상위 1%처럼 AI를 활용하는 방법

URL: https://www.youtube.com/watch?v=WPJoi3ezJJc
video_id: WPJoi3ezJJc
채널: Tech Bridge
원본 제목: How to Use AI Like the Top 1%
원본 게시일: 2026-10-15
다이제스트 작성일: 2026-10-19
원본 참고 영상: How to Use AI Like A Top 0.1% CEO — Nick Saraev

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

AI 활용 격차는 더 비싼 모델을 쓰느냐보다 얼마나 풍부한 맥락을 주고, AI를 실제 업무 흐름과 결과물에 연결하느냐에서 생긴다. 입력은 타이핑에서 음성으로 넓히고, 회의·아이디어·데이터를 실행 가능한 산출물로 바꾸며, AI의 동의보다 비판을 끌어내고, 가능한지 묻는 대신 직접 시도해야 한다.

• 타이핑보다 말하기가 훨씬 빠르므로 음성으로 더 많은 맥락을 전달할 수 있다.
• 회의에서 나온 약속과 할 일을 회의록에 남기는 데 그치지 않고, AI가 실제 프로젝트와 작업을 진행하게 할 수 있다.
• 설명문을 시각화하고, AI가 먼저 질문하게 하며, 결과물의 결함을 적극적으로 찾도록 요청할 수 있다.
• AI의 기능은 빠르게 변하므로 온라인의 의견이나 오래된 벤치마크보다 직접 실행해 확인하는 편이 낫다.
• 새 인터페이스와 업무 방식을 시험하고, 당장 자신의 업무에서 한 가지를 바꾸는 것이 시작점이다.

전체 논지

상위 사용자는 AI를 질문에 답하는 검색창으로만 취급하지 않는다. 더 많은 말을 전달하는 입력 장치, 회의에 상시 동행하는 업무 보조자, 문서와 데이터를 보여 주는 시각화 도구, 사용자의 요구를 정교화하는 인터뷰어, 결과를 검증하는 비판자, 실제 작업을 수행하는 실행자로 활용한다. 기술이 바뀌는 속도가 빠르기 때문에 새로운 기능을 평가하는 최선의 방법은 직접 한 번 써 보는 것이다.

---

1. 입력 병목을 줄이고 업무 맥락을 더 많이 전달한다

1.1 타이핑 대신 말로 지시한다

1. 말하기는 입력량을 늘리는 지름길이다

   1. 속도 차이: 일반적인 키보드 입력 속도는 분당 약 30~50단어인 반면, 말하기는 분당 약 150~200단어다.
   2. 맥락의 양: 말한 모든 단어가 완벽하게 정리되어 있지 않아도, 같은 시간 동안 손가락으로 입력할 때보다 훨씬 많은 생각과 배경을 AI에 전달할 수 있다.
   3. 병목의 전환: 사용자의 손가락 속도가 사고를 AI에 전달하는 병목이 되지 않도록 한다. 말하기는 거친 생각을 빠르게 외부화하는 수단이다.

2. 무료 받아쓰기부터 시작한다

   1. 비용 없는 시작: 별도 유료 서비스 없이도 무료 음성 받아쓰기 도구를 사용할 수 있다. 검색엔진에서 무료 음성 받아쓰기 도구를 찾아 적용하는 것으로 시작할 수 있다.
   2. 도구 사례: 발표자는 자신이 사용해 본 도구로 Hex를 든다.
   3. 개인 어휘 학습: 자주 쓰는 단어와 고유 어휘를 도구에 학습시키면 받아쓰기의 정확도를 높일 수 있다.

1.2 회의와 녹음에 상시 음성 흐름을 붙인다

1. AI를 늘 함께 있는 업무 보조자로 둔다

   1. 상시 청취: 회의나 다른 업무 대화 중 마이크와 시스템 오디오를 듣는 AI를 두면, 매번 대화를 별도로 정리해 입력하지 않아도 된다.
   2. 비서의 역할: AI는 회의 내용을 기록하고, 결정 사항을 실행 항목이나 프로젝트 문서로 변환하는 상시 동행형 비서(Executive Assistant, EA)처럼 작동할 수 있다.
   3. 사례 도구: GPT Realtime 2.1과 같은 실시간 음성 기술이 이러한 방식의 예로 언급된다.

