Leaf Meta 🇰🇷 @leafmeta

📌 에이전트를 잘 쓰는 사람이 일을 맡기기 전에 먼저 하는 것, 미리 그은 선 화살을 먼저 쏘고 과녁을 나중에 그리면 누구나 명중이다. 에이전트에게 시장 조사를 맡긴다고 해보자. 맡기기 전에 경쟁사 다섯 곳, 출처 있는 숫자만, 한 쪽 이내라고 적어두면 결과를 받자마자 쓸지 말지 바로 안다. 이걸 안 정하고 맡기면 결과가 그럴듯해서 좀 더 보강해줘, 조금만 다르게를 끝없이 반복하게 된다. 에이전트를 잘 쓰는 사람은 일을 맡기기 전에 끝나는 지점부터 정한다. doi.org/10.1037/0022-3… #메타인지 #에이전트활용 #충분함의판단

📌 더하는 게 공짜가 된 시대의 진짜 실력, 빼기의 눈 더하기는 손이 하고, 빼기는 생각이 한다. nature.com/articles/s4158… #메타인지 #빼기의기술 #덜어내기

📌 생각이 많은 사람일수록 놓치기 쉬운 인간의 마지막 역할, 결정의 무게 문제는 생각이 많은 게 아니다, 생각이 끝나지 않는 거다. 분석은 이제 기계가 사람보다 빠르고 많이 한다. 선택지를 열 개, 백 개 뽑아내는 일도 기계 몫이 됐다. 그런데 그 앞에서 사람이 하는 일이 또 분석이라면, 기계가 이미 잘하는 일을 느리게 반복하고 있는 셈이다. 심리학자 배리 슈워츠 연구팀은 늘 최선을 찾으려는 사람과 충분히 괜찮으면 고르는 사람을 비교했다. 최선을 좇는 쪽은 행복감, 낙관성, 삶의 만족도가 낮았고 우울과 후회는 더 컸다. 선택지가 늘수록 오히려 더 불행해질 수 있다는 뜻이다. 다만 이후 연구에서는 효과가 엇갈리기도 해서, 탐색 자체보다 결정을 못 내리는 괴로움이 핵심이라는 해석에 무게가 실린다. 결론 없는 생각은 신중함이 아니라 책임을 미루는 가장 세련된 방법이다. 사람에게만 남은 역할은 세 가지다. 첫째, 멈추기. 정보가 충분하다고 선언하는 건 기계가 아니라 사람이 한다. 둘째, 고르기. 완벽한 답은 없고, 틀릴 수 있는 답을 골라 내 이름을 거는 게 판단이다. 셋째, 짊어지기. 결과가 나빠도 그 선택을 설명하고 바로잡는 건 끝까지 사람의 몫이다. 그래서 생각이 길어질 때는 이렇게 묻는다. 지금 더 알아야 할 게 있는가, 아니면 결정이 두려운 것인가. 대부분은 뒤쪽이다. 기계는 생각을 대신할 수 있어도, 결정의 무게까지 대신 들어주지는 않는다. Schwartz 외, 최대화 대 만족화, Journal of Personality and Social Psychology 83권 5호, 2002 works.swarthmore.edu/fac-psychology… doi.org/10.1037/0022-3… #메타인지 #결정력 #판단력 #인공지능 #생각과잉

📌 인공지능에게 판단을 넘기지 않는 사람들이 매번 던지는 세 가지 질문, 판단의 주인 답이 공짜가 된 시대에 값이 오르는 건 답을 내는 능력이 아니라, 답을 거절할 수 있는 능력이다. 마이크로소프트와 카네기멜런 연구진이 지식노동자 319명을 조사한 결과, 인공지능을 믿을수록 비판적 사고는 줄고 자기 실력을 믿을수록 늘었다. 확신을 도구에 맡기면 생각이 꺼지고, 나에게 두면 켜진다는 뜻이다. 사람의 일은 이제 문제 풀기가 아니라 검증하고, 엮고, 책임지는 쪽으로 옮겨갔다. 그래서 판단 앞에서는 이 세 가지만 묻는다. 첫째, 이게 맞다는 걸 내가 직접 확인했는가. 그럴듯함은 기계가 만들고, 맞음은 사람이 가려낸다. 둘째, 이게 지금 내 상황에 맞는가. 평균적으로 옳은 답은 아무의 문제에도 정확히 맞지 않는다. 셋째, 틀렸을 때 내가 설명하고 고칠 수 있는가. 고칠 수 없는 답을 받아들였다면 그건 판단이 아니라 복종이다. 2400년 전 소크라테스는 문자에 기대면 아는 것처럼 보이지만 실은 모르게 된다고 경고했다. 위험한 건 모르는 상태가 아니라, 모르는데 안다고 믿는 상태다. 의심할 수 있는 만큼만 내 것이다. 플라톤, 파이드로스 275a cts.perseids.org/read/greekLit/… Lee 외, 생성형 인공지능이 비판적 사고에 미치는 영향, CHI 2025 microsoft.com/en-us/research… #메타인지 #인공지능 #판단력 #비판적사고 #생각의외주

