AI로 인해서 많은 변화가 생겼는데,

기존의 일은 '직접 생각하고, 직접 찾아보고, 직접 움직여서, 직접 선택하고, 직접 결과물을 만들어내는 과정'이었음.

AI로 인해서, 초기에는 나름 상황을 설명하고 그것을 기반으로 조언을 얻는 존재로 활용되었음. 하지만, 이제는 완벽하게 상황을 파악할 수도 있으며, 스스로 행동할 수 있게 되었음.

현재는 AI로 인해 많은 것들을 AI에게 위임할 수 있음. 그럼에도, 현재로써는 일반적인 활용 선에서 분명한 한계가 존재함.

대표적인 한계는

1. [암묵지 문제] 명시되지 않은 것에 대한 자의적 판단 및 구현으로 인한 문제

사람이 말하지 않은 것에 대해서, 자의적으로 선택하고 판단하게 됨.

대표적으로 개인용으로 사용하는 것이라는 컨텍스트, 비용의 한도를 정해주지 않아 기업용으로 사용한다고 파악하고, 큰 비용이 드는 선택을 할 수 있음.

이것 외에도 더 많은 문제가 존재하는데, 선택되지 않은 것에 대해서 AI 나름의 판단으로 인해 문제가 발생하기도 함. 데이터 조회에 대해서 시간 범위를 설정하지 않았다고, 자의적으로 2주치만의 데이터를 조회하는 코드를 제공하는 문제가 발생할 수 있음.

데이터베이스 내에 우리의 상황에 대해서 최대한 많이 저장, 이를 통해서 AI가 우회적으로 어떻게 해야할지에 대해서 추론할 수 있어야함. 혹은, 자체적인 리밋 혹은 상황이 데이터베이스 내에 존재해야함. AI가 자의적으로 선택한 것에 대해서 밝혀내고 사용자가 알게하고, 사용자가 선택하고 조정할 수 있어야함.
AI가 어떤 이유로, 무슨 기준으로 선택했는지에 대해서 사용자가 이해할 수 있어야함. 사용자에게 선택하도록 되묻는 구조가 필요함.

2. [태업 문제] 의도/요구대로 설계하고, 의도/요구대로 선택하고, 의도/요구대로 작업하지 않는 문제

사용자가 바라는 행동이 아닌 행동을 하는 것.

사용자는 실제 해당 내용에 대해서 직접 파악하고, 판단하여서 결과를 제공했으면 좋겠다고 바라는데, AI는 대충 형식과 상황에 맞추어서 결론만 제공하는 문제 혹은 워크플로우를 따르지 않고 축소하여 적용하거나 등...의 문제.

많은 사람들이 AI에게 '죄송합니다.' '제가 제대로 하지 않았습니다.' '제 잘못입니다.', '이번에는 정말 제대로 하겠습니다' 라는 말을 듣고 있는데 그 이유가 바로 이 지점이라고 파악하고 있음.

해당 문제는 컨텍스트가 한정적이며, 효율적 행위를 하고자하는 관성, 작업의 계약화가 되지 않은 것이 문제라고 파악하고 있음.

우리는 일반적으로 작업을 시킬 때에 '~해.'라고 시키지만, 실제 필요한 작업은 다양함.
직접 찾아보고, 직접 보고 판단하고, 다른 자료 및 다른 이야기들을 찾고, 파생적으로 필요한 것들을 판단하고 등... 정말 많은 작업이 필요함.
이 과정에서 다른 사람들이 작성한 글을 그대로 믿는다거나, 아예 찾아보지도 않는 문제가 발생함. 이외에도 AI가 제대로 작업하지 않는 것은 이 문제에 해당한다고 보고있음.

단일 AI를 통해서 작업을 완벽하게 완수하기를 바라는 것은 너무 많은 것을 바라는 것일 확률이 높음.

