새 AI가 나올 때마다 도구를 갈아타도, 지난번에 찾은 자료와 검토 기준을 다시 설명하고 있다면 일이 쌓이지 않는다. 모델은 좋아졌는데 사용자는 매번 처음부터 시작하는 셈이다. AI 지식창고가 필요한 이유는 더 많은 파일을 모으기 위해서가 아니라, 검토한 지식과 판단 기준을 다음 작업에서도 쓰기 위해서다.

김작가 TV에 출연한 김덕진은 여러 AI를 같은 개인 지식 폴더에 연결해 활용한다고 말한다. 동시에 AI를 기존 업무에 끼워 넣는 것보다, AI가 제안하는 방식을 배우고 자기 전문성과 결합하는 변화에 주목한다. 이 대담을 실무에 옮길 때 남는 질문은 ‘어느 모델이 1등인가’보다 ‘모델이 바뀌어도 무엇을 남길 것인가’다.

새 모델의 충격과 업무 방식의 변화는 구분하자

영상은 아스트라의 등장을 알파고 제로에 비유한다. 출연자가 느낀 변화의 크기를 설명하는 표현이다. 두 시스템을 같은 조건에서 비교한 벤치마크나, 모든 업무에서 같은 생산성 향상이 난다는 증거는 아니다.

바둑 비유의 사실관계도 분명하게 읽을 필요가 있다. AlphaGo Zero의 Nature 논문은 인간 기보 없이 자기대국으로 학습했지만 바둑의 규칙은 주어졌다고 설명한다. ‘규칙도 모르는 상태에서 스스로 모든 것을 배웠다’와는 다르다. 논문의 100대 0은 이전 알파고 버전과의 프로그램 간 평가이지 인간 기사와의 대국 결과가 아니다.

영상에서 전하는 이세돌·신진서와의 대화와 가상 대결 전망은 김덕진의 설명으로 이해해야 한다. 그 자체를 공식 대국 기록이나 독립 성능 평가로 옮기지는 않았다.

비유에서 가져올 만한 부분은 있다. 익숙한 방식으로 AI의 답을 재단하는 데서 멈추지 않고, 왜 다른 접근을 제안했는지 살펴보는 태도다. 그렇다고 AI의 선택이 늘 정답이므로 무조건 따라야 한다는 뜻은 아니다. 내 분야의 조건과 근거로 비교하는 과정이 필요하다.

AI를 쓰면 모두 비슷해질까, 격차가 커질까

바둑 연구는 한쪽 결론만 보여주지 않는다. 2023년 PNAS 논문의 저자 공개본은 프로 기사들의 기보를 분석해, 초인적 AI 등장 이후 인간의 의사결정 질이 높아지고 새로운 수가 더 자주 나타났다고 보고했다.

반면 2025년 PNAS Nexus 연구는 정석 패턴의 활용을 분석하며 새로운 지식의 발전과 함께 패턴 다양성이 줄어드는 측면을 지적했다. 기존 실력이 높은 기사에게 지식 창출 효과가 더 크게 나타났다는 결과도 제시한다.

이 두 결과를 곧바로 모순이라고 볼 필요는 없다. 새로운 수와 결정의 질을 보는 것, 특정 초반 패턴의 채택과 분포를 보는 것은 측정 대상이 다르다. 더 좋은 결정을 하는 것과 더 다양한 스타일을 갖는 것은 같은 지표가 아니다.

또한 둘 다 전문 바둑이라는 맥락에서 나온 연구다. 이를 근거로 사무직·교육·영업에서도 숙련자가 언제나 더 큰 이득을 얻는다거나, AI를 쓰면 개인의 창의성이 자동으로 늘어난다고 단정할 수는 없다.

실무적으로 가져올 질문은 더 작다. 나는 AI가 내놓은 답의 장단점을 판단할 기준이 있는가. 좋아 보이는 답을 저장하는 데서 끝나는가, 다음번에 왜 그 답을 채택했는지까지 다시 쓸 수 있는가.

