subokim retweeted
Karpathy 刚刚示范了什么是真正的个人超级生产力,
一个人加一个 Opus 5.5,两个小时内把四千三百万条讨论数据洗完,并且直接从零搓出一个完整上线的视频平台,真他喵牛逼,不愧是卡神!!
而且未来的全栈开发到底长什么样?我觉得卡神已经给我们做了示范,这就是版本答案,不接受反驳hh,
背景是深度学习教育之神、Software 2.0 教父 Karpathy 嫌 YouTube 的算法推荐全是垃圾标题党,周末花了两个小时,让 Claude 扫完 Hacker News 二十年来四千三百万条讨论,搓出了一个专门看硬核长视频的网站 HackerTube。
整个产品没有任何登录门槛,连封面图都极其反直觉,它不要创作者精心诱导点击的浮夸封面,而是直接强制抓取视频正中间的那一帧画面。
二十年里极客社区反复筛选留下的六千四百多个硬核视频,全被提取成了纯粹的高密度长内容,这他喵的简直就是AI学习的宝藏啊卧槽,
但比这个网站更好用的是他的开发全流程,
整个过程他只在浏览器里做了三件杂事,
去谷歌云申请了一个 YouTube 的接口密钥,
租了一台服务器,买了个域名,
服务器开机之后,他把 IP 地址直接丢给 Claude,
说了一句去部署、加固安全并优化代码,
AI 就把剩下的所有活全干完了。
以前一个需要工程师团队折腾几个星期甚至几个月的完整上线项目,
现在一个人在早餐时间靠几句对话就能全部搞定,
AI已经不再是写代码的辅助工具了,完全就是把个人的想法直接编译成可用服务的最小生产力闭环,damn,真的牛逼,
原项目的体验地址、开源数据包和部署工作流整理在一楼,需要自取👇
Weekend hack: HackerTube. I was annoyed with YouTube's recommendations so I had Claude filter down 43M comments over 20 years of HN to 6,454 videos that keep being recommended. *Significantly* better viewing experience, ~2 hours with Opus 5.5:
hackertube.org/
- Excellent recs without any logins (state is kept in local browser session)
- Thumbnail is a representative frame from middle of the video instead of the super duper A/B test hyper-optimized user uploads
- Underlying data from the comment analysis as one zip file, point your Claude at it and ask for your own version
- HackerTube Longs ✊
A bit more on the process:
I use Claude Code (desktop app for Mac), Opus 5.5 on Medium effort as my default. I only talk to Claude and have it do everything, the only "manual work" I helped with in tandem was in the browser (reminiscent of MenuGen): 1) I had to create some kind of API key from Google Cloud UI to query YouTube for video metadata, 2) I booted up a VPS box for serving and 3) I bought the domain name. Once the box was up I gave Claude the IP and told it update, secure, harden, deploy and optimize the code, and it did the whole thing.
Many awesome projects that would have normally taken weeks/months even can now be few-shotted for breakfast. What else are we not thinking of.
subokim retweeted
🧠AI 만드는 사람들이 AI 쓰는 사람들한테 하는 조언
[1] 안드레이 카파시 (OpenAI 창립 멤버, 전 테슬라 AI 총괄)
"AI를 짧은 목줄에 묶어둬라"
에이전트를 완전 자율로 풀어놓는 것에 다들 너무 들떠 있다고 경고함
작업을 여러 단계로 엮으면, 1단계에서 생긴 작은 환각이 5단계에 가면 큰 실패로 불어남, 그래서 사람이 결과물을 빠르게 검증하고 다시 돌리는 구조를 만드는 게 핵심이라고 함
[2] 데미스 허사비스 (구글 딥마인드 CEO)
"이 도구들에 믿기 힘들 만큼 능숙해져라"
대학생들한테 인턴십보다 이게 낫다고까지 말함
그리고 다음 세대에 가장 필요한 능력은 '배우는 법을 배우는 것'이라고 함. 최신 모델을 계속 만져보면서 새로운 쓰임새를 직접 찾아내라는 뜻
[3] 다리오 아모데이 (앤트로픽 CEO)
"진짜인지 판별하는 능력이 가장 가치 있는 기술이 된다"
AI가 글, 이미지, 영상, 코드를 그럴듯하게 만들어내는 세상에선
만드는 능력보다 진짜를 가려내는 능력이 훨씬 희소해진다는 얘기
subokim retweeted
AI에 대한 대중들과 전문가들 인식 격차(안드레 카파시)
1/ 같은 AI를 두고 누군가는 “별로 쓸 일이 없다”고 하고, 누군가는 “몇 달 걸리던 일이 끝났다”고 함.
카파시는 이 인식 격차가 더 벌어지고 있다고 봄.
