읽을 가치가 있는 기사만, 짧고 또렷하게.

CISA는 2026년 7월 30일에 인터넷에 노출된 프로그래머블 로직 컨트롤러(PLC)를 대상으로 하는 위협 행위가 증가하고 있다고 경고하는 긴급 알림을 발표했습니다. 이 공격은 주로 물 및 폐수 시스템(WWS) 부문을 목표로 하며, 공격자들은 운영자를 차단하기 위해 비밀번호를 변경하거나 IP 주소를 변경하여 장치를 연결 해제함으로써 보일수 경보 및 수동 운영을 유발했습니다.

CISA는 이 알림에서 Rockwell Automation/Allen-Bradley, Siemens, Schneider Electric 장비를 명시적으로 언급했으며, 일반적인 공격 표면 스캔에서 놓치기 쉬운 취약점으로 셀룰러 모뎀을 지적했습니다. Censys는 해당 벤더별 인터넷 노출 현황을 분석하여 각 벤더의 노출 정도를 파악했습니다.

2026년 7월 30일 기준으로 Rockwell/Allen-Bradley EtherNet/IP 호스트는 4,148개, Siemens SIMATIC S7-1200 호스트는 4,117개, Schneider Electric 호스트는 2,072개가 확인되었습니다. 이 데이터는 특정 호스트가 공격의 피해를 입었음을 확증하는 것이 아니라 현재 인터넷 노출 상태를 파악하기 위한 노출량 분석 자료입니다.

FlowCraft는 긴 메타프롬프트를 그래프로 시각화하고 이를 기반으로 실행 프롬프트를 변환하는 도구입니다. 이는 Claude Code나 Codex의 Plan 모드에서 생성된 복잡한 계획을 검토하고 AI에게 전달하기 쉽게 만들어 줍니다.

긴 계획을 그대로 전달하면 어떤 작업이 먼저 진행되어야 하는지, 무엇을 병렬로 처리할 수 있는지, 특정 서브에이전트에게 일이 과도하게 몰리는 상황을 파악하기 어렵습니다. FlowCraft는 이러한 문제를 해결하기 위해 계획을 작업 노드와 의존 관계로 나누어 작업 순서와 병렬 구조를 시각적으로 확인하고 보완할 수 있게 합니다.

이 도구는 메타프롬프트를 FlowCraft용 작업 JSON으로 변환하는 기능과 작업 노드를 추가, 이동, 복제, 삭제 및 노드 간 연결 관계를 직접 수정할 수 있는 기능을 제공합니다. 또한 작업별 담당, 입력, 결과물, 완료 조건 등을 편집할 수 있어 복잡한 멀티 에이전트 작업의 흐름을 명확하게 관리할 수 있습니다.

FlowCraft는 최종적으로 작업 지시서와 노드 이미지를 생성하여 Codex나 Claude Code에 전달할 수 있게 하며, 작업이 실제로 멈춘 경우와 단순히 오래 걸리는 경우를 구분하도록 돕습니다. 사용자는 이 도구를 통해 작업 분배와 프롬프트 구조를 개선하여 AI 에이전트의 효율적인 실행을 도모할 수 있습니다.

Google이 브라질에서 제공하는 Google Play Age Signals API를 전 세계 모든 사용자에게 확대하여 2026년 말까지 적용할 예정입니다. 이 API는 앱 개발자가 사용자 연령을 확인하는 데 필요한 정보를 제공하며, 8월 중순 호주와 캐나다를 거쳐 점진적으로 전 세계 사용자에게 확대됩니다.

이 기능은 부모가 자녀의 연령대만 선택적으로 공유할 수 있도록 하여 개인 정보 보호를 고려한 공유 방식을 제공합니다. 또한, 성인 사용자 역시 앱 개발자의 요청에 따라 자신의 연령을 전달할 수 있는 옵션이 포함됩니다.

개발자는 이 API를 통해 전달받은 연령 정보를 활용하여 연령 제한이 있는 콘텐츠에 대한 접근을 관리할 수 있습니다. 따라서 앱 개발자는 사용자 연령 확인 및 관련 정책을 설정할 때 이 새로운 글로벌 기준을 고려해야 합니다.

Ink와 OpenTUI를 기반으로 구축된 아름다운 터미널 UI 컴포넌트 오픈소스가 공개되었습니다. 이 컴포넌트는 별도의 복잡한 설정 과정 없이 단 하나의 명령만으로 설치 및 설정이 가능하여 개발자들이 쉽게 터미널 사용자 인터페이스를 구축할 수 있도록 돕습니다.

