📚 기술사 수험서 찾아보기

토목시공기술사 → 건축시공기술사 → 건설안전기술사 → 측량및지형공간정보기술사 →

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

레이블이 재난안전AI인 게시물을 표시합니다. 모든 게시물 표시
레이블이 재난안전AI인 게시물을 표시합니다. 모든 게시물 표시

2026-10-12

GeoAI 윤리 | 프라이버시·편향·오탐의 대가 | GeoAI 기초 25편

GeoAI 윤리 | 프라이버시·편향·오탐의 대가 | GeoAI 기초 25편

GeoAI 윤리는 위치정보를 다루는 인공지능이 지켜야 할 프라이버시·공정성·안전 원칙을 뜻합니다. 재난 현장에서는 모델의 실수 한 번이 사람의 대피 여부를 좌우할 수 있어 더 엄격한 기준이 필요합니다.

📌 3줄 요약

  • 위치정보는 합치면 개인을 특정할 수 있어 민감하다
  • 학습 데이터 지역 편향이 탐지 성능 차이를 만든다
  • 재난 대응에서 오탐과 미탐의 비용은 서로 다르다

어느 지자체가 산사태 위험 지역을 자동으로 탐지하는 AI를 도입했다고 가정해 봅니다. 모델은 도심 지역에서는 정확도가 높았지만, 임도(산길)가 많고 위성영상이 드문 산간 마을에서는 위험 지역을 놓치는 일이 잦았습니다. 왜 이런 차이가 생겼을까요. 답은 모델 성능이 아니라 그 모델이 '무엇을 보고 배웠는가'에 있습니다.

GeoAI(공간정보에 특화된 인공지능)는 지도와 영상, 센서 데이터를 다루기 때문에 일반 AI보다 더 조심해야 할 지점이 많습니다. 위치는 그 자체로 개인의 생활 패턴을 드러내고, 학습 데이터가 어느 지역에 치우쳤는지에 따라 같은 모델도 지역마다 다른 성능을 보입니다. 게다가 재난 상황에서는 틀린 판단 하나의 무게가 평소와 다릅니다. 이번 글에서는 이 세 가지 축을 중심으로 GeoAI를 실무에 쓸 때 꼭 짚어야 할 원칙을 정리합니다.

satellite map data privacy
자료사진 · 사진: WikiImages / Pixabay

📍 위치정보는 왜 다른 개인정보보다 민감한가요?

위치정보 하나만으로는 누구인지 알기 어렵지만, 시간과 장소를 여러 번 겹쳐 보면 특정인의 집, 직장, 이동 경로까지 드러날 수 있습니다. 이를 '재식별(re-identification)'이라고 부르는데, 익명 처리된 이동 데이터도 몇 개의 위치만 알면 원래 사람을 역추적할 수 있다는 연구들이 꾸준히 나왔습니다. 재난 대응에서는 이재민 명단, 대피소 입소 기록, 피해 신고 위치처럼 민감한 정보가 지도 위에 쌓입니다. 이런 데이터를 외부에 공개하거나 공유할 때는 좌표를 격자 단위로 뭉개거나 표시 범위를 행정동 수준으로 낮추는 등 최소한의 가림 처리가 필요합니다. 담당자는 지도를 만들기 전에 '이 지도를 누가, 왜 보게 될까'를 먼저 따져보는 습관이 필요합니다.

🗺️ 학습 데이터의 지역 편향은 왜 생기나요?

AI 모델은 학습에 쓰인 영상과 사례를 벗어나는 상황에서 성능이 떨어지는 경향이 있습니다. 위성영상이나 드론 영상은 도시, 선진국, 접근이 쉬운 지역 위주로 더 많이 쌓여 있는 경우가 많고, 산간 오지나 특정 지형, 특정 계절의 영상은 상대적으로 적게 모입니다. 그 결과 같은 산사태 탐지 모델이라도 데이터가 풍부한 지역에서는 잘 맞고, 자료가 적은 지역에서는 놓치거나 오판하는 일이 생깁니다. 이런 차이를 확인하려면 모델을 도입하기 전에 자신이 담당하는 지역의 사례로 직접 검증해 보는 과정이 꼭 필요합니다. 전국 단위로 만든 모델이라도 우리 지역 지형·식생·계절 특성에서는 다르게 움직일 수 있다는 점을 염두에 두어야 합니다.

⚖️ 오탐과 미탐, 왜 똑같이 취급하면 안 되나요?

오탐(false positive)은 위험이 없는데 있다고 알리는 것이고, 미탐(false negative)은 실제 위험을 놓치는 것입니다. 일반적인 분류 문제라면 두 오류를 비슷하게 줄이려 하지만, 재난 대응에서는 이 둘의 무게가 다릅니다. 오탐이 잦으면 경보에 대한 신뢰가 떨어져 다음 경보를 무시하게 되는 '양치기 소년 효과'가 생기고, 미탐은 실제 피해로 바로 이어질 수 있습니다. 그래서 재난 분야에서는 모델이 애매한 경우 위험 쪽으로 더 기울게끔 판정 기준값(threshold)을 조정하는 경우가 많습니다. 다만 기준값을 낮추면 오탐도 함께 늘어나므로, 현장 인력이 감당할 수 있는 수준인지 함께 따져야 합니다. 모델을 도입할 때는 정확도 숫자 하나보다 오탐과 미탐 중 어느 쪽을 더 줄일지에 대한 합의가 먼저 있어야 합니다.

🔐 분석 결과를 공개할 때 지켜야 할 원칙은 무엇인가요?

재난 지도를 공개할 때는 '누구에게 어디까지 보여줄 것인가'를 먼저 정해야 합니다. 대민 공개용 지도는 대피소 위치나 위험 구역처럼 행동에 필요한 정보만 담고, 특정 가구나 개인을 특정할 수 있는 세부 좌표나 피해자 명단은 내부 대응 조직만 접근하도록 분리하는 것이 기본 원칙입니다. 또한 모델이 만든 위험 등급은 확정된 사실이 아니라 '추정'이라는 점을 지도 설명에 함께 밝혀야 오해를 줄일 수 있습니다. 공개 전에는 실제 담당자나 현장 대원이 결과를 한 번 훑어보고 명백히 이상한 지점이 없는지 확인하는 절차를 두는 것이 안전합니다. 이런 검수 없이 자동 생성된 지도를 그대로 내보내면, 모델의 실수가 그대로 현장의 혼란으로 이어질 수 있습니다.