대다수는 검색과 글쓰기를 돕는 챗봇을 경험하고, 소수는 큰 프로젝트를 수행하는 에이전트를 경험한다. 서로 다른 사용 경험을 놓고 AI의 능력을 이야기하는 상황.
2/ 카파시가 그린 AI 사용자의 깔때기.
약 60억 명은 LLM을 거의 접하지 않음. 약 10억~20억 명은 무료 서비스를 가끔 사용. 약 2,000만 명은 최첨단 모델을 수학·코딩에 활용. 약 5,000명은 내부 최첨단 시스템에 접근.
숫자는 그의 거친 추정임. 핵심은 깊이 활용하는 집단으로 갈수록 사람이 급격히 줄어든다는 점.
3/ 수학·코딩 전문가들이 체감하는 변화는 작업 시간
카파시는 수주~수개월 걸리던 복잡한 프로젝트를 에이전트에 맡겨 완성하는 경험이 나오고 있다고 설명함.
내부 시스템에서는 수천 개 에이전트가 몇 주씩 협업하는 수준이라고 주장한다. 여기서는 사람이 결과를 검토하고 이해하는 속도까지 병목이 되기 시작했다는 것.
4/ AI의 체감 차이를 만드는 요인은 세 가지.
맡기는 문제의 크기, 사용하는 분야, 접근 가능한 시스템.
짧은 질문은 AI의 능력을 많이 시험하지 못함. 어렵고 긴 작업을 맡길수록 변화가 크게 느껴진다는 설명.
수학·코딩은 정답과 실행 결과를 검증하기 쉬워 학습에 유리하고, 무료·유료·내부 시스템 사이의 접근 차이도 여기에 더해짐.
5/ 카파시의 관찰에서 눈에 들어오는 건 서로 다른 현실이 동시에 존재한다는 점.
대중은 아직 AI를 거의 써보지 않았고, 많은 직장인은 조금 편리해졌다고 느끼며, 일부 전문가는 변화 속도에 어지러움을 느낀다.
AI에 대한 평가를 들을 때는 어떤 시스템으로, 어떤 일을, 어디까지 맡겨봤는지 함께 봐야 할 듯. 그 경험의 차이가 점점 커지고 있음.
✍️AI로 인해 AI를 잘쓰는 사람과 아닌 사람의 력의 격차가 더 벌어지는 것 같습니다.
많이 써봅시다!
Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.
- Napkin math somewhere around 6B people (~75% of the population) have barely come in contact with LLMs at all.
- Around 1-2B (~20%) are casual and infrequent users of free-tier ChatGPT-like products. This group sees derpy chatbots and treats them a bit like a better Google search, a writing aid, or etc. Maybe an agent tries to book you a flight. I have non-tech friends who (reasonably, imo) say they have not much use for it at all. Even many professionals outside of math&code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract.
- Now we get to professional use of frontier-grade LLMs in math&code. Somewhere around 20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt. Building apps, copying apps, translating apps, decompiling apps from binaries... This has all happened very quickly and recently - less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code.
- And finally we get to the ~5,000 people (~0.00006%) with access to frontier-grade systems internally. The external world has seen the preview. It looks like swarms of thousands of agents collaborating over weeks on software mega projects: minting zero days, running cyber attacks and defenses at machine speeds, discovering new science, advancing the frontier of mathematics. Things that would have taken top professionals in the industry years of work. Meanwhile, human review and comprehension are starting to fall behind. For example, people are still involved in the "archeology" of the OpenAI-HF incident from many months ago. Mathematicians may be poring over the 722 manuscripts on frontier mathematics for a while.
The funnel is driven by a combination of factors:
1. The impact scales with ambition, problem size, and horizon. A question with a paragraph answer barely stresses the system. You need a reservoir of big, difficult problems that you really care about. This aspect drives the consumer / professional dimension of the funnel.
2. The jaggedness of the system (which I have written about a lot separately). Capability peaks in domains that are digital, verifiable and economically valuable. This is because LLM capability emerges from reinforcement learning on verifiable rewards on a curated environment mixture driven by revenue potential. This aspect primarily drives the area (e.g. math&code) dimension of the funnel.
3. Access. Free-tier, paid-tier, internal.
So this is the weirdness of the moment. The general public has mostly not interacted with these systems. When they have, it looks like a derpy chatbot. The majority of professionals still see only a modest uplift. And a small sliver of professionals are experiencing the vertigo of the curve going vertical. And it is all happening at the same time.
subokim retweeted
📋 카파시 스타일 Claude Code 가이드라인
github.com/forrestchang/andr…
참고로 이건 Claude Code 플러그인으로도 제공됩니다.
안드레 카파시가 이전에 LLM 통한 코딩 방식의 문제를 정확하게 짚었던 적이 있습니다.
> "모델은 잘못된 가정을 하고 그냥 달려나가요. 혼란을 관리하지 않고, 명확화를 요청하지 않고, 불일치를 드러내지 않고, 트레이드오프를 제시하지 않고, 밀어붙여야 할 때 밀어붙이지 않아요."
