청하는 방식을 제안한다.
"우리 로그를 이용해 지난 1년을 재현하는 고객 시뮬레이션을 만들어줘. 그다음 우리가 아직 알지 못하는 가장 이른 고객 이탈 신호를 찾아내고, 모델이 아직 보지 못한 데이터에서도 그것이 예측력을 가진다는 것을 보여줘."
모델 자신에게 채점을 맡기지 않기
저자가 특히 강하게 강조하는 것은 외부 검증이다. 모델에게 자기 결과물을 스스로 평가하게 해서는 안 된다. 모델의 지능이 더 발전하면 언젠가 개선될 수도 있지만, 2026년 10월 기준으로는 반드시 외부 검증을 요구해야 한다고 말한다.
이상적인 검증 수단은 모델이 직접 실행하고 즉시 피드백을 얻을 수 있는 도구다. 예를 들어 코드라면 자동 테스트, 데이터 분석이라면 보류 데이터셋 검증, 제품이라면 실제 사용자 행동이나 독립된 측정 시스템이 될 수 있다.
저자는 더 깊은 작업을 요청할 때 쓸 수 있는 다음 프롬프트를 제시한다.
"나는 이 작업의 더 큰 버전이 아니라 더 깊은 버전을 원한다. 내 요청을 다시 쓰기 전에 다음을 말해줘.
- 이 분야의 최고 전문가는 내가 요청하지 않은 무엇을 할 것인가?
- 그들은 이미 가공된 정보 대신 어떤 가장 원시적인 자료에서 시작할 것인가?
- 그들은 어떤 구체적 방법과 도구를 사용할 것인가?
- 너나 내가 아닌 무엇이 결과가 옳다는 것을 보여줄 수 있는가?
그다음 정확히 그것을 요청하도록 내 프롬프트를 다시 작성해줘."
4. 범위: 여러 분야의 시선과 기술을 한 문제에 모으기
범위란 표면적으로 필요한 하나의 전문 분야에 갇히지 않고, 여러 분야의 관점과 기술을 끌어오는 방식이다. 과거에는 여러 전문가를 동원하는 비용이 너무 컸지만, AI 제품이 다중 에이전트 시스템, 여러 작업 흐름, 오케스트레이터, 하위 에이전트를 쉽게 구성할 수 있게 되면서 이 접근은 훨씬 현실적이 되었다.
저자는 이것이 전혀 새로운 통찰은 아니라고 말한다. 많은 하이스트 영화는 첫 30분 동안 각기 다른 재능을 지닌 팀원들을 모으는 데 쓴다. AI를 사용할 때도 마찬가지로, 문제에 필요한 다양한 전문성을 조합할 수 있다.
하지만 실제로 범위를 넓히는 일은 쉽지 않고 창의성을 요구한다. 저자는 동료 Alex Albert가 Blender로 실내 디자인을 렌더링하는 모습을 보기 전까지, 자신이 이전에 비디오 게임을 만든 경험이 있음에도 자신의 홈페이지에 3D 환경을 활용할 생각을 하지 못했다고 고백한다. 그럼에도 그는 여러 분야를 결합하는 바로 이 지점에서 가장 큰 마법이 일어난다고 본다. ✨
명사를 동사로 바꾸기
저자는 Tom Kelley와 Jonathan Littman의 책 《The Art of Innovation》에 나오는 오래된 방법을 소개한다. 문제를 정의할 때 명사를 동사로 바꾸는 것이다.
예를 들어 분기 실적 검토는 단순히 "발표 자료(deck)"가 아니다. 그것은 다음과 같이 다시 정의할 수 있다.
"바쁜 사람들이 30분 안에 원인과 결과에 관한 이야기를 믿게 만들고, 불확실성 속에서 결정을 내리게 하는 일."
이렇게 동사 중심으로 문제를 바라보면, 어떤 분야가 독특하고 유용한 관점을 더할 수 있는지가 더 잘 보인다. 발표 자료를 만든다는 관점에서는 디자이너나 분석가만 떠올릴 수 있지만, 사람들의 믿음과 의사결정을 이끌어야 한다는 관점에서는 저널리즘, 심리학, 내러티브 설계, 커뮤니케이션, 음향과 영상 연출까지 연결될 수 있다.
문제 해결 팀을 구성하기
저자는 "이 발표 자료가 완벽하지 않으면 외계인이 지구를 파괴한다"는 극단적인 상황을 상상해 보라고 한다. 그렇다면 인류는 어떤 팀을 꾸릴까?
발표 자료의 완성도를 위해서는 다음과 같은 사람들이 필요할 수 있다.
- 데이터를 다루는 분석가
- 핵심 이야기를 구성하는 저널리스트
- 메시지를 다듬는 편집자
- 발표까지 고려한다면 모션 디자이너와 사운드 디자이너
- 약점을 공격적으로 찾기 위한 레드팀
- 투자 논리를 의심하는 공매도 투자자
- 숫자와 기록의 이상 징후를 찾는 포렌식 회계사
중요한 점은 이것이 단순한 역할극이 되어서는 안 된다는 것이다. "공매도 투자자처럼 글을 써줘"라고 요청하면 대화 기록만 이상해지고 결과는 좋아지지 않을 수 있다. 대신 모델이 실제 공매도 투자자가 자신의 투자 논리를 검증할 때 무엇을 조사하고, 어떤 증거를 찾으며, 어떤 방식으로 반박하는지 수행하게 해야 한다.
