AI와 함께 창의적으로 글 쓰기: 영혼을 잃지 않는 10가지 방법

핵심

AI가 콘텐츠 산업에 미친 악영향은 마케팅팀 해고와 자동화된 저품질 결과물에 대한 과장된 약속에서 비롯됐다. 수년간 이런 메시지가 반복되면서 AI 생성 콘텐츠는 성숙할 기회를 갖기 전에 이미 저급한 대량생산품으로 낙인찍혔다. 이 글은 그 인식을 바꾸기 위한 시도로, 인간의 사고를 대체하지 않으면서도 과거에 너무 어렵거나 비싸거나 불가능했던 일들을 가능하게 만드는 AI 활용법을 제시한다.

1. 바이브라이팅(Vibewriting): 거친 입력과 반복 피드백으로 초안 다듬기

무엇을 말하고 싶은지는 알지만 매 문장을 고민하고 싶지 않을 때 유용하다. 완벽한 프롬프트를 작성하거나 한 번에 완성본을 얻으려 하기보다, 맥락을 제시하고 AI의 결과물에 반응하며 점진적으로 원하는 방향으로 형태를 다듬는 방식이다.

• AI에 첫 번째 초안을 만들게 한 후, 그것을 발행할 대상이 아니라 편집할 대상으로 본다.
• "문장을 더 강하게", "도입부를 삭제해", "이 섹션을 확장해", "문단을 압축해", "약한 전환을 다시 쓰세요" 등 피드백을 반복한다.
• 매 라운드마다 초안은 원래 의도에 더 가까워진다.

사례: Ahrefs의 콘텐츠 마케팅 담당 이사인 Ryan Law는 이 방법을 시도한 후 "Ahrefs에서 글 쓰는 일이 이렇게 즐거웠던 적이 없다"고 평했다. 프레젠테이션 슬라이드 같은 다른 콘텐츠 유형에도 효과적이다.

적용 사례: 뉴스레터, 의견 글, 에세이, 단기 리서치 기사

2. 리빙 드래프트(Living Draft) 방법: 주제를 열어두고 자료를 계속 더하기

주제가 완전히 정해지지 않은 상태에서, 동료가 보낸 링크, 스크린샷, 출근길에 떠오른 생각 등 여러 자료가 시간에 따라 들어온다. 이 시점에 구조를 강제로 잡으면 아이디어가 죽을 수 있다.

• 한 개의 초안을 항상 열어둔 채로, 들어오는 모든 것을 그곳에 던진다.
• 자료를 추가할 때마다 AI가 그것을 통합하고 글의 깊이를 더한다.
• "시작된" 또는 "완성된" 상태가 아니며, 현재까지 모은 것의 최고의 종합본이다.
• 한 번 자료를 쌓으면, 오늘은 기사로, 다음 달은 강연으로, 그 다음은 세 개의 포스트로 표현할 수 있다.

차이점: 바이브라이팅은 이미 정한 목표를 향해 초안을 조종하는 방식이고, 리빙 드래프트는 목표가 없는 상태에서 시간에 따라 주제를 계속 먹이면서 스스로 목표가 드러나도록 하는 방식이다.

사례: 필자는 이 워크플로우가 너무 필요해서 Letaido(Ahrefs의 AI 마케팅 플랫폼)로 맞춤 앱을 만들었다. 2025년 12월 발표한 AI 인식 최적화 실험 이후 모든 후속 실험, 논평, 실제 사례, 마일스톤 이벤트(예: 구글이 AI Overviews의 정확도 문제로 소송을 당한 사건)를 기록하는 데 사용하고 있다. 작업 제목과 문제 설정으로 시작한 후, 발견한 자료를 계속 던지면서 AI가 이야기를 풀어나가는 모습을 본다.

적용 사례: 리서치가 많은 기사, 장기 글쓰기 프로젝트, 여전히 탐색 중인 주제

3. AI가 당신을 인터뷰하도록 하기

깊이 있게 아는 주제에 대해 글을 쓰고 싶을 때, 자신의 머릿속 모든 것을 처음부터 배우는 사람도 이해할 수 있는 형태로 바꾸기는 어렵다.

