LLM이 붙은 뒤 세컨드 브레인은 어떻게 달라졌을까

내일 중요한 미팅이 있다고 해보자. 세컨드 브레인에게 준비를 부탁했을 때, 우리는 어디까지 해주기를 기대할까? 지난 회의록을 찾아주는 것일까. 아니면 약속한 일을 확인하고, 필요한 자료를 만든 다음, 미팅에서 새로 정한 내용까지 다음번을 위해 기억하는 것일까?

요즘은 이 모든 시스템에 세컨드 브레인이라는 이름을 붙인다. 하지만 실제로 하는 일은 꽤 다르다. 노트 앱은 사람이 남긴 기록을 보관한다. 검색 기능이 붙은 AI는 그 기록에서 답을 찾는다. 개인 맥락을 아는 AI는 지금 필요한 정보만 골라 쓴다. 에이전트는 도구를 사용해 일을 처리하고, 그 결과를 확인하고, 다음 행동이 달라지도록 기억까지 고친다.

이 차이를 한꺼번에 보면 세컨드 브레인이라는 말이 모호해진다. 그래서 이 글에서는 세컨드 브레인이 맡는 일이 넓어진 순서를 네 단계로 나누어 살펴본다. 이것은 업계에서 합의한 공식 세대 구분이 아니다. 새 단계가 나왔다고 이전 방식이 쓸모없어지는 것도 아니다. 우리가 세컨드 브레인에 어떤 일을 기대하게 되었는지를 이해하기 위한 구분이다.

1세대: 기억할 내용을 노트에 맡긴다

처음의 세컨드 브레인은 머릿속에 계속 붙들고 있기 어려운 것을 바깥에 남겨 두는 장치였다. Vannevar Bush가 1945년에 상상한 Memex는 개인이 책과 기록을 저장하고, 서로 관련된 내용을 하나의 경로로 이어서 다시 찾아보는 기계였다.^[1]

Bush가 그린 장면에서 중요한 것은 저장 용량만이 아니었다. 한 기록을 읽다가 관련된 다른 기록으로 건너갈 수 있어야 했다. 사람이 기억을 전부 떠올리지 못해도, 밖에 남겨 둔 연결을 따라가며 생각을 이어갈 수 있는 장치였다.

Tiago Forte는 이 생각을 일상에서 쓸 수 있는 개인 지식 관리법으로 정리했다. 그의 세컨드 브레인은 책, 웹페이지, 대화에서 얻은 자료를 모아 두고, 필요한 때 꺼내서 글쓰기나 의사결정에 쓰는 시스템이다.^[2] 자료를 많이 모으는 것만으로는 부족하다. 지금 하는 일에 도움이 되도록 정리하고, 자기 언어로 다시 표현해야 한다.

미팅을 준비하는 장면으로 돌아가 보자. 1세대 세컨드 브레인에는 지난 회의록, 상대방과 주고받은 메일, 내가 적어 둔 아이디어가 들어 있다. 자료는 잃어버리지 않았다. 문제는 그다음이다. 어느 폴더에 회의록을 넣었는지 기억해야 하고, 관련된 노트를 하나씩 열어 읽어야 한다. 날짜가 지난 약속은 사람이 고치고, 같은 주제를 다룬 노트에는 사람이 링크를 붙인다.

노트가 적을 때는 이 방식으로도 충분하다. 몇 년 동안 기록이 쌓이면 사정이 달라진다. 저장한 사실보다 필요한 내용을 제때 찾지 못하는 일이 더 큰 문제가 된다. 세컨드 브레인에는 이미 많은 것이 들어 있는데, 정작 미팅을 앞둔 지금 무엇을 읽어야 하는지는 다시 사람이 판단해야 한다.

2세대: 노트를 뒤지는 대신 질문한다

LLM이 붙으면서 검색 방식이 달라졌다. 이제 사용자는 폴더를 열고 키워드를 바꿔 가며 찾는 대신, 사람에게 묻듯 질문할 수 있다. “지난 미팅에서 우리가 약속한 일이 뭐였지?”라고 물으면 시스템이 여러 회의록에서 관련 대목을 찾고, 한데 모아 답한다.

이때 자주 쓰이는 방식이 RAG다. 한국어로는 검색 증강 생성이라고 부르지만, 이름보다 순서를 이해하는 편이 쉽다. 먼저 질문과 관련된 문서 조각을 찾는다. 그다음 언어 모델이 찾은 내용을 읽고 답을 작성한다. 모델이 기억만으로 답하게 두지 않고, 내가 보관한 자료를 답변의 근거로 함께 건네는 방식이다.^[3]

Granola는 이 과정을 회의에 적용한다. 회의 내용을 자동으로 기록해 두기 때문에 사용자가 매번 회의록을 정리하지 않아도 된다. 나중에 한 회의에 관해 질문할 수 있고, 여러 회의를 함께 살펴보며 반복된 쟁점이나 아직 끝나지 않은 약속을 찾을 수도 있다. Granola가 제품을 “팀을 위한 세컨드 브레인”이라고 설명한 이유가 여기에 있다.^[4]

