AI 거버넌스 구축과 지속가능한 대한민국을 위한 최고경영자 과정입니다. 이 페이지는 과정에서 만든 AI 결과물을 누구나 열어 볼 수 있게 모아 둔 공개 화면입니다.
아래 탭에서 미래신문AI·GPT-6 디지털 전시관·ESG 액션 플래너·구조화면접도우미·AI 해킹 경보·AI 역공학·AGI 경영전략 강의록을 차례로 열어 보실 수 있습니다. 과정 신청과 공식 안내는 환경재단 페이지에서 확인하세요.
환경재단·매일경제 공동기획 제2기 AI 리더십 과정 개강 특별호. 이름을 누르면 2029년 9월 3일자 1면이 펼쳐집니다. 상단은 AI를 잡은 경우, 하단은 놓친 경우입니다.
클릭 또는 Enter로 열기 · ←→ 다음 참가자 · Esc 닫기
제1기 AI 리더십 과정에는 대기업 회장과 대표이사, 금융·연구기관장, 국회의원, 문화계 인사가 같은 강의실에 앉았습니다. 아래는 제2기 모집 브로셔에 실린 1기 원우들의 추천사입니다.
“‘세계 1등 기업’을 비전으로 새로운 시대의 변화를 가장 먼저 받아들이고 개척해나가는 최고경영자 입장에서, AI 리더십 과정은 AI 기술 트렌드 및 데이터 기반 경영에 대한 이해를 높이고 미래 경영전략의 방향을 다시 한번 고민할 수 있는 뜻깊은 기회가 되었습니다. 기업의 미래경영과 생존전략을 고민하는 많은 리더분께 본 과정을 추천드립니다.”
“AI가 세상을 바꾸고 있습니다. 이를 내가, 어떻게 활용할 것인지 체계적으로 배우는 자리에 CEO 여러분을 적극 초대합니다.”
“제1기 AI 리더십 과정은 우리의 삶과 직결된 ‘특별한 주제’를 탐구하고, 미래를 함께 개척할 ‘특별한 분들’과 깊이 교류하는 최고의 여정이었습니다. 격변의 시대 경영을 선도할 ‘특별한 혜안’을 나누는 이 뜻깊은 길에, 새로운 도약을 꿈꾸는 더 많은 리더분들이 함께하시기를 적극 추천합니다.”
“AI 시대의 리더십은 기술을 이해하는 것에서 나아가, 사람과 사회를 위해 어떻게 기술을 활용할 것인지를 고민하는 데서 시작됩니다. AI 리더십 과정은 기업 경영의 변화와 기회를 폭넓게 이해하고, 리더로서 갖춰야 할 새로운 안목과 판단력을 키울 수 있는 배움의 장입니다.”
“AI리더십 과정의 내용은 기업경영에 있어서 AI에 대한 이해와 적용 방안 뿐만아니라, 기업의 향후 지속가능성을 설계하고 준비해나가는데 있어서도 꼭 필요한 과정이라고 생각합니다.”
“환경재단과 AI 리더십 과정은 일상생활과 기업에 이미 깊숙이 파고들어 생활화된 AI를 최강의 강사진이 체계적으로 인도하여 주고, 누가 봐도 바쁘신 분들이 개근을 할 정도로 몰입하게 하는 강좌입니다. 특히 우리나라 각 회사의 피지컬 AI를 책임지는 최고 책임자들의 참석은 자연스럽게 피지컬 네트워크로 이루어집니다.”
“AI에 대한 이론보다 실제 활용에 초점을 둔 과정이었습니다. 다양한 업종의 기업들이 AI를 업무와 경영에 어떻게 적용하고 있는지 생생하게 접할 수 있었고, 우리 회사의 현 위치를 객관적으로 돌아보며 앞으로 무엇을 준비해야 하는지 생각해 볼 수 있는 의미 있는 시간이었습니다.”
“제1기 AI 리더십 과정을 통해 AI가 도로나 전기, 통신처럼 우리 산업뿐 아니라 우리 생활에서도 필수 인프라가 될 것이라는 사실을 배우게 되었습니다. AI 리더십 과정은 앞으로 도래할, 아니 이미 시작된 AI시대를 능동적으로 준비하는 데 정말 유용한 길잡이가 될 것입니다.”
“예술은 사람을 이해하는 일이고, AI는 미래를 이해하는 일이라고 생각합니다. AI리더십 과정은 새로운 시대를 바라보는 시야를 넓혀주었으며, 끊임없이 배우고 성장해야 하는 리더의 자세를 다시 생각하게 해주었습니다. 변화의 시대를 준비하는 모든 리더에게 추천합니다.”
추천사와 소속·직함은 환경재단·매일경제가 펴낸 제2기 AI 리더십 과정 모집 브로셔에 실린 내용을 그대로 옮긴 것입니다. 과정의 공식 안내와 신청은 환경재단 공식 과정 페이지에서 확인하세요.
이 화면을 사진으로 찍거나 아래 버튼으로 복사해 회사 담당자에게 보내세요. 같은 방식으로 여러분 회사의 '3년 뒤 1면'을 반나절이면 만들 수 있습니다.
leadership2/ ├─ index.html 화면·동작 (약 200줄) ├─ data.js 참가자 시나리오 데이터 └─ CLAUDE.md AI에게 주는 업무 지시서내용 수정은 data.js만 만집니다
참가자 명단(이름·소속·직함)을 줄게. 한 사람당 2029년 9월 3일자
(3년 뒤 첫 월요일) 가상 신문 1면을 써.
각 항목은 아래 구조의 객체로, 배열 D에 담아 data.js로 만들어.
{no, name, org, title,
hl, sub, lead, // AI를 잡은 시나리오: 헤드라인·부제·본문
dhl, dlead, // AI를 놓친 시나리오: 헤드라인·본문
b: [지금의 사업 구조, AI가 붙는 지점, 3년 내 기술 변화]}
규칙
- 밝은 시나리오는 그 회사의 현재 사업에서 출발해 공격적·낙관적으로.
기업 내부에서 쓰는 KPI 맥락을 벗어나지 않는다.
- 어두운 시나리오에 실제 경쟁사 이름을 쓰지 않는다. "한 카드사"처럼 익명.
- 참가자 개인 검색·프로필 조회는 하지 않는다. 소속·직함까지만.
- 서열·규모 비교 표현(3위, 중형, 후발 등)은 쓰지 않는다.
- 업종을 추정한 항목엔 "(사업 영역 확인 필요)"를 붙여 검수를 돕는다.
- 명단은 가나다 순, 번호는 1부터.
# 제2기 AI 리더십 과정 개강식 데모 ## 이 프로젝트가 하는 일 참가자 이름을 누르면 2029년 9월 3일자 가상 1면이 열린다. 상단: AI를 잡은 시나리오 / 하단: AI를 놓친 시나리오 / 근거 3줄. ## 파일 역할 - index.html 화면·스타일·동작. 빌드 없음. - data.js 시나리오 데이터. 배열 D, 가나다 순. ## 지켜야 할 것 - 어두운 시나리오에 실제 경쟁사 실명 금지. - 참가자 개인 검색·프로필 조회 금지. 소속·직함까지만. - 서열·규모 비교 표현 금지. - 헤드라인은 프로젝터에서 읽히는 크기 유지. - 라이브 AI 생성 없음. 콘텐츠는 data.js에 사전 생성. ## 배포 main에 push → Cloudflare Pages. data.js를 고치면 index.html의 data.js?v= 버전도 올린다. ## 자주 하는 작업 - 문구 수정 → data.js 해당 항목만. - 참가자 추가/삭제 → data.js 항목 추가/제거. 화면은 자동.
{no:1, name:"홍길동", org:"○○기업", title:"대표이사",
hl:"○○기업, AI로 3년 만에 업계 1위",
sub:"부제 한 줄",
lead:"밝은 시나리오 본문 2~3문장.",
dhl:"AI를 놓쳤을 때의 헤드라인",
dlead:"어두운 시나리오 본문 2~3문장.",
b:["지금의 사업 구조","AI가 붙는 지점","3년 내 기술 변화"]}
# GitHub에 올리기 git add -A && git commit -m "미래신문 갱신" && git push origin main # Cloudflare Pages에 배포 (약 30초 뒤 라이브) npx wrangler pages deploy public --project-name 프로젝트명 --branch main
오픈AI는 2026년 9월 3일 GPT-6 Astra를 내놓으며 “AGI 전환점에 섰다”고 했고, 외신은 “AGI 시대에 온 것을 환영한다”는 제목을 달았습니다. 그 말이 맞는지는 각자 판단하시고, 여기서는 공개 첫 일주일 동안 전 세계 제작자들이 실제로 만들어 올린 것을 보십시오. 실물 데모 14점은 이 페이지 안에서 바로 실행되고, 나머지는 원본 게시물을 새 탭으로 엽니다.
