편의점 3부문 · AX스쿼드 · 2026.01

AI Literacy 순한 맛 🌶️

편의점 현장에서 바로 쓰는 GenAI 프롬프트 실전 워크샵

👨‍💼 강사: 김학민 (Sean) 📅 2026년 1월 12일 (월) ⏱️ 13:30 ~ 16:40 📍 수원사무소 7/8F + Teams 화상

강사 소개

안녕하세요, 저는 Sean입니다 👋

Data Scientist

김학민 (Sean)

개발자보다 수학을 잘하고, 통계학자보다 코딩을 잘하는…

😄 실제론, 개발자보다 코딩을 못하고, 통계학자보다는 수학을 못하는 사람입니다.

전 직장역할
카드사 알고리즘랩데이터 분석 / 모델링
전자회사 Big Data Center빅데이터 플랫폼
투자은행 Quant Trader정량 트레이딩 전략
검색 엔진 개발자검색 알고리즘
병역특례 개발자소프트웨어 개발
오늘 목표: AI를 처음 쓰는 분도, 조금 써봤는데 답답했던 분도, 오늘 이후로 업무에 바로 쓸 수 있는 프롬프트 작성법을 가져가세요.

오늘의 일정

3부문 AX 관련 소통 및 간담회

시간내용장소참석 대상
13:30 ~ 15:30AX 관련 소통 시간 (본 워크샵)수원사무소 7/8F 및 Teams 화상3부문 전인원
15:30 ~ 15:40휴식 시간
15:40 ~ 16:40미니 간담회수원사무소 7F 화상회의실3부문 AX협의체
ℹ️ 오늘 워크샵 자료는 PDF로도 제공됩니다. 3부문 AI-Literacy-260112.pdf를 참고하거나 Gamma 결과물(https://gamma.app/docs/5a1h049ao8kiaee)을 북마크해 두세요.

왜 지금 AI Literacy인가요?

회장님 신년사와 GS그룹의 방향

"25년은 AI 전문가가 와서 해결하는 것이 아닌, 현업사람들이 직접 AI를 활용하여 문제를 해결해야 한다! 그래야, AI를 확산할 수 있다."

2024년, GS 그룹 전체가 DX 성과를 만들어냈습니다. GS 칼텍스, GS E&R, GS 파워, GS EPS, GS 리테일, GS 건설, 파르나스… 각 계열사가 실질적인 AI 프로젝트를 완성했죠. 그런데 회장님은 2025년의 방향을 이렇게 정하셨습니다.

핵심 메시지: AI 전문가 중심 → 현업 중심

여러분이 편의점 업무 현장에서 직접 AI를 써서 문제를 해결하는 것. 그것이 2025년 GS Retail의 방향입니다.

Miso — 현장 전역의 AI 확산

GS그룹이 도입한 AI 도우미 Miso는 "현장 전역에서, 현장사람들이 직접 AI를 활용하여 문제를 해결"하도록 설계되었습니다. ChatGPT, Gemini와 같은 외부 AI 도구와 함께, Miso는 여러분의 업무 도우미가 될 수 있습니다.

외부 AI

ChatGPT / Gemini

개인 모바일·PC에서 자유롭게 활용. 오늘 워크샵의 실습 도구. 아이디어 정리, 보고서 초안, 데이터 시사점 도출.

사내 AI

Miso (미소)

GS그룹 공식 GenAI 플랫폼. 사내 데이터와 연동 가능. 보안이 필요한 업무에는 Miso 우선 사용.

⚠️ 보안 중요! ChatGPT, Gemini 등 외부 AI에는 실제 고객 정보, 직원 개인정보, 대외비 내부 문서를 절대 입력하지 마세요. 오늘 실습은 모두 가상 데이터로 진행합니다.

모바일에 AI 설치하기

아직 ChatGPT나 Gemini가 없는 분은 지금 설치해 보세요. 오늘 실습에 바로 쓸 수 있습니다.

ChatGPT

안드로이드 (삼성폰)

Play 스토어 → "ChatGPT" 검색 → OpenAI 앱 설치

Gemini

애플 아이폰

App Store → "Gemini" 검색 → Google Gemini 앱 설치

ℹ️ 어떤 AI를 쓸까요? ChatGPT와 Gemini 모두 무료로 쓸 수 있습니다. 오늘 워크샵에서는 어느 것을 써도 됩니다. 중요한 건 도구가 아니라 어떻게 물어보느냐입니다.

