newsletter학교AI하네스엔지니어링LocalLLM교사를위한AISovereignAI

AI를 잘 쓴다는 건, 결국 '메모장 한 장'입니다

2026-05-03

14 min read

2660 words

AI를 잘 쓴다는 건, 결국 '메모장 한 장'입니다

프롤로그 — 왜 ChatGPT는 자꾸 답답한가

ChatGPT를 처음 마주했던 순간을 기억하시는지. 신기했습니다.

그러나 3년이 지난 2026년 5월, 현장에서 가장 자주 듣는 말은 의외로 비슷한 결의 답답함입니다. "새 창을 열 때마다 처음부터 다시 시작해야 한다", "어제 알려준 부서 사정을 오늘은 잊고 있다", "같은 실수를 매주 반복한다." 같은 ChatGPT를 쓰는데도 이런 곤혹은 좀처럼 줄지 않습니다.

저는 교사이자 AI를 다루는 유튜버 입니다. 지난 1년 동안 50건이 넘는 AI 시스템을 직접 설계·운영해 왔는데, 강연이나 자문 자리에서 가장 자주 받은 질문 또한 정확히 같은 것이었습니다 — "왜 ChatGPT는 자꾸 답답한가."

그래서 이 답답함의 정체를 본격적으로 추적해 보았습니다. 그리고 마침 같은 시기에, 이 답답함의 원인 을 정면으로 보여주는 두 사건이 잇따라 일어났습니다.

올해 1월 말, OpenClaw라는 이름의 무료 도구가 GitHub에서 72시간 만에 별 6만 개를 받았습니다. 4개월이 지난 지금은 24만 개를 넘어섰습니다.¹ 이 도구의 정체는 단순합니다 — 우리가 답답해하던 그 문제, AI가 매번 잊어버리는 문제 를 정면으로 풀어낸 시스템입니다. 텔레그램이나 Slack 같은 메신저 앞단에 붙어, AI가 몇 주 동안 사용자의 사정을 기억 하면서 일하도록 만든 구조입니다. 만든 이는 오스트리아의 한 엔지니어(Peter Steinberger)였는데, 그 인기에 OpenAI가 곧장 그를 영입했습니다.¹

거의 같은 시기, 또 하나의 사건이 일어났습니다. AI 회사 Anthropic이 자사 코딩 도구(Claude Code)의 내부 구조 — 약 51만 줄에 달하는 코드 — 를 담은 파일을 실수로 공개해 버린 것입니다.² 그 다음 주부터, 그 구조를 베껴 만든 오픈소스 클론들이 줄지어 등장했습니다.

두 사건이 보내는 신호는 분명합니다. **이제 AI 두뇌만 풀리는 것이 아니라, AI 곁에 두는 시스템 자체가 함께 풀리고 있습니다. 그리고 사람들이 그토록 열광한 이유 또한 단순합니다. 그동안 비어 있던 자리가 바로 그곳이었기 때문입니다.

1년간의 추적 끝에 도달한 결론은 의외로 단순했습니다.

사용자가 AI를 잘 못 쓰는 것이 아닙니다. AI 하나만으로는 원래 거기까지가 한계입니다.**

진짜 차이는 AI 자체가 아니라, AI 곁에 무엇을 함께 두느냐에서 만들어집니다. OpenClaw가 24만 별을 받은 이유 또한 결국 AI 곁에 둘 시스템 을 풀어 주었기 때문입니다. 그리고 그 곁에 두는 것 의 가장 작은 단위가 바로 — 메모장 한 장입니다.

이 글은 그 메모장 한 장이 왜 그토록 큰 차이를 만드는가에 관한 이야기입니다. 영어로는 하네스(Harness) 라는, 다소 어려운 이름으로 부릅니다. 그리고 2026년 들어 폭발한 또 하나의 흐름 — 이제 노트북 한 대에서도 AI를 직접 돌릴 수 있게 된 로컬 AI 흐름이 왜 우리 일에까지 닿는지도 함께 살펴보겠습니다.

