[태그:] AI

AI 기술 변화, 인공지능 서비스, 업무와 산업에 미치는 영향을 다룬 thinknote 글을 모았습니다. AI 트렌드와 활용 방향을 함께 살펴볼 수 있습니다.

옵시디언 노트 정리가 막힐 때: Note Sweep으로 오래된 노트를 다시 쓰는 방법
옵시디언을 오래 쓰다 보면 어느 순간 볼트가 ‘지식 창고’가 아니라 ‘열어보지 않는 기록 보관함’처럼 느껴질 때가 있습니다. 새 노트는 계속 생기지만, 반년 전 작성한 노트가 지금도 쓸 만한지 확인하는 일은 뒤로 밀리기 쉽습니다.

배움의 달인 채널의 영상 「왜 내 옵시디언 노트는 정리가 안 될까? 클릭 한번에 끝내는 노트 정리 플러그인!」은 이 문제를 꽤 현실적으로 짚습니다. 핵심은 노트를 더 많이 만드는 기술이 아니라, 이미 만든 노트를 다시 살펴보고 정리하는 루틴입니다.

이 글에서는 영상에서 소개한 Obsidian 커뮤니티 플러그인 Note Sweep을 기준으로, 오래된 노트를 어떻게 선별하고 삭제·보관·업데이트할지 정리했습니다.

출처: 배움의 달인 YouTube 영상 캡처
※ 원본 YouTube 영상 장면을 리뷰·설명 목적으로 캡처했습니다.

노트가 많아질수록 정리가 더 어려워지는 이유

처음 옵시디언을 쓸 때는 노트가 늘어나는 것이 곧 생산성처럼 느껴집니다. 하지만 시간이 지나면 문제가 달라집니다. 노트 수가 많아질수록 다시 읽을 노트와 버릴 노트를 구분하기 어려워집니다.

영상 속 진행자 김문정 님도 비슷한 고민을 이야기합니다. 만 개 가까운 노트가 촘촘히 연결되어 있어도, 그 노트가 실제로 다시 쓰이지 않는다면 “정말 내 지식인가”라는 질문이 남는다는 것입니다.

이 지점에서 중요한 기준은 단순합니다.
- 최근에 다시 열어본 적이 있는가
- 지금의 판단과 정보에 맞게 업데이트되어 있는가
- 다른 노트와 연결되어 실제 작업에 쓰이는가
- 보관할 이유가 있는가, 아니면 삭제해도 되는가
노트 정리는 예쁜 폴더 구조를 만드는 일이 아닙니다. 다시 쓸 수 있는 지식과 더 이상 필요 없는 기록을 구분하는 일에 가깝습니다.

Note Sweep은 어떤 플러그인인가

Note Sweep은 오래 방치된 노트를 모아 보여주고, 사용자가 일정 시간 동안 하나씩 검토하도록 돕는 Obsidian 커뮤니티 플러그인입니다. 영상에서는 “노트 수입”처럼 들리지만, 맥락상 핵심 기능은 오래된 노트를 쓸어보고 정리하는 데 있습니다.

설치 흐름은 일반적인 커뮤니티 플러그인과 같습니다.
- Obsidian 설정에서 커뮤니티 플러그인 브라우저를 엽니다.
- `Note Sweep`을 검색합니다.
- 플러그인을 설치하고 활성화합니다.
- 왼쪽 리본 또는 명령 팔레트에서 Note Sweep을 실행합니다.
출처: 배움의 달인 YouTube 영상 캡처
※ 원본 YouTube 영상 장면을 리뷰·설명 목적으로 캡처했습니다.

핵심은 설치 자체보다 설정입니다. 무작정 모든 노트를 한꺼번에 열어보면 금방 지칩니다. 그래서 영상에서는 정리 대상을 제한하고, 매일 처리할 수 있는 분량으로 쪼개는 방식을 제안합니다.

추천 설정: 180일, 20분, 30개

영상에서 제안한 기본값은 꽤 실용적입니다.
- 방치일수: 180일 이상
- 세션 시간: 20분
- 하루 처리 노트 수: 약 30개
- 폴더당 최대 노트 수: 5개 정도
- 제외 폴더: 영구 보관하거나 자동 정리 대상에서 빼야 하는 폴더
- 보관 폴더: 삭제하지 않고 따로 모아둘 노트의 이동 위치
- 스누즈: 당장 판단하기 어려운 노트를 일정 기간 뒤 다시 보기
이 설정은 “완벽한 정리”보다 “지속 가능한 정리”에 초점을 둡니다. 1만 개 노트를 한 번에 정리하려고 하면 실패할 가능성이 큽니다. 반대로 하루 20분만 정리하면 노트 관리가 일종의 습관이 됩니다.

출처: 배움의 달인 YouTube 영상 캡처
※ 원본 YouTube 영상 장면을 리뷰·설명 목적으로 캡처했습니다.

특히 180일 기준은 초보자에게도 무난합니다. 너무 짧게 잡으면 아직 쓰임이 남아 있는 노트까지 정리 목록에 올라옵니다. 너무 길게 잡으면 정리 효과가 늦게 나타납니다. 반년 정도 열어보지 않은 노트를 먼저 살펴보는 방식이 현실적인 출발점입니다.

삭제, 보관, 업데이트의 세 가지 판단 기준

오래된 노트를 열었을 때 바로 결정해야 할 것은 하나입니다. 이 노트를 앞으로 어떻게 다룰 것인가입니다. 영상 흐름을 기준으로 정리하면 세 가지 선택지가 있습니다.

1. 삭제할 노트

이제 의미가 없거나 중복된 노트는 삭제 대상입니다. 예전 테스트, 임시 메모, 이미 다른 노트로 흡수된 기록, 지금의 관심사와 완전히 멀어진 자료가 여기에 해당합니다.

다만 삭제는 조심해야 합니다. 영상에서도 빠르게 정리하다가 중요한 노트를 실수로 지울 수 있다는 우려가 나옵니다. 그래서 처음에는 삭제보다 보관을 더 많이 선택해도 괜찮습니다.

2. 보관할 노트

지금 당장 자주 쓰지는 않지만, 나중에 참고할 가능성이 있는 노트는 보관 폴더로 옮기는 방식이 안전합니다. 보관은 “삭제하지 않겠다”가 아니라 “현재 작업 공간에서는 비중을 낮추겠다”는 의미로 이해하는 편이 좋습니다.

3. 업데이트할 노트

가장 중요한 대상은 업데이트할 노트입니다. 오래됐지만 여전히 가치가 있는 노트는 최신 정보, 새 링크, 관련 노트, 자신의 해석을 덧붙이면 다시 살아납니다.

영상에서는 OpsyGravity와 Note Surgeon 같은 AI 기반 작업 흐름을 함께 언급합니다. 오래된 노트를 AI에게 바로 맡긴다는 의미가 아니라, 사람이 검토한 뒤 필요한 부분을 AI로 보강하는 방식에 가깝습니다.

AI 업데이트는 ‘자동 정리’가 아니라 ‘검토 보조’로 써야 한다

오래된 노트를 AI로 업데이트할 때 가장 조심해야 할 점은 책임 소재입니다. AI가 내용을 정리해 줄 수는 있지만, 그 노트가 여전히 필요한지 판단하는 주체는 사용자입니다.

좋은 활용 순서는 다음과 같습니다.
- Note Sweep으로 오래된 노트를 선별합니다.
- 사용자가 삭제·보관·업데이트 중 하나를 먼저 판단합니다.
- 업데이트 대상만 AI 도구로 요약, 최신화, 연결 보강을 요청합니다.
- 결과를 그대로 붙이지 말고 자신의 표현과 현재 맥락에 맞게 수정합니다.
- 관련 노트와 링크를 다시 연결합니다.
출처: 배움의 달인 YouTube 영상 캡처
※ 원본 YouTube 영상 장면을 리뷰·설명 목적으로 캡처했습니다.

이 방식은 단순한 자동화보다 느릴 수 있습니다. 하지만 지식관리에서 중요한 것은 속도만이 아닙니다. 내가 다시 읽고 판단한 흔적이 남아야 그 노트가 다음 작업에서 실제로 쓰입니다.

매일 20분 정리 루틴을 만드는 법

Note Sweep의 장점은 “정리해야지”라는 추상적인 결심을 구체적인 세션으로 바꿔준다는 점입니다. 매일 20분이라는 제한이 있으면 부담이 줄어듭니다.

추천 루틴은 다음과 같습니다.
- 하루 작업 시작 전 또는 마무리 전에 20분 세션을 엽니다.
- 첫 5분은 삭제 또는 보관할 노트를 빠르게 처리합니다.
- 다음 10분은 업데이트할 노트를 1~2개만 고릅니다.
- 마지막 5분은 연결 링크와 태그를 정리합니다.
- 판단이 어려운 노트는 스누즈하고 다음 세션으로 넘깁니다.
이렇게 하면 노트 정리가 별도의 대형 프로젝트가 아니라 반복 가능한 작은 습관이 됩니다.

옵시디언 볼트를 데이터레이크처럼 관리한다는 것

영상에서 인상적인 표현은 “1등급 데이터레이크”에 가까운 노트 저장소를 만들자는 관점입니다. 데이터레이크는 데이터를 많이 모으는 것만으로 완성되지 않습니다. 품질, 접근성, 재사용성이 함께 관리되어야 합니다.

옵시디언 볼트도 마찬가지입니다. 노트가 많다는 사실보다 중요한 것은 다음 질문입니다.
- 필요한 노트를 다시 찾을 수 있는가
- 오래된 노트가 현재 기준으로 업데이트되어 있는가
- 중복과 쓰레기 데이터가 계속 쌓이지 않는가
- 새 작업을 시작할 때 과거 노트가 실제 재료로 쓰이는가
Note Sweep은 이 질문을 정기적으로 마주하게 만드는 도구입니다. 그래서 이 플러그인의 가치는 “노트를 정리해 주는 기능”보다 “노트를 다시 보게 만드는 장치”에 있습니다.

출처: 배움의 달인 YouTube 영상 캡처
※ 원본 YouTube 영상 장면을 리뷰·설명 목적으로 캡처했습니다.

누가 이 플러그인을 써보면 좋을까

Note Sweep은 특히 다음 사용자에게 잘 맞습니다.
- 옵시디언 노트가 수천 개 이상 쌓인 사람
- 매일 노트를 만들지만 다시 열어보는 비율이 낮은 사람
- 예전 메모와 최신 생각이 뒤섞여 볼트가 무거워진 사람
- AI 도구로 노트를 업데이트하고 싶지만 대상을 고르기 어려운 사람
- 노트 정리를 큰 프로젝트가 아니라 매일의 루틴으로 만들고 싶은 사람
반대로 노트 수가 아직 많지 않거나, 모든 노트를 명확한 프로젝트 단위로 관리하고 있다면 당장 필수 도구는 아닐 수 있습니다. 이 경우에는 폴더 구조와 링크 습관부터 점검하는 편이 더 효과적입니다.

함께 읽어볼 글
FAQ

Note Sweep은 노트를 자동으로 삭제하나요?

영상 기준으로는 오래된 노트를 목록화하고 정리 세션을 돕는 도구에 가깝습니다. 삭제 여부는 사용자가 판단해야 합니다. 중요한 노트는 바로 삭제하기보다 보관하거나 스누즈하는 방식이 안전합니다.

방치일수는 꼭 180일로 설정해야 하나요?

필수는 아닙니다. 다만 처음 시작할 때는 180일 정도가 무난합니다. 너무 짧게 잡으면 정리 대상이 과도하게 많아지고, 너무 길게 잡으면 정리 효과가 늦게 나타납니다.

AI로 오래된 노트를 바로 업데이트해도 될까요?

가능하지만 권장 순서는 먼저 사람이 노트의 필요성을 판단하는 것입니다. 업데이트할 가치가 있는 노트만 AI로 요약, 최신화, 연결 보강을 요청하는 편이 안전합니다.

옵시디언 초보자도 Note Sweep이 필요할까요?

노트가 많지 않다면 당장 필수는 아닙니다. 초보자는 먼저 노트 작성 규칙, 링크 습관, 폴더 구조를 잡는 것이 좋습니다. Note Sweep은 노트가 많이 쌓인 뒤 정리 루틴이 필요할 때 더 유용합니다.

참고자료
- 배움의 달인 YouTube 영상: 왜 내 옵시디언 노트는 정리가 안 될까? 클릭 한번에 끝내는 노트 정리 플러그인!
- Obsidian Community Plugins
※ 본문 이미지는 원본 YouTube 영상의 주요 장면을 리뷰·설명 목적으로 캡처한 것입니다.
2026년 07월 27일

Kimi K3 돌풍과 논란: 중국 오픈 AI가 흔든 5가지 질문

Kimi K3는 단순한 신제품 발표가 아닙니다. 중국 문샷AI가 공개한 3조 파라미터급 오픈 모델이라는 점에서, AI 산업의 경쟁 구도를 다시 흔드는 사건입니다.

Read in English: Kimi K3 Shock and Controversy: Five Questions China’s Open AI Model Raises

문샷AI 공식 문서에 따르면 Kimi K3는 2.8조 파라미터, 1M 토큰 컨텍스트, 네이티브 멀티모달 이해, 장기 코딩과 지식 작업을 핵심 목표로 내세웁니다. CNBC와 BBC 등 주요 매체는 이 모델을 두고 미국 빅테크 중심의 폐쇄형 최상위 모델 경쟁에 중국 오픈 모델이 도전장을 던진 사례로 해석했습니다.

하지만 Kimi K3 돌풍은 환호만으로 설명하기 어렵습니다. 벤치마크 성능, 오픈소스라는 표현의 정확성, 증류 의혹, 반도체 시장 충격, 한국 기업의 대응까지 논란의 층위가 많습니다. 핵심은 “중국이 미국을 이겼나”가 아니라 “AI 경쟁의 기준이 무엇으로 바뀌고 있나”입니다.

