한 사람이 음성 입력, 지식 문서, 데이터 분석과 여러 AI 에이전트 작업을 일곱 갈래로 지휘하는 편집 일러스트

안드레이 카파시가 바꾼 AI 작업법: 에이전트 시대에 바로 쓰는 7가지

작성자:

‘10배 생산성’이라는 숫자보다 먼저 볼 것은 작업 방식의 변화입니다. 안드레이 카파시는 2026년 3월 No Priors 인터뷰에서 2025년 12월을 전후해 직접 코드를 쓰는 비중과 에이전트에게 위임하는 비중이 80 대 20에서 20 대 80으로 뒤집혔다고 설명했습니다. 그렇다고 아래 일곱 항목을 모두 카파시가 이름 붙인 비밀 규칙으로 볼 수는 없습니다. 음성 입력, LLM Wiki, 큰 단위 위임과 병렬 에이전트는 공개 자료로 확인됩니다. NotebookLM과 CLAUDE.md는 같은 원리를 일반 업무에 옮긴 방법입니다.

카파시가 직접 공개한 방식과 실전 응용

일곱 가지를 모두 카파시만의 비밀로 묶기는 어렵습니다. 그가 직접 공개한 작업 방식과 같은 원리를 일반 업무에 옮긴 방법을 나눠서 봐야 합니다.

항목 성격과 설명
음성으로 길게 지시하기 카파시가 공개한 사용 방식입니다. 그는 Superwhisper를 이용해 Cursor Composer에 말한다고 밝혔습니다.
LLM Wiki 카파시가 공개한 지식 관리 방식입니다. 원자료를 raw/에 두고 마크다운 위키로 정리하는 Gist를 공개했습니다.
큰 단위 위임·병렬 실행 카파시가 인터뷰에서 설명한 변화입니다. No Priors에서는 병렬 실행을 이야기했고, AutoResearch 저장소에는 이를 반복 실험 구조로 구현했습니다.
NotebookLM 심문·CLAUDE.md 메모리 같은 원리를 일반 업무에 적용한 방법입니다. Google과 Anthropic이 제공하는 공식 기능을 바탕으로 구성했습니다.

1. 완벽한 프롬프트보다 충분한 맥락을 말로 남기기

카파시는 2025년 공개 글에서 Superwhisper로 Cursor Composer에 말을 걸어 키보드를 거의 만지지 않는다고 썼습니다. 특정 앱보다 눈여겨볼 부분은 말로 전달하는 정보의 양입니다. 타이핑할 때 빠뜨리기 쉬운 배경, 예외, 실패 조건까지 한 번에 풀어놓을 수 있습니다.

말이 조금 두서없어도 괜찮습니다. 대신 무엇을 만들지, 어떤 자료를 참고할지, 무엇을 바꾸면 안 되는지, 어디까지 되면 끝인지까지는 챙겨야 합니다. “고객 문의를 정리해 줘”라고만 하면 검수하기 어렵습니다. “지난달 문의 CSV를 읽고 환불·배송·제품 문의로 나눠 표로 만들어 줘. 이메일 주소는 출력하지 말고 분류가 애매한 행은 별도 목록에 남겨 줘”라고 말하면 결과를 확인할 기준이 생깁니다.

유료 음성 도구부터 살 필요는 없습니다. 운영체제의 받아쓰기나 휴대전화 음성 메모로 시작해도 충분합니다. 고객명, 계약 내용, 비밀번호 같은 민감한 정보를 다룬다면 음성 인식 도구가 데이터를 어디에 저장하고 전송하는지 먼저 살펴보세요.

2. 파일을 올려놓는 데서 끝내지 말고 LLM Wiki로 축적하기

카파시가 공개한 LLM Wiki는 파일 몇 개를 대화창에 올려두는 방식과 다릅니다. 논문, 기사, 저장소, 데이터셋, 이미지 같은 원자료는 raw/에 보관합니다. LLM은 이를 읽고 요약·개념 문서·상호 링크가 있는 wiki/를 계속 고칩니다. 질문에서 얻은 쓸 만한 답도 파일로 돌려보내 다음 질문의 재료로 씁니다.

research/
├─ raw/       원문 PDF, 기사, 데이터
├─ wiki/      요약, 개념, 비교 문서
├─ outputs/   보고서, 표, 발표 자료
└─ AGENTS.md  정리 규칙과 출처 표기 원칙

한 번 받은 답변이 대화창과 함께 사라지지 않는 구조입니다. 그래도 ‘내 파일만 넣었으니 환각이 없다’고 단정할 수는 없습니다. 원문 링크와 페이지를 함께 적고 충돌하는 자료에는 표시를 남겨야 합니다. 새 문서를 넣었다면 관련된 기존 문서도 고쳐야 지식이 낡지 않습니다.