코드는 기계가 써도, 그걸 설명할 수 있는 사람만이 그 코드를 가진 거예요. 결국 남는 건 내가 누른 엔터의 개수가 아니라, 내가 이해한 줄의 개수죠. #메타인지 #인공지능 #이해의속도

GeekNews @GeekNewsHada

18 hours ago

이딴 짓은 이제 못 해 먹겠다 명세, 코드, 테스트, 티켓까지 Claude Code가 만들고 개발자는 하루 12~13시간 AI에 지시하며 출시를 재촉받는다는 경험담임 AI보다 생성 코드를 읽고 이해할 시간조차 없는 환경이 문제이며, 결과물은 나와도 성취감은 남지 않음 news.hada.io/topic?id=34176

1 46 106 33K 74

소심하지만 반항하고 싶은 마음, 데스크 매트 위에서 조용히 표현해 보시겠어요?

팀장님 모시고 가기 딱 좋은, 팀장님 저격 커피 전문점을 찾으시나요? ☕️

이 티셔츠, 당신 팀장님 앞에서도 입을 수 있나요?

[한줄 경향 체크] LLM 그늘에 가려졌던 한 층, Jev가 불을 켰습니다

아무리 잘 벼린 검이라도 쥐는 법을 모르면 제 손부터 벱니다. AI도 같습니다. 날이 설수록 쥔 사람의 실력이 드러납니다. 머릿속에 그림이 있어야 시킬 수 있고, 설명할 수 있어야 맞는지 압니다. 그리지 못하면 시킬 수 없고, 설명하지 못하면 내 것이 아닙니다. 사실 이건 AI가 나오기 전부터 그랬습니다. 프레임워크도, 라이브러리도, 검색도 다 남이 만든 걸 가져다 쓰는 일이었고 그때도 실력은 설계와 판단에서 갈렸습니다. 도구는 늘 바뀌었지만 못 쓰는 사람이 못 쓰는 이유는 한 번도 바뀌지 않았습니다. 도구를 몰라서가 아니라, 만들 것을 모르기 때문입니다. 좋은 도구는 실력을 채워주지 않습니다. 있는 실력을 확대해 보여줄 뿐입니다. 그래서 도구가 좋아질수록 격차는 줄지 않고 오히려 벌어집니다. 개발자가 쉽게 사라지지 않는 이유도 여기 있습니다. 코드는 도구가 대신 쳐도 무엇을 만들지 그리는 일과 그게 맞는지 판단하는 일은 그대로 남습니다. 검을 든다고 검객이 되지는 않습니다.

