AI가 나를 마당으로 내보냈습니다

잔디 관리로 배운 초개인화의 본질

“지금 마당에 나가서 잔디 사진을 찍어서 보내주세요.”

저는 잔디 관리를 배우고 싶다고 했는데, AI의 첫 반응은 이론 설명이 아니었습니다. 저를 마당으로 내보내는 것이었습니다.

처음엔 단순한 공부 요청이었습니다

작년 말, 시애틀 외곽의 Tehaleh로 이사했습니다. 뒷마당이 0.2에이커(약 240평), 잔디 관리는 생전 처음이었습니다. VibeLearn AI에게 이렇게 말했습니다.

“PNW 지역 잔디 관리를 처음 배우려고 합니다. 집에 Rain Bird ESP-ME3 스프링클러 컨트롤러가 있고, 지금 3월 초입니다. 리드해 주세요.”

그런데 이번엔 뭔가 달랐습니다

학습을 시작하자 AI가 예상 밖의 요청을 쏟아냈습니다.

“앞마당과 뒷마당 사진을 각각 찍어서 보내주세요.”
“걸음으로 뒷마당 크기를 재서 알려주시겠어요?”
“차고 스프링클러 컨트롤러 앞에 가서 현재 설정 화면 사진을 찍어주세요.”

저는 컴퓨터를 들고 차고로 갔습니다. iPhone Measure 앱으로 마당 크기를 쟀습니다. 잔디 사진을 12장 찍었습니다. 마당에 나가 실제 장비를 앞에 두고 배우는 것이 학습의 일부가 된 것입니다.

VibeLearn AI가 학습을 설계하는 방식

VibeLearn AI는 먼저 템플릿을 기반으로 두 개의 프롬프트를 생성합니다. 하나는 전체 학습 구조를 설계하는 Roadmap 프롬프트, 다른 하나는 매일 학습을 이어가는 Daily Learning 프롬프트입니다. 이 두 프롬프트에는 주제 정보, 학습 목표, 참조 자료, 실습 원칙 같은 핵심 컨텍스트가 담겨 있습니다.

이렇게 구조화된 프롬프트를 사용하기 때문에, 잔디 관리든 외국어든 어떤 주제를 공부하더라도 AI로부터 받는 답변의 질이 일정 수준 이상으로 유지됩니다. 이번 학습에서 사용된 프롬프트는 아래에서 확인하실 수 있습니다.

→ Roadmap 프롬프트 · Daily Learning 프롬프트

이 초개인화는 ‘설계된 것’이 아니었습니다

나중에 프롬프트 파일을 다시 살펴봤습니다. 제가 사용하는 VibeLearn AI의 프롬프트 템플릿에는 초개인화 학습을 진행하도록 명시적으로 디자인되어 있지 않았습니다. 이번에 저를 마당으로 내보내고 면적을 재도록 유도한 것은 Claude Code가 스스로 판단해서 한 것이었습니다.

이 사실이 중요합니다. 다음에 같은 방식으로 학습을 시작하더라도, 동일한 초개인화 서비스가 다시 일어난다는 보장이 없다는 뜻이기 때문입니다.

초개인화된 학습을 안정적으로 받으려면, 두 가지 방법 중 하나를 선택해야 합니다. VibeLearn AI의 템플릿 자체에 초개인화 데이터 수집 과정을 설계로 넣거나, 학습을 시작할 때 별도로 프롬프트에 그 의도를 명시하는 것입니다. 다만 모든 학습 주제가 이런 개인화된 맥락을 필요로 하는 것은 아닙니다. 잔디 관리처럼 ‘내 집, 내 장비, 내 환경’이 핵심인 주제에서는 초개인화가 큰 차이를 만들지만, 역사나 언어처럼 보편적인 주제에서는 그 필요성이 낮습니다. VibeLearn AI 설계에 이것을 기본으로 넣을지, 선택 옵션으로 남길지는 아직 고민 중입니다.

초개인화의 엔진은 ‘나의 데이터’였습니다

어쨌든 이번 결과는 분명했습니다. 제가 면적, 사진, 기기 정보를 제공하자 AI의 답변이 완전히 달라졌습니다. 일반적인 “잔디 관리 3원칙”이 아니라, “8,713 sq ft 기준 Pre-emergent 2포대”, “뒷마당 경사 구역에는 Cycle+Soak 설정” 같은 답이 나왔습니다. 나에게만 해당하는 숫자, 나의 마당에만 맞는 전략이었습니다.

AI는 ‘Gold in, Gold out’입니다. 내 데이터의 품질이 AI 서비스의 품질을 결정합니다.

