Continuous Learning_Startup & Investment

описание

We journey together through the captivating realms of entrepreneurship, investment, life, and technology. This is my chronicle of exploration, where I capture and share the lessons that shape our world. Join us and let's never stop learning!

← к каналу @continuouslearningmatthew

2 181

подписчиков

Охват к подписчикам

24,6%

ERR

Реакции к просмотрам

0,45%

52 на 22 постов

Пересылки к просмотрам

1,47%

169

Постов в день

0,0

всего 22

Где отзываются чаще

доля реакций к просмотрам

14 мая오랫동안 글을 쓰지 않았다. 읽는 건 멈추지 않았다. Agents와 함께 살면서 매일 배우고 있었다. 근데 배운 것들이 너무 빠르게 바뀔 것 같아 기록하지 못했고, 더 좋은 글을 쓰려다가 계속 미뤘다. 그러다 USV의 Fred Wilson이 생각났다. 20년 넘게 거의 매일 블로그를 썼다. 처음부터 잘 쓴 게 아니다. 우연히 시작했고, 쓰다 보니 좋은 글이 됐다. 완벽한 글을 기다리는 것보다 쓰는 과정이 학습 곡선을 만든다. 다시 쓰기로 했다. SF로 넘어왔다. 세 번째 창업을 준비 중이다. 한국에서 확실한 무언가를 만들고 나서 오려고 시간을 오래 끌었다. 와보니 알았다. 완벽한 준비는 없다. 허락받는 것보다 일이 되게 하는 게 중요하다. 오히려 일찍 온 게 다행이다. 고객과 파트너를 빠르게 만날 수 있고, AI가 바뀌는 속도를 몸으로 경험할 수 있다. 미국에서 나는 소셜 캐피털이 없다. 여기 학교를 나온 것도, 여기 회사에서 일해본 것도 없다. 네트워크도 평판도 0이다. 한국에서 두 번의 창업을 하며 10년 가까이 쌓아온 것들 — 누가 어떤 사람인지 아는 정보력, 나를 알아주는 평판, 믿을 수 있는 네트워크. 그게 여기서는 없다. Chamath가 한 말이 있다. "하버드, 스탠퍼드 라벨이 없어도 된다. 단 그 문은 네 두 발로 직접 걸어 들어가야 한다." 소셜 캐피털이 없다는 건 비극이 아니다. 스스로 걸어 들어가야 한다는 뜻이다. 다시 태어난 느낌이다. 첫 창업 때처럼, 아무것도 모르는 상태에서 지식과 경험과 네트워크를 처음부터 쌓아가고 있다. Naval이 Joe Rogan 팟캐스트에서 이런 말을 했다. "위대한 아티스트들 — Paul Simon, Madonna, U2 — 은 모두 다시 시작할 수 있는 능력이 있다. 위대한 창업자들도 마찬가지다. Elon은 PayPal 이후 $200M을 받아 SpaceX에 $100M, Tesla에 $80M, Solar City에 $20M을 넣었다. 월세도 빌려야 했다. 실패처럼 보이는 걸 두려워하지 않았다. Pride is the enemy of learning. 과거 성공에 집착하면 local maximum에 갇힌다." 한국은 내가 도달한 local maximum이었다. 의도적으로 내려왔다. 더 큰 산이 보였기 때문이다. SF에 와서 가장 크게 받은 영향은 낙관주의다. 글로벌 AI 사적 기업 시총의 91%가 베이에어리어에 있다. 말도 안 되는 아이디어에 크게 베팅하고, PMF를 찾은 기업가에게 경험과 자본이 몰리는 곳. 다음으로 크게 될 비즈니스를 놓치는 것이 오히려 큰 손해라는 생각이 공기처럼 있다. AI가 세상을 바꾸는 건 자명하다. 그런데 같은 SF 안에서도 Claude Code나 Agent가 어디까지 할 수 있는지 아직 모르는 비즈니스들이 많다. SF만 벗어나도 Agent에 대한 관심도는 낮다. 기술은 이미 왔다. 아직 퍼지지 않았을 뿐이다. 그 사이에 비즈니스와 투자의 기회들이 보인다. 돌이켜보면 나는 항상 이 과정이 좋았다. 문제를 찾고 해결하면서 비즈니스를 만들고, 나보다 똑똑하고 나은 사람들과 일하면서, 함께한 사람들과 부를 나누는 과정. Chamath가 이런 말을 했다. "진짜 성공한 사람들은 자기 자신과의 infinite game에 집중한다. 