동향
>
연재
[연구자들을 위한 AI 실전 사용법] 연구자의 시간은 어디로 사라지는가: 실험 외 업무와 AI 활용 지도 (1편)
- 등록2026.08.20.
- 조회1222
- 등록2026.08.20.
- 조회1222
연구자를 위한 AI 실전 사용법 연재를 시작하며 연구 현장에서 실험 외 업무에 들어가는 시간을 줄이는 방법을 다룹니다. 문서 작성, 자료 검색, 데이터 정리처럼 반복되지만 만만치 않게 시간을 잡아먹는 일들입니다. 특정 도구의 사용법 강좌가 아니라, 어떤 도구를 쓰든 적용할 수 있는 원칙과 절차를 12편에 걸쳐 정리합니다. 문헌 검색과 요약, 흩어진 실험 데이터 찾기, 연구노트와 보고서 초안 작성, 결과 시각화, 논문 작성 시 저널별 AI 정책, 그리고 환각 검증과 데이터 보안까지 다룹니다. 관통하는 원칙은 하나입니다. AI가 초안을 만들고, 연구자가 검증하고 완성합니다. 판단과 해석, 그리고 최종 책임은 연구자에게 남습니다. 매 회차 실제 업무 단위로 쪼개, 사용한 프롬프트 예시와 검증 체크리스트를 함께 싣겠습니다. |
1. 목요일 저녁, 랩미팅 전날
내일 오전은 랩미팅이다. 이번 주 실험은 어제 마무리했고, 남은 것은 장비에서 내려받은 출력 파일 몇 개, 날짜만 다르게 저장된 엑셀 시트, 플레이트를 찍어둔 사진 폴더다. 지금부터 할 일의 순서는 매주 거의 같다. 수치를 시트로 옮기고, 지난주 슬라이드를 복사해 그래프를 갈아 끼우고, 조건을 어떻게 잡았는지 헷갈리면 지난봄에 쓴 연구노트를 다시 뒤진다.
이 몇 시간 가운데 연구자의 판단이 실제로 들어가는 대목은 마지막 두세 장을 어떤 순서로 놓을지 정하는 부분이다. 나머지는 손이 하는 일이고, 다음 주에도 같은 순서로 반복된다.
같은 구조는 다른 마감에서도 나타난다. 연차보고서 주간에 1년 치 결과를 다시 모으는 일, 초록 마감 전날 이미 쓴 문장을 글자 수에 맞춰 세 번 고치는 일, 새로 들어온 후배에게 프로토콜을 설명하려는데 문서로 남은 것이 없어 말로 전달하는 일.
이 연재는 그 시간을 다룬다. 앞으로 12주 동안 문헌 검색부터 연구실 단위 도입까지 순서대로 짚을 예정인데, 첫 회에서는 두 가지만 정리한다. 문제의 크기를 확인할 수 있는 근거 자료가 어디까지 있는지, 그리고 AI에게 무엇을 맡기고 무엇을 맡기지 않을지 판단하는 기준을 어떻게 세울지다.
2. 42%라는 숫자, 그리고 그 숫자가 말하지 않는 것
연구 외 업무 부담을 가장 오래 추적한 공개 자료는 미국 Federal Demonstration Partnership(FDP)의 연구책임자 업무량 조사다.
2005년 1차 조사에서 응답자 6,081명은 연방 연구비 과제에 쓰는 시간 중 평균 42%를 연구 내용이 아닌 행정 요건 충족에 쓴다고 답했다. 2012년 2차 조사에서는 응답자가 13,453명으로 늘었는데 수치는 42.3%로 거의 같았다. 2018년 3차 조사에서는 응답자 11,167명 기준 44.3%로 오히려 조금 올라갔다. 2025년 9월 미국 국립과학공학의학원(NASEM)이 발표한 보고서도 이 조사를 근거로, 미국 대학 연구자가 연방 과제 연구 시간의 40% 이상을 행정·규제 대응에 쓴다고 정리했다.
여기서 두 가지를 분명히 해둘 필요가 있다.
첫째, 이 숫자를 그대로 옮겨 읽으면 과대 해석이 된다. 조사 대상은 연방 연구비를 받는 연구책임자이고, 집계 항목은 과제 제안서 작성, 연구비 집행과 정산, 인력 채용과 평가, IRB·IACUC 심의 대응 같은 규제 행정이다. 대학원생이 랩미팅 자료를 만드는 시간이나 포닥이 연구노트를 정리하는 시간은 이 조사에 들어 있지 않다. 즉 42%는 "실험대 앞에 서지 못한 시간"이 아니라 "연구비 행정에 쓴 시간"이다.
