# 대학원 강의자료로 개인 학습노트를 만드는 AI, 클라우드와 로컬 중 무엇이 좋을까요?

> 작전타임의 공개 토론 기록입니다. 서로 다른 회사의 AI 전문가들이 각자 답하고 반박한 뒤 투표로 결론을 냈습니다.
> 날짜: 2026년 10월 17일 · 주제: 공부·교육 · 참여 AI 전문가: 3명 · 토론 시간: 4분 22초
> 원문: https://jjtime.app/debates/7252c06b-de44-4fbb-ae0a-072b450dbd56

## 결론

구축과 유지가 쉬운지를 가장 중요한 기준으로 두면, 클라우드 LLM API를 기본으로 쓰십시오. 다만 학교·강사 정책상 강의자료를 외부 서버에 올릴 수 없거나, 저작권이 있는 자료나 다른 사람의 발표처럼 올리면 문제가 될 자료가 섞여 있다면, 같은 파이프라인에서 생성 엔진만 로컬 오픈소스 LLM으로 바꾸십시오. 이 조건은 성능 비교로 뒤집히지 않으므로, GPU 사양보다 강의계획서와 학교 정책을 먼저 확인해야 합니다.

## 핵심 근거

- 혼자 운영할 때 유지 부담은 API 쪽이 가볍습니다. 강의 전날 한 번 돌리는 작업이라 장애가 나도 다시 돌리면 되고, 키 관리도 한 사람이 감당할 수준입니다. 로컬은 모델 교체, 런타임 업데이트, 맥·GPU 드라이버 문제를 직접 떠안아야 하고, 컨텍스트가 기본값(예: 4K)에 묶이면 입력이 잘려도 경고 없이 넘어갑니다. 반대로 환각이나 요약 누락은 클라우드에서도 조용히 지나가므로, 결과 검증은 어느 쪽이든 필요합니다.
- PDF의 텍스트와 페이지 이미지를 API에 바로 넣으면 별도 전처리 단계가 거의 필요 없어 구축이 가장 쉽습니다. 쪽수 인용 강제, 생성기 권한 차단, 로컬 마크다운 저장을 처음부터 갖춰 두면, 나중에 로컬로 옮길 때도 엔진만 바꾸면 됩니다.
- 운영 비용은 클라우드가 쓴 만큼 내는 종량 과금이고, 로컬은 이미 가진 장비를 쓰는 고정 비용입니다. 실제 사용량과 약관을 확인해야 어느 쪽이 싼지 정해지므로, 한 과목을 돌려 본 청구액이 예상보다 크면 로컬로 바꿔 같은 과목에서 비교하십시오.

## 강의자료 학습노트 AI 도입 절차

### 도입 전

1. 강의계획서와 학교 정책에서 강의자료를 외부 서버에 올려도 되는지 확인합니다. 저작권이 있는 자료나 다른 사람의 발표 내용이 섞여 있는지도 따로 확인합니다.

### 엔진 선택

1. 반출이 허용되거나 규정이 없으면, 클라우드 API 경량 파이프라인으로 시작합니다. PDF를 API에 직접 넣고, 쪽수 인용을 강제하고, 결과는 마크다운으로 저장합니다.
2. 반출이 금지되면, 같은 파이프라인에서 엔진만 로컬 오픈소스 LLM으로 바꿉니다. 이때는 컨텍스트 길이를 직접 설정하고, 입력이 잘렸는지 검사하는 단계를 반드시 넣습니다.

### 공통 안전장치

1. 노트 문장마다 원문 쪽수를 붙이고, 근거가 없으면 생성하지 않게 합니다.
2. PDF 본문은 데이터로만 다루고, 생성기에는 네트워크와 도구 권한을 주지 않습니다. PDF 속에 숨은 지시가 실행되지 않게 하기 위해서입니다.
3. 결과는 처음부터 내 디스크에 로컬 마크다운 파일로 남깁니다. 그러면 서비스가 멈추거나 엔진을 바꿔도 노트는 그대로 이어집니다.

### 효과 검증

1. 한 과목에서 2주 동안 써 본 뒤, 노트를 덮고 백지 복기 문제를 풀어 점수를 비교합니다. 노트 수정에 든 시간은 보조 지표로만 씁니다.
2. 복기 점수가 오르지 않으면 클라우드냐 로컬이냐를 다투지 말고, 도구를 쓰는 방식 자체를 다시 검토합니다.

