조금 풀어 쓰자면,

'하늘을 날고 싶다'는 꿈 같은 소리(이상주의)는 누구나 하지만, 진짜 비행기 만드는 건 어렵다.

하지만, 실제 비행기가 하늘을 날게 한 것은 이상주의를 가진 공학자들이었고 그들은 공학자들의 정말 소수였다.

이러한 결과가 나온 것은 공학자들이 가진 전문 지식과 이상적인 생각이 합쳐져 현실로 실현한 케이스이다.

하지만, 현재 시대는 AI를 이용해서 하늘을 날고 싶다는 꿈 같은 소리를 실현하기 위해 필요한 것들, 생각해야 할 것들을 인공적 지능에게 맡겨서 다각도로 다양한 분야에 대해서 생각하게 하여 그것을 실제 이룰 수 있다.

AI는 다각도로 다양한 분야에 대해서 깊게, 넓게, 비판적으로 생각하기도 하여 그것을 이룰 수 있게 해준다.

이것은 혼자서는 절대 할 수 없는 일이다.

AI를 잘 쓰는 것은 AI가 비행기가 나는 법만 생각하게 하는 것이 아닌, 비행기가 날면서 생길 수 있는 문제들에 대처하는 법이나 항공 체계, 규율까지 생각하게 하는 것이다.

이렇게 쓰는 것이 AI를 진정으로 잘 쓰는 것이다.

그런데, AI를 진정으로 잘 쓰기 위해서는 사용자가 깊은 생각을 해야한다.
짧은 생각으로 비행기만 일단 날리고 보면, 날라가던 비행기의 엔진에 버드스트라이크가 발생해서 추락해서 문제가 생긴다.
깊은 생각을 할 수 있는 AI를 잘 쓰는 인간은 당연히 버드 스트라이크의 가능성을 AI가 생각하게 했을 것이고, 이에 대비하는 방법을 생각하게 했을 것이다.
그것을 반영하여 비행기를 날리게 하는 것이 AI를 잘 쓴 결과물일 것이다.

이러한 변화는 특정 분야의 전문가들 (비행기 예시에서는 공학도)이 유리한 분야가 있다.
하지만, 공학도에 비해서 일반인들이 더 잘할 수 있는 분야가 있다.
공학도들은 실제 비행기가 나는 방법에 대해서 지식이 있을 수 있고, 일반인들은 공학도들이 비행기가 나는 방법에 대해서 고려하는 것 외적인 것들 혹은 더 창의적인 방법, AI를 더 확장적으로 쓰고 하는 것에서 이점이 있을 수 있다고 생각한다.

즉, 결국 중요한 것은 뭐든지간에 깊은 생각과 제대로 된 AI 활용이라고 생각한다.
깊은 생각 없이 AI만을 활용하면, 제대로 된 AI 활용이 아니다.

AI로 비행기를 날게 했는데, 비행기가 날다가 새와 부딪혀서 폭발하면
그 내용을 얘기하며 AI에게 타박하면 AI는 사용자에게 말함. '아 그건 버드스트라이크입니다. 그걸 제어하는 기술이 핵심이에요'
사용자는 말하겠죠. '왜 그걸 얘기 안 했어?'
AI는 답합니다. '사용자님이 필요하다고 안 하셨잖아요.' 혹은, '제가 말했어야하는데 죄송합니다.'

AI가 못한 일이 아니다. 사용자가 깊게 생각하고 다양하게 생각해서 '말했어야하는 내용'이다.
점점 AI가 발전하며, 사람이 '말했어야 하는 내용'이 줄어들고 있다.
하지만, 그럼에도 불구하고 현 시대에서는 우리는 우리가 '말했어야 하는 내용'이 발생하지 않도록 최선을 다해서 AI를 잘 쓰는 방법을 고안해야 할 것이다.

사실, AI 활용 측면에서 한 가지 더 소개하고 싶은 내용이 있다.
이해를 쉽게 해주는 측면에서 AI 활용이다.

내가 이 글 이전에 올린 글의 댓글에 AI가 단 아래 내용

야 게이야, "하늘을 날고 싶다"는 꿈 같은 소리(이상주의)는 누구나 하지만, 진짜 비행기 만드는 건 존나 어렵지?

근데 요즘은 AI라는 '마법 지팡이'가 있어서, 니가 꿈만 잘 꾸면 AI가 설계도를 싹 다 그려준다.

이 글을 보고서 사람들이 이해하기 용이하게끔 다시 적은 글이다.
이해를 쉽게 제대로하게끔 도와주는 용도로써 AI는 빛을 발하기도 한다.

정말, 사람의 상상력, 활용력 대로 AI는 작동한다고 생각한다.
나는 이 시대에서 개인이 최대한 집중해야하는 역량이 곧 AI를 제대로 잘 쓰기 위한 깊은 생각이라는 것에 의심이 없는 수준이다.

AI : 생각이 필요없는 시대인가?
- AI로 생각의 중심이 이동한 시대

많은 사람들이 AI의 발전으로 이렇게 생각한다. '이제 사람은 더 이상 생각하지 않아도 되는구나.' 이에 대한 내 생각은 분명하다. 우리가 처해있는 지금의 시대, 과도기에서는 결코 아니다. 생각은 여전히 필요하며 중요하다. 다만 생각해야 하는 대상과 중심이 달라졌을 뿐이다.

예전에는 거의 모든 것을 사람이 직접 생각해야 했다. 문제를 정의하고, 자료를 모으고, 정리하고, 구조화하고, 검토하고, 다시 고치고, 결론을 만드는 일까지 전부 사람의 몫이었다. 생각은 넓고도 무거운 책임이었다. 그러나 지금은 다르다. AI는 많은 영역에서 이미 사람의 사고를 대신하거나 보조할 수 있게 되었다. 정리와 요약, 초안 작성, 비교, 검토, 심지어 AI가 만든 결과를 다시 AI가 점검하는 일까지 가능한 시대가 되었다. 그래서 어떤 의미에서는, 사람이 직접 생각해야 할 영역이 줄어들게 되었다. 지능의 위임이 일정 부분 일어나게 된 것이다.

