Continuous Learning_Startup & Investment

[AI 반도체 사업의 본질은 무엇인가] 예전 고(故) 이건희 회장은 반도체 사업의 본질을 “양심사업”이라고 말했다. 여기서의 ‘양심’이란, 정직하게 수율을 지키고, 고객이 요구한 품질을 책임지며, 수년간의 설계와 공정 개발, 납기와 신뢰를 바탕으로 꾸준히 거래를 이어가는 산업적 자세를 뜻했다. 실제로 메모리 반도체나 로직 칩의 세계에서는 미세한 공정 수치 하나, 단일 비트의 오류율 하나도 숨기지 않고 고객에게 보고하고, 꾸준히 개선하는 성실한 자세가 기업의 명운을 가를 만큼 중요했다. 하지만 AI 반도체의 시대가 열리면서, 이 ‘업의 본질’이 근본적으로 변화하고 있다. 이제 중요한 것은 단순한 정직함이나 신뢰의 문제를 넘어서, 얼마나 빠르게 소통하고, 얼마나 유연하게 진화하며, 얼마나 깊이 사용자 요구를 흡수하는가에 달려 있다. 즉 AI 반도체는 ‘양심’이 아니라 ‘대화’의 산업이다. 설계자, 알고리즘 개발자, 최적화 엔지니어, 서비스 운영자 간의 긴밀한 상호작용 없이는 도저히 성공할 수 없는 산업이 된 것이다. 1. 변화하는 기술의 속도, 따라잡지 못하는 반도체 주기 오늘날 AI 기술은 눈부시게 빠르게 진화한다. 모델 구조는 몇 달 단위로 바뀌고, 양자화 방식이나 추론 최적화 프레임워크는 거의 주 단위로 쏟아진다. FP4, Speculative Decoding, Disaggregation, Continuous Batching, PagedAttention, Attention의 linear화 등, 알고리즘의 변화 속도는 반도체 설계와 양산 주기를 훨씬 초월한다. 반도체는 기본적으로 느린 산업이다. 설계에 수개월, 검증에 수개월, 양산에는 다시 수개월 이상이 걸린다. 그래서 AI 반도체는 기존의 ‘기술 진보가 곧 시장 성공’이라는 공식이 더 이상 통하지 않는다. 그보다는 “시장과 알고리즘이 지금 어디로 가고 있는지를 얼마나 가까이에서 지켜보고, 즉각 반응할 수 있는가”, 즉 ‘대화력’과 ‘적응력’이 중요해진 것이다. 2. 제품이 아닌 생태계를 기획해야 하는 시대 이제 AI 반도체를 만드는 기업은 단순히 스펙 좋은 칩을 설계하는 것으로는 성공할 수 없다. 어떤 연산이 실제 워크로드에서 병목이 되는지, 메모리 계층 구조는 어떻게 최적화되어야 하는지, 통신 패턴은 어떤 형태로 구현되어야 병렬성이 극대화되는지 등을 파악하기 위해서는, 실제 알고리즘을 매일 실험하는 개발자들과의 끊임없는 커뮤니케이션이 필요하다. 특히 중요한 것은 엔비디아의 H100이나 GH200 같은 칩을 매일 다뤄본 최적화 엔지니어들, LLM 추론 파이프라인을 직접 설계하는 서비스 인프라 팀, 커널 튜닝을 실시간으로 반복하는 모델 개발자들이다. 이들은 "이런 연산은 비효율적이고", "이 구조는 메모리 병목이 크다", "이런 데이터 접근 방식은 확장성이 떨어진다"는 문제를 피부로 느끼며 살아가는 사람들이다. 그들의 피드백은 논문보다 생생하고, 설계 문서보다 현실적이다. 이런 전문가들의 인사이트 없이 만들어진 AI 반도체는 결국 시장과 멀어질 수밖에 없다. 아무리 높은 FLOPS, 숫자상의 높은 전력 효율을 자랑해도, 실제 필드의 요구사항이 반영된 알고리즘들이 구동되지 않으면 쓰이지 않는다. 3. DeepSeek 사례: 알고리즘과 하드웨어의 진화적 상호작용 중국의 DeepSeek는 이 점을 보여주는 대표 사례다. 이 회사는 단순히 모델을 잘 만든 것이 아니라, 어떤 하드웨어 구조가 어떤 알고리즘에서 가장 잘 작동하는지를 철저히 분석했다. 그리고 실제로 GPU 자원을 어떻게 쓰면 가장 낮은 단가로 고성능 추론이 가능한지를 실증했다. 이는 “좋은 하드웨어가 좋은 알고리즘을 만드는 시대”에서 “좋은 알고리즘이 하드웨어를 다시 정의하는 시대”로의 전환을 상징한다. DeepSeek처럼 실제 서비스 환경에서 하드웨어를 직접 다뤄본 조직의 실험 결과는, 향후 AI 반도체의 방향성을 정하는 데 있어 매우 중요한 참고가 된다. 다음 세대 칩을 기획할 때도, "무엇을 더 가속화해야 하는가", "어떤 부분이 병목이었는가"를 설계자보다 사용자에게 물어야 한다. 4. AI 반도체는 '제품 산업'이 아니라 '커뮤니케이션 산업' 이제 AI 반도체 사업은 더 이상 '완성된 제품을 만들어 파는' 산업이 아니다. 그것은 점점 ‘계속 설계하고 계속 개선하는 과정 중심의 산업’으로 바뀌고 있다. 그 과정은 기획자와 개발자, 알고리즘 설계자와 인프라 운영자 사이의 끊임없는 피드백 루프 위에 놓여 있다. 이러한 맥락에서 보면, 반도체 사업은 점점 더 ‘개방형 협업 모델’로 변모하고 있다. 초기 기획부터 알고리즘 팀이 참여하고, 테스트베드는 실제 서비스 워크로드를 반영하며, 최적화는 서비스 현장에서 실험을 통해 이뤄져야 한다. 기존의 ‘스펙 정의 -> 칩 설계 -> 양산 -> 고객’이라는 일방향 흐름이 아니라, 기획–설계–검증–실험–피드백이 동시다발적으로 이루어지는 ‘대화형 개발 구조’가 필요한 것이다. 5. 정책은 기술보다 구조를 설계해야 한다 이제 막 출범한 새 정부도 AI 반도체 산업을 국가적 전략으로 삼고 있다. 하지만 진정한 정책은 단순히 예산을 지원하는 것이 아니라, 실제 알고리즘 개발자와 반도체 기획자가 협업할 수 있는 구조를 설계하는 것이다. 정책은 기술보다 거버넌스와 생태계를 설계해야 한다. -- 국책과제에 서비스 기업의 최적화팀이 공동 기획자로 참여하도록 제도화해야 하며, -- 공공 테스트베드를 단순 벤치마크용이 아니라, 실사용자 시나리오 중심의 실험 환경으로 전환해야 하며, -- 평가도 현재 필드에서 사용 중인 칩들과의 비교를 통해, 실질적인 피드백과 후속 개선으로 이어져야 한다. 그리하여 손에 때가 묻은 사람들이 기술 정책의 테이블에 앉을 수 있도록 해야 한다. 바로 그들이, 우리가 만들어야 할 AI 반도체의 사용자이자 평가자이며, 미래의 공동 설계자이기 때문이다. 6. 결론: 업의 본질이 바뀌고 있다 AI 반도체 산업은 이제 ‘양심’의 산업을 넘어서, ‘대화’의 산업이 되고 있다. 이건희 회장이 말한 양심은 여전히 중요하지만, 오늘날의 경쟁은 더 빠르고, 더 복잡하며, 더 상호작용적이다. 기술력만으로는 이길 수 없다. ‘현장을 이해하는 대화력’, ‘문제를 귀 기울이는 태도’, ‘지속적으로 진화할 수 있는 실험력’이 새로운 AI 반도체 산업의 본질이다. 대한민국이 AI 반도체 강국이 되기 위해서는, 이제 그 본질을 재정의하는 데서 시작해야 한다. 제품을 넘어 생태계를 만들고, 기술을 넘어 사람과 연결되는 산업을 만드는 것—그것이 AI 반도체 시대의 진정한 경쟁력이다. 이동수님

