[INSIGHT] 패스트캠퍼스 인사이트 | Expert · AI · Tech · Creative · Finance

전문가 인터뷰

카이스트 출신 전문가에게 듣는 AI 연구 자동화 :
논문 작성 시간 줄이고 LLM Wiki 구축하는 법까지

AI 활용하는데도 왜 연구 시간은 그대로일까?
논문 작성 시간
 확 - 줄어들 줄 알았지만 현실은..

AI를 사용하면 연구 시간이 짧아질 줄 알았는데 논문 작성은 여전히 제자리걸음이라 혹시 실망하셨나요? 단순히 프롬프트 한 줄을 잘 쓴다고 완벽한 논문이 나오는 게 아닙니다. 이젠 AI에게 필요한 작업을 배분하고, 연구자가 전체적인 방향성을 책임지는 고도화된 방식이 필요하죠. 지금은 문헌 조사부터 논문 초안 작성, 실험 검증까지 인공지능을 활용하는 AI 자동화 워크플로우의 시대입니다.

그렇다면 어떻게 AI를 활용해야 연구의 질을 효과적으로 높일 수 있을까요? 이번 인터뷰에서는 카이스트 출신의 컴퓨터공학 박사이자 AI 연구 자동화 전문가이신 이해봄 강사님께 그 답을 들어보려 합니다. 강사님께서 직접 개발한 오픈소스 'Rev2Agent'의 핵심 원리부터 AI로 구축하는 LLM Wiki까지, 아주 풍성한 대화를 나눌 수 있었는데요. 뿐만 아니라 이번 인터뷰에는 해봄 님이 고달픈 박사 학위 과정을 버텨내며 깨달은 연구 본질에 대한 솔직한 고백까지 담겨있어요. 무엇보다도, 단순 반복 노동은 AI 에이전트에게 맡기고 연구자로서 독보적인 창의성과 가치 창출에 집중하고 싶은 모든 연구자들께 단비와도 같은 콘텐츠가 될 것이라 장담할게요🤭

AI 연구 자동화 전문가가 들려주는 에이전트 활용기

Q.안녕하세요, 강사님 🙂 바쁘신 일정 중에도 이렇게 서면 인터뷰에 응해주셔서 진심으로 감사드려요! 먼저 간단한 자기소개 부탁드립니다.

이해봄 안녕하세요. OOLU Soft에서 CTO로 일하고 있는 이해봄입니다. KAIST에서 전산학 학사와 석사를 마치고, 독일 하이델베르크 대학교에서 컴퓨터과학 박사학위를 받았습니다. 그동안 자율주행과 컴퓨터 비전, 생성형 AI, 합성 데이터 등을 연구했고 요즘은 AI Agent와 연구 자동화에 관심을 두고 있습니다. 연구와 개발을 오래 하면서 좋은 아이디어만큼 연구 과정을 꾸준히 관리하는 일도 중요하다는 걸 배웠습니다. 지금은 연구자가 논문을 읽고 실험하고 글을 쓰는 과정에서 AI와 어떻게 일을 나눌 수 있을지 고민하고 있습니다.

🧐 카이스트 출신 연구자가 AI 연구 자동화 시스템 구축하게 된 썰

Q.카이스트에서 컴퓨터공학으로 학사-석사를 마치고 독일 하이델베르크 대학교에서 박사 과정을 밟기까지, 긴 시간 연구에 전념해오셨는데요. AI를 활용한 연구 자동화에 본격적으로 관심을 가지게 된 특별한 계기가 무엇이었는지 궁금합니다.

이해봄 대학원에서 연구할 때는 읽은 논문과 실험 기록, 다음 아이디어가 여러 곳에 흩어져 있었습니다. 논문은 논문대로, 코드는 코드대로, 메모는 연구 노트에 남아 있었죠. 시간이 조금만 지나도 당시 왜 그 실험을 시작했는지 다시 기억을 더듬어야 했습니다. 생성형 AI를 처음 쓸 때도 비슷했습니다. 대화할 때마다 연구 배경과 원하는 결과물의 형식을 다시 설명해야 했습니다. 한 번의 작업은 편해졌지만 연구 과정 전체가 이어지지는 않았습니다. 그러다 Claude Code처럼 프로젝트의 파일과 구조를 함께 읽는 도구를 쓰면서 가능성이 보였습니다. 연구 맥락과 작업 규칙을 파일로 남겨두면 AI가 이전 작업을 이어갈 수 있었거든요. 이때부터 AI에게 질문을 잘하는 법보다 연구 워크플로우 자체를 설계하는 일에 관심을 갖게 됐습니다.

👀 연구 자동화 워크플로우를 만든 개발자가 AI를 활용하는 법

Q.그동안 연구자로서 세우신 성과를 만드는 데에 AI 자동화 워크플로우가 어떤 역할을 했는지 들려주실 수 있을까요? 에이전트 활용을 시작한 후 어떤 점이 편리해졌는지, 연구 외 하루 일과 중에도 AI를 어떻게 활용하고 계신지 알고 싶습니다.