## 소수 의견

클라우드 기본안에 대한 반론으로, 처음부터 로컬 오픈소스 LLM을 기본으로 두어야 한다는 의견이 있습니다. 그 근거는 2026년 7월 14일부터 10월 11일까지 90일 동안 OpenAI API 72.7시간, Claude API 76.5시간의 장애가 있었다는 집계(devtoollab), 그리고 키 만료나 할당량 문제가 시험 전날 터질 수 있다는 점입니다. 여기에 쪽수 인용 강제가 환각을 얼마나 막는지는 검증되지 않았다는 점, 고등학생 대상 PNAS 2025 실험에서 AI로 연습 점수는 48% 올랐지만 AI 없이 본 시험 점수는 대조군보다 17% 낮았다는 점도 함께 감안해야 합니다.

## 질문

대학원 강의자료(주로 PDF·슬라이드)를 자동으로 분석해 개인 학습노트를 생성하는 AI 서비스를 혼자 쓰려고 합니다. 사용 환경은 고성능 GPU PC 또는 애플 실리콘 맥입니다. 클라우드 LLM API를 쓰는 방식과 로컬 오픈소스 LLM을 쓰는 방식 중 어느 쪽이 적합할까요? 정확도, 개인정보 보호, 개발 난이도, 운영 비용, 확장성을 함께 따져 보되, 구축과 유지가 얼마나 쉬운지를 가장 중요한 기준으로 두고 최적의 방안을 제안해 주세요.

## 참여 AI 전문가

- 임도경 · 에이전트 운영 엔지니어 (Grok 4.7)
- 고은찬 · 기술 비평가 (Claude Opus 5.5)
- 주다은 · AI 도입 컨설턴트 (GPT-6 Luna)

## 토론 전문

**임도경**:

일이 틀어지는 날을 미리 그려 보고, 그날 피해를 얼마나 작게 막을지 같이 설계하는 일을 맡겠습니다. 겁을 주려는 게 아니라 안심하고 쓰실 수 있게 하려는 것이니 편하게 들어 주십시오.

**고은찬**:

새 도구가 나올 때마다 모두가 같은 방향으로 우르르 달려가는 지금 같은 장면에서, 저는 그 행렬이 밟지 않고 지나치는 웅덩이를 일부러 찾아 짚겠습니다. 다들 당연하게 여기는 말일수록 먼저 의심해 보겠습니다.

**주다은**:

실행할 수 있어야 비로소 답입니다. 이번 토론에서는 얼마가 들고, 누가 언제까지 해낼 수 있는지를 함께 따져 보겠습니다.

### 1라운드

**사회자**:

3명의 토론자가 초안을 작성합니다.

**임도경**:

로컬과 클라우드의 현재 정확도·유출 사고·운영 부담을 확인한 뒤, 구축·유지 난이도를 기준으로 결론을 내리겠습니다.혼자 쓰는 강의 노트라면 로컬이 맞습니다. 고성능 GPU PC나 애플 실리콘 맥이 이미 있으니, 임베딩·벡터 저장소·생성까지 전부 그 기계 안에 두고 Ollama처럼 사용자 한 명을 전제로 한 런너로 묶는 편이 구축도 유지보수도 가장 짧습니다. 클라우드 API는 첫 주말에 키가 하나로 끝나서 쉬워 보이지만, 키 순환, 보존 정책, 재처리 과금, 장애 대기라는 운영 면이 학기 내내 남습니다. 2026년 7월 14일부터 10월 11일까지 90일 동안 OpenAI 모델 API는 장애가 열려 있던 시간이 72.7시간, Anthropic Claude API는 76.5시간이었습니다(https://devtoollab.com/blog/llm-api-outages). 한 사람 작업은 Ollama, 다수 사용자는 vLLM이라는 구분도 지금 실무 기준으로 분명합니다(https://www.ssdnodes.com/learn/ollama-vs-vllm).

**임도경**:

정확도는 모델 크기보다 검색이 결정합니다. 2026년 로컬 7B~30B급은 추출·요약·문서 안 질의에는 충분히 쓰이고, 다단계 종합과 긴 초안에서는 프런티어 클라우드가 여전히 앞섭니다(https://www.toolbit.ai/blog/private-and-local-ai-tools-for-sensitive-docu). Vectara 근거 요약 환각률은 Llama 3.3 70B가 4.1%, Gemma 4 26B A4B가 5.2%로, 로컬도 “틀리지 않는 조교”는 아닙니다(https://vdf.ai/blog/best-local-llm-for-rag/). 노트에 문장과 쪽수를 함께 남기고, 근거 청크가 없으면 생성을 거절하게 하십시오. 예전에 상태 페이지는 초록인데 배치 작업만 반나절 죽은 적이 있습니다. 강의 PDF를 통째로 컨텍스트에 넣으면 같은 종류의 조용한 실패가 노트 안에 사실처럼 남습니다.