Kimi K3란 무엇인가

Kimi K3는 중국 스타트업 문샷AI가 2026년 7월 공개한 플래그십 모델입니다. 공식 문서의 핵심 스펙은 네 가지입니다.

2.8조 파라미터: 문샷AI는 Kimi K3를 3조 파라미터급 오픈 모델의 첫 사례로 설명합니다.
1M 토큰 컨텍스트: 긴 문서, 코드베이스, 회의록, 지식 작업을 한 번에 다루는 능력을 강조합니다.
네이티브 멀티모달: 텍스트뿐 아니라 시각 입력을 함께 처리하는 모델로 소개됩니다.
장기 코딩·지식 작업 지향: 단발 질의응답보다 에이전트형 코딩과 복잡한 업무 수행을 주요 사용 사례로 제시합니다.

공식 문서에는 Kimi Delta Attention, Attention Residuals, Mixture of Experts 구조도 언급됩니다. 특히 896개 전문가 중 16개를 활성화하는 방식은 거대한 모델 규모와 실제 추론 효율을 동시에 노린 설계로 볼 수 있습니다.

왜 이렇게 큰 돌풍이 됐나

Kimi K3가 주목받은 첫 번째 이유는 성능 주장입니다. 문샷AI와 일부 외부 평가에 따르면 Kimi K3는 코딩, 웹 인터페이스 엔지니어링, 에이전트 작업 등에서 GPT와 Claude 계열 최상위 모델에 근접하거나 일부 영역에서 앞서는 결과를 냈습니다.

두 번째 이유는 가격과 접근성입니다. 국내외 보도는 Kimi K3가 미국 최상위 모델보다 낮은 비용 구조를 내세운다고 분석했습니다. 모델 성능이 비슷한데 이용 비용이 낮다면, 기업 입장에서는 “최고 모델 하나에 종속될 이유가 있는가”라는 질문이 생깁니다.

세 번째 이유는 공개 전략입니다. Kimi K3는 폐쇄형 API 중심의 미국 모델과 달리 오픈소스 또는 오픈웨이트 모델로 소개됩니다. 다만 여기서 중요한 구분이 있습니다. 가중치가 공개된다고 해서 학습 데이터, 전체 학습 절차, 안전성 평가 방식까지 모두 투명해지는 것은 아닙니다. 그래서 글에서는 Kimi K3를 “오픈소스”라는 홍보 문구보다 오픈웨이트에 가까운 전략적 공개 모델로 보는 편이 더 안전합니다.

논란 1: 벤치마크는 얼마나 믿을 수 있나

Kimi K3 논쟁의 중심에는 벤치마크가 있습니다. 숫자만 보면 Kimi K3는 폐쇄형 최상위 모델과 같은 테이블에 올라섰습니다. 특히 코딩과 에이전트형 작업에서 강하게 평가됐다는 보도가 이어졌습니다.

문제는 벤치마크가 실제 기업 현장의 모든 위험을 보여주지는 못한다는 점입니다. GovInfoSecurity는 Kimi K3 사례가 AI 리더보드의 한계를 보여준다고 지적했습니다. 테스트 점수가 높아도 보안, 일관성, 장기 운영 안정성, 민감 데이터 처리, 장애 대응, 규제 준수까지 자동으로 검증되는 것은 아닙니다.

따라서 기업이 볼 것은 “몇 점 차이로 어느 모델을 이겼는가”가 아닙니다. 실제로는 다음 질문이 더 중요합니다.

우리 업무 데이터에서 같은 성능이 나오는가?
긴 컨텍스트에서 환각과 누락이 얼마나 줄어드는가?
코드 생성 뒤 테스트와 보안 검사를 통과하는가?
장애나 정책 변경 때 대체 모델로 전환할 수 있는가?
비용 절감분이 검수·보안 비용 증가분보다 큰가?

논란 2: Claude 증류 의혹은 어떻게 봐야 하나

일부 매체와 SNS에서는 Kimi K3가 자신을 Claude로 소개했다는 사례를 근거로 증류 의혹을 제기했습니다. 증류란 강력한 모델의 출력물을 다른 모델 학습에 활용해 성능을 끌어올리는 방식을 말합니다.

이 의혹은 민감합니다. 미국 AI 기업들은 자사 모델의 출력물이 경쟁 모델 훈련에 쓰이는 것을 강하게 경계합니다. 반대로 중국 측과 일부 분석가들은 이런 문제 제기가 기술 경쟁의 정치적 프레임과 섞여 있다고 봅니다.

여기서 균형 있게 볼 지점이 있습니다. 첫째, 모델이 특정 이름을 잘못 말하는 현상만으로 불법 증류를 확정하기는 어렵습니다. 둘째, 고성능 모델이 기존 모델의 출력 데이터에서 영향을 받았을 가능성은 업계 전반의 회색지대입니다. 셋째, TechCrunch가 전한 일부 전문가 의견처럼 Kimi K3의 성능을 전부 증류로만 설명하기도 어렵습니다.

결론적으로 이 논란은 “Kimi K3가 가짜인가”보다 더 큰 질문을 던집니다. 앞으로 AI 모델 경쟁은 성능뿐 아니라 학습 데이터의 출처, 출력물 이용권, 모델 공급망의 투명성을 둘러싼 분쟁으로 옮겨갈 가능성이 큽니다.

논란 3: 반도체 시장에는 악재인가 호재인가

Kimi K3 발표 뒤 국내 증시에서는 삼성전자와 SK하이닉스에 미칠 영향을 두고 해석이 갈렸습니다. 파이낸셜뉴스 등은 이를 “딥시크 쇼크”와 비교하며 반도체 시장의 위기론과 기회론이 동시에 나온다고 보도했습니다.

위기론은 이렇습니다. 중국 모델이 더 낮은 비용으로 높은 성능을 낸다면, 미국 빅테크 중심의 초대형 GPU 투자 논리가 흔들릴 수 있습니다. 투자자들은 “AI 모델이 더 효율적으로 만들어진다면 고성능 반도체 수요가 줄어드는 것 아닌가”라고 묻습니다.

반대로 기회론도 있습니다. 오픈웨이트 고성능 모델이 늘어나면 더 많은 기업과 개발자가 자체 추론 인프라를 운영하려 할 수 있습니다. 이는 메모리, 서버, 추론용 반도체, 데이터센터 수요를 넓힐 수 있습니다. DeepSeek 이후에도 장기적으로 AI 인프라 투자가 꺾이지 않았다는 반론도 이 지점에서 나옵니다.

즉 Kimi K3는 반도체 수요를 단순히 줄이는 사건이 아닙니다. 더 정확히는 훈련 중심 수요에서 추론·배포·최적화 중심 수요로 무게중심을 옮기는 신호일 수 있습니다.

혁신의 핵심은 “중국이 빨라졌다”가 아니다

Kimi K3를 중국 AI의 승리로만 읽으면 중요한 변화가 보이지 않습니다. 진짜 변화는 오픈 모델의 속도입니다. 고성능 모델이 폐쇄형 API 안에만 머물지 않고, 빠르게 공개 생태계로 내려오고 있습니다.

이 흐름은 세 가지 변화를 만듭니다.

가격 압박: 최상위 모델 API의 단가가 계속 정당화되기 어려워집니다.
제품 압박: 모델 회사는 단순 모델 제공을 넘어 에이전트, 도구, 워크플로우까지 제공해야 합니다.
정책 압박: 국가는 AI 접근권, 오픈웨이트 공개, 데이터 규제, 수출 통제를 동시에 고민해야 합니다.

Thinknote의 기존 글에서 다룬 소형 언어 모델과 오픈소스 AI 문제와도 연결됩니다. 승자독식처럼 보였던 AI 시장이 실제로는 모델 크기, 비용, 공개 전략, 배포 위치에 따라 여러 층으로 쪼개지고 있습니다.

한국 기업은 무엇을 봐야 하나

한국 기업에게 Kimi K3의 의미는 “당장 이 모델을 써야 한다”가 아닙니다. 더 중요한 것은 모델 선택 기준을 바꾸는 일입니다.

첫째, 모델 포트폴리오가 필요합니다. GPT, Claude, Gemini, Kimi, 오픈웨이트 모델을 목적별로 나눠 평가해야 합니다. 모든 업무를 하나의 API에 묶는 방식은 비용과 리스크를 동시에 키웁니다.

둘째, 벤치마크보다 내부 평가셋이 중요합니다. 우리 회사의 문서, 코드, 고객 응대, 리포트 작성, 데이터 분석에서 실제로 어느 모델이 더 나은지 봐야 합니다.

셋째, AI 코딩은 모델보다 하네스가 중요합니다. Thinknote에서 다룬 AI 코딩의 본질은 모델이 아니라 하네스다라는 관점처럼, 테스트·리뷰·배포·롤백 체계가 없으면 좋은 모델도 위험한 자동화가 됩니다.

넷째, 소버린 AI를 현실적으로 봐야 합니다. AI도 전략자산이 된 시대라는 관점에서 보면, 한국은 외국 모델을 쓰지 말자는 극단이 아니라 중요한 업무에서 끊기지 않는 대체 경로를 확보해야 합니다.

다섯째, 에이전틱 AI 전환은 더 빨라집니다. Kimi K3가 장기 코딩과 지식 작업을 강조한 것은 AI가 챗봇에서 업무 수행 시스템으로 이동하고 있음을 보여줍니다. 이는 에이전틱 AI 시대의 일하는 방식과 직접 연결됩니다.

개인 사용자에게 주는 의미

개인 사용자에게도 Kimi K3는 의미가 있습니다. 선택지가 늘어난다는 뜻이기 때문입니다. 앞으로는 “어떤 챗봇이 가장 똑똑한가”보다 “내 목적에 맞는 모델 조합은 무엇인가”가 더 중요해집니다.

코딩을 한다면 코드 실행, 테스트, 파일 수정 흐름까지 함께 봐야 합니다. 긴 문서를 다룬다면 1M 컨텍스트가 실제 요약 품질을 높이는지 확인해야 합니다. 업무 자동화라면 비용, 속도, 개인정보 처리 위치, 로그 보관 정책도 봐야 합니다.

Kimi K3 돌풍은 특정 모델의 우승 선언이 아닙니다. AI 사용자가 더 까다로운 구매자가 되어야 한다는 신호입니다.

Kimi K3를 둘러싼 5가지 판단 기준

판단 기준	확인할 질문	의미
성능	내 업무 데이터에서도 잘하는가	공개 벤치마크와 현장 성능은 다를 수 있습니다
비용	입력·출력·캐시 비용을 합쳐도 저렴한가	긴 컨텍스트는 비용 구조를 바꿉니다
투명성	가중치 외에 학습·평가 정보가 얼마나 공개되는가	오픈웨이트와 완전한 오픈소스는 다릅니다
리스크	데이터 보안·규제·공급망 문제가 없는가	중국 모델 도입은 거버넌스 검토가 필요합니다
대체 가능성	다른 모델로 쉽게 바꿀 수 있는가	모델 종속을 줄이는 설계가 중요합니다

FAQ

Kimi K3는 오픈AI나 앤트로픽을 완전히 이긴 모델인가요?

아직 그렇게 단정하기는 어렵습니다. 일부 벤치마크와 코딩 영역에서 강한 결과가 나왔지만, 전체 성능과 기업 환경의 안정성은 별도 검증이 필요합니다.

Kimi K3는 정말 오픈소스인가요?

공식 문서는 오픈소스 모델이라고 표현하지만, 실제로는 가중치 공개 여부와 공개 범위를 확인해야 합니다. 학습 데이터와 전체 훈련 절차까지 투명하게 공개되는지는 별개의 문제입니다.

Claude 증류 의혹은 사실인가요?

현재 공개 보도만으로 확정하기 어렵습니다. 일부 사례와 의혹은 있지만, 전문가들 사이에는 Kimi K3의 성능을 증류만으로 설명하기 어렵다는 반론도 있습니다.

한국 기업은 Kimi K3를 바로 도입해야 하나요?

바로 도입보다 내부 평가가 먼저입니다. 보안, 비용, 성능, 규제, 대체 가능성을 함께 검토해야 합니다.

Kimi K3가 반도체 기업에는 악재인가요?

단기적으로는 투자 심리를 흔들 수 있습니다. 그러나 장기적으로는 오픈 모델 확산이 추론 인프라와 메모리 수요를 넓힐 가능성도 있습니다.

결론: Kimi K3가 보여준 것은 AI 경쟁의 새 규칙이다

Kimi K3의 의미는 한 문장으로 정리할 수 있습니다. “최상위 AI는 더 이상 폐쇄형 미국 모델만의 영역이 아닐 수 있다”는 신호입니다.

그러나 이 신호를 과장해서도 안 됩니다. 벤치마크는 출발점일 뿐이고, 증류 논란은 아직 확정된 사실이 아니며, 오픈소스라는 표현도 세밀하게 봐야 합니다.

Kimi K3가 만든 진짜 변화는 선택지의 증가입니다. 기업과 개인은 이제 모델 이름이 아니라 평가 체계, 데이터 거버넌스, 비용 구조, 대체 가능성을 기준으로 AI를 선택해야 합니다. AI 돌풍을 기회로 바꾸는 쪽은 새 모델 소식을 가장 빨리 따라가는 사람이 아니라, 그 모델을 안전하게 비교하고 조합할 수 있는 사람입니다.

참고자료

2026년 07월 21일

AI 웹디자인 워크플로우: ChatGPT 시안과 Claude Design으로 랜딩페이지 만드는 법

AI 웹디자인은 이제 “프롬프트를 넣으면 사이트가 나온다” 정도의 이야기가 아닙니다. 더 중요한 변화는 디자인 기준을 먼저 시각화하고, 그 기준을 다른 AI에게 구현하게 하는 분업 방식입니다.

