더 좋은 AI 모델을 기다리지 마세요. 당신의 10년 경험을 에이전트가 읽을 수 있는 지식망으로 바꾸는 것, 그것이 진짜 Agentic PM의 시작입니다. 프롬프트를 아무리 정교하게 써도, 내 경험이 연결되어 있지 않으면 AI는 일반론만 내놓습니다.
이 편이 답하는 질문
- PM이 10년 경험을 RAG 기반 에이전트가 접근 가능한 온톨로지맵으로 변환할 때, 4,175개 노트 Obsidian Vault에서 “원자화 → 메타데이터 → 관계 → 검색가능성” 4단계 중 어디서 가장 큰 가치가 발생하는가?
- 130개 프로젝트·87개 고객사에서 축적한 경험을 “디지털 에셋 → 에이전틱 에셋”으로 전환하면서, 시간 비용 대비 가장 효율적인 입력 방식은?
- 온톨로지맵의 10계층 지식 아키텍처(원소·구조·패턴·프레임워크·원칙·사례·템플릿·영상·실행·피드백)에서 PM/PO/PL/Officer 역할별로 어느 계층부터 활용을 시작해야 ROI가 최대인가?
- “현대모비스에서 2년 전 비슷한 이슈를 어떻게 해결했지?”에 AI가 답할 수 없던 근본 원인을 해결하려면, OneDrive 여기저기의 PDF/PPT를 어떤 메타데이터 구조로 재정렬해야 하는가?
이 시리즈를 읽는 세 개의 눈
SECTION 0: 들어가며 ══════════════ –>
- PO: “더 좋은 모델을 기다리지 마세요”가 핵심. 자신의 경험이 구조화되지 않으면 아무리 정교한 프롬프트도 일반론만 내놓는다. 온톨로지맵은 PO 지시 품질을 10배 높이는 인프라다.
- PM: 10개 레이어 중 어느 계층에 투자할지 결정이 새 PM 역무. 원소·구조·패턴은 자동화, 원칙·사례·실행은 수동 정교화하는 우선순위 설계가 핵심이다.
- PL: Obsidian Vault 구축은 기술 선택이 아닌 지식 아키텍처 설계. 4,175개 노트를 관계 기반 재구성하고 검색·재조합 가능성을 코드로 검증하는 것이 차세대 PL의 역할이다.
들어가며
프롬프트의 한계를 만났을 때
삼성·LG·SK·KT·현대모비스 등 대기업에서 15년간 PM 코칭을 하면서, 저는 누구보다 열심히 AI를 활용해왔습니다. ChatGPT로 리스크 레지스터를 만들고, Claude로 요구사항을 분석하고, Gemini로 발표 자료를 초안 잡았습니다.
그런데 어느 순간 벽에 부딪혔습니다.
“현대모비스에서 2년 전에 비슷한 이슈가 있었는데, 그때 어떻게 해결했지?”
이 질문에 AI는 답할 수 없었습니다. 제 머릿속에는 있지만, AI가 접근할 수 있는 어디에도 없었기 때문입니다. 130개 프로젝트, 121회 워크숍, 87개 고객사의 경험이 OneDrive 폴더 여기저기에 PDF와 PPT로 잠들어 있었습니다.
이것이 Digital Asset과 Agentic Asset의 차이입니다. 파일이 있는 것과, AI가 그 파일을 읽고·연결하고·재조합할 수 있는 것은 완전히 다른 이야기입니다.
Part 1
왜 PM에게 ‘나만의 RAG’가 필요한가
RAG(Retrieval-Augmented Generation)는 AI가 외부 지식을 검색해서 답변에 반영하는 기술입니다. 기업들은 사내 문서를 벡터 DB에 넣어 RAG를 구축합니다. 하지만 PM/PL에게 필요한 RAG는 회사 차원의 것이 아닙니다. PM에게 필요한 것은 ‘나만의 경험 RAG’입니다.- 맥락의 깊이가 다릅니다. “A 고객사에서 B 이슈가 터졌을 때, 과거 C 프로젝트의 교훈을 바탕으로 어떤 결정을 내려야 하는가?” — 일반적인 PM 지식이 아니라, 내가 직접 겪은 프로젝트의 결과와 교훈이 연결되어야 합니다.
