인공지능은 이렇게 써야합니다

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

인공지능은 이렇게 써야 합니다: 범용 모델에 자신의 맥락·기억·업무 절차를 연결하고, 그 결과물을 직접 소유하는 실행 인프라로 만들어야 한다.

📌 핵심 요점

1. 모델보다 맥락이 성과를 가릅니다. 같은 AI 모델을 사용해도 개인의 과거 결정, 대화, 프로젝트 자료를 필요한 순간에 정확히 공급하는 체계에 따라 결과가 크게 달라집니다.
2. 기억은 축적보다 선별이 중요합니다. 모든 자료를 한꺼번에 넣기보다 출처를 기록하고, 충돌하거나 오래된 정보를 구분하며, 현재 작업에 필요한 맥락만 선택하는 ‘사서’ 역할이 필요하다.
3. 반복 업무는 구체적인 스킬로 전환해야 합니다. 회의록 정리, 지출 보고서, 경쟁사 조사처럼 반복되는 일을 자연어 절차로 작성하고 예약 실행하면, 일회성 경험이 재사용 가능한 실행 자산으로 바뀝니다.
4. 판단과 계산을 분리해야 안정적입니다. 의도·취향·모호한 요구는 언어 모델에 맡기되, 산술·SQL·대규모 일정처럼 정확성과 상태 관리가 필요한 작업은 코드와 데이터베이스로 처리해야 한다.
5. 기억과 스킬의 소유권을 확보해야 합니다. 개인의 업무 방식이 담긴 스킬 파일은 인지 자산이므로, 플랫폼이나 회사에만 남기지 말고 자신이 통제하고 이전할 수 있는 저장소에 보관해야 한다.

🧩 배경과 문제 정의

• 범용 인공지능을 먼 미래의 단일 사건으로 기다리는 동안, 개인의 맥락과 절차를 활용하는 에이전트는 이미 지식 노동의 생산성을 크게 바꾸고 있다.
• 기업이 제공하는 AI는 빌려 쓰는 상품이지만, 자신이 소유한 기억·스킬·인프라와 결합한 AI는 사용할수록 복리로 성장하는 개인 자산이 된다.
• 인간의 제한된 작업 기억을 보완하려면 정보를 쌓는 것만으로는 부족하며, 필요한 맥락을 선택하는 라이브러리 구조와 판단·계산을 구분하는 실행 체계가 필요하다.
• 개인의 판단이 실행 가능한 스킬 파일로 변환되면서 생산성뿐 아니라 소유권 문제도 발생한다. 핵심은 추출된 인지 능력을 개인과 조직 중 누가 통제하느냐에 있다.

🕒 시간순 섹션별 상세정리

1. AI를 노동력으로 활용하는 스타트업의 성장

• YC의 2025년 겨울 배치에서는 기업의 25%가 코드베이스의 95%를 AI로 생성했으며, 이들은 코딩을 넘어 거의 모든 업무에 에이전트를 활용하고 있다. [00:36]
• 해당 배치는 YC 역사상 가장 빠르게 성장하고 수익성이 높은 배치 중 하나가 될 가능성을 보이며, AI 네이티브 운영이 이미 포트폴리오 단위의 경쟁력 차이로 나타나고 있다. [00:41]

2. 공동체에서 삭제된 스피노자와 사상의 대가

• 아인슈타인은 인격신 대신 세계의 법칙적 조화 속에 존재하는 ‘스피노자의 신’을 믿었고, 17세기 급진적 사상이 현대 과학자의 세계관에도 영향을 남겼다. [00:46]
• 스피노자는 23세에 유대인 공동체로부터 대화·거래·접근·저작 열람까지 금지하는 파문을 당했으며, 약 40건의 파문 중 유일하게 회개 조항도 적용받지 못했다. [01:25]

3. 허락 없이 구축한 도구와 코나투스

• 스피노자는 낮에는 인간의 시야를 확장하는 정밀 렌즈를 만들고 밤에는 생전에 출판할 수 없던 책을 썼으며, 사후 원고는 유럽 계몽주의 철학에 영향을 미쳤다. [03:04]
• 생계 중단을 요구하는 보상과 생명의 위협에도 도구와 사상을 계속 구축한 태도는, 외부의 허락 없이 불확실성을 감수해야 하는 창업가의 조건과 맞닿아 있다. [03:54]

4. 사건이 아니라 인프라로 확산되는 개인 AGI

• AGI를 데이터센터에서 탄생할 단일 사건으로 기다리는 관점과 달리, 지능은 터미널·마크다운 파일·예약 작업처럼 일상적인 인프라에 이미 분산되고 있다. [04:52]
• 개인 AGI는 개인의 맥락 위에서 실제 업무를 수행하는 에이전트이며, 모두에게 동시에 제공되는 보편적 지능보다 한 사람에게 특화된 범용 지능에 가깝다. [05:36]

