캬오의 일상다반사

눈앞이 캄캄할때 읽어보는 글

cocon — Sun, 7 Jun 2026 11:31:11 +0900

모르는건 부끄러운게 아니다 궁금한게 없는건 부끄러운 것이다
답이 보이지 않으면 질문을 바꿔야하고, 질문을 해도 명확하지 않다면 목표를 점검해야 한다.
당신의 목표는 무엇입니까?
목표가 명확한데 개운하지 않다면 왜를 붙여보면 됩니다
왜 그 목표를 하려고 합니까?
그다음이 또 있습니다. 무엇을 위해를 붙이면 됩니다
무엇을 위함입니까?

과정을 목표로 삼아라. 결과는 운에 달려있다.

내 투자 자료를 '위키'로 키운다는 것

cocon — Wed, 3 Jun 2026 15:49:15 +0900

자료는 쌓이는데, 정작 필요할 때 손에 안 잡힌다

투자를 몇 년씩 하다 보면 자료가 여기저기에 계속 쌓이게 된다. 증권사 리포트 PDF, IR에서 들은 녹취파일, 기업 탐방 다녀와서 정리한 IR 노트, 유튜브 방송을 받아쓴 텍스트, 텔레그램으로 흘러가는 속보, 분기마다 올라오는 공시까지. 문제는 그냥 쌓이기만 한다는 점이다. 폴더 어딘가에 저장은 분명히 해뒀는데, 막상 그 종목을 다시 들여다볼 때 그 자료가 어떤 상황에서 쓰여졌고 어떤 맥락을 가지고 있는지 가물가물해지는 경우가 많다. 내 경우는 실시간 휘발성이 높은 정보는 텔레그램에 적고, 조금 생각해서 고민해서 쓰는글중 가벼운건 페이스북에, 무거운건 블로그에 쓰고 있다. 하지만투 자관련 글은 신규종목 발굴이 아니라면. 대부분 회사가 단 한번, 하루아침에 만들어낸 결과가 아니라 회사가 일을 하고 무엇가를 만들고 시장에 내놓고 하는등의 모니터링하고 관찰하는 시간을 기록하는 수단이 필요하다. 대부분 투자안은 미래를 선반영하는 특징이 있지만, 대부분의 투자아이디어는 회사가 어떤 의사결정에 대한 평가를 시장이 미루다가 짧은시간에 반영하곤 한다는 것이다.

투자기록이 체계적으로 되어있지 않았을때 더 답답한 건 판단의 흔적이 희미해지다가 사라진다는 것이다. 반년 전에 이 회사를 왜 샀는지, 그때 무슨 근거로 확신했는지, 어떤 리포트의 어느 문장이 결정적이었는지. 시장은 어떤 회사의 모습을 보고 반가워했는지 기억은 희미해지고 파일은 흩어진다. 결국 같은 회사를 매번 처음부터 다시 공부하는 악순환이 이어지게 된다.

나는 원래 데이터베이스를 만지던 사람이다. 그래서 이 문제를 보는 시선이 좀 달랐다. 자료를 '저장'하는 게 아니라 '연결'해야 한다고 봤다. 한 회사에 대한 리포트, 탐방 노트, 공시, 내가 적은 메모가 그 회사 한 곳으로 다 모이고, 그 회사가 속한 산업과 내 투자 아이디어로 다시 이어지는 구조. 그게 내가 만들고 있는 LLM 위키다.

한 줄로 말하면

옵시디언(Obsidian)이라는 메모 앱 위에 올린, 나만의 투자 지식축적 시스템이다. 모두의 PC속에 들어있는 메모장과 다른 점은 두 가지이다. 첫째, 모든 자료가 회사·산업·투자 아이디어 같은 '항목(entity)'으로 연결돼 지식 그래프처럼 자라난다. 두번째, 그 연결과 정리를 사람이 손으로 다 하는 게 아니라 AI(Claude)가 한다는 것이다.

쉽게 비유하면, 어떤 자료를 우체통같은 inbox에 넣으면, 들어온 자료는 일정한 모양으로 다듬어져 보관(데이터 표준화)되고, 그 내용이 관련된 연결된 회사와 산업 페이지에 자동으로 반영된다. 시간이 지날수록 종목 하나하나가 '그 회사에 대해 내가 아는 전부'를 담은 허브로 성장하고 내용이 풍부해지고 두터워진다.

자료가 들어와서 지식이 되기까지

흐름은 단순하다. 입구(inbox) → 정리된 원본(raw) → 위키(wiki).

아까 말했듯 자료를 inbox에 올린다. 증권사 PDF든, 내가 정리한 IR 노트든, 받아쓴 음성이든 일단 던져 넣는다. 넣으면 사전에 정의된 경로에 따라서 표준화되고 요약되고 정리되기 위한 준비단계로 raw단계로 넘어가는 것이다.

그러면 그게 'raw'라고 부르는 정리된 원본으로 바뀐다. 여기서 한 가지 원칙이 있다. raw는 요약하지 않고 내용을 최대한 그대로 보존하는 공간이라 할 수 있다. 내용을 줄이면 그게 곧 정보 훼손이기 때문이다. 요약하는데신 데이터를 구조만 잡는다. 나는 데이터를 정리할때 아웃라이너 문법으로 정리한다 이 체계를 그림으로 그리면 마인드맵을 만들 수 있다.

아웃라이너 - 나무위키

아웃라이너

들여쓰기 등을 통해 트리 또는 상하 계층을 이루는 형식으로 항목들을 만드는 편집기이다. 필요할 때 접거나 펼치고,

namu.wiki

들쭉날쭉한 글을 읽기 좋은 형태로 다듬되, 사실·숫자·발언은 그대로 두어야 한다.. 예를 들어 회사 컨퍼런스콜을 받아쓴 경우, 위쪽엔 핵심을 정리한 요약 구조를 두고 아래쪽엔 받아쓴 원문을 통째로 보존한다. 나중에 요약이 미심쩍으면 바로 원문과 대조할 수 있게 일종의 교차검증 수단이자 백업수단이다.

다음단계는 그 내용이 위키에 반영된다. 자료에 등장한 회사 페이지에 근거로 연결되고, 그 회사의 '투자 아이디어 변화 기록'에 한 줄이 더해진다. 산업 페이지도 갱신된다. 관련항목이 있는 모든 페이지에 연쇄반응이 일어난다. 이 과정을 거치고 나면 입구(inbox)에 있던 원본은 지운다. 할 일을 다 했으니까.

핵심요소 산업, 기업, 그리고 투자 아이디어

202604~현재까지 쌓인 노트들 끊긴 노트가 거의 없다

투자위키의 핵심엔 세 종류의 페이지가 있어야 한다.

회사 페이지는 종목 하나에 대한 모든 것이 모이는 허브다. 사업 구조, 경쟁우위, 지금 내가 보는 투자 아이디어, 강세 논리와 약세 논리, 그리고 가장 중요한 '확신도(conviction)'. 여기에 더해 그 회사와 관련된 모든 자료가 자동으로 한 파일에 모인다. 공시, IR, 증권사 리포트, 탐방 노트, 외부 분석까지 연결되어 한눈에 회사와 주변에 어떤 일이 일어났는지 파악할 수 있다.

특히 신경 쓰는 게 '투자 아이디어 변화 기록'이다. 내가 이 회사를 어떻게 보던 시각이 언제, 무슨 근거로 바뀌었는지를 시간순으로 남긴다. 반년 뒤에 "내가 왜 이렇게 생각했더라"를 계속 추적하고 축적할 수 있게 덧붙이는 것이다. 예를 들면 하이닉스와 삼성전자와 엔비디아가 모두 들있는 뉴스와 분석을 던져주면 세 회사의 기사를 분리해서 회사 페이지에 반영해주는 것이다.

산업 페이지는 회사들을 묶는 위층이다. 한 종목만 보면 놓치는 흐름, 그러니까 산업 전체의 수급이나 경쟁 구도 변화를 여기서 본다.

