수백 개의 AI 제품을 만든 뒤 배운 것 — ArkPoint CEO 오태완과 Genspark

URL: https://www.youtube.com/watch?v=7wwAE6oKHIc 날짜: 2026-09-05 채널: AI Community Bloom

메타데이터

• 원문 제목: What I Learned After Churning Out Hundreds of AI Products | ArkPoint CEO Oh Tae-wan X Genspark
• 발표자: ArkPoint 오태완 CEO, Genspark 커뮤니티 마케터 리, Genspark 앰배서더 강슬기
• 콘텐츠 유형: AI 활용·제품 제작·마케팅 디자인 심층 다이제스트
• 처리일: 2026-09-05
• 영상 ID: 7wwAE6oKHIc
• 핵심 키워드: AI 슬롭(AI slop), AI 자산(AI asset), AI 네이티브(AI-native), 병목, AI 스터디, 세컨드 브레인(Second Brain), 디자인 시스템, Genspark

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==같은 AI 모델을 써도 어떤 사람은 쓰레기 같은 AI 슬롭을 만들고, 어떤 사람은 희귀병 치료나 실제 비즈니스 성과로 이어지는 AI 자산을 만든다. 차이는 결과물을 많이 만드는 속도가 아니라, 품질·역량·핵심 병목·AI 네이티브 워크플로우를 설계하는 능력에서 발생한다.==

• AI 슬롭은 사용 가능한 품질에 미달하고, 결과물만 양산할 뿐 역량이 쌓이지 않으며, 성과의 핵심 병목을 건드리지 못하고, 생산 비용 대신 소비 비용을 늘린다.
• AI 자산은 계속 사용·개선되고, 실제 비즈니스 임팩트를 만들며, 병목을 제거하고, AI 시대에 맞도록 업무 흐름 자체를 다시 설계한다.
• 오태완은 비개발자로서 수백 개의 제품을 만들고 실패한 경험을 통해 이 구분을 체득했으며, AI 스터디 스킬로 개인과 조직의 지식을 축적하는 방법을 제안한다.
• Genspark 세션은 세컨드 브레인과 디자인 시스템을 활용해 마케터가 복잡한 툴을 직접 숙련하기보다 방향과 맥락을 제시하고 슬라이드·광고·카드 뉴스·인터랙션 페이지·포트폴리오를 만드는 과정을 보여 준다.

이 발표의 핵심은 AI를 많이 쓰라는 독려가 아니다. 무엇을 만들지, 어떤 품질 기준을 적용할지, 결과물을 실제로 누가 어떻게 사용할지, 기존 업무 방식을 AI에 맞게 어떻게 바꿀지를 사람이 결정해야 한다는 주장이다.

1. AI 슬롭과 AI 자산 사이의 갈림길

1.1. 도입: AI가 만드는 것은 오물인가 자산인가

1. AI 슬롭이라는 말의 의미

   1. 오태완은 발표 제목을 “AI 슬롭 자산의 갈림길”로 제시한다. 슬롭(slop)은 한국어로 옮기면 오물에 가깝고, 돼지가 먹는 사료 같은 느낌을 주는 단어라고 설명한다.
   2. 자산(asset)은 반대로 축적되고 가치가 남는 것을 뜻한다. 같은 GPT, Claude, Kimi 같은 모델을 써도 누구는 자산을 만들고 누구는 슬롭을 만든다.
   3. 따라서 질문은 어떤 모델이 가장 좋은가가 아니라, 동일한 도구에서 결과의 질적 차이가 왜 생기며 그 차이가 어떤 문제를 만드는가이다.

2. 같은 모델로 희귀병을 고치는 사람과 감기도 진단하지 못하는 사람

   1. 오태완은 OpenAI가 최근 인수한 유튜브 채널에 흥미로운 사례가 많다고 소개한다. 대중적인 질환에는 이미 약이 있지만, 특정 사람만의 희귀병이나 반려동물의 불치병에는 맞춤형 약물이 필요하다.
   2. 일부 사람들은 AI를 이용해 자기 자신이나 반려견만을 위한 치료 약물을 개발한다. 같은 모델로 희귀병을 치료하고 반려견의 불치병을 고치는 사례가 나온다.
   3. 반면 다른 사람들은 AI를 사용해도 감기조차 진단하지 못한다. 양쪽이 같은 AI를 쓰는데 결과가 다른 이유를 찾는 것이 발표의 출발점이다.

1.2. AI 발전 속도가 만드는 FOMO

1. 모델 성능과 역할의 급격한 진화

   1. 발표 자료에는 당시 Opus 4.6이 표시되어 있었지만, 오태완은 현재 Opus 5가 출시됐고 벤치마크 성능이 4.6 대비 약 1.2~1.5배 높아졌다고 말한다.
   2. AI의 역할은 처음에는 추론 도구에서 시작해 추론하는 시스템으로, 다시 행동하는 에이전트(agent)로 이동했다.
   3. 일부 자료에서는 AI가 연구를 수행하는 혁신·리서치 단계까지 등장한다고 언급한다. 모델이 답변하는 것을 넘어 행동하고 조사하는 방향으로 진화하는 셈이다.

2. 한국과 아시아의 높은 AI 사용 열기

   1. 전 세계 생산가능인구 가운데 AI 사용자는 18%로 제시된다.
   2. 아시아·태평양 지역에서는 최근 사용자가 급증해 37%가 AI를 사용한다고 소개한다.
   3. 한국은 ChatGPT와 Gemini 같은 서비스의 유료 구독자 비중이 세계 2위권으로 소개된다. 한국이 AI 사용의 선도권에 있다는 인식이 여기서 나온다.

3. 투자가 생산성으로 바뀌는 임계점

   1. Goldman Sachs와 JP Morgan 자료를 인용해 전기 모터나 IT가 등장했다고 곧바로 생산성이 개선된 것은 아니라고 설명한다.
   2. 투자가 계속 진행되어 글로벌 GDP의 1.5%를 넘는 순간부터 실질적인 생산성 개선이 발생했다는 과거의 패턴을 제시한다.
   3. 발표 자료의 AI 투자 수치는 글로벌 GDP 기준 약 0.9%로 표시되었고, 자막에는 1.9%라는 표현도 함께 포착된다. 미국은 GDP의 1.8%가 AI에 투자되고 있다고 설명한다.
   4. 2028년 예측은 글로벌 GDP의 1.4%, 미국 GDP의 2.8%가 AI에 투자되는 수준이다. 오태완은 이 보고서가 발표된 시점이 발표 당월이라고 강조한다.
   5. 미국에서는 올해부터 생산성 혁신이 이미 시작됐을 가능성이 있고, 전 세계적으로도 1~2년 안에 AI에 의한 생산성 혁신을 보게 될 것이라는 강한 FOMO가 형성된다.

