AI 딥 리서치 도구의 부상
2025년 2월, Google은 Gemini Advanced 내에 Deep Research를 출시했습니다. 이 기능은 다단계 리서치 계획을 수립하고, 수십 개의 웹 소스를 자율적으로 탐색하며, 인용이 포함된 종합 보고서를 생성합니다. 몇 주 내에 OpenAI도 ChatGPT Pro에 자체 딥 리서치 기능을 추가했고, Perplexity는 이미 몇 달간 리서치급 검색을 개선해 왔습니다.
이러한 도구들은 진정한 패러다임 전환을 나타냅니다. 학술 논문의 전통적인 문헌 리뷰는 40~80시간의 독서, 노트 작성, 종합이 필요할 수 있습니다. Google의 Deep Research는 10분 이내에 1차 문헌 요약을 생성할 수 있습니다. OpenAI 버전은 한 세션에서 100개 이상의 소스를 탐색하고, 초기 벤치마크에 따르면 리서치 스타일 평가에서 최상위 백분위에 해당하는 보고서를 생성할 수 있습니다.
하지만 출시 발표에서 강조하지 않는 점이 있습니다: 이러한 도구들은 제공하는 맥락의 질에 따라 근본적으로 다른 결과를 냅니다.
"AI가 교육에 미치는 영향을 조사해 줘"와 같은 모호한 프롬프트는 일반적인 개요만 생성합니다. 수개월의 독서를 바탕으로 구체적인 하위 질문, 연구자 이름, 개념 프레임워크를 포함한 프롬프트는 진정으로 유용한 결과를 만들어냅니다.
평범한 딥 리서치 출력과 뛰어난 출력의 차이는 모델이 아닙니다. 연구자가 축적해 온 맥락입니다.
출력 품질이 입력 품질에 좌우되는 이유
Pirolli와 Card의 정보 채집 이론(1999)은 AI 시대에도 유효한 원칙을 확립했습니다: 정보 검색의 가치는 검색자를 고가치 소스로 안내하는 단서인 "정보의 향기"에 달려 있다는 것입니다. 더 좋은 향기의 경로는 더 나은 채집 결과로 이어집니다.
AI 딥 리서치 도구도 같은 논리를 따릅니다. Gemini Deep Research나 ChatGPT의 리서치 모드에 프롬프트를 입력하면, 모델은 쿼리를 기반으로 검색 계획을 수립합니다. 쿼리가 풍부할수록 계획이 좋아지고, 하위 질문이 구체적일수록 검색되는 소스가 더 정확해집니다.
이것이 비대칭성을 만듭니다. 폭넓게 읽고 꼼꼼하게 주석을 달아온 연구자는 다음과 같은 프롬프트를 구성할 수 있습니다:
- 모델이 정확한 소스를 찾는 데 사용할 수 있는 구체적인 전문 용어
- 검색의 기준점이 되는 연구자 이름과 논문명
- 분석을 구조화하는 개념 프레임워크
- 모델을 표면적인 요약 너머로 이끄는 모순점과 미해결 질문
이러한 사전 작업을 하지 않은 연구자는 잘 작성된 Wikipedia 요약에 해당하는 결과를 받게 됩니다. 유능하지만 경쟁력은 없습니다.
Andrej Karpathy는 리서치 워크플로우에 대한 논평에서 이 역학의 한 측면을 설명했습니다: AI 도구에서 가장 많은 가치를 끌어내는 사람은 출력을 평가하고, 방향을 전환하고, 개선할 수 있는 지식을 이미 갖춘 사람입니다. 도구는 가속하는 것이지, 기반이 되는 지식을 대체하는 것이 아닙니다.
이것이 일상적인 독서 습관이 AI 시대에 덜 중요한 것이 아니라 더 중요한 이유입니다. 축적된 하이라이트, 노트, 주석이 진정으로 차별화된 리서치를 만드는 프롬프트의 원재료가 됩니다.