> "코드와 API를 과도하게 복잡하게 만들고, 추상화를 부풀리고, 죽은 코드를 정리하지 않아요... 100줄로 될 걸 1000줄짜리 덩어리로 만들어버리죠."
이 문제를 하나의 CLAUDE.md로 해결하려는 repo가 있습니다.
↓
4가지 원칙으로 정리할 수 있어요.
원칙마다 온도차가 있을 수 있지만 전체적으로 지금도 유효하죠.
1. 코딩 전에 생각하세요
불확실하면 추측하지 말고 물어라. 모호함이 있으면 해석을 하나 골라 침묵 속에 달려가지 말고, 여러 해석을 명시적으로 제시해라. 혼란스러우면 멈추고 무엇이 불분명한지 말해라.
2. 단순함이 먼저입니다
요청받은 것만 해결하는 최소한의 코드. 단일 사용에 대한 추상화 없음. 요청받지 않은 유연성이나 설정 가능성 없음. 불가능한 시나리오에 대한 에러 처리 없음.
3. 외과적 변경
건드려야 할 것만 건드려라. 인접 코드나 주석을 "개선"하지 마라. 깨지지 않은 것은 리팩터하지 마라. 관련 없는 죽은 코드를 발견하면 말만 하고 삭제하지 마라.
4. 목표 주도 실행
"유효성 검사 추가" 대신 "잘못된 입력에 대한 테스트를 작성하고, 통과시켜라". 성공 기준을 정의하고, 검증될 때까지 루프를 돌아라.
↓
얻어갈 수 있는 인사이트는 이겁니다.
> "LLM은 특정 목표를 달성할 때까지 루프를 도는 데 탁월해요... 무엇을 할지 말하지 말고, 성공 기준을 주고 지켜보세요."
명령어가 아니라 검증 가능한 목표를 주는 것. 이게 LLM을 제대로 쓰는 방식이죠.
"무엇을 하세요"보다 "성공 기준을 정의하세요" 이건 2026년 현재도 가장 강력한 Claude Code 활용법이라고 생각해요.
특히 멀티 에이전트나 서브에이전트 패턴으로 갈수록 검증 가능한 성공 기준 없이는 루프가 발산해버리죠.
여기에 컨텍스트 관리를 곁들인다면 굉장히 강력하게 활용할 수 있다고 봐요.
↓
🔌 Claude Code 플러그인
> /plugin marketplace add forrestchang/andrej-karpathy-skills
> /plugin install andrej-karpathy-skills@karpathy-skills
이 4원칙은 사실 AI가 아니라 좋은 개발자의 원칙이기도 합니다.
코딩 전에 요구사항을 명확히 하고, 최소한으로 단순하게 짜고, 요청 범위 밖의 것은 건드리지 않고, 테스트로 성공을 정의하는 것.
AI를 더 잘 쓰고 싶다면, 결국 더 명확하게 생각하는 연습이 꾸준히 필요하죠.
그게 이 repo가 가르쳐주는 것이에요.
This Post is from a suspended account. Learn more
subokim retweeted
창업 전에 가짜 손님 100명한테 먼저 팔아보는 스킬 이거 미쳤음
타깃 고객 흉내 내는 구매자 100명 돌려보고, 호르모지·피터 틸·잡스 방식으로 이사회가 아이디어 채점까지 함. CFO 스킬은 진짜 마진 계산해주고. 11개 다 무료에 가입도 없음 ㄷㄷ
창업 컨설팅 밥그릇 좀 위험할듯.
저도 개인적으로 nanotradingclub 이라는 사이트 만들어서 운영 중인데 지금 해보고 있슴다 ㄷㄷㄷㄷ
링크에 달아놨으니까 뭐 만드시는 분들은 햅시죠 !
클로드가 읽는 양을 99% 줄여준다는 검색기
클로드가 코드 한 줄 찾겠다고 파일을 통째로 열어 읽는 동안, 내 사용량 한도도 같이 녹고 있었다.
앱이 좀 커지면 이게 눈에 띈다. 「로그인 처리 어디서 해?」 한마디 물었을 뿐인데 폴더를 뒤지고, 파일을 열고, 또 열고, 읽는다. 클로드가 읽는 글자 분량이 곧 사용량이라 그 시간이 전부 비용이다. 한도 눈치 보다 퇴근 시간만 다 간 날도 있다.
그러다 semble라는 저장소를 봤다. GitHub 별이 6,224개고, 소개 한 줄이 이렇다. AI용 코드 검색 도구인데, 파일을 찾아 통째로 읽는 방식보다 토큰을 약 99% 덜 쓴다. 토큰은 AI가 글을 읽을 때 세는 단위, 쉽게 말해 사용량 계산 기준이다.
