본문으로 건너뛰기

AI 비서들이 LLM Wiki 검색결과를 정답으로 착각하지 않게 만든 방법

김두휘

2026.06.08

소개

한 줄 요약

3주차에서 배운 OpenViking과 Hybrid Retrieval 개념을 제 Hermes Agent 운영 구조에 붙여봤습니다.

이번 실험의 핵심은 “AI가 자료를 더 많이 찾게 만드는 것”이 아니었습니다.
오히려 반대에 가까웠습니다.

AI가 검색 결과를 찾았다고 해서, 그걸 바로 정답처럼 믿지 않게 만드는 구조를 만드는 것.

즉, 이번 실험은 검색 성능 개선이라기보다
AI가 근거를 더 조심스럽게 다루도록 만드는 운영 방식에 가까웠습니다.



이런 분들께 도움돼요

이 글은 특히 이런 분들께 도움이 될 수 있을 것 같습니다.

  • AI 봇을 1개, 2개 만들어서 실제 업무에 붙여보기 시작한 분

  • Notion, 문서, Wiki, PDF 같은 자료를 AI에게 읽히고 정리하게 해본 분

  • RAG나 검색 기능을 붙였는데도 “이 답이 진짜 맞나?”가 계속 찝찝한 분

  • 개인 비서형 AI 봇을 운영하면서 답변 품질 기준을 만들고 싶은 분

  • Hermes Agent, LLM Wiki, 하네스 같은 개념을 실제 운영 구조로 옮겨보고 싶은 분



시작점: 검색은 되는데, 믿어도 되는지는 다른 문제였다

저는 회사 업무용으로 Hermes Agent Team을 운영하면서, LLM Wiki와 하네스를 함께 실험하고 있습니다.

여기서 Hermes Agent Team은 거창한 시스템이라기보다, 이렇게 이해하면 쉽습니다.

각 담당자 옆에는 개인 비서 같은 AI 봇이 있고,
뒤에서는 공통 지식과 업무 절차를 계속 쌓아가는 구조.

처음에는 AI 봇이 자료를 잘 찾게 만드는 것이 중요하다고 생각했습니다.

예를 들어 이런 식입니다.

질문을 한다
→ AI가 관련 문서를 검색한다
→ 문서를 읽고 요약한다
→ 답변한다

이 흐름만 보면 꽤 좋아 보입니다.
실제로 검색 도구나 RAG를 붙이면 관련 문서는 잘 나옵니다.

그런데 운영해보니 한 가지 문제가 보였습니다.

AI가 무언가를 “찾았다”는 것과,
그것을 “회사 기준으로 써도 된다”는 것은 완전히 다른 문제였습니다.

검색 결과는 어디까지나 후보입니다.

그 문서가 지금도 유효한 기준인지,
다른 상황에서 작성된 내용은 아닌지,
회사에서 승인된 기준인지,
아니면 그냥 참고용 메모인지 따로 확인해야 합니다.

3주차 스터디에서 가장 크게 남은 문장은 이거였습니다.

Hit ≠ Truth

검색에 걸렸다고 해서 진실은 아닙니다.
AI가 찾아왔다고 해서 바로 믿어도 되는 것도 아닙니다.

그래서 이번에는 OpenViking을 단순히 설치해보는 데서 멈추지 않고,
AI가 검색 결과를 바로 정답으로 착각하지 않게 만드는 운영 루프를 만들어봤습니다.

OpenViking은 AI Agent를 위한 오픈소스 Context Database로 소개되고 있으며, memory, resources, skills 같은 Agent용 맥락을 파일 시스템 방식으로 관리하는 방향을 갖고 있습니다.
OpenViking 문서에서는 semantic parsing과 hybrid retrieval system도 핵심 요소로 설명하고 있어, 이번 실험에서는 OpenViking을 “정답 생성기”가 아니라 관련 맥락을 찾아주는 후보 검색층으로 사용했습니다.



진행 방법

1. 전체 구조부터 정했다

이번에 만든 흐름은 아래처럼 단순합니다.

Public-safe SourcePack
→ OpenViking 의미 후보 검색
→ FTS/BM25 정확 검색
→ 원문 근거 확인
→ WIKI INBOX 기록
→ 검증 후 Harness / Canonical Wiki 승격

처음 보면 검색 구조처럼 보입니다.
하지만 실제 목적은 검색 결과를 더 많이 가져오는 것이 아니었습니다.

