당신의 두뇌는 이미 한계다 — LLM이 '제2의 뇌'를 컴파일하는 시대

---

프롤로그: 우리는 지식을 '소비'하고 있을 뿐, '축적'하지 않고 있다

모든 사람이 AI에게 질문을 던지고 있다. 하루 25억 건의 쿼리가 ChatGPT를 통과한다.¹ 하지만 나는 다른 생각이 든다.

질문을 던지는 것과, 지식을 쌓는 것은 완전히 다른 행위다.

맥킨지에 따르면 직장인은 매주 평균 9.3시간을 정보 검색에 쓴다.² 하루 1.8시간. 그런데 그 시간이 끝나면? 대부분의 답변은 터미널 창과 함께 사라진다. 우리는 매일 지식을 소비하지만, 그것이 어딘가에 '축적'되는 경우는 거의 없다.

안드레이 카파시(Andrej Karpathy)는 이 문제에 대해 근본적으로 다른 접근을 하고 있다.

---

I – 카파시의 고백: "나는 더 이상 코드를 조작하지 않는다"

2026년 4월 2일, 카파시는 자신의 X(트위터)에 흥미로운 고백을 남겼다.

"최근 나의 토큰 사용량 대부분은 코드를 조작하는 데가 아니라, 지식을 조작하는 데 쓰이고 있다."

OpenAI의 창립 멤버이자 테슬라 AI 디렉터 출신인 그가 코드 대신 마크다운과 이미지로 이루어진 개인 지식 베이스를 구축하고 있다는 사실. 이것은 단순한 메모 습관이 아니다. 하나의 시스템이다.

그의 워크플로우를 분해하면 이렇다:

graph TD
    subgraph 입력 ["📥 데이터 수집"]
        A["논문, 기사, 코드, 데이터셋"] --> B["raw/ 디렉토리에 색인"]
    end

    subgraph 컴파일 ["⚙️ LLM 컴파일"]
        B --> C["LLM이 위키로 변환"]
        C --> D["요약, 백링크, 개념 분류"]
        D --> E["문서 간 자동 연결"]
    end

    subgraph 활용 ["🔍 지식 활용"]
        E --> F["Q&A: 복잡한 질문에 답변"]
        E --> G["시각화: 슬라이드, 차트"]
        F --> H["결과물을 위키에 재투입"]
        G --> H
    end

    subgraph 유지보수 ["🔧 품질 관리"]
        H --> I["LLM 헬스체크"]
        I --> J["불일치 탐지, 누락 보완"]
        J --> E
    end

핵심은 이것이다. 카파시는 위키를 직접 편집하지 않는다. LLM이 작성하고, LLM이 유지보수한다. 인간은 질문을 던지고, 결과를 검토하며, 방향만 잡아준다.

---

II – 왜 지금, '지식 컴파일러'가 필요한가

여기서 핵심이 나온다. 우리가 직면한 문제는 정보의 부족이 아니라 정보의 휘발성이다.

AI 기반 지식관리 시장은 2025년 76.6억 달러에서 2026년 112.4억 달러로, 단 1년 만에 46.7% 성장했다.³ 2030년에는 513.6억 달러에 도달할 전망이다. 이 폭발적 성장이 말해주는 것은 간단하다 — 기업과 개인 모두 "지식을 잃고 있다"는 사실을 자각하기 시작했다는 것이다.

카파시가 발견한 역설은 이것이다:

"RAG(검색 증강 생성)같은 거창한 기술이 필요할 줄 알았다. 하지만 LLM이 인덱스 파일과 요약을 자동 관리하는 것만으로도, 약 10만 개 문서와 40만 단어 규모에서 충분히 잘 작동했다."

다시 말해, 복잡한 인프라 없이도 LLM 하나가 사서이자 편집자이자 연구조교 역할을 동시에 수행할 수 있다는 뜻이다.

구분	기존 지식관리	LLM 지식 컴파일러
정리 주체	❌ 사람이 직접 분류	✅ LLM이 자동 분류·연결
검색 방식	❌ 키워드 검색	✅ 맥락 기반 시맨틱 검색
유지보수	❌ 방치 → 정보 부패	✅ LLM 헬스체크로 자동 보완
출력 형태	❌ 텍스트만	✅ 슬라이드, 차트, 리포트
지식 축적	❌ 휘발성 (대화 종료 시 소멸)	✅ 누적형 (결과가 위키에 재투입)

---

III – Obsidian이 'AI 두뇌'의 프론트엔드가 된 이유

카파시가 선택한 프론트엔드는 Obsidian이다. 150만 명 이상의 사용자를 보유하고 전년 대비 22% 성장 중인 이 도구가 AI 시대에 오히려 더 주목받는 이유는 단순하다.⁴

로컬 퍼스트(Local-first), 마크다운 기반이라는 점이 LLM과 완벽하게 맞물린다.

