AI를 잘 쓰는 사람과 그렇지 않은 사람의 차이는 더 이상 “어떤 모델을 쓰느냐”만으로 갈리지 않습니다. GPT, Claude, Gemini처럼 강력한 모델이 빠르게 평준화되면, 진짜 차이는 그 모델에게 어떤 맥락을 지속적으로 먹이고 있느냐에서 생깁니다. 이 지점에서 세컨드 브레인은 단순 메모 앱이 아니라 AI 에이전트를 나답게 움직이게 하는 기반 시스템이 됩니다.
원본 영상: 제 2의 두뇌로 나를 100배 스케일링하는 방법 / 채널: 커리어해커 알렉스
세컨드 브레인은 메모장이 아니라 AI가 읽는 맥락 저장소입니다
영상에서 세컨드 브레인은 “모든 지식의 집합체”이자 “AI 에이전트가 접근할 수 있는 지식 창고”로 설명됩니다. 핵심은 기록을 많이 모으는 것이 아닙니다. 내가 어떤 일을 해왔는지, 어떤 판단 기준을 갖고 있는지, 어떤 말투와 관점을 선호하는지를 AI가 다시 꺼내 쓸 수 있게 구조화하는 것입니다.
일반 메모 앱은 사람이 다시 찾아 읽어야 가치가 살아납니다. 반면 세컨드 브레인은 에이전트가 스스로 탐색하고 연결하고 활용할 수 있어야 합니다. 그래서 영상에서는 노드와 엣지, 온톨로지, 그래프 같은 표현이 반복됩니다. 정보 조각을 따로 보관하는 데서 끝내지 않고, 서로 어떤 관계인지까지 남기는 방식입니다.
모델보다 중요한 것은 “나만 가진 컨텍스트”입니다
영상의 가장 중요한 메시지는 “AI를 쓴다는 것 자체는 더 이상 차별점이 아니다”라는 말입니다. 모두가 비슷한 모델을 쓰는 상황에서는 같은 질문에 비슷한 답이 나옵니다. 이때 차이를 만드는 것은 개인이나 조직이 쌓아 온 경험, 실패, 관점, 취향, 문서, 대화 기록입니다.
예를 들어 “마케팅 전략을 짜줘”라고만 하면 누구나 받을 수 있는 일반적인 답이 나옵니다. 하지만 지난 몇 년간의 프로젝트 기록, 고객 반응, 실패 사례, 콘텐츠 톤, 의사결정 기준을 함께 읽힌다면 결과는 달라집니다. 세컨드 브레인은 바로 이 독점적 맥락을 축적하고 재사용하기 위한 장치입니다.
LLM Wiki와 Obsidian은 세컨드 브레인의 쉬운 출발점입니다
영상 후반부에서는 실밸개발자의 유튜브 대본과 자료를 가져와 LLM Wiki 스타일로 정리하는 실습이 이어집니다. 여기서 중요한 구조는 세 가지입니다.
- Raw source: 원본 대본, 슬라이드, 문서처럼 가공 전 자료를 보존합니다.
- Wiki layer: 원본에서 핵심 개념과 주장, 관계를 뽑아 Markdown 위키로 정리합니다.
- Schema/Index: 에이전트가 어디서 무엇을 찾아야 하는지 알 수 있도록 지도와 규칙을 둡니다.
이 접근은 전통적인 RAG와 조금 다릅니다. 매번 문서를 잘라 임베딩하고 검색하는 구조라기보다, 에이전트가 원본을 읽어 지속적으로 관리되는 위키를 만들어 두는 방식에 가깝습니다. Obsidian은 이 위키를 사람이 보기 좋은 그래프와 검색 UI로 보여주는 도구가 됩니다.
Obsidian 그래프는 유용하지만, 끝은 아닙니다
Obsidian은 세컨드 브레인과 자주 함께 언급됩니다. 그래프 뷰, 태그, 백링크, Markdown 기반 관리가 좋기 때문입니다. 특히 처음 시작할 때는 내가 어떤 주제를 많이 다루는지, 어떤 개념이 서로 연결되는지 한눈에 보기 쉽습니다.
하지만 영상에서는 한계도 분명히 짚습니다. 자료가 수천 개, 수만 개로 늘어나면 사람이 그래프를 직접 둘러보는 방식만으로는 부족합니다. 결국 실전 활용은 에이전트에게 질문하고, 에이전트가 위키와 원본을 탐색해 답을 구성하는 방식으로 가야 합니다. Obsidian은 좋은 인터페이스지만, 세컨드 브레인의 본질은 에이전트가 쓸 수 있는 구조화된 맥락입니다.
하네스 엔지니어링은 세컨드 브레인과 연결됩니다
하네스 엔지니어링은 모델이 원하는 방향으로 움직이도록 규칙, 컨텍스트, 도구, 검증 절차를 설계하는 일입니다. 세컨드 브레인은 이 하네스의 핵심 재료가 됩니다. 내가 어떤 답변을 좋은 답변으로 보는지, 어떤 스타일을 선호하는지, 어떤 원칙을 지켜야 하는지 저장해 두기 때문입니다.
