개발하는 전뚠뚠

[투자] 2026년 5월 코스피&나스닥 동반 랠리, 지금은 확대가 아닌 축소를 노려야 할 타이밍

전뚠뚠 — Mon, 4 May 2026 13:51:19 +0900

2026 MAY · MARKET ALERT

코스피·나스닥 동반 랠리, 그러나
지금은 '매수 확대'가 아니라 '축소'

유가는 100달러 박스권, 전쟁은 진행형. 환희에 가려진 비대칭 리스크를 점검할 때.

한 달 만에 분위기가 완전히 뒤집혔다. 3월 미·이란 전쟁 위기로 무너졌던 지수들이 4월 중순부터 일제히 되돌림에 들어가 코스피와 나스닥 모두 신고가권에 다시 올라섰다. 그러나 시장이 '완벽한 시나리오'를 가격에 모두 반영하는 동안, 유가와 지정학·관세 리스크는 그 자리에 그대로 남아 있다.

핵심 메시지 — 지금 시장은 호재에 만점을 매겼고, 악재에는 0점을 주고 있다. 이 비대칭이 깨지는 순간 하락폭은 깊어진다. 추가 매수가 아니라 현금 비중 확대가 우선이다.

1 동반 상승, 어디까지 왔나

4월 중순 저점 대비 양 시장 모두 두 자릿수 상승률을 기록했다. 미국은 AI 빅테크의 어닝 서프라이즈, 한국은 외국인의 반도체 집중 매수가 견인차였다.

나스닥 (4월 저점 대비)+14.8%

코스피 (4월 저점 대비)+11.2%

WTI 유가 (박스권 상단)$95~105

나스닥은 22,500선을 돌파했고, 코스피는 3,100선에 안착했다. 문제는 유가도 함께 올라와 있다는 사실이다. 위험자산과 원자재가 동시에 강세인 구간은 길지 않다.

2 동반 상승을 만든 네 가지 동력

DRIVER 01

AI 빅테크 실적의 현실화

알파벳 클라우드 매출이 전년 대비 63% 폭증, 수주 잔고가 4,620억 달러까지 쌓이며 'AI 거품론'을 잠재웠다.

DRIVER 02

한국 반도체 공급망 장악

SK하이닉스의 HBM3E 12단 독점 공급, 삼성전자 2나노 파운드리 양산 가시화가 코스피 대형주 랠리를 주도했다.

DRIVER 03

금리 인하 기대 재점화

3월 급등했던 물가 지표가 4월 말 둔화되며 연내 1회 금리 인하 가능성이 다시 자산가격에 반영됐다.

DRIVER 04

외국인의 코리아 컴백

밸류업 정책 기대와 반도체 모멘텀이 맞물리며 외국인이 한국 증시로 빠르게 회귀, 환율과 지수를 동시에 끌어올렸다.

3 사라지지 않은 세 가지 변동성

상승의 이유가 명확한 만큼, 하락의 트리거도 분명하다. 하나도 해소되지 않았다.

호르무즈 긴장

→

유가 재급등

→

물가 재반등

→

금리 인하 철회

리스크 카테고리	현재 상태	증시 임팩트
국제 유가	WTI $95~105 박스권. 호르무즈 긴장 잠복.	$110 돌파 시 인플레 재점화 → 금리 인하 시나리오 붕괴
중동·우크라이나	이스라엘·이란 대리전 양상, 러·우 전쟁 장기화	공급망 쇼크 재발 시 위험자산 동반 급락 가능
미국 관세	대중국 AI 칩 최대 50% 추가관세 검토	한국 반도체·기술주 공급망에 시한폭탄
밸류에이션	나스닥 PER 36.2배 (10년 평균 25.4배)	실적 가이드 하향 한 번에 멀티플 디레이팅

4 왜 지금이 '축소' 타이밍인가

비대칭 리스크 구간 — 호재(AI 수익화·금리 인하·지정학 안정)는 이미 100% 반영됐다. 작은 변수에도 하락폭이 깊어지는 반면, 추가 상승 여력은 제한적이다.

나스닥 PER 36.2배는 과거 10년 평균(25.4배)을 크게 웃돈다. 코스피 PBR 1.25배도 한국 증시 역사상 강력한 저항선이다. 동시에 빅테크들은 AI 투자를 위해 대규모 채권 발행으로 시중 유동성을 흡수 중이다 — 알파벳 한 곳만 1,900억 달러 CAPEX를 예고했다. 지수가 더 가벼워지기 어려운 환경이다.

축소 논리 요약 — ① 호재 선반영, ② 밸류에이션 임계점, ③ 잔존 매크로 리스크, ④ 빅테크 채권 발행에 따른 유동성 흡수. 네 가지가 동시에 성립한다.

5 지금 점검할 포트폴리오 가이드

현금 비중 40% 이상 확보

단기 급등한 빅테크 비중의 20~30%를 수익 실현해 현금화. 다음 하락 사이클의 실탄을 마련해 둔다.

️

방어적 가치주로 일부 이동

고금리 장기화에 대비해 현금흐름이 우수한 통신·금융 등 저PBR 섹터로 비중 일부를 분산.

⛽

에너지 헤지 5~10% 유지

유가 재급등 시 인플레와 위험자산 하락이 동반된다. 에너지 ETF·원자재로 하락장 방어막 구축.

반도체는 HBM 본류로 압축

실적 뒷받침이 약한 테마성 소부장은 정리. 메모리·HBM·파운드리 등 확실한 밸류체인으로 좁혀라.

매수 확대 트리거를 미리 정의

WTI $85 이하 안착, 나스닥 -10% 조정, 미·중 관세 합의 등 명시적 기준 없이는 비중을 늘리지 않는다.

핵심 정리

코스피 +11.2%, 나스닥 +14.8% — '완벽한 시나리오'가 100% 반영된 구간이다.
유가 $95~105, 중동·러우 전쟁, 대중국 50% 관세는 전혀 해소되지 않았다.
나스닥 PER 36.2배·코스피 PBR 1.25배 — 밸류에이션은 임계점에 도달.
지금은 매수 확대가 아니라 현금 비중 확대(40%+)가 우선이다.
다음 액션은 가격이 정해주는 게 아니라, 미리 정한 트리거가 정해준다.

환희는 늘 위험을 지운다. 지수가 신고가일수록, 포트폴리오는 더 보수적으로 점검해야 한다. 추격하지 말고, 다음 하락에 쓸 카드를 준비할 시간이다.

본 글은 시장 흐름에 대한 개인적인 분석과 의견이며, 특정 종목·자산의 매수·매도를 권유하는 투자 자문이 아닙니다. 모든 투자 판단과 결과의 책임은 투자자 본인에게 있습니다.

[투자] AI시대, 승패가 갈리기 시작했다. 최후의 승자 `Google(알파벳)`

전뚠뚠 — Thu, 30 Apr 2026 22:54:06 +0900

2026 Q1 EARNINGS

AI 시대, 승패가 갈리기 시작했다
최후의 승자는 결국 'Google'이었다

매출 +22%, EPS 컨센서스 +94% 비트, 클라우드 +63%. 프리마켓에서 7~8% 폭등한 알파벳의 1분기 실적 해부.

2026년 4월 30일(한국 시간). 빅테크 4사가 동시에 분기 실적을 내놓은 이번 어닝 시즌은 단순한 분기 보고가 아니었습니다. 그동안 자본 시장이 막연히 기대해 온 'AI 투자'가 실제로 현금과 마진으로 환산되는지를 가르는 가혹한 시험대였습니다.

결과는 명확했습니다. Meta는 폭락했고, Microsoft·Amazon은 정체했으며, 오직 Google만 7% 이상 폭등했습니다.

핵심 메시지 — 시장의 평가 기준이 "누가 AI에 가장 많이 투자하는가"에서 "누가 AI 투자로 즉각적인 수익을 만드는가"로 완전히 이동했습니다. 그리고 그 답은 Google이었습니다.

1 1분기 실적 해부 — 모든 컨센서스를 박살낸 숫자

알파벳의 1분기 총매출은 전년 동기 대비 22% 급증한 1,099억 달러. 무려 11분기 연속 두 자릿수 성장이며, 최근 2년 내 가장 빠른 매출 가속도입니다. 더 놀라운 것은 수익성입니다.

핵심 지표	실적	YoY	컨센서스 대비
총매출	$109.9B	+22%	+2.9% Beat
순이익	$62.6B	+81%	—
희석 EPS (GAAP)	$5.11	+82%	+94% Beat
영업이익	$39.7B	+30%	—
영업이익률	36.1%	+2%p	—
영업현금흐름	$45.8B	강력한 증가	—

대규모 AI 인프라 투자로 천문학적 감가상각비가 잡히는 와중에도 마진이 오히려 확장됐다는 점이 결정적입니다. 매출 폭발이 고정비 증가를 완전히 압도한, 이상적인 선순환의 증거입니다.

2 주가의 극적 반전 — 하락에서 폭등까지 6시간

실적 그 자체는 완벽했지만, 시장 반응은 처음부터 좋았던 것이 아닙니다. 발표 직후 애프터마켓에서는 오히려 0.61% 하락했습니다. 그 후 야간을 거치며 분위기가 180도 뒤집혔습니다.

정규장 마감
$349.94

→

애프터마켓
-0.61%

→

프리마켓
+7~8% 폭등

왜 처음엔 떨어졌나 — CapEx 충격

경영진은 2026년 연간 CapEx를 기존 1,750~1,850억 달러에서 1,800~1,900억 달러로 상향했습니다. 1분기에만 357억 달러(+107%)를 썼고, 2027년엔 더 늘린다고 예고했습니다. 잉여현금흐름 훼손 우려가 알고리즘 매도를 촉발했습니다.

왜 폭등으로 뒤집혔나 — 4,620억 달러의 백로그

밤사이 애널리스트들이 컨퍼런스 콜의 디테일을 소화하면서 해석이 완전히 바뀌었습니다. 핵심은 단 하나, Google Cloud의 수주 잔고가 전 분기 대비 두 배로 폭증해 4,620억 달러를 돌파했다는 사실입니다.

선다 피차이 CEO: "현재 우리는 심각한 컴퓨팅 자원 제약에 직면해 있다. 인프라 구축 속도가 고객 수요를 따라가지 못하고 있다."

즉, 1,900억 달러의 CapEx는 막연한 미래 베팅이 아니라 이미 4,620억 달러로 확정된 매출을 소화하기 위한 필수 선행 투자로 재평가된 것입니다.

3 클라우드의 임계점 돌파 — 분기 매출 200억 달러

이번 실적의 진짜 주인공은 Google Cloud입니다. 매출은 전년 동기 대비 63% 폭증해 사상 처음 분기 200억 달러를 돌파했고, 영업이익은 무려 3배(+203%) 늘어 66억 달러를 기록했습니다.

2025 Q1 영업이익률약 18%

2026 Q1 영업이익률32.9%

외형이 1년 만에 63% 늘면서 마진이 거의 두 배로 뛴 구조는 통상의 클라우드 비즈니스에서 보기 어렵습니다. 1억~10억 달러 규모의 메가딜 건수가 전년 대비 2배, 신규 고객 확보 속도도 2배, 생성형 AI 기반 제품 매출은 무려 +800% 성장했습니다.

API 토큰 처리량으로 보는 채택 속도

실제 사용량을 가늠하는 가장 정확한 지표인 API 토큰 처리량은 상상을 초월합니다.

처리량

분당 160억 개 토큰

직전 분기 100억 개에서 60% 수직 상승. 자체 1st-Party 모델이 처리하는 양입니다.

초대형 고객

상위 35곳, 각 10조 토큰

12개월 누적, 330곳이 1조 토큰 이상 처리. 엔터프라이즈 핵심 IT가 Gemini로 흡수 중.

유료 채택

Gemini Enterprise 좌석 +9배

파트너 채널을 통한 유료 좌석 판매가 전년 대비 9배 증가했습니다.

데이터 워크로드

BigQuery + Gemini +30배

데이터 웨어하우스 내부에서의 AI 워크플로우 채택이 폭발적으로 늘었습니다.

4 빅테크 4사 비교 — 같은 CapEx, 다른 운명

이번 어닝 시즌이 흥미로운 이유는 4대 하이퍼스케일러가 모두 비슷한 규모의 CapEx를 발표했음에도 주가 반응이 완전히 갈렸기 때문입니다.

기업	클라우드 성장률	2026 CapEx	주가 반응
Alphabet	+63%	$180~190B	+7~8% 폭등
Microsoft	+39~40%	약 $190B	-1.2~2.4%
Amazon	+28%	약 $200B	+1.3~2.3%
Meta	N/A (클라우드 없음)	$125~145B	-6~9% 폭락

Meta의 폭락이 시사하는 것 — Meta도 매출 +33%, EPS $10.44의 좋은 실적을 냈지만, AI 투자를 외부 고객에게 팔 엔터프라이즈 클라우드 모델이 없다는 약점이 노출되며 9% 가까이 폭락했습니다. 시장은 더 이상 "AI에 돈을 쓴다"는 사실에 보상하지 않습니다.

5 풀스택 AI 제국 — 칩, 보안, 전력까지 내재화

Google이 경쟁자들과 거리를 벌리는 진짜 이유는 단일 서비스가 아니라 AI 시대에 필요한 모든 계층을 수직 계열화했다는 점입니다.

