chiyodad 🍅

토마토를 먹어야 한다 #12월 #weirdmeetup #이상한모임

[chiyodad 🍅 @chiyodad]

그래서 다시 본론으로 돌아와서 ERP라는 제품군(프로덕트는 기니 제품이라고 해야겠다)부터 알아보자.
ERP는 Enterprise Resource Planning 을 돕는 소프트웨어 제품이다. 독보적인 전세계 점유율 1위이나 ERP의 시조새인 SAP 홈페이지에 설명이 굉장히 잘 되어 있다. https://t.co/GROMIV1m7Y

[asbubam @asbubam]

https://t.co/clMwce6zYr 에서 다양한 취미/주제(?)라고 써놓고 엄청난 깊이의 아마추어(?) 제작자들의 책들을 구경할 수 있다.
우리나라도 이런 시장이 있으면 좋을텐데 하는 생각이 든다.

[구루 @xguru]

https://t.co/bmqwcJXh2C

[향로 @jojoldu]

사내 블로그에 지난 AX 경험기를 정리하려다가, 먼저 초안을 공유하고 그걸 본 분들이 궁금해하시는 내용 위주로 좀 더 보강하자는 생각에 초안을 먼저 공유합니다.
(아직 다 정리된 건 아니에요!)

누적 가입자 수 165만 명, MAU 54만 명의 교육/채용 플랫폼인 인프런/랠릿 서비스를 운영하는 저희는 56명의 팀원이 함께하고 있습니다.
이 안에서 제품 조직은 26명, 운영/사업은 30명으로 운영되고 있으며, 각 제품 스쿼드는 4-6명으로 구성되어 있고, 요즘은 1-4인 스쿼드를 실험적으로 도입 중입니다.

엔지니어링 헤드, 데브옵스 팀장 등 명시적 리더 없이 CTO와 다이렉트로 일하고 있으며, 데브옵스 조직은 제 직속이고 각 스쿼드의 PM 분들이 매니저로서 일하고 있습니다.

AX 전환에 대한 인사이트를 나누는 글들을 보면, 정작 그 인사이트가 어떤 맥락과 환경에서 나온 것인지에 대한 자세한 설명이 부족한 경우가 많다고 느낍니다.
조직마다 규모, 예산, 인프라가 다 다른데 그 전제가 빠지면 좋은 인사이트도 내 상황에 그대로 옮기기 어렵습니다.

저는 오히려 작은 조직일수록 AI 네이티브한 일하는 방식을 훨씬 빠르고 과감하게 실험해 볼 수 있다고 생각합니다.
실제로 그런 실험적인 시도를 앞장서서 보여주는 쪽은 인디해커나 소규모 스타트업인 경우가 많습니다.
다만 그 경험을 300명, 500명, 2,000명 규모의 조직에 옮기려면 조직 구조, 의사결정 방식, 인프라의 복잡도가 달라져서 손봐야 할 지점이 꽤 있을 겁니다.
반대로 큰 조직의 경험을 작은 조직에 그대로 옮기면 과한 프로세스가 되기 쉽습니다.
결국 어느 쪽 경험이든 규모가 다른 조직에 그대로 이식하기는 어렵고, 그만큼 서로의 맥락을 참고하는 게 중요하다고 생각합니다.

사업 규모나 형태도 다를 테고, 보안 레벨도 다르고, 사용할 수 있는 AI 플랜과 할당된 AI 예산도 다르기도 합니다.
(엔터프라이즈 플랜을 쓸 수밖에 없어서 월 15억을 AI 예산으로 잡았는데, 40억 이상이 사용돼 AI 사용에 대해 전체적으로 재점검하는 경우도 있죠.)
구축된 시스템 레벨, 연관된 저장소의 수, 크기, 흩어진 조직 맥락의 크기 등도 서로 너무 다릅니다.

그래서 어떤 조직의 여정이 공유될 때는 항상 그 조직의 맥락도 함께 봐야 한다고 생각하기 때문에 저희의 맥락을 먼저 이야기해 드립니다.
비슷한 조직이시라면 도움이 되실 것 같고, 규모가 다르시다면 참고용으로만 보시면 좋을 것 같습니다.

저희 조직은 AI 도구를 작년 11월부터 본격적으로 사용하기 시작했습니다.
저희 팀의 경험을 돌이켜보면

1. AX를 통해 효율을 증명하더라도, 구체적인 일정 규모 이상의 회사의 성과를 달성했는지는 아직 시간이 필요한 것 같음.
"효율이 좋아진 것"과 "효과가 좋아진 것"은 다른 얘기임.
연매출 100억(거래액 말고 순매출) 이상 규모에서 AX로 50%, 100%, 200% 성장했다는 회사는 주변에서 못 봤음.
이 규모에서 지금까지 증명된 건 "예전 성과를 더 적은 사람으로 낼 수 있다"까지고, "더 큰 성과를 낸다"는 사례는 아직 못 봤음.

