구글 NotebookLM: AI 팟캐스트 톤 커스터마이징 기능 추가

구글이 최근 선보인 NotebookLM(노트북LM) 업데이트는 학생, 연구자, 기업 종사자처럼 방대한 문서를 다루는 이들에게 특히 주목받고 있습니다. 이번 업데이트로 사용자는 AI가 생성하는 오디오 개요(Audio Overview), 즉 AI 팟캐스트의 “톤”을 자신이 원하는 방식에 맞춰 설정할 수 있게 되었습니다.

이 글에서는 구글 NotebookLM의 새로운 기능이 어떤 의미를 가지는지, 실제 활용 사례와 함께 이 변화가 정보 습득 경험을 어떻게 바꿀 수 있을지 살펴보겠습니다.

NotebookLM이란 무엇인가

NotebookLM은 구글이 개발한 AI 기반 노트 및 연구 보조 도구입니다. 사용자가 업로드한 문서(PDF, 논문, 기사, 강의자료 등)를 분석해 요약하거나 질문에 답변하고, 이제는 오디오나 비디오로까지 콘텐츠를 생성할 수 있습니다. 처음에는 텍스트 중심이었으나 최근 들어 오디오 팟캐스트와 비디오 오버뷰(Video Overviews) 기능이 추가되며 활용 폭이 크게 넓어졌습니다.

특히 이번에 선보인 “톤 커스터마이징” 기능은 AI가 단순히 정보를 전달하는 수준을 넘어, 사용자의 목적과 개인적 선호에 맞게 콘텐츠를 구성할 수 있음을 보여주고 있습니다.

AI 팟캐스트 톤 커스터마이징의 핵심

AI가 같은 문서를 해석하더라도 어떤 톤으로 전달하느냐에 따라 사용자의 이해와 몰입도가 달라집니다. 이번 업데이트에서 제공되는 네 가지 톤 옵션은 각기 다른 학습·업무 목적을 지원합니다.

심층 분석(Deep Dive) 톤은 두 명의 AI 진행자가 한 주제를 깊이 토론하며 세부 내용을 강조합니다. 산업 트렌드 분석이나 연구 논문을 정밀하게 이해할 때 유용합니다.
요약(Brief) 톤은 핵심만 간단히 정리해 시험 직전 복습이나 회의 전 확인용으로 적합합니다.
비평(Critique) 톤은 문서의 논리적 허점이나 개선점을 짚어주어 보고서 작성이나 아이디어 검증 단계에서 효과적입니다.
토론(Debate) 톤은 서로 다른 입장을 가진 두 AI가 토론하듯 설명해 다양한 시각을 접할 수 있습니다. 전략 회의나 논술 준비에서 특히 도움이 됩니다.

즉, 같은 자료라도 상황과 목표에 따라 전혀 다른 방식으로 활용할 수 있도록 하는 것이 이번 기능의 핵심입니다.

실제 활용 사례

한 법학도는 방대한 판례 문서를 NotebookLM에 업로드한 뒤 시험 준비 때는 요약 톤으로 요약을 듣고, 세미나 준비 때는 토론 톤으로 찬반 논리를 함께 듣습니다. 단순 암기에서 벗어나 사고의 폭을 넓히는 데 도움이 됩니다.

컨설턴트는 클라이언트 보고서 초안을 작성할 때 비평 톤으로 논리적 허점과 개선 포인트를 빠르게 점검합니다. 이후 최종 보고 단계에서는 심층 분석 톤으로 산업 인사이트를 깊이 확인해 완성도를 높일 수 있습니다.

투자 유치를 준비하는 스타트업 창업자는 VC 보고서를 올려 토론 톤으로 긍정적·부정적 시각을 동시에 들어봅니다. 이를 통해 투자자의 예상 질문에 대비할 수 있습니다.

오디오 콘텐츠의 개인화, 왜 중요한가

오늘날 오디오 콘텐츠 소비는 빠르게 늘고 있습니다. 출퇴근길에 듣는 팟캐스트나 오디오북, 공부용 요약 오디오가 대표적입니다. 그러나 대부분은 정적이고 일방적인 형태였습니다.

