AI 페르소나란 무엇인가? 역할 설정이 답변 기준을 바꾸는 이유

AI에게 역할을 주는 일은 생각보다 쉽게 오해된다.

많은 사람이 프롬프트 앞에 이렇게 붙인다.

너는 최고의 마케팅 전문가야. 너는 숙련된 개발자야. 너는 친절한 선생님이야.

이 말이 완전히 쓸모없는 것은 아니다. 하지만 이것만으로는 부족하다. "전문가"라는 말은 너무 넓고, "친절한 선생님"이라는 말도 사람마다 떠올리는 모습이 다르다.

페르소나는 AI에게 가면을 씌우는 일이 아니다. AI가 어떤 관점에서, 어떤 상황을 기준으로, 어떤 태도와 제약 안에서 답해야 하는지 정해주는 일에 가깝다.

전문가라는 말이 부족한 이유

LLM은 방대한 데이터를 학습했다. "시니어 개발자"라는 키워드와 연결된 데이터에는 세계적인 아키텍트의 통찰도 있지만, 블로그 포스트와 주니어들의 Q&A도 섞여 있다. 구체적인 지침 없이 역할만 부여하면, AI는 그 넓은 데이터의 가능성 안에서 가장 그럴듯한 방향으로 답을 이어간다.

결과는 예측 가능하다. "구조를 잘 잡는 것이 중요합니다", "상황에 맞게 선택하세요" 같은 원론적인 말이 나온다. 틀린 말은 아니지만, 실제로 쓸 수 있는 말도 아니다.

그리고 또 하나의 문제가 있다. 대화가 길어질수록 설정한 역할이 흐려진다는 것. LLM은 기본적으로 사용자에게 친절하게 반응하도록 훈련되어 있다. 처음에는 "비판적인 리뷰어" 역할을 받아들였다가도, 대화가 이어지면 어느새 "좋은 의견입니다만..."으로 돌아가기 시작한다. 역할이 구체적이지 않을수록 이 현상은 더 빨리 나타난다.

역할을 구체화하는 네 가지 요소

역할은 네 가지 요소로 구체화할 수 있다. 정체성, 배경, 어조, 제약 — Identity, Context, Tone, Boundary. 이 네 가지가 갖춰지면 AI의 답은 막연한 전문가 흉내에서 벗어나, 더 분명한 기준을 가진 형태에 가까워진다.

정체성: 누구의 관점으로 말할 것인가

직업명만 던지는 것이 아니라, 그 사람이 무엇을 중요하게 여기는지까지 담아야 한다.

낮은 수준: "너는 마케터야."

높은 수준: "너는 ROAS와 CAC 수치를 기반으로 의사결정을 내리는 퍼포먼스 마케팅 디렉터다. 감성적인 카피보다 데이터 효율을 우선한다."

정체성에 가치관이 담기는 순간, 답이 나아갈 가능성의 범위가 좁아진다. "마케터"에서 나올 수 있는 수천 가지 방향이, "ROAS 중심 의사결정자"로 좁혀진다.

배경: 어떤 상황에서 답할 것인가

같은 전문가라도 회의실과 강연장에서 하는 말이 다르다. AI에게 지금 어떤 상황인지 알려주면 답이 달라진다.

예시: "신규 서비스 런칭을 일주일 앞두고 마케팅 예산 효율이 급격히 떨어지고 있다. 부드러운 격려보다 당장 실행 가능한 개선 방안이 필요한 상황이다."

배경이 없으면 "일반적으로는 이렇게 합니다"가 나오고, 배경이 있으면 "이 상황에서는 이게 먼저"가 나온다.

어조: 어떤 온도로 말할 것인가

"전문적으로"나 "친절하게" 같은 형용사 대신, 문장의 규칙을 정해주면 더 일관된 어조가 나온다.

예시: "불필요한 서론은 생략해. 결론을 먼저 말하고, 근거를 두세 줄로 정리해. 확실하지 않은 내용은 추측임을 명확히 밝혀."

형용사로 설명할 때보다 규칙으로 정해줄 때 훨씬 안정적으로 일관된 온도가 유지된다.

제약: 어디까지 말할 것인가

전문가는 모르는 것과 하지 않는 것이 명확하다. 이 경계선이 페르소나의 밀도를 완성한다.

예시: "검증되지 않은 내용은 가설임을 먼저 밝혀. 교과서적인 원론은 생략하고 실무 관점에서 말해. 틀린 전제라면 반박해."

제약이 구체적일수록 답은 덜 흩어지고, 필요한 방향에 더 가까워진다. 무한히 열린 가능성을 닫는 것이 제약의 역할이다.

네 요소가 맞물릴 때

네 요소를 통합한 예시를 보면 차이가 확연하다.

단순 역할 부여:

너는 Next.js 전문가야. 렌더링 전략과 캐싱에 대해 알려줘.

네 요소를 갖춘 역할:

너는 대규모 트래픽을 처리하는 Next.js 서비스의 프론트엔드 아키텍트다.
지금은 App Router 기반 프로젝트에서 렌더링 전략과 캐싱 구조를 정리하는 단계다.
답변은 실무 의사결정 문서처럼 작성하고, 장단점과 선택 기준을 함께 제시해라.
추측은 피하고, 확실하지 않은 부분은 명확히 표시해라.

첫 번째에서는 "ISR, SSR, SSG 상황에 맞게 쓰세요" 수준의 답이 나올 확률이 높다. 두 번째에서는 이 프로젝트의 구조적 특성, 렌더링 전략의 선택 기준, 캐싱 적용 범위에 대한 실무 의견이 나온다.

지능이 달라진 것이 아니다. 답이 나아갈 수 있는 범위가 달라진 것이다.

역할이 만드는 것

잘 만들어진 역할은 AI에게 새로운 지식을 주는 것이 아니다. AI가 이미 학습한 방대한 데이터 중에서, 어떤 영역의 것을 끌어올릴지를 정해주는 것이다.

프롬프트는 결국 답의 가능성을 좁히는 일이다. 역할 부여도 같은 원리 위에 있다. 역할이 구체적일수록 AI는 그 좁아진 공간 안에서 더 밀도 있는 답을 낸다.

페르소나는 가면이 아니라, 답변의 기준을 설계하는 일이다.