찰리초이 스토리 블로그

AX 컨설턴트 보안 브리핑 AI 개발이 빨라질수록 보안 검증은 더 엄격해야 합니다 ‘모두의창업’ 정보유출 사례에서 배우는 API·권한·데이터 보호의 기본 원칙 이번 사건의 핵심은 단순한 “AI 해킹”이 아닙니다. 민감정보를 반환하는 API, 누락된 권한 검사, 잘못된 키 관리와 부족한 검수 절차가 결합한 기본 보안의 실패입니다. 즉, 개발 도구가 무엇이었는가보다 “누가 어떤 데이터에 접근할 수 있는지, 무엇을 외부로 내보내는지, 배포 전에 제대로 확인했는지” 가 더 중요합니다. 먼저 이렇게 생각하면 쉽습니다 웹서비스를 하나의 사무실이라고 보면, 로그인은 건물 출입증 , 권한 검사는 각 사무실의 열쇠 , API는 자료를 전달하는 창구 , API 키·토큰은 관리자용 마스터키 와 비슷합니다. 출입증만 있다고 모든 방을 열 수 있게 하거나, 자료 창구가 주민번호·평가자료까지 한꺼번에 내보내거나, 마스터키를 책상 위에 올려두면 사고 가능성이 커집니다. 1 기사 바로가기 ↗ ‘모두의창업’ 해킹…“협력사 사이트 엉망진창” 디일렉(THE ELEC) 원문 보기 2 무슨 일이 있었나 5,000명 프로젝트 합격자 비공개 정보가 노출된 것으로 조사 3종 이메일 주소·심사평·창업 아이디어 요약 API 비공개 정보와 복호화에 필요한 키까지 함께 노출 기사에 따르면 플랫폼 일부 API에 비공개 정보가 포함돼 있었고, 외부에서 웹 크롤링 등으로 API를 수집하는 과정에서 정보가 유출됐습니다. 데이터는 암호화돼 있었지만 이를 풀 수 있는 키까지 함께 노출돼 암호화의 실효성이 사라졌습니다. 민감정보가 포함된 API 응답 → 외부 자동 수집과 복호화 가능 → 개인정보·아이디...

한 줄 요약: AI 비용을 줄이는 가장 좋은 방법은 무조건 싼 모델을 고르는 것이 아니다. 반복되는 입력은 캐시하고, 낡은 프롬프트 규칙은 걷어내고, 일의 난이도에 맞춰 AI가 생각하는 강도를 조절해야 한다. Anthropic이 2026년 9월 8일 공개한 글은 흔히 갖는 오해부터 뒤집는다. 보통 비용을 아끼려면 성능을 포기해야 한다고 생각한다. 하지만 Claude Platform을 실제로 운영해 보니, 설정과 프롬프트를 제대로 다듬는 것만으로 비용을 낮추면서 정확도까지 높일 수 있었다는 설명이다. 핵심은 세 가지다. 프롬프트 캐시 적중률을 높이고, 최신 모델에 맞지 않는 낡은 지시문을 없애고, 업무 난이도에 맞춰 effort(생각하는 강도)를 조절하는 것 이다. 기술 용어가 많아 보이지만, 사무실 업무에 빗대면 어렵지 않다. 1. 프롬프트 캐시: 매번 서류철을 처음부터 읽히지 말자 Claude가 답을 만들기 전에는 사용자가 보낸 지시문, 참고자료, 도구 설명, 지금까지의 대화를 먼저 읽고 내부 작업 상태를 만든다. 이 입력 처리 과정을 프리필(prefill)이라고 한다. 긴 문서를 매번 처음부터 읽히면 시간과 비용이 든다. 프롬프트 캐시는 한 번 읽은 공통 내용을 잠시 보관했다가, 다음 요청이 같은 내용으로 시작하면 다시 계산하지 않고 불러오는 기능이다. 캐시 읽기 비용은 전체 입력을 새로 처리하는 비용보다 훨씬 싸다. 예시: 100쪽짜리 사내 규정집을 참고하는 인사 상담 AI 직원이 휴가 질문을 할 때마다 규정집 100쪽을 새로 읽힌다고 해보자. 질문은 한 줄인데 비용 대부분은 같은 규정집을 반복해서 읽는 데 쓰인다. 규정집과 공통 지시문을 앞부분에 고정해 캐시하면, 다음 질문부터는 이미 읽어 둔 규정집을 꺼내 쓰는 것처럼 처리할 수 있다. 캐시가 자꾸 깨지는 이유 앞부분에 현재 시각이나 매번 바뀌는 ID를 넣는다. 캐시는 바이트 단위로 정확히 같아야 하므로 한 글자만 달라도 다른 입력으로 본다. 도구 목록의 순서...