하이라이트 우선 리서치 방법론
대부분의 사람들은 리서치를 독립된 활동으로 생각합니다: 앉아서 질문을 정의하고, 소스를 검색하고, 읽고, 노트를 작성하고, 글을 씁니다. 이 모델은 리서치를 시작 날짜가 있는 프로젝트로 가정합니다.
하이라이트 우선 방법론은 이를 뒤집습니다. 리서치는 일상적인 독서 습관이 미래의 리서치 프로젝트에 공급하는 지속적인 프로세스가 됩니다. 워크플로우는 5단계로 구성됩니다:
- 수집: 웹, YouTube, PDF, 도서를 읽으면서 하이라이트하고 주석 달기
- 정리: 하이라이트를 태그 지정, 분류하고 주제와 테마로 연결하기
- 분석: AI를 사용하여 하이라이트를 질의하고, 패턴을 감지하고, 연결점을 발견하기
- 종합: 여러 소스의 인사이트를 일관된 논증이나 프레임워크로 결합하기
- 출력: 종합된 인사이트를 글, 보고서, 프레젠테이션 또는 추가 연구 질문으로 변환하기
핵심 인사이트: 1단계와 2단계는 일상적인 독서 중에 지속적으로 이루어집니다. 리서치 코퍼스를 구축하기 위해 "리서치를 하고 있을" 필요가 없습니다. 읽는 모든 기사, 보는 모든 YouTube 동영상, 표시하는 모든 Kindle 구절이 미래의 딥 리서치를 위한 잠재적 입력이 됩니다.
이것은 생산적인 연구자들이 실제로 일하는 방식과 일치합니다. 다작하는 학자들에 대한 연구에 따르면, 그들은 여러 프로젝트에 동시에 공급하는 지속적인 독서 및 주석 습관을 유지합니다. 리서치에서의 "아하!" 순간은 종종 일상적인 독서에서 만난 아이디어와 정식 리서치 프로젝트의 질문을 연결하는 데서 나옵니다.
1단계 - 중요한 모든 것을 캡처하기
첫 번째 단계는 마찰이 적은 캡처 시스템을 만드는 것입니다. 하이라이팅에 2초 이상의 노력이 필요하면 꾸준히 하지 않게 됩니다. 최고의 캡처 시스템은 정보를 접하는 모든 곳에서 작동합니다.
웹 기사와 블로그. Glasp 웹 하이라이터를 사용하면 어떤 웹페이지의 어떤 구절이든 한 번의 클릭으로 하이라이트할 수 있습니다. 하이라이트는 Glasp 프로필에 저장되고, 검색 가능하며, 같은 페이지를 읽는 다른 사용자에게도 보입니다. 이것이 대부분의 연구자에게 주요 캡처 수단입니다.
YouTube 동영상. YouTube Summary는 전체 자막을 생성하고 특정 구간을 하이라이트할 수 있게 해줍니다. 동영상 콘텐츠(컨퍼런스 발표, 강의, 인터뷰)를 다루는 연구자에게 일시적인 오디오를 영구적이고 검색 가능한 텍스트로 변환합니다.
도서와 Kindle. Kindle 하이라이트는 Glasp으로 직접 가져올 수 있어, 도서 주석과 웹 하이라이트를 하나의 검색 가능한 코퍼스에 통합합니다. 이것은 Kindle 노트가 Amazon의 생태계에 갇히는 오랜 문제를 해결합니다.
PDF와 학술 논문. PDF 주석 도구도 같은 파이프라인에 공급할 수 있습니다. 목표는 소스 형식에 관계없이 모든 하이라이트 자료가 존재하는 단일 저장소입니다.
