미국의 노션 본사, 직접 다녀왔습니다 - AI로 일하는 실리콘밸리 회사는 뭐가 다를까
Quick Summary
미국의 노션 본사, 직접 다녀왔습니다 AI로 일하는 실리콘밸리 회사는 뭐가 다를까를 중심으로, 노션의 사무실은 역사적 건축 요소와 주거 공간 같은 편안함을 유지하면서, 협업 공간·도서관·자연광·공예품을 통해 집중과 창의성을를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽
🖼️ 4컷 인포그래픽
💡 한 줄 결론
미국의 노션 본사, 직접 다녀왔습니다 - AI로 일하는 실리콘밸리 회사는 뭐가 다를까를 중심으로, 노션의 사무실은 역사적 건축 요소와 주거 공간 같은 편안함을 유지하면서, 협업 공간·도서관·자연광·공예품을 통해 집중과 창의성을를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- 노션의 사무실은 역사적 건축 요소와 주거 공간 같은 편안함을 유지하면서, 협업 공간·도서관·자연광·공예품을 통해 집중과 창의성을 지원하도록 설계됐습니다.
- 세서미 스트리트 캐릭터를 모든 방에 배치해 고객을 물리적으로 상기시키고, 좋은 디자인과 사용자를 고려하는 태도를 ‘craft’라는 문화로 강조한다.
- 피드백 라우터와 피드백 픽서는 고객 의견을 담당 팀에 전달하고 코드 수정 PR까지 시작하며, 잘못된 분류를 지적받으면 라우팅 규칙을 직접 고치는 self-healing agent로 작동한다.
- 데이터베이스 에이전트는 행마다 제한된 맥락을 제공해 평가 데이터셋을 병렬 생성하고, 사람은 결과를 검토·수정합니다. 핵심 경쟁력은 모델 자체뿐 아니라 적절한 맥락과 트리거를 설계하는 harness engineering에 있다.
- 노션은 문서 도구를 넘어 여러 에이전트가 조직의 지식을 활용하고, 사람이 결과를 검토·승인·롤백할 수 있는 지식 노동용 협업 인프라를 지향한다.
🧩 배경과 문제 정의
- 영상은 미국 노션 본사의 공간과 문화를 둘러본 뒤, 제품·모델 행동 담당자와 공동창업자를 통해 노션이 실제 업무에 AI 에이전트를 적용하는 방식을 살펴봅니다.
- 중심 문제는 AI를 단순한 검색·문서 작성 기능이 아니라 고객 피드백, 데이터 분석, 평가, 이메일과 조직 지식을 처리하는 지속적 업무 시스템으로 어떻게 전환할 것인가입니다.
- 노션은 문서와 데이터베이스를 에이전트의 context layer로 삼고, 사람이 실행 과정을 확인하고 검토·승인할 수 있는 조직 차원의 인프라를 해법으로 제시한다.