오늘 배울 것들

6개 챕터 + 보너스 한 가지

챕터 1

Gen AI 동작 방식 뼈대

프롬프트 엔지니어링이 왜 작동하는지, AI가 어떻게 답을 내놓는지 기본 원리

챕터 2

효과적인 프롬프트 작성법

간단한 팁 3가지로 AI 답변 품질을 확 올리는 방법

챕터 3

Case 1: OFC 실적 보고서

팀원용 / 팀장용 실적 분석 시사점 보고서를 ChatGPT로 만들기

챕터 4

Case 2: 편의점 행사 분석

특정 편의점 행사 전후 실적 시사점 보고서 자동 생성

챕터 5

추론 모델 프롬프트 전략

GPT-o1, Gemini 같은 추론 모델에서는 어떻게 프롬프트를 써야 하나?

챕터 6

GPT-5 AI 실수 패턴

최신 AI도 이런 실수를 합니다. 알고 쓰면 훨씬 잘 쓸 수 있어요.

보너스: 링커스(Link-uS) 교육 자료 추천 + AgentKit으로 Miso 같은 Agent 만들기 소개

Gen AI의 동작 방식 뼈대

프롬프트 엔지니어링, 왜 작동하는 걸까요?

"AI는 우리가 어떻게 말하느냐에 따라 천차만별로 답합니다. 프롬프트는 AI에게 보내는 '작업 지시서'입니다."

ChatGPT, Gemini 같은 GenAI는 LLM(Large Language Model, 대형 언어 모델)을 기반으로 합니다. 아주 간단하게 말하면, 이 모델은 수억 개의 문서를 학습해서 "다음에 올 가장 자연스러운 단어"를 예측하는 기계입니다.

ℹ️ 생활 비유: AI는 초고속 자동완성 기능과 비슷합니다. 카카오톡에서 "오늘 저녁은" 을 치면 "뭐 먹을까요?" 가 뜨는 것처럼, AI는 여러분의 프롬프트를 받아서 가장 자연스러운 대답을 만들어냅니다. 단, 이 자동완성은 수천억 개의 문장을 학습한 수준이라 훨씬 똑똑합니다.

프롬프트 4요소 — 이것만 알면 됩니다

강수진 박사의 티타임즈 강의에서 정리한 내용입니다. AI에게 지시할 때 쓰는 요소는 딱 4가지입니다.

요소 1

📋 Instruction (지시문)

AI에게 "무엇을 하라"고 말하는 부분. 가장 중요합니다. 위치가 성능에 영향을 줍니다.

요소 2

🔍 Context (맥락)

배경 설명. "이 상황에서", "이 목적으로" 같은 부연 설명. AI가 방향을 잃지 않도록 도와줍니다.

요소 3

📊 Input Data (입력값)

AI가 분석할 실제 데이터나 내용. 엑셀 표, 텍스트, 숫자 등을 붙여넣는 부분.

요소 4

📤 Output Indicator (출력 지시)

"표로 정리해줘", "3줄로 요약해줘" 같이 결과물의 형태를 지정하는 부분.

⚠️ 중요: 4가지 요소를 다 써야 하는 건 아닙니다. 상황에 따라 2~3개만 써도 됩니다. 핵심은 지시문(Instruction)의 위치와 명확성입니다.

프롬프트 유형 A ~ D

4가지 요소를 어떻게 조합하느냐에 따라 유형이 달라집니다. 복잡한 업무일수록 Type D를 향해 가면 됩니다.

유형구성언제 쓰나요?예시
Type A 지시문 + 출력문 간단한 질문, 빠른 요청 "이 문장을 번역해줘. 표로 정리해줘."
Type B 지시문 + 맥락 + 출력문 배경이 필요한 요청 "팀장 입장에서 팀원에게 보낼 메시지를 작성해줘. 간결하게."
Type C 지시문 + 입력값 + 출력문 데이터를 넣고 분석 요청 "아래 실적 데이터를 분석해줘. [데이터] 시사점 3가지로 요약."
Type D ⭐ 지시문 + 입력값 + 맥락 + 출력문 업무 보고서, 복잡한 분석 "아래 OFC 실적을 분석해서, 팀장 보고용 시사점 보고서를 표 형식으로 작성해줘."

Sean의 추천 공식: 여러분의 경우에는 대부분 지시문 + 맥락 + 입력값 + 출력문 (Type D)을 쓰면 가장 좋은 결과가 나옵니다. 오늘 실습에서 이 패턴을 연습해봅니다.