용어가 어렵게 느껴진다면 천천히 따라와 주시기를 부탁드립니다. 컴퓨터 전공자가 아니더라도 충분히 이해되도록 풀어 가겠습니다.

I — 단어 다섯, 부담 없이 짚고 갑니다

본격적인 이야기 전에, 이 글에서 반복될 단어 다섯을 짧게 정리합니다. 외울 필요는 없습니다. 한 번 훑어 두시면 뒤가 한결 편합니다.

용어	한 줄 설명
LLM(거대 언어 모델)	ChatGPT·Claude처럼 글을 쓰고 답하는 AI의 두뇌 에 해당하는 부분
모델	LLM의 별칭. "어떤 모델 쓰세요?" 는 곧 "어떤 AI 두뇌 쓰세요?" 라는 물음
하네스(Harness)	AI 두뇌 곁에 두는 시스템 — 규칙·메모·점검 절차 등을 통칭하는 말
로컬 LLM	인터넷을 거치지 않고, 노트북에 직접 설치해 돌리는 AI
오픈웨이트	공개되어 누구나 무료로 내려받을 수 있는 AI 두뇌

이제 출발합니다.

II — 먼저 짚어야 할 사실: AI 두뇌는 정말 흔해졌습니다

논리상 가장 먼저 직면해야 할 사실이 있습니다. AI는 더 이상 한두 회사의 전유물이 아닙니다.

2023년만 해도 ChatGPT는 비싼 외제차에 가까웠습니다. OpenAI가 보유한 비밀 무기였고, "GPT-4를 한 번 써 보고 싶다" 가 우리의 로망이었습니다. 회사에서는 어느 부서가 GPT 계정을 받느냐 가 화제가 되곤 했습니다.

3년이 지난 2026년 5월의 풍경은 완전히 다릅니다.

중국 알리바바의 Qwen 3.5는 1,220억 파라미터 규모의 거대 모델임에도, 맥북 한 대(64GB)에서 구동됩니다.³
구글의 Gemma 4는 14GB 규모의 가벼운 모델이지만, 일반 컴퓨터에서 초당 85자 수준의 출력을 보입니다.³
중국의 DeepSeek V4는 2026년 4월에 공개되었으며, 동일한 작업에 드는 컴퓨터 자원을 27% 절감했습니다.⁴
MiniMax M2.5라는 무료 모델은 코딩 시험(SWE-bench)에서 80.2%를 기록했습니다. 같은 시험에서 유료 최신 모델 Claude Opus 4.6은 80.8%입니다. 차이가 0.6%포인트, 사실상 동률입니다.⁵

미국의 연구기관 Epoch AI는 다음과 같이 정리했습니다. 무료 공개 모델은 최신 유료 모델보다 평균 3개월 정도 뒤처질 뿐이라고.⁶ 1년이 아니라 3개월입니다.

심지어 이더리움 창시자 비탈릭 부테린조차 2026년 4월, "내 노트북에 AI를 직접 설치하는 법" 을 블로그에 게시했습니다.⁷ 이는 더 이상 일부 기술 애호가의 취미가 아니라는 결정적 신호입니다.

graph LR
    A[2023<br>ChatGPT만<br>외제차] --> B[2024<br>Claude · Gemini<br>외제차 다양화]
    B --> C[2025<br>오픈모델 등장<br>국산차 출시]
    C --> D[2026<br>노트북에서 구동<br>수돗물]

한국 또한 같은 흐름에 합류했습니다. 정부는 NVIDIA GPU 5만 대를 들여오기로 했고, 네이버 클라우드·LG AI 연구원·SK 텔레콤·NC AI·업스테이지(Upstage) 가 한국어 AI 두뇌를 함께 만들고 있습니다.⁸⁹

요약하자면 다음과 같습니다. AI 두뇌는 이제 누구나 가질 수 있는 자원입니다. 한때 부엌의 외제차였다면, 지금은 수도꼭지에서 흘러나오는 물에 가깝습니다.

그러면 자연스럽게 다음 질문이 따라옵니다.

모두가 같은 수돗물을 쓴다면, 어째서 누군가는 그 물로 차도 끓이고 빨래도 하고 화초도 키우는 반면, 누군가는 컵에 받아 마시는 데서 멈추는가.