헤르메스 Computer Use: 브라우저 반복 업무를 AI 직원에게 맡기는 방법 AI 에이전트가 단순히 답변만 하는 시대를 지나, 이제는 실제 컴퓨터 화면을 보고 클릭하고 입력하고 정리하는 단계로 넘어가고 있습니다. 헤르메스(Hermes Agent)의 Computer Use 와 Browser Automation 기능은 바로 이 지점에서 매우 실용적입니다. 특히 온라인 서점 검색, 유튜브 댓글 관리, 이메일 정리처럼 사람이 브라우저에서 반복하던 일을 AI가 대신 처리하도록 만들 수 있습니다. 한 줄 요약 헤르메스의 Computer Use는 AI가 화면을 읽고 클릭·입력·스크롤을 수행하게 해주는 기능이며, 웹사이트에서 반복되는 업무는 Browser Automation과 함께 사용할 때 가장 큰 효과를 냅니다. Computer Use란 무엇인가? 헤르메스 최신 문서 기준으로 Computer Use는 AI 에이전트가 사용자의 컴퓨터 화면을 읽고, 필요한 곳을 클릭하고, 글자를 입력하고, 스크롤하고, 드래그하는 기능입니다. macOS, Windows, Linux에서 동작하도록 설계되어 있으며, Claude, GPT, Gemini 같은 도구 호출이 가능한 모델과 함께 사용할 수 있습니다. 중요한 특징은 백그라운드 동작 입니다. 사용자의 실제 마우스 커서가 움직이지 않고, 키보드 포커스를 빼앗지 않으며, 가상 데스크톱이나 작업 공간을 마음대로 바꾸지 않는 구조를 지향합니다. 즉, 사람이 다른 일을 하는 동안 AI가 별도의 작업을 수행할 수 있습니다. 브라우저 작업에는 Browser Automation도 함께 이해해야 한다 웹사이트 안에서 검색하고, 버튼을 누르고, 폼을 작성하고, 목록을 읽어오는 작업은 헤르메스의 Browser Automation 도구가 더 직접적인 역할을 합니다. Computer Use가 전...

※ 아래 내용은 OpenAI가 공개한 GPT-6 Astra 소개 페이지의 주장을 바탕으로 쉽게 풀어쓴 해설입니다. 벤치마크 수치는 제조사가 제시한 조건과 측정 방식에 따라 달라질 수 있습니다. 한 줄 요약 GPT-6 Astra는 단순히 글을 잘 쓰는 모델을 넘어, 웹 브라우저와 컴퓨터를 직접 사용하고 여러 단계의 업무를 끝까지 수행하는 것을 목표로 한 모델입니다. 1. GPT-6 Astra는 무엇이 달라졌나? OpenAI는 GPT-6 Astra를 새로운 세대의 지능 모델이라고 소개합니다. 핵심은 지식량만 늘리는 것이 아니라 컴퓨터 사용, 웹 탐색, 소프트웨어 개발, 과학 연구, 사이버보안, 전문 업무 를 실제 작업 흐름 속에서 수행하도록 설계했다는 점입니다. 기존 챗봇이 질문에 답하고 결과물을 만들어 주는 데 집중했다면, Astra는 사용자의 목표를 이해한 뒤 브라우저를 열고, 자료를 찾고, 문서를 작성하고, 결과를 점검하는 식의 다단계 업무 수행 을 강조합니다. 2. 가장 중요한 변화: AI가 컴퓨터를 사용한다 소개 페이지의 표현을 쉽게 바꾸면 다음과 같습니다. 온라인 자료를 찾아 요약하기 문서·스프레드시트·프레젠테이션 만들기 웹사이트를 만들고 실제 화면에서 품질 점검하기 과학 데이터를 분석하고 그래프 만들기 양식 입력, 예약 검색, 상품 비교 같은 반복 업무 수행하기 이 변화는 “AI에게 무엇을 물어볼까?”에서 “AI에게 어떤 업무를 맡길까?”로 사용 방식이 이동한다는 뜻입니다. 프롬프트 한 번의 답변보다 목표·권한·검토 지점·완료 조건 을 설계하는 일이 중요해집니다. 3. 업무 성능에 대한 OpenAI의 주장 영역 공개 페이지에 제시된 내용 실무적으로 읽는 법 컴퓨터 사용 화면을 이해하고 브라우저·업무 도구를 조작 사람이 하던 반복적인 클릭·입력 업무를 위임할 가능성 소프트웨어 개발 코드 작성뿐 아니라 테스트와 수정까지 수행 코딩 보조를 넘어 이슈 해결 사이클에 참여 전문 업무 문서·스프레드시트·발표자료를 템플릿에 맞춰 생성 회사 ...