SILICON

TPU 8세대 — 훈련/추론 분리

TPU 8t(훈련, 12.6 PFLOPS)와 TPU 8i(추론, 288GB HBM)로 분리 출시. 이전 세대 대비 추론 가성비 +80%. 2026년 430만 개 → 2028년 3,500만 개 출하 계획.

SECURITY

Wiz 인수 — $295~320억 달러

멀티클라우드 보안 1위 플랫폼 통째 인수. AWS·Azure 내부의 보안 가시성까지 확보, 경쟁사 클라우드에서도 구독 수익을 거두는 구조.

ENERGY

Intersect 인수 — $59억 달러

기가와트급 재생에너지·BESS 인프라 영구 확보. 데이터센터 확장의 진짜 병목인 '전력망' 문제를 자체 해결.

FRONTIER

Waymo — 주당 50만 회 운행

미국 11개 대도시에서 완전 무인 자율주행 상용화. 2034년까지 연평균 +52% 성장으로 1,900억 달러 시장 잠재력.

특히 주목해야 할 한 가지 — TPU의 외부 판매

이번 발표의 가장 큰 전략적 변화는, Google이 자사 AI 칩 TPU를 외부 엔터프라이즈에 직접 판매하기 시작했다는 점입니다. 그동안 TPU는 Nvidia 의존도를 줄이기 위한 내부용 R&D 자산이었지만, 이제 독립적인 매출 파이프라인이 됐습니다.

의미 — 1,900억 달러의 CapEx는 더 이상 Nvidia에 마진을 헌납하는 비용이 아닙니다. 자체 칩을 대량 생산해 규모의 경제를 만들고, 종국에는 Anthropic·Meta 같은 초거대 AI 기업에 칩을 공급하는 거대 실리콘 비즈니스로 진화하고 있습니다.

6 검색은 죽지 않았다 — AI Overviews의 완벽한 수익화

"챗봇 시대에 검색 광고는 끝났다"는 약세론은 이번 분기로 완전히 박살났습니다. '검색 및 기타' 매출은 오히려 가속해 전년 대비 19% 성장한 604억 달러를 기록했습니다.

쿼리 빈도가 오히려 증가

AI 모드와 AI Overviews 도입 이후, 사용자들이 더 복잡한 질문을 위해 더 자주 검색으로 돌아오고 있습니다.

AI 화면도 광고 단가 동일

AI Overviews에 게재되는 광고가 기존 파란 링크 광고와 동일한 비율·전환율로 수익화되고 있습니다.

네이티브 제품 카루셀 광고

일부 카테고리는 검색 결과의 40%에 AI Overview가 노출, 고관여 상업 쿼리에서 즉각적 구매 전환을 유도합니다.

⚡

인프라 비용 -30% 절감

검색 엔진 LLM을 Gemini 3 아키텍처로 전면 업그레이드하며 응답 생성 인프라 비용을 30% 이상 줄였습니다.

처리 비용은 줄고 광고 슬롯은 늘어나는 '황금 비율'이 본업에서 완성된 것입니다.

핵심 정리

실적 — 매출 +22%, 순이익 +81%, EPS $5.11(컨센서스 +94% Beat). 11분기 연속 두 자릿수 성장.
주가 — 애프터마켓 -0.6% → 프리마켓 +7~8% 폭등. CapEx 우려가 백로그 확인으로 정반대 해석.
클라우드 — 매출 +63%, 영업이익률 33%, 수주 잔고 4,620억 달러로 두 배 폭증.
경쟁사 — Meta는 -9% 폭락, MS·아마존은 정체. 시장은 'AI 투자 + 즉시 수익화'만 보상.
해자 — TPU 8세대 외부 판매 시작, Wiz·Intersect 인수로 칩·보안·전력까지 풀스택 내재화.
본업 — AI Overviews가 검색 광고를 잠식하지 않고 오히려 슬롯과 빈도를 확장.

2026년 1분기는 AI 시대의 옥석 가리기가 끝났음을 알린 분기로 기록될 것입니다. 단순히 1위가 아니라 경쟁의 차원 자체를 탈피한 '대체 불가능한 승자'로 Google이 등극했음을, 모든 정량 지표가 증명하고 있습니다.

본 글은 공개된 실적 발표 데이터를 정리한 정보 콘텐츠이며, 특정 종목의 매수·매도를 권유하지 않습니다. 모든 투자 판단의 책임은 투자자 본인에게 있습니다.

[AI] 클로드 코드 토큰 절약 방법과 더 똑똑하게 사용하는 방법에 대해서 알아보자.

전뚠뚠 — Sat, 25 Apr 2026 11:11:49 +0900

CLAUDE CODE TIPS

토큰을 아끼고 결과물을 끌어올리는
Claude Code 슬래시 커맨드 7선

2026년 4월, 지금 가장 많이 회자되는 사용법

이미지 출처: Unsplash

Claude Code를 한두 시간만 써봐도 알게 되는 사실이 있다. 대화가 길어질수록 결과물 품질이 떨어진다는 것. 컨텍스트 윈도우가 차오르면 AI는 앞서 말한 규칙을 잊거나, 같은 실수를 반복하거나, 응답이 답답할 정도로 느려진다.

최근 유튜브와 인스타에서 "Claude Code 제대로 쓰는 법"이라는 콘텐츠가 폭발적으로 늘어난 이유도 여기에 있다. 핵심은 단순하다. 슬래시(/) 커맨드로 컨텍스트를 능동적으로 관리하는 것. 이 글에서는 토큰을 아끼고 답변 품질을 끌어올리는 7가지 커맨드를 정리했다.

한 줄 요약 — 컨텍스트가 60%를 넘기 전에 정리하고, 막혔다 싶으면 되감고, 끝났으면 비운다. 이 세 동작만 습관화해도 토큰 사용량이 절반 이하로 줄어든다.

1 왜 토큰 관리가 중요할까

Claude Code는 자동 압축(auto-compact)이 컨텍스트의 약 95% 지점에서 발동한다. 문제는 그쯤 되면 이미 출력 품질이 눈에 띄게 떨어진 후라는 것. 사용자가 직접 개입해야 하는 임계선은 60% 부근이라는 게 최근 베테랑 사용자들의 공통된 의견이다.

컨텍스트 0~40%최상의 품질

쾌적

40~60%관리 시작 구간

정리 권장

60~95%품질 저하 시작

위험

95%+ (자동압축)이미 늦음

대화 리셋 권장

2 핵심 커맨드 한눈에 보기

커맨드	기능	언제 쓰나
`/clear`	대화 전체 초기화 (파일 변경은 유지)	새 작업 시작 전
`/rewind`	지정한 시점으로 대화·코드 되돌리기	AI가 잘못된 길로 갔을 때
`/compact`	대화를 요약 압축해 토큰 절약	컨텍스트 60% 도달 시
`/context`	현재 토큰 점유율·파일 목록 시각화	주기적 점검
`/agents`	전문 서브에이전트에 작업 위임	탐색·리서치 위임
`/memory`	장기 기억(CLAUDE.md)에 규칙 저장	매번 반복 설명할 때
`/resume`	이전 세션 그대로 이어가기	다음 날 작업 재개

3 상황별 사용 흐름

잘못 갔을 때 — Rewind

AI가 엉뚱한 파일을 건드리거나 의도와 다른 리팩토링을 시작했다면, 그 실패한 시도를 그대로 남겨두지 마라. Esc 키 두 번 또는 /rewind를 입력하면 대화만, 코드만, 또는 둘 다를 이전 상태로 되돌릴 수 있다. 실패한 컨텍스트가 남아있으면 같은 실수를 반복한다.

잘못된 응답 발견

→

Esc Esc / /rewind

→

깨끗한 상태로 재시도

대화가 길어졌을 때 — Compact

/compact는 지금까지 오간 대화를 요약 형태로 압축한다. 핵심은 요약 지시문을 함께 전달하는 것. 예를 들어 /compact "현재 작업 중인 파일 경로와 결정한 아키텍처 규칙은 반드시 보존"처럼 입력하면 무엇을 남기고 무엇을 버릴지 직접 통제할 수 있다.

작업이 끝났을 때 — Clear

/clear는 대화를 완전히 비운다. 단, 파일 수정 내역은 그대로 유지된다. 새로운 기능을 시작할 때는 망설이지 말고 /clear. 이전 작업의 잔재가 남아있으면 AI가 엉뚱한 가정을 하거나 토큰을 낭비하게 된다.

4 자주 하는 실수 4가지

MISTAKE 01

자동 압축까지 방치

95%에서 자동으로 압축되니 괜찮다고 생각하지 마라. 그 시점엔 이미 답변 품질이 떨어진 상태다.

MISTAKE 02

한 세션에 여러 작업

버그 수정과 신기능 개발을 한 대화에서 진행하면 컨텍스트 오염이 발생한다. 작업 단위로 /clear.

MISTAKE 03

파일 전체 읽히기

대형 파일을 통째로 읽히면 토큰이 순식간에 증발한다. 라인 범위나 @file 멘션으로 좁히자.

MISTAKE 04

규칙을 매번 반복 설명

"Tailwind 쓰지 말고 CSS 모듈로"를 매 세션 입력? /memory 또는 CLAUDE.md에 한 번만 적자.

5 2026년형 실전 가이드

주기적으로 /context 점검

30분에 한 번씩 점유율을 확인하라. 60%를 넘었다면 다음 작업 전에 무조건 정리.

탐색은 서브에이전트에게

"어디에 정의돼 있지?", "관련 파일 다 찾아줘" 같은 탐색은 /agents로 위임. 결과 요약만 메인 컨텍스트로 들어온다.

CLAUDE.md는 200줄 이하로

장기 기억 파일이 비대해지면 매 호출마다 토큰이 새어나간다. 자주 쓰는 규칙만 간결하게.

/resume으로 다음 날 이어가기

처음부터 상황 설명을 다시 할 필요가 없다. 어제 끝낸 지점에서 그대로 시작.

⚡

모델은 작업에 맞춰 전환

리팩토링·아키텍처는 Opus, 단순 수정·테스트는 Haiku/Sonnet. 한 모델로 모든 일을 하지 말 것.

⚠️ 주의 — /clear는 대화를 즉시 삭제한다. 중요한 결정 사항이 있다면 먼저 /memory나 별도 메모로 옮긴 뒤 비울 것. 한 번 비운 대화는 되돌릴 수 없다.

핵심 정리

60% 룰 — 컨텍스트가 60%를 넘으면 무조건 /compact 또는 /clear
실패는 즉시 되감기 — AI가 엉뚱한 길로 가면 /rewind로 깔끔히 리셋
탐색은 위임 — 메인 컨텍스트를 보호하려면 /agents 활용
반복 규칙은 저장 — /memory + 가벼운 CLAUDE.md
작업 단위로 분리 — 한 세션 한 작업이 토큰 절약의 기본

슬래시 커맨드는 단순한 단축키가 아니다. AI와의 대화를 설계하는 도구다. 같은 Claude Code를 쓰는데도 누군가는 절반의 토큰으로 두 배의 결과를 낸다면, 그 차이는 결국 컨텍스트를 얼마나 능동적으로 다루느냐에 있다.

본 글은 2026년 4월 기준 공개된 정보를 바탕으로 작성되었으며, Claude Code 업데이트에 따라 일부 커맨드 동작이 달라질 수 있습니다.

[AI] 바이브 코딩으로 간단히 수익 창출을 하기 위한 방법, `앱인토스`

전뚠뚠 — Thu, 23 Apr 2026 21:32:35 +0900

VIBE CODING × APPS IN TOSS

바이브 코딩 × 앱인토스, 1.5시간 만에 수익형 앱을 런칭하는 법

AI에게 지시하고, 토스 3,000만 유저에게 배포한다. 개발의 민주화가 만든 새로운 수익 창출 패러다임.

코딩의 개념이 '작성'에서 '지시'로 이동하고 있다. AI 네이티브 개발 방식인 바이브 코딩(Vibe Coding)과 3,000만 유저를 보유한 앱인토스(Apps in Toss)가 만나면서, 이제 1인 개발자도 1.5시간 만에 수익형 앱을 런칭할 수 있게 됐다.

핵심 포인트 — 바이브 코딩으로 기능을 만들고, 앱인토스로 즉시 배포한다. 마케팅 비용 없이, 앱스토어 심사 없이, 토스 사용자에게 바로 노출된다.

1 바이브 코딩이란?

바이브 코딩은 문법적 세부사항 대신 애플리케이션의 '흐름과 목적(Vibe)'을 AI에게 지시하며 결과물을 만드는 방식이다. 단순 자동완성이 아니라, AI가 프로젝트 맥락을 이해하고 주도적으로 코드를 작성·수정하는 에이전트 기반 개발이다.

Cursor vs Windsurf

비교 항목	Cursor	Windsurf
기반 구조	VS Code 기반	AI-Native Agentic 환경
핵심 기능	Chat, Composer, Command K	Cascade (에이전트 워크플로우)
파일 인식	프로젝트 인덱싱 기반	실시간 자동 인식
강점	확장성·성능	에이전트 자율성·문서화
권장 모델	Claude Sonnet Thinking, GPT-4o	Claude Sonnet, 전용 모델

성공 열쇠는 '상세 명세'와 '규칙'

바이브 코딩의 핵심은 AI에게 얼마나 구체적으로 지시하느냐다. 숙련된 바이브 코더들은 코딩 전 목적·기능·사용자 흐름·기술 스택·DB 스키마를 담은 명세서를 먼저 작성한다. 그리고 .cursorrules 같은 규칙 파일로 AI의 행동을 제어한다.

