학습 목표
•
생성형 AI가 기록정보서비스에 적용되는 주요 유스케이스와 위험을 이해한다.
•
바이브 코딩의 개념과 한계를 이해하고, 프로토타이핑 도구로서 적절히 위치시킨다.
•
팀별 프로토타입의 요구사항을 정의하고 첫 버전을 생성한다.
1. 생성형 AI와 아카이브: 유스케이스
국내외 국가기록기관들은 생성형 AI를 서비스 전 과정에 실험하고 있다.
•
검색 개선: 미국 NARA는 방대한 비정형 기록의 검색 품질 향상에 생성형 AI를 적용하고, AI 활용 사례 목록(use case inventory)을 공개해 투명성을 확보하고 있다[1].
•
기술(記述) 지원: 영국 TNA는 온라인 카탈로그의 기록 기술 요약 생성, 수기·인쇄 텍스트 전사(HTR/OCR), 민감성 검토 지원 등을 탐색하며, 정부의 생성형 AI 프레임워크 등 책임 있는 활용 지침을 따른다[2].
•
참고 안내: 개관·절차 안내 챗봇, 소장 컬렉션 기반 질의응답(RAG) — 출처를 함께 제시하는 설계가 핵심.
•
콘텐츠 제작: 요약, 번역, 쉬운 언어 변환, 전시 텍스트 초안.
위험: 환각(사실 아닌 답변), 학습·입력 데이터의 개인정보 유출, 편향 재생산, 출처 불명 콘텐츠의 신뢰 훼손. 따라서 ① 사람의 검수(human-in-the-loop), ② 출처 연결, ③ AI 사용 표시(투명성), ④ 민감 데이터 입력 금지 원칙이 서비스 설계에 내장되어야 한다.
2. 바이브 코딩이란
바이브 코딩(vibe coding)은 2025년 2월 카파시(Andrej Karpathy)가 명명한 개발 방식으로, 자연어로 요구를 설명하면 LLM이 코드를 생성하고, 개발자는 코드를 줄 단위로 검토하기보다 실행 결과를 보며 반복 개선하는 접근이다[3]. 비전문가도 빠르게 프로토타입을 만들 수 있어 진입장벽이 낮지만, 코드 품질·보안·유지보수성의 위험이 지적된다[4]. 본 강의에서 바이브 코딩의 위치는 명확하다: 운영 시스템이 아니라, 이용자 연구-서비스 기획을 검증하는 프로토타이핑 도구다. 시몬 윌리슨의 구분처럼, 결과물을 검토·이해하며 쓰는 순간 그것은 'AI 보조 개발'에 가까워진다 — 수업에서는 결과 검증과 한계 인식을 필수로 요구한다.
3. 실습: 프로토타입 v0.1
준비물: 노트북, 생성형 AI 도구(Claude, ChatGPT 등), 8주에 승인된 팀 기획안.
진행 순서
1.
요구사항 1장 정리: 대상 이용자 / 해결할 문제 / 핵심 기능 3개 / 데이터 소스(공개 메타데이터·API·샘플 CSV) / 화면 흐름
2.
프롬프트 설계: 역할 부여 → 맥락(데이터 구조 예시 포함) → 요구 기능 → 제약(개인정보 미포함, 출처 표시) 순으로 작성
3.
생성-실행-피드백 루프: 작은 단위로 요청하고, 실행 결과·오류 메시지를 그대로 전달하며 반복
4.
v0.1 데모: 수업 말미에 각 팀 3분 데모, 상호 피드백(다음 주 반영)
프로토타입 예시 주제: 검색도구 탐색 도우미 챗봇(RAG), 컬렉션 시각화 대시보드, 계보 연구자용 이름 검색 인터페이스, 공개재분류 일정 알림 도구, 쉬운 언어 해제 생성기(검수 워크플로 포함)
토론 질문
•
아카이브 챗봇이 틀린 답을 했을 때 책임은 누구에게 있는가? 면책 문구로 충분한가?
•
'기록 전문직의 도구'로서 바이브 코딩은 어떤 역량(데이터 이해, 요구 정의, 검증)을 새로 요구하는가?
수업 운영 (3시간)
교시 | 내용 |
1교시 (60분) | 강의: 생성형 AI 유스케이스와 위험, 바이브 코딩 개념과 한계 |
2교시 (40분) | 문헌 발표 2건 + 토론 |
3교시 (70분) | 실습: 프로토타입 v0.1 제작 (본문 3절 순서대로) |
발표 문헌
1.
NARA, "Inventory of NARA Artificial Intelligence (AI) Use Cases" (https://www.archives.gov/ai) — 사례 목록을 분석하여 서비스 영역별로 분류·발제.
2.
Isto Huvila, "Letting AI Loose in an Archive: Technology to Manage or to Manage With," Archiv, Theorie & Praxis 75 (2025): 12-15 — 비판적 관점 발제.
실습 체크포인트 (v0.1 종료 조건)
•
핵심 기능 1개가 데모 가능한 상태(완성도보다 동작 우선)
•
사용한 프롬프트를 팀 노션에 복사해 둔다(13주 AI 사용 명세서의 재료)
•
개인정보가 포함된 데이터를 입력하지 않았는지 점검
•
다음 주까지 할 일(기능 2·3, 데이터 연결)을 이슈로 등록
각주
[1] NARA, "Inventory of NARA Artificial Intelligence (AI) Use Cases," https://www.archives.gov/ai ; FedScoop, "National Archives getting a big boost from AI to transform its search capabilities" (2024.10.).
[2] UK Parliament, Written Answers on The National Archives' AI use (2025.2.4.) — 카탈로그 기술 요약 생성, 수기 기록 전사, 평가·선별·민감성 검토 지원 등을 명시.
[3] Andrej Karpathy, X(Twitter) post (2025.2.); IBM, "바이브 코딩이란 무엇인가" 해설 참조.
[4] IBM(위 글)은 코드 품질·디버깅·유지보수 문제를, Simon Willison은 '검토 없는 수용'이라는 정의적 특징과 그 위험을 지적한다. 보안 취약점·기술부채 사례 보고도 늘고 있다.