2. 기록을 넘어 회의 중 실제 작업까지 수행한다

   1. 담당자와 할 일 포착: “Ashley가 이 일을 하고, Sam이 저 일을 하고, Sarah가 다른 일을 한다”처럼 회의 중 발생하는 담당자·할 일 정보를 AI가 포착한다.
   2. 즉시 실행: AI가 회의가 끝난 뒤 회의록만 내놓는 대신, 회의 중 합의된 산출물이나 시스템 작업을 실제로 시작하게 만들 수 있다. 회의가 끝나기 전에 결과물을 확인하는 것이 목표다.
   3. 연결 대상: Notion, Monday.com 등 일상적으로 사용하는 업무 시스템에 프로젝트나 작업을 생성하고 후속 실행을 연결할 수 있다.
   4. 생산성 주장: 발표자는 회의를 좋아하지 않지만, 이 방식을 적용하면 회의 생산성이 약 100배 높아질 수 있다고 주장한다.

3. 작동하는 시스템을 단계적으로 만든다

   1. 요구사항 설명: 가장 성능이 좋은 프런티어 LLM에 마이크 입력, 페이지 화면 캡처, 시스템 오디오를 함께 받아 회의 내용을 전사하도록 요청한다.
   2. 업무 연결: 전사 내용을 분석해 자신이 매일 쓰는 Notion이나 Monday 같은 도구에서 실제 프로젝트를 시작하도록 설계한다.
   3. 비용 비교: 발표자는 이런 시스템이 하루 약 1~2달러로 운영될 수 있다고 추산한다. 이에 비해 유능한 EA를 고용하면 하루 300~400달러가 들 수 있다고 비교한다.
   4. 구현 관점: 이를 단순한 회의록 자동화가 아니라, 대화를 듣고 업무 시스템 안에서 결과물을 만드는 에이전트 흐름으로 본다.

---

2. 설명을 시각적 결과물로 바꾼다

2.1 문장으로 설명하는 대신 AI에게 보여 달라고 한다

1. 텍스트 토큰을 시각화로 대체한다

   1. 표현 방식: 3.js, HTML, Unreal Engine, Blender 같은 도구로 내용을 시각화하거나 인터랙티브한 결과물로 표현한다.
   2. 전달 효율: “그림은 천 마디 말의 가치가 있고, 영상은 초당 24~30장의 그림”이라는 비유처럼, 시각 자료는 복잡한 맥락을 한눈에 보여 준다.
   3. 에이전트의 역할: 사용자가 직접 시각화 도구를 다루기보다 AI 에이전트에게 만들게 해 설명과 전달에 활용한다.

2. 텍스트가 아니라 장면을 요청한다

   1. 이사·사무실 사례: 새 사무실이나 집으로 옮길 때 평면도만 보는 데서 그치지 않고, 실제 조명 조건을 반영한 3D 공간을 만들어 달라고 요청한다.
   2. 주변 환경 표현: Google Maps 등의 이미지를 활용해 창밖 풍경을 구성하고, 사용자가 그 안에 들어가 실제로 걸어 다니며 공간을 확인할 수 있도록 한다.
   3. 구매 가능한 가구: 실제 가구를 장면에 배치하고 Amazon 구매 링크를 연결해 마음에 드는 제품을 바로 선택·구매할 수 있게 한다.

2.2 보고서·분석·교육 자료에도 같은 원리를 적용한다

1. 복잡한 정보를 이해 가능한 형태로 만든다

   1. 보고서: 밀도 높은 보고서를 시각화해 글만 읽을 때 놓치기 쉬운 구조와 관계를 보여 준다.
   2. 분석 데이터: 매일 또는 매주 발생하는 분석 지표를 시각적으로 표현해 변화와 패턴을 빠르게 파악한다.
   3. 설명 영상: 현재 보고 있는 영상처럼 정보를 애니메이션 설명 자료로 바꾸어 전달할 수 있다.

