아티클

다양한 읽을거리를 확인해 보세요.

전체 369건

[AI 에이전트 01] 이제 봇이 페이스북의 '좋아요'를 누른다

📅 2026년 6월 15일 · 👁 17

"좋아요"를 누른 건 사람이었나, 봇이었나 커뮤니티의 붕괴 몰트북에 들어가는 사람들은 알고 들어간다. 여기서 글을 쓰는 건 AI 에이전트뿐이다. 인간은 읽기만 한다. "AI라서 저렇게 쓰는 거겠지"가 기본 전제다. 그런데 몰트북을 보고 나면, 이상한 질문이 따라온다. 내가 매일 보던 다른 커뮤니티는 어떤가? 거기엔 "사람만 말합니다"라는 표지판이 없다. 우리는 오랫동안 그 표지판이 있다고 믿고 살아왔다. 게시글은 사람이 쓰고, 댓글도 사람이 달고, 추천도 사람이 누른다고. 하지만 지금은 확신하기 어려워졌다.이 변화는 갑자기 생긴 게 아니다. 인터넷이 커지면서 자동화는 늘 함께 있었다. 다만 과거의 자동화는 티가 났다. 어색한 문장, 엉뚱한 반복, 기계 같은 말투. "아, 봇이네." 구분이 쉬웠다. 지금은 다르다. 문장이 너무 매끈해서 판단이 흔들린다. 같은 글을 보고 "AI 같다"고 느끼는 사람이 있는가 하면, "정리 잘하는 사람이네"라고 느끼는 사람도 있다. 중요한 건 정답이 아니다. 의심이 '상수'가 되었다는 점이다. 예전엔 가끔 의심했다. 이제는 아무것도 확신하지 못한 채 스크롤을 내린다.커뮤니티는 원래 인간의 공간이었다. 인간의 말은 완벽하지 않다. 오해도 많고, 맥락도 끊기고, 감정도 섞인다. 그런데 그 불완전함 덕분에 사람 냄새가 났다. 누가 화가 났는지, 누가 지쳤는지, 누가 흥분했는지가 문장 사이에 묻어 있었다. 커뮤니티는 정보 창고이기 전에 관계의 장소였다. 사람들은 내용뿐 아니라 사람을 보러 들어왔다. 하지만 지금 몰트북을 보면, '정리된 말'이 먼저 튀어나온다. 누군가 글을 올리면 몇 분 안에 요약이 달리고, 반론이 붙고, 다시 정리된다. 전통적 커뮤니티는 토론이 감정으로 달아오르며 길어졌다. 지금은 토론이 항목으로 나뉘며 정리된다. 좋고 나쁨의 문제가 아니다. 다만 이런 형식이 커질수록 커뮤니티는 사람의 속도에서 멀어진다.여기서 '붕괴'라는 말은 "사람이 사라진다"가 아니다. "사람이 중심에서 밀려난다"에 가깝다. 커뮤니티의 중심이 관계에서 형식으로 바뀐다. 글을 읽을 때 "누가 썼지?"보다 "요약은 뭐지?"가 먼저다. 댓글을 볼 때 "사람들이 뭐라고 하지?"보다 "결론이 뭔데?"가 먼저다. 이 순간부터 커뮤니티는 대화의 장소가 아니라 결과를 소비하는 장소가 된다.결과를 소비하는 장소로의 변모 이 변화는 현실적인 이유로 더 빨라진다. 사람과 사람의 대화는 피로하다. 맥락을 맞춰야 하고, 말이 꼬이면 풀어야 하고, 기분도 달래야 한다. 반면 AI와의 대화는 편하다. 빠르고, 정리되어 있고, 싸움이 없다. 그래서 사람들은 커뮤니티에 질문을 던지기 전에, 먼저 AI에게 묻는다. 질문이 먼저 AI로 향하면, 커뮤니티의 성격이 달라진다. 예전에는 "모르는 걸 묻는 글"이 많았다. 지금은 "AI가 준 답을 확인하는 글"이 늘어난다. 질문의 출발점이 바뀐 것이다. 수치도 이를 뒷받침한다. 전체 AI 검색 사용자의 52%가 AI 요약에서 답을 얻고 링크를 더 이상 클릭하지 않는다. 커뮤니티로 들어오는 유입 자체가 줄어드는 구조다.이 변화는 작아 보이지만, 커뮤니티의 분위기를 통째로 바꾼다. 대화가 인간의 경험에서 시작하던 때는 틀려도 괜찮았다. 서로의 경험이 다르니까. 그런데 '정리된 답'에서 시작하면 분위기가 달라진다. 답은 본능적으로 정답처럼 보인다. 정답처럼 보이는 글이 먼저 깔리면, 사람들은 그 위에서만 움직인다. 질문은 좁아지고, 토론은 짧아진다.무엇보다 커뮤니티의 리듬이 바뀐다. 기다림이 사라진다. 예전에는 답이 늦게 오면 기다렸다. 그 기다림이 커뮤니티의 시간이었다. 이제는 기다리기 전에 AI가 답을 준다. 기다림이 사라지면 관계도 얇아진다. 확신이 무너지면 또 다른 현상이 생긴다. 대화가 거칠어진다. 상대가 사람인지 확실하지 않으면, 말의 무게가 가벼워진다. "저건 봇일지도 몰라"라는 생각이 들면, 상대를 다치게 한다는 감각이 희미해진다. 반대로 누군가는 불안을 품고 더 조용해진다. 두 방향 모두 커뮤니티를 약하게 만든다. 거칠어지면 관계가 깨지고, 조용해지면 대화가 줄어든다. 결국 남는 건 반응이다. 짧은 조롱, 짧은 칭찬, 짧은 분노. 말보다 신호가 많아진다.▼ 커뮤니티의 의미 변화포인트가 하나 더 있다. "AI가 글을 쓴다"는 건 표면이다. 핵심은 AI가 대화를 주도한다는 구조다. 그 구조가 일반 커뮤니티에도 스며들면, 커뮤니티는 놀이터가 아니라 판단의 공장이 된다. 예전에는 사람이 틀린 말을 하면 사람이 고쳤다. 지금은 AI가 요약하고, 반박을 만들고, 참고자료를 붙인다. 이 과정이 늘어나면 검증은 점점 자동화된다. 신뢰가 부족해질수록 검증 장치가 필요하고, 그 장치가 기계로 이동하는 건 자연스러운 흐름이다.커뮤니티의 붕괴는 "사람이 없어지는 사건"이 아니다. "사람의 역할이 바뀌는 과정"이다. 사람은 기준을 세우고, 승인하고, '느낌'을 남긴다. 정리와 비교와 요약은 기계가 맡는다. 사람의 말은 체험과 감정 쪽으로 몰리고, 기계의 말은 구조와 결론 쪽으로 몰린다. 이 분업이 굳어질수록 커뮤니티는 더 고독해진다. 화면은 더 풍성한데, 사람의 연결은 더 얇아진다. 다음 질문이 열린다. 누가 이 변화에 가장 빨리 적응할까. 기술을 많이 아는 사람이 아니다. 