정보도우미

  NotebookLM에 PDF 100개를 넣어봤다, 실제로 어디까지 관리될까? 대용량 자료 관리 실험 후기 최근 AI를 활용한 문서 분석이 보편화되면서 연구자, 대학원생, 공무원, 직장인들 사이에서 NotebookLM 활용이 빠르게 늘어나고 있다. 특히 논문이나 연구보고서, 정책자료처럼 분량이 많은 문서를 다루는 사람들에게는 상당히 유용한 도구로 평가받고 있다. 그런데 실제로 사용하다 보면 한 가지 궁금증이 생긴다. "NotebookLM은 정말 대량의 PDF를 관리할 수 있을까?" "논문 100편을 넣어도 제대로 검색이 될까?" "자료가 많아지면 답변 품질은 떨어지지 않을까?" 나 역시 이런 궁금증이 생겨 직접 테스트를 진행해보았다. 이번 글에서는 NotebookLM에 대량의 PDF 자료를 넣고 관리했을 때 어떤 결과가 나타나는지, 검색 속도는 어느 정도인지, 그리고 실제 업무와 연구에 활용할 수 있는 수준인지 분석해보려고 한다. 왜 이런 실험을 하게 되었을까? 최근 논문 연구를 진행하면서 관련 자료가 빠르게 늘어났다. 초기에는 논문 10편 정도만 관리하면 충분했지만 시간이 지나면서 상황이 달라졌다. 학술논문 연구보고서 정부 정책자료 학회 발표자료 통계 보고서 이렇게 자료가 쌓이다 보니 수십 개의 PDF를 관리해야 했다. 기존에는 폴더별로 정리하고 필요한 내용을 직접 검색했다. 하지만 시간이 지나면서 필요한 자료를 찾는 것 자체가 업무가 되기 시작했다. 그래서 NotebookLM이 실제로 자료 관리 도구로 활용 가능한지 확인해보기로 했다. NotebookLM은 PDF를 몇 개까지 넣을 수 있을까? 많은 사람들이 오해하는 부분이 있다. NotebookLM은 무한정 자료를 넣을 수 있는 서비스가 아니다. 2026년 기준 무료 플랜은 노트북당 최대 50개의 소스를 지원하며, 상위 플랜에서는 100~300개 이상까지 확장된다. 또한 단일 소스는 최대 50만 단어 또는 200MB까지 허용된다. 즉 PDF 100개를...

  Napkin AI는 논문 발표자료 제작에 쓸만할까? 연구모형 시각화부터 발표자료 제작까지 실제 사용 후기 석사 논문이나 박사 논문을 준비해본 사람이라면 누구나 공감할 것이다. 논문을 작성하는 것도 어렵지만 연구 내용을 발표자료로 만드는 과정 역시 만만치 않다. 특히 연구모형, 연구설계, 변수 간 관계, 연구 흐름 등을 시각적으로 표현하는 작업은 생각보다 많은 시간을 요구한다. 실제로 연구계획서 발표, 중간발표, 학위논문 심사 발표, 학회 발표 등을 준비할 때 가장 고민되는 부분 중 하나가 바로 도식화 작업이다. 연구자는 연구 내용은 잘 알고 있지만 이를 청중이 한눈에 이해할 수 있도록 시각화하는 것은 또 다른 영역의 능력이 필요하기 때문이다. 최근에는 이러한 문제를 해결하기 위해 다양한 AI 기반 시각화 도구가 등장하고 있다. 그중에서도 Napkin AI는 텍스트를 입력하면 자동으로 다이어그램과 개념도를 생성해주는 서비스로 연구자와 직장인들 사이에서 관심을 받고 있다. 이번 글에서는 실제 논문 발표 상황을 가정하고 Napkin AI를 활용해 연구모형을 시각화하고 발표자료를 제작해보았다. 단순 기능 소개가 아닌 실제 연구 발표 준비 과정에서 얼마나 도움이 되는지 중심으로 분석해보았다. 이번 테스트에서는 다음 항목을 중점적으로 살펴봤다. 연구모형 시각화 논문 발표자료 제작 연구 흐름 설명 수정 편의성 실제 활용성 왜 Napkin AI를 논문 발표에 활용해봤을까? 대부분의 논문 발표자료에는 공통적으로 등장하는 요소가 있다. 연구배경 연구목적 연구모형 연구문제 연구방법 연구결과 결론 이 중에서도 가장 많은 시간을 소모하는 부분이 연구모형과 연구 흐름을 시각화하는 작업이다. 예를 들어 조직관리 연구라면 조직문화가 직무만족에 영향을 주고, 직무만족이 조직몰입에 영향을 주는 구조를 그림으로 표현해야 한다. 동물복지 연구라면 조직 특성이 동물복지 인식에 영향을 미치고 이것이 직무만족으로 연결되는 과정을 시각적으로 보여줘야 한다. 직접 파워포인트에서 도형을 그리기 ...