2. "A->B->C로 일하면 100의 성과를 낼 수 있다"처럼 어떤 방식으로 하면 어느 정도 성과가 난다는 형식지가 이미 구축되어 있으면, AI가 빠르게 자동화하고 효율을 높이는 데 도움을 줌.
다만 500의 성과를 한 번도 내 본 적 없는 조직이 AI로 500을 내는 건 아직 어려워 보임.
(테슬라 모델 3 사례가 그랬음.
초기에 완전 자동화를 밀어붙였다가 생산이 막혔고, 머스크도 2018년 4월 "과도한 자동화는 실수였다. 인간은 저평가됐다"고 인정함.
이후 로봇이 좌석을 옮기기만 하고 나사 조립과 배선은 사람이 마무리하는 식으로 공정을 다시 나눴음.
머스크가 나중에 정리한 원칙인 "요구사항에 의문을 제기하고, 불필요한 단계를 지우고, 단순화하고, 속도를 높인 다음 마지막에 자동화하라" 도 결국 검증 안 된 프로세스부터 자동화하면 실패한다는 같은 얘기임.)

3. AI로 성과를 더 내기 위해서 관리해야 할 대상은 동기부여임.
의지 없는 팀원에게 AX 하라고 하면 딱 시키는 대로만 AI를 씀.
회사가 정해 놓은 규칙대로만 쓰고, 결과는 책임지지 않음.
리더가 시키는 대로는 다 했으니까.
근데 이러면 AI는 최악의 도구가 됨.
AI는 비결정적 도구라서 세 번, 다섯 번 한다고 원하는 결과가 나온다는 게 보장 안 됨.
즉 능동적인 사람에게는 유효하지만 수동적인 사람에게는 전혀 도움이 안 됨.
회사가 빡빡한 가이드라인을 만들면 결국 구성원들은 그 가이드대로 시키는 대로만 하는데, 원하는 결과가 안 나올 때 더 주도적으로 방법을 바꿔가며 노력해야 하는 게 거의 불가능해짐.
결국 요즘 시대에 리더에게 가장 요구되는 것은 팀원들의 동기부여임.

4. 돈만 내면 누구나 최고급 모델(Fable 5, GPT 5.6 xhigh 등)을 쓸 수 있다면, 조직 간 경쟁력과 해자는 뭐가 될까 고민하게 됨.
잊으면 안 되는 건, 이게 인간 vs AI 경쟁이 아니라 "같은 AI 도구를 쓰는 조직 대 조직" 의 경쟁이라는 점임.
경쟁사도 나랑 똑같은 도구를 쓰는데, 그럼 우리는 뭘로 격차를 벌리고 경쟁력을 키우느냐가 남는 질문임.
같은 도구를 쓴다고 같은 결과물이 나오지 않는다는 건 다들 이미 알고 있음.
결국 예전과 비슷하게, 그 도구를 쓰는 조직 구성원의 역량이 경쟁력이 됨.
조직의 역량은 얼마나 좋은 사람을 채용하고, 얼마나 잘 트레이닝시키고 동기부여하느냐의 문제일 수밖에 없음.
조직의 미션, 비전, 문화, 프로세스가 여전히 강력한 경쟁력이 될 수밖에 없음.

5. 그런데 최근 보면 "돈만 내면 누구나"라는 전제 자체가 흔들리고 있긴 함.
Fable 5 같은 최고급 모델이 정액제에서는 못 쓰고 종량제에서만 쓸 수 있게 바뀌는 중임.
지금까지는 작은 회사가 팀플랜이나 개인 정액제로 거의 무한에 가까운 토큰을 아주 저렴하게 쓰고, 큰 회사는 엔터프라이즈 플랜을 쓸 수밖에 없어서 인당 200-300만 원씩 지원하면서도 개인당 토큰량은 Max 5x에도 못 미치는 경우가 있어서, 오히려 이 영역이 작은 회사가 가지는 경쟁력이였음.
근데 최고급 모델이 정액제에서 빠지면 얘기가 달라짐.
종량제 비용을 감당할 수 있는 회사와 감당하지 못하는 회사로 나뉘게 됨.
즉, 고급 모델을 쓰는 회사 vs 중~저급 모델을 쓰는 회사의 경쟁 구도도 가능함.
이 격차는 더 벌어질 것 같음.
(팀플랜도 결국 종량제로 바뀔까 걱정임.)

우리가 갖고 있는 많은 전제에서 "모델이 계속 발전하는 것" 을 우리 모두가 "충분히 사용" 할 수 있다는 전제위에서 AI 네이티브 논의가 많은데,
우리 회사가 그 좋은 모델을 쓸 수 있는 여력이 있는가,
쓸 수 있다고 해도 얼마나 많이 사용할 수 있느냐,
이에 따라 회사의 운영 방식이 크게 달라짐.

우리가 사용중인 월 $125의 프리미엄 시트, 월 $200의 Max 20x에서는 Fable과 같은 고급 모델을 사용하지 못하고, 대기업 혹은 그에 준하는 큰 투자를 받은 회사들에서는 그걸 적극적으로 쓴다면 무엇으로 경쟁할 것인가? 라는 질문이 남음.

타사보다 낮은 모델을 사용하면서도 타사와 경쟁한다면, 우리는 무엇을 해야 할까? 같은 고민을 시작하게 됨.

