모델이 좋아질수록 지침은 왜 얇아지는가

Thariq가 X에 올린 얇은 프롬프트, 두꺼운 산출물과 맥락, 얇은 스킬 게시물

Thariq Shihipar는 X에 이상적인 프롬프팅 방식을 세 줄로 정리했습니다.

얇은 프롬프트, 두꺼운 산출물과 맥락, 얇은 스킬.

이 문장을 단순히 “프롬프트를 짧게 쓰라”는 요령으로 읽으면 핵심을 놓칩니다. 모델이 좋아질수록 사람과 AI 사이에서 정보가 놓이는 자리가 달라진다는 뜻에 가깝습니다.

예전에는 사람이 작업 순서를 자세히 적었습니다. 이제 모델은 일반적인 작업 순서를 더 많이 스스로 구성합니다. 사람은 그 대신 무엇을 이루려는지, 현실에 어떤 제약이 있는지, 무엇을 좋은 결과로 볼지를 더 분명하게 알려줘야 합니다.

상세한 지침은 부족한 판단력을 보완했다

예전 모델은 한 단계씩 떼어 놓은 일은 곧잘 처리했지만, 여러 단계를 이어서 판단하는 데 약했습니다. 목표를 오래 붙들지 못했고, 조사해야 할 때 바로 수정하거나, 검증해야 할 때 일찍 끝냈습니다.

그래서 사람은 모델이 놓칠 만한 절차를 지침으로 밖에 꺼내 놓았습니다.

사람이 적어 준 절차	보완하려던 실패
먼저 관련 파일을 찾아라	충분히 조사하지 않고 시작함
수정 전에 원인을 확인하라	첫 가설을 곧바로 정답으로 여김
작업이 끝나면 테스트하라	결과를 확인하지 않고 완료를 선언함
실패하면 원인을 고쳐 다시 실행하라	한 번 실패한 뒤 멈춤

이런 지침은 틀린 방법이 아니었습니다. 당시 모델의 판단력을 보완하는 발판이었습니다. 문제는 발판이 필요 없어진 뒤에도 그대로 남을 수 있다는 점입니다.

모델이 좋아진다는 것은 판단의 연결이 좋아진다는 뜻이다

여기서 판단력은 단순히 “할까, 말까”를 고르는 능력이 아닙니다. 목표를 이루는 방법이 여러 개일 때 현재 상황에 맞는 다음 행동을 고르고, 결과를 본 뒤 계획을 바꾸는 능력입니다.

버그를 고치는 일을 생각해 보겠습니다. 모델은 파일을 수정하는 법만 알아서는 부족합니다. 먼저 증상을 재현할지, 코드를 더 읽을지, 로그를 볼지, 작은 실험을 할지 골라야 합니다. 수정한 뒤에는 어떤 테스트가 충분한지 판단해야 합니다. 결과가 예상과 다르면 처음 가설을 버리고 되돌아가야 합니다.

모델은 학습 과정에서 수많은 문제와 해결 순서를 접합니다. 실행할 때는 그동안 학습한 패턴과 지금 받은 코드, 문서, 도구의 결과를 함께 보고 다음 행동을 고릅니다. 모델이 좋아질수록 목표에 맞는 패턴을 고르고, 여러 행동을 길게 이어가며, 중간 결과에 따라 순서를 고치는 능력이 안정됩니다.

그래서 새 모델은 사람이 모든 절차를 적어 주지 않아도 필요한 절차를 그 자리에서 구성할 가능성이 높습니다. 더 똑똑해져서 무조건 알아서 잘한다는 뜻은 아닙니다. 일반적인 절차를 스스로 만들 수 있는 범위가 넓어졌다는 뜻입니다.

이 차이가 중요합니다. 모델이 이미 안정적으로 해내는 절차를 계속 강제하면 도움이 되지 않을 수 있습니다. 상황에 맞춰 더 나은 길을 선택할 여지를 오히려 막을 수 있습니다.

얇은 지침, 두꺼운 맥락, 얇은 스킬

얇은 지침과 스킬, 두꺼운 맥락이 모델의 판단으로 모이고 실행 결과가 다시 맥락이 되는 구조

지침이 얇아진다는 것은 정보가 줄어든다는 뜻이 아닙니다. 정보의 중심이 방법에서 현실로 이동한다는 뜻입니다.

얇은 프롬프트에는 목표와 이유, 바꾸면 안 되는 제약, 완료 기준을 담습니다. “어떻게”를 낱낱이 지정하기보다 “무엇을 왜 이루어야 하는지”를 선명하게 만듭니다. 얇다는 말은 막연하다는 뜻이 아니라, 판단에 꼭 필요한 정보만 압축해서 준다는 뜻입니다.

두꺼운 산출물과 맥락에는 실제 코드, 데이터, 화면, 프로토타입, 좋은 사례, 이전 결정, 사용자 반응을 담습니다. 모델은 우리가 말하지 않은 현실을 알 수 없습니다. 현실을 충분히 보여줄수록 모델이 추측으로 메워야 하는 빈칸이 줄어듭니다.

얇은 스킬에는 모델이 원래 아는 일반 지식이 아니라 이 조직과 작업에서만 알 수 있는 내용을 담습니다. 내부 도구를 쓰는 법, 자주 빠지는 함정, 안전 규칙, 검증 방법이 여기에 속합니다. Thariq도 Claude Code Skills을 운영하며 얻은 교훈에서 당연한 내용을 되풀이하지 말고, 실제로 반복된 실패와 검증 방법을 쌓으라고 설명합니다.