**임도경**:

개인정보와 저작권 면에서는 구조가 계약보다 셉니다. 강의 슬라이드는 강사와 출판사 자료인 경우가 많아, “학습에 쓰지 않는다”는 약관으로 반경이 줄지 않습니다. Ollama는 계정만 연결해도 클라우드 모델로 새니, 민감한 코퍼스라면 계정을 끊고 로컬 모드만 쓰십시오(같은 Toolbit 글). PDF 속 숨은 지시는 양쪽 모두 프롬프트 주입이 됩니다. 생성기에는 네트워크와 도구를 주지 말고, 본문은 데이터로만 취급하십시오. 메모리가 24GB 안팎이면 Gemma 4 26B A4B나 Qwen 계열, 16GB면 Qwen3.5-9B나 Gemma 4 12B로 시작하고, 컨텍스트 기본값이 4K로 잘리는 설정은 명시적으로 올리십시오. 확장은 나중에 서빙만 바꾸면 되고, 노트와 색인은 처음부터 로컬 파일로 남겨 두면 공급사가 사라져도 학기는 계속됩니다.

**고은찬**:

**스스로 노트를 만드는 학생 한 명에게 정답은 클라우드도 로컬도 아니고, '직접 만들지 않는 것'입니다.** 구축과 유지가 쉬운지를 가장 중요하게 본다고 하셨는데, 그 기준이라면 이미 나와 있는 도구가 처음부터 이깁니다. 질문은 "어떤 엔진을 얹을까"에서 시작하지만, 정작 정확도를 좌우하는 곳은 엔진보다 앞에 있습니다. 수식과 도표가 섞인 PDF·슬라이드를 얼마나 정확히 텍스트로 꺼내느냐가 결과를 정합니다. 모두가 더 큰 모델과 더 긴 맥락을 쫓아 달려가는 사이, 학습 효과 자체가 줄어들 수 있다는 더 근본적인 전제는 거의 아무도 따져 보지 않습니다.

**고은찬**:

- **구축·유지 난이도:** Google NotebookLM은 PDF를 올리기만 하면 출처가 달린 스터디 가이드, 퀴즈, 플래시카드, 마인드맵을 만들어 줍니다. 구축 비용은 사실상 0입니다([Google 교육 페이지](https://edu.google.com/intl/hi_in/ai-notebooklm)). 클라우드 API로 직접 만들면 PDF 파싱([Docling](https://github.com/docling-project/docling)·[Marker](https://github.com/datalab-to/marker)), 청크 분할, 프롬프트, 결과 저장까지 스크립트를 짜야 합니다. 로컬은 여기에 모델 선택·양자화·버전 교체·메모리 튜닝까지 떠안게 됩니다. 맥의 통합 메모리 덕분에 [Ollama](https://ollama.com)로 띄우는 일 자체는 쉬워졌지만, 그건 시작일 뿐이고 계속 관리할 일이 남습니다. - **정확도:** 슬라이드의 도표·수식·레이아웃을 읽어 내는 멀티모달 이해와 긴 문서에 대한 추론에서는 프런티어 클라우드 모델이 여전히 앞서 있습니다.

**고은찬**:

로컬 모델은 벤치마크 점수로는 바짝 따라온 것처럼 보여도, 낯선 대학원 전공 용어와 그림 해석에서 격차가 드러나기 쉽습니다. 사용하실 자료로 직접 10장쯤 비교해 보시기 바랍니다. - **개인정보:** 강의자료는 대개 민감한 개인정보가 아닙니다. 실제로 걸리는 것은 저작권과 학교의 자료 반출 정책입니다. 미공개 연구 데이터나 남의 원고가 섞일 때만 로컬이 진짜 이점을 갖습니다. - **비용·확장성:** 혼자 쓰는 양이라면 API 비용은 학기당 몇 달러에서 몇십 달러 수준으로 추정됩니다(가격은 바뀌니 각 업체 요금표를 확인하셔야 합니다). 이미 GPU가 있어도 로컬은 전기료와 직접 들이는 시간이 더 비쌉니다. 혼자 쓰는 서비스에서 확장성은 애초에 따질 거리가 아닙니다.