투자 아이디어 페이지는 여러 종목을 관통하는 큰 그림이다. 예를 들어 'AI 인프라의 병목이 메모리·전력·광연결 세 군데로 옮겨간다'는 가설을 세우면, 거기 해당하는 회사들을 한데 엮어 추적한다. 종목은 아이디어의 증거이고, 아이디어는 종목을 보는 렌즈가 된다. 데이터베이스 업계용어로 말하자면 view이다.

위에서 내려다보는 두 개의 눈 — 매크로와 스크리닝

종목만 들여다본다고 투자가 되는 건 아니다. 그래서 두 개의 위층을 따로 둔다.

하나는 매크로다. 시장을 읽는 다섯 가지 시각을 매번 교차해서 기록한다. 나는 주식시장이 상승하기 위해서는 유동성·금리·기업 실적·기술 혁신, 이 네 가지 힘이 필요하다고 생각한다. 이제 이 시각으로 매크로와 시장을 본다는 내 나름의 틀을 중심에 두고, 거기에 시장이 과열인지 침체인지를 가늠하는 별도의 지표 체계를 붙여두려고 하고 있다.(아직은 더 만들어야한다)

다른 하나는 종목 발굴 기준이다. 내가 1순위로 치는 종목엔 특징이 있다. 매출·영업이익·영업이익률·배당이 한꺼번에 좋아지는데, 정작 텔레그램이나 시장에선 아직 조용하고, 주가도 안 올랐을 때. 거기에 주도주가 좋은 실적을 내고 같은 부품을 쓰는 미국 동종 업체의 분위기까지 좋으면 거의 완벽하다고 본다. 새 자료가 들어올 때마다 이 기준에 맞춰보고, 들어맞으면 따로 표시해두라고 규칙을 만들었ㄷ.

오늘만 해도 모회사의 IR 노트가 들어왔다. 화학 별도 영업이익이 1년 전보다 뛰었는데(중동발 공급 차질의 수혜), 정작 연결 순이익은 금융비용에 발목 잡힌 회사다. 이런 엇갈림을 기준에 비춰보면 "영업이익 모멘텀은 강하지만 배당·재무가 약점"이라는 그림이 또렷해진다. 그 판단을 회사 페이지에 근거와 함께 남겨둔다.

그래서 이게 투자에 어떻게 쓰이나

결국 이 시스템이 하는 일은 두번째는 흩어진 자료를 판단으로 바꾸는 것과 다른 하나는 내가 쌓은 지식이나 자료에 자료를 추가하면서 질문을 해서 새로운 제 3의 자료를 생성하는 것이다.

인플레이션이 지속된다면 향후 3개월에서 1년간 어떤일이 일어날지 내 포트의 어떤 회사에 어떤 영향이 미칠지 시뮬레이션 하라는 질문에도 충분히 대답할 수 있게 되어있다.

자료가 들어오면 자동으로 회사에 연결되고, 내 종목 발굴 기준과 기존에 만들어둔 투자 아이디어에 각자의 렌즈에 비춰진다. 기준에 맞으면 후보로 올라온다. 증거가 바뀌고 확신도가 바뀌면 그 이유가 기록으로 남는다. 분기가 지나면 "내 생각과 주가가 어떻게 움직였나"를 되짚어볼 수 있다. 내가 맞았는지 틀렸는지, 운이었는지 실력이었는지를 데이터로 따질 수 있게 될 것이다.

일반적인 웹버전 LLM은 LLM이 그동안 학습한 기본지능에 의존해서 자료를 분석하고 찾아주지만 LLM위키는 자료가 구조화 되어 저장되어 어느정도 축적되면 자료와 자료사이의 연결(위키링크, 태그)로 인공지능이 자료를 재구조화 해서 보여줄 수 있게 된다.

여기서 AI의 역할은 분명하다. 자료를 다듬고, 연결하고, 초안을 쓰고, 빠진 걸 찾아주는 일은 AI가 한다. 하지만 마지막 판단, 그러니까 살지 팔지, 얼마나 확신하는지는 내가 정한다. AI는 더 좋은 판단을 하라고 옆에서 자료를 정리해주는 조수지, 결정권자가 아니니까 말이다.

결국 만들고 싶은 것

거창하게 말하면 '제2의 뇌'다. 내가 읽고 듣고 판단한 모든 것이 사라지지 않고 쌓여서, 다음 판단을 더 낫게 만드는 구조. 자료가 늘수록 똑똑해지고, 시간이 지날수록 내 판단의 역사가 자산이 되는 시스템.

아직 완성된 건 아니다. 매일 조금씩 자료를 넣고, 도구를 다듬고, 기준을 정교하게 만들어가는 중이다. 다만 방향은 분명하다. 정보가 부족해서 투자를 못하는 개인 투자자는 거의 없을것 같다. 읽고도 체계적으로 조금은 추상화된 주가상승의 다양하고도 다차원적인 상승패턴에 연결되지 않고 흘러가버려서 놓칠 뿐이다. 과거 사고에 포획되어서 새로운 기회가 왔을때 어떤 패턴과 연결되는지 객관적으로 파악하려면 기록도 체계화 시켜야 한다. 그 빠지고 놓치고 흘리는 것을 막는 것, 그게 이 위키의 가장 큰 목표라 하겠다.

더블유게임즈(20260602)

cocon — Tue, 2 Jun 2026 14:17:07 +0900

더블유게임즈(20260602)

앤서니볼턴의 특수상황

회생 잠재력을 가진 기업
강한 성장 잠재력을 지닌 기업
- 캐주얼 매출 QoQ + 8.8%, 3개 사업부 동시 흑자전환으로 외형·이익 동반 고성장
자산가치가 일반적으로 잘 인식되지 못하고 있는 기업
- 순현금 약 1조원(미국 6천억) 및 DDI 중복상장 디스카운트가 주가에 미반영, 2026E PER 6~7배
특정한 틈새시장을 가진 특수 상품을 생산해 실적 잠재력이 뛰어난 기업
- 한국 미서비스 장르인 소셜카지노(북미 중심) + 글로벌 멀티브랜드 아이게이밍의 특수 포지셔닝 인수 후보가 될 수 있는 기업
구조조정이 임박하거나 경영진 교체가 예상되는 기업
- AI 성과 확인 후 26.1월 본부별 약 10~30% 권고사직 진행(인건비 효율화) 증권업계에서 널리 분석되지 못하고 있는 숨겨진 기업

# 투자아이디어

비용구조 동시 경감2. Open: 더블유게임즈 (192080) 202605-1780120811612.webp
1. 변동비(앱마켓 수수료): 매출 대비 플랫폼 수수료 1Q24 27.2% → 1Q26 17.8% (DTC 도입)
  - 6월말부터 구글 앱수수료 인하
  - 북미/유럽 시작(가만히 있어도 평균 -5%p)
2. 고정비(인건비)
  - AI 성과 확인 후 26.1월 권고사직(본부별 10~30%) 단행으로 영업 레버리지 증대
3. 북미/유럽 매출 비중 약 65%(국내 상장사 최고)
  - 앱수수료 인하 최대 수혜 (출처: 신한 p.140)
AI 기반 ROI 향상
1. 팍시게임즈 AI Lab으로 기획
2. 글로벌 출시 전 과정 자동화, 1인 개발자 기준 3주 완수 (출처: IBKS p.50)
3. 캐주얼 매출의 70%가 AI 개발 게임, 55개 라인업 중 40여개가 2026년 출시
4. UA 비용 2~3개월 내 회수 → "다작→검증→선별투자→회수" 사이클 정착 (출처: 컨콜)
주주환원 + DDI 완전 자회사화
1. 그룹 현금 약 9,000억원(미국 약 6,000억원), 매년 영업현금흐름 2~3,000억원
2. 2026.4.28 DDI에 Non-Binding Offer(공개매수/완전 자회사화) 제출
  - 중복상장 해소·자본배분 효율화
3. DDI 공개매수 완료 시 지배주주순이익 개선 + M&A·주주환원 유연화 (출처: 컨콜, 신한 p.146)
3개 사업부 동시 흑자로 균형 포트폴리오 완성
- 소셜카지노(안정성) + 캐주얼(성장성) + 아이게이밍(확장)이 각각 독립적으로 이익에 기여하기 시작