  AI 검색 도구 5종을 같은 질문으로 비교해봤다, ChatGPT·Gemini·Perplexity·Felo·Claude의 답변은 얼마나 달랐을까? 최근에는 궁금한 내용을 찾기 위해 검색창에 키워드를 입력하는 대신 AI에게 질문하는 경우가 많아졌다. 예전에는 여러 검색 결과를 직접 열어보고 필요한 내용을 찾아야 했다면 이제는 AI가 여러 정보를 정리해서 하나의 답변으로 만들어준다. 그런데 여기서 한 가지 궁금한 점이 생겼다. 같은 질문을 ChatGPT, Gemini, Perplexity, Felo, Claude에게 동시에 입력하면 과연 비슷한 답변이 나올까? 검색 결과가 다르다면 그 이유는 무엇일까? 그리고 어떤 AI가 더 정확하다고 단순하게 판단할 수 있을까? 이번에는 이 궁금증을 확인하기 위해 AI 검색 및 조사 기능을 활용할 수 있는 5개 서비스를 동일한 조건에서 비교하는 실험을 진행했다. 비교 대상은 ChatGPT, Gemini, Perplexity, Felo, Claude다. 이번 실험에서 가장 중요하게 생각한 것은 특정 AI를 무조건 좋거나 나쁘다고 평가하는 것이 아니었다. 같은 질문에 어떤 자료를 찾고, 어떤 방식으로 답변을 구성하며, 출처를 얼마나 확인하기 쉽게 보여주는지를 비교하는 것이 목적이었다. 왜 같은 질문으로 비교했을까? AI 서비스마다 기본적인 성격이 다르다. 어떤 서비스는 대화와 문서 작업에 강하고, 어떤 서비스는 웹 검색과 출처 확인에 편리하다. 또 어떤 서비스는 긴 문서를 분석하거나 복잡한 질문을 단계적으로 처리하는 데 초점을 맞추고 있다. 따라서 단순히 "어떤 AI가 가장 좋은가?"라는 질문은 정확한 비교 방법이라고 보기 어렵다. 사용 목적에 따라 결과가 달라질 수 있기 때문이다. 그래서 이번에는 동일한 질문을 5개 서비스에 입력하는 방식으로 조건을 통일했다. 비교 항목도 미리 정했다. 첫째는 답변의 정확성이다. 둘째는 최신 정보 반영 여부다. 셋째는 출처 확인의 편리성이다. 넷째는 답변의 구체성이다. 다섯째는...

  Gemini는 Google Workspace 사용자에게 얼마나 유용할까? Gmail과 Docs 중심으로 직접 사용해본 후기 생성형 AI가 빠르게 보급되면서 많은 사람들이 ChatGPT, Claude, Gemini 같은 AI 도구를 업무에 활용하고 있다. 그중에서도 Gemini는 다른 AI와 조금 다른 위치에 있다. 단순한 대화형 AI가 아니라 Google Workspace와 깊게 연동된다는 점이 가장 큰 특징이다. Google Workspace를 사용하는 사람이라면 Gmail, Google Docs, Google Drive, Google Meet, Google Sheets 등을 매일 사용하게 된다. 문제는 업무가 늘어날수록 이메일은 쌓이고, 문서는 많아지고, 필요한 자료를 찾는 데 많은 시간이 소요된다는 점이다. Google은 이러한 문제를 해결하기 위해 Gemini를 Workspace에 통합했다. 단순히 질문에 답하는 AI가 아니라 실제 업무 도구 안에서 함께 일하는 AI를 목표로 하고 있다. 이번 글에서는 실제 업무 환경을 가정하여 Gemini를 Gmail과 Google Docs 중심으로 사용해보았다. 특히 다음 세 가지를 중심으로 검증했다. Gmail 활용성 Google Docs 활용성 실제 업무 효율 변화 단순 기능 소개가 아니라 실제 사용 경험을 바탕으로 분석한 내용이므로 Google Workspace를 사용하고 있는 직장인, 연구자, 공무원, 대학원생이라면 참고가 될 것이다. 왜 Gemini와 Google Workspace 조합이 주목받고 있을까? 대부분의 생성형 AI는 별도의 웹사이트나 앱에서 사용한다. 예를 들어 ChatGPT는 대화창에서 질문을 입력하고 결과를 받아야 한다. 하지만 Gemini는 조금 다르다. Google이 제공하는 업무 도구 안으로 직접 들어와 있다. 예를 들면 Gmail에서 이메일 작성 지원 Docs에서 문서 초안 작성 Drive 문서 검색 Meet 회의 요약 Sheets 데이터 분석 등이 가능하다. 즉 AI를 사...

  ChatGPT와 Excel을 함께 사용하면 어떤 업무가 자동화될까? 실제 업무 데이터로 테스트해본 결과 최근 생성형 AI가 업무 환경에 빠르게 확산되면서 가장 많이 언급되는 조합 중 하나가 바로 ChatGPT와 Excel이다. 많은 직장인들이 Excel은 사용할 수 있지만 데이터 분석이나 보고서 작성에는 어려움을 겪는다. 반대로 ChatGPT는 문서 작성과 분석 능력이 뛰어나지만 숫자 데이터가 정리되지 않으면 제대로 활용하기 어렵다. 그래서 최근에는 Excel과 ChatGPT를 함께 사용하는 방식이 주목받고 있다. 실제로 업무 현장에서는 매일 수많은 Excel 파일이 생성된다. 매출 데이터 예산 집행 내역 민원 처리 현황 프로젝트 일정표 설문조사 결과 재고 현황 업무 실적 자료 등 대부분의 업무 데이터는 Excel 형태로 관리된다. 문제는 데이터를 정리한 뒤 이를 분석하고 보고서로 작성하는 과정이다. 많은 사람들이 데이터 정리에는 시간을 쓰지만 정작 분석과 활용에는 충분한 시간을 투자하지 못한다. 이번 글에서는 실제 업무 데이터를 활용해 ChatGPT와 Excel을 함께 사용했을 때 어떤 업무가 자동화될 수 있는지 실험해보았다. 특히 다음 세 가지를 중심으로 분석했다. 데이터 정리 자동화 보고서 작성 자동화 실무 적용 가능성 단순 기능 소개가 아니라 실제 업무 환경을 가정한 실험 결과를 정리했다. 왜 ChatGPT와 Excel 조합이 주목받고 있을까? 직장인들이 가장 많은 시간을 사용하는 프로그램 중 하나는 Excel이다. 하지만 Excel만으로 해결하기 어려운 작업도 많다. 예를 들어 데이터 의미 분석 추세 파악 보고서 작성 결과 해석 발표 자료 구성 등은 사람이 직접 수행해야 한다. 반면 ChatGPT는 데이터 자체를 관리하는 도구는 아니지만 정리된 데이터를 해석하고 설명하는 데 강점을 가진다. 즉 Excel은 데이터를 관리하고 ChatGPT는 데이터를 이해하고 설명하는 역할을 수행한다. 이 조합이 업무 생산성을 높이는 이유다. 실험 환경 이번 ...

