
Dropbox 1.4TB를 OneDrive로 옮긴 건 시작이었습니다. 스토리지를 하나로 합치자, 정작 ‘일하는 환경’이라는 것이 사라졌습니다 — 어느 디바이스에서 접속하든 같은 환경이 되었기 때문입니다. 개인 컨설팅 인프라가 Mac × 클라우드 × Agentic(Claude Code·Codex) × 하네스 × RAG로 전환을 마친 기록과, 다음 로드맵. (AX 시리즈)
① 흩어져 있던 클라우드 세 곳(OneDrive·Dropbox·Synology)과 디바이스 두 종류(PC·Mac)를 2026년 사용성 평가를 거쳐 OneDrive 한 곳으로 단일화했습니다 — 그중 Dropbox 약 1.4TB(약 489,000파일)를 비파괴 벌크 백업으로 이관하고 예외 6건만 남긴 채 종료했으며, 통합 후 단일 정본은 약 4.5TB 규모가 됐습니다.
② 통합의 진짜 목적은 용량 절감이 아니라 계층 분리였습니다 — 스토리지(OneDrive) · 실행 환경(Windows 365 클라우드 PC) · Agentic 도구(Claude Code·Codex) · 하네스(실록) · 지식(RAG 지식 베이스)을 분리하니, 작업하는 디바이스와 운영체제(OS)가 더 이상 변수가 아니게 됐습니다.
③ 결과: Mac에서 접속하든 Windows 365에서 접속하든 같은 환경입니다. 개인 컨설팅 인프라의 ‘Agentic 세상’ 전환이 일단락됐고, 다음은 ‘에이전트가 인프라를 운영하는’ 단계입니다 — 개인 Agentic 로드맵을 끝에 붙였습니다.
“백업을 합친다”고 시작한 일이, “환경을 없앤다”로 끝났습니다
처음 의도는 단순했습니다. Dropbox에 쌓인 약 1.4TB를 OneDrive로 백업해 클라우드를 하나로 줄이자. 비용도, 관리 지점도, “이 파일 어느 드라이브에 있더라”는 매일의 마찰도 줄일 수 있을 것 같았습니다.
그런데 작업을 끝내고 보니, 줄어든 것은 클라우드 개수만이 아니었습니다. ‘내 작업 환경’이라는 개념 자체가 흐려졌습니다. 스토리지를 한 곳으로 모으자 자연스럽게 실행 환경도 클라우드로 올라갔고, 일을 실제로 수행하는 주체는 에이전트(Claude Code·Codex)가 되었습니다. 그러자 제가 Mac 앞에 앉아 있든, 클라우드 PC에 접속해 있든, 결과가 똑같아졌습니다. 디바이스와 OS가 ‘내 환경’이 아니라 ‘접속 창구’로 격하된 것입니다.
이 글은 그 전환의 기록입니다. 클라우드 단일화라는 인프라 정리에서 출발해, Mac × 클라우드 × Agentic × 하네스 × RAG라는 다섯 계층의 곱셈 구조로 업무·컨설팅 환경을 재구성하기까지 — 무엇을 평가했고, 왜 OneDrive로 결정했으며, 어떻게 옮겼고, 그래서 지금 어떤 환경에서 일하고 있는지를 정리했습니다. 마지막에는 다음 단계를 위한 개인 Agentic 로드맵을 붙였습니다.
출발점 — 클라우드 셋, OS 둘, 그리고 “어디에 뒀더라”
전환 전 제 자산은 세 개의 클라우드와 두 종류의 디바이스에 흩어져 있었습니다. 10년치 강의·컨설팅 산출물이라는 점이 문제를 키웠습니다 — 같은 프로젝트의 원본이 Dropbox에, 정리본이 OneDrive에, 대용량 원본이 Synology NAS에 따로 있는 식이었습니다.
핵심 통증은 용량이 아니라 맥락 전환 비용이었습니다. 자료가 어디 있느냐에 따라 어느 기기를 켜야 하는지가 달라졌고, 기기가 달라지면 쓸 수 있는 도구가 달라졌습니다. Windows에서만 되는 작업, Mac에서만 되는 작업, NAS가 켜져 있어야 하는 작업이 따로 있었습니다. 한 사람이 다섯 개의 작은 작업 환경을 머릿속에서 스위칭하고 있었던 셈입니다.