기술 스택 명시

백엔드(Python), 프론트(HTML/JS), DB(SQL) 등 사용할 도구를 확정해 AI가 임의로 바꾸지 못하게 한다.

코딩 패턴 강제

단순성 유지, DRY 원칙, 파일당 300줄 초과 시 리팩토링 같은 규칙을 명시한다.

환경 분리 & 모의 데이터 금지

Dev/Test/Prod를 엄격히 분리하고, 실패 시 AI가 모의 데이터로 성공한 척하는 것을 차단한다.

안전성 확보

.env 등 민감 파일이 덮어쓰여지지 않도록 명시적으로 금지한다.

2 앱인토스: 배포와 트래픽의 허브

아무리 잘 만들어도 사용자가 없으면 수익이 없다. 앱인토스는 토스 앱 내부에 웹 기반 미니앱을 올릴 수 있는 앱인앱(App-in-App) 플랫폼이다. 별도 설치 없이 토스 유저 풀에 바로 노출된다.

구분	일반 앱 출시	앱인토스 출시
사용자 확보	높은 마케팅 비용	토스 3,000만 유저 즉시 노출
배포 과정	스토어 심사 대기	2~3일 내 검수, 자동 호스팅
인증·결제	자체 구현 필요	토스 로그인·결제 공유
개발 리소스	iOS/Android 네이티브	웹(React) 단일 개발
초기 비용	진입 장벽 있음	입점·광고 수수료 면제

앱빌더 + TDS: 디자인을 리액트 코드로

앱빌더는 토스 디자인 시스템(TDS) 컴포넌트를 드래그 앤 드롭으로 배치하고, 한 번의 클릭으로 리액트 코드를 추출하는 도구다. 추출한 코드를 Cursor에 붙여넣고 기능을 지시하면 디자인과 개발의 간극이 사라진다.

3 1.5시간 개발 워크플로우

기획부터 실제 작동까지 1.5시간. 전통적 방식으로는 상상하기 어려운 속도다. 핵심은 '이미 만들어진 부품을 조립'하는 구조 — TDS·SDK는 규격화된 부품, AI는 숙련된 조립공 역할을 한다.

① 콘솔 등록

→

② 앱빌더 디자인

→

③ 코드 추출

→

④ Vibe Coding

⑤ SDK 연동

→

⑥ 백엔드 구축

→

⑦ 샌드박스 테스트

→

⑧ 검토 요청

예를 들어 AI 사진관 서비스라면, 앱빌더로 UI를 뽑고 → Cursor에게 "Gemini API로 이미지 변환하는 로직 추가"를 지시 → 토스 SDK로 로그인·결제를 붙이고 → Cloud Run에 백엔드를 올리고 → 샌드박스에서 실기기 테스트 → 번들 업로드까지, 한 흐름으로 이어진다.

4 인앱 결제 & 수수료 구조

수익화의 본질은 원활한 결제와 인증이다. 앱인토스 미니앱은 토스 로그인만 허용되며, 자사 로그인이나 카카오·네이버 간편 로그인은 쓸 수 없다. 한 번의 동의로 가입·로그인·정보 제공이 동시에 처리돼 이탈률이 낮다.

결제 연동 4단계

단계	함수 / 역할
1. 상품 조회	`getProductItemList` — 콘솔 등록 상품 목록 표시
2. 결제 요청	`createOneTimePurchaseOrder` — 결제창 호출, 영수증 검증
3. 주문 복원	`getPendingOrders` — 결제 완료됐으나 미지급된 주문 확인
4. 지급 완료	`completeProductGrant` — 상품 지급 후 주문 '완료' 처리

수수료율 (영세·중소 우대)

결제 수단	영세	중소	일반
토스머니(선불)	0.8~1.01%	1.2~2.05%	1.8~3.0%
신용카드·후불	0.7~1.6%	1.13~2.4%	1.88~3.0%
토스쇼핑 상품	-	-	8.0% 고정

정산 주기 D+2 — 구매 확정일 기준 영업일 2일 후 정산. 타 플랫폼 대비 빠른 자금 회전이 소규모 개발자 운영 부담을 덜어준다.

5 정책 & 심사 가이드

플랫폼의 신뢰도를 위해 토스는 엄격한 심사를 운영한다. 아래 영역은 반려되기 쉬우니 기획 단계부터 고려해야 한다.

오픈 제한

금융·자산 서비스

디지털 자산(NFT), 가상자산 거래, 금융상품 중개, 유료 투자자문은 출시 불가.

오픈 제한

의료 관련

비대면 진료, 병원 예약·광고 수익 모델은 원칙적 금지. 공공데이터 기반 조회는 예외 허용.

UX 반려

⚠️ 진입 즉시 바텀싯

서비스 파악 전 광고·안내창이 뜨는 다크 패턴은 주요 반려 사유.

UX 반려

⚠️ 외부 유도 금지

자사 앱 설치 유도, 외부 마켓 링크 삽입은 엄격히 차단.

6 AI 도구 고도화 전략

바이브 코딩 프로젝트의 품질을 올리려면 AI에게 앱인토스 전용 지식을 학습시키는 것이 핵심이다. 최신 AI IDE는 MCP(Model Context Protocol)로 외부 문서를 직접 참조할 수 있다.

최신 SDK 문서 인덱싱

SDK가 업데이트될 때마다 새 문서를 학습시켜 구버전 코드 생성을 방지한다.

⚡

Skills로 반복 작업 자동화

토스 결제창 호출 로직 같은 반복 패턴을 AI Skill로 등록해 한 줄 명령으로 구현.

에러 코드 학습

PRODUCT_NOT_GRANTED_BY_PARTNER 같은 특수 에러를 AI에게 학습시켜 트러블슈팅 가속.

게임 미니앱 WebGL 최적화 체크리스트

메모리 관리 (Initial Memory, GC)필수

빌드 크기 (Code Stripping, ASTC)높음

렌더링 (Batching, GPU Instancing)중요

핵심 정리

바이브 코딩은 AI에게 '느낌'을 지시하는 에이전트 개발 — 상세 명세와 규칙이 성패를 가른다
앱인토스는 3,000만 유저에 즉시 노출, 웹(React) 단일 개발, 토스 로그인·결제 인프라 공유
앱빌더 → Cursor → SDK 연동 → 샌드박스 파이프라인으로 1.5시간 내 런칭 가능
토스 로그인 필수, 수수료는 영세 우대(최저 0.7%대), 정산은 D+2로 빠른 회전
승부처는 "어떻게 코딩하느냐"가 아니라 "어떤 가치를 제공하느냐"로 이동했다

기술적 장벽이 사라진 자리를 창의성과 사용자 경험에 대한 통찰이 채우고 있다. AI IDE와 슈퍼앱 플랫폼의 협력 구조는 앞으로 더 공고해질 것이다. 아이디어만 있다면, 지금이 실행할 때다.

본 글은 공개된 정보를 바탕으로 작성된 일반 정보 제공용 콘텐츠입니다. 정책·수수료·SDK 사양은 변경될 수 있으니 실제 적용 전 앱인토스 공식 문서를 확인하시기 바랍니다.

[AI] Gemini에 추가된 Notebook LM에 대해 알아보자.

전뚠뚠 — Mon, 20 Apr 2026 21:49:35 +0900

GOOGLE AI GUIDE

NotebookLM 사용법 총정리: Gemini 통합, 요금제, 실전 활용 전략

Notebook LM, 노트북LM, Gemini, 제미나이, Notebooks in Gemini를 한 번에 정리한 2026년 가이드. 무엇이 달라졌고, 어떤 업무에 써야 하며, 어떤 요금제가 맞는지 빠르게 확인할 수 있도록 구성했다.

2026년 4월 8일, 구글은 Notebooks in Gemini를 공개하며 Gemini 안에 NotebookLM을 통합했다. 이제 사용자는 Gemini에서 자료를 모으고 아이디어를 확장한 뒤, NotebookLM에서 출처 기반 검증, 오디오 개요, 비디오 개요, 학습 도구까지 이어서 사용할 수 있다.

한 줄 요약
NotebookLM은 문서 기반 검증에 강하고, Gemini는 탐색과 생성에 강하다. 2026년 통합 이후에는 두 도구를 따로 옮겨 다니지 않고 하나의 지식 워크플로우로 연결해서 쓰는 것이 핵심이다.

1. NotebookLM이 무엇인지 2. Gemini 통합 후 달라진 점 3. NotebookLM 사용법 5단계 4. 요금제와 기능 차이 5. 실전 활용 사례 6. ChatGPT·Claude와 비교 7. 자주 묻는 질문 FAQ 8. 공식 링크와 참고 자료

1 NotebookLM이 무엇인가요? 핵심은 출처 기반 답변이다

NotebookLM은 일반적인 AI 챗봇과 다르게, 웹 전체를 즉흥적으로 참조하기보다 사용자가 넣은 문서 자체를 진실의 기준으로 삼는 연구용 워크스페이스에 가깝다. PDF, Google Docs, 스프레드시트, 웹 링크, YouTube, 텍스트 노트 등을 소스로 묶고, 답변에는 인용 마커를 붙여 어느 부분을 근거로 말하는지 확인할 수 있다.

문서 업로드

→

대용량 컨텍스트 처리

→

인용 기반 요약·질의응답

Google Drive 문서에서 정리된 것처럼 NotebookLM의 경쟁력은 소스 접지(Source Grounding)와 대용량 컨텍스트에 있다. 기반 모델은 Gemini 1.5 Pro 계열로 설명되며, 최대 200만 토큰 수준의 문맥을 다룰 수 있어 긴 보고서, 논문 묶음, 회의록, 표와 차트가 섞인 자료까지 한 번에 분석하기 좋다. 즉, NotebookLM은 “대충 요약하는 AI”가 아니라 근거를 남기며 정리하는 AI에 더 가깝다.

2 Gemini 통합 이후 무엇이 달라졌나? 양방향 동기화가 핵심이다

2026년 4월 8일 공개된 통합의 본질은 단순 링크 연결이 아니라 양방향 동기화(Bidirectional Sync)다. 이제 Gemini에서 만든 노트북과 올린 자료, 대화 맥락이 NotebookLM과 즉시 이어지고, 반대로 NotebookLM에서 추가하거나 정리한 소스도 Gemini에서 바로 활용할 수 있다.

Gemini에서 자료 수집

⇄

노트북 동기화

⇄

NotebookLM에서 검증·재구성

SYNC 01

문서와 메타데이터가 함께 움직인다

Gemini에 올린 PDF, Google Drive 문서, 이미지, 텍스트 파일이 NotebookLM 노트북으로 연결된다. 노트북 이름과 맞춤형 지침 같은 설정도 함께 이어지는 구조다.

SYNC 02

브레인스토밍 대화도 자산이 된다

Gemini에서 나눈 대화와 탐색 과정이 단발성 채팅으로 사라지지 않고, 프로젝트 맥락의 일부로 축적된다. 장기 프로젝트에서 특히 강력한 변화다.

SYNC 03

같은 자료 위에서 사고 모드만 바꾼다

Gemini에서는 아이디어를 넓히고, NotebookLM에서는 논리적 모순과 근거를 점검한다. 더 이상 같은 파일을 다시 올리거나 맥락을 반복 설명할 필요가 줄어든다.

SYNC 04

인지적 마찰이 줄어든다

검색, 정리, 검증, 발표 자료화까지 한 파이프라인으로 이어지기 때문에 창 전환과 자료 재정리가 줄고, 실제 업무 몰입도가 높아진다.

3 NotebookLM 사용법: 검색 유입이 많은 질문 기준으로 5단계 정리

검색에서 자주 묻는 “NotebookLM 어떻게 쓰나요?”, “Gemini와 같이 쓰면 뭐가 좋나요?”에 대한 가장 실용적인 답은 아래 순서다. 핵심은 Gemini로 넓게 찾고, NotebookLM으로 좁고 정확하게 정리하는 것이다.

STEP 01

자료를 한 노트북에 모은다

보고서, 기사, 회의록, PDF, Google Docs, 유튜브 링크를 한 프로젝트 노트북으로 묶는다. 이 단계에서 자료 범위를 잘 정하는 것이 결과 품질을 좌우한다.

STEP 02

Gemini에서 넓게 탐색한다

아이디어 확장, 초안 생성, 비교 관점 정리는 Gemini에서 빠르게 진행한다. 이때 생성된 질문 목록이나 초안 구조도 이후 검증 대상으로 남길 수 있다.

STEP 03

NotebookLM에서 근거를 확인한다

문서 간 충돌, 빠진 맥락, 인용 근거, 수치 출처를 체크한다. “이 결론의 근거가 되는 문단만 보여줘” 같은 검증형 질문에 특히 강하다.

STEP 04

오디오·비디오·인포그래픽으로 변환한다

텍스트로 정리한 내용을 오디오 개요, 비디오 개요, 인포그래픽, 플래시카드로 바꾸면 회의 공유나 학습 복습까지 한 번에 이어진다.

