Forwarded from AI MASTERS
This media is not supported in your browser
VIEW IN TELEGRAM
[ 알리바바의 신개념 실시간 영상 생성 모델 ]
지난주에 열린 Modelscope 개발자 컨퍼런스에서 알리바바가 Wan을 이용한 다양한 기능을 공개했습니다👍👍
그 중 가장 많은 인기를 얻었던 WanToFight를 정리해볼게요😎
✅ WanToFight 간략 정리
- 화면에는 킹오브파이터즈97이 예시로 나오는 중
- 실시간 영상 생성 기술인데 텍스트가 아닌 이용자가 키보드로 입력하는 정보를 토대로 생성하는 것임
- 즉, 캐릭터가 움직이는 모습은 실제 게임이 구동된 것이 아니라 생성형 AI로 만들어진 영상
이런 기술이라면 앞으로 개발 과정 없이 게임을 만들 수 있지 않을까?🔥🔥
그나저나 방장은 KOF 97이랑 99로 동네에서 이름좀 날렸는데 쫌 치시는분?🤜
👉 원문 보기 👈
지난주에 열린 Modelscope 개발자 컨퍼런스에서 알리바바가 Wan을 이용한 다양한 기능을 공개했습니다👍👍
그 중 가장 많은 인기를 얻었던 WanToFight를 정리해볼게요😎
✅ WanToFight 간략 정리
- 화면에는 킹오브파이터즈97이 예시로 나오는 중
- 실시간 영상 생성 기술인데 텍스트가 아닌 이용자가 키보드로 입력하는 정보를 토대로 생성하는 것임
- 즉, 캐릭터가 움직이는 모습은 실제 게임이 구동된 것이 아니라 생성형 AI로 만들어진 영상
이런 기술이라면 앞으로 개발 과정 없이 게임을 만들 수 있지 않을까?🔥🔥
그나저나 방장은 KOF 97이랑 99로 동네에서 이름좀 날렸는데 쫌 치시는분?🤜
👉 원문 보기 👈
Forwarded from BHI
코드와 AI의 핵심적인 차이 : 규칙 실행과 의미 추론
많은 사람들은 코드와 AI를 완전히 다른 존재처럼 생각한다. 그러나 흥미로운 점은 AI도 결국 코드 위에서 구현된다는 사실이다. 모델을 학습시키는 과정, 입력을 처리하는 로직, 결과를 검증하고 서비스에 연결하는 시스템, 그리고 실제 서비스 환경에서 동작하도록 운영하는 모든 구조는 결국 코드로 작성된다. 그럼에도 우리는 왜 AI를 기존 코드와 다르게 느낄까. 핵심은 무엇으로 만들어졌는가에 있지 않다. 더 중요한 것은 어떤 방식으로 문제를 해결하는가에 있다.
명시적 규칙 기반 코드는 사람이 정의한 규칙 범위 안에서 매우 정확하게 동작한다. 세금 계산, 할인 정책 적용, 접근 권한 통제, 파일 형식 검증, 결제 승인 절차처럼 규칙이 명확하고 예외가 제한적인 문제에서는 전통적인 코드가 가장 강력하다. 입력과 조건이 분명할수록 코드는 빠르고 안정적이며, 같은 조건에서 같은 결과를 재현하는 능력도 뛰어나다. 이러한 특성은 신뢰성과 통제 가능성이 중요한 시스템에서 매우 큰 장점이 된다.
하지만 현실의 많은 문제는 그렇게 닫혀 있지 않다. 사람의 언어는 늘 다양하게 표현되고, 같은 의도도 다른 문장과 다른 맥락 속에서 나타난다. 실제 업무에서는 예외 상황이 끊임없이 발생하고, 환경과 요구사항은 시간이 지날수록 변한다. 이런 열린 문제를 모두 전통적인 방식으로 처리하려면 가능한 케이스를 미리 열거하고, 각각에 대응하는 조건문과 예외 처리를 끝없이 추가해야 한다. 문제는 케이스가 늘어날수록 규칙은 복잡하게 얽히고, 결국 누락과 충돌, 유지보수 비용이 함께 커진다는 점이다. 코드는 정확할 수 있지만, 그 정확성은 대개 작성 당시의 가정과 설계 범위 안에서만 유지된다.
바로 이 지점에서 AI의 차이가 드러난다. AI는 의미와 맥락을 추론하고, 그 결과에 따라 규칙의 적용 방식을 비교적 유연하게 결정할 수 있다. 물론 이것이 인간처럼 완전한 이해를 한다는 뜻은 아니다. 그러나 실무적으로는 문장의 의도, 표현의 변형, 상황 간의 관계를 학습된 패턴으로 묶어 해석할 수 있기 때문에, 명시적으로 열거되지 않은 경우에도 상당히 높은 수준으로 대응할 수 있다. 전통적 코드가 주어진 규칙을 정확히 실행하는 체계라면, AI는 의미를 해석해 규칙 적용을 조정할 수 있는 체계에 가깝다. 이 차이는 단순한 기술적 차이가 아니라, 문제 해결 방식의 차이이자 소프트웨어가 현실과 상호작용하는 방식의 차이이다.
이 차이는 문서 검토 업무에서 매우 분명하게 드러난다. 예를 들어 계약서에 ‘해지’라는 단어가 직접 등장하지 않더라도, '상대방은 30일 전 서면 통지로 계약을 종료할 수 있다'라는 문장은 실질적으로 해지 조항의 역할을 한다. 전통적인 키워드 검색이나 단순 규칙 기반 시스템은 특정 단어가 없으면 이를 놓칠 수 있다. 반면 AI는 문장이 수행하는 기능과 의미를 보고, 표현이 달라도 같은 성격의 조항으로 분류할 수 있다. 그래서 계약서, 제안서, 정책 문서처럼 표현은 다르지만 의미는 비슷한 문장을 다뤄야 하는 업무에서는, AI가 위험 조항 후보를 추려주고 핵심 내용을 요약한 뒤 사람이 최종 판단을 내리는 방식이 특히 효과적이다. 이 사례는 AI가 단순히 단어를 찾는 도구가 아니라, 문장의 역할과 맥락을 해석하는 도구로 작동할 수 있음을 보여준다.
그렇다고 해서 AI가 코드를 대체하는 것은 아니다. 오히려 실무에서 가장 강한 구조는 코드와 AI를 대립시키는 것이 아니라, 각자의 강점을 정확히 배치하는 것이다. 환불 가능 기간, 개인정보 마스킹, 접근 권한, 회계 처리, 결제 승인 절차처럼 절대 어겨서는 안 되는 규칙은 명시적 코드가 맡아야 한다. 또한, 단순 반복 규칙은 코드가 더 뛰어나다. 반면 고객 의도 파악, 문서 의미 해석, 비정형 입력 처리, 예외 상황 분류처럼 모호성과 변형이 큰 문제는 AI가 맡는 편이 더 효율적이다. 다시 말해 코드는 경계를 만들고, AI는 그 경계 안에서 의미를 읽어 유연하게 행동한다. 이 조합이 현실에서 가장 안정적이면서도 강력하다.
결국 중요한 것은 코드와 AI 중 하나를 선택하는 일이 아니다. 우리가 만들어야 할 것은 코드의 정확성, 재현성, 통제 가능성과 AI의 의미 추론, 맥락 해석, 예외 대응 능력을 정교하게 결합한 하이브리드 시스템과 프로덕트이다. 미래의 경쟁력은 AI를 붙였느냐 아니냐에서 갈리지 않는다. 어떤 영역은 코드로 고정하고, 어떤 영역은 AI로 유연하게 처리할 것인지, 그리고 그 둘을 어떤 구조로 결합할 것인지에서 갈린다. 바로 그 설계의 수준이 앞으로의 소프트웨어와 제품 완성도를 결정하게 될 것이다.
더 흥미로운 점은 AI가 단지 제품 내부에서 기능을 수행하는 요소에 머무르지 않는다는 사실이다. AI는 이제 코드를 사용하는 대상일 뿐 아니라, 코드를 만드는 주체이자 코드를 운영하는 보조 주체가 될 수 있다. 기능 요구사항을 바탕으로 코드 초안을 생성하고, 기존 코드를 읽어 구조를 개선하며, 중복 로직을 정리하고, 테스트 케이스를 작성하고, 문서를 보완하고, 로그와 에러 패턴을 분석해 문제 후보를 좁히는 일까지 수행하거나 지원할 수 있다. 즉 AI는 제품 내부의 지능으로만 존재하는 것이 아니라, 개발과 운영 자체의 생산성을 확장하는 동력으로도 작동할 수 있다.
이 지점에서 또 하나 중요한 변화가 보인다. 코드는 작성 당시의 환경과 가정을 기준으로 동작한다. 하지만 실제 환경은 가변적이다. 사용자 행동은 변하고, 비즈니스 정책은 수정되며, 외부 시스템과 시장 조건도 계속 바뀐다. 그래서 시간이 지나면 코드는 현실과의 정합성을 점차 잃을 수 있고, 초기에는 적절했던 규칙이 나중에는 비효율적이거나 부정확해질 수 있다. 문제는 명시적 코드만으로는 이러한 변화에 실시간으로 대응하기 어렵다는 점이다. 모든 변화를 사람이 먼저 발견하고, 다시 분석하고, 규칙을 수정하고, 배포해야 하기 때문이다.
