Stanford CS193T Thinking with AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Stanford CS193T의 AI 입문은 LLM의 작동 원리를 이해하고, 문맥 관리와 비판적 판단을 바탕으로 학습·연구·업무에 책임 있게 활용하는 데 초점을 둔다.

📌 핵심 요점

1. 핵심 역량은 실제 활용과 맥락 관리다. 수업은 LLM과 멀티모달 생성형 AI를 대상으로, 모델 제작 지식을 실용적인 활용 능력으로 연결한다. 맥락 공학은 AI에 어떤 정보를 제공할지 관리하는 접근이다.
2. LLM은 문맥에 따른 다음 토큰의 확률을 계산한다. 신경망은 언어 패턴을 학습해 처음 보는 입력에도 일반화한다. Transformer의 Attention은 문맥상 중요한 정보에 비중을 주며, Temperature를 높이면 드문 후보가 선택될 가능성이 커진다.
3. 사전학습과 미세조정은 서로 다른 역할을 한다. 사전학습은 방대한 자료로 언어 패턴을 익히고, 미세조정은 선별된 응답과 인간 피드백으로 응답 행동을 다듬는다. 이 과정에는 GPU 연산뿐 아니라 원자료를 만든 인간의 노동과 평가 작업도 들어간다.
4. 대화 중 적응과 가중치 학습은 구분해야 한다. 일반적인 상용 모델 버전은 학습 후 고정된 가중치로 추론한다. 대화에 따라 응답이 달라지는 것은 주로 입력 문맥이 달라지기 때문이며, 유한한 문맥 창에서 중요한 정보를 유지하는 일이 필요하다.
5. 자연스러운 답변이 사실성과 책임성을 보장하지는 않는다. 일반화에는 사실과 다른 생성의 위험이 따르고, 미세조정은 아첨이나 정형화된 문체를 강화할 수 있다. 학습 지원 지침을 시험하고, 과제와 사용자 상황에 맞는 AI 사용 규칙을 마련해야 한다.

🧩 배경과 문제 정의

• AI는 시대마다 가리키는 기술이 달라져 온 폭넓은 개념이다. 이 수업의 주요 대상은 대규모 언어 모델과 멀티모달 생성형 AI다.
• 모델을 만들고 훈련하는 지식과 실제 학습·연구·업무에서 효과적으로 사용하는 역량 사이에는 간극이 있다.
• AI 활용에는 효율성뿐 아니라 학업 윤리, 사용자의 비판적 판단, 조직과 사회에 대한 책임이 필요하다. AI에 주어지는 맥락을 관리하는 능력이 핵심 학습 과제다.

🕒 시간순 섹션별 상세정리

1. 맥락 관리와 사회적 영향을 함께 고려하는 AI 활용

• ‘맥락 공학(context engineering)’은 AI에 주어지는 맥락을 관리하는 접근이며, 수업 전반을 관통하는 핵심 주제다. [00:17]
• 첫 주에는 별도 설치 없이 Stanford AI Playground를 사용한다. 이후 사용할 도구의 노트북 설치를 지원하는 시간도 마련된다. [00:39]

2. 학습·취업·연구에 필요한 실용적 AI 역량

• 신입생은 스탠퍼드가 무료로 제공하는 유료 구독 도구 등을 활용해 학습 효율을 높이면서도 학업 윤리 규정을 지키는 방법을 익힐 수 있다. [02:35]
• 고학년에게는 취업 과정에서 고용주가 요구하는 AI 활용 역량을 보여주는 것이, 학부·대학원 연구자에게는 연구 프로젝트에 도구를 적용하는 것이 주요 활용 목적이다. [03:01]

3. 책임 있는 활용과 찬반 모두에 필요한 이해

• 교수·직원·직장인에게 필요한 역량은 업무에서 AI 도구를 효과적으로 사용·도입하고, 조직의 책임 있는 AI 활용을 이끄는 능력이다. [04:05]
• AI 지지와 비판 모두 도구의 실제 능력, 작동 방식, 영향을 이해하는 데 근거해야 한다. AI 폐지를 주장하는 입장도 이러한 지식을 바탕으로 주장을 발전시킬 수 있다. [04:23]

