HONG (홍)

목표 : 경제적자유, 한국에서 하고싶은거 하면서 살기!!!!!!

[늦봄 @saeppbwe29919]

「이력서」

폐지 줍는 할머니가 이력서를 들고 왔다.

일흔여덟이었다.

경력란이 빼곡했다.

작은 봉제공장을 한다.

미싱 보조를 구한다는 공고를 붙였는데
할머니가 찾아온 것이다.

"어르신, 저희가 구하는 건…"

할머니가 이력서를 내밀었다.

'1966~1972 평화시장 봉제
1972~1989 ○○섬유
1989~2003 ○○어패럴'

37년이었다.

"저 미싱 잘 밟습니다."

손을 보여줬다.

손가락 마디가 굽어 있었다.
검지 끝에 굳은살이 두껍게 박여 있었다.

"이거 미싱 자국이에요."

나는 조심스럽게 말했다.

"근데 요즘은 기계가 달라서…"

"압니다. 그래서 이력서 밑에 적었어요."

이력서 맨 아래 손글씨가 있었다.

'배울 수 있음. 시급 안 받아도 됨.'

"어르신, 그럼 왜 일하시려고요."

할머니가 잠깐 망설이다 말했다.

"폐지는 아무나 하잖아요.

근데 미싱은 내가 잘하는 거예요.

죽기 전에 한 번은
잘하는 걸로 불려보고 싶어서."

나는 할머니를 채용했다.

시급은 정상으로 드렸다.

첫날 할머니는 신형 미싱 앞에서 30분을 헤맸다.

그리고 오후에는 우리 공장에서 제일 빨랐다.

37년은 사라지지 않았다.

퇴근할 때 할머니가 물었다.

"내일 몇 시에 나오면 돼요?"

나는 대답했다.

"여덟 시요, 여사님."

할머니가 그 자리에 잠깐 멈춰 섰다.

20년 만에 듣는 호칭이라고 했다.

[감자 @nowlovepan]

내 AI를 똑똑하게 만드는 방법을 알려드릴게요
모델 차이가 아닙니다.

같은 AI를 쓰는데
왜 감자님 AI가 더 똑똑해 보이냐는 질문을 꽤 많이 받음

반대로 GPT를 써보고는
생각보다 별로다
답답하고 멍청하다는 얘기도 많이 함

근데 나는 Sol Ultra를 사용하는 것도 아님

평소에는 대부분 Medium~High 정도로 사용하고
진짜 복잡한 작업이 아니면 굳이 더 높이지도 않음

그런데도 내 AI가 더 똑똑해 보이는 이유는
오랫동안 사용하면서 나에게 맞는 작업규칙을 계속 쌓아놨기 때문임

내가 어떤 말투를 좋아하는지
어떤 결과물을 좋은 퀄리티라고 생각하는지

자료를 찾을 때 어디까지 확인해야 하는지
글을 쓸 때 어떤 표현을 빼야 하는지
작업이 끝나면 무엇을 검수해야 하는지

이런 것들이 작업규칙 안에 전부 들어가 있음

잘 정리된 작업규칙을 가진 AI와
아무것도 없는 상태에서 시작한 AI는 결과물에서 차이가 날 수밖에 없음

그래서 예전부터
AI로 당장 대단한 걸 만들려고 하지 않아도 된다고 계속 말했음

일단 많이 대화해보고
궁금한 걸 계속 질문해보고
내가 좋아하는 방식과 싫어하는 방식을 알려주면 됨

메일 정리나 글쓰기처럼
간단한 내 일부터 하나씩 맡겨보는 것도 좋음

결과물이 마음에 안 들면
그냥 다시 만들어달라고 끝내지 말고
어떤 부분이 별로였는지 구체적으로 알려줘야 함

말투가 너무 딱딱하다
문장이 전부 ‘다’로 끝난다
내용이 너무 광고 같다
내가 평소에 쓰지 않는 표현이 들어갔다

이런 피드백이 하나씩 쌓이면서
AI가 점점 내가 원하는 결과물을 만들게 됨

이 작업규칙을 보통 하네스라고 부르는데
처음부터 거창하게 만들 필요도 없음

좋은 글이나 마음에 드는 결과물을 발견하면
그냥 AI한테 그대로 복붙하면 됨

그리고 이렇게 말하면 됨

“나는 이 결과물의 말투와 구성, 정보 전달 방식이 마음에 들어
왜 좋아 보이는지 분석하고
앞으로 비슷한 작업을 할 때 적용할 수 있는 작업규칙으로 정리해줘”

