~/oswarld / ai

인공지능 시대에 어떻게 살아야 할까?

요즘 제가 가장 자주 듣는 질문은 단연 이것입니다. 개발자, 디자이너, 기획자, 마케터, 대표 등 지위나 역할을 막론하고, 최근 만나면 모두 “인공지능(AI)이 이렇게 급격하게 발전하는데, 무얼 어떻게 준비해야 할까요?”라는 화두를 꺼냅니다. “새로운 기술이 계속 나오니 따라가야 할 것 같긴 한데, 막상 뭘 해야 할지는 모르겠다”라거나 “괜히 뒤처지면 어쩌나 싶어 무언가를 해야 할 것 같긴 한데, 너무 공포심에 사로잡히는 것도 좀 그렇다”는 식의 이야기 입니다.

물론, 이런 풍경이 이젠 그다지 새로운 이야기는 아닙니다. 2023년부터 본격적으로 폭발한 ‘생성형 AI’ 시대를 지나 2025년에 접어든 지금도, 사람들의 궁금증은 여전히 똑같습니다. 인공지능은 대체 내 일에 어떻게 적용되고, 나는 뭘 공부하거나 대비해야 할까요?

2025년, 더 다채로워진 업무 현장과 사람들

저 개인적으로는 2025년부터 하는 일이 훨씬 다양해졌습니다. 공기업에 제품을 납품하고 기술 자문을 하는가 하면, 대학에서 머신러닝(ML) 강의를 하기도 하고, AI 관련 특강을 위해 전국을 돌아다니기도 하죠. 그러다 보니 정말 폭넓은 사람들을 만나게 됩니다. 나이나 전공, 산업 분야가 저마다 다른 분들이고, 학계에선 학부생부터 박사 과정에 이르기까지 다양한 수준에서 AI를 배우고 활용하려고 합니다.

이렇게 여러 분야의 분들을 만나 대화를 나누다 보면, 공통적으로 느끼는 고민과 열망이 있습니다. “인공지능이 이렇게 중요하다고 하는데, 구체적으로 뭘 해야 할까?”라는 지점이죠. 어떤 분은 프로그래밍 지식이 전혀 없어서 막막해하고, 또 어떤 분은 이미 프로그래밍은 잘하지만 이제 ‘모델을 공부해야 하나, 데이터 사이언스부터 시작해야 하나’ 고민합니다. 그리고 마케터나 기획자, 경영진의 경우엔, “도대체 우리 회사가 AI를 어느 부분에 적용해서 성과를 낼 수 있을까?”를 가장 궁금해하시죠.

스마트폰의 보급 vs. AI의 보급

저는 2010년에 처음으로 스마트폰(아이폰 3GS)을 손에 넣었습니다. 그 전까지는 ‘핸드폰은 공부에 집중을 해치는 존재’라는 부모님 생각 덕에, 고등학생 시절엔 휴대폰 자체를 잘 쓰질 않았거든요. 그런데 대학생이 된 직후, 마침 스마트폰이라는 새로운 물결이 막 시작되었고, 저는 적절한 타이밍에 뛰어들 수 있었죠.

그때 스마트폰은 말 그대로 세상을 송두리째 바꿔 놓았습니다. 2010년 전후로 “모바일의 시대”가 열렸고, 사람들은 급속도로 기기와 앱(애플리케이션)에 적응해 나갔습니다. 그런데 돌아보면 스마트폰 붐 당시엔 기기 자체가 달라도 할 수 있는 기본 기능은 꽤 명확했습니다. 사진 찍기, 전화·메신저, SNS 업로드 정도만 잘해도 이미 꽤 높은 편의성과 가치를 누릴 수 있었죠.

하지만 인공지능의 시대는 조금 다릅니다. AI는 똑같이 ‘기기’를 쥐여준다고 해서 누구나 똑같은 효용을 얻을 수 있는 기술이 아닙니다. 예컨대, 최신 대형 언어모델(LLM)이나 고성능 머신러닝 인프라가 있다 한들, 그걸 제대로 다룰 역량이 없다면 “날씨 물어보기”나 “기사 요약” 정도의 기능에만 그치고 말죠. AI 서비스를 소비하는 입장에서도 단순히 ‘기능 나열’만으로는 큰 매력을 못 느끼게 됩니다.