투자아이디어 배경
- 해자: 소셜카지노의 안정적 캐시플로우와 퍼포먼스 마케팅 데이터가 신사업(AI 캐주얼)의 기반
- 경쟁우위: 국내 상장사 중 AI 게임 개발 성과를 가장 먼저 실적으로 증명(팍시 AI 70%), 1~2개 대형 프로젝트 의존 모델 탈피 (출처: 신한 p.134)
- 2026년 이후 성장전략
  - 변동비: DTC 추가 확대(DUC +10%p 목표) + 구글 앱수수료 인하 하반기 반영
  - 고정비: AI 에이전트(클로드 등) 활용한 생산성 향상·인력 효율화 지속
  - 자본배분: DDI 완전 자회사화 완료 → M&A·자사주·배당 유연화

# 무엇을 하는 회사인가

회사 개요

소셜카지노 기반 글로벌 모바일 게임사로, 다수의 상장·비상장 자회사를 연결로 보유
- 더블다운인터액티브
  - (DDI, NASDAQ 상장) 소셜카지노 핵심, 미국 현금 보유 주체
- 슈퍼네이션 아이게이밍(실제 현금 걸고 베팅)
  - 4개 브랜드 운영
- 팍시게임즈 (캐주얼 게임)
  - , AI Lab 보유 (2025년 인수)
- 와우게임즈 (WHOW)
  - 소셜카지노 인수 자회사

사업 부문

사업비중 (1Q26 매출 기준)

소셜카지노 1,551억원 (75.7%) — 캐시카우, YoY +8.6%
아이게이밍 252억원 (12.3%) — YoY +31.1%, 흑자전환
캐주얼 247억원 (12.0%) — QoQ +28.8%, 흑자전환

1. 소셜 카지노

매출 현황: 1,551억 원을 기록하며 1,500억 원대 중반 매출 유지
- 2025년 7월 독일의 소셜카지노 개발사 '와우게임즈(Whow Games)' 지분 100%를 약 884억 원(5,500만 유로)에 전액 현금 인수
DTC(Direct to Consume) 매출 비중 증가
- DTC란 자체 결제망이나 제3자 외부 결제를 통해 직접 결제하는 것으로
- 1분기 기준 38.7%로, 전년 동기 대비 약 4배 증가
- 구글과 애플의 제3자 결제 옵션 적용으로 인해 플랫폼 수수료가 구조적으로 낮아짐
- 글로벌 상위 업체들의 DTC 비중이 40% 수준임을 감안할 때, 향후 추가적인 확대 여력

2. 캐주얼 게임 (Casual Games)-팍시게임즈

매출 성장:
- 매출 247억 원을 기록하며 전분기 대비 28.8%라는 가장 높은 성장세를 기록, 규모의 경제 달성
게임 포트폴리오 확장
- 머지(Merge) 장르를 넘어 에로우, 탭시프트, 위글이스케이프 등 소트 및 에로우를 포함한 다양한 퍼즐 게임으로 포트폴리오 확장
AI 기반 개발
- 팍시게임즈(Paxy Games)를 중심으로 캐주얼 매출의 70%가 AI 기반 게임에서 발생
- AI 랩을 통해 기존 머지(Merge)류 장르에서 퍼즐 등 다양한 장르로 라인업 확장 중
- 과거의 유저들은 30분 이상, 충성도를 보였지만, 지금은 쇼츠나 틱톡같이 짧고 자주 들어와서 보는 기준으로 변경
- 전에는 10명의 팀이 필요했다면 지금은 기획자가 빠르게 테스트할 수 있게 되었음
- 빠른 개발속도를 활용한 다작전략
  - 2026년에만 팍시에서 40여 개, 더블유게임즈에서 10개 이상의 신작을 출시
  - 누적 다운로드 수는 5,710만 건을 돌파(7개월 만에 35% 증가).

3. 아이게이밍 (i-Gaming)

실제 현금을 걸고 베팅하는 온라인 도박 및 스포츠 베팅 산업
규모의 경제를 통해 절대적인 마진을 확보가 중요
매출 252억 원으로 전분기 대비 8.1% 성장했으며, 영업이익 흑자 전환을 달성했다.
- 슈퍼네이션(SuperNation)의 4번째 브랜드 '로스베가스(Las Vegas)'의 성공적인 안착
멀티 브랜드 전략의 유효성이 입증되었으며, 운영 효율화를 통한 규모의 경제를 실현했다.

핵심 경쟁력: AI 기반 개발 및 마케팅 엔진

더블유게임즈는 생성형 AI를 게임 개발 전 영역(텍스트, 이미지, 영상, 코딩)에 도입

과거 10명 이상의 소통이 필요했던 개발 공정을 AI 랩 기반 체계로 전환
- 소수 인원(기획자 등)이 빠른 시장 검증을 수행할 수 있는 구조를 마련
빠른 회수 사이클
- AI 기반 신규 게임들은 2025년 하반기부터 성과를 내기 시작했으며, 투자에서 매출 회수까지의 기간이 2~3개월 이내로 단축됨
다작 및 선별 투자
- 2026년에만 팍시게임즈에서 40개, 본사에서 10개 이상의 신작을 출시했다. 다수의 게임을 동시다발적으로 테스트한 후 지표가 우수한 작품에 마케팅비를 집중하는 방식으로 리스크를 최소화하고 수익을 극대화 가능

4. 지배구조 단순화 및 자본 효율성 전략

그룹 지배구조 개선과 주주 가치 제고

DDI 중복 상장 해소
- 2026년 4월 28일, 미국 자회사 더블다운 인터랙티브(DDI)에 대한 넌바인딩 오퍼(Non-binding offer)를 제출하며 상장 폐지 및 완전 자회사화 절차에 착수
자본 활용 최적화
- 현재 그룹 전체 보유 현금 약 9,000억 원 중 미국 법인(DDI US)에 머물러 있는 약 6,000억 원의 현금 보유
- 아으로 유연하게 활용할 계획이다.
DDI 완전 자회사화 완료
- 확보된 현금은 추가적인 M&A 투자뿐만 아니라 적극적인 주주 환원 정책의 재원으로 활용

# 특기사항

북미/유럽 매출 비중 약 65%로 국내 상장사 중 최고 (소셜카지노 = 한국 미서비스)
캐주얼 AI 개발 게임 비중 70%, 누적 다운로드 5,710만건(26.4월말, 7개월 +35%) (출처: IR p.8~9)
비용효율화
- Open: 더블유게임즈 (192080) 202605-1780120591524.webp
- 변동비구조 개선
  - DTC 비중 확대와 인앱 광고(IAA) 중심의 캐주얼 게임 매출 증가로 플랫폼 수수료 부담이 크게 줄음
  - 매출 대비 변동비율이 전년 동기 31%에서 이번 분기 25%로 6%포인트나 크게 개선 -
DTC 비중 38.7% (1년 만에 약 4배), 글로벌 상위 소셜카지노(~40%) 수준 진입 (출처: IR p.7)
- 미국 시장에서 제3자 결제를 허용하는 유연한 분위기에 발맞추어, VIP 유저들을 대상으로 초개인화된 맞춤형 경험과 최적화된 UI/UX를 제공
- 더블다운 카지노(DDC)는 DTC 비중이 40% 이상, 와우(Wow)는 웹 기반 시작의 이점으로 50% 수준
- 더블유카지노(DUC)는 약 25%로 상대적으로 낮은 수준으로 다른 게임에서 검증된 노하우를 DUC에 집중적으로 이식하여 단기적으로 현 수준 대비 10% 이상 상향하는 것을 목표 있음
- 캐주얼 게임에서도 IAP(인앱 결제) 매출이 증가하면 DTC 비중을 점진적으로 늘려나갈 계획
30%대 영업이익률 + 순현금 약 1조원의 강한 재무 체력 (출처: 신한 p.137)