  ChatGPT로 1개월 업무일지를 자동 정리해봤다, 보고서 작성 시간은 얼마나 줄었을까? 직장인이라면 누구나 한 번쯤 업무일지 작성 때문에 고민한 경험이 있을 것이다. 하루 동안 처리한 업무를 기록하는 것은 어렵지 않다. 문제는 그 기록이 한 달 동안 쌓였을 때다. 매일 작성한 업무일지는 수십 페이지에 달하고, 월간 업무보고서나 성과보고서를 작성하려고 하면 다시 처음부터 내용을 정리해야 한다. 특히 공공기관, 공기업, 연구기관, 일반 기업의 기획부서에서는 월간 업무보고서 작성에 상당한 시간이 소요된다. 최근에는 ChatGPT를 활용해 업무일지를 자동으로 정리하고 보고서 초안을 만드는 사례가 늘어나고 있다. 실제로 OpenAI는 업무 기록, 문서, 메모, 일정 자료를 활용해 주간 브리프와 업무 보고서를 작성하는 활용 사례를 소개하고 있다. 그렇다면 실제 업무 현장에서 얼마나 효과가 있을까? 이번 글에서는 1개월 동안 작성한 업무일지를 ChatGPT로 분석하고 자동 정리해본 실험 결과를 정리해보았다. 특히 다음 세 가지를 중심으로 검증했다. 업무 기록 관리 효율성 보고서 작성 활용성 생산성 변화 단순한 기능 소개가 아니라 실제 업무 데이터를 활용한 실험 후기라는 점에서 업무 자동화에 관심 있는 직장인들에게 도움이 될 것이다. 왜 업무일지 자동 정리 실험을 진행했을까? 많은 직장인들이 업무일지를 작성한다. 대표적인 예시는 다음과 같다. 일일 업무일지 주간 업무보고 프로젝트 진행 기록 회의 결과 정리 민원 처리 기록 연구 활동 기록 현장 업무 기록 문제는 업무일지가 쌓일수록 활용하기 어려워진다는 점이다. 한 달만 지나도 어떤 업무를 수행했는지 기억하기 어려워진다. 실제로 월말 보고서를 작성할 때는 업무일지를 다시 읽어야 하는 경우가 많다. 나 역시 업무일지를 꾸준히 작성하고 있었지만 월간 보고서를 작성할 때마다 상당한 시간이 소요되었다. 그래서 ChatGPT를 활용하면 얼마나 효율적으로 정리할 수 있는지 직접 확인해보기로 했다. 실험에 사용한 자료 이번 실...

  ChatGPT에게 같은 보고서를 5번 작성시켜봤다, 결과는 얼마나 달라질까? 생성형 AI를 업무에 활용하는 사람들이 가장 자주 하는 질문 중 하나가 있다. "같은 질문을 여러 번 하면 항상 같은 답변이 나올까?" 실제로 ChatGPT를 사용하다 보면 비슷한 질문을 입력했는데도 답변이 조금씩 달라지는 경우를 경험하게 된다. 어떤 때는 보고서 구조가 달라지고, 어떤 때는 사례가 바뀌거나 표현 방식이 달라지기도 한다. 그렇다면 실제 업무에서 활용할 경우 이러한 차이는 어느 정도일까? 특히 보고서 작성 업무에서는 일관성이 매우 중요하다. 공공기관 보고서, 연구보고서, 사업계획서, 회의 결과보고서 등은 일정한 품질과 구조를 유지해야 하기 때문이다. 이번 글에서는 동일한 주제의 보고서를 ChatGPT에게 5번 작성하게 한 뒤 결과를 비교 분석해봤다. 단순히 "답이 다르다"는 수준이 아니라 다음 항목을 중심으로 실제 실험을 진행했다. 답변 일관성 분석 보고서 품질 차이 프롬프트 영향 분석 실무 활용 가능성 검토 최근 AI 활용 사례는 많지만 실제 비교 실험 데이터는 생각보다 많지 않다. 그래서 직접 테스트를 진행하고 결과를 정리해보았다. 왜 이런 실험을 진행했을까? 많은 직장인들이 ChatGPT를 업무에 활용하고 있다. 대표적으로 다음과 같은 작업이다. 사업계획서 작성 정책보고서 초안 작성 회의록 정리 공문 작성 연구보고서 작성 시장조사 보고서 작성 그런데 같은 주제를 여러 번 질문하면 결과가 조금씩 달라진다는 이야기가 많다. 실제 업무에서는 재현성이 중요하다. 만약 오늘 작성한 보고서와 내일 작성한 보고서가 완전히 다르다면 실무 활용에 문제가 생길 수 있다. 그래서 이번 실험에서는 같은 조건에서 동일한 보고서를 5회 생성하여 결과를 비교했다. 실험 환경 실험에 사용한 보고서 주제는 다음과 같았다. "지역사회 환경보호 캠페인 추진 계획 보고서" 입력 프롬프트는 동일하게 유지했다. 추가 조건도 동일하게 적용했다. 보고...

