MK 실험실

경제금융용어 공부 545 : 지정시점처리제도

MKISOS — Mon, 29 Jun 2026 21:00:27 +0900

지정시점처리제도

은행 간 자금이체는 보통 거래가 발생하는 즉시 처리되는 것처럼 보인다. 하지만 금융시스템에서는 모든 거래를 실시간으로 처리하는 것이 항상 효율적인 것은 아니다. 특히 수많은 금융기관이 참여하는 대량 거래의 경우 특정 시점에 모아서 한 번에 처리하는 방식이 더 효율적일 수 있다. 이러한 제도가 바로 지정시점처리제도이다.

1. 한 줄 정의

지정시점처리제도는 여러 금융기관 간 거래를 특정 시점에 모아서 일괄 처리하는 결제 방식이다.

2. 기본 개념

지정시점처리제도는 실시간 총액결제시스템에서 일부 거래를 즉시 처리하지 않고 미리 정해진 시점에 일괄 처리하는 제도이다.

일반적으로 한은금융망과 같은 실시간 총액결제시스템에서는 거래가 접수되는 즉시 결제가 이루어진다.

하지만 어음교환, 타행환, 카드결제 정산과 같이 다수의 금융기관이 동시에 참여하는 거래는 거래를 모아 특정 시점에 한 번에 처리하는 것이 더 효율적이다.

따라서 이러한 거래들은 지정된 시간에 일괄 정산된다.

3. 왜 중요한가

금융기관들은 하루에도 수많은 자금거래를 처리한다.

만약 모든 거래를 실시간으로 개별 결제한다면 엄청난 양의 자금을 항상 보유해야 한다.

반면 거래를 일정 시간 동안 모아 차액만 계산한 후 특정 시점에 정산하면 필요한 자금 규모를 크게 줄일 수 있다.

즉 지정시점처리제도는 금융기관들의 유동성 부담을 줄이고 자금관리를 효율적으로 만들어주는 역할을 한다.

4. 쉽게 이해하는 예시

대학생 예시

대학교 동아리에서 회비를 걷는다고 가정해보자.

회원 100명이 회비를 입금할 때마다 회계를 정리하는 것보다 하루가 끝난 후 한 번에 정산하는 것이 훨씬 편리하다.

지정시점처리제도도 비슷한 원리이다.

실생활 예시

카드 결제를 하면 돈이 즉시 가맹점 계좌로 들어오는 것이 아니다.

하루 동안 발생한 거래를 모아 일정 시점에 정산하는 경우가 많다.

이 과정에서 지정시점처리제도가 활용된다.

금융기관 예시

A은행은 B은행에 1,000억 원을 보내야 하고, B은행은 A은행에 950억 원을 보내야 한다고 가정해보자.

실시간으로 각각 결제하면 총 1,950억 원이 필요하다.

하지만 지정시점에 차액만 계산하면 50억 원만 정산하면 된다.

이는 금융기관의 유동성 부담을 크게 줄여준다.

5. 핵심 특징

5-1. 거래를 모아서 일괄 처리한다

지정시점처리제도는 거래 발생 즉시 결제하지 않고 일정 시간 동안 거래를 모은다.

이후 지정된 시점에 일괄 정산을 수행한다.

5-2. 유동성을 절약할 수 있다

차액결제 방식을 활용하기 때문에 금융기관들이 보유해야 하는 자금 규모가 감소한다.

이는 금융시스템 전체의 자금 운용 효율성을 높인다.

5-3. 결제리스크 관리가 중요하다

실시간 결제는 거래 즉시 결제가 완료되지만 지정시점처리제도는 결제 시점까지 대기해야 한다.

따라서 일부 기관이 결제를 이행하지 못할 위험에 대비한 결제리스크 관리가 필요하다.

6. 관련 개념과의 차이

지정시점처리제도 vs 실시간총액결제방식(RTGS)

지정시점처리제도

특정 시점에 일괄 결제
유동성 절약 가능
결제 대기시간 존재

실시간총액결제방식

거래 발생 즉시 결제
결제 확실성이 높음
더 많은 유동성 필요

즉 지정시점처리제도는 효율성을, 실시간총액결제방식은 안전성을 상대적으로 중시하는 방식이다.

지정시점처리제도 vs 차액결제시스템

지정시점처리제도

결제 시점에 관한 개념
언제 정산할 것인가에 초점

차액결제시스템

결제 방식에 관한 개념
얼마를 정산할 것인가에 초점

실제로는 차액결제시스템이 지정시점처리제도를 함께 사용하는 경우가 많다.

7. 경제적 의미

국가경제 관점

지정시점처리제도는 금융시스템 운영 효율성을 높여 경제 전체의 자금 흐름을 원활하게 만든다.

기업 관점

기업들은 보다 안정적이고 효율적인 결제시스템을 통해 거래비용을 절감할 수 있다.

금융시장 관점

은행 간 자금결제에 필요한 유동성을 줄여 금융시장 전체의 효율성을 높인다.

다만 결제 실패 가능성에 대한 관리가 중요하다.

투자 관점

투자자는 직접 체감하기 어렵지만 주식, 채권, 카드결제, 송금 등 대부분의 금융거래가 효율적으로 처리될 수 있는 배경에는 이러한 결제 인프라가 존재한다.

8. 정리

지정시점처리제도는 여러 금융기관 간 거래를 특정 시점에 모아서 일괄 처리하는 결제 방식이다. 실시간 총액결제방식과 달리 거래를 모아 차액을 정산하기 때문에 금융기관의 유동성 부담을 줄일 수 있다. 어음교환, 타행환, 카드결제 정산 등 대량 거래에서 널리 활용되며 금융시스템의 효율성을 높이는 중요한 제도이다. 다만 결제 시점까지 거래가 대기하기 때문에 결제리스크를 관리하기 위한 별도의 안전장치가 필요하다.

[주간회GO 26년 6월 4주차] D-65, 왜 꽃은 자신을 찢는 방식으로 향기로운지

MKISOS — Sun, 28 Jun 2026 22:50:03 +0900

[주간회GO 26년 6월 4주차]

26년 6월 4주차

이번주도 매우 매우 바쁘게 흘러갈 것 같다. 본격적으로 나도 이제 방학한 대학생이라 생각하고 더더더더더더 나를 고생시킬 생각이다. (미래의 나를 위해서)
이번주에는 한빛미디어 나는 리뷰어다 마감이 있고, 상상그라운드AI 회의도 해야하고 공공데이터 공모전 회의도 해야한다. 역삼에 발대식도 참여해야해서 조퇴하고 서울도 다녀와야하고 그와중에 과외도 계속 해야하고 강남역에 안과도 두 군데 예약해서 다녀와야한다.
서울 2번이나 왔다갔다 해야하고 여러 공모전, 프로젝트, 활동 마감이 많다. 정말 지옥일 거 같다.
그러면서 운동과 식단을 계속 할 예정이다.
진짜 단 하루도 여유로운 날이 없을 것 같은데 그냥 해야지 뭐 어쩌겠어...
할 수 있을 때 하자 나중에 하고 싶어도 못해서 후회할 수 있으니

이번주도 잘 해내보자.

"감정은 사라지고 결과는 남는다"

"오늘 하루가 미래의 내가 간절히 바란 그 날 일 수 있다"

항상 생각하며 살고 있다.
ㅡㅡㅡ
교정 철사때문에
매일 매순간 입안이 헐어서 밥 먹어도 피랑 먹고 양치해도 피나고 자고 일어나서 입벌리면 피나고 미치겠음
교정과 갈 시간이 없었음. 아무리 봐도…

이번주는 마감도 많고 팀플도 많고 작성하고 제출하고 너무 바빴다.
서울도 두번이나 다녀오고 과외도 다하고 쉴 시간 없이 달렸다.

26년 6월 22일 월요일

헬스장 오전 휴무 이슈
그래도 오운완

요즘 조회수 뭐지 무섭다 ㄷㄷ

월요일~ 화분 물 주면서 시작
여름이라 물늘 더 많이 줘야할 것 같다.
그리고 월요일 오전 전산오류라서 자동차세 멘붕ㄷ.ㄷ

수박 벌써 절반 다 먹고 남은 것도 잘랐다~
곧 또 시켜야겠음
엄청 맛있고 포만감도 최고인 거 같다.

오늘 서울 다녀왔는데 이번주 주말에 또 가야한다.
교통비 비효율이라서 속상해 ㅠㅠ

항상 설레는 서울 가는 시간 ㄷㄷ

역삼역 도착해서
건우 동현 기다릴겸 회사 건물 구경
GFC 라는 곳에 금융권 회사들과 구글코리아가 있는데
너무 내가 원하는 곳이라는 생각이 들었고
이번에 처음 알게 되었다.

레전드행사
커널아카데미 유니커 1기 ㄷㄷ
따로 블로그 정리할 생각이다~

유일하게 인터뷰도 했다 너무 즐거웠다.

ㄹㅈㄷ 역삼 직장인들의 맛집
건우 덕분에 알아서 남호식당 방문했다.

하 이거 당장 수욜인데 어쩌지.. 미치겠다.

26년 6월 23일 화요일

어제 늦게 잤지만
그냥 운동 안가면 하루가 망할까봐
강박으로 다녀왔다..
잠이 중요한데 ㅠㅠ

수박 가격 올랐음 ㅠㅠ
어제 돈 많이써서 당분간 쉐이크도 wpc말고 식물성으로 ㅠ

어제 반차썼는데 후임이 내 일을 덜해놔서 오늘 일이 두배임..
할 거 개많은데 스트레스가 절로 올라옴;;
하 내가 바쁜 환경을 만들었으니 참나..

온라인 교육 들었다
진짜 코덱스앰배서더는 다르다..
명강의!!!

어제 오늘 요즘 조회수 미쳤다
무섭다.

26년 6월 24일 수요일

메일이 교수님께 도착하지 않아서 약 2주넘게 읽지 않음이였고 친구에게 부탁해서 교수님께 전달한 결과 바로 답장이 오셨다. 다음주에 오후 조퇴하고 학교로 가야할 것 같다.

오운완

수박 언제 잘라서 보관하지
집에 있을 시간이 읍다 ㅜ

가족여행 준비하는데 갑자기 지피티가 저렇게 말해서 당황했다.

우편 이거 말고도 반송 쌓인게 산더미 ㅠㅠ

항상 시간과 돈을 아끼기 위해
퇴근하자마자 저녁도 못먹고 수업 한다~
덕분에 저절로 살도 빠진 듯 수업하면서 쉐이크로 대충 해결해서.

대외활동 다니고 최근에 여러일로 지출이 많아져서 당분간 식물성 단백질로 연명해야한다… ㅠ

아 이건 ㄹㅇ 언제 다 듣고 공부하지
스터디 만들어야겠다. 강제성 부여 해야지..
이번에도 주말은 없구나 이제

26년 6월 25일 목요일

5시 마이크론 실적과 함께 기상~

으아 진짜 힘이 없네 너무 힘들다 루틴지키기
요즘들어 할 게 많아져서 휴식늘 못해서 그런 거 같다.

아침부터 매우 어지러운 장…

축구 ㄹㅇ ㅋㅋㅋㅋ
그래도 나는 32강 갔으면 좋겠다~

완벽한 원시인 식단
자산 증가, 건강 증가

멋진 사람들의 기분 좋은 말들 ㄷㄷ
열심히 사는 보람 여기서 느낀다.
근데 진짜 요번주는 힘들긴 하다 ㅎ

하 너무 바쁜데 강의 뽕 뽑을 수 있을까?!
우선 하나라도 완강하자…!

내일은 꼭 서류 받아야지,,
병가 서명도 받고,

그리고 오픽 얼른 신청해서 나머지 금액도 지원 받아봐야겠다.

오늘 둘다 유니폼 ㄷㄷ

퇴근 후 반통 손질

26년 6월 26일 금요일

오운완

아침부터 기분 좋은 시작~
매달 뽑히는 것 같다.. 정성리뷰라 마음을 알아주시는 걸까
하긴 이번에는 조코딩님이 인스타에 몇 개 없는 리포스트 중 하나라서 더 의미가 깊다.

서류 귀찮은 작업이 시작 되겠구만,,
바쁜 시기지만 쩔수

슬랙이모티콘 너무 귀엽다

항상 설레는 서울 가는 길
원래 내일 아침 일찍 출발인데 내일 안과 두 곳이나 가야해서 동현이집에서 카공하고 자고 아침에 움직이기로 했다.
분명…

근데 그냥 엄~~~청 놀았다 ㅋㅋㅋㅋㅋㅋㅋ

잠도 기현이 집에서 잤다.

26년 6월 27, 28일 토,일요일 주말

기현이집에서 나와서 머나먼 환승 두번하고 30분 일찍 도착~

오전 병원 검사 진료 상담
10:20~ 12:40

오후 병원 검사 진료 상담
12:50~ 15:00

2-3시간 마무리 작업 후 제출 완료

이수영피자 역대급 1등 피자 ㄷㄷ

다른 대회도 서류 준비

마트랑 편의점가서 여러개 사와서 해먹었다
하 금 토 징하게 먹음 ㅎㅎ

축구에 진심인 건우와
나 교정후에 입을 너무 벌리고자서 입 묶어줌 ㅋㅋㅋㅋ
아침 6시에 잤는데
10시 전에 일어났다 ㅜ

일어나서 팀플 마무리하고
멘토링 준비 후 멘토링~

많은 생각이 드는 자취방 복귀 길~

2박 3일 실컷 먹고 돈도 썼네~~

경제금융용어 공부 544 : 지적소유권

MKISOS — Sun, 28 Jun 2026 21:00:07 +0900

지적소유권

영화, 음악, 소프트웨어, 디자인, 인공지능 기술 등은 눈에 보이는 물건이 아니지만 매우 큰 가치를 가진다. 이러한 창작물과 아이디어를 보호하기 위해 만들어진 권리가 바로 지적소유권이다. 현대 경제에서는 공장이나 건물 같은 유형자산보다 기술, 브랜드, 콘텐츠 같은 무형자산의 가치가 커지고 있기 때문에 지적소유권의 중요성도 더욱 높아지고 있다.

1. 한 줄 정의

지적소유권은 사람의 창의적 활동과 지식 활동을 통해 만들어진 결과물에 대해 법적으로 보호하는 권리이다.

2. 기본 개념

지적소유권(Intellectual Property)은 지적재산권이라고도 하며, 상업·과학·문학·예술 분야에서 창출된 지식과 창작물에 대한 권리를 의미한다.

대표적인 예로는 다음과 같은 것들이 있다.

컴퓨터 프로그램
특허 기술
상표
디자인
음악
영화
소설
게임
인공지능 기술

지적소유권은 창작자나 발명가가 자신의 결과물을 일정 기간 독점적으로 활용할 수 있도록 보호해주는 제도이다.

3. 왜 중요한가

만약 새로운 기술이나 콘텐츠를 개발해도 누구나 자유롭게 복제할 수 있다면 사람들은 연구개발과 창작에 투자할 이유가 줄어든다.

예를 들어 수년 동안 개발한 신약이 출시 직후 경쟁사에 의해 복제된다면 개발 기업은 투자금을 회수하기 어렵다.

지적소유권은 이러한 문제를 방지하고 창작과 혁신에 대한 보상을 제공함으로써 경제 발전을 촉진한다.

특히 AI, 반도체, 소프트웨어, 바이오 산업에서는 지적소유권이 기업 경쟁력의 핵심 요소로 평가된다.

4. 쉽게 이해하는 예시

대학생 예시

대학생이 직접 개발한 앱을 앱스토어에 출시했다고 가정해보자.

누군가 앱의 코드를 그대로 복사해 판매한다면 개발자는 큰 피해를 입게 된다.

이때 저작권과 프로그램 저작권이 개발자를 보호해주는 역할을 한다.

실생활 예시

좋아하는 가수의 음원을 불법 다운로드하거나 영화를 불법 복제하는 행위는 저작권 침해에 해당한다.

저작권 역시 지적소유권의 한 종류이다.

기업 예시

애플이 아이폰의 디자인과 기술에 대해 특허를 보유하는 이유는 경쟁사가 동일한 기술을 무단으로 사용하는 것을 막기 위해서이다.

실제로 글로벌 기업들은 매년 수천 건의 특허를 출원하며 경쟁력을 확보하고 있다.

5. 핵심 특징

5-1. 무형자산을 보호한다

지적소유권은 건물이나 기계처럼 눈에 보이는 자산이 아니라 아이디어와 창작물 같은 무형자산을 보호한다.

현대 경제에서는 이러한 무형자산의 가치가 점점 커지고 있다.

5-2. 산업재산권과 저작권으로 구분된다

지적소유권은 크게 두 가지로 나눌 수 있다.

산업재산권

특허권
상표권
디자인권

저작권

소설
음악
영화
미술작품
소프트웨어

산업재산권은 산업 발전을, 저작권은 문화 발전을 목적으로 한다.

5-3. 보호기간이 제한되어 있다

지적소유권은 영구적인 권리가 아니다.

일정 기간 동안만 독점권을 인정한 후 사회 전체가 활용할 수 있도록 공개된다.

이는 창작자 보호와 사회적 이익 사이의 균형을 맞추기 위한 장치이다.

6. 관련 개념과의 차이

산업재산권 vs 저작권

산업재산권

특허청 심사를 거쳐 등록 필요
특허, 상표, 디자인 포함
산업 발전이 목적

저작권

창작과 동시에 발생
별도 등록 없이 보호 가능
문화 발전이 목적

즉 산업재산권은 등록이 필요하지만 저작권은 창작 순간부터 보호된다는 차이가 있다.

지적소유권 vs 유형자산

지적소유권

기술, 디자인, 콘텐츠 등 무형자산
복제가 쉬움
법적 보호 필요

유형자산

공장, 건물, 기계 등 실물자산
물리적 소유가 명확함

현대 기업은 유형자산보다 지적소유권 가치가 더 큰 경우도 많다.

7. 경제적 의미

국가경제 관점

지적소유권 보호 수준이 높을수록 연구개발과 혁신 활동이 활발해질 가능성이 크다.

선진국들이 특허와 저작권 보호를 중요하게 생각하는 이유도 여기에 있다.

기업 관점

기업의 핵심 경쟁력은 기술과 브랜드에서 나오는 경우가 많다.

특허와 상표권은 기업의 독점적 수익 창출을 가능하게 한다.

금융시장 관점

기술기업의 기업가치를 평가할 때 특허와 지적재산권은 매우 중요한 요소가 된다.

실제로 글로벌 IT 기업들의 시가총액 상당 부분은 무형자산 가치에서 비롯된다.

투자 관점

투자자는 기업의 특허 보유 현황, 브랜드 가치, 기술 경쟁력을 분석하여 장기 성장 가능성을 평가한다.

특히 AI, 바이오, 반도체 기업은 지적소유권이 투자 판단의 핵심 요소가 되기도 한다.

8. 정리

지적소유권은 사람의 창의적 활동과 지식 활동을 통해 만들어진 결과물을 보호하는 권리이다. 특허, 상표, 디자인과 같은 산업재산권과 음악, 영화, 소프트웨어 등을 보호하는 저작권으로 구분된다. 지적소유권은 창작자와 기업의 혁신 동기를 높여 경제 발전에 기여하며 현대 지식기반 경제에서 그 중요성이 계속 커지고 있다. 특히 AI, 소프트웨어, 바이오 산업이 성장하면서 지적소유권은 기업 경쟁력의 핵심 자산으로 평가받고 있다.

경제금융용어 공부 543 : 지역금융협정

MKISOS — Sat, 27 Jun 2026 21:00:06 +0900

지역금융협정

세계 경제는 서로 긴밀하게 연결되어 있기 때문에 한 국가에서 금융위기가 발생하면 주변 국가로 빠르게 확산될 수 있다. 실제로 1997년 아시아 외환위기와 2008년 글로벌 금융위기를 통해 금융위기의 전염성이 확인되었다. 지역금융협정은 이러한 위험에 공동으로 대응하기 위해 특정 지역 국가들이 협력하여 만든 금융안전망이다. 쉽게 말해 경제적으로 가까운 국가들이 서로를 돕기 위해 만든 '금융 비상자금 협력체계'라고 할 수 있다.

1. 한 줄 정의

지역금융협정은 특정 지역이나 경제권에 속한 국가들이 금융위기에 공동 대응하기 위해 체결한 금융협력 협정이다.

2. 기본 개념

지역금융협정(Regional Financial Arrangement)은 인접 국가 또는 특정 경제권 국가들이 금융안정을 위해 체결하는 협력체계이다.

국가들은 평상시에는 독립적으로 경제정책을 운영하지만 금융위기가 발생하면 외환 부족, 자본 유출, 환율 급등 등의 문제가 나타날 수 있다.

이때 지역금융협정에 가입된 국가들은 필요한 자금을 지원하거나 공동 대응을 통해 위기 확산을 막는다.

원래 이러한 협정은 1970년대부터 존재했지만, 2008년 글로벌 금융위기 이후 중요성이 크게 부각되었다.

3. 왜 중요한가

금융위기는 국경을 쉽게 넘는다.

한 국가에서 외환위기가 발생하면 투자자들이 인접 국가까지 위험하다고 판단하여 자금을 회수하는 경우가 많다.

이를 금융위기의 전염효과라고 한다.

특히 경제구조가 비슷한 국가들은 충격을 함께 받을 가능성이 높다.

지역금융협정은 이러한 상황에서 국가들이 서로 외환을 지원하거나 긴급 유동성을 공급함으로써 위기를 조기에 진정시키는 역할을 수행한다.

또한 국제통화기금(IMF)의 지원을 기다리지 않고 지역 차원에서 신속하게 대응할 수 있다는 장점도 있다.

4. 쉽게 이해하는 예시

대학생 예시

기숙사에 사는 친구 10명이 비상금을 공동으로 모아둔다고 가정해보자.

갑자기 한 친구에게 큰돈이 필요한 상황이 발생하면 공동기금에서 돈을 빌려줄 수 있다.

지역금융협정도 비슷한 개념이다.

국가들이 미리 협력 체계를 구축해두고 위기 상황에서 서로 지원하는 것이다.

경제 예시

한국, 일본, 중국 등 아시아 국가 중 한 나라에서 외환위기가 발생했다고 가정해보자.

지역금융협정이 없다면 해당 국가는 IMF에 지원을 요청해야 한다.

하지만 협정이 존재하면 주변 국가들이 외환을 지원해 금융시장 불안을 완화할 수 있다.

투자 예시

투자자 입장에서는 금융안전망이 잘 구축된 국가가 상대적으로 안정적으로 보일 수 있다.

따라서 지역금융협정은 투자심리 안정에도 긍정적인 영향을 준다.

5. 핵심 특징

5-1. 금융위기 공동 대응 체계이다

지역금융협정의 가장 중요한 목적은 금융위기 발생 시 국가들이 협력하여 위기를 극복하는 것이다.

외환 부족이나 금융시장 불안이 발생했을 때 긴급 자금을 지원할 수 있다.

5-2. 글로벌 금융안전망을 보완한다

IMF와 같은 국제기구가 글로벌 금융안전망 역할을 수행하지만 모든 국가의 이해관계를 조정하기는 쉽지 않다.

반면 지역금융협정은 이해관계가 비교적 비슷한 국가들끼리 운영하기 때문에 신속한 대응이 가능하다.

5-3. 지역 경제 통합을 촉진한다

금융협력을 통해 국가 간 신뢰가 높아지고 경제 협력도 강화될 수 있다.

이는 장기적으로 지역 경제 통합에도 긍정적인 영향을 미친다.

6. 관련 개념과의 차이

지역금융협정 vs 국제통화기금(IMF)

지역금융협정

특정 지역 국가들 간 협력체계
지역 차원의 금융안전망
신속한 대응 가능

IMF

전 세계 국가가 참여하는 국제기구
글로벌 금융안전망 역할
지원 규모가 크지만 절차가 상대적으로 복잡

즉 지역금융협정은 지역 단위의 안전망이고 IMF는 전 세계 차원의 안전망이다.

지역금융협정 vs 글로벌금융안전망

지역금융협정

특정 지역 중심
역내 국가 간 협력

글로벌금융안전망

IMF, 중앙은행 통화스와프 등 포함
전 세계 금융안정을 위한 체계

지역금융협정은 글로벌금융안전망을 구성하는 중요한 요소 중 하나이다.

7. 경제적 의미

국가경제 관점

지역금융협정은 외환위기와 금융위기 발생 시 국가경제를 보호하는 안전판 역할을 한다.

특히 중소 규모 국가들에게 매우 중요한 금융안전망이다.

기업 관점

금융위기가 발생하면 환율 급등과 자금조달 어려움이 발생할 수 있다.

지역금융협정은 이러한 충격을 완화하여 기업 경영 안정에 도움을 준다.

금융시장 관점

금융시장은 신뢰를 기반으로 움직인다.

지역금융협정은 투자자들에게 위기 대응 능력이 있다는 신호를 주어 시장 불안을 줄이는 효과가 있다.

투자 관점

투자자들은 금융안전망이 잘 구축된 국가를 상대적으로 안정적인 투자처로 평가한다.

따라서 지역금융협정은 국가 위험도를 낮추는 요소로 작용할 수 있다.

8. 정리

지역금융협정은 특정 지역 국가들이 금융위기에 공동 대응하기 위해 체결한 금융협력 협정이다. 금융위기의 전염효과를 줄이고 외환 부족이나 금융시장 불안에 대응하기 위한 지역 차원의 금융안전망 역할을 수행한다. 대표적인 사례로 아시아의 치앙마이 이니셔티브 다자화협정(CMIM), 유럽의 금융안정메커니즘(ESM) 등이 있다. 글로벌 금융안전망을 보완하면서 지역 경제의 안정성과 신뢰를 높이는 중요한 제도라고 할 수 있다.

경제금융용어 공부 542 : 지수기준년

MKISOS — Fri, 26 Jun 2026 21:00:32 +0900

지수기준년

경제 뉴스에서 "GDP가 기준년 대비 몇 % 증가했다", "산업생산지수가 100을 넘어섰다"와 같은 표현을 자주 볼 수 있다. 이때 등장하는 숫자의 기준이 되는 연도가 바로 지수기준년이다. 지수기준년은 경제지표를 비교하기 위한 출발점 역할을 하며, 경제통계를 이해하는 데 매우 중요한 개념이다.

1. 한 줄 정의

지수기준년은 각종 경제지표를 계산할 때 기준값을 100으로 설정하는 기준 연도이다.

2. 기본 개념

지수기준년(Reference Year)은 물량지수가 100이 되거나 명목금액과 실질금액이 동일하게 설정되는 연도를 의미한다.

경제통계에서는 특정 연도를 기준으로 삼아 이후 연도들의 변화를 비교한다.

예를 들어 2020년을 지수기준년으로 설정하고 생산량을 100으로 정했다면,

2021년이 110이면 10% 증가
2022년이 120이면 20% 증가

한 것으로 해석할 수 있다.

즉 지수기준년은 경제지표의 출발점이 되는 연도라고 이해하면 된다.

3. 왜 중요한가

경제 규모나 생산량은 시간이 지날수록 계속 변한다.

하지만 단순히 숫자만 비교하면 변화 정도를 직관적으로 파악하기 어렵다.

예를 들어 산업 생산액이 1조 원에서 1조 2천억 원으로 증가했다고 할 때 증가 폭을 한눈에 이해하기 쉽지 않다.

반면 기준년을 100으로 설정하면 120으로 표시되어 20% 증가했다는 사실을 쉽게 알 수 있다.

따라서 지수기준년은 경제통계를 이해하고 분석하기 위한 공통 기준 역할을 한다.

4. 쉽게 이해하는 예시

대학생 예시

시험 성적을 비교한다고 가정해보자.

1학년 성적을 기준점 100으로 설정했을 때

2학년 성적이 110이면 10% 향상
3학년 성적이 130이면 30% 향상

된 것으로 볼 수 있다.

지수기준년도 이와 비슷한 원리이다.

경제 예시

2020년 산업생산지수를 100으로 설정했다고 가정하자.

2021년 : 105
2022년 : 112
2023년 : 118

이라면 2020년에 비해 생산활동이 꾸준히 증가한 것으로 해석할 수 있다.

투자 예시

주식시장 지수도 특정 시점을 기준으로 설정된다.

예를 들어 어떤 지수가 기준 시점에 100이었다가 현재 150이 되었다면 기준 시점 대비 50% 상승한 것이다.

5. 핵심 특징

5-1. 비교를 위한 기준점 역할을 한다

지수기준년은 경제지표를 해석하기 위한 출발점이다.

모든 수치는 해당 연도를 기준으로 상대적인 변화를 나타낸다.

5-2. 물량지수 100의 기준이 된다

지수기준년에는 물량지수가 100으로 설정된다.

따라서 이후 연도의 수치를 통해 증가와 감소 정도를 쉽게 파악할 수 있다.

5-3. 실질지표 계산의 기준이 된다

실질 GDP나 실질 소비와 같은 경제지표를 계산할 때도 기준년 가격이 활용된다.

이때 지수기준년은 물가 변동 효과를 제거하는 기준 역할을 수행한다.

6. 관련 개념과의 차이

지수기준년 vs 기준년

두 개념은 비슷해 보이지만 차이가 있다.

지수기준년

지수를 100으로 설정하는 연도
명목금액과 실질금액이 동일하게 설정되는 연도

기준년

지수 계산에 사용되는 가격이나 가중치의 기준 연도
통계 산출 방식에 따라 달라질 수 있음

고정가중법에서는 두 개념이 동일하지만 연쇄가중법에서는 서로 다를 수 있다.

지수기준년 vs 연쇄가중법

지수기준년

통계를 비교하기 위한 기준 시점

연쇄가중법

매년 직전 연도의 가격구조를 반영하여 지수를 계산하는 방식

즉 지수기준년은 기준 시점이고 연쇄가중법은 계산 방법이다.

7. 경제적 의미

국가경제 관점

GDP, 산업생산지수, 소비자물가지수 등 대부분의 경제통계는 지수기준년을 바탕으로 산출된다.

따라서 국가 경제의 성장과 변화를 분석하는 기본 틀이 된다.

기업 관점

기업들은 산업생산지수나 경기지수를 활용해 시장 상황을 분석한다.

지수기준년을 이해해야 통계 수치를 정확히 해석할 수 있다.

금융시장 관점

투자자들은 경제지표의 변화를 통해 경기 흐름을 파악한다.

이 과정에서 지수기준년은 모든 분석의 기준점 역할을 수행한다.

투자 관점

경제지표가 기준년 대비 얼마나 증가하거나 감소했는지를 이해하면 경기 확장기와 침체기를 보다 정확하게 판단할 수 있다.

이는 주식, 채권, 부동산 투자 전략 수립에도 도움이 된다.

8. 정리

지수기준년은 경제지표를 계산할 때 기준값을 100으로 설정하는 연도이다. 경제통계의 출발점 역할을 하며 이후 연도와의 비교를 가능하게 만든다. GDP, 산업생산지수, 물가지수 등 대부분의 경제지표는 지수기준년을 바탕으로 산출된다. 특히 기준년과 혼동하기 쉽지만 지수기준년은 비교 기준이고 기준년은 지수 계산에 사용되는 가격과 가중치의 기준이라는 차이가 있다.

경제금융용어 공부 541 : 지방은행공동망

MKISOS — Thu, 25 Jun 2026 21:00:20 +0900

지방은행공동망

은행 계좌를 이용할 때 우리는 다른 지역의 은행이라도 자유롭게 입출금이 가능하다고 생각한다. 하지만 과거에는 지방은행의 영업망이 제한적이어서 고객이 다른 지역에서 금융서비스를 이용하는 데 불편함이 있었다. 지방은행공동망은 이러한 문제를 해결하기 위해 여러 지방은행이 공동으로 구축한 금융 네트워크이다. 이를 통해 지방은행 고객도 전국 어디서나 보다 편리하게 금융서비스를 이용할 수 있게 되었다.

1. 한 줄 정의

지방은행공동망은 여러 지방은행이 공동으로 운영하는 금융망으로, 고객이 다른 지방은행을 통해서도 입출금과 계좌조회 서비스를 이용할 수 있도록 만든 시스템이다.

2. 기본 개념

지방은행공동망은 지방은행들이 공동상품인 뱅크라인(Bankline) 업무를 처리하기 위해 구축한 공동 결제망이다.

1997년 6월부터 운영되기 시작했으며, 전국적인 영업망을 갖추지 못한 지방은행들이 고객 편의성을 높이기 위해 도입하였다.

예를 들어 부산에 본점을 둔 지방은행 고객이 대구나 광주 지역에서도 금융서비스를 이용할 수 있도록 지방은행 간 네트워크를 연결한 것이다.

현재 지방은행들은 공동망을 통해 입금, 출금, 계좌조회 등의 서비스를 상호 제공하고 있다.

3. 왜 중요한가

지방은행은 지역 경제를 지원하는 중요한 금융기관이지만 전국에 지점을 운영하는 시중은행과 비교하면 영업망이 제한적이라는 약점이 있다.

만약 공동망이 없다면 고객은 자신의 거래은행 지점을 직접 방문해야 하며 다른 지역에서는 금융서비스 이용이 어려울 수 있다.

지방은행공동망은 이러한 한계를 극복하고 고객 편의성을 높이는 역할을 한다.

또한 지방은행 간 협력을 통해 경쟁력을 강화하고 금융서비스 접근성을 확대하는 효과도 있다.

4. 쉽게 이해하는 예시

실생활 예시

부산은행 계좌를 사용하는 사람이 출장으로 전주에 갔다고 가정해보자.

과거에는 부산은행 지점이 없는 지역에서 금융업무를 보기 어려웠을 수 있다.

하지만 지방은행공동망을 이용하면 다른 지방은행 창구나 시스템을 통해 입출금 서비스를 이용할 수 있다.

대학생 예시

고향에서 지방은행 계좌를 개설한 대학생이 타 지역 대학에 진학했다고 가정해보자.

지방은행공동망이 없다면 금융서비스 이용에 불편함이 생길 수 있지만, 공동망 덕분에 보다 편리하게 계좌를 사용할 수 있다.

경제 예시

지역 경제 활성화를 위해 지방은행 이용을 장려하더라도 고객 편의성이 낮으면 이용률이 떨어질 수 있다.

지방은행공동망은 이러한 문제를 해결하여 지방은행의 경쟁력을 높이는 역할을 한다.

5. 핵심 특징

5-1. 지방은행 간 공동 네트워크이다

지방은행공동망은 여러 지방은행이 하나의 시스템을 공동으로 이용하는 방식이다.

이를 통해 개별 은행이 전국 지점을 구축하지 않아도 전국적인 서비스 제공이 가능해진다.

5-2. 입금업무와 출금업무를 지원한다

입금업무는 다른 지방은행 계좌로 자금을 입금하는 기능이다.

출금업무는 다른 지방은행 통장을 가진 고객이 출금 서비스를 이용할 수 있도록 지원하는 기능이다.

5-3. 소액결제시스템의 일부이다

지방은행공동망은 개인과 기업의 일상적인 금융거래를 지원하는 소액결제시스템의 한 종류로 볼 수 있다.

따라서 금융시스템의 효율성과 접근성 향상에 기여한다.

6. 관련 개념과의 차이

지방은행공동망 vs 타행환공동망

지방은행공동망

지방은행 간 금융서비스 제공 목적
입출금 및 계좌조회 지원

타행환공동망

은행 간 자금이체 처리 목적
송금 및 입금 거래 중심

즉 지방은행공동망은 지방은행 고객 편의성에 초점을 맞춘 네트워크이다.

지방은행공동망 vs CD공동망

지방은행공동망

지방은행 간 공동 금융서비스 제공
입금·출금 모두 지원

CD공동망

현금자동입출금기(ATM)를 통한 현금 인출 및 조회 서비스 제공
ATM 네트워크 중심

7. 경제적 의미

국가경제 관점

지방은행공동망은 금융서비스 접근성을 높여 지역 간 금융 격차를 줄이는 데 기여한다.

기업 관점

지역 기업들은 지방은행을 이용하면서도 보다 넓은 금융 네트워크를 활용할 수 있어 금융거래 효율성이 높아진다.

금융시장 관점

지방은행의 경쟁력을 강화하고 금융서비스의 다양성을 확대하는 역할을 수행한다.

투자 관점

지방은행의 영업 기반 확대와 고객 편의성 향상은 장기적으로 지방은행의 경쟁력과 수익성에 긍정적인 영향을 줄 수 있다.

8. 정리

지방은행공동망은 여러 지방은행이 공동으로 운영하는 금융 네트워크로, 고객이 다른 지방은행을 통해서도 입출금과 계좌조회 서비스를 이용할 수 있도록 만든 시스템이다. 1997년부터 운영되었으며 지방은행의 제한된 영업망 문제를 보완하기 위해 도입되었다. 이를 통해 지방은행 고객의 편의성이 높아졌으며 지역 금융서비스의 접근성과 효율성도 향상되었다. 지방은행공동망은 소액결제시스템의 중요한 구성 요소로서 지역 금융 발전에 기여하고 있다.

경제금융용어 공부 540 : 지로(GIRO)

MKISOS — Wed, 24 Jun 2026 21:00:08 +0900

지로(GIRO)

매달 전기요금, 수도요금, 통신요금 고지서를 받아본 적이 있을 것이다. 과거에는 이러한 공과금을 은행 창구에서 납부하는 경우가 많았는데, 이때 널리 사용되던 제도가 바로 지로(GIRO)이다. 지로는 다수의 사람으로부터 대금을 수납하거나 여러 사람에게 자금을 지급할 때 사용하는 대표적인 대량 자금이체 시스템이다. 오늘날에는 자동이체와 인터넷 납부가 보편화되면서 전자지로 형태로 발전하고 있다.

1. 한 줄 정의

지로는 다수의 사람과 기업 간 대량의 자금이체를 효율적으로 처리하기 위해 사용하는 지급결제 수단이다.

2. 기본 개념

지로(GIRO)는 기업, 공공기관, 금융기관 등이 많은 사람들로부터 대금을 받거나 여러 사람에게 자금을 지급할 때 사용하는 소액대량 지급수단이다.

지로의 가장 큰 특징은 중계센터를 통해 대량의 지급 및 수납 업무를 처리한다는 점이다.

예를 들어 전기요금 고지서를 발송하는 한국전력이 수백만 명의 고객으로부터 요금을 받아야 한다고 가정해보자. 고객 한 명 한 명과 개별적으로 거래하는 대신 지로 시스템을 활용하면 효율적으로 수납할 수 있다.

지로 거래는 주로 계좌이체 방식으로 이루어지며, 지급인의 계좌에서 자금이 출금되어 수취인의 계좌로 입금된다.

3. 왜 중요한가

현대 사회에서는 수많은 금융거래가 매일 발생한다.

전기요금, 가스요금, 통신요금, 세금, 보험료 등은 정기적으로 납부해야 하는데 이를 모두 개별적으로 처리한다면 엄청난 시간과 비용이 발생한다.

지로는 이러한 대량 수납 및 지급 업무를 효율적으로 처리할 수 있도록 해준다.

또한 거래 상대방을 직접 만나지 않아도 되고 수수료도 비교적 저렴하기 때문에 기업과 소비자 모두에게 편리한 지급수단으로 활용되고 있다.

4. 쉽게 이해하는 예시

실생활 예시

매달 휴대폰 요금을 자동이체로 납부한다고 가정해보자.

통신사는 수백만 명의 고객에게 요금을 청구해야 하는데, 이를 하나씩 처리하기 어렵다.

지로 시스템을 활용하면 고객 계좌에서 자동으로 요금을 출금하여 효율적으로 수납할 수 있다.

대학생 예시

대학교가 수천 명의 학생으로부터 등록금을 받는다고 가정해보자.

학생들이 각자 등록금을 납부하면 지로 시스템을 통해 자동으로 입금 내역을 확인하고 처리할 수 있다.

기업 예시

회사가 직원 수천 명에게 급여를 지급하는 경우를 생각해보자.

직원별로 개별 송금을 하는 대신 대량지급 서비스를 이용하면 한 번에 급여를 지급할 수 있다.

5. 핵심 특징

5-1. 대량 수납과 대량 지급에 특화되어 있다

지로는 많은 사람과 거래하는 기관이나 기업이 효율적으로 자금을 수납하거나 지급할 수 있도록 설계되었다.

공공요금, 보험료, 세금, 등록금 등이 대표적인 활용 사례이다.

5-2. 안전성이 높다

지로는 계좌이체 방식으로 이루어지기 때문에 금융기관의 결제 시스템을 통해 안전하게 처리된다.

현금 거래보다 분실 위험이 적고 거래 내역도 명확하게 남는다.

5-3. 전자화가 빠르게 진행되고 있다

과거에는 종이 지로용지를 이용하는 경우가 많았지만 현재는 인터넷과 모바일 기반의 전자지로가 주류가 되었다.

자동이체와 인터넷 납부 서비스도 전자지로의 대표적인 형태이다.

6. 관련 개념과의 차이

지로 vs 계좌이체

지로

다수의 사람과 대량 거래 처리에 적합
공공요금, 보험료, 등록금 등에 활용
중계센터를 통해 처리

계좌이체

개인 간 또는 기업 간 자금이체
거래 건별로 처리
일반 송금에 주로 활용

즉 계좌이체가 개별 거래라면 지로는 대량 거래를 효율적으로 처리하는 시스템이다.

장표지로 vs 전자지로

장표지로

종이 지로용지를 이용
납부 내역이 기재된 장표 기반

전자지로

인터넷 또는 전송파일 이용
자동이체, 인터넷 납부, 대량지급 서비스 포함

최근에는 대부분 전자지로 방식이 사용된다.

7. 경제적 의미

국가경제 관점

지로 시스템은 공공요금, 세금 등 대규모 자금 흐름을 효율적으로 처리하여 경제 전반의 거래비용을 절감한다.

기업 관점

기업은 지로를 통해 대량 수납 및 지급 업무를 자동화할 수 있다.

이를 통해 인건비와 운영비를 절감하고 업무 효율성을 높일 수 있다.

금융시장 관점

지로는 지급결제시스템의 중요한 구성 요소로서 자금 흐름의 안정성과 효율성을 높인다.

투자 관점

지로 자체가 투자 대상은 아니지만 금융 인프라의 디지털화와 전자결제 확대는 핀테크 산업과 금융 서비스 발전에 중요한 영향을 미친다.

8. 정리

지로(GIRO)는 다수의 사람과 기업 간 자금이체를 효율적으로 처리하기 위한 소액대량 지급수단이다. 공공요금, 등록금, 보험료, 급여 지급 등 대량 수납 및 지급 업무에 널리 활용된다. 과거에는 종이 지로용지가 중심이었지만 현재는 자동이체와 인터넷 납부를 포함한 전자지로 방식이 주류를 이루고 있다. 지로는 지급결제시스템의 효율성을 높이고 경제활동의 원활한 자금 흐름을 지원하는 중요한 금융 인프라이다.

[UNIKER] 대학생 AI 크루 UNIKER 1기 1주차 라이브 강의 정리: AI Agent와 MVP를 제품으로 만드는 법

MKISOS — Wed, 24 Jun 2026 10:03:01 +0900

2026년 6월 23일, UNIKER 1기 첫 번째 라이브 강의가 진행되었다.

이번 강의의 주제는 “AI Agent와 서비스 팀으로 일하는 법” 이었다. 단순히 Codex 사용법을 배우는 시간이 아니라 우리가 가진 아이디어를 실제 서비스 프로젝트로 바꾸기 위해 어떤 기준으로 문제를 정의하고, MVP 범위를 줄이고, Codex와 GitHub를 활용해 팀 단위로 작업해야 하는지를 배우는 시간이었다.

이번 글은 1주차 강의 내용을 정리하고, 우리 팀이 앞으로 어떤 방식으로 프로젝트를 진행해야 할지 기록하기 위해 작성했다.

1. 이번 강의의 핵심 주제

이번 강의의 큰 흐름은 다음과 같았다.

AI 서비스란 무엇인가
10주차 최종 발표에서 무엇을 검증해야 하는가
MVP를 어떻게 작게 정의할 것인가
AI Agent와 Codex를 어떻게 활용할 것인가
GitHub로 팀 협업을 어떻게 관리할 것인가
1주차 안에 어떤 문서 산출물을 만들어야 하는가

강의 초반에는 AI 서비스와 MVP 검증 기준에 대해 다뤘고 이후에는 Codex와 GitHub를 실제 팀 프로젝트에 어떻게 적용할지 설명이 이어졌다.

개발 경험이 있는 입장에서는 Codex 설치나 GitHub 기본 개념 자체는 익숙한 내용도 있었다. 하지만 이번 강의에서 중요한 부분은 도구 사용법 자체보다 AI Agent를 프로젝트 팀원처럼 다루는 방식이었다고 생각한다.

2. 10주차 발표 검증 기준

이번 강의에서 인상 깊었던 부분 중 하나는 10주차 발표 검증 기준이었다.

최종 발표에서 중요한 것은 단순히 “멋진 아이디어를 냈다”가 아니라, 다음 네 가지를 얼마나 설득력 있게 보여줄 수 있는지라고 이해했다.

문제

우리가 해결하려는 문제가 실제로 존재하는지 보여줘야 한다. 단순히 “있으면 좋겠다” 수준이 아니라 특정 사용자가 반복적으로 겪는 불편함이어야 한다.

캠퍼스로그의 경우 문제는 다음과 같이 정리할 수 있다.

대학생들은 여러 활동 경험을 쌓지만, 그 기록이 블로그, GitHub, 노션, 사진첩, 공모전 제출 자료 등에 흩어져 있어 취업 준비나 대외활동 지원 시 다시 정리하는 데 많은 시간을 쓴다.

사용자

누구를 위한 서비스인지 명확해야 한다. 모든 대학생을 대상으로 잡으면 너무 넓다.

1차 MVP에서는 다음과 같이 좁히는 것이 좋다고 생각한다.

대외활동, 공모전, 프로젝트 경험이 있고 이를 자기소개서나 포트폴리오로 정리해야 하는 대학생

특히 3~4학년 취업 준비생, 개발자 포트폴리오를 준비하는 학생, 대외활동 지원서를 자주 쓰는 학생이 초기 사용자로 적합하다고 생각한다.

제품

아이디어가 아니라 실제로 작동하는 제품이 필요하다.

이번 UNIKER 프로젝트는 발표 자료만 만드는 활동이 아니라 최종적으로 사용자가 직접 체험할 수 있는 서비스 링크를 만드는 것이 목표다. 따라서 우리 팀도 예쁜 기획서보다 실제 사용 가능한 흐름을 먼저 만들어야 한다.

증거

마지막으로 사용자가 실제로 이 서비스를 필요로 한다는 증거가 필요하다.

예를 들면 다음과 같은 방식으로 증거를 만들 수 있다.

주변 대학생 인터뷰
기존 자기소개서 작성 경험 조사
활동 기록 정리 전후 비교
AI가 만든 문장에 대한 사용자 만족도
데모 링크를 사용해본 사람들의 피드백

결국 최종 발표에서는 “우리가 열심히 만들었다”보다 “이 문제가 실제로 있고 우리가 만든 MVP가 그 문제를 어느 정도 해결했다”를 보여줘야 한다.

3. MVP는 작게 시작해야 한다

이번 강의에서 가장 많이 남은 메시지는 기능을 줄여야 한다는 것이었다.

처음 서비스를 기획하다 보면 넣고 싶은 기능이 계속 늘어난다. 로그인, 회원가입, 대시보드, 커뮤니티, 친구 기능, 알림, 공유 기능, 고급 개인화 등 생각나는 기능은 많다.

하지만 10주 안에 실제로 작동하는 서비스를 만들어야 한다면 기능을 많이 넣는 것이 오히려 위험할 수 있다. 기능이 많아질수록 개발해야 할 범위가 커지고, 테스트해야 할 경우의 수도 늘어나며, 정작 핵심 기능의 완성도가 떨어질 수 있다.

그래서 1차 MVP에서는 다음 기준으로 기능을 줄여야 한다고 생각했다.

반드시 남길 기능

캠퍼스로그 기준으로는 다음 세 가지가 핵심이다.

활동 기록 입력
AI 경험 요약 및 역량 추출
포트폴리오 또는 자기소개서 문장 생성

이 세 가지 흐름만 제대로 작동해도 사용자는 캠퍼스로그의 핵심 가치를 체험할 수 있다.

과감히 제외할 기능

반대로 1차 MVP에서 제외해도 되는 기능은 다음과 같다.

로그인
회원가입
결제
커뮤니티
친구 기능
활동 피드
알림
실시간 협업
고급 개인화
복잡한 통계 대시보드

특히 로그인과 회원가입은 보통 서비스 개발에서 기본처럼 느껴지지만 MVP 검증 단계에서는 꼭 필요하지 않을 수 있다. 사용자가 활동 기록을 입력하고 AI 결과를 확인하는 것이 핵심이라면, 초기 데모에서는 로그인 없이도 충분히 검증할 수 있다.

이번 강의를 들으며 “기능을 많이 만드는 것”보다 “핵심 기능을 전면에 배치하는 것”이 더 중요하다고 느꼈다.

4. 레이턴시와 사용자 경험

AI 서비스를 만들 때는 LLM API를 어떻게 붙일지도 중요하지만 사용자가 체감하는 반응 속도도 중요하다.

AI 기능은 일반적인 버튼 클릭보다 응답 시간이 길어질 수 있다. 사용자가 활동 기록을 입력하고 분석 버튼을 눌렀는데 아무 반응이 없다면 서비스가 멈춘 것처럼 느껴질 수 있다.

따라서 MVP에서도 최소한 다음 상태를 고려해야 한다.

loading: AI가 분석 중인 상태
empty: 입력값이 없거나 결과가 없는 상태
error: API 호출 실패 또는 분석 실패 상태
success: 분석 결과가 정상적으로 나온 상태

이 부분은 강의에서 다룬 화면 명세 파일과도 연결된다. 단순히 “결과 화면을 만든다”가 아니라 사용자가 기다리는 동안 어떤 문구를 볼지, 실패했을 때 어떻게 다시 시도할지까지 설계해야 한다.

캠퍼스로그에 적용하면 다음과 같은 문구를 생각해볼 수 있다.

loading: “활동 경험을 분석하고 있습니다.”
empty: “아직 입력된 활동 기록이 없습니다.”
error: “분석 중 문제가 발생했습니다. 잠시 후 다시 시도해주세요.”
success: “경험 요약과 역량 분석이 완료되었습니다.”

작은 문구처럼 보이지만, 이런 상태 설계가 실제 사용성에 큰 영향을 줄 수 있다고 생각한다.

5. AI Agent는 작업 단위로 이해해야 한다

이번 강의에서 AI Agent를 이해하는 방식도 인상 깊었다.

기존의 ChatGPT 사용 방식은 질문을 던지고 답변을 받는 것에 가까웠다. 하지만 Codex 같은 AI Agent는 답변을 잘하는 도구라기보다 폴더와 파일을 읽고, 목표를 이해하고, 작업을 수행하고, 결과를 검증하는 작업 환경에 가깝다.

즉 AI Agent에게 중요한 것은 단순히 “좋은 답변”이 아니라 작업 단위다.

예를 들면 다음과 같다.

ChatGPT: 아이디어를 설명하고 의견을 받는다
IDE Copilot: 코드 한 줄 또는 파일 단위 보완을 받는다
Codex: 프로젝트 폴더를 기준으로 실제 작업을 맡긴다
Team: 사람이 방향을 정하고 결과를 검토한다

여기서 사람은 방향을 정하고, 범위를 줄이고, 결과를 판단해야 한다. Codex는 파일을 읽고, 명령을 실행하고, 증거를 남길 수 있다.

강의에서 언급된 Human in the Loop 방식도 이와 연결된다. AI에게 모든 것을 맡기는 것이 아니라 사람이 목표와 기준을 정하고 AI가 작업한 결과를 검토하는 방식이다.

나는 이 부분이 앞으로의 개발 방식과도 연결된다고 느꼈다. 예전에는 React 문법, Spring 구조, 데이터베이스 설계 등을 바텀업으로 공부한 뒤 서비스를 만들었다면 이제는 문제와 사용자 흐름을 먼저 잡고 필요한 만큼 코드를 생성하고 검증하는 탑다운 방식이 점점 중요해지고 있다.

다만 AI가 코드를 만들어준다고 해서 개발자가 코드를 몰라도 된다는 뜻은 아니다. 직접 코딩하지 않았더라도, 이후에는 생성된 코드를 다시 읽고 이해하면서 내 코드로 만드는 과정이 필요하다.

6. 하네스는 모델의 작업 환경이다

강의 중 “하네스”라는 개념도 나왔다.

처음 들으면 낯설지만, 쉽게 말하면 하네스는 모델이 실제로 작업할 수 있도록 연결된 환경이라고 이해했다.

Model은 생각하고 답을 만든다
Harness는 파일, 도구, 실행 환경, 권한, 검증을 연결한다
Agent는 모델과 하네스를 활용해 실제 작업을 수행한다

즉 Codex를 잘 쓰려면 단순히 좋은 모델을 고르는 것만으로는 부족하다. 모델이 어떤 파일을 볼 수 있는지, 어떤 명령을 실행할 수 있는지, 어떤 기준으로 검증해야 하는지를 함께 설계해야 한다.

이 관점에서 보면 PRD.md, README.md, AGENTS.md 같은 문서들은 단순한 문서가 아니라 AI Agent에게 프로젝트 맥락을 제공하는 작업 환경의 일부라고 볼 수 있다.

7. GitHub 협업: 공용 문서와 제안 모드

이번 강의에서는 GitHub 협업도 다뤘다.

팀 프로젝트에서는 각자 작업한 내용을 안전하게 공유하고, 변경 사항을 추적하고, 필요한 경우 되돌릴 수 있어야 한다. GitHub는 단순히 코드를 저장하는 공간이 아니라, 팀의 작업 맥락을 공유하는 공간이다.

이번 프로젝트에서 우리 팀은 GitHub Organization을 만들고 그 안에 캠퍼스로그 repository를 생성하는 방식이 적절해 보인다.

예상 구조는 다음과 같다.

organization: team-pitjul 또는 campuslog-team
repository: campuslog
main branch: 배포 가능한 안정 버전
develop branch: 통합 개발 버전
feature branches: 기능별 작업 브랜치

브랜치는 사람별로 나눌 수도 있고 기능별로 나눌 수도 있다. (고민중에 있다)

사람별 브랜치 예시는 다음과 같다.

feature/moongi
feature/donghyun
feature/geonwoo

하지만 실제 개발에서는 기능별 브랜치가 더 명확할 수 있다.

feature/activity-input
feature/ai-summary
feature/result-page
feature/readme-docs

기능별 브랜치로 나누면 어떤 기능이 어떤 PR에 들어갔는지 명확하고 팀원들이 리뷰하기도 쉽다.

강의에서는 Git 명령어를 직접 외우기보다 Codex에게 요청하는 방식도 소개됐다. 예를 들어 다음처럼 요청할 수 있다.

현재 브랜치와 변경 파일을 확인하고,
어떤 파일이 수정되었는지 요약해줘.
아직 commit, push, merge는 하지 마.

또는 다음처럼 요청할 수 있다.

현재 변경 사항을 확인하고,
커밋 메시지를 추천해줘.
내가 확인하기 전에는 commit 하지 마.

이 방식의 핵심은 AI에게 바로 실행시키는 것이 아니라 먼저 확인하게 하는 것이다. 특히 commit, push, merge는 팀 프로젝트에 영향을 주는 작업이므로 사람이 마지막에 검토해야 한다.

8. 1주차 핵심 산출물: md 파일 정리

강의에서 본 예시와 첨부된 화면을 보면 1주차 안에 팀 프로젝트에 적용해야 할 가능성이 높은 문서 파일들이 있었다.

대표적으로 다음 파일들이다.

AGENTS.md
FLOW.md
IA.md
PRD.md
README.md
SCREEN_SPEC.md

여기에 추가로 NEXT_REQUEST.md까지 만들면 Codex에게 다음 구현을 맡기기 쉬워진다.

각 파일의 역할은 다음과 같이 이해했다.

PRD.md

Product Requirements Document의 약자다. 제품 요구사항 문서라고 볼 수 있다.

여기에는 다음 내용이 들어가야 한다.

해결하려는 문제
타깃 사용자
핵심 가설
MVP 범위
제외할 기능
성공 기준

캠퍼스로그의 경우 PRD.md에는 “대학생 활동 경험 정리 문제”와 “활동 입력 → AI 요약 → 역량 추출 → 문장 생성” 흐름이 명확히 들어가야 한다.

README.md

프로젝트를 처음 보는 사람이 이해할 수 있는 문서다.

여기에는 다음 내용이 필요하다.

서비스 소개
팀 소개
실행 방법
기술 스택
폴더 구조
협업 규칙
배포 링크
현재 구현 상태

README.md는 나중에 최종 발표와 포트폴리오에서도 중요한 문서가 될 가능성이 높다.

AGENTS.md

AI Agent가 프로젝트를 이해하고 작업할 때 참고하는 규칙 파일이다.

여기에는 다음 내용이 들어가면 좋다.

프로젝트 목표
Codex가 지켜야 할 작업 규칙
수정하면 안 되는 범위
코드 스타일
MVP 범위
민감정보 금지
작업 전 확인할 문서 목록
완료 전 검증 기준

예를 들어 “로그인, 결제, 커뮤니티 기능은 만들지 않는다” 같은 제약을 AGENTS.md에 적어두면 Codex가 불필요한 기능을 만들 가능성을 줄일 수 있다.

IA.md

Information Architecture의 약자다. 서비스의 정보 구조를 정리하는 문서다.

MVP 기준으로 페이지는 3개 이하로 유지하는 것이 좋아 보인다.

캠퍼스로그의 1차 IA 예시는 다음과 같다.

1. Home / 입력 페이지
- 활동 기록 입력
- 분석 버튼
- 예시 입력 안내

2. Result / 분석 결과 페이지
- 경험 요약
- 핵심 역량
- 포트폴리오 문장

3. About 또는 Guide 페이지
- 서비스 목적
- 사용 방법
- 예시

하지만 더 줄인다면 입력과 결과를 한 화면에서 처리할 수도 있다.

