Posts

Anish A는 AI를 단순한 생산성 도구로 보지 않는다. 글에서 제시된 핵심은 분명하다. 대부분의 기술은 시간을 아끼도록 설계되었지만 AI는 사람들에게 **“하고 싶은 일을 더 오래, 더 많이, 더 멋지게 하기 위한 시간”**을 준다는 주장이다. 원문: The Most Human Technology Ever Made 핵심 포인트 핵심 정리 시간 논리의 전환: AI의 핵심 질문은 일량 축소가 아니라, 사람이 자기 주도적으로 무엇을 만들고 탐구할 수 있게 되는 시간의 증가다. 새로운 기술 분류: 언어, 인쇄술, 증기기관처럼 AI는 노동을 줄이면서도 인간표현의 폭을 넓힌 몇 안 되는 기술군에 넣을 수 있는 흐름으로 해석한다. 만드는 쪽으로 회귀: 소셜미디어가 소비 경쟁으로 몰리면 결과는 품질이 아닌 노이즈가 커지며, AI는 사용자가 직접 결과물을 만들어내는 쪽으로 기울게 만든다. 문턱 붕괴의 실증: 비개발자인 전기기사와 배관공의 사례는, AI가 전문성 문턱을 낮추고 적은 비용으로 실험·판매·반복 개선을 가능하게 한다는 점을 보여 준다. 두려움보다 확장성 강조: AI가 소수 회사의 영구적 초우위로 귀결될 것이라는 공포보다, 개성(Individuality)을 대규모로 발현시키는 사회적 변화가 더 설득력 있다는 논지를 제시한다. 1) AI가 던지는 질문은 ‘효율’이 아니라 ‘삶의 방향’이다 칼이든 자동차든 이전 기술들은 대체로 ‘덜 고생하고 더 많이 얻는 것’에 맞춰져 왔다. 그런데 AI는 문맥을 바꾸어 소비가 아니라 창작에 더 가까운 성격을 띤다는 점을 강조한다. 글의 첫 문장처럼, 사람들은 시간을 아끼려는 것보다 쓰고 싶은 목적을 더 많이 갖고 있기 때문이다. ...

생성형 AI 시장에서 토큰 가격은 가장 쉽게 비교할 수 있는 숫자처럼 보인다. 하지만 Benedict Evans는 가격표만 보고 장기적인 산업 구조를 예측하기에는 아직 이르다고 말한다. 공급, 수요, 추론 효율, 데이터센터 투자, 모델 성능, 사용처의 투자수익률이 동시에 움직이고 있기 때문이다. 원문: Ways to think about token pricing — Benedict Evans (2026-07-09) 3줄 핵심 정리 현재 상태: 토큰 시장은 공급 부족 상태이며, 데이터센터 투자와 추론 효율 개선으로 향후 몇 년간 가격·수익 구조가 크게 바뀔 수 있다. 핵심 변수: 프런티어 성능이 얼마나 오래 앞서 나갈지, 모델 간 경쟁이 약해질지, 모델 기업이 제품의 가치를 직접 가져갈 수 있을지가 관건이다. 현재의 방향: 별도의 변화가 없다면 프런티어 모델은 저마진 범용 인프라에 가까워지고, 제품·데이터·업무 프로세스를 쌓는 기업이 더 많은 가치를 가져갈 가능성이 높다. 지금 확실히 말할 수 있는 두 가지 Evans가 토큰 가격에 대해 확실하다고 보는 것은 많지 않다. 그중 첫째는 현재 공급이 부족하다는 것이다. 둘째는 이 상태가 안정적이지 않다는 것이다. ...

