개인과 조직의 데이터 역량

코드를 작성하는 능력에서, AI의 판단과 작업을 설계하는 능력으로

**AI 시대 데이터 활용 연작 · 4편 · 보완판 v2.1 · 2026년 9월 14일**

**중요한 변화는 ‘사람이 하던 생각을 AI에게 모두 넘긴다’는 것이 아니다. 어떤 정보를 보고, 어떤 선택을 하며, 무엇을 실행하고, 어떻게 확인할 것인지를 사람과 AI가 함께 다룰 수 있게 만드는 것이다.**

이 글에서 **AI 작업환경 설계 역량**은 AI가 적절한 근거와 도구를 사용하고, 허용된 범위에서 일하며, 오류와 한계를 확인할 수 있도록 작업 조건을 구성하는 능력을 뜻한다. 더 구체적으로는 **판단·실행 조건을 설계하는 능력**이다. 이는 이 글의 설명용 개념이며 이미 확립된 단일 학술척도의 명칭이 아니다. 정보 제공, 작업 절차, 권한, 기록, 검증과 인간의 개입을 함께 다룬다는 점에서 단순한 ‘환경조성’보다 구체적이다.

대상은 학술연구자, 정책전문가, 조사회사와 조사·처리·분석 실무자인 데이터전문가다. 앱을 직접 개발하지 않는 사람도 이러한 조건을 요구하고 설정하며 확인할 수 있어야 한다. 모든 이용자가 시스템 구현을 책임져야 한다는 뜻은 아니다.

1. 코딩 장벽이 낮아져도 전문성은 저절로 생기지 않는다

전통적으로 분석을 직접 수행하려면 명령어, 자료 형식, 프로그램의 오류와 실행 방법을 익혀야 했다. 그 과정에서 자료와 방법을 반복해서 경험할 기회도 있었다. 그러나 오래 코딩했다고 분야지식과 과학적 방법을 자동으로 습득한 것은 아니다. **도구 숙련, 분야 전문성, 방법론 전문성은 서로 연결되지만 같은 능력은 아니다.**

AI가 코드 초안을 만들고 반복 계산을 지원하면 실행을 배우는 일부 부담은 줄어든다. 하지만 ‘무엇을 비교할 것인가’, ‘이 변수가 개념을 제대로 나타내는가’, ‘이 가정이 이 상황에 맞는가’라는 질문은 남는다. 실행을 빨리 하는 능력과 그 실행의 의미를 판단하는 능력 사이에 간격이 생길 수 있다.

인지적 도제학습은 전문가의 문제 해결 전략을 관찰 가능하게 만들고, 설명·실습·피드백·성찰을 연결하는 학습 접근이다. 이 관점에서 중요한 것은 반복 횟수 자체보다 **판단의 이유와 결과를 비교하며 배우는 과정**이다. AI가 실행 시간을 줄인다면, 이런 과정을 의도적으로 남겨야 한다. [1](#ref-1)

2. ‘환경’은 분위기가 아니라 실제 작업 조건이다

“정확하게 해라”, “모르는 것을 지어내지 마라”는 지시는 필요하지만 그것만으로 충분하지 않다. 좋은 의도를 전달한 것과 잘못된 행동을 탐지하거나 막을 수 있게 만든 것은 다르다.

요구만 하는 방식작업 조건을 구성하는 방식

“올바른 가중치를 써라.”	승인된 가중치의 대상·목적·버전을 제공하고, 실제 적용 변수를 결과에 기록
“원자료를 바꾸지 마라.”	원본 저장 위치에는 쓰기 권한을 주지 않고, 작업 복사본과 결과 경로를 분리
“근거가 없는 말을 하지 마라.”	주장마다 원문 위치 또는 실행 결과를 연결하고, 근거가 없는 주장을 별도 검토 대상으로 분리
“끝나면 검증해라.”	결과 전달 전에 실제 검사 결과가 존재하는지 확인하는 단계를 둠
“비용을 너무 쓰지 마라.”	호출·자료량·재시도 예산을 정하고 시스템에서 한도를 검사

