Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

283 Photos and videos

Tweets

Pinned Tweet

Leaf Meta 🇰🇷

@leafmeta

Jun 10

📌 머스크가 사내 정치를 죽인 방법, 메일 한 통 정리 (인사팀이 제일 싫어함) - 최단 경로 소통 : "소통은 지휘 체계가 아니라 일을 끝내는 최단 경로로 흘러야 한다. 직통 소통을 막는 매니저는 곧 다른 곳에서 일하게 될 것" (해고 예고를 이렇게 산뜻하게) - 정보 비대칭 제거 : 사내 정치의 연료는 결국 '나만 아는 정보'인데, 신입이 매니저, 디렉터, VP를 거쳐 다시 내려오는 전달 게임을 금지해서 연료 자체를 끊음 - 사일로 금지 : 부서 칸막이와 'us vs them'(우리 팀 vs 쟤네 팀) 태도를 명시적으로 처벌 대상으로 규정 - 은어, 약어 금지 : "설명이 필요한 모든 것은 소통을 방해한다" — 약어는 사실상 고인물의 진입장벽 무기라서 - 회의 퇴장권 : 가치 없다 싶으면 회의 중에 그냥 나가라고 공식 허락 (전화 끊는 것도 무례가 아님) 💬 사내 정치는 인성 문제가 아니라 구조 문제다. 왜냐하면 정보가 계층을 타고 흐르는 순간, 길목을 지키는 사람에게 권력이 생기고 그 권력을 지키는 행위가 곧 정치이기 때문이다. 그래서 머스크는 사람을 바꾸는 대신 길목 자체를 폭파했다 & 그것도 메일 한 통으로, 매우 짧고 매우 살벌하게. 반면에 이게 정치의 '제거'였는지 '압축'이었는지는 모르겠다. 모든 길이 한 사람에게 통하면, 정치 과목이 여러 개에서 "머스크학개론" 하나로 통폐합된 것일 수도 있으니까. 어쩌면 정치는 사라지는 게 아니라 이사만 가는 건지도. (원문 메일이 짧아서 출퇴근길에 다 읽힘. 내일 회의에서 써먹을 거면 지금 저장해두는 쪽이 빠르다) → 안 믿겨도 괜찮다, 아래 셋 다 열어보면 된다 → CNBC가 진위 확인한 원문 전체가 있다 → "지휘 체계 vs 직통" 두 학파 비교는 두 번째 링크가 제일 깔끔하다 #사내정치 #조직문화 #일론머스크

224

23,545

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

14h

📌 “1인 1에이전트로 조직을 혁신한다”, 실현 가능한가에 대한 냉정한 정리 한 줄 결론: 절반은 이미 현실이고, 절반은 아직 구호다. “직원마다 AI 비서를 붙인다”는 가능하지만, “그걸로 조직 구조 자체를 갈아끼운다”는 건 2026년 현재 시기상조다. 먼저 ‘1인 1에이전트’가 뭘 말하는지 •좁은 의미: 직원 한 명당 전담 AI 에이전트(스스로 계획하고 실행하는 AI)를 하나씩 붙여 생산성을 올린다 •넓은 의미: 사람과 에이전트를 1:1로 짝지어, 중간 관리 계층을 줄이고 조직을 재설계한다 •가능성은 이 둘이 완전히 다르다. 앞은 곧 표준, 뒤는 실험 단계 된다는 근거 (이미 벌어지는 일) 1.대기업이 실제로 도입 중이다. 맥킨지가 밝힌 바로는 직원 4만 명 옆에 AI 에이전트 2만 개를 두고, 연내 1:1(4만:4만)을 목표로 한다고 한다. 2.1인 기업이 증명한다. 직원 없이 AI 오케스트레이션(여러 AI를 지휘하는 것)만으로 연 수백만 달러를 버는 솔로 창업자 사례가 실재한다. 3.소프트웨어가 그쪽으로 재편된다. 포레스터는 2026년 기업용 앱 상당수가 AI 에이전트를 ‘내장 동료’로 품을 것으로 본다. 도구가 깔리면 도입은 빨라진다. 안 된다는 근거 (덜 말해지는 함정) 1.신뢰도가 발목을 잡는다. 장기 실행 에이전트는 아직 긴 작업을 성공률 50% 안팎으로 해낸다. 작업이 길어질수록 실패율은 더 빠르게 (대략 제곱으로) 불어난다. 검수 없이 혼자 맡기긴 이르다. 2.1:1은 오히려 비효율일 수 있다. 사람마다 에이전트를 붙이는 것보다, 잘 만든 에이전트 하나를 여러 명이 공유하는 게 비용, 관리 면에서 나은 경우가 많다. ‘1인 1’은 멋진 구호지만 최적 구조는 아니다. 3.메타가 비싼 값으로 보여줬다. AI 중심 재편을 밀어붙이다 내부 반발로 CEO가 “실수했다”고 인정했다. 기술이 준비돼도 사람과 조직이 못 따라가면 혁신이 아니라 혼란이 된다. 4.오케스트레이션 비용이 숨어 있다. 에이전트를 늘릴수록 그걸 감독, 조율, 보안 관리할 ‘관제탑’이 필요해진다. 사람을 줄인 만큼 다른 일이 늘어난다. 그래서 현실적으로 가능한 형태는 •지금 당장: ‘1인 1비서’ 수준. 각자 반복 업무를 에이전트에 맡기고, 사람은 정의, 판단, 검수에 집중. 이건 충분히 실현 가능하고 효과도 검증됐다. •1~2년 내: 특정 분야(코딩, 마케팅, 고객응대)에서 ‘역할 단위’ 에이전트가 일부 업무를 통째로 맡는 형태. 단, 사람이 최종 책임을 지는 구조. •아직 먼 이야기: 에이전트가 사람을 1:1로 대체해 조직도를 새로 그리는 전면 혁신. 신뢰도와 책임 소재 문제가 풀려야 한다. 💬 핵심은 이거다. ‘1인 1에이전트’는 인력 감축 슬로건으로 쓰면 메타 꼴이 나고, 역량 증폭 도구로 쓰면 실현 가능하다. 같은 기술도 “사람을 빼는 명분”이냐 “사람을 키우는 수단”이냐에 따라 결과가 정반대다. 반면에 이 흐름을 무시하면 그것도 위험하다. 경쟁사가 에이전트로 같은 일을 1/3 인력으로 해내기 시작하면, 균형론만 외치다 뒤처질 수 있다. 정답은 ‘도입하느냐 마느냐’가 아니라 ‘얼마나 빨리, 그러나 검수 체계를 갖추고’ 도입하느냐다. 추천 방향 한 줄. 먼저 ‘1인 1비서’부터 깔아 사람의 생산성을 올리고, 신뢰도가 검증된 업무에 한해 단계적으로 자율성을 넓혀라. 조직도를 먼저 갈아엎지 말고, 일하는 방식이 바뀐 뒤에 구조가 따라오게 하는 게 안전하다. 🔗 출처 (보도/분석): •맥킨지의 인간-에이전트 하이브리드 인력 (ChatFin) — chatfin.ai/blog/ai-agents-di… •2026 기업 SW의 ‘디지털 인력’ 전환 전망 (Forrester) — forrester.com/blogs/predicti… •1인 기업과 에이전트 오케스트레이션 흐름 (Taskade) — taskade.com/blog/one-person-…

AI Agents as Digital Coworkers: 20,000 Virtual Employees in 2026

McKinsey's 20,000 AI agents 40,000 humans model shows the future of work.

