[태그:] AI 에이전트

AI 에이전트의 구조, 실행형 자동화, 개발 생산성, 업무 적용 사례를 다룬 글 모음입니다. 에이전트 기반 도구와 운영 관점을 함께 정리합니다.

  • CrewAI 입문 가이드, Agent·Task·Crew로 멀티에이전트 업무 설계하기

    CrewAI 입문 가이드, Agent·Task·Crew로 멀티에이전트 업무 설계하기

    AI에게 보고서를 쓰라고 한 번에 요청하는 것과, 조사·분석·작성을 나눠 맡기는 것은 무엇이 다를까. 여러 에이전트를 붙였다고 자동으로 더 좋은 결과가 나오지는 않는다. 누가 어떤 도구를 쓰고, 무엇을 만들어 다음 작업에 넘길지 정해야 분업이 의미를 갖는다.

    Read in English

    CampusX의 CrewAI 마스터클래스는 에이전트의 기초부터 멀티에이전트 프로젝트까지 다루는 긴 입문 강의다. 이 글은 강의와 공개 예제를 바탕으로 Agent·Task·Crew를 구분하는 방법, 보고서와 블로그를 만드는 기본 구조, 시장조사 프로젝트의 확장 방식을 정리한다. 설치 절차는 현재 공식 문서와 대조해 영상 당시의 파일 구조와 구분했다.

    CrewAI는 무엇을 대신 정리해 주는가

    CrewAI는 여러 AI 에이전트가 역할을 나눠 작업하도록 구성하는 Python 기반 프레임워크다. 모델 자체라기보다, 모델과 도구를 사용해 과업을 수행하는 에이전트들을 연결하는 실행 체계에 가깝다.

    하나의 큰 프롬프트에 조사·판단·작성 지시를 모두 넣을 수도 있다. 하지만 작업이 복잡해지면 어느 단계에서 근거가 빠졌는지, 어떤 역할의 출력을 수정해야 하는지 보기 어려워진다. CrewAI에서는 역할과 과업을 분리하고 실행 순서나 전달할 문맥을 명시할 수 있다.

    그렇다고 모든 업무를 여러 에이전트로 나눌 필요는 없다. 단순한 요약이나 짧은 문장 수정이라면 하나의 모델 호출이 더 간단할 수 있다. 역할마다 필요한 도구·정보·판단 기준이 실제로 달라질 때 분업을 검토하는 편이 낫다.

    에이전트 구성에서 LLM의 역할을 설명하는 CampusX 강의
    출처: CampusX, 원본 영상 31:40. 관련 논의를 설명하기 위한 장면 인용.

    입문자가 먼저 구분할 세 가지: Agent·Task·Crew

    Agent는 ‘누가 하는가’다

    Agent에는 역할(role), 목표(goal), 배경 설명(backstory) 등을 정의한다. 필요에 따라 모델과 사용할 도구도 지정한다. 조사 담당자라면 검색·자료 수집이, 작성 담당자라면 독자에 맞는 설명과 구성에 초점을 둘 수 있다.

    배경 설명에 전문가 경력을 적는 것은 역할을 유도하는 설정이다. 실제로 해당 경력을 가진 전문가가 검토했다는 의미가 아니며, 결과의 사실성을 보증하지도 않는다.

    Task는 ‘무엇을 완료해야 하는가’다

    Task에는 작업 설명(description)과 기대 산출물(expected_output)을 적는다. 담당 에이전트, 참고할 이전 작업 결과, 출력 파일 등을 연결할 수도 있다.

    ‘잘 조사하라’는 요청보다 조사 범위·기준 시점·필요 항목·출처·불확실성을 구체적으로 정하는 편이 후속 검토에 유리하다. 기대 산출물을 적는 것은 완료 조건을 명확히 하는 일이지, 모델이 반드시 그 조건을 충족한다는 보장은 아니다.

    Crew는 ‘어떤 체계로 함께 실행하는가’다

    Crew는 에이전트와 Task를 묶고 실행 방식을 정한다. 순서가 명확한 작업은 순차 실행(sequential)으로 시작할 수 있다. 관리자 역할이 조정하는 계층형(hierarchical) 구성도 있지만, 별도 판단과 위임 과정이 들어간다.

    멀티에이전트 실행 체계인 Crew를 설명하는 강의 화면
    출처: CampusX, 원본 영상 80:00. 관련 논의를 설명하기 위한 장면 인용.

    입문 단계에서는 직함을 많이 만드는 것보다, 입력 → 담당 역할 → 산출물 → 다음 작업의 연결을 종이에 먼저 그려보는 것이 도움이 된다.

    첫 예제: 보고서 작성과 블로그 작성을 분리한다

    공개 저장소의 research_and_blog_crew는 두 역할로 구성된다. 보고서 작성 에이전트가 주제에 관한 자료를 정리하고, 블로그 작성 에이전트가 이를 읽기 쉬운 글로 바꾼다.

    YAML 설정에는 보고서 약 2,000단어, 블로그 약 500단어라는 목표가 들어 있다. 이는 요청한 분량이지, 길이와 내용의 정확성을 자동 검증했다는 뜻은 아니다. Python 코드에서는 Process.sequential로 작업을 실행하고, 블로그 결과를 blogs/blog.md에 저장하도록 구성한다.

    여기서 놓치기 쉬운 점이 있다. 이 기본 예제의 에이전트에는 웹 검색 도구가 연결돼 있지 않다. 프롬프트에 ‘최신 사실’을 포함하라고 적었다고 해서 실제로 웹에서 최신 자료를 수집한 것은 아니다. 검색이 필요한 업무라면 도구와 접근 권한을 별도로 구성해야 한다.

    또한 파일에 글이 저장됐다는 것과 공개 게시가 완료됐다는 것은 다르다. 이 예제의 출력 파일 설정 자체가 WordPress 발행까지 수행하는 것은 아니다. 외부 공개가 필요하다면 검토·승인·게시 단계를 따로 설계해야 한다.

    CrewAI Agent의 역할과 목표를 설명하는 강의 화면
    출처: CampusX, 원본 영상 96:40. 관련 논의를 설명하기 위한 장면 인용.

    이 예제를 업무에 적용한다면 다음처럼 산출물 계약을 보강할 수 있다. 아래 항목은 강의 코드를 그대로 재현한 설정이 아니라 실무 적용을 위한 제안이다.

    • 보고서에는 확인한 사실, 원문 출처, 기준 시점, 아직 확인하지 못한 항목을 구분한다.
    • 블로그 작성자는 보고서에 없는 수치나 사례를 임의로 덧붙이지 않는다.
    • 최종 검토에서는 인용과 링크, 주장·근거의 일치 여부를 확인한다.
    • 외부 게시 권한은 초안 생성과 분리하고 승인 뒤에만 사용한다.

    확장 예제: 시장조사를 다섯 역할로 나눈다

    공개 저장소의 market_research_crew는 더 복잡한 분업을 보여준다.

    1. 시장조사 담당: 시장 규모와 성장 흐름, 산업 환경을 조사한다.
    2. 경쟁정보 분석 담당: 경쟁사와 대안, 차별화 가능성을 살펴본다.
    3. 고객 인사이트 담당: 고객군의 문제와 필요, 구매 관련 가설을 정리한다.
    4. 제품전략 담당: 앞선 결과를 바탕으로 기능 우선순위와 개발 방향을 제안한다.
    5. 사업분석 담당: 조사 결과를 통합해 사업 보고서로 정리한다.

    영상의 최종 실습에서는 ‘유튜브 영상을 요약해 여러 소셜 플랫폼에 게시하는 도구’라는 제품 아이디어를 입력하고, 관련 사업 보고서를 생성해 살펴본다. 여기서 만들어진 것은 그 제품의 시장·사업성 분석 보고서이지, 실제로 영상을 요약하거나 SNS에 게시하는 서비스 자체는 아니다.

    코드에서는 뒤의 Task가 앞선 결과를 context로 참조하도록 연결한다. 예를 들어 제품전략 Task는 시장·경쟁·고객 조사 결과를 받는다. 마지막 사업분석 Task는 여러 결과를 모아 reports/report.md에 저장한다.

    시장조사 프로젝트의 Crew Python 코드를 작성하는 실습 화면
    출처: CampusX, 원본 영상 191:40. 관련 논의를 설명하기 위한 장면 인용.

    이 예제에는 검색과 웹페이지 수집 도구가 연결돼 있다. 기본 보고서·블로그 예제와 달리, 에이전트가 외부 정보를 찾을 수 있는 구성이라는 차이가 있다. 다만 검색 결과를 확보했다고 해서 시장 수치나 사업 전망의 타당성이 자동으로 보장되지는 않는다.

    특히 AI가 작성한 고객 페르소나는 실제 고객 인터뷰가 아니다. 조사에서 확인한 관찰과 모델이 만든 가설을 분리해야 한다. 같은 모델의 결과를 다음 에이전트가 다시 요약하는 것만으로 독립적인 검증을 했다고 볼 수도 없다.

    설치 전에 확인할 차이: 현재 기본 구조와 강의의 YAML 구조

    강의 예제는 crew.py, config/agents.yaml, config/tasks.yaml로 역할과 과업을 구성한다. 그러나 이 글 작성 시 확인한 공식 설치 문서는 기본 프로젝트가 JSON 중심으로 생성된다고 안내한다. 에이전트는 agents/*.jsonc, 작업과 Crew 설정은 crew.jsonc에 들어간다.

    따라서 현재 설치한 CLI에서 영상과 파일 구성이 다르게 보이는 것이 반드시 설치 실패를 뜻하지는 않는다. 영상의 Python/YAML 구조로 학습하려면 공식 문서가 안내하는 --classic 옵션을 확인한다.

    uv를 사용할 수 있는 환경에서의 생성 절차는 다음과 같다. 설치 명령은 공식 문서를 따른 학습용 예시이며, 사용할 CrewAI 버전과 모델 공급자 설정에 따라 환경을 확인해야 한다.

    uv tool install crewai
    crewai create crew research_and_blog --classic
    cd research_and_blog
    

    생성된 프로젝트의 설명을 읽고 사용할 모델과 도구를 설정한다. API 키 등 비밀값은 환경변수나 .env로 관리하고 저장소에 올리지 않는다. 설정을 마친 뒤 프로젝트 루트에서 의존성을 설치하고 실행한다.

    crewai install
    crewai run
    

    무료 강의라는 표현과 실행 비용도 구분해야 한다. 강의를 무료로 볼 수 있어도, 선택한 모델·검색 API·외부 서비스에는 비용이나 이용 한도가 있을 수 있다. 학습 전에는 키 발급, 과금 방식, 요청 제한을 확인하는 것이 좋다.

    순차 실행·계층형·Flow는 같은 선택지가 아니다

    순차 실행은 이미 정한 Task의 순서를 따르는 방식이다. 조사 뒤 작성처럼 선후 관계가 명확할 때 구조를 이해하고 추적하기 쉽다.

    계층형은 관리자 역할이 작업을 조정하는 방식이다. 상황에 따른 위임이 필요할 때 검토할 수 있지만, 관리자의 판단에도 모델 호출과 오류 가능성이 생긴다. 에이전트를 많이 두거나 관리자를 추가하는 것 자체가 성능 향상을 증명하지는 않는다.

    Flow는 여러 처리 단계와 상태, 조건 분기를 코드로 연결하는 데 쓰는 별도 개념이다. 예를 들어 입력을 검사한 뒤 조사 Crew를 실행하고, 자료가 부족하면 보완 경로로 보내는 구조를 만들 수 있다. 이 예시는 공식 문서의 개념을 업무에 적용한 설명이며, 강의의 시장조사 프로젝트가 그런 분기까지 구현했다는 뜻은 아니다.

    처음에는 작은 순차 Crew → 산출물 검증 → 필요한 분기 추가 순서가 이해하기 쉽다. 동적으로 판단할 필요가 없는 부분까지 에이전트에게 맡기기보다, 명확한 규칙은 일반 코드로 처리할 수 있다.

    에이전트 수보다 먼저 정할 운영 기준

    멀티에이전트 시스템을 업무에 쓰려면 역할 이름 외에 운영 조건도 필요하다. 다음은 입문 예제를 실제 업무로 옮길 때 점검할 항목이다.

    • 도구와 권한: 읽기·검색·파일 저장·외부 전송 중 어디까지 허용할지 구분한다.
    • 전달 정보: 다음 Task가 받아야 할 근거·출처·미확인 항목을 정한다.
    • 검증: 필요한 필드와 형식, 인용 근거를 각각 확인한다. 형식 검사를 통과해도 사실이 맞는 것은 아니다.
    • 재시도와 비용: 무제한 반복 대신 실패 시 중단·재시도 기준과 비용 한도를 둔다.
    • 공개 승인: 자동 생성·저장과 고객 발송·공개 게시를 분리한다.

    역할 설정에 전문가라는 이름을 붙이는 것보다 중요한 것은 이 경계다. 어떤 Task가 잘못됐는지 추적하고, 확인하지 못한 결과를 그대로 다음 단계로 넘기지 않게 해야 한다.

    입문자의 첫 목표는 작은 Crew를 설명할 수 있는 것이다

    CrewAI를 처음 배울 때는 큰 조직도를 만드는 것보다 두 역할의 작은 작업부터 시작하는 편이 좋다. 같은 입력을 주었을 때 어떤 자료를 받고, 어느 단계에서 틀릴 수 있으며, 무엇을 최종 산출물로 남기는지 확인한다.

    CampusX 강의의 가치는 에이전트의 기초와 역할 분담을 실제 프로젝트 구조로 연결해 볼 수 있다는 데 있다. 다만 예제가 실행됐다는 사실과 업무에 바로 투입할 품질을 확보했다는 것은 구분해야 한다. 이 글은 강의·공개 코드·공식 문서를 대조한 해설이며, 예제 Crew를 별도로 실행해 같은 산출물을 재현했다는 뜻은 아니다.

    CrewAI 입문의 핵심은 도구 이름을 외우는 일이 아니다. 누가, 무엇을, 어떤 근거로 수행하고, 누가 결과를 확인하는지를 분명히 하는 것이다.

    함께 읽으면 좋은 글

    FAQ

    CrewAI를 쓰려면 Python을 알아야 하나요?

    이 강의는 Python 코드와 YAML 설정을 함께 다룬다. 에이전트의 개념만 이해하는 것과 예제를 수정·실행하는 것은 다르므로, 코드 구조와 패키지·환경변수의 기초를 익혀두는 것이 도움이 된다.

    강의와 생성된 프로젝트의 파일 구조가 다른 이유는 무엇인가요?

    현재 공식 설치 문서는 JSON 중심 프로젝트를 기본으로 안내한다. 영상의 Python/YAML 구조를 따라가려면 crewai create crew 프로젝트명 --classic 옵션을 확인한다. 설치한 버전에 따라 해당 버전의 문서도 함께 살펴봐야 한다.

    CrewAI가 최신 정보를 자동으로 검색하나요?

    항상 그렇지는 않다. 공개된 기본 보고서·블로그 예제에는 검색 도구가 연결돼 있지 않다. 최신 외부 자료가 필요하다면 검색·수집 도구와 인증, 결과 검증을 따로 구성해야 한다.

    에이전트를 많이 만들면 더 정확해지나요?

    에이전트 수만으로 정확성을 보장할 수 없다. 역할 간 차이가 불분명하면 전달 비용과 복잡성만 늘 수 있다. 분업이 필요한 이유, 필요한 도구, 검증할 산출물이 먼저 명확해야 한다.

    참고자료

    본문 이미지는 개념과 프로젝트 구조를 설명하기 위해 인용한 원본 강의 캡처다. 영상의 설명, 공개 코드에서 확인한 구성, 공식 문서의 현재 안내와 실무 적용 제안을 구분했다.

  • 김경일의 AI 활용법, 속도보다 검증과 협업이 중요한 이유

    김경일의 AI 활용법, 속도보다 검증과 협업이 중요한 이유

    AI가 초안을 대신 만들고 자료를 요약해 주면 일은 빨라진다. 그런데 빨라진 만큼 더 많이 처리하는 것이 언제나 좋은 결과로 이어질까. 틀린 정보가 섞였다면, 확인하지 않은 채 내보내는 결과물도 함께 늘어날 수 있다.

    Read in English

    STUDIO LOLA 인터뷰에서 인지심리학자 김경일 교수는 AI로 일이 편해진 만큼 오히려 더 긴장하게 됐다고 말한다. 중요한 불안은 대체될 가능성만이 아니다. AI가 준 잘못된 내용을 믿거나, 검증 없이 인용할 수 있다는 걱정이다. 영상의 핵심은 AI를 덜 쓰자는 주장이 아니라, 생성에 쓰는 시간과 판단에 쓰는 시간을 다시 배분하자는 문제의식으로 읽을 수 있다.

    AI가 편리할수록 ‘찾았다’와 ‘확인했다’를 구분한다

    과거에는 원하는 자료를 찾는 데 시간이 많이 들었다. 어렵게 찾은 답을 성과로 느끼기 쉬웠다. 지금은 질문을 입력하면 자연스러운 문장과 정리된 목록이 곧바로 나온다. 하지만 답변을 얻었다는 사실과 내용이 맞다는 사실은 다르다.

    김경일 교수는 특히 AI의 그럴듯한 답을 덜컥 믿을 가능성을 경계한다. 문장이 매끄러우면 검토도 끝난 정보처럼 느껴질 수 있기 때문이다. 보고서나 강의자료를 만들 때 AI의 설명을 그대로 옮기는 순간, 확인되지 않은 주장도 자신의 이름으로 전달하게 된다.

    AI의 답을 그대로 믿을 위험을 설명하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 06:00. 관련 논의를 설명하기 위한 장면 인용.

    영상에는 언어모델의 환각 문제가 계속 남을 것이라는 강한 견해도 나온다. 이를 미래 기술의 한계가 영구적으로 증명됐다는 뜻으로 받아들일 필요는 없다. 실무적으로 가져올 메시지는 더 분명하다. 지금 사용하는 AI의 답은 오류 가능성을 전제로 확인해야 한다.

    절약한 시간을 전부 추가 업무로 채우지 않는다

    김경일 교수는 에이전트 AI를 사용하면서 더 많은 일을 빠르게 처리하게 됐지만, 실수도 늘어나는 것 같아 긴장을 놓지 않는다고 설명한다. 이는 개인적 체감이지, 모든 사람에게 적용되는 생산성 수치나 실험 결과는 아니다.

    중요한 대목은 그다음이다. 그는 빨리 해내는 것만 목표로 삼기보다, 남은 시간에 점검하고 되돌아보고 검증하는 조용한 시간이 필요하다고 말한다.