📌 챗봇 말고 판단만 파는 모델이 나왔습니다, 새 종류일까 ~판별 모델의 귀환 말은 한마디도 안 하는데, 이게 요즘 개발자들 사이에서 제일 뜨겁대요. 1) 요즘 AI는 글을 씁니다. 그런데 9월 15일에 나온 Jev라는 모델은 글을 한 글자도 안 쓰고, 이건 환불 문의야, 긴급도는 3점이야, 화났을 확률 92퍼센트야 같은 답만 딱 돌려줘요. 2) 회사는 이걸 시스템 원 모델이라는 새 이름으로 부릅니다. 사람이 고민 없이 척 보고 아는 빠른 판단에서 따온 말인데, 학계가 정한 용어는 아니고 회사가 직접 붙인 이름이에요. 3) 그럼 정말 새로운 종류일까요? 완전히 새롭진 않습니다. 원래 기계학습에는 글을 만드는 모델과 고르는 모델 두 갈래가 있었고, 고르는 쪽은 스팸 메일 분류기처럼 훨씬 먼저 있었거든요. 4) 대신 달라진 건 네 가지예요. 예전엔 과제마다 따로 가르쳐야 했는데 이건 그냥 물어보면 되고, 확률 숫자가 실제로 맞도록 훈련했고, 정해둔 보기 밖의 엉뚱한 답이 아예 안 나오고, 값이 아주 쌉니다. 5) 그래서 저는 이걸 글을 파는 모델 말고 판단을 파는 모델이라고 이해했어요. 지난 몇 년간 뭐든 챗봇에게 시키던 흐름에서, 답이 정해진 일은 다시 고르는 모델에게 돌려보내는 재분업이 시작된 거죠. 다만 성능 수치는 아직 회사가 직접 잰 것뿐이라, 진짜인지는 반복 많은 일 하나에 붙여보고 재봐야 합니다. AI를 고르는 기준이 어느 게 더 똑똑하냐에서, 이 일은 설명이 필요한가 결정만 필요한가로 옮겨가는 중인 것 같아요. typesafe.ai docs.typesafe.ai/concepts/syste… eigent.ai/ko/blog/typesa… #메타인지 #Jev #시스템원모델 #판별모델 #AI트렌드 #쉽게설명 #모델선택 #실무적용

@AmyNoteApp 맞습니다. 코드는 다시 뽑으면 그만인데, 왜 그렇게 정했는지와 내가 무엇을 기대하고 그 판단을 내렸는지는 남겨둔 사람만 갖고 있더라고요.

📌 같은 도구를 쓰는데 결과가 갈리는 이유, 결과를 받는 사람과 과정을 그리는 사람 ~의심하는 근육 인공지능에게 시키는 일은 똑같습니다. 그런데 나온 물건을 대하는 태도가 정반대입니다. 1) 다들 바이브 코딩을 해야 한다는 얘기를 하려는 게 아닙니다. 제가 본 차이는 도구를 쓰느냐 마느냐가 아니었습니다. 결과물을 받고 나서 그걸 믿을지 말지를 스스로 판단할 수 있느냐였습니다. 2) 일반인은 화면이 뜨면 거기서 끝납니다. 개발자는 시키기 전에 머릿속으로 한 번 돌려보고, 대충 이런 모양이 나오겠다는 그림을 먼저 그립니다. 그래서 질문이 달라집니다. 이게 안 되는 경우는 언제인가요, 방금 고친 게 다른 곳을 건드리지는 않았나요, 사람이 백 명 몰리면 어떻게 되나요. 이 질문이 안 떠오르면 잘 만든 게 아니라 아직 안 터진 겁니다. 3) 프레드 브룩스는 1986년에 소프트웨어의 어려움을 둘로 나눴습니다. 도구가 불편해서 생기는 어려움과 문제 자체가 원래 복잡해서 생기는 어려움입니다. 인공지능은 앞의 것만 걷어갔습니다. 뒤의 것은 여전히 사람 몫으로 남습니다. 4) 그래서 실제로 달라지려면 순서를 바꿔야 합니다. 시키기 전에 어떤 결과가 나올지 한 줄로 적어두고, 나온 것과 맞춰보는 겁니다. 그리고 이 코드가 하는 일을 한 줄로 설명해 줘, 실패하는 경우를 다섯 개 적어 줘, 이상한 값을 넣어서 확인해 줘. 한 번쯤 직접 틀려보기 전까지는 이 근육이 안 생깁니다. 여러분은 결과물을 받고 나서 제일 먼저 무엇을 확인하시나요. 차이는 얼마나 잘 시키느냐가 아닙니다. 나올 결과를 미리 그려보고, 나온 결과를 의심할 수 있느냐입니다. Frederick P. Brooks Jr., No Silver Bullet: Essence and Accident in Software Engineering, 1986 en.wikipedia.org/wiki/No_Silver… #메타인지 #바이브코딩 #AI시대 #개발자마인드 #의심하는근육 #브룩스