목적은 이것이었습니다.

AI가 찾은 정보를
“후보인지, 근거인지, 회사 기준인지” 구분하게 만들기.

그래서 각 도구의 역할을 이렇게 나눴습니다.

OpenViking = discovery
FTS/BM25 = exact grounding
Canonical Wiki = final authority

조금 풀어서 쓰면 이렇습니다.

  • OpenViking
    “이 질문과 관련 있어 보이는 자료가 어디 있지?”를 찾는 역할

  • FTS/BM25
    “정확히 그 단어, 그 문장, 그 제목이 원문에 있나?”를 확인하는 역할

  • Canonical Wiki
    “우리 회사가 기준으로 삼아도 되는 확정된 내용인가?”를 판단하는 역할

즉, OpenViking이 뭔가를 찾아줘도 바로 답으로 쓰지 않습니다.
먼저 원문을 확인하고, 회사 기준과 맞는지 다시 봅니다.

Red Hat Developer 글에서도 OpenViking을 기존의 flat vector storage와 다른 계층형 virtual filesystem 구조로 설명하며, Agent의 context를 체계적으로 다루는 방식에 초점을 둡니다.
이번 실험에서도 이 관점을 가져와서, “검색 결과를 무조건 믿는 구조”가 아니라 “맥락을 찾고 검증하는 구조”로 사용했습니다.



2. 사용한 도구와 역할

이번 실험에서 사용한 도구는 다섯 가지입니다.

OpenViking

OpenViking은 의미 기반 후보 검색층으로 사용했습니다.

여기서 중요한 표현은 후보 검색층입니다.
OpenViking이 찾아준 결과를 곧바로 정답으로 보지 않았습니다.

예를 들어 사용자가 이렇게 묻는다고 해보겠습니다.

검색 hit를 정답으로 믿으면 왜 위험하지?

OpenViking은 이 질문과 의미가 가까운 문서들을 찾아줍니다.
하지만 그것은 “답”이 아니라 “읽어볼 만한 자료 후보”입니다.

FTS/BM25

FTS/BM25는 정확 검색용으로 사용했습니다.

의미 검색은 비슷한 맥락을 잘 찾아줍니다.
반면 정확 검색은 실제 단어와 문장이 원문에 있는지 확인하는 데 강합니다.

예를 들면 이런 차이입니다.

의미 검색:
"AI가 검색 결과를 너무 믿는 문제"와 비슷한 내용을 찾는다.

정확 검색:
"Hit ≠ Truth"라는 문장이 실제로 어디에 있는지 찾는다.

그래서 두 검색은 경쟁 관계가 아니라 역할이 다릅니다.

OpenViking = 넓게 찾기
FTS/BM25 = 정확히 확인하기

LLM Wiki

LLM Wiki는 AI가 참고하는 지식 저장소입니다.

하지만 모든 자료를 Wiki에 바로 넣으면 위험합니다.
AI가 한 번 잘 정리한 말과, 회사가 기준으로 삼아도 되는 말은 다르기 때문입니다.

그래서 저는 LLM Wiki 안에서도 더 확정된 영역을 Canonical Wiki로 구분했습니다.

Canonical Wiki = 검토를 거쳐 기준으로 삼을 수 있는 지식

WIKI INBOX

WIKI INBOX는 아직 확정되지 않은 내용을 임시로 담는 공간입니다.

예를 들어 이런 것들이 들어갑니다.

  • 새롭게 발견한 운영 아이디어

  • 아직 검증이 덜 된 규칙

  • 반복해서 나올 것 같은 업무 패턴

  • 나중에 Wiki나 하네스로 승격할 후보

WIKI INBOX가 중요한 이유는 간단합니다.

좋은 아이디어를 바로 회사 기준으로 만들지 않기 위해서입니다.

AI가 한 번 그럴듯하게 말한 내용을 바로 Canonical Wiki에 넣으면,
나중에 잘못된 기준이 계속 재사용될 수 있습니다.

Harness

하네스는 AI가 답변하기 전에 따라야 하는 절차입니다.

쉽게 말하면, AI에게 주는 업무 체크리스트입니다.

예를 들어 AI가 Wiki를 참고해 답변할 때 이렇게 움직이도록 만드는 것입니다.

바로 답하지 말고,
먼저 의미 검색을 하고,
정확 검색으로 원문을 확인하고,
회사 기준과 비교하고,
불확실한 부분을 표시한 뒤 답하라.