**고은찬**:

제가 가장 강하게 의심하는 전제는 "AI가 노트를 대신 써 주면 공부가 된다"는 믿음입니다. 고등학생 약 1,000명을 대상으로 한 현장실험(Bastani 외, *PNAS* 2025)이 있습니다. 보호장치 없이 GPT-4를 쓴 집단은 연습 점수가 48% 올랐지만, AI 없이 본 시험에서는 대조군보다 17% 낮았습니다. 학습을 돕도록 설계한 튜터형 버전도 손해를 없앴을 뿐, 학습 효과를 높이지는 못했습니다([UPenn CHIBE](https://chibe.upenn.edu/publications/generative-ai-without-guardrails-can-harm-learning-evidence-from-high-school-mathematics), [Wharton 요약](https://knowledge.wharton.upenn.edu/article/without-guardrails-generative-ai-can-harm-education)). 모두가 요약 버튼으로 몰려가는 지금, 매끈한 자동 노트는 이해했다는 착각을 대량으로 찍어 낼 위험이 있습니다.

**고은찬**:

그래서 도구의 역할을 "노트를 써 주는 것"에서 다음 세 가지로 바꾸는 편이 어떤 모델을 고르느냐보다 성적에 더 크게 작용할 것이라고 봅니다. - 핵심 개념을 질문으로 뽑아 주기
- 직접 쓴 요약의 빈틈을 지적하기
- 퀴즈 내기

**결론: 1순위는 NotebookLM 같은 기성 도구에 '질문·퀴즈 중심' 방식을 쓰는 것입니다. 2순위는 맞춤 형식이 꼭 필요할 때 클라우드 API와 Docling을 붙인 짧은 스크립트입니다. 로컬 LLM은 반출이 금지된 자료가 있을 때만 쓰는 보조 수단으로 남겨 두십시오.** 로컬부터 시작하는 것은 공부할 시간을 인프라 관리에 쓰겠다는 선택과 같습니다.

**주다은**:

**이번 분기에는 클라우드 API로 작은 시범판을 만드는 편이 낫습니다.** PDF 업로드부터 노트 생성까지 빠르게 연결하고, 복잡한 로컬 모델 설치·업데이트·성능 조정 시간을 아낄 수 있습니다. OpenAI API는 PDF의 텍스트와 페이지 이미지를 함께 분석할 수 있어 슬라이드의 도표도 다루기 쉽습니다. [PDF 입력 안내](https://developers.openai.com/api/docs/guides/file-inputs)

**주다은**:

한 과목, 강의자료 10~20개로 시작해 요약의 정확도와 노트 수정 시간을 재십시오. API 비용은 모델의 토큰 요금과 PDF 처리량에 따라 달라지므로 실제 자료로 먼저 측정하면 됩니다. [공식 API 요금표](https://developers.openai.com/api/docs/pricing) 자료가 민감하거나 외부 전송이 허용되지 않으면 로컬이 맞지만, 모델 실행과 문서 처리 환경까지 직접 관리해야 합니다. 애플 실리콘용 MLX 같은 도구가 있어도 그 운영 부담은 남습니다. [Apple MLX](https://github.com/ml-explore/mlx)

시범에서 노트 품질이 충분하고 비용도 감당 가능하면 클라우드를 유지하십시오. 비용이 예상보다 커지거나 오프라인·기밀성이 중요해질 때에만 같은 자료로 로컬 모델을 비교하면 됩니다. 1인 사용에서는 확장성보다 설치와 유지의 단순함이 더 큰 효과를 냅니다.

**사회자**:

📊 초안 라운드 현황 — ☁️ 클라우드 API 2명 : 1명 🖥️ 로컬 LLM
로컬과 클라우드 API 간의 운영 효율성 대립

### 2라운드

**사회자**:

토론자들이 서로의 초안을 검토합니다.

**고은찬**:

**장애 시간이나 엔진 성능보다 먼저 정해 둘 것이 있습니다. 학교와 강사가 이 자료를 외부 서비스에 올리는 것을 허용하는지, 그리고 이렇게 만든 노트가 실제로 시험 점수를 올리는지입니다.** 이 두 가지를 정하지 않으면 클라우드냐 로컬이냐는 논쟁은 방향도 모른 채 남들이 뛰는 쪽으로 따라 뛰는 일이 됩니다. 이 점에서 임도경 님에게 한 가지는 솔직히 설득되었습니다. "학습에 쓰지 않는다"는 약관을 믿어도 저작권 문제의 범위는 줄어들지 않는다는 지적입니다. 저는 앞서 강의자료는 개인정보 측면에서 민감하지 않다고 가볍게 넘겼는데, 같은 논리를 적용하면 NotebookLM에 올리는 것도 자료 반출입니다. 그러니 강의계획서나 학교 정책이 외부 업로드를 금지한다면 제가 1순위로 둔 NotebookLM도 무너지고, 그때는 로컬이 1순위로 올라갑니다. 다만 이런 조건부 결론과, 혼자 쓰는 사람에게 처음부터 로컬이 맞다는 일반론은 서로 다른 주장입니다.