3. 문서를 요약시키지 말고 근거를 캐묻기

카파시가 NotebookLM 사용법으로 제시한 규칙은 아닙니다. LLM Wiki의 출처 중심 원리를 코딩하지 않는 사람도 적용하기 쉬운 형태로 바꾼 것입니다. NotebookLM에는 PDF, 웹페이지, 문서 등을 출처로 넣고 그 자료를 놓고 질문할 수 있습니다.

“요약해 줘”로 끝내면 중요한 전제와 예외를 놓치기 쉽습니다. 문서를 읽은 뒤 다음 질문을 이어가 보세요.

  • 이 결론을 뒷받침하는 표와 페이지는 어디인가?
  • 작성자가 직접 측정한 값과 다른 자료에서 인용한 값은 무엇인가?
  • 이 주장이 적용되지 않는 조건은 무엇인가?
  • 서로 모순되는 대목이 있다면 원문 문맥과 함께 보여 달라.

답변 옆에 출처가 표시돼도 숫자와 문맥은 원문을 열어 대조해야 합니다. 출처 기반 도구 역시 떨어진 문장을 잘못 잇거나 표를 엉뚱하게 읽을 수 있습니다.

4. 의견을 묻기 전에 원천 데이터를 표로 만들기

No Priors 인터뷰의 일자리 대목에서 카파시는 뉴스의 인상보다 실제 노동시장 데이터를 들여다봅니다. 미국 노동통계국(BLS)은 직업별 고용, 전망, 임금, 교육 요건을 표와 XLSX로 공개합니다. “AI가 어떤 직업을 없앨까?”라고 묻기 전에 비교할 직업과 기간을 정하고 원자료부터 가져오는 식입니다.

AI에는 출처 URL, 기준 연도, 열 이름부터 기록하게 하세요. 그런 다음 증감률 계산과 차트 작성을 맡깁니다. 마지막에는 분류 체계나 조사 방법이 기간 사이에 달라지지 않았는지 사람이 확인해야 합니다. 숫자를 빨리 얻는 일보다 같은 뜻의 숫자를 비교하는 일이 먼저입니다.

5. 매번 설명하는 내용은 프로젝트 메모리로 옮기기

카파시의 LLM Wiki는 지식을 마크다운 파일로 꺼내 놓습니다. Claude Code를 쓴다면 프로젝트 루트의 CLAUDE.md가 비슷한 출발점입니다. Anthropic 공식 문서에 따르면 이 파일에는 빌드 명령, 작업 규칙, 프로젝트 구조처럼 새 세션마다 되풀이할 내용을 적을 수 있습니다.

모든 대화를 메모리 파일에 밀어 넣지는 마세요. “패키지 관리자는 pnpm”, “배포 전 테스트 명령은 이것”, “고객 데이터는 샘플로 바꾼다”처럼 다음 작업의 판단에 필요한 사실이면 충분합니다. 비밀번호와 API 키는 넣지 않습니다. 더는 맞지 않는 규칙도 정기적으로 걷어내야 합니다.

6. 한 줄 수정이 아니라 완료 조건이 있는 작업 덩어리를 맡기기

카파시가 설명한 변화는 자동완성의 연장선에 머물지 않습니다. 사람은 목표와 경계를 정하고 에이전트가 여러 단계를 이어서 수행합니다. “오류 문구를 바꿔 줘” 대신 “회원가입 실패 원인을 재현해 고쳐 줘. 회귀 테스트를 추가한 뒤 변경 파일과 남은 위험을 보고해 줘”라고 맡기는 방식입니다.