🖥️ 화면에서 따라하기

따라하기 단계

  1. 지역 데이터 확인
    공개 위성영상 서비스에서 담당 지역을 검색해 최신 촬영 날짜와 해상도를 확인
  2. 편향 가능성 점검
    산간·도서 지역과 도심 지역의 영상 품질·촬영 빈도를 비교해 차이 기록
  3. 임계값 문서화
    분석 도구의 설정 메뉴에서 위험 판정 기준값을 찾아 현재 값과 변경 이력 기록
  4. 오탐·미탐 사례 수집
    과거 경보·미경보 사례를 표로 정리해 어느 쪽 오류가 더 잦았는지 확인
  5. 공개 범위 정하기
    지도 제작 도구의 레이어 속성에서 공개용과 내부용 레이어를 분리해 저장
  6. 검수 체크리스트 작성
    지도 공개 전 담당자 서명란을 넣은 확인 문서를 만들어 절차에 포함
  7. (메뉴 이름은 도구와
    (메뉴 이름은 도구와 버전에 따라 다를 수 있으니, 못 찾을 경우 '설정'이나 '레이어 속성' 항목을 먼저 살펴보세요.)

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

특정 재난 AI 도구 도입 전 편향·오탐 위험을 점검하는 체크리스트 만들기

당신은 재난안전 분야 데이터 윤리 검토자입니다.
[도구/모델 이름]을 [담당 업무, 예: 산사태 위험 탐지]에 도입하려 합니다.
아래 항목을 포함한 점검 체크리스트를 표로 만들어 주세요.
1) 학습 데이터의 지역·계절 편향 가능성
2) 오탐과 미탐 중 어느 쪽이 더 치명적인지와 그 이유
3) 위치정보 공개 시 가림 처리가 필요한 항목
4) 결과를 현장에 적용하기 전 사람이 반드시 확인해야 할 사항
전문용어는 한 줄로 풀어서 설명하고, 확인되지 않은 수치나 통계는 추정하지 말고 "확인 필요"로 표시해 주세요.
(결과는 반드시 담당자가 실제 지역 사례와 대조해 검증해야 하며, 체크리스트 항목 자체의 적절성도 사람이 한 번 더 검토해야 합니다.)

※ 대괄호 부분을 상황에 맞게 바꿔서 쓰세요. 받은 답은 그대로 쓰지 말고 사실 확인을 거치세요.

🧪 직접 해보기

  • 공개 위성지도 서비스에서 내 지역과 다른 지역의 영상 최신성·해상도를 비교해 본다
  • 최근 사용 중인 재난 경보 알림을 떠올려 오탐·미탐 중 어느 쪽이 더 많았는지 적어본다
  • 담당 업무에서 쓰는 지도 자료 중 개인을 특정할 수 있는 좌표가 있는지 점검해 본다

❓ 자주 묻는 질문

Q. 위치정보를 익명화하면 완전히 안전한가요?
A. 단순 익명화만으로는 재식별 위험이 남을 수 있습니다. 좌표를 뭉개거나 표시 단위를 넓히는 등 추가 조치와 접근 권한 관리를 함께 해야 합니다.

Q. 지역 편향은 어떻게 줄일 수 있나요?
A. 완전히 없애기는 어렵지만, 자신이 담당하는 지역의 실제 사례로 모델을 검증하고 성능 차이를 기록해 두면 위험을 미리 파악할 수 있습니다. 필요하면 지역 데이터를 추가로 보강하는 방법도 쓰입니다.

Q. 재난 AI는 오탐을 아예 없앨 수 없나요?
A. 오탐을 완전히 없애려 하면 미탐이 늘어나는 식으로 서로 맞물려 있어 균형점을 찾는 문제에 가깝습니다. 그래서 기술적 정확도뿐 아니라 현장이 감당할 수 있는 수준을 함께 고려해 기준을 정합니다.

GeoAI를 재난 현장에 들여오는 일은 편리한 도구 하나를 더하는 것이 아니라, 위치정보와 오류의 무게를 다루는 책임을 함께 들이는 일입니다. 다음 편에서는 이런 윤리 원칙을 실제 조직 안에서 어떻게 규정과 절차로 만들어 가는지 살펴보겠습니다.

GeoAI 기초 시리즈 25편 · 전체 43편


재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-10-11

LLM 에이전트와 GIS 연동 | 자연어로 지도를 묻는다 | GeoAI 기초 23편

LLM 에이전트와 GIS 연동 | 자연어로 지도를 묻는다 | GeoAI 기초 23편

LLM 에이전트와 GIS 연동은 자연어로 질문하면 AI가 지도 기능을 대신 실행해 답을 찾아주는 구조를 뜻합니다. 이 글에서는 그 작동 원리와 믿고 써도 되는 조건을 살펴봅니다.

📌 3줄 요약

  • LLM 에이전트는 함수 호출로 GIS 기능을 직접 실행한다
  • 자연어 질의는 공간 질의 언어로 번역되는 중간 단계를 거친다
  • 결과를 그대로 믿지 말고 검증 장치를 거쳐야 신뢰할 수 있다

"우리 동네 침수 위험 지역을 지도로 보여줘"라고 채팅창에 입력하면 실제로 지도가 뜰까요. 예전 같으면 GIS 프로그램을 켜고, 침수 흔적도 레이어를 불러오고, 행정구역 경계와 겹쳐서 분석하는 과정을 사람이 손으로 해야 했습니다. 그런데 최근에는 대형 언어모델이 이 과정 중 상당 부분을 대신 수행하는 사례가 늘고 있습니다. 사람이 쓴 말을 이해하는 것과 실제로 지도 위에서 계산을 해내는 것은 전혀 다른 일인데, 그 사이를 이어주는 다리가 바로 도구 호출이라는 구조입니다. 이번 편에서는 그 다리가 어떻게 놓이는지, 그리고 왜 결과를 곧이곧대로 믿으면 안 되는지 짚어보겠습니다.

Close-up view of a modern car dashboard featuring a GPS map for navigation.
자료사진 · 사진: Mike Bird / Pexels

🧩 LLM이 어떻게 지도 기능을 직접 실행하나요?

언어모델은 원래 글을 생성하는 도구이지, 지도를 그리거나 거리 계산을 하는 도구가 아닙니다. 그런데 함수 호출(function calling)이라는 방식을 쓰면 이야기가 달라집니다. 개발자가 미리 "버퍼 분석", "최단 경로 찾기", "레이어 교차 분석" 같은 함수를 정의해두고, 각 함수가 어떤 입력을 받는지 설명서를 붙여줍니다. 그러면 언어모델은 사용자 질문을 보고 "이건 버퍼 분석이 필요하겠다"고 판단한 뒤, 자신이 글을 쓰는 대신 그 함수를 호출할 인자를 만들어 넘깁니다. 실제 계산은 GIS 엔진이나 공간 데이터베이스가 수행하고, 언어모델은 결과를 다시 사람 말로 풀어주는 역할만 합니다. 재난 상황에서는 "대피소 반경 500m 안에 사는 고령자 수를 알려줘" 같은 요청을 이런 식으로 즉시 처리할 수 있어, 현장 보고서를 사람이 일일이 만드는 시간을 줄여줍니다.

🗣️ 자연어 질문이 어떻게 공간 질의로 바뀌나요?

