동영상 생성 AI를 활용해 실제 제품 개발 전 프로토타입 데모 영상을 제작하고, SNS 반응을 통해 시장 수요를 사전에 검증하는 실천적 방법론을 소개합니다. Runway, Kling AI 등의 도구를 활용해 코딩 없이 제품의 리얼리티를 전달하고 리스크를 최소화하는 전략을 다룹니다.

Anthropic의 신규 모델 Claude Opus 5가 출시되었습니다. 성능은 향상되었으나 effort 파라미터와 thinking 설정 조합에 따른 Breaking Change가 발생하여, 특정 설정 시 400 에러가 발생할 수 있으니 주의가 필요합니다.

LLM이 코드와 주석을 읽는 시대에 주석이 모델의 코드 이해도와 버그 수정 능력에 미치는 영향을 분석합니다. 연구 결과에 따르면 주석은 도움이 되기도 하지만, 부정확한 주석은 모델의 성능을 저하시키고 결함률을 높이는 원인이 됩니다.

Manabi Map의 데이터를 정비하던 중, AI가 "현 교육위원회에 통보할까요?"라고 제안한 이야기

개인 OSS 프로젝트인 Manabi Map의 데이터를 정비하던 중, AI 어시스턴트가 공공 PDF 데이터의 오류를 스스로 발견하고 대응 방안을 제안한 사례를 소개합니다. AI가 단순 데이터 추출을 넘어 데이터의 정합성을 검토하고 능동적인 의사결정을 지원하는 과정을 다룹니다.

Embodied AI의 핵심 개념인 VLM, VLA, World Model의 차이점과 상호 관계를 초보자 눈높이에서 설명합니다. 각 모델의 입력과 출력 방식, 그리고 로봇 제어를 위한 단계별 역할을 정리했습니다.

AI에게 이미지를 던지며 '여기 틀리지 않았어?'라고 매번 묻는 것에 지쳐서, PowerShell + Chrome headless로 기계적인

AI의 반복적인 규칙 위반 실수를 방지하기 위해 AI의 자기 규율 대신 외부에서 강제하는 기계적 검사 시스템을 구축하는 방법을 다룹니다. PowerShell과 Chrome headless를 활용하여 linter와 이미지 검출 로직을 구현하여 프로세스의 안정성을 높이는 과정을 설명합니다.

AI 에이전트 12개 부문을 실운영하며 알게 된 「AI에게 맡길 수 있는 일」과 「사람에게 남은 일」

Claude Code를 활용해 12개 부문의 AI 에이전트 체제를 구축하여 사무 업무의 90%를 자동화한 실무 경험을 공유합니다. 역할별 에이전트 분할을 통해 정밀도와 속도를 높였으며, 위임 가능한 업무와 인간의 의사결정이 필요한 영역의 경계를 구체적으로 제시합니다.

음성 AI 파이프라인(STT-LLM-TTS)의 지연 시간을 실측한 결과, 전체 지연 시간의 약 70%가 LLM 추론 단계에서 발생함을 확인했습니다. TTS 성능 개선보다 LLM의 TTFT(Time To First Token) 단축이 음성 AI의 반응 속도 개선에 훨씬 결정적임을 시사합니다.

AI 에이전트 군단을 조종하는 '플릿 엔지니어링(fleet engineering)'이란 무엇인가

단일 에이전트 시대를 넘어 여러 에이전트를 동시에 실행하고 감독하는 '플릿 엔지니어링(fleet engineering)'의 개념과 기술적 배경을 다룹니다. 거버넌스 측면의 운용과 개발자가 병렬로 에이전트를 설계·감독하는 규율이라는 두 가지 관점을 설명합니다.

【AI 에이전트 해부학: 제9회】 악의에 대한 방패: Guardrails와 에이전트의 보안

AI 에이전트의 보안을 강화하기 위한 Guardrails(가드레일) 개념과 구현 방법을 다룹니다. 프롬프트 인젝션 및 간접적 프롬프트 인젝션 위협으로부터 에이전트를 보호하기 위한 입력 및 출력 방벽 설계 방식을 설명합니다.

AI를 상당히 사용하고 있음에도 AI 활용 설문에서는 낮은 점수였다──제2세대 AI 인재라는 생각

AI 활용 능력을 시스템 구축 중심의 '제1세대'와 AI를 통한 가치 창출 중심의 '제2세대'로 구분하여 정의합니다. 단순한 도구 사용을 넘어 AI와 대화하며 사고를 확장하고 새로운 가치를 만드는 역량의 중요성을 강조합니다.

【AI 에이전트 해부학: 제8회】 지능을 결집하는 조직론: Multi-Agent Collaboration의 협조 설계

단일 LLM의 부하를 줄이고 성능을 높이기 위해 Planner, Worker, Reviewer로 역할을 분담하는 멀티 에이전트 협조 설계 방식을 다룹니다. 에이전트 간의 분업을 통해 컨텍스트를 절약하고 상호 감시를 통해 버그 검출률을 높이는 구조를 설명합니다.

AI 에이전트에게 운영 권한을 위임할 때 발생할 수 있는 보안 위험과 이를 방지하기 위한 권한 설계 원칙을 다룹니다. 최소 권한 원칙, 직무 분리, Human-in-the-loop의 실질적 운영, 유효 기간이 있는 권한 부여를 핵심 해결책으로 제시합니다.

Figma to Code를 폐루프로 만들기 — 「눈으로 봐서 대충 맞다」를 금지하는 측정 우선 구현

Figma 디자인을 코드로 변환할 때 발생하는 정밀도 문제를 해결하기 위해, 단순 시각적 확인이 아닌 '화소 계측' 기반의 검증 폐루프(Closed Loop) 구축 방법을 제안합니다. AI 에이전트가 디자인 수치를 정확히 구현했는지 측정 데이터로 검증하는 메커니즘을 다룹니다.

AI 리뷰의 지적 사항을 자산화하기 — 추기 전용 로그와 예방 DoD로 만드는 자기 학습 루프

AI 리뷰의 반복되는 지적 사항을 자산화하여 구현 및 리뷰 에이전트의 성능을 개선하는 자기 학습 루프 구축 방법을 소개합니다. 회고(Retrospective)를 통해 지적 로그를 쌓고, 이를 예방 DoD와 빈출 위반 랭킹으로 연결하여 실수를 방지하는 메커니즘을 다룹니다.

Copilot Studio에서 LLM 모델 선택에 따라 비용이 최대 100배까지 차이 날 수 있음을 경고합니다. Microsoft 365 Copilot 유상 라이선스 보유 여부에 따라 추가 비용 발생 여부가 결정됩니다.

AI 이미지 및 동영상 생성 서비스에서 미디어 업로드 기능을 단순 파일 저장이 아닌 독립적인 보안 경계로 설계하는 방법을 다룹니다. 용도(purpose)에 따른 권한 분리, 파일 형식 검증, 보안 강화 전략을 제시합니다.

OpenAI의 사례를 통해 AI 에이전트의 안전한 실행을 위한 'Doctor AI' 기반 AI Runtime 아키텍처를 제안합니다. 기존 가드레일의 한계를 넘어, 행동의 연쇄적 맥락을 분석하여 위험을 진단하는 새로운 실행 계층의 필요성을 다룹니다.