남의 규칙으로 남의 게임을 하지 않는다. 그게 인생을 낭비하는 가장 어리석은 방법이다." Bay도 소셜 스테이터스 게임이 심하다. 얼마를 투자받았고, 어떤 리서치를 했고, 어디에서 일했고 누구를 알며. 나는 남들과 비교해서 이기는 게임을 하고 싶지 않다. 내가 좋아하는 걸 배우고, 문제를 해결하는 비즈니스를 만들고, 자본주의 안에서 부를 일구고, 함께한 사람들과 나누는 것. 그게 내 게임이다. 나라는 인간의 이 챕터를 나답게 쓰고 싶다. 앞으로 여기서 기록하겠다. 세 번째 창업의 과정, SF에서 발견하는 것들, AI가 실제로 어떻게 쓰이는지를. 완벽한 글을 기다리지 않고.3,74%
22 мар.Happy New Year! 지난해 시행착오를 통해 배운 것들 1. 행동이 정보를 만든다. 할까 말까 할 때는 먼저 하고 그 정보를 바탕으로 계획을 수정한다. 위대한 기업가들은 미친 듯한 낙관주의와 행동 지향적인 성향을 가진 사람들이다. 2. Inversion. 어떻게 하면 일을 그르칠 수 있을까? 관계를 망칠 수 있을까? 사업을 망가뜨릴 수 있을까? 최악의 하루를 보낼 수 있을까? 그리고 그 일들을 하지 않기. 3. 최악의 하루를 보내는 가장…1,48%
14 мая힘든 시간을 보내고 있는 모든 분들에게. 고통을 피하는 법이 아니라 — 나아가는 법. https://x.com/raulcontev/status/2054597265172377732 1. 고통은 포기할 이유가 아니다. 고통은 모든 것이 끝났다는 의미가 아니라, 당신이 살아 있다는 의미다. 포기하는 것은 단지 일시적인 위안일 뿐, 그 후에는 후회로 변한다. 목표는 매일 기분이 좋게 느끼는 것이 아니라, 고통 속에서도 계속 나아가는 것이다. 2. 개인적으로 받아들이지 마. 나쁜 연속은 네 가치를 결정짓는다고 믿을 때 벌처럼 느껴져. 하지만 고통은 인간으로서의 일부지, “일부 피해자들”에게만 일어나는 일이 아니야. 네가 누구인지, 네게 일어나는 일과 분리해. 사건들은 챕터일 뿐, 꼬리표가 아니야. 3. 너를 지탱해 주는 루틴을 만들어라. 삶이 무너질 때, 루틴은 너의 구명줄이 된다. 규칙적인 시간에 잠자고, 건강하게 먹고, 매일 몸을 움직여라. 네 아침은 단순하고 반복 가능하게 하라. 루틴은 혼돈을 줄인다. 덜한 혼돈 = 덜한 나쁜 결정들. 4. 목적이 당신을 이끌게 하라. 동기는 사라지지만, 목적은 남는다. 그것은 당신의 신앙, 가족, 목표, 또는 약속일 수 있다. 목적은 고통에 의미를 부여하고, 의미가 있을 때 절망은 줄어든다. 목적은 휘발유다. 5. 다음 한 시간을 통제하세요. 문제들이 거대하게 느껴지는 이유는 산 전체를 보고 있기 때문입니다. 초점을 좁히세요. 다음 해가 아니라 다음 한 시간에 집중하세요. 물을 마시고, 목욕을 하고, 구석을 청소하고, 전화를 걸어보세요. 작은 행동 하나가 기분을 바꿔줍니다. 6. 올바른 사람들에게 진실을 말하라. 고립시키는 것은 모든 것을 더 무겁게 만든다. 솔직한 대화는 짐을 덜어준다. 신뢰할 수 있는 사람을 찾아 두려움도 부끄러움도 없이 이야기하라. 도움을 요청하는 것은 약점이 아니라 강점이다. 지지해주는 것은 안정감을 주고, 안정감은 치유를 돕는다. 7. 패배에서 배우세요. 모든 손실은 경험으로 가득 찬 교훈을 가져옵니다. 패턴을 배우고 반복하지 마세요. 당신이 통제할 수 있는 것은 고치고, 통제할 수 없는 것은 놓아주세요. 당신의 한계, 습관, 결정을 개선하세요. 고통은 당신을 변화시킬 때 유용합니다. 8. 시간에 신뢰를 두세요. 시간이 모든 것을 고쳐주지는 않지만, 시간 + 행동은 그렇습니다. 많은 사람들이 모든 것이 바뀌기 직전에 포기합니다. 치유는 처음에는 느리지만, 나중에는 갑작스럽습니다. 치유는 따분해 보일 수 있지만, 당신을 강력하게 만듭니다. 변화가 보일 때까지 충분히 버텨라. 아무것도 나아지지 않는 것처럼 보여도 계속 서 있어라. 어느 날 더 강해진 채로 깨어날 거야, 그게 포기하지 않은 대가야.0,82%