무엇을 캡처해야 하는가. 모든 것이 하이라이트할 가치가 있는 것은 아닙니다. 다음에 집중하세요:
- 구체적인 데이터나 연구로 뒷받침되는 주장
- 나중에 참조할 수 있는 개념의 정의
- 자신이 가진 입장에 대한 반론
- 응용할 수 있는 방법론 기술
- 자신이 다시 표현하는 것보다 더 잘 아이디어를 표현하는 인용문
무엇을 하이라이트할지 결정하는 규율 자체가 능동적 독서의 한 형태입니다. 주석에 관한 연구(주석하는 방법 가이드 참조)는 선택적 하이라이팅이 수동적 독서에 비해 이해력과 기억력을 향상시킨다는 것을 일관되게 보여줍니다.
2단계 - 의도를 가지고 정리하기
정리되지 않은 원시 하이라이트는 시스템이 아니라 더미에 불과합니다. 두 번째 단계는 캡처한 자료를 질의 가능하고 탐색 가능한 것으로 변환합니다.
태그와 주제. 하이라이트를 생성할 때 태그를 지정하세요. 효과적인 태그 지정은 다음의 조합을 사용합니다:
- 주제 태그: 주제 영역 (예: "정보 채집", "체계적 리뷰", "LLM 평가")
- 프로젝트 태그: 이것이 공급할 리서치 프로젝트나 글 (예: "Q2-보고서", "논문-3장")
- 유형 태그: 인사이트의 종류 (예: "방법론", "데이터 포인트", "반론", "정의")
원자적 노트. 하이라이트에서 생각이 떠오르면 옆에 간단한 노트를 작성하세요. 이러한 노트는 하이라이트 자체보다 더 가치가 있습니다. 왜냐하면 소스 자료만이 아니라 당신의 해석을 담고 있기 때문입니다. 한 문장의 코멘트라도("이것은 Smith의 2023년 인출 연습에 관한 발견과 모순된다") 미래의 종합을 위한 연결점이 됩니다.
컬렉션과 그룹핑. 관련 하이라이트를 연구 질문이나 주제별로 정리한 컬렉션으로 그룹화하세요. 이렇게 하면 AI 분석 도구에 직접 제공할 수 있는 사전 조립된 소스 번들이 만들어집니다.
조직화에 대한 투자는 복리로 돌아옵니다. 적절히 태그가 지정된 500개의 하이라이트 코퍼스는 태그가 없는 5,000개보다 훨씬 더 유용합니다. 그리고 정리하는 행위 자체가 자료에 대한 재참여를 강제하여 기억 공고화를 강화합니다.
지식을 정리하기 위한 더 깊은 프레임워크는 개인 지식 관리와 세컨드 브레인 구축 가이드를 참조하세요.
3단계 - AI로 분석하기
여기서 AI가 워크플로우를 혁신합니다. 하이라이트와 노트의 정리된 코퍼스가 있으면, 수동으로는 몇 시간이 걸릴 인사이트를 AI로 추출할 수 있습니다.
하이라이트 질의. Glasp의 AI 채팅을 사용하면 저장된 하이라이트에 대해 직접 질문할 수 있습니다. 제로 맥락으로 AI에 프롬프트를 입력하는 대신, 수개월 또는 수년간 큐레이션된 자료로 프롬프트를 입력하게 됩니다. 질의 예시:
- "성인 학습자를 위한 간격 반복의 효과에 대해 내 하이라이트가 뭐라고 하나요?"
- "소셜 미디어가 주의력에 미치는 영향에 대해 내 소스들 간의 모순점을 찾아주세요."
- "내가 하이라이트한 연구 중 무작위 통제 시험을 사용한 것은 어떤 것인가요?"
패턴 감지. AI는 인간이 놓치는 대규모 코퍼스 전반의 패턴을 찾는 데 탁월합니다. 특정 주제에 대한 하이라이트를 LLM에 제공하고 반복되는 주제, 이상치적 입장, 문헌의 공백을 식별하도록 요청하세요. 이것은 질적 연구의 "코딩" 단계와 기능적으로 동등하지만, 며칠이 아닌 몇 분 만에 완료됩니다.
