[모닥랩] 5주 동안 AI 스터디를 하면서 느꼈던 것들 — “AI를 잘 쓰는 방법”보다 더 중요했던 것

최근 5주 동안 모닥랩(Modac Lab)에서 진행한 AI 스터디에 참여했습니다.

원래 저는 예전에 스마일게이트에서 진행했던 개발 캠프에 참여했었고,
그 이후에도 스마일게이트에서 운영해주셨던 커뮤니티 활동들에 꾸준히 참여하고 있었습니다.

그러다가 이번에 기존 커뮤니티가 “모닥(Modac)”이라는 이름으로 리브랜딩되었고,
그 안에서 다양한 스터디와 활동들이 새롭게 열리게 되었습니다.

마침 개인적으로도

• AI를 실제 개발 흐름 안에서 어떻게 활용할 수 있을지
• 요즘 나오는 Agent Workflow나 MCP 같은 흐름들은 어떤 느낌인지
• 다른 사람들은 AI를 어떻게 사용하고 있는지

궁금했던 시기였어서,
공부도 할 겸 자연스럽게 참여하게 되었습니다.

처음에는 단순히
“AI를 어떻게 잘 활용할 수 있을까?”
정도의 관심으로 시작했던 스터디였던 것 같습니다.

평소에도 다양한 AI 도구들을 계속 사용하고 있었고,
회사에서도 AI를 활용하는 흐름이 점점 자연스러워지고 있던 시기였습니다.

그래서 처음에는
“다른 사람들은 AI를 어떻게 쓰고 있을까?”
정도의 호기심에 가까웠던 것 같습니다.

그런데 5주 정도 지나고 돌아보니,
단순히 프롬프트를 잘 쓰는 수준을 넘어서

• AI가 어떤 근거로 답변하는지
• 세션과 컨텍스트를 어떻게 관리해야 하는지
• 문서와 작업 흐름을 어떻게 연결해야 하는지
• 여러 AI를 동시에 사용할 때 어떻게 관리해야 하는지

같은 부분까지 자연스럽게 고민하게 되었던 것 같습니다.

이번 글에서는 5주 동안 어떤 이야기들을 했고,
무엇을 만들었고,
무엇을 느꼈는지 정리해보려고 합니다.

---

평소에는 AI 도구들을 어떻게 사용하고 있었을까

스터디를 하면서 자연스럽게
“각자 어떤 AI 도구를 주로 사용하는가”
이야기도 많이 나왔었습니다.

저 같은 경우는 평소에

• Claude
• Codex
• Cursor
• Gemini

를 계속 번갈아가면서 사용하고 있었습니다.

처음에는
“하나만 잘 쓰면 되지 않을까?”
라고 생각했는데,
실제로 계속 사용하다 보니까 모델마다 강점이 꽤 달랐던 것 같습니다.

Claude

클로드는 회사에서 기본적으로 제공해주는 AI 도구였고,
개인적으로도 가장 메인으로 많이 사용하고 있었습니다.

특히 사용하면서 계속 느꼈던 건,
Anthropic 쪽이 정말 가장 앞에서 AI 활용 방식 자체를 계속 만들어나가고 있다는 느낌이 강했다는 점이었습니다.

단순히 모델 성능만 좋아지는 게 아니라

• MCP
• Agent Workflow
• Context Engineering
• Tool Calling
• Memory 구조

같은 흐름들을 굉장히 빠르게 실험하고 있다는 느낌을 많이 받았습니다.

실제로 사용하면서도
“아 이런 방식으로도 AI를 활용할 수 있구나”
싶은 순간들이 꽤 많았습니다.

---

Codex

코덱스는 개인적으로 베타 시절부터 계속 사용해왔던 도구였습니다.

최근에 카카오 쪽에서 Pro 사용권 할인 이벤트를 해줘서 다시 편하게 사용하게 되었는데,
주로 개인 사이드 프로젝트 쪽에서 많이 사용했던 것 같습니다.

개인적으로 좋았던 부분은
데스크톱 UI 기반으로 사용할 수 있다는 점이었습니다.

Claude보다 훨씬 가볍게

• 바로 실행해보고
• 빠르게 수정하고
• 테스트해보고

하는 흐름이 편했던 기억이 있습니다.

