AI 시대의 대학 입시 해킹 19화, Personal Knowledge OS, Second Brain 프로젝트

헤아가 연재하는 책 'AI 시대의 대학 입시 해킹'의 19화다. 매일 아침 한 편씩, AI가 바꿔 놓은 미국 입시의 실제 작동 방식을 짚는다.

---

매일 수십 개의 유튜브 영상, 온라인 아티클, 수업 자료가 학생의 스마트폰과 노트북으로 쏟아진다. 부모 세대가 밑줄 그으며 공부하던 교과서 몇 권과는 비교할 수 없는 정보의 홍수 속에서, 아이들은 무엇을 기억하고 무엇을 잊어야 할지조차 알기 어렵다. 흩어진 메모, 저장해두고 다시 보지 않는 링크, 뒤죽박죽인 파일은 지식이 되는 대신 디지털 쓰레기로 쌓인다.

2026년의 입시 지형도에서 몇몇 학생은 이 혼돈을 자신만의 질서로 바꾸는 새로운 무기를 손에 쥐기 시작했다. 이들은 더 이상 정보를 수동적으로 소비하지 않는다. 대신 AI 기술로 자신만의 '두 번째 뇌', 즉 Personal Knowledge Operating System(개인 지식 운영체제)을 구축해 학습 과정 전체를 장악하고, 그 과정을 입학사정관 앞에서 설득력 있게 증명한다.

'두 번째 뇌'는 더 이상 비유가 아니다

'두 번째 뇌(Second Brain)' 개념은 생산성 전문가 티아고 포르테(Tiago Forte)가 제시하며 널리 알려졌다. 그가 정리한 방법론은 정보를 캡처(Capture)하고, 정리(Organize)하고, 증류(Distill)하고, 표현(Express)하는 네 단계, 즉 CODE 체계다.¹ 다만 과거에는 이 개념이 정교한 파일 정리 시스템이나 노트 필기법의 다른 이름에 가까웠다. Notion, Obsidian, Apple Notes 같은 도구는 훌륭한 디지털 서랍장 역할을 했지만, 서랍을 열고 내용물을 연결하는 것은 여전히 사용자의 몫이었다. 정보는 저장될 뿐, 스스로 관계를 맺거나 새로운 통찰을 내놓지는 못했다.

생성형 AI의 등장은 이 구도를 바꿨다. 이제 개인 지식 운영체제는 단순한 저장소가 아니라 학생과 함께 생각하고 학습하는 파트너가 된다. 이 변화의 핵심에는 과거와 근본적으로 다른 데이터 처리 방식, 즉 Vector Database(벡터 데이터베이스)와 Retrieval‑Augmented Generation(RAG)이라는 두 기술이 있다.

벡터 데이터베이스는 단어나 문장을 키워드로 저장하는 대신, 그 의미와 맥락을 수학적 벡터 값으로 변환해 저장한다. 도서관 사서가 책을 제목의 가나다순이 아니라 '낭만주의 시대의 사회상', '양자역학의 철학적 함의'처럼 주제와 개념 중심으로 정리하는 것과 같다. 덕분에 '산업혁명이 환경에 미친 영향'을 검색하면, '증기기관'이라는 키워드가 노트에 없더라도 관련된 내용을 맥락적으로 찾아낸다.

RAG는 이렇게 정리된 도서관에서 필요한 정보를 찾아내 학생의 질문에 맞춰 새 답을 생성하는 방식이다. 학생이 "내가 읽은 자료를 바탕으로 셰익스피어의 비극이 현대 영화에 미치는 영향에 대한 에세이 개요를 짜 줘"라고 요청하면, RAG는 학생의 데이터베이스 안에서만 관련 노트를 찾아 종합하고 독창적인 개요를 만든다. 외부 인터넷의 부정확한 정보가 섞일 위험 없이, 오직 자신이 학습한 내용에 기반한 결과물만 얻는다.

