PM 워크플로를 위한 LLM prompt library 만들기(Build an LLM prompt library for PM workflows)

개인의 실험보다 공유 프롬프트가 더 강하다

PM 워크플로에 AI를 쓰는 팀은 대개 제각각의 프롬프트가 흩어진 상태가 됩니다. 각 PM이 비슷한 시작점에서 다시 만들고, 비슷한 시행착오를 반복합니다. Anthropic의 prompt engineering 관련 글과 Reforge의 AI 도입 연구는 모두 공유 prompt library의 복리 효과를 보여 줍니다. 한 PM이 프롬프트를 개선하면 팀 전체가 이득을 보고, 품질은 개인 단위가 아니라 팀 단위 지표가 됩니다.

이 프롬프트의 작동 방식

이 프롬프트는 versioning, quality example, governance ritual을 포함한 prompt library를 구조화합니다. 마지막의 "library에 넣지 않을 workflow"는 규율입니다. 어떤 PM 업무는 공유 프롬프트보다 개별 판단이 더 적합합니다. 그런 일을 억지로 library화하면 오히려 결과가 나빠집니다.

언제 사용할까

• 여러 PM이 AI를 제각각 쓰고 있고 결과가 분산될 때
• 새 PM 팀이 커지며 공용 인프라가 필요할 때
• 리더십이 PM 팀이 실제로 AI를 어떻게 쓰는지 묻고 있을 때
• 신규 입사자마다 같은 workflow를 다시 발명하고 있을 때
• 어떤 prompt 개선이 발견됐고 이를 팀에 배포해야 할 때

흔한 함정

• Versioning이 없는 것. 프롬프트는 바뀝니다. 버전 추적이 없으면 회귀를 디버깅할 수 없습니다.
• Quality example이 없는 것. 좋은 출력과 나쁜 출력을 예시로 보여주지 않으면 사용자는 품질 기준을 잡을 수 없습니다.
• 과도한 library화. 전략적 우선순위 결정처럼 판단 비중이 높은 업무는 공유 프롬프트의 효과가 낮습니다.

참고 자료

• Anthropic Research — Anthropic
• AI Adoption in Product Orgs — Reforge
• The Product Engineer Role — PostHog
• PostHog Blog — PostHog