STEP 05

최종 산출물은 목적에 맞게 다시 편집한다

블로그 글이면 검색 의도에 맞는 제목과 FAQ를 붙이고, 보고서면 경영진용 요약과 근거 부록을 분리한다. AI 초안보다 최종 편집 품질이 검색 노출과 신뢰도를 좌우한다.

TIP

질문은 넓게, 검증은 좁게 던진다

초반에는 “무엇이 중요한가”를 묻고, 후반에는 “이 문서 근거만으로 맞는가”를 묻는 방식이 가장 효율적이다. 이것이 Gemini와 NotebookLM을 같이 쓰는 이유다.

4 스튜디오 기능은 어디까지 가능한가?

NotebookLM의 강점은 단순 요약을 넘어, 문서를 오디오 개요, 비디오 개요, 인포그래픽, 플래시카드, 퀴즈 같은 다른 형식으로 전환해 준다는 점이다. 특히 2026년 3월 4일 공개된 시네마틱 비디오 개요는 문서 내용을 영상 서사로 재구성하는 기능으로 주목받았다.

Gemini 기반 기획

→

이미지 생성 계열

→

Veo 계열 영상 렌더링

주의할 점
시네마틱 비디오 개요는 2026년 4월 20일 기준으로 영어 중심, Google AI Ultra 사용자 대상 기능으로 정리되어 있다. 반면 일반 오디오 개요와 비디오 개요는 한국어를 포함한 다국어 지원 범위가 더 넓다.

오디오 개요 한국어를 포함한 80개 이상 언어 지원 흐름이 확인된다. 긴 문서를 이동 중에 듣고 싶을 때 가장 활용도가 높다.

비디오 개요 문서를 설명형 영상으로 바꿔 팀 브리핑이나 교육 자료로 쓰기 좋다. 일반 버전과 시네마틱 버전의 수준 차이가 크다.

인포그래픽 동일한 자료를 시각 요약본으로 바꿔 블로그, SNS, 발표 슬라이드 후속 작업에 연결하기 좋다.

플래시카드와 퀴즈 학습용으로 특히 강력하다. 복습 흐름을 만들고 온보딩 자료를 짧은 반복 학습 구조로 전환할 수 있다.

5 2026년 4월 기준 NotebookLM 요금제와 추천 사용자

Google Drive 문서에 정리된 기준을 바탕으로 보면, 무료 사용자는 기능을 체험하기에는 충분하지만 장기 프로젝트나 대규모 소스 관리에는 한계가 있다. 실무에서는 보통 Pro, 영상 생성과 고강도 멀티미디어 작업은 Ultra가 더 맞다.

항목	Free	Plus	Pro	Ultra
노트북 수	100	200	500	500
노트북당 소스	50	100	300	600
일일 채팅	50	200	500	5,000
오디오 개요	3회	6회	20회	200회
비디오 개요	3회	6회	20회	200회
시네마틱 비디오	제한	제한	제한	일 20회 수준
추천 사용자	입문자	가벼운 개인 연구	실무자·콘텐츠 제작자	영상·대규모 팀 활용

빠른 추천
논문 정리, 블로그 리서치, 강의 자료 정리까지라면 Pro가 현실적이다. 영상 개요와 대규모 노트북을 업무 단위로 굴린다면 Ultra가 맞지만, 비용 대비 효율은 사용 빈도를 먼저 따져봐야 한다.

6 실전 활용 사례: NotebookLM과 Gemini를 같이 써야 하는 이유

이번 통합의 진짜 가치는 기능 소개가 아니라 업무 흐름을 바꾸는 방식에 있다. 아래 사례는 검색 유입이 많은 “NotebookLM 어디에 쓰나?”, “실무에 쓸만한가?”에 대한 구체적인 답이다.

CASE 01

논문·리서치 보고서 교차 검증

Gemini로 폭넓게 조사한 뒤 NotebookLM에서 문서 간 충돌, 빠진 수치, 출처 문단을 체크한다. 투자 메모, 산업 리서치, 정책 비교에 특히 적합하다.

CASE 02

블로그 주제 발굴과 중복 방지

기존 작성 글과 새 자료를 함께 올려 두면, 이미 다룬 주제와 겹치지 않는 각도나 FAQ를 뽑아내기 좋다. 검색 유입용 콘텐츠 기획에서 효율이 높다.

CASE 03

회의록과 프로젝트 히스토리 관리

회의록, 제안서, 요구사항 문서, 메신저 정리본을 한 노트북에 넣어두면 누가 언제 어떤 결정을 했는지 빠르게 회수할 수 있다.

CASE 04

유튜브 강의와 문서를 함께 학습

강의 영상 링크와 교재 PDF를 같이 넣고, 핵심 개념 요약과 퀴즈, 오디오 개요를 이어서 만든다. 시험 준비나 직무 학습에 강하다.

CASE 05

발표 자료와 브리핑 자료 자동 변환

보고서를 요약 메모로 끝내지 않고 인포그래픽과 비디오 개요까지 이어 만들면, 경영진 보고나 사내 공유용 자료 제작 시간이 크게 줄어든다.

CASE 06

제안서 초안을 근거 중심 문서로 고도화

Gemini로 초안을 빠르게 만든 뒤 NotebookLM에서 실제 자료 근거를 다시 붙인다. 이 과정이 있어야 설득력 있는 문서가 된다.

7 ChatGPT, Claude와 비교하면 NotebookLM의 포지션은 다르다

NotebookLM과 Gemini 통합은 흔히 ChatGPT Memory, Claude Projects와 비교된다. 하지만 강점이 완전히 같지는 않다. 검색 사용자 입장에서는 “무엇이 더 좋나”보다 “어떤 목적에 더 맞나”로 보는 편이 정확하다.

NotebookLM + Gemini 업로드한 자료를 근거로 검증하고, 그 결과를 다시 생성 작업으로 연결하기 좋다. 리서치, 분석, 보고서, 교육 콘텐츠 제작에 유리하다.

ChatGPT Memory 사용자의 선호와 맥락을 개인화하는 데 강하다. 다만 특정 문서 집합만을 엄격하게 근거로 삼는 구조는 NotebookLM보다 약하다.

Claude Projects 프로젝트 단위 지침 유지와 일관된 톤 관리에 강하다. 브랜드 문체나 코딩 규칙 준수 같은 작업에서는 장점이 분명하다.

결론 내 문서와 출처를 기준으로 정확한 분석이 필요하면 NotebookLM, 내 스타일과 대화 맥락을 길게 기억시키고 싶으면 ChatGPT, 프로젝트 규칙과 톤 일관성이 중요하면 Claude가 더 잘 맞는다.

8 자주 묻는 질문 FAQ

Q. NotebookLM과 Notebook LM은 다른 서비스인가요?

아니다. 같은 서비스를 가리키는 표기 차이로 보면 된다. 국내 검색에서는 NotebookLM, Notebook LM, 노트북LM이 혼용된다.

Q. Gemini와 NotebookLM은 무엇이 다른가요?

Gemini는 탐색, 생성, 초안 작성에 강하고, NotebookLM은 내가 넣은 문서를 근거로 검증하고 요약하는 데 강하다. 2026년 통합 이후에는 둘을 나눠 쓰기보다 함께 쓰는 것이 효율적이다.

Q. NotebookLM 한국어 지원이 되나요?

오디오 개요와 일반 비디오 개요는 한국어 포함 다국어 지원 흐름이 확인된다. 다만 시네마틱 비디오 개요는 2026년 4월 20일 기준 영어 중심 기능으로 보는 것이 안전하다.

Q. 무료로도 쓸 수 있나요?

가능하다. 다만 소스 수, 채팅 수, 오디오·비디오 개요 생성 한도가 작기 때문에 장기 프로젝트나 업무용으로는 Pro 이상이 더 현실적이다.

Q. 어떤 자료를 올려야 NotebookLM 품질이 좋아지나요?

하나의 질문에 답할 수 있는 자료 묶음으로 올리는 것이 좋다. 예를 들어 기사만 모으기보다 기사, 보고서, 회의록, 내부 메모를 같은 주제로 묶으면 더 정확한 비교와 인용이 가능해진다.

9 공식 링크와 참고 자료

검색 신뢰도를 위해 아래와 같이 공식 자료 중심 링크를 함께 남겨 두는 편이 좋다. 이 글의 구조 재정리에는 Google Drive 문서 「Notebook LM 조사 및 활용 전략」과 아래 공개 자료를 참고했다.

Google Blog - Try notebooks in Gemini to easily keep track of projects

Google Help - Gemini 앱에서 노트북 만들기 및 사용하기

NotebookLM Help - Notebooks in Gemini Apps

Google Blog - NotebookLM video and audio overviews update

핵심 정리

검색 의도 기준 결론: NotebookLM은 “내 문서를 근거로 정확하게 정리하는 AI”, Gemini는 “넓게 찾고 빠르게 만드는 AI”다.
2026년 변화: 2026년 4월 8일 공개된 Notebooks in Gemini 이후 두 도구는 사실상 하나의 워크플로우로 연결됐다.
사용법 포인트: Gemini에서 조사하고, NotebookLM에서 검증하고, 다시 오디오·비디오·인포그래픽으로 전환하는 흐름이 가장 실전적이다.
비용 판단: 입문은 Free, 실무는 Pro, 멀티미디어 고강도 작업은 Ultra가 적합하다.
검색 노출 관점: 과장형 제목보다 명확한 제목, 초반 답변, FAQ, 공식 명칭과 국내 검색어 병행 표기가 더 유리하다.

결국 NotebookLM과 Gemini 통합은 단순한 기능 추가가 아니라, 검색·정리·검증·전환을 하나의 흐름으로 묶는 변화다. 자료가 많을수록, 근거가 중요할수록, 그리고 최종 산출물을 블로그 글이나 보고서, 브리핑 자료로 이어 써야 할수록 이 조합의 가치가 더 커진다.

이 글은 2026년 4월 20일 기준 공개 자료와 Google Drive 문서를 바탕으로 재구성했다. 요금제와 기능 한도는 국가, 계정 유형, 출시 단계에 따라 달라질 수 있으므로 실제 사용 전에는 Google 공식 안내 페이지를 한 번 더 확인하는 편이 안전하다.

[투자] 일론 머스크의 스페이스 엑스 IPO, 최대 수혜자는 Google이다?

전뚠뚠 — Thu, 16 Apr 2026 20:10:14 +0900

2026 스페이스X IPO 완전 분석

구글이 9억 달러로
1,000억 달러를 버는 법

스페이스X 상장이 알파벳(GOOGL)에 미칠 구조적 파급력 — 2026년 최대 투자 이벤트 심층 해부

1 역사상 최대 IPO, 진짜 수혜자는 누구?

2026년 6월, 스페이스X가 목표 기업가치 2조 달러로 나스닥에 상장될 예정이다. 500~750억 달러를 조달하는 이 이벤트는 사우디 아람코(256억 달러)를 압도하는 자본 시장 역사상 최대 규모다.

그러나 시장의 스포트라이트가 일론 머스크와 스타링크에 쏠리는 동안, 조용히 가장 큰 수익을 챙길 기업이 있다. 바로 알파벳(Google, GOOGL)이다.

핵심 한 줄 요약
알파벳은 2015년 스페이스X에 9억 달러를 투자해 현재 1,000억 달러(약 130조 원)의 지분 가치를 보유 중이다. 수익률 +11,000%.

2 스페이스X 2조 달러 — 근거가 있는 숫자인가?

단순한 로켓 회사가 아니다. 스타링크는 이미 전 세계 1,000만 가입자를 돌파하며 연간 매출 150~180억 달러의 구독형 현금창출 기계로 진화했다.

스타링크 가입자 수1,000만 명 (2025년 말)

2026년 예상 매출$240억

개인 투자자 배정 비율 (예상)최대 30%

구분	일반 대형 IPO	스페이스X (2026)
목표 기업가치	500억~1,000억 달러	1.75조~2조 달러
자본 조달 규모	최대 256억 달러 (아람코)	500억~750억 달러
개인 투자자 배정	5~10%	최대 30%
핵심 사업 모델	단일 산업군	발사체 + 위성통신 + 궤도 컴퓨팅

⚠️ 개인 투자자 30% 배정이 현실화되면 상장 직후 품귀 현상 → 단기 주가 오버슈팅 가능성. 알파벳 장부 가치가 일시적으로 폭등할 수 있다.

3 xAI 합병 + 궤도 데이터 센터 — 스페이스X의 다음 판

2026년 2월, 스페이스X는 xAI를 역삼각 합병(Reverse Triangular Merger)으로 흡수했다. 스페이스X 1조 달러 + xAI 2,500억 달러 = 통합 가치 1조 2,500억 달러.

스페이스X
로켓·위성 인프라

xAI
AI 모델·Grok

→

우주 AI 인프라
복합 기업

핵심 비전은 '궤도 데이터 센터(Orbital Data Centers)'다. AI 데이터 센터의 진짜 병목은 칩 부족이 아니라 부지·수자원·전력이다. 우주에서는 지구보다 5~8배 효율적인 태양광을 24시간 수집하고, 절대영도에 가까운 진공으로 냉각 비용이 사실상 0이다.

️ AI SAT MINI

100만 개 저궤도 데이터 센터 위성

위성 한 대당 100kW급 전력. FCC에 계획 신청 완료. 지상 데이터 센터의 전력·냉각 병목을 궤도로 해소.