인용 매핑. 서로를 인용하는 여러 논문에서 구절을 하이라이트했다면, AI는 인용 네트워크를 재구성하고 놓쳤을 수 있는 기초 논문을 식별하는 데 도움을 줄 수 있습니다. 이것은 새로운 분야에 진입하는 연구자에게 특히 가치가 있습니다.
비판적 평가. 하이라이트 전반의 증거 강도를 평가하도록 AI에 요청하세요. 어떤 주장이 대규모 RCT로 뒷받침되는가? 어떤 것이 자기 보고 설문에 의존하는가? 어떤 것이 순수하게 이론적인가? 이러한 증거 계층화는 수동으로 하기에는 지루하지만, 구조화된 입력으로 작업하는 LLM에게는 간단합니다.
핵심: AI는 전체 인터넷이 아니라 당신이 큐레이션하고 사전 필터링한 자료로 작업합니다. 이것은 범용 딥 리서치 쿼리보다 더 집중되고 관련성 높은 분석을 만들어냅니다.
4단계 - 소스를 넘나들며 종합하기
종합은 리서치가 독창적 기여가 되는 단계입니다. 여러 소스의 인사이트를 새로운 논증, 프레임워크, 관점으로 결합하는 과정입니다.
소스 간 연결. 가장 가치 있는 리서치 인사이트는 영역을 넘나드는 아이디어의 연결에서 나옵니다. 인지 심리학의 발견과 조직 행동학의 사례 연구, 컴퓨터 과학의 방법론을 결합하면 어느 분야 하나만으로는 생성할 수 없는 것이 만들어집니다. 다분야에 걸친 하이라이트가 이런 종류의 종합을 가능하게 합니다.
프레임워크 구축. 분석된 하이라이트를 사용하여 개념 프레임워크를 구축하세요. 예를 들어, 교육에서의 AI에 대한 하이라이트가 일관되게 세 가지 주제(인지적 오프로딩, 개인화된 튜터링, 평가 혁신)로 모인다면, 그 군집화 자체가 명확히 서술할 가치가 있는 프레임워크입니다.
공백 식별. 당신의 소스가 제기하지만 답하지 않는 질문은 무엇인가요? 서로 다른 연구자가 의견이 다른 곳은 어디이며, 그 불일치를 해결할 증거는 무엇인가요? 이러한 공백이 당신의 독창적 연구 질문이나 문헌 리뷰에서 가장 가치 있는 부분이 됩니다.
내러티브 구성. 리서치 결과물에는 내러티브 전개가 필요합니다. 종합은 어떤 인사이트를 전면에 내세우고, 어떤 것을 보조 증거로 사용하고, 어떤 것을 제외할지 결정하는 것입니다. AI는 내러티브 구조를 제안할 수 있지만, 어떤 이야기를 할지에 대한 편집적 판단은 여전히 인간의 기술입니다.
이 단계는 많은 소스에 걸친 하이라이트를 보유할 때 엄청난 혜택을 받습니다. 한 주제에 대해 5개의 기사만 읽었다면 종합 옵션이 제한됩니다. 6개월간의 지속적인 독서로 50개의 기사를 하이라이트했다면 조합의 가능성이 풍부합니다. 이것이 꾸준한 하이라이팅의 복리 수익입니다.
5단계 - 리서치 결과물 만들기
마지막 단계는 종합된 인사이트를 결과물로 변환하는 것입니다. 형식은 상황에 따라 다르지만 워크플로우는 일관됩니다.
블로그 글과 기사. 공개 콘텐츠의 경우, 4단계의 종합이 구조를 제공합니다. 하이라이트가 증거, 인용문, 출처를 제공합니다. AI는 초안 작성을 도울 수 있지만, 논증의 설계는 축적된 독서에서 나옵니다. 하이라이트를 내보내서 여러 형식(Markdown, CSV, 일반 텍스트)으로 원하는 글쓰기 도구에 직접 제공할 수 있습니다.
