학습 목표

예상 소요 시간: 20분

이 레슨을 마치면 다음을 할 수 있습니다:

• 네 가지 속성과 학습 지문을 통합하여 실용적인 멘탈 모델 구성하기
• 역량 및 한계 프레임워크와 4D 프레임워크를 하나의 시스템을 이루는 두 부분으로 연결하기
• 이번 주 AI 활용 방식에서 실천할 구체적인 변화 한 가지 파악하기

AI에 대한 작은 모델

AI 역량 및 한계 프레임워크

AI가 할 수 있는 것과 할 수 없는 것을 결정하는 네 가지 속성. 각 속성은 스펙트럼 위에 놓이며, 오른쪽으로 갈수록 더 많은 검증과 보완이 필요합니다.

역량

한계

다음 토큰 예측

AI의 답변은 어디서 오는가?

익숙한 경로: 요약, 재구성, 일반적인 개념 설명 새로운 영역, 희소한 패턴, "사실 vs. 그럴듯한 것"

지식

AI는 실제로 무엇을 알고 있는가?

빈번하고, 학습 시점에 최신이며, 일관된 주제: 주류 토픽, 인기 언어 드물거나, 학습 시점 이후이거나, 틈새·지역·논쟁적 주제

작업 기억

AI는 지금 무엇에 주의를 기울이고 있는가?

자료가 컨텍스트에 충분히 들어가고, 세션이 현재 진행 중이며, 관련 맥락을 직접 제공하는 경우 매우 긴 문서/대화, 세션 간 연속성 기대 (절벽 효과)

조향 가능성

내가 얼마나 통제할 수 있는가?

짧고, 구체적이며, 검증 가능한 지시 ("표 형식으로 답하라", "100단어 이내로") 긴 추론 연쇄, 추상적인 요청, 세밀한 정밀도 요구

여러분은 하나의 질문을 품고 이 과정을 시작했습니다: AI는 왜 그렇게 행동하는가? 이제 여러분은 다음에 나올 질문에 스스로 답할 수 있는 구조를 갖추고 떠납니다.

가져가는 것들. 두 가지 학습 단계: 사전학습은 문서 완성기를 만들고, 파인튜닝은 그 위에 어시스턴트를 쌓습니다—모든 행동은 이 두 지문 중 하나로 거슬러 올라갑니다. 연속체로서의 네 가지 속성: 다음 토큰 예측, 지식, 작업 기억, 조향 가능성—각각 역량 구역, 한계 구역, 그리고 경계를 더 밀어내는 제품 기능을 갖습니다. 그리고 무언가 잘못될 때, 그것은 거의 항상 두 속성이 만나는 지점입니다. 무엇이 부딪혔는가? 를 물어 진단하세요— 무엇이 고장났는가? 가 아니라.

하나의 시스템을 이루는 두 부분. 4D 프레임워크와 이 과정은 따로 관리해야 할 별개의 것이 아닙니다. 4D는 당신 이 하는 것이고, 네 가지 속성은 당신이 그것을 할 때 대응하는 대상입니다. 다음 토큰 예측은 분별력(Discernment)을 날카롭게 합니다(유창성과 정확성은 독립 변수입니다). 작업 기억은 설명(Description)을 날카롭게 합니다(맥락은 레버리지이며, 모델은 모든 것을 기억하지 않습니다). 조향 가능성은 위임(Delegation)을 날카롭게 합니다(통제가 단단한 곳과 느슨한 곳을 알게 됩니다). 기계 레이어는 인간 레이어를 날카롭게 합니다—같은 동전의 양면입니다.

조율된 신뢰는 태도가 아니라 습관입니다. AI에게 무언가를 넘기기 전에 빠른 내부 점검을 해보세요: 익숙한 영역인가, 희소한 영역인가? 최근 주제인가, 안정된 주제인가? 맥락이 윈도우 안에 편안하게 들어가는가? 지시가 구체적인가, 아니면 말과 의도 사이에 여백이 있는가? 그런 다음 조정하세요—오류 가능성이 높은 곳에서는 더 많은 검증을, 모델이 추측할 수 없는 곳에서는 더 많은 맥락을, 추론이 길어지는 곳에서는 더 많은 체크포인트를. 당신은 AI를 신뢰하지도, 불신하지도 않습니다. 작업의 위치를 파악하고 그에 맞게 습관을 설정할 뿐입니다.

이 구조는 계속 유용합니다. 모델은 계속 변할 것입니다. 컨텍스트 윈도우는 커지고, 환각률은 낮아지며, 기능은 격차를 좁힙니다. 그러나 AI는 계속해서 유창성이 정확성을 앞서가는 예측기일 것이며, 불균일한 지식과 학습 시점 제한을 가지고, 유한한 윈도우 안에서 작동하며, 말과 의도 사이의 간극을 통해 지시를 따를 것입니다. 이러한 사실들은 버전 번호가 올라간다고 만료되지 않습니다. 여러분은 의도적으로 내구성 있는 멘탈 모델을 만들었습니다.

핵심 요점

• 이제 실용적인 멘탈 모델을 갖추었습니다: 연속체로서의 네 가지 속성, 속성의 교차점으로서의 특징적 실패들.
• 이 프레임워크와 4D 프레임워크는 하나의 시스템의 두 면입니다. 속성들은 4D 역량이 무엇에 대응하는지를 설명합니다.
• 조율된 신뢰 란 각 연속체에서 자신의 작업 위치를 파악하고, 그 위치에 맞게 검증과 맥락 제공 습관을 맞추는 것을 의미합니다.
• 모델은 계속 변할 것입니다. 정확한 경계가 이동하더라도 이 속성들의 구조는 계속 유용합니다.

연습 문제

연습: 나의 실천 다짐

레슨 1의 작업 목록으로 마지막으로 한 번 더 돌아가세요. 각 작업에 대해 빠른 직관적 판단을 메모하세요: 각 속성의 연속체에서 해당 작업은 어디에 위치하며, 어떤 완화 조치가 필요할 수 있나요?

이제 작업 하나와 이번 주에 실천할 변화 하나를 선택하세요 (검증 단계, 상시 맥락 설정, 체크포인트, 형식만이 아닌 목표 명시 습관). 그것을 기록해 두세요.

레슨 성찰

• 레슨 1부터 지금까지 AI 행동에 대한 생각에서 가장 큰 변화는 무엇인가요?
• 여기서 배운 내용으로 4D 중 어느 것이 가장 즉각적으로 날카로워진 것 같나요?

다음 단계

아직 AI 유창성 프레임워크 및 기초 과정을 수강하지 않으셨다면, 그것이 자연스러운 다음 단계입니다. 이 과정이 제공한 기계 측 맥락에 해당하는 인간 역량을 깊이 다룹니다. 그리고 계속해서 경계를 시험해 보세요: 속성들은 안정적이지만, 경계선의 위치는 모델이 발전함에 따라 계속 이동할 것입니다.

피드백

과정을 진행하면서 배운 개념을 업무에 어떻게 활용하고 있는지, 그리고 어떤 의견이든 들려주세요. 피드백을 여기 에 공유해 주세요.

감사의 말 및 라이선스

Copyright 2026 Anthropic. Prof. Rick Dakan (Ringling College of Art and Design)과 Prof. Joseph Feller (University College Cork)이 개발한 AI 유창성 프레임워크를 기반으로 한 원저작물. CC BY-NC-SA 4.0 라이선스 하에 공개됩니다.