Perplexity와 NotebookLM을 함께 사용해본 결과, 자료조사부터 문서분석까지 얼마나 효율적일까?

 

Perplexity와 NotebookLM을 함께 사용해본 결과, 자료조사부터 문서분석까지 얼마나 효율적일까?

AI 기반 연구 도구가 빠르게 발전하면서 많은 사람들이 자료조사와 문서분석 업무를 AI에게 맡기기 시작했다.

특히 최근 가장 많이 언급되는 도구가 바로 Perplexity와 NotebookLM이다.

두 서비스 모두 연구와 학습에 활용할 수 있지만 실제 사용해보면 성격이 상당히 다르다.

Perplexity는 인터넷에서 자료를 찾는 데 강점을 가진 AI 검색 도구에 가깝고, NotebookLM은 사용자가 확보한 자료를 분석하는 데 특화된 연구 보조 도구에 가깝다.

흥미로운 점은 두 도구가 경쟁 관계라기보다 서로 보완 관계에 가깝다는 것이다.

실제로 많은 연구자와 대학원생, 정책 연구자들이 두 서비스를 함께 사용하는 사례가 늘어나고 있다. 자료를 찾는 단계에서는 Perplexity를 활용하고, 확보한 논문과 보고서를 분석하는 단계에서는 NotebookLM을 활용하는 방식이다.

이번 글에서는 실제 연구 프로젝트를 가정하고 두 서비스를 함께 활용해보았다.

특히 다음 항목을 중심으로 실험을 진행했다.

  • 자료조사

  • 문서분석

  • 연구 활용성

  • 시간 절약 효과

  • 실제 업무 적용 가능성

단순한 기능 소개가 아니라 실제 연구자 관점에서 어떤 차이가 있었는지 정리해보았다.

왜 두 서비스를 함께 테스트했을까?

대부분의 연구는 다음 과정을 거친다.

주제 선정

자료 수집

논문 확보

문헌고찰

연구계획서 작성

보고서 작성

문제는 대부분의 AI 도구가 특정 단계에만 강하다는 점이다.

예를 들어 인터넷에서 자료를 찾는 것은 잘하지만 확보한 논문을 깊이 있게 분석하지 못하는 경우가 있다.

반대로 문서 분석은 잘하지만 새로운 자료를 찾는 능력이 부족한 경우도 있다.

그래서 실제 연구 과정을 기준으로 두 서비스를 함께 활용해보았다.

실험 환경

이번 실험은 다음과 같은 상황을 가정했다.

주제

생성형 AI의 업무 생산성 활용

자료 수집 기간

1주일

수집 대상

논문

연구보고서

정책자료

산업 보고서

뉴스 자료

총 확보 문서

약 40건

분석 대상

PDF 논문 20편

정책자료 10건

연구보고서 10건

실제 대학원 연구나 정책 연구 프로젝트와 유사한 환경을 설정했다.

첫 번째 실험, 자료조사는 누가 더 강할까?

가장 먼저 진행한 것은 자료조사였다.

Perplexity에게 다음 질문을 입력했다.

"생성형 AI 생산성 향상 관련 최신 연구를 찾아줘."

결과는 상당히 만족스러웠다.

Perplexity는 여러 웹 자료와 논문, 기사, 연구 결과를 종합해서 보여주었다.

특히 출처 링크를 함께 제공하기 때문에 원문으로 이동하기 편리했다.

Perplexity의 가장 큰 장점은 새로운 자료를 발견하는 능력이다.

연구를 처음 시작하는 단계에서는 어떤 자료가 존재하는지조차 모르는 경우가 많다.

이럴 때 Perplexity는 매우 강력한 도구였다.

실제로 여러 비교 실험에서도 Perplexity는 웹 기반 정보 탐색과 최신 자료 검색에 강점을 보이는 것으로 평가되고 있다.

자료조사 과정에서 발견한 장점

Perplexity를 사용하면서 특히 좋았던 점은 다음과 같다.

첫 번째

최신 자료를 찾기 쉽다.

두 번째

출처가 함께 제공된다.

세 번째

관련 자료를 연속적으로 탐색할 수 있다.

네 번째

새로운 연구 방향을 찾는 데 도움이 된다.

연구 초반 단계에서는 상당한 시간 절약 효과가 있었다.

두 번째 실험, NotebookLM에 자료를 넣어봤다

Perplexity로 수집한 자료 중 핵심 논문과 보고서를 NotebookLM에 업로드했다.

총 20편의 논문과 10건의 보고서를 넣었다.

이제부터는 자료 수집이 아니라 자료 분석 단계다.

NotebookLM은 사용자가 업로드한 문서만을 기반으로 답변을 생성한다.