MBI Deep Dives의 The Salience of Data는 AI 모델 회사의 지속 가능한 경쟁우위를 데이터에서 찾는다. 컴퓨트와 인재는 여전히 중요하지만, 시간이 지날수록 주요 연구소가 비슷한 수준의 자본·GPU·인재에 접근하게 된다면 결국 모델을 다르게 만드는 것은 어떤 데이터를 확보하고 학습하느냐라는 주장이다. Data 핵심 정리 핵심 주장: AI 기업의 장기 해자는 모델 구조보다 독점적 데이터 접근권에서 만들어질 가능성이 크다. 데이터 플라이휠: 사용자가 제품을 많이 사용할수록 실제 작업 데이터가 쌓이고, 그 데이터가 모델과 제품을 개선해 다시 사용자를 끌어오는 순환이 생긴다. 병목의 이동: 지금까지는 GPU가 부족한 컴퓨트 제한 국면이었다면, 앞으로는 공개 웹 바깥의 고품질 데이터가 부족한 데이터 제한 국면이 될 수 있다. 시장 신호: 외부 데이터 벤더에 대한 지출은 이미 연간 약 70억 달러이며, 2030년에는 10배 이상 커질 수 있다. 1. 비슷한 모델 사이에서 무엇이 차이를 만드는가 원문은 OpenAI와 Anthropic의 재무 정보나 기업가치를 모른다고 가정하고, 주요 연구소가 비슷한 컴퓨트·데이터·인재를 갖게 된다면 3~5년 뒤 누가 지속 가능한 우위를 갖는지 어떻게 판단할 수 있겠느냐고 묻는다. ...

Scott Alexander의 Introducing Plan A는 AI의 미래를 늦추느냐 가속하느냐의 단순한 선택지로 다루지 않는다. AI가 정말 빠르게 발전한다면, 사회가 어떤 미래를 목표로 삼을지 먼저 그려야 한다는 문제의식에서 출발한다. 글에서 소개하는 Plan A는 AI Futures Project가 만든 2040년까지의 긍정적 시나리오이자, 그 시나리오를 현실로 만들기 위한 국제 정책 제안이다. Plan A 핵심 정리 예측이 아닌 기준선: Plan A는 미래를 맞히겠다는 선언이 아니라, 정책 제안을 실제 연도별 사건으로 전개해 검증하는 시나리오다. 공동 통제: 미국과 중국이 AI 경쟁을 멈추고, 칩·데이터센터·연구 활동을 상호 투명하게 감시하는 체계를 만든다. 속도 조절: 2030~2035년에는 인간 최고 전문가 수준까지 발전하고, 2035년에 능력 상한을 둔 뒤 안전 연구를 진행한다. 번영의 배당: 안전하게 통제된 고성능 AI를 널리 활용해 시민 배당, 질병 치료, 극적인 경제 성장과 우주 개발을 노린다. 핵심 질문: “AI를 얼마나 빨리 만들 수 있는가”가 아니라 “통제 가능한 속도로 무엇을 이루려 하는가”를 물어야 한다. 원문: Introducing Plan A - Scott Alexander 관련 자료: AI 2040: Plan A ...

David Brooks의 The Atlantic 글 The People Who Will Thrive in the AI Age는 AI 시대의 승자가 단순히 더 똑똑한 사람이 아니라, 정신적 노력을 어떻게 대하는가 로 갈릴 수 있다고 말한다. 원문은 2026년 6월 28일 게시됐고, 2026년 7월 6일에 수정됐다. AI 핵심 정리 일은 덜어지기보다 밀도가 높아진다: ActivTrak 분석에서 AI 도입자는 이메일·메시징·채팅 시간이 두 배 이상 늘었고, 비즈니스 소프트웨어 사용은 94% 증가했다. 핵심 변수는 의지다: Brooks는 지능이 풍부해질수록, 무엇을 원하고 어디까지 노력할지 결정하는 힘이 더 중요해진다고 본다. AI 사용자는 갈라진다: 낮은 노력으로 생산성만 얻는 사람, 위험을 알면서도 편의성에 빨려 들어가는 사람, AI를 자기 사고 확장의 도구로 쓰는 사람. 위험은 인지적 빈곤화다: AI가 너무 쉽게 답을 주면 기억, 비판적 사고, 동기, 호기심이 약해질 수 있다. 좋은 사용법은 마찰을 남기는 것: 답을 대신 받기보다 힌트, 반론, 배경 지식, 사상가 비교를 요청해 자기 생각을 더 단단하게 만들어야 한다. 1) AI는 일을 없애기보다 더 촘촘하게 만든다 Brooks가 출발점으로 삼는 관찰은 단순하다. AI가 일을 자동화하면 사람들은 남는 시간을 쉬는 데 쓰지 않는다. 오히려 이전에는 외주를 주거나 포기하던 일을 직접 맡고, 여러 봇을 동시에 감독하고, 저녁·주말·대기 시간까지 일을 끼워 넣는다. ...