- 표준과 실무가 엮여야 합니다. PMBOK의 리스크 관리 이론을 아는 것과, “삼성전자 반도체 사업부에서 리스크 레지스터를 어떻게 커스터마이징했는지”를 아는 것은 차원이 다릅니다.
- 시간이 지날수록 가치가 커집니다. 프로젝트를 할수록, 워크숍을 할수록, 경험이 쌓입니다. 체계적으로 연결되면 복리로 불어나고, 흩어져 있으면 기억 속에서 사라집니다.
Part 2
온톨로지맵이란 무엇인가
온톨로지맵은 거창한 것이 아닙니다. “내가 아는 것들이 어떻게 연결되어 있는가”를 구조화한 지도입니다.세 가지 축
이론(Framework) ←→ 실행(Workshop/Project) ←→ 발행(Publishing)
• 이론 축: PMBOK, SAFe, BABOK, SEBOK 등 8개 프레임워크, 114개 지식영역(KA)
• 실행 축: 121회 워크숍 세션, 600건+ 지식 노트, 87개 고객사 프로젝트
• 발행 축: 857건 블로그 아카이브, AI 리서치 45건, Agentic PM 시리즈 4종
KA-Risk-Management(PMBOK 지식영역) 노트를 열면:
- 이 이론이 적용된 삼성전자 워크숍 세션 3건이 자동으로 표시됩니다
- 현대모비스에서 만든 리스크 레지스터 산출물이 연결되어 있습니다
- 이 주제로 쓴 블로그 포스트 2건의 링크가 있습니다
- LG전자 PM Competition에서 리스크 도메인 평가 기준이 참조됩니다
Part 3
나의 구조 체계: 10개 레이어의 지식 아키텍처
9년간의 시행착오 끝에 정착한 구조입니다. 업무 흐름 순서대로 번호를 매겼습니다.
핵심 설계 원칙: “모든 파일은 3차 분류 이하에 배치한다.” — 이 한 줄의 규칙이 4,175개 노트를 혼돈 없이 유지하는 비결입니다.
실제 Vault 트리 구조
추상적인 설명보다 실제 구조를 보시는 것이 빠릅니다. 현재 운영 중인 Vault의 디렉토리 트리입니다:obsidian-vault/ 4,175 MD ├── [Dashboard] MOC.md ← Vault 전체 진입 허브 ├── [Dashboard] Command Center.md ← 루트 메인 홈 대시보드 │ ├── 00_Inbox/ ← 미분류 수집함 (12) ├── 10_Atlas/ ← 지식 그래프 레이어 (50) │ ├── Company/ ├── Concept/ ├── MOC/ └── People/ │ ├── 20_Framework/ ← PM 이론 프레임워크 (136) │ ├── PMBOK/ ├── BABOK/ ├── SEBOK/ ├── SAFe/ │ ├── CMMI-v1/ ├── CMMI-v2/ ├── ASPICE/ └── AI-SDLC/ │ ├── 25_Research/ ← 탐색/심화 리서치 (44) ├── 30_Agentic PM/ ← Agentic Series 4종 (44) │ ├── Agentic-PM/ ├── Agentic-PL/ │ ├── Agentic-PO/ ├── Agentic-Officer/ │ ├── AX-Prompt-Library/ └── Samsung-GAUSS/ │ ├── 40_FullyActiveLearning/ ← 기업 PM 워크숍 자산 (739) │ ├── Session/ ← 세션 인덱스 (121) │ ├── Knowledge/ ← 원자적 PM 지식 (605) │ └── Pedagogy/ ← 교육 설계 (12) │ ├── 50_Project/ ← 프로젝트 실행 기록 (1,897) │ ├── Artifact/ ← 산출물 연도별 보관 (1,650) │ │ ├── 2017/ (248) ├── 2021/ (227) ├── 2025/ (207) │ │ └── 2020/ (299) └── 2024/ (186) └── 2026/ (208) │ └── <고객사>/ ← 87개 고객사 │ ├── CL-<고객사>.md ← 프로필 │ ├── Projects/PRJ-*.md ← 프로젝트 (125) │ └── Lessons/LL-*.md ← 교훈 (21) │ ├── 60_WordPress/ ← 블로그 아카이브 (857) │ ├── _draft/ ← 퍼블리싱 파이프라인 │ ├── insights/ ← AI/PM 전문 (373) │ └── blog/ ← 일반 블로그 (483) │ ├── 70_Tools/ ← Prompt/Vibe/Worker (18) ├── 80_Life/ ← 건강/러닝/저널 (248) └── 90_Governance/ ← 정책/템플릿/자동화 (43)
주목할 점: 번호 체계가 업무 흐름 순서입니다.