• AI에 기사를 쓰라고 하는 대신, 당신을 인터뷰하라고 한다.
• AI가 사려 깊은 질문을 던지고, 당신은 다른 사람과 대화하듯 답한다.
• 그 답변들이 글의 기초가 된다.

이점: 지식의 저주(curse of knowledge)를 벗을 수 있다. AI가 당신의 머릿속 모든 맥락을 공유하지 않기 때문에, 자연스럽게 당신의 사고 간격이 드러나고, 아이디어를 더 명확하게 설명하도록 강제한다. 결과는 보통 기억에만 의존해 쓴 글보다 낫다.

사례: 구조화된 FAQ가 AI 어시스턴트가 Ahrefs에 대한 정확한 정보를 검색하는 데 도움이 될 수 있는지에 대한 SEO 실험을 정리하는 데 이 방법을 사용 중이다.

적용 사례: 생각 리더십, 창업자 스토리, 사례 연구 및 실험, 의견 글, 배운 교훈

4. 기존 지식 기반을 새로운 기사로 전환하기

많은 질문은 실제로 새로운 답변이 필요 없다. 표현이 다르거나 약간 다른 각도에서 물어봐도, 기저의 답변은 같은 경우가 많다. 그리고 대부분의 경우, 그 답변은 블로그 어딘가에 이미 작성되어 있다.

• AI를 신뢰할 수 있는 원본 문서에 지시해서 관련 구절을 찾게 한다.
• 중복된 아이디어를 제거하고, 이미 아는 것에 기반한 초안을 조립한다.
• 새로 작성하는 대신 이미 발행한 정보를 연결한다.

사례: 소개한 기사의 최소 70%는 이미 발행한 정보의 "재활용"이다. AI 챗봇 트래픽에 대해 말하고 싶은 모든 것이 이미 있었지만, 수십 개의 블로그 포스트에 흩어져 있었다. 처음부터 작성하는 대신 AI를 안내해서 그것들을 일관된 기사로 모았다. 결과는 AI 챗봇 트래픽을 진정으로 이해하는 데 도움되고, 추적 방법을 보여주며, 검색 순위까지 얻었다.

이렇게 빠르게 기사를 모을 수 있었던 이유는 그 뒤의 인프라를 이미 구축했기 때문이다: 제품 설명서, Ahrefs 사용법, 데이터 연구의 인사이트, 기타 핵심 자료를 담은 "신뢰할 수 있는 원본(source of truth, SoT)" 저장소를 유지하고 있었다. 중요한 내부 페이지를 발견할 때마다 그 URL을 앱에 추가하면, 앱이 핵심 정보를 뽑아내어 GitHub에 동기화하고, 나중에 "이 SoT들이 이것에 대해 뭐라고 하지?"라고 물으면 즉시 관련 맥락을 초안에 끌어올 수 있다.

적용 사례: 제품 설명서, 에버그린 기사, 설명서, 가이드 및 하우투, 기존 콘텐츠 업데이트

5. 데이터를 끌어와서 기사가 스스로 드러나게 하기

가장 좋은 콘텐츠는 데이터에서 시작되곤 한다. 이 경우 글은 단지 숫자가 드러내는 것을 설명하기 위한 것일 뿐이다. 아마도 조직 안에는 소중한 데이터가 잠자고 있다: 제품 사용 통계, 고객 행동, 캠페인 성과, 실험, 설문, 지원 티켓, 영업 기록.

도전은 그 안에 숨은 이야기를 찾는 것이다. AI가 빛나는 부분이 여기다.

• AI에 데이터를 줘서 조사하라고 한다.
• 이상치, 예상 밖의 패턴, 놀라운 상관관계, 탐색할 가치 있는 질문을 찾게 한다.
• 그 조사에서 나온 인사이트를 중심으로 기사를 구성한다.