다음 장에서 이 질문에 답하고자 합니다.

III — 답답함의 정체: 0.95를 열 번 곱하면 0.60이 됩니다

저를 가장 놀라게 한 산수가 하나 있습니다.

AI가 한 번에 정답을 낼 확률을 95%라 해 봅시다. 꽤 높은 점수입니다. 그러나 우리가 AI에게 시키는 일은 한 번의 질문 에 그치지 않습니다. 보통은 여러 단계가 이어진 일감입니다.

0.95 × 0.95 × 0.95 × ⋯ (열 번)

= 약 0.60(60%)

단순한 산수입니다. 한 번에 95% 정확한 AI라 해도, 열 단계로 일을 시키면 60%로 떨어집니다.¹⁰

우리가 ChatGPT에게 던지는 일은 대개 이런 모양입니다.

"이번 주 회의록을 정리해 줘. 핵심을 다섯 줄로 요약하고, 액션 아이템은 표로 만들고, 부서별 담당자도 표시하고, 마지막에 다음 회의 안건도 제안해 줘."

읽어 보면 알 수 있듯, 이는 한 번의 질문이 아니라 5~10단계로 이어진 과제입니다. 그러므로 95% 정확도 모델이라 해도 결과는 60% 수준에 머뭅니다. 한 군데가 어긋나면, 그 다음부터는 줄줄이 어긋나기 때문입니다.

현장 강의에서 가장 자주 마주치는 사례가 정확히 이런 형태입니다. 한 분이 학부모 안내문을 ChatGPT에 맡겼는데, 톤은 학생용으로 잡혀 있고 안내 문구 두 개가 누락되었으며 마지막 회신란까지 빠진 결과가 돌아왔다고 합니다. 결국 처음부터 손으로 다시 다듬는 편이 더 빨랐다는 것입니다. 그날 저녁 사용자는 잠시 AI를 원망했을 것입니다. 그러나 원망의 방향이 어긋나 있다는 점이 핵심입니다. 잘못은 모델이 아니라, 그 모델 곁에 점검 시스템이 없었다는 사실 에 있습니다.

graph TD
    subgraph 문제 ["그냥 시키면"]
        A[1단계: 95% 정확] --> B[5단계: 77%]
        B --> C[10단계: 60%]
    end

    subgraph 해결 ["곁에 점검 시스템이 있으면"]
        D[1단계: 95% + 자기점검] --> E[5단계: 92%]
        E --> F[10단계: 88%]
    end

해결책은 단순합니다. AI가 한 단계 한 단계 자기 점검을 하면서 가도록 만들어 주는 것입니다. 요리할 때 단계마다 간을 한 번 더 보고 다음 재료를 넣는 것과 같은 원리입니다.

이 자기 점검 시스템 — 이것이 바로 하네스입니다. 단어는 어색하지만, 본질은 AI 곁에 두는 안전장치 입니다.

IV — 답을 고치지 말고, 들어가는 길 을 고치십시오

영국의 IT 사상가 마틴 파울러(Martin Fowler)는 2026년 4월, 하네스를 한 단어로 정리한 바 있습니다.

"하네스 엔지니어링의 핵심은 한 단어다. 피드백."[^9]

피드백이라는 말이 거창해 보이지만, 일상에서 우리가 이미 능숙히 써 온 개념입니다. 가계부도 피드백이고, 다이어트 일지도 피드백이며, 살림 노트도 피드백입니다. 어제의 실수를 오늘 안 하게 만드는 장치 — 그것이 전부입니다.

지난 4년간 우리가 AI를 쓰던 방식은 다음과 같이 변해 왔습니다.

