인지편향 걸러야
NotebookLM을 사용할 때 가장 먼저 해야 할 일은, AI에게 곧바로 요약이나 초안을 시키는 것이 아니다.
먼저 어떤 자료를 넣을 것인지, 그 자료에 무엇이 빠져 있는지, 한쪽으로 기울어지지는 않았는지를 점검해야 한다. 결과물의 수준은 질문 몇 줄을 얼마나 번듯하게 쓰느냐보다, 소스를 얼마나 정확하게 수집하고 구조화했느냐에서 갈린다.
1. 시작은 언제나 자료 수집이다. 다만 넓게 묻지 말고, 처음부터 좁고 구체적으로 요청해야 한다.
딥리서치로 검증된 자료를 한 번에 모으려면 프롬프트부터 정밀해야 한다. “AI 트렌드 분석해줘”라고 하면 대체로 두루뭉술한 자료가 따라온다. 반면 “2026년 AI 기술 트렌드, McKinsey·Gartner 보고서 참조”처럼 연도와 주제, 참고 기준까지 함께 제시하면 훨씬 밀도 있는 소스를 확보할 수 있다. 출발점이 흐리면 뒤의 정리와 해석도 함께 흐려진다.
2. 자료를 다 모았다고 바로 쓰기 시작하면 안 된다.
대부분 이 단계에서 조급해진다. 이제 질문만 던지면 되겠다고 생각하지만, 바로 그때 한 번 더 멈춰야 한다. NotebookLM에 “첨부된 소스에서 누락된 핵심 정보가 무엇인지 분석해줘”라고 물어보라. 그러면 내가 미처 보지 못한 빈칸이 드러난다. 그 빈틈을 추가 소스로 메우고 나면, 비로소 자료가 ‘많은 상태’에서 ‘충분한 상태’로 넘어간다. 결과물의 깊이는 대개 이 단계에서 갈린다.
3. 자료가 충분해 보여도, 편향 여부는 따로 점검해야 한다.
자료의 양이 곧 균형을 보장해 주지는 않는다. 오히려 비슷한 관점의 자료만 많이 쌓이면 그만큼 더 위험해질 수 있다. 그래서 “현재 소스가 주제의 모든 측면을 포괄하는지, 반대 의견이나 근거가 약한 부분은 없는지 분석해줘”라고 요청하는 과정이 필요하다. 이것은 단순한 보완이 아니라 검증 단계다. 보고서를 발표하거나 글을 내놓았을 때 들어올 반론과 공격 질문을 미리 점검하는 셈이기도 하다.
4. 소스는 읽는 데서 끝내지 말고, 인용 가능한 형태로 정리해야 한다.
자료가 많아질수록 기억에 기대는 순간 바로 꼬이기 시작한다. 이럴 때 “소스 제목 | 발행일 | 저자 | 소스 구분(1차/2차/의견)” 형식의 표를 만들어 두면 훨씬 유용하다. 어떤 자료는 사실 확인의 근거로 써야 하고, 어떤 자료는 해석의 참고로만 써야 하는지가 즉시 구분되기 때문이다. 1차 자료는 팩트의 축이 되고, 2차 자료는 그 팩트를 읽어내는 해석의 도구가 된다. 이 구분이 선명해야 글도 단단해진다.
5. 마지막에는 핵심 주제를 추려 대표 소스와 연결해 둬야 한다.
자료를 모으고 정리하는 데서 멈추면, 막상 콘텐츠를 만들 때 다시 처음부터 헤매게 된다. 그래서 핵심 주제 5개를 뽑고, 각 주제마다 대표 소스를 매핑해 두는 작업이 필요하다. “중요도 | 주제 | 소스 제목 | 선정 이유” 형식으로 정리해 두면, 나중에 글을 쓰거나 보고서를 만들 때 필요한 자료를 바로 찾아 쓸 수 있다. 좋은 자료조사는 많이 모아두는 데 있지 않고, 바로 꺼내 쓸 수 있게 구조화해 두는 데 있다.
작지만 유용한 팁도 있다. NotebookLM에서 중요한 소스 이름 앞에 “!”를 붙여 두면 목록 상단에 정렬되어 관리가 훨씬 편해진다. 별것 아닌 것 같지만, 자료가 쌓이기 시작하면 이런 작은 정리 습관이 작업 효율을 크게 좌우한다.
결국 NotebookLM을 잘 쓴다는 것은 AI에게 질문을 잘 던지는 기술만을 뜻하지 않는다. 그보다 앞서, 어떤 자료를 넣고, 무엇이 빠졌는지 점검하고, 편향을 걸러내고, 다시 꺼내 쓰기 좋은 구조로 정리하는 능력이 더 중요하다. 이 순서를 지킬 때 비로소 AI의 답변도 깊어지고, 내가 만드는 결과물도 단단해진다.