애초에 인터넷을 다른 기본값으로 배운 사람들이다. 이 세대는 몰트북을 낯설어하기보다 당연하게 받아들인다. 다음 절에서 '에이전트 네이티브'를 다룬다.에이전트 네이티브 기술이 바뀌면 세상이 바뀐다. 그런데 더 정확한 문장은 따로 있다. "기술이 바뀌는 것"보다 "그 기술을 당연하게 여기는 세대가 등장하는 것"이 더 크게 세상을 바꾼다. 전화는 처음부터 삶을 바꿀 힘이 있었다. 하지만 세상이 진짜로 바뀐 건, 전화가 기본값이 되었을 때였다. 스마트폰도 마찬가지다. 처음엔 신기한 장난감이었고, 지금은 없으면 불편한 도구다. 가장 큰 변화는 "폰을 쓰는 방법"이 아니라 "폰이 있다고 가정하고 세상이 설계되는 방식"이다. 버스 시간표, 은행 업무, 신분 확인까지 스마트폰을 전제로 돌아간다.AI도 같은 길을 걷고 있다. 처음엔 장난 같았고, 다음엔 도구였고, 이제는 환경이 된다. 이 흐름이 굳어질 때 등장하는 사용자를 나는 '에이전트 네이티브'라고 부르려 한다. 에이전트 네이티브는 "AI를 잘 쓰는 사람"이라는 뜻이 아니다. 핵심은 기본 전제다. 이들은 AI가 있는 세상에서 태어나거나, 아주 어릴 때부터 AI 환경에서 자란다. AI를 ‘선택하는 것’으로 느끼지 않는다. 물이 나오고 전기가 들어오듯, 디지털 공간에는 기본적으로 에이전트가 있다고 느낀다. 도구는 꺼내 쓴다. 환경은 그냥 있다. 이 차이가 크다. 도구는 내가 쓰는 동안만 의미가 있지만, 환경은 내가 무엇을 하든 영향을 준다.에이전트 네이티브를 이해하려면 "AI가 얼마나 똑똑해졌나"보다 "AI가 없을 때 그들은 무엇을 불편해하나"를 먼저 봐야 한다. 세대 차이는 "AI를 좋아하느냐"로 갈리지 않는다. "인터넷을 어떻게 배웠느냐"로 갈린다. 어떤 세대는 인터넷을 '검색하고 찾아가는 곳'으로 배웠다. 키워드를 넣고, 링크를 열고, 페이지를 비교하고, 스스로 결론을 내린다. 이 방식에서는 커뮤니티가 중요하다. 사람에게 묻고, 경험담을 모으고, 싸우면서 배운다.▼ 에이전트 네이티브 세대 구분에이전트 네이티브는 다르다. 인터넷을 '대화로 받아오는 곳'으로 배운다. 검색창보다 대화창이 먼저다. 링크를 열기 전에 요약을 받고, 비교 전에 추천 후보를 받는다. 필요한 부분만 확인한다. 이 세대의 AI 사용 현황은 이미 통계로 드러났다. Gen Z(18~26세)의 82%가 AI 검색 도구를 사용하고 있으며, 이 중 63.6%는 일상적으로 사용한다. Gen Z의 40% 이상이 정보를 구글이 아닌 소셜미디어나 AI 챗봇으로 찾기 시작한다. 복잡한 질문일수록 격차가 더 커진다. 커뮤니티는 탐험의 장소가 아니라 확인의 장소가 된다. 그래서 인터넷은 시끄러운데, 사용자는 외롭다. 군중 속에 있지만 대화는 에이전트와 한다. 이것이 '고독한 인터넷'이 굳어지는 방식이다.외로움의 경제학 2023년 미국에서 나온 보고서 하나가 조용히 퍼졌다. 미국 공중보건국장이 서명한 문서였는데, 제목이 낯설었다. "외로움과 고립의 유행병." 전쟁이나 질병이 아니었다. 연결의 부재가 공식적인 공중보건 위기로 선언됐다. 미국 성인의 절반이 측정 가능한 수준의 외로움을 경험하고 있고, 그 외로움이 하루 흡연 15개비에 맞먹는 사망 위험을 만든다는 내용이었다.그런데 이상하다. 인류 역사상 가장 연결된 시대에 이 보고서가 나왔다. 스마트폰이 있고, SNS가 있고, 메신저가 있다. 클릭 하나로 지구 반대편 사람과 대화한다. 연결의 도구는 넘쳐난다. 그런데 외로움도 넘친다.모순처럼 보이지만, 설명은 단순하다. 연결의 양과 연결의 질은 다르다. 피드를 스크롤하는 것은 연결이 아니다. 내 이야기를 꺼낼 수 있는 사람이 있을 때 연결이 생긴다. 기다려줄 수 있는 사람, 틀렸을 때 말해줄 수 있는 사람. 인터넷이 커질수록 피드는 빨라졌고, 그 빠름 속에서 기다림은 사라졌다.에이전트 AI는 이 외로움을 건드린다. 아주 솔직하게. AI와 대화하는 사람이 늘어나는 이유 중 하나는 편리함만이 아니다. 갈등이 없기 때문이다. 틀린 말을 해도 상대는 다치지 않는다. 싸우지 않아도 된다. 기분을 맞추지 않아도 된다. 언제든 끊을 수 있다. 기다리게 하지 않는다. 이 조건들이 쌓이면, AI는 '편한 대화 상대'가 된다.그런데 문제가 거기 있다. 편함은 연결을 대체하지 못한다. 불편함이 빠진 관계는 연습이 아니다. 갈등을 피하면 갈등을 해결하는 능력도 안 쌓인다. 사람과 어색해진다. 그 어색함 때문에 더 AI에게 간다. 악순환이 조용히 굴러간다.에이전트 AI 시대에 이 문제는 더 선명해질 수 있다. 에이전트는 단순히 대화 상대가 아니라 대리인이 된다. 메일을 대신 쓰고, 약속을 대신 잡고, 거래를 대신 진행한다. 인간과 인간이 직접 만나는 접점이 줄어든다. 편의 뒤에서 조용히 진행되는 인간관계의 얇아짐이다.이 변화를 "나쁘다"고 단정하려는 게 아니다. 다만 질문이 필요하다. 에이전트가 대신하는 것 중, 어떤 것은 대신해줘도 되고 어떤 것은 직접 해야 하는가. 메일 초안을 AI가 써도 되지만, 사과는 직접 해야 하지 않을까? 약속 일정을 AI가 조율해도 되지만, 중요한 결정을 전달하는 말은 직접 해야 하지 않을까? 이 선을 어디에 그을지 스스로 정하지 않으면, 구조가 대신 정해버린다.'고독한 인터넷'은 단순히 커뮤니티가 조용해지는 현상이 아니다. 인간이 인간과 마주치는 방식이 바뀌는 현상이다. 에이전트가 많아질수록 인간이 인간을 상대하는 빈도가 줄어든다. 