Introduce

이 글을 작성하면서 Opal 이란 도구의 베타버전을 간단하게 써보았다. 하지만 주말, 토이 프로젝트 느낌으로 진행해보면 좋겠다! 싶어서 n8n 을 만지작 거리다가 AI 특화로 있던 도구, Opal 이 생각이 나서 이번엔 제대로 써보게 되었다.

기본 개념은…

사실 이걸 앱을 만드는 개발 도구라고 보기엔 대단히 아쉬운 점이 많다. 기본적으로 로우코드, 노코드 툴, AI 애플리케이션 빌더- 라고 거창하게 말할 수 있겠지만… share 만 가능하고, 에디터에서 테스트가 되긴 하지만, 세세하게 뭔가 되는 느낌은 아니다. 코드 작업이 되는 것도 아니므로 n8n 에 비하면 커스터마이징이 실질 AI 를 위한 프롬프팅 정도만 가능하다는 단점이 있다. 그럼에도 특징들을 종합하면 AI 워크플로우 구축에 특화 플랫폼 이라고 정의 내릴 수 있다.

User Input 항목은 사용자 입력을 받을 수 있으며 옵션에 따라 멀티 모달이 가능하다.

Generate 는 Gemini 의 생성형 AI 모델들을 골라서 수행이 가능하며, 여기엔 텍스트 모델 말고도 Nano Banana나 Veo 와 같은 생성형 AI 모델들을 선택하는 것도 가능하다.

Output 은 결과물에 대해 선을 연결하게 되면, 그것을 어떤 옵션으로 출력을 할지를 결정해준다. Google Docs, Slides, Sheets와 같은 Google Workspace 애플리케이션이나 웹 페이지 등으로 연결하여 출력 형식을 지정할 수 있습니다.

Add Assets 라는 항목은 각종 자료들을 추가할 수 있도록 되어 있다.

생각보다 좋다…?

이왕 이리 된거 간단한 걸 만들어보고자 생각이 들었고, 뭘 해볼까 고민해보았다.

목표는 다음과 같았다. 이직 준비를 꾸준하게 하고 있고, 가장 궁극적인 목표는 개발자로 내가 할 수 있는 가속도를 제대로 붙게 만드는게 나에게 필요한 시점이었다. 그리고 그걸 위해 가장 실질적으로 지금 필요한게 뭘까? 라는 생각에 내 결론은 내가 목표로 삼는 연차 이상의 기술력(경험)을 확보하자 라는 것이었다.

그런데 그럴 거면 무엇이 필요한가?

맞다. 시장에서 요구하는 연차별 성공적인 케이스 수준의 개발력 스펙으로 알아둬야 하는 기술들, 경험들이 뭔지를 이해도 하는 것이 필요했다. 그렇기에 3년차 수준의 공통된 실무 경험치 기준, 필수, 그리고 권장을 정확히 이해하길 원했다. 그 스펙들에 따라 내 현재 이력서를 확인해보고 얼마나 채웠는가? 를 알아보려고 했다. 그러려면 다음과 같은 로직이 필요하다고 느꼈다.

  1. 분석의 기본 데이터 소스를 채용 공고를 활용한다.
  2. 해당 회사에 대한 Deep Research(심층 조사) 기능을 기반으로 회사 자료, 회사의 수준을 신빙성있는 자료를 준비한다. 이 자료는 회사의 배경 조사를 겸하고, 추가적인 데이터 역할을 한다.
  3. 공고, 회사에 대한 배경 지식을 기반으로 필수 역량과 권장 역량을 구분하고 추출해낸다.
  4. 베이스는 준비 되었으니, 개인의 이력서, 경력 자료를 수집하고, 이 데이터 기반으로 종합하여 개인의 이력의 평가를 요청한다.
  5. 분석한 데이터들의 종합으로 회사를 소개하고, 역량치를 정리하고, 정리 아래에 개인 이력에 대한 평가를 수행한다.

그리하여… 이렇게 내용을 러프하게 적어 처음에는 ‘Suggest an edit’이란 프롬프트로 알아서 만들어 달라고 해보았다. 하지만 막상 이게 생각보다 애매한감이 있었다. 이유는 막상 작성 된 내용을 기반으로 또 다시 결과물이 나오고 그걸 다시 평가하고 수정하고… 이런 반복은 시간이 아깝다고 생각했다. 구조도 파악했으니, 차라리 간단하게 내가 만들자! 라는 생각을 해서 직접 만들어 보았다.

그리하여 만들고나니 의외로 좋은 점들을 발견할 수 있었다.