한 줄로 정의하면 이렇다. 코드 저장 폴더를 빠르게 훑어 책 뒤쪽 찾아보기 같은 목록을 만들어 두고, 클로드가 평소 말투로 물으면 관련 부분만 콕 집어 건네주는 도구.
그림으로 그리면 이렇다.
예전엔 인증 쪽 코드를 물으면 클로드가 파일을 줄줄이 열어 읽고 나서야 답했다. 이제는 질문이 들어가면 필요한 코드 조각만 순위대로 돌아온다. 읽을 게 줄어드니 답도 빨라지고 한도도 덜 닳는다.
더 놀란 건 속도 쪽이다. README 말로는 웬만한 저장소는 색인부터 검색까지 1초 안에 끝난다. 검색 품질이 코드 전용 AI 모델과 맞먹는데 색인은 약 480배, 검색은 약 23배 빠르다고 한다. 게다가 전부 내 컴퓨터 CPU로 돌아가서 API 키(외부 서비스 출입증)도, 그래픽카드도, 외부 서비스도 필요 없다.
붙이는 방법도 여러 갈래다. MCP 서버(클로드에 꽂는 확장 커넥터, 멀티탭 같은 것)로 연결하거나, AGENTS.md(AI에게 주는 사용설명서 파일)에 적어두거나, 검색 전담 보조 AI로 세워둘 수 있다. 설치 화면 예시에는 Claude Code, Cursor, Codex를 알아서 찾아내는 장면도 나온다.
이번 주말에 내 앱 폴더에 붙여볼 생각이다. 수치는 해보고 다시 말하겠지만, 방향 자체는 맞다고 본다.
AI 한도를 아끼는 제일 쉬운 길은 더 비싼 요금제가 아니라, 덜 읽게 만드는 거였다.
클로드 코드 쓰는 사람들, 한도가 제일 빨리 녹는 순간이 언제야? 파일 많은 폴더 처음 열 때? 아니면 같은 질문을 두세 번 돌릴 때?
출처: GitHub — MinishLab/semble
subokim retweeted
박스 CEO 애런 레비 "AI 최대 수혜자는 전문가임." 대학생한테 AI 따로 배우라는 말도 안 함 ㅋㅋㅋ
a16z 팟캐스트 발언을 a16z가 18일(현지시간) 클립으로 올림. AI가 일자리 다 먹는다는 공포 마케팅에 정반대 결론 던짐.
1️⃣ 직관에 반하는 결론
"이건 정말 직관에 반하는 겁니다.
AI의 가장 큰 이득은 어떤 분야에 어느 정도 전문성(Expertise)이 있는 사람에게 갑니다.
뭐가 진짜인지, 뭐가 안 될지 아는 사람들이죠.
'AI가 내놓은 결과 중 뭘 가져다 써야 하지?'를 판단할 수 있는 사람들입니다."
2️⃣ 판단력 없으면 그냥 복붙러
"자기 분야나 영역을 깊이 이해하지 못하면,
그런 결정을 전부 내릴 올바른 판단력(Judgment)을 가질 수 없습니다.
그래서 이런 세상에서는 전문가가 더 강해진다고 봅니다."
3️⃣ 대학생한테 주는 조언
"그래서 저는 대학생에게 역사상 다른 어느 시기와 다른 걸 배우라고 말할 수 있을지도 확신이 없습니다.
특정 분야에서 정말 잘하세요.
그러면 AI는 그 분야에서 당신의 능력을 키워 주는 터보차저(Turbocharger)일 뿐입니다."
쉽게 말해 AI는 엔진이 아니라 터보임. 엔진(실력) 없는 차에 터보 달아 봐야 안 나감 ㅋㅋㅋ
시장 관점에서 보면 이 논리는 투자에도 그대로 적용됨.
범용 AI 모델만 쥔 회사보다, 특정 산업의 데이터와 업무 흐름을 깊게 쥔 회사가 AI 덕을 더 크게 볼 수 있다는 얘기임.
결론:
AI 시대 최고의 재테크는 코인도 프롬프트도 아니고 내 분야 실력 쌓기임 ㅋㅋㅋ
판단력 없는 사람한테 AI는 오답을 더 빨리 내주는 기계일 뿐
한글 파일 앞에서 멈추던 클로드, 공무원이 뚫었다
문서지옥에서 7년 버틴 공무원이 만든 도구가 GitHub 별 2,495개를 받았다. 이름은 kordoc이다.
클로드 쓰다 보면 한 번쯤 막히는 순간이 있다. 회사에서 받은 문서가 한글(HWP) 파일일 때다. 클로드한테 이거 요약해달라고 던져도 못 읽거나, 읽어도 표가 다 깨져서 나온다. 그래서 나는 한글에서 파일을 열고, 글자를 복사해서 붙여넣고, 표는 눈으로 보고 다시 쳐줬다. 한 장짜리 문서에 10분은 그냥 갔다.