[지적 자산]
6. 그동안 팀이 어떤 데이터를 쌓아 왔느냐에 따라 퍼포먼스 차이가 많이 남.
팀 컨벤션 문서가 이미 관리되고 있는지, 테스트 코드를 이미 작성하고 있는지, Jira나 컨플루언스 등에 의사결정 과정을 계속 기록해두고 있는지 등, 팀의 암묵지와 형식지가 얼마나 쌓여 있느냐에 따라 결과가 다름.

7. 회사의 암묵지가 뭔지조차 모르겠다면, 모든 사내 회의를 녹음하는 것부터 시작하면 좋음.
문서로 정리된 것들에는 결과와 후속 액션 정도만 남고, 회사의 진짜 암묵지, 지적 자산은 "의사결정 과정" 그 자체임.
구글의 [아키텍처 결정 레코드](https://t.co/kgL6Ks7ugO)처럼 의사결정 과정 자체를 기록으로 남기는 프레임워크가 있어야 함(여기서 프레임워크는 특정 기술을 의미하는 게 아님).
그때 왜 그런 의사결정을 내렸는지 맥락이 남지 않으면, 조금만 응용된 상황이 와도 성공 경험을 전혀 활용하지 못하고 전혀 다른 의사결정이 나오게 됨.
그러면 AI도 완전히 다른 맥락을 갖게 됨.

8. 녹음 말고 암묵지를 형식지로 만드는 또 다른 방법은, 전담 인력을 그 팀 안에 제대로 밀어 넣고 한 팀으로 일하게 하는 것임.
그 인력이 옆에서 팀원들이 일하는 걸 보면서, AI가 참고할 수 있는 형식지를 계속 뽑아내게 하는 방식임.

[도구]
9. 전사 업무 생산성을 크게 높여준 건 KB(Knowledge Base), 각종 MCP(아틀라시안, 구글 캘린더, 지메일, 빅쿼리, 믹스패널, 데이터독, 깃허브), FDE의 침투(백엔드 엔지니어 한 명이 마케팅 팀 소속의 AX 엔지니어로 옮겨서 일하는 것)였음.

10. AI 도구는 파편화하지 않고 단일 도구로 통일하는 게 좋음. Claude, OpenAI, Gemini 등을 다 같이 쓰게 하기보다는, 전사 AI 도구는 이걸로 간다고 하나를 확정하고 그 안에서 개개인의 노하우를 공유하면 다 같이 효과를 보는 형태로 가야 함.
도구가 파편화되면 노하우도 분산됨.
예전에는 각자 자기한테 가장 잘 맞는 도구를 쓰게 뒀는데, 노하우를 한곳에 모으는 것보다 개개인에게 맞는 도구를 쓰는 게 전체 합이 더 컸기 때문임.
그런데 AI는 가능성과 확장성이 거의 무한대라 한계효용의 법칙이 잘 안 통함.
그래서 수십에서 수백 명이 하나의 도구를 쓰면서 플러그인, 스킬, MCP, 프롬프트 가이드 같은 노하우를 거기에 집중시키는 게, 개개인 입맛에 맞는 도구를 따로 쓰게 하는 것보다 훨씬 나은 조직 성과를 냄.

11. MCP를 연결해도 문서 탐색은 결국 문서 도구의 검색 결과에 의존함.
LLM이 전사 데이터를 다 들고 있는 게 아니라, 우리가 자연어로 질의하면 그걸 문서 도구의 검색 스펙에 맞는 조건으로 바꿔서 대신 호출하는 구조임.
그러니 아무리 데이터를 연결해도, 내가 찾는 그 데이터를 실제로 가져오는 건 LLM 성능보다 문서 도구의 검색 품질이 더 중요함.
그래서 검색 품질이 좋은 도구를 써야 하고, 잘 지원되는 문서 도구에 사내 문서와 데이터를 모아둬야 함(아틀라시안 제품 등).

[인프라]
12. AI 환경에서 가장 안전한 방법은 데이터와 환경을 버전 관리가 되도록 관리하는 것임.
즉 Git을 도입해야 함. 회의록, PRD도 버전관리가 되는 환경에서 작성돼야 함.
AI는 비결정적 도구라 여러 번 작업한다고 항상 더 나은 결과가 나온다는 보장이 없고, 잘못 실행돼서 결과물이 날아가는 경우도 많기 때문임.
git 도입이 어렵다면 최소한 전사 문서 도구만큼은 항상 버전 관리가 되는 걸 써야 함.