chatfin.ai

198

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

14h

📌 메타의 ‘AI 올인’ 인력 재편이 낳은 내부 반발, 사실과 “그럼 어떤 균형이 필요한가”까지 정리 한 줄 요약: 메타가 6개월 새 AI 조직을 네 번 갈아엎으며 대규모 해고를 단행했고, 결국 2026년 6월 저커버그가 “실수했다”고 내부 인정했다. 핵심 교훈은 분명하다. AI 전환의 발목을 잡은 건 기술이 아니라 사람을 다루는 방식이었다. 무슨 일이 있었나 (사실) 1.조직을 반년에 네 번 개편. 28세 신임 최고AI책임자 알렉산드르 왕(스케일AI 창업자)이 이끄는 메타 슈퍼인텔리전스 랩(MSL) 중심으로, 팀을 ’AI 포드(소규모 단위)’로 재편했다. 2.핵심 연구진이 잘리거나 떠났다. 2025년 10월 기초연구조직 FAIR에서 600명을 감원했고, AI 수석과학자 얀 르쿤이 회사를 떠나 새 회사를 차렸다. 그는 왕을 “어리고 경험이 부족하다”고 공개 저격했다. 3.실적은 좋은데 8000명을 잘랐다. 2026년 5월 전체 인력의 10%인 약 8000명 해고. 그런데 2025년 매출은 2010억 달러(전년比 22%), 4분기 순이익은 228억 달러로 호실적이었다. 재정 위기가 아니라 ‘AI에 몰아주기’ 위한 감원이었다. 4.남은 사람들도 반발했다. 약 6500명을 모은 ‘응용 AI 엔지니어링’ 부서를 직원들이 “사실상 강제수용소”라 부르고, 자신들을 “징집병”이라 칭했다. 다른 부서로 이동도 막혔고, 업무는 ‘AI 학습용 코딩 퍼즐 만들기’ 같은 단순 작업으로 격하됐다고 한다. 5.결국 CEO가 고개를 숙였다. 6월 12일 저커버그가 내부 메모에서 재편이 “혼란스러웠다”며 실수를 인정하고, 2026년 추가 전사 해고는 없다고 밝혔다. 💬 핵심은 이거다. 메타의 위기는 “AI를 너무 많이 했다”가 아니라 “AI를 한다는 명분으로 사람을 너무 함부로 다뤘다”는 데서 왔다. 돈도 기술도 충분했는데, 신뢰와 사기가 먼저 무너진 셈이다. 그럼 어떤 방향이 필요한가 (한 관점) •속도보다 안정성. 반년에 네 번 조직을 엎으면 누구도 장기 과제에 몰입 못 한다. 큰 그림은 자주 안 바꾸고, 실행만 조정하는 게 낫다. •핵심 인재는 ‘쳐내기’가 아니라 ‘재배치’. 르쿤 같은 간판이 나가면 남는 사람도 흔들린다. 실력 있는 사람을 적으로 돌리지 않는 게 비용 대비 최고의 투자다. •AI는 ‘대체’가 아니라 ‘증폭’ 프레임으로. “AI로 부서를 없앤다”가 아니라 “AI로 같은 사람이 더 큰 일을 한다”로 말이 바뀌면, 같은 전환도 위협이 아니라 기회로 받아들여진다. •강제 발령은 금물. 이동 선택지를 막고 단순 업무로 보내는 순간, 우수 인력은 ‘징집병’ 정서가 된다. 자율과 명분을 함께 줘야 한다. •기초연구와 제품의 균형. 당장 돈 되는 제품팀만 키우고 FAIR 같은 장기 연구를 깎으면, 2~3년 뒤 내놓을 원천기술이 비는 시점이 온다. 반면에 메타 경영진을 마냥 비판만 할 순 없다. 오픈소스 라마4의 미지근한 반응, 중국 스타트업의 모델 활용 우려 등 ‘집중’이 필요한 진짜 이유는 있었다. 빠르게 자원을 한곳에 모으는 결단 자체는 경쟁에서 합리적일 수 있다. 문제는 방향이 아니라 그걸 실행한 방식과 속도였다. 마지막 한 줄. 결국 ‘AI 중심이냐 균형이냐’는 양자택일이 아니다. AI에 자원을 몰되, 그 자원의 절반은 사람의 신뢰와 안정에 쓰는 것. 메타가 비싼 수업료를 내고 보여준 교훈이 바로 그거다. 🔗 출처 (보도): •저커버그 “실수 인정” 메모, ‘강제수용소’ 논란 (Cryptopolitan) — cryptopolitan.com/zuckerberg… •8000명 감원과 호실적의 모순 (The Next Web) — thenextweb.com/news/meta-lay… •르쿤 사임과 폐쇄형 전환 배경 (Digitimes) — digitimes.com/news/a20251211…

Zuckerberg admits Meta made 'mistakes' on its AI transformation, promises stability after layoffs -...

Mark Zuckerberg confirmed in an internal memo that Meta's broad AI reorganization was "disruptive" for many employees and said that further layoffs are not

cryptopolitan.com

129

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

17h

📌 “혼자 몇 시간씩 돌아가는 AI 에이전트”, 숫자 뒤에 숨은 함정까지 딱 정리 한 줄 요약: 자율형 장기 실행 에이전트(Autonomous Long-Running Agent)는 사람이 한 줄씩 지시하던 챗봇에서, 목표만 던지면 몇 시간에서 며칠을 혼자 일하는 AI로 넘어가는 흐름이다. 그런데 화제가 된 “12시간 일하는 AI”라는 숫자엔 큰 별표가 붙어 있다. 용어부터 •장기 실행 에이전트: 한 번 시키면 계획하고, 실행하고, 막히면 스스로 고쳐가며 길게 일하는 AI •시간 지평(Time Horizon): 사람 전문가 기준으로 몇 시간짜리 일까지 AI가 해내는지를 잰 지표 핵심 사실 5가지 1.능력이 지수적으로 자란다. METR(AI 위험을 평가하는 연구기관)에 따르면, AI가 해내는 작업 길이가 2019년부터 약 7개월마다 두 배씩 늘었다. 최근 1~2년은 4개월마다 두 배라는 더 가파른 추세도 나왔다. 2.세대별로 보면 체감된다. GPT-2는 2초, Claude 3.7 Sonnet은 50분, o3는 약 2시간, Opus 4.6은 약 12시간짜리 작업까지 해냈다. 불과 몇 년 사이의 변화다. 3.이대로면 곧 ‘하루’, ‘한 주’ 단위. 추세가 유지되면 하루짜리 작업은 2028년, 주 단위 작업도 2027~28년경 가능하다는 게 METR의 외삽(과거 추세를 미래로 연장한 추정)이다. 4.여기 결정적 함정이 있다. 저 숫자들은 전부 “성공률 50%” 기준이다. 즉 12시간 에이전트란 “12시간 작업을 절반 확률로 성공”한다는 뜻이지, 믿고 맡길 수준이 아니다. 동전 던지기에 가깝다. 5.그래서 진짜 적은 능력이 아니라 ‘오차 누적’이다. 작업 길이가 두 배가 되면 실패율은 대략 네 배로 뛴다. 한 단계에서 99% 정확해도, 수천 단계를 이으면 어딘가에서 반드시 무너진다. 10단계 전에 잘못 든 길을 끝까지 못 알아채는 게 핵심 난제다. 💬 핵심은 이거다. 장기 실행 에이전트의 병목은 “더 똑똑해지냐”가 아니라 “오래 안 틀리고 버티냐”다. 왜냐하면 긴 작업은 수많은 단계의 곱셈이라, 한 단계의 작은 실수율도 길어질수록 복리로 불어나 결과를 통째로 날리기 때문이다. 논리는 깔끔하게 떨어진다. 1) 모델은 점점 긴 일을 해낸다(능력은 우상향). 2) 그런데 그 기록은 성공률 50%짜리다(신뢰도는 아직 동전 던지기). 3) 길이가 늘수록 실패율은 더 빠르게 는다(오차 누적). 결론: 자랑할 건 ‘길이’, 정작 팔리려면 필요한 건 ‘신뢰도’. 반면에 이걸 “그래서 아직 멀었다”로 읽으면 곤란하다. 추세선엔 멈출 기미가 안 보이고, Devin이나 Cursor처럼 특정 분야에선 이미 며칠씩 혼자 도는 에이전트가 실전 투입됐다. 지수 성장의 무서운 점은, 한참 “신기하지만 별 위협 아님”으로 보이다가 어느 순간 갑자기 일자리와 보안의 경계선을 넘어버린다는 거다. 마지막 한 방. 그래서 사람의 역할도 ‘직접 하기’에서 ‘문제를 정의하고, 결과를 검수하고, 현실 제약에 맞추는 일’로 옮겨간다. 에이전트가 길게 일할수록, 역설적으로 그 일을 감독하는 사람의 안목이 더 비싸진다. 어쩌면 가장 중요한 질문은 “AI가 몇 시간 일하냐”가 아니라 “그 결과를 누가, 어떻게 믿고 검증하냐”일지도. 🔗 출처 (원문/공식): •METR, AI의 장기 작업 수행 능력 측정 (시간 지평 원문) — metr.org/blog/2025-03-19-mea… •시간 지평 추세 시각화 (AI Digest) — theaidigest.org/time-horizon… •장기 실행 에이전트 개괄 (Addy Osmani) — addyo.substack.com/p/long-ru…

Measuring AI Ability to Complete Long Tasks

We propose measuring AI performance in terms of the *length* of tasks AI agents can complete. We show that this metric has been consistently exponentially increasing over the past 6 years, with a...

