Theory of AI4PKM (2) - Using AI for PKM

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:

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

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?

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. 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.

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. 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:

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. 워크스페이스에 재사용 가능한 프롬프트를 모아두면 반복 작업도 간소화된다. 물론 AI와 작업 공간을 공유하면 리스크도 따른다. AI가 파일을 잘못 수정하거나 삭제할 수 있기 때문이다:

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

공유 워크스페이스가 구축되면 자연스럽게 다음 질문이 떠오른다: 매번 수동으로 실행해야 할까?

AI 활용 4단계: Automated Workflows

공유 워크스페이스의 다음 진화는 자동화다. 매번 수동으로 실행하지 않고 AI가 알아서 정해진 작업을 수행하는 것이다. 워크플로우는 크게 두 가지 유형이 있다:

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

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:

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

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. 이것이 현재 AI4PKM 개발의 최종 목표이기도 하다.

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. 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 단계에서 모든 기준이 최고 수준에 도달하며, AI가 단순 실행자에서 목표 달성 파트너로 진화한다.