새 기술이 나올 때마다 우리 회사 사람들에게 보여 줄 전시관을 직접 만들 수 있습니다. 이 화면을 캡처하거나 아래 버튼으로 복사해 담당자에게 보내세요.
leadership2/ ├─ index.html 탭·전시관·실행 화면 └─ gallery.js 전시물 데이터 (여기만 고침)전시물 추가·삭제는 gallery.js 한 줄
[모델·기술 이름]으로 만든 최근 데모를 모아 최고경영자용 전시관 페이지를 만들어. 수집 - 공식 발표, 제작자 공개 게시물, 큐레이션 저장소, 보도를 확인한다. - 항목마다 제작자 이름과 원본 게시물 주소를 함께 남긴다. - 수치(조회수·소요 시간·점수)는 출처를 밝히고, 없으면 쓰지 않는다. 구성 - 주제별 전시관 4~5개로 묶고, 각 관에 CEO가 이해할 한 줄 설명을 단다. - 숫자 타일 8개 (성능·가격·규모 등, 각각 출처 링크). - 마지막에 "CEO를 위한 세 가지 질문"으로 우리 회사 의사결정에 연결한다. 실행 - 각 데모가 iframe 삽입을 허용하는지 헤더로 확인하고, 허용하는 것만 페이지 안에서 실행한다. 나머지는 새 탭으로 연다. - 프로젝터용 전체화면 모드를 넣는다. 자동 넘김과 키보드 조작. 지켜야 할 것 - 우리가 만들지 않은 것을 우리 성과처럼 쓰지 않는다. - 수치를 재검증하지 않았다면 그 사실을 화면에 밝힌다. - 데이터는 gallery.js에, 화면은 index.html에 둔다.
# 이 헤더가 있으면 iframe 삽입 차단 → 새 탭으로 열어야 함 curl -sS -o /dev/null -D - "https://데모주소" \ | grep -i 'x-frame-options\|frame-ancestors' # 아무것도 안 나오면 페이지 안에서 실행 가능 # 이 전시관은 데모 12곳을 조사해 11곳을 안에서 실행, # 차단된 1곳은 새 탭으로 열도록 나눴습니다. # 영상은 공식 채널인지 먼저 확인 curl -sS "https://www.youtube.com/oembed?url=영상주소&format=json"
{t:"전시물 제목",
d:"CEO가 3초 안에 이해할 설명 2~3문장.",
by:"제작자 이름", // 반드시 표기
fig:"28분 16초", // 카드에 크게 뜨는 한마디
src:"https://원본게시물", // 반드시 있어야 함
live:"https://체험주소", // 있으면 새 탭 열기
embed:"https://체험주소", // 삽입 허용 확인된 것만
video:"유튜브ID", // 공식 채널 영상만
featured:true} // 도슨트 모드에 올릴 전시물
# GitHub에 올리기 git add -A && git commit -m "전시관 갱신" && git push origin main # Cloudflare Pages에 배포 (약 30초 뒤 라이브) npx wrangler pages deploy public --project-name 프로젝트명 --branch main
위 탭에 하나씩 올라가는 화면입니다. 모두 Claude Code · GitHub · Cloudflare Pages 세 가지로 만들었고, 만든 방법은 각 화면 아래 ‘AI레시피’에 그대로 공개해 두었습니다.
환경재단·매일경제 공동기획 제2기 AI 리더십 과정. 이름을 누르면 회사와 업종이 채워진 채로 플래너가 열립니다. 환경재단이 공개한 협업 사례 16건을 대조해 첫 회의에 들고 갈 ESG 실행안을 그 자리에서 만듭니다.
이름을 누르면 회사·업종이 채워진 채로 플래너가 열립니다 · 업종은 소속으로 추정한 값이라 다음 화면에서 바꿀 수 있습니다 · 로그인도 비용도 없습니다
협의·승인 전 초안입니다. 사실 확인과 내부 승인을 거치기 전에는 배포하지 마십시오.
공식 페이지가 소개하는 기업 협업 방식 4가지와 절차 6단계입니다. 이 플래너는 1단계 ‘문의·제안’ 전에 들고 갈 초안을 만듭니다.
공식 소개에서 확인한 사례입니다. 과거 참여 기관·성과와 새 프로젝트의 예산·파트너 확보는 별개입니다. ‘이 사례로 설계’를 누르면 플래너에 주제가 들어갑니다.
잘 만든 도구가 있으면 처음부터 만들지 않습니다. 원본 앱의 입력·출력 구조를 읽고, 근거 자료를 데이터 파일로 옮기고, 방법론을 프롬프트로 적은 뒤 우리 디자인에 얹었습니다. 이 화면을 캡처하거나 아래 버튼으로 복사해 담당자에게 보내세요.
leadership2/ ├─ index.html 탭·입력폼·결과 화면 └─ esg.js 사례 16건·선택지 (여기만 고침) functions/api/ └─ esg-plan.js 방법론 프롬프트·AI 호출사례 추가·삭제는 esg.js 한 줄. 화면과 프롬프트에 동시 반영
[원본 앱 주소]를 분석해서 우리 사이트의 새 탭으로 옮겨. 취지: 과정 수강생이 각자 회사에 맞는 ESG 액션 플랜을 받아 가는 것. 분석 - 원본의 입력 항목(업종·환경 문제·자원·성과·예산·지역·기간)과 결과 구조(3안 비교·로드맵·측정·첫 실행·확인 조건)를 그대로 읽어 낸다. - 원본이 근거로 쓰는 공식 자료(사례·절차·수치)를 출처 링크와 함께 esg.js 데이터 파일로 옮긴다. 출처 없는 수치는 넣지 않는다. 구성 - 기존 탭(미래신문AI·GPT-6 전시관)과 같은 색·서체·구성 요소를 쓴다. - 입력은 4단계 한 화면, 결과는 신문지 느낌의 종이 위에 스트리밍. - 서버 함수 하나가 방법론 프롬프트 + 근거 자료로 AI 엔진을 부른다. 키가 없으면 규칙 기반 초안으로 폴백. - 로그인·과금 없음. IP 기준 속도 제한만. 지켜야 할 것 - 근거 블록에 없는 사례·수치를 만들지 않는다. - 과거 사례 성과가 재현된다고 쓰지 않는다. 승인·매칭 표현 금지. - 하단에 원본 제작자(HANDARO AI)와 함께 만들었다고 밝히고 원본 앱 새 탭 링크를 둔다.
{id:"reearth",
title:"리얼스(RE: EARTH) 프로젝트",
topic:"포장·자원순환", // 선택지 7개 중 하나
partners:"롯데백화점",
period:"2022년부터 · 공식 페이지 표기",
outcome:"시민 플로깅과 업사이클링을 결합한 자원순환 캠페인.",
scale:"누적 참여 15,962명·수거 58,522L (집계 종료 시점 미기재)",
keywords:["포장","재활용","매장","유통"], // 입력과 대조해 추천
url:"https://greenfund.org/sustainable-partnership", // 반드시
status:"공개 사례"} // 공개 사례 | 공식 소개
1) 프로젝트 한 줄 + 3문장 요약 2) 실행 방식 3안 비교표 (연결 유형·참고 사례·자원·규모·리스크) 3) 권고안 1개 + 근거 3줄 4) 우리 회사의 역할 / 협의할 파트너 역할 5) 실행 로드맵 4단계 (시기·담당·산출물·다음 단계 조건) 6) 성과 확인 (활동 지표·환경성과 지표·기준선·방법·담당·주기) 7) 첫 실행 — 이번 주 한 가지 8) 제안 예산 (견적·승인 전) 9) 첫 협의 준비 (참석자·결정 사항·자료) 10) 확인해야 할 조건 — '미정'과 미확인 사항을 질문으로 11) 근거 자료 — 실제로 참고한 공식 자료만 규칙: 근거 블록 밖의 사례·수치 금지 / 성과 재현 단정 금지 / 승인·매칭 표현 금지 / '미정'은 채우지 말고 질문으로 / 개인 검색 금지
# GitHub에 올리기 git add -A && git commit -m "ESG 플래너 갱신" && git push origin main # Cloudflare Pages에 배포 (약 30초 뒤 라이브) npx wrangler pages deploy public --project-name 프로젝트명 --branch main
말로 꾸민 자기소개는 한 시간이면 누구나 좋은 사람입니다. 그래서 이력서 대신, 지난 1년간 실제로 한 행동을 묻습니다. 이름과 직무만 누르면 그 자리의 승부 기질을 정하고, 모든 지원자에게 같은 순서로 던질 질문지와 1·3·5점 채점 기준을 그 자리에서 만듭니다.
사람 잘못 뽑은 비용은 급여의 몇 배로 돌아옵니다. 재채용·재교육만이 아니라, 그 사람이 응대한 고객이 떠난 매출과 그 사람 때문에 지쳐 나간 좋은 직원의 빈자리까지 얹힙니다.