NotebookLM의 개인화된 오디오 개요는 사용자의 필요에 맞게 콘텐츠를 재가공합니다. 특히 AI가 대화하듯 설명하는 방식은 몰입도를 크게 높이고, 단순 요약보다 기억에 오래 남습니다.

새로운 기능: AI 목소리 다변화

이번 업데이트는 톤뿐만 아니라 AI 진행자의 목소리 스타일 선택까지 가능해졌습니다. 이는 단순한 접근성 차원을 넘어 몰입도를 크게 높입니다.

차분한 목소리로 설명하는 심층 분석 톤과, 활기찬 목소리로 주고받는 토론 톤은 동일한 내용이라도 전달 효과와 집중도가 전혀 다르게 다가옵니다. 사용자가 콘텐츠를 더 “자기 것”으로 받아들일 수 있게 만드는 요소입니다.

비디오 오버뷰와의 결합 효과

NotebookLM은 이미 데이터를 비디오로 요약해주는 비디오 오버뷰 기능을 제공합니다. 여기에 오디오 톤 커스터마이징을 결합하면 텍스트·소리·영상이 어우러진 멀티모달 학습 환경이 완성됩니다.

예를 들어 연구자가 비디오 차트를 보며 동시에 토론 톤으로 상반된 해석을 들을 수 있습니다. 이런 결합은 학습자의 이해도를 혁신적으로 높이고, 몰입 경험 역시 기존과 비교할 수 없는 수준으로 끌어올립니다.

앞으로의 전망

구글은 NotebookLM을 다국어로 확장할 계획을 밝혔습니다. 이는 단순히 영어권 실험이 아닌 글로벌 학습·연구 생태계 전반에 파급 효과를 가져올 수 있음을 시사합니다.

앞으로는 사용자의 목적에 맞는 자동 톤 추천, 멀티모달 완전 통합, 기업 및 교육 현장 도입이 예상됩니다. 실제로 일부 대학에서는 AI 기반 강의 실험이 시작됐고, 글로벌 기업들도 사내 보고 자동화 수단으로 관심을 보이고 있습니다.

마무리

NotebookLM은 단순한 문서 요약 툴이 아니라, 사용자의 학습·연구·업무 목적에 맞춰 오디오와 비주얼까지 제공하는 맞춤형 도구로 발전하고 있습니다. 이번 AI 톤 커스터마이징 기능은 정보 소비 경험이 개인 맞춤형으로 변해가고 있음을 상징적으로 보여줍니다. 이제 정보는 단순히 읽는 것이 아니라, AI와 대화하며 이해하고, 때로는 비판적 시각과 토론적 사고를 곁들여 습득할 수 있는 시대가 온 것입니다.

앞으로는 책상 앞에 앉아 긴 문서를 읽는 대신, 이동 중에도 AI와 토론하고, 필요한 순간에 핵심 요약을 바로 청취하며, 전략적 의사결정에 활용하는 일상이 자리 잡게 될 것입니다.

참고: Google’s NotebookLM now lets you customize the tone of its AI podcasts

중소기업 AI 도입: 16년 된 기업이 보여주는 실질적 활용법

AI 시대가 열리면서 지금은 대기업뿐 아니라 중소기업에도 인공지능 활용 기회가 빠르게 확대되고 있습니다. 하지만 규모가 작은 기업 입장에서는 “AI가 우리 비즈니스에 실제로 도움이 될까?”라는 의문이 여전히 큽니다. 이번 글에서는 미국의 사례이기는 하지만 16년 동안 재고 관리 솔루션을 제공해온 넷스톡(Netstock)과, 이 기술을 도입한 중소 공급업체의 사례를 바탕으로 중소기업 AI를 어떻게 안전하고 효과적으로 활용할 수 있을지를 살펴보겠습니다.

중소기업과 AI: 꼭 필요한가, 아니면 유행인가?

대기업은 이미 AI로 매출 향상과 비용 절감이라는 성과를 내고 있습니다. 반면 중소기업은 투자 대비 성과가 불투명하다는 이유로 선뜻 나서지 못하는 경우가 많습니다.

한 카페 창업자의 상황을 떠올려 보시면 이해가 쉽습니다. 원두나 우유 같은 재료가 부족하면 매출 기회를 잃고, 반대로 과잉 구매하면 폐기 비용이 발생합니다. 이런 문제를 AI가 판매 데이터를 분석해 필요한 발주량을 예측함으로써 줄여줄 수 있습니다. 따라서 AI는 일시적 유행이 아니라, 현장의 운영 효율성을 높이고 지속가능성을 확보하는 핵심 도구가 될 수 있습니다.