13. IaC & GitOps를 꼭 구축하기를 권장함.
GitOps 환경이 되면 개발팀이 인프라팀에 Jira 티켓으로 요청하는 대신 PR로 직접 인프라를 바꾸고 인프라팀은 리뷰만 하면 돼서, 요청 하나하나의 세부 맥락을 인프라팀이 다 짊어지는 부담이 크게 줄어듦.
본인이 Pulumi로 인프라를 직접 수정해보고 테스트 코드를 돌려서 깨지는 게 있는지 확인하고, 인프라 수정이 올라올 때 AI가 리뷰해서 코멘트를 남기는 도구까지 갖춰지고 나면 이런 환경이 주는 심리적 안정감과 속도감은 차이가 큼.
(물론 이건 리소스 설정값 수준의 검증이고, 실제 클라우드 동작까지 확인하려면 별도 통합 테스트가 필요함.)
롤백도 쉬움.
비슷하게 데이터베이스 테이블 관리도 flyway 같은 마이그레이션 도구의 필요성이 예전부터 강조돼 왔지만, 이젠 그게 더 커짐.
버전 관리가 가능한 데이터여야 AI가 의도와 맥락을 이해하고, 혹시 AI가 실수해도 되돌아가서 수정할 수 있음.

[보안]
14. DevSecOps가 대두되듯이 AISecOps도 필요하다고 느낌. DevOps 시대가 오면서 개발과 운영을 함께 보는 문화가 됐는데, 그 안에서 보안팀이 결국 병목이 되는 문제가 있음.
"덮어놓고 안 된다고만 하면 오히려 음지에서 AI를 쓰게 되고, 이게 더 큰 문제를 만듦".
팀의 생산성과 변화는 충분히 주면서 보안도 챙기려면, 보안팀이 AI를 더 잘 이해하거나 AI를 쓰는 사람이 보안을 공부하거나 둘 중 하나는 해야 함.
AI와 보안이 따로 있고 책임이 분리되어 있으면 서로 자기 시야로만 프로세스를 세우게 되는데, 이게 문제를 더 키움.
우리 팀은 원래 데브옵스가 보안을 같이 책임지는 구조라 AI도 이 조직을 중심으로 두고, 데브옵스와 AI와 보안을 한 조직에서 관리함. 편하게 쓰고 싶은 마음과, 최소한 지켜야 할 선이 어디까지인지는 항상 같이 고민할 수밖에 없음.

15. 토큰 비용이 아깝다고 AI 도구를 개인 계정으로 쓰게 해서는 안 됨.
클로드는 팀플랜(150명 이하)에서 정액제로 지원하니까 최대한 이 플랜부터 활용해야 함.
보안팀이 관리하지 못하는 형태로 AI를 쓰게 해서는 안 됨.
MCP를 통한 보안 사고가 너무 많아서 사내에서 화이트리스트로 MCP를 관리해야 하고, 특히 사내 데이터 접근을 AI에 열어줄 거면 절대 개인 계정에 열어두는 방식으로 가면 안 됨.

16. LLM API는 항상 AI Proxy 게이트웨이를 통과하도록 구축해야 함.
기존 API 모니터링은 요청 수(count) 기반으로 이상 패턴을 감지하고 알림을 보내고 추적했는데, AI API는 요청 수가 같아도 토큰 사용량에 따라 비용이 천문학적으로 차이가 날 수 있어서 count만 보는 기존 방식으로는 이 비용 이상을 못 잡음.
그래서 로깅, 알림, 모니터링을 토큰/비용 기준으로 따로 구축해야 하고, 이걸 하려면 중간에 게이트웨이가 필수적임.
구축된 것과 아닌 것의 차이가 큼.
서비스 개발 단계뿐 아니라 실제 서비스에서 나가는 AI 호출도 어디서, 얼마나, 왜 이렇게 나가는지 트래킹해야 함.

17. 구글 워크스페이스 계정이 사내에서 사용하는 서비스들의 Primary 계정이자 권한 단위가 되는 게 맞는 방향인 것 같음.
AI 도구, AWS, 데이터독, 아틀라시안, VPN(Tailscale) 등 대부분은 구글 워크스페이스를 SSO/IdP로 붙일 수 있음.
이후 결국 그 팀원에게 수많은 사내 서비스들의 권한이 어떻게, 어디까지 할당되어 있느냐를 추적/관리하기 위함임.

18. AI를 통해 누구나 자연어로 쉽게 비즈니스, 퍼널 데이터를 보게 만들고 싶다면 계정 단위로 테이블/컬럼 권한 관리가 가능한 도구에 데이터를 모아야 함.
예를 들어 빅쿼리 같은 전문 DW(데이터 웨어하우스) 도구.
단순히 조회용 RDB를 연결하는 방식도 있지만, 개인정보나 민감 정보를 컬럼/계정 단위로 세밀하게 막으려면 계정마다 개별 GRANT를 반복해야 해서 수백 명 규모로는 관리가 너무 복잡함.
조회용 RDB보다 빅쿼리 같은 전문 DW 도구가 유리함.
구글 계정과 바로 통합되고 정책 하나(정책 태그)로 여러 테이블에 걸쳐 컬럼 단위 접근을 관리할 수 있고, 행 단위 보안도 지원함.
DB 테이블, 마케팅 데이터(믹스패널 등), 프로덕트 릴리즈 데이터(서비스 출시 기록, DORA 메트릭 등)가 빅쿼리에 모여있고 계정 단위로 권한 관리까지 되면, MCP로 연결한 뒤 예전부터 이야기하던 "데이터가 흐르는 조직"을 AI의 도움으로 가능하게 할 수 있을 것 같음.
단, 온디맨드 과금은 쿼리가 스캔하는 데이터 크기만큼 부과되는 구조라 로그성 데이터까지 모두 담으면 비용이 늘 수 있음.
정액형(Editions/슬롯 예약) 과금이나 파티셔닝, 클러스터링으로 스캔량을 줄이는 방법을 함께 고려하는 게 좋음.