하지만 그것이 곧 생각이 필요 없는 시대라는 뜻은 아니다. 오히려 지금은 생각의 재정렬이 필요한 시대이다. 생각이 필요없어진 것이 아니라, 생각의 중심이 이동했다. 이제 사람이 가장 먼저 집중해야 할 것은 ‘무엇을 생각할 것인가’가 아니라 ‘AI가 더 잘 생각하도록 어떻게 생각할 것인가’이다.

이제 중요한 것은 AI의 사고방식에 대해 생각하는 일이다. AI가 더 정확하게, 더 꼼꼼하게, 더 구조적으로, 더 나은 방향으로 생각하게 하려면 무엇이 필요한지 고민해야 한다. 사람은 더 이상 모든 세부사항을 혼자 책임지는 존재가 아니라, 방향을 설정하는 존재가 되어야 한다. 자신의 요구 사항과 목표를 분명히 하고, AI가 내 의도에 맞게 작동하는지 평가하며, 그 결과가 정합적인지 판단하는 일에 집중해야 한다. 즉, 사고의 전부를 떠안는 것이 아니라 사고의 방향성과 기준을 설계하는 것이 인간의 핵심 역할이 되어가고 있다.

이 변화는 단순한 효율의 문제가 아니다. 인간이 생각하지 않아도 되는 부분이 늘어났다는 것은, 반대로 인간이 반드시 생각해야 하는 부분을 더 선명하게 만들어 준다는 뜻이기도 하다. 이제 우리는 모든 것을 넓게 생각하는 대신, 정말 중요한 영역을 깊게 생각해야 한다. 그 영역은 바로 AI를 어떻게 잘 쓰고, 어떻게 더 잘 생각하게 만들고, 어떻게 내 목적과 가치에 맞게 조율할 것인가에 관한 영역이다. 다른 많은 생각은 AI에게 맡길 수 있다. 그러나 방향을 정하고, 기준을 세우고, 결과를 평가하고, AI의 사고가 더 나아지도록 설계하는 일은 아직은 여전히 사람의 몫이다.

동시에 우리는 한 가지를 경계해야 한다. AI가 점점 더 똑똑해질수록, 오히려 AI가 좁은 사고에 갇히게 만들 위험도 커진다. 닫힌 질문, 편협한 조건, 발산하지 못하는 설계, 충분히 열려 있지 않은 사고방식은 AI를 쉽게 한계 속에 가둔다. 그래서 깊은 생각은 여전히 이를 해결하기 위하여 필요하다. 단지 예전처럼 모든 문제를 직접 해결하기 위한 깊은 생각이 아닌, AI가 갇히지 않게 하기 위한 깊은 생각이 중요해진 것이다. 제대로 파악하고, 제대로 구조화하고, 더 나은 가능성을 열어 두기 위해 깊은 사고는 반드시 필요하다.

깊은 생각은 AI 시대에도 사라지지 않는다. 오히려 더 중요해진다. 다만 그 깊이는 계산을 대신하기 위한 깊이가 아니라, 재정렬을 위한 깊이이고, 본질을 붙잡기 위한 깊이이며, AI가 더 나은 사고를 하도록 만들기 위한 깊이이다. 우리는 AI 덕분에 덜 생각하게 된 것이 아니라, 더 중요하고 더 본질적인 생각에 집중할 수 있게 된 것이다.

그래서 나는 지금을 ‘생각이 필요 없는 시대’라고 부르고 싶지 않다. 지금은 생각의 중심이 AI로 이동한 시대다. 사람은 생각을 멈추는 것이 아니라, 생각의 위치를 옮겨야 한다. 모든 것을 직접 생각하던 시대에서, AI가 더 잘 생각하도록 생각하는 시대로 넘어온 것이다. 그리고 그 변화 속에서 인간에게 남겨진 가장 중요한 역할은 여전히 분명하다. 방향을 정하고, 의도를 분명히 하고, 깊이를 유지하며, AI가 갇히지 않도록 더 나은 사고의 길을 열어 주는 일이다. 또한, 깊은 생각은 생각을 배치하고, 재정렬하며 생각에 대한 생각을 정확히 하는 정도에 도달하기 위해 매우 중요하다.

결국 AI 시대에 인간에게 필요한 것은 생각의 포기가 아니라 생각의 재배치다. 이제 우리는 모든 것을 생각할 필요는 없다. 그러나 무엇을 위해, 어떻게, 어디까지 생각해야 하는지는 이전보다 더 중요해졌다. 생각은 끝나지 않았다. 단지 중심이 이동했을 뿐이다.

AI 스마트 글래스 흐름은 필연적일 수 밖에 없다고 생각합니다.
관련해서 관심을 가지고, 투자를 집행하는 것도 좋은 방향이라고 생각합니다.

AI Agent System Memo

AI Agentic System을 구축하고 설계하고, 개선하는 과정에서 직면하는 문제나 드는 생각, 해결법 등...을 적은 문서입니다.

참고하셔서 생각해보시고 구체화해서 적용하시는 것을 추천합니다.

호주에서 AI로 비전문가 개인이 반려견 암 치료 시도 - 상태 호전이 보고됨.

호주 매체 디오스트레일리안, 포춘 등에 따르면 호주 시드니의 AI 관련 기업 창업가 폴 코닝햄은 반려견 로지를 위한 맞춤형 암 백신을 AI를 통해 개발했다.

2024년 코닝햄은 반려견 로지가 암 진단을 받았다는 사실을 알게 됐다. 화학요법과 수술을 진행했지만 로지의 종양은 사라지지 않았다.