수집(00) → 지식(10) → 이론(20) → 리서치(25) → AI PM(30) → 워크숍(40) → 프로젝트(50) → 발행(60) → 도구(70) → 거버넌스(90)
이 순서 자체가 “지식이 어떻게 흘러가는가”의 온톨로지입니다. 수집된 정보가 이론과 만나고, 리서치를 거쳐, 워크숍에서 실행되고, 프로젝트로 납품되고, 블로그로 발행됩니다.
4계층 지식 활용 구조
특히 40_FullyActiveLearning과 20_Framework이 연결되는 방식이 온톨로지맵의 핵심입니다:Layer 0: [Dashboard] MOC ← Vault 전체 진입점 Layer 0: PM-Practice-MOC ← FullyActiveLearning 지식 허브 └── Layer 1: Session Index ← 세션별 목록·요약 (121개) └── Layer 2: Knowledge ← 원자적 PM 실무 지식 (605개) └── Layer 3: Framework ← PM 이론 레퍼런스 (20_Framework/)Layer 2의 Knowledge 노트 하나를 열면,
related_ka 링크를 통해 Layer 3의 PMBOK/BABOK/SEBOK 이론으로 점프합니다. 반대로, Layer 3의 이론 노트에서는 Dataview가 “이 이론이 적용된 실무 사례”를 자동으로 수집해 보여줍니다.
이것이 “이론을 가르치는 것”과 “이론이 실무에서 어떻게 작동하는지 보여주는 것”의 차이입니다. 87개 고객사, 121회 워크숍에서 축적된 실무 사례가 이론 뒤에 줄줄이 따라 나옵니다.
Part 4 · 실전
Digital Asset → Agentic Asset 전환 4단계
Step 1: 원소 단위 분해 (Atomization)
100장짜리 워크숍 PDF를 하나의 파일로 보관하면 AI가 쓸 수 없습니다. 이것을 원소 단위로 쪼갭니다: 세션 인덱스 노트, 지식 노트, 산출물 참조. 저는 이 작업으로 739건의 워크숍 자산과 1,897건의 프로젝트 산출물을 원소화했습니다.Step 2: 메타데이터 부여 (Contextualization)
각 노트에 표준화된 YAML 메타데이터를 붙입니다.client: samsung, pm-domain: risk, program: global-pm — 이 태그가 있어야 “삼성전자 리스크 관련 워크숍 자료를 모두 보여줘”라는 검색이 가능해집니다.
Step 3: 관계 연결 (Relation Building)
가장 중요한 단계입니다. 고립된 노트를 양방향 링크로 연결합니다:
KA-Risk-Management (PMBOK 이론)
↕ related_ka 링크
samsung-risk-rbs (삼성 워크숍 산출물)
↕ client_ref 링크
PRJ-2025-SAMSUNG_AI (프로젝트 인덱스)
114개 KA 노트 전체에 path-qualified wikilink를 걸어, 이론↔실무 양방향 네비게이션을 완성했습니다.