특히 개인 프로젝트에서는
너무 무거운 흐름보다
“빠르게 시도해보기”
가 중요한 경우가 많다 보니,
그런 부분에서 꽤 편하게 사용했던 것 같습니다.

---

Cursor

커서는 Claude를 본격적으로 사용하기 전부터 개인적으로 계속 사용하던 도구였습니다.

그리고 지금도 느끼는 부분이지만,
커서는 자체적으로 프로젝트 파일들을 인덱싱해주는 방식 덕분에

• 코드 탐색
• 파일 접근
• 수정 흐름

같은 부분이 굉장히 빠르다고 느꼈습니다.

특히 작업하는 과정에서
“프로젝트 전체를 이미 이해하고 있는 느낌”
이 꽤 강했습니다.

오히려 어떤 순간에는 Claude보다
작업 속도감이나 코드 수정 흐름은 Cursor 쪽이 더 좋다고 느끼기도 했습니다.

---

Gemini

제미나이는 사실 개인적으로는 아직 다른 도구들에 비해서 엄청 깊게 사용해보진 못했습니다.

다만

• Notebook LLM
• Nano Banana

같은 기능들은 꽤 재밌게 사용했던 기억이 있습니다.

특히
“누구나 쉽게 사용할 수 있는 범용적인 AI 도구”
라는 느낌이 강했습니다.

뭔가 개발 흐름에 깊게 들어간다기보다는,
평소 생활이나 가벼운 작업에서도 쉽게 활용할 수 있는 느낌이었습니다.

---

1~2주차 — “AI를 어떻게 사용하고 있는가”

초반 스터디는 각자 AI를 어떻게 사용하고 있는지 공유하는 시간이 많았습니다.

사실 AI를 사용하는 데 정답은 없다고 생각했는데,
이번 스터디를 하면서 그걸 더 많이 느꼈던 것 같습니다.

회사에서도 다양한 직군분들이 AI를 활용하는 모습을 볼 수는 있지만,
스터디에서는 훨씬 더 다양한 방향성을 가진 분들과 이야기를 나눌 수 있었습니다.

누군가는

• 문서 자동화
• 발표 자료 생성
• 업무 정리
• 개발 생산성
• 일정 관리
• 데이터 분석

같은 쪽으로 활용하고 있었고,

또 어떤 분은
“AI를 얼마나 잘 쓰느냐보다,
어떤 흐름 안에 녹여두느냐가 더 중요하다”
라는 이야기를 하기도 했습니다.

이런 이야기들을 듣다 보니,
평소에는 생각하지 못했던 관점들을 정말 많이 볼 수 있었던 것 같습니다.

특히 좋았던 건
“같은 도구를 써도 완전히 다르게 사용하고 있다”
는 부분이었습니다.

예를 들어 저는 주로

• 개발
• 문서화
• 구조화
• 작업 흐름 관리

쪽으로 AI를 많이 사용하고 있었는데,

다른 분들은

• 일정 관리
• 발표 구성
• 데이터 가공
• 리서치 자동화

같은 영역에서 훨씬 깊게 사용하고 있었습니다.

그걸 보면서
“AI 활용에는 정말 정답이 없구나”
라는 걸 더 크게 느꼈던 것 같습니다.

---

3주차부터는 “직접 만들어보기” 시작

3주차 이후부터는 단순히
“AI를 어떻게 활용할까?”
를 넘어서,

“AI를 작업 흐름 안에 어떻게 녹일까?”

에 가까운 고민들을 하기 시작했습니다.

저는 평소에도

• Claude
• Codex
• Gemini
• Cursor
• 로컬 AI 도구

를 동시에 사용하는 편이었는데,
쓰다 보니 점점 불편했던 부분이 생기기 시작했습니다.

대표적으로

“지금 AI가 뭘 하고 있는지 잘 안 보인다”

는 점이었습니다.

---

AI 에이전트 대시보드를 만들기 시작한 이유

처음에는 단순히 터미널 로그를 보면서 작업했었습니다.

그런데 점점

• 어떤 모델이 실행 중인지
• 어떤 파일을 읽고 있는지
• 어떤 tool을 호출했는지
• 어디서 실패했는지
• 어떤 세션에서 작업 중인지

같은 것들을 추적하기 어려워졌습니다.