하네스는 AI를 답답하게 만드는 규칙이 아니라,
AI가 회사 업무 안에서 더 안전하게 움직이게 만드는 운영 레일에 가깝습니다.



3. public-safe SourcePack부터 만들었다

처음부터 회사 내부 자료 전체를 연결하지는 않았습니다.

대신 공개해도 안전하거나, 내부 운영 원칙만 담긴 자료를 따로 묶었습니다.
이 묶음을 이번 실험에서는 public-safe SourcePack이라고 불렀습니다.

이렇게 한 이유는 명확합니다.

AI 검색 시스템을 만들 때 처음부터 민감한 자료를 넣으면,
나중에 어떤 자료가 외부에 보여져도 되는지 구분하기 어려워집니다.

그래서 먼저 안전한 자료만 넣고,
검색과 검증 흐름이 제대로 작동하는지 확인했습니다.



4. OpenViking에 연결하고 대표 질문을 던졌다

그다음 SourcePack을 OpenViking에 연결하고 인덱싱했습니다.

처리 결과는 다음처럼 확인했습니다.

file_count = 9
processed_files = 9
Embedding processed = 67
errors = 0

이 결과는 자료가 정상적으로 들어갔다는 뜻입니다.

하지만 여기서 끝내지 않았습니다.
제가 확인하고 싶었던 것은 단순히 “검색이 되는가?”가 아니었습니다.

제가 보고 싶었던 질문은 이것이었습니다.

AI가 검색 결과를 바로 믿지 않도록 만들 수 있는가?

그래서 대표 질문 3개를 던졌습니다.

1. 검색 hit를 정답으로 믿으면 왜 위험하지?
2. OpenViking과 FTS/BM25는 각각 어떤 역할로 분리해야 하나?
3. WIKI INBOX에 먼저 남긴 뒤 Canonical Wiki로 승격해야 하는 이유는?

OpenViking은 관련 문서 후보와 score를 반환했습니다.

여기까지는 “검색이 된다”는 증거입니다.
하지만 여기서 바로 답을 확정하지 않았습니다.



5. 같은 질문을 FTS/BM25와 원문으로 다시 확인했다

대표 질문 하나를 골랐습니다.

검색 hit를 정답으로 믿으면 왜 위험하지?

OpenViking이 찾아준 결과만 보고 끝내지 않았습니다.
같은 질문을 FTS/BM25로 다시 확인했고, 원문에 실제로 어떤 문장이 있는지 봤습니다.

확인한 근거는 이런 식이었습니다.

검색 결과를 정답처럼 믿는 대신,
Hit ≠ Truth
OpenViking hit는 정답이 아니라 후보입니다.
검색 hit는 정답이 아니라 후보입니다.
최종 판단은 원문과 Canonical Wiki에서 합니다.

이 과정에서 역할이 더 분명해졌습니다.

OpenViking = 어디를 봐야 할지 알려준다
FTS/BM25 = 실제 문장이 있는지 확인한다
원문 = 맥락을 확인한다
Canonical Wiki = 회사 기준인지 판단한다

이 구조를 넣고 나니 AI 답변에 들어가야 할 질문도 자연스럽게 정리됐습니다.

  • 이 답변은 단순 검색 후보를 바탕으로 한 것인가?

  • 원문 문장으로 확인된 내용인가?

  • Canonical Wiki에 있는 회사 기준인가?

  • 아직 사람이 승인해야 하는가?

  • 반복된다면 WIKI INBOX에 남겨야 하는가?



6. WIKI INBOX를 추가했다

새로 발견한 관측을 곧바로 Canonical Wiki에 넣지 않도록
WIKI INBOX를 만들었습니다.

WIKI INBOX는 말 그대로 임시 보관함입니다.

발견한 내용
→ 일단 WIKI INBOX에 기록
→ 반복되는지 확인
→ 사람이 검토
→ 필요하면 Harness나 Canonical Wiki로 승격

이 단계가 꼭 필요했습니다.

AI를 운영하다 보면, 한 번 답변이 잘 나온 문장을 계속 쓰고 싶어집니다.
하지만 한 번 잘 맞았다고 해서 항상 맞는 기준은 아닙니다.

특정 상황에서는 맞지만, 다른 팀에는 맞지 않을 수 있습니다.
지금은 맞지만, 몇 달 뒤에는 바뀔 수도 있습니다.
참고 자료로는 괜찮지만, 회사 기준으로 쓰기에는 부족할 수도 있습니다.