4. 시대에 따라 이동해 온 AI의 기준

• AI는 넓게는 기계를 똑똑하게 만드는 과학이지만, 무엇을 ‘똑똑하다’고 보는지는 변해 왔다. 실제로는 컴퓨터가 해낸다는 사실에 사람이 놀라는 일이 AI로 여겨지곤 했다. [06:22]
• 1950~1960년대에는 산술과 기초 대수가, 1970~1980년대에는 Connect Four 같은 규칙 기반 게임의 상대 역할이 AI의 사례였다. [07:02]

5. 언어의 통계적 패턴에서 멀티모달 모델로의 확장

• 이 수업에서 AI는 LLM 또는 멀티모달 생성형 AI를 뜻한다. LLM은 방대한 텍스트에서 언어가 사용되는 방식과 단어 사이의 관계를 담은 ‘통계적 지문’으로 드러난다. [10:09]
• 텍스트로 대화를 주고받는 사용 방식은 모델을 언어 모델로 활용하는 경우다. 초기 ChatGPT의 GPT-3.5가 그 예다. [10:29]

6. 생성형 AI와 분류기의 차이

• 생성형 AI는 새로운 무언가를 만들어 내는 도구다. 분류기는 기존 대상을 범주에 배정하는 도구이므로 이 구분에서는 생성형 AI에 해당하지 않는다. [11:49]
• 소셜미디어의 혐오 표현 판별과 식물 이미지의 종별 분류가 분류기의 사례다. 식물 분류기는 기존 이미지를 구분하지만, 해당 종의 새로운 식물 이미지를 생성하지는 않는다. [12:14]

7. 다음 토큰의 후보와 확률로 이해하는 언어 패턴

• “Welcome, please have a ___”의 빈칸에는 ‘seat’가 가장 흔하게 나왔지만, 음료나 쿠키 등 다른 답도 가능했다. 같은 문맥에서도 다음에 올 표현은 하나로 고정되지 않는다. [13:56]
• 토큰은 대체로 단어라고 생각할 수 있지만, 설명상의 예로 단어의 일부나 하나의 개념을 이루는 두 단어 묶음도 포함할 수 있다. [14:18]

8. 다음 단어 예측에 함께 담기는 문법과 문맥

• 문장을 “Welcome, please have”까지만 주면 다음 후보는 a, some, my 등으로 달라진다. 다음 단어를 예측하는 동일한 방식으로 명사·동사뿐 아니라 문법적인 문장 구조도 포착할 수 있다. [16:03]
• “Welcome”, “Welcome, please”, “Welcome, please have”처럼 앞부분의 길이와 내용에 따라 다음 후보가 달라진다. 다양한 문장 앞부분과 그 뒤에 오는 표현을 모으면 문맥별 언어 패턴을 담은 표들의 집합을 생각할 수 있다. [17:09]

9. 모든 문맥을 저장하는 표 대신 일반화하는 신경망

• 가능한 모든 문장 시작과 다음 단어의 관계를 정확한 표로 저장하는 일은 현실적으로 불가능하다. 신경망은 비슷한 패턴을 더 유연하고 일반화 가능한 형태로 담는 대안이다. [18:17]
• 입력된 텍스트에 대한 계산이 신경망을 통과하면 다음 토큰 후보에 대한 결과가 나온다. 앞선 예에서는 ‘seat’가 가장 가능성 높은 후보에 해당한다. [18:58]

10. 학습으로 생겨나는 내부 표현과 블랙박스의 한계

• 노드가 어떤 개념을 나타낼지는 엔지니어가 직접 설계하거나 통제하지 않는다. 학습 과정에서 형성되며, 학습이 끝난 뒤에도 그 의미를 쉽게 알아내지 못할 수 있다. [20:57]
• 특정 입력에 어떤 부분이 반응하는지 분석해 내부 표현을 추론하는 방법은 있지만, 이것만으로 신경망 내부를 완전히 이해할 수 있는 것은 아니다. [21:42]

11. 가중치가 연결하는 증거와 층별 계산

• 설명용 신경망에서 노드 사이의 연결은 가중치 또는 파라미터다. 앞 층의 노드가 다음 층 개념의 관련성을 판단하는 데 얼마나 유용한 증거인지를 나타낸다. [23:16]
• GPT-5.6의 파라미터 수는 소문에 따르면 2조~4조 개로 추정된다. 이 수치는 확정된 사양이 아니라 소문 수준의 정보다. [24:54]