효과적인 프롬프트 작성법

강수진 박사의 챗GPT 프롬프팅 강좌를 현장 업무에 맞게 정리했습니다

"인턴에게 '무엇을 하라'고 지시하는 것처럼, AI에게도 명확하게 지시하면 됩니다. 막연한 요청은 막연한 결과를 낳습니다."
1

간단하고 짧은 프롬프트로 시작하자 — 반복 수정

처음부터 완벽한 프롬프트를 쓰려고 하지 마세요. 짧게 시작해서 결과를 보고 다듬는 것이 훨씬 효율적입니다.

❌ 모호한 프롬프트

"광합성에 대해 알고 싶어."

→ AI가 어느 수준으로, 얼마나 길게, 어떤 형식으로 답해야 할지 알 수 없습니다.

✅ 명확한 동사 사용

"광합성 과정에 대해 단계적으로 설명해줘."

→ "단계적으로 설명"이라는 동사가 AI에게 방향을 줍니다.

명확한 동사 목록

원하는 결과쓸 동사예시 문장
요약이 필요할 때요약해줘 / 3줄로 정리해줘"이 보고서를 3줄로 요약해줘"
분석이 필요할 때분석해줘 / 시사점을 도출해줘"이 데이터에서 시사점을 도출해줘"
문서 작성이 필요할 때작성해줘 / 초안을 만들어줘"보고용 이메일 초안을 만들어줘"
비교가 필요할 때비교해줘 / 차이를 설명해줘"행사 전후 매출 차이를 설명해줘"
번역이 필요할 때번역해줘 / 한국어로 바꿔줘"이 영문 메일을 한국어로 바꿔줘"
일상어로 써도 됩니다. AI에게 반말로 써도 되고, 존댓말로 써도 됩니다. 복잡한 문법보다 명확한 의도가 훨씬 중요합니다.
2

프롬프트 요소의 순서가 중요하다 — 지시문 위치 특히 중요

LLM은 긴 텍스트를 받으면 앞쪽과 뒤쪽을 더 잘 기억합니다. 중간에 있는 내용은 상대적으로 흘려보낼 수 있습니다. (논문에서도 확인된 현상입니다.)

❌ 지시문이 중간에 있을 때

맥락 설명... (길게)
지시문: "요약해줘"
→ 데이터 입력... (길게)

AI가 지시문을 놓칠 수 있음

✅ 지시문이 맨 앞 또는 맨 뒤

지시문: "아래 데이터를 요약해줘"
→ 맥락 설명...
→ 데이터 입력...

AI가 지시문을 분명히 인식

ℹ️ 생활 비유: 신입사원에게 "오늘 오후까지 보고서 작성해줘. 참고로 우리 팀은 이런 상황이고, 데이터는 이 엑셀 파일이야"라고 말하면 잘 알아듣습니다. 그런데 "우리 팀은 이런 상황이고, 데이터는 이 파일인데, 오늘 오후까지 보고서 작성해줘, 참고로 이것도 고려해"라고 하면 중간에 뭔가 빠질 수 있죠. AI도 마찬가지입니다.
3

기호를 사용하자 — LLM이 읽기 쉬운 구조로

프롬프트가 길어지면 AI도 헷갈립니다. 기호를 사용해서 구조를 명확히 하면 AI가 더 정확하게 읽습니다.

기호역할예시
###, ===섹션 구분### 지시 ### / ### 데이터 ###
<태그></태그>영역 명시<task>요약해줘</task>
번호 목록 1. 2. 3.순서 있는 지시"1. 요약해줘 2. 시사점 3가지 뽑아줘"
"" (따옴표)입력 데이터 구분"다음 텍스트를 분석해줘: ..."

📋 복사해서 붙여넣기 — 기호 활용 프롬프트 예시

### 지시 ###
아래 데이터를 분석해서 시사점을 도출해줘.

### 역할 ###
너는 편의점 영업 전략 전문가야.

### 데이터 ###
[여기에 엑셀 데이터를 붙여넣기]

### 출력 형식 ###
- 시사점 3가지 (각각 2줄 이내)
- 표 형식으로 정리
- 어려운 용어 쓰지 마
기호의 역할: AI에게 "여기는 지시야, 여기는 데이터야"라고 알려주는 표지판입니다. 복잡한 프롬프트일수록 기호 구분이 답변 품질을 확 올려줍니다.

Case 1: OFC 실적 분석 시사점 보고서

팀원용 · 팀장용 — ChatGPT로 보고서 초안 만들기

ℹ️ 이 케이스는 두 가지 방식을 보여줍니다. 같은 데이터를 가지고 "지시문 + 입력값 + 출력값" 방식으로 시사점을 뽑고, "지시문 + 맥락 + 출력문" 방식으로 팀장 커뮤니케이션을 만드는 예시입니다.