일이 커질수록 중간 확인점도 선명해야 합니다. 삭제, 결제, 외부 발송, 공개 배포에는 사람의 승인을 걸고 테스트 결과나 원문 근거를 결과물에 붙이세요. 통째로 맡긴 뒤 검수하지 않는다면 위임이 아니라 방치에 가깝습니다.

7. 여러 에이전트에는 서로 겹치지 않는 일을 나누기

카파시는 하나의 세션을 넘어 여러 에이전트를 적절히 돌리는 방법을 고민한다고 말했습니다. 병렬화는 같은 일을 여러 창에 복사하는 요령이 아닙니다. 리서치, 초안 작성, 사실 검증처럼 독립적인 일을 나누고 마지막에 한 작업자가 합쳐야 충돌이 줄어듭니다.

처음에는 두 개면 충분합니다. 첫 번째 에이전트에는 공식 출처와 숫자만 모으게 합니다. 두 번째에는 그 자료로 독자용 초안을 쓰게 합니다. 마지막 검토에서 출처 없는 주장, 서로 다른 숫자, 중복 문장을 찾습니다. 같은 파일이나 계정을 여러 에이전트가 동시에 건드리면 아낀 시간보다 복구에 드는 시간이 더 커질 수 있습니다.

AI를 잘 쓰는 사람은 한 번의 답변보다 다음 일을 수월하게 만드는 구조를 남깁니다.

오늘 바로 적용하는 30분 체크리스트

  • 매번 같은 설명을 되풀이하는 실제 업무 하나를 고른다.
  • 목표, 참고 자료, 금지 사항, 완료 조건을 음성이나 글로 한 번에 남긴다.
  • 검증한 원자료를 raw/ 폴더에 복사하고 출처 URL을 적는다.
  • 에이전트가 읽을 짧은 프로젝트 규칙 파일을 만든다.
  • 리서치와 작성처럼 서로 겹치지 않는 두 작업으로 나눈다.
  • 원문 근거, 테스트 결과, 판단하기 어려운 항목까지 결과에 적게 한다.
  • 다시 쓸 만한 결과는 다음 작업에서 찾을 수 있는 곳에 저장한다.

한계와 주의할 점

‘10배 빠르다’는 수치는 카파시의 공개 자료에서 보편적인 측정값으로 확인되지 않습니다. 인터뷰에서 다룬 것도 소프트웨어와 AI 연구 중심의 개인 작업 경험입니다. 법률, 의료, 재무, 인사처럼 오류 비용이 큰 업무에 그대로 옮겨서는 안 됩니다. 모델과 제품 기능은 자주 바뀝니다. 도구 이름보다 원자료 보관, 완료 조건, 사람의 승인, 결과 검증이라는 원칙을 가져가세요.

에이전트가 실제 시스템을 바꾸는 단계라면 AI 에이전트 자동화 전 확인할 승인·되돌리기 원칙도 함께 확인하세요. 챗봇과 에이전트의 차이가 아직 낯설다면 초보자를 위한 챗봇과 AI 에이전트 구분법부터 읽는 편이 좋습니다.

자주 묻는 질문

Superwhisper를 꼭 사용해야 하나요?

그럴 필요는 없습니다. 운영체제 받아쓰기나 휴대전화 음성 메모로 먼저 시험해 보세요. 장시간 녹음, 개인정보 처리, 오프라인 인식이 필요해질 때 전용 도구를 비교해도 늦지 않습니다.

LLM Wiki와 파일 업로드는 무엇이 다른가요?

대화창에 올린 파일은 대화가 끝난 뒤 정리 결과가 남지 않을 수 있습니다. LLM Wiki는 원자료, 정리한 위키 문서, 질문에서 얻은 결과를 파일로 쌓고 서로 연결합니다.

에이전트에는 얼마나 큰 일을 맡겨야 하나요?

목표와 완료 조건을 한 문장으로 설명할 수 있고 결과를 테스트하거나 원문과 대조할 수 있는 정도가 알맞습니다. 검증할 방법이 보이지 않는다면 일을 더 작게 나누세요.

여러 에이전트를 쓰면 항상 더 빠른가요?

항상 그렇지는 않습니다. 작업끼리 독립적이고 공유 파일이나 계정 충돌이 없어야 이점이 생깁니다. 첫 시도라면 리서치와 초안처럼 경계가 분명한 두 역할만 나누세요.

공식 자료

댓글 남기기