해당 프로젝트는 React 환경에서 사용되며, Ink와 OpenTUI라는 강력한 오픈소스 라이브러리를 기반으로 개발되었습니다. 이를 통해 개발자는 복잡한 UI 디자인에 시간을 쏟는 대신, 터미널 환경에 최적화된 시각적으로 뛰어난 컴포넌트를 빠르게 적용할 수 있습니다.

특히 shadcn/ui와 같은 컴포넌트 라이브러리 위에서 구현되어 시각적 완성도를 높였으며, 이는 터미널 애플리케이션의 사용자 경험을 크게 개선하는 데 중점을 둡니다. 이 오픈소스는 터미널 UI 개발에 관심 있는 개발자들에게 새로운 시작점을 제공할 것입니다.

기술적 제약에 대응하여 등장한 디자인 관용구들이 이제 유행을 넘어 보편적인 소프트웨어 상호작용 방식으로 자리 잡고 있습니다. 이러한 디자인 관용구들은 복잡한 AI 시스템을 사용자 친화적으로 만드는 데 기여하며 개발자들이 새로운 인터페이스 패턴을 이해하고 적용하는 데 중요한 기준을 제공합니다.

최근 AI 인터페이스는 단순히 기능을 제공하는 것을 넘어, AI 자체를 상징하거나 대화형 작동 방식에 특화된 시각적·행동적 패턴을 만들어내고 있습니다. 예를 들어, ✨, 무지개색, 스트리밍 텍스트와 같은 시각적 요소들은 AI의 존재감이나 실시간 데이터 흐름을 효과적으로 표현하는 방식입니다.

이러한 패턴들은 AI의 복잡한 작동 방식을 시각적이고 직관적인 방식으로 사용자에게 전달하는 데 목적이 있습니다. 개발자들은 이러한 미학적 접근 방식을 통해 기술적 제약을 극복하고 사용자 경험을 개선하는 새로운 상호작용 방식을 모색할 수 있습니다.

개발자들이 가장 즐겁게 작업했던 사이드 프로젝트에 대해 공유를 요청하는 글입니다. 이 글은 소프트웨어 개발의 즐거움이라는 주제 아래 독자들이 개인적인 경험을 공유하도록 유도하는 취지를 가지고 있습니다.

작성자는 독자들이 자신이 진행했던 사이드 프로젝트 중 가장 즐거웠던 경험을 공유함으로써 개발 과정에서 얻은 긍정적인 감정과 동기 부여를 나누기를 바라고 있습니다. 이는 단순히 프로젝트 결과물을 공유하는 것을 넘어, 개발 과정 자체의 즐거움과 만족감을 함께 나누고자 하는 목적을 담고 있습니다.

따라서 이 글은 특정 프로젝트에 대한 정보보다는 개발자들이 사이드 프로젝트를 통해 경험한 감정적인 측면과 동기 부여에 초점을 맞추고 있습니다. 독자들은 자신의 경험을 바탕으로 개발 과정의 즐거움을 공유할 수 있습니다.

C++에서 부동소수점(float) 값을 정수형으로 변환할 때 정의되지 않은 동작(Undefined Behavior, UB)이 발생할 수 있습니다. 이는 float의 소수부를 버린 값이 대상 정수형의 범위를 벗어날 경우 발생하며, 컴파일러가 예측할 수 없는 결과를 초래합니다.

이러한 UB는 암시적 변환, 함수형 캐스트, 그리고 static_cast와 같은 모든 변환 메커니즘에 영향을 미칩니다. 개발자는 float 값을 정수로 변환하기 전에 반드시 오버플로우나 언더플로우 가능성을 확인해야 합니다.

또한, 컴파일러 경고 옵션인 -Wall이나 -Wextra, 그리고 -Wconversion 옵션은 이러한 변환 과정에서 발생하는 UB를 경고하지 않습니다. 따라서 코드에서 이러한 변환을 사용할 때 컴파일러 경고만으로는 잠재적인 문제를 파악하기 어렵습니다.

tmux는 Claude Code와 같은 AI 코딩 에이전트를 관리하고 실행하는 데 있어 필수적인 도구입니다. 이 조합은 에이전트가 연결이 끊기거나 SSH 연결이 끊어져도 작업을 지속할 수 있도록 하며, 여러 세션을 하나의 창에서 관리할 수 있게 해줍니다. 이는 에이전트가 장시간 실행되는 프로세스라는 점을 고려할 때, tmux의 핵심 속성인 연결 끊김 후에도 살아남는 기능과 다중 세션 관리 능력이 매우 중요합니다.

