GPT 딥 리서치로 글쓰기, 어디까지 가능할까?

딥 리서치로 요즘IT에 기고해 봤습니다

올해 초, OpenAI에서는 ChatGPT(이하 GPT) 서비스에 딥 리서치라는 새로운 기능을 공개했습니다. (지금은 이 딥 리서치라는 단어 대신 ‘심층 리서치’라는 단어로 변경되었지만, 글에서는 초기 이름이면서 영어 원문이기도 한 ‘딥 리서치’라는 단어를 사용하겠습니다.) 딥 리서치는 ‘추론’을 사용하여 온라인으로부터 ‘많은’ 정보들을 ‘실시간’으로 조회하여, ‘여러 단계’로 이루어진 조사 작업입니다. 논문 같은 많은 자료를 통해 주제를 이해하고, 여러 생각들을 거쳐 새로운 인사이트를 만들어 낸다는 연구원들의 ‘연구’와 비슷한 흐름을 갖습니다.

딥 리서치는 이미 일반 채팅(이하 채팅) 기능이 있음에도 새롭게 추가된 기능으로, 이전의 채팅이 가지고 있던 한계점을 어떻게 극복할 수 있는지 이번 글에서 살펴보겠습니다.

딥 리서치란?

먼저 기존의 채팅은 “특정 시점까지의 데이터로 학습한 모델에게 사용자가 프롬프트를 입력하면 이에 잘 맞는 답변을 제공”이라는 흐름으로 진행됩니다.

이에 따라 채팅은 3개의 기술적 약점을 나타낼 수 있습니다. 

1. 학습한 데이터가 특정 시점까지로 제한되는 만큼, 아직 학습하지 못한 새로운 내용에 대해서는 답변이 어렵습니다.
2. 사용자가 원래 의도를 제대로 표현하지 못한 프롬프트를 사용하거나, AI가 프롬프트의 의도를 제대로 이해하지 못한다면 엉뚱한 답변을 제공할 수 있습니다.
3. 답변에 AI 특유의 환각이 포함되어 사실과 다른 내용을 답변할 수 있습니다.

이에 비해 딥 리서치에서는 

1. 추론(CoT, Chain of Thought 생각의 사슬)을 사용해 사용자가 어떤 의도를 가지고 프롬프트를 입력했는지 추측하고, 이를 통해 프롬프트를 자체적으로 더 적합하게 강화합니다.
2. 필요하다면 온라인으로부터 많은 정보들을 실시간으로 조회하여 답변에 활용합니다.
3. 답변하는 과정을 여러 단계로 나누어 더 정확한 답변을 생성합니다.

이를 통해 딥 리서치는 일반 채팅을 넘어 금융이나, 과학, 엔지니어링 같은 영역의 ‘지식 노동’에 더 철저하고 정확하고 신뢰할 수 있는 답변을 만들어내는 것을 목적으로 합니다. 이 글의 주목적은 딥 리서치를 소개하는 것은 아니기에 채팅과의 차이, 사용 예시 등 자세한 내용은 OpenAI의 딥 리서치 소개 페이지나, 에이전틱 서치를 소개하는 다른 글을 참고하는 것을 권장합니다.

앞서 딥 리서치는 지식 노동에 도움이 될 수 있는 기능이라고 했는데요. 그렇다면 금융 과학, 엔지니어링처럼 전문 영역은 아니지만, 주제를 재료로 사용해 글이라는 결과를 만들어내는, ‘글쓰기’라는 지식 노동에도 활용할 수 있지 않을까요? 지금부터 이 질문에 답변하는 과정을 소개해 보겠습니다.

글쓰기의 단계

오늘의 목적인 글쓰기는 어떤 프로세스로 이루어지는지 고민해 보고, 이를 구성하는 각 과정에서 딥 리서치가 어떻게 쓰일 수 있을지 먼저 생각해 보겠습니다.

상황과 글을 쓰는 사람에 따라 다를 수 있지만, 보통 글쓰기는 4단계로 나눌 수 있습니다.