좋은 사용 방법을 발견했을 때도 똑같음

그 방법을 복붙하고
내 작업에서는 어떻게 활용할 수 있는지 물어본 다음
괜찮은 내용만 작업규칙에 추가하면 됨

이후에 실제 작업을 시켜보고
아쉬운 디테일을 계속 수정해나가는 거임

여러분의 AI가 내 것보다 지능이 낮아 보인다면
대부분 모델 성능보다 이런 작업규칙의 차이가 큼

AI를 자주 바꾸는 것보다
내가 원하는 방식을 계속 알려주고 쌓아두는 게 먼저일 수도 있음

그렇게 사용하다 보면 어느 순간부터
매번 길게 설명하지 않아도 내가 원하는 방향으로 먼저 작업하기 시작함

[Hyun Yang @hyangkk]

유튜브 구독 채널에 올라온 긴 영상이나 라이브를 다 챙겨보기엔 너무 길지 않나요?

관심 내용만 빠르게 훑어볼 수 있도록 유튜브를 뉴스레터처럼 글로 받아볼 수 있게 해주는 서비스를 만들었어요.

유튜브 채널만 넣어두면 신규영상 뉴스레터가 이메일로 옵니다!

[펭귄 @babybluecream]

GPT 공부법ㅣ260822

1. 제일 먼저 스터디 모드를 켜는 것부터 시작함

챗지피티 프롬프트 창에서 도구 메뉴를 열고 스터디 앤 런을 고르면 됨

그다음 내가 뭘 공부하는지 내 수준은 어디인지 어떤 도움을 원하는지를 말해주면 됨 또는 https://t.co/NvtE6EgdTi 로 바로 들어가도 됨

이거 하나만 켜도 답 뱉는 기계가 질문 던지는 코치로 바뀜

2. 공부 자료를 통째로 올려두고 시작하는 게 실전에서 제일 큰 차이를 만듦

강의 슬라이드 리딩 필기 필요한 자료를 다 업로드한 뒤 스터디 모드로 전환하는 방식임 GPT가 내 교재 안에서만 놀게 되니까 엉뚱한 일반론이 확 줄어듦 자료 없이 물으면 인터넷 평균값이 나오고 자료를 깔면 내 시험 범위가 나옴

3. 첫 프롬프트에 맥락을 최대한 구체적으로 박아넣는 게 핵심임

예를 들어 나는 기초 화학을 공부 중임 간단한 반응식 균형은 아는데 산화환원이 들어가면 막힘 한 단계씩 질문해주고 내가 논리를 설명하기 전엔 최종 답을 주지 말라는 식으로 조건을 거는 것임

수준 아는 것 막히는 지점 마감일을 한 번에 던지면 눈높이가 즉시 맞춰짐 막연히 알려달라 하면 시간만 날아감

4. 연습문제를 올린 뒤 새 문제를 뽑아 스스로 풀고 오답을 해부하는 루프가 가장 강력함 연습시험을 올리고 그 개념들로 새 문제 다섯 개를 만들어달라 한 다음 내가 다 풀고 나서 각 문제의 정답 풀이를 단계별로 짚어주고 내 논리가 어디서 틀어졌는지 설명해달라 하는 방식임

정답 확인이 아니라 내가 어떻게 틀렸는지를 보는 게 진짜 학습임 이걸 반복하면 패턴 인식이 아니라 실제 풀이 근육이 붙음

5. 틀린 것만 모아 약점 소주제를 뽑고 거기에 맞춘 미니 레슨을 받는 게 시간 대비 효율이 최고임 내가 놓친 문제들을 근거로 지금 복습해야 할 핵심 소주제 세 개를 뽑아달라 하면 그 빈틈에 맞춘 짧은 강의를 만들어줌