16년 된 기업, 넷스톡(Netstock)의 도전

2009년에 설립된 넷스톡은 재고 관리 소프트웨어 기업으로, 최근 생성형 AI 기능 “오퍼튜니티 엔진(Opportunity Engine)”을 공개했습니다. 이 엔진은 ERP 데이터를 활용해 실시간으로 재고 운영 방식을 추천합니다.

특징은 단순한 수치 보고서가 아니라 바로 실행 가능한 조언을 준다는 점입니다. 예를 들어 “A 상품 주문량을 10% 늘리면 향후 수요를 맞출 수 있다”는 식의 구체적인 제안을 실시간으로 만들어냅니다.

이 기능은 이미 다수의 중소기업 고객사에 수천 달러 이상의 비용 절감 효과를 제공하고 있으며, 고객의 75%는 최소 5만 달러 이상의 재무적 가치를 창출했다고 평가했습니다. 이는 기술이 이론적 가능성을 넘어 실제 성과로 이어지고 있다는 의미입니다.

전통 기업의 신중한 접근: 바그린 엘링슨의 사례

넷스톡의 고객사 중 하나인 바그린 엘링슨(Bargreen Ellingson)은 65년 역사를 가진 레스토랑 공급업체입니다. 전통이 깊은 만큼 새로운 기술에는 신중했으며, 특히 “AI가 알아서 할 것”이라는 설명에는 강한 거부감을 보였습니다.

이에 CIO 제이콥 무디는 AI를 의무가 아닌 선택 옵션으로 도입했습니다. 창고 관리자가 AI의 제안을 보고 스스로 활용 여부를 결정할 수 있도록 한 것입니다. 직원들은 AI를 강요받지 않으면서도 조심스럽게, 그러나 점차 적극적으로 이 새로운 도구를 활용하기 시작했습니다.

AI가 직원들을 어떻게 성장시키는가

AI는 비용 절감 이상의 효과를 만들어 냈습니다. 한 창고 직원은 고등학교 졸업이 학력의 전부였지만, 현장의 흐름과 고객 요구를 누구보다 잘 알고 있었습니다. AI 덕분에 그는 복잡한 데이터를 따로 해석할 필요 없이 시스템이 제시하는 제안을 직관적으로 검토할 수 있었고, 이는 그의 자신감과 의사결정 능력을 크게 높였습니다.

즉, AI는 직원의 경험과 직관을 데이터 기반 의사결정으로 연결해주는 성장 도구가 될 수 있습니다. 단순 노무자로 머물던 인력이 이제는 중요한 의사결정 과정에 참여할 수 있게 된 것입니다.

신뢰성과 ‘휴먼 체크’의 중요성

넷스톡 공동 창업자 배리 쿠쿠크는 많은 AI 솔루션이 여전히 “겉만 번지르르한 챗봇” 수준이라고 지적합니다. 그래서 그는 반드시 인간의 마지막 검증 과정이 필요하다고 강조합니다.

실제로 바그린 엘링슨도 AI에 최종 결정을 맡기지 않습니다. AI는 제안만 하고, 실행 여부는 담당자가 직접 확인 후 승인해야 합니다. 이는 AI가 사람을 대체하는 것이 아니라 보조 역할을 하는 도구라는 원칙에서 비롯된 접근입니다.

중소기업이 AI 도입 시 주의할 점

AI를 도입하려는 중소기업은 몇 가지를 명확히 준비하셔야 합니다.

첫째, 데이터 품질을 확보해야 합니다. ERP나 POS 데이터를 정리하지 않고는 AI가 제대로 된 결과를 낼 수 없습니다.
둘째, 점진적으로 도입해야 합니다. 직원에게 선택권을 부여하면서 서서히 적용하면 거부감을 줄일 수 있습니다.
셋째, 인간 중심의 의사결정을 유지해야 합니다. AI의 권고가 아무리 설득력 있어도 마지막 판단은 사람의 몫이어야 합니다.
끝으로, ROI를 반드시 측정해야 합니다. AI를 도입한 이유가 실제로 비용 절감과 매출 증대로 이어졌는지 확인해야만 투자 효율성을 검증할 수 있습니다.