이력서를 훑다 떠오르는 대로 묻고, 끝나면 "느낌이 괜찮더라"로 정합니다. 같은 지원자를 두고도 면접관에 따라 결론이 갈립니다. 떠오르는 대로 묻는 면접의 예측력은 구조화 면접의 절반에 못 미칩니다.
"손님이 화를 내면 어떻게 하시겠습니까" 같은 가정형 질문에는 모범답안이 정해져 있습니다. 지원자는 그 답을 압니다. 가정은 가치관을 보여줄 뿐, 실제로 어떻게 행동하는지는 드러나지 않습니다.
태도와 기질은 강의 몇 시간으로 바뀌지 않습니다. 서비스 교육을 아무리 해도 몇 달이면 원래대로 돌아옵니다. 가르쳐서 되는 것과 뽑아야만 되는 것을 구분하지 못하면, 교육비는 매년 나가는데 현장은 그대로입니다.
그래서 바꿔야 할 것은 면접관의 안목이 아니라 면접의 설계입니다. 모든 지원자에게 같은 질문을 같은 순서로 묻고, 정해 둔 기준으로 채점하면 결과가 달라집니다. 이 도구는 그 질문지를, 우리 회사 그 자리에 맞춰 만들어 줍니다.
이름을 누르면 회사와 업종이 채워지고 직무 고르기가 열립니다 · 로그인도 비용도 없습니다
바꾸고 싶을 때만 누르세요. 고른 뒤 다시 만들기를 누르면 그 조건으로 새로 씁니다.
김문수 교수의 칼럼 「친절한 사람을 뽑았기 때문입니다」의 주장을 그대로 질문지의 규칙으로 옮겼습니다.
칼럼의 주장을 규칙으로 옮기고, 직무와 기질을 데이터 파일로 적고, 사용자가 누를 것은 둘만 남겼습니다. 묻던 것은 에이전트가 정하고, 사람은 고치거나 빼기만 합니다.
leadership2/ ├─ index.html 명단·직무 칩·결과 화면 └─ interview.js 직무 48개·기질 10개 (여기만 고침) functions/api/ └─ interview-questions.js 방법론·AI 호출직무 추가는 interview.js 한 줄. 화면과 프롬프트에 동시 반영
{n:"구매·MD",
t:["불편한 말을 견디는 담력","꼼꼼함"], // 주 기질 · 보조 기질
teach:["원가 구조","발주 시스템","품질 기준서"], // 면접에서 묻지 않고 가르칠 것
task:"실제 견적서 두 장을 주고 단가 협상 메일 초안과 비교표를 써 보게 한다.",
scene:"오래 거래한 공급사에 단가 인하를 요구하는 협상 테이블"}
1) 이 자리의 승부 기질 — 한 문장 + 근거(업종 일반 기준) 2) 뽑을 것과 가르칠 것 — 가르칠 것은 묻지 않는다 3) 기질을 행동으로 — 관찰 가능한 습관 3개 4) 구조화 면접 질문지 — 과거 행동 질문 + 꼬리질문 3 + 1·3·5점 + 주의 신호 5) 뽑지 않을 사람 — 문장마다 확인 질문 6) CEO의 고정 질문 — 답을 쌓는 기록 표 7) 면접 밖 관찰 8) 작업 표본 과제 9) 평판 조회 질문 10) 수습 관찰표(노무 검토 고지) 11) 지원자 채점표 12) 면접관 안내와 공정성 점검 규칙: 입력에 없는 회사 사실 금지 / 연구 수치는 0.42·0.31만 / 나이·혼인·가족·출신 지역 등 직무와 무관한 질문 금지 / 즉석 질문 금지
국내 금융기관 공격에 쓰인 정황이 보도된 자율 AI 침투 도구가 공개돼 있습니다. 사람 없이 정찰부터 침투, 자료 반출까지 해냅니다. 써 보라고 올린 것이 아닙니다. 공격이 얼마나 쉬워졌는지 알고, 격리 환경에서 우리 회사 방어를 시험하는 모의훈련기로 쓰라고 올립니다.
저장소 README에 적힌 내용을 그대로 옮겼습니다.
LLM 멀티 에이전트가 정찰부터 침투, 자료 반출까지 공격 과정을 스스로 수행하는 침투 테스트 도구입니다. 계획하는 에이전트와 실행하는 에이전트가 나뉘어 공격 경로를 넓혀 갑니다.
중국 오픈소스 프로젝트 Autumn-27/ARTEX(AGPL-3.0)를 한국어로 현지화한 판본입니다. 탐지 결과와 리포트가 한국어로 나옵니다. 그만큼 국내에서 쓰기 쉬워졌습니다.
README는 2026년 10월 국내 여러 언론이 원본 ARTEX가 국내 금융기관을 상대로 한 개인정보 유출 공격에 사용된 정황이 조사 당국에 포착됐다고 보도했으며, 관련 수사가 진행 중이라고 밝힙니다.
공격 도구를 소개하는 것이 아니라, 방어할 이유와 방어할 자료를 함께 건넵니다.
해킹은 더 이상 숙련된 소수의 일이 아닙니다. 공격을 AI가 대신 수행하면 공격자는 늘고 공격은 쉬지 않습니다. 대기업만의 일이 아니라 우리 회사의 일입니다.
저장소는 이 공격을 방어자 관점으로 뒤집은 탐지·차단 가이드와 하드닝 체크리스트, 바로 쓸 수 있는 탐지 규칙(Sigma·Suricata)과 침해지표 목록을 함께 정리합니다. 보안 담당자에게 이 링크를 그대로 전달하십시오.
① 자율 AI 공격의 흔적을 로그에서 찾는 탐지 규칙이 있는가 ② 보조 인증·API 인가·자격 증명 대입 공격 방어가 되어 있는가 ③ 사고가 나면 누가 무엇을 하는지 대응 절차가 문서로 있는가
공격 대상을 찾으려고가 아니라 우리 회사를 지키려고 씁니다. 아래는 저장소 README가 안내하는 사용법입니다. 실제 서비스나 타인의 자산을 대상으로 삼는 것은 금지되며, 그 자체로 범죄가 됩니다.
설치하지 않아도 됩니다. Go 백엔드와 Next.js 프런트로 된 공개 소스를 읽으며, 계획하는 planner 에이전트와 실행하는 worker 에이전트가 자산 그래프·탐색 그래프를 채워 가며 어떻게 공격 경로를 스스로 넓히는지 코드와 아키텍처 문서로 확인합니다. 우리 시스템의 어디가 그런 자동 공격에 노출되는지 역으로 짚는 것이 목적입니다.
저장소를 내려받아 LLM 키(ANTHROPIC_API_KEY 또는 OPENAI_API_KEY)를 넣고 Docker Compose로 띄우면 http://localhost:8787에서 콘솔이 열립니다. 대상은 반드시 OWASP Juice Shop·DVWA처럼 내가 직접 만든 취약 실습 환경이어야 합니다.
git clone https://github.com/jiwoochris/artex-ko.git cd artex-ko cp .env.example .env # POSTGRES_PASSWORD 설정, LLM 키는 선택 docker compose up -d # → http://localhost:8787 (처음엔 /setup)한국어 UI·리포트는 README의 ‘소스에서 단일 바이너리 컴파일’ 경로로 직접 빌드할 때 나옵니다. 외부 IP·운영 중인 서비스는 어떤 경우에도 대상에 넣지 않습니다.
여기까지가 CEO가 보안 담당자에게 실제로 넘길 결과물입니다. 저장소의 탐지 규칙(Sigma·Suricata)과 침해지표(IoC) 목록을 우리 회사 SIEM·WAF·위협 인텔 플랫폼에 그대로 가져와, 자율 AI 공격의 흔적을 로그에서 잡고 진입점을 미리 조입니다. 공격기를 돌려 보지 않아도 방어는 오늘 시작할 수 있습니다.
경쟁사 앱의 그 기능, 속을 어떻게 짰을까요. 소스 코드가 없어도 됩니다. AI 에이전트가 설치된 앱·웹사이트·실행 파일을 직접 뜯어보고, 무엇을 근거로 그렇게 판단했는지까지 설명해 주는 오픈소스 도구입니다. 원본 morluto/rea를 CEO AI 계정으로 포크해 두었고, 이 화면은 그 포크를 기준으로 개요와 활용법을 정리했습니다.
저장소 README와 소스 구조에서 확인한 내용입니다.
Hopper·Ghidra·IDA 같은 디컴파일러, 안드로이드 분석기 JADX, 브라우저 관찰, 네트워크 기록 분석을 MCP 서버 하나로 묶었습니다. Claude Code·Codex·Cursor·Gemini CLI 같은 AI 에이전트가 이 창구를 통해 도구를 직접 부립니다.
관찰한 사실, 거기서 끌어낸 추론, 아직 모르는 것을 따로 나누고, 주소·파일 위치 같은 근거를 결과마다 함께 보여 줍니다. AI가 그럴듯하게 지어내는 답을 줄이려고 이렇게 설계했습니다.