Claude Code는 `claude --worktree --tmux` 명령어를 통해 작업 디렉토리와 tmux 세션을 자동으로 생성할 수 있습니다. 이 기능을 사용하면 에이전트의 작업 환경을 격리하고, 외부에서 스크립트를 통해 에이전트에게 키 입력을 보내거나 화면을 캡처하는 등 원격 개발 환경에서 에이전트를 효율적으로 제어할 수 있습니다.

단순히 여러 세션을 병렬로 실행하는 것을 넘어, tmux는 에이전트의 상태를 실시간으로 모니터링하고 기록하는 데 기여합니다. 에이전트 활동 패널은 모든 세션의 상태를 한눈에 보여주며, 모든 작업 기록은 구조화되어 저장되어 에이전트 간의 대화 기록을 검색 가능하게 만듭니다.

결론적으로, 복잡한 다중 에이전트 시스템을 관리할 때 tmux는 단순한 멀티플렉싱을 넘어 에이전트의 지속성과 구조화된 관리를 보장하는 최적의 솔루션입니다. 이는 특히 원격 서버 환경에서 장기 실행되는 AI 코딩 작업을 안정적으로 처리하는 데 결정적인 역할을 합니다.

포아송 디스크 샘플링은 컴퓨터 그래픽스 및 시뮬레이션에서 객체들을 무작위로 배치하되 서로 너무 가깝지 않도록 하는 문제를 해결하는 데 사용되는 분포입니다. 예를 들어, 숲을 생성할 때 나무들이 서로 겹치지 않도록 최소 거리를 유지하며 배치하는 데 이 방법이 활용됩니다. 기존의 단순 무작위 샘플링 방식은 충돌을 피하기 위해 거부 샘플링을 사용해야 하는데, 이는 효율성이 떨어져 충돌 검사에 선형 시간이 소요되어 비효율적입니다.

로버트 브릿슨의 알고리즘은 이러한 문제를 해결하기 위해 공간을 격자로 나누고 특정 영역(환, annulus)에서 점을 샘플링하는 효율적인 방법을 제시했습니다. 이 알고리즘은 충돌을 효율적으로 감지하며, 특히 점을 배치할 때 부모 점(parent point)의 정보를 활용하는 최적화 기법을 통해 반복 횟수를 크게 줄일 수 있습니다. 이 최적화는 점들이 서로 가까워지는 것을 방지하는 각도 범위에 대한 삼각법적 계산을 통해 구현됩니다.

최근 스콧 미첼이 제시한 새로운 알고리즘은 포아송 디스크 샘플링을 생성하는 데 있어 최대성(Maximality), 균일성(Uniformity), 결정성(Determinism)이라는 세 가지 속성을 달성합니다. 이 알고리즘은 거부 샘플링에 의존하지 않으며, 기존의 브릿슨 알고리즘과 비교했을 때 비슷한 속도로 점을 생성할 수 있습니다.

다만, 미첼의 알고리즘은 구현이 훨씬 복잡하다는 단점이 있습니다. 이는 기존 알고리즘보다 더 정교한 기하학적 관계를 처리하기 때문에 개발자가 알고리즘의 복잡성을 고려하여 선택해야 합니다.

기계 학습(ML) 기반의 0.1도 글로벌 기상 예측 모델 개발은 고해상도 데이터의 제한적인 가용성 때문에 제약받고 있습니다. 수십 년간의 재분석 데이터는 0.25도 해상도까지만 존재하기 때문에, 기존 접근 방식은 제한된 0.1도 샘플로 0.25도 예측 모델을 미세 조정하는 데 그치며, 이는 거친 해상도 예측에 내재된 정보 손실 때문에 제한됩니다.

이에 연구진은 모델 전달이 아닌 데이터 전달에 초점을 맞춘 BaguanHR 프레임워크를 제안했습니다. 이들은 초해상도(SR)가 예측보다 조건 엔트로피와 입력 증폭이 낮아 해상도 전달에 더 견고한 수단임을 보였습니다. 이 장점을 활용하여 ERA5 데이터로부터 광범위한 0.1도 데이터를 합성하는 변수별 초해상도(variable-wise SR)를 통해 고해상도 학습을 위한 거친 해상도 재분석을 활용할 수 있게 되었습니다.

