‘Tools for Thought’가 부족한 이유
지난 10년간 지식 노동자에게 쏟아진 비유들은 그야말로 폭설이었습니다. Second Brain, 디지털 정원, Zettelkasten, 개인 위키, 메멕스(memex). 모두가 올바른 도구와 올바른 폴더 구조만 갖추면 읽기를 사고로, 사고를 산출물로 바꿔준다고 약속했습니다.
하지만 그렇게 잘 되지는 않았습니다. 정교한 Notion 워크스페이스를 갖춘 사람들도 여전히 "읽은 게 하나도 기억나지 않는다"라고 느낍니다. Obsidian 볼트는 고아 노트들의 외로운 도시로 자라납니다. How to Take Smart Notes를 다 읽은 바로 그 사람이, 멋쩍은 표정으로, 정작 그 ‘smart notes’는 한 번도 써본 적이 없다고 고백합니다.
문제는 도구에 있지 않습니다. 문제는 도구가 한 단계 너무 낮은 곳에 자리잡고 있다는 것입니다. Tiago Forte의 CODE 메서드, Sönke Ahrens의 슬립박스, Andy Matuschak의 evergreen notes는 모두 유용한 패턴입니다. 하지만 이것들은 "이 아이디어를 어디에 넣을까?", "어떻게 다른 아이디어와 연결할까?" 같은 질문에 답합니다. 그보다 더 어렵고 앞선 질문에는 답하지 않습니다. 도대체 나는 무엇을 읽어야 하는가? 내가 더 똑똑해지고 있다는 것을 어떻게 알 수 있는가? 이 모든 것을 가지고 나는 무엇을 할 것인가?
이것들은 도구의 문제가 아니라 시스템의 문제입니다. 그리고 이를 시스템 문제로 다루지 않는 한, 어떤 앱 업그레이드로도 해결되지 않습니다. Evernote에서 Notion으로, Notion에서 Obsidian으로, 다시 Capacities로 옮겨가도, 그 아래의 학습 생활은 예전과 똑같이 흩어져 있을 수 있습니다.
이 글이 제안하는 전환은 작지만 그 결과는 큽니다. 더 나은 노트 앱을 찾는 일을 멈추세요. 그 대신 Learning OS를 설계하기 시작하세요. 어떤 노트 앱, 강의, 또는 AI 도구도 그 위에서 돌아가는 운영체제를 말입니다. 모든 운영체제처럼 여기에도 계층이 있습니다. 그리고 모든 운영체제처럼, 직접 설계하지 않은 것은 그저 물려받게 됩니다. 인터넷 공개망에서 물려받는 기본값은 가혹합니다.
Learning OS의 6개 계층
Learning OS는 정보를 역량으로 바꾸는 아키텍처입니다. 6개 계층으로 이루어져 있고, 각 계층은 서로 다른 역할을 맡으며, 각자 고유한 설계 선택과 실패 양상을 가집니다.
+----------------------------------+
| 6. Feedback (does this work?) | <- adapt the OS
+----------------------------------+
| 5. Output (what do I make?) |
+----------------------------------+
| 4. Memory (what stays?) |
+----------------------------------+
| 3. Synthesis (what connects?) |
+----------------------------------+
| 2. Engagement (how do I read?) |
+----------------------------------+
| 1. Inputs (what gets in?) |
+----------------------------------+
정보는 스택 위로 흐릅니다. 피드백은 다시 아래로 흐릅니다. 아래 계층은 그 위의 모든 것을 제약합니다. 입력 계층이 오염되면, 아무리 영리한 링크 구조를 갖추더라도 종합은 망가집니다. 위쪽 계층은 아래 계층의 문제를 드러냅니다. 산출 계층이 비어 있다면, 자신의 ‘기억’이 얼마나 얕은지 결코 알 수 없습니다.
진행하면서 다시 돌아올 수 있는 간단한 지도입니다.
| 계층 | 설계 질문 | 흔한 실패 | AI의 역할 | Glasp 기능 |
|---|---|---|---|---|
| 1. 입력 | 이번 분기에 내 주의를 받을 가치가 있는 것은 무엇인가? | 알고리즘이 짠 우연한 커리큘럼, doomscrolling | 필터링, 요약, 중복 제거 | YouTube Summary |
| 2. 참여 | 나는 능동적으로 읽고 있는가, 수동적으로 읽고 있는가? | 훑고 잊어버리기 | 질문 생성, 어려운 구절 설명 | Glasp의 웹 하이라이터 |
| 3. 종합 | 새로운 아이디어가 기존 아이디어와 어떻게 연결되는가? | 고아 노트, 지도 없음 | 이웃 아이디어 표면화, 비유 초안 작성 | Glasp의 AI 채팅 |
| 4. 기억 | 다음 달에도 살아남는 것은 무엇인가? | 망각 곡선이 승리 | 인출 프롬프트, 다시 보여주기 | Glasp의 AI 채팅 |
| 5. 산출 | 나는 이것으로 무엇을 만들고 있는가? | 읽기만 하는 삶 | 초안, 비판, 스캐폴드 | 커뮤니티 |
| 6. 피드백 | OS 자체가 작동하고 있는가? | 신념을 결코 갱신하지 않음 | 회고 프롬프트, 패턴 탐지 | Glasp의 AI 채팅 |
이 글의 나머지 부분은 각 계층을 차례로 자세히 살펴봅니다. 목표는 체크리스트를 주는 것이 아니라, 그동안 운명처럼 받아들였던 학습 생활의 부분들을 재설계할 수 있는 어휘를 제공하는 것입니다.