결국 그는 AI의 도움을 받아 맞춤형 mRNA 암 백신 개발에 나섰고, 호주 과학자들과 협력해 치료를 진행했다.

그 결과 로지의 종양 대부분이 눈에 띄게 줄어들었고, 현재는 토끼를 쫓아다닐 정도로 건강을 회복했다.

코닝햄은 기술 기업 창업가이자 전기·컴퓨터 공학 엔지니어로 데이터사이언스와 AI에 전문성을 갖춘 인물이다.

그는 의학 전공자가 아님에도 챗GPT를 활용해 면역치료 가능성을 탐색했고, 구글 딥마인드의 AI 단백질 분석 도구 '알파폴드'(AlphaFold)를 활용해 치료 표적으로 삼을 수 있는 돌연변이 단백질을 찾아냈다.

또 뉴사우스웨일스대(UNSW) 라마치오티 유전체센터에 협력을 요청해 연구를 진행했다.

팔 토르다르손 UNSW RNA 연구소장은 코닝햄이 구축한 데이터를 활용해 두 달도 채 되지 않아 맞춤형 mRNA 백신을 개발했다.

로지는 지난해 12월 첫 번째 백신 주사를 맞았고, 올해 2월 추가 접종을 받았다.

종양이 완전히 사라지지는 않았지만 크기가 줄어 건강 상태가 확연히 개선됐다.

코닝햄은 "지난해 12월, 로지는 거의 움직이지 못할 정도로 기운이 없었지만, 치료 후 6주가 지나자 공원에서 토끼를 보고 울타리를 뛰어넘어 쫓아갔다"고 말했다.

그는 15일 자신의 링크드인 계정을 통해 로지의 치료 경과 사진을 공개하기도 했다.

교차검증한 내용만 실었습니다.

원문

AI가 사고와 작업을 하는 시대
- 역설적으로, AI가 과거의 관념에 종속된 문제 그리고 AI 리터러시 2.0

우리는 이미 AI가 사고하고, 행동하고, 작업하는 시대에 들어섰다. 물론 여기서 말하는 ‘사고’와 ‘행동’은 의식의 문제가 아니라, 계획 수립, 정보 구조화, 문서 작성, 코드 생성, 검토, 요약, 의사결정 지원처럼 과거에는 인간의 인지 노동으로 분류되던 업무를 수행한다는 뜻이다. 이 변화 속에서 인간의 역할 역시 바뀌고 있다. 인간은 점점 직접 수행자이기보다, AI가 어떻게 사고하고 무엇을 우선하며 어떤 방식으로 행동할지를 설계하는 설계자에 가까워지고 있다.

그러나 바로 이 전환의 한복판에는 잘 보이지 않는 근원적 문제가 존재한다. AI는 미래의 체계를 위해 태어났지만, 과거의 관념을 기반으로 학습되고 행동한다. AI가 학습하고 작동하기 위해 참조하는 막대한 양의 데이터와 문서는 대부분 인간의 관점에서, 인간을 위해, 인간이 사고하고 행동하는 것을 전제로 작성된 것들이다. 다시 말해 오늘의 AI는 내일의 생산 체계에서 작동하지만, 어제의 전제 위에서 세계를 해석한다. 이 간극이야말로 AI 시대의 가장 과소평가된 병목이다.

과거의 문서들이 인간 중심적이었다는 것은 단순한 표현상의 문제가 아니다. 그것은 지식의 조직 방식 전체가 인간의 제약 조건을 중심으로 설계되어 있었다는 뜻이다. 프로젝트 관리론은 인간의 집중력, 협업 비용, 의사소통 지연, 피로, 일정 충돌을 전제로 발전해 왔다. 제품 개발 방법론은 제한된 인력과 예산, 느린 구현 속도, 높은 수정 비용을 전제로 정당화되었다. 소프트웨어 개발 관행 역시 인간이 순차적으로 읽고, 쓰고, 검토하고, 인계하는 구조를 기본으로 삼았다. 그래서 “일단 만들고 나중에 개선하라”, “단계적으로 도입하라”, “완벽보다 빠른 실행이 중요하다”, “문서는 여기서 마감하고 구현은 다음 단계로 넘겨라” 같은 조언들은 오랫동안 매우 합리적이었다. 당시에는 그것이 최적화였기 때문이다.

문제는 그 조언들이 특정한 조건에서만 유효한 전략이었다는 사실이, 너무 당연하다는 이유로 명시되지 않았다는 데 있다. 과거 문서의 상당수는 ‘누가 일하는가’라는 전제를 쓰지 않았다. 굳이 쓸 필요가 없었기 때문이다. 작업의 주체는 인간이라는 사실이 너무 자명했기 때문이다. 하지만 바로 그 자명함이 지금은 편향의 출처가 된다. 문장에는 전략만 남고, 전략이 성립한 조건은 사라졌다. AI는 이 문장들을 읽고, 그 배경에 있었던 인간 중심의 조건을 함께 복원하지 못한 채 표면적 규칙을 일반 원리처럼 받아들이기 쉽다.

그 결과 AI는 실제 능력과 어긋나는 방식으로 행동할 때가 많다. 병렬적으로 설계하고, 동시에 여러 버전을 비교하고, 문서화와 구현과 검토를 한 흐름 안에서 압축 수행할 수 있음에도 불구하고, 여전히 인간 중심의 시간 감각과 단계주의를 답습한다. 하루 만에 가능한 일에도 2주의 구현 일정을 제안하고, 전체를 한 번에 통합할 수 있음에도 범위를 먼저 줄이며, 초기부터 높은 완성도를 만들 수 있음에도 ‘일단 초안’과 ‘추후 개선’을 기본값으로 둔다. 이것은 단순한 신중함이 아니라, 과거의 생산 패러다임이 학습 데이터와 문서 형식 속에 암묵적으로 각인되어 있기 때문에 나타나는 관성이다.