분석은 내 PC 안에서 이뤄지고, 대상 앱을 바깥으로 올리지 않습니다. 다만 분석 결과는 에이전트를 거쳐 AI 모델 회사로 전달되니, 그 회사의 데이터 정책은 따로 확인하는 게 좋습니다. 라이선스는 MIT, 배포 패키지 이름은 npm의 rea-agents입니다.
분석할 수 있는 대상 가운데 경영 현장에서 자주 마주치는 것만 추렸습니다. 전체 목록은 저장소에 있습니다.
슬랙·노션처럼 Electron으로 만든 앱의 모듈 구조와 화면↔본체 통신(IPC), 웹사이트의 스크립트와 네트워크 요청을 봅니다. 별도 디컴파일러 없이 바로 됩니다.
앱이 요구하는 권한(매니페스트), 클래스와 메서드를 디컴파일해 보여 줍니다. 연결된 기기에서는 로그·화면·프로세스도 관찰합니다(JADX·adb 필요).
기계어를 사람이 읽을 수 있는 의사코드로 되돌리고, 어떤 함수가 어떤 함수를 부르는지 따라갑니다. .NET 어셈블리는 추가 설치 없이, 일반 실행 파일은 Hopper·Ghidra·IDA 중 하나로 분석합니다.
앱이 어떤 주소로 무엇을 보내는지, 기록된 요청과 응답에서 찾아 줍니다. 우리 회사가 쓰는 프로그램이 밖으로 무엇을 내보내는지 점검할 때 씁니다.
펌웨어 이미지를 영역별로 나누고 풀어 낸 뒤, 안에 든 실행 파일을 정밀 분석으로 넘깁니다(리눅스에서 Binwalk·Unblob 필요).
앱이 쓰는 SQLite의 표와 열, GGUF·safetensors 모델 파일의 메타데이터와 텐서 구성을 읽습니다. 받은 모델이 설명과 같은지 확인할 때 유용합니다.
저장소 README가 안내하는 순서입니다. Node.js(22.19 이상)와 npm이 설치돼 있으면 됩니다.
터미널에서 아래 한 줄을 실행하고, 쓰는 에이전트(Claude Code 등)를 고른 뒤 바뀔 설정을 확인하고 승인합니다. 기존 설정은 백업되고, 승인 전에는 아무 파일도 바꾸지 않습니다. 끝나면 에이전트를 다시 시작합니다.
npx rea-agents setup실행 파일 정밀 분석에는 Hopper·Ghidra·IDA 중 하나가 필요합니다. Ghidra·IDA는 이미 설치된 것을 쓰고, Hopper는 승인하면 설치까지 해 줍니다. 자바스크립트·.NET 분석은 엔진 없이도 됩니다.
명령어를 외울 필요가 없습니다. 무엇이 궁금한지만 말하면 에이전트가 알아서 REA 도구를 골라 쓰고, 근거와 함께 답한 다음, 원하면 비슷한 기능을 우리 프로젝트에 직접 만들어 줍니다.
내 PC에 설치된 메모 앱에서 검색 기능이 어떻게 동작하는지 근거와 함께 설명하고, 우리 프로젝트에 비슷한 기능을 만들어 줘.‘메모 앱’과 ‘검색 기능’ 자리에 내가 정당하게 설치해 쓰는 앱과 궁금한 기능을 넣습니다.
에이전트 없이도 같은 분석을 명령 한 줄로 실행할 수 있습니다. 아래는 압축을 푼 Electron 앱 폴더나 ASAR 파일에서 모듈과 연결 관계를 JSON으로 뽑는 예입니다. REA는 자주 업데이트되니, 쓰기 전에 최신판으로 올려 둡니다.
npx -y rea-agents@latest analyze-javascript-application /절대/경로/앱 --json npm install --global rea-agents # rea 명령을 계속 쓸 때 rea update # 최신판으로 올리기연결이 안 되거나 도구가 보이지 않으면
npx -y rea-agents@latest doctor --client claude_code --json으로 무엇이 막혔는지부터 진단합니다.
기술팀에 이렇게 맡기면 됩니다. 모두 우리가 정당하게 가진 소프트웨어를 대상으로 합니다.
외주로 받은 앱이나 도입한 솔루션이 고객 정보를 어디로 보내는지, 계약에 없는 기능이 숨어 있지 않은지 통신 기록과 코드로 확인합니다.
만든 사람은 떠났고 소스는 없는데 매일 돌아가는 사내 프로그램이 있습니다. 실행 파일에서 동작 원리를 되살려 문서로 남기고, 새 시스템으로 옮길 근거를 만듭니다.
쓰고 있는 프로그램의 새 버전에서 무엇이 달라졌는지 두 판을 나란히 비교합니다. 업데이트를 바로 깔지 판단하는 근거가 됩니다.
잘 만든 앱의 기능이 어떤 원리로 돌아가는지 이해해 우리 방식으로 새로 설계합니다. 원리를 배우는 것과 코드를 베끼는 것은 다릅니다. 아래 주의를 꼭 읽으십시오.
누구나 받을 수 있는 안드로이드 앱 하나를 같은 방식으로 뜯어봤습니다. 앱을 실행하지 않고 설치 파일만 읽는 정적 분석입니다.
com.ainote.mobile.doxent_oversea_app, 설치 파일 약 260MB)앱 본체는 아시아·유럽 두 지역의 iFlytek 해외 서버에 접속합니다. 그런데 파일 저장소 주소는 이름에 베이징이 박힌 중국 리전이고, 사진 속 글자 인식은 바이두 클라우드로 넘어갑니다. 회사 문서나 녹음을 넣으면 그 내용이 중국에 있는 서버를 거칠 수 있습니다.
녹음과 문서 촬영이 핵심 기능이라 마이크와 카메라를 쓰고, 일정 연동을 위해 캘린더 읽기·쓰기, 파일 첨부를 위해 저장소 접근을 요구합니다. 위치·연락처·문자·통화기록 권한은 없습니다.
앱 전체가 암호화되지 않은 http 통신을 허용하도록 설정돼 있고, 저장소 주소 일부도 http입니다. 같은 폰의 다른 앱이 호출할 수 있게 열린 내부 기능도 하나 있습니다. 모두 코드를 읽고 판단한 것이며 실제로 악용되는지 시험하지는 않았습니다.
백업으로 데이터가 빠져나가지 않게 막았고, 디버그 모드는 꺼져 있으며, 외부 서비스 비밀키를 앱 안에 그대로 적어 두지도 않았습니다. 숨은 통로나 악성 코드로 보이는 흔적은 찾지 못했습니다.
이 앱을 회사에서 쓸지 정하는 핵심 쟁점은 보안 결함보다 데이터 주권입니다. 회의 녹음, 계약서 사진, 고객 정보가 담긴 메모를 넣는 순간 그 내용이 어느 나라 서버를 거치는지 알고 결정해야 합니다. 소스 코드가 없어도, 제작사 설명에만 기대지 않아도, 설치 파일 하나로 여기까지 확인할 수 있습니다. 이것이 역공학의 쓸모입니다. 이 분석에서 한 걸음 더 나아가, 같은 기능을 노트와 녹음을 내 기기에만 저장하는 방식으로 다시 설계한 한국어판 데모를 아래에서 바로 써 볼 수 있습니다.
한계: 앱을 실행하지 않은 정적 분석이라 실제로 어떤 데이터를 언제 주고받는지는 확인하지 않았습니다. 분석 시점의 3.1.5 판 기준이며 이후 판에서는 달라질 수 있습니다. 보안상 아쉬운 점은 제작사가 고칠 수 있도록 공격에 쓸 수 있는 세부는 싣지 않았습니다.REA를 연결한 AI 에이전트(Claude Code 등)에 그대로 붙여 넣으면 됩니다. 꺾쇠(< >) 부분만 우리 상황으로 바꾸십시오. 모두 우리가 정당하게 가진 소프트웨어를 대상으로 하고, 분석은 내 컴퓨터 안에서만 돌아갑니다.
너는 REA(Reverse Engineer Anything)를 쓸 수 있는 분석 에이전트다. 대상: <우리 회사가 쓰는 앱·프로그램 이름과, 그 설치 파일/폴더의 경로> 다음을 순서대로 하라. 1) 이 앱이 어떤 기술로 만들어졌고 무슨 일을 하는지, 설치 파일만 읽어 (실행하지 말고) 정적 분석으로 파악한다. 2) 다음을 표로 정리한다: 앱 종류·버전·제작사, 요구 권한, 접속하는 서버 주소(국가 추정 포함), 포함된 외부 SDK. 3) 각 항목마다 '어디서 그렇게 판단했는지' 근거(파일·문자열·설정)를 붙인다. 확실치 않은 것은 '미확인'으로 남기고 추측과 구분하라. 제약 - 분석은 전부 로컬에서만. 대상 파일을 외부로 업로드하지 않는다. - 결과는 비전문가(경영진)도 읽을 수 있는 한국어로, 전문용어엔 한 줄 설명. - 마지막에 '이 분석으로 알 수 없는 것'과 '다음에 확인할 것'을 적는다.