이 표는 설계 제안이다. 이용자는 이런 조건이 있는 앱을 선택하거나 관리자에게 요청할 수 있다. 권한과 검증이 실제로 구현되었는지도 별도로 시험해야 한다. **설정 항목이 보인다는 사실만으로 통제가 작동하는 것은 아니다.**

3. 프롬프트, 명세, 실행 통제는 서로 다르다

언어모델이 지시를 따르도록 만들어졌다고 해도 자연어 지시만으로 모든 상황에서 같은 판단을 보장할 수는 없다. 자료가 불완전하거나 상충할 수 있고, 도구가 실패하거나 이전 상태가 잘못 전달될 수 있다. 읽은 외부 문서에 작업을 바꾸라는 지시가 섞여 있을 수도 있다. OWASP는 이러한 프롬프트 주입 문제에 대해 지시와 자료의 분리, 권한 제한, 입력·출력 점검 등을 결합하는 방식을 다룬다. [2](#ref-2)

통제의 성격을 세 가지로 나누면 명확해진다.

종류역할한계

**프롬프트와 설명**	목적·맥락·원칙을 전달	모호함과 해석 차이가 남고 실행을 강제하지 못할 수 있음
**구조화된 명세**	대상·변수·규칙·출력을 정해 비교와 검사를 쉽게 함	형식이 맞아도 내용이 틀릴 수 있음
**실행·권한·검증 장치**	허용된 작업만 수행하고 오류·누락·변경을 검사	장치 자체의 구현·설정과 검사 범위를 검증해야 함

목표와 경계만 주는 자율형 작업도 필요하다. 그러나 “좋은 논문을 만들어라”처럼 목표가 넓으면 무엇을 최적화할지 불명확하다. 결과를 보기 좋게 만드는 것과 실제로 근거를 강화하는 것은 다르다. **목표는 평가 가능한 산출물로 나누고, 지켜야 할 제한은 가능한 부분부터 실제 실행 조건으로 연결해야 한다.**

4. 자동화의 10단계는 ‘성능 등급’이 아니라 권한 배분이다

다음은 인간–자동화 상호작용 연구의 고전적 10수준 구분을 데이터 작업에 맞게 풀어 쓴 것이다. Parasuraman·Sheridan·Wickens(2000)가 정리한 틀에 근거하며, 생성형 AI의 발달 순서나 제품의 완성도 등급을 뜻하지 않는다. [3](#ref-3)

수준시스템이 하는 일사람이 관여하는 방식

**1**	선택·판단을 자동화하지 않음	대안을 정하고 결정·수행
**2**	가능한 대안들을 제시	대안을 검토하고 선택
**3**	몇 가지 유력한 후보로 줄임	좁혀진 후보에서 선택
**4**	하나의 대안을 권고	권고를 검토하고 결정
**5**	제안한 행동의 승인을 요청	승인한 뒤 시스템이 실행
**6**	실행 전에 반대할 기회를 줌	정해진 기회 안에 거부하지 않으면 실행
**7**	실행하고 반드시 통지	실행 후 통지를 받고 검토
**8**	실행하며 요청받으면 통지	알고 싶을 때 요청
**9**	실행하고 필요하다고 판단할 때 통지	시스템이 선택한 통지를 받음
**10**	정해진 작업에서 자율적으로 결정·수행	해당 개별 결정·수행에는 관여하지 않음

 

여기서 7~9단계의 핵심은 **통지 여부와 조건**이다. ‘설명을 잘한다’, ‘검증을 마쳤다’는 의미가 아니다. 높은 수준에서도 실행 기록, 감사를 위한 정보, 권한 경계와 중단 장치를 별도로 둘 수 있다.

6단계의 ‘반대할 기회’도 단순히 잠깐 메시지를 띄우는 것으로 충분하지 않다. 이용자가 변경을 이해하고 실제로 개입할 수 있어야 한다. 데이터 공개나 되돌리기 어려운 조치는 이런 방식이 적절한지 신중하게 판단해야 한다.

