NotebookLM은 업로드한 PDF·유튜브·URL 안에서만 답하고 답마다 출처 번호를 단다. 답의 범위가 내 자료로 묶이므로 질문 생성·문제 출제·퀴즈까지 AI에 맡길 수 있다. 무료판 한도(노트북당 소스 50개, 일일 사용량 제한)가 팀 자료 규모에 맞는지 먼저 본다.
이 글은 2026년 2월 기준이다. 링크드인 글, 유튜브 영상, 뉴스레터가 "나중에 봐야지" 목록에 쌓이고, 목록은 줄지 않는다. 2월 27일 원문에서 우리는 이 상태를 FOMO라고 불렀고, 해결 도구로 구글이 만든 NotebookLM을 들었다. 볼 지점은 기능 목록이 아니라, 자료를 넣은 뒤 첫 프롬프트로 요약을 시키지 않는다는 사실이다.
ChatGPT나 Gemini에 링크를 던지고 요약을 받으면 빠르다. 문제는 그 다음이다. 어느 문장이 자료에서 왔고 어느 문장이 모델의 일반 지식인지 구분할 수 없어, 확인 시간이 읽는 시간보다 길어진다. 서울핀테크랩 400명 교육의 사전 설문에서도 "AI가 준 정보가 맞는지 확인하는 데 시간이 더 든다"는 응답이 반복됐다.
NotebookLM은 이 비용을 모델을 키워서가 아니라 답의 범위를 좁혀서 줄인다. 그래서 이 글의 질문은 "무료로 뭐가 되나"가 아니라, 범위가 묶일 때 학습 절차가 어떻게 달라지는가다.
답의 범위를 내가 넣은 자료로 묶는 것이 기능이고, 메커니즘은 RAG다
NotebookLM은 구글 계정만 있으면 설치 없이 브라우저에서 무료로 쓴다. 소스는 Google 문서·슬라이드, PDF, 웹페이지 URL, YouTube 링크(자막 기반), 직접 붙여 넣는 텍스트, 오디오 파일 여섯 가지이고, 무료판에서 노트북당 소스 50개, 소스당 50만 자까지 들어간다.
일반 챗봇과 다른 점은 하나다. 답을 인터넷이 아니라 내가 올린 소스 안에서만 찾고, 답마다 출처 번호를 붙여 클릭하면 원문 위치로 간다. 원문은 이 구조를 오픈북 시험에 비유한다. 교과서를 옆에 두면 빈 대목을 지어내지 않고, 몇 페이지에서 가져왔는지까지 말할 수 있다.
이 동작의 기술 명칭이 RAG인데, Retrieval Augmented Generation의 약자로 답을 쓰기 전에 검색을 한 번 끼워 넣는다는 뜻이다. 질문이 오면 소스에서 관련 대목을 먼저 찾고(Retrieval), 그 대목을 재료로 답을 만든다(Generation). 모델이 아는 것이 늘어난 게 아니라 말해도 되는 범위가 줄어든 것이다.
첫 프롬프트는 요약이 아니라 "어떤 질문을 해야 하나"다
우리가 실제로 쓰는 절차는 다섯 단계이고, 첫 단계는 읽기가 아니라 모으기다. 미뤄 둔 링크를 종류 가리지 않고 한 노트북에 소스로 넣는다. 요약을 시키는 대신, 자료를 파악하려면 무엇을 물어야 하는지부터 AI에 묻는다. 원문에 적힌 첫 프롬프트는 "이 자료들의 핵심 내용을 파악하려면 어떤 질문을 하면 좋을까?"이고, 요약 요청과 갈리는 지점이 이 한 줄이다. 돌아오는 질문 목록은 소스에서 나온 것이라 핵심을 비켜 가지 않는다. 세 번째 단계는 목록을 하나씩 되묻는 문답이다. 원문의 경험으로는 이 문답만으로, 통째로 읽지 않아도 핵심이 정리된다.
네 번째 단계에서 역할이 바뀌어, 답을 받던 쪽이 문제를 낸다. 학생 때부터 써 온 공부법으로, 범위 안에서 스스로 문제를 만들면 읽기만 할 때보다 이해가 깊어진다. 핵심 개념을 확인하는 문제 5개를 자료 기준으로 내 달라고 하고(원문 프롬프트는 "이 자료 내용을 바탕으로 핵심 개념을 확인할 수 있는 문제 5개 만들어줘"), 답은 AI가 아니라 우리가 적는다. 다섯 번째는 퀴즈 10문제다. 대화 내용으로 출제하라고 하면("지금까지 대화한 내용을 바탕으로 퀴즈 10문제 만들어줘") 어디를 이해했고 어디를 놓쳤는지가 채점 결과로 드러난다.
