시즌 2-8편. Gemini Deep Research는 정말 리서치를 대신해줄까

 

지난 편에서는 Claude Projects의 편함을 이야기했습니다. 컨텍스트를 재사용 가능한 단위로 저장해두면 매번 배경을 다시 알려주지 않아도 되어 편하다는 관찰이었죠.

오늘은 그 흐름에서 살짝 방향을 틀어, 요즘 자주 등장하는 또 다른 AI 기능을 실제로 굴려보려 합니다. Google이 만든 Gemini의 Deep Research 기능입니다. 이름 그대로 리서치를 대신해준다고 하는데, 저는 이게 정말 그런지 궁금했습니다. "리서치를 대신한다"는 표현이 마케팅 문구인지, 아니면 실제로 그렇게 쓸 수 있는 수준인지, 특정 주제 하나를 던져놓고 결과를 뜯어봤습니다.

오늘은 그 실험의 기록입니다.

리서치를 대신해준다는 걸 검증하려면 기준이 있어야겠죠. 저는 이렇게 정했습니다.

• 주제: "AI 에이전트 개발자 채용 시장의 최근 흐름"
• 목적: 시즌 2 마무리 편(20편)의 배경 자료 확보
• 기준 세 가지
• 정확성: 사실관계가 맞는가, 최신 정보인가
• 깊이: 표면적인 요약을 넘어 인사이트가 있는가
• 재사용성: 결과물을 그대로 쓸 수 있는가, 손질이 얼마나 필요한가

같은 주제를 세 방식으로 던져봤습니다.

• A: 그냥 Gemini에 던지기 (일반 대화)
• B: Gemini Deep Research 사용
• C: 직접 검색해서 리서치 (사람 기준선)

🎯 Gemini Deep Research가 정확히 뭘 하는지부터

한 문장으로 정리하면 이렇습니다.

Gemini Deep Research는 하나의 리서치 요청을 여러 단계로 쪼개어, 웹을 여러 번 검색하고 결과를 조합해 리포트 형태로 정리해주는 기능입니다.

핵심은 **"여러 단계로 쪼갠다"**는 부분입니다. 그냥 한 번 검색하고 그 결과로 답하는 게 아니라, 리서치 계획을 먼저 세우고, 여러 검색을 병렬로 돌리고, 결과들을 종합해 리포트를 씁니다. 시즌 2-3편에서 다뤘던 AI 에이전트의 감각이 여기서 나타납니다. 그냥 답하는 게 아니라 실행을 하는 것이죠.

🍳 요리 비유로 다시 정리하면

시즌 2-4편에서 자주 썼던 요리 비유를 이번에도 이어보겠습니다.

• 일반 검색이나 챗봇 질문: 편의점에서 삼각김밥 하나 사기. 즉시 결과, 대신 다양성은 없음
• Deep Research: 셰프에게 "이 재료로 코스 요리 준비해줘"라고 부탁. 재료 검토, 순서 설계, 완성까지 알아서 진행. 대신 시간이 걸림

Deep Research는 실행을 마치는 데 5분에서 15분 정도 걸립니다. 그 시간 동안 웹 검색 수십 번을 스스로 돌리고, 결과를 정리합니다. 속도가 아닌 결과물의 밀도로 승부하는 도구입니다.

🛠️ A/B/C 실험 결과를 하나씩 살펴보면

A방식: 그냥 Gemini에 던지기

기본 대화창에 "AI 에이전트 개발자 채용 시장의 최근 흐름을 정리해줘"라고 한 번 던졌습니다.

결과는 이렇습니다.

• 길이: 대략 A4 반 페이지 정도
• 내용: "AI 에이전트가 뜨고 있고, LLM 지식이 필요하며, 채용이 늘고 있다"는 원론적 서술
• 출처: 없음. 어디서 나온 얘기인지 알 수 없음
• 인사이트: 특별한 발견 없음. 뉴스에서 대충 들어본 정도의 이야기

솔직히 실망스러웠습니다. 이 결과로는 블로그 원고에 쓸 만한 문장이 하나도 안 나옵니다. 일반 챗봇 질문은 리서치가 아니라 요약이라는 것을 다시 확인했습니다.

B방식: Gemini Deep Research

같은 주제를 Deep Research 모드로 전환하고 던졌습니다. Gemini는 먼저 리서치 계획을 화면에 보여줍니다.