둘째, 그래도 방향은 참고할 만하다. 13년에 걸친 세 차례 조사에서 수치가 줄지 않았고, 조사 주체인 FDP는 연방 연구비 행정 부담을 줄이려고 만들어진 협의체다. 부담이 과장될 유인보다 축소될 유인이 더 큰 구조에서 같은 수치가 반복됐다는 점은 그 자체로 의미가 있다.
문제는 이 연재의 주 독자인 대학원생, 박사후연구원, 기업 연구원의 시간 배분을 같은 방식으로 측정한 공개 조사가 드물다는 점이다. 기관 내부 조사는 있지만 항목 정의가 서로 달라 비교가 어렵고, 국내 자료는 더 찾기 어렵다. 이 부분은 근거가 얇다고 쓰는 편이 정확하다. 「문서 작업이 실험 시간보다 많다」는 진술을 뒷받침하는 대규모 공개 통계는, 최소한 필자가 확인한 범위에서는 아직 없다.
현장에서 수집된 간접 자료는 있다. 전자연구노트와 연구용 AI 도구를 공급하는 쪽에서 정리한 자료에서는, 연구원이 실험 수행이나 문제 설정이 아닌 문서 작업에 업무 시간의 60% 이상을 쓴다는 진술이 반복된다 [7]. 다만 이 수치는 조사 시점과 대상 기관, 표본 수가 함께 공개된 학술 조사가 아니므로 FDP 조사와 같은 층위에서 인용할 수 없다. 참고 정보로만 읽는 것이 맞다.
3. 기록이 부실할 때 드는 비용
시간만 문제가 아니다. 2016년 Nature가 연구자 1,576명을 대상으로 실시한 조사에서, 70% 이상이 다른 연구자의 실험을 재현하지 못한 경험이 있다고 답했고, 절반 이상은 자기 실험을 재현하지 못한 경험이 있다고 답했다. 응답자들이 원인으로 가장 많이 꼽은 항목은 출판 압력과 선택적 보고였지만, 실험실 내부 기록과 방법 기술이 충분하지 않다는 점도 함께 지적됐다.
이 조사가 재현 실패의 원인을 기록 문제로 확정한 것은 아니다. 응답자의 인식을 물은 설문이고, 원인의 비중을 측정한 연구는 아니다. 다만 여섯 달 전 샘플의 조건이 기억나지 않고 원본 파일을 다시 찾지 못하는 상황이 시간 손실만으로 끝나지 않는다는 점은 분명하다. 재현이 안 되는 실험은 다시 해야 하고, 다시 할 때 조건을 정확히 복원할 수 없으면 그 실험에서 나온 결론까지 흔들린다.
그래서 이 연재의 전제는 기록을 줄이자는 것이 아니다. 기록과 문서는 연구의 결과물이다. 재현 가능성은 기록에서 나오고, 과제는 보고서로 평가받고, 논문은 문서로만 존재한다. 다만 기록을 만드는 과정에는 생각이 정리되는 대목과 손만 움직이는 대목이 섞여 있다. 뒤쪽을 줄여 앞쪽에 시간을 더 쓰자는 것이 이 연재의 방향이다.
4. 시간이 새는 네 지점
"문서 작업이 많다"는 진술은 손을 댈 지점을 알려주지 않는다. 연구실에서 관찰되는 유형을 넷으로 나누면 개선 대상이 구체적으로 보인다.
첫째, 같은 내용을 여러 번 옮겨 쓰는 지점. 실험 조건을 계획서에 쓰고, 연구노트에 다시 쓰고, 랩미팅 슬라이드에 또 쓰고, 몇 달 뒤 보고서에 한 번 더 쓴다. 내용은 하나인데 형식만 네 번 바뀐다. 이 과정에서 값이 한두 개 어긋나는 일이 생기고, 시간이 지나면 어느 쪽이 원본인지 판단하기 어려워진다.
둘째, 과거 기록을 다시 찾는 지점. 반년 전 실험의 농도 조건, 지난해 쓴 항체의 로트 번호, 예전에 결과가 잘 나왔던 조합. 분명히 적어뒀지만 어느 파일인지 모른다. 파일명이 "실험_최종_수정2.xlsx"라면 찾는 데 걸리는 시간은 예측할 수 없다.