1. 글쓰기의 방향이 되는 주제를 선정하고,
2. 글의 전체적인 흐름과 뼈대를 설계합니다.
3. 필요한 내용은 추가로 조사하며 글의 내용을 채워갑니다.
4. 마지막으로 쓴 글을 다듬는 퇴고를 합니다.

이 단계 중 이전에 채팅으로도 할 수 있던 단계를 넘어 딥 리서치가 특별히 도움이 될 수 있는 단계는 ‘AI로 주제 선정’ 혹은 ‘AI로 내용 조사’가 될 것 같습니다. 글의 흐름을 설계하는 것이나 글을 다듬는 과정은 어느 정도 정립되어, 새로운 내용의 반영 필요가 상대적으로 적기 때문에 굳이 딥 리서치가 아닌 사람의 작업이나 일반 채팅으로도 충분히 가능하기 때문입니다.

딥 리서치로 주제 선정

먼저 GPT에서 딥 리서치를 활용해 기고할 만한 주제를 선정해 보겠습니다. 사용한 프롬프트는 “https://yozm.wishket.com/ 요즘IT에 새롭게 기고할 만한 주제를 추천해 줘” 입니다. AI는 요즘IT와 함께 웹 페이지 주소를 명시하지 않으면, 트렌드를 의미하는 ‘요즘 IT’라는 단어를 띄어쓰기하지 않은 것으로 이해하여, 종종 목적과 다른 결과를 만들어 낼 수도 있기에 주소를 프롬프트에 추가했습니다.

이때 딥 리서치는 사용자가 입력한 프롬프트의 목적을 더 정확하기 위해 분야, 대상 독자층, 형식 등의 추가 질문을 하는데, 이에 대해서는 범위를 제한하지 않고 주제를 제안받도록 하겠습니다.

이후 프롬프트의 내용에 따라 수 분 ~ 수십 분 정도의 시간 동안 GPT는 딥 리서치를 진행합니다. 약 7분 후, 딥 리서치의 결과에는 답변의 핵심인 권장하는 주제와, 활동 탭에서는 어떤 과정을 거쳤는지 추론 과정을 표시하고, 출처에는 조사에 사용했던 페이지들이 함께 나열되어 있어 확인할 수 있습니다. 

여기서 딥 리서치가 추천한 주제는 9가지로 각각 생성형 AI, AI 에이전트, 가상/증강현실(XR), 모놀리식 아키텍처, 오픈소스 라이선스, 노/로우코드, 개발자 커리어 트렌드, AI 윤리, 양자컴퓨팅입니다. 이 글에서는 핵심 키워드만 나열하겠습니다.

주제 선정의 어려움

딥 리서치가 제안한 주제들은 꽤 흥미로운 주제들이지만, 기고에 활용하기에는 어려운 이유가 크게 세 가지 정도 있습니다.

1. 이미 다뤄진 주제들
2. 경험과 역량을 벗어난 주제들
3. 우선순위가 떨어지는 주제들

딥 리서치가 제안한 주제에는 이미 요즘IT에서 다뤄져 새롭게 기고하기엔 어려운 주제도 있습니다. 예를 들어, [생성형 AI와 개발 생산성 혁신]이라는 주제는 요즘IT에서 많이 다뤄지기도 했고, 더 나아가 제안에 완벽히 부합하는 콘텐츠도 이미 있습니다.

두 번째 이유로, 딥 리서치가 제안한 주제에는 전문성이 없는 개인이 다루기에는 어려운 주제도 있습니다. 예를 들어, AI 윤리와 규제라는 주제는 조직 내 AI 거버넌스 설계, 규제 기관 업무, 혹은 AI 모델을 설계 등 실제 경험이 있는 사람이 글을 작성하는 것이 훨씬 더 유용한 글을 만들 수 있습니다.

특히 이렇게 기술 외적인 요인들도 얽혀 있는 주제는, 주제와 연관된 동향과 실시간으로 변화하는 내용도 중요하기 때문에 잘못된 내용을 섣불리 다루는 경우의 위험도 있습니다.