경쟁우위

퍼포먼스 마케팅 역량
- 소셜카지노에서 축적한 데이터 기반 마케팅으로 매출 대비 마케팅비 11% 수준의 극도 효율 (출처: IR p.7, 신한 p.143)
AI Lab 다작 구조: 소수 인력으로 다수 게임을 빠르게 테스트, 성과 확인 작품에 마케팅 집중
- 저비용·고효율 신작 확장 모델 (출처: 신한 p.146)
DTC·외부결제 노하우
- DDC 40%+·와우 ~~50%의 검증된 DTC 운영 경험을 DUC(~~25%)에 이식 중 (출처: 컨콜)
재무 체력: 순현금 약 1조원 + 연 2~3,000억원 영업현금흐름이 AI 투자·마케팅 테스트·주주환원의 재원 (출처: 신한 p.137)
지역 믹스: 북미/유럽 65% 비중으로 구글 앱수수료 인하의 선제적·최대 수혜 (출처: 신한 p.140)

기업분석

기업의 변화
- 과거
  - 소셜카지노 단일 캐시카우 의존 -> 2025년 캐주얼·아이게이밍 초기 투자(적자) 단계로 OPM(32.2%)·ROE(11.3%) 하락하여 시장의 주주환원 기대에 못미치면서 욕을 엄청 먹었음 (출처: IBKS p.53)
- 현재(1Q26)
  - 창사 최초 분기 매출 2,000억 돌파(2,050억, YoY +26.6%)
  - EBITDA 751억(마진 36.6%), 영업이익 685억(OPM 33.4%) 모두 사상 최대. 캐주얼·아이게이밍 동시 흑자전환으로 3개 사업부 독립 이익 구조 완성 (출처: IR p.3~5)
- 미래
  - AI 다작(외형) + DTC 앱수수료 인하·구조조정(비용)이 겹치며 OPM 계단식 상승(신한 2026E 34.5%). DDI 완전 자회사화로 지배주주순이익 개선 + 주주환원 확대 (출처: 신한 p.146, 컨콜)
  - Open: 더블유게임즈 (192080) 202605-1780117723937.webp

캐주얼 방향성·AI 전략

AI Lab 다작 사이클, 쇼츠/틱톡 세대 대응, 2026년 팍시 40여개·W게임즈 10개+ 신작"출시·확장·수익화로 이어지는 AI 레벨 파이프라인을 지속 반복하면서 매출과 이익 규모를 확대할 계획"
흑자전환 지속성·DDI 현금 활용 → 규모의 경제로 마진 확보, 2Q26도 성장 예상. 현금 9천억(미국 6천억) M&A+주주환원 유연 활용, 거래 완료 시 구체안 안내
- (유진 정호윤) DTC 전략·타겟 → 제3자 결제 허용 분위기 + VIP UX 최적화. 현황 DDC 40%+·와우 50%·DUC 25%, DUC 단기 +10%p 상향 목표
- (다올 김혜영) 성장 드라이버·비용구조 → 캐주얼이 2배 성장 견인(UA 2~3개월 회수), 변동비율 31%→25%(IAA 증가), 인건비는 AI 에이전트로 효율화
- (출처: 1Q26 컨퍼런스콜 녹취록)

재무분석

손익계산서 ( IBK증권, 단위 억원 / 출처: IBKS p.53, 신한 p.146)

매출액	6,335	7,199	8,423	8,378	8,803
영업이익	2,487	2,321	2,827	2,889	3,102
OPM	39.3%	32.2%	33.6%	34.5%	35.2%
지배순이익	1,872	1,313	1,947	—	1,986
EPS(원)	8,708	6,106	9,192	—	9,381

재무상태표 (출처: IBK증권 p.53)

부채비율: 11.8%(2025) → 9.2%(2026F)로 매우 낮음
순현금: -8,264억(2025) → -10,916억(2026F), 순차입금비율 -50.0% → -55.8% (음수=순현금)
무형자산(영업권/PPA) 비중 높음 — 다수 M&A(DDI·슈퍼네이션·팍시·와우) 반영

현금흐름 (출처: 신한 p.137, IBKS p.53)

매년 2~3,000억원 영업현금흐름 창출, 가용 현금성 자산 약 1조원
순현금 지속 누증(2028F -16,363억) → 주주환원·M&A 실탄

배당 (출처: IBKS p.50·53)

DPS 1,200원, 배당수익률 1.7%(2026F)
자사주 매입/소각 구체 계획: 본문 내 정보 없음 (DDI 거래 완료 시 자본배분 구체안 안내 예정)

밸류에이션

1. Base 시나리오 (안정적 수익 창출 및 마진 방어)
- 핵심 가정
  - 소셜 카지노 부문이 1,500억 원대 중반의 견조한 매출 기반 지속 유지.
  - DTC(제3자 외부 결제) 비중 확대로 플랫폼 수수료 절감 효과가 안착하며, 매출 대비 변동비율 25% 선 안정적 유지.
  - 캐주얼 및 아이게이밍 부문의 흑자 전환(분기 각각 약 250억 원 매출) 기조 지속.
- 밸류에이션 및 목표 지표 방향
  - 예상 실적: 1분기 당기순이익 735억 원(순이익률 35.9%) 추세 유지 시, 연간 약 2,900억 원 내외의 순이익 체력 입증 가능.
  - 목표 시총 및 PER: 회사가 보유한 총 9,000억 원의 풍부한 현금(미국 보유액 6,000억 원 포함)이 강력한 하방 지지선(Floor)으로 작용함. 안정적 현금 창출력을 바탕으로 게임 업종의 역사적 평균 PER이 적용되어 하방이 방어되는 안정적인 목표 시가총액 및 목표가 형성
1. Bull 시나리오 (AI 신작 폭발적 성장 및 지배구조 프리미엄 부여)
- 핵심 가정
  - AI 랩(AI Lab)을 활용한 다작 출시 및 빠른 시장 검증으로 캐주얼 부문(1분기 전분기 대비 28.8% 성장)이 전사 매출 성장을 강력히 견인함.
  - 더블다운 인터랙티브(DDI) 상장 폐지 절차가 성공적으로 완료되어 중복 상장 이슈 해소됨.
  - 미국 내 보유 현금 6,000억 원을 대규모 주주환원 및 M&A 재원으로 유연하고 적극적으로 활용함.
- 밸류에이션 및 목표 지표 방향
  - 예상 실적: 2~3개월의 짧은 마케팅 회수 기간을 가진 캐주얼 게임의 비중 확대로 이익 창출력 대폭 상승.
  - 목표 시총 및 PER: 캐주얼 게임 고성장에 따른 이익 성장 및 자본 배분 효율화(디스카운트 해소)가 맞물림. 이에 따라 업종 최고 수준의 프리미엄 PER 멀티플(Re-rating)이 부여되며, 목표 시가총액과 목표가의 공격적인 상향 도출.
1. Bear 시나리오 (캐주얼 성장 둔화 및 지배구조 리스크 잔존)
- 핵심 가정
  - 게임 시장 경쟁 심화로 캐주얼 신작 흥행이 부진하고, 마케팅 효율성이 떨어져 마진율 악화 발생.
  - 미국 증권거래소 심사 지연이나 협상 난항 등으로 인해 DDI 상장 폐지 무산 또는 무기한 연기.
- 밸류에이션 및 목표 지표 방향
  - 예상 실적: 단기 성장을 이끌 핵심 동력인 캐주얼 부문 적자 회귀 시, 이익 성장 정체 불가피.
  - 목표 시총 및 PER: 1분기 기준 영업이익 685억 원, 상각전영업이익(EBITDA) 751억 원이라는 호실적에도 불구하고, 중복 상장 유지에 따른 디스카운트 지속 및 미국 자금(6,000억 원) 활용 제한 리스크 부각. 업종 내 최하단 수준의 할인된 PER 멀티플이 적용되어 목표 시가총액 및 목표가의 하향 조정 및 정체 발생.