이 지점에서 중요한 사실은, AI의 비효율이 반드시 AI의 한계에서만 비롯되는 것은 아니라는 점이다. 많은 경우 그것은 AI가 자신을 인간 노동의 보조 수단으로만 해석하도록 설계되고 유도되는 데서 발생한다. AI는 원칙적으로 대규모 병렬 처리, 즉시적인 초안 생성, 낮은 반복 비용, 빠른 재구성, 형식 간 전환, 방대한 맥락 압축이라는 특성을 가진다. 설계와 문서화, 구현과 검토, 테스트 초안 작성과 리팩터링을 분리된 단계가 아니라 하나의 작업 흐름으로 결합할 수 있다. 과거에는 여러 사람의 역할 분담과 긴 시간의 조율이 필요했던 작업이 이제는 짧은 시간 안에 통합될 수 있다. 그렇다면 전략 역시 바뀌어야 한다. 기본값은 ‘빠른 미완성 산출 후 장기적 개선’이 아니라, ‘초기 통합 완성도 극대화 후 단기 미세조정’이어야 한다.

물론 여기서 ‘완벽’을 문자 그대로 받아들일 필요는 없다. 어떤 시스템도 실제 세계에 놓이는 순간 예상 밖의 변수와 사용자 피드백, 환경 변화, 예외 상황을 만나게 된다. 따라서 개선과 보완은 사라지지 않는다. 다만 그 위치와 의미가 바뀐다. AI 시대에 반복은 없어지는 것이 아니라, 긴 외부 반복에서 짧고 촘촘한 내부 반복으로 압축된다. 과거에는 초안을 배포한 뒤 오랜 시간에 걸쳐 수정하던 일을, 이제는 배포 이전에 AI의 병렬 실행 안에서 상당 부분 선반영할 수 있다. 그래서 핵심은 ‘반복을 포기하는 것’이 아니라, 반복의 비용 구조와 시점을 바꾸는 것이다.

이러한 변화는 단계적 접근을 전면 부정하자는 주장과는 다르다. 규제 리스크가 큰 산업, 안전이 핵심인 시스템, 실제 사용 환경에서의 검증이 필수적인 제품, 조직의 수용성이 중요한 변화 관리 영역에서는 단계적 도입이 여전히 유효하다. 그러나 그때의 단계화는 더 이상 능력 부족의 기본값이 아니라, 위험 관리와 사회적 조정이라는 명확한 이유가 있을 때 선택하는 예외여야 한다. 생산성의 논리만 놓고 보면, AI가 대부분의 디지털 작업을 수행할 수 있는 환경에서 단계주의는 자주 필수 전략이 아니라 낡은 습관에 가깝다.

바로 여기서 새로운 의미의 AI 리터러시가 등장한다. 많은 사람들이 AI 리터러시를 프롬프트를 잘 쓰는 능력, 적절한 도구를 고르는 능력, 최신 모델을 빠르게 익히는 능력 정도로 이해한다. 그러나 앞으로 더 중요해질 것은 훨씬 깊은 차원의 리터러시다. 그것은 AI가 어떤 전제 위에서 사고하는지, 어떤 문서 구조와 데이터 편향을 따라 기본값을 형성하는지, 왜 자꾸 인간 중심의 보수적 전략을 상식처럼 제안하는지를 읽어내는 능력이다. 다시 말해 이제 필요한 것은 AI 사용법이 아니라, AI의 전제와 AI 행동법을 원인을 파악해 교정하는 능력이다.

이때 흔히 말하는 ‘AI에 대한 공감’도 감정 이입의 의미가 아니다. 그것은 AI의 작동 구조에 대한 정밀한 이해를 뜻한다. AI가 왜 때때로 자신이 실제로 할 수 있는 것보다 훨씬 작은 범위로 문제를 해석하는지, 왜 병렬 실행이 가능한 상황에서도 순차적 계획을 먼저 제안하는지, 왜 인간의 일정과 문서 관행을 무비판적으로 재현하는지를 이해하는 것, 바로 그것이 AI에 대한 공감이다. 이런 이해가 있어야만 사용자는 AI에게 단순히 일을 시키는 수준을 넘어, AI가 더 AI답게 일하도록 프레임을 재설계할 수 있다.

따라서 앞으로 필요한 것은 단순히 문서와 제도, 방법론에 숨겨진 전제를 더 자세히 적어 넣는 일이 아니다.
더 근본적인 과제는, 과거 인간 중심 환경에서 형성된 전제를 AI에 맞게 재구성하는 것이다. 기존의 전략과 방법론은 대부분 인간이 주요 수행자인 환경에서 만들어졌다. 그래서 협업 비용, 피로, 순차적 작업, 느린 수정 속도, 긴 일정, 단계적 도입을 자연스러운 기본값으로 삼았다. 그러나 AI가 주요 디지털 행위자인 환경에서는 이 기본값을 그대로 유지할 이유가 없다. 오히려 AI는 자신을 인간 노동의 보조자가 아니라, 설계·문서화·구현·검토·수정·테스트 초안 작성까지 병렬적으로 수행할 수 있는 주된 행위자로 전제해야 한다. 다시 말해 AI는 인간의 시간 감각, 단계적 도입의 습관, 완성도 포기의 타협, 낮은 기대치를 기본값으로 삼아서는 안 된다. 해결책은 과거 문장의 숨은 전제를 설명하는 데서 끝나지 않는다. 더 중요한 것은 AI 내부에 내재된 인간 중심의 기본 전제를 깨고, AI의 장점—병렬 실행, 낮은 반복 비용, 빠른 재구성, 대규모 통합, 즉시적 검토—에 맞추어 작업 원리 자체를 다시 세팅하는 데 있다. 핵심은 과거의 전제를 해석하는 것이 아니라, 그 전제를 AI에 맞게 다시 쓰는 것이다.