학술 논문과 문헌 리뷰. 정리되고 분석된 하이라이트 코퍼스는 문헌 리뷰의 구조(주제, 하위 주제, 증거 평가, 공백 식별)에 직접 매핑됩니다. 전통적으로 몇 주간의 노트 카드 정리가 필요했던 작업이, 하이라이트가 이미 태그 지정, 분석, 종합되어 있으면 크게 가속될 수 있습니다.
보고서와 프레젠테이션. 비즈니스 리서치에서는 학술적 발견을 실행 가능한 권고 사항으로 변환하는 것이 자주 요구됩니다. 하이라이트 우선 워크플로우는 특정 증거와 그로부터 도출된 결론 사이의 연결을 유지함으로써 이를 지원합니다. 보고서의 모든 주장이 하이라이트된 소스로 연결될 수 있습니다.
추가 연구 질문. 때때로 가장 가치 있는 결과물은 완성된 문서가 아니라 다음 조사 라운드를 위한 정제된 질문 세트입니다. 4단계에서 식별된 공백이 AI 딥 리서치 도구의 시작 프롬프트가 되어 선순환을 만듭니다.
전통적 리서치 vs AI 기반 리서치 워크플로우
전통적 리서치와 AI 강화 리서치의 차이를 이해하면 실질적인 시간 절약이 어디서 발생하는지 명확해집니다.
| 단계 | 전통적 워크플로우 | AI 기반 워크플로우 |
|---|---|---|
| 소스 발견 | 데이터베이스 검색, 인용 추적, 수동 브라우징 (수일) | AI 딥 리서치가 몇 분 만에 50개 이상의 소스 스캔, 하이라이트를 통한 수개월의 유기적 발견과 결합 |
| 독서와 주석 | 인쇄, 독서, 수기 노트 (수주) | 웹/PDF/Kindle에서 직접 하이라이트, 소스에 노트 첨부 (지속적, 적은 노력) |
| 정리 | 물리적 노트 카드, 스프레드시트 또는 참고문헌 관리 도구 (수시간) | 태그, 주제, 컬렉션과 검색 및 AI 질의 (세션당 수분) |
| 분석 | 수동 코딩, 주제 분석, 증거 표 (수일~수주) | 하이라이트 코퍼스 전반의 AI 패턴 감지 (수분~수시간) |
| 종합 | 개요 작성, 초안, 재구성 (수일) | 인간의 편집 통제하에 AI 지원 프레임워크 구축 (수시간) |
| 집필 | 노트에서 초안 작성, 소스 확인 (수일~수주) | 내보낸 하이라이트와 종합에서 AI 지원 초안 작성 (수시간~수일) |
| 문헌 리뷰 총계 | 40~80시간 | 10~20시간 (지속적인 하이라이트 축적 추가) |
AI 기반 워크플로우는 어떤 단계도 제거하지 않습니다. 각 단계를 압축합니다. 그리고 결정적으로, 투자를 앞당깁니다: 일상적으로 하이라이팅하는 습관 덕분에 리서치 프로젝트를 시작할 때 이미 작업할 자료가 있습니다.
가장 큰 혜택을 받는 연구자는 연구 질문이 구체화되기 몇 달 전부터 하이라이트를 수집해 온 사람입니다. 그들은 제로에서 시작하지 않습니다. 어떤 단일 검색 세션도 제공할 수 없는, AI 도구에 더 나은 맥락을 제공하는 큐레이션되고, 주석이 달리고, 검색 가능한 코퍼스에서 시작합니다.
소셜 리서치와 커뮤니티 하이라이트
리서치는 언제나 사회적이었습니다. 인용 네트워크, 동료 심사, 학술 컨퍼런스, 저널 클럽 모두 어떤 개인도 자기 분야에 관련된 모든 것을 읽을 수 없기 때문에 존재합니다. AI는 이를 바꾸지 않습니다. 증폭시킵니다.
