1인 창업자의 핸디캡을 AI & 옵시디언 볼트 지식 시스템으로 극복 (1)

📝 한줄 요약

체계적인 CMDS 옵시디언 시스템 파일 5개를 BM삼아서 클로드 코드에게 주고 "우리 사업에 맞게 커스터마이즈해줘"라고 했더니, 34개 지식 체계 + 5개 시스템 파일이 완성됐다. 가장 큰 변화는 폴더내에 방치된 수 많은 파일들이 카테고리 스티커를 가진 후에 지식이 연결되는 흐름이 보이기 시작했다. 정리하고 편집하는 knowledge만이 진정한 내 지식이다. 집중되고 확장되는 나의 지식의 자산이 기대가 되어진다. 볼트의 BL Process(Discover → Ground → Build → Deliver)가 이 문제를 해결해줬다. 핸디캡이 줄어드는 건 능력이 늘어서가 아니라, 시스템이 능력의 빈자리를 채워주기 때문이다.

😫 문제 상황 (Before)

기존에도 옵시디언 볼트를 가지고 있었다. "B2B book writing"이라는 이름의 볼트에 156개 파일이 들어있었는데, 솔직히 말하면 그냥 메모장이었다. 폴더 구조도 초보적이었고, 파일끼리 연결을 시도하긴 했지만, 의미의 연결이 안 되어 있어서 어떻게 데이타베이스를 활용할지 몰랐다.

문제는 사업이 커지면서 생겼다. 투자행동연구소(BehaviorLab)라는 product를 만들고 있는데, 이 사업은 동시에 여러 영역을 다뤄야 한다:

• 연구: 행동재무학 이론, 논문, 데이터 분석

• 제품: Rails 웹앱 개발, BI(행동지표) 엔진, AI 코칭

• 콘텐츠: 블로그, 뉴스레터, 전자책

• 사업: 사업계획서, 창업지원사업, 증권사 파트너십

이 모든 지식이 머릿속과 여기저기 자동화 파일폴더들에 흩어져 있었다. Rails 프로젝트에는 개발 문서가, 로컬 PC에는 사업 서류가, 옵시디언에는 초보적인 메모가. 필요한 정보를 찾으려면 "이거 어디에 적어뒀더라?" 하면서 이 폴더 저 폴더를 뒤져야 했다.

그러던 중 CMDS의 옵시디언 시스템 파일 5개를 공유받았다. 깔끔한 철학, 치밀하고 방대한 카테고리 구조, 명확한 규칙, AI와 협업하기 위한 가이드까지.

🛠️ 사용한 도구

• Claude Code: 파일 생성, 구조 설계, 실행 담당 (메인 도구)

• Gemini: 구조 제안, 철학 설계, "Less is More" 린 아키텍처 제안 (서브 도구)

• 모델: Claude Opus, Gemini

• 옵시디언: 최종 결과물이 저장되는 지식 관리 앱

🔧 작업 과정

최고의 BM을 뜯어보는 것에서 시작했다

옵시디언을 활용해서 BehaviorLab의 지식관리 프로젝트를 하고 싶은데,
첨부된 시스템 파일들을 리뷰해보고 우리 지식관리 프로젝트를 위해
커스터마이즈할 수 있는 부분이 뭔지 제안해줘.
첨부된 파일은 CMDS라는 곳의 시스템 파일이야.

Claude Code가 CMDS 시스템 파일 5개(철학 문서, AI 가이드, 운영 표준, 네비게이션 허브, 에이전트 가이드)를 분석하고, 동시에 내 기존 B2B 볼트 156개 파일도 전부 읽었다. "BM체계"와 "내 현실"을 동시에 파악한 셈이다.

이 과정에서 "리버스 엔지니어링"이라는 표현이 딱 맞았다. CMDS가 왜 이 구조를 만들었는지, 어떤 철학이 깔려있는지를 AI가 분석해주니까, 단순히 폴더 구조를 복사하는 게 아니라 설계 의도까지 이해하고 우리 상황에 맞게 변형할 수 있었다.