  1. 병렬 처리(Parallel Processing)가 된다. 전형적인 AI 기본 모델들은 알다시피 모든 일이 ‘요청’ -> ‘수행’ 이라는 선형 구조를 취하고 있다. 하지만 선형이란 건 직관적이고 순서를 보기엔 편하다. 하지만 시간도 오래 걸릴 뿐만 아니라, 중간에 필요한 작업들이나 요청 사항등을 결국 선형으로 기다리면서 작성한다는 건 효율적이지 못하다. 하지만 역시 구글, 그럴 일을 줄이기 위해서일까, User Input은 바로 즉각적으로 순서대로 받게 되어 있었고, 여러 일을 AI 에게 분담을 하면 동일 단계라면 동시에 처리하도록 되었고, 결과적으로 여러 일들이 있었지만, 끝난 시간은 Deep Research 하나 수행한 정도만에 해결이 되었다.

> 한꺼번에 AI 는 하나의 일을 하도록 시킨다. 그만큼 정확도가 올라가고, 작업 자체에 대한 정밀성을 올릴 수 있으니 아주 좋다.

  1. 프롬프트에 직접적으로 어떤 자료를 어디에 쓸 것인지 지정하는 것이 가능하다. 이 장점은 기술적인 면 보단 사용자 경험(UX) 의 승리라고 생각이 든다. 웹 챗봇, Cursor 같은 IDE, 그 외에 클라이언트형 AI 도구 등 다양한 AI 도구들은 요즘은 어지간하면 멘션기능을 가진다. 이를 통해 데이터들을 링크 시키고, 파이프라인을 형성한다. 그런데 이때, 아쉬운 점은 직관성일 것이다. 워크 플로우를 만들거나, 자동화를 시켜 ‘하기 싫은 일’을 수행 시킬 순 있지만, 결국 핵심은 AI 에게 맡긴 일이 잘 되어가는지? 그리고 안된다면 어딜 고쳐야하지? 에 대한 직관성이 필요한 것이다. 하지만 이런걸 기존 툴들은 일단 @파일명 이정도로 표현하는 정도에 그친다. 이러다보니 여러 워크플로우를 만들면, 어디서 결과가 이상하게 나오는지 추적하기도 어렵다. 하지만 Opal 은 이에 대한 데이터를 멘션을 하고, 그것이 자연어 사이에 직접적으로 타겟화 시켜서 마치 함수의 인자를 직관적으로 볼 수 있게 했다. 뿐만 아니라 프롬프트를 작성할 때 이 자료가 뭐다- 라는 걸 직접적으로 지칭하고, 자연어 내부에 섞어서 쓸 수 있게 했다. 멘션 기능이 있으면 가능하다고 볼 수 있겠지만 그럼에도 사용 시 가장 편리했던 도구는 단연코 Opal 의 그것이 아니었나 생각이 들었다.

    확실히 자료에 대해 구체적이고 직관적인 전달. 내가 의도한 데로 움직이게 만드는데, 심지어전후로 구조적인 이해가 가능하다.

물론 아쉬움이 없나? 그건 아니다.

  1. 로우 레벨의 접근 제한 처음에 먼저 자동화를 n8n 으로 만들고, 여기에 다가도 AI 를 섞어서 만들었다. 그리고 이는 머리 아픈 과정이긴 했지만, n8n 은 Code 노드가 존재하고, Python 도 지원을 앞두고 있다. Opal은 없다. 이 모든 자잘하고 세세한 설정을 할 수 있는데 못하는게 아니라, 아무리 봐도 의도적으로 막아둔 것으로 보인다. 이 점은 효율성과 연결이 되는데, 데이터의 아주 로우한 접근, json 화 시켜서 변수화 시킨 다던지, AI 가 필요 없는 작업을 당연히 PC 의 작은 리소스만으로 해결하는데 톡톡한 역할을 해줄 텐데… 여기선 그런 사소한 작업까지도 AI에게 요청해야 했다. 물론 다른 대안으로 모델을 flash-lite 와 같은 걸로 하면, 훨씬 빠르고 간편하게 해준다는 점을 생각해보면..? Opal 자체는 확실히 GUI 기반에, 뭔가 인스턴트하게 AI 에게 맡기고 싶다! 라는 니즈 자체에 집중한 것이라고 납득이 안되진 않았다. 이를 통해 ‘인스턴트 앱’ 또는 ‘숏앱(Short App)’이라 불리는 신속한 프로토타이핑 환경을 제공하려는 의도가 엿보인다.
  2. 외부 플러그인이 부족하다 위의 내용과는 반대로 풍부함 역시 부족하다는 생각이 들었다. n8n 은 파일의 저장, 읽기, 쓰기, DB 연결을 비롯해서 광범위한 기능들을 쓸 수 있다. Code node 는 JS 기반이라 관련 라이브러리도 쓸 수 있다. 아직 베타지만 Python 까지 들어간다면? 정말 n8n 자체로 할수 있는 일은 엄청나다고 말 할 수 있다. 정말 깊게 파면, 서버 프레임워크 코드 한줄 없이 서비스용 서버리스 서버도 구현이 가능할 정도다. 반면 Opal은 Google Drive, Google Workspace, HTML 페이지 등 Google 생태계 내의 서비스 연동에 국한되어 있어, 외부 플러그인 및 서비스 연동성이 부족하다는 점이 아쉽다. (베타 버전임을 감안하더라도 파일명 수정 기능 부재 등은 개선이 필요해 보인다.) 베타라지만 이정돈 해줄수 있을텐데 말이다. 개인적으론 알림을 보내는 기능, 메일 보내는 기능 정도는 있으면 어떨까 싶었다. 정말 그 정도만 되도 만들어 볼만한 기능들은 엄청날텐데 말이다.

