글

10월, 2026의 게시물 표시

클로드 코드 깃허브 레포 8개, 그중 하나는 제가 이미 다른 방법으로 하고 있었습니다

클로드 코드에 얹어 쓰는 깃허브 레포는 8개를 확인했고, 그중 설치한 건 0개입니다. 대신 하나(Hyperframes)는 제가 이미 다른 방법으로 하고 있던 일이라는 사실을 확인했습니다. 나머지 일곱은 왜 안 썼는지까지 정리합니다. 원문은 스타 수 기준으로 레포 8개를 표로 묶었습니다. ECC(약 26.9만 스타), ponytail(약 14.8만), graphify(약 12.2만), taste-skill(약 9.1만), Headroom(약 7.4만), OmniRoute(약 7.1만), Hyperframes(약 5.4만), claude-video(약 1.8만) 순입니다. 원문 작성자도 README를 읽고 정리했을 뿐, 8개를 직접 설치해 돌려 본 것은 아니라고 밝혔습니다. 저도 같은 조건에서 시작합니다. 직접 설치한 레포는 없고, 각 저장소의 README와 커밋 기록만 확인했습니다. Hyperframes가 하는 일, 저는 이미 하고 있었던 걸까요? Hyperframes는 HTML과 CSS, 미디어 파일을 입력하면 MP4로 렌더합니다. README에는 스킬이 21개 들어 있다고 적혀 있습니다. 이 설명을 읽자마자 떠오른 건 제 블로그가 영상을 만드는 방식이었습니다. 저는 atm-video-agent라는 자체 코드로 유튜브 영상을 만듭니다. 순서는 7단계입니다. 대본을 쪼개고(1-parse), 슬라이드를 짜고(2-slides), 음성을 입히고(3-tts), 타이밍을 맞추고(4-timing), 참고 영상을 붙이고(5-broll), 전체를 합치고(6-assemble), 자막을 굽습니다(7-subtitle). 화면을 만드는 부분은 Playwright로 크롬을 띄워 HTML을 1280×720 해상도로 캡처하고, 소리와 자막은 ffmpeg로 입힙니다. Hyperframes가 README에서 밝힌 것과 뼈대가 같습니다. HTML을 쓰면 영상이 나오는 구조입니다. 이 작업이 얼마나 걸리는지는 이미 다른 글에 적어 두었습니다. 데모 3편을 만드는 데 준비 4분 ...

AI 제안서 작성, 사람이 쥐어야 할 5가지를 제 블로그 자동화에 대입해봤습니다

AI한테 제안서를 다 맡겨도 될까요? 답은 아직 아닙니다. 최근 어느 마케팅 기획자가 클로드 코드로 글로벌 고객사 제안서 200장을 만들어 보고 "AI가 아무리 잘해도 사람이 끝까지 쥐고 있어야 하는 영역 5가지"를 꼽았습니다. 이 글은 그 5가지를 제가 매일 아침 글 세 편을 혼자 자동으로 쓰는 블로그 파이프라인에 그대로 대입해, 실제로 몇 개나 있는지 하나씩 확인한 기록입니다. "뼈대는 사람이 잡는다" — 제 자동화에도 있나요? 있습니다. 원문 기획자는 목차·범위·방향을 AI에게 맡기지 않고 자신이 먼저 정합니다. 제 블로그도 똑같습니다. 요일마다 다룰 카테고리(월·화는 AI 트렌드, 수요일인 오늘은 브랜딩 마케팅, 목요일은 디지털 마케팅, 금·토는 AI 1인창업)가 미리 고정돼 있고, 제목·슬러그·메타 디스크립션·태그·카테고리를 쓰는 순서와 형식도 정해져 있습니다. 매일 아침 글을 쓰는 쪽은 그 틀 안에서만 움직입니다. 뼈대가 흔들리면 그 위에 쌓인 글 전체가 흔들린다는 원문의 말은, 하루 세 편을 매번 같은 틀로 찍어내는 입장에서는 더 절실하게 느껴집니다. "표본 몇 장이면 충분하다" — 이 원칙은요? 이것도 있습니다. 원문은 리드 문장·데이터를 푸는 방식·본문 길이가 드러나는 표본 몇 장만 보여 주면 AI가 패턴을 학습한다고 말합니다. 제 블로그에는 '변형 가이드'라는 문서가 그 역할을 합니다. 같은 주제를 블로그스팟 한글판·네이버판·영문판 세 가지로 쓸 때, 독자층·톤·도입부·문단 구조·분량까지 여덟 개 항목을 표로 미리 정해 뒀습니다. 새 글을 쓸 때마다 이 표를 다시 설명하지 않고, 그 표 하나를 기준으로 매번 다른 세 편을 씁니다. 표본이 많을 필요 없다는 원문의 말 그대로, 표 한 장이면 충분했습니다. "리서치는 넓게, 결론은 한마디로" — 이 원칙은요? 이것도 실제로 겪었습니다. 오늘 아침에도 최근 발행한 글 여러 편을 먼저 검토했습니...