투자자용 LLM위키 운영기록

cocon — Fri, 1 May 2026 16:29:44 +0900

왜 안드레 카파시는 위대한 사람인가

이 위키를 만들기로 한 가장 직접적인 원인 제공자가 안드레 카파시였다. 그는 단순히 유명한 AI 연구자가 아니라, AI를 실제로 다루는 방법을 교육과 구현, 그리고 운영의 언어로 풀어내는 사람에 가깝다.고 검색에 나오지만 나랑 완전 세계에 있는 다른 사람이었다. 나는 적어도 메모앱에 대해서는 첨단을 달리는 사람이었다. 2007년 엔씨소프트에서 한국의 난다긴다 하는 개발자들을 모아 야심차게 만든 스프링노트부터 시작해서 원노트는 2009년경부터 쓰며 업무기록을 하며 노트앱의 유용성에 눈을떴고, 노션을 2020년경에 2년쯤 쓰다가 Dynalist라는 아웃라이너 노트앱에 한참동안 정착했다(이 개발자들이 옵시디언을 만들었다!) 네트워크 그래프와 로컬 위키 기능이라는 기능에 매료되어 옵시디언에 정식버전이 나오기도 전부터 쓰기 시작했다가 눌러앉게 된 것이다. 옵시디언의 장점은 무한한 자유도였고 단점도 마찬가지다. 저장공간을 제약받지 않고 사용자가 입맛대로 만들수 있다는 것은 구조를 유지하기 힘드다는 말과 동일한 말이다. 내가 이 위키를 만들 때 중요하게 봤던 것도 비슷했다. 멋진 말보다 실제로 돌아가는 구조, 한 번 쓰고 끝나는 정리보다 다시 읽고 다시 판단할 수 있는 구조였다.

그가 던진 LLM Wiki라는 개념도 같은 방향을 가리킨다. 사람이 문서를 다 모아놓고 끝내는 것이 아니라, LLM이 원문을 읽고 구조화된 위키를 계속 유지하면서 지식을 쌓아가는 방식이다. 원문은 원문대로 두고, 위키는 다시 읽기 좋게 정리하며, 시간이 지날수록 지식이 누적되는 형태다. 내 위키도 정확히 그 흐름을 참고했다.

그의 공식 사이트와 저작물은 그런 감각을 이해하는 데 도움이 된다.

공식 사이트: karpathy.ai
공식 GitHub: github.com/karpathy
대표 작업:
- nanoGPT
- micrograd
- llm.c

특히 nanoGPT와 micrograd는 내가 이 위키를 보면서 느꼈던 감각과 닮아 있다. 복잡한 것을 끝까지 단순화해 보고, 결국 남는 핵심을 구현으로 증명해 보는 태도다. 이 위키도 비슷하게, 자료를 쌓는 데서 끝내지 않고 실제로 다시 읽고 다시 판단할 수 있는 구조를 만들려는 쪽으로 흘러갔다. 적어도 데이터를 저장하는 방법에 있어서는 나도 비슷한 고민을 했지만 WIKI운영자를 인공지능이 한다는 생각은 혁신적인 생각이었다. 나도 사실 개인 데이터 저장소에 대한 고민을 많이 하던 분야였고 내 채널의 이름도 공부방인데 프사는 제텔카스텐의 책 표지를 쓸만큼 이쪽분야에 관심이 있었다.

1. 그런데 왜 투자자용 위키는 달라야 하나?

왜 투자자용 위키가 필요했는가

투자 자료는 생각보다 쉽게 흩어진다. 회의록은 회의록대로, 리포트는 리포트대로, 메모는 메모대로 쌓이는데, 막상 다시 보려고 하면 “그때 왜 이런 판단을 했는지”가 잘 남아 있지 않다. 숫자만 남고 맥락이 사라지면, 자료를 많이 모아도 판단에는 잘 이어지지 않는다.

나는 옵시디언 사용자로서 투자자용 저장공간을 설계에 대해서 고민을 하고 하면서 관계형 DB방법을 도입한 방법론을 만들었지만, 잘 설계를 했어도 운영은 다른 문제였다. 일관성과 정합성 자료 표준화를 모두 지키면서 지속적으로 운영하는건 쉽지 않은 일이었다

그래서 투자자용 위키가 필요했다. 여기서 위키는 단순한 저장소가 아니다. 자료를 쌓아두는 곳이 아니라, 다시 읽었을 때 바로 연결되고 다시 판단할 수 있게 정리된 작업 공간이다. 한 번 보고 끝내는 문서가 아니라, 다음 판단으로 이어지는 문서가 필요했다.

이런 구조가 있어야 자료가 늘어도 덜 흔들린다. 어떤 종목을 왜 봤는지, 어떤 산업을 왜 중요하게 봤는지, 어떤 리스크를 먼저 봐야 하는지가 문서 안에 남는다. 결국 위키는 기록을 쌓는 도구이면서 동시에 생각을 정리하는 도구가 된다.

이 위키로 무엇을 만들려고 했는가

처음 목표는 단순했다. 파일을 넣으면 이름이 정리되고, 내용을 읽고, 종류를 판단한 다음, 알맞은 자리로 들어가게 만드는 것이다. 회의록이면 회의록답게, 리포트면 리포트답게, 개인 메모면 개인 메모답게 정리되도록 하는 것. 겉으로 보면 파일 정리지만, 실제로는 투자 판단의 재료를 다시 쓰기 쉽게 만드는 작업이다.

정리의 핵심은 문서를 예쁘게 만드는 것이 아니었다. 나중에 다시 찾고, 다시 연결하고, 다시 비교할 수 있게 만드는 것이 핵심이었다. 제목을 맞추는 이유는 찾기 위해서고, 출처를 남기는 이유는 검증하기 위해서고, 관련 기업이나 산업을 연결하는 이유는 같은 재료가 다른 판단으로 이어질 수 있게 하기 위해서다.

인공지능 코딩 툴에서 스키마는 어떤 역할을 하는가

스키마라는 말은 어려워 보이지만, 쉽게 말하면 “문서를 어떤 모양으로 저장할지에 대한 약속”이다. 제목은 어디에 넣고, 날짜는 어디에 넣고, 출처는 어떻게 남기고, 태그는 어떤 식으로 붙일지 정해두는 것이다. 이렇게 약속을 정해두면 나중에 사람이 읽어도 편하고, 기계가 읽어도 덜 헷갈린다. 인공지능 코딩툴(클로드 Code, chatGPT Codex)는 명령어를 읽고 코딩을 한다. 매번 똑같은 명령을 일일이 칠 수 없으니 헌법이나 법전같은 상위 명세서가 있어야 한다. 코드를 짤때 늘 염두에둬야하는 상위개념, 페르소나들, 에이전트들을 저장해놓고 다시시작할때도 잊지 않도록 다시 불러오게 되는 것이다. 이 구조를 알고 나아 이후의 내용을 이해할 수 있다.

나는 스키마를 만들 때 네 가지를 특히 중요하게 봤다.

원문과 해석을 섞지 않을 것
- 원문은 원문대로 남기고, 내 해석은 따로 둔다.
- 그래야 나중에 내 판단이 틀렸는지 다시 검토할 수 있다.
서로 다른 종류의 문서는 서로 다른 칸에 둘 것
- 회의록, 리포트, 개인 메모, 산업 설명, 회사 기록은 같은 방식으로 다루지 않는다.
- 문서 성격이 다르면 저장 방식도 달라야 한다.
상태와 연결이 눈에 보여야 할 것
- 이 문서가 아직 살아 있는지, 끝난 것인지, 보강이 필요한지 보여야 한다.
- 관련 기업이나 산업도 한 번에 연결돼야 한다.
같은 내용을 두 번 관리하지 않을 것
- 산업 설명과 큰 지도 문서가 같은 범위를 겹쳐서 관리하면 나중에 틀어진다.
- 그래서 역할을 분리했다.

이 원칙을 바탕으로 문서 구조를 짰다. 처음에는 복잡해 보여도, 실제 기준은 단순하다. 다시 찾기 쉬운가, 다시 연결하기 쉬운가, 다시 검토하기 쉬운가. 결국 이 셋만 붙잡고 설계했다.

실제 폴더 구조도 이 생각을 그대로 따랐다. 원본은 01_inbox와 02_raw에 두고, 다시 읽기 좋은 정리는 04_wiki에 두고, 내 생각과 복기는 05_personal에 두었다. 01_inbox는 아직 정리되지 않은 입구이고, 02_raw는 원문을 보관하는 창고에 가깝다. 반대로 04_wiki는 다시 꺼내 보기 좋게 정리한 지식 공간이고, 05_personal은 그걸 보고 내가 남긴 생각을 적는 공간이다. 폴더 이름만 보면 숫자가 앞에 붙어 있지만, 실제로는 문서가 지나가는 순서와 역할이 다 들어 있다.