예전에 저는 이 클라우드에 쌓인 자료를 어떻게 나만의 지식(RAG)으로 만들지를 다룬 글을 쓴 적이 있습니다. 그때의 질문은 결국 ‘저장소’에 관한 것이었습니다 — 어디에 두고, 어떻게 구조화하나. 그런데 이번에 다시 보니, 진짜 질문은 “어디에 저장하나”가 아니라 “일을 어디서 수행하나, 그리고 그게 디바이스에 묶여 있어야 하나”였습니다. 질문이 바뀌자 답도 완전히 달라졌습니다.
2026년 Dropbox vs OneDrive Business 사용성 평가 — 그리고 결정적 변수
통합 대상을 정하기 위해 두 비즈니스 클라우드를 다시 평가했습니다. 결론부터 말하면, Dropbox는 여전히 특정 영역에서 더 우수합니다. 그래서 더 정직하게 비교가 필요했습니다.
표를 정직하게 읽으면 이렇습니다. 대형 바이너리를 매일 협업하는 창작 팀이라면 Dropbox의 블록 단위 동기화가 여전히 강력합니다. 2GB 디자인 파일의 한 레이어만 바꿔도 수 KB만 올라가는 경험은 OneDrive가 따라오기 어렵습니다. 이 점을 부정하면 평가가 아니라 합리화가 됩니다.
그러나 제 업무는 영상 협업이 아니라 문서·발행·컨설팅 산출물 중심이고, 이미 Microsoft 365를 핵심 작업 도구로 쓰고 있었습니다. 그리고 두 가지 결정적 변수가 OneDrive 쪽으로 저울을 기울였습니다.
변수 2 · 스토리지가 ‘실행 환경’으로 이어집니다. OneDrive는 단순 저장소가 아니라 Microsoft 365 · Windows 365 클라우드 PC와 한 몸입니다. 자료를 OneDrive로 모으면, 그 자료를 다루는 ‘환경’ 자체를 클라우드로 올릴 길이 같이 열립니다. Dropbox에는 이 경로가 없습니다 — 그것이 이번 결정의 진짜 분기점이었습니다.
실행 — 1.4TB를 옮긴 방법, 그리고 “끝”을 정의한 방법
결정 다음은 실행이었습니다. Dropbox 약 1.4TB를 OneDrive로 비파괴 백업했습니다. 핵심 원칙은 원본을 절대 건드리지 않는 단방향 복사였습니다 — 옮기는 도중 무슨 일이 생겨도 Dropbox 원본은 그대로 남도록.
핵심 기법 — 다운로드 없이 ‘클라우드 → 클라우드’ 직접 전송
1.4TB를 옮기는 가장 순진한 방법은 “Dropbox에서 PC로 1.4TB를 내려받고, 다시 OneDrive로 1.4TB를 올린다”입니다. 이러면 로컬 디스크에 2.8TB 분량의 입출력이 발생하고, 시간도 두 배가 듭니다. 저는 그 대신 오픈소스 동기화 도구 rclone으로 두 클라우드를 직접 연결했습니다 — Dropbox API에서 읽은 바이트를 로컬에 쌓지 않고 곧바로 OneDrive API로 흘려보내는 remote-to-remote(원격→원격) 스트리밍 방식입니다. 로컬 디스크에는 거의 아무것도 남지 않습니다.
–transfers 4 –checkers 6 # 병렬 전송·대조 수
–tpslimit 3 –tpslimit-burst 6 # OneDrive API 초당 호출 상한(병목 제어)
–retries 20 –low-level-retries 50 # 일시 오류 자동 재시도
–exclude-from blockers.exclude # 결정적 실패 6건 격리
–log-file resume.log # 진행 상황 기록(감사·재개용)
플래그 하나하나가 현장 교훈입니다. copy는 sync와 달리 대상에만 더하고 원본은 손대지 않습니다(비파괴). 진짜 병목은 대역폭이 아니라 OneDrive의 초당 API 호출 한도였기에 — 소형 파일이 수십만 개라 — --tpslimit으로 전송 속도를 일부러 묶어 throttle(호출 차단)을 피했습니다. 무작정 빠르게 밀어붙이면 오히려 차단당해 더 느려집니다. 여기에 두 가지 운영 장치를 더했습니다.
