🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

6 Things People Get Wrong Setting up An AI OS (+ Fixes)를 중심으로, AIOS나 second brain의 가치는 여러 대화와 AI 제공자 사이에서 개인·비즈니스 맥락을 지속적으로 유지해, 출력의 관련를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. AIOS나 second brain의 가치는 여러 대화와 AI 제공자 사이에서 개인·비즈니스 맥락을 지속적으로 유지해, 출력의 관련성과 구체성을 높이는 데 있다.
2. 가장 흔한 실수는 원자료를 무작정 쌓는 것이다. 효과의 대부분은 me.md, business.md, ICP, strategy, brand, team.md 같은 소수의 핵심 context 문서에서 나온다.
3. 업무 결정, 회의, 이메일, Slack, 시장·경쟁 정보처럼 계속 바뀌는 실시간 맥락을 갱신하지 않으면 AI 출력은 반복적이고 오래된 내용에 머문다.
4. 폴더 구조는 단순하고 고정되어야 한다. 개인용 기본 구조는 context, daily, intelligence, projects, resources로 시작하고, 팀이 있으면 team 폴더를 추가하는 방식이 제안된다.
5. Claude.md는 AI가 어떤 문서를 언제 읽고 어디에 저장할지 알려주는 지도 역할을 하므로, 라우팅 테이블·하위 폴더 규칙·정기 업데이트·감사가 함께 필요하다.

🧩 배경과 문제 정의

• 이 영상은 개인이나 비즈니스가 AIOS 또는 second brain을 구축할 때 자주 저지르는 실수를 짚고, AI가 더 구체적이고 관련성 높은 결과를 내도록 만드는 수정 방향을 설명한다.
• 제대로 구성된 second brain은 사용자와 비즈니스의 맥락을 여러 대화와 AI 제공자 사이에서 지속적으로 유지해, 매번 처음부터 설명하지 않아도 AI가 필요한 배경을 활용할 수 있게 한다.
• 반대로 잘못 구성된 시스템은 많은 토큰을 쓰면서도 일반적인 답변에 머물고, 실제 업무 흐름 안에서 자연스럽게 사용되지 않아 생산성 향상으로 이어지지 않는다.
• 핵심 문제는 자료를 많이 쌓는 것이 아니라, 자주 필요한 필수 맥락과 최신 업무 정보를 낮은 마찰로 불러오고 저장할 수 있는 구조를 만드는 데 있다.
• Obsidian 같은 로컬 폴더 기반 방식, Notion·Google Drive·OneDrive 같은 기존 소프트웨어 기반 방식 모두 second brain으로 활용할 수 있지만, 접근 효율성·정확도·오류 가능성·운영 복잡도에서 차이가 생긴다.
• 따라서 AIOS 구축의 목표는 화려한 지식 그래프나 방대한 원자료 축적이 아니라, AI가 필요한 문서를 정확히 찾고, 새 정보를 올바른 위치에 저장하며, 시간이 지나도 최신 맥락을 유지하도록 만드는 것이다.

🕒 시간순 섹션별 상세정리

1. AIOS가 강력해지는 조건과 Obsidian의 역할

• AIOS를 제대로 구성한 사람들은 실제 업무 방식이 바뀌지만, 잘못 구성한 사람들은 토큰을 많이 쓰면서도 결과물이 일반적이고 시스템 사용률도 낮아지는 문제를 겪는다 [00:09]
• second brain의 가치는 사용자와 비즈니스에 대한 지속적이고 최신인 맥락을 여러 채팅과 AI 제공자 사이에서 유지해, AI 결과물의 관련성을 높이는 데 있다 [00:46]
• Obsidian 같은 로컬 기반 second brain은 AI가 필요한 맥락을 읽고 저장하는 구조를 비교적 단순하게 만들 수 있어, AIOS 운영의 기반으로 드러난다 [01:01]

2. 로컬 폴더와 기존 소프트웨어 방식의 트레이드오프

• Notion, Google Drive, OneDrive 같은 기존 소프트웨어 안에 이미 업무 맥락이 있다면 그곳을 second brain처럼 활용할 수 있지만, 효율성과 안정성 측면의 비용이 생긴다 [02:23]
• 로컬 폴더 방식에서는 AI가 간단한 bash command로 맥락을 읽고 저장할 수 있어, 검색과 저장 과정이 더 단순하고 빠르게 작동한다 [02:44]
• 기존 소프트웨어 방식은 익숙한 도구를 그대로 쓸 수 있다는 장점이 있지만, AI가 매번 정확히 접근하고 업데이트하는 관점에서는 로컬 파일 구조보다 운영 복잡도가 커질 수 있다 [02:59]