FLOW.md

사용자 흐름을 정리하는 문서다.

예를 들면 다음과 같다.

사용자가 활동 기록을 입력한다.
분석 버튼을 클릭한다.
AI가 경험을 요약한다.
역량과 키워드를 추출한다.
포트폴리오 문장을 생성한다.
사용자는 결과를 복사하거나 저장한다.

여기에는 정상 흐름뿐 아니라 실패 상태도 들어가야 한다.

입력값이 비어 있을 때
AI 응답이 실패했을 때
결과가 너무 짧거나 부정확할 때
네트워크 오류가 발생했을 때

SCREEN_SPEC.md

화면 명세 문서다.

각 화면에 어떤 요소가 들어가는지, 그리고 loading, empty, error, success 상태에서 어떤 문구와 UI를 보여줄지 정리한다.

캠퍼스로그 기준으로는 다음 요소가 필요하다.

입력 영역
분석 버튼
예시 입력 버튼
로딩 메시지
결과 카드
역량 태그
포트폴리오 문장 영역
복사 버튼
오류 메시지

NEXT_REQUEST.md

다음에 Codex에게 바로 맡길 첫 구현 요청문을 정리하는 문서다.

이 파일이 있으면 “이제 뭘 만들지?”를 매번 다시 고민하지 않아도 된다. PRD, IA, FLOW, SCREEN_SPEC을 바탕으로 Codex에게 복사해서 넣을 수 있는 요청문을 준비해두는 것이 목적이다.

9. 1주차 안에 해야 할 일 예상

아직 과제 안내가 최종적으로 어떻게 나올지는 봐야 하지만, 강의 흐름상 1주차 안에 우리 팀이 해야 할 일은 다음과 같다고 예상한다.

1. GitHub Organization 생성

팀 단위 협업을 위해 개인 repository보다 Organization을 만드는 것이 좋다고 생각한다.

예상 작업은 다음과 같다.

1. GitHub Organization 생성
2. 팀원 초대
3. campuslog repository 생성
4. README.md 기본 작성
5. main branch 보호 규칙 설정 여부 검토
6. feature branch 작업 방식 합의

2. 핵심 md 파일 작성

다음 파일들을 우선 작성해야 한다.

PRD.md
README.md
AGENTS.md
IA.md
FLOW.md
SCREEN_SPEC.md
NEXT_REQUEST.md

6개의 md 파일과 강의에서 받은 goal 명령어 흐름상 NEXT_REQUEST.md까지 만들면 다음 구현 단계로 넘어가기 쉽다고 생각한다.

3. MVP 범위 확정

캠퍼스로그의 1차 MVP 범위는 다음처럼 잡는 것이 적절해 보인다.

1. 활동 기록 입력
2. AI 요약 및 역량 추출
3. 포트폴리오 문장 생성

제외할 기능은 다음과 같다.

로그인
회원가입
결제
커뮤니티
친구 기능
실시간 협업
고급 개인화
복잡한 대시보드

4. 멘토링 질문 및 준비 내용 정리

이번 주 일요일에 20분 동안 멘토링이 진행되기 때문에, 짧은 시간 안에 최대한 많은 인사이트를 얻기 위해 질문을 미리 정리해두는 것이 중요하다.

멘토링에서는 단순히 궁금한 점을 묻기보다 현재 우리 팀의 방향과 고민을 기반으로 구체적인 질문을 준비하는 것이 좋다.

우선 우리 팀 상황을 간단히 정리하면 다음과 같다.

캠퍼스로그라는 AI 서비스 아이디어를 가지고 있음
1차 MVP 범위를 설정하는 단계
Codex와 GitHub를 활용한 협업 구조를 고민 중
실제 구현을 시작하기 전 문서 정리 단계

이 상태를 기준으로 다음과 같은 질문들을 준비할 수 있다.

1. 문제 정의 및 방향성 관련 질문

현재 설정한 문제 정의가 충분히 구체적인지
타깃 사용자를 더 좁혀야 하는지
캠퍼스로그의 핵심 가치가 명확한지
비슷한 서비스와 차별화 포인트를 어떻게 잡아야 하는지

2. MVP 범위 관련 질문

현재 설정한 MVP 범위가 적절한지 (너무 크거나 작은지)
반드시 포함해야 할 기능과 제외해도 되는 기능
10주 안에 구현 가능한 현실적인 범위인지
MVP 검증을 위해 꼭 필요한 사용자 경험 요소는 무엇인지

3. AI 기능 설계 관련 질문

활동 기록 → 요약 → 역량 추출 → 문장 생성 흐름이 적절한지
AI 결과의 품질을 높이기 위한 방법 (프롬프트 설계 등)

4. Codex 및 개발 방식 관련 질문

Codex를 활용할 때 가장 효율적인 작업 방식
문서 기반 개발 흐름(PRD, IA 등)이 실제로 효과적인지
AI Agent에게 작업을 맡길 때 주의할 점
개발 경험이 있는 팀원이 어떤 역할을 맡는 것이 좋은지

5. GitHub 협업 관련 질문

팀 규모에서 적절한 브랜치 전략
PR 리뷰를 어떻게 운영하는 것이 좋은지
초보 팀원과 함께 협업할 때 추천하는 방식
Organization 구조를 어떻게 가져가는 것이 좋은지

6. 발표 및 검증 관련 질문

10주차 발표에서 가장 중요하게 보는 요소
사용자 검증을 어떻게 진행하면 좋은지
데모 수준에서 어느 정도 완성도를 목표로 해야 하는지
발표 자료와 실제 서비스 중 어디에 더 집중해야 하는지

멘토링 시간은 짧기 때문에 모든 질문을 다 하기보다는 우선순위를 정해서 핵심 질문 3~5개 정도를 중심으로 진행하는 것이 좋다.

또한 질문만 준비하는 것이 아니라, 현재 우리 팀의 상태를 1~2분 안에 설명할 수 있도록 간단한 요약도 준비해두면 멘토가 상황을 빠르게 이해하고 더 구체적인 피드백을 줄 수 있다.

멘토링은 단순히 답을 얻는 시간이 아니라, 우리 팀의 방향을 점검하고 수정할 수 있는 중요한 기회이기 때문에 최대한 준비해서 활용하는 것이 중요하다.

5. 팀 협업 규칙 정리

팀원들이 GitHub 사용 경험이 많지 않을 수 있으므로, 처음부터 복잡한 협업 규칙을 적용하기보다 단순한 규칙을 정하는 것이 좋다.

예상 규칙은 다음과 같다.

main에는 직접 push하지 않는다.
모든 작업은 feature branch에서 진행한다.
작업 전 README.md, PRD.md, AGENTS.md를 먼저 확인한다.
큰 변경 전에는 Slack이나 노션, 카톡으로 공유한다.
PR에는 변경 내용과 확인한 내용을 간단히 적는다.
merge는 팀장이 최종 확인한다.

10. 문서 완성용 Goal 명령어 예시

강의 마지막에 받은 goal 명령어는 매우 유용했다. 우리 팀 프로젝트에 맞게 바꾸면 다음과 같이 사용할 수 있다.

/goal 현재 폴더에서 캠퍼스로그의 1주차 제품 기획 산출물을 완성해줘.

먼저 PRD.md, README.md, AGENTS.md를 읽고 현재 상태를 5줄 이내로 요약해줘.

그 다음 아래 산출물을 만들거나 정리해줘.
- IA.md: 페이지 3개 이하, 각 페이지의 목적과 포함 정보
- FLOW.md: 기본 사용자 흐름과 실패 상태
- SCREEN_SPEC.md: 각 화면의 주요 요소와 loading, empty, error, success 상태
- NEXT_REQUEST.md: 다음에 Codex에게 맡길 첫 구현 요청문

제약:
- 아직 앱 코드는 만들지 마.
- MVP 기능은 1-3개로 유지해.
- 로그인, 결제, 커뮤니티, 친구 기능, 고급 개인화는 제외해.
- 실제 학생 이름, 전화번호, 카카오톡 ID, API 키 예시는 쓰지 마.
- PRD.md의 MVP 범위를 넘기는 아이디어는 "나중 후보"로 분리해.

검증:
- PRD.md, README.md, AGENTS.md, IA.md, FLOW.md, SCREEN_SPEC.md, NEXT_REQUEST.md가 서로 모순되지 않는지 확인해.
- 각 파일이 짧고 초보 팀원이 읽을 수 있는지 확인해.
- 완료 전에 파일 목록과 핵심 변경 사항을 요약해.

종료 조건:
- 위 7개 파일이 모두 존재하고,
- MVP 범위가 1-3개 기능으로 유지되고,
- 다음 구현 요청문을 그대로 복사해 쓸 수 있으면 멈춰.

진행 방식:
- 큰 변경 전에는 짧게 체크포인트를 남겨줘.
- 막히면 여러 질문을 하지 말고, 꼭 필요한 의사결정 하나만 물어보고 멈춰.

이 명령어에서 중요한 점은 단순히 “문서 만들어줘”라고 하지 않는다는 것이다. 읽어야 할 파일, 만들어야 할 산출물, 제외할 기능, 검증 기준, 종료 조건이 모두 들어 있다.

Codex에게 일을 잘 맡기려면 요청 자체가 하나의 작업 명세서가 되어야 한다는 것을 배웠다.

11. 구현용 Goal 명령어 예시

문서가 어느 정도 정리되면 다음 단계는 첫 웹 프로토타입 구현이다. 이때도 무작정 “웹사이트 만들어줘”라고 하는 것이 아니라, 문서를 기준으로 구현 범위를 제한해야 한다.

캠퍼스로그에 적용하면 다음과 같이 쓸 수 있다.

/goal Demo 폴더의 제품 문서를 기준으로 캠퍼스로그의 첫 번째 웹 프로토타입을 구현해줘.

반드시 먼저 PRD.md, README.md, AGENTS.md, IA.md, FLOW.md, SCREEN_SPEC.md를 읽고 구현 범위를 요약해줘.

목표:
- PRD.md의 1차 MVP 범위 안에서만 구현한다.
- 사용자가 활동명, 활동 기간, 역할, 수행 내용, 성과를 입력한다.
- AI 분석 결과로 경험 요약, 핵심 역량, 포트폴리오 문장 초안을 볼 수 있다.
- loading, empty, error, success 상태를 화면에서 확인할 수 있다.

제약:
- 로그인, 결제, 커뮤니티, 친구 기능, 고급 개인화는 만들지 않는다.
- 실제 외부 API 연결은 처음에는 만들지 않는다. 필요한 경우 로컬 mock 데이터로 처리한다.
- 실제 학생 개인정보나 API 키 예시는 쓰지 않는다.

검증:
- 프로젝트 실행 방법을 README.md에 적는다.
- 가능하면 로컬 실행 명령을 실행하고 결과를 확인한다.
- 브라우저 확인이 가능하면 주요 화면을 열어 상태별로 확인한다.
- 확인하지 못한 것은 완료했다고 말하지 않는다.

종료 조건:
- 첫 화면 프로토타입이 실행 가능하고,
- MVP 흐름이 화면에서 확인되고,
- README.md에 실행 및 검증 방법이 있으며,
- 남은 작업과 제외한 기능이 정리되어 있으면 멈춰.

이렇게 작성하면 Codex가 작업 범위를 지나치게 넓히는 것을 막을 수 있다. 특히 로그인이나 데이터베이스 설계부터 시작하지 않고, 사용자가 바로 체험할 수 있는 핵심 흐름부터 만들 수 있다.

12. 참고하면 좋은 확장 도구

강의 이후 참고 자료로 몇 가지 GitHub repository도 공유받았다.

https://github.com/obra/Superpowers
https://github.com/code-yeongyu/lazycodex
https://github.com/garrytan/gstack

이 자료들은 Codex를 더 체계적으로 활용하기 위한 확장 도구나 작업 방식에 가깝다.

아직 1주차부터 모두 적용할 필요는 없다고 생각한다. 우선은 기본 문서 구조와 MVP 범위를 먼저 잡고, 이후 프로젝트가 커지면 참고하는 방식이 적절해 보인다.

13. 우리 팀 캠퍼스로그에 적용할 방향

이번 강의를 듣고 캠퍼스로그의 방향도 조금 더 명확해졌다.

초기에는 대학생활 전체를 아카이빙하는 서비스로 생각했지만 MVP 단계에서는 범위가 너무 넓을 수 있다. 따라서 1차 MVP는 “대학생 활동 경험을 포트폴리오 문장으로 바꾸는 AI 도구”에 집중하는 것이 좋다고 생각한다.

현재 기준으로 캠퍼스로그의 MVP는 다음 한 문장으로 정리할 수 있다.

캠퍼스로그는 대학생이 흩어진 활동 경험을 입력하면, AI가 경험 요약·핵심 역량·포트폴리오 문장으로 정리해주는 서비스다.

이 문장에 포함되지 않는 기능은 일단 뒤로 미루는 것이 맞다.

예를 들어 “활동 기록을 장기적으로 저장하는 기능”은 중요하지만, 첫 데모에서는 로컬 상태나 임시 저장으로도 충분할 수 있다. “로그인 후 내 기록을 관리하는 기능”도 나중에는 필요하지만, 사용자가 AI 결과를 체험하는 데 반드시 필요한 것은 아니다.

지금 가장 중요한 것은 사용자가 활동 내용을 넣고, AI가 쓸 만한 결과물을 만들어주는 경험을 빠르게 보여주는 것이다.

15. 1주차를 마치며

이번 1주차 강의는 Codex와 GitHub를 처음 접하는 사람들에게는 기본 도구를 익히는 시간이었고 개발 경험이 있는 사람에게는 AI Agent 시대의 작업 방식 자체를 다시 생각하게 하는 시간이었다.

가장 크게 느낀 점은 세 가지다.

첫째, AI 서비스는 AI 기능 자체보다 사용자의 문제와 서비스 흐름이 중요하다.

둘째, MVP에서는 기능을 많이 넣는 것이 아니라 핵심 기능을 작게 검증해야 한다.

셋째, Codex는 단순 코드 생성기가 아니라 프로젝트 문서를 읽고, 목표에 맞게 작업을 수행하는 협업 파트너처럼 다뤄야 한다.

앞으로 우리 팀은 캠퍼스로그를 개발하면서 이 기준을 계속 의식해야 한다.
기능을 늘리고 싶은 마음이 들 때마다 “이 기능이 지금 MVP 검증에 꼭 필요한가?”를 먼저 물어봐야 한다.

또한 Codex에게 바로 구현을 맡기기보다 PRD, README, AGENTS, 화면 명세, 사용자 흐름을 먼저 정리해야 한다.

이번 주 안에는 GitHub Organization을 만들고, 팀 repository를 정리한 뒤, 1주차 핵심 md 파일을 작성하는 것을 목표로 한다.

이후에는 문서 기반으로 Codex에게 첫 웹 프로토타입 구현을 맡기고, 빠르게 작동하는 화면을 만들어볼 계획이다.

이번 강의를 통해 UNIKER 프로젝트가 단순한 교육 프로그램이 아니라, 실제 서비스를 만들어가는 실전 프로젝트라는 점을 다시 느꼈다.

앞으로 10주 동안 캠퍼스로그가 단순한 아이디어에서 실제 사용 가능한 AI 서비스로 발전하는 과정을 꾸준히 기록해보려고 한다.

[햌포터즈 1기] AICE Associate 2주차 수강 후기

MKISOS — Wed, 24 Jun 2026 06:43:34 +0900

본 포스팅은 해당 브랜드로 인강 수강 체험 혜택을 받아 작성되었습니다.

[사진 1: 해커스자격증 서포터즈 전자명함]

2주차 학습을 시작하며

안녕하세요. 김문기(Markus)입니다.

이번 글은 해커스자격증 서포터즈 햌포터즈 1기 활동을 통해 AICE Associate 과정을 수강하며 정리한 2주차 후기입니다.

1주차에는 AICE 자격증이 어떤 시험인지, KT AICE 과정이 어떤 흐름으로 구성되어 있는지 전체적인 방향을 살펴봤습니다. 2주차에는 조금 더 구체적으로 AICE Associate 과정에서 다루는 핵심 개념을 공부했습니다.

이번 주에 집중한 내용은 데이터 탐색, 데이터 전처리, 머신러닝 지도학습입니다. AI를 공부한다고 하면 보통 모델이나 알고리즘부터 떠올리기 쉽지만, 실제 강의를 들어보니 좋은 AI 모델을 만들기 위해서는 데이터를 먼저 이해하는 과정이 중요하다는 점을 다시 느꼈습니다.

[사진 2: AICE Associate 이론편을 수강]

AICE Associate 과정에서 데이터가 중요한 이유

AICE Associate 과정은 단순히 AI 용어를 외우는 흐름이라기보다, 데이터를 기반으로 문제를 해결하는 과정을 단계적으로 익히는 구조였습니다.

2주차에 들은 데이터 탐색 및 전처리 강의에서는 AI 모델을 만들기 전에 데이터를 먼저 살펴보는 과정이 왜 중요한지 설명했습니다.

데이터 탐색은 데이터가 어떤 컬럼으로 구성되어 있는지, 값의 분포가 어떤지, 결측치나 이상치가 있는지 확인하는 과정입니다. 데이터 전처리는 모델이 데이터를 제대로 학습할 수 있도록 정리하는 과정입니다.

이 부분을 들으면서 AI 프로젝트에서도 결국 데이터 구조를 어떻게 잡느냐가 중요하다는 생각이 들었습니다. RAG 챗봇을 만들 때도 문서를 어떻게 나누고 저장하는지, 검색에 필요한 메타데이터를 어떻게 구성하는지가 답변 품질에 영향을 줬습니다. 머신러닝에서도 마찬가지로 모델에 넣기 전 데이터가 어떤 상태인지 확인하는 과정이 중요했습니다.

[사진 3: 머신러닝 지도학습 강의 수강 화면]

데이터 탐색과 전처리를 공부하며

2주차 강의에서 가장 기억에 남은 부분은 데이터 탐색과 전처리입니다.

데이터 탐색은 AI 모델링의 출발점이라고 할 수 있습니다. 데이터의 기본 통계량을 확인하고, 평균, 중앙값, 최댓값, 최솟값, 분포 등을 살펴보면 데이터가 어떤 특징을 가지고 있는지 파악할 수 있습니다.

또한 결측치가 있는지, 특정 값이 비정상적으로 튀는지 확인하는 과정도 중요합니다. 데이터를 바로 모델에 넣기보다 먼저 데이터 상태를 확인하는 습관이 필요하다는 점이 인상적이었습니다.

전처리는 단순히 데이터를 깔끔하게 만드는 작업이 아니라 모델 성능과 직접 연결되는 작업입니다. 결측치를 어떻게 처리하는지, 이상치를 어떻게 판단하는지, 불필요한 컬럼을 어떻게 정리하는지에 따라 모델의 결과가 달라질 수 있습니다.

그래서 AICE Associate 과정에서 데이터 전처리 파트가 중요하게 다뤄지는 이유를 이해할 수 있었습니다.

[사진 4, 5: 비지도학습, 딥러닝 강의 화면]

지도학습 개념 정리

데이터 탐색과 전처리 이후에는 머신러닝 지도학습 개념을 공부했습니다.

지도학습은 정답이 있는 데이터를 기반으로 모델을 학습시키는 방식입니다. 예측하고 싶은 값이 명확할 때 주로 사용합니다.

예를 들어 합격 여부를 예측하는 문제는 분류 문제로 볼 수 있고, 매출액이나 점수를 예측하는 문제는 회귀 문제로 볼 수 있습니다.

AICE Associate 과정에서 지도학습을 공부하면서 중요한 것은 개념을 어렵게 외우는 것이 아니라, 문제를 보고 이 문제가 분류인지 회귀인지 구분하는 것이라고 느꼈습니다. 문제 유형을 먼저 파악해야 어떤 방식으로 모델을 학습시키고 평가할지 결정할 수 있기 때문입니다.

이 부분은 실제 AICE 시험을 준비할 때도 중요할 것 같습니다.

전체 커리큘럼을 다시 보며

2주차에 다시 전체 강의 목록을 보니 AICE Associate 과정의 흐름이 조금 더 잘 보였습니다.

초반에는 인공지능과 데이터 과학 기초를 다루고, 그다음 데이터 탐색 및 전처리, 머신러닝 지도학습, 비지도학습, 딥러닝, 모델 성능 최적화로 이어집니다.

이 흐름을 보면 AICE Associate는 AI 개념을 하나씩 따로 외우는 과정이 아니라, 데이터 기반 문제 해결 과정을 순서대로 따라가는 과정에 가깝습니다.

특히 AI 국가자격증을 검색하며 AI 관련 자격증을 알아보는 분들이라면, 단순히 자격증 이름만 보고 선택하기보다 어떤 내용을 배우는지 확인하는 것이 중요하다고 생각합니다. AI 국가자격증이라는 키워드로 검색하는 분들도 결국 원하는 것은 AI 역량을 객관적으로 정리하고 보여주는 방법일 것입니다.

그런 관점에서 AICE Associate는 AI 입문자나 AI 활용 역량을 정리하고 싶은 사람에게 참고할 만한 과정이라고 느꼈습니다.

[사진 6: 강의 수강 목록 화면]

노션에 정리하며 공부하기

저는 이번 주에도 강의를 들으면서 노션에 2주차 학습 내용을 정리했습니다.

그냥 강의를 듣고 넘기는 것보다, 직접 문장으로 정리해보니 개념이 더 오래 남았습니다. 특히 데이터 탐색, 전처리, 지도학습 같은 개념은 단어만 보면 익숙하지만, 실제로 설명하려고 하면 헷갈리는 부분이 있었습니다.

노션에는 다음 내용을 중심으로 정리했습니다.

데이터 탐색이 왜 중요한지, 데이터 전처리가 모델 성능과 어떻게 연결되는지, 지도학습이 어떤 방식으로 작동하는지, 분류와 회귀가 어떻게 다른지 정리했습니다.

AICE Associate 교재가 있다면 개념을 더 체계적으로 복습하기 좋겠지만, 현재는 제공된 강의와 노션 정리만으로도 기본 흐름을 잡는 데 큰 문제는 없었습니다.

[사진 7~10: 노션 2주차 핵심 개념 정리 화면]

AICE Associate 교재 없이 공부해본 느낌

이번 활동을 시작하면서 AICE Associate 교재를 꼭 구매해야 할지 고민했습니다.

하지만 2주차까지 학습해보니, 우선은 해커스 강의와 노션 필기만으로도 전체 흐름을 따라가는 것은 가능하다고 느꼈습니다.

물론 실제 시험 응시를 목표로 한다면 AICE Associate 교재를 함께 활용하는 것이 더 안정적일 수 있습니다. 교재가 있으면 개념을 다시 확인하거나 문제를 반복해서 풀 때 도움이 될 수 있기 때문입니다.

다만 지금처럼 강의 수강 후기와 학습 흐름 정리를 목표로 한다면, AICE Associate 교재 없이도 강의 중심으로 충분히 시작할 수 있었습니다.

제 방식은 간단합니다. 먼저 강의를 듣고, 핵심 개념을 노션에 정리한 뒤, 헷갈리는 부분은 다시 강의 목록을 보며 복습합니다. 이후 유형편과 모의고사편으로 넘어가면서 필요성을 느끼면 AICE Associate 교재 구매 여부를 다시 판단해도 될 것 같습니다.

AI 국가자격증을 찾는 사람에게 필요한 관점

AI 관련 자격증을 알아보는 사람들은 종종 AI 국가자격증이라는 키워드로 검색합니다.

그만큼 AI 역량을 객관적으로 보여줄 수 있는 자격증에 대한 관심이 커졌다는 뜻이라고 생각합니다.

다만 개인적으로는 자격증 하나만으로 AI 실력을 모두 증명하기는 어렵다고 봅니다. 특히 개발자나 AI 프로젝트를 준비하는 사람에게는 실제 프로젝트 경험, 데이터 처리 경험, 문제 해결 과정이 함께 필요합니다.

그럼에도 AI 국가자격증을 찾는 과정에서 AICE Associate 같은 자격 과정을 살펴보는 것은 의미가 있습니다. AI와 데이터 분석의 기본 흐름을 정리하고, 내가 어떤 부분을 알고 있고 어떤 부분이 부족한지 확인할 수 있기 때문입니다.

저에게 이번 과정은 단순히 자격증을 준비하는 것보다, AI 프로젝트 경험을 데이터 분석과 머신러닝 개념으로 다시 정리하는 과정에 가깝습니다.

2주차 수강 후기

2주차를 수강하면서 가장 크게 느낀 점은 AI 모델링은 모델 선택에서 시작하는 것이 아니라 데이터 이해에서 시작한다는 것입니다.

이전에는 AI라고 하면 모델, 알고리즘, 프롬프트, API 사용에 먼저 관심이 갔습니다. 하지만 실제 문제 해결 과정에서는 데이터가 어떤 구조인지, 어떤 값이 빠져 있는지, 어떤 변수가 중요한지 확인하는 과정이 먼저 필요합니다.

AICE Associate 과정은 초보자도 따라갈 수 있도록 구성되어 있지만, 그렇다고 내용이 너무 가볍지만은 않았습니다. 데이터 탐색, 전처리, 지도학습처럼 AI와 데이터 분석을 이해하기 위해 필요한 기본 개념들이 차례대로 등장했습니다.

정보처리기사와 SQLD를 공부했을 때는 개발과 데이터베이스의 기본기를 쌓는 느낌이었다면, AICE Associate 과정은 그 위에 AI 활용 관점을 추가하는 느낌이었습니다.

[사진 11, 12: 2주차 학습 체크리스트]

해커스 AICE 과정 링크

해커스 AICE 과정이 궁금하신 분들은 아래 링크에서 확인해볼 수 있습니다.

https://gouk.kr/sKDSWl

1위 해커스 AICE 100% 환급반

pass.hackers.com

다음 주 학습 계획

이번 주에는 데이터 탐색, 데이터 전처리, 지도학습을 중심으로 AICE Associate 과정을 학습했습니다.

다음 주에는 비지도학습, 딥러닝, 모델 성능 최적화 쪽으로 넘어가며 AI 모델이 데이터를 어떻게 학습하고 성능을 개선하는지 더 구체적으로 정리해보려고 합니다.

2주차를 마치며 정리하자면, AICE Associate는 AI 개념을 단순히 암기하는 과정이라기보다 데이터 기반 문제 해결 흐름을 이해하는 과정에 가깝다고 느꼈습니다.

AICE Associate 교재 없이도 강의와 노션 필기를 활용하면 기본 흐름은 잡을 수 있었고, 이후 실제 AICE 시험을 준비하게 된다면 유형편과 모의고사편을 보면서 교재 활용 여부를 다시 고민해볼 계획입니다.

앞으로도 햌포터즈 활동을 통해 AI 국가자격증을 찾는 분들에게 도움이 될 수 있도록, 실제 수강 과정과 학습 후기를 꾸준히 기록해보겠습니다.

경제금융용어 공부 539 : 지니계수

MKISOS — Tue, 23 Jun 2026 21:00:56 +0900

지니계수

한 나라의 경제가 성장했다고 해서 모든 사람이 똑같이 부유해지는 것은 아니다. 어떤 사회는 소득이 비교적 고르게 분배되어 있는 반면, 어떤 사회는 소수에게 부가 집중되기도 한다. 지니계수는 이러한 소득 불평등 정도를 숫자로 나타내는 대표적인 지표이다. 경제 뉴스에서 "소득 양극화"나 "불평등 심화"라는 표현이 나올 때 자주 등장하는 개념이다.

1. 한 줄 정의

지니계수는 한 사회의 소득 분배가 얼마나 불평등한지를 0에서 1 사이의 숫자로 나타낸 지표이다.

2. 기본 개념

지니계수(Gini Coefficient)는 이탈리아의 통계학자 코라도 지니(Corrado Gini)가 개발한 소득분배 측정 지표이다.

지니계수는 로렌츠곡선을 바탕으로 계산된다. 소득이 완전히 균등하게 분배된 상태와 실제 소득 분배 상태의 차이를 수치화한 것이다.

지니계수는 0과 1 사이의 값을 가진다.

0에 가까울수록 소득 분배가 평등
1에 가까울수록 소득 분배가 불평등

즉, 숫자가 클수록 빈부격차가 크다는 의미이다.

3. 왜 중요한가

경제성장은 국민 전체의 삶을 개선하는 것이 이상적이다.

하지만 성장의 과실이 특정 계층에만 집중된다면 사회적 갈등이 발생할 수 있다.

지니계수는 단순히 경제 규모가 얼마나 큰지를 보는 것이 아니라 경제적 혜택이 얼마나 공정하게 분배되고 있는지를 보여준다.

정부는 지니계수를 활용해 복지정책, 세금정책, 소득재분배 정책의 효과를 평가하기도 한다.

또한 국제기구와 투자자들은 국가의 사회 안정성과 경제 구조를 분석할 때 지니계수를 참고한다.

4. 쉽게 이해하는 예시

대학생 예시

10명의 학생이 아르바이트를 통해 총 100만 원을 벌었다고 가정해보자.

모든 학생이 10만 원씩 똑같이 받았다면 소득 분배는 매우 평등하다.

반면 한 명이 80만 원을 받고 나머지 9명이 각각 2만 원 정도를 받았다면 소득 분배는 매우 불평등하다.

첫 번째 경우의 지니계수는 0에 가깝고, 두 번째 경우의 지니계수는 1에 가까워진다.

실생활 예시

한 지역의 아파트 가격이 급등하면서 일부 자산 보유자는 큰 부를 얻었지만 대부분의 주민은 소득 증가가 거의 없었다고 가정해보자.

이 경우 자산과 소득의 격차가 확대되면서 지니계수가 상승할 가능성이 높다.

경제 예시

국가 전체 GDP는 증가했지만 대기업과 고소득층의 소득만 크게 늘고 중산층과 저소득층의 소득은 정체되었다면 지니계수는 상승하게 된다.

이는 경제성장이 반드시 소득 분배 개선으로 이어지는 것은 아니라는 점을 보여준다.

5. 핵심 특징

5-1. 가장 널리 사용되는 소득 불평등 지표

지니계수는 세계은행, OECD, IMF 등 주요 국제기구가 활용하는 대표적인 소득분배 지표이다.

국가 간 불평등 수준을 비교할 때 자주 사용된다.

5-2. 숫자가 높을수록 불평등하다

지니계수는 해석이 비교적 간단하다.

0에 가까움 → 평등
1에 가까움 → 불평등

따라서 수치 변화만으로도 소득 분배 상태의 개선 여부를 파악할 수 있다.

5-3. 한계도 존재한다

지니계수는 전체 소득 분배를 하나의 숫자로 압축해서 보여준다.

따라서 어느 계층에서 소득 격차가 발생했는지, 중산층이 줄어든 것인지, 최상위층 소득이 증가한 것인지까지는 알 수 없다.

6. 관련 개념과의 차이

지니계수 vs 상대적 빈곤율

지니계수

전체 소득 분배의 불평등 정도 측정
사회 전체를 대상으로 분석

상대적 빈곤율

중위소득 대비 일정 수준 이하 소득자의 비율 측정
저소득층 규모에 초점

즉 지니계수는 전체 분배 구조를 보고, 상대적 빈곤율은 빈곤층 규모를 보는 지표이다.

지니계수 vs 소득 5분위 배율

지니계수

전체 계층을 모두 반영
0~1 사이의 값으로 표현

소득 5분위 배율

상위 20%와 하위 20%의 소득 격차 비교
특정 계층 간 격차를 직관적으로 파악 가능

즉 지니계수는 전체적인 불평등 정도를 보여주고, 소득 5분위 배율은 양극단 계층의 격차를 보여준다.

7. 경제적 의미

국가경제 관점

지니계수는 한 나라의 경제성장이 국민 전체에게 얼마나 고르게 분배되고 있는지를 보여준다.

지니계수가 지나치게 높아지면 사회적 갈등과 경제적 불안정성이 커질 수 있다.

기업 관점

소득 분배가 개선되면 소비 여력이 증가하여 내수시장이 활성화될 수 있다.

반대로 불평등이 심화되면 소비가 특정 계층에 집중될 가능성이 있다.

금융시장 관점

높은 소득 불평등은 정치·사회적 불안 요인이 될 수 있으며 장기적으로 금융시장에도 영향을 미칠 수 있다.

투자 관점

투자자는 지니계수를 통해 국가의 사회 안정성, 소비시장 구조, 장기 성장 가능성을 간접적으로 파악할 수 있다.

특히 신흥국 투자에서는 소득 불평등 수준이 중요한 분석 요소가 되기도 한다.

8. 정리

지니계수는 소득 분배의 불평등 정도를 측정하는 대표적인 경제지표이다. 0에 가까울수록 평등하고 1에 가까울수록 불평등하다는 의미를 가진다. 경제 규모나 성장률만으로는 알 수 없는 소득 분배 상태를 파악할 수 있기 때문에 정부와 국제기구가 널리 활용한다. 다만 전체 소득 분배를 하나의 숫자로 표현하기 때문에 특정 계층의 상황을 구체적으로 보여주지는 못한다는 한계도 존재한다.

[UNIKER] 대학생 AI 크루 UNIKER 1기 발대식 후기: 10주간의 AI 서비스 도전 시작

MKISOS — Tue, 23 Jun 2026 09:45:18 +0900

2026년 6월 22일 월요일, 서울 테헤란로 센터필드 WEST 7층 FIRESIDE에서 진행된 커널아카데미 대학생 AI 크루 UNIKER 1기 발대식에 다녀왔다.

이번 UNIKER 1기는 대학생들이 AI를 활용해 직접 문제를 정의하고 서비스를 기획하고 실제로 작동하는 결과물까지 만들어보는 프로그램이다. 단순히 강의를 듣고 끝나는 활동이 아니라 10주 동안 팀원들과 함께 하나의 AI 미니 서비스를 만들어 최종 데모데이에서 발표하는 과정이다.

요즘 내가 가장 관심을 가지고 있는 키워드는 개발, AI, 기록, 창업, 그리고 실제 사용자가 있는 서비스다. 그래서 이번 활동은 단순한 대외활동이라기보다 내가 앞으로 만들고 싶은 것들을 조금 더 실전적으로 실험해볼 수 있는 좋은 기회라고 느꼈다.

설레는 발대식 가는 길

발대식 장소

커널아카데미와 UNIKER 소개

발대식은 커널아카데미와 UNIKER 프로그램 소개로 시작됐다.

커널아카데미는 단순히 이론을 배우는 곳이 아니라 실제 현업에서 활용할 수 있는 문제 해결 능력을 기르는 실무 중심의 성장 플랫폼이라는 설명이 인상적이었다. 특히 핵심 가치로 소개된 세 가지가 기억에 남았다.

첫 번째는 Practical, 이론이 아니라 현업에서 바로 쓰이는 기술.
두 번째는 Empowering, 누구나 IT 기술을 도구로 삼을 수 있는 환경.
세 번째는 Growth, 결과물 완성을 통한 개인의 성장.

UNIKER는 독창적인 아이디어를 만드는 사람들, 즉 Unique와 Maker의 의미를 담고 있는 대학생 AI 크루다. “대학생활을 200% 더 재미있게 만들 아이디어”라는 문구처럼 대학생들이 평소 느끼는 불편함을 AI를 활용해 직접 서비스로 만들어보는 것이 핵심이다.

개인적으로 이 부분이 좋았다.

요즘은 아이디어 자체보다 그 아이디어를 얼마나 빠르게 검증하고 실제 결과물로 만들 수 있는지가 더 중요하다고 생각한다. 특히 AI 도구가 발전하면서 이제는 비전공자도, 개발 경험이 적은 사람도, 자신이 느낀 문제를 직접 서비스로 구현해볼 수 있는 환경이 만들어지고 있다.

나 역시 이번 활동을 통해 단순히 “좋은 아이디어를 냈다”에서 끝나는 것이 아니라, 실제로 누군가가 써볼 수 있는 링크를 남기는 경험을 해보고 싶다.

10주 동안 무엇을 하게 될까

UNIKER 1기는 총 10주 동안 진행된다.

초반 1~5주차에는 팀 역할을 정하고 문제 후보를 발굴하고 타깃 사용자를 정하고 서비스 흐름과 핵심 화면을 정리한 뒤 첫 프로토타입을 만드는 과정이 진행된다.

후반 6~10주차에는 핵심 AI 기능을 붙이고 사용자 체험 흐름을 완성하고 최종 서비스 링크와 README, 발표 자료, 데모 시나리오까지 정리한 뒤 최종 발표를 하게 된다.

이 과정에서 총 4번의 실시간 강의가 진행되고, 평일에는 서면 멘토링, 주말에는 줌 멘토링이 함께 진행된다. 단순히 알아서 만들라는 방식이 아니라 중간중간 강의와 멘토링을 통해 방향성을 점검할 수 있다는 점이 좋았다.

무엇보다 최종 목표가 마음에 들었다.

단순한 발표 자료가 아니라 작동하는 링크(URL)를 제출하는 것.

이 문장이 이번 활동의 방향을 가장 잘 보여준다고 생각했다.
개발자에게 가장 중요한 것은 결국 말보다 결과물이고 아이디어보다 작동하는 서비스다. 이번 10주 동안 나도 이 기준을 계속 기억하면서 움직이고 싶다.

자기소개: #FailFast #시스템 #영향력

발대식 중간에는 참가자들이 한 명씩 자기소개를 하는 시간이 있었다.

나는 충북대학교 소프트웨어학부 김문기라고 소개했고 나를 표현하는 키워드로 세 가지를 이야기했다.

#FailFast
완벽하게 준비한 뒤 움직이기보다 먼저 시도하고 경험하면서 배우는 것을 중요하게 생각한다. 실패를 피하려고 멈춰 있는 것보다, 빠르게 시도하고 그 과정에서 배운 것을 다음 시도에 반영하는 사람이 되고 싶다.

#시스템
나는 의지보다 시스템을 믿는 편이다. 운동, 공부, 기록, 자산관리, 회고 같은 것들을 루틴으로 만들고 관리하는 걸 좋아한다. 결국 오래 가는 성장은 순간적인 의지가 아니라, 반복 가능한 시스템에서 나온다고 생각한다.

#영향력
내가 궁극적으로 추구하는 방향은 주변 사람들과 사회에 긍정적인 영향을 주는 것이다. 개발이든, 콘텐츠든, 교육이든, 창업이든 내가 만든 것이 누군가에게 도움이 될 때 가장 큰 의미를 느낀다.

자기소개 사진으로는 그랜드캐니언에서 찍은 사진을 사용했다. 단순히 여행 사진이라서 고른 것은 아니었다. 2024년에 개발자를 꿈꾸며 실리콘밸리에 가보고 싶다는 마음 하나로 구글, 애플 등 미국에 있는 개발자분들께 직접 콜드메일을 보냈고 실제로 현직자분들을 만나러 갔던 경험이 있었다.

그 경험은 나에게 “일단 시도하면 생각보다 많은 것이 열린다”는 걸 알려줬다. 그래서 그 사진이 내 키워드인 Fail Fast와 잘 맞는다고 생각했다.

다양한 사람들이 모인 자리

이번 발대식에서 인상 깊었던 점은 정말 다양한 전공과 배경을 가진 사람들이 모였다는 것이다.

컴퓨터공학, AI, 디자인, 미디어, 사회복지, 경제, 문예창작, 심리학 등 전공도 다양했고 각자 관심사도 달랐다. 어떤 사람은 기획에 강점이 있었고, 어떤 사람은 디자인 경험이 있었고, 어떤 사람은 개발이나 데이터에 관심이 있었다.

이 부분이 UNIKER의 장점처럼 느껴졌다.

AI 서비스를 만든다고 해서 꼭 개발자만 필요한 것은 아니다. 문제를 발견하는 사람, 사용자를 이해하는 사람, 흐름을 설계하는 사람, 화면을 구성하는 사람, 기술로 구현하는 사람이 함께 있어야 하나의 서비스가 만들어진다.

나도 개발자로서의 역할을 잘하고 싶지만 동시에 이번 활동에서는 팀원들의 관점과 아이디어를 잘 묶어서 실제 서비스로 연결하는 경험을 해보고 싶다.

Codex와 GitHub OT

이후에는 한서우 강사님의 OT가 진행됐다.

이번 10주 동안 메인 개발 파트너로 활용할 도구는 Codex였다. Codex는 자연어로 원하는 기능을 설명하면 코드를 작성하고, 수정하고, 디버깅까지 도와주는 AI 코딩 에이전트다.

강사님은 Codex를 단순한 코딩 툴로만 보면 아쉽다고 설명해주셨다. 코드를 잘 모르는 사람도 자연어로 원하는 기능을 설명하고, 결과물을 확인하면서 “이 부분은 별로다”, “이렇게 수정해달라”는 식으로 피드백을 주며 서비스를 발전시킬 수 있기 때문이다.

특히 기억에 남았던 부분은 ChatGPT와 Codex의 차이에 대한 설명이었다.

ChatGPT는 웹에서 대화하는 느낌이라면 Codex는 내 컴퓨터 안의 파일을 직접 보고 폴더를 다루고 필요한 작업을 수행할 수 있다는 점에서 더 실무적인 도구처럼 느껴졌다. 강사님은 다운로드 폴더를 예시로 들며, Codex에게 폴더 정리를 시키는 것도 가능하다고 설명했다.

GitHub에 대한 설명도 이어졌다.

비개발자 입장에서는 GitHub가 낯설 수 있지만, 강사님은 GitHub를 “코드를 위한 구글 드라이브”처럼 설명해주셨다. 팀원들이 각자 작업한 내용을 저장하고 변경 이력을 남기고 필요하면 이전 버전으로 돌아갈 수 있게 해주는 협업 도구라는 점에서 꼭 필요한 도구였다.

개발 전공인 나에게 GitHub는 익숙한 도구지만 이번 팀원들은 GitHub 경험이 많지 않을 수도 있다. 그래서 이번 프로젝트에서는 단순히 내가 혼자 개발하는 것이 아니라 팀원들도 최대한 이해할 수 있도록 GitHub 흐름을 쉽게 정리하고 공유해야겠다는 생각이 들었다.

https://github.com/mk-isos

mk-isos - Overview

김 문 기 . mk-isos has 36 repositories available. Follow their code on GitHub.

github.com

팀 빌딩: 팀 ‘핏줄’ 결성

마지막 순서로는 팀 빌딩과 아이디어 공유 시간이 있었다.

우리 팀 이름은 핏줄이다.

이름만 보면 조금 강렬할 수 있는데 이유는 단순하다. 우리 팀원들이 학교는 다르지만 고등학교를 함께 나왔기 때문이다. 서로를 오래 알고 있는 만큼 빠르게 의견을 나누고 실행할 수 있다는 장점이 있다.

우리 팀원은 다음과 같다.

김문기 / 충북대학교 소프트웨어학부
반건우 / 고려대학교 컴퓨터학과
하동현 / 서울시립대학교 인공지능학과

팀명도 정하고 슬랙에 팀원들을 태그해 올리고, 우리 팀이 생각한 서비스 아이디어도 간단히 공유했다.

우리가 만들 서비스: CampusLog

우리 팀이 발대식에서 공유한 서비스 아이디어는 CampusLog다.

CampusLog는 대학생활 동안 흩어져 있는 경험들을 하나의 성장 기록으로 정리하는 AI 아카이브 서비스다.

대학생들은 대외활동, 공모전, 프로젝트, 수상, 인턴, 블로그, GitHub 등 다양한 경험을 쌓는다. 그런데 막상 자기소개서나 포트폴리오를 작성하려고 하면 이런 경험들이 여러 곳에 흩어져 있어서 다시 정리하는 데 시간이 많이 든다.

나 역시 비슷한 문제를 자주 느꼈다.

활동을 할 때는 열심히 했는데, 시간이 지나면 어떤 역할을 했는지, 어떤 문제를 해결했는지, 그 경험에서 어떤 역량을 보여줄 수 있는지 흐릿해진다. 결국 자기소개서를 쓸 때마다 과거의 기록을 다시 뒤지고 기억을 복원하고 문장으로 정리하는 과정을 반복하게 된다.

CampusLog는 이 문제에서 출발했다.

사용자가 활동 기록을 입력하면 AI가 그 내용을 요약하고, 핵심 경험과 역량을 분석하고, 포트폴리오 문장이나 자기소개서 소재, 면접 답변용 경험 정리까지 도와주는 서비스로 발전시켜보고 싶다.

단순한 기록 앱이 아니라, 대학생활의 경험을 “취업과 성장에 활용 가능한 언어”로 바꿔주는 서비스가 목표다.

물론 아직은 아이디어 단계이기 때문에 앞으로 사용자 타깃, 핵심 기능, MVP 범위, 데이터 입력 방식, AI 요약 품질 등을 계속 다듬어야 한다. 하지만 적어도 우리가 직접 겪은 문제에서 출발했다는 점에서 충분히 검증해볼 만한 주제라고 생각한다.

발대식을 마치며

이번 발대식은 단순한 오리엔테이션이라기보다 앞으로 10주 동안 무엇을 만들어야 하는지 방향을 잡는 시간이었다.

가장 크게 남은 키워드는 세 가지다.

첫째, 실제로 작동하는 서비스를 만들어야 한다.
둘째, AI를 단순히 사용하는 것을 넘어 문제 해결 도구로 활용해야 한다.
셋째, 혼자 잘하는 것이 아니라 팀으로 끝까지 완성하는 경험을 해야 한다.

나는 그동안 여러 프로젝트와 공모전, 대외활동을 해왔지만, 이번 활동은 또 다른 의미가 있다. AI를 활용해 대학생의 실제 문제를 해결하는 서비스를 만들고 그것을 10주 안에 구체적인 결과물로 완성해야 하기 때문이다.

팀 핏줄이 만들 CampusLog가 처음 생각한 모습 그대로 완성될지는 아직 모른다. 아마 중간에 방향이 바뀔 수도 있고 기능을 줄여야 할 수도 있고 생각보다 어려운 문제를 만날 수도 있다.

하지만 이번에도 내 키워드처럼 가보려고 한다.

Fail Fast.

빠르게 시도하고, 빠르게 배우고, 빠르게 고쳐나가기.

10주 뒤, 단순히 “열심히 했다”가 아니라
“이런 서비스를 만들었다”라고 말할 수 있도록 잘 기록하고 완성해보고 싶다.

경제금융용어 공부 538 : 지급준비제도

MKISOS — Mon, 22 Jun 2026 21:00:21 +0900

지급준비제도

은행은 고객이 맡긴 예금을 모두 대출해 주는 것이 아니다. 만약 예금자들이 한꺼번에 돈을 찾으러 온다면 은행은 즉시 지급할 수 있는 자금을 보유하고 있어야 한다. 지급준비제도는 이러한 상황에 대비해 금융기관이 일정 비율의 자금을 중앙은행에 예치하도록 하는 제도이다. 오늘날에는 예금자 보호뿐만 아니라 중앙은행이 시중의 통화량과 유동성을 조절하는 중요한 통화정책 수단으로 활용되고 있다.

1. 한 줄 정의

지급준비제도는 금융기관이 예금 등의 일정 비율을 중앙은행에 예치하도록 하는 제도이다.

2. 기본 개념

지급준비제도(Reserve Requirement)는 중앙은행이 금융기관에게 예금과 같은 부채의 일정 비율만큼 자금을 의무적으로 보유하도록 하는 제도이다.

은행이 고객 예금에 대비해 보유하는 자금을 지급준비금이라고 하며, 예금 대비 지급준비금의 비율을 지급준비율이라고 한다.

지급준비금은 크게 두 가지로 구성된다.

한국은행에 예치한 자금(지준예치금)
은행이 보유한 현금(시재금)

예를 들어 지급준비율이 10%이고 고객 예금이 1,000억 원이라면 은행은 최소 100억 원을 지급준비금으로 보유해야 한다.

3. 왜 중요한가

은행은 예금을 받아 대출을 해주면서 수익을 창출한다.

만약 은행이 모든 예금을 대출로 운용한다면 고객이 돈을 찾으러 왔을 때 지급할 자금이 부족해질 수 있다.

지급준비제도는 이러한 유동성 위험을 줄여 금융시스템의 안정성을 높이는 역할을 한다.

또한 중앙은행은 지급준비율을 조정하여 시중 통화량을 간접적으로 조절할 수 있다. 지급준비율이 높아지면 은행의 대출 여력이 감소하고, 반대로 낮아지면 대출이 늘어나면서 시중 유동성이 증가하게 된다.

따라서 지급준비제도는 금융안정과 통화정책이라는 두 가지 목적을 동시에 수행한다.

4. 쉽게 이해하는 예시

대학생 예시

용돈으로 100만 원을 가지고 있다고 가정해보자.

만약 모든 돈을 장기 투자에 넣어두면 갑자기 필요한 상황에서 사용할 돈이 없을 수 있다.

그래서 일부는 비상금으로 남겨두게 된다.

은행이 지급준비금을 보유하는 것도 같은 원리이다.

은행 예시

은행이 고객들로부터 1조 원의 예금을 받았다고 가정해보자.

지급준비율이 5%라면 은행은 최소 500억 원을 지급준비금으로 보유해야 한다.

나머지 자금은 대출이나 투자에 활용할 수 있다.

경제 예시

경기가 과열되어 물가가 빠르게 상승하고 있다고 가정해보자.

중앙은행이 지급준비율을 높이면 은행의 대출 가능 금액이 줄어들고 시중 통화량 증가가 억제된다.

반대로 경기 침체 시에는 지급준비율을 낮춰 대출을 늘리고 경제활동을 촉진할 수 있다.

5. 핵심 특징

5-1. 예금자 보호 기능

지급준비제도는 고객이 언제든지 예금을 인출할 수 있도록 최소한의 유동성을 확보하는 역할을 한다.

이는 금융기관의 신뢰를 유지하는 중요한 장치이다.

5-2. 통화량 조절 기능

중앙은행은 지급준비율을 조정하여 은행의 대출 여력을 변화시킬 수 있다.

이를 통해 시중 유동성과 통화량을 조절할 수 있다.

5-3. 정책 신호 효과가 크다

지급준비율 변경은 금융시장에 중앙은행의 정책 방향을 강하게 전달하는 효과가 있다.

시장 참여자들은 지급준비율 변화를 통해 향후 통화정책 방향을 해석하기도 한다.

6. 관련 개념과의 차이

지급준비제도 vs 지급준비자산제도

지급준비제도

예금의 일정 비율을 의무적으로 보유
금융안정과 통화량 조절이 목적
지급준비금 중심

지급준비자산제도

필요 시 별도의 준비자산 보유 요구
국채, 정부보증채, 통화안정증권 등 포함
지급준비제도를 보완하는 역할

즉 지급준비제도가 기본 제도라면 지급준비자산제도는 이를 보완하는 추가 장치라고 볼 수 있다.

지급준비금 vs 지급준비율

지급준비금

실제 보유하고 있는 준비 자금

지급준비율

예금 대비 지급준비금의 비율

예를 들어 지급준비율이 7%라면 예금 100억 원당 7억 원을 지급준비금으로 보유해야 한다.

7. 경제적 의미

국가경제 관점

지급준비제도는 금융시스템 안정성을 유지하고 금융위기 발생 가능성을 낮추는 역할을 수행한다.

기업 관점

지급준비율이 높아지면 은행 대출이 줄어들 수 있어 기업의 자금조달 여건에 영향을 준다.

반대로 지급준비율이 낮아지면 기업 대출이 증가할 가능성이 커진다.

금융시장 관점

지급준비율 조정은 시중 유동성과 금리에 영향을 미치기 때문에 금융시장 전체에 중요한 변수로 작용한다.

투자 관점

투자자는 지급준비율 변화를 통해 중앙은행의 통화정책 방향을 파악할 수 있다.

일반적으로 지급준비율 인상은 긴축 신호로, 지급준비율 인하는 완화 신호로 해석된다.

8. 정리

지급준비제도는 금융기관이 예금 등의 일정 비율을 중앙은행에 의무적으로 예치하도록 하는 제도이다. 원래는 예금자를 보호하기 위해 도입되었지만 현재는 통화량과 유동성을 조절하는 중요한 통화정책 수단으로 활용되고 있다. 지급준비율이 높아지면 대출이 줄어들고, 낮아지면 대출이 늘어나는 효과가 발생한다. 따라서 지급준비제도는 금융안정과 통화정책을 동시에 담당하는 중앙은행의 핵심 제도 중 하나이다.

[spring jpa] 스프링 데이터 JPA가 제공하는 Querydsl 기능

MKISOS — Mon, 22 Jun 2026 06:01:36 +0900

이 글은 인프런 김영한님의 "실전! Querydsl" 강의를 수강하고 정리한 내용이다.

스프링 데이터 JPA는 Querydsl을 지원하기 위한 몇 가지 기능을 제공한다. 하지만 이 기능들은 제약이 크고, 복잡한 실무 환경에서는 한계가 뚜렷하다. 따라서 간단히 개념을 소개하고, 왜 실무에서는 직접 사용자 정의 리포지토리와 Querydsl을 결합하는 방식을 더 권장하는지 정리한다 .

1. QuerydslPredicateExecutor

리포지토리에 QuerydslPredicateExecutor를 상속하면 간단한 조건 검색을 Predicate 기반으로 지원한다.

public interface MemberRepository extends JpaRepository<Member, Long>, QuerydslPredicateExecutor<Member> {}

사용 예시:

Iterable<Member> result = memberRepository.findAll(
    member.age.between(10, 40).and(member.username.eq("member1"))
);

한계점

조인 불가 (묵시적 조인만 가능, left join 불가능)
서비스, 컨트롤러 계층이 Querydsl에 직접 의존 → 구현 기술 침투
복잡한 검색 조건에는 적합하지 않음

→ 단순 필터링 수준에서만 활용 가능

2. Querydsl Web 지원

스프링 데이터가 제공하는 Web 확장 기능으로, 컨트롤러 파라미터를 Querydsl Predicate로 자동 변환할 수 있다.

@GetMapping("/members")
public Iterable<Member> searchMembers(Predicate predicate) {
    return memberRepository.findAll(predicate);
}

한계점

단순 조건만 가능
조건 커스터마이징이 어렵고 명시적이지 않음
컨트롤러가 Querydsl에 의존 → 유지보수 불리

→ 실무에서는 거의 사용하지 않음

3. QuerydslRepositorySupport

스프링 데이터 JPA가 제공하는 QuerydslRepositorySupport 클래스를 상속받아 사용할 수 있다.

장점

getQuerydsl().applyPagination()으로 스프링 데이터 Pageable을 쉽게 Querydsl 쿼리에 적용 가능
EntityManager 제공

한계점

Querydsl 3.x 기반으로 설계 → 최신 Querydsl 4.x 스타일(JPAQueryFactory) 지원 부족
select로 시작 불가 (from으로 시작해야 함)
스프링 데이터 Sort 기능이 정상적으로 동작하지 않음

→ 제약이 많아 권장되지 않음

4. Querydsl 지원 클래스 직접 만들기

스프링 데이터 제공 기능의 제약을 극복하기 위해, 직접 Querydsl 지원 클래스를 작성하는 방식을 권장한다.

public abstract class Querydsl4RepositorySupport {
    private final JPAQueryFactory queryFactory;
    private final Querydsl querydsl;
    private final EntityManager em;

    public Querydsl4RepositorySupport(Class<?> domainClass, EntityManager em) {
        this.em = em;
        this.queryFactory = new JPAQueryFactory(em);
        this.querydsl = new Querydsl(em, new PathBuilder<>(domainClass, "entity"));
    }

    protected JPAQueryFactory getQueryFactory() { return queryFactory; }
    protected Querydsl getQuerydsl() { return querydsl; }
    protected EntityManager getEntityManager() { return em; }
}

장점

최신 Querydsl 4.x API (select(), selectFrom()) 지원
스프링 데이터 Pageable, Sort와 연동 가능
카운트 쿼리 분리 가능 → 성능 최적화
재사용성과 확장성 우수

정리

QuerydslPredicateExecutor: 단순 조건 검색에는 쓸 수 있지만, 조인 불가 등 한계 뚜렷.
Querydsl Web 지원: 컨트롤러에 Querydsl 의존성이 생기고 기능이 제한적이라 실무에서는 비권장.
QuerydslRepositorySupport: 구버전 Querydsl 기반이라 최신 스타일과 맞지 않고 제약이 많음.
Querydsl 지원 클래스 직접 구현: 실무에서 가장 추천되는 방식. 페이징, 정렬, 최적화까지 유연하게 지원 가능.

→ 결론: 스프링 데이터 JPA가 제공하는 기본 Querydsl 연동 기능은 참고 수준이며, 실무에서는 사용자 정의 리포지토리 + 직접 만든 Querydsl 지원 클래스 조합이 가장 안정적이고 확장성 있는 방법이다.

[주간회GO 26년 6월 3주차] D-72, 감사의 크기를 키우고 있다. [카카오 세션 | 4개 합격 | 에어팟4 | 악궁확장장치 제거]

MKISOS — Sun, 21 Jun 2026 22:32:19 +0900

[주간회GO 26년 6월 3주차]

26년 6월 3주차

이번주도 역시 미친듯이 살아볼 생각이다. 지금 이런 열정과 의지가 있을때 악착같이 살아야지.
나중에 복학하거나 이 불씨가 꺼질 때를 대비해서 순간 순간 최선을 다하자.

월요일 여러 지원 결과들, 지원금
화요일 과외
수요일 카카오 온란인 밋업, 세션
목요일 과외, 미국 금리 발표
금요일 인바디, 지원 결과
토요일 치과 교정과 방문

아마 굵직한 건 이정도? 근데 면접이나 여러 일들이 추가 될 것 같다.
술 약속이나 노는 약속 잡지말자. 지금은 돈과 시간을 아끼자. 목표만 바라보자.
복학하면 약속 많아서 스트레스 받을 수도 있다.

ㅡㅡㅡ
남들의 평가보다
본인의 평가에 집중하자.