TERAFAB

테슬라·스페이스X·xAI 합작 반도체 팹

텍사스 오스틴 200~250억 달러 투자. 위성용 방사선 강화 칩 'D3' + Tesla AI5 생산. 인텔이 핵심 파트너.

Google Cloud × Intel

하드웨어 생태계 연대

구글 클라우드가 인텔 제온 6 파트너십 확장. 인텔은 테라팹 파트너이기도 해 보이지 않는 생태계 연결.

부채 차단

역삼각 합병의 재무 설계

xAI의 하루 평균 $2,800만 소진율, X 플랫폼의 부채($12억/년 이자) 등 리스크가 스페이스X 모회사에 전이되지 않도록 설계.

4 알파벳, 1,000억 달러 어떻게 버는가

알파벳은 2015년 스페이스X 시리즈 F에 약 9억 달러를 투자해 초기 7.5% 지분을 확보했다. 2026년 2월 xAI 합병으로 소폭 희석된 후 현재 보유 지분율은 약 5%. 2조 달러의 5%는 1,000억 달러다.

시점	스페이스X 밸류에이션	알파벳 지분 가치
2015년 (투자 당시)	100억~120억 달러	~9억 달러 투자
2024년 말	~3,500억~8,000억 달러	분기 ~80억 달러 미실현 이익 반영
2025년 말	—	지분율 6.11% 공개 확인
2026년 2월 (xAI 합병)	1조 2,500억 달러	지분율 ~5%로 조정
2026년 6월 (IPO 목표)	2조 달러	~1,000억 달러

결정적인 변화는 회계적 성격의 전환이다. 현재 이 지분은 '시장성 없는 증권'으로 불투명하게 처리돼 기관 투자자의 모델에서 할인 적용을 받는다. 상장 후에는 실시간 검증 가능한 유동 자산이 된다 — 주식 한 주 팔지 않아도 알파벳의 순자산 가치가 재평가되고, P/E 멀티플 확장 효과가 발생한다.

5 아마존의 115억 달러 긴급 인수 — 스페이스X 가치를 증명하다

2026년 4월 14일, 아마존이 위성 통신 기업 글로벌스타를 115억 달러(시가총액 대비 +117% 프리미엄)에 인수한다고 전격 발표했다. 이유는 단순하다 — 자체 위성 발사가 너무 늦다.

비교 항목	스타링크 (SpaceX)	아마존 레오
운영 위성 수	~10,000개	~180~200개
활성 가입자 수	800만~1,000만 명	상용화 초기 단계
FCC 규제 이슈	안정적	2026년 7월까지 1,600개 발사 기한 압박
2026년 전략	xAI 합병 + 궤도 데이터 센터	글로벌스타 115억 달러 긴급 인수

역설적 논거
위성 180개짜리 아마존이 115억 달러를 투척하며 시간을 산다. 위성 1만 개 + 1,000만 가입자 + 연 150억 달러 수익의 스타링크가 2조 달러로 평가받는 것은 과대가 아니라 당연하다. 이것이 알파벳 지분 5%의 신뢰도를 극도로 높여준다.

6 알파벳 펀더멘털 — CapEx 딜레마의 해소

Q4 2025 실적: 분기 매출 사상 첫 1,000억 달러 돌파

1,138억 달러 매출 / 345억 달러 순이익. 구글 클라우드 +48% 성장, 연간 런레이트 700억 달러 달성.

☁️

클라우드 수주 잔고 2,400억 달러 — 성장 가시성 확보

전 분기 1,550억 달러 → 55% 급증. 앤스로픽·메타가 구글 클라우드 선택하며 인프라 선호도 입증.

2026년 CapEx 1,750억~1,850억 달러 — 문제이자 기회

AI 인프라 투자로 잉여현금흐름 압박. 하지만 스페이스X IPO로 확보되는 1,000억 달러가 실탄의 절반 이상을 대차대조표에서 꺼낼 수 있게 한다.

씨티그룹 목표가 405달러 — 90일 촉매제 관찰 목록 편입

현재 주가 315~337달러. 애널리스트 41명 평균 목표가 367~376달러. 스페이스X 지분 + 인텔 파트너십 모멘텀 반영.

스페이스X IPO
6월 목표

→

지분 1,000억 달러
유동 자산화

→

CapEx 재원 확보
+자사주 매입

→

P/E 멀티플
확장

핵심 정리 — 투자자가 알아야 할 5가지

스페이스X IPO는 2026년 6월 목표, 기업가치 2조 달러 — 역대 최대 자본 조달 이벤트
알파벳은 지분 5% 보유 → IPO 후 장부가치 ~1,000억 달러로 확정, 11,000% 수익률
지분이 '비유동 → 유동 자산'으로 전환되는 순간, P/E 멀티플 확장 효과 발생
아마존의 글로벌스타 115억 달러 인수는 스타링크 2조 달러 밸류를 역설적으로 정당화
1,850억 달러 AI CapEx 딜레마를 스페이스X 지분 유동화로 절반 이상 상쇄 — 경쟁사 대비 압도적 재무 우위

2026년 스페이스X 상장은 일론 머스크의 축제이지만, 재무적 승리의 트로피는 조용히 구글의 금고에 쌓인다. 9억 달러의 문샷 베팅이 10년 만에 알파벳을 AI-우주 인프라 복합 지배자로 재탄생시키는 역사적 사건을 우리는 지금 목격하고 있다.

※ 본 글은 투자 참고용 정보이며 특정 종목의 매수·매도를 권유하지 않습니다. 투자 결정에 따른 책임은 투자자 본인에게 있습니다.

[AI] Google Gemma4란 무엇인가?

전뚠뚠 — Mon, 13 Apr 2026 21:24:51 +0900

AI 기술 분석

Google Gemma 4 완전 분석
내 PC에서 GPT급 AI를 공짜로 돌리는 시대

오픈 가중치 모델의 새 역사 — 아키텍처, 성능, 구동 방법, 한국어 지원까지 한 번에

2026년 4월 ️ Gemma 4 · 로컬 AI · MoE · Claude Code ⏱️ 예상 독서 8분

2026년 4월 2일, Google DeepMind가 개방형 가중치(Open-weight) AI 모델 Gemma 4를 전 세계에 공식 출시했다. 단순한 성능 개선이 아니다. 모바일 기기부터 단일 GPU 워크스테이션까지 어디서든 구동 가능하도록 아키텍처 자체를 근본적으로 재설계한 결과물이다. Apache 2.0 라이선스로 배포되어 상업적 이용·수정·배포가 모두 자유롭다.

세계 최고 수준의 AI를 클라우드 구독료 없이, 내 하드웨어에서, 데이터를 외부로 한 바이트도 보내지 않고 운용할 수 있을까? — Gemma 4는 그 답이 "예스"임을 증명한다.

1 Gemma 4 모델 라인업 — 4가지 변형의 모든 것

Gemma 4는 엣지 디바이스부터 데이터센터급 워크스테이션까지 포괄하는 네 가지 변형으로 설계됐다. 각 모델의 규모와 용도를 한눈에 정리했다.

모델	구조	컨텍스트	주요 환경
Gemma 4 E2B 엣지	Dense · 유효 2B	128K 토큰	모바일 · Raspberry Pi · IoT 네이티브 오디오 입력 지원, 배터리 최소 소모
Gemma 4 E4B 모바일	Dense · 유효 4B	128K 토큰	8GB RAM 이상 스마트폰 · 로컬 랩탑 오디오·비디오·이미지 멀티모달 내장
Gemma 4 26B MoE 추천	MoE · 총 26B (활성 3.8B)	256K 토큰	단일 GPU (16~24GB VRAM) 4B급 속도 + 대형 모델급 품질의 가성비 끝판왕
Gemma 4 31B 엔터프라이즈	Dense · 31B	256K 토큰	H100 (80GB VRAM) · 클라우드 최고 품질 · 파인튜닝 기반 모델

컨텍스트 윈도우 256K 토큰은 수십만 줄의 레거시 코드베이스나 수백 페이지 법률 문서를 한 번의 프롬프트로 처리하는 수준이다.

2 MoE의 마법 — 26B가 4B처럼 달리는 이유

Gemma 4 26B MoE(Mixture-of-Experts)는 이번 출시의 기술적 하이라이트다. 총 260억 개의 파라미터를 보유하지만, 실제로 매 토큰 생성 시 전체를 가동하지 않는다.

프롬프트 입력

→

라우터가 문맥 분석

→

128개 전문가 중
최적 2개 선택

→

활성 파라미터
3.8B만 연산

→

4B급 속도로
26B급 품질 출력

컴퓨팅 지연과 전력 소모는 총 파라미터가 아닌 활성화된 파라미터에 비례한다. 덕분에 26B MoE는 소형 4B 모델과 유사한 응답 속도를 유지하면서도, 벤치마크에서는 자신보다 수십 배 큰 밀집형 모델을 상회하는 성능을 발휘한다.

⚠️ VRAM 주의: 연산은 3.8B만 하더라도 전체 26B 가중치를 메모리에 로드해야 하므로, 일반 소비자용 GPU에서는 양자화(Quantization) 기술을 병행해야 원활한 구동이 가능하다. Ollama의 Q4_K_M 포맷이 가장 보편적인 선택이다.

네이티브 멀티모달 — 외부 모듈 없이 전부 처리

Gemma 4는 단일 모델 내에서 텍스트·이미지·비디오·오디오를 융합 처리하는 네이티브 멀티모달 구조를 채택했다. 개선된 이미지 인코더는 가변 종횡비를 지원하여 복잡한 데이터 차트 분석이나 OCR에서 탁월한 성과를 보인다. E2B·E4B 소형 모델은 별도의 음성 인식(STT) 파이프라인 없이도 오디오를 즉각 처리한다.

3 Gemma 3 → Gemma 4: 앵무새에서 논리 엔진으로

Gemma 4가 커뮤니티에서 폭발적 반응을 얻는 핵심 이유는 아키텍처 철학의 전환에 있다. 과거 모델들은 프롬프트에 이어질 가장 높은 확률의 텍스트를 직관적으로 매칭하는 방식이었다. 겉보기엔 유창하지만, 논리 함정에 빠지거나 허위 사실을 자신 있게 쏟아내는 "확률적 앵무새"의 한계를 피하기 어려웠다.

Gemma 4는 답을 내놓기 전에 내부적으로 멘탈 모델(Mental Model)을 구축·반복·검증하는 '사고 모드(Thinking Mode)'를 탑재했다. 다단계 대수학, 수론, 공간 논리에 기반한 활성 논리 사슬을 전개한 후 최종 답을 출력한다.

83.3%

Gemma 4 26B·31B
복합 추론 벤치마크 정답률

4.5배

Gemma 3 대비
토큰 생성량 증가

~5분

Mac mini M4 환경
복잡한 요청당 대기 시간

생각의 대가 (Thinking Tax)

혁신적 추론 능력에는 트레이드오프가 있다. 동일한 복잡도의 프롬프트 기준으로, Gemma 3 27B는 평균 357개 토큰으로 빠르게 답변을 마무리한 반면, Gemma 4 26B는 1,629개 토큰으로 내부 논리망을 구축했다.

Gemma 3 27B (빠른 응답)357 토큰

Gemma 4 26B MoE (사고 모드)1,629 토큰

이 '생각의 대가'는 Gemma 4를 실시간 타이핑 챗봇이 아닌, 복잡한 코드 아키텍처 설계나 비동기적 분석 작업을 백그라운드에서 장시간 묵묵히 수행하는 "연구원 에이전트"로 활용해야 함을 시사한다.

서식화의 역설 (Strict Formatting Paradox)

순수 JSON 출력이나 특정 규칙을 완벽 준수해야 하는 엄격한 서식 강제 환경에서는 놀라운 역전 현상이 벌어졌다.

현상

Gemma 3 12B가 서식 강제 1위

엄격한 포맷 제약 환경에서 구형 Gemma 3 12B가 최신 Gemma 4를 역전하며 구글 모델군 1위를 차지했다.

원인

과교정(Over-correction) 오류

Gemma 4는 최적 답을 찾으려는 내부 논리 욕구가 너무 강해, 형식 규칙을 무의식적으로 무시하거나 과도하게 수정하는 오류를 범한다.

수치

서식 정확도 69.2%

서식화 전용 카테고리에서 Gemma 4 26B의 정확도는 69.23%까지 하락했다. 단순 포맷 변환에는 패턴 매칭 모델이 유리하다.

해법

⚙️ 하이브리드 파이프라인

고난도 논리 추론은 Gemma 4에, 결과물의 JSON 파싱·서식 맞춤은 가벼운 Gemma 3 소형 모델에 병렬 위임하는 구조가 최적이다.

4 코딩 에이전트 3파전 — Gemma 4 vs Claude Code vs Codex

2026년 4월 현재 AI 코딩 도구 시장은 Anthropic의 Claude Code(Opus 4.6 기반)와 OpenAI의 Codex(GPT-5.4 기반)가 양분하고 있다. 여기에 무료 오픈소스인 Gemma 4가 다크호스로 급부상했다.

