AI 시대의 PM/PL 리더십, 오피스 자동화, 기업 코칭을 함께 설계합니다

지난 글에서 노트 4만 개를 5.5배 빠르게 검색한 이야기를 했습니다. 그 마지막 조각 — 말은 달라도 뜻이 같은 노트를 잡아내는 헤드리스 하이브리드 임베더 — 를 오픈소스로 공개합니다. 앱도 GPU도 클라우드도 없이, 정확매칭(ripgrep)과 의미검색(벡터)을 한 순위로 묶는 명령줄 도구. 한국어·교차언어 지원, Apache-2.0. 앞세웠던 특장점(한국어/중소기업 맞춤/속도·정확성)이 사실인지 직접 검증한 결과까지 정직하게 적었습니다.

AI에게 내 노트 수만 개를 검색시킬 때, ‘LLM이 파일을 직접 읽는’ 방식과 ‘Obsidian 전용 CLI’를 쓰는 방식 — 어느 쪽이 빠르고 정확할까요? 같은 vault(노트 46,579개)로 똑같이 재 봤습니다. 처음엔 CLI가 4.5배 빨랐지만, 그 차이의 정체는 직접 읽기 방식의 ‘낭비’였습니다. 그래서 교체가 아니라 둘의 강점을 합쳐, 직접 읽기를 5.5배 빠르게 만든 과정을 공유합니다.

Claude Code의 ‘ultracode’ 모드는 더 똑똑한 모델이 아니라 같은 Opus에 멀티에이전트 오케스트레이션을 더한 것입니다. 정말 결과가 좋아질까 — 제가 실제 업무 4종으로 솔로(xhigh) vs ultracode를 블라인드 A/B 벤치마크하고, 품질·시간·토큰비용을 실측했습니다. 결론은 ‘유형에 따라 극과 극’. 업무별 사용 판단표와, 제가 내린 결정을 공유합니다.

2026년 6월, 구글이 ‘AI가 읽는 지식’의 공개 표준 Open Knowledge Format(OKF)을 내놨습니다. 그런데 그 정체는 10년째 굴려온 Obsidian Vault, Karpathy의 llm-wiki와 같은 핏줄이었습니다. 셋의 목적·장단점을 비교하고, 도구 한 푼 들이지 않고 오늘 시작하는 5단계 가이드를 정리했습니다.

업무용 AI Agent의 신뢰는 프롬프트가 아니라 ‘구조’에서 옵니다. 유능한 신입을 온보딩하듯 여섯 개의 기둥을 세우고, 제 컨설팅 과정(제안→기획→실행→사후)에 직접 적용해 측정한 기록 — 생소 분야 품질 24→91, 날조 7→0(자체 평가).

커뮤니티 운영자가 매달 반복하던 ‘카톡 관리 > 내보내기 > 기간 추려서 분석’을, 오픈소스 katok과 로컬 자동화로 대체한 기록. 전 과정 로컬·읽기 전용·외부 전송 0 — 자동화만큼 중요한 프라이버시 설계까지.