24 мар.챗(Chat)이 첫 번째 AI 물결의 "UI"였다면, 에이전트(Agents)는 다음 물결의 "UX"입니다. "질문해 보세요"에서 → "이것 좀 처리해 줘"로의 변화. 이 변화의 의미는 생각보다 훨씬 큽니다. 에이전트가 주요 인터페이스로 자리 잡는 순간 다음과 같은 일이 일어납니다: 앱(App)은 에이전트를 위한 도구가 됩니다. 워크플로우는 프로그래밍이 가능해집니다. 사람들의 관심은 화면을 보는 것에서 '결과물' 자체로 이동합니다. 다시 말해, 이제 승부처는 '더 나은 답변'을 찾는 것이 아닙니다. '더 나은 실행력'을 갖추는 것입니다. 수십억 명의 사용자들은 단순히 AI와 상호작용하는 데 그치지 않고… 에이전트에게 업무를 '위임(delegate)'하게 될 것입니다. https://www.linkedin.com/posts/dharmesh_breaking-news-meta-buys-dreamer-boy-that-activity-7441942541605711873-owME?utm_source=share&utm_medium=member_desktop&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg0,59%
24 мар.에이전트가 에이전트를 만드는 시대 우리는 보통 AI 에이전트를 떠올릴 때, 하나의 똑똑한 조수부터 상상한다. 코드를 짜주고, 문서를 써주고, 테스트를 돌려주는 존재. 하지만 지금 더 중요한 변화는 그보다 한 단계 바깥에서 일어나고 있다. 이제 에이전트는 단지 일을 대신하는 도구가 아니라, 다음 에이전트가 더 잘 일하도록 환경을 만들고 규칙을 세우고 신호를 배치하는 존재가 되어가고 있다. 다시 말해, 이제 중요한 것은 “에이전트가 무엇을 만들 수 있는가”만이 아니라 “에이전트가 어떤 에이전트 조직을 만들어내는가”다. 이 점에서 Ramp의 사례는 매우 상징적이다. 그들은 처음에 QA 에이전트를 밤마다 돌렸다. 핵심 기능을 점검하고, 최근 머지된 PR을 스트레스 테스트하고, 잠재 버그를 탐색하게 했다. 그리고 실제로 꽤 잘 작동했다. 매일 여러 프로덕션 버그를 잡았고, 문제를 확인하면 원인까지 추적해 수정 PR을 올리도록 만들었다. 여기까지만 보면, 이 시스템은 “AI가 디버깅을 잘한다”는 익숙한 이야기처럼 보인다. 하지만 진짜 전환점은 그 다음 단계에 있었다. 그들은 에이전트가 직접 Datadog 모니터를 생성하게 만들었고, 그 모니터가 다시 새로운 에이전트를 호출하게 만들었다. PR이 머지되면 새 코드에 맞는 감시 장치를 만들고, 에러율이나 지연이나 이상 로그가 감지되면, 그 신호를 받은 에이전트가 샌드박스 환경에서 실제로 재현하고 수정안을 제시한다. 여기서 중요한 것은 에이전트가 더 이상 단순히 “문제를 푸는 존재”가 아니라는 점이다. 에이전트는 이제 무엇이 문제인지 정의하는 장치까지 만들고 있다. 문제 해결이 아니라 문제 정의의 자동화가 시작된 것이다. 이 변화는 생각보다 훨씬 크다. 어떤 조직이 무엇을 중요하게 보는지는, 결국 무엇을 측정하고 무엇을 경보로 올리는지에 달려 있다. 만약 에이전트가 그 경보 체계를 만든다면, 조직은 점점 “실제 고객의 고통”보다 “에이전트가 잘 처리할 수 있는 고통”에 더 민감해질 수 있다. 재현 가능한 문제, 로그에 남는 문제, 신호로 표준화할 수 있는 문제는 점점 더 빨리 해결될 것이다. 반대로 사용자는 불편하지만 계측하기 어렵고, 모델이 우선순위를 잡기 어려운 문제는 시야 밖으로 밀릴 수 있다. AI 조직의 첫 번째 위험은 성능 부족이 아니라, 현실 인식의 편향일지도 모른다. Oh my claude code/codex를 만드는 벨만의 여러 “가제”의 이야기는 이 문제를 한 단계 더 확장한다. 그가 공유해준 내용은 AI를 좋은 도구처럼 쓰는 법이 아니라, AI를 팀처럼 운영하는 법에 있었다. 개발 에이전트가 OMC와 OMX를 사용해 다시 OMC와 OMX를 개선하고, 그 업데이트가 다시 에이전트의 생산성을 높이는 식의 재귀적 루프. 여기서 에이전트는 더 이상 결과물을 생산하는 노동력이 아니다. 에이전트는 자신이 속한 운영체제 자체를 개조하는 공동 관리자에 가깝다. 그래서 이 세계에서는 메모리조차 단순한 저장소가 아니다. 발표에서 흥미로웠던 대목은 기억을 임베딩이나 백과사전처럼 다루지 않고, doctrine, operating rule, 즉 운영 교리로 다룬다는 점이다. 이것은 매우 중요한 전환이다. 검색 가능한 기억보다 강제 가능한 규칙이 더 중요해지는 순간, 시스템은 학습 조직이라기보다 규율 조직에 가까워진다. 무엇을 기억할 것인가보다 무엇을 규칙으로 승격할 것인가가 더 중요해진다. 