항목	Claude Code	OpenAI Codex	Gemma 4 31B (로컬)
핵심 철학	꼼꼼한 다단계 접근	효율·속도 최적화	프라이버시·무제한 사용
코드 품질	SWE-bench 72.5% (버그 수정 1위)	문법 정확도 90.2% (코드 생성 강점)	블라인드 테스트에서 상용 모델과 구별 불가 (A- 등급)
비용	구독료 $20~$200 + API 토큰 과금	구독료 $20~$200 연산 효율 우수	초기 하드웨어 비용만 한계 비용 = 0
데이터 보안	외부 서버 전송 필요	외부 서버 전송 필요	코드가 디바이스 밖으로 1바이트도 유출 안 됨
에이전트 통합	에디터·브라우저 통합 Out-of-the-box 최고	Fast/Plan 모드 제공 실무 팀에 유리	Continue.dev·Cline 연동 (미들웨어 안정성 개선 중)
주요 약점	토큰 소모 과다 Rate limit 도달 빠름	문서화·구조화 다소 투박	에이전트 툴 콜링 시 루프·유휴 현상 발생

결론: 독립적인 블라인드 코딩 테스트(리팩토링·버그 수정·기능 추가)에서 Gemma 4 31B의 코드 품질은 상용 모델과 사실상 구별 불가능한 수준에 도달했다. 독점 소스 코드를 외부에 노출할 수 없는 기업, 또는 사용량 제한 없이 무제한으로 모델을 호출해야 하는 팀에게 Gemma 4는 게임 체인저다.

5 내 PC·스마트폰에서 Gemma 4 돌리기

️ CLI vs GUI — 엔진 선택 가이드

로컬 구동의 양대 엔진 Ollama와 vLLM은 하드웨어와 목적에 따라 극명한 차이를 보인다.

비교 항목	Ollama	vLLM
운영체제	Windows 11 네이티브 ✅	WSL2 Ubuntu 기반
모델 정밀도	Q4_K_M (4비트 양자화) 일반 PC 구동 최적화	BF16 (16비트 전체 정밀도) 원시 성능 100% 발휘
단일 사용자 속도	vLLM 대비 1.5배 빠른 생성	TTFT(첫 토큰)는 Ollama 대비 3배 빠름
다중 동시 처리	단일 요청 순차 처리	Ollama 대비 3배 높은 동시 처리량
추천 상황	개인 코딩 보조 · 챗봇	팀 서버 · 다중 에이전트

플랫폼별 구동 방법

Ollama CLI (가장 쉬운 방법)

터미널에서 ollama run gemma4:26b 명령 하나로 백그라운드 서버 구동. localhost:11434/api/generate로 JSON HTTP 요청을 보내 어떤 앱과도 연동 가능. Windows 11 네이티브 지원으로 진입 장벽 최소화.

LocalMind (설치 없는 브라우저 구동)

Chrome/Edge 브라우저만 있으면 OK. WebGPU + Transformers.js 기술로 Gemma 4 E2B(~1.5GB) 또는 E4B(~4.9GB) 가중치를 브라우저 캐시에 직접 다운로드. 인터넷이 없어도 PDF 업로드·웹 검색 통합을 GUI로 이용 가능.

️

Unsloth Studio (6GB RAM 노트북도 OK)

자체 개발 iMatrix-quantized GGUF 포맷으로 일반 양자화보다 정확도가 훨씬 높다. 6GB 통합 메모리만으로 E4B를 초당 10토큰, RTX 5090에서는 초당 140토큰이라는 ChatGPT를 압도하는 속도 달성.

스마트폰 온디바이스 에이전트

① 완전 오프라인: Google AI Edge Gallery 앱으로 기기 스토리지에 가중치 저장, 연락처·캘린더 자율 조작 가능. ② 로컬 네트워크 라우팅: 집 PC에 Ollama 서버를 띄우고 스마트폰(Enchanted 앱 등)이 Wi-Fi로 API만 호출 — 무거운 연산은 PC가, 화면은 폰이 담당.

엔터프라이즈 퍼블릭 API 개방 (Clarifai Local Runner)

clarifai model init --model-name gemma4:26b 명령으로 사내 Ollama와 Clarifai 클라우드 컨트롤 플레인 사이에 암호화 터널 생성. 부여받은 퍼블릭 URL로 외부에서 표준 OpenAI 클라이언트 라이브러리를 통해 내부 모델을 API 호출 방식으로 사용 가능.

6 한국어 성능 — 로컬 오픈소스 최강은?

Gemma 4는 140개 이상의 언어를 네이티브로 처리하도록 사전 학습됐다. 국내 기업·개발자에게 가장 중요한 한국어 성능을 벤치마크로 확인했다.

모델	한국어 추론 지수	KMMLU/GPQA	평가
Claude Opus 4.6 Anthropic	93점 (110개 모델 중 1위)	상용 최상위	현존 최고. 폐쇄형 유료 API의 기준점
Gemini 3.1 Pro Google	92점 (2위 그룹)	비공개	멀티모달 결합 환경에서 압도적
Mi:dm K 2.5 Pro KT (토종 특화)	한국어 특화 파운데이션	MMLU Pro 80.9% GPQA 70.1%	국가공인 전문 지식 집중 학습. 국내 기업용 강자
Gemma 4 E4B Google (4B 엣지)	최상위 그룹 진입	GPQA 54.9% (비추론 모드)	불과 4B 엣지 모델임에도 전문가 수준 한국어 이해. 26B·31B + 사고 모드 조합 시 상용 API 수준에 육박

Claude Opus 4.6 (상용 API)93점

Gemini 3.1 Pro (상용 API)92점

Mi:dm K 2.5 Pro (한국어 특화 로컬)GPQA 70.1%

Gemma 4 E4B (4B 엣지 모델, 비추론)GPQA 54.9%

실용적 결론: 외부 번역 API 없이도 고난도 한국어 지문을 자체 분석·추론하는 능력을 보유한 Gemma 4는, 라이선스 비용과 데이터 유출 리스크를 감수하며 외부 API를 써야 했던 국내 기업들에게 즉각 도입 가능한 무료 온프레미스 다국어 AI의 최적 대안으로 급부상하고 있다.

핵심 정리 — Gemma 4가 바꾸는 것들

MoE 아키텍처: 26B 전체 지식을 메모리에 올리되, 추론 시엔 3.8B만 가동 → 4B급 속도 + 26B급 품질의 가성비 혁명
사고 모드(Thinking Mode): 확률적 앵무새에서 논리 추론 엔진으로 진화, 복합 추론 벤치마크 83.3% 달성
Thinking Tax: 복잡한 요청당 토큰 생성량 4.5배 증가 → 실시간 챗봇보다 백그라운드 "연구원 에이전트"로 적합
코딩 실력: 블라인드 테스트에서 Claude Code·Codex와 사실상 구별 불가(A- 등급), 비용은 초기 하드웨어 구매 후 0원
데이터 주권: 코드·문서가 물리적 디바이스 밖으로 1바이트도 유출되지 않음 → 보안 규정이 엄격한 기업의 딜레마 해소
한국어: 불과 4B 엣지 모델도 GPQA 54.9%. 26B·31B + 사고 모드 조합 시 상용 API 수준에 육박

Gemma 4는 단순히 "성능이 나아진 오픈소스 모델"이 아니다. 개인의 책상 위와 스마트폰이라는 가장 내밀한 하드웨어 안에서 세계 최고 수준의 에이전트 지능을 온전히 통제하게 만드는, 진정한 의미의 AI 민주화 선언이다. 앞으로의 AI 엔지니어링은 모델을 다운받아 실행하는 단계를 넘어, 즉각 응답이 필요한 태스크엔 소형 모델을, 복잡한 인지 작업엔 대형 사고 모델을 병렬 라우팅하는 하네스 오케스트레이션 설계 역량에 달려 있다.

※ 본 글은 공개된 벤치마크 데이터와 기술 문서를 바탕으로 작성된 정보 제공 목적의 콘텐츠입니다. 벤치마크 수치는 환경에 따라 달라질 수 있으며, 특정 제품 또는 서비스에 대한 투자·도입을 권유하지 않습니다.

[Android] MVVM 개념 및 적용 예제 (with UseCase, Repository)

전뚠뚠 — Sun, 12 Apr 2026 08:45:11 +0900

ANDROID · iOS 아키텍처

MVVM + Clean Architecture
UI부터 RepositoryImpl까지 설계 가이드

단방향 데이터 흐름의 각 계층 역할과 실전 Kotlin 코드까지

MVVM을 처음 접할 때 View와 ViewModel 분리까지는 쉽게 이해하지만, 프로젝트가 커지면서 UseCase, Repository, RepositoryImpl이 왜 필요한지 헷갈리는 경우가 많습니다. 이 글에서는 UI → ViewModel → UseCase → Repository → RepositoryImpl로 이어지는 단방향 데이터 흐름의 구조와 각 계층의 명확한 역할, 실전 코드까지 한번에 정리합니다.

핵심 원칙: 의존성은 항상 바깥(UI · Data) → 안쪽(Domain) 방향으로만 흐릅니다. 안쪽 계층은 바깥쪽 계층이 어떻게 생겼는지 절대 알지 못해야 합니다.

1 전체 아키텍처 구조와 데이터 흐름

사용자가 버튼을 클릭했을 때 데이터가 어떻게 이동하는지 흐름도로 확인하세요.

UI (View)

→

ViewModel

→

⚙️ UseCase

→

Repository (IF)

→

️ RepositoryImpl

→

Data Sources

↑ 응답은 반대 방향으로 흘러 최종적으로 UI State가 갱신됩니다.

2 각 계층별 역할 한눈에 보기

계층	소속	핵심 역할	절대 하면 안 되는 것
UI (View)	Presentation	State 관찰 → 화면 렌더링, 사용자 입력 전달	DB/네트워크 접근, 데이터 가공 로직
ViewModel	Presentation	UI State 관리, UseCase 호출 위임	직접 API 호출, 비즈니스 로직 구현
UseCase	Domain	단일 비즈니스 규칙 캡슐화, 재사용	네트워크/DB 직접 접근, UI 상태 관리
Repository (IF)	Domain	데이터 조달 계약서(Interface) 정의	실제 구현 코드 작성
RepositoryImpl	Data	API/DB 통신, DTO → Domain Model 매핑	비즈니스 로직 포함, UI State 관여

3 계층별 상세 가이드

LAYER 01 · Presentation

️ UI (View)

ViewModel이 노출하는 State를 구독하다가 상태 변경 시 화면을 다시 그립니다. Activity, Fragment, Compose, SwiftUI 등 플랫폼 UI 컴포넌트가 여기에 해당합니다.

LAYER 02 · Presentation

ViewModel

StateFlow / LiveData로 UI State를 캡슐화하여 노출합니다. 비즈니스 로직은 직접 수행하지 않고 UseCase에 위임하여 God Object를 방지합니다.

LAYER 03 · Domain

⚙️ UseCase

앱의 특정 행동 하나만 담당합니다. GetUserProfileUseCase처럼 명확한 목적을 갖고, 여러 ViewModel에서 재사용할 수 있습니다.

LAYER 04 · Domain

Repository (Interface)

구현체가 없는 계약서(Interface)만 존재합니다. "User 데이터를 가져오는 함수가 필요하다"는 계약만 정의하고, 어떻게 가져올지는 관심 없습니다. (DIP 원칙)

LAYER 05 · Data

️ RepositoryImpl

Repository Interface를 실제로 구현합니다. Remote API와 Local DB 중 어디서 데이터를 가져올지 결정하고, DTO를 Domain Model로 변환(Mapping)합니다.

LAYER 06 · Data

Data Sources

Retrofit, Room DB, SharedPreferences 등 실제 데이터 저장소입니다. RepositoryImpl이 이들을 조합하여 최적의 데이터를 상위 계층에 전달합니다.

4 실전 예제 코드 (Kotlin)

사용자 프로필을 가져오는 기능을 Data → Domain → Presentation 순으로 구현합니다.