BaguanHR의 성능은 합성 데이터와 실제 데이터셋에서 ML 기반 방법 및 IFS-HRES를 모두 능가하며, 72시간 이내에 85% 이상의 예측 시간에서 우수한 성능을 달성했습니다. 또한, 데이터 스케일링 효과에 대한 연구 결과, 데이터 양이 두 배로 증가하면 72시간 예측의 RMSE는 4.6%, 120시간 예측의 RMSE는 4.9% 감소하는 것으로 나타났습니다.

이 결과는 고해상도 ML 예측을 확장하는 것이 주로 데이터 병목 현상임을 보여주며, 변수별 초해상도가 고해상도 학습을 위해 거친 해상도 재분석을 활용할 수 있는 간단하면서도 일반적인 해결책을 제공함을 시사합니다.

검증 가능한 보상(RLVR)을 사용한 온-폴리시 강화 학습이 현재 목표를 개선하면서도 후속 목표에 대한 성공적인 행동을 샘플링하고 강화하기에 너무 희소하게 만드는 현상을 발견했습니다. 연구진은 이를 검증자 유도 지원 재형성(verifier-induced support reshaping)이라고 명명하며, 효과적인 보상 가능한 지원을 고정된 롤아웃 예산 내에서 도달 가능한 성공적인 궤적으로 정의했습니다.

두 가지 모델 계열에 걸쳐 수학적 추론 및 제약된 지시 따르기 학습에 대해 반복적인 검증자 점수 샘플링과 양방향 학습을 통해 이 효과를 연구했습니다. 수학-RLVR은 평균 지시 따르기 성공률을 높였지만, 반복적인 샘플링 하에서 성공적인 응답을 포함하는 프롬프트 수를 줄였습니다. 예를 들어, IFEval에서 Qwen3-8B-Base 모델의 pass@1은 6.5퍼센트포인트 상승했지만, best@32는 9.8퍼센트포인트 하락했습니다.

반면, IF-RLVR은 수학 응답을 단계별 개방 방식에서 직접적인 답변으로 전환시키고, 샘플링 예산에 걸친 best@k 값을 낮추며 후속 수학-RLVR에 대한 보상 변동성을 줄였습니다. 이러한 변화는 응답의 처음 몇 토큰에 집중되며, RLVR은 기본 정책에서 이미 사용 가능한 개방 방식을 재순위화하여 수학 검색 가능성에 영향을 미칩니다.

결론적으로, 테스트된 참조 정책 제약, 라우팅 선호도, 온-폴리시 증류는 교차 작업 지원을 부분적으로만 보존하며, MathIF와 ReasonIF는 마진 개선이 정확하고 제약 조건을 따르는 응답으로만 부분적으로 전환됨을 보여줍니다. 따라서 종점 개선이 온-폴리시 최적화 하에서 미래의 학습 가능성이나 공동 능력까지 보장하지는 않습니다.

거대 언어 모델은 능력 범위를 넘어서는 과제에 대해 계산적으로 비용이 많이 들지만 의미론적으로 공허한 추론을 생성하며 사용자에게 그럴듯하지만 잘못된 도출을 제시하는 위험이 있습니다. 이러한 무익한 추론 현상은 체계적인 분석을 통해 능력 과도함과 능력 및 행동 간의 체계적인 불일치를 드러냅니다.

주요 실패 양상은 결과는 표면적으로 타당해 보이지만 미묘한 오류를 포함하는 설득력 있는 추론인 현명하지 못한 추론입니다. 이 오류는 과제 난이도가 높아질수록 심화됩니다.

이 문제를 해결하기 위해 능력 정렬 강화 학습인 CaRL(Capability-aligned Reinforcement Learning)이 도입되었습니다. CaRL은 보상 형태 조정을 통해 무익한 추론보다 거부를 장려하고, 실패를 거부 감독으로 전환하는 후회 거부 증강을 통해 모델의 행동을 능력 경계에 맞춥니다.

실험 결과는 CaRL을 통해 과제 난이도에 관계없이 성능을 유지하면서 무익한 추론을 상당히 줄일 수 있음을 보여줍니다. 이는 유용성을 희생하지 않으면서도 능력에 정렬된 행동을 효과적으로 달성함을 입증합니다.