2. 비개발자가 수백 개의 제품을 만들고 깨달은 것

2.1. 오태완의 배경과 첫 제품

1. 문과 출신의 출발점

   1. 오태완은 비개발자이며 증권사 애널리스트와 컨설턴트로 일했다. 스스로를 “문과 중의 문과”라고 표현한다.
   2. 코드와 개발을 전혀 몰랐고 터미널을 열면 검은 글씨가 나오는 것뿐이었다. 터미널 명령이나 개발 환경이 서로 같은지 다른지도 구분하지 못하는 상태였다.
   3. 어느 날 저녁 동료가 Claude Code를 켜고 하고 싶은 것을 빨리 써 보라고 했다. 그는 그냥 원하는 것을 적었고 그 자리에서 첫 번째 프로덕트가 만들어졌다.
   4. 신기해서 두 번째 제품도 만들었고, 결국 하루에 두 개를 만들었다. 다음 날부터 AI에 완전히 빠져들었다.

2. 회사의 AI 네이티브 전환

   1. 원래 회사는 Hashed처럼 블록체인 컨설팅을 하던 회사였지만, AI 네이티브 기반으로 모든 일을 하는 회사로 피벗했다.
   2. 정부 사업의 일환으로 글로벌 팀과 온프레미스(on-premises) 데이터 분석용 대규모 언어 모델(LLM)을 직접 개발하는 일도 진행했다. 오픈 소스를 가져와 개선하는 방식이었다.
   3. 대부분의 프로덕트 MVP는 개발자가 아니라 비개발자나 디자이너가 직접 빌드한다. 이것은 AI 도구가 개발 진입장벽을 크게 낮췄다는 사례다.

2.2. 만들 수 있다는 자신감이 만든 양산

1. 국회의원 맛집 지도

   1. AI 사용법을 알게 되자 하루에도 별의별 것을 만들었다. 대표 사례가 “국회의원 맛집 지도”다.
   2. 여야 국회의원들이 실제로 자주 가는 식당을 찾기 위해 4년간의 법인카드 내역을 분석하고, 방문 빈도가 높은 식당을 지도에 점으로 표시했다.
   3. 이 서비스를 토스에 출시했다. 원주님의 글이 바이럴된 것처럼 반응이 크게 왔고, 선거일에 삭제됐지만 오태완의 자신감은 크게 올라갔다.
   4. 그는 “AI로 이제 개발자는 끝났고 내가 개발까지 다 하겠다”고 생각하게 됐다.

2. 이어진 각종 제품과 실험

   1. 이후 “모수가 와인을 바꿔치기했다”는 식의 이슈를 다루는 서비스, 미슐랭 가이드와 오런집 가이드 같은 프로젝트를 만들었다. 오런집 가이드는 토스에 아직 남아 있지만 방문자는 많지 않다고 말한다.
   2. 토스 앱에 10개 이상의 앱을 제출했다.
   3. Claude Code를 공부할 수 있는 학습지와 웹사이트를 만들었다.
   4. 쿠팡의 상품을 AI로 전부 수집해 성분이 가장 좋은 상품 하나를 골라 주고, 쿠팡 파트너스로 수익화하려는 “수화픽” 사이트도 만들었다.
   5. 만든 것이 많아 보이게 하려고 컴퓨터 바탕화면을 꾸미고 “문과팀” 같은 화면도 만들었다. 그러나 그중 지금 실제로 사용하는 것은 솔직히 하나도 없었다.

3. 사적인 관계까지 AI에 맡긴 사례

   1. 여자친구와 싸운 내용을 AI에 넣고 자신이 잘했다는 내용의 보고서를 만들어 여자친구에게 보냈다.
   2. 여자친구에게 크게 욕을 먹은 뒤, AI가 맥락을 제대로 알아야 한다고 생각했다.
   3. 그래서 자신과 여자친구와 AI가 함께 있는 텔레그램 방을 만들고 “헤르메스”라는 이름을 붙였다. 세 사람이 한 방에서 맥락을 공유하도록 만들어 별의별 일을 하며 살았다.

4. 수익과 실패를 계산하며 생긴 깨달음

   1. 몇 주 동안 친구들에게 제품을 자랑하고 사용을 권했지만 대부분 제대로 되지 않았다.
   2. 남은 결과를 계산해 보니 어떤 것은 약 1만 원, 어떤 것은 약 8만 원을 벌었고 나머지는 모두 망했다.
   3. 그때 AI로 별의별 것을 만들었다는 사실만으로는 아무것도 남지 않는다는 것을 확실히 알았다. AI에는 슬롭·쓰레기와 자산이 존재하며, 둘은 다르다는 결론에 도달했다.

3. AI 슬롭의 네 가지 특징

3.1. 사용 가능한 품질에 도달하지 못한다

1. 사용자의 기대선과 AI 결과의 간극

   1. 사람들은 눈높이가 높아져 프로덕트를 최소 80점부터 사용한다. 90점을 넘으면 좋은 제품으로 평가한다.
   2. AI로 만든 결과가 70점에 머물면 그럴듯해 보여도 실제로는 사용할 수 없다.
   3. 결국 결과물을 만든 사람은 만족하지만 사용자는 쓰지 않는다. 이것이 AI 슬롭의 첫 번째 특징이다.

2. 잘못된 구조를 나중에 고치기 어렵다

   1. 비개발자가 만든 결과물이 실제 사용 품질에 미달하면 개발자에게 완성도를 높여 달라고 요청하게 된다.
   2. 개발자는 “아키텍처부터 틀렸으니 새로 만들어야 한다. 이걸 꼭 해야 하느냐”고 반응할 수 있다.
   3. 처음부터 사용성과 구조를 생각하지 않고 외형만 만든 결과는 사후 보완 비용이 커진다.

