🤷 아니, 조직에서는 왜이리 AI를 도입하는게 어려울까? (196호)

안녕하세요, 브라이언입니다.

2025년 10월 14일, 평범한 회의였습니다.

여느때와 같이 여느 계열사 AI 교육 미팅에서 늘 듣던 요청들이 쏟아졌죠.

"이 부분은 우리 회사 상황에 맞게 조금 바꿔주시고..."

"교육 시간은 줄이고, 내용은 더 깊게 할 수 있나요?"

당연한 요청들이었습니다. 늘 해오던 일이었고요. 그런데 오늘은 달랐어요. 평소엔 당연하게 받아들이던 이 과정이, 오늘따라 유난히 무겁게 느껴졌습니다.

'왜 이렇게 지치지? 늘 하던 일인데...'

그 순간 깨달았습니다.

이건 제가 혼자 겪는 문제가 아니라, AI를 도입하려는 모든 조직이 겪는 본질적인 어려움이라는 것을요.

회의가 끝나고, 2년간의 경험들이 한순간에 하나의 그림으로 모였어요.

2023년 연구실에선 단순했습니다.

"이 기술 대박이네. 기업들 적용하면 혁신 일어나겠는걸?"

커뮤니티에서 보이는 건 개인들의 빠른 AI 활용, 스타트업들의 성공 사례뿐이었으니까요.

하지만 2024년 현업에 들어와 B2B 시장을 마주하니 완전히 달랐습니다.

"AI 도입하고 싶은데요, 예산은 최대한 적게 해주세요."

"시스템만 구축해주시면 저희가 알아서 잘 쓸게요."

"그래서 언제 성과가 보이는데요?"

조직 규모에서의 AX(AI Transformation)는 전혀 다른 차원의 문제였습니다.

저는 바로 플라우드 노트를 꺼내 받아 적기 시작했어요.

그 답답함, 그 복잡함이 왜 생기는지, 그 근본적인 이유들이 선명하게 보이기 시작했거든요.

먼저 LinkedIn에 이 경험을 공유했는데요,

생각보다 많은 분들이 비슷한 어려움을 겪고 계시더라고요.

그런데 깨달았어요.

커뮤니티에서 접하는 AI 이야기들은 대부분 개인이나 소규모 조직의 활용 사례더라고요. 대기업, 중견기업의 현실적 어려움은 상대적으로 덜 공유되죠.

그래서 이 글을 통해 '조직 관점에서의 AI 트랜스포메이션'이라는 또 다른 시각을 제시하고 싶었습니다.

1년간 대학원에서 AI를 연구하고, 2년간 현업에서 기업들의 AI 도입을 도우면서 관찰한 7가지 핵심적인 괴리와 갭. AX가 '본질적으로' 왜 어려운지, 지금부터 나누어보겠습니다.

2023년 연구실에서 AI 공부할 때는 단순했어요.

"이 기술 대박이네. 기업들 적용하면 혁신 일어나겠는데?"

당시엔 연구하면서 커뮤니티에서 개인과 소규모 조직의 AI 활용 및 확산만 보고 있었어요.

개인들이 ChatGPT를 활용하는 방법, 스타트업들의 빠른 적응, 이런 것들이 전부였죠.

2024년부터 현업에 들어와 B2B 시장을 보니 완전히 달랐습니다.

조직 규모에서의 AX는 전혀 다른 차원의 문제더라고요.

2025년, 현업에서 기업들의 AI 트랜스포메이션을 도우며 2년을 보냈습니다.

그리고 오늘, 2025년 10월 14일. 평범한 회의 후 사무실로 돌아오는 길에 깨달았어요.

"아... 이게 이렇게 복잡한 문제였구나."

그래서 지금부터, 2년간 관찰한 7가지 핵심적인 괴리를 나누려고 합니다.

📌 관찰 1:

"예산 책정"부터 현실과 동떨어져 있더라고요

가장 많이 들은 말:

"AI 도입하고 싶은데요, 예산은 최대한 적게 해주세요"

처음엔 이해가 안 갔어요.

"좋은 기술인 건 아는데 왜 투자를 안 하시지?"

