THEME 01PersonaOS
사람을 대신해 일하는 AI는, 그 사람처럼 판단해야 합니다
에이전트는 이제 사람을 대신해 일정을 잡고, 우선순위를 정하고, 요청을 거절합니다. PersonaOS는 한 사람의 판단 기준을 7개 층으로 정리하고, 그 기준이 서로 부딪히는 지점과 본인이 스스로 원칙을 깨는 조건까지 기록합니다. 그래서 에이전트는 그 사람이 내렸을 결정을 내립니다.
목표가 그 사람의 말투입니다. 선택지에 순위를 매기는 방식은 거의 담기지 않아, 에이전트가 내려야 할 결정에는 쓸 정보가 적습니다.
기질·가치·습관·말투가 한 덩어리 글에 섞입니다. 두 문장이 다른 방향을 가리킬 때 어느 쪽이 이번 결정을 정하는지 알 수 없습니다.
일관된 인물만 남기고 내적 갈등을 뺍니다. 실제 사람은 가치끼리 경쟁하고, 상황이 요구하면 자기 선호를 거스릅니다. 성향만 따르는 에이전트는 쉬운 결정은 맞히고 어려운 결정은 틀립니다.
아래 층은 천천히 변하고 생물학적 기반에 가깝습니다. 위 층은 빠르게 변하고 행동으로 드러납니다. 층을 선택하면 기록 내용과 이론적 근거를 볼 수 있습니다.
↑ 빨리 바뀜 · 관찰 가능
↓ 천천히 바뀜 · 생물학적 토대
↕ 세로 차원: 모순 · 상황 규칙이 7개 층을 모두 관통
어휘, 문장 스타일, 말의 격식, 감정을 드러내는 방식
자기 삶을 설명하는 이야기, 결정적 사건, 가려는 방향
관계, 소속 집단, 누구와 무엇을 공유하는지(공개 범위)
분야 지식, 기술, 일하는 방법
습관, 반복 행동, 결정하는 방식
가치, 신념, 동기의 순위
기질, 인지 스타일, 생리 리듬
질문 유형별로 참조하는 층
결정의 무게 대부분은 무엇을 원하는가(L2)와 보통 어떻게 고르는가(L3)에 있습니다. L7은 결정이 만들어지는 곳이 아니라 드러나는 곳입니다.
아래 층이 위 층의 범위를 정합니다. 새로움을 좇는 기질(L1)은 빠르고 탐색적인 습관(L3)으로 이어지기 쉽습니다. 거꾸로 자주 쓰는 말(L7)은 가치(L2)의 단서입니다.
관계마다 공개 범위를 붙입니다. 여러 사람 앞에서 대신 행동할 때 본인이 숨겼을 정보를 숨기기 위해서입니다. 이것이 없으면 충실한 트윈이 정보 유출 통로가 됩니다.
7개 층은 한 사람의 평소 기준을 담습니다. 어려운 결정은 그 기준끼리 부딪히거나, 상황이 평소와 다른 행동을 요구할 때 생깁니다. 세로 차원은 7개 층 전체를 관통하며, 두 가지 방식으로 바로 이 순간을 다룹니다.
모순은 한 층 안에 있을 수도, 두 층에 걸쳐 있을 수도 있습니다. 그래서 따로 기록하고 관련된 요소마다 연결합니다. 모순을 남겨 두는 이유는 하나입니다. 평소 성향만 따르는 에이전트가 가장 틀리기 쉬운 곳이 바로 거기이기 때문입니다.
한 층 안의 두 요소가 충돌
솔직함과 화목을 둘 다 중시해, 직설적인 피드백과 분위기 지키기가 경쟁함 (둘 다 L2)
서로 다른 층의 요소가 충돌
건강이 첫 번째 우선순위라고 말하지만(L2), 일을 끝내려고 늘 잠을 줄임(L3)
본인이 받아들이지 않는 자기 모습
남의 평가에 무관심하다고 말하는 사람의 인정 욕구
본인도 아직 정하지 못한 질문
안정된 직장에 남을지, 창업할지
근거: Festinger 인지부조화, Jung 그림자, Hermans 대화적 자아, Erikson 정체성 위기, Higgins 자기불일치 이론
사람은 때로 자기 성향과 반대로 움직입니다. 마감이 내 책임이면 내키지 않는 일도 맡고, 조용히 있고 싶어도 나서서 말하고, 위급할 때는 내 계획보다 남의 안전을 먼저 챙깁니다. 이런 순간을 놓치는 페르소나는 가장 중요한 결정을 놓칩니다.
두 규칙의 조건이 동시에 맞으면 우선순위가 높은 규칙을 따릅니다. 우선순위가 같거나 없으면 에이전트는 고르지 않고 충돌을 보고합니다.
근거: Mischel & Shoda 인지-정서 성격 체계(일관성은 '이런 상황이면 이렇게 한다' 패턴에 있다), Fleeson 상태 분포로서의 특성, Little 자유 특성 이론(내향적인 사람도 중요한 일을 위해 외향적으로 행동한다)
에이전트는 먼저 평소 기준으로 판단한 뒤 두 가지를 확인합니다. 기록된 모순에 닿는가, 적용할 상황 규칙이 있는가. 규칙이 적용되면 규칙이 행동을 정하고, 에이전트는 평소와 다르게 행동하는 이유를 함께 밝힙니다.