Step 4: 검색·재조합 가능성 확보 (Searchability)
Dataview 대시보드와 MOC(Map of Contents)를 구축합니다. 현재 12개 대시보드, 15개 MOC, 자동화 스크립트(vault 감사, 메타데이터 검증)가 운영 중입니다. AI 에이전트든 사람이든, 원하는 정보를 3초 안에 찾을 수 있어야 합니다.Part 5
Agentic PO·PM·PL·Officer — 역할별 활용법
온톨로지맵이 완성되면, PM 조직의 각 역할이 완전히 다른 차원으로 일할 수 있습니다.Part 6 · 효과
숫자로 보는 변화
하지만 가장 큰 변화는 숫자가 아닙니다. “이 상황에서 어떻게 해야 하지?”라는 질문에, 과거의 나 자신이 답해준다는 것. 10년 전 프로젝트의 교훈이, 오늘의 의사결정에 실시간으로 반영된다는 것. 이것이 온톨로지맵의 진짜 가치입니다.
실전 적용
시작하는 법: 오늘 할 수 있는 3가지
“나도 해보고 싶은데, 4,000개 노트를 만들어야 하나요?” — 아닙니다. 작게 시작하세요.
첫째, 최근 프로젝트 3개를 원소화하세요. 각 프로젝트에서 차터, 교훈, 주요 산출물을 개별 노트로 분리합니다. 노트 하나에 하나의 개념. 이것만으로 9~15개의 원소 노트가 생깁니다.
둘째, PM 도메인 태그를 붙이세요. 각 노트가 어떤 PM 영역(리스크, 일정, 품질, 이해관계자…)에 해당하는지 메타데이터를 추가합니다. 이것만으로 “내가 리스크 관리에 대해 뭘 알고 있지?”라는 검색이 가능해집니다.
셋째, 링크를 한 방향만 걸어보세요. 프로젝트 교훈 노트에서 관련 이론 노트로 링크를 겁니다. Obsidian이 자동으로 역방향 링크를 만들어줍니다.
이 3가지만 하면, 첫 번째 온톨로지맵의 싹이 나옵니다. 그리고 이 싹은 프로젝트를 할수록, 워크숍을 할수록 복리로 자랍니다.
마무리
결별해야 할 환상
버려야 할 믿음: “더 뛰어난 AI 모델이 나오면 모든 것이 알아서 해결될 것.”
현실: GPT-5가 나와도, Claude가 더 똑똑해져도, 당신의 10년 경험은 당신의 머릿속에만 있습니다.
AI 모델은 범용 지식은 갖고 있지만, “작년에 A 고객사에서 B 이슈가 터졌을 때 C 방식으로 해결했더니 D 결과가 나왔다”는 당신만의 경험을 알 수 없습니다.
그 경험을 에이전트가 읽을 수 있는 지식망으로 바꾸는 것.
그 지식망 위에서 이론과 실무가 양방향으로 연결되는 것.
그 연결 위에서 AI가 검색하고 재조합하여 당신의 판단을 보강하는 것.
이것이 온톨로지맵이고, 이것이 나만의 RAG이며, 이것이 진짜 Agentic PM의 시작입니다.
지금 당신의 지식은 에이전트가 읽을 수 있습니까?
이 글은 2017년부터 2026년까지 87개 고객사, 130개 프로젝트, 121회 워크숍을 통해 축적한 4,175개 노트의 Obsidian Vault 구축 경험을 바탕으로 작성되었습니다.