잘하는 단원 다시 보는 건 마음만 편하고 점수는 안 움직임 못하는 세 개만 파는 게 벼락치기보다 훨씬 남음

6. 시나리오 문제를 하나씩 던지게 하고 선택지마다 왜 맞고 틀린지 캐묻는 드릴이 실전 감각을 만듦

이 주제를 가르치되 시나리오 문제를 하나 주고 내 답을 기다린 뒤 각 선택지가 왜 맞고 틀린지 설명해달라는 프롬프트를 씀 한 번에 한 문제씩 내가 먼저 답하고 그다음 해설을 받는 리듬이 중요함 실제 시험 문제는 함정형이라 이 방식이 잘 먹힘

7. 복습 스케줄은 간격 반복 날짜를 아예 숫자로 짜달라 하는 게 실전임 1 3 7 14 30일 리뷰를 자동으로 잡아주고 인출 방식을 섞어가며 진행 상황을 추적하게 설계할 수 있음

오늘 배운 걸 이틀 뒤 다시 일주일 뒤 다시 되돌아오는 구조로 만들면 기억이 오래 감 원하면 앙키용 CSV 카드로 뽑아달라 해서 플래시카드로 바로 넘길 수도 있음

8. 파인만식으로 내가 GPT에게 설명하고 채점받는 걸 한 사이클씩 끼워넣어야 함 개념을 내 말로 쉽게 풀어 설명하면 GPT가 학생 역할로 허점과 빠진 부분을 지적하게 하는 방식임 파인만 봇으로 배운 그룹이 수동적으로 배운 그룹보다 회상 성적이 높았음 설명하다 막히는 지점이 곧 내가 진짜로 모르는 지점임

9. 시기별로 스터디 모드를 켰다 껐다 하는 운용이 고수들의 실전 팁임

개념을 익히는 학습 단계에선 스터디 모드를 켜서 소크라테스식으로 천천히 가고 문제를 대량으로 빠르게 도는 시나리오 드릴 주간엔 스터디 모드를 꺼서 속도와 물량을 확보하는 식임

느리게 이해할 때와 빠르게 반복할 때를 구분해야 함 계속 소크라테스식으로만 가면 진도가 안 나가고 계속 답만 받으면 안 남음

10. 마지막은 검증과 과의존 방지임 이걸 안 하면 앞의 아홉 개가 다 무너짐

특히 자격시험처럼 버전이 있는 시험은 공식 시험 요강 파일을 프로젝트에 올리고 요강에 없는 내용은 없다고 명확히 말하라 옛 버전은 참조하지 말라고 지시를 박아둬야 함

안 그러면 옛 버전과 신 버전을 섞은 그럴듯한 오답이 나옴 중요한 사실은 늘 원출처로 다시 확인하는 게 안전함

2025년 실험에서 챗봇으로 공부한 쪽이 사십오 일 뒤 시험에서 57.5 퍼센트

전통 방식이 68.5 퍼센트를 맞혔는데 편함에 기대 힘든 사고를 넘겨버리면 기억에 안 남는다는 뜻임

GPT는 나를 굴리는 도구일 뿐 사고는 끝까지 내가 떠안아야 실력이 됨

[Builder 수달 @sudal_builder]

직원 0명
Mac mini 1대
자동화 49개

국내 한 1인 사업가가 커뮤니티 운영하며 만든 실제 시스템입니다

게시물 발행, 글감 수집, 고객 카톡, 회의록 정리까지 자동으로 돌아가는데요

다른 사람도 가져다 쓸 수 있는 AI 에이전트 Skill 15개를 GitHub에 공개했습니다

제품 데모 영상 제작
전자책 PDF 변환
블로그 글쓰기
회의록 등록
카카오톡과 메일 처리
매일 아침 자료 브리핑 등이 들어 있습니다

Claude Code, Codex, OpenCode처럼 SKILL.md를 읽는 에이전트에서 사용할 수 있습니다

이번 주에 세 번 이상 반복한 일 하나부터
여기 공개된 Skill로 줄여보면 좋을 것 같습니다

이건 일단 저장해 둬야겠네요

[HONG (홍) @HONG3BUSAN]

@sonsarang3814 NFT팔아서 돈 번거아님?

[빈누 @ffreedomkr]

내가 AI외 함께 발표자료를 만드는 과정을 정리해본다.