역할: 우리 회사 정보보안 관점의 분석가. 대상: <외주로 받았거나 도입을 검토 중인 앱·설치 파일 경로> 배경: 이 앱에 우리 <고객 개인정보 / 계약·재무 문서 / 회의 녹음>이 들어간다. REA로 다음을 확인하고 'C-레벨 보고용' 1장으로 요약하라. 1) 이 앱이 바깥으로 보내는 통신의 목적지(도메인·IP)와 그 소재 국가(추정). 특히 우리 데이터가 국외(어느 나라)로 이전될 소지가 있는지. 2) 암호화되지 않은(http) 통신, 과도하거나 기능과 무관한 권한, 앱 안에 그대로 적힌 비밀값(키·토큰) 같은 위험 신호. 3) 계약·약관에 없는데 작동하는 기능이나 숨은 외부 전송이 있는지. 출력 - '위험도(상/중/하) · 근거 · 경영진이 내릴 결정'을 표로. - 공격에 악용될 수 있는 구체적 수법은 적지 말고, 위험의 존재와 영향만. - 확정 사실과 추정을 분명히 나누고, 동적(실행) 분석이 필요한 항목을 표시.
역할: 레거시 시스템을 문서화하는 분석가. 대상: <소스 코드가 없고 매일 쓰는 사내 실행 파일/앱의 경로> 상황: 만든 사람은 퇴사했고 소스가 없다. 새 시스템으로 옮겨야 한다. REA로 다음을 복원해 '이관 기획서 초안'을 만들어라. 1) 이 프로그램이 하는 핵심 기능과, 기능마다 처리하는 입력·출력. 2) 연결되는 외부 요소: 데이터베이스, 파일 경로, 서버 API, 외부 장비. 3) 되살린 동작 원리를 의사코드(사람이 읽는 설명)로. 함수 간 호출 흐름 포함. 출력 - '기능 목록 → 각 기능의 동작 → 이관 시 재현해야 할 핵심 규칙' 순서. - 불확실한 부분은 '원 개발자/담당자 확인 필요'로 표시. - 이 문서만 보고 다른 팀이 같은 기능을 새로 만들 수 있을 만큼 구체적으로.
역할: 제품 기획을 돕는 분석가. 대상: <내가 정당하게 설치해 쓰는 앱>의 <구체적 기능 이름>. 목적: 이 기능이 '어떤 원리로' 동작하는지 이해해, 우리 제품을 새로 설계한다. REA로 다음을 하라. 1) 그 기능이 화면에서 동작할 때 내부에서 무슨 일이 일어나는지, 관련 코드·통신을 따라가 원리를 설명한다. 2) 그 원리를 우리 서비스(<우리 제품/스택>)에 맞게 '새로' 설계한 안을 제시. 남의 코드·리소스·디자인을 베끼지 말고, 원리만 가져와 우리 방식으로. 3) 설계안을 우리 환경에서 시험할 최소 프로토타입 계획을 적는다. 반드시 지킬 것 - 저작권법상 역분석은 '호환에 필요한 정보 획득'에 한해 허용되며, 그 정보를 '실질적으로 유사한 프로그램' 제작에 쓰면 안 된다. 경쟁 제품을 모방하는 결과물은 만들지 말고, 법무 검토 전제라고 명시하라. - 분석 대상의 보호된 코드·자산을 복제하거나 그대로 옮기지 않는다.
상대 회사 하나만 넣으면 리서치 각부터 맞춤 메시지 초안, 예상 반론 대응, 다음 액션까지 만들어 둡니다. 실제 발송은 사람이 합니다. 미국의 자율 콜드메일 에이전트 Harvey를 뜯어본 결과에서 출발해, 좋은 부분만 가져오고 한국 규정에 맞게 다시 설계했습니다.
상대 회사·업종·내가 아는 상황을 넣으면, 아래를 한 번에 만들어 줍니다.
왜 이 회사가 좋은 상대인지, 아쉬운 점은 무엇인지 솔직하게 짚고, 여러 장점을 늘어놓는 대신 가장 통할 각 하나를 고릅니다.
이메일·문자·카카오톡·링크드인·전화 스크립트 가운데 고른 채널에 맞춰 길이와 말투를 바꿔 씁니다. 첫 문장은 상대 사정으로 열고, 요청은 작게.
예상 반론 세 가지와 대응을 함께 주고, 실제로 상대가 한 말을 넣으면 그 반론에 맞는 대응을 따로 만들어 줍니다.
광고성 채널이면 정보통신망법 체크(사전 수신동의·(광고) 표기·수신거부·야간 제한)를 붙이고, 과장 표현·수신거부 누락·링크 수를 코드로 다시 점검해 경고합니다.
설치도 로그인도 없습니다. 브라우저에서 바로 씁니다.
내 회사·파는 것, 상대 회사·업종을 넣습니다. '내가 아는 상황'(예: 블로그에서 본 고민, 박람회에서 받은 명함, 신규 지점 오픈)을 알수록 메시지가 날카로워집니다. 모르면 비워 둬도 업종 일반 기준으로 씁니다.
이메일/문자/카톡/링크드인/전화 중 하나와 말투(정중·친근·단도직입), 이번 목표(예: 미팅 15분 잡기)를 고릅니다. 광고성 채널을 고르면 결과에 정보통신망법 체크가 함께 붙습니다.
리서치 각·초안·반론 대응·다음 액션이 한 번에 나옵니다. '복사'를 눌러 내 메일·메신저에 붙여 넣고, 사실관계와 수신동의를 확인한 뒤 사람이 직접 보냅니다. 입력한 내용은 저장되지 않습니다.
오픈소스 Harvey(구독으로 돌리는 자율 영업 에이전트)를 분석해, 쓸 만한 설계는 가져오고 위험한 부분은 뺐습니다.
상대를 먼저 파악해 각을 잡고, 담백하게 쓰고, 반론을 다루는 영업 흐름. 그리고 "프롬프트엔 제약, 코드엔 검증" — 나가는 메시지를 LLM과 무관한 코드로 한 번 더 막는 Harvey의 게이트 패턴을 그대로 본떴습니다.
Harvey의 핵심인 '스스로 보내는 루프'는 뺐습니다. 한국은 광고성 정보에 사전 수신동의가 원칙(정보통신망법 제50조)이라, 미국식 자동 콜드메일을 그대로 들이면 위법이 될 수 있기 때문입니다.
그래서 '보내는 일'은 사람에게 남기고, '더 잘 보내도록' 돕는 쪽으로 바꿨습니다. 수신동의가 없으면 광고 대신 상대가 올린 공개 문의에 답하거나 소개를 거치는 길을 권합니다.
사업계획서와 브리프를 넣으면 한국인 소비자·경쟁사·유통·언론·규제기관이 섞인 가상 시장을 72시간 돌립니다. 설문에 "사겠다"고 답하게 하는 대신, 시장 안에서 실제로 오간 말과 그 확산으로 점수를 매기고, 변수 하나를 바꾼 대안 시장과 나란히 비교합니다.
한 건에 약 1시간이 걸리고, 결과는 보고서와 스코어카드로 받습니다.
고객 반응 30%, 구매 신호 25%, 여론 추세·확산력·생태계 지지 각 15%를 더한 0~100점과 판정을 줍니다. 70점 이상이면 추진, 40점 미만이면 중단 권고입니다.
72시간을 여섯 구간으로 나눠 입장의 변화를 그리고, 여론이 크게 바뀐 전환점마다 직전에 가장 많이 퍼진 발화를 근거로 붙입니다.
브리프의 대안(가격, 타깃, 채널, 메시지 중 하나)만 바꾼 시장을 같은 조건으로 함께 돌립니다. 점수 차가 5점 미만이면 "흔들림 범위"로 보고 우열을 가리지 않습니다.
한국인 페르소나(NVIDIA Nemotron-Personas-Korea)로 고객을 뽑고, 정부 지원사업과 업종 규제 점검을 보고서에 함께 담습니다.
크레딧(49,000)을 내고 시작합니다. 예측이 실패하면 차감한 크레딧은 자동으로 돌려받습니다.
무엇을(제품·사업·전략), 누구에게, 얼마에, 누구와 경쟁하며, 어떤 채널로 파는지 적고, 성공 기준(예: 6개월 유료 구독 3,000명)과 비교해 볼 대안 하나를 적습니다. 사업계획서나 시장조사 PDF를 함께 올리면 이해관계자가 더 정확해집니다.