특히 여러 AI를 동시에 사용하기 시작하니까,
작업 흐름 자체가 눈에 안 들어오기 시작했습니다.

특히 불편했던 건,
AI가 분명 뭔가 계속 작업하고 있는데,
실제로 뭘 하고 있는지는 잘 안 보인다는 점이었습니다.

터미널 로그만 보면

• 어떤 파일을 읽고 있는지
• 어떤 tool에서 실패했는지
• 지금 어디 단계인지

같은 게 잘 안 들어왔습니다.

세션이 길어질수록

“지금 얘가 뭘 하다가 여기까지 온 거지?”

를 사람이 다시 추적해야 하는 순간들이 생기기 시작했습니다.

그래서

“AI 작업 흐름 자체를 시각화해보자”

라는 생각으로 대시보드를 만들기 시작했습니다.

---

단순 채팅 UI보다 훨씬 “에이전트스럽게” 느껴졌다

실제로 Claude나 Codex를 사용하다 보면,
내부적으로 세션 데이터를 JSON 형태로 저장하고 있었습니다.

그래서

• 실제 대화 로그
• 어떤 작업을 했는지
• 어떤 파일을 읽었는지
• 어떤 tool을 사용했는지
• 어떤 모델을 호출했는지

같은 정보들을 세션 단위로 시각화하기 시작했습니다.

그리고 이걸 보면서 느꼈던 게,
생각보다 AI 내부 작업 흐름에 굉장히 많은 정보가 들어있다는 점이었습니다.

단순히 채팅 UI로 볼 때는 몰랐는데,
실제 흐름을 펼쳐놓고 보니까

• 작업 상태
• 실패 시그널
• 파일 접근 흐름
• tool 호출 흐름

같은 것들이 꽤 복잡하게 움직이고 있었습니다.

그리고 이 시점부터
“AI를 단순 채팅 도구처럼 쓰고 있지는 않구나”
라는 생각을 하게 되었던 것 같습니다.

---

가장 크게 느꼈던 문제 — 신뢰도

대시보드를 만들고,
MCP를 연결하고,
세션을 계속 들여다보다 보니까
점점 더 크게 느껴졌던 문제가 하나 있었습니다.

바로
“AI가 어디를 보고 말하는 건지 모르겠다”
는 점이었습니다.

실제로 사용하다 보면

• 실제 파일을 읽고 말하는 건지
• MCP를 기반으로 말하는 건지
• 그냥 모델이 추론한 건지

구분이 안 되는 경우가 정말 많았습니다.

심지어
실제 파일을 제대로 읽지 않았는데도,
굉장히 자연스럽게 존재하지 않는 구조를 설명하는 경우도 있었습니다.

confidence는 높은데,
내용은 틀린 경우들이 생각보다 자주 보였습니다.

대시보드를 만들면서 세션 로그나 tool 흐름을 보다 보니까,
이런 부분들이 더 눈에 들어오기 시작했던 것 같습니다.

그러던 중 스터디에서 한 동료분이

“출처를 같이 남기게 하면 좀 낫지 않을까?”

같은 이야기를 해주셨었는데,
그걸 듣고 나서 저도 가볍게 아이디에이션을 해보기 시작했습니다.

---

간단하게 붙여봤던 출처 태그 아이디어

그래서 claude.md 쪽에 간단하게 규칙을 추가해서,
답변할 때 출처 느낌의 태그를 붙여보기도 했습니다.

예를 들면

• [추론]
• [실제 코드 기반]
• [MCP 참조]

같은 식이었습니다.

엄청 거창한 시스템이라기보다는,
“적어도 어디 기반으로 말하는지는 표시해보자”
정도에 가까운 시도였습니다.

근데 이걸 며칠 정도 실제로 사용해보니까,
생각보다 꽤 괜찮았습니다.

특히 좋았던 건

“AI가 어떤 근거로 말하고 있는지”

를 사람이 훨씬 빠르게 판단할 수 있었다는 점이었습니다.

예전에는
AI가 자신감 있게 말하면
그걸 다시 처음부터 검증해야 했는데,

이런 식으로 출처 느낌만 붙어도

• 실제 파일 기반인지
• MCP 기반인지
• 그냥 모델 추론인지

판단 속도가 꽤 빨라졌습니다.