기존 일에 AI를 추가하는 것과 업무를 재설계하는 것

회의록 작성에 AI를 추가하는 경우를 생각해 보자. 녹취를 붙여넣고 요약을 받은 뒤, 사람이 다시 항목을 분류하고 담당자를 정한다면 기존 절차의 한 단계만 빨라진 것이다.

업무를 재설계한다면 순서를 다시 볼 수 있다. 회의 전에 필요한 결정과 확인 항목을 정하고, 회의 후에는 결정·보류·추가 확인을 구분한다. AI는 근거가 있는 초안을 만들고, 사람은 잘못 묶인 항목과 책임 범위를 확인한다. 검토가 끝난 결과는 다음 회의의 기준으로 남긴다.

이는 설명을 위한 적용 예시다. 영상에서 그대로 시연한 자동화나, 시간을 측정해 효과를 입증한 절차는 아니다.

기존 업무를 모두 버릴 필요도 없다. 먼저 반복해서 쓰는 자료와 오류가 나는 지점, 사람이 책임져야 하는 판단을 나눠 보자. 도구를 더 연결하기 전에 무엇을 완료로 볼지 정하면, AI가 만든 결과를 평가하기 쉬워진다.

AI 지식창고는 원본과 검토 결과를 나눠야 한다

김덕진은 자신의 정보·프롬프트·작업 결과를 한 폴더에 모으고 여러 AI와 연결하는 사용 방식을 설명한다. 같은 자료를 기반으로 도구를 바꿔 쓰고, 한 도구의 결과를 다른 도구에 넘기는 것이다.

하지만 같은 폴더에 연결했다고 대화 기억이 자동으로 공유되지는 않는다. 폴더의 모든 파일을 각 AI가 빠짐없이 읽었다고 보장할 수도 없다. 이번 작업에서 무엇을 읽고 어떤 기준을 적용해야 하는지 별도로 알려야 한다.

아래는 이 아이디어를 바탕으로 구성한 가상의 운영안이다. 출연자의 실제 폴더 목록이나 특정 서비스의 기본 구조가 아니다.

knowledge/
  00_운영규칙.md
  01_원본자료/
  02_검토된지식/
  03_작업중/
  04_완성본/
  99_변경기록.md

역할은 단순하게 나눈다.

• 원본자료: 보고서·회의록·데이터 등 확인의 출발점이다. 작업 과정에서 임의로 덮어쓰지 않는다.
• 검토된지식: 출처와 확인일을 붙여 다시 쓸 수 있게 정리한 내용이다. 확정된 사실과 추정을 구분한다.
• 작업중: 모델이 제안한 초안과 아직 검토하지 않은 결과를 둔다.
• 완성본: 사람이 승인한 결과다. 어떤 버전의 원본을 사용했는지 남긴다.
• 운영규칙·변경기록: 문체·형식·금지사항과 변경 이유를 기록한다. 다만 규칙 문서가 실제 파일 접근 권한을 강제하는 것은 아니다.

이 구분이 없으면 AI가 만든 초안이 다음 AI의 근거가 되고, 확인하지 않은 설명이 반복될 수 있다. 파일을 많이 저장하는 것보다 무엇을 믿고 다시 사용할 수 있는지 표시하는 일이 먼저다.

여러 AI를 연결할 때 필요한 것은 경쟁보다 인계다

여러 모델에 같은 질문을 던져 답변의 말투만 비교하는 것으로는 검토가 끝나지 않는다. 서로 다른 모델이 같은 잘못된 원본을 읽었다면 비슷한 오류를 낼 수도 있다. 답이 일치한다는 것과 독립적으로 검증됐다는 것은 다르다.

작업을 넘길 때는 최소한 다음 내용을 남겨보자.

1. 입력: 어떤 파일과 버전을 읽었는가.
2. 결과: 무엇을 만들었고 어디에 저장했는가.
3. 근거: 어떤 자료가 각 주장을 뒷받침하는가.
4. 미확인: 아직 확인하지 못한 항목은 무엇인가.
5. 다음 판단: 사람이 결정할 부분과 다음 도구가 할 일을 구분했는가.

