50/ 50
＋ 선별부터 문단까지 간결하고 정확하게 완수했다.
－ MSA 항목은 연결이 약해 선별 가치가 낮다.
회사 조사 내용을 지원동기로 바꾸는 프롬프트
내가 찾아본 회사 정보를 나열이 아니라 지원 이유로 연결합니다. 조사한 사실과 내 경험이 만나는 지점만 골라 씁니다.
| 분류 | 취업 › 자기소개서 |
|---|---|
| 태그 | 분석초안작성취준생 |
Turn my company research into a motivation paragraph. Steps: 1. Go through my research and keep only items that touch my experience or the target role. Discard the rest — do not try to use everything. 2. For each kept item, write one line: the fact, and the specific thing in my background it connects to. 3. Pick the single strongest connection and draft a motivation paragraph around it. 4. The paragraph structure is: what I noticed about the company → why that connects to what I have done → what I would work on there. Rules: - *Do not add facts about the company that I did not give you.* If you are unsure whether something is current, leave it out. - No praise of the company as such. A fact plus a connection is the whole point. - If nothing in my research connects to my experience, say that plainly instead of forcing a paragraph. ⚠️ ***Use only what I gave you. Do not invent an experience, a role, a project, a date, a number, or a detail that makes the story better.*** **Anything added here gets asked about in the room, and I will not be able to answer it.** Where the material is too thin, **say what is missing and ask.**
붙여 넣으면 맨 아래에 채울 칸(조사한 회사 정보 · 내 경험 · 지원 직무)이 나옵니다
어떤 프롬프트인가
회사 조사를 그대로 옮기면 회사 소개서가 된다. 이 프롬프트는 조사 내용 중 내 경험과 접점이 있는 것만 남기고 나머지는 버린다. 접점이 하나도 없으면 그 사실을 말해준다 — 그건 지원 여부를 다시 볼 신호다.
모델 비교
ChatGPT가 가장 정확하고 간결하다. Gemini도 구체적이지만 과도하게 길며, [C]는 답이 없어 평가가 불가능하다.
43/ 50
＋ IoT 경험과 회사 사실을 구체적으로 연결했다.
－ 불필요한 설명과 후속 질문으로 다소 길어졌다.
| 기준 | ChatGPT | Gemini | 앞선 모델 |
|---|---|---|---|
| 지시 준수 | 10 | 9 | ChatGPT +11% |
| 정확성 | 10 | 9 | ChatGPT +11% |
| 구체성 | 10 | 10 | 동점 |
| 구성·가독성 | 10 | 9 | ChatGPT +11% |
| 분량 적정성 | 10 | 6 | ChatGPT +67% |
gpt-5.6-sol가 모델 이름을 가린 채 1~10점으로 채점했습니다 (2026-09-25). 측정값이 아니라 AI 심사 결과입니다.
답 전문 보기
같은 입력을 세 모델에 넣어 받은 답을 그대로 옮겼습니다. 각 CLI(에이전트 하네스)에서 실행했습니다. ChatGPT·Claude 앱이나 웹에서는 답이 다를 수 있습니다.
조사한 회사 정보: - 모빌리티 스타트업 '무브(Moov)', 2024년 시리즈A 80억 투자 유치, 전국 5개 도시로 전기자전거 공유 서비스 확장 중 - 최근 기술블로그에 '배터리 잔량 예측 모델 도입기' 게시(시계열 데이터 + ML 활용) - 자체 IoT 디바이스로 차량 상태를 실시간 모니터링, 채용공고에 모놀리식에서 MSA로 전환 중이라고 명시 - 격주로 '코드리뷰 데모데이'를 진행한다고 조직문화 블로그에 소개됨 - 최근 이용자 사고 관련 언론 보도가 있었고, 보험 정책 개편 공지를 올림 내 경험: - 캡스톤 프로젝트로 IoT 센서 데이터를 수집해 이상 감지하는 시스템 제작(Raspberry Pi + MQTT + Python) - 학부 수업에서 시계열 데이터로 간단한 배터리 잔량 예측 모델(선형회귀) 구현해본 경험 - MSA는 개념 공부만 했고 실무 적용 경험은 없음 지원 직무: 백엔드 개발자
연결되는 항목
- 무브는 자체 IoT 디바이스로 차량 상태를 실시간 모니터링하고 있다 → 캡스톤 프로젝트에서 Raspberry Pi와 MQTT, Python으로 IoT 센서 데이터를 수집하고 이상 감지 시스템을 제작했다.
- 무브는 배터리 잔량 예측 모델을 도입했다 → 학부 수업에서 시계열 데이터 기반 배터리 잔량 예측 모델을 선형회귀로 구현했다.
- 무브는 모놀리식에서 MSA로 전환 중이다 → MSA 개념을 공부했지만 실무 적용 경험은 없다.
가장 강한 연결
IoT 디바이스를 활용한 차량 상태 모니터링과, 직접 IoT 센서 데이터 수집·이상 감지 시스템을 만든 경험의 연결이 가장 강합니다.
동기 문단
무브가 자체 IoT 디바이스로 차량 상태를 실시간 모니터링하고 있다는 점을 확인했습니다. 이는 캡스톤 프로젝트에서 Raspberry Pi와 MQTT, Python을 활용해 IoT 센서 데이터를 수집하고 이상 감지 시스템을 제작한 경험과 연결됩니다. 백엔드 개발자로서 차량 상태 데이터가 안정적으로 수집·처리되고 이상 상황을 감지할 수 있도록 하는 백엔드 업무를 맡아보고 싶습니다.
현재 자료만으로는 무브 백엔드 개발자의 구체적인 담당 업무나 사용 기술까지는 확인할 수 없으므로, 해당 정보가 있다면 문단을 더 정확하게 다듬을 수 있습니다.
같은 분류의 프롬프트
| LinkedIn 추천 채용 자동 지원 프롬프트 | |
| 커버레터 작성 프롬프트 | |
| 성장과정 문항을 자랑 없이 쓰는 프롬프트 | |
| 상투어만 남은 문장을 찾아내는 프롬프트 | |
| 직무역량 문항에 내 경험 매칭하는 프롬프트 |