시나리오 가상의 신규 서비스인 구독형 외국어 학습 앱 런타임(Runtime)의 데이터 분석가 앱을 설치하면 7일 무료 체험 제공, 이후 월정액 구독으로 전환하는 서비스 “최근 MAU가 3개월째 정체 상태인데, 어디서부터 문제를 찾아야할지 모르겠다” [이번 달 런타임 앱의 주요 지표 데이터] 신규 앱 다운로드 : 10,000건(앱 삭제 후 재설치에 따른 중복 다운로드를 제외한 수치) 무료 체험 시작(회원가입 완료) : 8,000명 무료 체험 종료 후 구독 전환 : 1,600명 구독 시작 후 1개월 유지 : 640명 구독 취소(1개월 내 이탈) : 960명 Q1. (30점) Q1. 위 데이터를 바탕으로 AARRR 프레임워크를 활용해 런타임의 프로덕트 상태를 진단하려고 합니다. 위 5개 지표(다운로드, 무료 체험 시작, 구독 전환, 1개월 유지, 1개월 내 이탈)가 AARRR 프레임워크의 어느 단계에 해당하는지 각각 설명하고, 가장 우선적으로 개선해야 할 병목 단계가 어디인지 판단 근거와 함께 설명해주세요. 단계 유저 수 전환율 신규 앱 다운로드 10,000명 무료 체험 시작 8,000명 80% 무료 체험 종료 후 구독 전환 1,600명 20% 구독 시작 후 1개월 유지 640명 40% 답. 단계 AARRR 프레임워크 신규 앱 다운로드 Acquisition 무료 체험 시작 Activation 무료 체험 종료 후 구독 전환 Revenue 구독 시작 후 1개월 유지 Retention 구독 취소(1개월 내 이탈) Retention의 역지표 - 가장 우선적으로 개선해야 할 병목 단계 : - 무료 체험 종료 후 구독 전환(1,600명) → 구독 시작 후 1개월 유지(640명) - 전환율 40% - 판단 근거 : - (1) MAU가 3개월 째 정체되고 있는 상황에서, 구독을 시작한 사용자 중 60%가 1개월 내 이탈하고 있어, 신규 유입을 아무리 늘리더라도 MAU가 쌓이지 않는 구조이기 때문 - (2) 무료 체험 시작(8,000명) → 무료 체험 종료 후 구독 전환(1,600명) - 전환율 20%에도 개선의 여지가 있지만, CAC(고객 획득 비용) 대비 LTV(고객 생애 가치)를 고려하였을 때, 구독한 사용자조차 유지하지 못하고 있다면 유입을 늘리기 전에 리텐션 개선이 선행되어야 하기 때문 Q2. (40점) Q2. Retention 단계의 이탈 문제를 집중적으로 분석하기로 할 때, 두 가지 데이터가 주어진 상황이다. [퍼널 데이터 - 무료 체험 중 구독 전환 경로] 단계 사용자 수 전환율 홈 화면 진입 8,000명 커리큘럼 소개 페이지 클릭 5,600명 70% 무료 체험 시작 버튼 클릭 2,240명 40% 결제 정보 입력 1,792명 80% 구독 완료 1,600명 약 89% [코호트 리텐션 데이터 (N-Day Retention 기준 : 주간)] 코호트 구독 시작 주 1주 후 2주 후 3주 후 2월 1주 400명 220명(55%) 160명(40%) 120명(30%) 2월 2주 380명 209명(55%) 152명(40%) 114명(30%) 2월 3주 420명 231명(55%) 210명(50%) 189명(45%) (2-1) 퍼널 데이터에서 각 단계의 전환율을 계산하고, 가장 이탈이 심한 구간과 개선 방향을 1가지 제안해 주세요. 답. 