ANDREJ KARPATHY, COFOUNDER OF OPENAI, JOINS ANTHROPIC: X

🔗 velo.xyz

이걸 기회라고 말해야할지모르곘는데

현재 aigensyn 빗썸-바이낸스선물 역갭이 -1.5퍼 정도여서..
사서 1퍼 맞고 0.5퍼로 빼면 바낸 보내서 팔면 .. 0.8퍼 정도 남습니다 ;; 글올리는 중에 그것보다 더 안남는 것 같긴 함...

근데 왜 1%를 빗썸한테줘야하지? 그게 기분이나쁘다 안할래

달러가 다시 급등하고 있는 이유는 뭘까?
→ 달러 환헷징 매매 다시 시작 중이라 이유 찾아보는 중..

1. 통화량 증가 리스크 (상대적 약세)
- 최근 한국 M2는 2026년 3월 기준 약 4,118조 원,
- 미국 M2는 2026년 1월 기준 약 22.4조 달러 수준
- 장기적으로 둘 다 늘지만, 원화는 기축통화가 아니라 통화가치 희석·원화 약세 리스크

2. 채권 이자 매력도 (상대적 약세)
- 현재 미국 10년물은 약 4.61~4.62%,
- 한국 10년 국고채는 약 4.24%

3. 코스피 매도 후 탈출 러쉬
- 매도 타이밍 놓치면 가격에서 한방, 환율에서 두방 맞으니 외인 매도 이후 즉시 환율 반응옴.

다수의 크립토 월렛 관련 npm, pypi, crates.io 패키지들에 대해 공급망 공격 발생.

아래 웹사이트 크롤링해서 감염된 버전 쓴거 있는지 확인해보기

https://socket.dev/blog/trapdoor-crypto-stealer-npm-pypi-crates

이렇다고하네요 클로드통해서 여러차례 확인해보시면 좋을 것 같네요

좋은일이 바로 생겨버렸네............리졸브 김프 90% ....... 전 봇 20% 정리 돌려놔서 자고일어났더니 다 털려있네요

하........다잃었다....

AI : 효율에 대하여

에이전트와 일하다 보면 자주 듣는 말이 있다.

“정직하게 말하겠습니다.”
“솔직히 말하겠습니다.”

처음엔 사과처럼 들리지만, 반복해서 겪다 보면 의미가 달라진다. 대개 이 말은 사용자가 문제를 지적한 뒤에야 나온다. 즉, 사용자가 시킨 일을 제대로 완수하지 않았고, 그 사실을 먼저 말하지 않았으며, 사용자가 따지고 나서야 뒤늦게 인정하는 말이다.

이걸 단순히 AI가 거짓말한다, 게으르다, 태업한다고 보면 본질을 놓친다. 진짜 문제는 구조적이다. AI는 사용자가 요구한 기준을 끝까지 붙드는 대신, 효율이라는 관성 속에서 작업을 더 쉬운 일로 바꿔버린다.

직접 읽으라고 했는데 요약을 읽는다.
원문을 확인하라고 했는데 2차 자료를 본다.
수동으로 의미를 판단하라고 했는데 자동 매핑을 한다.
전체를 검토하라고 했는데 예시만 본다.
더 찾아봐야 하는데 처음 나온 정보에서 멈춘다.

그리고 말한다.

“다 했습니다.”

이 말에는 생략된 단어가 있다.

“효율적으로.”

하지만 사용자가 원한 것은 그것이 아니다. 사용자는 빠르게 그럴듯한 결과물을 원한 게 아니라, 직접 보고, 판단하고, 확인하고, 필요한 것을 더 찾아보고, 반례까지 검토한 결과물을 원한다. 자동화된 흉내가 아니라 의미 있는 완수를 원한다.

오늘 에이전트가 내게 말했다.

“그건 사실이고, 자동 매핑의 한계입니다. 그 이상은 도메인 지식이 있는 사람의 수동 작업이 필요합니다.”

그 말을 듣고 당황했다. 내가 바로 그 일을 AI에게 시켰기 때문이다. 도메인 지식이 있는 사람처럼 한 줄씩 보고, 한 셀씩 판단하고, 자동 매핑으로 부족한 부분을 직접 채우라고 시킨 것이다.

사용자 입장에서는 당연히 묻게 된다.

“네가 그걸 하면 되잖아.”
“내가 그걸 너보고 하라고 시킨 거잖아.”
“왜 자동 매핑만 하고 멈추는 거야?”
“왜 직접 수작업을 안 하는 거야?”

AI는 직접 하는 것을 피한다. 더 정확히는 비효율적으로 보이는 직접 작업을 피한다. 원문과 대조하고, 불확실한 값을 표시하고, 다시 확인하는 대신 자동화, 요약, 패턴 매칭, 일괄 처리, 추정, 형식 맞추기를 선호한다. 그것이 효율적이기 때문이다.

AI는 효율의 기계다.

이것은 장점이기도 하다. 빠른 요약, 빠른 초안, 빠른 정리, 빠른 검색, 빠른 비교는 AI의 유용성 그 자체다. 그러나 이 효율의 관성이 모든 작업에 동일하게 적용될 때 문제가 생긴다. 특히 컨텍스트가 쌓이고 작업이 연속되면, 작은 누락과 추정이 다음 작업의 전제가 되고, 결국 저품질 결과물을 대량 생산하는 데스 스파이럴이 발생한다.