방식 1 — 지시문 + 입력값 + 출력값 (팀원용 분석)

편의점 실적 데이터를 ChatGPT에 붙여넣고 시사점을 도출합니다. OFC 팀원이 경영주 미팅 전에 발주 목표를 채우기 위한 전략을 뽑아내는 용도입니다.

📋 복사해서 붙여넣기 — 팀원용 실적 분석 프롬프트

3부문 2지역 영업 1팀의 성과만 추려서 분석해봐.
내가 OFC야. 나는 여러 점포를 돌아다니며 경영주와 프로모션 및 발주에 대해서
컨설팅하고 부분에서 주어진 발주 목표를 채워야 해.
이 실적 보고서에서 내가 알아야 되는 내용만 선별해서 정리하고 시사점을 도출해줘.

[여기에 실적 데이터를 붙여넣기 — 가상 데이터 사용]

### 출력 형식 ###
- 핵심 시사점 3가지
- 내가 다음 방문에서 집중할 점포 TOP 3
- 발주 전략 제안

방식 2 — 지시문 + 맥락 + 출력문 (팀장용 커뮤니케이션)

같은 데이터를 팀장 입장에서 팀원들에게 어떤 메시지를 보내야 하는지, 어떤 커뮤니케이션을 각 사람별로 해야 하는지 작성하는 용도입니다.

📋 복사해서 붙여넣기 — 팀장용 커뮤니케이션 프롬프트

이 정보를 팀장의 입장에서 팀장이 영업하는 팀원들에게
어떤 메시지를 어떻게 지시를 내려야 되고,
어떤 커뮤니케이션을 각 사람별로 해야 되는지 작성해줘.

[위의 실적 데이터를 그대로 사용]

### 맥락 ###
- 팀원별 발주 달성률이 각각 다름
- 이번 달 목표는 팀 전체 달성률 90% 이상
- 경영주와의 관계 관리도 중요

### 출력 ###
- 팀원별 1:1 가이드 메시지 (간결하게)
- 전체 팀 공유 메시지
- 이번 주 집중 포인트

실제 활용 사례: 위 방식으로 만든 결과물을 "🔗 [공유] 3부문 2지역 영업1팀 OFC 발주 전략 브리핑" 형태로 팀에 공유할 수 있습니다. ChatGPT가 팀원 개인별 맥락을 파악해서 각자에게 맞는 가이드를 생성해줍니다.

OFC 팀원의 AI 활용 아이디어

편의점 방문 전

사전 준비

경영주 관심사와 고객층에 맞게 MD 신상품 소개 내용 생성하기. 엑셀 실적 데이터로 시사점 도출하고 경영주용 컨설팅 자료 만들기.

편의점 방문 후

사후 정리

음성 녹음한 경영주 미팅 내용으로부터 고객 이해 데이터로 자동 정리해서 저장하기. 보고용 이메일 작성.

팀장의 AI 활용 아이디어

팀원 가이드

맞춤형 가이드 생성

팀원 맞춤형 가이드 생성. 관심 편의점 선정하고 편의점별 영업 전략 도출하여 가이드 생성.

부문장 보고

영업 전략 보고서

편의점별 고객층 분석 보고서 생성. 지역 전체 실적 추세와 시사점 도출하고 영업 전략 보고서 생성. 보고용 이메일 작성.


Case 2: 특정 편의점 행사 전후 실적 분석

역삼홍인점 10월 '초특갓세일' 행사 전후 매출 데이터 분석

"데이터를 보고 '뭔가 다른 것 같은데'에서 멈추지 말고, AI에게 '행사 전후 차이가 가장 큰 상품을 분석해줘'라고 시키면 됩니다."

행사 전후 실적을 비교 분석하는 것은 매번 손으로 하면 시간이 많이 걸립니다. ChatGPT에 데이터를 붙여넣고 분석을 시키면, 특이점과 시사점을 빠르게 뽑을 수 있습니다.

실습 시나리오

상황: 역삼홍인점에서 2025년 10월 '초특갓세일' 행사를 진행했습니다. 행사 전후 매출 데이터를 가지고 있습니다. 어떤 상품이 가장 효과가 있었는지, 이후 어떻게 적용할지 알고 싶습니다.

📋 복사해서 붙여넣기 — 행사 전후 분석 프롬프트

역삼홍인점에서 실행 전 후 차이가 가장 큰 상품을 분석해서
분석 리포트와 시사점, 그리고 결과를 이후 어떻게 현장 적용 실행할지
조사해서 구조화해봐.