- Watchdog(정체 감지 재시작) — 장기 실행이 멈추면(“프로세스는 살아 있는데 복사는 안 되는” 상태) 자동 감지·재기동. 가장 큰 함정은 “프로세스 생존 = 진행”이라는 착각이었습니다.
- 상태 모니터(감사 로그) — 마지막 복사 시각·대조 진척·재시도 패턴 세 신호를 분리 기록. 다일(多日) 전송을 ‘재확인 가능한 기록’으로 만들어 둡니다.
마지막은 검증이었습니다. rclone check --one-way로 원본 대비 누락분을 대조해, 무엇이 정말 안 넘어갔는지를 확인했습니다. 그렇게 남은 것이 아래 표의 예외 6건입니다.
이 작업이 남긴 가장 값진 교훈은 기술이 아니라 ‘끝’의 정의였습니다. 옮기는 동안에도 Dropbox 원본에는 새 파일이 계속 생겼습니다. 그래서 “양쪽이 완벽히 똑같아질 때”를 기다리면, 그건 작업이 아니라 끝나지 않는 운영이 됩니다.
이렇게 Dropbox 1.4TB가 OneDrive로 들어오면서, 기존 코퍼스 + Microsoft 365 문서 + 백업본이 한 곳의 정본으로 모였습니다 — 통합 후 단일 정본은 약 4.5TB 규모입니다. Synology NAS는 폐기가 아니라 ‘콜드 백업’ 역할로 명확히 재배치했습니다 — 모든 저장소가 일상 작업 드라이브일 필요는 없으니까요.
전환 — 환경을 Windows 365로 올리고, 실행을 에이전트에게 넘기다
스토리지를 합치자 다음 수가 자연스럽게 보였습니다. 자료가 클라우드 한 곳에 있다면, 그 자료를 다루는 환경도 클라우드에 있는 게 맞습니다. 그래서 작업 환경 자체를 Windows 365 클라우드 PC로 올렸습니다.
Windows 365의 핵심은 가격이 아니라 접속 방식입니다 — 전용 앱과 브라우저로 macOS·iOS·Android·ChromeOS·Windows 어디서나 같은 클라우드 PC에 접속합니다. 즉 제 Mac은 더 이상 ‘작업 기기’가 아니라 클라우드 환경으로 들어가는 창구(thin client)가 됩니다. (참고로 2026년 들어 Windows 365 가격이 약 20% 인하되어 진입 장벽도 낮아졌습니다.)
그리고 그 클라우드 환경 안에서 실제로 일을 수행하는 주체를 에이전트 도구로 바꿨습니다 — 터미널 기반의 Claude Code와 Codex입니다. 제가 단계마다 손으로 하던 작업(자료 검색·문서 작성·조판·발행·검증)을 에이전트가 수행하고, 저는 목표와 기준을 주고 결과를 검수합니다.
전환을 체감한 순간은 코칭·강의 현장이었습니다. 클라이언트 사옥이나 강의장에서는 제 Mac을 쓰지 못하는 경우가 많습니다 — 보안 정책상 외부 노트북 반입이 막혀 있거나, 윈도우 전용 사내 환경이거나, 현장에 비치된 PC만 써야 할 때입니다. 예전이라면 “내 작업 환경이 없으니 여기선 못 한다”였습니다. 지금은 현장의 윈도우 PC 브라우저로 클라우드 PC에 접속하면, 집 작업실과 완전히 같은 환경이 그대로 뜹니다 — 같은 자료, 같은 에이전트, 같은 하네스. Mac을 들고 오지 않아도, 어떤 OS 앞에 앉아도 일이 됩니다. “어느 기기를 가져왔지?”가 더 이상 질문이 아니게 된 그 순간이, 이 전환이 끝났다는 신호였습니다.