근데 곰곰이 생각해보니 이해가 되더라고요.

AI는 새로운 기술이에요.

→ 우리 회사에 어떻게 적용될지 불확실해요.

→ 유스케이스도 명확하지 않고, 도메인별로 어디까지 가능한지도 모호해요.

→ 효과가 얼마나 날지 예측하기 어려워요.

→ 불확실한 거에 큰돈 쓰기 무서워요.

그래서 회사는 보통 투자를 할 때 그로 인한 ROI 같은 것을 평가하고 심의한 다음에 의사결정을 하는데, AI의 경우 이 ROI를 정확히 산정하기가 너무 어렵습니다.

그래서 예산을 낮게 책정하는 게 너무 당연한 거예요. 당연한 반응이죠.

문제는:

실제로 필요한 투자 규모 ≫ 기업이 예상하는 예산

이 갭이 너무 크더라고요.

AI 시스템 구축에는:

• 인프라 비용 (서버, API, 클라우드)
• 개발 및 커스터마이징 비용
• 데이터 정제 및 준비 비용
• 유지보수 및 최적화 비용
• 그리고 변화관리 비용까지

실제로는 생각보다 훨씬 많은 투자가 필요합니다.

더 큰 문제는:

AX를 어떻게든 하고 싶은 기업의 수요는 매우 많은데, 실제 투입 비용은 높다는 거예요.

그리고 조직이 크면 클수록 이 갭이 훨씬 더 커지기 마련이더라고요.

이 괴리로 인해서:

AX를 담당하는 많은 회사들이 POC(Proof of Concept)나 아니면 낮은 가격을 제공하면서 유스케이스들을 만들어내려고 하는 이유가 여기에 있습니다.

특히 EY나 PwC 같은 컨설팅 회사들이 거의 공짜 수준으로 원가 수준으로 컨설팅을 많이 하는 경우가 있는 것 같아요.

시장에 먼저 진입하고, 레퍼런스를 확보하고, 나중에 본격적인 프로젝트로 연결하려는 전략이죠.

그래서 프로젝트가 시작도 전에 삐걱거려요. 충분한 자원 없이 시작하니까 제대로 될 리가 없죠.

📌 관찰 2: "시스템만 깔면 끝"이라는 착각

두 번째로 많이 들은 말:

"시스템만 구축해주시면 저희가 알아서 잘 쓸게요"

처음엔 저도 그렇게 믿었어요.

"그래, 좋은 시스템 만들어드리면 되는 거지"

근데 관찰해보니, 사람들이 시스템만 도입을 고려하고 그 후속 변화 관리(PI, Process Innovation)에 대한 부분은 고려를 덜 하는 것 같더라고요.

시스템 구축 완료

→ 몇 개월 뒤

→ 쓰는 인원이 예상보다 적거나 훨씬 적더라고요.

왜 그럴까 관찰해보니:

과거 자동화 시대 (RPA, 기존 업무 시스템)

• 시스템 깔면 알아서 돌아감
• 정해진 규칙대로 실행됨
• 사람은 최소한만 개입
• 시스템 구축 = 90%, 교육/변화관리 = 10%
• 시스템이 주도권을 가짐

생성형 AI 시대

• 시스템은 도구일 뿐
• 사람이 어떻게 쓰느냐가 핵심
• 프롬프팅 능력, 사고방식이 결과를 좌우
• 시스템 구축 = 50%, 변화관리 = 50%
• 사람이 주도권을 가짐

완전히 다른 게임이었어요.

근데 대부분의 회사가:

• AI 리터러시 교육 안 함 (또는 형식적으로만)
• 워크플로우 재설계 안 함
• 업무 방식 변화 관리 안 함
• 개인별 맞춤 교육 및 코칭 안 함
• 실험하고 피드백받는 문화 조성 안 함

그냥 "시스템만 깔면 알아서 되겠지"

안 됩니다.

생성형 AI 시대에는 시스템을 사용하는 사용자들에 대한 변화 관리가 시스템 구축만큼, 어쩌면 더 중요합니다.