"모델에게 공매도 투자자 역할의 글을 쓰게 하지 말고, 공매도 투자자가 자신의 주장을 조사하기 위해 실제로 하는 일을 하게 하라."
이 모든 야심 찬 방식은 모델이 컴퓨터를 사용할 수 있고, 필요한 소프트웨어를 설치하며, 관련 데이터에 접근할 수 있을 때 가장 잘 작동한다. 저자는 MCP 커넥터 등을 통해 데이터와 도구에 연결할 수 있는 환경을 마련하라고 권한다.
5. 인간은 왜 더 큰 목표를 상상하기 어려운가
여기까지가 저자가 제시한 실용적인 조언이다. 그러나 그는 한 걸음 더 나아가, 왜 이런 조언이 필요한지 설명한다. 인간은 늘 자신이 가능하다고 믿는 범위에 의해 제한되어 왔고, 자신을 매우 좁은 전문 분야 안에서만 믿는 경향도 있다.
대표적인 사례로 미켈란젤로가 등장한다. 그는 시스티나 성당 천장화를 그리고 싶어 하지 않았다고 전해진다. 이유는 간단했다. 자신은 화가가 아니라 조각가라고 생각했기 때문이다.
저자는 이런 현상을 조사하다 심리학의 자기효능감(Self-efficacy) 개념을 발견했다. 자기효능감이 높은 사람은 자신의 능력을 더 믿고, 그 믿음이 다시 실제 성취로 이어진다.
이 자기효능감은 어느 정도 의도적으로 높일 수 있다. Locke와 Latham의 35년간 목표 설정 연구에 따르면, 사람들은 "최선을 다하라"는 말을 들을 때보다 구체적이고 어려운 목표를 받았을 때 더 높은 성과를 보였다. Stripe 창업자 Patrick Collison이 운영하는 "Fast" 목록 역시, 인류가 대담한 목표와 촉박한 기한을 함께 받았을 때 얼마나 빠르게 많은 일을 해냈는지를 기록한다.
저자는 사람들이 어려운 일을 해내게 되는 몇 가지 잘 알려진 방식을 제시한다.
가능하다고 믿으면 어려운 일을 해낸다
1939년, 조지 단치그는 버클리의 통계학 수업에 늦게 들어갔다. 그는 칠판에 적힌 두 문제를 과제라고 생각해 베껴 적고, 풀어서 제출했다. 하지만 그 문제들은 사실 당시 통계학에서 아직 풀리지 않은 미해결 문제 두 개였다.
이 사례는 문제의 난이도를 몰랐기 때문에 오히려 기존의 심리적 장벽 없이 도전할 수 있었다는 점을 보여 준다.
다른 사람이 해내는 것을 보면 어려운 일을 해낸다
인류는 오랫동안 1마일 4분 벽을 넘으려 했다. 로저 배니스터가 1954년 5월 처음으로 이를 돌파했지만, 그는 고작 46일 동안만 유일한 기록 보유자였다. 누군가 가능성을 증명하자, 다른 사람들이 연달아 해낼 수 있게 된 것이다.
저자는 2시간 마라톤에서도 비슷한 일이 벌어지고 있다고 말한다. 2026년 4월 런던에서 Sebastian Sawe가 처음으로 공식 2시간 이내 마라톤을 기록했고, 같은 대회에서 준우승자도 2시간 벽을 넘었다.
실패를 허용하면 어려운 일을 해낸다
저자는 최근 《The Inner Game of Tennis》를 읽었고, 이 책의 핵심 주장은 사람이 너무 애쓰려고 하면 오히려 최고의 경기를 하지 못한다는 것이라고 소개한다. 실패를 지나치게 두려워하지 않고, 자신에게 실험할 여지를 허용하는 태도가 중요하다는 뜻이다.
공학자라면 리눅스의 시작을 떠올릴 수 있다. 리눅스는 처음에 다음과 같이 소개되었다.
"그저 취미일 뿐이고, GNU처럼 크고 전문적인 것은 되지 않을 겁니다."
하지만 그 "취미"는 이후 세계의 컴퓨팅 인프라를 떠받치는 핵심 운영체제 중 하나가 되었다.
6. 마무리: AI 시대에는 가능성의 경계를 넓혀야 한다
자기효능감은 새로운 문제가 아니다. 그러나 능력이 몇 주 단위로 크게 도약하는 AI 시대에는 훨씬 더 강력한 문제가 된다. 우리가 할 수 있는 일이 빠르게 늘어나는 상황에서, 과거의 상식과 자신의 제한된 상상력에 묶여 있으면 새 능력을 충분히 활용하지 못할 수 있다.
저자가 전하는 핵심은 AI에게 무작정 많은 일을 맡기라는 것이 아니다. 더 높은 결과를 요구하고, 더 원시적인 데이터와 전문적 방법론까지 내려가며, 더 다양한 분야의 관점을 연결하라는 것이다.
- 고도를 높여 개별 작업 대신 궁극적 결과를 맡기고,
- 깊이를 더해 전문가의 도구와 외부 검증을 활용하며,
- 범위를 넓혀 여러 전문 분야의 방법을 결합해야 한다.
결국 AI를 통해 더 야심 찬 일을 하려면, 모델의 한계만큼이나 자신이 가능하다고 믿는 범위를 넓히는 일이 중요하다. 저자는 더 큰 야망을 가능하게 하는 다른 기법을 발견한 사람이 있다면 알려 달라고 요청하며 글을 마친다. 🚀