도착 — 다섯 계층의 곱셈: Mac × 클라우드 × Agentic × 하네스 × RAG
전환을 마치고 보니, 제 업무·컨설팅 환경은 다섯 개의 독립 계층이 곱해진 구조가 되어 있었습니다. 각 계층이 분리되어 있다는 것이 핵심입니다 — 한 계층을 바꿔도 나머지가 흔들리지 않습니다.
OS·디바이스 무관. ‘작업 기기’가 아니라 ‘창구’.
실행 환경이 클라우드에. 어디서 접속해도 동일.
10년치 자산 한 곳. 천장 사실상 없음(최대 25TB/사용자).
일을 수행하는 주체. 사람은 목표와 기준을 준다.
요청을 적합한 규율로 라우팅 · 품질 게이트 · 거버넌스.
“무엇을 알고 일할 것인가”. 작업이 끝나면 지식으로 환류.
이것은 더하기가 아니라 곱하기입니다. 어느 한 계층이 0이면 결과도 0입니다 — 최고의 에이전트도 정돈 안 된 지식 위에서는 일반론을 쓰고, 아무리 좋은 지식도 하네스의 품질 게이트가 없으면 산출물에 규율이 빠집니다. 반대로 다섯 계층이 모두 살아 있으면, 한 계층의 개선이 전체에 곱해집니다. 이 곱셈 구조 자체가 이번 전환의 결과물입니다.
그리고 이 구조의 가장 큰 미덕은 계층 독립성입니다. 새 모델이 나오면 ④만 갈아끼우면 되고, 디바이스를 바꾸면 ①만 바뀝니다. 지난 한 달 사이 실제로 모델이 두 번 바뀌었지만, 나머지 계층이 모델 무관으로 쌓여 있어 교체 비용은 0에 가까웠습니다. 환경을 ‘하나의 덩어리’가 아니라 ‘분리된 계층의 곱’으로 지으면, 변화는 위협이 아니라 그냥 한 계층의 업그레이드가 됩니다.
— OS와 디바이스는 첫 항으로 격하되었고, 그래서 더 이상 변수가 아닙니다.
하네스(⑤)의 설계 철학은 실록(Sillok): 한국형 LLMOS 하네스에, 지식 계층(⑥)의 구조화 방법과 30시간 실측 비교는 30시간 RAG 실측 회고에, 모델 × 하네스 × RAG 곱셈 구조의 정량 근거는 모델 교체 하루 실측 회고에 정리해 두었습니다.
다음 — 개인 Agentic 로드맵 5단계
여기서 분명히 해 둘 것이 있습니다 — 이 로드맵은 ‘앞으로 할 일 목록’이 아닙니다. 상당 부분이 이미 매일 가동 중입니다. 기반 단일화(Phase 0)는 끝났고, 하네스 성숙(Phase 1)·지식 자동 환류(Phase 2)·에이전트 플릿(Phase 3)은 실제로 돌아가고 있습니다. 특히 지식 환류는 앞서 소개한 두 지식 시스템(지식 베이스·아카이브) 위에서 작업 종결 때마다 자동으로 일어나고, 야간에는 모니터링 플릿이 외부 인텔리전스를 훑어 큐에 쌓아 둡니다. 남은 진짜 프론티어는 Phase 4, 하네스가 스스로를 개선하는 자기진화입니다.
관통하는 원칙은 하나입니다 — 사람의 역할을 ‘실행’에서 ‘판단’으로 옮긴다. 단계가 올라갈수록 에이전트가 더 많이 수행하지만, 위험한 변경·외부 배포·최종 승인 같은 결정 노드는 끝까지 사람이 쥡니다. 자동화의 목표는 사람을 빼는 것이 아니라, 사람이 가장 잘하는 곳(판단·관계·맥락)에 사람을 집중시키는 것입니다.
합치는 것이 아니라, 분리하는 것이었습니다
역설적이지만, 클라우드를 하나로 ‘합치는’ 작업의 결과는 일하는 환경을 깔끔하게 ‘분리하는’ 것이었습니다. 스토리지·환경·실행·하네스·지식이 각자의 자리에서 독립적으로 존재하게 되자, 그동안 다섯 개의 작은 환경을 머릿속에서 스위칭하던 부하가 사라졌습니다. 그리고 그 자리에 ‘어느 디바이스에서든 같은 환경’이 들어섰습니다.