2022~2023, 프롬프트 시대. AI가 답을 틀리면 "내 질문이 별로였나" 하고 자책했습니다. 답답함은 사용자의 몫이었습니다.
2024~2025, 컨텍스트 시대. AI에게 참고 자료를 더 많이 주었습니다. 첨부파일, 이전 대화, 배경 정보. 다소 나아졌지만, 한 번 세팅하면 끝이라 상황이 바뀌면 다시 어긋났습니다.
2026~, 하네스 시대. 이제는 답이 틀리면 답을 고치지 않습니다. 답에 들어가는 길 자체를 고칩니다. AI 곁에 메모지를 두고, 어제의 실수를 한 줄로 적어 둡니다. 다음번에는 다른 길로 들어가게 됩니다.

이 차이가 다소 추상적일 수 있어, 한 장면을 빌려 설명드리고자 합니다.

어느 금요일, 야외 행사를 AI에 맡겼습니다. 그날 비가 왔습니다. AI는 임의로 행사 취소 통보문을 만들어 버렸습니다. 우리가 원한 것은 실내 대안 안내문 이었습니다.

옛날 같으면 그 통보문을 손으로 다시 다듬어 보내는 데서 끝났을 것입니다. 그리고 다음에 비슷한 상황이 오면, 또 같은 실수가 반복되었을 것입니다.

하네스 시대는 다릅니다. 우리는 AI에게 메모지에 한 줄을 적어 둡니다.

"비가 오거나 변수가 생겼을 때, 임의로 취소하지 말 것. 실내 대안을 먼저 찾고, 애매하면 사용자에게 먼저 물어볼 것."

이 한 줄이 메모지에 남습니다. 다음번부터 AI는 같은 실수를 반복하지 않습니다. 가끔 들르는 단골 카페가 "손님은 우유를 적게 드시지요?" 를 기억하는 것과 같은 원리입니다. 한 번 알려 두면 그다음부터는 자동입니다.

그리고 이 메모지가 한 줄, 두 줄, 열 줄, 백 줄 쌓일수록 — AI는 점점 나에게 더 잘 맞게 작동합니다. 영어로는 자가 진화 시스템(Self-Evolving)이라 부르지만, 어제보다 오늘이 나은 시스템 정도로 기억해 두면 충분합니다.

이는 추상적 이야기가 아닙니다. LangChain이라는 회사는 모델은 한 줄도 건드리지 않고, 곁에 둔 시스템(하네스)만 새로 짰습니다. 그러자 어떤 시험(Terminal-Bench 2.0)의 점수가 52.8%에서 66.5%로 상승했습니다.¹¹ 같은 두뇌, 다른 결과. 차이는 곁에 둔 메모와 점검 절차였습니다.

V — 한 가지 함정: 정보를 한꺼번에 던지지 마십시오

여기서 작은 함정 하나만 짚고 가겠습니다. 처음 메모지를 만들기 시작하면 욕심이 납니다. "이왕이면 우리 부서 사정을 한꺼번에 다 알려 두자" 하는 생각 말입니다.

권하지 않습니다. 데이터가 그 이유를 보여줍니다.

AI 회사 Anthropic의 최신 모델 Claude Opus 4.6 실험 결과입니다.¹²

AI에게 준 정보량	정답률
200,000 토큰(책 한 권 분량)	약 96% (스위트 스팟)
500,000 토큰(책 두세 권)	약 90% (주의 구간)
1,000,000 토큰(책 다섯 권)	약 86% (정확도 14% 손실)

(여기서 토큰은 AI가 글자를 세는 단위입니다. 한 번에 받아들일 수 있는 정보의 양으로 이해하시면 됩니다.)

정보가 많을수록 AI가 더 똑똑해질 듯하지만, 실제로는 정반대입니다. 책 다섯 권 분량을 한꺼번에 던지면 정확도가 14%포인트 떨어집니다. 작은 회의실에 사람을 50명 욱여넣은 것과 비슷한 상황입니다. 누가 무슨 말을 했는지 따라가기가 점점 어려워지는 것입니다.

따라서 능숙한 사용자는 한꺼번에 모두 주지 않고, 필요할 때 필요한 만큼만 엽니다. 영어로는 Progressive Disclosure(단계적 공개) 라 부르지만, 살림에서 이미 잘 쓰는 원칙 으로 받아들이시면 됩니다.