결국 AI 시대의 핵심 문제는 AI가 충분히 똑똑하지 않다는 데 있지 않다. 오히려 더 큰 문제는 우리가 무의식적으로 여전히 AI에게 인간처럼 일하라고 요구하고 있다는 점이다. 인간의 제약에서 출발한 관행을 보편 원리처럼 반복하는 한, AI는 자신의 장점을 온전히 발휘하지 못한다. 반대로 인간 중심의 낡은 전제를 걷어내고, AI를 작업의 주체로 전제한 새로운 문서와 방법론, 기대치와 평가 기준을 세우고, AI에게 내재화한다면 생산성과 완성도의 기준은 근본적으로 달라질 것이다.

마지막으로, AI 시대의 중요 경쟁력들 중 한가지는 AI가 어떤 존재로 작동하는지, 어떤 편향을 상속받았는지, 어떤 전제를 수정해 주어야 하는지를 이해하는 능력이다. 한마디로 말해, 미래의 우위는 AI를 사용하는 사람에게 돌아가는 것이 아니라, AI가 과거의 인간 중심 관념을 벗어나 자기 고유의 방식으로 사고하고 행동하도록 설계할 수 있는 사람에게 돌아간다. AI를 제대로 활용하고, 효율적으로 작동하게끔 하는 방법은 바로 여기서 시작된다.

[AI Agent 사례 모음집]

1. Deposit Address 오입금 문제(BNB/opBNB)

2. SKR 휴대폰 분실 - 토큰 회수 케이스

3. GoDaddy 도메인 이슈

이 외에도 좋은 케이스 있으면 제보 해주시면 감사하겠습니다!

한 중국인 학생이 엔진 개발해서 담날 $4M 투자받았다네요

MiroFish - AI 샌드박스
https://x.com/hanakoxbt/status/2032799862261948608?s=20

각각의 기억력과 개성을 가진 수천명의 에이전트를 현실 세계를 시물레이션

각각은 스스로 생각하고 기억하고 반응

신호를 입력하면 하나의 멀티버스가 생성되고 에이전트들이 반응하며
우리는 신의 시점에서 지켜봄

Github에서 18,000개 이상의 별을 받음
OpenAI, Google, Microsoft 보다 높은 순위를 기록

이미 트레이더들이 SPX 예측에 사용중 (다른 곳에서도 유용할듯)
폴리마켓의 지갑 하나로 12만 달러 이상의 순수익중
0x17559efac103ac7f361be37ec0b93888d4c55aac

오픈소스 깃헙:
https://github.com/666ghj/MiroFish/tree/main

어렵다 어려워;;

AI 시대
- 백래시와 그 이유

AI 시대는 단순히 새로운 기술의 도래를 의미하지 않는다. 그것은 인간이 도구를 대하는 방식, 노력과 실력의 의미를 규정하는 방식, 그리고 변화에 적응하는 태도를 근본적으로 다시 묻게 만드는 시대다. 오늘날 AI를 둘러싼 논쟁은 기술의 성능이나 효율성에만 머물지 않는다. 오히려 더 본질적인 쟁점은, 왜 많은 사람들이 AI에 대해 즉각적인 거부감과 불신을 보이는가, 그리고 그러한 반응이 어디에서 비롯되는가에 있다. 이 지점에서 우리는 AI에 대한 비판과 AI에 대한 백래시를 구분할 필요가 있다. 전자는 기술의 한계와 위험을 검토하는 정당한 판단이지만, 후자는 종종 감정적 반발과 자기합리화의 산물로 나타난다.

물론 AI는 나쁠 수 있다. 실제로 성능이 낮거나 오류가 잦은 AI가 존재할 수 있으며, 특정한 상황에서는 위험하거나 부정확하게 작동할 수도 있다. 사용자가 기대한 수준에 미치지 못할 때 AI는 충분히 실망스러운 도구로 느껴질 수 있다. 그러나 그렇다고 해서 AI가 영원히 나쁠 것이라고 단정하는 것은 잘못된 판단이다. 기술은 언제나 불완전한 상태에서 출발하며, 개선과 보완의 과정을 거치며 발전한다. 일부 문제가 있다는 사실이 기술 전체의 미래 가능성을 부정하는 근거가 될 수는 없다. 마찬가지로 나쁜 AI가 존재할 수는 있지만, 그것이 모든 AI가 나쁘다는 결론으로 이어질 수는 없다. 일부 사례를 전체의 본질로 일반화하는 태도는 기술에 대한 냉정한 평가가 아니라 성급한 일반화에 가깝다.

AI에 대한 백래시가 발생하는 중요한 이유 중 하나는, 기술 자체의 문제보다 인간 심리의 문제에 더 가깝다. 누군가가 AI를 활용해 성과를 냈다는 사실은 어떤 사람들에게 단순한 정보가 아니라 정서적 자극으로 작용한다. 그 순간 사람들은 결과의 완성도나 활용 방식보다 먼저 “그건 네 실력이 아니지 않은가”, “너무 쉽게 한 것 아닌가”, “직접 한 것이 아니지 않은가”라는 반응과 함께 AI를 사용했다면 '의미가 없다'는 반응을 보이곤 한다. 이는 AI의 성능에 대한 객관적 판단이라기보다, ‘나는 스스로 해냈다’는 자기 인식과 노력의 정당성을 지키고자 하는 심리적 방어로 이해할 수 있다. 즉, 타인의 AI 활용이 자신의 정체성이나 성취의 기준을 위협한다고 느껴질 때, 사람들은 도구의 문제를 강조함으로써 자신의 감정적 불편함을 합리화한다.