계층 1: 입력(Inputs)
정의. 입력 계층은 처음부터 무엇이 여러분의 주의에 도달하느냐를 결정합니다. 어떤 피드, 어떤 책, 어떤 사람, 어떤 플랫폼, 어떤 검색 쿼리, 어떤 강의 말입니다. 이것은 여러분의 정보 식단입니다.
흔한 실패 양상. 대부분의 지식 노동자에게는 입력 계층이 없고, 그저 잔여물만 있습니다. Twitter, YouTube, LinkedIn, Slack이 들이미는 무엇이든 기본값으로 ‘커리큘럼’이 됩니다. 알고리즘이 전공을 골라준 셈입니다. 이는 "올해 의도적으로 배우기로 한 주제는 무엇인가?"라고 묻기 전까지는 보이지 않습니다. 정직한 답은 보통 "없다, 그냥 계속 클릭했을 뿐이다"입니다.
설계 원칙.
- 출처가 아니라 주제로 큐레이션하세요. 이번 분기에 다룰 영역을 3~5개 고르세요. 그 주제에 봉사하지 않는 것은 식사가 아니라 간식입니다.
- 깊이는 장문 콘텐츠, 표면 스캔은 단문 콘텐츠를 기본으로 하세요. 기초는 책과 논문, 최신 동향은 팟캐스트와 YouTube, 소셜 피드는 정찰병 수준의 신호로만 사용하세요.
- 출처를 다양화하세요. 상위 10개 소스가 모두 같은 전제를 공유한다면, 학습이 아니라 강화되고 있는 것입니다. Cal Newport는 이를 slow media diet라고 부릅니다. 이름은 무엇이든 좋지만, 그 규율 자체는 실재합니다.
- 새로움보다 신호 밀도를 우선하세요. 평범한 신간을 한 번 읽는 것보다 좋은 책을 다시 읽는 편이 더 낫습니다. Charlie Munger가 수십 년간 강조해 온 점입니다.
AI의 역할. AI는 압축과 분류에 가장 능합니다. 좋은 요약기는 90분짜리 강연을 4분짜리 브리프로 바꿔주어, 정작 시간을 들여 볼 가치가 있는지 판단하게 해줍니다. 위험은 요약이 대체물이 되는 데 있습니다. 요약은 누군가가 무엇을 말했는지는 알려주지만, 그가 어떻게 사고하는지는 거의 알려주지 못합니다. AI를 깔때기를 넓히는 데 사용하되, 이해를 좁히는 데 사용하지는 마세요.
이 계층에서의 Glasp. Glasp의 웹 하이라이터와 YouTube Summary는 입력 계층의 정문 역할을 합니다. 요약 기능은 긴 영상을 미리보기로 가늠하게 해줍니다. 하이라이터는 Kindle 하이라이트와 결합하여 책과 글의 신호를 한곳에서 검색할 수 있는 형태로 모읍니다. 핵심은 ‘기록을 위한 기록’이 아닙니다. 입력 계층이 자신에게 가독되는(legible) 형태가 되어, 자신이 무엇을 먹이고 있는지 직접 볼 수 있게 된다는 점이 핵심입니다.
무엇을 정리할지보다 무엇을 배울지 고르는 법에 대해 더 알고 싶다면 Personal Curriculum을 참고하세요.
계층 2: 참여(Engagement)
정의. 참여란 자료가 눈앞에 놓였을 때 그것과 어떻게 상호작용하느냐입니다. 단순히 눈으로 받아 적고 있는가, 아니면 텍스트에 무언가를 하고 있는가의 문제입니다.
흔한 실패 양상. 학습으로 위장한 수동적 읽기입니다. 한 챕터를 끝내고 뿌듯한 기분을 느끼지만, 일주일 뒤에는 그 논증을 재구성하지 못합니다. K. Anders Ericsson은 Peak (2016)에서 naive practice(그저 행위만 반복함)와 deliberate practice(노력 집약적이고, 피드백이 풍부하며, 자기 한계를 살짝 넘어서는 연습) 사이에 분명한 선을 긋습니다. 읽기도 마찬가지입니다. 무심한 읽기와 의도적인 읽기가 있고, 그 차이는 그 순간이 아니라 몇 달 뒤에 드러납니다.
설계 원칙.
- 읽기 전에 질문을 던지세요. "왜 이 저자는 통념이 틀렸다고 생각할까?"처럼 막연한 질문이라도 좋습니다. 그래야 뇌에 걸이가 생깁니다. 질문이 없으면 관광객이고, 질문이 있으면 조사관입니다.
- 하이라이트는 수집이 아니라 약속입니다. 하이라이트는 변호할 수 있는 문장에만 붙이세요. 모든 것을 하이라이트하고 있다면 읽고 있는 게 아니라 음영을 칠하고 있는 것입니다.
- ‘왜’를 주석으로 남기세요. "Important"는 노트가 아닙니다. "Kahneman의 base rate 논의와 모순됨"은 노트입니다. 주석은 읽기가 사고로 바뀌는 지점입니다.
- 논증을 자기 말로 다시 도출해 보세요. Feynman 기법은 형식화되었든 아니든, 이해를 점검하는 가장 저렴한 테스트입니다.