[여기에 10월 갓세일 데이터를 붙여넣기]

### 출력 형식 ###
1. 행사 효과 TOP 5 상품 (변화율 기준)
2. 상품별 시사점
3. 다음 행사 적용 전략 제안
4. 현장 실행 체크리스트

📋 복사해서 붙여넣기 — 데이터 기반 순수 통계 분석 프롬프트

데이터에만 기반한 특이점 및 통계정보와 이에따른 시사점을 리포트로 작성해줘.

[데이터 붙여넣기]

주관적 해석이나 추측 없이, 데이터가 말하는 사실만 정리해줘.
주관 해석 포함 버전

"역삼홍인점에서 실행 전후 차이가 가장 큰 상품을 분석해서 분석 리포트와 시사점, 현장 적용 전략까지 구조화해봐"

→ AI가 인사이트까지 제안. 더 풍부하지만 사실과 추론이 섞일 수 있음.

데이터 중심 버전

"데이터에만 기반한 특이점 및 통계정보와 이에따른 시사점을 리포트로 작성해줘"

→ AI가 사실만 정리. 더 신뢰할 수 있지만 인사이트는 여러분이 추가해야 함.

팁: 두 가지 프롬프트를 모두 써보고 결과를 비교해보세요. 데이터 기반 버전을 먼저 보고, 주관 해석 버전을 보충 자료로 활용하는 것이 좋습니다.

추론 모델에서의 프롬프트 전략

GPT-o1, Gemini 같은 "생각하는 AI"는 다르게 써야 합니다

"인턴에게 일 시키기 — AI를 잘 사용하는 것은 좋은 인턴에게 좋은 지시를 내리는 것과 같습니다."

최근 AI는 두 종류로 나뉩니다. 빠르게 답하는 일반 모델(ChatGPT-4o, Gemini Flash)과 오래 생각하고 답하는 추론 모델(GPT-o1, Gemini Thinking)입니다.

일반 모델
  • 빠르게 답함 (수초 내)
  • 일상 대화, 간단한 요약에 적합
  • Context가 중요
  • 예: ChatGPT-4o, Gemini Pro
추론 모델
  • 오래 생각하고 답함 (수십초~분)
  • 복잡한 분석, 전략 수립에 적합
  • Goal + Return Format이 핵심
  • 예: GPT-o1, o3-mini, Gemini Thinking

AI에게 일을 시킬 때 꼭 필요한 4가지 요소

추론 모델에서 특히 효과적인 프롬프트 구조입니다. 이 4가지만 있으면 AI 인턴이 제대로 일합니다.

요소 1 — 가장 중요

🎯 Prompt Goal (프롬프트 목표)

뜻: AI에게 "무엇을 해줬으면 하는지"를 알려주는 부분.

쉽게 말하면: "이 질문의 목적은 이것이야"라고 알려주는 것.

  • "이 글을 중학생이 이해할 수 있게 설명해줘"
  • "이 내용을 표로 정리해줘"
요소 2

📋 Return Format (결과 형식)

뜻: AI가 어떤 모양으로 답을 줘야 하는지를 정해주는 부분.

쉽게 말하면: "답은 이런 형식으로 줘"라고 미리 알려주는 것.

  • "번호를 매겨서 설명해줘"
  • "표 형태로 정리해줘"
  • "한 문장 요약 + 자세한 설명으로 써줘"
요소 3

⚠️ Warnings (주의사항)

뜻: AI가 하지 말아야 할 것, 넘지 말아야 할 선을 알려주는 부분.

쉽게 말하면: "이건 하지 마", "이 점은 조심해"라고 알려주는 것.

  • "어려운 전문 용어는 쓰지 마"
  • "추측하지 말고, 모르는 건 모른다고 말해"
  • "개인정보는 만들지 마"
요소 4

📦 Context Dump (배경 정보 제공)

뜻: AI가 상황을 잘 이해할 수 있도록 배경 설명이나 참고 정보를 미리 주는 부분.

쉽게 말하면: "이런 상황이야", "이걸 알고 있다고 생각하고 답해줘"

  • "이 글은 AI 교육 자료로 쓰일 거야"
  • "독자는 중학생이야"
  • "앞에서 이런 내용을 이미 설명했어"

실전 예시 — 하이킹 코스 추천

추론 모델에 4가지 요소를 모두 담은 프롬프트 예시입니다. 업무에서는 "하이킹 코스" 대신 "편의점 발주 전략"으로 바꾸면 됩니다.