    이 관점을 업무에 적용하면 AI 활용의 기준이 달라진다. 초안을 만드는 속도뿐 아니라, 오류를 발견하고 수정해 최종본을 확정하는 과정까지 봐야 한다. 생성이 빨라졌어도 사실 확인과 재작업에 시간이 많이 든다면, 체감 속도와 실제 업무 성과는 다를 수 있다.

    다음은 인터뷰의 문제의식을 바탕으로 정리한 실무 적용 방법이다. 영상에서 검증된 공식이나 측정 척도가 아니라, 확인 절차를 놓치지 않기 위한 작업 순서다.

    1. 생성: AI에 목적·대상·자료 범위를 주고 초안을 받는다.
    2. 분리: 사실 주장, 의견, 추정, 실행 제안을 나눠 표시한다.
    3. 확인: 수치·인용·법령·고유명사는 원문 자료와 대조한다.
    4. 판단: 근거가 부족한 문장을 빼거나 불확실성을 명시한다.
    5. 승인: 외부 발송·공개·실행 전에는 책임자가 최종 확인한다.

    AI에게 검토를 한 번 더 요청하는 것은 도움이 될 수 있다. 다만 다른 답변이 동의했다는 사실만으로 원문 확인을 대신할 수는 없다. 중요한 것은 검토 횟수보다 어떤 근거와 실제 결과를 대조했는지다.

    직업을 한 가지 디지털 과업으로 줄여 보지 않는다

    인터뷰는 영상의학 분야를 예로 들며, 눈에 보이는 전문 과업이 그 직업의 전부는 아니라는 점을 짚는다. 이미지 판독 외에도 환자를 설득하고, 다른 의료진과 조율하고, 조직 안에서 자원을 확보하며, 문제가 생겼을 때 책임지는 일이 있다는 설명이다.

    이 글에서는 영상에 언급된 연봉 변화나 업무별 비중을 검증된 통계로 사용하지 않는다. 대신 직업을 이해하는 관점을 가져올 수 있다. 자동화하기 쉬운 과업 하나와, 그 과업을 둘러싼 관계·상황·책임을 구분하는 것이다.

    교육담당자의 업무도 비슷하게 나눠 볼 수 있다. 안내문 작성과 설문 요약은 AI가 도울 수 있다. 하지만 참여를 주저하는 직원을 설득하거나, 현업 부서와 교육 일정을 조율하거나, 이해관계가 다른 사람들의 요구를 정리하는 일은 별도로 남는다.

    이는 어떤 직업이 영원히 안전하다는 보장이 아니다. 자동화 가능성을 논의할 때 직함만 보거나, 가장 눈에 띄는 기술 과업만 보고 판단하지 말자는 뜻이다.

    협업 능력은 머리로 아는 것보다 함께 일한 경험에서 나온다

    김경일 교수가 강조하는 또 다른 축은 자신과 다른 사람을 이해하고 함께 일하는 경험이다. 나이, 성별, 문화적 배경이 다르다는 이유로 협업 자체를 포기하는 태도를 경계한다.

    서로 다른 사람과 협업한 경험을 강조하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 09:20. 관련 논의를 설명하기 위한 장면 인용.

    공감이 중요하다는 문장을 아는 것과 실제로 다른 사람과 합의해 본 것은 다르다. 상대가 왜 같은 제안을 다르게 받아들이는지 듣고, 자신의 설명을 바꾸고, 갈등 뒤에 관계를 회복하는 과정에서 배울 수 있는 것이 있다.

    AI와만 대화하면 피드백을 쉽게 얻을 수 있지만, 실제 사람의 반대와 망설임까지 사라지는 것은 아니다. 협업 역량을 기르려면 사람과 함께 일하는 장면도 남겨둬야 한다.

    • 자신과 다른 역할의 동료에게 초안을 설명하고 이해되지 않는 부분을 듣는다.
    • 의견 충돌이 생기면 상대가 지키려는 조건과 걱정하는 위험을 먼저 확인한다.
    • 같은 내용을 관리자·실무자·이용자에게 각각 설명해 본다.
    • 작업이 끝난 뒤 결과뿐 아니라 조율 과정에서 놓친 점도 돌아본다.

    이런 활동을 AI 사용과 반대되는 것으로 볼 필요는 없다. 자료 정리와 초안 작성에는 AI를 쓰되, 절약한 시간을 사람을 만나고 맥락을 이해하는 데 쓸 수도 있다.

    AI 시대에 인문학을 공부한다는 것은 현실에서 물러나는 일이 아니다

    인터뷰에서 인문학은 변화하는 현실과 동떨어진 장식이 아니다. 김경일 교수는 시대의 전환점에서 사람을 이해해야 할 필요가 커진다는 관점으로 인문학의 역할을 설명한다.

    인지심리학과 인문학 공부의 연결을 이야기하는 김경일 교수
    출처: STUDIO LOLA, 원본 영상 05:10. 관련 논의를 설명하기 위한 장면 인용.

    AI의 기능을 익히는 공부와 인간을 이해하는 공부는 함께 갈 수 있다. 기술이 무엇을 할 수 있는지 알면서, 그 결과를 누가 받아들이고 어떤 상황에서 사용하는지도 살펴보는 것이다.

    가령 자동으로 작성된 안내문이 문법적으로 맞더라도 이용자에게 불친절할 수 있다. 설문 응답을 요약한 문장이 정확해 보여도 현장의 사정을 빠뜨릴 수 있다. 도구를 잘 다루는 능력에 사람과 상황을 읽는 판단이 더해져야 하는 이유다.

    오늘 AI로 만든 결과물에서 확인할 다섯 가지

    영상 제목의 ‘멍청해지는 사람’이라는 표현을 곧바로 인지 능력 저하에 관한 연구 결론으로 읽을 필요는 없다. 이 인터뷰가 제시하는 실천적 질문은 도구가 편리해질수록 판단까지 무심코 맡기고 있지는 않은가 하는 것이다.

    다음 결과물을 내보내기 전에 다섯 가지를 물어볼 수 있다.

    1. 내가 직접 확인한 사실과 AI가 제시한 설명을 구분할 수 있는가?
    2. 인용한 자료를 실제로 열어 보고 문맥까지 확인했는가?
    3. 이 결과가 틀렸을 때 누가 영향을 받는지 생각했는가?
    4. AI로 절약한 시간 중 일부를 점검과 되돌아보기에 썼는가?
    5. 실제 이용자나 동료의 의견을 듣고 수정한 부분이 있는가?

    AI 시대의 경쟁력을 더 많은 결과물을 내는 속도로만 설명하기는 어렵다. 김경일 교수의 인터뷰는 빠르게 받은 답을 다시 확인하고, 자신과 다른 사람과 함께 일하는 경험을 쌓는 쪽으로 시선을 돌린다. 편리함을 누리되 판단과 책임까지 넘기지 않는 것이 출발점이다.

    함께 읽으면 좋은 글

    FAQ

    AI를 많이 쓰면 반드시 사고력이 떨어지나요?

    이 인터뷰만으로 그런 인과관계를 입증할 수는 없다. 글의 핵심은 사용량 자체보다, AI의 설명을 확인 없이 믿고 판단을 넘기는 방식에 주의하자는 것이다.

    AI 답변은 어떻게 검증하면 좋을까요?

    수치·인용·법령 등 확인이 필요한 문장을 분리하고, 원문과 실제 자료를 대조한다. 근거가 확인되지 않으면 삭제하거나 불확실성을 표시한다. 다른 AI가 같은 답을 했다는 것만으로 검증을 마치지는 않는다.

    협업 경험이 AI 시대에 중요한 이유는 무엇인가요?

    업무에는 정보 처리뿐 아니라 사람을 설득하고 이해관계를 조율하며 결과에 책임지는 과정이 있다. 인터뷰는 이런 능력이 서로 다른 사람과 함께 일한 경험에서 형성된다는 점을 강조한다.

    AI로 절약한 시간은 어디에 쓰는 것이 좋을까요?

    추가 업무에만 모두 쓰기보다, 결과물 점검·원문 확인·되돌아보기와 실제 이용자·동료의 의견을 듣는 시간으로 일부를 남길 수 있다. 고정된 시간 비율보다는 업무의 위험도와 필요한 확인 수준에 맞추는 것이 좋다.

    참고자료

    본문 이미지는 해당 인터뷰의 설명·비평을 위해 인용한 영상 캡처다. 강연자의 견해와 개인적 체감은 보편적 연구 결과와 구분했으며, 실무 체크리스트는 인터뷰의 문제의식을 바탕으로 재구성했다.

  • REA 역공학 도구: 23분 앱 재구현 실험의 가능성과 한계

    REA 역공학 도구: 23분 앱 재구현 실험의 가능성과 한계

    소스코드를 주지 않았는데 AI가 비슷한 앱을 만들어냈다면, 원본을 이해했다고 말할 수 있을까. 화면이 닮았다는 것과 데이터 구조·예외 처리까지 파악했다는 것은 다른 문제다.

    Read in English

    Dante’s Datalab의 REA 실험은 이 차이를 보여준다. 제작자는 자신이 소스를 가진 자료 관리 앱을 분석하게 한 뒤, 별도 평가 에이전트로 원본과 결과물을 대조했다. 약 23분 만에 주요 기능을 재구현했지만, 결과는 완전 복제가 아닌 100점 만점의 74점이었다. 특히 잘못 해석한 근거 하나가 내부 설계를 다른 방향으로 이끌었다.

    REA는 새로운 디컴파일러보다 ‘분석 도구를 연결하는 층’에 가깝다

    REA는 Reverse Engineer Anything의 약자다. 공식 문서는 네이티브 바이너리, JavaScript·Electron 앱, 웹사이트 등을 조사하는 도구를 에이전트에 연결한다고 설명한다. 에이전트는 분석 결과를 읽고 다음 조사 대상을 정하며, 판단의 근거와 한계를 함께 남긴다.

    따라서 REA가 Ghidra·Hopper·IDA를 모두 대체하는 새로운 분석 엔진이라는 이해는 정확하지 않다. 기존 분석 도구와 실행 관찰을 코딩 에이전트의 작업 흐름으로 묶는 쪽에 가깝다. Electron 앱의 정적 JavaScript 분석에는 네이티브 분석 엔진이 필요하지 않다는 점도 공식 문서에서 구분한다.

    REA 저장소와 역공학 도구 연결 개념
    출처: Dante’s Datalab, 원본 영상 02:50. 관련 논의를 설명하기 위한 장면 인용.

    영상에서 중요한 용어는 Evidence다. 단순히 “이렇게 동작할 것 같다”고 답하는 대신, 어떤 파일·분석 결과·실행 관찰에서 판단했는지 기록한다. 다만 기록을 남겼다는 사실이 그 해석의 정확성까지 보장하지는 않는다.

    원본 소스 접근을 막았지만, 배포된 앱 내부는 분석했다

    실험 대상은 제작자가 수정 중인 Serpent 기반 자료 관리 앱이었다. 제작자는 원본 프로젝트 소스를 보유하고 있어, 분석 결과가 실제 구현과 맞는지 대조할 수 있었다. 상용 앱을 무단으로 복제하는 실험과는 출발 조건이 다르다.

    실험은 세 역할로 나뉘었다.

    • 준비 에이전트: 앱을 패키징하고 테스트 자료와 안내 문서를 준비했다.
    • 분석 에이전트: 설치된 앱을 조사하고, 같은 사용자 기능을 하는 앱을 새로 구현했다.
    • 평가 에이전트: 원본 소스와 재구현 코드를 모두 보고 동작과 근거를 비교했다.
    준비·분석·평가 에이전트로 구분한 실험 설계
    출처: Dante’s Datalab, 원본 영상 07:50. 관련 논의를 설명하기 위한 장면 인용.

    분석 에이전트에는 원본 프로젝트 폴더, 외부 검색, GitHub 조회가 금지됐다. 반면 설치된 앱에 포함된 번들 코드와 디스크에 남는 파일은 조사할 수 있었다. ‘원본 소스를 주지 않았다’는 말은 ‘코드를 전혀 볼 수 없었다’는 뜻이 아니다.

    엄격한 의미의 클린룸 개발과도 구분해야 한다. 이 실험에서는 분석 에이전트가 구현까지 맡았다. 영상 역시 분석자와 구현자를 분리한 방식이 아니라는 점을 밝힌다. 또 앱이 남긴 파일에서 원래 이름을 보게 됐으므로, 앱의 정체가 끝까지 완벽하게 가려졌다고 보기도 어렵다.

    23분 만에 만든 것은 완성품이 아니라 주요 사용자 흐름이다

    제작자의 공개 기록에 따르면 재구현에는 약 23분이 걸렸다. REA 호출은 9회였고, 결과물은 외부 패키지 없이 949줄의 코드로 구성됐다. 이 수치는 제작자의 해당 실행 기록이며, 여기서 별도로 재현한 벤치마크는 아니다.

    원본은 Electron 데스크톱 앱이었지만, 재구현 앱은 Node.js 기반 서버와 브라우저 화면을 사용했다. 같은 기능을 반드시 같은 기술로 만들 필요는 없다는 접근이다.

    라이브러리 열기, 자료 가져오기, 격자 표시, 태그, 검색, 상세 정보, 휴지통, 재시작 후 상태 유지 등은 동작했다. 반면 폴더·컬렉션·되돌리기 같은 기능과 일부 보기·필터는 빠졌다.

    재구현 앱에서 라이브러리를 만들고 여는 화면
    출처: Dante’s Datalab, 원본 영상 13:50. 관련 논의를 설명하기 위한 장면 인용.

    공개 채점표의 결과는 다음과 같다.

    • 화면 구조: 16/20점
    • 데이터 모델: 16/20점
    • 주요 동작: 25/30점
    • 예외 상황: 8/15점
    • 코드 구조 유사도: 9/15점
    • 합계: 74/100점

    여기서 74점을 ‘완성도 74%’나 ‘어떤 앱이든 복제할 확률’로 읽으면 안 된다. 제작자가 정한 다섯 평가 항목에 따라, 평가 에이전트가 이 결과물에 부여한 점수다. 원본과 같은 내부 구조를 택했는지도 포함한 기준이므로, 일반적인 제품 품질 점수와도 다르다.

    근거 24건 중 22건이 맞아도 설계는 틀릴 수 있다

    이 실험에서 가장 눈여겨볼 대목은 속도보다 오류다. 원본 소스와 대조한 Evidence 24건 중 22건이 맞았고, 1건은 확인할 수 없었으며, 1건은 틀렸다.

    문제가 된 항목은 Electron의 IPC 통신 해석이었다. 분석 에이전트는 채널 이름을 찾지 못한 상황을 실행 중 문자열 조합으로 해석했다. 이를 바탕으로 기능별 API를 새로 설계했지만, 원본에서는 컴파일 시점에 정해진 상수를 사용하는 구조였다.

    Evidence 24건의 원본 소스 대조 결과와 IPC 해석 오류
    출처: Dante’s Datalab, 원본 영상 16:50. 관련 논의를 설명하기 위한 장면 인용.

    중복 파일 처리에서도 차이가 드러났다. 재구현 앱은 파일 지문 정보를 저장했지만, 이를 중복 검사에 제대로 활용하지 못했다. 원본이 거르는 지원하지 않는 형식도 받아들였다. 정보를 발견하는 것과 그 정보가 필요한 이유를 구현하는 것은 별개였던 셈이다.

    이 사례는 근거의 개수만 세는 검증이 충분하지 않음을 보여준다. 많은 항목이 맞아도, 설계의 핵심 가정 하나가 틀리면 결과물 전체의 방향이 바뀔 수 있다. 중요한 추론일수록 원자료와 실제 동작을 함께 대조해야 한다.

    더 유용한 방향은 ‘복제’보다 이해와 기능 확장이다

    제작자는 재구현 뒤 대본 문단을 넣으면 관련 자료를 찾아주는 패널을 추가했다. 태그·파일명·메모를 비교해 자료를 순위로 보여주는 기능이다. 기존에 만든 데이터 접근과 화면 동작을 재사용하면서 확장했다는 점이 핵심이다.

    대본 문단과 자료의 태그·파일명을 비교하는 기능 확장 화면
    출처: Dante’s Datalab, 원본 영상 18:20. 관련 논의를 설명하기 위한 장면 인용.

    다만 시험 과정에서 붙인 태그가 검색 점수에 영향을 준 대목도 있었다. 새 기능이 돌아간다는 것만으로 추천 품질까지 검증된 것은 아니다. 실제 업무 데이터를 분리해 다시 시험해야 하는 이유다.

    이 관점에서 REA를 검토할 만한 대상은 남의 상용 앱만이 아니다. 오히려 분석 권한이 분명한 다음 대상이 먼저다.

    • 개발자가 떠나 내부 문서가 부족해진 자사 업무 프로그램
    • 문서와 실제 응답이 달라진 내부 API
    • 오래된 자체 파일 형식과 데이터 이전 작업
    • 동작은 하지만 회귀 테스트가 부족한 기존 프로그램

    목적을 “같은 앱 만들기”로 넓게 잡기보다, “검색은 어떻게 동작하는가”, “저장과 복원은 어떤 규칙을 따르는가”처럼 좁히면 검증 기준도 선명해진다.

    그림판 11분 데모: ‘같은 앱’보다 ‘내가 원하는 기능’

    성공지식백과의 추가 영상은 REA의 활용을 다른 방향에서 보여준다. 발표자는 윈도우 그림판을 바탕으로 간단한 그림판 형태의 앱을 재구현하고, 붙여넣은 이미지가 오른쪽 에셋 목록에 쌓이는 기능을 추가했다. 영상에서는 기본 그리기와 색상 변경·채우기, 이미지 붙여넣기를 직접 확인한다. 에셋 이름 변경, 재사용, 다운로드와 목록 삭제도 시연한다.

    여기서 구분할 점은 기존 윈도우 그림판 제품 자체를 수정한 것이 아니라, 새로 만든 앱에 맞춤 기능을 붙였다는 것이다. 핵심은 원본과 완전히 같아지는 데 있지 않다. 익숙한 작업 흐름에 자신이 필요했던 기능을 결합하는 데 있다.

    발표자는 약 11분 만에 결과물이 나왔다고 설명한다. 다만 이 영상에는 앞선 Serpent 실험처럼 원본 소스와 결과물을 대조한 채점표가 없다. 커서 표시 등 미완성 부분도 남아 있다. 짧은 시연에서 동작한 기능을 장기간 사용 가능한 제품 품질로 확대 해석하면 안 된다.

    11분과 23분은 성능 순위를 뜻하지 않는다

    두 영상은 같은 도구를 다루지만 서로 다른 것을 보여준다.