사례: Ryan Law와 Louise Linehan이 작성한 최근 데이터 주도 콘텐츠 예시:

• 가장 빠르게 성장하는 SaaS 50개 회사 (2026년 6월)
• 좋은 도메인 레이팅이란 무엇인가? (실제 데이터 포함)
• 실제 웹사이트의 평균 오가닉 트래픽 벤치마크 (2026년 6월)
• 좋은 오가닉 CTR(클릭률)은 무엇인가? 실제 웹사이트 벤치마크 (2026년 6월)

Letaido로 이 글들을 만들었는데, Ahrefs 데이터 작업에 큰 돌파구가 되었다. 표준 MCP(모델 컨텍스트 프로토콜) 설정과 달리, Letaido는 더 많은 데이터 엔드포인트에 접근 가능하고, 자율적으로 작동하며, WordPress 같은 네이티브 통합이 있어 도구에서 직접 콘텐츠를 발행할 수 있다.

Letaido는 무거운 작업을 처리했다: Ahrefs 데이터 연결, 특정 데이터베이스용 API 호출, 시각화 생성, 기사의 일부 작성까지.

팀의 Si Quan은 맞춤형 Letaido 앱까지 만들어서 이런 데이터 주도 기사 업데이트 프로세스를 자동화했다. 데이터가 바뀔 때마다 각 기사를 처음부터 다시 만드는 대신, 앱이 숫자를 새로고침하고 업데이트된 초안을 만들어서, 리서치를 최신으로 유지하는 속도가 훨씬 빨라졌다.

적용 사례: 독자 연구, SEO 연구, 업계 보고서, 제품 인사이트, 데이터 저널리즘

6. 100가지 각도를 생성한 후 군집화하고 최고의 것을 확장하기

2026년, OpenAI의 한 모델이 80년간 수학자들을 괴롭혀온 기하학 문제를 풀었다. 핵심은 인간이 무시했던 접근법을 탐색했다는 것이었다. 연구원들은 수십 년을 받아들여진 답을 증명하려다 보냈고, 약속 없어 보이는 길은 따라가지 않았다. AI는 그런 편견이나 성급함이 없어서 모두가 간과한 것을 발견했다.

브레인스토밍도 같은 방식이다. 대부분의 사람은 처음 몇 가지 괜찮은 아이디어 후 멈춘다—모두가 생각한 같은 뻔한 것들이다. AI는 계속 간다.

• AI에 "이것에 대해 생각하는 100가지 방법"을 달라고 하면 된다.
• 아이디어를 군집화하거나 최고의 것을 확장한다.
• 당신이 고려하지 않았을 법한 각도들이 나타난다.
• 당신의 역할은 어느 것이 추구할 가치가 있는지 판단하는 것이다.

사례: AI SEO를 연구할 때 자주 돌아오는 아이디어, "브랜드는 콘텐츠다"를 시도해봤다. 이미 탐색한 몇 가지 각도가 나와서 올바른 방향이라는 신뢰감을 얻었지만, 고려한 적 없는 여러 아이디어도 드러났다.

이 방법은 AI가 일하는 것을 자동화하지 않고 강화하는 좋은 예다.

적용 사례: 각도와 주제 브레인스토밍—모든 유형의 콘텐츠에 작동 가능. 긴 콘텐츠를 소셜 미디어 숏폼으로 재활용할 때도 좋은 기법이 될 수 있다.

7. AI에 정신 모델(Mental Model)을 건네고 논거를 구축하게 하기

AI의 가장 큰 강점 중 하나는 적응 능력이다. 특정 방식으로 생각하도록 요청하면, AI는 즉시 접근 방식을 바꿀 수 있다.

콘텐츠 마케팅에서 이를 활용할 수 있다. AI에 처음부터 아이디어를 생성하라고 하기보다, 입증된 사고 프레임워크 안에서 일하도록 한다.

좋은 프레임워크는 모델에 명확한 경로를 주고, 약한 가정에 도전하며, 단순히 요약하는 게 아니라 설명하고 진단하고 주장하는 기사를 만드는 데 도움된다.

대신 "이것에 대한 기사를 쓰세요"라는 프롬프트 대신, 먼저 사고 방식을 제시한다: Jobs to Be Done(할 일 이론), Theory of Constraints(제약 이론), Porter's Five Forces(포지셔닝 전략), 의사결정 트리, 1차 원리, 또는 당신의 자체 정신 모델.