영상에서는 평가의 중요성도 강조됩니다. 세컨드 브레인을 만들었다고 끝나는 것이 아닙니다. 질문을 던져 보고, 답변이 내 생각과 맞는지 확인하고, 부족하면 위키 구조나 검색 방식, 규칙을 계속 고쳐야 합니다. 즉 세컨드 브레인은 한 번 만드는 저장소가 아니라 계속 테스트하고 개선하는 성장 시스템입니다.
개인과 조직은 무엇부터 시작하면 좋을까요?
처음부터 거대한 지식 그래프나 복잡한 검색 시스템을 만들 필요는 없습니다. 다음 순서로 시작하면 현실적입니다.
1. 원본을 버리지 말고 모으기
회의록, 강의안, 블로그 초안, 프로젝트 회고, 고객 질문, 유튜브 대본처럼 나의 사고가 담긴 자료를 한곳에 모읍니다. 중요한 것은 원본을 보존하는 것입니다.
2. 주제별로 작은 Markdown 문서 만들기
한 문서에 모든 것을 넣기보다 개념 단위로 쪼갭니다. 예를 들어 “세컨드 브레인”, “AI 에이전트”, “하네스 엔지니어링”, “콘텐츠 톤”처럼 다시 활용할 수 있는 단위가 좋습니다.
3. 링크와 태그로 관계를 남기기
서로 관련된 문서를 연결합니다. 이 관계가 쌓이면 AI가 단편 정보가 아니라 맥락을 따라가며 답할 수 있습니다.
4. 에이전트에게 읽히고 검증하기
“내 글쓰기 스타일로 초안을 만들어줘”, “이 자료를 바탕으로 강의안을 구성해줘”, “내 기준에서 부족한 부분을 찾아줘”처럼 실제 작업에 써 봅니다. 결과가 어색하면 규칙과 자료를 다시 정리합니다.
세컨드 브레인의 진짜 가치는 복리입니다
세컨드 브레인은 오늘 하루 생산성을 조금 올리는 도구가 아닙니다. 시간이 지날수록 나의 판단, 취향, 지식, 실패 사례가 쌓이고 연결됩니다. 이 축적물이 AI 에이전트와 결합되면, 매번 처음부터 설명하지 않아도 더 나다운 결과를 만들 수 있습니다.
결국 AI 네이티브가 된다는 것은 최신 도구를 많이 아는 상태가 아닙니다. 나와 조직의 맥락을 자산화하고, 그 맥락을 AI가 계속 활용할 수 있도록 만드는 상태에 가깝습니다. 모델은 바뀔 수 있지만, 잘 쌓은 세컨드 브레인은 다음 모델에도 가져갈 수 있는 나만의 운영체제가 됩니다.
함께 읽으면 좋은 글
- AI 도구를 하나로 묶는 Agent OS 구축법: 세컨드 브레인을 개인 운영체제 관점으로 확장해 볼 때 참고할 만한 구조입니다.
- AI 에이전트와 피지컬 AI, 이제 ‘행동하는 AI’가 온다: 에이전트가 실제 행동 주체로 확장되는 흐름을 함께 이해할 수 있습니다.
- AI 시대 필수 역량, 데미스 하사비스 인터뷰로 정리한 공부의 방향: AI 네이티브 역량을 개인 학습 관점에서 정리한 글입니다.
- Hermes Agent Deliverable Mode: AI 산출물을 채팅에서 바로 받는 방법: AI 에이전트를 실제 산출물 작업에 연결하는 예시로 볼 수 있습니다.
FAQ
세컨드 브레인은 Obsidian을 꼭 써야 만들 수 있나요?
꼭 그렇지는 않습니다. Obsidian은 Markdown, 백링크, 그래프 뷰가 좋아서 시작하기 편한 도구입니다. 하지만 핵심은 도구가 아니라 AI가 읽고 활용할 수 있는 구조화된 맥락입니다.
RAG와 LLM Wiki는 무엇이 다른가요?
RAG는 보통 문서를 잘라 임베딩하고 질문 시점에 관련 조각을 검색해 답변에 넣습니다. LLM Wiki는 원본 자료를 에이전트가 지속적으로 읽고 정리해, 재사용 가능한 위키와 인덱스를 만들어 둔다는 점이 다릅니다.
세컨드 브레인을 만들 때 가장 먼저 해야 할 일은 무엇인가요?
원본 자료를 한곳에 모으는 일입니다. 그다음 주제별 Markdown 문서로 쪼개고, 문서 사이의 관계를 링크로 남기는 것이 좋습니다.
개인 브랜딩에도 세컨드 브레인이 도움이 되나요?
도움이 됩니다. 자신의 글쓰기 톤, 자주 쓰는 표현, 관점, 콘텐츠 주제를 축적하면 AI가 새로운 글이나 답변을 만들 때 더 일관된 스타일을 유지할 수 있습니다.
조직에서 세컨드 브레인을 만들면 무엇이 좋아지나요?
담당자가 자리를 비워도 프로젝트 맥락, 의사결정 기록, 고객 요구, 기술 기준을 에이전트가 참고할 수 있습니다. 지식 이전 비용을 줄이고 반복 업무의 품질을 높이는 데 유리합니다.