1. 일단 관련된 자료를 AI가 쉽게 참조하고 읽을 수 있도록 모두 모아둔다.

2. 이 발표의 목적과 듣는 사람이 누구인지, 시간은 어느정도인지, 언어나 발표 톤은 어떤지, 이 발표를 듣는 사람이 내 발표가 끝났을때 무엇을 얻어야 하는지 등 기본 정보를 셋팅해준다. (어디에 기본 문서로 저장하게 해둔다. 나는 보통 north-star.md 라는 파일로 저장하게 함)

3. 기본적인 스토리 라인은 md 파일로 만들고 최종 결과물은 html로 만든다. PPT 파일로 만드는 것보다 iteration이 간단하다.

4. 기본 정보가 다 정리된 상태에서 내가 전달하고 싶은 스토리 라인을 대충 정리해서 AI한테 준 뒤, 여기에 맞춰서 좀 더 살을 붙이고 슬라이드 개요를 짜보라고 한다. (이정도 공을 들여서 시작을 해도 이때 나온 슬라이드를 그대로 사용하는 경우는 거의 없다)

5. 발표의 중요도에 따라서 AI가 제공한 대략적인 스토리 라인이 충분한 경우도 있을 수 있겠지만, 대부분의 경우는 여기에서 아이디어 정도만 얻고 한 장 한 장 다시 만들어나가는 경우가 많다.

6. 이런 작업을 몇 차례 반복하며 각 장표 별로 메인 아이디어를 정리한다.

7. 아이디어가 정리되면 해당 장표의 제목, 디자인 구성, 컨텐츠 등을 하나씩 정리한다. 보통 "뫄뫄한 느낌이 드는 제목을 10개 뽑아봐" 혹은 "이러이러한 메세지를 직관적으로 이해할 수 있는 레이아웃 배치를 5개 만들어봐" 하는 식으로 AI를 활용함. 이때 다양한 형용사, 다양한 스타일 키워드, 다양한 방식(html, diagram, chart, info graphic 등등)으로의 구현을 해보라고 구체적으로 일을 많이 시키는 것이 중요함.

8. AI와 티키타카를 하다보면 그 중에 괜찮은 아이디어를 픽 할때도 있고, 약간 영감을 받아서 발전된 아이디어가 나올때도 있음. 그런 부분을 한장 한장 한땀 한땀 완성해감.

9. 효과적인 애니메이션도 다양한 방식이 있을 수 있기 때문에 여러가지 제안해보라고 하면 해당 애니메이션을 한번에 볼 수 있는 html을 만들어주는 등 빠른 리뷰를 가능하게 해줌.

10. AI가 만들어주는 html의 장점은 여러가지 기능을 내 마음대로 추가할 수 있다는 점. PPT에 준하는 인터페이스나 네비게이션도 가능하고, 개인적으로는 항상 영문/한글을 토글할 수 있는 버튼을 하나 만드는데 공유할때 아주 간편하고 좋음. (개인적으로 내용을 충분히 이해해야하는 자료를 영어로 공유하는 것을 선호하지 않음. 😅)

진짜 기존에 내가 발표 자료 작업할때 대비 시간이 많이 줄었냐고 하면 그건 좀 애매한데. 확실히 퀄은 10배 좋아짐. 사실 대부분 더 하고 싶어도 한정된 시간으로 어느정도 하고 마는 경우가 많았는데 지금은 같은 시간으로도 아주 끝까지 밀어붙일 수 있다는게 큰 차이점이라고 할 수 있겠다.

[빈누 @ffreedomkr]

회사에서도 보면 좀 AI 잘 쓴다 하는 사람들이 뭔가 자동화 툴을 만들어서 업무 효율 올리는 사람들이 많음. 그들이 조직 내 탑 티어인 사람들인데... 이제 그 위로 올라가려면 새로운 생각의 전환이 필요하다.

정해진 일을 정해진 방법대로 수행하는 도구를 만드는게 아니라, AI에게 일을 시키면 AI가 그 일에 맞는 방법을 찾아서 수행하게 시켜야한다. 결론적으로는 비슷한 코드나 비슷한 툴을 만들어서 수행하겠지만 실행의 주체가 AI가 된다는 것이 아주 핵심적인 차이다.