"학교 근처 산사태 위험지를 찾아줘"라는 문장에는 숨은 조건이 많습니다. '근처'가 몇 미터인지, '위험지'가 어느 등급 이상인지는 사람마다 다르게 해석할 수 있습니다. 언어모델은 이 모호한 말을 SQL이나 공간 질의 언어(예: ST_Buffer, ST_Intersects 같은 공간 데이터베이스 함수)로 바꾸는 과정에서 임의의 기본값을 채워 넣습니다. 이 번역 단계가 이 기술의 핵심이자 가장 조심해야 할 지점입니다. 같은 질문도 모델이 '근처'를 300m로 해석할 수도, 1km로 해석할 수도 있기 때문입니다. 실무에 적용한다면 번역된 질의문을 사람이 눈으로 한 번 확인하는 절차가 꼭 필요합니다. 산불 대피소 배치처럼 기준 거리가 법적·행정적으로 정해진 경우라면, 에이전트가 임의로 정한 반경이 실제 기준과 다를 수 있으니 반드시 대조해봐야 합니다.

🔍 결과를 어떻게 믿을 수 있나요?

언어모델은 그럴듯하게 틀린 답을 내놓는 경우가 있습니다(흔히 환각이라 부르는 현상으로, 존재하지 않는 정보를 사실처럼 말하는 것을 가리킵니다). GIS 연동 구조에서는 이 위험을 줄이기 위해 몇 가지 장치를 둡니다. 첫째, 언어모델이 직접 숫자를 계산하지 않고 반드시 함수 호출을 거치게 강제합니다. 둘째, 함수가 반환한 원본 데이터와 모델이 요약한 문장을 함께 보여줘서 사람이 대조할 수 있게 합니다. 셋째, 중요한 의사결정 앞에는 사람이 최종 확인하는 단계(흔히 human-in-the-loop이라 부릅니다)를 넣습니다. 해봐야 아는 것은 바로 이 지점인데, 같은 질문을 두세 번 다르게 표현해 넣어보고 결과값이 바뀌는지 확인하는 것만으로도 신뢰도를 가늠할 수 있습니다. 대피 경로 안내처럼 사람의 안전과 직결되는 결과는 에이전트의 응답을 참고자료로만 쓰고, 실제 전파 전에는 담당자가 지도 원본을 직접 열어 재확인하는 절차를 두는 것이 안전합니다.

⚠️ 어떤 상황에서 조심해야 하나요?

도구 호출 구조는 정의된 함수 범위 안에서만 똑똑합니다. 함수 설명서에 없는 분석은 언어모델이 비슷한 이름의 함수를 억지로 끌어다 쓰거나, 아예 할 수 없다고 답하거나, 더 나쁘게는 할 수 있는 척 거짓 결과를 만들어낼 수 있습니다. 또한 좌표계가 다른 데이터를 섞어 쓰면 함수는 정상 작동해도 결과 위치가 실제와 어긋나는 경우가 생기는데, 이는 언어모델이 좌표계 불일치를 스스로 알아채지 못하기 때문입니다. 실시간 데이터(예: 현재 수위, 실시간 풍향)를 다루는 경우에는 에이전트가 참조하는 데이터가 몇 분 전 값인지도 확인 대상입니다. 홍수 상황실에서 이런 도구를 쓴다면, 자동 응답에 찍힌 시각과 실제 관측 시각이 일치하는지 매번 확인하는 습관이 필요합니다.

🏢 실무에 도입하려면 무엇부터 봐야 하나요?

당장 큰 시스템을 구축하지 않아도, 개념을 검증하는 수준의 작은 실험은 누구나 해볼 수 있습니다. 공개된 지도 API나 오픈소스 GIS 라이브러리에 함수 몇 개만 정의해 붙여보면, 자연어 질문이 어떤 함수 호출로 바뀌는지 직접 눈으로 볼 수 있습니다. 중요한 것은 처음부터 완전 자동화를 목표로 하지 않는 것입니다. 재난안전 분야처럼 결과가 사람의 생명과 연결되는 영역에서는, 에이전트가 제안한 분석 결과를 담당자가 검토하고 승인하는 단계를 중간에 반드시 넣는 구조로 설계하는 것이 지금 시점에서는 현실적인 접근입니다.

🖥️ 화면에서 따라하기

따라하기 단계

  1. 함수 목록 정하기
    버퍼분석, 최단경로 등 GIS에서 자주 쓰는 기능 3~4개를 함수로 정의할 목록 작성
  2. 설명서 작성
    각 함수가 받는 입력값(반경, 좌표 등)과 출력 형식을 글로 정리
  3. 도구 연결
    챗봇 플랫폼의 '도구 추가' 또는 'Function/Tools' 설정 메뉴에서 함수 등록(메뉴명은 플랫폼마다 다름)
  4. 테스트 질문 입력
    채팅창에 "A 지점에서 1km 이내 대피소 찾아줘"처럼 질문 입력
  5. 호출 로그 확인
    모델이 어떤 함수를 어떤 값으로 호출했는지 로그 또는 디버그 화면에서 확인
  6. 결과 대조
    반환된 좌표·수치를 원본 GIS 프로그램에서 직접 열어 일치 여부 확인

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

자연어 질문을 공간 질의 조건으로 명확히 분해해보는 연습용 프롬프트

너는 GIS 분석을 돕는 보조자야. 아래 질문을 공간 질의로 바꾸기 전에 모호한 부분을 먼저 질문해줘.
질문: [여기에 자연어 질문 입력, 예: 학교 근처 산사태 위험지역을 찾아줘]
확인할 항목: 거리 기준(미터 단위), 위험 등급 기준, 사용할 데이터 레이어 이름, 좌표계
모호한 항목이 있으면 가정하지 말고 반드시 되물어봐줘. 가정이 필요하면 가정했다는 사실을 명시해줘.

※ 대괄호 부분을 상황에 맞게 바꿔서 쓰세요. 받은 답은 그대로 쓰지 말고 사실 확인을 거치세요.

🧪 직접 해보기

  • 공개 지도 서비스의 챗봇 기능(있다면)에 거리·반경 조건을 넣어 질문해보고 답변 근거를 확인해본다
  • 같은 질문을 표현만 바꿔 두세 번 입력해보고 결과(반경, 기준)가 달라지는지 비교해본다
  • 오픈소스 GIS 커뮤니티 문서에서 'function calling' 또는 'agent' 관련 예제를 찾아 구조를 읽어본다

❓ 자주 묻는 질문

Q. LLM 에이전트가 GIS 프로그램을 대체할 수 있나요?
A. 현재는 대체보다는 보조에 가깝습니다. 함수 호출 범위 안에서만 작동하므로, 복잡하거나 정교한 공간분석은 여전히 전문가의 설계와 검증이 필요합니다.

Q. 자연어 질의 결과를 재난 대응에 바로 써도 되나요?
A. 생명과 직결되는 의사결정에는 바로 쓰지 않는 것이 안전합니다. 반드시 원본 데이터와 대조하고 담당자 확인을 거치는 절차를 두어야 합니다.

Q. 함수 호출과 그냥 AI에게 코드를 짜달라고 하는 것은 뭐가 다른가요?
A. 코드 생성은 사람이 코드를 검토하고 실행해야 하지만, 함수 호출은 미리 정의된 안전한 함수 안에서 AI가 직접 실행까지 이어간다는 점이 다릅니다. 그만큼 통제된 범위 설계가 중요합니다.