검색 기술이 좋아져도 기록이 들어오지 않으면 답할 수 없다. Supermemory의 Dhravya Shah는 사용자가 기억과 문서를 직접 넣어야 했던 초기 앱의 유지율이 낮았다고 돌아봤다. 그는 Memory only works when it's automatic이라고 썼다. 이후에는 별도 노트 앱을 꾸준히 관리하라고 요구하기보다, 사람들이 이미 쓰는 ChatGPT, Claude, Cursor, Drive, Notion에서 자료가 들어오도록 방향을 바꿨다.^[5]

이제 미팅 전에 “지난번 합의 사항을 찾아줘”라고 말하면 꽤 쓸 만한 답을 얻을 수 있다. 그렇다고 준비가 끝난 것은 아니다. 지난 회의록에는 열 가지 이야기가 있을 수 있지만 내일 꼭 다룰 것은 그중 두 가지뿐이다. 이미 끝난 일과 아직 진행 중인 일을 구분해야 하고, 참석자에 따라 보여줄 내용도 달라진다. 관련된 기록을 찾는 능력만으로는 지금 중요한 것을 고를 수 없다.

3세대: 같은 기록도 상황에 맞게 골라 쓴다

세 번째 단계에서는 찾은 기록 가운데 무엇을 쓸지 고른다. AI가 나에 관해 아는 내용, 지금 하는 일, 이번 요청과 관계없는 정보를 서로 구분해야 한다. 여기서 말하는 개인 맥락은 거창한 프로필이 아니다. 현재 맡은 프로젝트, 함께 일하는 사람, 최근에 내린 결정, 선호하는 작업 방식처럼 이번 일을 제대로 처리하는 데 필요한 배경 정보다.

MemGPT는 한 번의 대화에 모든 정보를 넣을 수 없다는 문제에서 출발했다. 사람도 책상 위에는 지금 보는 자료만 펼쳐 두고 나머지는 서랍이나 책장에 보관한다. MemGPT도 당장 필요한 내용은 언어 모델이 읽을 수 있는 가까운 기억에 두고, 나중에 볼 자료는 외부 기억으로 옮겼다가 상황에 따라 다시 꺼내는 구조를 제안했다.^[6]

차이는 미팅 준비에서 분명해진다. 질문에 “A사 미팅 자료를 준비해줘”라고 한 줄만 적어도, 시스템이 A사와 진행 중인 프로젝트가 무엇인지 알고 있다고 해보자. 지난 회의의 합의 사항뿐 아니라 현재 일정, 아직 끝나지 않은 작업, 내가 중요하게 보는 기준을 함께 살필 수 있다. 같은 회의록을 검색하더라도 지금 필요한 부분을 먼저 보여준다.

Tiago Forte는 이 변화를 개인 지식 관리에서 개인 맥락 관리로의 이동이라고 표현했다. 더 똑똑한 모델을 쓰는 것만으로는 부족하고, 그 모델이 알맞은 순간에 알맞은 정보를 받도록 만드는 일이 중요해졌다는 뜻이다.^[7]

개인 맥락은 대화 기록을 길게 붙여 넣는 것과도 다르다. 오래된 결정과 새 결론이 충돌할 수 있고, 사용자의 선호가 바뀌었을 수도 있다. 출처가 분명한 사실과 아직 확인하지 않은 추측도 섞인다. 시스템은 무엇을 저장할지 정해야 한다. 무엇이 최신인지, 어느 출처를 믿을지, 서로 충돌하는 내용은 어떻게 표시할지도 함께 다뤄야 한다.

3세대 세컨드 브레인은 미팅에 필요한 정보를 꽤 잘 골라낼 수 있다. 그러나 자료를 골랐다는 것과 실제로 준비를 마쳤다는 것은 다르다. 문서를 만들려면 문서 도구를 열어야 한다. 일정을 바꾸려면 캘린더를 수정해야 한다. 무엇보다 행동이 성공했는지 확인하고, 미팅 뒤에 달라진 결정을 다음번 기억으로 남겨야 한다.

4세대: 행동한 결과가 다음 기억을 바꾼다

네 번째 단계에서는 기억이 답변을 만드는 데서 끝나지 않는다. 에이전트가 기억을 바탕으로 도구를 사용하고, 실제 결과를 확인한다. 일이 끝난 뒤에는 새로 알게 된 사실과 사람의 교정을 기억에 반영한다. 그래야 다음번에 같은 사람을 만나거나 같은 프로젝트를 다룰 때 행동이 달라진다.

여기서 에이전트가 “배운다”는 말은 언어 모델을 다시 훈련한다는 뜻이 아니다. 회의에서 바뀐 결정이나 사용자가 고친 내용을 장기 기억과 작업 절차에 반영한다는 뜻이다. 바뀐 기억을 다음 요청에서 실제로 꺼내 써야 학습이 이어졌다고 볼 수 있다.