이 도구가 없애주는 게 딱 그 귀찮음이다. 한 줄로 말하면 HWP, HWPX, PDF, 엑셀, 워드, 파워포인트, 이미지 속 글자까지 클로드가 읽기 좋은 글(마크다운)로 바꿔주는 번역기다. 여기서 마크다운은 표랑 제목 구조가 살아있는 순수 텍스트 문서라고 보면 된다.
쓰는 방법도 결과 중심으로 보면 간단하다. 클로드 데스크톱이나 클로드 코드에 꽂는 확장 커넥터(콘센트 멀티탭 같은 것, 정식 이름은 MCP 서버)로 달아두면, 클로드가 쓸 수 있는 도구가 17개 생긴다고 README에 적혀 있다. 읽기, 비교, 문서 만들기, 미리보기 같은 것들이다.
상상해보면 장면이 이렇다. 예전엔 공문 파일을 열어서 복붙하고 표를 다시 치고, 클로드한테 요약시키는 데 10분이 걸렸다. 이제는 파일 위치만 알려주면 클로드가 알아서 읽고, 표까지 구조 그대로 가져와서 바로 요약해준다.
내가 제일 눈 돌아간 건 따로 있다. 이 도구는 읽기만 하는 게 아니다. 문서 두 버전의 바뀐 부분을 칸 단위로 비교해주고, 양식의 빈칸을 채워주고, 개인정보를 가려주는 기능도 있다고 한다. 버전 비교는 보고서 고쳐서 다시 받을 때마다 눈으로 대조하던 그 지루한 작업이다.
숫자가 있다 보니 믿음이 간다. README 기준으로 원본 HWPX 2,429개 문서에 들어있던 표 10,461개가 전부 구조까지 맞았다고 한다. PDF 공개 벤치마크에서도 비교한 12개 파서 중 1위로 적혀 있다. 물론 만든 사람이 쓴 숫자라 내 문서에서도 같을지는 직접 돌려봐야 안다.
한글 파일 하나 때문에 AI를 못 쓰던 사람이 이렇게 많았다는 얘기다.
퇴근하고 내 쪽 문서 몇 개에 붙여볼 생각으로 저장해뒀다. 한글 파일 때문에 AI 쓰다가 포기한 적 있는 사람, 어떤 문서였는지 궁금하다.
출처: GitHub — kordoc
subokim retweeted
앞으로 많은 기업들이 빠르게 무너질 것임.
더 구체적으로 말하자면 기존 'SaaS(구독형 소프트웨어)' 기업들은 유통기한이 얼마 남지 않았음.
과거 스타트업과 IT 씬에서 '광고 모델'은 그다지 좋은 선택지 취급을 받지 못했음. 반면 매달 따박따박 구독료를 뜯어가는 SaaS(서비스형 소프트웨어)는 '황금알을 낳는 거위'로 찬양받았음. 그래서 많은 기업들이 구독제 형태로 비즈니스 모델을 설계하려고 했고, 실제로 영업이익 측면으로도 많은 성과를 만들어 냈음.
그런데 불과 몇 년 사이에 이 공식이 완전히 뒤집혀 버림.
한국만 봐도 중고거래 플랫폼 당근마켓은 유저 수는 많았지만 실질적인 수익 모델이 광고밖에 없다는 이유로 종속성이나 미래 가치를 저평가받았었음. 하지만 수많은 스타트업 기업들 무너지는 와중에도 보란 듯이 광고 수익 하나로 매출 2,700억 원을 넘기며 본사 영업이익만 670억 원대를 찍는 괴물 같은 흑자 기업이 됐음.
글로벌 빅테크를 봐도 똑같음.
구글·유튜브, 메타·인스타그램은 말할 것도 없고, '구독 경제의 상징'이던 넷플릭스조차 광고 요금제 시청자가 2.5억 명을 돌파하며 사실상 가장 무섭게 크는 핵심 수익원이 광고로 수렴하고 있음.
심지어 챗GPT를 만든 OpenAI마저 구독료만으로는 수지타산이 안 맞자, 최근 메타 출신 광고 인력들을 쓸어 담으며 광고 비즈니스에 사활을 걸고 있음.
이처럼 트래픽을 쥔 플랫폼들이 광고로 돈을 쓸어 담는 반면, 정작 영원할 것 같던 'SaaS·구독형 소프트웨어 제국'에는 지금 처참한 피바람(SaaSpocalypse)이 불고 있음.
왜 이런 극단적인 역전이 일어나고 있는 걸까?
AI의 발전과 리버스 엔지니어링(역설계)이 '소프트웨어의 해자'와 '복제의 도덕적 장벽' 자체를 지워버리고 있기 때문임.