계획은 이런 식이었습니다.

• AI 에이전트 개발자의 정의와 필요 스킬
• 최근 채용 공고의 요구사항 분석
• 주요 기업들의 AI 에이전트 팀 확장 현황
• 연봉 수준과 지역별 차이
• 향후 1~2년 전망

이 계획을 승인하면 Gemini가 각 항목별로 여러 번의 웹 검색을 스스로 돌립니다. 화면에는 "지금 검색 중인 것"이 실시간으로 표시됩니다. 검색이 다 끝나면 리포트 형태의 문서로 결과를 정리합니다.

이번 실험에서는 대략 8분 정도 걸렸습니다. 결과물은 이렇습니다.

• 길이: A4 4~5페이지 분량
• 구조: 계획대로 5개 섹션. 각 섹션마다 여러 출처의 정보 종합
• 출처: 각 문장 옆에 참고한 웹페이지가 링크로 붙어 있음 (이게 결정적)
• 인사이트: "LLM 훈련 경험보다 실제 에이전트 아키텍처 설계 경험을 우선하는 채용 공고가 늘고 있다" 같은 관찰들. 근거가 되는 채용 공고 링크가 함께 붙어 있음

여기서 결정적인 차이가 나옵니다. 출처가 링크로 붙어 있다는 것입니다. 저는 그 링크를 하나씩 열어보고, 실제로 그 얘기가 그렇게 나와 있는지 확인할 수 있었습니다. 사실관계가 맞는지 스스로 검증할 수 있는 도구가 되는 것이죠.

C방식: 사람이 직접 검색

같은 주제를 저는 검색 엔진에서 직접 찾아봤습니다. 걸린 시간은 대략 1시간 30분. 이 시간 동안 저는 이런 것들을 했습니다.

• 채용 사이트 세 곳에서 "AI 에이전트" 검색
• 관련 뉴스 열댓 개 훑어보기
• 개발자 블로그와 뉴스레터 이슈 몇 개 확인
• 정리하면서 반복적으로 나오는 키워드 뽑기

결과는 만족스러웠지만 시간이 부담이었습니다. 그리고 솔직히 제가 놓친 자료도 많았을 겁니다.

📊 세 방식 비교

세 방식을 한 표로 정리하면 이렇습니다.

구분 A. 일반 챗봇 B. Deep Research C. 사람 직접

소요 시간	30초	5~15분	1~2시간
결과 밀도	낮음	높음	매우 높음
출처	없음	문장별 링크	사람이 직접 관리
최신성	학습 시점 기준	실시간 검색	실시간
인사이트	원론적	상당 수준 있음	사람의 판단에 따라
재사용성	낮음	높음(검증 후)	매우 높음
비용	낮음	중간	시간 비용 큼

💭 그래서 리서치를 대신해주는가

솔직한 저의 결론은 이렇습니다.

"70~80%까지는 대신해준다. 그러나 나머지 20~30%는 여전히 사람 몫이다."

Deep Research가 잘하는 것과 못하는 것을 구분해서 정리해보겠습니다.

잘하는 것

• 넓게 훑기: 사람이 놓치기 쉬운 자료들을 검색으로 다 걸러줍니다
• 초기 지형 파악: "이 주제에는 어떤 서브 토픽이 있는지" 감을 잡을 때 매우 유용
• 출처 링크 정리: 각 문장이 어떤 근거에서 나왔는지 그대로 확인 가능
• 시간 절약: 사람이 1시간 걸릴 초기 조사를 5~15분에 압축

여전히 사람 몫

• 판단: "이 자료가 신뢰할 만한가?"는 사람이 봐야 합니다. Deep Research는 자료를 잘 찾지만, 그 자료의 편향까지 판단하지는 못합니다
• 좁고 깊이 있는 통찰: 특정 회사의 내부 사정, 업계 인사만 아는 뉘앙스 같은 것은 여전히 대화와 관찰의 영역
• 최신 이슈: 이번 주에 터진 이슈, 아직 뉴스로 정리되지 않은 흐름은 여전히 사람이 커뮤니티를 봐야 잡힘
• 자기 관점: 리서치 결과에서 뭘 골라 어떻게 조합할지는 결국 사람의 판단

💭 그럼 언제 어떤 방식을 쓸까

몇 주 굴려보면서 저는 이렇게 나눠 씁니다.