3.2. 결과물은 늘지만 역량은 축적되지 않는다

1. 아웃풋과 역량의 분리

   1. AI 슬롭은 결과물을 엄청나게 쏟아내지만 만든 사람의 역량을 축적시키는 구조가 아니다.
   2. 산출물의 숫자가 늘어도 문제를 정의하고 품질을 판단하고 개선하는 능력이 함께 자라지 않으면 다음 제품은 더 좋아지지 않는다.

2. 걷기와 달리기의 비유

   1. 사람은 매일 출근하며 걷지만 평생 걸어도 100m 달리기 선수가 되지는 않는다.
   2. 달리기 선수가 되려면 달리기 능력을 키워야 하고, 걷기 선수가 되려 해도 어떻게 걸어야 건강하고 빠른지 연구해야 한다.
   3. AI도 단순히 많이 쓰는 것은 필요하지만 결과물만 많이 만든다고 역량이 쌓이지 않는다. 어떻게 써야 하는지 연구하고 피드백을 반영해야 한다.

3.3. 성과를 결정하는 핵심 병목을 건드리지 않는다

1. 기업 AI 도입과 성과의 불일치

   1. Bain 자료를 인용해 AI를 쓰는 기업의 85%가 영업 개선을 이루지 못하고 있다고 소개한다.
   2. AI를 도입했다는 사실과 매출·영업 성과가 개선되는 것은 다르다.
   3. 업무 주변부의 사소한 작업만 AI로 처리하고 성과를 결정하는 핵심 병목을 건드리지 못하면 결과가 달라지지 않는다.

2. 무엇을 자동화할 것인가의 문제

   1. AI로 할 수 있는 일이 많아졌지만, “할 수 있는 일”과 “해야 하는 일”을 구분해야 한다.
   2. 핵심 병목을 찾지 못한 채 보여 주기 좋은 기능을 추가하면 제품은 많아지지만 비즈니스 결과는 그대로다.

3.4. 생산 비용을 줄이는 대신 소비 비용을 늘린다

1. AI 회의록의 함정

   1. 회의 녹음 파일을 AI로 클릭 한 번에 처리하면 긴 회의록이 빠르게 생성된다.
   2. 사람이 직접 정리하면 10분 걸릴 일을 AI로 1분 만에 공유했다고 생각할 수 있다.
   3. 그러나 공유받은 10명이 회의록의 핵심을 파악하는 데 오히려 더 많은 시간을 쓸 수 있다.
   4. 만든 사람의 생산 비용은 10분에서 1분으로 줄었지만, 읽는 사람들의 소비 비용이 늘어난 것이다.

2. 좋은 회의록의 기준

   1. 회의록은 길게 생성되는 것이 목적이 아니라, 회의 내용과 목적에 맞게 압축되고 정확해야 한다.
   2. 빨리 만들어졌다는 이유만으로 유용한 것은 아니다. 독자의 병목까지 고려하지 않은 회의록은 AI 슬롭이다.

4. AI 자산을 판별하는 네 가지 기준

4.1. 계속 쓰이고 개선되는가

1. 사용이 개선 루프를 만든다
   1. 만든 것이 실제로 계속 쓰이고 있는지부터 확인해야 한다.
   2. 오태완의 회사 코파운더는 운동으로 체중을 줄이려는 과정에서 헬스 앱을 직접 만들었다.
   3. 앱을 Telegram과 Google Watch 또는 Google 계열 워치에 연동해 매일 사용했고, 본인이 계속 쓰면서 개선했다.
   4. 몇 명의 친구에게도 사용하게 하면서 피드백을 받아 제품이 계속 좋아졌고, 발표 시점에는 유료화를 진행하려 했다.
   5. 자기 자신과 초기 사용자가 반복적으로 쓰는 제품은 실제 문제와 접촉하므로 AI 자산이 될 가능성이 높다.

4.2. 실제 비즈니스 임팩트를 냈는가

1. 기분 좋은 결과와 성과를 구분한다

   1. 보기 좋고 재미있고 있어 보이는 것만으로는 비즈니스 임팩트가 아니다.
   2. 매출·사용자·전환·시간 절감·의사결정 개선처럼 실제 비즈니스 결과가 생겼는지 확인해야 한다.
   3. 오태완이 만든 여러 앱처럼 출시되었다는 사실이 곧 성공은 아니다. 사용자가 거의 없으면 자산으로 축적되지 않는다.

2. 성과 측정의 출발점

   1. 무엇을 바꾸려는지, 누구의 어떤 병목을 줄이는지, 변화가 어떤 지표로 드러나는지를 제품을 만들기 전에 정해야 한다.
   2. AI로 만들 수 있다는 흥분은 성과 측정의 빈자리를 채워 주지 못한다.

4.3. 병목을 제거했는가, 다른 사람에게 전가했는가

1. 회의록 사례의 재해석

   1. 회의록을 1분 만에 만든 사람은 자기 작업의 병목을 없앤 것처럼 보인다.
   2. 하지만 10명이 읽고 핵심을 해석해야 한다면 병목을 그 10명에게 전가한 것이다.
   3. AI 자산은 단순히 한 단계의 시간을 줄이는 것이 아니라 전체 흐름의 병목을 해소해야 한다.

2. 최종 사용자까지 포함한 설계

   1. 생산자뿐 아니라 결과물을 읽고 실행하고 의사결정하는 사람까지 관찰해야 한다.
   2. 한 사람의 클릭 시간을 줄이면서 조직 전체의 읽기·검증·재작업 시간을 늘리는 자동화는 자산이 아니다.

4.4. AI 네이티브하게 워크플로우를 다시 설계했는가

1. 기존 방식에 AI를 붙이는 것의 한계

   1. AI 모델이 좋아졌을 때 지금 만든 프로덕트가 여전히 괜찮은지를 물어야 한다.
   2. 기존 프로세스를 그대로 두고 중간에 AI 버튼 하나만 추가하면 AI 시대의 업무가 되었다고 보기 어렵다.

2. 업무 문법 자체의 전환

   1. AI가 존재한다는 전제에서 업무의 순서·역할·검증·출력 형식을 새로 설계해야 한다.
   2. AI는 기존 직원의 일을 조금 빨리 하는 도구가 아니라, 어떤 일을 사람이 하고 어떤 일을 에이전트가 하며 결과를 어떻게 검증할지까지 바꾸는 기반이다.