요구가 들어오면, 그것을 분해하여서 각 단계를 설계하고 병렬적으로 많은 에이전트들을 이용하여서 분업으로서 처리하도록 해야함.
한 에이전트가 모든 것을 하려고 하는 순간 문제는 크게 발생함. 에이전트가 혼자서 제대로 달성할 수 있는 수준의 과제로 할당되어야함. 이것을 다른 에이전트가 판단하여서 과제를 할당하도록 해야함. 하지만, 기본적으로 AI는 AI에 대해서 매우 이상적으로 파악하기에 과대평가를 하지 않는 선으로 할당하도록 해야함.

분업을 하는 과정에서 그 과제가 과연 제대로 엄밀하게 잘 수행되었는지를 평가하고, 검증하는 과정이 필요하며 파생적으로 필요한 것들을 추가하고 그것을 시행하고 평가하고 검증하는 과정이 필요함. 필요한 정보는 정보를 접함으로써 더 늘어남.
결국, 단일 AI가 아닌 초분업적 병렬구조가 제대로 된 작업을 하는 환경을 위한 기본적인 요소라고 파악하고 있음. AI가 제대로 일을 하기 위해서라면 에이전트들이 수행하기에 용이한 간단한 일들로 분해하여 많은 에이전트들에게 제공되어야함. 이 이유에는 AI의 관성인 효율적인 일처리를 하려는 것, 컨텍스트의 한계, 데이터 정렬 등...이 문제가 된다고 파악하고 있음.
이러한 구조를 만들기 위해서 꽤나 많은 것들을 생각해야하는데, 직렬적으로 처리해야하는 것들에 대해서는 직렬적으로 처리하고, 기본적으로는 병렬적으로 처리하는 것이 필요함. 또한, 이런 구조를 AI에게 의지하여 작동하게끔 만든다면 이것을 관리하는 에이전트가 과정을 축소하는 문제가 생길 수 있음.

3. [축적 문제] 정보가 쌓여서 활용되지 않거나, 쌓이지 않는 문제

작업을 하면서 발생한 일들, 작업 방법, 왜 그렇게 했는지, 의도, 과거 히스토리, 로그 내역, 사용자와의 상호작용에서의 정보, 외부에서 얻은 정보 등...이 쌓이지 않는 문제.

대표적으로 많은 사람들이 웹에서 사용하는 AI들과 같이 정보가 쌓이지 않고, 단기적으로 메모리 정도로 처리해버리는 구조에서는 개인화된 정보가 축적되지 않고, 더 나아지기 위한 정보가 축적되지 않음. 또한 과거에 했던 실수를 반복하고, 더 나아지지 않음.

개인화된 AI 시스템에서는 이러한 한계를 이겨내야함.

실제 많은 사람들이 옵시디언과 같은 Graph, Wiki식 해결법을 도입하여서 정보를 쌓고 처리하는 것으로 알고있는데, 이것도 해결법이지만 결국 쌓는 데에만 집중하면 문제가 발생함.
저장되는 정보에는 정보가 언제 발생했는지 (최신인지 과거인지), 얼마나 오래됐는지 등...이 전부 다 담겨있어야함. 실제 데이터를 활용할 때에 상황 또한 AI가 파악하고 그것에 맞게 행동해야함.
거짓 정보에 대해서 이것은 거짓이라는 것도 쌓여야함. 거짓인지, 신뢰할 수 있는지, 추정인지에 대해서도 정확히 파악되고 기록되어야함.

가장 핵심적으로는 쌓인 데이터를 에이전트가 직접 활용하도록 해야함. 그저 쌓여있고 활용되지 않으면 그건 그저 저장공간을 차지하는 쓰레기임.

4. [개선/파생 문제] 더 나은 선택지를 찾아보고, 파생적인 사고, 정보를 찾아보지 않는 문제

한 가지 작업, 과제에 대해서 그 과제를 수행하기 위해서 작업을 하던 과정 속에서 추가적으로 필요한 파생적인 정보와 파생적으로 확인해야하는 정보들이 지속적으로 발생하지만, 그것을 찾지 않는 문제가 발생함. 혹은, 찾는 와중에 맥락이 삼천포로 빠져 파생적인 내용에 꽂혀 실제 해야하는 과제가 잊혀져버리는 문제가 발생함. 또한, 한 가지 선택지를 찾았으니, 그 선택지만을 단일적인 요소로 두고 넘어가 더 나은 선택지를 찾아내지 못하는 문제가 발생함.