5. 한 앱 전체를 하나의 자동화 수준으로 부르지 않는다

위 연구는 정보 수집, 정보 분석, 결정·행동 선택, 행동 실행을 구분한다. 같은 작업에서도 각 부분의 자동화 수준은 다를 수 있다. [3](#ref-3)

예를 들어 자료를 읽고 기술통계를 계산하는 것은 자동 실행하게 하되, 조사대상을 바꾸거나 결측을 대체하는 것은 승인 후 실행하게 할 수 있다. 가설 후보는 폭넓게 제안하도록 하되, 논문에 확정할 결과와 외부 공개는 사람이 검토할 수 있다.

작업 예적절한 운영 방식의 예판단 근거

읽기 전용 자료의 변수 목록·결측 현황 산출	자동 실행+결과 기록	영향 범위가 작고 재계산·대조가 쉬움
분석대상 제외 기준 변경	변경안·영향을 보여준 뒤 승인	추정 대상과 결과의 의미를 바꿀 수 있음
문항·변수 대응 후보 생성	복수 후보와 근거 제시	새 맥락의 의미 판단과 오연결 위험
정해진 보고서의 수치 갱신	검사 통과 후 반영, 변경표 보관	반복 가능하지만 연결 오류와 정의 변경 확인 필요
외부 배포·실제 설문 제출·제한 자료 반출	별도 권한·명시적 승인	되돌리기 어려운 영향과 책임

이는 모든 조직에 강제하는 수준표가 아니다. **오류의 영향, 되돌릴 수 있는 정도, 탐지 가능성, 필요한 전문성을 보고 작업별로 정하는 예**다. 낮은 자동화가 언제나 안전한 것도 아니다. 사람이 이해하지 못하는 승인을 계속 누르면 책임 있는 통제가 되지 않는다.

6. 행동과학은 ‘명령보다 조건도 중요하다’는 생각을 돕는다

먹은 양을 전혀 알 수 없는 환경과, 지금까지 먹은 양이 눈에 보이는 환경을 비교해 보자. 후자에서는 자신의 목표와 현재 상태를 대조하기 쉽다. 이 사례는 **직관을 돕는 비유**이며 특정 식사 실험의 효과를 주장하는 것은 아니다.

선택설계(choice architecture)는 대안의 제시 방식·기본값·선택의 구조가 사람의 결정에 영향을 줄 수 있다는 관점이다. 진행 상황 모니터링에 관한 Harkin 등의 메타분석도 사람에게 목표 진행을 확인하게 하는 개입이 목표 달성을 도울 수 있음을 검토했다. [4](#ref-4) [5](#ref-5)

여기에서 AI로 옮길 수 있는 것은 **“AI도 인간처럼 절제한다”는 심리 설명이 아니다.** 판단에 필요한 정보와 현재 상태를 드러내고, 행동을 취할 수 있는 선택지와 피드백을 구성한다는 설계 발상이다. 실제 효과는 사용하는 AI와 작업에서 시험해야 한다.

예를 들어 어떤 결과가 ‘작은 표본’에 근거한다는 경고문을 끝에 붙이는 대신, 결과를 구성하는 순간부터 유효응답자 수·가중치·분모를 함께 전달한다. 이전의 실패한 연결을 그대로 반복하지 않도록 실패 사유와 허용된 대안을 작업 상태에 포함한다. 이는 설명문을 늘리는 것보다 **필요한 시점에 필요한 정보를 연결하는 설계**다.

7. 판단은 머릿속에서만 이루어지지 않는다

분산인지(distributed cognition)는 인지 활동을 개인의 머릿속에만 한정하지 않고 사람·도구·표현·환경 사이의 상호작용으로 살핀다. Hutchins의 연구는 이러한 관점을 대표한다. [6](#ref-6)

이 관점에서 코드북, 체크리스트, 표본설계서, 변경 기록과 대시보드는 단순한 참고자료가 아니다. 작업자가 필요한 관계를 기억하고 비교하도록 돕는 수단이다. AI를 쓰는 환경에서도 어떤 정보가 어떤 형태로 누구에게 보이는지가 중요하다고 해석할 수 있다. 이것은 이 글의 적용이며, 원 연구가 생성형 AI의 성능을 실험했다는 뜻은 아니다.