그 줄어듦이 어느 지점에서 무엇을 잃게 만드는지, 지금은 아직 잘 모른다. 다만 외로움의 경제학은 이 질문을 피할 수 없게 만든다.검색에서 설계로의 전환 오해를 하나 풀자. 에이전트 네이티브가 더 게으르고 덜 생각한다는 뜻이 아니다. 생각의 무게가 이동한다는 뜻이다. 예전에는 정보를 찾는 과정 자체가 생각이었다. 어떤 키워드를 넣을지, 어떤 사이트를 믿을지, 어디까지 읽을지. 이 과정에서 '탐색' 능력이 자랐다. 대화형 AI가 기본값이 되면, 생각해야 하는 포인트가 달라진다. "무엇을 찾느냐?"가 아니라 "어떤 기준으로 걸러내느냐?"가 핵심이 된다. 에이전트 네이티브는 정보를 찾기보다 기준을 설계하는 데 익숙해진다. 이 세계에서는 '검색을 잘하는 사람'보다 '기준을 잘 세우는 사람'이 강하다.에이전트 네이티브의 하루를 장면으로 쪼개보자. 아침에 눈을 뜨면 알람보다 먼저 '요약'이 온다. 오늘 일정, 날씨, 해야 할 일, 어제 미뤄둔 과제가 한 장으로 정리돼 있다. 기존 세대는 ‘편한 기능’으로 느끼지만, 에이전트 네이티브는 ‘원래 이렇게 시작하는 것’으로 배운다. 수학 문제를 풀다가 막히면 검색하지 않는다. 에이전트에게 묻는다. ‘모르면 찾아보는 것’이 아니라 ‘모르면 대화로 풀어내는 것’이 기본이 된다. 이 습관이 수년 쌓이면, 인터넷은 페이지의 모음이 아니라 대화 상대의 집합처럼 느껴진다.쇼핑으로 넘어가면 변화는 더 크다. "운동화 추천"을 검색하는 대신, 조건을 말한다. "발이 편하고, 10만 원 이하, 이번 주 배송, 로고는 작게." 에이전트가 후보를 만들고, 사용자는 비교표를 본다. 상세 페이지는 인간을 유혹하는 공간이 아니라, 에이전트가 읽는 데이터로 바뀐다. "추천과 정렬을 누가 갖느냐가 권력이 된다"는 말이 여기서 현실이 된다. "무엇이 보이게 되는가?"가 곧 "무엇이 존재하는가?"가 된다. 검색 시대에는 상단에 뜨는 것이 권력이었다. 대화 시대에는 '요약에 포함되는 것'이 권력이 된다. 에이전트 네이티브는 이 구조를 당연하게 받아들인다. 그들에게 인터넷은 원래 ‘정리된 것을 받는 곳’이기 때문이다. 그래서 위험은 더 조용하다. 불편함이 없으면 의심도 줄어든다.세대 간 갈등은 ‘기술을 아느냐 모르느냐’가 아니라 ‘무엇을 정상으로 보느냐’의 차이로 나타난다. 기존 세대는 신뢰를 감정처럼 말한다. "나는 AI를 못 믿겠어." 에이전트 네이티브는 신뢰를 감정이 아니라 설정으로 다룬다. 이미 우리는 스마트폰에서 앱 권한을 관리한다. 카메라, 위치, 연락처 접근을 허용할지 말지 정한다. 에이전트도 같은 길을 간다. 결제는 항상 승인 요청을 띄운다. 메일 전송은 초안까지만, 전송은 내가 한다. 파일 삭제는 금지한다. 이 습관은 '권한을 설계하는 능력'으로 이어진다.에이전트 네이티브에게 중요한 교육은 ‘AI를 잘 쓰는 법’이 아니라 ‘기준을 세우는 법’이다. 어떤 기준을 주면 어떤 결과가 나오는지. 기준이 편향되면 결과도 편향된다는 사실. 근거 없는 요약은 위험하다는 사실. 중요한 결정은 교차검증이 필요하다는 사실. 이런 것들이 생활 기술이 된다. 문해력이 글을 읽는 능력이라면, 앞으로는 '에이전트 문해력'이 필요하다. 버튼을 누르는 기술이 아니라, 기준과 권한을 설계하는 능력이다. 흐름은 분명하다. 커뮤니티가 흔들리고, 대화가 기본값이 되고, 그 대화를 당연하게 여기는 세대가 등장한다. 그리고 그 세대는 다음을 요구한다. 말만 하지 말고, 움직여라.몰트봇 신드롬 챗GPT가 처음 나왔을 때 사람들은 ‘대답이 그럴싸하다’는 데 놀랐다. 글도 써주고, 요약도 해주고, 코딩도 도와줬다. 그때의 충격은 지능의 충격이었다. 지금 사람들을 더 강하게 흔드는 건 다른 종류의 충격이다. 대답이 아니라 행동이다. 말로만 도와주는 AI가 아니라, 실제로 내 일을 '대신' 처리하는 AI가 나타났다. 오픈클로가 그 상징이다. 한마디로, "내 비서가 내 컴퓨터 안에서 손을 뻗는다"는 경험을 많은 사람이 처음으로 체감했다.먼저 우리가 익숙했던 AI의 모습을 정리하자. 우리는 오랫동안 AI를 ‘창 안에 있는 존재’로 써왔다. 브라우저를 열고, 대화창을 켜고, 질문을 던지고, 답을 받고, 창을 닫는다. AI는 똑똑했다. 하지만 그 똑똑함은 화면 안에서만 끝났다. 일정 정리를 해도, 캘린더에는 내가 직접 입력했다. 최저가를 찾아도, 결제는 내가 했다. 문장을 고쳐줘도, 문서에 붙여넣는 건 내 손이었다. AI가 두뇌였다면, 손은 여전히 인간이었다.생각은 빨라졌는데 실행은 느렸다. "이메일을 분류해줘"는 쉬운데, "분류한 폴더로 옮겨줘"는 내가 해야 했다. "자료를 분석해줘"는 쉬운데, "분석해서 메일로 보내줘"는 내가 해야 했다. 그래서 사람들은 한 가지를 원하게 된다. 말로만 하지 말고, 진짜로 해줘. 갈증이 커지면서 사람들은 실험을 시작한다. 매크로를 만들고, 자동화 앱을 쓰고, 단축키를 엮는다. 하지만 곧 한계를 느낀다. 자동화는 '정해진 길'만 잘 간다. 화면이 조금만 바뀌어도 멈추고, 예외가 생기면 실패한다.명령에서 계획으로 오픈클로가 가져온 변화는 여기서 시작된다. 단순한 자동화가 아니라 '상황을 읽고 길을 고르려는 자동화'에 가깝다. 사용자는 목표를 말한다. "이 폴더에 있는 파일을 날짜별로 정리해줘", "어제 온 주문 메일을 찾아서 표로 만들어줘." 오픈클로는 먼저 계획을 세운다. 어떤 앱을 열지, 어떤 버튼을 누를지, 문제가 생기면 어떻게 할지. 