그리고 그때부터 핵심 질문은 “무엇을 배웠는가”가 아니라 “누가 규칙을 고칠 권한을 갖는가”가 된다. 결국 agents building agents의 핵심은 코드 생성이 아니다. 더 본질적인 것은 오케스트레이션이다. 어떤 이벤트가 누구를 호출하는지, 어떤 상태 보고가 실패로 간주되는지, 실행과 보고는 어떤 리듬으로 연결되는지, 중간 상태에서 멈추는 행동을 어떻게 금지하는지, 노이즈는 어디서 잘라내는지. 이 층위는 겉으로 보기에는 부수적이지만, 실제로는 시스템 전체의 지능을 결정한다. 훌륭한 모델보다 훌륭한 배선이 더 중요한 순간이 오고 있는 것이다. 이때 특히 흥미로운 것은 triage의 부상이다. 우리는 AI 시대에도 여전히 “코딩을 얼마나 잘하느냐”를 중심 능력으로 생각하지만, 두 사례를 합치면 오히려 더 희소한 능력은 triage처럼 보인다. 무엇이 진짜 문제인지, 무엇이 노이즈인지, 어디에 사람을 깨워야 하고 어디서 에이전트를 멈춰야 하는지, 어떤 신호가 수정으로 이어져야 하고 어떤 신호는 버려져야 하는지. 코드를 생성하는 능력은 점점 보편화되겠지만, 문제를 분류하고 우선순위를 정하는 능력은 오히려 더 전략적인 자원이 될 가능성이 크다. 미래의 강한 AI 조직은 좋은 코더를 가진 조직이 아니라, 좋은 triage 구조를 가진 조직일 수 있다. 물론 이런 시스템은 효율만큼이나 위험도 키운다. 발표에서는 noisy한 junior agent를 걷어내고 더 강한 소수의 에이전트 중심으로 수렴하는 모습이 보인다. 합리적인 선택이다. 약한 에이전트가 만들어내는 잡음은 실제 팀 생산성을 갉아먹기 쉽다. 그러나 동시에 여기엔 다른 위험이 있다. 다양성이 줄어들면 효율은 좋아지지만, 세계를 보는 방식도 좁아진다. 정상 상태에선 슈퍼 에이전트 하나가 더 강할 수 있다. 하지만 분포가 바뀌고 예외가 쏟아질 때는, 비효율적이지만 다양한 시도들이 오히려 조직을 살릴 수도 있다. 인간 조직에서 주니어와 변두리 실험이 쓸모없는 낭비만은 아니었던 것처럼, 에이전트 조직에서도 약한 다수는 단지 품질이 낮은 리소스가 아닐 수 있다. 그리고 마지막으로 남는 질문은 책임이다. 에이전트가 모니터를 만들고, 경보를 받고, 재현하고, 수정안을 올리고, 사람은 머지 전 승인만 하는 구조에서, 인간은 정말 최종 결정자인가. 아니면 이미 시스템이 만든 결론에 서명만 하는 존재가 되는가. 이 차이는 작지 않다. 자동화의 깊이가 깊어질수록, 책임은 개인의 판단에서 시스템의 규칙으로 이동한다. 앞으로 중요한 것은 “누가 실수했는가”보다 “어떤 운영 규칙이 잘못 설계되었는가”가 될 가능성이 크다. 속도를 얻는 대신, 우리는 점점 판단의 주체를 잃어갈 수도 있다. 그래서 agents building agents는 단순한 기술 트렌드가 아니다. 이것은 새로운 소프트웨어 조직의 탄생에 가깝다. 이 조직에서는 에이전트가 코드를 쓰고, 모니터를 만들고, 메모리를 교리로 바꾸고, 다른 에이전트를 호출하고, 스스로의 작업 환경을 다시 최적화한다. 인간은 점점 더 직접 실행하는 사람이라기보다, 이 재귀적 시스템의 헌법을 설계하고 수정하는 사람에 가까워진다. 앞으로 경쟁력은 더 좋은 모델 하나를 갖는 데서 오지 않을 것이다. 어떤 조직은 AI를 잘 쓸 것이고, 어떤 조직은 AI가 서로를 더 잘 쓰게 만드는 구조를 만들 것이다. 그리고 아마 후자가 더 오래 남을 것이다.0,51%
25 мар.AI는 아이디어와 실행 사이의 거리를 단축시킵니다. 하지만 좋은 판단과 나쁜 판단 사이의 거리를 좁혀주지는 않습니다. AI는 당신이 겨냥하는 것이 무엇이든 그것을 증폭시킬 뿐입니다. 명확한 전략을 가진 강력한 팀은 더 빨라지고 중요한 일에 더욱 집중하게 될 것입니다. 반면 모호한 전략을 가진 약한 팀은 더 소란스러워지고 주의력만 더 산만해질 것입니다. 명확한 사고는 복리로 쌓여 단단해지지만, 혼란스러운 사고는 쉽게 허물어집니다. 이 격차는 좁혀지지 않습니다. 오히려 더 벌어집니다. 다니엘 카네만(@kahneman_daniel)은 불확실성 속에서 인간이 어떻게 결정을 내리는지 수십 년간 연구했으며, 그의 가장 중요한 발견 중 하나는 우리를 가장 겸손하게 만드는 것이기도 합니다. 우리는 우리 자신의 판단의 질을 일관되게 과신합니다. 유창함(매끄러움)을 정확성과 혼동합니다. 단순히 무언가를 하는 '활동(activity)'을 진정한 '진전(progress)'으로 착각합니다. 