이 원칙은 노트북에서 직접 돌리는 작은 AI에서는 권장 이 아니라 필수 가 됩니다. 작은 가방을 들고 출장 갈 때 짐을 더 신중히 싸는 것과 같은 이치입니다.

VI — 혼자 쌓은 메모는 도구지만, 함께 쌓은 메모는 자산이 됩니다

여기까지가 나 혼자 의 이야기였습니다. 이제 한 단계 더 나아가 봅니다.

내 책상 서랍에 메모지가 한 장씩 쌓이면, 내 일이 편해집니다. 그렇다면 같은 부서 동료, 같은 학년 선생님과 함께 쌓는다면 어떻게 될까요. 부서 전체, 학교 전체가 함께 쌓는다면.

여기서 흥미로운 일이 일어납니다. Anthropic이 정리한 구조가 있는데, 이름은 어렵지만(3계층 구조) 본질은 단순합니다.¹³

계층	일상으로 풀면	자유도
개인 자산	내 책상 서랍 안 메모	100% 자유
팀 자산	동료들과 합의된 공유 노트	합의 필요
조직 자산	회사·기관 차원의 공식 자료	검토 필요
국가/주권 자산	국가의 sovereign AI 인프라	데이터 주권

여기에 한 가지 함정이 있습니다. 위에서부터 강제로 내려보내면 십중팔구 깨집니다.

자문 현장에서 이 함정에 빠진 조직을 자주 봅니다. "우리 모두 이 매뉴얼대로 AI를 사용합시다" 라는 공지가 위에서 내려간 뒤 일주일이면, 그 매뉴얼은 대개 슬그머니 묻힙니다. 이유는 단순합니다. AI 도구는 결국 내 일을 줄여 주는 도구이기 때문입니다. 자기 일하는 방식과 맞지 않는 매뉴얼이 강제로 입혀지면, 그 사람은 두 번 일하게 됩니다 — 자기 방식으로 한 번, 매뉴얼대로 또 한 번.

그래서 순서가 중요합니다.

먼저 나부터 메모지를 쌓는다.
동료가 "이거 좋네, 같이 쓰자" 라고 할 때 자연스럽게 팀 자산이 된다.
조직 차원에서 검증되면 공식 자산이 된다.

위에서 아래로가 아니라, 아래에서 위로 입니다. 강요로 내려간 룰은 죽고, 필요로 올라간 룰만이 살아남습니다.

VII — 그런데 이 흐름은 왜 한국에서 더 중요해지는가

여기까지 따라오셨다면 한 가지 큰 그림이 보이실 것입니다. 메모지가 곧 자산이라면, 그 메모지가 어디에 보관되느냐 또한 중요해진다는 사실입니다.

이 지점에서 2026년 한국의 또 다른 흐름과 만나게 됩니다. AI 주권(Sovereign AI) — 우리 데이터는 우리가 가진 인프라 위에서 운영하자 는 흐름입니다.

한국 정부는 NVIDIA GPU 5만 대를 들여오기로 했습니다.⁹
네이버·LG·SK·업스테이지가 한국어 AI 두뇌를 만들고 있습니다.⁹
AMD는 2026년 3월 업스테이지와 협력해 한국 AI 인프라를 늘리기로 했습니다.⁸

이것이 우리 일상에 어째서 닿느냐, 우리가 다루는 데이터 가운데 민감한 것이 적지 않기 때문입니다. 학생 평가 기록, 학부모 상담 메모, 병원 진료 노트, 회사 인사 자료, 가족의 사생활. 이 데이터들이 외국 클라우드 서버에 그대로 올라가는 것이 정말 합당한가, 점점 더 많은 조직과 개인이 이 질문에 답해야 합니다.

외국 클라우드를 빌려 쓰는 한, 우리 데이터는 임대 자산 입니다. 인프라가 우리 손에 있어야 데이터도 우리 손에 있습니다. 부엌이 우리 집에 있어야 식재료를 안심하고 둘 수 있는 것과 같은 이치입니다.