metr.org

1,005

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

17h

📌 구글 딥마인드가 “초지능”을 정면으로 다룬 보고서, 핵심만 딱딱 끊어서 정리 한 줄 요약: 셰인 레그 등 구글 딥마인드 연구진이 2026년 6월 공개한 50쪽 보고서 “From AGI to ASI”. 결론은 두 줄이다. 첫째, 초지능은 온다. 둘째, 그 초지능도 물리법칙 앞에선 무릎 꿇는다. 용어 정리 •AGI(범용 인공지능): 사람 한 명만큼 두루 똑똑한 AI •ASI(초지능): 대기업이나 연구소 전체보다 똑똑한, AGI를 한참 넘어선 AI 이 보고서의 5가지 포인트 1.논문이 AI에게 직접 말을 건다. 맨 앞에 “당신이 AI라면 이렇게 요약하라”는 지시문이 따로 있다. 사람 독자에게는 “AI한테 요약시키고, 나중에 이 예측이 맞았는지도 물어보라”고 한다. 학술 논문이 자기를 읽을 AI를 독자로 상정한 첫 사례급이다. 2.모델을 더 똑똑하게 안 만들어도 초지능은 가능하다. 같은 AGI를 1000개 돌리다가 5년 뒤 1억 개로 늘리면, 그 집단 자체가 초지능이 된다. 근거는 명확하다. 쓸 수 있는 연산력이 매년 약 10배씩 늘어왔기 때문이다. 즉 “더 똑똑한 한 명”이 아니라 “충분히 똑똑한 수억 명”으로도 도달한다. 3.그 초지능도 전능하지 않다. 빛의 속도(정보 전달 최대 속도), 란다우어 한계(정보를 지우는 데 드는 최소 에너지), 괴델의 불완전성 정리(아무리 똑똑해도 증명 불가능한 명제는 남는다)에 묶인다. 그래서 “초지능이 노화도 정복하고 기후도 되돌린다”는 식의 단정은 틀렸다고 못 박는다. 4.가장 강한 반전은 ‘추상화 장벽’이다. AI는 인간이 만든 개념을 조합할 뿐, 완전히 새로운 개념을 맨바닥에서 못 만들 수 있다. 근거 비유가 명쾌하다. 뉴턴 이전 시대 지식만 학습한 모델은, 데이터를 아무리 많이 먹여도 상대성이론에 도달하지 못한다. 미적분, 중력 같은 ‘개념 자체’가 데이터에 없기 때문이다. 5.그래서 진짜 속도 제한은 ‘실험’이다(체화 병목). 새 가설이 맞는지는 현실에서 실험해야 확인된다. 화학 반응, 세포 배양, 임상시험은 컴퓨터가 빨라져도 빨라지지 않는다. 결국 지능 성장 속도는 ‘연산 속도’가 아니라 ‘실험이 끝나는 속도’에 묶인다. 💬 핵심은 이거다. 초지능이 와도, 그 초지능은 실험실 앞에서 줄 서서 결과를 기다려야 한다. 머릿속 계산은 무한히 빨라져도 현실은 빨리 감기가 안 되기 때문이다. 논리는 세 단계로 깔끔하게 떨어진다. 1) 양만 늘려도 초지능 집단은 만들 수 있다. 2) 하지만 개별 모델은 인간 개념의 천장(추상화 장벽)에 막힐 수 있다. 3) 새 법칙을 떠올려도 검증은 물리적 시간에 묶인다. 결론: 지능 폭발을 막는 브레이크는 규제가 아니라 자연법칙일 수 있다. 반면에 “그럼 초지능 별거 아니네”는 오독이다. 연구진은 “가속이 계속될 가능성도 배제할 수 없다”고 분명히 적었다. 데이터 고갈, 에너지, 반도체 공급 같은 장애물이 ‘넘을 수 없는 벽’일지 ‘잠깐의 턱’일지는 아직 아무도 모른다. 그리고 이건 구글 딥마인드의 입장이지, 학계의 합의가 아니다. 마지막 한 방. 논문이 “시간이 지난 뒤 이 예측이 맞았는지 평가해 달라”고 AI에게 부탁한 건, 저자들조차 자기 예측의 유통기한이 짧다는 걸 인정한 것이다. 그래서 표지의 튜링 인용이 이 보고서의 가장 솔직한 문장으로 읽힌다. “우리는 앞을 멀리 보지 못한다. 하지만 거기 해야 할 일이 잔뜩 있다는 것만은 보인다.” 🔗 출처 (원문): •From AGI to ASI 원문 PDF (arXiv 2606.12683, Google DeepMind) — arxiv.org/pdf/2606.12683 •초록 페이지 (arXiv) — arxiv.org/abs/2606.12683 •AIXI, 레그-허터 지능 측정 배경 (Hutter 외 2024 교과서) — hutter1.net/ai/uaibook2.htm

185

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 노션, 옵시디언 쓰는 사람 주목, 구글이 어제 던진 OKF(에이전트용 디지털 두뇌 표준) 정리 •OKF (Open Knowledge Format) : 구글 클라우드가 공개한 v0.1 표준. 지식을 “마크다운 파일 폴더”로 저장하는 약속. 새 런타임, SDK, 압축포맷 없음. 그냥 파일임 •구조 : 개념 1개 = 파일 1개. 파일 경로가 곧 그 개념의 정체성(identity) •메타데이터 : 각 파일 맨 위 YAML 프론트매터에 type, title, description, resource, tags, timestamp 정도만 넣어 쿼리 가능하게 함 •연결 : 파일끼리 그냥 마크다운 링크로 잇는다 → 폴더가 통째로 지식 그래프(graph)가 됨 •옵션 파일 : index.md(에이전트가 계층 탐색하며 점진적으로 펼쳐보기), log.md(변경 이력) •핵심 동기 : “LLM 위키” 패턴(카르파시 위키 같은 것)은 다 비슷하게 생겼는데 서로 호환이 안 됐음. OKF는 그 합의만 표준화 💬 OKF가 흥미로운 건 신기술이라서가 아니라, 오히려 “아무것도 새로 안 만든 것”이라서다. 왜냐하면 그동안 다들 마크다운 프론트매터 상호링크로 LLM 위키를 굴렸지만 각자 방언(bespoke)이라 한 팀이 만든 지식을 다른 에이전트가 그냥 못 읽었기 때문 (스펙이 달랑 한 페이지인 게 자랑 포인트인 표준은 흔치 않음). 정리하면 1) 핵심은 저장 기술이 아니라 상호운용성(interoperability), 서로 다른 생산자가 쓴 위키를 번역 없이 다른 에이전트가 먹게 하는 합의고 2) git repo, 텍스트 에디터, 검색툴 어디서나 그냥 열리니 락인(lock-in)이 거의 없으며 & 3) 에이전트가 읽기만 하는 게 아니라 편집,추가까지 하면 “살아있는 위키”가 된다는 점. 반면에 이게 노션,옵시디언을 죽인다는 얘기는 아닐 수도 있다. OKF는 앱이 아니라 포맷이라, 오히려 옵시디언이 이걸 export 포맷으로 채택하면 둘은 적이 아니라 친구가 된다. 어쩌면 “대체”가 아니라 “공용어” 쪽이 맞는 그림일지도. 일단 주말에 작은 폴더 하나로 직접 만들어보면 감이 오는데, 그게 함정이다(주말 순삭). (다음에 에이전트 메모리 설계할 때 다시 꺼내볼 수 있게 어딘가 박아두면 편하고) #OKF #AI에이전트 #지식관리 🔗 출처 (공식): •구글이 직접 설계 의도와 예시까지 푼 발표글 — Google Cloud, Open Knowledge Format: cloud.google.com/blog/produc… •스펙 한 페이지, 샘플 번들, 직접 PR까지 가능한 곳 — GoogleCloudPlatform/knowledge-catalog (GitHub): github.com/GoogleCloudPlatfo…

How the Open Knowledge Format can improve data sharing | Google Cloud Blog

Learn how the Open Knowledge Format helps secure data sharing and improves collaboration across teams with standardized documentation.

cloud.google.com

106

311

19,731

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

21h

📌 “에이전트의 두뇌”는 결국 폴더 하나였다, 구글 OKF 5분 완전정복 (공식 스펙 기준) 핵심 한 줄. OKF는 “개념 하나 = 마크다운 파일 하나”인 서랍장이고, 파일 경로에서 .md만 뗀 게 그 개념의 ID다(tables/orders.md → 개념 ID tables/orders). 아래는 스펙 부록의 미니멀 번들. my_bundle/ ├─ index.md ├─ log.md ├─ datasets/ │ └─ sales.md └─ tables/ ├─ orders.md └─ customers.md 강제되는 건 셋뿐(적합성 조건). •모든 일반 .md는 파싱 가능한 YAML 프론트매터를 가질 것 •그 안에 비어있지 않은 type 필드가 있을 것 (유일한 필수) •예약 파일 index.md, log.md는 정해진 형식을 따를 것 개념 파일(tables/orders.md) 원본. --- type: BigQuery Table title: Orders description: One row per completed customer order. resource: console.cloud.google.com/... tags: [sales, orders] timestamp: 2026-05-28T00:00:00Z --- # Schema | Column | Type | Description | |-------------|--------|-------------| | order_id | STRING | Unique order identifier. | | customer_id | STRING | FK to [customers](/tables/customers.md). | # Joins Joined with [customers](/tables/customers.md) on `customer_id`. 필수는 type 하나, 나머지(title, description, resource, tags, timestamp)는 권장. 본문은 freeform보다 표,헤딩 같은 구조를 권장하고 관례 헤딩은 # Schema, # Examples, # Citations. 그리고 핵심, 조인,참조 같은 관계의 종류는 링크가 아니라 옆 문장(prose)이 정한다(§5.3). 링크는 절대형 /tables/customers.md(권장)와 상대형 ./other.md 둘. 이제 특수 파일 둘. 둘 다 내용 형식이 정해져 있다. index.md (안내도, 프론트매터 없음, 헤딩 아래 불릿 목차) # Tables * [Orders](orders.md) - 완료된 주문 1건당 1행 * [Customers](customers.md) - 고객 마스터 # Datasets * [Sales](../datasets/sales.md) - 판매 관련 테이블 모음 log.md (변경 이력, 최신순, 날짜는 YYYY-MM-DD, 앞 굵은 단어는 관례) # Directory Update Log ## 2026-05-22 * **Update**: [고객 지표](/tables/customer-metrics.md) 참조 추가 * **Creation**: [Dataplex 플레이북](/playbooks/dataplex.md) 신설 ## 2026-05-15 * **Initialization**: 기본 폴더 구조 생성 💬 그래서 “주간활성사용자 어떻게 구해?“가 들어오면 에이전트는 루트 index.md로 지도 보고, 정의 파일 읽고, 링크 타고 tables로 가 컬럼,조인 문장을 읽어 답을 조립한다. 왜냐하면 답이 한 파일이 아니라 링크,문장을 따라 모이도록 설계됐기 때문. 정리하면 1) 구조는 최소(필수 type 하나), 관계,의미는 본문 자연어가 짊어진다 2) 깨진 링크,모르는 type,빈 칸이 있어도 번들을 거부하면 안 되는 “관대한 소비” 원칙이라 장벽이 거의 0이고 & 3) OKF는 Avro,Protobuf,OpenAPI를 대체하는 게 아니라 가리킬(references) 뿐, 지식 층만 표준화한 것. 반면에 이 단순함이 양날일 수도. 관계,로그를 문장으로 쓰니 말투가 제각각이면 기계 파싱이 흔들린다. 어쩌면 표준의 승패는 기능이 아니라 “얼마나 안 귀찮은가”, 그리고 팀이 type,문장 컨벤션을 맞추느냐가 가를지도. 일단 index.md 한 장부터. #OKF #지식그래프 #AI에이전트 🔗 출처 (공식): •설계 의도와 예시 — Google Cloud, Introducing OKF: cloud.google.com/blog/produc… •v0.1 스펙 전문(§5.3 링크, §6 index, §7 log, 부록 미니멀 번들) — okf/SPEC.md: github.com/GoogleCloudPlatfo…