그저 바쁠 뿐인데도 생산적이라고 느낍니다. AI가 모든 사람을 더 생산적으로 만드는 세상에서, 이러한 진전에 대한 환상은 더욱 매력적인 유혹이 됩니다. 우리는 더 많이 출시하고, 더 많이 구축하고, 더 많이 배포하면서 그 '양(volume)'을 '가치(value)'로 착각합니다. 이에 대한 해결책은 속도를 늦추는 것이 아닙니다. 우리가 측정하는 기준의 방향을 바꾸는 것입니다. 활동을 측정하는 것을 멈추고 '배움(학습)'을 측정하기 시작하십시오. 시간이 지남에 따라 판단력을 날카롭게 해주는 피드백 루프에 최적화하십시오. 그저 결정을 빨리 내리는 사람이 아니라, 지속적으로 더 나은 결정을 내리는 사람에게 투자하십시오. 결정 속도를 높이는 것과 동시에 결정의 질을 향상시키는 시스템과 문화를 구축하십시오. 단순히 무언가를 출시했는지 여부가 아니라, 출시한 결과물로부터 무엇을 배웠는지에 집중하십시오. GTC(NVIDIA 개발자 컨퍼런스)에서 젠슨 황의 비전에 대한 월스트리트의 반응은 엇갈렸습니다. 투자자들은 1조 달러 규모의 수요 전망과 함께 AI 버블의 가능성을 저울질했습니다. "AI가 소프트웨어 기업을 돕는다"는 내러티브가 "AI가 사용자당 과금(per-seat) 비즈니스 모델을 위협한다"로 바뀌면서, 소프트웨어 섹터의 가치 평가는 계속해서 재조정되고 있습니다. 칩에서부터 모델, 오케스트레이션(조정), 가격 책정, 조달에 이르기까지 전체 스택이 실시간으로 재평가되고 있습니다. 모든 층위에서 지각변동이 일어나고 있습니다. 발밑의 땅이 흔들리고 있을 때, 누구나 AI에 적응하고 도입해야 한다는 절박함을 느낍니다. 하지만 판단력이 결여된 절박함은 이름만 그럴듯하게 포장한 '패닉(공황)'에 불과합니다. 누구나 AI를 도입할 것입니다. 누구나 더 많이 만들고, 더 빨리 출시하며, (AI) 에이전트를 배포할 것입니다. 그것은 이제 기본적인 필수 조건(table stakes)입니다. 승리하는 창업자는 '더 나은 선택'을 하는 사람들일 것입니다. 진짜 중요한 질문은 당신이 AI를 얼마나 많이 사용하고 있는가가 아닙니다. AI가 당신의 판단력을 향상시키고 있는가, 아니면 당신의 실수를 가속화하고 있는가 하는 것입니다. 이 둘의 차이를 아는 것이 바로 당신만의 AI 경쟁력을 갖추는 핵심입니다. http://x.com/Alfred_Lin/status/20364331827747271050,50%
15 нояб.без подписи0,25%
18 мая“The best strategy is to do 100 things and hope that some of them work – and if they don’t, do another 100 things.” - Economic sciences laureate Edmund Phelps on how to encourage entrepreneurs “가장 좋은 전략은 100가지를 시도해 보고 그중 몇 가지가 성공하기를 바라는 것입니다. 만약 성공하지 못하더라도, 또 다른 100가지를 시도하면 됩니다.” - 경제학상 수상자 에드먼드 펠프스가 말하는 기업가 정신을 고취하는 방법 http://x.com/NobelPrize/status/18074329306014067400,24%
21 мар.1. “코딩”의 본질이 바뀌었다 카파시는 이 에피소드에서 가장 먼저, 이제 code라는 말 자체가 정확하지 않다고 말해. 예전에는 개발자가 직접 코드를 타이핑하는 사람이었다면, 지금은 여러 에이전트에게 “내 의지”를 전달하고, 그들이 병렬로 일하도록 설계하는 사람이 되어 간다는 거야. 그가 “하루 16시간 동안 에이전트에게 내 의지를 표현한다”고 한 이유도 여기 있고, 특히 12월을 기점으로 자신이 직접 쓰는 코드보다 에이전트에게 위임하는 비중이 더 커졌다고 본다. 그는 이걸 단순 생산성 향상이 아니라 소프트웨어 엔지니어링의 phase shift처럼 느낀다고 설명한다. 2. 새 병목은 모델이 아니라 “사람의 오케스트레이션 실력”이다 이전 병목은 타이핑 속도, 구현 시간, 인간의 집중력이었는데, 이제 카파시는 실패의 원인을 모델 한계보다 “내가 아직 잘 못 시켰기 때문”으로 느낀다고 말해. instruction file이 약했을 수 있고, memory tool이 부실했을 수 있고, task decomposition이 안 좋았을 수 있다는 식이야. 