FDE · AX Consulting FDE란 무엇인가: AX 컨설턴트와 무엇이 다른가 AI 시대에는 “AI를 잘 설명하는 사람”보다 “현장의 문제를 AI로 실제 해결하는 사람”이 더 중요해지고 있습니다. 이 역할을 설명하는 키워드가 FDE, 즉 Forward Deployed Engineer입니다. ※ 이 글은 특정 기업 사례를 드러내지 않고, FDE 발표자료와 이전 검토 내용을 바탕으로 일반화해 정리했습니다. 한눈에 보는 결론 AX 컨설팅은 조직의 AI 전환 방향과 로드맵을 잡는 일에 가깝습니다. FDE는 현장에 들어가 문제를 찾고, 직접 만들고, 적용하고, 성과를 확인하는 실행 역할입니다. 좋은 FDE는 컨설턴트처럼 문제를 이해하고, 엔지니어처럼 만들고, 교육자처럼 현장에 정착시킵니다. AI 전환의 성패는 보고서가 아니라 실제 업무 변화와 반복 사용에서 결정됩니다. 1. FDE란 무엇인가 FDE는 Forward Deployed Engineer의 줄임말입니다. 우리말로 옮기면 “전방 배치 엔지니어” 또는 “현장 배치 엔지니어” 정도로 표현할 수 있습니다. 핵심은 책상 앞에서 요구사항 문서를 기다리는 개발자가 아니라는 점입니다. FDE는 고객이나 조직의 실제 현장에 들어가 업무 흐름을 보고, 반복되는 문제와 병목을 찾고, AI·데이터·소프트웨어를 조합해 실제로 쓰이는 해결책을 만듭니다. FDE는 AI를 가르치는 사람이 아니라, 현장의 문제를 AI로 직접 해결하는 사람입니다. 2. FDE가 일하는 방식: 문제에서 성과까지 FDE의 일은 보통 여섯 단계로 흘러갑니다. 현장 이해 : 조직의 사업, 고객, 직원, 업무 프로세스를 파악합니다. 문제 발견 : 반복 업무, 병목, 오류, 시간이 많이 드는 일을 찾습니다. 해결책 설계 : AI, 자동화, 데이터, 소프...