미팅 자료를 준비하는 일을 이 구조에 맡기면 다음과 같이 진행된다.

1. 사용자가 “내일 A사 미팅에 필요한 자료를 준비해줘”라고 요청한다.
2. 에이전트가 장기 기억에서 A사와 관련된 회의록, 메일, 약속, 프로젝트 문서를 찾는다.
3. 찾은 자료를 모두 쓰지 않고, 내일 참석자와 현재 프로젝트 상태에 필요한 내용만 고른다.
4. 문서 도구에서 준비 자료의 초안을 만든다. 캘린더를 열어 미팅 시각과 참석자도 확인한다.
5. 만든 파일을 다시 열고 원문과 대조한다. 일정을 바꾸거나 자료를 보내는 것처럼 다른 사람에게 영향을 주는 행동은 사용자에게 확인을 받는다.
6. 미팅이 끝나면 새 회의록에서 결정된 일, 바뀐 일정, 새로 생긴 질문을 찾는다.
7. 에이전트가 기억을 바로 덮어쓰지 않고 갱신안을 보여준다. 사용자가 확인하거나 고친 내용만 장기 기억에 반영한다.

이 순서에는 기억, 선택, 행동, 확인, 갱신이 모두 들어 있다. 앞 단계와 가장 크게 다른 지점은 마지막 두 과정이다. 에이전트는 문서를 만들었다고 보고하기 전에 실제 파일을 다시 확인한다. 미팅 뒤에는 새 결정을 받아 적고, 다음 행동에 쓸 수 있도록 기존 기억도 고친다.

현재의 여러 제품과 기술이 이 고리의 일부를 나누어 맡고 있다. 하나의 제품이 모든 단계를 완성했다는 뜻은 아니다. 예를 들어 MCP(Model Context Protocol)는 AI 앱과 외부 데이터·도구를 연결하는 방법을 공통 규칙으로 맞춘다. 이 규칙을 따르면 Claude 같은 여러 AI 앱에서 같은 문서 도구나 캘린더를 연결해 쓰기 쉬워진다.^[8] 하지만 MCP 자체가 행동 결과를 검사하거나, 무엇을 장기 기억에 남길지 결정해 주지는 않는다.

GBrain은 장기 기억을 만들고 현재 상황에 필요한 맥락을 고르는 쪽에 가깝다. 소개문에 따르면 회의, 이메일, 통화, 아이디어를 모은 뒤 같은 인물과 주제를 연결한다. 여러 기록에서 얻은 내용을 출처와 함께 합치고, 새 기록을 기존 지식과 비교해 밤마다 정리한다. 에이전트는 이렇게 정돈한 기억을 다음 행동에 사용할 수 있다. 다만 이 설명만으로 외부에서 한 행동의 성공과 실패까지 기억에 되돌린다고 말할 수는 없다.

Meta가 소개한 “조직을 위한 세컨드 브레인”은 사람이 고친 내용을 어떻게 안전하게 축적할지 보여준다. 전문가의 피드백을 지식과 작업 절차에 반영하되, 평가와 회귀 테스트를 통과한 수정만 남긴다. 회귀 테스트는 새로 고친 내용 때문에 예전에 잘하던 일을 망치지 않았는지 다시 확인하는 검사다. 에이전트가 경험만으로 제멋대로 변하는 구조가 아니다. 사람이 바로잡은 내용이 검증 가능한 형태로 남고, 그 결과가 다음 판단에 쓰이도록 통제한다.^[9]

세컨드 브레인은 미팅이 끝난 뒤 무엇을 하는가

처음의 질문으로 돌아가 보자. 관련 노트를 찾아 지난 합의를 요약하는 시스템은 질문할 수 있는 기억이다. 그 합의와 현재 일정을 함께 보고 미팅 자료를 준비한다면 개인 맥락을 사용하는 에이전트에 가까워진다. 미팅이 끝난 뒤에는 새 결정과 바뀐 약속을 확인해야 한다. 그것을 다음번 준비에 쓰이도록 기억에 반영한다면 행동을 통해 배우는 세컨드 브레인이라고 부를 수 있다.

LLM 이후의 세컨드 브레인을 저장 용량이나 검색 정확도만으로 판단하기는 어렵다. 더 많은 노트를 넣는다고 곧바로 더 나은 행동으로 이어지지는 않는다. 어떤 기억을 이번 일에 쓸지 고르고, 도구로 실제 일을 처리하고, 결과가 맞는지 확인하고, 사람의 교정을 다음 판단에 반영해야 한다.

노트를 잘 찾는 시스템과 나를 대신해 일하는 시스템 사이에는 이 순환이 있다. 기억이 행동을 돕고, 행동의 결과가 다시 기억을 고치는가. 지금 쓰는 세컨드 브레인이 어디까지 왔는지는 이 질문으로 구분할 수 있다.