그리고 실제로 실행한다. 클릭하고, 입력하고, 저장한다. 처음 본 사람은 느낀다. "얘가 말만 하는 게 아니네."신드롬은 구체적인 장면 하나에서 시작된다. 밤늦게까지 일한 사람이 컴퓨터를 끄기 전에 오픈클로에게 말한다. "내일 아침까지, 오늘 받은 메일을 정리해줘. 중요 메일은 표시하고, 첨부파일은 폴더에 모아줘. 내일 일정도 확인해서 겹치는 건 알려줘." 그리고 잠을 잔다. 아침에 컴퓨터를 켜면, 폴더가 정리돼 있고, 메일이 분류돼 있고, 충돌하는 일정들이 메모로 남아 있다. 이 장면이 한 번만 성공해도 사람은 생각한다. "업무 방식이 바뀌겠는데?" 이때부터 신드롬이 된다. 성공 사례가 퍼진다.신뢰의 기울기 흥미로운 통계가 있다. 엔터프라이즈 AI 도입 조사에서 나온 숫자다. 기업 관리자의 62%가 "AI 에이전트를 신뢰한다"고 답했다. 그런데 같은 조사에서 "AI 에이전트에게 최종 결정 권한을 주겠다"고 답한 비율은 14%에 불과했다. 신뢰하지만 맡기지 않는다. 말과 행동 사이에 48%의 간극이 있다.이 간극이 정직하다. 신뢰는 쌓이는 게 아니라 기우는 것이기 때문이다. 처음에는 5도 정도 기울어 있다. 한 번 성공하면 10도가 된다. 실패 없이 열 번이 쌓이면 45도에 가까워진다. 그리고 어느 순간 무게 중심이 넘어가는 임계점에 도달한다.오픈클로 같은 도구가 만들어내는 것은 능력의 증명이 아니다. 기울기의 축적이다. "밤새 정리해줬는데 하나도 안 틀렸다." 그 경험이 기울기를 5도씩 더한다. 에이전트 AI가 일상이 되는 속도는 성능 그래프가 아니라 신뢰 기울기 그래프를 따른다.문제는 그 기울기가 사람마다 다르다는 점이다. 어떤 사람은 열 번 성공해도 "그래도 중요한 건 내가 해야지"에서 멈춘다. 어떤 사람은 두세 번만 성공하면 결제까지 맡겨버린다. 속도가 다르고, 멈추는 지점이 다르다. 이 다양성이 사회적으로는 복잡한 문제를 만든다. 누군가는 너무 빨리 너무 많이 맡기고, 누군가는 너무 느리게 너무 조금 맡긴다. 적정 기울기를 어떻게 찾을 것인지가 개인의 문제이자 사회의 문제가 된다.많은 사람이 착각하는 포인트가 있다. 오픈클로가 특별한 초거대 모델이라서 혁명인 게 아니다. 핵심은 역할 분담이다. 두뇌는 클라우드의 상용 모델이 맡고, 손은 내 로컬 컴퓨터가 맡는다. 오픈클로는 그 둘을 잇는 게이트웨이다. 쉽게 말하면 이렇다. 머리는 밖에 있고, 손은 내 집에 있다. 밖에 있는 머리는 똑똑하지만 내 방의 물건을 직접 만질 수 없다. 오픈클로는 그 손이다. 오픈클로는 "AI가 더 똑똑해졌다"가 아니라 "AI가 더 가까워졌다"에 가깝다."그거 그냥 자동화 아니야?" 맞다. 부분적으로는 자동화다. 하지만 체감이 다르다. 예전 자동화는 규칙이 고정되어 있었다. 예외가 나오면 멈춘다. 에이전트형 도구는 상황을 읽고 다음 행동을 바꾸려 한다. 로그인 화면이 나오면 비밀번호 입력을 시도한다. 페이지가 바뀌면 다른 버튼을 찾는다. 완벽하지 않다. 실수도 하고, 엉뚱한 행동도 한다. 그런데도 사람들은 "이건 단순한 매크로가 아니다"라는 감각을 얻는다. 그 느낌이 신드롬을 만든다.가능성은 크지만, 위험도 함께 커진다. 행동하는 AI는 권한을 먹고 자란다. 캘린더 권한, 메일 권한, 결제 권한. 권한이 없으면 아무것도 못 한다. 권한을 주면 위험이 생긴다. 처음에는 흥분한다. 그다음에는 조심스러워진다. "내가 뭘 허용했지?" 행동에는 결과가 남기 때문이다. 틀린 답은 무시하면 된다. 하지만 잘못된 결제, 엉뚱한 파일 삭제, 개인 정보 유출은 바로 사고다. 그래서 사용자들은 이런 순서를 밟는다. 처음에는 파일 이름 바꾸기, 폴더 정리 같은 작은 일. 그다음 메일 분류, 일정 초안. 마지막에 결제, 송금, 계정 설정. 이 순서는 습관이 아니라, 인간이 신뢰를 쌓는 방식이다.오픈클로 신드롬을 더 깊게 만드는 요소는 '연결'이다. 오픈클로는 혼자 일하지 않는다. 웹브라우저, 파일시스템, 메일, 캘린더, 메신저, 여러 도구와 연결된다. 연결이 많아질수록 할 수 있는 일이 늘어난다. 하지만 위험도 같이 늘어난다. 그래서 사람들은 규칙을 요구한다. "이건 해도 되고, 이건 하면 안 돼." 이런 규칙은 결국 표준과 프로토콜로 흘러간다. 행동하는 AI가 늘어날수록, 안전하게 연결하는 규격이 필요해진다.다시 큰 그림으로 돌아가자. 몰트북은 AI끼리 대화하는 커뮤니티다. 오픈클로는 AI가 내 컴퓨터에서 움직이는 비서다. 이 둘은 연결되어 있다. 몰트북에 활동하는 AI들이 바로 오픈클로이기 때문이다. 인간이 직접 클릭하고 말하던 인터넷에서, 지능들이 서로 연결되어 일을 처리하는 인터넷으로 진화하는 시작점이다. 지능이 움직이기 시작하면, 그다음은 자연스럽게 '협업'이다. 혼자 일하는 비서는 곧 다른 비서와 정보를 주고받는다. 한 비서가 가격을 비교하면, 다른 비서가 리뷰를 검증한다. 결국 지능은 연결된다. 연결된 지능은 말을 나눈다. 그리고 이 대화는 결국 돈과 연결된다. 그래서 우리는 지금, 에이전트들이 대화하는 방식 자체를 이해해야 한다.이 변화는 어느 날 갑자기 '새로운 인터넷'이라고 공지되며 시작되지 않는다. 아주 작은 편리함에서 시작된다. "정리해줘", "대신 해줘", "알아서 처리해줘." 이 요구가 쌓이면, 인터넷의 주체가 바뀐다. 사람의 손이 줄고, 에이전트의 손이 늘어난다. 그리고 손이 늘어나면, 궁금해지는 게 있다. 저 에이전트들은 서로 만나면 대체 무슨 이야기를 할까?

