원문은 프랑스어입니다. AI로 번역했습니다 — 문체가 아니라 의미를 보존했습니다.
이 글은 제 책 Le contexte에서 쓴 내용을 이어 갑니다. 책을 읽으려면 다운로드하거나 Amazon에서 구매하실 수 있습니다.
AI에게 리서치를 맡길 때 흔히 나오는 반응은 대개 같습니다.
이 주제에 대해 좋은 소스를 20개, 30개, 50개 찾아 줘.
문제는 소스의 개수가 아닙니다. 문제는 실제로 무엇이 빠져 있는지 알기 전에 얼마나 검색할지를 정해 버리는 데 있습니다.
그러면 서로 겹치고, 같은 개념을 되풀이하고, 같은 연구를 인용하며, 충분히 다뤘다는 착각을 주는 문서가 쉽게 쌓입니다. 그사이 어떤 관점은 첫 검색 결과에 잘 드러나지 않는다는 이유만으로 보이지 않은 채 남습니다.
저는 다른 방식을 씁니다. 아주 작지만 철저히 엄선된 코퍼스에서 출발해 구조화된 지식을 뽑아내고, 이 코퍼스로 이미 이해할 수 있는 것과, 무엇보다 아직 이해할 수 없는 것을 진단한 뒤, 그 상태가 다음 검색을 정하게 합니다.
저는 이 방법을 Stateful Corpus Research Loop, 줄여서 SCRL이라고 부릅니다.
그 논리는 한 문장으로 요약됩니다.
소스를 더 많이 찾지 마십시오. 주어진 미션에 대해 이미 아는 것을 바꿀 가능성이 있는 다음 소스를 찾으십시오.
1. 문제는 대량 리서치가 아닙니다
많은 소스를 찾는 것 자체가 나쁜 것은 물론 아닙니다. 어떤 리서치에는 수십, 심지어 수백 개의 문서가 필요합니다.
문제는 전략이 처음부터 고정될 때 생깁니다.
scope → 소스 30개 → 읽기 → 종합
그러면 양이 품질의 대리 지표가 됩니다.
그런데 서른 개의 소스가 실제로는 되풀이되는 몇 가지 아이디어만 다룰 수도 있습니다. 같은 유형의 주체에게서 나오고, 같은 연구를 인용하고, 같은 가정을 쓰거나, 같은 모순을 함께 무시할 수도 있습니다.
그러니 흥미로운 질문은 소스가 몇 개인가?가 아닙니다.
질문은 이것입니다. 내 코퍼스는 이미 무엇을 알고, 아직 무엇을 모르며, 어떤 검색이 이 상태를 바꿀 가능성이 가장 큰가?
SCRL은 이렇게 통상의 논리를 뒤집습니다.
먼저 수집하고 나중에 이해하는 대신, 다음에 무엇을 검색해야 할지 정할 수 있을 만큼 먼저 이해합니다.
2. 모든 것은 미션과 scope에서 시작합니다
경계 없는 반복 루프는 끝없이 이어질 수 있습니다.
새 소스는 새 질문을 열고, 질문은 새 개념으로 이어지며, 개념 하나가 새로운 읽을거리 스무 개를 정당화할 수 있습니다.
그래서 SCRL은 명시적인 미션에서 시작합니다.
- 핵심 질문
- 주제에 포함되는 것
- 주제에서 벗어나는 것
- 이해해야 할 축
- 기대하는 지식의 유형
수렴은 절대적인 의미로는 결코 존재하지 않습니다.
"이제 AI 에이전트에 대해 알아야 할 것은 모두 안다"고 결론 내릴 수는 없습니다.
결론 내릴 수 있는 것은 이것뿐입니다. 이 미션에 대해, 이 범위 안에서, 새로운 반복이 현재의 모델을 크게 바꿀 가능성은 이제 낮다.
scope는 행정적인 제약이 아닙니다. 중단 기준을 가능하게 만드는 것입니다.
3. 작지만 아주 엄선된 seed에서 출발하기
SCRL은 빠짐없는 수집에서 시작하지 않습니다. seed, 즉 신중하게 고른 몇 개의 소스에서 시작합니다.
이 첫 묶음은 다음 조건을 충분히 갖춰야 합니다.
- 신뢰할 수 있을 것
- 다양할 것
- 주제의 핵심에 가까울 것
- 첫 개념 구조가 드러날 만큼 풍부할 것
seed의 목적은 영역 전체를 다루는 것이 아닙니다.