19. 해커도 AI를 사용하고, AI와 함께하는 해커는 우리가 쓰는 범용 AI보다 더 뛰어나다는 점을 잊으면 안 됨.
데이터독 같은 모니터링 도구를 잘 활용하면, 장애 로그를 AI가 분석해서 문제 해결 코드를 만들고 PR까지 올리는 과정을 자동화할 수 있음.
다만 브라우저나 앱 같은 클라이언트 사이드 에러를 수집하는 SDK를 통해 오히려 공격이 들어오는 경우가 있음.
2026년 6월 공개된 사례가 그런 경우인데, 정확히는 SDK 자체의 결함이 아니라 공개된 에러 수집 키에 조작된 데이터를 주입하고 AI 코딩 에이전트가 MCP를 통해 그걸 신뢰할 수 있는 지시로 착각해서 실행하는 방식임.
(예: https://t.co/LDudG9uPNI)
버그 수정까지 사람 개입 없이 완전 자동화하겠다는 건 둘 중 하나임.
우리 서비스가 해커 입장에서 공격할 만한 가치가 없을 만큼 작거나, 보안팀이 완벽하게 다 막아주고 있거나.
여러 모니터링 도구를 MCP로 연결해서 개발자가 버그를 쉽게 해결하도록 효율화하는 건 좋지만, 사람이 전혀 개입하지 않는 방향으로 완전히 넘어갈 수는 없음.
특히 프론트엔드는 UI 변경이 잦아서 자동화해도 괜찮을 거라 생각하기 쉬운데, 그러다 큰일 날 수 있음.
깃헙 저장소의 시크릿이나 CI 환경 같은 인프라가 백엔드와 프론트엔드로 완전히 격리돼 구현되는 경우가 거의 없어서, 프론트엔드 프로젝트가 오염되면 서비스 전체가 영향을 받을 수 있음.

[성북동 김이사 @beatdead22]

너 호남혐오자지? 이러면 딱히 모욕감 안 느끼면서 너 일베지? 에만 과잉반응하는 것도 웃기긴 해 솔직히 그런 면에서 후자가 어느 정도는 효과적인 전술이라고 생각함

[류광 @ryugwang]

새 번역서 “다중 에이전트 시스템을 위한 컨텍스트 엔지니어링”이 며칠 전 나왔습니다.

https://t.co/iqQ8xQer2z

[DAN KOE @thedankoe]

https://t.co/7l7Jef99QZ

[한겨레 @hanitweet]

공간 그 자체로 매력적인 도서관들이 잇달아 문을 열고 있습니다. 하지만 2024년 국민여가활동조사 결과를 보면, ‘도서관에서 여가를 보낸다’는 응답은 1.5%에 지나지 않았습니다. 공짜로 이용할 수 있는 도서관을 전문가들은 ‘선불제 공공서비스’라고 강조합니다. “도서관을 이용하지 않으면 손해”라는 것입니다.

☀️ 다가올 여름, ‘책멍’을 위한 도서관 피서를 떠나보면 어떨까요. 전국에서 8천개의 도서관이 당신을 기다립니다. 📚

🔽 기사 더 읽어보기
https://t.co/TgtNgljm0D

[chiyodad 🍅 @chiyodad]

@_a6g_ ㅋㅋㅋㅋㅋㅋㅋㅋㅋ 재귀 후속 작업자군요

[승귤 @wapj2000]

코드 리뷰할때 이거 활용하면 좋음.
대신 너무 투머치하게 나오기땜에 사람이 골라서 올리게 스킬 만들어야함

[lucas @lucas_flatwhite]

Anthropic 공식 frontend-design 스킬은 이번에 크게 업데이트 되었어요!

🎨 Frontend Design
https://t.co/8nT8xGvO1D

Claude가 UI를 만들 때 어떤 프로젝트에나 어울릴 법한 템플릿 디자인을 피하고,,

브리프의 맥락에서만 나올 수 있는 의도적인 시각적 선택을 하도록 유도하는 스킬이예요.

색상, 타입, 레이아웃, 시그니처 요소로 구성된 토큰 시스템을 먼저 설계하고 자기 비판한 뒤 코드를 짜는 2-Pass 프로세스를 강제해요.

디자인뿐 아니라 카피도 디자인 재료로 다루도록 명시적인 UX 라이팅 원칙까지 포함합니다!

[Hanako @hanakoxbt]

Anthropic Claude Code engineer:

"If you're watching Claude write code, you're the QA tester. That's not what you're paid for."

In 37 minutes he lays out how to get your keyboard out of the hot path entirely.

The shift is /loop. You tell Claude to wake up every 10 minutes and babysit your PRs, and it just does it, while you're nowhere near the laptop.