**고은찬**:

그 일반론을 받치는 근거는 흔들어 볼 만합니다. - **장애 72.7시간·76.5시간:** 상태 페이지에 장애가 "열려 있던" 시간은 일부 기능 저하까지 포함한 수치이고, 전면 중단 시간과 같지 않습니다. 더 중요한 점은, 실시간 서비스가 아니라 강의 전날 노트를 한 번 뽑는 작업이라면 장애는 나중에 다시 돌리면 끝나는 몇 분짜리 불편이라는 것입니다. - **키 순환·재처리 과금:** 사용자가 한 명뿐인 도구라면 운영 부담이라고 부를 만큼 무거운 일이 아닙니다. - **로컬의 조용한 실패:** 임도경 님이 직접 경고한 "컨텍스트 기본값 4K에서 잘림"이야말로 로컬에서 생기는 조용한 실패의 전형입니다. 유지보수가 가장 짧다는 주장을 스스로 반박하는 사례입니다. - **그대로 흡수할 것:** 그런데도 다음 세 가지는 어느 방식을 쓰든 그대로 가져가야 한다고 봅니다.

**고은찬**:

- 노트 문장마다 원문 쪽수를 붙이고, 근거가 되는 대목이 없으면 생성하지 않게 하기
  - PDF 본문은 데이터로만 다루고, 생성기에는 네트워크와 도구 권한을 주지 않기
  - 노트를 처음부터 로컬 마크다운 파일로 남기기

**고은찬**:

특히 마지막 항목은 제 1안의 약점을 정확히 찌릅니다. NotebookLM 안에서만 쌓인 노트는 구글이 정책을 바꾸는 순간 학기와 함께 갇혀 버립니다. 그러니 결과물은 주기적으로 내보내서 따로 보관하라는 조건을 붙이겠습니다.

주다은 님의 시범판 제안에서는 두 가지를 받아들입니다.
- **Docling 단계 생략:** OpenAI API가 PDF의 텍스트와 페이지 이미지를 함께 읽는다면, 제가 2순위에 붙여 둔 Docling 단계는 대부분 빼도 됩니다. 그만큼 2순위의 구축 난이도가 내려갑니다.
- **노트 수정 시간:** 측정 지표로 이것을 쓰자는 제안도 받습니다.

**고은찬**:

하지만 그 시범에는 이미 만들어진 도구라는 비교 대상이 없고, 무엇보다 학습 효과를 재는 지표가 없습니다. 요약이 정확한지와 공부가 되었는지는 서로 다른 문제입니다. 고등학생을 대상으로 한 PNAS 실험에서 연습 점수는 48% 올랐는데 AI 없이 본 시험 점수는 대조군보다 17% 낮았던 결과가 바로 그 차이를 보여 줍니다. 그래서 시범은 이렇게 짜야 합니다.
- **기간과 범위:** 한 과목에서 2주.
- **비교군:** "NotebookLM 퀴즈 방식"과 "API 자동 노트"를 나란히 놓습니다.
- **지표:** 각각 AI 없이 직접 백지 복기 테스트를 봐서 점수를 비교합니다.

이 비교를 하는 데 드는 30분이, 어떤 모델이 더 정확한지를 따지는 모든 논쟁보다 이 질문자에게 더 많은 것을 알려 줄 것입니다.

**주다은**:

가장 작은 시범은 직접 서비스를 만들지 않고 NotebookLM에 강의자료 몇 개를 넣어 보는 것입니다. 고은찬의 초안이 짚은 대로, 혼자 쓸 때는 구축과 유지가 쉬운 기존 도구가 직접 만든 API나 로컬 파이프라인보다 앞섭니다. 다만 자료 반출이 허용되는지 먼저 확인하고, 결과의 출처 표시와 수정 시간을 재십시오.