카테고리를 설계하는데 AI의 도움을 받았다

카테고리 구조를 잡는 건 Claude Code만으로는 부족했다. 이 부분에서 Gemini를 활용했다. Gemini에게 우리 사업의 특성을 설명하고, Behavior Lab (BL) Process라는 워크플로우 구조를 제안받았다.

핵심은 Discover → Ground → Build → Deliver라는 4단계 프로세스다:

• Discover (탐색): 고객의 pain point를 발견하고 질문을 구조화

• Ground (근거): 행동재무학 이론과 학술 근거를 쌓기

• Build (구축): 데이터 수집 → 시스템 구축 → 제품 경험 설계

• Deliver (전달): 콘텐츠, 논문, 사업으로 가치 전달

이 구조를 Gemini가 제안하면, Claude Code가 실제 파일과 폴더로 만들어주는 방식으로 역할을 나눴다. 각 AI의 강점이 다르다는 걸 체감한 순간이었다.

66개를 만들었다가 과감하게 줄였다

여기서 첫 번째 벽을 만났다. CMDS 9개 대분류 아래 서브카테고리를 만들기 시작했는데, 순식간에 66개가 됐다. 분류가 상세할수록 좋다고 생각했는데, 막상 만들어놓고 보니 관리가 안 될 게 뻔했다.

서브 카테고리 전부 테이블로 보여줘.

66개 서브카테고리 목록을 보는 순간 "이건 아닌데..."라는 느낌이 왔다. 그래서 Gemini에게 다시 물었고, Gemini가 "린(Lean) 아키텍처"를 제안했다.

핵심 메시지는 "Less is More". 66개를 25개로 줄이자는 거였다. 처음엔 "너무 줄이는 거 아닌가?" 걱정됐지만, 각 대분류(📖)마다 서브카테고리(📚)를 2~3개씩만 두는 구조가 훨씬 깔끔했다.

린(Lean) 아키텍처 (9📖 + 25📚 = 34개)로 볼트를 전면 재구성할까요?
→ 이대로 진행

기존 74개 파일을 삭제하고, 34개로 다시 만드는 과정이 진행됐다. 과감하게 줄이는 결정이 이 프로젝트에서 가장 중요한 순간이었다.

유저.md 포함 시스템 파일 5개가 볼트의 뼈대가 됐다

린 구조가 확정된 후, 시스템 파일 5개를 만들었다. 각각 다른 역할을 한다:

특히 인상적이었던 건 헤드쿼터 구조와 메타데이터, 위키링크가 실제로 연결되는 것이었다. 예를 들어 📚 301 User Data 노트에서 BL: "[[📖 300 Data & Intelligence]]" 라고 적으면, 상위 카테고리와 자동으로 연결된다. 기존 볼트에서는 상상도 못 한 일이었다.

노트를 쓸 때 따르는 규칙 (이것만 지키면 자동으로 연결된다)

결과물: 볼트 상세 구조 (9📖 + 25📚 = 34개 카테고리)

핵심: 노트를 만들 때 메타데이터 6개를 채우고, BL: "[[📚 301]]" 스티커 한 줄만 붙이면, 이 34개 카테고리 안에서 자동으로 연결되고 분류된다.

근데 이 구조와 시스템, 하나도 이해가 안 됐다, 내 말로 다시 이해함

솔직히 말하면, CMDS의 시스템 파일 5개를 정독을 했고 내 유저md도 만들고 나서도 "이게 정확히 어떻게 돌아가는 건데?"라는 의문이 남았다. 특히 폴더(00~90)와 카테고리(100~900)가 따로 있다는 게 혼란스러웠다. 분명 폴더로 정리했는데, 카테고리도 따로 있고, 위키링크라는 것도 있다. 뭐가 뭔지 모르겠는 거다.