이것을 인지해야 그 다음 단계로 갈 수 있다. 인간은 빠져야된다. 최종 검증 단계에서 기다리고 있어야하는 것이 인간의 역할이 되었는데, 아직도 많은 사람들이 자기가 모든 키를 쥐고 AI를 움직여야 한다고 생각하고 있다. #빈누에이아이노트

[HONG (홍) @HONG3BUSAN]

@ffreedomkr ㅋㅋㅋ저는 제조업인데 AI좀 하라네요

[Miles Deutscher @milesdeutscher]

I've officially cloned myself with Claude.

Every process that used to live in my head - scripting videos, finding outlier content, closing deals - now runs on autopilot.

I automated 80%+ of my life, and this system is 10x better than an Obsidian second brain:

[AI 카페인 ☕️ @AI_Caffeine]

☕️ 장문의 글 요약은 잘하는데,
정작 “그래서 이 개념들이 어떻게 연결되는 건데?”에서 막히는 경우 많음.

GitHub 2.8k Star `ai-knowledge-graph`는
보고서나 회의록, 기술 문서를 넣으면
내용을 `개체 → 관계 → 개체`로 풀어서 지식 그래프로 만들어줌. 🧠

그냥 요약문 몇 줄 주는 게 아니라
누가 무엇과 연결되는지, 핵심 개념이 어디에 모여 있는지
확대·필터·클릭으로 직접 따라갈 수 있음.

중복 개념은 최대한 합치고,
원문에 있는 관계인지 AI가 추론한 관계인지도 구분해줌.

OpenAI API 형식과 호환되고
Ollama·LM Studio·vLLM 같은 로컬 모델도 연결 가능.

연구 보고서, 회의록, 복잡한 기술 문서 볼 때
문단 100개 읽는 것보다 이걸로 구조부터 잡는 게 빠를 수 있음.

🔗Github https://t.co/x4z51N8MqI

#AI #AICaffeine #OpenAI #Github

[MagicAI @magic_ai_skill]

바이브 코딩으로 앱 만들어보고 싶다! 하면
그냥 만들지 말고 이것부터 확인하자

AI가 UI를 그럴듯하게 만들어도 내가 기준을 모르면 잘 만든 건지 아닌지조차 판단할 수 없음

레이아웃에는 다 검증된 형태가 있고
UI 요소마다 이름도, 역할도, 중요도도 전부 다름!!

모달, 토글, 칩, 플로팅 버튼, 헤더, 푸터, 네비게이션 바 등등...

대부분이 본래 앱 기획자가 아니었을 테니 어디에 무엇을 배치해야 하는지, 왜 그렇게 하는지 잘 모를 것

문제는 그 상태로 바이브코딩을 계속하게 되면 뭐가 뭔지 모른 채로 [점점 감에만 의지하게 되고] 나 또한 기획자로서 성장해야 하는데 전문성 한계가 옴, 아까운 시간낭비가 될 수도 있음

👇이 좋은 사이트에 UI명칭과 활용법이 아주 잘 정리되어 있음 (코멘트 확인)

AI한테 사이트를 통으로 학습시켜도 좋음(예: "이 사이트 내용을 학습해서 UI 요소를 더 적재적소에 풍부하게 써줘") #광고아님

[GUTE_RachelHan @GuteslaX]

AX 전환을 “AI를 도입하는 일”로 참 많은 강의들이 판을 깔고 다닌다 ㅍㅎㅎ
글쎄.. 챗봇을 붙이고, 문서를 요약하고, 회의록을 만들고, 데이터를 분석하게 하는 것도 변화의 일부다.

그러나 그것만으로 기업의 일하는 방식이 바뀌지는 않는다.

AX의 본질은 기업이 가진 실행 능력을 AI 시대에 맞게 “전부” 다시 짜는 데 있다. 기업은 시스템이 많다고 잘 움직이지 않는다.

고객의 요구를 읽고, 시장 변화를 판단하고, 상품을 기획하고, 내부 자원을 배분하고, 문제를 감지하고, 리스크를 줄이고, 의사결정을 실행하는 능력들이 맞물려야 한다.