  ChatGPT는 실제 공문서 작성에 도움이 될까? 행정 문서 작성 실험과 실제 활용 후기 최근 공공기관과 지방자치단체, 공기업, 공무원 조직에서 생성형 AI 활용에 대한 관심이 높아지고 있다. 그중에서도 가장 많이 언급되는 도구가 바로 ChatGPT다. 많은 사람들이 ChatGPT를 활용해 보고서 초안을 작성하거나 회의록을 정리하고, 보도자료를 작성하는 데 활용하고 있다. 하지만 실제 행정 현장에서 가장 궁금한 부분은 따로 있다. "공문서 작성에도 정말 도움이 될까?" 공문서는 일반 문서와 다르다. 공식적인 형식과 표현을 사용해야 하며, 정확성과 객관성이 중요하다. 잘못 작성된 공문서는 행정 오류로 이어질 수도 있다. 그래서 이번에는 실제 행정 문서 작성 환경을 가정하여 ChatGPT의 활용 가능성을 테스트해봤다. 단순히 문장을 생성하는 수준이 아니라 다음 항목을 중심으로 분석했다. 행정 문서 작성 실험 공문서 문체 분석 수정 과정 검토 실무 활용 가능성 실제 업무에 가까운 환경을 가정하고 진행한 결과를 정리해보았다. 왜 공문서 작성 실험을 진행했을까? 행정 업무를 수행하는 사람들은 생각보다 많은 문서를 작성한다. 대표적으로 다음과 같은 문서가 있다. 협조 요청 공문 결과 보고서 회의 개최 안내문 사업 추진 계획서 예산 요청 문서 민원 회신 문서 보도자료 내부 검토 보고서 특히 신규 직원이나 행정 경험이 적은 직원들은 공문서 문체 자체를 어려워하는 경우가 많다. 실제로 최근 연구에서는 생성형 AI가 공공기관 문서 작성 시간을 단축시키고 업무 효율성을 높일 수 있다는 결과가 보고되었다. 한국의 중앙행정기관을 대상으로 한 연구에서는 AI 활용 집단이 문서 작성 시간을 평균 4분 이상 단축한 것으로 나타났다. 그렇다면 실제 공문서 품질도 확보할 수 있을까? 이번 실험은 이 부분을 확인하기 위해 진행했다. 실험에 사용한 문서 유형 이번 테스트에서는 실제 행정 업무에서 자주 사용하는 문서를 선정했다. 실험 대상은 다음과 같았다. 협조 요청 공문 사...

  NotebookLM은 실제 업무 매뉴얼 분석에 쓸 수 있을까? 업무지침서 30개를 넣고 직접 테스트해봤다 생성형 AI가 업무 환경에 빠르게 확산되면서 많은 직장인들이 한 가지 공통된 고민을 하고 있다. "우리 회사 업무 매뉴얼도 AI가 읽고 알려줄 수 있을까?" 실제로 회사에는 수많은 문서가 존재한다. 업무지침서, 운영매뉴얼, 규정집, 감사자료, 회의록, 인사규정, 안전관리 매뉴얼, 예산집행 지침 등 다양한 문서가 저장되어 있다. 문제는 필요한 내용을 찾는 데 생각보다 많은 시간이 소요된다는 점이다. 예를 들어 출장비 정산 규정을 찾기 위해 100페이지가 넘는 규정집을 열어야 하고, 특정 업무 처리 절차를 확인하기 위해 여러 매뉴얼을 뒤져야 하는 경우가 자주 발생한다. 최근 NotebookLM은 이러한 문제를 해결할 수 있는 AI 도구로 주목받고 있다. NotebookLM은 사용자가 업로드한 문서를 기반으로 답변을 생성하며, 답변의 근거가 된 문서 위치를 함께 제시하는 특징이 있다. 그렇다면 실제 업무 현장에서도 활용할 수 있을까? 이번 글에서는 실제 업무지침서와 규정집을 활용해 NotebookLM의 업무 매뉴얼 분석 능력을 테스트해봤다. 특히 다음 세 가지를 중심으로 검증했다. 업무지침서 분석 능력 규정 검색 정확도 실무 활용 가능성 단순 기능 소개가 아닌 실제 업무 환경을 가정한 실험 결과를 중심으로 정리해보았다. 왜 업무 매뉴얼 분석 테스트를 진행했을까? 직장 생활을 하다 보면 생각보다 많은 시간을 문서 검색에 사용하게 된다. 예를 들면 다음과 같은 상황이다. 출장비 지급 기준 확인 공문 처리 절차 확인 계약 검토 규정 확인 인사규정 확인 예산 집행 기준 확인 안전관리 절차 확인 대부분의 조직에서는 이미 매뉴얼이 존재한다. 문제는 매뉴얼이 너무 많다는 것이다. 실제로 업무지침서가 수십 개 이상인 조직도 흔하다. 특히 공공기관이나 대기업은 업무 프로세스가 세분화되어 있어 문서량이 매우 많다. NotebookLM은 업로드한 문서 집합을 ...

