How AI assistance impacts the formation of coding skills
Anthropic이 주니어 소프트웨어 엔지니어 52명을 대상으로 한 무작위 대조 실험. AI 보조군은 새 라이브러리 학습 직후 퀴즈에서 손코딩군보다 17%p 낮은 점수를 받았고, 격차는 디버깅 항목에서 가장 컸다. 다만 AI 사용 방식에 따라 결과가 크게 갈렸다.
요약
외부 보고서·자료를 읽고 정리한 다이제스트 모음. 본 포스트와 달리 가벼운 정리 노트로 운영합니다.
One size fits none: let communities build for themselves
Elgg 공동창업자 Ben Werdmuller가 2007년 “No features” 키노트로 던졌던 화두를 19년 만에 다시 꺼낸다. 에이전틱 코딩과 ActivityPub·ATProto가 결합하면 커뮤니티가 자기 손으로 맞춤 소셜 플랫폼을 빚을 수 있는 시대가 열린다는 주장.
This Is Why You're Drowning in Busywork
AI는 일자리를 단순히 빼앗는 것이 아니다. 전문직 노동을 소비자의 무급 자기서비스로 전가한다. 세탁기에서 시작된 패턴이 회계·법률·의료까지 확장되고 있다는, Oxford 경제학자 Carl Benedikt Frey의 진단.
Karpathy의 CLAUDE.md 4규칙이 실수율을 41%에서 11%로. 30개 코드베이스를 거치고 8가지를 더했다
Mnilax가 Karpathy 발 4규칙 CLAUDE.md 템플릿을 30개 코드베이스에서 6주간 테스트하고 8규칙을 추가한 기록. 4규칙으로 실수율이 41%에서 11%로, 12규칙으로 3%까지 떨어지지만 14개를 넘으면 컴플라이언스가 76%에서 52%로 무너진다.
LLMs Get Lost In Multi-Turn Conversation
ChatGPT·Claude·Gemini 등 최신 LLM 15종이 underspecified 다중턴 대화에서 단일턴 대비 평균 39% 성능 저하를 보인다는 대규모 시뮬레이션 연구. 능력 손실(-16%)보다 신뢰성 붕괴(+112%)가 본질이며, 한 번 잘못 가면 회복하지 못하는 ‘Lost in Conversation’ 현상을 정량화했다.
제럴드 잘트만 : AI는 모르는, 인간의 무의식을 꿰뚫어보는 법
89세 하버드 명예교수 제럴드 잘트만이 ZMET 기법과 심층 은유, ‘대리 사고’ 비판, 만화경 사고법을 통해 AI 시대에 무의식을 길어 올리는 사고법을 제안한다.
Risk, Uncertainty, and Profit
Frank H. Knight가 1921년 단행본 「Risk, Uncertainty, and Profit」에서 정립한 *측정 가능한 위험(risk)*과 *측정 불가능한 불확실성(uncertainty)*의 결정적 구분. 측정 가능한 위험은 보험·통계로 비용에 흡수되지만, 진짜 불확실성은 원리적으로 계량되지 않으며, 바로 그 영역의 부담을 짊어지는 대가가 기업가 이윤이라는 100년 된 명제.
The Options Approach to Capital Investment / Investment under Uncertainty
Avinash K. Dixit & Robert S. Pindyck가 1994년 단행본 「Investment under Uncertainty」와 1995년 HBR 압축 요약본에서 정립한 실물 옵션(real options) 프레임. 비가역적이고 지연 가능한 투자 결정에서는 단순 NPV가 체계적으로 잘못된 답을 주며, 투자 기회를 콜옵션으로 다시 모형화해야 한다고 주장한다.
The Precautionary Principle (with Application to the Genetic Modification of Organisms)
Nassim Taleb 외 4인이 NYU Extreme Risk Initiative 워킹 페이퍼로 정리한 예방 원칙(PP)의 학술적 정의. 시스템적·비가역적 ruin 영역에서만 발동되는 non-naive PP를 fat tail·fragility·비대칭 불확실성의 형식 안에 위치시킨다.
Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity
RLHF 정렬 모델의 mode collapse는 알고리즘 한계가 아니라 preference data에 박힌 typicality bias가 원인이다. ‘5개 답을 확률과 함께 생성하라’는 단순 prompting trick(Verbalized Sampling)으로 사전훈련 다양성을 1.6~2.1배 회복할 수 있음을 이론·실험으로 보인다.