AI 전문가 탐구 #3 — AlphaFold를 만든 사람은 어떻게 불가능한 프로젝트를 분해했는가: Hassabis의 제1원리
① 노벨 화학상까지 받은 Demis Hassabis의 핵심 역량은, 불가능한 문제를 해결 가능한 하위 문제로 분해하는 눈이었습니다.
② 게임·신경과학·AI를 거치며 각 도메인이 다음 도메인의 연료가 되는 제1원리 사고를 의도적으로 쌓았기 때문입니다.
③ 난제급 프로젝트를 맡고 계시다면, 본문 끝의 역할별(제품오너·프로젝트 매니저·리더) 적용 정리만 보셔도 됩니다.
- Hassabis가 게임 디자인(Theme Park, 1992) → 신경과학(PhD, 2009) → AI(DeepMind, 2010)로 이동하며 “각 도메인이 다음 도메인의 연료가 되었다”고 설명하는 경력 아크에서, PM이 조직 내에서 유사한 지식 이전을 의도적으로 설계할 수 있는 방법은?
- AlphaGo(2016, 이세돌 4:1)와 AlphaFold(2020, 50년 미해결 문제) 2개의 기념비적 성과 사이의 시간 갭(4년)과 방법론 차이(게임 트리 탐색 → 단백질 구조 예측)를 분석할 때, “불가능 문제를 해결 가능 하위 문제로 분해”의 일반화 원칙은?
- Google DeepMind CEO(6,000명+)로서 낮에는 경영, 밤 10시부터는 Isomorphic Labs($30억 신약 계약) 업무를 병행하는 구조가, 기업 리더십의 어떤 모델을 제시하는가?
- 2026년 UK 자동화 연구소 개소(AI가 가설→실험설계→결과분석을 자율 수행)가 PM 업무를 어떻게 재정의할 것이며, 자동화되지 않는 PM 업무의 핵심은?
- PO: Hassabis 경력은 “문제를 깊게 이해한 후 근본 구조를 찾아내는” 반복. PO는 고객 요구사항을 그대로 받지 말고 그 뒤의 “풀어야 할 정말의 문제”를 찾는 First Principles 사고를 필수 역량으로 가져야 한다.
- PM: “불가능해 보이는 프로젝트”를 “해결 가능한 하위 문제”로 분해하는 것이 역할. AlphaGo 몬테카를로 트리와 AlphaFold 구조 예측을 모두 푼 사람이 “문제를 보는 눈”을 강조했다는 점이 핵심.
- PL: 다양한 도메인 전문가(신경과학·전산·강화학습·구조생물학)를 하나의 목표로 정렬하는 것이 기술 리더의 역할. “어떤 기술을 쓸까”가 아닌 “이 문제의 근본 구조”에서 출발하는 프로젝트 설계가 필요하다.
.jpg){kind=link}
이 인물을 간접 체험하는 추천 영상:
도입부
PM 코치/컨설턴트로서 AI 대가를 분석하는 것은 단순한 인물 소개가 아닙니다. “이 사람의 사고 방식 중 어떤 부분이 프로젝트 실패율을 낮추는 데 직접 쓰일 수 있는가?”를 묻는 과정입니다.
Demis Hassabis는 4세에 체스를 배우고, 17세에 수백만 장 팔린 게임을 공동 디자인하고, 신경과학 박사 학위를 받은 뒤 DeepMind를 세워 노벨 화학상까지 받은 인물입니다. 그의 커리어를 관통하는 단일 원리가 있습니다: “지능을 해결하면, 다른 모든 것을 해결할 수 있다(Solve intelligence, then use that to solve everything else).”
이 글에서는 그의 경력과 프로젝트를 분석하되, PO/PM/PL이 실제로 적용할 수 있는 제1원리 사고(First Principles Thinking)와 불가능한 프로젝트 분해 전략에 초점을 맞춥니다.ㅓ
1. 왜 Hassabis는 “불가능”이라고 여겨진 프로젝트를 반복적으로 성공시키는가?
2. 체스 → 게임 디자인 → 신경과학 → AI로 이어지는 커리어에서 어떤 사고 체계가 추출되는가?
3. 이 사고 체계를 PO/PM/PL의 프로젝트 분해와 의사결정에 어떻게 매핑할 수 있는가?
4. 기업은 Hassabis의 “메타 문제 접근법”에서 AI 전략의 어떤 원칙을 배울 수 있는가?