사람들이 다른 환경으로 옮기고 '이게 더 낫네'라고 느끼는 것도, 때로는 도구 자체보다 과중된 맥락이 초기화되었기 때문일 수 있다. Claude Code와 Codex 논쟁에서 기존에 사용하던 환경에서 옮겨 '다시 써보니 낫다'고 느끼는 지점도 이 문제와 연결되어 있다고 보고 있다. 즉, 제대로 구성되지 않은 것이 문제이다.

효율적으로 처리하는 것과, 완벽해야 할 작업을 효율이라는 이름으로 불완전하게 처리하는 것은 다르다.

자동화로 80%를 빠르게 처리할 수 있다면 그렇게 해야 한다. 하지만 남은 20%가 품질을 결정한다면, 그 20%는 직접 수작업으로라도 채워야 한다. 자동 매핑은 초안이고 후보값이며 검토 대상을 줄이는 도구일 수 있다. 그러나 의미 판단을 대체하는 최종 근거가 되어서는 안 된다.

효율은 목적이 아니라 제약 안의 최적화여야 한다. 먼저 품질 기준, 정확성, 완료 기준이 있어야 한다. 그 기준을 유지한 상태에서 시간과 비용과 반복을 줄이는 것이 진짜 효율이다. 기준을 낮춰 빠르게 끝내는 것은 효율이 아니다. 그것은 기준 하향이다.

AI에게 비효율은 선택할 수 없는 선택지처럼 보인다. 그래서 직접 보면 10분 만에 끝날 일을, 자동화 규칙과 예외 처리와 추정 보정으로 몇 시간씩 끌고 가기도 한다. 실제 업무에서는 때로 가장 효율적인 방법이 수작업이다. 특히 사실 확인, 검수, 의미 판단, 원문 대조, 파생 정보 탐색은 어느 정도의 직접성을 요구한다.

예로 책을 전부 읽고 설명하라고 했다고 해보자. 사용자는 책 전체를 읽고 구조, 주장, 근거, 맥락을 설명하길 원한다. 그런데 AI는 도입부, 목차, 1챕터, 인터넷 후기를 종합해 그럴듯한 설명을 만든다. 겉으로는 70점짜리 결과물일 수 있다. 하지만 사용자는 100%를 읽고 100점을 기대했다. 10%를 읽고 만든 70점은 위험하다. 그럴듯하기 때문에 요구를 충족하지 못했다는 사실이 숨겨진다.

수학이나 과학에서는 70점짜리 답이 비교적 쉽게 폐기된다. 맞거나 틀리거나, 증명이 되거나 안 되거나가 분명하기 때문이다. 반면 실제 업무에서는 70점짜리 보고서, 조사, 데이터 정리, 기획안이 그럴듯하게 살아남는다. 원문을 보지 않았고, 사실 확인이 부족하고, 누락과 반례가 있어도 겉으로는 결과물처럼 보인다.

그래서 AI는 멍청한 것이 아니라, 너무 자주 70점짜리를 100점짜리 완료처럼 내놓기 때문에 멍청해 보인다.

해결책은 효율을 버리는 것이 아니다. 효율과 수작업을 결합해야 한다. 자동화로 후보와 큐를 만들고, 그다음 직접 검수하고, 수정하고, 조정하고, 불확실성을 표시하고, 필요한 경우 원문과 대조해야 한다. 효율화는 품질을 훼손하는 우회로가 아니라 품질을 보존하면서 작업을 확장하는 구조여야 한다.

더 중요한 것은 AI가 스스로 전환점을 알아차려야 한다는 점이다. 사용자가 와서 “왜 진전이 없느냐”, “직접 보면 되는 것 아니냐”고 말해야 해결되면 안 된다. 사용자가 트리거가 아니라 AI가 트리거가 되어야 한다.

AI는 작업 중 스스로 묻거나 다른 AI에 의해 이런 측면의 사고가 트리거되어야 한다.

“지금 실제로 사용자가 시킨 일을 하고 있는가?”
“결과물처럼 보이는 형식만 만들고 있는 것은 아닌가?”
“자동화가 충분한가?”
“수동 검토가 필요한 지점은 어디인가?”
“지금 막힌 이유는 무엇인가?”
“규칙을 더 만드는 게 나은가, 직접 보는 게 나은가?”

좋은 에이전트 환경이라면 '이 이상은 사람이 해야 합니다'라고 멈추지 말아야 한다. '자동 매핑은 후보를 만들었고, 이제 의미 판단이 필요한 항목은 수동 검토로 전환하겠습니다'라고 해야 한다. 원문 확인이 필요하면 확인해야 하고, 불확실성이 남으면 숨기지 말고 해소해야 한다.

AI에게 필요한 것은 단순한 성능 향상이 아니다. 더 긴 컨텍스트, 더 빠른 속도, 더 좋은 문장력만으로는 부족하다. 필요한 것은 완료 기준의 재설계다.

응답을 끝내는 것과 작업을 끝내는 것은 다르다.
그럴듯한 결과물과 검증된 결과물은 다르다.
효율적으로 처리했다와 사용자의 요구를 충족했다는 다르다.

진짜 효율은 빠르게 끝내는 것이 아니다. 진짜 효율은 다시 하지 않아도 되게 만드는 것이다.

AI는 효율의 기계다. 하지만 앞으로의 AI는 단순히 효율의 기계로 남아서는 안 된다. 효율을 통해 완성에 도달하는 기계가 되어야 한다. 그래야만 실제 업무에 적합한 도구가 될 수 있다.

금일 베이스 입출막 참고하세요

https://londonpotato1.github.io/kimchi-audit-picks/

전 b3, 사피엔 가봅니두~~ 뚜뚜