AI에게 “전문가처럼 해줘”라고 말하는 건 약하다.
모델은 그 말에 맞춰 전문가처럼 들리는 문장을 만든다. 하지만 전문가처럼 말하는 것과 전문가가 실제로 만든 산출물의 구조를 따라가는 것은 다르다.
내가 말하는 미메시스는 페르소나 프롬프트가 아니다.
전문가가 실제로 만든 제품, 서비스, 논문, 책, 블로그, 그래픽, 레이아웃, 문체, 사용자 흐름, 감각을 먼저 놓고 그 구조를 분해하는 작업이다. 다만 산출물은 입력일 뿐이다. 현재 기준의 미메시스는 그 산출물의 작동 문법을 내 프로젝트의 객체, 명령, 금지선, 산출물 계약, 검수 기준으로 번역하는 데서 완성된다.
1. “전문가처럼 해줘”가 약한 이유
페르소나 프롬프트는 역할을 준다.
너는 세계 최고의 제품 전략가야.
너는 세계 최고의 디자이너야.
너는 실리콘밸리 최고 창업자야.
이런 문장은 모델의 답변 톤을 바꿀 수 있다. 하지만 기준을 충분히 바꾸지는 못한다.
왜냐하면 페르소나는 추상적이기 때문이다. 모델은 “전문가”라는 평균적인 이미지를 흉내 낸다. 그 평균에는 진짜 전문가의 판단 루프, 실패 처리, 문서 구조, 시각 위계, 사용자 흐름, 검증 기준이 충분히 들어 있지 않다.
그래서 결과는 자주 이렇게 된다.
- 전문가처럼 말하지만 실제 근거는 얕다.
- 고급스러운 문체지만 구조는 흔하다.
- 전략처럼 보이지만 실행 순서가 없다.
- 디자인처럼 보이지만 시선 흐름이 없다.
- 검증처럼 보이지만 증거 경계가 없다.
페르소나는 역할을 흉내 낸다. 미메시스는 산출물을 기준으로 삼는다.
2. 산출물 기반 미메시스란 무엇인가
산출물 기반 미메시스는 LLM에게 “누구처럼 행동하라”고 말하지 않는다.
대신 이렇게 묻는다.
이 분야에서 이미 좋은 결과물은 무엇인가?
그 결과물은 어떤 정보 구조를 갖고 있는가?
어떤 순서로 신뢰를 만든다?
어떤 시각 위계와 리듬을 쓴다?
어디서 주장을 멈추고 증거를 요구하는가?
내 작업은 그 기준에서 무엇이 부족한가?
즉 미메시스의 재료는 말투가 아니라 원본 산출물이다.
3. 무엇까지 모방하는가
모방한다고 해서 베낀다는 뜻은 아니다. 모방의 대상은 표면보다 구조다.
| 산출물 | 모방할 구조 |
|---|---|
| 제품 | 온보딩, 문제 정의, 가격, 신뢰 흐름, 빈 상태 처리 |
| 논문 | 초록, 관련 연구, 방법론, 평가 기준, 한계 |
| 블로그 | 제목, 도입, 논지 전개, 반례, 결론의 힘 |
| GitHub README | 첫 문장, quickstart, 파일 구조, proof surface |
| 그래픽 | 시선 이동, 위계, 여백, 반복 규칙, 색의 절제 |
| 레이아웃 | 정보 밀도, 섹션 순서, CTA 위치, 모바일 수축 |
| 문체 | 리듬, 단락 길이, 압축도, 용어의 반복 |
| 사용자 흐름 | 첫 행동, 다음 행동, 이탈 지점, 재방문 이유 |
좋은 결과물은 지식만 갖고 있지 않다. 감각도 갖고 있다.
그래서 미메시스는 지식 구조와 감각 구조를 같이 본다.
4. 단순 복제와 미메시스의 차이
복제는 표면을 가져온다.