9분짜리 축사에서 퍼진 건 두 줄 — 수츠케버 이력 한 줄은 공식 자료와 달랐습니다

이미지
2025년 6월 6일, 일리야 수츠케버가 토론토대 졸업식에서 9분짜리 축사를 했습니다. 그런데 2026년 10월 19일부터 소셜미디어에 퍼진 건 그중 두 줄 — "뇌는 생물학적 컴퓨터, 그러니 AI가 결국 우리가 하는 모든 일을 하게 된다"였습니다. ATM이 이 축사를 해설 영상으로 만들면서 원문과 요약을 문장 단위로 대조했고, 그 과정에서 같이 돌던 이력 한 줄이 토론토대 공식 자료와 다르다는 걸 확인해 대본에서 뺐습니다. 이 글은 그 대조 작업과 영상 제작 전체 과정을 그대로 공개한 기록입니다. 두 줄로 퍼진 요약, 9분짜리 축사는 어떻게 다른가요? 퍼진 두 줄은 축사 전체가 아니라 중간 한 대목입니다. 실제 축사는 기술 이야기로 시작하지 않습니다. 수츠케버가 졸업생에게 건넨 첫 조언은 "마음가짐"이었고, 축사의 마지막 문장은 "AI가 모든 일을 하게 된다"가 아니라 "직접 써 보고 판단하라"였습니다. 즉 퍼진 두 줄은 축사의 결론이 아니라 중간 대목이고, 축사를 여는 말과 닫는 말은 요약에서 통째로 빠져 있었습니다. 구분 소셜미디어에 퍼진 것 축사 원문 시작 (없음 — 바로 핵심 문장으로 인식됨) 기술이 아니라 마음가짐에 대한 조언 핵심 문장 "뇌는 생물학적 컴퓨터, AI가 모든 일을 하게 된다" 축사 중반의 한 대목(맥락 포함) 끝 (없음) "직접 써 보고 판단하라"는 제안 길이 두 줄 약 9분 돌던 이력 한 줄, 왜 대본에서 뺐나요? 요약과 함께 돌던 설명 중에는 수츠케버가 "16세에 이주해 고등학교 3학년을 월반했다"는 식의 이력도 있었습니다. 대본을 쓰면서 이 문장을 토론토대 공식 뉴스룸 기사(2025년 6월 6일 자, 명예박사 학위 수여 보도)와 대조했는데, 공식 기사에는 "10대 시절 이주했고, 11학년을 마친 뒤 곧바로 대학에 입학했다"고만 적혀 있었습니다. "16세...