이번주 운동 식단 공부 모두 완벽한 것 같다.

에어팟을 사야하는 상황이 예상에 없던 상황이라 당황했는데 이때 전체 자산이 감소하는 걸 어느정도 미리 계획에 두어야 할 것 같다.

26년 6월 15일 월요일

경제에 월드컵에 아침부터 운동하면서 중간 중간 설렜음
일찍 일어나도 충분히 도파민 많다!!

진짜 내가 보는 경제 주식 유튜브 소개해주고 싶다 ㄹㅇ
누가 안물어보나?

365일 안되는 날 중 327일 운동갔다.

오늘의 점심
그리고 나는야 환경지킴이 ㅎㅎ
스파클 정보 : 40병 모아도 1병주고 80병 모아도 1병 그냥 1번 수거 1병임

이거 꽤 탈락한 사람 있던데 할지 말지 아직 고민중
크게 우선위에 높은 자격증은 아니라서… ㅠ

ㅋㅋㅋㅋㅋ생각보다 빨리 해주시네.. 정처기는 언제 해줄라나

오후에 일하다가 새로 오신 구내식당 영양사쌤이 샌드위치 주셨다 오늘 저녁에 먹어야지

설레는 과일 시키기

26년 6월 16일 화요일

일찍자서 새벽에 중간 중간 깬다
그때마다 설레는 주식창 열기
보고 안심하고 기대하며 잔다.
역시 맘 편하다
다들 QLD 하세요.

추억이다 진짜 큰 대회였지

임마들 오늘 데이장에 왜이랬지 ㄹㅇ

퇴근 후 과외
요즘 더욱 많이 못먹고 다녀서 힘이 안나네.
복학하면 얼마나 무너지겠어. 지금 미리 나를 혼내놓자.
돈아끼고 몸관리하고 일석이조.

26년 6월 17일 수요일

새벽에 자꾸 깨서 미치겠음 ㅜ

6월도 현재 풀 출석
매일 아침에 운동가면 하루를 임하는 자세가 달라진다.
그 용도만으로도 충분하다.

6월 자동차세~
후임 둘이 있어서 비교적 여유롭다.

낮에 수박 손질함
처음이기도 하고 칼이 너무 너무 작은 칼이라서 조금 힘겨웠음. 과일 손질 너무 재밌는 거 같다
락앤락통 큰게 더 필요함을 느낌
(아 소주는 나 안마심. 애들 놀러왔을 때 사두고 안마신거)

아 이번주 과외에 치과에 남음 일정들 많은데 비라니… ㅠ

또 붙었다 ㄷㄷ 뭐지 최근에 낸 것들 승률 100퍼다..

퇴근 후 급하게 밥 먹으면서 세션 듣는데 내 프로젝트가 언급되어서 놀라고 기분이 좋았다.
세션 2시간인데 매번 너무 유의미하고 좋은 것 같다.

26년 6월 18일 목요일

4시에 일어나서 동현이 건우랑 개발 경제 이야기하다가
다시 못자고 그렇게 아침부터 전자기기를 많이 사용했다

그래도 너무 재밌었음.

운동도 바로 왔다.
다행히 비가 좀 그쳐서 너무 좋았다.

오늘 운동하면서 든 생각은
행복은 마음 속에 있고.
자산과 실력을 키우는 것도 좋지만
감사의 크기를 키우는 것이 우선인 것 같다.

나는 지금 큰 자산은 없지만
건강한 몸과 20대의 시간을 가지고 있다.
시간보다 큰 자산이 있는가

알아주는 친구가 있다니 인생 성공했다 나
평생 내 곁에 있는 사람들 내가 다 챙겨야지.

현재 12개중 4개 결과 나왔는데 다 붙었당

해커스 서포터즈 1기
비욘드 부산 3기 경제 금융 AI
패스트캠파스 유니커 1기 대회
LG Aimers 9기

여러 경험을 하고 싶다 했는데 어느정도 붙어야 양질의 결과를 내는데 나 벌써 힘든데 어쩌지..
뭘 어째 걍 해내야지.
명심하자.
감정은 사라지고 결과는 남는다.

요즘 우편이 많다 ㅎㅎ
컴터가 똥컴이라 두배로 힘들다…

오늘도 수업 끝 하루 하루 쉴 시간이 없구나.

냉동실 칸 없는데 ㄹㅈㄷ 세일이라 질렀다

26년 6월 19일 금요일

아 요즘 진짜 에어팟 고장이 더 심해짐 1년 전부터 그랬는데
하 돈 쓰기 싫은데…

이번주 정신력으로 모든 일정 소화 + 운동 + 식단 한 보람이 있다. 이거 유지가 될까 싶네 ㅜㅜ
인생이 너무 힘든 걸 …

결국 내일 새벽 배송을 위해 출근하자마자…
너무 슬프다…

아쉽네 걍 공부나 할 걸 그랬나

건우 동현 얘네 때문에 미치겠다 ㅋㅋ

너무공감…

가디언 시리즈 오랜만에 연재 가능하겠다

금요일 저녁 ~ 낼 치과라서
오늘 과일 개애애애애애애 많이 먹었다

주말에 진료받고 잘 못먹을 듯 ㅠ

26년 6월 20, 21일 토,일요일 주말

비오는 날 운동이 진짜 .. 가는 길 부터 찝찝

좋은 주제와 생각이다.

예쁘긴 하다

치과가기 전 수박 푸파함
잘라 놓은 거 다 털었다.
곧 남은 절반 털어야지.

새 에어팟 왔다 ~~
커널형인데 좋은데? 완전 만족하는 중이다. 10만원 아낀 것도 잘한 것 같다.

악궁황장장치 뺐음
6개월만에 입천장에 아무것도 없다 ㅎㅎ

치과가 커넥트 현대 바로 앞이라서 ㅎㅎ
지연은 못 봄..
사람 너무 많아서 그냥 집으러 ~

비 그쳐서 분리수거까지 했다~

아 주말이라 늦게 자려고 노력하다가
9시에 불 킨채로 잠들어서
중간에 깼었음.

아침에 너무 너무 땡겨서 마트다녀왔다 ㅋㅋㅋㅋㅋㅋ
존맛탱
건강한 아침 느낌

잠옷 입고 산책 갔다가
헬스장 휴무라 홈트 끝~

하루 마무리하고 책 읽고 휴식했다.
내일 일정도 바빠서 충분히 쉬어야했다..!

경제금융용어 공부 537 : 지급준비자산제도

MKISOS — Sun, 21 Jun 2026 21:00:32 +0900

지급준비자산제도

은행은 고객이 맡긴 예금을 모두 대출하거나 투자에 사용할 수 없다. 고객이 돈을 찾으러 올 때를 대비해 일정한 준비자산을 보유해야 하기 때문이다. 지급준비자산제도는 한국은행이 필요하다고 판단할 때 금융기관에게 예금지급준비금과는 별도로 현금이나 국채 같은 자산을 보유하게 할 수 있는 제도이다. 은행의 유동성과 금융시스템 안정을 위한 보완 장치라고 볼 수 있다.

1. 한 줄 정의

지급준비자산제도는 한국은행이 금융기관에게 예금지급준비금과 별도로 현금, 국채, 통화안정증권 등 일정한 준비자산을 보유하도록 할 수 있는 제도이다.

2. 기본 개념

지급준비자산제도는 한국은행법에 따라 한국은행이 필요하다고 인정할 때 금융기관에게 별도의 지급준비자산을 보유하게 할 수 있는 제도이다.

여기서 지급준비자산이란 금융기관이 고객의 예금 인출이나 금융시장 불안에 대비하기 위해 보유하는 안전한 자산을 의미한다.

대표적인 지급준비자산에는 다음과 같은 것들이 있다.

현금
국채
정부보증채
한국은행이 발행하는 통화안정증권

이 제도는 기존의 예금지급준비제도를 보완하기 위해 도입되었다. 단순히 현금성 준비금만 보유하게 하는 것이 아니라 국채나 통화안정증권 같은 유가증권도 준비자산으로 활용할 수 있도록 하는 방식이다.

3. 왜 중요한가

은행은 예금을 기반으로 대출을 실행하고 수익을 낸다.

하지만 모든 예금을 대출로 운용하면 고객이 동시에 돈을 찾으려 할 때 대응하기 어렵다. 따라서 은행은 일정 수준의 준비자산을 보유해야 한다.

문제는 전통적인 지급준비금은 보통 이자가 지급되지 않기 때문에 은행 입장에서는 기회비용이 발생한다는 점이다. 은행이 그 돈을 대출이나 투자에 활용했다면 수익을 낼 수 있었기 때문이다.

지급준비자산제도는 일부 준비자산을 국채나 통화안정증권처럼 수익이 발생하는 자산으로 보유할 수 있게 하여 은행의 부담을 줄이는 효과가 있다.

동시에 금융기관이 국채 등을 보유하게 되면서 국채 수요가 늘어나고, 중앙은행의 공개시장운영 기반을 마련하는 데도 도움이 된다.

4. 쉽게 이해하는 예시

실생활 예시

개인이 비상금을 모두 현금으로만 보관한다고 가정해보자.

현금은 바로 사용할 수 있다는 장점이 있지만 이자가 붙지 않는다. 반면 일부 비상금을 단기 예금이나 국채형 상품에 넣어두면 필요할 때 비교적 안전하게 사용할 수 있으면서도 약간의 수익을 얻을 수 있다.

지급준비자산제도도 이와 비슷하다. 은행이 준비자산을 단순 현금뿐 아니라 국채나 통화안정증권 형태로 보유할 수 있게 하는 제도이다.

은행 예시

은행 A가 고객 예금의 일부를 준비금으로 보유해야 한다고 가정해보자.

모든 준비금을 현금으로만 보유하면 수익이 거의 발생하지 않는다. 하지만 일부를 국채로 보유할 수 있다면 이자수익을 얻으면서도 비교적 안전한 자산을 확보할 수 있다.

경제 예시

정부가 국채를 발행했을 때 금융기관들이 이를 지급준비자산으로 보유할 수 있다면 국채 수요가 늘어날 수 있다.

이는 채권시장 안정과 중앙은행의 통화정책 운용에도 영향을 미칠 수 있다.

5. 핵심 특징

5-1. 예금지급준비제도를 보완한다

지급준비자산제도는 기존의 예금지급준비제도를 대체하는 것이 아니라 보완하는 제도이다.

은행이 예금 지급에 대비해 일정한 준비자산을 보유하도록 하면서 금융시스템의 안정성을 높이는 역할을 한다.

5-2. 수익성 있는 안전자산 보유가 가능하다

일반적인 지급준비금은 이자가 지급되지 않는 경우가 많다.

하지만 지급준비자산을 국채나 통화안정증권으로 보유하면 일정한 수익이 발생할 수 있다. 이는 은행의 기회비용을 줄이고 재무건전성을 높이는 데 도움이 된다.

5-3. 금융시장에 부작용도 발생할 수 있다

지급준비자산제도가 확대되면 금융기관들이 국채나 통화안정증권을 많이 보유하게 된다.

이 경우 채권시장에서 실제로 거래되는 유통물량이 줄어들 수 있다. 채권 거래가 위축되면 금융시장 유동성에 부정적인 영향을 줄 가능성도 있다.

6. 관련 개념과의 차이

지급준비자산제도 vs 예금지급준비제도

지급준비자산제도

한국은행이 필요할 때 별도의 준비자산 보유를 요구할 수 있는 제도
현금, 국채, 정부보증채, 통화안정증권 등이 포함될 수 있음
은행의 기회비용을 줄이는 효과가 있음

예금지급준비제도

은행이 고객 예금의 일정 비율을 중앙은행에 준비금으로 보유하는 제도
예금 인출에 대비하고 통화량 조절 기능을 수행함
일반적으로 이자가 없거나 수익성이 낮음

즉 예금지급준비제도가 기본 안전장치라면 지급준비자산제도는 이를 보완하는 추가 안전장치라고 이해할 수 있다.

지급준비자산 vs 지급준비금

지급준비금

은행이 예금 인출에 대비해 보유하는 준비금
보통 중앙은행 예치금 형태

지급준비자산

현금뿐 아니라 국채, 정부보증채, 통화안정증권 등을 포함
보다 넓은 의미의 준비자산

7. 경제적 의미

국가경제 관점

지급준비자산제도는 금융기관의 유동성을 높이고 금융시스템 안정에 기여할 수 있다. 은행이 안전자산을 충분히 보유하면 위기 상황에서 대응력이 높아진다.

기업 관점

금융기관의 건전성이 높아지면 기업 대출시장도 안정적으로 운영될 가능성이 커진다. 다만 은행이 지나치게 많은 자산을 준비자산으로 묶어두면 대출 여력이 줄어들 수 있다.

금융시장 관점

금융기관이 국채와 통화안정증권을 보유하게 되면 해당 채권에 대한 수요가 늘어날 수 있다. 반대로 시장에서 거래되는 채권 물량이 줄어들면 유동성이 낮아질 수 있다.

투자 관점

지급준비자산제도는 개인 투자자가 직접 체감하기는 어렵지만 채권시장, 은행 건전성, 통화정책 운용에 영향을 줄 수 있다. 특히 국채와 통화안정증권 수요에 영향을 미칠 수 있다는 점에서 채권 투자 환경과도 연결된다.

8. 정리

지급준비자산제도는 한국은행이 필요할 경우 금융기관에게 예금지급준비금과 별도로 현금, 국채, 정부보증채, 통화안정증권 등을 보유하도록 할 수 있는 제도이다. 이 제도는 예금지급준비제도를 보완하고 금융기관의 유동성과 안정성을 높이는 역할을 한다. 동시에 국채 등에 대한 수요를 확대해 공개시장운영 기반을 마련하는 데도 기여할 수 있다. 다만 채권시장의 유통물량을 줄여 금융시장 유동성을 위축시킬 수 있기 때문에 시장 여건을 고려해 신중하게 운용되어야 한다.

경제금융용어 공부 536 : 지급수단

MKISOS — Sat, 20 Jun 2026 21:00:14 +0900

지급수단

우리는 매일 현금, 카드, 계좌이체, 간편결제 등 다양한 방법으로 돈을 지불한다. 이러한 결제 방법을 통틀어 지급수단이라고 한다. 지급수단은 단순히 돈을 주고받는 도구를 의미하는 것이 아니라 경제활동이 원활하게 이루어질 수 있도록 지원하는 중요한 금융수단이다. 최근에는 모바일 결제와 간편결제 서비스가 확산되면서 지급수단의 형태도 빠르게 변화하고 있다.

1. 한 줄 정의

지급수단은 상품이나 서비스의 대가를 지급하거나 자금을 이전할 때 사용하는 결제 도구이다.

2. 기본 개념

지급수단(Payment Instrument)은 경제주체 간 거래에서 돈을 지불하기 위해 사용하는 수단을 의미한다.

가장 대표적인 지급수단은 현금이다. 하지만 현대 사회에서는 현금보다 카드나 계좌이체, 모바일 결제와 같은 비현금 지급수단이 더욱 많이 사용된다.

비현금 지급수단은 금융기관을 통해 현금으로 전환할 수 있는 수단을 말하며 계좌이체, 신용카드, 체크카드, 어음, 수표 등이 포함된다.

최근에는 카카오페이, 네이버페이, 삼성월렛과 같은 간편결제 서비스도 중요한 지급수단으로 자리 잡고 있다.

3. 왜 중요한가

경제활동은 결국 돈을 주고받는 과정의 연속이다.

아무리 좋은 상품과 서비스가 있어도 결제가 이루어지지 않으면 거래는 성사될 수 없다.

특히 현대 경제에서는 거래 규모가 커지고 온라인 거래가 증가하면서 빠르고 안전한 지급수단의 중요성이 더욱 커지고 있다.

지급수단이 편리할수록 거래 비용이 감소하고 경제활동의 효율성도 높아진다.

4. 쉽게 이해하는 예시

대학생 예시

점심시간에 학교 근처 식당에서 8,000원짜리 식사를 했다고 가정해보자.

현금으로 결제할 수도 있고 체크카드나 간편결제로 결제할 수도 있다.

이때 사용한 현금, 카드, 간편결제가 모두 지급수단에 해당한다.

실생활 예시

인터넷 쇼핑몰에서 물건을 구매할 때 신용카드 결제, 계좌이체, 간편결제 중 하나를 선택하게 된다.

각각 결제 방식은 다르지만 모두 상품 대금을 지급하는 지급수단이다.

경제 예시

기업이 거래처에 수천만 원의 거래대금을 지급할 때는 현금 대신 계좌이체를 이용하는 경우가 많다.

이처럼 지급수단은 거래 규모와 목적에 따라 다양하게 활용된다.

5. 핵심 특징

5-1. 현금과 비현금 지급수단으로 구분된다

지급수단은 크게 현금과 비현금 지급수단으로 나눌 수 있다.

현금은 지폐와 동전을 의미하며, 비현금 지급수단에는 계좌이체, 카드, 수표, 어음 등이 포함된다.

최근에는 비현금 지급수단의 비중이 지속적으로 증가하고 있다.

5-2. 장표방식과 전자방식으로 구분된다

과거에는 종이 문서가 실제로 이동하는 방식이 많았다.

장표방식 지급수단 : 어음, 수표, 지로
전자방식 지급수단 : 계좌이체, 신용카드, 체크카드, 모바일 결제

최근에는 전자방식 지급수단이 대부분의 거래를 차지하고 있다.

5-3. 기술 발전에 따라 형태가 변화한다

과거에는 현금과 수표가 중심이었지만 현재는 모바일 결제와 간편결제가 빠르게 확산되고 있다.

앞으로는 디지털화폐(CBDC)와 같은 새로운 지급수단도 등장할 가능성이 있다.

6. 관련 개념과의 차이

지급수단 vs 지급결제시스템

지급수단

실제 결제에 사용하는 도구
현금, 카드, 계좌이체 등이 해당

지급결제시스템

지급수단이 작동하는 전체 금융 인프라
중앙은행, 금융기관, 결제망 등을 포함

자동차와 도로의 관계로 비유할 수 있다.

지급수단이 자동차라면 지급결제시스템은 자동차가 달리는 도로망이다.

현금 vs 전자지급수단

현금

지폐와 동전
즉시 결제 가능
인터넷 거래에는 사용이 어려움

전자지급수단

카드, 계좌이체, 간편결제
온라인과 오프라인 모두 사용 가능
금융기관과 결제망이 필요

7. 경제적 의미

국가경제 관점

효율적인 지급수단은 거래비용을 줄이고 경제활동을 활성화한다.

전자결제가 확대될수록 자금 흐름의 투명성도 높아질 수 있다.

기업 관점

다양한 지급수단을 제공하는 기업은 소비자의 결제 편의성을 높여 매출 증가 효과를 기대할 수 있다.

금융시장 관점

새로운 지급수단이 등장할수록 금융기관과 핀테크 기업 간 경쟁이 심화되고 금융서비스 혁신이 촉진된다.

투자 관점

전자결제와 간편결제 시장이 성장하면서 관련 기업과 핀테크 산업에 대한 투자 관심도 증가하고 있다.

8. 정리

지급수단은 상품과 서비스의 대가를 지급하거나 자금을 이전하기 위해 사용하는 결제 도구이다. 현금뿐만 아니라 계좌이체, 신용카드, 체크카드, 수표, 간편결제 서비스 등도 모두 지급수단에 포함된다. 기술 발전과 함께 지급수단은 종이 기반에서 전자 기반으로 빠르게 변화하고 있으며 경제활동의 효율성을 높이는 중요한 역할을 수행하고 있다. 지급수단은 지급결제시스템 위에서 작동하며 현대 금융시스템의 핵심 요소 중 하나이다.

경제금융용어 공부 535 : 지급결제제도 감시

MKISOS — Fri, 19 Jun 2026 21:00:48 +0900

지급결제제도 감시

우리는 은행 송금, 카드결제, 주식거래 등을 당연하게 이용하지만 이러한 금융거래가 안전하게 처리되기 위해서는 지속적인 관리와 점검이 필요하다. 지급결제제도 감시는 중앙은행이 지급결제시스템의 안전성과 효율성을 확인하고 문제 발생 가능성을 줄이기 위해 수행하는 중요한 역할이다. 금융시스템의 신뢰를 유지하기 위한 보이지 않는 안전장치라고 할 수 있다.

1. 한 줄 정의

지급결제제도 감시는 중앙은행이 지급결제시스템의 안전성과 효율성을 높이기 위해 지속적으로 모니터링하고 평가하며 개선을 유도하는 기능이다.

2. 기본 개념

지급결제제도 감시(Oversight of Payment Systems)는 국제결제은행(BIS) 산하 지급결제 및 시장인프라 위원회(CPMI)가 정의한 중앙은행의 핵심 역할 중 하나이다.

중앙은행은 현재 운영 중인 지급결제시스템뿐만 아니라 앞으로 도입될 예정인 시스템까지 점검한다. 단순히 관찰하는 데 그치지 않고 시스템의 위험요인을 평가하고 필요할 경우 개선을 권고한다.

지급결제제도 감시는 크게 다음 세 가지 요소로 구성된다.

지급결제시스템 모니터링
안전성과 효율성 평가
개선 권고 및 정책 유도

즉, 금융거래가 원활하게 이루어질 수 있도록 중앙은행이 지급결제시스템을 감독하는 활동이라고 이해할 수 있다.

3. 왜 중요한가

현대 경제에서 거의 모든 금융거래는 지급결제시스템을 통해 이루어진다.

개인의 계좌이체부터 기업 간 대규모 거래, 주식 및 채권 거래, 외환거래까지 모두 지급결제시스템에 의존한다.

만약 지급결제시스템에 장애가 발생하거나 운영상 문제가 생긴다면 금융시장 전체가 큰 혼란에 빠질 수 있다.

특히 지급결제시스템은 민간 금융기관이 운영하는 경우가 많기 때문에 시장 논리만으로는 충분한 안전성과 효율성을 확보하지 못할 수도 있다. 이 때문에 중앙은행이 공공의 관점에서 감시와 감독 역할을 수행하게 된다.

4. 쉽게 이해하는 예시

실생활 예시

은행 앱으로 친구에게 10만 원을 송금했다고 가정해보자.

우리는 몇 초 만에 송금이 완료되는 것을 당연하게 생각한다. 하지만 그 뒤에서는 은행 시스템, 결제망, 중앙은행 결제시스템 등이 정상적으로 작동해야 한다.

중앙은행은 이러한 시스템들이 안정적으로 운영되는지 지속적으로 점검한다.

경제 예시

어느 국가의 주요 결제시스템에 전산 장애가 발생해 하루 동안 송금과 결제가 중단되었다고 가정해보자.

기업들은 거래대금을 지급하지 못하고 금융기관 간 자금 이동도 지연된다. 결국 금융시장 전체에 불안이 확산될 수 있다.

지급결제제도 감시는 이러한 위험을 사전에 발견하고 예방하기 위해 존재한다.

투자 예시

주식을 매수하면 거래가 체결된 이후 결제와 정산 과정이 진행된다.

만약 결제기관이나 청산기관에 문제가 발생하면 투자자는 자금을 지급했음에도 주식을 받지 못하는 상황이 발생할 수 있다.

중앙은행은 이러한 금융시장 인프라가 안정적으로 운영되는지 감시한다.

5. 핵심 특징

5-1. 중앙은행의 핵심 책무

지급결제제도 감시는 단순한 행정업무가 아니라 금융안정을 위한 중앙은행의 핵심 기능이다.

한국은행을 비롯한 주요국 중앙은행은 지급결제시스템의 안정성을 확보하기 위해 지속적으로 감시 활동을 수행한다.

5-2. 안전성과 효율성을 동시에 추구

지급결제제도 감시는 단순히 사고를 막는 것만 목표로 하지 않는다.

시스템이 안전하면서도 신속하고 효율적으로 운영될 수 있도록 개선을 유도하는 역할도 수행한다.

5-3. 시장실패를 보완하는 역할

민간 금융기관이 운영하는 시스템은 수익성과 비용 절감을 우선시할 수 있다.

이 경우 사회 전체 관점에서 필요한 수준의 안정성을 확보하지 못할 가능성이 있기 때문에 중앙은행의 개입이 필요하다.

6. 관련 개념과의 차이

지급결제제도 감시 vs 금융감독

지급결제제도 감시

지급결제시스템 자체를 관리·평가
시스템의 안전성과 효율성 확보가 목적

금융감독

은행, 증권사, 보험사 등 금융기관 감독
금융기관의 건전성과 소비자 보호가 목적

즉 지급결제제도 감시는 금융기관이 아니라 금융 인프라를 대상으로 한다.

지급결제제도 감시 vs 결제리스크 관리

지급결제제도 감시

중앙은행이 수행
시스템 전반을 점검

결제리스크 관리

금융기관이나 결제기관이 수행
개별 기관의 위험 관리에 초점

7. 경제적 의미

국가경제 관점

안정적인 지급결제시스템은 경제활동의 기본 전제조건이다. 지급결제제도 감시는 경제 전반의 신뢰와 안정성을 높이는 역할을 수행한다.

기업 관점

기업들은 매일 대규모 자금을 주고받는다. 지급결제시스템이 안정적으로 운영되어야 기업 경영도 원활하게 이루어진다.

금융시장 관점

주식, 채권, 외환 등 금융시장의 거래와 결제는 모두 지급결제시스템에 의존한다. 감시 기능은 금융시장 안정성 유지에 중요한 역할을 한다.

투자 관점

투자자는 직접 감시 활동을 체감하기 어렵지만, 안전한 거래 환경과 결제 안정성은 중앙은행의 감시 기능 덕분에 유지된다.

8. 정리

지급결제제도 감시는 중앙은행이 지급결제시스템의 안전성과 효율성을 확보하기 위해 수행하는 감독 기능이다. 시스템을 지속적으로 모니터링하고 평가하며 필요할 경우 개선을 권고한다. 현대 경제에서 거의 모든 금융거래가 지급결제시스템을 통해 이루어지는 만큼 지급결제제도 감시는 금융안정을 유지하는 핵심 장치라고 할 수 있다. 보이지 않는 곳에서 금융시스템의 신뢰를 지탱하는 중앙은행의 중요한 역할 중 하나이다.

경제금융용어 공부 534 : 지급결제시스템

MKISOS — Thu, 18 Jun 2026 21:00:04 +0900

지급결제시스템

우리는 매일 계좌이체를 하고, 카드로 결제하고, 간편결제 서비스를 이용한다. 하지만 돈이 실제로 어떤 과정을 거쳐 이동하는지는 잘 생각하지 않는다. 지급결제시스템은 이러한 금융거래가 안전하고 원활하게 이루어질 수 있도록 지원하는 금융 인프라이다. 현대 경제가 정상적으로 작동하기 위해 반드시 필요한 금융의 핵심 기반시설이라고 할 수 있다.

1. 한 줄 정의

지급결제시스템은 돈의 지급과 결제가 안전하고 효율적으로 이루어질 수 있도록 지원하는 금융 인프라 체계이다.

2. 기본 개념

지급결제시스템(Payment System)은 개인, 기업, 정부 등 경제주체들이 금융거래를 수행할 때 자금 이동과 결제를 가능하게 해주는 금융시스템이다.

많은 사람들이 지급결제시스템을 단순히 은행 전산망 정도로 생각하지만 실제 범위는 훨씬 넓다. 중앙은행, 은행과 카드사 같은 금융기관, 관련 법규, 현금·카드·계좌이체와 같은 지급수단, 그리고 금융시장 인프라까지 모두 포함된다.

예를 들어 친구에게 계좌이체를 하거나 온라인 쇼핑몰에서 결제를 하는 과정도 모두 지급결제시스템을 통해 처리된다.

3. 왜 중요한가

현대 경제는 신뢰를 기반으로 움직인다.

사람들은 은행 계좌에 있는 돈이 언제든 안전하게 송금될 것이라고 믿는다. 기업은 거래처로부터 대금을 정상적으로 받을 것이라고 믿고 상품과 서비스를 제공한다.

만약 지급결제시스템이 제대로 작동하지 않는다면 급여 지급, 카드 결제, 기업 간 거래, 증권 거래까지 모두 차질이 발생할 수 있다. 따라서 효율적이고 안정적인 지급결제시스템은 금융제도의 발전과 건전한 신용질서를 유지하는 핵심 기반이 된다.

4. 쉽게 이해하는 예시

실생활 예시

카페에서 5,000원짜리 커피를 카드로 결제했다고 가정해보자.

우리는 단순히 카드를 긁거나 휴대폰을 태그하는 것으로 결제가 끝났다고 생각한다. 하지만 실제로는 카드사, 은행, 결제망, 가맹점이 연결되어 승인과 정산 과정이 진행된다.

이러한 과정이 빠르고 안전하게 처리되는 이유가 바로 지급결제시스템 덕분이다.

대학생 예시

부모님이 생활비 50만 원을 계좌로 송금했다고 가정해보자.

몇 초 만에 돈이 입금되는 것처럼 보이지만 실제로는 여러 금융기관과 결제시스템이 작동하면서 자금 이동이 처리된다.

경제 예시

대기업이 협력업체에 수십억 원 규모의 거래대금을 지급하는 경우에도 지급결제시스템이 활용된다.

만약 이러한 시스템이 불안정하다면 기업 간 거래와 경제활동 전체가 위축될 수 있다.

5. 핵심 특징

5-1. 금융시스템의 핵심 인프라

지급결제시스템은 금융기관과 금융시장을 연결하는 기반 시설이다.

도로가 사람과 물건을 이동시키는 역할을 한다면 지급결제시스템은 자금을 이동시키는 역할을 수행한다.

5-2. 다양한 유형으로 분류된다

지급결제시스템은 운영 방식과 대상에 따라 여러 형태로 구분된다.

중앙은행결제시스템
민간결제시스템
총액결제시스템
차액결제시스템
실시간결제시스템
지정시점결제시스템
거액결제시스템
소액결제시스템

각 시스템은 처리 대상과 목적에 따라 서로 다른 기능을 수행한다.

6. 관련 개념과의 차이

지급결제시스템 vs 지급수단

지급결제시스템

돈이 이동하는 전체 구조
금융기관, 중앙은행, 결제망 등을 포함

지급수단

실제 결제에 사용하는 도구
현금, 신용카드, 체크카드, 계좌이체, 간편결제 등이 해당

즉 지급수단은 자동차이고, 지급결제시스템은 자동차가 달리는 도로망이라고 이해할 수 있다.

거액결제시스템 vs 소액결제시스템

거액결제시스템

금융기관 간 대규모 자금 거래 처리
금융시장 안정성과 직접 관련

소액결제시스템

개인과 기업의 일상적인 금융거래 처리
계좌이체, 카드결제 등이 대표적

7. 경제적 의미

국가경제 관점

안정적인 지급결제시스템은 경제활동의 기본 인프라이다. 금융거래가 원활하게 이루어질수록 경제 전체의 신뢰와 효율성이 높아진다.

기업 관점

기업은 거래대금 지급과 수취를 통해 사업을 운영한다. 지급결제시스템은 기업 활동을 뒷받침하는 필수 기반이다.

금융시장 관점

은행 간 자금 이동, 증권 거래 결제, 외환 거래 등 금융시장의 핵심 기능이 지급결제시스템을 통해 이루어진다.

투자 관점

주식과 채권을 매매할 때도 실제 자금 결제와 증권 이전이 필요하다. 지급결제시스템은 투자시장의 신뢰를 유지하는 중요한 역할을 수행한다.

8. 정리

지급결제시스템은 개인, 기업, 정부 등 경제주체 간의 자금 이동을 지원하는 금융 인프라이다. 중앙은행, 금융기관, 지급수단, 관련 법규, 금융시장 인프라 등이 유기적으로 연결되어 운영된다. 안정적인 지급결제시스템은 금융시장과 실물경제가 원활하게 작동하기 위한 필수 조건이며, 현대 경제의 핵심 기반시설이라고 할 수 있다. 우리가 매일 사용하는 송금, 카드결제, 간편결제 뒤에는 이러한 지급결제시스템이 존재한다.

[KANANA 429] AI Agent 시대, PlayMCP 공모전 Agentic Player 10에 주목해야 하는 이유

MKISOS — Thu, 18 Jun 2026 13:28:07 +0900

AI를 쓰는 시대에서 AI에게 일을 시키는 시대로

2026년 6월 17일, 카카오 AI 앰배서더 KANANA 429 온라인 세션에 참여했다.

이번 온라인 세션은 총 3개의 파트로 진행되었는데 개인적으로 가장 중요하게 들었던 세션은 두 번째 세션인 PlayMCP 공모전 Agentic Player 10 소개였다.

이 세션은 단순한 서비스 소개가 아니라 앞으로 AI 서비스가 어떤 방향으로 발전할지 보여주는 내용에 가까웠다.

지금까지 우리는 AI에게 주로 질문을 했다.

“이거 요약해줘.”

“이 코드 설명해줘.”

“이 글 다듬어줘.”

하지만 앞으로의 AI는 단순히 답변만 하는 존재가 아니라 사용자가 원하는 일을 실제로 수행하는 방향으로 발전하고 있다.

예를 들어 이런 식이다.

“내 일정 확인해서 오늘 할 일 정리해줘.”

“내가 받을 수 있는 지원사업 찾아줘.”

“어린이집 알림장 초안 작성해줘.”

“내 학교 졸업 요건 보고 다음 학기 수강계획 짜줘.”

“친구들과 나눈 대화 보고 정산 금액 계산해줘.”

이때 AI가 외부 데이터나 서비스와 연결되어 실제로 필요한 도구를 호출해야 한다. 그리고 이 연결을 가능하게 하는 중요한 개념 중 하나가 바로 MCP다.

MCP가 뭐길래 중요할까?

MCP는 Model Context Protocol의 약자다.

처음 들으면 조금 어렵게 느껴질 수 있는데 쉽게 말하면 AI가 외부 도구나 데이터를 표준화된 방식으로 사용할 수 있게 해주는 연결 규격이라고 이해하면 된다.

백엔드 개발자 관점에서 보면 기존의 REST API가 앱과 서버를 연결하는 방식이었다면 MCP는 AI Agent가 외부 기능을 호출하기 위한 새로운 연결 계층처럼 느껴졌다.

예를 들어 AI가 단순히 대답만 하는 것이 아니라 특정 서버에 있는 데이터를 조회하고 필요한 결과를 가져와서 사용자에게 정리해줄 수 있다.

기존 방식이 이랬다면, 사용자 → AI → 답변

MCP를 활용한 Agentic AI는 이런 흐름에 가까워진다.

사용자 → AI → MCP 서버 호출 → 외부 데이터/기능 사용 → 결과 정리 → 답변

즉 MCP는 AI가 “말만 잘하는 서비스”에서 “실제로 일을 처리하는 서비스”로 넘어가기 위해 필요한 중요한 기반 기술이라고 볼 수 있다.

PlayMCP는 무엇인가?

PlayMCP는 카카오에서 제공하는 MCP 서버 등록 및 실험 플랫폼이다.

개발자는 자신이 만든 MCP 서버를 PlayMCP에 등록하고 AI가 해당 MCP를 도구처럼 사용할 수 있도록 만들 수 있다.

세션에서는 PlayMCP가 단순한 개발자용 실험 도구를 넘어서 AI Agent 생태계를 함께 만들어가는 테스트베드이자 마켓 같은 역할을 지향하고 있다는 이야기가 나왔다.

특히 흥미로웠던 점은 PlayMCP에 등록된 MCP가 카카오톡 안의 Kakao Tools와도 연결될 수 있다는 점이었다.

이번 Agentic Player 10 공모전에서는 예선을 통과한 본선 진출작이 Kakao Tools에 공개되고 실제 사용자 투표와 심사를 거치는 구조로 진행된다.

이 말은 단순히 “공모전에 제출하고 끝”이 아니라 내가 만든 AI 서비스를 카카오톡 사용자들에게 공개해볼 수 있는 기회가 생긴다는 뜻이다.

개발자 입장에서 이건 꽤 큰 기회다.

Agentic Player 10은 어떤 공모전인가?

Agentic Player 10은 PlayMCP를 기반으로 MCP 서버를 만들고 AI Agent 생태계에서 활용될 수 있는 서비스를 제안하는 공모전이다.

공식 소개 문구를 보면 핵심은 명확하다.

5천만에게 공개되는 나의 AI 서비스.

즉, 아이디어가 있는 사람이 직접 MCP 서버를 만들고 이를 통해 더 많은 사용자에게 AI 서비스를 선보일 수 있는 기회를 제공하는 공모전이다.

이번 공모전은 카카오가 주최하고 과학기술정보통신부가 후원한다. 시상 규모도 꽤 크다.

대상은 과기정통부 장관상과 상금 1,000만 원이다.

금상은 500만 원, 은상은 100만 원으로 구성되어 있다.

하지만 내가 보기에 이 공모전의 진짜 가치는 상금보다도 내가 만든 MCP 서비스가 실제 카카오 생태계 안에서 사용자에게 공개될 수 있다는 점에 있다.

특히 학생 개발자나 개인 개발자 입장에서는 단순히 포트폴리오에 “공모전 참여”라고 쓰는 것보다 훨씬 좋은 경험이 될 수 있다.

내가 직접 문제를 정의하고 MCP 서버를 만들고 PlayMCP에 등록하고 Kakao Tools 공개까지 경험한다면 이것 자체가 AI Agent 시대의 포트폴리오가 될 수 있기 때문이다.

이전 공모전 수상 사례가 보여준 것

세션에서는 이전에 진행된 MCP Player 10 공모전 사례도 소개되었다.

인상 깊었던 점은 수상자들이 모두 전문 개발자만은 아니었다는 것이다.

오히려 자신의 주변에서 발견한 문제를 AI로 해결하고 싶어 했던 사람들이 많았다.

예를 들어 어린이집 알림장 서비스를 만든 사례가 있었다.

개발자는 원래 전문 개발자가 아니었지만 어린이집에서 일하는 가족이 매일 알림장과 보육일지 작성으로 힘들어하는 모습을 보고 문제를 발견했다. 그래서 AI가 사진이나 간단한 메모를 바탕으로 알림장 초안을 작성해주고 아이의 특이사항을 기억해 교사의 업무를 줄여주는 서비스를 만들었다.

이 사례가 좋았던 이유는 기술 자체보다 문제의식이 명확했기 때문이다.

“AI로 뭘 만들 수 있을까?”에서 출발한 것이 아니라,

“내 주변 사람이 겪는 불편을 AI로 줄일 수 없을까?”에서 출발했다.

또 다른 사례로는 스타트업 지원사업을 찾아주는 서비스도 있었다. 창업을 준비하는 사람들은 받을 수 있는 지원사업이 있어도 몰라서 놓치는 경우가 많다. 이 문제를 해결하기 위해 사용자의 상황에 맞는 정부지원사업 정보를 찾아주는 MCP를 만든 것이다.

개인적으로 이 부분을 들으며 공모전의 방향성이 꽤 좋다고 느꼈다.

기술적으로 화려한 서비스를 찾는 것도 중요하지만 진짜 중요한 것은 사용자의 문제를 정확히 보고 그것을 AI로 해결하려는 태도라고 생각했기 때문이다.

이번 공모전에서 중요한 평가 기준

세션에서 강조된 평가 기준은 크게 세 가지였다.

첫 번째는 창의성이다.

MCP 서버를 만드는 것 자체는 이제 예전보다 훨씬 쉬워졌다. 발표에서도 요즘은 AI 도구를 활용하면 MCP 서버 하나를 만드는 것 자체는 그렇게 어려운 일이 아니라고 이야기했다.

그렇기 때문에 중요한 것은 “무엇을 만들 것인가”다.

기술적으로 복잡한가보다 더 중요한 질문은 이것이다.

이 아이디어가 실제 사람들의 문제를 해결하는가?

기존에 없던 방식으로 문제를 바라보는가?

AI Agent가 되었을 때 더 큰 가치를 만들 수 있는가?

두 번째는 편의성이다.

아무리 아이디어가 좋아도 사용자가 쓰기 어렵다면 좋은 서비스가 되기 어렵다. 특히 이번 공모전은 본선 진출작이 Kakao Tools를 통해 사용자에게 공개될 예정이기 때문에 실제 사용자가 편하게 이해하고 사용할 수 있는 흐름이 중요하다.

세 번째는 안정성이다.

MCP는 결국 서버다. 사용자가 호출했는데 됐다가 안 됐다가 하면 신뢰를 얻기 어렵다. 또한 데이터 출처가 명확해야 하고 보안상 문제가 없어야 한다.

세션에서도 MCP 서버는 데이터를 전달하는 게이트웨이에 가깝기 때문에 어떤 데이터를 가져오고 어떻게 가공하는지가 중요하다는 이야기가 나왔다.

이 부분은 개발자 입장에서 특히 중요하게 들렸다.

AI Agent 시대의 서비스는 단순히 모델 호출을 잘하는 것만으로는 부족하다. 신뢰할 수 있는 데이터, 안정적인 서버, 사용자의 흐름을 고려한 설계가 함께 필요하다.

공모전 진행 일정

Agentic Player 10은 총 4단계로 진행된다.

STEP 1. 예선 참여

PlayMCP 서버를 등록하고 응모하면 총 20개의 본선 진출작이 선정된다.

접수 기간은 6월 15일 월요일부터 7월 14일 화요일까지다.

본선 진출작 발표는 7월 30일 목요일이다.

STEP 2. 본선 진출작 추가 개발

본선 진출작은 Kakao Tools 공개와 본선 심사를 위한 추가 개발 과정을 진행한다.

개발 기간은 7월 30일부터 8월 27일까지다.

STEP 3. 본선 투표

Kakao Tools 사용자 대상 공개 투표와 심사위원 최종 심사가 진행된다.

공개 투표 기간은 8월 31일부터 9월 28일까지다.

STEP 4. 최종 심사 및 시상

최종 결과는 오프라인 시상식을 통해 공개된다.

시상식은 10월 23일 금요일, 장소는 카카오 AI캠퍼스다.

예선 참여 방법

참여 흐름은 처음 보면 조금 복잡해 보일 수 있다. 하지만 세션에서 설명해주신 내용을 기준으로 정리하면 크게 네 단계다.

1. 카카오클라우드에서 MCP 서버 Endpoint 생성

먼저 카카오클라우드에서 MCP 서버 Endpoint를 생성해야 한다.

공모전용 MCP 서버는 인당 2대까지 생성 가능하며 공모전 참여 목적으로 사용할 수 있다.

이번 공모전에서는 예선 기간 동안 카카오클라우드를 통한 MCP 서버가 지원되기 때문에, 개인 개발자 입장에서는 서버 비용 부담을 줄이고 참여할 수 있다는 점이 좋다.

2. PlayMCP 개발자 콘솔에서 MCP 서버 등록

카카오클라우드에서 생성한 MCP 서버 Endpoint를 PlayMCP 개발자 콘솔의 “새로운 MCP 서버 등록”에서 등록한다.

아직 최종 제출용 MCP 서버가 아니라면 “임시 등록”으로 저장해 PlayMCP에서 충분히 테스트하면 된다.

3. 최종 개발 완료 후 등록 및 심사 요청

최종 제출용 MCP 서버 개발이 완료되면 “등록 및 심사 요청”으로 심사를 요청한다.

주의할 점은 심사에 시간이 걸릴 수 있다는 것이다. 공식 안내 기준으로 PlayMCP 서버 심사는 영업일 기준 최대 7일이 걸릴 수 있다.

마감 직전에 제출하면 심사 완료가 어려울 수 있으니 되도록 미리 개발하고 미리 심사 요청을 넣는 것이 좋다.

4. 전체 공개로 변경 후 예선 참여 접수

PlayMCP 서버 심사가 완료되면 최초 공개 상태는 “나에게만 공개”로 설정된다.

하지만 Agentic Player 10 참가 접수를 위해서는 반드시 공개 상태를 “전체 공개”로 바꿔야 한다.

이 부분을 놓치면 참가 접수 대상에서 제외될 수 있으니 정말 중요하다.

마지막으로 공모전 페이지 하단의 “Player 예선 참여” 버튼을 눌러 최종 제출하면 된다.

제출은 1회만 가능하므로 마지막 제출 전에 테스트를 충분히 해보는 것이 좋다.

세션에서 들은 진짜 꿀팁: AI에게 llms.txt를 넘겨라

이번 세션에서 개인적으로 가장 실용적이라고 느낀 팁도 있었다.

바로 llms.txt 링크를 AI에게 넘겨서 개발과 배포를 도와달라고 하는 것이다.

공모전용 카카오클라우드 PlayMCP 배포 환경에는 AI가 읽기 좋도록 정리된 문서가 제공된다.

링크는 아래와 같다.

https://playmcp.kakaocloud.io/llms.txt

이 문서는 사람보다 AI가 읽기 좋게 만들어진 안내 문서에 가깝다.

그래서 Codex, Claude Code, ChatGPT 같은 AI 개발 도구에게 해당 링크를 주고

“이 문서를 참고해서 PlayMCP용 MCP 서버를 배포할 수 있게 도와줘.”

라고 요청하면 개발과 배포 흐름을 훨씬 쉽게 잡을 수 있다.

개인적으로 이 부분은 학생 개발자들에게 정말 좋은 포인트라고 생각한다.

이제 중요한 것은 모든 것을 혼자 외워서 구현하는 것이 아니라, 공식 문서를 AI에게 잘 넘기고, AI와 함께 빠르게 구현하고 검증하는 능력이다.

대학생 개발자에게 왜 좋은 기회일까?

나는 이 공모전이 대학생 개발자에게 꽤 좋은 기회라고 생각한다.

첫 번째 이유는 AI Agent 시대의 포트폴리오를 만들 수 있기 때문이다.

요즘은 단순히 CRUD 프로젝트만으로는 차별화가 쉽지 않다. 하지만 MCP 서버를 만들고 AI가 실제로 외부 데이터를 호출하고 사용자의 문제를 해결하는 흐름을 구현한다면 확실히 새로운 경험이 된다.

두 번째 이유는 문제 정의 훈련이 되기 때문이다.

이번 공모전은 단순히 기술을 많이 아는 사람이 유리한 대회라기보다 자기 주변의 문제를 잘 발견하는 사람이 유리한 대회처럼 느껴졌다.

내가 다니는 학교, 내가 속한 동아리, 내가 하는 팀플, 내가 준비하는 취업, 내가 겪는 자취 생활, 내가 관리하는 돈, 내가 배우는 전공 공부 안에도 충분히 문제가 많다.

그 문제를 AI Agent로 해결해보는 것 자체가 좋은 기획이 될 수 있다.

세 번째 이유는 카카오 생태계 안에서 공개될 수 있다는 점이다.

본선에 진출하면 Kakao Tools 사용자에게 공개되고 투표와 심사를 받게 된다.

내가 만든 서비스가 단순히 깃허브에 올라가고 끝나는 것이 아니라 실제 사용자에게 노출될 수 있다는 점은 큰 경험이다.

네 번째 이유는 팀으로도 참여할 수 있다는 점이다.

개발을 잘하는 사람, 기획을 잘하는 사람, 디자인을 잘하는 사람이 함께 팀을 만들면 충분히 좋은 결과물을 만들 수 있다.

특히 AI 도구를 잘 활용하면 전문 개발자가 아니어도 아이디어를 구현할 가능성이 커졌다.

좋은 MCP 아이디어를 찾는 방법

세션을 듣고 나서 내가 정리한 좋은 MCP 아이디어의 기준은 세 가지다.

첫째, 내가 직접 겪는 문제인가?

자기 자신이 사용자가 되면 문제를 더 깊게 이해할 수 있다. 예쁘게 포장한 아이디어보다, 내가 매주 귀찮아하고 반복해서 겪는 문제가 더 좋은 출발점일 수 있다.

둘째, AI가 외부 데이터나 기능을 호출해야 가치가 커지는가?

그냥 ChatGPT에게 물어봐도 되는 문제라면 MCP가 꼭 필요하지 않을 수 있다. 하지만 학교 공지, 일정, 장소, 가격, 지원사업, 과제, 문서, 데이터베이스처럼 외부 정보와 연결되어야 한다면 MCP의 가치가 커진다.

셋째, 사용자가 실제로 다시 쓸 이유가 있는가?

한 번 써보고 끝나는 서비스보다 반복적으로 필요한 서비스가 좋다.

예를 들어 일정 정리, 정산, 알림장 작성, 지원사업 탐색, 학사관리, 식단관리 같은 문제는 반복적으로 발생한다.

이런 문제일수록 Agentic AI와 잘 맞는다.

참고 링크

PlayMCP
https://playmcp.kakao.com/?page=0

Agentic Player 10 공모전 페이지
https://b.kakao.com/views/PlayMCP/AGENTIC_PlAYER_10

공식 노션 가이드
https://app.notion.com/p/3749b97b4888803bb90bef3ddbcfbcfb?v=4739b97b488883b3a439089fe7dfba63&p=3749b97b4888806b8564ee264e2fafde&pm=s

PlayMCP 예시 MCP
https://playmcp.kakao.com/mcp/262

AI 개발 도구에게 넘기기 좋은 llms.txt
https://playmcp.kakaocloud.io/llms.txt

마무리하며

이번 PlayMCP Agentic Player 10 세션은 단순한 공모전 소개가 아니라 AI Agent 시대에 개발자가 어떤 역할을 할 수 있는지 생각하게 만든 시간이었다.

이제 AI 서비스는 단순히 좋은 답변을 생성하는 것을 넘어 사용자의 문제를 이해하고 실제 도구를 호출해 일을 처리하는 방향으로 가고 있다.

그리고 MCP는 그 변화의 중심에 있는 기술 중 하나다.

Agentic Player 10은 그 흐름을 직접 경험해볼 수 있는 좋은 기회라고 생각한다.

특히 대학생, 개인 개발자, 예비 창업자라면 이번 공모전을 통해 자신이 겪는 문제를 AI 서비스로 바꿔볼 수 있다.

처음부터 완벽한 서비스를 만들 필요는 없다.

중요한 것은 내가 발견한 문제를 AI가 해결할 수 있는 형태로 바꿔보는 것이다.

관심 있는 친구들이 있다면 이번 기회에 같이 한 번 도전해봐도 좋을 것 같다.

AI를 잘 쓰는 사람을 넘어 AI가 사용할 도구를 만드는 사람으로 넘어갈 수 있는 좋은 출발점이 될 수 있으니까.

[KANANA 429] Kanana-o 리뷰와 카나나톡 업데이트로 본 카카오 AI의 다음 방향

MKISOS — Thu, 18 Jun 2026 10:03:17 +0900

6월 온라인 세션을 들으며

2026년 6월 17일, 카카오 AI 앰배서더 KANANA 429 온라인 세션에 참여했다.

이번 세션은 총 3개의 파트로 진행되었는데, 그중 내가 이번 글에서 정리할 내용은 두 가지다.

첫 번째는 Kanana-o 리뷰 배달해드립니다 세션이고, 두 번째는 Kanana in KakaoTalk, What's new! 세션이다.

사실 이전에도 Kanana-o와 Kanana-v에 대해 기술적으로 정리한 글을 작성했었다. 그런데 이번 세션은 조금 달랐다. 단순히 모델을 소개하는 시간이 아니라 실제 베타 테스터들이 Kanana-o API를 활용해 어떤 서비스를 만들었고 그 과정에서 어떤 가능성과 한계가 보였는지를 들을 수 있었다.

그리고 이어진 카나나톡 업데이트 세션에서는 카카오가 왜 카카오톡 안에서 AI를 만들고 있는지, 그리고 카카오톡이라는 메신저 환경에서 AI가 어떤 방식으로 진화하고 있는지를 볼 수 있었다.

Kanana-o API 베타 테스트가 보여준 가능성

먼저 Kanana-o 세션에서는 지난 3월부터 진행된 Kanana-o API 베타 테스트 사례들이 공유되었다.

Kanana-o는 텍스트, 이미지, 음성 등 다양한 입력을 이해하고 자연스럽게 한국어로 응답할 수 있는 카카오의 옴니모달 모델이다. 단순히 글을 생성하는 LLM이 아니라 이미지를 이해하고 음성으로 말하며 다양한 형태의 입력과 출력을 연결할 수 있다는 점에서 활용 범위가 넓다.

이번 베타 테스트에서는 여러 참가자들이 Kanana-o API를 활용해 직접 서비스를 만들었다. 발표에서는 그중 인상 깊었던 사례들이 소개되었는데 단순한 데모 수준을 넘어 실제 서비스 아이디어로 발전할 수 있는 프로젝트들이 꽤 많았다.

예를 들어, 마음톡은 카카오 선물하기와 음성 메시지를 결합한 PoC 서비스였다. 사용자가 한 줄 메시지와 톤을 선택하면 AI가 이를 자연스럽게 풀어주고 음성 카드 형태로 전달하는 방식이다. 단순한 텍스트 카드보다 훨씬 더 감정이 직접적으로 전달될 수 있다는 점에서 인상적이었다.

무슨 생각 하냥?은 반려동물 사진을 업로드하면 Kanana-o가 이미지를 해석하고 짧고 귀여운 음성으로 반응을 만들어주는 서비스였다. 강아지나 고양이 사진을 기반으로 “배고프냥”, “기분 좋다 야옹” 같은 식의 반응을 만들어내는 방식이었는데, 이미지 이해와 음성 표현이 결합되었을 때 얼마나 친근한 경험이 나올 수 있는지 보여준 사례였다. (프롬프트가 엄청나다. 얼마나 정성스럽게 깎으셨는지...)

또 다른 사례로는 웹소설 창작에 Kanana-o를 활용한 프로젝트도 있었다. 발표에서는 한국어 창작물에서 번역투를 줄이고 장르 특유의 분위기나 긴장감을 살리는 데 Kanana-o가 도움을 줄 수 있었다는 이야기가 나왔다. 이 부분은 꽤 흥미로웠다. 단순히 “한국어를 잘한다”는 표현보다, 한국어 콘텐츠의 뉘앙스와 장르 문법을 얼마나 자연스럽게 다룰 수 있는지가 중요하기 때문이다.

이미지를 기반으로 음악과 비주얼 코드를 생성하는 사례도 있었다. 이미지를 업로드하면 색, 질감, 움직임, 감정 등을 읽고 이를 Strudel 코드와 라이브 비주얼라이저로 연결하는 방식이었다. 개인적으로 이런 사례를 보면서 Kanana-o가 단순한 대화형 AI를 넘어 창작 도구로도 활용될 수 있겠다는 생각이 들었다.

“Markus 님의 다독다독 ”

이번 세션에서 개인적으로 가장 놀랐던 순간도 있었다.

내가 만들었던 AI 독서 친구 다독다독이 발표 중에 소개되었다.

다독다독은 발달장애 아동을 위한 AI 독서 보조 서비스로 기획한 프로젝트다. 단순히 책의 내용을 읽어주는 것이 아니라, 아이가 글을 읽고 나서 인물의 감정, 사건의 원인과 결과, 상황의 맥락을 더 쉽게 이해할 수 있도록 돕는 것을 목표로 했다.

발표에서도 이 부분을 좋게 봐주셨다. 발달장애 아동에게는 단순히 글자를 읽는 것만으로 충분하지 않을 수 있고, 활동, 감정, 동기, 상황을 함께 풀어주는 접근이 필요하다는 점을 짚어주셨다.

이 이야기를 들으면서 내가 이 프로젝트를 왜 만들었는지 다시 생각하게 됐다.

이번 세션에서 다독다독이 언급된 것은 개인적으로 정말 큰 동기부여가 되었다. 동시에 앞으로 AI 서비스를 만들 때 더 명확한 타깃과 문제의식을 가지고 접근해야겠다는 생각도 들었다.

https://mkisos.tistory.com/entry/429

[KANANA 429] Kanana-o API로 만든 AI 독서 친구, “다독다독” 개발기

Kanana-o API로 만든 AI 독서 친구, “다독다독” 개발기발달장애 아동이 그림책을 보고, 듣고, 말하며 감정을 이해할 수 있도록 돕는 AI 독서 친구 데모Repository: https://github.com/mk-isos/dadokdadok-kananaDemo:

mkisos.tistory.com

Kanana-o가 가진 기술적 강점과 앞으로의 과제

Kanana-o 세션 후반부에서는 모델 개발 관점의 이야기도 들을 수 있었다.

가장 인상 깊었던 부분은 실제 서비스 환경에서의 어려움이었다. 모델을 학습할 때 사용하는 데이터는 보통 정제되어 있고 깔끔하다. 하지만 실제 사용자는 조용한 실험실에서만 AI를 쓰지 않는다. 행사장, 길거리, 카페, 지하철처럼 소음이 많은 환경에서 말을 하기도 하고, 말이 끊기거나 주변 사람의 목소리가 함께 들어오기도 한다.

이런 상황에서 모델이 안정적으로 동작하려면 노이즈에 강한 모델이 되어야 한다. 발표에서는 이를 위해 실제 환경과 비슷한 데이터를 확보하고 모델의 강건성을 높이는 것이 중요하다고 설명했다.

또 하나 흥미로웠던 점은 풀 듀플렉스 모드였다.

현재 많은 음성 AI는 사용자가 말을 끝내면 AI가 답하고 AI의 답변이 끝난 뒤 다시 사용자가 말하는 구조에 가깝다. 하지만 실제 사람 간 대화는 그렇지 않다. 우리는 상대가 말하는 중간에 끼어들기도 하고, 추임새를 넣기도 하고, 상대가 내 말을 끊으려는 것인지 단순히 반응하는 것인지 구분하기도 한다.

Kanana-o가 앞으로 더 자연스러운 음성 AI가 되려면 AI가 말하면서도 동시에 듣고 사용자의 개입을 이해할 수 있어야 한다. 이 방향성이 굉장히 흥미로웠다.

그리고 실시간 번역, 팟캐스트 생성, 감정을 담은 발화, 함수 호출 기반의 에이전트 기능 등도 앞으로의 개선 방향으로 언급되었다.

Kanana in KakaoTalk 업데이트: 카카오톡 안에서만 가능한 AI

다음으로는 Kanana in KakaoTalk, What's new! 세션이 진행되었다.

이 세션에서 가장 중요한 질문은 이것이었다.

