4장 리서치 및 비즈니스 인텔리전스

2023년 봄, 서울 강남의 한 스타트업 대표는 새벽 두 시까지 경쟁사 웹사이트를 열어가며 스프레드시트에 가격을 옮겨 적고 있었습니다.

탭을 서른 개쯤 열어놓고 앱스토어 리뷰를 읽다가, 블라인드 게시판으로 건너가 채용 공고를 훑고, 다시 크런치베이스에서 투자 이력을 확인했습니다. 이 작업을 매달 반복했습니다.

다른 도시의 다른 사무실에서는 비슷한 시각에 비슷한 장면이 벌어지고 있었습니다. 투자 애널리스트가 수십 개의 뉴스 사이트를 돌며 아침 브리핑을 만들고, 대학원생이 PubMed에서 논문 수백 편을 걸러내며 문헌 검토 초안을 쓰고, 마케팅 팀장이 과거 캠페인 데이터를 뒤져 다음 프로젝트의 성공 확률을 어림짐작하고 있었습니다.

이 네 가지 작업에는 공통된 구조가 있습니다.

방대한 양의 정보를 수집하고, 노이즈를 걸러내고, 패턴을 찾아내고, 사람이 판단할 수 있는 형태로 정리하는 것입니다. 시간이 오래 걸리는 이유는 정보가 흩어져 있기 때문이고, 실수가 생기는 이유는 사람의 주의력에 한계가 있기 때문입니다.

코워크는 이 네 가지 리서치 업무에서 수집과 정리를 대신합니다.

브라우저를 열어 경쟁사 사이트를 순회하고, 뉴스 피드를 읽어 요약본을 만들고, 논문을 분석하여 비교표를 짜고, 과거 데이터에서 예측 모델을 구성합니다. 사람에게 남는 일은 기계가 정리한 결과를 의심하고, 해석하고, 결정을 내리는 것입니다.

정보 수집과 인텔리전스는 다릅니다. 정보 수집은 "무슨 일이 있었는가"를 모으는 일이고, 인텔리전스는 "그래서 우리에게 무슨 의미인가"를 판단하는 일입니다.

코워크는 전자를 압도적인 속도로 해치웁니다. 후자는 여전히 사람의 영역입니다. 기계가 정리해 준 보고서를 읽을 때, 텍스트에 적힌 것만큼이나 텍스트에 빠진 것을 살피는 눈이 필요합니다.

1 자동화된 경쟁사 심층 분석

가 왜 필요한가

경쟁사 분석은 화면을 몇 장 캡처해서 붙이는 일이 아닙니다. 하나의 정찰 체계를 만드는 일에 가깝습니다.

경쟁사가 가격을 바꿨는지, 새 기능을 출시했는지, 어떤 직군을 채용하는지, 고객들이 어디에서 불만을 표출하는지를 파악해야 합니다. 이 정보들은 한 곳에 모여 있지 않습니다. 웹사이트, 블로그, 소셜 미디어, 앱스토어, 리뷰 플랫폼, 채용 공고에 흩어져 있습니다.

사람이 이 작업을 할 때 두 가지 문제가 생깁니다. 하나는 시간입니다. 경쟁사 세 곳을 분석하려면, 각 회사의 가격 페이지를 확인하고, 기능 목록을 비교하고, G2나 캡테라(Capterra) 같은 리뷰 사이트에서 고객 평가를 읽고, 링크드인에서 채용 동향을 파악해야 합니다.

이 데이터를 엑셀에 옮겨 비교표를 만들고, 경영진이 읽을 수 있는 보고서로 정리하는 데 최소 며칠이 걸립니다. 보고서가 완성되어 책상에 올라갈 때쯤이면, 시장은 이미 한 발 더 움직인 뒤입니다.

다른 하나는 일관성입니다. 사람은 피곤하면 탭 하나를 건너뜁니다. 익숙한 경쟁사에 집중하고 신생 업체를 놓칩니다. 금요일 오후에 작성한 분석과 월요일 아침에 작성한 분석의 깊이가 다릅니다. 코워크는 건너뛰지 않습니다. 목록에 있는 모든 대상을 동일한 깊이로 조사합니다.

나 무엇을 해주는가

코워크의 경쟁사 분석은 두 가지 기술의 결합입니다. 하나는 클로드 인 크롬(Claude in Chrome, 크롬 브라우저를 AI가 직접 조작하는 확장 프로그램)입니다. 코워크가 지정된 URL로 이동하여 페이지를 스크롤하고, 가격표를 읽고, 스크린샷을 찍어 레이아웃을 분석합니다. 다른 하나는 서브 에이전트 병렬 처리입니다. 경쟁사가 세 곳이면 세 개의 서브 에이전트가 동시에 움직이고, 메인 에이전트가 결과를 종합합니다.

최종 산출물은 두 가지입니다. 경쟁사별 가격, 기능, 타겟 고객을 한눈에 비교하는 엑셀 매트릭스와, 전략적 시사점까지 포함한 Word 형식의 정보 보고서(Intelligence Report)입니다.

[알아두기] 웹 스크래핑의 법적 경계

브라우저 자동화로 경쟁사 웹사이트의 공개 정보를 수집하는 것은 기술적으로 가능합니다. 그러나 " 수집 가능성"과 "수집 적법성"은 다른 문제입니다. 로봇 배제 표준(robots.txt)은 웹사이트 소유자가 자동화된 접근을 통제하는 수단으로 30년 넘게 쓰여 왔습니다. 경쟁사 사이트의 이용약관, 로봇 정책, 접근 빈도 제한을 먼저 확인해야 합니다. 공식 API가 있으면 HTML 스크래핑보다 API를 우선합니다. 로그인이 필요한 페이지, 유료 콘텐츠, 개인정보가 포함된 영역은 수집 대상에서 제외합니다. 기술적으로 할 수 있는 것과 법적으로 해도 되는 것의 경계를 지키는 것이 자동화의 첫 번째 원칙입니다.