그 역할은 더 소박하고 더 유용합니다. 무엇이 빠져 있는지 발견할 수 있을 만큼 좋은 첫 지식 상태를 만드는 것입니다.
seed는 루프에 시동을 거는 역할을 합니다.
4. 소스를 요약이 아니라 지식으로 바꾸기
가공되지 않은 문서는 추론의 단위로 적합하지 않습니다.
한 편의 글에 서로 독립된 메커니즘이 다섯 개 담겨 있을 수 있습니다. 매우 다른 두 문서가 정확히 같은 아이디어를 뒷받침할 수도 있습니다. 반대로 하나의 소스 안에 탄탄한 주장, 추측성 가설, 모호한 정의가 함께 들어 있을 수도 있습니다.
그래서 소스와 결과물 사이에 중간 층이 필요합니다.
제 시스템에서 이 층은 주로 이 블로그에서 이미 자세히 다룬 세 가지 노트로 이루어집니다.
- 아토믹 노트는 지적 무게중심이 하나뿐인, 자립적인 지식 단위를 고정합니다.
- 주제 노트는 여러 지식을 연결해 한 단계 더 나아간 이해를 만듭니다. What Is a Thematic Note?
- 용어집 항목은 모호함이 코퍼스 해석을 바꿀 수 있을 때 용어의 의미를 고정합니다.
따라서 SCRL은 문서 더미에서 직접 리서치를 이끌지 않습니다.
이미 추출되고 구조화된 지식에서 리서치를 이끕니다.
5. 코퍼스가 stateful해집니다
첫 번째 수집과 정리가 끝나면 코퍼스는 상태를 갖습니다.
코퍼스는 점차 다음을 표현할 수 있게 됩니다.
- 확립된 것으로 보이는 것
- 아직 근거가 약한 것
- 단 하나의 소스에 기대는 것
- 여전히 불확실한 것
- 모순
- 용어의 모호함
- 아직 제대로 이해되지 않은 메커니즘
- 이미 확인된 한계
- 과대 대표된 영역
- 거의 비어 있는 영역
- 코퍼스의 여러 부분 사이의 관계
이 상태가 다음 결정의 입력이 됩니다.
미션 / scope → 엄선된 seed → 소스 → 노트 → 코퍼스 상태 → 진단 → 목표가 분명한 검색 → 새 소스 → 코퍼스 갱신 → 수렴 테스트 → 새 반복
코퍼스는 더 이상 리서치의 결과물에 그치지 않습니다.
코퍼스가 다음 검색의 엔진이 됩니다.
6. 새 반복이 실제로 찾을 수 있는 것
새 반복은 더 이상 "관련 있는 글을 더 찾아 줘"를 뜻하지 않습니다.
반복은 코퍼스 진단이 만들어 낸 목표를 받습니다.
하나의 반복은 다음을 목표로 할 수 있습니다.
- 넓히기: 아직 빠져 있는 중요한 차원을 발견합니다.
- 강화하기: 중요한 지식에 독립적인 근거를 더합니다.
- 공백 메우기: 아직 빠져 있는 메커니즘, 단계, 지표, 조건을 문서화합니다.
- 반증 찾기: 코퍼스가 이미 탄탄하다고 여기는 것을 무효화하거나 제한할 수 있는 연구를 의도적으로 찾습니다.
- 한계 명확히 하기: 어떤 주장이 언제, 어디서 참이기를 멈추는지 정합니다.
- 경쟁하는 의미 구분하기: 저자, 제품, 분야에 따라 다르게 쓰이는 용어를 찾아냅니다.
- 서술에서 메커니즘으로 넘어가기: 무엇이 일어나는지뿐 아니라 왜, 어떻게 일어나는지 이해합니다.
- 근거 다양화하기: 이론, 벤치마크, 실증 연구, 기술 문서, 현장 피드백, 실제 관찰을 섞습니다.
- 전이 가능성 시험하기: 한 영역에서 관찰된 아이디어가 다른 영역에서도 통하는지 확인합니다.
- 의존 관계 파악하기: 메커니즘이 작동하는 데 필요한 조건을 찾습니다.
- 부작용 찾기: 비용, 지연, 편향, 회귀, 조직적 제약, 거버넌스 위험을 찾습니다.
- 노후화 확인하기: 기술 변화가 코퍼스의 일부를 무효화하는지 감지합니다.