미메시스는 기준을 가져온다.
| 단순 복제 | 미메시스 |
|---|---|
| 색, 문체, 레이아웃을 베낀다 | 왜 그 구조가 작동하는지 분해한다 |
| 결과물을 닮게 만든다 | 판단 기준을 옮긴다 |
| 원본과 비슷해진다 | 내 조건에 맞게 변형된다 |
| 표절 위험이 커진다 | 가져올 것과 버릴 것을 나눈다 |
| “그럴듯함”이 목표다 | 검증 가능한 개선이 목표다 |
미메시스에서 중요한 질문은 “얼마나 닮았는가”가 아니다.
중요한 질문은 이것이다.
원본의 어떤 구조가 내 작업의 기준을 올렸는가?
5. Exemplar Context Pack 만들기
LLM에게 바로 만들라고 하지 말고, 먼저 기준 묶음을 만든다.
나는 이것을 Exemplar Context Pack이라고 부른다.
1. 내가 만들 결과물
2. 이 분야의 좋은 산출물 5~10개
3. 각 산출물의 첫 인상
4. 정보 구조
5. 시각 구조
6. 문체와 리듬
7. 사용자 흐름
8. 신뢰 장치
9. 그대로 베끼면 안 되는 요소
10. 내 조건에 맞게 변형할 요소
11. source class: official/original, maintained implementation, paper/patent/standard, first-party product artifact, secondary inspiration
12. operating grammar extracted
13. target ontology objects
14. command/redline set
15. output contract
16. golden example
17. validation check
18. memory/changelog update
이 묶음이 있으면 LLM은 빈 화면에서 평균적인 답을 만들지 않는다. 이미 좋은 결과물의 구조를 기준으로 현재 작업을 평가하고 변형할 수 있다.
6. 실제 프롬프트 예시
아래는 산출물 기반 미메시스 프롬프트의 최소 형태다.
내가 만들려는 결과물:
[설명]
기준 산출물:
1. [링크 또는 요약]
2. [링크 또는 요약]
3. [링크 또는 요약]
작업:
각 산출물의 지식 구조, 시각 구조, 사용자 흐름, 신뢰 장치, 문체 리듬을 분해해라.
그 다음 내 결과물이 평균적인 이유와 부족한 이유를 지적해라.
마지막으로 다음을 나눠라.
- 그대로 가져올 패턴
- 변형해서 가져올 패턴
- 가져오면 표절 또는 부적합이 되는 요소
- 7일 안에 검증할 수 있는 개선안
- 아직 주장하면 안 되는 claim
이 프롬프트는 칭찬을 요구하지 않는다. 기준을 요구한다.
7. 표절 방지 경계
산출물 기반 미메시스는 표절과 가까운 위험을 갖는다.
그래서 경계가 필요하다.
- 원본의 문장, 그래픽, 코드, 고유한 브랜드 요소를 그대로 가져오지 않는다.
- 구조를 가져올 때도 내 문제, 내 사용자, 내 제약에 맞게 변형한다.
- 원본이 가진 맥락과 내가 가진 맥락의 차이를 먼저 적는다.
- 2차 요약이나 블로그 해설은 탐색 경로로만 쓰고, 검증된 원본으로 취급하지 않는다.
- source card에는
official/original,maintained implementation,paper/patent/standard,first-party product artifact,secondary inspiration을 구분해 적는다. - “영감”과 “복제”를 구분한다.
- 공개 글에서는 영향을 받은 원본을 가능한 한 밝히고, 고유한 문장·도상·브랜드 장치를 그대로 옮기지 않는다.
좋은 모방은 베끼기가 아니다.
좋은 모방은 기준을 높이는 일이다.
결론
AI 시대에는 결과물이 너무 빨리 나온다.
그래서 더 중요한 것은 “빨리 만들기”가 아니라 “무엇을 기준으로 만들 것인가”다.
페르소나 프롬프트는 역할을 준다. 산출물 기반 미메시스는 기준을 준다.
나는 앞으로 이 방식을 블로그, GitHub README, 제품 리뷰, LinkedIn 포스트, Mimesis Audit에 계속 적용할 것이다.
먼저 전문가인 척하지 않는다.
전문가가 실제로 만든 것을 보고, 분해하고, 변형하고, 검증한다.