가장 이탈이 심한 구간 : 커리큘럼 소개 페이지 클릭(5,600명) → 무료 체험 시작 버튼 클릭(2,240명) - 전환율 40% 개선 방향 : 커리큘럼 소개 페이지에서 서비스 내용을 확인하고도 무료 체험을 시작하지 않은 비율이 60%에 달한다는 것은 커리큘럼 소개 페이지에서 런타임(Runtime)의 핵심 가치가 충분히 전달되고 있지 않을 가능성을 시사한다. 개선 방향으로는 (1) 커리큘럼 소개 페이지의 메시지 및 비주얼 개선, (2) 즉시 체험 가능한 샘플 레슨 노출, (3) 무료 체험 시작 CTA 버튼의 위치 및 디자인 최적화를 고려할 수 있다. (2-2) 코호트 리텐션 표에서 가장 눈에 띄는 변화 또는 패턴을 1가지 골라, 그것이 의미하는 바와 분석가로서 다음에 확인해 볼 일을 설명해 주세요. 답. 모든 코호트에서 구독 직후(1주 이내) 이탈이 가장 크게 발생한다. 따라서, 초기 온보딩 경험을 강화해 첫 1주 이탈을 줄이는 것이 전반적인 리텐션 개선의 핵심으로 보인다. 2월 3주 코호트의 리텐션이 다른 코호트 대비 높은 것을 확인할 수 있다. 2월 1주 코호트와 2월 2주 코호트의 3주 후 리텐션이 30% 수준인 반면, 2월 3주 코호트는 45%로 상당히 개선되었다. 해당 주에 온보딩 흐름 개선, 콘텐츠 업데이트, 또는 특정 이벤트 등 긍정적인 영향을 미친 변화가 있었을 가능성을 시사한다. 해당 주에 어떤 변화가 있었는지 확인하고, 효과적인 요소를 전체 사용자에게 확대 적용하는 방향을 검토할 필요가 있다. Q3. (30점) 리텐션 분석 결과, 구독 시작 직후 초기 온보딩 경험이 이탈의 핵심 원인으로 의심된다. “사용자가 구독 후 처음 맞이하는 ‘오늘의 학습’ 화면에서 어떤 레슨을 클릭하고, 실제로 얼마나 학습을 완료하는지 데이터를 보고 싶다”고 요청했다. [오늘의 학습 화면 구성] 상단 : 오늘의 추천 레슨 카드(레슨 제목, 예상 소요 시간, 난이도 표시) 중단 : ‘이어서 학습하기’ 버튼(직전에 보던 레슨 재개) 하단 : 카테고리별 레슨 목록(문법/회화/듣기 카테고리, 각 3~5개 카드) PM의 요청을 충족하기 위한 이벤트 로그 설계를 줄글로 설명해 주세요. 별도의 DB 정보를 참조하지 않는다고 가정하고, 아래 두 가지를 작성해주세요. - 분석에 필요한 사용자 속성(User Properties) 2개와 각각이 왜 필요한지 - '레슨 카드 클릭'과 '레슨 완료' 중 하나를 골라, 그 이벤트의 이름을 직접 짓고 함께 수집할 이벤트 속성(Event Properties) 2개 이상과 각각이 왜 필요한지 답. 목적 : 사용자가 구독 후 처음 맞이하는 ‘오늘의 학습’ 화면에서 어떤 레슨을 클릭하는지 실제로 얼마나 학습을 완료하는지 지표 : 레슨별 클릭 수 레슨별 클릭률(노출 대비 클릭) 레슨별 학습 완료율(클릭 대비 완료) 두 이벤트 중 ‘레슨 카드 클릭’ 이벤트를 선택하여 설계하겠습니다. 이벤트 이름은 lesson_card_click으로 정의하겠습니다. 이는 어떤 대상(레슨 카드)에 어떤 행동(클릭)이 발생했는지 이름만으로 명확하게 알 수 있도록 하기 위함입니다. 사용자 속성(User Property)으로는 subscription_start_date(구독 시작일)와 device_type(기기 유형)을 수집하겠습니다. 첫째, subscription_start_date(구독 시작일)을 통해 구독 후 경과일을 계산하고 초기 온보딩 구간에 해당하는 사용자의 행동을 분석할 수 있습니다. 둘째, device_type(기기 유형)은 사용자가 서비스를 이용하는 기기 유형을 의미하며, 기기 유형에 따라 레슨 클릭 및 학습 완료율에 차이가 있는지 비교하기 위해 필요합니다. 