5. 같은 모델에서 2배와 100배를 가르는 맥락

• 동일한 시간과 두뇌를 기준으로 코딩 산출량이 2013년 하루 14줄 수준에서 약 400배로 증가했으며, 이 배율은 디자인·제품 관리·성장 등 모든 지식 노동으로 확장된다. [07:26]
• YC의 AI 중심 기업들은 에이전트를 자동완성이 아니라 노동력으로 취급하며, AI 생성 코드와 성장 사이의 인과관계는 확정할 수 없어도 빠르게 성장하는 창업가들의 운영 방식에는 뚜렷한 차이가 있다. [08:19]

6. 행동 능력의 확대와 에이전트 결합 공식

• 에이전트가 일주일 분량의 업무를 오후 한 번에 끝내면 행동 능력이 실제로 증가하며, 스피노자의 정의에서 이 변화는 편리함을 넘어 ‘기쁨’에 해당한다. [09:09]
• 개인 에이전트는 저렴해지는 범용 모델, 개인만 가진 고유한 맥락, 둘을 연결하는 실행 하네스의 결합이며 모델 품질은 빌려도 기억과 판단 체계는 직접 소유할 수 있다. [09:57]

7. 인간의 작업 기억과 새로운 정보 운영 체제

• 인간의 작업 기억은 약 7개 항목으로 제한되며, 체크리스트·조직도·서류함·스탠드업 회의는 모두 이 인지적 한계를 보완하는 장치다. [11:20]
• AI 에이전트는 약 100만 토큰, 즉 책 세 권가량을 동시에 다루고 서로 다른 자료에서 필요한 내용을 찾아 수초 안에 종합할 수 있어 인간과 다른 정보 처리 체제에 들어섰다. [11:56]

8. 개인 라이브러리가 동료 수준의 맥락을 만드는 방식

• GBrain에는 25년간의 이메일·회의·결정·실수 등을 정리한 약 22만 개의 마크다운 페이지가 있으며, 에이전트가 자료의 수집·큐레이션·검색을 대부분 담당한다. [13:10]
• 창업가가 위기 상황을 보내면 이전 대화와 유사한 문제를 겪은 기업들의 해결 사례가 함께 검색되므로, 단순 응답 도구가 아니라 축적된 경험을 공유하는 동료처럼 작동한다. [13:37]

9. 두꺼운 스킬과 얇은 하네스

• 전체 구조의 핵심은 에이전트가 실행하는 영어 지침과 브라우저이며, 복잡한 하네스보다 구체적인 스킬 파일에 업무 지식과 행동 규칙을 충분히 담는 편이 중요하다. [14:47]
• 회의 녹화가 도착하면 화자를 구분해 전사하고, 담당자·약속·기한을 추출하고, 기존 지식과 충돌하는 내용은 덮어쓰지 않고 표시하라는 한 페이지의 지침만으로도 반복 업무를 실행할 수 있다. [15:16]

10. 잠재 공간의 판단과 결정론적 계산의 결합

• 모호한 요구의 의도·취향·판단은 모델의 잠재 공간에서 처리하고, 산술·SQL·대규모 일정 배정처럼 정확성과 상태 관리가 필요한 작업은 데이터베이스와 코드로 처리해야 한다. [16:23]
• 다섯 명의 좌석 배치는 모델 판단만으로 가능하지만 6,000명의 맞춤 일정을 만들려면 코드가 필요하며, 안정적인 시스템은 마크다운 지침이 데이터베이스와 스크립트를 호출하는 구조를 갖는다. [17:04]

11. 작은 선반에서 에이전트 조직으로 확장하기

• 개인 지식 시스템은 22만 페이지로 시작하지 않았으며, 자주 연락하는 사람과 담당 기업을 기록한 몇 개의 마크다운 파일에서 출발해 에이전트의 지속적인 분류로 성장했다. [18:46]
• 스킬 파일 하나는 명확한 직무를 가진 직원에 해당하고, 작업을 적절한 스킬로 보내는 리졸버는 조직도에 해당하므로 한 사람도 법인 설립 전부터 에이전트 조직을 운영할 수 있다. [19:09]

