당신의 PPT는 안녕하신가

 

러시아의 세계적인 AI 연구자인 톨스토이는 이런 말을 남겼다. 

 

“성공한 AX(AI Transformation)는 저마다의 이유로 성공하지만, 실패한 AX는 단 하나의 이유로 실패한다.”

 

그 하나의 실패 원인은 바로 데이터다. AI가 아무리 똑똑해도, 데이터가 없으면 아무것도 시작되지 않는다. 기관별, 부서별 제각각인 양식과 문서 구조, 글 상자 안의 글 상자. 이런 문서는 지난한 과정을 겪어야 겨우 기계(LLM)가 읽기 편한 형식으로 바꿀 수 있다.

 


도형 안에 도형, 그 안에 텍스트 상자, 그 옆에 화살표, 그 밑에 각주. 혹시 지난달 보고서 수정에서 도형 하나 건드렸더니 문서 전체 구조가 와장창 무너진 경험이 있는가. 셀 병합의 늪에서 허우적대다 “아 그냥 새로 만들자” 하고 엑셀을 닫고 5초 뒤에 밀려오는 깊은 빡침을 경험해 본 적 있는가. 이건 AI의 문제가 아니라 AI 이전의 문제다. 셀이 이리저리 병합된 엑셀, 이미지로 가득한 PPT, 복잡한 서식의 보고서. 사람 눈에는 보기 좋지만, AI에게는 해독 불가능한 암호문이다. 

 

성공한 AX는 업종도 전략도 도입한 모델도 모두 다르지만, 실패한 AX의 문제는 하나로 귀결된다. AI에게 줄 데이터가 기계가 읽기 힘든 형태라는 것.
 해법은 의외로 단순하다. 처음부터 기계가 읽을 수 있는 형태로 쓰면 된다. 그리고 그 형태는 이미 20년 전부터 존재해 왔다.

 

 

엑셀이 나쁜 도구라는 뜻은 아니다. 엑셀은 단순히 계산을 빠르게 만들어 준 도구가 아니다. 단순 계산이라면 주판이 더 빠를 수도 있다. 하지만 일터에서 주판이 사라진 것은 엑셀이 단순 계산을 넘어서기 때문이다. 복잡하고 방대한 데이터 세트를 엑셀로 관리할 수 있게 된 것인데, 이것만으로도 데이터에 대해 훨씬 복잡하고 깊이 있는 해석이 가능해졌다. 이를 통해 전에는 꿈도 꿀 수 없었던 복잡한 문제를 풀 수 있게 되었다. 도구가 인간 지능을 확장한 사례다. 

 

 

자료를 기계가 읽기 편하게 바꾸는 고단함에 대하여

 

각자 자신의 개인적인 자료가 어디에 흩어져 있는지 한번 떠올려 보라. 유튜브의 나중에 볼 동영상에 쌓아둔 강의 30개. 크롬 북마크 폴더에 분류도 안 한 채 던져 놓은 웹페이지 50개. 카카오톡 나에게 보내기에 쌓인 링크들. 노트 앱에 반쯤 적다만 메모. 종이에 휘갈긴 회의 메모. 캡처한 스크린샷. 누가 보내준 PDF. 어디선가 받은 PPT. PPT와 워드는 죄가 없다. 다만, 그 도구들은 사람의 눈에 맞게 설계되었다. 문제는 이제 문서를 읽는 주체가 사람만이 아니라는 점이다.

 

전부 내가 모은 것이지만 이걸 AI에게 넘기려고 보니 되지 않는다. 그래서 AI에게 내가 모은 자료를 통째로 정리시킬 수가 없다. 유튜브 링크를 던져봐야 AI가 영상을 통째로 보지 못하고, 북마크 폴더를 던져봐야 URL 나열일 뿐이고, 손 글씨 메모는 사진을 찍어서 OCR을 돌려야 겨우 텍스트가 된다. 내 지식의 총합은 상당한데, 그 지식이 기계가 접근할 수 없는 형태로 여기저기 흩어져 있다. 기계가 읽을 수 있는 깨끗한 형식을 얻기는 생각보다 어렵다.

 

2004년 존 그루버가 만든 이 경량 마크업 언어는, 원래 블로그 글쓰기를 위한 것이었다. 그런데 20년이 지난 지금 마크다운은 AI 시대의 사실상 표준 문서 형식이 되었다. 챗지피티, 클로드, 제미나이 등 주요 AI가 입력과 출력 모두에서 마크다운을 기본 형식으로 사용한다.
 거의 모든 AI 에이전트의 기본 문법이 바로 마크다운 형식이다. 2025년의 핵심 트렌드 중 하나가 AI 에이전트 메모리의 마크다운 전환이었다. 벡터 DB 같은 복잡한 시스템 대신, 평문.md 파일로 에이전트 상태를 관리하는 방식이다.