“이미 좋은 AI 서비스가 많은데, 왜 굳이 카카오톡 안에서 카나나를 써야 할까?”

이 질문에 대한 답이 이번 업데이트의 핵심이었다고 생각한다.

카카오톡은 단순한 메신저가 아니다. 한국 사용자에게는 친구, 가족, 학교, 회사, 약속, 선물, 송금, 일정, 장소 공유가 모두 얽혀 있는 생활 플랫폼에 가깝다. 그렇기 때문에 카카오톡 안의 AI는 일반적인 AI 챗봇과 다른 역할을 할 수 있다.

GPT나 Gemini 같은 AI가 개인 비서에 가깝다면 카나나는 카카오톡 안에서 대화 맥락과 관계를 이해하고 필요한 순간에 도움을 주는 AI에 가까워지고 있다.

이번 업데이트에서 가장 중요하게 느껴진 방향은 크게 세 가지였다.

첫째, 선톡의 정확도 개선이다.

카나나는 사용자가 굳이 먼저 질문하지 않아도 필요한 순간에 먼저 제안하는 선톡 경험을 제공한다. 하지만 이 기능은 정확도가 매우 중요하다. 좋은 타이밍에 오면 정말 편하지만, 틀리거나 불필요하게 오면 오히려 방해가 될 수 있다.

이번 세션에서는 온디바이스 모델이 업데이트되면서 선톡의 정확도를 높이기 위한 구조가 개선되었다고 설명했다. 특히 실제 사용자의 대화 원문을 서버에서 직접 보는 방식이 아니라, 카카오톡과 유사한 가상 대화 환경을 만들고 합성 데이터를 활용해 개선하는 방식이 인상적이었다.

프라이버시를 지키면서도 모델을 개선하려는 접근이라는 점에서 카카오톡 AI가 가져야 할 중요한 방향이라고 느꼈다.

둘째, 카카오톡 생태계와의 연결이다.

이번 업데이트에서는 송금, 정산, 길찾기, 기차표 보기, 예약, 장소 탐색 등 카카오톡 안팎의 여러 기능으로 연결되는 흐름이 강화되었다. 예를 들어 친구들과 장소를 정하는 대화가 오가면, 카나나가 적절한 장소를 추천하고 카카오맵이나 예약하기로 자연스럽게 이어질 수 있다.

이건 단순히 답변을 잘하는 AI와는 다르다. 사용자가 실제로 해야 할 행동까지 연결해주는 AI에 가깝다.

셋째, 대화방 맥락 기반 에이전트다.

이 부분이 개인적으로 가장 기대되는 기능이었다.

이제 카나나는 대화방의 내용을 기반으로 할 일을 정리하거나, 답장을 추천하거나, 친구와의 대화 내용을 바탕으로 선물을 추천하는 방향으로 발전하고 있다. 단톡방에 말풍선이 많이 쌓였을 때 누가 어떤 일을 해야 하는지 정리해주는 것도 가능해진다.

생각해보면 카카오톡에서 가장 피곤한 순간은 대화가 너무 많이 쌓였을 때다. 특히 팀플, 약속, 여행 계획, 회의, 동아리 활동을 할 때는 말풍선이 수십 개씩 쌓이고, 나중에는 누가 뭘 하기로 했는지 헷갈린다.

이때 AI가 대화 맥락을 읽고 할 일을 정리해준다면 이건 정말 카카오톡 안에서만 가능한 AI 경험이 될 수 있다.

카나나톡이 지향하는 방향

이번 세션을 들으면서 카나나톡이 지향하는 방향은 꽤 명확하다고 느꼈다.

카나나는 사용자가 AI 앱을 따로 열고 질문하기를 기다리는 서비스가 아니다. 오히려 카카오톡 안에서 사용자의 대화 흐름을 이해하고, 필요한 순간에 먼저 알려주고, 적절한 기능으로 연결하는 AI를 지향한다.

예를 들어 아침 브리핑도 앞으로는 더 개인화될 수 있다. 단순히 “오늘 일정이 있습니다”에서 끝나는 것이 아니라 내가 가야 할 장소의 정보, 이동 시간, 예약 정보, 날씨, 관심 있는 주식, 영어 단어처럼 사용자가 원하는 정보를 미리 조합해서 제공하는 방향으로 확장될 수 있다.

또한 사주처럼 가볍게 공유할 수 있는 재미 요소도 추가되고 있다. 이 부분은 단순히 기능적인 편의성만이 아니라 친구들과 공유하고 대화할 수 있는 카카오톡다운 AI 경험을 만들기 위한 시도로 보였다.

AI 서비스에서 중요한 것은 기술보다 경험일 수도 있다

이번 두 세션을 함께 들으면서 느낀 점은 AI 서비스의 경쟁력이 단순히 모델 성능만으로 결정되지는 않는다는 것이다.

물론 모델 성능은 중요하다. Kanana-o가 한국어 음성, 이미지 이해, 감정 표현, 멀티모달 입력을 잘 처리하는 것은 분명 중요한 기술적 기반이다.

하지만 사용자는 모델 구조를 보고 서비스를 쓰지 않는다. 사용자는 “이게 내 문제를 해결해주는가?”, “내가 원래 쓰던 흐름 안에서 자연스럽게 도움이 되는가?”를 본다.

Kanana-o의 베타 테스트 사례들이 인상 깊었던 이유도 여기에 있다.

마음톡은 선물하기 경험을 더 따뜻하게 만들었다.

다독다독은 발달장애 아동의 독서 이해를 돕는 방향으로 AI를 활용했다.

아이 전용 AI 친구는 어린아이의 한국어 발화와 맥락을 더 잘 이해하는 가능성을 보여줬다.

라이어 게임은 음성 AI가 게임 경험으로 확장될 수 있음을 보여줬다.

카나나톡 업데이트는 AI가 대화방, 일정, 선물, 장소, 정산, 예약 같은 실제 일상 흐름에 들어갈 수 있음을 보여줬다.

결국 좋은 AI 서비스는 “AI가 들어갔다”가 중요한 것이 아니라 AI가 들어가서 사용자의 경험이 실제로 더 좋아졌는지가 중요하다는 생각이 들었다.

마무리하며

이번 6월 온라인 세션은 단순한 업데이트 소개가 아니라 카카오 AI가 어떤 방향으로 진화하고 있는지를 볼 수 있었던 시간이었다.

Kanana-o 세션에서는 베타 테스터들이 만든 다양한 서비스 사례를 통해 멀티모달 AI의 가능성을 확인할 수 있었다. 특히 한국어 음성, 이미지 이해, 감정 표현, 특정 사용자 타깃에 맞춘 서비스 설계가 중요하다는 점을 느꼈다.

카나나톡 세션에서는 카카오톡 안에서 AI가 어떤 방식으로 사용자 경험을 바꿀 수 있는지를 볼 수 있었다. 선톡, 대화방 맥락 이해, 장소 추천, 예약 연결, 개인화 브리핑 등은 모두 카카오톡이기 때문에 더 자연스럽게 연결될 수 있는 기능들이었다.

무엇보다 이번 세션을 들으며 가장 크게 남은 생각은 이것이다.

AI의 다음 단계는 단순히 더 똑똑한 답변을 만드는 것이 아니라 사용자의 일상 속에서 필요한 순간에 자연스럽게 도움을 주는 방향으로 갈 것 같다. 그리고 카나나는 그 방향을 카카오톡이라는 가장 일상적인 공간 안에서 실험하고 있다.

앞으로 Kanana-o와 Kanana in KakaoTalk이 어떻게 연결되고 발전할지 기대된다.

2026 투자전략 2편: 리밸런싱, 더 단순하게 성장에 집중하기

MKISOS — Thu, 18 Jun 2026 07:25:05 +0900

올해 초 나는 2026년 투자 전략에 대한 글을 한 번 정리했다.

https://mkisos.tistory.com/entry/ISA%C2%B7%EB%A0%88%EB%B2%84%EB%A6%AC%EC%A7%80%C2%B7%EB%B0%B0%EB%8B%B9%EC%9C%BC%EB%A1%9C-%EA%B5%AC%EC%84%B1%ED%95%9C-2026-%ED%88%AC%EC%9E%90-%EC%A0%84%EB%9E%B5-%ED%9A%8C%EA%B3%A0%EA%B9%8C%EC%A7%80

ISA·레버리지·배당으로 구성한 2026 투자 전략 (회고까지)

26년 1월 포트폴리오 리밸런싱 계획“젊음을 공격성으로 쓰되, 구조는 보수적으로 짠 투자”1. 투자 경험의 축적과 관점의 변화나는 비교적 이른 시기부터 주식을 경험해왔다. 2024년까지는 신성

mkisos.tistory.com

당시의 핵심은 ISA, 레버리지 ETF, 배당 ETF, 현금성 자산을 함께 활용하는 구조였다. 젊을 때는 성장 자산을 가져가되, 시드가 커질수록 변동성 관리도 필요하다고 생각했다. 그래서 레버리지 상품을 활용하면서도 배당 ETF와 현금성 자산을 일부 섞어 심리적 안정감과 투자 지속성을 함께 가져가고자 했다.

그 글을 쓴 이후 몇 달이 지났다.
시장은 계속 움직였고, 나 역시 매주 자산을 기록하며 내 성향을 더 분명하게 알게 되었다. 무엇보다 내가 어떤 투자 방식에서 흔들리고, 어떤 방식에서 오히려 차분해지는지를 알게 되었다. 이번 글은 그 과정에서 다시 정리한 2026년 하반기 이후의 투자 리밸런싱 계획이다.
구체적인 금액과 수량은 적지 않으려고 한다. 이 글은 자산 규모를 보여주기 위한 글이 아니라, 내가 어떤 기준으로 투자 구조를 다시 짜고 있는지 기록하기 위한 글이다.

1. 배당보다 성장에 더 집중하기로 했다

올해 초에는 월배당 ETF와 배당성장 ETF도 꽤 매력적으로 느껴졌다.
매달 배당이 들어오고, 그 배당금을 다시 성장 자산에 재투자하는 구조는 심리적으로 안정적이다. 말하자면 투자 계좌 안에서 작은 물레방아가 돌아가는 느낌이다. 배당이 들어오면 그 돈으로 다시 ETF를 사고, 시간이 지나면서 배당금도 커지고, 재투자 규모도 커지는 구조다.
하지만 최근 몇 달 동안 생각이 조금 바뀌었다.
배당 전략이 나쁘다는 뜻은 아니다. 오히려 장기적으로는 반드시 가져가고 싶은 전략 중 하나다. 다만 현재 내 시드 규모와 나이를 고려하면 아직은 배당 자체가 자산 성장 속도를 크게 바꿀 만큼 유의미하지 않다고 판단했다.
배당 ETF를 보유하면 심리적으로 안정감은 생긴다. 하지만 지금 단계에서 배당금은 아직 작다. 그 작은 배당금을 받기 위해 성장성이 더 큰 자산의 비중을 줄이는 것이 맞는지 고민했다. 결론은 단순했다.
지금은 배당을 키우는 시기가 아니라 성장 자산의 수량을 모으는 시기다.
1억 원 전까지는 배당성장 ETF가 없어도 무방하다고 생각한다. 배당성장주는 원금이 어느 정도 커지고, 그 상태에서 20년, 30년 동안 배당을 재투자할 때 진짜 힘이 나온다. 지금처럼 자산을 빠르게 키워야 하는 구간에서는 배당보다 성장에 더 집중하는 것이 맞다고 판단했다.
그래서 배당성장 ETF와 월배당 ETF는 완전히 버리지는 않되, 당분간은 정찰병 정도로만 남기기로 했다. 나중에 자산 규모가 커졌을 때 다시 본격적으로 비중을 늘릴 수 있도록 흐름만 계속 관찰하는 것이다.

2. 계좌를 단순하게 만들기로 했다

투자 종목이 많으면 뭔가 더 잘 분산된 것처럼 느껴진다.
하지만 실제로는 그렇지 않았다. 종목이 많아질수록 판단이 복잡해졌다. 어떤 종목을 더 살지, 어떤 종목을 줄일지, 배당을 받을지, 성장 자산으로 옮길지 계속 고민하게 되었다. 특히 하락장에서는 종목이 많을수록 판단이 더 흐려졌다.
내가 원하는 투자 방식은 복잡한 포트폴리오가 아니다.
내가 원하는 것은 단순한 구조다. 오를 때는 성장 자산이 계좌를 끌고 가고, 떨어질 때는 현금성 자산이 다시 성장 자산을 살 수 있는 탄약이 되는 구조다.
그래서 앞으로 일반 투자 계좌의 핵심은 두 가지로 정리하려고 한다. (ISA는 그대로 갑니다.)
첫째, QLD는 성장 엔진이다.
둘째, SGOV는 하락장 매수 대기금이다.
QLD는 나스닥100을 기반으로 한 레버리지 ETF이기 때문에 변동성이 크다. 그만큼 상승장에서는 강하지만, 하락장에서는 낙폭도 클 수 있다. 그래서 무작정 전부 QLD로만 가져가는 것은 위험하다. 반대로 SGOV는 달러 현금성 자산에 가까운 역할을 한다. 큰 수익을 기대하는 자산이라기보다, 하락장이 왔을 때 QLD를 더 살 수 있게 해주는 대기 자금이다.
결국 이 구조는 이렇게 정리된다.
QLD는 공격이다.
SGOV는 탄약이다.
현금은 한 달치 매수 연료다.
이 세 가지 역할만 명확하면 계좌를 훨씬 단순하게 관리할 수 있다.

3. 2026년 하반기부터 2028년 3월까지의 큰 방향

2026년 하반기에는 내 자산 구조에 중요한 변화가 있다.
사회복무요원 복무가 마무리되고, 군적금이 만기 해지된다. 이후 매칭지원금도 들어올 예정이다. 이 시기에는 단순히 돈이 들어오는 것보다, 그 돈을 어떤 구조로 배치할지가 훨씬 중요하다고 생각한다.
내 계획은 한 번에 전부 투자하지 않는 것이다.
우선 ISA 계좌는 장기투자 계좌로 남겨둔다. 이 계좌는 가능한 한 건드리지 않고 오래 가져갈 생각이다. 일반계좌에서는 QLD와 SGOV 중심으로 재정리한다. 배당 ETF와 배당성장 ETF는 각각 소량만 남겨두고, 나머지는 성장 자산과 현금성 자산으로 옮긴다.
9월 이후부터는 QLD를 매일 소수점으로 매수하는 시스템을 강화하려고 한다. 매일 일정 금액을 투자하면 시장 타이밍을 맞추려는 욕심이 줄어든다. 상승장에서는 계속 참여하고 있다는 안정감이 생기고, 하락장에서는 더 낮은 가격에 수량을 모을 수 있다.
다만 모든 돈을 바로 QLD에 넣지는 않는다.
남은 돈은 SGOV에 파킹한다. 그리고 매달 한 달치 QLD 매수 자금만 현금화해서 매일 매수에 사용한다. 쉽게 말하면 SGOV는 큰 저수지고, 매달 필요한 만큼만 물을 흘려보내 QLD를 사는 구조다.
평상시에는 정해진 금액만 매일 산다.
하지만 QLD가 크게 하락하면 규칙을 바꾼다. 일정 수준 이상 하락하면 매일 매수 금액을 늘리고, 더 큰 하락이 오면 SGOV 일부를 매도해 QLD를 추가 매수한다. 하락장을 두려워하는 것이 아니라, 하락장에 수량을 늘릴 수 있는 구조를 미리 만들어두는 것이다.

거치식 vs 거치식(절반) + 적립식 vs 거치식 (일부) + 적립식 을 매우 고민했다.

4. 왜 지금은 배당 물레방아보다 QLD 수량 확보인가

나는 언젠가 배당금으로 성장 자산을 사는 구조를 만들고 싶다.
예를 들어 자산이 충분히 커진 뒤에는 JEPQ 같은 월배당 ETF에서 나오는 배당금을 그대로 QLD 소수점 매수에 사용하는 방식도 가능하다고 생각한다. 그때가 되면 배당금 자체가 꽤 의미 있는 금액이 될 수 있다. 매달 들어오는 현금흐름이 다시 성장 자산으로 흘러가는 구조는 분명 매력적이다.
하지만 지금은 아직 그 단계가 아니다.
현재는 배당금의 크기보다 성장 자산의 수량을 늘리는 것이 더 중요하다. 배당을 받는 경험도 중요하지만, 그 경험을 위해 너무 이른 시점에 성장성을 포기할 필요는 없다고 판단했다.
그래서 지금은 배당 ETF를 완전히 배제하지는 않되, 최소한만 남긴다. 미래에 비중을 늘릴 자산이라는 감각을 잃지 않기 위해 정찰병처럼 소량만 보유한다. 그 외의 자금은 QLD와 SGOV 시스템에 집중한다.
1억 원 전까지는 성장과 기회 포착이 더 중요하다.
1억 원 이후부터는 배당, 배당성장, 월현금흐름 전략을 다시 검토할 생각이다. 그때는 JEPQ, SCHD, DGRO 같은 자산이 지금보다 훨씬 유의미해질 수 있다. 자산 규모가 커질수록 배당금의 의미도 커지고, 현금흐름의 안정성도 중요해지기 때문이다.

5. 이 전략의 장점과 단점

이번 리밸런싱 전략의 장점은 명확하다.
첫째, 계좌가 단순해진다. 종목 수가 줄어들면 판단도 쉬워진다.
둘째, 성장 자산에 집중할 수 있다. 아직 25살인 내 입장에서는 시간이 가장 큰 무기다. 지금은 안정적인 배당보다 장기 성장 자산의 수량을 모으는 것이 더 중요하다고 생각한다.
셋째, 하락장이 기회가 된다. SGOV를 보유하고 있으면 시장이 크게 빠졌을 때 추가 매수할 수 있다. 현금성 자산이 없으면 하락장을 그저 버티기만 해야 하지만, 대기 자금이 있으면 하락장을 수량 확보의 기회로 바꿀 수 있다.
물론 단점도 있다.
만약 시장이 2028년 초까지 계속 상승한다면, SGOV에 파킹한 돈은 QLD 수익률을 따라가지 못한다. 즉 QLD에 한 번에 몰아서 투자한 경우보다 수익률이 낮을 수 있다. 이것은 명확한 기회비용이다.
하지만 나는 이 기회비용을 어느 정도 받아들이기로 했다.
내가 원하는 것은 단기 최고 수익률이 아니라, 오래 지속할 수 있는 투자 시스템이다. 하락장이 와도 무너지지 않고, 상승장이 와도 시장에 참여하며, 매달 정해진 루틴으로 수량을 모아가는 구조가 더 중요하다.

6. 2028년 3월까지의 목표

2028년 3월은 나에게 하나의 기준점이다.
그 시점까지는 QLD를 꾸준히 모으고, SGOV를 활용해 하락장 대응력을 유지하는 것이 목표다. 매달 정해진 방식으로 QLD를 사고, 시장이 크게 빠질 경우에는 SGOV를 더 적극적으로 활용한다.
이 기간 동안 내가 얻고 싶은 것은 단순한 수익률만이 아니다.
나는 이 기간을 통해 내 투자 성향을 더 정확히 알고 싶다. 레버리지 ETF를 장기적으로 감당할 수 있는지, 하락장에서 정말로 추가매수를 할 수 있는지, 현금성 자산을 대기시키는 것이 내 멘탈에 어떤 도움을 주는지 직접 확인하고 싶다.
투자는 결국 숫자와 심리의 싸움이다.
계산상 좋아 보이는 전략도 실제 하락장에서 손이 나가지 않으면 의미가 없다. 반대로 조금 느려 보이는 전략이라도 내가 꾸준히 실행할 수 있다면 장기적으로는 더 강한 전략이 될 수 있다.
그래서 이번 전략은 완벽한 정답이 아니다.
지금의 나에게 가장 실행 가능성이 높은 전략이다.

7. 결론: 1억 전까지는 단순하게 간다

2026년 초의 나는 ISA, 레버리지, 배당, 현금성 자산을 함께 가져가는 전략을 생각했다.
2026년 중반의 나는 그 전략을 다시 정리했다.
지금은 더 단순하게 가려고 한다.
1억 원 전까지는 QLD와 SGOV를 중심으로 간다. QLD는 성장 엔진으로 가져가고, SGOV는 하락장 매수 탄약으로 활용한다. 배당 ETF와 배당성장 ETF는 미래에 본격적으로 비중을 늘릴 자산으로 남겨두되, 지금은 정찰병 수준으로만 보유한다.
내가 지금 집중해야 할 것은 배당금 몇만 원이 아니라, 장기적으로 의미 있는 성장 자산의 수량을 확보하는 것이다.
언젠가 자산이 더 커지면 배당금으로 QLD를 매수하는 물레방아 전략을 본격적으로 사용할 수 있을 것이다. 하지만 지금은 그 전에 해야 할 일이 있다.
시드를 키우는 것.
수량을 모으는 것.
하락장을 버티고, 오히려 기회로 바꾸는 것.
2026년 하반기부터 2028년 3월까지의 내 투자 전략은 이 세 문장으로 정리된다.
성장 자산을 매일 모은다.
현금성 자산으로 하락장을 기다린다.
배당은 나중에, 지금은 성장에 집중한다.

경제금융용어 공부 533 : 지급결제 및 시장인프라 위원회(BIS CPMI)

MKISOS — Wed, 17 Jun 2026 21:00:13 +0900

지급결제 및 시장인프라 위원회(BIS CPMI)

지급결제 및 시장인프라 위원회(CPMI)는 전 세계 금융시스템이 안전하게 작동할 수 있도록 지급결제 제도와 금융시장 인프라에 대한 국제 기준을 만드는 국제기구이다. 일반인은 잘 들어보지 못한 기관이지만, 우리가 사용하는 계좌이체, 카드결제, 증권거래 등이 안정적으로 이루어질 수 있도록 글로벌 기준을 마련하는 중요한 역할을 한다. 금융위기 이후에는 금융시스템의 안정성을 높이는 핵심 국제기구 중 하나로 자리 잡았다.

1. 한 줄 정의

CPMI는 국제결제은행(BIS) 산하에서 지급결제 및 금융시장 인프라의 국제 기준을 만들고 감독 정책을 논의하는 국제 협의체이다.

2. 기본 개념

CPMI는 원래 1990년에 지급결제제도위원회(CPSS)라는 이름으로 출범하였다. 당시에는 각국의 지급결제 시스템을 분석하고 정보를 공유하는 것이 주요 목적이었다.

이후 금융시장이 복잡해지고 글로벌 금융거래가 급증하면서 단순한 지급결제뿐 아니라 증권결제, 청산기관, 중앙예탁기관 등 금융시장 인프라 전반의 중요성이 커졌다. 이에 따라 2014년부터 현재의 CPMI라는 이름으로 변경되었다.

현재 CPMI는 국제결제은행(BIS) 산하에서 금융시장 인프라 관련 국제 기준을 만들고 각국의 이행 상황을 점검하는 역할을 수행한다.

3. 왜 중요한가

현대 금융시장은 하루에도 수조 달러 규모의 자금이 이동한다. 만약 지급결제 시스템이나 증권결제 시스템에 문제가 발생하면 금융시장 전체가 마비될 수 있다.

특히 2008년 글로벌 금융위기 이후에는 금융기관 자체뿐 아니라 금융기관들을 연결하는 인프라의 안정성이 매우 중요하다는 사실이 확인되었다.

CPMI는 이러한 위험을 줄이기 위해 국가 간 공통 기준을 마련하고 금융시장 인프라의 안전성을 높이는 역할을 수행한다.

4. 쉽게 이해하는 예시

경제 예시

인터넷 뱅킹으로 친구에게 10만 원을 송금했다고 가정해 보자.

사용자는 단순히 송금 버튼만 누르지만 실제로는 은행 간 자금 이동, 중앙은행 결제 시스템, 정산 절차 등이 복잡하게 연결되어 있다.

만약 이 과정에서 오류가 발생하면 송금이 지연되거나 금융시스템 전체에 문제가 생길 수 있다.

CPMI는 이러한 지급결제 시스템이 안전하고 효율적으로 운영될 수 있도록 국제 기준을 만드는 역할을 한다.

투자 예시

주식을 매수하면 거래가 즉시 끝나는 것처럼 보이지만 실제로는 결제와 정산 과정을 거쳐야 한다.

이 과정에서 증권결제기관이나 청산기관이 중요한 역할을 수행한다.

CPMI는 이러한 기관들이 충분한 안정성과 위험관리 체계를 갖추도록 국제 기준을 제시한다.

5. 핵심 특징

5-1. 국제 기준 제정 기관

CPMI는 금융시장 인프라 운영에 필요한 국제 원칙과 기준을 마련한다.

대표적으로 금융시장인프라에 관한 원칙(PFMI)을 통해 각국의 지급결제 시스템과 청산기관 운영 기준을 제시하고 있다.

5-2. 중앙은행 협력 플랫폼

각국 중앙은행들이 지급결제 시스템 관련 정보를 공유하고 정책을 논의하는 국제 협력체 역할을 수행한다.

한국은행도 2009년 회원으로 가입하여 활동하고 있다.

6. 관련 개념과의 차이

BIS vs CPMI

BIS(국제결제은행)

중앙은행들의 중앙은행 역할 수행
다양한 금융안정 관련 기구 운영
국제 금융협력 지원

CPMI

BIS 산하 전문 위원회
지급결제 및 금융시장 인프라 담당
관련 국제 기준 제정 및 정책 논의 수행

지급결제시스템 vs CPMI

지급결제시스템

실제 자금 이체와 결제가 이루어지는 시스템

CPMI

지급결제시스템 운영 기준을 만드는 국제 협의체

즉, 지급결제시스템은 실제 도로이고 CPMI는 그 도로의 안전규칙을 만드는 기관에 가깝다.

7. 경제적 의미

국가경제 관점

안정적인 지급결제 시스템은 경제활동의 기반이다. CPMI 기준은 각국 금융시스템의 신뢰성을 높이는 데 기여한다.

기업 관점

기업들은 거래대금 지급, 외환결제, 증권발행 등 다양한 금융활동을 수행한다. 안정적인 금융시장 인프라는 기업 경영의 필수 조건이다.

금융시장 관점

청산기관과 결제기관의 위험관리 수준이 높아질수록 금융시장 전체의 시스템 리스크가 감소한다.

투자 관점

투자자는 직접 CPMI를 체감하기 어렵지만, 안정적인 주식·채권·외환시장의 운영은 CPMI가 마련한 국제 기준의 영향을 받고 있다.

8. 정리

지급결제 및 시장인프라 위원회(CPMI)는 국제결제은행(BIS) 산하에서 지급결제 및 금융시장 인프라의 국제 기준을 만드는 전문 기구이다. 금융시장인프라에 관한 원칙(PFMI) 등을 통해 각국 금융시스템의 안정성과 효율성을 높이는 역할을 수행한다. 글로벌 금융위기 이후 금융시장 인프라의 중요성이 커지면서 CPMI의 역할도 더욱 확대되고 있다. 우리가 일상적으로 사용하는 송금, 카드결제, 증권거래가 안전하게 이루어질 수 있는 배경에는 이러한 국제 협력 체계가 존재한다.

[햌포터즈 1기] AICE 자격증 1주차 수강 후기

MKISOS — Wed, 17 Jun 2026 08:33:59 +0900

본 포스팅은 해당 브랜드로 인강 수강 체험 혜택을 받아 작성되었습니다.

[사진 1: 해커스자격증 서포터즈 전자명함]

AICE 학습을 시작하며

안녕하세요. 김문기(Markus)입니다.

이번 글은 해커스자격증 서포터즈 햌포터즈 1기 활동을 통해 제공받은 강의를 실제로 수강하며 정리한 1주차 후기입니다.

저는 소프트웨어학부에서 백엔드 개발과 AI 프로젝트를 공부하고 있습니다. 최근에는 생성형 AI, AI Agent, RAG 챗봇, 멀티모달 AI 프로젝트에 관심을 가지고 다양한 프로젝트와 대외활동을 이어가고 있습니다.

프로젝트를 하다 보니 AI를 단순히 사용하는 것에서 끝나는 것이 아니라 데이터와 모델의 기본 흐름을 제대로 이해하는 것이 중요하다고 느꼈습니다. 그래서 이번 기회에 AICE 자격증 과정을 통해 AI 활용 역량을 체계적으로 정리해보기로 했습니다.

[사진 2,3: 노트북으로 해커스 AICE Associate 이론편을 수강하는 직접 촬영 사진]

해커스 강의를 선택한 이유

해커스 강의를 선택한 이유는 커리큘럼이 이론편, 유형편, 모의고사편으로 나뉘어 있어 처음 공부하는 사람도 학습 순서를 잡기 쉬워 보였기 때문입니다.

특히 KT AICE를 준비할 때 단순 개념 설명에서 끝나는 것이 아니라, 데이터 전처리와 머신러닝 모델 학습, 모의고사까지 이어지는 구조라서 실제 시험 흐름을 파악하는 데 도움이 될 것 같았습니다.

저는 자격증 공부를 할 때 전체 구조가 먼저 잡혀야 꾸준히 이어갈 수 있다고 생각하는 편입니다. 그런 점에서 이번 해커스 강의 구성은 AICE 자격증을 처음 준비하는 사람에게도 접근성이 좋아 보였습니다.

[사진 4: 해커스 AICE Associate 이론편, 유형편, 모의고사 전체 강의 목록 화면]

전체 강의 구성 살펴보기

이번에 수강한 과정은 해커스자격증의 ‘초보자도 합격하는 AICE Associate - 이론편’입니다.

전체 강의 목록을 살펴보니 이론편은 총 18강, 유형편은 15강, 모의고사편은 10강으로 구성되어 있었습니다.

이론편에서는 인공지능과 데이터 과학 기초, 데이터 탐색 및 전처리, 머신러닝, 비지도학습, 딥러닝, 모델 성능 최적화까지 이어졌습니다.

유형편에서는 데이터 불러오기, 데이터 통합, 데이터 분포 시각화, 결측치 처리, 이상치 처리, 범주형 변수 인코딩, 머신러닝 모델 학습, 모델 성능 평가 등 실제 문제 풀이에 필요한 흐름을 다루는 구조였습니다.

모의고사편에서는 학생 성적 예측, 온라인 쇼핑 판매량 예측, 대출 상환 예측, 기후 변화 예측, 교통량 예측 등 실제 데이터 문제와 연결된 예제가 준비되어 있었습니다.

전체 구성을 보면서 KT AICE를 처음 준비하는 사람도 순서대로 따라가면 전체 흐름을 잡기 좋겠다는 생각이 들었습니다.

[사진 5, 6: 이론편 강의 목록 상단 화면]

1주차 수강 내용

1주차에는 이론편의 초반 강의를 중심으로 들었습니다.

제1강과 제2강은 ‘인공지능 및 데이터 과학 기초 다지기’라는 제목처럼, 본격적인 문제 풀이 전에 AI와 데이터 과학의 기본 개념을 정리하는 내용이었습니다.

제1강에서는 AICE Associate의 이해와 파이썬 기반 정형 데이터 분석에 대한 설명이 나왔습니다. 강의 화면을 보니 Python, NumPy, pandas 같은 데이터 분석 도구도 함께 소개되었습니다.

개발을 공부하면서 Python과 데이터 분석 라이브러리를 접한 적은 있지만, 자격증 과정 안에서 다시 보니 AI 학습의 출발점이 결국 데이터라는 점이 더 분명하게 느껴졌습니다.

인공지능과 데이터 과학의 기본 흐름

강의를 들으면서 인상적이었던 부분은 AI가 단순히 챗봇이나 생성형 AI만 의미하는 것이 아니라는 점이었습니다.

최근에는 ChatGPT 같은 생성형 AI가 많이 주목받고 있지만, 실제 AI는 데이터를 기반으로 판단하고 예측하는 기술 전반을 포함합니다.

AICE 자격증은 AI를 깊은 연구 수준으로 다루기보다, 실제 업무와 문제 해결 과정에서 AI를 어떻게 이해하고 활용할 수 있는지를 평가하는 시험에 가깝다고 느꼈습니다.

제2강에서는 데이터 과학의 기본 흐름을 이해하는 것이 중요했습니다. 데이터 수집, 탐색, 전처리, 모델링, 평가가 하나의 과정으로 연결된다는 점을 다시 확인할 수 있었습니다.

앞으로 유형편에서 데이터 불러오기, 데이터 분포 시각화, 결측치 처리, 이상치 처리, 모델 학습 등이 나오는 이유도 이 흐름 안에서 이해할 수 있었습니다.

[사진 7: 노션 1주차 학습 정리 첫 화면]

노션에 정리하며 공부하기

저는 강의를 들으며 노션에 따로 1주차 학습 정리본을 만들었습니다.

그냥 강의를 듣고 넘기면 금방 잊어버릴 수 있기 때문에, 강의별 핵심 내용을 짧게라도 기록하는 방식으로 공부하려고 합니다.

이번 정리에는 인공지능, 데이터 과학, 머신러닝과 딥러닝의 차이, 그리고 제가 AICE 자격증을 준비하는 이유를 적어두었습니다.

강의를 듣는 것만으로 끝내기보다 직접 정리해보니, 제가 알고 있다고 생각했던 개념도 다시 한 번 구조화할 수 있었습니다.

[사진 8: 노션에 정리한 학습 내용 화면]

이론편을 들으며 느낀 점

1주차 강의를 듣고 느낀 점은 AI 모델을 잘 활용하려면 모델 자체만 보는 것이 아니라, 모델에 들어가기 전 데이터가 어떤 상태인지 확인하는 과정이 필요하다는 것입니다.

실제 프로젝트에서도 비슷한 경험을 했습니다. RAG 챗봇을 만들 때도 답변 품질은 모델만으로 결정되지 않았습니다. 문서를 어떻게 나누고, 어떤 방식으로 검색하고, 어떤 정보를 프롬프트에 넣는지에 따라 결과가 달라졌습니다.

결국 AI 활용에서 중요한 것은 도구 자체보다 문제를 데이터 관점에서 이해하고 구조화하는 능력이라고 생각합니다.

이런 점에서 KT AICE 과정은 AI를 처음 접하는 사람뿐만 아니라, 이미 AI 프로젝트를 경험한 사람에게도 기본기를 다시 정리하는 용도로 의미가 있다고 느꼈습니다.

유형편과 모의고사 구성 확인

아직 1주차라 유형편을 본격적으로 수강하지는 않았지만, 강의 목록을 먼저 살펴보았습니다.

유형편 목록을 보면 실제 시험 준비에 필요한 내용이 구체적으로 보였습니다. 필수 라이브러리 모듈 준비, 데이터 불러오기 및 저장하기, 데이터 통합하기, 데이터 분포 시각화하기, 변수 간 관계 파악하기 같은 내용이 순서대로 구성되어 있었습니다.

KT AICE를 준비할 때 이론만 보고 끝내기보다는, 유형편을 통해 실제 데이터 처리 흐름까지 함께 익히는 것이 중요해 보였습니다.

또 이상치 처리, 결측치 처리, 불필요한 컬럼 정리, 범주형 변수 인코딩, 데이터셋 분리 및 스케일링, 머신러닝 모델 학습, 성능 평가, 딥러닝 모델 설계와 평가까지 이어지는 강의들이 있었습니다.

이 부분을 보면서 AICE 자격증이 단순 개념 정리만을 위한 과정이라기보다, 실제 데이터 분석과 AI 모델링 흐름을 어느 정도 반영하고 있다는 느낌을 받았습니다.

[사진 9, 10: 유형편 강의 목록 화면]

모의고사편도 인상적이었습니다.

학생 성적 예측, 온라인 쇼핑 판매량 예측, 대출 상환 예측, 기후 변화 예측, 교통량 예측 등 실제 데이터 문제에 가까운 주제가 많았습니다.

AICE 시험일정에 맞춰 응시를 준비한다면, 마지막에는 이 모의고사편을 통해 실전 감각을 잡는 것이 필요할 것 같습니다.

[사진 11: 모의고사편 강의 목록 화면]

AICE 시험일정 확인도 중요

AICE를 처음 알아보는 분들이라면 시험을 언제 볼 수 있는지도 궁금할 것 같습니다.

저도 강의를 수강하면서 AICE 시험일정을 함께 확인해야겠다고 생각했습니다.

다만 아직은 바로 시험 접수를 결정하기보다, 이론편과 유형편을 먼저 수강하면서 제가 어느 정도까지 따라갈 수 있는지 확인하려고 합니다.

AICE 시험일정을 미리 확인해두면 강의 수강 기간과 복습 계획을 세우는 데 도움이 될 것 같습니다.

특히 대학생이나 직장인처럼 일정이 정해져 있는 사람이라면, 강의 수강 기간과 AICE 시험일정을 함께 맞춰보는 것이 좋다고 생각합니다.

[사진 12: 시험 일시]

1주차 수강 후기

이번 1주차 수강을 통해 느낀 점은 AICE 과정이 AI를 처음 접하는 사람에게도 접근성이 괜찮다는 것입니다.

강의 시간이 길지 않고, 이론편부터 유형편, 모의고사편까지 순서가 나뉘어 있어 혼자 공부할 때도 흐름을 잡기 좋아 보였습니다.

물론 AICE 자격증 하나만으로 AI 실력을 모두 증명할 수 있다고 생각하지는 않습니다. 하지만 AI 프로젝트를 해봤거나, 앞으로 AI를 활용한 서비스를 만들고 싶은 사람이라면 기본 개념을 정리하는 용도로 충분히 의미가 있다고 느꼈습니다.

저처럼 개발 공부를 하면서 AI와 데이터 분석을 함께 이해하고 싶은 분이라면, KT AICE 과정을 통해 AI 활용 흐름을 정리해보는 것도 괜찮은 선택이라고 생각합니다.

해커스 AICE 과정 링크

해커스 AICE 과정이 궁금하신 분들은 아래 링크에서 확인해볼 수 있습니다.

https://gouk.kr/sKDSWl

1위 해커스 AICE 100% 환급반

pass.hackers.com

다음 주 학습 계획

이번 주에는 AICE 시험일정을 바로 확정하기보다, 먼저 강의 흐름을 파악하고 학습 루틴을 만드는 데 집중했습니다.

다음 주에는 데이터 탐색과 전처리, 지도학습 파트를 중심으로 더 구체적인 수강 후기를 정리해보려고 합니다.

1주차를 마치며 정리하자면, AICE 시험일정을 확인하고 무작정 접수하기 전에 먼저 이론 강의로 전체 구조를 파악하는 것이 좋겠다고 느꼈습니다.

해커스 강의를 통해 KT AICE 과정의 흐름을 살펴보니, AI 입문자도 단계적으로 접근할 수 있도록 구성되어 있다는 점이 가장 인상적이었습니다.

앞으로 남은 기간 동안 AICE 자격증 학습 과정을 꾸준히 기록하면서, AI와 데이터 과학의 기본기를 다시 정리해보겠습니다.

#AICE자격증 #KTAICE #AICE시험일정 #해커스자격증 #햌포터즈 #AICEAssociate #AI공부 #AI자격증

경제금융용어 공부 532 : 지급

MKISOS — Tue, 16 Jun 2026 21:00:38 +0900

지급

지급(payment)은 경제 주체 간 거래에서 재화나 서비스의 대가로 돈이나 지급수단을 통해 ‘가치에 대한 권리’를 이전하는 행위를 의미한다.

1. 한 줄 정의

지급은 거래 대가로 돈이나 결제수단을 통해 가치의 소유권을 이전하는 행위이다.

2. 기본 개념

경제 활동에서는 다음 흐름이 발생한다.

물건 또는 서비스 제공
그 대가로 돈 지급

이때 돈이 실제로 이동하는 과정이 바로 지급이다.

즉
“거래의 마지막 단계”

3. 지급 수단

지급은 다양한 방식으로 이루어진다.

현금
수표
신용카드
계좌이체
전자결제

이 중 어떤 수단을 사용하느냐에 따라 처리 방식이 달라진다.

4. 현금 지급 vs 비현금 지급

4-1. 현금 지급

즉시 거래 완료
별도의 과정 없음

즉
지급 = 결제 완료

4-2. 비현금 지급

은행 등 금융기관 개입
추가 과정 필요

즉
지급 ≠ 즉시 완료

5. 비현금 지급의 과정

비현금 지급은 두 단계로 이루어진다.

5-1. 청산 (Clearing)

누가 얼마를 주고받는지 계산

예: A은행 → B은행 얼마 보낼지 계산

5-2. 결제 (Settlement)

실제 돈 이동

즉
“계산 → 실제 이동” 순서

6. 쉽게 이해하는 예시

계좌이체

A가 B에게 송금 요청
은행 간 금액 계산 (청산)
실제 자금 이동 (결제)

→ 지급 완료

7. 금융 시스템에서의 위치

지급은 다음 구조의 핵심이다.

거래
→ 지급
→ 청산
→ 결제

즉 모든 금융 거래의 중심 단계이다.

8. 왜 중요한가

지급 시스템이 안정적이어야 경제가 정상 작동한다.

결제 지연 → 거래 위축
결제 실패 → 금융위기 가능

즉
“경제의 혈관 역할”

9. 경제적 의미

지급은 단순한 돈 이동이 아니라 경제 활동의 완성을 의미한다.

소비 완료
거래 완료
경제 활동 확정

즉 경제 순환의 마지막 단계이다.

10. 정리

지급은 거래 대가로 화폐적 가치가 이전되는 과정이다.

현금 지급은 즉시 완료되지만, 비현금 지급은 청산과 결제 과정을 거쳐 완료되며, 이는 금융 시스템의 핵심 기능이다.

[KANANA 429] 보고 듣고 말하는 AI, 카카오의 Kanana-o 정리하기

MKISOS — Tue, 16 Jun 2026 04:35:25 +0900

이미지와 음성을 아우르는 카카오의 멀티모달 언어모델 Kanana-o

카카오 테크 블로그의 「이미지와 음성을 아우르는 카카오의 멀티모달 언어모델 Kanana-o 알아보기」를 읽었다.

https://tech.kakao.com/posts/702

이미지와 음성을 아우르는 카카오의 멀티모달 언어모델 Kanana-o 알아보기 - tech.kakao.com

안녕하세요, 카카오의 AI 모델 개발을 담당하는 카나나(Kanana) 조직의 Ed...

tech.kakao.com

처음에는 단순히 “카카오가 음성도 되고 이미지도 되는 AI 모델을 만들었구나” 정도로 생각했다. 그런데 글을 따라가다 보니 이 모델은 단순히 기능을 많이 붙인 모델이 아니었다. 음성을 어떻게 LLM이 이해할 수 있는 형태로 바꿀 것인가 음성으로 답변할 때 지연 시간을 어떻게 줄일 것인가 이미지 모델과 음성 모델을 어떻게 하나로 합칠 것인가 한국어 감정과 방언 같은 지역적 특성을 어떻게 모델에 반영할 것인가 같은 문제들이 촘촘하게 엮여 있었다.

Kanana-o는 “텍스트도 보고, 이미지도 보고, 음성도 듣는 모델”이라는 한 문장으로 끝낼 수 없는 모델이다. 이 모델 안에는 오디오 신호 처리, 음성 토크나이저, LLM, 멀티모달 학습, 모델 병합, 스트리밍 추론, 데이터셋 구축, 평가 벤치마크 설계까지 여러 층위의 기술적 고민이 들어 있다.

이번 글은 원문을 단순 요약하는 글이 아니라 내가 직접 이해하기 위해 원문을 다시 해체하고 개념을 찾아보고 각 모듈이 왜 필요한지 내 언어로 다시 조립한 공부 기록이다.

1. Kanana-o를 이해하려면 먼저 “멀티모달”을 제대로 이해해야 한다

LLM이라고 하면 대부분 텍스트를 떠올린다. 사용자가 글로 질문하면 모델이 글로 답한다. 지금까지 많은 AI 서비스가 이 구조로 발전했다. 하지만 사람의 대화는 텍스트만으로 이루어지지 않는다.

우리는 상대방의 표정을 본다. 목소리의 떨림을 듣는다. 말하는 속도와 억양에서 감정을 읽는다. 누군가 “괜찮아”라고 말할 때, 정말 괜찮은지 아닌지는 글자만 봐서는 알기 어렵다. 하지만 목소리가 떨리고 말끝이 흐려지고 표정이 어두우면 우리는 그 사람이 사실은 괜찮지 않을 수도 있다고 느낀다.

텍스트 중심 LLM은 이 부분에서 한계를 가진다. 글자만 보면 “괜찮아요”는 그냥 긍정적인 문장이다. 하지만 음성까지 들으면 그 문장 안에 숨은 불안, 체념, 분노, 슬픔 같은 비언어적 정보를 감지할 수 있다. 카카오 테크 블로그에서도 이 지점을 중요하게 다룬다. 음성에는 단어 자체뿐 아니라 감정, 억양, 리듬, 말투 같은 paralinguistic cues가 들어 있고 Audio LLM은 이 정보를 함께 이해해야 한다.

멀티모달 모델은 여기서 출발한다. 모달리티(modality)는 정보를 담는 방식이다. 텍스트, 이미지, 음성, 영상, 센서 데이터 등이 모두 서로 다른 모달리티다. 멀티모달 AI는 이 중 둘 이상을 함께 다루는 AI다. 예를 들어 이미지를 보고 설명하는 모델은 이미지+텍스트 멀티모달 모델이고, 음성을 듣고 답하는 모델은 오디오+텍스트 멀티모달 모델이다.

Kanana-o는 여기서 한 단계 더 나아간다. 텍스트, 이미지, 음성을 모두 다루는 Omni-modal LLM이다. 카카오 공식 보도자료는 Kanana-o가 텍스트, 음성, 이미지 중 어떤 조합으로 질문을 입력하더라도 처리할 수 있고 상황에 맞게 텍스트나 자연스러운 음성으로 응답할 수 있는 구조라고 설명한다.

Kanana-o는 “AI가 글만 읽는 존재에서, 보고 듣고 말하는 존재로 확장되는 과정”을 보여주는 모델이다.

*paralinguistic cues : “비언어적 단서”, “준언어적 정보”

2. 전체 그림: Kanana-o는 Kanana-a와 Kanana-v를 합친 모델이다

Kanana-o를 이해하려면 먼저 두 모델을 알아야 한다. 하나는 Kanana-a이고, 다른 하나는 Kanana-v다.

Kanana-a는 음성을 이해하고 생성하는 오디오 언어모델이다. 여기서 a는 audio를 떠올리면 이해하기 쉽다. 사용자의 음성을 듣고 그 안의 의미와 감정까지 파악하고 필요하면 음성으로 응답하는 모델이다.

Kanana-v는 이미지를 이해하는 비전 언어모델이다. 여기서 v는 vision을 떠올리면 된다. 이미지를 보고 장면을 해석하거나 이미지 속 텍스트를 읽거나 사진에 대한 질문에 답할 수 있는 모델이다.

Kanana-o는 이 둘을 하나로 합친 통합 멀티모달 언어모델이다. 카카오 보도자료에 따르면 카카오는 이미지 처리에 특화된 Kanana-v와 오디오 이해 및 생성에 특화된 Kanana-a를 모델 병합 기술로 통합해 Kanana-o를 개발했다. 이후 이미지, 오디오, 텍스트 데이터를 동시에 학습하는 병합 학습을 통해 시각과 청각 정보를 함께 이해하고 텍스트와 연결할 수 있도록 훈련했다.

여기서 중요한 점은 “그냥 두 모델을 이어 붙인 것”이 아니라는 점이다. Kanana-a와 Kanana-v는 같은 LLM backbone을 공유한다. 그러니까 음성 모델과 이미지 모델이 완전히 다른 뇌를 가진 것이 아니라 같은 언어모델 기반 위에서 각각 오디오 모듈과 비전 모듈을 붙여 확장된 구조다.

이 구조 덕분에 Kanana-o는 Kanana-a에 Vision Encoder와 Visual Projector를 추가하는 방식으로 설계될 수 있었다. 블로그에도 Kanana-a와 Kanana-v가 같은 LLM backbone을 공유하기 때문에 Kanana-a 모델에 시각 정보를 처리할 수 있는 Vision Encoder와 Visual Projector를 더해 Kanana-o 구조를 만들 수 있다고 정리되어 있다.

내 식으로 비유하면 이렇다. LLM은 생각하는 뇌다.
Audio Encoder와 Audio Projector는 귀에서 들어온 소리를 뇌가 이해할 수 있게 바꿔주는 통역사다.
Vision Encoder와 Visual Projector는 눈에서 들어온 이미지를 뇌가 이해할 수 있게 바꿔주는 통역사다.
Voice Token LM과 Token-to-Wav 계열 모듈은 뇌가 만든 답변을 다시 목소리로 바꿔주는 발성 기관이다.

Kanana-o는 이 모든 기관이 하나의 시스템 안에서 움직이도록 만든 모델이다.

3. 왜 음성은 LLM에게 어려운 입력일까

텍스트는 비교적 다루기 쉽다. 물론 자연어 처리 자체가 쉬운 것은 아니지만 텍스트는 이미 “단어”나 “토큰”이라는 비교적 분명한 단위로 나눌 수 있다. 예를 들어 “안녕하세요”라는 문장은 토크나이저를 거쳐 몇 개의 텍스트 토큰으로 바뀐다.

그런데 음성은 다르다. 음성은 연속적인 파형이다. 마이크에 들어온 소리는 시간에 따라 변하는 진폭 값들의 배열이다. 블로그에도 “안녕하세요” 같은 1초 분량의 인사말을 16kHz로 샘플링하면 16,000개의 연속적인 숫자로 표현된다고 정리되어 있다.

16kHz로 샘플링한다는 말은 1초 동안 소리를 16,000번 기록한다는 뜻이다. 사람이 듣기에는 짧은 “안녕하세요”지만 컴퓨터 입장에서는 숫자 16,000개짜리 시퀀스가 된다. 10초면 16만 개, 1분이면 96만 개의 원시 샘플이 된다.

이걸 LLM에 그대로 넣으면 문제가 생긴다. Transformer 기반 LLM은 입력 시퀀스 길이가 길어질수록 계산량이 크게 증가한다. 게다가 원시 음성 파형은 LLM이 바로 이해하기 좋은 의미 단위도 아니다. LLM에게 원시 파형은 너무 길고 너무 촘촘하고 너무 낮은 수준의 데이터다.

그래서 음성을 LLM에 넣기 전에는 반드시 변환이 필요하다.

“소리라는 긴 숫자 배열을 어떻게 LLM이 이해할 수 있는 짧고 의미 있는 표현으로 바꿀 것인가?”

Kanana-a의 오디오 인코딩 모듈은 이 질문에 대한 답이다.

4. 멜 스펙트로그램: 소리를 이미지처럼 바꾸는 첫 단계

음성 입력은 먼저 멜 스펙트로그램(Mel Spectrogram)으로 변환된다. 내가 찾아보니 멜 스펙트로그램을 “소리를 이미지처럼 바꾼 것”이라고 보았는데 이 표현이 아주 직관적인 것 같다.

원래 음성 파형은 시간에 따른 진폭 값이다.

예를 들면 이런 식이다. [0.13, -0.22, 0.51, ...]

이 숫자들은 소리가 어느 순간에 얼마나 위아래로 흔들렸는지를 나타낸다. 하지만 이 값만 보면 어떤 소리가 높은 소리인지, 낮은 소리인지, 어떤 발음인지, 어떤 리듬인지 직관적으로 알기 어렵다.

멜 스펙트로그램은 이 소리를 시간과 주파수의 관점으로 펼쳐서 본다. x축은 시간, y축은 주파수, 각 위치의 값은 해당 시간과 주파수에서 소리가 얼마나 강했는지를 나타낸다. 그래서 멜 스펙트로그램은 일종의 “소리 지도”처럼 볼 수 있다.

여기서 멜(Mel)은 사람이 실제로 소리의 높낮이를 지각하는 방식에 맞춘 주파수 스케일이다. 사람은 낮은 주파수 변화에는 민감하지만 높은 주파수 변화에는 상대적으로 덜 민감하다. 멜 스케일은 이런 인간 청각 특성을 반영한다. 그래서 음성 인식이나 음성 합성에서 멜 스펙트로그램은 매우 자주 사용된다.

내가 이해한 멜 스펙트로그램은 이렇다. 원시 음성 파형이 “마이크가 들은 그대로의 숫자 기록”이라면 멜 스펙트로그램은 “사람이 소리를 인식하는 방식에 가깝게 정리한 시간-주파수 지도”다.

LLM이 raw waveform을 그대로 먹기 어렵기 때문에 먼저 소리를 구조화된 특징 표현으로 바꿔주는 것이다.

5. Audio Encoder: Whisper로 음성을 LLM 친화적 표현으로 압축한다

멜 스펙트로그램으로 바꿨다고 바로 LLM에 넣을 수 있는 것은 아니다. 여전히 길고 복잡하다. 그래서 다음 단계에서 Audio Encoder가 등장한다.

Kanana-a는 오디오 인코더로 OpenAI의 Whisper를 사용했다고 설명한다. Whisper는 대규모 다국어 음성 인식 모델로 논문에서는 약 68만 시간 규모의 다국어·멀티태스크 음성 데이터로 학습했다고 설명한다.

Whisper의 역할은 음성을 더 의미 있는 특징 벡터로 바꾸는 것이다. 원시 음성이나 멜 스펙트로그램은 낮은 수준의 신호에 가깝다. 반면 Whisper Encoder를 거친 출력은 발음, 음소, 억양, 말의 구조 같은 정보가 더 추상화된 표현이라고 볼 수 있다.

카카오 원문 흐름에서 흥미로운 점은 압축률이다. 16kHz 음성은 1초에 16,000개의 샘플이지만, Whisper Encoder를 거치면 초당 50개의 특징 벡터 수준으로 줄어든다. 사용자의 정리 메모에도 이 압축 흐름이 잘 정리되어 있다.

하지만 여기서 끝이 아니다. 1초에 50개면 꽤 줄어든 것처럼 보인다. 그러나 1분이면 3,000개다. LLM 입력으로는 여전히 부담스러운 길이다. 특히 실시간 음성 대화에서는 입력이 길어질수록 응답 속도가 느려지고 비용이 커진다.

그래서 Kanana-a는 Whisper Encoder 뒤에 한 번 더 압축 장치를 둔다. 그것이 Audio Projector, 구체적으로는 1D-C-Abstractor다.

6. Audio Projector와 1D-C-Abstractor: 길고 긴 음성 시퀀스를 더 줄인다

멀티모달 LLM에서 Projector는 아주 중요한 역할을 한다. 인코더가 만든 벡터를 LLM이 이해할 수 있는 임베딩 공간으로 맞춰주는 다리 역할을 하기 때문이다.

이미지 모델에서는 Visual Projector가 이미지 인코더의 출력을 LLM 입력 공간으로 맞춘다. 음성 모델에서는 Audio Projector가 오디오 인코더의 출력을 LLM 입력 공간으로 맞춘다.

Kanana-a는 Kanana-v에서 사용된 2D-C-Abstractor 구조를 변형해 음성 시퀀스에 맞는 1D-C-Abstractor를 적용했다고 한다. 이미지가 2D 공간 데이터라면, 음성은 시간 방향으로 이어지는 1D 시퀀스에 가깝다. 그래서 이미지용 2D 구조를 그대로 쓰는 것이 아니라, 음성에 맞게 1D 시퀀스 전용 구조로 바꾼 것이다.

블로그에는 이 모듈이 Conv1D 계열 연산과 pooling 기법을 조합해 긴 시퀀스를 더 짧으면서도 정보량이 보존되도록 변환한다고 정리되어 있다. 그리고 1분 길이의 약 3,000개 Whisper output feature vector가 1D-C-Abstractor를 거치며 600개 이하로 줄어든다고 정리되어 있다.

여기서 Conv1D와 pooling을 쉽게 이해해보자.

Conv1D는 시간 방향으로 작은 창을 움직이며 주변 정보를 묶어 특징을 뽑아내는 연산이다. 예를 들어 음성에서 어떤 발음은 한 순간의 값 하나로 결정되지 않는다. 앞뒤의 짧은 구간이 함께 있어야 발음이나 억양이 드러난다. Conv1D는 이런 주변 패턴을 잡아내는 데 유용하다.

Pooling은 여러 정보를 하나로 요약하는 연산이다. 예를 들어 5개의 연속된 벡터 중 중요한 정보만 남기거나 평균적인 특징을 뽑아 시퀀스를 줄일 수 있다. 즉 pooling은 “길이를 줄이는 요약”에 가깝다.

따라서 1D-C-Abstractor는 이렇게 이해할 수 있다.

Whisper가 음성을 1차로 의미 있는 특징 벡터로 바꾼다.

1D-C-Abstractor는 그 특징 벡터들을 다시 시간축으로 요약해 더 짧은 LLM 입력으로 만든다.
이때 단순히 잘라내는 것이 아니라 Conv1D와 pooling으로 중요한 시간 패턴을 최대한 보존한다.

멀티모달 모델에서 성능은 단순히 “좋은 LLM을 붙이면 된다”가 아니다. LLM 앞단에서 입력을 어떻게 압축하고 정렬하느냐가 매우 중요하다. 특히 음성은 길이가 길기 때문에 압축을 잘못하면 정보가 사라지고 압축을 안 하면 계산량이 폭발한다.

결국 Kanana-a의 오디오 인코딩은 “정보 보존”과 “입력 길이 감소” 사이에서 균형을 잡는 과정이다.

7. LLM 기반 응답 생성: 이제 음성도 언어모델의 문맥 안으로 들어온다

오디오 인코딩 모듈을 거친 음성은 LLM이 처리 가능한 임베딩 벡터가 된다. 이때 LLM은 텍스트 입력과 음성 임베딩을 함께 받아 질의의 의미를 통합적으로 이해한다. 블로그에서도 Kanana-a가 오디오 인코딩 모듈, LLM 기반 응답 생성, 오디오 디코딩 모듈의 세 단계로 구성된다고 정리되어 있다.