같은 파일을 여러 AI가 동시에 수정하는 것도 피하는 편이 좋다. 읽기와 초안 작성은 나눌 수 있지만, 최종 파일을 반영하는 담당은 하나로 정한다. 그래야 서로의 수정이 사라지거나 이전 버전이 다시 들어오는 일을 줄일 수 있다.

다음은 이런 인계를 요청하는 예시다. 특정 앱에서 그대로 검증한 자동화 명령이 아니라 작업 조건을 전달하기 위한 문장이다.

이번 작업에서 사용할 원본과 검토 기준을 먼저 확인해 줘.
이전 초안을 사실의 근거로 대신 쓰지 말아 줘.

결과에는 사용한 파일·버전, 근거, 미확인 항목을 구분해 줘.
원본은 바꾸지 말고 수정 제안을 작업중 영역에 따로 작성해 줘.
최종 파일 반영과 외부 공개는 승인 전까지 하지 말아 줘.

이 문장을 적는 것만으로 읽기 전용 접근이 보장되지는 않는다. 앱에 부여한 폴더·도구 권한과 승인 설정도 따로 확인해야 한다.

내 PC의 폴더를 쓴다고 처리까지 모두 로컬인 것은 아니다

폴더 위치와 모델이 작업하는 위치는 다른 문제다. Claude Cowork 공식 안내는 클라우드 작업과 데스크톱을 통한 로컬 파일 접근 조건을 구분한다. 연결한 폴더의 필요한 파일 사본이 클라우드 작업에 사용될 수 있다고 설명한다.

따라서 민감한 자료는 어느 폴더에 두었는지만 보지 말자. 어떤 서비스에 제공할 수 있는 정보인지, 어느 범위까지 읽고 쓸 수 있는지, 결과를 외부로 보낼 수 있는지를 확인해야 한다. 여러 AI에 같은 폴더를 연결한다면 각각의 설정을 확인하는 일이 필요하다.

생각의 요약을 읽는 것과 결과를 검증하는 것은 다르다

영상은 AI가 보여주는 생각의 과정이 짧아지면 사용자가 작업을 이해하기 어려워질 수 있다고 지적한다. 여기서 화면에 보이는 설명과 내부 추론을 구분해야 한다.

OpenAI의 reasoning 문서는 원시 추론 토큰을 그대로 공개하지 않으며, 지원 모델에서 별도의 추론 요약을 요청할 수 있다고 설명한다. 화면의 요약이 짧다는 사실만으로 AI가 새롭게 정보를 숨기려는 의도를 가졌다고 결론 낼 수는 없다.

실무 검증에서는 전체 생각을 읽으려 하기보다 확인 가능한 산출물을 요구하는 편이 낫다. 출처 목록, 계산에 사용한 값, 실행 결과, 파일 변경 내역, 검토하지 못한 부분을 남기게 하는 것이다. 그 설명도 오류가 있을 수 있으므로 실제 원본과 결과를 대조해야 한다.

AI가 AI 연구를 돕는다는 말의 범위도 확인하자

영상의 또 다른 주제는 AI가 다음 AI를 만드는 과정에 더 많이 참여한다는 것이다. 실제 사례로 Google DeepMind의 AlphaEvolve는 모델이 제안한 프로그램을 자동 평가하고 개선하는 흐름을 소개한다. 연구·컴퓨팅과 모델 학습 과정의 일부 최적화에 활용했다는 개발사의 설명이다.

이는 의미 있는 연구 자동화 사례지만, 사람이 평가 조건을 정하는 특정 최적화와 제한 없는 재귀적 자기개선은 같은 주장이 아니다. 새 모델의 출시 간격이 짧아졌다는 사실만으로 후자가 입증되는 것도 아니다.

업무에 가져올 수 있는 원리는 더 구체적이다. 초안을 많이 만드는 것만큼 어떤 기준으로 후보를 통과시키고 버릴지 정하는 일이 중요하다. 지식창고에서도 그럴듯한 결과를 전부 쌓기보다 검토를 통과한 내용과 그 이유를 남겨야 한다.

