🤖 AI 제품 감각을 키우는 가장 확실한 방법 - Cursor로 시작하는 실전 학습법

 

ChatGPT만 쓰고 있다면, AI를 절반만 아는 겁니다

회의 중에 누군가 "서브에이전트", "컨텍스트 엔지니어링", "에이전트 메모리" 같은 용어를 꺼내면, 아는 척 고개는 끄덕이지만 속으로는 '이걸 어떻게 실제로 쓴다는 거지?' 싶은 적 있으시죠?

영상도 보고, 인포그래픽도 북마크해두고, 심지어 AI 기능을 직접 출시까지 해봤는데도 여전히 핵심을 놓치고 있는 것 같은 느낌. 이건 여러분 잘못이 아니에요. AI 콘텐츠 대부분이 진짜 배움보다는 FOMO를 자극하도록 설계되어 있거든요.

그런데 요즘 AI 제품을 다루는 사람들 사이에서 완전히 다른 학습법이 주목받고 있어요. 바로 ChatGPT 같은 소비자용 UI를 넘어, Cursor나 Claude Code 같은 AI 코딩 에이전트를 일상 업무에 직접 활용하는 방법입니다. 코드는 단 한 줄도 짜지 않아도 됩니다. 그냥 쓰면서 자연스럽게 체득하는 게 핵심이에요.

ChatGPT나 Claude는 분명 훌륭한 도구예요. 하지만 이런 소비자용 AI는 마치 계기판을 가려놓은 자동차와 비슷해요. 엔진이 어떻게 돌아가는지, 연료가 얼마나 소모되는지, 어떤 부품이 작동하는지 전혀 볼 수 없죠.

반면 Cursor 같은 코딩 에이전트는 AI의 작동 과정을 투명하게 보여줍니다. AI가 어떤 도구를 호출하는지, 컨텍스트 윈도우가 어떻게 채워지는지, 에러가 났을 때 어떻게 복구하는지 실시간으로 관찰할 수 있어요. 이게 바로 진짜 AI 제품 감각을 키우는 방법입니다.

---

Cursor, 생각보다 훨씬 단순해요

"코딩 에이전트라니, 나는 개발자가 아닌데?" 걱정하실 필요 없어요. Cursor는 사실 여러분이 매일 쓰는 세 가지 도구를 하나로 합쳐놓은 거예요.

ChatGPT처럼 대화할 수 있는 채팅창, 메모장이나 워드 같은 텍스트 에디터, 그리고 파인더나 파일 탐색기처럼 파일을 볼 수 있는 공간. 이게 전부입니다.

한 사용자가 이렇게 표현한 적 있어요. "Cursor는 내 컴퓨터의 모든 파일을 만질 수 있는 AI예요." 정확한 비유죠. ChatGPT는 대화만 할 수 있지만, Cursor는 여러분의 파일을 직접 읽고 수정할 수 있어요.

가장 큰 차이는 두 가지예요. 첫째, 각 대화마다 필요한 파일만 골라서 드래그 앤 드롭으로 넣을 수 있다는 것. 둘째, AI가 여러분의 파일을 직접 편집해서 결과물이 문서에 바로 쌓인다는 것. ChatGPT 프로젝트에서는 대화 내용을 수동으로 지식 베이스에 옮겨야 하지만, Cursor는 대화 기록이 아니라 실제 파일에 가치가 축적되는 구조예요.

이런 접근법이 실제로 엄청난 반응을 얻고 있어요. Cursor는 출시 16개월 만에 사용자 100만 명을 돌파했고, 2025년 기준 기업 가치가 약 99억 달러(우리 돈 약 13조 원)까지 치솟았어요. 마케팅에 단 한 푼도 쓰지 않고 순전히 입소문만으로 이룬 성장이라는 점이 더 놀랍죠. Coinbase는 전체 엔지니어의 100%가 Cursor를 활용하고 있고, Stripe와 Shopify도 도입 후 개발 생산성이 눈에 띄게 향상됐다고 밝혔어요.

---

디즈니 노래 한 곡으로 AI 작동 원리 체험하기

실제로 어떻게 쓰는지 간단한 예시로 살펴볼게요. 좋아하는 디즈니 노래 가사를 구글에서 찾아 복사한 다음, Cursor에서 새 파일을 만들어 붙여넣어요. 파일명은 lyrics.txt로 저장하고요.

그다음 채팅창을 "Agent" 모드로 바꾸고 이렇게 입력해보세요.

"lyrics.txt 파일의 첫 번째 연과 후렴구에서 각각 한 줄씩 실리콘밸리에 관한 내용으로 바꿔줘."