질문도 문제도 모델이 만들지만 재료가 내 자료로 묶여 있고 답마다 출처 번호가 있으니 정답을 원문과 대조할 수 있다. 범위가 열린 챗봇에서는 문제가 자료 밖에서 나올 수 있고, 그 순간 학습은 검증 작업으로 되돌아간다.
정리한 텍스트를 새 노트북에 넣으면 팟캐스트·브리핑 문서로 바뀐다
두 번째 사례는 콘텐츠 변환이다. 문답으로 정리한 내용을 텍스트로 만들어 새 노트북에 넣고, 우측 콘텐츠 패널에서 포맷을 고른다.
| 포맷 | 원문이 든 용도 |
|---|---|
| 팟캐스트 | 출퇴근길에 들으며 복습 |
| 브리핑 문서 | 팀에 핵심만 전달하는 보고서 |
| 마인드맵 | 전체 구조를 한눈에 파악 |
| FAQ | 자주 묻는 질문 형태로 정리 |
| 타임라인 | 시간순 흐름 정리 |
| 학습 가이드 | 공부 순서 잡기 |
팟캐스트는 진행자 둘이 대화하는 형식으로 자동 생성되고, 영어 자료를 넣어도 한국어 팟캐스트로 나온다. 우리는 여기서 팟캐스트, PPT 초안, 마인드맵을 목적별로 뽑는다.
무료판과 유료판의 차이는 주로 양이다.
| 항목 | 무료 | Plus(유료) |
|---|---|---|
| 노트북 수 | 100개 | 500개 |
| 노트북당 소스 | 50개 | 300개 |
| 팟캐스트 | 기본 제공 | 더 긴 생성 + 커스텀 |
| 사용량 | 일일 제한 있음 | 넉넉한 사용량 |
Plus는 Google AI Pro 구독에 포함되고, 무료로 시작해 한도에 걸릴 때 올리면 된다. 절차 전체를 동사 세 개로 줄이면 모은다, 묻는다, 바꾼다이고, 세 동사 모두 무료판에서 돈다.
가져갈 것
# NotebookLM 학습 루틴 — 노트북 하나에 미뤄 둔 소스를 전부 넣은 뒤
[1] 요약 대신 질문 목록부터
프롬프트: 이 소스들을 이해하려면 무엇부터 물어야 하는지 질문 목록으로 답해줘
[2] 받은 질문을 하나씩 되묻고, 출처 번호로 원문 위치를 확인한다
[3] 역할을 바꾼다. 문제는 AI가, 답은 내가
프롬프트: 핵심 개념을 확인하는 문제 5개를 소스 기준으로 내줘
[4] 마무리 퀴즈 — 틀린 문항이 다시 읽을 소스다
프롬프트: 지금까지 나눈 대화로 퀴즈 10문제를 내줘
[5] 정리한 텍스트 → 새 노트북 → 팟캐스트 또는 브리핑 문서
안 되는 경우
- 업로드 자료의 저장 위치·학습 활용 여부는 원문이 다루지 않았다. 외부 서버 업로드가 막힌 조직에서는 이 절차가 성립하지 않는다.
- 소스 50개·50만 자·노트북 100개 같은 한도는 2026년 2월 원문 수치이고 공식 문서 인용이 없다. 도입 전 현재 값을 다시 본다.
- 할루시네이션이 거의 없다는 원문 표현은 답이 자료 밖으로 안 나간다는 뜻이다. 자료 자체가 틀린 경우는 못 막고, 오답률 측정도 없다.
- Gemini 유료 계정이면 더 잘 답한다는 원문 주장의 근거와 자막 없는 YouTube 영상의 처리는 원문에 없다.
이번 주에 바꿀 것은 자료를 AI에 넣은 뒤 치는 첫 문장이다. 팀 채널에 쌓인 링크 열 개를 NotebookLM 노트북 하나에 넣고, 요약 대신 "어떤 질문을 하면 좋을까"를 먼저 물은 뒤 문제 5개와 퀴즈 10문제로 닫는다. 검증에 쓰던 시간이 학습으로 돌아오는 차이는 요금제가 아니라 프롬프트 순서에서 난다. 조녁컴퍼니 관점에서도 도입할 도구보다 먼저 정할 것은 이 첫 문장이다. 사업영역 →