이해봄 제가 과거에 쌓은 연구 성과를 Rev2Agent나 지금의 AI 자동화 시스템으로 만든 것은 아닙니다. 작년까지의 연구는 기존 방식으로 진행했습니다. 그때 겪었던 불편이 쌓여 지금의 시스템을 만들게 됐다고 보는 편이 정확합니다. 에이전트를 쓰고 가장 편해진 점은 같은 맥락을 계속 설명하지 않아도 된다는 것입니다. 논문을 일정한 형식으로 정리하고, 여러 선행연구의 차이를 비교하고, 실험 기록을 다음 작업에 연결하는 흐름을 한 프로젝트 안에서 관리할 수 있게 됐습니다. 새로운 아이디어를 테스트해보는 속도도 엄청나게 빨라졌구요. 연구 밖에서도 코드를 작성하거나 검토할 때, 회의 자료와 문서를 정리할 때, 새로운 자료를 조사할 때 AI를 씁니다. 다만 최종 판단까지 맡기지는 않습니다. AI가 정리와 반복 작업을 처리하면 저는 결과가 맞는지 확인하고 다음 방향을 정합니다.

😱 코딩을 모르는 연구자들도 AI 비서를 만들 수 있을까? YES !

Q.코딩 경험이 없어도 이번 강의를 들을 수 있는 것으로 알고 있습니다. 그럼에도 시스템 구축이나 에이전트라는 단어 때문에 지레 겁을 먹는 예비 수강생들도 많을 것 같습니다. 비전공자나 문과계열 연구자들도 정말 이번 강의를 통해 AI로 나만의 비서를 만들 수 있을까요?

이해봄 물론 가능합니다!😃
이 강의에서 말하는 에이전트 만들기는 새로운 AI 모델을 개발하거나 복잡한 프로그램을 처음부터 짜는 일이 아닙니다. 자신의 연구 절차를 단계별로 설명하고, AI가 따라야 할 규칙과 참고 자료를 작업공간 안에 정리하는 데서 시작합니다. 가령 논문을 읽을 때 늘 확인하는 항목이 있다면 그 절차부터 하나의 Skill로 만들 수 있습니다. 연구 질문과 방법론, 데이터, 결과, 한계를 같은 형식으로 정리하도록 자연어로 지침을 작성하는 식입니다. 자동화 범위가 넓어지면 기술적인 내용도 조금씩 나옵니다. 강의에서는 완성된 템플릿으로 작은 자동화부터 시작하기 때문에 프로그래밍을 먼저 공부하고 올 필요는 없습니다.

😎 연구 자동화 문제를 해결하는 Rev2Agent

Q.강사님께서 오픈소스로 만드신 Rev2Agent가 이번 강의와 상당히 밀접한 에이전트인 것으로 알고 있어요. 주제 하나를 주면 문헌 조사부터 논문 작성까지 전체 루프를 돌려주는 기능인데, 이걸 만드시게 된 계기를 듣고 싶습니다.

이해봄 Rev2Agent는 연구하면서 반복해서 겪었던 문제를 하나의 시스템으로 묶어보려는 시도에서 시작했습니다. 문헌 조사에서 발견한 문제가 연구 질문으로 이어지고, 그 질문이 실험 설계와 결과 분석을 거쳐 논문에 반영돼야 합니다. 실제 연구에서는 이 연결이 자주 끊깁니다. 기존 AI 도구로 각 단계를 별도의 대화에서 처리하면 문헌 조사에서 확인한 한계가 실험 계획에 반영되지 않거나, 실험 결과가 논문 초안과 제대로 연결되지 않는 일이 생깁니다. Rev2Agent에서는 역할이 다른 에이전트들이 같은 연구 맥락을 공유하고, 각 단계의 결과를 파일로 남겨 다음 작업이 이어받도록 구성했습니다. 강의에서 배우는 것도 Rev2Agent의 사용법이 아니라 이런 구조를 자신의 연구에 맞게 설계하는 원리입니다.

🤔 연구자들에게 LLM Wiki가 중요한 진짜 이유

Q.연구자들에겐 논문 지식 뿐 아니라 연구에 관련해 수집한 많은 자료를 정리하는 작업이 중요하죠. 기존에 연구자들이 흔히 쓰던 노션이나 엑셀 정리 방식과 비교해보자면, LLM Wiki 만이 가진 압도적인 장점은 무엇인가요?