완성을 하고 자료가 착착 나오는 걸 보니 꽤나 쉽다는 생각, 역시 AI는 이런 작업은 최고라는 생각을 할 수 있었다. 다행히 프롬프트를 구체적으로 적을 수록 구분이 되고, 프롬프트 내부에서 일종의 조건문 식으로 처리 하는 것도 가능하니 그걸 기반으로 디테일 버전, 간단버전, 혹은 인용한 사이트 정보 취사 선택 여부 등을 추가로 넣어보기도 했다. 방법은 확실히 있다고 느껴진다.

일반인들을 위한 AI 자동화 도구… 글쎄

Google 의 Deep Research 는 이미 전부터 엄청나다고 호평이었다. 그리고 자료, 로직을 추가할 수 있게 되니 정말 만드는데 1시간, 데이터 수집 및 AI에게 일 시켜놓기 30분. 기다리고나니 4개의 업체와 업체의 현재 근황, 재정 상황 분석, 해당 시장 특성, 그리고 나의 역량이 도움이 될지. 부족한 점이 뭔지를 정리해주는 것이 가능했다. 정말 숏 앱이라는 개념에 부합하는 여러 서비스가 있었지만, 가장 안정적이면서도 정확한 서비스는 구글이란 생각을 새삼 안할 수가 없다고 느낀다.

특히나 영악하게도 모든 서비스는 구글의 서비스와 연동이되고, 문서 하나 구글을 벗어나지 않는다는 점은… 처음엔 구글이 AI 의 등장으로 휘청이니 뭐니 했지만, 실상 10년 전부터 준비하던 구글의 엄청난 저력. 그리고 이 모든 것이 2.5 flash 에 프롬프트만으로 충분히 나온다는 지점은….

하지만 쓰면 쓸 수록 한 가지 분명하게 이해되는건 ‘이게 과연 일반인들을 위한 도구가 될 수 있을까?’ 에 대한 생각이다. 물론 자연어를 쓸 수 있고, 시스템적 사고가 가능한 사람들이라면 충분히 도전해볼만 하다. 해볼 사람은 도전해보길 추천한다. 프롬프트를 작성하는 방법에 대해서, AI 의 특성에 대해 간단히 이해만 한다면, 충분히 해봄직 하긴 하다.

하지만 AI를 접하고, 소개하고, 써보길 이야기 할 때 느낄 수 있는 건 생각보다 이러한 접근방법, 생각하는 방법은 배우지 않곤 쓰기 어렵다는 점이다. 엔드 유저에게 AI 가 더 대중화 되지 못하고 있는 이유는 결국 ‘결론’을 지향하는 사고가 기본적으로 효율적이고, 그렇게 사람들이 존재하기 때문에, 막상 로직을 분석하고 로직적으로 논리성을 쌓는 절차를 굳이 해야 하나? 라고 하면 안할 사람들이 많지 않을까?

뿐만 아니라 오히려 격차가 커지겠구나! 하는 생각을 하게 되었다. 특히 자연어를 쓴다고 했지 코딩이랑 실질 다르지 않은 구조이기 때문에, 결국 더욱 개발자나 쓰기 좋고, 만약 지금보다 더 일반인이 쓰길 원한다면 정말 ‘한 마디 문장’을 기반으로 AI 가 자체적으로 판단, 기획, 스텝을 나누고 개발을 해내는 것을 아주 정교하게 만들어야 할텐데. 지금 당장은 아직까진 애매하단 생각이 들었다.

물론 Google의 행보를 보면 명확하다. 아마 5년 안짝이면 그정도는 구현 가능해지리라 생각은 든다. 하지만 정보의 격차, 생각하는 방식의 구체화, 로직화 등등… 어쩌면 인간의 기본 능력치가 앞으로 더 인문학적, 사고적 깊이감이 없다면 이런 모든 상황에서 이겨내고 자기만의 일을 찾을 수 있을까? 란 생각은 든다. 무섭긴 하지만 기대도 되고, 기대가 되니 더 앞으로 가봐야겠다.

만들어본 데모 앱은 써볼 수 있도록 열어 놓겠습니다.

공고글 및 개인 역량 분석기

당부사항

  • 해당 앱의 정보는 모두 구글에서 처리 되는 것이며, 저 개인의 서버 등에 저장되지 않습니다.
  • 또한 리포트는 구글 드라이브 내에 Opal 폴더가 생성되고 해당 폴더 내에 문서로 저장됩니다.