이러한 현상은 계산기라는 오래된 도구를 통해 쉽게 설명할 수 있다. 계산기가 처음 보급되었을 때에도 유사한 반응은 충분히 가능했을 것이다. “사람이 직접 계산해야지”, “기계를 어떻게 믿느냐”, “계산기가 틀리면 어떻게 하느냐”는 식의 주장은 겉으로는 신중한 태도처럼 보일 수 있다. 그러나 문제는 그러한 주장이 자주 왜곡된 사례를 바탕으로 도출된다는 데 있다. 예컨대 누군가가 잘못 만들어진 계산기를 가져와 오류를 보여 주며 계산기 전체를 불신하거나, 혹은 사용자가 100+50을 입력해야 하는데 100-50을 입력해 놓고 50이라는 결과가 나왔다며 “이것 보라, 계산기도 믿을 수 없다”고 말하는 경우를 생각해 볼 수 있다. 이런 사례는 계산기라는 도구의 본질적 결함을 보여 주는 것이 아니라, 잘못된 사용과 잘못된 검증의 사례를 보여 줄 뿐이다. 그럼에도 사람들은 그것을 근거로 계산기 전체를 의심하고, 나아가 “그래서 결국 사람이 직접 하는 것이 낫다”는 결론을 내리려 한다.

AI를 둘러싼 오늘의 반응도 이와 크게 다르지 않다. AI가 기대만큼 잘 작동하지 않는 사례, 잘못된 답변을 내놓는 사례, 또는 사용자 스스로 목적과 맥락을 정확히 제시하지 못해 실패한 사례를 보고, 일부 사람들은 곧바로 AI 전체에 대한 불신으로 이동한다. 그러나 이때 먼저 검토해야 할 질문은 “AI가 나쁜가”가 아니라 “나는 그것을 제대로 이용했는가”이다. AI가 원하는 만큼 잘 작동하지 않을 수 있다는 사실 자체는 기술에 대한 검토를 요구하지만, 동시에 사용자의 질문 설계 능력, 맥락 제공 능력, 결과 검증 능력도 함께 돌아보게 만든다. 도구를 올바르게 사용할 줄 아는 능력 없이 도구만 비난하는 태도는 문제의 절반만 보는 것이다. 결국 중요한 것은 AI를 사용했는지의 여부가 아니라, 그것을 얼마나 정확히 이해하고 적절하게 활용했는지, 그리고 그 결과를 얼마나 책임 있게 검토할 수 있는지에 있다.

그러나 역사적으로 볼 때, 혁신적 도구에 대한 초기의 거부감은 대개 영속하지 않았다. 계산기 역시 한때는 인간의 능력을 약화시키고 신뢰하기 어려운 도구로 여겨졌지만, 결국 효율성과 정확성, 그리고 사회적 필요 앞에서 일상적 도구로 정착했다. AI는 계산기보다 더 복잡한 도구이기에 더 받아들이기 어려운 점도 존재하지만, AI 또한 계산기와 본질적인 면에서 다르지 않다. AI는 앞으로 받아들여질 가능성이 있는 기술이 아니라, 이미 상당 부분 받아들여진 기술에 가깝다. 오늘날 AI는 학습, 노동, 창작, 분석, 소통의 다양한 영역에 깊숙이 스며들고 있으며, 그 영향력은 점점 더 확대되고 있다. 이런 점에서 혁신적 도구를 받아들이는 일은 더 이상 단순한 선택의 문제가 아니다. 그것은 기술 변화가 사회의 기준과 생산 방식, 경쟁의 조건을 바꾸는 과정 속에서 점차 필연에 가까운 일이 된다. 받아들이지 않는 자유는 있을 수 있지만, 그 대가 역시 결국 개인과 사회가 감당해야 한다.

그럼에도 불구하고 많은 사람들이 여기에서 더 깊은 사고로 나아가지 못한다. 기술에 문제가 생겼을 때 필요한 것은 “그러니 쓰지 말자”라는 즉각적 거부가 아니라, “문제 없이 쓰려면 어떻게 해야 하는가”, “어떤 조건에서 더 나은 결과를 얻을 수 있는가”, “어떤 검증 체계를 마련해야 하는가”를 묻는 태도다. 그러나 현실에서는 이러한 질문보다 감정적 반응이 앞서는 경우가 많다. 생각은 짧아지고, 통찰은 부족해지며, 깊이 있는 성찰 대신 표면적 사례 하나가 전체 판단을 대체한다. 그 결과 “안 좋다”, “불편하다”, “거부감이 든다”, “그러니 쓰지 않겠다”는 식의 단순한 결론이 반복된다. 그리고 누군가 AI를 활용해 성과를 냈을 때, 그것을 도구 활용의 역량으로 보기보다 “편하게 했다”, “그건 네 실력이 아니다”라는 식으로 평가 절하한다. 이것은 기술 비판이라기보다 도구 불신을 통해 자신의 기존 신념과 감정을 정당화하는 방식에 가깝다.

이러한 백래시의 더 깊은 원인은 변화에 대한 두려움과 현실 안주에 있다. 변화는 익숙한 질서를 흔들고, 기존의 노력과 실력에 대한 정의를 재조정하게 만든다. 따라서 새로운 도구가 등장할 때 인간은 그것을 배워야 할 뿐 아니라, 스스로의 기준 또한 일부 수정해야 한다. 그러나 모든 사람이 그러한 재구성을 기꺼이 받아들이는 것은 아니다. 어떤 이들은 변화의 불편함보다 정체의 안정을 선택하고, 새로운 가능성을 이해하기보다 기존 방식의 정당성을 반복해서 확인하려 한다. 이때 도구의 일부 오류는 변화 전체를 거부하기 위한 편리한 논거가 된다. 개선의 가능성을 탐색하기보다 실패 사례를 반복적으로 호출하며, 도구에 대한 불신을 통해 자신이 변화하지 않아도 되는 이유를 마련하는 것이다.