398

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

23h

📌 “인간은 원래 환각하는 동물이다” 그런데 왜 사람 환각은 똑똑함이 되고 AI 환각은 사고가 될까 사람도 AI도 빈칸을 그럴듯하게 메꾸는 똑같은 짓을 한다. 그런데 사람 환각은 창의력, 공감, 지능으로 이어지고 AI 환각은 오류가 된다. 그 차이가 어디서 갈리는지가 핵심이다. •인간은 환각하는 동물 : 신경과학자 아닐 세스(Anil Seth) 말로는, 본다는 것 자체가 “통제된 환각”이다. 뇌가 “이쯤이겠지” 먼저 찍고, 들어오는 감각으로 슥슥 고쳐 그린다. 우리는 환각을 안 하는 게 아니라, 늘 하면서 다듬는 중이다 •AI도 똑같은 추측 기계 : 큰 언어모델(LLM)이 다음 단어를 확률로 찍는 것도 결국 “이쯤이겠지”의 연속이다. 생성한다는 점에선 뇌랑 다를 게 없다 •그럼 뭐가 다른가 1, 현실 검증 고리 : 사람 뇌엔 지어낸 그림을 감각, 경험, 타인 반응에 끊임없이 대보는 브레이크가 달려 있다. 이 고리가 끊기면 사람도 작화증(없던 기억을 진짜처럼 지어내는 증상)이나 음모론으로 망가진다 •그럼 뭐가 다른가 2, 정직한 꼬리표 : 사람은 “확실친 않은데”, “내 추측엔” 하고 확신도를 말에 묻혀 전달한다. AI 환각이 욕먹는 건 지어내서가 아니라, 추측을 “사실입니다” 하고 단정해서다 💬 그러니까 사람과 AI를 가르는 건 “환각하느냐”가 아니다. 둘 다 한다. 진짜 차이는 지어낸 걸 현실에 대보는 브레이크가 있느냐 & 틀릴 수 있다고 솔직히 꼬리표를 다느냐, 딱 두 가지다. 뜯어보면 사람 쪽엔 이게 다 깔려 있다. 1) 일단 머릿속에 막 그린다(상상, 가설) & 2) 세상에 던져 부딪혀 본다 & 3) 틀린 만큼 깎고 “이건 아직 추측”이라고 표시해둔다. 이 3단이 다 돌아가니까 사람의 환각은 창의력이 되고, AI는 보통 1번에서 멈춰서 단정해버리니까 사고가 된다. 반면에 사람 환각을 마냥 떠받들면 곤란하다. 잘못된 목격 기억 하나가 멀쩡한 사람 감옥 보내고, 확신에 찬 헛소리는 솔직히 인간이 AI보다 한 수 위다. 즉 인간이라고 자동으로 안전한 게 아니라, 저 브레이크와 꼬리표가 작동할 때만 똑똑한 거다. 한 발만 더. 이렇게 보면 AI한테 “환각하지 마”라고 다그치는 건 번지수가 틀렸다. 인간도 환각을 끄지 않았다, 다만 현실에 대보고 “아마도”를 붙이는 법을 익혔을 뿐이다. 그러니 모델한테 가르칠 진짜 한 줄도 “지어내지 마”가 아니라 “지어내되, 그게 추측인 줄 알고 말해”에 가깝다. 결국 인간 환각과 AI 환각의 차이는 재료가 아니라, 그 뒤에 붙은 브레이크와 정직함의 차이다. 🔗 출처 (참고): •아닐 세스, 지각은 통제된 환각이다 (80,000 Hours 인터뷰) — 80000hours.org/podcast/episo… •통제된 환각 이론 개괄 (Philosophy Now) — philosophynow.org/issues/149… •지각, 상상, 꿈이 뇌에서 비슷하게 작동한다는 논의 (Being You 정리) — consciousnessrealist.com/bei…

Anil Seth on the predictive brain and how to study consciousness | 80,000 Hours

80000hours.org

365

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “에이전트 만들기 = 거대 AI 하나 만들기”라고 오해하는 분들을 위한, 단계별 에이전트 구성법 정리 (구글 아님, 앤트로픽 공식판) •0단계 증강 LLM (Augmented LLM) : 모든 에이전트의 기본 블록. 그냥 모델이 아니라 검색(retrieval), 도구(tools), 기억(memory)이 붙은 LLM. 방향 - 여기서부터 쌓는다 •1단계 프롬프트 체이닝 (Prompt Chaining) : 작업을 순서대로 쪼개 앞 출력→뒤 입력으로 흘림. 방향 - 단계가 뻔하고 예측 가능한 일(번역, 초안→검수) •2단계 라우팅 (Routing) : 입력을 분류해 전담 처리기로 보냄. 방향 - 입력 종류가 명확히 갈릴 때(고객문의 분기) •3단계 병렬화 (Parallelization) : 독립 작업을 동시에 돌려 합침(분할 sectioning, 투표 voting). 방향 - 속도 & 신뢰도가 중요할 때 •4단계 오케스트레이터-워커 (Orchestrator-Workers) : 중앙 LLM이 작업을 즉석에서 쪼개 하위 워커에게 위임. 방향 - 하위 작업이 미리 안 정해지는 복잡한 일(멀티파일 코딩) •5단계 평가자-최적화 (Evaluator-Optimizer) : 한 LLM이 만들고 다른 LLM이 채점해 다시 고침. 방향 - 명확한 평가 기준이 있고 반복으로 좋아지는 일 •마지막 자율 에이전트 (Autonomous Agent) : 모델이 스스로 계획,도구사용,피드백을 돌리는 형태. 방향 - 진짜 필요할 때만 💬 에이전트는 “더 똑똑한 모델 하나”를 만드는 게 아니라, 단순한 부품(building block)을 레고처럼 쌓는 작업이다. 왜냐하면 앤트로픽이 수많은 팀과 만든 결론이 “잘된 구현일수록 화려한 프레임워크가 아니라 단순하고 조립 가능한 패턴을 쓰더라”였기 때문 (복잡한 framework부터 깔면 디버깅 지옥행 티켓 끊는 셈). 핵심 반전은 1) 위 단계는 사다리가 아니라 메뉴판이라 위로 갈수록 좋은 게 아니고 2) 비용,지연,에러가 같이 커지므로 “가장 단순한 단계에서 멈출 줄 아는 것”이 실력 & 3) 반면에 자율 에이전트는 멋져 보이지만 통제와 관측(observability)이 안 되면 그냥 비싸고 예측 불가한 블랙박스가 된다. 물론 여러분 문제는 진짜 풀 자율 에이전트가 필요한 케이스일 수도 있다. 어쩌면. 근데 대부분은 1~2단계 워크플로우로 끝난다는 데 한 표 (아니면 제가 틀린 거고, 그땐 5단계 평가자 에이전트한테 채점받으면 됨). (반박 시 여러분 아키텍처 다이어그램이 맞습니다. 다음에 에이전트 설계 들어가기 전에 다시 꺼내보면 좋고) #AI에이전트 #LLM #에이전트설계 🔗 출처 (공식 docs): •패턴 원문을 만든 곳, 다이어그램까지 다 있음 — Anthropic, Building Effective Agents: anthropic.com/engineering/bu… •복붙해서 바로 돌려볼 코드 샘플 — Anthropic Cookbook (agents): github.com/anthropics/anthro… •오케스트레이터-워커가 실제로 돌아간 사례 — Anthropic, Multi-agent Research System: anthropic.com/engineering/bu…

Building Effective AI Agents

Discover how Anthropic approaches the development of reliable AI agents. Learn about our research on agent capabilities, safety considerations, and technical framework for building trustworthy AI.