Read in English: AI Web Design Workflow: How to Build a Landing Page with ChatGPT Mockups and Claude Design

Darrel Wilson의 영상은 이 흐름을 잘 보여줍니다. 먼저 ChatGPT Sol로 웹사이트 스크린샷을 만들고, 그중 마음에 드는 시안을 Claude Design에 넘겨 반응형 웹페이지로 바꾸는 방식입니다. 초보자에게는 빠른 실험 도구이고, 실무자에게는 브리프와 구현 사이의 간격을 줄이는 방법입니다.

ChatGPT가 만든 웹사이트 시안 예시 — AI가 먼저 완성형 웹사이트 시안을 그려 시각 기준점을 만든다. 출처: Darrel Wilson YouTube 영상 캡처.

핵심은 “코드 생성”보다 “시각 기준 만들기”입니다

AI로 웹사이트를 만들 때 흔한 실수는 첫 프롬프트부터 “멋진 랜딩페이지를 HTML로 만들어줘”라고 요청하는 것입니다. 이렇게 하면 결과가 그럴듯해도 브랜드 톤, 이미지 방향, 섹션 밀도, 타이포그래피가 흔들리기 쉽습니다.

영상의 접근은 다릅니다. ChatGPT Sol에 먼저 업종, 분위기, 이미지 스타일, 레이아웃 조건을 넣어 완성된 웹사이트처럼 보이는 스크린샷을 만들게 합니다. 이 스크린샷은 AI에게 줄 수 있는 시각적 브리프가 됩니다.

1단계: ChatGPT Sol로 여러 개의 디자인 시안을 만듭니다

텍스트 프롬프트에는 단순히 “웹사이트를 만들어줘”가 아니라 구체적인 디자인 조건을 넣습니다. 예를 들면 이런 요소입니다.

업종과 사이트 목적
원하는 분위기와 브랜드 톤
히어로 섹션의 이미지 방향
세로·가로 텍스트 같은 레이아웃 특징
CTA 버튼, 메뉴, 섹션 구성
고해상도 이미지 사용 여부

이 단계의 목적은 바로 배포할 코드를 얻는 것이 아닙니다. 여러 시안을 빠르게 비교하고, 가장 강한 방향을 고르는 것입니다.

시안 속 이미지 자산 추출 — 스크린샷 속 이미지를 고해상도 자산으로 분리해 구현 단계에 넘긴다. 출처: Darrel Wilson YouTube 영상 캡처.

2단계: 이미지 자산을 따로 뽑아 Claude에 넘깁니다

좋은 시안이 나와도 구현 단계에서 이미지가 placeholder로 바뀌면 결과물이 급격히 약해집니다. 그래서 영상에서는 스크린샷 속 이미지를 고해상도 파일로 추출해 ZIP 파일로 내려받습니다.

이 과정이 중요한 이유는 간단합니다. Claude Design이 레이아웃만 따라 하는 것이 아니라, 원래 시안의 분위기를 만든 이미지 자산까지 함께 사용할 수 있기 때문입니다.

실무에서는 이 단계에서 한 가지를 더 확인해야 합니다. AI가 만든 이미지의 상업적 사용 가능성, 인물 표현, 브랜드 유사성, 저작권 리스크를 반드시 검토해야 합니다.

Claude Design 구현 화면 — 선택한 시안을 Claude Design에 넣어 실제 웹페이지 구조로 옮긴다. 출처: Darrel Wilson YouTube 영상 캡처.

3단계: Claude Design으로 시안을 반응형 웹페이지로 구현합니다

다음 단계는 선택한 스크린샷과 이미지 ZIP을 Claude Design에 올리는 것입니다. 영상에서는 원본 시안을 최대한 따라가도록 지시하고, 필요하면 Claude의 기본 디자인 시스템을 끄는 방식을 보여줍니다.

이때 프롬프트는 짧아도 됩니다. 중요한 것은 “이 이미지를 참고해서 비슷한 웹사이트를 만들어줘”가 아니라, 다음 기준을 함께 주는 것입니다.

원본 시안의 레이아웃을 우선 보존할 것
이미지 자산을 placeholder로 바꾸지 말 것
데스크톱과 모바일 반응형을 함께 고려할 것
메뉴, CTA, 섹션 순서를 실제 사이트처럼 연결할 것
이후 About, Services, Contact 페이지로 확장할 수 있게 구조화할 것

4단계: 홈페이지만 만들지 말고 사이트 구조까지 확장합니다

영상에서는 홈페이지를 만든 뒤 About, Services, Insight, Contact 같은 추가 페이지를 같은 디자인 언어로 생성합니다. 이 부분이 중요합니다. 랜딩페이지 하나가 예뻐도, 내부 페이지가 비어 있으면 실제 사이트로 쓰기 어렵습니다.

AI 웹사이트 제작은 “첫 화면이 예쁘다”에서 멈추면 안 됩니다. 최소한 다음 항목은 확인해야 합니다.

네비게이션 링크가 실제 페이지로 이어지는가
모바일에서 메뉴와 CTA가 자연스럽게 작동하는가
Contact 폼, 버튼, 외부 링크가 정상 동작하는가
페이지별 카피가 중복되지 않는가
SEO 제목과 메타 설명을 페이지별로 나눴는가

프롬프트로 콘텐츠 조정 — 업종 정보와 문구를 다시 넣어 페이지 내용을 맞춤화한다. 출처: Darrel Wilson YouTube 영상 캡처.

5단계: 카피와 애니메이션은 나중에 분리해서 다듬습니다

Claude가 만든 첫 결과물은 시작점입니다. 영상에서는 업종 정보를 다시 넣어 전체 텍스트를 맞춤화하고, 새·구름·인물 영상 같은 애니메이션을 추가합니다.

하지만 애니메이션은 신중해야 합니다. 배경 영상과 움직이는 오브젝트는 첫인상을 높일 수 있지만, 모바일 속도와 접근성을 떨어뜨릴 수 있습니다. 특히 작은 화면에서는 텍스트 가독성이 먼저입니다.

실무에서는 다음 순서가 안정적입니다.

구조와 섹션을 먼저 완성한다.
브랜드 카피를 사람이 검수한다.
모바일 레이아웃을 수정한다.
애니메이션을 최소 단위로 추가한다.
속도, 접근성, SEO를 마지막에 점검한다.

배포 단계 예시 — 완성된 HTML을 호스팅에 연결해 실제 도메인으로 공개한다. 출처: Darrel Wilson YouTube 영상 캡처.

이 방식이 바꾸는 것은 도구가 아니라 작업 순서입니다

이 영상의 메시지는 “이제 디자이너와 개발자가 필요 없다”가 아닙니다. 오히려 사람의 역할이 더 앞단과 뒷단으로 이동한다는 뜻에 가깝습니다.

앞단에서는 좋은 시각 브리프를 만들고, 여러 시안 중 무엇을 선택할지 판단해야 합니다. 뒷단에서는 결과물이 실제 서비스 기준을 통과하는지 검증해야 합니다.

AI가 빨라진 만큼, 사람이 확인해야 할 기준도 명확해져야 합니다.

단계	AI가 잘하는 일	사람이 확인할 일
시안 생성	다양한 레이아웃과 이미지 방향 제안	브랜드 적합성, 차별성, 저작권
구현	HTML/CSS 구조화, 반응형 초안 생성	코드 품질, 접근성, 성능
콘텐츠	업종별 문구 초안 작성	사실성, 설득력, 법적 표현
배포	정적 파일 정리, 페이지 확장	도메인, 폼, 분석, 보안

바로 따라 해볼 때의 체크리스트

한 번에 완성하려 하지 말고 시안 생성, 구현, 수정, 배포를 나눕니다.
ChatGPT에는 “디자인 방향”을, Claude에는 “구현 기준”을 맡깁니다.
스크린샷뿐 아니라 이미지 자산도 함께 넘깁니다.
모바일 화면을 별도 프롬프트로 점검합니다.
실제 배포 전에는 링크, 폼, 속도, 접근성, SEO를 확인합니다.

FAQ

Q1. ChatGPT Sol만으로 웹사이트를 완성할 수 있나요?

영상의 핵심은 Sol만으로 끝내는 것이 아닙니다. ChatGPT Sol은 디자인 시안과 이미지 자산을 만들고, Claude Design은 그 시안을 실제 웹페이지로 구현하는 분업 구조에 가깝습니다.

Q2. 왜 Claude에 바로 만들라고 하지 않고 스크린샷을 먼저 만드나요?

스크린샷은 레이아웃, 이미지, 타이포그래피, 분위기를 한 번에 전달하는 시각 브리프입니다. 텍스트만 줄 때보다 AI가 따라야 할 기준이 훨씬 구체적입니다.

Q3. 이 방식은 Figma를 대체하나요?

간단한 시안과 랜딩페이지 실험에서는 Figma 앞단의 일부 작업을 줄일 수 있습니다. 다만 팀 협업, 컴포넌트 관리, 디자인 시스템, 상세 UX 검증까지 완전히 대체한다고 보기는 어렵습니다.

Q4. AI가 만든 웹사이트를 바로 상업용으로 써도 되나요?

바로 쓰기보다는 검수 후 사용하는 것이 안전합니다. 이미지 권리, 반응형 품질, 접근성, 성능, 개인정보 폼 처리, 검색 최적화는 별도로 확인해야 합니다.

Q5. 초보자에게도 유용한 방식인가요?

유용합니다. 특히 디자인 감각이 부족한 초보자는 여러 시안을 먼저 보며 방향을 고를 수 있습니다. 다만 최종 결과를 그대로 믿기보다 체크리스트로 하나씩 검증해야 합니다.

참고자료

2026년 07월 21일

AI 특이점은 5년 안에 올까? 에이전트 시대를 준비하는 5가지 질문
AI 특이점 이야기는 대개 두 갈래로 흐릅니다. 하나는 “언제 인간을 넘어설 것인가”라는 날짜 맞히기입니다. 다른 하나는 “그래서 내 일과 생활은 언제 달라지는가”라는 체감의 문제입니다.

Read in English: Will the AI Singularity Arrive Within Five Years? Five Questions for Preparing for the Agent Era

EBS 교양 영상 “가장 늦게 온다는 게 5년 뒤입니다”는 두 번째 질문에 더 가깝습니다. 핵심은 거창한 미래 예언이 아닙니다. 챗봇을 넘어, AI가 실제 일을 처리하는 에이전트 단계에 가까워질 때 우리가 무엇을 준비해야 하느냐입니다.

AI 특이점 토론 장면

특이점은 날짜보다 ‘체감 지점’이 중요하다

영상에서 특이점은 인공지능이 인간 지능을 넘어서는 전환점으로 설명됩니다. 출연자는 일부 AI 과학자들이 2030년 전후를 말한다는 점을 언급합니다. 그래서 “5년 안에 올 수 있다”는 표현이 나옵니다.

하지만 날짜만 붙잡으면 논의가 쉽게 과장됩니다. 더 중요한 질문은 따로 있습니다. 사람들이 언제 AI를 단순 도구가 아니라 일의 동료, 혹은 대체자로 느끼기 시작하느냐입니다.

그 체감 지점은 초지능이라는 거대한 단어보다 에이전트에 더 가깝습니다. 문서 찾기, 비교 검토, 엑셀 계산, 이메일 발송, 일정 조율처럼 여러 단계를 가진 일을 AI가 이어서 처리하면 사람들은 이미 “이건 다른 국면”이라고 느끼게 됩니다.

관련해서 Thinknote의 AGI와 초지능 위험 정리 글도 함께 보면 좋습니다. 그 글이 큰 위험 지형을 본다면, 이 글은 일상 업무에서 체감되는 변화를 중심으로 봅니다.

왜 디지털 지능은 다르게 움직이나

영상에서 흥미로운 대목은 자연 지능과 디지털 지능의 차이입니다. 인간의 천재성은 개인에게 묶입니다. 한 사람이 평생 쌓은 경험은 기록으로 남더라도 그대로 다른 사람의 능력이 되지는 않습니다.

AI는 다릅니다. 하나의 모델이 도달한 수준은 다음 모델의 출발선이 될 수 있습니다. 로봇 하나가 배운 동작이 전체 로봇군에 복제될 수도 있습니다. 영상에서는 이를 “AI 쪽에서는 아인슈타인이 하나 생기면 바텀 라인이 된다”는 식으로 설명합니다.

또 하나의 차이는 시간입니다. AI는 인간이 수백 년에 걸쳐 반복할 시행착오를 압축된 시간 안에서 시뮬레이션할 수 있습니다. 그래서 특이점 논의는 단순히 “더 똑똑한 기계”의 문제가 아닙니다. 학습 속도, 복제 가능성, 지식 전이 방식이 함께 바뀌는 문제입니다.

AI 시대 질문 슬라이드

에이전트 단계가 오면 무엇이 달라질까

오픈AI의 AGI 단계 논의처럼, AI 발전은 챗봇에서 추론, 에이전트, 혁신가, 조직 수준으로 설명되곤 합니다. 여기서 대중이 가장 먼저 강하게 체감할 단계는 에이전트입니다.

에이전트는 답을 말하는 데서 끝나지 않습니다. 사용자의 목표를 받아 여러 앱과 도구를 다루고, 중간 결과를 확인하며, 필요한 작업을 이어 갑니다. 그래서 에이전틱 AI 시대의 일하는 방식은 이미 개인과 기업 모두에게 현실적인 주제가 됐습니다.

준비도 달라져야 합니다. 프롬프트를 잘 쓰는 수준만으로는 부족합니다. 어떤 작업을 AI에게 맡길지, 어떤 데이터는 맡기면 안 되는지, 결과를 누가 검토할지, 실패했을 때 로그를 어떻게 남길지까지 설계해야 합니다.

할루시네이션은 위험이자 창의성의 그림자다

영상은 할루시네이션 문제도 길게 다룹니다. AI가 그럴듯하지만 틀린 답을 내놓는 문제입니다. 특히 의료, 약, 법률, 금융처럼 틀리면 피해가 큰 영역에서는 치명적입니다.