3. 첫 번째 실수: 필수 맥락 없이 원자료만 쌓는 구조

• 수백 건의 AIOS 지원 통화에서 가장 흔한 문제는 더 나은 AI 출력을 만들 핵심 맥락이 없거나, 중요한 맥락 파일이 제대로 구성되지 않은 상태였다는 점이다 [03:52]
• 원자료를 필터 없이 폴더에 쏟아 넣으면 그래프 뷰는 복잡하고 인상적으로 보일 수 있지만, AIOS가 효율적으로 작동하는 데 필요한 구조와 신호는 약해진다 [04:20]
• 이 실수의 핵심은 “많이 저장하면 똑똑해질 것”이라는 기대와 달리, AI가 반복적으로 참고해야 하는 기본 문맥이 정리되어 있지 않으면 출력 품질이 크게 개선되지 않는다는 데 있다 [04:35]

4. 필수 문서 5~6개와 초기 구축 방식

• me.md는 개인의 배경, 정체성, 이야기, 업무, 선호를 담아 AI가 사용자에 대한 기본 맥락을 즉시 갖게 만드는 핵심 문서로 드러난다 [05:33]
• business.md, ICP 문서, strategy 문서, brand.md는 제품·서비스·고객·목표·브랜드 톤을 정리해 비즈니스 관련 작업의 정렬도를 높인다 [05:44]
• 초기 AIOS 구축에서는 수많은 원자료를 먼저 넣기보다, AI가 매번 알아야 하는 개인·비즈니스·고객·전략·브랜드 맥락을 소수의 필수 문서로 명확히 만드는 것이 우선이다 [05:59]

5. 두 번째 실수: 실시간 업무 맥락을 갱신하지 않는 구조

• 업무 결정과 외부 환경은 계속 바뀌는데 second brain이 이를 반영하지 못하면, AI 출력은 반복적이고 오래된 내용에 머물러 실무 가치가 떨어진다 [07:22]
• 실시간 맥락은 크게 내부 소프트웨어 데이터와 인터넷 기반 외부 데이터로 나뉘며, 회의록·이메일·Slack·커뮤니티·AI 뉴스·경쟁사 움직임·X 트렌드 등이 포함될 수 있다 [08:02]
• 이 문제는 한 번 잘 정리한 second brain도 시간이 지나면 낡을 수 있다는 점을 강조하며, AIOS에는 초기 구축뿐 아니라 지속적인 업데이트 흐름이 필요하다는 주장으로 계속된다 [08:17]

6. 자동 갱신과 팀별 데이터 범위, 세 번째 실수의 시작

• 가장 단순한 갱신 방식은 Claude desktop의 scheduled task를 만들어 최신 영상, transcript, 최근 회의, 기타 관련 업데이트를 second brain 폴더에 주기적으로 반영하는 것이다 [09:30]
• scheduled task는 매일 또는 몇 시간마다 실행될 수 있으며, 사용 사례와 현재 connector 상태에 따라 어떤 데이터를 가져올지 개인화되어야 한다 [09:51]
• 자동 갱신의 목적은 사용자가 매번 수동으로 최신 맥락을 정리하지 않아도, AI가 현재 업무 상황과 외부 변화에 가까운 정보를 참고하도록 만드는 데 있다 [10:06]

7. 고정된 폴더 구조와 80/20 기본 설계

• 폴더 구조가 계속 바뀌면 Claude가 데이터를 가져오고 저장할 위치를 일관되게 알기 어렵고, 새 하위 폴더가 생길 때마다 라우팅 규칙도 계속 수정해야 한다 [12:00]
• 혼자 쓰는 AI OS의 핵심 구조는 context, daily, intelligence, projects, resources 폴더로 시작할 수 있고, 이 단순한 구조가 대부분의 전문가와 비즈니스 운영 사례를 감당한다 [12:34]
• 이 구간의 핵심은 완벽하고 복잡한 분류 체계를 만드는 것이 아니라, AI가 안정적으로 이해하고 반복해서 사용할 수 있는 고정된 80/20 구조를 먼저 갖추는 것이다 [12:49]

8. 팀 구조와 폴더 확장의 기준

• resources 폴더에는 템플릿, 프레임워크, SOP, 자주 재사용하는 프롬프트나 과거 콘텐츠가 들어가며, 반복 작업에서 참조 가능한 자산 역할을 한다 [14:40]
• 팀이 있는 경우 team 폴더가 추가되고, 각 팀원별 프로필·작업·지식·노트가 분리되어 개인별 업무 맥락과 업데이트를 추적할 수 있다 [15:00]
• 폴더 확장은 무작정 세분화하는 방식이 아니라, 실제 업무 주체와 반복적으로 참조되는 정보 범위가 늘어날 때 필요한 만큼만 추가하는 방식으로 드러난다 [15:15]