12. 새로운 기업 경제성과 기억 위생

• Emergent는 공개 출시 후 8개월 만에 9자리 매출에 도달했고 연환산 매출 1,500만 달러 당시 인원은 15명이었으며, Retell은 약 40명으로 연환산 6,000만 달러를 기록했다. [19:50]
• 한 사람이 과거 한 해에 해당하던 업무를 수행하면서 개인 맞춤 소프트웨어의 제작비도 크게 낮아졌고, 자신만을 위해 만든 도구가 타인의 반복적인 요청을 받으면 새로운 회사로 발전할 수 있다. [20:23]

13. 개인 에이전트와 지식 라이브러리 시작하기

• 첫 단계는 OpenClaw·Hermes Agent·Codex·Claude Code 등 어떤 도구든 선택해 자신의 컴퓨터에서 에이전트를 실행하는 것이며, 특정 제품보다 개인 맥락과 실행 절차를 연결하는 개념이 중요하다. [21:46]
• 두 번째 단계는 거대한 아카이브 대신 하나의 마크다운 폴더를 만들고, 현재 프로젝트와 함께 일하는 사람별로 목표·관심사·약속·최근 대화를 기록하는 것이다. [22:31]

14. 반복 업무를 스킬과 예약 작업으로 전환하기

• 세 번째 단계는 지출 보고서·회의록·주간 현황·경쟁사 조사처럼 매주 반복하면서 싫어하는 일을 골라, 신입 동료에게 알려주듯 자연어로 절차를 작성하는 것이다. [23:27]
• 네 번째 단계는 완성된 스킬을 매일 아침이나 매주 금요일 실행되는 작업으로 연결하는 것이며, 잠자는 동안 업무가 완료되면 하루가 생산성의 기본 단위라는 제약이 약해진다. [23:58]

15. 90일 동안 형성되는 복리 곡선

• 첫 주에는 라이브러리가 얕고 스킬도 서툴러 교정 비용이 절감 시간보다 크지만, 이 초기 비효율은 개인 맥락과 절차를 축적하는 단계다. [25:18]
• 4주차에는 에이전트가 개인 맥락으로 답하고 아침 작업이 실제로 읽을 만한 결과를 만들며, 12주차에는 약 12개의 스킬과 타인이 빌리고 싶어 하는 도구가 생길 수 있다. [25:40]

16. 스킬 파일이 만드는 인지 소유권의 갈림길

• 스킬 파일은 단순 문서가 아니라 머릿속 업무 방식을 추출해 실행 가능하게 만든 인지의 일부이며, 동일한 파일도 누가 통제하느냐에 따라 개인 자산이나 노동 추출 수단이 된다. [26:13]
• 지원 엔지니어 마야가 2년간 만든 40개 스킬을 개인 저장소에 보유하면 이직과 창업에도 축적된 판단을 가져갈 수 있지만, 회사 저장소에만 남기면 조직은 그녀의 전문성을 계속 실행하고 본인은 아무것도 갖지 못한다. [26:49]

17. 자신의 힘 아래 머무르기 위한 개인 AI

• 장인이 도구를 소유하던 시대와 달리 공장은 생산 도구를 조직 소유로 바꿨고, 이제 스킬 파일은 머릿속에만 있던 지식 노동자의 판단까지 추출·저장·버전 관리·소유할 수 있게 만든다. [28:02]
• 개인 AGI의 핵심은 자신의 인지 능력을 통제하고 보호하는 데 있으며, 기억과 스킬을 처음부터 자신이 통제하는 저장소에 두어야 플랫폼이나 인수자가 이후의 소유 조건을 결정하지 못한다. [29:24]

18. 모델 성능보다 중요해지는 개인의 맥락과 소유권

• 모델이 강해질수록 차별점은 공용 가중치에서 개인의 맥락과 라이브러리로 이동하며, 더 똑똑한 모델은 같은 지식에서도 더 많은 가치를 추출한다. [30:26]
• 검색 자체보다 무엇을 기록하고 연결할지, 어떤 정보를 활성 기억으로 승격할지, 충돌하는 사실을 누가 판정할지가 더 어렵기 때문에 검색할 가치가 있는 지식 체계가 핵심 제품이다. [31:02]

19. 공개된 AI 작업 체계가 만드는 실행력의 민주화

• AI 하네스·라이브러리·마크다운 기반 작업 인력은 현재의 비공개 지렛대이며, 이를 가진 사람과 그렇지 않은 사람의 실행 규모 격차가 매달 커지고 있다. [32:23]
• 강력한 기술이 비공개로 남으면 소수 전문가 집단이 권력을 독점하지만, 누구나 쓸 수 있도록 공개하면 더 많은 사람이 새로운 작업과 창작에 참여할 수 있다. [32:59]