자동화가 반복 업무를 줄이면 사람이 예외 상황을 처리할 준비도 저절로 좋아질 것이라는 기대는 경계해야 한다. Bainbridge의 ‘자동화의 역설’ 논의는 자동화 이후에도 감시와 비정상 상황 대응의 어려움이 남을 수 있음을 지적한다. [7](#ref-7)

 

8. 작업환경은 여섯 부분으로 구체화할 수 있다

아래 여섯 부분은 이 글에서 제안하는 실무 점검 틀이다. 특정 업체의 표준이나 검증된 척도가 아니다.

부분이용자가 물어야 할 것구체적인 예

**① 정보와 근거**	무엇을 알고 판단하는가?	설문지·코드북·표집 정보·자료 버전·출처·미확인 목록
**② 도구와 권한**	무엇을 실제로 할 수 있는가?	읽기 전용 원본, 허용된 계산 도구, 제한된 저장·공개 권한
**③ 순서와 진입 조건**	어떤 확인 뒤에 다음 일을 하는가?	대상·변수·가중치가 정해진 뒤 계산, 검사 뒤 보고
**④ 상태와 변경 이력**	지금 어디까지 했으며 무엇이 바뀌었는가?	현재 대상, 적용 필터, 제외 인원, 이전 실행과의 차이
**⑤ 검증과 피드백**	잘했는지 무엇으로 확인하는가?	정답 예제, 합계 대조, 독립 재계산, 원문 근거, 진단 결과
**⑥ 예외·개입·복구**	예상하지 못한 상황에서 어떻게 하는가?	추가 정보 요청, 검토자 지정, 중단, 승인, 이전 상태 복원

모든 상황의 지시문을 작성하는 대신 **기본 원칙과 알려진 작업 경로를 정하고, 그 범위를 벗어날 때의 처리 방식을 정한다.** 다만 검증할 수 없다는 이유로 모든 탐색을 막을 필요는 없다. 미확인 상태의 대안과 가설을 생성하는 단계와 그것을 확인된 결과로 외부에 내보내는 단계를 분리하면 된다.

 

10. 전문가의 직관을 ‘확인 가능한 판단’으로 펼친다

숙련자는 “이 변수는 그대로 쓰면 안 된다”고 빠르게 판단할 수 있다. 자동화하려면 그 말을 다음과 같이 풀어야 한다.

**어떤 징후를 보았는가 → 어떤 규칙이나 경험을 적용했는가 → 다른 해석은 무엇인가 → 무엇을 확인해야 하는가 → 확인 결과에 따라 무엇을 할 것인가.**

예를 들어 수치가 매우 크다고 모두 삭제하는 것이 아니라 단위 오류·입력 오류·실제 극단값을 구별한다. 전년과 다른 수치가 나오면 우선 자료 오류라고 단정하지 않고, 문항·대상·분류 변경과 실제 변화의 가능성을 비교한다.

이 과정을 반복하면 개인의 지식 일부를 사례집·규칙·메타데이터·검증 예제로 만들 수 있다. 하지만 **전문가의 암묵지를 모두 유한한 규칙으로 환원할 수 있다는 주장은 아니다.** 새로운 맥락에서의 해석, 가치의 충돌, 자료로 판별하기 어려운 가정은 남는다. 이런 판단의 주체와 검토 근거를 밝히는 것 역시 설계의 일부다.

11. 세 종류의 ‘블랙박스’를 혼동하지 않는다

불투명한 부분무엇을 밝히려는가?확인 방법

**사람의 전문적 판단**	어떤 징후·기준·경험으로 선택했는가?	사례 비교, 판단 이유의 명시, 동료 검토
**AI 모델의 내부 처리**	내부 계산이 실제로 어떻게 답을 만들었는가?	별도 해석가능성 연구가 필요하며 자기 설명만으로 확인 불가
**앱의 작업 과정**	실제 어떤 자료·도구·설정으로 실행했는가?	도구 호출, 실행 기록, 코드·설정, 산출물·버전 대조