Glasp의 커뮤니티는 하이라이트 우선 워크플로우에 소셜 차원을 추가합니다. 기사를 읽을 때 같은 페이지에서 다른 독자들이 하이라이트한 내용을 확인할 수 있습니다. 이를 통해 다음이 드러납니다:
- 놓친 구절. 다른 독자들은 종종 당신이 넘긴 부분을 하이라이트합니다. 그들의 주의가 당신의 주의가 놓친 것을 잡아내는 필터 역할을 합니다.
- 대안적 해석. 어떤 구절이 서로 다른 사람들에게 공감을 주는지 보면 같은 소스가 여러 논증을 지원한다는 것이 드러납니다.
- 전문가의 큐레이션. 자신의 분야 연구자를 팔로우하면 전문적 판단으로 필터링된 지속적으로 업데이트되는 읽기 목록을 얻게 됩니다.
- 합의 신호. 많은 독자가 독립적으로 같은 구절을 하이라이트하면, 그 구절에 핵심 인사이트나 논란이 되는 주장이 포함되어 있다는 강한 신호입니다.
이것은 정보 채집 이론과 연결됩니다. Pirolli와 Card의 프레임워크는 사람들이 관련 자료를 찾기 위해 "정보의 향기"를 따른다고 설명합니다. 커뮤니티 하이라이트는 향기의 경로를 증폭시킵니다. 무엇이 중요한지에 대한 자신만의 감각에만 의존하는 대신, 수백 명의 독자의 집단적 주의로부터 혜택을 받습니다.
연구자에게 이 소셜 레이어는 소스 발견 단계에서 특히 가치가 있습니다. 데이터베이스 검색이나 AI 생성 소스 목록에만 의존하는 대신, 분야 전문가의 하이라이팅 활동을 추적할 수 있습니다. 자신의 분야에서 존경받는 연구자가 기사를 하이라이트했다면 읽을 가치가 있을 가능성이 높습니다.
소셜 차원은 종합에도 도움이 됩니다. 다른 사람들이 같은 소스를 어떻게 해석하는지 보면 자신의 가정에 도전하고 대안적 프레임워크를 제안할 수 있습니다. 이것은 세미나 토론의 디지털 버전이지만, 비동기적이고 확장 가능합니다.
집단적 독서가 어떻게 이해를 깊게 하는지에 대해서는 AI와 학습 기사를 참조하세요.
자주 묻는 질문
특정 AI 딥 리서치 도구를 사용해야 하나요?
아닙니다. 여기서 설명한 워크플로우는 도구에 구애받지 않습니다. Google Gemini Deep Research, OpenAI의 딥 리서치, Perplexity Pro 및 기타 도구들 모두 더 나은 입력 맥락으로부터 혜택을 받습니다. 핵심 변수는 축적된 하이라이트의 질과 정리이지, 어떤 AI가 출력을 생성하느냐가 아닙니다. 다만, 각 도구에는 강점이 있습니다: Gemini는 Google의 검색 인덱스와의 통합에 뛰어나고, OpenAI 버전은 더 긴 다단계 추론을 처리하며, Perplexity는 실시간 소스 인용을 제공합니다.
이 워크플로우가 유용해지려면 하이라이트가 몇 개 필요한가요?
엄격한 최소치는 없지만, 특정 주제에 대해 100~200개의 하이라이트 정도에서 가치가 눈에 띄게 상승합니다. 그 규모에서 AI 분석이 비자명한 패턴과 연결을 발견하기 시작합니다. 그 이하에서는 수동 리뷰로 보통 충분합니다. 중요한 것은 일관성입니다: 주당 10개의 하이라이트를 6개월간 유지하는 것이 주말에 300개를 한 번에 하이라이트하는 것보다 더 유용합니다. 전자가 문헌에 대한 진정한 지속적 참여를 반영하기 때문입니다.