자연어로 지도에 질문하는 경험은 신기하지만, 그 뒤에는 함수 설계와 검증 장치라는 꼼꼼한 공학이 숨어 있습니다. 다음 편에서는 이런 에이전트가 여러 데이터 출처를 오가며 스스로 분석 계획을 세우는 경우 무엇을 더 점검해야 하는지 이야기해보겠습니다.

GeoAI 기초 시리즈 23편 · 전체 43편


재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-26

생성형 AI 사용법 3 | 틀린 답(환각)을 걸러내는 법

📌 3줄 요약

  • 생성형 AI의 환각은 모델 구조 특성에서 비롯된 필연적 현상이다.
  • 숫자·법령·출처가 포함된 답변은 반드시 원문 자료로 재확인해야 한다.
  • 확인 습관과 출처 요구 프롬프트를 함께 쓰면 오류를 줄일 수 있다.

재난안전 업무에서 생성형 AI를 쓰다 보면 이런 일이 생깁니다. 홍수 대피 기준 거리를 물었더니 AI가 법령 조항 번호까지 들어 자신 있게 대답합니다. 문장도 매끄럽고, 구조도 그럴듯합니다. 그런데 실제 법령을 국가법령정보센터에서 검색해 보면 그 조항이 없거나, 숫자가 다릅니다. AI가 거짓말을 하려고 만든 답이 아닙니다. 모델 자체의 작동 방식에서 이런 오류가 생깁니다.

이 현상을 '환각(Hallucination)'이라고 부릅니다. AI가 없는 정보를 있는 것처럼 그럴듯하게 만들어 내는 것을 뜻하는 용어입니다. 환각이 생기는 이유를 알고, 어떤 항목을 반드시 확인해야 하는지 기준을 세워 두면, AI를 훨씬 안전하게 쓸 수 있습니다. 이번 글에서는 그 원리와 확인 습관을 실무 관점에서 짚어 보겠습니다.

🤔 환각은 왜 생기나요? AI가 일부러 속이는 건가요?

생성형 AI는 '다음에 올 가능성이 높은 단어'를 계속 이어 붙이는 방식으로 문장을 만듭니다. 방대한 텍스트를 학습해 언어 패턴을 익힌 것이지, 사실 데이터베이스를 검색하는 구조가 아닙니다. 그러다 보니 질문에 어울리는 형태의 답을 생성하는 과정에서 실제로 존재하지 않는 숫자, 논문 제목, 조항 번호가 만들어지기도 합니다. 틀린 내용이더라도 문체와 형식이 자연스럽기 때문에 독자가 걸러내기 어렵습니다. 의도적인 거짓이 아니라 구조적 한계입니다. 재난 상황에서는 대피 거리, 경보 발령 기준, 법적 의무 조항 같은 정보가 잘못 전달되면 직접적인 피해로 이어질 수 있으므로, 이 특성을 먼저 이해하는 것이 중요합니다.

🔍 어떤 종류의 답변을 특히 의심해야 하나요?

모든 답변을 일일이 검증하기는 어렵습니다. 우선순위를 두어야 합니다. 확인 없이 그대로 쓰면 안 되는 항목은 다음과 같습니다. 첫째, 법령 조항 번호와 내용입니다. 재난안전법, 자연재해대책법, 급경사지법 등은 개정이 잦아서 AI가 학습한 시점과 현재가 다를 수 있습니다. 둘째, 통계 수치와 연도입니다. 피해 규모, 사망자 수, 발생 빈도 같은 숫자는 출처 없이 신뢰할 수 없습니다. 셋째, 기관명과 담당 부서입니다. 조직 개편으로 이름이 바뀐 경우가 많습니다. 넷째, 인용 논문이나 보고서 제목과 저자입니다. 아예 존재하지 않는 문헌이 만들어지는 경우가 드물지 않습니다. 산사태 위험 등급 기준이나 홍수 예보 발령 조건처럼 수치가 기준이 되는 항목은 반드시 원문 고시나 지침서에서 확인하세요.

📋 출처를 요구하는 프롬프트는 어떻게 써야 하나요?

출처를 함께 달라고 요청하면 AI가 참고 자료처럼 보이는 목록을 붙여 주기도 합니다. 그런데 그 목록도 환각일 수 있습니다. 그래서 프롬프트에 출처를 요구할 때는 두 가지를 함께 적는 것이 좋습니다. 하나는 "출처를 모를 경우 솔직하게 모른다고 써 달라"는 지시이고, 다른 하나는 "내가 확인할 수 있는 공개 문서 이름이나 기관 사이트를 함께 알려 달라"는 요청입니다. 이렇게 하면 AI가 그럴듯한 가짜 출처를 만들 여지가 줄고, 독자가 직접 검색할 방향을 잡을 수 있습니다. 재난안전 문서를 작성할 때는 AI가 제시한 법령 이름을 국가법령정보센터(law.go.kr)에서 직접 검색해 조항 내용을 대조하는 것을 습관으로 만드세요.

✅ 받은 답변을 직접 검증하는 절차가 있나요?

해봐야 아는 것이 있습니다. AI에게 같은 질문을 맥락 없이 한 번, 역할과 조건을 구체적으로 준 다음 한 번, 총 두 번 물어보세요. 그리고 두 답변에서 숫자나 조항이 일치하는지 비교합니다. 일치하지 않는다면 둘 다 신뢰하면 안 됩니다. 일치하더라도 원문 자료를 확인하기 전까지는 초안 수준으로만 다루어야 합니다. 확인 순서를 간단히 정리하면 이렇습니다. 법령은 국가법령정보센터, 통계는 출처 기관 공식 사이트, 사업 지침은 해당 부처 공문이나 고시로 확인합니다. 특히 산불 진화 인력 기준이나 홍수 대피령 발령 요건처럼 행정적 판단의 근거가 되는 항목은, AI 답변을 초안으로만 쓰고 반드시 원문에서 재확인하는 두 단계 절차를 유지하세요.

🗂️ AI를 믿고 쓸 수 있는 부분과 그렇지 않은 부분은 어떻게 나누나요?