다 어떻게 하는가: 기본 사용

경쟁사 한 곳의 공개 정보를 수집하여 요약 문서를 만드는 것부터 시작합니다.

따라하기

① 바탕화면에 "경쟁사_분석"이라는 폴더를 만듭니다.

② Claude Desktop 앱을 열고 상단의 "Cowork" 탭을 클릭합니다.

③ 좌측 사이드바에서 "경쟁사_분석" 폴더에 읽기/쓰기 권한을 부여합니다.

④ 커넥터(Connector) 설정에서 Claude in Chrome이 활성화되어 있는지 확인합니다. 설정 > 커넥터에서 Chrome 확장 프로그램이 연결된 상태여야 합니다.

⑤ 다음 프롬프트를 입력합니다.

"경쟁사 A의 웹사이트(www.competitor-a.com)를 방문해서 다음 정보를 수집해 줘. 1) 가격 페이지에서 요금제별 가격과 포함 기능, 2) 제품 소개 페이지에서 핵심 가치 제안과 타겟 고객 메시지, 3) 블로그에서 최근 3개월 이내 게시글 중 제품 업데이트 관련 내용. 수집한 정보를 Word 파일로 정리해서 이 폴더에 저장해 줘."

⑥ 코워크가 계획을 세워 사이드바에 표시합니다. "가격 페이지 방문 → 제품 소개 페이지 방문 → 블로그 탐색"이라는 순서를 확인한 뒤 실행을 승인합니다.

⑦ 브라우저가 자동으로 열리고 코워크가 각 페이지를 순회합니다. 탭 테두리가 주황색으로 변하면 코워크가 해당 탭을 제어하고 있다는 표시입니다. ⑧ 작업이 완료되면 폴더에 Word 문서가 생성됩니다.

라 어떻게 하는가: 응용 사례

경쟁사를 여러 곳으로 늘리고, 리뷰 데이터를 추가합니다.

① 다음 프롬프트를 입력합니다.

"AI 앱 빌더 시장의 경쟁사 3곳을 분석해 줘. 대상: Replit, Lovable, Bolt. 각 회사의 웹사이트를 방문해서 다음을 수집해 줘.

1) 요금제별 가격과 무료 체험 조건, 2) 핵심 기능과 한계점, 3) 메인 가치 제안과 타겟 고객층, 4) G2 리뷰에서 최근 6개월간 반복되는 긍정 키워드와 부정 키워드. 세 곳을 서브 에이전트로 동시에 조사해 줘. 결과를 엑셀 비교 매트릭스와 Word 보고서 두 파일로 만들어줘."

② 코워크 사이드바에 세 개의 서브 에이전트가 동시에 실행되는 모습이 보입니다. 각각 Replit 담당, Lovable 담당, Bolt 담당으로 표시됩니다.

③ 약 5~10분 뒤 폴더에 두 파일이 생성됩니다. 엑셀 파일을 열면 각 경쟁사의 가격, 기능, 리뷰 키워드가 같은 행에 정렬되어 있습니다.

마 어떻게 하는가: 실전 활용

비교 매트릭스를 넘어서, 전략적 시사점과 포지셔닝 맵까지 포함하는 본격적인 보고서를 만듭니다.

① 다음 프롬프트를 입력합니다.

"앞서 분석한 Replit, Lovable, Bolt 데이터를 바탕으로 경영진 보고용 경쟁 인텔리전스 보고서를 만들어 줘. 다음 구조를 따라 줘.

경영진 요약 — 핵심 발견 3줄 경쟁사별 포지셔닝 맵 — 가로축: 기술 난이도(비개발자 친화 ↔ 개발자 중심), 세로축: 가격대(저가 ↔고가). 각 경쟁사 위치를 설명해 줘 가격 비교표 — 무료, 기본, 프로, 엔터프라이즈 티어별 비교 기능 SWOT 매트릭스 — 각 경쟁사의 강점, 약점, 기회, 위협 고객 리뷰 감성 분석 — 긍정·부정 키워드 빈도와 최근 추세 자사 시사점 — 우리가 공략할 수 있는 포지셔닝 공백과 진입 전략 제안 Word 보고서로 만들고, 별도로 엑셀에 원본 데이터 시트를 첨부해 줘."

② 코워크가 서브 에이전트를 재활용하거나 새로 생성하여 작업합니다. 데이터가 부족한 영역이 있으면, 코워크는 스스로 "추가 검색이 필요하다"고 판단하고 뉴스 기사나 기술 블로그를 추가로 탐색합니다. 사이드바에 이 판단 과정이 표시됩니다.

③ 완성된 보고서를 열면, 포지셔닝 맵에서 각 경쟁사의 위치가 서술되어 있고, SWOT 매트릭스에서 "Lovable은 비개발자 접근성이 높지만 확장성에서 약하다"는 식의 분석이 담겨 있습니다.

바 기계가 읽지 못하는 것

코워크가 만든 보고서는 웹페이지에 공개된 텍스트를 분석한 결과입니다. 경쟁사가 의도적으로 숨긴 정보, 가격 페이지에 드러나지 않는 숨은 할인 조건, 채용 공고 뒤에 깔린 조직 개편의 맥락은 기계의 분석 범위 밖에 있습니다.