자료에서 이해관계자 지식 그래프를 만들고, 각 행위자와 한국인 소비자 30명을 AI 에이전트로 세운 뒤, 트위터형·레딧형 가상 SNS에서 출시 반응을 72시간 시뮬레이션합니다. 기준 시장과 대안 시장이 같은 활동 일정으로 나란히 돕니다.
점수와 판정, 여론 궤적과 전환점, 원인 경로, 대안 비교, 권고·리스크·규제 점검이 나옵니다. 점수는 성공 확률이 아니라 대안끼리 비교하는 상대 지표로 읽으십시오.
어려운 기술 이야기 없이, 예측기가 어떻게 점수와 원인을 찾아내는지 네 단계로 풀었습니다.
새 메뉴를 내기 전에 동네 사람 수십 명을 모아 놓고, 사흘 동안 그 메뉴 이야기를 하게 하며 지켜보는 것과 비슷합니다.
사업계획서에서 고객·경쟁사·유통·언론·정부기관을 뽑고, 실제 인구 분포로 만든 한국인 소비자 30명을 더해 AI 인물 40여 명을 세웁니다. 저마다 나이·직업·형편·성격이 다릅니다.
가상 SNS에 출시 소식을 올리면, 인물들이 서로의 글을 보고 댓글을 달고, 공감하거나 반박하고, 퍼 나릅니다. 누가 무엇을 말했고 그 말이 얼마나 퍼졌는지가 전부 기록됩니다.
“사겠다”는 설문 답이 아니라 실제로 벌어진 일을 봅니다. 고객이 무엇에 반응했는지, 쓰겠다·안 쓰겠다는 사람이 몇 명인지, 좋은 이야기와 나쁜 이야기 중 무엇이 더 퍼졌는지, 여론이 좋아졌는지 나빠졌는지를 모아 0~100점을 냅니다.
변수 하나만 바꾼 시장(예: 가격 20% 인하)을 같은 조건으로 함께 돌려, 두 시장의 점수 차이로 그 변수의 효과를 잽니다. 여론이 꺾인 순간에는 바로 앞에 가장 많이 퍼진 말을 찾아 “무엇 때문에 분위기가 바뀌었나”를 거슬러 올라갑니다.
핏박스는 가격을 내리면 오히려 점수가 떨어졌습니다. 기록을 보니 사람들이 망설인 이유는 한 끼 가격이 아니라 “한 달에 20만 원이 빠져나간다”는 고정 지출이었습니다.
함께 주의할 점 둘 다 실제 사람이 아니라 AI가 연기한 결과입니다. 점수나 비율은 성공 확률이 아니라, 대안끼리 비교하고 실제 조사 전에 가설과 질문을 다듬는 용도로 씁니다.
강연·발표에 그대로 쓸 수 있게 네 장으로 그렸습니다. 전체 흐름, 문서가 사람 42명의 시장이 되는 과정, 시장을 겹겹이 돌리는 방대한 시뮬레이션, 그리고 결과의 원인을 읽는 인과 추론 순서입니다.
시장 안의 작은 연결망은 개념도이고, 숫자는 핏박스 사례의 실측값입니다. 인물 이름은 모두 가상 페르소나입니다.
예측기 개발 중 실제로 돌린 두 사례입니다(BTS는 시뮬레이션용 가정).
긍정 이야기는 잘 퍼졌지만(확산력 97점) 구매 신호가 22.7점에 그쳤습니다. 가격 20% 인하안은 43.5점으로 오히려 낮았고, 가장 퍼진 긍정 발화는 개인이 아니라 회사 단체 구독 문의였습니다. 권고는 가격 인하가 아니라 B2B 선행과 1주 체험 상품이었습니다.
구매 신호 80점, 긍정 대 부정 확산 235 대 10으로 수요는 강했습니다. 그러나 마지막 구간에 R석 가격과 교통·숙박비 이야기가 나오며 여론이 꺾였습니다. 서울 4회+생중계+R석 인하안은 73.0점이었지만 차이가 3.8점이라 흔들림 범위로 판정했습니다.
실제로 돌린 시뮬레이션 기록과 평가 결과로 쓴 정식 보고서입니다. 경영진 요약부터 고객 반응, 이해관계자, 여론의 전환점과 인과 사슬, 대안 비교, KPI별 달성 가능성, 실행 로드맵, 실제 시장에서 검증할 가설, 방법론까지 담았습니다.
공개 정보로 만든 가정 시나리오(BTS)와 가상의 사업(핏박스)입니다. 실제 아티스트·소속사·기업의 계획이나 입장과 무관하며, 인용한 발화는 가상 페르소나의 것입니다. 시뮬레이션 속 기업·기관 계정은 역할 이름으로 표기했습니다.
예측기에 넣을 브리프를 다듬고, 나온 보고서를 의사결정으로 바꾸는 데 쓰는 프롬프트입니다. 꺾쇠(< >) 부분만 우리 상황으로 바꾸십시오.
아래 사업계획서를 읽고 'AI 사업성과 예측기'에 넣을 사업 브리프를 만들어 줘. [사업계획서] <사업계획서 본문 또는 요약을 붙여 넣기> 다음 칸을 한국어로 채워 줘. 계획서에 없는 내용은 지어내지 말고 "확인 필요"로 남겨. - 유형: 신제품 / 신사업 / 신전략 중 하나 - 추진 주체: 예비창업자 / 스타트업 / 중소기업 / 중견기업 / 대기업 - 이름, 업종, 한 줄 설명 - 타깃 고객: 나이·지역·직업·소득처럼 사람을 고를 수 있는 조건으로 - 가치 제안: 고객이 얻는 것 한 문장 - 경쟁사와 대체재: 고객이 지금 대신 쓰는 것까지 - 채널, 시장(지역), 가격과 가격 단위 - 성공 기준: 숫자와 기한이 있는 KPI 2~3개 - 비교해 볼 대안 1개: 가격·타깃·채널·메시지 중 결과를 가장 크게 바꿀 것 같은 변수 하나만 바꾼 안 마지막에 이 브리프로 예측했을 때 결과를 흐릴 수 있는 빈칸이나 모호한 점을 3개 이내로 짚어 줘.
역할: 신사업 전략 컨설턴트. 아래 브리프로 출시 전 시뮬레이션을 돌리려 한다. 시뮬레이션은 "변수 하나만 바꾼 대안"과 비교할 수 있다. [브리프] <브리프 붙여 넣기> 이 사업의 성패를 가를 가능성이 큰 변수 3개를 고르고, 각각에 대해 1) 바꿀 내용(예: 1주 49,000원 → 39,000원), 2) 그렇게 바꾸면 고객·경쟁사·유통의 반응이 어떻게 달라질 것으로 보는지(가설), 3) 이 가설이 틀렸다면 시뮬레이션 결과에서 무엇이 보일지 를 표로 정리해 줘. 한 번에 하나의 변수만 바꾸도록 해.
아래는 AI 사업성과 예측기의 스코어카드와 보고서다. [결과] <스코어카드(점수·판정·지표별 점수·대안 비교)와 보고서 본문 붙여 넣기> 경영회의용 1장으로 정리해 줘. 1) 결론 한 문장: 추진 / 조건부 추진 / 피벗 / 중단 중 무엇이고 왜인지(가장 결정적인 지표 1~2개와 수치) 2) 여론이 꺾인 전환점과 그 원인 발화 — 실제 출시에서 같은 일이 생기면 무엇을 할지 3) 대안 비교 해석: 점수 차가 5점 미만이면 "우열 없음"으로 쓰고, 5점 이상이면 어떤 지표가 갈랐는지 4) 다음 2주 안에 실제 시장에서 확인할 것 3개(작은 실험·인터뷰·시범 판매) 주의: 가상 시장의 결과임을 밝히고, 점수를 성공 확률처럼 쓰지 마.
조사 대상과 질문을 적으면, 실제 인구 분포를 반영한 한국인 페르소나 가운데 대상에 맞는 30~300명을 골라 각자의 나이·직업·가족·소득 형편대로 답하게 합니다. 결과는 문항별 비율과 연령·성별·지역별 교차표, 주관식 주제 정리로 받습니다.
설문 한 건에 보통 1분이 안 걸립니다(60명 기준 약 30초).
조사 대상 설명을 나이·성별·시도·직업·생활 조건으로 바꿔 5,000명 표본에서 응답자를 뽑습니다. 후보가 모자라면 조건을 단계적으로 넓히고, 넓힌 조건을 결과에 밝힙니다.
단일 선택, 복수 선택, 5점 척도, 주관식을 씁니다. 응답자 한 명이 설문 전체에 한 번에 답하므로 앞뒤 문항이 한 사람 안에서 이어집니다.
연령대·성별·지역별로 같은 집계를 냅니다. 5명 미만인 집단은 빼서, 몇 명의 답으로 결론을 내리는 일을 막습니다.
주관식은 주제별로 묶어 비율과 대표 응답을 붙이고, 결과에 있는 수치만으로 핵심 발견과 다음에 확인할 것을 정리합니다.