AI가 내 일을 전부 하게 된다면? 수츠케버 졸업 축사에서 건진 '겁먹지 않는 법' 3단계

이미지
요즘 SNS 피드에 이런 영상이 자주 보입니다. 졸업식 단상에 선 한 연구자가 담담하게 말합니다. "AI가 우리가 할 수 있는 모든 일을 하게 될 날이 온다." 자막이 붙고, 댓글에는 "이제 끝났다"가 달립니다. 말한 사람은 OpenAI 공동 창업자이자 지금은 SSI라는 연구 회사를 이끄는 일리야 수츠케버입니다. 2025년 6월 6일, 모교 토론토대에서 명예박사를 받으며 한 약 10분짜리 축사의 한 대목이죠. 저는 이 영상을 볼 때마다 앞뒤가 궁금했습니다. 그래서 원문 자막을 처음부터 끝까지 직접 읽어 봤고, 결론은 생각보다 차분했습니다. 이 사람은 겁을 주려던 게 아니라 겁먹지 않는 법 을 이야기하고 있었습니다. 짤에서 빠진 앞뒤 8분 수츠케버 축사에서 "AI가 모든 일을 한다"는 대목은 5분 24초쯤 시작해 2분이 채 안 됩니다. 나머지 8분은 이렇게 채워져 있습니다. 처음 2분: 20년 전 같은 강당에서 학사를 받았고 이번이 네 번째 학위라는 이야기, 제프리 힌턴을 만난 게 인생의 큰 행운이었다는 고백 그다음 1분: 졸업 축사답게 조언을 하나만 하겠다며 꺼낸 "현실을 있는 그대로 받아들이라"는 마음가짐 중간 2분: 지금이 유례없는 시기이고 학생이라는 것, 일이라는 것의 의미가 바뀌기 시작했다는 진단 마지막 2분: 그렇다면 무엇을 해야 하느냐는 질문과, AI를 직접 써 보며 직관을 쌓으라는 답 뼈대만 보면 '처방 → 진단 → 예측 → 처방'입니다. 예측이 가장 자극적이라 잘려 나갈 뿐, 연설의 무게는 양쪽 처방에 실려 있습니다. 왜 그는 "모든 일"이라고 확신할까요? 근거는 놀랄 만큼 짧습니다. 우리 모두 뇌가 있고, 뇌는 생물학적 컴퓨터다. 그렇다면 디지털 뇌가 같은 일을 못 할 이유가 있겠느냐. 수츠케버는 이 한 줄을 "한 문장 요약"이라고 불렀습니다. 동의하든 안 하든, 주목할 점...

소넷 5.5 오퍼스 5.5 중 뭘 쓸지, 제 에이전트 17개의 모델 선택이 이미 답하고 있었습니다

소넷 5.5와 오퍼스 5.5 중 뭘 써야 할지는 가격표만 보면 답이 쉬워 보입니다. 100만 토큰당 입력·출력 단가가 정확히 절반이니 소넷이 유리해 보입니다. 그런데 외부 평가기관 Artificial Analysis 가 같은 벤치마크 묶음으로 한 작업당 평균 비용을 재 보니, 소넷 5.5가 약 7.60달러, 오퍼스 5.5가 약 5.98달러로 나왔습니다. 단가는 절반인데 작업 하나를 끝내는 데는 27% 더 든 셈입니다. 저는 이 숫자를 보고 바로 두 모델을 맞바꿔 실험하는 대신, 제가 이미 짜 둔 에이전트 17개의 모델 설정 파일을 다시 열어 봤습니다. 단가는 절반인데 작업당 비용은 왜 더 나오나요? 같은 측정에서 소넷 5.5는 한 작업에 평균 19만 3천 토큰을 썼고, 오퍼스 5.5는 12만 토큰을 썼습니다. 소넷이 쓴 토큰이 오퍼스의 약 1.61배입니다. 단가가 절반이어도 그만큼 더 길게 쓰면 절약은 그대로 사라집니다. 공식 벤치마크 점수도 한쪽으로 쏠리지 않습니다. Anthropic 이 공개한 다섯 항목 중 Terminal-Bench는 소넷이 앞섰고(70.6 대 66.4), FrontierCode는 오퍼스가 크게 앞섰고(54.4 대 46.2), GDPval-AA는 사실상 동률입니다(1846 대 1844). 그래서 Anthropic의 안내도 단순합니다. 판단이 필요한 복잡한 작업은 오퍼스, 범위가 분명한 일상 작업은 소넷 입니다. 이 기준, 어디서 본 것 같아서 제 설정 파일을 다시 열었습니다 이 구분을 보고 든 생각은 하나였습니다. 저는 지난 7월부터 콘텐츠 자동화를 돌리면서 에이전트 17개를 만들 때, 모델을 하나하나 정해 뒀습니다. 가격표를 보고 맞춘 게 아니라 그 일에 맞는 모델을 그때그때 골랐을 뿐입니다. 그래서 .claude/agents/ 폴더에 있는 설정 파일 17개를 다시 열어, 각 파일의 model 항목이 이 기준과 실제로 겹치는지 세어 봤습니다. 제 에이전트 17개는 이미 이렇게 나뉘어 있었습니다 모델 개수 맡은 일...