왜 Demis Hassabis인가
AI 인물 탐구의 세 번째 대상을 선정한 기준은 “가장 많은 상을 받은 연구자”가 아닙니다. “PM/PL이 가장 구조적으로 배울 수 있는 프로젝트 설계 패턴을 가진가”입니다.
7인 비교: 프로젝트 복잡도 매트릭스
Hassabis는 7인 중 유일하게 4가지 차원을 모두 충족합니다. 특히 학제간 융합(게임→신경과학→AI)과 10년 이상의 문샷 프로젝트(DeepMind→AlphaFold→노벨상)의 조합은 PM이 배울 수 있는 가장 풍부한 패턴을 제공합니다.
PM 코칭을 하면서 가장 어려운 질문 중 하나가 “이 프로젝트는 너무 크고 불확실한데 어떻게 시작하죠?”입니다. Hassabis의 경력을 연구하면서 깨달은 것이 있습니다. 그는 “불가능한” 프로젝트를 시작하는 것이 아니라, 모든 문제를 “이미 풀 수 있는 하위 문제”로 재정의하는 것부터 시작합니다. 50년간 미해결이던 단백질 접힘 문제를 “바둑 게임의 변형”으로 보는 관점 — 이것이 제1원리 사고의 핵심입니다.
“생각에 대해 생각하다”는 반복 패턴
Hassabis의 경력을 관통하는 메타 패턴: 메타인지(thinking about thinking)의 반복적 적용
주요 프로젝트 — 경력 전체 궤적
Hassabis의 경력은 게임 디자인, 신경과학, 인공지능이라는 완전히 다른 세 영역을 관통하는 매우 이례적인 궤적을 보여줍니다. 각 도메인이 다음 도메인의 연료가 되었다는 점이 핵심입니다 — 게임에서 배운 시스템 설계가 신경과학의 연구 프레임을, 신경과학의 통찰이 DeepMind의 알고리즘 철학을 형성했습니다.
커리어 타임라인
1976년 런던 출생. 그리스-싱가포르 혼혈. 4세에 체스를 배우고, 13세에 세계 14세 이하 랭킹 2위. 16세에 A-level 2년 조기 합격. 17세에 Bullfrog에서 Theme Park 공동 디자인. Cambridge Computer Science Double First(1997) → Lionhead(Black & White AI) → Elixir Studios 설립(1998) → UCL 신경과학 PhD(2009) → DeepMind 공동 설립(2010) → Google 인수(2014) → AlphaGo(2016) → AlphaFold(2020) → Google DeepMind CEO(2023) → 노벨 화학상(2024).
Mermaid 다이어그램: 3트랙 진화 맵
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph LR
subgraph GAME["🎮 게임/시스템 설계"]
direction LR
G1["Theme Park
1992"] --> G2["Black & White
1997"]
G2 --> G3["Elixir Studios
1998-2005"]
end
subgraph NEURO["🧠 신경과학"]
direction LR
N1["UCL PhD
2005-09"] --> N2["해마+상상력
PNAS"]
N2 --> N3["Scene Construction
Theory"]
end
subgraph AI["⚡ AI/DeepMind"]
direction LR
A1["DeepMind
2010"] --> A2["AlphaGo
2016"]
A2 --> A3["AlphaFold
2020"]
A3 --> A4["Nobel Prize
2024"]
A4 --> A5["Gemini/Genie
2025-26"]
end
style GAME fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style NEURO fill:#fcecea,stroke:#b52a1e,stroke-width:2px
style AI fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
세 트랙은 독립적이지 않습니다 — 게임 디자인(시스템 사고) → 신경과학(지능의 원리) → AI(지능의 구현)로 이어지는 하나의 커리어 아크입니다.
핵심 프로젝트 분석
Theme Park: 복잡 시스템 설계의 원점 (1992)
17세의 Hassabis가 Peter Molyneux와 함께 설계한 놀이공원 경영 시뮬레이션. 입장료, 직원 고용, 롤러코스터 건설까지 세밀한 자기 유지(self-sustaining) 시스템을 설계했습니다. 수백만 장 판매의 상업적 대성공. 이 경험이 이후 모든 프로젝트의 DNA가 됩니다: 명확한 규칙과 목표가 있는 “축소된 완전한 세계”를 설계하는 능력.
UCL PhD: 기억과 상상의 신경 메커니즘 (2005-2009)
Hassabis의 UCL 연구는 AI 역사에서 가장 중요한 학제간 연결 중 하나를 만들었습니다. 해마 손상으로 기억상실이 된 환자들이 새로운 경험을 상상하는 것도 불가능하다는 것을 최초로 체계적으로 입증했습니다(PNAS). 기억과 상상이 같은 신경 메커니즘을 공유한다는 발견은, AI에서 planning과 imagination-based reasoning의 이론적 토대가 되었습니다.