그러면 파일에 빨간색과 초록색 표시가 나타나면서 AI가 무엇을 삭제하고 무엇을 추가했는지 정확히 보여줘요. 마음에 들지 않으면 "Undo"를, 만족스러우면 "Keep"을 누르면 됩니다.

여기서 재미있는 건 모델마다 반응이 완전히 다르다는 거예요. Claude 계열 모델은 저작권에 민감해서 디즈니 노래 수정을 거부할 수 있고, OpenAI 계열 모델은 파일 편집 도구 호출에서 가끔 실수하기도 해요. 이런 차이를 직접 느끼면서 어떤 모델이 어떤 작업에 적합한지 감을 잡게 되죠. 2025년 Stack Overflow 개발자 설문에 따르면, 전문 개발자의 72%가 AI 도구를 일상 업무에 활용하거나 활용할 계획이라고 답했어요. 이미 많은 사람이 이 경험을 하고 있다는 거예요.

---

AI가 어떤 도구를 쓰는지 직접 들여다보세요

LLM은 사실 텍스트만 생성할 수 있어요. 그런데 파일을 편집하고, 데이터를 가져오고, 웹을 검색하는 건 어떻게 하는 걸까요? 바로 "도구 호출"이라는 기능 덕분이에요.

AI에게 직접 물어보세요. "이 작업을 완료하기 위해 어떤 단계를 거쳤어?" 그러면 이렇게 답해줄 거예요.

첫째, read_file이라는 도구로 파일 내용을 확인했어요. 둘째, 어떤 부분을 편집할지 생각했어요. 셋째, search_replace라는 도구로 텍스트를 수정했어요.

"search_replace"라는 이름이 낯설게 느껴지나요? 사실 여러분은 이미 수백 번 써본 기능이에요. 워드나 구글 독스에서 쓰는 "찾기 및 바꾸기"가 바로 그거거든요. AI도 똑같이 작동하는 거예요.

더 흥미로운 건 모델마다 도구 사용 횟수가 다르다는 점이에요. Gemini가 세 번 호출로 끝내는 작업을 Claude Opus는 두 번으로 처리하기도 해요. 이런 차이를 직접 관찰하다 보면 "도구 호출 능력"이 AI 모델의 또 다른 핵심 역량이라는 걸 자연스럽게 체감하게 됩니다.

일반 ChatGPT가 AI와 사람의 1대1 대화라면, AI 에이전트는 AI, 사람, 도구가 함께 대화하는 단체 채팅방이에요. 이걸 이해하면 "우리 에이전트가 X를 할 수 있을까?"라는 질문에 자연스럽게 이렇게 생각하게 됩니다. "어떤 도구가 필요하고, 우리 모델이 그 도구를 잘 호출할 수 있을까?" 이게 바로 진짜 제품 감각이에요.

---

MCP는 USB라고 생각하면 딱 맞아요

요즘 자주 들리는 "MCP"라는 용어, Model Context Protocol의 약자예요. 복잡하게 생각할 필요 없고요, USB나 블루투스 같은 표준 규격이라고 보면 됩니다.

대부분 기업의 중요한 데이터는 로컬 파일이 아니라 Linear, Figma, Notion, Snowflake 같은 외부 서비스에 있죠. AI가 이런 서비스와 소통하려면 각 서비스마다 전용 도구가 필요해요. 그런데 각 SaaS 회사가 모든 AI 모델마다 따로따로 통합을 만들어야 한다면 엄청난 중복 작업이 생기잖아요.

그래서 업계가 MCP라는 표준을 채택한 거예요. 이제 서비스 하나가 MCP 커넥터 하나만 만들면 모든 AI 에이전트에서 작동해요. USB 덕분에 어떤 기기든 꽂을 수 있는 것처럼요. 에이전트가 활용할 수 있는 또 하나의 도구이지만, 표준화된 인터페이스를 갖췄다는 게 핵심이에요.

---

나만의 AI 개인 생산성 시스템, 코드 없이 만들기

이론은 충분합니다. 직접 만들어볼까요? Cursor에서 "Agent" 모드로 전환하고 다음 프롬프트를 넣어보세요.

"간단한 개인 생산성 시스템을 만들어줘. Knowledge 폴더에는 노트와 리서치 내용을, Tasks 폴더에는 마크다운 형식의 액션 아이템을 넣을 거야. GOALS.md 파일에는 내 목표와 우선순위를, AGENTS.md 파일에는 AI 어시스턴트 지침을 담아줘. AI는 목표와 작업을 도와주는 생산성 어시스턴트 역할을 하되, 코드는 절대 쓰지 말고 마크다운만 사용해. 작업은 항상 목표와 연결되어야 하고, 매일 최대 3가지 우선순위를 제안해줘. 간결하고 직접적으로 말해줘."