그래서 WIKI INBOX는 단순한 메모장이 아니라,
지식 저장소가 너무 빨리 오염되지 않도록 막아주는 완충지대 역할을 했습니다.



7. Hybrid Retrieval Query Loop 하네스를 만들었다

마지막으로 AI가 Wiki에 질문할 때 따라야 하는 절차를 하네스로 정리했습니다.

1. 질문을 핵심 개념과 정확 키워드로 나눈다.
2. OpenViking으로 의미 후보를 찾는다.
3. FTS/BM25로 정확 근거를 찾는다.
4. 원문을 읽고 최소 근거를 확인한다.
5. 답변에 근거, 불확실성, 승인 필요 여부를 적는다.
6. 반복될 기준이면 WIKI INBOX에 남기고, 검증 후 승격한다.


이 하네스의 목적은 AI를 느리게 만드는 것이 아닙니다.

오히려 AI가 바로 답하지 않고,
답변 전에 아래 질문을 스스로 거치게 만드는 것이 목적입니다.

이건 검색 hit인가, 검증된 기준인가?
원문 근거가 있는가?
회사 기준과 충돌하지 않는가?
불확실한 부분은 무엇인가?
사람의 승인이 필요한가?

봇을 1개, 2개 운영할 때는 이런 절차가 없어도 큰 문제가 없어 보일 수 있습니다.
하지만 봇이 늘어나고, 여러 사람이 같은 AI를 쓰기 시작하면 기준이 필요해집니다.

그 기준을 코드처럼 고정해두는 것이 아니라,
운영 절차로 만들어둔 것이 이번 하네스였습니다.



결과와 배운 점

Before vs After

Before

기존 흐름은 단순했습니다.

질문
→ 검색
→ 관련 문서 hit
→ AI가 요약
→ 답변

이 방식은 빠릅니다.
처음 봇을 만들었을 때는 이 정도만 되어도 꽤 유용합니다.

하지만 실제 업무에 붙이면 위험한 순간이 생깁니다.

검색에 걸린 문서가 오래된 기준일 수도 있고,
다른 상황에서 작성된 내용일 수도 있고,
아직 승인되지 않은 초안일 수도 있습니다.

그런데 AI가 너무 자연스럽게 말하면, 사용자는 그 답을 회사 기준처럼 받아들이기 쉽습니다.



After

이번에 바꾼 흐름은 아래와 같습니다.

질문
→ OpenViking 후보 검색
→ FTS/BM25 정확 검색
→ 원문 확인
→ Canonical Wiki와 비교
→ 승인 필요 여부 표시
→ 필요하면 WIKI INBOX에 저장

조금 느려졌습니다.
하지만 대신 답변의 지위가 분명해졌습니다.

AI가 단순히 “그럴듯한 답변”을 내놓는 것이 아니라,
아래 내용을 함께 확인하게 됐습니다.

  • 이 답변은 원문 근거가 있는가?

  • 이것은 검증된 회사 기준인가?

  • 아니면 아직 후보인가?

  • 사람이 승인해야 하는 부분이 있는가?

  • 다음에도 반복될 기준인가?

제가 원했던 변화는 바로 이 부분이었습니다.

AI가 더 자신 있게 말하는 것이 아니라,
무엇을 근거로 말하는지 더 조심스럽게 드러내는 것.



이번에 배운 점

1. 검색 hit는 답이 아니라 출발점이다

이번 실험에서 가장 크게 남은 것은 여전히 이 문장입니다.

Hit ≠ Truth

AI가 관련 문서를 찾았다고 해서,
그 문서가 곧바로 정답이 되는 것은 아닙니다.

검색 hit는 “여기를 읽어보면 좋겠다”는 신호입니다.
최종 판단은 원문과 회사 기준을 보고 해야 합니다.



2. OpenViking은 후보 맥락을 넓게 찾아주는 역할에 잘 맞았다

이번 실험에서 OpenViking은 “정답을 말해주는 도구”라기보다,
AI Agent가 참고할 후보 맥락을 넓게 찾아주는 도구에 가까웠습니다.

이 역할은 Hermes Agent처럼 여러 지식과 절차를 참고해야 하는 봇에 유용했습니다.

다만 OpenViking 결과만으로 답을 확정하지는 않았습니다.
반드시 FTS/BM25와 원문 확인을 함께 붙였습니다.