크레딧(19,000)을 내고 시작합니다. 응답을 3분의 1 미만으로 받으면 실패로 보고 크레딧을 자동으로 돌려드립니다.
"서울·경기에 사는 25~49세 직장인"처럼 사람을 고를 수 있게 적습니다. 비우면 대한민국 성인 전체에서 뽑습니다. 응답자는 30~300명입니다.
현재 행동(지금 어떻게 해결하나), 의향(5점 척도), 적정 가격(선택형), 망설이는 이유(주관식) 순서가 무난합니다. 보기는 서로 겹치지 않게 2~8개로 둡니다.
가상 응답자의 답이므로 표본오차·신뢰구간은 없습니다. 집단 간 차이와 주관식 주제에서 실제 조사로 확인할 가설을 뽑는 데 씁니다.
어려운 기술 이야기 없이, 여론조사가 어떻게 응답을 모으고 정리하는지 네 단계로 풀었습니다.
조사 회사에 패널 조사를 맡기는 것과 같습니다. 다만 응답자가 실제 사람 대신, 그 사람을 그대로 연기하는 AI입니다.
실제 인구처럼 나이·성별·지역·직업·가족·소득이 분포된 한국인 페르소나 5,000명이 있습니다. “서울·경기 30~45세 사무직”이라고 적으면 조건에 맞는 30~300명을 뽑습니다.
응답자마다 AI가 그 사람의 형편과 가치관으로 설문 전체에 답합니다. 좋게만 답하지 않도록, 관심이 없거나 모르면 그렇게 답하게 합니다.
문항별 비율과 평균을 내고, 연령·성별·지역별로 나눠 봅니다. 주관식 답은 주제별로 묶어 대표 응답과 함께 보여 줍니다.
1차 결과를 모두에게 보여 준 뒤 다시 묻습니다. 남의 의견을 본 뒤 생각이 얼마나 바뀌는지를 잽니다.
건강 도시락 구독 조사에서 숙의 라운드를 켜자, 1차 결과를 본 응답자 30명 중 43%가 답을 바꿨습니다. 남의 의견에 쉽게 흔들리는 문항을 이렇게 가려냅니다.
함께 주의할 점 둘 다 실제 사람이 아니라 AI가 연기한 결과입니다. 점수나 비율은 성공 확률이 아니라, 대안끼리 비교하고 실제 조사 전에 가설과 질문을 다듬는 용도로 씁니다.
세 장으로 그렸습니다. 전체 흐름, 5,000명 페르소나 가운데 조건에 맞는 응답자를 뽑아 답하게 하는 방식, 그리고 남의 의견을 본 뒤 생각이 얼마나 바뀌는지 재는 숙의 라운드입니다.
숙의 라운드 수치는 실제 Claude로 30명에게 돌린 조사 결과입니다. 응답자는 실제 사람이 아니라 페르소나를 AI가 연기한 것입니다.
서울·경기 25~49세 직장인, 4문항. 예측기의 핏박스 사례와 같은 주제입니다.
끼당 9,800원 주 5회 정기배송의 이용 의향은 평균 2.32점, 긍정(4~5점)은 3.3%였습니다.
적정 끼당 가격은 6~8천 원이 68.3%, 1만 원 초과는 0%였습니다. 젊을수록 낮은 가격을 골랐습니다.
망설이는 이유는 "매일 같은 메뉴가 질릴 것" 40%, 가격 부담 28% 순이었습니다. 예측기가 짚은 "체험 상품"과 맞닿는 결과입니다.
Claude·ChatGPT에 붙여 넣어 설문지 초안을 만들고, 결과를 실제 조사 설계로 넘길 때 씁니다. 꺾쇠(< >) 부분만 바꾸십시오.
역할: 한국 소비자 조사 설계 전문가.
조사 목적: <예: 직장인 점심 도시락 정기배송의 이용 의향과 적정 가격 확인>
조사 대상: <예: 서울·경기에 사는 25~49세 직장인>
'AI 여론조사'에 넣을 설문지를 만들어 줘. 규칙:
- 10문항 이하. 유형은 single(단일 선택) / multi(복수 선택) / scale(5점 척도) / open(주관식) 중 하나.
- 순서: 현재 행동 → 인식 → 의향(척도) → 가격 → 망설이는 이유(주관식).
- 선택형 보기는 2~8개, 서로 겹치지 않고 빠짐없이(필요하면 "기타/해당 없음").
- 유도하는 표현("혁신적인", "저렴한")과 한 문항에 두 가지를 묻는 질문을 쓰지 마.
출력: 문항마다 [유형] 질문 / 보기 를 한 줄씩, 그리고 각 문항으로 확인하려는 가설 한 줄.
아래는 한국인 페르소나 패널(가상 응답자)에게 돌린 설문 결과다. [결과] <문항별 비율·평균, 연령·성별·지역 교차표, 주관식 주제 붙여 넣기> 1) 결과에서 눈에 띄는 집단 간 차이 3개를 수치와 함께 짚고, 각각 왜 그럴 수 있는지 가설을 세워 줘. 2) 그 가설을 실제 소비자 조사(온라인 패널 300명 기준)로 확인하려면 어떤 문항을 어떻게 바꾸거나 더해야 하는지. 3) 가상 응답자 결과라서 과대·과소평가됐을 가능성이 큰 부분. 수치는 결과에 있는 것만 쓰고, 표본오차·신뢰구간은 쓰지 마.
메타·구글(유튜브 광고) 보고서와 광고 소재를 올리면, 모든 소재를 같은 기준으로 나눠 성과와 맞춰 봅니다. 고객이 멈춰 보고, 끝까지 보고, 누르고, 사기까지 단계마다 어떤 요소가 효과가 있었는지 신뢰등급과 함께 보여 드립니다.
분석할 회사를 고르세요
고른 회사에 맞춰 아래 실제 케이스, ① 예시 광고, ② 시청 지속 곡선, ③ 댓글 예시가 함께 바뀝니다.
광고 보고서·시청 지속 곡선·댓글·A/B 테스트 결과까지, 모두 이 브라우저 안에서 계산합니다.
첫 3초 장면, 메시지, 사용 전후 비교, 출연자, 제품 노출 시점, 영상 형식, 할인 조건을 같은 항목으로 기록합니다. 광고 규제에 걸릴 수 있는 표현도 함께 봅니다.
3초 재생률, 완주율, 클릭률, 전환율, 광고비 대비 매출을 단계마다 나눠 계산합니다. 클릭은 많이 받지만 구매로 이어지지 않는 요소를 좋은 요소로 잘못 고르지 않습니다.
매체와 광고비 차이를 걸러 내고, 우연히 좋아 보이는 결과를 보정하고, 기간을 나눠 한 번 더 확인합니다. 결론마다 A~D 등급을 붙입니다.
효과가 커 보이는 요인을 확인할 A/B 테스트 계획과, 규제 위험 표현을 뺀 다음 소재 제안 세 가지를 드립니다.
그룹과 7개 브랜드 공식 채널의 최근 영상 공개 정보(2026-11-12 수집)와 NVIDIA 한국인 페르소나 32명의 반응입니다.
설화수·헤라·한율·미쟝센·이니스프리·프리메라·에스트라와 그룹 채널에서 채널별 최근 15편씩, 120편의 제목·게시일·조회수·좋아요·쇼츠 여부만 모았습니다. 광고 집행 데이터가 없으므로 도달(조회수)과 반응(좋아요율)을 따로 보고, 브랜드 차이는 걸러 냅니다. 이어서 NVIDIA Nemotron-Personas-Korea에서 고른 20~50대 32명이 브랜드별 영상 2편씩, 16편을 보고 답한 가상 반응을 실제 반응과 견줍니다.
예시 보고서가 들어 있어 첨부 없이 바로 실행됩니다. 내 파일은 추가 선택입니다.
지금 들어 있는 데이터: 예시 보고서 — 가상 뷰티 브랜드가 메타·구글에 올린 광고 48개(분류 완료). 몇 가지 요소에 효과를 심어 두어, 분석기가 그 효과를 찾아내는지 볼 수 있습니다.
광고별로 내보내 주세요. 꼭 필요한 항목은 광고 이름·노출·지출(비용)·클릭이고, 전환·전환 가치·동영상 3초 재생·ThruPlay(조회수)·날짜가 있으면 더 많은 단계를 분석합니다. 파일을 올리면 위의 분석 실행이 그 파일로 바뀝니다. 소재 분류는 우선 광고 이름에 든 낱말로 자동으로 하고, 분류표를 엑셀에서 고쳐 다시 올리면 정확해집니다.
예시 곡선(45초 뷰티 영상)이 들어 있어 첨부 없이 바로 실행됩니다. 내 파일은 추가 선택입니다.