그런데 할루시네이션을 단순한 버그로만 보면 AI의 성격을 놓치게 됩니다. 영상에서는 “할루시네이션은 버그가 아니라 피처”라는 관점도 소개됩니다. 새로운 조합과 창의적 답변은 어느 정도 상상과 추론의 여지를 필요로 하기 때문입니다.

그래서 실무적 결론은 “AI를 믿지 말자”가 아닙니다. 검증 장치를 붙여서 쓰자에 가깝습니다. 검색 증강, 출처 확인, 계산 도구, 전문가 검토, 업무 로그가 함께 있어야 합니다. 옵시디언 딥리서치 자동화 글에서 다룬 것처럼, AI 활용의 품질은 답변 자체보다 검증 루프에서 갈립니다.

몸을 가진 AI와 현실 세계의 문제

후반부에서는 휴머노이드와 임보디드 AI가 등장합니다. 텍스트와 이미지로만 배운 AI가 과연 세계를 제대로 이해할 수 있느냐는 질문입니다. 연구실에서 실험하고, 물건을 잡고, 넘어지고, 다시 조정하는 경험은 말로만 배운 지식과 다릅니다.

휴머노이드와 몸을 가진 AI 논의

엔비디아의 Cosmos 같은 플랫폼은 이 문제를 가상 세계에서 풀려는 시도입니다. 현실과 비슷한 물리 환경을 시뮬레이션하고, 로봇이나 자율주행 시스템이 그 안에서 대량의 경험을 쌓게 하는 방식입니다.

이 대목은 특이점 논의를 더 현실적으로 만듭니다. 인간을 넘어서는 AI가 어느 날 갑자기 등장한다기보다, 소프트웨어 에이전트와 물리 세계의 로봇이 서로 다른 속도로 발전하며 사회의 여러 영역에 들어오는 그림에 가깝습니다.

개인과 조직이 지금 던져야 할 5가지 질문

영상의 결론은 공포보다 준비에 가깝습니다. AI는 모두를 똑같이 성장시키는 도구가 아닐 수 있습니다. 이미 지식과 자원을 가진 사람을 더 크게 증폭하는 장치가 될 수 있습니다.

그래서 다음 다섯 가지 질문이 필요합니다.
1. 내 일에서 AI가 이미 대신할 수 있는 반복 업무는 무엇인가? 보고서 초안, 자료 조사, 요약, 일정 조율처럼 작은 작업부터 분리해 봐야 합니다.
2. AI에게 맡기면 안 되는 판단은 무엇인가? 법적 책임, 인사 평가, 의료·재무 판단처럼 오류 비용이 큰 영역은 사람의 검토가 필수입니다.
3. AI 결과를 검증하는 루프가 있는가? 출처, 계산, 로그, 재현 가능성을 확인하지 않으면 AI는 빠른 오류 생산기가 될 수 있습니다.
4. 우리 조직의 데이터와 권한은 안전하게 설계되어 있는가? 에이전트가 실제 도구를 조작하려면 권한 관리와 작업 기록이 중요해집니다.
5. 나는 AI에게 좋은 질문을 던질 만큼 배경지식을 갖고 있는가? 영상의 표현처럼 AI 시대는 교양의 복권일 수 있습니다. 질문이 얕으면 답도 얕아집니다.
AI 시대의 가능성과 불안

결론: 특이점보다 먼저 오는 것은 일하는 방식의 변화다

AI 특이점이 정확히 몇 년 뒤에 오는지는 누구도 단정하기 어렵습니다. 지능의 정의도 아직 분명하지 않습니다. 그래서 “2030년”이라는 숫자는 예언이 아니라 경고 신호로 읽는 편이 낫습니다.

분명한 것은 챗봇에서 에이전트로 넘어가는 변화가 이미 시작됐다는 점입니다. AI는 답변 도구에서 실행 도구로 이동하고 있습니다. 이 변화는 개인의 생산성, 조직의 권한 설계, 교육의 방향, 사회적 분배 논의까지 건드립니다.

AI 특이점 토론 마무리

결국 준비의 핵심은 하나입니다. AI를 더 많이 쓰는 것이 아니라, 무엇을 맡기고 무엇을 검증하며 어떤 질문을 던질지 설계하는 것입니다.

함께 읽기
FAQ

AI 특이점은 정말 5년 안에 오나요?

정확한 시점은 단정할 수 없습니다. 다만 영상은 일부 전문가들이 2030년 전후를 말할 만큼 논의의 시간이 앞당겨졌다는 점을 강조합니다. 날짜보다 중요한 것은 에이전트형 AI가 실제 업무를 처리하기 시작하는 체감 변화입니다.

AGI와 AI 에이전트는 같은 말인가요?

같지는 않습니다. AGI는 인간처럼 다양한 문제를 일반적으로 해결하는 지능을 뜻합니다. AI 에이전트는 목표를 받아 여러 단계를 실행하는 시스템에 가깝습니다. 다만 많은 사람은 에이전트 단계에서 AGI에 가까운 변화를 먼저 체감할 수 있습니다.

AI의 할루시네이션은 없어질 수 있나요?

완전히 사라진다고 보기는 어렵습니다. 대신 검색 증강, 출처 확인, 계산 도구, 전문가 검토를 붙이면 위험을 줄일 수 있습니다. 중요한 영역일수록 AI 답변을 최종 판단으로 쓰지 말고 검증 루프 안에 넣어야 합니다.

AI 시대에 개인이 가장 먼저 준비할 것은 무엇인가요?

도구 목록보다 업무 분해가 먼저입니다. 내 일 중 반복되는 부분, 판단이 필요한 부분, 책임이 큰 부분을 나눠야 합니다. 그다음 AI에게 맡길 일과 사람이 검토해야 할 일을 정할 수 있습니다.

왜 AI 시대에 교양과 질문 능력이 중요해지나요?

AI는 질문의 수준에 크게 영향을 받습니다. 배경지식이 있어야 좋은 질문을 만들고, 그 답이 맞는지 판단할 수 있습니다. 그래서 AI를 잘 쓰는 능력은 단순한 프롬프트 기술이 아니라 지식과 맥락을 다루는 능력에 가깝습니다.

참고자료
이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.
2026년 07월 21일

윈도우 PowerShell에서 Claude Code 설치하는 방법: 처음부터 실행까지

윈도우에서 Claude Code를 처음 설치한다면 PowerShell에서 시작하는 것이 가장 단순합니다. 핵심은 세 가지입니다. PowerShell인지 먼저 확인하고, 공식 설치 명령을 실행한 뒤, `claude` 명령으로 로그인과 실행 테스트를 끝내는 것입니다.

Read in English: How to Install Claude Code in Windows PowerShell: From First Setup to First Run

Windows PowerShell에서 Claude Code 설치 흐름을 보여주는 설명 이미지 — 이미지: Thinknote 제작, Claude Code PowerShell 설치 흐름 요약

이 글은 Windows PowerShell 기준입니다. CMD에서는 명령이 달라질 수 있고, WSL·macOS·Linux 설치법은 별도 명령을 사용합니다.

먼저 확인할 것: PowerShell인지, CMD인지

가장 흔한 실수는 PowerShell 명령을 CMD에서 실행하거나, CMD 명령을 PowerShell에서 실행하는 것입니다. 프롬프트가 PS C:\로 시작하면 PowerShell입니다. 그냥 C:\만 보이면 CMD일 가능성이 큽니다.

상황	의미	대응
프롬프트가 `PS C:\`로 시작	PowerShell 사용 중	이 글의 명령을 그대로 따라가면 됩니다.
프롬프트가 `C:\`로 시작	CMD 사용 중일 가능성	시작 메뉴에서 PowerShell을 열거나 Windows Terminal에서 PowerShell 탭을 선택합니다.
`irm`을 인식하지 못함	대개 CMD에서 PowerShell 명령을 실행한 경우	PowerShell을 다시 열고 명령을 실행합니다.
`&&` 구문 오류	CMD 명령을 PowerShell에서 실행한 경우	PowerShell용 명령과 CMD용 명령을 섞지 않습니다.

1단계: Node.js가 필요한지 확인하기

Anthropic 공식 문서 기준 Claude Code는 Windows 10 1809 이상 또는 Windows Server 2019 이상에서 사용할 수 있습니다. 설치 방식은 크게 공식 네이티브 설치와 npm 설치가 있습니다. 초보자라면 공식 PowerShell 설치 명령을 먼저 쓰는 편이 쉽습니다. npm 방식은 Node.js 22 이상 환경에서 대안으로 사용할 수 있습니다.

node --version
npm --version

위 명령이 버전을 보여주면 Node.js와 npm이 설치되어 있습니다. 없다면 아래처럼 WinGet으로 Node.js LTS를 설치할 수 있습니다. 단, 공식 네이티브 설치 명령을 쓸 경우 Node.js를 반드시 먼저 설치해야 하는 것은 아닙니다.

winget install OpenJS.NodeJS.LTS

2단계: PowerShell에서 Claude Code 설치하기

Windows PowerShell에서는 Anthropic 공식 빠른 설치 명령을 사용합니다. PowerShell을 열고 아래 명령을 실행합니다.

irm https://claude.ai/install.ps1 | iex

보안이 걱정된다면 바로 실행하기 전에 설치 스크립트를 먼저 열어 확인할 수 있습니다. 이 경우에도 출처가 공식 도메인인지 확인하는 습관이 중요합니다.

irm https://claude.ai/install.ps1

3단계: 설치 확인하기

설치가 끝나면 새 PowerShell 창을 열고 버전을 확인합니다. 공식 문서에서는 정상 설치 시 버전 번호와 함께 Claude Code가 표시된다고 설명합니다.

claude --version

더 자세히 확인하려면 진단 명령을 실행합니다. 이 명령은 세션을 시작하지 않고 설치 상태와 설정 문제를 읽기 전용으로 점검합니다.

claude doctor

4단계: 로그인하고 첫 세션 시작하기

Claude Code는 무료 Claude.ai 플랜만으로는 사용할 수 없습니다. 공식 문서 기준 Pro, Max, Team, Enterprise 또는 Console 계정이 필요합니다. 설치 후 아래 명령을 실행하면 브라우저 로그인 흐름이 열립니다.

claude

API 과금 기반으로 쓰려면 Console 계정 인증을 선택할 수 있습니다. 이미 API 키 환경변수를 쓰는 고급 사용자는 인증 방식이 달라질 수 있지만, 키 값은 절대 블로그나 코드 저장소에 직접 적지 않는 것이 원칙입니다.

claude auth login --console
claude auth status --text

5단계: 프로젝트 폴더에서 실행하기

Claude Code는 그냥 챗봇을 여는 도구가 아닙니다. 현재 폴더의 코드와 파일을 읽고, 필요한 경우 수정하며, 명령을 실행하는 코딩 에이전트입니다. 그래서 먼저 작업할 프로젝트 폴더로 이동한 뒤 실행하는 것이 좋습니다.

cd C:\Users\me\Workspace\my-project
claude

처음 실행하면 폴더를 신뢰할지 묻는 안내가 나올 수 있습니다. 본인이 만든 프로젝트나 신뢰할 수 있는 저장소에서만 승인하세요. 모르는 폴더, 내려받은 압축 파일, 출처가 불명확한 코드는 먼저 내용을 확인하는 편이 안전합니다.

npm으로 설치하는 대안

Node.js 22 이상을 이미 쓰고 있다면 npm 전역 설치도 가능합니다. 공식 문서에 따르면 npm 패키지는 플랫폼별 네이티브 바이너리를 내려받아 연결합니다.

npm install -g @anthropic-ai/claude-code
claude --version

설치 방식	추천 대상	메모
공식 PowerShell 설치	처음 설치하는 윈도우 사용자	명령이 짧고 Windows용 공식 빠른 설치 흐름에 가깝습니다.
npm 설치	Node.js 22 이상을 이미 쓰는 개발자	기존 Node/npm 환경을 관리하는 사람에게 편합니다.
WinGet 설치	패키지 관리자를 선호하는 사용자	수동 업데이트 정책을 함께 확인해야 합니다.

자주 나는 오류와 해결법

오류 또는 증상	가능한 원인	해결 방법
`irm`을 찾을 수 없음	CMD에서 PowerShell 명령을 실행함	PowerShell을 열고 다시 실행합니다.
`&&` 관련 오류	PowerShell에서 CMD 명령을 실행함	PowerShell용 명령과 CMD용 명령을 구분합니다.
`claude` 명령을 찾을 수 없음	설치 경로가 새 세션에 반영되지 않음	PowerShell을 새로 열고 `claude --version`을 다시 실행합니다.
로그인이 계속 실패	계정 권한 또는 브라우저 인증 문제	`claude auth status --text`로 상태를 확인하고 다시 로그인합니다.
프로젝트에서 권한 안내가 나옴	Claude Code가 폴더 접근 신뢰를 확인함	신뢰할 수 있는 프로젝트에서만 승인합니다.

처음 실행할 때 추천하는 명령

설치가 끝났다면 바로 큰 작업을 맡기기보다, 현재 프로젝트를 설명해달라는 작은 요청부터 시작하는 것이 좋습니다. 그러면 Claude Code가 저장소 구조를 어떻게 읽는지 확인할 수 있습니다.

claude

# Claude Code 안에서 입력
이 프로젝트 구조를 간단히 설명해줘.
실행 가능한 테스트나 빌드 명령이 있으면 함께 알려줘.

FAQ

Windows PowerShell에서 Claude Code 설치 명령은 무엇인가요?

공식 빠른 설치 명령은 irm https://claude.ai/install.ps1 | iex입니다. PowerShell에서 실행해야 하며, CMD에서는 다른 명령을 사용해야 합니다.

Claude Code 설치에 Node.js가 꼭 필요한가요?