Agentic 세상으로의 전환은 거창한 한 번의 사건이 아니었습니다. Dropbox 백업이라는 사소한 정리에서 시작해, 환경을 클라우드로 올리고, 실행을 에이전트에게 넘기고, 그 위에 하네스와 지식을 쌓는 — 다섯 번의 작은 결정이 곱해진 결과였습니다. 여러분의 전환도 거대한 도약이 아니라, ‘지금 가장 마찰이 큰 한 계층’을 정리하는 것에서 시작하면 됩니다. 환경이 곱셈 구조라면, 한 계층의 정리도 전체에 곱해지니까요.
본 글의 운영 환경 전환은 1인 컨설턴트(n=1)의 기록이며, 가격·정책 수치는 2026년 6월 공개 자료 기준입니다. 조직 규모·산업·규제 환경에 따라 최적 구성은 달라질 수 있습니다.
- X-1 AI/AX 2030 전략: McKinsey, BCG, Accenture, Deloitte, Gartner 교차 분석
- X-2 빅테크 리더십 격변과 AX 전략
- X-3 2026년 GitHub에서 주목할 프로젝트와 AI 전환 신호
- X-4 AI 에이전트 2026 상반기 대해부 — 지금 무슨 일이, 리더는 무엇을
- E-1 AI 네이티브 기업 전환 — CHO·PMO 재정의
- E-2 한국 기업 AX 2030 (Capstone)
- E-3 NH농협은행 SAFe 애자일 3년 — 페이스메이킹의 기록
- E-4 하나은행 × BCG 애자일 전환 — 두 개의 리듬으로
- E-5 네이버랩스 AKI — 하이브리드 애자일 PMO로 7개 제품을 한 박자로
- E-6 일곱 도메인 업무 흐름 지도 — 내 도메인의 게이트는 어디에 걸려 있나
- EO-1 우리 회사 업무, 어디까지 Agent에 맡길까
- EO-2 사내 RAG의 진짜 테스트: 부서 이동과 문서 개정을 견디는가
- EO-3 회의록에서 업무 등록까지: 중복 실행을 막는 Agent
- EO-4 Agent 성적표: 답변·업무 완료·재작업을 함께 재기
- EO-5 전문가의 지식은 어떻게 다음 프로젝트의 근거가 되는가
- EO-6 Agent 도입 30일, PMO는 무엇을 보고 계속할지 결정할까
- EO-7 Sillok × Astra/ultra: 시너지를 판정하는 업무 실험
- EO-8 공공 SI와 제조 SCM, 같은 Agent에서 달라지는 경계
- SX-1 실사구시 AX 1부 — 에이전트 요구 637건, 사내 챗봇은 5%
- SX-2 실사구시 AX 1부 — 첫 과제는 우리 부서 일의 지도
- SX-3 실사구시 AX 1부 — 사내 데이터를 AI에 열 때 정할 세 가지
- SX-4 실사구시 AX 2부 — 월례 사례 발표로 확산을 굴리기
- SX-6 실사구시 AX 2부 — 주간보고보다 매일 남는 증적
- SX-7 실사구시 AX 3부 — PMO를 두면 감리를 생략할 수 있을까
- SX-8 실사구시 AX 3부 — 발주처 AI와 먼저 붙여 보는 War Game
- SX-9 실사구시 AX 4부 — 계약이 끝나면 누가 고치나, 인수 부트캠프
- SX-11 실사구시 AX 4부 — 중견 제조사의 AX 6개월, 무엇을 만들고 무엇을 넘겼나
- B-1 AI 시대 PM의 역할 변화: 팀 모드의 중요성
- B-2 AI 시대, PO·PM·PL과 사무직의 역할이 근본부터 바뀐다
- B-3 AI 시대, PM/PL의 역량이 근본부터 바뀌어야 하는 이유
- B-4 AI 시대의 PMBOK 8판 훈련 전략
- B-5 Agentic 시대, PM/PL과 엔지니어는 무엇을 준비해야 하는가
- B-6 AI 인재, 무엇을 준비할 것인가 — 11+1 역량 지도
- B-7 PO·PM·PL 역량 통합: 5-Domain × 3-Level
- B-8 역량은 합치고, 결정권은 나눕니다 — AI/AX 인재 역량정의서