딥 리서치가 소개한 예시 중 하나의 내용인, ‘2023년 4월에 이탈리아가 ChatGPT를 일시적으로 금지한 사례’에 대해 한국의 상황을 이 내용을 기준으로 또는 동일하게 해석하면 글에서 잘못된 내용을 전달하거나, 더 나아가 곤란한 문제가 생길 수도 있습니다.

물론 또 다른 딥 리서치나 실제 업무 종사자와의 대화 등을 토대로 해당 분야의 내용을 리서치하여, 글을 작성하는 것도 방법이겠지만 이는 해당 분야에 경험이 적은 작가의 입장에서 비효율적인 주제인 것에는 변함이 없습니다. 

마지막으로 딥 리서치가 제안한 주제 중에서는 시의성의 이유로 우선순위가 떨어지는 주제도 있습니다. 엄밀히는 우선순위가 떨어진다기보단 최근 IT 업계의 이슈나, 요즘 IT의 독자들이 플랫폼에서 검색한 키워드 같은 다른 주제가 더 우선 순위가 높다고 보는 것이 정확합니다.

이러한 한계점을 프롬프트에 반영하여 딥 리서치에 주제를 추천받는 방법도 있겠지만 일단은 주제 선정을 위해 딥 리서치를 사용하지 않고 우선순위가 높은 주제를 사용하겠습니다. (현재 요즘IT에서는 기고 우선순위가 높은 주제를 공유하는, 자체 콘텐츠 주제 게시판을 운영하고 있습니다.)

딥 리서치가 유용한 주제

여러 주제 중 제가 딥 리서치를 활용해 내용을 조사하기로 한 주제는 “python 문자열 자르기”입니다. 이 주제는 딥 리서치를 사용하기 좋은 몇 가지 요건을 만족하는데 이 요건에는 앞에서 다룬 맥락과도 일치하는 부분이 있습니다.

첫 번째, python의 버전이 올라가면서 업데이트되는 코드와 작동 방식을 포함해 최신 내용의 반영이 필요합니다. 문자열 슬라이싱을 소개하는데 python 2 버전의 내용을 기준으로 서술하면 곤란하겠죠.

두 번째로 주제에 대해서 잘 아는 것은 아니지만, 어느 정도 알고 있어 필요에 따라 딥 리서치의 결과물을 해석할 수 있는 수준 정도일 때 효과가 좋습니다. 어떤 주제에 대해서 아주 잘 알고 있다면 굳이 딥 리서치를 사용할 이유가 없고, 반대로 하나도 알지 못한다면 딥 리서치의 조사 내용 결과가 사실인지의 구분 하는 것이 어렵기 때문입니다. 저는 대체로 python을 선호하진 않지만, 사용했던 경험도 있고 프로그래밍 언어에 대해 전반적인 흐름은 어느 정도 알고 있기 때문에 이 부분에 해당합니다.

마지막으로 다양한 소스로부터의 깊은 조사가 필요합니다. python의 문자열 나누기 기능을 채팅에 물어볼 경우, split이나 partition 같은 주요 함수와 사용법에 대해서는 알려주지만, 원래 목적이었던 코드에서의 구체적인 원리까지는 깊이 설명해 주지 않기 때문입니다.

이제 이 파이썬 문자열 주제에 딥 리서치를 사용해 조사해 보겠습니다. 사용한 프롬프트는 다음과 같고, 여기서 Cpython은 python의 코드 중 일부분을, 퍼포먼스를 목적으로 C 언어를 사용해 구현하는 방법입니다. 이전 주제 선정에서의 상황과 마찬가지로 아티클 방향을 구체화하기 위해 버전과 독자 수준, 아티클 구성을 물어보기 때문에 이를 설정하고, 연구를 진행합니다. *딥 리서치에 사용한 GPT의 모델은 GPT-4o입니다.

딥 리서치와 글쓰기

딥 리서치가 파이선 문자열 자르기에 대해 조사한 결과물을 목차만 정리하면 다음과 같습니다. 