미래 전망: AI와 중소기업의 상생

많은 생성형 AI 프로젝트가 실패로 끝나는 경우가 있지만, 넷스톡의 사례는 잘 설계된 AI는 분명히 가치를 만들어낼 수 있다는 점을 보여줍니다. 앞으로 AI는 단순히 비용을 줄이는 도구를 넘어, 인력의 역량을 보완하고 조직 내 지식을 확대하는 협력자가 될 가능성이 큽니다.

다만 기술의 성패를 가르는 요소는 AI 그 자체가 아니라, 데이터를 어떻게 관리하고, 직원과 어떻게 조화시키며, 리스크를 어떻게 통제하느냐에 달려 있습니다.

마무리

AI는 거창한 기술일 필요가 없습니다. 현장의 실제 문제를 풀어주는 실용적 도구일 때 그 가치가 드러납니다. 넷스톡과 바그린 엘링슨의 사례는 중소기업도 충분히 AI를 통해 효과를 누릴 수 있다는 사실을 보여주고 있습니다. 다만, 시작은 반드시 신중하고 점진적이며 인간 중심적인 방식이어야 합니다. 지금은 AI 도입을 단순한 선택지가 아니라, 구체적 실행 방안으로 검토해야 할 시기입니다.

기업 AI 에이전트 도입 전략: 기존 프로세스와의 조화가 핵심입니다

기업 AI 에이전트(AI Agents) 활용은 최근 가장 주목받는 주제 중 하나입니다. 하지만 동시에 과장된 기대도 존재합니다. 많은 CEO와 리더들은 AI 에이전트가 기업의 미래 경쟁력을 좌우할 것이라 평가하면서도, 실제 적용 단계에서는 여전히 성숙도가 부족하다고 지적하고 계십니다.

오늘은 글로벌 선도 기업인 Block(블록)과 GSK(글락소스미스클라인) 사례를 바탕으로, AI 에이전트를 기업 프로세스에 어떻게 성공적으로 안착시켜야 하는지 살펴보겠습니다. 핵심은 기술을 억지로 맞추는 것이 아니라, 기존의 프로세스와 조화를 이루도록 설계하는 것입니다.

AI 에이전트 도입의 현주소

많은 기업들이 AI 에이전트 도입을 서두르고 있지만, 실제로는 “혁신은 말뿐”이라는 비판도 상당합니다. 가트너(Gartner)는 현재 기업들이 AI 에이전트에 대해 ‘기대 급등기(peak of inflated expectations)’에 진입했다고 분석합니다. 기대가 지나치게 높다 보니 실제 성과가 뒷받침되지 않으면 실망감이 따라올 수 있다는 의미입니다.

그럼에도 일부 기업들은 ‘ROI(Return on Investment) 확보’와 ‘PoC(개념 검증)’ 단계에서 이미 실질적인 성과를 보고 있습니다. 특히 금융, 제약, 연구개발과 같은 데이터 집약적 분야에서 효율성 향상과 정확성 개선이 두드러지게 나타나고 있습니다.

image 6e2291da fc3b 43a8 a467 5194bc6e9a73

Block 사례: 동료처럼 일하는 AI 프레임워크, Goose

핀테크 기업 Block은 Square, Cash App, Afterpay 등 다양한 서비스를 운영하는 곳입니다. 이 회사는 사내에서 ‘Goose’라는 자체 AI 프레임워크를 구축해 4,000명 이상의 엔지니어가 사용하고 있습니다.

Goose의 핵심은 “AI가 하나의 동료처럼 일한다”는 감각입니다. 단순히 여러 챗봇을 병행하는 것이 아니라, 마치 능력 있는 동료가 여러 시스템과 채널을 대신 다뤄주는 경험을 제공합니다.

예를 들어, 엔지니어가 자연어로 요구를 설명하면 Goose가 바로 코드로 구현해주고, 사내 메시지를 요약하거나 새로운 AI 에이전트를 만들어 업무를 확장하기도 합니다. 다양한 시스템과 손쉽게 연결되는 구조 덕분에 개발자들은 실제 업무 시간을 하루 2~3시간 이상 절약했다고 보고하고 있습니다.