- B-9 AI는 답보다 ‘낯선 수’를 줄 때 사람을 키웁니다 — 바둑 연구로 본 AI 자기개발
- R-0 직군이 아니라 역할이다 — Agentic 팀의 다섯 원형
- K-1 Agentic 시대, PM의 온톨로지맵 — Obsidian을 통해 나만의 RAG를 만드는 법
- K-2 Karpathy의 LLM과 Obsidian 지식 결합
- K-3 Karpathy의 autoresearch: PM에서의 적용 사례
- K-5 Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스 교차 분석
- K-6 30시간 RAG 실측 — Karpathy llm-wiki vs obsidian-vault 양강 비교
- K-7 구글 OKF·Obsidian Vault·llm-wiki — 무엇을 어떻게 시작할까
- K-8 Obsidian × LLM 4만 노트 — 개인 RAG 최종 아키텍처 5층
- K-9 PM 온톨로지맵 템플릿 배포판 — 30분에 채우는 5칸
- K-10 기업 RAG 운영 교훈 입구 — 벡터 DB보다 다시 찾는 고리 · 정답률 12%→54%
- K-11 기업 RAG 운영 교훈 1 — 먼저 넣고 모자랄 때 찾기 · AI 호출 43% 절감
- K-12 기업 RAG 운영 교훈 2 — 인용 점검기·퇴역 기준 · RAG 8개 운영 기록
- K-13 기업 RAG 운영 교훈 3 — 근거는 권한을 더하지 않는다 · 숨은 지시 실험
- G-1 삼성전자 GAUSS PM Agent: 효과적 설계로 주니어 PM 지원하기
- G-2 주니어 PM 위한 AI 하네스 구축 가이드
- G-4 삼성 DX 엔지니어를 위한 Codex 온보딩 — 하네스 & 개인 RAG
- G-5 나의 Agent 비서, 블록 12개로 조립한다 — 재사용 블록과 77%의 법칙
- G-6 내 업무를 맡길 AI 에이전트 — 6블록 설계와 PROFILE BIND
- CC-4 내 노트 4만 개 검색 — LLM 직접 읽기 vs 전용 CLI, 하이브리드 5.5배
- CC-5 Obsidian 노트를 앱 없이 검색 — 오픈소스 byeori(벼리)
- CC-6 사내 지식을 RAG로 — 망분리·토큰0 6단계
- G-8 4.5TB 클라우드 단일화 — Mac × 클라우드 × Agentic 업무환경
- A-5 Fable 5와 보낸 첫 하루 — 모델 × 하네스 × RAG 실측 회고
- A-6 맥은 이미 AI 워크스테이션 — 사진·노트·인박스 0원 정리
- A-7 Mac@Work 2026 — 맥 20년차의 도구 모음과 Agentic 카테고리
- A-8 좋은 엔진은 없다, 맞는 엔진이 있다 — Codex/Sol vs Claude/Fable 5대 실전 비교
- A-9 프롬프트는 형식을, 사내 RAG는 판단을 채웠습니다 — PMO 문서 2×2 실험
- A-10 Claude·OpenAI·Apple·Qwen 엔진 11개로 잰 질의응답 품질과 비용 — 답변 310건 실측
- CC-3 Opus xhigh 솔로 vs ultracode 멀티에이전트 — 작업유형별 A/B 실측
- G-3 대기업 직장인을 위한 AI Agent & Skill 추천 가이드 2026
- G-7 녹취 엔진 두 레인 — SpeechAnalyzer와 Alt, 코칭·컨설팅 6장면 판단표
- CC-7 Claude Code × GPT-5.6 Sol — CCR vs 순정 Codex 7시나리오 실측
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 PM 코치가 바라보는 AI 전문가 탐구 1편: Andrej Karpathy
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 DeepSeek 량원펑 — 연속 학습의 공백과 하네스