AI의 역할. 이 계층에서 AI는 소크라테스식 파트너로서 빛납니다. 사전 질문 세 개를 만들어주거나, 막혔던 어려운 구절을 풀어 설명해주거나, 비판하기 전에 저자 입장을 가장 강하게 정리(steel-man)해줄 수 있습니다. 하지만 AI가 할 수 없는 것은 ‘씨름’입니다. 어려운 텍스트와 부딪치는 인지적 노동 자체가 곧 학습입니다. 이를 외주화하는 것은 학습을 단축하는 게 아니라 건너뛰는 것입니다. Robert와 Elizabeth Bjork의 desirable difficulties 연구(2011)는 이 점을 분명히 합니다. 학습이 너무 매끄럽게 느껴질 때 기억 유지율은 급락합니다. AI의 자연스러운 인력은 매끄러움을 향하기에, 참여 계층의 설계는 그에 저항해야 합니다.
이 계층에서의 Glasp. 웹과 Kindle에서의 하이라이팅과 주석 달기는 능동적 읽기의 핵심 동작입니다. Glasp의 AI 채팅은 하이라이트 옆에 붙어 있어, AI가 자료를 대체하는 것이 아니라 자료에 대해 질문을 던지도록 해줍니다. 채팅은 인터넷 일반이 아니라 여러분이 실제로 읽은 것에서 답변하므로, 씨름하는 자리에 머물게 해주지 그 옆에 비켜서 있게 만들지 않습니다.
능동/수동 구분에 대한 더 깊은 논의는 Active Recall을 참고하세요.
계층 3: 종합(Synthesis)
정의. 종합은 새로운 아이디어가 기존 아이디어와 짜여 들어가는 계층입니다. 사실들의 목록과 세계에 대한 모델 사이의 차이입니다.
흔한 실패 양상. 고아 노트(orphan notes)입니다. 하이라이트와 노트가 볼트 안에 쌓이지만 어떤 것도 서로 닿지 않습니다. 오래된 노트를 다시 봐도 알아보지 못합니다. 이 시스템은 기억은 있지만 신진대사는 없습니다. 저장은 하지만 소화는 하지 않는 것입니다.
설계 원칙.
- 장식이 아니라 의도로 연결하세요. 모든 링크는 "이 아이디어가 저 아이디어와 ___이기 때문에 관련됨"이라는 답을 내야 합니다. 그래프 미학을 위한 연결은 터틀넥을 입은 미루기일 뿐입니다.
- 유추를 연결성 테스트로 사용하세요. 새 개념을 이미 잘 아는 영역에 매핑할 수 있다면 이해한 것입니다. 그렇지 못하다면 라벨만 외운 것입니다.
- 더미가 아니라 지도를 만드세요. 한 달에 한 시간을 들여 하이라이트를 테마별로 묶는 일이, 1년 내내 캡처만 하는 루틴보다 더 많은 것을 만들어 냅니다.
- 의도적으로 영역을 넘나드세요. 가장 독창적인 아이디어는 분야들의 이음매에서 살아갑니다. 그 이음매를 위한 시간을 일정에 넣으세요.
AI의 역할. AI는 종합의 표면을 다루는 데 위험할 정도로 능합니다. 단 몇 초 만에 자신감 넘치는 어조로 "세 가지 프레임워크의 비교"를 만들어 줍니다. 함정은 이 산출물이 이해처럼 보이지만 정작 여러분의 머릿속에는 어떤 이해도 만들어 내지 못한다는 점입니다. AI는 연결을 제안하게 하고(이 하이라이트와 모순되는 다섯 개의 하이라이트를 내 라이브러리에서 골라줘), 평가는 본인이 직접 하세요. AI의 산출물은 완성된 사고가 아니라 후보 링크로 다루세요.
이 계층에서의 Glasp. 글, 책, YouTube 영상의 하이라이트가 한 라이브러리에 모이기에, 출처를 가로지르는 종합이 비로소 가능해집니다. Glasp의 AI 채팅은 그 라이브러리 전반에서 연결을 끌어내 초안을 만들 수 있지만, 받아들이고 거절하고 다시 도출하는 작업은 여러분에게 남습니다. 커뮤니티 피드는 종합의 두 번째 축을 더해줍니다. 같은 출처에서 다른 사람들이 무엇을 하이라이트했는지 보는 것만으로, 혼자서는 결코 만들지 못했을 독해가 종종 드러납니다.
종합을 습관으로 만드는 메커니즘에 대해서는 The Synthesis Loop를 참고하세요.
계층 4: 기억(Memory)
정의. 기억은 일주일, 한 달, 일 년이 지나도 살아남는 것입니다. "예전에 이걸 읽은 적이 있다"가 "이걸 활용할 수 있다"로 변환되는 과정입니다.
흔한 실패 양상. 인출 없는 캡처입니다. 하이라이트했으니 안다고 느끼지만, 실제로는 백지 상태에서 다시 떠올려본 적이 한 번도 없습니다. Henry Roediger와 Jeffrey Karpicke의 testing-effect 연구(2006년 이후)는 불편한 사실을 보여주었습니다. 자료를 다시 읽은 학생들은 더 많은 자신감을 느꼈지만, 자기 자신을 시험한 학생들보다 더 적게 기억했습니다. 자신감은 기억이 아닙니다. 인출이 기억입니다.