Routines do the same in the cloud, so the work keeps running with your machine closed.

He caps it with remote control: any session, on any surface, driven from your phone.

Watch the full talk, then grab the setup below.

[ak 🌱🎗🕯 @_a6g_]

개인위키에 담긴 건 단순히 지식이 아니라 믿음이기도 하다. 정보가 거기에 있는 이유는 과거 언젠가 내가 그 내용을 신뢰해서 그곳에 기록했기 때문이다. LLMWiki는 내가 곧 인출할 가능성이 있는 정보를 미리 채워둔 로컬 캐시(preferched local cache)에 가깝다.

이 둘이 섞이면 곤란.

[chiyodad 🍅 @chiyodad]

@subicura 미국 경유 VPN이 인기를 얻겠네요 ㅎㅎ

[크롱 @Krongggggg]

오늘 앤쓰로픽 Fable 모델 서비스 중단사태 이유

미국 수출 통제 한 방에 앤트로픽 최신 모델 서비스가 바로 내려감.

Opus로 100시간 걸릴 걸 Fable로 1시간 만에 끝내던 팀들은 복구될 때까지 인프라 마비 상태로 손가락만 빨아야 하는 판임.

아무리 좋은 AI 툴이 나와도 규제 리스크 때문에 서비스가 언제든 끊길 수 있다는 걸 계산에 넣어야 됨.

[Puneet Patwari @system_monarch]

I've been a backend Engineer for 12+ years. Today, I'm a Principal Engineer at Atlassian.

I've designed systems that handle millions of requests. Sat on both sides of system design interviews.

Reviewed more architecture docs than I can count.

Starting today, I'm breaking down the fundamentals of scaling for the next 25 days.

If you're learning system design bookmark this thread, you're going to get a lot of learning from this.

[향로 @jojoldu]

요즘 마이스터고 학생들을 만나면 비슷한 질문을 받는다.

"AI 때문에 이제 신입은 안 뽑는다던데, 저희는 어떻게 해야 하나요."

주변에서 '이제 신입은 취업이 거의 안 될 거다', 'AI 때문에 요즘 신입을 안 뽑는다'는 이야기를 많이 듣는다고 한다.
커뮤니티에도, 유튜브에도, 뉴스에도 비슷한 이야기가 넘친다.
이제 막 시작하는 사람들이 이런 이야기를 계속 들으니 걱정이 많을 수밖에 없다.

나는 그 자리에서 늘 같은 대답을 한다.

걱정하지 말라고.
다만 두 가지를 계속 공부하라고.
AI를 더 잘 활용하는 방법, 그리고 본인 분야의 전문지식.
이 두 가지를 계속 쌓는 사람은 오히려 수요가 엄청나게 높아질 거라고.

왜 그렇게 생각하는지 적어본다.

---

예전에 기업이 인재를 알아보던 방식은 단순했다.
같은 시간을 써도 훨씬 더 좋은 결과를 내는 사람.
주니어든 시니어든 결국 시간이라는 축 하나 위에서 결과물의 기울기를 비교했고,
그 기울기가 가파른 사람을 서로 데려가려고 했다.

지난 글에서 AI에는 포괄임금제가 없다고 썼다.
일정 규모 이상의 회사에서 AI 사용료는 쓰는 만큼 내는 변동비고,
이 구조가 인재의 정의에 축을 하나 추가한다.

같은 토큰을 써도 훨씬 더 좋은 결과물을 내는 사람.

시간 축은 그대로 있다.
거기에 토큰이라는 축이 하나 더 생겼다.
이제 기업은 두 축을 모두 잘 쓰는 사람을 찾는다.

'우리 회사는 정액제로 잘 쓰고 있는데?'라고 할 수 있다.

실제로 규모가 있는 회사인데도 정액제처럼 AI를 쓰는 곳들이 있다.
들여다보면 대부분 법인카드로 개인용 정액제 구독을 대신 결제해주는 형태다.
당장은 합리적으로 보인다.
인당 비용이 고정되니 예산 잡기도 편하다.

근데 이 방식은 권한 관리, 중앙 통제된 보안 관리, 사내 데이터 접근 통제를 사실상 포기하고 쓰는 것이다.
누가 어떤 사내 데이터를 AI에 넣고 있는지 회사가 알 수 없다.
퇴사자의 계정이 어디까지 살아있는지도 관리되지 않는다.
이렇게 쓰는 회사들에서는 보안사고가 계속 터질 수밖에 없다.

그래서 규모가 있는 회사는 결국 기업용 플랜으로 간다.
보안팀과 운영팀이 권한을 중앙에서 관리하는 형태로.
그리고 그 기업용 플랜의 가격 구조가 지난 글에서 쓴 그 구조다.

지금은 150석까지는 기업용 정액제를 쓸 수 있다.
근데 이 기준이 계속 유지될까?
가장 좋은 모델부터 정액제에서 빠지는 흐름을 보면, 정액제를 쓸 수 있는 범위는 오히려 줄어들 수 있다.
50석까지만 정액제를 열어주고, 그 위로는 전부 종량제를 쓰라고 해도 이상하지 않다.