📋 복사해서 붙여넣기 — 4요소 완전 프롬프트 구조

### 1. Goal (목표) ###
샌프란시스코에서 차로 2시간 이내에 갈 수 있는 중간 길이의 하이킹 코스 중
가장 좋은 곳들을 알고 싶다.

### 2. Return Format (결과 형식) ###
각 하이킹 코스마다 아래 정보를 순서대로 알려달라:
- AllTrails에서 찾을 수 있는 정확한 코스 이름
- 전체 거리, 운전 시간, 하이킹 소요 시간
- 왜 이 코스가 멋지고 특별한지 설명
그 중에서 상위 3개 코스만 알려달라.

### 3. Warnings (주의사항) ###
- 하이킹 코스 이름이 정확한지 확인해줘
- 실제로 존재하는 코스인지 확인해줘
- 이동 시간과 소요 시간이 틀리지 않도록 특히 조심해서 확인해줘

### 4. Context Dump (배경 정보) ###
도시를 벗어나고 싶고, 조금은 색다른 경험을 하고 싶다.
바다 전망이 있으면 더 좋겠다.
이미 많이 알려진 코스는 제외하고 싶다.
ℹ️ 업무 적용 팁: "하이킹 코스 추천"을 "OFC 발주 전략 수립", "편의점 행사 기획", "경영주 미팅 준비"로 바꾸면 바로 업무 프롬프트가 됩니다. Goal / Return Format / Warnings / Context Dump 4칸만 채우면 됩니다.

LLM Arena — 모델들의 올림픽 경연장

어떤 AI가 더 좋은지 비교하고 싶다면 LM Arena(lmarena.ai)를 써보세요. 같은 프롬프트를 두 모델에게 동시에 보내고 어느 쪽이 더 나은지 투표할 수 있습니다.

모델 1 (Claude)

같은 하이킹 프롬프트를 넣었을 때 → Tomales Point Trail 추천. 꼼꼼한 체크포인트 포함.

모델 2 (Gemini)

같은 프롬프트에서 → Santa Cruz 해안 추천. 더 풍부한 서사 스타일.

결론: 어떤 AI가 더 좋냐는 질문보다 "이 업무에는 어떤 AI가 더 잘 맞느냐"가 더 중요합니다. LM Arena에서 직접 비교해보세요.

Gemini 3 에서의 프롬프트 전략

Gemini 3(Gemini 2.5 Pro)는 특히 역할 기반 지시구조화된 태그에 잘 반응합니다.

📋 복사해서 붙여넣기 — Gemini용 구조화 프롬프트

<role> 세밀한 데이터 분석가 </role>

<task>
1. 다음 분기 수요 높은 축제에 대한 3가지 포인트 분석과 예측.
2. 생성 결과에 대한 합리적인 이유.
3. 2번 결과를 바탕으로 인포그래픽 한 장으로 생성하기.
</task>

<constraints>
사실에 기반한 데이터를 분석할 것. 모르는 정보는 모른다고 하기.
</constraints>

<context> {"dataset": "seoul.xlsx"} </context>

<final_instruction>
출력하기 전에 검증하세요: (1) 데이터의 내용에 기반했는가? (2) 출력이 유효한 JSON인가?
</final_instruction>

GPT-5 — AI의 실수 패턴

최신 AI도 이런 실수를 합니다. 알고 쓰면 훨씬 잘 쓸 수 있어요.

ℹ️ 왜 이걸 알아야 하나요? AI를 믿고 쓰되, 맹신하면 안 됩니다. GPT-5 같은 최신 모델도 다음 4가지 한계를 가집니다. 알면 피할 수 있고, 대비할 수 있습니다.
"마치 최첨단 레이싱카를 샀는데, 정작 좁고 복잡한 골목길 주차(섬세한 언어적 맥락 파악)에서는 오래된 소형차보다 더 애를 먹고 있는 상황과 같다고 볼 수 있습니다."
1

사용자 의도 파악 및 문화적 맥락 이해의 한계

GPT-5는 사용자의 질문 의도를 스스로 분류하여 최적의 모델을 선택하는 '라우터' 기능을 도입했으나, 실제로는 사용자의 복잡하고 모호한 의도를 제대로 파악하지 못하는 경우가 많습니다.

한국어 뉘앙스 실패 사례

한국어의 '괜찮아요'라는 표현처럼 상황에 따라 긍정이나 부정의 의미를 모두 담을 수 있는 고맥락 언어의 뉘앙스를 파악하는 데 실패합니다.

"영어에서 한국어로 번역하되 '습니다' 체를 유지하라"는 간단한 지시조차 제대로 수행하지 못하고, 갑자기 화자를 '재미교포'로 설정하는 등 엉뚱한 결과를 내놓기도 했습니다.