anthropic.com

326

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “젠슨 황은 직원을 안 자르고 위대해질 때까지 괴롭힌다”는 말, 맥락까지 정리 •출처 : 엔비디아 CEO 젠슨 황이 2024년 5월 스트라이프 CEO 패트릭 콜리슨과의 대담에서 한 말. 원문은 “차라리 너를 위대함으로 고문하겠다(torture you into greatness)” •진짜 논리 : 사람을 자르는 건 “넌 못 배운다”고 단정하는 것이라, 자기는 그걸 안 믿는다는 것. “난 화장실 청소부였는데 지금 CEO다, 누구나 배울 수 있다”는 자기 서사가 근거 •빠진 단서 : 본인이 “농담 반(tongue in cheek)“이라 분명히 못 박았음. 입력의 “외부 인재를 안 뽑느냐”는 질문 구도와 달리, 원래 질문은 “왜 사람을 잘 안 자르냐”였음 (맥락이 살짝 다름) •어두운 뒷면 : 비슷한 시기 블룸버그 보도에서 전현직 직원들이 엔비디아를 주 7일 근무, 새벽 1~2시 퇴근, 고함과 언쟁이 오가는 회의로 묘사한 “압력솥(pressure cooker)” 문화로 증언함 💬 이 말은 멋진 리더십 명언처럼 박제됐지만, 사실은 살벌한 노동 강도를 미화하는 장치이기도 하다. 왜냐하면 “안 자른다”의 진짜 짝꿍은 “안 놓아준다”이고, 못고문(torture)이라는 단어는 비유가 아니라 직원 증언과 꽤 겹치기 때문이다. 1.표면은 “포기하지 않는 코치”의 따뜻한 신념 & 2) 이면은 주 7일, 새벽 퇴근, 고함 회의 & 3) 그런데도 사람들이 버티는 진짜 접착제는 정신력이 아니라 4년에 걸쳐 풀리는 두둑한 스톡옵션, 즉 황금 수갑. 여기서 캐볼 지점이 있다. “위대해질 때까지 괴롭힌다”가 작동하려면 두 조건이 필요하다. 회사 주가가 계속 올라 보상이 고통을 압도하고(엔비디아는 그 시기 시총 3조 달러를 찍었다), 직원이 “조금만 더 하면 된다”는 그의 말을 믿어야 한다. 둘 중 하나만 흔들려도 같은 문장은 명언이 아니라 착취로 읽힌다. 반면에 그를 마냥 비판만 할 건 아니다. 쉽게 해고하는 문화에서 “사람은 바뀔 수 있다”고 끝까지 투자하는 리더는 드물고, 실제로 성장한 직원도 많을 것이다. 어쩌면 핵심은 단어가 아니라 “고문 뒤에 진짜 위대함과 보상이 따라오느냐”라는 결과론일지도. 시총이 안 받쳐주는 회사가 이 말을 따라 하면 그냥 갑질이 된다. 🔗 출처 (원문/보도): •젠슨 황 발언 전문 정리 (Startup Archive, 스트라이프 대담 영상 링크) — startuparchive.org/p/jensen-… •엔비디아 압력솥 문화 보도 (Fortune) — fortune.com/2024/09/05/nvidi… •발언 맥락 보도 (Yahoo Finance) — finance.yahoo.com/news/nvidi…

Jensen Huang on why he rarely fires people and will instead “torture them into greatness”

"There are a lot of things in life that I think you can learn and you just have to be given the opportunity to learn it"

startuparchive.org

146

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “Fable 5, Mythos 5 차단” 사태에서 기사 헤드라인이 안 알려준 비하인드 정리 •표면 : 미국 정부가 국가 안보를 이유로 두 모델을 미국 안팎 모든 외국인 대상 수출 통제 대상으로 지정, 앤트로픽은 선별 차단이 불가능해 전 고객용으로 꺼버림. 나머지 Claude 모델은 정상 •누가 불을 붙였나 : Axios 보도에 따르면, 상무부가 움직인 계기는 “다른 회사가 Mythos를 탈옥(jailbreak)하는 데 성공했다고 주장”하면서 정부가 놀란 것이라고 함 (즉 경쟁사발 제보 정황, 출처 확인 필요) •진짜 마찰 지점 : 행정부가 사실 출시 전에 “두 모델 공개를 미뤄달라”고 앤트로픽을 설득하려다 실패했고, 그래서 수출 통제 서한이 나왔다는 관계자 발언이 있음. 통제는 추후 수단이지 발단이 아니었다는 얘기 •탈옥의 실체 : 앤트로픽은 문제의 기법이 “특정 코드베이스를 읽혀 소프트웨어 결함을 찾게 하는” 좁은 수법이고, 같은 능력은 GPT-5.5 등 공개 모델에도 있으며 보안 방어자들이 일상적으로 쓰는 수준이라 반박 •모순된 처지 : 같은 회사가 펜타곤 블랙리스트(정부가 쓰기엔 위험)와 상무부 라이선스 규제(외국이 쓰기엔 위험)에 동시 등재됨. 게다가 이 일은 앤트로픽이 비공개 IPO 서류를 제출한 직후 터짐(보도상 매출 런레이트 470억 달러, 평가액 9650억 달러 언급, 수치 확인 필요) 💬 이건 “모델에 버그가 났다”는 기술 뉴스가 아니라, 정부가 출시 타이밍을 통제하려다 실패하자 더 센 카드를 꺼낸 권력 다툼 뉴스다. 왜냐하면 핵심 갈등은 탈옥 자체가 아니라 “누가 프런티어 모델의 출시 버튼을 누르느냐”였고, 수출 통제는 그 싸움에서 나온 무기였기 때문이다. 1.발단은 경쟁사발 탈옥 주장 한 건 & 2) 정부는 출시 연기를 요청했다 거절당함 & 3) 그러자 무기, 반도체에나 쓰던 수출 통제를 상용 챗봇에 적용. 라이선스 없이 이전하면 민형사 처벌까지 걸어둠. 여기서 캐볼 만한 모순이 하나 더 있다. 백악관 AI 책임자 데이비드 색스는 원래 거대 랩의 “규제 포획”을 막겠다며 강제 라이선스 제도를 일부러 피했는데, 정작 이번엔 라이선스 규제로 한 회사를 묶었다. 관계자는 “트럼프는 산업을 해치고 싶어하지 않는다”고 했지만, 행동은 정반대로 읽힌다. 반면에 정부 손을 들 여지도 있다. 진짜로 사이버 무기화 가능성이 확인됐다면 “수백만 명이 쓰는 모델”이라는 규모가 위험을 키운다. 정부 관계자는 안보 체계가 “강화”되면 몇 주 안에 풀 수도 있다고 했으니, 영구 금지가 아니라 임시 동결일 가능성도 크다. 어쩌면 이 사건의 진짜 주인공은 모델이 아니라, 아직 이름이 안 나온 “탈옥을 제보한 그 회사”일지도. 그쪽부터 파보면 그림이 달라질 거다. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. AI 규제의 분기점으로 두고두고 다시 찾게 될 글이라 저장해두는 쪽이 편할 거다. 🔗 출처 (공식/원문): •앤트로픽 공식 성명 — anthropic.com/news/fable-myt… •Axios 단독 (러트닉 서한, 출시 연기 요청 정황) — axios.com/2026/06/12/anthrop… •Quartz (IPO 타이밍, 탈옥 기법 상세) — qz.com/anthropic-fable-5-myt…

Statement on the US government directive to suspend access to Fable 5 and Mythos 5

The US government has issued an export control directive to suspend all access to Fable 5 and Mythos 5 by any foreign national, whether inside or outside the United States.

anthropic.com

Anthropic

@AnthropicAI

Jun 13

The US government, citing national security authorities, has issued an export control directive to suspend all access to Fable 5 and Mythos 5 by any foreign national, whether inside or outside the United States, including foreign national Anthropic employees. The net effect of this order is that we must abruptly disable Fable 5 and Mythos 5 for all our customers to ensure compliance. Access to all other Claude models is not affected. We apologize for this disruption to our customers. We believe this is a misunderstanding and are working to restore access as soon as possible. Read our full statement: anthropic.com/news/fable-myt…

1,185

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “우주에 끝이 있냐 & 그걸 진짜 연구한 사람이 있냐”에 대한 과학 기반 정리 •끝은 두 종류 : 하나는 우리가 볼 수 있는 한계인 관측 가능한 우주(observable universe)의 “지평선”, 다른 하나는 우주 전체의 진짜 “가장자리”. 앞엣것은 분명히 존재, 뒤엣것은 증거가 없음 •관측 지평선 : 빛이 138억 년간 달려온 거리라 지름이 약 930억 광년이라고 함(우주가 팽창해서 138억 광년보다 훨씬 큼). 단 이건 우리 시야의 한계지, 거기서 우주가 뚝 끊긴다는 뜻이 아님 •연구자들 : 끝을 찾으려고 사람들이 우주의 모양(곡률)을 쟀음. WMAP, Planck, BOOMERang 같은 관측 위성과 기구가 우주배경복사(빅뱅의 잔열)를 측정한 결과, 우주는 오차 약 0.4% 안에서 “평평(flat)“하게 나옴 •평평함의 의미 : 종이처럼 평평하면 무한히 가도 끝이 안 나옴. 즉 가장자리가 없을 가능성이 큼. 반면 공 모양이면 끝없이 가도 제자리로 돌아옴(가장자리 없이 유한) •미해결 : 전체 위상(topology, 우주가 도넛 모양인지 뒤틀린 형태인지)은 여전히 모름 💬 결론부터 말하면, 우주의 “끝”은 벽이 아니라 시야의 한계다. 왜냐하면 우리가 볼 수 있는 끝(관측 지평선)은 분명히 있지만, 그건 빛이 아직 우리한테 도착 못 한 지점일 뿐 우주가 절벽처럼 끊기는 곳이 아니기 때문이다. 1.우주의 모양을 잰 사람들은 분명히 있다 & 2) 결과는 “평평”이라 끝이 없을 가능성이 크고 & 3) 평평하면 무한대일 수 있는데, 문제는 무한한지 아닌지를 구분할 방법이 사실상 없다는 것(에라토스테네스가 지구를 쟀듯 우주도 재봤지만, 너무 커서 곡률이 안 잡힘). 반면에 “평평 = 무한 = 끝없음”으로 못 박으면 안 된다. 지금 정밀도(약 400분의 1)로 평평해 보일 뿐, 대평원 한가운데 서면 지구가 평평해 보이는 것과 같은 착시일 수 있다. 앞으로 나올 관측들이 미세한 곡률을 잡아내면, 우주는 거대한 공이라 “끝없이 유한”한 것으로 뒤집힐지도. 어쩌면 우리는 우주의 가운데가 아니라 그냥 보이는 만큼만 보고 있는 건지도. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. 다음에 밤하늘 보다가 멍해질 때 다시 찾게 될 글이라 저장해두는 쪽이 편할 거다. #우주론 #관측가능한우주 #천문학 🔗 출처 (공식/원문): •우주의 모양 측정 종합 (Wikipedia, Planck/WMAP 출처 포함) — en.wikipedia.org/wiki/Shape_… •우주에 가장자리가 있나 (BBC Sky at Night) — skyatnightmagazine.com/space… •데이터가 말하는 평평한 우주 (Big Think) — bigthink.com/starts-with-a-b…