Hassabis의 신경과학 연구가 PM에 던지는 근본적 시사점: “과거 프로젝트를 복기하는 능력”과 “미래 시나리오를 그리는 능력”은 동일한 뇌 메커니즘에 기반합니다. 회고(retrospective)를 잘하는 PM이 계획(planning)도 잘하는 이유가 여기에 있습니다. PM/PL에게 권장: 회고 품질을 높이면 계획 품질도 자동으로 향상됩니다.
AlphaGo: “불가능”을 해결한 프레임워크 (2016)
2016년 3월, AlphaGo는 이세돌을 4:1로 이겼습니다. 2억 명 이상이 시청한 이 대국은 AI에 대한 전 세계적 인식 전환의 결정적 순간이었습니다.
PM 관점에서 AlphaGo의 진짜 의미는 승리가 아닙니다. Move 37 — 2국에서 AlphaGo가 둔 비전통적인 수 — 에 있습니다. 처음에는 실수처럼 보였으나 게임을 결정짓는 창의적 수였습니다. AI가 인간을 모방하는 것이 아니라 새로운 해법을 창조할 수 있음을 입증한 순간입니다.
AlphaFold: 50년 미해결 문제를 6년 만에 (2018-2024)
단백질 접힘 문제(Protein Folding Problem) — 아미노산 서열에서 3D 단백질 구조를 예측하는 50년간 미해결 과제. Hassabis는 이를 “lighthouse project”로 명명했습니다.
기존 방식이면 단백질 하나당 PhD 5년, 전체에 10억 년의 PhD 시간이 소요됩니다. AlphaFold는 이를 분 단위로 압축했습니다.
AlphaFold는 범용 기법(딥러닝 + 강화학습)을 도메인 데이터(단백질 구조)에 맞춤 적용한 사례입니다. 기업이 AI를 도입할 때 범용 LLM만으로는 부족하다는 것을 증명합니다. 핵심 도메인 문제를 정의하고, 그에 맞는 AI 접근법을 설계하는 것이 성공의 열쇠입니다.
최근: Gemini, Isomorphic Labs, 자동화 연구소 (2025-2026)
현재 Hassabis는 Google DeepMind CEO로서 6,000명+ 글로벌 팀을 이끌며, 동시에 Isomorphic Labs(AI 신약 개발, Eli Lilly/Novartis와 $30억 계약)의 업무를 매일 밤 10시부터 수행합니다. 2026년에는 영국에 최초의 완전 자동화 과학 연구소 개소를 예정하고 있습니다.
산업에 미친 영향 — “불가능한 문제를 해결하는” 새로운 모델
Hassabis는 기술만 개발한 것이 아니라, AI가 과학적 발견의 도구가 되는 새로운 패러다임을 열었습니다.
패러다임 전환 테이블
기업의 향후 AI 영향과 준비 항목
1. 도메인 특화 AI 전략
AlphaFold가 가르치는 교훈: 범용 AI를 도메인에 맞춤 적용하는 것이 핵심입니다. 기업은 자사의 “단백질 접힘 문제”가 무엇인지 정의해야 합니다.
준비 항목: – 핵심 도메인 데이터 자산 목록화 – 도메인 전문가 + ML 엔지니어 혼합 팀 구성 – “lighthouse project” 1개 선정 (가장 높은 임팩트 × 기존 역량)
2. 문샷 AI 프로젝트 거버넌스
DeepMind 모델: 수익 사업과 pre-revenue 문샷을 별도 거버넌스로 운영. Google의 Alphabet 구조처럼, AI 문샷 팀은 기존 사업부 KPI와 분리된 평가 체계가 필요합니다.
준비 항목: – AI 문샷 전용 예산/평가 체계 – 분기 ROI가 아닌 마일스톤 기반 진행 측정 – “인재와 컴퓨트의 집중(concentration)이 분산(dispersion)보다 효과적”
3. “Solve Intelligence First” 철학의 기업 적용
개별 문제를 하나씩 해결하는 것이 아니라, 문제를 해결하는 능력 자체를 구축합니다.
준비 항목: – AI Center of Excellence를 “문제 해결 능력의 허브”로 위치 – 여러 부서의 문제를 해결하는 범용 AI 플랫폼 접근 – 단기 ROI보다 장기적 AI 역량 구축에 투자
4. 자율 AI 과학/엔지니어링에 대비
2026년 UK 자동화 연구소 개소는 “AI가 가설 → 실험 설계 → 결과 분석까지 자율 수행”하는 미래의 시작입니다.
