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.
- 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.
❤2👍2
Forwarded from BHI
YouTube
[단독] 메타 'AI 글라스', 7월 국내 첫 출시…가격 70만원대 / 한국경제TV뉴스
미국 메타의 AI 글라스가 오는 7월 국내에 처음 출시되는 것으로 한국경제TV 취재 결과 확인됐습니다. 메타는 출시 가격을 70만 원대로 책정한 가성비 모델로 국내 소비자를 공략한다는 전략입니다. 산업부 김인철 기자의 단독 보도입니다.
#메타 #AI #안경
[기사원문보기]
https://www.wowtv.co.kr/NewsCenter/News/Read?articleId=A202603110377
△ 대한민국의 경제를 보세요!
△ 구독과 좋아요👍…
#메타 #AI #안경
[기사원문보기]
https://www.wowtv.co.kr/NewsCenter/News/Read?articleId=A202603110377
△ 대한민국의 경제를 보세요!
△ 구독과 좋아요👍…
BHI
https://youtu.be/LgRp9isEuSo?si=pFIhI1ZxKRI7eQkQ
AI 스마트 글래스 흐름은 필연적일 수 밖에 없다고 생각합니다.
관련해서 관심을 가지고, 투자를 집행하는 것도 좋은 방향이라고 생각합니다.
관련해서 관심을 가지고, 투자를 집행하는 것도 좋은 방향이라고 생각합니다.
👀1
Forwarded from BHI
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.
AI Agentic System을 구축하고 설계하고, 개선하는 과정에서 직면하는 문제나 드는 생각, 해결법 등...을 적은 문서입니다.
참고하셔서 생각해보시고 구체화해서 적용하시는 것을 추천합니다.
Telegraph
AI Agentic System Memo
OpenClaw 기반 AI Agentic System 설계 메모 1. GitHub Backup / Rollback 구조에 대한 생각 OpenClaw에서 GitHub에 커밋/푸시를 하도록 하는데, 작업 전과 작업 후에 각각 백업을 남기고 싶다. 이유는 에이전트가 잘못 작업해서 전체를 망가뜨릴 수 있기 때문이다. 따라서 언제든지 복구 가능해야 한다. 복구는 새로운 환경에서 Agent에게 복구를 지시해서 진행할 생각이다. 이때 GitHub 접근 권한을 주고…
Forwarded from BHI
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
Forwarded from BHI
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.
- 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.
👀1
Forwarded from BHI
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.
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.
👀1
Forwarded from BHI
[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!
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!
Telegram
돌찬 공지방
졷대는 경험 공유
: AI는 실제로 돈을 구해다줍니다.
구독자분께서 predict fun 하다가 계정 추상화 입금주소에 BNB USDT 를 보내야되는데 opBNB USDT 를 보내버리심. 골때리는게 입금 주소 살펴보니깐 opBNB 상에서 스마트 컨트렉트 주소도 아니고 깡 EOA 지갑 주소임. 프레딧펀 UI 상에서도 opBNB 선택이 아예 안됨. 이건 못구한다 ㅈㅈ 치고 혹시나해서 AI 1시간 돌려놓으니깐 갑자기 지가 구해옴.
https://opb…
: AI는 실제로 돈을 구해다줍니다.
구독자분께서 predict fun 하다가 계정 추상화 입금주소에 BNB USDT 를 보내야되는데 opBNB USDT 를 보내버리심. 골때리는게 입금 주소 살펴보니깐 opBNB 상에서 스마트 컨트렉트 주소도 아니고 깡 EOA 지갑 주소임. 프레딧펀 UI 상에서도 opBNB 선택이 아예 안됨. 이건 못구한다 ㅈㅈ 치고 혹시나해서 AI 1시간 돌려놓으니깐 갑자기 지가 구해옴.
https://opb…
Forwarded from 그냥 꼬맹
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;;
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;;
Forwarded from BHI
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.
- 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.
❤1
Forwarded from BHI
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.
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.
Forwarded from YG H
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)
해외에서만 베타테스트로 되던건데, 오늘 사용해보니 저는 작동이 되네요. 클로드인 엑셀하고 같은 기능이라 지피티 쓰시는 분은 사용해보시면 좋을 것 같습니다. (유료 사용자만 가능)
Chatgpt
Excel 및 Google Sheets용 ChatGPT | ChatGPT로 스프레드시트를 만들고 업데이트하세요
Plus, Pro, Business, Enterprise플랜에서 Excel 및 Google Sheets용 ChatGPT(베타)를 설치할 수 있습니다. 스프레드시트를 만들고 탭 전반에서 데이터를 분석하고 공유하기 전에 결과를 검토하세요.