9. Claude.md 최적화와 라우팅 테이블

• Claude.md를 최적화하지 않으면 토큰 비용이 커지고, 라우팅 문제가 생기며, 응답이 느려지고, Claude가 필요한 문서를 제대로 가져오지 못한다 [16:05]
• Claude.md는 Claude가 매번 읽는 핵심 파일이며, AI agent가 어떤 데이터를 언제 가져오고 어디에 저장할지 알려주는 지도 역할을 한다 [16:16]
• 이 파일은 second brain 전체를 매번 통째로 읽게 만드는 대신, 필요한 정보에 효율적으로 접근하도록 안내하는 라우팅 테이블이자 운영 규칙으로 기능한다 [16:31]

10. Claude.md의 개인화와 정기 업데이트

• Claude.md는 일반 모범 사례만으로 끝나지 않고, 반복 지시, 누락되는 문서, 자주 필요한 쿼리 같은 실제 사용 패턴에 맞춰 계속 개인화해야 한다 [18:14]
• 같은 지시를 반복하거나 Claude가 특정 컨텍스트 문서를 계속 놓치는 경우, 그 수정 사항을 바로 Claude.md에 반영하는 습관이 필요하다 [18:22]
• 즉 Claude.md는 한 번 작성하고 방치하는 설정 파일이 아니라, 사용 과정에서 발견되는 반복 문제를 흡수해 AIOS의 정확도와 속도를 개선하는 유지보수 대상이다 [18:37]

11. 컨텍스트 폴더 감사와 second brain 유지보수

• 사용량이 늘수록 중복 파일, 충돌하는 정보, 오래된 컨텍스트, 잘못된 폴더에 들어간 파일이 생기며, Claude.md가 잘 세팅되어 있어도 폴더 구조 자체가 흐트러질 수 있다 [19:09]
• 정기 감사는 Claude.md뿐 아니라 전체 second brain 인프라를 대상으로 해야 하며, 중복 탐지, 실제 폴더 구조와 라우팅 테이블 비교, 빈 파일 삭제, 충돌 정보 해결, 깨진 위키 링크 확인이 포함된다 [19:39]
• 이 유지보수 과정은 AIOS가 시간이 지나도 신뢰할 수 있는 맥락 저장소로 남도록 만들기 위한 필수 운영 작업으로 드러난다 [19:54]

12. 꾸준한 사용과 컨텍스트 축적의 복리 효과

• AI OS는 많이 쓸수록 강해지고, 쓰지 않으면 컨텍스트가 오래되고 사용 역량도 늘지 않으며 최적화도 멈춰 실질적 이득이 사라진다 [20:59]
• AI OS 활용에는 축적된 컨텍스트와 AI를 더 잘 다루는 사용자의 숙련도가 함께 작용하고, 두 요소가 결합될 때 개인과 비즈니스의 생산성이 바뀐다 [21:18]
• 마무리 논지는 AIOS의 성과가 단일 도구나 초기 설정에서 끝나는 것이 아니라, 꾸준한 사용·맥락 축적·정기적 개선이 결합될 때 복리처럼 커진다는 데 있다 [21:33]

13. 작업 기본값으로 AI를 쓰며 숙련도와 맥락을 함께 키우기

• 일관되게 쓰지 않으면 AI 사용 능력과 축적된 컨텍스트가 함께 자라지 않으므로, Claude나 주 작업 공간을 대부분의 일의 기본값으로 삼는 마음가짐이 필요하다고 말한다 [21:37]
• 처음에는 AI 에이전트와 함께 일하는 방식이 더 느리고 비효율적으로 느껴질 수 있지만, 반복할수록 사용자는 AI와 일하는 법을 배우고 Claude는 해당 업무를 수행하는 맥락을 쌓게 된다 [21:47]
• 사용자의 AI 활용 숙련도와 누적된 컨텍스트가 결합되면, 몇 달 뒤에는 AI 도구가 단순히 도입만 한 사람보다 훨씬 강력한 비즈니스 도구가 된다고 정리한다 [22:03]

14. 새 모델보다 중요한 고유 맥락과 단순한 시작

• 새로운 모델이나 기능이 나오더라도 사용자의 고유한 컨텍스트는 대체되지 않으며, 컨텍스트 윈도우도 가까운 시기에 크게 늘어나지는 않을 것이라고 본다 [22:12]
• 좋은 컨텍스트를 가진 오래된 모델이 컨텍스트 없는 최신 모델보다 더 효율적일 수 있고, 결국 AI를 강력하게 만드는 핵심은 컨텍스트라고 강조한다 [22:29]
• 가능한 빨리 AI를 꾸준히 쓰며 컨텍스트를 만들고, 관찰자 관점에서 자신의 AI 활용 능력과 second brain 자체를 계속 개선하라고 권한다 [22:40]
• 전체 실수들의 공통 패턴은 AIOS를 시작하고 운영할 때 “less is more”라는 점이며, 단순하게 시작하고 노력과 일관성을 유지하면 좋은 결과로 이어진다고 마무리한다 [23:13]