준비 항목: – R&D 파이프라인에 AI-first 설계 도입 – “AI 과학자/엔지니어” 역할에 대한 조직적 준비 – 인간-AI 협업 워크플로우 설계
파급 효과 테이블
PO/PM 관점에서 본 Hassabis의 사고 체계
First Principles 사고는 추상적인 개념이 아니라 구체적인 프로젝트 관리 도구입니다 — “불가능”해 보이는 프로젝트를 해결 가능한 하위 문제로 분해하는 능력이 그 핵심입니다. 이 섹션에서는 Hassabis가 AlphaGo와 AlphaFold에서 실증한 분해 전략을 PO, PM, PL 역할에 맞게 번역합니다.
PO 관점: 비전/전략 설정 패턴
PM 관점: 프로젝트 운영 원리
Hassabis 사고 모델 다이어그램
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph TD
A["메타인지
Thinking about Thinking"] --> B["제1원리 분해
First Principles"]
A --> C["상상 기반 계획
Imagination-Based Planning"]
B --> D["불가능한 문제를
풀 수 있는 하위 문제로 변환"]
C --> E["회고와 시나리오가
같은 메커니즘"]
D --> F["Lighthouse Project
선택과 집중"]
E --> F
F --> G["학제간 팀으로
융합 실행"]
G --> H["중간 마일스톤으로
진행 실증"]
H --> I["장기 비전 유지
Patient Capital"]
style A fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style F fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
style I fill:#fcecea,stroke:#b52a1e,stroke-width:2px
전통 PM 프레임워크 매핑
PO/PM/PL을 위한 메타인지 가이드
복잡한 문제를 First Principles로 분해하는 능력은 타고나는 것이 아니라 훈련할 수 있는 메타인지 역량입니다. 아래 4단계 가이드는 이 분해 능력을 매주 단계적으로 구축할 수 있도록 설계되었으며, Hassabis가 게임에서 신경과학으로, 다시 AI로 옮겨가며 반복한 “근본 구조 파악 → 재조합” 루프를 실무 수준으로 축소 적용합니다.
– 잘못된 적용: “우리도 10년짜리 문샷 프로젝트를 시작하자” → 예산/인력/거버넌스 없이 시작
– 올바른 적용: “문제의 본질을 먼저 이해하고, 그에 맞는 시간축과 접근법을 설계하자”
– 잘못된 적용: “First Principles니까 기존 방법론 다 버리자” → 바퀴 재발명
– 올바른 적용: “기존 방법론의 근거를 이해하고, 우리 맥락에 맞는지 검증한 후 적용/수정”
2열 카드: PM 루트 vs PL 루트
PM 루트 — 프로젝트 분해의 제1원리
Hassabis의 핵심 기여: 문제를 “이미 풀 수 있는 하위 문제”로 변환하는 능력.
PM이 적용할 3단계: 1. 본질 정의: “이 프로젝트가 근본적으로 어려운 이유는?” 2. 가정 제거: “우리가 당연히 여기는 것 중 실제로 검증된 것은?” 3. 재조립: “검증된 요소만으로 다시 설계하면?”
PL 루트 — 학제간 융합의 기술
Hassabis의 핵심 기여: 서로 다른 도메인의 전문가를 하나의 목표로 정렬하는 능력.
PL이 적용할 3단계: 1. 공통 언어 설계: 도메인 전문가들이 이해하는 공통 메타포어 선정 2. 번역 세션 운영: 주간 30분 “도메인 간 브리핑” 3. T-shaped 성장: 팀원의 인접 도메인 이해 촉진
메타인지 기반 Step-by-Step 역량 개발 가이드
PM/PL이 Hassabis의 사고 체계를 내재화하기 위한 4단계 훈련입니다. 핵심은 “기법을 외우는 것”이 아니라 “사고하는 방식 자체를 업그레이드”하는 것입니다.
