같은 질문을 했는데, AI마다 답이 다르다면 프롬프트가 아니라 브리프가 부족한 겁니다

“우리 회사의 AI 검색 전략을 짜줘.” 이 한 문장을 ChatGPT, Claude, Gemini에 넣으면 그럴듯한 답이 세 개 나온다. 문제는 셋 중 무엇이 맞는지 고르기 어렵다는 데 있다. 한 모델은 콘텐츠 전략을, 다른 모델은 기술 SEO를, 또 다른 모델은 거버넌스를 추천한다. 답변의 문장력이 부족해서가 아니다. AI가 회사의 우선순위를 모르기 때문에 각자 다른 문제를 풀고 있는 것이다.

AI 도구를 업무에 도입했는데 결과가 매번 “좋은 아이디어 목록”에서 멈추는 팀이라면, 프롬프트 기법을 더 찾기 전에 질문을 바꿔야 한다. 우리가 모델에 전달하는 것은 질문인가, 아니면 의사결정에 필요한 사업 맥락까지 담긴 브리프인가?

[외부 정보 · 하베스터 수집] 같은 과제, 다른 사업 맥락, 완전히 다른 추천

Search Engine Land의 Toby Brissett는 같은 전략 과제를 ChatGPT·Claude·Gemini에 반복해 넣는 실험을 소개했다. 첫 실행에서 모델들은 모두 합리적인 답을 냈지만 서로 다른 질문에 답했다. Claude는 발견 프로젝트로, Gemini는 AI 검색 최적화 프로젝트로, ChatGPT는 거버넌스와 단계별 실행을 포함한 컨설팅 과제로 해석했다.

차이는 두 번째 실행에서 생겼다. 대상이 성숙한 웹사이트를 가진 지역 HVAC 회사이고, 예산이 제한되어 있으며, 새 콘텐츠를 대량 생산하기보다 기존 자산을 개선하고 싶다는 조건을 추가했다. 목표도 “AI 검색에서 잘 보이기”가 아니라 다가오는 성수기의 자격 있는 서비스 문의와 유지보수 계약을 늘리는 것으로 좁혔다. 그러자 세 모델의 추천은 각자의 스타일을 유지하면서도 같은 사업 문제를 향하기 시작했다.

사업 브리프의 맥락이 AI 모델을 거쳐 우선순위가 있는 실행안으로 바뀌는 흐름
질문을 바꾸는 것보다, 질문 앞에 사업 맥락을 채우는 일이 추천의 방향을 바꾼다. 이미지: Humanerd 편집.

프롬프트는 결과를 보여주지만, 그 결과를 가능하게 한 발견·조사·판단까지 보여주지는 않는다.

Search Engine Land, “How business context changes AI recommendations”의 핵심 논지

AI는 빈칸을 사실로 채우지 않고, 먼저 ‘의도’로 채운다

사업 맥락이 빠진 프롬프트에는 최소한 네 가지 빈칸이 남는다. 누구를 위한 결정인지, 무엇을 성공으로 볼지, 무엇을 포기할 수 없는지, 어떤 증거가 이미 있는지다. 모델은 이 빈칸을 질문으로 되돌려주기도 하지만, 많은 경우 일반적인 업계 상식으로 추정해 답을 완성한다. 그래서 답변은 매끄럽지만 우리 회사에는 맞지 않는다.

이 현상은 AI 검색 최적화에서도 같다. Google은 AI Overviews와 AI Mode에 별도 스키마나 AI 전용 파일이 필요하지 않으며, 기존 SEO 기본기와 유용한 콘텐츠가 여전히 중요하다고 안내한다. 동시에 구조화 데이터는 페이지의 눈에 보이는 내용과 일치해야 하고, Merchant Center와 Business Profile 정보도 최신이어야 한다고 설명한다. 즉, 검색 시스템도 “AI용 꼼수”보다 사업체·상품·연락처·정책 같은 맥락의 일관성을 읽는다.

여기서 중요한 결론은 “스키마를 많이 넣자”가 아니다. AI에게 전달할 사업의 사실을 먼저 정리하고, 그 사실을 웹페이지·프로필·피드·프롬프트에서 서로 모순 없이 유지하자는 것이다. 구조화 데이터만 고쳐도 목표 고객이나 수익 구조가 바뀌지는 않는다. 반대로 목표와 제약이 선명하면 어떤 도구를 선택할지부터 달라진다.