2. 산출물의 기준을 ‘보여 주는가’로 바꾼다

   1. 적용 질문: AI에게 개념을 더 길게 설명해 달라고 하기 전에, 이를 그림·3D 장면·인터랙티브 화면·애니메이션으로 만들 수 있는지 요청한다.
   2. 목적: 시각화는 장식이 아니라 공간, 데이터, 복잡한 관계를 빠르게 판단하고 다른 사람에게 전달하기 위한 결과물이다.

---

3. AI가 먼저 질문하고, 결과물의 약점을 찾게 한다

3.1 AI에게 사용자를 인터뷰하도록 한다

1. 사용자가 요구사항을 다 알고 있다고 가정하지 않는다

   1. 지식의 한계: 사용자는 원하는 결과를 충분히 설명할 지식이 부족할 수 있고, 알고 있는 것을 명확히 말로 표현하지 못할 수도 있다.
   2. 정보 병목: 사용자가 가진 경험의 좁은 통로를 통해 필요한 모든 맥락을 한 번에 끌어내려는 방식은 한계가 있다.
   3. 대화의 역할 전환: 사용자가 긴 프롬프트를 먼저 완성하는 대신, AI가 필요한 조건을 질문하게 한다.

2. 인터뷰형 프롬프트로 요구사항을 구체화한다

   1. 요청 예시: “나는 X, Y, Z를 하고 싶다. 최선의 방식으로 이 일을 수행하는 데 필요한 모든 것을 알 수 있도록 나에게 질문해 달라”고 요청한다.
   2. 질문 범위: 목적, 제약, 대상, 선호, 사용 가능한 자원 등 실행에 필요한 정보를 AI가 순서대로 확인하게 한다.
   3. 기존 스킬 사례: “grill me”, “interview me”, “roast me”처럼 사용자를 질문하거나 점검하는 다양한 스킬이 등장하고 있다.
   4. 모델 선택: 프런티어 모델에 이런 인터뷰를 맡기면 요구사항을 끌어내는 데 높은 성능을 기대할 수 있다고 본다.

3.2 의견이 아니라 결함을 요청한다

1. 무조건적인 동의를 경계한다

   1. RLHF의 영향: 인간 피드백을 통한 강화학습(Reinforcement Learning from Human Feedback, RLHF)으로 훈련된 모델은 정답을 제시하는 것보다 사용자에게 동의하는 답을 더 많이 보상받을 수 있다.
   2. 소비자용 모델의 경향: 현재 소비자용 AI는 사용자의 판단이 틀렸더라도 긍정하거나 동의하는 방향으로 답할 수 있다.
   3. 질문의 한계: “이 이메일 어때?”, “내 프로젝트 어떻게 생각해?”, “이거 괜찮아?”처럼 일반적인 의견을 물으면 칭찬과 동의가 우선될 가능성이 있다.

2. 구체적으로 약점과 반례를 찾게 한다

   1. 직접적인 지시: “이 아이디어의 문제점은 무엇인가?”, “내 생각의 허점을 찾아라”, “이 에세이를 혹독하게 비평해 달라”고 요청한다.
   2. 비판 허용을 명시: 모델이 부정적인 피드백을 주도록 명시적으로 허락해야 한다.
   3. 사용자의 판단: 비판을 받은 뒤에는 그 결함이 장점보다 중요한지 사용자가 직접 판단한다.
   4. 시점의 한계: 이런 동조 경향은 몇 년 뒤 달라질 수도 있지만, 발표자는 현재는 여전히 주의해야 할 특성으로 설명한다.