사례: 동료 Si Quan이 이 기법을 소개했다. AI에 특정 역할을 맡기도록 할 수 있다는 것을 이미 알고 있었지만(데이터 분석가, 변호사, 비판적 편집자처럼), 이 접근법은 더 구조화되고 통제된 느낌이 들었다. 따라서 Letaido에서 Claude Opus 4.8을 사용해 시도해봤다.

결과는 전체 추론 과정이 앞에 펼쳐진 상세한 보고서였다. 두 섹션이 특히 눈에 띄었다.

첫 번째는 AI가 자신의 결론에 도전하고, 가정을 의문하고, 가장 강한 설명이라고 여기는 것으로 작업해나가는 부분이었다.

두 번째는 그 인사이트가 기사 자체로 나타나는 것을 본 것이었다. 추론을 위한 추론만이 아니라, AI가 실제로 결론을 최종 초안으로 옮겼다.

AI가 진정으로 문제를 추론했는지, 아니면 단지 과정을 시뮬레이션했는지 모른다. 그리고 그것이 그대로 발행할 수 있는 뭔가를 만들지는 않았다.

하지만 그게 요점이 아니었다.

백지에서 시작하는 것보다 훨씬 더 멀리 나아갔고, 자신의 생각을 정리하는 데 도움이 됐다.

이건 엄청나게 소중하다. 좋은 글쓰기는 좋은 생각에서 시작되기 때문이고—생각하기는 여전히 어려운 부분이다. AI에 완전히 맡길 수 있는 일이 아니다.

적용 사례: 의견 글, 제품 의사결정 가이드

8. 반복 가능한 프로세스를 위한 게이티드 파이프라인 실행하기

어떤 기사는 창의적 폭발이 필요 없다. 매번 같은 방식으로 나와야 한다. 릴리스 노트, 정기 라운드업, 랜딩 페이지: 이미 프로세스를 안다. 한 번에 모든 것을 하려는 하나의 거대 프롬프트는 팀 전체에서 신뢰할 수 없는 불일관한 품질을 낸다.

대신 파이프라인으로 나누자; 연쇄적으로 연결된 AI 스킬의 집합이다. 리서치, 출처, 브리프, 개요, 초안, 검증, 포맷—각 게이트에서 당신의 승인을 멈춘다. AI가 그 사이 단계를 하고, 당신이 체크포인트에서 승인하므로 실수가 일찍 잡혀서 쌓이지 않는다.

일반적 AI 콘텐츠 자동화와의 차이점:

• 워크플로우는 당신의 입증된 프로세스를 따른다. 매번 새로운 일하는 방식을 발명하지 않으므로, 아웃풋이 이미 글을 쓰는 방식과 더 일관성 있다.
• 당신은 입력을 조종하고 처음부터 끝까지 참여한다. 각 단계에 투자하기 때문에, 품질을 판단하고 문제를 발견하고 시스템을 시간에 따라 개선하기가 훨씬 쉽다.
• 만들기가 상대적으로 빠르고 바꾸기가 쉽다. 워크플로우가 폐쇄 소스 도구 안에 잠긴 게 아니라, 개별 AI 스킬로 만들어졌기 때문이다. 깊은 기술 지식이나 방대한 설명서도 필요 없다.
• 경직된 자동화보다 더 탄력적일 수도 있다. 한 단계가 실패하면, AI는 종종 문제를 진단하고, 지시를 수정하거나, 다른 접근을 시도할 수 있다. 단순히 워크플로우를 멈추는 것(n8n 자동화와 다르게)과는 달리.

사례: Ryan Law가 Letaido를 사용해서 이런 앱을 만들었다. 주제와 몇 가지 출처 링크를 주면, 나머지는 처리한다. 주제를 리서치하고, 에디토리얼 브리프를 만들고, 개요를 구축하고, 기사를 쓰고, 모든 주장을 팩트체크하고, 다음 단계로 가기 전에 당신이 방향을 검토하고 승인하도록 세 개의 핵심 단계에서 멈춘다.