요즘 여러 AI스타트업에서 찾는 인재들 Quora는 회사 전체의 내부 AI 적용 방식을 이끌어갈 최초의 AI 자동화 엔지니어를 채용합니다. 이 직무는 LLM(거대 언어 모델)이 Quora의 일상적인 운영에 어떻게 자리 잡게 될지 그 방식을 만들어나갈 수 있는 특별한 기회입니다. 주요 목표는 가능한 한 많은 업무를 자동화하여 생산성을 높이고, 제품 품질, 의사결정 및 내부 프로세스를 개선하는 것입니다. 당신은 조직 내 여러 팀과 긴밀하게 협력하여 영향력이 큰 문제를 파악하고 해결하게 됩니다. 또한, 최첨단 모델의 성능이 지속적으로 향상됨에 따라 새로운 잠재력을 끊임없이 평가하게 됩니다. Poe를 통해 다양한 최첨단 모델에 접근할 수 있고, AI에 집중하는 조직의 일원으로서, 실험하고, 빠르게 반복하며, 내부 서비스를 출시하기에 최적의 위치에 있게 될 것입니다. 이 직무는 단순한 연구나 프로토타입 제작에 그치지 않고, 호기심이 많고 실용적이며 실질적인 영향력을 만드는 데 동기를 부여받는 엔지니어에게 이상적입니다. 당신은 유용성, 신뢰성, 지속적인 적응에 중점을 두고, Quora의 내부 AI 애플리케이션에 대한 접근 방식의 기반을 마련하게 될 것입니다. 주요 책임: AI를 사용하여 기존 업무를 자동화하고 직원의 생산성을 높이는 내부 도구 및 시스템을 개발하고 유지보수합니다. 이러한 소프트웨어를 만드는 과정 자체를 자동화하기 위해 AI를 최대한 활용합니다. 전사 팀들과 협력하여 고충(pain points)을 이해하고, 영향력이 큰 자동화 또는 프로세스 개선 기회를 파악합니다. AI 기반의 작은 유틸리티나 자동화 기능을 신속하게 프로토타이핑하고, 이를 빠르게 프로덕션 환경에 배포합니다. 아키텍처, 라이브러리, 기술과 같은 영역에서 AI가 내리는 선택을 감독하고, AI가 해결할 수 없을 때 프론트엔드 및 백엔드 서비스 전반의 복잡한 시스템을 디버깅할 준비가 되어 있어야 합니다. 민감한 데이터나 비즈니스에 중요한 로직을 처리할 수 있는 시스템에 대해 높은 신뢰를 받는 오너(owner)로서의 역할을 수행합니다. 여러 부서와 협력하여 개발된 도구가 잘 도입되고 명백한 가치를 제공하는지 보장합니다. 최신 모델과 도구에 대한 정보를 지속적으로 업데이트하고, 그 지식을 업무에 적용합니다. 최소 자격 요건: 프롬프트 엔지니어링 및 자동화된 평가(evals)를 포함하는 LLM 기반 도구를 제작한 경험. Python, React, JavaScript에 대한 높은 숙련도를 갖춘 5년 이상의 풀스택 개발 경험. 뛰어난 디버깅 능력과 여러 프로젝트를 동시에 관리할 수 있는 역량. 특히 민감하거나 비즈니스에 중요한 데이터에 대한 높은 수준의 주인의식(ownership)과 책임감. 뛰어난 커뮤니케이션 능력과 협력적인 사고방식. 빠르게 변화하고 때로는 우선순위가 바뀌는 모호한 환경에서 근무하는 것에 익숙해야 합니다. 제품 개발 외의 팀과 협력하며 일해 본 경험. 타인을 위한 파트너가 되고 유용성을 창출하는 것을 즐기는 타고난 협력가. https://x.com/adamdangelo/status/1936504553916309617

Coatue가 바라보는 시장과 AI 1. AI는 이제 시작, 역사상 가장 큰 기술 혁명이 될 것이다. AI는 이전의 PC, 인터넷 혁명을 뛰어넘는 '슈퍼 사이클'의 초입에 있습니다. 과거 철도나 제조업이 그랬던 것처럼, AI가 미국 전체 시가총액의 75%를 차지할 수도 있다는 전망은 AI의 잠재력이 아직 무한하다는 것을 의미합니다. 투자는 이미 Mag7을 넘어 AI 전력, 소프트웨어, 반도체 등 전방위로 확산되고 있으며, AI는 모든 산업의 경계를 허물며 경제의 근간을 바꿀 것입니다. 2. 비트코인은 더 이상 무시할 수 없는 자산이며, 마음을 열어야 한다. 미국의 규제 명확성 증가와 스테이블코인의 실질적인 사용 사례가 늘면서 암호화폐는 새로운 국면을 맞았습니다. 특히 비트코인은 변동성이 줄며 기관 투자자들이 주목하는 자산이 되었습니다. 과거의 실패 경험 때문에 새로운 가능성을 외면하는 것은 큰 실수가 될 수 있습니다. 위대한 투자자는 "마음을 바꿀 수 있는" 유연성을 가져야 합니다. 3. 데이터는 거짓말을 하지 않는다: ChatGPT는 구글을 위협하고 있다. 많은 사람들의 '느낌'이 데이터로 증명되었습니다. 코튜(Coatue)의 분석 결과, ChatGPT 유료 구독자는 구글 검색 사용량이 실제로 8~11% 감소했습니다. 경쟁자들이 등장했음에도 ChatGPT의 성장세는 꺾이지 않고 있으며, 이는 검색 광고에 의존하는 기존 강자에게 실질적인 위협이 되고 있음을 보여줍니다. 4. "GPU 확보량"이 미래 클라우드 시장의 승자를 예측하는 바로미터다. AI 시대의 핵심 자원인 엔비디아 GPU를 누가 얼마나 확보했는지가 미래 클라우드 시장 점유율을 예측하는 가장 중요한 선행 지표가 될 수 있습니다. 현재 1위인 AWS의 GPU 확보량이 상대적으로 적은 반면, 오라클과 신흥 강자 코어위브(CoreWeave)는 공격적으로 GPU를 확보하고 있습니다. 이는 클라우드 시장의 지각 변동이 이미 시작되었음을 시사합니다. 5. AI가 미국의 부채 위기를 해결할 수 있다. 미국의 막대한 부채가 높은 인플레이션을 유발할 것이라는 비관론이 팽배합니다. 하지만 AI가 가져올 폭발적인 '생산성 향상'이 경제 파이 자체를 키워 부채 문제를 해결할 수 있다는 반론이 힘을 얻고 있습니다. 투자자들이 여전히 4.5% 금리로 30년 만기 미국 채권을 사는 이유는 바로 이 '높은 성장과 낮은 인플레이션'이라는 낙관적인 미래에 베팅하고 있기 때문입니다. 6. 얼어붙었던 투자 시장이 풀리고 있다: 지금은 속도가 생명이다. 지난 몇 년간 닫혀 있던 IPO와 M&A 시장이 다시 열리고 있습니다. 특히 메타가 스케일 AI 지분 49%를 사실상 회사 가치 100%에 해당하는 돈을 주고 산 것은 AI 시대의 경쟁이 얼마나 치열하고 '속도'가 중요한지를 보여주는 상징적인 사건입니다. 시장의 승자가 되기 위해선 막대한 프리미엄을 지불해서라도 즉시 인재와 기술을 확보해야 한다는 절박함이 깔려 있습니다. 7. AI는 '마진 확장 황금기'를 열고 있다. AI는 기업들이 직원을 늘리지 않고도 매출을 극대화하는 시대를 열었습니다. 마이크로소프트의 직원 수가 정체된 상태에서 성과가 폭발하고, 앱러빈(AppLovin)이 인력을 35% 줄이고도 매출을 2배로 늘린 것이 그 증거입니다. 이는 개별 기업의 수익성을 넘어 경제 전체의 생산성을 끌어올리는 동력이 될 것입니다. 8. 모든 기업에게 던지는 질문: 성장 단계에 맞는 생존 전략을 세워라. 기업은 자신의 성장률과 수익성 상태에 따라 다른 전략을 취해야 합니다. 고성장 & 흑자 기업: IPO를 준비하라. 고성장 & 적자 기업: 대규모 투자 유치로 '철옹성'을 쌓아라. 저성장 & 흑자 기업: 현실에 안주하지 말고, AI를 활용해 공격적으로 재투자하라. 저성장 & 적자 기업: 가장 위험한 상태. 과감하게 기존 사업을 버리고 새로운 기회에 올인하는 '재창조' 수준의 변화를 감행해야 살아남을 수 있다. https://youtu.be/4JA7n0wTChw https://drive.google.com/file/d/1Srl8Y4pBoKtNVYZBxmfj2TEMYM5tp1mE/view?pli=1