반면 AI는 변화된 환경과 요구사항을 해석해 예외를 관리할 수 있을 뿐 아니라, 정해진 목표와 제약, 검증 체계 안에서 기존 코드를 자율적으로 분석하고 개선하며 업그레이드할 수도 있다. 예를 들어 운영 로그를 통해 반복적으로 발생하는 예외 패턴을 발견하고, 오래된 조건문 구조를 더 나은 형태로 리팩토링하며, 테스트 커버리지를 보강하고, 문서와 실제 코드의 불일치를 찾아내는 식이다. 더 나아가 변화된 비즈니스 요구에 맞춰 코드 수정 방향을 제안하거나, 일정 범위 안에서는 직접 개선안을 생성해 적용 후보까지 만들 수 있다. 즉 AI는 코드 바깥에서 의미를 해석하는 역할만 하는 것이 아니라, 코드 자체를 지속적으로 진화시키는 관리 주체로도 기능할 수 있다.
물론 AI의 자율성에서는 권한, 보안, 품질, 검증, 배포 통제와 같은 구조가 함께 설계되어야 한다. 다시 말해 AI가 아무 제약 없이 코드를 바꾸는 것이 핵심이 아니라, 명확한 목표와 안전한 경계 안에서 코드를 지속적으로 개선하고 업그레이드할 수 있게 만드는 것이 중요하다. 이때 코드는 여전히 기준과 제약, 검증과 실행을 담당하고, AI는 변화 해석과 적응, 최적화와 개선을 담당한다. 이 관계는 대체가 아니라 분업이며, 경쟁이 아니라 결합이다.
결국 코드와 AI의 핵심적인 차이는 존재 자체의 차이가 아니라 작동 방식의 차이다. 전통적인 규칙 기반 소프트웨어가 사람이 써놓은 규칙을 중심으로 움직인다면, AI 시스템은 학습된 표현을 바탕으로 의미와 맥락을 추론하고 그에 따라 규칙 적용을 조정한다. 그래서 전통적 코드는 닫힌 문제에 강하고, AI는 열린 문제에 강하다. 그리고 앞으로 우리가 만들어야 할 것은 이 둘 중 하나를 선택한 단일한 시스템이 아니라, 둘의 장점을 정교하게 결합한 하이브리드 시스템이다. 코드의 정확성과 통제 가능성 위에 AI의 유연한 추론과 적응 능력을 얹고, 더 나아가 AI가 코드의 생성, 수정, 테스트, 리팩토링, 문서화, 운영 관리까지 수행하거나 지원하게 하는 구조. 바로 그 구조가 앞으로의 소프트웨어를 단순한 기능 집합이 아니라, 스스로 현실에 적응하며 진화하는 시스템으로 바꾸게 될 것이다.
많은 사람들은 코드와 AI를 완전히 다른 존재처럼 생각한다. 그러나 흥미로운 점은 AI도 결국 코드 위에서 구현된다는 사실이다. 모델을 학습시키는 과정, 입력을 처리하는 로직, 결과를 검증하고 서비스에 연결하는 시스템, 그리고 실제 서비스 환경에서 동작하도록 운영하는 모든 구조는 결국 코드로 작성된다. 그럼에도 우리는 왜 AI를 기존 코드와 다르게 느낄까. 핵심은 무엇으로 만들어졌는가에 있지 않다. 더 중요한 것은 어떤 방식으로 문제를 해결하는가에 있다.
명시적 규칙 기반 코드는 사람이 정의한 규칙 범위 안에서 매우 정확하게 동작한다. 세금 계산, 할인 정책 적용, 접근 권한 통제, 파일 형식 검증, 결제 승인 절차처럼 규칙이 명확하고 예외가 제한적인 문제에서는 전통적인 코드가 가장 강력하다. 입력과 조건이 분명할수록 코드는 빠르고 안정적이며, 같은 조건에서 같은 결과를 재현하는 능력도 뛰어나다. 이러한 특성은 신뢰성과 통제 가능성이 중요한 시스템에서 매우 큰 장점이 된다.
하지만 현실의 많은 문제는 그렇게 닫혀 있지 않다. 사람의 언어는 늘 다양하게 표현되고, 같은 의도도 다른 문장과 다른 맥락 속에서 나타난다. 실제 업무에서는 예외 상황이 끊임없이 발생하고, 환경과 요구사항은 시간이 지날수록 변한다. 이런 열린 문제를 모두 전통적인 방식으로 처리하려면 가능한 케이스를 미리 열거하고, 각각에 대응하는 조건문과 예외 처리를 끝없이 추가해야 한다. 문제는 케이스가 늘어날수록 규칙은 복잡하게 얽히고, 결국 누락과 충돌, 유지보수 비용이 함께 커진다는 점이다. 코드는 정확할 수 있지만, 그 정확성은 대개 작성 당시의 가정과 설계 범위 안에서만 유지된다.
바로 이 지점에서 AI의 차이가 드러난다. AI는 의미와 맥락을 추론하고, 그 결과에 따라 규칙의 적용 방식을 비교적 유연하게 결정할 수 있다. 물론 이것이 인간처럼 완전한 이해를 한다는 뜻은 아니다. 그러나 실무적으로는 문장의 의도, 표현의 변형, 상황 간의 관계를 학습된 패턴으로 묶어 해석할 수 있기 때문에, 명시적으로 열거되지 않은 경우에도 상당히 높은 수준으로 대응할 수 있다. 전통적 코드가 주어진 규칙을 정확히 실행하는 체계라면, AI는 의미를 해석해 규칙 적용을 조정할 수 있는 체계에 가깝다. 이 차이는 단순한 기술적 차이가 아니라, 문제 해결 방식의 차이이자 소프트웨어가 현실과 상호작용하는 방식의 차이이다.
이 차이는 문서 검토 업무에서 매우 분명하게 드러난다. 예를 들어 계약서에 ‘해지’라는 단어가 직접 등장하지 않더라도, '상대방은 30일 전 서면 통지로 계약을 종료할 수 있다'라는 문장은 실질적으로 해지 조항의 역할을 한다. 전통적인 키워드 검색이나 단순 규칙 기반 시스템은 특정 단어가 없으면 이를 놓칠 수 있다. 반면 AI는 문장이 수행하는 기능과 의미를 보고, 표현이 달라도 같은 성격의 조항으로 분류할 수 있다. 그래서 계약서, 제안서, 정책 문서처럼 표현은 다르지만 의미는 비슷한 문장을 다뤄야 하는 업무에서는, AI가 위험 조항 후보를 추려주고 핵심 내용을 요약한 뒤 사람이 최종 판단을 내리는 방식이 특히 효과적이다. 이 사례는 AI가 단순히 단어를 찾는 도구가 아니라, 문장의 역할과 맥락을 해석하는 도구로 작동할 수 있음을 보여준다.
그렇다고 해서 AI가 코드를 대체하는 것은 아니다. 오히려 실무에서 가장 강한 구조는 코드와 AI를 대립시키는 것이 아니라, 각자의 강점을 정확히 배치하는 것이다. 환불 가능 기간, 개인정보 마스킹, 접근 권한, 회계 처리, 결제 승인 절차처럼 절대 어겨서는 안 되는 규칙은 명시적 코드가 맡아야 한다. 또한, 단순 반복 규칙은 코드가 더 뛰어나다. 반면 고객 의도 파악, 문서 의미 해석, 비정형 입력 처리, 예외 상황 분류처럼 모호성과 변형이 큰 문제는 AI가 맡는 편이 더 효율적이다. 다시 말해 코드는 경계를 만들고, AI는 그 경계 안에서 의미를 읽어 유연하게 행동한다. 이 조합이 현실에서 가장 안정적이면서도 강력하다.
결국 중요한 것은 코드와 AI 중 하나를 선택하는 일이 아니다. 우리가 만들어야 할 것은 코드의 정확성, 재현성, 통제 가능성과 AI의 의미 추론, 맥락 해석, 예외 대응 능력을 정교하게 결합한 하이브리드 시스템과 프로덕트이다. 미래의 경쟁력은 AI를 붙였느냐 아니냐에서 갈리지 않는다. 어떤 영역은 코드로 고정하고, 어떤 영역은 AI로 유연하게 처리할 것인지, 그리고 그 둘을 어떤 구조로 결합할 것인지에서 갈린다. 바로 그 설계의 수준이 앞으로의 소프트웨어와 제품 완성도를 결정하게 될 것이다.
더 흥미로운 점은 AI가 단지 제품 내부에서 기능을 수행하는 요소에 머무르지 않는다는 사실이다. AI는 이제 코드를 사용하는 대상일 뿐 아니라, 코드를 만드는 주체이자 코드를 운영하는 보조 주체가 될 수 있다. 기능 요구사항을 바탕으로 코드 초안을 생성하고, 기존 코드를 읽어 구조를 개선하며, 중복 로직을 정리하고, 테스트 케이스를 작성하고, 문서를 보완하고, 로그와 에러 패턴을 분석해 문제 후보를 좁히는 일까지 수행하거나 지원할 수 있다. 즉 AI는 제품 내부의 지능으로만 존재하는 것이 아니라, 개발과 운영 자체의 생산성을 확장하는 동력으로도 작동할 수 있다.