시작 프롬프트는 타겟 키워드를 원자 입력으로 삼고, 각 단계를 배경 작업으로 순차 실행하고, UI가 폴링하는 동안: (1) Ahrefs를 통한 키워드 리서치, (2) 경쟁 SERP 페칭, (3) AI Content Helper 주제 스냅샷, (4) 필수 주제 범위가 있는 불렛 아웃라인, (5) 데이터 멘션 배치, (6) 전체 초안, (7) 폴리시, (8) WordPress 숏코드 포매팅 + .docx 내보내기. 각 단계는 아웃풋을 보여주고, "편집" 텍스트 영역과 "피드백으로 다시 다듬기" 채팅(내 메모로 단계를 다시 실행)이 있다. 스타일 가이드는 저자별 보이스 프로필에서 나온다.

적용 사례: 반복되는 블로그 포스트, 제품 공지, 설명서, 랜딩 페이지, 에디토리얼 워크플로우

9. 실제 지원 질문이 무엇을 문서화할지 결정하게 하기

고객 대화는 항상 기사 아이디어의 최고 출처였다. 실제 질문이 고객의 자신의 말로 들어가 있고, 어떤 질문이 가장 자주 나오는지 볼 수 있다.

문제는 그런 인사이트를 드러내려면 수천 개의 지원 티켓, 채팅 로그, 영업 통화 녹음을 수동으로 읽어야 한다는 것이었다. 정보는 항상 거기 있었지만—그렇게 큰 규모에서 접근하기가 단지 실용적이지 않았다.

AI가 변화시키는 부분이 여기다.

• 그 대화에 AI를 지시하면, 모든 것을 분석하고, 유사한 질문을 함께 묶고, 기존 콘텐츠와 비교해서 중복을 피할 수 있다.
• 고객이 가장 자주 묻는 질문들이 실제로 찾는 가이드가 된다.

적용 전에 한 가지 팁: 직접 본 적 없는 데이터를 AI에 해석하게 요청하지 말 것. 최종 답변을 즉시 요청하는 대신, AI에 이용 가능한 데이터를 먼저 보여주고 무엇을 보는지 설명하게 하자. AI는 여전히 할루시네이션(사실이 아닌 것을 만들어냄)을 하거나 지름길을 갈 수 있고, 특히 큰 데이터셋을 분석할 때 그렇다. 예를 들어, 한 달에 약 7,500개의 Intercom 대화가 있었는데—한 번에 신뢰하며 분석하기엔 너무 많다.

프롬프트 구조:

먼저 AI에 데이터 분석 요청: 결론을 내리기 전에 이용 가능한 데이터를 보여주고, 무엇이 보이는지 설명하게 한다.

• 유사한 고객 질문을 주제로 그룹화
• 각 주제가 나타나는 빈도를 카운트
• 실제 대화의 대표 예시 포함
• 고객이 정확히 사용한 표현 표시
• 불확실성이나 겹칠 수 있는 주제 플래그

아직 새로운 기사를 제안하지 말 것. 그룹화된 질문을 검토한 후 당신이 문서화할 대상을 결정하길 원한다.

검토 후에 팔로우업: 이 주제들을 기존 도움말 센터 및 문서와 비교.

• 각 주제에 대해, 이미 다뤄졌는지 알려주자.
• 있으면 기존 기사를 지시.
• 누락되거나 오래된 콘텐츠 확인.
• 갭을 고객이 묻는 빈도로 순위 매기기.

그 다음 상위 10개의 문서화 기회를 제안하고, 각각 존재해야 하는 이유를 설명한다.

더 신뢰할 수 있는 접근은 모든 역사 데이터를 한 번에 파고드는 대신, AI가 들어오는 새로운 대화를 모니터링하게 하는 것이다. 작업을 더 작은 지속적 분석으로 나누는 것이 AI와 오도하는 결과를 낼 가능성 둘 다에 낫다.

앞으로, 전체 히스토리를 분석하는 대신 들어오는 새 대화를 모니터링하자.