Q. OpenAI가 '스케일링 가설(scaling hypothesis)'을 진지하게 받아들인 최초의 회사였나요? A. 최초라고 단정하긴 어렵지만, 가장 먼저 큰 성공을 거둔 것은 맞습니다. 가설을 증명하려 한 것이 아니라, 도타(Dota) 2 프로젝트에서 컴퓨팅 자원을 2배로 늘릴 때마다 성능도 2배로 향상되는 것을 '관찰'했습니다. 문제를 먼저 찾는 일반적인 스타트업과 달리, 우리는 기술의 가능성을 먼저 쫓았습니다. Q. 도타 프로젝트에서 얻은 다른 교훈은 무엇인가요? A. 결과 기반 목표("이 날짜까지 이기자")는 통하지 않는다는 경영 교훈을 얻었습니다. 대신 실험, 기능 구현 같은 '투입' 기반 목표를 설정해야 합니다. 딥러닝도 마찬가지로, 결과를 직접 통제할 순 없지만, 올바른 데이터를 투입하고 평가하면 마법 같은 결과를 얻을 수 있습니다. Q. AI의 다음 개척지로 여겨지는 '개인화'에 대해 어떻게 생각하나요? A. 매우 중요합니다. 저 자신도 이제는 ChatGPT가 제 정보를 기억하길 원할 정도로 유용해졌습니다. 우리는 제품팀과 연구팀이 긴밀히 협력하며 사일로(silo) 없이 이 문제를 해결하고 있습니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다. Q. 최초로 성공적인 반응을 얻은 사용 사례는 무엇이었나요? A. 텍스트 어드벤처 게임인 'AI Dungeon'이 최초의 유료 고객이었습니다. GPT-3는 훌륭한 데모였지만 신뢰성이 낮았고, GPT-4와 후속 학습(post-training) 기술이 등장하고 나서야 실제 비즈니스를 구축할 수 있었습니다. Q. AI 제품 개발이 운영체제(OS)의 한계에 부딪힌 것처럼 느껴지나요? AI의 놀라운 잠재력에 비해, 우리가 일상에서 AI를 사용하는 경험(UX)은 왜 이렇게 단절되고 원시적인가? A. 성능이 압도적이면, 불편함은 감수하게 됩니다." (Capability > Convenience) 현재 AI의 UX가 불편한 것은 사실이지만, 그 불편함을 상쇄하고도 남을 만큼 AI의 '성능(Capability)'이 강력하다면 사람들은 기꺼이 그 불편을 감수하고 사용할 것. 결국 편의성은 따라올 것입니다. 휴대폰 폼팩터를 가진 애플/삼성이 바뀌던 혹은 OpenAI가 새로운 폼팩터를 만들어내는 방향이 될것입니다. Q. 2023년에 화두였던 '데이터 장벽(data wall)' 문제는 어떻게 되었나요? A. 패러다임은 계속 바뀝니다. 하나의 S-커브가 한계에 도달하면 합성 데이터나 강화학습(RL) 같은 새로운 S-커브가 나타납니다. 강화학습은 AI가 스스로 데이터를 생성하는 방식이므로 데이터 장벽 문제를 우회할 수 있습니다. Q. AI가 대규모 코드베이스처럼 깊은 맥락 이해가 필요한 작업에는 취약하지 않나요? A. 이미 바뀌고 있습니다. 코덱스(Codex)는 대규모 코드베이스 내에서 특정 기능이 어디에 구현되었는지 찾는 데 저보다 뛰어납니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다. https://youtu.be/E6hCFDfkijU

황민호님 향후 1년 이내 우선 개발 현장의 AI 에이전트 채택률이 급상승하여, 많은 개발팀이 파일럿으로 이를 도입하고 성공 사례가 공유될 것입니다. 최근 발표된 Codex, Claude Code, Jules 등이 2025년 말까지 안정화 버전을 출시하고 더 많은 사용자에게 개방될 가능성이 높습니다. 유사하거나 더 좋은 기능을 가진 에이전트들이 등장할 것입니다. 개발자들은 자연스럽게 일상 업무에서 AI와 협업하게 되고, 새로운 프로젝트를 시작할 때 “AI 지원 여부”가 생산성에 큰 영향을 미치는 요인으로 떠오를 것입니다. 기업 내부적으로는 AI 거버넌스 팀이 생겨서, 각 팀의 AI 활용을 지원하고 정책을 수립하는 움직임이 시작될 수 있습니다. 또한 AI 코딩 능숙도에 따른 인력 재배치가 진행되어, 일부 반복 작업 인력은 다른 창의적 업무로 전환되거나 AI 관리 업무로 이동할 것입니다. 일부 소규모팀에서 놀랄만한 성과를 내는 사례가 나타날 것입니다. 단기적으로 크게 우려했던 대규모 실직 사태나 개발자 불필요 현상은 일부 나타나긴 하겠지만, 오히려 AI로 보강된 개발자의 높은 생산성으로 프로젝트 기간 단축, 품질 향상 등의 긍정적 성과가 부각될 전망입니다. 다만 일부 개발자의 경우 업무량이나 난이도가 증가할 수 있습니다. AI가 코드를 작성해주지만 그만큼 더 많은 기능을 더 짧은 시간에 만들 것을 요구받거나, AI 산출물을 검증하느라 정신없어지는 상황이 올 수 있습니다. 이에 따라 일부 개발자들은 과로 또는 스트레스를 호소할 가능성도 있어, 기업 문화 차원에서 AI 활용에 대한 현실적 목표 설정과 워크로드 관리가 필요할 것입니다. 기술적으로는 향후 1년간 AI 코딩 모델의 신뢰성 개선이 이루어져, 지금 가끔 발생하는 할루시네이션이나 실수 사례가 확연히 줄어들고, 보안 민감 코드를 작성할 때 경고를 주는 등 안전장치가 강화될 것입니다. 1년 후에는 AI 에이전트가 작성한 코드라도 현재보다 훨씬 신뢰성 있게 바로 프로덕션에 투입할 수 있는 수준에 가까워지고, 이를 경험한 개부분의 개발자들의 인식도 “AI가 꽤 쓸 만하다”는 쪽으로 바뀌게 될 것입니다.

