프로젝트 AI 활용법 5가지: Interviewer부터 Red Team까지
저자: 김성중 · 작성일: 2026-10-12 00:00:00 · 분야: LLM, Project
복사해서 바로 쓰는 프로젝트 AI 활용법 5가지: Interviewer부터 Red Team까지
ChatGPT나 Claude, Gemini 같은 LLM을 누구나 한 번쯤은 써보셨을 거예요. 메일을 쓰거나 자료를 요약할 때는 편리하지만 막상 프로젝트에는 어떻게 사용할지가 막막한 경우가 많아요. "어디서부터 뭘 시켜야 하지?", "그럴듯한 답은 나오는데 이대로 믿어도 되나?" 등 불안감을 갖게 되요.
드론으로 태양광 패널을 점검하는 Physical AI 프로젝트를 진행하면서, 프로젝트의 여덟 단계 전반에서 LLM과 함께 일하는 방법을 정리했어요. 이 글에서는 다른 프로젝트에도 그대로 가져다 쓸 수 있는 방법을 소개할게요. 코드는 나오지 않고, 바로 복사해서 써볼 수 있는 프롬프트 위주로 담았어요.
프로젝트에 LLM을 쓸 때 자주 막히는 곳
프로젝트에 LLM을 처음 들이면 대체로 이곳에서 막혀요.
- 질문이 막연해서 뻔한 답이 나와요. "프로젝트 계획 세워줘"라고 하면 어디서나 볼 수 있는 일반적인 답변이 나와요. LLM은 우리 프로젝트의 사정을 모르니까요.
- 대화가 바뀔 때마다 맥락이 끊어져요. 어제 정한 내용을 오늘 다시 설명해야 하고, 단계가 넘어가면 앞의 결정이 사라져요.
- 결과를 믿어도 되는지 알 수 없어요. 그럴듯한 문장이 나오지만 틀렸는지 맞았는지 구분하기 어려워요. 그래서 중요한 업무일수록 손을 못 대개 되요.
해법은 "역할 나누기"
저희가 찾은 답은 간단해요. LLM에게 "알아서 해줘"라고 하지 말고, 프로젝트의 단계마다 다른 역할을 맡기는 것이에요. 같은 LLM이라도 문제 정의 때는 Interviewer, 평가 때는 까다로운 검수자, 발표 준비 때는 날카로운 고객이 되면 답의 질이 달라져요.
프로젝트는 아래 여덟 단계로 나눠서 봤어요. 단계마다 "무엇이 끝나야 다음으로 넘어가는지"를 정해 두면, LLM에게 시킬 일도 자연스럽고 명확해져요.
오늘 바로 써볼 수 있는 다섯 가지 방법
아래 다섯 가지는 어떤 프로젝트에도 적용할 수 있어요. 앞의 세 가지 막힘을 하나씩 풀어 줘요.
1. 프로젝트 맥락을 한 장으로 정리해 두세요
목표, 장비와 도구, 정해진 것, 모르는 것을 한 장에 적어 두세요. LLM의 프로젝트 기능처럼 대화가 바뀌어도 자료가 유지되는 곳에 올려 두면 매번 처음부터 설명하지 않아도 돼요.
2. 답을 주기 전에 질문부터 하게 하세요
막연한 요청은 막연한 답을 불러요. 반대로 LLM이 Interviewer가 되어 질문하게 하면 내가 아직 정하지 못한 것이 드러나요.
너는 프로젝트 문제 정의를 돕는 시니어 Interviewer야.
답을 먼저 알려주지 말고, 내 대답에서 모호한 부분을 질문으로 짚어줘.
한 번에 질문은 1~3개만 해줘.
성공 기준은 숫자로, 제약은 일정·인력·데이터·규제로 나눠서 물어봐줘.
3. 단계가 끝날 때마다 요약을 받으세요
"정해진 것, 못 정한 것, 다음 단계로 넘길 정보를 표로 정리해줘"라고 요청하고, 확인한 내용을 다음 단계의 첫 메시지에 붙여 넣으세요. 그러면 대화가 바뀌어도 맥락이 이어져요.
4. 만든 결과를 공격하게 하세요
결과가 나오면 LLM에게 일부러 트집을 잡게 해요. 내가 놓친 약점을 보고서에 적기 전에 미리 볼 수 있어요.
너는 이 결과를 반드시 깨뜨리려는 외부 검증자야. 칭찬은 하지 마.
결과의 가장 약한 지점을 심각도 순으로 5개 공격해줘.
내가 근거로 방어하면 충분한지 판정해줘.
5. 중요한 결과는 다른 AI로 교차 검증하고, 최종 판단은 사람이 하세요
같은 LLM은 같은 실수를 같이 하기 쉬워요. 코드 검토, 평가처럼 오류 비용이 큰 단계에서는 다른 회사의 LLM에게 한 번 더 확인을 맡기고, 두 결과가 달라지는 곳을 사람이 직접 살펴보세요.