5. 전단지에 QR코드만 붙이면 디지털 광고가 되는가

5.1. 오프라인에서 온라인으로의 전환 비유

1. 오프라인 광고 회사의 핵심 업무

   1. 오태완은 애널리스트 시절 담당했던 광고 섹터를 예로 든다. 2000년대 초반 광고는 오프라인에서 온라인으로 큰 전환점을 맞았다.
   2. 오프라인 광고 회사는 전단지를 나눠 주는 일을 핵심으로 삼았다.
   3. 어느 지역에 사람이 많이 다니는지, 예를 들어 서울역 앞에서 전단지를 어떻게 나눠 줄지를 연구했다.

2. QR코드식 전환의 허점

   1. 인터넷과 디지털 세상이 열리자 기존 광고 회사는 자신들도 디지털 회사가 되어야 한다고 생각했다.
   2. 그래서 기존 전단지에 QR코드를 붙이면 디지털 광고 회사가 될 것이라고 판단했다.
   3. 그러나 전단지에 QR코드만 붙였다고 디지털 광고 회사가 되지는 않는다. 디지털 광고의 문법은 완전히 다르다.

5.2. 디지털 광고의 새로운 문법과 AI

1. 디지털 광고가 바꾸는 운영 방식

   1. 디지털 광고는 사람이 많이 지나는 오프라인 공간에서 주변 200m의 가게나 회사 전단지를 나눠 주는 방식이 아니다.
   2. 데이터를 실시간으로 분석하고, 그림·배너를 실시간으로 바꾸며, 지역이 아니라 브랜드와 전국 단위의 인터넷 이용자를 대상으로 한다.
   3. 모든 과정이 인터넷에서 진행되면서 뉴미디어랩과 새로운 형태의 광고 회사가 등장했다.

2. AI 시대의 질문

   1. AI를 쓴다는 이유로 기존 업무 구조에 QR코드 하나만 붙일 것인지 물어야 한다.
   2. AI 시대와 AI가 만든 세상을 전제로 현재의 비즈니스를 아예 새롭게 바꿀 것인지가 진짜 갈림길이다.
   3. 오태완은 이 갈림길을 넘는 방법은 이후 Claude Bloom 영상에서 참고할 수 있다고 안내한 뒤, 실제 적용 가능한 AI 스터디 스킬을 소개한다.

6. AI 스터디 스킬: 북마크를 지식 자산으로 바꾸기

6.1. 북마크 대신 즉시 맥락화한다

1. 새로운 글을 발견했을 때 생기는 FOMO

   1. 오태완은 링크를 보다가 OpenAI와 Facebook, Tesla에서 AI 엔지니어로 일했던 Andrej Karpathy의 글을 발견하는 상황을 예로 든다.
   2. Karpathy가 LLM 위키를 만들면 대박이라는 글을 보면 “나도 해야겠다”는 생각이 들고 일단 북마크에 저장한다.
   3. 그러나 북마크는 너무 많이 쌓여 결국 아무도 다시 보지 않는다.

2. Taeo AI Study 스킬 실행

   1. 링크를 복사한 뒤 자신의 이름을 영어로 쓴 “Taeo AI Study”에 붙인다. 발표 시점에는 버전 2가 되어 있었다.
   2. 링크를 입력하고 스킬을 실행한 다음 엔터를 치면, 단순한 링크 저장이 아니라 자신에게 맞는 학습 자료가 생성된다.
   3. 이 방식은 발견 순간의 흥분을 일회성 북마크가 아니라 검색·토론·적용 가능한 지식으로 바꾼다.

6.2. 생성되는 자료의 세 층위

1. 사전 지식과 맥락 제공

   1. 자료에 적힌 본문만 반복하지 않고 Andrej Karpathy가 누구인지, LLM 위키가 무엇인지, 왜 중요한지부터 설명한다.
   2. 배경지식이 없는 사람도 원문을 읽을 수 있도록 인물·개념·문제의 맥락을 먼저 제공한다.

2. 비교와 선택지 제공

   1. LLM 위키가 RAG로 이해되는 시스템과 무엇이 다른지 묻는다.
   2. LLM 위키가 Notion이나 Obsidian을 쓰는 것과 어떻게 다른지도 비교한다.
   3. 원문에 직접 나오지 않는 비교·선택지를 AI가 해설해 학습자가 판단할 수 있게 한다.

3. 개인과 조직에 맞춘 실제 적용

   1. AI 네이티브 스타트업 전환 관점에서 기존 Notion을 계속 써야 하는지, 새 시스템을 만들어야 하는지 질문한다.
   2. ArkPoint가 Notion과 Google Drive에 쌓아 둔 수백 개 문서를 LLM 위키와 연결하면 그 자산을 어떻게 다룰지 구체적으로 묻는다.
   3. “해설 보기”를 누르면 AI가 조직의 맥락을 바탕으로 답한다. 원문 요약을 넘어 자기 회사에 적용하는 문제로 전환된다.

6.3. 토론과 조직 공유를 결합한다

1. 사람끼리 먼저 토론한다

   1. AI 해설을 바로 보지 않고, 팀원끼리 먼저 “제로 베이스에서 새로 만들자”, “기존 것을 AI에 넣어 달라고 하자”처럼 토론한다.
   2. 그다음 AI 해설을 열어 자신들의 의견과 다른 관점이 무엇인지 비교한다.
   3. 이 순서를 지키면 AI가 정답을 대신 내리는 것이 아니라 사람의 사고를 확장하는 역할을 한다.

2. 댓글과 공동 지식 자산

   1. 오태완뿐 아니라 동료들도 같은 스킬을 사용한다.
   2. Notion 한 곳에 좋은 AI 스터디 자료를 차곡차곡 모으고 모두가 공유할 수 있다.
   3. 자료는 일반적인 수준이 아니라 회사 데이터와 구성원 수준에 맞춰 생성된다.
   4. 댓글을 열면 “태오는 무엇을 하고, HS는 무엇을 하고, N은 무엇을 해야 하는가”처럼 조직 구성원별 다음 행동까지 AI가 제시한다.