📌 관찰 3:

사람들이 기대하는 것 vs AI가 실제로 하는 것 (실제 AI 활용 방식과 현실의 괴리)

이게 제일 흥미로웠어요.

제가 관찰한 사람들의 반응:

초반: "오 AI다! 이제 편하겠다!" → 기대: 알아서 다 해주겠지

중반: "어? 이거 생각보다 어렵네?" → 현실: 프롬프트를 어떻게 짜지?

후반: "그냥 예전 방식이 더 빠른데?" → 포기: 다시 기존 방식으로...

왜 이럴까요?

원래 사람들이 게으르고 머리를 안 쓰고 싶어하잖아요.

우리 인류가 예전엔 머리 쓰는 걸 생존과 직결된 것에만 쓰다 보니까, 생각하고 그러는 것을 최소화했고, 지금은 그 반대가 되어야 하는데...

뭐 인류 진화의 결과라고 해도 될 것 같아요.

사람들이 원하는 것:

• 대충 입력해도 알아서 이해해줘
• 생각 덜 하고 싶어
• 귀찮은 거 대신해줘
• 고민의 외주화 (Delegate)
• 나를 대체해줘 (Replace)

AI가 실제로 요구하는 것:

• 명확하게 구조화된 입력
• 더 전략적인 사고
• 워크플로우 재설계
• 프롬프트 엔지니어링 능력
• 고민의 증폭

결국,

AI should not replace or delegate us, but augment and amplify our thinking.

AI는 생각을 대체(Replace)하거나 위임(Delegate)하는 도구가 아니라 생각을 증폭(Amplify)하고 증강(Augment)하는 도구더라고요.

이 괴리를 이해하지 못하면, 이 괴리로 인해서 사람들이 AI 도입에 실패하게 됩니다.

이건 단순히 기대가 높아서가 아니라, 실제 AI를 활용하고 적용해야 되는 방식과 실제 현실 사이의 근본적인 괴리 때문에 생기는 문제예요.

📌 관찰 4: "바텀업"은 생각보다 훨씬 안 됩니다

처음 생각: "좋은 도구 주면 직원들이 알아서 잘 활용하겠지?"

현실: 아무도 안 씁니다. 또는 극소수만 씁니다.

왜?

직원 입장에서 생각해보니 이해가 됐어요.

• 이미 할 일 많음
• 맡은 업무만 해도 빠듯함
• AI 배우는 시간에 기존 방식으로 끝내는 게 빠름
• "왜 내가 추가로 고민해야 해?"
• 변화의 동기 부족
• 생산성이 올라도 내 급여가 오르는 건 아님

이런 이유로 인해서, 관찰 3에서 말한 것처럼 사람도 업무 방식을 고민하고 바뀌어야 하는데, 더더욱 어려워집니다.

일하는 방식에 대한 고민을 덜 하게 되는 거죠.

그리고 사람들은 모멘텀이 있기 때문에 오히려 기존 편한 방식이 있으면 바꾸기 어렵습니다.

애초에 사람이 두뇌를 쓰기 싫어하는 것에 엎친 데 덮친 격이에요.

사람은 (저 포함) 기본적으로 게으르고 변화를 귀찮아하더라고요.

그래서 깨달았어요.

바텀업만으로는 안 된다.

탑다운이 먼저 필요해요.

• 경영진이 방향 제시
• 자원 배분
• 문화 조성
• 명확한 동기부여 (평가, 인센티브 등)

그래야 바텀업이 작동해요.

탑다운이 왜 효과적인가?

위에서 하라고 하면 준수해야 되니까요.

낙수효과가 확실합니다.

경영진이 "AI 써라", "이렇게 바꿔라" 하면 조직원들은 따를 수밖에 없어요.

평가와 연결되고, 조직 문화가 되고, 당연한 것이 되니까요.

근데 탑다운도 쉽지 않습니다.

