AI가 너무 일반적인 답변만 줄 때, 깊이를 끌어내는 프롬프트

AI에게 물어봤는데 "다양한 방법이 있습니다", "상황에 따라 다릅니다" 같은 답변이 돌아왔다면, 그것은 처음 질문의 문제가 아닐 수 있습니다. AI는 첫 답변에서 범용적으로 안전한 수준을 유지하는 경향이 있습니다. 문제는 그 다음 — 받은 답변을 더 깊게 파는 후속(follow-up) 프롬프트를 쓰지 않는 것입니다.

이 글은 처음 질문을 바꾸는 입력 측 구체화(모호한 프롬프트를 구체적으로 바꾸는 기법)와 구분되는 "출력 측 심화 기법"을 다룹니다. 구체적 사례 요구, 수치화 요구, 반대 관점 요구, 단계 세분화, "왜?" 반복 — 이 5가지 depth-forcing 기법으로 두루뭉술한 AI 일반적 답변을 실용 정보로 바꾸는 방법을 정리합니다.

AI가 일반적인 답변을 주는 이유

AI 첫 답변이 두루뭉술한 핵심 이유는 가장 많은 사람에게 통하는 범위에서 생성되기 때문입니다. 맥락 부족, 검증 회피, 답변 종결 편향 세 가지가 결합됩니다.

첫 번째 원인은 맥락 부족입니다. "마케팅 전략 알려줘"처럼 누구에게나 쓸 수 있는 질문은 누구에게도 딱 맞지 않는 답변을 만듭니다. 두 번째는 검증 회피입니다. AI는 틀릴 위험이 있는 구체적 수치나 특정 입장보다 "여러 방법이 있다"는 표현을 선호합니다. 세 번째는 답변 종결 편향입니다. 한 번의 교환으로 대화가 끝난다고 가정하면 범위를 넓히는 것이 안전합니다.

이 세 가지를 역이용하는 것이 follow-up 프롬프트의 원리입니다. "더 좁게", "수치로", "반례로"를 요구하면 AI는 그 방향으로 재생성합니다.

AI 첫 답변의 패턴과 depth-forcing 대응

depth-forcing 기법 1 — 구체적 사례 요구

두루뭉술한 답변을 받은 뒤 가장 빠른 심화 방법은 "사례로 보여 달라"는 것입니다. 수량·조건·출처·형식을 같이 지정해야 AI가 그 틀 안에서 사례를 선택합니다.

추상 설명보다 사례 하나가 훨씬 더 많은 정보를 담습니다. Microsoft Work Trend Index 2023 보고서에 따르면, AI 사용자의 77%가 "구체적 예시를 요청했을 때 답변 활용도가 높아졌다"고 응답했습니다. 단순히 "예시 들어줘"가 아니라 사례 수와 포함할 정보 형식을 지정하는 것이 핵심입니다.

사례 요구 후속 프롬프트 유형 3가지

1. 기본형: "방금 설명한 내용 중 [가장 효과적인 방법]을 실제 상황에서 구체적으로 적용한 사례 3개를 알려 줘. 각 사례마다 [산업군], [구체적 수치], [결과]를 포함해."
2. 산업 특화형: "같은 내용을 [스타트업 마케팅 담당자]가 실제로 사용한 사례로 바꿔 줘. 실명 가능하면 실명, 아니면 익명 + 가상 케이스 명시."
3. 비교 사례형: "성공한 사례 1개, 실패한 사례 1개를 같이 알려 줘. 같은 방법을 썼는데 결과가 다른 이유까지."

depth-forcing 기법 2 — 수치화·비율화 요구

"효과가 있습니다", "많이 사용됩니다"처럼 정성적 표현으로 채워진 답변은 실행 판단에 쓰기 어렵습니다. 단위를 지정해 수치화를 요구하면 AI도 수치 기반 정보를 우선 선택합니다.

McKinsey Global Institute 2023 보고서에 따르면 생성 AI 활용 기업의 30~45%가 업무 효율을 수치화하여 추적한다고 밝혔습니다. AI에게 수치화를 요구하는 것도 같은 원리입니다. "더 구체적으로"는 효과가 작고, "시간으로", "비율로", "1~10점 척도로"처럼 단위를 지정해야 답변이 달라집니다.

수치화 요구 후속 프롬프트 유형 3가지

1. 시간 단위: "방금 설명한 방법을 실제로 실행하면 단계마다 얼마나 걸리는지 시간으로 나타내 줘. 초보자 기준, 숙련자 기준 둘 다."
2. 비율 단위: "각 방법의 성공률을 일반적인 사용 사례 기준 %로 추정해 줘. 추정 근거도 한 줄씩."
3. 비교 척도: "지금 말한 5가지 방법을 [효과] [난이도] [비용] 세 기준으로 1~5점 척도 표로 만들어 줘."

depth-forcing 기법 3 — 반대 관점·예외 사례 요구

AI는 기본적으로 질문 방향을 지지하는 답변을 먼저 생성합니다. 반대 관점을 명시적으로 요구하면 AI는 반례·단점·예외를 우선 탐색합니다. "단점도 알려줘"가 아니라 각도를 지정해야 실질적 반론이 나옵니다.

