지금 보고 계신 이 블로그는 MkDocs Material로 빌드해서 Firebase Hosting에 올린 정적 사이트입니다. 글은 마크다운 파일 한 장이고, 배포는 명령어 두 줄이면 끝나죠. 이 글에서는 빈 저장소에서 실제 공개 URL이 뜨기까지의 셋팅 과정을 그대로 정리합니다. 따라 하면 여러분의 글도 https://<프로젝트>.web.app 주소로 바로 올라갑니다.
요즘 AI 코딩 도구를 쓰면서 "왜 자꾸 코드를 복잡하게 짜지?" 혹은 "왜 묻지도 않고 마음대로 고쳐놓을까?"라는 생각 해보신 적 없으신가요? 2026년 현재, 우리는 AI 코딩 에이전트가 쏟아내는 엄청난 양의 코드 속에서 오히려 길을 잃기도 합니다. 최근 깃허브에서 9만 개 이상의 스타를 받으며 화제가 된 '안드레 카파시 스킬(Andrej Karpathy Skills)'은 바로 이런 지점을 정확히 파고들었습니다. 단 65줄의 마크다운 문서가 어떻게 AI의 코딩 실력을 드라마틱하게 올렸는지, 그 실용적인 판단 기준을 정리해 보았습니다.
하네스 엔지니어링(Harness Engineering)이라는 용어는 마차의 고삐를 뜻하는 'Harness'에서 유래했습니다. AI가 가진 폭발적인 생산성을 단순히 방치하는 것이 아니라, 특정한 틀 안에 가두어 올바른 방향으로 달리게 만드는 기술이죠. 안드레 카파시가 공개한 65줄의 지침은 AI에게 지능을 넣어주는 것이 아니라, '일하는 태도'를 강제하는 데 집중하고 있습니다. 이는 2026년의 개발 환경에서 가장 중요한 스킬로 떠오르고 있어요.
AI가 그림을 그리고, 음악을 만들고, 심지어 복잡한 코딩까지 대신해 주는 2026년 현재, 창작자들은 어떤 마음으로 모니터 앞에 앉아 있어야 할까요? 단순히 "세상이 변했다"는 감상에 젖어 있기에는 기술의 발전 속도가 너무나 빠릅니다. 우리는 이제 AI를 단순한 도구로 볼 것인지, 아니면 인류의 지능이 응집된 새로운 생태계로 받아들일 것인지 결정해야 하는 기로에 서 있습니다. 이번 메모에서는 김대식 교수의 통찰을 빌려, 창작의 본질이 어떻게 '압축'되고 있으며 우리가 지켜야 할 마지막 보루가 무엇인지 실용적인 관점에서 짚어보려 합니다.
AI의 본질은 단순히 '똑똑한 기계'가 아닙니다. 인류가 지난 5,000년 동안 문자로 남긴 모든 기록과 지식을 학습한 '집단 지성'의 결정체라고 보는 것이 정확합니다. 과거에는 거대한 서사를 담은 영상을 만들기 위해 수천억 원의 자본과 수백 명의 인력이 필요했습니다. 하지만 이제는 AI를 통해 그 과정이 극도로 압축되고 있습니다. 이는 창작의 문턱이 낮아지는 것을 넘어, 개인의 상상력이 자본의 논리를 압도할 수 있는 시대가 열렸음을 의미합니다.
매일 쏟아지는 정보의 홍수 속에서 여러분은 자신만의 지식을 어떻게 관리하고 계신가요? 북마크 바는 이미 가득 찼고, 노션 페이지는 정리가 안 된 채 방치되어 있지는 않나요? 저 역시 수많은 유료 툴을 전전하며 '완벽한 정리법'을 찾아 헤매던 중이었습니다. 하지만 최근 전 테슬라 AI 디렉터 안드레이 카파시가 공개한 방식은 기존의 상식을 완전히 뒤집는 것이었어요. 비싼 벡터 데이터베이스나 복잡한 RAG 시스템 없이, 오직 폴더와 마크다운 파일만으로 AI가 완벽하게 이해하는 '지식 은행'을 만드는 법을 분석해 보았습니다.
안드레이 카파시의 지식 관리 철학은 '단순함'에 기반합니다. 그는 복잡한 데이터베이스 대신 텍스트 파일인 마크다운(.md) 형식을 고집합니다. 이 방식의 핵심은 두 개의 폴더, 즉 Raw와 Wiki로 모든 정보를 분류하는 데 있습니다. Raw 폴더에는 웹에서 긁어온 가공되지 않은 텍스트, 유튜브 자막, 뉴스레터 전문 등을 그대로 담습니다. 반면 Wiki 폴더는 AI가 이 원본들을 분석하여 핵심 요약과 다른 지식과의 연결 고리(백링크)를 생성해 둔 정제된 공간이 됩니다.
여러분은 하루 업무 중 몇 시간이나 '진짜 가치 있는' 고민에 투자하고 계신가요? 단순히 손이 바쁘고 메신저 알람이 울려대는 상태를 생산성이 높다고 착각하고 있지는 않은지 자문해 볼 시점입니다. 기술의 발전 속도가 상상을 초월하면서, 이제는 얼마나 열심히 일하느냐보다 어떤 구조 위에서 일하느냐가 생존을 결정짓는 핵심 변수가 되었습니다. 오늘은 에이전틱 AI(Agentic AI)가 가져온 파괴적 혁신과 그 안에서 1인당 매출 수십억 원을 기록하는 기업들의 공식을 메모해 보려 합니다.