Turpin 등의 연구는 모델이 내놓은 추론 설명이 실제 답변에 영향을 준 요인을 충실하게 드러내지 못할 수 있음을 보였다. 따라서 AI가 “이유는 이렇다”고 말하는 것과 실제 판단 과정이 입증되었다는 것은 다르다. [8](#ref-8)

데이터 이용자가 우선 확보해야 할 것은 숨겨진 내부 사고의 장황한 서술이 아니라 **선택 근거와 관측 가능한 실행 증거**다. 다른 AI가 검토했다고도 무조건 독립 검증이 되지는 않는다. 같은 잘못된 메타데이터·코드·기준을 공유하면 오류를 함께 반복할 수 있다. 원문 대조나 별도 계산 등 다른 근거가 필요하다.

12. 세 역할의 역량은 깊이와 강조점이 다르다

역량학술연구자정책전문가데이터전문가

**문제와 분야 이해**	이론·연구문제·대안적 설명	제도·이해관계·정책목표·집행	의뢰 목적·조사 현실·산출물 이용 조건
**데이터 의미 이해**	개념의 측정·비교 가능성	목표집단·시점·지역·사각지대	표집·문항·실사·코딩·연계·가중치 전 과정
**방법 이해**	추정 대상·설계·가정·타당성	효과·비용·불확실성·외삽·형평성	계산·품질·표준오차·처리·재현의 세부 절차
**작업환경 설정**	연구계획·근거·탐색/확인 구분	기준선·대안·가치 기준·검토 권한	구조화 명세·검증 규칙·반복 실행·오류 복구
**결과 검토**	주장과 증거·측정·한계의 연결	대안 순위가 바뀌는 조건과 책임	개별 산출물의 정확성·검증 범위·추적 가능성
**남겨야 할 기록**	분석·선택·변경·기여의 근거	효과와 가치 판단의 분리·정책 결정 근거	데이터·메타데이터·실행·검사·납품 버전

학술연구자와 정책전문가에게 모든 프로그램의 내부 구현을 요구할 필요는 없다. 그러나 모르는 부분을 알아차리고 필요한 전문가와 검증을 요청할 수 있어야 한다. 데이터전문가에게는 자동화를 넓힐수록 **실패를 탐지하고 되돌리는 능력**의 비중이 커진다.

13. 앞으로의 학습은 비교·검증 경험을 의도적으로 만든다

코딩 시간을 줄였다고 그 빈자리가 자동으로 방법론 공부가 되지는 않는다. 다음과 같이 판단을 드러내는 작업을 반복하는 편이 좋다.

해볼 일배우려는 것

AI 실행 전에 예상되는 대상·분모·대략의 결과를 써 보기	결과를 무조건 수용하지 않을 비교 기준
코드북이 있는 경우와 없는 경우를 비교	정보 부족이 어떤 판단을 불안정하게 만드는가
알려진 오류를 넣은 작은 자료를 시험	검증이 실제로 오류를 찾아내는가
정당한 다른 결측 처리·모형 설정을 비교	결론이 어떤 선택에 의존하는가
새로운 집단·연도에 적용해 보기	적용 범위와 비교 가능성의 한계
실패 사례를 설명하고 수정 전후 기록 남기기	다음 작업에서 재사용할 판단 근거

이는 성적을 매기는 수업 과제가 아니라 현업에서도 가능한 역량 개발 방식이다. 실패를 숨기거나 가장 유리한 결과만 남기면 이런 학습이 이루어지지 않는다.

코딩도 버릴 필요가 없다. 일반 이용자는 결과의 계산 의미와 설정을 읽고, 연구자는 분석을 재현·수정할 수 있는 수준을 확보하며, 데이터전문가는 복잡한 처리와 검증을 통제할 수 있도록 코딩·SQL·테스트 역량을 더 깊게 유지할 수 있다. **역할에 맞는 최소 실행 이해와 전문성을 확보하는 것이지, 모두 같은 언어를 같은 수준까지 배우는 것이 목표가 아니다.**

오차를 아는 능력은 작업 조건을 정하는 능력으로 이어진다

예를 들어 ‘무응답을 잘 처리하라’ 대신 문항별 모름·거절·비대상 코드, 분석 대상과 분모, 허용하는 처리 방법과 확인할 민감도를 제공한다. ‘좋은 결과를 찾아라’ 대신 주요 질문과 탐색 범위를 정하고 실행한 대안 전체를 남기게 한다. ‘실적을 최대화하라’ 대신 실제 목표, 지표가 포착하지 못하는 가치, 금지되는 편법과 검토할 행동 변화를 명시한다.