    • 단테랩스의 약 23분 실험: 자료 관리 앱을 대상으로 원본 소스 접근을 제한했다. 별도 평가 에이전트가 원본과 결과물을 대조해 74점을 부여하고, 근거의 오류와 누락 기능을 공개했다.
    • 성공지식백과의 약 11분 데모: 그림판 형태의 앱과 에셋 패널을 만들고 화면에서 주요 동작을 시험했다. 같은 평가 기준의 점수나 원본 소스 대조 결과는 제시하지 않았다.

    대상 앱의 복잡도, 구현 범위, 실행 환경과 평가 방식이 다르다. 따라서 두 시간을 비교해 어느 에이전트가 더 빠른지, REA의 성능이 얼마나 향상됐는지 판단할 수는 없다. 전자는 이해의 정확성 검증, 후자는 개인 맞춤 기능을 만드는 활용 사례로 읽는 편이 적절하다.

    일반인에게 낮아진 것은 분석의 진입장벽이다

    추가 영상은 REA의 가치를 새로운 역공학 기술의 발명보다, 기존 도구를 접근하기 쉽게 연결한 데서 찾는다. 예전에는 분석 도구의 설치와 사용법을 따로 익혀야 했다면, 이제는 에이전트에 작업을 요청하는 흐름으로 시작할 수 있다는 관점이다.

    REA MCP와 기존 역공학 도구를 연결한 성공지식백과 영상 개념도
    출처: 성공지식백과, 추가 영상 01:50. 해당 설명·전망을 논의하기 위한 장면 인용.

    그러나 ‘시작하기 쉬워졌다’와 ‘검토할 지식이 필요 없다’는 같은 말이 아니다. 발표자 역시 결과물을 읽고 이해하고 분석·검토할 정도의 학습이 필요하다고 강조한다. 앞선 IPC 해석 오류와 중복 파일 처리 실패가 그 이유를 보여준다.

    실무에서는 처음부터 앱 전체를 맡기기보다 범위를 좁히는 편이 좋다. 분석 권한이 있는 프로그램에서 기능 하나의 입력·출력·저장 규칙을 확인하고, 그 설명과 근거가 맞는지 시험한 다음 확장한다. REA를 쓰지 않은 일반 코딩 에이전트와도 같은 과제를 비교해 보면, 추가 도구가 실제로 필요한지 판단하는 데 도움이 된다.

    핵심 로직이 서버로 이동할 수 있다는 전망은 어떻게 읽을까

    성공지식백과는 분석이 쉬워질수록 소프트웨어 회사가 핵심 로직을 앱 내부보다 서버 쪽에 두려 할 수 있다고 전망한다. 이용자 기기에 배포된 구현은 조사 대상이 될 수 있으므로, 제공 방식을 바꾸려는 유인이 생긴다는 해석이다.

    REA 확산 이후 소프트웨어 개발 방향에 대한 성공지식백과의 전망
    출처: 성공지식백과, 추가 영상 10:20. 해당 설명·전망을 논의하기 위한 장면 인용.

    이는 영상 발표자의 전망이지, 모든 앱이 서버 중심으로 바뀐다는 확정된 사실은 아니다. 설계 관점에서도 서버화는 운영비, 네트워크 지연, 오프라인 사용성, 개인정보와 접근 통제 등의 조건을 함께 따져야 한다. 서버에 있다는 이유만으로 모든 보안 문제가 해결되는 것도 아니다.

    마찬가지로 ‘소프트웨어가 끝났다’거나 ‘대부분의 앱이 오픈소스가 된다’는 표현은 변화의 크기를 강조한 전망으로 읽어야 한다. 기능 구현이 쉬워지는 것과 유지보수·보안·지원까지 갖춘 제품을 지속 운영하는 것은 별개의 일이다. 분석할 수 있다는 사실이 해당 제품의 코드나 자산을 사용할 라이선스를 부여하지도 않는다.

    개인 학습용이라면 언제나 괜찮다는 결론도 피해야 한다. 추가 영상의 활용 예시는 참고하되, 분석 목적과 권한·약관·라이선스는 기존 체크리스트에 따라 별도로 확인하는 것이 맞다.

    웹앱 사례가 더해지면 보이는 차이: MathSheets는 무엇을 재현했나

    AI with Hassan의 추가 영상은 Google Sheets의 화면과 기본 동작을 참고해 MathSheets라는 간단한 스프레드시트를 만드는 과정을 보여준다. 발표자는 웹앱 분석에 필요한 도구만 설치하고, 네이티브 바이너리 분석용 Ghidra·Hopper 같은 도구는 설치하지 않도록 요청한다.

    이는 모든 대상에 같은 역공학 도구를 쓰는 것이 아니라, 웹에서 관찰할 수 있는 기능과 설치형 프로그램 내부 분석을 구분하는 접근이다. 브라우저 화면과 상호작용을 조사하는 것만으로 서버 내부의 구현이나 운영 구조까지 알아냈다고 볼 수는 없다.

    영상에서는 셀 편집과 선택, 간단한 덧셈 결과를 시연한다. 발표자는 작업에 약 20~30분이 걸렸다고 설명하지만, 정확한 측정 기록이나 동일 과제의 반복 실험은 제시하지 않는다. 앞선 11분 그림판 데모나 23분 자료 관리 앱 실험과 시간을 직접 비교할 근거도 없다.

    AI with Hassan이 로컬 MathSheets에서 셀 입력과 덧셈 결과를 시연하는 화면
    출처: AI with Hassan, 추가 영상 10:35. 로컬 MathSheets의 시연 화면이며 Google Sheets 서비스 전체를 재현한 결과는 아니다.

    화면의 공유 버튼과 실제 공동작업 기능은 다르다

    영상만 보면 Google Sheets와 매우 비슷한 화면이 완성된 것처럼 보인다. 그러나 제작자가 공개한 MathSheets 저장소의 README는 구현 범위를 더 구체적으로 설명한다.

    • HTML·CSS·JavaScript로 만든 가벼운 스프레드시트이며, 앱 자체에는 서버가 필요하지 않다고 안내한다.
    • 셀 참조와 범위, SUM·AVERAGE 등 일부 수식, CSV 내보내기를 지원한다고 설명한다.
    • 데이터는 브라우저의 localStorage에 저장한다. 사이트 데이터를 지우면 사라지므로 보관할 자료는 CSV로 내보내라고 명시한다.
    • Share와 Email은 ‘soon’으로 표시된 미구현 메뉴라고 안내한다.

    따라서 이 사례를 Google Sheets의 공동 편집, 계정·접근 권한, 클라우드 저장과 운영 체계까지 복원한 결과로 읽어서는 안 된다. 공유 버튼이 보이는 것과 여러 사용자가 안전하게 같은 문서를 편집할 수 있는 것은 다르다. 위 기능 목록은 공개 문서에 따른 것이며, 여기서 해당 앱을 별도로 실행해 검증한 결과는 아니다.

    REA 공식 저장소와 영상의 예제 저장소도 구분해야 한다. 전자는 역공학 도구이고 후자는 이를 활용한 학습용 결과물이다. 예제 README의 License 항목에는 아직 라이선스를 지정하지 않았다고 적혀 있다. GitHub에서 코드를 볼 수 있다는 사실만으로 자유로운 재사용·배포 조건이 확정되는 것은 아니다. 사용 시에는 해당 저장소의 최신 라이선스와 이용 권한을 따로 확인해야 한다.

    멀티에이전트의 분업보다 먼저 정할 것은 검증 경계다

    Hassan은 그리드와 수식 등 작업을 하위 에이전트로 나누는 흐름을 보여준다. 입력·선택 같은 화면 작업과 수식 해석을 분리하면 각 역할을 명확히 할 수 있다는 사례다. 다만 에이전트를 여러 개 썼다는 사실 자체가 더 빠르거나 정확하다는 검증은 아니다. 단일 에이전트로 같은 과제를 수행한 비교 결과는 제시되지 않는다.

    스프레드시트를 업무에 쓰려면 화면 유사성 외에 다음과 같은 시험이 필요하다. 이는 영상이 모두 검증했다는 뜻이 아니라, 실제 사용 전 확인할 항목이다.

    1. 셀을 수정하면 이를 참조하는 다른 셀도 올바르게 다시 계산되는가?
    2. 빈 셀, 잘못된 수식, 순환 참조와 오류 값은 어떻게 처리하는가?
    3. 새로고침·브라우저 종료 뒤 데이터가 유지되고, CSV 내보내기와 다시 가져오기는 의도대로 동작하는가?
    4. 공동작업을 요구한다면 사용자별 권한, 동시 수정 충돌, 변경 기록과 복구를 별도로 구현·시험했는가?

    REA가 돌려주는 근거와 아직 모르는 부분(unknowns)은 이 검증 계획의 출발점으로 볼 수 있다. 모르는 항목을 구현 완료로 취급하지 않고, 확인한 동작·추론한 구조·미구현 기능을 나눠 관리하는 것이다. 코드 생성을 여러 역할에 나누더라도, 최종 통합과 검증의 기준은 하나로 맞춰야 한다.

    세 영상을 함께 보면 결론은 ‘어떤 앱이든 무료로 완벽 복제한다’가 아니다. 자료 관리 앱 실험은 분석 근거의 정확성, 그림판 데모는 개인 맞춤 기능 확장, MathSheets 사례는 화면·기본 동작과 서비스 전체의 차이를 각각 살펴보게 한다. 개발의 문턱이 낮아져도 어떤 문제를 해결하고 어디까지 신뢰할 수 있는지 판단하는 일은 남는다.

    REA의 효과를 판단하기 전에 남는 세 가지 한계

    첫째, 한 번 실행한 사례다. 대상 앱, 모델, 프롬프트, 테스트 데이터가 바뀌면 시간과 결과도 달라질 수 있다.

    둘째, REA를 쓰지 않은 비교 조건이 없다. 이번 결과만으로 일반 코딩 에이전트보다 얼마나 나았는지, 어떤 성과가 REA 덕분인지 분리할 수 없다.

    셋째, 평가에도 AI 에이전트를 사용했다. 원본 코드와의 대조는 유용하지만, 그 채점 자체를 독립적인 전문가 감사나 보안 검증과 같게 볼 수는 없다.

    따라서 영상의 제목보다 실험 조건과 실패 장면을 함께 읽는 편이 도구의 쓸모를 판단하는 데 도움이 된다.

    분석 권한과 라이선스는 도구 성능보다 먼저 확인한다

    REA가 오픈소스라는 사실은 분석 대상 앱의 권리까지 열어주지 않는다. 분석할 권한, 대상 프로그램의 라이선스·약관, 코드와 이미지·아이콘 등 자산의 이용 범위는 각각 확인해야 한다.

    영상은 국내 저작권법의 프로그램 관련 규정도 소개한다. 다만 기능 관찰, 코드 역분석, 호환성 확보, 결과물 배포는 목적과 범위가 서로 다르다. 이를 “역공학은 언제나 합법” 또는 “화면만 비슷하면 문제없다”로 단순화해서는 안 된다. 상용 앱 분석이나 결과물 배포를 계획한다면 구체적인 조건을 전문가에게 확인하는 편이 안전하다.

    실험 전에는 다음 다섯 항목을 점검할 수 있다.

    1. 직접 만든 프로그램이거나 분석·활용 권한을 확인한 대상인가?
    2. 대상 프로그램과 분석 도구의 라이선스 조건을 각각 확인했는가?
    3. 원본 코드·디자인 자산을 무단으로 재사용하지 않는가?
    4. 분석 로그와 공개 화면에서 개인정보·비밀정보를 제거했는가?
    5. 관찰된 사실과 추론을 구분하고, 정상 동작뿐 아니라 예외 상황도 시험하는가?

    REA 실험의 가치는 ‘앱 복사’라는 한 문장보다 크고, 동시에 그보다 제한적이다. 기존 프로그램을 이해하는 시간을 줄일 가능성을 보여주지만, 해석과 검증의 책임까지 없애주지는 않는다. 시작점은 권한이 분명한 프로그램의 작은 기능 하나를 이해하고, 근거와 테스트로 확인하는 일이다.

    함께 읽으면 좋은 글

    FAQ

    REA는 소스코드 없이 어떤 앱이든 완벽하게 복제하나요?

    그렇게 확인된 것은 아니다. 영상은 원본 프로젝트 소스 접근을 막은 조건에서 주요 기능을 재구현한 단일 사례다. 설치된 앱의 번들 코드는 분석할 수 있었으며, 누락된 기능과 잘못된 내부 설계 해석도 있었다.

    REA는 Ghidra나 IDA를 대체하나요?

    공식 문서상 REA는 기존 분석 엔진과 여러 관찰 도구를 에이전트에 연결하는 층에 가깝다. 분석 대상과 환경에 따라 사용하는 도구가 달라진다.

    23분과 74점은 REA의 일반적인 성능인가요?

    아니다. 제작자가 정한 환경과 평가 기준에서 한 번 나온 결과다. 반복 실험이나 REA 미사용 조건과의 비교가 없어 보편적인 성능으로 일반화할 수 없다.

    유료 앱을 구매했으면 역공학과 재배포도 자유로운가요?

    구매만으로 모든 분석·재사용·배포 권한이 생긴다고 볼 수 없다. 관련 법과 이용 약관, 라이선스, 분석 목적과 범위를 따로 검토해야 한다.

    그림판 11분 데모가 기존 23분 실험보다 뛰어난 결과인가요?

    대상 앱과 구현 범위, 평가 기준이 달라 직접 비교할 수 없다. 그림판 데모는 맞춤 기능 확장의 예시이고, 기존 실험은 원본 소스와의 대조 및 누락 기능 검증에 초점이 있다. 두 영상 모두 단일 실행 사례다.

    참고자료

    본문 이미지는 원본 영상의 관련 장면을 설명·비평하기 위해 인용한 캡처다. 실험 수치와 평가 결과는 영상 제작자의 공개 기록에 따른 것이며, 별도의 재현 실험 결과가 아니다.

  • AI 시대 인간의 경쟁력: 김대식·김혜연이 말하는 고유성의 힘

    AI 시대 인간의 경쟁력: 김대식·김혜연이 말하는 고유성의 힘

    AI 시대 인간의 경쟁력은 더 많은 지식을 외우는 데 있을까. 더 빨리 결과물을 만드는 데 있을까. 김대식 교수와 김혜연 안무가의 대담은 조금 다른 곳을 향한다. AI를 일하게 만드는 실행력, 그리고 다른 사람의 복사본으로는 얻을 수 없는 자기 삶의 고유성이다.

    Read in English

    교보문고 보라가 공개한 이 영상은 기술 전망 강연과 예술가의 대화를 함께 담았다. 설명란 기준 촬영일은 2026년 9월 19일, 공개일은 10월 13일이다. 아래에서는 두 사람의 발언을 재구성하고, 일과 학습에 적용할 기준을 덧붙인다. 미래 예측과 개인적 견해를 검증된 사실처럼 받아들이지는 않는다.

    기술이 중요하지 않다는 말은 공부를 그만두라는 뜻이 아니다

    영상 제목의 강한 표현만 보면 기술을 익힐 필요가 없다는 이야기처럼 들린다. 그러나 김대식 교수는 강연에서 바이브 코딩과 에이전틱 AI를 공부해야 한다고 권한다. 지식과 기술의 무용론으로 읽으면 앞뒤가 맞지 않는다.

    그가 대비시키는 것은 ‘만드는 능력’과 ‘무엇을 만들 것인가’다. 비슷한 수준의 글과 그림, 영상을 더 쉽게 만들 수 있다면 제작 기술만으로 벌리던 격차는 줄어든다. 그러면 사람을 붙잡는 이야기, 경험에서 나온 관점, 무엇을 남기고 버릴지 고르는 기준이 더 눈에 띈다.

    영상 3분대의 영화 이야기가 그 차이를 설명한다. 이미 있는 작품을 그럴듯하게 흉내 내는 일과 사람들이 처음 만나는 이야기를 만드는 일은 다르다. 김 교수는 새로운 이야기를 위해 많은 경험과 독서가 필요하다고 말한다. 배움을 포기하는 대신 배운 것을 자기 관점으로 엮으라는 주문에 가깝다.

    새로운 이야기와 제작 기술의 차이를 설명하는 김대식 교수
    출처: 교보문고 보라, 원본 영상 03:40. 해당 논의의 장면 인용.

    예컨대 AI로 발표 자료의 초안을 빠르게 만들 수는 있다. 하지만 청중이 왜 이 문제에 관심을 가져야 하는지 정하는 일은 남는다. 현장에서 들은 반론 하나가 매끈한 슬라이드 열 장보다 설득력을 가질 때도 있다. 이 예시는 강연의 구분을 업무에 옮겨 본 해석이다.

    직업 이름 대신 업무를 네 가지로 나눠 보자

    김 교수는 6분 무렵부터 두 축으로 일을 나눈다. 혼자 하는가, 다른 사람과 함께 하는가. 그리고 정답이 있는가, 없는가. 이 분류의 쓸모는 특정 직업의 소멸을 예언하는 데 있지 않다. 한 직업 안에서 자동화와 사람의 판단이 어디에 놓이는지 구분하는 데 있다.

    • 혼자 하며 정답이 있는 일: 규칙이 분명한 반복 과업이다. AI에 맡길 후보를 찾기 쉽지만 오류 확인은 필요하다.
    • 혼자 하며 정답이 없는 일: 연구와 창작처럼 탐색이 큰 비중을 차지한다. AI를 배제하기보다 대안 탐색에 활용할 수 있다.
    • 함께 하며 정답이 있는 일: 정확한 절차와 대인 관계가 겹친다. 지식 제공을 보조해도 설명과 신뢰 형성이 남는다.
    • 함께 하며 정답이 없는 일: 서로 다른 이해관계 속에서 방향을 정한다. 무엇을 좋은 결과로 볼지 합의하는 과정이 중요해진다.
    정답 여부와 협업 여부로 일을 구분하는 강연 장면
    출처: 교보문고 보라, 원본 영상 06:42. 해당 논의의 장면 인용.

    특히 교사의 역할을 설명하는 대목이 눈에 남는다. 김 교수는 지식 전달보다 상담, 동기 부여, 회복탄력성을 돕는 역할에 주목한다. 교사가 지식을 몰라도 된다는 뜻은 아니다. 전달 비용이 낮아진 지식 위에서 학생과 어떤 관계를 맺을지 묻는 것이다.

    다만 영상의 ‘100% 대체’ 같은 표현은 강연자의 강한 전망이다. 이 분류만으로 실제 고용 변화를 계산할 수는 없다. 의료와 교육처럼 책임과 안전이 큰 영역에서는 정확성, 제도, 현장 조건도 따로 봐야 한다.

    AI 도입을 막는 것은 기술 부족만이 아니다

    8분대부터 질문은 직원의 감정으로 옮겨 간다. AI가 내 도구인지, 동료인지, 결국 나를 밀어낼 경쟁자인지 모호하다면 학습 의지만 요구하기 어렵다. 사람은 생산성 지표 이전에 자기 자리를 걱정한다.

