바이브코딩으로 CES 2026 페이지를 이틀 만에 만들었습니다

“CES 2026 혁신상, 한국 기업이 절반 이상을 휩쓸었다.”

이런 이야기를 여기저기서 접했습니다.
그런데 막상 확인해보려니, 이상하게도 한눈에 볼 수 있는 사이트나 리스트가 없었습니다.

어떤 기업이, 어떤 제품으로, 어떤 분야에서 수상했는지
정리된 형태로 확인할 수 있는 곳이 없더군요.

그래서 그냥,
직접 만들기로 했습니다.

결론부터 말하면 이틀 만에 초안을 만들었고,
그 이후 4일 동안 안정화와 검증 작업을 진행했습니다.

👉 CES 2026 정리 페이지
https://uslab.ai/ko/ces

목록에서 제품을 클릭하면,
각 항목마다 딥리서치를 통해 정리한 분석 내용을 확인할 수 있습니다.

1. 이번에는 ‘자료 인용’이 아니라, ‘제대로 분석’을 하고 싶었습니다

CES 공식 페이지를 보면 각 수상작은 보통 아래 정도의 정보만 제공됩니다.

• 한 장짜리 설명

• 간단한 제품 소개

https://www.ces.tech/ces-innovation-awards/

하지만 개인적으로는 그게 늘 아쉬웠습니다.

• 이 회사가 한국 기업인지

• 회사 공식 홈페이지는 어디인지

• 이 제품이 왜 나왔고

• 누가 먼저 도입할 가능성이 있는지

이런 정보가 있어야 “봤다”가 아니라 “판단했다”고 말할 수 있다고 생각했기 때문입니다.

그래서 단순히 일부를 발췌하는 방식이 아니라,
전체를 수집한 뒤 딥리서치로 다시 해석하기로 했습니다.

2. 설계는 GPT·Gemini, 구현은 Cursor (바이브코딩)

이번 프로젝트의 작업 방식은 꽤 단순했습니다.

1. GPT와 Gemini로 전체 컨셉과 구조에 대해 충분히 대화를 나눕니다

2. 화면 구성, 필드, 데이터 흐름을 정리합니다

3. 설계가 확정되면 그 내용을 MD 파일로 문서화합니다

4. 그 문서를 그대로 Cursor에 전달해 구현합니다

5. 구현 과정에서 오류가 생기면

   • 오류 재현 방식과 로그를 정리한
     **오류보고서.md**를 다시 만듭니다

   • GPT와 Gemini와 함께 원인을 쪼개고

   • 수정 방향을 정리해 다시 Cursor로 돌아갑니다

정리하면,

문서로 설계 → 문서를 던져서 구현 → 문서로 디버깅

이 패턴을 계속 반복했습니다.

기술 스택은 Supabase + Vercel 조합으로 구성했습니다.

3. 일단 452개를 ‘전부’ 모았습니다

처음부터 일부만 선별하는 방식은 쓰지 않았습니다. 그 순간부터 기준이 흐려질 것 같았기 때문입니다. 그래서 CES 2026 혁신상 상세 페이지 기준으로총 452개 제품을 전부 수집했습니다.

Cursor에게 사이트 구조를 알려주고 크롤링을 요청했더니,

• 타입스크립트를 자동으로 구성하고

• 데이터를 불러와 검증하고

• 정리된 형태로 가져오더군요.

수집된 데이터는 제품별로 하나씩 MD 파일로 정리했습니다.

4. 딥리서치: 452개를 한 번에 돌릴 수는 없었습니다

여기서 현실적인 제약이 있었습니다.

ChatGPT Ultra 요금제를 사용하고 있었는데, 딥리서치 할당량이 월 250으로 제한되어 있었습니다. (횟수라기보다는 내부 리소스 소모 구조에 가까웠습니다) 452개를 개별로 돌리는 건 비효율적이었고, 처음에는 카테고리 단위로 묶어봤지만 한 카테고리에 50개씩 들어가면 분석 품질이 눈에 띄게 떨어졌습니다.