그러나 좋은 소식이 하나 있습니다. 앞서 살핀 바와 같이, 노트북에 직접 설치하는 AI가 이미 충분히 똑똑합니다. 가까운 미래에는 사무실 노트북 한 대에 한국어 AI를 설치하고, 인터넷 없이 내부 자료만으로 일하는 풍경도 가능합니다. 외부에 단 한 글자도 흘리지 않으면서 말입니다.

이것이 한국 정부와 한국 기업이 지금 닦고 있는 길입니다. 그리고 이 길의 끝에서 빛날 자산은 — 결국 그동안 우리가 쌓아 온 메모지들입니다.

VIII — 그렇다면 마지막에 남는 것은 무엇인가

한 발 더 나아가 봅니다. 시간 흐름을 정리하면 다음과 같습니다.

시대	차이를 만든 것
2023	AI 자체 — GPT-4를 가진 사람이 앞서 갔다
2025	참고 자료 정리 — 배경 정보가 잘 짜인 사람이 앞서 갔다
2026 (지금)	하네스(메모지) — 곁에 시스템을 둔 사람이 앞서 간다
2027 (다가오는 시대)	누적된 데이터 + 안목

마지막 줄이 무엇을 의미하는가. 이것이 1년간의 추적 끝에 도달한, 가장 인상 깊었던 결론입니다.

하네스 패턴(메모지·자기 점검·3계층 구조) 자체가 곧 흔해집니다. 이미 OpenHands, Codex 같은 도구에 기본 기능으로 흡수되고 있습니다.¹⁴ 1~2년 안에 모두가 같은 형태의 하네스를 쓰게 될 것입니다. 그러면 또 차이가 사라집니다.

그렇다면 그다음에는 무엇이 차이를 만들 것인가. 두 가지가 남습니다.

첫째, 누적된 메모와 피드백 데이터입니다. 지난 1년, 2년 동안 내가, 우리 팀이, 우리 학교가 쌓아 온 룰 파일·실수 기록·교정 사례. 이는 어떤 외국 AI도 가져갈 수 없습니다. 우리 손에서만 자라는 자산입니다.

둘째, 안목입니다. "이 글이 정말 우리 회사의 톤에 맞는가, 우리 학교 학부모님께 보낼 만한가, 우리 가족이 듣고 마음 상하지 않을 글인가" 를 판정하는 기준. 이는 사람이 사람과 함께 살며 만들어 온 감각입니다. 어떤 거대 모델도 이를 흡수할 수 없습니다.

AI 두뇌가 점점 더 평등해질수록, 차이는 우리 자신 안으로 들어옵니다.

이 점에서 반복되는 일을 가진 사람과 조직 은 묘하게 유리한 위치에 있습니다. 매년 비슷한 학사 일정을 맞이하는 학교, 분기마다 비슷한 보고를 만드는 회사, 매주 비슷한 식단을 짜는 가정. 반복이 있는 곳일수록 메모지는 진짜 자산이 됩니다. 우리는 이미 누적에 능한 사람들입니다. 그 누적을 AI 곁에 옮겨 적기만 하면 됩니다.

결론 — 오늘, 세 가지부터 시작하시기를 권합니다

긴 글이 되었습니다. 마지막은 짧게 정리하겠습니다. 오늘 잠들기 전에, 세 가지부터 시작해 보시기를 권합니다. 새로 구입하거나 설치할 것은 없습니다.

AI가 일상이 되어 갈수록, 진짜 차이는 AI 자체가 아니라 AI 곁에 우리가 쌓아 온 것 에서 만들어집니다. 거창한 IT 지식이 필요한 일이 아닙니다. 어제의 실수를 적어 두는 메모지 한 장, 동료와 함께 모아 두는 작은 노트 — 그 정도면 충분한 출발선입니다.

3년 뒤, 지금 메모지를 쌓기 시작한 이의 노트북에는 천 줄짜리 내 일하는 방식 사전 이 남아 있을 것입니다. 그것이 진짜 자산입니다.

AI라는 두뇌는 누구에게나 같습니다. 그러나 그 곁에 우리가 무엇을 쌓아 가느냐 — 그것이 결국 우리가 만드는 결과의 정체성이 됩니다.