Claude Prompting Guide Claude Fable 5.1 프롬프트 가이드: 쉽게 쓰는 AI 지시문 작성법 Anthropic의 공식 문서는 Claude Fable 5.1을 더 잘 쓰기 위한 프롬프트 작성법을 설명합니다. 개발자용 문서라 조금 어렵지만, 핵심은 간단합니다. AI에게 “무엇을, 어느 정도로, 어떤 방식으로 끝낼지”를 더 분명히 알려주라는 것입니다. 출처: Anthropic Claude Platform Docs 한눈에 보는 핵심 작업 난이도에 맞게 AI의 “생각하는 정도”를 조절한다. 긴 작업에서는 중간 진행 상황을 사용자에게 알려달라고 요청한다. 독립적인 도구 호출은 한 번에 묶어서 처리하게 한다. 대화 기록은 중간에 고치지 말고 계속 뒤에 붙이는 방식이 안전하다. 글이 너무 길거나 딱딱하면 쉬운 문장과 구조를 요청한다. 작업을 시켰다면 끝까지 완료하고 검증하게 한다. 1. “생각하는 정도”를 작업에 맞게 정하라 Claude Fable 5.1에는 작업에 얼마나 많은 추론을 쓸지 정하는 effort 개념이 있습니다. 쉽게 말하면 AI에게 “빨리 대답할지, 더 깊게 생각할지”를 조절하는 장치입니다. 낮은 effort 간단한 요약, 분류, 짧은 답변처럼 빠른 처리가 중요한 작업 중간 effort 품질과 비용의 균형이 필요한 일반 업무 높은 effort 코딩, 분석, 복잡한 문서 작성처럼 실수가 비싼 작업 매우 높은 effort 긴 산출물이나 중요한 의사결정 보조 작업 문서의 조언은 명확합니다. 무조건 가장 높은 설정을 쓰지 말고, 실제 업무에서 품질·속도·비용을 비교해보라는 것입니다. AX 컨설팅 관점에서는 이 부분이 중요합니다. AI도 직원처럼 업무 난이도에 맞는 투입 시간이 필요합니다. 2. 오래 걸...

GitHub Repo Review GenOffice: AI가 문서 편집 안으로 들어온 오픈소스 오피스의 등장 GenOffice는 Word, Excel, PowerPoint, PDF, Markdown 편집을 하나의 AI 네이티브 오피스 경험으로 묶으려는 오픈소스 프로젝트입니다. 단순한 챗봇 보조 기능이 아니라, 문서 편집 자체에 AI 에이전트를 넣는 방향이 흥미롭습니다. 리포지토리: github.com/genspark-ai/genoffice 이 글의 핵심 GenOffice는 Microsoft Office 대안을 목표로 하는 오픈소스 AI 오피스 제품입니다. 문서, 스프레드시트, 프레젠테이션, PDF, Markdown을 다루는 Electron 기반 멀티 앱 구조입니다. AI 모델은 Genspark 계정 또는 사용자의 API Key(BYOK) 방식으로 연결할 수 있습니다. 업무 자동화와 AX 컨설팅 관점에서는 “문서 작성 자동화”보다 “문서 편집 워크플로우의 재설계” 사례로 볼 만합니다. 1. GenOffice는 어떤 프로젝트인가? GenOffice는 macOS, Windows, Linux에서 동작하는 오픈소스 오피스 제품군입니다. 리포지토리 설명에 따르면 Word(.docx), Excel(.xlsx), PowerPoint(.pptx), PDF, Markdown 편집을 지원하는 것을 목표로 합니다. 특히 눈에 띄는 점은 AI가 별도의 채팅창에 머무는 것이 아니라, 문서 편집 과정 안으로 들어온다는 점입니다. 즉 “AI에게 물어보고 복사해서 붙여넣는 방식”이 아니라, 문서의 블록, 표, 슬라이드, PDF 페이지를 직접 다루는 방향입니다. 지원 포맷 docx, xlsx, pptx, PDF, Markdown 앱 구조 docs, sheets, slides, pdf, markdown, sh...

