"AI 학습·리서치 도구 2026 — NotebookLM과 Perplexity 제대로 쓰기"

-

내 자료 깊이 파기 vs 웹 실시간 탐색, 그리고 둘을 잇는 워크플로

핵심 요약

  • 대상 독자: 보고서·논문·기획서를 자주 쓰는 학생·직장인. 검색·요약·인용 작업이 일에 큰 비중인 사람.
  • 얻을 것: 1) NotebookLM과 Perplexity가 서로 다른 도구인 이유 2) 각각 언제 써야 하나 3) 두 도구를 연결하는 표준 워크플로 (30분 안에 리서치 한 사이클) 4) 무료/유료 한도 5) 출처가 핵심인 작업의 정확도 높이는 법.
  • 한 줄 결론: Perplexity로 찾고, NotebookLM에 모아서 깊이 판다. 둘 다 무료 버전으로 시작하면 충분.

1. 두 도구가 같은 게 아니다

비슷해 보이지만 입력과 목적이 정반대다.

NotebookLM Perplexity
입력 내가 업로드한 파일 (PDF·웹·노트·동영상) 실시간 웹
출력 음성 요약·마인드맵·슬라이드·퀴즈 인용 포함 답변·리포트·앱
목적 깊이 (한 자료 묶음을 다각도로 분해) 폭 (여러 출처에서 빠르게 발견)
AI 모델 Gemini (Google) GPT-5·Claude 등 다중 선택
무료 한도 50 소스 / 노트북 무제한 검색 + 일 5회 Pro 검색
유료 Plus (300 소스) Pro $20/월 (무제한 Pro + Deep Research)

출처: NotebookLM 공식 가이드, Perplexity 가격.

한 줄 비유

  • NotebookLM = 내가 가진 책 100권을 같이 읽어주는 사서
  • Perplexity = 도서관 사서에게 "이 주제 관련 책 좀 찾아주세요"

2. NotebookLM — 자료를 깊이 파는 법

2.1 무엇을 업로드할 수 있나

  • PDF, Google Docs/Slides, 텍스트 파일
  • 웹사이트 URL (페이지 단위)
  • YouTube 영상 URL (자막 자동 추출)
  • 직접 입력 노트
  • 무료: 노트북당 50 소스. 유료(NotebookLM Plus): 300 소스 (공식).

2.2 핵심 기능 4종 (Studio 패널)

기능 무엇이 나오나 언제 쓰나
Audio Overview 두 진행자가 토론·해설하는 팟캐스트 형태 음성 (15~30분) 출퇴근·운동하면서 듣고 싶을 때, 청각형 학습자
Video Overview 슬라이드 + 내레이션 영상 (whiteboard·watercolor 등 스타일 선택) 발표 자료 초안, 교육 자료
Mind Map 자료의 주제 트리 (가지 펼치기·접기, 노드 클릭하면 해당 주제 챗) 큰 그림 빨리 잡기
Reports 카드형 요약 또는 보고서 회의 자료

2.3 인용 시스템

NotebookLM의 모든 답변은 업로드한 자료 안에서만 답하고, 답변 옆에 클릭 가능한 인용 번호를 붙여준다. 클릭하면 원문 위치로 점프. 자료 밖 내용은 답하지 않는 게 원칙이라 환각 위험이 매우 낮다.

2.4 잘 안 알려진 활용

  • 인터뷰 녹취록 분석: 1인 창업자가 고객 인터뷰 30개를 업로드 → "공통된 불만 3가지" 질의
  • 법률·계약서 검토: 회사 정책 + 계약서 동시 업로드 → 충돌 조항 추출
  • 시험 공부: 강의 자료 + 교재 업로드 → 자동 퀴즈 생성

3. Perplexity — 실시간 웹 리서치

3.1 4가지 모드

모드 무엇 언제 쓰나
Quick Search 1~3 출처에서 단답 사실 확인, 정의
Pro Search 5~10 출처 + 후속 질문 자동 생성 일반 리서치 (무료는 일 5회)
Deep Research 다단계 자동 리서치 + 종합 리포트 (5~10분 소요) 장문 보고서, 시장 조사
Spaces / Labs 작업 공간에 자료 누적, 차트·앱 자동 생성 프로젝트 단위 리서치

출처: Perplexity Deep Research 공식.

3.2 ChatGPT의 Deep Research와 차이

  • Perplexity: 빠르고, 출처 인용이 명확하고, 다중 출처 확인 위주
  • ChatGPT Deep Research: 느리지만 더 분석적인 리포트, 사람 연구원이 쓴 것에 가까움 (G2 비교)

학술·사실 확인 위주면 Perplexity, 종합 분석·해석이 필요하면 ChatGPT Deep Research.