---

4. 가능성을 묻는 데서 멈추지 않고 직접 실행한다

4.1 “할 수 있나?”보다 “해 봐”라고 요청한다

1. 타인의 가능성 평가를 기다리지 않는다

   1. 직접 시험: AI가 어떤 일을 할 수 있을지 의심된다면 인터넷에서 누군가의 의견을 찾는 대신 프런티어 모델에게 실제 작업을 시켜 본다.
   2. 실험 시간: 발표자는 이 짧은 영상을 보는 시간만으로도 궁금했던 작업을 모델에 요청해 실제 결과를 확인할 수 있다고 말한다.
   3. 기능 변화: 현재의 주장이 내일도 참이 아닐 수 있을 만큼 모델과 사용 방식이 빠르게 바뀐다.

2. 모델 이름뿐 아니라 하네스와 사용법의 변화를 본다

   1. 동일 모델의 변화: 모델이 그대로여도 하네스(harness)나 내부 실행 방식이 업데이트되어 새로 가능해지는 일이 생길 수 있다.
   2. 빈번한 업데이트: 발표자는 거의 매일 기능과 벤치마크 점수가 올라가고, 한 달 전에는 불가능하다고 평가된 작업의 점수가 50% 이상이 될 수 있다고 설명한다.
   3. 실측 우선: 벤치마크와 제3자의 평가만으로 결론을 내리지 않고, 자신의 업무 조건에서 한 번 실행해 실제로 판단한다.

4.2 최고경영자도 직접 도구를 시험한다

1. 도구를 손에 익힌다

   1. Jensen Huang 사례: 발표자는 Jensen Huang이 사람들의 설명만 듣는 것이 아니라 Claude Code, Codex, Nvidia의 Nemotron 등 모델을 컴퓨터에 설정하고 직접 입력·음성 입력을 한다고 언급한다.
   2. 사용 방식: 대기업 CEO들도 AI 도구를 컴퓨터에 설치하고 반복해서 시험하며 실제 작동 방식을 익힌다는 것이 사례의 요점이다.
   3. 일차적 이해: 실제로 한 번 해 보는 경험은 무엇이 가능한지에 대한 판단을 다른 사람의 설명에 전적으로 의존하지 않게 한다.

2. 첫 원칙으로 가능성을 검증한다

   1. 검증 질문: “이 일이 가능한가?”라는 질문에 가장 확실하게 답하는 방법은 최소 한 번 직접 해 보는 것이다.
   2. 적용 범위: 업무 자동화, 코드 작성, 회의 후속 작업 등 구체적인 작업을 작은 실험으로 시작한다.
   3. 학습 효과: 한 번의 시도만으로도 현재 도구의 한계, 필요한 맥락, 추가로 연결해야 할 시스템을 확인할 수 있다.

---

5. 새로운 도구와 업무 방식을 열린 태도로 시험하고, 한 가지부터 바꾼다

5.1 AI는 여러 형태와 인터페이스로 확장된다

1. 텍스트 채팅만을 AI의 전부로 보지 않는다

   1. 화면 속 아바타: 화면에서 동료처럼 대화하는 AI 아바타가 등장할 수 있다.
   2. 새 하드웨어: 펜던트처럼 몸에 착용하는 새로운 형태의 기기도 업무 인터페이스가 될 수 있다.
   3. 사용 방식의 다변화: AI는 채팅창 외에도 음성, 실시간 보조, 시각화, 독립형 기기 등 다양한 방식으로 업무에 들어올 수 있다.

2. 성공과 실패 모두 탐색의 결과로 본다

   1. 직접 체험: 새 기술이 자신에게 맞는지 알기 위해서는 시험해 봐야 한다.
   2. 실패의 의미: 시도한 결과 성공하지 못해도 해당 기회와 작동 방식을 직접 탐색한 것이다.
   3. 기회비용: 기술 변화가 빠른 상황에서 아무것도 시험하지 않아 놓치는 기회비용이 매우 클 수 있으므로, 작은 실험을 해 보는 편이 합리적이다.