유튜브 돈버는법, 조회수가 아니라 검색으로 — 얼굴 없이 3~6개월 쌓아 매일 수익이 나는 '검색형 채널' 설계도

이미지
유튜브로 돈을 벌고 싶은 사람 대부분은 같은 방식으로 시작합니다. 영상을 올리고, 알고리즘이 밀어주기를 기다리고, 사흘 뒤 조회수가 멈추면 다시 새 영상을 만듭니다. 매주 이 쳇바퀴를 돌다 보면 힘은 빠지는데 남는 것이 없습니다. 반대로 아주 심심해 보이는 채널이 조용히 돈을 버는 경우가 있습니다. 얼굴도 나오지 않고, 유행도 따르지 않고, 개성도 없습니다. 그런데도 해외의 검색형 튜토리얼 채널 중에는 90일 만에 3만 4천 달러를 번 사례가 있습니다. 이 채널들이 알아낸 것은 단순합니다. 유튜브는 세계에서 두 번째로 큰 검색엔진 이라는 사실입니다. 이 글은 유튜브 돈버는법을 '터지는 영상'이 아니라 '검색되는 영상'으로 접근하는 방법을 처음부터 끝까지 정리합니다. 니치를 고르는 기준, 키워드를 찾는 법, 영상을 만드는 공식, 채널이 자라는 곡선, 두 채널로 넓히는 방법까지 순서대로 다룹니다. 목차 유튜브에서 영상이 발견되는 두 가지 길은 무엇일까요? 같은 조회수인데 수익이 7배 차이 나는 이유는 무엇일까요? 어떤 니치로 시작해야 할까요? 사람들이 실제로 검색하는 키워드는 어떻게 찾을까요? 검색 1위에 오르는 영상은 무엇이 다를까요? 영상은 누가, 얼마에 만들까요? 채널은 몇 달 만에 수익이 날까요? 연 1억 원대까지는 어떻게 넓힐까요? 자주 묻는 질문 마치며 유튜브에서 영상이 발견되는 두 가지 길은 무엇일까요? 유튜브에서 시청자가 영상을 만나는 길은 크게 두 가지입니다. 첫째는 탐색(Browse) 입니다. 홈 화면, 추천, 다음 동영상처럼 시청자가 찾지 않았는데 유튜브가 좋아할 것 같아서 띄워 주는 길입니다. 흔히 말하는 바이럴이 여기서 일어납니다. 들어올 때는 크게 들어오지만, 유튜브가 밀어주기를 멈추는 날 조회수는 다시 0으로 돌아갑니다. 둘째는 검색(Search) 입니다. 시청자가 검색창에 원하는 것을 정확히 입력하는 길입니다. "쇼피파이에 상품 등록하는 법...