생성형 AI가 상대적으로 잘하는 영역이 있습니다. 이미 내가 가진 내용을 다른 표현으로 정리하거나, 문장 흐름을 자연스럽게 다듬거나, 항목별 체크리스트 형식으로 바꾸는 일입니다. 반대로 새로운 사실을 생성하거나, 특정 시점의 최신 현황을 알려주거나, 법적 효력이 있는 정보를 정확하게 인용하는 일은 AI에게 맡기기 어렵습니다. 실무에서 이 선을 그을 때는 간단한 기준 하나를 쓸 수 있습니다. '내가 이 내용을 직접 확인할 경로가 있는가?' 경로가 있으면 AI 초안을 바탕으로 확인하면 됩니다. 경로가 없거나 불분명하다면 그 내용 자체를 문서에 포함시키지 않는 것이 안전합니다. 대피 계획서나 훈련 결과 보고서에서 잘못된 수치가 들어가면, 다음 훈련 설계나 실제 대응 체계에 오류가 그대로 누적됩니다.

🖥️ 화면에서 따라하기

  1. 새 대화 시작
    AI 도구 화면에서 새 대화(New Chat) 버튼을 눌러 이전 맥락 없이 시작한다.
  2. 역할·맥락 입력
    첫 메시지에 "나는 재난안전 담당자이고, [주제] 관련 초안을 쓰려 한다"를 먼저 입력한다.
  3. 출처 조건 지정
    같은 메시지에 "모르는 내용은 모른다고 써 달라, 법령 이름은 확인 가능한 것만"을 추가한다.
  4. 답변 수령 후 분리
    받은 답변에서 숫자·법령 조항·기관명을 색깔펜으로 따로 표시해 목록을 만든다.
  5. 원문 대조 확인
    법령은 law.go.kr, 통계는 출처 기관 사이트에서 직접 검색해 항목별로 맞는지 확인한다.
  6. 재요청(필요시)
    틀린 항목을 발견하면 같은 대화에서 "이 부분은 [원문 내용]으로 수정해 달라"고 입력한다.

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다.

✍️ 그대로 복사해 쓰는 프롬프트

막연하게 요청했을 때 어떤 답이 나오는지 확인용 (비교 기준)

[재난 종류]와 관련된 대피 기준을 알려줘.

맥락과 조건을 준 요청으로, 환각 가능성을 줄이고 검증 방향을 함께 얻는 프롬프트

너는 재난안전 분야 문서 작성을 돕는 보조자야.
나는 [기관명] 소속 재난안전 담당자이고, [재난 종류] 관련 대피 기준을 내부 보고서 초안에 활용하려 해.
아래 조건을 반드시 지켜줘.
1. 법령 조항 번호나 고시 제목은 네가 확인하지 못한 경우 "확인 필요"라고 표시해.
2. 수치가 들어간 항목마다 "출처: [확인 가능한 기관 또는 문서명]"을 한 줄로 달아줘.
3. 최신 개정 여부는 알 수 없으므로, 독자가 law.go.kr에서 재확인해야 한다는 안내를 마지막에 한 줄 넣어줘.
4. 내가 직접 확인해야 할 항목을 답변 끝에 별도 목록으로 정리해줘.
출력 형식은 항목별 표 또는 번호 목록으로 해줘.
결과를 한글 문서로 받고 싶으면 답변 마지막에 "위 내용을 hwpx 형식으로 내려받을 수 있게 파일로 만들어 줘"라고 추가 요청하면 됩니다(도구에 따라 지원 여부가 다릅니다).

※ 대괄호 부분을 상황에 맞게 바꿔서 쓰세요. 받은 답은 그대로 쓰지 말고 사실 확인을 거치세요.

🧪 직접 해보기

  • AI에게 아무 조건 없이 재난 관련 법령 조항을 물어보고, 그 답변을 law.go.kr에서 직접 검색해 일치 여부를 확인해 본다.
  • 위에 제시한 '맥락을 준 프롬프트'를 복사해 직접 붙여 넣고, 막연한 요청과 결과가 얼마나 다른지 비교해 본다.
  • AI가 준 답변에서 숫자가 포함된 문장만 골라 목록으로 만들고, 그중 하나라도 원문과 다른 항목이 있는지 확인해 본다.

❓ 자주 묻는 질문

Q. AI가 출처를 달아줬는데 그것도 믿으면 안 되나요?
A. AI가 제시한 출처는 실제로 존재하지 않는 경우가 있습니다. 출처 이름을 받았다면, 그 이름을 직접 검색해 문서가 실제로 있는지 확인하는 것이 필수입니다. 출처 목록이 있어도 검증 절차는 생략할 수 없습니다.

Q. 환각을 완전히 없애는 프롬프트 방법이 있나요?
A. 완전히 없애는 방법은 현재 알려진 것이 없습니다. 조건을 구체적으로 줄수록, 모르면 모른다고 표시하도록 요청할수록 오류가 줄어드는 경향이 있지만, 어느 도구든 확인 절차를 대체하지는 못합니다.

Q. 재난안전 문서에서 AI 답변을 그대로 쓰면 어떤 문제가 생기나요?
A. 잘못된 법령 조항이나 수치가 공식 문서에 들어가면 행정적 오류나 현장 대응 혼선으로 이어질 수 있습니다. 대피 기준, 경보 발령 조건, 담당 기관 정보 등은 반드시 원문을 확인한 후 문서에 반영해야 합니다.

생성형 AI는 문서 초안을 빠르게 잡거나, 복잡한 내용을 읽기 쉽게 다듬는 데 분명히 유용합니다. 그런데 그 편리함 뒤에는 구조적으로 오류가 끼어들 수 있다는 사실을 늘 기억해야 합니다. 특히 재난안전 분야에서는 작은 숫자 하나, 조항 번호 하나가 현장 대응과 직결됩니다. AI를 쓸수록 확인 습관이 더 중요해지는 이유가 여기 있습니다. 환각을 걸러내는 습관이 자리를 잡으면, 다음으로 자연스럽게 떠오르는 질문이 있습니다. AI와 대화를 이어가면서 이전 맥락을 어떻게 유지하고, 긴 문서 작업을 끊기지 않게 하려면 어떻게 해야 할까요?

생성형AI 사용법 시리즈 3편 · 전체 15편


재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-20

안전한국훈련 기본계획서, 생성형 AI로 쓰는 법 | 안전한국훈련 실무 1편

안전한국훈련 기본계획서, 생성형 AI로 쓰는 법 | 안전한국훈련 실무 1편

🎬 1분 브리핑 영상

📌 3줄 요약

  • 기본계획서는 훈련 목적·대상 재난·참여기관·일정·유형·평가 방향을 담는 공식 문서다.
  • AI에게 기관 성격·지역 위험요소·전년도 결과를 함께 줘야 쓸 만한 초안이 나온다.
  • 법령 번호·기관명·연도는 AI가 지어낼 수 있으므로 원문으로 반드시 확인해야 한다.