3. 학습 속도의 변화

   1. 오태완은 이 방식으로 학교에서 한 학기 동안 해야 하는 공부를 약 5주면 끝낼 수 있었다고 말한다.
   2. 노벨상 수상자처럼 세상에서 가장 똑똑한 사람에게 질문해야 답을 얻는 것이 아니라, 실시간으로 질문하고 답을 받는 개인 교사가 생긴 셈이다.
   3. 자료 형식과 프로세스를 자기 수준과 목적에 맞게 설계하고 AI와 대화하며 계속 개선하는 것이 핵심이다.

6.4. 오태완이 직접 만든 AI 스터디 자료

1. 학습 기간과 검수

   1. 오태완은 올해 2월 말 처음 AI를 사용했고, 해외 출장 두 번을 다녀온 뒤 3월 중순부터 본격적으로 공부했다.
   2. 그때부터 3개월간 공부한 내용을 AI가 보유하고 설명할 수 있도록 만들었다.
   3. 그는 AI와 6시간 동안 결과를 검수했고, A4 용지 18장 분량의 Notion 자료를 구축했다.

2. 구성 내용과 대상

   1. 폴더를 어떻게 설정할지, Markdown 문서를 어떻게 작성할지, 자신이 자주 쓰는 스킬 중 가장 좋은 사례가 무엇인지 담았다.
   2. 개발자보다 문과 출신, 컨설턴트, 애널리스트, 회사 업무와 경영 판단에 AI를 쓰고 싶은 사람을 주요 대상으로 삼았다.
   3. 유용한 유튜브 자료도 함께 넣었다.
   4. 발표 자료의 QR코드를 스캔하면 해당 Notion 사이트로 이동할 수 있다고 안내한다.

3. 후속 성장과 채용 안내

   1. 오태완은 이후 Yale 인물로 들리는 사람과 Claude Bloom, Bloom 커뮤니티를 만나며 한 단계 더 성장했다고 말한다.
   2. LinkedIn을 통해 교류하고 커뮤니케이션하자고 제안한다.
   3. ArkPoint가 백엔드 개발자를 채용 중이라며 관심 있는 사람의 지원을 요청한다.

7. Genspark가 제시하는 마케터의 새 언어

7.1. 툴을 배우는 사람에서 툴에게 방향을 말하는 사람으로

1. Genspark 커뮤니티 마케터 리의 배경

   1. 리는 Genspark에서 커뮤니티 마케터로 일한다.
   2. 졸업한 지 얼마 되지 않았고 전년도에 인턴으로 입사한 뒤 정규직이 됐다.
   3. 대학 시절부터 AI를 사용했다. 초기에는 프롬프트를 입력하고, 심청면이나 쭈꾸미찜을 만드는 방법을 물으면 “쭈꾸미 500g을 넣으라”는 식으로 답하는 수준의 AI도 사용했다.
   4. 지금은 AI 에이전트가 나와 프롬프트만 말해도 결과물을 생성한다. 리는 AI와 함께 성장한 세대라는 감각을 말한다.

2. 세 가지 마케팅 툴 시대

   1. 아웃소싱 시대: 에이전시와 프리랜서에게 요구사항을 문서로 전달하고 결과물을 받았다.
   2. 셀프서비스 시대: 에이전시 대신 마케터가 직접 툴을 다루며 제작했다. Adobe를 잘 쓰는 법을 유튜브나 강의에서 배웠다.
   3. 프롬프트 AI 시대: AI에게 상세한 지시를 해야 했다. “이것을 하지 말라”고 써도 AI가 금지된 대상을 키워드로 인식해 오히려 만들 수 있고, 프롬프트 자체를 정교하게 작성하는 법을 배워야 했다.

3. 컨텍스트 어웨어 AI의 등장

   1. 앞으로는 복잡한 툴을 전부 배우기보다 AI에게 방향을 던지는 시대가 열릴 수 있다고 리는 말한다.
   2. Genspark가 7월 말 워크스페이스 6.0 업데이트를 하면서 “세컨드 브레인(Second Brain)”이라는 소프트웨어를 열었다.
   3. 세컨드 브레인은 사용자의 문맥을 이해한다. 사용자의 프로젝트 기록과 연결되고, 팀 문서·Slack 등 다양한 앱과 커넥트된다.
   4. 작업 환경에 직접 들어가 상황을 파악하므로, 매주 반복하는 업무와 자주 쓰는 톤·매너를 이해한 결과물을 만들 수 있다.

7.2. 마케터의 하루를 바꾸는 두 가지 시나리오

1. 슬라이드와 통일된 디자인

   1. 리는 자신이 Genspark로 발표 슬라이드를 만들었다고 말한다. Genspark는 슬라이드 제작에 강하다는 평가를 받아 왔다.
   2. 세컨드 브레인을 도입하면 디자인뿐 아니라 사용자가 축적한 내용까지 이해해 더 내용이 충실한 슬라이드와 포트폴리오를 만들 수 있다.

2. 이메일과 반복 커뮤니케이션

   1. 커뮤니티 마케터는 여러 프로젝트를 동시에 진행해 무슨 이야기를 했는지 잊기 쉽다.
   2. 리는 잼메일을 많이 사용하는데, Genspark가 자신의 맥락을 이해해 초안을 대신 작성하면 자신은 방향만 확인하고 바로 보낼 수 있다고 말한다.
   3. 오전 내내 걸릴 수 있는 작업을 짧은 확인으로 바꿀 수 있다.

3. 마케터의 애매한 디자인 구간

   1. Genspark 연구에서 디지털 마케터들이 Genspark를 많이 사용한다는 사실을 확인했다.
   2. 외부에 맡기기에는 애매하고 직접 디자인하기에도 애매한 구간을 디자인 기능이 해결하기 때문이다.
   3. 과거에는 정적인 결과물 중심이었지만, 이제 HTML 결과물도 만들 수 있다.
   4. 랜딩 페이지와 광고 소재 등 다양한 결과물을 만들 수 있어 마케터가 활용할 이유가 커졌다.
   5. 리는 “적게 말하고 많이 결과물을 얻는 방법”을 Genspark 앰배서더 강슬기의 실제 사례로 보여 주겠다고 연결한다.

