AI가 “책을 쓴다”는 말은 이제 새롭지 않습니다. 더 중요한 변화는 긴 답변을 한 번 생성하는 데 있지 않습니다. 사용자의 입력을 받아 기획, 구성, 집필, 검토 같은 단계를 나누고 연결하는 AI 에이전트 시스템이 책 형태의 결과물을 만든다는 점에 있습니다.
딘 W. 볼이 소개한 워크플로가 좋은 예입니다. 사용자가 앱에 역사 주제나 장소를 입력하면, 5.5 Pro가 강의계획서 형태의 프롬프트를 만들고 이를 5.5 Thinking에 넘겨 맞춤형 역사 미니북을 생성합니다. 책 한 권을 만드는 데 400만~2,000만 토큰이 쓰인다고 합니다.1
이 사례에서 봐야 할 핵심은 “AI가 책을 썼다”가 아닙니다. 책이라는 결과물을 만들기 위해 작업을 어떻게 분해하고, 어떤 모델과 도구를 어떤 순서로 연결했는가입니다.
미니북 생성의 본질은 글쓰기보다 워크플로다
단순 챗봇은 사용자의 질문에 답합니다. 반면 에이전트 시스템은 목표를 여러 단계로 나눕니다. 예를 들어 미니북 생성이라면 다음과 같은 흐름이 필요합니다.
사용자가 입력한 주제나 장소를 해석한다.
책의 범위와 목차를 설계한다.
각 장의 내용을 작성한다.
누락된 정보나 사실 오류를 점검한다.
최종 결과물을 읽기 좋은 형식으로 정리한다.
딘 W. 볼의 사례에서 5.5 Pro가 강의계획서형 프롬프트를 만들고, 5.5 Thinking이 이를 바탕으로 책을 생성하는 구조도 이 관점에서 이해할 수 있습니다. 하나의 모델이 즉흥적으로 긴 글을 쓰는 것이 아니라, 먼저 “무엇을 어떻게 다룰지”를 설계한 뒤 생성 단계로 넘기는 방식입니다.
비슷한 흐름은 다른 자동화 사례에서도 보입니다. n8n 템플릿은 책 기획, 본문 작성, 표지 생성, HTML 변환, PDF 저장까지 여러 에이전트와 클라우드 도구를 연결합니다.2 Databricks의 Custom LLM도 요약, 분류, 텍스트 변환, 콘텐츠 생성 같은 도메인 특화 텍스트 작업용 생성형 AI 에이전트를 만들 수 있다고 설명합니다.3
즉, AI 미니북의 경쟁력은 “긴 글을 생성하는 능력”만으로 결정되지 않습니다. 기획, 검색, 작성, 변환, 저장까지 이어지는 전체 파이프라인의 품질이 중요합니다.
역사 미니북에서는 최신성과 검증이 품질을 가른다
역사 주제는 오래된 지식을 다루는 것처럼 보이지만, 실제로는 최신성이 중요합니다. 최근 연구, 새로 공개된 자료, 현재 지명, 최신 논쟁이 포함될 수 있기 때문입니다. 이때 모델의 기본 지식만 믿고 책을 만들면 오류가 섞일 가능성이 커집니다.
xAI 문서에 따르면 Grok은 검색 도구가 활성화되지 않으면 실시간 이벤트나 최신 데이터에 접근할 수 없습니다. 실시간 데이터를 포함하려면 서버 측 Web Search 또는 X Search 도구를 활성화해야 합니다.4 또한 Grok 3와 Grok 4의 지식 컷오프 날짜는 2024년 11월입니다.4
따라서 역사 미니북 생성 시스템을 평가할 때는 모델 이름보다 다음 질문이 더 중요합니다.
최신 정보가 필요한 주제인지 구분하는가?
검색 도구를 연결해 필요한 정보를 가져오는가?
생성된 내용의 근거를 확인할 수 있는가?
오래된 지식과 최신 정보를 구분해 다루는가?