Shape of the universe - Wikipedia

en.wikipedia.org

192

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 손글씨, 화이트보드, 녹음, 인형, 하브루타 중 뭐가 최고냐에 대한 연구 기반 정리 •공통 원리 : 효과적인 방법들의 공통분모는 “인출(retrieval, 머리에서 꺼내보는 행위)“임. 다시 읽기 같은 집어넣기보다 꺼내기가 장기 기억을 만든다는 게 학습과학의 일관된 결론 •가르치기 효과 : 남을 가르치면 본인이 더 배우는 현상을 프로테제 효과라 부름. 가르칠 거라고 “기대만 해도” 회상량과 정보 조직화가 좋아졌다는 연구(Nestojko 외, 2014)가 있고, 39개 실험 메타분석에서도 효과가 확인됨 •청중이 없어도 됨 : 노트 없이 설명하며 가르친 그룹이 일주일 뒤 시험에서 우수했는데, 이들은 카메라에 대고 혼자 강의를 녹화했음. 즉 녹음기, 인형(러버덕)도 작동함 •상호작용 보너스 : 서로 묻고 답하는 상호작용형 가르치기가 일방향 설명보다 장기 파지(오래 기억 유지)에서 더 좋았다는 연구가 있음. 하브루타(질문과 논쟁으로 짝지어 공부하는 유대인 전통 학습법)가 여기 해당 •손글씨 : 타이핑보다 손필기가 개념 이해에 유리했다는 연구(Mueller & Oppenheimer, 2014)가 있으나, 이건 입력 단계 보조 도구에 가까움 💬 정답부터 말하면 인형이 이기는 게 아니라 “입이 이긴다”. 왜냐하면 다섯 방법의 진짜 변수는 도구가 아니라, 책을 덮고 내 말로 다시 꺼내느냐(인출) & 꺼낸 걸 논리로 재조립하느냐(설명)이기 때문이다. 1.효과 순서는 대략, 서로 묻고 반박하는 하브루타가 1티어(인출 즉시 피드백) & 2) 녹음, 인형, 화이트보드 독백은 2티어(인출은 되는데 반박해줄 사람이 없음) & 3) 손글씨는 정리 단계 거들 뿐, 노트만 예쁘면 공부한 기분만 든다. 반면에 인형을 무시하면 안 된다. 가르칠 상대가 있다고 “기대”만 해도 뇌가 정보를 위계적으로 재조직했다는 연구가 있고(곰인형은 항의도 안 한다), 프로그래머들은 이미 수십 년째 고무오리한테 버그를 설명해왔다. 어쩌면 최강의 방법은 따로 없고, 오늘 실제로 입을 여는 방법이 최강일지도. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. 다음 시험공부나 발표 준비 때 다시 찾게 될 글이라 저장해두는 쪽이 편할 거다. #공부법 #학습과학 #하브루타 🔗 출처 (공식/원문): •Mueller & Oppenheimer 2014, 손필기 대 노트북 (Psychological Science) — journals.sagepub.com/doi/10.… •상호작용형 가르치기와 장기 파지 연구 (ERIC 원문 PDF) — files.eric.ed.gov/fulltext/E… •프로테제 효과 연구 정리 (Nestojko, Kobayashi 메타분석 포함) — thelearnerlab.com/protege-ef…

The Pen Is Mightier Than the Keyboard - Pam A. Mueller, Daniel M. Oppenheimer, 2014

Taking notes on laptops rather than in longhand is increasingly common. Many researchers have suggested that laptop note taking is less effective than longhand ...

journals.sagepub.com

134

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “프롬프트 시대 끝났다”는 루프 엔지니어링, 과장과 진실 정리 •발단 : Claude Code를 만든 Boris Cherny가 “나는 더 이상 Claude에 프롬프트를 치지 않는다. 루프가 대신 프롬프트하고, 내 일은 루프를 짜는 것”이라 발언, 개발자 커뮤니티가 뒤집어짐 •루프란 : 작업 상태를 AI에 먹이고, AI가 계획하고 실행하고, 결과를 다시 입력으로 되돌려 목표 달성까지 자동 반복하는 제어 시스템. 사람은 목표, 가드레일, 종료 조건만 설계 •확산 : OpenClaw 만든 Peter Steinberger도 “에이전트에 프롬프트 그만 치고, 프롬프트하는 루프를 설계하라”고 가세. 구글의 Addy Osmani는 이를 루프 엔지니어링이라 명명 •놓치기 쉬운 비용 : 루프가 한 바퀴 돌 때마다 토큰이 타고, 가정이 쌓이고, 내 직접 통제에서 한 발씩 멀어짐 •오해 포인트 : Cherny가 프롬프팅을 버린 게 아님. 프롬프팅이 “대화창”에서 “루프 설계도 안”으로 이사한 것 💬 루프 엔지니어링은 프롬프트의 죽음이 아니라 프롬프트의 승진이다. 왜냐하면 잘 짠 루프의 정체는 결국 매우 정교하고 매우 재사용 가능한 프롬프트 묶음 & 종료 조건 & 검증 절차이기 때문이다(채팅창에서 손으로 치던 걸 시스템에 박아넣은 것). 1.옛날: 프롬프트 치고, 읽고, 또 치고(내가 루프였음) & 2) 지금: 루프가 생성, 검토, 수정을 알아서 돌고 나는 “좋음”의 기준만 정의 & 3) 함정: 평가 기준 없는 루프는 그냥 대규모로 비싸게 돌아가는 바이브 코딩임. 반면에 모두가 루프를 짜야 하는 건 아니다. 한 턴마다 토큰이 타고, 잘못된 가정이 복리로 굴러가며, 베이비시팅이 줄어든 만큼 사고도 조용히 커진다. 어쩌면 1년 뒤엔 루프조차 모델이 알아서 짜서, 이 글도 츤도쿠처럼 북마크 무덤에 묻힐지도. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. 다음에 에이전트 세팅할 때 다시 찾게 될 글이라 저장해두는 쪽이 편할 거다. #AI에이전트 #루프엔지니어링 #ClaudeCode 🔗 출처 (공식/원문): •Addy Osmani, Loop Engineering 원문 — addyosmani.com/blog/loop-eng… •AI 에이전트 학습용 GitHub 리포 (원 트윗 공유) — github.com/Ramakm/ai-agents •Anthropic, Claude Code 베스트 프랙티스 — anthropic.com/engineering/cl…

Loop Engineering

You don't really need to be good at prompting anymore. The thing to get good at is the loop that does the prompting for you. It's five building blocks plus s...

addyosmani.com

𝗿𝗮𝗺𝗮𝗸𝗿𝘂𝘀𝗵𝗻𝗮— 𝗲/𝗮𝗰𝗰

@techwith_ram

Jun 12

Dumb loops beat clever workflows. A great talk about Ralph Loops. Build Dumb AI Loops That Ship by Chris Parsons. Most teams building with AI agents reach for multi-agent orchestration, planning graphs, and elaborate tool chains. Then they spend months debugging them. A single loop that processes one ticket at a time, evaluates its own output, and improves on the next run will outperform all of it.