8. 강슬기의 Genspark 디자인 시스템 실연

8.1. 세컨드 브레인과 AI 슬라이드

1. 앰배서더의 업무 방식

   1. 강슬기는 Genspark 앰배서더이며, 작은 녹음기를 회의 녹음기로 사용해 기록한다.
   2. 자신의 기록을 워크스페이스 6.0의 세컨드 브레인에 올려 두었다.
   3. 다른 AI 툴이 많이 나와도 PPT는 여전히 Genspark가 낫다고 생각한다고 말한다.
   4. 세컨드 브레인이 AI 슬라이드와 연동되기 때문에 주제만 입력해도 별도 프롬프트 없이 자신의 지식을 기반으로 슬라이드를 만든다.
   5. 결과물을 쓰면서 지식을 실시간으로 계속 쌓는 선순환을 만든다.

2. 다중 모델 레이어 아키텍처

   1. 에이전시나 매체사는 PPT와 디자인을 자주 만든다. Genspark 디자인은 Claude Design 같은 다른 도구와 비슷한 콘셉트지만, 짧거나 대략적인 프롬프트로도 결과를 내는 특성이 소개된다.
   2. Genspark는 이를 다중 모델·레이어 아키텍처라고 부른다.
   3. 하나의 업무를 잘게 쪼개 여러 모델에 배분하고, 각 결과를 받아 더 높은 품질로 수행하는 구조가 디자인에도 적용된다.

8.2. 브랜드 소개 페이지를 디자인 시스템으로 바꾸기

1. 가상 브랜드 Velora

   1. 실제 브랜드를 바로 쓰기 어려워 존재하지 않는 애슬레저 룩 브랜드 “Velora”를 정한다.
   2. 브랜드 소개 페이지에는 로고, 이미지, 색상 조합, 폰트, 로고 활용 사례 등이 들어 있다고 가정한다.
   3. 웹사이트의 브랜드 소개 페이지를 단순한 소개 페이지로 두지 않고 디자인 시스템의 기준으로 저장한다.

2. HTML과 에셋 저장

   1. 웹사이트에서 오른쪽 버튼을 누르고 “다른 이름으로 저장”하면 HTML 페이지와 페이지 안의 이미지가 함께 저장된다.
   2. 저장한 HTML과 관련 이미지 에셋을 Genspark 디자인의 디자인 시스템 메뉴에 업로드한다.
   3. 파일 또는 코드 베이스 파일도 만들 수 있지만, 시연에서는 방금 다운로드한 HTML 파일과 폴더를 업로드한다.
   4. 폴더 단위로 관련 파일을 올린 후 생성 버튼을 누르면 디자인 시스템을 만든다.
   5. 생성에는 약 5~10분이 걸린다. 시연 중 다른 브랜드의 이미지가 들어간 오류가 발생해 이미지를 바꿔야 하는 장면도 나온다.

8.3. 브랜드 가이드 기반 팝업 스토어 포스터

1. 프롬프트와 역질문

   1. Velora 디자인 시스템을 입력한 상태에서 20~30대를 타깃으로 팝업 스토어 포스터를 만들어 달라고 요청한다.
   2. 브랜드 중심의 온리듬 메시지를 중심으로 디자인해 달라고 방향을 제시한다.
   3. Genspark는 바로 결과를 내는 대신 서브카피를 어떻게 넣을지, 팝업 이벤트에서 어떤 프로그램을 여는지, 비주얼 방향은 무엇인지 역으로 질문한다.
   4. 사용자가 대략적인 프롬프트를 던져도 이 추가 질문에 답해야 더 완성도 높은 결과가 나온다.

2. 출력 결과와 품질 비교

   1. Genspark는 배경 이미지를 자체 생성하고, 그 위에 브랜드 디자인 요소를 적용한다.
   2. 로고가 왼쪽 상단에 들어가고 QR코드가 포함되어 브랜드 시스템을 반영한다.
   3. AI가 만든 이미지를 통째로 쓰는 방식보다 브랜드 가이드에 맞는 결과물을 만들 수 있다.
   4. 기존 이미지 생성 결과는 AI 특유의 느낌이 강하고 가이드 준수 여부를 검증하기 어렵지만, 디자인 시스템을 적용한 결과는 브랜드에 맞고 AI 슬롭 느낌이 덜하다.

8.4. Instagram 카드 뉴스 제작

1. 제작 조건

   1. Velora 디자인으로 Instagram 카드 뉴스를 만든다.
   2. 카드 비율은 3:4이고, 5장을 생성한다.
   3. 이미지 생성 모델로 GPT-2가 자막에 포착되었으며, 해당 모델로 이미지를 만들어 넣어 달라고 요청한다.
   4. AI가 폰트를 작게 만드는 경우가 있어 모든 폰트를 20포인트 이상으로 지정한다.
   5. 별도의 MCP 이미지 연결 없이 Genspark가 이미지를 직접 생성해 넣는 점이 편리하다고 설명한다.

2. 추가 질문과 결과

   1. 생성 과정에서 Genspark가 카드 뉴스의 주제 등 구체적인 질문을 추가로 던진다.
   2. 사용자는 기획에 맞춰 질문에 답한 뒤 결과로 넘어간다.
   3. 1장부터 5장까지 통일된 디자인이 나오며, 앞서 만든 포스터와 같은 분위기로 브랜드가 반영된다.
   4. 전문 디자인 사이트에서 템플릿을 내려받는 대신 프롬프트와 디자인 시스템만으로 카드 뉴스를 만들 수 있다.

8.5. Mochino의 오프라인 인터랙션 페이지

1. 디자인 시스템과 키오스크

   1. 다음 가상 브랜드는 Mochino다. Velora와 같은 방식으로 브랜드 소개 자료를 기반으로 디자인 시스템을 만든다.
   2. 이번에는 단순한 정적 디자인이 아니라 복잡한 기능이 필요한 키오스크 인터랙션 웹페이지를 요청한다.
   3. Genspark 디자인은 디자인뿐 아니라 간단한 인터랙션도 구현할 수 있다는 점을 시연한다.

2. 상호작용과 멀티미디어

   1. 목적과 흐름, 원하는 인터랙션을 먼저 질문하고 사용자가 답한 뒤 결과를 생성한다.
   2. 이미지가 배경으로 들어가고, 화면에서 상호작용이 실행된다.
   3. 이미지뿐 아니라 소리도 탑재되어 있어 실행 시 소리가 함께 재생된다.
   4. 오프라인 현장에서 사용해야 하는 인터랙션 페이지를 직접 만들기 어렵더라도, 간단한 프로토타입을 빠르게 구현할 수 있다.
   5. Genspark가 제안한 아이디어에 따라 맛이나 질감 같은 선택 기능을 넣고, QR코드가 나오도록 기획했다.