AI가 만든 미니북은 읽기 편한 형식으로 지식을 압축해줄 수 있습니다. 하지만 검색과 검증이 빠진다면, 그럴듯한 오류를 긴 글로 포장할 위험도 함께 커집니다.
운영에서는 모델 선택보다 재현성이 중요하다
미니북 생성은 출력 길이가 깁니다. 그래서 작은 설정 차이도 전체 품질에 큰 영향을 줄 수 있습니다. 같은 주제로 다시 생성했을 때 목차, 문체, 세부 내용이 달라지면 교육 자료나 출판용 초안으로 쓰기 어렵습니다.
xAI 문서는 모델 별칭에 대해 다음처럼 설명합니다.4
<modelname>은 최신 안정 버전을 가리킨다.<modelname>-latest는 최신 기능 접근에 적합한 최신 버전을 가리킨다.<modelname>-<date>는 자동 업데이트되지 않는 특정 릴리스를 가리킨다.
실험 단계에서는 최신 기능을 쓰는 모델이 유리할 수 있습니다. 그러나 반복 가능한 품질이 필요한 워크플로라면 날짜가 붙은 고정 릴리스를 쓰는 편이 더 안전합니다. 모델이 자동으로 바뀌면, 같은 프롬프트와 같은 입력을 사용해도 결과가 달라질 수 있기 때문입니다.
또한 xAI 문서에 따르면 grok-4.20 이상 모델은 logprobs와 top_logprobs를 지원하지 않으며, 설정해도 무시됩니다.4 이런 세부 동작은 품질 평가나 자동 검수 로직을 설계할 때 영향을 줄 수 있습니다. 미니북 생성처럼 긴 결과물을 다루는 시스템에서는 모델의 기능뿐 아니라 지원하지 않는 옵션까지 운영 기준에 포함해야 합니다.
비용도 설계 요소다
딘 W. 볼의 사례에서 책 한 권 생성에 400만~2,000만 토큰이 쓰인다는 점은 이 워크플로의 규모를 잘 보여줍니다.1 이는 단순한 채팅 답변이 아니라 대량의 컨텍스트, 계획, 생성, 재생성 과정이 포함된 작업이라는 뜻입니다.
따라서 미니북 생성 시스템을 만들거나 도입할 때는 다음을 함께 고려해야 합니다.
한 권당 예상 토큰 사용량
검색 도구 사용 여부
초안 생성과 검토 단계의 분리 여부
모델 버전 고정 여부
최종 결과물의 검수 방식
반복 생성 시 비용과 품질의 균형
AI 미니북은 사용자가 원하는 주제에 맞춰 빠르게 지식 패키지를 만들어준다는 점에서 매력적입니다. 하지만 운영 관점에서는 콘텐츠 생성 시스템이자 비용이 누적되는 자동화 파이프라인입니다.
결론: 책이 아니라 개인화된 지식 패키지다
AI가 생성하는 미니북은 완성된 저작물이라기보다 특정 주제를 빠르게 이해하기 위한 개인화된 지식 패키지에 가깝습니다. 역사 공부의 출발점, 여행 전 배경지식, 강의 자료 초안, 리서치 브리핑으로는 큰 가치가 있습니다.
다만 그대로 믿고 배포하기에는 위험합니다. 좋은 AI 미니북 시스템의 기준은 긴 글을 뽑아내는 능력이 아닙니다. 주제를 잘 분해하고, 필요한 경우 최신 정보를 검색하며, 사실을 검증하고, 모델 버전을 고정하고, 비용을 관리하는 전체 워크플로가 갖춰져야 합니다.
결국 이 기술의 의미는 “AI가 책을 대신 쓴다”가 아닙니다. 사용자의 관심사를 구조화된 학습 자료로 바꾸는 새로운 지식 생산 방식이 등장하고 있다는 데 있습니다.
참고
1AI Agent System Generates Mini-Books On Historical Topics Automatically
2Create AI-generated books with GPT-4.1-mini, DALL-E, Google Drive and AWS S3
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.