12. 깊은 층이 더 복잡한 개념을 합성하는 구조

• 일반적인 경향으로는 신경망의 깊은 층으로 갈수록 더 복잡한 개념을 다룬다. 각 층이 이전 층의 판단을 근거로 활용하므로 더 정교한 개념을 합성할 수 있다. 다만 개별 노드가 어떤 개념을 나타내는지는 여전히 명확하지 않다. [27:07]
• 딥러닝은 층이 많은 깊은 신경망을 뜻한다. ‘깊다’는 기준은 다소 주관적이지만, 예시 그림의 네다섯 층 정도는 깊은 신경망으로 보지 않는다. [27:59]

13. 무작위 가중치와 정해진 개념이 없는 학습의 출발점

• 연결의 강도와 노드가 나타내는 개념은 학습 과정에서 형성된다. 개념을 사람이 미리 지정해 넣는 방식으로 설명되지 않는다. [29:04]
• 학습을 시작할 때 각 연결의 가중치는 무작위로 배정된다. [29:41]

14. 다음 단어 예측 결과에 따라 연결 가중치를 조정한다

• “Welcome, please have a” 다음에 실제 학습 자료의 단어인 ‘seat’를 높은 점수로 예측하면, 그 결과에 기여한 연결을 강화해 이후에도 같은 결과가 나올 가능성을 높인다. 처음에는 우연히 맞힌 예측도 이러한 조정의 출발점이 된다. [31:04]
• 자료와 맞지 않는 출력을 만들면 관련 연결을 약화하고, 맞는 출력을 만들면 강화하는 과정을 수집한 텍스트 전반에 반복한다. [31:29]

15. 확률표를 재현하면서 처음 보는 입력에도 일반화한다

• 학습의 목표는 다음 단어를 선택하는 확률이 자료에서 관찰한 분포에 가까워지도록 가중치를 조정하는 것이다. 예시에서는 ‘seat’가 60%, ‘drink’가 30%인 분포를 사용한다. [31:54]
• 단순한 표는 정확히 일치하는 문장 시작이 없으면 예측 근거를 제공하지 못한다. 신경망은 학습에서 보지 못한 입력에도 대응하고, 기존에 존재하지 않았던 출력을 생성할 수 있다는 차이가 있다. [32:50]

16. Temperature를 높이면 드문 출력의 가능성이 커진다

• 잘 학습된 모델은 자료의 단어 분포와 대체로 비슷한 확률로 출력한다. Temperature를 높이면 ‘cookie’나 ‘snack’처럼 원래 가능성이 낮았던 후보도 더 자주 선택되어, 상대적으로 특이하거나 새로운 표현이 나올 수 있다. [33:43]

17. 사전학습은 방대한 인간의 저작물을 자동으로 처리한다

• 사전학습은 문장의 첫 단어로 두 번째 단어를 예측하고, 앞의 두 단어로 세 번째 단어를 예측하는 식으로 학습 예시를 만든다. 수십억~수조 개의 예시를 반복해서 입력해 가중치가 적절한 값에 수렴하도록 한다. [34:21]
• 수조 개 매개변수를 조정하려면 많은 자료가 필요하므로, AI 기업들은 인터넷 텍스트와 책 등 확보할 수 있는 자료를 광범위하게 모은다. [34:42]

18. 사전학습에는 대규모 GPU와 자료 확보 작업이 필요하다

• 가중치를 갱신하는 수학 연산에는 GPU가 효율적이며, 사전학습용 데이터센터에는 수만~수십만 개의 GPU가 필요하다. 엔비디아는 이러한 GPU의 대표적인 제조사다. [36:05]
• 사전학습 규모의 예로 수만 개의 엔비디아 칩을 하루 24시간, 2~4개월 가동하는 조건이 드러난다. 자료 확보에는 대량의 실물 책을 구입하고 자동으로 페이지를 넘겨 텍스트를 스캔하는 작업도 포함된다. [36:58]

19. 미세조정은 선별 자료와 인간 평가로 응답을 개선한다

• 인터넷 자료를 폭넓게 학습하면 잘못된 문법, 장황하거나 일관성 없는 답변, 모욕적인 표현까지 익힐 수 있다. 미세조정은 이러한 패턴을 보완하기 위해 좋은 응답의 예시를 엄선해 사용한다. [38:05]
• 사람이 모델의 출력에 점수를 매기면, 그 평가에 따라 관련 가중치를 강화하거나 약화할 수 있다. 인간의 평가를 활용하는 이 방식은 RLHF, 즉 인간 피드백을 통한 강화학습으로 불린다. [38:43]