공식 네이티브 설치를 쓰면 Node.js를 먼저 설치하지 않아도 됩니다. 다만 npm 방식으로 설치하려면 Node.js 22 이상 환경이 필요합니다.

Claude Code는 무료 Claude 계정으로 쓸 수 있나요?

공식 문서 기준 Claude Code는 Pro, Max, Team, Enterprise 또는 Console 계정이 필요합니다. 무료 Claude.ai 플랜만으로는 사용할 수 없습니다.

설치 후 가장 먼저 확인할 명령은 무엇인가요?

claude --version으로 버전을 확인하고, 문제가 있으면 claude doctor로 설치 상태를 점검하세요.

프로젝트 폴더에서 실행해야 하는 이유는 무엇인가요?

Claude Code는 현재 폴더의 파일과 코드 구조를 바탕으로 작업합니다. 원하는 프로젝트 폴더로 이동한 뒤 claude를 실행해야 엉뚱한 폴더를 읽는 실수를 줄일 수 있습니다.

참고자료

정리하면, 윈도우에서는 PowerShell을 열고 공식 설치 명령을 실행한 뒤 claude --version, claude doctor, claude 순서로 확인하면 됩니다. 설치 자체보다 중요한 것은 실행 위치와 권한입니다. 신뢰할 수 있는 프로젝트 폴더에서 시작하고, API 키나 계정 정보는 절대 코드에 직접 남기지 마세요.

2026년 07월 19일

OpenHuman AI 에이전트란? 로컬 기억을 가진 오픈소스 AI 비서의 가능성과 한계
OpenHuman AI 에이전트가 주목받는 이유는 단순히 “또 하나의 챗봇”이 아니기 때문입니다. 이 프로젝트는 대화창 하나보다 더 큰 그림을 겨냥합니다. 개인의 파일, 메모, 앱, 웹 리서치, 자동화 흐름을 하나의 AI 작업 환경으로 묶으려 합니다.

Read in English: What Is the OpenHuman AI Agent? The Promise and Limits of an Open-Source AI Assistant with Local Memory

공식 GitHub 저장소의 설명을 빌리면 OpenHuman은 “로컬 우선 기억을 만드는 두뇌, 에이전트 함대를 운영하는 오케스트레이터, 깊이 있는 리서처”를 지향합니다. 표현은 다소 크지만, 방향은 분명합니다. AI가 매번 새로 묻는 비서가 아니라, 사용자의 세계를 계속 기억하고 움직이는 작업 시스템이 되겠다는 것입니다.

OpenHuman은 어떤 프로젝트인가

OpenHuman은 tinyhumansai/openhuman 저장소에서 공개된 오픈소스 AI 에이전트 플랫폼입니다. 공식 저장소 기준으로 주 언어는 Rust이며, 라이선스는 GPL-3.0입니다. 2026년 7월 기준 최신 릴리스는 v0.61.8이고, README에는 Early Beta 상태라고 명시되어 있습니다.

핵심은 세 가지입니다.
1. 개인 데이터를 로컬 중심으로 기억하는 구조
2. 여러 에이전트와 워크플로를 운영하는 오케스트레이션 구조
3. 웹, 파일, 브라우저, 음성, 리서치 도구를 묶은 실행 환경
그래서 OpenHuman은 ChatGPT나 Claude 같은 모델 자체라기보다, 여러 모델과 도구를 실제 업무 흐름에 연결하는 “에이전트 하네스”에 가깝습니다.

첫 번째 차이: 로컬 우선 메모리

OpenHuman이 가장 강하게 내세우는 지점은 기억입니다. README는 Memory Tree와 Obsidian Wiki를 함께 언급합니다. 사용자의 데이터를 SQLite와 Markdown 트리로 정리하고, 사람이 열어볼 수 있는 Obsidian 볼트와 연결한다는 설명입니다.

이 접근은 중요합니다. 많은 AI 도구가 “기억합니다”라고 말하지만, 사용자는 그 기억이 어디에 저장되는지, 어떤 기준으로 검색되는지, 잘못된 기억을 어떻게 고치는지 알기 어렵습니다. OpenHuman은 적어도 방향성 면에서 블랙박스형 기억보다 편집 가능한 지식 구조를 지향합니다.

물론 실제 품질은 따로 확인해야 합니다. 메모리 구조가 좋아 보여도, 자동 수집된 정보가 중복되거나 오래된 내용으로 쌓이면 오히려 방해가 될 수 있습니다. 개인 지식 시스템은 “많이 저장”보다 “잘 정리하고 쉽게 고치는 것”이 더 중요합니다.

두 번째 차이: 에이전트 오케스트레이션

OpenHuman은 단일 비서보다 에이전트 오케스트레이션을 강조합니다. 워크플로를 만들고, 트리거 기반으로 실행하고, 승인 게이트를 둔 자동화를 지향합니다. README에서는 tinyflows, tinyagents 같은 하위 오픈소스 구성요소도 언급합니다.

이 방향은 요즘 AI 에이전트 흐름과 잘 맞습니다. 업무 자동화는 더 이상 “프롬프트를 잘 쓰는 법”만으로 끝나지 않습니다. 어떤 작업을 언제 실행할지, 실패하면 어떻게 재시도할지, 사용자의 승인이 필요한 지점은 어디인지가 더 중요해졌습니다.

OpenHuman이 흥미로운 이유도 여기에 있습니다. 개인 AI 비서가 실제 업무에 들어오려면 대화 능력보다 실행 구조가 필요합니다. 일정 확인, 회의 요약, 파일 조사, 리서치, 코드 작업, 보고서 초안 작성이 하나의 흐름으로 이어져야 합니다.

세 번째 차이: 리서치와 실행 도구의 결합

OpenHuman은 웹 검색, 스크래핑, 브라우저, 코딩 도구, 음성, 미팅 에이전트 같은 기능을 소개합니다. 공식 문서 표현으로는 SuperContext라는 개념도 있습니다. 사용자가 질문을 끝내기 전에 로컬 기억과 파일, 웹을 먼저 훑어 맥락을 확보한다는 방향입니다.

이 구조가 제대로 작동하면 장점은 큽니다. AI가 “무엇을 알고 있는지”부터 다시 설명하지 않아도 됩니다. 업무 맥락, 파일 위치, 최근 대화, 관련 문서를 먼저 보고 답할 수 있습니다.

다만 이런 도구형 에이전트는 권한 설계가 핵심입니다. Gmail, Slack, Notion, GitHub 같은 계정을 연결하면 편리하지만, 동시에 민감한 정보 접근 권한도 커집니다. 자동 실행 기능이 있는 도구라면 더 조심해야 합니다. 어떤 데이터가 로컬에 남고, 어떤 요청이 외부 모델 API로 전송되는지 확인해야 합니다.

OpenHuman을 써볼 만한 사람

OpenHuman은 모든 사람에게 필요한 도구는 아닙니다. 오히려 다음 조건에 가까울수록 관심을 가져볼 만합니다.
- Obsidian, Markdown, 로컬 파일 기반 지식관리를 이미 쓰고 있다.
- AI 비서를 단순 질의응답보다 업무 자동화에 연결하고 싶다.
- Gmail, Notion, GitHub, Slack 등 여러 도구의 맥락을 한곳에서 다루고 싶다.
- AI 에이전트 워크플로, MCP, Skills 같은 확장 구조에 관심이 있다.
- 베타 도구의 불안정성을 감수하고 테스트할 수 있다.
반대로 “설치해서 바로 안정적으로 쓰는 업무용 도구”를 기대한다면 조금 기다리는 편이 낫습니다. 공식 저장소도 Early Beta라고 밝히고 있습니다. 데이터 접근 권한이 큰 도구일수록 베타 단계에서는 작은 테스트부터 시작해야 합니다.

설치할 때 확인할 점

공식 INSTALL 문서는 운영체제별 네이티브 설치를 우선 권장합니다. macOS는 Homebrew tap, Ubuntu/Debian은 GitHub Releases의 .deb, Windows는 MSI 설치 파일을 사용할 수 있습니다.

주의할 점도 있습니다. 설치 스크립트 방식은 편하지만, 공식 문서에서도 별도 서명 검증이 제한적이라고 설명합니다. 그래서 가능하면 운영체제의 표준 설치 방식이나 릴리스 파일을 사용하는 편이 안전합니다.

또 하나는 Linux 환경입니다. INSTALL 문서는 AppImage가 Wayland나 일부 시스템 라이브러리 문제로 충돌할 수 있다고 안내합니다. Debian/Ubuntu라면 .deb 설치가 더 안정적인 선택일 수 있습니다.

OpenHuman을 평가할 때 볼 기준

OpenHuman 같은 에이전트 플랫폼은 기능 목록만 보고 판단하면 안 됩니다. 실제 평가 기준은 조금 다릅니다.

1. 기억이 편집 가능한가

AI가 무엇을 기억하는지 사용자가 볼 수 있어야 합니다. 틀린 기억을 고칠 수 있어야 하고, 오래된 맥락을 지울 수 있어야 합니다.

2. 자동화에 승인 지점이 있는가

좋은 에이전트는 모든 것을 마음대로 실행하지 않습니다. 메일 발송, 파일 수정, 외부 게시, 결제 같은 작업에는 명확한 승인 단계가 필요합니다.

3. 실패했을 때 원인을 남기는가

에이전트는 반드시 실패합니다. 중요한 것은 실패하지 않는 척하는 것이 아니라, 어디서 막혔고 어떤 로그나 재시도 경로가 있는지 보여주는 것입니다.

4. 외부 모델로 나가는 데이터가 명확한가

로컬 우선이라는 표현만으로는 충분하지 않습니다. 어떤 데이터가 로컬에 있고, 어떤 데이터가 외부 API로 전송되는지 확인해야 합니다.

5. 내 기존 워크플로와 충돌하지 않는가

AI 도구는 업무 방식을 바꿉니다. 좋은 변화일 수도 있지만, 기존 파일 구조와 협업 방식에 혼선을 줄 수도 있습니다. 먼저 작은 프로젝트에서 시험하는 것이 좋습니다.

Hermes Agent와 비교해 보면

OpenHuman은 개인 데스크톱 AI 운영체제에 가까운 인상을 줍니다. 로컬 기억, Obsidian 위키, 다양한 앱 연동, 백그라운드 루프를 전면에 내세웁니다.

반면 Hermes Agent는 작업 실행, 도구 호출, 스킬, 크론, 워크스페이스 기반 자동화에 강점이 있습니다. 사용자가 이미 정해둔 프로젝트 폴더와 절차 안에서 조사, 작성, 업로드, 검증까지 이어가는 방식에 가깝습니다.

두 도구는 경쟁 관계라기보다 관점이 다릅니다. OpenHuman은 “개인 AI 환경 전체”를 만들려는 쪽이고, Hermes는 “도구를 실제 작업으로 끝까지 실행하는 에이전트 런타임”에 가깝습니다. AI 에이전트 시대에는 이런 차이가 더 중요해질 것입니다. 모델보다 하네스와 기억 구조가 실제 생산성을 가르기 때문입니다.

결론: 기대할 만하지만, 작은 테스트부터

OpenHuman은 AI 에이전트가 어디로 가고 있는지 보여주는 흥미로운 프로젝트입니다. 대화형 챗봇을 넘어 로컬 기억, 워크플로, 리서치, 실행 도구를 하나로 묶으려는 시도입니다.

하지만 아직 Early Beta입니다. 개인 데이터와 업무 도구를 연결하기 전에는 권한, 저장 위치, 외부 전송 범위, 실패 로그, 자동 실행 범위를 확인해야 합니다. 처음부터 메인 업무를 맡기기보다, 별도 테스트 계정과 작은 폴더에서 시작하는 편이 안전합니다.

결국 질문은 “OpenHuman이 좋은가?”가 아닙니다. 더 정확한 질문은 이것입니다. 내 지식과 업무 흐름을 AI가 계속 기억하고 실행하게 만들 준비가 되어 있는가. OpenHuman은 그 질문을 꽤 선명하게 던지는 도구입니다.

함께 읽기
FAQ

OpenHuman은 ChatGPT 같은 AI 모델인가요?

아닙니다. OpenHuman은 특정 모델이라기보다 여러 모델, 도구, 메모리, 워크플로를 연결하는 AI 에이전트 플랫폼에 가깝습니다.

OpenHuman은 무료인가요?

공식 GitHub 저장소는 GPL-3.0 라이선스의 오픈소스 프로젝트입니다. 다만 실제 사용 과정에서 외부 모델 API, 연동 서비스, 구독 기능이 필요할 수 있으므로 비용 구조는 설치 후 별도로 확인해야 합니다.

OpenHuman의 가장 큰 장점은 무엇인가요?

로컬 우선 메모리와 에이전트 오케스트레이션을 함께 지향한다는 점입니다. 단순 대화형 AI가 아니라 사용자의 파일, 앱, 목표, 자동화 흐름을 연결하려는 구조입니다.

지금 업무에 바로 써도 될까요?

공식 저장소가 Early Beta라고 밝히고 있으므로, 핵심 업무에 바로 적용하기보다는 테스트 계정과 제한된 데이터로 먼저 검증하는 것이 좋습니다.

설치할 때 가장 조심할 점은 무엇인가요?

계정 연동 권한과 설치 방식입니다. 가능하면 공식 릴리스의 네이티브 패키지를 사용하고, Gmail·Slack·GitHub 같은 민감한 계정은 최소 권한으로 연결해야 합니다.

참고자료
2026년 07월 18일
Claude 코워크로 1인 AI 비서 만들기: Gmail·Notion·카카오톡 자동 브리핑
Claude를 단순히 “질문에 답하는 챗봇”으로만 쓰면 금방 한계가 옵니다. 메일을 읽고, 할 일을 정리하고, 일정과 날씨를 확인해 아침마다 보고해 주는 구조까지 만들면 이야기가 달라집니다. 이번 글은 소소한 AI 입문노트 영상의 흐름을 바탕으로 Claude 코워크와 Gmail, Notion, PlayMCP를 연결해 1인 AI 비서 워크플로우를 만드는 방법을 정리했습니다.