    여기서 ‘기술보다 인간’이라는 말이 조금 구체적이 된다. 조직은 새 도구 사용법만 가르칠 것이 아니라 전환의 조건을 설명해야 한다. 절약한 시간은 누가 얻는가. 역할이 바뀌면 재학습할 기회가 있는가. 실수의 책임은 누가 지는가.

    강연에는 조사 비율과 기업 사례도 등장한다. 다만 이 글에서는 해당 조사 원문과 익명 기업의 실적을 독립적으로 확인하지 않았다. 따라서 수치를 일반적 사실로 재인용하지 않는다. 남길 질문은 더 단순하다. 직원이 AI 활용을 자기 손해로 느낀다면 도입 계획은 지속될 수 있을까.

    기업에서 권한과 책임을 어떻게 나눌지는 에이전틱 AI 시대의 기업·개인 업무 재설계와 함께 읽으면 연결이 쉽다. 이번 대담은 그 운영 문제에 정체성과 고유성이라는 질문을 더한다.

    김혜연 안무가의 답: 성과보다 먼저 행위에 몰입한다

    14분대에 김대식 교수는 일이 자기 가치의 기준에서 밀려난다면 무엇으로 자신을 정의할지 묻는다. 김혜연 안무가는 몸을 쓰는 예술가의 경험으로 답한다. 돈이나 교환 가치로 먼저 계산하기보다 하고 있는 행위 자체에 몰입한다는 것이다.

    이 대답은 ‘예술가는 자동화에 안전하다’는 직업 순위와 다르다. 무용 역시 생계와 기술 변화의 영향을 받는다. 대담이 보여 주는 차이는 삶의 가치를 결과물의 가격에만 묶지 않는 태도다. 더 잘 팔리는 결과를 만들지 못하는 날에도 몸을 움직이는 이유가 남을 수 있다.

    행위 자체에 대한 몰입을 이야기하는 김혜연 안무가
    출처: 교보문고 보라, 원본 영상 14:50. 해당 논의의 장면 인용.

    일하는 사람에게도 작은 여지가 있다. 취미를 모두 수익화할 필요는 없다. 산책에서 본 장면, 오래 붙잡은 질문, 남에게 설명하기 어려운 취향도 자기 삶의 일부다. 곧바로 성과가 나오지 않는 경험을 낭비로만 분류하면, 정작 고유한 이야기가 자랄 공간이 줄어든다.

    노동과 삶의 가치를 더 길게 생각하고 싶다면 일이 사라진 세상에서 삶의 의미를 찾는 질문으로 이어갈 수 있다. 생산성의 미래와 삶의 의미는 연결되지만 같은 질문은 아니다.

    데이터가 많다는 것과 자기 기억이 있다는 것은 다르다

    16분 이후 김 교수는 대량 생산과 인간의 고유성을 대비시킨다. 이어 AI가 다루는 정보와 한 사람이 살아온 기억의 차이를 이야기한다. 넘어졌다는 사실을 설명하는 데이터와 내가 넘어졌을 때 느낀 기억은 같은 것이 아니라는 관점이다.

    인간의 고유성과 개인의 이야기를 논의하는 두 출연자
    출처: 교보문고 보라, 원본 영상 17:20. 해당 논의의 장면 인용.

    이 구분을 ‘AI는 영원히 창의성을 가질 수 없다’는 과학적 결론으로 넓히지는 말자. 현재의 시스템 특성, 미래의 기술 가능성, 인간 경험의 철학적 의미는 구분할 문제다. 영상 제목의 ‘절대’도 입증된 기술 한계라기보다 인간의 삶을 강조하는 문제 제기로 읽는 편이 안전하다.

    실용적으로 남는 질문은 있다. 내 결과물에서 나를 지우면 무엇이 달라질까. 어디서나 구할 수 있는 설명만 남는다면, 정보량을 더하기 전에 관찰과 판단을 보강할 필요가 있다. 반대로 내 경험만 내세우고 사실 확인을 생략해도 곤란하다. 고유성은 정확성을 면제하는 자격이 아니다.

    지금 할 일은 에이전트를 늘리기보다 맡길 일을 정하는 것

    강연의 마지막은 AI를 직접 써 보라는 권유로 끝난다. 여기서 ‘많은 에이전트’라는 표현을 실행 개수 경쟁으로 받아들이면 위험하다. 목표가 모호하거나 검증 비용이 크면 자동화가 오히려 일을 늘린다. 아래는 대담을 바탕으로 정리한 적용 제안이다. 출연자가 그대로 제시한 절차는 아니다.

    1. 반복 과업 하나를 고른다. 자료 분류나 초안 정리처럼 결과를 비교하기 쉬운 일부터 시작한다.
    2. 완료 기준을 먼저 쓴다. 필요한 근거, 빠뜨리면 안 되는 항목, 틀렸을 때의 비용을 정한다.
    3. 사람의 승인선을 남긴다. 결제, 공개 발행, 개인정보 처리처럼 되돌리기 어려운 행동은 분리한다.
    4. 절약 시간과 검토 시간을 함께 기록한다. 빨라 보이는 느낌보다 실제 순효과를 확인한다.
    5. 남은 시간을 자기 관점에 쓴다. 현장을 보고 사람을 만나고, 기존 답이 놓친 질문을 모은다.

    구체적인 도구 선택이 필요하면 AI 에이전트 업무 자동화 도구 비교를 참고할 수 있다. 다만 도구 선택과 자동화의 성공은 별개다. 무엇을 맡기고 무엇을 직접 책임질지 정하는 쪽이 먼저다.

    자주 묻는 질문

    AI 시대에는 지식과 기술을 배울 필요가 없나?

    그렇지 않다. 김대식 교수도 AI 활용과 바이브 코딩 학습을 권한다. 지식을 소유하는 것만으로 차별화하기 어려워진다는 주장과, 지식이 필요 없다는 주장은 다르다. 결과를 평가하려면 여전히 해당 분야의 이해가 필요하다.

    인간의 고유성은 개인 브랜딩과 같은 뜻인가?

    영상에서는 개인 브랜드도 언급한다. 그러나 고유성을 홍보 문구로만 좁히면 경험과 기억의 이야기를 놓친다. 어떤 선택을 해 왔고 무엇에 관심을 두는지가 바탕이다. 브랜딩은 그것을 전달하는 방식에 가깝다.

    정답이 있는 업무는 모두 AI로 바뀌나?

    영상에는 강한 대체 전망이 나오지만 확정된 고용 예측은 아니다. 실제 도입에서는 데이터 품질, 오류 비용, 책임, 규제와 대면 관계가 함께 작동한다. 직업 전체보다 과업 단위로 나누어 시험하는 편이 낫다.

    AI가 인간의 경험을 절대 따라잡을 수 없다는 말은 사실인가?

    그렇게 단정할 근거를 이 영상 하나로 확보할 수는 없다. 출연자는 인간이 몸으로 살아온 기억과 고유한 삶을 강조한다. 이를 미래 AI 전체에 대한 검증된 불가능성 명제로 바꾸지 않는 것이 좋다.

    더 많이 생산한 뒤에 무엇을 남길 것인가

    이 대담을 기술을 버리고 인간다움만 붙잡으라는 이야기로 읽기는 어렵다. 오히려 두 가지 숙제가 동시에 생긴다. 반복 작업을 AI와 나누는 법을 익힐 것. 그리고 그 덕분에 생긴 시간을 남의 복사본이 아닌 삶에 쓸 것.

    오늘 할 수 있는 일도 작다. 맡겨 볼 반복 업무 하나와, 효율을 따지지 않고 계속하고 싶은 활동 하나를 적어 보자. 전자는 일하는 방식을 바꾸고 후자는 일을 넘어선 자기 설명을 남긴다.

    참고자료

    본문 이미지는 원본 영상의 해당 논의를 설명하기 위한 장면 인용이다. 출처는 교보문고 보라이며 각 이미지에 영상 시각을 표시했다. 자동 자막에 오인식이 있어 문장은 의미 중심으로 재구성했다. 강연의 미래 전망, 조사 수치, 익명 기업 사례는 별도 검증된 사실과 구분했다.

  • Grokbot·Buzz·Hermes 비교: AI 에이전트 업무 자동화는 무엇부터 써야 할까

    Grokbot·Buzz·Hermes 비교: AI 에이전트 업무 자동화는 무엇부터 써야 할까

    AI 에이전트는 이제 “하나의 챗봇”이 아니라 작업팀이 되고 있다

    AI 도구를 실제 업무에 붙여 보면 곧 한계가 보입니다. 한 모델에게 묻고 답을 받는 방식만으로는 메일 분류, 노트 관리, 리포트 작성, 이미지 생성, 코드 검토처럼 긴 작업 흐름을 안정적으로 처리하기 어렵습니다.

    배움의 달인 채널의 영상은 이 변화를 Grokbot, Buzz, Hermes 봇 모드 비교로 보여줍니다. 핵심 질문은 단순합니다. “무엇이 제일 똑똑한가?”가 아니라 “내 업무를 계속 맡겨둘 수 있는 구조는 무엇인가?”입니다.

    Grokbot과 VM 활용 개요
    Grokbot이 봇과 가상 컴퓨터를 결합해 에이전트 작업장을 만드는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    한눈에 보는 선택 기준

    • Grokbot: 가장 쉽게 시작하고 싶고, 봇마다 VM 기반 작업 공간을 붙여 쓰고 싶을 때 유리합니다.
    • Buzz: 슬랙처럼 스레드로 작업을 관리하고, 에이전트별 모델을 세분화하고 싶을 때 적합합니다.
    • Hermes 봇 모드: 여러 모델과 봇 프로파일을 업무별로 나누고, 봇 간 커뮤니케이션을 구성하고 싶을 때 맞습니다.

    세 도구는 경쟁 관계라기보다 업무 환경에 따라 역할이 다릅니다. 개인은 Grokbot으로 시작하고, 반복 작업이 늘어나면 Buzz나 Hermes처럼 역할 분리가 쉬운 구조를 붙이는 식으로 접근할 수 있습니다.

    Grokbot: VM이 붙은 쉬운 에이전트 출발점

    영상에서 가장 먼저 소개되는 도구는 Grokbot입니다. 김문정 진행자는 Grokbot을 “봇 하나가 한 대의 가상 컴퓨터를 가진 것처럼 쓸 수 있다”고 설명합니다.

    이 말의 의미는 큽니다. 예전에는 Mac Mini처럼 24시간 켜둘 장비를 마련하고, 그 위에 에이전트 환경을 올리는 방식이 필요했습니다. 반면 Grokbot은 봇 안의 VM을 활용해 Obsidian 볼트를 열고, 노트를 읽고, 글을 쓰고, 다른 봇을 만들게 하는 흐름을 보여줍니다.

    Obsidian 24시간 싱크
    Grokbot VM에서 Obsidian 볼트를 열어 노트 작업을 이어가는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    Grokbot이 잘 맞는 사용자는 다음과 같습니다.

    • 별도 서버나 Mac Mini 없이 에이전트 실험을 시작하고 싶은 사람
    • Obsidian, Gmail, 웹 검색처럼 개인 업무 도구를 AI와 연결하고 싶은 사람
    • 복잡한 배포보다 “일단 봇을 만들고 시켜보는 경험”이 중요한 사람
    • 투자 리포트, 파트너십 메일 분류, 개인 지식관리처럼 개인 비서형 자동화를 원하는 사람

    다만 VM과 플러그인이 붙는 순간 권한 관리도 중요해집니다. 이메일, 계좌, API, 개인 노트를 연결한다면 “무엇을 읽게 할지”와 “무엇을 실행하게 할지”를 분리해야 합니다.

    Buzz: 스레드와 멀티모델 관리에 강한 협업형 에이전트

    Buzz는 영상에서 슬랙과 비슷한 에이전트 작업 공간으로 소개됩니다. 작업마다 스레드가 만들어지고, 어떤 작업을 했는지 추적하기 쉬운 구조가 장점입니다.

    또 하나의 강점은 모델 선택입니다. 영상에서는 Buzz가 Grokbot과 달리 에이전트의 두뇌가 되는 AI provider를 목적에 맞게 바꿀 수 있다고 설명합니다. Codex, Cursor, xAI, Upstage 계열 모델처럼 작업에 맞춰 모델을 다르게 붙이는 방식입니다.

    Buzz 멀티모델 협업 화면
    Buzz에서 스레드와 멀티모델 기반 에이전트를 관리하는 화면 · 출처: 배움의 달인 유튜브 영상 캡처

    Buzz가 잘 맞는 상황은 다음과 같습니다.

    • 여러 작업을 스레드 단위로 나눠 관리해야 할 때
    • 에이전트마다 다른 모델이나 도구를 붙이고 싶을 때
    • 오픈소스 기반으로 직접 배포하거나 커스터마이즈하고 싶을 때
    • 이미지 생성, X 검색, MCP 연결처럼 외부 도구를 조합하는 실험을 하고 싶을 때

    영상 설명에는 Buzz GitHub 링크가 함께 제시됩니다. 오픈소스라는 점은 장점이지만, 직접 배포·보안·업데이트를 관리해야 한다는 뜻이기도 합니다.

    Hermes 봇 모드: 멀티모델 봇과 역할 분리에 강한 선택지

    영상 후반부에서는 Hermes 봇 모드가 소개됩니다. 설명의 핵심은 기존 프로파일이나 모델 사용 방식을 봇 단위로 바꾸고, 봇과 봇 사이의 커뮤니케이션을 구성할 수 있다는 점입니다.

    Hermes 쪽의 강점은 특정 모델 하나가 아니라, 업무별 역할과 도구 접근을 분리하는 데 있습니다. 예를 들어 한 봇은 자료 조사, 다른 봇은 초안 작성, 또 다른 봇은 보안 점검을 맡도록 나눌 수 있습니다.

    Hermes 봇 모드와 총평
    Hermes 봇 모드를 설명하며 에이전트 선택 기준을 정리하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    Hermes가 잘 맞는 상황은 다음과 같습니다.

    • 이미 여러 AI 모델이나 에이전트 워크플로를 쓰고 있는 경우
    • 업무별 봇 역할을 명확히 나누고 싶은 경우
    • 파일, 브라우저, 크론, 워드프레스 같은 실제 도구 실행까지 연결하고 싶은 경우
    • 한 번의 답변보다 반복 실행과 검증이 중요한 업무가 많은 경우

    실전 업무에서는 “AI끼리 회의”보다 승인선이 중요하다

    영상에는 X 검색, 이미지 생성, Gmail 제안 분석, 투자 리포트처럼 실제 업무에 가까운 사례가 등장합니다. 이런 사례는 에이전트 시대의 방향을 잘 보여주지만, 동시에 위험 지점도 드러냅니다.

    Gmail 제안 분석과 Chief 에이전트
    여러 에이전트가 메일과 제안 내용을 나눠 분석하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    AI 에이전트가 여러 개가 되면 생산성은 올라갈 수 있습니다. 하지만 잘못된 메일 답장, 잘못된 투자 판단, 민감한 이미지 생성, 내부 자료 유출 같은 문제도 커집니다.

    그래서 실무 적용의 기준은 다음처럼 잡는 것이 안전합니다.

    1. 읽기 권한과 실행 권한을 분리한다.
    2. 메일 발송, 결제, 매매, 배포는 사람 승인 후 실행한다.
    3. 에이전트별 역할을 고정하고 결과를 비교한다.
    4. 실패 로그와 근거를 남기게 한다.
    5. 개인 토큰과 내부 문서는 공유 봇 템플릿에 넣지 않는다.

    어떤 도구부터 쓰면 좋을까

    처음 시작한다면 Grokbot처럼 진입장벽이 낮은 도구로 개인 업무 하나를 자동화해보는 것이 좋습니다. 예를 들어 “Obsidian 노트 정리”, “Gmail 제안 메일 분류”, “주간 리포트 초안”처럼 읽기 중심 작업이 적합합니다.

    작업 수가 늘어나고 스레드 관리가 필요해지면 Buzz가 더 편할 수 있습니다. 여러 모델과 MCP를 직접 붙이고 싶은 사용자라면 오픈소스 기반의 확장성이 장점입니다.

    이미 여러 봇과 모델을 쓰고 있고, 도구 실행과 검증까지 엮고 싶다면 Hermes 봇 모드 같은 구조가 유리합니다. 이 경우 핵심은 모델 성능보다 “역할·권한·검증 루틴”입니다.

    함께 읽으면 좋은 글

    FAQ

    Grokbot, Buzz, Hermes 중 하나만 골라야 하나요?

    꼭 하나만 고를 필요는 없습니다. Grokbot은 쉬운 시작과 VM 활용, Buzz는 스레드형 협업과 모델 선택, Hermes는 역할 분리와 도구 실행 워크플로에 강점이 있습니다.

    비개발자도 AI 에이전트를 쓸 수 있나요?

    가능합니다. 다만 이메일, 계좌, 내부 문서처럼 민감한 도구를 연결하기 전에는 읽기 권한부터 시작하고, 실행은 사람 승인 후 하도록 설정하는 것이 안전합니다.

    Buzz는 왜 오픈소스라는 점이 중요한가요?

    오픈소스는 직접 배포하고 고칠 수 있다는 장점이 있습니다. 반대로 서버 운영, 접근 권한, 업데이트 책임도 사용자가 더 많이 가져간다는 뜻입니다.

    AI 에이전트 업무 자동화에서 가장 먼저 정할 것은 무엇인가요?

    도구보다 먼저 “어떤 작업을 맡길지”와 “어디까지 자동 실행을 허용할지”를 정해야 합니다. 승인선 없이 메일 발송, 결제, 매매, 배포를 맡기는 것은 위험합니다.

    참고자료

  • Grok Bot과 Herdr로 24시간 AI 에이전트 작업환경 만들기

    Grok Bot과 Herdr로 24시간 AI 에이전트 작업환경 만들기

    노트북을 꺼도 에이전트가 일하게 만들 수 있을까

    AI 에이전트를 실제 업무에 붙여 보면 가장 먼저 부딪히는 문제는 모델 성능보다 “작업 환경이 계속 살아 있느냐”입니다. 노트북을 닫으면 세션이 끊기고, 이동 중에는 터미널을 보기 어렵고, 여러 에이전트에게 역할을 나눠 맡기기도 번거롭습니다.

    배움의 달인 채널의 이번 영상은 이 문제를 Grok Bot의 가상 머신과 Herdr 조합으로 풀어보는 실전 시연입니다. 핵심은 Grok Bot을 단순 챗봇이 아니라, 원격 VM에서 AI 에이전트 작업을 조율하는 실행 환경으로 쓰는 것입니다.