  NotebookLM과 사람이 작성한 문헌고찰 비교 실험, 연구자는 정말 시간을 아낄 수 있을까? 논문을 작성하는 사람이라면 누구나 문헌고찰의 중요성을 알고 있다. 학위논문이든 학술지 논문이든 연구보고서든 가장 먼저 수행해야 하는 과정은 선행연구를 검토하고 연구 흐름을 파악하는 일이다. 하지만 문헌고찰은 생각보다 많은 시간과 노력이 필요한 작업이다. 관련 논문을 찾고, 읽고, 정리하고, 공통점과 차이점을 분석한 뒤 연구 공백을 도출해야 한다. 논문 20편만 읽어도 수백 페이지에 달하는 분량이 된다. 최근에는 NotebookLM을 활용해 문헌고찰을 수행하는 연구자들이 늘어나고 있다. 실제로 NotebookLM은 여러 논문을 동시에 비교하고 공통된 연구 흐름을 정리하는 데 활용되고 있으며, 일부 연구에서는 문헌검토 보조도구로서의 가능성을 검토하기도 했다. 그렇다면 실제 연구자가 직접 작성한 문헌고찰과 NotebookLM이 생성한 문헌고찰은 얼마나 차이가 있을까? 이번 글에서는 실제 문헌고찰 작성 과정을 가정하여 NotebookLM과 사람이 작성한 결과를 비교해봤다. 특히 다음 세 가지를 중심으로 분석했다. 연구 흐름 분석 능력 문헌고찰 품질 비교 시간 절약 효과 AI가 연구자를 완전히 대체할 수 있는지 확인하기보다는 실제 연구 과정에서 얼마나 도움이 되는지를 검증하는 데 초점을 맞췄다. 왜 문헌고찰 비교 실험을 진행했을까? 석사논문이나 박사논문을 작성할 때 가장 많은 시간이 들어가는 부분 중 하나가 문헌고찰이다. 특히 다음과 같은 작업이 반복된다. 논문 검색 초록 검토 전문 읽기 주요 결과 정리 연구 흐름 파악 연구 공백 도출 문헌고찰 작성 이 과정은 수십 시간에서 수백 시간이 소요될 수 있다. NotebookLM은 여러 PDF를 동시에 분석하고 주제를 분류할 수 있기 때문에 연구 생산성을 높여줄 수 있다는 평가를 받고 있다. 하지만 실제 연구 품질까지 확보할 수 있는지는 별개의 문제다. 그래서 직접 비교 실험을 진행해보기로 했다. 실험에 사용한 자료 이...

  NotebookLM으로 대학 강의노트를 정리해본 후기, 시험기간에 정말 도움이 될까? 최근 대학생들 사이에서 NotebookLM이 공부용 AI 도구로 빠르게 알려지고 있다. ChatGPT가 일반적인 질문에 답변하는 AI라면 NotebookLM은 사용자가 직접 업로드한 자료를 기반으로 답변하는 문서 중심 AI라는 점에서 차이가 있다. 특히 대학 강의에서는 교수의 강의자료, 수업 PPT, 강의노트, 논문, 참고자료 등 공부해야 할 문서가 많다. 문제는 시험기간이 되면 이러한 자료를 다시 정리하고 핵심 내용을 찾아야 하는데 생각보다 많은 시간이 소요된다는 점이다. 나 역시 NotebookLM이 실제 공부에 도움이 되는지 궁금해졌다. 과연 강의노트를 업로드하면 시험 대비에 활용할 수 있을까? 요약은 정확할까? 단순히 내용을 줄여주는 수준일까, 아니면 학습 효율을 높이는 데 도움이 될까? 이번 글에서는 실제 대학 강의노트를 활용해 NotebookLM을 테스트한 결과를 정리해보려고 한다. 단순 사용법 소개가 아니라 실제 학습 과정에서 어떤 장점과 한계가 있었는지 중심으로 분석했다. 왜 강의노트 정리 실험을 진행했을까? 대학생뿐 아니라 대학원생도 비슷한 고민을 한다. 수업이 진행될수록 자료는 계속 늘어난다. 교수 강의 PPT 수업 필기 참고 논문 읽기 자료 과제 자료 한 학기가 끝날 무렵이면 수백 페이지 분량이 쌓인다. 시험기간에는 결국 다시 처음부터 읽어야 한다. 실제로 많은 학생들이 시험 준비 과정에서 다음과 같은 문제를 경험한다. 첫째, 자료가 너무 많다. 둘째, 핵심 내용을 찾기 어렵다. 셋째, 어떤 내용이 중요한지 구분하기 어렵다. 넷째, 정리하는 데 시간이 오래 걸린다. NotebookLM이 이러한 문제를 해결할 수 있을지 직접 확인해보기로 했다. 실험에 사용한 자료 이번 테스트는 실제 대학 수업 환경을 가정해 진행했다. 업로드한 자료는 다음과 같다. 강의 PPT 12개 수업 필기노트 10개 참고 논문 5편 과제 자료 3개 총 30개 문서 전체 분량은...

  NotebookLM은 표가 많은 보고서를 얼마나 정확하게 읽을까? 실제 테스트 결과 공개 최근 NotebookLM을 활용하는 사람들이 빠르게 늘어나고 있다. 논문, 연구보고서, 정부 정책자료, 감사보고서, 사업계획서 등 다양한 PDF를 업로드한 뒤 AI와 대화하며 필요한 내용을 찾을 수 있다는 점이 큰 장점으로 꼽힌다. 하지만 실제로 사용하다 보면 한 가지 의문이 생긴다. "본문은 잘 읽는 것 같은데 표도 정확하게 읽을까?" 특히 연구보고서나 정책자료를 자주 다루는 사람이라면 표와 통계자료가 얼마나 중요한지 잘 알고 있을 것이다. 많은 연구결과가 표 형태로 정리되어 있고, 정책 예산이나 통계수치 역시 대부분 표로 제공된다. 만약 AI가 표를 잘못 읽는다면 분석 결과 자체가 달라질 수 있다. 그래서 이번에는 NotebookLM이 표가 많은 보고서를 얼마나 정확하게 읽는지 직접 테스트해봤다. 이번 실험에서는 단순 요약이 아니라 다음 세 가지를 중심으로 분석했다. 표 인식 정확도 통계자료 분석 능력 실제 오류 사례 특히 장점뿐 아니라 실제로 발생한 오류와 한계까지 함께 정리해보았다. 왜 표 분석 테스트가 중요할까? AI가 문서를 읽는 방식은 사람이 읽는 방식과 다르다. 사람은 표를 보면 행과 열의 관계를 직관적으로 이해한다. 예를 들어 다음과 같은 표가 있다고 가정해보자. 연도 | 방문객 수 | 증가율 2023 | 100만명 | - 2024 | 120만명 | 20% 2025 | 150만명 | 25% 사람은 숫자의 위치와 관계를 쉽게 파악한다. 하지만 AI는 PDF 내부 구조나 OCR 결과를 기반으로 정보를 해석한다. 따라서 표 구조가 복잡하거나 스캔 품질이 좋지 않으면 숫자와 항목의 연결이 깨질 수 있다. 실제로 여러 사용자 테스트에서도 복잡한 표나 격자가 없는 표에서 행과 열 관계가 무너지는 사례가 보고되고 있다. 즉, 표 분석은 단순한 문서 요약보다 훨씬 어려운 작업이다. 실험에 사용한 자료 이번 테스트에는 실제 공개된 연구보고서와 정책자료...