셋째, 양식을 맞추는 지점. 기관 보고서 서식, 저널 투고 규격, 학회 초록 분량 제한. 새 내용을 쓰는 것이 아니라 이미 있는 내용을 틀에 맞춰 재배치하는 일이다. 판단 부담은 낮고 시간은 든다.
넷째, 남이 이해할 순서로 다시 배열하는 지점. 랩미팅 발표, 지도교수 보고, 공동연구자 공유. 데이터는 이미 다 봤지만 남이 따라올 순서는 따로 만들어야 한다.
비중은 연구실마다 다르다. 습식 실험 비중이 큰 곳은 둘째가 무겁고, 계산과 분석 비중이 큰 곳은 셋째와 넷째가 크다. 과제를 여러 개 수행하는 곳은 첫째가 압도적이다. 어디가 가장 무거운지는 감으로 정하지 말고 다음 절의 방법으로 재보는 편이 정확하다.
네 유형은 성격이 다르지만 공통점이 하나 있다. 결과물이 맞았는지 틀렸는지를 본인이 즉시 판단할 수 있다는 점이다. 조건 수치가 원본과 다르면 대조하면 보이고, 슬라이드 순서가 어색하면 읽어보면 안다. 이 공통점이 뒤에 나올 판단 기준의 근거가 된다.
5. 도구보다 먼저 할 일: 한 주만 재보기
이 연재를 따라 읽을 분께 권하고 싶은 첫 작업은 도구를 켜는 일이 아니라 자기 시간을 재보는 일이다.
절차는 다음과 같다.
1. 분류를 넷으로 고정한다. 실험, 분석, 문서, 검색. 항목을 늘리면 기록이 유지되지 않는다.
2. 30분 단위로만 적는다. 분 단위 정확성은 필요 없다. 휴대전화 메모나 종이 한 장으로 충분하다.
3. 닷새 치를 모은다. 하루는 편차가 커서 판단 근거가 되지 않는다.
4. 네 지점에 대응시켜 본다. 문서 시간이 많다면 그것이 옮겨 쓰기인지, 양식 맞추기인지, 재배열인지 구분한다.
5. 가장 무거운 항목 하나만 고른다. 여기가 AI를 적용해 볼 첫 대상이다.
이 작업을 권하는 이유는 두 가지다.
첫째, 기준선이 생긴다. 나중에 어떤 업무에 AI를 적용했을 때 시간이 실제로 줄었는지, 아니면 생성은 빨라졌지만 검증으로 옮겨간 것인지 비교할 수 있다. 기준선이 없으면 도입 효과 판단이 인상에 의존한다. 그러면 잘 맞는 방식도 과소평가되고, 안 맞는 방식도 계속 붙들고 있게 된다.
둘째, 예상과 실제가 자주 다르다. 부담스럽게 느끼던 일이 실제로는 주당 한 시간이고, 별생각 없이 하던 일에 다섯 시간이 몰려 있는 경우가 흔하다. 적용 대상을 잘못 고르면 익히는 노력만 들고 체감 효과는 없다.
6. 맡길 수 있는 일과 맡길 수 없는 일
AI를 연구에 쓰기 전에 선을 그어야 한다. 구분하지 않으면 시간을 아끼려다 검증에 더 많은 시간을 쓰게 된다.
목록으로 나누면 이렇다. AI가 비교적 잘 보조하는 일은 양식이 정해진 문서의 초안 작성, 넓은 범위에서 후보를 추리는 검색과 요약, 흩어진 데이터를 표로 묶거나 표를 그래프 초안으로 바꾸는 변환, 같은 내용을 다른 분량과 서식에 맞춰 재배치하는 작업이다. 반대로 사람의 영역으로 남는 것은 결과의 의미와 다음 실험 방향에 대한 판단, AI가 제시한 사실과 수치의 검증, 이 연구실이 왜 이 조건을 쓰는지에 대한 맥락, 그리고 연구노트 서명과 보고서 제출과 논문 투고에 따르는 책임이다.
목록은 길지만 실제로 판단할 때 쓸 기준은 하나로 줄일 수 있다. 결과물을 보면 맞았는지 틀렸는지 바로 분간할 수 있는 일인가? 그렇다면 초안을 맡길 만하다. 검증 자체가 새로운 조사를 요구하는 일이라면 맡기지 않는 편이 낫다.
이 기준을 실제 업무에 대보면 판단이 빠르게 갈린다.