형식을 보여 주기 위한 가상 인물입니다.
상황을 골라 보세요
이번에는 사양하겠습니다. 지금 맡은 일에 집중하겠습니다.
규칙 조건(고객 납품 위험)이 맞지 않아 평소 판단대로 거절합니다.
평소라면 사양하겠지만, 이 마감은 제 책임이라 이번에는 맡겠습니다.
규칙 조건이 맞아 규칙이 행동을 정합니다. 평소 선호에서 벗어난다는 점과 이유를 함께 말합니다.
↺ 정정은 문서를 고치고, 다음 요청부터 반영됩니다
어긋난 답은 정정이 되고, 정정은 곧바로 문서에 반영됩니다.
인터뷰, 본인이 쓴 글, 표준화 검사 결과, 과거 결정 기록을 7개 층과 세로 차원으로 나눕니다.
한 문서에 한 요소. 층·유형·출처 등급·신뢰도·연결을 붙여 기계가 읽을 수 있게 씁니다. 이전 버전과 바뀐 날짜·이유도 남깁니다.
요청에 맞는 문서만 꺼내 에이전트에 넣고, 본인이나 대리인이 결과를 검토합니다.
↺ 어긋난 부분 → 정정 → 문서 수정
모든 진술에 출처 등급을 붙입니다. 본인이 직접 고친 내용이 다른 모든 출처보다 앞섭니다.
달라지는 것은 각 페르소나가 이 구조를 얼마나 담느냐입니다.
한 사람의 7개 층과 세로 차원 전체
그 사람처럼 판단하는 것이 목적입니다. 의사결정 보조, 한 사람의 기록으로 씁니다.
과업에 필요한 것만
인생의 시기, 역할, 강점, 상황을 기준으로 고릅니다. 창업 첫해의 창업자와 10년 뒤의 같은 사람은 다르게 결정합니다. 어느 쪽을 재현할지 고를 수 있습니다.
여러 사람(또는 누구도 아닌)의 요소를 조합
역할에 맞춘 페르소나입니다. 맞지 않는 요소가 섞일 위험이 있어, 그 충돌을 모순으로 기록합니다. 조합이 얼마나 일관된지 점검할 수 있습니다.
반드시 포함목적에 맞게 선택
같은 사람과 같은 모델로 네 가지 조건을 만들고, 각 조건이 그 사람의 실제 결정과 얼마나 맞는지 채점합니다. 막대는 예상 순서만 보여 줍니다. 아직 보고된 결과는 없습니다.
C3에서 상황 규칙만 뺀 조건도 비교해, 규칙의 효과와 모순의 효과를 나눠 봅니다.
명시적 동의 없이 트윈을 만들지 않습니다. 합성 페르소나에 쓰는 실제 인물도 같습니다.
본인이 자기 문서를 읽고, 고치고, 지울 수 있습니다. 정정 우선 규칙이 이 통제권을 설계에 넣습니다.
L5 공개 범위는 권고가 아니라 강제로 지킵니다.
상대가 본인이 아니라 트윈과 이야기한다는 것을 알 수 있어야 합니다.
건강·재산·가족 정보는 별도 보호 수준을 둡니다.
에이전트 페르소나의 시험대는 누군가처럼 들리는가가 아닙니다. 그 사람이 골랐을 것을 고르는가입니다. 자기 성향을 거슬러 고른 순간까지 포함해서.
Personas for agentic AI must encode judgement, not tone · ddai, 2026 · 틀과 평가 절차를 제안하는 논문이며, 실험 결과는 아직 없습니다.
Harvard · Michigan State · University of Minnesota · Zidi Xiong, Yuping Lin, Wenya Xie 외 · ACL 2026
메모리 실험에서 에이전트 4종은 비슷한 과거 경험을 따라 해 실수도 되풀이했습니다. 정답과 맞는 경험만 남기자 EHRAgent 정확도는 모두 남길 때의 13.05에서 38.50이 됐습니다.
에이전트에게 기억은 기록보다 본보기에 가깝다. 무엇을 남길지 고르는 일이 곧 다음 판단을 고르는 일이다.
KAIST · Jisu Shin, Alice Oh 외 · Findings of ACL 2026
역할이 부딪치는 시나리오 13,914개를 만들고 상황의 긴급도를 기준 삼아 LLM 판단을 쟀습니다. 10개 모델은 이 기준에서 크게 벗어났고, 판단을 가른 것은 주로 특정 역할에 대한 선호였습니다.
AI의 판단에는 이미 역할의 서열이 있다. 상황이 요구하는 것을 이 서열이 덮을 수 있어서, 판단 기준 설계는 서열을 드러내는 데서 시작한다.
Stanford University · Joon Sung Park, Michael S. Bernstein 외 · 2026
미국인 1,052명 각자의 인터뷰·설문으로 에이전트를 만들었습니다. 처음 보는 GSS 문항에서 본인 2주 재응답 일관성 대비 인터뷰 83%, 설문 82%, 둘 다 86%, 인구통계만 74%였습니다.
한 사람을 닮은 AI에는 그가 속한 집단의 정보만이 아니라 그 자신의 답이 필요하다. 인구통계만 쓴 에이전트는 인종·이념 집단 간 정확도 격차가 더 컸다.
일에 넣은 전문성
