AI와 함께하는
사고력 여정
4부문 방문 워크샵 — 3가지 씽킹으로 AI를 제대로 쓰는 법
시작하기 전에
오늘 이 시간이 끝나면, 여러분의 생각이 바뀔 수도 있어요 😉
먼저 여러분의 생각을 들어볼게요. 아래 설문 QR을 스캔하고 솔직하게 답해주세요. 익명이니 편하게!
| 선택지 | 설명 |
|---|---|
| AI 기술에 대한 이해 | GPT, LLM, 파인튜닝... 기술 구조를 알아야 잘 쓸 수 있을까? |
| 최신 트렌드 파악 | 새로운 AI 도구와 서비스를 빠르게 익히는 것이 핵심일까? |
| 지시문 만드는 방법 | 프롬프트를 잘 쓰는 것, 즉 "말 잘 거는 기술"이 제일 중요할까? |
| 사고력 | 문제를 정의하고 해결하는 힘이 AI 활용의 진짜 핵심일까? |
오늘 우리가 직면하는 3가지 질문
"AI한테 똑같이 물어봤는데, 왜 결과가 이렇게 다를까요?"
"여러분 옆자리 동료와 저한테 동시에 같은 질문을 ChatGPT에 던졌습니다. 결과물을 보니까 한 쪽은 바로 업무에 쓸 수 있는 수준이고, 한 쪽은 다시 처음부터 해야 할 것 같습니다. 도구는 똑같은데, 차이는 어디서 나온 걸까요?"
"AI가 틀린 답을 줬을 때, 여러분은 알아챌 수 있나요?"
"AI는 틀린 말도 굉장히 자신 있게 합니다. 실제로 잘못된 프로모션 수치, 없는 법령, 그럴듯한 가짜 인사이트를 그대로 보고서에 쓴 사례가 있습니다. 여러분은 AI의 답을 받았을 때, 이게 맞는지 틀린지 판단할 수 있으신가요?"
"AI에게 '좋은 질문'을 하려면, 먼저 무엇을 알아야 할까요?"
"AI를 잘 쓰는 사람들의 공통점을 분석해 봤더니, 프롬프트 스킬이 뛰어난 게 아니었습니다. 질문하기 전에 '내가 뭘 원하는지', '문제의 구조가 뭔지'를 명확하게 알고 있었습니다. AI한테 좋은 질문을 던지려면, 사실 먼저 무엇이 필요할까요?"
왜 사고력인가
AI 기술·트렌드·프롬프트... 이 모든 것이 중요하긴 합니다. 하지만 결정적인 차이를 만드는 건 따로 있습니다.
AI 입력창에는 아무것도 없습니다
ChatGPT든, Gemini든, Claude든 — 프롬프트 입력창은 항상 텅 비어 있습니다. 무엇을 물어볼지, 어떤 문제를 해결할지는 오직 당신이 생각해내야 합니다. AI가 먼저 "이런 문제 있지 않으세요?"라고 물어봐 주지 않습니다.
사고력이 곧 AI 활용 능력입니다
문제를 잘 정의하는 사람이 AI를 잘 씁니다. 논리적으로 생각하는 사람이 AI의 답을 제대로 평가합니다. 비판적으로 바라보는 사람이 AI가 틀렸을 때 바로잡을 수 있습니다.
"AI가 미리 문제를 정의해 주진 않는다."
내 문제는 내가 발굴하고 정의한다 — 그것이 오늘 이 시간의 핵심입니다.
오늘의 학습 목표
| 목표 | 구체적으로 무엇을? |
|---|---|
| 🚀 로지컬 씽킹 이해 | 마션의 마크 와트니처럼 문제를 단계별로 쪼개는 힘 |
| ⚾ 크리티컬 씽킹 이해 | 머니볼의 빌리 빈처럼 당연한 것을 의심하고 데이터로 검증 |
| 🍔 디자인 씽킹 이해 | 파운더의 레이 크록처럼 사람 중심으로 문제를 재정의 |
| 🤖 AI와 연결하기 | 3가지 사고력이 AI의 4단계 사고 흐름과 어떻게 맞닿는지 |
| ✏️ 내 문제 정의하기 | PoV와 HMW로 현장의 진짜 문제를 직접 발굴 |
3편의 영화로 만나는 사고력
복잡한 이론서 말고, 우리가 이미 알거나 한 번쯤 들어본 영화 속 주인공들이 어떻게 문제를 정의하고 해결했는지 살펴봅시다. 그리고 묻겠습니다 — "만약 그 주인공에게 AI가 있었다면?"