이용 가능한 새 대화가 있을 때마다:

• 반복되는 질문을 주제로 그룹화
• 전에 나타나지 않은 새 주제 강조
• 어떤 질문이 더 일반적해지는지 추적
• 새 질문을 기존 문서와 비교
• 반복되는 질문이 도움말 센터에서 답변되지 않으면 경고

각 권장에 대해:

• 얼마나 많은 대화가 이를 언급하는지
• 예시 고객 메시지
• 관련 문서 (있으면)
• 제안하는 기사 제목과 간단한 아웃라인

결론을 뒷받침하는 대화 데이터를 먼저 보여주지 않고 절대 결론을 가정하지 말 것.

사례: Fin(Intercom)을 사용해서 이 방법을 시행했다. Letaido가 MCP을 처리한다. 몇 분만에 미개발 주제들을 발견했다. 일부 사용자가 내부 링크 데이터를 찾기 어려워하고 Google Data Studio를 사용해서 데이터를 페칭할 때 문제를 겪었다고 한다. AI는 이 질문들에 체계적인 답변을 생성할 수도 있었다.

적용 사례: 도움말 센터 기사, 제품 설명서, FAQ, 고객 교육, 펀널 하단 콘텐츠

10. 제품 마케팅 콘텐츠와 제품 문서를 자동으로 최신으로 유지하기

다음 릴리스를 배포하는 순간 문서는 낡기 시작한다. 설정이 이름이 바뀌고, 한계가 변하고, 새 기능이 출시되고, 갑자기 도움말 기사가 더 이상 정확하지 않다.

제품 마케팅 콘텐츠인 구매자 가이드와 비교 페이지도 마찬가지다. 많은 경우, 당신의 자신의 제품과 경쟁사 둘 다의 변화를 추적해야 하기 때문에 더 어렵다.

이것은 SEO와 사용자 경험 둘 다의 문제다.

다행히 AI가 대부분의 작업을 처리할 수 있다. 필요한 것은 당신이 유지하려는 페이지의 목록, 업데이트를 찾을 출처, 그리고—선택하면—당신의 CMS에 대한 접근이다. 그러면 AI가 모든 것을 자동으로 업데이트할 수 있다.

사례: 동료 Kamila Olexa가 Claude Code와 Firehose를 사용해서 그런 시스템을 구축했다. Firehose(Ahrefs)는 공개 웹 전역의 변화를 지속적으로 모니터링하고, 매칭되는 업데이트를 당신의 애플리케이션에 푸시하는 실시간 웹 데이터 스트리밍 API다.

워크플로우는 인간 승인 단계가 있는 자동화 중심으로 구축돼 있다. 간단히:

• Firehose가 경쟁사의 가격 책정 페이지를 지속적으로 모니터링하고, 그 중 하나가 바뀔 때마다 워크플로우를 트리거한다.
• Claude가 업데이트된 가격 책정을 구조화된 데이터로 추출하고, 당신의 기사 중 어느 것이 그 경쟁사를 언급하는지 확인하고, 전체 포스트 대신 영향받은 섹션만 다시 쓴다.
• 자동으로 발행하는 대신, 워크플로우가 제안된 변경사항의 요약을 Slack에 보낸다. 그곳에서 당신은 업데이트될 것을 빠르게 검토할 수 있다.
• 간단한 ✅ 반응이 편집을 승인하고, 그 후 워크플로우가 CMS의 관련 페이지를 업데이트하고 자동으로 발행한다.

구체적 시작 프롬프트 대신, Kamila의 기사를 당신과 함께 남긴다. 그것이 처음부터 끝까지 워크플로우를 설명하므로, 당신도 같은 접근을 복사할 수 있다.

적용 사례: 제품 문서, API 문서, 도움말 센터, 내부 지식 기반, 릴리스 노트, 기능 비교 페이지, 법적 또는 정책 변경

최종 생각

AI 열성자들은 금으로 만든 행성을 발견했고, 가장 좋은 사용처가 저가 보석을 대량생산하는 것이라고 결정했다. 더 좋은 선택지가 있다.

AI로 더 좋은 콘텐츠를 만들면서 그 과정을 즐길 수 있다. 함정은 당신이 참여해야 한다는 것이다. 당신이 기여할수록, 결과는 더 좋다. 이것이 우리가 AI로 취할 필요가 있는 방향 전환이라고 생각한다.