June Kim

이런 표현을 보게됐다. "글을 쓰지 않아도 지식이 쌓이고" Karpathy LLM Wiki를 쓰면 그렇게 할 수 있단다. 이걸 collector's fallacy라고 한다. 긁어 모아서 갖고 있는 거만으로 지식이 된다고 생각하는 버그이다. PKMS를 PIMS로 쓰는 사람들이 이런 착각에 잘 빠지더라.

결과적으로 H와 나머지가 결합된 전체를 IA의 한 단위로 봐야 하고, 그걸 T를 통해 부트스트래핑해가야 함. 더 똑똑한 모델보다 더 잘 설계되고 더 잘 훈련된 인간-에이전트 작업체계가 필요. 그래야 더 똑똑한 모델이 나왔을 때 더 이득이 클 것

하이픈은 H라는 요소가 중요한 키가 돼야 한다는 것. 그게 나머지랑 커플링이 일어나야 하기에 인터랙션을 줄이는 게 IA적으로는 좋은 해법이 아니라는 거를 알아야 하고. 슬래쉬는 앞에 것들의 컨디션으로 T가 존재한다는 것. 내 업무중 AC의 T는 무엇인가 그걸 디자인해 넣기. 이 T는 LAM을 고려.

높은 수준의 에이전틱 코딩으로 가는 힌트. 더글라스 엥겔바르트의 H-LAM/T 시스템. 여기에서 핵심은 하이픈과 슬래쉬.

그러면서 동시에 하이픈에도 컨디션이 걸리기 때문에 내가 나머지랑 커플링하는 방식을 T해서 수준을 높이는 방법을 찾을

바이브코딩 시대에 가치가 올라간 개발역량들이 있다. 그중 하나는 gray box exploratory testing. 테스팅 가성비를 확 높여준다. ai가 만드는 버그 패턴이 사람과 미묘하게 다른면이 있기에 탐색적 테스팅이 유효하고, 직접 작성하지 않은 코드를 테스트할 때 농도조절을 해야하니 그레이가 중요하다.

이렇게 업무 중 인터럽트에 대해 연구하는 학술분야가 따로 있다. Interruption Science라고 한다. 주로 항공, 의료 쪽을 도메인으로 다루는데 일반 직장인들에게 도움될 내용들이 많다.

했더니 인터럽팅하는 일을 할 때 의사결정 정확도가 올라가고 기억력도 좋았다. 이론에 따르면 인터럽트된 일로 돌아가는 시간도 짧아지고 그일의 성과도 오르게 된다. Leroy et al (2018)

N모사에서 500여명의 개발자 대상으로 업무중 인터럽트가 직무만족도에 영향을 주나 연구했다. 통계적 유의미한 관계가 없었다. 심지어 같은 팀 내에서도 그랬다. 추후 질적 연구에서 개인별로 인터럽트 대응 전략이 달랐기 때문으로 해석되었다. 나의 인터럽트 대응 전략을 한단계 올리는 간단한 팁은

우선적으로 보게 될 현상은, Software Developer들 중에서 "AI를 잘 쓰는 사람"들이 "AI를 잘 못쓰는 사람"들을 엄청나게 대체하게 될 것.

Figure S12를 보면 재미있는 현상이 보인다. Eloundou등의 연구에서 인간이 직접 평가한 점수에서는 Software Developers는 AI 적용 가능성이 낮다. 하지만 실제 LLM 사용례에서 보면 적용 가능성이 높은 편. 즉, 사람들의 생각보다 더 빨리 AI로 대체될 수 있다는 거.

내 직업이 AI에 의해 대체될 수 있을까 걱정하는 사람들을 위한 현시점 가장 믿을만한 소스 arxiv.org/abs/2507.07935 Working with AI: Measuring the Applicability of Generative AI to Occupations 20만개가 넘는 AI와의 실제 대화를 O*NET(미국직업정보네트워크) 기준으로 분석.

@nyang20258 맞아요. 저는 나아가, 일반 코딩보다 그 확률이 더 낮은 것 같습니다.

@cjunekim 어차피 오래 코딩한다고 다 전문가가 되는 것도 아닌걸요 ㅎㅎ...

바이브 코딩으로만 SW를 만들다 보면 실력이 늘까? Gary Klein과 Daniel Kahneman이 공저한 논문에 따르면 경력이 늘면서 전문성(정확히는 전문가적 직관)이 생기려면 두가지 조건이 필요하다고 했다.

이런 이유로 바이브 코딩을 한다고 해서 바이브 코딩을 더 잘하게 되는 것은 아닐 확률이 높다. 일부러 의도적 수련 시간을 만들어 넣고, 환경을 좀 더 제약적으로 바꾸고 업무를 하지 않는다면. 참고로 인간을 더 똑똑하게 만드는 Intelligence Augmentation 쪽 연구가 제삼의 길이 될거라고 생각한다

피드백의 품질이나 농도가 낮고, 진짜 피드백은 한참 후에(어 버그가 있었네?) 주어지는 경우가 많기 때문이다. 결국 문제는 layer 1(LLM과 인터랙션)과 layer 2(생성된 코드와 인터랙션)가 있을 때 layer 2까지 내려가지 않고 layer 1에서만 얕은 꿈을 꾸기 때문.