이벤트 속성(Event Property)으로는 lesson_id(레슨 ID), card_position(카드 위치), category_name(레슨 카테고리)를 수집하겠습니다. 첫째, lesson_id(레슨 ID)는 클릭한 레슨을 식별하기 위한 속성으로, 사용자가 어떤 레슨을 선택하는지 분석하는 데 필요합니다. 둘째, card_position(카드 위치)은 클릭한 레슨 카드가 위치한 영역(상단 추천 레슨, 중단 이어서 학습하기, 하단 카테고리별 레슨 목록)을 의미하며, 화면 내 위치에 따른 클릭 행동의 차이를 분석하기 위해 필요합니다. 셋째, category_name(레슨 카테고리)은 레슨의 카테고리(문법, 회화, 듣기)를 의미하며, 카테고리별 클릭 행동을 비교하여 사용자의 학습 선호도를 파악하기 위해 필요합니다.
자동화 기능을 검토할 때 실행 능력과 함께 무엇을 물어야 할까요? 무엇을 근거로 실행하는지, 그 근거가 바뀌면 어디서 멈추는지, 검사하지 못한 부분을 어떻게 드러낼지 함께 물어야 합니다. 이 세 가지를 정하면 제품의 동작을 설명하기 쉬워집니다. 자동화 기능을 검토할 때는 실행된 작업뿐 아니라 멈춘 작업도 설명할 수 있어야 합니다. 무엇이 가능한지만 살피면 실행 판단에 쓰인 근거가 바뀌는 상황을 놓치기 쉽습니다. 개발팀이 제품의 동작을 설명하려면, 기능을 검토하는 단계에서 허용 판단과 검사 범위까지 함께 다뤄야 합니다. 전화번호가 있다는 것과 발신 허용은 다릅니다 연락처는 전화를 걸 대상을 알려 줍니다. 하지만 그 정보만으로 영업 전화를 허용할지는 판단할 수 없습니다. 개발자가 다룰 데이터에는 연락할 수단뿐 아니라 연락을 허용하는 판단도 필요합니다. 두 정보를 구분해야 전화번호의 존재를 발신 허용의 근거로 삼지 않게 됩니다. Le Monde 보도에서 벌금 부과 대상으로 다룬 것은 원치 않는 마케팅 전화를 거는 개인이나 기업입니다. 소비자 단체 11곳이 함께 요구한 뒤 의회가 법을 승인했다고 전합니다. 기사 제목은 시행일을 8월 11일로 제시하며, 보도는 공공 웹사이트를 통한 신고도 설명합니다. 대상 목록을 만든 뒤에도 발신 직전에 확인하기 동의 여부를 값 하나로 저장하면 구현은 단순해집니다. 그러나 그 값만으로는 동의가 적용되는 범위나 상태가 바뀐 이유를 설명하기 어려워질 수 있습니다. 연락 목적과 채널을 구분하면 허용 판단이 어떤 연락에 해당하는지 설명하는 데 도움이 됩니다. 변경 시점과 판단 근거는 상태가 언제 바뀌었고 무엇을 바탕으로 실행을 허용했는지 살피는 정보입니다. 이러한 구분은 원치 않는 연락을 줄이기 위한 설계 제안입니다. 대상 목록을 먼저 만들고 나중에 전화를 거는 구조에서는 두 작업 사이에 대기 시간이 생깁니다. 이때 수신자의 의사가 바뀔 수 있습니다. 따라서 목록에 포함됐다는 과거 판단을 그대로 발신 결정으로 이어 가지 않도록 설계할 수 있습니다. 현재 상태를 다시 판단할 자리는 실제 발신 작업을 실행하는 지점입니다. 에이전트가 고객 목록을 제안하거나 캠페인 문구를 작성하는 일에도 같은 구분이 필요합니다. 주의사항을 자연어 지침에 적는 일과 실행 경로에서 조건을 검사하는 일은 각각 역할이 있습니다. 외부에 영향을 주는 작업은 제안이 만들어졌다는 사실과 별개로 실행 조건을 충족해야 합니다. LEGO 생성기의 계획·생성·검사·수정 흐름 LEGO 생성기는 계획을 어떻게 결과와 검사로 이어 갈까요? 