설계 원칙.
- 분산이 벼락치기를 이깁니다. Hermann Ebbinghaus의 망각 곡선은 민담이 아닙니다. 며칠과 몇 주에 걸쳐 분산된 연습은 기억 유지율을 배로 늘립니다.
- 움직임은 인출입니다. 책을 덮고 기억나는 것을 적어보는 것이, 같은 챕터를 두 번 다시 읽는 것보다 더 많은 일을 해냅니다.
- 수면은 시스템의 일부입니다. Matthew Walker는 Why We Sleep (2017)에서 분명히 했습니다. 통합(consolidation)은 밤 사이에 일어나며, 만성적으로 잠이 부족한 학습자는 주의를 들여 얻은 성과를 새고 있는 것과 같습니다. 기억은 책상에서만 만들어지지 않습니다.
- 오래된 자료를 일정에 맞춰 다시 띄우세요. 다시 보지 않는 것은 잃습니다. 문제는 다시 보기가 우연히(어쩌다 마주쳐서) 일어나는가, 설계에 의해(시스템이 보여주어서) 일어나는가입니다.
AI의 역할. AI는 인출의 경제학을 바꿉니다. Anki 식의 플래시카드는 한때 직접 프롬프트를 작성해야 했지만, 이제는 AI가 하이라이트로부터 합리적인 카드들을 1분 안에 만들 수 있습니다. 더 중요한 것은, AI 채팅이 인출 표면(retrieval surface) 이 될 수 있다는 점입니다. 질문을 던지면 라이브러리에서 답하고, 그 질문하는 행위 자체가 절반쯤만 기억나는 것을 또렷이 말로 표현하게 만듭니다. 그 발화가 그 자체로 인출 연습입니다. 위험은, 채팅이 너무 잘 답해버리면 묻기 전에 떠올려보려는 시도를 멈추게 되고, 기억 계층이 통째로 외주화된다는 점입니다. 해결책은 기술이 아니라 절차에 있습니다. 먼저 시도하고, 그다음에 묻습니다.
이 계층에서의 Glasp. 하이라이트는 웹 글, 책, 영상에 걸쳐 검색 가능한 상태로 남습니다. Glasp의 AI 채팅은 여러분이 실제로 읽은 자료에서 끌어와 답하는 회상 파트너가 되며, 오래된 하이라이트를 다시 띄워주는 기능은 별도의 플래시카드 덱을 유지하지 않아도 분산 학습을 자연스럽게 유도합니다.
독자가 기억 유지를 자신의 습관에 어떻게 녹여낼지에 대한 더 자세한 논의는 Spaced Repetition for Readers를 참고하세요.
계층 5: 산출(Output)
정의. 산출은 학습으로 만들어 내는 것입니다. 글쓰기, 가르치기, 만들기, 결정하기, 출시하기, 출시하지 않기로 결정하기. 학습이 증거가 되는 계층입니다.
흔한 실패 양상. 읽기만 하는 삶입니다. 라이브러리는 자라고 하이라이트는 쌓이지만, 시스템 밖으로는 아무것도 나가지 않습니다. 산출이 없으면 학습에 적합도 함수가 없습니다. 어떤 아이디어가 유용했는지, 어떤 것이 틀렸는지, 어떤 것을 사실 이해하지 못했는지 알려주는 것이 아무것도 없습니다. "읽으면서 똑똑해진 기분"과 "실제로 더 똑똑해진 것"을 혼동하게 됩니다.
설계 원칙.
- 입력이 본격화되기 전에 산출을 정의하세요. 어떤 주제를 배운다면, 6주차에는 무엇을 만들 것입니까? 에세이, 메모, 프로토타입, 결정, 강연? "그냥 나 자신을 위해 배울 뿐"은 "나는 결코 끝내지 않을 것이다"의 가장 흔한 변종입니다.
- 산출의 크기는 다양합니다. 트윗, 답글, 사내 메모, 일지 모두 포함됩니다. 기준은 발행 가능이 아니라 외부화입니다.
- 산출은 스트레스 테스트입니다. 깔끔한 한 단락을 쓰려고 시도하면, 훑어 지나갔던 빈틈이 강제로 드러납니다. Anne-Laure Le Cunff는 Tiny Experiments (2025)에서 각 산출을 명시적인 가설을 가진 작은 실험으로 봅니다. 출시함으로써, 그 주제에 대한 자신의 모델이 현실과의 충돌을 견디는지 확인하게 됩니다.
- 직접 가르쳐 보세요. 똑똑한 비전문가에게 5분 안에 설명할 수 없다면, 아직 손에 넣은 게 아닙니다. Richard Feynman의 직관은 옳습니다. 그의 이름이 붙은 기법이 때로 과대평가되더라도 말입니다.
AI의 역할. AI는 "아이디어가 있다"와 "초안이 있다" 사이의 거리를 압축합니다. 이는 진정으로 가치 있는 일입니다. 대부분의 산출을 망치는 활성화 에너지를 제거해주기 때문입니다. 위험은 AI 모양의 초안에는 AI 모양의 사고가 들어가 있다는 점입니다. 매끄럽고 평균적이지요. AI는 스캐폴드, 개요, 비판에 사용하세요. 논증의 척추, 특히 누군가와 의견이 갈리는 부분은 여러분이 직접 잡고 있어야 합니다.