컴퓨터 화면이 사라진다: LLM 시대, 우리가 상상해야 할 새로운 인터페이스 지난 40년간 우리는 정해진 규칙에 따라 컴퓨터를 ‘조작’해왔습니다. 창(Windows)을 열고, 아이콘(Icons)을 찾아, 메뉴(Menus)를 눌러 원하는 기능을 실행했죠. 하지만 LLM이 새로운 운영체제(OS)가 되면서, 이 모든 규칙이 무너지고 있습니다. 이제 우리는 컴퓨터를 조작하는 대신, 우리의 ‘의도’를 전달하게 됩니다. 그리고 이 근본적인 변화는 우리가 매일 마주하는 ‘화면(GUI)’의 개념 자체를 뒤바꿀 것입니다. 미래의 인터페이스는 ‘보여주는’ 것이 아니라, ‘대화하고 협업하는’ 것이 될 겁니다. 그렇다면 LLM 네이티브 시대의 좋은 인터페이스는 어떤 모습일까요? 1. 당신의 말 한마디에 태어나는 ‘임시 UI’ 미래에는 고정된 화면이 없습니다. 오직 당신의 목표와 AI와의 대화만이 존재합니다. “다음 주 제주도 2박 3일 가족 여행 계획 짜줘”라고 말하면, AI는 검색 결과 링크를 던져주는 대신 항공권, 숙소, 맛집 후보가 담긴 비교/선택용 카드 UI를 그 자리에서 생성합니다. 당신이 그 카드들을 보며 “아니, 렌터카는 필요 없어”라고 말하면 렌터카 카드는 즉시 사라지고, “이 호텔은 왜 추천했어?”라고 물으면 “요청하신 ‘해변 근처 4성급’ 조건과 평점을 모두 만족합니다”라는 설명과 함께 새로운 옵션 카드가 나타납니다. 모든 결정이 끝나면 이 UI는 미련 없이 사라지죠. 이는 단순히 대화형 인터페이스를 넘어섭니다. 사용자의 의도와 맥락에 따라, 그 순간에만 존재하는 **‘상황인지형 동적 UI(Context-Aware & Ephemeral UI)’**입니다. 더 이상 우리는 정해진 메뉴판에서 음식을 고르는 것이 아니라, 우리의 주문에 맞춰 셰프가 즉석에서 요리를 내어주는 경험을 하게 될 겁니다. 2. ‘블랙박스’가 아닌 ‘유리상자’ 속 AI AI가 모든 것을 알아서 처리하면 편리하지만, 동시에 불안합니다. ‘과연 제대로 하고 있는 걸까?’라는 의심이 들죠. 신뢰할 수 있는 인터페이스는 AI의 생각과 계획을 투명하게 보여줘야 합니다. 미래의 인터페이스는 AI의 작업 계획을 ‘1. 항공권 검색 → 2. 숙소 검색 → 3. 맛집 리스트업’과 같은 순서도나 체크리스트로 시각화해서 보여줄 겁니다. 우리는 이 ‘유리상자’ 속을 들여다보며 특정 단계를 건너뛰거나 수정하는 등 실시간으로 개입하고 감독할 수 있습니다. AI는 더 이상 마법 같은 블랙박스가 아니라, 내가 모든 과정을 이해하고 제어할 수 있는 유능한 파트너가 됩니다. 3. ‘앱’의 경계가 무너지고, ‘목표’만 남는다 이러한 인터페이스의 변화는 궁극적으로 ‘앱’이라는 개념을 해체시킵니다. 현재 우리는 ‘항공권 앱’, ‘호텔 앱’, ‘지도 앱’을 각각 열어서 작업합니다. 하지만 미래에는 그럴 필요가 없습니다. LLM이라는 OS가 우리의 “여행 계획”이라는 최종 목표를 이해하고, 각 앱의 **‘기능(capability)’**만을 도구처럼 불러와 조합하기 때문입니다. 더 이상 우리는 ‘포토샵을 열어서…’라고 생각하지 않을 겁니다. 그저 **“이 사진에서 배경 좀 지워줘”**라고 말하면, LLM은 포토샵의 배경 제거 ‘기능’만 빌려와 결과를 보여줍니다. 이제 우리에게 중요한 것은 어떤 앱을 쓰느냐가 아니라, 어떤 목표를 달성하고 싶으냐는 것뿐입니다. https://x.com/karpathy/status/1935779463536755062

AI 기술은 세상을 바꾸고 있지만, 정작 AI 제품을 알리고 퍼뜨리는 '유통' 방식은 제자리걸음입니다. 곧 새로운 '게임 체인저'가 등장해 이 판을 뒤흔들 것입니다. 과거 페이스북, 구글처럼 새로운 플랫폼은 처음엔 문을 활짝 열어주다가, 힘이 세지면 문을 닫고 통행세(수수료)를 걷습니다. 그 다음 주인공이 바로 ChatGPT가 될 것이고, 우리는 이 피할 수 없는 게임에서 어떻게 살아남고 이길 수 있는지 생각해야합니다. AI가 부수고 있는 옛날 길, 새로운 길은 어디에? 문제: AI 덕분에 놀라운 제품을 만들 수 있게 됐지만, 정작 고객에게 알릴 방법이 막히고 있습니다. AI 검색이 기존의 검색엔진최적화(SEO)를 무력화하고, 소셜 미디어는 점점 더 폐쇄적으로 변하고 있죠. 역사 속 힌트: 원래 기술과 유통의 발전은 시간 차가 있습니다. 인터넷이 나오고 한참 뒤에 구글이, 스마트폰이 나오고 한참 뒤에 페이스북 광고가 세상을 지배했습니다. AI 시대도 마찬가지입니다. 다가올 미래: AI 기술이 폭발한 지 얼마 안 됐으니, 이제 곧 새로운 유통의 '왕'이 등장할 차례입니다. 그리고 이번엔 그 속도가 훨씬 빠를 겁니다. 모든 플랫폼의 '달콤한 유혹'과 '배신'의 3단계 법칙 이 법칙을 모르면 당신도 언젠가 '토사구팽' 당할 수 있습니다. 1단계: 세력 키우기 (나만의 성벽 쌓기) 플랫폼은 자신만의 독점적인 무기(페이스북의 '인맥', 구글의 '검색 데이터')를 정합니다. 2단계: 문 활짝 열기 ("모두에게 공짜로 나눠드립니다!") 자신의 성벽을 더 높고 단단하게 쌓기 위해, 개발자들에게 "우리 플랫폼 위에서 마음껏 놀아보세요!"라며 파격적인 혜택(무료 API, 엄청난 홍보 효과)을 제공합니다. 당신의 서비스가 플랫폼을 더 강하게 만들어주니까요. 3단계: 문 닫고 통행세 걷기 ("이제부터 유료입니다.") 플랫폼이 시장을 장악하면, 갑자기 태도를 바꿉니다. 무료였던 기능이 유료가 되고, 없던 규칙이 생깁니다. 잘나가던 서비스의 아이디어를 베끼거나, 높은 수수료를 요구하며 생태계를 통제하기 시작합니다. 다음 왕은 'ChatGPT'가 될 것이다 ChatGPT의 진짜 무기: 단순히 똑똑한 대답이 아닙니다. 바로 **당신에 대한 '맥락'과 '기억'**입니다. 당신의 과거 대화, 취향, 업무 스타일을 모두 기억하는 AI 비서는 다른 어떤 AI도 따라 할 수 없는 강력한 무기입니다. 한번 길들여지면 떠나기 어렵죠. 이미 시작된 신호: OpenAI는 이미 외부 서비스와의 연동 기능을 늘리고, 관련 인력을 대거 채용하고 있습니다. 더 많은 '기억'을 수집해 독점적인 성벽을 쌓기 위한 움직임입니다. 정해진 배신의 시나리오: ChatGPT가 당신의 모든 것을 '기억'하게 되면, 3단계 법칙에 따라 문을 닫기 시작할 겁니다. 수수료를 요구하고, 유용한 기능들을 독점하며, 결국엔 당신의 서비스를 위협할 수 있습니다. 왜 하필 ChatGPT인가? 압도적인 '단골 고객' 수: ChatGPT는 다른 AI 서비스와 비교할 수 없을 정도로 사용자 충성도(리텐션)가 높습니다. 마치 페이스북이나 슬랙처럼, 한번 쓰기 시작하면 계속 쓰게 되는 마력을 가졌죠. 충성도의 힘: 충성도 높은 사용자들이 많다는 것은, 더 많은 개발자들이 ChatGPT를 위한 서비스를 만들게 된다는 의미입니다. 이는 더 많은 '기억'을 쌓는 선순환으로 이어져, 누구도 넘볼 수 없는 제국을 만들게 됩니다. 우리는 어떻게 해야 할까? (피할 수 없는 게임) 선택지는 없다: 경쟁사가 먼저 ChatGPT와 손잡고 더 나은 서비스를 내놓는다면, 우리도 결국 그 흐름에 동참할 수밖에 없습니다. 맹목적인 합류는 금물: 전략적으로 접근해야 합니다. "이 달콤한 시기는 얼마나 갈까?", "우리가 주는 것과 얻는 것은 무엇인가?"를 냉정하게 따져봐야 합니다. 가장 중요한 전략: ChatGPT의 도움을 받되, 나만의 '성벽'을 따로 쌓아야 합니다. 고객과 직접 소통하는 창구를 만들고, 우리만의 데이터를 확보하며, ChatGPT 없이도 살아남을 수 있는 핵심 가치를 만들어야 합니다. https://blog.brianbalfour.com/p/the-next-great-distribution-shift