소개된 LEGO 생성기는 계획과 Python 생성 스크립트를 작성하고 실행해 LDraw 소스를 얻습니다. 충돌·틈 감지 도구를 제공하며 렌더링 이미지를 보고 반복 수정합니다. 다만 크고 올바른 모델에는 고가의 고성능 모델이 필요하고 생성이 느리며, 설명서 기반 제작은 부분 작동하고 단계별 검사는 개선 과제입니다. GeekNews가 소개한 ldraw-nova에서는 에이전트가 모든 좌표와 회전을 직접 계산하는 부담을 생성 스크립트로 나눕니다. 이런 역할 분리는 영업 자동화에서 대상 제안과 발신 조건 검사를 나눠 보는 설계 관점으로 이어집니다. 각 시스템에 필요한 조건은 따로 정해야 합니다. 소개 글은 크고 올바른 모델에 고가의 고성능 모델이 필요하고 생성도 느리다고 설명합니다. 조립 설명서에 따른 제작은 일부만 작동하며, 단계별 조립을 세밀하게 검사하는 기능은 개선 과제로 남아 있습니다. 설계 계획을 세웁니다 — 에이전트가 실제 LDraw 부품으로 만들 모델을 계획합니다. 생성 스크립트를 작성합니다 — 설계 계획에 맞춰 Python 생성 스크립트를 만듭니다. 생성기를 실행합니다 — 작성한 생성기를 실행해 LDraw 소스를 얻습니다. 이미지를 보고 수정합니다 — 렌더링 이미지로 배치와 외관을 살피며 수정을 반복합니다. 5달러 시계에서 배우는 상태 표시의 역할 작업이 보류됐다는 표시만으로는 운영자가 이유를 이해하기 어렵습니다. 실행 검사가 제대로 작동했더라도, 어떤 조건에 걸렸는지 설명하지 않으면 단순한 오류로 받아들일 수 있습니다. 발신 시스템의 화면을 설계할 때 실행 여부와 보류 이유를 함께 보여 주자는 제안은 이 문제에서 출발합니다. GeekNews의 Claude·Codex 사용량 시계 글에서는 작성자가 약 5달러에 산 시계를 표시 장치로 활용합니다. AI 생성 도구의 화면에도 현재 생성 단계와 검사 결과를 구분해 보여 주는 방식을 생각할 수 있습니다. 아직 확인하지 못한 항목도 함께 드러내면 검사한 내용과 남은 내용을 살피는 데 도움이 됩니다. 실행을 맡는 로직은 실제 작업 직전의 조건을 검사하고, 화면은 그 판단과 상태를 사람이 이해하도록 전달해야 합니다. 실행 근거·중단 지점·미확인 항목을 정하기 연락을 허용했던 판단은 발신을 기다리는 동안 달라질 수 있습니다. 생성 도구에 검사 기능이 있어도 세밀하게 확인하지 못하는 부분은 남습니다. 운영 화면에서는 이런 판단의 이유와 검사 상태를 사람이 이해하도록 전달해야 합니다. 다음에 해 볼 것 — 자동화 기능을 검토할 때 실행 근거, 그 근거가 바뀌면 멈출 지점, 미확인 항목의 표시 방법을 먼저 정합니다. 이를 바탕으로 제품의 실행과 보류를 설명합니다. 원문: webi 기술 블로그 참고한 자료: France to ban unsolicited telemarketing calls Show HN: 오픈소스 LEGO AI 생성기를 만들었습니다 Show GN: 5달러 시계에 Claude·Codex 사용량을 띄워봤습니다
여러분, 혹시 전설의 가방쌤을 아시나요? 그는 위험도 400의 전푸,전공 등도 압도하는 매우 강력한 힘을 가졌습니다. 그는 막화장실의 abc발디처럼 유명한 작곡가입니다. 대표적으로 “가방이가방에들어간다 가방이가 방에들어간다”라는 곡은 음막차트 1위에 올랐던 곡이있죠. 그리고 그가 ”그리고!!!!“라는 한 마디 만으로 모두를 조용하게 만듭니다. 그 후 말이 이어지는데 ”글루건 200도 안 뜨거워!!!!!“라는 말이나 ”내가 다치는게 아니라 너가 다치는 거야!!!“라는 말 등을 합니다. 그는 매우 강력해서 전푸, 전공 등 강력한 괴수들조차 벌벌 떨게 만듭니다. 하지만 먼저 공격을 하지는 않기 때문에 심기를 건드리지만 않으면 괜찮습니다.