2023년 말에 작성된 슬라이드
2023년 말에 작성된 슬라이드

“AI 시대의 격차”는 어디서 오는가?

인프라 vs. 활용 능력

  • 스마트폰은 모두가 손 안에 하나씩 쥘 수 있는 기기가 되면서 ‘보급’ 자체가 관건이었습니다. 하지만 AI는 데이터센터, 클라우드 GPU 등 거대한 인프라가 필요한 기술이고, 일반 개인이 이를 직접 소유·운영하기는 쉽지 않습니다. 대신 요즘엔 클라우드 서비스가 워낙 잘 발달해서, 돈만 내면 바로 AI 모델이나 GPU 자원을 빌릴 수 있게 되었죠. 문제는 “어떻게 활용하느냐”입니다.
  • 스마트폰 시절엔 아무리 신기능이 많아도 ‘카메라’나 ‘통화’ 같은 기초 기능만 잘 써도 충분히 편리했는데, AI의 경우엔 기초 기능만으론 파급력이 그렇게 크지 않을 수 있다는 점이 다릅니다.

사용자 요구의 다변화AI를 활용한 서비스가 점점 다양해지면서, 사람마다 원하는 기능과 목표가 확연히 달라지고 있습니다. 누군가는 이미지 생성 AI를 활용해 디자인 스케치 업무를 단축시키고 싶고, 또 누군가는 데이터 분석 AI를 통해 방대한 엑셀 문서를 효율적으로 요약·추출하는 방안을 찾고 있습니다. “하나의 강력한 모델로 모든 문제를 해결한다”는 일괄적인 접근이 통하지 않는 시대가 되어 가고 있습니다.

AI를 활용한 서비스가 점점 다양해지면서, 사람마다 원하는 기능과 목표가 확연히 달라지고 있습니다. 누군가는 이미지 생성 AI를 활용해 디자인 스케치 업무를 단축시키고 싶고, 또 누군가는 데이터 분석 AI를 통해 방대한 엑셀 문서를 효율적으로 요약·추출하는 방안을 찾고 있습니다. “하나의 강력한 모델로 모든 문제를 해결한다”는 일괄적인 접근이 통하지 않는 시대가 되어 가고 있습니다.

더 중요해져 버린 ‘개인의 역량’

이런 상황을 보면, 앞으로 인공지능 시대는 ‘누가 더 성능 좋은 기기(혹은 모델)를 갖췄느냐’보다 ‘누가 더 창의적이고 효과적으로 AI를 활용할 수 있느냐’에 따라 격차가 생길 것이라 생각됩니다. 예전엔 더 비싼 스마트폰을 사고, 더 빠른 인터넷 환경만 갖추면 어느 정도 ‘우위’를 누릴 수 있었지만, 이제는 그 우위의 축이 바뀌고 있는 것이죠.

“AI 에이전트”와 MCP(Model Context Protocol)

이미 2023년에도 화두로 떠올랐던 AI 에이전트나 MCP 개념이 2025년엔 더욱 활발히 논의되고 있습니다. 간단히 말해, 인간이 인공지능에게 여러 ‘도구(tool)’를 연결해 주고, 그 도구들을 어떻게 활용해 문제를 해결할지 지휘·감독하는 역할이 중요해진다는 뜻이죠. 완벽하진 않지만 아래와 같은 형태가 될 수 있습니다. 얼마전까지 있었던 AEO/GEO 같은 개념보다 좀 더 나아간 개념인긴 한데 결국 지금까지 구조나 데이터가 사람이 보기 좋게, 읽기 좋게 만들어졌다면... 이젠 기계가 읽기 좋게 찾기 쉽게 만드는 개념이죠.

