AI 활용의 단계

이전 글에서 지식 관리의 중요성과 정보-지식의 분류 체계 살펴봤다. 이번에는 AI를 활용하는 다양한 단계에 대해 생각해보자.

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:

아래 다이어그램은 각 AI 활용 단계가 5가지 기준에서 어떤 수준인지 한눈에 보여준다:

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. 왜 그럴까?

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. 결국 AI의 놀라운 역량 중 극히 일부만 활용하게 된다. 이 한계를 극복하려면 먼저 AI에게 더 많은 컨텍스트를 제공해야 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.

ChatGPT Projects는 프로젝트별로 관련 파일을 업로드해 맥락을 제공할 수 있고, NotebookLM은 여러 문서를 연결해 질의응답할 수 있다. 하지만 가장 진보적인 NotebookLM도 근본적 한계가 있다. PDF나 문서 등 특정 포맷만 지원하고, 이미 추가된 소스의 업데이트가 어렵다. AI가 만든 결과물을 원하는 형태로 저장하기도 어렵고, 질문-응답만 가능할 뿐 자동화나 워크플로우 연결은 불가능하다.

결국 컨텍스트 양만 늘어날 뿐, "수동 업로드"와 "복붙"의 근본적 한계는 그대로다. 이를 해결하려면 완전히 다른 접근이 필요하다.

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. 이 단계에서 컨텍스트, 결과물, 복잡성, 컨트롤 4가지 기준이 크게 도약한다. 현재 이를 구현하는 가장 효과적인 방법은 Claude Code, Gemini CLI 같은 CLI 에이전트다:

이로써 1~2단계의 핵심 문제들이 해결된다. AI가 작업에 맞는 파일을 스스로 찾아 활용하고, 매번 복붙하는 수고 없이 직접 파일에 저장한다. 워크스페이스에 재사용 가능한 프롬프트를 모아두면 반복 작업도 간소화된다. 물론 AI와 작업 공간을 공유하면 리스크도 따른다. AI가 파일을 잘못 수정하거나 삭제할 수 있기 때문이다:

AI 활용 4단계: Automated Workflows

공유 워크스페이스가 구축되면 자연스럽게 다음 질문이 떠오른다: 매번 수동으로 실행해야 할까? 공유 워크스페이스의 다음 진화는 자동화다. 매번 수동으로 실행하지 않고 AI가 알아서 정해진 작업을 수행하는 것이다. 워크플로우는 크게 두 가지 유형이 있다:

Scheduled Workflow는 매일, 매주처럼 정해진 주기에 실행된다. Triggered Workflow는 특정 이벤트(새 파일 생성, 특정 폴더 변경 등)가 발생하면 자동으로 실행된다. AI4PKM에서 활용하는 핵심 워크플로우들을 보자:

DIR은 매일 새로 수집된 컨텐츠를 정리하고, CKU는 지속적으로 지식 간 연결을 업데이트하며, WRP는 매주 회고와 계획을 자동 생성한다. 이런 자동화가 가져오는 가치는 일관성과 시간 절약이다. 하지만 여전히 "정해진 작업"만 수행한다. 목표만 주면 AI가 알아서 계획하고 실행하면 어떨까?

AI 활용 5단계: Goal-driven Agents

자동화의 궁극적 진화는 목표 기반 에이전트다. 사용자가 고수준 목표만 설정하면 AI가 자율적으로 작업을 계획하고 실행한다. 이 과정에서 사용자의 의견이나 도움이 필요하면 이를 알아서 요청하기도 한다. 이것이 현재 AI4PKM 개발의 최종 목표중 하나이기도 하다.

이를 위해서는 몇 가지 요소가 필요하다. 먼저 "Q4 마케팅 전략 수립" 같은 명확한 고수준 목표가 있어야 한다. 그리고 사용자의 지식 베이스와 선호도라는 개인 컨텍스트, AI가 활용할 수 있는 프롬프트와 워크플로우 같은 스킬과 도구, 마지막으로 피드백을 반영하여 점진적으로 개선하는 자율성과 학습 능력이 필요하다.

Goal-driven Agent의 궁극적 형태는 자기 개선 시스템이다. 모든 상호작용에서 학습하고, 프롬프트와 워크플로우를 자동으로 개선하며, 사용자 선호도에 지속적으로 적응한다. 이 단계가 되면 사용자의 입력이 최소화된 상태에서 목표 달성이 가능해지며, AI가 단순 실행자에서 목표 달성 파트너로 진화한다.

AI 활용의 안티패턴들

지금까지 AI의 활용 단계를 다양한 수준에서 알아보았다. 하지만 AI를 활용하는 과정에서 생산성을 오히려 해칠 수 있는 안티패턴들도 존재한다. 이를 인식하고 피하는 것이 중요하다.

AI로 인한 인간의 역량 퇴화

PKM에 AI를 도입하면 많은 것이 자동화된다. AI가 요약하고, 정리하고, 글까지 써준다. 하지만 바로 이 편리함이 함정이 될 수 있다.

"도구에 의존하면 그 도구 없이는 아무것도 할 수 없게 된다."