8.6. Notion 포트폴리오를 웹사이트로 바꾸기

1. 콘텐츠 준비

   1. 직무와 직접 관련이 적은 일을 많이 시켰다면 포트폴리오를 업데이트하는 데 Genspark 디자인을 사용할 수 있다.
   2. 강슬기는 Notion 페이지에 프로젝트 관련 내용을 계속 업데이트하고 있었다.
   3. 자신이 추가한 영상과 후기 등이 전문적으로 보이지 않는다고 느꼈다.

2. 템플릿 기반 웹사이트 생성

   1. Notion에서 내보내기를 누르면 HTML 파일로 받을 수 있다.
   2. Genspark 디자인의 웹사이트 템플릿에서 원하는 디자인을 고른다.
   3. 세 번째 템플릿을 선택하고 “템플릿을 내 것으로 만들기”를 눌러 사본을 생성한다.
   4. 첨부한 Notion 포트폴리오 HTML 파일을 넣고 자신의 포트폴리오를 사이트로 만들어 달라고 요청한다.
   5. 결과 화면에서 실제 포트폴리오 내용이 나타나고, 공유가 가능하면 구현된 사이트를 직접 확인할 수 있다.
   6. 발표 화면에 들어가면 앞서 본 Notion 페이지의 내용을 사이트 형태로 다시 볼 수 있다.

9. 두 발표가 합쳐지는 결론: AI 시대의 인간 역량

9.1. 바이브 코딩과 바이브 디자인의 공통점

1. 생성 속도는 출발점일 뿐이다

   1. Genspark 디자인으로 카드 뉴스, 인터랙션 페이지, 포트폴리오까지 만들 수 있지만, 이것은 바이브 코딩과 비슷한 출발점에 가깝다.
   2. 무엇인가를 생성해 주는 도구가 있어도 높은 품질을 내기 위해서는 사람이 고민해야 할 것이 많다.
   3. 예시를 활용하고 제공된 크레딧으로 직접 만들며 결과를 개선하는 과정이 필요하다.

2. AI 슬롭을 피하는 제작 루프

   1. 사람은 목적과 방향, 브랜드 철학, 품질 기준을 제시한다.
   2. AI는 맥락을 바탕으로 초안을 만들고, 역질문으로 빈 정보를 드러낸다.
   3. 사람은 답변과 검수로 결과를 교정하고, 실제 사용과 실행으로 품질을 확인한다.
   4. 이 루프가 반복될 때 결과물은 자산이 된다. 한 번 생성하고 방치하면 AI 슬롭이 된다.

9.2. 마케터에게 필요한 네 가지 역량

1. 흔들리지 않는 브랜드 가이드와 철학

   1. 마케터가 AI에 계속 방향을 던지려면 브랜드 가이드와 철학이 앞서 존재해야 한다.
   2. Velora의 브랜드 소개 페이지처럼 로고·색상·폰트·이미지·활용 사례를 시스템으로 정리해야 AI가 일관된 결과를 낸다.

2. 역질문에 답할 수 있는 방향성

   1. AI가 프로그램·목표·대상·비주얼 방향을 역으로 물었을 때 무엇을 해야 하는지 사람이 알고 있어야 한다.
   2. 프롬프트를 길게 쓰는 것보다 의사결정에 필요한 방향을 명확히 갖는 것이 중요하다.

3. 결과를 판단하는 눈

   1. AI가 자동으로 결과물을 내놓아도 “정말 잘 만든 것이 맞는가”, “요즘 스타일에 맞는가”를 판단해야 한다.
   2. 브랜드 가이드를 지켰는지, 폰트가 읽히는지, 결과물이 실제 매체에 맞는지 검증하는 감각이 필요하다.

4. 실행력

   1. 강슬기는 생성된 카드 뉴스가 자신의 Instagram에 전혀 어울리지 않았던 경험을 말한다.
   2. 결과물이 생겼다고 끝나는 것이 아니라 실제 채널에 적용하고, 사용하고, 반응을 확인하는 실행력이 필요하다.
   3. 오태완의 AI 자산 기준에서 말한 “계속 쓰이고 개선되는가”와 같은 결론으로 이어진다.

주요 발언 모음

“같은 모델을 가지고 희귀병을 치료하고 반려견에 불치병을 고치는 사람도 있지만, 어떤 사람은 AI를 가지고도 감기를 진단하지 못합니다.”

“AI는 슬롭이라는 게 존재하고 쓰레기가 존재하고 자산이 존재한다. 이게 다르다.”

“AI로 만든 결과물이 70점밖에 안 나오는 상태라면 실질적으로 쓰이지 못합니다.”

“결과물은 엄청 많이 쏟아지는데 역량이 축적되지 않는 구조입니다.”

“병목을 해소해 준 게 아니라, 회의록을 읽어야 되는 열 명에게 병목을 전가한 것입니다.”

“전단지에 QR코드를 붙인다고 디지털 광고 회사가 되는 것은 아닙니다. 디지털 광고는 문법이 아예 다릅니다.”

“북마크는 너무 많으니까 아무도 안 볼 겁니다. 링크를 복사해 AI 스터디 스킬을 실행해야 합니다.”

“결과물을 자동으로 내어 주기는 하지만, 이거 진짜 잘 만든 게 맞나, 요즘 스타일인가를 볼 수 있는 판단하는 눈 자체가 필요합니다.”