1. 리버스 엔지니어링의 폭주와 오픈소스의 습격
- 과거에는 포토샵이나 프리미어 프로 같은 무거운 앱을 만들려면 수천 명의 개발자가 수년간 매달려야 했음. 그래서 울며 겨자 먹기로 매달 수만 원씩 '구독료'를 냈던 거임.
- 그런데 최근 AI 코딩 에이전트를 결합한 리버스 엔지니어링이 핫해지면서 상황이 끝남.
- 실제로 최근 깃허브(GitHub)에서는 한 엔지니어가 AI로 어도비 포토샵·프리미어 프로·라이트룸 전체를 역설계해 통째로 복제한 'ArtCraft' 프로젝트를 무료 오픈소스로 풀어버려 난리가 남.
- 물론 'ArtCraft' 오픈소스 프로젝트의 경우 아직 테스트 단계이며 실제 사용하는 단계까지 도달하려면 꽤 시간이 필요하지만, AI가 현재 몇 개월 단위로 J커브를 그리며 크게 성장하고 있고 이에 따라 오픈소스도 빠르게 개선해서 더 퀄리티 높은 오픈소스 프로젝트를 더 빨리 사용할 수 있게 될 거임.
- AI가 발전할수록 상용 앱의 UI와 로직을 픽셀·함수 단위로 해체해 찍어내는 비용이 0에 수렴하니, 기존 SaaS 기반의 구독료 수익원으로 유저를 종속하던 기업들은 자연스럽게 무너질 수밖에 없음.
2. AI가 불러온 '복제 만능주의'와 옅어지는 도덕적 죄책감
- 더 무서운 건 기술적 복제가 쉬워지면서 사람들의 '도덕적 기준(윤리 의식)'마저 완전히 옅어지고 있다는 거임.
- 요즘 스팀(Steam)에 인디 개발자가 피땀 흘려 게임 데모를 출시하면, 불과 며칠 만에 이름과 디자인, 컨셉까지 아예 똑같이 베낀 짝퉁 게임들이 줄지어서 런칭됨.
- 심지어 로블록스(Roblox)에서는 인기 인디 게임의 로직을 그대로 복제해 올려서 원작자보다 오히려 더 큰 수익을 쓸어 담는 일까지 벌어지고 있음.
- 유튜브나 인스타 릴스·쇼츠도 마찬가지임. 남이 기획한 터진 영상을 아예 그대로 복제해서 살짝만 수정해 올리는 게 일상이 됨.
- 굳이 멀리 갈 것도 없음. 최근 내 게시물만 해도 조회수가 최소 1만에서 많이 나오면 40~50만 뷰까지 나오는데, 정식 인용(RT)도 안 하고 맨 위에 달랑 [펌] 같은 텍스트만 붙인 뒤 내 글을 토씨 하나 안 틀리고 그대로 복사하고 아래에 짧게 자기 의견 한두 줄 덧붙이는 형태로 조회수 뽑아가는 사람이 한둘이 아님.
- AI와 툴이 발전할수록 남의 결과물을 훔치고 복제하는 게 너무 쉬워졌고, 이에 대한 도덕적 불감증이 전 산업을 집어삼키고 있음.
3. 이미 숫자로 증명되고 있는 SaaS 기업들의 붕괴
- 결국 '기능'과 '정보'를 팔아 구독료를 받던 기업들은 직격탄을 맞고 있음.
- 월 구독료로 과제·지식 솔루션을 팔던 미국의 대표 교육 SaaS '체그(Chegg)'는 AI 등장 이후 매출이 반토막 나고 주가가 고점 대비 99% 폭락하며 사실상 공중분해됨.
- 고객사 직원 수(좌석 수)대로 돈을 받던 세일즈포스(Salesforce), 어도비(Adobe), 워크데이(Workday) 같은 B2B SaaS 대장주들조차 기업들이 AI로 인력을 줄이며 라이선스를 해지(Seat Compression)하자 주가가 고점 대비 25~37%씩 폭락하며 밸류에이션이 녹아내리고 있음.
결국 이 모든 흐름이 가리키는 결론은 단 하나임.
우리가 지금까지 돈 주고 사용했던 SaaS 서비스들은 굳이 유료 구독할 만큼의 독점적 가치가 사라지면서, SaaS 기업들은 전례 없는 생존 위기를 맞이하게 될 것.
그런데 이런 위험이 과연 SaaS 기업들만의 이야기일까? 전혀 아님.
AI가 발전할수록 외주 개발 에이전시, 광고대행사, 마케팅업체, 디자인·콘텐츠 제작업체 같은 기존 용역·중소기업들도 도미노처럼 빠르게 무너질 거임.
이게 무슨 말이냐면, 과거에는 우리가 태어나서 공부하고, 대학 가서 자격증 따고 졸업하면, 경쟁률은 빡세더라도 대기업부터 중소기업까지 이력서를 넣고 들어갈 수 있는 기업들이 꽤 있었음.