🕒 시간순 섹션별 상세정리
1. 고객 중심과 AI 업무 방식의 예고
- 모든 방에서 고객을 떠올리게 하는 문화, 스스로 규칙을 고치는 에이전트, 음성만으로 데이터를 검토하는 장면이 먼저 제시됩니다. [00:29]
- AI 시장에서는 기존 사업자의 방어력이 약해지고 다양한 산업이 새롭게 재편될 수 있다는 전망으로 영상의 문제의식을 압축합니다. [00:40]
2. 역사적 건물과 노션식 공간 설계
- 1906년에 지어진 건물의 역사성을 보존하면서 노션의 분위기를 더했고, 최초의 컴퓨터 프로그래머 중 한 명인 Ada의 이름을 딴 카페를 운영합니다. [01:29]
- 아트리움, 자연광, 러그와 별도 좌석은 직원들이 책상을 벗어나 협업하거나 다른 분위기에서 일하는 ‘third space’ 역할을 합니다. [01:58]
3. 공예 문화와 고객의 물리적 상징
- 오래된 컴퓨터 잡지와 공예품은 과거 제작자들의 작업 방식에서 영감을 얻기 위한 장치이며, 좋은 커피 역시 craft를 체험하게 하는 문화의 일부입니다. [02:45]
- 세서미 스트리트 캐릭터를 고객의 물리적 표상으로 모든 공간에 배치해 제품을 만들 때 고객을 계속 생각하도록 합니다. [03:09]
- 노션은 craft를 비싼 물건이 아니라 사용 방식을 고민한 좋은 디자인으로 정의합니다. [03:53]
4. 온보딩과 다양한 업무 환경
- 입사자는 레고 캐릭터를 만들고 근속 연도마다 블록을 추가하며, 공용 공간에서는 온보딩과 팀 결속을 진행합니다. [04:20]
- 전화 부스와 조용한 도서관, 직원이 요청한 책을 마련해 협업과 집중에 필요한 서로 다른 환경을 제공합니다. [05:04]
- 액자를 벽에 고정하지 않고 선반이나 바닥에 두어 사무실이 집처럼 느껴지게 하고, 기존 건물의 재료와 성격도 보존합니다. [05:54]
5. 피드백 라우터와 자동 코드 수정
- 제품팀은 여러 채널에서 거의 매시간 들어오는 고객·직원 피드백을 사람이 모두 읽던 방식에서 내부 에이전트 중심 처리로 전환했습니다. [07:27]
- feedback router는 의견을 해석해 관련 팀에 전달하고, feedback fixer는 문제를 해결하기 위한 코드 수정 PR을 자동으로 열기 시작합니다. [08:10]
- 에이전트는 업무·버그·라우팅 규칙에 접근하며, 잘못된 분류를 지적받으면 규칙 페이지를 직접 수정하는 self-healing agent로 작동합니다. [09:23]
6. 블록 기반 맥락과 문서 내 RAG
- 긴 라우팅 규칙도 사용 중인 모델의 전체 context window에서는 작은 비중이라는 설명이 제시됩니다. [09:41]
- 노션 문서는 하나의 마크다운 파일이 아니라 편집 가능한 블록으로 구성돼 에이전트가 필요한 페이지와 정보만 선택적으로 불러올 수 있습니다. [10:10]
- 이는 별도 시스템이 아니라 일상적인 문서와 도구 안에 RAG 개념을 내장한 방식으로 설명됩니다. [10:19]
7. 맞춤형 에이전트와 매니저 복제 실험
- 사용자는 자연어로 원하는 작업을 말하고 템플릿을 적용해 태스크 분류 같은 소형 맞춤형 에이전트를 만들 수 있습니다. [11:04]
- 한 직원은 휴가 중인 매니저의 문서와 언어 스타일을 분석해 질문에 답하고 의견을 주는 에이전트를 만들었습니다. [11:33]
- 대신 글을 쓰게 했을 때 부자연스러운 결과가 나오자 작성 권한을 없애고 질문과 의견만 제공하게 해, 실제 판단과 작성은 사람이 담당하도록 조정했습니다. [12:27]
8. 평가 데이터셋을 만드는 데이터베이스 에이전트
- 모델 변경 전후 성능을 반복 측정할 대규모 baseline dataset을 만들기 위해 데이터베이스 에이전트가 초기 결과를 채우도록 했습니다. [13:35]
- 담당자는 각 행을 검토해 문제가 있으면 observation에 기록하고 rerun 속성을 체크해 해당 항목만 다시 실행했습니다. [14:19]
- 모든 검토는 키보드 입력보다 음성 지시로 진행됐으며, 자연어 데이터를 바탕으로 창의적 결과물을 만드는 일을 ‘language의 data engineer’로 표현합니다. [14:54]