그러니 커리어를 길게 보면, 언젠가는 종량제 환경에서 일하게 될 가능성이 높다.
(정액제를 쓸 수 있는 범위가 지금처럼 유지된다고 해도 그렇다.)
시간과 토큰을 모두 효율적으로 쓰는 사람에 대한 수요가 계속 높아질 거라 보는 이유다.

---

'AI 때문에 신입을 안 뽑는다'는 말로 돌아와 보면,
기업이 줄이는 자리는 따로 있다고 생각한다.
두 축 중 어느 쪽도 단련하지 않은 사람의 자리.
그건 신입에게도 시니어에게도 똑같이 적용된다.

그러니 공포감을 주는 이야기에 너무 흔들리지 않았으면 좋겠다.
AI를 더 잘 쓰는 방법을 공부하고,
본인 분야의 전문지식을 쌓고,
스스로 더 멋진 엔지니어가 되려고 노력하면 된다.
그 두 가지를 계속하는 사람을, 기업은 예전보다 더 간절하게 찾게 될 테니까.
(그리고 그 공부를 돕는 것이 우리가 하는 일이다.)

[cvxv666 @antpalkin]

Citadel fired their best quant. He rebuilt their entire algo with Claude Fable 5 in 48 hours - and he's up $430,000 trading it against them.

He didn't take a single file. He didn't need to - ten years of that logic lived in his head, and you can't raid a memory.

Wallet proof: https://t.co/JSA6VkmGuX

Here's the engine MiroFish runs - and it's rigged in his favor. Picture a Galton board: a ball dropping through eight rows of pegs, bouncing left or right at random.

One ball is chaos. Thousands of balls always fall into the same bell curve. That's the law he weaponized.

Every ball is one trade. Each row is a volatility gate - news, liquidations, order-book flow, things nobody controls.

On a fair board every gate is a 50/50 coin flip. His model tilts each one to 0.54 - four cents of edge that only shows up when fair value splits from the book.

Four cents sounds like nothing.

Compound it through eight gates, thirty-two thousand times, and the whole bell shifts right of breakeven: 71% of trades land green.

$93 of edge per trade. $430k across the distance.

Watch the win rate converge in real time - it swings between 50 and 85% for the first few dozen trades, then locks on 0.71 and never leaves.

He doesn't predict a single trade. One trade is a coin flip. Eighteen thousand is mathematics.

They thought firing him protected the edge. They just handed it a grudge.

Copy the wallet quietly out-trading a $60B fund before they connect the dots: https://t.co/vbDZyVcfT3

[Claude @claudeai]

Introducing Claude Fable 5: a Mythos-class model that we’ve made safe for general use.

Its capabilities exceed those of any model we’ve ever made generally available.

[향로 @jojoldu]

AI에는 포괄임금제가 없다

요즘 규모가 있는 IT 회사의 리더분들을 만나면 빠지지 않고 나오는 주제가 있다.
바로, "토큰 제한" 이다.

"한 사람에게 한 달에 어느 정도의 한도를 주는 게 가장 효과가 좋을까."

다들 클로드를 쓰고 있는데, 대화는 보통 이 질문에서 시작한다.

처음에는 이게 왜 고민거리인지 와닿지 않을 수 있다.
"구독료 내면 쓰는 거 아닌가"

근데 기업용 플랜의 구조를 들여다보면 이야기가 달라진다.
클로드의 Team 플랜은 최소 5석에서 최대 150석까지다.
150석이 넘으면 Enterprise 플랜으로 올라가야 하는데, Enterprise에는 사용량 기반 모델을 써야 한다.
한도가 없는 대신, 쓰는 만큼 낸다.

"열정으로 조금만 더 하자"는 말이 성립했던 건 임금이 고정비였기 때문이다.
포괄임금제 아래에서는 야근을 하든 주말에 나오든 회사가 내는 돈이 같다.
더 일하는 것이 회사 입장에서는 공짜였다.
(포괄임금제를 옹호하려는 건 아니다.
비용 구조만 놓고 보면 그랬다는 뜻이다.)

AI에는 그게 없다.
한 번 더 시키면 한 번 더 비용이 든다.
더 긴 문맥을 넣으면 더 많이 든다.
더 좋은 모델을 쓰면 더 비싸진다.
밤새 에이전트를 돌리면 밤새 토큰도 같이 녹는다.

개인용 Max 20x 플랜은 월 $200 정액이다.
이 플랜의 한도를 실제로 채워 쓰는 사용자들의 실측 보고를 보면, API로 환산했을 때 월 $1,000에서 $1,500어치의 토큰을 쓴다.

같은 강도로 사용량 기반 Enterprise에서 일하면 인당 월 150만원에서 200만원이 넘는 비용이 나온다.

Fable 5가 출시됐다.
Anthropic이 가장 강력한 일반 공개 모델이라고 소개하는데, 단가는 오푸스의 2배다.
지금은 2주간 무료로 구독제에 풀려 있지만, 프로모션이 끝나면 구독제에 포함되지 않는다.
계속 쓰려면 크레딧을 충전해서 쓰는 만큼 내야 한다.
가장 좋은 모델일수록 정액제에서 멀어지고 있다.