Sources

기획안 원본: Harness_Engineering_KO_2026-05-03_v2-LocalLLM-기획안

원본 노트(개발자 버전): Harness_Engineering_KO_2026-05-03

The Two Sides of OpenClaw — Latent.Space (OpenClaw 24만 별 기록 및 창립자 Peter Steinberger의 OpenAI 합류 보도) ↩ ↩²
Claw Code Review — Open-Source Claude Code Clone Tested | OpenAI Tools Hub (Anthropic Claude Code 소스맵 약 51만 줄 노출 사건과 그 직후 등장한 오픈소스 클론들) ↩
Best Open-Source LLM in May 2026: Llama 4 vs Qwen 3.5 vs DeepSeek V4 vs Gemma 4 | Codersera ↩ ↩²
LLM Coding Benchmark April 2026: GPT 5.5, DeepSeek v4, Kimi v2.6, MiMo | AkitaOnRails ↩
LLM Quality vs Cost vs Safety: 2026 Model Trade-Off Guide | Luca Berton ↩
Open Source LLM Leaderboard 2026 | Vellum (Epoch AI 분석 인용) ↩
My self-sovereign / local / private / secure LLM setup, April 2026 | Vitalik Buterin ↩
AMD and Upstage Expand Strategic Collaboration to Advance Sovereign AI Infrastructure in Korea | AMD Newsroom (2026.03.18) ↩ ↩²
NVIDIA, South Korea Government and Industrial Giants Build AI Infrastructure | NVIDIA Newsroom ↩ ↩² ↩³
Why Your AI Agent Demo Falls Apart in Production | DEV Community ↩
Evaluating Deep Agents CLI on Terminal Bench 2.0 | LangChain Blog ↩
Claude Opus 4.6 vs 4.5: Benchmarks, Context Window & Real Testing Results ↩
Scaling Enterprise AI with Anthropic Agent Skills | Techkraft Inc ↩
How to run Claude Code/Codex with local models via Llamacpp, Ollama, LMStudio, and vLLM | Medium 2026.04 ↩

배움의 달인 Newsletter

AI를 잘 쓴다는 건, 결국 '메모장 한 장'입니다

AI를 잘 쓴다는 건, 결국 '메모장 한 장'입니다

프롤로그 — 왜 ChatGPT는 자꾸 답답한가

I — 단어 다섯, 부담 없이 짚고 갑니다

II — 먼저 짚어야 할 사실: AI 두뇌는 정말 흔해졌습니다

III — 답답함의 정체: 0.95를 열 번 곱하면 0.60이 됩니다

IV — 답을 고치지 말고, 들어가는 길 을 고치십시오

V — 한 가지 함정: 정보를 한꺼번에 던지지 마십시오

VI — 혼자 쌓은 메모는 도구지만, 함께 쌓은 메모는 자산이 됩니다

VII — 그런데 이 흐름은 왜 한국에서 더 중요해지는가

VIII — 그렇다면 마지막에 남는 것은 무엇인가

결론 — 오늘, 세 가지부터 시작하시기를 권합니다

Sources

뉴스레터 서비스가 정식 시작되었습니다!

AI를 잘 쓴다는 건, 결국 '메모장 한 장'입니다

프롤로그 — 왜 ChatGPT는 자꾸 답답한가

I — 단어 다섯, 부담 없이 짚고 갑니다

II — 먼저 짚어야 할 사실: AI 두뇌는 정말 흔해졌습니다

III — 답답함의 정체: 0.95를 열 번 곱하면 0.60이 됩니다

IV — 답을 고치지 말고, 들어가는 길 을 고치십시오

V — 한 가지 함정: 정보를 한꺼번에 던지지 마십시오

VI — 혼자 쌓은 메모는 도구지만, 함께 쌓은 메모는 자산이 됩니다

VII — 그런데 이 흐름은 왜 한국에서 더 중요해지는가

VIII — 그렇다면 마지막에 남는 것은 무엇인가

결론 — 오늘, 세 가지부터 시작하시기를 권합니다

Sources

Footnotes

뉴스레터 서비스가 정식 시작되었습니다!