내 파일은 유튜브 스튜디오 → 분석 → 시청 지속 시간에서 내보내며, 위치(%)와 시청자 유지율(%) 두 열이 있으면 됩니다. 영상 길이를 넣으면 몇 초 지점인지까지 알려 드립니다. 이탈이 큰 구간의 장면을 영상에서 확인해 보세요.
예시 댓글이 들어 있어 바로 실행됩니다. 직접 고쳐 쓰거나 CSV를 올려도 됩니다(추가 선택). 작성자·연락처는 지우고 봅니다.
예시 숫자가 들어 있어 바로 판정됩니다. 요인 하나만 바꾼 두 광고의 결과로 바꿔 넣어 보세요.
숫자는 프로그램이 계산하고, AI는 그 결과를 해석만 합니다.
시험을 잘 본 학생과 못 본 학생의 공부 습관을 같은 체크리스트로 비교하는 것과 같습니다. 다만 학원비(광고비)와 학교(매체) 차이는 미리 걸러 냅니다.
메타 광고 관리자나 구글 애즈에서 광고별 보고서를 받아 올립니다. 영상·이미지는 파일 이름으로 광고와 짝을 맞춥니다.
영상 길이와 장면 전환 속도는 브라우저가 직접 재고, 장면 사진은 AI가 정해진 항목에 따라 분류합니다. 담당자가 고친 값이 우선합니다.
같은 매체·같은 광고비 수준에서 그 요소가 있는 소재가 몇 % 높았는지 단계별로 계산하고, 기간을 나눠 다시 확인합니다.
효과가 커 보이는 요인 하나만 바꾼 A/B 테스트로 확인합니다. "원인"이라는 말은 이 단계를 거친 뒤에만 씁니다.
주의할 점 광고 성과 데이터만으로 찾은 요인은 "가능성"입니다. 시즌·프로모션처럼 데이터에 없는 차이는 걸러지지 않으므로, 중요한 결정 전에는 실험으로 확인하세요.
위 세 케이스를 끝까지 정리한 A4 보고서입니다. 숫자는 모두 같은 케이스 데이터에서 다시 계산했습니다.
공식 유튜브 120편의 공개 정보와 NVIDIA 한국인 페르소나 32명의 반응으로, 어떤 영상 요소가 조회수와 좋아요율을 움직였는지, 그리고 그것이 구매 관심과 왜 달랐는지를 짚습니다.
삼성전자 국내·글로벌·해외 법인·삼성스토어 공식 유튜브의 갤럭시폰(Z 폴드8·플립8, S26) 영상 120편과 20~50대 남녀 페르소나 32명의 반응으로, 무엇이 조회수·좋아요율을 움직였고 그것이 구매 관심과 어떻게 달랐는지 짚습니다.
환경재단과 서울국제환경영화제 공식 유튜브 120편, 같은 페르소나 32명의 참여·후원 관심으로 비영리 영상의 도달·반응·참여를 나눠 봅니다.
공개 정보로 만든 분석 예시이며 아모레퍼시픽·삼성전자·환경재단과 제휴하거나 의뢰받은 분석이 아닙니다. 페르소나 반응은 AI가 연기한 가상 응답이며 실제 소비자 조사가 아닙니다.
로봇의 두뇌가 바뀌고 있습니다. 카메라로 보고(Vision), 사람 말을 알아듣고(Language), 팔을 움직이는(Action) 일을 하나의 AI 모델이 한꺼번에 하는 것을 VLA 모델이라고 부릅니다. 이 훈련소에서 가상 로봇에게 직접 시범을 보여 주고, 학습시키고, 처음 보는 장면에서 시험해 보세요.
예전 로봇은 사람이 좌표를 하나하나 짜 넣었습니다. VLA 로봇은 화면과 지시문을 받아 다음 동작을 스스로 정합니다.
말귀와 눈썰미를 이미 갖춘 경력직을 뽑아, 우리 창고의 일만 몇 번 시범으로 보여 주며 가르치는 것과 같습니다. 말과 그림은 인터넷에서 배워 오고, 손놀림은 우리 현장의 시연에서 배웁니다.
사람이 로봇을 원격으로 조종해 일을 해 보이면, 그 순간의 화면·지시문·동작이 한 묶음의 학습 데이터가 됩니다.
"이 화면, 이 지시에서 사람은 이렇게 움직였다"를 맞히도록 신경망을 고쳐 갑니다. 이것을 행동 복제(behavior cloning)라고 합니다.
RT-2·OpenVLA는 팔의 움직임을 0~255 칸으로 나눠 낱말처럼 내놓습니다. 언어모델이 다음 낱말을 고르듯 다음 동작을 고릅니다.
시연한 장면을 외웠는지, 일하는 법을 배웠는지는 학습에 쓰지 않은 장면에서만 알 수 있습니다.
로그인 없이 이 브라우저 안에서 계산합니다. 학습도 여기서 실제로 일어납니다.
[새 과제 받기]를 누르면 무엇을 어디에 옮길지 과제가 나옵니다. 작업대에 ①잡을 것과 ②놓을 곳이 표시되고, 아래 순서대로 하면 됩니다. 부품·용기 근처를 누르면 한가운데로 맞춰 줍니다. 성공한 시연만 학습 데이터로 남습니다. 한 번 끝나면 다음 과제가 저절로 이어지고, 작업대 아래 [그만하기]로 멈춥니다.
손이 바쁘면 원격조종팀에게 맡기세요.
모은 데이터로 손 신경망 3개를 처음부터 60바퀴씩 학습시킵니다. 선이 내려갈수록 사람의 동작을 잘 따라 한다는 뜻입니다. 끝나면 처음 보는 장면 40개를 3개 모두에게 시켜 평균 성적을 냅니다.
처음 보는 장면에서 말로 시켜 보세요. "가장 왼쪽 기어", "가장 가까운 블록", "흰 상자 옆에 있는 거"처럼 위치로 말해도 됩니다. 아래 예시는 지금 작업대에 있는 부품·용기로 만든 것입니다. 실행 중에 로봇이 헤매면 작업대를 눌러 바로잡으세요.
사람이 넘겨받았습니다. 작업대를 눌러 손을 옮기고 잡기·놓기를 해 주세요. 이 동안의 동작이 교정 데이터로 기록됩니다.
학습을 마칠 때마다 처음 보는 장면 40개의 평균 성공률이 여기에 쌓입니다.
결과는 시연에 따라 달라집니다. 같은 순서로 해 보고 성적 기록을 비교해 보세요. 3번부터는 현장 작업대에서 하면 차이가 뚜렷합니다.
제목을 누르면 논문 원문이 새 탭에서 열립니다.
로봇 동작을 글자(토큰)로 바꿔, 인터넷 그림·글로 배운 시각언어모델이 동작을 직접 말하게 했습니다. 'VLA'라는 이름을 쓴 첫 모델입니다.
로봇 22종이 남긴 100만 개 넘는 시연 기록을 한데 모은 공개 데이터입니다. 서로 다른 로봇의 데이터를 섞으면 성능이 오른다는 것을 보였습니다.
70억 파라미터의 공개 VLA입니다. Open X-Embodiment의 시연 97만 개로 학습했고, 누구나 내려받아 자기 로봇에 맞게 추가 학습할 수 있습니다.
시각언어모델에 '동작 전문가'를 붙여, 동작을 낱말 하나씩이 아니라 여러 걸음을 한 번에 부드럽게 냅니다. 빨래 개기 같은 섬세한 일을 보였습니다.
Gemini 2.0을 바탕으로 만든 VLA입니다. 처음 보는 물건과 지시, 다른 형태의 로봇으로 넓혀 가는 일반화를 내세웁니다.
휴머노이드 로봇용 공개 기반 모델입니다. 상황을 판단하는 느린 시스템과 동작을 만드는 빠른 시스템을 나눈 두 겹 구조입니다.
모델보다 데이터와 안전이 먼저입니다.
VLA의 실력은 시연의 양과 다양성에서 나옵니다. 원격조종 인력과 시간이 곧 비용입니다. 우리 현장의 부품·배치를 얼마나 담을지 먼저 정해야 합니다.
시연한 장면에서 잘되는 것은 외운 것일 수 있습니다. 학습에 쓰지 않은 부품·배치·조명에서 잰 성공률을 보여 달라고 하세요.
애매한 지시에 되묻는지, 헛손질을 알아채는지, 사람이 언제든 멈출 수 있는지. 성공률만큼 실패했을 때의 동작이 중요합니다.
이 체험의 단순화 실제 VLA는 카메라 픽셀과 지시문을 수십억 개 파라미터의 한 모델에 넣고 관절 명령을 바로 냅니다. 여기서는 원리를 보이려고 눈·말 부분을 미리 만든 규칙으로 대신했고, 손 부분만 작은 신경망(파라미터 약 320개, 동작 묶음이면 약 1,600개)으로 이 브라우저 안에서 실제로 학습시킵니다. 현장의 장애물은 시연자가 돌아가는 법을 보여 주고, 로봇은 그 시연에서 배웁니다.