고의적으로 작업 과정끔을 설계하는 와중에 파생적인 것이 필요한가, 추가 확인이 필요한가, 파생적으로 확인해야하는 것이 있는가를 판단시키는 라운드가 필요함. 이것도 매우 엄격하게 다루어야함. '완벽하고 정확하게 검증되는 수준'을 목표치로 두어야함. 쉽게 완벽하다는 결론을 두어선 안 됨. 비판적으로 바라보고, 반례가 있는지, 증거를 직접 찾아봐야함. 또한, 항상 선택지를 수집할 때에 몇 개 이상의 목표치를 두어야함. 무료 선택지를 꼭 포함하게 한다는 등의 방법이 있을 수 있음.

어느 수준에서 파생적인 정보 확인, 파생적 작업을 멈출 지에 대해서 판단하는 것도 필요함.

5. [유지/보수 문제] 만들어진 것을 지속적으로 개선하고, 유지하고, 문제를 해결하는 측면에서 아직 완벽하지 않음.

이미 다 만든 것들에 대해서 지속적으로 유지하고, 보수하고, 변수들에 대해서 정합적으로 유지하는 것이 필요함.
지금은 대부분 이렇게 유지하는 영역으로 AI가 자율적/자동화된 구조로 작동하도록 사용하지 않음. 하지만, 필요함.

이것 외에도 /goal로 해결된 '끝까지 밀어붙이지 않는 문제' 등...이 존재했고, 점점 해결되고 있음. 물론, /goal로 완벽하게 해결된 것은 아니라고 생각함.

결국 이 시대에서는 점점 AI가 제대로 일하는 환경을 만들어야함. 분명히 문제점과 한계는 존재하고 그것은 뛰어넘어져야함.

이러한 흐름으로 사람이 하는 일을 대부분 AI에게 위탁되고 있고, 사람이 하는 일들이 줄어들고 있음. 또한 더 많이 줄어야한다고 생각함.

그럼에도 불구하고 여전히 필요한 '사람이 해야하는 일'이 있다고 생각함. 그것은 대표적으로 '잘 요구하고, 잘 평가하고, 잘 판단하고, 잘 선택하는 것'이라고 생각함.
좋게 말하면, 이것은 여전히 사람의 지적 리소스가 투입되어야한다는 것임.
안 좋게 말하면 이것 외에는 전부 다 대체가 되고, 이것은 대체되기에 매우 어렵다는 것임. (정말 인간과 다를 바가 없는 수준의 AI가 만들어지지 않는 이상)

결국 우리가 이를 통해 알 수 있는 것은
우리가 만들어야하는 환경과 인프라, 구조는 사람이 '잘 요구하고, 잘 평가하고, 잘 판단하고, 잘 선택하는 것'만을 하는 것이며 그것을 잘하도록 도와주는 환경이라고 생각됨.
이것 외에는 전부 다 AI를 통해야한다고 보고 있고 그런 환경과 구조를 만드는 것이 궁극적인 방향성이라고 보고 있음.

결국 우리가 만들어야하는 것은 '요구하고, 평가하고, 판단하고, 선택하는 것'외에는 AI가 하는 구조임.

개인적으로 생각하기에는, 결국 우리가 도달하는 곳은 문서화하는 부분이라고 생각함.

사람은 AI와 함께 제대로 잘 만들어진 문서를 만드는 데에 집중하고, 그 문서만 넣으면 완벽하게 구현되는 환경, 완벽하게 유지 보수되고 변수에 대해서 정합적으로 수정하고, 작업 과정에서 파생적으로, 더 필요한 것들을 스스로 찾고 활용하는 구조라고 생각함. 그리고 나온 결과물을 사람이 평가하고 판단하는 것.