Forwarded from BHI
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.
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.
❤1
Forwarded from BHI
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.
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.
Forwarded from BHI
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.
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.
Forwarded from BHI
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.
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.
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.
Forwarded from BHI
[에이전트 기반 메모리 관리 : 99%의 정확도를 기록한 체계 - SuperMemory]
트위터 원문
트위터 원문
우리는 에이전트 메모리의 최전선을 돌파했다.
약 99% 수준의 SOTA 메모리 시스템을 소개한다.
에이전트 메모리는 이제 사실상 완전히 해결됐을지도 모른다.
몇 년 안에 수십억 개의 에이전트가 각 사용자에 맞게 고도로 개인화되고 전문화되어, 우리가 하는 모든 것을 바탕으로 계속 학습하고 진화하게 될 것이다.
이것이 바로 우리가 수년간 AI 메모리를 연구해온 이유다.
그리고 마침내 그것을 거의 완성해낸다면 어떤 일이 벌어질까?
몇 달 전, 우리는 첫 번째 연구 보고서를 공개하며 Supermemory가 LongMemEval-s에서 약 85% 를 기록했고, 당시 공개 벤치마크된 모든 메모리 시스템보다 앞섰음을 보여줬다.
오늘 우리는 새로운 결과를 공개한다.
LongMemEval_s에서 약 99% 다.
처음부터 분명히 말하자면, 이것은 아직 우리의 메인 프로덕션 Supermemory 엔진에 들어간 것은 아니다.
이번 블로그는 우리가 프로덕션 환경의 핵심 제약과는 독립적으로, 메모리 검색과 추론의 절대적 한계를 어디까지 밀어붙일 수 있는지 보기 위해 만든 매우 실험적인 agentic flow를 다룬다.
몇 달간의 연구 끝에 여기까지 왔다.
우리가 이 성과를 낼 수 있었던 방식은 다음과 같다.
새로운 기법 ASMR (Agentic Search and Memory Retrieval) 을 소개한다.
이 기법의 특징은 다음과 같다.
구현이 정말 쉽다
벡터 데이터베이스나 임베딩이 전혀 필요 없다
완전히 인메모리 방식으로도 가능하다
따라서 로봇 같은 다른 시스템에도 내장할 수 있다
소개
LongMemEval은 장기 메모리를 평가하는 공개 벤치마크 중에서도 가장 엄격한 축에 속한다.
짧은 문맥에서 단순 검색만 테스트하는 벤치마크와 달리, LongMemEval은 실제 프로덕션 환경의 혼란스러움을 시뮬레이션하도록 설계되어 있다.
예를 들면 11.5만 토큰이 넘는 대화 기록, 서로 모순되는 정보, 여러 세션에 걸쳐 흩어진 사건들, 그리고 시간을 기준으로 추론해야 하는 질문들이 있다.
대부분의 메모리 시스템이 낮은 점수를 받는 이유는 대개 추론이 아니라 검색 때문이다.
회상률이 높더라도, 검색된 정보에 노이즈가 많으면 LLM은 그것을 제대로 활용하지 못할 수 있다.
핵심 문제는 정확히 필요한 정보만 컨텍스트 윈도우 안으로 가져오는 것이며, 더 어려운 문제는 검색된 사실이 이미 오래된 정보인지, 더 최신 정보가 그것을 대체했는지를 아는 것이다.
이를 해결하기 위해 우리는 전통적인 RAG에서 벗어나 멀티 에이전트 오케스트레이션 파이프라인을 구축했다.
구성 및 실험 아키텍처
표준 벡터 검색은 일반적으로는 괜찮다.
하지만 조밀하고, 다중 세션 기반이며, 시간 정보가 중요한 데이터의 미묘한 차이를 다룰 때는 무너진다.
의미 유사도 매칭만으로는 오래된 사실과 새로 수정된 사실을 안정적으로 구분할 수 없다.
LongMemEval의 복잡성을 다루기 위해 우리는 인제스트와 검색 파이프라인을 처음부터 다시 설계했고, 벡터 계산을 능동적인 agentic reasoning으로 대체했다.
ASMR이라는 이름처럼, 이 기법은 단순하면서도 만족스럽다.