20. 희귀질환 지식 저장소가 보여준 개인용 AGI

• 희귀 뇌전증을 앓는 아들을 위해 한 아버지가 연구실·연구비·허가 없이 8만 개의 마크다운 파일을 구축하고, 진료 기록·논문·발작 일지·약물 상호작용을 연결해 새 치료 아이디어의 과거 시도 여부를 수분 안에 확인할 수 있게 했다. [34:41]
• 개인용 AGI는 벤치마크나 시연이 아니라 필요한 순간에 정확한 자료를 꺼내 가장 중요한 현실 문제에 적용하는 구조이며, 누구도 대신 만들어 주지 않기 때문에 당사자가 직접 구축해야 한다. [35:12]

21. 허가 없이 의지를 실행하는 개인의 시대

• 세상의 제도는 자신보다 특별히 더 똑똑하지 않은 사람들이 만든 것이며, 이전 세대와 달리 이제는 수십 명의 동조자를 먼저 모으지 않아도 노트북과 이미 축적한 개인 기록만으로 작업을 시작할 수 있다. [36:23]
• 자금·인력·허가를 기다리다 사라졌던 수많은 의지가 AI 작업 체계를 통해 중개자 없이 곧바로 실행으로 이어지며, 한 사람이 행사할 수 있는 지렛대의 규모가 달라진다. [37:12]

🧾 결론

• 개인용 AI의 핵심은 먼 미래의 AGI를 기다리는 것이 아니라, 현재 이용할 수 있는 모델을 자신의 기억·절차·도구와 결합해 실제 업무를 수행하게 만드는 데 있다.
• 시작은 거대한 시스템이 아니라 사람·프로젝트별 마크다운 파일과 반복 업무 하나면 충분합니다. 실행 결과를 교정하고 예외를 기록하면서 라이브러리와 스킬을 점진적으로 확장해야 한다.
• 초기에는 교정 비용이 더 크게 느껴질 수 있지만, 일회성 작업을 계속 기억과 스킬로 전환하면 시간이 지날수록 같은 업무를 다시 설명하는 비용이 줄어듭니다.
• 최종 경쟁력은 공용 모델 자체보다 무엇을 기록하고 연결할지 판단하는 능력, 정확한 작업은 코드로 넘기는 구조, 그리고 축적된 자산을 직접 통제하는 소유권에서 형성된다.

📈 투자·시사 포인트

• AI 네이티브 기업은 에이전트를 단순한 자동완성 도구가 아니라 실제 노동력으로 활용하면서, 적은 인원으로 더 큰 업무량을 처리하는 운영 모델을 보여주고 있다.
• 모델 성능이 상향 평준화될수록 차별화 가치는 개인·조직이 축적한 맥락, 검증된 업무 스킬, 검색 가능한 지식 라이브러리와 실행 인프라로 이동할 가능성이 큽니다.
• 개인이 자신을 위해 만든 자동화 도구가 다른 사람에게도 반복적으로 필요해진다면, 맞춤형 내부 도구가 독립적인 제품이나 신규 사업으로 발전할 수 있다.
• 메모리 관리, 출처 추적, 충돌 탐지, 권한 통제, 데이터 이전성을 제공하는 제품은 개인 에이전트 확산에 필요한 핵심 기반 영역으로 해석할 수 있다.
• 영상에 언급된 YC 배치의 AI 코드 비율과 Emergent·Retell의 매출·인원 수치는 발표자의 사례이므로, 투자 판단에 활용하려면 YC 자료와 각 기업의 공식 발표를 별도로 검증해야 한다.
• AI 활용과 기업 성장 사이의 인과관계는 영상에서도 확정되지 않았습니다. 생산성 향상이 실제 수익성·지속 성장으로 이어지는지는 고객 유지율, 비용 구조, 모델 의존도와 함께 평가해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 일부 자막 표현은 자동 추출 특성상 고유명사나 제품명이 부정확할 수 있어 원문 확인이 필요하다.
• 영상 속 수치와 자동화 범위는 발표자 설명 기반이므로 외부 검증 자료와는 구분해서 봐야 한다.
• 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

• 현재 조직의 반복 운영 업무를 목록화하고 자동화 우선순위를 정리한다.
• 메모리·규칙·툴 사용 문서를 한곳에서 관리할지 역할별로 분리할지 기준을 정한다.
• 민감 데이터와 일반 업무를 같은 에이전트에 둘지 권한을 분리할지 검토한다.

❓ 열린 질문

• 이 구조를 다른 조직에 옮길 때 가장 먼저 막히는 데이터/API 병목은 무엇인가?
• 단일 에이전트와 멀티 에이전트 운영은 어떤 업무 조건에서 각각 더 유리한가?