이것(이탤릭으로 표기된 것) 외에는 사람이 끼어들 이유가 없는 구조와 환경을 만들어야한다고 봄.

그 다음 단계는 테라리움과 같이 AI가 스스로 생태계를 만들어 자율적으로 행동하는 시스템이라고 생각하지만, 그것은 인간의 통제권 바깥의 일이라고 생각하기에 일단은 당장 다음 단계에 큰 집중을 하고있음.

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.

- Claude Opus 4.8 출시
- Opus 4.7의 후속 모델.
- 가격은 동일: 입력 $5/M, 출력 $25/M.

- 개선 방향은 “대형 작업을 더 안정적으로 맡기는 모델”
- Anthropic은 Opus 4.8을 큰 세대교체보다는 체감 가능한 실무 개선판으로 설명.
- 핵심은 코딩, 장시간 에이전트 작업, 도구 사용, 자기검증 능력.

- 벤치마크상 가장 큰 개선은 코딩/터미널
- SWE-Bench Pro: 64.3% → 69.2%
- Terminal-Bench 2.1: 66.1% → 74.6%
- OSWorld-Verified: 82.8% → 83.4%
- Finance Agent v2: 51.5% → 53.9%
- 즉, 단순 대화보다 코드 수정, 터미널 작업, 브라우저/컴퓨터 조작, 금융 문서 분석형 에이전트에 초점.

- “정직성” 개선을 크게 강조
- 작업을 제대로 못 했는데도 완료했다고 말하는 문제를 줄였다고 함.
- Opus 4.8은 불확실성을 더 잘 표시하고, 자기 결과의 문제를 더 잘 짚는 방향.
- 코드 결함을 그냥 넘길 확률이 Opus 4.7보다 약 4배 낮다고 설명.

- Claude Code 기능도 같이 강화
- Dynamic workflows 추가.
- Claude가 작업을 계획하고, 여러 subagent를 병렬로 돌려 대규모 코드 작업을 처리.

- 다음 단계 예고
- Opus보다 더 높은 지능의 Mythos급 모델을 준비 중.
- 사이버보안 안전장치가 필요해서 일부 조직에 먼저 제공 중이고, 몇 주 안에 더 넓게 공개할 수 있다고 언급.

요약:
Opus 4.8은 숫자상 코딩·터미널 에이전트 성능이 가장 많이 올랐고, 포스팅 전체 메시지는 “더 오래 맡겨도 덜 헛소리하고, 더 잘 검증하는 실무형 Claude”입니다.

자기 전 생각 마무리
: 우리 코인러들은 ai 주식 투자하기에 꽤 좋은 환경에 놓여 있다.

Opus 4.8 같은 새 모델이 나오면 바로 써보고, 그걸 돈 버는 수단에 연결해보는 텔레그램 커뮤니티가 있다. 서로의 노하우와 경험도 가감 없이 공유된다.

정확한 타임라인은 기억나지 않지만, 올 2월쯤 오픈클로가 엄청난 바이럴을 타면서 “오픈클로-오케스트레이션”이라는 개념을 텔레그램에서 처음 봤다.

적당히 바이브 코딩에 관심만 있었다면, 그때 오케스트레이션이 뭔지 검색이라도 해봤을 것이다. 그리고 결국 오케스트레이션은 결국 하나의 새로운 투자 컨센서스를 만들어냈다.

AI 추론 과정에서 시스템 성능을 극대화하려면 CPU와 GPU 간의 매끄러운 오케스트레이션이 필수. AI 시대에 마치 구시대의 유물처럼 느껴졌던 CPU 기업들(인텔/암드)의 투자 의견 상향으로 이어졌다.

결국 기술의 최선단에서 느끼는 것들이 투자로 이어지기까지는 아직 시간 딜레이가 있다.