1:48:25

4,234

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “명상보다 효과 좋았다”는 스트레스 완화법, 연구 기반 정리 •핵심 연구 : 스탠퍼드대 연구팀(Huberman, Spiegel 외)이 2023년 무작위 대조 시험에서 하루 5분 호흡법 3종과 마음챙김 명상을 한 달간 비교함 •결과 : 호흡법이 명상보다 기분 개선과 생리적 각성(호흡수) 감소에서 더 효과적이었고, 그중 1등은 “순환 한숨(cyclic sighing)“이었음 •방법 : 코로 짧게 두 번 들이마시고, 입으로 길게 천천히 내쉬기. 이걸 5분 반복. 끝. •원리 : 긴 날숨이 부교감신경(몸을 진정 모드로 돌리는 시스템)을 자극해 심박과 긴장을 내림 •보너스 : 6분 독서가 음악 감상이나 산책보다 스트레스를 더 줄였다는 서식스대 연구도 있음 (의뢰 연구라 수치는 참고용) 💬 명상 앱 구독은 취소해도 한숨 쉬는 법은 알아둬야 한다. 왜냐하면 스탠퍼드 연구에서 하루 5분 호흡법이 명상보다 기분 개선 효과가 더 컸는데, 그중 1등이 우리가 공짜로 매일 하던 “한숨”의 구조화 버전이었기 때문이다. 1.코로 두 번 흡, 흡 & 2) 입으로 길게 후 (들숨 1 대 날숨 2 비율) & 3) 이걸 5분, 한 달이면 효과가 하루 종일 유지됐다. 반면에 단서도 있다. 명상이 진 게 아니라 “5분 단기전”에서 진 거고(명상도 불안은 줄였다), 참가자 100여 명 규모 연구 하나로 명상 무용론을 외치는 건 과속이다. 어쩌면 진짜 교훈은 “어떤 기법이냐”가 아니라 “매일 5분 멈추는 행위” 그 자체일지도. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. 다음에 숨 막히는 회의 끝나고 다시 찾게 될 글이라 저장해두는 쪽이 편할 거다. #스트레스관리 #호흡법 #명상 🔗 출처 (공식/원문): •Balban 외 2023, Cell Reports Medicine 원문 (PMC) — pmc.ncbi.nlm.nih.gov/article… •스탠퍼드 의대 매거진 해설 기사 — stanmed.stanford.edu/cyclic-… •6분 독서와 스트레스 (미네소타대 정리) — takingcharge.csh.umn.edu/rea…

Brief structured respiration practices enhance mood and reduce physiological arousal

Controlled breathwork practices have emerged as potential tools for stress management and well-being. Here, we report a remote, randomized, controlled study (NCT05304000) of three different daily...

pmc.ncbi.nlm.nih.gov

124

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 13

📌 “책장 만들면 진짜 마음의 여유가 생기냐”에 대한 연구 기반 정리 •독서와 스트레스 : 2009년 서식스대 연구팀 연구에서 단 6분 독서로 스트레스가 최대 68% 줄었고, 음악 감상이나 산책보다 효과가 컸다는 결과가 있음 (의뢰 연구라 수치는 참고용) •책장 효과 : 청소년기에 집에 책이 많았던 사람일수록 어른이 된 뒤 문해력, 수리력이 높았다는 31개국 연구(Sikora 외, 2019)가 있음. 부모 학력과 별개로 나타난 효과 •메커니즘 : 책에 몰입하면 뇌가 걱정거리에서 떨어져 나와 심박수와 근육 긴장이 내려감. 사실상 명상과 비슷한 효과 •반전 포인트 : 핵심은 의지가 아니라 “환경”임. 책장은 독서 확률을 올려주는 장치(넛지) 💬 책장 만들기는 인테리어가 아니라 멘탈 인프라 공사다. 왜냐하면 독서는 가장 싸고 가장 빠른 스트레스 차단기인데(6분이면 충분하다는 연구도 있다), 책장은 그 차단기를 매일 눈앞에 두는 장치이기 때문이다. 1.읽으면 심박수가 내려간다 & 2) 책이 보이는 환경 자체가 머리를 바꾼다 & 3) 효과는 책 0권에서 80권 갈 때가 제일 크다(서재 부자보다 첫 책장 짜는 사람이 이득). 반면에 함정도 있다. 안 읽고 쌓아두기만 하면(이걸 츤도쿠, 적독이라 부른다) 여유 대신 죄책감 컬렉션이 되고, “책 읽어서 여유로운 게 아니라, 원래 여유로운 사람이 책을 읽는 것”일 수도 있다(원인과 결과가 뒤바뀐 착시). 어쩌면 진짜 효능은 책이 아니라 “폰 말고 다른 걸 집는 6분” 그 자체일지도. 못 믿겠으면 아래 출처 셋 다 열어보면 된다. 책장 짤 때 다시 찾게 될 글이니 저장해두는 쪽이 편할 거다. #독서 #스트레스관리 #책장 🔗 출처 (공식/원문): •서식스대 6분 독서 연구 정리 (미네소타대) — takingcharge.csh.umn.edu/rea… •Sikora 외 2019, Scholarly Culture 논문 (PubMed) — pubmed.ncbi.nlm.nih.gov/3046… •독서의 건강 효과 (Psychology Today) — psychologytoday.com/us/blog/…

104

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 12

📌 냉장고 앞에서 “내가 왜 왔지?” 하는 거, 너 잘못 아니고 과학적으로 ‘문’ 잘못임 💬 노트르담대 연구에 따르면 문을 통과하는 순간 뇌가 “아 방금 그 방 일은 끝~” 하고 이전 기억을 따로 저장해버려서, 같은 거리를 걸어도 문만 지나면 더 많이 까먹는다고 한다 (집에 문이 많을수록 치매 아님, 그냥 구조 탓). 반면에 범인이 문이라기보단 ‘상황이 바뀌는 것’이라, 누가 말 걸어도 똑같이 날아가니까 너무 억울해할 필욘 없고. #뇌과학 #공감 🔗 출처: •“문이 진짜 범인인지” 연구 원문이 궁금하면 → Walking Through Doorways Causes Forgetting (Notre Dame, Radvansky) — news.nd.edu/news/walking-thr…

Walking through doorways causes forgetting, new research shows

p(image-right). !/assets/53959/doorway.jpg(Doorway)! We’ve all experienced it: The frustration of entering a room and forgetting what we were going to do. Or get. Or find. New research from Univers...

news.nd.edu

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 12

📌 엔비디아가 OpenAI에 1,000억 달러를 주고, OpenAI가 그 돈으로 엔비디아 칩을 산다 (AI ‘순환 거래’ 논쟁 한 장 정리) •순환 금융(circular financing) : 위 회사가 아래 회사 주식을 사주고, 그 회사가 그 돈으로 다시 위 회사 제품을 사는 구조. 엔비디아→OpenAI→엔비디아 칩으로 돈이 한 바퀴 도는 게 대표 사례 (자기가 자기 고객을 만들어내는 셈) •거미줄 : OpenAI는 오라클과 약 3,000억 달러 클라우드 계약, 마이크로소프트는 OpenAI 지분 약 27% 보유, 엔비디아는 코어위브 지분에 미판매 용량까지 사주겠다고 보증. 서로의 대차대조표가 얽혀 있음 •비관론 : 이 구조가 매출을 부풀려 보이게 만들고, 한 곳이 흔들리면 전체가 같이 흔들린다는 것. GMO 같은 곳은 닷컴 버블의 순환 금융과 닮았다고 봄 (심지어 샘 올트먼조차 누군가는 막대한 돈을 잃을 거라 말함) •강세론 반론 : 닷컴과 달리 지금 AI 기업들은 실제 매출이 있고(파월 지적), 큰손 구매자들은 1999년의 약 3배 현금흐름을 가진 초우량 기업들(모건스탠리)이라 체급 자체가 다르다는 것 💬 결론부터, AI 경제의 진짜 리스크는 모델 성능이 아니라 돈이 도는 모양이다. 왜냐하면 매우 거대하고 매우 화려한 딜들이 사실은 같은 자본을 좁은 원 안에서 돌리며 성장처럼 보이게 만들 수 있기 때문이다 (수요가 진짜인지, 돈이 돌면서 만든 착시인지가 핵심 질문 & 그래서 다들 신경이 곤두선 것). 보도에 따르면 OpenAI의 작년 매출은 약 130억 달러인데 향후 약정한 지출은 조 단위라, 이 간극이 비관론의 연료다. 반면에 수요가 정말 폭발하면 이 지출은 무모한 게 아니라 그냥 ‘너무 일찍 산 것’으로 판명되고 & 엔비디아는 글로벌 capex가 최대 4조 달러까지 간다고 보니까, 어쩌면 정답은 “버블이냐 아니냐”가 아니라 “이 원이 끊기기 전에 진짜 수익이 도착하느냐”일지도. 닷컴 때도 인터넷은 진짜였는데 회사들이 먼저 죽었다는 게, 묘하게 안 잊힌다. (AI 버블 논쟁 터질 때마다 양쪽이 다 들고 오는 그림이라, 저장해두면 다음 타임라인 싸움에서 바로 꺼내 쓸 수 있습니다) #AI #반도체 #투자 🔗 출처 (1차 분석, 공식 코멘트): •“이 딜들이 진짜 위험한지” 회의론과 옹호론을 한 번에 보고 싶다면 → Should we worry about AI’s circular deals? (Noah Smith) — noahpinion.blog/p/should-we-… •“누가 누구 주식을 사고 칩을 사는지” 관계도를 그림으로 보고 싶다면 → AI Circular Deals (Bloomberg, 2026) — bloomberg.com/graphics/2026-… •“월가는 이걸 버블로 보는지” 기관 시각이 궁금하다면 → Should recent AI financing deals be a cause for concern? (UBS) — ubs.com/global/en/wealthmana…

Should we worry about AI's circular deals?