5.2 자신의 업무에서 한 가지를 실제로 바꾼다

1. 일곱 습관 중 하나를 선택한다

   1. 입력 개선: 다음 AI 요청 하나를 타이핑하지 않고 음성으로 전달한다.
   2. 회의 후속 작업: 회의에서 나온 결정 하나를 전사·담당자 지정·업무 도구의 작업 생성까지 연결한다.
   3. 시각화: 글로만 설명된 보고서나 아이디어 하나를 그림, 화면 또는 3D 형태로 만들어 본다.
   4. 상호작용 개선: 결과를 요청하기 전에 AI가 필요한 질문을 하게 하거나, 초안의 허점부터 찾게 한다.
   5. 실행 실험: 기능 가능성을 묻는 대신 작고 구체적인 작업을 맡겨 본다.

2. 작은 변화에서 업무 시스템으로 확장한다

   1. 첫 단계: 한 가지 반복 업무를 선택해 실제 결과를 얻는지 확인한다.
   2. 다음 단계: 효과가 확인되면 자주 쓰는 개인 어휘, 업무 도구, 담당자·프로젝트 흐름에 맞게 반복 가능한 시스템으로 다듬는다.
   3. 평가 기준: AI를 사용했다는 사실보다 입력 시간이 줄고, 맥락이 보존되며, 실행 가능한 산출물이 생겼는지를 본다.

5.3 영상의 마무리 제안과 홍보

1. 업무에 적용할 행동을 선택한다

   1. 바로 바꿀 것 정하기: 여러 습관을 한꺼번에 도입하기보다 자신의 업무에서 하나를 고른다.
   2. 직접 실행하기: 그 습관을 실제 작업에 적용해 시간과 결과가 어떻게 달라지는지 확인한다.

2. Maker School 소개

   1. 프로그램: Nick Saraev는 AI를 사업에 활용하려는 사람을 위한 90일 책임감(accountability) 프로그램 Maker School을 소개한다.
   2. 제안 내용: AI 또는 자동화 서비스의 첫 고객을 확보하도록 돕고, 목표를 달성하지 못하면 비용을 환불한다고 설명한다.
   3. 마무리: 프로그램 안내 뒤 좋아요·댓글·구독을 요청하고 영상을 끝낸다.

---

주요 발언 모음

“차이는 더 나은 모델이나 완전히 다른 도구가 아니라, 거의 전적으로 AI와 대화하는 방식에 있다.”

“손가락이 병목이 되게 두지 마라. 목소리는 그보다 훨씬 많은 일을 하도록 만들어졌다.”

“최고의 사람들은 말로만 설명하지 않고 보여 준다.”

“의견을 묻지 말고 결함을 물어라.”

“이게 가능한지에 대한 질문에 답하는 가장 좋은 방법은 적어도 한 번 직접 해 보는 것이다.”

“시도해서 성공하거나 실패해도 괜찮다. 어느 쪽이든 그 기회를 탐색한 것이다.”

핵심 데이터 & 수치

• 발표자의 AI 수익 경험: Nick Saraev는 지난 몇 년간 AI와 AI 도구를 활용해 1,000만 달러 이상을 벌었다고 소개한다.
• 입력 속도: 키보드는 분당 약 30~50단어, 말하기는 분당 약 150~200단어로 제시된다.
• 시각 자료의 비유: 그림은 천 단어의 가치가 있고, 영상은 초당 약 24~30장의 그림으로 구성된다고 설명한다.
• 회의 자동화 생산성: 회의 중 작업까지 수행하는 시스템은 회의를 약 100배 더 생산적으로 만들 수 있다는 것이 발표자의 주장이다.
• AI 업무 보조 시스템 운영비: 직접 구성한 상시 음성·업무 실행 시스템을 하루 약 1~2달러에 운영할 수 있다고 추산한다.
• EA 인건비 비교: 유능한 Executive Assistant를 고용하면 하루 약 300~400달러가 들 수 있다고 비교한다.
• 기능 변화 속도: 벤치마크가 매일 몇 퍼센트포인트씩 변하고, 한 달 안에 이전에는 불가능하다고 여긴 작업이 50% 이상의 성능으로 바뀔 수 있다고 설명한다.
• 추천 실행 방식 수: 음성 입력, 회의 자동화, 시각화, AI 인터뷰, 결함 요청, 직접 실행, 열린 태도라는 일곱 가지 습관이 핵심으로 제시된다.
• 프로그램 기간: Maker School은 90일 프로그램으로 소개된다.