훈련 담당자로 처음 발령받은 뒤 가장 먼저 마주치는 과제가 기본계획서 작성입니다. 분량은 적지 않고, 상위 지침에서 요구하는 항목도 해마다 조금씩 달라집니다. "작년 것 조금 고치면 되겠지" 싶어서 전임자 파일을 열었다가, 날짜와 기관명만 수정하고 그대로 결재에 올렸다는 이야기는 재난 업무 담당자 사이에서 드물지 않게 들립니다.

생성형 AI는 이 문서를 처음부터 혼자 써내려가는 부담을 줄여 주는 도구가 될 수 있습니다. 그러나 도구를 잘 쓰려면 문서가 무엇을 담아야 하는지부터 알아야 하고, AI에게 어떤 맥락을 줘야 쓸 만한 결과가 나오는지도 알아야 합니다. 이 글은 기본계획서의 구조를 이해하고, AI와 협업해 초안을 완성한 뒤, 한글 문서로 결재선에 올리기까지의 흐름을 순서대로 정리합니다.

📋 기본계획서에는 정확히 어떤 내용이 들어가야 하나요?

안전한국훈련 기본계획서는 한 번의 훈련을 설계하는 청사진입니다. 문서 안에는 크게 여섯 가지 축이 있습니다. 첫째, 훈련 목적입니다. 무엇을 개선하거나 검증하기 위해 훈련하는지를 한 문단으로 씁니다. 둘째, 대상 재난입니다. 홍수·산사태·지진·화재 등 어떤 유형의 재난을 상정하는지 명시합니다. 셋째, 참여기관입니다. 주관기관과 협조기관, 유관기관을 구분해 열거합니다. 넷째, 훈련 일정입니다. 준비 기간과 본 훈련 날짜, 결과 보고 시점을 담습니다. 다섯째, 훈련 유형입니다. 도상훈련(지도나 서류로 진행)인지 실제훈련인지, 또는 두 가지를 병행하는지를 밝힙니다. 여섯째, 평가 방향입니다. 어떤 기준으로 성과를 측정하고 환류할지를 적습니다. 이 여섯 축이 불완전하면 훈련 당일 협조기관과 역할 충돌이 생기고, 평가 이후 개선 과제도 도출하기 어렵습니다.

🗺️ AI에게 아무것도 안 주면 어떤 결과가 나오나요?

"안전한국훈련 기본계획서를 써 줘"라고만 입력하면 AI는 그럴듯하지만 어느 기관에도 맞지 않는 범용 초안을 내놓습니다. 기관명 자리에 [기관명 기입], 지역 자리에 [시·군·구 기입]이라고 표시되거나, 더 나쁜 경우 AI가 임의의 기관명과 지역명을 채워 넣습니다. 법령 근거로 실재하지 않는 고시 번호를 쓰는 일도 드물지 않습니다. 반면 기관의 성격(지방자치단체·공공기관·민간기업 등), 관할 지역의 주요 위험요소(하천 범람 이력, 급경사지 분포 등), 직원 수와 훈련 가능 인원, 전년도 훈련에서 지적된 미흡 사항을 함께 주면 결과가 달라집니다. 맥락이 붙은 요청은 AI가 목적 문단을 기관 상황에 맞게 조율하고, 참여기관 목록에도 실제로 협조 가능한 기관 유형을 제안하게 만듭니다. 산불 위험 지역 기관이라면 산림 유관기관과의 공조 절차를 중심으로 초안 구조가 잡히는 식입니다.

✍️ 실제로 어떻게 프롬프트를 써야 하나요?

아래는 맥락을 충분히 담은 프롬프트 예시입니다. 복사해 그대로 쓰되, 대괄호 안 내용은 실제 기관 정보로 바꿔야 합니다.

당신은 지방자치단체 재난안전 담당자를 돕는 문서 작성 보조 도구입니다.
아래 조건을 반영해 안전한국훈련 기본계획서 초안을 작성해 주세요.

기관 성격: [도·시·군·구 구분, 인구 규모, 조직 내 재난안전 담당 인력 수]
훈련 대상 재난: [홍수 / 산사태 / 지진 / 기타]
지역 주요 위험요소: [하천 명, 급경사지 현황, 과거 피해 이력 등]
전년도 미흡 사항: [평가 결과에서 지적된 항목]
참여 예정 기관: [소방서, 경찰서, 보건소 등 실제 협조 가능한 기관]
훈련 유형: [도상훈련 / 실제훈련 / 복합]
작성 양식: 목적, 방침, 훈련 개요, 참여기관 역할, 일정, 평가 계획 순으로
주의사항: 법령 이름과 고시 번호는 [소관 부처 지침 확인 필요]로 표시할 것

프롬프트를 보내고 초안을 받으면 바로 저장하지 않고, 다음 단계로 넘어갑니다.

⚠️ AI 초안에서 사람이 반드시 확인해야 할 항목은 무엇인가요?

AI가 생성한 초안을 그대로 결재에 올리면 안 되는 이유는 분명합니다. AI는 맥락을 줘도 세 가지 영역에서 지어내기 쉽습니다.

첫째, 법령 근거입니다. 재난 및 안전관리 기본법, 안전한국훈련 관련 지침 등의 이름과 조항 번호는 AI가 그럴듯하게 생성하더라도 실제 조문과 다를 수 있습니다. 소관 부처 누리집의 최신 고시와 지침을 직접 검색해 조항을 옮겨야 합니다. 훈련 지침은 해마다 개정되므로 전년도 것을 그대로 쓰지 않도록 주의하세요.

둘째, 기관명과 직위입니다. AI가 제안한 협조기관 목록에 실제로 존재하지 않는 기관명이나 오래된 명칭이 들어 있는지 확인합니다. 셋째, 훈련 일정과 규모입니다. 상위 기관의 훈련 계획 공고가 나오기 전에 날짜를 확정해 넣으면 나중에 수정이 필요합니다. 이 세 항목은 해봐야 아는 것이 아니라 반드시 원문을 보고 확인해야 하는 항목입니다. 초안을 검토할 때 법령 번호·기관명·날짜에 형광펜을 그어 두고 하나씩 대조하는 습관이 현장에서 실수를 줄입니다. 산불 훈련 계획서에서 협조기관으로 잘못된 산림 관서명이 기재된 경우, 실제 훈련 당일 연락 불통으로 이어질 수 있습니다.

💾 수정한 초안을 한글 문서(.hwpx)로 만들려면 어떻게 하나요?

확인과 수정을 마친 초안을 결재선에 올리려면 한글 문서(.hwpx) 형태가 필요한 경우가 많습니다. 방법은 두 가지입니다.

첫 번째는 직접 붙여 넣기입니다. AI가 출력한 텍스트를 복사해 한글(HWP) 프로그램의 새 문서에 붙여 넣고, 기관 서식 양식에 맞게 제목·본문·표 형식을 직접 잡습니다. 글머리 번호, 표 구조, 결재란 양식은 기관 내 표준 서식 파일을 불러와 적용하는 것이 가장 안전합니다.