경영진 입장의 어려움:

• AI 리터러시 부족: 새로운 기술에 대한 깊은 이해 부족
• 시간과 관심 부족: AI 외에도 신경 쓸 전략적 이슈들이 많음
• 불확실성에 대한 리스크 회피: 검증되지 않은 것에 대한 투자 부담
• 전사적 변화에 대한 부담: 실패 시 조직 전체에 미치는 영향
• ROI 증명 압박: 이사회나 주주들에게 설명해야 하는 부담

그래서 탑다운을 해야 하는데 탑다운도 어렵고, 바텀업도 어렵고...

이 딜레마가 AX를 더욱 어렵게 만듭니다.

핵심은:

탑다운 전략이 먼저 수립되어야 바텀업 실행이 가능하다는 거예요.

위에서 방향과 자원과 문화를 만들어줘야, 아래에서 창의적으로 실행할 수 있습니다.

📌 관찰 5: 에이전트 기술이 이 갭을 채우려 하고 있습니다

최근 흥미로운 움직임을 관찰했어요.

OpenAI Agent Builder Google No-code Workbench (aka Opal)

이런 에이전트 빌더 도구들이 연이어 출시되고 있죠.

원래는 Zapier, n8n 같은 자동화 툴들이 그런 역할을 하고 있었는데,

이제는 OpenAI나 Google 같은 빅테크 기업들이 기어들어오니까 훨씬 더 이게 가속화될 것 같아요.

이런 것들을 왜 빅테크들이 출시할까 보면:

대기업에서 조직 AX 관련 고민과 기획을 직접 할 수 없으니, 커스텀화된 에이전트들을 직접 만들 수 있도록 실험할 수 있는 환경을 제공해주는 거예요.

무슨 말이냐면:

문제 상황:

• 범용 AI는 모든 회사의 니즈를 충족 못 함
• 각 회사마다 도메인, 워크플로우가 다름
• 맞춤형 솔루션이 필요한데 개발 비용이 높음
• 빠르게 실험하고 검증하기 어려움

에이전트 빌더의 해결책:

• 대화형 인터페이스로 쉽게 에이전트 생성
• 그래픽 인터페이스로 워크플로우 설계
• 비개발자도 직접 만들 수 있음
• 빠른 프로토타이핑과 실험 가능

그리고 무엇보다:

사람들: "대충 입력해도 알아서 해줘" (관찰 3의 기대)

에이전트: "그래, 내가 알아서 할게"

드디어 사람들의 기대와 기술이 만나고 있더라고요.

• 복잡한 프로세스를 자동으로 수행
• 중간 단계들을 알아서 처리
• 사용자는 최소한의 입력만
• 여러 도구를 연결하여 워크플로우 자동화

Zapier, Make 같은 기존 자동화 도구들도 있었지만,

AI 에이전트는 훨씬 더 지능적으로 작동합니다.

이게 관찰 3에서 말한 "기대와 현실의 괴리"를 메워주는 브릿지 역할을 하고 있어요.

📌 관찰 6: 큰 조직일수록 AX는 더 어렵습니다

이렇게 대기업일수록 더, 큰 조직일수록 AX가 어려운 이유가 있어요.

하나를 바꾸려면 전체를 뜯어고쳐야 하니까요. 특히 업무 프로세스가 그렇습니다.

큰 조직의 특징:

• 복잡하게 얽힌 업무 프로세스
• 부서 간 의존성과 연결고리
• 레거시 시스템과의 통합 이슈
• 많은 이해관계자들의 합의 필요
• 변화 속도가 느림

작은 조직의 특징:

• 단순하고 유연한 구조
• 빠른 의사결정
• 실험과 실패의 비용이 낮음
• 변화에 대한 저항이 적음

그래서 애자일한 조직이 더 빠르게 변화합니다.

송길영 작가님이 신작 <시대예보: 경량 문명의 탄생>에서 말한 것처럼,

애자일한, 경량의 조직들이 더욱 더 빠르게 혁신하고 적응합니다.

그래서 요즘 1인이나 몇 명 안 되는 소규모 스타트업인데 몇억,

몇십억 밸류에이션의 기업들이 있을 수 있는 이유예요.

AI 도구들로 무장한 소수 정예 팀이 거대 조직과 맞먹는 아웃풋을 내는 시대가 오고 있습니다.