여기서 중요한 점은 LLM이 단순히 “음성을 텍스트로 받아 적은 결과”만 보는 것이 아니라는 점이다. 이상적인 Audio LLM은 음성 안에 담긴 감정, 억양, 말투 같은 정보도 함께 활용해야 한다.

예를 들어 사용자가 떨리는 목소리로 “저 괜찮아요”라고 말했다고 하자. 이 문장을 텍스트로만 보면 긍정적이다. 하지만 음성 임베딩에 떨림이나 불안이 반영되어 있다면, 모델은 “문장 자체는 괜찮다고 말하지만 실제 감정은 불안할 수 있다”고 판단할 수 있다.

이것이 Audio LLM의 핵심이다. 단순 ASR 모델은 음성을 텍스트로 바꾸는 데 집중한다. 반면 Audio LLM은 음성의 의미와 맥락을 이해하고 그에 맞는 응답까지 생성해야 한다.

Kanana-a는 여기서 단순 음성 인식 모델이 아니라 음성 이해 모델을 지향한다. 원문에서 SpeechQA, 감정 인식, instruction following 같은 데이터를 강조하는 이유도 이 때문이다. 음성을 단어로만 바꾸는 모델이 아니라, 음성 속 상황과 의도를 파악하는 모델을 만들려는 것이다.

8. 음성 출력은 왜 또 어려운가

입력 음성을 LLM이 이해할 수 있게 바꾸는 것도 어렵지만 답변을 다시 음성으로 만드는 것도 어렵다.

LLM은 기본적으로 텍스트 토큰을 생성하는 모델이다. “다음 토큰 예측”을 통해 문장을 이어간다. 그런데 음성은 연속적인 파형이다. 사람이 듣는 음성은 초당 수만 개의 샘플로 이루어진다. LLM이 직접 waveform 값을 하나하나 생성하는 방식은 비효율적이다.

그래서 최근 음성 생성에서는 음성을 이산형 토큰(discrete token)으로 바꿔 모델링하는 방식이 많이 쓰인다. 블로그에도 오디오 디코딩 모듈에서 텍스트 생성과 동일하게 이산형 토큰을 예측하는 방식이 주류로 자리잡고 있다고 정리되어 있다.

이산형 토큰이란 연속적인 값을 일정한 코드로 나눈 것이다. 텍스트에서 “안녕하세요”를 몇 개의 토큰 ID로 바꾸는 것처럼 음성도 연속 파형을 음성 토큰 ID들의 시퀀스로 바꿀 수 있다.

이렇게 하면 음성 생성도 텍스트 생성과 비슷해진다. 텍스트 LLM은 다음 텍스트 토큰을 예측한다. Voice Token LM은 다음 음성 토큰을 예측한다.

음성을 있는 그대로 보면 연속 신호라서 LLM과 거리가 멀어 보인다. 하지만 음성을 이산 토큰으로 바꾸면 결국 음성도 “시퀀스 데이터”가 된다. 그리고 시퀀스 데이터라면 Transformer가 잘 다루는 영역으로 들어온다. 즉 음성 생성도 크게 보면 Next Token Prediction이다.

9. 음성 토크나이저: 소리를 토큰으로 자르는 도구

음성을 이산형 토큰으로 바꾸려면 음성 토크나이저가 필요하다. 텍스트 토크나이저가 문장을 서브워드나 토큰으로 나누듯, 음성 토크나이저는 연속적인 오디오 신호를 짧은 코드 단위로 나눈다.

다만 음성 토크나이저는 텍스트 토크나이저보다 훨씬 까다롭다. 텍스트는 글자나 단어라는 분명한 단위가 있지만 음성은 발음, 억양, 속도, 리듬, 감정, 화자 특성까지 포함한다.

좋은 음성 토크나이저는 단순히 “무슨 말을 했는가”만 보존하면 안 된다. “어떻게 말했는가”도 보존해야 한다. 같은 “괜찮아요”라도 밝게 말한 것과 울먹이며 말한 것은 다르다. 자연스러운 음성 합성을 위해서는 이 차이를 음성 토큰에 담아야 한다.

카카오 원문에서는 공개 음성 토크나이저를 사용하면서도 한국어 특화 성능에는 한계가 있어 자체 한국어 음성 토크나이저 개발을 진행 중이라고 설명한다. 카카오 보도자료에서도 카카오가 대규모 한국어 데이터셋을 활용해 한국어의 발화 구조, 억양, 어미 변화를 반영했고, 독자적인 한국어 음성 토크나이저 개발을 진행 중이라고 밝혔다.

이 부분은 한국어 AI에서 매우 중요하다. 영어에서 잘 되는 음성 모델이 한국어에서도 그대로 잘 된다고 보장할 수 없다. 한국어는 조사, 어미, 높임말, 억양, 방언, 연음, 받침 발음 등 고려할 요소가 많다. 특히 음성에서는 텍스트보다 언어별 차이가 더 강하게 드러난다.

따라서 한국어 사용자를 위한 음성 AI라면 한국어 음성 데이터를 잘 반영한 토크나이저가 중요하다. Kanana-o가 한국어 감정 인식과 방언 처리에서 강점을 보이려면 이런 언어적·음성적 특성을 내부 표현에 잘 담아야 한다.

10. 반복되는 음성 토큰과 BPE: 음성에도 토큰 압축이 필요하다

음성 토크나이저를 적용하면 음성이 토큰 시퀀스로 바뀐다. 그런데 여기서 또 문제가 생긴다. 음성 토큰 시퀀스는 여전히 길고 반복이 많다.

예를 들어 어떤 발음이 몇백 밀리초 동안 지속되면 같은 음성 토큰이 여러 번 반복될 수 있다. 사람 입장에서는 자연스러운 지속음이지만 Transformer 입장에서는 비슷한 토큰이 계속 반복되는 긴 시퀀스가 된다. 정보량은 많지 않은데 길이만 길어지는 것이다.

이 문제를 해결하기 위해 Kanana-a는 BPE(Byte Pair Encoding)를 음성 토큰에도 적용했다. BPE는 원래 텍스트 토크나이징에서 자주 쓰이는 방식이다. 자주 함께 등장하는 토큰 쌍을 반복적으로 병합해 더 긴 단위의 토큰으로 만드는 방식이다. BPE는 희귀 단어를 서브워드 단위로 표현하는 데 널리 쓰였고 신경망 기계번역에서도 고정된 vocabulary로 open-vocabulary 문제를 다루기 위한 방법으로 활용되었다.

텍스트 예시로 생각해보자. “low”, “lower”, “lowest” 같은 단어가 자주 등장한다면 모델은 글자 하나하나보다 “low” 같은 자주 나오는 덩어리를 하나의 단위로 보는 것이 효율적이다. BPE는 이런 빈번한 조합을 찾아 병합한다.

Kanana-a는 이 아이디어를 음성 토큰에 적용했다. 음성 토큰에서도 반복되는 패턴이 많기 때문이다. 사용자의 메모에 따르면 기존 약 6천여 개의 음성 토큰으로 구성된 시퀀스에 BPE 기반 토크나이저를 학습해 적용했고 vocab size 10,000 기준으로 약 30%의 시퀀스 길이 감소 효과를 얻었다고 정리되어 있다.

여기서 vocab size 10,000은 모델이 사용할 수 있는 토큰 종류가 10,000개라는 뜻이다. 토큰 종류를 늘리면 더 긴 패턴을 하나의 토큰으로 묶을 수 있어 시퀀스 길이를 줄일 수 있다. 다만 vocabulary가 너무 커지면 모델의 임베딩 크기나 출력 공간이 커질 수 있으므로 균형이 필요하다.

이 부분에서 내가 느낀 점은 “음성 생성은 결국 길이와의 싸움”이라는 것이다. 입력 음성도 길어서 압축해야 하고 출력 음성 토큰도 길어서 압축해야 한다. 길이를 줄이지 못하면 실시간 서비스가 어려워진다. 그래서 Kanana-a에서는 Whisper Encoder, 1D-C-Abstractor, BPE, Voice Token LM, streaming decoding이 모두 같은 문제를 향해 있다. 바로 latency, 즉 응답 지연 시간을 줄이는 문제다.

11. Voice Token LM: LLM이 모든 것을 직접 하게 하지 않는다

초기 Audio LLM 연구에서는 음성 토큰을 기존 텍스트 LLM vocabulary에 직접 포함시키는 방식이 사용되었다. 텍스트 토큰과 음성 토큰을 하나의 LLM이 모두 다루도록 하는 방식이다.

이 방식은 단순해 보인다. 하나의 모델이 텍스트도 생성하고 음성 토큰도 생성하면 된다. 하지만 실제로는 한계가 있다.

첫째, 음성 토큰은 텍스트보다 시퀀스가 길다. LLM이 긴 음성 토큰까지 직접 처리하면 추론 속도가 느려진다.

둘째, 음성 토큰을 LLM vocabulary에 추가하려면 임베딩 테이블과 출력 헤드를 확장해야 한다. 그러면 LLM 자체를 fine-tuning해야 하고 이 과정에서 기존 언어 지식이 손상될 수 있다. 이것이 catastrophic forgetting, 즉 망각 문제와 연결된다.

Kanana-a는 이 문제를 해결하기 위해 별도의 경량 Voice Token LM을 활용하는 방식을 택했다. 사용자의 메모에는 Voice Token LM이 LLM의 last hidden state를 입력으로 받아 음성 토큰 시퀀스를 생성한다고 정리되어 있다. 이 방식은 LLM의 언어 지식을 안정적으로 유지하면서 긴 오디오 시퀀스 처리를 더 효율적으로 만들 수 있다.

쉽게 말하면 역할 분담이다.

LLM은 “무슨 말을 할지”를 결정한다.
Voice Token LM은 “그 말을 어떤 음성 토큰으로 말할지”를 생성한다.
Token-to-Wav 모듈은 “그 음성 토큰을 실제 파형으로 바꾼다.”

이 구조는 매우 현실적이다. 모든 일을 하나의 거대한 LLM에 몰아넣는 대신 LLM은 의미와 문맥을 담당하고 음성 생성은 특화된 경량 모델이 담당한다. 이렇게 하면 효율성과 성능을 동시에 노릴 수 있다.

특히 Kanana-a에서는 LLM이 텍스트 형태의 응답을 먼저 생성하고 그 응답과 입력 컨텍스트를 포함한 hidden state를 Voice Token LM에 전달하도록 구조를 재설계했다고 한다. 사용자의 메모에 따르면 이렇게 함으로써 단순 텍스트 정보뿐 아니라 감정이나 말투 같은 비언어적 정보도 음성 합성 과정에 반영할 수 있었고 음성 응답의 자연스러움과 명료도가 좋아졌다고 정리되어 있다.

여기서 핵심은 “텍스트 응답을 먼저 만든다”는 점이다. 만약 Voice Token LM이 사용자 지시를 직접 받아 바로 음성 토큰을 만들면 경량 모델이 복잡한 지시를 충분히 이해하지 못할 수 있다. 그래서 LLM이 먼저 의미적으로 정리된 답변을 만들고 그 답변을 음성으로 바꾸는 방식이 더 안정적이다. 이것은 단순한 모델 구조 선택이 아니라, 서비스 품질과도 직결되는 선택이다.

12. Token-to-Wav: 음성 토큰을 진짜 목소리로 바꾼다

Voice Token LM이 생성한 것은 아직 사람이 들을 수 있는 음성이 아니다. 그것은 이산 음성 토큰의 시퀀스다. 이 토큰을 실제 waveform으로 바꿔야 한다.

Kanana-a의 오디오 디코딩 모듈은 크게 두 단계를 거친다.

첫 번째는 이산 음성 토큰에서 멜 스펙트로그램을 생성하는 단계다. 원문에서는 Meta의 Voicebox 구조를 기반으로 자체 구축한 한국어 데이터를 추가해 학습한 Token-Voicebox를 활용했다고 정리되어 있다. Voicebox는 텍스트 가이드 기반의 대규모 음성 생성 모델로 논문에서는 5만 시간 이상의 음성 데이터로 학습된 non-autoregressive flow-matching 모델이라고 설명한다.

두 번째는 멜 스펙트로그램을 실제 오디오 파형으로 복원하는 단계다. 이때 보코더(vocoder)가 사용된다. Kanana-a는 카카오엔터프라이즈에서 개발한 UnivNet을 사용했다고 한다. UnivNet은 멜 스펙트로그램을 입력으로 받아 실시간으로 고품질 waveform을 합성하는 neural vocoder로 제안되었다. 여기서 보코더는 “소리 렌더러”라고 이해하면 좋다. 멜 스펙트로그램이 악보나 음향 지도라면 보코더는 그 지도를 실제 들리는 소리로 연주하는 장치다.

정리하면 Kanana-a의 음성 출력 흐름은 이렇다.

LLM이 답변 의미를 만든다.
Voice Token LM이 음성 토큰을 생성한다.
Token-Voicebox가 음성 토큰을 멜 스펙트로그램으로 바꾼다.
UnivNet 보코더가 멜 스펙트로그램을 waveform으로 바꾼다.
사용자는 최종적으로 자연스러운 음성을 듣는다.

이 과정을 보고 나면 “AI가 음성으로 답한다”는 말이 굉장히 많은 단계를 압축한 표현이라는 것을 알 수 있다. 사람에게는 그냥 목소리로 들리지만, 내부에서는 의미 생성, 토큰 생성, 스펙트로그램 생성, waveform 복원이 순차적으로 일어난다.

13. 데이터셋: 모델 구조만큼 중요한 것은 어떤 데이터를 먹였는가다

AI 모델은 구조도 중요하지만, 결국 데이터가 모델의 능력을 결정한다. 특히 음성 모델은 더 그렇다. 음성은 공개된 고품질 데이터가 텍스트보다 부족하고 한국어 음성 데이터는 영어보다 더 부족하다.

Kanana-a의 데이터셋은 크게 ASR, TTS, SpeechQA, Emotion Recognition & Generation, Speech Instruction Following으로 구성된다.

ASR은 Automatic Speech Recognition 즉 음성 인식이다. 음성을 텍스트로 바꾸는 태스크다.

TTS는 Text-to-Speech, 즉 음성 합성이다. 텍스트를 자연스러운 음성으로 바꾸는 태스크다.

이 둘은 음성 AI의 기본기다. ASR이 약하면 사용자의 말을 제대로 못 알아듣고, TTS가 약하면 답변을 자연스럽게 말하지 못한다.

그런데 Kanana-a는 여기서 멈추지 않는다. SpeechQA 데이터도 구축했다. SpeechQA는 주어진 음성 내용을 이해하고 질문에 답하는 태스크다. 예를 들어 강의 음성을 듣고 “강사가 말한 핵심 주장은 무엇인가?”라고 물으면 답할 수 있어야 한다. 이것은 단순 받아쓰기보다 어렵다. 음성 내용을 이해하고, 질문과 관련된 부분을 찾아 추론해야 하기 때문이다.

또한 Emotion Recognition & Generation 데이터도 사용했다. 사람과의 대화에서 감정은 중요하다. 목소리에 담긴 감정을 인식하고, 상황에 맞는 감정적 반응을 생성하려면 감정 데이터가 필요하다. 카카오 보도자료도 Kanana-o가 억양, 말투, 목소리 떨림 등 비언어적 신호를 분석하고 대화 맥락에 맞는 감정적이고 자연스러운 음성 응답을 생성하는 것이 특징이라고 설명한다.

마지막으로 Speech Instruction Following 데이터가 있다. 이것은 사용자가 음성이나 텍스트로 다양한 지시를 내렸을 때 모델이 이를 잘 따르도록 학습시키는 데이터다. 사용자의 메모에는 Voice Assistant, Speech Style Control, Korean Dialect, Translation 같은 instruction 예시가 정리되어 있다.

예를 들어 “40대 남성의 중후한 목소리로 답변해줘”라고 하면 모델은 내용뿐 아니라 목소리 스타일도 맞춰야 한다. “이 문장은 어느 지역 방언이야? 표준어로 다시 읽어줘”라고 하면 방언 인식과 표준어 변환, 음성 생성이 모두 필요하다.

이 데이터 구성을 보면 Kanana-a가 단순 음성 입출력 모델이 아니라, 실제 대화 서비스에 필요한 여러 능력을 함께 학습하려 했다는 점이 보인다.

14. DNSMOS와 SNR: 좋은 음성 데이터를 고르는 기준

음성 데이터는 품질 관리가 중요하다. 잡음이 많거나 왜곡된 음성으로 학습하면 모델의 음성 생성 품질도 떨어질 수 있다. 특히 TTS 데이터는 모델이 실제로 “어떻게 말해야 하는지”를 배우는 대상이므로 깨끗하고 자연스러운 발화가 중요하다.

카카오 원문에서는 DNSMOS와 SNR을 활용해 데이터 필터링 파이프라인을 구축했다고 한다.

SNR은 Signal-to-Noise Ratio, 즉 신호 대 잡음비다. 말소리라는 신호가 배경 잡음보다 얼마나 강한지를 나타낸다. SNR이 높을수록 대체로 음성이 더 깨끗하다.

DNSMOS는 Deep Noise Suppression Mean Opinion Score다. 인간의 주관적 음질 평가를 근사하기 위한 non-intrusive speech quality metric으로 제안되었고 DNSMOS P.835는 음성 품질, 배경 잡음 품질, 전체 품질 점수를 예측하도록 설계되었다.

쉽게 말하면 SNR은 “잡음 대비 말소리가 얼마나 선명한가”를 보는 지표에 가깝고 DNSMOS는 “사람이 듣기에 얼마나 괜찮은 음성인가”를 예측하는 지표에 가깝다.

이런 필터링 과정은 겉으로 잘 드러나지 않지만, 모델 품질에 큰 영향을 준다. 좋은 모델은 좋은 데이터 위에서 만들어진다. 특히 음성 합성에서는 작은 잡음이나 어색한 발화 스타일도 결과물에 영향을 줄 수 있다.

또한 카카오는 ‘카나나’만의 고유한 음성 스타일을 만들기 위해 전문 성우의 단일 화자 음성 데이터를 별도로 수집하고 튜닝했다고 한다. 이 부분은 흥미롭다. 음성 AI는 단순히 문장을 읽어주는 기계가 아니라 하나의 “목소리 캐릭터”를 가지게 된다. 사용자 입장에서는 매번 다른 스타일의 목소리가 나오는 것보다 일관된 음성 스타일이 더 안정적이고 몰입감 있게 느껴질 수 있다.

15. 3단계 학습 전략: 한 번에 다 학습시키지 않는다

Kanana-a는 Audio Encoder, Audio Projector, LLM, Voice Token LM으로 구성된다. 이 모듈들을 무작정 한 번에 학습시키면 안정적으로 수렴하기 어렵다. 그래서 원문에서는 3-stage 학습 전략을 사용한다.

메모에 따르면 Kanana-a의 학습 전략은 다음과 같다.

Stage 1은 Speech pre-training으로 Audio Projector와 Voice Token LM을 ASR, TTS 데이터로 학습한다.

Stage 2는 Continued pre-training으로 전체 모델을 ASR, TTS, 일부 SpeechQA, 일부 SER 데이터로 학습한다.

Stage 3은 Supervised fine-tuning으로 전체 모델을 ASR, TTS, SpeechQA, SER, Speech instruction following 데이터로 학습한다.

Stage 1의 핵심은 정렬이다. Audio Projector와 Voice Token LM이 사전학습된 Audio Encoder와 LLM의 입출력 임베딩 공간에 자연스럽게 맞춰지도록 학습한다. 쉽게 말해 귀와 뇌, 뇌와 입 사이의 연결을 먼저 맞추는 단계다.

Stage 2는 전체 모델을 함께 학습하며 음성 이해와 합성 능력을 강화한다. 이때 ASR, TTS뿐 아니라 일부 감정 인식 데이터와 SpeechQA 데이터를 넣어 단순 변환 능력을 넘어 음성 이해 능력을 키운다.

Stage 3은 instruction following 단계다. 이제 모델은 사용자의 다양한 지시에 맞춰 응답해야 한다. 감정을 고려하고, 스타일을 맞추고, 방언을 이해하고, 통역도 해야 한다. 실제 서비스에 가까운 능력을 만드는 단계다.

이 3단계 전략은 매우 자연스럽다.

처음부터 “복잡한 지시를 이해하고 감정까지 담아 말해라”라고 하면 너무 어렵다. 먼저 음성 입출력의 기본 흐름을 맞추고, 그다음 전체 모델의 정합성을 높이고, 마지막으로 사용자 지시를 따르는 능력을 고도화하는 것이다.

사람이 공부할 때도 비슷하다. 먼저 글자를 배우고, 그다음 문장을 읽고, 마지막으로 상황에 맞게 말하는 법을 배우는 것과 닮았다.

16. Learning without forgetting: 새 능력을 배우다 기존 지식을 잊지 않게 하기

Stage 2와 Stage 3에서는 전체 모델을 함께 학습한다. 여기서 중요한 문제가 생긴다. 바로 catastrophic forgetting, 즉 망각 현상이다.

망각 현상은 모델이 새로운 작업을 학습하면서 이전에 알고 있던 능력을 잃어버리는 현상이다. LLM은 이미 대규모 텍스트 학습을 통해 언어 이해, 추론, 상식, 코딩, 수학 등 다양한 능력을 가지고 있다. 그런데 ASR이나 TTS 같은 비교적 변환 중심 태스크를 많이 학습시키면 기존 LLM의 고급 추론 능력이 약해질 수 있다.

메모에도 ASR이나 TTS처럼 고도의 추론이 필요하지 않은 단순 변환 태스크를 학습하다 보면 기존 LLM의 추론 능력이 빠르게 소실될 수 있어 망각을 완화하는 것이 중요하다고 정리되어 있다. 이를 완화하기 위해 Audio Encoder 및 LLM의 learning rate를 레이어별로 조정하고 LLM 학습에 사용했던 text corpus 일부도 함께 포함했다고 정리되어 있다.

이 부분은 모델 개발에서 정말 중요한 지점이다. 새로운 모달리티를 붙이는 것은 단순히 능력을 더하는 일이 아니다. 잘못하면 기존 능력을 해치면서 새 능력을 얻게 된다.

예를 들어 음성 인식은 잘하게 되었는데 원래 잘하던 논리적 추론이 떨어지면 좋은 모델이라고 하기 어렵다. 반대로 기존 LLM 능력은 유지되지만 음성을 제대로 이해하지 못하면 Audio LLM이라고 하기 어렵다.

따라서 Kanana-a의 학습은 “음성 능력 획득”과 “기존 언어 능력 보존” 사이의 균형 잡기다. 이 균형을 위해 learning rate 조절, 데이터 혼합, 단계별 학습 전략이 사용된 것이다.

17. 스트리밍 음성 합성: 사용자는 전체 답변이 끝날 때까지 기다릴 수 없다

음성 대화 서비스에서 중요한 것은 정확도만이 아니다. 속도도 중요하다. 사용자는 AI가 답변을 모두 생성할 때까지 긴 시간 기다리고 싶어 하지 않는다.

텍스트 생성형 AI를 사용할 때도 전체 답변이 완성된 뒤 한꺼번에 보여주기보다 토큰이 생성되는 대로 조금씩 보여주는 방식이 자연스럽다. 음성도 마찬가지다. 전체 음성 토큰이 모두 생성될 때까지 기다렸다가 들려주면 지연 시간이 너무 길어진다.

그래서 Kanana-a는 streaming decoding을 지원한다. 메모에 따르면 BPE 인코딩과 lightweight Voice Token LM을 사용해도 전체 음성 토큰이 생성될 때까지 기다리는 비스트리밍 방식은 음성 대화 서비스에 적용하기에는 latency가 크기 때문에 chunked inference 방식으로 스트리밍을 지원한다고 정리되어 있다.

여기서 chunked inference는 답변을 일정한 조각 단위로 생성하고, 생성된 조각부터 바로 사용자에게 전달하는 방식이다. 예를 들어 10초짜리 음성을 다 만든 뒤 들려주는 것이 아니라, 앞의 1~2초 분량이 준비되면 바로 들려주고, 뒤쪽은 계속 생성하는 방식이다.

이것은 기술적으로 까다롭다. 음성은 텍스트보다 연결성이 중요하다. 중간중간 끊기는 느낌이 들면 부자연스럽다. 앞 chunk와 뒤 chunk의 음색, 억양, 리듬도 자연스럽게 이어져야 한다. 따라서 스트리밍 음성 합성은 단순히 “조금씩 내보내면 된다”가 아니다. 자연스러운 음성 흐름과 낮은 지연 시간을 동시에 만족해야 한다.

이 지점에서 Kanana-o가 연구 모델을 넘어 서비스 모델로 가려는 고민이 보인다. 좋은 벤치마크 점수도 중요하지만 실제 사용자는 “얼마나 빨리, 얼마나 자연스럽게 답하느냐”를 체감한다.

18. 이제 Kanana-o로 넘어가자: 보고 듣고 말하는 통합 모델

Kanana-a가 음성을 이해하고 생성하는 모델이라면 Kanana-o는 여기에 이미지를 더한 통합 모델이다.

Kanana-o는 텍스트, 이미지, 오디오를 어떤 조합으로도 입력받을 수 있고 텍스트 또는 음성으로 응답할 수 있는 Omni-modal LLM이다. 보도자료에 따르면 카카오는 Kanana-o가 한국어와 영어 벤치마크에서 글로벌 모델과 견주어도 경쟁력 있는 결과를 보였고 한국어 벤치마크에서는 높은 우위를 보였다고 설명한다.

여기서 Omni-modal이라는 표현이 중요하다. 기존 멀티모달 모델은 주로 이미지+텍스트 또는 오디오+텍스트처럼 두 모달리티를 다루는 경우가 많았다. 하지만 Kanana-o는 이미지, 음성, 텍스트가 함께 들어오는 상황까지 고려한다.

예를 들어 사용자가 사진을 보여주면서 음성으로 “이 상황을 설명해줘”라고 말할 수 있다. 또는 이미지 속 영어 문서를 보여주고 “한국어로 번역해서 읽어줘”라고 말할 수 있다. 또는 횡단보도 사진을 보여주며 “보행자 신호등 색이 뭐야?”라고 물을 수 있다.

이런 상황에서는 이미지 이해, 음성 이해, 텍스트 추론, 음성 생성이 모두 연결된다. Kanana-o는 바로 이런 통합적 상호작용을 목표로 한다.

내가 이해한 Kanana-o의 목표는 이것이다.

사용자가 어떤 방식으로 질문하든, 모델이 그 입력들을 하나의 맥락으로 엮어 이해하고, 가장 적절한 방식으로 응답하는 것.

이것이 단순 멀티모달을 넘어 Omni-modal이라고 부를 수 있는 이유다.

19. Sequential Training과 Joint Training: 통합 모델을 어떻게 학습할 것인가

Kanana-o 같은 통합 모델을 학습하는 방식은 크게 두 가지로 볼 수 있다.

하나는 Sequential Training이다. 각 모달리티를 순차적으로 학습하는 방식이다. 예를 들어 먼저 이미지 능력을 학습하고, 그다음 음성 능력을 학습하는 식이다.

다른 하나는 Joint Training이다. 처음부터 여러 모달리티 데이터를 함께 학습하는 방식이다. 이미지, 음성, 텍스트 데이터를 동시에 섞어 모델이 균형 있게 학습하도록 한다.

원문에서는 EMOVA 연구를 언급하며 Joint Training 방식이 최종 성능 측면에서 더 좋다는 결과를 참고했다고 설명한다. EMOVA는 LLM에 end-to-end speech 능력을 부여하면서 vision-language 성능을 유지하려는 omni-modal 모델 연구다.

Joint Training은 장점이 있다. 각 모달리티를 균형 있게 학습할 수 있고, 이미지와 음성, 텍스트가 함께 들어오는 상황에도 더 잘 대응할 수 있다.

하지만 단점도 있다. 모든 모달리티 데이터를 모든 학습 단계에서 사용해야 하므로 학습 시간이 길어진다. 또한 모델을 개발할 때 ablation 실험이 어렵다. 학습률, 데이터 비율, 학습 단계 전략을 바꿀 때마다 전체 모델을 처음부터 오래 학습해야 한다면 연구 속도가 느려진다.

또 하나의 문제는 Kanana-a와 Kanana-v가 독립적으로 발전한다는 점이다. 예를 들어 Kanana-a가 더 좋아졌거나 Kanana-v가 개선되었을 때, 기존 방식대로라면 Kanana-o를 처음부터 다시 학습해야 할 수 있다. 이것은 비용도 크고 개발 유연성도 낮다.

그래서 카카오는 Model Merging을 활용한다.

20. Model Merging: 두 모델을 더 효율적으로 합치는 방법

Model Merging은 서로 다른 태스크에 특화된 모델들을 하나의 모델로 통합하는 기법이다. 최근 LLM 연구 커뮤니티에서 활발하게 쓰이는 방식이며, 여러 fine-tuned 모델의 가중치를 조합해 하나의 모델을 만드는 접근이다. 예를 들어 TIES-Merging은 모델 병합 시 서로 다른 fine-tuned 모델의 파라미터 간 간섭을 줄이는 문제를 다룬다.

Kanana-o에서 Model Merging이 가능한 이유는 Kanana-a와 Kanana-v가 같은 LLM backbone을 공유하기 때문이다. 같은 기반 모델에서 각각 음성과 이미지 능력을 학습했다면, 두 모델의 가중치를 병합해 통합 모델을 만들 가능성이 생긴다.

사용자의 메모에는 Kanana-o가 Kanana-a와 Kanana-v를 모델 병합 기법으로 자연스럽게 병합하고, 병합된 모델에 대해 마지막 stage-3 정도만 추가 학습하는 방식으로 학습 효율을 끌어올렸다고 정리되어 있다. 또한 전체를 처음부터 Joint Training으로 학습하는 것과 동등한 수준의 성능을 모델 병합과 짧은 추가 학습만으로 달성할 수 있었다고 정리되어 있다.

이 부분이 정말 흥미롭다. 모델 개발에서 중요한 것은 최고의 성능만이 아니다. 연구 반복 속도도 중요하다. 좋은 아이디어가 있어도 매번 처음부터 대규모 학습을 해야 한다면 실험이 느려진다. 반대로 모듈별로 개선하고 필요할 때 빠르게 병합해 통합 모델을 만들 수 있다면 개발 속도가 훨씬 빨라진다.

Kanana-o의 Model Merging 전략은 그래서 “성능”뿐 아니라 “개발 생산성”을 위한 전략이기도 하다.

Kanana-a는 귀와 입을 잘 만든 모델이다.
Kanana-v는 눈을 잘 만든 모델이다.
Kanana-o는 이 둘을 같은 뇌 위에서 병합해 보고 듣고 말하는 모델로 만든다.
Model Merging은 이 과정을 매번 처음부터 다시 학습하지 않고 빠르게 수행하기 위한 방법이다.

21. Omni-modal 데이터셋: 이미지와 음성이 같이 들어오는 데이터가 필요하다

통합 모델을 만들려면 데이터도 통합되어야 한다. 기존 멀티모달 데이터셋은 주로 이미지-텍스트 또는 오디오-텍스트 쌍이다. 하지만 Kanana-o는 이미지와 오디오가 동시에 들어오는 상황도 처리해야 한다.

문제는 이미지+오디오+텍스트가 함께 있는 고품질 데이터셋이 많지 않다는 점이다. 특히 한국어 기반 데이터는 더욱 부족하다.

카카오는 기존 Kanana-v에서 사용했던 이미지-텍스트 데이터셋을 기반으로 TTS를 활용해 텍스트에 대응되는 음성을 생성하고 이를 이미지-오디오 또는 이미지-오디오-텍스트 형태로 확장했다. 이렇게 생성된 데이터셋은 매 학습 iteration마다 다양한 입력-출력 조합을 구성하는 방식으로 활용되었다.

예를 들어 원래 데이터가 “이미지 + 텍스트 질문 + 텍스트 답변”이었다고 하자. 여기서 텍스트 질문을 TTS로 음성화하면 “이미지 + 음성 질문 + 텍스트 답변” 데이터가 된다. 텍스트 답변도 TTS로 바꾸면 “이미지 + 음성 질문 + 음성 답변” 데이터가 될 수 있다.

이렇게 하면 기존 이미지-텍스트 데이터를 활용하면서도 이미지와 음성이 함께 들어오는 시나리오를 만들 수 있다. 데이터가 부족한 상황에서 매우 실용적인 접근이다.

물론 TTS로 만든 음성은 실제 사람 음성과 완전히 같지는 않다. 하지만 다양한 화자의 목소리로 합성하고 품질을 관리하면 모델이 이미지와 음성을 함께 처리하는 기본 능력을 배우는 데 도움이 될 수 있다.

이 부분은 데이터 엔지니어링의 중요성을 보여준다. 모델 구조만으로 Omni-modal 능력이 생기는 것이 아니다. 모델이 실제로 다양한 모달리티 조합을 학습할 수 있도록 데이터를 설계해야 한다.

22. 평가 데이터셋: 잘 만들었는지는 어떻게 확인할까

모델을 만들었으면 평가해야 한다. 그런데 Kanana-o 같은 모델은 기존 평가셋만으로는 충분하지 않다.

예를 들어 기존 이미지-텍스트 벤치마크는 이미지와 텍스트 질문을 입력으로 넣고 텍스트 답변을 평가한다. 하지만 Kanana-o는 “이미지+오디오 → 텍스트”도 지원해야 한다. 그러면 텍스트 질문을 음성으로 바꿔 입력하는 평가셋이 필요하다.

카카오는 기존 이미지-텍스트 벤치마크의 텍스트 명령어를 TTS로 음성화하고 이를 이미지와 함께 입력으로 사용해 Kanana-o의 텍스트 응답을 평가하는 방식으로 이미지-오디오 입력 평가셋을 구성했다. 이 방식은 질문의 의미 정보는 유지하면서 입력 형식만 바꾸기 때문에 텍스트 입력과 오디오 입력 간 이해 성능을 비교할 수 있다는 장점이 있다.

이것도 매우 좋은 평가 설계다. “음성으로 물어봤을 때도 텍스트로 물어본 것만큼 잘 이해하는가?”를 확인할 수 있기 때문이다.

멀티모달 모델 평가에서 중요한 것은 단순히 각 모달리티별 성능이 아니다. 조합 성능이다. 이미지는 잘 보고 음성도 잘 듣지만, 이미지와 음성이 동시에 들어오면 불안정해진다면 진정한 통합 모델이라고 하기 어렵다.

23. 기능 예시로 보는 Kanana-o의 가능성

Kanana-o의 기능은 크게 다섯 가지로 볼 수 있다.

첫째, 음성 인식이다. 사용자의 음성을 정확히 텍스트로 인식하는 능력이다. 깨끗한 음성뿐 아니라 잡음이 있는 음성에서도 안정적인 인식이 필요하다.

둘째, 음성 감정 묘사와 감정 기반 음성 생성이다. 사용자의 목소리에서 감정을 파악하고, 모델도 특정 감정이나 스타일을 담아 응답할 수 있어야 한다. 보도자료에서도 Kanana-o가 억양, 말투, 목소리 떨림 등 비언어적 신호를 분석하고 감정적이고 자연스러운 음성 응답을 생성하는 것이 특징이라고 설명한다.

셋째, 방언 인식과 표준어화다. 한국어 모델에서 이 기능은 매우 흥미롭다. 카카오 보도자료는 Kanana-o가 제주도, 경상도 등 지역 방언을 인식하고 이를 표준어로 변환해 자연스러운 음성을 생성할 수 있다고 설명한다. 방언은 단순히 발음 차이가 아니다. 지역적 어휘, 억양, 문장 끝맺음, 문화적 맥락이 함께 들어 있다. 모델이 방언을 이해한다는 것은 한국어의 지역적 다양성을 반영한다는 의미다.

넷째, 음성 통역이다. 한국어로 말하면 영어로 통역해 음성으로 들려주고, 영어로 말하면 한국어로 통역해 줄 수 있다. 이 기능은 여행, 회의, 교육, 글로벌 협업에서 직접적인 활용 가능성이 크다.

다섯째, 이미지-오디오 통합 이해와 생성이다. 예를 들어 이미지를 보여주고 음성으로 질문하면 모델이 이미지와 음성을 함께 이해해 답변한다. 또는 이미지 속 영어 문서를 한국어로 번역해 음성으로 읽어줄 수도 있다. 사용자의 메모에도 Kanana-o가 이미지에 관한 질문을 텍스트나 음성으로 받고 원하는 형태로 답변할 수 있으며, 제한 조건이나 창의적 요청도 수행할 수 있다고 정리되어 있다.

24. 내가 공부하며 따로 정리한 핵심 개념들

이제 원문을 읽으며 따로 찾아보고 정리한 개념들을 한 번에 묶어본다. 이 부분은 나중에 다시 읽어도 복습이 되도록 용어 사전처럼 정리한다.

멜 스펙트로그램

멜 스펙트로그램은 소리를 시간-주파수 형태로 바꾼 표현이다. x축은 시간, y축은 주파수, 값은 소리의 세기를 나타낸다. 원시 파형이 시간에 따른 진폭 값이라면, 멜 스펙트로그램은 소리의 패턴을 시각화한 지도라고 볼 수 있다. “소리를 이미지처럼 바꾼 것”

16kHz 샘플링

16kHz 샘플링은 1초에 소리를 16,000번 기록한다는 뜻이다. 1초 음성도 16,000개의 숫자로 표현되므로, 원시 음성을 그대로 LLM에 넣으면 너무 길다. 그래서 압축과 특징 추출이 필요하다.

Audio Encoder

Audio Encoder는 음성을 LLM이 이해하기 좋은 특징 벡터로 바꾸는 모듈이다. Kanana-a는 Whisper Encoder를 사용한다. Whisper는 대규모 다국어 음성 데이터로 학습된 음성 인식 모델이며, 음성을 압축된 feature vector로 변환하는 데 활용된다.

Audio Projector

Audio Projector는 Audio Encoder의 출력을 LLM 입력 공간에 맞춰주는 모듈이다. Kanana-a에서는 1D-C-Abstractor가 이 역할을 한다. 긴 음성 feature sequence를 Conv1D와 pooling으로 더 짧게 요약한다.

1D-C-Abstractor

1D-C-Abstractor는 시간축으로 이어지는 음성 feature sequence를 줄이기 위한 구조다. 이미지의 2D 정보를 다루는 2D-C-Abstractor와 달리, 음성은 시간 방향의 1D 시퀀스이므로 1D 구조가 사용된다. 사용자의 메모에 따르면 1분 길이의 약 3,000개 Whisper feature vector를 600개 이하로 줄이는 효과가 있다.

이산형 토큰

이산형 토큰은 연속적인 데이터를 일정한 코드로 나눈 것이다. 음성은 원래 연속 파형이지만, 음성 토크나이저를 사용하면 discrete token sequence로 표현할 수 있다. 이렇게 하면 음성 생성도 텍스트 생성처럼 next token prediction 문제로 다룰 수 있다.

음성 토크나이저

음성 토크나이저는 연속적인 오디오 신호를 이산 음성 토큰으로 변환하는 도구다. 좋은 음성 토크나이저는 발화 내용뿐 아니라 억양, 리듬, 감정, 화자 스타일 같은 비언어적 정보도 잘 보존해야 한다.

BPE

BPE는 자주 등장하는 토큰 쌍을 병합해 시퀀스 길이를 줄이는 방식이다. 텍스트에서 서브워드 토크나이징에 널리 쓰였고, Kanana-a에서는 반복이 많은 음성 토큰 시퀀스를 줄이는 데 활용되었다. 메모에 따르면 vocab size 10,000 기준으로 약 30%의 시퀀스 길이 감소 효과가 있었다.

Voice Token LM

Voice Token LM은 LLM의 응답 정보를 바탕으로 음성 토큰을 생성하는 경량 모델이다. LLM이 직접 긴 음성 토큰을 모두 생성하게 하지 않고, 음성 출력을 전담하는 모델을 분리함으로써 효율성과 안정성을 높인다.

Token-to-Wav

Token-to-Wav는 음성 토큰을 실제 waveform으로 바꾸는 과정이다. Kanana-a에서는 Token-Voicebox가 음성 토큰에서 멜 스펙트로그램을 만들고, UnivNet 보코더가 멜 스펙트로그램을 waveform으로 복원한다.

Vocoder

Vocoder는 멜 스펙트로그램 같은 음향 표현을 실제 소리 파형으로 바꾸는 모델이다. UnivNet은 실시간 고품질 waveform 합성을 목표로 제안된 neural vocoder다.

ASR

ASR은 Automatic Speech Recognition이다. 음성을 텍스트로 바꾸는 태스크다. 음성 AI의 가장 기본적인 능력이다.

SER

SER은 Speech Emotion Recognition이다. 음성에서 감정을 인식하는 태스크다. Kanana-o의 한국어 평가에서 특히 인상적인 성능 차이를 보인 항목이다.

DNSMOS

DNSMOS는 음성 품질을 예측하는 objective metric이다. 사람이 직접 평가하는 MOS를 모델로 근사해 음성 품질, 잡음, 전체 품질 등을 평가하는 데 사용된다.

SNR

SNR은 Signal-to-Noise Ratio다. 신호 대비 잡음의 비율이다. 음성 데이터에서 말소리가 잡음보다 얼마나 선명한지 판단하는 데 쓰인다.

Model Merging

Model Merging은 서로 다른 태스크에 특화된 모델을 하나로 병합하는 기법이다. Kanana-o에서는 같은 LLM backbone을 공유하는 Kanana-a와 Kanana-v를 병합해 통합 모델을 만드는 데 활용되었다.

Joint Training

Joint Training은 여러 모달리티 데이터를 처음부터 함께 학습하는 방식이다. 이미지, 음성, 텍스트를 균형 있게 학습할 수 있지만, 학습 비용이 크고 실험 반복이 어렵다는 단점이 있다.

Catastrophic Forgetting

Catastrophic Forgetting은 모델이 새로운 지식을 배우는 과정에서 기존 지식을 잊는 현상이다. Kanana-a에서는 전체 모델을 음성 데이터로 fine-tuning할 때 기존 LLM의 언어·추론 능력이 손상되지 않도록 학습률 조절과 텍스트 말뭉치 혼합을 사용했다.

25. Kanana-o를 읽으며 인상 깊었던 기술적 포인트

첫째, 음성 AI의 핵심은 “음성을 얼마나 잘 압축하느냐”라는 점이다. 음성은 너무 길다. 1초에 16,000개 샘플이 들어오고 Whisper를 거쳐도 1분이면 약 3,000개 feature vector가 된다. 여기에 1D-C-Abstractor를 붙여 600개 이하로 줄이고 출력 음성 토큰도 BPE로 줄인다. 입력도 줄이고 출력도 줄인다. 결국 실시간 음성 AI는 압축 기술 없이는 어렵다.

둘째, LLM에게 모든 일을 시키지 않는 구조가 현실적이라는 점이다. LLM은 의미 이해와 응답 생성을 담당하고, Voice Token LM은 음성 토큰 생성을 담당한다. Token-Voicebox와 UnivNet은 실제 waveform 복원을 담당한다. 이 역할 분담이 효율성과 품질을 모두 잡는 데 중요하다.

셋째, 한국어 특화가 단순 번역 문제가 아니라는 점이다. 한국어 음성에는 억양, 어미, 방언, 높임말, 감정 표현이 복잡하게 들어 있다. 영어에서 잘 되는 모델을 그대로 가져오는 것만으로는 충분하지 않다. 카카오가 한국어 음성 데이터와 자체 음성 토크나이저 개발을 강조하는 이유가 여기에 있다.

넷째, Kanana-o는 모델 구조뿐 아니라 학습 파이프라인의 문제를 잘 보여준다. Kanana-a와 Kanana-v를 각각 개선하면서도, Model Merging을 통해 빠르게 통합할 수 있는 구조는 연구와 서비스 개발 모두에서 큰 장점이다. 좋은 모델을 만드는 것뿐 아니라, 좋은 모델을 계속 빠르게 개선할 수 있는 구조를 만드는 것이 중요하다.

26. 이 글을 다 읽고 내가 이해한 Kanana-o의 한 문장 정의

처음에는 Kanana-o를 “이미지와 음성을 모두 처리하는 카카오의 멀티모달 모델”이라고 이해했다.

하지만 원문을 자세히 읽고, 개념을 찾아보고, 구조를 다시 정리하고 나니 이제는 이렇게 정의하고 싶다.

Kanana-o는 텍스트 중심 LLM에 귀와 눈과 목소리를 붙이는 과정에서 입력 압축, 모달리티 정렬, 음성 토큰 생성, 스트리밍 합성, 모델 병합, 한국어 특화 데이터, 감정 이해까지 함께 풀어낸 카카오의 통합 멀티모달 언어모델이다.

이 모델의 핵심은 단순히 “할 수 있는 기능이 많다”가 아니다.
음성을 LLM이 먹을 수 있게 줄이고,
이미지를 같은 언어 공간으로 연결하고,
텍스트·음성·이미지를 하나의 맥락으로 묶고,
응답을 다시 자연스러운 음성으로 빠르게 내보내고,
그 과정에서 기존 LLM의 지식을 잊지 않게 만드는 데 있다.

그래서 Kanana-o를 공부하는 것은 단순히 카카오의 한 모델을 보는 것이 아니라, 현대 멀티모달 LLM이 어떤 문제들을 해결해야 하는지 보는 일이기도 하다.

27. 마지막으로 남는 생각

이 테크 블로그를 읽으며 느낀 것은 카카오가 단순히 모델 성능표를 보여주려 한 것이 아니라는 점이다. 원문은 모델을 만들며 부딪힌 문제들을 비교적 솔직하게 보여준다. 음성 데이터가 부족하다. 한국어 특화 토크나이저가 필요하다. 전체 모델을 학습하면 망각이 생긴다. Joint Training은 좋지만 학습 비용이 크다. 스트리밍을 하지 않으면 지연 시간이 길다. Omni-modal 평가셋이 부족해 직접 만들어야 한다.

이런 문제들은 멀티모달 AI를 실제로 만들 때 반드시 마주치는 문제들이다. 그래서 이 글은 단순 홍보 글보다 개발기와 연구 기록에 가깝게 읽힌다.

좋은 AI 모델은 거대한 LLM 하나로 만들어지지 않는다. 좋은 인코더, 좋은 projector, 좋은 tokenizer, 좋은 decoder, 좋은 데이터, 좋은 학습 전략, 좋은 평가셋, 좋은 서비스 최적화가 함께 있어야 한다.

Kanana-o는 그 조합을 한국어와 한국 사용자 경험에 맞게 풀어보려는 시도다. 그래서 이 글을 한 번 읽고 끝내기보다, 음성 인코딩, BPE, Voice Token LM, Model Merging, Omni-modal 학습 같은 개념을 하나씩 다시 공부해볼 만하다.

나도 이번에 원문을 읽으면서 처음에는 어려웠던 용어들이 많았다. 멜 스펙트로그램, 1D-C-Abstractor, 이산 음성 토큰, Voice Token LM, DNSMOS, model merging 같은 용어들이 처음에는 각각 따로 떠다녔다. 그런데 전체 구조를 따라가 보니 하나씩 자리가 잡혔다.

입력 음성을 줄이기 위해 멜 스펙트로그램, Whisper, 1D-C-Abstractor가 필요하다.
출력 음성을 만들기 위해 음성 토크나이저, BPE, Voice Token LM, Token-Voicebox, UnivNet이 필요하다.
음성과 이미지를 함께 다루기 위해 Kanana-a와 Kanana-v를 병합해야 한다.
병합된 모델을 잘 학습시키기 위해 Joint Training과 Model Merging 전략이 필요하다.
실제 사용자 경험을 위해 스트리밍, 감정 인식, 방언 처리, 안전성, 멀티턴 대화가 필요하다.

이렇게 보면 Kanana-o는 하나의 모델 이름이 아니라, 여러 문제를 해결해 나가는 전체 시스템의 이름처럼 느껴진다.

경제금융용어 공부 531 : 증권대금동시결제(DVP)

MKISOS — Mon, 15 Jun 2026 21:00:58 +0900

증권대금동시결제(DVP)

증권대금동시결제(DVP; Delivery versus Payment)는 증권(주식·채권)과 대금을 동시에 교환하는 결제 방식이다. 거래 당사자 한쪽이 먼저 이행하고 상대방이 이행하지 않는 위험(원금리스크)을 제거하기 위한 핵심 금융 인프라이다.

1. 한 줄 정의

DVP는 ‘돈과 증권을 동시에 교환하여 결제 리스크를 제거하는 방식’이다.

2. 왜 필요한가

증권 거래는 다음 두 요소로 완성된다.

증권 인도
대금 지급

이 둘이 따로 이루어지면 문제가 발생한다.

먼저 증권을 줌 → 돈 못 받을 위험
먼저 돈을 줌 → 증권 못 받을 위험

이것이 바로 원금리스크이다.

DVP는 이 문제를 근본적으로 해결한다.

3. 기본 구조

DVP는 다음과 같이 작동한다.

거래 체결
중앙예탁기관(증권)과 은행/중앙은행(자금) 시스템 연결
증권 이동 + 자금 이동 동시에 실행
결제 완료

즉
“한쪽만 먼저 일어나는 일이 없다”

4. 쉽게 이해하는 예시

A가 B에게 주식을 팔 때

기존 방식: 주식 먼저 → 돈 나중 (위험 발생)
DVP 방식: 주식과 돈 동시에 교환 (안전)

즉 거래가 ‘동시에 완료’된다.

5. 분리결제와의 차이

분리결제 (Free of Payment)

증권과 돈 따로 이동
원금리스크 발생

DVP

동시에 교환
원금리스크 제거

즉
“리스크의 존재 vs 제거” 차이

6. 금융 시스템에서의 위치

DVP는 다음 시스템을 연결한다.

거래소 (거래 체결)
중앙예탁기관 (증권 이동)
중앙은행/은행 (자금 이동)

즉
“증권 + 돈 시스템 연결 장치”

7. 국제 기준

국제기구(BIS CPMI, IOSCO)는 금융시장 인프라 표준(PFMI)에서

모든 증권결제는 DVP 방식 사용 권고

즉 글로벌 표준이다.

8. 우리나라 사례

한국에서는 다음 거래가 DVP로 처리된다.

주식시장 거래
국채 및 RP 거래
장외 채권 거래

한국예탁결제원 + 한국은행 시스템이 연결되어 운영된다.

9. 경제적 의미

DVP는 금융시스템 안정성의 핵심이다.

결제 실패 방지
금융위기 확산 차단
시장 신뢰 확보

즉 금융 시스템을 ‘무너지지 않게 만드는 장치’이다.

10. 정리

증권대금동시결제(DVP)는 증권과 대금을 동시에 교환하여 결제 리스크를 제거하는 방식이다.

이는 현대 금융시장 필수 인프라이며, 모든 증권 거래의 안전성을 보장하는 핵심 시스템이다.

[KANANA 429] 이미지를 이해하는 AI, 카카오 Kanana-v 정리하기

MKISOS — Mon, 15 Jun 2026 10:26:31 +0900

다독다독 프로젝트를 진행하면서 자연스럽게 이미지를 이해하는 AI에 관심이 생겼다.

다독다독 프로젝트 개발 글 :
https://mkisos.tistory.com/entry/429

[KANANA 429] Kanana-o API로 만든 AI 독서 친구, “다독다독” 개발기

mkisos.tistory.com

그림책 기반 AI 독서 친구를 만들다 보니 단순히 텍스트를 생성하는 것만으로는 부족했다.
그림책 속 장면을 이해하고, 등장인물의 행동이나 감정을 파악하고, 아이의 질문에 맞게 설명해 주기 위해서는 AI가 이미지를 어떻게 이해하는지가 중요하다는 생각이 들었다.

그러면서 이런 궁금증이 생겼다.

“AI가 이미지를 이해한다는 건 정확히 무슨 뜻일까?”
“이미지를 본다는 것과 이미지를 이해한다는 것은 무엇이 다를까?”
“그림책 속 장면을 보고 아이와 자연스럽게 대화하려면 어떤 기술이 필요할까?”

그래서 이번에는 카카오 기술블로그의
「이미지도 찰떡같이 이해하는 카카오의 멀티모달 언어모델 Kanana-v 알아보기」를 읽고 정리해 보았다.

https://tech.kakao.com/posts/667

이미지도 찰떡같이 이해하는 카카오의 멀티모달 언어모델 Kanana-v 알아보기 - tech.kakao.com

안녕하세요, 카카오의 AI 모델 개발을 담당하는 카나나 알파(Kanana ⍺) 조...

tech.kakao.com

이번 글의 주인공은 Kanana-v다.
이름의 v는 Vision, 즉 시각 정보를 다루는 모델이라는 의미로 이해하면 좋다.

1. Kanana-v는 어떤 모델일까?

Kanana-v는 카카오가 개발한 이미지 이해 중심의 멀티모달 언어모델이다.

여기서 멀티모달이라는 말은 텍스트만 다루는 것이 아니라 이미지나 음성처럼 여러 형태의 정보를 함께 다룬다는 뜻이다.
Kanana-v는 그중에서도 이미지와 텍스트를 함께 이해하는 모델에 가깝다.

예전의 컴퓨터비전 모델을 떠올리면 보통 이런 작업들이 먼저 생각난다.

사진 속 물체가 무엇인지 분류하기,
이미지 안에서 사람이나 자동차의 위치를 찾기,
이미지에 적힌 글자를 인식하기,
사진 속 장면을 설명하기.

하지만 Kanana-v 같은 모델은 여기서 한 단계 더 나아간다.
단순히 “이미지 안에 무엇이 보인다”에서 끝나는 것이 아니라 이미지 속 정보를 바탕으로 사용자의 질문에 답할 수 있다.

예를 들어 메뉴판 사진을 보고 “이 중에서 매운 음식은 뭐야?”라고 물으면,
모델은 이미지 속 글자를 읽고 메뉴 이름을 이해하고 사용자의 질문 의도에 맞게 답변해야 한다.

문서 사진을 보고 “이 문서에서 중요한 내용만 요약해줘”라고 물으면,
이미지 안의 글자를 인식하는 것에서 끝나지 않고 문서의 구조와 문장의 의미까지 이해해야 한다.

, Kanana-v는 이미지를 단순히 보는 모델이라기보다
이미지를 읽고, 이해하고, 언어로 설명하는 모델이라고 볼 수 있다.

2. Kanana-v 개발 과정

카카오 기술블로그 글은 Kanana-v를 단순히 “이런 기능이 됩니다”라고 소개하는 데서 끝나지 않는다. Kanana-v가 어떤 구조로 만들어졌고 어떤 방식으로 학습되었으며 왜 데이터가 중요한지까지 개발 과정을 함께 설명한다.

글의 흐름을 크게 나누면 다음과 같다.

첫 번째는 모델 구조다.
이미지를 언어모델과 어떻게 연결할 것인지에 대한 이야기다.

두 번째는 학습 전략이다.
이미지와 텍스트를 함께 이해하도록 모델을 어떤 순서와 방식으로 학습시킬 것인지에 대한 이야기다.

세 번째는 데이터다.

멀티모달 모델의 성능을 좌우하는 가장 중요한 요소로 어떤 데이터를 어떻게 구성하고 학습에 활용하는지가 핵심이다.

이 세 가지를 이해하면 Kanana-v가 단순히 이미지 인식 모델이 아니라, 이미지와 언어를 연결해 답변을 생성하는 멀티모달 언어모델이라는 점이 더 잘 보인다.

3. 모델 구조: 이미지를 언어모델이 이해하게 만들기

Kanana-v의 구조를 쉽게 이해하려면 먼저 이런 질문을 던져볼 수 있다.

“언어모델은 원래 텍스트를 처리하는 모델인데 이미지는 어떻게 이해할까?”

이미지는 텍스트처럼 단어와 문장으로 이루어져 있지 않다.
이미지는 픽셀로 이루어져 있다.
그래서 이미지를 그대로 언어모델에 넣을 수는 없다.

이때 필요한 것이 Vision Encoder다.

Vision Encoder는 이미지에서 중요한 시각적 특징을 뽑아내는 역할을 한다.
예를 들어 이미지 속에 어떤 물체가 있는지, 글자가 어디에 있는지, 화면 구성이 어떻게 되어 있는지, 사물 사이의 관계가 어떤지 등을 벡터 형태의 정보로 표현한다.

하지만 여기서 끝이 아니다.
Vision Encoder가 뽑아낸 이미지 특징은 여전히 언어모델이 바로 이해하기 어려운 형태다.

그래서 이미지 정보를 언어모델이 이해할 수 있는 형태로 변환해 주는 연결 구조가 필요하다.
이 역할을 하는 것이 Projector 또는 C-Abstractor 같은 모듈이다.

쉽게 비유하면 이렇게 볼 수 있다.

Vision Encoder는 AI의 눈이다.
이미지에서 중요한 시각 정보를 뽑아낸다.

Projector 또는 C-Abstractor는 번역기다.
이미지 정보를 언어모델이 이해할 수 있는 형태로 바꿔준다.

LLM은 두뇌다.
이미지 정보와 사용자의 질문을 함께 보고 자연어로 답변을 만든다.

즉, Kanana-v는 단순히 이미지 모델과 챗봇을 붙인 것이 아니다.
이미지에서 추출한 시각 정보를 언어모델의 입력 공간 안으로 잘 연결해 모델이 이미지와 텍스트를 함께 이해할 수 있도록 만든 구조다.

AI가 이미지를 이해한다는 것은 단순히 “사진을 본다”는 의미가 아니라 이미지 정보를 언어모델이 추론할 수 있는 형태로 바꾸는 과정까지 포함한다는 것을 알 수 있었기 때문이다.

4. 학습 전략: Kanana-v의 4-Stage 학습 전략

모델 구조가 준비되었다고 해서 바로 이미지를 잘 이해하는 것은 아니다.
이미지와 텍스트를 함께 이해하려면 그에 맞는 학습 과정이 필요하다.

카카오 기술블로그에서 특히 흥미로웠던 부분은 Kanana-v가 단순한 멀티모달 학습이 아니라, 이전 연구인 Honeybee의 2-Stage 학습 전략을 발전시켜 4-Stage 학습 전략을 사용한다는 점이었다.