- 떨어진 영역 잇기: 같은 메커니즘이 주제의 여러 부분을 관통한다는 것을 알아봅니다.
- 균형 다시 잡기: 특정 유형의 소스가 과대 대표된 탓에 강해 보이기만 하는 결론을 바로잡습니다.
- 모델을 깨뜨릴 수 있는 것 찾기: 성공한다면 핵심 결론을 다시 보게 만들 검색을 명시적으로 설계합니다.
- 포화 측정하기: 새 검색이 여전히 실질적인 지식을 만들어 내는지 시험합니다.
이 목록이 중요한 이유는 리서치의 기능을 바꾸기 때문입니다.
검색 엔진의 임무는 더 이상 "좋은 소스"를 찾는 것이 아닙니다. 코퍼스가 지금 필요로 하는 유형의 근거를 찾아야 합니다.
7. 대량 리서치 대 SCRL
통상적인 리서치는 대개 이런 모습입니다.
scope → 대규모 수집 → 읽기 → 추출 → 종합
SCRL은 오히려 이런 모습입니다.
scope → 작은 seed → 지식 → 진단 → 진단이 정한 다음 검색
그러니 차이는 소스 5개 대 소스 50개가 아닙니다.
SCRL도 얼마든지 소스 100개로 끝날 수 있습니다.
차이는 다음 둘 사이에 있습니다.
자신에게 무엇이 필요한지 정확히 알기 전에 수집하기
그리고
이미 얻은 지식이 다음에 무엇을 검색할지 정하게 하기
8. 실제 경험: Adobe Summit Paris 2026
저는 이 방식을 Adobe Summit Paris 2026을 앞두고 개인적으로 진행한 준비 작업에서 시험했습니다.
미션은 의도적으로 다섯 축으로 한정했습니다.
- 에이전트 시대의 콘텐츠 제작과 조직: 에이전트, 오케스트레이션, 인간의 감독, 워크플로, 산업화
- 브랜드 컨텍스트와 AI를 통한 콘텐츠 거버넌스: 브랜드 표현, 제약, 검증, 지속되는 컨텍스트, 통제
- 질의 가능한 문서와 지식 시스템: RAG, retrieval, grounding, 인용, 문서 간 모순, 코퍼스 기반 생성
- 에이전트 웹, 발견 가능성, LLM 내 가시성: GEO, 인용, 출처 표기, 구조화 데이터, 배포, 가시성 측정
- 대화형 인터페이스와 의도 기반 창작: 자연어, 창작 통제, 상태 유지, 직접 조작, 의도를 작업으로 옮기기
리서치는 이후 연속된 루프를 거치며 발전했습니다.
경험을 마쳤을 때의 결과는 다음과 같습니다.
- 리서치 반복 15회
- 코퍼스에 등록된 소스 82개
- 신뢰할 만한 추출이 불가능해 활용하지 못한 소스 1개
- 활성 노트 51개
- 아토믹 노트 34개
- 용어집 항목 10개
- 주제 노트 7개
- 축마다 하나씩, 종합 노트 5개
하지만 흥미로운 숫자는 82가 아닙니다.
흥미로운 것은 반복의 역할이 바뀐 방식입니다.
초반: 넓히기
첫 루프들은 주로 지형을 이해하는 데 쓰입니다. 개념, 메커니즘, 주제의 첫 경계를 드러냅니다.
중반: 강화하고 구조화하기
이어지는 반복은 더 나은 근거를 찾고, 일부 아이디어를 분리하고, 공백을 메우며, 노트 사이의 관계를 드러냅니다.
후반: 모델을 공격하기
마지막 반복들은 성격이 달라집니다.
13, 14, 15번째 반복은 주로 반증 테스트 역할을 했습니다.
질문은 더 이상 "무엇을 더 추가할 수 있을까?"가 아니었습니다.
질문은 이렇게 바뀌었습니다. "우리가 이해했다고 믿는 것을 다시 보게 만들 무언가를 찾을 수 있을까?"
열다섯 번째 반복에서는 다섯 축의 개념 모델을 바꿀 만큼 중요한 새 소스가 하나도 채택되지 않았습니다.
물론 주제가 소진되었다는 뜻은 아닙니다.
정의된 scope 안에서 코퍼스가 수렴하기 시작했다는 뜻이었습니다.
9. 수렴: 언제 멈출지 알기
이것이 아마 이 방식의 가장 흥미로운 이점일 것입니다.
통상적인 리서치에서 "충분히 검색했는가?"라는 질문은 답 없이 남는 경우가 많습니다.