불안을 따라 도구를 바꾸기보다 남길 것을 정하자

영상 후반부에서 김덕진은 빅데이터·4차 산업혁명·AI로 이름이 바뀌어도 자신이 해온 일의 중심은 데이터 분석과 인사이트 전달이었다고 말한다. 학부모가 유행하는 직함과 학과 이름에 미래를 맡기려는 태도도 경계한다.

이 대목은 제목의 ‘모르면 도태된다’는 압박과 다르게 읽힌다. 새 도구를 배우지 말라는 뜻이 아니라, 유행이 바뀔 때도 계속 깊게 만들 능력이 무엇인지 보자는 이야기다. 특정 학과나 교육법이 자녀의 미래를 보장한다는 결론으로 넓힐 수는 없다.

실무자에게도 남길 것은 비슷하다. 내 분야에서 자주 틀리는 기준, 좋은 결과를 구분하는 경험, 반복해서 설명하는 맥락을 기록해 보자. AI가 제안한 새 방식은 시험하되, 채택한 이유와 버린 이유를 자기 지식으로 남긴다.

오늘 시작할 일은 거대한 자동화 구축이 아니어도 된다. 반복 업무 하나를 고르고 원본·검토 기준·결과·미확인 사항을 분리해 남겨보자. 다음에 모델을 바꿔도 그 기록을 기준으로 이어갈 수 있다면, 도구 사용이 비로소 업무 자산의 축적으로 연결된다.

함께 읽으면 좋은 글

• AI 네이티브 전환법: 디지털 두뇌와 에이전트로 일하는 방식 바꾸기
• AI 시대 인간의 경쟁력: 전문성과 고유성을 함께 생각하기
• AI 코딩 인지 부채: 결과의 속도보다 이해와 검증이 중요한 이유

참고자료

• 김작가 TV, 김덕진 출연 인터뷰 원본
• Nature, AlphaGo Zero의 학습 방법과 평가
• PNAS 2023 논문 저자 공개본, AI와 인간 의사결정의 변화
• PNAS Nexus 2025 논문, 지식 발전과 패턴 다양성
• Google DeepMind, AlphaEvolve의 프로그램 제안·평가 방식
• OpenAI, 추론 토큰과 추론 요약 안내
• Anthropic, Cowork의 작업 환경과 파일 접근

본문 이미지는 김작가 TV 인터뷰의 해당 논의를 설명하기 위한 장면 인용이다. 출연자의 경험·비유와 연구 결과, 이 글의 적용 제안을 구분했다. 폴더 구조와 요청 예시는 별도로 재구성한 운영안이며, 앱 연동을 독립 재현하거나 모델별 성능을 비교한 실험은 아니다. 공식 문서 확인 기준일은 2026년 11월 4일이다.

FAQ

AI 지식창고는 파일을 한 폴더에 모으면 완성되나요?

아니다. 원본과 미검토 초안, 검토된 지식과 완성본을 구분해야 한다. 출처·확인일·버전·미확인 항목이 있어야 다음 작업에서 무엇을 다시 사용할 수 있는지 판단할 수 있다.

같은 폴더를 연결하면 여러 AI가 대화 기억도 공유하나요?

자동으로 공유된다고 볼 수 없다. 각 도구가 접근한 자료와 대화 맥락은 다를 수 있다. 다음 도구에 입력 파일·완료한 작업·근거·미확인 사항을 명시적으로 넘기는 편이 좋다.

AI가 제안하는 방식을 배우면 누구나 전문성이 높아지나요?

보장할 수 없다. 바둑 연구에서 나타난 결과도 측정 대상과 맥락에 따라 다르다. 제안을 이해하고 검토할 능력, 원천자료의 품질과 실제 업무 조건을 함께 봐야 한다.

AI가 보여주는 추론 요약만으로 작업을 검증할 수 있나요?

충분하지 않다. 요약은 내부 추론 전체가 아니며, 설명 자체에도 오류가 있을 수 있다. 원본 자료·계산값·실행 결과·변경 내역처럼 실제로 대조할 수 있는 근거를 함께 확인해야 한다.