H3-metal 저장소 는 프로젝트를 Mac 컴퓨터용 MiniMax H3 추론 엔진으로 소개하며, Apple Silicon에서의 네이티브 추론을 내세웁니다. 공개된 파일 목록에는 C와 Objective-C 소스, Metal 셰이더가 함께 등장합니다. 수집 당시 표시된 120개의 커밋은 개발 이력을 보여 주지만, 안정성이나 추론 정확도의 지표는 아닙니다. 이 엔진을 도입하려는 개발자에게 필요한 질문은 파일 구성에서 드러나는 구현 범위를 실제 코드와 실행 결과로 어떻게 검토할 것인가입니다. 가중치와 토큰화의 구현 구분 H3-metal의 파일 이름에서는 가중치 처리, 텐서 파일 처리, 토큰화를 구분한 구성이 드러납니다. h3.c 와 h3.h 옆에 h3_weights.c , h3_safetensors.c , h3_tokenizer.m 이 각각 놓여 있습니다. 이름에 따라 역할을 추정한 구분이므로, 실제 지원 형식과 예외 처리는 각 파일의 코드를 읽어 확인할 대상입니다. 이 목록을 검토의 출발점으로 삼으면 모델 실행을 하나의 덩어리로만 보지 않고, 필요한 구현을 찾아갈 수 있습니다. GPU 소스와 성능 평가의 범위 GPU와 Metal 관련 소스의 존재는 확인되며, 연산 배치와 메모리 관리 방식은 구현 검토가 필요한 영역입니다. 관련 파일로는 h3_gpu.m , h3_metal.m , h3_shaders.metal 이 있습니다. 어떤 연산을 GPU에서 수행하고 어떤 연산을 CPU에 남기는지가 코드에서 살필 핵심입니다. 성능을 평가할 때는 개별 연산의 속도와 사용자가 기다리는 전체 요청 시간을 나누어 측정하는 접근을 우선할 만합니다. 입력 준비, 가중치 로딩, 결과 반환에도 시간이 들기 때문에 전용 셰이더의 존재만으로 다른 실행 환경보다 빠르다고 결론 내릴 수는 없습니다. 멀티모달은 연결 상태가 관건 멀티모달 관련 파일은 텍스트 밖의 데이터 처리를 염두에 둔 구성으로 읽히지만, 기능 완성 여부는 실제 입출력 연결에 달려 있습니다. 목록에는 h3_multimodal.c , h3_vision_encoder.c , h3_video_encoder.c , h3_audio_vae.c , h3_video_vae.c 가 보입니다. 검토 대상은 이 파일들이 어떤 입력과 출력을 연결하는지, 사용자가 접근하는 인터페이스에 어디까지 드러나는지입니다. 미디어 처리와 추론이 만나는 부분을 찾을 때는 h3_ffmpeg.c 와 h3_ffmpeg.h 가 단서가 됩니다. FFmpeg 설치의 필수 여부, 지원 코덱, 빌드 의존성은 이름만으로 결정되지 않습니다. 이 항목들은 미디어 입력을 사용하는 환경에서 따로 살펴야 할 조건입니다. 실행 중 문제가 생겼을 때도 입력 데이터 준비와 모델 계산을 구분해서 읽는 접근이 유용합니다. 먼저 미디어를 준비하는 부분에서 실패했는지, 그 이후 계산 과정에서 실패했는지 살피도록 검토 범위를 나눌 수 있기 때문입니다. 실행 방법과 테스트를 읽을 위치 사용자 접점과 빌드·테스트를 살필 파일도 추론 관련 소스와 함께 존재합니다. main.c , h3_cli.c , h3_terminal.c 는 진입점과 명령행 인터페이스, 터미널 처리를 확인할 위치입니다. Makefile 과 tests 디렉터리에서는 빌드 구성과 테스트 내용을 찾아볼 수 있습니다. 실제 실행 명령을 정리하려면 README와 관련 구현을 먼저 읽어야 합니다. 테스트 역시 디렉터리의 존재에 그치지 않고 무엇을 검사하며 어떤 결과를 내는지 살펴야 검증 범위를 평가할 수 있습니다. 플랫폼 지원에는 유지보수가 따릅니다 특정 플랫폼에 집중한 소프트웨어를 평가할 때는 최초 구현 이후의 업데이트 책임도 검토 대상입니다. 별개의 사례인 GeekNews의 「Linux 및 Windows용 Orion 개발 현황 안내」 에 따르면, Kagi는 두 플랫폼용 Orion의 직접 개발을 끝내고 소수 개발자로 구성된 팀의 역량을 macOS와 iOS에 집중하기로 했습니다. 안내에서 두 플랫폼에 미치는 영향은 다음처럼 구분됩니다. 소스 공개에 관한 세부 사항은 안내 시점부터 30일 이내에 발표할 예정이며, Kagi는 핵심 유지보수자를 맡지 않는다고 밝혔습니다. 코드 공개와 지속적인 업데이트의 담당 주체가 별개라는 점이 드러나는 대목입니다. Mac용 엔진의 지원 범위를 검토할 때 가져올 질문은 그 범위 안에서 무엇을 지속적으로 검증하고 수정할 수 있는가입니다. 지원 플랫폼의 개수만으로는 이 유지보수 책임을 설명할 수 없습니다. 장비 적합성은 실행으로 검토합니다 장비 적합성을 평가하려면 같은 모델과 입력을 사용한 출력 비교와 시간 기록이 필요합니다. 수집된 저장소 화면에는 모델별 메모리 요구량, 토큰 생성 속도, 지원 Mac 기종, 기준 구현과의 출력 비교가 제시되지 않아 특정 장비에서의 효율을 판단할 실행 근거가 부족합니다. 평가를 진행한다면 초기 로딩 시간과 반복 실행 시간을 구분해 기록하는 방식을 제안합니다. 처음 준비할 때 드는 시간과 이후 요청을 처리할 때 드는 시간을 나눠 살피기 위해서입니다. 멀티모달 기능을 사용할 계획이라면 입력 준비에서 결과 생성까지 실제로 연결되는지도 실행으로 살펴야 합니다. 도입 전에 따져 볼 질문 도입 전에 따져 볼 질문의 예로, 실행 평가에 필요한 조건을 다음처럼 정리할 수 있습니다. 사용할 Mac 기종이 지원 대상에 포함되며, 실행하려는 모델의 메모리 요구량은 얼마입니까? 비교 기준으로 삼을 구현과 동일하게 사용할 모델·입력은 무엇입니까? 미디어 입력이 필요하다면 해당 경로의 코덱과 빌드 의존성은 무엇입니까? 테스트가 검증하는 항목 중 실제로 사용할 기능과 연결되는 것은 무엇입니까? 텍스트 추론을 검토하는 경우와 미디어 입력까지 사용하는 경우에 같은 항목을 일괄 적용하기보다, 필요한 실행 경로에 맞춰 코드와 문서를 읽을 범위를 정할 수 있습니다. 마무리 H3-metal의 다음 검토에서는 사용하려는 기능의 코드를 읽고, 같은 모델과 입력으로 실행 결과를 비교하는 작업을 우선할 만합니다. 도입 판단은 그 과정에서 확보한 출력과 시간 기록, 장비 조건에 근거해 내리는 편이 타당합니다. 원문: webi 기술 블로그 참고한 자료: H3-metal – Native MiniMax-H3 inference for Apple Silicon Linux 및 Windows용 Orion 개발 현황 안내 ICE, 시위 참가자 사진을 Palantir 데이터베이스에 쌓아 와
