현재 대부분의 AI 지식 활용 방식인 RAG(Retrieval-Augmented Generation)는 필요할 때만 조각을 찾아 쓰는 ‘일회성 채굴’에 가깝다. 이는 매번 똑같은 질문에 대해 지식을 처음부터 다시 재발견해야 하는 비효율을 낳는다. 반면 LLM 위키는 정보를 ‘컴파일’하여 저장하는 방식이다.
새로운 정보가 들어올 때마다 기존의 위키 페이지들이 수정되고 보강되며, 이 과정에서 과거의 정보와 새로운 정보 사이의 시너지가 발생한다. 이는 시간이 지날수록 가치가 하락하는 단순 데이터 저장소와 달리, 시간이 갈수록 연결망이 촘촘해지며 통찰의 밀도가 높아지는 ‘복리적 자산’의 성격을 띤다. 지식은 찾는 대상이 아니라, 지속적으로 경작되고 쌓여가는 구조물이어야 한다.
근거
카파시는 RAG와 위키 패턴의 결정적 차이를 ‘축적(Accumulation)‘의 유무로 정의한다.
“RAG 시스템은 매번 질문할 때마다 지식을 처음부터 재발견하고 있습니다. 축적이 없습니다. … 위키 아이디어는 다릅니다. 원본 문서를 단순히 검색하는 것이 아니라, LLM이 당신과 원본 소스 사이에 위치한 구조화되고 상호 연결된 마크다운 파일 컬렉션을 증분적으로 구축하고 유지 관리합니다.”
연결된 생각
- 20260609-llm-wiki-architecture-pattern — 지속성 위키의 정의
- 20260609-knowledge-bottleneck-is-maintenance-cost — 축적을 방해하는 비용 문제
- 20260622-knowledge-network-compounding-effect — 복리가 발생하는 근본 메커니즘(연결의 기하급수적 증가)