리서치도 AI에게 시스템으로 맡기세요: Claude Code × NotebookLM 운영법

들어가며

제안서 마감이 내일인데, 클라이언트가 보낸 참고 자료가 PDF로 서른 개입니다. 시장 리포트, 경쟁사 자료, 인터뷰록까지. 다 읽을 시간은 없습니다. AI한테 요약을 시키자니 마음에 걸리는 게 하나 있습니다. 예전에 일반 챗봇이 "이 시장은 연 27% 성장 중"이라고 아주 자신 있게 말했다가, 알고 보니 그냥 지어낸 숫자였던 적이 있거든요. 그 뒤로 AI가 주는 숫자를 그대로 믿기가 어려워졌습니다.

리서치에서 AI를 쓸 때 우리가 겪는 문제는 사실 두 가지입니다. 하나는 근거 없이 그럴듯하게 지어내는 것(환각), 다른 하나는 매번 처음부터 다시 해야 하는 것(일회성)입니다. 오늘 힘들게 정리한 리서치가 내일이면 또 백지에서 출발합니다.

이 글에서는 내 자료를 중심으로 근거를 붙여 답하는 NotebookLM과, 그 결과를 받아 정리하고 저장하는 Claude Code를 묶어, 이 두 문제를 한 번에 푸는 법을 정리했습니다. 일회성 리서치를 한 번 세팅하면 계속 도는 시스템으로 바꾸는 흐름을 단계별로 다룹니다.

소스 기반 리서치가 뭐가 다른가

먼저 환각 문제부터 봅시다. 일반 챗봇은 세상의 방대한 지식을 학습한 모델이라, 질문을 받으면 그 지식을 '떠올려서' 답합니다. 대개는 잘 맞지만, 애매하면 그럴듯하게 채워 넣습니다. 그게 바로 지어낸 숫자의 정체입니다.

NotebookLM은 접근이 다릅니다. 내가 올린 자료(소스)를 중심으로 답을 찾고, 답변마다 "이건 3번 소스 12페이지에 근거했다"는 식으로 출처(인용)를 붙여 줍니다. 숫자 하나하나가 어디서 왔는지 눈으로 확인할 수 있는 거죠. 리서치에선 이 차이가 꽤 큽니다. '그럴듯한 답'이 아니라 '근거를 확인할 수 있는 답'을 받는 것이니까요.

실무에서는 이 인용 하나가 큰 차이를 만듭니다. 제안서에 "시장이 연 20% 성장 중"이라고 쓸 때, 그 숫자 옆에 어느 리포트 몇 페이지에서 나온 건지를 바로 확인하고 각주로 달 수 있습니다. 나중에 클라이언트가 "이 숫자 출처가 어디죠?"라고 물어도 당황할 일이 없습니다. AI가 준 답을 그냥 '믿고 쓰는' 게 아니라, '확인하고 쓰는' 방식으로 바뀌는 겁니다.

그런데 NotebookLM을 써 본 분이라면 아쉬움도 아실 겁니다. 자료를 올리고, 질문하고, 요약을 듣는 것까지는 좋은데, 그 결과물이 도구 안에 갇혀 있습니다. 이걸 보고서로 정리하고, 파일로 저장하고, 우리 회사 양식의 PDF로 만들려면 매번 복사해서 다른 창에 붙여넣어야 합니다. 리서치가 한 번 쓰고 끝나는 일회성 작업이 되는 이유입니다.

💡 정리하면 이렇습니다. NotebookLM은 '근거 있는 답'을 주는 데는 뛰어나지만, 그 답을 '가져다 쓰는' 단계가 비어 있습니다. 바로 이 빈칸을 Claude Code가 채웁니다.

역할을 나누면 시스템이 됩니다

방법은 간단합니다. 두 도구에게 서로 다른 역할을 맡기는 거예요. NotebookLM은 '리서치 뇌', Claude Code는 **'오케스트레이션 팔'**입니다. 뇌는 자료를 읽고 근거 있는 답을 내고, 팔은 그 답을 받아 정리하고 저장하고 문서로 만듭니다.

이 둘을 잇는 '다리'가 nlm이라는 도구입니다. NotebookLM은 공식 API가 없어서, 다른 프로그램이 직접 명령을 주고받기 어렵습니다. nlm은 이 빈틈을 메우는 오픈소스 도구로, NotebookLM에 "노트북 만들어", "이 자료 넣어", "이거 물어봐" 같은 명령을 대신 전달해 줍니다. 무료이고, 누구나 코드를 볼 수 있습니다.