이 계층에서의 Glasp. 커뮤니티 피드는 산출에 마찰이 적은 무대를 제공합니다. 하이라이트와 노트는 기본값으로 공개되어, 읽기를 작고 지속적인 산출 흐름으로 바꿔줍니다. 거기서부터 더 긴 글(에세이, 메모, 스레드)이 같은 라이브러리를 끌어다 씁니다. OS는 출시한 사람에게 보상을 줍니다. 이후에 그 흔적이 검색 가능해진다는 점에서 말입니다.
산출이 전체 스택을 작동하게 만드는 경첩인 이유에 대해서는 Building a Second Brain을 참고하세요.
계층 6: 피드백(Feedback)
정의. 피드백은 OS 자체를 갱신하는 계층입니다. 이렇게 묻습니다. 1~5계층의 선택들이 정말로 내가 원하는 학습을 만들어 내고 있는가? 아니면 그저 자동조종으로 같은 일을 반복하고 있는가?
흔한 실패 양상. 활동을 적응으로 착각하는 것입니다. 시간을 기록하고, 책을 다 읽고, 글을 발행합니다. 하지만 시스템 안 어디에서도 묻지 않습니다. 지난 분기의 입력 조합이 적절했는가? 더 많이 하이라이트한 것이 더 나은 사고로 이어졌는가, 아니면 그냥 더 많은 하이라이트로 끝났는가? 피드백 없이는 OS가 굳어지고, 점점 적은 보상으로 같은 일을 계속하게 됩니다.
Chris Argyris는 1977년 Harvard Business Review 논문 Double Loop Learning in Organizations에서 관련된 구분을 그어냈고, 이후 수년에 걸쳐 다듬었습니다.
- Single-loop learning은 기존 모델 안에서 오류를 수정합니다. 온도조절기가 정전 사례입니다. 방이 너무 차다는 것을 감지하고 난방을 올립니다. 목표(72°F) 자체는 의문에 부쳐지지 않습니다.
- Double-loop learning은 목표 자체를 의문에 부칩니다. 어쩌면 이 방, 이 계절, 이 가정에는 72°F가 잘못된 설정일 수 있습니다. 어쩌면 온도조절기의 위치가 잘못된 것일 수도 있습니다.
대부분의 지식 노동자는 자신에게 single-loop learning만 적용합니다. 더 많은 글을 더 효율적으로 읽는 데에 능숙해지지만, 정작 더 어려운 질문은 그 글들을 애초에 읽어야 하는가입니다.
| 루프 | 무엇을 바꾸는가 | 개인 사례 |
|---|---|---|
| Single-loop | 기존 목표 안에서의 전술 | "더 많이 기억하기 위해 아침 복습 30분을 추가한다." |
| Double-loop | 목표 또는 가정 자체 | "내가 왜 이 자료를 기억하려 하는가? 이게 정말 내가 깊게 파고 싶은 분야인가?" |
설계 원칙.
- 작업뿐 아니라 OS의 리뷰를 일정에 넣으세요. 한 달에 한 시간씩 "어떤 계층에서 무엇이 작동하지 않는가"를 묻는 것이, 연간 목표 설정보다 실제 결과에서 더 큽니다.
- 결과뿐 아니라 선행 지표도 추적하세요. 읽은 시간, 만든 하이라이트 수, 작성한 노트 수는 결과와 끊어져 있다면 허영 지표입니다. 결정이 더 좋아졌습니까? 글이 더 날카로워졌습니까? 함께 일하는 사람들이 알아챘습니까?
- 대수술이 아니라 작은 실험을 돌리세요. 여기서 Le Cunff의 프레이밍이 유용합니다. 한 가지 변수만 2주 동안 바꾸고, 관찰하고, 결정하세요. 통째로의 OS 재작성은 보통 너무 많은 것을 동시에 바꿔서 학습 자체가 불가능해지기 때문에 실패합니다.
- 제3자의 시선을 초대하세요. Argyris의 더 깊은 통찰은 인간이 자신의 가정을 방어한다는 점이었습니다. 우리는 자기 자신의 double-loop 오류를 거의 잡지 못합니다. 동료, 코치, 심지어 솔직한 AI 채팅도 그 루프를 끊을 수 있습니다.
AI의 역할. AI는 자신의 흔적 전반에서 패턴을 탐지하는 일에 능합니다. 올바른 방식으로 물으면("이번 분기에 내가 쓰고 읽은 것을 보고, 신경 쓴다고 주장은 했지만 실제로는 산출하지 않은 주제는 무엇인가?"), 불편한 격차를 빠르게 드러낼 수 있습니다. 이는 레버리지가 높지만 거의 활용되지 않는 영역입니다.
이 계층에서의 Glasp. 여러분의 하이라이트, 노트, 게시물은 시간에 걸친 종단적 흔적을 형성합니다. Glasp의 AI 채팅은 그 흔적을 여러 달에 걸쳐 심문할 수 있습니다. 어떤 출처가 실제로 마음을 바꾸었는지, 어떤 주제가 계속 등장하는지, 어떤 가정을 슬며시 포기했는지. 여러분이 묻는 만큼 OS는 자기인식을 갖추게 됩니다.
이 루프를 수년간 돌렸을 때의 복합 효과에 대해서는 Intellectual Compound Interest를 참고하세요.