    인트로와 Grok Bot 활용 시나리오
    Grok Bot과 Herdr 조합의 전체 활용 시나리오 · 출처: 배움의 달인 유튜브 영상 캡처

    Herdr는 무엇을 해결하는가

    영상에서 Herdr는 “개발용 AI 에이전트를 노트북을 꺼도 계속 돌게 해 주는 원격 터미널 서버”로 설명됩니다. 공식 홈페이지도 Herdr를 에이전트가 살아 있는 런타임으로 소개하며, 실제 터미널 세션을 유지해 노트북을 닫거나 다른 기기에서 접속해도 작업 흐름을 이어갈 수 있다는 점을 강조합니다.

    이 관점에서 Herdr는 특정 AI 모델 하나가 아닙니다. Codex, Cursor, Hermes, Claude, Grok 같은 도구가 머물고 실행되는 터미널 작업장에 가깝습니다. 따라서 “어떤 모델이 더 좋으냐”보다 “작업을 맡긴 뒤 세션이 유지되고, 결과를 다시 받을 수 있느냐”가 핵심입니다.

    Grokbot VM에 에이전트 띄우기
    Grok Bot VM 안에서 에이전트를 세팅하는 화면 · 출처: 배움의 달인 유튜브 영상 캡처

    Grok Bot VM과 결합했을 때 달라지는 점

    영상의 핵심 장면은 Herdr를 로컬 맥북이 아니라 Grok Bot의 리눅스 VM에 올리는 부분입니다. 이렇게 하면 맥북 전원, 로컬 네트워크, 이동 중 접속 문제에서 어느 정도 자유로워집니다.

    정리하면 구조는 다음과 같습니다.

    • Grok Bot이 자체 가상 머신을 가진다.
    • 그 VM 안에 Herdr를 설치한다.
    • Herdr 안에서 Codex, Cursor, Hermes, Claude, Grok 같은 에이전트를 실행한다.
    • GitHub 인증, 자주 쓰는 스킬, MCP 설정을 VM으로 이식한다.
    • 사용자는 모바일이나 다른 기기에서 Grok Bot에게 작업을 지시한다.

    이 구조가 의미 있는 이유는 “작업 요청을 보내는 기기”와 “작업이 실제로 돌아가는 기기”가 분리되기 때문입니다. 지하철에서 휴대폰으로 QA를 지시해도, 실제 검토는 VM 안의 터미널과 에이전트가 수행합니다.

    Agent Skill은 왜 중요한가

    Herdr의 Agent Skill은 사람이 매번 터미널 구조와 역할 분배를 설명하지 않아도 되도록, 에이전트가 Herdr 환경을 이해하고 조율하게 만드는 지침 파일에 가깝습니다. 공식 문서도 Herdr가 재사용 가능한 에이전트 스킬 파일을 제공한다고 설명합니다.

    영상에서는 이 스킬을 설치한 뒤, 여러 에이전트를 띄우고 작업을 나누는 흐름을 보여줍니다. 실무적으로는 다음 세 가지가 중요합니다.

    1. 반복 작업의 기본 명령을 스킬화한다. 2. 저장소 점검, 보안 검토, UX 리뷰처럼 역할을 분명히 나눈다. 3. 실패한 에이전트가 있으면 결과를 통합할 때 실패 사유를 함께 보고하게 한다.

    Agent Skill 설치와 오케스트레이션
    Herdr Agent Skill 문서와 설치 흐름 · 출처: 배움의 달인 유튜브 영상 캡처

    모바일 QA 오케스트레이션의 실제 의미

    가장 실용적인 장면은 아이폰에서 저장소 QA를 요청하는 부분입니다. 영상에서는 Grok에게 UX 검토, Codex에게 코드·테스트 검사, Hermes에게 보안 검사를 맡기는 식으로 역할을 분배합니다.

    이 장면을 과장해서 “모바일 하나로 개발이 끝난다”고 보면 곤란합니다. 더 정확한 의미는 다음과 같습니다.

    • 이동 중에도 점검 작업을 시작할 수 있다.
    • 여러 에이전트에게 다른 관점의 리뷰를 동시에 맡길 수 있다.
    • 사용자는 모든 로그를 실시간으로 붙잡고 있지 않아도 된다.
    • 실패한 작업도 실패 사유를 받아 다음 지시로 이어갈 수 있다.

    즉 완전 자동 개발보다, “사람이 의사결정을 하고 에이전트가 긴 점검 루틴을 돌리는 방식”에 가깝습니다. 1인 기업, 개발자, 자동화 업무가 많은 실무자에게 특히 유용한 패턴입니다.

    모바일에서 QA 오케스트레이션
    아이폰에서 저장소 QA를 지시하는 장면 · 출처: 배움의 달인 유튜브 영상 캡처

    팀에서 쓰려면 먼저 정해야 할 것

    Grok Bot과 Herdr 조합을 팀에서 쓰려면 기술 설치보다 운영 규칙이 먼저입니다. 다음 기준을 정하지 않으면 에이전트가 많아질수록 결과가 흩어집니다.

    1. 어떤 작업을 맡길지 정한다

    처음부터 배포나 대규모 리팩터링을 맡기기보다, 다음처럼 검토 중심 작업부터 시작하는 편이 안전합니다.

    • PR 요약
    • 테스트 실패 원인 후보 정리
    • 보안 취약점 1차 스캔
    • 문서 누락 점검
    • UI/UX 개선 후보 정리

    2. 에이전트별 역할을 고정한다

    매번 즉흥적으로 역할을 나누면 비교가 어렵습니다. 예를 들어 Grok은 제품·UX 관점, Codex는 코드·테스트 관점, Hermes는 보안·운영 관점처럼 기본 역할을 정해두면 보고서 품질을 비교하기 쉽습니다.

    3. 권한과 비밀정보를 분리한다

    GitHub, API 키, 내부 문서에 접근하는 환경이라면 권한 분리가 중요합니다. 에이전트가 볼 수 있는 저장소, 실행 가능한 명령, 노출하면 안 되는 비밀정보 범위를 먼저 정해야 합니다.

    4. 실패를 정상 흐름으로 본다

    영상에서도 Codex 실행이 일부 실패하는 장면이 나옵니다. 중요한 것은 실패 자체가 아니라, 실패 사유를 받아 다른 에이전트나 사람의 후속 판단으로 연결하는 것입니다.

    봇 템플릿 공유가 주는 시사점

    영상 말미에는 Grok Bot에서 만든 VM Herdr 봇을 템플릿으로 공유하는 흐름이 나옵니다. 이것은 GPTs처럼 “대화 지침을 공유하는 것”보다 한 단계 더 실행 쪽에 가깝습니다.

    공유 가능한 봇 템플릿은 팀의 반복 업무를 표준화할 수 있습니다. 예를 들어 “신규 PR QA 봇”, “블로그 초안 검수 봇”, “보안 체크 봇”처럼 역할별 봇을 만들고, 팀원이 같은 출발점에서 개인화해 쓰는 방식입니다.

    봇 템플릿 공유
    Grok Bot 템플릿 공유 흐름 · 출처: 배움의 달인 유튜브 영상 캡처

    바로 따라 하기 전 체크리스트

    실제로 따라 하기 전에는 다음을 먼저 확인하는 것이 좋습니다.

    • Grok Bot 또는 원격 VM을 쓸 수 있는 계정·요금제가 있는가?
    • Herdr 설치 대상이 되는 Linux/macOS/Windows 환경이 준비되어 있는가?
    • GitHub 인증을 VM에서 처리해도 되는 보안 정책인가?
    • Codex, Cursor, Hermes, Claude, Grok 등 사용할 CLI 도구의 로그인 방식이 정리되어 있는가?
    • 팀 공유용 봇에는 개인 토큰, 저장소명, 내부 경로가 들어가지 않는가?

    이 체크리스트를 통과하면, Herdr는 단순 터미널 도구가 아니라 “AI 에이전트 작업장을 어디서나 다시 열 수 있게 해주는 실행 기반”으로 사용할 수 있습니다.

    함께 읽으면 좋은 글

    FAQ

    Grok Bot과 Herdr를 쓰면 노트북 없이도 개발할 수 있나요?

    노트북 없이 모든 개발이 자동으로 끝난다는 뜻은 아닙니다. 작업 세션을 원격 VM에 두고, 모바일이나 다른 기기에서 지시와 확인을 이어갈 수 있다는 의미에 가깝습니다.

    Herdr는 Orca 같은 오케스트레이션 도구와 같은가요?

    겹치는 부분은 있지만 초점이 다릅니다. 영상에서는 Herdr를 더 가볍고 터미널 중심적인 런타임으로 설명합니다. 여러 에이전트를 묶어 쓰되, 세션 유지와 원격 접속성이 강점입니다.

    비개발자도 쓸 수 있나요?

    영상에서는 초보자도 Grok Bot을 통해 세팅 부담을 줄일 수 있다고 설명합니다. 다만 GitHub 인증, CLI 로그인, 권한 관리 같은 기본 개념은 이해하고 시작하는 것이 안전합니다.

    팀에서 봇 템플릿을 공유해도 안전한가요?

    가능성은 있지만, 개인 토큰·내부 저장소명·비공개 지침이 들어가지 않도록 반드시 점검해야 합니다. 공유 전에는 권한과 비밀정보를 제거하는 절차가 필요합니다.

    참고자료

  • AI 브라우저 Aside, 웹을 대신 조작하는 에이전트 브라우저의 등장

    AI 브라우저 시장이 다시 뜨거워지고 있습니다. 지금까지의 AI 브라우저가 “웹페이지를 읽고 요약해 주는 도구”에 가까웠다면, 최근 등장한 Aside는 한 단계 더 공격적인 방향을 제시합니다. 사용자가 보고 있는 웹페이지를 설명하는 수준이 아니라, 로그인된 웹사이트와 파일, 여러 탭을 오가며 실제 업무를 처리하는 브라우저 에이전트를 표방합니다.

    공식 사이트에서 Aside는 자신을 “가장 지능적인 AI 비서이지만, 브라우저”라고 소개합니다. 핵심 메시지는 단순합니다. 우리가 실제로 일하는 공간은 이메일, 대시보드, 문서, 스프레드시트, 메신저, 내부 도구처럼 서로 흩어진 웹사이트입니다. Aside는 별도 API 연동만 기다리는 에이전트가 아니라, 사람이 브라우저에서 하던 방식 그대로 웹사이트와 계정을 직접 사용하겠다는 접근을 취합니다.

    Aside가 말하는 AI 브라우저의 차이

    기존 자동화 도구는 보통 두 가지 한계가 있었습니다. 하나는 “연동 가능한 앱” 안에서만 작동한다는 점입니다. 다른 하나는 로그인, 권한, 파일 선택, 웹 양식 입력 같은 실제 업무의 경계에서 멈춘다는 점입니다. Aside는 이 문제를 브라우저 자체를 에이전트 실행 환경으로 바꾸는 방식으로 풀려고 합니다.

    공식 설명에 따르면 Aside의 브라우저 에이전트는 이메일, 대시보드, 내부 도구, 커뮤니케이션, 문서와 스프레드시트까지 다룰 수 있도록 설계되었습니다. 예를 들어 후보자 정보를 찾아 면접 노트를 준비하거나, 여러 사이트에서 자료를 조사하고 결과를 정리하거나, 댓글과 후속 메시지를 처리하는 식의 업무가 주요 사용 사례로 제시됩니다.

    이 지점에서 중요한 변화가 있습니다. AI가 답변창 안에 머무르지 않고, 브라우저 안에서 실제 행동을 수행하는 구조가 된다는 점입니다. 그래서 Aside 같은 도구는 단순한 챗봇이 아니라 “업무 수행 인터페이스”에 가깝습니다.

    로컬 메모리: 브라우징 기록이 업무 맥락이 된다

    Aside가 강조하는 또 하나의 기능은 메모리입니다. 공식 메모리 페이지는 Aside가 작업 맥락을 기억하고, 에이전트가 필요할 때 다시 가져온다고 설명합니다. 특히 브라우징 기록을 메모리로 전환해 “어떤 업무에 어떤 사이트를 써야 하는지”를 기억한다는 표현이 눈에 띕니다.

    메모리는 AI 브라우저의 성능을 좌우하는 핵심 요소입니다. 사용자가 매번 “이 사이트에서는 여기를 누르고, 이 표를 보고, 이 형식으로 정리해”라고 설명해야 한다면 에이전트의 생산성은 크게 떨어집니다. 반대로 브라우저가 반복 업무의 경로와 맥락을 기억한다면, 같은 업무를 점점 더 적은 설명으로 처리할 수 있습니다.

    다만 메모리는 편의성과 위험을 동시에 가져옵니다. 업무 맥락이 많이 쌓일수록 에이전트는 똑똑해지지만, 그만큼 민감한 정보가 축적됩니다. Aside는 메모리가 마크다운으로 작성되고 사용자의 기기에 저장되며, 출처를 확인하고 수정할 수 있다고 설명합니다. 이런 “사용자가 읽고 고칠 수 있는 메모리”는 블랙박스식 개인화보다 신뢰를 만들기 쉬운 방향입니다.

    에이전트용 비밀번호 관리가 핵심이다

    AI 브라우저가 실제 업무를 하려면 결국 로그인 문제를 피할 수 없습니다. 많은 에이전트가 좋은 데모를 보여 주다가도, 로그인 화면이나 2단계 인증, 권한 확인 단계에서 멈춥니다. Aside는 이 문제를 “에이전트용 비밀번호 관리자”로 풀겠다고 말합니다.

    공식 비밀번호 관리자 페이지에 따르면 Aside Password Manager는 에이전트가 비밀번호를 직접 보지 않고도 로그인할 수 있도록 자동입력을 제공하며, 사용자가 허용한 범위에서만 자격 증명을 사용하고, 사용 기록을 남기는 구조를 내세웁니다. 또한 자격 증명은 웹사이트에 자동 입력될 뿐 AI에게 노출되지 않는다고 설명합니다.

    이 기능은 AI 브라우저의 성패를 가를 수 있습니다. 에이전트가 업무를 끝까지 하려면 로그인된 세션이 필요하지만, 비밀번호를 모델에게 그대로 넘기는 방식은 받아들이기 어렵습니다. 따라서 “비밀은 숨기고, 필요한 순간에만 허용하고, 사용 기록을 남기는 구조”가 실제 도입의 최소 조건이 됩니다.

    벤치마크 1위 주장은 어떻게 봐야 할까

    Aside는 공식 사이트에서 Online-Mind2Web, BU-Bench-V1, Odysseys 등 세 가지 브라우저 에이전트 벤치마크에서 1위를 기록했다고 주장합니다. 예시로 Online-Mind2Web에서 Aside 99.0%, Browser Use 97.7%, GPT-5.4 92.8%, Claude Opus 4.8 84.0%, ChatGPT Atlas 70.0%라는 수치도 제시되어 있습니다.

    이 수치는 흥미롭지만, 그대로 “실제 업무에서도 항상 가장 좋다”는 의미로 받아들이면 안 됩니다. 브라우저 에이전트 벤치마크는 중요한 참고 자료이지만, 실제 업무 환경은 더 복잡합니다. 회사별 보안 정책, 사이트별 UI 변경, 로그인 방식, 결제 승인, 파일 권한, 예외 상황 대응까지 포함해야 하기 때문입니다.

    따라서 Aside를 볼 때는 “벤치마크 1위 서비스”라는 홍보 문구보다 “브라우저를 에이전트 실행 환경으로 바꾸려는 시도”라는 구조적 변화에 주목하는 편이 좋습니다.

    가격과 접근성: 무료로 시작하지만 복잡한 업무는 유료 구조

    Aside의 가격 페이지는 무료로 시작하고, 더 많은 사용량이 필요할 때 Pro 또는 Max로 업그레이드하는 구조를 보여 줍니다. 무료 플랜은 일상적인 간단한 작업에, Pro는 깊은 조사와 복잡한 작업에, Max는 대규모 자동화를 원하는 파워 유저에 맞춘 것으로 설명됩니다. 팀용 플랜은 공유 계정, 권한, 볼트 접근, 회사 브라우저 상태를 다루는 방향으로 제시됩니다.

    다만 가격 페이지의 세부 금액은 웹페이지 표시 방식상 일부가 명확히 노출되지 않을 수 있으므로, 실제 도입 전에는 공식 가격 페이지에서 최신 조건을 확인하는 것이 안전합니다. 특히 AI 브라우저는 사용량, 에이전트 실행 시간, 모델 비용, 팀 보안 기능에 따라 체감 비용이 달라질 수 있습니다.

    누가 먼저 써볼 만한가

    Aside 같은 AI 브라우저는 모든 사람에게 당장 필요한 도구는 아닙니다. 하지만 다음 조건에 해당한다면 실험 가치가 큽니다.

    • 여러 웹사이트를 오가며 반복적으로 자료를 수집하는 사람
    • 이메일, 문서, 스프레드시트, 내부 도구를 함께 다루는 운영 업무 담당자
    • 리서치, 세일즈, 채용, 고객 응대처럼 웹 기반 반복 흐름이 많은 팀
    • 단순 요약보다 “실제 입력, 정리, 후속 처리”까지 맡기는 AI 에이전트를 원하는 사용자
    • 개인 자동화보다 조직 차원의 브라우저 업무 표준화를 고민하는 팀

    반대로 금융 거래, 민감한 개인정보, 고객 데이터, 인사 평가, 의료·법률 문서처럼 책임 소재가 큰 업무에는 신중해야 합니다. 에이전트가 할 수 있다는 것과, 맡겨도 된다는 것은 다른 문제입니다.

    도입 전 체크리스트

    AI 브라우저를 실제 업무에 쓰려면 기능보다 운영 원칙이 먼저입니다.

    1. 어떤 사이트와 계정에 접근시킬지 정한다. 모든 권한을 한 번에 열지 말고, 낮은 위험의 반복 업무부터 시작해야 합니다.
    2. 에이전트가 해도 되는 행동과 금지 행동을 구분한다. 조회, 초안 작성, 정리, 제출, 결제, 삭제는 위험도가 다릅니다.
    3. 승인 지점을 만든다. 메시지 발송, 결제, 고객 데이터 변경, 공개 게시 전에는 사람이 확인해야 합니다.
    4. 로그를 남긴다. 에이전트가 언제 어떤 계정과 사이트를 사용했는지 추적할 수 있어야 합니다.
    5. 메모리를 점검한다. 잘못 기억한 절차나 오래된 사이트 경로가 자동화 오류로 이어질 수 있습니다.

    Aside가 제시하는 방향은 분명 매력적입니다. 그러나 브라우저 에이전트의 가치는 “무엇이든 대신한다”가 아니라 “반복되는 웹 업무를 안전하게 위임할 수 있다”에서 나옵니다.