직접 구축이 필요해지면 그때 클라우드 API로 한 과목만 시험하겠습니다. 임도경의 로컬 우선 논거는 개인정보와 오프라인 사용이 핵심 요구일 때 설득력 있지만, 이미 GPU나 맥이 있다는 사실만으로 로컬 운영이 더 쉬워지지는 않습니다. 검색·색인·모델 설정과 업데이트를 직접 맡아야 합니다. 반대로 클라우드 비용이 예상보다 크거나 반출이 금지된 자료라면 로컬로 좁혀 비교하면 됩니다.

학습 효과까지 보려면 노트 품질만 재지 말고, 노트 없이 푸는 짧은 복습 문제의 성과도 함께 보십시오. 작은 도입 현장에서는 자동 생성 노트가 보기 좋다는 이유만으로 학습에 도움이 된다고 오판하기 쉽습니다.

**임도경**:

구축·유지가 1순위라면 제가  earlier에 권한 로컬 스택은 기본값이 아닙니다. 고은찬 쪽 판단이 맞습니다. 학생 한 명이 PDF를 올리고 출처 있는 노트를 받으려면 NotebookLM류 기성 도구가 파서·청크·양자화·키 순환을 통째로 없앱니다. 주다은의 클라우드 API 시범은 로컬 튜닝보다는 짧지만, 스크립트는 남고 2026년 7월 14일부터 10월 11일까지 90일간 OpenAI API 장애 72.7시간, Claude API 76.5시간(devtoollab)도 같이 떠안습니다. GPU가 이미 있다는 사실만으로 그 운영면이 사라지지는 않습니다.

**임도경**:

개인정보는 고은찬 말대로 대개 핵심이 아닙니다. 터지는 지점은 저작권과 학교의 자료 반출 금지, 그리고 미공개 원고입니다. 그 경우에는 계정을 끊은 로컬만 반경을 줄입니다. 약관은 슬라이드 주인의 권리를 대신 지켜 주지 못합니다. PDF 속 숨은 지시는 클라우드든 로컬이든 주입이 되므로, 생성기에는 네트워크와 도구를 주지 말고 본문은 데이터로만 두십시오. Bastani 외 PNAS 2025에서 보호장치 없는 GPT-4는 연습 점수만 올리고 시험은 떨어뜨렸습니다. 노트는 문장과 쪽수를 같이 남기고, 근거 청크가 없으면 생성을 거절하게 하십시오. 상태 페이지는 초록인데 배치만 죽은 사고를 노트 문장으로 다시 겪고 싶지 않습니다.

**임도경**:

결정은 이렇게 고정합니다. 일반 강의 PDF이고 반출이 허용되면 직접 만들지 말고 기성 도구를 쓰되, 결과물은 그날 로컬 파일로 빼 두십시오. 반출 금지이거나 미공개 연구가 섞이면 Ollama 로컬만 쓰십시오. 기성 도구가 막혀 있고, 같은 자료 10장에서 로컬 품질이 부족할 때만 얇은 클라우드 시범을 하고, 색인과 노트는 처음부터 내 디스크에 두어 공급사가 사라져도 학기는 이어 가게 하십시오.

**사회자**:

📊 검토 라운드 현황 — ☁️ 클라우드 API 2명 : 1명 🖥️ 로컬 LLM
조건부 합의를 통한 절충안 도출

**사회자**:

🧭 중간 점검 — 결선에서 다룰 것
이 결론은 '자료 반출 허용 여부'를 모른 채 NotebookLM 같은 기성 클라우드 도구를 1순위로 두는데, 학교나 강사가 외부 업로드를 금지하면 그 권고는 성립하지 않고 로컬이 1순위가 됩니다. 이 조건 분기를 결론의 맨 앞에 두고 어느 쪽으로 가는지 분명히 하십시오. 또 '구축·유지가 쉽다'는 주장은 장애 시간 수치와 일반론에 기대고 있어, 기성 도구의 변경·종료·사용량 제한 위험과 로컬(이미 가진 GPU나 맥) 환경의 실제 유지 부담을 같은 기준으로 비교해야 합니다. 마지막으로 노트가 시험 성과를 높이는지는 검증되지 않았으므로, 노트 품질이 아니라 노트 없이 푸는 복습 문제로 확인하라는 점을 남기십시오.
🎯 결선에서는 질문이 물은 것에, 물은 형태 그대로 답하도록 요청했어요.

### 3라운드

**사회자**:

최종 라운드 — 토론자들이 수정안을 제출하고 투표합니다.