• 가벼운 질문, 즉시 답 필요 → 일반 챗봇
• 처음 다루는 주제, 30분~1시간 리서치 예정 → Deep Research를 먼저 돌리고, 결과를 지도 삼아 사람이 깊이 파기
• 이미 잘 아는 영역, 정확도가 가장 중요 → 여전히 사람 직접
• 연구 리포트나 배경 자료가 필요한 발표 준비 → Deep Research + 사람 검증 조합

가장 잘 쓰는 방법은 두 번째, 즉 Deep Research를 리서치의 지도로 쓰는 것이었습니다. 이 도구가 나에게 어떤 서브 토픽이 있는지, 어떤 출처를 봐야 하는지를 알려주면, 저는 그 지도 위에서 필요한 부분만 깊게 파고들면 됩니다. 초기 진입 비용을 극적으로 줄여주는 도구인 것이죠.

🔗 다른 개념들과의 연결

시즌 2에서 지금까지 다뤘던 개념들과 연결해보면, Deep Research의 자리가 더 명확해집니다.

• 시즌 2-3편의 AI 에이전트 관점: Deep Research는 리서치라는 하나의 목표를 위해 여러 단계(계획, 검색, 종합)를 스스로 실행하는 에이전트의 좋은 예시입니다
• 시즌 2-4편의 컨텍스트 엔지니어링 관점: 사용자가 리서치 요청을 짧게 던져도 Deep Research가 스스로 컨텍스트를 확장해 나갑니다. 컨텍스트 자체 생성 능력이 있는 셈이죠
• 시즌 2-5편의 MCP 관점: 만약 사용자의 회사 문서와도 연결된다면 훨씬 강력해질 것입니다. 실제로 몇몇 도구는 이미 사내 문서까지 참고하는 방향으로 확장 중입니다

🎯 Technical Writer와 DevRel 관점에서

이 대목은 저에게 정말 중요한 관찰이었습니다. Deep Research 같은 도구가 확산될수록, 리서치 결과물의 정리 형식이 새로운 문서 장르로 자리잡게 됩니다.

• 어떤 출처를 어떻게 표기할 것인가
• 신뢰도가 다른 자료를 어떻게 구분해 보여줄 것인가
• 사람의 검증이 들어간 부분과 AI가 정리한 부분을 어떻게 표시할 것인가

이건 시즌 1에서 다뤘던 좋은 문서의 조건과 그대로 겹칩니다. 독자(팀원, 상사, 채용 담당자)가 이 리포트를 얼마나 신뢰하고 활용할 수 있는가가 결국 문서의 가치죠. AI가 초안을 만들어주는 시대일수록, 그 위에 신뢰의 층을 얹는 사람의 자리는 커집니다. DevRel과 Technical Writer로 옮겨가는 여정에서, 저는 이 자리를 눈여겨보고 있습니다.

📌 정리

• Gemini Deep Research란: 리서치 요청을 여러 단계로 쪼개, 웹을 여러 번 검색하고 결과를 리포트로 정리해주는 기능
• 핵심 감각: 속도가 아닌 결과물의 밀도. 5~15분 걸리고 출처 링크가 문장마다 붙는다
• 실험 결과: 일반 챗봇 대비 압도적 밀도, 사람 직접 대비 시간 이득. 다만 판단과 좁은 통찰은 여전히 사람 몫
• 잘 쓰는 방법: 리서치의 초기 지도로 삼기. 이 지도 위에서 사람이 필요한 부분만 깊게 판다
• 다른 개념과의 연결: AI 에이전트의 좋은 사례, 컨텍스트 자체 생성, MCP와 결합 시 잠재력 큼
• 문서 관점: 신뢰 층을 얹는 사람의 자리가 새로 열리는 중

다음 글에서는 리서치 이야기의 연장선에서, Perplexity와 ChatGPT 검색은 뭐가 다른지 직접 비교해보겠습니다. 요즘 검색 도구가 부쩍 늘고 있는데, 이 둘의 성격 차이가 명확하게 보이는 실험을 준비했습니다.

읽어주셔서 감사합니다.

---

TAG: #GeminiDeepResearch #AI리서치 #딥리서치 #Gemini #AI에이전트 #DevRel준비 #DocsToDevRel #TechnicalWriter #비전공자 #AI도구비교