단계별 추천 모델
| 단계 | 추천 모델 | 추천 환경·워크플로우 | 이유 |
|---|---|---|---|
| 1. 문제 정의 | Opus 5.5 GPT-5.1, Gemini 3 Pro |
Claude.ai 프로젝트 + 채팅, 결과는 Claude Docs | 숨은 가정을 찾는 깊은 질문이 핵심. 프로젝트의 맥락 문서를 이후 단계에서도 재사용 |
| 2. 데이터 수집 설계 | Sonnet 5.5 GPT-5.1, Gemini 3 Pro |
Claude.ai 채팅 | 시나리오를 빠르게 여러 번 주고받는 대화라 응답 속도가 중요 |
| 3. 플랫폼·파이프라인 | 설계: Opus 5.5 구현: Sonnet 5.5 GPT-5.1-Codex, Gemini 3 Pro |
설계 리뷰는 채팅, 구현은 Claude Code | Claude Code는 저장소 안에서 코드를 직접 읽고 수정·테스트까지 수행 |
| 4. 라벨링·품질 | Opus 5.5 SAM 3, Grounding DINO, Qwen3-VL (자체 서버) |
채팅에 이미지 첨부, 품질 점검 스크립트는 Claude Code | 애매한 이미지 판정에는 시각 이해와 추론이 함께 필요 |
| 5. 모델 개발 | 진단: Opus 5.5 코드: Sonnet 5.5 GPT-5.1, Gemini 3 Pro |
Claude Code로 학습 스크립트·로그 분석, 실험 노트는 프로젝트에 누적 | 로그와 결과 파일을 직접 읽고 다음 실험 코드까지 이어서 작성 |
| 6. 평가·검증 | Fable 5.1 또는 Opus 5.5 GPT-5.1, Gemini 3 Pro |
만든 대화와 분리된 새 채팅 | 가장 강한 모델로 공격해야 약점이 드러나고, 새 대화여야 앞선 설계 논리에 끌려가지 않음 |
| 7. 배포·운영 | 화면·코드: Sonnet 5.5 리포트 대량 생성: Haiku 5.5 Qwen3-30B-A3B, gpt-oss-20b (자체 서버) |
화면 시안은 Claude Design, 구현은 Claude Code, 대량 생성은 API | 시안은 캔버스에서 고치며 보는 게 빠르고, 반복 문장 생성은 가벼운 모델이 비용 면에서 유리 |
| 8. 커뮤니케이션 | Opus 5.5 GPT-5.1, Gemini 3 Pro |
롤플레이는 채팅, 덱은 Claude Slides 또는 Claude in PowerPoint | 청중 시각의 날카로운 질문에는 깊은 추론이 필요 |
우리 프로젝트에서는 이렇게 썼어요
저희는 드론이 찍은 일반 사진과 열화상 사진으로 태양광 패널의 이상 후보를 찾는 프로젝트를 이 방식으로 진행하고 있어요. 지금도 진행 중이라 완성된 성과를 말씀드리기보다, 어느 단계에서 어떻게 썼는지를 공유해요.
- 문제 정의: LLM이 Interviewer가 되어 "성공 기준을 숫자로 바꾸면?" "그게 꼭 필요한가요?" 같은 질문을 던져요. 혼자 하는 프로젝트였지만 고객, 현장 작업자, 경영진 입장에서 번갈아 묻게 해서 놓치기 쉬운 시각을 채웠어요.
- 라벨링: 그림자인지 오염인지 헷갈리는 사진을 LLM과 한 장씩 보며 판정 기준을 한 줄 규칙으로 정리해요. 최종 판정은 사람이 현장에서 확인해요.
- 평가: LLM에게 결과의 약점을 공격하게 해서, 답하지 못한 질문을 추가 확인 과제로 쌓아요.
- 전 단계 공통: 단계가 끝날 때마다 결정한 것과 미결 사항을 요약해서 다음 단계로 넘겨요.
단계마다 대화 방식과 프롬프트, 추천 모델과 작업 환경까지 정리한 활용 가이드도 만들었어요.
AI가 못 하는 일, 사람이 할 일
LLM을 프로젝트에 깊이 쓸수록 "어디까지 맡기고 어디부터 사람이 할지"를 분명히 해야 해요.
- 최종 판단은 사람이: 무엇을 성공으로 볼지, 위험을 어디까지 감수할지는 팀이 정해요. LLM은 선택지와 장단점을 정리해 주는 역할이에요.
- 결과는 실제 데이터로 확인: LLM이 만든 계획과 코드도 실제 자료로 시험해 봐야 해요. 센서 사양이나 인용한 자료는 원문으로 확인하는 것도 잊지 마세요.
- 데이터 범위를 먼저 정하기: 고객 정보나 현장 자료를 외부 AI 서비스에 보내도 되는지 시작 전에 정해야 해요. 정하기 전에는 설계 문서나 식별 정보를 가린 샘플만 쓰는 식으로 보수적으로 운영하세요.
- 중요한 결정은 기록으로: 왜 그렇게 정했는지를 짧게 남겨 두면, 나중에 팀이 바뀌어도 이유를 설명할 수 있어요.
함께 이야기해 보고 싶어요
프로젝트에 LLM을 도입하려는데 어디서부터 시작해야 할지 고민이라면, 저희도 같은 고민을 먼저 겪었어요. [회사명]은 AI를 활용한 프로젝트를 단계별로 설계하고 운영하는 방식을 직접 만들어 가고 있어요.
이런 분들과 이야기를 나누고 싶어요.
- 새 프로젝트에 LLM을 쓰려는데 단계별로 어떻게 활용할지 막막하신 분
- 드론, 카메라, 센서처럼 현실 세계의 데이터를 다루는 Physical AI 프로젝트를 준비하고 계신 분
- AI 결과를 믿을 수 있게 검증하는 방법이 궁금하신 분
저희가 정리한 단계별 활용 가이드와 프롬프트가 궁금하시면 편하게 문의해 주세요. 프로젝트 상황을 듣고 어떤 단계에서 어떻게 쓰면 좋을지 함께 이야기해 볼 수 있어요.
참조
Physical AI 프로젝트 단계별 Claude 활용 가이드