사회적기업·소상공인을 위한 AI 활용 가이드 외식업 대표 사례에서 배우는 AI 업무자동화 시작법 AI 업무자동화는 대기업만의 이야기가 아닙니다. 사람이 부족한 작은 조직일수록 AI가 초안을 만들고 사람이 승인하는 구조 가 현실적인 출발점입니다. 오늘의 핵심 AI는 사장이 아니라 업무를 도와주는 직원 작은 조직에 필요한 4개의 AI 업무팀 사람의 승인 지점을 남기는 법 내일부터 시작하는 3단계 AI는 사장이 아니라, 업무를 도와주는 직원입니다 최근 외식업 대표의 AI 자동화 활용 사례를 보며 한 가지를 다시 확인했습니다. AI 업무자동화는 더 이상 대기업만의 이야기가 아닙니다. 오히려 사람이 부족하고, 대표와 실무자가 여러 일을 동시에 처리해야 하는 사회적기업, 소상공인, 작은 조직 에게 더 현실적인 도구가 되고 있습니다. 하지만 AI가 모든 일을 마음대로 처리하게 만드는 것이 목표는 아닙니다. 브랜드 이미지, 고객 응대, 금전 처리, 계약, 민감한 개인정보가 걸린 일은 반드시 사람이 확인해야 합니다. AI가 초안을 만들고, 정리하고, 반복 작업을 준비한다. 사람은 마지막 판단과 승인을 한다. 이 구조가 가장 안전하고 실용적입니다. 저는 이것을 AI 직원 모델 이라고 부릅니다. 작은 조직에 필요한 AI 업무팀 4가지 1. AI 홍보팀 블로그 글, SNS 문구, 안내문, 보도자료, 뉴스레터, 행사 소개글 초안을 만듭니다. 2. AI 고객응대팀 반복 질문을 분류하고 답변 초안을 만들어 담당자가 빠르게 확인하도록 돕습니다. 3. AI 운영관리팀 일정, 체크리스트, 회의록, 업무보고, 미처리 업무 알림을 정리합니다. 4. AI 자료정리팀 흩어진 문서, 설문, 인터뷰, 보고서, 회의록을...

YouTube 사례 리뷰 · Hermes Agent × n8n 헤르메스로 n8n 자동화를 만들 수 있을까? 외식업 대표의 실전 사례를 통해 본 작은 조직의 AI 업무자동화 전략입니다. 핵심은 “AI가 알아서 다 한다”가 아니라, 헤르메스가 설계하고 n8n이 반복 실행하며 사람이 최종 책임을 지는 구조 입니다. 글의 흐름 영상에서 확인한 자동화 범위 헤르메스로 n8n을 만든다는 말의 의미 컴퓨터 유즈와 API/n8n 자동화의 차이 사회적기업·소상공인 적용법 찰리 블로그 자동화에 주는 시사점 1. 영상에서 실제로 보여준 자동화의 범위 최근 유튜브 영상 “누적 가맹점 100개 외식업 대표가 헤르메스 에이전트 AI로 자동화 하는 방법” 의 전사 내용을 검토했습니다. 영상에는 외식업·프랜차이즈·쇼핑몰을 운영하는 대표가 실제 업무에 헤르메스 에이전트, 텔레그램, 슬랙, 브라우저 자동화, 파이썬 스크립트, n8n을 결합해 쓰는 사례가 나옵니다. 이 영상의 핵심은 단순히 “AI가 블로그 글을 써준다”가 아닙니다. 더 중요한 메시지는 다음입니다. AI 에이전트는 사람의 지시를 받아 글을 쓰는 수준을 넘어, 반복 업무를 관찰하고, 절차를 만들고, 실패를 고치고, 성공한 과정을 조직의 자동화 자산으로 축적할 수 있다. SNS·오픈채팅 DM, 오픈채팅 유입, 홍보 아이디어를 AI 직원에게 지시합니다. 블로그 자동화 소재 선정, 글 작성, 이미지·해시태그, 발행까지 시도합니다. 인스타그램 카드뉴스 콘셉트, 썸네일, 캡션, 해시태그를 만듭니다. 쇼핑몰 운영 주문, 발주, 재고, 이메일, ERP 처리를 워크플로로 연결합니다. 2. “헤르메스로 n8n을 만들었다”는 말은 가능한가? 가능합니다. 다만 정확히 표현하면, 헤르메스가 n8n을 대체한 것이 아니라 헤르메스가 n8n 워크플로를 설계하고 수정하는 역할 을 한...