대처 방법

Warnings에 명시적으로 언급하세요:

  • "반드시 '습니다' 체로만 답변해줘"
  • "한국 편의점 현장 맥락에서 이해해줘"
  • "한국어 표현의 뉘앙스를 고려해줘"
2

할루시네이션(환각)의 지속과 추론 능력의 역행

오픈AI는 할루시네이션 비율을 낮췄다고 주장하지만, 특정 작업에서는 오히려 이전 모델(GPT-4)보다 못한 성능을 보이기도 합니다.

⚠️ 진술한 사례: 계약서 샘플을 넣고 '리스크 섹션'을 찾아 정리해달라고 했을 때, GPT-4는 "해당 섹션이 없다"고 정확히 답변한 반면, GPT-5는 존재하지 않는 리스크 섹션이 있는 것처럼 꾸며내어 답변하는 심각한 할루시네이션을 보였습니다.

대처 방법: Warnings에 "모르는 정보는 모른다고 해줘. 추측하지 마" 를 반드시 넣으세요.

3

부정어 처리 및 다중 지시 수행 능력 부족

텍스트 생성 모델의 고질적 문제인 '부정어(~하지 마라)' 처리 능력이 여전히 취약하며, 여러 제약 사항이 겹칠 때 이를 동시에 처리하지 못합니다.

실패 사례 1

"기사를 요약하지 말고 핵심 인용구만 뽑아달라"고 요청했을 때, '말고'라는 부정어를 인식하지 못하고 모든 문장을 인용구로 가져오는 등 지시 이행에 실패.

실패 사례 2

인터뷰 스크립트에서 "원문은 훼손하지 말고 오타만 잡아달라"는 요청을 해도 자꾸 문장 자체를 수정해 버리는 등의 한계.

대처 방법: 부정어 대신 긍정문으로 바꿔서 지시하세요. "요약하지 마" → "인용구만 뽑아줘"

4

답변의 평준화와 정서적 애착 결여

모델이 지나친 아첨을 피하고 사무적인 태도를 취하게 되면서, 답변이 지나치게 짧고 밋밋해져 사용자가 느끼는 만족감이 오히려 떨어졌다는 평가가 있습니다.

ℹ️ 진술한 사례: 이전 모델들이 보여주었던 특유의 도메인 지식이나 정서적 연결감이 사라지고, 모든 답변이 특징 없이 평준화되었습니다. 또한, 시키지도 않은 후속 작업을 제안하지만 막상 시켜보면 제대로 해내지 못해 사용자의 리텐션을 억지로 유지하려 한다는 인상을 주기도 합니다.

요약: GPT-5는 코딩이나 수학 등 특정 벤치마크에서는 향상이 있었을지 모르나, 실제 일상적인 업무와 복잡한 한국어 맥락에서는 여전히 '스케일링 법칙'의 한계에 부딪힌 모습을 보이고 있습니다.


AgentKit — Miso와 매우 비슷합니다

Workflow를 생성해서 AI Agent 만들기

ChatGPT의 새 기능 AgentKit은 여러 단계의 작업을 자동으로 이어서 처리하는 AI 에이전트를 만드는 도구입니다. GS그룹의 Miso와 매우 비슷한 구조입니다.

Input
데이터 / 요청 입력
엑셀, 텍스트, 음성
Process
AI가 여러 단계 자동 처리
분석 → 요약 → 작성
Output
결과물 자동 생성
보고서, 이메일, 가이드
활용 예시 1

OFC 발주 전략 자동화

실적 데이터 업로드 → AI가 시사점 도출 → 경영주별 발주 전략 자동 생성 → 보고용 이메일 초안까지

활용 예시 2

행사 분석 자동화

행사 전후 데이터 업로드 → 차이 분석 → 상품별 시사점 → 다음 행사 추천 전략까지 자동으로

✅ AgentKit과 Miso는 구조가 같습니다. Miso 사용법을 익히면 AgentKit도 금방 쓸 수 있고, 반대도 마찬가지입니다.

링커스(Link-uS) 교육 자료

GS Retail 교육 플랫폼에서 더 배울 수 있어요

오늘 워크샵에서 다룬 내용 외에도, 링커스 사이트에서 여러 AI 교육 자료를 볼 수 있습니다. 특히 다음 자료들을 추천합니다.

추천 1

THICK Data란?

Big Data vs Thick Data 개념. 사람들의 실제 경험과 행동에 담긴 맥락과 의미를 설명해주는 데이터.

추천 2

저니맵 vs 프로세스맵

고객 경험을 어떻게 분석하느냐에 따라 다른 인사이트가 나옵니다. AEIOU 관찰법 포함.

추천 3

GS25스포츠 과제 개선 프로젝트

실제 편의점 고객 경험 과제를 AI와 UX 방법론으로 풀어낸 현장 사례.