여기서 걱정하실 필요 없는 부분 하나. 이름은 '명령줄 도구(CLI)'지만, 내가 명령어를 외워서 칠 일은 없습니다. Claude Code에 스킬을 한 번 설치해 두면, 나는 그냥 평소처럼 자연어로 "이 유튜브 영상 세 개 넣고 요약 오디오 만들어줘"라고 말하면 됩니다. 그럼 Claude Code가 알아서 필요한 명령을 실행합니다.

💡 "왜 굳이 이런 방식이냐"는 질문이 나올 수 있습니다. Notion이나 캘린더처럼 공식 연동(MCP)이 있는 서비스는 그걸 쓰는 게 맞습니다. 하지만 NotebookLM처럼 공식 연동이 없는 서비스는, 불안정한 비공식 연동을 상시로 띄워 두는 것보다 필요할 때만 명령을 주고받는 이 방식이 더 안정적일 때가 많습니다.

리서치를 4단계 시스템으로

이 역할 분담을 실제 흐름으로 옮기면 네 단계가 됩니다. 한 번 세팅해 두면, 다음부터는 자연어 한 마디로 이 흐름 전체가 돕니다.

1단계, 수집. 흩어진 자료를 모읍니다. 웹페이지 링크, PDF, 구글 문서, 심지어 유튜브 영상까지 소스가 됩니다. 이 모으는 일을 Claude Code가 돕습니다.

2단계, 적재. 모은 자료를 NotebookLM 노트북에 넣습니다. 여기서 알아 두면 좋은 한도가 있습니다. 소스 하나에 최대 50만 단어(또는 200MB)까지 담기고, 무료 계정 기준으로 노트북 하나에 소스를 최대 50개까지 넣을 수 있습니다. (유료 요금제는 더 많으며, 정확한 한도는 공식 안내를 확인하세요. 2026년 7월 기준이고, 이 한도는 종종 상향됩니다.) 유튜브는 자막이 있는 공개 영상만 들어가고, 텍스트로 변환되어 저장됩니다.

3단계, 근거기반 종합. 이제 질문할 차례입니다. "이 자료들의 공통 논점 세 가지를, 각각 출처와 함께 정리해줘." NotebookLM이 소스 안에서만 답을 찾아 인용을 붙여 줍니다. 대화를 이어가며 파고들 수도 있습니다.

4단계, 산출·재사용. 여기가 Claude Code의 무대입니다. NotebookLM의 답을 받아 마크다운 노트로 저장하고, 여러 답을 종합해 보고서로 엮고, 우리 회사 브랜드 양식의 PDF까지 만듭니다. 한 번 쓰고 버리는 게 아니라, 다음에 또 꺼내 쓸 수 있는 형태로 남는 겁니다. 그리고 이 흐름을 한 번 정리해 두면, 다음 리서치는 '자료만 새로 넣으면' 같은 형식의 결과가 다시 나옵니다. 리서치가 매번 새 출발이 아니라, 할수록 빨라지는 루틴이 되는 셈입니다.

이 흐름이 왜 강력한지는 실제 장면으로 보면 분명합니다.

• 경쟁사 분석을 하는 1인 마케터: 경쟁사 랜딩페이지·블로그·영상 열다섯 개를 소스로 넣고 "이들이 공통으로 미는 메시지와, 우리가 비어 있는 포인트를 출처와 함께"라고 물으면, 근거 붙은 비교표가 나옵니다. 뇌피셜 보고서에서 탈출하는 거죠.
• 출퇴근길에 공부하는 실무자: 영어로 된 한 시간짜리 인터뷰 여러 편을 넣고 한국어 오디오 요약 하나로 만들어, 지하철에서 듣습니다. NotebookLM의 오디오 요약은 여러 언어 출력과 길이 조절을 지원합니다.
• 강연을 준비하는 강사: "AI 자동화 최신 동향"을 딥리서치로 돌려 웹 자료를 자동 수집한 뒤, 그 위에 내 사업 관점의 해석과 실행 항목까지 얹은 브랜드 PDF를 뽑습니다.
• 약관·규정이 많은 자영업자: 보험이나 부동산처럼 약관 PDF가 수십 개인 업종이라면, 전부 노트북에 넣고 "고객이 자주 묻는 조건 다섯 개를, 해당 조항 번호와 함께"라고 물어 FAQ 초안을 만듭니다. 수백 페이지를 손으로 뒤지는 대신, 조항 근거가 붙은 답을 받는 거죠.
• 매주 같은 리서치를 도는 콘텐츠 팀: 매주 같은 뉴스레터·릴리스 노트를 소스로 넣고 같은 질문 세트를 반복하면, 리서치가 일회성이 아니라 매주 자동으로 도는 시스템이 됩니다. 이게 '리서치를 사람이 아니라 시스템에 맡긴다'는 말의 실물입니다.