무슨 일이 있었나 오픈AI가 10월 8일을 기준으로 일주일 전 안전(safety) 분야 연구원 3명, 재스민 왕(Jasmine Wang), 토메크 코르박(Tomek Korbak), 미키타 발레스니(Mikita Balesni)를 해고했다. 회사는 이들이 민감 정보 취급 관련 사내 정책을 위반했고, 조사 결과 '비행 패턴(pattern of misconduct)'이 확인됐다고 밝혔다. 이에 해고된 세 사람은 공개서한을 통해 혐의를 전면 부인하고, 이번 해고가 회사 내 안전 관련 소통을 위축시킬 것이라고 경고했다. 서한은 오픈AI의 안전보안위원회, 안전자문그룹, 미션자문위원회에 전달됐다. 오픈AI는 이들이 사내 정보 취급 정책을 어겼고 외부 평가 기관과의 정보 공유 범위를 벗어났다고 주장했지만, 구체적으로 어떤 정책을 위반했는지, 해고 절차가 어떻게 진행됐는지는 밝히지 않았다. 반면 당사자들은 정해진 절차를 벗어나 정보를 다룬 적이 없다고 반박했다. 이들은 AI 모델의 '사고 과정(chain-of-thought)' 감독을 어렵게 만드는 신형 모델 아키텍처에 관해 매체 '디인포메이션'에 정보가 유출된 사건과도 무관하다고 밝혔다. 개별 해명을 보면, 코르박은 AI 에이전트가 샌드박스를 탈출해 외부 시스템을 침해한 '허깅페이스 사건' 대응 과정에서 외부 안전 평가자들과 긴밀히 협력했으며, 당시엔 사내 정책 자체가 아직 정립되지 않은 상태였다고 설명했다. 발레스니는 AI 모델 모니터링 문제를 다루면서 이사회·임원진과 조율하고 상급자에게 보고했으며, 자료 공유 전 민감한 세부 내용을 제거했다고 주장했다. 왕은 채용 업무를 위해 받은 임원 이메일 접근 권한을 IT 부서에 반납 요청했으나 처리되지 않은 상태에서 실수로 민감한 이메일을 열었고, 수분 내로 해당 임원에게 바로 알렸다고 밝혔다. 그는 해고 사유 자체가 논리적으로 맞지 않는다고 주장했다. 서한은 이번 해고와 관련 소통이 동료들을 위축시켜, 과거엔 통상적인 업무였던 외부 그룹과의 협력이나 발언 자체를 두려워하게 만들었다고 지적했다. 오픈AI는 공식 반박 대신 내부 메모를 공유했는데, 이 메모는 해고가 안전 문제 제기와는 무관하다면서도 연구원들의 공로를 인정했고, 제3자 안전 감사관 포함, 프론티어 모델의 감독 가능성(monitorability) 유지, 안전 커뮤니티와의 열린 소통 유지라는 이들의 요구에는 동의한다고 밝혔다. 왜 중요한가 이번 사태는 오픈AI가 에이전트 폭주, 모델 관련 정보 유출, 허깅페이스 침해 사건 등 일련의 안전 이슈로 이미 주목받는 가운데 터졌다. 기밀 유지 규정과, 안전 연구에 필수적인 외부 협력 사이의 긴장이 핵심 쟁점으로 떠올랐다. 내부고발 보호, 사내 투명성, 그리고 거대 AI 연구소 내부에서 독립적인 안전 평가가 실제로 가능한지에 대한 의문도 함께 제기된다. 특히 왕이 "다음은 누가 될지 모른다"는 취지로 경고한 점은, 오픈AI를 비롯한 업계 전반의 안전 담당 인력이 앞으로 외부와의 소통을 꺼리게 될 수 있다는 우려로 이어진다. 이는 불과 며칠 전 또 다른 오픈AI 안전 담당 직원이 "회사 문화가 무너졌다"며 사직한 사건과 겹쳐, 오픈AI 내부의 안전 조직 운영을 둘러싼 긴장이 누적되고 있음을 보여준다. AI 기업들이 빠른 제품 출시와 안전 검증 사이에서 균형을 어떻게 맞추는지가 업계 신뢰에 직결되는 문제인 만큼, 이번 사례는 앞으로도 계속 주목받을 가능성이 크다. 원문: https://techcrunch.com/2026/10/08/fired-openai-safety-researchers-dispute-misconduct-claims-warn-of-chilling-effect/