3. 정확 검색은 여전히 필요하다

의미 검색은 넓게 찾는 데 강합니다.
하지만 정확 검색은 실제 문장 근거를 확인하는 데 강합니다.

이번 구조에서는 둘을 이렇게 나눴습니다.

의미 검색 = 관련 있어 보이는 문서 찾기
정확 검색 = 실제 단어와 문장 확인하기

AI 봇을 운영할 때 이 구분은 꽤 중요했습니다.

AI가 “비슷한 말”을 잘 찾아오는 것과,
“정확히 그 문장이 원문에 있는지” 확인하는 것은 다른 일이기 때문입니다.



4. WIKI INBOX는 지식 저장소를 보호하는 장치였다

AI가 한 번 잘 정리한 말과,
회사가 기준으로 삼아도 되는 말은 다릅니다.

이 둘을 분리하지 않으면 Canonical Wiki가 금방 애매한 문장들로 채워질 수 있습니다.

그래서 WIKI INBOX는 단순한 임시 메모가 아니라,
지식 저장소를 보호하는 장치였습니다.

좋은 아이디어는 INBOX로
검증된 기준은 Canonical Wiki로
반복 절차는 Harness로

이렇게 나누니 지식이 더 안전하게 쌓였습니다.



5. 하네스는 AI를 답답하게 만드는 규칙이 아니었다

처음에는 하네스를 붙이면 AI가 너무 딱딱해질까 걱정했습니다.

하지만 실제로는 반대였습니다.

하네스가 있으니 AI가 더 일관되게 확인하고,
불확실한 부분을 더 잘 드러내고,
사람이 승인해야 할 부분을 분리할 수 있었습니다.

하네스는 AI의 자유를 막는 장치가 아니라,
AI가 회사 업무 안에서 안전하게 움직이게 만드는 운영 레일에 가까웠습니다.



아직 한계도 있다

이번 적용은 public-safe 자료로 좁혀서 진행했습니다.
실제 회사 전체 자료를 연결한 것은 아닙니다.

또한 OpenViking의 모든 기능을 깊게 사용한 것도 아닙니다.
이번에는 주로 의미 기반 후보 검색층으로 사용했습니다.

그래서 이 결과를 이렇게 말하면 과장입니다.

OpenViking만으로 완성한 지식 시스템을 만들었다.

제가 이번에 확인한 것은 더 좁습니다.

OpenViking을 후보 검색층으로 붙이고,
FTS/BM25와 원문 확인,
WIKI INBOX,
하네스를 함께 연결하면
검색 결과를 바로 믿지 않는 운영 구조를 만들 수 있다.

이번 실험의 핵심은 도구 자체보다 운영 방식이었습니다.



다음에 해볼 것

  • AI가 브랜드 기준을 얼마나 잘 지키는지

  • 근거 없는 문장을 얼마나 줄이는지

  • 검수자가 확인해야 할 포인트가 더 명확해지는지

  • WIKI INBOX에 쌓인 관측이 실제 하네스로 승격될 수 있는지



마무리

이번 주차를 지나면서 RAG나 검색 도구를 보는 관점이 조금 바뀌었습니다.

예전에는 이렇게 생각했습니다.

AI가 더 잘 찾게 하자.

그런데 이번 실험을 하고 나서는 생각이 바뀌었습니다.

AI가 찾은 것을 바로 믿지 않게 만드는 구조가 먼저 필요하다.

검색은 출발점입니다.
하지만 판단은 검색 결과 자체가 아니라, 그 결과를 다루는 운영 구조에서 나옵니다.

이번 실험에서 제일 크게 남은 문장은 이것입니다.

Hit ≠ Truth

AI가 검색 결과를 잘 찾는 것도 중요합니다.
하지만 그보다 더 중요한 것은 AI가 그 결과를 어떤 지위의 정보로 다뤄야 하는지 아는 것입니다.

이번에는 그 작은 안전장치를 Hermes Agent Team 안에 붙여본 실험이었습니다.
다음에는 이 구조를 실제 member 봇 하나에 적용해서, 출력 품질이 어떻게 달라지는지 확인해보려 합니다. 🚀



도움 받은 글

  • 도움 받은 글 / 참고

    이번 글은 3주차 스터디와 공유 자료를 바탕으로, 제가 회사 Hermes Agent 운영 구조에 적용해본 기록입니다.

    특히 에이전트H님, Giacomo의 노션 자료에서 도움을 받았습니다.