9. 행 단위 맥락과 하네스 엔지니어링
- 36개 행 가운데 수정 의견이 필요했던 것은 10개였고, 작업에 맞춰 상대적으로 덜 강한 추론 모델을 선택한 것이 더 인간적인 결과에 도움이 됐다고 보여준다. [15:27]
- 각 행만 맥락으로 제공해 36개의 sub-agent를 병렬 실행한 것처럼 구성함으로써 긴 작업 후반의 품질 저하를 피했습니다. [15:44]
- 성능 향상은 모델 발전뿐 아니라 필요한 순간에 정확한 맥락, 메시지 위치, 알림과 유도 문구를 배치하는 harness engineering에서 크게 나온다고 주장합니다. [16:29]
10. 공동창업자가 설명하는 커스텀 에이전트
- 공동창업자 Akshay Kothari는 custom agents가 문서와 데이터베이스를 전면에서 배경으로 이동시키고, 사용자가 메시지로 업무를 위임하도록 바꿨다고 보여준다. [17:27]
- 커스텀 에이전트는 trigger, instructions, context의 세 요소로 구성되고 앱을 닫거나 사용자가 자는 동안에도 백그라운드에서 실행됩니다. [17:48]
- 개인 이메일 분류 에이전트는 규칙에 따라 답장 초안을 만들며 이메일 처리 시간을 70~80% 줄였다고 드러낸다. [18:13]
11. 전사적으로 공유되는 데이터 스카우트
- data scout는 MCP로 노션과 Snowflake 테이블을 연결하고 데이터 구조와 조직 맥락을 제공받아 24시간 사용할 수 있는 데이터 과학자처럼 작동합니다. [18:32]
- 고객의 사용 패턴, 지출, 담당자와 전략을 분석해 미팅 계획을 만들며, 수시간 또는 수일 걸리던 작업을 4~5분으로 줄였다고 보여준다. [18:58]
- 한 명의 데이터 과학자가 만든 에이전트를 회사의 모든 구성원이 사용할 수 있다는 점이 조직 차원의 효과로 강조됩니다. [19:04]
12. 노션의 AI 전환 플레이북
- 노션은 약 3년 반 전 5명 규모의 팀으로 Notion AI 알파를 시작했고, 이를 30~40명으로 확대한 뒤 초기 핵심 인력을 조직 전체로 퍼뜨렸습니다. [19:48]
- AI를 하나의 기능으로 취급하던 단계에서 모든 업무가 AI 제품 또는 이를 지원할 인프라에 연결되는 단계로 약 1년에 걸쳐 전환했습니다. [20:06]
- 자체 직원이 meeting notes, enterprise search, custom agents와 사내 지식 응답 에이전트를 적극 사용하지만, AI 네이티브 기업과 비교하면 개선할 여지가 크다고 평가합니다. [20:40]
13. 반복 실패와 인간 증강 원칙
- personal agent는 맞춤형 모델 접근의 한계와 지나치게 높은 목표 때문에 세네 차례 실패했지만, 새 모델과 개선된 접근이 맞물릴 때까지 다시 시도했습니다. [21:37]
- AI 응용 기업은 실패한 프로젝트를 오래 묻어두지 말고 짧은 기억으로 반복 실험하며, 올바른 eval을 통해 진전을 확인해야 한다고 조언합니다. [21:56]
- 노션은 컴퓨터를 인간 지능을 증강하는 ‘bicycle for the mind’로 보고, 인간과 기계의 협업을 대체보다 우선합니다. [22:41]
14. 지식 노동용 에이전트 인프라와 창업 조언
- 노션은 조직의 지식을 에이전트에 제공하는 context layer에서 출발해 다른 도구와 Claude, Cursor 같은 외부 에이전트까지 연결하는 인프라를 구상합니다. [23:31]
- 에이전트가 수행한 업무를 사람이 검토·승인·롤백할 수 있도록, GitHub가 코드 협업에 제공한 버전 관리 구조를 나머지 지식 노동에 구축하려 합니다. [24:20]
- 마지막으로 AI를 검색 대체재에 머물게 하지 말고 에이전트와 장문 맥락을 활용할 인프라에 투자해야 하며, 스타트업과 창업자는 산업 재편의 기회를 적극적으로 잡아야 한다고 강조한다. [26:17]
🧾 결론
- 노션의 AI 전환은 기존 업무에 챗봇을 추가한 것이 아니라 피드백, 이메일, 데이터 분석, 평가, 지식 검색 같은 반복 업무를 에이전트 중심으로 다시 설계한 사례입니다.