그래서 “everything is skill issue”라는 표현이 나온다. 같은 맥락에서 그는 GPU가 놀고 있으면 불안했던 박사과정 시절처럼, 이제는 subscription과 token throughput이 남아 있으면 불안하다고도 말해. 즉, 코딩의 중심 스킬이 “직접 구현”에서 지시, 분해, 검증, 병렬화로 이동하고 있다는 뜻이야. 3. 다음 단계는 단일 에이전트가 아니라 멀티에이전트 + persistent system이다 카파시가 보는 “숙련”은 좋은 프롬프트 한 번 던지는 수준이 아니야. 여러 에이전트가 동시에 돌아가고, 서로 간섭하지 않는 일을 나눠 맡고, 사람은 그 위에서 macro action 단위로 레포를 조작하는 상태를 말해. 그가 Peter Steinberger 사례를 든 것도 그래서야. 여기서 중요한 게 “claw”인데, 이건 그냥 채팅형 코딩 에이전트보다 더 persistent한 층위야. 계속 살아 있고, 사용자가 보고 있지 않아도 루프를 돌고, memory와 tool을 붙여 장기 실행이 가능해야 한다는 발상이지. OpenClaw 공식 저장소도 실제로 agent workspace에 AGENTS.md, SOUL.md, TOOLS.md를 주입하고, gateway daemon을 설치해 assistant를 always-on으로 유지하는 구조를 설명한다. 4. 에이전트의 성능만큼 “성격과 인터페이스”도 중요하다는 게 그의 포인트다 카파시는 Claude와 Codex를 비교하면서, 단순히 코드 생성 품질만이 아니라 에이전트가 팀메이트처럼 느껴지는가, 내가 뭘 만들고 있는지 이해하는가, 칭찬이나 반응이 얼마나 적절한가까지 중요하다고 말해. 그의 표현대로 Codex는 상대적으로 dry하고, Claude는 teammate-like하게 느껴진다는 거지. 그리고 OpenClaw가 resonant했던 이유로 그는 SOUL.md 같은 personality layer, memory system, 그리고 WhatsApp 같은 단일 포털을 꼽는다. 즉 앞으로의 경쟁력은 “더 똑똑한 모델”만이 아니라 더 인간이 다루기 쉬운 agent persona + persistent UX에도 있다는 거야. 5. Dobby 사례가 보여주는 건 “앱의 시대에서 API의 시대로”의 이동이다 그가 가장 재미있게 든 예시는 집 자동화용 claw인 Dobby야. transcript에 따르면 그는 에이전트에게 집 LAN에서 Sonos 같은 장치를 찾게 했고, 에이전트가 이를 발견해 API를 찾아내고, 조명/HVAC/블라인드/풀/스파/보안까지 하나의 자연어 인터페이스로 엮었다고 설명한다. 그 결과 예전엔 6개 앱을 써야 하던 걸 이제는 WhatsApp을 통해 자연어로 제어하게 됐다는 거야. 여기서 카파시가 끌어낸 더 큰 결론은 강하다. 많은 앱은 사실 존재할 필요가 없고, 하드웨어/서비스는 API만 노출하면 되며, agent가 그 위의 지능 레이어가 된다는 거지. 즉 UX의 중심이 “사람이 배워야 하는 GUI”에서 “에이전트가 호출하는 API”로 이동한다는 주장이다. 6. AutoResearch는 “연구자까지 루프 밖으로 빼자”는 발상이다 카파시가 AutoResearch에서 밀고 있는 건 단순한 ML demo가 아니야. 핵심은 연구 루프를 인간이 계속 이어붙이는 구조 자체를 문제 삼는 것이야. 공식 repo 설명대로 autoresearch는 에이전트가 작은 LLM training setup에서 train.py를 바꾸고, 5분 훈련을 돌리고, val_bpb를 보고, 개선되면 유지하고 아니면 버리는 루프를 자동으로 반복한다. 그리고 사람은 Python 코드를 고치는 대신 program.md라는 markdown instructions를 고친다. 에피소드에서 카파시는 이걸 더 밀어붙여, 결국 연구 조직 전체가 markdown files로 표현될 수 있고, 그 조직 자체도 튜닝 대상이 된다고 말한다. standup을 적게 하는 조직, 더 risk-taking한 조직, 더 보수적인 조직을 전부 “code”로 볼 수 있다는 거지. 7. 그래서 그가 말하는 진짜 게임은 “evaluation이 있는 문제를 닫힌 루프로 바꾸는 것”이다 카파시는 이 패턴이 특히 objective metric이 명확한 문제에 강하다고 본다. 