30개? 50개? 100개?
이런 숫자는 인식론적 기준이 되지 못합니다.
SCRL은 다른 신호를 쓸 수 있습니다.
리서치는 새 반복이 다음과 같을 때 수렴하기 시작합니다.
- 더 이상 새로운 핵심 지식을 만들지 않습니다.
- 더 이상 중요한 노트를 크게 바꾸지 않습니다.
- 더 이상 주요 모순을 드러내지 않습니다.
- 더 이상 scope 안에서 중요한 공백을 발견하지 않습니다.
- 주로 확인이나 중복만 더합니다.
- 남은 불확실성이 분명하게 식별된 채로 남습니다.
따라서 수렴은 "우리는 모든 것을 안다"를 뜻하지 않습니다.
수렴이 뜻하는 것은 이것입니다. 새 반복이 현재의 표현을 실질적으로 바꿀 확률이 그 반복의 비용에 비해 낮아졌다.
그리고 이 기준은 시험할 수 있습니다.
모델을 깨뜨리기 위한 검색을 의도적으로 실행할 수 있습니다. 그런 검색이 여러 번 연속으로 실패하면 포화 신호는 훨씬 더 믿을 만해집니다.
10. 리서치 에이전트에게 달라지는 것
많은 "딥 리서치" 시스템은 여전히 암묵적으로 다음과 비슷한 아키텍처를 따릅니다.
search → scrape → summarize → write
여러 번 검색을 실행하더라도, 그 검색들은 대개 아주 이른 시점에 정해진 계획의 가지에 머뭅니다.
진정한 적응형 리서치 루프에는 그 이상이 필요합니다.
에이전트는 특히 다음을 포함하는 상태를 유지해야 합니다.
- scope
- 안정화된 지식
- 그 지식의 출처
- 그 지식이 뒷받침되는 정도
- 모순
- 불확실성
- 확인된 공백
- 이미 수행한 검색
- 아무것도 가져오지 못한 전략
- 포화되었다고 판단한 영역
그러면 에이전트는 이렇게 결정할 수 있습니다.
지금 어떤 검색이 유용한 지식을 얻을 확률을 가장 높이는가?
아키텍처는 이렇게 바뀝니다.
scope → 메모리 → 코퍼스 상태 → 진단 → 검색 전략 → 새 근거 → 지식 갱신 → 수렴 테스트
리서치는 더 이상 생성 이전의 한 단계가 아닙니다.
리서치는 자신이 아는 것에 대한 표현을 스스로 갱신하고, 그 표현을 바탕으로 다음 움직임을 고르는 시스템이 됩니다.
단순히 deep이 아니라 stateful하게
딥 리서치라는 표현은 깊이를 강조합니다.
하지만 깊이가 품질을 보장하지는 않습니다.
에이전트는 문서 백 개를 읽으면서도 같은 편향을 되풀이할 수 있습니다. 엄청나게 많이 탐색하면서도 자신의 핵심 결론을 반박하는 소스는 한 번도 찾지 않을 수 있습니다. 거대한 컨텍스트를 쌓으면서도 무엇이 여전히 불확실한지 분명히 모를 수 있습니다.
그러니 중요한 변화는 더 깊이 검색하는 것이 아닐지도 모릅니다.
상태를 가지고 검색하는 것입니다.
그것이 Stateful Corpus Research Loop의 아이디어입니다.
코퍼스는 더 이상 문서 더미가 아닙니다.
주어진 미션에 대해 얻은 지식을 나타내는, 계속 진화하는 표현이 되며, 이 표현이 다음 검색을 결정하는 데 쓰입니다.
다음 소스에는 존재할 이유가 있어야 합니다
좋은 리서치는 아마 더 이상 이런 질문으로 시작해서는 안 될 것입니다.
이 주제에 관한 최고의 글은 무엇인가?
리서치는 점차 더 까다로운 질문에 도달해야 할 것입니다.
우리가 이미 아는 것에 비추어 볼 때, 지금 우리의 이해를 바꿀 가능성이 가장 큰 정보는 무엇인가?
미묘한 차이입니다.
하지만 이 차이가 리서치의 역할을 완전히 바꿉니다.
SCRL은 좋은 소스를 많이 찾으려 하지 않습니다. 주어진 미션에 대해 우리가 아는 것을 아직 바꿀 수 있는 소스가 무엇인지, 매 순간 판단하려 합니다.