결국 문제는
AI가 틀리는 것 자체보다,

“어떤 근거로 말하고 있는지 알 수 없다는 점”

에 더 가까웠던 것 같습니다.

---

문서화가 결국 다시 연결되기 시작했다

이번 스터디 하면서 개인적으로 가장 재밌었던 부분은,
예전에 해두었던 문서화들이 다시 연결되기 시작했다는 점이었습니다.

저는 예전부터

• Obsidian
• 정리 문서
• 복기
• daily note
• 프로젝트 기록

같은 걸 계속 남겨두는 편이었습니다.

원래는
“나중에 내가 다시 보기 편하려고”
정도의 목적이 컸습니다.

그런데 MCP와 연결하고 나니까,
이 문서들이 단순 메모가 아니라

• AI Context
• 작업 히스토리
• 의사결정 기록
• Knowledge Base

처럼 사용되기 시작했습니다.

특히 이 부분은 되게 신기했습니다.

새로운 걸 만든 느낌보다,
예전부터 해오던 문서화와 복기 습관들이
이제 AI와 연결되기 시작한 느낌에 더 가까웠던 것 같습니다.

결국 AI 시대에도 중요한 건
새로운 기술 자체보다,

“맥락을 얼마나 잘 남겨두고 연결할 수 있는가”

에 더 가까웠던 것 같았습니다.

---

AI를 역할 단위로 보기 시작했다

스터디 후반부에는 슬라이드 생성 자동화도 실험해봤습니다.

원래는
“PPT도 AI로 어느 정도 만들 수 있을까?”
정도의 가벼운 생각에서 시작했는데,

만들다 보니 자연스럽게 역할 분리가 생기기 시작했습니다.

예를 들면

1. 초안 생성 에이전트
2. 다이어그램 생성 에이전트
3. 검수 에이전트
4. 수정 에이전트

처럼 역할을 나누기 시작했습니다.

그리고 이 과정에서 가장 크게 느꼈던 건

“AI는 단순 코드 생성기가 아니다”

라는 점이었습니다.

점점

• QA
• 리뷰어
• 설계자
• 발표 제작자
• 검수자
• 문서 정리자

같은 역할 단위로 분리해서 사용하게 되고 있었습니다.

특히 재밌었던 건,
이 흐름이 생각보다 실제 개발 팀 구조와 굉장히 비슷하다는 점이었습니다.

---

결국 중요한 건 “모델”보다 “구조”였다

5주 동안 스터디를 하면서 가장 크게 느꼈던 건,
결국 중요한 건 모델 자체보다

• 어떤 흐름 안에서 사용하고 있는지
• 어떤 컨텍스트를 주고 있는지
• 어떤 구조로 관리하고 있는지

에 더 가까웠다는 점이었습니다.

물론 모델 성능도 정말 중요합니다.

실제로 최근 모델들은
컨텍스트 처리 능력도 훨씬 좋아졌고,
긴 세션 유지도 많이 안정화됐습니다.

그런데 결국 작업이 길어질수록 중요한 건

• 기록
• 컨텍스트
• 문서화
• 역할 분리
• 검수 흐름

같은 부분들이었습니다.

그리고 그 과정에서
예전에 쌓아두었던 문서화 습관이나 복기 습관들이
생각보다 훨씬 큰 자산처럼 느껴졌던 것 같습니다.

---

마무리

초반에는 야근 때문에
스터디 끝나고 집 가면 거의 바로 뻗는 날도 많아서,
더 이것저것 시도해보지 못했던 건 조금 아쉽기도 했습니다.

그래도 오히려 그래서
제한된 시간 안에서
“진짜 내가 궁금했던 것들”
에 더 집중하게 되었던 것 같기도 합니다.

5주를 돌아보면 정말 다양한 시도와 관점을 볼 수 있었던 시간이었던 것 같습니다.

특히
개개인 별로 관심 있는 영역이 다르다 보니,
각자 완전히 다른 방식으로 AI를 활용하고 있었고,
그 과정에서 새로운 관점들을 정말 많이 배워갈 수 있었습니다.

그리고 개인적으로는
이번 스터디를 하면서

“AI를 잘 사용하는 방법”

보다,

“AI를 어떤 흐름 안에 녹여둘 것인가”

를 더 많이 고민하게 되었던 것 같습니다.

스터디 하길 잘했다.