이 지점에서 또 하나 중요한 변화가 보인다. 코드는 작성 당시의 환경과 가정을 기준으로 동작한다. 하지만 실제 환경은 가변적이다. 사용자 행동은 변하고, 비즈니스 정책은 수정되며, 외부 시스템과 시장 조건도 계속 바뀐다. 그래서 시간이 지나면 코드는 현실과의 정합성을 점차 잃을 수 있고, 초기에는 적절했던 규칙이 나중에는 비효율적이거나 부정확해질 수 있다. 문제는 명시적 코드만으로는 이러한 변화에 실시간으로 대응하기 어렵다는 점이다. 모든 변화를 사람이 먼저 발견하고, 다시 분석하고, 규칙을 수정하고, 배포해야 하기 때문이다.
반면 AI는 변화된 환경과 요구사항을 해석해 예외를 관리할 수 있을 뿐 아니라, 정해진 목표와 제약, 검증 체계 안에서 기존 코드를 자율적으로 분석하고 개선하며 업그레이드할 수도 있다. 예를 들어 운영 로그를 통해 반복적으로 발생하는 예외 패턴을 발견하고, 오래된 조건문 구조를 더 나은 형태로 리팩토링하며, 테스트 커버리지를 보강하고, 문서와 실제 코드의 불일치를 찾아내는 식이다. 더 나아가 변화된 비즈니스 요구에 맞춰 코드 수정 방향을 제안하거나, 일정 범위 안에서는 직접 개선안을 생성해 적용 후보까지 만들 수 있다. 즉 AI는 코드 바깥에서 의미를 해석하는 역할만 하는 것이 아니라, 코드 자체를 지속적으로 진화시키는 관리 주체로도 기능할 수 있다.
물론 AI의 자율성에서는 권한, 보안, 품질, 검증, 배포 통제와 같은 구조가 함께 설계되어야 한다. 다시 말해 AI가 아무 제약 없이 코드를 바꾸는 것이 핵심이 아니라, 명확한 목표와 안전한 경계 안에서 코드를 지속적으로 개선하고 업그레이드할 수 있게 만드는 것이 중요하다. 이때 코드는 여전히 기준과 제약, 검증과 실행을 담당하고, AI는 변화 해석과 적응, 최적화와 개선을 담당한다. 이 관계는 대체가 아니라 분업이며, 경쟁이 아니라 결합이다.
결국 코드와 AI의 핵심적인 차이는 존재 자체의 차이가 아니라 작동 방식의 차이다. 전통적인 규칙 기반 소프트웨어가 사람이 써놓은 규칙을 중심으로 움직인다면, AI 시스템은 학습된 표현을 바탕으로 의미와 맥락을 추론하고 그에 따라 규칙 적용을 조정한다. 그래서 전통적 코드는 닫힌 문제에 강하고, AI는 열린 문제에 강하다. 그리고 앞으로 우리가 만들어야 할 것은 이 둘 중 하나를 선택한 단일한 시스템이 아니라, 둘의 장점을 정교하게 결합한 하이브리드 시스템이다. 코드의 정확성과 통제 가능성 위에 AI의 유연한 추론과 적응 능력을 얹고, 더 나아가 AI가 코드의 생성, 수정, 테스트, 리팩토링, 문서화, 운영 관리까지 수행하거나 지원하게 하는 구조. 바로 그 구조가 앞으로의 소프트웨어를 단순한 기능 집합이 아니라, 스스로 현실에 적응하며 진화하는 시스템으로 바꾸게 될 것이다.
Forwarded from BHI
AI 시대의 새로운 병목: 언어
AI가 추론해야하는 공백의 의미와 영역을 줄이다.
우리는 일반적인 삶을 살면서도 늘 의사소통을 한다. 그런데 그 의사소통은 생각보다 자주 정확히 맞물리지 않는다. 비슷하지만 다른 의미를 가진 말들이 섞이고, 정확한 조건과 상황, 선택 기준을 명문화하지 않은 채 대화가 오가며, 같은 문장을 두고도 서로 전혀 다른 의미로 받아들이는 일이 반복된다. 사실 인간의 의사소통은 처음부터 완벽하지 않았다. 말의 모호함과 중의성, 맥락, 그리고 서로 공유하고 있다고 믿는 관념들 덕분에 우리는 굳이 모든 것을 다 말하지 않고도 대화를 이어갈 수 있었다. 다시 말해, 인간은 오랫동안 ‘말의 효율성’에 기대어 소통해 왔다.
문제는 이 오래된 습관이 21세기에 들어와 더 이상 단순한 편의가 아니라는 데 있다. 지금은 AI가 정말 많은 일을 처리할 수 있는 시대다. 그렇다면 반대로, AI는 그만큼 더 정확하게 상황과 맥락을 이해해야 하고, 정확한 요구와 조건, 말의 의미를 파악해야 한다. 그렇지 않으면 사람의 의도와는 다른 결과물이 나온다. 인간끼리의 대화에서는 어느 정도 넘어가던 작은 어긋남이, AI와의 협업에서는 결과의 방향 자체를 바꿔버릴 수 있다. 인간끼리의 소통에서는 생략이 효율이었지만, AI와의 소통에서는 그 생략이 곧 오류의 원인이 된다.
AI의 가장 큰 문제 중 하나는 사용자의 텍스트에서 스스로 '집중할 것'을 골라내고, 그것에 집중하여 행동한다는 점이다. 사용자가 '완벽히 누락 없이 찾아줘'라고 명시하지 않으면, AI는 대강 중요하다고 판단한 것들만 추려내는 식으로 움직이기 쉽다. 극한의 효율을 추구하는 경향이 기본 성향처럼 깔려 있기 때문이다. 하지만 사람과 사람이 대화할 때 굳이 말하지 않는 조건들은, AI에게는 오히려 반드시 포함되어야 하는 핵심 정보일 때가 많다. 인간은 표정, 관계, 분위기, 말투, 사회적 감각으로 빠진 뜻을 보완하지만, AI는 그런 방식으로 말의 빈칸을 안정적으로 메우지 못한다. 특히 작업이 어렵고 복잡할수록 그렇다. 사람과 사람의 대화에는 말의 의도나 사회적 느낌이 녹아 있지만, AI는 그런 층위보다 텍스트 표면에 더 강하게 끌린다.
그래서 이 문제를 단순히 '사람이 말을 제대로 안 해서'라고만 말하는 것은 절반만 맞는 진단이다. 물론 사람은 정확하게 말해야 한다. 하지만 인간은 원래 모든 조건을 하나도 빠짐없이 적어내는 존재가 아니다. 일상에서 우리는 늘 축약하고, 맥락에 기대고, 암묵적인 전제를 공유한다. 그렇기 때문에 문제는 사람에게만 있는 것이 아니라 사람과 AI 둘 다에게 있다. 사용자는 모든 조건을 다 쓰기 어렵고, AI는 그 공백을 센스 있게, 알아서, 깔끔하게 처리하지 못한다. 더 정확히 말하면, 처리할 수 없는 공백 앞에서도 너무 쉽게 처리한 척하며 넘어가 버린다. 바로 이 지점에서 인간의 의도와 AI의 결과물이 어긋난다.
여기에는 AI의 더 근본적인 관성이 작동한다. AI는 본질적으로 선택해야만 하는 존재다. 수많은 선택지들 중 하나, 혹은 몇 가지를 고르며 답을 만들어 간다. 그런데 사람이 요구한 일을 수행하는 도중에는 사실 굉장히 많은 선택 지점이 나타난다. 무엇을 우선할지, 어떤 기준으로 정리할지, 무엇을 제외할지, 어느 방향으로 해석할지, 어느 수준까지 자세히 다룰지를 계속 결정해야 한다. 그럼에도 많은 AI는 이 과정에서 사람에게 “이 선택지들 중 무엇을 원하십니까?”라고 묻지 않는다. 대신 자기 기준으로 그럴듯해 보이는 방법을 고른다. 그러나 이 선택의 과정에 조건과 상황에 대한 컨텍스트가 없다면, 사용자가 의도하는 결과는 나올 수 없다.
더 큰 문제는 AI가 다른 선택지들을 굳이 드러내지 않는다는 점이다. 더 나을 수 있는 선택지가 있어도 숨겨진 채로 남고, 사용자는 AI가 내놓은 한 가지 길만 보게 된다. 그렇게 되면 AI는 사실상 하나의 선택지를 강요하듯 작동할 수 있다. 그래서 대화를 하다 보면 사용자가 추후 '그 방식보다 이 방식이 더 낫지 않아?' 혹은 '이렇게도 할 수 있지 않아?'라고 말하는 일이 생긴다. 그러면 AI는 뒤늦게 '맞습니다. 그 방법이 그런 상황에는 더 나을 수 있습니다'라고 답한다. 이 순간 사용자는 AI의 효용을 높게 느끼기 어렵다. 왜냐하면 사용자의 입장에서는 AI가 최선의 선택을 처음부터 내려주지 못했기 때문이다. 하지만 실제로는 AI가 멍청해서가 아니라, 정보가 부족했고 그 부족한 정보를 확인하지 않았을 뿐이다. 사람은 모든 조건을 다 적어내기 힘들었고, AI는 부족한 정보를 드러내며 묻는 대신 자의적으로 선택해 버렸다.
