AI를 사용하다 보면 자연스럽게 이런 생각을 하게 됩니다.
“AI에게 정보를 많이 주면 더 정확한 결과를 만들지 않을까?”
처음에는 저도 비슷하게 생각했습니다.
하나의 자료만 전달하는 것보다 여러 자료를 함께 넣어주면 AI가 참고할 수 있는 정보가 많아지고, 그만큼 더 좋은 결과를 만들 수 있을 것처럼 보입니다.
하지만 AI 자동화를 직접 구성하면서 데이터가 다음 단계로 전달되는 과정을 계속 확인하다 보니 생각이 조금 달라졌습니다.
중요한 것은 자료의 양 자체가 아니라는 것입니다.
어떤 자료를 넣었는지, 서로 충돌하는 정보가 있는지, 필요한 정보와 필요하지 않은 정보가 섞여 있는지, 그리고 AI가 그 자료를 어떻게 구분해서 사용할 수 있는지가 훨씬 중요했습니다.
자료가 많아지면 정말 좋아질까?
가장 단순하게 생각하면 다음과 같습니다.
자료 1개 → AI → 결과
보다
자료 10개 → AI → 결과
가 더 좋은 결과를 만들 것처럼 보입니다.
하지만 여기에는 한 가지 빠진 조건이 있습니다.
자료 10개가 모두 유용하다는 보장이 없다는 것입니다.
예를 들어 AI에게 특정 제품에 대한 정보를 전달한다고 해보겠습니다.
첫 번째 자료에는 제품의 크기가 나와 있고, 두 번째에는 무게가 나와 있습니다.
이 정도라면 자료가 늘어나면서 AI가 참고할 수 있는 정보가 많아진 것입니다.
그런데 세 번째 자료에는 오래된 사양이 있고, 네 번째에는 다른 모델의 정보가 섞여 있다면 상황이 달라집니다.
자료의 양은 늘었지만 결과를 만드는 데 필요한 정보의 품질은 오히려 떨어질 수 있습니다.
그래서 AI에 데이터를 넣을 때는 “얼마나 많이 넣을까?”보다 “무엇을 넣을까?”를 먼저 생각해야 합니다.
정보량과 정보 품질은 다른 문제다
AI 자동화를 만들면서 가장 중요하게 생각하게 된 부분이 바로 이것입니다.
정보량과 정보 품질은 같은 의미가 아닙니다.
자료가 100개 있다고 해서 자료 10개보다 반드시 좋은 결과가 나오는 것은 아닙니다.
오히려 필요한 정보만 정리해서 전달하는 것이 더 좋은 결과로 이어질 수 있습니다.
예를 들어 AI에게 제품 비교 글을 작성하도록 한다고 가정해보겠습니다.
A 방식은 제품의 핵심 사양, 가격, 특징, 사용 조건처럼 필요한 정보만 정리해서 전달합니다.
B 방식은 검색 결과에서 나온 여러 페이지의 내용을 거의 그대로 모아서 전달합니다.
단순히 데이터 양만 보면 B 방식이 훨씬 많습니다.
하지만 AI 입장에서는 B 방식의 정보가 더 복잡합니다.
비슷한 내용이 반복될 수도 있고, 서로 다른 수치가 들어올 수도 있으며, 현재 필요한 정보와 관계없는 내용도 함께 포함될 수 있습니다.
결과적으로 자료가 많아졌는데도 판단해야 할 대상이 많아지는 문제가 생깁니다.
AI에게 자료를 많이 주기 전에 먼저 해야 할 일
자료를 AI에게 전달하기 전에 저는 다음 네 가지를 먼저 확인하는 것이 중요하다고 봅니다.
첫 번째는 관련성입니다.
현재 작업과 직접 관련된 자료인가를 확인해야 합니다.
두 번째는 최신성입니다.
시간에 따라 바뀔 수 있는 정보라면 언제 만들어진 자료인지 확인할 필요가 있습니다.
세 번째는 중복입니다.
같은 내용이 여러 자료에 반복되어 있다면 자료의 개수만 늘어나고 실제 정보는 늘어나지 않을 수 있습니다.
네 번째는 충돌입니다.
자료마다 다른 내용을 이야기한다면 AI가 어떤 정보를 선택해야 하는지 기준이 필요합니다.
이 네 가지를 확인하지 않고 자료만 계속 추가하면 자동화가 복잡해질 수 있습니다.
자동화에서는 데이터가 많아질수록 문제가 더 쉽게 보인다
사람이 직접 AI에게 자료를 넣을 때는 문제가 생겨도 바로 수정할 수 있습니다.