🚀 마션
로지컬 씽킹
화성에 홀로 남겨진 우주인의 생존 논리
⚾ 머니볼
크리티컬 씽킹
데이터로 야구의 상식을 뒤집은 단장의 도전
🍔 파운더
디자인 씽킹
맥도날드를 제국으로 만든 사업가의 공감과 재설계
🚀 마션: 로지컬 씽킹
화성에 혼자 남겨진 마크 와트니. 식량도 없고, 구조 신호도 없습니다. 그는 패닉 대신 논리를 선택합니다.
화성에 혼자 버려진 식물학자 마크 와트니가 "4년치 식량이 필요하다 → 감자를 키우자 → 물이 없다 → 물 만드는 공식은 H₂O → 수소 + 산소를 태우면 된다"고 단계별로 논리를 전개하는 장면.
화성에서 4년을 살아남아야 한다. 식량은 31일치밖에 없다. 구조대가 올 때까지 1,400일 이상 버텨야 한다.
- 현재 자원: 31일치 식량, 화성 토양, 비료
- 목표: 구조 전까지 살아남기
- 제약: 탈출 불가, 외부 보급 없음
와트니는 감정을 억누르고 문제를 작은 단위로 분해했습니다.
- 문제를 단계적으로 분해 (Decomposition)
- 각 단계의 원인-결과를 논리적으로 연결
- 가용 자원을 재조합하여 해결책 도출
수소 폭발 씬도 포함: 첫 번째 논리가 틀리면 다시 수정 — 논리적 사고는 실패해도 멈추지 않는다
"내가 가진 자원 목록이야. 생존 가능한 방법을 논리적으로 단계별로 알려줘" — 이게 바로 로지컬 씽킹 기반의 프롬프트입니다.
⚾ 머니볼: 크리티컬 씽킹
오클랜드 애슬레틱스 단장 빌리 빈. 예산은 뉴욕 양키스의 1/3. 그는 모두가 "당연하다"고 믿는 것에 의문을 던집니다.
돈이 없다. 좋은 선수를 살 수 없다. 그런데 이겨야 한다. 기존 스카우팅 방식으로는 절대 불가능한 상황.
- 예산: 4,400만 달러 (양키스의 33%)
- 목표: 포스트시즌 진출
- 제약: 스타 선수 영입 불가
빌리는 "좋은 선수 = 잘 치는 선수"라는 기존 통념을 의심했습니다. 진짜 승리에 기여하는 지표는 무엇인가? 출루율이 타율보다 중요하다는 데이터를 발견.
- 당연한 것을 의심하는 질문 던지기
- 데이터로 통념을 검증하고 반박
- 기존 평가 기준을 재정의
스카우트들은 선수의 '말끔한 외모', '멋진 턱선', 심지어 '여자친구의 외모' 같은 주관적인 직관과 겉모습에 의존해 선수를 평가하고 있었습니다. 반면 빌리 빈은 이러한 구태의연한 접근을 거부하고 완전히 새로운 방식으로 위기를 돌파합니다.
"일반적으로 쓰이는 야구 성과 지표들을 비판적으로 분석하고, 실제 팀 승리와 가장 상관관계가 높은 지표를 찾아줘" — 크리티컬 씽킹 기반 프롬프트입니다.
🍔 파운더: 디자인 씽킹
맥도날드 형제는 이미 훌륭한 햄버거를 팔고 있었습니다. 레이 크록이 발견한 건 사람들이 진짜 원하는 것이었습니다 — 빠름, 일관성, 예측 가능한 경험.
1950년대 미국 식당은 느리고, 불편하고, 불일치했습니다. 사람들은 먹기 위해 오래 기다리고, 실망하곤 했습니다.
- 고객 불편: 긴 대기시간, 불일치한 맛
- 기회: 빠르고 예측 가능한 식사 경험
- 목표: 미국 전역에 일관된 맥도날드 경험 복제
크록은 고객을 깊이 공감(Empathize)했습니다. 사람들이 원하는 건 단순히 "맛있는 음식"이 아니라 "빠르고 안정적인 경험"이라는 걸 파악했습니다.