브랜드 보이스, 좋은 목소리 하나를 고른 게 아니라 속도까지 같이 고정한 것이었습니다

이미지
브랜드 보이스를 자산으로 만든다는 것은 좋은 목소리 하나를 찾는 일이 아닙니다. 그 목소리의 속도, 함께 등장하는 발표자의 이미지, 영상이 시작되는 방식까지 한 번에 고정해 다음에도 같은 결과가 나오게 만드는 일입니다. 저는 지난 8월 이 블로그에 음성 IP 이론을 정리한 글 을 쓴 뒤로, 실제로 유튜브 채널을 운영하면서 그 이론을 하나씩 적용해 봤습니다. 이 글은 그 기록입니다. 브랜드 보이스 이론을 실제 운영에 넣으면 무엇이 다릅니까? 8월 글은 음성 IP를 자산화하는 순서를 기준 문장 정하기, 후보 보이스 비교, 고정과 문서화, 채널별 변주 규칙 네 단계로 정리했습니다. 이론으로는 깔끔하지만, 실제로 영상을 매주 만들면서 지키려고 해 보니 네 단계 중 어디를 가장 자주 어기게 되는지가 이론만 읽을 때와 달랐습니다. 저는 보이스를 비교하는 단계보다 고정한 뒤에 그 설정을 계속 지키는 단계에서 더 자주 막혔습니다. 이 글에서 다루는 세 가지(보이스와 속도, 발표자 베이스 이미지, 오프닝 방식)는 전부 그 "고정한 뒤 지키기" 단계에서 실제로 걸린 규칙입니다. 이론 4단계 (8월 글) 제가 실제로 고정해서 지키는 것 기준 문장 정하기 나레이션 보이스는 최종 업로드본에 단 하나만 씁니다. 다른 보이스는 미리듣기에서만 들어 봅니다 후보 보이스 비교 그 보이스가 원래 느리게 말하는 톤이라, 대본이 길 때는 재생 속도 1.2배를 같이 묶어 씁니다 고정과 문서화 발표자(아바타) 두 명의 기본 이미지도 특정 시점에 한 번 확정한 뒤로는 그 버전만 계속 씁니다 채널별 변주 규칙 오프닝은 채널 인트로 없이, 핵심 장면을 15초 안에 먼저 보여주는 순서로 고정합니다 보이스 하나를 고정한다는 것은 실제로 무엇을 고정하는 일입니까? 저는 유튜브 롱폼 나레이션에 쓰는 남성 보이스를 하나로 고정해서, 실제로 업로드되는 영상에는 그 보이스만 씁니다. 다른 남성 보이스나 다른 음성 생성 도구는 미리듣기 단계에서 테스트는 해 보지만, 최종 업로드...

클로드 모션, 저는 아직 못 씁니다 — 같은 방식을 클로드 코드로 재현해 17분 50초를 기록했습니다

이미지
클로드 모션(Claude Motion)은 2026년 10월 8일 베타로 공개됐습니다. 프롬프트 한 줄로 짧은 설명 영상을 만들어 주는 기능인데, 결과물이 영상 생성 모델이 뽑은 클립이 아니라 코드라는 점이 다릅니다. 단어 하나, 숫자 하나까지 나중에 고칠 수 있다는 뜻입니다. 저는 이 소식을 듣고 바로 써 보고 싶었지만, 확인해 보니 지금은 Team·Enterprise 요금제 전용 베타이고 Free·Pro·Max는 쓸 수 없습니다. ATM 채널 계정으로는 직접 시연할 방법이 없었습니다. 그래서 방향을 바꿨습니다. 클로드 모션이 쓰는 것과 같은 원리 — 코드로 애니메이션을 짜고, 화면을 프레임 단위로 캡처해 영상으로 합치는 방식 — 를 클로드 코드로 직접 재현해 보기로 했습니다. 이 글은 그 재현 작업의 기록입니다. 먼저 분명히 해 둘 것이 있습니다. 아래 데모 3편은 클로드 모션의 결과물이 아닙니다. 같은 방식을 제 손으로 다시 짠 것이고, 영상 안에도 "Claude Motion 방식 재현 데모 · Claude Code로 제작"이라는 문구를 넣어 두었습니다. 클로드 모션은 정확히 무엇을 하는 도구인가요? 공식 소개 페이지 와 요금제 페이지 를 2026년 10월 12일에 확인한 기준으로, 확실한 사실만 표로 정리했습니다. 길이 제한이나 해상도, 나레이션 지원 여부처럼 공식 문서에 없는 항목은 이 글에서도 단정하지 않습니다. 항목 내용 이름·상태 Claude Motion, 베타, 2026-10-08 공개 하는 일 프롬프트 하나로 짧은 애니메이션 설명 영상을 만듭니다 만드는 방식 결과물이 코드라서 단어·숫자·타이밍을 하나씩 고칠 수 있습니다. 영상 생성 모델을 쓰지 않습니다(생성 클립 없음, AI 인물 없음) 사용법 메시지 입력창에 /motion 을 입력하거나, 원하는 애니메이션을 말로 설명합니다 내보내기 MP4로 내려받을 수 있고, Adobe·Descript·HeyGen·Higgsfield·invideo·Luma AI·Runwa...