Claude에게 "중학생도 이해할 수 있게 설명해줘"라고 했더니, 이런 비유가 돌아왔다:

폴더 = 서랍장: 파일을 물리적으로 어디에 넣을까?
카테고리 = 스티커: 이 파일은 무슨 내용이야? aliases와 tag는 무슨 차이야?

예를 들어 "사업계획서 v3"라는 파일이 있으면:

• 서랍: 40-Docs/ 폴더에 넣는다 (문서니까)

• 스티커: BL: "[[📚 901 Strategy]]" 한 줄 적는다 (사업 전략 내용이니까)

서랍장만 쓰면 파일을 한 곳에만 넣을 수 있다. "사업계획서는 문서함? 사업함? 완성품함?" 고민해야 한다. 하지만 스티커를 같이 쓰면, 서랍 어디에 넣든 스티커로 찾을 수 있다.

그리고 옵시디언에는 백링크라는 기능이 있다. 📚 901 Strategy 페이지를 열면, "이 스티커가 붙은 노트 목록"이 자동으로 나타난다. 일일이 목록을 관리할 필요가 없다. 스티커만 붙이면 옵시디언이 알아서 모아준다.

이 "서랍 + 스티커" 이중 구조를 이해한 순간, 볼트의 설계 의도가 한 번에 들어왔다. 체계를 AI가 만들어줬지만, 그걸 자기 말로 다시 이해하는 과정이 반드시 필요하다는 걸 깨달았다.

인터뷰 파일로 나의 워크플로우를 재정립하고, fly wheel을 돌렸다

CMDS에는 인터뷰 파일이라는 독특한 문서가 있었다. 12개 질문에 답하면서 "나는 누구인지, 어떤 일을 하는지, 어떤 워크플로우로 일하는지"를 정리하는 문서다. 이걸 나의 사업에 맞게 만들었다. 처음에는 CMDS를 벤치마크해서 연구 중심으로 워크플로우를 정리했는데, 다시 생각해보니 우리 사업의 핵심은 학술 연구가 아니라 고객의 pain point를 먼저 발견, 해결하는 것이었다.

8번에서 주로 워크플로우는 연구나 논문을 읽고 하는 것들보다는
사업을 위해서 고객의 pain point를 먼저 발견하는 것에 집중하길 바래

이 수정을 통해 핵심 워크플로우가 명확해졌다:

1. 고객 Pain Point 발견 → 가설 수립

2. 데이터 수집 → KIS API, 거래내역 CSV

3. 개입 실행 → AI 코칭, 넛지

4. 변화 분석 → 행동지표 전후 비교

5. 가치 입증 → 실제 행동이 바뀌었는지 검증

이 5단계 행동변화 검증 사이클이 볼트의 구조에도 그대로 반영됐다. 300(데이터) ↔ 600(제품) 사이의 플라이휠이 돌아가는 구조다.

SEMICON Korea 콘텐츠로 실전 검증했다

구조를 만드는 것과 실제로 쓸 수 있는 것은 다른 문제다. 이걸 검증하기 위해 SEMICON Korea 2026 컨퍼런스 자료 21개를 새 볼트로 마이그레이션해봤다.

기존에 있는 SEMICON Korea 지식 콘텐츠부터 샘플로
볼트 구조에 맞춰서 다시 이관 분류 정리해줘

Claude Code가 13개 세션 요약 노트 + 8개 주제별 분석 노트를 만들고, 각각에 메타데이터(type, author, tags, BL 카테고리)를 붙여서 적절한 위치에 배치했다. 반도체 시장 분석 노트는 📚 302 Market Intelligence로, 문헌 리뷰 노트는 📚 203 Literature로 자동 분류됐다.

이 과정에서 "만든 구조가 실제로 작동한다"는 확신이 생겼다. 어떤 콘텐츠든 9개 카테고리 중 하나에 자연스럽게 들어갔다.