즉 인터넷을 검색하는 것이 아니라 사용자가 제공한 자료를 분석하는 방식이다.

세 번째 실험, 연구 흐름 분석

NotebookLM에게 질문했다.

"이 자료들의 연구 흐름을 정리해줘."

결과는 예상보다 좋았다.

NotebookLM은 논문들을 주제별로 분류했다.

또한 연구 발전 과정을 단계별로 설명했다.

예를 들어

초기 연구

확장 연구

실무 적용 연구

최신 연구

형태로 정리했다.

직접 논문을 읽을 경우 수 시간이 걸릴 작업을 상당히 빠르게 수행했다.

네 번째 실험, 연구 공백 찾기

연구를 진행할 때 가장 중요한 것이 연구 공백이다.

NotebookLM에게

"현재 연구에서 부족한 부분은 무엇인가?"

라고 질문했다.

결과는 매우 구체적이었다.

예를 들어

  • 특정 산업군 연구 부족

  • 장기 연구 부족

  • 질적 연구 부족

  • 비교 연구 부족

등을 제시했다.

실제 연구계획서를 작성할 때 활용할 수 있는 수준이었다.

다섯 번째 실험, 문헌고찰 작성

문헌고찰은 연구자가 가장 많은 시간을 쓰는 작업 중 하나다.

NotebookLM은 단순 요약을 넘어 연구 흐름을 연결해 설명했다.

예를 들어

A 연구는 조직효과를 분석했고

B 연구는 이를 확장했으며

C 연구는 새로운 변수를 추가했다

와 같은 방식으로 설명했다.

문헌고찰 초안 작성 시간을 크게 줄일 수 있었다.

실제 업무 활용 테스트

연구 목적 외에도 업무에 활용해보았다.

공공기관 보고서

사업계획서

정책 분석 자료

등을 대상으로 테스트했다.

결과는 매우 흥미로웠다.

Perplexity는 자료를 찾는 단계에서 유용했다.

NotebookLM은 자료를 이해하는 단계에서 강했다.

둘의 역할이 명확하게 구분되었다.

두 서비스를 함께 사용했을 때의 시너지

실험을 진행하면서 가장 인상적이었던 부분이다.

Perplexity만 사용하면 자료는 많아진다.

하지만 정리가 어렵다.

반대로 NotebookLM만 사용하면 분석은 가능하다.

하지만 자료를 찾기 어렵다.

그래서 다음 순서가 가장 효율적이었다.

1단계

Perplexity로 자료 수집

2단계

중요 자료 선별

3단계

NotebookLM 업로드

4단계

문서 분석

5단계

보고서 작성

실제로 여러 연구자들의 비교 사례에서도 "Perplexity는 발견(Discovery), NotebookLM은 분석(Synthesis)"이라는 역할 분담이 가장 효율적인 워크플로우로 평가되고 있다.

실제 한계도 존재했다

물론 완벽한 조합은 아니었다.

Perplexity의 경우

가끔 출처 품질 차이가 발생할 수 있었다.

NotebookLM의 경우

업로드한 자료 범위를 벗어난 질문에는 답변이 제한적이었다.

또한 최종 검증은 반드시 사람이 수행해야 했다.

AI가 연구를 대신하는 것은 아니기 때문이다.

어떤 사람에게 추천할 수 있을까?

다음과 같은 사용자라면 높은 활용 가치를 느낄 수 있다.

  • 대학원생

  • 박사과정 연구자

  • 정책 연구자

  • 공무원

  • 공공기관 직원

  • 연구소 연구원

  • 컨설턴트

  • 전문 블로거

특히 논문과 보고서를 자주 다루는 사람이라면 효과가 컸다.

최종 결론

이번 실험을 통해 Perplexity와 NotebookLM은 경쟁 도구가 아니라 서로 다른 역할을 수행하는 연구 도구라는 점을 확인할 수 있었다.

Perplexity는 새로운 자료를 발견하고 최신 정보를 찾는 데 강했다. 반면 NotebookLM은 확보한 논문과 보고서를 깊이 있게 분석하고 연구 흐름을 정리하는 데 강점을 보였다.

실제로 연구 프로젝트를 진행한다면 Perplexity로 자료를 수집하고 NotebookLM으로 문헌고찰과 분석을 수행하는 방식이 가장 효율적이었다.

특히 논문 검토, 정책 분석, 연구계획서 작성, 보고서 작성과 같은 업무에서는 두 서비스를 함께 사용할 때 생산성이 크게 향상되는 것을 체감할 수 있었다.

결론적으로 연구와 자료조사를 자주 수행하는 사람이라면 하나만 선택하기보다 두 도구를 역할에 맞게 조합하는 것이 가장 현실적이고 효율적인 활용 방법이라고 생각한다.