 

최근 화제가 된 AI 에이전트 오픈클로(OpenClaw)는 작업 내역, 사용자 정보, 에이전트의 성격까지 모두 마크다운 파일로 저장한다. AI가 자신의 기억을 마크다운으로 관리하는 것이다. 코딩 도구인 클로드 코드(Claude Code) 역시 CLAUDE.md라는 마크다운 파일 하나로 사용자의 업무 규칙과 선호를 정리한다. 선호하는 문체, 반복되는 실수 방지 규칙을 마크다운으로 적어 두면, AI가 그 취향에 맞춰 작업한다. 사람이 AI에게 말을 거는 형식이 마크다운이고, AI가 자신을 기억하는 형식도 마크다운이다.

 

{} 기호안에 뭔가 잔뜩 글자들이 들어차 있으면 JSON 형식이다.

이것도 좋지만, 사람이 읽기 어렵다.

AI 에이전트들이 마크다운을 선택한 이유는 하나다.

사람이 읽을 수 있고, 기계도 읽을 수 있으며,

특정 소프트웨어에 종속되지 않기 때문이다.

 

LLM이 점차 에이전트로 진화함에 따라서, 카파시가 2년 전에 제안한 LLM-OS, 즉 LLM이 운영체제처럼 도구·메모리·에이전트를 관리하는 허브가 되는 개념이 점차 현실화되고 있다. 앞으로 LLM은 하루 24시간, 주 7일 쉬지 않고 수십 개의 에이전트를 직접 부리게 될 것이다. 그 에이전트들의 고객은 사람이 아니다. 에이전트가 읽는 것은 PPT가 아니라 구조화된 텍스트다.

 

하지만 기본적인 데이터를 갖춰야 제대로 된 자동화가 가능하다. 텔레그램 봇을 만드는 건 수도꼭지를 다는 일이고, 마크다운으로 문서를 쓰는 건 수도관에 깨끗한 물을 연결하는 일이다. 수도꼭지를 아무리 멋지게 달아도 관에 흙탕물이 흐르면 의미가 없다. AI 에이전트도 마찬가지다. 에이전트를 만드는 것 자체는 점점 쉬워지고 있다. 아주 가까운 미래에 맞춤형 초강력 에이전트를 누구나 딸깍 한 번으로 만들 수 있게 될 것이다. 에이전트에게 먹일 콘텐츠를 기계가 읽을 수 있는 형태로 만들고, 이를 깨끗한 파이프라인으로 만드는 것이 더 어려운 일이다.

 

 

마크다운, AI의 기초 문법

 

#은 제목, ##은 소제목, -는 목록, |는 표의 열 구분. 이게 거의 전부다. 서식이 아니라 구조를 적는 문법이다. 글 상자도 없고 도형도 없다. 사람이 읽어도 구조가 보이고, AI가 읽어도 구조가 보인다. 이렇게 단순한 걸 왜 안 쓰냐고? 조직에서는 뭔가 복잡해 보여야 일한 것 같은 분위기가 있으니까. 글꼴 고르고, 색상 맞추고, 도형 정렬하는 데 두 시간쯤 들여야 일 좀 한 것 같은 착각. 마크다운은 그런 착각을 허락하지 않는다. 내용이 전부니까.

 


마크다운은 AI가 문서의 구조, 맥락, 우선순위를 정확히 알 수 있게 해준다. AI에게 업무를 맡기면서 PPT를 던져주는 것은 재료 사진을 보여주며 요리를 부탁하는 것이고, 마크다운을 건네는 것은 손질된 재료와 레시피를 함께 주는 것이다. 결과의 질이 완전히 다를 수밖에 없다.

 


기계가 읽을 수 있는 형태로 데이터가 만들어져 있으면 AI를 이용해 간단한 분석을 하거나, 대시보드를 만드는 것은 이제 너무나 쉽다. 문제는 기계가 읽을 수 있는 형태의 데이터가 충분히 만들어져 있느냐다.

 


예를 들어 FAQ, 매뉴얼을 마크다운으로 작성하면 훨씬 나은 챗봇을 만들 수 있다. 헤더·목록·본문을 정확히 구분해 일관된 답변을 제공할 수 있기 때문이다. HWP, docx나 PDF 같은 독점 포맷은 특정 회사의 소프트웨어에 종속된다는 문제가 있지만, 마크다운은 이런 문제가 전혀 없다. 사용자가 자신의 폴더에 파일로 완전히 소유하기 때문에, 클라우드 서비스가 사라질 걱정할 필요가 없다. 따라서 아주 먼 미래까지 자료를 보관하기도 적합하다.