- S-1 Agentic PM의 시대가 열리다 — LG전자 SW PM 워크숍을 마치며
- S-2 삼성전자 PMC: AI와 함께하는 PM 교육 혁신
- S-3 SKT Agent 도출을 위한 AI 퍼실리테이션 기법
- S-4 리스크는 그릇이었다 — LG전자 SW공학연구소 GenAI RISK 워크숍
- S-5 코드 한 줄 없이 손익관리팀이 만든 에이전트 — 신한EZ손해보험
- S-6 “어디까지 입력해도 되나요?” — 삼성 구매 현장의 Agentic 각성
- S-8 ‘바이브 프로젝트 매니징’을 스스로 이름 붙였습니다 — 현대모비스 편
- S-9 “대충 시키면 다 해줄 줄 알았는데” — SK쉴더스 보안 PM들의 이틀
- S-16 “완료했습니다”가 서로 다른 뜻이었다 — 다섯 차수 종료 회고 NEW
- PS-2 공공 PM이 ‘AI 이용자’에서 ‘AI 활용자’로 — 아이티센 편
- S-17 기준 문서를 내 업무로 다시 쓰자 — FITI시험연구원 관리자 AX NEW
- S-18 PM·컨설턴트를 FDE로 세우는 실무 훈련 — KT DS AX PO·PM NEW
- S-19 근거로 검증하는 발주 담당자로 — 코레일 AX PMO NEW
- S-20 큰 그림은 표준으로, 상세는 AI로 — 삼성전자 AX PMC NEW
- S-21 내 Epic을 포트폴리오에 올리자 — LG전자 SW PM·리스크 NEW
- M-1 Agentic PM 시리즈 진입 가이드 — 전체를 한 장으로
- Z-1 실록(Sillok) — 5세기 Audit-Grade 거버넌스를 LLM 운영에 빌려온 한국형 LLMOS 하네스
- Z-2 실록(Sillok) 2026 상반기 결산 — RAG·고객사·지능화 루프·오픈소스
- Z-3 하네스×RAG 기업 컨설팅 — 네 현장·환각 방지·TOP10 자가진단·진화 루프
- Z-4 하네스 엔지니어링 백서 — Weng 하네스론×실록 구조 매핑·자기개선 루프·정직한 결산
- Z-5 에이전트 스킬 수명주기 백서 — Dynamic Agent Skills 8단×실록 매핑(7 온전+1 갭)·분기 12문항 레퍼런스·PO/PM/PL 컨설팅 직역
- Z-6 AX 시리즈 100편 기념 특집 — 실록·3층 RAG 운영 실측: 대시보드 5장 해설·구조 도식 2장·지식 구조 7층·강의/프로젝트/발행 3사례·응용분야·정지 사고 공개
- W-1 Agentic 월간 관전포인트 2026-05 — 가우스+빅테크 듀얼 모델 시대
- W-2 Agentic 2026 상반기 총결산 — 다섯 축 6개월
- Z-7 100편 기념 특집 2편 — 배치 사다리 6단·수명주기 22일/90일·계측 3지표 (팩 119 중 16개가 라우팅 80% 실측)
- Z-8 100편 기념 특집 3편 — 위임 경계=비가역성·88스텝 중 45개(51%) 사람 확정·비가역 6갈래·4칸 표 템플릿
- Z-9 하네스 운영 교훈 1 — 느린 턴은 왕복 수 · 794턴 실측 · 속도 계약·결정 요청 계약
- Z-10 하네스 운영 교훈 2 — 토큰 비용 · 캐시 95.7% · 가격표 빈칸 착시 · 성공 작업당 비용
- Z-11 하네스 운영 교훈 3 — 규칙↔집행 장치 원장 · 41개 중 21개 문장뿐 · 경고 1,698회 미전달
- Z-12 하네스 운영 교훈 4 — 관측 vs 엔진 · 운영 구성요소 1-in-1-out 예산 · 동결 나흘 뒤 초과
- Z-13 하네스 운영 교훈 5 — 에이전트 기억 회수 · 39% 미사용 · 4층 기억 · 한 원장
- Z-14 하네스 운영 교훈 특별편 — AI 주도 개발(AIDD) 가드레일 · DORA·METR·국내외 동향 · 도입 5단계