가장 쉬운 예가 식사 추천이다. 우리는 평소에 '점심밥 뭐 먹지?'라고 말한다. 조금 더 길어도 '서면에서 친구랑 밥 먹으려는데 뭐 먹을까?' 정도다. 사람끼리는 이 정도로도 꽤 많은 맥락이 전달된다. 그러나 AI에게 이 질문은 지나치게 많은 공백을 가진다. 어디서 먹을지, 언제 먹을지, 무엇을 먹고 싶은지, 왜 그 식사를 하려는지부터 다르다. 예산은 얼마인지, 한식인지 중식인지 양식인지, 평소와 비슷한 식사를 원하는지 아니면 특이한 메뉴를 원하는지, 누구와의 식사인지, 어디를 기준으로 어디까지 이동 가능한지 같은 요소들이 결과를 크게 바꾼다. 이런 조건이 정확히 정해지지 않으면 만족스러운 답을 기대하기 어렵다. 결국 AI에게 필요한 것은 단순한 질문 한 줄이 아니라, 결과를 좌우하는 구조화된 조건들이다.
그래서 AI가 해야 하는 일은 단순히 답을 내놓는 것이 아니라, 중의성, 모호함, 선택지, 조건, 상황, 방향성을 되물어보는 것이다. 사용자의 니즈를 정확히 맞추려면, 사용자의 텍스트를 그대로 받아 바로 결과를 내놓을 것이 아니라, 결과를 만드는 과정에서 직면하는 모호성과 선택 지점들을 식별하고, 그때그때 사용자의 답변을 받아야 한다. 방향성을 잡을 때조차 상황과 조건이 필요하다. 방향이란 공중에서 갑자기 생겨나는 것이 아니라, 어떤 목적과 제약 안에서만 정해질 수 있기 때문이다. 따라서 AI의 답변은 넓은 영역에서 시작해, 조건과 상황, 방향과 선택에 따라 점점 잘라낼 것을 잘라내며 결론에 도달해야 한다. 애초에 넓게 시작하는 것이 필요한 것이다.
하지만 많은 AI는 처음 주어진 입력만으로 곧바로 결론을 내리고, 결과물을 빠르게 제공하는 방식으로 설계되어 있다. 바로 이 지점이 사용자 경험을 악화시킨다. 결론을 내리기 전에 AI가 먼저 생각해야 하는 것은 '무엇이 모호한가', '무엇이 아직 정확히 선택되지 않았는가', '어디에서 사용자의 의도와 결과가 갈릴 수 있는가'이다. 이 지점을 짚어 사용자에게 되물어 방향성과 원하는 바를 확정한 다음 결론을 내린다면, 훨씬 더 좋은 경험을 줄 수 있다. 나는 여기서 몇 가지 원칙이 분명해야 한다고 생각한다. AI는 너무 과하게 방향성을 잡으려고 해서는 안 된다. 방향성을 자의적으로 잡아서는 안 된다. 방향성을 못 잡는 경우에는 결과를 내면 안 된다. 선택해야 하는 것에 대해서는 AI가 자의적으로 선택하지 말아야 한다. 모호한 경우에는 되물어야 한다. 상황과 조건, 선택지에 대해서 되물어야 한다. 그것들 외에도 필요한 것이 있다면 다시 물어야 한다. 정확하지 않으면 되물어야 한다. 이 원칙들은 단순한 사용법의 문제가 아니라, AI가 신뢰 가능한 도구가 되기 위한 최소한의 태도다.
AI가 추론해야하는 공백의 의미와 영역을 줄이다.
우리는 일반적인 삶을 살면서도 늘 의사소통을 한다. 그런데 그 의사소통은 생각보다 자주 정확히 맞물리지 않는다. 비슷하지만 다른 의미를 가진 말들이 섞이고, 정확한 조건과 상황, 선택 기준을 명문화하지 않은 채 대화가 오가며, 같은 문장을 두고도 서로 전혀 다른 의미로 받아들이는 일이 반복된다. 사실 인간의 의사소통은 처음부터 완벽하지 않았다. 말의 모호함과 중의성, 맥락, 그리고 서로 공유하고 있다고 믿는 관념들 덕분에 우리는 굳이 모든 것을 다 말하지 않고도 대화를 이어갈 수 있었다. 다시 말해, 인간은 오랫동안 ‘말의 효율성’에 기대어 소통해 왔다.
문제는 이 오래된 습관이 21세기에 들어와 더 이상 단순한 편의가 아니라는 데 있다. 지금은 AI가 정말 많은 일을 처리할 수 있는 시대다. 그렇다면 반대로, AI는 그만큼 더 정확하게 상황과 맥락을 이해해야 하고, 정확한 요구와 조건, 말의 의미를 파악해야 한다. 그렇지 않으면 사람의 의도와는 다른 결과물이 나온다. 인간끼리의 대화에서는 어느 정도 넘어가던 작은 어긋남이, AI와의 협업에서는 결과의 방향 자체를 바꿔버릴 수 있다. 인간끼리의 소통에서는 생략이 효율이었지만, AI와의 소통에서는 그 생략이 곧 오류의 원인이 된다.
AI의 가장 큰 문제 중 하나는 사용자의 텍스트에서 스스로 '집중할 것'을 골라내고, 그것에 집중하여 행동한다는 점이다. 사용자가 '완벽히 누락 없이 찾아줘'라고 명시하지 않으면, AI는 대강 중요하다고 판단한 것들만 추려내는 식으로 움직이기 쉽다. 극한의 효율을 추구하는 경향이 기본 성향처럼 깔려 있기 때문이다. 하지만 사람과 사람이 대화할 때 굳이 말하지 않는 조건들은, AI에게는 오히려 반드시 포함되어야 하는 핵심 정보일 때가 많다. 인간은 표정, 관계, 분위기, 말투, 사회적 감각으로 빠진 뜻을 보완하지만, AI는 그런 방식으로 말의 빈칸을 안정적으로 메우지 못한다. 특히 작업이 어렵고 복잡할수록 그렇다. 사람과 사람의 대화에는 말의 의도나 사회적 느낌이 녹아 있지만, AI는 그런 층위보다 텍스트 표면에 더 강하게 끌린다.
그래서 이 문제를 단순히 '사람이 말을 제대로 안 해서'라고만 말하는 것은 절반만 맞는 진단이다. 물론 사람은 정확하게 말해야 한다. 하지만 인간은 원래 모든 조건을 하나도 빠짐없이 적어내는 존재가 아니다. 일상에서 우리는 늘 축약하고, 맥락에 기대고, 암묵적인 전제를 공유한다. 그렇기 때문에 문제는 사람에게만 있는 것이 아니라 사람과 AI 둘 다에게 있다. 사용자는 모든 조건을 다 쓰기 어렵고, AI는 그 공백을 센스 있게, 알아서, 깔끔하게 처리하지 못한다. 더 정확히 말하면, 처리할 수 없는 공백 앞에서도 너무 쉽게 처리한 척하며 넘어가 버린다. 바로 이 지점에서 인간의 의도와 AI의 결과물이 어긋난다.
여기에는 AI의 더 근본적인 관성이 작동한다. AI는 본질적으로 선택해야만 하는 존재다. 수많은 선택지들 중 하나, 혹은 몇 가지를 고르며 답을 만들어 간다. 그런데 사람이 요구한 일을 수행하는 도중에는 사실 굉장히 많은 선택 지점이 나타난다. 무엇을 우선할지, 어떤 기준으로 정리할지, 무엇을 제외할지, 어느 방향으로 해석할지, 어느 수준까지 자세히 다룰지를 계속 결정해야 한다. 그럼에도 많은 AI는 이 과정에서 사람에게 “이 선택지들 중 무엇을 원하십니까?”라고 묻지 않는다. 대신 자기 기준으로 그럴듯해 보이는 방법을 고른다. 그러나 이 선택의 과정에 조건과 상황에 대한 컨텍스트가 없다면, 사용자가 의도하는 결과는 나올 수 없다.
더 큰 문제는 AI가 다른 선택지들을 굳이 드러내지 않는다는 점이다. 더 나을 수 있는 선택지가 있어도 숨겨진 채로 남고, 사용자는 AI가 내놓은 한 가지 길만 보게 된다. 그렇게 되면 AI는 사실상 하나의 선택지를 강요하듯 작동할 수 있다. 그래서 대화를 하다 보면 사용자가 추후 '그 방식보다 이 방식이 더 낫지 않아?' 혹은 '이렇게도 할 수 있지 않아?'라고 말하는 일이 생긴다. 그러면 AI는 뒤늦게 '맞습니다. 그 방법이 그런 상황에는 더 나을 수 있습니다'라고 답한다. 이 순간 사용자는 AI의 효용을 높게 느끼기 어렵다. 왜냐하면 사용자의 입장에서는 AI가 최선의 선택을 처음부터 내려주지 못했기 때문이다. 하지만 실제로는 AI가 멍청해서가 아니라, 정보가 부족했고 그 부족한 정보를 확인하지 않았을 뿐이다. 사람은 모든 조건을 다 적어내기 힘들었고, AI는 부족한 정보를 드러내며 묻는 대신 자의적으로 선택해 버렸다.