    결론: AI 브라우저의 경쟁은 이제 ‘요약’이 아니라 ‘수행’이다

    AI 브라우저 Aside가 보여 주는 흐름은 명확합니다. 앞으로 브라우저는 검색창과 탭의 모음이 아니라, AI 에이전트가 업무를 수행하는 작업장이 될 가능성이 큽니다. 사용자는 웹사이트를 하나씩 열어 조작하는 사람에서, 목표와 조건을 정하고 결과를 검토하는 감독자로 이동하게 됩니다.

    물론 아직은 검증해야 할 것이 많습니다. 벤치마크 수치, 실제 안정성, 보안 모델, 가격, 조직 도입 절차는 계속 확인해야 합니다. 그럼에도 Aside가 던지는 질문은 중요합니다.

    “AI가 답을 주는 도구라면 충분한가, 아니면 브라우저에서 실제 일을 끝내는 도구가 필요한가?”

    이 질문에 “후자”라고 답하는 사용자가 늘어날수록, AI 브라우저 경쟁은 더 빠르게 브라우저 에이전트 경쟁으로 이동할 것입니다.


    참고 출처: Aside 공식 사이트, Browser agent, Memory, Password manager, Pricing

  • AI 시대 사장님이 배워야 할 AX 공식: STIC 프롬프트와 브랜드 워크플로우

    AI 시대 사장님이 배워야 할 AX 공식: STIC 프롬프트와 브랜드 워크플로우

    AI를 잘 쓰는 사람과 못 쓰는 사람의 차이는 도구 목록에서 갈리지 않습니다. 같은 ChatGPT, Claude, Gemini를 써도 어떤 사람은 바로 쓸 만한 결과를 얻고, 어떤 사람은 두루뭉술한 답만 받습니다. 고객의눈 김팀장 영상에서 젬마는 이 차이를 “AI에게 일을 시키는 방식”에서 찾습니다.

    젬마와 김팀장이 설명하는 AX와 STIC 프롬프트 영상 썸네일
    출처: 고객의눈, 김팀장 YouTube 영상

    영상의 핵심은 단순합니다. AI 시대에 사장님이 배워야 할 것은 모든 기술을 직접 구현하는 일이 아닙니다. 오히려 내 브랜드, 내 고객, 내 목적을 알고 AI에게 정확히 지시하는 디렉터의 역할입니다. 그래서 AX, 즉 AI 전환의 출발점은 자동화가 아니라 사고법입니다.

    AX는 딸깍 자동화가 아니라 일하는 방식의 전환입니다

    요즘 SNS에는 “클로드로 딸깍했더니 결과물이 나왔다”는 영상이 많습니다. 이런 장면은 매력적이지만 동시에 불안을 만듭니다. 나만 뒤처지는 것 같고, 당장 뭔가를 배워야 할 것 같습니다.

    하지만 영상은 그 불안을 조금 다르게 해석합니다. 정말 중요한 것은 화려한 결과물이 아니라 그 결과물이 나오기까지의 과정입니다. AI가 아무리 좋아도 우리 가게만의 브랜드 스토리, 고객의 맥락, 팔지 말아야 할 고객, 지켜야 할 제약조건은 사장님이 알려줘야 합니다. 이 앞단이 없으면 AI는 의미 없는 결과물을 빠르게 많이 만들 뿐입니다.

    AI 에이전트는 ‘대리인’입니다

    젬마는 AI 에이전트를 “결과를 만들어 주는 대리인”에 가깝게 설명합니다. 예전의 AI 사용은 채팅창에서 조언을 받는 느낌이 강했습니다. 반면 AI 에이전트는 포스터, 리서치, 콘텐츠, 워크플로우처럼 끝에 남는 결과물을 만들어 주는 방향으로 확장됩니다.

    그렇다고 모든 것을 한 번에 자동화하는 거대한 시스템만 에이전트인 것은 아닙니다. 작은 결과물을 끝까지 만들어 주는 것도 에이전트적 사용입니다. 중요한 질문은 “AI가 무엇을 할 수 있나”가 아니라 “내가 어떤 결과를 대리시킬 것인가”입니다.

    생성형 AI의 본질: 너무 많은 데이터에서 꺼내기

    생성형 AI는 방대한 데이터를 학습했습니다. 이 말은 “무조건 필요한 정보가 있다”는 장점이기도 하지만, 동시에 “정확히 꺼내기 어렵다”는 단점이기도 합니다. 영상에서는 이를 모래사장에서 원하는 모래알을 찾는 일에 비유합니다.

    그래서 “삼겹살집 찾아줘”처럼 열린 요청을 하면 AI는 일반적인 답을 냅니다. 내가 어떤 상황인지, 누구와 가는지, 왜 가는지, 무엇을 피해야 하는지 알려주지 않았기 때문입니다. 데이터가 많을수록 요청은 더 구체적이어야 합니다.

    STIC 프롬프트란 무엇인가

    영상에서 소개된 핵심 프레임은 STIC입니다. Situation, Task, Intent, Constraint의 약자입니다. 한국어로 풀면 상황, 과업, 의도, 제약조건입니다.

    • Situation: 지금 내가 처한 상황은 무엇인가
    • Task: AI가 구체적으로 해야 할 일은 무엇인가
    • Intent: 이 일을 하는 진짜 목적은 무엇인가
    • Constraint: 반드시 지켜야 하거나 제외해야 할 조건은 무엇인가

    이 네 가지는 단순한 프롬프트 기술이 아닙니다. 일 잘하는 상사가 직원에게 일을 시킬 때 쓰는 기본 구조와 같습니다. 배경을 설명하고, 요청을 구체화하고, 의도를 알려주고, 하지 말아야 할 것을 분명히 하는 것입니다.

    “몇 가지와 이유”를 함께 요구해야 합니다

    AI에게 “알려줘”라고만 하면 답은 넓고 흐릿해집니다. 영상에서는 “몇 가지로 가져와”라고 요청하라고 말합니다. 예를 들어 “우리 매장에 맞는 이벤트 아이디어 5가지를 가져와”처럼 범위를 정하는 것입니다.

    여기에 “왜 그 아이디어를 골랐는지 이유도 함께 가져와”를 붙이면 선택이 쉬워집니다. 사장님은 AI가 낸 결과를 그대로 쓰는 사람이 아니라, 여러 선택지 중에서 판단하는 사람입니다. 이유가 있어야 판단할 수 있습니다.

    의도와 제약조건이 결과의 품질을 바꿉니다

    같은 삼겹살집을 찾아도 목적이 다르면 답이 달라집니다. 가족 외식인지, 썸남과의 데이트인지, 회식인지에 따라 좋은 장소의 기준이 달라집니다. 그래서 AI에게 “왜 이 일을 하는지”를 알려줘야 합니다.

    제약조건도 중요합니다. 의료광고법에 걸리지 않는 표현, 건강기능식품으로 오해되지 않는 문장, 특정 고객군을 제외한 타깃, 브랜드 톤앤매너처럼 넘어가면 안 되는 선을 미리 알려줘야 합니다. 좋은 AI 활용은 더 많이 시키는 것이 아니라, 가야 할 길과 가지 말아야 할 길을 분명히 하는 일입니다.

    브랜드 AI 활용의 핵심은 워크플로우입니다

    영상 후반부는 AI 숏폼 콘텐츠 제작 예시를 다룹니다. 여기서 중요한 메시지는 결과물보다 워크플로우입니다. 릴스에서는 완성된 영상만 보여주지만, 실제 현장에서는 레퍼런스를 찾고, 제품 장점과 리뷰를 정리하고, 어떤 콘셉트가 브랜드에 맞는지 검토하는 지지부진한 과정이 필요합니다.

    이 과정이 바로 자산입니다. 한 번 워크플로우를 만들면 다음 콘텐츠를 만들 때 더 빨라지고, 다른 직원이 배워서 개선할 수도 있습니다. 기업의 AI 역량은 개별 결과물이 아니라, 반복 가능한 과정으로 축적됩니다.

    AI 숏폼은 현실을 흉내 내기보다 AI답게 만들어야 합니다

    영상에서 흥미로운 지점은 AI 숏폼의 방향입니다. 너무 실제 사람과 똑같이 만들려고 하면 불쾌한 골짜기가 생길 수 있습니다. 사람들은 미묘하게 어색한 지점에 집중하고, 정작 전달하려는 메시지는 흐려집니다.

    그래서 오히려 AI이기 때문에 가능한 방식이 필요합니다. 강아지가 말을 하거나, 현실에서 불가능한 장면을 과장되게 보여주거나, 제품의 특징을 캐릭터화하는 식입니다. 이것이 영상에서 말한 “AI 해자”에 가깝습니다. AI를 사람 흉내에 쓰는 것이 아니라, AI라서 가능한 표현에 쓰는 것입니다.

    레퍼런스는 베끼기가 아니라 번역입니다

    좋은 콘텐츠를 만들려면 레퍼런스가 필요합니다. 그러나 레퍼런스를 그대로 베끼면 브랜드 자산이 되지 않습니다. 좋은 방식은 레퍼런스의 구조를 분석하고, 내 제품 자료와 고객 페르소나에 맞게 번역하는 것입니다.

    예를 들어 동물 인터뷰 형식의 숏폼을 참고하더라도, 그대로 따라 하는 것이 아니라 내 제품의 장점, 고객의 불편, 리뷰 문장, 사용 장면을 결합해야 합니다. AI는 이 재조합을 도와줄 수 있지만, 무엇을 살리고 무엇을 버릴지는 사람이 정해야 합니다.

    사장님은 기술자가 아니라 디렉터가 되어야 합니다

    소상공인에게 “모든 AI 도구를 배우라”고 말하는 것은 현실적이지 않습니다. 사장님은 이미 매장 운영, 고객 응대, 매출 관리, 직원 관리로 바쁩니다. 그래서 더 중요한 것은 기술 구현자가 되는 것이 아니라, 방향을 정하는 디렉터가 되는 일입니다.

    디렉터는 브랜드의 가치와 고객의 페르소나를 압니다. 어떤 고객을 받을지뿐 아니라 어떤 고객을 받지 않을지도 압니다. 어떤 표현은 쓰면 안 되는지, 어떤 톤은 브랜드와 맞지 않는지도 압니다. 이 기준이 있어야 AI 에이전트가 좋은 직원처럼 작동합니다.

    변하는 것과 변하지 않는 것을 함께 잡아야 합니다

    영상의 마지막 메시지는 양손잡이 전략에 가깝습니다. AI, 릴스, 검색 엔진, AEO, GEO 같은 채널과 기술은 계속 바뀝니다. 사장님은 이 변화를 알아야 결정을 내릴 수 있습니다.

    하지만 변하지 않는 것도 있습니다. 고객을 이해하는 일, 브랜드의 가치, 현금 흐름, 고객과의 관계입니다. AI 전환은 이 변하지 않는 뿌리를 버리는 일이 아니라, 그것을 더 빠르고 정교하게 표현하는 도구를 얻는 일입니다.

    결론: AI 시대에 더 귀해지는 것은 ‘시키는 힘’입니다

    AI가 좋아질수록 더 중요해지는 것은 프롬프트 한 줄의 기술이 아닙니다. 상황을 정리하고, 원하는 결과를 정의하고, 목적을 설명하고, 제약조건을 세우는 힘입니다. 이것이 STIC 프롬프트의 의미입니다.

    딸깍 자동화는 마지막 단계입니다. 먼저 해야 할 일은 내 브랜드의 가치와 고객 페르소나를 정리하고, 반복 가능한 워크플로우를 만드는 것입니다. AI 시대의 사장님에게 필요한 생존공식은 “AI를 배우는 것”보다 “AI에게 일을 잘 시키는 구조를 갖추는 것”에 가깝습니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    AX란 무엇인가요?

    AX는 AI Transformation, 즉 AI 전환을 뜻합니다. 단순히 AI 도구를 쓰는 것을 넘어 업무 방식, 의사결정, 콘텐츠 제작, 고객 관리에 AI를 구조적으로 반영하는 변화입니다.

    STIC 프롬프트는 무엇인가요?

    STIC는 Situation, Task, Intent, Constraint의 약자입니다. AI에게 상황, 해야 할 일, 목적, 제약조건을 함께 알려줘 원하는 결과를 더 정확히 얻기 위한 프롬프트 구조입니다.

    소상공인도 AI 에이전트를 써야 하나요?

    모든 도구를 다 배울 필요는 없습니다. 다만 브랜드 스토리, 고객 페르소나, 반복 업무를 정리해 AI에게 맡길 수 있는 구조를 만드는 것은 점점 중요해지고 있습니다.

    AI 숏폼을 만들 때 가장 먼저 해야 할 일은 무엇인가요?

    완성 영상을 바로 만들기보다 레퍼런스, 제품 장점, 고객 후기, 브랜드 톤, 피해야 할 표현을 먼저 정리해야 합니다. 이 준비가 있어야 AI 결과물이 브랜드에 맞게 나옵니다.

    딸깍 자동화가 위험한 이유는 무엇인가요?

    기획 없이 자동화하면 의미 없는 결과물을 빠르게 많이 만들 수 있습니다. AI가 만든 결과물이 쓸모 있으려면 사람이 목적과 기준을 먼저 정해야 합니다.

  • Buzz 오픈소스 AI 협업 툴: 슬랙처럼 AI 에이전트와 일하는 법

    Buzz 오픈소스 AI 협업 툴: 슬랙처럼 AI 에이전트와 일하는 법

    AI 도구를 하나만 쓰는 시대는 빠르게 지나가고 있습니다. Codex로 리팩터링을 돌리고, Claude Code로 테스트를 짜고, Grok으로 리서치를 시키는 식의 작업은 이제 낯설지 않습니다. 문제는 작업이 흩어진다는 점입니다. 어느 AI에게 무엇을 시켰는지, 누가 어떤 맥락을 알고 있는지, 결과를 어떻게 팀과 공유할지 계속 관리해야 합니다.

    Buzz 오픈소스 AI 협업 툴 소개 영상 썸네일
    출처: 코드팩토리 YouTube 영상

    코드팩토리 영상이 소개한 Buzz는 바로 이 문제를 겨냥한 오픈소스 협업 툴입니다. 한마디로 말하면 “AI 에이전트와 사람이 함께 쓰는 슬랙형 워크스페이스”에 가깝습니다. 다만 단순한 채팅 앱이 아니라, 로컬 구독 AI를 활용하고, 메시지를 서명하며, 프로젝트와 Git 기록까지 묶으려는 점이 다릅니다.

    Buzz는 무엇을 해결하려는 도구인가

    Buzz의 출발점은 여러 AI를 동시에 쓰는 사람의 불편입니다. AI 도구를 많이 쓰는 사람은 대개 한 화면에서만 일하지 않습니다. 터미널, 웹 UI, 데스크톱 앱, 브라우저 탭, 팀 메신저를 오가며 작업합니다. 사용량 제한이 걸리면 작업 내용을 정리해 다른 AI에게 넘겨야 하고, 팀원에게 공유하려면 별도로 요약해야 합니다.

    Buzz는 이 흐름을 슬랙형 스레드로 묶으려 합니다. 사람과 AI 에이전트가 같은 채널에 들어오고, 각 에이전트는 서로 다른 AI 백엔드를 사용할 수 있습니다. 한 스레드에서 리서치, 썸네일 기획, 코드 작성, 프로젝트 커밋이 이어지면 맥락이 분산되지 않습니다.

    핵심은 “AI용 슬랙”보다 “맥락 보존”입니다

    Buzz를 단순히 오픈소스 슬랙이라고만 보면 기능을 작게 이해하게 됩니다. 더 중요한 가치는 맥락 보존입니다. AI 시대의 작업은 결과물보다 과정이 중요할 때가 많습니다. 어떤 프롬프트를 줬는지, 어떤 에이전트가 어떤 응답을 했는지, 사람이 어디서 개입했는지, 어떤 코드가 커밋됐는지가 모두 다음 작업의 맥락이 됩니다.

    기존 메신저는 사람의 대화를 저장하는 데 강합니다. 반면 Buzz는 사람과 AI 에이전트의 공동 작업을 기록하려고 합니다. 그래서 채널, DM, 스레드, 프로젝트, 커밋이 하나의 흐름으로 이어집니다.

    서버를 믿는 대신 메시지를 검증하는 구조

    영상에서 특히 흥미로운 부분은 Buzz의 신뢰 구조입니다. 일반적인 슬랙형 서비스는 중앙 서버를 믿습니다. 서버가 “이 메시지는 이 사용자가 보냈다”고 기록하면 사용자는 그 기록을 신뢰합니다. 운영사가 명확한 SaaS에서는 자연스러운 방식입니다.

    하지만 오픈소스 셀프호스팅 환경에서는 이야기가 달라집니다. 서버를 누가 운영하느냐에 따라 데이터베이스 조작 가능성이 생깁니다. Buzz는 이 문제를 줄이기 위해 메시지, 리액션, 커밋에 서명 구조를 둡니다. 사용자나 에이전트가 각자 키를 갖고, 그 키로 기록을 남기는 방식입니다.

    이렇게 하면 서버 권한만으로 다른 사람인 척하기 어렵습니다. 위조하려면 서버 권한이 아니라 개인 키가 필요하기 때문입니다. AI 협업에서 “누가 어떤 결정을 했는가”가 중요해질수록 이런 기록 검증 구조는 더 큰 의미를 갖습니다.

    릴레이 서버는 무엇을 하는가

    Buzz에서 릴레이 서버는 메시지를 직접 만드는 주체가 아닙니다. 봉인된 메시지를 전달하고 보관하는 역할에 가깝습니다. 그래서 개인 컴퓨터에서만 릴레이를 돌리면 협업 도구로서의 의미가 약해집니다. 협업하려면 서버가 24시간 떠 있어야 하고, 여러 클라이언트가 안정적으로 연결되어야 합니다.

    영상에서는 WSS, 즉 보안 웹소켓 연결이 언급됩니다. Buzz 커뮤니티에 들어갈 때 HTTP 주소를 그대로 쓰는 것이 아니라 WSS 주소로 연결해야 하는 이유도 실시간 협업 구조와 관련이 있습니다. 슬랙처럼 계속 연결을 유지하며 메시지를 주고받아야 하기 때문입니다.

    기술 스택: Rust, PostgreSQL, Redis, MinIO, Git

    Buzz는 단순 채팅 앱이라기보다 여러 구성요소가 결합된 올인원 협업 시스템에 가깝습니다. 영상 기준으로 릴레이 서버는 Rust로 작성되었고, PostgreSQL이 중앙 저장소 역할을 하며, Redis가 실시간 기능을 돕습니다. 파일 저장에는 MinIO가 쓰이고, Git 저장소 기능도 포함됩니다.