Step 1: 인지 — “나는 어떻게 문제를 분해하고 있는가?” (Week 1-2)
목표: 현재 자신의 문제 분해 패턴을 인식(metacognitive awareness)
Step 2: 분해 — “제1원리에서 다시 시작할 수 있는가?” (Week 3-4)
목표: 기존 가정을 제거하고 근본 요소에서 재조립하는 능력
Step 3: 상상 — “회고와 시나리오를 연결할 수 있는가?” (Week 5-6)
목표: 과거 경험과 미래 계획을 같은 인지 프레임으로 연결
Step 4: 통합 — “메타 문제 해결자가 되었는가?” (Week 7-8)
목표: 개별 기법이 아닌, 문제 해결 능력 자체의 향상
Quick Start: 이번 주부터 시작할 5가지
Hassabis가 PM/PL에게 던지는 가장 근본적인 질문은 이것입니다: “당신은 프로젝트를 관리하고 있습니까, 아니면 프로젝트를 관리하는 능력을 키우고 있습니까?” “Solve intelligence, then use that to solve everything else” — 이 문장에서 “intelligence”를 “PM 역량”으로 바꾸면, Hassabis의 사고 체계가 PM 코칭의 핵심과 정확히 겹칩니다. 개별 프로젝트의 성패에 집착하지 말고, 프로젝트를 해결하는 능력 자체를 키우는 메타 접근을 추천합니다.
다음 편 예고
Hassabis가 “불가능한 문제를 분해하는 법”을 가르쳤다면, LeCun은 “현재 AI의 한계를 정확히 진단하고, 대안을 설계하는 법”을 가르칩니다.
시리즈 상호 연계 — 7인의 사고 체계 연결 맵
시리즈 전체 보기
Tags
시리즈 네트워크에서 이 편과 연결된 글
- P-0 · AI 인물 탐구
7인의 사고 체계 종합 프레임워크 - P-2 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 2편: Ilya Sutskever - P-4 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 4편: Yann LeCun - P-11 · AI 인물 탐구
Agentic 시대 PO·PM·PL 5-Domain 역량 통합편 - K-3 · 사고 체계
Karpathy의 autoresearch: PM에서의 적용 사례 - B-4 · PM/PL 역할 전환
AI 시대의 PMBOK 8판 훈련 전략
- 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
- 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-4 Karpathy: AI의 사고 체계를 PM에 어떻게 적용할까?
- 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
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 Karpathy: 제약 설계 + 닫힌 루프
- 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
- 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
- W-1 Agentic 월간 관전포인트 2026-05 — 가우스+빅테크 듀얼 모델 시대
- W-2 Agentic 2026 상반기 총결산 — 다섯 축 6개월
- 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
- 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-7 지금 Agentic으로 전환해야 하는 이유 — 삼성·LG·KT·Clean&Science 300여 분의 증명
- S-8 ‘바이브 프로젝트 매니징’을 스스로 이름 붙였습니다 — 현대모비스 편
- S-9 “대충 시키면 다 해줄 줄 알았는데” — SK쉴더스 보안 PM들의 이틀
- S-10 휴맥스 전사 ALM 정착 — 표준 4개를 codeBeamer 하나에
- S-11 AI로 신약 프로젝트 관리 — KDRA 바이오 PM 3일 워크숍
- S-12 AI 바이오·제약 회사는 무엇부터 자동화해야 하는가 — 26주 실측
- S-13 에이전트를 어디까지 붙일 것인가 — 되돌릴 수 없는 일 먼저 NEW
- S-14 같은 기준, 다른 답 — 22개 업무 유형의 사람 확정 지점 NEW
- S-15 가장 무거운 일은 전문 업무가 아니었다 — 에이전트 10종 NEW
- 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-6 사내 지식을 RAG로 — 망분리·토큰0 6단계
- 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)
전체 시리즈 가이드
Agentic PM — AI 에이전트 시대의 PM/PL·엔지니어 가이드 →
7개 카테고리 30+편으로 구성된 시리즈. AX 전략 · 현장 검증 · PM/PL 역할 전환 · 사고 체계 · AI 인물 탐구 · 실전 도구 · 실전 실험.
AI 전문가 탐구 시리즈 (A→E · 12편)
📘 A · Roots — 사고 체계
종합 ·
Karpathy ·
Sutskever ·
Hassabis ·
LeCun ·
Hinton ·
Ng ·
Fei-Fei Li
🛠️ B · Builders — 도구·프로덕트 비전
Boris·Cat·Truell·Masad·Murati·Brockman
🏛️ C · Operators — 회사·시장 동학
Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
⚙️ D · Hardware — 물리·경제 제약
Jensen Huang · Lisa Su (NVIDIA · AMD)
🎯 E · Integration — PO·PM·PL 통합 역량
5-Domain × 3-Level 통합 매트릭스
Peter Kim — PM 코치 / 15년+ 국내 대기업 PM 컨설팅 · PMP/CSP/CBAP · projectresearch.co.kr