Honeybee에서는 일반적으로 비전 인코더(Vision Encoder)를 freeze하여 학습하지 않고 먼저 이미지와 언어를 연결하는 C-Abstractor(Projector)를 학습한 뒤 이후 LLM과 함께 학습하는 2단계 전략을 사용했다. 반면 Kanana-v는 이 과정을 더 세분화하여 다음과 같은 4단계 학습 전략을 사용한다.

Stage	학습	대상데이터
Stage 1	Projector(C-Abstractor)	Image captions, OCR
Stage 2	Entire model	Dense image captions, grounding, OCR, document
Stage 3	Entire model	다양한 QA 형식 데이터셋
Stage 4	Entire model	Human preference 데이터

특히 마지막 Stage 4인 Human Preference Alignment는 현재도 활발히 연구개발이 진행 중인 단계라고 한다.

Stage 1: Projector Pre-training

첫 번째 단계는 Projector(C-Abstractor) 사전학습이다.

앞서 모델 구조에서 살펴봤듯이 Vision Encoder는 이미지를 이해하고 LLM은 언어를 이해한다. 하지만 이 둘을 연결하는 C-Abstractor가 제대로 학습되지 않으면 이미지 정보가 언어모델에 올바르게 전달되지 않는다.

카카오 기술블로그에서는 이 부분을 매우 중요하게 설명한다.

만약 C-Abstractor를 랜덤하게 초기화한 상태로 학습을 시작하면 언어모델 입장에서는 이미지 정보가 거의 랜덤 노이즈처럼 들어오게 된다. 그러면 Vision Encoder와 LLM이 아무리 뛰어나더라도 잘못된 출력을 만들 가능성이 높아진다.

그래서 Stage 1에서는 대규모 이미지 캡션 데이터와 OCR 데이터를 활용해 C-Abstractor를 먼저 학습시킨다. 이는 이미지 특징을 언어 공간으로 안정적으로 변환할 수 있는 초기 가중치를 만드는 과정이라고 이해했다.

개인적으로는 이 부분이 멀티모달 모델의 핵심이라고 느꼈다.
좋은 Vision Encoder와 좋은 LLM을 단순히 붙인다고 좋은 VLM이 되는 것이 아니라 둘 사이를 연결하는 모듈의 초기화와 학습이 매우 중요하다는 점이 인상적이었다.

Stage 2: Continued Pre-training

두 번째 단계는 Continued Pre-training이다.

Stage 1에서 이미지와 언어를 연결하는 방법을 배웠다면 이제는 모델이 실제로 다양한 시각적 능력을 학습해야 한다.

흥미로운 점은 단순한 이미지 캡션 데이터만 사용하는 것이 아니라 Dense Caption, Grounding, OCR, Document 같은 고품질 데이터셋을 활용한다는 점이다.

특히 Dense Caption 데이터는 일반적인 이미지 설명보다 훨씬 자세하다.

예를 들어 일반 캡션이

"공원에서 아이가 강아지와 놀고 있다."

정도라면 Dense Caption은

"빨간 옷을 입은 아이가 잔디 위에서 갈색 강아지와 공놀이를 하고 있으며, 뒤쪽에는 벤치와 나무가 보인다."

처럼 이미지의 세부 요소와 위치 관계까지 설명한다.

또한 Grounding 데이터는 특정 텍스트가 이미지의 어느 위치를 가리키는지 학습하게 한다.
예를 들어 "고양이"라는 단어가 이미지의 어느 영역에 해당하는지 연결하는 방식이다.

이 단계의 목표는 단순히 이미지를 보는 것이 아니라,

작은 객체 인식
위치 관계 이해
OCR
문서 구조 이해
세밀한 시각 정보 추출

같은 다양한 Visual Understanding 능력을 학습하는 것이다.

Stage 3: Supervised Fine-tuning

세 번째 단계는 Supervised Fine-tuning(SFT) 이다.

Stage 2까지 모델이 이미지를 충분히 이해하게 되었다면 이제는 사용자의 질문에 적절하게 답변하도록 정렬(Alignment)해야 한다.

이를 위해 Visual Question Answering(VQA) 형식의 데이터셋을 활용한다.

예를 들어

"사진 속 사람은 무엇을 하고 있나요?"
"문서의 제목은 무엇인가요?"
"그래프에서 가장 높은 값은 무엇인가요?"

같은 질문과 정답 쌍을 학습한다.

이 단계에서 모델은 단순히 이미지를 이해하는 것을 넘어

사용자의 질문 의도를 파악하고
이미지에서 필요한 정보를 찾고
자연어로 답변을 생성하는 방법

을 학습하게 된다.

결국 멀티모달 모델이 실제 서비스에서 사용되기 위해서는 이미지 이해 능력뿐 아니라 질문에 맞는 답변 생성 능력도 함께 필요하다는 점을 보여준다.

Stage 4: Human Preference Alignment

마지막 단계는 Human Preference Alignment다.

이 단계는 흔히 RLHF(Reinforcement Learning from Human Feedback)라고 불리는 접근과 연결된다.

Stage 3에서는 사람이 선호하는 정답 답변을 학습했다면 Stage 4에서는 선호 답변과 비선호 답변의 차이를 학습한다.

예를 들어 두 개의 답변이 있을 때

어떤 답변이 더 자연스러운지
어떤 답변이 더 안전한지
어떤 답변이 사용자 의도에 더 부합하는지

를 학습하게 된다.

이 과정은 단순히 성능 향상뿐 아니라

환각(Hallucination) 감소
위험한 발언 방지
사용자 친화적 응답 생성

에도 중요한 역할을 한다.

카카오 기술블로그에 따르면 이 단계는 현재도 활발히 연구개발이 진행 중이라고 한다.

Learning without Forgetting: 망각 현상 방지

기술적으로 가장 흥미로웠던 부분 중 하나는 Catastrophic Forgetting(망각 현상) 에 대한 설명이었다.

사전학습된 모델은 새로운 능력을 학습하는 과정에서 기존 능력을 잃어버릴 수 있다.

예를 들어 이미지 이해 능력은 좋아졌지만 기존 언어모델의 자연스러운 대화 능력이 떨어진다면 우리가 원하는 멀티모달 모델이 아니다.

이를 방지하기 위해 Kanana-v는

모듈별 학습률(Learning Rate) 조정
레이어별 세밀한 학습 전략
기존 언어 말뭉치(Text Corpus) 재사용
언어 벤치마크 기반 성능 추적

등을 활용했다고 한다.

특히 언어 벤치마크를 지속적으로 측정하며 학습률과 데이터셋을 조정했다는 점이 인상 깊었다.

멀티모달 모델을 만든다는 것은 단순히 새로운 능력을 추가하는 것이 아니라 기존 능력을 잃지 않도록 균형 있게 학습시키는 과정이라는 점을 느낄 수 있었다.

Learning with Rationales: 추론 과정을 학습하기

또 하나 인상 깊었던 부분은 Learning with Rationales였다.

최근 LLM 연구에서는 단순히 정답만 생성하는 것보다, 정답에 도달한 사고 과정을 함께 생성하도록 학습시키는 방식이 중요하게 다뤄진다.

대표적인 예가 Chain-of-Thought(CoT) 방식이다.

예를 들어 수학 문제를 풀 때

정답: 42

만 출력하는 것보다,

먼저 조건 A를 확인하고 이후 B를 계산한 뒤 최종적으로 42가 된다.

처럼 추론 과정을 단계적으로 설명하도록 학습시키는 방식이다.

이러한 Rationale은 단순히 설명을 위한 기능이 아니다.

연구 결과에 따르면 추론 과정을 생성하도록 학습하면 복잡한 문제 해결 능력이 향상되는 경우가 많다.

또한 사용성 측면에서도 장점이 있다.

사용자는 모델이 왜 그런 답변을 했는지 이해할 수 있고 만약 답변이 틀렸더라도 어느 단계에서 오류가 발생했는지 확인할 수 있다.

카카오는 이를 위해 정답뿐 아니라 정답에 대한 근거(Rationale) 를 포함한 고품질 학습 데이터를 직접 구축했다고 한다.

개인적으로는 이 부분이 특히 인상 깊었다. 좋은 AI는 단순히 정답을 맞히는 AI가 아니라 왜 그런 결론에 도달했는지 설명할 수 있는 AI라는 방향성을 보여주기 때문이다.

결국 Kanana-v의 학습 전략은 단순히 이미지와 텍스트를 연결하는 수준을 넘어

안정적인 멀티모달 연결
세밀한 시각 이해
사용자 정렬(Alignment)
망각 방지
추론 과정 학습

까지 고려한 매우 체계적인 학습 파이프라인이라고 느꼈다.

5. Data, Data, and Data!

글에서 특히 인상 깊었던 표현은 “Data, Data, and Data!”였다.

모델 구조와 학습 전략도 중요하지만, 결국 멀티모달 모델의 성능을 결정하는 데 가장 중요한 것은 데이터라는 의미로 이해했다.

생각해보면 당연하다.
AI가 이미지를 보고 답변하려면 다양한 이미지를 봐야 한다.
문서를 이해하려면 문서 데이터를 학습해야 한다.
차트를 이해하려면 차트 데이터를 학습해야 한다.
손글씨를 읽으려면 손글씨 데이터를 학습해야 한다.
수학 문제를 풀려면 수학 문제 이미지와 풀이 데이터를 학습해야 한다.

특히 Kanana-v처럼 한국어 환경에서 잘 동작해야 하는 모델이라면 데이터의 중요성은 더 커진다.

한국어 문서, 한국어 간판, 한국어 메뉴판, 한국어 시험 문제, 한국어 차트, 한국 문화가 반영된 이미지가 필요하기 때문이다.

영어권 데이터만 많이 학습한 모델은 영어 문서나 해외 이미지에는 강할 수 있다.
하지만 실제 한국 서비스에서 사용되는 이미지는 다르다.

한국어는 글자 모양도 다르고, 문서 양식도 다르고, 문화적 맥락도 다르다.
예를 들어 한국 음식 메뉴판을 이해하려면 단순히 글자를 읽는 것뿐만 아니라 “김치찌개”, “제육볶음”, “순두부”, “공깃밥” 같은 표현과 음식 문화도 어느 정도 이해해야 한다.

그래서 Kanana-v에서 데이터는 단순한 학습 재료가 아니라 모델이 어떤 환경에서 잘 동작할지를 결정하는 핵심 요소라고 볼 수 있다.

이 부분을 읽으면서 좋은 AI 모델을 만든다는 것이 단순히 큰 모델을 만드는 일이 아니라는 생각이 들었다. 어떤 데이터를 모으고, 어떤 품질로 정제하고, 어떤 과제를 풀 수 있도록 구성하느냐가 모델의 실제 사용성을 좌우한다.

결국 멀티모달 AI의 성능은 모델 구조 + 학습 전략 + 데이터 품질이 함께 만들어내는 결과라는 것을 느꼈다.

6. Kanana-v 기능과 활용 예시

카카오 기술블로그 글의 후반부에서는 Kanana-v가 어떤 일을 할 수 있는지 다양한 예시를 보여준다.

목차를 보면 다음과 같은 기능들이 등장한다.

Image understanding and creative writing,
Document Understanding,
Chart and diagram understanding,
Handwritten text understanding,
Math,
Commonsense.

Kanana-v가 단순히 “이미지를 인식한다”는 말로 설명되지 않는다는 것을 보여준다.

카카오 기술블로그 글에는 각 기능에 대한 실제 예시와 이미지가 함께 정리되어 있다. 개인적으로는 글로 다시 정리하는 것보다 원문에 있는 시각 자료를 직접 보는 편이 훨씬 이해가 쉬웠다. 관심이 있다면 아래 링크에서 예시 이미지와 함께 살펴보는 것을 추천한다.

https://tech.kakao.com/posts/667

7. Kanana-v와 Kanana-o는 어떻게 연결될까?

다음 게시글에 정리한 Kanana-o는 이미지와 음성을 함께 다루는 통합 멀티모달 언어모델이다. 이번에 정리한 Kanana-v는 그중에서 이미지 이해에 해당하는 부분을 담당한다고 볼 수 있다.

간단히 정리하면 이런 느낌이다.

Kanana-v는 이미지를 이해하는 모델이다.
Kanana-a는 음성을 이해하고 생성하는 모델이다.
Kanana-o는 이미지와 음성을 함께 다루는 통합 멀티모달 모델이다.

이렇게 보면 Kanana-v는 단독으로도 중요한 모델이지만 Kanana-o 같은 통합 멀티모달 AI로 확장되기 위한 중요한 기반이기도 하다.

사람이 세상을 이해할 때도 글만 읽는 것이 아니라 눈으로 보고, 귀로 듣고, 말하면서 상호작용한다.
AI도 점점 텍스트 중심에서 벗어나 이미지와 음성을 함께 이해하는 방향으로 발전하고 있다.

Kanana-v는 그중에서 “AI가 본다는 것”이 무엇인지 보여주는 모델이라고 느꼈다.

8. 개발자 관점에서 인상 깊었던 점

이 글을 읽으면서 가장 인상 깊었던 점은 컴퓨터비전이 단순히 이미지를 분류하는 기술에서 끝나지 않는다는 것이었다.

예전에는 컴퓨터비전이라고 하면 이미지 분류, 객체 탐지, 세그멘테이션 같은 작업을 먼저 떠올렸다.
물론 이런 기술들은 여전히 중요하다.

하지만 Kanana-v를 보면서 앞으로의 컴퓨터비전은 언어모델과 결합해 더 넓은 방향으로 확장될 수 있겠다는 생각이 들었다.

이제 AI는 단순히 이미지 속 물체를 맞히는 것을 넘어 이미지 속 정보를 읽고, 사용자의 질문을 이해하고, 그에 맞는 답변을 만들어야 한다.

예를 들어 이런 서비스들이 가능해질 수 있다.

영수증 사진을 찍으면 소비 내역을 정리해주는 서비스,
문서 이미지를 올리면 핵심 내용을 요약해주는 서비스,
교재 사진을 찍으면 문제를 설명해주는 학습 서비스,
메뉴판 사진을 보고 식단을 추천해주는 서비스,
그림책 이미지를 보고 아이와 대화하는 AI 독서 친구.

특히 나는 이전에 Kanana-o를 활용해 그림책 기반 AI 독서 친구 데모를 만들어 본 적이 있어서 이미지 이해 모델의 가능성이 더 크게 느껴졌다.

그림책 이미지를 보고 장면을 설명하고, 아이의 수준에 맞게 문장을 바꾸고, 감정에 대해 질문을 던지는 서비스는 결국 이미지 이해 능력이 좋아질수록 더 자연스러워질 수 있기 때문이다.

9. 더 공부해보고 싶은 내용

이번 글을 읽고 나서 더 공부해보고 싶은 내용도 생겼다.

첫 번째는 Vision Encoder다.
이미지를 언어모델에 전달하기 전에 어떤 방식으로 특징을 추출하는지 더 알고 싶어졌다.

두 번째는 Projector 또는 C-Abstractor 같은 연결 구조다.
이미지 정보를 어떻게 언어모델이 이해할 수 있는 형태로 바꾸는지 궁금했다.

세 번째는 VLM의 학습 방식이다.
이미지와 텍스트를 함께 학습시키려면 어떤 데이터가 필요하고 어떤 순서로 학습하는지 더 공부해보고 싶다.

네 번째는 한국어 이미지 이해 평가다.
한국어 OCR, 한국어 문서 이해, 한국어 차트 해석처럼 실제 국내 서비스에서 중요한 과제들이 어떤 방식으로 평가되는지 궁금해졌다.

이번 글을 읽기 전에는 컴퓨터비전을 조금 막연하게 생각했다.
하지만 Kanana-v를 정리하면서 컴퓨터비전이 VLM, 멀티모달 AI, 실제 서비스 개발과 깊게 연결될 수 있다는 것을 느꼈다.

최근 컴퓨터비전 연구실 학부연구생에도 관심을 가지고 있는데 이 글을 읽고 나니 단순히 “이미지 AI가 신기하다”가 아니라 “이미지와 언어를 연결하는 모델 구조를 더 공부해보고 싶다”는 생각이 들었다.

앞으로 기회가 된다면 LLaVA, CLIP, BLIP, Qwen-VL 같은 Vision-Language Model도 함께 공부해보고, 작은 이미지 질의응답 데모도 직접 만들어보고 싶다.

10. 마무리

Kanana-v를 한 문장으로 정리하면 이미지를 단순히 인식하는 것을 넘어 이미지 속 정보와 사용자의 질문을 함께 이해해 답변할 수 있는 카카오의 이미지 이해 멀티모달 언어모델이라고 말할 수 있을 것 같다.

이번 글을 읽으며 “AI가 이미지를 이해한다”는 말의 의미를 조금 더 구체적으로 생각해볼 수 있었다. 이미지를 이해한다는 것은 단순히 사진 속 물체 이름을 맞히는 것이 아니라, 이미지 속 글자, 문서 구조, 차트, 손글씨, 수학 문제, 상황의 맥락, 사용자의 질문 의도까지 함께 해석하는 일에 가깝다.

특히 Kanana-v의 구조와 학습 전략을 보면서 컴퓨터비전이 VLM, 멀티모달 AI, 실제 서비스 개발과 깊게 연결될 수 있다는 점이 인상 깊었다. 앞으로 Vision Encoder, C-Abstractor, VLM 학습 방식, 한국어 이미지 이해 평가에 대해 더 공부해보고 싶다.

Kanana-v는 나에게 이미지 이해 AI의 흐름을 이해하는 좋은 출발점이 되었고 컴퓨터비전 연구실 학부연구생을 준비하면서도 더 깊게 공부해보고 싶은 주제를 만들어준 글이었다.

[spring jpa] 스프링 데이터 JPA와 Querydsl

MKISOS — Mon, 15 Jun 2026 05:58:12 +0900

이 글은 인프런 김영한님의 "실전! Querydsl" 강의를 수강하고 정리한 내용이다.

스프링 데이터 JPA는 기본 CRUD와 쿼리 메소드로 많은 기능을 제공하지만, 복잡한 동적 쿼리와 성능 최적화에는 한계가 있다. Querydsl과 결합하면 이 부분을 강력하게 보완할 수 있다. 이번 글에서는 사용자 정의 리포지토리, 페이징 최적화, 컨트롤러 개발을 중심으로 정리한다.

1. 스프링 데이터 JPA 리포지토리 적용

스프링 데이터 JPA의 JpaRepository를 상속하면 기본 CRUD 메서드를 바로 사용할 수 있다.

public interface MemberRepository extends JpaRepository<Member, Long> {
    List<Member> findByUsername(String username);
}

단순 조회, 저장, 수정은 충분히 처리할 수 있지만, 복잡한 조건 검색은 지원하지 않는다. 따라서 Querydsl을 결합해야 한다.

2. 사용자 정의 리포지토리

복잡한 검색 로직을 구현하기 위해 사용자 정의 리포지토리를 작성한다.

(1) 사용자 정의 인터페이스 작성

public interface MemberRepositoryCustom {
    List<MemberTeamDto> search(MemberSearchCondition condition);
}

(2) 구현체 작성

public class MemberRepositoryImpl implements MemberRepositoryCustom {

    private final JPAQueryFactory queryFactory;

    public MemberRepositoryImpl(EntityManager em) {
        this.queryFactory = new JPAQueryFactory(em);
    }

    @Override
    public List<MemberTeamDto> search(MemberSearchCondition condition) {
        return queryFactory
            .select(new QMemberTeamDto(
                    member.id,
                    member.username,
                    member.age,
                    team.id,
                    team.name))
            .from(member)
            .leftJoin(member.team, team)
            .where(usernameEq(condition.getUsername()),
                   teamNameEq(condition.getTeamName()),
                   ageGoe(condition.getAgeGoe()),
                   ageLoe(condition.getAgeLoe()))
            .fetch();
    }
}

(3) 스프링 데이터 리포지토리 상속

public interface MemberRepository extends JpaRepository<Member, Long>, MemberRepositoryCustom {
    List<Member> findByUsername(String username);
}

→ 이 구조를 통해 스프링 데이터 JPA와 Querydsl을 함께 사용할 수 있다.

3. 스프링 데이터 페이징 연동

복잡한 조회에서 페이징까지 지원하려면 Pageable을 활용한다.

(1) 단순 페이징 (fetchResults)

public Page<MemberTeamDto> searchPageSimple(MemberSearchCondition condition, Pageable pageable) {
    QueryResults<MemberTeamDto> results = queryFactory
        .select(new QMemberTeamDto(...))
        .from(member)
        .leftJoin(member.team, team)
        .where(...)
        .offset(pageable.getOffset())
        .limit(pageable.getPageSize())
        .fetchResults();

    return new PageImpl<>(results.getResults(), pageable, results.getTotal());
}

fetchResults()는 데이터 쿼리 + count 쿼리를 자동 실행한다.

(2) 복잡한 페이징 (쿼리 분리)

public Page<MemberTeamDto> searchPageComplex(MemberSearchCondition condition, Pageable pageable) {
    List<MemberTeamDto> content = queryFactory
        .select(new QMemberTeamDto(...))
        .from(member)
        .leftJoin(member.team, team)
        .where(...)
        .offset(pageable.getOffset())
        .limit(pageable.getPageSize())
        .fetch();

    long total = queryFactory
        .select(member)
        .from(member)
        .leftJoin(member.team, team)
        .where(...)
        .fetchCount();

    return new PageImpl<>(content, pageable, total);
}

내용 쿼리와 count 쿼리를 분리하면 성능 최적화가 가능하다.

(3) Count 쿼리 최적화

return PageableExecutionUtils.getPage(content, pageable, countQuery::fetchCount);

스프링 데이터가 제공하는 PageableExecutionUtils를 활용하면 불필요한 count 쿼리를 생략할 수 있다.
예: 마지막 페이지이거나 content 사이즈 < 페이지 사이즈일 때.

4. 컨트롤러 개발

컨트롤러에서 페이징 기능을 쉽게 노출할 수 있다.

@RestController
@RequiredArgsConstructor
public class MemberController {

    private final MemberRepository memberRepository;

    @GetMapping("/v2/members")
    public Page<MemberTeamDto> searchMemberV2(MemberSearchCondition condition, Pageable pageable) {
        return memberRepository.searchPageSimple(condition, pageable);
    }

    @GetMapping("/v3/members")
    public Page<MemberTeamDto> searchMemberV3(MemberSearchCondition condition, Pageable pageable) {
        return memberRepository.searchPageComplex(condition, pageable);
    }
}

테스트:
http://localhost:8080/v2/members?size=5&page=2

정리

스프링 데이터 JPA + Querydsl을 결합하면 단순 CRUD는 JPA, 복잡 조회는 Querydsl로 처리할 수 있다.
사용자 정의 리포지토리 구조를 사용하면 스프링 데이터 JPA와 Querydsl의 장점을 동시에 누릴 수 있다.
페이징은 상황에 따라 fetchResults(), 쿼리 분리, PageableExecutionUtils를 선택적으로 활용한다.
컨트롤러 계층에서는 DTO 반환을 기본으로 하여 API 확장성과 성능을 모두 만족시킨다.

[주간회GO 26년 6월 2주차] D-79, 월드컵, spcx 상장, 지옥주 재도입 + 루틴 회복

MKISOS — Sun, 14 Jun 2026 21:55:43 +0900

[주간회GO 26년 6월 2주차]

26년 6월 2주차

벌써 6월 2주차, 복학까지 D-85일 남았다.
여전히 복학 전 체크리스트에 할 일 들이 많이 남았고 그 시기들이 다가오고 있다.
날은 더워지지만 나는 더욱 힘을 내야할 시기다. 이번주부터는 오랜만에 지옥주 시스템을 도입해서 더욱 더 열심히 시간을 쪼개서 살아봐야겠다고 다짐한다.

이번주에는 금요일 약속이 있으니 그 날 하루 잠깐 쉬어가며 힐링하고 그 남은 시간은 후회없는 하루와 순간들로 채울거다.
김문기 화이팅.

아 그리고 이번주는 또 견딜만한게
월요일 하락장 + 금요일 월드컵 + 금요일 스액상장 등
도파민 넘치는게 매우 많다~

ㅡㅡㅡ
시간을 온전히 잘 쓰고 싶어서 돈을 많이 벌고 싶다.
소중한 사람과의 시간에 다른 생각없이 온전히 즐기고 싶다.
사람들을 만나면 돈과 시간을 쓴다. 요즘 계속 기회비용을 생각하게 된다. 이 시간에 뭘 한다면? 이 돈 약속안나가면 qld 0.5주.. 너무 내가 싫다.
그런데 지금은 휴학 중이고 사회복무요원이고 혼자의 시간을 보낼 수 있으니 합법이라 생각해야지.

4월에 진짜 사람들 미친듯이 만나니까 내 루틴, 공부 계획, 금융 계획이 무너졌다.. 아니 미뤄졌다. 합리화를 위해 미루었다.
5월부터 정신차리고 다시 루틴 잡고 공부하고 여러가지 성과도 내고 돈도 엄청 모으고 투자도 잘 하고 있다.

후자가 행복하다. 결과적으로 그랬다.
감정은 사라지고 결과만 남는다.
20대때 이렇게 살다가 나중에 진짜 미래의 배우자감을 만나면 그때 내가 쌓아둔 시간과 부를 함께 나눠주면 되는걸까?
지금 시기도 이 나이대도 소중하다는데.
물론 둘 다 밸런스를 맞추면 되긴하지만… 어려우니까

ㅡㅡㅡ
위에 오랜만에 술약속 다녀와서 평소에 너무 못노는? 안노는 나를 생각하며 막 적었나봄.

이번주도
자기 전에 누워서 기분좋게 잘 수 있도록
자랑스럽게 하늘을 볼 수 있도록

그렇게 살아온 것 같다.
다음주는 더더더더더 빡빡하게 열심히 살아야지.

26년 6월 8일 월요일

오늘 월요일 진짜 기대(?) 되어서 아침에 글을 쓴다
현 정부 남은 기간 예상하면 절대 피 안 보려고 할 것 같고 환율 1550원이 크게 안 비쌀 것 같다
돈을 안 풀던가 금리를 올리던가 해야 했는데
돈도 풀고 금리도 올림
물가 폭등에 환율 1600 ㄷㄷ
저번주 금요일 일간수익이 -160만원 이상 찍혔는데 오늘은 더 무섭다… 과연

뉴스보다가 살짝 늦게 도착했지만
오운완

장 보면서 오전 업무 및 청소 했다. 서킷브레이커 덕분에 20분동안 업무 열심히 했음 ㅋㅋㅋ

오늘 다 읽었다. 진짜 유용한 도서 ㅇㅈ
돈 써도 안아까울텐데 무료로 지원해주셔서 압도적 감사.

애들 프사하면 붙는다 하니까 진짜함 ㅠㅠ 간절함 ㅇㅈ 제발 붙기를 이번주에 결과인데…
한기민 악마다 ㅋㅎㅋㅎㅋ

우선 내일도 지켜보기.

벌써 6월이구나.
1주차 만에 클리어 했다. 왜냐 이번달은 할게 산더미이기 때문이다 ㅜㅜ

https://mkisos.tistory.com/1368

[26년 독후감 14] 조코딩의 바이브 코딩 1인 창업 : AI와 함께 만드는 1인 SaaS 창업 로드맵

"한빛미디어 서평단 활동을 위해서 책을 협찬받아 작성된 서평입니다." 책 정보책 제목: 조코딩의 바이브 코딩 1인 창업 with 클로드 코드, 수파베이스, 스트라이프저자: 조동근 (조코딩)출판

mkisos.tistory.com

퇴근하고 밥도 못먹고 항상 수업 오는 나 기특하다.
시간도 아끼고
돈도 아끼고
몸도 관리하고
돈도 벌고
일석 사조 ㄷ

이제 오선보다가 자야지~

26년 6월 9일 화요일

일어나자마자 장 파악 쓰윽 해주고

운동 다녀왔다.
과외 다음날 운동가기 좀 힘들어
체중감량 해보자
감자 고구마도 시켰다. (내 탄수화물. 완벽한 원시인 책 읽고 실천하기)

1년전에 사놓은 커피 유통기한 지나기전에 마시기(무지출챌린지 중)

혹시 모르니 지원해봄.

우편일에 교육까지 바빴다.

교육 덕에 일찍 퇴근하고 수업 일찍왔다.
집에 일찍 귀가할 생각에 설렘

동생이 집에서 옛날 사진 보내는데 아빠가 너무 잘생겨서 놀랬다.

26년 6월 10일 수요일

새벽에 모기때문에 깼다가. 전쟁 주식 여러개 본다고 그대로 일어나버림 ㅠ 워낙 일찍 자긴 했지만 더 자고 싶은데
토스증권 api로 뭘 만들어볼까

걍 운동 가던대로 가서 오운완
운동도 그렇고 개발 공부 등 하고 싶은게 있으니 아침이 기대된다.

오늘 학부연구생 컨텍관련해서 교수님께 메일도 보내고 여러 대외활동으로 다양한 경험을 쌓아서 시야를 넓히고 싶어서 복학전에 여러 활동 신청해봤다.
나의 서류 합격률도 궁금하고 다양한 상황에 나를 던져보고 여러 페인포인트를 찾아서 문제를 발견한다면 그 부분을 해결해나가고 싶다는 부푼 기대를 안고 지원했다
(?/10)

원시인 식단
금요일 술약속이라 절제중

26년 6월 11일 목요일

하따 실패…
기대하며 일어났지만..
운동이나 다녀왔다.

부울경만 가능인 거 같은데 그냥 하고 싶어서 지원함.
이번주에 총 13개 지원이네 난사했음,,,
갑자기 수 많은 다양한 경험을 하고 싶다는 생각에 흥분했었나봄...

점심 먹고 오후에 시간이 생겨서 보고 싶었던 테크 유튜브 볼 수 있었다.
요즘 VLM이 관심이 간달까?

알러지 검사 너무 해보고 싶네 더 어린나이에 내 몸에 맞는, 안맞는 음식들 알고 싶다.

근데 요즘 장 보면 이래도 자고 일어나도 나스닥은 올라있을 거 같음..
뭔가 전쟁 해소 발언할 듯 트럼프 ㅋㅋㅋ

26년 6월 12일 금요일

자고 일어나니 경기 진행중이였음 멕시코 남아공 2:0

오늘도 뿌듯하구만

오전에 여유로워서
공부하고 축구보고
성훈주사님니 나 챙겨주셔서 주사님들만 받고 보는 건데
다 같이 먹으면서 응원했다.

조코딩님이 리포스트를 ㄷㄷㄷ

지원서 벌써 2개합격 합격률 100퍼

본석이형 3번의 약속 끝에 드디어 만났다
성안길 요시요시, 무아지경 클리어

스액 상장 ㄷㄷㄷ

26년 6월 13, 14일 토,일요일 주말

술 먹고 해장 과일

모르는 문제 알려주기
주말에 숙제한다고 고생이다 파이팅~

밥 든든하게
두부킬러임 ㄹㅇ

분리수거 + 산책
30도임.

늦은 운동 출석

운동 갔다가 밥 먹고
책 좀 읽고 하루 마무리
주말은 역시 주말이다~

새벽에 깼다가 다시 자니 평소보다 늦게 일어남 ㅠ

그래도 일요일 아침은 사람 거의 없어서 오전 운동 가야함.
오후에 급하게 해야할 것도 없어서 여유롭게 집중해서 운동가능. 2-3시간 있는 듯

벌써 33번째 영상 제작 및 업로드!

감자 1.6kg 다음주 식단 준비

하 내 주말 이렇게 건강해도 되나?

저녁에 책 읽고 교육듣고 일기쓰고
주간회고로 마무리.

경제금융용어 공부 530 : 증권결제리스크

MKISOS — Sun, 14 Jun 2026 21:00:45 +0900

증권결제리스크

증권결제리스크는 주식·채권 거래에서 증권 인도와 대금 지급이 예정대로 이루어지지 않아 발생할 수 있는 손실 가능성을 의미한다. 거래 체결 이후 결제 과정에서 발생하는 대표적인 금융 리스크이다.

1. 한 줄 정의

증권결제리스크는 증권과 대금의 교환이 실패하거나 지연될 때 발생하는 손실 위험이다.

2. 왜 발생하는가

증권거래는 다음 두 요소의 교환으로 완성된다.

증권 인도
대금 지급

이 둘이 동시에 이루어지지 않으면 한쪽이 먼저 이행하고 다른 쪽이 이행하지 않는 문제가 생긴다.

→ 이때 결제 리스크가 발생한다.

3. 주요 유형

3-1. 원금리스크 (Principal Risk)

증권은 넘겼는데 돈을 못 받는 경우
돈은 냈는데 증권을 못 받는 경우

즉 ‘원금 자체를 잃는 위험’

3-2. 대체비용리스크 (Replacement Cost Risk)

상대방이 계약을 취소
새로운 거래를 다시 해야 함

이때 시장 가격이 변하면 추가 비용이 발생

3-3. 유동성리스크 (Liquidity Risk)

상대방이 일시적으로 돈이 부족
결제가 지연됨

즉 당장은 못 주지만 나중에 줄 수 있는 상황

4. 언제 발생하는가

대부분 결제일에 발생한다.

거래 체결일(T)
결제일(T+2 등)

이 기간 동안 가격과 자금 상황이 변할 수 있기 때문이다.

5. 해결 방법: DVP

가장 중요한 해결 방법은 증권대금동시결제(DVP)이다.

DVP 구조

증권 인도와 대금 지급을 동시에 실행

즉
“돈과 주식을 동시에 교환”

효과

원금리스크 제거
결제 안정성 확보

6. 분리결제와의 차이

분리결제 (Free of Payment)

증권과 대금이 따로 이동
리스크 큼

동시결제 (DVP)

동시에 교환
리스크 최소화

7. 금융 시스템에서의 위치

증권결제 구조는 다음과 같이 연결된다.

거래 체결 → 거래소
증권 이동 → 중앙예탁기관
자금 결제 → 은행/중앙은행

이 과정에서 리스크가 발생할 수 있다.

8. 왜 중요한가

증권결제리스크는 금융시스템 안정성과 직결된다.

대규모 거래 실패 → 금융위기 가능
연쇄 부도 위험

따라서 결제 시스템 설계에서 가장 중요하게 관리된다.

9. 정리

증권결제리스크는 증권 인도와 대금 지급이 제대로 이루어지지 않을 때 발생하는 위험이다.

DVP와 같은 제도를 통해 이를 최소화하며, 금융시스템 안정성을 유지하는 핵심 요소이다.

경제금융용어 공부 529 : 증거금

MKISOS — Sat, 13 Jun 2026 21:00:51 +0900

증거금

증거금은 주식, 선물, 옵션 등의 거래에서 매매 당사자가 계약을 이행할 것임을 보장하기 위해 미리 예치하는 금액이다. 거래 안정성을 확보하기 위한 일종의 ‘담보금’이다.

1. 한 줄 정의

증거금은 거래 이행을 보장하기 위해 미리 맡기는 담보 성격의 금액이다.

2. 왜 필요한가

금융거래에서는 가격이 계속 변동하기 때문에 계약을 이행하지 못할 위험이 존재한다.

예를 들어

주가 급락 → 매수자가 돈을 못 낼 수 있음
주가 급등 → 매도자가 물건을 못 줄 수 있음

이러한 위험을 방지하기 위해 증거금을 미리 맡긴다.

즉
“계약을 반드시 지키게 만드는 장치”

3. 주식 거래에서의 증거금

주식 현물 거래에서는 전체 금액을 한 번에 내지 않아도 된다.

주문 시 → 일부 금액 (증거금) 납부
결제일 → 나머지 금액 납부

예를 들어

100만 원 주식 매수
증거금 40만 원 예치
결제일에 나머지 60만 원 납부

4. 선물/옵션 거래에서의 증거금

파생상품에서는 증거금이 더욱 중요하다.

실제 금액보다 적은 돈으로 거래 가능 (레버리지)
대신 증거금으로 계약 이행 보장

즉
“적은 돈으로 큰 거래 → 증거금 필수”

5. 증거금의 역할

증거금은 양쪽 모두를 보호한다.

가격 하락 시 → 매수자 보호
가격 상승 시 → 매도자 보호

즉 거래 상대방 리스크를 줄인다.

6. 증거금의 종류

6-1. 위탁증거금

투자자가 증권사(중개회사)에 맡기는 금액

6-2. 매매증거금

증권사가 일부를 결제기관에 맡기는 금액

즉

투자자 → 증권사 → 결제기관

이 구조로 전달된다.

7. 레버리지와의 관계

증거금은 레버리지와 직접 연결된다.

증거금 적음 → 레버리지 큼
증거금 많음 → 레버리지 작음

즉 수익과 위험이 함께 확대된다.

8. 경제적 의미

증거금은 금융시장의 안정성을 유지하는 핵심 장치이다.

결제 불이행 방지
시장 신뢰 확보
거래 확대 가능

즉 거래를 가능하게 만드는 기본 장치이다.

9. 정리

증거금은 금융거래에서 계약 이행을 보장하기 위해 미리 예치하는 금액이다.

특히 파생상품 시장에서는 필수적인 요소이며, 레버리지와 함께 높은 수익과 위험을 동시에 만들어내는 중요한 개념이다.

경제금융용어 공부 528 : 중앙은행 여수신제도

MKISOS — Fri, 12 Jun 2026 21:00:10 +0900

중앙은행 여수신제도

중앙은행 여수신제도는 중앙은행이 금융기관을 대상으로 대출(여신)과 예금(수신)을 통해 시중 유동성을 조절하는 정책 체계이다. 단기금리의 상·하한을 형성하고 금융시스템의 원활한 작동을 돕는다.

1. 한 줄 정의

중앙은행 여수신제도는 중앙은행이 금융기관과의 대출·예금을 통해 유동성과 단기금리를 조절하는 장치이다.

2. 왜 필요한가

금융기관은 일중·단기 자금 수급이 계속 변한다.

일시적 자금 부족 → 결제 지연 위험
일시적 자금 과잉 → 단기금리 급락

중앙은행이 ‘안전판’으로 개입해 유동성을 공급·흡수하면 시장이 안정된다.

3. 기본 구조

여신(대출): 부족한 은행에 자금 공급
수신(예금): 남는 자금을 중앙은행에 예치

이 두 축으로 시장 금리를 일정 범위 안에 유지한다.

4. 제도의 발전 단계

4-1. 상업어음 재할인제도

적격 어음을 담보로 자금을 공급하는 초기 형태

4-2. 유동성조절대출제도

일시적 유동성 부족에 신속 대응 + 금리 신호 제공

4-3. 대기성 여수신제도(Standing Facilities)

정책금리를 중심으로 상·하한 금리 범위를 형성하며 필요 시 제한 없이 공급·흡수

5. 대기성 여수신제도의 핵심

상단(대출금리): 중앙은행 대출 금리 → 금리 상한
하단(예치금리): 중앙은행 예치 금리 → 금리 하한

→ 단기시장금리(익일물 금리)가 이 범위 안에서 움직이도록 유도

6. 쉽게 이해하는 예시

시장금리 급등 → 은행이 중앙은행에서 대출 → 금리 안정
시장금리 급락 → 은행이 중앙은행에 예치 → 금리 상승 압력

즉 ‘완충장치’ 역할

7. 최종대부자 기능과의 관계

중앙은행 대출제도는 위기 시 다음 기능을 수행한다.

긴급 유동성 공급
지급결제 시스템 보호

→ 최종대부자(Lender of Last Resort)

8. 해외 운용 방식

미국: 대기성 여신 중심(론바드형 대출)
유럽/영국: 여신+수신 모두 운용

각국 시장 구조에 따라 형태가 다르다.

9. 경제적 의미

여수신제도는 다음을 동시에 달성한다.

단기금리 안정
금융기관 유동성 관리
결제 시스템 보호

즉 통화정책의 ‘현장 실행 도구’이다.

10. 정리

중앙은행 여수신제도는 금융기관과의 대출·예금을 통해 유동성과 단기금리를 조절하는 핵심 장치이다.

대기성 여수신제도를 통해 금리의 상·하한을 형성하고, 필요 시 신속한 자금 공급으로 금융시스템의 안정성을 유지한다.

경제금융용어 공부 527 : 중앙은행

MKISOS — Thu, 11 Jun 2026 21:00:58 +0900

중앙은행

중앙은행은 한 나라의 통화와 금융시스템을 관리하는 핵심 기관으로, 화폐 발행, 금리 조절, 금융안정 유지 등 거시경제 전반에 영향을 미치는 역할을 수행한다.

1. 한 줄 정의

중앙은행은 통화 발행과 금리·유동성 관리를 통해 물가와 금융 안정을 유지하는 기관이다.

2. 핵심 기능 4가지

2-1. 발권 기능 (화폐 발행)

중앙은행은 법정화폐를 독점적으로 발행한다.

→ 시중 통화량의 출발점

2-2. 은행의 은행

상업은행이 자금이 부족할 때 중앙은행에서 대출을 받는다.

→ 지급결제 안정 유지

2-3. 정부의 은행

정부의 수입과 지출을 관리하고 필요 시 자금을 지원한다.

→ 재정 운영의 기반

2-4. 통화정책 수행

금리와 통화량을 조절하여

물가 안정
경기 조절

을 달성한다.

3. 추가 기능 (현대 중앙은행)

3-1. 최종대부자(Lender of Last Resort)

금융위기 시 은행에 긴급 자금 공급

→ 금융시스템 붕괴 방지

3-2. 금융안정 기능

금융시스템 전체의 위험을 관리

→ 거시건전성 정책 수행

4. 통화정책 도구

중앙은행은 다음 수단을 사용한다.

기준금리 조정
공개시장조작(채권 매입·매도)
지급준비율 조정

5. 왜 중요한가

중앙은행은 경제의 ‘조절 장치’ 역할을 한다.

금리 인하 → 경기 부양
금리 인상 → 인플레이션 억제

즉 경제의 속도를 조절한다.

6. 역사적 발전

1694년: 영란은행 설립 (초기 중앙은행)
금본위제 시기: 통화 안정 중심
20세기 이후: 통화정책 중심
최근: 금융안정 기능 확대

7. 현대 특징

물가안정목표제

일정 물가 목표를 설정하고 정책 운영

독립성

정치적 영향 없이 정책 수행

→ 정책 신뢰성 확보

8. 경제적 의미

중앙은행은 다음을 동시에 관리한다.

돈의 양
금리
금융 안정

즉 경제의 ‘핵심 컨트롤 타워’이다.

9. 정리

중앙은행은 화폐 발행, 금융기관 지원, 정부 자금 관리, 통화정책 수행 등을 통해 경제를 안정시키는 핵심 기관이다.

현대 경제에서는 물가 안정과 금융 안정이라는 두 가지 목표를 중심으로 역할이 확대되고 있다.

네 마녀의 날이란? 2026년 6월 11일 한국 증시

MKISOS — Thu, 11 Jun 2026 10:29:44 +0900

2026년 6월 11일 목요일.

국내 증시를 보다 보면 이날을 두고 “네 마녀의 날”이라는 표현을 자주 볼 수 있다. 이름만 들으면 무언가 큰 악재가 터지는 날처럼 느껴진다. 하지만 실제 의미를 알고 보면 그렇게 무서워할 필요는 없다.

결론부터 말하면 네 마녀의 날은 기업 가치가 갑자기 변하는 날이 아니라 파생상품 만기가 한꺼번에 겹치면서 시장의 기술적 변동성이 커질 수 있는 날이다.

즉, 삼성전자나 SK하이닉스 같은 기업이 갑자기 망해서 주가가 흔들리는 것이 아니라, 그동안 쌓여 있던 선물·옵션 포지션이 정리되면서 수급이 일시적으로 몰리는 날에 가깝다.

쉽게 말하면 “증시 대청소의 날”이라고 볼 수 있다.

1. 네 마녀의 날이란?

네 마녀의 날은 영어로 Quadruple Witching Day라고 한다.

여기서 “네 마녀”는 실제 마녀가 아니라, 만기가 동시에 겹치는 네 가지 파생상품을 뜻한다.

한국 기준으로는 보통 다음 네 가지가 함께 만기를 맞는 날을 말한다.

코스피200 선물
코스피200 옵션
개별주식 선물
개별주식 옵션

선물과 옵션은 주식처럼 영원히 들고 갈 수 있는 상품이 아니다. 정해진 만기가 있다. 쉽게 비유하면 유통기한이 있는 금융상품이다.

만기가 되면 기존 포지션을 정리하거나, 다음 만기 상품으로 옮기거나, 현물 주식과 연계된 매매를 처리해야 한다. 이 과정에서 기관, 외국인, 증권사, 개인 투자자들의 주문이 한꺼번에 몰릴 수 있다.

그래서 평소보다 장 막판 변동성이 커지는 경우가 많다.

2. 왜 하필 2026년 6월 11일인가?

한국 증시에서 네 마녀의 날은 보통 3월, 6월, 9월, 12월에 찾아온다.

이 시기에는 코스피200 관련 선물·옵션과 개별주식 관련 선물·옵션 만기가 겹친다. 2026년 6월의 경우 그 날짜가 6월 11일 목요일이다.

중요한 점은 이것이 한국 증시 기준이라는 것이다.

미국 증시에도 네 마녀의 날이 있지만 날짜가 한국과 항상 같은 것은 아니다. 미국은 보통 3월, 6월, 9월, 12월의 세 번째 금요일에 관련 만기가 겹치는 구조다. 그래서 한국의 6월 11일 네 마녀의 날이 곧바로 나스닥이나 S&P500의 네 마녀의 날이라는 뜻은 아니다.

이번 6월 11일은 한국 증시, 특히 코스피200과 관련된 파생상품 만기일로 보는 것이 맞다.

3. 선물과 옵션은 왜 거래할까?

처음 보면 선물, 옵션이라는 말 자체가 어렵다.

하지만 핵심은 단순하다. 파생상품은 “위험을 사고파는 시장”이다.

주식 현물시장이 기업의 지분을 사고파는 곳이라면 파생상품시장은 가격이 오르거나 내릴 가능성, 즉 변동성과 위험을 거래하는 곳에 가깝다.

주로 세 부류의 투자자가 참여한다.

첫째, 위험을 줄이려는 기관투자자다.

연기금, 보험사, 자산운용사처럼 큰돈을 운용하는 기관은 코스피200 종목을 대규모로 보유하고 있다. 그런데 시장이 단기적으로 흔들릴 것 같다고 해서 보유 주식을 전부 팔 수는 없다. 규모가 너무 크기 때문이다.

그래서 선물을 매도하거나 옵션을 활용해 하락 위험을 줄인다. 이것을 헤지라고 한다. 쉽게 말해 보험을 드는 것이다.

둘째, 차익거래를 하는 투자자다.

선물 가격과 현물 가격 사이에는 순간적으로 차이가 벌어질 때가 있다. 이때 비싼 쪽을 팔고 싼 쪽을 사서 가격 차이를 이용하는 전략이 가능하다. 증권사나 외국인 투자자가 이런 거래를 많이 한다.

뉴스에서 자주 나오는 “프로그램 매매”도 이런 흐름과 관련이 있다.

셋째, 방향성에 베팅하는 투자자다.

지수가 오를 것 같으면 선물이나 옵션으로 상승에 베팅하고 내릴 것 같으면 하락에 베팅한다. 적은 증거금으로 큰 금액을 움직일 수 있기 때문에 레버리지 효과가 크다.

다만 그만큼 위험도 크다. 맞히면 크게 벌 수 있지만, 틀리면 손실도 빠르게 커진다.

4. 네 마녀의 날에는 왜 장 막판이 흔들릴까?

네 마녀의 날에 시장이 흔들리는 핵심 이유는 만기 정리 물량 때문이다.

그동안 쌓여 있던 선물·옵션 포지션은 만기일에 정리되어야 한다. 누군가는 기존 포지션을 청산해야 하고, 누군가는 다음 만기 상품으로 옮겨야 하며, 누군가는 현물 주식을 사고팔아야 한다.

이 주문들이 한꺼번에 몰리면 시장이 일시적으로 출렁일 수 있다.

특히 한국 증시는 장 마감 무렵 동시호가 시간에 큰 주문이 몰리는 경우가 있다. 이때 평소에는 조용하던 종목이 갑자기 위로 튀거나 아래로 빠지는 모습을 보이기도 한다.

하지만 이것은 기업의 본질 가치가 하루 만에 바뀌어서 생기는 움직임이라기보다, 수급과 포지션 정리 과정에서 생기는 기술적 변동성에 가깝다.

비유하자면 명절 고속도로 정체와 비슷하다.

차가 많이 몰려서 도로가 막힌 것이지, 도로 자체가 망가진 것은 아니다. 시간이 지나면 정체가 풀리듯이, 만기일 수급 정리가 끝나면 시장도 다시 원래의 흐름을 찾아가는 경우가 많다.

5. 프로그램 매매는 AI가 자동으로 투자하는 걸까?

프로그램 매매라는 말을 들으면 인공지능이 알아서 종목을 골라 사고파는 장면을 떠올리기 쉽다.

하지만 기본 개념은 조금 다르다.

프로그램 매매는 여러 종목을 한꺼번에 묶어서 컴퓨터 시스템을 통해 동시에 주문하는 방식이다. 예를 들어 코스피200에 포함된 여러 종목을 한 번에 사고팔아야 할 때 사람이 종목 하나하나를 직접 주문하기보다, 정해진 조건에 따라 묶음 주문을 넣는 것이다.

마트에서 물건을 하나씩 계산하지 않고 장바구니에 담아 한 번에 계산하는 것과 비슷하다.

그래서 네 마녀의 날에는 이런 프로그램 매매가 늘어나면서 장 막판에 특정 종목들이 갑자기 흔들리는 것처럼 보일 수 있다.

6. 네 마녀의 날이 무조건 폭락을 뜻하는 것은 아니다

가장 중요한 부분이다.

네 마녀의 날은 “폭락 확정일”이 아니다.

물론 변동성이 커질 수는 있다. 하지만 그 방향이 위일지 아래일지는 미리 알 수 없다. 외국인과 기관의 포지션, 시장 분위기, 선물·현물 가격 차이, 당일 수급 상황에 따라 결과가 달라진다.

어떤 때는 장 막판에 급락할 수 있고, 어떤 때는 오히려 반등할 수도 있다. 또 생각보다 별일 없이 지나가는 경우도 있다.

따라서 “네 마녀의 날이니까 무조건 팔아야 한다”거나 “이날 변동성을 이용해서 단타를 쳐야 한다”는 식의 접근은 위험하다.

특히 초보 투자자가 장 막판 변동성을 맞히겠다고 들어가는 것은 투자라기보다 도박에 가까워질 수 있다.

7. 장기 투자자는 어떻게 대응해야 할까?

장기 투자자라면 네 마녀의 날을 너무 크게 신경 쓸 필요는 없다.

좋은 기업이나 ETF를 3년, 5년, 10년 이상 모아가는 투자자에게 하루짜리 수급 변동은 큰 의미가 없다. 그날 종가가 조금 비싸거나 싸다고 해서 장기 수익률이 크게 바뀌는 것은 아니다.

오히려 더 중요한 것은 내가 정해둔 투자 원칙을 지키는 것이다.

예를 들어 매달 일정 금액을 적립식으로 투자하고 있다면 네 마녀의 날이라고 해서 갑자기 매수 계획을 바꾸거나 계좌를 보고 흔들릴 필요는 없다.

다만 예외는 있다.

만약 하필 그날 큰 금액을 한 번에 매수하거나 매도해야 한다면 조금 조심하는 것이 좋다. 변동성이 큰 날 장 마감 직전에 대량 주문을 넣으면 순간적으로 불리한 가격에 체결될 수 있기 때문이다.

이럴 때는 하루 이틀 거래 시점을 피하거나, 한 번에 모두 거래하지 않고 며칠에 나누어 매매하는 방식이 더 안정적일 수 있다.

8. 내가 정리한 투자 원칙

이번 네 마녀의 날을 공부하면서 내가 정리한 원칙은 단순하다.

첫째, 장 막판 계좌를 계속 보지 않는다.

오후 3시 이후에는 수급성 변동이 커질 수 있다. 계좌를 계속 들여다보면 불필요하게 감정이 흔들리고, 감정이 흔들리면 손이 먼저 나간다.

둘째, 평소 루틴을 지킨다.

정기적으로 매수하는 투자자라면 평소 정한 방식대로만 한다. 네 마녀의 날이라고 갑자기 더 사거나, 갑자기 팔 필요는 없다.

셋째, 큰돈은 나눠서 움직인다.

목돈을 한 번에 넣거나 빼야 한다면 만기일 장 막판은 피하는 것이 좋다. 불확실성이 큰 날에는 분할 매수와 분할 매도가 더 안전하다.

넷째, 단기 변동성을 기회라고 착각하지 않는다.

변동성이 크다는 것은 돈을 벌 기회가 커졌다는 뜻이기도 하지만, 동시에 돈을 잃을 위험도 커졌다는 뜻이다. 방향을 맞힐 자신이 없다면 굳이 뛰어들 필요가 없다.

9. 결론: 네 마녀의 날은 공포의 날이 아니라 정리의 날이다

네 마녀의 날이라는 이름은 무섭지만, 실제 의미는 파생상품 만기가 한꺼번에 겹치는 날이다.

이날 시장이 흔들릴 수 있는 이유는 기업 가치가 갑자기 나빠져서가 아니라, 선물·옵션 포지션 정리와 프로그램 매매가 몰리기 때문이다.

그래서 네 마녀의 날을 “폭락의 날”로 볼 필요는 없다. 오히려 “수급이 정리되는 날”, “증시 대청소의 날” 정도로 이해하는 것이 더 맞다.

장기 투자자에게 중요한 것은 하루 변동성을 맞히는 것이 아니라, 흔들리는 날에도 원칙을 지키는 것이다.

결국 투자는 많이 아는 사람보다, 알고도 흔들리지 않는 사람이 오래 살아남는다.

이번 2026년 6월 11일 한국 증시의 네 마녀의 날도 마찬가지다.
무리하게 예측하려 하기보다, 내가 왜 투자하고 있는지와 내 투자 기간이 얼마나 긴지를 다시 확인하는 날로 삼으면 충분하다.

참고한 내용

유튜브 영상: 경제와 금융을 읽어주는 남자 여운봉, 네 마녀의 날 관련 설명 영상
전국투자자교육협의회: 네 마녀의 날과 파생상품 만기 설명
연합뉴스: 네 마녀의 날과 국내 증시 변동성 관련 기사
국내 증권·경제 기사: 2026년 6월 11일 코스피200 선물·옵션 만기 관련 내용

경제금융용어 공부 526 : 중앙예탁기관(CSD)

MKISOS — Wed, 10 Jun 2026 21:00:06 +0900

중앙예탁기관(CSD)

중앙예탁기관(CSD; Central Securities Depository)은 주식, 채권 등 증권을 한 곳에 집중 보관하고, 거래 시 실제 종이를 이동하지 않고 계좌 간 기록만으로 결제가 이루어지도록 하는 금융 인프라 기관이다.

1. 한 줄 정의

중앙예탁기관은 증권을 보관하고 계좌상으로 이동시키는 방식으로 결제를 처리하는 핵심 금융기관이다.

2. 왜 필요한가

과거에는 주식이나 채권을 종이 형태로 보관하고 이동시켰다.

이 경우 다음과 같은 문제가 발생했다.

분실 및 도난 위험
물리적 이동 비용
거래 처리 시간 지연

이 문제를 해결하기 위해 증권을 한 곳에 모아두고 ‘계좌 기록’으로만 이동시키는 시스템이 필요해졌고, 이것이 중앙예탁기관이다.

3. 기본 개념

중앙예탁기관에서는 다음과 같은 구조로 운영된다.

투자자의 증권 → 중앙예탁기관에 보관
거래 발생 → 계좌 간 숫자 이동

즉
“종이는 움직이지 않고 숫자만 움직인다”

4. 주요 기능

4-1. 증권 보관

주식, 채권 등 증권을 안전하게 보관

4-2. 계좌대체

증권을 실제로 옮기지 않고 계좌 간 이동

4-3. 권리 관리

배당 지급
이자 지급
의결권 관리

4-4. 결제 기능

증권 거래 결제를 시스템적으로 처리

5. 거래 흐름

주식 거래 시 흐름은 다음과 같다.

투자자가 주식 매수
거래 체결
중앙예탁기관에서 계좌 변경
결제 완료

즉 실물 이동 없이 전산으로 처리된다.

6. 왜 중요한가

현대 금융시장에서는 대부분 거래가 전산으로 이루어진다.

거래 속도 증가
비용 절감
안정성 확보

이 모든 것이 중앙예탁기관 덕분에 가능하다.

7. 우리나라 사례

한국에서는 한국예탁결제원이 중앙예탁기관 역할을 수행한다.

주식 및 채권 보관
결제 처리
투자자 권리 관리

즉 국내 증권시장 핵심 인프라이다.

8. 금융 시스템에서의 위치

지급결제 구조에서 보면 다음과 같다.

거래 체결 → 거래소
증권 이동 → 중앙예탁기관
자금 결제 → 은행/중앙은행

즉 증권 이동의 중심이다.

9. 경제적 의미

중앙예탁기관은 금융시장의 효율성과 안정성을 동시에 높인다.

거래 리스크 감소
결제 안정성 확보
시장 유동성 증가

즉 금융 시스템의 기반이다.

10. 정리

중앙예탁기관은 증권을 집중 보관하고 계좌 이동 방식으로 결제를 처리하는 기관이다.

현대 금융시장에서 증권 거래의 안전성과 효율성을 책임지는 핵심 인프라이다.

경제금융용어 공부 525 : 중앙거래당사자(CCP)

MKISOS — Tue, 9 Jun 2026 21:00:32 +0900

중앙거래당사자(CCP)

중앙거래당사자(CCP; Central Counterparty)는 금융거래에서 매수자와 매도자 사이에 들어가 양쪽 모두의 거래 상대방이 되어주는 기관이다. 거래의 안정성을 높이고 결제 리스크를 줄이는 핵심 인프라 역할을 한다.