테스트 결과,
10개 단위가 가장 안정적이었습니다.

그래서:

• 452개를

• 10개씩 묶어

• 총 46번의 딥리서치를 진행했습니다.

딥리서치 프롬프트는 MD 파일로 따로 정리했고, 분석 구조는 아래 7가지로 통일했습니다.

1. 기본 정보 (기업명 / 홈페이지 / 한국 기업 여부 / 제품 한 줄 정의)

2. 문제 정의

3. 핵심 차별점

4. 주요 도입 주체

5. 확장 가능성

6. 평단의 평가

7. 분석가 한 줄 판단

프롬프트 자체는 GPT와 Gemini가 거의 다 만들어줬습니다. 대화창이 복잡해지는 걸 피하기 위해
CES 2026 전용 프로젝트 공간을 따로 만들어 그 안에서 딥리서치를 돌렸습니다.

ChatGPT는 10개 단위로 원하는 방향의 딥리서치를 안정적으로 수행했고, Gemini는 종합 보고서 성향이 강해 이번 프로젝트에서는 ChatGPT 중심으로 사용했습니다.

중간에 할당이 막히기도 했고, 하루를 넘겨가며 조금씩 풀리는 걸 기다리기도 했지만, 결과적으로 모든 딥리서치를 완료했습니다.

5. 프로토타입은 이틀, 진짜 작업은 그 이후였습니다

프로젝트는 1월 14일에 시작했고, 15일 저녁에 프로토타입이 완성됐습니다.

하지만 체감상 진짜 작업은 그 이후였습니다.

• 데이터 누락·중복 체크

• 카테고리 정리 및 동기화

• 상세 페이지가 깨지는 케이스 수정

• 검색/필터 UX 튜닝

• 이미지·링크·메타데이터 정리

• 무엇보다 “내가 계속 쓰고 싶은가?”에 대한 반복 테스트

그래서 개인적으로는 이렇게 구분하고 있습니다.

이틀은 ‘만든 시간’ 그 이후는 ‘망가지지 않게 만드는 시간’

숫자에 대해 한 가지 짚고 넘어가면

기사에서는 혁신상을 받은 기업이 357곳이라고 나오기도 하지만, 실제로 CES 공식 사이트의 상세 페이지를 기준으로 수집해보니 총 452개 항목이었습니다.

이전 수상 이력 + CES 2026 행사 과정에서 추가로 노출되는 구조 때문으로 보였고, 생각보다 정리해야 할 데이터가 더 많다는 점에서 저 스스로도 조금 놀랐습니다.

정리하며

이번 작업을 통해 다시 느낀 점은 분명했습니다.

예전 같으면
“이건 팀이 있어야 가능한 작업”이라고 생각했을 겁니다.

하지만 지금은

• 설계는 AI와 충분히 대화하며 정리하고

• 구현은 바이브코딩으로 빠르게 만들고

• 분석은 딥리서치를 쪼개서 현실적으로 처리하면

개인도 충분히 가능한 영역이 됐다고 느꼈습니다.

이렇게 정리된 데이터는 MD 파일로 저장해 NotebookLM에 넣어 활용하고 있습니다.

개인 리포트를 만들거나,
관심 있는 주제만 다시 파고들기에도 적당합니다.

👉 CES 2026 정리 : https://uslab.ai/ko/ces

👉 NotebookLM
https://notebooklm.google.com/notebook/b7e0cea7-a0e2-4aa7-a4f1-58b43de862ca

👉 NotebookLM 활용가이드
https://uslab.ai/ko/blog/ces-2026-notebooklm-complete-guide

AI가 모든 걸 대신해주지는 않습니다.
하지만 생각을 실제 결과물로 옮기는 속도는 확실히 다른 단계로 올라왔다는 건 분명해 보입니다.