하지만 앞으로는 대기업 외의 어중간한 중소기업들은 살아남기 자체가 어려워질 거고, 설령 살아남더라도 예전처럼 많은 직원을 뽑기보단 AI를 활용해서 최소한의 인원만 굴리는 게 완전히 일반화될 거임.
즉, 앞으로는 대학을 나오고 아무리 스펙을 쌓아도 나를 받아줄 기업 자체가 사라진다는 뜻이고, 그동안 당연하게 여겼던 '취업을 통한 평범한 생계'를 국가나 기업이 더 이상 보장해 줄 수 없다는 무서운 얘기임.
결국 우리가 살아남으려면 회사에 기대는 게 아니라, 혼자서라도 스스로 수익을 만들어낼 수 있는 방법을 계속 고민하고 시도하고 부딪혀보는 수밖에 없음. 그리고 이 자생력을 갖추느냐 못 갖추느냐가 앞으로의 인생을 통째로 바꾸게 될 거라고 봄.
그래서 앞으로 개인이 살아남으려면 선택지는 크게 세 가지로 좁혀짐.
1) 이미 거대한 네트워크가 구축된 공룡 플랫폼에 들어가서, 사람들의 시선을 모으고 팔로워(팬덤)를 거느리는 플레이어로 올라타거나 (엑스, 유튜브, 인스타, 틱톡 등)
2) AI를 무기 삼아 혼자(혹은 극소수로) 앱·서비스·게임을 빠르게 런칭하고, 내 프로덕트를 찾아와 써줄 유저 풀을 직접 모으거나
3) 어설픈 기능 개발에 매달릴 게 아니라, 아예 밑바닥 0에서부터 진짜 '사람과 관계'를 모으는 가장 어렵고 본질적인 커뮤니티 구축 작업을 해내거나.
이 세 가지의 공통점이 혹시 보임?
결국은 어떤 길을 택하든 '팔로우하고 찾아주는 사람들'이 있어야만 살아남을 수 있다는 거임.
스펙과 코드는 AI가 1초 만에 복제해 버리지만, 나를 믿고 모여든 '사람들의 시선과 네트워크'만큼은 그 어떤 AI도 복제하거나 뺏어갈 수 없기 때문임.
이게 텍스트로만 보면 흔한 헛소리 같아 보일 수 있음.
당장 나만 하더라도 GPT, Claude, Gemini 중 새로운 모델이 나오고 작업을 더 잘하면 미련 없이 언제든지 빠르게 갈아타고 있음. '기능(툴)'만 파는 곳은 더 좋은 게 나오면 1초 만에 버려진다는 뜻.
그런데 그거랑 별개로, 유저 간의 상호 관계와 이미 구축되어 있는 '생태계'는 완전히 또 다른 얘기임.
이 케이스를 가장 쉽게 이해하려면 세계 최대 게임 플랫폼 '스팀(Steam)'을 보면 됨.
스팀이 전 세계 게임 유통 파이를 독식하고 있으니, 마이크로소프트나 에픽게임즈 같은 초대형 기업들도 그걸 알고 더 깔끔한 UI, 더 좋은 기능과 무료 혜택으로 무장한 플랫폼을 출시해 봤지만 결과는 전부 처참한 실패로 끝났음.
그 이유는 스팀의 '기능' 때문이 아니라, 스팀을 이미 수년간 사용한 사람들이 모여 거대한 네트워크망을 구성하고, 이미 그 안에 '생태계(쌓여버린 라이브러리·커뮤니티·친구 목록·관성)'가 완성되어 있기 때문임.
더 쉽게 이해하려면 국내 유명 커뮤니티인 디시인사이드, 에펨코리아(펨코), 더쿠, 아카라이브나 일본의 2ch(5ch), 야후재팬, 타베로그 같은 곳들을 봐도 똑같음.
지금 우리 눈에는 디자인도 완전히 구식이고 새로운 기능도 전혀 없는데, AI로 세련된 UI와 신기능을 갖춘 대체재가 계속 나오고 있음에도 불구하고 기존 유저들은 새로운 커뮤니티 플랫폼으로 절대 이동하지 않음.
조금 더 직관적으로 이해하려면 한국의 국민 메신저 카카오톡이나 일본의 라인(LINE)을 떠올려 보면 됨.
사람들이 업데이트 때마다 욕하면서도 계속 쓰는 이유가 뭘까? 결국 내 가족, 친구, 직장 동료 등 메신저를 이용하는 사람들이 이미 다 그 서비스를 사용하고 있기 때문임.