LLM 에이전트의 능력은 모델 가중치뿐만 아니라 프롬프트, 도구, 기술, 제어 흐름과 같은 하네스(harness)에 크게 좌우됩니다. 기존의 자기 개선 루프는 하네스를 수정하지만, 단일 계보 검색은 경로 의존적이며 국소적인 승리가 다른 작업에서는 성능 저하를 유발할 수 있습니다. 이에 따라 연구진은 모델을 고정하고 하네스 집단에 대한 선택을 통해 자기 진화를 수행하는 DarwinX를 제안합니다.

DarwinX는 보존 및 확장 계약, 재조합을 위한 아카이브, 그리고 실패, 교사, 자기 도출 증거가 공유되는 편집 인터페이스를 통해 자기 진화 과정을 관리합니다. 이 시스템에서 적합도는 정답 솔루션 없이 각 벤치마크의 검증기(verifier)에 의해 결정됩니다. 이 방법은 네 가지 벤치마크 전반에 걸쳐 평균적으로 약 17점의 성능 향상을 가져왔습니다.

구체적으로 Terminal-Bench 2.1은 기반 모델이 일치할 때 83.2%까지, 더 강력한 기반 모델에서는 84.7%까지 상승했으며, TerminalWorld의 홀드아웃 분할은 68.3%에 도달했습니다. 또한 WebArena-Infinity의 실제 작업 통과율은 43.5%에서 93.0%로, Terminal-Bench 2.1 하네스가 SWE-bench Verified로 그대로 이전되는 결과도 얻었습니다.

결론적으로 진화하는 것은 벤치마크별 패치가 아니라 일반적인 에이전트 역량이며, 하네스 선택은 평가 컴퓨팅을 지속 가능한 능력으로 전환시킵니다. 이는 고정된 모델이 고정된 에이전트일 필요가 없으며, 하네스 선택이 평가 컴퓨팅을 영구적인 능력으로 바꾼다는 것을 의미합니다.

Book Corners가 OpenStreetMap(OSM)으로 기여 사항을 동기화하지 않기로 결정했습니다. 개발자는 Book Corners가 새로 제출된 공공 도서관 정보를 OSM에 되돌려 보낼 수 있도록 기능을 구현하고 싶었으나, 운영 및 커뮤니티 요구 사항을 고려하여 이 기능을 구현하지 않기로 판단했습니다.

이러한 동기화 프로세스를 구현하려면 단순한 API 호출 이상의 복잡한 절차가 필요합니다. OSM의 가져오기 지침과 자동 편집 행동 강령을 준수하기 위해서는 전용 계정 관리, 상세한 가져오기 계획 문서화, 라이선스 명확화, 중복 감지, 커뮤니티 논의 등 지속적인 책임이 요구됩니다. 이는 기능 자체의 구현보다 운영적인 부담이 훨씬 크다는 것을 의미합니다.

결론적으로, Book Corners의 목적은 도서 발견과 공유에 있으며, OSM 기여 파이프라인을 운영하는 것은 핵심 목적에 부합하지 않습니다. 개발자는 외부 서비스에 대한 운영 책임과 잠재적인 비용을 고려했을 때, 이 기능이 제공하는 가치보다 운영 부담이 더 크다고 판단했습니다. 따라서 현재로서는 OSM으로의 쓰기 기능을 보류하기로 결정했습니다.

Go 1.27 버전은 제네릭 메서드와 구조체 리터럴 기능이 대폭 개선되었으며 메모리 할당 성능도 향상되었습니다. 이번 업데이트는 개발자들이 더 간결하고 안전하게 코드를 작성할 수 있도록 돕는 데 중점을 두고 있습니다.

가장 주목할 만한 변경 사항 중 하나는 제네릭 메서드의 도입입니다. 이제 메서드 선언 자체가 자체적인 타입 매개변수를 선언할 수 있게 되어, 이전에는 상위 레벨 함수로 구현해야 했던 제네릭 연산을 메서드 내에서 직접 수행할 수 있게 되었습니다. 또한 구조체 리터럴에서 프로모션된 필드(embedded struct에서 상속된 필드)를 구조체의 키로 직접 사용할 수 있게 되어 코드가 훨씬 간결해졌습니다.