학습 과정이 만들어낸 잔디 관리 가이드

VibeLearn AI 방식으로 공부하면 자연스럽게 나만의 데이터가 쌓입니다. 실측 면적, 진단 결과, 설정 기록, 작업 일지 — 이것들이 쌓일수록 AI는 점점 더 나에게 맞는 가이드를 할 수 있게 됩니다.

이번 학습에서 만들어진 문서들은 PNW에서 잔디를 관리하는 분들이라면 누구에게나 도움이 될 수준의 내용을 담고 있습니다. 한국어와 영어 버전으로 모두 작성되어 아래에 공개되어 있습니다.

→ PNW 잔디 관리 학습 자료 전체: github.com/solkit70/CatchUpAI_VL — PNW-Lawn-Care

모듈별 핵심 내용을 간략히 소개합니다.

M1. 봄철 기초 — PNW는 7-8월에 비가 거의 없습니다. Cool-season 잔디가 그 건조기를 버티려면 봄 3-4월에 뿌리를 강하게 만들어두어야 합니다. 봄 3대 작업의 순서가 중요합니다. Pre-emergent 살포 → 봄 비료 → Overseeding은 가을로. Pre-emergent를 뿌린 뒤에는 8-10주간 Overseeding을 할 수 없습니다.

M2. 스프링클러 마스터 — Rain Bird ESP-ME3를 직접 컨트롤러 앞에서 설정했습니다. 가장 흔한 실수는 Start Time을 여러 개 설정하는 것(하루에 물이 여러 번 나옵니다)과 Program A/B를 동시 실행하는 것(수압 저하)입니다. Seasonal Adjust 기능 하나로 계절별 관수량을 한꺼번에 조정할 수 있습니다.

M3. 여름 관리 — 6-8월 건조기에는 관수 빈도를 주 3회에서 매일로 늘립니다. 여름 비료는 저질소 Slow-release로, 선선한 아침에만 살포합니다.

M4. 가을/겨울 준비 — 9월이 Overseeding의 최적 시기입니다. Core Aerating 후 파종하고 Starter Fertilizer를 주어야 합니다. 11월에는 스프링클러 배관 Blow-out으로 동파를 예방합니다.

“잔디 언제 깎을까요?” — Vibe Guiding의 순간

오늘 아침, AI에게 물었습니다. “잔디 깎기는 언제 하면 좋을까요?”

“오늘(4월 10일 금요일) 하시는 것이 가장 좋습니다. 내일 토요일부터 비 예보가 있고, 현재 주간 계획에도 오늘이 핵심 과제로 설정되어 있습니다. 오전에 마치시면 오후엔 콘텐츠 제작에 집중하실 수 있을 거예요.”

날씨 예보, 저의 주간 계획, 오후 스케줄까지 연결한 답변이었습니다. 일반적인 “봄엔 주 1회”가 아닌, 오늘 저에게만 맞는 타이밍이었습니다. 이것이 Vibe Guiding입니다. 학습이 끝난 다음에 진짜 가치가 시작됩니다.

PKM과 PCM이 더 중요해지는 이유

저는 이번 경험을 통해 AI 시대에 PKM(개인 지식 관리)과 PCM(개인 맥락 관리)이 왜 더 중요해지는지를 몸으로 느꼈습니다.

AI는 이전 도구들과 비교할 수 없을 정도로 초개인화 서비스를 할 수 있는 능력을 가지고 있습니다. 하지만 그 능력을 제대로 활용하려면 나에 대한 데이터가 잘 정리되어 있어야 합니다. 면적, 기기 정보, 작업 이력, 생활 패턴 — 이 데이터들이 있어야 AI가 나를 위한 답을 낼 수 있습니다. 나의 데이터를 만들고 관리하는 능력이, AI 시대 개인 경쟁력의 핵심이 될 것이라는 생각이 점점 강해지고 있습니다.

지금 쌓는 데이터가 Physical AI 시대의 자산이 됩니다

지금은 컴퓨터 앞에 앉아 직접 물어봐야 하지만, 머지않아 로봇이 집에 들어오는 시대가 올 것입니다. 그때 로봇이 우리 집 마당에서 시행착오 없이 바로 일을 시작하려면 무엇이 필요할까요? 잔디 면적, 토양 상태, 스프링클러 구성, 지난 시즌 작업 이력 — 지금 제가 한 장씩 쌓아가고 있는 바로 그 데이터입니다.

잔디를 깎으며 배운 것이지만, 결국은 AI 시대를 살아가는 방식에 대한 이야기였습니다.

📺 이 글의 영상 버전도 함께 보실 수 있습니다.