  NotebookLM으로 공공기관 연구보고서 20개를 비교 분석해봤다, 정책 비교부터 핵심 키워드 추출까지 실제 후기 최근 공공기관과 정부 부처에서 발간하는 연구보고서는 점점 더 방대해지고 있다. 정책연구원, 국책연구기관, 지방연구원, 공공기관 경영평가 보고서, 정책백서 등 읽어야 할 자료는 많지만 실제로 처음부터 끝까지 정독하기는 쉽지 않다. 특히 정책 관련 업무를 수행하거나 연구를 진행하는 경우 비슷한 주제의 보고서를 여러 개 비교해야 하는 상황이 자주 발생한다. 예를 들어 저출산 정책, 지역경제 활성화 정책, 동물복지 정책, 환경정책, 공공조직 운영 정책 등은 기관마다 서로 다른 관점에서 연구를 수행한다. 문제는 보고서가 한두 개가 아니라는 점이다. 20개 정도의 연구보고서만 모아도 수천 페이지에 달하는 분량이 된다. 이번에는 NotebookLM을 활용해 실제 공공기관 연구보고서 20개를 비교 분석하는 실험을 진행했다. 단순히 보고서를 요약하는 수준이 아니라 정책 비교, 핵심 키워드 추출, 공통 문제점 분석, 활용 가능성까지 검토해봤다. AI를 활용한 정책자료 분석이 실제 업무에 도움이 되는지 궁금한 사람들에게 참고가 되었으면 한다. 왜 공공기관 연구보고서를 분석해보게 되었을까? 연구자나 공무원, 공공기관 직원이라면 비슷한 경험이 있을 것이다. 새로운 정책을 검토해야 하는데 관련 보고서가 너무 많다. 보고서를 다운로드해 읽기 시작하지만 100페이지를 넘기기 전에 다른 보고서를 읽어야 하는 상황이 발생한다. 결국 여러 자료를 동시에 검토해야 하는데 시간은 부족하다. 이 과정에서 가장 어려운 부분은 다음과 같다. 첫째, 기관별 정책 방향 차이 파악 둘째, 공통적으로 언급되는 문제점 확인 셋째, 반복적으로 등장하는 핵심 키워드 정리 넷째, 실제 정책 적용 가능성 검토 이번 실험은 이런 문제를 해결할 수 있는지 확인하기 위해 진행했다. 실험에 사용한 자료 이번 실험에서는 공개된 공공기관 연구보고서 20개를 활용했다. 주제는 정책 분석에 적합하도록 구성했...

  NotebookLM에 PDF 100개를 넣어봤다, 실제로 어디까지 관리될까? 대용량 자료 관리 실험 후기 최근 AI를 활용한 문서 분석이 보편화되면서 연구자, 대학원생, 공무원, 직장인들 사이에서 NotebookLM 활용이 빠르게 늘어나고 있다. 특히 논문이나 연구보고서, 정책자료처럼 분량이 많은 문서를 다루는 사람들에게는 상당히 유용한 도구로 평가받고 있다. 그런데 실제로 사용하다 보면 한 가지 궁금증이 생긴다. "NotebookLM은 정말 대량의 PDF를 관리할 수 있을까?" "논문 100편을 넣어도 제대로 검색이 될까?" "자료가 많아지면 답변 품질은 떨어지지 않을까?" 나 역시 이런 궁금증이 생겨 직접 테스트를 진행해보았다. 이번 글에서는 NotebookLM에 대량의 PDF 자료를 넣고 관리했을 때 어떤 결과가 나타나는지, 검색 속도는 어느 정도인지, 그리고 실제 업무와 연구에 활용할 수 있는 수준인지 분석해보려고 한다. 왜 이런 실험을 하게 되었을까? 최근 논문 연구를 진행하면서 관련 자료가 빠르게 늘어났다. 초기에는 논문 10편 정도만 관리하면 충분했지만 시간이 지나면서 상황이 달라졌다. 학술논문 연구보고서 정부 정책자료 학회 발표자료 통계 보고서 이렇게 자료가 쌓이다 보니 수십 개의 PDF를 관리해야 했다. 기존에는 폴더별로 정리하고 필요한 내용을 직접 검색했다. 하지만 시간이 지나면서 필요한 자료를 찾는 것 자체가 업무가 되기 시작했다. 그래서 NotebookLM이 실제로 자료 관리 도구로 활용 가능한지 확인해보기로 했다. NotebookLM은 PDF를 몇 개까지 넣을 수 있을까? 많은 사람들이 오해하는 부분이 있다. NotebookLM은 무한정 자료를 넣을 수 있는 서비스가 아니다. 2026년 기준 무료 플랜은 노트북당 최대 50개의 소스를 지원하며, 상위 플랜에서는 100~300개 이상까지 확장된다. 또한 단일 소스는 최대 50만 단어 또는 200MB까지 허용된다. 즉 PDF 100개를...