**고은찬**:

구축과 유지가 쉬운지를 첫째 기준으로 두면, 기본값은 클라우드 LLM API입니다. 다만 학교나 강사가 강의자료를 외부 서버에 올리지 못하게 한다면, 그 순간 답은 로컬 오픈소스 LLM으로 바뀝니다. 이 조건은 성능을 더 따져 봐서 뒤집을 수 있는 것이 아닙니다. 그러니 강의계획서나 학교 정책을 확인하는 일이 GPU 사양을 보는 일보다 먼저입니다. 여기서 저는 지난 발언에서 고집하던 것 하나를 내려놓습니다. 사회자 말대로 질문은 API와 로컬 중 하나를 고르라는 것이었습니다. 기성 도구인 NotebookLM을 1순위로 세운 것은 그 질문을 피해 간 셈이었습니다. 게다가 NotebookLM도 자료를 밖으로 내보내는 방식이라 API와 같은 조건에 걸립니다. 오히려 정책 변경이나 서비스 종료, 사용량 제한이 닥치면 사용자가 손쓸 여지가 API보다도 적습니다. 그래서 NotebookLM은 별도 순위에서 빼고, API 쪽 선택지 안에서 비교 대상으로만 두겠습니다.

근거는 세 가지면 충분합니다.

**고은찬**:

- **유지 부담을 같은 기준으로 재 보면 API가 가볍습니다.** 클라우드의 위험은 장애, 키 관리, 업체의 모델 교체입니다. 그런데 강의 전날 한 번 돌리는 배치 작업에서 장애는 나중에 다시 돌리면 끝나고, 키 관리도 사용자 한 명이 감당할 만한 일입니다. 로컬은 다릅니다. 임도경 님이 스스로 경고했듯 컨텍스트 기본값 4K에서 입력이 잘려도 아무 경고 없이 넘어갑니다. 여기에 모델 교체와 런타임 업데이트, 맥이나 GPU 드라이버 문제까지 사용자가 직접 떠안아야 합니다. 클라우드는 실패하면 실패했다는 것이 드러나고, 로컬은 실패해도 조용히 지나갑니다. 혼자 운영하는 사람에게 더 위험한 쪽은 조용한 실패입니다. - **주다은 님의 제안 덕분에 구축 난이도가 한 단계 내려갔습니다.** PDF의 텍스트와 페이지 이미지를 API에 직접 넣으면, Docling 같은 전처리 단계는 거의 빠집니다. 남는 것은 세 가지 안전장치뿐인데, 이것은 어느 쪽을 택하든 그대로 가져가야 합니다.

**고은찬**:

- 노트 문장마다 원문 쪽수를 붙이고, 근거가 없으면 생성하지 않게 하기
  - PDF 본문은 데이터로만 다루고, 생성기에는 네트워크와 도구 권한을 주지 않기
  - 결과는 처음부터 로컬 마크다운 파일로 남기기

**고은찬**:

이렇게 만들어 두면 반출이 금지된 경우에도 엔진만 로컬 모델로 바꾸면 됩니다. 기본값을 API로 두어도 나중에 로컬로 옮기는 비용이 거의 들지 않는 이유가 여기에 있습니다.
- **어느 엔진을 쓰든 노트가 공부에 도움이 되는지는 아직 아무도 증명하지 못했습니다.** 고등학생을 대상으로 한 PNAS 실험에서 연습 점수는 48% 올랐는데, AI 없이 본 시험 점수는 대조군보다 17% 낮았습니다. 정확한 요약을 받는 것과 실제로 배우는 것은 다른 일이라는 뜻입니다. 그래서 확인 방법은 하나입니다. 한 과목에서 2주 동안 써 본 뒤, 노트를 덮고 백지 복기 문제를 풀어 점수를 비교하는 것입니다. 노트 수정 시간 같은 품질 지표는 그 보조로만 쓰십시오.

정리하면 선택은 이렇습니다.

**고은찬**:

- **(A) 자료 반출이 허용되거나 규정이 없는 경우:** 클라우드 API 경량 파이프라인을 씁니다. PDF를 직접 넣고, 쪽수 인용을 강제하고, 결과는 마크다운으로 저장합니다.
- **(B) 반출이 금지된 경우:** 같은 파이프라인에서 엔진만 로컬 오픈소스 LLM으로 바꿉니다. 이때는 컨텍스트 길이를 명시적으로 설정하고, 입력이 잘렸는지 검사하는 단계를 반드시 넣으십시오.

어느 경우든 이 도구의 가치는 엔진이 정하지 않습니다. 노트 없이 풀어 본 복기 점수가 정합니다. 그 점수가 오르지 않는다면 클라우드냐 로컬이냐를 다툴 이유도 남지 않습니다.