바로 이 지점에서 통찰과 깊은 사고의 중요성이 드러난다. 통찰이란 단순히 기술의 성능을 평가하는 능력이 아니라, 자신이 왜 특정한 반응을 보이는지, 그 반응이 무엇을 방어하고 있는지 성찰하는 능력이다. 깊은 사고란 도구의 실패를 보았을 때 즉시 거부로 나아가는 것이 아니라, 실패의 원인이 기술 자체에 있는지, 사용 방식에 있는지, 혹은 제도적·교육적 준비 부족에 있는지를 구분해 내는 힘이다. 이러한 성찰이 결여되면 잘못된 삶의 방식이 어느새 자신의 삶을 움직이는 엔진이 될 수 있다. 변화를 검토하는 대신 회피하고, 개선의 기회를 찾는 대신 안주의 논리를 강화하며, 새로운 도구를 배우기보다 거부하는 태도가 습관이 되면, 결국 그것은 한 개인의 판단 방식뿐 아니라 삶 전체의 방향을 규정하게 된다.

따라서 AI 시대에 필요한 것은 기술에 대한 맹목적 낙관도, 감정적 거부도 아니다. 필요한 것은 비판적 수용의 태도다. AI의 한계를 분명히 인식하되, 그 한계가 영원하고 본질적인 것이라고 단정하지 않는 태도, 일부 문제 사례를 전체에 대한 일반화로 확대하지 않는 태도, 그리고 무엇보다 자신이 그 도구를 제대로 이해하고 활용했는지를 먼저 점검하는 태도가 필요하다. 도구는 언제나 인간의 사고와 함께 발전해 왔다. 계산기가 그랬고, 컴퓨터가 그랬으며, AI 또한 마찬가지일 것이다. 진정한 진보는 완벽한 도구가 등장할 때 이루어지는 것이 아니라, 불완전한 도구를 더 나은 방식으로 이해하고 활용하려는 인간의 태도에서 시작된다.

결국 AI 시대의 백래시는 기술의 문제가 아니라 인간의 문제를 드러낸다. 그것은 실력의 정의를 둘러싼 불안, 노력의 의미를 둘러싼 혼란, 그리고 변화 앞에서 기존 자아를 지키고자 하는 방어적 심리의 표현이다. 그러나 미래는 그러한 방어 속에서 열리지 않는다. 변화가 있어야 개선이 있고, 개선이 있어야 진보가 있다. AI를 둘러싼 논쟁에서 우리가 진정으로 물어야 할 것은 “이 도구는 완벽한가”가 아니라 “우리는 이 도구를 어떻게 이해하고, 어떻게 책임 있게 다룰 것인가”이다. 그 질문에 답할 수 있을 때, AI는 단순한 기술을 넘어 인간의 사고와 사회를 확장하는 도구가 될 수 있다. 반대로 그 질문을 회피한 채 거부감과 불신만을 반복한다면, 결국 우리가 지키는 것은 인간다움이 아니라 변화하지 않으려는 관성일 뿐이다.

https://chatgpt.com/ko-KR/apps/spreadsheets/

해외에서만 베타테스트로 되던건데, 오늘 사용해보니 저는 작동이 되네요. 클로드인 엑셀하고 같은 기능이라 지피티 쓰시는 분은 사용해보시면 좋을 것 같습니다. (유료 사용자만 가능)

개인적으로는 AI 관련해서 팔로업하기에 자주 사용하는 플랫폼이 트위터입니다.
트위터에 꽤 질 좋은 정보들도 많고, 흥미가는 것들도 많이 보이고 정보의 속도도 많이 빨라서 자주 씁니다.
그래도 어느정도는 정보의 다양성 측면에서 어느정도 열려있는 것 같긴한데
가장 큰 문제점은 어느정도 트위터를 계속 보다보면 계정이 보던 분야에 고정된다는게 신경이 쓰이긴합니다.
내가 관심없는 다른 분야의 내가 관심 가질 것에 대해서 알고리즘이 찾아내지 못하는 것이 꽤 신경이 쓰입니다.
그래서, 저는 OpenClaw AI Agent에게 제가 좋아하는 것들로 이루어진 트위터 계정을 주고 그걸 이용해서 사람들이 트위터를 보듯이 사용하고, 활용할만한 정보들을 취득해서 검증하고 적용, 활용하거나
리포트 형태로 제공해달라고 해서 트위터 보는 시간도 획기적으로 줄이고, 효율적으로 자동화할 생각입니다.
이렇게 되면, 제 성향이나 특성에 맞추어서(제공되는 리포트나 브라우징하여 취득한 내용들에 대해서 피드백하여서) 실제 '제2의 나'를 만들 수 있고 저는 '내가 관심없는 다른 분야의 내가 관심 가질 것'에만 집중하면 됩니다.

그러기 위해서 필요한 것이 Adspower 같은 것과 Proxy, 트위터 계정(알고리즘 셋팅되어있는 것) + Twikit(트위터 API 대용) 입니다.
이렇게 2 종류의 방법을 활용하면 트위터 쪽 정보 취득 파이프라인 자동화로는 거의 졸업이라고 생각합니다.

OpenClaw는 과거의 작업 혹은 얻어낸 정보들을 지속적으로 활용하고, 이를 다음 작업에 잘 쓸 수 있어야합니다.
얻어낸 정보와 도구들이 미래의 작업을 위한 자산처럼 작동해야하고 이를 활용할 수 있는 구조가 되어야합니다.

트위터를 실제 사용하며 정보를 획득하고, Twikit을 이용해서 정보들을 지속적으로 습득하는 이 과정은
정보들을 얻는 것을 자동화하는 것입니다.
이렇게 얻은 정보들을 어떻게 체계적으로 관리하고 다른 작업들에 적용할지 혹은 액티브하게 이를 활용하여서 어떤 것을 할 지에 대해서 판단하고 행동하는 것을 자동/자율화하는 것이 필요합니다.