이해해야 할 문제구성할 작업 조건관측할 증거

포괄·무응답·측정	모집단·응답 과정·문항·코드북을 연결	대상·분모·의미의 일치와 남은 제한
결측·극단값 처리	변경 기준과 승인 범위, 원본 보존	제외·대체·수정 전후 수치와 이유
모형·검정·반복 탐색	설계·분석계획·검정 범위·검증 자료	실제 실행한 설정, 전체 결과와 민감도
평균으로의 회귀·집단 구성	선별·기초값·비교집단을 해석 입력에 포함	전후·전체 차이를 효과로 단정하지 않는지
지표와 유인	실제 목적·대리지표·보상·미측정 가치 구분	지표 개선이 원래 목적을 훼손하지 않는지

이 표는 모든 판단을 프롬프트로 강제할 수 있다는 뜻이 아니다. 정보가 없으면 미확인으로 남기고, 중요한 변경을 제한하거나 승인을 받으며, 실제 결과로 통제가 작동했는지 확인해야 한다. 개별 개념과 적용 예는 [2편](02_구조_메타데이터_자동화.html)에 수록했다.

14. 개인의 역량과 서비스·기관의 책임을 함께 본다

개인이 잘 질문해도 앱이 실제 계산 설정을 숨기거나 검증 기록을 제공하지 않으면 통제에는 한계가 있다. 기관은 자료 이용 조건과 역할·승인 절차를 마련해야 하고, 서비스는 기능의 지원 범위와 실패 상태, 실행·검증 정보를 제공해야 한다.

NIST AI RMF도 AI의 위험을 맥락에 따라 파악·측정·관리하고 책임을 운영 과정에 연결하는 틀이다. 이를 개인의 프롬프트 능력 하나로 축소해서는 안 된다. [9](#ref-9)

성과도 AI 호출 횟수나 결과물의 양만으로 평가하지 않는다. **확인된 오류와 미확인 사항을 발견하는 능력, 재작업을 줄이는 능력, 설명 가능한 선택과 재현 가능한 결과를 남기는 능력**을 함께 보아야 한다.

15. 결론: ‘시켜서 잘되게 하기’보다 ‘잘 일할 조건을 만들고 확인하기’

AI 활용은 단순히 코딩이 자연어로 바뀐 사건만은 아니다. 실행을 위임하면서 사람이 하던 선택의 일부도 위임한다. 그러므로 이용자는 어떤 정보를 읽고, 어떤 기준으로 선택하며, 어떤 순서로 실행하고, 어디서 검토해야 하는지 이해해야 한다.

**AI 시대의 핵심 역량은 도메인과 방법을 이해한 바탕 위에서, 판단의 근거를 명시하고, 작업의 조건을 구성하며, 실제 결과를 검증하는 능력이다. 이 글에서는 이를 ‘AI 작업환경 설계 역량’이라고 부른다.**

이는 AI를 마음대로 움직이는 비결도, 모든 인간 판단을 규칙으로 바꾸는 기술도 아니다. **자동화할 수 있는 부분과 남는 불확실성을 함께 드러내어 사람과 시스템이 더 책임 있게 일하도록 만드는 능력**이다.

부록. AI 작업환경 한 장 명세

아래는 그대로 복사해 자신의 작업에 맞게 채울 수 있는 기록 양식이다. 내용을 썼다는 사실과 실제 앱이 적용했다는 사실은 별도로 확인한다.