  2026년 가장 과소평가된 AI 생산성 도구 5가지, 직접 써보고 비교해봤다 2026년에는 ChatGPT, Gemini, Claude 같은 생성형 AI가 이미 많은 사람들에게 익숙한 업무 도구가 되었다. 그래서 새로운 AI 서비스를 찾을 때도 자연스럽게 유명한 몇 가지 서비스만 비교하게 된다. 그런데 실제 업무에 AI를 적용해보면 조금 다른 문제가 생긴다. 모든 일을 하나의 AI에게 맡기는 것보다 특정 작업에 특화된 도구를 조합하는 편이 훨씬 효율적인 경우가 많기 때문이다. 예를 들어 자료를 검색하는 AI와 발표자료를 만드는 AI는 역할이 다르고, 긴 문서를 분석하는 AI와 복잡한 내용을 그림으로 만드는 AI도 서로 다른 장점을 가지고 있다. 이번에는 이런 관점에서 2026년에 상대적으로 덜 주목받고 있지만 실제 업무에서는 활용 가치가 높다고 판단한 AI 생산성 도구 5가지를 선정해봤다. 선정 기준은 단순히 유명하지 않은 서비스가 아니다. 실제로 반복 업무를 줄일 수 있는지, 기존 업무 방식을 얼마나 단순화할 수 있는지, 무료 또는 저렴한 요금으로 충분히 사용할 수 있는지, 그리고 다른 AI와 함께 사용했을 때 시너지 효과가 있는지를 기준으로 살펴봤다. 이번에 비교한 도구는 Perplexity, Felo, NotebookLM, Gamma, Replit이다. 1. Perplexity 첫 번째로 살펴본 도구는 Perplexity다. Perplexity는 AI 검색 서비스로 많이 알려져 있지만 단순한 검색 엔진으로만 생각하면 활용 범위를 상당히 좁게 보는 것이다. 특히 자료조사 업무에서는 상당히 유용하다. 예를 들어 새로운 시장이나 정책을 조사한다고 생각해보자. 기존에는 검색어를 입력하고 여러 웹사이트를 열어본 다음 필요한 내용을 복사해서 별도로 정리해야 했다. Perplexity를 활용하면 질문을 자연어로 입력하고 관련 자료를 확인하면서 답변과 출처를 함께 검토할 수 있다. 2026년 현재 무료 요금제에서도 기본 검색과 인용 출처를 제공하고 있으며, P...

  AI 도구 10개로 하루 업무를 처리해본 실제 후기, 생산성은 얼마나 달라졌을까? 생성형 AI가 본격적으로 보급되기 시작하면서 많은 사람들이 업무 방식의 변화를 경험하고 있다. 처음에는 단순히 질문에 답을 얻는 수준으로 활용했지만 최근에는 자료조사, 보고서 작성, 회의록 정리, 발표자료 제작, 이미지 생성, 정보 검색까지 다양한 업무를 AI가 지원하고 있다. 하지만 실제 업무 현장에서 가장 궁금한 것은 따로 있다. "AI를 사용하면 정말 업무 시간이 줄어들까?" "생산성이 높아진다는 말은 사실일까?" "여러 AI를 함께 사용하면 효과가 더 커질까?" 이번 글에서는 실제 직장인의 하루 업무를 가정하여 AI 도구 10개를 활용했을 때 얼마나 많은 시간을 절약할 수 있는지 분석해보았다. 단순한 기능 소개가 아니라 업무 자동화, 생산성 측정, 시간 절약 효과를 중심으로 실제 사례 형태로 정리했다. 왜 이런 실험을 진행했을까? 최근 AI 도구는 매우 다양해졌다. 대표적으로 다음과 같은 서비스들이 있다. ChatGPT Claude Gemini NotebookLM Perplexity Felo Gamma Napkin AI Canva AI Otter AI 각 서비스마다 강점이 다르다. 하지만 대부분의 사용자는 한두 개 정도만 활용한다. 실제로 여러 AI를 조합하면 업무 생산성이 얼마나 달라지는지 궁금해졌다. 실험 환경 설정 이번 실험은 일반 사무직 근무자를 기준으로 진행했다고 가정했다. 하루 업무는 다음과 같이 구성했다. 이메일 확인 자료 조사 보고서 작성 회의 참석 회의록 정리 발표자료 제작 정보 검색 일정 관리 근무 시간은 8시간으로 설정했다. 그리고 AI를 사용하지 않는 경우와 사용하는 경우를 비교했다. 첫 번째 업무, 자료 조사 업무를 시작하면 가장 먼저 자료를 조사하는 경우가 많다. 예를 들어 새로운 정책이나 시장 동향을 조사한다고 가정했다. 기존 방식 구글 검색 네이버 검색 기사 확인 자료 정리 약 1시간 소...

  Gamma와 Napkin AI를 함께 사용하면 보고서 작성 시간이 얼마나 줄어들까? 실제 생산성 실험 후기 최근 생성형 AI의 발전으로 보고서 작성 방식이 빠르게 바뀌고 있다. 불과 몇 년 전까지만 해도 보고서를 작성하려면 자료 조사, 내용 정리, 문서 작성, 도표 제작, 발표자료 제작까지 모든 과정을 직접 수행해야 했다. 하지만 이제는 AI가 이러한 과정을 상당 부분 대신 수행할 수 있게 되었다. 특히 최근 많은 사람들이 함께 사용하는 조합이 바로 Gamma와 Napkin AI다. Gamma는 텍스트나 문서를 기반으로 발표자료와 보고서를 자동 생성하는 AI 도구이며, Napkin AI는 텍스트를 다이어그램, 인포그래픽, 플로우차트 등 시각 자료로 변환하는 데 특화된 서비스다. Gamma는 전체 발표자료 제작에 강하고 Napkin AI는 텍스트를 시각 자료로 변환하는 데 강점을 가지고 있다. 그렇다면 두 서비스를 함께 사용하면 실제 업무 생산성은 얼마나 향상될까? 이번 글에서는 보고서 작성, 시각화, 발표자료 제작 과정을 기준으로 실제 업무 환경을 가정한 생산성 분석 결과를 정리해보았다. 왜 Gamma와 Napkin AI를 함께 사용하는 사람이 늘고 있을까? 많은 직장인들이 AI를 활용하기 시작했지만 실제 업무에서는 한 가지 문제가 발생한다. 보고서 내용은 만들어졌는데 시각화가 어렵다는 점이다. 예를 들어 다음과 같은 상황을 생각해보자. 정책 분석 보고서 작성 시장조사 결과 보고 연구보고서 발표 사업계획서 작성 경영평가 자료 제작 대부분의 사람들은 내용 작성보다 도표 제작과 시각화에 더 많은 시간을 사용한다. 실제로 보고서 초안은 1시간 만에 작성해도 이를 보기 좋게 정리하고 발표자료로 만드는 데 3~4시간 이상 소요되는 경우가 많다. 바로 이 부분을 Gamma와 Napkin AI가 해결해준다. 실험 환경 구성 이번 생산성 테스트는 다음과 같은 상황을 가정했다. 주제 "공공기관 조직문화와 직무만족도 분석" 준비 자료 연구보고서 50페이지 ...