마지막 장면이 이 조합의 정수입니다. NotebookLM은 "시장에 이런 트렌드가 있다"까지 알려 주고, Claude Code는 "그래서 우리는 무엇을 해야 하는가"까지 데려갑니다.

편하다고 다 믿지는 마세요

편리한 시스템이지만, 맹신은 금물입니다. 몇 가지만 기억해 두세요.

첫째, **nlm**은 비공식 도구입니다. 구글의 공식 API가 아니라, 브라우저를 대신 조작하는 방식으로 동작합니다. 그래서 접속 인증이 만료될 수 있고, 구글이 화면을 크게 바꾸면 일시적으로 작동하지 않을 수도 있습니다. nlm은 로그인 점검과 재로그인 흐름을 제공하지만, 공식 API가 나오기 전까지의 실용적 우회로로 이해하는 편이 안전합니다.

둘째, 소스 기반이라도 사람의 검수는 남습니다. NotebookLM이 소스를 중심으로 답하더라도, 애초에 넣은 소스가 틀렸거나 편향됐다면 그 위에서 나온 답도 한계를 갖습니다. 어떤 자료를 넣을지, 어느 답을 신뢰할지는 여전히 사람의 판단입니다. AI는 근거를 정리해 주지만, 그 근거가 믿을 만한지 최종 판단은 내가 합니다.

셋째, 서비스 한도와 요금은 바뀝니다. 앞서 적은 소스 개수 같은 한도는 시간이 지나며 조정됩니다. 무료로 시작할 수 있지만 무료 계정에는 사용량 한도가 있고, 유료 플랜의 명칭·가격·제공량도 바뀔 수 있습니다. 정확한 조건은 그때그때 공식 안내로 확인하세요.

왜 이게 비개발자에게 중요한가

예전에 '리서치 시스템'은 리서치 팀이 있는 회사의 것이었습니다. 이제는 소스를 올리고 자연어로 질문할 줄만 알면, 1인 사업자도 근거 기반의 리서치 파이프라인을 가질 수 있습니다.

이게 T2D Network가 보는 방향입니다. AI를 '더 그럴듯한 답을 뽑는 요술 상자'가 아니라, 근거 위에서 판단을 돕는 시스템으로 쓰는 것. 그리고 그 시스템의 마지막에는 언제나 사람이 있습니다. 어떤 자료를 신뢰하고, 그래서 무엇을 할지 결정하는 건 도구가 아니라 나 자신입니다.

한 가지 팁을 더하자면, 프로젝트에 우리 사업의 맥락을 담은 문서와 브랜드 가이드를 함께 넣어 두면, 같은 리서치도 '내 맥락으로' 해석됩니다. 남들과 똑같은 시장 자료에서, 우리 회사에만 맞는 결론이 나오는 거죠. 이 지점이 리서치를 진짜 자산으로 바꾸는 열쇠입니다. 작은 팀일수록 이 차이가 큽니다. 리서치 인력을 따로 두기 어려운 만큼, 근거가 남고 재사용되는 시스템 하나가 사람 몫을 대신해 주니까요.

🎯 오늘의 액션: 지금 미뤄 둔 리서치 하나를 떠올려 보세요. 관련 자료 서너 개를 NotebookLM 노트북에 넣고 "핵심 논점 세 개를 출처와 함께"라고 물어보세요. '근거가 붙은 답'을 처음 받아 보는 것이 이 시스템의 가장 빠른 출발점입니다.

영상으로 직접 따라 해보기

여기까지가 큰 그림이라면, 실제로 유튜브 영상을 소스로 넣어 오디오 브리핑을 만들고, 딥리서치로 자료를 모아 브랜드 PDF 보고서까지 뽑는 전체 실습 과정은 아래 영상과 상세 가이드에 단계별로 담겨 있습니다.

• 영상: 클로드코드 + 노트북LM = AI 리서치 시스템 만들기
• 상세 가이드(README): NotebookLM × Claude Code 리서치 운영 가이드
• 도구(오픈소스): nlm — NotebookLM CLI

함께 읽으면 좋은 글

• 비개발자를 위한 AI 프롬프트 엔지니어링 5가지 원칙 — 근거 있는 답을 끌어내는 질문법
• Claude Skills, 코딩 없이 AI 업무 비서 만드는 법 — 리서치 절차를 스킬로 자동화
• 클로드코드가 멍청해지는 이유: 메모리·컨텍스트·지식 위키 운영법 — 같은 시리즈
• AI한테 '이거 해줘' 그만 시키세요: 출근하고 보고하는 AI 직원 만드는 법 — 같은 시리즈

참고 자료 및 출처