노트북LM 사용법 2026 — 자료 넣기·질문·만들기 3단계와 바뀐 무료 한도

이미지
노트북LM 사용법은 세 단계면 충분합니다. 자료를 넣고(무료 플랜은 노트북 하나에 소스 50개), 그 자료에 대해 질문하고, 스튜디오에서 오디오·슬라이드·영상 같은 결과물을 만드는 순서입니다. 2026년 10월 기준으로 처음 쓰는 분이 꼭 알아야 할 변화는 두 가지입니다. 7월 16일에 공식 이름이 제미나이 노트북(Gemini Notebook)으로 바뀌었고, 9월 2일부터 무료 한도가 '하루 몇 번'이 아니라 5시간마다 다시 차는 사용량 방식으로 바뀌었습니다. 이 글은 ATM이 10월 5일 유튜브에 올린 노트북LM 사용법 영상 을 글로 옮기면서, 10월 11일에 구글 공식 블로그와 도움말 11건을 다시 열어 한 줄씩 대조한 결과입니다. 저는 1월에 노트북LM으로 유튜브 채널 하나를 지식 창고로 만드는 과정을 영상으로 올린 적은 있지만, 요금제별 한도를 제 계정에서 직접 재 본 기록은 없습니다. 그래서 한도와 기능 설명은 모두 공식 문서 문장을 근거로 적었습니다. 시작하기 전에 영상에서 안내한 한도를 바로잡겠습니다. 10월 5일 영상에서는 무료 한도를 '채팅 하루 50번, 오디오 오버뷰 하루 3번'처럼 하루 횟수로 설명했습니다. 그런데 10월 11일 현재 구글 도움말은 같은 한도를 횟수가 아니라 사용량으로 설명합니다. 바뀐 방식은 아래 무료 한도 항목에 표로 정리했으니, 한도만큼은 영상보다 이 글을 기준으로 봐 주세요. 노트북LM은 어떤 도구이고, 이름은 왜 바뀌었나요? 노트북LM은 내가 올린 자료를 '소스'로 삼아 그 안에서 답하고 정리해 주는 구글의 리서치 노트입니다. 일반 챗봇이 학습한 지식 전체에서 답을 끌어온다면, 노트북LM은 노트북에 넣은 PDF·웹 페이지·유튜브 자막 같은 소스를 근거로 답하고 어느 소스에서 가져왔는지 인용을 붙입니다. 구글은 7월 16일 공식 블로그 발표문 에서 노트북LM의 이름을 제미나이 노트북으로 바꾼다고 밝혔습니다. 같은 독립 제품에 새 이름을 단 것이고, 워크스...