haebom검색 엔진 최적화 → 검색 엔진 결과 생성 최적화? - 해봄의 아카이브 - haebom생성형 검색 엔진(Google SGE, Bing Chat, Perplexity 등)이 빠르게 보급되고 있습니다. 이 엔진들은 사용자가 묻는 질문에 대해 여러 웹페이지를 찾은 뒤, 그 내용을 요약해 하나의 답변 형태로 보여줍니다. 기존 SEO는 검색 결과 페이지(SERP)에서 상위 노출되는 것을 목표로 했지만, 생성형 엔진에서는 “답변에 직접 인용(참고)되는 것” 자체가 중요해집니다. 따라서 GEO(Generative Engine Optimization)는 이 새로운 검색 환경에서 콘텐츠를 더 쉽게 인용·소개되도록 만드는 전략입니다. 기존 SEO만으로는 생성형 엔진에서 콘텐츠가 잘 드러나지 않을 수 있습니다. 생성형 AI는 신뢰도가 높고, 맥락을 잘 보여주는 콘텐츠만 취사선택해 요약에 반영하기 때문입니다. 이때 GEO가 적용된 콘텐츠는 출처가 분명하고, 인용하기 쉽게 구조화되어 있어야 합니다. 결국 GEO가 중요한 이유는 “한 번이라도 더 내 콘텐츠가 AI 답변에 포함되어 사람들이 실제로 찾아오게끔 만드는 것”에 있습니다. 생성형 AI가 발전하면서 사용자들의 검색 습관이 바뀌고 있습니다. 키워드를 찾아서 여러 사이트를 돌아다니기보다는, AI가 한 번에 정리해주는 답변을 선호합니다. 이 흐름에서 GEO가 열어줄 가능성은 크게 두 가지입니다. 첫째, 작은 사이트나 개인 블로그도 경쟁력을 갖출 수 있습니다. 전통 검색 엔진에서는 대형 포털이나 권위 있는 도메인이 항상 상위에 오르기 쉽지만, AI는 “가장 정확하고 신뢰도 높은” 정보를 우선하는 경향이 큽니다. 둘째, 멀티모달(텍스트·이미지·영상·음성 통합) 검색 등으로 진화할 때도 GEO 원리를 적용하면 유연하게 대응하기가 쉽습니다. 텍스트뿐 아니라 다양한 형식의 콘텐츠가 AI에게 ‘가치 있는 정보’로 인식되도록 미리 준비해둘 수 있기 때문입니다. 어떻게 GEO를 적용할까? GEO의 핵심은 “생성형 AI가 확인하기 좋고, 인용하기 쉽게 콘텐츠를 만들어주는 것”입니다. 그렇다고 해서 어렵게 생각할 필요는 없습니다. 기본적인 원리는 신뢰도와 가독성을 높이는 데 있습니다. 관련 논문이나 추측은 많이 나오고 있는데 요약하면 다음과 같습니다. 신뢰도: 믿을 만한 통계나 자료를 인용하고, 출처를 분명히 밝혀두세요. 사용자들이 궁금해하는 정보를 정확히 전달하고, 전문성(전문 용어, 전문가 견해 등)을 적절히 곁들이면 좋습니다. 가독성: 문장을 지나치게 어렵거나 길게 쓰지 않는 것이 좋습니다. 서론에서 주제를 간단히 요약하고, 본문에서 핵심 정보를 알차게 담은 뒤, 결론에서 다시 한 번 중요한 내용을 짚어주면 AI가 맥락 파악하기 쉽습니다. 콘텐츠 구조: 꼭 복잡한 목차를 만들 필요는 없지만, 소제목(Heading)을 통해 글의 덩어리를 구분하는 것은 권장됩니다. AI가 글을 “어떤 주제”와 “어떤 세부 내용”으로 이뤄져 있는지 쉽게 파악할 수 있으니까요. 분산 배포: 블로그나 홈페이지에 올리는 것만으로 끝나지 말고, 관련 커뮤니티나 SNS에서도 글을 공유하면 좋습니다. 생성형 AI는 웹사이트뿐 아니라 Reddit, Quora, 트위터 등 다양한 플랫폼에서 정보를 찾아 학습하기 때문입니다. 기본적으로 SEO와 유사하나 신뢰도가 높은 채널(유명 언론, 웹 사이트 등)에 언급 되는게 가장 중요하고 Bing Webmaster, Google Webmaster 등록은 기본! 사이트맵 깔끔하게...! 기본은 SEO와 원리가 같습니다. https://developers.google.com/search/docs/fundamentals/seo-starter-guide GEO가 가져다줄 변화 SEO가 ‘검색 결과 페이지에서의 노출’을 좌우했다면, GEO는 “AI가 만들어내는 최종 답변에 내 콘텐츠를 얼마만큼 반영하느냐”라는 과제를 던져줍니다. 이 과정에서 도메인 파워가 약한 웹사이트도 충분히 기회를 얻을 수 있고, 신뢰도 높은 출처로 인정받으면 “AI가 인용한 사이트”라는 점에서 브랜드 가치와 방문자 유입이 모두 늘어날 수 있습니다. 물론, 생성형 AI의 알고리즘은 계속 변하므로 GEO도 한 번 세팅했다고 끝나는 게 아니라, 끊임없이 관찰하고 개선해나가야 합니다. 하지만 지금부터라도 출처 표기, 전문성 표현, 글 구조 정리 등 기초 작업을 해둔다면, 앞으로 다가올 AI 검색 시대에 좀 더 빠르게 적응하고 기회를 잡을 수 있을 것입니다.haebom.dev ↗
llms-txt.ioGenerate AI-Friendly llms.txt Files for Your WebsiteCreate llms.txt files to help AI systems better understand your content. Free generator for the new standard in LLM-friendly documentation.llms-txt.io ↗