프로세스 반영의 중요성: AI를 사람에게 맞추어야 합니다

Block의 사례에서 확인할 수 있는 가장 큰 교훈은, AI 제공 그 자체가 곧 활용으로 이어지지 않는다는 점입니다. 핵심은 기존 프로세스와 얼마나 잘 연동되느냐입니다.

예를 들어, 엔지니어들이 이미 데일리 스탠드업 회의, 이슈 트래킹, 코드 리뷰 같은 프로세스를 운영하고 있다면, AI는 그 과정 속에서 자연스럽게 보조자로 자리 잡아야 합니다. 이처럼 “AI 중심 도입”이 아니라 “프로세스 맞춤형 AI” 전략이 기업의 실제 활용도를 높입니다.

인간 전문가의 역할은 여전히 필요합니다

AI가 자동화와 분석 능력을 강화하고 있지만, 특히 금융·제약처럼 고위험 산업에서는 인간 전문가의 최종 검증이 핵심입니다. 규제와 컴플라이언스를 고려하면 AI가 내놓은 결과물을 전문가가 반드시 점검해야 합니다.

따라서 AI는 전문가를 대체하기보다, 효율성을 높이며 의사결정을 지원하는 보조 도구로 작동해야 합니다.

GSK 사례: 제약 연구에서의 멀티 에이전트 활용

글로벌 제약사 GSK는 방대한 데이터를 다뤄야 하는 신약 개발 과정에서 AI를 적극 활용하고 있습니다.

GSK는 도메인 특화 언어모델과 온톨로지를 결합해 데이터 분석과 실험 설계를 지원하며, 유전체학·단백질학 데이터와 임상 데이터를 동시에 통합해 새로운 치료법 단서를 찾습니다. 예를 들어, 특정 암 환자의 임상 데이터와 유전자 변화를 함께 분석해 잠재적 바이오마커 후보를 발굴하는 데 성공했습니다.

이러한 엔진은 인간 연구자가 감당하기 어려운 데이터 규모를 빠르게 처리해, 연구 주기를 획기적으로 단축하고 있습니다.

AI 에이전트의 한계와 과제

가능성에도 불구하고 해결해야 할 과제도 뚜렷합니다. AI가 존재하지 않는 결과를 만들어내는 ‘환각(hallucination)’ 문제나, 기업마다 제각각인 활용 방식으로 인한 표준화 부재가 대표적입니다. 또한 예기치 못한 오류를 걸러내기 위해 반복적인 테스트가 필요하며, 막대한 컴퓨팅 자원 역시 비용 문제를 야기합니다.

AI 에이전트 도입을 위한 조언

기업이 AI 에이전트를 도입할 때는 전사적 확산보다 작은 PoC부터 시작하는 것이 효과적입니다. 도입 자체보다 중요한 것은 기존 프로세스에 얼마나 자연스럽게 통합되느냐이며, 무엇보다 최종 검증은 전문가가 반드시 수행해야 합니다.

여기에 MCP와 같은 오픈소스 표준을 적극 활용하면 사내 시스템과의 연동성도 확보할 수 있습니다. 마지막으로, 반복적 실험과 학습을 바탕으로 내부 벤치마크를 축적하는 것이 장기적 성과로 이어집니다.

앞으로의 전망: 멀티 에이전트 시대

앞으로의 AI는 단일 에이전트가 아니라, 서로 협력하는 멀티 에이전트 체계로 진화할 가능성이 크습니다. 이때 AI는 단순한 자동화 도구가 아니라, 기업 내 자율적 협업 파트너로 자리매김하게 될 것입니다.

결론

AI 에이전트 도입은 단순한 기술 채택이 아니라, 기존 프로세스와의 정렬이 가장 우선입니다. Block과 GSK 사례에서 보듯, 성공적인 AI 활용은 기술 중심이 아닌 사람과 프로세스 중심의 접근에서 나옵니다.

결국 AI는 인간을 대체하는 존재가 아니라, 지식과 경험을 증폭시키는 동반자입니다. 기업이 이를 어떻게 받아들이느냐에 따라, AI는 효율성과 속도를 높이면서도 인간 중심적 의사결정 구조를 보완하는 핵심 파트너가 될 수 있습니다.