운영 문서가 필요한 이유

위키를 실제로 굴리다 보면, 자료 문서만으로는 부족하다는 걸 곧 알게 된다. 문서를 어떻게 저장할지, 어디까지 표준으로 볼지, 무엇을 자동화할지, 세션이 끝나면 무엇을 먼저 다시 읽을지 같은 운영 기준이 따로 필요했다. 그래서 이 볼트에는 자료를 담는 문서들 말고도, 운영을 설명하는 md들이 따로 생겼다.

여기서 LLM CLI는 사람 손을 대신하는 작업자처럼 움직인다. 먼저 SCHEMA.md와 AGENTS.md를 읽고, 지금 무엇을 해야 하는지 파악한다. 그다음 관련 문서를 열어 내용을 확인하고, 필요한 곳을 고치고, 다시 저장한다. 작업이 끝나면 lint나 검사를 돌려서 구조가 깨지지 않았는지 다시 본다. 결국 CLI는 문서를 읽고, 문서를 쓰고, 다시 검증하는 흐름으로 이 위키를 운영한다.

이 운영 md들은 자료를 담는 문서와 역할이 다르다. 자료 문서가 “무엇을 봤는가”를 남긴다면, 운영 문서는 “이 볼트를 어떤 규칙으로 굴릴 것인가”를 남긴다. 내가 처음에는 이 둘을 조금 헷갈렸는데, 실제로 운영을 해 보니 둘은 반드시 분리돼야 했다. 자료는 계속 쌓이지만, 운영 규칙은 자주 바뀌지 않아야 하기 때문이다. 그래서 이 md들은 볼트의 법전처럼 두는 것이 맞았다.

쉽게 말하면, 일반 프로그램을 만들 때도 기능명세서가 있고 입출력 규격이 있다. 입력이 들어오면 어떤 모양으로 처리하고, 어떤 형태로 결과를 내보낼지 미리 정해 두는 것이다. 이 위키도 비슷하다. LLM이 문서를 읽고, 읽은 내용을 정리하고, 다시 문서로 써 내려가는 과정이 반복되는데, 그 결과물이 어떤 구조로 나와야 하는지 미리 정해 둬야 한다. 그래서 이 위키는 단순한 메모장이 아니라, LLM이 작업한 산출물을 어떤 형태로 출력할지 정해 두는 구조 명세서에 가깝다.

SCHEMA.md는 볼트 전체의 설계도다. 문서가 어떤 모양이어야 하는지, 어떤 폴더에 무엇을 두는지, 엔티티와 태그와 MOC를 어떻게 나누는지를 정한다.
AGENTS.md는 현재의 운영 원칙이다. 작업하기 전에 무엇을 먼저 읽고, 어떤 순서를 지키고, 무엇을 바꾸면 안 되는지 적어 둔 실행 규칙이다.
OPERATOR.md는 이 볼트를 실제로 쓰는 사람의 성향을 적은 문서다. 무엇을 좋아하고 무엇을 싫어하는지, 어떤 결정을 빠르게 내리는지, 어떤 스타일의 결과물을 선호하는지 남긴다.
SESSION_NOTE.md는 세션 세이브 파일이다. 지금 어떤 작업을 하고 있었는지, 무엇을 끝냈고 무엇이 남았는지, 다음에 어디서 이어가야 하는지 적는다.
STARTUP_CONTEXT.md는 다시 열 때 읽는 시작 패키지다. 다음 세션이 들어오면 가장 먼저 봐야 할 것들을 한 파일에 묶어 둔 것이다.
CLAUDE_HANDOFF.md는 다른 AI나 후속 운영자에게 넘길 때 보는 인수인계 문서다. 이 볼트가 왜 이렇게 생겼는지, 어떤 순서로 읽어야 하는지, 어디를 건드리면 안 되는지 적는다.

읽는 순서도 정해 두는 편이 낫다.

먼저 SCHEMA.md를 읽어서 문서 구조와 역할을 잡는다.
그다음 AGENTS.md로 지금 해야 할 일과 하지 말아야 할 일을 본다.
그 다음에는 필요에 따라 OPERATOR.md, SESSION_NOTE.md, STARTUP_CONTEXT.md, CLAUDE_HANDOFF.md를 펼친다.

이렇게 해 두면 운영 문서들은 서로 겹치지 않는다. SCHEMA.md는 설계, AGENTS.md는 실행 규칙, OPERATOR.md는 사람의 성향, SESSION_NOTE.md는 세션의 현재 상태, STARTUP_CONTEXT.md는 재개용 압축본, CLAUDE_HANDOFF.md는 인수인계서다. 역할이 다르니 한 문서가 다른 문서의 일을 대신하지 않는다. 이 분리가 없으면 문서가 늘어날수록 오히려 기준이 흐려진다.

이 문서들이 따로 있는 이유는 단순하다. 자료를 저장하는 규칙과, 그 자료를 운영하는 규칙은 다르기 때문이다. 나는 처음에 이 차이를 얕봤고, 그래서 문서가 많아질수록 오히려 기준이 흐려질 뻔했다. 그런데 운영 md를 따로 빼 두니, 자료는 자료대로 쌓이고 운영은 운영대로 유지되는 구조가 생겼다. 덕분에 세션이 끊겨도 다시 이어받기 쉬워졌고, 다른 LLM이 들어와도 어디부터 읽어야 하는지 분명해졌다.

아예 그림으로 보면 더 쉽다. 스키마 문서에 넣어 둔 구조도도 이런 식이다.

LLM WIki/
├── 01_inbox/        # 아직 정리하지 않은 입구
├── 02_raw/          # 원문 보관 창고
├── 03_my_work/      # 내가 직접 다루는 작업 공간
├── 04_wiki/         # 다시 읽기 좋게 정리한 지식 공간
│   ├── index/       # 안내판과 목차
│   ├── invest/      # 투자 관련 지식
│   └── knowledge/   # 일반 지식
└── 05_personal/     # 생각과 복기 공간

이 그림을 본 뒤부터는 폴더 이름을 외우는 것보다 역할을 이해하는 쪽이 더 중요하다고 느꼈다. 어디에 두느냐가 곧 그 문서의 운명이 되기 때문이다.

이 구조 안에서 각 개념의 자리도 자연스럽게 나뉜다. raw는 01_inbox와 02_raw에서 원문을 받아들이고, wiki는 04_wiki에서 다시 읽기 좋은 형태로 정리된다. 엔티티는 04_wiki/invest/companies나 04_wiki/invest/industries처럼 실제 대상을 두는 자리로 가고, MOC는 04_wiki/index에서 그 대상들을 찾아가게 만드는 안내판이 된다. 태그는 이 모든 폴더에 걸쳐 상태와 성격을 표시하는 공통 표식이고, 05_personal은 그걸 읽고 남긴 내 생각을 적는 공간이다. 이렇게 나눠 두니 문서가 어디서 왔고 어디로 가는지가 훨씬 분명해졌다.

여기에 MOC와 엔티티도 각각 자리를 잡았다. 엔티티는 기업, 산업, 인물처럼 실제로 반복해서 불러야 하는 대상이 들어가는 곳이고, MOC는 그 대상들을 한눈에 훑게 해 주는 큰 지도 역할을 한다. 그래서 엔티티는 04_wiki/invest/companies나 04_wiki/invest/industries처럼 실제 대상을 두는 쪽에 가깝고, MOC는 04_wiki/index처럼 그 대상을 찾아가는 안내판 쪽에 가깝다. 이 배치를 해 두니 “무엇이 대상이고, 무엇이 안내판인지”가 폴더만 봐도 한 번에 보였다.

raw와 wiki를 분리

처음에는 문서를 그냥 한곳에 모아두면 되는지 알았고 열심이 폴더 분류하고, 태그도 열심이 달고 링크도 열심이 달았다. 그런데 실젤 운영하다보면 미묘한 분류의 차이가 분기가 되어 데이터가 거스를수 없을정도로 일관성이 깨저버린다. 실제로 해보면 원문 그대로 두어야 하는 자료와, 다시 읽기 좋게 정리해야 하는 자료는 성격이 달랐다. 그래서 raw와 wiki를 나눴다. raw는 말 그대로 원본 창고에 가깝다. 회의록 원문, 리포트 원문, 기사 원문처럼 손대기 전에 그대로 남겨둬야 하는 자료를 두는 곳이다. wiki는 그 원문을 다시 읽기 쉽도록 정리한 곳이다. 한 번 보고 끝낼 자료가 아니라, 다시 참고하고 다시 연결할 가치가 있는 것들을 모아두는 쪽이다.