역설적이게도:

• 큰 회사 = 더 많은 자원 = AX 더 어려움
• 작은 회사 = 적은 자원 = AX 더 쉬움

조직의 경량성과 애자일함이 AI 시대의 경쟁력이 되고 있어요.

📌 관찰 7: "그래서 언제 성과가 보이는데?"

이건 양쪽 모두에게서 들은 질문이에요.

고객사 입장:

"AI 도입했는데 언제 성과 나와요?" "투자 대비 효과를 언제 볼 수 있죠?"

빠른 성과를 원하는 건 당연합니다.

하지만 관찰 1에서 말한 것처럼 쉽게 투자를 하기에는 쉽지 않죠.

AI 딜리버리 회사 입장:

"AI 가지고 빨리 돈 벌어와" "이번 분기 매출 목표 채워야 해"

경영진으로부터 빠른 수익화에 대한 압박을 받습니다.

그 와중에:

AI 기술을 기반으로 다양한 서비스와 솔루션 제공을 통해서 돈을 벌어야 되는 SI 업체 같은 경우, 이런 고객 사정으로 인해 고객을 확보하는 게 쉽지 않습니다.

악순환:

• 고객: 확실하고 빠른 성과 원함 → 근데 투자는 망설임
• 공급사: 빠른 수익 필요 → 근데 고객 확보 어려움
• 결과: 시장 전체가 정체

결국: 이런 시장의 갭이 해결되려면 시간이 오래 걸릴 것 같고,

언제 해결될지는 아직은 불확실합니다.

AI는 현재 시점으로서는 장기적인 투자로 봐야 합니다.

단기 수익을 기대하는 순간, 실망하고 포기하게 됩니다.

이건 마라톤이지 단거리 달리기가 아니에요.

💡 결국 AX가 어려운 이유: 다양한 관점에서의 괴리와 갭

2년간 관찰하고 경험하며 깨달은 건,

AX의 어려움이 하나의 원인이 아니라 여러 층위의 괴리와 갭에서 온다는 거예요.

1. 경제적 괴리 (관찰 1)

• 필요 투자 vs 예상 예산의 갭
• 불확실성 vs 투자 결정의 딜레마
• 조직 규모에 비례하는 갭의 확대

2. 인식의 괴리 (관찰 2)

• 시스템 구축 vs 변화관리의 불균형
• 과거 자동화 vs 생성형 AI의 차이
• 기술 중심 vs 사람 중심 접근의 갭

3. 기대의 괴리 (관찰 3)

• 대체/위임 vs 증폭/증강의 갭
• 인간의 본성 (게으름) vs AI 활용의 현실
• 최소 사고 vs 전략적 사고의 필요성

4. 실행의 괴리 (관찰 4)

• 바텀업의 이상 vs 현실의 한계
• 탑다운의 필요성 vs 실행의 어려움
• 개인 동기 vs 조직 목표의 불일치

5. 기술의 괴리 (관찰 5)

• 범용 AI vs 맞춤형 니즈
• 에이전트 기술로 갭 축소 중
• 하지만 여전히 진행형

6. 구조의 괴리 (관찰 6)

• 대기업의 자원 vs 변화 속도
• 경량 조직의 민첩성 vs 규모
• 조직 크기와 AX 난이도의 비례

7. 시간의 괴리 (관찰 7)

• 빠른 성과 기대 vs 장기 투자의 현실
• 단기 수익 압박 vs 시장 성숙의 시간
• 현재의 불확실성 vs 미래의 가능성

그렇다면 어떻게 해야 할까요?