더불어 함수 타입 추론이 일반화되어 제네릭 함수 사용 시 타입 인스턴스화 없이도 추론이 가능해졌고, 컴파일러가 크기 특화된 메모리 할당 루틴을 생성함으로써 작은 할당에 대해 최대 30%의 비용 절감을 달성했습니다. 이는 특히 메모리 집약적인 애플리케이션에서 성능 향상으로 이어질 수 있습니다.

이러한 변경 사항들은 공식 릴리스 노트와 소스 코드를 기반으로 하며, 개발자들이 새로운 기능을 활용하여 더 효율적이고 안전한 Go 코드를 작성할 수 있도록 지원합니다.

실리콘 밸리의 창업가 육가에 관한 이야기입니다. 한 개발자가 스타트업 창업가라는 꿈을 이루기 위해 노력하는 과정에서 겪은 변화와 몰락을 다룹니다.

이 개발자는 처음에는 음식 배달 앱 프로젝트의 라우팅 문제로 어려움을 겪었으나, 도움을 받아 잠재력을 인정받고 결국 Fortune 100 기업에 인수되는 성공을 거두었습니다. 그러나 돈을 벌기 시작하면서 집중력을 잃고 무모해지며 사치스러운 생활을 즐기는 '라이프스타일 크립(lifestyle creep)'에 빠졌습니다.

이후 그는 해고당하고 실리콘 밸리에서 성공하겠다는 꿈을 좇았으며, YC에 합격하고 소셜 미디어에서 화려한 성과를 보였으나 결국 약물에 의존하는 파티와 정신적 붕괴를 겪으며 사라졌습니다.

이 사례는 스타트업 커뮤니티 내에서 성공하는 경로가 존재하며, 많은 사람이 그 과정을 거치지만 대부분은 좌절한다는 점을 보여줍니다. 결국 꾸준함이 가장 중요하며, 빠른 성공보다는 안정적인 성장이 더 현실적인 길임을 시사합니다.

웹 애플리케이션의 로그인 화면은 사용자가 자신의 데이터에 접근하기 위해 애플리케이션에게 신원을 증명하는 과정인 인증(authentication)을 요구합니다. 하지만 저자는 사용자가 자신의 데이터를 소유하고 통제할 수 있도록 애플리케이션이 데이터에 접근할 권한을 부여하는 것, 즉 권한 부여(authorization)를 중심으로 접근해야 한다고 주장합니다. 이는 데이터 소유권에 대한 주체성을 확보하기 위해 애플리케이션이 아닌 사용자가 데이터베이스에 대한 통제권을 갖는 것이 핵심입니다.

이러한 접근 방식을 구현하기 위해 개인 데이터베이스 권한 부여 개념이 탐구되었으며, 이는 사용자가 소유한 데이터베이스에 애플리케이션이 접근할 수 있도록 허용하는 방식입니다. 기존의 인증 방식 대신, 애플리케이션이 사용자의 데이터베이스에 접근할 수 있도록 권한을 부여하는 OAuth2 흐름을 활용합니다. 저자는 이를 지원하는 ayb.js 라이브러리를 공개했으며, 이를 통해 개발자는 사용자가 소유한 데이터베이스에 접근 권한을 부여하는 흐름을 쉽게 구축할 수 있습니다.

이러한 기술은 데이터베이스를 개인의 소유로 두고 애플리케이션이 데이터베이스 외부의 정보(상태)를 최소화하도록 유도합니다. 궁극적으로 개발자들은 중앙 집중식 데이터베이스에 인증하는 대신 개인 데이터베이스에 대한 권한 부여를 요청하는 소프트웨어를 구축해야 한다는 방향을 제시합니다. 이는 데이터 주권을 강화하고, 향후 협업이나 로컬 우선(local-first) 커뮤니티 환경에서 사용자에게 데이터 통제권을 부여하는 데 기여할 수 있습니다.

Manifest는 대부분의 사용 사례에서 LLM 라우팅이 가치가 없다고 판단하여 자체 LLM 라우터를 사용 중단했습니다. 최근 AI 모델 라우터에 대한 기대가 높아지면서 추론 비용을 줄이기 위해 요청에 따라 모델을 선택하는 방식이 주목받고 있지만, Manifest는 이러한 방식에 대해 회의적인 입장을 취하고 있습니다.