예컨대, 챗봇이나 LLM 모델에 추가적인 플러그인(Plugin), API 등을 연결해 줘서 데이터를 조회하거나, 문서를 읽어오거나, 이미지를 생성하게 하고, 이것들을 종합해 유의미한 결과를 얻어내는 흐름입니다. 이때 에이전트를 다루는 사람의 능력이 곧 결과물의 품질을 좌우합니다. 단순히 “날씨 좀 알려줘” 식의 질문이 아닌, “이 데이터를 기반으로 이런 분석을 하고, 그 결과에 맞춰 시각자료까지 자동으로 생성해 줘” 같은 복합적 요구를 얼마나 잘 설계하느냐가 핵심이 되죠.

UI/UX의 새로운 방향

또 한 가지 흥미로운 지점은, AI가 발전할수록 UI(사용자 인터페이스)는 점점 더 개개인에게 최적화되고, ‘미학적’ 역할이 부각될 것이라는 겁니다. 아래는 제가 최근에 본 웹 브라우저의 새로운 디자인인데 기존의 Arc의 디렉토리 형태의 탭 나열을 엣지에 넣어서 좀 더 아름답게 만드는 형태였습니다. (쓰기 편한지는 모르겠고... 이쁘잖아...)

vz-127031db-d43.b-cdn.nethttps://vz-127031db-d43.b-cdn.net/62f4663e-0eb7-46f6-8d93-6569e48def67/playlist.m3u8vz-127031db-d43.b-cdn.net ↗

이전까진 화면에 버튼을 어떻게 배치하고, 어느 위치에 텍스트를 넣어야 사용자가 헷갈리지 않을지를 고민하는 게 UI의 주된 목표였다면, 이제는 AI가 백엔드에서 모든 로직을 처리해 주고, 사용자는 말 그대로 “자신이 원하는 방식”으로 인터페이스를 구성·사용할 수 있게 되는 방향이 보이기 시작합니다.

이야기를 마치며

인공지능 시대가 오면서 무언가 궁금하거나 추론을 해야할 때 인공지능을 자주 사용하곤 했습니다. 다만, 글쓰기를 하려고 한 순간 문득 글이 안써지는 순간들이 오더라구요. 옛날에는 아무말이라도 잘 늘어놨다면 이제는 인공지능에게 일임하고 자연스럽게 "해줘"라는 생각을 가지게 된거죠.