• 소개: 파이썬 문자열 슬라이싱의 궁금증
• 파이썬 문자열 슬라이싱의 기본 개요
• CPython 내부 구현: __getitem__과 unicode_subcript
• 슬라이싱 결과 객체의 메모리 관리와 최적화
• 예제로 보는 내부 처리 흐름
• PyUnicodeObject 구조와 데이터 복사
• 결론: 불변 문자열 슬라이싱의 동작 요약

적어도 목차에는 처음 콘텐츠 기획안에서 의도했던 슬라이싱 문법, 내부 동작, 최적화 기법들, 예제를 잘 포함하고 있습니다. 그러나 왜 이 주제를 알아야 하는지 (이 글을 읽어야 하는지)에 대해서는 조금 부족하거나, 문자열 슬라이싱을 전혀 모르는 사람을 위한 짧은 리뷰 등 서론 부분에는 조금 아쉬움이 있습니다. 

이 외에도 딥 리서치가 준 자료에 했던 보강 작업 중 3가지 정도만 예시를 들어 설명해 보겠습니다.

• 소스로 활용한 자료 중 코드를 참고하기 위한 oilshell의 자료는 2017년을 기준으로 하고 있는데 이는 3.14가 아닌 3.6 버전을 기준으로 사용하고 있어 깃허브의 CPython 리포지토리를 다시 확인하여 업데이트합니다.

• 딥 리서치가 제안한 코드 블록은 대부분 문제가 없겠지만, 예시 코드를 실행했을 때 에러가 발생하면 안 되는 만큼, 예시를 바꾸며 python 개발 환경을 제공하는 colab에서 실제로 돌린 결과 이미지를 직접 생성합니다.

• 딥 리서치의 자료는, 코드와 글로만 구성되어 있어 개념을 이해하기 위해 시간이 조금 필요합니다. 이를 시각적으로 보조할 수 있는 피규어를 생성합니다. 사용하진 않았지만, 이를 위해 GPT나 napkin AI 같은 시각화 AI를 활용하는 방법도 괜찮다고 생각합니다.

최종적으로 작성한 글의 목차는 다음처럼 딥 리서치의 목차에서 변경되었습니다. 

• 서론
  • 파이썬 문자열은 어디서 쓰이는가 (보완)
  • 소개: 파이썬 문자열 슬라이싱의 궁금증
  • 문자열 슬라이싱 사용 방법 (보완)
  • 파이썬 문자열 슬라이싱의 기본 개요
• 본론
  • 불변 문자열 객체 (추가 설명)
  • CPython 내부 구현: __getitem__과 unicode_subscript
  • 슬라이싱 결과 객체의 메모리 관리와 최적화
  • 예제로 보는 내부 처리 흐름
  • PyUnicodeObject 구조와 데이터 복사 (삭제)
• 결론
  • 불변 문자열 슬라이싱의 동작 요약 (일부 수정)

딥 리서치를 활용한 글의 결과는?

지난달에 작성했던 “한 번에 이해하는 파이썬 ‘문자열 자르기(Slicing)”는 딥 리서치를 활용해 작성한 글이었습니다. AI를 사용하는 주목적은 보통 생산성 향상인 만큼, AI를 사용해서 더 쉽게 글을 기고할 수 있지 않을까? 기대했던 것도 사실입니다. 그러나 글을 작성하는 데 사용한 시간은 다른 글을 작성하는 시간에 비해서 크게 줄어들지 않았습니다. 

딥 리서치의 보조로 글의 방향과 흐름을 잡는 것은 수월했지만, 모자란 내용을 보강하거나, 딥 리서치의 내용을 스스로 소화하는 과정에서 상대적으로 더 많은 시간을 소비했기 때문입니다. 이는 python이라는 딥 리서치의 활용 대상으로 선정한 주제의 영향을 받은 것으로 추측하고, 주제에 익숙할수록 시간이 줄어들 것으로 생각합니다.