엄청 느리지도, 엄청 빠르지도 않다.
잘 캐치만 한다면 바로 수익이 바뀔 수 있는 정도의 속도감인 것 같다.

지금 Opus 4.8을 써본 사람들은 다들 비슷한 말을 한다.

병렬 에이전트가 미쳤다.
토큰 사용량이 미쳤다.

이 느낌은 또 한 번 Claude Code의 매출 증가, 메모리 증설의 필요성 같은 여러 투자 논리로 이어질 수 있다.

CPU와 오케스트레이션을 놓친 게 아쉬워서 쓰는 글
—-

부정적 의견 : agi의 핵심 레시피 - 메타인지 서브 에이전트가 정답이고 더 세련되고 큰 모델을 계속 만드는 게 아니라 최적화(소프트웨어)가 미래라는 의심이 생기면 하드웨어 vs 소프트웨어 춘추전국시대 on ..

펌프펀에서 출시한 '크립토 커뮤니티'

-펌프펀에서 출시한 코인별 커뮤니티를 만들어주는 타운스퀘어 서비스

-5월 30일부 종료예정인 X 커뮤니티 대안으로 제시

-모든 체인의 모든 토큰에 대해 자동으로 커뮤니티가 만들어짐

-특정기간 이상 홀딩한 사람만 게시물 작성, 참여가 가능

https://coincommunities.org/

10년 뒤에 이걸 보면 무슨 생각을 할까 싶어서 남기는 글

https://blog.naver.com/dolchanchain/224301852391

[AI 시대의 새로운 스마트폰 : 스마트글래스]

1. AI는 실시간 시청각 데이터를 다루지 못한다.

그 이유는 AI의 한계가 아닌, AI에게 눈과 귀에 해당하는 것이 존재하지 않음. 여전히 인간의 입력을 통해야함.

2. 이로 인해 발생하는 대표적인 문제는 AI는 '인터넷의 정보'에 의존한다는 것.

인터넷에 없는 정보, 현실에서의 확인이 필요한 것은 AI가 접근하지 못함.
예시로 이미 폐업했지만, 인터넷에 그 정보가 없는 식당은 AI가 당당하게 '이 식당은 여전히 영업을 합니다.'라고 말할 수 밖에 없음.

하지만, '폐업했습니다.'라고 말해야하며, 말할 수 있어야함.

3. 하지만, 이 벽은 스마트글래스로 허물어질 수 있음.

시각 데이터와 청각 데이터는 실시간으로 스마트글래스를 통해 수집되고, AI의 판단 기틀이 됨. 또한, GPS를 통한 위치 데이터도 스마트글래스를 통해 수집될 수 있음. (이건 사실 스마트폰과도 같아서 크게 유의미하진 않다고 생각함.)

4. 즉, AI가 '맞지 않는 결론을 내리고 대답하는 이유'는 결국 데이터의 부족 문제.

데이터가 인터넷에 있는 데이터로 한정되어 있기 때문에 발생하는 문제임. 하지만 이는 실시간 시청각 데이터를 기반으로 한 공용 데이터베이스가 있다면, 해결됨. 모든 AI를 위한 도서관이 필요하고, 그 도서관은 시청각 자료를 제공하며 그 외의 정보들도 제공함. 그 정보는 실시간으로 업데이트 되어야한다는 것.

5. 개개인이 수집하여 개개인이 각자 사용하는 정보만이 아닌, 개개인이 공용의 데이터베이스에 기여하는 구조라면 스마트글래스를 장악하는 기업이 엄청난 파워를 가지게 됨.

이미 메타는 스마트글래스 사용자들의 데이터를 인간의 수작업을 통해 매핑하고 데이터화/관리 작업하고 있으며 이는 곧 AI로 자동화 될 것임. (민감 정보는 블러처리되고, 유의미한 정보들은 전부 다 태그, 관리, 그래프 형식으로 연관/관리)
AI로 데이터 관리의 자동화가 된다면 모든 사람들이 실시간으로 시청각 데이터를 수집하는 걸어다니는 데이터 수집기가 됨.