- 공감(Empathize): 고객 관점에서 불편함 발견
- 문제 재정의(Define): "더 맛있는 음식"이 아닌 "더 빠른 경험"
- 프로토타입(Prototype): 테니스 코트에서 주방 동선 반복 실험
맥도날드 형제가 직원들을 테니스 코트에 데려가 분필로 주방을 그리고, 실제로 요리하는 척 동선을 테스트하며 밤새 배치를 바꾸는 장면. 분필 한 자루와 테니스 코트 — 이것이 디자인 씽킹의 프로토타이핑입니다.
"근무자들의 동선이 꼬이지 않고, 30초 안에 햄버거를 완성할 수 있는 주방을 설계해줘" — 디자인 씽킹 기반 프롬프트입니다.
3가지 사고력 정리 — AI 활용의 근육들 💪
논리적 분해와 재조립
문제를 잘게 쪼개고, 논리적 순서로 재조립한다. "왜?" "그래서 다음은?" 을 반복하는 힘. AI에게 단계별 추론을 요청할 때 핵심.
당연한 것을 의심하기
당연한 것을 의심하고, 데이터로 검증하며, AI의 답도 그냥 믿지 않는 힘. AI 결과물을 평가하고 개선할 때 핵심.
사람 중심으로 문제 재정의
사람 중심으로 문제를 바라보고, 진짜 문제가 무엇인지 정의하는 힘. AI에게 올바른 질문을 던질 때 핵심.
AI의 사고 과정: 4단계 흐름
제가 이 워크샵을 AI와 함께 풀 때, AI는 단순히 정보를 검색하지 않았습니다. 사고하는 과정이 있었습니다. 그리고 그 과정은 우리가 앞서 이야기한 3가지 사고력과 정확히 맞닿아 있습니다.
Step 1: 디자인 씽킹 — 나를 이해하는 것에서 시작
사고 기법: PoV (Point of View)
나는 누구인가? 나는 무엇을 원하는가? 어떤 것이 나의 문제인가?
문제 정의 기법: HMW (How Might We)
"우리는 어떻게 하면 ___을 할 수 있을까?"
AI는 맥락 없이는 좋은 답을 낼 수 없습니다. "나란 사람"을 먼저 이해시켜야 합니다.
- 나는 GS리테일 4부문 OFC 교육 담당자다
- 청중은 현장 영업 임직원이다
- 목표는 '나도 할 수 있겠다'는 생각이 드는 AI 교육이다
- 제약: 새롭지만 이해할 수 있는 수준으로 하루만에 빠르게 만들어야 한다
이것이 단순 프롬프트에서 Context Engineering으로 진화하는 첫 번째 관문입니다.
Step 2: 로지컬 씽킹 — CoT로 단계별 해결책 설계
사고 기법: CoT (Chain of Thought)
문제를 해결하기 위해 필요한 다양한 영역별 해결 방법을 절차적으로 생각한다.
재밌고 흥미로운 AI 교육을 만들려면 어떤 순서로 생각해야 할까?
- 어떤 형식이 흥미를 끄는가? → 영화 클립 활용
- 어떤 영화가 적합한가? → 사고력 유형과 매핑되는 영화 탐색
- 영화별로 어떤 씽킹을 가르칠 수 있나? → 로지컬/크리티컬/디자인
- 실습은 어떻게 구성하나? → 바로 해볼 수 있는 예제 설계
CoT는 AI에게 "이것저것 알려줘"가 아니라 "이 순서대로 생각해줘"라고 요청하는 기법입니다.
Step 3: 조사하고 정리하고 추출하기
문제 정의와 해결 절차에 따라 조사 시작
Step 1에서 정의한 맥락과 Step 2에서 설계한 논리적 흐름을 기반으로 AI가 각 영역을 체계적으로 탐색합니다. "씽킹 유형을 잘 보여주는 영화를 찾아줘" — 단순 검색이 아닌 맥락 기반 탐색.