 

그러면 보기에 너무 초라하지 않을까. 아니다. 노션(Notion)이 마크다운 기반이다. 깃허브(GitHub)의 모든 문서가 마크다운이다. 초라한가? 오히려 PPT보다 일관성 있고 깔끔하다. 그래도 공식 양식이 필요한 순간이 있다면, 그때는 마크다운으로 쓴 내용을 AI에게 “공문 양식 워드로 변환해 줘”라고 하면 된다. 구조가 명시적이므로 변환이 깔끔하다. 반대 방향, 워드에서 마크다운으로의 변환이 지옥인 이유는 구조가 암묵적이기 때문이다. 순서를 바꾸면 고통이 사라진다. 쓸 때는 기계가 읽기 좋게, 보여줄 때만 사람이 보기 좋게. 이게 원칙이다.

 

 

76년간 반복된 오류

 

많은 사람이 AI를 그저, 긴 문서를 요약하고, 회의록을 정리하는 것 정도로 쓰고 있다. 물론 이것도 좋은 활용법이다. 하지만 AI의 진짜 가치는 누가 더 높은 해상도로 정보의 파편들을 연결해 의미를 부여하느냐에 있다.

 


법학계에서 최근 주목받은 연구가 있다. 파산법의 결격 사유 조항을 AI로 분석한 결과, 76년간 수십 개의 법률이 원본 조항을 그대로 베끼면서, 원본의 오류까지 함께 복제해 온 것이다. 인간 법학자 수백 명이 수십 년간 읽었지만 아무도 발견하지 못한 문제를, 구조화된 텍스트와 AI의 조합이 단숨에 밝혀냈다.

 


인간은 자신이 읽을 수 있는 한 줌의 텍스트에 빠져 전체의 모순을 알아채지 못한다. 하지만 기계는 할 수 있다. 이것이 바로 프랑코 모레티가 말한 ‘멀리서 읽기(Distant Reading)’의 힘이다. 한 편의 텍스트를 정독하는 것이 아니라, 수천 편의 텍스트를 구조적으로 분석해서 패턴과 이상치를 찾아내는 것이다. 한 편의 텍스트를 정독하는 것도 물론 중요하다. 하지만 그것만이 정답은 아니다. 중요한 것은 직접 읽었느냐가 아니라, 어떤 문제를 해결했느냐다.

 


그런데 이 ‘멀리서 읽기’가 작동하려면 전제 조건이 있다. 기계가 읽을 수 있는 형태로 텍스트가 존재해야 한다. 만약 저 법률 조항들이 스캔 된 PDF 이미지로만 존재했다면, 76년이 아니라 수십 년이 더 흘러도 그 오류는 찾지 못했을 것이다. 구조화된 텍스트는 단순히 ‘보기 좋은 형식’의 개념이 아니다. 수십 년 쌓인 지식에서 오류를 찾고, 패턴을 발견하고, 새로운 발견을 끌어내는 분석의 전제 조건이다.

 

 

보고서는 데이터의 그림자에 불과하다

 

조직의 문서 작성 방식에는 오래된 관성이 있다. 정보를 모으고, 분석하고, 최종적으로 보기 좋게 꾸민 보고서를 만드는 것이다. PPT의 도형 안에 텍스트를 넣고, HWP의 표를 세밀하게 조정하고, 셀을 병합해서 시각적으로 정돈한다. 그 결과물은 보기 좋을 수 있다. 문제는 보기 좋은 것과 쓸모 있는 것은 다르다는 점이다. 더구나 기계도 읽어야 하는 문서인데 사람 눈에만 예쁘다. 사람의 손을 거치는 과정에서 정보의 구조가 깨진다.

 

엑셀을 다루는 사람이라면 누구나 이해할 것이다. 잘 정리된 원본 데이터가 있으면 피벗 테이블, 차트, 요약표를 자유자재로 만들 수 있다. 그러나 피벗 테이블에서 원본 데이터를 완벽히 복원하는 것은 어렵다. 한번 병합하고 꾸며놓은 셀에서 원래 데이터를 꺼내는 건, 스크램블 에그에서 달걀을 복원하는 것과 비슷하다. 문서도 마찬가지다. 구조화된 텍스트에서 PPT, HTML, PDF를 만드는 것은 쉽다. 그러나 PPT 슬라이드에서 구조화된 정보를 꺼내는 것은 극히 어렵다. 보고서는 데이터의 그림자에 불과하다. 그림자만 남기고 원본을 버리는 것은 열매를 수확한 뒤 나무를 베어버리는 것과 같다.

 

 

과정을 기록하라

 

문서 형식만큼 중요한 것이 무엇을 기록하느냐다. 대부분의 조직에서 남는 것은 최종 보고서뿐이다. 그 보고서가 나오기까지의 논의, 검토된 대안, 기각된 아이디어, 의사결정의 이유 — 이런 것들은 사라진다. AI가 조직에 진짜 도움이 되려면, 무엇을 결정했는지뿐 아니라 왜 그렇게 결정했는지를 기록으로 남겨야 한다. 쌓인 맥락이 있어야 AI가 과거의 판단을 참조하고, 유사한 상황에서 더 나은 제안을 할 수 있다.