AI 시대, '바이브 코딩'을 넘어 진정한 프로 팀이 일하는 법 AI 코딩 툴은 엄청난 속도 향상을 가져왔습니다. 하지만 잘못 사용하면 오히려 프로젝트를 망치고 기술 부채만 쌓이게 됩니다. 이 가이드는 '분위기(Vibe)'만으로 일할 수 없는, 실제 제품을 만드는 프로 엔지니어링 팀이 어떻게 AI를 활용하여 더 나은 제품을 만드는지에 대한 실전 경험담 AI는 '증폭기'다: 당신의 실력이 곧 AI의 실력 가장 중요한 원칙은 이것입니다. AI는 당신의 능력을 증폭시킬 뿐입니다. 당신이 뛰어난 엔지니어라면 AI는 당신을 더욱 위대하게 만들지만, 실력이 부족하다면 AI는 그 부족함을 더욱 증폭시킬 것입니다. 왜 뛰어난 엔지니어가 AI를 더 잘 쓸까요? 명확한 소통 능력: 기술적 아이디어를 정확하고 상세하게 전달할 수 있습니다. '메카닉의 감각': 좋은 시스템으로 가는 길을 본능적으로 알고, 그 방향으로 LLM을 조종합니다. 탄탄한 기본기: 새로운 도구나 시스템을 빠르게 습득합니다. 세련된 취향: 무엇이 좋은 코드이고 무엇이 나쁜 코드인지 아는 날카로운 안목이 AI의 결과물에 그대로 반영됩니다. 나쁜 프롬프트 vs. 좋은 프롬프트 나쁜 예시 (생각이 부족한 프롬프트): "분당 10개 요청으로 사용자를 제한하는 파이썬 속도 제한기를 작성해줘." 결과: 그럴듯해 보이지만, 엣지 케이스나 좋은 관행을 놓친 코드가 나올 가능성이 높습니다. 좋은 예시 (전문가의 프롬프트): "다음 요구사항을 만족하는 파이썬 토큰 버킷 속도 제한기를 구현해줘: 사용자 ID별 분당 10개 요청 제한 동시 접근을 위한 스레드 안전성 보장 만료된 사용자 항목 자동 정리 (허용 여부, 재시도 시간) 튜플 반환 ~~~” 팁: 메타프롬프팅(Metaprompting)을 활용하세요. 간단한 작업을 AI에게 주고, "이 작업을 더 잘하려면 어떤 점을 고려해야 할까?"라고 되물어보세요. AI가 스스로 더 좋은 프롬프트를 만들도록 유도할 수 있습니다. 2. 좋은 환경이 좋은 AI를 만든다: 인간에게 좋은 것은 AI에게도 좋다 소프트웨어 엔지니어링은 단순히 코드를 짜는 행위가 아닙니다. 비즈니스 요구를 만족시키는 거대한 멘탈 모델을 만들고 유지하는 기술입니다. AI도 이 시스템의 일부로 참여해야 합니다. 결론적으로, AI는 인간 엔지니어가 번성하는 환경에서 똑같이 번성합니다. 당신의 팀과 코드베이스가 고품질일수록 AI는 더 똑똑하게 일합니다. AI가 좋아하는 환경의 특징: 좋은 테스트 커버리지 자동화된 코드 포맷팅 및 테스트 지속적인 통합 및 배포 (CI/CD) 잘 정리된 기술 문서와 커밋 메시지 일관된 코드 스타일과 패턴 명확하게 정의되고 잘게 쪼개진 기능 개발 단위 (스토리 카드) 실화: 잘 정리된 서비스와 엉망인 서비스 두 곳에서 AI에게 같은 난이도의 작업을 시켰습니다. 결과는? AI는 잘 정리된 환경에서 훨씬 뛰어난 성과를 냈고, 엉망인 환경에서는 혼란스러워하며 작업을 제대로 완수하지 못했습니다. 3. 실전 AI 코딩 전술: 에디터 안팎에서 활용하는 법 에디터 안에서 (In-editor) 1. 최고의 모델을 사용하세요. 돈을 아끼지 마세요: 더 좋은 모델은 복리 효과처럼 더 큰 결과 차이를 만듭니다. 2. 컨텍스트 제공의 달인이 되세요: 작업에 꼭 필요한 파일만 @로 언급하고, 관련 문서만 링크하여 AI의 집중력을 높이세요. 3. 규칙을 명시하세요 (RULES.md): 기술 스택, 코딩 표준, 흔한 실수 등을 RULES.md 파일에 정리해두면 AI가 이를 참고하여 더 좋은 코드를 작성합니다. 4. 문제를 잘게 나누세요: 큰 기능은 작은 작업 단위로 나누어 하나씩 처리하고 커밋하세요. AI는 구체적일수록 더 잘 작동합니다. 5, AI의 제안을 당연하게 여기지 마세요: "왜 이런 선택을 했어? 다른 대안은 없어?"라고 물으며 더 깊이 생각하도록 유도하세요. 에디터 밖에서 (Outside the editor) 1. AI로 당신의 스킬을 키우세요: AI는 지치지 않는 선생님입니다. 새로운 코드, 기술 스택, 모범 사례를 배우는 데 적극적으로 활용하세요. 2. 방대한 문서를 쉽게 만드세요: 코드베이스를 AI에게 던져주고 기능 설명, 테스트 케이스 분석 등을 시키세요. 문서는 이제 저렴하게 생산할 수 있는 자산이며, 이는 다시 AI와 팀 동료의 효율을 높이는 선순환을 만듭니다. 3. 사소한 마찰을 줄이는 '윤활유'를 만드세요: - 모의 서버(Mock server): 프론트엔드와 백엔드 팀 간의 협업을 원활하게 합니다. - 자동화 스크립트: 반복적인 배포, 문제 해결 가이드를 자동화된 스크립트로 만듭니다. 4. 코드 리뷰에 활용하세요: - AI에게 코드 변경사항 요약, 배포 방법 설명을 맡기세요. - 첫 리뷰는 AI 봇에게 맡겨 시간을 절약하되, 절대 인간의 최종 리뷰를 대체해서는 안 됩니다. 4. AI가 바꾸는 '장인 정신'의 의미 1. 섣부른 추상화를 피하세요: 과거에는 반복을 피하기 위해 추상화가 중요했지만, 이제는 AI 덕분에 약간의 반복은 감수할 만합니다. 섣부른 추상화 대신 변화에 더 유연하게 대처할 수 있습니다. 2. 다시 만드는 비용이 저렴해졌습니다: 작은 단위의 코드보다 전체적인 구조와 패턴이 더 중요해졌습니다. 아이디어를 검증하기 위해 빠르게 여러 프로토타입을 만들어보고, 마음에 들지 않으면 다시 만들면 됩니다. 3. 테스트는 이제 협상의 여지가 없습니다: AI는 테스트 코드를 매우 빠르게 생성합니다. 테스트를 작성하지 않을 핑계는 이제 사라졌습니다. 단, AI가 만든 단언(assertion)은 반드시 직접 리뷰해야 합니다. https://blog.nilenso.com/blog/2025/05/29/ai-assisted-coding/