카카오톡으로 도착한 AI 데일리 브리핑 예시 · 원본 영상 캡처

핵심은 프롬프트가 아니라 반복 업무의 흐름입니다

영상에서 가장 중요한 장면은 “좋은 프롬프트 하나”가 아닙니다. Gmail에서 메일을 읽고, 답장 초안을 만들고, Notion에 할 일을 정리하고, PlayMCP를 통해 날씨와 카카오톡 브리핑까지 이어 붙이는 전체 흐름입니다.

이 차이가 큽니다. 단발성 질문은 매번 사람이 다시 상황을 설명해야 합니다. 반면 업무 흐름은 한 번 설계해 두면 매일 같은 시간, 같은 기준, 같은 출력 형식으로 돌아갑니다. AI를 업무에 쓰는 사람과 AI로 업무 시스템을 만드는 사람의 차이가 여기서 갈립니다.

1단계: Claude 데스크톱에서 Gmail을 연결합니다

먼저 Claude 데스크톱 앱에서 사용자 지정 메뉴로 들어가 커넥터를 선택합니다. 영상에서는 Gmail 커넥터를 연결한 뒤, Claude Cowork의 협업 모드에서 “최근에 온 이메일 네 개를 알려줘”라고 요청합니다.

Claude Gmail 커넥터 연결 화면 · 원본 영상 캡처

여기서 바로 체감되는 기능은 두 가지입니다.
- 최근 메일을 요약해 오늘 확인해야 할 내용을 빠르게 파악할 수 있습니다.
- 답장이 필요한 메일은 초안 형태로 만들고, 사용자는 검토 후 보내기만 하면 됩니다.
다만 메일은 민감 정보가 많습니다. 처음에는 테스트용 메일이나 중요도가 낮은 메일부터 연결해 보세요. Claude가 접근할 작업 폴더도 별도로 만들고, 중요한 문서가 섞이지 않도록 분리하는 편이 안전합니다.

2단계: Notion에 할 일을 자동으로 정리합니다

메일 확인만으로는 비서가 아닙니다. 메일 안에 숨어 있는 해야 할 일을 꺼내 실제 작업 목록으로 옮겨야 합니다. 영상에서는 Notion 커넥터를 연결한 뒤 “이번 주 작업 일정을 내 Notion에 투두리스트 페이지로 만들어 넣어 줘”라고 요청합니다.

Claude 협업 화면에서 업무 흐름을 구성하는 장면 · 원본 영상 캡처

이 단계의 장점은 메일함과 할 일 목록이 끊기지 않는다는 점입니다. 보통은 메일을 읽고, 따로 메모하고, 다시 Notion이나 투두 앱에 옮기는 과정에서 누락이 생깁니다. Claude가 메일 내용을 읽고 구조화해 주면 사람은 우선순위와 실행 여부만 판단하면 됩니다.

처음부터 복잡한 대시보드를 만들 필요는 없습니다. 아래처럼 단순한 필드만 있어도 충분합니다.
- 작업명
- 관련 메일 또는 요청자
- 마감일
- 우선순위
- 진행 상태
- 다음 행동
3단계: PlayMCP로 카카오톡·날씨·지도 정보를 붙입니다

Gmail과 Notion이 업무 정보를 정리한다면, PlayMCP는 외부 도구와의 연결을 넓혀 줍니다. 영상에서는 PlayMCP에서 카카오톡 나와의 채팅, 카카오맵, 날씨 도구를 도구함에 추가한 뒤 Claude와 연결합니다.

PlayMCP에서 날씨와 카카오맵 도구를 선택하는 장면 · 원본 영상 캡처

이렇게 연결하면 브리핑이 훨씬 생활형으로 바뀝니다. 예를 들어 “오늘 일기예보를 확인하고, Gmail에 있던 외근 장소 근처 맛집 다섯 곳을 찾아 카카오톡으로 보내 줘”라고 요청할 수 있습니다. 단순 업무 요약이 아니라 하루를 시작하기 위한 실제 의사결정 자료가 되는 셈입니다.

여기서 주의할 점도 있습니다. 지도, 날씨, 메신저 도구는 외부 서비스 권한과 연결됩니다. 어떤 계정으로 로그인하는지, 어떤 도구에 어떤 권한을 주는지, 자동 발송 대상이 어디인지 반드시 확인해야 합니다.

4단계: 스킬과 예약 작업으로 매일 아침 실행합니다

영상의 마지막 실습은 Claude 안에서 데일리 브리핑 스킬을 만들고, 예약 작업으로 매일 실행되게 설정하는 것입니다. 한 번 만든 스킬은 “메일 확인 → 답장 초안 → Notion 업데이트 → 날씨·외근 정보 확인 → 카카오톡 보고” 같은 순서를 기억합니다.

카카오톡으로 자동 발송된 데일리 브리핑 결과 · 원본 영상 캡처

예약 작업까지 붙이면 사용자가 매번 프롬프트를 입력하지 않아도 됩니다. 아침에 출근 준비를 하는 동안 AI가 먼저 하루의 자료를 정리해 두는 구조가 됩니다.

이때 승인 건너뛰기나 자동 실행 옵션은 편리하지만 위험도 함께 커집니다. 처음에는 반드시 수동 실행으로 테스트하고, 잘못된 메일 발송이나 민감 정보 노출이 없는지 확인한 뒤 자동화 수준을 높이는 것이 좋습니다.

따라 하기 전에 확인할 체크리스트

이 워크플로우를 바로 적용하기 전에 아래 네 가지를 먼저 정리해 보세요.
1. 매일 반복되는 업무가 무엇인지 정합니다. 메일 확인, 일정 정리, 보고서 초안, 고객 응대처럼 빈도가 높은 작업이 좋습니다.
2. AI가 접근해도 되는 계정과 데이터 범위를 분리합니다. 개인 메일 전체를 바로 열기보다 테스트 범위를 먼저 정하세요.
3. 결과물을 받을 채널을 하나로 정합니다. 카카오톡, Notion, 이메일 중 어디에서 확인할지 정해야 흐름이 단순해집니다.
4. 자동 실행 전 수동 테스트를 3회 이상 해 봅니다. 요약 품질, 누락, 권한, 발송 대상을 확인해야 합니다.
이 방식이 맞는 사람과 아직 이른 사람

이 방식은 반복 업무가 많고 여러 도구를 오가며 일하는 사람에게 잘 맞습니다. 매일 메일을 확인하고, 회의나 외근이 있고, Notion 같은 작업 관리 도구를 이미 쓰는 사람이라면 효과를 빠르게 볼 수 있습니다.

반대로 아직 Claude 데스크톱, Notion, MCP 같은 개념이 낯설다면 한 번에 전부 연결하지 않는 편이 좋습니다. 먼저 Claude와 Gmail만 연결해 메일 요약과 답장 초안부터 테스트해 보세요. 그 다음 Notion, 마지막으로 PlayMCP와 예약 작업을 붙이는 순서가 안전합니다.

함께 읽으면 좋은 글
자주 묻는 질문

Claude 코워크와 일반 채팅은 무엇이 다른가요?

일반 채팅은 대화 중심입니다. 코워크 또는 협업 모드는 특정 폴더, 파일, 커넥터, 도구를 함께 쓰며 작업 흐름을 구성하는 데 더 가깝습니다. 영상에서도 새 채팅의 협업 버튼을 통해 작업 폴더를 지정한 뒤 메일과 파일 작업을 이어 갑니다.

Gmail과 Notion을 연결해도 안전한가요?

도구 자체보다 권한 범위와 사용 습관이 중요합니다. 처음부터 모든 메일과 문서를 자동화하지 말고, 테스트용 폴더와 낮은 위험의 업무부터 시작하는 것이 좋습니다. 자동 발송 기능은 특히 수동 검토 단계를 남겨 두는 편이 안전합니다.

PlayMCP는 꼭 필요한가요?

카카오톡, 카카오맵, 날씨처럼 Claude 기본 커넥터 밖의 도구를 연결하려면 PlayMCP 같은 외부 도구 연결 계층이 필요할 수 있습니다. 단순히 메일 요약과 Notion 정리만 하고 싶다면 PlayMCP 없이도 시작할 수 있습니다.

매일 아침 자동 실행은 바로 켜도 되나요?

바로 켜는 것은 권하지 않습니다. 먼저 수동 실행으로 결과를 확인하고, 민감 정보가 노출되지 않는지, 엉뚱한 채팅방으로 보내지 않는지 확인해야 합니다. 그 다음 예약 작업을 걸어 자동화하는 것이 안전합니다.

이 글은 원본 영상의 내용을 그대로 옮긴 것인가요?

아닙니다. 원본 영상의 실습 흐름을 바탕으로, 광고성 후반부는 줄이고 실제 업무 자동화 관점에서 필요한 설정 순서와 주의점을 재구성했습니다.

참고자료
이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.
2026년 07월 17일
AI 시대 자녀교육, 좋은 대학보다 먼저 키워야 할 5가지 능력
AI가 공부를 대신해 주는 시대가 오면, 부모는 아이에게 무엇을 남겨 줘야 할까요. 조벽 교수는 지식인사이드 인터뷰에서 이 질문을 꽤 단호하게 던집니다. 좋은 대학, 높은 점수, 더 많은 사교육만 붙잡고 있으면 AI 시대의 변화 앞에서 한 박자 늦을 수 있다는 것입니다.

핵심은 “공부를 하지 말자”가 아닙니다. 오히려 기본 지식은 필요합니다. 다만 아이의 시간을 전부 정답 맞히기에 쓰는 방식은 점점 위험해집니다. AI가 정답을 빠르게 찾아 주는 시대에는 질문하고, 관계를 만들고, 자기만의 경험을 해석하는 힘이 더 중요해지기 때문입니다.

출처: 지식인사이드 유튜브 영상 캡처

좋은 대학 전략이 더 이상 충분하지 않은 이유

한국 부모에게 자녀 성공 전략은 오랫동안 단순했습니다. 좋은 성적을 받고, 좋은 대학에 가고, 안정적인 직업을 얻는 길입니다. 조벽 교수는 이 전략이 과거에는 꽤 강력했지만, AI 시대에는 그대로 통하지 않을 수 있다고 말합니다.

영상에서 인상적인 비유가 나옵니다. 100년 전쯤 촬영된 가족사진 속 세 형제는 같은 시각, 같은 장소에 있었지만 전혀 다른 시대를 사는 사람처럼 보입니다. 누군가는 과거의 성공 상징을 붙들었고, 누군가는 새 시대의 교육으로 이동했습니다. 이 장면은 지금의 부모에게도 묻습니다. 우리가 붙잡는 “좋은 길”은 정말 아이가 살아갈 시대의 길일까요.

출처: 지식인사이드 유튜브 영상 캡처

1. 인성은 예절이 아니라 AI 시대의 실력이다

영상의 첫 번째 메시지는 “인성도 실력”이라는 말입니다. 여기서 인성은 단순히 착하고 예의 바른 태도를 뜻하지 않습니다. 조벽 교수는 인성을 인간만이 지닐 수 있는 고유한 특성으로 설명합니다. 소통, 공감, 협업, 회복탄력성처럼 AI가 대체하기 어려운 인간의 힘입니다.

예전에는 지식과 기술이 앞서면 인성은 부가 요소처럼 여겨지기도 했습니다. 하지만 AI가 지식 처리와 정답 탐색을 빠르게 맡아 갈수록 상황은 달라집니다. 사람은 사람과 일해야 하고, 모호한 문제를 함께 풀어야 합니다. 그래서 인성은 “있으면 좋은 것”이 아니라 아이가 오래 살아남기 위한 핵심 역량이 됩니다.

2. 질문력은 프롬프트 기술보다 더 깊은 능력이다

AI 시대가 되면서 많은 사람이 “질문을 잘해야 한다”고 말합니다. 프롬프트를 잘 쓰는 능력도 분명 필요합니다. 그러나 영상에서 말하는 질문력은 그보다 큽니다. 아이가 자기 배움의 주도권을 넘겨받는 능력에 가깝습니다.

아이들은 원래 질문을 많이 합니다. 그런데 어른이 되면서 질문은 줄어듭니다. “쓸데없는 생각하지 말고 공부해”, “빨리 숙제해”, “이 문제부터 풀어”라는 말 속에서 질문하는 힘이 눌리기 때문입니다. 부모가 해야 할 일은 아이에게 정답을 더 많이 주는 것이 아니라, 질문해도 괜찮은 분위기를 회복해 주는 일입니다.

출처: 지식인사이드 유튜브 영상 캡처

3. 미래 리터러시는 미래를 맞히는 능력이 아니다

조벽 교수는 “미래 리터러시”를 미래를 예측하는 능력으로 설명하지 않습니다. 오히려 내가 살아가고 싶은 미래를 만들어 내는 능력이라고 말합니다. 이 차이가 중요합니다.

예측은 AI가 더 잘할 수 있습니다. 데이터와 패턴을 읽고 가능한 시나리오를 계산하는 일은 AI의 강점입니다. 하지만 어떤 미래를 원하고, 어떤 삶을 선택하고, 어떤 관계를 지킬지는 사람의 몫입니다. 그래서 부모는 아이에게 “정답을 맞히는 아이”가 아니라 “자기 미래를 설계하는 아이”가 되도록 도와야 합니다.

4. 베스트보다 유니크가 중요해진다

입시 경쟁은 아이를 계속 비교하게 만듭니다. 누가 더 높은 점수를 받았는지, 누가 더 좋은 학교에 갔는지, 누가 더 빨리 앞섰는지가 기준이 됩니다. 그러나 AI 시대의 경쟁력은 꼭 남을 이기는 데서만 나오지 않습니다.