1. 한 줄 정의

중앙거래당사자는 거래 당사자 사이에 들어가 모든 거래의 상대방이 되어주는 기관이다.

2. 기본 개념

일반적인 거래는 다음과 같이 이루어진다.

A(매수자) ↔ B(매도자)

하지만 CCP가 개입하면 구조가 바뀐다.

A ↔ CCP ↔ B

즉
모든 거래가 CCP를 중심으로 이루어진다

3. 왜 필요한가

금융거래에서는 상대방이 거래를 이행하지 않을 위험이 존재한다.

상대방 파산
결제 불이행

이러한 위험을 줄이기 위해 CCP가 개입한다.

즉
“거래 상대방 리스크 제거”

4. 핵심 기능

4-1. 청산 기능

여러 거래를 합쳐서 순액만 계산하는 방식

→ 결제 자금 절약 (다자간 차감)

4-2. 결제 보증

거래 상대방이 실패해도 CCP가 대신 이행

→ 시장 안정성 확보

4-3. 리스크 관리

증거금 요구, 포지션 관리 등으로 위험 통제

5. 쉽게 이해하는 예시

A가 B에게 100억, B가 C에게 100억, C가 A에게 100억 거래

→ CCP 없으면 300억 필요

→ CCP 있으면 서로 상쇄
→ 실제 필요 자금 거의 없음

즉 효율성 증가

6. 글로벌 금융위기 이후 변화

2008년 금융위기 이후 CCP의 중요성이 크게 증가했다.

특히
장외파생상품 거래는 CCP 청산이 의무화됨

이유

거래 위험 감소
시스템 리스크 방지

7. 우리나라 사례

한국에서는 다음 기관이 CCP 역할을 수행한다.

한국거래소 (장내시장)
한국거래소 + 한국예탁결제원 (장외 일부)

즉 금융 인프라의 핵심 기관이다.

8. 장점과 위험

장점

거래 안정성 증가
결제 리스크 감소
유동성 효율성 증가

위험

리스크가 CCP에 집중됨
CCP 자체가 문제 생기면 시스템 위험

즉
“안정성은 높지만 핵심 리스크 허브가 됨”

9. 경제적 의미

CCP는 금융 시스템의 안정성을 유지하는 핵심 장치이다.

금융위기 방지
거래 신뢰 확보
시장 효율성 증가

10. 정리

중앙거래당사자는 금융거래에서 모든 거래의 상대방이 되어 결제 리스크를 줄이는 기관이다.

거래 안정성과 효율성을 높이는 핵심 인프라이며, 현대 금융 시스템에서 필수적인 역할을 수행한다.

[KANANA 429] 나만의 카나나 템플릿 프롬프트 만들기 워크숍 후기

MKISOS — Tue, 9 Jun 2026 09:22:36 +0900

AI 템플릿은 프롬프트가 아니라 경험을 설계하는 일이었다

2026년 5월 28일 목요일, 카카오 판교아지트에서 열린 KANANA 429 오프라인 밋업에 다녀왔다.

이번 밋업의 주제는 “나만의 카나나 템플릿 프롬프트 만들기 워크숍”이었다. 이름만 보면 단순히 프롬프트를 잘 작성하는 방법을 배우는 자리처럼 보일 수 있다. 하지만 실제로 참여해보니 이번 워크숍은 단순한 프롬프트 작성 수업이 아니었다.

AI 템플릿은 단순히 좋은 이미지를 만드는 기능이 아니라 사람들이 반복적으로 사용하고 친구에게 공유하고 싶어지는 경험을 설계하는 일이다.

행사 일정

이번 밋업은 저녁 6시부터 8시 30분까지 진행됐다. 전체 흐름은 다음과 같았다.

18:10부터 18:30까지는 카나나 템플릿 소개 세션이 진행됐다.
18:30부터 18:50까지는 Kanana-kinema 모델 소개 세션이 이어졌다.
18:50부터 19:10까지는 Q&A 시간이 있었다.
19:10부터 20:10까지는 나만의 카나나 템플릿 프롬프트 만들기 워크숍이 진행됐다.
20:10부터 20:30까지는 결과 발표와 공유 시간이 이어졌다.

나는 이번 밋업에 가기 전부터 어떤 프롬프트를 만들면 좋을지 고민했다.

처음에는 증명사진을 웃긴 엽사처럼 바꾸는 아이디어, 미국 하이틴 졸업사진 느낌으로 바꾸는 아이디어 그리고 사람 얼굴을 보고 닮은 동물상으로 바꿔주는 아이디어를 생각했다.

최종적으로는 세 번째 아이디어인 “AI 동물상 프로필 생성기” 방향으로 잡았다.

요즘 고양이상, 강아지상, 햄스터상, 여우상 같은 표현이 익숙하기도 하고 친구끼리 사진을 넣고 결과를 비교하기 좋은 소재라고 생각했다.

Session 1. 카나나 템플릿은 어떻게 서비스가 되었나

첫 번째 세션에서는 카나나 템플릿이 어떻게 기획되고 서비스로 만들어졌는지 들을 수 있었다.

가장 인상 깊었던 부분은 AI 영상 서비스를 만들 때 고려해야 할 현실적인 문제였다.

AI 영상은 단순히 “멋진 결과물을 만들자”로 끝나지 않는다. 영상 생성에는 GPU가 필요하고 GPU는 비싸고 한정된 자원이다. 결국 서비스 입장에서는 생성 시간, 영상 품질, 비용 사이에서 균형점을 찾아야 한다.

예를 들어 사용자가 영상을 만들기 위해 몇 분까지 기다릴 수 있을지 예측해야 한다. 어떤 사람은 1분도 길다고 느낄 수 있고 어떤 사람은 10분도 기다릴 수 있다. 또 어떤 사람은 정말 원하는 결과라면 1시간도 기다릴 수 있다고 생각할 수 있다. 하지만 서비스는 모든 사용자를 대상으로 운영되어야 한다. 그래서 평균적인 사용 경험과 비용 구조를 함께 고려해야 한다.

이 부분이 굉장히 현실적으로 다가왔다. 나는 보통 AI 서비스를 사용할 때 결과물이 잘 나오는지만 본다. 하지만 실제 서비스를 만드는 입장에서는 “이 기능을 하루에 몇 명이 사용할 것인가”, “GPU를 몇 장 준비해야 하는가”, “품질을 높이면 비용이 얼마나 올라가는가” 같은 문제를 계속 예측해야 한다.

결국 AI 서비스는 모델 성능만으로 만들어지는 것이 아니었다. 비용, 대기 시간, 안정성, 사용자 기대치가 모두 맞물려 있었다.

안전하게, 보수적으로, 사고 없이

카나나 템플릿 팀은 초기 서비스 오픈 과정에서 “안전하게 나가자”, “보수적으로 나가자”, “사고가 나지 않게 하자”는 원칙을 세웠다고 한다.

그래서 유저가 직접 자유롭게 프롬프트를 입력하는 구조가 아니라 운영자가 작성한 시스템 프롬프트를 기반으로 고정된 방식의 영상이 생성되도록 설계했다. 또 부적절한 이미지가 들어오면 영상 생성 자체가 되지 않도록 사전에 이미지를 걸러내는 방식도 적용했다고 한다.

오픈 전에 수천 장에 가까운 이미지를 카테고리화하고 실제로 1만 개에서 2만 개 가까운 영상을 만들어보며 품질 평가를 진행했다는 점이 인상깊었다. 단순히 프롬프트 하나를 잘 쓴다고 바로 서비스가 되는 것이 아니었다. 입력 이미지가 달라져도 결과물이 안정적으로 나오는지, 신체 왜곡이나 배경 오류가 없는지, 의도하지 않은 결과가 나오지 않는지 계속 테스트해야 했다.

이 부분을 들으면서 “AI 템플릿”이라는 개념을 다시 생각하게 됐다.

사용자 입장에서는 버튼 하나를 누르고 영상을 만드는 간단한 기능처럼 보인다. 하지만 그 뒤에는 프롬프트, 모델, 입력값 필터링, 품질 평가, 정책 문구, 푸시 알림, UX 진입점까지 많은 요소가 연결되어 있었다.

카나나 템플릿이 의미 있게 사용된 사례

세션 중간에는 실제 유저가 카나나 템플릿을 활용한 사례도 소개됐다. 한 사용자가 먼저 돌아가신 가족의 사진을 카나나 템플릿으로 영상화했고 그것을 가족에게 보여주는 콘텐츠가 큰 반응을 얻었다고 한다.

이 사례가 인상 깊었던 이유는 AI 기능이 단순히 “신기한 기술”로 소비된 것이 아니라 사람의 기억과 감정에 연결되었기 때문이다.

카카오톡은 가족방, 친구방, 지인방처럼 일상적인 관계가 모여 있는 공간이다. 그래서 카나나 템플릿도 단순히 멋진 영상을 만드는 기능을 넘어 누군가에게 추억을 다시 보여주거나 대화를 시작하게 만드는 역할을 할 수 있다고 느꼈다.

이 지점에서 카나나 템플릿의 방향성이 보였는데 카나나 템플릿은 AI를 기술 그 자체로 보여주는 서비스라기보다 카카오톡 안에서 사람들이 자연스럽게 쓰고 공유할 수 있는 콘텐츠 경험을 만드는 서비스에 가까웠다.

Session 2. Kanana-kinema 모델 소개

두 번째 세션에서는 Kanana-kinema 모델에 대한 소개가 있었다. 이 세션은 기술적인 내용이 많았지만 발표자가 AI 전문가가 아닌 사람도 이해할 수 있도록 LLM과 비교해서 설명해주어서 흐름을 따라가기 좋았으면서 또 한편으로는 기술적인 이야기를 깊게 듣고 싶어서 아쉬움이 남았다.

먼저 LLM은 다들 잘 알다시피 다음 단어를 예측하는 모델이라고 설명했다. “안녕”이라는 단어가 들어오면 다음에 올 단어를 예측하고 그다음 단어를 또 예측하면서 문장을 만들어간다. 즉 비교적 작은 단위의 예측을 여러 번 반복해서 결과를 완성한다.

반면 이미지나 비디오 생성 모델은 훨씬 복잡하다. 비디오는 단어처럼 한 줄로 순서를 세우기 어렵다. 왼쪽에서 오른쪽으로, 위에서 아래로 단순히 나열한다고 해서 자연스러운 영상이 되는 것이 아니다. 그래서 Kanana-kinema는 디퓨전 방식을 선택했다고 한다.

디퓨전 방식은 노이즈에서 시작해 여러 단계를 거치며 점진적으로 이미지를 복원하거나 영상을 완성해가는 방식이다. 쉽게 말하면 LLM이 쉬운 작업을 여러 번 반복해 문장을 완성한다면 디퓨전은 어려운 작업을 여러 단계에 걸쳐 점진적으로 완성하는 방식이라고 이해했다.

왜 이미지 기반 비디오 생성인가

Kanana-kinema 세션에서 흥미로웠던 부분은 텍스트만으로 영상을 만드는 방식이 아니라 첫 프레임 이미지를 함께 입력받는 이미지 기반 비디오 생성에 집중했다는 점이었다.

예를 들어 “서핑 보드 타는 고양이”라는 텍스트만 있으면 모델은 어떤 고양이인지, 배경은 어떤지, 카메라 각도는 어떤지 모두 새로 결정해야 한다. 하지만 첫 프레임 이미지가 함께 들어오면 모델은 그 이미지를 기준으로 고양이의 생김새, 배경, 구도, 분위기를 참고할 수 있다.

즉 입력 이미지가 강력한 가이드 역할을 한다.

이 부분은 카나나 템플릿의 구조와도 연결된다. 사용자는 사진을 넣고 템플릿은 그 사진을 바탕으로 영상을 만든다. 이 방식은 완전히 빈 캔버스에서 영상을 만드는 것보다 훨씬 안정적이다. 입력 이미지가 기준점이 되기 때문에 사용자의 기대와 결과물 사이의 간극도 줄일 수 있다.

40분에서 40초로 줄이는 과정

모델 소개에서 가장 강하게 기억에 남은 숫자는 40분과 40초였다.

5초짜리 720p 영상을 생성하는 데 원래 방식으로는 많은 GPU 리소스가 필요하고 한 편을 만드는 데 40분 정도 걸릴 수 있다고 했다. 하지만 실제 서비스에서 사용자가 5초짜리 영상을 만들기 위해 40분을 기다리는 것은 어렵다.

그래서 모델 팀은 속도를 줄이기 위해 여러 가지 선택을 했다. 첫 번째는 앞에서 말한 이미지 기반 비디오 생성에 집중하는 것이었다. 두 번째는 디스틸레이션을 통해 생성 스텝을 줄이는 것이었다. 원래 40번에 걸쳐 생성하던 과정을 2스텝 수준으로 압축해 서비스 가능한 속도로 만든 것이다.

물론 스텝을 줄이면 문제가 생길 수 있다. 디테일이 뭉개지거나, 눈코입이 어색해지거나, 손가락과 신체가 이상하게 나오는 문제가 생길 수 있다. 그래서 추가적인 훈련과 보정 과정을 통해 품질을 개선했다고 한다.

이 과정을 들으면서 AI 모델 개발은 단순히 “더 좋은 모델을 만들자”가 아니라 “서비스에 들어갈 수 있는 속도와 비용으로 품질을 유지하자”에 가깝다는 생각이 들었다.

연구실에서 좋은 결과를 내는 모델과 실제 카카오톡 안에서 수많은 사용자가 쓰는 모델은 요구 조건이 다르다. 후자는 속도, 안정성, 비용, 품질, 실패율까지 모두 고려해야 한다.

Q&A. 카나나 템플릿을 서비스와 기술 관점에서 더 깊게 이해한 시간

Q&A 시간에는 카나나 템플릿 자체에 대한 질문, AI 생성물의 품질 관리, 프롬프트 작성 팁, 향후 서비스 방향까지 다양한 질문이 나왔다. 단순히 “어떻게 쓰면 좋은가”를 넘어서 실제 AI 기능이 카카오톡 안에서 서비스로 운영되기 위해 어떤 고민을 거치는지 들을 수 있는 시간이었다.

카나나 템플릿을 가장 많이 사용하는 연령층과 성별은 어떻게 될까

카나나 템플릿을 가장 많이 이용하는 연령층과 성별에 대한 질문이 있었다.

답변에 따르면 카나나 템플릿 이용자 분포는 카카오톡 전체 유저 분포와 굉장히 유사하다고 했다. 특정 세대만 사용하는 기능이라기보다 카카오톡을 사용하는 넓은 연령층이 자연스럽게 접근할 수 있는 기능에 가깝다고 이해했다.

40대, 50대, 30대, 60대 순으로 이용층이 많고 그 아래로 20대, 10대, 70대가 이어지는 식으로 설명됐다.

이 부분이 흥미로웠다. 보통 생성형 AI 기능이라고 하면 10대나 20대처럼 트렌드에 민감한 세대가 주로 사용할 것이라고 생각하기 쉽다. 하지만 카카오톡 안에 들어간 기능은 다르다. 카카오톡 자체가 전 연령층이 사용하는 생활 플랫폼이기 때문에 AI 기능도 특정 세대의 실험용 도구가 아니라 일상적인 커뮤니케이션 기능으로 확장될 수 있다.

그래서 카나나 템플릿은 “AI를 잘 아는 사람을 위한 기능”보다 “카카오톡을 쓰는 사람이 자연스럽게 눌러보는 기능”에 가깝다고 느꼈다.

위험한 프롬프트는 어떻게 차단하는가

세이프가드와 관련된 질문도 있었다. 위험한 프롬프트를 어떻게 차단하는지 카나나 템플릿에서 위험성 있는 프롬프트를 방지하는 방식이 궁금하다는 질문이었다.

답변은 명확했다. 현재 카나나 템플릿은 사용자가 직접 자유롭게 프롬프트를 입력하는 구조가 아니다. 운영자가 작성한 시스템 프롬프트를 기반으로 동작한다. 사용자가 직접 프롬프트를 입력할 수 있게 만들면 생성 결과물의 리스크를 예측하기 어려워지고 이를 방어하기 위한 세이프가드도 훨씬 복잡해진다. 그래서 당분간은 안전을 위해 내부에서 관리하는 프롬프트 중심으로 서비스를 운영할 계획이라고 했다.

이 답변은 세션1에서 말했던 “안전하게, 보수적으로, 사고 없이”라는 원칙과 이어졌다. AI 서비스에서 자유도는 매력적이다. 하지만 실제 서비스에서는 자유도가 높아질수록 리스크도 같이 커진다. 사용자가 어떤 입력을 넣을지 모르고 그 결과가 어떤 방향으로 나올지 완전히 예측하기 어렵기 때문이다.

결국 카카오가 선택한 방향은 “사용자가 무엇이든 하게 하는 AI”보다 “안정적으로 즐길 수 있는 AI 경험”에 가까웠다.

베이스 모델이 바뀌면 템플릿도 다시 바뀌어야 할까

기술적인 질문 중 하나는 베이스 모델과 템플릿의 관계였다. 만약 모델 버전이 바뀌면 기존 템플릿도 수정되어야 하는지 자동으로 마이그레이션될 수 있는지에 대한 질문이었다.

답변에 따르면 카나나 템플릿은 카나나 자체 모델을 베이스로 사용하고 있고 내부적으로 모델 버전이 올라가는 경우가 있다고 했다. 이때 템플릿이 고정된 상태에서 모델만 바뀌면 결과가 달라질 수 있다. 이를 보완하기 위해 중간에 “프롬프트 인핸서” 역할을 하는 과정을 한 번 더 거친다고 설명했다. 이 과정 덕분에 모델 버전이 바뀌더라도 어느 정도 자동 마이그레이션이 가능하다고 이해했다.

이 부분은 꽤 기술적으로 흥미로웠다. 프롬프트는 모델에 직접 들어가는 최종 명령문처럼 보이지만 실제 서비스에서는 사용자의 입력과 운영자의 시스템 프롬프트 사이에 한 단계 더 보정 과정이 들어갈 수 있다. 즉 프롬프트는 고정된 문장 하나가 아니라 모델 상태와 입력값에 맞게 조정되는 하나의 처리 파이프라인에 가깝다.

내가 워크숍에서 동물상 프롬프트를 만들 때도 비슷한 문제를 겪었다. 처음에는 “동물상을 분석해줘”라고만 했더니 고양이상이나 햄스터상으로 편향되는 문제가 있었다. 그래서 프롬프트 안에 기준과 제약 조건을 더 넣어야 했다. 실제 서비스에서는 이런 보정 과정을 프롬프트 인핸서가 일부 담당한다고 볼 수 있었다.

이미지·비디오 생성 모델에도 LLM처럼 시스템 프롬프트 우선순위가 있을까

또 다른 기술 질문은 정책 프롬프트나 시스템 프롬프트의 우선순위에 관한 것이었다. LLM에서는 시스템 프롬프트가 사용자 프롬프트보다 우선 적용되는 구조가 익숙하다. 그렇다면 이미지나 비디오 생성 모델에서도 비슷한 층위가 존재하는지에 대한 질문이었다.

답변에 따르면 이미지·비디오 생성 모델 자체에는 LLM처럼 별도의 시스템 프롬프트 구조가 그대로 존재하는 것은 아니라고 했다. 대신 앞서 언급한 프롬프트 인핸서 과정에서 시스템 프롬프트와 유사한 형태의 제어가 이루어진다고 설명했다.

이 답변을 듣고 이미지·영상 생성 서비스의 구조가 LLM 서비스와 다르다는 점을 다시 느꼈다. LLM에서는 대화 맥락과 시스템 지시문이 중요한 반면, 이미지·영상 생성에서는 입력 이미지, 템플릿 목적, 보정 프롬프트, 모델 특성이 함께 작동한다. 그래서 단순히 “프롬프트를 잘 쓰면 된다”가 아니라 어떤 입력 이미지를 허용하고 어떤 결과를 막을지까지 함께 설계해야 한다.

입력 이미지가 다양할 때 결과물 품질을 어떻게 일정하게 유지하는가

카나나 템플릿은 제작자의 가이드와 사용자의 입력 이미지가 결합되는 구조다. 사용자가 어떤 사진을 넣을지 알 수 없기 때문에 결과물 품질을 일정하게 유지하기 어렵다. 이에 대한 질문도 있었다.

답변에 따르면 카나나는 여러 방식을 함께 사용한다고 했다. 먼저 비즈니스 로직 차원에서 특정 용량 이하의 사진에는 “영상으로 만들기” 버튼을 붙이지 않는 방식이 있다. 너무 작은 이미지나 품질이 낮은 이미지는 결과가 제대로 나오기 어렵기 때문이다.

또 각 템플릿 상세 화면에서 “이런 사진을 준비해 주세요”라는 가이드를 제공한다. 사용자가 어떤 사진을 넣어야 결과가 잘 나오는지 안내함으로써 입력값의 변수를 줄이는 방식이다.

마지막으로 프롬프트 인핸서 과정이 있다. AI 모델이 먼저 사진을 분석하고 그 결과를 시스템 프롬프트와 결합해 한 번 더 프롬프트를 작성한다. 이를 통해 사용자가 어떤 사진을 넣더라도 조금 더 일관된 결과물이 나오도록 만든다고 설명했다.

이 답변은 내가 워크숍에서 겪은 문제와 정확히 연결됐다. 내 동물상 프롬프트도 입력 사진이 바뀌면 결과가 흔들렸다. 어떤 사진은 고양이상으로 몰리고 어떤 사진은 햄스터상으로 몰렸다. 결국 입력값이 다양할수록 프롬프트에는 더 명확한 기준과 방어 조건이 필요하다.

서비스에서는 이 문제를 프롬프트만으로 해결하지 않는다. 입력 이미지 기준, UX 안내, 비즈니스 로직, 프롬프트 보정 과정을 모두 함께 사용한다.

원하는 스타일의 프롬프트는 어떻게 역설계할 수 있을까

프롬프트 작성 팁 중 가장 실용적이었던 답변은 원하는 스타일 이미지를 먼저 넣고 모델에게 프롬프트 디자이너 역할을 부여하는 방식이었다.

예를 들어 원하는 스타일의 이미지를 넣은 뒤 “너는 템플릿 프롬프트를 디자인하는 디자이너다. 어떤 프롬프트를 쓰면 이런 이미지가 나올 것 같은지 작성해달라”고 요청하는 방식이다. 이렇게 하면 모델이 결과 이미지를 기준으로 역으로 프롬프트를 구성해줄 수 있다고 했다.

이 방식은 프롬프트를 처음부터 쓰기 어려울 때 유용하다. 보통 사람은 원하는 결과 이미지는 떠올릴 수 있지만 그 결과를 만들기 위한 프롬프트 문장을 바로 작성하기 어렵다. 이때 이미지를 기준으로 프롬프트를 역추론하게 하면 출발점이 생긴다.

나도 이번 워크숍에서 동물상 결과를 만들 때 비슷한 방식으로 접근했다. 먼저 어떤 결과가 나와야 사람들이 직관적으로 이해할지 생각했고 그 결과를 만들기 위해 어떤 조건을 프롬프트에 넣어야 할지 역으로 정리했다.

한글 프롬프트와 영어 프롬프트 중 무엇이 더 좋을까

프롬프트 언어에 대한 이야기도 나왔다. 실습은 카카오와 파트너십을 맺은 OpenAI의 ChatGPT를 활용해 진행되었고 서비스 관점에서는 사람들이 많이 쓰고 바이럴이 잘 될 것 같은 템플릿이면 된다고 했다. 모델마다 최적화된 프롬프트가 다를 수 있기 때문에 하나의 정답이 있는 것은 아니라고 설명했다.

OpenAI 쪽과 협업했을 때는 한글로 작성해도 된다는 이야기를 들었다고 했다. 결국 한글이든 영어든 반말이든 존댓말이든 정답은 없고 결과물이 잘 나오면 된다는 취지였다.

Q&A를 통해 정리한 인사이트

Q&A를 듣고 나서 카나나 템플릿을 바라보는 관점이 조금 달라졌다.

처음에는 카나나 템플릿을 “사진을 넣으면 영상이 만들어지는 기능” 정도로 생각했다. 하지만 Q&A를 듣고 나니 이 기능 뒤에는 훨씬 많은 설계가 있었다.

프롬프트는 운영자가 직접 관리한다.
입력 이미지는 품질 기준과 가이드로 통제한다.
프롬프트 인핸서를 통해 사진 분석과 시스템 프롬프트 결합이 이루어진다.
품질 평가는 감성보다 명확한 오류를 줄이는 방식으로 진행된다.
사용자 직접 프롬프팅은 세이프가드 문제 때문에 조심스럽게 접근한다.
접근성 확장은 서비스 성장의 핵심 과제로 보고 있다.

결국 카나나 템플릿은 단순한 생성 AI 기능이 아니라 AI 모델을 카카오톡이라는 일상 플랫폼 안에서 안정적으로 쓰게 만들기 위한 서비스 설계의 결과물이었다.

AI 서비스에서 중요한 것은 모델이 무엇을 할 수 있는가만이 아니다.
사용자가 어디서 들어오고, 무엇을 넣고, 얼마나 기다리고, 어떤 결과를 받고, 어디에 공유하는지까지 모두 설계해야 한다.

그래서 좋은 AI 템플릿은 프롬프트 하나로 완성되지 않는다. 프롬프트, 입력 가이드, 품질 평가, 세이프가드, UX 진입점이 함께 맞물릴 때 비로소 서비스가 된다.

Workshop. 나만의 카나나 템플릿 프롬프트 만들기

이제 본격적으로 워크숍이 시작됐다.

먼저 ChatGPT 또는 카카오에서 제공한 ChatGPT 환경을 활용해 나만의 프롬프트를 만들고 그 프롬프트로 재미있는 이미지를 생성한다. 그 다음 생성한 이미지를 카나나 템플릿 기능으로 영상화한다. 마지막으로 결과물과 프롬프트를 오픈채팅방에 공유한다.

현장에서는 다양한 예시도 보여주었다. 사진을 일본 애니메이션 스타일로 바꾸거나, 특정 이벤트 프롬프트를 적용하거나, 아이돌 직캠 썸네일처럼 만드는 예시가 있었다. 반려동물 사진을 카카오톡 이모티콘처럼 만들거나 증명사진처럼 바꾸는 사례도 있었다.

이 예시들을 보면서 이번 워크숍의 목표가 더 분명해졌다.

정답처럼 잘 만든 이미지를 만드는 것이 아니라 사람들이 보고 “나도 해보고 싶다”고 느낄 만한 프롬프트를 만드는 것이 목표였다.

내가 선택한 아이디어: AI 동물상 프로필 생성기

나는 여러 아이디어 중에서 “AI 동물상 프로필 생성기”를 선택했다.

처음 고민했던 아이디어는 세 가지였다.

개인 증명사진을 웃기게 망가뜨려 엽사처럼 만드는 아이디어.
개인 증명사진을 미국 하이틴 졸업사진처럼 바꾸는 아이디어.
개인 증명사진을 보고 닮은 동물상으로 바꿔주는 아이디어.

이 중에서 동물상 아이디어를 선택한 이유는 반복 사용성이 가장 높다고 생각했기 때문이다. 사람들은 자기 얼굴이 어떤 동물상인지 궁금해한다. 또 친구 사진을 넣고 “너는 강아지상이다”, “너는 햄스터상이다”, “너는 여우상이다”처럼 이야기하기 쉽다.

즉 이 아이디어는 단순한 이미지 변환이 아니라 대화 소재가 될 수 있었다.

카카오톡이라는 플랫폼과도 잘 맞는다고 생각했다. 혼자 보고 끝나는 이미지보다, 친구에게 보내고 반응을 받을 수 있는 결과물이 더 강하다고 느꼈다.

첫 번째 시도: 너무 은은해서 무슨 상인지 알기 어려웠다

처음에는 사람 얼굴은 유지하면서 동물의 분위기만 은은하게 반영하는 방향으로 프롬프트를 작성했다.

예를 들어 고양이상이라면 날카로운 눈매와 시크한 분위기, 강아지상이라면 따뜻한 눈매와 친근한 표정, 햄스터상이라면 둥근 볼과 귀여운 비율을 강조하는 식이었다.

하지만 결과를 보니 문제가 있었다.

이미지는 예쁘게 나왔지만 무슨 동물상인지 직관적으로 알기 어려웠다. 그냥 잘 보정된 AI 프로필 사진처럼 보였다. “동물상 테스트”라는 재미가 살아나지 않았다.

두 번째 시도: 동물 귀와 수염을 추가했다

그래서 방향을 바꿨다.

동물 분위기만 은은하게 반영하는 것이 아니라 특정 동물상으로 판단되면 그 동물의 귀, 수염, 꼬리, 코, 털 질감 같은 특징을 이미지에 추가하는 방식으로 수정했다.

이렇게 하자 결과는 훨씬 직관적이었다. 고양이상이라면 고양이 귀와 수염이 보이고, 강아지상이라면 강아지 귀와 따뜻한 표정이 보이는 식이다. 사람 얼굴은 유지하되 동물 캐릭터 요소를 자연스럽게 입히는 방향이었다.

이 방향은 공유성 측면에서 더 강했다. 친구에게 보냈을 때 설명 없이도 반응이 나올 수 있기 때문이다.

세 번째 문제: 모두 고양이만 나왔다

하지만 또 다른 문제가 생겼다. 다른 사람 사진을 넣어도 결과가 계속 고양이상으로 나오는 경향이 있었다. 처음에는 사진의 눈매나 분위기 때문에 고양이상으로 판단한 것이라고 생각했다. 하지만 여러 사진을 넣어보니 프롬프트 자체가 고양이 쪽으로 편향되는 느낌이 있었다.

이 문제를 보면서 프롬프트 설계에서 중요한 점을 배웠다.

AI에게 “가장 닮은 동물상을 골라줘”라고만 하면 모델은 실제 분석보다 가장 안정적으로 예쁜 결과가 나오는 방향으로 수렴할 수 있다.

고양이상은 스타일리시하고 SNS 프로필처럼 만들기 좋다. 그래서 모델이 무의식적으로 고양이를 선택하는 것처럼 보였다. 이것은 분석이라기보다 스타일 편향에 가까웠다.

그래서 프롬프트에 다음 조건을 추가했다.

고양이상이나 수달상으로 기본 선택하지 말 것.
동물 유형은 귀여움이나 인기가 아니라 얼굴 구조를 기준으로 선택할 것.
사람마다 명확히 다른 동물상이 나와야 할 것.
고양이상은 실제로 날카로운 눈매와 시크한 분위기가 강할 때만 선택할 것.

네 번째 문제: 이번에는 햄스터만 나왔다

고양이 편향을 줄이자 이번에는 햄스터상으로 몰리는 문제가 생겼다.

이것도 흥미로웠다. 고양이를 막으니 모델이 가장 안전하고 귀여운 결과인 햄스터로 이동한 것이다. 둥근 볼, 귀여운 표정, 부드러운 분위기는 많은 사람 얼굴에 적용하기 쉬웠다.

AI 이미지 생성에서 “분석”과 “생성”을 한 번에 시키면, 생성 쪽의 미적 편향이 분석을 덮어버릴 수 있다.

즉 모델이 실제로 얼굴을 분석해서 동물상을 고르는 것이 아니라 결과 이미지가 예쁘고 안정적으로 나오는 동물을 선택하는 문제가 생긴다.

그래서 최종 프롬프트에서는 “먼저 얼굴 특징을 분석하고, 그 다음 가장 논리적으로 맞는 동물상을 선택한 뒤, 마지막으로 이미지를 생성하라”는 구조를 넣었다.

또 각 동물상의 기준을 더 명확히 나누었다.

강아지상은 둥근 눈, 따뜻한 미소, 부드럽고 친근한 분위기.
고양이상은 길고 날카로운 눈매, 차분하고 시크한 표정.
햄스터상은 둥근 볼, 작은 입, 귀엽고 압축된 얼굴 비율.
여우상은 올라간 눈꼬리, 얇은 미소, 날카롭고 자신감 있는 분위기.
토끼상은 큰 눈, 순한 분위기, 부드러운 얼굴 균형.
사슴상은 맑고 차분한 눈, 우아하고 정돈된 얼굴 비율.
곰상은 안정적인 얼굴 구조, 따뜻하고 듬직한 분위기.
수달상은 장난기 있는 표정, 밝고 생기 있는 느낌.
공룡상은 강한 턱선, 선명한 인상, 카리스마 있는 분위기.

이렇게 기준을 나누자 프롬프트가 단순한 이미지 생성 문장이 아니라 일종의 분류 규칙처럼 바뀌었다.

최종 프롬프트

워크숍에서 정리한 최종 프롬프트는 다음과 같은 방향이었다.

Analyze the person's facial features and determine which Korean “animal face” type they resemble the most.

IMPORTANT:
- Do NOT default to cat type or hamster type.
- Different people should result in clearly different animal types.
- The animal type MUST be selected based on dominant facial structure and facial energy, not based on cuteness, popularity, or aesthetics.
- Prioritize facial analysis accuracy over visual consistency.

Carefully analyze:
- eye shape
- eye size
- facial proportions
- cheek shape
- jawline
- nose and mouth shape
- expression
- overall facial energy and mood

Possible animal types include:
- Puppy
- Cat
- Hamster
- Fox
- Rabbit
- Deer
- Bear
- Otter
- Dinosaur

Animal type reference examples:
- Puppy = round friendly eyes, warm smile, approachable and soft vibe
- Cat = sharp or elongated eyes, cool and elegant expression
- Hamster = round cheeks, compact facial proportions, cute and soft mood
- Fox = sly smile, lifted eyes, sharp and charismatic vibe
- Rabbit = innocent eyes, gentle and pure atmosphere
- Deer = calm eyes, elegant and refined facial balance
- Bear = stable facial structure, warm and reliable vibe
- Otter = playful smile, bright and lively expression
- Dinosaur = sharp jawline, strong charismatic facial energy

First determine the MOST LOGICAL animal type based on the actual facial structure.

Then create a trendy Korean SNS-style portrait inspired by that animal type.

The portrait should:
- clearly resemble the original person
- look highly recognizable at first glance
- feel cute, funny, and shareable
- look like a trendy profile image people would upload to Instagram or KakaoTalk

Add matching visual animal-inspired details such as:
- animal ears
- whiskers
- fluffy hair or fur texture
- matching expressions
- animal-inspired mood and styling

Important:
- Keep the person clearly human
- Do NOT create a furry costume
- Do NOT fully transform them into an animal
- Make the animal traits stylish and naturally blended into the portrait

The final result should make people instantly say:
“OMG this animal type actually matches them perfectly.”

생성된 이미지를 카나나 템플릿으로 영상화하다

이미지를 만든 뒤에는 카나나 템플릿을 활용해 짧은 영상으로 만들었다.

워크숍 안내에 따르면 나와의 채팅방이나 친구와의 채팅방에 사진을 보내면 우측에 “영상으로 만들기” 기능이 뜬다.

그 기능을 통해 생성한 이미지를 카나나 템플릿으로 영상화할 수 있었다.

이번 워크숍의 흐름은 다음과 같았다.

프롬프트를 만든다.
이미지를 생성한다.
카나나 템플릿으로 영상화한다.
오픈채팅방에 공유한다.
다른 사람들의 결과물을 보며 반응을 확인한다.

AI 서비스는 모델보다 경험에 가깝다

이번 밋업에서 가장 크게 느낀 점은 AI 서비스는 모델 성능만으로 완성되지 않는다는 것이다.

모델이 좋아도 사용자가 어떻게 들어오는지, 무엇을 입력하는지, 얼마나 기다릴 수 있는지, 결과를 어디에 공유하는지, 실패했을 때 어떻게 안내할지까지 모두 설계해야 한다.

카나나 템플릿은 이 부분을 잘 보여주는 사례였다.

사용자는 그냥 사진을 넣고 영상을 만든다고 느낄 수 있다. 하지만 실제로는 입력 이미지 가이드, 시스템 프롬프트, 프롬프트 인핸서, 품질 평가, 생성 시간 최적화, 푸시 알림, 공유 진입점이 모두 연결되어 있다.

나는 이번 워크숍을 통해 프롬프트를 단순한 명령어가 아니라 서비스의 일부로 보게 됐다.

프롬프트가 좋다는 것은 모델이 말을 잘 듣는다는 뜻만은 아니다. 사용자가 쉽게 쓰고, 결과를 납득하고, 다시 사용하고, 다른 사람에게 공유할 수 있어야 한다. 그런 점에서 좋은 프롬프트는 문장이 아니라 경험 설계에 가깝다.

마무리

이번 KANANA 429 오프라인 밋업은 단순히 카카오 AI 서비스를 체험하는 자리가 아니었다.

카나나 템플릿이 어떻게 기획되고 어떤 기준으로 안전하게 운영되고 어떤 방식으로 모델이 최적화되고 실제 사용자가 어떻게 받아들이는지를 가까이서 볼 수 있는 시간이었다.

특히 나만의 프롬프트를 직접 만들고 실패를 수정하고 결과물을 영상화하는 과정이 좋았다. 처음에는 “어떤 이미지를 만들까”를 고민했지만 시간이 지날수록 “사람들이 왜 이걸 쓰고 싶어할까”를 고민하게 됐다.

AI 템플릿은 프롬프트를 잘 쓰는 일이 아니라 사람들이 가지고 놀고 싶어지는 경험을 만드는 일이다.

경제금융용어 공부 524 : 중계무역

MKISOS — Mon, 8 Jun 2026 21:00:29 +0900

중계무역

중계무역은 물품을 수입한 뒤 국내로 들여오지 않고 그대로 제3국에 수출하는 무역 형태이다. 이 과정에서 중계무역업자는 실제 거래의 당사자로서 매매차익을 얻는다.

1. 한 줄 정의

중계무역은 물품을 국내에 들여오지 않고 제3국으로 다시 판매하여 이익을 얻는 무역이다.

2. 기본 개념

중계무역에서는 세 가지 국가가 등장한다.

수출국 (물건 생산)
중계국 (거래 주체)
수입국 (최종 소비)

이때 중계국은 실제로 물건을 사고파는 주체가 된다.

즉
“직접 사고팔아서 차익을 남긴다”

3. 거래 구조

중계무역은 다음과 같이 이루어진다.

중계무역업자가 수출국에서 물건을 구매
물건을 국내로 들여오지 않음
바로 제3국으로 판매
매매차익 발생

즉 물건은 ‘직접 이동’하지만 거래는 ‘중계업자’를 통해 이루어진다.

4. 쉽게 이해하는 예시

한국 기업 A가 중국에서 상품을 구매한 뒤, 이를 미국 기업 B에게 판매한다고 가정

중국 → 미국으로 물건 이동
한국 기업 A → 거래 당사자
A는 매매차익 확보

→ 이것이 중계무역

5. 중개무역과의 차이

이 개념에서 가장 중요한 부분이다.

중계무역

거래 당사자 (직접 사고팜)
매매차익 발생

중개무역

단순 중개자
수수료만 수취

즉
중계 = 직접 거래
중개 = 연결만

6. 특징

물품은 국내에 반입되지 않음
가공 없이 그대로 재수출
거래 책임은 중계업자에게 있음

7. 왜 발생하는가

중계무역은 다음 이유로 발생한다.

글로벌 가격 차이
시장 접근성
무역 네트워크 활용

즉 ‘가격 차이와 정보’를 이용한 거래이다.

8. 경제적 의미

중계무역은 국제무역의 효율성을 높인다.

국가 간 거래 연결
유통 구조 간소화
가격 차익 활용

또한 무역 중개 기능과 유통 기능을 동시에 수행한다.

9. 정리

중계무역은 물품을 국내에 들여오지 않고 제3국으로 다시 판매하는 무역 형태이다.

중계업자는 거래 당사자로서 매매차익을 얻으며, 중개무역과는 달리 직접 거래를 수행한다.

[26년 독후감 14] 조코딩의 바이브 코딩 1인 창업 : AI와 함께 만드는 1인 SaaS 창업 로드맵

MKISOS — Mon, 8 Jun 2026 16:30:16 +0900

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."

책 정보

책 제목: 조코딩의 바이브 코딩 1인 창업 with 클로드 코드, 수파베이스, 스트라이프
저자: 조동근 (조코딩)
출판 연도: 2026년
장르: IT / AI 개발 / 웹 서비스 창업 / 1인 프로덕트 빌딩

❓ 책을 고른 이유 (물음표)

책 소개를 보던 중 가장 먼저 눈에 들어온 문장이 있었다. "기획부터 엑시트까지 코드 한 줄 없이 글로벌 매출을 만드는 1인 프로덕트 빌더 풀코스" 요즘 AI 기술의 발전 속도를 보면 개발자의 역할도 빠르게 변화하고 있다는 것을 실감한다. 예전에는 서비스를 하나 만들기 위해 개발자, 디자이너, 마케터 등 여러 사람이 필요했다면 이제는 ChatGPT, Claude 같은 AI 도구의 도움을 받아 한 사람이 훨씬 더 많은 일을 해낼 수 있는 시대가 되고 있다.

나는 평소에도 여러 서비스 아이디어를 떠올리곤 했다. 하지만 늘 비슷한 과정을 반복했다. 아이디어를 생각하고, 기획을 하고, 개발을 시작하다가 중간에 방향이 바뀌어 다시 처음으로 돌아가기를 반복했다. '언젠가는 내 서비스를 꼭 출시해야지'라고 생각하면서도 정작 출시까지 이어진 경험은 많지 않았다. 특히 이제 곧 복학을 앞두고 있는 만큼 이번 여름방학을 의미 있게 보내고 싶었다. 단순히 기술을 공부하는 것에서 끝나는 것이 아니라 실제로 사용자가 사용할 수 있는 서비스를 만들어 앱스토어에 출시해보고 싶다는 목표도 가지고 있다. 개발은 어느 정도 할 수 있지만 디자인, 마케팅, 서비스 기획 같은 영역은 아직 부족하다고 느끼고 있었는데 최근에는 AI가 이런 부분까지도 많은 도움을 줄 수 있다는 이야기를 자주 접하게 되었다.

마침 이 책은 단순히 바이브 코딩만 다루는 것이 아니라 기획 → 개발(바이브 코딩) → UX/UI(바이브 디자인) → 마케팅 → 데이터 분석 → 엑시트까지 서비스가 성장하는 전 과정을 하나의 흐름으로 설명한다고 한다. 단순히 코드를 작성하는 방법을 알려주는 책이 아니라 실제로 서비스를 만들고 성장시키는 방법을 알려주는 책이라는 점이 특히 마음에 들었다. 또한 OpenAI CEO 샘 올트먼이 이야기한 '1인 유니콘 시대', 즉 AI를 활용해 한 사람이 수십 명의 역할을 수행하며 거대한 가치를 만들어내는 시대에 대한 이야기도 매우 인상적이었다. 개발자를 꿈꾸는 학생으로서 그리고 언젠가는 실리콘밸리에서 글로벌 서비스를 만드는 창업가가 되고 싶은 사람으로서 이 책이 어떤 인사이트를 줄지 궁금했다. 이번 독서를 통해 단순히 AI 코딩 도구 사용법을 배우는 것을 넘어 내가 가지고 있는 아이디어를 실제 서비스로 구현하고 세상에 출시하는 방법을 배우고 싶다. 그리고 올해 안에는 정말로 내 이름을 걸고 하나의 서비스를 앱스토어에 출시해보고 싶다. 이 책이 그 첫 번째 발걸음이 되어주기를 기대하며 읽기 시작했다.

독서 과정

읽은 기간: 2026.06.02 ~ 26.06.08

✍️ 책 내용 정리

AI 시대에는 기술보다 문제 해결이 더 중요해지고 있다

이 책의 출발점은 “개발의 본질이 무엇인가”라는 질문이다. 저자는 서비스를 만들고 싶었던 이유가 복잡한 기술을 공부하기 위해서가 아니라 사용자가 좋아할 만한 앱을 만들고 그 앱을 통해 가치를 제공하며 수익을 내기 위해서였다고 말한다. 이 관점이 인상 깊었다. 개발을 공부하다 보면 HTML, CSS, JavaScript, React, 백엔드, 데이터베이스, 서버, 배포, 보안 등 배워야 할 것이 끝없이 늘어난다. 물론 전공자로서 이런 기초와 원리를 배우는 것은 중요하다. 하지만 실제 서비스를 만드는 관점에서는 모든 기술을 완벽하게 익힌 뒤에야 시작할 수 있는 것은 아니다. 중요한 것은 사용자가 겪는 문제를 발견하고 그 문제를 해결할 수 있는 최소한의 제품을 빠르게 만들어보는 것이다.

여기서 코딩은 목적이 아니라 수단이다. 개발자가 코드를 잘 짜는 이유도 결국 사용자의 문제를 해결하기 위해서다. AI가 등장하면서 이 수단의 진입장벽은 크게 낮아졌다. 과거에는 기능 하나를 구현하기 위해 많은 문법과 라이브러리를 직접 찾아보고, 오류를 해결하고, 구조를 설계해야 했다면 이제는 AI에게 원하는 기능을 설명하고, 생성된 코드를 이해하고, 수정하며 빠르게 결과물을 만들 수 있다. 따라서 앞으로의 개발자는 단순히 코드를 많이 아는 사람을 넘어, 어떤 문제를 풀 것인지 정의하고 AI를 활용해 빠르게 실험할 수 있는 사람이 되어야 한다.

바이브 코딩은 “느낌대로 대충 코딩한다”가 아니라 AI와 함께 빠르게 구현하는 방식이다

책에서 말하는 바이브 코딩은 AI를 통해 코딩의 난이도가 낮아지면서 사람이 모든 세부 구현을 직접 작성하기보다 원하는 결과를 자연어로 설명하고 AI와 함께 코드를 만들어가는 방식을 의미한다. 쉽게 말하면 “이런 기능을 가진 페이지를 만들어줘”, “이 버튼을 누르면 결과가 저장되게 해줘”, “이 오류를 고쳐줘”처럼 사람이 목표를 제시하고 AI가 구현을 도와주는 개발 방식이다.

다만 바이브 코딩을 단순히 아무렇게나 AI에게 맡기는 것으로 이해하면 안 된다. 좋은 결과를 얻기 위해서는 사람이 서비스의 목적, 사용자의 흐름, 필요한 기능, 데이터 구조, 예외 상황을 어느 정도 알고 있어야 한다. AI가 코드를 작성해주더라도 그 코드가 왜 필요한지, 어디에 연결되는지, 보안상 문제가 없는지 판단하는 역할은 여전히 사람에게 남아 있다. 그래서 바이브 코딩 시대의 개발자는 직접 모든 코드를 손으로 치는 능력만큼이나 AI에게 정확히 지시하고 결과물을 검토하며 서비스 형태로 조립하는 능력이 중요해진다.

1인 프로덕트 빌더는 개발자 혼자 모든 것을 직접 하는 사람이 아니라 AI를 활용해 작은 팀처럼 일하는 사람이다

책에서 반복적으로 등장하는 개념은 1인 프로덕트 빌더다. 1인 프로덕트 빌더는 혼자서 기획, 개발, 디자인, 마케팅, 데이터 분석, 수익화까지 모두 수행하는 사람을 의미한다. 과거에는 이 과정마다 다른 전문가가 필요했다. 기획자는 문제와 기능을 정의하고 디자이너는 화면을 설계하고 개발자는 서비스를 구현하고 마케터는 사용자를 모으고 데이터 분석가는 사용자의 행동을 분석했다. 하지만 AI 도구가 발전하면서 한 사람이 이 모든 영역을 어느 정도 수행할 수 있게 되었다.

물론 이것이 각 분야의 전문가가 필요 없어졌다는 뜻은 아니다. 대신 초기 단계의 MVP나 1인 창업에서는 모든 분야를 완벽하게 전문적으로 처리하기보다 AI를 활용해 빠르게 최소 수준의 결과물을 만들고 시장 반응을 확인할 수 있게 되었다는 의미에 가깝다. 예를 들어 Claude Code나 ChatGPT는 개발을 돕고, Stitch 같은 AI 디자인 도구는 UI 초안을 만들어주며, AI 이미지 생성 도구는 서비스에 필요한 시각 자료를 만들 수 있다. 마케팅 문구, 광고 카피, 블로그 글, 이메일 문안도 AI의 도움을 받을 수 있다. 결국 AI는 한 사람의 능력을 여러 명의 팀처럼 확장시켜주는 도구가 된다.

MVP는 완성도가 낮은 제품이 아니라 핵심 가설을 검증하기 위한 최소 제품이다

이 책에서 가장 중요하게 느껴진 개념 중 하나는 MVP다. MVP는 Minimum Viable Product의 약자로 한국어로는 최소 기능 제품이라고 한다. 여기서 중요한 것은 “최소”라는 단어다. MVP는 대충 만든 미완성 제품이 아니라 사용자가 실제로 원하는지 검증하기 위해 꼭 필요한 핵심 기능만 담은 제품이다.

예를 들어 AI 독서 기록 서비스를 만든다고 했을 때 처음부터 로그인, 커뮤니티, 알림, 결제, 추천 알고리즘, 앱 출시까지 모두 구현하려고 하면 출시가 너무 늦어진다. MVP 관점에서는 가장 먼저 “사용자가 책 내용을 입력하면 AI가 독서 기록을 정리해주는 기능” 하나만 만들어도 된다. 그 기능을 실제 사용자에게 보여주고 사람들이 정말 필요로 하는지, 계속 사용할 의향이 있는지 확인하는 것이 먼저다. 이후 반응이 좋으면 로그인, 저장, 공유, 구독 같은 기능을 붙이면 된다.

MVP의 핵심은 빠른 검증이다. 개발자는 자신의 아이디어가 좋다고 생각하기 쉽지만 실제 시장의 반응은 다를 수 있다. 그래서 완벽하게 만들기 전에 작게 출시하고 사용자의 반응을 통해 방향을 수정해야 한다. 이 책을 읽으며 나 역시 기획과 개발을 반복하다가 출시까지 가지 못했던 경험을 떠올렸다. 앞으로는 완벽한 서비스를 만들려고 하기보다 핵심 기능 하나를 빠르게 배포하고 실제 데이터를 통해 판단해야겠다고 느꼈다.

데이터 분석은 서비스를 감이 아니라 숫자로 개선하게 해준다

서비스를 출시한 뒤에는 “좋아 보인다”, “사람들이 쓸 것 같다” 같은 감이 아니라 데이터로 판단해야 한다. 책에서는 Google Analytics와 Microsoft Clarity 같은 도구를 통해 사용자의 행동을 분석하는 방법을 다룬다. Google Analytics는 사용자가 얼마나 들어왔는지, 어디서 유입되었는지, 어떤 페이지를 봤는지, 어떤 행동을 했는지 숫자로 확인할 수 있는 도구다. Microsoft Clarity는 사용자의 클릭, 스크롤, 세션 녹화, 히트맵 등을 통해 사용자가 실제로 화면에서 어떻게 움직였는지 확인할 수 있게 해준다.

여기서 중요한 지표가 DAU, WAU, MAU다. DAU는 Daily Active Users의 약자로 하루 동안 서비스를 사용한 순사용자 수다. WAU는 Weekly Active Users로 일주일 동안 서비스를 사용한 순사용자 수이고, MAU는 Monthly Active Users로 한 달 동안 서비스를 사용한 순사용자 수다. 이 지표들은 서비스의 활성도를 보여준다. 예를 들어 MAU는 높은데 DAU가 낮다면 한 달에 한 번쯤 들어오는 사람은 많지만 매일 쓰는 습관은 형성되지 않았다는 뜻일 수 있다.

또 중요한 개념은 전환이다. 전환은 서비스 운영자가 원하는 핵심 행동이 일어나는 것을 의미한다. 예를 들어 회원가입, 결제 완료, 글 작성, 앱 설치, 상담 신청 등이 전환이 될 수 있다. 전환율은 방문자 중 몇 퍼센트가 이 행동을 했는지를 나타낸다. 방문자는 많은데 회원가입이 적다면 랜딩 페이지나 가입 과정에 문제가 있을 수 있고, 가입자는 많은데 결제가 적다면 가격, 신뢰도, 가치 전달 방식에 문제가 있을 수 있다. 결국 데이터 분석은 사용자가 어디서 이탈하는지 찾아내고, 그 지점을 개선하기 위한 근거를 제공한다.

리텐션과 아하 모먼트는 서비스가 진짜 가치 있는지 보여주는 핵심 개념이다

리텐션은 사용자가 서비스를 다시 찾아오는 비율을 의미한다. 서비스를 한 번 써본 사용자가 다음 날, 다음 주, 다음 달에도 계속 돌아온다면 리텐션이 높다고 볼 수 있다. 반대로 처음에는 많은 사용자가 들어와도 다시 돌아오지 않는다면 그 서비스는 아직 사용자의 습관이나 필요 안에 들어가지 못한 것이다.

리텐션이 중요한 이유는 서비스 성장의 본질이 단순 유입이 아니라 지속 사용에 있기 때문이다. 광고를 통해 사용자를 많이 데려와도 그들이 다시 돌아오지 않으면 계속 돈을 써서 새 사용자를 데려와야 한다. 이것은 밑 빠진 독에 물을 붓는 것과 같다. 반면 리텐션이 높으면 한 번 들어온 사용자가 계속 남아 있기 때문에 서비스의 성장 기반이 단단해진다.

아하 모먼트는 사용자가 서비스의 핵심 가치를 처음 깨닫는 순간을 의미한다. 예를 들어 드롭박스에서는 파일을 한 기기에 저장하고 다른 기기에서 확인하는 순간, 사용자는 “아, 이래서 편하구나”라고 느낄 수 있다. 독서 기록 서비스라면 사용자가 책 내용을 입력했을 때 AI가 자신의 생각을 깔끔한 글로 정리해주는 순간이 아하 모먼트가 될 수 있다. 서비스를 만들 때는 이 아하 모먼트를 최대한 빠르게 경험하게 해야 한다. 사용자가 핵심 가치를 느끼기 전에 복잡한 가입 절차나 불필요한 입력 과정에서 지치면 이탈하기 때문이다.

SEO는 검색엔진을 위한 최적화이고, GEO는 생성형 AI를 위한 최적화다

책에서 흥미로웠던 개념 중 하나는 SEO와 GEO였다. SEO는 Search Engine Optimization의 약자로 검색엔진 최적화를 의미한다. 구글이나 네이버 같은 검색엔진이 내 사이트를 잘 이해하고 검색 결과에 노출할 수 있도록 사이트 구조와 콘텐츠를 최적화하는 것이다. 이를 위해서는 robots.txt, sitemap.xml, 메타 태그, 제목 구조, 내부 링크, 콘텐츠 품질, 페이지 속도 등이 중요하다.

robots.txt는 검색엔진 봇에게 어떤 페이지를 크롤링해도 되는지 알려주는 파일이고, sitemap.xml은 사이트에 어떤 페이지들이 있는지 정리해주는 지도 역할을 한다. 검색엔진은 이런 정보를 바탕으로 사이트를 수집하고 인덱싱한다. 따라서 웹 서비스를 만들 때는 기능만 구현하는 것이 아니라 검색엔진이 내 서비스를 발견하고 이해할 수 있는 구조도 함께 만들어야 한다.

GEO는 Generative Engine Optimization의 약자로 생성형 엔진 최적화를 의미한다. 이는 ChatGPT, Claude, Gemini 같은 생성형 AI가 내 웹사이트의 정보를 잘 이해하고 답변에 활용할 수 있도록 최적화하는 전략이다. 과거에는 사용자가 궁금한 것을 구글에 검색했다면 이제는 생성형 AI에게 직접 질문하는 경우가 늘어나고 있다. 따라서 앞으로는 검색엔진뿐만 아니라 AI가 내 콘텐츠를 신뢰할 수 있는 정보로 인식하도록 만드는 것도 중요해질 수 있다. 블로그나 콘텐츠 기반 서비스를 운영한다면 명확한 제목, 구조화된 설명, 신뢰 가능한 정보, 일관된 주제성이 더 중요해질 것이라고 느꼈다.

AARRR은 사용자가 들어와서 매출이 되기까지의 전체 여정을 보는 성장 프레임워크다

AARRR은 서비스 성장 과정을 다섯 단계로 나누어 분석하는 프레임워크다. Acquisition, Activation, Retention, Referral, Revenue의 앞 글자를 딴 말이다. 한국어로는 획득, 활성화, 유지, 추천, 매출 정도로 이해할 수 있다. 이 프레임워크가 중요한 이유는 서비스가 성장하지 않는 원인을 단계별로 찾아볼 수 있기 때문이다.

Acquisition은 사용자가 처음 서비스를 알게 되고 들어오는 단계다. 검색, 광고, 블로그, SNS, 추천 링크 등을 통해 유입이 발생한다. 이 단계에서는 “사람들이 우리 서비스를 어떻게 발견하는가”가 중요하다. Activation은 사용자가 서비스의 핵심 가치를 처음 경험하는 단계다. 단순히 사이트에 들어온 것이 아니라 실제로 “이 서비스 쓸 만하다”고 느끼는 순간이 있어야 한다. Retention은 사용자가 다시 돌아오는 단계다. 한 번 쓰고 끝나는 것이 아니라 반복적으로 사용하는지 확인해야 한다. Referral은 만족한 사용자가 다른 사람에게 서비스를 추천하는 단계다. Revenue는 최종적으로 결제나 광고 수익 등 매출이 발생하는 단계다.

AARRR을 적용하면 서비스 문제를 더 명확하게 볼 수 있다. 예를 들어 방문자는 많은데 가입자가 적으면 Activation에 문제가 있을 수 있다. 가입자는 많은데 다시 돌아오지 않으면 Retention 문제다. 사용자는 만족하는데 매출이 없다면 Revenue 모델을 다시 봐야 한다. 결국 AARRR은 막연히 “서비스가 잘 안 된다”고 생각하는 대신, 어느 단계가 막혔는지 진단하게 해주는 도구다.