📌 CIA가 육십 년 전에 밝혀낸 회의실의 함정, 애매한 말 한마디 ~숫자로 말하는 사람 같은 말을 듣고도 서로 다른 회의를 하고 나오는 이유가 있습니다. 말을 조심스럽게 하는 게 나쁜 건 아닙니다. 다만 제가 본 무게 있는 사람들은 조심스러운 말을 하면서도, 그 말이 어느 정도의 확신인지를 꼭 같이 꺼냈습니다. 1961년 케네디 대통령은 쿠바 상륙 작전에 대해 성공할 가능성이 꽤 있다는 보고를 받고 작전을 승인했습니다. 그런데 그 말을 쓴 사람의 속뜻은 실패할 확률이 세 배 높다는 것이었습니다. 작전은 크게 실패했습니다. 그래서 CIA의 셔먼 켄트는 1964년에 이런 제안을 합니다. 확신을 나타내는 말마다 숫자를 붙여서 쓰자는 것이었습니다. 애매한 말은 겸손이 아닙니다. 내가 어디까지 따져봤는지 나도 모른다는 뜻입니다. 저는 말하기 전에 두 가지를 적습니다. 직접 확인한 것과 아직 확인 못 한 것, 그리고 지금 내 확신이 몇 퍼센트인지. 회의에서는 이렇게 말합니다. 이건 제가 확인했습니다, 이건 확신이 반도 안 됩니다, 제가 맡아서 확인해 보겠습니다. 여러분 회의에서 제일 자주 나오는 애매한 말은 무엇인가요. 무게는 확신에 찬 말투에서 나오지 않습니다. 자기 확신의 크기를 스스로 재본 사람에게서 나옵니다. Sherman Kent, Words of Estimative Probability, CIA Studies in Intelligence Vol 8 No 4, 1964 cia.gov/resources/csi/… #메타인지 #AI시대 #회의잘하는법 #셔먼켄트 #확신의크기 #일잘러

📌 논문 얘기 같지만 사실 우리 피드 얘기입니다, 죽은 학회 이론 점검 ~글의 대홍수 그런 이론은 없더라고요. 그런데 그 불안은 숫자로 남아 있었어요. 1) 인공지능으로 글을 다듬는 게 나쁘기만 한 일은 아니잖아요. 다만 죽은 학회 이론은 정식 용어가 아니고, 2021년 한 인터넷 게시판 글에서 나온 죽은 인터넷 이론이 원래 이름이에요. 2) 그럼 헛소리냐 하면, 그렇지만은 않습니다. 논문 사전공개 사이트 아카이브는 2025년 10월 31일부터 컴퓨터 분야의 리뷰 논문을 심사 통과 증빙 없이는 받지 않기로 했고, 2026년 한 대형 학회에서는 심사평 7만 5천여 건 가운데 21퍼센트가 통째로 기계가 쓴 글로 분류됐어요. 3) 그럼 그 글은 누가 읽은 걸까요? 평가에 사람의 판단은 몇 퍼센트나 들어간 걸까요? 맛집 검색에 같은 문장이 스무 개씩 뜨고 회사 보고서가 매끈한데 안 미더운 것도 결국 같은 질문이잖아요. 4) 그래서 저는 안 읽는 쪽이 아니라 더 잘 읽는 쪽을 택했어요. 파일을 열면 전체 선택부터 눌러 흰 글씨로 숨긴 문장이 있는지 보고, 출처 두 개를 골라 제목 그대로 검색해 실재하는지 확인합니다. 저자와 날짜가 없으면 그 글은 일단 뒤로 미뤄요. 5) 그다음이 진짜입니다. 숫자가 나오면 어디서 몇 명을 언제 쟀는지 찾고, 안 나오면 요약으로 취급해요. 틀렸던 대목이나 망설인 흔적, 반대 의견을 인정한 문장이 하나도 없으면 그건 검증이 아니라 정리입니다. 마지막으로 이 글이 내일 내 행동을 한 가지라도 바꾸는지 묻고, 아니면 저장하지 않아요. 읽기를 줄이면 손해고, 이 글에 사람의 판단이 어디에 들어갔나를 묻기 시작하면 같은 양을 읽고도 남는 게 달라지는 것 같아요. blog.arxiv.org/2025/10/31/att… #메타인지 #죽은인터넷이론 #정보검증 #AI리터러시 #논문 #피어리뷰 #콘텐츠홍수 #읽는법

Emergence @PcIOvebbCbTdSTb

a week ago

죽은 학회 이론

1 631 843 52K 189