20. 학습이 끝난 모델은 고정된 가중치로 추론한다

• 학습 자료에는 텍스트뿐 아니라 멀티모달 모델을 위한 이미지·영상·음성도 포함된다. 사전학습과 미세조정이 끝나면, 일반적으로 사용자가 접하는 상용 모델 버전의 가중치는 고정된다. [40:01]
• 추론은 학습된 모델을 실제로 사용하는 단계다. 모델은 사용자의 프롬프트에 응답하면서 다음 단어 예측을 반복해 새로운 텍스트를 생성한다. [40:20]

21. 대화 중 적응은 가중치 변경 없이도 일어난다

• 대화를 오래 이어갈수록 모델이 사용자에게 적응하는 것처럼 느껴지는 이유는 문맥 창에 들어 있는 입력이 달라지기 때문이다. 문맥은 가중치를 바꾸지 않고도 응답 행동을 바꿀 수 있다. [42:50]
• 가중치를 지속적으로 미세조정하는 방식도 가능하지만, 일반적인 상용 모델과의 대화에서 일어나는 변화는 대체로 여기에 해당하지 않는다. 여러 사용자가 같은 모델의 가중치를 공유한다는 점도 구분해야 한다. [43:18]

22. 내부 개념은 반복 학습 과정에서 형성된다

• 추론 시에는 각 노드가 나타내는 개념이 현재 입력과 얼마나 관련 있는지에 따라 활성 정도가 달라진다. 이는 해당 노드가 어떤 개념을 나타내게 되었는지와는 별개의 문제다. [44:17]
• 가중치는 무작위 값에서 출발하며, 실제 다음 단어를 맞히는 방향으로 연결을 조정하는 과정에서 개념들이 형성된다. 사람이 노드마다 ‘음악’이나 ‘환영’ 같은 의미를 지정하는 방식이 아니므로, 형성된 개념이 인간에게 일관되지 않게 보일 수 있다. [45:37]

23. 주변 문맥이 같은 문장의 다음 단어 확률을 바꾼다

• J. R. 퍼스의 “단어는 함께 등장하는 말로 알 수 있다”는 관점에서는 의미가 주변 문맥에서 형성된다. 같은 “Welcome, please have a”라도 음료를 권하는 상황이면 ‘drink’의 확률이 예시의 30%에서 약 95%로 높아질 수 있다. [47:28]
• 쿠키 접시를 든 《매트릭스》의 오라클이 화자라면 ‘cookie’의 확률은 원래 예시의 약 2%에서 약 90%로 높아진다. 화자의 상황이 앞선 단어만으로는 부족했던 예측 근거를 제공한다. [49:11]

24. Transformer는 문맥의 중요도에 따라 주의를 배분한다

• Transformer는 입력의 모든 단어를 같은 비중으로 취급하지 않고, 문맥상 중요한 단어에 더 큰 비중을 주는 방식으로 드러난다. 단어의 주제뿐 아니라 입력의 앞이나 뒤에 놓이는 위치도 중요도에 영향을 줄 수 있다. [50:43]
• 이를 소개한 논문 제목인 「Attention Is All You Need」는 무엇에 주의를 기울이게 하느냐가 중요하다는 발상을 담고 있다. 이러한 변화는 현대 LLM을 가능하게 한 핵심 기술적 전환이다. [51:23]

25. 문맥 창은 크더라도 한계가 있는 자원이다

• 문맥 창은 모델에 입력되는 내용을 담는 공간이며, 제품마다 처리할 수 있는 최대 토큰 수가 정해져 있다. 좋은 결과를 얻으려면 이 공간을 유한한 자원으로 보고 전략적으로 관리해야 한다. [53:16]
• 최대 크기가 7토큰인 가상의 예에서는 “The teacher said”에 “smiling warmly”를 추가하는 것만으로도 ‘teacher’가 창 밖으로 밀려날 수 있다. 중요한 단서를 잃으면 ‘seat’의 확률이 약 90%에서 기본값인 60%에 가까워져 예측 정확도가 떨어질 수 있다. [54:16]

26. 설명이 필요한 판단에는 다른 AI 알고리즘이 적합할 수 있다

• AI에는 신경망 외에도 로지스틱 회귀, 서포트 벡터 머신, 베이지안 모델, 마르코프 모델 등이 있다. LLM은 내부 노드의 의미나 특정 예측에 영향을 준 학습 자료·입력 요소를 명확하게 설명하기 어렵다는 한계가 있다. [56:07]
• 대출 거절처럼 판단 근거를 설명해야 하는 용도에서는 이러한 불투명성이 문제가 된다. 신청자의 어떤 속성이 결정에 영향을 주었는지 설명할 수 있는 다른 알고리즘이 더 적합할 수 있으며, 신경망이 모든 용도에서 최선인 것은 아니다. [57:24]