경쟁사가 갑자기 가격을 내린 것이 현금 흐름이 막혀서인지, 시장을 독점하기 위한 전략적 선택인지 기계는 판별하지 못합니다. 리뷰 사이트의 별점 추이는 보여주지만, 그 리뷰가 경쟁사의 자작극인지 진짜 사용자의 목소리인지 구분하는 것은 사람의 몫입니다.

보고서의 진짜 가치는 데이터 수집이 끝난 뒤에 시작됩니다. 매트릭스에 정렬된 숫자들이 가리키는 방향을 따를 것인지, 그 숫자가 보여주지 못하는 시장의 이면을 직관으로 읽을 것인지는 보고서를 쥐고 있는 사람의 결단에 달려 있습니다.

사 이런 문제가 생겼다면

(1) 특정 경쟁사 웹사이트에서 데이터를 가져오지 못한다 경쟁사가 봇 차단(bot protection)을 적용했거나, 자바스크립트 렌더링이 필요한 동적 페이지일 수 있습니다. 코워크에 "해당 페이지에 접근이 안 되면, 캐시된 버전이나 뉴스 기사, 리뷰 사이트에서 같은 정보를 대체 수집해 줘"라고 대안 경로를 지시합니다.

(2) 리뷰 데이터의 양이 너무 적다 신생 기업이거나 B2B 제품이면 공개 리뷰가 부족할 수 있습니다. "G2에 리뷰가 5건 미만이면, 레딧(Reddit)과 해커뉴스(Hacker News)에서 해당 제품 언급을 검색해 줘"라고 검색 범위를 확장합니다.

(3) 엑셀 비교표의 항목 기준이 경쟁사마다 다르다 A사는 "월 100건"이라 적고 B사는 "무제한"이라 적은 경우, 같은 열에 넣기 어렵습니다. 프롬프트에 "비교가 불가능한 항목은 원문 그대로 적고, 해당 셀에 노란색 배경을 넣어 줘"라고 지시하면, 나중에 사람이 직접 판단해야 할 곳이 시각적으로 구분됩니다.

2 최신 산업 뉴스 및 트렌드 브리핑

가 왜 필요한가

아침에 눈을 뜬 투자자나 기업의 경영진은 스마트폰 화면을 켜자마자 수백 개의 뉴스 헤드라인과 마주합니다.

AI 규제에 관한 유럽연합의 새 법안, 반도체 기업의 실적 발표, 글로벌 공급망을 흔드는 지정학적 뉴스가 한데 뒤섞여 있습니다. 이 거대한 소음 속에서 오늘 나의 비즈니스에 실제로 영향을 미치는 뉴스 세 건을 골라내고, 그 뉴스가 의미하는 바를 세 줄로 정리하는 일은 매일 아침 치러야 하는 가혹한 의식입니다.

구글 알리미(Google Alerts)를 쓰는 사람도 있습니다.

그러나 구글 알리미는 키워드 매칭에 의존합니다. "AI 규제"를 설정하면 본문에 "AI 규제"가 등장하는 기사만 잡아냅니다. "유럽연합이 고위험 시스템에 대한 새로운 준수 기한을 발표했다"는 기사는 키워드가 정확히 일치하지 않아 빠질 수 있습니다. 코워크의 LLM 기반 필터링은 의미 수준에서 관련성을 판단합니다. "AI 규제"라는 단어가 없어도 내용이 AI 규제와 관련되면 포착합니다.

나 무엇을 해주는가

코워크의 예약 작업(Scheduled Task)을 설정하면, 지정된 시간에 코워크가 스스로 깨어나 뉴스를 수집하고, 필터링하고, 요약하고, 파일을 만들어 폴더에 저장합니다. 매일 같은 시간에 같은 품질의 브리핑이 도착합니다. 사람이 바쁘거나 아플 때도 멈추지 않습니다.

산출물은 두 가지 형태입니다. 하나는 텍스트 브리핑입니다. 각 뉴스를 세 문장 이내로 요약하고, 자사 사업에 미치는 시사점을 한 문장으로 덧붙입니다. 다른 하나는 카드 뉴스 형태의 이미지입니다. 파이썬 스크립트를 활용하여 핵심 수치와 한 줄 요약을 시각적 카드로 렌더링합니다.

[알아두기] 예약 작업의 실행 조건 코워크의 예약 작업은 클라우드가 아니라 사용자의 컴퓨터에서 로컬로 실행됩니다.

컴퓨터가 켜져 있고 Claude Desktop 앱이 열려 있어야 작동합니다. 컴퓨터가 잠들어 있거나 앱이 닫혀 있으면, 다시 켰을 때 밀린 작업을 자동으로 실행합니다.

정확한 시간에 반드시 실행되어야 하는 업무라면, 컴퓨터의 절전 설정을 조정하고 앱을 상시 실행 상태로 두어야 합니다.

다 어떻게 하는가: 기본 사용

매일 아침 AI 산업 뉴스 다섯 건을 요약하는 텍스트 브리핑을 자동 생성합니다.

따라하기① 바탕화면에 "일일_브리핑"이라는 폴더를 만듭니다. ② Claude Desktop에서 Cowork 탭으로 전환하고, 이 폴더에 읽기/쓰기 권한을 부여합니다. ③ 채팅 입력창에 /schedule 을 입력합니다. 예약 작업 생성 화면이 열립니다. ④ 다음 프롬프트를 입력합니다.