3.3 잘 안 알려진 활용

  • 모델 직접 선택: Pro 사용자는 답변마다 GPT-5/Claude/Gemini 중 선택 가능
  • 이미지 첨부 검색: 스크린샷·사진 → 출처 추적
  • Focus 모드: 학술(arxiv)/Reddit/YouTube로 검색 범위 제한

4. 표준 워크플로 — 두 도구를 잇는 30분 리서치

단계별 시간표

분 도구 작업
0~10 Perplexity Pro 광범위 검색. "주제 + 시장 현황" 1개 + 후속 2~3개. 4~6개 1차 출처 확보
10~20 NotebookLM 새 노트북 생성. 출처 + 본인 메모 업로드. 5분간 Audio Overview 생성
20~30 NotebookLM 채팅 + Mind Map 핵심 질문 5개 던지고 인용된 부분만 발췌. Mind Map으로 빠진 주제 점검

이 흐름의 핵심: Perplexity는 발견, NotebookLM은 정리. 둘을 한 도구로 합치려고 하면 둘 다 약해진다.

4.1 실제 사례 — 블로그 글 1편 작성

"AI 자동화 도구 비교" 글을 쓴다고 가정.

  • Perplexity: "n8n vs Zapier vs Make 2026 가격·기능 비교" → Deep Research 실행 → 5분 후 6~8개 출처가 인용된 리포트 받음
  • 다운로드/복사: 리포트를 PDF·텍스트로 저장
  • NotebookLM: 새 노트북 → Perplexity 리포트 + 각 도구 공식 가격 페이지 추가 업로드
  • 출력: Audio Overview로 통근길 학습 + Mind Map으로 글 구조 결정 + 채팅으로 글 H2 섹션별 fact 추출

총 1시간 안에 사람 연구원 한 명의 1일치 리서치를 끝낼 수 있다.

5. 어디까지가 무료로 가능한가

작업 NotebookLM 무료 Perplexity 무료
자료 업로드·요약 ✅ 50 소스/노트북 ❌ (Pro 필요)
Audio/Video Overview ✅ ❌
Mind Map ✅ ❌
실시간 검색 + 인용 ❌ ✅ 무제한
Pro Search - ⚠️ 일 5회
Deep Research - ⚠️ 일 5회

결론: NotebookLM은 무료로 거의 다 쓸 수 있다. Perplexity는 무료로도 일반 검색은 충분하지만 Deep Research를 자주 쓰면 Pro $20/월 가치가 있다.

6. 흔히 하는 실수 5가지

  1. NotebookLM에 너무 많이 업로드 → 50 소스에 가까워질수록 응답 품질이 떨어진다. 1 노트북 = 1 프로젝트, 핵심 자료 5~15개만.
  2. Perplexity로 글쓰기 → Perplexity 답변은 그대로 복붙하면 표절 + 다른 사람도 같은 답을 받는다. 발견용으로만, 작성은 다른 도구로.
  3. 출처 확인 안 함 → 두 도구 모두 인용을 제공하지만 간혹 인용 매칭이 잘못된다. 결정적 수치는 클릭해서 원문 확인.
  4. 유료 먼저 결제 → 일주일 무료로 써보고 막히는 부분 확인 후 결제.
  5. 둘을 한 작업에 쓰면서 출처 섞기 → "Perplexity에서 본 거 같은데 NotebookLM에서?" 노트북 노트에 출처 표시 습관.

개발자 팁

API/자동화 관점에서 추가:

  1. NotebookLM은 공식 API가 없다 (2026-04 기준). 자동화하려면 Gemini API + 파일 업로드를 직접 조합해야 한다. Workspace Add-on은 곧 일반 사용자에게 공개 예정.
  2. Perplexity는 Sonar API 제공: 검색·인용·요약을 API로 호출 가능. 가격은 공식. 자체 챗봇·내부 도구에 통합 가능.
  3. 인용 자동 검증: Sonar API 응답에는 출처 URL이 포함된다. 후처리로 URL이 살아 있는지 확인하는 검증 단계를 붙이면 환각 인용을 잡을 수 있다.
  4. RAG 비교: NotebookLM은 본질적으로 RAG. 자체 RAG 시스템 만들 거면 NotebookLM을 1주일 써보고 무엇이 부족한지 파악 후 시작하면 효율적.
  5. YouTube 자막 추출 트릭: NotebookLM에 YouTube URL 넣으면 자막을 자료로 인덱싱. 자막 없는 영상은 별도 STT로 변환 후 텍스트 업로드.

참고

이 글은 AI 입문 시리즈의 4/11 편입니다. 다음 편: AI 이미지 생성 — Nano Banana 2 / Midjourney / DALL-E 비교.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »