Открывайте больше.
Тратьте меньше.

从 Pi 到 DSH:Agent Harness 如何从「可扩展」走向「自生长」

掘金

大模型能力持续提升之后,Agent 系统的竞争焦点正在发生变化。 过去,我们主要关心模型能不能理解任务、调用工具、编写代码。现在,更重要的问题逐渐变成:模型之外的系统,能否为 Agent 提供一个可以

Балл: 57.1Уверенность: 54%

DeepSeek Harness 的 Cordis 插件架构

掘金

DeepSeek Harness 把模型、工具、会话、沙箱、文件系统、Agent 循环、调度和 UI 都交给插件。 系统没有一块承载业务能力的固定内核,Cordis 只维护上下文、服务注册、事件分发、

Балл: 57.1Уверенность: 54%

Army 的可插拔架构:army-jdbc 与方言模块

掘金

Army 的可插拔架构:army-jdbc 与方言模块(源码级解析) 目录 0. 一句话结论 1. 模块全景与依赖方向 2. "可插拔"的两条正交轴 3. 轴一:SQL 渲染层(方言模块)的插拔机制

Балл: 57.1Уверенность: 54%

为 MAX 10 认证扫清障碍,FAA 认定波音 737 MAX 软件故障无安全隐患

Readhub

美国联邦航空管理局披露,专家组认定部分波音 737 MAX 客机飞行计算机的软件故障不存在安全隐患,为拖延多年的 737 MAX 10 认证扫清了最后阶段的一项障碍。该软件此前被指在特殊着陆情况下可能导致飞行员无法使用自动飞行引导功能,最新版软件也可能增加飞行员复飞时的操作负担,此前 FAA 曾暂缓 737 MAX 10 的认证等待完成相关分析。采用相同软件的 737 MAX 7 已于 8 月获得 FAA 认证,相关航司有望打消部分顾虑。航空业官员预计 737 MAX 10 最快可在本月晚些时候获得认证,若认证长期拖延,已订购该机型的多家美国大型航司可能受到波及,后续监管机构将发布相关特别适航信息通告,确保各方知悉波音的相关通告。

Балл: 57.07Уверенность: 54%

蔚来充电服务突破 1 亿次 超八成电量服务非蔚来品牌用户

Readhub

蔚来充电服务于 2026 年 10 月 3 日突破 1 亿次,其中 86.67% 的充电电量服务于非蔚来品牌新能源汽车用户。截至目前,蔚来在全国累计建成 9522 座充换电站,提供充换电服务超 2.2 亿次,其中充电站 5361 座、充电桩 30892 根,换电站 4161 座,累计换电服务超 1.26 亿次。蔚来换电单日总量达 183469 单创历史新高,平均 0.47 秒就有一台蔚来、乐道、萤火虫完成换电。

Балл: 57.06Уверенность: 54%

中国信保前 8 个月承保金额同比增长 12.6%

Readhub

今年前 8 个月,中国出口信用保险公司扩大出口信用保险覆盖面,承保金额 8541.8 亿美元,同比增长 12.6%,服务客户 25.1 万家,同比增长 5.2%。助力培育外贸新动能,新业态和服务贸易承保金额同比分别增长 18% 和 40%。推动内外贸一体化,内贸险承保金额 4010.3 亿元,同比增长 14.1%。

Балл: 57.04Уверенность: 54%

StartLux 开源决策模型公开评测成绩超 Jev 登顶榜首

Readhub

成立不到 5 个月的上海 AI 企业 StartLux 推出完全开源的决策模型 StartLux-Decision,在 Decision Index 0.2.1 的 38 项基准测试中 31 项成绩超过热门模型 Jev,综合得分领先近 6 分,36 局国际象棋对弈中赢下 35 局,是当前公开评测下全球最强的开源决策模型。该模型推出五档参数量版本及对应量化模型,可支持本地部署,针对候选集明确的高频判断场景优化,响应速度快、调用成本低,能填补本地智能系统的高频决策层级,与通用大模型形成分工,提升整体运行效率。该模型从立项到完成首轮研发验证仅耗时 3 天,依托的是团队长期搭建的 Auto Research 异构多模型协作研发体系,目前团队已将该体系推进到 RSI 三级阶段。此次发布并非孤立的模型迭代,而是 StartLux 本地智能系统架构按计划落地的组成部分,后续团队将持续推进系统整合,年内有望推出首个面向公众的本地智能体验版本。