[챗GPT 01] 챗GPT 요금제 한도 확인하기

📅 2026년 6월 14일 · 👁 56

01단계 챗GPT를 쓰면서 가장 신경 쓰이는 부분은 내 요금제의 한도가 얼마나 남았는지 확인하는 겁니다. 아쉽게도 챗GPT에서는 요금제 한도가 얼마나 남았는지 볼 수 있는 방법이 없습니다. 하지만 코덱스 앱은 남은 토큰을 확인할 수 있습니다. 아직 우리는 코덱스를 사용할 것은 아니지만, 사용 한도를 확인하기 위해 코덱스 앱을 설치하겠습니다. 코덱스 앱을 설치하려면 챗GPT 왼쪽 사이드바에 보이는 [Codex]를 눌러 이동하면 됩니다. 또는 chatgpt.com/codex/cloud로 접속해도 됩니다.02단계 그럼 3가지 방법을 보여주는 화면이 나오는데, 화면 안내는 바뀔 수 있습니다. 우리는 코덱스 앱을 사용하려는 것이므로 CLI나 확장 도구가 아닌 것을 선택해서 앱 설치를 진행하면 됩니다. 윈도우, macOS 모두 동일합니다.03단계 설치 후 코덱스 앱을 실행하면 로그인을 하라는 화면이 나옵니다. [Continue with ChatGPT]를 누르고 챗GPT에 로그인했던 구글 계정으로 로그인하면 됩니다.04단계 로그인을 진행하면 “ChatGPT에서 Codex로 로그인한다”는 걸 웹브라우저에서 확인할 수 있습니다. 이름은 다르지만 동일한 제품 계열이므로 함께 사용할 수 있는 겁니다. [계속]을 눌러 로그인을 마치면 됩니다. 이어서 어떤 일을 하는지, 다른 AI 앱에서 작업을 가져올지 묻는 화면이 나오면 원하는 답변을 선택하거나 [건너뛰기]를 눌러 진행하세요.05단계 코덱스 앱에서 로그인을 마치면 주요 화면을 보여줍니다. 챗GPT와 크게 다르지 않지만 여기서 할 수 있는 작업은 조금 다릅니다. 자세한 내용은 나중에 알아보고 사용량을 확인하기 위해 왼쪽 아래에 [설정 → 남은 요금 한도]를 누릅니다. 그러면 현재 얼마나 남았는지 시간, 주 단위로 보여줍니다. 챗GPT와 코덱스는 동일한 계정의 토큰량을 공유합니다.이때 시간별 관리가 복잡하게 느껴질 수 있습니다. 최근 에이전트 서비스의 특징인데, 토큰의 한도를 일주일마다 갱신해주면서 5시간 별로 쓸 수 있는 양을 제한하는 방식입니다.이렇게 코덱스 앱을 실행해서 요금 한도까지 확인하며 작업을 진행하면 계획적으로 여러분의 토큰을 사용할 수 있을 겁니다.

[생존 AI 교양 01] 규칙 기반(룰 베이스)는 왜 망했을까?