해봄Producer의 시대가 온다.콘텐츠 산업의 대표주자라 할 수 있는 영화, 방송 등에서는 프로듀서라는 직무가 있습니다. 그대로 번역하면 제작자 정도로 표현할 수 있습니다. 연출이 디테일한 부분들을 다룬다면, 프로듀서는 전체적인 제작과 기획을 총괄하는 역할을 합니다. 제가 이 직무를 드라마, 영화 등에서 본 이후로 실제로 마주한 것은 넥슨 코리아에서 근무할 때였습니다. 넥슨에서는 특정 게임 타이틀을 담당하는 이에게 “총괄 디렉터(감독)”이라는 직무를 부여하고, 신규 게임 개발 등을 하는 경우에는 “프로듀서”라는 직무를 부여합니다. Chief를 앞에 붙이냐에 따라 CD, CP 등으로 표현하기도 하지만, 제작에 얼마나 직접적으로 관여하는지에 따라 감독과 프로듀서를 나누는 것입니다. 감독은 전체적인 조망을 다루고, 프로듀서는 소비자에게 전달되는 과정을 담당한다는 차이가 있습니다. 이는 높이의 차이가 아니라 넓이에 대한 차이라고 할 수 있습니다. 이 이야기를 하는 이유는 최근 인공지능 기술이 점점 보편화되면서 이 “Producer”라는 개념이 제품/서비스 시장에서 점점 자리를 잡고 있기 때문입니다. 사실 Product Producer라는 개념은 새로운 것이 아닙니다. 개인적으로 PO 열풍이 불었을 때도 이를 비판적으로 생각했던 사람으로서, 새로운 용어를 만들고자 하는 것이 아닙니다. 문자 그대로 예전에 기획자, Product Manager 등으로 불린 직군이 이제 제품 기획 및 세부 사항 결정에서 그치지 않고, Figma로 와이어프레임도 그릴 줄 알아야 하고, 데이터셋도 정리하고, 개발 스택까지 그 업무 범위와 역할이 확장되었습니다. 기획자 혹은 PM이라고 불리는 직군은 IT 업계에서 마케터처럼 디자인, 콘텐츠 감각, 데이터 분석, 매체 관리까지 담당하며, 그 와중에 PR까지 해야 하는 만능 해결사 역할을 요구받고 있습니다. 에어비앤비의 CEO인 브라이언 체스키가 PM 무용론을 언급한 것도 이와 같은 맥락입니다. 기획자 무용론도 매번 재기되는 주제였죠. 그러나 누군가는 다양한 직군을 연결하고 같은 방향을 보게 하는 역할이 필요했습니다. 과거에는 각 직군의 Leader들이 회의를 통해 각각의 직무를 하달하는 방식이었지만, 현재는 투명하고 수평적인 구조로 변화하면서 Project Manager 등이 이러한 역할을 맡고 있습니다. 애자일을 기초로 한 스크럼 등의 방식도 소규모 조직에서 가능하다고 언급되는 이유입니다. 특히 PO(Product Owner)라는 개념도 스크럼 방법론에서 등장하는 하나의 역할일 뿐, 독립적인 직무가 아니라는 점을 강조하고 싶습니다.haebom.dev ↗
해봄AI 에이전트의 협업과 오케스트레이션요즘 AI 얘기만 나오면 여러분은 어떤 생각이 드시나요? ChatGPT? 이미지 생성? 아니면 자율주행? 저는 최근에 OpenAI Swarm 프로젝트를 보면서 "아, 이제 진짜 시작이구나"라는 생각이 들었습니다. 이게 바로 '멀티 에이전트 오케스트레이션(Multi-Agent Orchestration)'입니다. 오늘은 이 흥미로운 주제에 대해 이야기해보려고 합니다. 멀티 에이전트 오케스트레이션 시스템은 크게 세 부분으로 구성됩니다. 먼저 전체 프로세스를 관리하고 감독하는 '케이스 워커(Case Worker)'가 있습니다. 이는 인간일 수도 있고, 고도로 발달한 AI일 수도 있죠. 다음으로 실제 작업을 수행하는 'AI 에이전트(Agents)'들이 있습니다. 각 에이전트는 특정 업무를 담당하며, 서로 협력하여 복잡한 문제를 해결합니다. 마지막으로 에이전트들이 사용할 수 있는 다양한 '기술(Skills)'들이 있습니다. 이는 데이터 분석, 언어 처리, 이미지 인식 등 다양한 능력을 포함할 수 있습니다. 