Learning OS 안의 AI
흔한 실수 하나는 ‘AI’를 학습 생활 옆에 새로 갖다 붙이는 단일한 계층으로 다루는 것입니다. AI는 계층이 아닙니다. 모든 계층을 서로 다르게 강타하는 변환입니다. 옳은 질문은 "AI를 써야 하는가"가 아니라 "AI가 계층별로 무엇을 잘하고 무엇을 못하며, 어디에서 일을 옮기는가"입니다.
정직한 지도는 다음과 같습니다.
| 계층 | AI가 잘 처리하는 것 | 사람이 여전히 해야 하는 것 |
|---|---|---|
| 입력 | 필터링, 요약, 중복 제거, 라우팅 | 주제를 고르고, 취향을 판단하고, 식단을 정함 |
| 참여 | 어려운 구절 설명, 사전 질문 생성, 논증의 steel-man | 텍스트와 씨름하고, 혼란 속에 머물고, 무엇을 하이라이트할지 결정 |
| 종합 | 링크 제안, 비유 초안, 이웃 표면화 | 링크를 평가하고, 잘못된 것을 거절하고, 결과 모델을 머리에 담기 |
| 기억 | 인출 프롬프트 생성, 라이브러리에서 답변, 다시 띄울 일정 잡기 | 먼저 회상해 보기, 충분히 자기, 프롬프트를 정직하게 사용 |
| 산출 | 초안 스캐폴드, 구조 비판, 반론 제안 | 논증의 척추를 잡고, 입장을 취하고, 자기 이름으로 출시 |
| 피드백 | 흔적 전반에서 패턴 탐지, 격차 표면화, 회고 프롬프트 제시 | 무엇을 바꿀지 결정하고, 실험을 돌리고, 답을 받아들이기 |
두 가지 패턴이 반복됩니다. 첫째, AI는 각 계층의 대량, 저판단 부분에서 가장 강합니다. 분류, 스캐폴딩, 형식화 같은 일들입니다. 둘째, AI는 정확히 ‘씨름’이 본질인 부분에서 가장 약합니다. 하이라이팅, 묻기 전 회상, 입장 취하기 같은 것들입니다. Bjork의 desirable difficulties 원칙은 AI 사용을 위한 설계 원칙으로 변합니다. 학습을 만들어 내는 마찰을 도구가 제거한다면, 정작 그 도구를 쓰러 온 이유 자체를 최적화해 버린 셈입니다.
실용적 휴리스틱: AI는 분량을 다루고, 사람은 입장을 다룹니다. 판단이 빠진 분량 작업은 AI가 가장 잘하는 일입니다. 입장, 즉 "X는 옳고 Y는 틀렸으며 그 이유는 이렇다"라고 말하는 행위는 AI가 흉내 낼 수 있지만 실제로는 할 수 없는 일입니다. 이 분담을 존중하는 Learning OS는 더 빨라지면서도 여전히 자신의 것으로 남습니다. 그렇지 못한 OS는 더 빨라지면서, 자신의 계정을 통해 매개되는 인터넷 일반의 얇은 버전이 되어 갑니다.
판단을 내주지 않으면서 AI를 통합하는 법에 대한 더 깊은 논의는 Personal Context Management를 참고하세요.
흔한 실패 양상
Learning OS가 망가질 때는 보통 네 가지 중 하나로 망가집니다. 대부분의 사람은 지금 적어도 그 중 하나를 겪고 있습니다.
과잉 수집(Over-collecting). 라이브러리는 자라지만 다른 어떤 것도 움직이지 않습니다. 입력과 참여는 건강하지만, 종합은 얕고, 산출은 부재합니다. 해법은 단호합니다. 캡처 비율을 제한하고, 매주 "이걸로 무엇을 만들었는가?"를 강제로 묻는 프롬프트를 두세요. 4주 연속으로 답이 ‘아무것도 없음’이라면, 문제는 도구가 아니라 학습을 비축으로 바꿔버렸다는 사실입니다.
산출 단계 누락. 깊이 읽고, 사려 깊게 하이라이트하고, 출처를 가로지르며 종합하기까지 합니다. 그러나 시스템 밖으로는 아무것도 나가지 않습니다. 산출이 없으면 적합도 함수도, 이해의 시험도, 누적되는 작업 포트폴리오도 없습니다. 해법은 작은 반복적 산출에 약속하는 것입니다. 자신에게 보내는 주간 노트, 공개 하이라이트, 금요일 메모 같은 것들 말입니다. 크기보다 규칙성이 더 중요합니다.
피드백 루프 부재. 모든 분기가 지난 분기와 똑같이 보입니다. 주제는 표류하지만 다시 선택되지는 않습니다. 도구는 바뀌지만 습관은 그대로입니다. 활동이 진보처럼 느껴지기 때문에, 이 실패는 가장 오래 숨어 있습니다. 해법은 가장 단순하지만 가장 저항받는 것입니다. 한 달에 한 시간 OS 진단 시간을 잡으세요. 혼자, 또는 솔직한 누군가와 함께 말입니다.