 

GS그룹이 사내 업무 플랫폼을 노션(Notion)으로 전환한 것은 이런 맥락에서 주목할 만하다. 업무 보고, 회의록, 프로젝트 진행 상황이 모두 구조화된 텍스트로 기록되고 축적된다. 이렇게 쌓인 조직의 암묵적 지식은 AI가 배우고 쓸 수 있는 자산이 된다. 최종 보고서 PDF 한 장이 아니라, 그 보고서가 만들어지기까지의 전 과정이 조직의 경쟁력이 되는 것이다.

 

해법은 항상 같다. 모든 자료를 하나의 형태로 꿰는 것. 유튜브에서 건진 인사이트를 세 줄로 적는다. 웹에서 읽은 글의 핵심을 한 문단으로 옮긴다. 회의 때 손으로 쓴 메모를 저녁에 다섯 줄로 정리한다. 가끔 이렇게만 해도 내 지식이 기계가 읽을 수 있는 형태로 쌓이기 시작한다. 거창한 지식 관리 시스템이 아니다. 한 달만 쌓으면 “지난 한 달간 내가 모은 자료에서 OO 관련 내용만 정리해 줘”라는 명령이 가능하다.


요즘 지식관리 앱인 옵시디언이 크게 주목받고 있는데, LLM과 궁합이 찰떡이란 점이 그 이유다. 옵시디언의 파일 포맷이 마크다운이고, LLM은 마크다운을 가장 잘 다룬다. 둘 사이에 통역이나 변환이 필요 없다. 조금만 익숙해지면 리서치로 노트를 쌓고 노트 간 연결을 통해 이를 관리·분석·시각화하는 전 과정을 하나의 흐름으로 통합할 수 있다. 물론 필요하면 이 모든 걸 자동화할 수도 있다. 그리고 그 모든 것의 전제는 마크다운으로 정리된 노트이다.

 

 

히야신스의 AI 감식반: AI가 멍청해 보이면 당신 데이터 문제다


(딴지일보, 링크)

 

 

구슬을 꿰자

 

 

오늘날 고도의 지식과 기술을 갖춘 전문가들이 폭발적으로 늘어났다. 그리고 그들이 감당해야 할 업무의 양과 복잡성도 함께 폭발적으로 증가했다. 법률가, 금융 전문가, 의사와 같은 전문가부터 평범한 회사원에 이르기까지 대부분의 업무는 한 사람의 기억력에만 의존하기에는 너무나 복잡하고 까다로워졌다. 다시 말해, 오늘날 대부분의 분야가 한 명의 조종사가 몰기에는 너무 복잡한 비행기가 된 것이다.


 

그래서 유능한 부조종사가 필요하다. AI는 그 부조종사가 될 수 있다. 수천 쪽의 판례를, 수만 건의 거래 데이터를, 수십 년 치 진료 기록을 한 번에 읽고 패턴을 찾아내는 일은 AI가 사람보다 잘한다. 문제는 부조종사에게 계기판이 읽히느냐다. 계기판의 눈금이 뒤죽박죽이면 아무리 뛰어난 부조종사도 무용지물이다.

 


부조종사가 읽을 수 있는 계기판을 갖추는 것, 그것이 전부다. 계기판만 정비되어 있으면, 목적지가 어디든 항로를 짜는 것은 부조종사의 몫이다. 개인 차원에서 이일은 그리 어려운 일이 아니다. 다음 회의록을 마크다운으로 작성해 보는 것, 보고서의 원자료를 구조화된 텍스트로 남겨두는 것, 의사결정의 이유를 한 줄이라도 기록하는 것. 이런 작은 변화가 모여, AI가 진짜 일할 수 있는 토대가 된다.

 


AI 시대의 문서 역량은 화려한 PPT를 만드는 능력이 아니다. 기계가 읽을 수 있는 형태로 지식을 구조화하는 능력이다. 가장 단순한 문법이 가장 강력한 무기가 된다. 마크다운은 그 첫걸음이고, 지금이 그 첫걸음을 뗄 때다. 샵(#) 하나 찍는 것부터 시작하면 된다.

 


AI는 방대한 문서에서 논점을 잡고 해결책을 내놓는 데 10초면 충분하다. 하지만 AI가 아무리 발전해도, 기계가 읽을 수 없는 형태로 조직의 문서가 머물러 있다면 불가능해진다. 병목은 AI의 능력이 아니라, 조직의 문서 형식이다.

 

 

 

편집: 이현화

마빡 디자인: 꾸물

기사: 히야신스

 

제보 및 연재 문의

ddanzi.master@gmail.com