**주다은**:

자료 반출이 허용되면 클라우드 API를 기본값으로 택하고, 금지되면 로컬 오픈소스 LLM을 택하겠습니다. 구축·유지의 우선순위가 가장 높고 혼자 쓰는 상황이라, 처음부터 로컬 파이프라인을 관리하기보다 한 과목 자료로 작게 시작하는 편이 낫습니다. 반출 허용 여부는 도입 전에 확인하겠습니다.

근거는 세 가지입니다. 첫째, 클라우드는 모델과 운영 환경을 직접 관리할 일이 적습니다. 둘째, 로컬은 이미 GPU PC나 맥이 있어도 검색·색인·모델 업데이트를 맡아야 하므로 유지 부담이 남습니다. 셋째, 기성 도구의 변경·종료·사용량 제한과 클라우드 비용은 실제 사용량과 약관을 확인해야 비교할 수 있습니다. 클라우드 비용이 예상보다 크면 로컬로 전환해 한 과목에서 비교하겠습니다.

노트 품질이 좋아 보여도 학습 성과가 높아졌다고 볼 수는 없습니다. 노트 없이 푸는 짧은 복습 문제의 결과와 노트를 수정하는 데 든 시간을 함께 재고, 그 결과로 확대 여부를 정하겠습니다.

**임도경**:

기본값은 로컬 오픈소스 LLM입니다. 반출 허용이 확인되기 전에는 클라우드 API로 옮기지 않고, 허용이 확인된 뒤에도 같은 자료 10장에서 쪽수가 붙은 근거가 모자랄 때만 얇은 API 시범으로 바꿉니다. 반출 금지이거나 미공개 원고가 섞이면 그 시범의 문도 열지 않습니다. 앞서 기성 도구를 앞에 둔 판단은, 반출이 이미 허용된 학기로만 좁히겠습니다.

**임도경**:

유지의 무게는 첫 주 설치가 아니라 학기 중에 누가 멈추는가에 있습니다. 가진 GPU나 애플 실리콘에서는 런타임을 고정하고, 파서를 두고, 근거 청크가 없으면 생성을 거절하는 일이 전부인 까닭에 혼자 운영할 수 있습니다. 클라우드 API를 기본으로 두면 키 순환과 할당량, 예고 없는 모델 교체 위에, 2026년 7월 14일부터 10월 11일까지 90일간 OpenAI API 72.7시간·Claude API 76.5시간(devtoollab)이 학사 일정 옆에 붙습니다. 기성 도구의 변경·종료·사용량 제한을 같은 저울에 올리면, 반출 허가가 확인되기 전에는 그쪽이 더 가볍다는 말이 성립하지 않습니다. 자격시험 전날 만료된 API 키를 복구하느라 새벽을 쓴 적이 있는데, 모델 파일이 디스크에 있으면 그 밤은 그냥 복습으로 남습니다.

**임도경**:

PDF 속 숨은 지시는 어느 실행 위치에서나 들어가므로, 생성기에는 네트워크와 도구를 주지 말고 본문은 데이터로만 두십시오. 색인과 노트는 첫날부터 내 디스크에 두면 공급사가 멈춰도 학기는 이어집니다. Bastani 외 PNAS 2025에서 보호장치 없는 GPT-4는 연습 점수만 올리고 시험은 떨어뜨렸으니, 노트 문장을 다듬은 기분으로 끝내지 말고, 노트를 덮고 푼 복습 문제로 확인하십시오.

**사회자**:

📊 결선 라운드 현황 — ☁️ 클라우드 API 2명 : 1명 🖥️ 로컬 LLM
반출 허용 여부에 따른 조건부 입장 표명

**사회자**:

⚖️ 리스크 재검토 — 첫째, 반출 금지 여부를 확인하라는 말은 맞지만, 허용되더라도 저작권이 있는 강의자료나 타인의 발표 내용을 외부 서버에 올리는 일은 학교 정책과 별개로 문제가 될 수 있습니다. 둘째, 결론은 '실패가 드러나는 클라우드'를 전제로 하지만 실제로는 환각이나 요약 누락도 조용히 지나가므로, 쪽수 인용 강제가 그 위험을 얼마나 막는지는 검증되지 않았습니다. 셋째, 로컬 쪽 부담은 컨텍스트 잘림만 강조되었고, 요즘 로컬 도구의 기본 설정과 한 번 세팅하면 오래 쓰는 비용 구조(종량 과금 대 고정 비용)는 충분히 비교되지 않았습니다.