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.
바쁜 분을 위한 3줄 요약
① 더 좋은 AI 모델을 기다릴 필요가 없습니다 — 답의 깊이는 모델이 아니라 ‘내 경험이 연결된 지식망’이 결정합니다.
② 온톨로지맵은 내 업무의 개체와 관계를 그린 지도입니다. 특별한 도구 없이 종이와 펜으로 시작할 수 있습니다.
③ 이번 주 시작: 내 업무에서 자주 쓰는 명사 20개를 적고, 관계 있는 것끼리 선으로 이어 보세요 — 그것이 첫 온톨로지맵입니다.
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
특집 · 6부작 · 만드는 순서
개인 RAG 구축 여정 — 6편 중 1번째 글입니다
① 좌표계 · 지금 읽고 계신 글
Agentic 시대, PM의 온톨로지맵 — Obsidian을 통해 나만의 RAG를 만드는 법
온톨로지맵으로 내 지식의 축을 먼저 그린다
② 템플릿
PM 온톨로지맵 템플릿 배포판 — 복사해서 30분 안에 채우는 '나의 AI 좌표계' 5칸
복사해서 30분 안에 채우는 5칸 배포판
③ 아키텍처
Obsidian × LLM 2년 운영 실측 — 4만 노트 개인 RAG의 최종 아키텍처 5층
4만 노트 2년 운영이 도달한 5층 구조
④ 검색
LLM이 내 노트 4만 개를 검색하는 두 가지 방법 — '직접 읽기' vs '전용 CLI' 실측, 그리고 둘을 합쳐 5.5배 당긴 하이브리드
직접 읽기 vs 전용 CLI 실측, 그리고 하이브리드
⑤ 도구
Obsidian 노트를 앱 없이 검색한다 — 오픈소스 byeori(벼리): GPU·클라우드 없는 하이브리드 마크다운 RAG
앱 없이 도는 오픈소스 byeori(벼리)
⑥ 표준
구글이 표준으로 만든 'AI가 읽는 지식' — Open Knowledge Format·Obsidian Vault·llm-wiki, 무엇을 어떻게 시작할까
구글 OKF — 남이 읽을 수 있는 형식으로
내 노트를 AI가 읽게 만드는 전 과정 — 좌표계를 그리고(①②), 아키텍처를 세우고(③), 검색을 붙이고(④⑤), 공개 표준에 맞춥니다(⑥). 사고 체계와 구축 두 분야를 가로지릅니다. 특집 안내 보기 →
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
함께 읽기 · 지식베이스 × RAG 글타래
「Karpathy의 LLM과 Obsidian 지식 결합」「llm-wiki vs 10년 obsidian-vault — 30시간 RAG 실측 회고」
「RAG 지식관리와 PM — PO·PM·PL의 조직 자산화」
「Fable 5 첫 하루 — 모델 × 하네스 × RAG」
「구글 OKF·Obsidian Vault·llm-wiki — 무엇을 어떻게 시작할까」
「내 노트 4만 개 검색 — 직접 읽기 vs 전용 CLI, 하이브리드 5.5배」
「Obsidian 노트를 앱 없이 검색 — 오픈소스 byeori(벼리)」
🧭 길잡이·수렴 (전체 진입)
- M-1 Agentic PM 시리즈 진입 가이드 — 전체를 한 장으로
- Z-1 실록(Sillok) — 5세기 Audit-Grade 거버넌스를 LLM 운영에 빌려온 한국형 LLMOS 하네스
- Z-2 실록(Sillok) 2026 상반기 결산 — RAG·고객사·지능화 루프·오픈소스
- Z-3 하네스×RAG 기업 컨설팅 — 네 현장·환각 방지·TOP10 자가진단·진화 루프
- Z-4 하네스 엔지니어링 백서 — Weng 하네스론×실록 구조 매핑·자기개선 루프·정직한 결산
- Z-5 에이전트 스킬 수명주기 백서 — Dynamic Agent Skills 8단×실록 매핑(7 온전+1 갭)·분기 12문항 레퍼런스·PO/PM/PL 컨설팅 직역
🧱 개념·프레임워크 (Lv2–3)
🔄 역할·역량 전환 (Lv1–2)
🧠 사고 체계 (Lv2–3)
- K-1 Agentic 시대, PM의 온톨로지맵 — Obsidian을 통해 나만의 RAG를 만드는 법
- K-2 Karpathy의 LLM과 Obsidian 지식 결합
- K-3 Karpathy의 autoresearch: PM에서의 적용 사례
- K-5 Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스 교차 분석
- K-6 30시간 RAG 실측 — Karpathy llm-wiki vs obsidian-vault 양강 비교
- K-7 구글 OKF·Obsidian Vault·llm-wiki — 무엇을 어떻게 시작할까
- K-8 Obsidian × LLM 4만 노트 — 개인 RAG 최종 아키텍처 5층
- K-9 PM 온톨로지맵 템플릿 배포판 — 30분에 채우는 5칸
👤 AI 인물·리더 (Lv1)
- 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 DeepSeek 량원펑 — 연속 학습의 공백과 하네스
📈 AX 전략·조직 전환 (Lv4)
- X-1 AI/AX 2030 전략: McKinsey, BCG, Accenture, Deloitte, Gartner 교차 분석