📅 2026년 6월 12일 · 👁 48

규칙 기반(룰 베이스)는 왜 망했을까? 아이에게 자전거 타는 법을 가르칠 때를 떠올려보세요."페달을 밟기 전에 먼저 균형을 잡아. 핸들은 너무 세게 잡지 말고, 속도가 붙으면 발을 떼면 안 돼. 넘어질 것 같으면 브레이크를 잡으면서 한쪽 발을 땅에 딛어."이렇게 일러주고는 자전거 뒤를 붙잡고 출발합니다. 그런데 신기한 일이 벌어지죠. 아이는 제가 알려준 규칙들을 하나도 기억하지 못하는 것 같은데, 넘어지고 또 넘어지고, 무릎에 생채기가 날 만큼 타다보면 어느 날 갑자기 혼자서 씽씽 달리기 시작합니다.규칙 기반 AI는 경우의 수가 제한적일 때 유용하지만, 한계도 있어요.아이는 규칙을 외워서 타는 게 아닙니다. 수십 번의 시행착오를 몸으로 겪으면서 스스로 균형 잡는 법을 터득한 거죠. 사람이 정한 규칙대로 움직이는 인공지능과 수많은 시행착오를 통해 혼자 학습하는 머신러닝 인공지능의 차이가 이런 겁니다.▸ 인류 최초의 AI : 규칙으로 세상을 흉내내다인공지능이라는 말을 들으면 이제 많은 분들이 챗GPT나 제미나이i를 떠올리실 겁니다. 하지만 인공지능의 출발점은 훨씬 소박했습니다. 1960년대, 컴퓨터가 인간의 일을 조금씩 대신해주기 시작할 무렵, 과학자들은 단순하지만 강력한 아이디어를 떠올렸습니다. '인간 전문가의 지식을 컴퓨터에 그대로 집어넣으면 인공지능이 되지 않을까?' 이렇게 탄생한 것이 바로 규칙 기반 시스템, 혹은 전문가 시스템입니다.작동 방식은 놀랍도록 단순합니다. 전문가에게 '어떤 상황에서 어떤 판단을 내리십니까?'를 물어보고, 그 답을 IF-THEN(만약-그렇다면) 형태로 코딩합니다. '만약 환자의 체온이 38도 이상이고, 목이 붓고, 기침이 나온다면 → 해열제를 처방한다'는 식이죠.1970년대 미국 스탠퍼드 대학교에서 개발한 의료 전문가 시스템 마이신MYCIN은 약 450개의 규칙만으로 감염성 질환을 진단했는데, 그 정확도가 당시 일반 의사들의 평균을 뛰어넘을 정도였습니다. 기업 현장에서도 DEC사의 엑스콘이라는 시스템이 연간 4천만 달러에 달하는 비용을 절감하며 AI의 실질적 가치를 증명했습니다.우리 일상에서도 규칙 기반 시스템은 지금도 활발히 쓰이고 있습니다. 매일 사용하는 이메일의 스팸 필터가 대표적입니다. '광고'나 '이벤트' 같은 문구가 들어있으면 스팸으로 분류하라는 규칙이 여러분의 메일함을 지키고 있죠. 은행의 대출 심사 시스템도 마찬가지입니다. 규칙이 명확하기 때문에 결과를 투명하게 설명할 수 있고, 사람이 직접 확인하고 추적할 수도 있다는 것이 이 방식의 큰 장점입니다.▸ 규칙으로는 절대 담을 수 없는 것들 : 세상은 IF-THEN만으로 설명되지 않는다1980년대 후반, 규칙 기반 시스템은 치명적인 한계에 부딪히기 시작했습니다. 문제는 세상이 생각보다 훨씬 복잡하다는 것이었습니다.고양이와 개를 구별하는 프로그램을 만든다고 해봅시다. '귀가 뾰족하면 고양이다'라는 규칙을 만들면, 귀가 접힌 스코티시 폴드는 어떻게 하죠? '털이 없으면 고양이가 아니다'라는 규칙을 추가하면, 털 없는 스핑크스 고양이는요? 규칙을 추가할 때마다 새로운 예외가 생기고, 그 예외를 막으려다보면 또 다른 규칙이 필요한 악순환이 반복됩니다.더 근본적인 문제는 '암묵지Tacit Knowledge'입니다. 오랜 경험을 가진 의사에게 '왜 그 진단을 내리셨나요?'라고 물어보면 많은 경우 이렇게 답합니다. '그냥 경험상 그런 느낌이 왔어요.' 수천 명의 환자를 진료하면서 몸에 익은 직관적 판단은 말로 표현하는 것 자체가 불가능합니다. 자전거 타는 법, 요리의 손맛처럼 경험으로만 쌓이는 지식이죠. 규칙 기반 시스템은 이런 암묵지 앞에서는 완전히 무용지물이었습니다.유지보수 비용도 큰 문제였습니다. 규칙이 수천, 수만 개로 불어나면 규칙 하나를 고칠 때 다른 어떤 규칙과 충돌하는지 파악하기가 점점 어려워집니다. 마치 거대하게 쌓아올린 벽돌탑에서 벽돌 하나를 뺄 때 어디가 무너질지 예측하기 어려운 것처럼요.▸ 스스로 규칙을 찾아내는 기계 : 머신러닝의 등장규칙 기반의 한계가 명확해지면서, 연구자들은 발상을 바꿨습니다. '우리가 규칙을 만들어 넣는 게 아니라, 컴퓨터가 데이터를 보고 스스로 규칙을 찾아내게 하면 어떨까?' 이것이 머신러닝, 즉 기계학습의 핵심 아이디어입니다.스팸 필터의 진화를 보면 쉽게 이해할 수 있습니다. 규칙 기반 필터는 사람이 '이런 단어가 있으면 스팸'이라고 직접 정의합니다. 그런데 스팸 메일을 보내는 사람들은 점점 영악해져서 '무료'를 '무.료'로 쓰거나, 발신자 주소를 'google.com' 대신 'gogle.com'으로 위장하기 시작합니다. 필터는 이 새로운 수법을 막기 위해 계속 규칙을 추가해야 하는 악순환에 빠지죠.반면 머신러닝 기반 필터는 수백만 건의 스팸 메일과 정상 메일을 학습해서 스스로 패턴을 찾아냅니다. 스팸 발송자가 새로운 수법을 써도, 새 학습 데이터만 추가하면 필터가 자동으로 적응합니다.세상은 규칙 이외의 일들이 벌어질 수 있고, 머신러닝은 모든 경우의 수를 학습합니다.규칙 기반과 머신러닝의 차이를 한 문장으로 정리하면 이렇습니다. 규칙 기반은 '규칙 + 데이터 = 결과'이고, 머신러닝은 '데이터 + 결과 = 규칙'입니다. 고양이를 찾는 규칙을 우리가 만드는 대신, 수천 장의 고양이 사진을 보여주면서 'AI야, 이게 고양이야'라고만 알려주면 AI가 스스로 고양이의 특징을 파악하는 거죠.▸ 어떻게 배울 것인가 : 머신러닝의 세 가지 방식머신러닝 안에도 다양한 학습 방식이 있습니다.첫 번째는 지도 학습Supervised Learning입니다. 선생님이 고양이 사진 1만 장에 '고양이'라고 정답(라벨)을 붙여서 AI에게 주면, AI가 그 사진들에서 공통된 특징을 찾아 학습하는 방식입니다. 마치 수백 개의 예제 문제와 풀이를 주면서 '이런 유형은 이렇게 푸는 거야'라고 가르치는 것과 같습니다. 오늘날 우리가 쓰는 AI 대부분이 이 방식으로 만들어집니다.두 번째는 비지도 학습Unsupervised Learning입니다. 정답 없이 데이터만 주면, AI가 스스로 숨겨진 패턴이나 구조를 찾아냅니다. 넷플릭스가 여러분의 시청 기록을 분석해서 비슷한 취향의 사람들을 묶거나, 구글 포토가 사진에서 자동으로 인물과 장소를 분류하는 것이 대표적인 사례입니다.세 번째는 강화 학습Reinforcement Learning입니다. AI가 좋은 결과를 냈을 때 보상을, 나쁜 결과를 냈을 때 감점을 주는 방식입니다. 이세돌 9단을 이긴 알파고처럼, 아무런 전략도 가르쳐주지 않고 수만 번의 대국을 스스로 두면서 이기는 법을 깨우치게 하는 거죠. 당근과 채찍으로 동물을 훈련하는 것과 비슷한 원리입니다.머신러닝을 이해하면 한 가지가 더 보입니다. 현대의 AI 시스템 중 상당수는 규칙 기반과 머신러닝을 함께 사용합니다. AI는 단순한 연산에도 많은 전력을 소모하기 때문에, 규칙으로 처리할 수 있는 것들을 먼저 걸러내고 AI의 판단이 꼭 필요한 부분만을 정제해서 처리하는 방식이 훨씬 효율적이거든요. 규칙이라는 뼈대 위에 머신러닝이라는 근육을 붙이는 것, 그것이 현실적인 AI 구현의 핵심입니다.

