네이버 블로그 게시물 주소: https://blog.naver.com/windcast/224266150220
------------------------------------------------------------------------------------------------------
회사에서 운영 업무를 하다 보면 새로운 시장, 경쟁사, 유저 반응, 이벤트 사례 등을 빠르게 조사하고 이를 보고서나 발표자료로 정리해야 하는 일이 자주 발생합니다. 기존에는 자료를 직접 검색하고, 여러 출처를 읽고, 핵심 내용을 정리한 뒤, 보고서 문장으로 다듬고, 다시 PPT 구조로 바꾸는 과정을 사람이 대부분 수작업으로 처리했습니다. 이 과정은 품질을 유지하려면 시간이 오래 걸렸고, 특히 자료조사와 문서화가 반복될수록 업무 피로도도 컸습니다.

저는 이 문제를 해결하기 위해 NotebookLM과 AI 에이전트 기반 워크플로우를 결합한 개인형 업무 자동화 방식을 만들었습니다. 먼저 NotebookLM에는 관련 문서, 웹 자료, 리서치 결과, 참고 자료를 소스로 등록해 안전한 지식 베이스를 구성했습니다. 일반 생성형 AI처럼 기억에 의존해 답변하게 하는 것이 아니라, 제가 올린 자료와 출처를 기반으로 답변하도록 하여 환각 가능성을 줄이고, 필요한 경우 원문을 바로 확인할 수 있게 했습니다.

그다음 NotebookLM의 딥리서치, 보고서, 마인드맵, 데이터 표, 인포그래픽, 오디오 개요 등 다양한 기능을 업무 목적에 맞게 활용했습니다. 예를 들어 특정 게임의 커뮤니티 이벤트 사례를 조사할 때는 딥리서치로 여러 웹 자료를 수집하고, 보고서 기능으로 핵심 내용을 구조화했습니다. 마인드맵은 복잡한 이슈의 원인과 흐름을 시각적으로 정리하는 데 사용했고, 데이터 표는 여러 출처에 흩어진 수치나 항목을 비교 가능한 형태로 정리하는 데 활용했습니다. 이렇게 생성된 결과는 단순한 AI 답변이 아니라, 실제 보고서나 발표자료의 초안으로 바로 이어질 수 있는 업무 자산이 되었습니다.

여기서 더 나아가 Antigravity와 NotebookLM MCP를 연결해 AI 에이전트 팀 형태의 자동화 구조를 만들었습니다. 저는 전체 방향을 정하는 Director 역할만 수행하고, AI 에이전트에게 Researcher, Data Analyst, Writer, Proofreader, Slide Maker, Design QA 같은 역할을 나누어 맡겼습니다. Researcher는 필요한 자료를 탐색하고, Data Analyst는 수집된 정보를 정량·정성 관점에서 정리하며, Writer는 보고서 초안을 작성합니다. Proofreader는 사실관계와 논리 흐름을 검토하고, Slide Maker는 발표자료 구조로 재구성하며, Design QA는 최종 슬라이드가 읽기 쉽고 일관된지 확인합니다.

이 방식의 핵심은 단순히 “AI에게 보고서를 써 달라”고 요청하는 것이 아니라, 사람이 하던 업무 프로세스를 역할 단위로 나누고, 각 단계에 맞는 AI의 역할과 산출물 기준을 정한 것입니다. 예를 들어 기존에는 리서치 2시간, 초안 작성 3시간, PPT 제작 2시간 등 총 7시간가량 걸리던 작업을, 이제는 사람이 방향을 디렉팅하는 5분과 AI 에이전트가 단계별로 실행하는 약 30분의 과정으로 줄일 수 있었습니다. 사람은 반복적인 검색, 정리, 형식 변환에서 벗어나 최종 판단과 의사결정에 더 집중할 수 있었습니다.

실제 활용 사례로는 사내 교육자료 자동 제작, 타사 운영 사례 조사, 이벤트 기획 레퍼런스 정리 등이 있습니다. 교육자료를 만들 때는 기존 문서와 가이드를 소스로 등록한 뒤, AI가 커리큘럼 초안을 만들고 발표자료 구조까지 제안하도록 했습니다. 타사 운영 사례를 조사할 때는 커뮤니티 글과 공개 자료를 기반으로 이벤트 유형, 보상 체계, 유저 반응을 정리하게 했습니다. 이벤트 기획 단계에서는 과거 내부 데이터와 현재 외부 시장 트렌드를 함께 참고해 새로운 기획안의 구조를 잡는 데 활용했습니다.

이 사례에서 가장 중요한 개선 포인트는 AI를 단발성 도구가 아니라 “협업 가능한 업무 팀”처럼 설계했다는 점입니다. NotebookLM은 출처 기반 지식 저장소 역할을 하고, Antigravity는 여러 AI 역할을 조율하는 실행 허브 역할을 합니다. 저는 이 둘을 결합해 지식은 안정적으로 관리하고, 실행은 자동화하는 구조를 만들었습니다. 그 결과 자료조사, 보고서 작성, PPT 제작, 검수까지 이어지는 업무 흐름을 하나의 파이프라인으로 만들 수 있었습니다.

이 방식은 특별한 개발 지식이 없는 사람도 충분히 따라 할 수 있습니다. 먼저 자신이 반복적으로 처리하는 업무를 정하고, 관련 자료를 NotebookLM에 소스로 등록합니다. 이후 AI에게 단순 결과물을 요청하기보다 “리서처”, “작성자”, “검수자”, “발표자료 구성자”처럼 역할을 나눠 지시하면 됩니다. 처음에는 간단한 보고서 초안 작성부터 시작하고, 익숙해지면 PPT 구성, 데이터 표 정리, 체크리스트 검수까지 확장할 수 있습니다.

AI를 활용하면서 느낀 가장 큰 변화는 업무 속도만 빨라진 것이 아니라, 사람이 더 중요한 판단에 집중할 수 있게 되었다는 점입니다. 반복적인 조사와 정리는 AI가 맡고, 사람은 방향 설정, 품질 판단, 최종 의사결정에 집중합니다. 저는 이 경험을 통해 AI가 단순히 글을 대신 써주는 도구가 아니라, 업무 프로세스 자체를 다시 설계하게 만드는 협업 파트너가 될 수 있다는 것을 확인했습니다.