가장 쉬운 예가 식사 추천이다. 우리는 평소에 '점심밥 뭐 먹지?'라고 말한다. 조금 더 길어도 '서면에서 친구랑 밥 먹으려는데 뭐 먹을까?' 정도다. 사람끼리는 이 정도로도 꽤 많은 맥락이 전달된다. 그러나 AI에게 이 질문은 지나치게 많은 공백을 가진다. 어디서 먹을지, 언제 먹을지, 무엇을 먹고 싶은지, 왜 그 식사를 하려는지부터 다르다. 예산은 얼마인지, 한식인지 중식인지 양식인지, 평소와 비슷한 식사를 원하는지 아니면 특이한 메뉴를 원하는지, 누구와의 식사인지, 어디를 기준으로 어디까지 이동 가능한지 같은 요소들이 결과를 크게 바꾼다. 이런 조건이 정확히 정해지지 않으면 만족스러운 답을 기대하기 어렵다. 결국 AI에게 필요한 것은 단순한 질문 한 줄이 아니라, 결과를 좌우하는 구조화된 조건들이다.
그래서 AI가 해야 하는 일은 단순히 답을 내놓는 것이 아니라, 중의성, 모호함, 선택지, 조건, 상황, 방향성을 되물어보는 것이다. 사용자의 니즈를 정확히 맞추려면, 사용자의 텍스트를 그대로 받아 바로 결과를 내놓을 것이 아니라, 결과를 만드는 과정에서 직면하는 모호성과 선택 지점들을 식별하고, 그때그때 사용자의 답변을 받아야 한다. 방향성을 잡을 때조차 상황과 조건이 필요하다. 방향이란 공중에서 갑자기 생겨나는 것이 아니라, 어떤 목적과 제약 안에서만 정해질 수 있기 때문이다. 따라서 AI의 답변은 넓은 영역에서 시작해, 조건과 상황, 방향과 선택에 따라 점점 잘라낼 것을 잘라내며 결론에 도달해야 한다. 애초에 넓게 시작하는 것이 필요한 것이다.
하지만 많은 AI는 처음 주어진 입력만으로 곧바로 결론을 내리고, 결과물을 빠르게 제공하는 방식으로 설계되어 있다. 바로 이 지점이 사용자 경험을 악화시킨다. 결론을 내리기 전에 AI가 먼저 생각해야 하는 것은 '무엇이 모호한가', '무엇이 아직 정확히 선택되지 않았는가', '어디에서 사용자의 의도와 결과가 갈릴 수 있는가'이다. 이 지점을 짚어 사용자에게 되물어 방향성과 원하는 바를 확정한 다음 결론을 내린다면, 훨씬 더 좋은 경험을 줄 수 있다. 나는 여기서 몇 가지 원칙이 분명해야 한다고 생각한다. AI는 너무 과하게 방향성을 잡으려고 해서는 안 된다. 방향성을 자의적으로 잡아서는 안 된다. 방향성을 못 잡는 경우에는 결과를 내면 안 된다. 선택해야 하는 것에 대해서는 AI가 자의적으로 선택하지 말아야 한다. 모호한 경우에는 되물어야 한다. 상황과 조건, 선택지에 대해서 되물어야 한다. 그것들 외에도 필요한 것이 있다면 다시 물어야 한다. 정확하지 않으면 되물어야 한다. 이 원칙들은 단순한 사용법의 문제가 아니라, AI가 신뢰 가능한 도구가 되기 위한 최소한의 태도다.
Forwarded from BHI
흥미로운 점은 이런 방식이 이미 어느 정도 현실에서 구현되기 시작했다는 것이다. 예를 들어 Claude와 대화하다 보면, AI가 모호하다고 판단하거나 사용자의 선택이 필요한 경우 하나의 팝업처럼 '이것은 어떻게 할까요?'라고 묻는 경험이 나타난다. 나는 이런 구조가 왜 의미 있는지 분명하다고 본다. 사용자가 처음부터 고난도의 프롬프트를 완벽하게 작성하지 않아도, 시스템이 더 나은 프롬프팅을 할 수 있게 도와주는 환경을 만들어 주기 때문이다. 예전에는 정말 높은 수준의 결과를 얻으려면 '나는 서면에서 12시~13시 사이에 친구(남자)와 함께 지하철 두 정거장 정도 되는 거리 안에서, 한식 기반으로, 간단하게 술 한 잔 정도 할 수 있는 식당을 찾고 있어. 둘이서 지출할 금액은 대략 6만 원 정도야'와 같은 식으로 세세한 조건을 모두 적어야 했다. 그러나 더 좋은 시스템이라면 사용자가 단순히 '나 서면에서 친구랑 밥 먹으려는데 뭐 먹을까?'라고 말해도 된다. 그러면 시스템이 '몇 시에 가시나요?', '누구와 가시나요?', '어떤 수준의 음식을 원하시나요?', '예산은 어느 정도인가요?' 같은 질문을 순차적으로 던지고, 필요하면 선택지를 보여주고, 선택지 밖의 경우에는 직접 입력할 수 있게 하면서 영역을 점차 좁혀가면 된다. 그렇게 해서 사용자의 니즈를 더 정확히 맞출 수 있다.
물론 이 방식에는 또 다른 긴장도 존재한다. 많은 사용자들은 너무 많은 질문에 지칠 수 있고, 질문에 답하는 것 자체를 피로하게 느낄 수 있다. 그러나 그렇다고 해서 되묻는 구조 자체가 의미 없다고 볼 수는 없다. 오히려 중요한 것은 질문의 양이 아니라 질문의 질이다. 아무 데나 꼬치꼬치 묻는 것이 아니라, 결과를 크게 바꾸는 핵심적인 공백을 찾아 그것만 효율적으로 물어야 한다. 질문은 사용자를 귀찮게 하기 위해 존재하는 것이 아니라, 사용자의 의도와 결과 사이의 오차를 줄이기 위해 존재해야 한다. 사용자가 피로하지 않도록 설계하면서도, 필요한 확인은 반드시 거치는 구조. 바로 그것이 좋은 인터페이스이고, 좋은 에이전트 시스템의 시작이다.
AI Agentic System을 설계한다면, 핵심은 더 분명해진다. 사용자의 말, AI 간의 대화, 문서 속 표현에서 모호성, 조건, 상황, 선택 등의 정보 공백을 찾아내야 한다. 이로 인해 공백을 찾아내는 역할의 에이전트의 필요성이 대두되고 있다. 그리고 그 공백을 메우기 위한 선택지를 동시에 추천하면서, 사용자에게 되묻거나 시스템 내부의 서로 다른 구성 요소들이 서로에게 되묻는 구조가 되어야 한다. 이것이 없으면 정확한 방향성과 의도는 쉽게 흐려진다. 결과적으로 시스템은 일을 '수행'하고 있는 것처럼 보여도, 실제로는 잘못된 방향으로 정교하게 달려가게 된다. 그 위험은 개인적인 대화에서만 끝나지 않는다. 문서화의 과정에서 모호한 결과물이 나오거나, 사람과 AI 사이의 의사소통이 모호하면, 의도하지 않은 결과물이 만들어지고 그것이 큰 파급력을 불러일으킬 수 있다. AI가 다루는 일이 커질수록, 이 문제는 사소한 말실수의 수준이 아니라 설계와 실행, 협업 전체를 흔드는 리스크가 된다.
그렇다고 해서 완벽하게 모호하지 않은 언어를 만들 수 있는 것은 아니다. 그것은 사실상 불가능하다. 언어는 원래 다의적이고, 맥락적이며, 압축적이다. 우리가 해야 하는 일은 언어에서 모호함을 완전히 제거하는 것이 아니라, 그 모호성을 찾아내고, 확인하고, 정정하는 절차를 만드는 것이다. 말하자면 목표는 '완전한 무모호성'이 아니라 '모호성을 발견하고 수정하는 체계'다. 그리고 이 지점에서 우리는 언어의 복잡성이 생각보다 훨씬 심하다는 사실을 다시 보게 된다. 겉보기에는 단순한 문장도 실제 행동과 사고의 기준으로 들어가면 수많은 해석과 분기를 만들어 낸다. 그래서 더더욱 AI는 함부로 의미를 확정해서는 안 되고, 사용자의 뜻이 여러 갈래로 갈릴 수 있는 지점에서는 반드시 멈춰 서서 확인해야 한다.