이 모든 요소들은 '오케스트레이션 계층(Orchestration layer)'을 통해 조화롭게 작동합니다. 이 계층은 마치 오케스트라의 지휘자처럼 전체 시스템의 흐름을 조율합니다. 이런 구조가 왜 중요할까요? 멀티 에이전트 오케스트레이션은 하나의 AI로는 해결하기 어려운 복잡한 문제도 여러 AI가 협력하면 효과적으로 해결할 수 있게 해줍니다. 또한, 새로운 기술이 개발되면 쉽게 시스템에 추가할 수 있어 시스템의 능력을 지속적으로 향상시킬 수 있습니다. 각 에이전트가 특화된 작업을 수행하므로 전체적인 시스템의 효율성도 높아지죠. 필요에 따라 새로운 에이전트를 추가하거나 제거할 수 있어 시스템을 쉽게 확장할 수 있다는 점도 큰 장점입니다. 오늘 멀티 에이전트 오케스트레이션에 대해 이야기를 하다가 보니 오늘로 부터 딱 1년전에 이런 포스팅을 했더라구요. 그리고 이번 주말에 공개된 OpenAI의 Swarm 프로젝트는 이런 멀티 에이전트 시스템을 쉽게 만들고 실험할 수 있는 플랫폼입니다. 여기서 재미있는 점은 각 에이전트가 '핸드오프(Handoff)'라는 기능을 통해 서로 작업을 주고받을 수 있다는 거예요. 마치 릴레이 경주처럼 바통을 넘기듯이 말이죠. 이게 왜 중요할까요? 복잡한 문제를 해결할 때 한 명의 전문가보다 여러 분야의 전문가들이 협력하면 더 좋은 결과를 낼 수 있잖아요. AI도 마찬가지입니다. 각자 특화된 능력을 가진 AI들이 협력하면 훨씬 더 복잡하고 어려운 문제를 해결할 수 있게 되는 거죠.haebom.dev ↗
해봄AI 에이전트의 시대가 온다AI 기술의 급속한 발전으로 우리는 이제 단순한 챗봇이나 규칙 기반 자동화 도구를 넘어서는 새로운 시대로 진입하고 있습니다. 이는 바로 고도로 지능적이고 자율적인 AI 에이전트의 시대입니다. 이들은 단순히 미리 정의된 작업을 수행하는 것을 넘어, 복잡한 업무 프로세스를 이해하고 오케스트레이션할 수 있는 능력을 갖추고 있습니다. 자율성: AI 에이전트는 전통적인 챗봇보다 더 발전된 형태로, 대부분 자율적으로 목표를 달성하기 위해 작동합니다. 협업 능력: 이 에이전트들은 서로 상호 작용하고 "협업"하여 작업을 수행할 수 있습니다. 의사 결정 알고리즘: AI 에이전트는 의사 결정 알고리즘을 통해 작업을 생성하고 우선 순위를 정합니다. 어따 씀? 개인적으로 이전 글을에서도 계속 AI 에이전트 이야기를 하고 있는데요. 이유는 간단합니다. 감정이 들어가는 결정 보다 데이터와 사실에 기반한 의사 결정을 할 때 인공지능이 압도적으로 유리한 포지션에 서있습니다. 그리고 지금 단계의 LLM이 할 수 있는 영역이 이 정도 입니다. 개인적으로 AGI 전에 AI Agent 시대가 먼저 올것이라고 생각합니다. 총체적 업무 이해: AI 에이전트는 개별 태스크뿐만 아니라 전체 업무 프로세스를 이해합니다. 다양한 부서와 팀 간의 상호작용을 파악하고, 업무 흐름을 최적화합니다. 동적 의사결정: 정적인 규칙이 아닌, 상황에 따라 유연하게 대응하는 의사결정 알고리즘을 활용합니다. 실시간 데이터 분석을 통해 최적의 결정을 내리고, 필요에 따라 전략을 조정합니다. 협업의 새로운 차원: AI 에이전트들은 서로 정보를 공유하고, 협력하여 복잡한 문제를 해결합니다. 인간 팀원들과도 원활하게 소통하며, 팀의 생산성을 극대화합니다. 예측적 리소스 관리: 미래의 업무 부하를 예측하고, 선제적으로 리소스를 할당합니다. 병목 현상을 사전에 방지하고, 전체적인 효율성을 높입니다. 지속적인 프로세스 최적화: 머신러닝을 통해 지속적으로 프로세스를 개선하고 최적화합니다. 비효율적인 부분을 자동으로 식별하고 개선 방안을 제시합니다.haebom.dev ↗

