# LLM과의 작업이 지치게 만드는 이유

> Clean Markdown view of GeekNews topic #27565. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=27565](https://news.hada.io/topic?id=27565)
- GeekNews Markdown: [https://news.hada.io/topic/27565.md](https://news.hada.io/topic/27565.md)
- Type: GN+
- Author: [neo](https://news.hada.io/@neo)
- Published: 2026-03-17T03:32:26+09:00
- Updated: 2026-03-17T03:32:26+09:00
- Original source: [tomjohnell.com](https://tomjohnell.com/llms-can-be-absolutely-exhausting/)
- Points: 10
- Comments: 0

## Summary

LLM과의 협업에서 가장 큰 장애물은 **피로와 느린 피드백 루프**입니다. 프롬프트 품질이 떨어지면 모델의 응답도 급격히 나빠지고, 중간 수정이 잦을수록 일관성이 무너집니다. 이를 해결하려면 루프 속도 자체를 개선 목표로 삼고, **명확한 성공 기준**을 제시해 반복 실험을 빠르게 돌리는 구조를 설계해야 합니다. 결국 효율적인 LLM 활용은 ‘좋은 프롬프트’보다 ‘빠른 피드백’에 달려 있습니다.

## Topic Body

- 장시간 **Claude나 Codex 같은 LLM과 협업**할 때 피로감이 누적되면 생산성이 급격히 떨어짐  
- **피로로 인한 프롬프트 품질 저하**가 결과의 질을 악화시키며, 중간에 모델을 끊거나 수정할수록 성능이 더 나빠짐  
- **피드백 루프가 느리고 컨텍스트가 과도하게 커지는 문제**가 반복 실험을 어렵게 만들어 작업 효율을 떨어뜨림  
- 효과적인 접근은 **프롬프트 작성의 즐거움과 명확한 목표 의식**을 유지하고, 느린 루프 자체를 문제로 정의해 개선하는 것임  
- LLM 활용의 핵심은 **빠른 피드백과 명확한 성공 기준 설정**이며, 이를 통해 디버깅 시간을 줄이고 더 스마트한 결과를 얻을 수 있음  

---

### 피로와 느린 실험 속도
- **정신적 피로**가 쌓이면 프롬프트 품질이 떨어지고, 그 결과 LLM의 응답 품질도 저하됨  
  - 피로 상태에서 핵심 컨텍스트를 빠뜨린 채 프롬프트를 제출하고, 이후 수정·중단을 반복하면 결과가 악화됨  
  - Claude Code나 Codex에서 이런 ‘중간 개입’은 일관성을 깨뜨려 더 나쁜 결과를 초래함  
- **피드백 루프의 속도 저하**가 문제로 지적됨  
  - 대용량 파일 파싱 등 시간이 오래 걸리는 작업에서는 매번 재실행이 느려 실험 주기가 길어짐  
  - 컨텍스트가 거의 포화 상태에 이르면 모델이 ‘둔해지거나’ 최근 실험 내용을 제대로 반영하지 못함  

### AI와의 효율적 협업 경로
- **나쁜 프롬프트로 인한 악순환(‘doom-loop psychosis’)** 을 피해야 함  
  - 프롬프트 작성이 즐겁지 않거나 짧고 성의 없는 입력을 반복할 때는 휴식이 필요함  
  - 문제를 충분히 사고하지 않은 채 AI가 빈틈을 채워주길 기대하는 것은 위험한 함정임  
- **명확한 목표와 확신을 가진 프롬프트**가 성공의 핵심임  
  - 원하는 결과를 구체적으로 상상하며 작성한 프롬프트는 높은 품질의 응답으로 이어짐  
  - 반대로 불확실하거나 조급한 마음으로 작성한 경우 결과가 만족스럽지 않음  

### 느린 피드백 루프를 문제로 정의하기
- **피드백 루프의 속도 자체를 개선 목표로 설정**해야 함  
  - 예를 들어, 파싱 문제를 다룰 때 루프 시간을 5분 이하로 줄이는 목표를 명시하고, 실패 사례를 빠르게 재현하도록 요청함  
  - 이는 **테스트 주도 개발(TDD)** 과 유사한 접근으로, 반복 실험 속도를 높임  
- **명확한 성공 기준 제시**가 LLM의 효율을 극대화함  
  - “5분 이내에 실패 사례를 재현하라”와 같은 구체적 조건을 주면, LLM이 코드 경로를 최적화하고 불필요한 부분을 제거함  
  - 이렇게 빠른 피드백 루프를 확보하면 컨텍스트 소비가 줄고 모델이 더 ‘똑똑하게’ 작동함  

### 결론
- LLM과의 작업에서 오는 피로는 종종 **기술적 문제가 아닌 ‘숙련도 문제(skill issue)’** 일 수 있음  
- **인지적 피로와 요구사항 외주화(cognitive outsourcing)** 는 생산성을 떨어뜨리는 함정임  
- 프롬프트 작성 과정이 즐겁고, 결과에 95% 이상 만족할 자신이 있을 때만 지속하는 것이 바람직함  
- **느린 진행과 컨텍스트 과부하**가 느껴질 경우, 그 자체를 해결 과제로 삼아 LLM과 함께 **더 빠른 반복 구조**를 설계해야 함

## Comments



_No public comments on this page._