지침은 방법을 줄이고 목표와 경계를 남깁니다. 맥락은 현실을 보여줍니다. 스킬은 실제로 틀렸던 곳을 기억합니다.

사람은 지시하는 데서 미지수를 찾는 데로 이동한다

모델이 구현 방법을 더 잘 판단하면 사람의 일이 사라질까요? 그렇지 않습니다. 사람의 시간은 작업 순서를 적는 데서, 어떤 문제를 풀지와 무엇이 아직 정해지지 않았는지를 찾는 데로 이동합니다.

모델은 주어진 목표 안에서 좋은 방법을 고를 수 있습니다. 하지만 어떤 결과가 사업에 중요한지, 어떤 위험을 감수할 수 있는지, 사용자가 무엇을 불편해하는지까지 저절로 알지는 못합니다. 이 정보는 모델의 일반 지식이 아니라 지금 이 일을 맡긴 사람이 가진 현실입니다.

Thariq는 자신의 미지수를 찾는 법을 다룬 X 게시물에서 프롬프트, 스킬, 맥락을 ‘지도’에 비유합니다. 실제 코드와 현실은 ‘영토’입니다. 지도에 없는 부분을 만나면 모델은 멈추지 않고 가장 그럴듯한 답을 추측합니다. 강한 모델일수록 이 추측은 자연스러워 보이기 때문에, 사람이 빈칸을 알아차리는 일이 더 중요해질 수 있습니다.

사람은 작업의 앞과 뒤에 더 많은 시간을 써야 합니다.

시점	사람이 집중할 일
시작 전	풀 가치가 있는 문제인지 정하고, 목표와 제약, 아직 모르는 것을 드러냄
진행 중	방향을 바꿀 만큼 큰 결정과 예상 밖의 예외를 확인함
완료 후	실제 결과와 증거를 보고 품질을 판단하며, 반복된 실패를 다음 작업의 맥락으로 남김

사람이 모든 중간 단계를 승인할 필요는 없습니다. 대신 결과를 크게 바꾸는 결정과 실패 비용이 큰 지점을 붙들어야 합니다. 취향, 우선순위, 비용, 위험은 정답 하나가 있는 문제가 아니기 때문입니다.

하네스는 더하기보다 걷어내며 좋아진다

하네스는 모델이 일하는 바깥 구조입니다. 지침뿐 아니라 도구, 파일, 상태, 반복 방식, 검증 절차까지 포함합니다.

약한 모델을 위해 만든 하네스에는 작업 순서를 고정하는 장치가 많습니다. 새 모델이 그 순서를 스스로 구성할 수 있게 되면 예전 장치는 중복되거나 방해가 될 수 있습니다. 반대로 긴 작업의 상태를 보존하거나, 실제 시스템에서 결과를 검증하거나, 위험한 행동을 막는 장치는 모델이 좋아져도 남을 가능성이 큽니다.

작업마다 맞춤 하네스를 만드는 동적 워크플로도 같은 방향을 보여줍니다. 강한 모델은 작업에 맞는 실행 구조를 즉석에서 만들 수 있습니다. 다만 여러 에이전트와 추가 연산을 언제 쓸지는 비용과 위험을 아는 사람이 정해야 합니다. 모든 작업에 무거운 워크플로가 필요한 것은 아닙니다.

새 모델이 나올 때마다 기존 하네스를 덜어내고 실제 실패만 다시 남기는 반복 과정

하네스를 개선할 때는 기존 규칙을 영구한 정답으로 보지 않는 편이 좋습니다.

새 모델을 기존 하네스에 넣습니다.
일반적인 절차를 강제하는 지침을 하나씩 덜어냅니다.
실제 작업으로 결과를 비교합니다.
반복해서 나타나는 실패를 찾습니다.
그 실패를 막는 지식, 도구, 검증만 남깁니다.

이 과정을 거치면 하네스는 모델에게 모든 행동을 지시하는 설명서가 아니라, 현실의 제약과 실패의 기억을 담은 작업 환경에 가까워집니다.

덜어낼 가능성이 큰 것	계속 남겨야 할 것
모델이 안정적으로 수행하는 일반 절차	조직과 제품에만 있는 사실
모든 상황에 같은 순서를 강제하는 규칙	실제로 반복된 함정과 실패 사례
이미 아는 내용을 되풀이하는 설명	안전과 권한에 관한 단단한 경계
과거 모델의 약점에 맞춘 임시 장치	결과를 확인하는 테스트와 증거

좋은 하네스는 규칙이 많은 하네스가 아닙니다. 모델이 스스로 판단해도 되는 부분과 시스템이 반드시 보장해야 하는 부분을 정확히 나눈 하네스입니다.

지시하는 사람에서 방향을 정하는 사람으로

모델이 좋아질수록 사람은 “어떤 파일을 먼저 읽고, 몇 단계로 고치고, 언제 테스트하라”는 말을 덜 하게 됩니다. 그 대신 “왜 이 일을 하는지, 현실에 무엇이 있는지, 어떤 결과를 받아들일 수 없는지, 무엇으로 성공을 확인할지”를 더 깊게 생각해야 합니다.

일반적인 작업 절차는 점점 모델 안으로 들어갑니다. 그러나 목표와 맥락, 취향과 책임은 저절로 생기지 않습니다. 하네스도 사라지지 않습니다. 모델을 끌고 가는 고정된 레일에서, 모델이 현실을 보고 스스로 판단하도록 돕는 환경으로 바뀝니다.

이 흐름을 한 문장으로 줄이면 이렇습니다.