Uber의 Software Factory에서 배울 점: AI 에이전트는 ‘비용’이 아니라 ‘운영 설계’의 문제다 Uber Engineering이 공개한 “Running a Software Factory Efficiently at Uber Scale” 글은 단순한 AI 코딩 도구 소개가 아닙니다. 핵심은 AI 에이전트를 개발 현장에 많이 쓰면서도 비용을 통제하기 위한 운영 구조 입니다. 저는 이 글을 보면서 개인용 AI 오케스트레이션, 특히 제가 정리하고 있는 CPAO(Cost-aware Personal Agentic Orchestration) 와 매우 가까운 문제의식을 느꼈습니다. 규모는 Uber처럼 크지 않더라도, 개인·소규모 조직도 이제 AI를 “가끔 쓰는 도구”가 아니라 “반복 업무를 맡기는 업무팀”으로 운영해야 하는 단계에 들어섰기 때문입니다. 1. Uber가 말하는 AI Software Factory Uber는 AI 도구가 소프트웨어 개발 전 과정에 들어와 있다고 설명합니다. 코드 작성, 코드 리뷰, CI 실패 복구, 버그 분석, 온콜 알림 처리, 유지보수 PR 생성 등 여러 업무가 에이전트 기반으로 움직이고 있습니다. 인상적인 것은 사용량 증가입니다. Uber에 따르면 2026년 2월부터 8월까지 주간 활성 사용자는 7배, 주간 에이전트 요청은 9.4배 증가했습니다. 그런데 총 AI 비용은 4월 이후 비교적 안정화됐다고 합니다. 동일 모델 기준으로 보면 1,000개 요청당 비용은 피크 대비 약 34%, 세션당 비용은 6월 피크 대비 52% 낮아졌다고 합니다. 즉, Uber의 방향은 “AI를 덜 쓰자”가 아닙니다. 오히려 더 많이 쓰되, 낭비되는 턴·요청·토큰을 줄이는 방식 입니다. 2. 핵심은 비용 방정식이다 Uber는 AI 에이전트 비용을 다음과 같은 식으로 분해합니다. 총비용 = 사용자 수 × 세션/사용자 × 턴/세션 × 요청/턴 × 토큰/요청 × 토큰당 가격 이 식이 중요한 이유는 AI 비용을 막연한 “...

  AX컨설팅 동료용 실무 가이드 AI 바이브코딩 80% 벽 을 넘는 운영 가이드 AI로 웹사이트, 업무 자동화, 데이터 분석, 제안서 보조 도구, 내부 업무 시스템을 만들어보려는 컨설턴트를 위한 문서입니다. 바이브코딩은 “AI에게 코딩을 맡기는 일”이 아니라, AI 개발팀을 운영하는 일 입니다. 빠르게 되는 구간 ◀ 80% 벽 운영으로 넘는 구간 95% 80%까지는 AI가 데려다줍니다. 나머지 15%는 코딩 실력이 아니라 운영 방식 으로 넘습니다. 목차 1. 왜 80%에서 막히는가 2. 자주 나오는 네 가지 증상 3. 반드시 박아둘 검증 원칙 4. 상황별 실전 프롬프트 8종 5. 운영 4원칙 6. 컨설팅 현장 시나리오 7. 현장 체크리스트 18 8. 복사해서 쓰는 프롬프트 9. 최종 정리 01 · 진단 처음엔 날아가는데, 왜 80%에서 멈출까 요즘 AI로 개발을 해보면 처음에는 정말 빠릅니다. 로그인 화면이 금방 만들어지고, 버튼도 생기고, 데이터 입력 폼도 나오고, 간단한 대시보드도 몇 분 만에 완성됩니다. “이제 코딩은 AI가 다 해주는구나.” 그런데 실제 프로젝트에서는 이상한 일이 생깁니다. 처음 70~80%까지는 빠르게 가는데, 그 다음부터 갑자기 진도가 안 나갑니다. 증상 80% 지점에서 벌어지는 일 버튼 하나 고쳤더니 다른 버튼이 망가집니다. 오류를 고쳐달라고 했더니 디자인이 깨집니다. AI는 “수정 완료했습니다”라고 하는데 실행해보면 그대로입니다. 이전에 정한 요구사항을 잊어버립니다. 새 기능을 붙일수록 코드가 점점 복잡해집니다. 결국 처음부터 다시 만드는 것이 더 빠른 상황이 됩니다. 한 줄 결론 80% 벽은 AI의 코딩 실력만의 문제가 아닙니다. 대부분은 검증 없는 지시, 오염된 컨텍스트, 롤백 없는 작업 방식, 모호한 완료 기준 때문에 생깁니다. AI에게 코딩을 맡긴다는 것은 개발자를 없애는 일이 아닙니다. 오히려 우리의 역할이 바뀝니다. 기존 방식 AI 바이브코딩 방식 내가 직접 코드를 작성한다 AI에게 작업을 나누어 맡긴다 개발...