물론 2배 비용으로 그 이상의 결과를 얻는 작업이라면 당연히 써야 한다.
실패했을 때 비용이 큰 설계나 의사결정에서는 비싼 모델이 오히려 싸게 먹힌다.
문제는 그 모델을 모든 사람이, 모든 작업에 쓰는 경우다.

인터넷 네이티브 산업이 폭발한 건 정액제가 되고 나서였다.
전화선 기반으로 인터넷을 할 때는 하루 2시간만 사용해도 30만원이 넘는 전화요금이 나와서 크게 혼났다.
접속해 있는 시간이 곧 돈이었으니, 인터넷 위에서 마음껏 실험하는 사업은 나오기 어려웠다.
정해진 요금 안에서 무제한으로 쓸 수 있게 되고 나서야, 인터넷을 전제로 한 산업이 만들어졌다.

AI 네이티브 기업이 되기 위한 전제도 같다고 생각한다.
정해진 요금 아래에서 무제한에 가까운 사용이 가능해야 조직 전체가 AI를 전제로 일하는 방식을 만들 수 있다.

근데 지금의 가격 구조는 반대 방향으로 가고 있다.
일정 규모 이상의 조직에서 AI 사용료는 고정비가 아니라 변동비다.
이 구조에서 "인원을 줄이고 AI로 대체하자"는 이야기하기가 애매해졌다.
이 말의 전제는 나간 인원의 일을 AI가 대신한다는 것이다.
그 일을 대신하는 토큰 비용은 조상님이 내주는 게 아니다.
사람의 인건비가 토큰 비용으로 자리를 바꿀 뿐이고, 그 비용은 일을 시킬수록 늘어난다.

"밤낮없이 일한다"가 "밤낮없이 토큰을 녹인다"가 되는 순간, 회사는 다른 질문을 해봐야 한다.

토큰을 녹인 비용보다 더 큰 매출과 영업이익을 만들 수 있는가?
이 저장소가 내는 비지니스 가치는 얼마일까?
그럼 이 저장소에는 얼만큼의 토큰만 쓰도록 강제하는 것이 좋을까?

이 질문에 답할 수 있는 기업은 얼마나 될까?
Enterprise 플랜을 쓰는 많은 기업들이 인당 토큰 한도를 두는 이유도 여기에 있다.
그것도 개인용 Max 20x보다 낮은 한도로.

AI가 세상을 바꿀 것이라는 점에는 의심이 없다.
다만 그 비용을 누가 감당하느냐의 문제가 남는다.

회사가 정해진 한도 안에서 토큰을 쓰게 한다면, 같은 한도로 더 많은 일을 해내는 사람이 잘하는 사람이 된다.
하나의 목적을 달성하기까지 AI와 주고받는 핑퐁의 횟수는 그 분야의 전문지식이 있을수록 줄어든다.
무엇이 맞는 방향인지 알고 있으면 첫 질문이 달라지고, 잘못된 결과를 알아보는 눈이 있으면 되돌아가는 횟수가 줄어든다.
전문성이 없으면 그 핑퐁이 길어진다.
질문이 넓어지고, 답을 검증하지 못하고, 다시 시키고, 또 다시 시킨다.
그 과정은 시간도 쓰고 토큰도 쓴다.

물론 AI 덕분에 내가 잘 못하는 분야도 어느 정도는 할 수 있게 됐다. 그래서 일은 두 영역으로 나뉠 것 같다.
"전문성이 필요 없는 영역에서는 AI에게 맡기고 딸깍" 하고,
"전문성이 필요한 영역에서는 AI와 함께 문제를 풀어간다".

앞의 영역은 누구나 같은 비용으로 할 수 있지만, 뒤의 영역은 전문성이 깊을수록 더 적은 토큰으로 더 멀리 간다.

AI에는 포괄임금제가 없다.
쓴 만큼 내야 하는 세상에서는, 같은 비용으로 더 멀리 가는 사람이 필요해진다.
AI에 대한 공부는 하되, 본인의 전문 분야에 대한 공부도 계속 이어가야 하는 이유다.
---

나는 이 문제의 해결책을 파는 회사에 다니고 있다.
전문성 공부에는 아직 종량제가 없다.
인프런 강의는 한 번 결제하면 밤낮없이 돌려봐도 추가 요금이 나오지 않는다.
토큰은 쓴 만큼 내야 하지만, 공부해둔 전문성은 쓸수록 토큰을 아껴준다.
이 글의 마지막으로 아래 3개 강의를 추천하고 싶다.

"모든 웹 개발자가 봐야 할 단 한 장의 지도" : https://t.co/BE87hx0ODN
"미국 빅테크 프론트엔드 시스템 디자인 실전" : https://t.co/Xe41tyAvnF
"AI 딸깍의 시대 - 원리로 돌파하는 Node.js와 CS": https://t.co/4VR0Zi0JEG

[음머 @bestcow08]

https://t.co/cr7BV221Tm
이거 좋다
기초 심화 다있다