장비 출력 파일에서 수치를 뽑아 표로 정리하는 일은 맡길 만하다. 원본과 나란히 놓고 대조하면 몇 분 안에 확인이 끝나고, 틀린 값은 눈에 보인다. 지난 3개월 연구노트에서 특정 조건이 들어간 실험을 찾아 목록으로 만드는 일도 마찬가지다. 후보가 나오면 해당 노트를 열어 맞는지 보면 된다. 누락이 있을 수 있으니 "전부"라고 믿지는 않되, 출발점으로는 쓸 수 있다.
반면 "이 결과가 선행 연구와 어긋나는 이유"를 물어 그 답을 그대로 쓰는 일은 맡기기 어렵다. 답이 맞는지 확인하려면 관련 문헌을 처음부터 다시 읽어야 하고, 그렇게 하고 나면 애초에 AI에게 물을 필요가 없었다. 이상치가 나온 원인을 판단하는 일도 같다. 그 조건에서 장비가 어떻게 거동하는지, 지난달에 시약을 새 로트로 바꿨는지는 그 연구실 안에만 있는 정보다.
경계에 있는 경우도 있다. 실험 결과를 그래프 초안으로 바꾸는 일은 축 범위와 단위, 오차 표시가 맞는지 확인하면 되니 대조로 끝나지만, 확인할 항목이 여러 개라서 습관이 잡히기 전까지는 검증 시간이 길다. 앞 절에서 네 지점의 공통점으로 짚었던 "즉시 판단 가능성"이 바로 이 기준이다.
7. '자동화'가 아니라 '초안화'
여기서 용어를 하나 구분해두고 싶다. 자동화는 사람이 결과를 확인하지 않아도 되는 상태를 말한다. 지금 연구 현장에서 AI에게 기대할 수 있는 것은 그것이 아니라 초안화다. AI가 첫 번째 버전을 만들고, 연구자가 검증하고 완성한다. 이 구조는 이번 연재 12편 전체를 관통한다.
이 구분이 실무에서 왜 중요한지는 시간 계산으로 드러난다. 30분 걸리던 일을 AI가 3분에 초안으로 만들어줘도 검증에 20분이 걸리면 절감된 시간은 7분이다. 나쁘지 않지만 기대했던 10배는 아니다. 그리고 그 20분을 생략하면 절감이 아니라 위험이 된다. 도입 효과를 따질 때는 생성 시간이 아니라 검증까지 포함한 총시간으로 비교해야 한다.
이 계산을 해보면 어떤 업무가 적합한지가 자연히 정해진다. 검증이 대조로 끝나는 업무는 절감 폭이 크다. 검증이 판단을 요구하는 업무는 절감 폭이 작거나 음수가 된다.
8. AI가 틀리는 방식
AI 언어모델은 없는 사실을 그럴듯한 문장으로 만들어내는 문제, 이른바 환각(hallucination)을 가지고 있다. 가장 널리 알려진 사례는 2023년 미국 뉴욕 남부지방법원의 Mata v. Avianca 사건이다. 변호인이 제출한 서면에 존재하지 않는 판례 여섯 건이 인용됐고, 판례명과 인용 번호, 판시 내용까지 붙어 있었다. 재판부와 상대측이 찾을 수 없었고, 확인 과정에서 생성 도구로 만든 것임이 드러났다. 법원은 2023년 6월 22일 제재 결정을 내렸다.
연구 현장에서 문제가 되는 유형은 하나가 아니다. 아예 없는 문헌을 지어내는 경우는 저자명이나 DOI를 검색하면 금방 드러난다. 더 걸러내기 어려운 것은 실재하는 문헌을 인용하면서 내용을 조금 밀어놓는 경우다. 특정 세포주에서 관찰된 결과를 일반적인 현상처럼 진술하거나, 상관관계를 보고한 연구를 인과관계로 옮겨 적는 식이다. 인용 표시가 붙어 있어서 틀렸다고 단정하기 어렵고, 원문의 해당 문단을 직접 읽지 않으면 확인되지 않는다.
세 번째 유형은 출처와 내용이 모두 맞지만 반대되는 연구가 빠져 있는 경우다. 논쟁이 진행 중인 주제에서 한쪽 견해만 정리해 제시하면 읽는 사람은 그것을 확립된 사실로 받아들이기 쉽다. 검색 상위에 무엇이 들어왔는지에 따라 균형이 달라지기 때문이다. 논쟁적인 주제라면 "반대되는 근거는 무엇인가"를 따로 물어보는 절차가 필요하다.