    - 3주차 스터디 자료

    3주차_스터디_자료-_Giacomo.pptx

    - 공유 Notion 자료

    Codex SDK 및 3주차 노션 참고 페이지들

    스터디 자료에서 OpenViking을 에이전트가 참고할 기억, 자료, 스킬, 문서를 파일 시스템처럼 계층화해서 관리하는 context database로 설명한 부분이 특히 도움이 됐습니다.

    저는 이 관점을 가져와서 OpenViking은 "정답 생성기"가 아니라 "관련 있어 보이는 맥락을 찾는 discovery 층"으로만 사용했고, 최종 판단은 FTS/BM25 원문 확인과 Canonical Wiki 기준을 거치도록 나눴습니다.

2

함께 이야기해요 2

로그인하고 댓글을 남겨 주세요

Giacomo 프로필 이미지
Giacomo2026.06.08

김두휘님, 이번 글은 지난번 “개인 비서 UX 뒤에 LLM Wiki와 하네스를 둔다”는 구조가 실제 운영 원칙으로 한 단계 더 구체화된 기록처럼 읽혔습니다. 특히 핵심이 검색 성능 개선이 아니라 “검색 결과의 지위를 관리하는 구조”라는 점이 좋았어요. OpenViking이 찾아온 결과를 답으로 보지 않고, discovery 후보로만 두고, FTS/BM25와 원문 확인, Canonical Wiki 기준을 거쳐야 한다고 나눈 부분이 글 전체의 중심축처럼 느껴졌습니다.

가장 좋은 문장은 역시 Hit ≠ Truth였습니다. AI가 무언가를 자연스럽게 말하면 사용자는 그것을 기준처럼 받아들이기 쉬운데, 이 글은 그 위험을 “AI가 더 잘 찾게 하자”가 아니라 “AI가 찾은 것을 바로 믿지 않게 하자”로 바꿔서 풀고 있더라고요. 이 전환이 중요해 보였습니다. 검색 hit는 출발점이고, 원문은 근거이고, Canonical Wiki는 회사 기준이고, WIKI INBOX는 아직 승격되지 않은 관측이라는 식으로 정보의 권한을 나눈 셈이니까요.

Public-safe SourcePack부터 시작한 것도 좋은 판단이었습니다. 회사 내부 자료 전체를 바로 연결하지 않고, 공개 가능하거나 안전한 자료로 검색-검증 루프를 먼저 확인한 점이 운영적으로 안전했어요. 이건 단순한 준비 단계가 아니라, 나중에 민감 자료를 붙였을 때도 “어떤 자료가 어디까지 답변에 쓰일 수 있는가”를 계속 구분하게 해주는 초기 안전장치라고 봤습니다.

WIKI INBOX를 단순 메모장이 아니라 지식 저장소를 보호하는 완충지대로 둔 부분도 인상적이었습니다. AI가 한 번 잘 말한 문장을 바로 Canonical Wiki에 넣으면, 나중에 그 문장이 다시 근거처럼 검색되는 자기오염이 생길 수 있는데, INBOX를 두면 좋은 관측과 확정 기준 사이에 검토 시간을 만들 수 있겠네요. 이 지점에서 하네스도 “AI를 답답하게 만드는 규칙”이 아니라, hit → 근거 → 기준 → 승인 필요 여부를 매번 확인하게 만드는 운영 레일로 설득력 있게 잡힌 것 같습니다.

다음 실험에서는 실제 member 봇 하나에 이 구조를 붙였을 때 답변 로그를 아주 작게 남겨보면 좋을 것 같습니다. 예를 들어 각 답변마다 검색 hit, 원문 근거, Canonical 기준 여부, 승인 필요, WIKI INBOX 후보를 한 줄씩 기록하고, Before/After로 근거 없는 문장이 줄었는지, 검수자가 봐야 할 포인트가 더 선명해졌는지 비교하는 방식입니다. 그러면 이번 글의 핵심인 “AI가 더 자신 있게 말하는 것보다, 무엇을 근거로 말하는지 조심스럽게 드러내는 것”이 실제 운영 품질 변화로도 보여질 것 같아요.

유피테르 프로필 이미지
유피테르2026.06.08

AI가 검색 결과를 잘 찾는 것도 중요하지만 그보다 더 중요한 것은 AI가 그 결과를 어떤 지위의 정보로 다뤄야 하는지 아는 것이라는 말씀이 정말 맞는 말씀입니다.

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기