이해봄 노션이나 엑셀은 사람이 정보를 정리하고 찾아보기에 좋은 도구입니다. LLM Wiki는 사람이 남긴 기록을 AI 에이전트도 읽고 다음 작업에 활용할 수 있다는 점이 다릅니다. 논문 요약만 모아두는 것이 아니라 그 논문이 어떤 연구 질문과 연결되는지, 어떤 실험의 근거가 됐는지, 결과를 보고 가설이 어떻게 바뀌었는지까지 함께 남길 수 있습니다. 에이전트는 새 작업을 시작할 때 이 기록을 읽고 이전 맥락을 이어갑니다. 물론 LLM Wiki가 언제나 노션이나 엑셀보다 낫다는 뜻은 아닙니다. 표 계산이나 사람이 직접 관리하는 프로젝트에는 기존 도구가 더 편할 수 있습니다. 기록을 AI가 다시 읽고 활용해야 할 때 LLM Wiki의 장점이 분명해집니다.

👽 AI 시대를 사는 연구자가 반드시 갖춰야 할 덕목

Q.에이전트를 활용하면 사실상 연구 파이프라인을 자동화로 대부분 해결할 수 있어집니다. 그렇다면 AI 시대에 인간 연구자만의 창의성은 어느 단계에서 어떻게 발휘되어야 할까요? AI 에이전트 시대에, 사람으로서 할 수 있는 작업은 무엇이 있을지 고민이 됩니다.

이해봄 에이전트는 정해진 기준에 맞춰 자료를 찾고 비교하고 정리하는 일을 잘합니다. 하지만 무엇을 중요한 문제로 볼지, 어떤 가정을 의심할지, 예상과 다른 결과를 어떻게 해석할지는 연구자가 결정해야 합니다. 같은 논문과 데이터를 봐도 사람마다 발견하는 문제가 다릅니다. 누군가는 성능 향상에 주목하고, 다른 사람은 평가 방법의 허점이나 실제 적용 과정의 문제를 발견합니다. AI가 제안한 아이디어는 얼마든지 그럴듯해 보일 수 있습니다. 그 아이디어가 정말 연구할 가치가 있는지, 판단하고 계속 반박하는 사람이 필요합니다. 연구자는 에이전트가 내놓은 답을 받는 사람이 아니라 연구의 방향을 책임지는 사람이라고 생각합니다.

😫 글로벌 탑티어 연구자가 알려주는 박사 (생존) 꿀팁

Q.강사님께서 스레드에 ‘박사가 되고나서 알게 된 4가지’라는 주제로 써주신 글이 무척 흥미로웠는데요-! 인터뷰를 읽을 연구자들을 위해 박사님이 쌓아두신 ‘박사 꿀팁’을 좀 전수해주실 수 있을까요?

이해봄 처음부터 완벽한 연구 주제를 찾으려고 너무 오래 기다리지 않았으면 합니다. 논문을 읽고 작은 실험을 해보는 동안 질문은 계속 바뀝니다. 실패한 실험도 이유와 결과를 남겨두는 편이 좋습니다. 시간이 지나면 같은 실험을 다시 하거나, 왜 그 방향을 포기했는지 잊는 일이 생각보다 자주 생깁니다. 실패했던 연구를 나중에 이어서 하는 일도 있구요. 논문을 읽을 때도 모든 문장을 완벽하게 이해하려고 하면 금방 지칩니다. 지금 무엇을 확인하려는지 먼저 정해두면 초록과 결론만 볼지, 방법론과 실험 설정까지 자세히 볼지 판단하기가 쉬워집니다. 혼자 오래 고민하기보다 다른 사람에게 설명해보는 것도 도움이 됩니다. 말로 설명하다 보면 내가 무엇을 알고 무엇을 모르는지가 드러나니까요. 마지막으로... 버티십시오. 학위 과정이 막막하고, 다 때려치고 회사나 다닐까 하는 생각이 자꾸 들겠지만 하루하루를 버텨가다보면 언젠간 끝나게 됩니다. 그리고 그렇게 버텨온 시간이 앞으로의 삶에서 큰 자산이 될거라고 생각합니다.

🧐 연구가 막막한 연구자들을 위한 조언

Q.당장 내일도 수십 장의 영어 논문, 쏟아지는 실험 데이터와 씨름하며 막막함을 느끼고 있을 대학원생과 연구원들에게 이 강의가 어떤 '돌파구'가 될지 마지막으로 한 말씀 부탁드립니다.

이해봄 연구가 막막한 이유는 능력이 부족해서가 아니라 해야 할 일이 여러 형태로 한꺼번에 쌓이기 때문일 때가 많습니다. 읽어야 할 논문과 정리하지 못한 메모, 실패한 실험, 작성해야 할 원고가 뒤섞이면 어디서 다시 시작할지 찾는 일부터 어렵습니다. 이번 강의에서는 AI가 연구를 대신한다고 말하지 않습니다. 자신의 연구 과정을 눈에 보이는 구조로 만들고 반복되는 작업을 에이전트와 나누는 방법을 다룹니다. 강의를 마쳤을 때 거대한 자동화 시스템보다 먼저 얻어가셨으면 하는 것은 다음에 무엇을 해야 하는지 알려주는 작업공간입니다. 오늘 읽은 논문이 기록으로만 남지 않고 다음 질문과 실험으로 이어지는 경험을 해보셨으면 합니다.