두 번째는 문서 변환 기능 활용입니다. 일부 생성형 AI 서비스는 작성한 초안을 .hwpx 형식으로 바로 내려받을 수 있는 기능(예: Claude의 hwpx 스킬)을 제공합니다. 이 기능을 쓰면 텍스트 복사·붙여 넣기 단계 없이 파일을 받아 한글 프로그램에서 바로 열 수 있어 편리합니다. 다만 어느 방법을 쓰든 표·결재란·기관 로고 등 서식 요소는 기관 표준 양식과 일치하는지 열어서 눈으로 확인한 뒤 결재선에 올려야 합니다. 서식이 맞지 않는 문서는 반려되거나 수정 요청이 돌아옵니다.

🧪 직접 해보기

  • 소관 부처 누리집에서 올해 안전한국훈련 시행 지침을 직접 내려받아, 기본계획서에 반드시 들어가야 하는 항목 목록을 뽑아 본다.
  • 위 프롬프트 예시에 자기 기관 정보를 채워 넣고 생성형 AI에 입력한 뒤, 나온 초안에서 법령 번호와 기관명이 실제와 일치하는지 원문과 대조해 본다.
  • AI 초안을 한글 프로그램에 붙여 넣어 기관 표준 서식과 비교하고, 제목·결재란·표 형식이 얼마나 다른지 직접 확인해 본다.

❓ 자주 묻는 질문

Q. 전년도 기본계획서를 AI에게 주고 수정해 달라고 해도 되나요?
A. 가능하지만 두 가지를 주의해야 합니다. 전년도 문서에 개인정보나 기관 내부 정보가 포함되어 있다면 외부 AI 서비스에 올리기 전에 기관의 정보보안 지침을 먼저 확인해야 합니다. 또한 AI가 전년도 법령 번호와 일정을 그대로 유지하거나 임의로 수정할 수 있으므로, 변경된 항목은 사람이 직접 대조해야 합니다.

Q. 훈련 유형을 도상훈련으로만 하면 기본계획서 분량이 줄어도 되나요?
A. 훈련 유형과 무관하게 기본계획서에 담아야 하는 항목은 상위 지침에서 정합니다. 분량보다는 항목의 완결성이 평가 기준이 되는 경우가 많으므로, 지침에서 요구하는 항목을 빠뜨리지 않았는지 체크리스트로 확인하는 것이 중요합니다.

Q. AI가 써 준 목적 문단을 그대로 써도 괜찮은가요?
A. 문장 자체가 자연스러워도 기관의 실제 상황과 맞지 않을 수 있습니다. 특히 지역 위험요소, 전년도 미흡 사항, 올해 중점 목표는 기관 담당자가 직접 판단해 수정해야 합니다. AI 초안은 빈 화면 앞에서의 막막함을 줄여 주는 출발점이지, 최종 문서가 아닙니다.

기본계획서는 훈련의 설계도입니다. AI는 그 설계도의 초벌 스케치를 빠르게 그려 주는 도구가 될 수 있지만, 치수를 확인하고 현장에 맞게 고치는 일은 담당자의 몫입니다. 맥락을 충분히 준 프롬프트, 법령과 기관명의 원문 대조, 기관 서식에 맞는 최종 정리, 이 세 단계를 습관으로 만들면 AI는 문서 작성 시간을 줄여 주는 실질적인 동료가 됩니다. 훈련 결과 보고서도 같은 방식으로 AI와 함께 작성할 수 있는데, 다음 편에서는 훈련 종료 후 평가 결과를 정리하고 개선 과제를 도출하는 과정에서 GeoAI와 공간정보를 어떻게 활용할 수 있는지를 살펴보겠습니다.

안전한국훈련 실무 시리즈 1편 · 전체 3편


재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-19

생성형 AI 사용법 1 | 프롬프트는 이렇게 쓴다

🎬 1분 브리핑 영상

📌 3줄 요약

  • 좋은 프롬프트는 역할·맥락·형식·제약 네 요소로 구성된다.
  • 막연한 질문은 막연한 답을 낳고, 구체적 요청은 쓸 수 있는 답을 낳는다.
  • AI가 되묻게 만드는 프롬프트가 실제 업무에서 가장 안전하다.

재난안전 부서에서 홍수 피해 보고서를 써야 하는 상황을 떠올려 보세요. 생성형 AI에게 "홍수 보고서 써 줘"라고 입력했더니, 교과서에서 복사한 것 같은 일반론이 돌아왔습니다. 다시 시도해서 "홍수가 나면 피해가 크다"는 수준의 문장만 받았다면, 문제는 AI가 아니라 질문 방식에 있을 가능성이 높습니다.

생성형 AI는 입력된 텍스트를 바탕으로 다음에 올 말을 예측해 문장을 만들어 내는 모델입니다. 다시 말해, 내가 어떤 맥락을 제공하느냐에 따라 출력 결과가 완전히 달라집니다. 좋은 프롬프트는 AI에게 '상황'과 '기대치'를 동시에 전달하는 설계도와 같습니다. 이번 글에서는 공간정보와 재난안전 업무에서 실제로 써 먹을 수 있는 프롬프트 작성법을 원리부터 설명합니다.

🧩 프롬프트를 구성하는 네 가지 요소는 무엇인가요?

좋은 프롬프트에는 공통적으로 네 가지 요소가 들어갑니다. 첫째는 역할입니다. AI에게 "너는 GIS 전문가야"처럼 특정 관점을 부여하면, 그 맥락에 맞는 어휘와 논리로 답변이 구성됩니다. 둘째는 맥락입니다. 배경 상황을 알려 주지 않으면 AI는 가장 평균적인 답을 생성하는데, 이것이 "교과서 같은 답변"이 나오는 원인입니다. 셋째는 형식입니다. 원하는 출력 형태를 명시하면 표, 번호 목록, 보고서 문체 등 원하는 형태로 받을 수 있습니다. 넷째는 제약입니다. "전문 용어를 쓰지 말 것", "200자 이내로" 같은 조건을 붙이면 쓸모없는 내용이 줄어듭니다. 산사태 위험 지역 주민 대피 안내문을 작성할 때 이 네 요소를 모두 넣으면, 주민 눈높이에 맞는 실용적인 문서가 나옵니다.

🌧️ 막연한 질문과 구체적 요청은 결과가 얼마나 다른가요?

같은 주제라도 질문 방식에 따라 답변의 품질이 크게 갈립니다. "홍수 대응 계획 알려 줘"라고 입력하면 AI는 누구에게나 해당하는 일반적인 단계를 나열합니다. 반면 아래처럼 입력하면 결과가 달라집니다.

당신은 지자체 재난안전 담당자입니다.
배경: 인구 5만 명 규모의 도시에서 하천 범람 경보가 발령됐습니다.
요청: 향후 6시간 이내에 해야 할 초동 대응 체크리스트를 번호 목록으로 작성해 주세요.
제약: 전문 용어는 괄호 안에 쉬운 말로 풀어 쓰고, 각 항목은 두 문장을 넘기지 않습니다.