조사 내용을 정리하고 문제 해결에 해당하는 것 추출
AI가 제안한 영화 목록 중 인지도가 있고 대중적인지, 씽킹 과정을 이해하는 데 적절한지를 판단합니다. 단순히 AI가 추천했다고 다 쓰는 게 아니라, 목적에 맞는 것을 선별해야 합니다.
문제 해결 결과물 생성
선별된 영화와 씽킹 프레임워크를 연결해서 실제 교육 콘텐츠로 만들어냅니다. 이 과정에서 Multi-Turn 기법을 활용해 AI와 여러 번 대화하며 점진적으로 완성도를 높입니다.
Step 4: 크리티컬 씽킹 — AI의 답을 평가하고 점검
사고 기법: Evaluation (평가)
문제 해결 결과를 비평하고, Step 1에서 정의했던 "내가 원했던 것"에 대입해서 실제로 문제가 해결되었는지 검증한다.
AI가 영화를 제안했습니다. 그런데 이 영화가 정말 적합한가요? 체크리스트를 만들어 평가합니다.
- ✅ 한국 직장인에게 인지도가 있는 영화인가?
- ✅ 해당 씽킹 유형을 명확히 보여주는 장면이 있는가?
- ✅ 현장 업무와 연결지어 설명할 수 있는가?
- ✅ 영화 클립이 너무 길거나 어렵지 않은가?
만약 적합하지 않다면 → 프롬프트를 수정해서 AI가 다시 생각하도록 합니다. 이것이 Multi-Turn의 힘입니다.
실전 예시 — OFC 케이스: 경영주가 이런 말을 한다면?
OFC로서 경영주를 설득해야 하는 상황. 자료를 어떻게 만들어야 할까요? 3가지 사고력이 실제로 어떻게 작동하는지 보여드립니다.
Step 1. 디자인 씽킹 — 경영주가 진짜 원하는 게 뭔가?
표면적으로는 "매출 하락 이유"를 묻는 것 같지만, 경영주가 진짜 원하는 건 "나 손해보는 거 아니지? 앞으로 괜찮은 거지?" 라는 안심입니다.
그래서 PoV를 이렇게 씁니다:
나는 GS25 담당 OFC다. 경영주가 이번 달 매출 하락 이유를 물어보고 있다. 경영주가 진짜 원하는 건 숫자 설명이 아니라 "앞으로 괜찮다"는 확신이다. 이 경영주를 납득시키려면 어떤 구조로 설명하면 좋을까?
[AI 답변: 원인 → 맥락 → 대응책 순서로 구성하라고 제안]
Step 2. 로지컬 씽킹 — 문제를 쪼개서 원인을 찾는다
AI가 구조를 줬으니, 이제 원인을 논리적으로 분해합니다.
매출 하락 원인을 MECE하게 분석해줘. 내부 요인과 외부 요인으로 나눠서.
| 구분 | AI 답변 예시 |
|---|---|
| 내부 요인 | 발주 오류, 진열 변경, 행사 종료, 인력 변동 |
| 외부 요인 | 날씨, 주변 경쟁점 오픈, 지역 유동인구 변화 |
"이제 OFC가 할 일은 이 중에서 우리 점포에 해당하는 것만 골라내는 겁니다."
Step 3. 정리·수집 — 실제 데이터를 붙인다
구조가 나왔으니 근거를 채웁니다.
매출 하락 보고 자료를 만들려고 해. 시스템에서 어떤 데이터를 뽑아야 하는지 체크리스트로 알려줘.
[AI 답변: 일별 매출 추이, 카테고리별 매출, 객단가, 내점 고객수, 행사 매출 비중 등]
"AI가 뭘 봐야 할지 리스트를 줬어요. 이걸 들고 시스템 들어가면 됩니다."
Step 4. 크리티컬 씽킹 — AI 답을 그대로 믿지 않는다
AI가 만들어준 원인 목록과 체크리스트, 그냥 쓰면 될까요?
방금 네가 제안한 매출 하락 원인 중에서, 실제로 데이터로 확인 가능한 것과 확인이 어려운 것을 구분해줘.
[AI 답변: 날씨·유동인구는 외부 데이터 필요, 발주·진열은 내부 시스템으로 확인 가능 등]
처음에 경영주가 한 말 하나로 시작했습니다.
