기능적으로 정말 차별하고 싶어.

Captured from ChatGPT on 5/22/2026

User

기능적으로 정말 차별하고 싶어.

ChatGPT

기능 차별화는 “기능 개수”가 아니라 AI가 실제로 더 잘 작동하는가로 결정돼.

지금 시장의 대부분은:

  • 노트 앱

  • RAG wrapper

  • vector DB UI

  • graph visualization

  • MCP connector catalog

이 중 하나야.

근데 memory.wiki가 진짜 커지려면 아래 중 최소 하나를 독점적으로 잘해야 해:

1. “AI-optimized context packaging”

이게 가장 중요하다.

지금 세상은 문서가 인간용으로 작성돼 있음.

근데 LLM은:

  • context window 제한 있음

  • relevance ranking imperfect

  • stale context 문제 있음

  • narrative continuity 약함

  • intent-aware compression 못함

즉 AI는 “raw docs”를 잘 못 먹는다.

그래서 memory.wiki의 핵심은:

저장이 아니라 “AI consumption optimization”

이어야 함.

여기서 진짜 차별 기능이 나온다

A. Intent-Adaptive Bundles

이건 매우 강력해질 수 있음.

사용자가 같은 graph를 갖고 있어도:

  • 투자자 미팅용

  • 코드 작업용

  • 논문 작성용

  • 법률 검토용

  • onboarding용

context가 달라야 함.

그러니까:

memory.wiki/project-x?intent=coding
memory.wiki/project-x?intent=fundraising
memory.wiki/project-x?intent=research

를 만들면,

AI가 읽는 bundle이 달라짐.

이건 단순 retrieval이 아님.

이건:

  • context hierarchy

  • relevance shaping

  • narrative ordering

  • token budgeting

  • contradiction filtering

을 포함함.

여기서부터 “AI OS” 느낌이 난다.

2. Temporal Memory

이건 거의 아무도 제대로 안 함.

LLM context의 가장 큰 문제 중 하나:

시간이 없다.

AI는:

  • 무엇이 최신인지

  • 어떤 결정이 deprecated됐는지

  • 왜 바뀌었는지

를 잘 모른다.

memory.wiki는 graph edge에:

  • valid_from

  • valid_to

  • supersedes

  • confidence

  • source

를 넣을 수 있음.

그러면:

“현재 기준으로만 설명해줘” “지난달 기준 전략 보여줘” “왜 architecture 바뀌었는지 설명해줘”

가 가능해짐.

이건 단순 note app이 절대 못 한다.

3. Contradiction-aware memory

이거 진짜 중요하다.

대부분 RAG는:

  • 모든 걸 retrieval함

  • conflicting info 같이 줌

  • hallucination 증가

근데 실제 인간 memory는:

  • old belief

  • discarded idea

  • current truth

를 구분한다.

memory.wiki는:

  • archived beliefs

  • rejected decisions

  • experimental hypotheses

를 구조적으로 저장 가능해야 함.

예:

This architecture was abandoned because:
- scaling issue
- auth complexity
- token cost

AI가 reasoning quality가 확 올라간다.

4. AI-facing representation layer

이건 진짜 중요.

인간용 markdown ≠ AI optimal format

memory.wiki는 내부적으로:

  • graph

  • entity map

  • semantic edges

  • episodic logs

  • summaries

  • canonical definitions

를 저장하고,

AI에겐 dynamic compiled view를 보여줘야 함.

즉:

Human View
AI View
Condensed View
Chronological View
Decision View

가 다 달라야 함.

이건 그냥 wiki가 아니다.

5. “Canonical Self”

이건 매우 강력한 방향 가능성 있음.

지금 AI의 큰 문제:

매 세션마다 사용자가 다시 자신을 설명함.

memory.wiki는:

/about
/current-focus
/preferences
/writing-style
/project-state
/decision-history

같은 canonical identity layer를 만들 수 있음.

그리고 모든 AI가 이것을 참조.

이건:

  • persistent persona

  • working memory

  • epistemic continuity

를 제공한다.

엄청 큰 시장이다.

6. Agent-ready Memory

진짜 장기적으로 가장 중요.

미래 AI는:

  • 단일 chat app이 아니라

  • 여러 specialized agents ecosystem

으로 갈 가능성이 높다.

그러면 필요한 건:

shared memory substrate

다.

memory.wiki가:

  • agent-readable

  • structured

  • permissioned

  • streamable

  • update-aware

memory layer가 되면,

AI ecosystem infra가 된다.

여기서 진짜 커진다.

7. 너희가 반드시 피해야 할 함정

“그래프 시각화”

이거 founder들은 좋아하는데,

대부분 사용자 가치 거의 없음.

graph visualization은:

  • retention driver 아님

  • PMF driver 아님

  • workflow core 아님

이다.

사람은 “보는 graph”보다:

  • AI 결과 품질 향상

  • context loss 감소

  • repeated explanation 제거

를 원함.

8. 가장 중요한 differentiation

결국 핵심은 이것 하나다:

“memory.wiki URL을 넣으면 AI output quality가 실제로 좋아진다.”

이게 observable해야 함.

그러니까 앱의 중심 metric은:

  • uploads 수

  • nodes 수

  • graph density

가 아니라,

“Context Success Rate”

같은 게 돼야 함.

예:

  • repeated clarification 감소율

  • AI task completion 증가

  • hallucination 감소

  • onboarding latency 감소

이런 것.

내가 생각하는 가장 강한 positioning

지금:

AI knowledge graph

아님.

대신:

AI-native memory infrastructure

또는

Context operating system for AI

또는

Shared memory layer across AI tools

이 더 강하다.

그리고 마지막으로 제일 중요:

절대 “AI second brain”으로 브랜딩하지 마.

너무 crowded다.

대신:

“The memory format AI actually understands.”

이 훨씬 새롭다.