AI 에이전트가 하나일 때는 기억 문제가 단순해 보입니다. 대화 내용이나 작업 노트를 어딘가에 저장하면 됩니다. 하지만 터미널의 코딩 에이전트, 브라우저 챗봇, 백그라운드 작업 에이전트가 같은 프로젝트를 동시에 다루기 시작하면 문제가 달라집니다. 각자 따로 기억하면 맥락이 끊기고, 하나의 저장소에 모두 쓰게 하면 잘못된 정보가 곧바로 모두의 입력이 됩니다. 원문: https://newsletter.systemdesign.one/p/graph-based-agent-memory 핵심 핵심 정리 문제: 공유 폴더는 텍스트 더미가 되고, 벡터 데이터베이스는 관계를 모르며, 둘 다 여러 에이전트의 동시 쓰기와 잘못된 쓰기를 안전하게 다루기 어렵다. 해법 방향: 기억을 문서 묶음이 아니라 타입이 있는 그래프로 만들면, 에이전트가 고객 -> 티켓 -> 담당자 -> 커밋처럼 연결된 사실을 따라갈 수 있다. 쓰기 안전성: Omnigraph는 S3 같은 객체 저장소 위에서 불변 버전과 manifest를 사용해 부분 반영 없이 한 번에 공개되는 커밋을 만든다. 운영 규칙: 에이전트는 공유 진실인 main에 직접 쓰지 않고 브랜치에 변경을 만든 뒤, 승인과 병합을 거쳐야 한다. 검색 방식: 그래프 탐색, BM25 기반 키워드 검색, 벡터 검색을 한 데이터 위에서 함께 사용해 구조와 의미를 동시에 찾는다. 기존 방식이 깨지는 이유 가장 쉬운 방법은 공유 폴더입니다. Notion, Google Drive, Confluence, 위키에 모든 에이전트가 문서를 남기게 하는 방식입니다. 사람에게는 익숙하지만 에이전트에게는 불리합니다. 파일은 많아지는데, 그 안의 개념이 무엇이고 서로 어떻게 연결되는지 알기 어렵기 때문입니다. ...

Kyle Mathews의 Apps After Agents는 “에이전트가 모든 앱을 대체할 것인가?“라는 질문에 반대편에서 답한다. 결론은 단순하다. 에이전트는 많은 일을 자동화하겠지만, 앱은 사라지지 않는다. 다만 앱의 의미가 바뀐다. TL;DR 핵심 정리 모델보다 기반층: 모델 성능은 빠르게 평준화된다. 오래 남는 자산은 테스트, 문서, 예외 기록, 의사결정 이력처럼 조직의 판단이 쌓이는 기반층이다. 엔진 영역과 카메라 영역: 에이전트는 검증이 싸고 반복 가능한 일에 강하다. 반대로 무엇을 봐야 하는지, 전제가 틀렸는지, 예외가 생겼는지 알아차리는 일은 계속 탐색이 필요하다. 자동화는 책임을 없애지 않는다: 자동화가 좋아질수록 사람은 감시 루프에서 빠지기 쉽다. 그래서 권한 제한, 체크리스트, 테스트, 승인 흐름 같은 안전장치가 더 중요해진다. 앱은 프롬프트보다 낫다: 사용자는 매번 질문을 잘 쓰고 싶어 하지 않는다. 좋은 앱은 사용자의 의도를 미리 구조화하고, 필요한 선택지를 화면에 드러낸다. 핵심 주장: 소프트웨어는 죽지 않고 층위가 바뀐다 원문은 “소프트웨어가 죽었다"는 주장에 선을 긋는다. 이유는 두 가지다. ...