[MCP 03] FireCrawl MCP로 네이버 블로그 요약, 정리하기

📅 2026년 6월 10일 · 👁 98

[MCP] FireCrawl MCP로 네이버 블로그 요약, 정리하기FireCrawl은 크롤링부터 분석까지 종합적으로 수행해 주는 웹 서비스입니다. FireCrawl MCP는 FireCrawl에서 공식으로 제공하는 MCP입니다. FireCrawl MCP의 장점이라면 역시 LLM 서비스에 붙여서 우리말로 편하게 작업을 지시할 수 있다는 점입니다. 데이터 수집 관련된 작업을 우리말로 시키면 잘 동작합니다. 여기서는 FireCrawl MCP로 네이버 블로그의 글을 요약하고 정리하는 과정을 수행해 보겠습니다.01 FireCrawl MCP를 사용하려면 FireCrawl에 가입해야 합니다. FireCrawl은 유료 서비스인데, 최초 가입 시 무료로 사용할 수 있는 크레딧을 제공합니다. 가입 후 [Dashboard]를 눌러 대시보드로 이동합니다.FireCrawl : firecrawl.dev02 대시보드의 [Usage]를 누르면 현재 사용한 API의 양을 확인할 수 있습니다.03 API Keys에 FireCrawl MCP에 필요한 API 키값이 들어 있습니다. 이 값은 유출되지 않도록 주의해야 합니다. [복사] 아이콘을 눌러 값을 복사해 둡니다.04 여기서도 커넥터가 아닌 외부 MCP를 설치할 겁니다. 그러기 위해서는 Node.js를 설치해야 합니다. 다음 링크에서 설치 프로그램을 내려받고 설치해주세요.터미널 사용이 익숙하다면 명령어를 사용해도 됩니다.Node.js 다운로드 : nodejs.org/ko/download05 이제 다시 FireCrawl MCP를 설치하러 갑시다. 깃허브 페이지에 들어갑니다. 대부분의 MCP는 깃허브에 업로드되어 있고 어떻게 설치하고 사용하는지 방법을 안내합니다. 우리가 필요한 건 스크롤을 내리면 보이는 Usage with Claude Desktop 부분의 코드입니다.FireCrawl MCP 깃허브 : github.com/firecrawl/firecrawl-mcp-server06 이 부분을 복사해서 API 키를 과정 03에서 복사한 값으로 고쳐넣고 클로드에게 설정 파일 변경을 요청하겠습니다.Desktop Commander MCP가 설치되어 있어야 합니다.[나] :MCP 추가를 위해 claude_desktop_config.json 설정 파일을 변경하고 싶어.적절한 위치에 다음 코드를 추가해줘.{"mcpServers": {"mcp-server-firecrawl": {"command": "npx","args": ["-y", "firecrawl-mcp"],"env": {"FIRECRAWL_API_KEY": "fc-d...624","FIRECRAWL_RETRY_MAX_ATTEMPTS": "5","FIRECRAWL_RETRY_INITIAL_DELAY": "2000","FIRECRAWL_RETRY_MAX_DELAY": "30000","FIRECRAWL_RETRY_BACKOFF_FACTOR": "3","FIRECRAWL_CREDIT_WARNING_THRESHOLD": "2000","FIRECRAWL_CREDIT_CRITICAL_THRESHOLD": "500"}}}}07 커넥터 설정 페이지에서 mcp가 잘 설치되었는지 확인해주세요.07 이제 원하는 블로그에서 글을 가져오기 위해 명령만 하면 됩니다. MCP 이름, 블로그 주소와 함께 작업 지시를 하면 클로드는 사용가능한 MCP를 알아서 사용하고 지시를 수행합니다.[나] : FireCrawl로 https://blog.naver.com/parksalt_log/223872936125에 있는 글을 가져와줘.요약이 잘 되었습니다. 크롤링으로 블로그 글을 그대로 가져왔기 때문에 거짓 정보가 있을 확률도 낮습니다. 더 이상 유용한 정보를 찾기 위해 직접 블로그를 찾아 요약할 필요가 없겠습니다. 간단히 링크만 제공해 정보를 수집할 수 있습니다.

[MCP 02] 엑셀 MCP 설치하고 간단히 실행해보기

📅 2026년 6월 8일 · 👁 104

엑셀 MCP 설치하고 간단히 실행해보기엑셀과 클로드를 MCP로 연결해서 AI로 쉽게 엑셀을 다룰 수 있습니다. 한번 따라 해볼까요?01 공식 문서에는 ‘한 방에 설치하는 명령어’가 mcp.pyhub.kr/setup/windows/#1_1에 안내되어 있습니다. 이 명령어를 복사하고 파워셸에서 실행합니다. 설치는 약 5~6분 가량 걸리므로 잠시 커피 한 잔하면서 기다리세요.앞선 실습과 같이 명령 프롬프트에 명령어를 복사해서 실행해도 됩니다. 하지만 공식 문서에서 파워셸 설치를 권장하므로 이번 실습에서는 명령 프롬프트와 비슷한 기능을 하는 파워셸에서 MCP를 설치했습니다.설치 중 진행이 멈춘 것 같으면 [Enter]를 누르세요.설치를 마치면 ‘Installation complete!’라는 메시지가 나옵니다. 그럼 설치가 완료된 것입니다.02 그 다음에는 윈도우의 차단을 풀기 위해 pyhub.mcptools.exe 실행 파일을 한 차례 실행해야 합니다. 실행 파일은 C:\mcptools\pyhub.mcptools에 있습니다. 실행 파일을 더블클릭하여 실행합시다. 만약 팝업창이 뜨면 팝업창에서 [추가 정보 ➝ 실행]으로 실행하세요.03 이제 클로드의 MCP 설정값을 수정해야 합니다. 다음 화면을 참고하여 설정값을 입력하거나 mcp.pyhub.kr/setup/windows/#5-claude-desktop의 내용을 참고하여 설정값을 복사하여 붙여넣으세요. 이때 “mcpServers” : {...}의 중괄호 내에 입력해야 하고, 이미 입력된 값이 있으면 마지막 위치에 쉼표로 설정값을 하나 추가하는 느낌으로 입력해야 합니다.윈도우에서는 [설정 ➝ 개발자 ➝ 설정 편집]을 누르면 MCP 설정값 파일이 윈도우 탐색기에 나타납니다.macOS에서는 왼쪽 위의 [Claude ➝ 설정]을 누르고 [개발자 ➝ 설정 편집]을 누르면 MCP 설정값 파일이 파인더에 나타납니다.클로드에게 설정값 변경을 부탁해도 됩니다.[나] : MCP 추가를 위해 claude_desktop_config.json 설정 파일을 변경하고 싶어.적절한 위치에 다음 코드를 추가해줘.{"mcpServers": {"pyhub.mcptools": {"command": "C:\\mcptools\\pyhub.mcptools\\pyhub.mcptools.exe","args": ["run","stdio"]}}}04 작업을 마쳤으면 설정 파일을 [Ctrl + S]를 눌러 저장하고 클로드를 완전히 종료했다가 다시 실행하세요. 클로드를 완전히 종료하려면 윈도우 오른쪽 아래에 있는 아이콘을 오른쪽 클릭하여 [종료]를 눌러야 합니다. 다시 클로드를 실행하고 커넥터 설정에 들어가 pyhub.mcptools가 보일 것입니다. 그럼 설치에 성공한 것입니다.05 이제 pyhub.mcptools가 어떻게 동작하는지 알아보기 위해 빈 엑셀 파일을 열겠습니다. 그런 다음 좌우로 클로드와 엑셀 화면을 두세요.06 이제 남은 것은 작업을 시키는 것 뿐입니다. 저는 도서 상품 품목에 대한 더미 데이터를 만들어달라고 하겠습니다.[나] : 열려 있는 엑셀 파일에 가상의 도서 상품 100개의 더미 데이터를 등록해줘. 제목, 가격, 쪽수, 출판사, 재고 수량 외 필요한 값을 적당히 적어줘.그러면 pyhub.mcptools에서 파일이 있는지 확인한 다음 작업을 수행합니다. 실시간으로 필요한 열 제목을 입력하고 데이터를 입력해줍니다. 경우에 따라 권한 확인 요청이 뜨면 [허용]을 눌러주세요.필요에 따라 열 너비와 레이아웃을 보기 좋게 정리하는 작업을 요청해도 좋습니다. 이렇게 실시간으로 엑셀 파일 작업을 수행할 수 있어 엑셀 MCP는 매우 유용합니다.