- 소프트웨어 1.0 | 인간이 기계에게 명령하는 시대 개발자가 파이썬 같은 언어로 컴퓨터에 명시적인 지시를 내립니다. 마치 상세한 레시피를 보고 그대로 요리하는 것과 같습니다. - 소프트웨어 2.0 | 데이터가 코드를 쓰는 시대 신경망이 방대한 데이터를 보고 스스로 패턴을 학습해 코드를 만듭니다. 셰프가 수만 개의 요리 데이터를 보고 최고의 레시피를 터득하는 것과 같습니다. 자율주행, 의료 AI가 대표적입니다. - 소프트웨어 3.0 | 대화가 프로그래밍이 되는 시대 바로 지금, LLM의 시대입니다. 가장 큰 혁신은 프로그래밍 언어가 **'자연어'**로 바뀐 것입니다. 이제 우리는 대화를 통해 컴퓨터를 프로그래밍합니다. 셰프에게 "달콤하면서도 짭짤한 파스타 만들어줘"라고 말만 하면 요리가 완성되는 세상입니다. 카파시는 현재의 LLM을 **"1960년대의 원시적인 운영체제(OS)"**에 비유합니다. - 원시적 입출력: 우리는 텍스트로 명령하고 텍스트로 결과를 받는, 그래픽이 없는 '터미널' 환경에 있습니다. - 직접적인 제어: 추상화된 버튼 없이, LLM이라는 OS의 엔진(커널)에 직접 말을 걸어야 합니다. - 상태의 부재: 대화가 끝나면 모든 것을 잊어버리는 **'단기 기억상실증'**을 겪습니다. 매번 맥락을 다시 설명해야 하죠. - 비직관성: 텍스트만으로는 복잡한 정보를 이해하기 어렵습니다. 시각적 정보가 훨씬 효율적입니다. LLM은 한편으론 초인적인 지식을 가졌지만, 다른 한편으론 거짓말(환각)을 하고 어이없는 실수를 합니다. 이런 '결함 있는 천재'와 어떻게 협력해야 할까요? "정답은 '부분 자율성(Partial Autonomy)'입니다. 우리는 AI를 완전 자율 로봇으로 만들기보다, 인간의 능력을 증강시키는 '아이언맨 슈트'처럼 만들어야 합니다." 이를 위해선 인간이 AI를 효과적으로 통제하며 생산성을 극대화하는 새로운 도구(GUI)가 필요합니다. - 성공 사례 (Cursor / Perplexity): 코딩 도구 **Cursor**나 검색 엔진 **Perplexity**는 훌륭한 예시입니다. 이들은 복잡한 작업을 AI에게 맡기되, 그 과정을 시각적으로 보여주고 최종 결정은 인간이 쉽게 내릴 수 있도록 돕습니다. 사용자는 작업의 난이도에 따라 AI의 자율성 수준을 조절할 수 있습니다. "AI가 아이디어를 내는 것은 쉽지만, 그 아이디어를 현실로 만드는 과정에서 AI는 너무 과하게 행동하려는 경향이 있습니다. 1만 줄짜리 코드 변경을 한 번에 제안하면 인간은 검증할 수 없습니다. AI를 '짧은 목줄에 묶어' 단계적으로 협력하는 지혜가 필요합니다." **인간이 아닌, AI 에이전트(Agent)가 쉽게 일할 수 있는 새로운 인프라**를 만드는 것입니다. - 에이전트를 위한 빌드(Build for Agents)란? - 웹사이트 정보를 AI가 이해하기 쉬운 마크다운(Markdown) 형식으로 제공합니다. - 인간에게 '클릭하세요'라고 말하는 대신, AI가 즉시 실행할 수 있는 **명령어(CURL)**를 제공합니다. - GitHub 주소를 살짝 바꿔, 복잡한 코드를 AI가 읽기 좋은 **단일 텍스트**로 변환해줍니다. https://youtu.be/LCEmiRjPEtQ

Private Equity + AI 시도도 꽤 많이 이루어지고 있다 https://open.substack.com/pub/thecapitaledge/p/ai-e3a?r=1dax0&utm_medium=ios

Anthropic은 어떻게 AI를 사용하고 있나? https://whchoi98.notion.site/How-Anthropic-teams-use-Claude-Code-20b04ef7e60e80febfb1d3581905f99a 1. 재무팀 구성원은 코드 작성 경험 없이 “이 대시보드에서 데이터를 조회하고, 정보를 얻은 다음 이 쿼리를 실행하고, Excel 출력물 생성” 2. 신입 사원을 위한 코드베이스 네비게이션: Claude는 문서화된 Claude.md 파일을 분석해 작업에 필요한 관련 파일을 찾아주고, 데이터 파이프라인의 상위 종속성을 설명하며, 대시보드에 어떤 데이터가 들어오는지도 알려줍니다. 이는 전통적인 데이터 카탈로그나 검색 도구를 대체합니다. 3. 문서 갱신: Claude에게 수행한 작업 요약 및 개선사항 제안을 요청합니다. 이를 통해 문서와 워크플로우 가이드가 점진적으로 개선되며 지속적인 개선 루프가 형성 4 자가 검증 루프를 설정하세요: Claude가 빌드, 테스트, 린트를 자동으로 수행하도록 설정하면 자율적으로 더 오래 작업할 수 있으며, 오류도 스스로 감지할 수 있습니다. 테스트 코드를 먼저 생성하도록 지시하면 더욱 효과적입니다. 5. 반복적인 리팩토링 자동 처리 병합 충돌이나 중간 수준의 복잡한 파일 리팩토링과 같이 에디터 매크로로 해결하기엔 어렵고, 대규모 개발 노력을 들이기엔 애매한 작업을 Claude에 맡깁니다. 상태를 커밋하고 Claude에게 30분 동안 자율적으로 작업하게 한 뒤 결과가 만족스러우면 채택하고, 아니면 다시 처음부터 시작합니다. 6. Figma 플러그인으로 대량 광고 이미지 생성 정적인 이미지 광고를 수작업으로 복사·편집하던 방식에서 벗어나, Figma 플러그인을 만들어 텍스트만 바꿔 최대 100개의 변형 이미지를 자동 생성합니다. 수작업으로 수 시간 걸릴 작업이 한 번의 클릭으로 완료되어 크리에이티브 생산량이 10배 증가했습니다. 7. Meta Ads 분석용 MCP 서버 구축 Meta Ads API와 연동되는 MCP 서버를 구축해, 캠페인 성과, 비용, 광고 효과 등을 Claude Desktop App 안에서 바로 조회할 수 있게 했습니다. 플랫폼 간 전환 없이 분석이 가능해 ROI 최적화에 직접 기여합니다. 8. 복잡한 워크플로우는 하위 에이전트로 분할하세요 하나의 프롬프트나 흐름으로 모든 작업을 처리하려 하지 말고, 헤드라인용 에이전트, 설명용 에이전트처럼 나누면 디버깅이 쉽고 결과물 품질도 향상됩니다. 9. 프론트엔드 시각 요소 및 상태 관리 직접 수정 이전에는 폰트, 색상, 여백 등의 시각적 요소를 변경하려면 문서 작성 → 엔지니어와 피드백 반복의 과정을 거쳐야 했지만, 이제는 Claude Code로 디자이너가 직접 구현합니다. 일부 디자이너는 “보통 디자이너가 다루지 않는 상태 관리 로직까지 직접 수정”하기도 하며, 원하는 완성도를 스스로 달성할 수 있게 되었습니다. 10. GitHub Actions 기반 자동 티켓 처리 GitHub 이슈나 티켓을 생성하면 Claude가 자동으로 코드 제안을 작성합니다. Claude Code를 직접 실행하지 않고도 티켓 기반으로 버그 수정이나 마이크로 피처 개선 작업이 자동화됩니다. 11. 법무팀 워크플로우 자동화 구성원이 적절한 법률 담당자를 찾을 수 있도록 돕는 ‘전화 트리’ 시스템의 프로토타입을 Claude Code로 구축했습니다. 전통적인 개발 리소스 없이도 법무팀 전용 툴을 제작하는 데 성공했습니다.

우리 시대의 새로운 '컨베이어 벨트'는 바로 AI로 재정의된 워크플로우가 될 것입니다. 과거 컨베이어 벨트가 자동차 산업의 생산성을 폭발시켰듯, AI 워크플로우는 지식 노동의 생산성을 바꿀것입니다. 기업의 가장 큰 가치는 바로 이 '업무 방식의 혁신'에서 창출될 것입니다. 많은 사람들이 이미 GPT나 Copilot을 사용하고 있지만, 실제 본인의 업무에는 효과가 미미하거나 정확성이 떨어지는 경우가 많습니다. 범용 AI는 우리 회사의 고유한 지식과 복잡한 업무 프로세스를 이해하지 못하는 '똑똑한 인턴'과 같아서, 핵심적인 가치를 만들어내는 데 한계가 있습니다. 하지만 우리 회사의 데이터와 도메인 지식을 깊이 학습한 AI 도구와 에이전트는 다릅니다. 이들은 '숙련된 전문가'처럼 일하며, 그 성능은 이미 놀라운 수준에 도달했고 기하급수적으로 발전하고 있습니다. 가장 명확한 증거는 소프트웨어 개발 분야에서 나타나고 있습니다. 코딩 데이터로 학습한 AI 도구(Cursor 등)와 에이전트는 이미 개발자의 생산성을 극적으로 높였으며, 심지어 비개발자도 간단한 앱을 만들 수 있는 시대를 열고 있습니다. 그렇다면, 이 성공 모델을 회사가 가진 다른 모든 데이터(재무, 법무, 마케팅 등)에 적용한다면 어떨까요? AI 에이전트를 중심으로 업무 방식을 완전히 재설계했을 때, 우리 회사의 생산성과 결과물의 수준은 과연 어디까지 도달할 수 있을까요? 우리는 일하는 방식을 바꿔야합니다. 그렇지 않으면 누군가 먼저 바꿀것입니다.