고객사 입장에서:

1. 장기적 투자 관점을 가지세요
   • 당장의 리턴을 기대하지 마세요
   • AI는 마라톤입니다, 단거리가 아니에요
   • 3-5년 단위의 로드맵을 그리세요
2. 탑다운과 바텀업을 동시에 추진하세요
   • 경영진의 전략적 의사결정이 먼저
   • 그 위에 직원들의 자발적 참여를 유도
   • 둘 중 하나만으로는 절대 안 됩니다
3. 외주화하지 말고 함께 고민하세요
   • "AI 기술 지닌 회사한테 너네가 알아서 해줘" (X)
   • "우리 업무 프로세스를 어떻게 바꿀까 함께 고민하자" (O)
   • 전략적으로, 운영적으로 양방향 모두 고민 필수
4. 변화관리에 투자하세요
   • 시스템만큼 교육과 문화 변화에 투자
   • 50:50 비율을 기억하세요

AX 시장의 공급자 입장에서:

1. 현재로서는 확산 전략이 우선입니다
   • 가격 경쟁력으로 최대한 낮은 비용에 제공
   • 최대한 많은 고객사에 확산
   • 시장이 성숙하기 전까지는 불가피한 전략
2. 레퍼런스와 케이스를 축적하세요
   • 많은 케이스를 확보해야
   • 회사의 딜리버리 역량이 늘어납니다
   • 이게 장기적 경쟁력이 됩니다
3. 단기 수익보다 장기 생존을 택하세요
   • 지금은 시장을 만드는 시기
   • 수익은 시장이 성숙한 후에
   • 지금은 투자의 시기입니다

💭 연구실을 떠나 현장에서 깨달은 것

2년간의 여정을 돌아보니, 가장 큰 깨달음은 이것이었어요.

AX는 기술 프로젝트가 아니라, 조직 전체가 함께 진화하는 여정이라는 것.

연구실에 있을 때의 저는 AI 기술 자체에 매료되어 있었습니다.

이 놀라운 기술을 기업에 적용하기만 하면 혁신이 일어날 거라고,

순진하게 믿었죠. 마

치 DBpia 강의에서 제가 "좋은 내용만 전달하면 되겠지"라고 생각했던 것처럼요.

하지만 현장은 달랐습니다.

기술보다 중요한 건 사람이었고,

시스템보다 중요한 건 문화였으며, 단기 성과보다 중요한 건 장기적 관점이었습니다.

그리고 무엇보다, 이 모든 '괴리'들을 이해하고 좁혀가려는 인내심과 헌신이 필요했어요.

7가지 관찰을 하나씩 이야기하면서 느낀 건, 이 괴리들이 사실 서로 깊이 연결되어 있다는 거예요:

• 예산이 부족한 건 (경제적 괴리) → 불확실성 때문이고 (시간의 괴리)
• 시스템만 깔면 된다고 생각하는 건 (인식의 괴리) → 과거 자동화 경험 때문이며
• 사람들이 안 쓰는 건 (실행의 괴리) → 기대와 현실이 다르기 때문이고 (기대의 괴리)
• 큰 조직일수록 어려운 건 (구조의 괴리) → 이 모든 문제가 증폭되기 때문입니다

결국 하나의 거대한 퍼즐이었던 거죠.

🌱 그럼에도 불구하고, 희망을 보았습니다

2년간 현장을 경험하면서 좌절도 많이 했지만, 동시에 희망도 보았어요.

에이전트 기술이 발전하면서 기대와 현실의 갭이 조금씩 좁혀지고 있고, 먼저 시작한 기업들이 레퍼런스를 만들어가면서 시장이 조금씩 성숙해가고 있으며, 무엇보다 많은 분들이 "어렵지만 해야 한다"는 것을 깨닫고 계시더라고요.

완벽주의자였던 제가 DBpia 강의 실패에서 배운 것처럼,

AX도 마찬가지인 것 같아요.

완벽하게 준비될 때까지 기다리면 영원히 시작할 수 없습니다.

대신 올바른 관점을 가지고, 충분한 인내심을 갖고, 현실적인 기대치를 설정한다면 분명 성공할 수 있어요.

쉽지 않습니다. 하지만 불가능하지도 않습니다.

🎯 여러분의 여정은 어떤가요?

혹시 여러분 조직에서도 AI 도입을 고민하고 계신가요?

아니면 이미 시작했지만 어려움을 겪고 계신가요?

오늘 제가 나눈 7가지 관찰 중에서, 여러분이 경험하고 있는 괴리는 무엇인가요?

