읽기 가이드
빠른 스캔: 각 단계의 핵심 특징과 표만 읽기 (10분)
심화 학습: 모든 세부 내용과 예시 (30분)
AI 활용 단계의 구분
AI는 이미 놀라운 능력을 갖추고 있다:
- 책 몇 권 분량의 컨텍스트를 한번에 처리
- 인간이 수십 분 걸리는 작업을 수초 만에 50% 이상 성공
- 필요에 따라 몇 시간, 며칠도 자율적으로 작업 가능
Computer가 "두뇌를 위한 자전거"였다면, AI는 "두뇌를 위한 자동차"다.
하지만 대부분의 사람들은 이 능력의 10%도 활용하지 못한다. AI 활용 수준은 다음 5가지 기준으로 구분할 수 있다:
| 기준 | 낮은 수준 | 높은 수준 |
|---|---|---|
| 컨텍스트 양 | 수동으로 제한된 정보 제공 | 자동으로 필요한 모든 정보 접근 |
| 결과물의 크기 | 단편적 답변 | 복합적 산출물 (문서, 분석, 계획) |
| 작업의 복잡성 | 단일 질문-응답 | 다단계 워크플로우 |
| 반복 작업의 자동화 | 매번 수동 실행 | 정기/트리거 기반 자동화 |
| 결과에 대한 컨트롤 | AI 출력 복붙 | AI가 직접 파일 생성/수정 |
AI 활용 단계 높이기
AI 활용 1단계: ChatGPT
대부분의 사람들에게 가장 익숙한 AI 활용 방식은 ChatGPT일 것이다. 하지만 ChatGPT는 가장 제한이 많은 활용 방식이기도 하다.
| 현재 방식 | 문제점 |
|---|---|
| 사람이 AI 도움 영역 판단 | 기회 놓침 |
| 제한된 Context + 수동 프롬프트 | 매번 반복 |
| 결과물 일부만 AI 생성 | 비효율 |
| 사람이 복붙하여 활용 | 수동 작업 |
먼저, 사람이 "이건 AI한테 시켜볼까?" 하고 판단하는 순간 이미 많은 기회를 놓친다. AI가 도울 수 있는 영역은 생각보다 훨씬 넓기 때문이다. 또한 매번 필요한 맥락을 직접 입력해야 하고, AI가 생성한 결과물을 일일이 복사해서 붙여넣어야 한다.
AI 활용 2단계: 컨텍스트 부여하기
1단계의 핵심 문제는 AI가 맥락 없이 일반적인 답변밖에 하지 못한다는 것이다. AI 활용도를 높이는 첫 번째 열쇠는 더 많은 컨텍스트를 부여하는 것이다.
| 도구 | 특성 | 한계 |
|---|---|---|
| ChatGPT Projects | 프로젝트별 문맥 제공 | 업로드 용량 제한, 수동 관리 |
| NotebookLM | 다수 문서 기반 질의응답 | 소스 타입 제한, 생성물 통제 어려움 |
ChatGPT Projects는 프로젝트별로 관련 파일을 업로드해 맥락을 제공할 수 있고, NotebookLM은 여러 문서를 연결해 질의응답할 수 있다. 하지만 가장 진보적인 NotebookLM도 근본적 한계가 있다. 결국 컨텍스트 양만 늘어날 뿐, "수동 업로드"와 "복붙"의 근본적 한계는 그대로다.