1. 병렬 오케스트레이션 및 인제스트 (Observer Agents)
사용자 세션을 청크로 나누고 임베딩하는 대신, 우리는 3개의 병렬 리더(Observer) 에이전트를 사용하는 오케스트레이터를 배치했다.
이 에이전트들은 원시 세션을 동시에 읽는다.
예를 들어 Agent 1은 세션 1, 3, 5를 맡고, Agent 2는 2, 4, 6을 맡는 식이다.
(모델: Gemini 2.0 Flash)
이들의 목표는 다음 6개 벡터에 걸쳐 타깃형 지식 추출을 수행하는 것이다.
개인 정보
선호
사건
시간 정보
업데이트
어시스턴트 정보
이렇게 구조화된 결과물은 네이티브하게 저장되고, 원본 세션과 매핑된다.
2. 능동적 Agentic Retrieval (Search Agents)
질문이 들어오면 우리는 벡터 데이터베이스를 조회하지 않는다.
대신 3개의 병렬 검색 에이전트를 투입한다.
이 에이전트들은 저장된 결과물을 실제로 읽고 추론하며, 각각 특화된 초점을 가진다.
Agent 1: 직접적 사실과 명시적 진술을 찾는다
Agent 2: 관련 맥락, 사회적 단서, 함의를 찾는다
Agent 3: 시간순 타임라인과 관계 맵을 재구성한다
오케스트레이터는 세 검색 에이전트의 결과를 취합하고, 세부 검증을 위해 원문 세션 발췌문을 그대로 끌어온다.
이를 통해 단순 키워드 매칭이나 수학적 유사성이 아니라, 실제 인지적 이해를 바탕으로 한 지능형 검색이 가능해진다.
3. 에이전트 오케스트레이션 기반 응답 앙상블
문맥이 조립된 뒤에도, LongMemEval에는 질문 유형이 너무 다양해서 단일 프롬프트 하나로는 처리할 수 없다.
어떤 질문은 추론이 필요하고, 어떤 질문은 극도로 정확해야 한다.
그래서 우리는 두 가지 서로 다른 agentic answering flow를 실험했다.
Run 1: 8-Variant Ensemble (정확도 98.60%)
첫 번째 접근에서는 검색된 문맥을 8개의 고도로 특화된 프롬프트 변형에 병렬로 넣었다.
예를 들면 Precise Counter, Time Specialist, Context Deep Dive 같은 역할들이다.
각 변형은 문맥을 독립적으로 평가하고 답을 생성한다.
그리고 이 8개의 서로 다른 추론 경로 중 하나라도 정답에 도달하면 그 문제는 정답으로 처리했다.
이 병렬 멀티-저지 방식 덕분에 우리는 무려 98.60%의 전체 정확도를 달성했고, 블라인드 스팟까지 완벽하게 커버할 수 있었다.
Run 2: 12-Variant Decision Forest (정확도 97.20%)
이번에는 여러 번의 독립적 시도 중 하나가 맞는 방식이 아니라, 하나의 권위 있는 단일 답변을 내는 시스템을 시험하기 위해 아키텍처를 12-variant Decision Forest로 확장했다.
여기서는 12개의 고도로 특화된 에이전트(GPT-4o-mini 기반)가 각자 독립적으로 질문에 답한다.
그 다음 Aggregator LLM이 최종 판정자 역할을 맡는다.
이 Aggregator는 다수결, 도메인 신뢰도, 충돌 해결을 바탕으로 12개의 답변을 종합한다.
이 단일 합의형 모델 역시 97.20%라는 매우 높은 정확도를 달성했다.
[결과]
이 실험 아키텍처의 성능은 장기 AI 메모리에서 가능한 것의 기준 자체를 바꿔놓는다.
이 성취가 어느 정도 규모인지 이해할 수 있도록, 아래는 우리의 실험적 agentic flow가 원래의 프로덕션 엔진 및 업계 전반과 비교해 어떤 위치에 있는지를 보여준다.
이 시스템은 에이전트의 지연 시간에도 생각보다 큰 영향을 주지 않는다.
물론 이 부분은 우리가 계속 개선 중인 지점이기도 하다.
우리가 배운 점 & 다음 단계
프로덕션급 벤치마크에서 약 99% 정확도를 기록하는 시스템을 만들면서 몇 가지 중요한 엔지니어링 인사이트를 얻었다.
Agentic Retrieval이 Vector Search보다 낫다:
벡터 임베딩을 버리고 능동적 검색 에이전트로 전환한 것이 가장 큰 돌파구였다.