- 에이전트의 실용성은 긴 프롬프트보다 트리거·지시사항·맥락·권한·평가·사람의 개입 지점을 함께 설계할 때 높아집니다.
- 사람의 역할은 결과물을 무조건 직접 만드는 것에서 목표 설정, 판단, 피드백, 검토와 승인으로 이동하지만, 노션은 이를 인간 대체보다 인간 지능의 증강으로 해석한다.
- 개인 한 명의 AI 활용 능력을 조직 전체의 생산성으로 전환하려면 재사용 가능한 에이전트와 공유 가능한 지식 기반이 필요하다.
📈 투자·시사 포인트
- AI 업무 도구의 경쟁축은 모델 접근성에서 조직 내부 맥락, 권한 관리, 워크플로 트리거, 결과 검토와 버전 관리로 이동할 가능성이 큽니다.
- 문서·데이터베이스·검색·개발자 도구를 함께 보유한 플랫폼은 에이전트가 사용할 context layer를 선점할 수 있다는 점에서 전략적 가치가 있다.
- 한 사람이 만든 에이전트를 전사적으로 재사용하는 구조는 AI 도입 효과를 개인 생산성에서 조직 생산성으로 확장하는 네트워크 효과를 만들 수 있다.
- 반복 실행되는 에이전트가 늘수록 평가 데이터셋, 감사 기록, 승인, 롤백과 같은 신뢰 인프라의 중요성도 커질 전망입니다.
⚠️ 불확실하거나 확인이 필요한 부분
- 이메일 처리 시간이 70~80% 감소했다는 수치와 데이터 스카우트가 수시간 또는 수일의 업무를 4~5분으로 줄였다는 설명은 인터뷰 참여자의 내부 경험에 근거하며, 독립적으로 검증된 측정 결과는 제시되지 않았습니다.
- 평가 데이터셋 36개 행 가운데 10개만 수정했다는 사례는 특정 작업과 모델 설정의 결과이므로 다른 데이터, 조직, 모델에서도 같은 정확도를 보장하지 않습니다.
- 피드백 픽서가 자동으로 코드 수정 PR을 여는 과정의 승인 절차, 보안 통제, 실패율과 실제 배포 범위는 영상에서 구체적으로 설명되지 않았습니다.
- 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
- 반복적으로 분류·전달하는 업무 하나를 골라 trigger, instructions, context 세 요소로 에이전트 초안을 설계한다.
- 에이전트가 틀렸을 때 지시사항이나 라우팅 규칙에 피드백이 반영되는 self-healing loop를 만들고 변경 이력을 남깁니다.
- 생성 결과를 바로 배포하지 말고 평가 데이터셋, 사람의 검토, 승인과 롤백 단계를 워크플로에 포함한다.
- 큰 문서를 한 번에 넣는 대신 작업 단위별로 필요한 맥락만 제공하고 품질·비용·속도를 비교한다.
❓ 열린 질문
- 에이전트가 자신의 규칙을 수정할 때 잘못된 피드백이 누적되거나 권한 범위를 벗어나는 것을 어떤 방식으로 방지할 수 있을까요?
- 노션이 구상하는 지식 노동용 버전 관리에서 변경 비교, 승인, 롤백, 책임 추적은 실제로 어떤 인터페이스로 구현될까요?
- 조직 생산성 향상이 개별 업무 시간 단축을 넘어 의사결정 품질과 고객 만족 개선으로 이어졌는지 어떻게 측정할 수 있을까요?