K-팩터는 서비스가 사용자 추천을 통해 얼마나 확산되는지 보여주는 지표다

K-팩터는 바이럴 성장을 측정하는 지표다. 쉽게 말해 사용자 한 명이 평균적으로 몇 명의 새로운 사용자를 데려오는지를 나타낸다. 계산식은 “고객당 보낸 초대 수 × 초대당 전환율”이다. 예를 들어 한 명의 사용자가 평균 4명에게 초대 링크를 보내고, 그중 25%가 가입한다면 K-팩터는 1이 된다. 사용자가 한 명 들어올 때마다 새로운 사용자 한 명이 추가로 들어오는 구조라는 뜻이다.

K-팩터가 1보다 크면 이론적으로 서비스는 바이럴하게 성장할 수 있다. 한 명이 한 명 이상을 데려오기 때문이다. 반대로 K-팩터가 1보다 작으면 사용자 수는 자연스럽게 줄어들 수 있다. 물론 현실에서는 이탈률, 시장 크기, 유입 채널 등 다양한 요소가 함께 작용하지만, K-팩터는 서비스가 사람들 사이에서 얼마나 공유될 만한지를 판단하는 데 유용하다.

이 개념을 읽으며 서비스 안에 공유 구조를 의도적으로 설계해야 한다는 생각이 들었다. 사용자가 좋다고 느끼기만 해서는 부족하다. 쉽게 공유할 수 있는 버튼, 초대 보상, 결과물 공유, 친구와 함께 쓰는 기능 등 추천이 자연스럽게 일어나는 장치를 만들어야 한다.

AI 서비스에서는 프론트엔드, 서버리스 백엔드, API, 데이터베이스 구조를 이해해야 한다

책에서는 실제 AI 서비스를 만들기 위한 기본 구조도 설명한다. 사용자는 웹 화면, 즉 프론트엔드를 통해 서비스를 이용한다. 프론트엔드는 React 같은 기술로 만들 수 있으며, 사용자가 입력한 내용을 받아 서버로 보내고 결과를 화면에 보여주는 역할을 한다. 하지만 OpenAI API 같은 외부 AI 서비스를 사용할 때는 프론트엔드에서 직접 API를 호출하면 안 된다. API 키가 사용자에게 노출될 수 있기 때문이다.

API 키는 외부 서비스를 사용할 수 있는 비밀 열쇠와 같다. 이 키가 노출되면 다른 사람이 내 계정으로 API를 사용해 비용을 발생시킬 수 있다. 따라서 프론트엔드와 AI API 사이에는 백엔드가 필요하다. 이 책에서는 서버리스 백엔드를 활용하는 방식을 설명한다. 서버리스는 서버가 아예 없다는 뜻이 아니라, 개발자가 서버를 직접 관리하지 않아도 요청이 들어올 때만 함수가 실행되는 구조를 의미한다. 예를 들어 Cloudflare Functions, Vercel Functions, AWS Lambda 같은 방식이 있다.

서버리스의 장점은 비용 효율성과 관리 편의성이다. 사용자가 없을 때는 거의 비용이 들지 않고, 요청이 있을 때만 실행되기 때문에 초기 MVP에 적합하다. 또한 API 키 같은 민감한 정보를 서버리스 함수 내부에 숨겨둘 수 있어 보안에도 유리하다. 여기에 Supabase 같은 데이터베이스를 연결하면 사용자 정보, 결과 기록, 구독 상태 등을 저장할 수 있다. 결국 AI SaaS의 기본 구조는 사용자의 입력을 프론트엔드가 받고, 서버리스 백엔드가 AI API를 호출하고, 결과와 필요한 데이터를 데이터베이스에 저장하는 흐름으로 이해할 수 있다.

Supabase는 1인 개발자가 백엔드 기능을 빠르게 구현할 수 있게 해주는 BaaS다

Supabase는 이 책에서 회원 관리와 데이터 저장을 위해 사용하는 핵심 도구다. Supabase는 BaaS, 즉 Backend as a Service에 해당한다. BaaS는 백엔드에 필요한 기능을 직접 하나하나 구축하지 않고 서비스 형태로 빌려 쓰는 방식이다. 일반적으로 웹 서비스를 만들려면 데이터베이스, 인증, 파일 저장, 권한 관리 등을 직접 구현해야 한다. 하지만 Supabase를 사용하면 PostgreSQL 기반 데이터베이스, 회원가입과 로그인, 소셜 로그인, 스토리지 등을 한 번에 사용할 수 있다.

데이터베이스는 이름, 이메일, 구독 상태, 사용 기록처럼 구조화된 데이터를 저장하는 곳이다. 반면 스토리지는 이미지, PDF, 프로필 사진, 분석 리포트 같은 파일 데이터를 저장하는 공간이다. 이 둘을 구분하는 것도 중요하다. 예를 들어 사용자의 이메일과 결제 상태는 데이터베이스에 저장하고, 사용자가 업로드한 사진은 스토리지에 저장하는 식이다.

Supabase가 1인 프로덕트 빌더에게 유용한 이유는 백엔드 인프라를 직접 운영하지 않아도 되기 때문이다. 특히 MVP 단계에서는 서버를 직접 구축하고 보안과 인증을 모두 구현하는 것보다 검증된 서비스를 사용해 빠르게 핵심 기능을 만드는 것이 훨씬 현실적이다. 나중에 사용자가 많아지면 구조를 개선하면 되지만, 처음부터 너무 복잡한 백엔드 구조를 만들 필요는 없다.

결제와 구독은 서비스를 프로젝트에서 비즈니스로 바꾸는 단계다

책의 후반부에서는 결제와 구독 시스템을 다룬다. 이 부분이 인상 깊었던 이유는 서비스를 단순히 “만드는 것”에서 끝내지 않고 “돈을 지불할 만큼 가치 있는 제품”으로 바라보게 해주기 때문이다. 많은 개발 프로젝트는 배포에서 끝난다. 하지만 실제 비즈니스는 사용자가 비용을 지불하는 순간부터 시작된다.

결제 시스템에서는 Stripe, Polar 같은 도구가 등장한다. Stripe는 글로벌 결제의 표준에 가까운 서비스지만, 한국에서는 직접 사용하기 어려운 제약이 있다. 그래서 책에서는 MOR이라는 개념을 설명한다. MOR은 Merchant of Record의 약자로, 판매 대행사처럼 결제와 세금, 법적 처리 일부를 대신 담당하는 주체다. Polar, Paddle, Lemon Squeezy 같은 서비스가 여기에 해당한다. 1인 개발자 입장에서는 직접 글로벌 결제와 세금 처리를 모두 감당하기 어렵기 때문에, MOR을 활용하면 비교적 쉽게 해외 결제를 받을 수 있다.

구독 모델은 한 번 결제하고 끝나는 구조가 아니라 매달 반복적으로 매출이 발생하는 구조다. SaaS에서는 MRR과 ARR이라는 지표가 중요하다. MRR은 Monthly Recurring Revenue, 즉 월간 반복 매출이고, ARR은 Annual Recurring Revenue, 즉 연간 반복 매출이다. 예를 들어 월 1만 원짜리 구독자가 100명 있다면 MRR은 100만 원이고, 단순 계산한 ARR은 1200만 원이다. 구독 모델이 중요한 이유는 매출 예측이 가능하고, 사용자가 계속 가치를 느끼는 한 안정적인 현금 흐름을 만들 수 있기 때문이다.

CAC와 LTV는 서비스가 돈을 벌 수 있는 구조인지 판단하는 핵심 지표다

구독 서비스에서 중요한 개념으로 CAC와 LTV가 나온다. CAC는 Customer Acquisition Cost의 약자로 고객 한 명을 데려오는 데 드는 비용이다. 예를 들어 광고비 10만 원을 써서 유료 고객 10명을 확보했다면 CAC는 1만 원이다. LTV는 Lifetime Value의 약자로 고객 한 명이 서비스를 사용하는 전체 기간 동안 만들어줄 것으로 예상되는 총수익이다. 예를 들어 월 1만 원을 내는 고객이 평균 6개월 동안 구독을 유지한다면 LTV는 6만 원이다.

비즈니스가 성장하려면 기본적으로 LTV가 CAC보다 커야 한다. 고객 한 명을 데려오는 데 1만 원이 들고, 그 고객이 총 6만 원을 결제한다면 광고를 늘릴수록 이익이 커질 수 있다. 반대로 CAC가 5만 원인데 LTV가 2만 원이라면 사용자를 데려올수록 손해가 난다. 그래서 가격을 정할 때는 단순히 “이 정도면 사람들이 사겠지”라고 생각하는 것이 아니라, 고객 획득 비용, 유지 기간, 월 구독료, 이탈률을 함께 고려해야 한다.

앱 확장은 웹 서비스를 더 많은 사용자에게 전달하기 위한 선택지다

책에서는 웹 서비스를 모바일 앱으로 확장하는 방법도 다룬다. 앱을 만드는 방식에는 네이티브 앱, 크로스 플랫폼 앱, 하이브리드 앱, PWA가 있다. 네이티브 앱은 iOS는 Swift, Android는 Kotlin처럼 각 운영체제에 최적화된 방식으로 만드는 앱이다. 성능이 좋고 운영체제 기능을 깊게 활용할 수 있지만, iOS와 Android를 각각 개발해야 하므로 비용과 시간이 많이 든다.

크로스 플랫폼 앱은 React Native나 Flutter처럼 하나의 코드베이스로 iOS와 Android 앱을 함께 만드는 방식이다. 일반적인 비즈니스 앱이나 서비스 앱에는 효율적인 선택이 될 수 있다. 하이브리드 앱은 앱 안에 웹뷰를 띄워 기존 웹 서비스를 앱처럼 보여주는 방식이다. 이미 웹 서비스가 있다면 빠르게 앱으로 확장할 수 있지만, 단순히 웹사이트를 감싼 형태라면 앱스토어 심사에서 거절될 수 있다. PWA는 Progressive Web App의 약자로, 웹사이트를 앱처럼 홈 화면에 설치해 사용할 수 있게 하는 방식이다. 앱스토어 출시 없이 빠르게 모바일 경험을 제공할 수 있지만, 앱스토어에 등록되는 정식 앱은 아니다.

엑시트 전략의 본질은 결국 PMF를 달성한 제품을 만드는 것이다

책의 마지막 부분에서는 현금 흐름 유지, 매각, IPO라는 엑시트 전략을 다룬다. 현금 흐름 유지는 서비스를 통해 꾸준히 매출을 만들며 안정적인 수익을 얻는 방식이다. 매각은 회사 전체나 일부 지분을 다른 기업에 팔아 큰 수익을 실현하는 방식이다. IPO는 회사를 주식시장에 상장해 더 큰 자본을 조달하고 기존 주주가 지분을 현금화할 수 있게 하는 방식이다.

하지만 어떤 엑시트 전략을 선택하든 본질은 PMF다. PMF는 Product-Market Fit의 약자로 제품이 시장의 강한 수요와 맞아떨어진 상태를 의미한다. 쉽게 말하면 사용자가 정말 필요로 하고, 계속 사용하며, 돈을 지불할 의향이 있는 제품을 만든 상태다. PMF가 없는 상태에서 마케팅을 늘리거나 결제 기능을 붙이거나 법인을 세워도 큰 의미가 없다. 반대로 PMF가 있다면 현금 흐름 유지, 매각, 투자 유치, IPO 등 다양한 선택지가 생긴다.

결국 이 책이 말하는 전체 흐름은 하나로 정리할 수 있다. AI를 활용해 아이디어를 빠르게 MVP로 만들고, 실제 사용자에게 배포한 뒤, 데이터를 통해 PMF를 찾고, 결제와 구독으로 수익 구조를 만들고, 필요하다면 앱과 글로벌 시장으로 확장하는 것이다. 이 책은 단순한 AI 코딩 도구 사용법을 넘어서, AI 시대에 개발자가 어떻게 프로덕트 빌더이자 창업가로 성장할 수 있는지 보여주는 책이었다.

❗ 책을 덮으며 느낀 변화 (느낌표)

이 책을 읽으며 가장 크게 느낀 점은 AI 시대에 개발자가 단순히 코드를 작성하는 사람을 넘어 프로덕트 빌더이자 창업가로 성장할 수 있는 환경이 빠르게 만들어지고 있다는 사실이었다. 이전에도 ChatGPT, Claude, Cursor 같은 AI 도구들을 활용해본 경험은 있었지만 대부분 기능 구현이나 코드 작성 보조 도구 정도로만 생각했던 것 같다. 하지만 이 책은 AI를 단순한 개발 도구가 아니라 서비스 기획, 디자인, 마케팅, 데이터 분석, 결제 시스템 구축, 구독 모델 설계, 글로벌 확장까지 연결하는 하나의 사업 파트너처럼 활용하는 과정을 보여주었다.

특히 인상 깊었던 점은 서비스를 만드는 과정을 매우 현실적인 순서로 설명하고 있다는 것이었다. 아이디어를 떠올리고, MVP를 만들고, 사용자의 반응을 확인하고, 데이터를 분석하며 개선하고, 결제와 구독 시스템을 도입하고, 이후 앱으로 확장하고 글로벌 시장까지 진출하는 흐름을 따라가다 보니 실제로 하나의 IT 비즈니스가 성장하는 과정을 간접적으로 경험하는 느낌을 받을 수 있었다. 개발 공부를 하면서 웹 서비스나 앱을 만들어본 경험은 있었지만 대부분 구현 자체에 집중했을 뿐 그 이후의 성장, 수익화, 운영, 확장에 대해서는 깊게 생각해본 적이 많지 않았다. 이 책은 서비스를 만드는 것과 사업을 만드는 것이 어떻게 연결되는지를 보여주었다.

또한 다양한 AI 도구와 서비스들을 직접 실습하며 사용해본 것도 큰 도움이 되었다. 수파베이스, 스트라이프, 폴라, 클라우드플레어, 구글 애널리틱스, 마이크로소프트 클래리티 등 실제 서비스 개발과 운영에 사용되는 도구들을 접하면서 앞으로 내가 서비스를 만들게 된다면 어떤 기술 스택과 도구들을 활용할 수 있을지 감을 잡을 수 있었다. 단순히 개념만 설명하는 것이 아니라 실제로 따라 해보며 결과를 확인할 수 있었기 때문에 더욱 의미 있는 경험이었다. 무엇보다 이 책을 읽고 나서 다시 한번 확신하게 된 것은 결국 중요한 것은 실행이라는 점이다. 아무리 좋은 아이디어가 있어도 출시하지 않으면 시장의 반응을 알 수 없고 사용자의 문제를 실제로 해결할 수 있는지도 검증할 수 없다. 그동안 나 역시 다양한 아이디어를 떠올리고 기획해왔지만 완벽하게 준비된 뒤 시작하려는 경향이 있었던 것 같다. 하지만 이제는 완벽함을 기다리기보다 작은 MVP라도 먼저 만들어 출시하고, 실제 사용자의 반응을 확인하며 개선해나가는 방식이 훨씬 중요하다는 생각이 든다.

현재 진행하고 있는 앱 출시 프로젝트에도 이 책의 내용들을 적극적으로 적용해보고 싶다. 특히 사용자의 페인포인트를 해결할 수 있는 작은 서비스라도 직접 만들어 시장에 내놓고 데이터와 피드백을 통해 개선해나가는 경험을 해보고 싶다. 개인적으로는 언젠가 구독 모델을 기반으로 하는 서비스를 만들어 반복 매출 구조를 구축하고, 실제로 사용자가 비용을 지불하면서 가치를 얻는 제품을 만들어보고 싶다는 목표도 생겼다. 이 책에서 소개한 내용들을 모두 따라가며 언젠가는 글로벌 사용자를 대상으로 서비스를 운영하고, 수익을 창출하고, 더 나아가 미국 법인 설립까지 경험해볼 수 있다면 정말 의미 있는 도전이 될 것 같다.

다만 한편으로는 AI 시대일수록 개발자로서의 기본기가 더욱 중요하다는 생각도 들었다. AI가 많은 부분을 대신해줄 수는 있지만, 결국 좋은 서비스를 만들기 위해서는 컴퓨터공학의 기본 개념과 원리를 이해하고 있어야 한다. 데이터베이스가 왜 필요한지, 서버와 클라이언트는 어떻게 통신하는지, 보안은 왜 중요한지, 성능 문제는 어떻게 해결해야 하는지와 같은 본질적인 지식은 여전히 개발자의 몫이다. 만약 이러한 기반 지식 없이 AI에게만 의존한다면 결국 무엇을 만들고 있는지도 제대로 이해하지 못한 채 바이브 코딩만 하는 개발자가 될 수 있다는 생각이 들었다.

그래서 이 책을 읽고 난 뒤에는 두 가지 목표가 더욱 분명해졌다. 첫 번째는 AI를 적극적으로 활용하여 실제 서비스를 만들고 출시하는 실행력을 기르는 것이다. 두 번째는 컴퓨터공학 전공자로서 자료구조, 알고리즘, 운영체제, 네트워크, 데이터베이스와 같은 CS 기초를 꾸준히 공부하며 내실을 다지는 것이다. 결국 AI 활용 능력과 탄탄한 기본기가 함께 갖춰질 때 진짜 경쟁력이 생길 수 있다고 생각한다.

이 책은 단순히 읽고 끝나는 책이라기보다 앞으로 서비스를 만들 때마다 다시 펼쳐보게 될 참고서에 가깝다. 언젠가 내가 실제로 서비스를 출시하고 사용자를 모으고 수익을 만들며 성장하는 과정 속에서 이 책의 내용들을 하나씩 적용해볼 수 있기를 기대한다.

총평 및 추천 여부

별점: ★★★★☆ (5점 만점)
이 책을 추천하는 대상: 1인 창업과 SaaS 비즈니스에 관심 있는 사람
한줄평: AI 시대, 개발자가 프로덕트 빌더이자 창업가로 성장하기 위해 알아야 할 실전 로드맵을 담은 책.

[spring jpa] 순수 JPA와 Querydsl 비교

MKISOS — Mon, 8 Jun 2026 05:46:42 +0900

이 글은 인프런 김영한님의 "실전! Querydsl" 강의를 수강하고 정리한 내용이다.

실무에서는 단순 조회를 넘어서, 다양한 검색 조건과 성능 최적화를 동시에 고려해야 한다.

이번 글에서는 순수 JPA 리포지토리와 Querydsl의 차이, 동적 쿼리 작성 방식, 그리고 조회 API 개발 과정을 정리한다.

1. 순수 JPA 리포지토리

순수 JPA를 사용하면 EntityManager를 직접 활용해 쿼리를 작성해야 한다.

public List<Member> findByUsername(String username) {
    return em.createQuery("select m from Member m where m.username = :username", Member.class)
             .setParameter("username", username)
             .getResultList();
}

테스트 코드에서는 단순 CRUD, 조건 조회는 정상 동작하지만, 조건이 많아질수록 코드가 장황해진다.

2. Querydsl 적용

JPAQueryFactory 활용

public List<Member> findByUsername_Querydsl(String username) {
    return queryFactory
            .selectFrom(member)
            .where(member.username.eq(username))
            .fetch();
}

코드가 훨씬 간결하고, 컴파일 시점에 오류를 잡을 수 있다.
스프링 빈으로 JPAQueryFactory를 등록하면 더 깔끔하게 주입받아 사용 가능하다.

@Bean
JPAQueryFactory jpaQueryFactory(EntityManager em) {
    return new JPAQueryFactory(em);
}

※ 스프링이 주입하는 EntityManager는 트랜잭션 단위로 실제 엔티티 매니저를 할당해주므로 동시성 문제는 발생하지 않는다.

3. 동적 쿼리와 성능 최적화

복잡한 검색 조건을 처리하려면 BooleanBuilder와 where 파라미터 방식 두 가지 방법을 사용할 수 있다.

(1) BooleanBuilder 사용

public List<MemberTeamDto> searchByBuilder(MemberSearchCondition condition) {
    BooleanBuilder builder = new BooleanBuilder();
    if (hasText(condition.getUsername())) {
        builder.and(member.username.eq(condition.getUsername()));
    }
    if (hasText(condition.getTeamName())) {
        builder.and(team.name.eq(condition.getTeamName()));
    }
    if (condition.getAgeGoe() != null) {
        builder.and(member.age.goe(condition.getAgeGoe()));
    }
    if (condition.getAgeLoe() != null) {
        builder.and(member.age.loe(condition.getAgeLoe()));
    }
    return queryFactory
            .select(new QMemberTeamDto(
                    member.id,
                    member.username,
                    member.age,
                    team.id,
                    team.name))
            .from(member)
            .leftJoin(member.team, team)
            .where(builder)
            .fetch();
}

(2) Where 파라미터 방식

public List<MemberTeamDto> search(MemberSearchCondition condition) {
    return queryFactory
            .select(new QMemberTeamDto(
                    member.id,
                    member.username,
                    member.age,
                    team.id,
                    team.name))
            .from(member)
            .leftJoin(member.team, team)
            .where(
                usernameEq(condition.getUsername()),
                teamNameEq(condition.getTeamName()),
                ageGoe(condition.getAgeGoe()),
                ageLoe(condition.getAgeLoe())
            )
            .fetch();
}

private BooleanExpression usernameEq(String username) {
    return hasText(username) ? member.username.eq(username) : null;
}

장점: 조건 메서드를 재사용 가능.
조건이 null이면 무시되므로 코드가 깔끔하다.

4. 조회 API 컨트롤러 개발

조회용 API를 만들 때는 DTO를 반환하는 것이 권장된다.

@RestController
@RequiredArgsConstructor
public class MemberController {

    private final MemberJpaRepository memberJpaRepository;

    @GetMapping("/v1/members")
    public List<MemberTeamDto> searchMemberV1(MemberSearchCondition condition) {
        return memberJpaRepository.search(condition);
    }
}

샘플 데이터를 100건 넣고 Postman에서 테스트하면, 조건에 맞는 결과만 필터링된다.

http://localhost:8080/v1/members?teamName=teamB&ageGoe=31&ageLoe=35

→ teamB 소속, 나이 31~35세 회원만 결과로 조회된다.

정리

순수 JPA는 코드가 장황하고 유지보수가 어렵다.
Querydsl은 타입 안전성, 가독성, 유지보수성에서 큰 장점을 가진다.
동적 쿼리는 BooleanBuilder와 where 파라미터 방식을 상황에 맞게 선택한다.
API 계층에서는 DTO를 반환하여 성능 최적화와 확장성까지 고려한다.

→ 실무에서는 기본 조회는 스프링 데이터 JPA로, 복잡한 검색과 최적화 조회는 Querydsl로 처리하는 조합이 가장 효과적이다.

[주간회GO 26년 6월 1주차] 지방선거, 환율 박살, 금요일 하락장, 평범한 루틴

MKISOS — Sun, 7 Jun 2026 22:24:36 +0900

[주간회GO 26년 6월 1주차]

26년 6월 1주차

벌써 6월이다.
어제 5/30,31 서울 여행 야무지게 맛난 거 먹고 좋은 경험하고 좋은 사람들과 좋은 시간보냈으니 이제 여름 휴가까지 쭈욱 열심히 달리면 될 거 같다. 돈도 더 아껴서 투자로 돌려보고 공부도 해서 결과로 좀 전환하는 시간을 가지고 싶다.

복학까지 92일 100일이 깨졌다. 사실 100일은 중요하지 않다. 남은 시간 충분히 많고 많은 걸 해낼 수 있을 거라는 생각이 든다.

---

이번주는 수요일에 지방선거가 있어서 그런지 시간이 굉장히 빨리갔다. 주 4일제가 이렇게 행복하다니,,,

근데 그만큼 평소하는 공부나 루틴 업무(?)가 줄어들었다. 휴일에는 독서말고는 요즘 뭔가 따로 공부가 하기가 싫다.

다음주부터는 지옥주를 오랜만에 도입해서 빡세게 살아봐야겠다.

26년 6월 1일 월요일

5월 하루 공백.
6월은 체력이 될 지 모르겠지만 목표는 다 채워봐야지

여름이라 애들이 빠싹 빠싹 마르는 느낌 ㅜㅜ
밥 먹고 졸다가 산책까지
너무 들어가기 싫었다…

카카오에서 결제해주심 무려 1년 동안 해주신다고 ㄷㄷ

복리의 힘이 진짜 대단하구나…
돈도 돈이지만 시간의 힘

무려 309분 ㄷㄷ

26년 6월 2일 화요일

6월 작심 이틀 성공

예약함. 돈 때문에 고민이라 상담 + 견적만 볼 예정 두 곳 다 대학교 제휴라서 하루 날잡고 오전 오후 잡았다.

요즘 일상이 카카오⭐️
커피 구청 커피만 마시니까 바로 깊티 판매 후 현금화해서
투자로 돌렸다. 이렇게 소액 돌린 금액만 해도 아이폰 하나 너오더라 ㄷㄷ
예전에는 적은 돈은 너무 무시했는데 티끌모아태간 괜히 있는 말 아님.

엄마가 이쁘다고 한 집 근처 집인데 리모델링 ㄷㄷ
얼마나 더 이뻐질까

이번달 서평단은 ~~ 강의 언젠가 들어야지 했는데 책으로 받았다~

사송갔다가 투표소 만들고 있길래 구경했다.

수업다녀옴;;; 숙제도 안해오고 이해도 못해서 오늘 진짜 너무 힘들었다. 애는 착한데 숙제를 너무 안함.

26년 6월 3일 수요일

그냥 나임 ㅋㅋㅋㅋㅋ

휴일이라 늦게 헬스장오니 사람들 개애애애 많아짐 ㅠ
+ 새 기구 또 들어옴. 요즘 투자를 많이 하시는 것 같다. 유튜브 활동도 그렇고

운동끝나고 투표완
운동복입고 구청 주사님들 만나서 인사드려서 민망 ㅠㅠ

오늘은 노트북 구청에 두고 온 이슈로 강제 휴식했다
OMBC 개꿀잼 ㄷㄷ

나의 고향 대구

26년 6월 4일 목요일

아침부터 선거 개표에

운동에

환율 주식 코인에 바빴네.

저번에 지갑 잃어버리고 다시 재발급받았다. 최고의 입출금카드 카뱅카드 경마로 딴 돈 드디어 계좌에 넣었네. 투자로 돌리겠습니다.

스티치ai 첫경험 신기한 거 많네

망고수박 먹으면서 주사님들이랑 주식 비트코인 인사이동 이야기 했다. 주사님들 거리낌없이 막말해서 웃겨죽는 줄 알았다. 물론 앞에서 표정관리하느라 고생했다.

과외학생의 선물
선물도 고맙지만 숙제를 좀 더 해오길

현성이 qld입문 ㄷㄷ

26년 6월 5일 금요일

오운완
원판정리 물마시러갔다가 까먹어서 “회원님 정리 부탁드려요” 소리 들음;; 민망

진짜 우짜면 좋노;;;;;

과연 이건 끝까지 잘 진행할 수 있을까?

오늘 고생했다 다음주 자동차세 납부 시작이라 이제 또 바쁘겠지,,,

진짜 … 뭐야 ㅋㅋㅋㅋㅋㅋㅋ
아니 10일날 환전하는 날인데,,,

요즘 꿀잼 책 읽는다고 정신없음. 휴식시간 반납임.

바퀴 등장 진짜 쫄았지만 걍 바로 잡아서
바퀴를 변기에 넣고 내렸다 ㅎㅎ

26년 6월 6, 7일 토,일요일 주말

오랜만에 하락장 씨게와서 좀 더 일찍 5시전에 일어나서 장마감 지켜봤다. 좀 대응하고 다음주 재밌어질 것 같다.
하루 사이 금융자산이 100만원 넘게 빠졌네

새벽에 쿠팡 도착하자마자 바로 집안 곳곳에 혹시 몰라 12개 다 설치했다.

그리고 운동가서 웨이트하고 헬스장 아무도 없어서 그냥 유산소하면서 딘딘 벤쿠버 배속으로 몰아봤다. 꿀잼임 ㄷㄷ

운동 끝나고 급발진 편의점 쇼핑하고
집와서 집 청소 + 선풍기 청소하고 휴식~

하루도 집 밖을 안나간적이 없다
운동아니면 푹 쉴텐데

이거 유명하길래 한 번 사봄.

행복한 주말 끝

내일, 다음주 진짜 무섭, 기대된다

경제금융용어 공부 523 : 중개무역

MKISOS — Sun, 7 Jun 2026 21:00:50 +0900

중개무역

중개무역은 수출자와 수입자 사이의 거래가 제3국 상인의 중개를 통해 이루어지는 무역 형태이다. 이때 제3국 상인은 직접 상품을 사고파는 당사자가 아니라 거래를 연결해주는 역할을 하고 수수료를 받는다.

1. 한 줄 정의

중개무역은 제3자가 거래를 연결하고 수수료를 받는 형태의 무역이다.

2. 기본 개념

중개무역에서는 세 가지 주체가 등장한다.

수출자 (물건을 파는 사람)
수입자 (물건을 사는 사람)
중개자 (거래를 연결하는 사람)

중개자는 물건을 직접 소유하지 않는다.

즉
“거래만 연결하고 수수료를 받는다”

3. 거래 구조

중개무역은 다음과 같은 흐름으로 이루어진다.

수출자와 수입자가 존재
중개자가 거래를 연결
상품은 직접 이동 (수출자 → 수입자)
중개자는 수수료만 수취

즉 상품은 보통 제3국을 거치지 않고 바로 이동한다.

4. 대금 결제 구조

결제 방식은 두 가지가 존재한다.

4-1. 직접 결제

수입자 → 수출자 직접 지급
중개자 → 수수료만 수취

4-2. 간접 결제

수출자 → 중개자
중개자 → 수입자

하지만 일반적으로는 간접 결제 구조가 많이 사용된다.

5. 중개무역 vs 중계무역 차이

이 개념에서 가장 중요한 포인트이다.

중개무역

제3자는 단순 중개자
수수료만 받음
물건 소유하지 않음

중계무역

제3자가 거래 당사자
물건을 사고 다시 판매
매매차익 발생

즉
중개 = 연결
중계 = 직접 거래

6. 쉽게 이해하는 예시

한국 기업 A가 물건을 생산하고, 미국 기업 B가 구매한다고 가정

중국 상인 C가 거래를 연결

A → B로 물건 이동
C는 연결만 하고 수수료 받음

→ 이것이 중개무역

7. 왜 존재하는가

중개무역은 다음과 같은 이유로 발생한다.

시장 정보 부족
언어 및 문화 장벽
거래 네트워크 필요

즉 중개자는 ‘정보와 네트워크’를 제공한다.

8. 경제적 의미

중개무역은 국제무역의 효율성을 높인다.

거래 비용 감소
시장 연결 확대
정보 비대칭 해소

즉 글로벌 거래를 더 쉽게 만든다.

9. 정리

중개무역은 제3자가 거래를 연결하고 수수료를 받는 무역 형태이다.

상품은 직접 이동하며, 중개자는 거래 당사자가 아니라 연결자 역할을 수행한다.

경제금융용어 공부 522 : 중간소비

MKISOS — Sat, 6 Jun 2026 21:00:33 +0900

중간소비

중간소비(intermediate consumption)는 재화나 서비스를 생산하는 과정에서 투입되어 소진되는 원재료, 에너지, 서비스 등의 사용을 의미한다. 즉 ‘다른 것을 만들기 위해 쓰고 사라지는 소비’이다.

1. 한 줄 정의

중간소비는 생산 과정에서 투입되어 사라지는 재화와 서비스의 소비이다.

2. 기본 개념

생산 활동에는 다양한 투입이 필요하다.

원재료
전기·가스 등 에너지
운송·용역 서비스

이러한 투입은 제품을 만들면서 대부분 소진된다.

→ 이것이 중간소비이다.

3. 쉽게 이해하는 예시

기업의 경우

빵집이 밀가루, 설탕을 구매 → 빵 생산에 사용 → 소진
→ 중간소비

개인의 경우

사람이 빵을 구매해서 먹음
→ 최종소비

즉 ‘누가, 어떤 목적’으로 쓰느냐가 핵심이다.

4. 최종소비와의 차이

같은 재화라도 용도에 따라 구분된다.

기업이 생산용으로 사용 → 중간소비
개인이 소비용으로 사용 → 최종소비

예시

비누
- 공장에서 직원용 → 중간소비
- 가정에서 사용 → 최종소비

5. 자본형성과의 차이

중간소비는 자본형성과도 구분된다.

중간소비: 회계기간 내 소진
자본형성: 장기간 사용되며 가치 창출

예시

원재료 → 중간소비
기계 설비 → 자본형성

6. 국민계정에서의 역할

중간소비는 GDP 계산에서 중요한 요소이다.

GDP(부가가치 기준) = 총생산 - 중간소비

즉
‘중복 계산을 제거하는 핵심 개념’

7. 왜 중요한가

중간소비를 구분하지 않으면 동일한 생산이 여러 번 계산된다.

예시

철강 → 자동차 → 소비

철강과 자동차를 모두 합산하면 중복 발생

→ 중간소비를 제외하여 정확한 생산만 측정

8. 경제적 의미

중간소비는 산업 간 연결 구조를 보여준다.

중간소비 많음 → 산업 간 연계 강함
중간소비 적음 → 독립적 생산 구조

즉 산업 구조 분석에 활용된다.

9. 정리

중간소비는 생산 과정에서 투입되어 소진되는 재화와 서비스이다.

최종소비 및 자본형성과 구분되며, GDP 계산과 산업 구조 분석에서 핵심적인 역할을 하는 개념이다.

경제금융용어 공부 521 : 주택저당증권(MBS)

MKISOS — Fri, 5 Jun 2026 21:00:00 +0900

주택저당증권(MBS)

주택저당증권(MBS; Mortgage-Backed Securities)은 주택담보대출(모기지)을 기초자산으로 하여 발행되는 자산유동화증권이다. 쉽게 말해 ‘집 담보 대출을 묶어서 만든 투자 상품’이다.

1. 한 줄 정의

MBS는 주택담보대출을 모아 증권으로 만든 금융상품이다.

2. 기본 개념

은행은 개인에게 주택담보대출을 해준다.

이 대출은 시간이 지나면서 이자와 원금이 들어오는 ‘현금흐름’을 만든다.

이때 은행은 이 대출들을 모아서 하나의 상품으로 만들어 투자자에게 판매한다.

이것이 바로 MBS이다.

3. 구조 이해 (중요)

MBS는 다음과 같은 구조로 만들어진다.

은행이 주택담보대출 실행
대출을 특수목적기구(SPC)에 넘김
SPC가 MBS 발행
투자자가 MBS 구매
대출 상환금 → 투자자에게 지급

즉
“대출 → 증권 → 투자상품” 구조이다

4. 시장 구조

MBS 시장은 3단계로 나뉜다.

4-1. 1차 시장

개인이 은행에서 주택담보대출 받는 시장

4-2. 2차 시장

은행이 대출을 모아 유동화하는 시장

4-3. 자본시장

MBS가 투자자에게 판매되고 거래되는 시장

5. 일반 채권과의 차이

일반 채권
→ 기업이 직접 원리금 상환

MBS
→ 기초자산(대출)의 현금흐름으로 상환

즉
“회사 신용이 아니라 대출 흐름이 핵심”

6. 주요 특징

6-1. 자산 기반 구조

주택담보대출이 기반이 된다.

6-2. 현금흐름 기반

대출 상환금이 투자 수익으로 연결된다.

6-3. 금융기관 리스크 분산

은행은 대출을 팔아 위험을 줄일 수 있다.

7. 핵심 리스크 (중요)

조기상환위험 (Prepayment Risk)

금리가 하락하면
→ 사람들이 대출을 빨리 갚음
→ 투자자는 예상보다 빨리 돈을 받음

문제
→ 장기 투자 계획이 깨짐
→ 재투자 필요 발생

반대로

금리 상승 시
→ 대출 상환 늦어짐
→ 투자 기간 길어짐

즉
“기간이 예측대로 움직이지 않는다”

8. 은행 입장에서의 효과

은행이 MBS를 활용하면

대출을 팔아서 자금 확보
새로운 대출 가능
위험자산 감소
→ BIS 비율 개선

즉 은행 자금 운영이 훨씬 유연해진다.

9. 우리나라 구조

한국에서는 다음 구조로 운영된다.

은행 → 주택담보대출 실행
한국주택금융공사 → MBS 발행
투자자 → 매입

즉 정부기관이 중요한 역할을 한다.

10. 경제적 의미

MBS는 금융시장을 크게 변화시켰다.

대출을 투자상품으로 전환
자금 흐름 확대
금융시장 규모 증가

하지만

2008 금융위기의 핵심 원인 중 하나이기도 하다

11. 정리

MBS는 주택담보대출을 모아 만든 자산유동화증권이다.

은행은 자금을 회수하고 투자자는 수익을 얻는 구조이며, 금융시장 확장에 중요한 역할을 하지만 조기상환위험 등 특수한 리스크를 가진 금융상품이다.

원달러 환율 1,542원, 정말 달러가 강한 걸까? 현재 환율 상황 (2026.06.05)

MKISOS — Fri, 5 Jun 2026 10:25:54 +0900

환율이 1,542원인데 왜 달러인덱스는 99일까?

최근 원달러 환율이 1,542원 수준까지 올라오면서 많은 사람들이 이렇게 이야기한다.

"달러가 너무 강해졌다."

나 역시 처음에는 그렇게 생각했다.

하지만 실제로 달러의 전 세계적인 강세를 나타내는 대표 지표인 달러인덱스(DXY)는 현재 약 99 수준이다.

보통

90 이하 → 달러 약세
100 전후 → 평균 수준
110 이상 → 달러 강세

정도로 해석한다.

즉 현재 달러는 역사적으로 봤을 때 특별히 강한 수준이 아니다.

그런데 왜 원달러 환율은 1,542원까지 올라왔을까?

여러 국가 환율을 비교해보자

2026년 6월 5일 기준 확인한 주요 통화는 다음과 같다.

1달러 = 0.86유로
1달러 = 0.75파운드
1달러 = 6.78위안
1달러 = 31.53대만달러
1달러 = 1.29싱가포르달러
1달러 = 159.92엔
1달러 = 1,542원

처음에는 모든 국가가 달러 때문에 힘들다고 생각했다.

하지만 자세히 보니 유럽 통화는 비교적 안정적이고, 중국 위안화, 대만달러, 싱가포르달러도 크게 무너진 모습은 아니었다.

반면

일본 엔화
한국 원화

는 눈에 띄게 약세를 보이고 있었다.

이번에 깨달은 점

환율이 오른다고 무조건 달러가 강한 것은 아니다.

환율은

달러 가치 ÷ 원화 가치

로 결정된다.

즉

달러가 강해져도 환율은 오른다.
원화가 약해져도 환율은 오른다.

이번 상황은 후자에 더 가까워 보였다.

달러가 강해서라기보다 원화가 약한 것이다.

일본 엔화는 왜 약할까?

일본은 오랫동안 초저금리 정책을 유지해 왔다.

그래서 투자자들은

엔화를 빌리고
미국 자산에 투자하는

'엔캐리 트레이드'를 지속적으로 활용했다.

이 구조 때문에 엔화는 오랫동안 약세 압력을 받아왔다.

최근 160엔 수준까지 올라온 것도 이러한 영향이 크다.

즉 엔화 약세는 일본만의 특수한 구조적 원인이 존재한다.

그렇다면 한국 원화는 왜 약할까?

이번에 찾아보며 알게 된 원인은 크게 네 가지였다.

1. 미국 자산 투자 열풍

한국 투자자들이

미국 주식
미국 ETF
미국 채권

을 대규모로 매수하고 있다.

미국 자산을 사기 위해서는 원화를 달러로 바꿔야 한다.

즉 달러 수요가 지속적으로 증가한다.

2. 외국인 자금 유출

외국인이 한국 주식을 매도하면 원화를 달러로 환전해서 해외로 가져간다.

이 과정 역시 원화 약세를 만든다.

3. 미국과의 금리 차이

돈은 수익률이 높은 곳으로 이동한다.

미국 금리가 높고 한국 금리가 상대적으로 낮다면 달러 자산이 더 매력적으로 보일 수 있다.

4. 지정학적 리스크

글로벌 금융시장이 불안해질 때 원화는 안전자산으로 취급받지 못하는 경우가 많다.

그렇다면 지금은 아시아 전체의 문제일까?

처음에는

"아시아 전체가 약한가?"

라고 생각했다.

하지만 위안화, 대만달러, 싱가포르달러는 비교적 안정적이었다.

오히려

원화
엔화

가 유독 약했다.

따라서 현재 상황은

달러 초강세

보다는

한국과 일본 통화의 상대적 약세

로 해석하는 것이 더 적절해 보인다.

이번 공부를 통해 얻은 교훈

환율 상승 = 달러 강세 라고 단순하게 생각했다.

하지만 이번에 공부하면서 환율을 볼 때는

달러인덱스
유로
파운드
위안화
대만달러
엔화
원화

를 함께 비교해야 한다는 것을 알게 되었다.

경제는 항상 상대적이다.

원달러 환율 하나만 보면 달러가 강해 보인다.

하지만 여러 국가의 통화를 함께 비교해보면 현재 상황은

"달러가 너무 강하다"

보다는

"한국 원화와 일본 엔화가 유독 약하다"

에 더 가까워 보인다.

앞으로도 환율을 볼 때는 숫자 하나만 보지 않고 여러 국가 통화를 함께 비교하는 습관을 가져야겠다.

경제금융용어 공부 520 : 주식시장

MKISOS — Thu, 4 Jun 2026 21:00:43 +0900

주식시장

주식시장은 기업의 지분을 나타내는 유가증권인 ‘주식’이 발행되고 거래되는 시장이다. 기업은 자금을 조달하고, 투자자는 수익을 추구하는 대표적인 자본시장이다.

1. 한 줄 정의

주식시장은 기업의 주식이 발행·거래되는 자본시장이다.

2. 시장의 두 축: 발행시장 vs 유통시장

주식시장은 기능에 따라 두 시장으로 나뉜다.

2-1. 발행시장(Primary Market)

기업이 새 주식을 처음으로 발행해 투자자로부터 자금을 조달하는 시장이다.

기업공개(IPO)
유상증자

참여자

발행인(기업)
투자자
인수인(증권사)

핵심 역할
→ 기업에 ‘새 돈’이 들어온다

2-2. 유통시장(Secondary Market)

이미 발행된 주식이 투자자들 사이에서 거래되는 시장이다.

핵심 역할

환금성 제공(언제든 사고팔 수 있음)
가격 발견(수요·공급으로 공정가격 형성)

3. 우리나라 주식시장 구조

장내시장(거래소)

유가증권시장(코스피)
코스닥시장
코넥스시장

장외시장

K-OTC 시장(비상장주 거래)

4. 상장(IPO)의 의미

주식이 거래소에서 거래되려면 ‘상장’이 필요하다.

상장 요건(요지)

일정 기간의 영업실적
기업 규모
주식 분산
재무 건전성

상장은 기업이 공개적으로 자금을 조달하는 출발점이다.

5. 거래 흐름

개인 투자자 관점의 흐름

투자자가 증권사(투자중개업자)에 주문
주문이 거래소로 전달
매수·매도 매칭으로 체결
결제(T+2/3) → 예탁결제원 통해 처리

※ 국내는 일반적으로 매매일 이후 2영업일(T+2) 결제 체계

6. 왜 중요한가

주식시장은 경제의 핵심 인프라다.

기업: 장기 자금 조달(직접금융)
투자자: 자산 증식 기회
경제: 자본의 효율적 배분

7. 주가지수와의 관계

주식시장의 흐름은 주가지수로 요약된다.

코스피: 대형주 중심 시장 지표
코스닥: 성장주/중소형주 지표

→ 주식시장은 ‘경제 기대’를 반영하는 선행적 성격을 가진다.

8. 경제적 의미

주식시장은 다음을 동시에 반영한다.

기업 실적 기대
금리 환경
재정·통화정책
글로벌 자금 흐름

즉 ‘현재 + 미래 기대’가 가격에 반영되는 시장이다.

9. 정리

주식시장은 기업이 자금을 조달하고 투자자가 거래하는 핵심 자본시장이다.

발행시장과 유통시장으로 구성되며, 가격 형성과 자금 배분을 통해 경제 전반의 효율성을 높이는 역할을 한다.

경제금융용어 공부 519 : 주당순이익(EPS)

MKISOS — Wed, 3 Jun 2026 21:00:05 +0900

주당순이익(EPS)

주당순이익(EPS; Earnings Per Share)은 기업이 일정 기간 동안 벌어들인 순이익을 발행주식수로 나눈 값으로, ‘주식 1주가 얼마나 이익을 만들어냈는지’를 보여주는 핵심 지표이다.

1. 한 줄 정의

EPS는 기업의 순이익을 주식 수로 나눈 값으로, 1주당 수익성을 나타낸다.

2. 계산식

EPS = 당기순이익 / 발행주식수

당기순이익: 손익계산서상의 최종 이익(계속사업 + 중단사업 반영)
발행주식수: 해당 기간 유통된 주식 수(가중평균 사용 가능)

3. 쉽게 이해하는 예시

당기순이익: 100억 원
발행주식수: 1,000만 주

→ EPS = 1,000원

즉, 주식 1주가 1,000원의 이익을 창출했다는 의미이다.

4. 왜 중요한가

EPS는 기업의 ‘수익성’을 가장 직관적으로 보여준다.

EPS ↑ → 이익 증가 → 기업 가치 상승 기대
EPS ↓ → 이익 감소 → 가치 훼손 우려

따라서 주가에 직접적인 영향을 준다.

5. 주가와의 관계 (PER 연결)

EPS는 PER 계산의 핵심 변수다.

PER = 주가 / EPS

→ 같은 주가라도 EPS가 높으면 PER는 낮아져 ‘저평가’로 해석될 수 있다.

6. EPS를 변화시키는 요인

6-1. 이익 증가

매출 확대, 비용 절감 등으로 순이익이 늘면 EPS 상승

6-2. 주식 수 변화

유상증자/CB 전환 → 주식 수 증가 → EPS 하락(희석)
자사주 소각 → 주식 수 감소 → EPS 상승

7. 희석 EPS(중요)

전환사채(CB), 스톡옵션 등 잠재 주식이 있는 경우, 향후 주식 수가 늘어날 수 있다.

이를 반영한 보수적 지표가 희석 EPS이다.

→ 투자 시 기본 EPS와 함께 확인 필요

8. 해석 시 주의점

일회성 이익(자산 매각 등)에 의해 EPS가 왜곡될 수 있음
산업 특성에 따라 적정 수준이 다름
단기 수치보다 ‘성장 추세’가 중요

9. 경제적 의미

EPS 증가는 다음을 시사한다.

기업 경쟁력 강화
시장 지배력 확대
배당 여력 증가

산업 전체 EPS 상승은 기술 혁신과 업황 개선을 의미하기도 한다.

10. 정리

EPS는 기업이 1주당 얼마나 이익을 창출했는지를 보여주는 핵심 수익성 지표이다.

PER 등 다른 지표와 결합해 기업 가치와 주가의 적정성을 판단하는 데 활용된다.

경제금융용어 공부 518 : 주가지수옵션

MKISOS — Tue, 2 Jun 2026 21:00:05 +0900

주가지수옵션

주가지수옵션(stock index options)은 주가지수를 기초자산으로 하여 미래의 특정 시점에 미리 정한 가격으로 사고팔 수 있는 ‘권리’를 거래하는 파생상품이다.

1. 한 줄 정의

주가지수옵션은 주가지수를 일정 가격에 사고팔 수 있는 권리를 거래하는 파생상품이다.

2. 기본 개념

옵션은 ‘의무’가 아니라 ‘권리’라는 점이 핵심이다.

즉

선물 → 반드시 거래해야 함 (의무)
옵션 → 선택 가능 (권리)

이 때문에 구조가 완전히 다르다.

3. 옵션의 종류

옵션은 두 가지로 나뉜다.

3-1. 콜옵션 (Call Option)

살 수 있는 권리
주가 상승 시 유리

3-2. 풋옵션 (Put Option)

팔 수 있는 권리
주가 하락 시 유리

4. 기본 구조

옵션 거래에는 두 사람이 존재한다.

매수자: 권리를 사는 사람
매도자: 권리를 파는 사람

매수자는 ‘프리미엄(옵션 가격)’을 지불한다.

5. 수익 구조

콜옵션 매수자

주가 상승 → 이익
주가 하락 → 프리미엄만 손실

풋옵션 매수자

주가 하락 → 이익
주가 상승 → 프리미엄만 손실

6. 핵심 특징 (중요)

옵션의 가장 중요한 특징은 비대칭 구조이다.

매수자

손실: 제한됨 (프리미엄)
이익: 무한 가능

매도자

이익: 제한됨 (프리미엄)
손실: 무한 가능

즉
“리스크 구조가 완전히 다르다”

7. 쉽게 이해하는 예시

콜옵션 예시

행사가격: 100
프리미엄: 5

주가 120

→ 이익 = 120 - 100 - 5 = 15

주가 90

→ 손실 = 5 (프리미엄)

8. 선물과의 차이

구분선물옵션

성격	의무	권리
손익	대칭	비대칭
손실	무한	제한 (매수자)

즉 옵션은 더 복잡하지만 유연한 구조이다.

9. 왜 사용하는가

주가지수옵션은 다음 목적으로 사용된다.

위험 헤지
방향성 투자
고수익 전략

특히 기관 투자자들이 많이 활용한다.

10. 경제적 의미

옵션은 시장의 기대와 불확실성을 반영한다.

변동성 증가 → 옵션 가격 상승
시장 불안 → 옵션 수요 증가

즉 금융시장 ‘심리 지표’ 역할도 한다.

11. 정리

주가지수옵션은 주가지수를 일정 가격에 사고팔 수 있는 권리를 거래하는 파생상품이다.

손익 구조가 비대칭적이며, 높은 수익 가능성과 동시에 높은 위험을 가지는 고급 금융상품이다.

경제금융용어 공부 517 : 주가지수선물거래

MKISOS — Mon, 1 Jun 2026 21:00:00 +0900

주가지수선물거래

주가지수선물거래는 코스피200, S&P500과 같은 주가지수를 기초자산으로 하여 미래의 일정 시점에 정해진 가격으로 사고팔 것을 약속하는 파생상품 거래이다. 주식 자체가 아니라 ‘지수의 방향성’에 투자하는 방식이다.

1. 한 줄 정의

주가지수선물거래는 주가지수의 미래 가격을 대상으로 매매하는 파생상품 거래이다.

2. 기본 개념

주가지수선물은 실제 주식을 사고파는 것이 아니라 ‘지수’에 투자한다.

즉

주식 → 기업 투자
주가지수선물 → 시장 전체 방향 투자

또한 증거금만으로 거래가 가능하기 때문에 레버리지 효과가 발생한다.

3. 왜 사용하는가

주가지수선물은 다음과 같은 목적에서 사용된다.

위험 회피 (헤지)
수익 추구 (투기)
가격 차이 활용 (차익거래)

즉 투자뿐 아니라 위험 관리 수단으로도 활용된다.

4. 주요 거래 유형

주가지수선물거래는 크게 네 가지로 나뉜다.

4-1. 헤지거래

현물 주식과 반대 방향으로 선물을 거래하여 위험을 줄이는 방식이다.

예시

주식 보유 → 선물 매도

→ 주가 하락 시 손실 방어

단점

→ 주가 상승 시 이익 제한

4-2. 투기거래

시장 방향을 예측하여 수익을 노리는 거래이다.

상승 예상 → 매수
하락 예상 → 매도

특징

→ 레버리지로 인해 수익과 손실 모두 확대

4-3. 차익거래

현물 가격과 선물 가격의 차이를 이용하는 거래이다.

고평가된 것 매도
저평가된 것 매수

→ 가격 차이 축소 시 이익

즉 거의 무위험에 가까운 전략

4-4. 스프레드 거래

두 선물 간 가격 차이를 이용하는 거래이다.

만기간 스프레드

같은 지수, 다른 만기

시장간 스프레드

다른 지수 간 비교

5. 핵심 특징

레버리지 효과

적은 돈으로 큰 금액 거래 가능

→ 수익 확대 + 손실 확대

양방향 거래

상승뿐 아니라 하락에서도 수익 가능

높은 변동성

시장 변화에 빠르게 반응

6. 위험성

주가지수선물은 위험이 크다.

레버리지로 인한 손실 확대
단기 변동성 높음
예측 실패 시 큰 손실

따라서 경험이 부족한 투자자에게는 위험할 수 있다.

7. 경제적 의미

주가지수선물은 금융시장의 효율성을 높인다.

가격 발견 기능
위험 분산
시장 유동성 증가

또한 기관 투자자들이 필수적으로 사용하는 도구이다.

8. 정리

주가지수선물거래는 주가지수의 미래 가격을 대상으로 하는 파생상품 거래이다.

헤지, 투기, 차익거래 등 다양한 목적에 활용되며, 레버리지 특성으로 인해 높은 수익과 위험을 동시에 가진 금융상품이다.

[spring jpa] Querydsl 중급 문법

MKISOS — Mon, 1 Jun 2026 06:12:48 +0900

이 글은 인프런 김영한님의 "실전! Querydsl" 강의를 수강하고 정리한 내용이다.

기본 문법을 넘어, 실무에서 자주 활용되는 프로젝션, 동적 쿼리, 벌크 연산, SQL 함수 호출에 대해 정리한다.

1. 프로젝션과 결과 반환

단일 필드 프로젝션

List<String> result = queryFactory
    .select(member.username)
    .from(member)
    .fetch();

단일 필드는 타입이 명확하므로 깔끔하게 조회된다.

다중 필드 프로젝션 (Tuple)

List<Tuple> result = queryFactory
    .select(member.username, member.age)
    .from(member)
    .fetch();

Tuple을 활용하면 여러 필드를 동시에 조회할 수 있다. 다만 Tuple은 Querydsl 전용 타입이라 서비스·컨트롤러 계층으로 전달하지 않는 것이 좋다.

DTO 조회

순수 JPA에서는 DTO 조회 시 new 명령어와 패키지명을 전부 적어야 한다. Querydsl은 더 다양한 방식을 제공한다.

Setter 기반 (Projections.bean)

List<MemberDto> result = queryFactory
    .select(Projections.bean(MemberDto.class,
            member.username,
            member.age))
    .from(member)
    .fetch();

필드 직접 접근 (Projections.fields)

List<MemberDto> result = queryFactory
    .select(Projections.fields(MemberDto.class,
            member.username,
            member.age))
    .from(member)
    .fetch();

생성자 사용 (Projections.constructor)

List<MemberDto> result = queryFactory
    .select(Projections.constructor(MemberDto.class,
            member.username,
            member.age))
    .from(member)
    .fetch();

별칭 다를 때

List<UserDto> result = queryFactory
    .select(Projections.fields(UserDto.class,
            member.username.as("name"),
            ExpressionUtils.as(
                JPAExpressions.select(memberSub.age.max()).from(memberSub), "age")))
    .from(member)
    .fetch();

@QueryProjection

List<MemberDto> result = queryFactory
    .select(new QMemberDto(member.username, member.age))
    .from(member)
    .fetch();

장점: 컴파일 시점에 타입 체크 가능 → 가장 안전하다.
단점: DTO가 Querydsl에 의존적이게 되고 Q파일을 생성해야 한다.

distinct

List<String> result = queryFactory
    .select(member.username).distinct()
    .from(member)
    .fetch();

2. 동적 쿼리

BooleanBuilder 활용

BooleanBuilder builder = new BooleanBuilder();
if (usernameCond != null) {
    builder.and(member.username.eq(usernameCond));
}
if (ageCond != null) {
    builder.and(member.age.eq(ageCond));
}

return queryFactory
    .selectFrom(member)
    .where(builder)
    .fetch();

조건을 런타임에 유연하게 추가할 수 있다.

Where 다중 파라미터 활용

private List<Member> searchMember(String usernameCond, Integer ageCond) {
    return queryFactory
        .selectFrom(member)
        .where(usernameEq(usernameCond), ageEq(ageCond))
        .fetch();
}

private BooleanExpression usernameEq(String usernameCond) {
    return usernameCond != null ? member.username.eq(usernameCond) : null;
}

private BooleanExpression ageEq(Integer ageCond) {
    return ageCond != null ? member.age.eq(ageCond) : null;
}

null 조건은 무시된다.
메서드 재사용 및 가독성 향상.
and(), or() 등 조합 가능.

3. 수정, 삭제 벌크 연산

대량 수정

long count = queryFactory
    .update(member)
    .set(member.username, "비회원")
    .where(member.age.lt(28))
    .execute();

기존 값 더하기

long count = queryFactory
    .update(member)
    .set(member.age, member.age.add(1))
    .execute();

대량 삭제

long count = queryFactory
    .delete(member)
    .where(member.age.gt(18))
    .execute();

주의: 벌크 연산은 영속성 컨텍스트를 무시하고 DB에 직접 반영한다. 따라서 실행 후에는 영속성 컨텍스트 초기화 필요.

4. SQL Function 호출

replace 예시

String result = queryFactory
    .select(Expressions.stringTemplate(
        "function('replace', {0}, {1}, {2})",
        member.username, "member", "M"))
    .from(member)
    .fetchFirst();

lower 예시

List<String> result = queryFactory
    .select(member.username)
    .from(member)
    .where(member.username.eq(member.username.lower()))
    .fetch();

JPA Dialect에 등록된 함수만 사용 가능하다. 표준 ANSI 함수는 Querydsl이 기본 내장하고 있어 직접 메서드 제공(lower() 등).

정리

프로젝션: 단일 필드, Tuple, DTO, @QueryProjection까지 다양한 방법 존재.
동적 쿼리: BooleanBuilder와 where 다중 파라미터 방식을 이해해야 실무 적용이 편리하다.
벌크 연산: 대량 데이터 수정/삭제 가능하지만 영속성 컨텍스트와의 동기화 주의.
SQL 함수 호출: Dialect 지원 함수 호출 가능, 표준 함수는 내장 지원.

→ 이 중급 문법을 익히면 실무에서 복잡한 조회와 조건 처리, 성능 최적화까지 한층 더 안정적으로 Querydsl을 활용할 수 있다.