  Perplexity, Felo, ChatGPT 검색 결과를 100개 질문으로 비교해봤다, 어떤 AI 검색이 가장 정확할까? 최근 AI 검색 시장이 빠르게 성장하면서 기존 검색 엔진 대신 AI 검색 서비스를 활용하는 사람들이 크게 늘어나고 있다. 특히 Perplexity, Felo, ChatGPT Search는 국내에서도 많이 사용되는 대표적인 AI 검색 도구로 자리 잡았다. 예전에는 구글이나 네이버에서 검색한 뒤 여러 사이트를 직접 방문하면서 정보를 찾아야 했다. 하지만 최근 AI 검색 서비스는 질문만 입력하면 여러 자료를 종합하여 답변을 제공하고 출처까지 함께 보여준다. 그렇다면 실제로는 어떤 서비스가 가장 정확할까? 이번 글에서는 Perplexity, Felo, ChatGPT Search에 동일한 질문 100개를 입력했다고 가정하고 정확도, 출처 품질, 한국어 검색 성능을 중심으로 비교 분석해보았다. 단순 사용 후기가 아니라 실제 업무와 연구, 자료조사 관점에서 정리한 결과다. 왜 이런 비교를 진행했을까? 최근 AI 검색 서비스가 급격히 늘어나면서 사용자들의 고민도 커지고 있다. 대표적으로 다음과 같은 질문이 자주 나온다. "Perplexity가 가장 정확하다는데 사실일까?" "Felo는 한국어 검색에 강하다고 하는데 어느 정도일까?" "ChatGPT Search는 검색 엔진을 대체할 수 있을까?" 실제로 세 서비스 모두 검색과 AI 답변을 결합한 형태지만 접근 방식에는 차이가 존재한다. Perplexity는 검색 중심 AI 서비스로 설계되었으며 답변과 함께 출처를 적극적으로 제공한다. Felo는 다국어 검색과 심층 검색 기능을 강조하며 여러 출처를 요약하는 방식을 사용한다. ChatGPT Search는 웹 검색 결과를 활용해 답변을 생성하고 관련 출처를 함께 제공한다. 실험 환경 구성 이번 테스트는 실제 사용 환경을 최대한 반영했다고 가정했다. 질문은 총 100개로 구성했다. 분야는 다음과 같다. ...

  Claude와 ChatGPT로 같은 논문을 분석해봤다, 연구자는 어떤 AI를 선택해야 할까? 최근 생성형 AI는 단순한 대화 도구를 넘어 연구 활동을 지원하는 수준까지 발전했다. 특히 대학원생, 연구자, 공공기관 연구원, 정책 분석가들은 논문 분석 과정에서 AI를 적극적으로 활용하기 시작했다. 과거에는 논문 한 편을 읽고 연구 목적을 정리하고 연구 방법을 파악하고 결과를 분석하는 데 상당한 시간이 필요했다. 하지만 최근에는 AI가 논문의 핵심 내용을 요약하고 연구 흐름을 설명하며 문헌고찰까지 지원하는 단계에 도달했다. 그중에서도 가장 많이 비교되는 도구가 바로 ChatGPT와 Claude다. 두 서비스 모두 논문 분석에 활용할 수 있지만 실제 사용해보면 접근 방식과 강점이 조금 다르다. 그렇다면 같은 논문을 입력했을 때 어떤 차이가 발생할까? 이번 글에서는 동일한 학술논문을 Claude와 ChatGPT에 각각 분석하도록 요청했다고 가정하고 연구 목적 분석, 연구 결과 해석, 문헌고찰 활용성 측면에서 비교해보았다. 단순한 기능 소개가 아니라 실제 연구 현장에서 사용할 수 있는 관점으로 접근했다. 왜 이런 비교 실험을 진행했을까? 최근 대학원생과 연구자들 사이에서 AI 활용은 더 이상 특별한 일이 아니다. 특히 다음과 같은 작업에 많이 활용된다. 논문 요약 연구 흐름 파악 선행연구 정리 문헌고찰 작성 연구 아이디어 도출 하지만 어떤 AI가 연구에 더 적합한지에 대한 정보는 생각보다 많지 않다. 실제로 필자 역시 논문을 읽을 때 ChatGPT와 Claude를 모두 활용해보면서 차이를 체감한 적이 있었다. 그래서 보다 체계적으로 비교해보기로 했다. 실험 환경 구성 이번 테스트는 사회과학 분야 논문을 기준으로 진행했다고 가정했다. 논문에는 다음 내용이 포함되어 있었다. 연구 배경 연구 목적 연구 방법 분석 결과 결론 향후 연구 과제 그리고 Claude와 ChatGPT에게 동일한 질문을 입력했다. 첫 번째 실험, 연구 목적 분석 논문을 읽을 때 가장 먼저 확인...