AI 활용 3단계: Human-AI 공유 워크스페이스
"AI가 작업에 따라 컨텍스트를 알아서 찾아서 결과물을 만들면 얼마나 좋을까?" 이를 가능하게 하는 것이 인간과 AI의 공유 워크스페이스다. 현재 이를 구현하는 가장 효과적인 방법은 Claude Code, Gemini CLI 같은 CLI 에이전트다:
| 특징 | 설명 |
|---|---|
| 파일시스템 접근 | AI가 사용자의 파일을 직접 읽고 쓸 수 있음 |
| 자동 컨텍스트 검색 | 작업에 필요한 파일을 AI가 알아서 찾음 |
| 결과물 직접 반영 | 복붙 없이 AI가 바로 파일 생성/수정 |
이로써 1~2단계의 핵심 문제들이 해결된다. AI가 작업에 맞는 파일을 스스로 찾아 활용하고, 매번 복붙하는 수고 없이 직접 파일에 저장한다. 물론 AI와 작업 공간을 공유하면 리스크도 따른다:
| 전략 | 설명 |
|---|---|
| 파일 분리 | 인간이 작성한 원본과 AI 생성물을 별도 폴더로 관리 |
| 버전 관리 | Git으로 모든 변경사항 추적, 언제든 복원 가능 |
| 접근 제한 | 중요 파일에 대한 AI 접근 권한 설정 |
AI 활용 4단계: Automated Workflows
공유 워크스페이스의 다음 진화는 자동화다. 매번 수동으로 실행하지 않고 AI가 알아서 정해진 작업을 수행하는 것이다.
| 유형 | 설명 | 예시 |
|---|---|---|
| Scheduled Workflow | 정해진 시간에 정기 실행 | 매일 아침 컨텐츠 정리 |
| Triggered Workflow | 이벤트 발생 시 자동 실행 | 새 파일 생성 시 분석 |
AI4PKM에서 활용하는 핵심 워크플로우들:
| 워크플로우 | 주기 | 역할 |
|---|---|---|
| DIR (Daily Ingestion & Roundup) | 매일 | 일일 컨텐츠 수집 및 정리 |
| CKU (Continuous Knowledge Upkeep) | 지속 | 지식 업데이트 및 연결 |
| WRP (Weekly Roundup & Planning) | 매주 | 주간 회고 및 계획 수립 |
AI 활용 5단계: Goal-driven Agents
자동화의 궁극적 진화는 목표 기반 에이전트다. 사용자가 고수준 목표만 설정하면 AI가 자율적으로 작업을 계획하고 실행한다.
| 요소 | 설명 |
|---|---|
| 목표 정의 | 사용자가 달성하고자 하는 최종 상태 명시 |
| 자율 실행 | AI가 필요한 리서치, 분석, 계획을 자동 수행 |
| 피드백 루프 | 중간 결과물 보고 → 사용자 피드백 → 목표 달성까지 반복 |
이를 위해서는 몇 가지 요소가 필요하다: 명확한 고수준 목표, 사용자의 지식 베이스와 선호도라는 개인 컨텍스트, AI가 활용할 수 있는 스킬과 도구, 그리고 피드백을 반영하여 점진적으로 개선하는 자율성과 학습 능력이 필요하다.
AI 활용의 안티패턴들
지금까지 AI의 활용 단계를 다양한 수준에서 알아보았다. 하지만 AI를 활용하는 과정에서 생산성을 오히려 해칠 수 있는 안티패턴들도 존재한다.
안티패턴 1: AI로 인한 인간의 역량 퇴화
문제:
- AI에 일 시켜놓고 딴짓하기
- AI 결과물 제대로 안보고 공유하기
해결책:
- 인간이 block되는 상황을 최소화
- 여러 작업을 동시에 진행할 수 있는 환경
안티패턴 2: AI로 인한 결과물의 평준화
문제:
- AI는 그럴듯한 답변을 내놓음
- 예전에는 그럴듯한 답변으로 중간은 갔지만, 이제 최하점
해결책:
- 결과물에 자신의 개성 담기
- 자신의 취향에 맞춰 엄격한 평가
안티패턴 3: 창의적 몰입(Flow)의 파괴
문제:
- AI와 작업하면 역할이 계속 바뀜: 프롬프트 엔지니어 → 편집자 → 품질 관리자 → AI 관리자
- 깊은 몰입 상태(Flow State) 달성이 어려워짐
해결책:
- AI 작업과 깊은 사고 작업을 분리하여 시간 블록 배정
다음 글에서
지금까지 AI 활용의 5가지 단계와 안티패턴들을 살펴봤다. 하지만 단계를 알았다고 해서 자동으로 시스템이 만들어지는 것은 아니다.
"그래서 실제로 어떤 시스템을 어떻게 만들어야 하는가?"
다음 글에서는 실제로 구현 가능한 AI4PKM 프레임워크의 설계 원칙과 핵심 구성요소를 상세히 다룬다.