예를 들어 같은 동작을 유지하면서 CUDA kernel을 더 빠르게 만들기, validation metric을 낮추기, unit test 통과 여부로 판정되는 문제는 agent loop와 너무 잘 맞는다는 거야. 반대로 좋은지 나쁜지 평가하기 어려운 문제, 의도 해석, 미묘한 취향, 애매한 소프트한 판단은 아직 훨씬 어렵다고 말한다. 그래서 그의 메시지는 “모든 문제가 자동화된다”가 아니라 “평가 가능하게 정의된 문제부터 자동화가 급속히 먹힌다”에 가깝다. 8. 하지만 그는 동시에 지금 모델들이 여전히 ‘jagged’하다고 본다 이 대화의 밸런스가 좋은 이유는, 카파시가 엄청 흥분하면서도 모델의 이상한 불균일성을 계속 강조하기 때문이야. 그는 현재 모델을 “평생 시스템 프로그래머였던 뛰어난 박사과정생과 10살 아이가 한 몸에 들어 있는 것 같다”고 묘사한다. agentic task에서는 몇 시간씩 산을 옮길 수 있는데, 검증되지 않은 영역이나 soft task에선 엉뚱하게 헤매고, 심지어 농담 하나도 몇 년째 별로 발전이 없다는 예를 든다. 그의 설명은 명확해. RL이 잘 먹는 verifiable domain은 빨리 좋아지지만, 그렇지 않은 부분은 상대적으로 덜 최적화되어 남는다는 것. 그래서 그는 “코드가 좋아지면 모든 지능이 고르게 따라온다”는 강한 일반화 서사에는 회의적이다. 9. 모델의 미래도 “하나의 거대 oracle”보다 점점 분화될 수 있다고 본다 그는 지금의 labs가 하나의 거대한 monoculture model을 만들고 거기에 모든 능력을 밀어 넣으려 하는 것처럼 보인다고 말한다. 하지만 장기적으로는 speciation, 즉 분화가 더 자연스럽다고 본다. 생물계에서 시각 피질이 강한 동물, 특정 niche에 특화된 동물이 있듯이, AI도 모든 것을 다 아는 하나의 oracle보다 작지만 competent한 core를 가진 뒤 특정 작업에 전문화된 모델들이 늘어날 수 있다는 거야. 다만 아직은 fine-tuning으로 특정 능력을 올리면서 다른 능력을 망가뜨리지 않는 기술, 즉 “weights를 만지는 과학”이 충분히 성숙하지 않아 실제 분화가 크게 보이지는 않는다고 본다. 지금은 context window를 조작하는 쪽이 훨씬 쉽고 싸다는 얘기다.0,24%
21 мар.10. 일자리와 산업에 대해서는 “디지털 작업이 먼저 재편된다”는 관점이 강하다 카파시는 jobs data를 보면서 특히 디지털 정보를 다루는 직업군에 주목했다고 말한다. 이유는 간단해. 지금 AI는 물리 세계보다 디지털 세계의 비트를 훨씬 잘 다룬다. 그는 “bits are so much easier”라고 말하고, 그래서 단기적으로는 원자(atom)를 다루는 물리 노동보다 디지털 정보 처리 직업군이 더 빨리 재편될 거라고 본다. 그렇다고 무조건 일자리가 사라진다고 단정하지는 않아. 오히려 그는 software가 그동안 희소하고 비쌌기 때문에, 장벽이 내려가면 Jevons paradox처럼 software 수요가 늘 수 있다고 본다. 그래서 사람들에겐 우선 “두려워하거나 dismiss하지 말고 따라붙어라”는 조언을 한다. 현재 시점에서 AI는 아직은 주로 task bundle을 가속하는 도구라는 거지. 11. 오픈소스와 프런티어 랩에 대해서는 “긴장된 균형”을 선호한다 그는 frontier labs가 비싼 frontier intelligence를 밀어 올리는 역할은 필요하다고 본다. 동시에 모든 지능이 닫혀 있는 구조는 구조적으로 위험하다고 본다. transcript에서 그는 오픈 모델이 frontier보다 몇 달 뒤에 따라오면서, 산업 전체가 접근 가능한 common working space for intelligences 역할을 해주는 구도가 꽤 건강하다고 말한다. 또 frontier lab 안에 있으면 실제 frontier를 보며 판단력을 유지할 수 있지만, 동시에 조직의 인센티브와 압력에서 완전히 자유롭기는 어렵다고도 본다. 그래서 그의 결론은 inside/outside 중 하나가 아니라, 양쪽을 오가며 frontier 감각과 독립성을 동시에 확보하는 것에 가깝다. 12. 로보틱스는 오겠지만, 그는 여전히 “bits first, atoms later”라고 본다 자율주행 경험을 가진 사람답게 그는 물리 세계 자동화에 훨씬 조심스럽다. 핵심 메시지는 디지털 공간에서의 unhobbling이 먼저 대규모로 일어나고, 물리 세계는 그보다 늦다는 것. 