새는 입력(Leaky inputs). 가장 비싼 실패입니다. 그 위의 모든 것을 오염시키기 때문입니다. 알고리즘이 읽기 목록을 고르도록 두면, 종합 계층은 충실하게 나쁜 자료를 나쁜 자료에 연결하고, 산출은 얕은 견해를 출시하며, 기억은 잡음을 보존합니다. 해법은 행동이 아니라 구조에 있습니다. 기본값을 바꾸세요. 피드를 차단하고, 장문 콘텐츠를 구독하고, 분기에 읽을 책을 미리 정해두세요. 주의를 빼앗도록 설계된 환경에서 의지력으로 빠져나올 수는 없습니다. 환경 자체를 다시 설계해야 합니다.
이 실패들이 사라지지 않는 이유는 각각이 그 안에서는 편안하기 때문입니다. 과잉 수집은 생산적인 느낌을 주고, 산출 건너뛰기는 평가를 피하게 해주며, 피드백 건너뛰기는 불편한 진실을 피하게 해주고, 새는 입력은 시류를 따라가는 듯한 기분을 줍니다. 여기서 적은 편안함이고, 답은 설계입니다.
현재의 Learning OS를 진단하고 재설계하는 방법
OS는 더 많은 도구를 도입해서 재설계되지 않습니다. 이미 가지고 있는 것을 들여다보고, 가장 약한 계층을 찾아내고, 한 가지를 바꿔서 재설계됩니다. 약 90분 정도 걸리는 다섯 단계 연습을 소개합니다.
1단계: 현재의 OS를 그려 보세요. 한 페이지 안에 6개 계층 각각과 지금 그 안에 실제로 들어 있는 것을 적어 보세요. 입력에는 지난 한 달 동안의 진짜 상위 10개 출처를 적습니다(이상이 아니라 실제로). 참여에는 평소에 어떻게 읽는지 적습니다(하이라이트했나? 주석 달았나? 훑었나?). 종합에는 고아 노트와 연결된 노트의 수를 세어 봅니다. 기억에는 지난 6개월 동안 읽은 아이디어 세 개를 떠올리고 그 논증을 회상해 봅니다. 산출에는 지난 분기에 외부로 실제로 출시한 모든 것을 적습니다. 피드백에는 학습 방식을 마지막으로 바꾼 것이 언제였는지 적습니다.
2단계: 각 계층에 1~5점을 매기세요. 5점은 "의도적으로 설계되어 내가 원하는 학습을 만들어 내고 있다"입니다. 1점은 "이에 대해 생각해 본 적이 없다"입니다. 너그럽게 채점하지 마세요. 자기 이미지 보호가 아니라, 가장 약한 계층을 찾는 것이 목적입니다.
3단계: 바닥을 찾으세요. 가장 낮은 점수를 받은 계층이 병목입니다. 그 바닥이 올라가기 전에는 위쪽 계층의 개선이 복합되지 않습니다. 새는 입력 위에 뛰어난 산출 단계를 얹으면 잡음이 증폭될 뿐이고, 수동적 참여 위에 더 나은 종합을 얹으면 표면적 이해를 장식할 뿐입니다.
4단계: 2주짜리 변화를 하나 고르세요. 다섯 개가 아닙니다. 하나입니다. 가장 약한 계층이 입력이라면, 2주 실험은 "장문 출처 두 개 구독, 단문 출처 열 개 언팔로우, 정오 전에는 Twitter 금지"가 될 수 있습니다. 산출이라면 "매일 공개 하이라이트 하나 출시"가 될 수 있습니다. 피드백이라면 "오늘부터 매월 OS 리뷰 일정을 캘린더에 반복 등록"이 될 수 있습니다. 실제로 돌릴 수 있는 가장 작은 변화가, 결코 돌리지 않을 완벽한 변화를 이깁니다.
5단계: 리뷰하고 결정하세요. 2주가 끝나면 세 가지를 물으세요. 그 변화가 예측한 효과를 만들어 냈는가? 더 깊은 문제를 드러냈는가? 다음으로 약한 계층은 무엇인가? 그런 다음 또 다른 2주 실험을 돌리세요. 이것이 계층 수준에서의 single-loop learning입니다. 분기에 한 번은 줌아웃해서 double-loop 질문을 던지세요. 이 계층들이 정말로 최적화할 대상인가? 어쩌면 주제가 잘못된 것일 수도, 목표가 바뀐 것일 수도, 지금까지 개선해 온 OS가 작년 인생용이었을 수도 있습니다.
규율은 작은 실험, 잦은 리뷰, 느린 재작성입니다. Argyris의 경고가 적용됩니다. 목표는 OS를 한 번 고치는 것이 아닙니다. 그것을 보고, 의문에 부치고, 갱신하는 근육을, 계속해서, 만드는 것입니다.
이미 가진 것을 정리하는 것만으로는 부족하다는 더 큰 논의는 Personal Knowledge Management를 참고하세요.
자주 묻는 질문
Learning OS는 PKM이나 Second Brain과 어떻게 다른가요?
PKM과 Second Brain은 정리 시스템입니다. 노트를 어떻게 캡처하고, 태그를 달고, 연결하고, 인출할지 알려줍니다. Learning OS는 그 위의 아키텍처입니다. 입력(노트를 작성하기 전에 무엇을 들어오게 할 것인가), 산출(정리한 것에서 무엇을 만들 것인가), 피드백(전체가 작동하고 있는가)까지 포함합니다. PKM과 Second Brain은 Learning OS 위에서 돌아가는 구성 요소입니다. 노트 앱이 컴퓨터의 OS 위에서 돌아가는 것과 같습니다. 완벽한 PKM 셋업과 망가진 Learning OS를 동시에 가질 수 있고, 대부분의 사람이 정확히 그것을 경험하고 있습니다.