수학의 모차르트 테렌스타오가 바라보는 AI Q: 딥마인드의 알파프루프(AlphaProof)와 같은 AI가 수학 문제를 푸는 것에 대해 어떻게 생각하시나요? A: AI가 국제수학올림피아드(IMO) 수준의 문제를 푸는 것은 매우 인상적이며, 무엇이 가능한지를 보여주는 훌륭한 성과입니다. 하지만 현재 접근 방식은 확장성에 한계가 있습니다. AI는 실수를 하고, 증명이 길어질수록 실패율이 기하급수적으로 증가합니다. - 인간 수학자와 AI의 차이: 현재 AI는 '잘못된 길로 들어섰을 때'를 인지하는 능력, 즉 '수학적 후각(mathematical smell)'이 부족합니다. AI가 생성한 증명은 겉보기에는 완벽해 보이지만, 미묘하고 어리석은 오류를 포함하는 경우가 많습니다. - 미래: 만약 AI가 이런 '후각'을 갖게 된다면 인간 수준의 수학자와 경쟁하거나 협력할 수 있을 것입니다. Q: AI가 필즈상을 수상하는 날이 올까요? A: 어떤 수준의 협력을 말하는지에 따라 다릅니다. 이미 AI는 논문 작성 시 자동 완성 기능 등으로 도움을 주고 있습니다. 하지만 AI가 주도적으로 필즈상 수준의 공헌을 하려면 시간이 더 필요합니다. - 가까운 미래의 예측: 저는 이번 10년 안에 AI가 사람들이 관련 없다고 생각했던 두 분야 사이의 **새로운 추측(conjecture)을 생성**할 수 있을 것이라 봅니다. 이는 매우 의미 있는 돌파구가 될 것입니다. Q: 수학을 공부하는 젊은이들에게 어떤 조언을 해주고 싶으신가요? A: 자신만의 수학 언어를 찾는 것이 중요합니다. 인간의 뇌에는 진화적으로 주어진 '수학 센터'가 없기 때문에, 각자 시각, 언어, 게임 등 다른 뇌 영역을 재활용하여 수학을 합니다. 한 가지 교육 방식이 맞지 않더라도, 유튜브, 포럼, 책 등 다양한 자료를 통해 자신에게 맞는 방식을 탐구해보세요. 또한, 특정 기술보다는 추상적 개념을 다루는 법, 문제 해결 능력과 같은 **이전 가능한 기술(transferable skills)**을 기르는 것이 중요합니다. 최근에 무스타파 슐만(Deepmind 공동창업자)도 비슷한 이야기를 했다. AI시대에 Personal Tutor가 붙어서 무엇이든 전문가 수준으로 배울 수 있어서 가장 중요한 자산은 의지력/습관이 될 것 같다. 향후 10년간 가장 큰 커리어 성장 가속기: 학습에 매우, 매우 능숙해지는 것. - 당신의 학습 스타일을 파악하세요. - AI를 사용해 자료를 그 형식/스타일(팟캐스트, 퀴즈 등)로 변환하세요. - 지식을 적용하세요. - 반복하세요. 빠르게 배우고, 빠르게 성장하라.

- 코딩과 채팅이 현재 가장 효과적인 AI 활용사례가 맞다. - 조만간 새로운 소셜 경험을 제공하는 서비스, 구글 닥스에 AI를 잘 적용한 새로운 워크플로우, 사람 수준의 업무를 하는 Agent들이 나올 것이다. - 더 놀라운 건 AI가 새로운 과학을 발견하는 것이다. 단순히 사람이 하는 수준을 넘어서 새로운 발견을 하는 것은 앞에 있는 모든 발전을 압도할 수 있다. - 처음엔 과학자들과 협업하는 Co-pilot 형태로 생산성을 3배 높이고 점차 새로운 물리학을 발견할 수 있는 단계로 나아갈 것입니다. - 이미 사람들은 AI를 사용해서 시장 조사를 하고, 새로운 제품을 찾아내고, 아마존에서 물건을 팔고 광고를 만들고 있습니다. - OpenAI는 일반 차량의 자율 주행을 기존의 어떤 접근 방식보다 훨씬 더 잘 해낼 수 있는 새로운 기술이 있다고 생각합니다. → 테슬라가 많은 데이터에 모델을 붙이는 식으로 문제를 해결했다면 OpenAI가 자율주행에서도 쓸만한 모델을 만드는 식으로 문제를 해결하고 있는 것 같다. 만약 자율주행에서 Waymo, Tesla 수준 혹은 이를 뛰어넘는 무언가를 만든다면 OpenAI의 가치는 훨씬 더 높아질 수 있겠다. - 5-10년 안에 훌륭한 휴머노이드 로봇을 가지게 될 것. - 소비자들이 결국 우리에게 원하는 것은, 더 좋은 단어가 없어서 말하자면, '에테르(ether)' 속에 살면서 모든 표면과 제품을 통해 여러 방식으로 그들을 돕는 'AI 컴패니언'이라고 생각합니다. 그 존재는 당신과 당신의 목표, 당신이 성취하고 싶은 것, 그리고 당신의 정보를 알아가게 될 겁니다. - 그것이 항상 당신과 함께 있고, 센서로 가득 차서 무슨 일이 일어나는지 이해하고 많은 것을 계속 추적한다면... 완전히 다른 종류의 장치를 상상할 수 있죠. - AI 팩토리: 전자(electron)부터 ChatGPT 쿼리까지 → 영화 Her가 조만간 현실화되고 우리보다 우리를 더 잘아는 작은 기기를 모든 사람들이 들고다닐 수 있겠다. - 핵융합이 일어날 것이고, 새로운 종류의 핵분열도 일어날 것이라고 생각합니다. https://youtu.be/mZUG0pr5hBo

— 오늘 래블업 제 1회 전사 코딩 해커톤이 있었다. 개발팀뿐 아니라 연구팀, 세일즈팀, 파이낸스 팀까지 말 그대로 전체 구성원이 해커톤을 진행했다. 월, 화요일에 프리-해커톤 미팅을 미리 진행해서 해커톤이 순조롭게 끝났다. 수요일 평일에 진행했지만 업무를 비운다거나 일정에 영향이 있다거나 하진 않았다. 프리 해커톤 미팅은 미리 가이드 안내하고 기획서 작성하는 법에 대한 내용으로 이틀동안 각 10분씩 진행했다. 해커톤은 오프닝 15분, 준비 15분, 코딩 시간 1시간, 데모 및 시상식 30분이었다. 팀 아닌 개인별 해커톤이었다. 오전 10시에 해커톤을 시작해서 점심시간 전에 끝났다. 한 시간동안 Claude Code에게 지시하는 것으로 코딩하는 해커톤이었다. 인기상을 뽑았다. 우승은 점심메뉴 추천 자동화 및 게임화와 사내 리뷰시스템을 구글 리뷰와 결합한 AI & 플랫폼 컨설팅 팀의 멤버분이, 2등은 회사 개요 및 문서 기반으로 현재 필요한 직책 추천 및 잡 디스크립션 자동 생성 서비스를 만든 CFO 님이, 3등은 필드부터 개발까지 이어지는 이슈트래커를 만드신 연구 팀 멤버분이 가져갔다. Chief Revenue Officer 님은 CRM 드래프트를 통째로 하나 짰다. 작년부터 말로만 듣던 대표의 우울이 말없이 구성원 모두에게 잘 전해진 것 같다. 오후에는 리뷰 및 팁 세션에서 AI의 전사적으로 공격적인 적용에 대한 이야기 세션을 한시간 정도 진행하면서 모두 다양한 생각을 나눴다. 앞으로 일주일마다 한 달 동안 리뷰 세션을 가져보기로 했다. 해커톤 동안 30개가 넘는 프로젝트를 만들었고, Claude Code 요금은 도합 140만원 정도 나왔다. 우승한 앱은 오늘밤 사내에 디플로이 해 볼 예정이다. ——

일회용 소프트웨어 시대. 생각하면 만들어보고 버릴 수 있다. https://youtu.be/pJkRenmZXXE https://www.stdy.blog/4-coding-agent-comparisons-lovable-gemini-rork-flowith/?fbclid=IwY2xjawK_cUhleHRuA2FlbQIxMABicmlkETE2cFZLQ1R4TXVWcTVkY1ZKAR6i6eZ24PJrzvPlhmlHbUqyHKRpvAYCcq5GbK2mFj0GjXkm8AF_iL5YerjHbQ_aem_8jdsTrG5Xmwh46gkpKbWaw

"뭔가 훌륭한 일을 하세요, 그러면 당신의 네트워크는 저절로 생겨날 겁니다." 그리고 칼 융이 말했듯이, 당신이 아무리 고립되어 있고 외롭다고 느낄지라도, 당신의 일을 진정으로 그리고 성실하게 한다면, 알지 못하는 친구들이 와서 당신을 찾을 것입니다.

