멀티 LLM 활용법: 충남대 AI 챌린지로 본 Claude·GPT·Gemini 역할 분담 3분할 프레임워크

충남대 멀티 LLM 활용 AI 챌린지에서 확인된 사실은 무엇인가?

충남대 AI정보화본부가 2024년부터 이어 온 대회로, 올해는 'AI 챗봇 제작'과 'AI 활용 서비스 제작' 2개 부문에 130개 팀 177명이 76개 작품을 냈다. 사전 심사로 37개 팀이 입상했고 대상 2팀, 금상 3팀, 은상 6팀, 동상 6팀에 총 1,290만 원의 상금이 돌아갔다.

충남일보와 데일리한국의 11월 9일 보도에 따르면 최종 발표평가와 시상식은 11월 6일 AI정보화본부 대강의실에서 열렸고 40여 명이 참석했다. 입상 37개 팀은 챗봇 부문 32팀, 서비스 부문 5팀이다. 본선에는 'AI 챗봇 월드컵'으로 뽑힌 챗봇 부문 12개 팀과 서비스 부문 5개 팀이 올라 발표하고 전문가 질의응답을 받았다. 수상팀에는 총장상, AI정보화본부장상, 마인드로직상이 주어졌다.

눈여겨볼 대목은 심사 방식이다. 챗봇 부문은 선정된 작품을 대학 구성원이 직접 써 보고 평가하는 참여형 심사로 진행됐다. 만든 사람의 설명이 아니라 쓰는 사람의 반응으로 순위를 가린 것이다. 대학 측은 발굴한 챗봇과 서비스를 구성원이 업무와 학습에 쓸 수 있게 지원하고 교육·연구·행정 전 분야로 활용을 넓히겠다고 밝혔다.

기사에 없는 것도 적어 둔다. 수상팀 이름, 수상작 내용, 각 팀이 쓴 모델 조합은 두 기사 어디에도 없다. 대회 공고 페이지에는 '멀티 LLM 스튜디오'에 챗봇을 올린다는 안내가 있을 뿐 제공 모델명은 나와 있지 않다.

왜 AI 하나가 아니라 멀티 LLM으로 나눠 쓰나?

한 모델에 조사, 발상, 정리를 전부 맡기면 그 모델의 약점이 세 단계에 모두 실리고, 틀린 곳을 잡아 줄 두 번째 눈이 없다. 역할을 나누면 단계마다 산출물이 끊겨 나오고, 다른 모델이 그 산출물을 검토할 수 있다.

여러 모델을 한 계정에서 골라 쓰는 환경은 이미 대학에 깔리고 있다. 아시아경제의 2025년 5월 29일 보도에 따르면 마인드로직은 서강대에 생성형 AI 플랫폼 '팩트챗'을 공급했고, 사용자는 OpenAI의 모델, 구글 Gemini, Anthropic Claude 중에서 목적에 맞는 것을 고른다. 충남대 대회 시상 명칭에 마인드로직상이 있다는 것은 기사로 확인되지만, 충남대가 어떤 플랫폼과 모델을 제공했는지는 확인하지 못했다.

환경이 깔려도 나눠 쓰는 사람은 적다. 대기업 임원 대상 AI 교육 현장에서 한 수강생이 이렇게 말한 적이 있다. "지피티를 1년 썼는데 클로드는 진짜 구린 것 같다." 도구의 우열을 말한 것처럼 들리지만 실제로는 전환 비용에 대한 말이다. 어떤 도구든 처음 쓰면 어색하고, 1년 쓴 도구의 버릇으로 새 도구를 평가하면 새 도구가 진다. 멀티 LLM이 어려운 이유는 모델이 많아서가 아니라 익숙한 하나를 놓기 어려워서다. 그래서 "어느 것이 더 좋은가" 대신 "어느 단계에 무엇을 앉힐 것인가"로 질문을 바꿔야 한다.

멀티 LLM의 요령은 가장 좋은 모델을 고르는 것이 아니라 단계마다 다른 모델을 앉히는 것이다.

Claude, GPT, Gemini 3분할 분업은 어떻게 짜나?

업무를 조사, 발상, 정리 세 단계로 자르고 단계마다 모델 하나와 넘겨줄 산출물 하나를 정한다. 이 글의 출발점 배정은 조사에 Gemini, 발상에 GPT, 정리에 Claude다. 배정보다 산출물 형식을 고정하는 것이 먼저다.