Cursor가 폴더와 파일을 생성하고 나면 여러분의 목표와 현재 작업을 물어볼 거예요. 답변하면 자동으로 GOALS.md와 Tasks 폴더가 채워집니다. 코드 한 줄 없이 자신만의 AI 제품을 직접 만든 거예요.

---

RAG, 메모리, 컨텍스트 엔지니어링을 직접 체험하기

이 시스템을 쓰다 보면 세 가지 핵심 개념을 자연스럽게 체득하게 돼요.

첫째, RAG예요. Cursor에게 "이 저장소에 뭐가 있는지 프로덕트 매니저에게 설명하듯 알려줘"라고 해보세요. AI는 파일과 폴더를 검색해서 컨텍스트를 모은 뒤 답변해요. 이게 Retrieval Augmented Generation이에요. 거창한 이름이지만 어려운 질문 전에 자료를 찾아보는, 우리가 평생 해온 행동과 똑같아요.

둘째, 메모리예요. LLM은 상태를 저장하지 않아서 매번 새 채팅은 백지에서 시작해요. AGENTS.md 파일이 디렉토리에 있으면 모든 채팅 스레드 맨 위에 자동으로 붙는데, 이게 AI의 메모리예요. 중요한 건 메모리도 컨텍스트 공간을 차지한다는 점이에요. 매번 대화에 반드시 필요한 정보만 넣어야 해요.

셋째, 컨텍스트 엔지니어링이에요. 메모리, RAG, 도구 정의, 대화 히스토리 모두 컨텍스트 윈도우를 차지해요. 이 한정된 공간을 어떻게 채우느냐가 에이전트 성능을 결정하죠. Cursor 채팅창 아래 작은 파이 차트에 마우스를 올려보세요. 컨텍스트가 얼마나 쌓이고 있는지 실시간으로 볼 수 있어요. 자동차 연료 게이지처럼 지켜보다 보면 컨텍스트 윈도우가 실제로 어떻게 작동하는지 손으로 느끼게 돼요.

여기서 한 가지 더, "컨텍스트 부패"라는 현상도 있어요. 컨텍스트 윈도우를 많이 채울수록 모델 성능이 서서히 저하되는 현상이에요. 창의적 브레인스토밍 같은 작업에서는 덜 느끼고, 재무 분석이나 정밀 코딩 작업에서 더 심하게 나타나요. 직접 중요한 작업에 써보면서 컨텍스트가 쌓일수록 결과 품질이 어떻게 달라지는지 관찰해보세요. 이 과정이 학술 자료보다 훨씬 깊은 직관을 만들어줘요.

---

AI 제품을 분해해서 볼 수 있게 되면, 전망이 보입니다

Cursor를 쓰다 보면 어느 순간 이런 깨달음이 와요. 이것도 결국 텍스트, 도구, 결과가 다시 텍스트로 흘러가는 구조구나. 다만 로컬 컴퓨터에서 돌아가니까 그 과정을 들여다볼 수 있다는 차이뿐이구나.

한 번 모든 AI 제품을 동일한 구성 요소로 분해할 수 있게 되면, 뭔가 인상적인 게 등장해도 흥분하기보다 차분히 물어볼 수 있어요. "Cursor 안에서 이걸 어떻게 재현할 수 있을까? 어떤 익숙한 부품들을 조립하면 될까?"

최고의 아이디어는 사람에 대한 직관과 기술에 대한 직관이 한 뇌 안에서 만날 때 나와요. AI 코딩 에이전트를 매일 쓰다 보면 무엇이 쉽고, 무엇이 어렵고, 무엇이 이제 막 가능해졌는지 몸으로 느끼게 됩니다. 트렌드를 쫓는 게 아니라 트렌드를 예측하게 되는 거죠.

Cursor를 다운로드하고, 디즈니 노래를 수정해보고, 개인 생산성 시스템을 만들고, RAG와 메모리를 직접 체험해보세요. 머릿속으로 아는 것과 손으로 만지며 배우는 건 완전히 달라요.

---

마무리: 오늘부터 AI를 "쓰는" 사람에서 "이해하는" 사람으로

이 글에서 살펴본 것처럼, Cursor는 단순한 코딩 도구가 아니에요. AI가 어떻게 작동하는지를 가장 투명하게 보여주는 학습 환경이에요. 도구 호출, RAG, 메모리, 컨텍스트 엔지니어링이라는 개념을 직접 손으로 체험하고 나면, AI 제품 기획과 개발에 필요한 진짜 감각이 자연스럽게 쌓입니다. 오늘 Cursor를 설치하고, 가장 사소한 것부터 시작해보세요. 그 첫 번째 실험이 AI 제품을 바라보는 여러분의 시각을 완전히 바꿔줄 거예요.