- X-2 빅테크 리더십 격변과 AX 전략
- X-3 2026년 GitHub에서 주목할 프로젝트와 AI 전환 신호
- X-4 AI 에이전트 2026 상반기 대해부 — 지금 무슨 일이, 리더는 무엇을
- W-1 Agentic 월간 관전포인트 2026-05 — 가우스+빅테크 듀얼 모델 시대
- W-2 Agentic 2026 상반기 총결산 — 다섯 축 6개월
- E-1 AI 네이티브 기업 전환 — CHO·PMO 재정의
- E-2 한국 기업 AX 2030 (Capstone)
- E-3 NH농협은행 SAFe 애자일 3년 — 페이스메이킹의 기록
- E-4 하나은행 × BCG 애자일 전환 — 두 개의 리듬으로
- E-5 네이버랩스 AKI — 하이브리드 애자일 PMO로 7개 제품을 한 박자로
🏢 현장 검증·사례 (Lv1–4)
- S-1 Agentic PM의 시대가 열리다 — LG전자 SW PM 워크숍을 마치며
- S-2 삼성전자 PMC: AI와 함께하는 PM 교육 혁신
- S-3 SKT Agent 도출을 위한 AI 퍼실리테이션 기법
- S-4 리스크는 그릇이었다 — LG전자 SW공학연구소 GenAI RISK 워크숍
- S-5 코드 한 줄 없이 손익관리팀이 만든 에이전트 — 신한EZ손해보험
- S-6 “어디까지 입력해도 되나요?” — 삼성 구매 현장의 Agentic 각성
- S-7 지금 Agentic으로 전환해야 하는 이유 — 삼성·LG·KT·Clean&Science 300여 분의 증명
- S-8 ‘바이브 프로젝트 매니징’을 스스로 이름 붙였습니다 — 현대모비스 편
- S-9 “대충 시키면 다 해줄 줄 알았는데” — SK쉴더스 보안 PM들의 이틀
- S-10 휴맥스 전사 ALM 정착 — 표준 4개를 codeBeamer 하나에
- S-11 AI로 신약 프로젝트 관리 — KDRA 바이오 PM 3일 워크숍
- S-12 AI 바이오·제약 회사는 무엇부터 자동화해야 하는가 — 26주 실측
- S-13 에이전트를 어디까지 붙일 것인가 — 되돌릴 수 없는 일 먼저 NEW
- S-14 같은 기준, 다른 답 — 22개 업무 유형의 사람 확정 지점 NEW
- S-15 가장 무거운 일은 전문 업무가 아니었다 — 에이전트 10종 NEW
🔧 하네스·에이전트·RAG 구축 (Lv3)
- G-1 삼성전자 GAUSS PM Agent: 효과적 설계로 주니어 PM 지원하기
- G-2 주니어 PM 위한 AI 하네스 구축 가이드
- G-4 삼성 DX 엔지니어를 위한 Codex 온보딩 — 하네스 & 개인 RAG
- G-5 나의 Agent 비서, 블록 12개로 조립한다 — 재사용 블록과 77%의 법칙
- G-6 내 업무를 맡길 AI 에이전트 — 6블록 설계와 PROFILE BIND
- CC-6 사내 지식을 RAG로 — 망분리·토큰0 6단계
- CC-4 내 노트 4만 개 검색 — LLM 직접 읽기 vs 전용 CLI, 하이브리드 5.5배
- CC-5 Obsidian 노트를 앱 없이 검색 — 오픈소스 byeori(벼리)
🧪 AI 개발·SDLC 실험 (Lv3)
⚖️ 모델·도구·맥 환경 실측 (Lv3)
- A-5 Fable 5와 보낸 첫 하루 — 모델 × 하네스 × RAG 실측 회고
- A-8 좋은 엔진은 없다, 맞는 엔진이 있다 — Codex/Sol vs Claude/Fable 5대 실전 비교
- CC-3 Opus xhigh 솔로 vs ultracode 멀티에이전트 — 작업유형별 A/B 실측
- A-6 맥은 이미 AI 워크스테이션 — 사진·노트·인박스 0원 정리
- A-7 Mac@Work 2026 — 맥 20년차의 도구 모음과 Agentic 카테고리
- G-3 대기업 직장인을 위한 AI Agent & Skill 추천 가이드 2026
- G-7 녹취 엔진 두 레인 — SpeechAnalyzer와 Alt, 코칭·컨설팅 6장면 판단표
🏛️ 공공·SI 사업관리 (Lv2–4)
관련 글 — Karpathy 사고 체계 시리즈
- 📘 K-1: 본 글 (2026-03-23) — 10년치 PM 자산을 ‘AI가 읽는 지식망’으로 바꾸는 4단계 전환법 (검색 30분→3초·600배).
- 📗 K-2: Karpathy의 LLM과 Obsidian 지식 결합 — Governed Autonomy의 실전 (2026-04-04) — Karpathy 3계층(Raw/Wiki/Schema)을 vault에 적용 — 4~9배 자동화·436 atom 자동 추출.
- 📕 K-6: Karpathy의 llm-wiki는 내 10년 obsidian-vault를 이길 수 있었나 — 30시간 RAG 실측 (2026-04-18) — 6쿼리 양방향 벤치마크 Vault 72 : llm-wiki 70 — 세 체계 비교의 데이터 토대.
- 📙 K-7: 구글 OKF로 다시 본 세 체계 비교 — 일반인 시작 가이드 (2026-06-21) — 구글 Open Knowledge Format 등장으로 본 세 체계 비교 + property·RAG 유용성 + 5단계 시작.