AI companies are borrowing more money to invest more in AI.

noahpinion.blog

234

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 12

📌 토요일 아침 루틴, 뭘 해야 본전 뽑나 (수면, 운동, 자연을 논문으로 정리해봄) •위켄드 워리어(weekend warrior) : 주 1~2회 몰아서 운동해도, 같은 총량이면 매일 쪼개서 한 사람과 비슷하게 사망률, 심혈관, 암 위험이 낮아졌다는 대규모 연구. 평일에 못 움직였어도 주말에 채우면 만회가 된다는 뜻 (게으른 자에게 내려온 복음) •자연 120분 임계값 : 주당 자연 속에서 보낸 시간이 120분을 넘기면 좋은 건강, 높은 웰빙과 유의하게 연관됐고, 한 번에 채우든 나눠 채우든 결과가 같았음 (영국 약 2만 명 데이터). 토요일 아침 공원 산책이 괜히 좋은 게 아니었음 •소셜 제트래그(social jetlag) : 주중과 주말 수면 시간이 어긋날수록 BMI가 높았다는 연구. 토요일에 11시까지 자는 늦잠이 사실은 몸한테 시차 적응을 시키는 행위라는 반전 •핵심 주의 : 위 셋 다 ‘연관’을 본 관찰 연구지 “하면 무조건 좋아진다”는 인과 증명은 아님 💬 결론부터, 토요일 아침에 제일 본전 뽑는 루틴은 ‘평소 기상 시간 근처에 일어나 밖에서 몸을 움직이는 것’이다. 왜냐하면 위켄드 워리어, 자연 120분, 일정한 수면이라는 매우 따로 노는 듯한 연구 셋이 토요일 아침 하나로 매우 깔끔하게 합쳐지기 때문이다 (운동, 햇빛, 리듬을 한 큐에 처리하는 가성비 구간 & 그래서 늦잠이 손해처럼 보이는 것). 반면에 주말에만 너무 격하게 몰아치면 부상 위험이 있고, 평일보다 한참 늦게 자고 일어나면 오히려 리듬이 깨지니까, 어쩌면 정답은 “토요일 아침에 다 욱여넣기”가 아니라 “평일과 크게 어긋나지 않게 가볍게 시작하기”일지도. 이불 밖이 위험한 게 아니라 이불 안이 더 위험하다는 게 논문 결론이라 좀 야속하긴 하다. (다음 주 토요일 아침에 다시 꺼내볼 만한 정리라, 주말 망치는 동료한테 슬쩍 보내주기 좋습니다) #건강관리 #습관 #자기계발 🔗 출처 (원문 논문): •“주말에 몰아서 운동해도 효과 있다”는 그 연구가 진짜인지 보고 싶다면 → Weekend Warrior and Mortality (O’Donovan et al., JAMA Intern Med 2017) — jamanetwork.com/journals/jam… •“자연 속 120분”이라는 마법의 숫자가 어디서 나왔는지 궁금하다면 → 120 Minutes in Nature (White et al., Scientific Reports 2019) — nature.com/articles/s41598-0… •“주말 늦잠이 왜 역효과인지” 소셜 제트래그 원조 논문을 보고 싶다면 → Social Jetlag and Obesity (Roenneberg et al., Current Biology 2012) — cell.com/current-biology/ful…

Association of Leisure Time Physical Activity With Risk for Mortality

This pooled analysis of national health survey data investigates the association of physical activity patterns with all-cause, cardiovascular disease, and cancer mortality in adult respondents.

jamanetwork.com

103

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 12

📌 리더가 진짜 좋아하는 팀원, 구글이 180개 팀 뜯어보고 찾은 답 (보고력 vs 성과 vs 스몰토크, 데이터로 정리) •Project Aristotle : 구글이 180여 개 팀, 250여 개 속성을 분석한 연구. 결론은 충격적으로 심심한데, 팀의 성패는 ‘누가 있느냐’가 아니라 ‘어떻게 굴러가느냐’였음 •신뢰성(dependability) : 그 5대 요소 중 하나로, “맡긴 일을 제때, 퀄리티 있게 해내는가”. 보고와 중간보고가 점수 따는 기술이 아니라 이 신뢰성을 증명하는 장치라는 게 포인트 (리더는 서프라이즈를 제일 싫어함) •유능한 밉상 vs 호감 가는 바보 : 약 10,000개 업무 관계를 분석한 HBR 연구. 사람들은 같이 일할 사람을 고를 때 능력보다 호감을 택했음. 스몰토크가 생각보다 전략 자산이라는 뜻 •반전 : 같은 연구의 경고 — 호감만 좋은 사람은 성과 저평가와 구조조정 1순위. 결국 이기는 건 둘 다 갖춘 ‘호감 가는 에이스(lovable star)’ 💬 결론부터, 리더가 가장 아끼는 팀원은 성과 1등도 보고왕도 아니고 ‘예측 가능한 사람’이다. 왜냐하면 중간보고도 스몰토크도 결국 “이 사람한테 맡기면 무슨 일이 벌어지는지 안다”는 매우 단순하고 매우 강력한 신호를 만들기 때문이다 (보기 항목 다섯 개가 사실 전부 같은 답의 다른 표현인 셈 & 그래서 객관식이 아니라 함정 문제). 반면에 예측 가능하고 호감 가는데 결과물이 비어 있으면 연구가 말하듯 가장 먼저 잊히는 사람이 되니까, 어쩌면 정답은 “실무라는 바닥 위에 예측 가능성을 쌓는 순서”의 문제일지도. (연봉협상이나 평가 시즌 전에 한 번 더 보면 쓸모 있는 정리라, 같은 팀 동료한테 슬쩍 공유하기 좋습니다) #조직문화 #일잘러 #커리어 🔗 출처 (공식 가이드, 원문 논문): •구글이 직접 공개한 “효과적인 팀의 5요소” 원본 가이드를 보고 싶다면 → Google re:Work, Understand Team Effectiveness — rework.withgoogle.com/intl/e… •“능력보다 호감이 이긴다”는 10,000개 관계 데이터가 진짜인지 확인하고 싶다면 → Competent Jerks, Lovable Fools (HBR, 2005) — hbr.org/2005/06/competent-je… •이 연구가 세상에 알려진 계기가 된 그 유명한 기사가 궁금하다면 → What Google Learned From Its Quest to Build the Perfect Team (NYT, 2016) — nytimes.com/2016/02/28/magaz…

Understand team effectiveness

Originally published 2015

rework.withgoogle.com

Leaf Meta 🇰🇷

Leaf Meta 🇰🇷

@leafmeta

Jun 12

📌 “사고팔수록 돈 번다”는 착각, 66,465개 계좌 데이터가 낸 성적표 (잦은 매매 vs 존버, 논문으로 정리) •매매는 부에 해롭다(Trading Is Hazardous to Your Wealth) : 미국 가계 66,465개 계좌 추적 결과, 가장 활발히 매매한 그룹은 연 11.4%, 그냥 시장은 17.9%. 제일 부지런한 사람들이 제일 못 벌었음 (논문 제목부터 담배 경고문 스타일) •과신(overconfidence) : 많이 거래하는 이유로 연구진이 지목한 범인. 내 정보력과 타이밍 감각에 대한 자신감이 수수료와 슬리피지(체결 손실)로 환전되는 구조 •데이트레이더 1% : 대만 시장 15년치 전수 데이터에서, 수수료 떼고도 꾸준히 초과수익 낸 단타족은 전체의 1% 미만. 다만 그 1%는 진짜로 계속 이김 (실력 차이는 존재한다는 게 반전) •SPIVA : 프로가 운용하는 액티브 펀드조차 장기로 갈수록 다수가 지수에 패배한다는 S&P 정기 성적표. 아마추어만의 문제가 아니라는 뜻 💬 결론부터, 평균적인 개인에게 잦은 매매는 수익률을 깎는 행위다. 왜냐하면 한 번 사고팔 때마다 수수료, 세금, 호가 차이가 매우 조용히 매우 확실하게 계좌를 갉아먹기 때문이다 (시장한테 지는 게 아니라 거래비용한테 지는 것). 반면에 상위 1%의 트레이더는 비용을 내고도 꾸준히 이긴다는 것도 같은 논문에 적혀 있고 & 리밸런싱 같은 합리적 매매도 있으니, 문제는 매매 자체가 아니라 “내가 그 1%라는 근거 없는 확신”일지도. 어쩌면 최고의 매매 전략은 매매 앱을 지우는 것일 수도 있는데, 이건 논문이 아니라 내 계좌가 증명 중이다. (다음에 ‘지금 팔까?’ 손가락이 근질거릴 때 다시 꺼내보라고 만든 정리라, 저장해두면 수수료보다 싸게 먹힐 겁니다) #투자공부 #행동경제학 #장기투자 🔗 출처 (원문 논문, 공식 보고서): •“부지런할수록 못 번다”는 그 유명한 66,465 계좌 데이터를 직접 보고 싶다면 → Trading Is Hazardous to Your Wealth (Barber & Odean, Journal of Finance 2000) — papers.ssrn.com/sol3/papers.… •“단타로 살아남는 건 정확히 몇 %인지” 15년 전수조사가 궁금하다면 → The Cross-Section of Speculator Skill (Barber, Lee, Liu, Odean) — papers.ssrn.com/sol3/papers.… •“프로 펀드매니저는 지수를 이기고 있는지” 공식 성적표를 확인하고 싶다면 → S&P SPIVA Scorecard — spglobal.com/spdji/en/resear…

103