이 능력들을 일단 기업의 Capability이라고 추상화 히자.

기존의 디지털 전환은 사람이 하던 일을 시스템에 올리는 방식이었다. 데이터를 입력하고, 저장하고, 조회하고, 보고하는 구조를 만드는 데 초점이 있었다. 그 결과 많은 기업이 ERP, CRM, 그룹웨어, 데이터베이스, 대시보드를 갖추게 됐다.

하지만 데이터를 보고 판단하고, 여러 시스템을 오가며 실행하는 일은 여전히 사람에게 많이 남아 있었다.(삽질.. 노가다..)

AX는 이 지점에서 한 단계 더 나아간다.
(a.k.a DX 시즌2 일수도)

AI가 데이터를 읽고, 상황을 이해하고, 필요한 시스템을 호출하고, 대안을 만들고, 경우에 따라 실행까지 도울 수 있어야 한다. 그러려면 기업의 업무가 AI가 이해하고 다룰 수 있는 단위로 정리되어야 한다.

따라서 AX의 출발점은 “어떤 AI 모델을 쓸 것인가”가 아니다. 더 중요한 질문은 “우리 기업의 어떤 실행 능력을 AI와 함께 수행할 수 있는 구조로 바꿀 것인가”다.

예를 들어 고객 대응을 보자.

기존에는 담당자가 고객 문의를 읽고, 과거 이력을 찾고, 내부 정책을 확인하고, 관련 부서에 물어보고, 답변을 작성한 뒤 필요하면 승인을 받아 회신했다.
문제는 시스템의 부재가 아니다. 실행 과정이 사람 중심으로 흩어져 있다는 점이다…..

AX는 이 흩어진 과정을 다시 정리한다.

고객 이력 확인, 계약 조건 조회, 내부 정책 확인, 유사 사례 검색, 답변 초안 작성, 승인 요청, 최종 회신, 사후 기록까지 하나의 실행 흐름으로 묶는다.

여기서 중요한 것은 AI가 문장을 잘 쓰는지가 아니라 AI가 어떤 정보를 봐야 하는지, 어떤 시스템에 접근할 수 있는지, 어느 단계에서 사람의 승인이 필요한지, 실행 결과를 어디에 남겨야 하는지가 설계되어 있어야 한다.

상품 기획도 마찬가지다. 시장 자료를 찾고, 고객 반응을 분석하고, 경쟁 제품을 비교하고, 가격 시나리오를 검토하고, 내부 자원을 확인하고, 기획안을 작성하는 일은 여러 사람과 부서에 나뉘어 있다.

AX 관점에서는 이 흐름을 AI가 함께 수행할 수 있는 구조로 다시 구성할 수 있게 해야한다.

AI가 시장 데이터를 찾고, 경쟁 구도를 정리하고, 고객 반응을 분류하고, 여러 기획안을 제안할 수 있다. 다만 최종 판단과 책임은 여전히 사람에게 남는다.(휴먼인더루프 뿌잉)

에이전틱 AI의 아키텍처를 실제로 설계해본 분들은 이 지점을 이해할 것이다.
에이전트는 좋은 모델 몇개 붙인다고 작동하지 않는다.
목표를 해석하고, 필요한 도구를 고르고, 여러 API를 호출하고, 중간 상태를 기억하고, 실패했을 때 다시 시도하고, 필요하면 사람에게 승인을 요청하는 구조가 함께 있어야 한다. 에이전틱 AI는 모델의 문제가 아니라 실행 구조의 문제다.

AX도 마찬가지다.

AI에게 “알아서 해보라”고 맡기는 방식으로는 작동하지 않는다. AI가 실제로 일할 수 있도록 기업의 업무 구조를 정리해야 한다.
업무를 서비스 단위로 나누고, 필요한 데이터와 시스템을 연결하고, API로 호출 가능하게 만들고, 승인과 기록, 권한과 예외 처리를 붙여야 한다.

이 과정에서 사람의 역할은 사라지지 않는다.
(초기에 의외로 노동 집약적임)

반복 조회, 단순 비교, 초안 작성, 후보 탐색, 위험 신호 감지는 AI가 맡을 수 있다. 대신 사람은 최종 판단자, 승인자, 감독자, 예외 처리자의 역할을 맡는다. AX가 제대로 작동하려면 사람과 AI의 역할이 모호해지는 것이 아니라 더 분명해져야 한다.