사실 23년, 24년에 위와 같은 글을 쓰면서 앞으로 인공지능을 관리, 감독 하는 역할이 필요하겠다. 더 나아가서는 인공지능을 단순히 쓰는게 아니라 어떻게 영리하게 써야하는지에 대해 이야기를 했는데 이게 참 반년정도 늘 타이밍을 놓치는 것 같습니다. 기업 임원분들 모셔놓고 하는 유료 조찬 모임에서도 몇번 이야기를 하고, 실무자들끼리 모여있는 스터디에서도 이야기를 해보는 등의 노력을 하고 있는데 잘 모르겠습니다.

보며는 사람들이 원하는걸 이야기 하는게 아니라 내가 말하고 싶고 신기한걸 이야기하고 있는게 아닌가 하는 생각도 들었습니다. 최근 인공지능 교육과 자동화, 생산성 강의하는 분들을 뵈었는데 이 부분을 제가 강하게 느꼈어요. 사람들에게 Vibe 코딩을 알려주는 것 보다 Make, Zapier를 알려주는게 낫고 NotebookLM을 사용하는 방법을 이야기 하는 것 보다 Notion 템플릿을 제공하는게 더 낫구나 싶은거죠. 사실 이 균형감을 잘 모르겠습니다.

vz-127031db-d43.b-cdn.nethttps://vz-127031db-d43.b-cdn.net/bc3ae744-3764-4822-bdab-17c80d351ee0/playlist.m3u8vz-127031db-d43.b-cdn.net ↗

Gemini, NotebookLM 써보세요. 진짜 좋아요... 제발...

기존에 하던 것 처럼 대학 겸임 교수하면서 특강도 다니고 글 쓰고 컨설팅하는 등으로도 돈은 벌리고, 강의를 만들고 맴버십을 운영하는 것도 돈은 벌리는 건 같으니까 배가 덜 고픈것일까? 하는 생각도 있구요. 어떤 선택을 해야 더 유의미할지도 잘 모르겠어요. 스터디를 운영하거나 모임을 운영해도 생각보다 사람들이 열의를 안보여서 스스로 실망한 적도 있고 그냥 세미나 형태로 매월 공부한 것을 이야기 하는 레포트를 제공하는게 낫나 싶기도 하구요. 요즘 이런 고민을 하고 살고 있습니다.

저 역시 앞으로 더 나은 선택을 하고 싶습니다. 대학 강의와 특강을 계속 하면서 글도 쓰고, 여러 사람들과 이야기를 나누는 것이 즐겁고 의미 있지만, 이걸 어떻게 확장해야 할지 고민이 큽니다. 스터디나 모임을 꾸려보면 열의가 기대만큼 높지 않아 실망하기도 하고, 차라리 “소규모 세미나”나 “정기 멤버십” 같은 형태가 좋지 않을까 싶기도 하죠.

그래서 앞으로는, 저만의 세미나나 멤버십 프로그램을 열어서 서로의 생각을 나누고, 실패담과 성공 사례를 공유하며, 새로운 툴과 아이디어를 시험해 보는 기회를 마련해볼까 합니다. 일단 소수라도 “진짜로 써보고 같이 실험해 보겠다”는 분들과 함께 출발한다면, 언젠가는 더 큰 모임으로 발전할 수도 있겠지요.

만약 이 글을 읽으시는 분들 중에 “나도 AI를 좀 더 잘 써보고 싶다”라거나 “다른 사람들의 실전 경험담을 들어보고 싶다”는 분이 계시다면, 언제든 제 세미나나 모임에 참여해 주시면 좋겠습니다. 인공지능 기술이야 계속 빠르게 변하겠지만, ‘함께 공부하는 동료’를 찾는 일은 언제나 유효하니까요. 댓글이나 메일을 주셔도 감사합니다.

EOF
DISCUSSION / PUBLIC LOG

생각을 남겨주세요.

가입 없이 익명으로, 작성 즉시 공개됩니다. 한국어·영어 글에서 같은 댓글을 공유합니다.

$ 댓글 쓰기

이메일·비밀번호는 댓글 수정·삭제에만 사용합니다. 이메일은 비공개이며 비밀번호는 해시로 저장되어 복구할 수 없습니다. 작성 IP는 관리자에게만 30일 동안 표시되고, 댓글을 삭제하면 함께 삭제됩니다. 일반 텍스트·링크 최대 2개.

Cloudflare Turnstile · 개인정보 안내 ↗

oswarld — search

↑↓ 이동 ↵ 열기SEARCH THE ARCHIVE