키워드: Domain-Specific LLM, LLM orchestraion, Purpose-driven AI Thick Wrapper

대규모 언어 모델(LLM, Large Language Model)의 확산과 함께 ‘도메인 특화형 AI 도구’가 각광받고 있지만, 실제 진화의 방향은 도메인 분할(domain specialization)이 아닌 목적 중심 설계(purpose-driven architecture)로 수렴되고 있습니다. 이 글은 wrtn.ai, genspark, skywork.ai 등 다양한 AI Wrapper 사례를 분석하고, 이를 얇고 넓은 Thin AI Wrapper에서 목적-역할-작업 구조에 따른 Thick AI Wrapper로 진화시키는 경로를 정리해 봅니다. 특히, 사용자의 목적(Purpose)을 메타 도메인(meta domain)으로 설정하고, 작업 형식성(Task format)을 기준으로 Formal Task와 Informal Task를 구분한 후, 각 범주에 적합한 LLM 워크플로우 구조와 역할 분담 방식을 제안합니다. 이는 단순한 프롬프트 최적화를 넘어 자동화된 멀티 에이전트 시스템 구성 (Multi-agent AI System)을 목표로 합니다.

사용자가 최종적으로 원하는 생산품

AI 도구 사용자의 최상위 동기(motivation) 또는 궁극적 목적(Purpose)은 도구 활용을 통한 생산성 증대 (productivity)입니다. 이는 결과적으로 사회적 권력이나 경제적 보상을 획득하기 위함이며, 사용자가 최종적으로 원하는 생산품의 유형은 다음과 같이 나눌 수 있습니다:

  • ROI 높은 “투자 전략” 생산: 자산에 투자하여 수익을 창출하는 Investment Strategy (투자 전략) 수립
  • ROI 높은 “상품/서비스” 생산: 경쟁력 있는 상품/서비스를 기획하고 브랜딩/마케팅을 통해 수익화
  • ROI 높은 “콘텐츠” 생산: 사용자 확보를 통한 네트워크 효과 창출 → 플랫폼 권력화 또는 영향력 확대

도메인 특화인가, 목적 지향인가?

‘LLM의 다음 진화는 도메인 특화’라는 일반적인 통념은 실증적으로나 구조적으로 설득력이 약합니다. 실제로 사용자들은 특정 도메인보다는 무엇을 만들고자 하는가라는 목적 중심으로 AI 도구를 사용하고 있으며, 현재 대부분의 AI Wrapper는 특정 도메인의 지식이 아닌, 광범위한 주제에 대한 산출물을 자동화하기 위한 얇은 구조(thin interface)를 갖고 있습니다. 이 글은 얇고 광범위한 Wrapper의 한계를 넘어서, 사용자의 목적과 작업의 형식성을 기준으로 LLM 오케스트레이션 구조를 두텁게(thickly) 구성하는 전략을 제안합니다.

어떤 생산물을 만들고자 하느냐에 따라 요구되는 작업의 형식(Task format)은 자연스럽게 정해지고, 이는 LLM 설정과 AI Wrapper 설계의 기준이 됩니다. 아래에서는 먼저 생산물의 유형(Purpose)을 정의한 후, 이에 대응되는 작업 형식(Task format)을 Formal과 Informal로 나누어 구체적으로 살펴봅니다.

Formal Task (형식적 작업): “투자 전략”과 “상품/서비스 기획”에 최적화

  • 정의: 표준 분석 구조 또는 정답이 존재하는 작업. 합리적 추론과 객관성이 중요.
  • 주요 Role (Manager):
  • 주요 Subtask (Agent):
  • Sub-role 예시:
  • Input 데이터: 정형 데이터, 구조화된 데이터
  • LLM 설정: Temperature 낮음 (정확성 우선)
  • Output 형식: 전자책, SPA 등 text + interactive 자료 포함

Informal Task (비형식적 작업): “콘텐츠” 제작에 최적화

  • 정의: 정해진 정답이 없고 창의성과 표현의 자유가 강조됨
  • 주요 Role (Manager):
  • 주요 Subtask (Agent):
  • Sub-role 예시:
  • Input 데이터: 비정형 데이터, 이미지, 감성 표현 등
  • LLM 설정: Temperature 높음 (창의성 우선)
  • Output 형식: 영상 콘텐츠 (스크립트 + 이미지 + 오디오)

향후 과제는 이 구조를 실제 구현 가능한 오토메이션 레이어로 확장하는 것입니다. 각 역할에 적합한 LLM 설정값, 데이터 입력 형식, 출력 포맷의 정교한 매핑이 필요하며, 이를 통해 진정한 의미의 Purpose-driven Thick Wrapper가 현실화될 것입니다.