기능이 훨씬 뛰어난 새로운 메신저가 나온다고 하더라도, 대화할 상대가 없는 상태에서 '나 혼자만 갈아타는 것'은 아무런 의미가 없다는 거고, 이처럼 사람들이 서로 얽혀 있는 연결망 자체가 누구도 쉽게 깨뜨릴 수 없는 가장 강력한 해자라는 뜻임.
국내에 잘나가는 유튜버들도 보면 단순히 콘텐츠가 재밌어서 성공했다고 볼 수도 있겠지만 그게 전부가 아님.
구독자 330만 명을 보유한 침착맨에는 침착맨 유니버스와 '침하하'라는 독자 커뮤니티가 있고, 구독자 370만 슈카월드에는 '위폴'이라는 커뮤니티가 있음. 그리고 꼭 이런 단독 커뮤니티가 없더라도, 잘나가는 채널들은 이미 유튜브 댓글창과 커뮤니티를 통해 시청자들끼리 서로 통하는 밈(Meme)이나 끈끈한 연결 고리가 형성되어 있음.
이게 겉보기엔 별거 아닌 것처럼 보여도, 남들이 AI로 영상 포맷이나 대본을 아무리 똑같이 복제해도 절대 뺏어올 수 없는 가장 강력한 해자이자 콘크리트 생태계가 구축된다는 것.
기술과 노동력이 공짜가 되는 시대, 앞으로는 결국 '내 편인 사람(팔로워와 트래픽)'을 모을 줄 아는 능력이 곧 가장 압도적인 돈이자 유일한 생존 무기가 될 거임.
HR, DevOps를 위한 번역글입니다. "AI 시대, 기업이 갖추어야 할 6가지 스킬" subokim.wordpress.com/2026/1…
오랜만에 글을 올려봅니다. 요즘은 이런 친구들을 찾게 되네요. - 'AI 시대, 전공자가 쌓아야 할 역량' subokim.wordpress.com/2026/1…
subokim retweeted
컴공 간 애들 지금 곡소리 나는 진짜 이유
요즘 실리콘밸리 분위기 완전히 뒤집힘
몇 년 전까지만 해도 개발자 코딩 공부가 무조건 치트키였는데 지금은 컴공 취업률이 인문학부 밑으로 떨어지는 기현상 터지는 중임
투자금 자체가 AI랑 딥테크 말고는 싹 말라붙어서 예전처럼 이직할 스타트업 자체가 없음
직장인 커뮤 쪽 데이터만 봐도 이직 퇴직 검색량은 계속 곤두박질치고 부동산 코인 검색량만 300% 넘게 폭증함
회사 월급만으로 절대 못 버틴다는 공포가 바닥에 깔려있다는 소리임
그럼 앞으로 대체 뭐 해먹고 살아야 하냐
진짜 살아남는 사람들의 특징 딱 세 개만
정리해봄
1 좁고 깊게 파는 스페셜리스트의 몰락
예전엔 개발 하나 디자인 하나만 잘해도 평생
먹고살았음
지금은 반대임
AI 툴 끼고 혼자서 기획 마케팅 재무 개발까지
싹 쳐내는 1인 멀티플레이어가 아니면 자리 보전 힘듦
실제로 요즘 일 잘하는 곳들은 비개발 직군도 AI로 지들이 직접 코딩해서 업무 자동화 돌리는 판
2 코딩 기술보다 철학과 논리학의 부활
단순 구현이나 기능 개발은 AI가
1초 만에 뚝딱 짬
결국 진짜 중요한 건 뭘 왜 만들어야 하는지 질문 던지는 설계 능력임
실제로 미국 테크씬 부모들 사이에서 자식들
컴공 대신 철학 인문학 기초과학 쪽으로
방향 트는 케이스 쏟아지는 이유가 이거임
판을 짜는 뇌가 없으면 평생 AI 심부름꾼밖에
못함
3 방구석 실력보다 압도적인 현장 네트워크
모두가 똑같은 AI 도구를 쓰는 세상이라 단순 기술 지식은 더 이상 차별점이 안 됨
지금 현업에서 무슨 판이 벌어지는지 가장 빠르게 정보 쥐고 있는 인간들끼리 뭉쳐야 생존함
대학 간판의 진짜 가치도 전공 지식이 아니라
평생 써먹을 네트워크 딱 하나 남았다는
소리가 괜히 나오는 게 아님
결론
기술 배우는 속도에 집착하지 마라
AI를 손발로 부릴 줄 아는 기획력과 스스로 질문 던지는 생각의 근육을 키워야 살아남음
subokim retweeted
東京大学が公開した「作ってから売る」と「売ってから作る」と「売れるようにしてから作る」の資料が非常に勉強になる。
ビジネス側と開発側の考え方の違い、市場へのアプローチ策、具体的な解決策が、非常にわかりやすく解説されている。
こちら👉
speakerdeck.com/tumada/zuo-t…
