이 워크플로우가 공식적인 체계적 리뷰 방법론을 대체할 수 있나요?
완전히는 아닙니다. 공식적인 체계적 리뷰(Cochrane 방식)는 사전 등록된 프로토콜, 철저한 데이터베이스 검색, 표준화된 품질 평가가 필요합니다. AI 기반 하이라이트 워크플로우는 서술적 리뷰, 탐색적 리서치, 전문가용(비학술적) 지식 종합에 가장 적합합니다. 그러나 정리된 하이라이트 코퍼스는 특히 스크리닝 및 데이터 추출 단계에서 체계적 리뷰의 초기 단계를 크게 가속화할 수 있습니다.
AI가 내 하이라이트를 분석할 때 확증 편향을 어떻게 피하나요?
이것은 실제 위험입니다. 하이라이트에는 이미 당신의 독서 선택과 주의 편향이 반영되어 있습니다. AI 분석은 이러한 편향을 증폭시킬 수 있습니다. 완화책으로는: 반론과 공백을 명시적으로 AI에 식별하도록 요청하기, Glasp에서 다른 관점을 가진 연구자를 팔로우하기, 기존 프레임워크에 도전하는 소스를 정기적으로 리뷰하기, AI 딥 리서치 도구를 사용하여 작업 가설에 반하는 증거를 구체적으로 검색하기가 있습니다.
이것은 Zotero 같은 참고문헌 관리 도구를 사용하는 것과 어떻게 다른가요?
참고문헌 관리 도구는 논문을 정리합니다. 이 워크플로우는 인사이트를 정리합니다. Zotero는 어떤 논문을 읽었는지와 그 메타데이터를 추적합니다. 하이라이트 기반 워크플로우는 모든 소스 유형(학술 논문뿐만 아니라)에 걸쳐 어떤 구체적인 아이디어, 데이터 포인트, 논증에 가치를 발견했는지 추적합니다. 둘은 보완적입니다: Zotero는 서지 관리에, 하이라이트는 지식 관리에 사용합니다.
결론
AI 딥 리서치 도구의 등장은 오해를 만들었습니다: 누구나 채팅 상자에 질문을 입력하기만 하면 리서치 수준의 분석을 만들 수 있다는 오해입니다. 실제로 이러한 도구는 바닥(기본적인 요약은 누구나 접근 가능)을 끌어올리는 동시에 천장(잘 준비된 연구자는 훨씬 더 나은 결과를 만들 수 있음)도 끌어올렸습니다.
차별화 요소는 AI 접근성이 아닙니다. 누구나 그것을 가지고 있습니다. 차별화 요소는 AI에 가져오는 축적된 맥락, 즉 수개월의 의도적인 독서를 통해 구축한 하이라이트, 주석, 태그, 노트, 개념 프레임워크입니다.
이것이 일상적인 하이라이팅 습관을 구축하는 것이 중요한 이유입니다. 읽는 모든 기사, 주석을 다는 모든 YouTube 동영상, 표시하는 모든 Kindle 구절이 미래의 리서치 역량에 대한 투자입니다. 5단계 워크플로우(수집, 정리, 분석, 종합, 출력)가 그 투자에 구조와 수익을 제공합니다.
작게 시작하세요. Glasp 웹 하이라이터를 설치하고 이미 읽고 있는 기사를 하이라이트하기 시작하세요. 주제별로 태그를 지정하세요. 몇 주 후, AI로 하이라이트를 질의해 보세요. 잊었다고 생각했던 자료에서 떠오르는 것에 놀라게 될 것입니다.
AI 시대에 성공할 연구자는 최신 도구를 가장 빠르게 채택하는 사람이 아닙니다. 가장 풍부하고, 가장 잘 정리된 지식 기반을 하이라이트 하나하나 조용히 구축해 온 사람입니다.