핵심 데이터 & 수치

• AI 모델 성능: 발표 당시 Opus 4.6 대비 Opus 5의 벤치마크가 약 1.2~1.5배 높아졌다고 언급했다.
• AI 사용률: 전 세계 생산가능인구의 AI 사용률은 18%, 아시아·태평양 지역은 37%로 제시됐다.
• 한국 유료 이용: 한국은 ChatGPT·Gemini 유료 구독자 비중이 세계 2위권으로 소개됐다.
• 생산성 임계점: 과거 전기 모터와 IT는 관련 투자가 글로벌 GDP의 1.5%를 넘은 뒤 실질적인 생산성 개선이 나타났다.
• AI 투자: 발표 자료에는 글로벌 GDP의 약 0.9%(자막에는 1.9% 표현도 함께 포착), 미국 GDP의 1.8%가 AI에 투자된다고 표시됐다.
• AI 투자 전망: 2028년 글로벌 GDP의 1.4%, 미국 GDP의 2.8%가 AI에 투자될 것으로 전망했다.
• 기업 성과: Bain 자료를 인용해 AI를 사용하는 기업의 85%가 영업 개선을 이루지 못한다고 소개했다.
• 품질 기준: 사용자는 80점 이상부터 제품을 사용하고, 90점을 넘으면 좋은 제품으로 평가하는 반면 AI 슬롭은 70점 수준에 머문다.
• 회의록 비용: 사람이 정리하면 10분 걸리는 일을 AI가 1분에 만들 수 있지만, 10명이 읽고 파악하는 데 더 많은 시간이 들 수 있다.
• AI 스터디: 한 학기 분량의 공부를 약 5주에 끝냈고, 3개월 학습 내용을 6시간 검수해 A4 18장 분량의 Notion 자료로 만들었다.
• 디자인 시스템: HTML과 관련 이미지 폴더를 업로드한 뒤 디자인 시스템 생성에 약 5~10분이 걸렸다.
• 카드 뉴스: 3:4 비율 5장, 폰트 20포인트 이상 조건으로 제작했다.
• 콘텐츠 제작 사례: 국회의원 맛집 지도, 토스 앱 10개 이상, Claude Code 학습지, 쿠팡 성분 추천 사이트, 헬스 앱, 브랜드 포스터·카드 뉴스·키오스크·포트폴리오 웹사이트가 소개됐다.

핵심 요약 (20줄)

같은 AI 모델도 사용자의 문제 정의와 판단 기준에 따라 쓰레기 같은 슬롭과 축적되는 자산으로 갈린다.

AI 슬롭은 사용자가 실제로 쓸 수 있는 80점 품질에 못 미치는 70점짜리 결과물에 머문다.

결과물을 수백 개 만들어도 문제 정의와 품질 판단 역량이 함께 자라지 않으면 산출물만 늘어난다.

AI 도입 기업의 85%가 영업 개선을 이루지 못한 이유는 성과의 핵심 병목을 건드리지 않았기 때문이다.

AI 회의록은 작성 시간을 줄여도 여러 독자의 이해 시간을 늘리면 생산 비용을 소비 비용으로 전가한다.

AI 자산은 실제 사용과 반복 개선이 일어나고, 사용자와 친구의 피드백을 통해 계속 좋아진다.

AI 자산은 기분 좋은 자동화가 아니라 매출과 사용률 같은 실제 비즈니스 임팩트를 만들어야 한다.

병목을 없애는 자동화는 생산자 한 명의 시간을 줄이는 데서 멈추지 않고 전체 흐름을 개선한다.

AI 네이티브 업무는 기존 프로세스에 버튼 하나를 붙이는 대신 역할과 순서와 검증 방식을 다시 설계한다.

전단지에 QR코드만 붙여서는 디지털 광고가 되지 않으며 새로운 매체의 문법을 받아들여야 한다.

AI 스터디 스킬은 흥미로운 링크를 묵혀 두는 북마크 대신 배경지식과 비교 관점을 즉시 생성한다.

개인과 조직의 문서를 연결한 AI 스터디는 원문을 실제 업무 문제와 의사결정으로 변환한다.

팀원끼리 먼저 토론하고 AI 해설을 나중에 확인하면 AI가 사고를 대체하지 않고 확장한다.

오태완은 세 달간 배운 내용을 여섯 시간 검수해 A4 18장 분량의 조직 맞춤형 지식 자산으로 만들었다.

Genspark의 세컨드 브레인은 프로젝트 기록과 Slack 같은 작업 환경을 연결해 사용자의 맥락을 파악한다.

마케터는 복잡한 디자인 툴을 전부 익히기보다 브랜드와 목적과 방향을 제시하는 역할로 이동한다.

HTML 브랜드 소개 페이지와 이미지 에셋을 디자인 시스템으로 등록하면 일관된 포스터와 카드 뉴스를 만들 수 있다.

Genspark 디자인은 역질문으로 타깃과 프로그램과 비주얼 방향을 확인하고 로고와 QR코드까지 반영한다.

키오스크 인터랙션과 소리와 선택 기능을 구현해 오프라인 경험의 빠른 프로토타입을 만들 수 있다.

AI 시대의 핵심 인간 역량은 브랜드 철학, 명확한 방향성, 결과를 판별하는 눈, 실제 실행력이다.

결론 및 시사점

1. 많이 만드는 것보다 남는 것을 만들어야 한다: AI로 만든 제품 수와 프롬프트 수는 성과가 아니다. 실제로 사용되고 개선되며 누군가의 문제를 해결하는 결과물이 자산이다.
2. 생산자 관점의 효율을 전체 시스템의 효율로 착각하지 말아야 한다: 회의록·보고서·자동화 결과를 받는 사람의 읽기와 검증과 실행 비용까지 측정해야 한다.
3. 핵심 병목부터 찾는다: AI로 무엇을 할 수 있는지보다 성과를 가로막는 병목이 무엇인지 먼저 정하고, 그 병목이 실제로 사라졌는지 검증해야 한다.
4. AI 네이티브 전환은 업무 문법의 전환이다: 기존 도구에 AI 기능을 추가하는 데 그치지 않고, 사람과 AI의 역할 분담과 검수와 결과물의 흐름을 다시 설계해야 한다.
5. 학습을 자산화한다: 링크를 북마크로 쌓아 두지 말고 배경지식·비교·조직 적용·팀 토론·댓글을 포함한 반복 학습 시스템으로 전환해야 한다.
6. 마케터는 툴 숙련자에서 방향 설계자로 이동한다: 세컨드 브레인과 디자인 시스템이 툴 조작을 대신할수록 브랜드 철학과 목적과 타깃을 명확히 정의하는 능력이 중요해진다.
7. AI의 역질문을 활용한다: 좋은 결과는 긴 프롬프트를 한 번 쓰는 데서 오지 않는다. AI가 묻는 목적·대상·흐름·비주얼 질문에 답하며 결과를 반복 개선해야 한다.
8. 판단과 실행은 자동화되지 않는다: 결과물이 브랜드와 채널에 맞는지 판단하는 눈과 실제 사용자에게 배포하고 반응을 확인하는 실행력이 AI 자산을 완성한다.