그래서 연구용으로 AI를 쓸 때 먼저 볼 기준은 성능이 아니라 답변에 출처가 붙는 지다. 어떤 문헌, 어떤 데이터에서 나온 답인지 함께 제시하는 도구라면 검증에 드는 시간이 줄고, 근거 없이 문장만 내놓는 도구라면 연구에는 쓸 수 없다고 보는 편이 안전하다.
출처가 붙어 있어도 그대로 쓸 수는 없다. 순서를 고정해 두면 매번 같은 방식으로 확인할 수 있다. 첫째, 출처가 실제로 존재하는지 본다. 제시된 제목이나 DOI를 검색해 확인한다. 앞의 세 유형 중 첫 번째가 여기서 걸러진다. 둘째, 출처와 주장이 일치하는지 본다. 초록만 보지 말고 그 주장이 나온 문단을 찾아 조건과 대상, 적용 범위가 같은지 대조한다. 두 번째 유형은 이 단계에서만 잡힌다. 셋째, 수치와 고유명사를 원문과 직접 맞춘다. 숫자, 유전자명, 시약명, 균주명은 앞뒤 문맥이 자연스러워도 값이 틀릴 수 있다.
세 단계는 11편에서 사례와 함께 자세히 다룬다. 지금 기억해 둘 것은 이 절차를 생략하는 순간 AI 활용이 효율 문제에서 연구윤리 문제로 넘어간다는 점이다. 생성된 내용에 대한 최종 책임은 도구가 아니라 사용한 연구자에게 있다.
9. 흔히 오해하는 세 가지
"AI를 쓰면 연구윤리 위반이다." 그렇지 않다. 주요 저널과 기관 대부분은 AI 활용 자체를 금지하지 않는다. 다만 활용 범위를 공개하도록 요구하고, AI를 저자로 등재하는 것은 허용하지 않는다. 허용 범위와 금지 범위의 경계는 출판사마다 조금씩 다르므로, 9편에서 공개된 정책 원문을 놓고 비교한다.
"AI가 알아서 다 해준다." 데이터가 정리돼 있지 않으면 출발점부터 막힌다. 파일이 흩어져 있고 파일명에 규칙이 없으면 검색도 초안 생성도 작동하지 않는다. 4편에서 데이터 정형화를 따로 한 편에 배정한 이유가 여기 있다.
"영어 능력 문제라면 나는 필요 없다." 이 연재에서 다루는 대부분은 언어 능력의 문제가 아니다. 흩어진 데이터를 찾고, 반복 양식을 채우고, 축적된 기록을 대조하는 일이다. 영문 교정은 그중 일부다.
"한번 도입하면 전면적으로 써야 한다." 그럴 필요가 없다. 업무 유형별로 맞는 것과 안 맞는 것이 나뉜다. 문헌 스크리닝에는 잘 맞아도 결과 해석에는 안 맞고, 정형 보고서에는 유용해도 새 가설을 정리하는 데는 도움이 되지 않을 수 있다. 전면 도입보다 업무별 선별 적용이 현실적이고, 마찰도 적다.
10. 시작 전에 확인할 두 가지
도구를 열기 전에 짚어둘 것이 있다. 12편에서 자세히 다루지만, 순서상 먼저 알아둬야 하는 항목이다.
소속 기관의 규정을 먼저 본다. 대학, 기업, 병원마다 AI 도구 사용 지침이 다르고, 과제 협약이나 IRB 심의 조건에 관련 조항이 들어가 있는 경우도 있다. 기관 승인 도구 목록을 따로 운영하는 곳도 있다. 개인이 판단할 문제가 아니라 확인할 문제다.
미공개 데이터를 어디에 올리는지 구분한다. 앞으로 다룰 기능 상당수는 내 데이터를 AI에게 보여주는 것을 전제로 한다. 그렇다면 입력한 데이터를 학습에 쓰지 않는다고 명시하는지, 저장 지역과 보유 기간은 어떻게 되는지를 이용약관과 데이터 처리 방침에서 확인해야 한다. 발표 전 실험 결과, 출원 전 아이디어, 환자 정보가 포함된 데이터는 기준을 더 엄하게 적용해야 한다. 특허의 경우 공개 시점이 권리에 직접 영향을 주므로, 판단이 애매하면 산학협력단이나 특허 담당 부서에 먼저 묻는 편이 낫다.