이때 또 하나 중요한 원칙이 있다. 정보를 쌓아야 한다는 것이다. 사용자가 같은 말을 반복하지 않게 해야 한다. 좋은 시스템은 과거의 대화와 이전 작업, 문서 속 맥락, 누적된 조건과 상황을 기억하고 활용해야 한다. AI Agentic System에서는 10일 전에 했던 말도, 1년 전에 했던 말도 조건과 상황으로 쌓일 수 있고, 그것은 분명 유용하다. 그러나 동시에 상황은 바뀐다. 사람의 취향도 바뀌고, 목표도 바뀌고, 현재의 제약도 달라진다. 그래서 시스템은 과거를 그냥 가져다 쓰는 것에 그쳐서는 안 된다. 이전의 상황을 기술해 주고, '이전에는 이런 조건이었는데 지금도 같은가'를 확인해야 한다. 즉, 다시 말하지 않게 해야 하지만, 다시 물어보고 다시 말해야 하는 순간도 있어야 한다. 이 역설을 풀지 못하면, 기억은 편의가 아니라 오작동의 원인이 된다. 좋은 기억은 축적된 정보를 맹신하는 기억이 아니라, 현재에 맞게 검증하는 기억이다.
결국 우리가 줄이려는 것은 단순한 설명 부족이 아니다. 행동과 사고를 위한 의미적 공백이다. 사람은 원하는 것을 더 정확히 말할 수 있어야 하고, AI는 그 정확성에 도달하기 전까지 성급하게 결론을 내리지 말아야 한다. 인간은 AI에게 필요한 수준으로 조건과 의도를 구조화하는 능력을 길러야 하고, AI는 인간이 원래 그렇게까지 완벽하게 말하지 않는 존재라는 사실을 전제로 시스템을 설계해야 한다. 미래의 경쟁력은 단순히 더 많은 답을 생성하는 능력이 아니라, 더 적은 의미적 공백 위에서 행동하고 사고하는 능력에 달려 있다.
그래서 나는 21세기 최고의 능력을 이렇게 정의하고 싶다. 내가 바라는 것을 정확히 표현하는 능력, 그리고 그 정확성에 도달할 때까지 모호함과 중의성, 조건과 선택, 상황과 방향성의 공백을 함께 줄여나가는 능력이다. 이것은 사용자 혼자만의 과제도 아니고, AI 혼자만의 과제도 아니다. 둘 사이의 관계를 다시 설계해야만 가능한 일이다. 진짜 뛰어난 AI는 답을 빨리 내는 AI가 아니다. 무엇이 아직 정해지지 않았는지를 정확히 짚고, 선택이 필요한 곳에서는 선택을 사용자에게 돌려주며, 모호한 부분은 되묻고, 축적된 정보를 활용하되 현재의 변화를 다시 확인하고, 사용자가 더 이상 같은 말을 반복하지 않게 하면서도 필요한 순간에는 다시 묻는 AI다. 그럴 때 비로소 AI는 사용자의 말을 대신 해석해 버리는 존재가 아니라, 사용자가 정말 원하는 것에 더 가까이 가도록 돕는 존재가 된다.
그리고 바로 그 지점에서, 말은 더 이상 단순한 전달 수단이 아니라 설계의 문제가 된다. 우리는 이제 '대충 알아듣겠지'의 시대를 지나, '어떻게 하면 의미적 공백을 최대한 줄일 수 있는가'를 고민해야 하는 시대에 들어왔다. 21세기의 핵심 역량은 많이 말하는 능력이 아니라, 정확히 말하는 능력이다. 그리고 21세기의 좋은 AI는 많이 아는 AI가 아니라, 정확하지 않을 때 되물을 줄 아는 AI다. 되물을 줄 아는 AI를 설계하는 것에 대해 고려해야한다.
물론 이 방식에는 또 다른 긴장도 존재한다. 많은 사용자들은 너무 많은 질문에 지칠 수 있고, 질문에 답하는 것 자체를 피로하게 느낄 수 있다. 그러나 그렇다고 해서 되묻는 구조 자체가 의미 없다고 볼 수는 없다. 오히려 중요한 것은 질문의 양이 아니라 질문의 질이다. 아무 데나 꼬치꼬치 묻는 것이 아니라, 결과를 크게 바꾸는 핵심적인 공백을 찾아 그것만 효율적으로 물어야 한다. 질문은 사용자를 귀찮게 하기 위해 존재하는 것이 아니라, 사용자의 의도와 결과 사이의 오차를 줄이기 위해 존재해야 한다. 사용자가 피로하지 않도록 설계하면서도, 필요한 확인은 반드시 거치는 구조. 바로 그것이 좋은 인터페이스이고, 좋은 에이전트 시스템의 시작이다.
AI Agentic System을 설계한다면, 핵심은 더 분명해진다. 사용자의 말, AI 간의 대화, 문서 속 표현에서 모호성, 조건, 상황, 선택 등의 정보 공백을 찾아내야 한다. 이로 인해 공백을 찾아내는 역할의 에이전트의 필요성이 대두되고 있다. 그리고 그 공백을 메우기 위한 선택지를 동시에 추천하면서, 사용자에게 되묻거나 시스템 내부의 서로 다른 구성 요소들이 서로에게 되묻는 구조가 되어야 한다. 이것이 없으면 정확한 방향성과 의도는 쉽게 흐려진다. 결과적으로 시스템은 일을 '수행'하고 있는 것처럼 보여도, 실제로는 잘못된 방향으로 정교하게 달려가게 된다. 그 위험은 개인적인 대화에서만 끝나지 않는다. 문서화의 과정에서 모호한 결과물이 나오거나, 사람과 AI 사이의 의사소통이 모호하면, 의도하지 않은 결과물이 만들어지고 그것이 큰 파급력을 불러일으킬 수 있다. AI가 다루는 일이 커질수록, 이 문제는 사소한 말실수의 수준이 아니라 설계와 실행, 협업 전체를 흔드는 리스크가 된다.
그렇다고 해서 완벽하게 모호하지 않은 언어를 만들 수 있는 것은 아니다. 그것은 사실상 불가능하다. 언어는 원래 다의적이고, 맥락적이며, 압축적이다. 우리가 해야 하는 일은 언어에서 모호함을 완전히 제거하는 것이 아니라, 그 모호성을 찾아내고, 확인하고, 정정하는 절차를 만드는 것이다. 말하자면 목표는 '완전한 무모호성'이 아니라 '모호성을 발견하고 수정하는 체계'다. 그리고 이 지점에서 우리는 언어의 복잡성이 생각보다 훨씬 심하다는 사실을 다시 보게 된다. 겉보기에는 단순한 문장도 실제 행동과 사고의 기준으로 들어가면 수많은 해석과 분기를 만들어 낸다. 그래서 더더욱 AI는 함부로 의미를 확정해서는 안 되고, 사용자의 뜻이 여러 갈래로 갈릴 수 있는 지점에서는 반드시 멈춰 서서 확인해야 한다.
이때 또 하나 중요한 원칙이 있다. 정보를 쌓아야 한다는 것이다. 사용자가 같은 말을 반복하지 않게 해야 한다. 좋은 시스템은 과거의 대화와 이전 작업, 문서 속 맥락, 누적된 조건과 상황을 기억하고 활용해야 한다. AI Agentic System에서는 10일 전에 했던 말도, 1년 전에 했던 말도 조건과 상황으로 쌓일 수 있고, 그것은 분명 유용하다. 그러나 동시에 상황은 바뀐다. 사람의 취향도 바뀌고, 목표도 바뀌고, 현재의 제약도 달라진다. 그래서 시스템은 과거를 그냥 가져다 쓰는 것에 그쳐서는 안 된다. 이전의 상황을 기술해 주고, '이전에는 이런 조건이었는데 지금도 같은가'를 확인해야 한다. 즉, 다시 말하지 않게 해야 하지만, 다시 물어보고 다시 말해야 하는 순간도 있어야 한다. 이 역설을 풀지 못하면, 기억은 편의가 아니라 오작동의 원인이 된다. 좋은 기억은 축적된 정보를 맹신하는 기억이 아니라, 현재에 맞게 검증하는 기억이다.
결국 우리가 줄이려는 것은 단순한 설명 부족이 아니다. 행동과 사고를 위한 의미적 공백이다. 사람은 원하는 것을 더 정확히 말할 수 있어야 하고, AI는 그 정확성에 도달하기 전까지 성급하게 결론을 내리지 말아야 한다. 인간은 AI에게 필요한 수준으로 조건과 의도를 구조화하는 능력을 길러야 하고, AI는 인간이 원래 그렇게까지 완벽하게 말하지 않는 존재라는 사실을 전제로 시스템을 설계해야 한다. 미래의 경쟁력은 단순히 더 많은 답을 생성하는 능력이 아니라, 더 적은 의미적 공백 위에서 행동하고 사고하는 능력에 달려 있다.
그래서 나는 21세기 최고의 능력을 이렇게 정의하고 싶다. 내가 바라는 것을 정확히 표현하는 능력, 그리고 그 정확성에 도달할 때까지 모호함과 중의성, 조건과 선택, 상황과 방향성의 공백을 함께 줄여나가는 능력이다. 이것은 사용자 혼자만의 과제도 아니고, AI 혼자만의 과제도 아니다. 둘 사이의 관계를 다시 설계해야만 가능한 일이다. 진짜 뛰어난 AI는 답을 빨리 내는 AI가 아니다. 무엇이 아직 정해지지 않았는지를 정확히 짚고, 선택이 필요한 곳에서는 선택을 사용자에게 돌려주며, 모호한 부분은 되묻고, 축적된 정보를 활용하되 현재의 변화를 다시 확인하고, 사용자가 더 이상 같은 말을 반복하지 않게 하면서도 필요한 순간에는 다시 묻는 AI다. 그럴 때 비로소 AI는 사용자의 말을 대신 해석해 버리는 존재가 아니라, 사용자가 정말 원하는 것에 더 가까이 가도록 돕는 존재가 된다.