① Data Layer — DTO & API Interface

Kotlin · UserDto.kt

data class UserDto(
    val id: String,
    val first_name: String,
    val last_name: String,
    val profile_url: String?
) {
    fun toDomainModel(): User = User(
        id = id,
        fullName = "$first_name $last_name",
        imageUrl = profile_url ?: "default_url"
    )
}

interface UserApi {
    @GET("/users/{userId}")
    suspend fun getUserProfile(@Path("userId") userId: String): UserDto
}

② Domain Layer — Model, Repository (Interface), UseCase

Kotlin · Domain.kt

// 순수 비즈니스 Domain Model
data class User(val id: String, val fullName: String, val imageUrl: String)

// 계약서 (Interface) — 구현체 없음
interface UserRepository {
    suspend fun getUserProfile(userId: String): Result<User>
}

// 단일 책임 UseCase
class GetUserProfileUseCase(
    private val userRepository: UserRepository // 인터페이스에만 의존
) {
    suspend operator fun invoke(userId: String): Result<User> {
        if (userId.isBlank())
            return Result.failure(IllegalArgumentException("유효하지 않은 유저 ID"))
        return userRepository.getUserProfile(userId)
    }
}

③ Data Layer — RepositoryImpl (구현체)

Kotlin · UserRepositoryImpl.kt

class UserRepositoryImpl(
    private val userApi: UserApi
) : UserRepository {
    override suspend fun getUserProfile(userId: String): Result<User> {
        return try {
            val dto = userApi.getUserProfile(userId)
            Result.success(dto.toDomainModel()) // DTO → Domain Model 매핑
        } catch (e: Exception) {
            Result.failure(e)
        }
    }
}

④ Presentation — ViewModel & UI State

Kotlin · UserViewModel.kt

sealed class UserUiState {
    object Loading : UserUiState()
    data class Success(val user: User) : UserUiState()
    data class Error(val message: String) : UserUiState()
}

@HiltViewModel
class UserViewModel @Inject constructor(
    private val getUserProfileUseCase: GetUserProfileUseCase
) : ViewModel() {

    private val _uiState = MutableStateFlow<UserUiState>(UserUiState.Loading)
    val uiState: StateFlow<UserUiState> = _uiState.asStateFlow()

    fun fetchUser(userId: String) {
        viewModelScope.launch {
            _uiState.value = UserUiState.Loading
            getUserProfileUseCase(userId)
                .onSuccess { _uiState.value = UserUiState.Success(it) }
                .onFailure { _uiState.value = UserUiState.Error(it.message ?: "에러") }
        }
    }
}

⑤ Presentation — UI (Jetpack Compose)

Kotlin · UserProfileScreen.kt

@Composable
fun UserProfileScreen(viewModel: UserViewModel = hiltViewModel()) {
    val uiState by viewModel.uiState.collectAsState()
    when (uiState) {
        is UserUiState.Loading -> CircularProgressIndicator()
        is UserUiState.Success -> Text("안녕하세요, ${(uiState as UserUiState.Success).user.fullName}님!")
        is UserUiState.Error  -> Text("에러: ${(uiState as UserUiState.Error).message}")
    }
}

5 왜 이렇게까지 나누어야 할까?

"그냥 ViewModel에서 Retrofit API를 직접 호출하면 훨씬 짧지 않나?"라는 생각이 드는 건 자연스럽습니다. 하지만 앱 규모가 커질수록 아래 세 가지 이점이 엄청난 차이를 만들어냅니다.

완벽한 관심사 분리 (SoC)

"네트워크 실패 시 캐시 데이터를 보여줘"라는 요구사항이 추가돼도 RepositoryImpl 내부만 수정하면 됩니다. UI, ViewModel, UseCase는 단 1줄도 건드릴 필요가 없습니다.

강력한 단위 테스트 (Unit Test)

Repository가 Interface이므로 테스트 시 진짜 RepositoryImpl 대신 FakeRepository를 주입할 수 있습니다. 서버 상태와 무관하게 안정적인 독립 테스트가 가능합니다.

♻️

재사용성과 병렬 개발

GetUserProfileUseCase 하나로 마이페이지, 친구 상세, 결제 페이지 등 여러 ViewModel에서 재사용 가능합니다. 서버 API가 미완성이더라도 FakeRepository로 UI 개발을 멈춤 없이 진행할 수 있습니다.

⚠️ 초기 비용 vs 장기 이익: 보일러플레이트 코드가 늘어나 초기에는 느려 보일 수 있습니다. 그러나 수십 명의 개발자가 협업하고 코드가 쌓일수록 이 구조의 견고함이 빛을 발합니다.

핵심 정리

UI: 사용자 입력 전달 + State 관찰 → 화면 렌더링만 담당
ViewModel: UI State 관리, UseCase 호출 위임 (God Object 방지)
UseCase: 단일 비즈니스 로직 캡슐화 — 재사용 가능한 순수 영역
Repository (Interface): Domain이 요구하는 데이터 조달 계약서
RepositoryImpl: 외부 API/DB 통신 + DTO → Domain Model 매핑
의존성 방향: UI · Data → Domain (단방향, 역방향 불가)

처음에는 복잡하게 느껴지더라도, 지금 진행 중인 프로젝트에 UseCase 하나부터 천천히 도입해 보세요. 구조가 쌓일수록 코드베이스가 얼마나 건강해지는지 직접 체감하게 될 것입니다.

[AI] 정부 공식 문서 포맷이 된 마크다운 언어, AI 활용을 위해서라도 알아야 하는 이유

전뚠뚠 — Sun, 5 Apr 2026 20:26:29 +0900

2026 AI 인프라

정부가 마크다운을 선택했다
— AI 에이전트 시대의 공공 데이터 대전환

국가인공지능전략위원회의 마크다운 도입 결정이 왜 단순한 포맷 변경이 아닌 국가 지식 인프라의 역사적 전환인가

마크다운 LLM RAG 공공데이터 AI 에이전트

1 HWP에서 마크다운으로 — 무엇이 바뀌나

2026년 3월 5일, 국가인공지능전략위원회는 산하 분과별 회의 결과를 AI 친화적 텍스트 형식인 마크다운(.md)으로 작성·관리하겠다고 공식 발표했다. 작성된 문서는 공식 누리집을 통해 원문 그대로 대중과 민간 기업에 투명하게 공개된다.

핵심 메시지: "AI 시대에는 정책의 내용 못지않게 정책이 축적되고 관리되는 방식의 혁신이 중요하다." — 임문영 상임부위원장

HWP 포맷이 AI에게 장벽인 이유

한글(HWP)은 '인간의 시각적 경험'과 '인쇄물 조판'을 위해 설계된 포맷이다. 글꼴·자간·레이아웃 등 방대한 편집 메타데이터가 내부에 얽혀 있어, ChatGPT·Claude 등 글로벌 AI 서비스 대부분은 HWP/HWPX를 직접 파싱하지 못한다. 결과적으로 수많은 정책 브리핑과 법안 해설이 AI 학습에 투입되지 못한 채 '데이터 단절' 상태로 방치되어 왔다.

정책 문서 생성 (HWP)

→

파서 부재

→

OCR 전처리 필요

→

AI 활용 불가

정책 문서 생성 (Markdown)

→

공식 누리집 공개

→

AI 즉시 활용 가능

2 왜 마크다운인가 — 토큰 80% 절감의 의미

LLM은 텍스트를 토큰(Token) 단위로 연산한다. 토큰은 곧 비용이자 지연 시간(Latency)이다. 마크다운은 같은 내용을 HTML보다 압도적으로 적은 토큰으로 표현한다.

포맷	헤딩 표현 예시	토큰 수	특징
마크다운	`## About Us`	~3 토큰	핵심 구조만 포함
HTML	`<h2 class="section-title" id="about">About Us</h2>`	12~15 토큰	렌더링 태그·스크립트가 노이즈로 포함

실제 블로그 포스트 기준으로 원본 HTML은 약 16,180 토큰이지만, 마크다운으로 변환하면 약 3,150 토큰으로 줄어든다. 약 80% 절감이다.

마크다운3,150 토큰

HTML (원본)16,180 토큰

포맷별 AI 친화성 비교

포맷	처리 속도	구조 보존	LLM 직관성
평문 (Plain Text)	최고	❌ 계층 소실	맥락 구분 불가
HTML	저하	시각 구조만	태그 노이즈로 오버헤드
JSON / XML	중간	✅ 완벽한 트리	중첩 탐색 부담
마크다운	최고	✅ 핵심 계층 유지	자연어와 밀접하게 정렬

3 RAG 파이프라인과 환각 억제 메커니즘

RAG(Retrieval-Augmented Generation)는 LLM이 학습하지 않은 최신 데이터를 외부 벡터 DB에서 실시간으로 가져와 답변에 반영하는 아키텍처다. 마크다운은 이 RAG의 핵심 품질인 '청킹(Chunking)'을 혁신적으로 개선한다.

기존 청킹의 문제: 단순히 1,000자 단위로 기계적 분할 → 표의 헤더와 데이터가 분리되거나, 법률 조항의 전제와 예외가 서로 다른 덩어리로 잘려 AI가 잘못된 추론 도출.

마크다운은 #, ##, ### 기호로 명확한 의미론적 경계를 제공한다. 각 청크가 문서 전체 계층에서 어디에 위치하는지 메타데이터를 유지하기 때문에, 에이전트가 정보를 추출할 때 논리적 흐름이 보존된다.

마크다운 문서

→

의미 단위 청킹 (#,##,###)

→

벡터 DB 저장

→

정밀 검색

→

환각 억제

또한 굵은 글씨(**), 코드 블록(```) 등의 마크다운 기호는 AI 모델에게 작성자의 강조 의도를 전달하여 모호성을 줄이고, 정밀한 출처 인용(Citation)을 가능케 한다.

4 금융·ESG·민간 생태계 파급효과

정부 공공 문서의 마크다운화는 민간 AI 파이프라인이 고품질 한국어 데이터에 즉시 연결(Plug-and-play)할 수 있게 해준다. 그 파급효과는 특히 금융과 ESG 영역에서 두드러진다.

ESG 공시

탄소 배출 데이터 실시간 분석

2028년부터 KOSPI 상장사 ESG 보고 의무화. 마크다운 표 포맷의 탄소 배출 데이터는 글로벌 평가 기관 AI가 즉각 수집·벤치마킹 가능해진다.

기업 지배구조

주주총회 투표 결과 투명 공시

2026년 3월부터 상장사는 모든 안건의 찬반·기권 비율을 당일 공시 의무화. 마크다운 테이블로 즉시 AML 이상 탐지 AI에 연결된다.

Compliance

규제 준수 자동 교차검증

식약처 기준 개정, 자본시장법 개정안 등이 마크다운으로 공개되면 기업 AI 에이전트가 자사 파이프라인과 신규 규제 충돌 여부를 자동 경보한다.

개발 생태계

AI 코딩 도구의 표준 컨텍스트

Claude Code, Cursor 등 AI 코딩 도구는 마크다운 파일을 컨텍스트로 선호한다. Notion(사용자 1억 돌파), Obsidian 등 지식관리 도구도 마크다운을 기본으로 채택했다.

5 SEO에서 AEO로 — 웹 아키텍처의 진화

오늘날 웹사이트 방문 31회 중 1회는 GPTBot·ClaudeBot 같은 AI 크롤러 봇이 발생시킨다. 이에 대응해 차세대 웹은 '이중 뷰(Dual-view)' 구조로 진화하고 있다.

AI 봇 감지 → 마크다운 반환

Next.js 미들웨어에서 User-Agent를 분석해 AI 크롤러에게는 DOM을 벗겨낸 순수 마크다운(.md)만을 응답으로 전달한다.

일반 사용자 → React/HTML 뷰 제공

동일한 콘텐츠를 인간에게는 시각적으로 최적화된 HTML로, AI에게는 파싱 최적화된 마크다운으로 이중 서빙한다.

️

정부 누리집 + 마크다운 라우팅

정부 공식 사이트에서 정책 문서가 마크다운으로 무한 공급되면, 한국의 법률·정책 데이터는 전 세계 AI 모델 가중치에 가장 우선적으로 반영되는 지적 우위를 확보한다.

2026년 파싱 기술 동향 (LlamaParse, Unstructured 등)

VLM 기반 차세대 파싱 API들이 PDF·HWP를 즉시 마크다운으로 변환한다. 정부의 원천 마크다운화는 민간의 이 변환 비용을 사회 전체에서 삭감해주는 인프라 보조금이다.

⚠️ AI 모델 벤치마크(MMLU, HumanEval 등)는 이미 '사망' 선고를 받았다. 2026년의 진짜 경쟁력은 복잡한 현실 데이터를 얼마나 잘 처리하느냐다. 구조화된 입력 데이터의 품질이 모델 성능의 병목이 되고 있다.

핵심 정리

국가AI위원회가 공공 문서를 마크다운으로 작성·공개하기로 공식 결정했다 (2026.03.05)
마크다운은 HTML 대비 토큰을 약 80% 절감 — AI 연산 비용과 지연 시간이 동시에 줄어든다
의미론적 청킹 덕분에 RAG 파이프라인 정확도와 환각 억제 성능이 동반 향상된다
ESG 공시·AML 이상 탐지·Compliance AI까지 공공 데이터 품질이 민간 AI 생태계 전반에 직결된다
이것은 행정 서식의 변경이 아니라, 국가 지식 자본을 AI 네이티브 인프라로 재설계하는 대전환이다

마크다운으로 무결하게 구조화된 공공 데이터 세트는 오류와 환각을 교정하는 나침반이 된다. 정부의 이번 결정은 국가 지식 자본이 기계 중심의 AI 생태계로 원활하게 흘러갈 수 있도록 초고속 정보 고속도로를 까는 역사적 아키텍처 대전환으로 평가받을 것이다.

[투자] 주식 거래량의 비밀, ETF로 매매되는 종목은 어디에 집계될까?

전뚠뚠 — Sun, 5 Apr 2026 19:50:57 +0900

ETF 투자 분석

거래량에 숨겨진 자본,
ETF로 매매되는 종목은 어디에 집계될까?

ETF에 포함된 개별 종목의 수급, 지금 당신이 보는 그 숫자의 정체

1 거래량 지표가 흔들리고 있다

주식 시장에서 거래량은 오랫동안 수급의 나침반으로 활용되어 왔다. '개인·외국인·기관'의 매매동향을 추적해 스마트 머니의 흐름을 읽는 것이 전통적인 투자 방식이었다. 하지만 현대 자본 시장의 패러다임은 완전히 바뀌었다.

액티브 투자에서 ETF 중심의 패시브 투자로의 전환이 가속화되면서, 우리가 HTS에서 보는 수급 데이터는 점점 더 왜곡된 신호를 보내고 있다. 오늘날 막대한 거래량 중 상당 부분은 ETF 설정(Creation)·환매(Redemption)와 유동성 공급자(LP)의 헤지 거래에 의한 기계적 결과물이다.