11. 앞으로 12주
흐름은 네 부분이다.
찾기(2~3편)는 문헌 검색과 내부 연구 데이터 검색
기록하기(4~5편)는 실험 데이터 정형화와 연구노트 초안
만들기(6~10편)는 시각화와 보고서, 발표자료, 논문, 특허 조사
지키기(11~12편)는 검증 절차와 연구실 단위 도입이다
각 편은 프롬프트 예시, 자주 나타나는 오류 유형, 검증 체크리스트를 갖춘 구조로 쓴다.
권하고 싶은 것은 한 번에 한 가지만 적용해 보는 방식이다. 반복 업무 하나를 골라 기존 방식과 초안 검증 방식의 총시간을 직접 재보면, 어떤 업무가 자기 연구 방식과 맞는지 판단할 근거가 생긴다.
다음 편에서는 문헌 검색과 논문 요약을 다룬다. 키워드를 조합하던 방식과 연구 질문을 그대로 던지는 방식이 어떻게 다른지, 그리고 요약을 어디까지 믿고 어디서부터 원문을 열어야 하는지를 정리한다.
참고문헌
- [1] Decker, R. S., Wimsatt, L., Trice, A. G., & Konstan, J. A. (2009). The FDP Faculty Burden Survey. Research Management Review, 16(2), 29–44. https://pmc.ncbi.nlm.nih.gov/articles/PMC2887040/ (2005년 1차 조사, 응답자 6,081명, 42%)
- [2] Federal Demonstration Partnership. Faculty Workload Survey. https://thefdp.org/demonstrations-resources/faculty-workload-survey/ (2012년 2차, 2018년 3차 조사)
- [3] National Science Foundation. Award Abstract #1545810, Core Support for the Federal Demonstration Partnership. https://www.nsf.gov/awardsearch/showAward?AWD_ID=1545810 (2018년 3차 조사 결과 요약: 평균 44%)
- [4] National Academies of Sciences, Engineering, and Medicine. (2025). Simplifying Research Regulations and Policies: Optimizing American Science. Washington, DC: The National Academies Press. https://www.nationalacademies.org/read/29231
- [5] Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533(7604), 452–454. https://doi.org/10.1038/533452a
- [6] Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. June 22, 2023). Opinion and Order on Sanctions. https://law.justia.com/cases/federal/district-courts/new-york/nysdce/1:2022cv01461/575368/54/
[7] Labnote Scholar 개발사 주식회사 앤트 - [8] Anthropic. (2026), Claude (Opus 5, 2026.07.29.), 본 원고의 자료 조사·구성 검토 및 초안 작성에 활용. 생성된 초안은 저자가 사실관계와 출처를 전면 검증하고 재구성하여 수록함.
본 기사는 네티즌에 의해 작성되었거나 기관에서 작성된 보도자료로, BRIC의 입장이 아님을 밝힙니다. 또한 내용 중 개인에게 중요하다고 생각되는 부분은 사실확인을 꼭 하시기 바랍니다. [기사 오류 신고하기]
![[연구자들을 위한 AI 실전 사용법] 연구자의 시간은 어디로 사라지는가: 실험 외 업무와 AI 활용 지도 (1편)](/app/board/attach/image/thumb_1364072_1785310712000.do)
연구 현장에서 실험 외 업무에 들어가는 시간을 줄이는 방법을 다룹니다. 문서 작성, 자료 검색, 데이터 정리처럼 반복되지만 만만치 않게 시간을 잡아먹는 일들입니다. 특정 도구의 사용법 강좌가 아니라, 어떤 도구를 쓰든 적용할 수 있는 원칙과 절차를 12편에 걸쳐 정리합니다. 문헌 검색과 요약, 흩어진 실험 데이터 찾기, 연구노트와 보고서 초안 작성, 결과 시각화, 논문 작성 시 저널별 AI 정책, 그리고 환각 검증과 데이터 보안까지 다룹니다. 관통하는 원칙은 하나입니다. AI가 초안을 만들고, 연구자가 검증하고 완성합니다. 판단과 해석, 그리고 최종 책임은 연구자에게 남습니다. 매 회차 실제 업무 단위로 쪼개, 사용한 프롬프트 예시와 검증 체크리스트를 함께 싣겠습니다.
- 최종윤 수석연구원 (aaant) (주식회사 앤트)
- periodic-table@ant-inc.co