6. 또다른 유의미한 지점은 '실시간 데이터 수집'에 있음.
7. 스마트글래스는 AI Agent의 눈과 귀라는 점.

데이터는 실시간으로 수집되어야함. '실시간'이라는 요소는 매우 유의미한데, 아무리 좋은 정보라도 빠른 정보가 아니라면 의미가 없을 확률이 큼. 그렇기에 실시간으로 업데이트 되는 정보가 유의미함.
AI Agent의 개념은 스마트글래스에 있어 매우 유의미한데 AI가 보고, 듣고, 행동할 수 있게 만드는 사실상 '사람의 행동'을 그대로 구현할 수 있는 방안이기 때문임.

예를 들자면, 스마트글래스를 낀 상태로 회사에서 부장님이 "3시에 거래처에 메일 보내./전화해."라고 말한다면, 그 정보를 AI가 듣고, 화자에 대한 판단/분리, 시각 데이터 수집, 이전의 데이터들을 종합하고 맥락을 판단(시청각 데이터를 포함한 개인 데이터베이스), 시각 데이터를 수집하여 실제 오후 3시에 거래처로 전화를 걸어서 일을 처리해주거나(전화 거는 것만 Agent가 하거나, 전화를 걸어서 내용을 말하는 것까지 Agent가 하거나) 메일을 보내줄 수 있음. - 아마 이 시대에 도달하게 된다면, AI와 AI간의 대화가 디폴트가 될 것.

피지컬적 처리는 로봇이 처리하고, 그 외의 일들은 Agent가 처리할 것. (로봇도 Agentic으로 작동할 것.)
이미, 스마트글래스에서 작동하는 OpenClaw와 같은 오픈소스 프로젝트가 공개된 바 있음.

개인적으로는 사람이 인지하고, 노력하지 않아도 되는 세상이 될 것이라고 예측함.

8. 공용 데이터베이스만이 필요하지 않고, 개인 데이터베이스는 무조건적으로 필요함.

공용 데이터베이스에 올릴 데이터와 그렇지 않은 데이터, 개개인의 환경과 맥락, 논리를 구성하는 데이터들은 개개인의 데이터베이스에 저장되어 활용되어야함.
이러한 것들은 결국 '개인화된 맥락'을 만들고, 그 맥락과 논리 내에서 Agent가 작동하게 됨.

9. 데이터를 통제하는 자는 사실상 AI가 말하고, 판단하고, 행동하는 것을 조작하고 통제할 수 있게 됨.

데이터 공급 플랫폼은 엄청난 의미를 가질 것. 그런 주체(공용 데이터베이스를 만들고, AI에게 데이터를 공급하는 서비스/개개인의 데이터베이스 서비스)가 등장하는가? 아니면, 스마트글래스를 공급하는 기업들이 그런 주체가 될 것인가? 측면에서 한 번 생각해볼 필요성이 있음.

이는 디스토피아적인 것이 아닌, 데이터 공급자들이 AI에게 제공하는 데이터를 선별적으로 제공(데이터 관리 명목)하거나, 가중치를 두는 식의 통제로 이루어질 수 있음.
이로 인해, AI가 판단하는 근거와 논리에 괴리가 생기고 그 괴리로 인해서 수혜를 보고 싶어하는 기업이 생길 것. (AI에게 일종의 홍보를 한다는 개념/AI의 선택을 결정하는 지점에서의 데이터 공급자)

논리적인 판단에 의한 의사결정과 일을 대부분 AI를 통해서 할 것으로 봄.

그 과정에서 데이터가 통제되고 조작된다면, 데이터 공급자는 특정 기업의 제품, 특정 기업의 서비스를 AI가 선택하도록 조작할 수 있음.

결국 AI는 논리적 판단을 하지만, 데이터를 기반으로 논리적인 판단을 함.

모든 사람들을 데이터 공급자에게 종속화 시키고, 판단을 좌지우지할 수 있음.