핵심 질문
개인 투자자가 반도체 ETF를 1,000억 원 매수했을 때, 삼성전자·SK하이닉스의 수급 데이터에는 누구의 매매로 집계될까?

2 ETF vs ETN — 겉은 비슷, 속은 전혀 다르다

시장에서 거래되는 상장지수상품(ETP)의 양대 산맥인 ETF와 ETN은 수급 집계 방식에도 큰 차이가 있다.

구분	ETF (상장지수펀드)	ETN (상장지수증권)
법적 성격	집합투자증권 (펀드)	파생결합증권 (무보증 사채)
발행 주체	자산운용사	증권사
신용 위험	없음 (신탁기관 분리 보관)	있음 (발행사 파산 시 원금 손실)
만기	없음	1~20년 (만기 확인 필수)
기초 종목 수	10개 이상	5개 이상
LP 구조	다수 LP → 괴리율 낮음	단일 LP → 괴리율 높을 수 있음

3 ETF 편입 종목의 수급, 누구 것으로 잡히나?

결론부터 말하면, ETF 매매에 따른 기초 현물 자산의 수급은 모두 '금융투자(증권사)' 항목으로 집계된다. 그 이유는 ETF의 이중 시장 구조에 있다.

유통 시장 vs 발행 시장

개인·외국인
ETF 매수

→

유통 시장
(HTS 거래)

→

LP(증권사)
현물 바스켓 매수

→

수급 집계:
'금융투자' 순매수

개인이 ETF를 사면, 이에 대응하는 기초 현물(삼성전자·SK하이닉스 등)을 실제로 사고파는 주체는 LP 역할을 하는 증권사다. 이 거래는 자동으로 '금융투자(증권사)' 수급으로 분류된다. 외국인이 ETF를 대량 매수해도 마찬가지다 — 유통 시장에서는 외국인이지만, 현물 바스켓 매매는 국내 LP(증권사)가 수행하므로 역시 '금융투자'로 잡힌다.

거래 주체	유통 시장	현물(개별 종목) 수급
개인 / 외국인 ETF 매수	ETF 거래량 증가	LP → 금융투자 순매수
개인 / 외국인 ETF 매도	ETF 거래량 증가	LP → 금융투자 순매도

⚠️ 실증 데이터
금융투자의 KOSPI·KOSDAQ 주식 순매수 중 90% 이상이 ETF 설정에 맞물린 비차익 바스켓 매수로 분류된다는 리서치 결과가 있다. 즉, '기관 대규모 매수'처럼 보이는 데이터의 대부분은 기업 가치 분석과 무관한 기계적 현물 복제다.

4 ETF 시대에 통하지 않는 수급 신화 4가지

신화 ①

"기관 대규모 매수 = 강한 매수 세력"

금융투자 수급의 대다수는 ETF 설정에 맞물린 기계적 바스켓 매집. 기업 펀더멘털과 무관하게 지수 가중치만큼 자동 복제될 뿐이다.

신화 ②

"외국인 연속 순매수 = 해외 자본의 긍정 평가"

MSCI 리밸런싱 등 외국계 ETF 자금 유입 시, 현물 매수는 국내 LP가 수행. 외국인 매수처럼 보이지만 실제론 금융투자로 집계된다.

신화 ③

"연기금·투신 매도 = 펀더멘털 이상 신호"

ETF 환매 시 파생적 현물 매도가 발생. 글로벌 리스크로 지수형 ETF를 일괄 매도하면 개별 종목 펀더멘털과 무관한 매도 폭탄이 쏟아진다.

신화 ④

"거래량 3배 폭증 = 거대 자금 유입 신호"

ETF 바스켓 설정, 프로그램 매매 반복, 신용융자 스캘핑이 거래량을 인플레이션시킨다. 거래량의 절대값은 더 이상 신뢰할 수 없는 지표다.

5 위기 때 우량주가 더 폭락하는 이유

"이 기업은 전쟁·금리 인상과 아무 관계 없는데 왜 지수보다 더 떨어지나?" — 이것은 '꼬리가 몸통을 흔드는(Wag the Dog)' ETF 구조의 왜곡 현상이다.

▼ 글로벌 증시 급락 시 지수 하락폭 비교 (예시)

미국 S&P 500-5%

한국 KOSPI-10% 이상

KOSPI 200 대형주 개별 종목-15~20%+

* ETF 기계 매도 + 신용융자 강제 청산 + HFT 알고리즘 결합 시

외국인이 KOSPI 200 ETF를 일괄 매도하면, 국내 LP는 구성 종목을 지수 비중에 따라 무조건 기계적으로 매도한다. 삼성전자·SK하이닉스·현대차 같은 초대형 우량주일수록 지수 비중이 높아 오히려 더 큰 매도 폭탄을 맞는다. 여기에 신용융자 스캘퍼들의 연쇄 손절과 HFT 알고리즘의 반응이 더해지면 플래시 크래시(Flash Crash) 수준의 급락이 벌어진다.

6 개인 투자자를 위한 실전 가이드

거래량 급증 시 출처를 먼저 확인하라

KRX 시장공시에서 '소수 계좌 거래 집중' 또는 '투자주의종목' 지정 이력을 체크. 이력이 있다면 추격 매수는 금물 — 알고리즘과 스캘퍼의 먹잇감이 될 수 있다.

급락장에서 두 가지를 분리하라

①ETF 기계 매도에 밀린 펀더멘털 우량주 vs ②실제 실적 악화로 하락한 종목. 전자는 지수 회복 시 기계적으로 반등하는 경향이 있다. 이 구분이 위기를 기회로 만드는 핵심이다.

⚠️

ETN 투자 시 '괴리율'은 필수 확인

매수 전 HTS에서 실시간 괴리율을 반드시 확인. 괴리율이 높다는 것(+) 은 자산 가치보다 큰 프리미엄을 지불하는 것. LP 구조의 한계로 ETF보다 괴리율이 크게 벌어질 수 있다.

비차익 프로그램 매매 과열 구간은 관망하라

특별한 호재 없이 대형주의 회전율이 극단적으로 치솟는다면, DMA 알고리즘과 신용융자 스캘퍼들의 투기적 전쟁터다. 이 구간에서의 추격 매수는 고스란히 설거지 물량을 받는 결과로 이어진다.

핵심 정리

ETF 매매에 따른 현물 수급은 전부 금융투자(증권사)로 집계된다
금융투자 순매수의 90%+ 는 ETF 설정 관련 기계적 바스켓 매수일 수 있다
위기 시 우량주가 더 폭락하는 것은 ETF 기계 매도의 구조적 결과다
거래량·수급 지표는 맹신이 아닌 의심하며 해석해야 한다
급락장에서는 기계 매도인지 펀더멘털 악화인지를 냉정히 구분하라

HTS 화면의 빨갛고 파란 거래량 막대 뒤에는 ETF를 조립·해체하는 LP의 비차익 바스켓 물량, 마이크로 세컨드로 움직이는 HFT 알고리즘, 신용융자 스캘핑 자본이 뒤엉켜 있다. 이 구조를 이해하는 것이 현대 시장에서 합리적 투자를 지속할 수 있는 출발점이다.

※ 본 글은 금융 시장 구조에 관한 정보 전달 목적으로 작성되었으며, 특정 금융 상품의 투자 권유가 아닙니다. 모든 투자 판단과 책임은 투자자 본인에게 있습니다.

개발하는 전뚠뚠

[투자] 2026년 5월 코스피&나스닥 동반 랠리, 지금은 확대가 아닌 축소를 노려야 할 타이밍

코스피·나스닥 동반 랠리, 그러나지금은 '매수 확대'가 아니라 '축소'

1 동반 상승, 어디까지 왔나

2 동반 상승을 만든 네 가지 동력

3 사라지지 않은 세 가지 변동성

4 왜 지금이 '축소' 타이밍인가

5 지금 점검할 포트폴리오 가이드

핵심 정리

[투자] AI시대, 승패가 갈리기 시작했다. 최후의 승자 `Google(알파벳)`

AI 시대, 승패가 갈리기 시작했다최후의 승자는 결국 'Google'이었다

1 1분기 실적 해부 — 모든 컨센서스를 박살낸 숫자

2 주가의 극적 반전 — 하락에서 폭등까지 6시간

왜 처음엔 떨어졌나 — CapEx 충격

왜 폭등으로 뒤집혔나 — 4,620억 달러의 백로그

3 클라우드의 임계점 돌파 — 분기 매출 200억 달러

API 토큰 처리량으로 보는 채택 속도

4 빅테크 4사 비교 — 같은 CapEx, 다른 운명

5 풀스택 AI 제국 — 칩, 보안, 전력까지 내재화

특히 주목해야 할 한 가지 — TPU의 외부 판매

6 검색은 죽지 않았다 — AI Overviews의 완벽한 수익화

핵심 정리

[AI] 클로드 코드 토큰 절약 방법과 더 똑똑하게 사용하는 방법에 대해서 알아보자.

토큰을 아끼고 결과물을 끌어올리는Claude Code 슬래시 커맨드 7선

1 왜 토큰 관리가 중요할까

2 핵심 커맨드 한눈에 보기

3 상황별 사용 흐름

잘못 갔을 때 — Rewind

대화가 길어졌을 때 — Compact

작업이 끝났을 때 — Clear

4 자주 하는 실수 4가지

5 2026년형 실전 가이드

핵심 정리

[AI] 바이브 코딩으로 간단히 수익 창출을 하기 위한 방법, `앱인토스`

바이브 코딩 × 앱인토스, 1.5시간 만에 수익형 앱을 런칭하는 법

1 바이브 코딩이란?

Cursor vs Windsurf

성공 열쇠는 '상세 명세'와 '규칙'

2 앱인토스: 배포와 트래픽의 허브

앱빌더 + TDS: 디자인을 리액트 코드로

3 1.5시간 개발 워크플로우

4 인앱 결제 & 수수료 구조

결제 연동 4단계

수수료율 (영세·중소 우대)

5 정책 & 심사 가이드

6 AI 도구 고도화 전략

게임 미니앱 WebGL 최적화 체크리스트

핵심 정리

[AI] Gemini에 추가된 Notebook LM에 대해 알아보자.

NotebookLM 사용법 총정리: Gemini 통합, 요금제, 실전 활용 전략

1 NotebookLM이 무엇인가요? 핵심은 출처 기반 답변이다

2 Gemini 통합 이후 무엇이 달라졌나? 양방향 동기화가 핵심이다

3 NotebookLM 사용법: 검색 유입이 많은 질문 기준으로 5단계 정리

4 스튜디오 기능은 어디까지 가능한가?

5 2026년 4월 기준 NotebookLM 요금제와 추천 사용자

6 실전 활용 사례: NotebookLM과 Gemini를 같이 써야 하는 이유

7 ChatGPT, Claude와 비교하면 NotebookLM의 포지션은 다르다

8 자주 묻는 질문 FAQ

9 공식 링크와 참고 자료

핵심 정리

[투자] 일론 머스크의 스페이스 엑스 IPO, 최대 수혜자는 Google이다?

구글이 9억 달러로1,000억 달러를 버는 법

1 역사상 최대 IPO, 진짜 수혜자는 누구?

2 스페이스X 2조 달러 — 근거가 있는 숫자인가?

3 xAI 합병 + 궤도 데이터 센터 — 스페이스X의 다음 판

4 알파벳, 1,000억 달러 어떻게 버는가

5 아마존의 115억 달러 긴급 인수 — 스페이스X 가치를 증명하다

6 알파벳 펀더멘털 — CapEx 딜레마의 해소

핵심 정리 — 투자자가 알아야 할 5가지

[AI] Google Gemma4란 무엇인가?

Google Gemma 4 완전 분석내 PC에서 GPT급 AI를 공짜로 돌리는 시대

1 Gemma 4 모델 라인업 — 4가지 변형의 모든 것

2 MoE의 마법 — 26B가 4B처럼 달리는 이유

네이티브 멀티모달 — 외부 모듈 없이 전부 처리

3 Gemma 3 → Gemma 4: 앵무새에서 논리 엔진으로

생각의 대가 (Thinking Tax)

서식화의 역설 (Strict Formatting Paradox)

4 코딩 에이전트 3파전 — Gemma 4 vs Claude Code vs Codex

5 내 PC·스마트폰에서 Gemma 4 돌리기

️ CLI vs GUI — 엔진 선택 가이드

코스피·나스닥 동반 랠리, 그러나
지금은 '매수 확대'가 아니라 '축소'

AI 시대, 승패가 갈리기 시작했다
최후의 승자는 결국 'Google'이었다

토큰을 아끼고 결과물을 끌어올리는
Claude Code 슬래시 커맨드 7선

구글이 9억 달러로
1,000억 달러를 버는 법

Google Gemma 4 완전 분석
내 PC에서 GPT급 AI를 공짜로 돌리는 시대

MVVM + Clean Architecture
UI부터 RepositoryImpl까지 설계 가이드

정부가 마크다운을 선택했다
— AI 에이전트 시대의 공공 데이터 대전환

거래량에 숨겨진 자본,
ETF로 매매되는 종목은 어디에 집계될까?