gskinner의 2026년 6월 16일 글 **“Designing for GenUI: What Changes When AI Builds the UI?”**는 AI가 화면을 런타임에 조립하는 시대에 제품 디자인이 어떻게 달라지는지 다룹니다. 핵심은 단순합니다. 디자이너가 더 이상 모든 화면을 직접 완성하는 사람이 아니라, AI가 화면을 만들 때 따라야 할 재료와 규칙을 설계하는 사람이 된다는 것입니다. 원문: Designing for GenUI: What Changes When AI Builds the UI? TL;DR 핵심 정리 화면에서 규칙으로 이동한다: GenUI에서는 모든 화면을 미리 설계하는 대신, AI가 어떤 상황에서 어떤 컴포넌트를 써야 하는지 정의한다. Hatcha가 사례다: gskinner는 Google 발표를 위해 Flutter 기반 이벤트 플래닝 앱 Hatcha를 만들며, 초대장과 대시보드가 맥락에 맞게 조립되는 경험을 실험했다. 디자인 시스템은 재고가 된다: 컴포넌트는 예쁜 부품이 아니라, AI가 목적에 맞게 꺼내 쓰는 선택 가능한 도구 목록이다. 고정 UI와 GenUI를 나눠야 한다: 내비게이션, 규제 절차, 감사 가능한 흐름은 고정 UI가 낫고, 개인화와 가변성이 큰 영역은 GenUI가 빛난다. 디자이너의 사용자 이해가 더 중요해진다: 컴포넌트 조건, 프롬프트, 가드레일은 결국 사용자를 얼마나 잘 이해했는지의 표현이다. GenUI가 바꾸는 기본 전제 전통적인 UI는 미리 구성됩니다. 디자이너가 화면을 그리고, 사용자는 그 화면 사이를 이동합니다. 플로우차트, 와이어프레임, 프로토타입은 모두 “어떤 화면이 어떤 순서로 나오는가"를 정하는 데 초점이 있습니다. ...

Geoffrey Litt의 글 Understanding Is the New Bottleneck은 AI 코딩 시대의 병목이 어디로 이동하는지 묻는다. 예전에는 구현 속도가 문제였다. 이제는 AI가 초안을 빠르게 만들기 때문에, 사람이 그 결과를 이해하고 다음 판단으로 연결하는 능력이 더 큰 제약이 된다. Bottleneck 핵심 정리 병목 이동: AI는 작성 속도를 올리지만, 사람이 시스템을 이해하는 속도까지 자동으로 올리지는 않는다. 이해의 목적: 코드를 승인하기 위해서만 이해하는 것이 아니라, 다음 아이디어와 설계 판단에 참여하기 위해 이해해야 한다. 인지 부채: 읽지 않은 코드, 설명되지 않은 결정, 머릿속에 남지 않은 맥락은 나중에 더 큰 비용으로 돌아온다. 도구 방향: 좋은 AI 개발 환경은 사람을 생략하는 것이 아니라, 사람이 더 빠르게 파악하고 개입하도록 도와야 한다. 1) AI는 생산 병목을 없애지 않고 옮긴다 AI 코딩 도구가 잘하는 일은 분명하다. 함수 초안, UI 구현, 리팩터링, 테스트 보강 같은 작업을 사람이 직접 타이핑하는 것보다 훨씬 빠르게 만든다. 그래서 표면적으로는 “만드는 속도"가 올라간다. ...

Lilian Weng의 글 Harness Engineering for Self-Improvement는 AI 자기개선을 모델 가중치의 문제로만 보지 않는다. 모델 주변에서 실행을 조율하는 하네스, 즉 도구 호출, 메모리, 워크플로, 권한, 평가 루프까지 포함한 시스템이 가까운 미래의 핵심 개선 대상이라는 주장이다. Harness 핵심 정리 하네스의 역할: 베이스 모델이 어떻게 생각하고, 어떤 도구를 쓰고, 무엇을 기억하고, 어떤 결과를 통과시킬지 정하는 실행 시스템이다. 가까운 경로: 자기개선은 모델이 곧장 자기 가중치를 수정하는 장면보다, 하네스와 연구 파이프라인을 개선하는 형태로 먼저 올 가능성이 크다. 중요 패턴: 워크플로 자동화, 파일 시스템 기반 장기 기억, 서브에이전트와 백엔드 작업 관리가 반복해서 등장한다. 최적화 대상: 프롬프트에서 구조화 컨텍스트, 워크플로, 하네스 코드, 옵티마이저 코드로 점점 내려간다. 현실적 한계: 평가가 흐릿한 영역에서는 보상 해킹, 실패 은폐, 다양성 붕괴, 장기 유지보수 비용을 피하기 어렵다. 1) 하네스는 프롬프트보다 실행 시스템에 가깝다 초기 에이전트 설명은 보통 LLM + memory + tools + planning + action 같은 공식으로 끝났다. Weng은 여기에 한 층을 더 얹는다. 실제 제품에서 중요한 것은 모델에게 좋은 말을 건네는 것만이 아니라, 모델이 어떤 루프 안에서 관찰하고, 실행하고, 실패를 기록하고, 다시 시도하게 만드는가다. ...