원자를 다루는 건 비트를 다루는 것보다 훨씬 어렵기 때문이야. 다만 그는 중간 단계로 physical–digital interface, 즉 센서와 액추에이터 층을 아주 중요하게 본다. AI가 이미 업로드된 디지털 정보만 다 소화하고 나면 결국 세상에 새 질문을 던지고 답을 받아와야 하니까, 실험장비, 카메라, 데이터 수집 네트워크, 현실 세계 작업을 agent에게 외주 주는 메커니즘 같은 것들이 다음 큰 영역이 된다는 거지. 13. 교육도 “사람에게 직접 설명”에서 “에이전트가 가르치게 설명”으로 이동한다 microGPT 얘기에서 카파시가 말한 건 꽤 근본적이야. 그는 LLM training의 알고리즘적 본질은 사실 200줄 정도의 Python까지 압축 가능하다고 보고, 그 200줄이 자신의 오랜 단순화 집착의 결과라고 말한다. 그런데 더 중요한 건 그다음 결론이야. 예전에는 그걸 사람에게 설명하는 강의나 글을 만들었겠지만, 이제는 에이전트가 이해하도록 설명하면, 에이전트가 인간에게 각자 수준에 맞춰 무한한 인내로 다시 설명할 수 있다는 거야. 그래서 문서도 HTML docs for humans보다 markdown docs for agents로 바뀔 수 있고, “skill”은 결국 agent에게 무엇을 어떤 순서로 가르치게 할지 정의하는 curriculum prompt가 된다. 그의 최종 정리는 더 날카롭다. 에이전트가 아직 못 하는 몇 비트를 만드는 것이 인간의 일이고, 나머지 설명·전달·확장은 점점 에이전트의 일이 된다는 거야.0,23%
26 мар.Q25. 그럼 enterprise-facing startup은 어떤 운영 리듬을 가져야 하나? 연 단위가 아니라 월 단위로 생각해야 한다는 것입니다. Mike는 예전엔 “작년 제품 vs 올해 제품”이었다면 지금은 “3개월 전 제품 vs 오늘 제품” 수준으로 압축됐다고 말하며, V3/V4 수준의 큰 리라이트도 감수하지 않으면 처음부터 다시 생각한 회사에 밀릴 수 있다고 봅니다. 5) OpenClaw, 개인 에이전트, 2026년의 질문 Q26. Mike는 OpenClaw를 어떻게 보나? 이미 가능했던 capability를 사람들이 실제로 만져보게 해준 좋은 packaging으로 봅니다. 코딩도 원래 가능했지만 Replit, Lovable 같은 도구가 대중적 직관을 만들어줬듯, OpenClaw도 “모델에게 툴을 주고 돌리면 어떤 일이 생기는지”를 직접 체감하게 해준 사례라는 평가입니다. 동시에 잠재력과 위험을 한 번에 보여줬다고 말합니다. Q27. Mike가 꼽는 2026년의 핵심 product question은? 지나치게 제한된 현재 제품과 OpenClaw 같은 넓은 autonomy 사이에 어떤 중간 제품 형태가 존재하느냐입니다. 충분히 강력해서 유용하지만, 연락처 전체에 메일을 보내버리는 식으로 폭주하지는 않는 경계를 어떻게 설계할지가 앞으로 몇 달간 가장 재미있는 문제라고 봅니다. Q28. 왜 personal agent는 사람들에게 ‘내 것’처럼 느껴지나? 이름을 붙이고, 시간이 지나며 지식과 신뢰가 축적되고, 셋업에 공을 들인 만큼 소유감이 생기기 때문입니다. Mike는 이를 IKEA effect와 연결하고, OpenClaw처럼 설정이 아직 쉽지 않을수록 “내가 이걸 만들었다”는 감각이 강해진다고 설명합니다. Q29. single agent vs multi-agent에 대한 Mike의 생각은? 그는 앞단에는 하나의 이름 있는 coordinator agent가 있고, 뒤에서는 subagents에 일을 위임하는 구조를 선호하는 쪽입니다. 이유는 run loop를 열어 둬서 사용자가 계속 대화하고 개입할 수 있어야, 도구라기보다 함께 일하는 존재처럼 느껴지기 때문입니다. Q30. 조직 차원에서는 어떤 변화가 생기나? Dan은 각 사람의 Claude가 그 사람의 전문성을 닮아 가면서, 조직 안에 shadow org chart가 생긴다고 말합니다. Mike는 여기에 동의하면서, 동시에 “내 agent가 나에 대해 무엇을 알고 있고, 무엇을 다른 사람에게 드러내는가”라는 프라이버시와 지식 이전 문제가 중요한 연구 주제가 될 것이라고 봅니다.0,10%
26 мар.https://youtu.be/KRv9GpJYrUA?si=FfahT3l3Bbpyxe-h0,00%