AI 자동화 시간표, 실행 시각보다 '검토 창'이 결과를 가릅니다 — 1인 운영 자동 작업 14개 실측

이미지
AI 자동화 시간표를 짤 때 저는 늘 실행 시각부터 정했습니다. 그런데 2026년 10월 9일 기준으로 제가 돌리는 자동 작업 14개를 '만들어지는 시각'과 '밖으로 나가는 시각'의 간격으로 다시 재 보니, 결과를 가른 것은 실행 시각이 아니라 그 사이에 사람이 끼어들 수 있는 틈, 곧 검토 창의 길이와 위치였습니다. 창이 0분이었던 라인은 채널을 하나씩 끊다가 발행 0이 됐고, 창이 무한이었던 라인은 14세트가 쌓인 채 발행 0이었습니다. 지금 실제로 발행되고 있는 라인은 창이 2시간 30분에서 10시간 사이인 것들뿐입니다. 지난달 말에 AI 에이전트 29명과 자동 작업 14개를 한 장의 조직도 로 그렸습니다. 그 글은 '누가 몇 시에 무엇을 하는가'였고, 이 글은 그 표의 칸과 칸 사이를 봅니다. 숫자는 전부 윈도우 작업 스케줄러에 등록된 값과 각 작업이 남긴 실행 로그에서 가져왔습니다. 검토 창은 무엇이고 왜 실행 시각보다 중요합니까? 검토 창은 자동화가 결과물을 만든 시각부터 그 결과물이 밖으로 나가는 시각까지, 사람이 보고 고치거나 멈출 수 있는 시간입니다. 실행 시각은 기계의 사정이고, 검토 창은 사람의 사정입니다. 실행 시각은 서버 부하나 독자가 글을 읽는 시간에 맞추면 되지만, 검토 창은 제가 실제로 화면을 보는 시간과 겹쳐야만 의미가 있습니다. 이 틈이 비어 있으면 어떤 일이 생기는지는 올해 3월 메타 사례가 보여 줍니다. 디 인포메이션 보도와 메타의 확인에 따르면, 한 엔지니어가 내부 포럼의 기술 질문을 분석하라고 맡긴 AI 에이전트가 답을 엔지니어의 확인 없이 포럼에 바로 올렸고, 그 답에 들어 있던 잘못된 안내를 따른 직원이 권한 없는 엔지니어들에게 회사 데이터와 사용자 데이터 접근권을 열어 주는 상태가 약 2시간 이어졌습니다. 메타는 이 건을 내부 심각도 두 번째 등급인 Sev 1로 분류했습니다( Unite.AI, 2026년 3월 19일 ). 에이전트의 답이 틀렸다는 사실보...

바이브코딩 할수록 겸손해져야 하는 이유 — PoC는 누구나 만들지만, 운영은 다른 게임입니다

이미지
클로드 코드와 GPT 아스트라가 정말 엄청납니다. 이제 코딩을 제대로 배운 적 없는 사람도 아이디어만 있으면 꽤 그럴듯한 PoC 수준의 서비스를 바이브코딩으로 직접 만들 수 있습니다. 저도 2026년 한 해 동안 가계부 앱, 전자책 판매 사이트, 가상 오피스까지 코드를 한 줄도 직접 쓰지 않고 만들었습니다. 그런데 직접 만들어 볼수록 생각이 바뀌었습니다. 바이브코딩은 개발의 진입장벽을 무너뜨렸지만, 서비스 운영의 책임까지 없애 주지는 않았습니다. 이 글에서는 배포 버튼을 누른 뒤에도 남는 사각지대 7가지와, 2026년 10월 기준으로 제가 실제로 점검하는 순서를 정리했습니다. 바이브코딩으로 PoC는 정말 누구나 만들 수 있을까요? 네, 만들 수 있습니다. 지난 9월에는 오퍼스 5.5와 GPT-6 아스트라에 같은 프롬프트 4개를 줘서 결과물을 비교 했는데, 모션 웹사이트와 3D 롤러코스터 게임이 프롬프트 한 번에 돌아가는 수준으로 나왔습니다. 그 전에는 한 줄로 적는 가계부 앱 도 같은 방식으로 만들었습니다. 솔직히 이런 결과를 보면 "와, 이제 진짜 개발자 없어도 되는 거 아냐?" 싶을 때가 있습니다. 웹사이트·앱 프로토타입, 간단한 기능 구현, Vercel이나 Supabase 같은 서비스로의 빠른 배포, 아이디어 검증까지는 바이브코딩만으로 충분히 가능합니다. 그런데 왜 직접 만들수록 겸손해질까요? 개발자는 여전히 필요합니다. 어쩌면 AI 때문에 더 중요해진 영역도 있습니다. 특히 저 같은 문과 출신은 더 겸손해야 합니다. IT나 플랫폼 서비스 PM을 오래 해 봤다면 모를까, 저희는 애초에 무엇을 모르는지조차 모르는 사각지대가 많습니다. 대표적인 것이 백엔드, 서버, DB, 인프라, 보안입니다. 보통 저 같은 문과생은 AI가 만들어 준 코드를 제대로 읽지 못합니다. AI가 알아서 커밋하고 푸시해 주니 "오? 배포됐다. 끝!"이라고 생각하기 쉽습니다. 그런데 정작 데이터가 암호화되고 있는지, A...