Learning OS를 설계하려면 새 소프트웨어가 필요한가요?
아닙니다. OS는 개념입니다. 노트 한 권, 캘린더 하나, 노트 앱 하나만으로도 강한 Learning OS를 돌릴 수 있습니다. 바뀌는 것은 도구가 아니라 의도성입니다. 입력에 이름을 붙이고, 참여를 정의하고, 종합 시간을 일정에 넣고, 산출을 약속하고, 분기마다 리뷰합니다. 새 소프트웨어는 가장자리에서 도움이 되지만, 가장 큰 레버리지의 업그레이드는 설치가 아니라 결정입니다.
AI가 이미 이 계층들을 대부분 할 수 있다면 어디에 들어맞나요?
AI는 모든 계층의 일부분을 빠르게 해낼 수 있지만, 여러분의 학습에 가장 중요한 부분은 해내지 못합니다. 책을 요약할 수는 있지만, 그 책을 읽어야 하는지는 결정해 줄 수 없습니다. 종합의 초안은 만들 수 있지만, 그 결과 모델을 여러분 머릿속에 담아 줄 수는 없습니다. 플래시카드는 만들 수 있지만, 통합을 위한 잠을 자게 해줄 수는 없습니다. AI를 분량 부분에서는 힘 배수기로, 입장 부분에서는 손을 떼고 보는 관찰자로 다루세요. Learning OS 프레임워크는 그 선을 계층별로 깔끔하게 그어주는 도구입니다.
Learning OS를 운영하는 데 현실적으로 시간이 얼마나 드나요?
OS 자체는 거의 비용이 들지 않습니다. 이미 쓰고 있는 시간을 위한 틀일 뿐입니다. 한계 비용은 한 달에 약 두 시간 정도입니다. 한 시간은 종합(하이라이트 묶기, 연결 초안)에, 한 시간은 피드백(무엇이 작동하는지 리뷰)에 씁니다. 학습 자체에 더 많은 시간이 들지 더 적게 드는지는 목표에 달려 있습니다. OS는 그 시간이 더 많은 결과를 낳도록 만들어 줄 뿐입니다.
이런 방식으로 학습을 생각해 본 적이 없다면 어디서부터 시작해야 하나요?
이전 섹션의 진단부터 시작하세요. 6개 계층을 한꺼번에 설계하려 하지 마세요. 그건 마비로 가는 지름길입니다. 가장 약한 계층 하나를 고르고, 2주 실험을 돌리고, 다음 계층으로 넘어가세요. 대부분의 사람은 바닥이 산출(많이 읽지만 아무것도 출시하지 않음)이거나 피드백(시스템을 결코 리뷰하지 않음)이라는 것을 발견합니다. 둘 다 작고 즉시 실행 가능한 해법이 있습니다. 매일 공개 하이라이트 하나를 출시하거나, 매월 반복 리뷰를 캘린더에 등록하는 것입니다. 거기서부터 시작하세요.
이건 그저 위장된 생산성 문화 아닌가요?
합당한 우려이며, 직접 답할 가치가 있습니다. Learning OS는 더 많이 읽고 더 많이 쓰는 일에 관한 것이 아닙니다. 오히려 이 프레임워크는 보통 덜 읽어야 한다(더 잘 큐레이션된 입력, 더 깊은 참여)는 것과 덜 출시해야 한다(더 작고, 더 의도적인 산출)는 것을 드러냅니다. 지향은 양적이 아니라 질적입니다. 진단의 결과로 더 적은 출처, 더 긴 주의 지속, 더 느린 산출 리듬이 옳다는 답이 나온다면, OS는 제 일을 하고 있는 것입니다. 핵심은 처리량이 아니라 의도성입니다.
결론
대부분의 지식 노동자가 ‘늘 학습하고 있는데 천천히만 똑똑해진다’고 느끼는 이유는, Learning OS를 직접 설계하지 않고 물려받았기 때문입니다. 입력은 알고리즘이 골라줬습니다. 참여 방식은 학부 시절에 정해진 채로 다시 들여다본 적이 없습니다. 종합은 일어날 때만 일어나는 사고일 뿐입니다. 기억은 그저 붙은 것뿐입니다. 산출은 드물고 반응적입니다. 피드백은 새해 결심 같은 것입니다.
이 모든 것에 새로운 앱은 필요하지 않습니다. 계층에 이름을 붙이고, 가장 약한 곳을 찾고, 그것을 바꿀 작은 실험 하나를 돌리세요. 그 다음에 또 하나. 그 다음에 또 하나. 여기에서의 복합은 실재합니다. 의도적으로 설계된 Learning OS의 10년은 우연의 10년과 같지 않습니다.
이번 주에 한 계층을 고르세요. 정직하게 진단하세요. 실험을 돌리세요. Glasp을 사용해 자신의 입력과 참여를 스스로에게 가독되는 형태로 만들면, OS가 무엇을 하고 있는지 짐작이 아니라 실제로 볼 수 있습니다. 도구는 계속 바뀌지만, 아키텍처는 여러분의 것입니다.
여러분의 Learning OS를 설계하기 가장 좋은 시점은 10년 전이었습니다. 두 번째로 좋은 시점은 앞으로의 90분입니다.