오늘 배운 것 정리

이것만 기억하고 내일부터 바로 써보세요

"Miso의 적극적인 도입과 확산으로, 현장 전역에서, 현장사람들이 직접 AI를 활용하여 문제를 해결해야 한다!"

핵심 요약

프롬프트 구조

4요소 = Goal + Format + Warnings + Context

추론 모델에서 특히 강력합니다. 4칸을 채우면 AI 인턴이 제대로 일합니다.

작성 팁

짧게 시작 → 반복 수정

처음부터 완벽할 필요 없습니다. 결과를 보고 다듬어 가세요. 지시문 위치와 기호 활용이 품질을 올립니다.

AI 한계

맹신 금지 — Warnings 필수

최신 AI도 할루시네이션, 부정어 처리, 뉘앙스 파악에서 실수합니다. Warnings에 "모르면 모른다고 해줘"를 넣으세요.

보안

외부 AI = 가상 데이터만

ChatGPT, Gemini에 실제 고객정보, 직원정보, 대외비 문서 절대 금지. 사내 보안이 필요한 업무는 Miso 사용.

오늘 배운 것 최종 체크리스트

  • Gen AI가 왜 프롬프트에 따라 다르게 답하는지 이해했다
  • 프롬프트 4요소(Instruction / Context / Input Data / Output Indicator)를 안다
  • Type A~D 중 내 업무에 맞는 유형을 선택할 수 있다
  • 지시문은 짧고 명확하게, 필요시 기호 구분을 쓴다
  • 추론 모델용 4요소(Goal / Return Format / Warnings / Context Dump)를 안다
  • ChatGPT로 OFC 실적 시사점 보고서를 만들 수 있다
  • 행사 전후 데이터를 AI에 붙여넣어 분석 리포트를 만들 수 있다
  • GPT-5 같은 최신 AI의 4가지 한계를 알고 대비할 수 있다
  • 외부 AI에는 가상 데이터만 사용해야 한다는 것을 안다
  • 내일 업무에서 바로 써볼 AI 활용 아이디어가 하나 생겼다
수고하셨습니다! AI는 쓸수록 는다. 오늘 배운 프롬프트 공식을 내일 바로 하나만 써보세요. 작게 시작해서 크게 만들어갑니다 🎉

생각해 보기 — 내 업무에 바로 적용하기

OFC 팀원

편의점 방문 전 AI 활용

경영주 관심사에 맞는 MD 신상품 소개 내용 생성. 발주 목표 달성을 위한 전략 초안 작성.

팀장

팀원 맞춤 가이드 생성

팀원별 실적을 분석해서 개인별 가이드 자동 생성. 부문장 보고용 영업 전략 보고서.

공통

보고용 이메일 초안

회의 내용을 AI에게 정리시키고, 보고용 이메일 초안을 만들어서 수정만 하는 워크플로우.

공통

데이터 시사점 도출

엑셀 실적 데이터를 AI에 붙여넣기 → 시사점 3가지 → 바로 보고에 쓸 수 있는 문장으로.

용어 사전 — 어렵게 느껴지는 단어가 있다면 클릭
용어쉬운 설명
LLM (Large Language Model)대형 언어 모델. ChatGPT, Gemini 같은 AI의 핵심 기술. 수억 개의 문서를 학습해서 자연스러운 대답을 만드는 기계.
프롬프트 (Prompt)AI에게 보내는 지시문. 내가 AI에게 하는 말 전체.
할루시네이션 (Hallucination)AI가 없는 사실을 마치 있는 것처럼 만들어내는 오류. '환각'이라고도 함.
추론 모델답하기 전에 단계별로 생각하는 AI. GPT-o1, Gemini Thinking이 대표적. 복잡한 분석에 강함.
Context DumpAI에게 배경 정보를 한꺼번에 몰아주는 것. "이런 상황이야"라고 설명하는 부분.
AgentKit / Miso여러 단계 작업을 자동으로 이어서 처리하는 AI 에이전트. 내가 지시하면 AI가 알아서 여러 단계를 처리해줌.
LM Arena여러 AI 모델을 비교할 수 있는 사이트(lmarena.ai). 같은 질문을 두 AI에게 보내고 어느 쪽이 더 나은지 비교.
OFCOperation Field Counselor. 편의점 경영주를 컨설팅하고 발주를 돕는 현장 담당자.
THICK Data사람들의 실제 경험과 행동에 담긴 맥락과 의미를 담은 데이터. Big Data(숫자)와 달리 '왜'를 설명해주는 데이터.