해결책: 의도적 비효율 만들기

AI 시대에 역설적으로 필요한 것은 의도적인 비효율이다:

물론 인간 고유의 영역은 여전히 남아 있다. AI가 동작하는 시스템을 디자인하고(프롬프트/스킬/워크플로), AI 결과물에 적절한 피드백을 주는 것은 인간만이 할 수 있다. 중요한 것은 AI에게 맡길 것과 직접 할 것을 의식적으로 구분하는 것이다. AI4PKM에서도 AI 작업 결과물에 대한 인간의 평가 및 검토를 프로세스의 필수 요소로 포함하고 있다.

결과물의 (하향) 평준화

예전에는 글의 품질을 판별하기 쉬웠다. 문법 오류, 구성의 허점 등으로 글쓴이의 역량이 드러났고, 글 쓰는 능력 자체가 지성의 척도로 평가되었다. 작문 시험을 평가하는 사람은 우선 맞춤법 등을 보고 글쓴이의 자질을 가늠하곤 했다. 신언서판(身言書判)이라는 말이 괜히 나온 게 아니다.

하지만 AI 시대에는 상황이 달라졌다. 문제는 AI가 "그럴듯하지만 틀린" 답변을 자주 내놓는다는 것이다. 이를 검증 없이 사용하면 낭패를 본다. 또한 모두가 AI를 쓰면 결과물이 비슷해지는 하향 평준화가 일어난다.

해결책: 개성으로 차별화하기

여기서 PKM이 빛을 발한다. PKM은 개성의 보물창고다. AI가 나의 지식 베이스를 많이 알수록 결과물에 나의 개성이 담긴다. 더 나아가 자신의 스타일을 담은 템플릿과 프롬프트를 축적하면, AI 결과물조차 나만의 색깔을 갖게 된다. AI4PKM은 바로 이런 개성을 담을 수 있는 틀을 제공한다.

창의적 몰입(Flow)의 파괴

예전에는 하나의 작업에 깊이 집중하며 몰입할 수 있었다. 소프트웨어 개발 같은 분야는 "장인의 영역"으로 여겨졌고, 그 과정에서 결과물을 완전히 통제할 수 있었다. 하지만 AI와 협업하면 이 몰입이 깨지기 쉽다.

이 세 가지가 복합적으로 작용하면서 깊은 몰입 상태(Flow State) 달성이 어려워진다. 결국 생산성 도구가 오히려 생산성을 해치는 역설이 발생한다.

해결책: 시간과 작업의 분리

핵심은 인간이 AI를 기다리며 블록되는 상황을 최소화하는 것이다. 다만 여러 작업을 동시에 진행할 때는 컨텍스트 스위칭 비용도 고려해야 한다. AI4PKM의 자동화 워크플로우는 이 문제를 해결하는 한 가지 방법이다. AI가 백그라운드에서 작업을 수행하고, 인간은 결과물만 검토하면 된다.

안티패턴 요약과 AI4PKM의 접근

AI4PKM은 이 세 가지 안티패턴에 대해 구조적인 해결책을 제공한다:

1. 역량 퇴화 방지: AI 결과물에 대한 인간의 검토 단계를 워크플로우에 필수로 포함시킨다. AI가 초안을 만들더라도 최종 판단은 항상 인간의 몫이다.

2. 하향 평준화 극복: PKM에 축적된 방대한 개인 컨텍스트와 자신만의 템플릿을 활용해 AI 결과물에 개성을 담을 수 있다. 같은 AI를 써도 나만의 지식 베이스가 차별화를 만든다.

3. 몰입 파괴 해소: AI에게 긴 작업을 한 번에 위임하고, 인간은 결과를 기다리며 복붙하는 대신 다른 생산적인 일을 할 수 있다. 비동기 워크플로우가 이를 가능하게 한다.

결국 AI 활용의 핵심은 균형이다. AI의 강력한 능력을 활용하면서도, 인간 고유의 역량을 보존하고 발전시켜야 한다. 이 균형점을 찾는 것이 AI4PKM의 중요한 목표 중 하나다.

Appendix

References

AI 활용 단계 관련

1. OpenAI AgentKit (2025) - Agent 프레임워크의 진화와 실제 비즈니스 적용 사례

   • Ramp: 70% iteration cycle 감소
   • Canva: 2주 개발 시간 절감
   • Introducing AgentKit

2. Peter Steinberger - Just Talk To It (2025) - Agentic Engineering의 실전 가이드

   • "RAG/subagents/Agents 2.0"의 한계와 진정한 Agent 역량
   • Just Talk To It

3. Agentic AI Trends 2025 - 산업 전망

   • 82% 조직이 2026년까지 AI Agent 통합 계획 (Capgemini)
   • Gartner, McKinsey 모두 2025년 핵심 트렌드로 선정
   • Collabnix Guide

안티패턴 및 인간-AI 협업

4. 생산적 마찰 이론 (Willem Van Lancker) - AI 시대의 의도적 비효율

   • "의도적으로 난이도를 보존하는 것"의 중요성

5. PKM 세대별 진화 - 1세대(노트) → 2세대(링크) → 3세대(AI)

   • AI 자동화가 고차원 사고에 집중하게 하는 원리
   • The Future of PKM - Medium