"매일 아침 8시에 다음 작업을 실행해 줘. 웹 검색을 통해 지난 24시간 동안 발생한 AI 산업 관련 뉴스 중 가장 중요한 5건을 선별해 줘. 각 뉴스를 세 문장 이내로 요약하고, 출처 URL을 함께 적어 줘. 파일 이름은 'YYYY-MM-DD_AI_모닝브리핑.txt' 형식으로, 이 폴더에 저장해 줘."

⑤ 코워크가 작업 이름, 실행 주기, 작업 내용을 정리해서 보여줍니다. "Schedule" 버튼을 눌러 확정합니다.

⑥ 좌측 사이드바의 "Scheduled" 탭에서 등록된 예약 작업을 확인할 수 있습니다.

⑦ 다음 날 아침 8시, 폴더에 텍스트 파일이 생성되어 있습니다.

라 어떻게 하는가: 응용 사례

뉴스 소스를 구체적으로 지정하고, 관련도 태그와 시사점을 추가합니다. ① 기존 예약 작업을 편집하거나 새로 만듭니다. /schedule 을 입력합니다.

② 다음 프롬프트를 입력합니다.

"매일 아침 7시 30분에 다음 작업을 실행해 줘. 뉴스 소스는 TechCrunch, The Verge, 전자신문, 블룸버그 테크 섹션을 우선으로 검색해 줘. 나는 B2B SaaS 기업의 사업개발 담당자야. 이 관점에서 뉴스를 선별해 줘. 각 뉴스에 자사 사업과의 관련도를 상·중·하로 표시하고, '관련도 상'인 뉴스에는 한 문장짜리 시사점을 덧붙여 줘. Word 파일로 저장해 줘."

③ 코워크가 의미 기반 필터링을 적용하여, 키워드 일치가 아닌 내용의 관련성으로 뉴스를 걸러냅니다.

마 어떻게 하는가: 실전 활용

텍스트 브리핑에 카드 뉴스 이미지를 추가하고, 슬랙(Slack) 채널로 자동 전송합니다.

① 설정 > 커넥터에서 슬랙 커넥터가 연결되어 있는지 확인합니다. 슬랙 워크스페이스와 전송할 채널(예: #아침브리핑)을 지정합니다.

② 다음 프롬프트로 예약 작업을 만듭니다.

"매일 아침 7시에 다음 작업을 자동으로 실행해 줘. 웹 검색으로 AI, 반도체, 클라우드 인프라 분야의 지난 24시간 주요 뉴스 5건을 선별해 줘. 중복 기사는 걸러내고, 루머보다 실적 발표나 공식 제품 출시 같은 팩트 기반 기사를 우선해 줘. 나는 AI 기술 기업에 투자하는 벤처캐피털 심사역이야. 이 관점에서 각 뉴스의 투자 시사점을 분석해 줘. 분석 결과를 'YYYY-MM-DD_모닝브리핑.docx' Word 파일로 이 폴더에 저장해 줘. 파이썬 스크립트를 활용하여 오늘 브리핑의 핵심 뉴스 3건을 각각 카드 뉴스 이미지(PNG)로 만들어 줘. 카드에는 뉴스 제목, 핵심 수치, 한 줄 시사점을 넣어 줘.

완성된 카드 뉴스 이미지 3장을 슬랙의 #아침브리핑 채널로 전송해 줘.”

③ 코워크가 예약 작업을 등록하고, 첫 실행 시 파이썬의 Pillow 라이브러리를 활용하여 이미지를 생성합니다. 슬랙 커넥터를 통해 지정된 채널에 카드 뉴스가 자동으로 올라갑니다.

④ 주간 단위로는 일일 브리핑에서 반복 등장한 키워드와 주제를 집계하여 "이번 주 트렌드 리포트"를 별도로 생성하는 예약 작업을 추가할 수 있습니다.

바 기계가 빠뜨리는 것

기계가 뉴스를 선별하고 요약하는 과정에는 알고리즘의 판단이 개입합니다. 기계가 중요하지 않다고 판단하여 버린 기사들 속에, 세상을 바꿀 미세한 신호가 숨어 있을 수 있습니다.

사람이 매일 뉴스를 읽으면서도 놓치기 쉬운 것은 느린 변화입니다. 어제와 오늘의 뉴스는 비슷해 보이지만, 한 달 전과 비교하면 지형이 달라져 있는 경우가 있습니다. 에이전트는 일일 단위에서 이 변화를 수치로 포착하지만, "이 변화가 정말 의미 있는 전환인가"를 판단하는 것은 사람의 몫입니다.

기계가 정리해 준 시사점은 과거의 데이터를 바탕으로 한 추론이지, 미래를 확언하는 예언이 아닙니다. 매끄럽게 디자인된 카드 뉴스를 넘기며, 기계의 시선으로 편집된 세상을 맹신하지 않고 언제든 원문을 찾아가 확인하는 습관을 유지해야 합니다.

사 이런 문제가 생겼다면

(1) 예약 시간에 작업이 실행되지 않았다 컴퓨터가 잠들어 있었거나 Claude Desktop 앱이 닫혀 있었을 가능성이 큽니다. 앱을 다시 열면 밀린 작업이 자동으로 실행됩니다. 매일 정시 실행이 필요하면, 운영체제의 절전 설정에서 해당 시간에 자동 깨우기를 설정합니다.

(2) 뉴스 요약이 피상적이다 프롬프트에 페르소나를 구체적으로 지정하지 않으면, 코워크는 일반적인 관점에서 요약합니다. "나는 반도체 섹터에 집중 투자하는 애널리스트야. 엔비디아, TSMC, 삼성전자의 실적과 공급망 변화에 초점을 맞춰 줘"처럼 관심 영역을 좁히면 분석의 깊이가 달라집니다.