여기서 개인 지식 운영체제가 정조준하는 인간의 약점이 하나 있다. 망각이다. 19세기 독일 심리학자 헤르만 에빙하우스가 처음 측정한 '망각곡선'은 학습 직후부터 기억이 빠르게 줄어들다가 시간이 갈수록 완만해지는 형태를 그린다. 이 패턴은 한 세기가 지난 뒤 동료심사 재현 연구로도 다시 확인됐다.² 핵심은 망각이 변덕이 아니라 예측 가능한 곡선을 따른다는 점이다. 개인 지식 운영체제는 이렇게 새는 기억을 시스템 바깥에 붙들어 두는, 망각이라는 한계에 대한 기술적 대응책이다.

이 시스템은 더 이상 실리콘밸리 엔지니어의 전유물이 아니다. Notion AI 같은 상용 도구의 발전과 LangChain, LlamaIndex 같은 오픈소스 프레임워크 덕분에, 이제 고등학생도 몇 주간의 학습으로 자신만의 기본적인 지식 운영체제를 만들 수 있다. 이는 새로운 공부법을 익히는 데 그치지 않고, 대학이 찾는 핵심 역량을 증명하는 프로젝트가 된다.

단순한 공부 도구를 넘어, 입학사정관을 사로잡는 프로젝트로

학생이 자신만의 지식 운영체제를 구축했다는 사실은 입학사정관에게 여러 신호를 보낸다. 이는 코딩 대회 수상 실적 하나보다 더 깊은 학업적 잠재력을 보여주는 증거가 된다. 단순히 AI를 쓰는 소비자를 넘어, 자신의 목적을 위해 AI를 설계하고 활용하는 창조자의 역량을 드러내기 때문이다.

가장 중요한 것은 메타인지(Metacognition), 즉 자신의 학습 과정을 스스로 점검하고 개선하는 능력을 입증한다는 점이다. 지원서 에세이에 "정보의 홍수 속에서 길을 잃는 나 자신을 발견했다. 그래서 배운 것을 잊지 않고 서로 다른 지식을 연결하기 위해 나만의 AI 기반 지식 시스템을 만들기로 했다"라고 쓰는 학생을 떠올려 보라. 이는 어떤 과목에서 만점을 받았다는 사실보다 더 성숙한 지적 호기심과 문제 해결 능력을 보여준다.

메타인지(Metacognition) — 자신의 인지 과정에 대한 지식과 통제 능력. 교육 심리학에서 메타인지는 학생의 학업 성취, 비판적 사고, 문제 해결 능력과 꾸준히 연결되는 핵심 변수로 다뤄진다.

이 프로젝트는 미래 기술에 대한 이해도 증명한다. Vector DB와 RAG는 현재 AI 산업의 가장 핵심적인 기술 개념이다. 학생이 이 원리를 이해하고 직접 구현해 본 경험은, 컴퓨터 과학 전공 지원자에게는 전공 적합성을, 인문학이나 사회과학 전공 지원자에게는 기술을 자신의 학문 분야에 융합하려는 창의성을 보여준다. 입학사정관은 'AI 윤리'를 막연히 논하는 학생보다, 'AI가 내 노트를 학습하고 답을 생성하는 과정에서 어떤 편향이 생길 수 있을까'를 직접 고민한 학생을 더 높게 본다.

이 프로젝트의 결과물은 여러 방식으로 지원서에 녹인다. Common App의 활동(Activities) 섹션에는 'AI 기반 개인 지식 운영체제 개발'이라고 기재하고, 항목마다 주어지는 짧은 설명란에 사용한 기술(Notion API, Python, LangChain 등)과 실제로 달라진 학습 방식을 구체적으로 적는다.³ 추가 정보(Additional Information) 섹션에는 시스템의 작동 원리를 설명하는 다이어그램이나 짧은 데모 영상 링크를 붙여 시각적으로 증명하는 것도 효과적이다.

궁극적으로 이 프로젝트는 에세이에서 가장 강한 힘을 낸다. 기술적 성취를 나열하는 대신, 이 시스템을 만들게 된 계기, 겪은 어려움, 그리고 이 경험을 통해 '지식'과 '학습'에 대한 생각이 어떻게 바뀌었는지를 이야기하는 것이다. 이는 학생의 지적 여정을 보여주는 가장 진솔하고 설득력 있는 서사가 된다.