에이전트가 직접 문맥을 찾아 나서는 방식은, 시간에 따른 변경이나 업데이트 상황에서 기존 RAG가 빠지는 의미 유사도 함정을 제거해줬다.
병렬 처리가 핵심이다:
인제스트와 검색 작업을 여러 개의 전담 에이전트(읽기 3개, 검색 3개)로 분산한 것은 속도와 사실 추출의 세밀함을 모두 크게 향상시켰다.
각 에이전트가 특화된 초점을 갖고 추출할 수 있도록 했기 때문에 충돌도 줄일 수 있었다.
범용보다 특화가 낫다:
Counter나 Detail Extractor 같은 전용 전문 에이전트로 문맥을 라우팅하는 방식은, 단일 마스터 프롬프트 하나보다 훨씬 뛰어난 성능을 보였다.
이번 시스템은 핵심 Supermemory 엔진이 아니라 실험용 샌드박스에서 나온 것이기 때문에, 우리는 AI 커뮤니티가 이 아키텍처를 배우고 그 위에 더 발전시킬 수 있기를 바란다.
Forwarded from BHI
우리는 곧 이 실험적 agentic flow의 전체 코드를 오픈소스로 공개할 예정이다.
메모리는 계속 진화하는 과제이며, 이번 연구는 가능한 것의 상한선을 끌어올렸지만, 우리는 이미 이 순수 agent 기반 검색 기법을 어떻게 핵심 프로덕션 환경으로 옮길지 살펴보고 있다.
정확히 11일 뒤(4월 초), 우리는 이 새로운 에이전트 메모리 시스템에 대한 모든 것을 공개하고 오픈소스로 배포할 것이다.
이것은 공개 개발 방식으로 진행될 것이고, 모두가 볼 수 있는 일종의 스펙터클이 될 것이다.
우리는 이 과정을 즐기고 있다.
우리 GitHub를 확인해달라: https://github.com/supermemoryai
출시를 기대하면서 계속 지켜봐 달라 👀
에이전트 메모리는 이제 (아마도) 해결된 문제일까?
X (formerly Twitter)
Dhravya Shah (@DhravyaShah) on X
We broke the frontier in agent memory: Introducing ~99% SOTA memory system.
Forwarded from BHI
장기 기억력 측면에서 99% 수준의 성능을 냈다고 주장하는데, 저도 비슷하게 Agentic Memory/DataBase - 데이터/메모리를 Agent에 의해 관리하는 체계를 구축하고 있는데 이 방법이 획기적인 방법이라고 생각합니다.
일단, 정보가 계속 쌓이면 그게 지속적으로 활용될 수 있는 자산이 되어야하는 것에서 이러한 정보를 관리하고 사용하는 체계가 필요하다고 생각합니다.
질문 → 여러 에이전트가 저장된 기억을 다시 읽고 추론 → 시간축/업데이트 반영해서 필요한 정보만 뽑음
의 구조라고 합니다.
사실 저도 비슷한걸 하고 있었는데
AI가 병렬/분업으로 기억/DB를 관리하고
AI가 병렬 분업으로 다시 찾아오고 역할을 나누어서 처리한다라는 큰 틀은 비슷한데
저는 좀 수준이 낮아도 싼 모델들을 고의적으로 사용하지 않으려고 했는데
그냥 규칙에 따라서 똑같은 일을 반복하는 단순 반복 - 분업은 싼 AI에게 맡겨도 좋은 것 같다는 생각이 들었습니다.
일단, 정보가 계속 쌓이면 그게 지속적으로 활용될 수 있는 자산이 되어야하는 것에서 이러한 정보를 관리하고 사용하는 체계가 필요하다고 생각합니다.
질문 → 여러 에이전트가 저장된 기억을 다시 읽고 추론 → 시간축/업데이트 반영해서 필요한 정보만 뽑음
의 구조라고 합니다.
사실 저도 비슷한걸 하고 있었는데
AI가 병렬/분업으로 기억/DB를 관리하고
AI가 병렬 분업으로 다시 찾아오고 역할을 나누어서 처리한다라는 큰 틀은 비슷한데
저는 좀 수준이 낮아도 싼 모델들을 고의적으로 사용하지 않으려고 했는데
그냥 규칙에 따라서 똑같은 일을 반복하는 단순 반복 - 분업은 싼 AI에게 맡겨도 좋은 것 같다는 생각이 들었습니다.