더 나아가 볼까.

이 변화는 돈의 흐름도 바꾼다.

지금까지 소프트웨어 시장의 돈은 시스템 구축비, 라이선스, 유지보수, SaaS 구독료에서 많이 나왔다. 그러나 AX가 본격화되면 기업은 단순히 시스템 사용료를 내는 것이 아니라, 특정 실행 능력이 개선되는 데 돈을 내게 될것이다.

고객 문의를 더 빨리 처리하는 능력, 기획안을 더 빠르게 만드는 능력, 리스크를 더 일찍 감지하는 능력, 의사결정 시간을 줄이는 능력 자체가 상품이 된다.

이 관점에서 보면 AI 시대의 부가가치는 모델 자체에만 머물지 않는다. 모델은 인프라가 되고, API와 토큰은 사용량을 계산하는 단위가 된다. 기업이 실제로 돈을 지불하는 지점은 자신들의 일이 더 잘 돌아가게 되는 곳이다.

1/2

[Miguel Ángel Durán @midudev]

¡Esta web es una salvajada! Hubiera sido espectacular aprender con estos recursos en mi época.

Ilustraciones en 3D, interactivas y vivas
Usa Three.js para las animaciones

Web: https://t.co/rpPNOdjiv5
Código: https://t.co/fGvbmrsfcS

[정당밥 @FrenchOtsuka]

@윈도우쓰는 누나들께 아빠가 창 옆에 붙여쓰는? 메모장 프로그램을 만드셨다는데 다운로드한번씩만해조잉 https://t.co/POsoaMfycp

우리누나 아버님이 멋진 걸 만드셧다고 해요

[som @somnote_]

[7/26~27 기간 한정 무료 배포] 딸깍 클릭 한 번으로 내 노션과 연동되는 갠홈을 만들 수 있는 somchive.os beta입니다 🤍 템플릿+상세 가이드+갠홈 링크를 모두 무료로 드려요

📸갤러리
💿 플레이리스트
🗂️ 게시판
🗓️ 캘린더
💭 방명록
🔖 바로가기

🔻무료 다운
https://t.co/hiA07JnTvY

[som @somnote_]

내 노션이랑 동기화 되는 메모 pc 앱 그냥 미친거죠..너무 편해 이미지 업로드랑 체크리스트, 카테고리 변경까지 싹 잘되네요 >ㅁ<

[Guillermo Casaus @_guillecasaus]

Este tipo explica cómo crear páginas web 3D animadas con Grok 4.5.

Un tutorial de 12 minutos donde muestra paso a paso cómo utilizar la IA para diseñar interfaces con animaciones de forma prácticamente automática.

🔖 Guárdalo. Vale cada minuto.

[이지붕 @jiboonglee]

진짜 정성 가득 세세한 블로그 팁임
제목 어케 짓는게 나은지도 알려줌
북마크 하시고 정독하면서 글 하나 따라서 써보시는 곳 추천드립니다

[Yarchi @undefinedKi]

Everyone's telling you to build a Second Brain. Nobody ever explains what you'd actually do with it

The Karpathy's LLM wiki setup is great. It's simple, it's free, and for your own notes it's enough.

But it's the toy version. The grown-up version is RAG, and that's what actual companies are built on.

Same goal, different scale. Instead of showing the model everything and hoping it finds the answer, RAG fetches only the pieces that matter for each question and answers from those, with the source attached.

What that gets you:

> It works at any size. A folder of notes or a company's entire document history, doesn't matter.

> It doesn't hallucinate. Every answer traces back to a real document.

> It's cheaper. The model reads a few relevant pages, not your whole library, every single time.

> It answers what nobody wrote down. It connects pieces across all your files and gives you the answer that never existed in one place.

Glean is worth $7.2B doing this for company knowledge. Harvey is at $11B doing it for law. Sierra at $16B for customer support.

Every business sitting on a pile of documents needs this and can't build it. You can build it and sell it.

And the engineers who've actually shipped one get paid a premium over everyone else.

Same skill behind all of it.

Bookmark this