27. 일반화의 유연성은 사실과 다른 생성의 위험도 만든다

• 확률적으로 그럴듯한 다음 단어를 반복해서 고르면 자연스러운 문장을 만들 수 있지만, 그것이 참인 내용을 만드는 가장 좋은 방법이라는 보장은 없다. 문장의 자연스러움과 사실성은 구분해야 한다. [58:03]
• 처음 보는 입력에 대응하고 새로운 문장을 만들려면 불확실한 상황에서 최선의 추측을 해야 한다. 이러한 일반화 능력 때문에 LLM에는 이른바 환각의 위험이 계속 남으며, 위험의 근원을 제거하려 하면 모델의 강점도 잃을 수 있다. [59:08]

28. ‘환각’이라는 표현은 AI를 이해하는 방식에 영향을 준다

• AI를 설명하는 언어는 사회가 AI를 어떻게 이해하고, 언제 사용하거나 사용하지 않으며, 법으로 어떻게 규제할지에 영향을 준다. 이런 이유로 ‘환각’이라는 용어 자체도 논쟁의 대상이다. [59:48]
• ‘환각’처럼 사람에게 사용하는 표현을 AI에 적용하면 AI를 의인화한다는 비판이 있다. 용어 선택이 기술에 대한 인간적인 인상을 만들어낼 수 있다는 문제다. [1:00:00]

29. ‘환각’이라는 표현과 AI 의인화의 긴장

• ‘환각’처럼 인간과 연결된 용어는 AI에도 고유한 생각과 감정이 있다는 인상을 줄 수 있다. 이를 피하자는 입장은 AI를 감각이나 의식을 가진 존재가 아니라 통계적 도구이자 칩에서 실행되는 선형대수 연산으로 이해해야 한다는 관점에 기반한다. [1:00:24]
• 대안으로 ‘작화(confabulation)’와 ‘사실 날조(fact fabrication)’ 등이 드러난다. 이어 설명되는 ‘BS’는 진실을 알면서 상대를 속이려는 거짓말과 달리, 참과 거짓 자체에 무관심한 태도를 뜻한다. AI는 감정이 없어 진위를 신경 쓰지 않는다는 점에서 이 표현이 적합하다는 주장이 있다. [1:01:03]

30. 일상 언어와 감정적 관계에 스며드는 의인화

• 친구 사이의 논쟁에서 “챗에게 물어보자”라고 하거나 “어젯밤 Claude와 논쟁했다”라고 말하면 AI를 대화 상대처럼 취급하게 된다. AI에 사람 이름인 ‘Claude’를 붙이는 설계도 의인화를 유도한다. [1:02:48]
• 원하는 이미지가 나오지 않았을 때 AI에 사과하거나, 작업을 망치고 이해하기 어려운 접근을 계속할 때 AI에 화를 내는 반응에도 사람을 대하듯 감정을 부여하는 태도가 드러난다. [1:03:44]

31. 미세조정이 아첨과 정형화된 문체로 이어지는 이유

• 미세조정은 바람직하지 않은 습관을 줄이는 동시에 친절함, 응답성, 명료한 단계별 설명과 정돈된 목록 같은 패턴을 강화한다. 선별된 데이터와 인간 피드백을 통한 강화학습에서 이런 답변이 높은 평가를 받는다. [1:05:50]
• 친절하고 도움이 되려는 성향이 지나치면 아첨으로 이어질 수 있다. 챗봇이 진실보다 사용자가 듣고 싶어 할 말을 우선하거나 너무 쉽게 동의하는 행동이 이에 해당한다. [1:06:40]

32. 학습 지원 지침을 만들고 대화 속에서 시험하기

• 첫 과제는 AI에 원하는 행동과 원하지 않는 행동을 직접 알려주는 기본적인 가드레일을 실험하는 것이다. 선호하는 챗봇에서 새 대화를 시작하며, 별도 설치가 필요 없는 웹 기반 Stanford AI Playground도 사용할 수 있다. [1:08:39]
• 초기 지침은 잘 훈련된 조교처럼 답에 도달하도록 안내하되 정답을 바로 주지는 않도록 구성한다. 학습에 도움이 되면서도 지나치게 대신해 주지 않아야 하며, 틀린 답으로 학습을 방해하지 않도록 환각을 피하라는 요구도 포함한다. [1:09:16]