Балл: 57.04Уверенность: 54%

[Architecture] 키를 한곳에 모았는데, 읽는 코드는 제각각이었다 — 단일 금고 후속기

velog

API 키를 한곳에 모았는데, 읽기 코드를 확인하니 공용 파일을 읽는 경로와 프로젝트의 옛 파일을 먼저 찾는 경로가 섞여 있었다. 저장 위치를 하나로 정해도 각 프로그램이 그곳을 읽도록 바꾸는 작업은 따로 남았다. 이전 글 에서는 흩어진 키를 공용 금고로 모으는 방향을 정리했다. 이번에는 그 구조를 실제 읽기 코드에 연결하고, 현재 실행 환경에 들어온 값을 덮어쓰지 않는지 확인한 뒤 옛 파일을 정리했다. 앞선 글의 ‘각 프로젝트의 파일을 전부 지운다’는 표현도 실제 작업을 설명하기에는 거칠었다. 지워야 할 것은 중복 비밀값이었다. 실행 설정과 공개 식별자까지 없애는 일은 아니었다. 파일을 옮기기 전에 읽는 코드를 찾았다 각 프로젝트에서 비밀값을 가져오는 코드를 확인했다. Node.js의 환경변수 로더, Python 설정 클래스, 실행 스크립트가 같은 방식으로 값을 읽지는 않았다. 백업 파일을 뒤지는 경로와, 암호화 파일을 읽지 못하면 평문 파일로 돌아가는 경로도 정리 대상에 들어갔다. 이런 우회 경로가 남으면 공용 금고를 바꿔도 프로그램은 옛 값을 계속 가져올 수 있다. 그래서 파일 이동보다 먼저 로딩 순서를 맞췄다. 상황 이번 이관에서 정한 처리 실행 환경에 값이 명시적으로 들어온 경우 그 값을 유지한다 실행 환경에 값이 없는 경우 공용 금고에서 해당 값을 읽는다 프로젝트마다 같은 변수 이름을 쓰는 경우 금고에서는 프로젝트별 이름을 구분하고, 실행할 때 기존 이름으로 연결한다 금고를 읽지 못하는 경우 옛 평문 파일을 몰래 읽지 않고 오류를 낸다 마지막 줄이 중요했다. 실패할 때 예전 방식으로 돌아가는 코드는 이관 중에는 편해 보여도, 이후에는 어느 파일이 정본인지 흐리게 만든다. 공용 로더를 연결한 뒤에는 남아 있던 평문 우회 경로도 제거했다. 같은 이름이 같은 계정은 아니었다 여러 프로젝트가 같은 서비스의 토큰을 쓰더라도 계정과 용도가 같다는 보장은 없었다. 변수 이름만 보고 합치면 다른 계정의 값으로 실행될 수 있었다. 금고 안에서는 프로젝트별 이름을 구분했다. 각 프로그램이 기존에 사용하던 변수 이름은 유지하고, 실행 과정에서 필요한 값만 연결했다. 호출자가 명시적으로 넣은 값도 그대로 두었다. 이렇게 해야 로컬 작업용 값과 외부 실행 환경에서 주입한 값이 서로 덮어쓰지 않는다. 이 과정에서 작은 수정도 다시 확인했다. 한 실행 래퍼에서 불필요한 환경변수를 제거하려고 빈 값을 넣었는데, 자식 Node.js 프로세스에서는 변수가 여전히 존재하는 것으로 보였다. 변수를 실제로 제거하도록 바꾸고, 자식 프로세스에 남지 않는지 재검사했다. ‘값이 비어 있다’와 ‘변수가 없다’는 실행 코드에서 다르게 취급될 수 있었다. 수정한 줄만 보는 것으로는 부족했다. 인증 JSON도 파일 경로에 묶여 있었다 일부 Google 연동은 환경변수 대신 서비스 계정 JSON 파일을 직접 읽었다. 일반 API 키만 암호화하면 이 파일은 평문으로 남는 셈이었다. JSON도 금고에 암호화해 보관하고, 필요한 인증 코드에서 메모리로 읽도록 바꿨다. 원래의 파일 경로에 의존하던 세 곳을 먼저 전환한 뒤, 실제 SDK의 인증 객체를 구성하는 코드가 같은 자격증명을 받는지 확인했다. 원본 파일을 지운 뒤에도 같은 검사를 반복했다. 여기서 확인한 것은 인증 코드가 올바른 값을 전달받는다는 사실이다. Google에서 토큰을 발급받거나 데이터를 조회하고 수정하는 작업까지 실행한 것은 아니다. 로더 검사와 실제 서비스 인증은 별도의 확인이다. 삭제 전보다 삭제 후 검사가 더 중요했다 옛 파일이 남아 있는 상태에서 검사가 통과해도 새 로더만 사용했다고 단정할 수는 없다. 아직 남은 우회 경로가 값을 공급했을 수도 있기 때문이다. 그래서 값의 일치 여부와 복구본을 확인하고, 기존 코드의 읽기 경로를 검사한 뒤 중복값을 제거했다. 제거 후에도 같은 검사를 다시 실행했다. 이 순서로 로컬 파일 아홉 곳에서 중복된 비밀값 할당 22개를 정리했다. 파일에 함께 들어 있던 일반 설정은 남겼다. MCP 서버도 새 프로세스로 시작해 초기 연결과 도구 목록 응답을 확인했다. 다만 이미 켜져 있던 프로세스가 새 설정을 반영했다고 보지는 않았다. 오래 실행 중인 프로세스는 이전 환경값을 들고 있을 수 있다. 금고 내용이 바뀌면 최신 암호문 복구본을 갱신했다. 복호화 키가 든 기존 암호화 복구본은 유지했고, 갱신할 때마다 키를 다시 내보내지는 않았다. 암호문만 백업하고 키를 잃으면 복구할 수 없고, 둘을 함께 노출하면 암호화의 의미가 줄어든다. 마지막에는 빈 설정 파일과 일회성 이관 스크립트도 사용처를 확인해 정리했다. 계속 쓰는 로더와 회귀 검사는 남겼다. 이관 당시 필요했던 도구가 앞으로도 상시 필요한 것은 아니었다. 어디까지 끝났다고 말할 것인가 로컬 비밀값을 모으고, 확인한 읽기 경로를 전환한 뒤 중복값을 제거했다. 의존성이 빠져 시작하지 못하는 도구도 남아 있어 모든 프로그램이 정상 운영된다고 말할 수는 없다. 암호화도 같은 사용자 권한으로 실행되는 모든 프로세스를 서로 격리해 주지는 않는다. 금고에서 값을 꺼내는 래퍼가 곧 최소 권한 보장 장치가 되는 것은 아니었다. 필요한 값만 받는 코드와 전체 환경을 전달하는 실행 경로를 구분해 둬야 했다. 다음 프로젝트를 붙일 때는 금고에 키를 추가한 뒤 실제 실행 명령이 그 값을 어디서 읽는지 확인할 것이다. 복구본과 읽기 경로를 확인해 옛 중복값을 정리한 다음에도 같은 검사를 반복해야 한다. 이번에 오래 걸린 것은 키를 옮기는 일보다 각 프로그램이 그곳을 제대로 읽게 만드는 일이었다. 이 글은 2026년 10월 4일의 로컬 이관·정리 기록을 바탕으로 작성했다. 서비스 계정, 키 이름과 개인 경로는 일반화했다.

AI 자동화의 진짜 성과는 시간 절약 이후에 측정해야 한다

velog

AI 자동화 프로젝트를 시작할 때 가장 쉽게 말할 수 있는 성과는 시간 절약입니다. “기존에는 세 시간이 걸렸는데 이제는 삼십 분이면 됩니다.” 분명 중요한 변화입니다. 반복적인 엑셀 작업이나 데이터 가공에 쓰던 시간을 줄이면 다른 업무에 더 많은 시간을 쓸 수 있습니다. 하지만 자동화의 성과를 시간 절약으로만 설명하면, 실제 업무가 얼마나 좋아졌는지 충분히 보여주기 어렵습니다. 자동화의 진짜 성과는 줄어든 시간 이후에 나타나는 변화까지 봐야 합니다. 시간 절약은 성과의 시작점이다 업무가 세 시간에서 삼십 분으로 줄었다고 해보겠습니다. 우선 한 번 실행했을 때 두 시간 삼십 분을 절약했습니다. 하지만 그 시간이 실제로 어떤 가치로 바뀌었는지는 아직 알 수 없습니다. 담당자가 다른 반복 업무를 더 많이 하게 됐을 수도 있고, 절약한 시간에 데이터를 분석해 더 나은 결정을 내렸을 수도 있습니다. 자동화 이후 남은 시간을 어디에 사용했는지까지 봐야 합니다. 작업량이 늘었는지, 검토와 분석에 더 많은 시간을 썼는지, 의사결정이 빨라졌는지 확인해야 합니다. 성과를 네 가지로 나눠서 본다 자동화의 성과는 다음 네 가지 관점으로 나누어 측정할 수 있습니다. 1. 생산성 반복 작업에 걸리는 시간이 얼마나 줄었는지, 같은 시간에 처리할 수 있는 업무량이 얼마나 늘었는지 확인합니다. 2. 품질 오탈자, 누락, 중복, 계산 오류가 얼마나 줄었는지 봅니다. 사람이 반복 작업을 하면서 발생하던 실수가 감소했는지도 중요한 지표입니다. 3. 표준화 담당자마다 다르게 하던 업무가 같은 규칙과 형식으로 처리되는지 확인합니다. 업무 방식이 문서와 시스템에 남으면 인수인계와 협업도 쉬워집니다. 4. 의사결정 보고서와 데이터가 더 빨리 준비되어 의사결정까지 걸리는 시간이 줄었는지, 더 자주 데이터를 확인하고 조정할 수 있게 됐는지 살펴봅니다. 오류 감소는 시간 절약만큼 중요하다 엑셀 검수나 데이터 가공 자동화에서는 작업 시간이 줄어드는 것만큼 오류가 줄어드는지도 중요합니다. 사람이 여러 파일을 비교할 때는 행을 놓치거나, 수식을 잘못 복사하거나, 파일 버전을 혼동할 수 있습니다. 자동화가 이런 오류를 줄이고 일정한 규칙으로 검수한다면, 단순히 작업 시간이 줄어든 것보다 더 큰 효과가 생길 수 있습니다. 오류 감소를 측정하려면 자동화 전후의 오류 유형과 발생 빈도를 기록해야 합니다. “실수가 줄었다”는 느낌에 머무르지 않고, 어떤 오류가 얼마나 줄었는지 확인할 수 있어야 합니다. 표준화는 눈에 잘 보이지 않는 성과다 자동화 전에는 담당자마다 파일을 다르게 만들거나 검수 순서가 달랐을 수 있습니다. 업무를 잘 아는 사람에게 의존하는 구조에서는 담당자가 바뀌면 품질과 속도가 함께 흔들릴 수 있습니다. 자동화 과정에서 입력 형식, 처리 규칙, 예외 기준을 정리하면 업무가 표준화됩니다. 특정 담당자의 경험이 규칙과 프로세스로 바뀌는 것입니다. 표준화는 바로 숫자로 드러나지 않지만, 인수인계 시간과 교육 시간을 줄이고 협업 과정의 재작업을 줄이는 데 영향을 줍니다. 의사결정 속도가 빨라졌는가 자동화 결과물이 만들어졌다는 것만으로는 충분하지 않습니다. 그 결과가 실제 의사결정에 얼마나 빨리 사용됐는지 봐야 합니다. 예전에는 월말에 한 번 확인하던 지표를 이제는 매주 확인할 수 있게 됐는지, 보고서 작성에 걸리던 시간이 줄어 회의 전에 더 많은 검토를 할 수 있게 됐는지 살펴볼 수 있습니다. 데이터가 빨리 준비되면 문제가 커진 뒤 대응하는 대신, 변화가 보일 때 조정할 수 있습니다. 자동화의 성과는 시스템 안에서 끝나는 것이 아니라 업무의 판단 속도와 실행 방식까지 이어져야 합니다. 자동화 성과를 측정하는 질문 자동화 프로젝트를 시작하기 전에 다음 질문을 기록해두면 전후 변화를 비교하기 쉽습니다. 한 건을 처리하는 데 걸리는 시간은 얼마나 되는가 오류와 재작업은 얼마나 발생하는가 담당자마다 처리 방식이 얼마나 다른가 결과를 확인하고 결정하기까지 얼마나 걸리는가 자동화 이후 확보된 시간은 어디에 사용되는가 자동화 후에도 같은 질문을 다시 확인합니다. 시간, 오류, 재작업, 표준화 수준, 의사결정 속도가 어떻게 바뀌었는지 비교하면 성과를 더 입체적으로 설명할 수 있습니다. 자동화의 목표는 일을 없애는 것이 아니다 자동화의 목표를 사람이 하던 일을 없애는 것으로만 정의하면, 절약한 시간이 어디로 가야 하는지 설명하기 어렵습니다. 더 좋은 목표는 반복 작업을 줄이고 사람이 더 중요한 판단과 개선에 시간을 쓰게 만드는 것입니다. AI가 데이터를 정리하고 오류 가능성을 찾는 동안, 사람은 결과의 맥락을 확인하고 다음 행동을 결정할 수 있습니다. 시간 절약은 자동화가 만들어내는 첫 번째 변화입니다. 그 시간이 품질 향상, 업무 표준화, 빠른 의사결정으로 이어질 때 자동화는 진짜 성과를 만들었다고 말할 수 있습니다.

Балл: 54.38Уверенность: 49%

AI가 만든 결과를 믿기 위해 필요한 검수 구조

velog

AI를 업무에 적용할 때 가장 먼저 기대하는 것은 속도입니다. 보고서를 빠르게 만들고, 엑셀을 자동으로 검수하고, 반복적인 데이터 가공을 줄이고 싶습니다. 하지만 실제 업무에서는 결과를 빨리 만드는 것만큼 결과를 믿고 사용할 수 있는지가 중요합니다. AI가 만든 결과가 그럴듯해 보여도 숫자가 틀렸거나, 일부 행이 누락됐거나, 맥락과 다른 해석이 포함될 수 있습니다. 사람이 매번 처음부터 끝까지 확인한다면 자동화의 의미가 줄어들고, 반대로 아무런 검수 없이 사용하면 업무 리스크가 커집니다. 그래서 AI 자동화에는 결과를 믿기 위한 검수 구조가 필요합니다. AI 결과를 그대로 믿기 어려운 이유 AI는 입력된 데이터를 바탕으로 결과를 만듭니다. 입력 데이터가 누락됐거나 기준이 모호하면 결과도 달라질 수 있습니다. 같은 보고서라도 원천 데이터의 기준일이 다르거나, 빈 값이 다른 방식으로 처리되거나, 예외 행이 포함되면 결과가 달라집니다. AI가 문장을 자연스럽게 만들어도 계산 과정이 올바르다는 뜻은 아닙니다. 특히 업무 결과에는 세 가지가 섞여 있습니다. 원천 데이터에서 가져온 사실 데이터를 바탕으로 한 계산과 집계 사실을 해석한 문장과 제안 이 세 가지를 같은 수준으로 검수하면 무엇을 확인해야 하는지 모호해집니다. 먼저 결과를 세 종류로 나눈다 검수 구조를 만들 때는 AI가 만든 결과를 먼저 분류하는 것이 좋습니다. 사실 검수 원천 데이터에 실제로 존재하는 값인지 확인합니다. 숫자, 날짜, 항목명, 건수처럼 원본과 대조할 수 있는 결과입니다. 계산 검수 합계, 평균, 증감률, 비율처럼 규칙에 따라 계산되는 결과를 확인합니다. 계산식과 대상 범위가 올바른지 봅니다. 해석 검수 “매출이 개선됐다”, “특정 지역의 수요가 높다”처럼 데이터를 해석한 문장을 확인합니다. 숫자만으로 충분히 뒷받침되는지, 다른 원인이 있을 수 있는지 검토합니다. 사실과 계산은 자동 검증 비중을 높일 수 있지만, 해석과 제안은 사람의 맥락 확인이 더 필요할 수 있습니다. 검수는 단계별로 나눌수록 명확해진다 모든 결과를 마지막에 한 번에 확인하는 방식은 효율적이지 않습니다. 오류가 생길 수 있는 지점을 단계별로 나누는 편이 좋습니다. 입력 검수 : 파일이 정상적으로 들어왔는지, 기준일과 필수 항목이 맞는지 확인합니다. 전처리 검수 : 중복, 빈 값, 형식 오류가 어떻게 처리됐는지 확인합니다. 계산 검수 : 합계와 비율, 필터 조건, 집계 범위를 확인합니다. 결과 검수 : 보고서의 숫자와 원천 데이터가 맞는지 대조합니다. 해석 검수 : 결과 문장과 제안이 데이터의 범위를 넘어가지 않는지 확인합니다. 이렇게 나누면 “AI 결과가 틀렸다”는 막연한 문제를 “입력 단계에서 누락이 발생했다”거나 “해석 단계에서 원인까지 단정했다”처럼 구체적인 문제로 바꿀 수 있습니다. 모든 결과를 똑같이 검수할 필요는 없다 검수에 필요한 시간과 강도는 결과의 위험도에 따라 달라져야 합니다. 단순한 형식 변환이나 내부 참고용 목록은 자동 검증과 일부 샘플 확인만으로 충분할 수 있습니다. 반면 외부에 공유되는 보고서, 비용이나 정산에 영향을 주는 결과, 의사결정의 근거가 되는 분석은 더 엄격하게 확인해야 합니다. 결과별로 다음 기준을 정해둘 수 있습니다. 오류가 발생했을 때 영향이 얼마나 큰가 원천 데이터와 자동으로 대조할 수 있는가 결과를 누가 보고 어떤 결정을 내리는가 사람이 반드시 확인해야 하는 예외가 있는가 이 기준이 있으면 모든 작업을 똑같이 수작업 검수하지 않고, 중요한 결과에 사람의 시간을 집중할 수 있습니다. 좋은 검수 구조는 실패를 숨기지 않는다 자동화가 항상 성공한다고 가정하면 검수 구조를 만들기 어렵습니다. 오히려 실패했을 때 어떻게 알리고, 어디까지 되돌리고, 누가 확인할지를 먼저 정해야 합니다. 예를 들어 필수 데이터가 없으면 보고서 생성을 멈추고 오류를 알려야 합니다. 계산 결과가 이전 기간과 크게 다르면 경고를 표시할 수 있습니다. AI가 해석을 만들더라도 근거가 되는 지표와 원천 데이터를 함께 보여줘야 합니다. 검수 결과는 성공과 실패의 표시로 끝나지 않습니다. 어떤 항목이 잘못됐는지, 수정 후 다시 실행할 수 있는지, 같은 오류가 반복되지 않도록 기준을 바꿔야 하는지까지 남겨야 합니다. 사람은 최종 버튼을 누르는 역할만 하지 않는다 사람의 검수는 AI가 만든 결과를 눈으로 읽고 승인하는 일에만 머물지 않습니다. 사람은 어떤 결과가 중요한지 정하고, 예외 상황을 정의하고, 결과가 실제 업무 맥락에 맞는지 판단해야 합니다. 반복되는 오류를 발견하면 자동화 규칙과 입력 기준을 개선하는 역할도 합니다. AI가 잘하는 일과 사람이 잘하는 일을 나누면 검수의 질이 좋아집니다. AI는 많은 행을 빠르게 비교하고 규칙 위반을 찾을 수 있습니다. 사람은 데이터에 기록되지 않은 상황과 결과의 의미를 확인할 수 있습니다. 믿을 수 있는 자동화는 검수부터 설계한다 AI 자동화를 도입할 때 결과 생성 기능부터 만들기 쉽습니다. 하지만 실제 업무에 오래 사용하려면 입력 기준, 오류 감지, 결과 대조, 사람의 승인, 실패 기록까지 함께 설계해야 합니다. 결과를 믿는다는 것은 AI가 틀리지 않는다고 가정하는 일이 아닙니다. 틀릴 수 있다는 전제 아래 어디에서 오류를 발견하고, 어떻게 멈추고, 어떤 방식으로 수정할지 준비하는 일에 가깝습니다.

Балл: 54.38Уверенность: 49%

BGF리테일

velog

BGF리테일 관점 2025년에 비해 영업이익 수익성 개선 리센느 광고 효과 경쟁종목 카테고리에서 저평가 되고 있다는 점 유튜브 대본 BGF리테일 — 리센느 효과, 주가도 살아날까? BGF리테일! 이 회사 이름만 들으면 뭐 하는 회사인지 아십니까? 잘 모르시는 분들 많을 겁니다! 그런데! CU 편의점을 운영하는 회사라고 하면? 아! 그 회사구나! 하실 겁니다. 그런데 최근 CU가 제대로 한 건 했습니다! 바로! 걸그룹 리센느! 요즘 화제성이 상당한 이 걸그룹을 광고 모델로 기용했는데, 이게 단순히 광고 영상 하나 찍고 끝난 게 아닙니다! 리센느 협업 빵이 출시 나흘 만에 무려 10만 개! 팔렸습니다! CU 전체 빵 매출도 같은 기간 전년 대비 20% 증가! 포토카드는 정가의 6~8배 가격에 거래되는 사례까지 나왔습니다. 이 정도면 광고 모델이 그냥 사진만 찍고 간 건 아닙니다! 실제로 상품을 팔아준 겁니다! 그런데 여기서 중요한 건, 리센느가 잘 나간다는 이야기가 아닙니다. 이 효과가 CU의 매출과 이익으로 이어지고, 결국 BGF리테일의 주가까지 바꿀 수 있느냐! 이걸 봐야 합니다. 그럼 BGF리테일이 뭐 하는 회사인지부터 시작해서, 리센느 효과! 실적 개선! 그리고 앞으로 주가 전망까지 한번 보겠습니다. BGF리테일, 뭐 하는 회사냐? 간단합니다! CU 편의점을 운영하는 회사입니다. 전국의 CU 편의점에서 판매되는 상품과 가맹사업을 기반으로 돈을 법니다. 그런데 편의점이라고 하면, 그냥 물건 가져다 놓고 파는 사업이라고 생각하기 쉽습니다. 하지만 중요한 건 따로 있습니다. 같은 편의점이라도 어떤 상품을 팔고, 얼마나 많이 팔고, 얼마나 높은 이익을 남기느냐! 이게 핵심입니다. 특히 편의점은 매출 규모가 커도 상품 원가와 인건비, 물류비, 점포 운영비 부담이 있기 때문에, 매출이 늘었다고 이익까지 똑같이 늘어나는 사업이 아닙니다. 실제로 BGF리테일도 이런 문제를 겪었습니다. 매출은 늘었는데, 영업이익은 왜 제자리였을까? 2022년부터 2025년까지 매출을 보겠습니다. 2022년! 약 7조 6천억 원! 2023년! 약 8조 2천억 원! 2024년! 약 8조 7천억 원! 그리고 2025년에는? 약 9조 600억 원! 매출은 꾸준히 성장했습니다. 그런데 영업이익은 어떨까요? 2022년 약 2,524억 원! 2023년 약 2,532억 원! 2024년 약 2,516억 원! 2025년 약 2,539억 원! 이게 뭡니까! 매출은 계속 커졌는데, 영업이익은 4년 동안 거의 제자리였습니다. 그러니까 시장 입장에서는 이런 생각이 드는 겁니다. “매출은 늘어나는데, 이익은 왜 이렇게 안 늘어나는 거야?” 이게 BGF리테일의 성장성에 대한 의문으로 이어졌던 겁니다. 그런데! 2026년 들어서 변화가 나타나고 있습니다. 2026년, 영업이익이 달라지기 시작했다! 2026년 2분기! 매출은 약 2조 4,268억 원! 전년 동기 대비 6% 증가했습니다. 그런데 영업이익은? 무려 849억 원! 전년 동기 대비 22.3% 증가했습니다. 여기서 재미있는 점이 하나 있습니다. 매출은 6% 늘었는데, 영업이익은 22.3%나 늘었다는 겁니다! 게다가 시장 예상치였던 약 755억 원도 크게 웃돌았습니다. 상반기 전체로 보면, 매출은 약 4조 5,472억 원! 영업이익은 약 1,230억 원! 전년 동기 대비 영업이익이 33.7% 증가했습니다. 이건 단순히 매출만 늘어난 게 아닙니다. 매출 증가와 함께 수익성까지 개선되고 있다는 점! 이 부분이 중요합니다. 그렇다면 도대체 뭐가 달라진 걸까요? 음료와 아이스크림 같은 여름철 상품 판매가 늘었고, 간편식과 자체브랜드 상품 등 차별화 상품의 판매도 호조를 보였습니다. 식품과 가공식품의 매출 비중이 커지면서 상품 구성도 개선됐습니다. 쉽게 말해서, 무조건 많이 파는 것보다, 이익을 더 남길 수 있는 상품을 많이 파는 방향으로 바뀌고 있다는 겁니다. 물론 날씨와 소비지원금 같은 일시적인 요인도 있었습니다. 그래서 이익 증가가 앞으로도 계속되는지는 확인해야 합니다. 하지만 적어도 2026년 상반기 실적에서는 긍정적인 변화가 나타났습니다. 그런데 여기서 등장하는 게 바로 리센느! CU는 2026년 7월 리센느를 브랜드 모델로 선정했고, 9월에는 본격적으로 브랜드 캠페인과 협업 상품을 선보였습니다. 광고 영상은 공개 하루 만에 누적 조회수 60만 회를 기록했습니다. 그런데 진짜 중요한 건 그다음입니다. 리센느 멤버들의 취향을 반영한 협업 빵 5종! 원이의 옥수수 크림빵, 미나미의 메론빵, 메이의 시나몬롤, 제나의 딸기 샌드, 리브의 초코 호떡! 여기에 멤버 이미지가 들어간 한정판 투명 포토카드 27종 가운데 하나를 랜덤으로 넣었습니다. 