(3) 카드 뉴스 이미지의 한글이 깨진다 파이썬의 이미지 생성 라이브러리가 한글 폰트를 찾지 못할 때 발생합니다. 프롬프트에 "한글 폰트는 시스템에 설치된 '맑은 고딕'을 사용해 줘"라고 지정하거나, 폴더에 사용할 폰트 파일(.ttf)을 미리 넣어두면 해결됩니다.

3 전문 문헌 및 학술 리서치

가 왜 필요한가

연구자 한 명이 "비타민 D 보충이 면역 기능에 미치는 효과"를 조사한다고 가정합니다. PubMed에 키워드를 입력하면 수천 건의 논문이 쏟아집니다. 이 중에서 메타분석인지 임상시험인지 확인하고, 표본 크기가 충분한지 판단하고, 최근 5년 이내 연구인지 걸러내고, 결론이 서로 상충하는 논문들을 비교하며 문헌 검토(Literature Review)를 완성하기까지 수주에서 수개월이 걸립니다.

PubMed 한 곳만 해도 3,900만 건이 넘는 생의학 문헌을 보유하고 있습니다. 이 규모에서 키워드 하나로 검색하면, 관련 논문의 상당수를 놓칩니다. "vitamin D supplementation"으로 검색한 결과와 "cholecalciferol AND immune response"로 검색한 결과는 겹치는 논문이 절반도 되지 않을 수 있습니다. 동의어, 하위 개념, MeSH 용어(Medical Subject Headings, 미국 국립의학도서관이 관리하는 의학 주제 분류 체계)를 조합해야 검색 범위가 넓어집니다. 이 검색식 설계 자체가 전문 기술입니다.

나 무엇을 해주는가

코워크는 이 과정의 상당 부분을 압축합니다. 사용자가 던진 넓은 주제를 여러 하위 쿼리로 분해하고, 학술 데이터베이스에 동시 투입하여 논문을 수집합니다. 수집된 논문을 연구 유형별로 분류하고, 각 논문에서 연구 설계, 대상자 수, 측정 지표, 주요 결과를 추출하여 구조화된 비교표를 만듭니다. 결론이 일치하는 영역과 상충하는 영역을 구분하고, 추가 연구가 필요한 공백(Research Gap)을 식별합니다.

최종 산출물은 서론, 방법론, 비교 분석, 결론이 갖춰진 학술 리뷰 형식의 문서입니다. 모든 주장의 끝에는 참고 논문의 인용 표기가 달립니다.

코워크의 Opus 4.6 모델은 100만 토큰(약 75만 단어)의 맥락 창(Context Window)을 가지고 있어, 수십 편의 논문 전문을 동시에 올려놓고 교차 분석하는 것이 기술적으로 가능합니다.

[알아두기] 근거 피라미드란?

의학 연구에서는 모든 논문이 동일한 무게를 갖지 않습니다. 체계적 문헌고찰(Systematic Review)과 메타분석이 최상위에 놓이고, 무작위 대조시험(RCT, Randomized Controlled Trial)이 그 다음, 관찰 연구와 사례 보고가 하위에 놓입니다. 이 위계를 근거 피라미드(Evidence Pyramid)라 부릅니다. 코워크에 문헌 검토를 지시할 때 이 피라미드를 기준으로 가중치를 부여하도록 안내하면, 결과물의 학술적 엄밀성이 올라갑니다.

다 어떻게 하는가: 기본 사용

폴더에 미리 모아둔 논문 PDF 10편을 코워크에 읽히고, 비교 요약표를 만드는 것부터 시작합니다.

따라하기

① 바탕화면에 "문헌_리뷰"라는 폴더를 만듭니다.

② 이전에 다운로드해 둔 논문 PDF 10편을 이 폴더에 넣습니다.

③ Cowork 탭에서 이 폴더에 읽기/쓰기 권한을 부여합니다.

④ 다음 프롬프트를 입력합니다.

"이 폴더에 있는 10편의 PDF 논문을 모두 읽고, 각 논문에서 다음 정보를 추출해서 엑셀 비교표로 만들어 줘. 열 구성: 저자, 발행 연도, 연구 유형(RCT/관찰연구/메타분석 등), 대상자 수, 주요 개입, 측정 지표, 핵심 결과, 연구의 한계점, 인용 정보. 추출이 끝나면 '논문_비교표.xlsx'로 저장해 줘."

⑤ 코워크가 PDF를 순차적으로 읽으며 데이터를 추출합니다. 논문 분량이 많으면 서브 에이전트를 나누어 병렬 처리합니다. ⑥ 폴더에 엑셀 파일이 생성됩니다. 각 논문이 한 행씩 정리되어 있습니다.

라 어떻게 하는가: 응용 사례

PDF를 직접 넣는 대신, 코워크에 주제를 주고 웹 검색을 통해 논문을 찾아오게 합니다.

① 다음 프롬프트를 입력합니다.

"비타민 D 보충이 호흡기 감염 예방에 미치는 효과를 주제로 문헌 검토를 해 줘. PubMed와 Google Scholar를 검색해서, 최근 5년 이내 발표된 메타분석과 무작위 대조시험을 우선 수집해 줘. 최소 15편 이상 확보하고, 각 논문의 초록에서 연구 설계, 표본 크기, 투여 용량, 주요 결과를 추출해서 비교표를 만들어 줘. 결론이 상충하는 논문이 있으면, 왜 결과가 다른지 방법론적 차이를 분석해 줘."

② 코워크가 검색어를 자동으로 확장합니다.