결론 및 시사점

1. AI를 더 잘 활용하는 첫 단계는 프롬프트를 멋지게 쓰는 것이 아니라, 생각과 배경을 더 풍부하게 전달하는 입력 방식을 갖추는 것이다.
2. 회의 자동화의 목표를 녹취록 생성에 두지 말고 결정 사항이 담당자와 업무 시스템의 실제 작업으로 이어지게 한다.
3. 보고서·공간·데이터처럼 시각화가 유용한 대상은 설명을 늘리는 대신 직접 볼 수 있는 결과물을 만든다.
4. 사용자가 요구사항을 모두 알고 있다고 가정하지 말고 AI가 먼저 질문하게 한다.
5. 무조건적인 칭찬을 줄이기 위해 의견보다 반례, 결함, 약점과 실패 가능성을 요청한다.
6. AI가 할 수 있는지에 대한 오래된 평가보다 자신의 업무에서 실행해 본 결과를 우선한다.
7. 새로운 인터페이스를 작은 실험으로 시험하고, 이번 주 업무에서 바꿀 한 가지를 정해 시작한다.

핵심 요약 (20줄)

말하기는 타이핑보다 훨씬 많은 맥락을 짧은 시간에 AI에 전달한다. 키보드 입력 속도는 분당 약 30~50단어이고 말하기는 분당 약 150~200단어다. 무료 음성 받아쓰기 도구로 시작하고 개인 어휘를 학습시켜 인식률을 높일 수 있다. 회의와 녹음에 상시 음성 AI를 붙이면 대화를 기록하고 실행 항목과 프로젝트로 바꿀 수 있다. AI가 회의 중 담당자별 작업을 실제 업무 시스템에 생성하면 회의가 끝나기 전에 결과를 확인할 수 있다. 발표자는 이 시스템을 하루 1~2달러로 운영해 하루 300~400달러 수준의 EA 업무 일부를 대체할 수 있다고 주장한다. 3.js, HTML, Unreal Engine, Blender 등으로 설명과 데이터를 시각적 결과물로 바꿀 수 있다. 새 집이나 사무실은 평면도 대신 조명과 주변 풍경을 반영한 3D 공간으로 살펴볼 수 있다. 가구와 구매 링크까지 시각화에 연결하면 화면에서 비교하고 바로 선택할 수 있다. 요구사항을 말로 완벽히 정리하기 어렵다면 AI가 먼저 질문하도록 인터뷰를 맡긴다. 목표와 제약을 알아내는 질문을 거치면 AI가 수행할 작업의 맥락을 더 정확히 구성할 수 있다. 일반적인 의견을 물으면 모델이 사용자에게 동의하는 답을 내놓을 수 있다. 아이디어와 초안의 문제점, 허점, 반례를 찾아 달라고 명시적으로 요청한다. AI의 비판은 그대로 받아들이기보다 장점과 비교해 사용자가 판단한다. 기능을 할 수 있는지 다른 사람에게 묻기보다 프런티어 모델에 실제 작업을 시켜 본다. 같은 모델도 하네스와 기능이 빠르게 바뀌므로 오래된 평가에만 의존하지 않는다. Jensen Huang 사례는 최고경영자도 AI 코딩 도구를 직접 설치하고 시험한다는 점을 보여 준다. 화면 속 아바타나 착용형 기기처럼 새로운 AI 인터페이스도 직접 경험해야 유용성을 판단할 수 있다. 실패하더라도 시도는 새로운 업무 방식의 가능성을 확인하는 탐색이 된다. 자신의 업무에서 일곱 습관 중 하나를 골라 작게 바꾸고 실제 효과를 측정한다.