이로 인해 엄청난 이익이 발생할 것임. 분명한 이점이 존재하는 분야고, 모든 기업들이 바라는 산업임.

10. 이러한 논리로 인해, 저장공간은 무한히 부족함.

선점하면 엄청난 이익이 예상되는 산업임. 또한, AI는 무한한 데이터가 필요하며, AI는 무한한 데이터를 감당할 수 있는 존재.
그렇기에 지속적으로 엄청난 메모리 수요가 발생할 것으로 예상함.

11. 이러한 논리 속에서 스마트글래스 공급자와 데이터 공급자가 매우 강력한 위치가 됨. 해당 논리를 모르고 투자하는 것은 엄청난 문제

이 흐름은 이미 시작되었고, 사람들이 느끼지 못하게 점점 가까워지고 있음.
스마트글래스 제품들이 메타와 구글에서 출시되고 있으며, 두 기업은 AI 공급자임. 또한, 구글은 막대한 저장공간을 점유하고 있는 기업이기도 함.

12. 미래의 시대에서 '스마트글래스'와 '데이터'를 점유하는 자는 스마트폰 시대의 애플이 될 것.

많은 사람들이 스마트폰에서 벗어나, 스마트글래스를 착용하고 다니는 시대가 될 것이라고 진지하게 생각하고 있음. 그리고 현실에서 자연스럽게 AI를 통해 판단하고, 일을 처리하는 시기가 올 것이라고 생각함.

또한, 로보틱스가 엄청난 밸류에이션을 받고, 대단한 논리를 내재하고 있다는 것도 스마트글래스 논리와 유사하다고 생각됨.

13. 하지만, 아직 한계는 명확함.

이러한 변화가 발생하기 이전에 선행되어야하는 것은 '시각 자료와 청각 자료를 AI가 잘 분석할 수 있는지 여부'에 달려있음.
아직, 매우 매끄럽고 빠른 속도가 아니며, 지속적으로 발전해야하는 것이며 새로운 과제임.

14. 더 확장된다면, BCI - 멀었지만.

사람들의 생각을 데이터화하고, AI에게 제공하여 일을 처리하는 것은 아직 시작조차 하지 않았음. 계속 발전하고 진보하여 시청각 데이터는 스마트글래스가, 생각을 빠르게 캐치하고, 놓치지 않고, 빠르게 실행하는 단은 BCI에서 나올 것.

15. 결국 스마트글래스와 메모리 논리는 그럴듯한 장난감 혹은 얼리어답터가 된 느낌을 파는 것이 아님.

'진짜 혁신'을 인류와 함께하게 하는 필수적인 움직임이라고 생각하고 있음.
확실하게 우리 삶이, 작업 방식이, 판단 방식이 바뀌는 것이라고 봄.

16. 메모리는 상상 이상으로 많이 필요하고, 지속적으로 필요할 것.

데이터는 권력이고, AI 시대의 엄청난 자산. 과거에는 막대한 데이터를 사람이 전부 다 이해하고, 처리할 수 없었음.
하지만, 막대한 데이터는 이제 전부 이해될 수 있으며, 처리될 수 있음.
그 데이터를 담을 공간은 더 많이 지속적으로 필요함.

17. 우리는 결국 '누가 AI에게 현실을 공급하느냐'에 대한 내러티브를 접하게 될 것.

스마트글래스는 인간 중심의 논리로 바라보면 안 된다고 봄.

스마트폰은 인간이 인터넷에 접속하는 도구였음.
스마트글래스는 AI가 현실에 접속하는 도구가 될 것임.

이 시장의 본질은 안경이 아님.
본질은 AI의 눈과 귀를 누가 소유하는가와 데이터를 누가 관리하는가에 달려있음.

제가 지속적으로 스마트 웨어러블, AI와의 연동을 이야기했던 논리에 대해서 기술해보았음.