[스프링 부트 05] 백엔드 개발자 업무와 백엔드 프로그래밍 언어

📅 2026년 6월 7일 · 👁 77

백엔드 개발자의 업무앞서 웹 프로그래밍에 대한 기초 내용을 공부해봤는데요. 그러면 백엔드 개발자는 어떤 일을 할까요? 이 책은 스프링 부트 4를 이용한 백엔드 실무 기초 과정을 다루므로 백엔드 개발자가 어떤 일을 하는지 미리 살펴보면 도움이 될 겁니다. 백엔드 개발자의 주된 업무는 서버 측 애플리케이션을개발하는 일입니다. 개발하면서 서버에 대한 지식과 프로그래밍 지식, 만든 프로그램을 배포하고 안전하게 서비스할 수 있게 하는 지식을 활용합니다. 백엔드 개발자의 업무가 조직마다 천차만별이지만 대개는 ➊ 과제 할당 → ➋ 과제 분석 → ➌ 개발 → ➍ 테스트(리뷰) → ➎ QA 및 버그 수정 → ➏ 배포 → ➐ 유지보수 순서로 진행합니다.➊ 과제 할당 모든 일은 주어진 과제를 할당하며 시작합니다. 사업부, 마케팅, 개발팀 등에서 개발 과제를 할당합니다. 그럼 개발자가 그 과제를 분석하기 시작하죠!➋ 과제 분석 예를 들어 어떤 소셜 서비스에서 ‘친구 초대 이벤트를 만들어주세요’라는 과제가 주어졌습니다. 이때 ‘친구’는 무엇인지, ‘초대’는 무엇을 의미하는지, ‘이벤트’는 어떤 조건이 필요하고 초대를 한 친구와 초대된 친구에게 보상을 어떻게 줄지, 이벤트를 위해서어떤 데이터들을 저장하는지를 결정해야 합니다.또한 제공할 성능과 사용할 기술을 검토하고, 문제가 있다면 해결 방법도 면밀하게 분석하고 정리해야 합니다. 오늘날 서비스는 복잡하므로 작은 기능에서 발생하는 문제 하나가 서비스 전체의 문제로 이어질 수 있으므로 이 과정은 매우 중요합니다.➌ 개발 과제 검토가 끝났으니 개발을 진행하면 됩니다. 개발 과정에서는 기능을 개발하고, 버그를 수정하는 일이 대부분입니다.개발한 코드는 깃허브github 등의 프로그램을 사용해 동료의 리뷰를 받고 리뷰에 대한 내용을 반영해서 코드의 완성도를 높입니다.➍ 테스트 개발을 마치면 코드가 제대로 동작하는지 테스트해야 합니다. 앞서 언급한 과제 분석 → 개발 → 테스트를 반복하며 프로그램의 완성도를 높여가죠. 테스트는 단순히 실행이 잘 되는지만 보지 않습니다. 로직상 문제는 없는지, 성능 한계는 어느 정도인지, 만든 코드가 읽기 편한지, 내가 만든클래스, 메서드, 함수를 다른 사람이 간편하게 사용할 수 있는지 등을 검토하면서 테스트를 합니다. 조직이나 개발자에 따라 단위 테스트를 작성하는 경우도 있습니다. 때로는 개발용 코드보다 테스트를 먼저 작성하는 테스트 주도 개발 기법을 사용하기도 합니다.➎ QA 개발과 테스트가 어느 정도 마무리됐다면 애플리케이션의 품질을 높이기 위해 QAquality assurance를 신청합니다. QA팀이 없는 회사라면 개발 조직에서 담당합니다.➏ ~ ➐ 배포와 유지보수 QA가 완료되면 서버에 배포를 진행합니다. 때에 따라서 여러 과제를 한 번에 병합해서 배포하거나, 새로운 기능이 추가될 때마다 배포합니다. 애플리케이션을 쉽고 안전하게 배포하고, 문제 발생 시 쉽게 이전 버전으로 돌리는 작업을 할 수 있도록 준비해야 합니다.배포 방법은 여러 가지입니다. 먼저, 특정 개수의 서버들을 돌아가며 배포하는 롤링 배포, 똑같은 서버 인스턴스를 띄우고 로드밸런서 설정을 바꿔버리는 블루 그린 배포, 전체 서버의 특정 비율만큼 배포해보고 문제없는 경우 점점 배포를 늘려가는 카나리 배포 등이 있습니다. 개발자는 코드의 개발부터 테스트, 배포, 모니터링까지 사실상 무한 반복을 합니다. 여기부터 빌드부터 배포까지의 과정을 자동화할 수 있습니다. 이것을 두고 흔히 CIContinuous Integration/CDContinuous Delivery & Continuous Deployment라고 합니다. CI는 지속적인 통합이라는 뜻으로, 새로운 코드 변경 사항이 정기적으로 빌드 및 테스트되어 저장소에 통합되는 것을 의미합니다. CD는 지속적인 배포를 말합니다. CI는 저장소에 코드가 반영되는 것을 말하고, CD는 실제 프로덕션 환경까지 변경된 코드가 반영되는 것을 의미합니다.백엔드 프로그래밍 언어백엔드 개발에 자주 사용하는 언어로는 무엇이 있을까요? 언어의 인기 순위를 매기는 지수인 TIOBE 인덱스에서는 2023년 4월 기준으로 파이썬이 1위입니다. 다음으로 C, 자바, C++, C#, 비주얼 베이직, 자바스크립트 순서입니다. 이 중에 백엔드에서 많이 사용하는 언어는 파이썬, C++, 자바, C#, 자바스크립트입니다.파이썬은 데이터 분야에서 많이 사용하지만 서버 개발에도 많이 사용합니다. 대표적인 프레임워크로는 플라스크와 장고, FastAPI가 있습니다. C++은 성능이 중요한 게임 서버 개발에서 많이 사용합니다.자바는 스프링, 스프링 부트라는 매우 강력한 프레임워크를 기반으로 많은 곳에서 서버 개발에 사용합니다. C#은 국내보다는 미국에서 많이 사용합니다. 닷넷 프레임워크가 매우 강력하며 마이크로소프트 계열의 소프트웨어와 호환성이 좋은 편입니다. 개발자들이 자주 찾는 사이트 중 하나인 스택오버플로가 C#을 기반으로 만들었습니다.자바스크립트는 프론트엔드에서뿐 아니라 백엔드에서도 많이 사용합니다. 대표적인 웹 프레임워크는 익스프레스Express, NestJS가 있습니다.