이처럼 역할·배경·요청·제약을 모두 담으면 실제로 현장에서 바로 출력해 쓸 수 있는 수준의 초안이 나옵니다. 두 결과를 직접 비교해 보는 것이 이 차이를 가장 빠르게 체감하는 방법입니다. 위성영상 분석 보고서 초안처럼 형식이 정해진 문서일수록 형식 지정의 효과가 더 두드러집니다.

🤔 AI가 되묻게 만들려면 어떻게 요청해야 하나요?

AI에게 답을 바로 달라고 하는 대신, "답을 생성하기 전에 필요한 정보가 있으면 먼저 질문해 주세요"라고 요청하는 방법이 있습니다. 이렇게 하면 AI가 모호한 조건을 스스로 짚어 내고, 사용자는 미처 생각하지 못한 변수를 확인할 수 있습니다. 이 방식이 특히 유용한 이유는, AI가 잘못된 가정을 바탕으로 길게 답변을 생성하는 상황을 막아 주기 때문입니다. 프롬프트 끝에 "시작하기 전에 명확히 해야 할 사항이 있으면 먼저 물어봐 주세요"라는 문장 하나를 붙이는 것만으로도 효과가 있습니다. 산불 확산 예측 보고서처럼 입력 조건(풍향, 연료 상태, 지형)이 여러 개인 경우, 이 방식으로 빠진 조건을 미리 점검하면 결과물의 정확도가 올라갑니다.

📋 역할 설정은 왜 중요하고 어떻게 쓰나요?

역할 설정은 AI가 사용하는 어휘, 논리 구조, 독자를 결정합니다. "너는 GIS 분석가야"와 "너는 초등학교 교사야"는 같은 질문에도 전혀 다른 답을 만들어 냅니다. 역할은 단순히 직업명만 적는 것보다, 그 역할의 독자가 누구인지도 함께 적으면 더 효과적입니다. 예를 들어 "당신은 지자체 재난안전 담당자이며, 이 보고서를 읽을 대상은 현장 소방대원입니다"처럼 쓰면, AI는 현장 중심의 간결한 문체를 선택합니다. 역할을 너무 추상적으로 적으면 효과가 줄어드니, 실제 업무 상황에 가깝게 구체화하는 것이 핵심입니다. 대피 경로 안내 문서처럼 독자가 명확한 문서일수록 역할 설정의 효과가 크게 나타납니다.

⚠️ 프롬프트를 쓸 때 흔히 저지르는 실수는 무엇인가요?

가장 흔한 실수 세 가지가 있습니다. 첫째, 원하는 출력 형식을 적지 않는 것입니다. 형식을 비워 두면 AI는 가장 일반적인 산문 형태로 답합니다. 둘째, 제약 조건을 너무 많이 달아 서로 모순되게 만드는 것입니다. "짧게 써 줘"와 "모든 항목을 빠짐없이 포함해 줘"는 충돌합니다. 셋째, 한 번에 너무 많은 것을 요청하는 것입니다. 프롬프트 하나에 분석, 시각화 설명, 정책 제언을 동시에 요청하면 각각의 품질이 낮아집니다. 이 실수들은 직접 여러 번 요청해 본 뒤 출력을 비교해야 비로소 체감됩니다. 홍수 피해 현황 분석처럼 여러 단계가 필요한 작업은 프롬프트를 단계별로 나눠 입력하는 것이 더 좋은 결과를 냅니다.

🧪 직접 해보기

  • 같은 주제로 막연한 질문과 네 요소(역할·맥락·형식·제약)를 모두 넣은 질문을 각각 입력해 두 결과를 나란히 비교해 보세요.
  • 프롬프트 끝에 "답하기 전에 필요한 정보가 있으면 먼저 질문해 주세요"를 붙이고, AI가 어떤 것을 되묻는지 기록해 두세요. 되묻는 내용이 곧 내 프롬프트의 빈틈입니다.
  • 재난안전 업무에서 자주 작성하는 문서(대피 안내문, 피해 현황 보고서 등) 하나를 골라 프롬프트 초안을 작성한 뒤, 역할·맥락·형식·제약 네 항목이 모두 들어갔는지 스스로 체크해 보세요.

❓ 자주 묻는 질문

Q. 프롬프트가 길수록 더 좋은 답변이 나오나요?
A. 길이 자체보다 내용의 명확성이 중요합니다. 필요한 정보를 빠짐없이 담되, 서로 모순되는 조건이나 불필요한 설명은 오히려 출력 품질을 낮출 수 있습니다.

Q. 생성형 AI가 만든 재난 관련 내용을 그대로 써도 되나요?
A. 생성형 AI는 사실을 보장하지 않습니다. 특히 수치, 법령, 지역 특성처럼 정확성이 중요한 내용은 반드시 원본 자료와 대조해 검토한 뒤 사용해야 합니다. AI 출력은 초안이나 구조 잡기 용도로 활용하는 것이 안전합니다.

Q. 좋은 프롬프트를 매번 새로 짜야 하나요?
A. 자주 쓰는 업무 유형은 프롬프트 템플릿으로 저장해 두면 시간을 아낄 수 있습니다. 역할·맥락·형식·제약을 빈칸으로 남긴 뒤 상황에 맞게 채워 넣는 방식이 실무에서 효율적입니다.

프롬프트는 AI에게 보내는 설계도입니다. 도면이 정밀할수록 결과물이 의도에 가까워지듯, 프롬프트도 역할·맥락·형식·제약을 갖출수록 쓸 수 있는 답이 나옵니다. 처음에는 어색하더라도 같은 요청을 두 가지 방식으로 비교해 보는 연습을 반복하면, 어느 시점부터는 질문을 입력하기 전에 스스로 네 요소를 점검하는 습관이 생깁니다. 중요한 것은 '잘 쓰는 것'보다 '직접 해보고 비교하는 것'입니다. 다음 편에서는 생성형 AI가 틀린 답을 자신 있게 내놓는 현상, 즉 환각(hallucination)이 공간정보와 재난안전 업무에서 왜 특히 주의해야 하는 문제인지 살펴봅니다.

생성형AI 사용법 시리즈 1편 · 전체 6편


재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

노르딕워킹 폴을 앞으로 멀리 찍게 될 때, 앞발 옆 무게중심 아래로 가져오는 점검

노르딕워킹을 시작하면 팔을 앞으로 쭉 뻗어 폴을 멀리 찍고 싶어집니다. 폴이 멀리 닿으면 멀리 나가는 느낌이 들기 때문입니다. 스위스 건강보험사 Helsana의 건강 블로그와 독일 폴 제조사 LEKI의 초보자 안내는 이 습관을 흔한 실수로 꼽습니다....