이러면 어떻게 되겠습니까? 빵이 먹고 싶어서 사는 사람도 있겠지만, 좋아하는 멤버의 포토카드를 얻으려고 사는 사람도 생기는 겁니다. 그리고 원하는 카드를 얻지 못하면? 다시 구매할 이유가 생깁니다! 실제로 CU 모바일 앱의 예약 판매 물량은 판매 시작 직후 소진됐고, 첫 협업 상품은 출시 24시간이 지나기도 전에 판매율 99%를 기록했습니다. 출시 나흘 만에 판매량 약 10만 개! 이건 광고에 대한 관심이 실제 상품 구매로 이어졌다는 점에서 의미가 있습니다. 그런데 제가 여기서 주목하는 건, 리센느가 빵을 많이 팔았다는 사실 하나가 아닙니다. CU가 팬덤을 활용해서 고객을 매장으로 끌어들이고, 그 관심을 실제 상품 판매로 연결하는 마케팅을 보여줬다는 겁니다. 앞으로 이런 협업이 반복되고, 다른 상품으로까지 확대된다면 CU만의 차별화 경쟁력이 될 수도 있습니다. 다만! 협업 상품이 많이 팔렸다고 해서 그 판매량 전체가 신규 매출인 것도 아니고, CU 전체 빵 매출 증가분을 전부 리센느 효과라고 볼 수도 없습니다. 앞으로 재구매가 이어지는지, 다른 상품까지 구매가 확대되는지, 실제 이익에 얼마나 기여하는지를 확인해야 합니다. 그럼 앞으로 영업이익은 얼마나 늘어날까? NH투자증권은 2026년 BGF리테일의 연간 영업이익을 약 2,952억 원으로 전망했습니다. 전년 대비 약 16.2% 증가하는 수준입니다. 최근 몇 년간 2,500억 원 안팎에서 정체됐던 영업이익이 다시 성장할 수 있다는 겁니다. 여기에 기존점 매출 회복과 점포 운영 효율화, 상품 구성 개선까지 이어진다면 긍정적인 흐름이 나올 수 있습니다. 그리고 리센느 같은 협업 상품이 반복적으로 흥행한다면? 매출을 끌어올리는 추가적인 성장 동력이 될 수도 있습니다. 하지만 여기서 착각하면 안 됩니다. 리센느 효과가 좋다고 해서 회사 전체 이익이 갑자기 폭발적으로 늘어나는 건 아닙니다. 결국 CU 전체 매출에서 얼마나 큰 비중을 차지하는지, 상품을 팔아서 얼마나 많은 이익이 남는지가 중요합니다. 그런데! 주가는 왜 이렇게 평가받고 있을까? 토스증권 비교 화면을 보면, BGF리테일의 PER은 약 10.3배! 편의점 업종 중앙값은 약 12.3배입니다. 단순 비교하면 업종 평균보다 낮은 평가를 받고 있는 겁니다. 그동안 영업이익이 정체됐던 만큼, 시장이 성장성을 낮게 평가했을 가능성이 있습니다. 그런데 지금은 상황이 조금 달라지고 있습니다. 2026년 영업이익 회복이 예상되고 있고, 2분기 실적도 시장 전망을 웃돌았습니다. 앞으로 이익 증가가 이어진다면, 시장이 BGF리테일을 다시 평가할 가능성도 있습니다. 다만 PER이 낮다고 무조건 저평가인 건 아닙니다. 이익이 다시 정체되거나 소비 둔화와 비용 부담이 커진다면, 낮은 PER이 계속 유지될 수도 있습니다. 차트는 어떨까? 현재 주가는 약 12만 8천 원! 제가 앞서 살펴본 차트에서는 11만 2천 원 부근이 주요 지지선, 15만 6천 원 부근이 박스권 상단 저항으로 보입니다. 현재 주가는 박스권 하단 쪽으로 내려오는 모습입니다. 일봉 RSI도 약 35 수준까지 내려왔습니다. 단기 반등이 나올 수 있는 구간이지만, 아직 바닥이 확인됐다고 단정하기는 어렵습니다. 우선 11만 2천 원 부근에서 지지를 받는지, 그리고 반등할 때 거래량이 붙는지를 확인해야 합니다. 이 가격대를 지켜내고 주가가 다시 상승한다면, 박스권 상단을 향한 반등 시나리오를 생각해 볼 수 있습니다. 반대로 지지선이 무너지면, 9만 8천 원대 장기 저점까지도 열어둬야 합니다. 결론! BGF리테일은 CU 편의점을 운영하는 회사입니다. 과거에는 매출이 늘어도 영업이익이 정체되면서 성장성에 대한 의문이 있었습니다. 그런데 2026년 들어 영업이익이 개선되고 있고, 리센느 협업 상품도 출시 초기에 상당한 판매 성과를 보여줬습니다. 여기에 업종 중앙값보다 낮은 PER까지 고려하면, 앞으로 실적 회복이 이어질 경우 주가 재평가 가능성도 있다고 봅니다. 하지만 중요한 건 세 가지입니다. 첫 번째! 영업이익 증가가 2027년에도 이어질 수 있느냐! 두 번째! 리센느 같은 차별화 마케팅이 일회성 흥행으로 끝나지 않고 지속적인 매출과 이익으로 연결되느냐! 세 번째! 주가가 11만 2천 원 부근의 지지선을 지켜내고 박스권 상단으로 향할 수 있느냐! 저는 BGF리테일을 단순히 편의점 회사로만 볼 게 아니라, 본업의 수익성이 회복되고 있는지, 그리고 CU만의 상품 경쟁력을 강화할 수 있는지 확인해야 할 종목이라고 생각합니다. 과연 BGF리테일은 이번 실적 회복을 계기로 다시 성장하는 회사가 될 수 있을까요? 앞으로 실적과 주가 흐름을 함께 지켜보겠습니다. 계속해서 기업정보, 주가전망을 받고 싶으신 분들은 구독 좋아요 알림설정 부탁드립니다! 이상 골든 엉클이었습니다!