피터 틸의 세계를 여는 열쇠, 르네 지라르. 1980년대 스탠퍼드 철학과 학생이었던 틸은 한 철학자를 만난다. 훗날 그의 모든 의사결정을 지배하게 될 운영체제(OS), 바로 르네 지라르의 '모방 이론'과의 만남이었다. 르네 지라르의 욕망이론. 모든 것은 모방에서 시작된다. 우리는 스스로 욕망하지 않는다. 우리는 타인이 욕망하는 것을 모방하여 욕망한다. 배고픔과 같은 생물학적 욕구와 다르게 무엇을 원하는가라는 사회적 욕망은 욕망의 대상(모델)이 필요하다. 아이는 옆 친구가 장난감을 집어들 때 비로소 그 장난감을 원한다. 우리는 타인의 욕망을 통해 세상의 가치를 배운다. 외적 중개(좋은 모방): 모델이 소크라테스나 아인슈타인처럼 시공간을 초월한 존재일 때, 우리는 그를 존경하고 배우려하고 이 관계는 학습과 창조로 이어진다. 내적 중개(나쁜 모방): 모델이 직장 동료나 경쟁사처럼 나와 같은 공간에 있을 때 숭배의 대상이 라이벌로 돌변하고 이 때부터 우리의 목표는 라이벌을 이기는 것으로 변질된다. 이것이 파괴적인 경쟁과 갈등의 시작이다. 모든 사람들이 서로 똑같이 모방해서 같아지면, 사회는 붕괴를 막기 위해 무의식적으로 모든 죄를 한 명의 희생양에게 뒤집어씌워 제거함으로써 평화를 되찾는다. 이 세가지 개념- 모방 욕망, 라이벌, 희생양이 피터틸이 사고하는 방식이다. 1. 경쟁은 패배자들이나 하는 것. "다음 빌 게이츠는 운영체제 회사를 만들지 않을 것이고, 다음 래리 페이지는 검색 엔진을 만들지 않을 것입니다. 이들을 따라 하는 것은 그들에게서 배우는 것이 아닙니다.” 나쁜 모방을 하는 것은 그들과 경쟁하는 것이고 그들을 이기기 어렵다. 페이스북 이후 나온 트위터, 인스타그램, 와츠앱, 스냅챗 모두 어느정도 규모까지 성장했지만 결국 이 시장은 페이스북이 가장 큰 영향력을 끼쳤다. 물론 페이스북 이후 트위터, 인스타그램, 왓츠앱 등 성공한 아류작들이 등장했다. 하지만 틸의 관점에서 이들은 페이스북이 열어젖힌 '소셜 네트워크'라는 경기장(1) 안에서 벌어진 또 다른 경쟁(n)일 뿐, 새로운 경기장을 창조(0 to 1)한 것이 아니었다. 넥스트 소셜을 찾는 열풍은 '저커버그처럼 되고 싶다'는 모방 욕망에 사로잡힌 군중이 스스로 레드오션으로 뛰어드는 모습이었다. 2. 독점과 초월적 미션의 공유. 페이팔에서 잦은 쿠데타를 보면서 똑똑한 인재들이 모여도 어떻게 조직이 파괴될 수 있는지 경험했다. 갈등의 원인은 차이에서 오는 것이 아니라 같은 것을 모방하고 욕망하기 때문에 온다. 1. 모든 직원에게 겹치지 않는 고유한 책임과 역할을 부여해서, 자신만의 왕국에서 독점적 지위를 누릴 수 있게 해줬다. 한 명의 팀원이 한 문제 해결에 집중할 수 있도록 도왔다. 2. 초월적 미션을 줘서 회사의 목표를 경쟁사 타도 같은 상대적인 것에 두지 않았다. 대신, 테러를 막는다와 같이 외부와 비교가 불가능하고 초월적인 미션을 주어 구성원들의 욕망이 서로가 아닌 하나의 위대한 목표를 향하게 했다. 3. 세상의 비밀을 찾아서: 군중의 상식을 거스르는 진실 틸은 세상에 여전히 "발견해야 할 많은 비밀이 남아있다"고 믿는다. 그에게 비밀이란, 모방적 군중이 상식이라고 믿는 '낭만적 거짓' 뒤에 숨겨진 '소설적 진실'이다. 위대한 기업은 이 비밀을 발견하고 그것을 현실로 만드는 회사다. 상식(거짓): 경쟁은 건강하고 혁신을 촉진한다. 비밀(진실): 경쟁은 파괴적이며 독점이 진정한 창조의 원천이다. 그는 이 비밀을 남들보다 먼저 발견하기 위해 의식적으로 군중과 거리를 뒀다. - 페이팔 투자 유치 당시, 그는 동료들의 반대에도 불구하고 **'닷컴 버블의 끝이 임박했다'**는 비밀을 꿰뚫어 보고 1억 달러 투자를 빠르게 마무리했다. 며칠 뒤 버블은 터졌고, 그의 예측은 현실이 되었다. 해당 투자금액으로 숏 포지션에 베팅하려 했으나 마이클 모리츠 등 이사회의 반대로 해당 아이디어는 실행되진 못했으나 그의 예측이 맞았다. - 그가 설립한 헤지펀드 클라리움 캐피탈은 월스트리트에서 멀리 떨어진 공원에 자리 잡았다. 그는 다른 펀드들이 서로를 모방하며 단기 거래에 몰두할 때, **"겉보기엔 멀쩡한 실물 경제와 미친 듯한 금융 시장 사이의 괴리"**를 포착하려고 했고 1년에 3-4건의 거래만 하기도 했다. 스타트업+씽크탱크+사모펀드의 형태로 조직을 운영하려고 대부분 리서치에 시간을 사용했고 수학, 심리학, 경제학 저명 학자들을 초빙해 팀원들과 대화했다. 팀을 꾸리는 방식은 직원들이 아는 가장 똑똑한 사람 세명을 추천받아 그들을 채용했다. 펀드는 '피크 오일', '달러 강세' 등 거시 경제의 큰 흐름을 예측해 큰 수익을 얻었다. 큰 손실을 보는 시기도 있었다. 위대한 창업가의 멘토가 되다: VC 업계의 혁신 파운더스 펀드를 설립했을 때, 실리콘밸리의 VC들은 창업가를 미숙한 존재로 보고 투자 후 전문 경영인으로 교체하는 것을 당연하게 여겼다. 틸은 이 관행을 정면으로 거부했다. 그에게 창업가는 '0 to 1의 비밀'을 발견한 천재였다. 그는 라이벌이 아니라 그들이 위대한 비전을 실현하도록 돕는 스승이자 멘토('외적 중개자')가 되고자 했다. 이것이 바로 파운더스 펀드가 '창업가 친화적(Founder-Friendly)'이라는 새로운 트렌드를 만든 배경이다. 그는 나쁜 모방(경쟁)을 피하고, 좋은 모방(학습과 존경)을 펀드의 핵심 철학으로 삼았다. 피터 틸의 모든 행보는 결국 하나의 질문으로 귀결된다. "어떻게 모방의 굴레를 벗어나 고독한 창조를 통해 세상이 감추고 있는 비밀을 알아낼 것인가?" 그는 그 질문에 대한 답을 찾아가는, 우리 시대 가장 독창적인 사상가다. https://www.generalist.com/p/founders-fund-1