이 둘을 나누는 이유는 실용적이다. 원문은 나중에 검증할 때 필요하고, 정리본은 나중에 판단할 때 필요하다. 원문과 정리본이 한곳에 섞여 있으면, 어디까지가 사실이고 어디부터가 해석인지 흐려진다. 반대로 나눠 두면 한쪽은 증거로 남고, 다른 한쪽은 생각을 쌓는 자리가 된다. 이 분리가 있어야 LLM도 더 적은 비용으로 자료를 읽고, 내 판단을 덜 헷갈리게 도와줄 수 있다.

개인 생각과 복기 공간은 왜 따로 두었는가

05_personal은 원문도 아니고, 정리본도 아니다. 여기는 내가 그 자료를 보고 어떻게 느꼈는지, 왜 그렇게 판단했는지, 다음에는 무엇을 다르게 볼지 적는 자리다. 같은 문서를 보고도 어떤 날은 낙관적으로 읽히고 어떤 날은 보수적으로 읽히는데, 그 차이를 남겨두지 않으면 나중에 내가 어떤 논리로 움직였는지 다시 따라가기 어렵다.

이 공간을 따로 둔 이유는 아주 단순하다. raw는 사실을 남기고, wiki는 정리를 남기고, personal은 판단의 흔적을 남긴다. 이 셋이 섞이면 나중에 복기하기 어렵다. 반대로 분리해 두면, “자료 자체가 어땠는가”, “정리하면 무엇이 보였는가”, “나는 그때 왜 그렇게 봤는가”를 각각 따로 볼 수 있다. 투자에서는 이 세 가지가 모두 중요하다. 자료만 있어도 안 되고, 정리만 있어도 안 되고, 내 판단 기록이 없으면 결국 같은 실수를 반복하기 쉽다.

2. 어떻게 구조를 세웠는가

왜 표준화가 필요했는가

처음에는 단순히 옵시디언 안에 투자 위키를 저장할 공간을 설계하는 일부터 시작했다. 그런데 일을 하다 보니 저장공간만 정해서는 부족했다. 그 공간 안에서 쓰일 용어들, 예를 들면 기업명, 산업명, 태그명명규칙, 연결지도를 만드는 규격까지 몽땅 정의해야 했다. 어디에 무엇을 넣는지만 정하면 되는 줄 알았는데, 실제로는 그 안에서 같은 말을 같은 방식으로 쓰게 만드는 일이 더 중요했다.

표준화가 필요한 이유는 단순하다. 같은 기업이 문서마다 조금씩 다른 이름으로 적히면 나중에 다시 찾기 어렵다. 같은 산업이 어떤 곳에서는 회사처럼, 어떤 곳에서는 개념처럼 적히면 연결이 꼬인다. 그래서 기업명 같은 것은 하나의 이름을 기준으로 두고, 그 아래에 여러 별칭을 붙이는 방식이 필요했다. 마치 관계형 데이터베이스처럼 보이지만, 실제로는 훨씬 쉬운 이야기다. “한 가지 대상에는 하나의 표준 이름을 두고, 나머지는 그 이름으로 모이게 한다”는 것이다.

YAML도 같은 이유로 필요했다. YAML은 문서 앞에 붙는 표식이고, 이 표식이 있어야 나중에 LLM이 문서의 성격을 빠르게 알아볼 수 있다. 무엇이 제목인지, 언제 만들어졌는지, 어디서 왔는지, 어떤 상태인지 먼저 알려주는 작은 안내판이라고 보면 된다.

태그와 링크를 구분한 것도 같은 이유다. 태그는 문서가 어떤 분류에 속하는지 보여주는 표시이고, 링크는 실제 대상과 연결하는 줄이다. 예를 들어 #status/active 같은 태그는 이 문서가 지금 살아 있는지, 검토 중인지, 끝난 것인지를 보여준다. 반면 [[삼성전자]] 같은 링크는 이 문서가 실제로 어떤 기업과 연결되는지를 보여준다. 이 둘을 섞어 쓰면 분류와 연결이 헷갈리지만, 나눠 두면 상태와 관계를 따로 볼 수 있다.

태그도 계층 구조가 있어서 설계가 쉽지 않았다. #status/active처럼 상위와 하위 의미를 같이 담는 방식은 편하지만, 계층을 어떻게 자를지, 어디까지 세분화할지, 비슷한 말은 같은 태그로 모을지 아니면 따로 둘지 정해야 한다. 동의어와 계층화가 함께 들어오면 사실상 볼트 설계는 기업의 데이터베이스를 설계하는 일과 크게 다르지 않다. 다만 이걸 데이터베이스 전공자가 아니라 일반인이 직접 고민해야 한다는 점이 생각보다 쉽지 않을것으로 보인다.

명사는 엔티티로, 형용사나 상태는 태그로 두는 원칙도 도움이 됐다. 기업, 산업, 인물처럼 실체가 있는 것은 따로 이름을 가진 대상으로 두고, active, monitoring, upgraded처럼 상태를 나타내는 말은 태그로 둬야 나중에 뒤섞이지 않는다. 이런 감각은 데이터베이스 모델링 책에서 보던 정규화의 기본 원칙과 닿아 있었다. 무엇이 주체이고 어떤것이 대상이고 무엇이 대상의 상태인지 나누는 일이다. 이 원칙을 위키에 가져오니, 문서와 표식의 역할이 훨씬 또렷해졌다.

실제로 이렇게 나눈 사례도 많았다.

엔티티로 둔 것들
- [[삼성전자]], [[SK하이닉스]], [[알지노믹스]]처럼 기업 자체는 엔티티로 두었다.
- [[정유]], [[반도체_메모리]], [[AI_에이전트_결제]]처럼 산업이나 개념도 반복해서 참고할 가치가 있으면 별도 문서로 분리했다.
- [[워렌버핏]], [[홍길동]]처럼 자주 등장하는 인물도 별도 표준명으로 관리했다.
태그로 둔 것들
- #status/active, #status/monitoring, #status/upgraded, #status/closed처럼 문서의 상태를 나타내는 것은 태그로 뒀다.
- #holding/hold, #holding/watch처럼 포트폴리오 상태도 태그로 뒀다.
- #topic/llm_wiki, #writing/blog처럼 문서의 성격을 알리는 값도 태그로 둬서 검색 기준으로 쓸 수 있게 했다.
MOC로 보낸 것들
- MOC_특수상황은 여러 특수 이벤트를 한눈에 보는 큰 지도 역할로 뒀다.
- MOC_에너지섹터는 에너지 관련 기업과 산업 노드를 묶는 안내판 역할로 뒀다.
- MOC_반도체섹터, MOC_바이오섹터, MOC_포트폴리오처럼 여러 문서를 한 번에 훑는 허브는 MOC로 두었다.

엔티티나 YAML을 고치지 않고 버전관리도 느슨하게 두면, 금방 문제가 드러난다는 것도 경험했다. 처음에는 파일 하나만 고치면 끝날 것 같았는데, 실제로는 회사명 하나를 바꾸면 연결된 문서가 줄줄이 흔들리고, YAML 키 하나가 다르면 Dataview 결과가 비거나 엉뚱한 문서가 잡혔다. 어떤 날은 summary를 조금 바꾸는 정도로 끝났지만, 다른 날은 표준명과 별칭, 연결된 MOC와 raw 문서까지 같이 다시 맞춰야 했다. 버전관리가 없었다면 이 수정이 어디서 시작됐고 어디까지 반영됐는지 추적하기 어려웠을 것이다.