디자인 씽킹으로 진짜 문제를 찾고, 로지컬 씽킹으로 원인을 쪼개고, 필요한 데이터를 수집하고, 크리티컬 씽킹으로 검증했습니다. 이게 오늘 배운 3가지 씽킹이 실제로 작동하는 방식입니다.
내 문제 정의하기
AI는 내 현장의 사정을 모릅니다. 내 문제는 내가 가장 잘 압니다. 그 문제를 AI와 함께 풀면 됩니다.
하지만! 이 문제의 핵심은 여러분이 스스로 풀어야 한다는 것입니다
- 점포경영시스템 어떤 화면에서 봐야 하는지
- 경영주가 실제로 어떤 질문을 하는지
- 동료 OFC들이 숫자를 어떻게 이해하고 설득하는지
- 어떤 형태의 자료가 경영주에게 효과적인지
상상으로 예제를 만들어도 헛된 문제 풀이가 될 수 있습니다.
여러분이 스스로 문제를 발굴하고, 정의하고, 풀어야 합니다.
이것이 디자인 씽킹의 핵심입니다. 내 현장의 문제는 내가 가장 잘 압니다. 그 문제를 AI와 함께 풀면 됩니다.
실습: PoV와 HMW로 내 문제 정의하기
PoV 작성 템플릿
📋 복사해서 붙여넣기 (Miso 또는 Enterprise Gemini에)
나는 GS25 [부문명] OFC다. 나는 [업무 상황]을 자주 경험한다. 내가 진짜 원하는 것은 [목표]이다. 하지만 [제약/어려움]이 있다. 이 상황에서 어떻게 하면 [원하는 결과]를 달성할 수 있을까? 단계별로 구체적으로 알려줘.
HMW 질문 예시
경영주 소통
"우리는 어떻게 하면 경영주에게 매출 데이터를 더 설득력 있게 설명할 수 있을까?"
발주 최적화
"우리는 어떻게 하면 폐기를 줄이면서 결품을 없애는 발주 루틴을 만들 수 있을까?"
행사 관리
"우리는 어떻게 하면 행사 종료 후 재고를 빠르게 처리하는 프로세스를 만들 수 있을까?"
보고서 작성
"우리는 어떻게 하면 월 보고서를 더 빠르고 설득력 있게 작성할 수 있을까?"
AI 도구들: 지금 당장 시작할 수 있는 것들
오늘 배운 3가지 씽킹 프레임워크를 들고 내일 당장 한 가지 문제에 적용해 보세요.
Miso
GS리테일 내부에서 안전하게 사용할 수 있는 AI 도구. PoV와 HMW로 정의한 문제를 컨텍스트로 제공하고, AI와 Multi-Turn 대화를 통해 문제를 해결합니다. 가장 가까이서 시작할 수 있는 도구입니다.
Enterprise Gemini
Google의 엔터프라이즈 AI 솔루션. 긴 컨텍스트 처리 능력이 뛰어나 복잡한 업무 문서와 데이터를 기반으로 깊이 있는 분석과 아이디어를 얻을 수 있습니다.
NotebookLM
Google이 만든 AI 기반 연구 도우미. 문서, 영상 링크, PDF를 업로드하면 핵심을 요약하고, 질문에 답해주고, 팟캐스트처럼 설명해줍니다. 영화나 자료를 빠르게 파악할 때 유용합니다.
v0
Vercel이 만든 AI 기반 웹 앱 빌더. 말로 설명하면 UI와 코드를 함께 만들어줍니다. 코딩 경험이 없어도 내가 원하는 도구를 직접 만들 수 있습니다.
🔒 보안 안전 수칙
핵심 정리: AI 활용의 진짜 공식
| 레이어 | 설명 |
|---|---|
| 🔺 바이브 코딩 & 실행 | 내 문제를 직접 앱으로 만들어 실제 생활에 적용 |
| Context Engineering | 나의 상황을 먼저 설계해두기 — "나란 사람"을 AI에게 알려주기 |
| 3가지 씽킹 (로지컬 + 크리티컬 + 디자인) | 사고력이 AI를 움직이는 근육들 |
| 내 문제 발굴 & 정의 | 피라미드의 가장 아래이자 가장 중요한 것 — 이것 없이는 나머지가 모두 허공에 떠 있습니다 |
"AI를 잘 쓰는 것은 AI를 이해하는 것이 아니라, 나 자신을 더 명확하게 이해하고 표현하는 능력입니다."