항목기록할 내용

**목표·산출물**	어떤 질문에 답하고 어떤 결과를 받을 것인가?
**대상·자료·버전**	누구의 어떤 시점·자료를 사용할 것인가?
**필수 근거**	문항·코드북·표집·기존 문헌의 어느 부분인가?
**확인·가정·미확인**	무엇은 확인했고 무엇은 가정하거나 모르는가?
**자동 실행 범위**	승인 없이 할 수 있는 작업은 무엇인가?
**승인·제한 범위**	대상 변경·자료 수정·외부 공개 등 누가 승인하는가?
**검증 조건**	어떤 대조·진단·재계산 결과가 있어야 하는가?
**예외와 복구**	정보 부족·실패·예산 초과 때 어떻게 처리하는가?
**작업 증거**	실제 실행 설정·입출력·검사 결과를 어디에 남기는가?
**갱신 조건**	자료·앱·모형·정의가 바뀌면 무엇을 다시 검토하는가?

참고자료와 이론의 적용 범위

<a id="ref-1"></a>**[1]** Collins, A., Brown, J. S., & Holum, A. (1991). *Cognitive Apprenticeship: Making Thinking Visible*. 전문가의 전략을 드러내고 관찰·실행·피드백을 연결하는 학습 관점. AI가 대신 사고하면 학습이 자동으로 발생한다는 근거는 아니다. https://www.aft.org/ae/winter1991/collins_brown_holum

<a id="ref-2"></a>**[2]** OWASP. *LLM Prompt Injection Prevention Cheat Sheet*. 자료와 지시의 분리, 권한과 검증을 결합하는 기술적 운영 지침. https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html

<a id="ref-3"></a>**[3]** Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). *A model for types and levels of human interaction with automation*. IEEE Transactions on Systems, Man, and Cybernetics—Part A, 30(3), 286–297. DOI: 10.1109/3468.844354. https://doi.org/10.1109/3468.844354 · 저자 공개 원문: https://www.researchgate.net/publication/11596569_A_model_for_types_and_levels_of_human_interaction_with_automation

<a id="ref-4"></a>**[4]** Johnson et al. (2012). *Beyond nudges: Tools of a choice architecture*. 선택의 구성·제시 방법에 관한 개념적 논의. 사람의 연구를 AI의 동일한 심리기제로 일반화하지 않았다. https://pure.eur.nl/en/publications/beyond-nudges-tools-of-a-choice-architecture/

<a id="ref-5"></a>**[5]** Harkin et al. (2016). *Does monitoring goal progress promote goal attainment? A meta-analysis of the experimental evidence*. Psychological Bulletin, 142(2), 198–229. DOI: 10.1037/bul0000025. 사람의 목표 진행 모니터링 연구이며, 본문의 음식 사례는 비유다. https://pubmed.ncbi.nlm.nih.gov/26479070/

<a id="ref-6"></a>**[6]** Hutchins, E. (1995). *Cognition in the Wild*. MIT Press. 사람·도구·표현 사이에 분산된 인지 활동의 관점. https://mitpress.mit.edu/9780262581462/cognition-in-the-wild/

<a id="ref-7"></a>**[7]** Bainbridge, L. (1983). *Ironies of automation*. Automatica, 19(6), 775–779. 자동화 이후의 감시·예외 대응과 인간 역할의 어려움. https://doi.org/10.1016/0005-1098(83)90046-8

<a id="ref-8"></a>**[8]** Turpin, M., Michael, J., Perez, E., & Bowman, S. R. (2023). *Language Models Don’t Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting*. 모델의 설명과 실제 영향 요인의 불일치 가능성. https://arxiv.org/abs/2305.04388

<a id="ref-9"></a>**[9]** NIST. *AI Risk Management Framework*. 개인·조직·시스템의 역할과 위험관리 맥락. https://www.nist.gov/itl/ai-risk-management-framework

---

*작성 성격: 필자가 제시한 논지·개요와 기존 도해를 바탕으로 재구성한 AI 보조 개정 초안이다. 최종 공개 전 저자의 검토·승인이 필요하다. 본문 명세·사례·역량표는 설명과 적용을 위한 제안이며 별도의 효과 검증을 완료한 표준이 아니다.*