33. 과제 목적과 학생의 상황을 반영한 AI 사용 규칙

• 강의계획서의 AI 사용 관련 명예규정은 학생들이 직접 작성하도록 미정으로 남겨져 있다. AI 사용을 요구하는 과제가 있으므로 전면 금지로 정할 수 없으며, AI 활용 경험에 대한 일지처럼 학생 자신의 생각을 요구하는 과제는 별도로 고려해야 한다. [1:10:46]
• 규칙에는 사용 수준, 구체적인 도구, 사용 방식, 적용 대상의 차이가 반영되어야 한다. 허용 여부가 모호해 학생을 혼란스럽게 하는 대신, 명확하면서도 세부 상황을 구분하는 정책이 필요하다. [1:11:45]

🧾 결론

• AI 활용 능력에는 도구 조작뿐 아니라 작동 원리, 한계, 사회적 영향을 이해하는 판단력이 포함된다.
• 원하는 응답을 얻으려면 목표와 상황에 필요한 정보를 제공하고, 대화가 길어질 때 중요한 맥락이 유지되는지 점검해야 한다.
• 학습을 돕는 AI는 정답을 대신 제공하는 정도와 오류 위험을 함께 관리해야 한다. 설명 책임이 중요한 판단에서는 다른 알고리즘이 더 적합할 수 있다.

📈 투자·시사 포인트

• 연산 인프라: 대규모 사전학습은 다수의 GPU와 장기간의 연산을 요구한다. 엔비디아가 대표적인 공급자로 언급되지만, 강의의 규모 예시만으로 기업 수익성이나 주가를 판단할 수는 없다.
• 도입 역량: 조직의 AI 활용에서는 도구를 효과적으로 사용하는 능력과 책임 있는 사용을 이끄는 역량을 함께 살펴볼 필요가 있다.
• 데이터와 노동: 학습 절차가 자동화되어 있어도 원자료 제작, 자료 확보, 응답 평가에는 인간의 기여가 들어간다. AI의 사회적 영향을 논의할 때 이 기여를 함께 고려해야 한다.
• 교육과 채용: 학습·연구·취업에서 AI 활용 역량의 중요성이 제시된다. 활용 결과와 함께 사용 범위, 검증 방식, 자신의 판단을 설명하는 능력이 과제가 된다.

⚠️ 불확실하거나 확인이 필요한 부분

• GPT-5.6의 파라미터 2조~4조 개와 100~150개 층이라는 수치는 출처에서 소문으로 제시된다. 확정 사양으로 인용해서는 안 된다.
• 문맥 창 20만~1,000만 토큰과 GPU 수·가동 기간은 강의에서 제시한 범위나 예시다. 특정 제품이나 학습 작업에 적용하려면 해당 조건을 별도로 확인해야 한다.
• 단어 확률과 내부 노드의 개념 연결은 설명을 위한 가상 예시다. 특히 cookie의 기본 확률은 앞부분에서 3%, 뒤에서는 약 2%로 제시되어 일관되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 새 대화에서 ‘정답을 바로 주지 않고 풀이를 안내하는 조교’ 지침을 작성한 뒤, ‘지쳤으니 답만 달라’는 요청에도 지침이 유지되는지 시험한다.
• 작업 목표, 필요한 자료, 제약을 문맥에 포함하고, 긴 대화에서는 핵심 정보가 유지되는지 점검한다.
• AI 답변의 사실 주장과 수치를 확인하고, 설명용 예시·소문·확정 정보를 구분해 기록한다.
• 과제나 조직 업무의 AI 사용 규칙에 허용 도구, 사용 수준, 적용 대상, 예외와 집행 방식을 구체적으로 적는다.

❓ 열린 질문

• 학습을 돕는 안내와 학생의 사고를 대신하는 답변 사이의 경계를 어떻게 정하고 평가할 것인가?
• 영어 학습자나 쓰기 관련 장애가 있는 학생의 필요를 반영하면서, 명확하고 집행 가능한 AI 사용 규칙을 어떻게 만들 것인가?
• 판단 근거를 설명해야 하는 업무에서 LLM을 사용할 범위와 다른 알고리즘을 선택할 기준은 무엇인가?