조벽 교수는 “베스트”보다 “유니크”를 강조합니다. 아이가 자기만의 경험, 관심, 질문, 실패, 회복의 이야기를 가질 때 경쟁하지 않고도 경쟁력이 생긴다는 뜻입니다. 똑같은 정답을 빠르게 말하는 사람은 AI와 비교됩니다. 그러나 자기만의 관점으로 문제를 보고, 다른 사람과 협력해 기여하는 사람은 쉽게 대체되지 않습니다.

출처: 지식인사이드 유튜브 영상 캡처

5. 부모의 첫 질문은 점수가 아니라 감정이어야 한다

영상의 마지막 조언은 가장 실천적입니다. 아이가 학교에서 돌아왔을 때 “오늘 뭐 배웠니?”, “몇 점 받았니?”라고 묻는 부모는 AI 시대에 역행할 수 있습니다. 대신 “오늘 학교에서 즐거웠니?”라고 묻는 부모는 아이의 감정과 연결됩니다.

이 말은 공부를 포기하자는 뜻이 아닙니다. 아이의 생기와 관계를 먼저 살리자는 뜻입니다. 부모와 자녀의 관계는 대학 입시가 끝나면 사라지는 프로젝트가 아닙니다. 평생 이어지는 관계입니다. 그 관계가 안전할 때 아이는 더 많이 질문하고, 더 멀리 탐험하고, 실패해도 다시 일어날 수 있습니다.

출처: 지식인사이드 유튜브 영상 캡처

부모가 오늘 바로 바꿀 수 있는 5가지 질문

AI 시대 자녀교육은 거창한 제도 개혁만 기다릴 일이 아닙니다. 부모가 집에서 쓰는 질문부터 바꿀 수 있습니다.
1. “오늘 몇 점 받았어?” 대신 “오늘 가장 재미있었던 순간은 뭐였어?”
2. “왜 그것도 몰라?” 대신 “어디서부터 헷갈렸어?”
3. “그 꿈은 현실성이 없어” 대신 “그 꿈에 가까워지려면 어떤 경험을 해 보면 좋을까?”
4. “남들은 다 하는데 너는 왜 안 해?” 대신 “너만의 방식으로 해 보고 싶은 건 뭐야?”
5. “빨리 정답 말해” 대신 “다른 질문으로 바꿔 보면 어떻게 될까?”
질문이 바뀌면 아이가 자기 생각을 꺼내는 방식도 조금씩 달라집니다. 처음에는 어색할 수 있습니다. 영상에서 말하듯 어려운 것이 아니라 익숙하지 않은 것에 가깝습니다.

함께 읽으면 좋은 글
FAQ

AI 시대에는 학교 공부가 덜 중요해지나요?

기본 지식은 여전히 중요합니다. 다만 모든 시간을 점수 경쟁에만 쓰는 방식은 위험합니다. 기본 학습 위에 질문력, AI 리터러시, 공감, 협업, 회복탄력성을 함께 키워야 합니다.

조벽 교수가 말한 인성은 착한 태도만 뜻하나요?

아닙니다. 영상에서의 인성은 인간 고유의 특성에 가깝습니다. 소통, 공감, 협업, 회복탄력성처럼 AI가 대신하기 어려운 능력을 포함합니다.

부모가 아이의 질문을 어떻게 도와야 하나요?

정답을 바로 주기보다 아이가 어떤 생각에서 질문했는지 먼저 들어야 합니다. 질문을 평가하지 않고 환영하는 분위기를 만들면 아이가 자기 배움의 주도권을 조금씩 회복할 수 있습니다.

좋은 대학을 목표로 하는 것은 잘못인가요?

목표 자체가 잘못은 아닙니다. 문제는 좋은 대학만을 유일한 성공 전략으로 삼는 것입니다. AI 시대에는 대학 이름보다 아이가 어떤 질문을 만들고, 어떤 경험을 해석하며, 어떤 기여를 할 수 있는지가 더 중요해집니다.

참고자료
- 지식인사이드, “좋은 대학은 폐기될 것” AI 시대 자녀를 살리는 부모의 조건
- UNESCO, AI competency frameworks for students and teachers
이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.
2026년 07월 17일
How Quantum Computers May Change the Next 10 Years: Reading the Next Technology Race After AI
# How Quantum Computers May Change the Next 10 Years: Reading the Next Technology Race After AI
After AI became an everyday tool, quantum computing is often named as the next candidate for technological power. The name is familiar, but the question “what changes in my work or industry?” remains vague.
The video from “This Science, That Science” addresses that point well. A quantum computer is not a faster laptop. It is a technology that handles certain calculation problems in a fundamentally different way.
The key is balance between hype and indifference. Not every encryption system collapses tomorrow, but quantum computing is not pure science fiction either.
## Why look at quantum computing again now?
Scene explaining quantum computing research and experimental environments

Quantum computing is drawing attention for the same broad reason AI did: infrastructure, investment, talent, and national strategy move together around the technology.
Professor Kim Beom-jun describes it as a computer based on quantum mechanics. Ordinary computers calculate with bits, 0 and 1; quantum computers handle qubits. But this does not mean they are always faster. They may open new paths for certain problems, not replace everyday document work or web browsing.
## What do qubits change?
Scene showing quantum chip and circuit implementation

Qubits are the starting point. The video explains superposition and interference in accessible language: instead of following only one path, quantum computation handles many possibilities and draws out meaningful results at the end.
But a mysterious process does not guarantee perfect output. Quantum states are fragile and sensitive to error. Qubit count, error correction, and control technology all matter. The competition is not only “how many qubits,” but who can control them stably and connect them to useful algorithms and software.
## The first area to shake is cryptography and security
Scene discussing quantum computers and encryption/security risk

Security may be the first area the public feels. The video raises questions about Bitcoin, encryption, and certificate systems.
The issue is preparation, not panic. If sufficiently powerful quantum computers appear, some existing public-key cryptography could become vulnerable. NIST has already released post-quantum cryptography standards to prepare for that transition.
For companies, the realistic question is not “Will a quantum computer break my system today?” but “When should we change long-term data protection and authentication systems?”
## Commercialization bottlenecks: equipment, cost, and ecosystem
Cryogenic quantum computer equipment that looks like a chandelier

Quantum computers look like chandeliers because of physical requirements: cryogenic environments, control lines, and noise suppression.
For some time, quantum computing will likely remain cloud-based research and industrial infrastructure rather than a personal device. Like high-end GPUs, it may spread through access rights and usage capability rather than direct ownership.
Korea’s preparation should be judged the same way: not by whether it owns one machine, but by whether researchers, software, industrial problems, security transition, and education move together.
## The next technology after AI, or a technology that goes with AI?
Scene discussing Quantum 2.0 and future technology competition

The video title asks whether quantum is “after AI.” More precisely, AI and quantum computing meet at different layers. AI changes judgment and generation through data and models. Quantum computing tries to handle difficult calculations in drug discovery, materials, optimization, cryptography, and simulation.
The key question for the next decade is not who first makes a consumer product. It is who first connects quantum computing to real industrial usefulness.
## What individuals and organizations should do now
Most people do not need to learn quantum computing immediately. But they should understand the questions it will change. Security teams should review post-quantum roadmaps. Strategy teams should identify calculation-heavy areas such as drug discovery, materials, logistics, and financial optimization. Educators should prepare simple language for bits versus qubits, probabilistic computation, error correction, and limits of application.
## Related reading
## FAQ ### Are quantum computers always faster than ordinary computers? No. They are expected to have advantages for specific calculation problems, not ordinary office or web use. ### Will encryption collapse immediately when quantum computers arrive? No. But data and authentication that require long-term security should prepare for post-quantum transition. ### Is quantum computing really the next technology after AI? It is better seen as strategic infrastructure after AI, not just the next trend. It addresses different problems and may connect with AI in industry. ### What should Korean companies prepare first? Security transition, industrial problem discovery, talent and partnerships, and cloud-based experimental access before buying hardware. ## References
Original Korean article

Image source: Captured images used in this article are stills from the original YouTube video. They are used for review, commentary, and educational explanation, and copyright remains with the original rights holders and the channel.
2026년 07월 10일
옵시디언 딥리서치 자동화: NotebookLM과 Tavily를 한 번에 쓰는 방법
AI 리서치 도구는 많아졌습니다. 문제는 결과가 흩어진다는 점입니다. NotebookLM에서 정리한 내용, 웹 검색 기반 리포트, AI CLI가 만든 요약, 그리고 내가 실제로 쓰는 노트가 따로 놀면 다시 붙이는 시간이 꽤 듭니다.

이번 영상에서 소개된 ReallyGood Research는 그 간격을 줄이려는 Obsidian 플러그인입니다. 질문 하나로 NotebookLM MCP와 Tavily 리서치를 실행하고, 결과를 Markdown과 HTML 리포트로 Vault 안에 저장하는 방식입니다. 핵심은 “검색을 잘하는 도구”가 아니라 “리서치 결과가 내 지식 작업 흐름 안에 남는 구조”입니다.

ReallyGood Research 리포트 예시

Read in English: Obsidian Deep Research Automation: How to Use NotebookLM and Tavily Together

영상에서 보여준 핵심 흐름

영상은 완성된 리포트 화면에서 시작합니다. 브라우저로 열린 HTML 리포트를 확인하고, Gemini Canvas 공유 링크로 확장하는 장면도 먼저 보여줍니다. 그래서 이 플러그인의 목적이 분명해집니다. 단순 검색이 아니라, 공유 가능한 리서치 산출물을 만드는 것입니다.

그다음 진행자는 Obsidian 안에서 플러그인을 설치하는 과정을 설명합니다. 커뮤니티 플러그인에서 ReallyGood Research를 검색하고 설치한 뒤, 왼쪽 패널에서 리서치 콘솔을 여는 흐름입니다. 별도 BRAT 설치 없이 커뮤니티 플러그인으로 접근할 수 있다는 점도 영상에서 강조됩니다.

Obsidian 안에서 ReallyGood Research 설정을 확인하는 화면

NotebookLM과 Tavily를 왜 함께 쓰나

Tavily는 웹 검색과 리서치 API에 강점이 있습니다. 공개 웹에서 자료를 찾고, 주제별 리포트를 생성하는 데 적합합니다. 반면 NotebookLM은 사용자가 넣은 소스 기반으로 답을 구성하는 데 장점이 있습니다. 두 도구를 함께 쓰면 “웹에서 넓게 찾기”와 “소스 기반으로 다시 검토하기”를 분리할 수 있습니다.

ReallyGood Research는 이 둘을 Provider로 연결합니다. 영상에서는 Tavily API 키를 넣고, NotebookLM MCP를 설치한 뒤 로그인하는 과정을 보여줍니다. 이후 AI CLI Provider로 Antigravity를 선택해 실행 환경을 맞춥니다. Claude Code, Codex, Gemini 같은 CLI를 고를 수 있다는 설명도 나옵니다.

Tavily와 NotebookLM Provider를 설정하는 화면

실제 사용 장면: 질문 하나가 두 개의 리포트로 바뀐다

시연 질문은 “AI 챗봇을 사용한 서비스 활용이 고객 만족도, 충성도, 신뢰도에 어떤 영향을 미치는가”에 가깝습니다. 사용자가 질문을 입력하고 Start를 누르면, 플러그인은 Tavily 리서치와 NotebookLM 리서치를 각각 실행합니다.

중요한 장면은 결과 확인입니다. 하나의 질문에서 Tavily 기반 딥리서치 리포트와 NotebookLM 기반 리서치 결과가 따로 생성됩니다. 사용자는 둘을 비교하면서 근거가 충분한지, 관점이 한쪽으로 치우치지 않았는지 확인할 수 있습니다.

AI 챗봇 고객 만족도 주제로 리서치를 실행하는 화면

Tavily와 NotebookLM 리서치 결과를 비교하는 화면

이 방식이 지식 작업에 주는 의미

이 플러그인의 장점은 자동화 그 자체보다 작업 위치에 있습니다. 리서치 결과가 Obsidian Vault 안에 저장되면, 이후 글쓰기·보고서·강의안·제안서로 이어가기 쉽습니다. 검색 결과를 다시 찾지 않아도 되고, HTML 리포트로 빠르게 공유할 수도 있습니다.

다만 확인할 점도 있습니다. Tavily API 키와 NotebookLM 로그인, 로컬 MCP 실행, AI CLI 권한이 필요합니다. 회사 자료나 민감한 고객 데이터를 넣을 때는 어떤 Provider로 정보가 전달되는지 먼저 봐야 합니다. 자동화가 편해질수록 로그, 출처, 계정 권한을 함께 관리해야 합니다.

HTML 리포트를 Gemini Canvas 공유 링크로 확장하는 화면

도입 전에 확인할 체크리스트
- Obsidian을 실제 지식 저장소로 쓰고 있는가?
- Tavily API 키와 사용량 한도를 관리할 수 있는가?
- NotebookLM MCP 설치와 Google 로그인을 안전하게 처리할 수 있는가?
- 리서치 결과를 바로 글쓰기나 보고서로 이어갈 업무가 있는가?
- 자동 생성 결과를 검증할 기준과 출처 확인 습관이 있는가?
이 다섯 가지가 맞으면 테스트해 볼 만합니다. 반대로 단발성 검색만 필요하다면 과한 구성일 수 있습니다. ReallyGood Research는 검색 도구라기보다, Obsidian을 리서치 작업대처럼 쓰는 사람에게 더 잘 맞습니다.

함께 읽으면 좋은 글
FAQ

ReallyGood Research는 무엇인가요?

Obsidian에서 NotebookLM MCP와 Tavily 기반 딥리서치를 실행하고, 결과를 Markdown과 HTML 리포트로 저장하는 플러그인입니다. 영상 기준으로는 커뮤니티 플러그인 설치와 Provider 설정 흐름이 소개됩니다.