그리고 바로 그 지점에서, 말은 더 이상 단순한 전달 수단이 아니라 설계의 문제가 된다. 우리는 이제 '대충 알아듣겠지'의 시대를 지나, '어떻게 하면 의미적 공백을 최대한 줄일 수 있는가'를 고민해야 하는 시대에 들어왔다. 21세기의 핵심 역량은 많이 말하는 능력이 아니라, 정확히 말하는 능력이다. 그리고 21세기의 좋은 AI는 많이 아는 AI가 아니라, 정확하지 않을 때 되물을 줄 아는 AI다. 되물을 줄 아는 AI를 설계하는 것에 대해 고려해야한다.
Forwarded from BHI
그냥 바로바로 쓴 글들은 나만 알아듣는 글일 수 있다.
누가 봐도 다 알아들을 수 있게 적고, 첨삭을 거쳐야. AI도 정확히 이해할 수 있다.
하지만, 프롬프트를 쓰고 AI가 어떻게 대답하는지를 보고 나의 니즈를 충족하는지, 뭐가 부족한지, 무엇을 추가해야 할 지에 대해서 고민하고 내 니즈를 충족시키기 위해서 어떻게 프롬프트를 업그레이드 해야 할 지도 생각해야한다. 즉, 실제 어떤 결과가 나오는지도 확인하며 리뷰를 거쳐서 개선을 해야한다는 것이다.
이 과정을 하다보면, 이 과정에 대해서 자동화/시스템화하고 싶다는 생각이 든다.
그렇기에 의미적 공백, 모호함, 중의성, 선택지 등에 대해서 AI가 파악하고, 그것을 사용자에게 되물어 공백을 채워 더 나은 결과를 제공하게하는 시스템을 만들어야한다는 것이다.
1. 사용자가 AI에게 메세지를 보냄.
2. 보낸 메세지에서 공백, 모호함, 중의성, 선택지에 대해서 AI가 파악 (특화 AI)
3. 해당 공백에 들어갈만한 선택지들을 사고 (특화 AI)
4. 그 선택지를 제공하고, 그 외의 선택지를 사용자가 말로 표현할 수 있게 함.
5. 사용자가 정확하게 의미를 설정
6. 설정된 의미를 기반으로 사용자의 니즈를 정확히 충족시키는 방향으로 사고/작업.
이러한 방식으로 작동하게끔 AI System을 구축해야한다는 것을 절실히 느끼고 있다.
누군가는 AI 작동방식을 AI 자체의 개선으로만 해결하려고 한다.
하지만, AI 작동방식은 AI 분업과 특화, 구조, 코드, 시스템으로 개선되고 교정될 수 있다.
후자를 실제 개인들이 이루어내는 시대에 우리는 와있다.
누가 봐도 다 알아들을 수 있게 적고, 첨삭을 거쳐야. AI도 정확히 이해할 수 있다.
하지만, 프롬프트를 쓰고 AI가 어떻게 대답하는지를 보고 나의 니즈를 충족하는지, 뭐가 부족한지, 무엇을 추가해야 할 지에 대해서 고민하고 내 니즈를 충족시키기 위해서 어떻게 프롬프트를 업그레이드 해야 할 지도 생각해야한다. 즉, 실제 어떤 결과가 나오는지도 확인하며 리뷰를 거쳐서 개선을 해야한다는 것이다.
이 과정을 하다보면, 이 과정에 대해서 자동화/시스템화하고 싶다는 생각이 든다.
그렇기에 의미적 공백, 모호함, 중의성, 선택지 등에 대해서 AI가 파악하고, 그것을 사용자에게 되물어 공백을 채워 더 나은 결과를 제공하게하는 시스템을 만들어야한다는 것이다.
1. 사용자가 AI에게 메세지를 보냄.
2. 보낸 메세지에서 공백, 모호함, 중의성, 선택지에 대해서 AI가 파악 (특화 AI)
3. 해당 공백에 들어갈만한 선택지들을 사고 (특화 AI)
4. 그 선택지를 제공하고, 그 외의 선택지를 사용자가 말로 표현할 수 있게 함.
5. 사용자가 정확하게 의미를 설정
6. 설정된 의미를 기반으로 사용자의 니즈를 정확히 충족시키는 방향으로 사고/작업.
이러한 방식으로 작동하게끔 AI System을 구축해야한다는 것을 절실히 느끼고 있다.
누군가는 AI 작동방식을 AI 자체의 개선으로만 해결하려고 한다.
하지만, AI 작동방식은 AI 분업과 특화, 구조, 코드, 시스템으로 개선되고 교정될 수 있다.
후자를 실제 개인들이 이루어내는 시대에 우리는 와있다.
Forwarded from 크립토하는 라쿤
세계에서 가장 우수한 기업들 중 일부가 지금 극도로 저렴한 가격에 거래되고 있습니다.
주류 언론 보도에 휘둘리지 마세요. 이번 전쟁은 역사상 가장 일방적인 전쟁 중 하나로, 미국과 전 세계에 긍정적인 방향으로 끝날 가능성이 큽니다. 그리고 그에 따라 큰 규모의 평화 배당 효과도 기대할 수 있습니다.
지금은 오랜만에 좋은 기업을 매수하기에 매우 좋은 시기 중 하나입니다.
Ignore the bears.
- Bill Ackman
주류 언론 보도에 휘둘리지 마세요. 이번 전쟁은 역사상 가장 일방적인 전쟁 중 하나로, 미국과 전 세계에 긍정적인 방향으로 끝날 가능성이 큽니다. 그리고 그에 따라 큰 규모의 평화 배당 효과도 기대할 수 있습니다.
지금은 오랜만에 좋은 기업을 매수하기에 매우 좋은 시기 중 하나입니다.
Ignore the bears.
- Bill Ackman
Forwarded from 기분좋은 마곤
오늘 십고수형님들 Based 전략세워서 발라먹는거보고 그리고 앞으로 장상황도 생각해보면서 느낀건 이제 온체인 아비, 따리 못 발라먹으면 본전도 못 건지는 시대가 한 두달은 연출될거 같네요.
코인에서 보이는 만큼 먹을 수 있는 가장 정직한 분야라고 생각하는데 허들은 꽤 높긴해요
1. 알람 다 짜두고 상장, 펀비갭, 프라이스갭 체크하기
2. 상장하는 것들 전적조사
3. 온체인 path 미리 파악해두기
4. 전략세우기 —» 처음하는 사람들이 갈려서 포기하는 부분
불청 , 정두업, 피카, Kim씨, 펄습 , 화요일 , 공포쓴맛 , 콩이러브, 도로롱 , 팡팡 이 분들이 그래도 자기 전략 감사히 공유해주시거나 배울것들 가끔 올려주시니까 묶어서 중복되는 내용들 학습하기 좋을 것 같네요
5. 이 분야는 항상 정해져 있는 시장 파이라 가면 갈수록 결국 계정관리 및 효율화에서 갈고 닭은 사람이 극한으로 가져갑니다.
6. 앞으로 AI가 발전하면서 십고수들의 실행력과 디테일은 더 올라갈것같지만 반대로 단기적인 시장 흐름에서 몇달동안 안타깝게도 단순 매매와 에어드랍 작업, 리서치는 숨을 죽이고 있어야 할 듯 하네요(그래도 해놓을건 해야한다고 생각함) 유연하게 뭐든 적응해야 살아남는 시장이 될거같음.
내일 edgeX도 상장 거래소에 미리 돈 넣어두고 급락급등 대비하거나 추가 상장 소식 생각해놓으려고요
인풋값을 더 넣어봅시당 꿀통을 dao😢
코인에서 보이는 만큼 먹을 수 있는 가장 정직한 분야라고 생각하는데 허들은 꽤 높긴해요
1. 알람 다 짜두고 상장, 펀비갭, 프라이스갭 체크하기
2. 상장하는 것들 전적조사
3. 온체인 path 미리 파악해두기
4. 전략세우기 —» 처음하는 사람들이 갈려서 포기하는 부분
불청 , 정두업, 피카, Kim씨, 펄습 , 화요일 , 공포쓴맛 , 콩이러브, 도로롱 , 팡팡 이 분들이 그래도 자기 전략 감사히 공유해주시거나 배울것들 가끔 올려주시니까 묶어서 중복되는 내용들 학습하기 좋을 것 같네요
5. 이 분야는 항상 정해져 있는 시장 파이라 가면 갈수록 결국 계정관리 및 효율화에서 갈고 닭은 사람이 극한으로 가져갑니다.
6. 앞으로 AI가 발전하면서 십고수들의 실행력과 디테일은 더 올라갈것같지만 반대로 단기적인 시장 흐름에서 몇달동안 안타깝게도 단순 매매와 에어드랍 작업, 리서치는 숨을 죽이고 있어야 할 듯 하네요(그래도 해놓을건 해야한다고 생각함) 유연하게 뭐든 적응해야 살아남는 시장이 될거같음.