비슷한 이유로 글이라는 결과물을 ‘정량적’으로 평가할 수 있는 지표에서도 코멘트할 수 있는 부분은 없어 보입니다. 글의 지표인 좋아요나 댓글, 조회수 등은 내용보다도 글의 제목과 주제가 더 큰 영향을 주기 때문입니다. 요약하면, 딥 리서치를 활용해 무사히 글을 성공적으로 기고할 수 있었습니다. 이는 결론적으로 딥 리서치를 활용한 글 기고 방식에 큰 문제는 없음을 보여주는 증거가 되지 않을까 생각합니다.

딥 리서치는 도착점이 아닌 좋은 출발점

이번 글에서는 조금 더 발전된 생성형 AI 기술인 딥 리서치를 이용해 특정 주제를 조사하고, 이를 글로 만들어 내는 과정을 공유했습니다. 소개한 것과 같이, 딥 리서치는 글과 기획안에서 다루고자 하는, 그리고 다루어야 하는 주요 포인트들을 잘 짚어주는 좋은 조사 도구이지만, 동시에 이 내용들을 그대로 글의 내용으로 활용하기에는 아쉬운 부분도 있습니다. 

예시에서 사용했던 글은 답이 명확히 정해져 있는 기술적인 주제였기 때문에 더 효과가 좋았지만, 주제에 정답이 없는 서비스 분석이나 비즈니스 인사이트 같은 내용을 요구하는 부분이라면 한계를 나타낼 수도 있습니다. 물론 딥 리서치는 생성형 AI 기술인만큼, 개인이 프롬프트를 활용하는 능력과 기존에 가지고 있던 경험에 따라 천차만별의 퍼포먼스를 낼 수 있습니다.

예시에서는 딥 리서치의 결과에는 스스로 cpython의 코드를 찾고, 이를 해석해 주는 내용이 있었기에 대략적인 흐름을 잡고 보강을 할 수 있었는데요. 이 내용이 없었다면 직접 cpython의 리포지토리를 찾고, 리포지토리에서 어떤 코드가 문자열 슬라이싱에 관여하는지 조사 후, 그 코드를 하나하나 해석하는 등 말 그대로 ‘리서치’를 했을 겁니다.

정리하면, 딥 리서치는 요즘IT에 기고를 목적으로 한다면 어려움이 있고, 이를 위한 추가 노력이 필요합니다. 다만 글 작성이나 주제 조사에 경험이 적은 경우에는 글쓰기에 충분히 활용할 수 있는 좋은 도구입니다. 

미국의 국가교육연구소에서 제시한 학습 피라미드에 따르면, 어떤 내용을 기억(학습)하는 방법은 듣기, 읽기, 듣고 보기, 시연하기의 수동적 학습 방법과 토의, 연습, 가르치기라는 참여적 학습 방법으로 나누어 볼 수 있습니다. 그리고 이 중 가르치기는 평균 90%의 기억률을 가지고 있어, 다른 방법들보다 더 효과적이었다고 합니다.

특정 주제에 대해서 정리하고 이를 글로 써내는 것 또한 일종의 가르치기로 굉장히 효과적인 학습 방법의 하나로 볼 수 있습니다. 딥 리서치를 글쓰기를 위한 보조 조사 도구를 넘어, 익숙하지 않은 주제에 도전할 수 있는 방법으로 본다면 활용 가능성은 더 무궁무진해질 겁니다.

마지막으로 이번 글에서는 ChatGPT를 예시로 다루었지만, 제미나이나 퍼플렉시티, 딥시크 등 유사한 기능을 제공하는 다른 AI 서비스도 비슷하게 활용할 수 있습니다. 여러 서비스의 딥 리서치 기능을 함께 활용하는 방법도 있고요. 무료 버전에서는 제한된 양이지만, 직접 활용해 보는 걸 추천합니다. (*이 글에서 사용했던 딥 리서치의 결과물은 pdf로 변환하여, 깃허브에 업로드 했습니다.)
 

©️요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.