"vitamin D supplementation AND respiratory infection"뿐 아니라 "cholecalciferol AND upper respiratory tract infection", "25-hydroxyvitamin D AND pneumonia prevention" 같은 변형 쿼리를 동시에 투입합니다.

③ 수집된 논문을 근거 피라미드에 따라 분류하고, 메타분석에 높은 가중치를 부여합니다.

마 어떻게 하는가: 실전 활용

완전한 문헌 검토 보고서를 생성하고, 연구 공백까지 식별합니다.

① 앞의 응용 사례에서 확보한 데이터를 바탕으로, 다음 프롬프트를 추가합니다.

"수집한 논문 데이터를 바탕으로 정식 문헌 검토 보고서를 작성해 줘. 다음 구조를 따라 줘. 서론 — 연구 배경과 검토 목적 검색 전략 — 사용한 데이터베이스, 검색어, 포함·배제 기준 근거 요약 — 비타민 D 일일 1000IU 이하 투여군과 2000IU 이상 투여군의 효과 비교, 연령대별 결과 차이 상충 분석 — 결론이 엇갈리는 논문들의 방법론적 차이를 논리적으로 설명 연구 공백 — 기존 연구에서 다루지 못한 인구집단(소아, 아시아 인구 등)과 조건을 지적 참고문헌 — 인용한 모든 논문의 서지 정보를 학술 형식으로 정리 Word 파일로 생성하고, 별도로 엑셀 비교표를 첨부해 줘."

② 코워크가 서브 에이전트를 분리하여, 한쪽은 저용량 논문을, 다른 쪽은 고용량 논문을 분석한 뒤 메인 에이전트가 종합하는 방식으로 작업합니다.

③ 완성된 보고서에는 "비타민 D 일일 1000IU 투여 시 호흡기 감염 발생률이 감소했다는 결론은 5건의 RCT에서 일관되게 보고되었으나, 2건에서는 유의미한 차이가 없었다. 이 불일치는 대상자의 기저 비타민 D 수준 차이로 설명될 수 있다"와 같은 비판적 분석이 담겨 있습니다.

바 의학 분야만의 이야기가 아닙니다

같은 프레임워크가 법학, 공학, 사회과학에 동일하게 적용됩니다. AI 기본법의 해외 입법례를 비교한다고 할 때, EU AI Act, 미국의 행정명령, 중국의 생성형 AI 관리방법, 일본의 AI 가이드라인을 코워크가 체계적으로 수집하고 비교표를 만들어주면, 연구자는 분석과 해석에 집중할 수 있습니다. 특허 분쟁에서 선행기술 조사를 할 때도, 판례 검색과 기술 문헌 조사에도 같은 구조가 작동합니다.

사 기계가 짚지 못하는 것

코워크가 만든 문헌 검토는 초고입니다. 기계는 논문에 적힌 수치와 방법론을 분석하는 데 정확하지만, 그 데이터가 생산된 현실 세계의 복잡한 변수를 온전히 고려하지 못합니다. 제약회사의 후원을 받아 미세하게 편향된 연구 설계를 기계가 완벽하게 걸러내기는 어렵습니다. 기존 정설을 압도적 다수가 지지할 때, 그 정설을 뒤집는 소수의 가설을 기계가 오류로 배제할 위험도 있습니다.

논문의 방법론적 타당성을 평가하고, 상충하는 결과의 원인을 해석하며, 최종 결론을 내리는 것은 전문가의 몫입니다. 코워크는 전문가가 판단에 도달하는 시간을 줄여주는 도구이지, 판단 자체를 대체하지 않습니다. 수주 걸리던 작업이 수일로 줄어들 때, 그 남은 시간에 연구자가 더 깊이 생각할 수 있다는 것이 이 기술의 진짜 약속입니다.

아 이런 문제가 생겼다면

(1) 코워크가 논문 PDF를 읽지 못한다 PDF가 스캔 이미지로 된 경우(텍스트가 아닌 사진으로 저장된 경우) OCR 처리가 필요합니다. "이 PDF는 스캔본이야. OCR을 먼저 적용한 뒤 텍스트를 추출해 줘"라고 지시합니다. 해상도가 낮은 스캔본은 인식률이 떨어질 수 있습니다.

(2) 인용 형식이 요구 사항과 다르다 학술지마다 인용 형식이 다릅니다. APA, Vancouver, Harvard 등 원하는 형식을 프롬프트에 명시합니다. "참고문헌은 Vancouver 형식으로 번호를 매겨 줘"라고 구체적으로 지시하면 됩니다.

(3) 환각(Hallucination)이 의심된다 코워크가 존재하지 않는 논문을 인용하거나, 실제 논문의 결론을 잘못 요약할 수 있습니다. 결과물에 적힌 핵심 논문 5~10편의 DOI 번호를 PubMed에서 직접 확인하는 검증 과정을 반드시 거칩니다. 프롬프트에 "각 인용에 DOI 번호를 반드시 포함해 줘. 확인할 수 없는 출처는 사용하지 마"라고 지시하면 환각 위험이 줄어듭니다.

4 의사결정 봇 구축

가 왜 필요한가

마케팅 팀장이 인플루언서 캠페인을 제안했습니다.

팔로워 50만 명의 뷰티 인플루언서에게 3천만 원을 지불하고 제품 리뷰를 의뢰하는 안건입니다. CEO 가 묻습니다. "이 캠페인의 예상 수익률은 얼마인가요? 비슷한 캠페인을 과거에 했을 때 결과가 어땠나요?"