하지만 자동화에서는 데이터가 여러 단계를 거쳐 이동합니다.
예를 들어 다음과 같은 구조를 생각할 수 있습니다.
Google Sheets
↓
자료 수집
↓
AI 분석
↓
결과 정리
↓
Google Sheets 또는 다른 서비스
이 과정에서 자료가 많아지면 단순히 AI에게 전달되는 내용만 늘어나는 것이 아닙니다.
입력 데이터의 구조도 복잡해질 수 있습니다.
실제로 자동화를 구성하면서 경험했던 문제 중 하나가 바로 이 부분이었습니다.
AI가 만들어낸 결과 자체는 사람이 읽을 수 있었지만, 다음 단계에서 필요한 데이터 형식과 맞지 않는 상황이 있었습니다.
예를 들어 다음 단계에서는 여러 항목을 각각 사용해야 하는데 AI가 하나의 긴 문장으로 결과를 만들어버리면 사람이 보기에는 문제가 없어도 자동화에서는 처리하기 어려워집니다.
결국 데이터가 많아지는 것보다 데이터의 구조를 관리하는 것이 중요해집니다.
자료가 많을 때 오히려 결과가 나빠질 수 있는 이유
정보량이 늘어나면서 발생할 수 있는 문제를 정리하면 다음과 같습니다.
| 문제 | 발생할 수 있는 상황 |
|---|---|
| 중복 | 같은 내용이 여러 번 들어감 |
| 충돌 | 자료마다 다른 정보가 존재 |
| 불필요한 정보 | 현재 작업과 관계없는 내용이 포함 |
| 구조 복잡화 | AI가 필요한 정보를 찾기 어려워짐 |
| 출력 증가 | 결과가 불필요하게 길어짐 |
| 판단 기준 부족 | AI가 어떤 정보를 우선할지 불명확 |
이 중에서 특히 중요한 것은 마지막 항목입니다.
자료가 많아질수록 AI에게 선택을 맡기는 부분이 늘어날 수 있습니다.
예를 들어 두 자료가 서로 다른 가격을 이야기하고 있다면 AI가 어느 가격을 선택해야 하는지 기준이 있어야 합니다.
“가장 최근 자료를 우선한다.”
“공식 자료를 우선한다.”
“확인되지 않은 정보는 제외한다.”
처럼 판단 기준을 별도로 정해야 할 수 있습니다.
자료를 추가하는 것보다 자료에 우선순위를 주는 것이 중요하다
그래서 AI 자동화에서는 자료를 단순히 모으는 것보다 우선순위를 정하는 방식이 더 중요할 수 있습니다.
예를 들어 다음과 같은 기준을 만들 수 있습니다.
1순위: 공식적으로 확인할 수 있는 정보
2순위: 최신 정보
3순위: 작업 목적과 직접적으로 관련된 정보
4순위: 보조적인 참고 자료
이런 기준이 있으면 자료가 여러 개 들어와도 AI가 어떤 정보를 우선해야 하는지 판단하기 쉬워집니다.
물론 모든 업무에서 같은 기준을 사용할 수 있는 것은 아닙니다.
업무의 목적에 따라 우선순위는 달라져야 합니다.
중요한 것은 자료를 많이 넣는 것 자체가 아니라 자료를 선택하는 기준을 만드는 것입니다.
AI 자동화에서는 입력 단계가 생각보다 중요하다
AI의 결과가 마음에 들지 않을 때 많은 사람들이 가장 먼저 프롬프트를 수정합니다.
하지만 실제 자동화에서는 입력 데이터를 먼저 확인하는 것이 더 빠른 경우가 있습니다.
AI가 잘못된 결과를 만들었다면 다음과 같은 순서로 확인해볼 수 있습니다.
입력 데이터 확인
↓
AI에게 실제로 전달된 데이터 확인
↓
불필요한 정보 확인
↓
중복 및 충돌 정보 확인
↓
프롬프트 조건 확인
↓
AI 출력 결과 확인
↓
다음 자동화 단계 전달 확인
이렇게 확인하면 문제가 AI 자체에 있는 것인지, 입력 데이터에 있는 것인지, 아니면 자동화 연결 과정에서 발생한 것인지 구분할 수 있습니다.
특히 Make 같은 자동화 도구에서는 각 모듈 사이에서 어떤 데이터가 전달되는지 확인하는 것이 중요합니다.
자료를 많이 넣는 것보다 작은 테스트가 먼저다
AI 자동화를 처음 만들 때 가장 위험한 방법 중 하나는 처음부터 모든 데이터를 넣고 실행하는 것입니다.