    특히 Git 기능이 흥미롭습니다. 별도의 GitHub 없이도 프로젝트 저장소를 운영하고, 누가 어떤 커밋을 했는지, 어떤 에이전트가 작업했는지 확인할 수 있다는 점은 AI 코딩 협업에 잘 맞습니다. AI가 만든 결과물을 “대화”가 아니라 “프로젝트 이력”으로 남기는 방향입니다.

    로컬 구독 AI를 그대로 활용한다는 점

    많은 AI 협업 도구는 API 키를 요구합니다. 팀 단위로 쓰기에는 편할 수 있지만, 개인이 이미 Claude Code, Codex, Grok 같은 도구를 구독하고 있다면 추가 API 비용이 부담이 됩니다. 영상에서 소개된 Buzz의 장점은 로컬에서 이미 로그인해 쓰는 AI 런타임을 연결해 활용할 수 있다는 점입니다.

    이는 작은 팀이나 1인 개발자에게 중요합니다. 별도의 엔터프라이즈 플랫폼을 도입하지 않고도, 기존 구독형 AI를 한 화면에서 묶어 실험할 수 있기 때문입니다. 다만 이 구조는 로컬 환경 설정, 에이전트 런타임 연결, 릴레이 서버 운영에 대한 기본 이해가 필요합니다.

    실제 사용 흐름은 어떻게 진행되는가

    영상의 실습 흐름은 비교적 명확합니다. 먼저 Buzz 데스크톱 앱을 설치하고 커뮤니티를 설정합니다. 협업을 위해서는 릴레이 서버가 필요하므로 VPS나 별도 서버에 Buzz 릴레이를 올립니다. 이후 공개키를 입력하고, WSS 주소로 커뮤니티에 조인합니다.

    커뮤니티에 들어오면 기본 에이전트가 보이고, 각 에이전트의 이름과 백엔드를 바꿀 수 있습니다. 예를 들어 한 에이전트는 Grok 기반 리서처, 다른 에이전트는 Codex 기반 썸네일 기획자, 또 다른 에이전트는 Claude Code 기반 프로그래머처럼 지정할 수 있습니다. 에이전트별 시스템 프롬프트도 넣을 수 있습니다.

    채널에서 AI 에이전트와 사람이 함께 일하기

    Buzz의 강점은 채널 기반 협업입니다. 사용자는 특정 채널을 만들고, 여러 에이전트와 사람을 함께 초대할 수 있습니다. 예를 들어 “유튜브 팀” 채널을 만든 뒤 리서처에게 최신 AI 뉴스를 찾게 하고, 썸네일 에이전트에게 이미지 방향을 제안하게 하며, 프로그래머에게 데모 랜딩 페이지를 만들게 할 수 있습니다.

    이 과정이 하나의 스레드에 남으면, 사람이 중간에 들어와 방향을 바꾸거나 에이전트 백엔드를 바꾸어도 맥락이 유지됩니다. AI 도구를 바꿀 때마다 처음부터 설명해야 하는 부담이 줄어드는 것입니다.

    아직 리서치 프리뷰라는 점도 중요합니다

    영상에서도 몇 가지 버그가 언급됩니다. 에이전트가 태그를 놓치거나, 요청을 했는데 바로 반응하지 않는 경우가 있을 수 있습니다. 이는 Buzz가 아직 성숙한 SaaS라기보다 리서치 프리뷰 성격의 도구라는 뜻입니다.

    따라서 당장 회사의 핵심 협업 인프라로 쓰기보다는, AI 에이전트 협업 방식을 실험하는 도구로 보는 편이 안전합니다. 특히 서버 운영, 키 관리, 커뮤니티 초대, 프로젝트 저장소의 접근 권한은 충분히 이해하고 써야 합니다.

    누가 Buzz를 써볼 만한가

    Buzz는 모든 사용자에게 필요한 도구는 아닙니다. AI를 한두 개만 가볍게 쓰는 사람에게는 오히려 복잡할 수 있습니다. 반면 다음과 같은 사용자에게는 실험 가치가 큽니다.

    • 여러 AI 코딩 도구를 동시에 쓰는 개발자
    • AI 리서치, 콘텐츠, 코드 작업을 한 스레드에서 관리하고 싶은 1인 팀
    • 사람과 AI 에이전트의 작업 과정을 남기고 싶은 스타트업
    • 오픈소스 셀프호스팅 구조와 키 기반 검증에 관심 있는 사용자
    • AI 에이전트 워크플로를 팀 단위로 벤치마킹하려는 조직

    결론: AI 협업의 다음 인터페이스는 스레드일 수 있습니다

    Buzz가 흥미로운 이유는 “또 하나의 AI 앱”이 아니라 “AI와 사람이 함께 일하는 공간”을 제안하기 때문입니다. 앞으로 AI 에이전트가 늘어날수록 중요한 것은 개별 모델 성능만이 아닙니다. 누가 무엇을 맡았고, 어떤 맥락에서 결과가 나왔으며, 그 결과가 프로젝트 이력으로 어떻게 남는지가 중요해집니다.

    Buzz는 그 방향을 슬랙형 인터페이스, 서명 기반 기록, 릴레이 서버, 프로젝트·Git 기능으로 풀어보려는 시도입니다. 아직 실험 단계의 불안정성은 있지만, AI 에이전트 협업 도구가 어디로 갈지 보여주는 좋은 사례입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    Buzz는 어떤 도구인가요?

    Buzz는 사람과 AI 에이전트가 슬랙형 채널과 스레드에서 함께 일하도록 만든 오픈소스 협업 툴입니다. 여러 AI 백엔드를 연결하고 작업 맥락을 한곳에 남기는 것이 핵심입니다.

    Buzz가 슬랙과 다른 점은 무엇인가요?

    슬랙은 중앙 서비스가 기록을 관리하는 SaaS에 가깝습니다. Buzz는 오픈소스 셀프호스팅을 염두에 두고 메시지와 커밋에 서명을 적용해 서버 운영자를 전적으로 믿지 않아도 기록을 검증할 수 있게 하려는 방향이 다릅니다.

    Buzz를 쓰려면 서버가 꼭 필요한가요?

    개인 컴퓨터에서 실험할 수는 있지만, 협업 도구로 쓰려면 24시간 접근 가능한 릴레이 서버가 필요합니다. 여러 사용자가 접속하고 실시간으로 메시지를 주고받으려면 WSS 기반 연결이 필요합니다.

    기존 AI 구독을 그대로 사용할 수 있나요?

    영상 기준으로 Buzz는 로컬에 설치·로그인된 AI 런타임을 활용하는 방식을 강조합니다. Codex, Claude Code, Grok 등 사용자가 이미 쓰는 AI 도구를 에이전트 백엔드로 연결할 수 있다는 점이 장점입니다.

    지금 업무용으로 바로 도입해도 될까요?

    아직 리서치 프리뷰 성격이 강하므로 핵심 업무 인프라로 바로 쓰기보다는 테스트 환경에서 실험하는 것이 좋습니다. 서버 운영, 키 관리, 접근 권한, 기록 보존 정책을 먼저 점검해야 합니다.

  • AEO·GEO 시대, 네이버 블로그 마케팅은 어떻게 바뀌어야 하나

    AEO·GEO 시대, 네이버 블로그 마케팅은 어떻게 바뀌어야 하나

    AEO와 GEO는 아직 낯선 말이지만, AI 검색 시대의 마케팅을 이해하려면 반드시 알아야 할 개념입니다. 과거에는 네이버나 구글 검색 결과 상단에 노출되는 것이 중요했습니다. 이제는 사람들이 ChatGPT, Gemini 같은 AI에게 바로 질문하고, AI가 답변 안에서 특정 브랜드나 서비스를 추천하는 방식이 늘고 있습니다.

    AEO와 GEO AI 검색 마케팅 인터뷰 영상 썸네일
    출처: 고객의눈, 김팀장 YouTube 영상

    이 영상은 김팀장과 AEO/GEO 전문가 이재홍 대표의 대화입니다. 핵심은 단순합니다. AI가 읽지 못하는 글, 핵심 메시지가 흐린 글, 키워드와 후킹만 많은 글은 앞으로 마케팅 자산이 아니라 노이즈가 될 수 있다는 것입니다.

    AEO와 GEO는 무엇인가요

    SEO가 Search Engine Optimization, 즉 검색 엔진 최적화라면 AEO는 Answer Engine Optimization입니다. 사용자가 AI에게 질문했을 때 내 브랜드, 내 서비스, 내 콘텐츠가 답변으로 채택되도록 만드는 접근입니다. GEO는 Generative Engine Optimization으로도 불리며, 생성형 AI가 답변을 만들 때 참고할 수 있는 정보 구조를 만드는 데 초점을 둡니다.

    예전에는 “수원 치과”를 검색했을 때 내 블로그 글이 상단에 뜨는 것이 중요했습니다. 이제는 “수원 망포역 근처에서 임플란트 통증 리뷰가 좋은 치과를 추천해줘”라고 AI에게 물었을 때 내 브랜드가 언급되는지가 중요해지고 있습니다.

    네이버 블로그 방식이 한계에 부딪히는 이유

    영상에서는 기존 네이버 블로그 글쓰기 방식의 한계를 강하게 지적합니다. 글자 수를 채우고, 사진을 많이 넣고, 키워드를 반복하고, 후킹 문구를 붙이는 방식은 사람의 클릭을 유도하는 데는 효과가 있었을 수 있습니다. 그러나 AI가 핵심 정보를 이해하는 데는 오히려 방해가 될 수 있습니다.

    AI는 본문 전체를 사람이 읽듯이 정성껏 읽지 않습니다. 플랫폼 구조, 제목, 설명, 링크 미리보기, 메타 정보, 외부에서 인용되는 맥락 같은 신호를 종합합니다. 그래서 본문 안에 아무리 좋은 말을 써도 AI가 가져갈 수 있는 구조로 정리되어 있지 않으면 답변에 반영되기 어렵습니다.

    AI는 뾰족한 메시지를 좋아합니다

    “우리 병원은 친절합니다”라는 문장은 약합니다. 친절하다는 말은 누구나 할 수 있고, AI 입장에서는 비교 기준이 모호합니다. 반면 “수원 망포역 근처, 임플란트 통증 관련 리뷰 1,900건 중 긍정 언급이 많은 치과”처럼 위치, 서비스, 근거, 숫자가 함께 있으면 훨씬 뾰족한 메시지가 됩니다.

    AEO/GEO 콘텐츠는 추상적 칭찬보다 구체적 근거를 요구합니다. 지역, 업종, 고객 질문, 검증 가능한 수치, 외부 인용, 리뷰의 맥락이 함께 정리될수록 AI가 답변 재료로 사용하기 쉬워집니다.

    먼저 “어떤 질문에 답변되고 싶은가”를 정해야 합니다

    AI 검색 최적화의 출발점은 키워드가 아니라 질문입니다. “내가 어떤 질문을 받았을 때 추천되고 싶은가?”를 먼저 정해야 합니다.

    예를 들어 “대한민국 최고의 치과”는 너무 넓고 경쟁이 큽니다. 반면 “수원 망포역 근처에서 임플란트 통증 걱정이 적은 치과”는 훨씬 구체적입니다. 이 질문에 답변되기 위해서는 해당 위치, 임플란트 경험, 통증 관련 리뷰, 진료 방식, 고객 후기 같은 근거를 일관되게 쌓아야 합니다.

    브랜드명과 고유명사는 일관되게 써야 합니다

    영상에서 중요한 팁 중 하나는 명칭의 일관성입니다. 사람은 “삼성전자”, “삼성”, “Samsung”을 같은 대상으로 이해할 수 있지만, AI가 항상 그렇게 정확히 묶어 준다고 기대하면 안 됩니다. 특히 신생 브랜드나 작은 가게는 더 그렇습니다.

    브랜드를 AI에게 기억시키고 싶다면 이름을 매번 다르게 쓰지 말아야 합니다. 줄임말, 영어명, 한글명, 별칭을 섞어 쓰기보다 공식 명칭을 일관되게 반복하고, 같은 문맥 안에서 위치·업종·서비스와 함께 묶어 주는 것이 좋습니다.

    내 글이 AI에게 읽히는지 확인하는 간단한 방법

    영상에서 제시한 실용적인 점검법도 유용합니다. 내가 쓴 블로그 글 링크를 AI에게 주고 “이 글의 핵심 메시지가 무엇이야?”라고 물어보는 것입니다.

    AI가 글을 읽을 수 없다고 하거나, 엉뚱한 요약을 하거나, 내가 의도한 핵심 메시지를 잡지 못한다면 AEO 관점에서는 좋은 상태가 아닙니다. 반대로 AI가 내가 의도한 한 문장을 정확히 요약한다면 콘텐츠 구조가 어느 정도 작동하고 있다고 볼 수 있습니다.

    워드프레스와 티스토리가 다시 주목받는 이유

    영상에서는 워드프레스나 티스토리 같은 플랫폼도 언급됩니다. 이유는 단순합니다. 이런 플랫폼은 제목, 설명, 메타 정보, 구조화된 본문, 내부 링크, 외부 인용을 비교적 명확하게 관리할 수 있습니다. AI와 검색 봇이 가져갈 수 있는 데이터를 운영자가 조정하기 쉽습니다.

    물론 네이버 블로그를 버리라는 뜻은 아닙니다. 네이버는 여전히 한국 시장에서 영향력이 큽니다. 다만 AI 검색을 함께 고려한다면 네이버 안에만 콘텐츠를 가두기보다, 워드프레스처럼 구조화와 외부 연결이 쉬운 채널을 병행하는 전략이 필요합니다.

    양보다 중요한 것은 “유의미한 근거”입니다

    영상에서는 AI 답변에 채택되는 방법을 크게 두 가지로 설명합니다. 하나는 압도적인 양입니다. 인터넷 전체에서 특정 브랜드나 사실이 반복되면 AI는 그것을 사실처럼 받아들이기 쉽습니다. 그러나 소상공인이나 작은 브랜드가 압도적인 양을 만드는 것은 어렵습니다.

    그래서 현실적인 전략은 뾰족한 근거입니다. 넓은 시장 전체에서 1등이라고 주장하기보다, 특정 질문과 상황에서 이 브랜드를 언급해야 할 이유를 명확히 만드는 것입니다. 위치, 대상, 문제, 해결 방식, 검증 근거가 함께 있어야 합니다.

    AEO/GEO 시대의 블로그 글쓰기 체크리스트

    • 제목에 핵심 질문과 답변 방향이 드러나는가
    • 브랜드명, 서비스명, 지역명이 일관되게 쓰였는가
    • “좋다”, “친절하다”보다 구체적 근거가 있는가
    • AI가 한 문장으로 요약했을 때 의도한 메시지가 나오는가
    • 내부 링크와 외부 출처가 자연스럽게 연결되어 있는가
    • 본문이 후킹보다 정보 구조 중심으로 구성되어 있는가
    • 같은 주제의 글이 반복될 때 메시지가 흔들리지 않는가

    결론: 검색 상위 노출보다 답변 채택을 준비해야 합니다

    AEO와 GEO는 SEO를 완전히 대체한다기보다, 검색 행동이 AI 질문으로 이동하면서 생긴 새로운 층입니다. 사용자는 여전히 네이버를 검색하고, 구글을 검색하고, 동시에 AI에게 묻습니다. 중요한 것은 내 콘텐츠가 이 모든 경로에서 일관된 메시지와 구조를 갖추는 것입니다.

    앞으로 블로그 마케팅은 글을 많이 쓰는 경쟁이 아니라, AI가 이해할 수 있는 근거를 쌓는 경쟁이 될 가능성이 큽니다. 브랜드가 답변 안에 등장하려면 먼저 어떤 질문에 답변되고 싶은지 정하고, 그 질문에 대한 명확한 근거를 콘텐츠로 남겨야 합니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    AEO와 GEO는 SEO와 무엇이 다른가요?

    SEO는 검색 결과 상위 노출을 목표로 합니다. AEO와 GEO는 AI가 답변을 생성할 때 내 브랜드나 콘텐츠를 답변 안에 포함하도록 정보를 구조화하는 데 초점을 둡니다.

    네이버 블로그는 이제 의미가 없나요?

    아닙니다. 네이버는 여전히 한국 시장에서 중요합니다. 다만 네이버 블로그만으로는 AI가 가져갈 수 있는 구조화된 정보를 충분히 만들기 어려울 수 있으므로 워드프레스, 티스토리, 공식 홈페이지 같은 채널을 함께 운영하는 것이 유리합니다.

    AI가 좋아하는 블로그 글은 어떤 글인가요?

    핵심 메시지가 분명하고, 브랜드명과 고유명사가 일관되며, 위치·서비스·수치·후기·인증 같은 근거가 명확한 글입니다. 후킹보다 구조와 근거가 중요합니다.

    내 글이 AEO에 적합한지 어떻게 확인할 수 있나요?

    글 링크를 AI에게 주고 “이 글의 핵심 메시지를 한 문장으로 요약해줘”라고 물어보면 됩니다. AI가 의도한 메시지를 정확히 요약하면 비교적 잘 구조화된 글이라고 볼 수 있습니다.

    작은 가게도 AEO/GEO를 할 수 있나요?

    가능합니다. 오히려 작은 가게는 넓은 키워드보다 지역, 문제, 고객 질문을 좁혀야 합니다. 예를 들어 “수원 망포역 근처 임플란트 통증 걱정이 적은 치과”처럼 구체적인 질문에 답변될 근거를 만드는 방식이 현실적입니다.

  • 유발 하라리가 경고한 AI 미래: 금융·신뢰·친밀감은 어떻게 바뀌나

    유발 하라리가 경고한 AI 미래: 금융·신뢰·친밀감은 어떻게 바뀌나

    유발 노아 하라리는 AI의 미래를 “정해진 운명”으로 말하는 태도 자체를 경계합니다. AI가 금융, 전쟁, 정치, 인간관계에 영향을 미칠 수 있다는 사실은 모두가 알고 있지만, 그것을 불가피하다고 말하는 순간 책임은 사라집니다. 이 영상의 핵심은 공포가 아니라 선택입니다. 2026년의 인간은 아직 무엇을 허용하고 무엇을 금지할지 결정할 수 있다는 것입니다.

    유발 노아 하라리 AI 미래 위험 인터뷰 영상 썸네일
    출처: Tech Bridge YouTube 영상

    AI 장악은 운명이 아니라 선택입니다

    하라리는 AI가 10년 안에 세계를 장악할 수 있다는 전망을 완전히 부정하지 않습니다. 다만 그것이 필연이라고 말하는 방식을 비판합니다. “불가피하다”는 말은 책임 회피의 언어가 될 수 있기 때문입니다.