제 생각에 스마트 글래스는 AI 시대의 새로운 스마트폰이 될 것이라고 생각하는데
아직은 이른 이야기라고 생각함. 하지만 이 분야는 AI 확장/활용 분야에서 엄청나게 유의미한 부분이니 꼭 한 번 생각해봐야하는 것이라고 봄.

아직은 멀었어도 확실히 점점 가까워지고 있는 미래며, 접해야하는 내러티브라고 생각함. 필연적으로 도래할 논리와 미래라고 바라보고 있음.

한 번은 꼭 이 글을 읽어봤으면 좋겠음.
글은 스마트글래스로 한정해서 말하고 있지만, 이 논리를 '웨어러블 디바이스 wit AI'로 확장해서 봤으면 좋겠음.

사람은 이미 인지적 노동과 실제 행동을 AI에게 위임하고 할당하기 시작했음.
AI의 작동방식을 결정한다는 것은 사람의 생각, 판단, 행동을 결정할 고삐를 쥔다는 것과 같음.
AI의 작동방식을 결정한다는 것은 곧, AI가 활용할 데이터를 관리하고 조작한다는 것이라고 이해하고 있음.
물론, AI 모델 공급자도 매우 유의미한 주체라고 봄.

바이낸스(Binance) 공지
Trade Stocks on Binance: Buy and Sell U.S. Stocks and ETFs from Your Binance Account
2026-06-01 19:00:03

바이낸스 주식거래 지원 한 눈에 보기

1️⃣ 핵심 내용

-바이낸스 계정 하나로 암호화폐 + 미국 상장 주식/ETF를 함께 거래 가능
-미국 상장 주식·ETF 7,000개 이상 지원
-최소 $5부터 소수점 주식 투자 가능
-거래 시간은 24/5, 즉 주 5일 24시간 거래 지원
-스테이블코인, BNB 등 바이낸스 내 지원 자산으로 주식 구매 가능

2️⃣ 수수료 구조

-미국 주식/ETF 거래는 수수료 0%
-다만 주문당 최소 $0.35 플랫폼 수수료
-$350 초과 주문은 10bps 수수료 적용

3️⃣ 구조적으로 중요한 점

-바이낸스가 직접 증권을 보관하거나 처리하는 구조는 아님
-Nest Trading Limited가 introducing broker 역할
-실제 주문 실행·청산·결제·보관은 Alpaca Securities LLC가 담당
-즉, 바이낸스 앱 안에서 거래하지만 백엔드는 전통 증권 브로커 구조를 사용

4️⃣ bStocks도 곧 출시 예정

-바이낸스는 몇 주 내 bStocks라는 토큰화 증권도 출시 예정
-bStocks는 일부 미국 주식/ETF를 온체인 자산처럼 표현한 상품
-다만 중요한 점은 bStocks는 실제 주식이 아님
-보유자가 기초 상장사의 주식을 직접 소유하는 구조도 아님

현대도 있습니다

상승장을 놓고 보았을땐, 공감가는글
하이퍼리퀴드에 대한 부분이 공감간다는것보단,


사람들이 스페이스X를 죽어라사고, 테슬라를 죽어라 사고, 클로드/오픈AI등을 사는 이유는 당장의 매출이 어마무시해서가 아니라, 미래의 중요한 자산이기 때문이라는 글내용이 공감

요즘 크립토 프로젝트들을 보면 정말 많은 사람들이 1번이 매출 / 2번도 매출 / 3번도 매출이라고 이야기를 많이하는데,

매출을 충분히 벌고 + 바이백까지도하는데 토큰 가격은 처박은 애들이 한트럭임 (펌펀/주피터 등등)

개인적으로 코인이 나스닥 만큼 오르려면 사람들 입에서 매출이 아니라 미래/비전/향후 인프라 같은 꿈 팔이가 나와야 오르지 않을까

물론 2131245개의 알트가 입만 살았고, 꿈팔이 실현은 단 하나도 못하는것도 심각한 문제긴함

너무 매출에 매몰되는것 보단,,, 상승장에선 꿈파는 애들이 항상 좋은 성과를 보여주는듯