문제가 발생하면 어디에서 문제가 생겼는지 찾기가 어렵기 때문입니다.
그래서 저는 자동화를 만들 때 가능하면 작은 데이터부터 확인하는 방식을 추천합니다.
예를 들어 데이터가 100개라면 처음부터 100개를 실행하기보다 1개를 먼저 실행합니다.
그 결과를 확인하고 문제가 없으면 3개로 늘립니다.
그 다음 문제가 없을 때 전체 데이터로 확대하는 방식입니다.
이렇게 하면 다음과 같은 부분을 단계별로 확인할 수 있습니다.
입력값이 정상인가?
AI가 필요한 자료를 받고 있는가?
출력 형식이 맞는가?
다음 모듈에 정상적으로 전달되는가?
최종 결과가 원하는 형태인가?
자동화에서는 이 작은 테스트가 상당히 중요합니다.
자료를 많이 넣는 것이 유리한 경우도 있다
그렇다고 자료가 적을수록 무조건 좋은 것도 아닙니다.
자료가 충분하지 않아서 AI가 중요한 정보를 판단하지 못하는 경우도 있습니다.
예를 들어 여러 자료를 비교해야 하는 업무라면 하나의 자료만 보는 것보다 여러 자료를 확인하는 것이 더 유용할 수 있습니다.
또 특정 주제의 여러 관점을 비교해야 한다면 다양한 자료가 필요할 수 있습니다.
따라서 중요한 것은 “자료를 적게 넣어라”가 아닙니다.
작업에 필요한 만큼 충분히 넣되, 불필요한 자료는 제거하고 정보의 우선순위를 정하는 것입니다.
결국 자료의 양에는 적정선이 있다
AI에게 전달하는 자료는 무조건 많거나 적어야 하는 것이 아닙니다.
업무의 목적에 따라 필요한 정보량이 달라집니다.
그래서 저는 다음과 같은 질문을 기준으로 생각하는 것이 좋다고 봅니다.
이 자료가 결과에 실제로 필요한가?
같은 정보가 반복되고 있지는 않은가?
서로 다른 정보가 충돌하고 있지는 않은가?
AI가 어떤 정보를 우선해야 하는지 기준이 있는가?
이 자료가 추가됐을 때 결과가 실제로 좋아졌는가?
마지막 질문이 특히 중요합니다.
자료를 하나 더 추가했는데 결과가 좋아졌는지 확인하지 않는다면 단순히 “많이 넣으면 좋을 것”이라는 추측에 머물게 됩니다.
AI 자동화는 데이터를 많이 넣는 경쟁이 아니다
AI를 사용하다 보면 더 많은 데이터를 넣고 더 복잡한 자동화를 만들수록 좋은 결과가 나올 것처럼 느껴질 수 있습니다.
하지만 실제 업무 자동화에서는 오히려 반대의 상황도 생길 수 있습니다.
필요하지 않은 자료가 들어오고,
서로 다른 정보가 섞이고,
출력 형식이 복잡해지고,
어떤 정보를 우선해야 할지 판단하기 어려워지면
자동화 전체를 관리하기가 더 어려워집니다.
결국 중요한 것은 데이터의 양이 아니라 데이터의 목적입니다.
AI에게 자료를 전달하기 전에
“이 자료가 왜 필요한가?”
라는 질문에 답할 수 있어야 합니다.
그리고 자료를 추가했다면 결과가 실제로 개선됐는지 확인해야 합니다.
AI 자동화를 직접 구성하면서 점점 중요하게 생각하게 된 것도 바로 이 부분입니다.
좋은 자동화는 AI에게 많은 일을 시키는 자동화가 아니라, 필요한 정보만 정확하게 전달하고 결과를 확인할 수 있는 자동화에 가깝습니다.
자료를 많이 넣는 것이 항상 좋은 결과를 만드는 것은 아닙니다.
반대로 자료가 부족하면 AI가 충분한 판단을 하지 못할 수도 있습니다.
그래서 가장 현실적인 방법은 필요한 자료를 선별하고, 작은 데이터로 먼저 테스트하고, 결과가 실제로 좋아졌는지 확인한 다음 범위를 넓히는 것입니다.
AI 자동화를 만들 때 앞으로도 저는 “얼마나 많이 넣을까?”보다 먼저 “이 자료가 정말 필요한가?”를 확인하려고 합니다.
정보가 많아지는 것과 정보의 가치가 높아지는 것은 같은 일이 아니기 때문입니다.