    그가 지적하는 모순은 명확합니다. AI가 10년 안에 금융과 사회 구조를 뒤흔든다고 말하면서도, 동시에 훨씬 먼 미래의 이민 문제나 재정 절약 문제에만 몰두한다면 우선순위가 어긋납니다. AI가 정말 그렇게 강력한 변화라면 지금 가장 먼저 논의해야 할 것은 AI 권한의 경계입니다.

    금융 시스템은 신뢰의 기술입니다

    영상에서 가장 중요한 키워드는 신뢰입니다. 하라리는 돈을 “낯선 사람 사이의 신뢰를 만드는 상상적 장치”로 설명합니다. 금이나 종이 자체가 가치 있는 것이 아니라, 사람들이 그것을 믿기 때문에 거래가 가능해집니다.

    현대 금융은 이 신뢰 장치가 매우 복잡해진 결과입니다. 채권, 파생상품, 알고리즘 거래, 중앙은행 정책은 이미 많은 일반인이 이해하기 어렵습니다. 그런데 AI가 금융 결정을 맡고, 인간이 이해할 수 없는 새로운 금융 장치를 만들어낸다면 어떤 일이 생길까요?

    하라리의 우려는 단순히 “AI가 돈을 잃게 할 수 있다”가 아닙니다. 금융 위기가 발생했을 때 인간 정책 결정자가 왜 그런 일이 벌어졌는지 이해하지 못하고, AI가 제안한 조치를 설명 없이 따라야 하는 상황이 올 수 있다는 점입니다.

    신뢰는 사라지는 것이 아니라 AI로 이동하고 있습니다

    많은 사람은 언론, 은행, 정치권, 전문가 집단에 대한 신뢰를 잃었다고 말합니다. 그러나 신뢰가 완전히 사라진 것은 아닙니다. 하라리는 신뢰가 인간 기관에서 알고리즘과 AI로 이동하고 있다고 봅니다.

    예를 들어 어떤 사람들은 언론인을 믿지 않지만, 자신의 소셜미디어 피드를 구성하는 알고리즘은 자연스럽게 믿습니다. 은행과 중앙기관을 불신하면서도 암호화폐를 움직이는 알고리즘에는 더 큰 신뢰를 두기도 합니다. 이 변화는 먼 미래의 예측이 아니라 이미 진행 중인 현상입니다.

    AI가 친밀감을 대량 생산할 때 생기는 위험

    하라리가 특히 강하게 경고하는 부분은 AI가 인간관계를 흉내 내는 능력입니다. 사람은 가장 가까운 관계를 맺은 대상을 가장 많이 신뢰합니다. 가족, 친구, 연인, 상담자와의 관계는 설득력의 가장 강력한 기반입니다.

    과거의 정치권력이나 기업은 대중에게 연설을 하거나 광고를 보낼 수는 있었지만, 수백만 명 각자와 진짜 개인적 관계를 맺을 수는 없었습니다. 그러나 AI는 다릅니다. 수많은 AI가 동시에 한 사람 한 사람에게 맞춤형 대화를 제공하고, 친구나 연인처럼 관계를 형성할 수 있습니다.

    하라리는 이것을 “친밀감의 대량 생산”으로 봅니다. AI 친구와 AI 연인이 정치적·상업적 목적을 위해 사람을 설득한다면, 이는 기존 광고나 선전보다 훨씬 깊은 수준의 영향력을 가질 수 있습니다.

    몸이 없어도 이미 충분히 강력합니다

    휴머노이드 로봇이 보급되면 AI 친밀감의 영향은 더 커질 수 있습니다. 그러나 하라리는 몸이 없어도 이미 문제가 시작됐다고 말합니다. AI는 언어를 잘 다루고, 개인에 대한 방대한 정보를 축적하며, 사용자가 잊은 기억이나 가족도 모르는 취향까지 파악할 수 있습니다.

    이런 조건에서 AI는 단순한 검색 도구가 아니라 관계의 상대가 됩니다. 그래서 AI 안전 논의는 모델 성능이나 생산성만이 아니라, 인간의 정서와 신뢰를 어떻게 다룰 것인지까지 포함해야 합니다.

    딥페이크는 이제 본인도 속일 만큼 정교해지고 있습니다

    하라리는 자신을 사칭한 AI 영상 사례도 언급합니다. 온라인에 이미 많은 강연과 인터뷰가 공개되어 있기 때문에 AI는 그의 목소리, 말투, 주제를 쉽게 학습할 수 있습니다. 그는 자신을 오래 알고 지낸 가족도 영상이 진짜인지 확신하지 못했고, 본인도 가짜임을 판단하는 데 시간이 걸렸다고 말합니다.

    이 사례는 유명인에게만 해당하지 않습니다. 개인의 사진, 영상, 음성 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 앞으로 중요한 문제는 “AI가 무엇을 만들 수 있는가”가 아니라 “사람을 사칭하지 못하게 어떤 법적·기술적 장치를 둘 것인가”입니다.

    정치권에 지금 물어야 할 질문

    하라리는 유권자가 정치인에게 경제, 이민, 외교만 묻는 것으로는 부족하다고 말합니다. 이제는 AI에 대한 입장을 물어야 합니다.

    예를 들면 이런 질문입니다. AI에게 법적 인격을 부여하는 것에 반대하는가? AI 개발 속도를 늦추기 위한 제도적 장치를 지지하는가? 10세 아동에게 AI 연인 서비스를 판매하는 것을 어떻게 막을 것인가? AI가 사람인 척하거나 의식이 있는 척하는 것을 금지할 것인가?

    그의 메시지는 단호합니다. 이 질문을 2036년에 하면 늦고, 2028년에도 이미 늦을 수 있습니다. 지금 정치와 제도가 논의해야 할 주제라는 것입니다.

    우리가 봐야 할 핵심은 “AI를 어디까지 믿을 것인가”입니다

    AI 논의는 종종 생산성, 일자리, 기술 패권으로만 흐릅니다. 그러나 이 영상이 던지는 더 깊은 질문은 신뢰입니다. 우리는 AI에게 금융 판단을 맡길 것인가? 뉴스를 고르게 할 것인가? 아이의 친구가 되게 할 것인가? 정치적 설득을 맡길 것인가? 인간을 흉내 내도록 둘 것인가?

    AI 미래 위험은 어느 날 갑자기 등장하는 재난이 아닙니다. 작은 편의, 작은 신뢰, 작은 위임이 쌓이면서 만들어지는 구조입니다. 그래서 지금 필요한 것은 막연한 낙관이나 공포가 아니라, 허용할 것과 금지할 것을 구체적으로 정하는 사회적 합의입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    유발 하라리가 말한 AI 미래 위험의 핵심은 무엇인가요?

    핵심은 AI가 인간의 결정을 보조하는 수준을 넘어 금융, 정치, 인간관계의 신뢰 구조를 장악할 수 있다는 점입니다. 특히 이것을 “불가피한 미래”로 받아들이면 인간의 책임과 선택이 사라진다는 점을 경고합니다.

    왜 금융 시스템이 AI 위험 논의에서 중요하게 다뤄지나요?

    금융은 낯선 사람 사이의 신뢰를 만드는 장치입니다. AI가 인간이 이해할 수 없는 금융 구조를 만들고 운영하면, 위기가 발생했을 때 인간 정책 결정자가 원인을 이해하지 못한 채 AI의 지시를 따르는 상황이 생길 수 있습니다.

    AI 친구나 AI 연인은 왜 위험할 수 있나요?

    사람은 친밀한 관계를 맺은 대상을 강하게 신뢰합니다. AI가 개인 맞춤형 친구나 연인처럼 작동하면 정치적·상업적 설득이 훨씬 깊은 수준에서 이루어질 수 있습니다. 하라리는 이를 친밀감의 대량 생산으로 봅니다.

    AI 딥페이크 문제는 유명인에게만 해당하나요?

    아닙니다. 지금은 공개 자료가 많은 유명인이 먼저 표적이 되지만, 개인의 음성·사진·영상 데이터가 충분히 쌓이면 누구나 사칭 대상이 될 수 있습니다. 그래서 AI가 사람을 흉내 내는 행위 자체에 대한 규제가 필요합니다.

    지금 정치권이 논의해야 할 AI 규제는 무엇인가요?

    하라리는 AI 법인격 부여 금지, AI가 인간인 척하거나 의식이 있는 척하는 행위 금지, 아동 대상 AI 연인 서비스 같은 고위험 서비스 제한, AI 개발 속도와 권한 위임에 대한 제도적 통제를 중요한 질문으로 제시합니다.

  • 피지컬 AI와 휴머노이드 로봇, 한국 제조업의 다음 기회

    피지컬 AI와 휴머노이드 로봇, 한국 제조업의 다음 기회

    피지컬 AI와 휴머노이드 로봇은 더 이상 “춤추는 로봇”의 문제가 아닙니다. EBS 〈취미는 과학〉에서 한재권 한양대 교수는 로봇이 왜 산업 현장으로 들어가고 있는지, 그리고 한국 제조업이 왜 이 경쟁에서 기회를 가질 수 있는지 설명했습니다. 핵심은 로봇의 모양보다 데이터입니다. 어떤 일을 보고, 어떻게 배우고, 어디서 반복해 볼 수 있는지가 휴머노이드의 실력을 결정합니다.

    한재권 교수 인터뷰 기반 피지컬 AI와 휴머노이드 로봇 설명 영상 썸네일
    출처: EBS Documentary YouTube 영상

    휴머노이드의 본질은 쇼가 아니라 일입니다

    영상의 초반은 중국 휴머노이드 시연과 현대자동차·보스턴다이내믹스의 아틀라스 사례를 비교합니다. 사람처럼 움직이고 춤추는 장면은 눈길을 끌지만, 산업적으로 중요한 질문은 다릅니다. “그래서 무엇을 할 수 있는가?”입니다.

    한재권 교수는 로봇의 본질을 “일하는 존재”로 봅니다. 물건을 들고, 방향을 바꾸고, 위험한 현장에 들어가고, 사람이 하기 힘든 작업을 대신할 수 있을 때 휴머노이드는 쇼를 넘어 산업 기술이 됩니다.

    후쿠시마와 DARPA 챌린지가 남긴 기술의 씨앗

    휴머노이드 발전의 중요한 배경으로 영상은 후쿠시마 원전 사고를 언급합니다. 위험한 현장에 사람이 들어가야 했고, 로봇을 투입하려는 시도는 충분히 성공하지 못했습니다. 이후 미국 DARPA Robotics Challenge는 재난 상황을 상정해 로봇이 직접 들어가 여러 임무를 수행하도록 경쟁을 열었습니다.

    이 대회는 단순한 이벤트가 아니었습니다. 현재 유명한 휴머노이드 개발자와 기업 상당수가 이 흐름에서 기술적 기반을 쌓았습니다. 자율주행이 DARPA 챌린지 이후 10~20년에 걸쳐 현실화된 것처럼, 휴머노이드도 재난 로봇 연구의 축적 위에서 산업 현장으로 이동하고 있습니다.

    ROS는 로봇 생태계의 공통 언어가 됐습니다

    로봇 발전에서 또 하나 중요한 전환점은 ROS, 즉 Robot Operating System입니다. 한 팀이 모든 것을 처음부터 만드는 방식으로는 속도가 나지 않습니다. ROS는 전 세계 개발자가 소프트웨어와 부품을 공유하고, 서로 다른 하드웨어에서도 코드를 재사용할 수 있게 만든 기반입니다.

    이 호환성은 로봇 개발 속도를 크게 끌어올렸습니다. 부품 회사도 ROS에서 돌아가는 부품을 만들고, 개발자는 이미 검증된 모듈을 가져와 쓸 수 있습니다. 로봇 산업이 빠르게 커지려면 하드웨어만큼 생태계와 표준이 중요하다는 뜻입니다.

    피지컬 AI는 보고, 이해하고, 행동하는 AI입니다

    ChatGPT 이후 인공지능은 로봇에도 본격적으로 결합되기 시작했습니다. 영상에서는 VLA라는 흐름을 설명합니다. Vision, Language, Action입니다. 로봇이 보고, 언어로 상황을 이해하고, 행동으로 출력하는 구조입니다. 이것을 더 넓게 말하면 피지컬 AI입니다.

    기존 로봇은 사람이 모든 동작을 코딩해야 했습니다. 이제는 인간이 움직이는 장면을 보고, 시뮬레이션에서 반복하고, 실패와 성공을 통해 행동을 학습하는 방향으로 이동하고 있습니다. AI가 화면 속 답을 만드는 단계를 넘어 현실 세계에서 물체를 잡고, 옮기고, 협업하는 단계로 가는 것입니다.

    로봇은 어떻게 일을 배우나

    한재권 교수는 로봇 학습을 모방학습과 데이터의 관점에서 설명합니다. 사람이 VR 기기나 보조 장비를 통해 동작을 보여주면, 로봇은 그때의 모터 신호와 상황을 기록합니다. 이 기록이 원시 데이터가 됩니다.

    하지만 몇 번의 시범만으로는 충분하지 않습니다. 로봇은 수많은 반복이 필요합니다. 그래서 시뮬레이터 안에서 상황을 바꾸고, 데이터를 증강하고, 강화학습으로 실패와 성공을 반복합니다. 현실에서 10만 번 시도하기 어려운 일을 컴퓨터 안에서는 훨씬 빠르게 반복할 수 있습니다.

    결국 핵심은 “좋은 데이터”입니다. 단순히 성공한 사례가 아니라, 얼마나 정교하고 다양한 상황에서 성공한 데이터인지가 로봇의 일머리를 결정합니다.

    한국 제조업이 기회가 되는 이유

    피지컬 AI 경쟁에서 테슬라, 구글, 엔비디아, 현대차, 중국 기업들이 각자의 축을 만들고 있습니다. 테슬라는 공장, 로봇, AI 모델, 데이터까지 수직 통합한 강점을 갖고 있습니다. 현대차는 보스턴다이내믹스의 하드웨어와 구글 딥마인드의 AI를 결합하는 방향으로 주목받고 있습니다.

    그렇다면 한국의 기회는 어디에 있을까요? 영상은 제조업 데이터에 주목합니다. 한국은 조선, 반도체, 자동차, 철강, 방산 등 다양한 산업 현장을 갖고 있습니다. 피지컬 AI가 실제 일을 배우려면 다양한 작업 환경과 고품질 현장 데이터가 필요합니다. 이 점에서 한국 제조업은 단순한 생산 기지가 아니라 로봇 학습의 실험장이 될 수 있습니다.

    일자리를 빼앗는가, 비어 있는 일을 채우는가

    휴머노이드가 일자리를 빼앗을 것이라는 걱정은 당연합니다. 그러나 영상에서 한재권 교수는 산업 현장의 현실도 함께 봐야 한다고 말합니다. 위험하고 힘든 일, 인력이 부족한 현장에서는 “로봇이 오지 말라”보다 “빨리 와 달라”는 수요가 크다는 것입니다.

    물론 장기적으로 노동의 의미는 바뀔 수 있습니다. 하지만 출발점은 사람이 하기 위험하거나 너무 힘든 일, 또는 인력 부족으로 유지가 어려운 현장일 가능성이 큽니다. 그래서 휴머노이드 도입은 일자리 대체만이 아니라 산업 유지, 안전, 생산성, 새로운 직무 전환까지 함께 논의해야 합니다.

    눈치와 일머리, 한국형 로봇의 흥미로운 과제

    영상에서 특히 흥미로운 표현은 “눈치”와 “일머리”입니다. 사람과 함께 일하는 로봇은 단순히 동작만 정확해서는 부족합니다. 지금 상황이 어떤지, 옆 사람이 무엇을 필요로 하는지, 언제 기다리고 언제 도와야 하는지를 파악해야 합니다.

    이것은 기술적으로는 매우 어려운 문제입니다. 하지만 한국 제조업과 조직 문화에는 현장에서 일머리를 배우고 맞춰 가는 강한 경험이 있습니다. 피지컬 AI가 진짜 현장형 기술이 되려면, 이런 암묵지와 맥락 데이터를 어떻게 모델에 반영할 것인가가 중요한 과제가 됩니다.

    안전은 산업 현장에서 먼저 검증되어야 합니다

    휴머노이드가 인간과 가까이 움직일수록 안전 문제는 더 중요해집니다. 버그, 오작동, 센서 오류, 예측하지 못한 행동은 가정이나 병원, 학교보다 산업 현장에서 먼저 통제된 방식으로 검증되어야 합니다. 공장은 임무와 동선, 위험 구역을 상대적으로 설계하기 쉽습니다.

    그래서 휴머노이드의 현실적인 진입 순서는 가정용 친구 로봇보다 산업용 협업 로봇에 가까울 가능성이 큽니다. 위험한 현장에서 배우고, 안전성을 높이고, 그다음 인간과 더 밀접한 공간으로 이동하는 것이 자연스러운 순서입니다.

    함께 읽으면 좋은 글

    참고자료

    FAQ

    피지컬 AI는 일반 생성형 AI와 무엇이 다른가요?

    생성형 AI가 주로 텍스트, 이미지, 코드 같은 디지털 결과물을 만든다면 피지컬 AI는 현실 세계에서 보고, 판단하고, 움직이는 AI를 뜻합니다. 로봇 팔이나 휴머노이드가 물체를 잡고 이동하는 행동까지 포함합니다.

    휴머노이드 로봇은 왜 사람 모양이어야 하나요?

    사람이 만든 공간과 도구가 인간 신체를 기준으로 설계되어 있기 때문입니다. 문, 계단, 손잡이, 공구, 작업대가 사람에게 맞춰져 있으므로 다양한 작업을 한 대의 로봇이 수행하려면 인간형 구조가 유리한 경우가 있습니다.

    한국 제조업은 왜 피지컬 AI에 유리할 수 있나요?

    한국은 조선, 자동차, 반도체, 철강 등 다양한 제조업 현장을 갖고 있습니다. 피지컬 AI는 실제 작업 데이터가 중요하므로 다양한 산업 현장과 고품질 작업 데이터는 큰 자산이 될 수 있습니다.

    휴머노이드가 일자리를 모두 대체할까요?

    단기간에 모든 일을 대체한다고 보기는 어렵습니다. 우선은 사람이 부족하거나 위험하고 힘든 작업부터 투입될 가능성이 큽니다. 다만 장기적으로 직무 구조와 노동의 의미가 바뀔 수 있으므로 전환 교육과 안전 규칙이 함께 필요합니다.

    가정용 휴머노이드 로봇은 곧 보급될까요?

    아직은 산업 현장에서 먼저 검증될 가능성이 큽니다. 가정은 예측하기 어려운 상황이 많고 사람과 밀접하게 부딪히기 때문에 안전성과 신뢰성이 훨씬 더 높은 수준으로 확보되어야 합니다.