#AgenticPM
#온톨로지맵
#RAG
#Obsidian
#지식관리
#PM코칭
#KnowledgeGraph
함께 읽기 · Related Posts
시리즈 네트워크에서 이 편과 연결된 글
- K-2 · 사고 체계
Karpathy의 LLM과 Obsidian 지식 결합 - K-3 · 사고 체계
Karpathy의 autoresearch: PM에서의 적용 사례 - K-4 · 사고 체계
Karpathy: AI의 사고 체계를 PM에 어떻게 적용할까? - K-5 · 사고 체계
Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스의 교차 분석 - K-6 · 사고 체계 · NEW
30시간 RAG 실측 회고 — Karpathy의 llm-wiki는 내 10년 obsidian-vault를 이길 수 있었나
본 글(K-1)에서 제시한 온톨로지맵 RAG의 가설을 OneDrive 384GB 별도 시스템으로 검증한 실측 회고. vault 72:70 wiki — 그러나 wiki가 vault에 0건이던 개념을 5분 만에 발견. - G-2 · 실전 도구
주니어 PM 위한 AI 하네스 구축 가이드 - A-2 · 실전 실험
AI가 코딩하고, AI가 관리한 1주일의 기록 - P-1 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 1편: Andrej Karpathy
🧭 Obsidian · LLM-wiki RAG 실측 라인업
“개인 RAG는 정말 쓸모 있는가” — 3편으로 이어지는 검증 여정
PM 코치 10년의 Obsidian vault와 Karpathy의 llm-wiki 패턴을 직접 만들고, 측정하고, 통합한 3편의 연속 기록입니다. 본 글(K-1)은 첫 단계 — 가설과 출발점을 다룹니다.
- K-1 · 가설 단계 (현 글) — Agentic 시대, PM의 온톨로지맵
10년치 PM 자산을 “AI가 읽을 수 있는 지식망”으로 구조화하는 4단계 전환. 검색 시간 30분 → 3초(600배) 측정. - K-2 · 구현 단계 — Karpathy의 LLM과 Obsidian 지식 결합
15,161 노트 vault에 Karpathy 3계층(Raw/Wiki/Schema)을 적용. Q&A Agent + 축적 루프 + LLM Compile 1,082줄 구현. 4~9배 자동화 + 25% 완전성 향상 + 436 atoms 자동 추출. - K-6 · 검증 단계 · NEW — 30시간 RAG 실측 회고 — llm-wiki는 obsidian-vault를 이길 수 있었나
OneDrive 28,849 파일·384GB로 별도 llm-wiki를 만들어 obsidian-vault 45,640 노트와 6쿼리 양방향 벤치마크. vault 72:70 wiki(4승 2패) — 그러나 wiki가 vault에 0건이던 핵심 개념을 5분 만에 발견. “거버넌스가 미치지 못하는 영역에는 무차별 스캔이 보완 도구로 필요”라는 결론.
3편을 한 줄로 — K-1(왜) → K-2(어떻게) → K-6(정말로): 가설·구현·실측의 3단 검증 사이클이며, vault 단일 + extract pipeline 흡수가 최종 아키텍처 결정.
📚 Karpathy 사고 체계 시리즈 전편 (K-1 ~ K-6)
Andrej Karpathy의 LLM 활용 철학을 PM 언어로 번역한 6편
| 편 | 주제 | 핵심 가설 |
|---|---|---|
| K-1 | 현 글 — 온톨로지맵·RAG | Obsidian으로 나만의 RAG, 검색 600배 가속 |
| K-2 | LLM+Obsidian 결합 | Governed Autonomy로 자동화 + 완전성 동시 확보 |
| K-3 | autoresearch 패턴 | PDCA 동형의 자동 리서치 패턴 PM에 적용 |
| K-4 | AI 사고 체계 적용 | System 1/2 사고와 vibe coding의 PM 적용 |
| K-5 | LLM OS · Claude Code 분석 | Claude Code 1,903파일 교차 분석한 3-plane 모델 |
| K-6 · NEW | 실측 벤치마크 | vault vs llm-wiki 6쿼리 정면 비교, 양강 보완 결론 |
📌 함께 보면 좋은 글: P-1 Karpathy: 제약 설계 + 닫힌 루프 (AI 인물 탐구 시리즈) — 사상적 출발점으로서 Karpathy의 사고 패턴을 PM 코치 렌즈로 5-Part 해부
Z · 수렴편 (Tier 0 · NEW)
M · 진입 가이드 (Tier 0)
D · 역할 번역 (Tier 0)
E · 조직 전환 (Tier 0)
AX 전략
현장 검증
PM/PL 역할 전환
사고 체계
AI 인물 탐구
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 Karpathy: 제약 설계 + 닫힌 루프
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 PO·PM·PL 역량 통합: 5-Domain × 3-Level
실전 도구