1단계. 조사: 출처 링크가 달린 사실 목록을 받는다

검색과 연동된 모델에 맡긴다. Gemini를 출발점으로 둔 이유는 구글 검색과 묶여 있기 때문이다. 지시는 "알려 줘"가 아니라 "사실 한 줄마다 출처 링크와 발행일을 붙여 표로 줘"로 쓴다. 링크가 없는 줄은 다음 단계로 넘기지 않는다. 이 단계의 산출물은 의견이 없는 사실 목록이다.

2단계. 발상: 사실 목록을 넣고 선택지를 넓힌다

1단계의 표를 그대로 붙여 넣고 "이 사실만 근거로 기획 방향 7개와 각 방향의 반론을 써 줘"라고 요청한다. 새 사실을 지어내지 말라는 조건을 함께 넣는다. 이 단계에서 필요한 것은 정답이 아니라 폭이다. 산출물은 선택지 목록이고, 그중 무엇을 고를지는 사람이 정한다.

3단계. 정리: 고른 방향과 사실 목록으로 문서를 만든다

고른 선택지 하나, 사실 목록, 회사 보고서 양식을 함께 넣고 초안을 받는다. 긴 자료를 구조에 맞춰 정돈하고 문체를 통일하는 일이다. 양식을 주지 않으면 모델이 양식을 정하고, 그러면 매번 다른 모양의 문서가 나온다.

교차 검토: 쓰지 않은 모델에게 읽힌다

완성본을 정리에 쓰지 않은 모델에 넣고 "수치와 출처가 사실 목록과 일치하는지, 논리가 건너뛴 곳이 있는지 찾아 줘"라고 묻는다. 만든 모델에게 다시 물으면 자기 글을 옹호하는 답이 나오기 쉽다. AI가 만든 결과물을 다른 AI가 판정하게 하는 설계는 검증 에이전트 설계 패턴에서 자세히 다뤘다.

내 업무에 맞는 조합인지는 어떻게 확인하나?

같은 과제를 세 모델에 똑같이 넣고 단계별로 채점하는 2주 실험으로 확인한다. 배정표는 가설이고, 내 업무 문서로 나온 점수가 답이다.

1. 과제 3개 고르기: 지난달에 실제로 한 조사, 기획, 보고서 작성 업무를 하나씩 고른다
2. 같은 지시문으로 세 모델에 넣기: 지시문을 바꾸면 모델 차이인지 지시 차이인지 알 수 없다
3. 채점 기준 3개만 쓰기: 틀린 사실 수, 고쳐 쓴 시간, 그대로 쓸 수 있었던 비율
4. 단계별 1등을 배정표에 적기: 표의 출발점 배정과 다르게 나오면 내 결과를 따른다
5. 분기마다 다시 하기: 모델 버전이 바뀌면 순위도 바뀐다

충남대가 챗봇 부문을 구성원 체험 평가로 심사한 것과 같은 원리다. 개발사의 벤치마크가 아니라 쓰는 사람의 업무에서 나온 반응이 기준이 된다. 같은 도구를 써도 사용 방식에 따라 개선폭이 크게 갈린다는 점은 AI 생산성 개선폭 4~65% 분석에서 확인했다. 팀 단위로 이 실험을 돌리고 싶다면 기업 AI 교육 가이드의 커리큘럼 설계 순서를 참고하면 된다.

이 글에서 조심해서 읽을 부분

3분할 배정은 충남대 수상팀의 방법이 아니라 이 글의 제안이다. 모델별 강점은 고정된 사실이 아니고, 모델을 나눠 쓰면 회사 자료가 나가는 곳도 세 군데로 늘어난다.

• 수상팀 조합은 확인되지 않았다: 기사와 공고 어디에도 수상작이 쓴 모델이 없다. 이 글의 표를 "우승팀 조합"으로 인용하면 안 된다
• 배정은 출발점이다: Gemini가 조사에, Claude가 정리에 항상 앞선다는 근거를 이 글은 제시하지 않는다. 검색 연동과 같은 기능 차이에서 출발한 가설이다
• 보안 범위가 넓어진다: 모델 세 개에 자료를 넣으면 약관과 데이터 처리 방침도 세 개를 확인해야 한다. 회사가 허용한 도구 목록부터 본다
• 단계가 늘면 손도 늘어난다: 짧은 메일 한 통에 세 모델을 돌리면 손해다. 조사와 정리가 모두 필요한 반나절 이상짜리 업무에만 쓴다
• 대회 규모 수치는 대학 발표 기준이다: 130개 팀, 76개 작품은 대학 보도자료를 옮긴 지역 언론 기사에 나온 숫자다