마케팅 팀장은 직감으로는 답할 수 있지만, 데이터로는 답하기 어렵습니다. 과거 캠페인 결과가 스프레드시트 여러 곳에 흩어져 있고, 성공 요인과 실패 요인이 체계적으로 정리된 적이 없기 때문입니다.

경험 많은 실무자의 직감은 대체로 옳습니다. 그러나 그 직감을 숫자로 설명하지 못하면, 조직 안에서 설득력을 갖기 어렵습니다. "느낌이 좋다"를 "과거 유사 사례 기준 성공 확률 72%"로 바꿔주는 것, 그것이 의사결정 봇의 역할입니다.

나 무엇을 해주는가

의사결정 봇은 과거 데이터를 학습하여, 새로운 프로젝트 조건을 입력하면 예상 ROI(투자수익률, Return on Investment)와 성공 확률을 산출하는 시스템입니다. 코워크는 이 봇을 두 가지 방식으로 구현합니다.

하나는 패턴 분석입니다. 과거 캠페인의 비용, 인플루언서 프로필, 결과 지표가 담긴 CSV 파일을 코워크가 읽고, 어떤 조건에서 성공과 실패가 나뉘었는지 통계적 기준을 세웁니다.

다른 하나는 다각도 시나리오 분석입니다. 하나의 AI가 대답하는 것이 아니라, 코워크 안에서 시장 분석 에이전트, 재무 모델링 에이전트, 악마의 대변인(Devil's Advocate, 일부러 반대 의견을 내어 결정의 허점을 찾는 역할) 에이전트를 동시에 실행하여 서로 다른 관점에서 안건을 검증하게 합니다.

다 어떻게 하는가: 기본 사용

과거 캠페인 데이터를 분석하여, 새 캠페인의 성공 가능성을 판단하는 것부터 시작합니다.

따라하기

과거 인플루언서 캠페인 데이터를 CSV 파일로 준비합니다. 열 구성은 다음과 같습니다. 인플루언서명, 팔로워 수, 평균 조회수, 참여율, 콘텐츠 유형(영상/이미지/글), 제품 카테고리, 지급액, 캠페인 기간, 전환수, 매출 증가분, ROAS(Return on Ad Spend, 광고비 대비 매출 비율). 20건 이상이면 분석 신뢰도가 올라갑니다.

② 바탕화면에 "의사결정_봇"이라는 폴더를 만들고, CSV 파일을 넣습니다.

③ Cowork에서 이 폴더에 권한을 부여하고, 다음 프롬프트를 입력합니다.

"이 폴더에 있는 CSV 파일은 우리 회사의 과거 인플루언서 마케팅 캠페인 데이터야. 이 데이터를 분석해서 다음 질문에 답해 줘. 1) 성공한 캠페인(ROAS 3배 이상)과 실패한 캠페인을 구분하는 핵심 변수는 무엇이었나? 2) 팔로워 수와 ROAS 사이에 상관관계가 있었나? 3) 콘텐츠 유형별로 성과 차이가 있었나? 분석 결과를 Word 요약 보고서와 엑셀 상세 분석표로 만들어 줘."

④ 코워크가 데이터를 읽고 통계 분석을 수행합니다. 파이썬의 pandas와 scikit-learn 라이브러리를 활용하여 변수 간 상관관계와 패턴을 추출합니다.

⑤ 보고서에는 "팔로워 수 자체보다 참여율이 ROAS와 더 강한 상관관계를 보였다. 팔로워 10만~30 만 구간의 마이크로 인플루언서가 평균 ROAS 4.2배로 가장 높았다"와 같은 분석이 담깁니다.

라 어떻게 하는가: 응용 사례

분석 결과를 바탕으로 예측 모델을 만들고, 새로운 캠페인 조건을 넣어 결과를 예측합니다.

① 다음 프롬프트를 입력합니다.

"앞서 분석한 데이터를 바탕으로, 새로운 캠페인 조건을 입력하면 예상 ROAS와 성공 확률을 계산해주는 예측 모델을 만들어 줘. 입력 변수: 팔로워 수, 참여율, 콘텐츠 유형, 제품 카테고리, 예산. 출력: 예상 ROAS 범위, 성공 확률(ROAS 3배 이상일 확률), 리스크 요인. 모델이 완성되면 다음 조건으로 테스트해 줘. 팔로워 50만, 참여율 3.2%, 영상 리뷰, 뷰티 카테고리, 예산 3천만 원."

② 코워크가 회귀분석 또는 의사결정나무(Decision Tree) 모델을 구성하고, 테스트 결과를 제시합니다. "예상 ROAS 2.8~4.1배, 성공 확률 67%, 리스크 요인: 해당 인플루언서의 최근 3개월 참여율이 하락 추세"와 같은 형태입니다.

③ 조건을 바꿔가며 여러 시나리오를 비교할 수 있습니다. 예산을 2천만 원으로 줄이고 마이크로 인플루언서 세 명에게 분산하면? 콘텐츠 유형을 영상에서 라이브 방송으로 바꾸면? 각 시나리오별 예상 결과를 나란히 놓고 비교합니다.

마 어떻게 하는가: 실전 활용

에이전트 팀을 구성하여, 사업 결정을 다각도에서 검증하는 AI 자문 위원회를 만듭니다.

① 다음 프롬프트를 입력합니다.

"우리가 7,500달러짜리 AI 리더십 부트캠프를 새로 런칭하려고 해. 이 결정을 검증하기 위해 세 명의 에이전트 팀을 가동해 줘.