반대 관점 요구는 단순한 "단점도 알려줘"와 다릅니다. "같은 방법이 실패하는 조건", "반대 입장에서 이 방법을 비판한다면", "이것이 틀렸을 때의 시나리오"처럼 각도를 지정해야 형식적 단점 나열이 아닌 실질적 반론이 나옵니다.

반대 관점 요구 후속 프롬프트 유형 3가지

1. 비판 관점형: "방금 추천한 방법을 가장 회의적으로 보는 전문가라면 어떻게 반론할까? 논거 3가지."
2. 실패 조건형: "이 방법이 효과가 없는 조건 3가지를 알려 줘. 각 조건마다 왜 효과가 없는지 이유와, 그때 대안은 무엇인지."
3. 역할 전환형: "지금까지 [지지 관점]으로 얘기했는데, 이번엔 [반대 관점]이 돼서 이 방법의 근본적 문제점을 설명해 줘."

depth-forcing 기법 4 — 단계 세분화 요구

"다음 3단계로 하면 됩니다"라는 답변은 처음 하는 사람에게 충분하지 않습니다. 단계 세분화 요구는 각 단계를 지금 당장 실행할 수 있는 수준까지 분해하는 것입니다.

단계 세분화의 핵심은 수행 가능한 최소 단위입니다. "콘텐츠 기획하기"는 단계가 아닙니다. "오늘 오후 30분 안에 끝낼 수 있는 첫 번째 행동"이 단계입니다. AI에게 이 수준을 요구해야 합니다. 프롬프트 체계적 문제 해결법의 분해 원칙과 같은 맥락입니다.

단계 세분화 후속 프롬프트 유형 3가지

1. 분해형: "방금 말한 [1단계]를 지금 당장 시작할 수 있는 5분짜리 작업으로 분해해 줘."
2. 도구 포함형: "각 단계마다 실제로 쓸 수 있는 무료 도구 또는 방법을 1개씩 붙여 줘."
3. 체크포인트형: "각 단계가 올바르게 완료됐는지 확인하는 기준을 1가지씩 추가해 줘."

depth-forcing 기법 5 — "왜?" 반복 (5 Whys)

도요타의 5 Whys 원리를 AI 답변에 적용합니다. "왜?"를 반복하면 표면 설명이 아닌 근본 메커니즘까지 도달할 수 있습니다. 한 번에 다섯 번을 묻기보다 한 번씩 받고 파고드는 것이 더 깊은 답변을 만듭니다.

5 Whys는 도요타의 문제 해결 방법론에서 온 기법입니다. 원인을 찾을 때 "왜?"를 5번 반복하면 표면 증상이 아닌 근본 원인에 도달한다는 원리입니다. AI 답변에도 동일하게 적용할 수 있습니다. 일반적 답변이 나왔을 때 "왜 그런가요?"를 반복하면 AI는 더 깊은 논리 레이어로 내려갑니다. 프롬프트 5대 핵심 원칙의 "연쇄 추론 요청"과도 연결됩니다.

Why 반복 후속 프롬프트 유형 3가지

1. 단계별 Why: (첫 답변 후) "그게 효과적인 이유를 한 레이어 더 파고들어 설명해 줘." 이후 반복.
2. 근본 원인 선언형: "방금 설명을 '왜 그런가'를 4번 반복해서 근본 이유까지 도달하는 방식으로 다시 설명해 줘."
3. 역방향 Why: "이것이 실패하는 근본 원인은 무엇인지 '왜' 3번을 거쳐 설명해 줘."

5가지 기법을 조합하는 실전 루틴

다섯 기법은 독립적이지만 조합하면 더 강력합니다. PAS(Problem → Agitation → Solution) 구조를 따르면 — 일반 답변 확인(P) → 사례·수치·반론으로 심화(A) → 단계 세분화로 실행 가능하게 전환(S) — 자연스러운 루틴이 됩니다.

두루뭉술한 답변을 받을 때마다 다음 5단계를 거치세요: ① 구체적 사례 2~3개 요구, ② 핵심 수치 하나 도출, ③ 반대 관점 1가지 확인, ④ 가장 어려운 단계 세분화, ⑤ 근본 이유 1번 파고들기. 이 루틴은 프롬프트 리라이팅 5원칙을 받은 답변 쪽에 적용한 것입니다.

두루뭉술한 답변 → 실용 정보 변환 루틴

두루뭉술한 답변 심화 체크리스트

자주 묻는 질문 (FAQ)

마무리

AI가 일반적인 답변만 줄 때의 해결책은 처음 질문을 다시 쓰는 것이 아닙니다. 받은 답변을 파고드는 후속 프롬프트 — 구체적 사례 요구, 수치화 요구, 반대 관점 요구, 단계 세분화, Why 반복 — 이 다섯 가지 depth-forcing 기법이 답입니다. 처음 질문을 잘 쓰는 방법은 모호한 프롬프트를 구체적으로 바꾸는 기법에서, 반복되는 문제의 체계적 해결은 프롬프트 체계적 문제 해결법에서 이어서 확인하세요.