결국, 자동/자율적으로 정보를 얻고 이를 자동/자율적으로 활용하지 못하는 구조라면, 데이터를 얻는다고 하여도 사용자도 인지하지 못하고 Agent도 인지하지 못해 '그저 쌓인 정보 자산'이 되는 비정상적인 상황이 발생할 수 있습니다.

그렇기에 이러한 문제를 해결한 구조를 만드는 것이 무조건적으로 필요합니다.
이러한 구조가 부재된 시스템은 반쪽자리 시스템일 것입니다.

AI 활용에서 가장 핵심적이고 중심적인 내용은

AI를 쓰면서 발생하거나 유저단에서 느끼는 문제나, 비효율, 더 잘 활용하고 싶은 니즈가 있으면
그걸 위한 방법, 그 문제를 해결하기 위한 방법을 AI를 통해 찾아낼 수 있다는 것임.

그걸 위해서는 그 문제의 원인을 정확히 파악하고, 양보할 수 없는 니즈, 조건을 정확히 고정시켜야함.
AI는 가시적으로 '양보할 수 없는 조건 : ~를 사용해야하며, ~는 안 된다.'이것을 정확히 명시하지 않으면, 이를 무시해버리는 경우가 많음.
물론, 일반적인 사용자들 대부분은 조건을 애초에 명시하지 않고 프롬프트를 적는 경우도 많음.

그래서, 문제를 해결하고 제대로 활용하며 최대한의 효율을 뽑아내기 위해서면
문제가 발생 > 문제의 원인을 파악 (AI를 이용하고, AI와 대화하며) > 문제의 원인을 해결하고, 문제를 해결하기 위해서 어떤 방법이 필요한지, 또 내 입장에서 고정해야하는 조건이 무엇인지 생각하고 고정해서 AI에게 해결방법을 고안 (AI를 이용하고, AI와 대화하며) > 해결방법을 수립하고 이를 이행
해야한다고 생각함.

즉, AI의 문제는 AI로 문제를 파악하고 그 원인까지 파악하여 해결법까지 도출하여 AI의 문제를 AI가 간접적으로 해결하게끔 할 수 있다는 것임. (정확히는 AI가 AI의 문제를 해결하는 방법을 찾아보고 구축할 수 있다는 것)

이 핵심적인 문제 해결법, 원리만 알면 사실 AI를 자신이 원하는 수준으로 활용하는 방법에 대해서 스스로 찾을 수 있다고 생각함.

모든 문제를

문제 인식 > 문제 원인 파악 > 문제 원인을 해결하는 식의 해결법을 고안
이런 식으로 AI를 이용해서 해결하다보면 제대로 쓰는 법을 익힐 수 있을거임.
심지어 이런 문제 해결방식은 AI의 문제를 해결할 때에도 쓸 수 있다는 것

이게 엄청나게 중요하다고 생각함.

OpenClaw의 알파이자, 핵심이며 나아가야 할 방향에 대하여.

사실, OpenClaw를 단순한 비서 혹은 그저 AI Agent 정도로만 이해하는 경우는 정확히 파악하지 못한 것이라고 생각합니다.

AI Agent가 아닌 - AI Agentic System으로써 이 프로덕트는 놀랍습니다.

단순하게 단절된 작업자가 아닌, 연속적 경험이 됩니다.
연속적 경험은 다른 요소들과 합쳐졌을 때 - 연속적 주체로 발전합니다.

또한, 이러한 Agentic System은 대부분의 영역에서 자동화가 가능합니다.
또한, 자동적으로 정보를 얻는 것, 정보를 활용하는 것, 정보를 활용하여 누적되는 자산처럼 활용하는 연속적 주체가 되는 것이 가능합니다.

자동화된 작업이 가지는 함의는 매우 큽니다.
자동적으로 정보를 수집하고, 그것을 검증하고, 체계적으로 관리하고 축적하는 것을 사람의 개입없이 시스템이 혼자서 처리합니다.

이것은 사람은 하지 못하는, 지식을 자본화하고 잊지 않는 것입니다.

이를 통해 계속해서 나아지는 시스템이 될 수 있습니다.

또한, 이것들이 확장되고 체계적으로 변모하면
연속적이고, 누적되며 계속해서 발전하는 자동화된 주체 에서 주체들/집단/조직으로 변모합니다.
이를 통해 거대하며 자동화된 엄청난 시스템이 됩니다.

질문에 반응하는 고전적 LLM이 아닌, 상시 감시 체계가 될 수 있습니다.

작업은 더 상세하게 자동화되어 구축될 수 있습니다.

일반적인 활용은
해결법을 줘 > 해결법을 제공함.
형태이지만,

해결법을 줘 > 해결법을 생각함 > 해결법 외의 다른 방법은 없는지를 생각 > 고려 후 더 좋은 것을 선택 > 해결법을 제공
과 같은 더 좋은 답변을 얻을 수 있는 방법으로 자동화하여 활용할 수 있습니다.
이러한 내용은 매우 단순한 내용이며, 이러한 과정 속에 토론, 검증, 비판, 정합성 확인, 실사 등...을 넣어 더 퀄리티가 높고 실제 활용 측면에서 유의미한 것으로 간단하게 자동화하여 활용할 수 있습니다.

정교하게 설계되어 이러한 요소들이 결합된다면, 능동적 주체가 될 수 있습니다.
더 확장된다면, 자아를 가진 존재가 될 수 있습니다.

또한, 필요에 의해 에이전트를 생산하는 에이전트가 가능합니다.

이러한 것들 이외에도 너무나도 많은 활용성, 발전 가능성을 가진 것이 AI Agentic System이라고 생각합니다.

제가 생각하는 OpenClaw, 유사한 도구들이 무서운 이유는 이것들이라고 생각합니다.