Tavily와 NotebookLM을 동시에 쓰는 이유는 무엇인가요?

Tavily는 웹 기반 리서치에 강하고, NotebookLM은 사용자가 제공한 소스 기반 검토에 강합니다. 둘을 함께 쓰면 넓은 탐색과 소스 기반 확인을 나눠 볼 수 있습니다.

Obsidian을 쓰지 않아도 필요한 도구인가요?

Obsidian을 중심 지식 저장소로 쓰지 않는다면 장점이 줄어듭니다. 이 플러그인은 결과를 Vault 안에 저장하고 다시 활용하는 흐름에 초점이 있습니다.

업무 자료를 넣어도 안전한가요?

도구 자체보다 Provider 설정이 중요합니다. Tavily, NotebookLM, AI CLI로 어떤 데이터가 전달되는지 확인해야 합니다. 민감한 자료는 조직 보안 기준에 맞춰 별도로 검토하는 것이 좋습니다.

이 플러그인은 누구에게 가장 잘 맞나요?

AI 리서치를 자주 하고, 결과를 글·보고서·강의안·제안서로 다시 쓰는 사람에게 잘 맞습니다. 특히 Obsidian을 세컨드 브레인이나 업무 지식 허브로 쓰는 사용자에게 유용합니다.

참고자료
이미지 출처: 본문에 사용된 캡쳐 이미지는 원본 YouTube 영상에서 리뷰·해설·교육 목적의 인용 이미지로 사용했습니다. 이미지 저작권은 원저작권자와 해당 채널에 있습니다.
2026년 07월 09일
How Quantum Computers Could Change the Next 10 Years: Reading the Next Technology Power Shift After AI
After AI has already become an everyday tool, quantum computers are often mentioned as the next candidate for technological dominance. The name is familiar, but the answer to “So what will actually change in my work and industry?” still feels vague.

The video from This Science, That Science captures that point well. A quantum computer is not simply a faster laptop. It is a technology that handles certain computational problems in a completely different way.

The key is to keep a balance between hype and indifference. It is not true that every encryption system will collapse immediately. But it is also not just science fiction from a distant future.

Why We Need to Look Again at Quantum Computers Now

A scene explaining quantum-computer research and laboratory environments

The reason quantum computers are drawing attention again is similar to AI. It is not only the technology itself that matters; the infrastructure, investment, talent. National strategies around it are moving together.

In the video, Professor Kim Beom-jun explains quantum computers as computers based on quantum mechanics. If ordinary computers calculate with bits of 0 and 1, quantum computers work with qubits.

The problem is that this explanation does not mean they are “always faster.” Quantum computers can open new paths for specific problems. But they are not computers that will replace everyday document work or web browsing.

What Do Qubits Change?

A scene showing how quantum chips and circuits are implemented

Qubits are the starting point for understanding quantum computers. The video explains superposition and interference in accessible terms. Instead of following only one computational path, quantum computing handles multiple possibilities and draws out a meaningful result at the end.

However, a mysterious calculation process does not automatically make the result perfect. Quantum states are extremely fragile and sensitive to errors. That is why the number of qubits, error correction, and control technologies all matter together.

Ultimately, the race in quantum computing is not only a fight over “how many qubits have been built.” It is a fight over the ability to control them reliably and connect them to useful algorithms and software.

The First Area to Be Shaken Will Be Cryptography and Security

A scene covering quantum computers and encryption-security risks

Security is likely to be the first area where the public feels the impact of quantum computers. The video also raises questions about Bitcoin, encryption, and public certificate systems.

The key is not fear, but preparation for transition. If sufficiently powerful quantum computers appear, some existing public-key cryptography could become vulnerable. That is why NIST has already released post-quantum cryptography standards and is preparing for the transition.

For companies, the more realistic question is not “Will a quantum computer break into my system today?” but “When should we begin changing long-term stored data and authentication systems?”

The Bottlenecks to Commercialization Are Equipment, Cost, and Ecosystem

Cryogenic quantum-computer equipment that looks like a chandelier

Quantum-computer equipment looks like a chandelier not for style. But because it requires physical conditions such as cryogenic environments, control lines, and noise suppression.

For that reason, quantum computers will remain closer to cloud-based research and industrial infrastructure than to personal devices for some time. Like high-performance GPUs, they are likely to spread not because everyone owns one directly. But because organizations that need them secure access and the ability to use them.

Korea’s preparation should be viewed from the same perspective. More important than whether the country owns a single piece of equipment is whether researchers, software, industrial problems, security transition. Education systems are moving together.

Is It the Technology After AI, or a Technology That Will Advance With AI?

A scene discussing Quantum 2.0 and future technology leadership

The video title asks whether this is what comes “after AI.” More precisely, however, the picture is closer to AI and quantum computing meeting at different layers.

AI changes the way we make judgments and generate outputs through data and models. Quantum computing tries to handle problems where computation itself is difficult—such as drug discovery, materials, optimization, cryptography, and simulation—in a new way.

So there is one key point to watch over the next 10 years. Not who will first turn quantum computers into a “product used by ordinary people,” but who will first connect them to industrial problems and create real usefulness.

What Individuals and Organizations Should Do Now

Not many people need to learn quantum computers immediately. But it is worth understanding in advance the questions that quantum computers may change.

First, security teams should check their roadmap for post-quantum transition. Second, technology and strategy teams should separately identify tasks with high computational difficulty, such as drug discovery, materials, logistics, and financial optimization.

Third, education teams should prepare language that clearly explains “the difference between bits and qubits,” “probabilistic computation,” “error correction,” and “the limits of industrial application,” rather than trying to teach every quantum-mechanics formula.

Recommended Reading
FAQ

Q. Are quantum computers always faster than ordinary computers?
A. No. They are expected to have advantages for specific computational problems. It is a major misunderstanding to think of them as computers that make document work or ordinary web use faster.

Q. Will encryption collapse immediately when quantum computers arrive?
A. It is hard to say that all encryption will collapse right away. However, data and authentication systems that require long-term security should prepare for a post-quantum transition.

Q. Is quantum computing really what comes after AI?
A. It is more accurate to see it as a candidate for strategic infrastructure after AI, rather than simply “the next trend.” AI and quantum computing deal with different problems. But they can be connected in industrial applications.

Q. What should Korean companies prepare first?
A. Before introducing quantum-computer equipment, it is more realistic to review security transition, the discovery of industrial problems, specialized talent and partnerships, and access to cloud-based experimentation.

References
Image source: Captured images used in this article are stills from the original YouTube video. They are used for review, commentary, and educational explanation, and copyright remains with the original rights holders and the channel.
2026년 06월 27일
Will AGI Really Arrive in 3–4 Years? How to Read Singularity and Superintelligence Risk
There is a question more important than the speed at which artificial intelligence is becoming smarter. It is this: if AGI really arrives within the next few years, what should we be preparing for?

A recent video from Dokseo Research Institute connects remarks by Google DeepMind CEO Demis Hassabis with arguments about superintelligence risk, suggesting that AGI. The singularity are no longer merely science-fiction topics. Still, when reading this issue, we need to separate two things. One is the prediction of “when AGI will arrive.” The other is the preparation question. “What institutions and habits should we build in case that possibility becomes real?”

The video argues that AGI and the singularity are no longer only stories about a distant future.

The 3–4 Year AGI Forecast Is Not an “Answer”; It Shows a Changing Timeline

The video begins with a strong claim: “We are now near the singularity. AGI, or artificial general intelligence, will be achieved within three to four years.” Sentences like this easily split people into two camps. One side says, “That is exaggerated.” The other says, “Everything is about to end.”

But blog readers do not need either extreme. What matters more than the accuracy of a single forecast is the fact that these forecasts are moving closer. According to a Stanford GSB interview and reporting from The Verge, Hassabis described the present moment, in the context of Google I/O, as the “foothills of the singularity.” This does not mean AGI has already been completed. It is, however, a signal that AI researchers and corporate leaders are beginning to discuss the next stage of technological development on a much nearer timeline.

AGI arrival forecasts differ by person and institution, but the timeline in recent debate has clearly become shorter.

One factual point should be corrected here. The video subtitles appear to say that Hassabis received the “2014 Nobel Prize in Chemistry,” but the official NobelPrize.org record states that it was the 2024 Nobel Prize in Chemistry. Demis Hassabis and John Jumper received the prize for their work on protein structure prediction through AlphaFold. This matters because his remarks on AGI are not just promotional language. They come from the head of a research organization that has produced real scientific breakthroughs.

The Core of the Singularity Debate Is a Clash Between “Technological Optimism” and “Controllability”

The word “singularity” often sounds mystical. Translated into practical terms, however, it is much simpler. If AI begins rapidly improving its ability to research, develop, experiment, code. Formulate strategy without human help, human society may struggle to keep up with the resulting changes.

The video connects this point to superintelligence risk. Eliezer Yudkowsky and Nate Soares’s If Anyone Builds It, Everyone Dies emphasizes that a superintelligent AI may endanger humans not because it hates us. But because it may fail to consider human survival while pursuing its goals. The publisher’s description likewise presents the book as a warning that the race to develop superhuman AI could push humanity onto a path toward extinction.

The key issue is not only how quickly AI becomes smarter, but whether humans can control it safely.

Of course, this claim is not a consensus across the entire AI industry. Some researchers see superintelligence risk as the most important civilizational risk. Others argue that, in the short term, jobs, copyright, misinformation, concentration of power, and security incidents are more urgent. A good reading, therefore, is not simply “right” or “wrong.” It is the balanced view that we must manage both risks that may have low probability but extreme harm. Short-term risks that are already becoming real.

What Scenarios Like AI 2027 Mean

Another useful resource is the AI Futures Project’s AI 2027 scenario. This is not a book of prophecy. It is closer to a thought experiment showing how rapid AI progress could intensify research automation, security competition, policy pressure, and speed races among companies.

Scenarios like this are useful not because they correctly predict a date. They are useful because they prompt organizations and individuals to ask in advance. “If AI capabilities become ten times stronger than they are now, costs fall further. Everyone starts using agentic tools, what will become vulnerable?”

Companies should be asking the following questions.
- Does core operational knowledge exist only inside the heads of a few people?
- Do we have criteria for verifying outputs created by AI?
- Do the people responsible for security, privacy, and copyright understand how AI is being used in actual workflows?
- Are employees using AI not as a forbidden tool, but as a controllable collaboration tool?
- Do we have intermediate review mechanisms so rapid automation does not damage customer trust and quality?
Before Fearing Superintelligence, We Need to Build the Ability to Work with AI

The most practical message in the latter part of the video is the sentence, “Always invite AI when you work.” This does not mean handing every judgment over to AI. It means the opposite. Keep AI beside you, but repeatedly practice defining the problem yourself, reviewing the answer. Adding the missing context as a human.

Fear alone is not enough. Individuals and organizations need practice treating AI as a real collaborator in work.

If AGI still feels distant, we can reframe the question. A more immediate question than “Will AGI arrive in three or four years?” is “Within this year, will more than half of my work be done together with AI?” Many people can already answer yes.

Individuals need three kinds of preparation.
1. Questioning ability: the ability to distinguish problems that can be delegated to AI from problems that humans must judge directly.
2. Verification ability: the ability to check plausible answers again through facts, sources, numbers, and context.
3. Redesign ability: the ability to rebuild existing work processes around AI collaboration.
These are not skills for coding roles alone. They are basic literacies needed in planning, HR, education, marketing, administration, research, and sales alike.

So What Should We Do?

When reading discussions of AGI and the singularity, the two most dangerous attitudes are these. Dismissing everything as “all exaggerated,” or giving up because “the end is near.”

The realistic attitude lies in the middle. We should take the speed of technological development seriously, while converting fear into an executable checklist.

Individuals and organizations should begin the following four actions now.
- Document principles for AI use.
- Keep a human review step for important decisions.
- Redesign repetitive work together with AI.
- Build control mechanisms first in areas where losses become large if AI is wrong.
No one can say with certainty whether superintelligence will actually arrive within a few years. But the shift in which AI becomes basic infrastructure for work and learning has already begun. The best preparation, therefore, is not to consume fear. But to first build habits and organizational operating systems for using AI safely.

Related Articles
References
- Original video: Dokseo Research Institute, “AGI Will Be Achieved Within 3–4 Years” — source video
- The Verge, Hassabis’s “foothills of the singularity” remarks at Google I/O — report
- Stanford GSB, interview with Demis Hassabis — interview
- NobelPrize.org, Demis Hassabis Facts — official biography
- NobelPrize.org, 2024 Chemistry Prize press release — official announcement
- Penguin Books, If Anyone Builds It, Everyone Dies — publisher’s book description
- AI 2027, research-backed scenario forecast — scenario
- Anthropic, updated Responsible Scaling Policy — AI safety governance
FAQ

What exactly is AGI?

AGI means artificial intelligence that shows general problem-solving ability at a human level or beyond across many domains, rather than narrow AI that performs only specific tasks well. However, definitions and evaluation criteria differ among researchers.

Does this mean the singularity has already begun?

No. The phrase “foothills of the singularity” is closer to a metaphor for the very rapid pace of AI development. Rather than reading it as meaning that AGI has already been completed, it is safer to read it as a signal that the time available for preparation is becoming shorter.

Is superintelligent AI risk exaggerated?

Some claims are very strong warnings. But risks with potentially extreme harm should be managed even if their probability is low. At the same time, we also need to address short-term risks such as jobs, security, misinformation, and privacy.

What should individuals start doing now?

Rather than simply using AI tools as much as possible, it is better to begin by breaking questions into smaller parts, verifying outputs, and redesigning work processes. The key is not the amount of AI usage, but a collaboration method that can be checked and trusted.

Image source: Captured images used in this article are stills from the original YouTube video. They are used for review, commentary, and educational explanation, and copyright remains with the original rights holders and the channel.
2026년 06월 27일