Obsidian 볼트(vault)는 그 자체로 LLM이 읽고 쓸 수 있는 파일 시스템이다. 복잡한 API 연동이 필요 없다. 2026년의 가장 주목할 만한 발전은 Claude Code 같은 CLI 에이전트가 MCP(Model Context Protocol)를 통해 Obsidian 볼트에 직접 접근하여 읽고, 검색하고, 수정할 수 있게 되었다는 점이다.⁵

카파시의 말을 빌리면, Obsidian은 "IDE"다. 하지만 코드를 위한 IDE가 아니라 지식을 위한 IDE다. 원시 데이터를 보고, 컴파일된 위키를 탐색하고, 파생된 시각화를 확인하는 — 모든 것이 하나의 인터페이스 안에서 일어난다.

---

IV – 자연스러운 확장: LLM이 지식을 '체화'하는 미래

카파시는 글의 마지막에서 한 발 더 나아간다.

"레포가 커지면 자연스럽게 합성 데이터 생성과 파인튜닝을 생각하게 된다. LLM이 데이터를 컨텍스트 윈도우가 아니라 가중치(weights) 속에 '아는' 상태가 되는 것이다."

그리고 최종 비전:

"프론티어 LLM에 질문을 하면, LLM 팀이 자동으로 임시 위키를 구축하고, 린팅하고, 몇 번 반복한 뒤, 완전한 리포트를 작성하는 것. .decode()를 훨씬 넘어서는 것이다."

렉스 프리드먼(Lex Fridman) 역시 같은 셋업을 사용 중이라고 밝혔다. 팟캐스트 호스트로서 연구 관심사가 매우 넓지만, 이 지식 베이스 접근법이 "훌륭하게 작동하고 있다"고 확인했다.⁶

이것은 단순한 도구 트렌드가 아니다. 지식 노동의 근본적 재정의다.

pie title 카파시 LLM 토큰 사용량 변화
    "지식 컴파일·관리" : 55
    "Q&A 및 리서치" : 25
    "코드 생성·조작" : 15
    "기타 (시각화 등)" : 5

---

💭 이 글을 읽고 생각해볼 질문

1. LLM 팀이 마크다운 위키를 협업적으로 구축·유지·시각화한다면, 개인 연구자의 역할은 어떻게 재정의되어야 할까?

2. LLM이 위키 내 누락된 데이터를 자동 보충하고 패턴을 식별한다면, 우리가 '모른다는 사실조차 몰랐던 것'을 발견할 수 있을까?

3. LLM이 지식을 가중치에 체화하는 파인튜닝이 보편화된다면, '내 전문성'과 'AI의 전문성' 사이의 경계는 어디에 놓이게 될까?

댓글로 당신의 생각을 공유해주세요.

---

결론: 당신의 지식은 어디에 축적되고 있는가?

카파시의 시스템이 보여주는 진짜 교훈은 기술적 세부사항이 아니다. 그것은 태도의 전환이다.

우리 대부분은 AI를 "질문하면 답해주는 도구"로 사용한다. 하지만 카파시는 AI를 "내 지식을 컴파일하고 유지보수하는 시스템"으로 재정의했다. 전자는 소비다. 후자는 축적이다.

매주 9.3시간을 정보 검색에 쓰고, 그 결과물이 매번 휘발되는 삶. 아니면 모든 질문과 답변이 위키에 재투입되어, 시간이 지날수록 더 똑똑해지는 시스템을 만드는 삶.

선택은 간단하다. 하지만 실행하는 사람은 드물다.

"당신이 오늘 AI에게 던진 질문은, 내일의 당신을 더 똑똑하게 만들고 있는가? 아니면 그저 사라지고 있는가?"

---

Sources

---

이 글이 도움이 되셨다면, 한 명의 친구에게 공유해주세요.

Footnotes

1. LLM Statistics 2026: Where 800M Users Are Searching | Evolv Agency ↩

2. 50+ Shocking LLM Usage Statistics for 2026 | Tenet ↩

3. AI-Driven Knowledge Management System Market Report 2026 | Research and Markets ↩

4. Obsidian AI Second Brain: Complete Guide 2026 | NxCode ↩

5. Content Management & Knowledge Base With Obsidian & LLMs | SEOtistics ↩

6. Lex Fridman (@lexfridman), X Reply to @karpathy, 2026-04-02 ↩