AI 추천을 ‘아이디어’에서 ‘결정’으로 바꾸는 5단계

  1. 성과를 한 문장으로 고정한다. “AI 가시성을 높인다” 대신 “90일 안에 지역 서비스 문의 중 자격 문의 비율을 높이고 유지보수 계약을 늘린다”처럼 결과와 기간을 쓴다.
  2. 고객과 돈의 흐름을 적는다. 가장 중요한 고객군, 가장 수익성 높은 상품·서비스, 구매가 막히는 순간을 함께 기록한다.
  3. 제약을 먼저 공개한다. 예산·인력·출시일·기존 CMS·법적 제한·새 콘텐츠를 만들 수 있는 양을 적는다. 추천의 질은 하고 싶은 일보다 못 하는 일을 알 때 올라간다.
  4. 현재 자산과 증거를 목록화한다. 이미 색인된 페이지, 전환 데이터, 고객 문의 문장, 지역 정보, 리뷰, 상품 피드처럼 확인 가능한 것과 추정인 것을 분리한다.
  5. 선택 기준으로 모델을 평가한다. 실행 가능성, 근거의 유무, 목표와의 정합성, 예상되는 사업 효과를 1~5점으로 채점하고 최종 선택은 사람이 한다.

바로 써먹는 ‘사업 맥락 카드’ 프롬프트

매번 긴 설명을 새로 쓰라는 뜻이 아니다. 팀이 합의한 사실을 한 장의 맥락 카드로 만들고, 작업 요청 앞에 붙이면 된다. 아래 템플릿에서 대괄호만 채워도 단순한 질문이 의사결정 브리프로 바뀐다.

역할: [사업 목표를 이해하는 전략가]
사업: [누구에게 무엇을 팔고, 어디서 매출이 나는지]
이번 분기 목표: [측정 가능한 결과와 기한]
우선 고객: [고객군과 구매 상황]
제약: [예산·인력·기술·법무·일정]
현재 자산: [페이지·데이터·피드·프로필·실험 결과]
확인된 사실과 추정: [둘을 구분해 기록]
요청: 가능한 선택지를 제시하되, 목표와 제약에 맞지 않는 안은 제외하라.
각 안에 근거, 필요한 추가 확인, 첫 2주 실행 항목을 붙여라.
마지막에는 가장 작은 실험 하나와 중단 기준을 제안하라.

이렇게 하면 AI가 낸 목록을 그대로 실행하는 대신, “이 추천은 어느 사실에 기대고 있는가?”를 확인할 수 있다. 근거가 비어 있으면 리서치 단계로 돌리고, 제약을 넘으면 버리고, 작은 실험으로 검증할 수 있으면 실행한다. AI를 더 똑똑하게 만드는 방법이 아니라 AI가 틀려도 손실이 커지지 않는 업무 루프를 만드는 방법이다.

반대로 하면 실패한다: 도구와 프롬프트를 먼저 고르는 습관

“우리도 AI 검색용 콘텐츠를 만들어야 하니 새 도구부터 구독하자”는 결정은 빠르지만 위험하다. 목표가 리드인지 브랜드 인지도인지 모르고 도구를 고르면, 대시보드 숫자를 늘리는 일이 사업 성과를 대신한다. FAQ 스키마나 AI 전용 마크업을 추가하면 노출이 보장될 것처럼 말하는 조언도 경계해야 한다. Google은 AI 기능에 별도 스키마가 필요하지 않다고 명시한다.

도구는 맥락을 대체하지 않는다. 모델 세 개를 비교할 때도 “누가 가장 똑똑한가”보다 “우리의 제약을 가장 잘 반영한 선택지를 만들고, 사람이 검증할 수 있는가”를 봐야 한다. 사업 맥락 카드를 먼저 고정한 뒤에야 모델·검색 도구·분석 도구의 차이가 실제로 비교 가능해진다.

결론: 좋은 프롬프트는 질문이 아니라, 이미 한 판단의 압축본이다

AI 추천의 품질을 올리는 가장 값싼 방법은 새로운 프롬프트 문법을 배우는 일이 아니다. 고객, 수익, 제약, 증거, 성공 기준을 먼저 합의하고 그 결과를 모델에게 건네는 일이다. 그러면 AI는 빈칸을 임의의 의도로 채우는 대신, 우리가 정한 문제 안에서 선택지를 넓혀준다. 마지막 우선순위 결정은 여전히 사람의 몫이지만, 적어도 서로 다른 문제에 답한 세 개의 보고서를 비교하는 낭비는 줄어든다.

오늘 할 일은 간단하다. 팀의 다음 AI 작업 하나를 골라 10분짜리 사업 맥락 카드를 만들고, 기존 프롬프트 앞에 붙여 다시 실행해보자. 답변의 문장보다 추천의 우선순위와 첫 실행 항목이 달라지는지 확인하면 된다. 달라졌다면, 도구를 바꾼 것이 아니라 질문을 제대로 정의한 것이다.

근거 출처

외부 정보(하베스터 수집): 아래 자료의 실험·가이드·정의를 바탕으로 작성했다. 본문에서 별도의 에이전트-드루 대화나 내부 작업 경험은 사용하지 않았다.