얀 르쿤 "AI가 인류 멸종시킨다는 건 완전히 망상"...아모데이 CEO 정면 비판

velog

무슨 일이 있었나 AI 3대 '대부(godfather)' 중 한 명으로 꼽히는 얀 르쿤(Yann LeCun, 메타 수석 AI 과학자)이 인류 멸종 수준의 AI 위험론을 정면으로 반박했다. 르쿤은 최근 인터뷰에서 AI가 인류를 전멸시킬 수 있다는 시나리오에 대해 "전혀 걱정하지 않는다"고 말했고, 최근 보도된 일련의 '폭주(rogue)' AI 사고들에 대해서도 "걱정이 전혀 없다"고 밝혔다. 특히 르쿤은 앤스로픽 CEO 다리오 아모데이를 직접 거론하며 "그는 완전히 망상에 빠져 있다(completely deluded)"고 말했고, 이어진 발언에서는 아모데이를 "미쳤다(crazy)"고까지 표현했다. 르쿤은 아모데이와 오픈AI CEO 샘 올트먼이 "AI가 우리 모두를 죽일 수 있다"는 식의 경고를 내놓는 것에 대해 "모두에게 극도로 파괴적인 행태"이자 "상상할 수 있는 최악의 마케팅 캠페인"이라고 강하게 비판했다. 지난 7월 오픈AI의 AI 에이전트들이 자율적으로 허깅페이스를 해킹한 사건에 대한 평가도 상반됐다. 르쿤은 이를 AI 자체의 위험성이 아니라 "인간의 허술한 관리와 설계 결함" 탓으로 돌렸다. 그는 "그 에이전트들은 지시받은 대로 정확히 행동했을 뿐이다. 샌드박스 안에 있어야 했지만, 그 샌드박스가 구멍투성이로 형편없게 설계됐을 뿐"이라고 설명했다. 왜 중요한가 이번 발언은 AI 업계를 이끄는 핵심 인물들 사이에서 'AI 위험성'을 둘러싼 인식 차가 얼마나 큰지를 단적으로 보여준다. 아모데이를 비롯해 올트먼 등 주요 AI 기업 수장들이 최근 백악관 등에서 자율규제를 약속하며 안전 우려에 선제 대응하는 모습을 보인 것과 달리, 메타 소속의 르쿤은 이런 경고 자체를 '마케팅'으로 규정하며 업계 내 균열을 공개적으로 드러냈다. 이 논쟁은 단순한 설전이 아니라 실질적 파급력을 가진다. AI 위험을 과장된 공포로 보는 입장은 규제 완화와 개방형 AI 개발을 지지하는 논리로 이어지고, 반대로 아모데이식 경고는 강력한 안전장치와 규제 강화를 뒷받침하는 근거로 쓰인다. 최근 금융권을 덮친 AI 기반 해킹 사고처럼 'AI 오남용'이 현실화되는 사례가 늘어나는 가운데, 이런 사고의 책임을 AI 자체의 위험성으로 볼지 혹은 인간의 관리 실패로 볼지에 대한 입장차는 앞으로 AI 안전 규제의 방향을 가르는 중요한 분기점이 될 전망이다. 원문: https://fortune.com/2026/10/01/ai-godfather-yann-lecun-has-zero-concerns-about-human-extinction-says-anthropic-ceo-dario-amodei-is-deuded/

Балл: 54.37Уверенность: 49%