오늘의 여정을 마치며
AI 입력창은 항상 비어있습니다
그 빈 칸을 채우는 것은 기술이 아닌 사고력입니다. 마션의 와트니처럼, 머니볼의 빌리처럼, 파운더의 크록처럼 — 문제를 먼저 정의하십시오.
내 문제는 내가 가장 잘 압니다
현장의 OFC로서 여러분만이 알 수 있는 문제들이 있습니다. 그 문제를 발굴하고, PoV와 HMW로 정의하고, AI와 함께 풀어보세요.
지금 당장 시작할 수 있습니다
Miso, Enterprise Gemini, v0 — 오늘 배운 3가지 씽킹 프레임워크를 들고 내일 당장 한 가지 문제에 적용해 보세요. 완벽하지 않아도 됩니다. 시작이 중요합니다.
"AI가 미래를 바꾸는 게 아닙니다."
AI와 함께 생각하는 사람이 미래를 만듭니다.
오늘 배운 것 최종 체크리스트
- 로지컬 씽킹 — 마션의 와트니처럼 문제를 단계별로 분해할 수 있다
- 크리티컬 씽킹 — 머니볼의 빌리 빈처럼 AI의 답을 의심하고 검증할 수 있다
- 디자인 씽킹 — 파운더의 크록처럼 사람 중심으로 문제를 재정의할 수 있다
- AI의 4단계 사고 과정(디자인→로지컬→조사→크리티컬)을 이해했다
- PoV와 HMW로 내 현장 문제를 정의해봤다
- Context Engineering의 개념을 이해했다
- 내 업무에 적용할 첫 번째 AI 활용 아이디어가 생겼다
정보 접근 경로: 4가지 채널
주간 AI 뉴스레터
가장 쉽게 접근할 수 있는 채널. 바쁜 일상 속, 주 1회 AI 최신 트렌드와 AI데이터부문 활동 사례를 짧고 임팩트 있게 확인. gsax0901.oopy.io
AX PM 과정
AI 전환(AX)을 실제로 기획하고 이끌어야 하는 PM을 위한 과정. 실제 업무에 바로 활용 가능한 쉬운 툴과 방식을 시도. (파일럿 교육 진행중, 정규 과정 하반기 오픈 예정)
FDE 과정
기술을 '도입'하는 사람이 아닌 '퍼뜨리는' 사람 — 현업 곁에서 직접 구현하고, 동료가 스스로 할 수 있도록 전파하는 FDE를 키우는 과정. (정규 과정 하반기 오픈 예정)
용어가 어렵다면? 클릭해서 쉬운 설명 보기
| 용어 | 쉬운 설명 |
|---|---|
| 로지컬 씽킹 (Logical Thinking) | 문제를 잘게 쪼개고 논리적 순서로 생각하는 힘. 마션의 와트니가 쓴 방법. |
| 크리티컬 씽킹 (Critical Thinking) | 당연한 것을 의심하고 데이터로 검증하는 힘. 머니볼의 빌리 빈이 쓴 방법. |
| 디자인 씽킹 (Design Thinking) | 사람 중심으로 진짜 문제를 찾아 재정의하는 힘. 파운더의 레이 크록이 쓴 방법. |
| PoV (Point of View) | "나는 누구인가, 나는 무엇을 원하는가, 어떤 것이 나의 문제인가"를 정리하는 틀. |
| HMW (How Might We) | "우리는 어떻게 하면 ___을 할 수 있을까?" 형태의 문제 정의 질문. |
| CoT (Chain of Thought) | AI에게 "이 순서대로 생각해줘"라고 요청하는 기법. 단계별 추론을 유도. |
| Context Engineering | AI에게 나의 상황, 역할, 배경, 제약 조건을 미리 설계해두는 기술. 단순 프롬프트보다 훨씬 강력. |
| Multi-Turn | AI와 여러 번 대화를 주고받으며 점진적으로 결과물을 완성해가는 방식. |
| NotebookLM | Google이 만든 AI 연구 도우미. 문서·영상·PDF를 올리면 요약·질답·팟캐스트 생성. |