이들은 LLM 라우터가 요청 프롬프트만으로 복잡도를 판단하기 어렵다는 점을 지적합니다. 실제 복잡도는 도구 호출이나 웹 검색 등 추가적인 컨텍스트를 통해 파악해야 하며, 캐싱이 라우팅보다 비용 절감에 훨씬 효과적이라고 분석했습니다. 특히 캐시 읽기는 비캐시 입력보다 75%에서 90% 더 저렴하여 캐시를 활용하는 것이 더 효율적입니다.

또한, 모델 라우팅은 행동 일관성을 해치고 예측 불가능성을 증가시킨다는 문제점도 제기되었습니다. 엔지니어는 작업에 가장 적합한 모델과 파라미터를 직접 선택하여 도구에 대한 숙련도를 높이는 것이 더 나은 방법이라고 주장합니다.

결론적으로, Manifest는 대부분의 경우 LLM 라우팅을 통해 절감되는 비용이 다른 곳에서 지불되며 그 비용을 추정하기 어렵다고 보았습니다. 따라서 대부분의 사용 사례에서 모델 라우팅은 그만한 가치가 없다고 판단했습니다.

‘속도의 종교’는 단순히 빠르게 움직이는 것을 넘어, 속도가 진지함의 증거로 여겨지는 도덕적 위치가 되었다고 지적합니다. 많은 개발 및 운영 환경에서 우리는 얼마나 빨리 배포하고, 대응하고, 채용하고, 확장할 수 있는지에 집중하며, 이는 종종 신중함보다 성급함을 우선시하게 만듭니다. 이러한 속도는 실제로는 충분한 이해나 명확한 결정 없이 움직이는 결과물이며, 이는 결국 좋거나 유용한 결과물보다는 빠른 결과물로 보호되는 나쁜 작업이 되기 쉽습니다.

실제 속도는 작업이 이해되고 제약 조건이 명확하며, 실행이 지속적인 재논의 없이 이루어질 수 있을 때 발생합니다. 대부분의 속도는 모호한 요구사항, 미해결된 의존성, 부족한 맥락 등으로 이루어져 있으며, 이는 결국 시스템이 무너지거나 사람들이 신뢰하지 않는 프로세스를 낳습니다. 사람들은 이해가 이루어져야 할 단계를 서둘러 지나가고 그 결과물을 정리하는 데 훨씬 더 많은 시간을 소비하게 됩니다.

속도를 늦춘다는 것은 느리게 움직인다는 의미가 아니라, 작업이 명확하게 이해되는 단계를 건너뛰지 않는다는 의미입니다. 진정한 속도는 서두름과 성급함의 차이이며, 이는 행동의 부담 없이 감정적인 해방을 원하는 상태에서 발생합니다. 제대로 된 결과물을 위해서는 먼저 작업을 충분히 이해하고, 그 후에 결정하고, 적절한 실사숙고를 거친 후에 움직여야 합니다.

결국 속도의 종교는 사람들이 더 느리고 어려운 작업을 회피하게 만들지만, 현실은 움직임 자체보다 작업의 품질과 현실에 대한 이해를 중요하게 여겨야 합니다. 시스템은 결국 현실을 반영하며, 충분한 숙고를 통해 더 적은 문제를 해결하고 더 나은 결과를 얻을 수 있습니다.

2026-27 시즌 프리미어 리그에서 구단 유니폼 전면에 도박 스폰서가 금지되면서 상업적 환경에 큰 변화가 생겼습니다. 이는 지난 시즌 도박 회사가 20개 구단 중 11개 팀의 메인 스폰서를 차지했던 상황에서 완전히 사라지게 되면서 상업적 지형이 재편되었음을 의미합니다.

이번 규제 시행으로 인해 금융 분야가 리그에서 가장 지배적인 부문으로 자리 잡았으며, 항공, 기술, 식음료, 보험 등 다양한 산업이 스폰서 자리를 채우게 되었습니다. 이로 인해 선더랜드, 노팅엄 포레스트, 첼시 세 구단은 전면 유니폼 스폰서가 없는 상태로 시즌을 맞이하게 되었습니다.

하지만 도박 브랜드가 완전히 사라진 것은 아닙니다. 현재 규정은 유니폼 전면 공간을 제한하지만, 도박 회사들은 유니폼 소매나 훈련복 브랜딩을 통해 시각적 존재감을 유지할 수 있습니다. 예를 들어, 베타노(Betano)는 아스톤 빌라의 소매 스폰서가 되고 토트넘 홋스퍼의 훈련복 스폰서가 되는 등 대체 스폰서십 경로가 활발하게 운영되고 있습니다.