🧾 결론

• 좋은 AI OS는 “더 많은 파일”이 아니라 “더 자주 쓰이는 맥락”을 중심으로 설계되어야 한다.
• 초기 구축에서는 수천 개의 비정형 자료보다 5~6개의 핵심 문서를 잘 만드는 편이 더 높은 효용을 낸다.
• 로컬 폴더와 Obsidian 조합은 AI가 텍스트·마크다운 파일을 직접 읽고 저장하기 쉬워, 검색·저장·운영 마찰을 줄이는 기본값으로 제시된다.
• second brain은 한 번 세팅하고 끝나는 시스템이 아니라, 실시간 데이터 반영, Claude.md 개선, 중복·충돌·오래된 파일 감사가 계속 필요한 운영 인프라다.
• AI OS는 많이 쓸수록 컨텍스트와 사용자의 숙련도가 함께 축적되며, 이 복리 효과가 장기적인 생산성 차이를 만든다.

📈 투자·시사 포인트

• AI 도구의 성능 차이만큼이나 기업 내부의 맥락 관리 역량이 중요해질 수 있다. 같은 모델을 쓰더라도 context 문서, 업무 기록, 라우팅 구조를 잘 갖춘 팀이 더 높은 결과 품질을 얻을 가능성이 있다.
• 개인 생산성 도구 시장에서는 단순 메모 앱보다 AI가 읽고 쓰기 쉬운 파일 구조, 자동 갱신, 감사 기능, 라우팅 규칙을 제공하는 second brain 운영 도구의 수요가 커질 수 있다.
• 팀 단위 AI 활용에서는 공통 business context와 개인별 team context를 분리·동기화하는 구조가 중요하다. 이는 AI agent 도입의 병목이 모델 접근권보다 조직 지식 정리에 있을 수 있음을 시사한다.
• 비용 측면에서는 불필요한 connector 호출, 긴 Claude.md, 잘못된 파일 검색이 토큰 사용량과 실행 시간을 늘릴 수 있으므로, AI 운영비 최적화의 핵심은 맥락 구조화와 라우팅 정확도에 있다.
• 검증 필요: Claude desktop scheduled task, connector, MCP, OS setup skill, OS optimizer 같은 구체 기능은 실제 사용 환경·권한·제품 상태에 따라 가능 범위가 달라질 수 있으므로 도입 전 별도 확인이 필요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상에서 말한 “수백 건의 AIOS 지원 통화”와 “20%의 파일이 약 80%의 효용을 만든다”는 설명은 발표자의 경험 기반 주장으로 보이며, 입력된 transcript만으로는 별도 데이터나 검증 근거를 확인할 수 없다.
• Claude Desktop의 scheduled task, connector, MCP를 활용한 자동 갱신 방식이 언급되지만, 실제로 어떤 환경·플랜·권한에서 안정적으로 가능한지는 제공된 내용만으로 확정할 수 없다.
• OS setup skill, OS optimizer, 감사 대시보드 같은 도구가 소개되지만, 구체적인 접근 링크, 설치 방식, 기능 범위, 비용 여부는 section-detail에 충분히 포함되어 있지 않다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 개인용 AI OS를 시작한다면 먼저 me.md, business.md, ICP, strategy, brand.md처럼 자주 쓰일 핵심 컨텍스트 문서 5~6개를 우선 작성한다.
• 기존 자료를 무작정 가져오기 전에, 반복 업무에서 실제로 자주 참조할 문서와 원자료를 분리하고 핵심 문서의 품질을 높인다.
• 폴더 구조는 context, daily, intelligence, projects, resources처럼 단순한 기본 구조로 시작하고, 실제 사용량이 생긴 뒤 필요한 하위 폴더만 추가한다.
• Claude.md 또는 유사한 agent 지침 파일에 “어떤 정보를 어디서 읽고 어디에 저장할지”를 라우팅 테이블 형태로 정리한다.

❓ 열린 질문

• 개인이나 팀이 이미 Notion, Google Drive, Slack, CRM 등에 업무 맥락을 많이 쌓아둔 경우, 로컬 폴더로 옮기는 비용과 기존 시스템을 connector로 연결하는 비용 중 어느 쪽이 더 큰가?
• Claude.md를 300줄 이하로 유지하라는 권장 기준은 어떤 규모의 second brain까지 충분히 작동하며, 더 큰 팀 환경에서는 어떻게 분산 관리하는 것이 적절한가?
• 실시간 맥락을 자동으로 수집할 때, 어떤 정보까지 AI OS에 저장하고 어떤 정보는 개인정보·보안·노이즈 문제 때문에 제외해야 하는가?