내일 edgeX도 상장 거래소에 미리 돈 넣어두고 급락급등 대비하거나 추가 상장 소식 생각해놓으려고요
인풋값을 더 넣어봅시당 꿀통을 dao
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
불타는청춘
chat : https://t.me/dontlosemoneyplease
DM : @evplusbet
X : https://x.com/burning_20s_x
DM : @evplusbet
X : https://x.com/burning_20s_x
Forwarded from BHI
We want Peace : 세계 분쟁·위기 상황을 실시간에 가깝게 수집하고 보여주는 글로벌 모니터링 사이트.
지도, 긴장도 점수, 국가별 관심 설정, 알림 기능으로 위험 정보를 구조화해 시각적으로 보여준다.
즉, 세계에서 지금 어디가 얼마나 위험한가를 한눈에 파악하고 추적할 수 있게 만든 서비스.
https://x.com/o_girraffe/status/2038596354587685052?s=20
지도, 긴장도 점수, 국가별 관심 설정, 알림 기능으로 위험 정보를 구조화해 시각적으로 보여준다.
즉, 세계에서 지금 어디가 얼마나 위험한가를 한눈에 파악하고 추적할 수 있게 만든 서비스.
https://x.com/o_girraffe/status/2038596354587685052?s=20
Forwarded from BWEnews 한국어🇰🇷
BWENEWS: Binance Wallet to introduce prediction market; integrates Predict.Fun as provider
https://www.binance.com/zh-CN/support/faq/detail/cfdb4d8b27b545119e66f68c54ef04ec
BWENEWS: 바이낸스 지갑, 예측 시장 도입; Predict.Fun을 공급자로 통합
————————————
2026-03-31 14:12:52
https://www.binance.com/zh-CN/support/faq/detail/cfdb4d8b27b545119e66f68c54ef04ec
BWENEWS: 바이낸스 지갑, 예측 시장 도입; Predict.Fun을 공급자로 통합
————————————
2026-03-31 14:12:52
Binance
Frequently Asked Questions on Binance Wallet Prediction Markets | 币安
Product Basics What are Prediction Markets? Prediction markets allow participants to take positions on future outcomes across areas like sports, economics, world events, culture and crypto. Each ou...
Forwarded from Pache Punch
Forwarded from 판판펀치
Pache Punch
EdgeX 맥모닝값 플레이 1. Dex(eth) 에서 EdgeX로 따리 2. Dex(bsc) 에서 컨트랙트로 넘겨서 EdgeX로 따리 판도루가 bsc 쪽도 알려줬는데 컨트랙트로 넘기는 거 오랜만에 했더니 손 꼬여서 겨우 넘김 원래 기대하던 건 어제처럼 EdgeX에서 매수, Bybit 선물 매도였는데 반대로 EdgeX에서 높아서 스턴 왔던레후 + 3만 번째 쓰이는 유용한 테크닉인 컨트랙트로 브릿지 하기
EdgeX 간단 후기
1. 1등상 dex (bsc → eth → edgex)
아무래도 best 플레이. liq도 알파 상장으로 긁기 편하고, 파도루도 올렸듯 스게 프론트에 edge가 안올라와있었어서 컨트랙 말고는 브릿징이 불가했음.
또한, 트위터 알파 공지도 21:31 공지로 늦은 편이었고, 알파 감지 텔방에서도 21:23인 7분전에 감지글이 올라왔었음. bsc token 있는 걸 보고 알파를 항상 염두해뒀어야 하는데, 생각못하다가 급하게 떠올린게 아쉬운 부분
2. 2등상 dex (eth → edgex)
이더 덱스의 경우 팀이 유동성을 넣어준것도 아니고, 엣지엑스에서 가격이 높게 시작하니까 눈치챈 lp 공급자들이 후다닥 도망가는 등 유동성이 전반적으로 부족했고, 1~2k씩 소액으로 슬피 5% 정도 생각하고 긁거나 limit으로 대둔다음에 갔었어야 함. 준비를 좀 덜한 상태였어서 3바퀴 정도 돌렸는데, 준비를 잘해뒀었으면 그 이상도 먹을 수 있었을 듯
3. gate → binance 프리마켓 선선
팡드몽현이 프리마켓부터 애타게 부르짖은 선선이지만 장도 안좋고 크라임이 일어날 시의 두려움이 너무 커서 진입은 못함. 아무래도 게이트에서는 definitive가 edge 티커로 버티고 있어서 gate에서 edgex 티커로 상장해서 선선이 있지않을까 싶음. 7~8% 정도 수익 가능했음
번외)
1. 엣지엑스 가격보고 폴리마켓 달려가기
2. 에어드랍 수량 crime / 엣지엑스 스팟 상장 전 500만개 매수벽을 보고 크라임을 기대하고 생롱/생매수..
프론트 상에는 안떠서 거래창 링크 직접 치고 들어가서 미리 오더북 구경할 수 있었음
결과론적인 이야기라 이건 사실 돌아가도 못했을듯😒
1. 1등상 dex (bsc → eth → edgex)
아무래도 best 플레이. liq도 알파 상장으로 긁기 편하고, 파도루도 올렸듯 스게 프론트에 edge가 안올라와있었어서 컨트랙 말고는 브릿징이 불가했음.
또한, 트위터 알파 공지도 21:31 공지로 늦은 편이었고, 알파 감지 텔방에서도 21:23인 7분전에 감지글이 올라왔었음. bsc token 있는 걸 보고 알파를 항상 염두해뒀어야 하는데, 생각못하다가 급하게 떠올린게 아쉬운 부분
2. 2등상 dex (eth → edgex)
이더 덱스의 경우 팀이 유동성을 넣어준것도 아니고, 엣지엑스에서 가격이 높게 시작하니까 눈치챈 lp 공급자들이 후다닥 도망가는 등 유동성이 전반적으로 부족했고, 1~2k씩 소액으로 슬피 5% 정도 생각하고 긁거나 limit으로 대둔다음에 갔었어야 함. 준비를 좀 덜한 상태였어서 3바퀴 정도 돌렸는데, 준비를 잘해뒀었으면 그 이상도 먹을 수 있었을 듯
3. gate → binance 프리마켓 선선
팡드몽현이 프리마켓부터 애타게 부르짖은 선선이지만 장도 안좋고 크라임이 일어날 시의 두려움이 너무 커서 진입은 못함. 아무래도 게이트에서는 definitive가 edge 티커로 버티고 있어서 gate에서 edgex 티커로 상장해서 선선이 있지않을까 싶음. 7~8% 정도 수익 가능했음
번외)
1. 엣지엑스 가격보고 폴리마켓 달려가기
2. 에어드랍 수량 crime / 엣지엑스 스팟 상장 전 500만개 매수벽을 보고 크라임을 기대하고 생롱/생매수..
프론트 상에는 안떠서 거래창 링크 직접 치고 들어가서 미리 오더북 구경할 수 있었음
결과론적인 이야기라 이건 사실 돌아가도 못했을듯
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from 언제 일일이 손으로 다하냐
클로드 코드 유출로 분석글들을 하나씩 보고 있는데 재밌는 글이 보여서 가져왔습니다.
https://gall.dcinside.com/mgallery/board/view/?id=thesingularity&no=1081217
일반인이 클로드 코드 작업 시, 코드 검증 과정을 명시적으로 설정하지 않으면 검증하지 않고 파일 쓰기만 한다. 라는 내용이 충격적이네요. 기술의 한계가 아니라 임직원 전용 검증 게이트를 사용했다는 점도 그렇구요..
다만 '컨텍스트 압축으로 인한 정보손실' 부분이나 '최소 작업 원칙', '도구 사용의 물리적 한계' 부분은 바이브코딩하시는 분들이 참고하셔서 개발하시면 좋을 것 같습니다.
원문
https://gall.dcinside.com/mgallery/board/view/?id=thesingularity&no=1081217
일반인이 클로드 코드 작업 시, 코드 검증 과정을 명시적으로 설정하지 않으면 검증하지 않고 파일 쓰기만 한다. 라는 내용이 충격적이네요. 기술의 한계가 아니라 임직원 전용 검증 게이트를 사용했다는 점도 그렇구요..
다만 '컨텍스트 압축으로 인한 정보손실' 부분이나 '최소 작업 원칙', '도구 사용의 물리적 한계' 부분은 바이브코딩하시는 분들이 참고하셔서 개발하시면 좋을 것 같습니다.
원문
Dcinside
유출 코드 분석) 앤트로픽은 클코의 문제 해결책을 내부 직원에게만 제공 - 특이점이 온다 마이너 갤러리
붙여넣기 편하라고 텍스트로 퍼 옴# Agent Directives: Mechanical OverridesYou are operating within a constrained context window and stric
Forwarded from BHI
해당 내용에 대한 한국어본
Telegraph
CC 분석
원문((13) X에서 fakeguru 님 : "I reverse-engineered Claude Code's leaked source against billions of tokens of my own agent logs. Turns out Anthropic is aware of CC hallucination/laziness, and the fixes are gated to employees only. Here's the report and CLAUDE.md…