1번 에이전트 — 시장 분석가 역할. 경쟁 부트캠프의 가격대, 타겟 고객, 차별화 포인트를 웹에서 조사해 줘. 2번 에이전트 — 재무 모델러 역할. 가격 7,500달러, 수강생 50명 목표, 마케팅비 월 500만 원, 강사비 2,000만 원을 가정하고 손익분기점과 12개월 수익 전망을 계산해 줘. 3번 에이전트 — 악마의 대변인 역할. 이 프로젝트가 실패할 수 있는 이유를 최소 5가지 찾아 줘. 기존 무료 콘텐츠와의 차별화 부족, 경기 침체 시 고가 교육 수요 감소 같은 현실적 리스크를 집중적으로 파고들어 줘. 세 에이전트의 결과를 종합하여, 진행(Go), 조건부 진행(Conditional Go), 보류(No-go) 중 하나를 추천하는 1페이지짜리 의사결정 요약서를 Word로 만들어 줘."

② 세 서브 에이전트가 동시에 작업합니다. 사이드바에 각 에이전트의 진행 상황과 중간 결과가 표시됩니다.

③ 완성된 요약서에는 "초기에는 7,500달러 가격이 진입 장벽으로 작용할 가능성이 높으므로, 2,000 달러 단기 코스로 시작하여 수료생 대상으로 풀코스를 업셀링하는 조건부 진행을 추천합니다"라는 식의 전략적 권고가 담겨 있습니다. 악마의 대변인 에이전트가 지적한 리스크 항목은 별도 섹션에 정리됩니다.

바 인플루언서 마케팅에 국한되지 않습니다

이 프레임워크는 범용적입니다.

신규 시장 진출 여부를 판단할 때, 과거 진출 사례의 성공·실패 요인을 분석하고 새로운 시장 조건을 대입하는 데 같은 구조를 쓸 수 있습니다. 인력 채용에서도, 과거 채용 데이터를 기반으로 특정 포지션의 이탈률이나 성과를 예측하는 모델을 만들 수 있습니다.

소송 전략에서도 마찬가지입니다. 유사 판례의 승소율, 재판부 성향, 쟁점별 인용률 데이터를 축적하면, 새로운 사건의 승소 가능성을 추정하는 리스크 분석 도구가 됩니다.

사 기계가 보장하지 못하는 것

기계가 계산한 성공 확률과 예상 수익률은 과거 데이터가 미래에도 같은 패턴으로 반복될 것이라는 전제 위에 서 있습니다. 전염병의 창궐, 새로운 경쟁자의 등장, 대중의 취향 변화 같은 사건은 데이터에 입력되지 않은 미지의 변수입니다.

과거 데이터가 20건 미만이면 통계적 신뢰도가 낮아집니다. 시장 환경이 급변하면 과거 패턴이 미래를 예측하지 못합니다. 코워크가 제시하는 숫자는 확정된 예언이 아니라 조건부 추정입니다. 그 이해 위에서 봇의 출력과 자신의 경험을 결합할 때, 더 나은 판단에 도달합니다.

완벽해 보이는 분석 대시보드 앞에서 최종 결재 서류에 서명하는 순간, 그 선택에 따르는 모험과 책임은 기계가 아니라 결정을 내리는 사람의 몫으로 남습니다.

아 이런 문제가 생겼다면

(1) CSV 데이터의 열 이름이 한글과 영어가 섞여 있다 코워크가 열을 잘못 매핑할 수 있습니다. 프롬프트에 "'팔로워수' 열은 follower count, '지급액' 열은 payment amount를 의미해"라고 열 이름의 뜻을 알려주면 분석 정확도가 올라갑니다.

(2) 모델이 지나치게 낙관적인 예측을 내놓는다 과거 데이터에 성공 사례가 실패 사례보다 많이 기록되어 있으면(살아남은 기록만 남는 생존 편향), 모델이 성공 확률을 과대평가합니다. "우리 데이터에 실패 사례가 과소 기록되었을 가능성을 감안하여, 성공 확률에 보수적 조정을 적용해 줘"라고 지시합니다.

(3) 악마의 대변인 에이전트가 너무 가혹하다 의도적으로 약점만 찾는 역할이므로, 결과가 부정적으로 치우칠 수 있습니다. 요약서에서 악마의 대변인 의견은 참고 항목으로 활용하되, 최종 판단에서는 세 에이전트의 분석을 균형 있게 고려합니다.

이 장에서 다룬 네 가지 작업은 리서치의 서로 다른 단면입니다. 경쟁사 분석은 시장의 현재 지형을 그리고, 뉴스 브리핑은 그 지형의 변화를 매일 감지하고, 학술 리서치는 깊은 전문 지식을 정리하고, 의사결정 봇은 축적된 데이터에서 미래의 확률을 계산합니다.

네 작업에서 코워크가 맡는 역할은 같습니다. 흩어진 정보를 수집하고, 노이즈를 걸러내고, 사람이 판단할 수 있는 형태로 정리하는 것입니다. 네 작업에서 사람이 맡아야 할 역할도 같습니다. 기계가 정리한 결과를 의심하고, 텍스트에 적힌 것만큼이나 텍스트에 빠진 것을 살피고, 그 위에서 결정을 내리는 것입니다.

서울의 그 스타트업 대표는 이제 새벽 두 시까지 탭을 열어놓지 않아도 됩니다. 아침에 출근하면 폴더에 보고서가 도착해 있습니다. 달라진 것은 그 보고서를 읽는 시간에 하는 일입니다. 데이터를 옮겨 적는 대신, 데이터가 가리키지 않는 곳을 생각합니다. 그 생각의 시간이 경쟁사 분석의 진짜 가치가 만들어지는 자리입니다.