개인적으로 AI를 활용하시는 분들께는 이 글이 조금 낯설게 느껴지실 수도 있을 것 같아요. "나는 ChatGPT 잘 쓰고 있는데, 왜 이렇게 복잡한 거야?"라고 생각하실 수도 있고요. 그게 맞습니다. 개인의 AI 활용과 조직의 AI 트랜스포메이션은 정말 다른 차원의 문제거든요.

하지만 바로 이 차이를 이해하는 것이 중요하다고 생각했어요. 개인으로서 AI를 잘 활용하고 계신 분들이라면, 여러분의 조직이 왜 AI 도입을 주저하는지, 왜 그렇게 진행이 더딘지 이해하는 데 도움이 될 수 있을 것 같고요. 반대로 조직에서 AI 도입을 담당하고 계신 분들이라면, 개인 사용자들의 빠른 적응과는 다른, 조직 특유의 어려움들을 공감하실 수 있을 거예요.

고객사 입장이시라면, 어떤 부분에서 가장 큰 어려움을 느끼시나요? 공급사 입장이시라면, 어떻게 이 시장의 갭을 좁혀가고 계신가요? 개인 사용자이시라면, 여러분의 조직은 어떤 모습인가요?

댓글로 여러분의 경험을 나눠주시면 정말 감사하겠습니다. 서로의 경험을 나누면서 함께 배우고 성장할 수 있을 것 같거든요.

연구실에서 현장으로 나온 지 2년, 저는 여전히 배우고 있습니다.

그리고 이 배움의 여정을 여러분과 함께 나눌 수 있어서 감사합니다.

AI 시대, 우리 모두 함께 성장해나가요.

🤖 나만의 지식관리 AI Agent 만들기

지식관리에 진심인 사람은 Claude Code를 어떻게 활용할까요? 

Claude Code를 활용하면 옵시디언에서 지식 관리를 자동화할 수 있습니다. 내가 쓴 노트를 모아서 새로운 글을 써내는 것도 가능합니다. 그런데 AI에게 나만의 규칙, 작업 방식 그리고 취향을 전달했을 때 활용도를 더욱 극대화할 수 있습니다.

이번 월간 옵시디언 10회차에서 AI를 위한 나만의 지식관리 지침, CLAUDE.md와 CMDS.md를 작성하고 활용하는 방법을 배워보아요.

※ Claude Code를 처음 사용하시는 분들께서는 9회차 강의를 시청해 주세요.

🗓️ 일정: 2025.10.28. (금) 19:30-21:30

→ 지난 주제 보러가기

→ 월간 옵시디언 멤버십 보러가기

📖 프로젝트 내책: 올해가 가기 전에, 당신의 책 한 권 쓰세요

"나는 특별한 경험이 없어서..." "글을 못 써서..."

수많은 핑계로 미뤄왔던 책쓰기. 하지만 누구에게나 이야기(Narrative)가 있습니다.

20대든, 30대든, 40대든 - 당신만이 쓸 수 있는 유니크한 서사가 있습니다. 프로젝트 내책은 8주 만에 당신의 첫 번째 전자책 출간을 완성하는 프로그램입니다. 옵시디언으로 평생 쓸 지식관리 시스템을 세팅하고, Claude AI와 대화하며 산재된 경험을 하나의 이야기로 엮어냅니다. 무엇보다 매일 함께 글을 쓰는 20명의 동료들이 있기에 완주할 수 있습니다. ✨

8주 후, 당신은 손에 들게 됩니다. 전자책 1권, AI 협업 역량, 두 번째 책도 쓸 수 있는 시스템, 그리고 무엇보다 "나도 할 수 있다"는 자신감을. 🎉 송년회 대신 출간 파티로 2025년을 마무리하세요.

프로젝트 내책과 함께 연말 나만의 KPI를 달성하는 특별한 경험을 만들어보세요.

일정: 2025.11.1(금) 시작 | 12.21(토) 출간 파티
모집: 10월 15일~29일, 선착순 20명
문의: project.naebook@gmail.com

신청 페이지:  https://event-us.kr/m/114104/43096

10월 22일 수요일,

프로젝트 내책 및 전자책 쓰기 관련 무료 세미나를 해요!
(더배러 카톡방에서 공지 예정)