최근 공개된 AI 네이티브 기업들의 1인당 매출 지표는 기존 산업계의 상식을 완전히 뒤엎고 있습니다. 2026년 현재를 기준으로 볼 때, OpenAI의 1인당 매출은 약 70억에서 80억 원에 달하며, 이미지 생성 AI로 유명한 미드저니(Midjourney)는 1인당 약 50억 원의 매출을 기록하고 있습니다. 코딩 보조 도구인 커서(Cursor) 역시 1인당 40억 원 수준의 압도적인 성과를 보여주고 있죠. 이는 일반적인 한국 대기업이나 IT 강소기업이 1인당 매출 2~3억 원을 기록해도 우수하다는 평가를 받는 것과 비교하면 수십 배의 격차입니다.
최근 AI를 업무에 활용하면서 "왜 똑같은 프롬프트를 넣어도 매번 결과가 다를까?" 혹은 "결국 내가 검수하는 시간이 더 오래 걸리는 것 같은데?"라는 의문을 가져본 적 없으신가요? 이는 우리가 AI를 여전히 '필요할 때만 찾는 도구'로 대하고 있기 때문입니다. 2026년 현재, 우리는 단순한 질문 답변을 넘어 AI가 스스로 판단하고 결과물을 정제하는 환경을 설계해야 하는 시점에 와 있습니다. 오늘은 AI에게 일관된 업무 환경을 제공하는 '하네스 엔지니어링(Harness Engineering)'에 대해 제 실무적 판단을 섞어 정리해 보려고 합니다.
단순히 챗GPT나 클로드에게 질문을 던지고 답변을 기다리는 방식에 한계를 느끼고 있지는 않나요? 우리는 이제 AI와 대화하는 단계를 지나, AI가 직접 도구를 사용하고 결과물을 만들어내는 '에이전트' 시대로 진입했습니다. 2026년 현재, 개발자와 비개발자를 막론하고 가장 중요한 화두는 AI를 어떻게 '부리느냐'가 아니라, 어떻게 '설계하느냐'로 옮겨가고 있어요. 오늘은 최근 실무 현장에서 강력한 도구로 부상한 클로드 코드와 오픈클로 사례를 통해, 업무 효율을 극대화하는 에이전트 시스템 구축 전략을 분석해 보려 합니다.
영상 속 사례에서 가장 눈에 띄는 개념은 '하네스 엔지니어링(Harness Engineering)'입니다. 하네스는 말의 안장을 뜻하는데요, 아무리 뛰어난 성능을 가진 거대 언어 모델(LLM)이라도 적절한 제어 장치가 없다면 우리가 원하는 비즈니스 결과물을 일관되게 내놓기 어렵습니다. 하네스 엔지니어링은 AI가 업무를 수행할 때 참고해야 할 규칙, 문서 양식, 코드 스크립트, 그리고 평가 기준을 하나의 시스템으로 묶어주는 과정이라고 볼 수 있어요.
운전대를 완전히 놓는 대가로 여러분은 얼마를 지불할 용의가 있으신가요? 현재 테슬라의 FSD(Full Self-Driving) 가격을 두고 누군가는 혁신이라 부르고, 누군가는 지나친 거품이라 비판합니다. 하지만 2026년 현재, 우리가 목격하고 있는 기술의 궤적은 전혀 다른 방향을 가리키고 있어요. 단순히 가격이 내려가는 수준을 넘어, 자율주행이라는 기능 자체가 '공기'처럼 무료가 될 것이라는 파격적인 전망이 나오고 있습니다. 오늘은 이 논의의 본질을 파헤치고, 인류가 마주할 실존적 질문들을 메모로 정리해 보았습니다.
오늘 아침에도 2023년 4월부터 지켜온 러닝 루틴을 마치고 돌아왔습니다. 벌써 3년 차에 접어드니 이제는 몸 상태에 따라 페이스를 조절하는 법을 조금은 알 것 같습니다. 그런데 오늘 자동차 시장에서 들려온 소식은 그야말로 '페이스 위반' 급입니다. 안녕하세요, 원스입니다. 😊
여러분은 하루 업무 중 실제로 '가치 있는 의사결정'을 내리는 시간이 얼마나 되시나요? 안녕하세요, 원스입니다. 😊
우리가 소위 '지식 노동'이라고 부르는 업무의 이면에는 사실 엄청난 양의 단순 반복 작업, 즉 '지적 노가다'가 숨어 있습니다. 오늘은 연쇄 창업가이자 비팩토리의 수장인 노정석 대표님의 인터뷰를 통해, AI가 어떻게 이 80%의 지루한 과정을 파괴하고 인간을 새로운 차원의 경쟁으로 몰아넣고 있는지 깊이 있게 다뤄보려 합니다. 이 글을 끝까지 읽으시면, AI라는 거대한 파도 위에서 서핑하는 법을 배우게 되실 거예요.
노정석 대표는 현대 지식 노동자의 업무 구조를 매우 날카롭게 분석합니다. 우리가 마케팅 전략을 짜거나 개발 코드를 작성할 때, 실제로 머리를 써서 결정하는 핵심적인 순간은 전체의 20%에 불과하다는 것이죠. 나머지 80%는 그 결정을 내리기 위해 데이터를 찾고, 엑셀을 정리하고, 환경을 설정하는 '준비 과정'에 소모됩니다.
AI 네이티브 기업은 이 80%의 구간을 AI 에이전트에게 맡깁니다. 예전에는 사람이 주관식 문제를 풀 듯 처음부터 끝까지 직접 나열해야 했다면, 이제는 AI가 생성한 5~10개의 옵션 중 하나를 고르는 '객관식 문제 풀이'로 업무의 성격이 변했습니다. 이는 업무 효율성을 수십 배 끌어올리는 혁명적인 변화입니다.