한국 학생을 위한 단계별 실행 가이드

이 프로젝트는 거창한 코딩 실력이나 값비싼 장비를 요구하지 않는다. 꾸준함과 명확한 목표만 있다면 한국의 평범한 고등학생도 충분히 도전한다. 전체 과정은 크게 네 단계다.

1단계: 지식의 중앙화 (1~2주)

모든 정보와 노트를 한곳에 모으는 것부터 시작한다. 가장 추천할 만한 도구는 Notion이다. 강력한 데이터베이스 기능과 API를 제공해 추후 AI 연동이 쉽기 때문이다. 처음 1~2주 동안은 학교 수업 필기, 인터넷에서 스크랩한 아티클, 독서록, 유튜브 영상 요약 등 모든 지적 활동의 결과물을 Notion 페이지로 정리하는 습관을 들이는 데 집중한다. 중요한 것은 완벽함이 아니라 일관성이다.

2단계: AI 엔진 연결 (3~4주)

기초적인 AI 기능을 연결해 시스템을 활성화하는 단계다. 가장 쉬운 방법은 Notion AI 같은 내장 기능으로 페이지를 요약하거나 번역하는 것이다. 한 단계 더 나아가고 싶다면 Notion API와 Python으로 자신만의 시스템을 구축하는 길로 들어선다. LangChain이나 LlamaIndex 같은 프레임워크는 복잡한 AI 모델 연동 과정을 단순화해, 고등학생 수준에서도 다룰 만한 가이드를 제공한다.

이 단계의 목표는 '내가 저장한 모든 PDF 문서에서 특정 개념에 대한 내용을 찾아 요약해 줘' 같은 간단한 명령을 수행하는 스크립트를 만들어 보는 것이다. GitHub와 여러 기술 블로그에서 학생이 따라 할 수 있는 오픈소스 예제를 많이 찾을 수 있다.

3단계: 시스템 활용과 기록 (지속)

구축한 시스템을 매일의 학습에 실제로 적용하고 그 효과를 기록한다. 역사 에세이를 쓰기 전에 관련 주제를 자신의 지식 베이스에 물어 아이디어를 얻고, 생물 시험을 준비하며 예상 문제를 출제해달라고 요청하는 식이다. 이 과정 자체를 별도의 Notion 페이지에 '프로젝트 일지'로 남겨두면, 나중에 에세이를 쓰거나 면접을 준비할 때 결정적인 재료가 된다.

4단계: 결과물 포장 및 서사 구축 (원서 시즌)

마지막으로 이 모든 과정을 대학 지원서에 맞게 다듬는다. 프로젝트의 기술적 측면과 자신의 지적 성장 스토리를 결합해 한 편의 이야기로 만든다. 자신의 프로젝트를 설명하는 간단한 웹사이트(GitHub Pages나 Carrd 같은 무료 툴)를 만들거나, 시스템이 어떻게 작동하는지 1분짜리 영상으로 촬영해 포트폴리오를 시각화하는 것이 좋다. 기술적 결과물과 함께 '나는 왜 이 프로젝트를 시작했는가'라는 근본적인 질문에 대한 답을 준비하는 것이 핵심이다.

자신만의 지식 운영체제를 구축하는 것은 AI 시대의 학업적 생존술을 익히는 첫걸음이다. 그러나 입학사정관의 눈길을 끄는 포트폴리오는 여기서 멈추지 않는다. 이제 이 지식 체계를 활용해 세상의 실제 문제와 연결되는 독창적인 결과물을 만들어야 한다. 다음 섹션에서는 이 '두 번째 뇌'를 사회적 가치와 연결하는 구체적인 프로젝트 사례를 살펴본다.

---

이 글은 연재의 일부다. 내용은 공개 1차 출처를 기반으로 하며, 개별 입시 판단을 대신하지 않는다.

• 16화 다시 보기
• 17화 다시 보기
• 18화 다시 보기