SF:// — Tech-Inside
한 가지 기술의 본질을 파헤치고, 당신의 일에 어떻게 닿는지 풀어냅니다. 얼리어답터가 아닌, 각자의 도메인을 가진 일반 독자를 위한 테크 칼럼.
신치훈
영양군AI협회
글로벌 대형 publisher가 아직 시도하지 못한 자리, MCP·llms.txt·풀콘텐츠 피드 — 잃을 게 없는 자가 인용 양식의 디폴트를 정한다.
AI는 우리 어휘에 맞춰 데이터 무리를 고른다. 평범한 입력은 평범한 답을 부른다. 답은 페르소나가 아니라 입력의 표준화 — 메타 프롬프팅과 Verbalized Sampling 두 도구로 평균 클러스터에서 빠져나온다.
메멘토의 레너드가 폴라로이드와 메모로 살아가듯, LLM도 외부 메모지 — RAG — 위에서 작동한다. 2025년 기업의 30~60%가 RAG를 채택했지만 스탠퍼드는 법률 RAG가 17~33% 환각률을 보인다고 보고했다. 진짜 변화는 모델이 아니라 모델 옆에 둔 메모지에서 일어났다.
전문가 페르소나는 정확도를 떨어뜨린다(MMLU 68.0% vs 71.6%, arXiv 2512.05858). 진짜 전문가의 작업 패턴은 직함을 흉내 내는 게 아니라 사실의 구조를 모델 옆에 박아넣는 일이다 — 온톨로지+RAG 결합이 사실 회수율 +55%, 정확도 +40%(OG-RAG, arXiv 2412.15235)를 만든다.