✅ 결과 (After)

Before vs After

가장 큰 변화: 방치된 지식이 연결되기 시작했다

기존 볼트에는 156개 파일이 있었지만, 서로 아무런 관계가 없었다. 논문 메모는 논문 메모대로, 사업 아이디어는 아이디어대로 각자 서랍 속에 묻혀있었다. 스티커(카테고리)가 없었으니 당연한 결과다. 파일이 많다고 지식이 되는 게 아니라, 연결되어야 지식이 된다.

카테고리 스티커를 붙이기 시작하자, 그동안 방치되어 있던 자료들 사이에서 패턴이 보이기 시작했다. "Prospect Theory 논문 메모(📚 201)"와 "손절 못 하는 고객 데이터(📚 301)"와 "LCA 알고리즘 설계(📚 401)"가 하나의 흐름으로 이어졌다. 예전에는 이 세 파일이 각각 다른 폴더에 묻혀서 서로의 존재를 몰랐다.

정리하고 편집하는 것만이 진정한 내 지식이다

남의 논문을 읽고 밑줄 친다고 내 지식이 되지 않는다. 뉴스를 클리핑한다고 인사이트가 생기지 않는다. 내가 직접 스티커를 붙이고, 맥락을 적고, 다른 노트와 연결하는 그 편집 과정 자체가 지식을 내 것으로 만드는 행위다.

옵시디언 볼트는 결국 편집 가능한 카드들의 데이터베이스다. 카드를 많이 만들수록, 그리고 카드 사이의 연결을 많이 만들수록 편집 실력이 올라간다. 축적된 자료가 나만의 데이터베이스가 되고, 그것을 편집하는 능력 자체가 실력이 된다.

워크 프로세스 강화 — 나의 핸디캡이 극복된다

1인 창업자는 핸디캡이 많다. 연구도, 개발도, 콘텐츠도, 사업도 혼자 해야 한다. 머릿속 용량이 부족하고, 맥락 전환 비용이 크고, "이거 어디에 적어뒀더라?" 하면서 시간을 낭비한다.

볼트의 BL Process(Discover → Ground → Build → Deliver)가 이 문제를 해결해줬다. 어떤 작업을 하든 "지금 나는 어느 단계에 있는가?"가 명확하다. 고객 인터뷰를 정리하면 Discover(100), 논문을 읽으면 Ground(200), 코딩하면 Build(400~600), 글을 쓰면 Deliver(700). 머릿속에서 맴돌던 워크플로우가 시스템으로 고정되니까, 맥락 전환이 빨라지고, "다음에 뭘 해야 하지?"라는 고민이 사라졌다.

핸디캡이 줄어드는 건 능력이 늘어서가 아니라, 시스템이 능력의 빈자리를 채워주기 때문이다.

🚀 앞으로의 계획

이 볼트는 단순한 메모 앱이 아니다.
1단계. 중요 콘텐츠 이관 매핑과 이관 (docs/ → 📚)

현재 Ubuntu WSL 환경의 docs/의 45+ 개발과 사업문서, 컨텐츠들을 Obsidian 25개 📚 카테고리에 어떻게 매핑할지 전략 플래닝과 이행

2. 3주 후 최종 결과
앞으로 50명 고객 행동변화 검증 플라이휠의 중심이 될 예정이다:

1. 가설 설정: 50명 고객의 투자 행동 패턴에서 문제점 발견

2. 데이터 수집: KIS API를 통한 실제 거래 데이터 수집

3. 개입 실행: AI 코칭, 넛지를 통한 행동 교정 시도

4. 변화 분석: 행동지표(BI) 전후 비교로 실제 변화 측정

5. 가치 입증: "이 서비스 덕분에 행동이 진짜 바뀌었다"는 증거 확보

이 5단계 사이클이 반복될수록 볼트에 데이터가 쌓이고, 쌓인 데이터가 더 나은 가설을 만든다.

도움받은 글:
CMDS 시스템 파일 5개, 구요한님과 이태극님 강의