이 일을 겪고 나서야 엔티티와 YAML은 단순한 부가 정보가 아니라, 위키 전체를 붙잡는 뼈대라는 걸 분명히 느꼈다. 뼈대가 흔들리면 문서가 많아질수록 오히려 더 불안해진다. 그래서 결국 작은 수정이라도 기록을 남기고, 바뀐 기준을 다시 확인하고, 연결된 문서까지 함께 보는 습관이 필요했다.
그다음 자연스럽게 떠오른 것이 버전관리였다. 구조를 잡는 것만으로는 부족하고, 그 구조가 바뀌었을 때 이전 상태와 비교할 수 있어야 했다.

표준화가 여기서 멈추지 않았던 이유도 비슷하다. 이름을 하나로 맞추는 것으로 끝나지 않고, 같은 대상이 여러 파일로 갈라지지 않게 막아야 했기 때문이다. 회사 엔티티는 하나의 canonical file로 수렴시키고, 산업도 같은 원칙을 적용하고, 사람만 동명이인 예외를 소속과 직함으로 풀어내는 식으로 중복을 줄였다. 그 과정에서 새 리포트가 들어와도 기존 엔티티를 갱신하고 compiled_from만 더하는 방식이 자리를 잡았다. 결국 표준화는 이름 정리보다 중복을 막는 장치였고, 중복을 막아야 다음에 다시 찾을 때 비용이 덜 들었다.

중복을 줄이고 나서는 운영 최적화가 따라왔다. 린터가 vault 전체를 매번 훑는 방식은 파일이 늘수록 비효율이 컸고, 같은 frontmatter를 반복 파싱하는 것도 낭비였다. 그래서 변경분만 보는 흐름으로 옮기고, frontmatter는 캐시를 두고, 공통 정규화는 라이브러리로 묶었다. lint_all.py가 company_sync -> moc_lint -> lint_entity_duplicates 순서를 고정하고, 변경된 경로에 따라 필요한 검사만 선택하는 식으로 바뀐 것도 같은 맥락이다. 속도를 빠르게 하려는 목적도 있었지만, 더 큰 목적은 같은 실수를 반복하지 않게 만드는 데 있었다.

git이 왜 반드시 필요했는가

위키를 운영하다 보면 문서는 계속 바뀐다. 누군가는 문서를 고치고, 누군가는 이름을 바꾸고, 누군가는 연결을 추가한다. 문제는 이런 변화가 쌓이면 “어느 시점에 무엇이 어떻게 바뀌었는지”가 금세 흐려진다는 점이다. 그때 필요한 것이 git이다. git은 문서의 변경 이력을 남기고, 무엇이 언제 바뀌었는지 다시 볼 수 있게 해 주는 기록 장치다.

git은 쉽게 말하면 문서의 타임머신이다. 지금 상태만 보는 것이 아니라, 이전 상태와 비교할 수 있게 해 준다. 누가 무엇을 바꿨는지, 어떤 줄이 추가됐는지, 어디서부터 틀어졌는지를 되돌아볼 수 있다. 처음에는 이게 조금 번거롭게 느껴질 수 있지만, 문서가 많아질수록 오히려 필수에 가까워진다.

위키에 버전관리가 필요한 이유도 여기서 나온다. 위키는 단순한 메모장이 아니라 계속 커지는 운영 시스템이기 때문이다. 엔티티, YAML, MOC, 프롬프트, 스크립트가 서로 연결돼 있으니, 하나를 고치면 다른 곳도 영향받을 수 있다. 버전관리 없이 이걸 다루면, 잘못된 수정이 들어왔을 때 어디서부터 다시 봐야 하는지 알기 어렵다. 반대로 버전관리가 있으면, 문제를 발견했을 때 바로 이전 상태와 비교하고, 안전하게 되돌리고, 수정 이유를 남길 수 있다.

내가 이 시스템을 운영하면서 가장 많이 느낀 것도 결국 이것이었다. 위키는 점점 쌓이고, 연결은 점점 많아지는데, 기록이 없으면 그 복잡도를 감당하기 어렵다. 그래서 git은 선택이 아니라 운영의 바닥에 가까웠다. 문서가 많아질수록 git이 필요한 이유는 더 분명해졌다. 내가 생각한 위키는 결국 “다시 읽히는 문서”여야 했고, git은 그 다시 읽힘을 가능하게 해 주는 안전장치였다.

왜 그렇게 구조와 표준화에 집착했는가

처음에는 나도 구조를 처음부터 너무 세게 잡는 것 아니냐는 말을 들었다. 일단 빨리 시작하고 나중에 다듬어도 되지 않느냐는 조언도 많았다. 하지만 실제로 여러 시스템이 커지는 과정을 보면서, 초반에 대충 시작한 구조가 나중에 얼마나 큰 기술부채가 되는지 여러 번 봤다. 프로젝트가 중반쯤 가면 회의가 늘고, 책임 소재가 흐려지고, 작은 정의 하나를 두고도 고함과 싸움과 암투가 생긴다. 그때는 이미 손대기 어려울 만큼 구조가 얽혀 있다.

나는 내 위키를 그렇게 만들고 싶지 않았다. 이건 남의 프로젝트가 아니라 내 작업 공간이고, 결국 내가 끝까지 써야 하는 시스템이다. 내 껀데, 나는 나와 싸울 수는 없다. 그래서 가능한 모든 경우의 수를 설계 단계에서 최대한 넣으려고 했다. 어떤 이름을 쓸지, 어떤 태그를 쓸지, 어떤 연결은 허용하고 어떤 연결은 막을지, 어떤 문서는 raw에 남기고 어떤 문서는 wiki로 올릴지. 이런 것들을 미리 많이 생각해 두면 나중에 덜 흔들린다.

이 과정에서 Claude와 ChatGPT 5.5의 검수도 받았다. 혼자만의 감으로 밀어붙이면 보이지 않는 빈틈이 남을 수 있기 때문이다. 서로 다른 모델의 관점을 빌려서 구조를 다시 보면, 내가 놓친 부분이나 과하게 복잡한 부분이 더 잘 보였다. 결국 내가 집착한 것은 형식 그 자체가 아니라, 나중에 내가 나를 괴롭히지 않게 만드는 안전한 구조였다. 초반에 시간을 쓰더라도 그 시간이 뒤에 오는 혼란과 충돌을 줄여준다면, 그건 낭비가 아니라 투자라고 봤다.

실제로 역할도 나눠 썼다. Claude는 스키마와 템플릿을 설계하고, 문서 구조를 다듬고, 볼트 안의 엔티티와 MOC 관계를 정리하는 쪽에 강했다. Codex는 파이썬 운영 스크립트와 CLI 자동화, 세션 세이브, 시작 파일 같은 운영 도구를 붙이는 쪽을 맡았다. ChatGPT 5.5는 중간중간 설계 검수와 대안 제시에 도움을 줬다. 같은 문제를 서로 다른 렌즈로 보면, 내가 보지 못한 과잉 복잡성과 빠진 예외가 더 잘 드러났다.

실패 사례도 분명했다. 한번은 한양이엔지 리포트에서 한글이 깨져 보였는데, 처음에는 파일이 망가진 줄 알았다. 실제로는 콘솔 인코딩 문제였지만, 당시에는 파일 자체와 표시 문제가 섞여 보여서 한참 돌아가야 했다. 또 status와 #status/*를 혼용하던 시기에는 MOC 특수상황 쿼리가 비어 보이거나 일부만 잡히는 일이 있었다. 이런 문제를 겪고 나서야 “한 파일만 맞추는 것”이 아니라 “연결된 구조 전체를 맞추는 것”이 훨씬 중요하다는 걸 체감했다.

운영 수치도 남겨두면 감이 더 분명해진다. 첫 1주일 동안 원본 raw 파일은 40개가 넘게 들어왔고, 엔티티는 열 개 이상 새로 만들었다. SCHEMA는 버전 기준으로 여러 차례 손을 봤고, lint도 반복해서 돌렸다. 단순히 파일을 정리한 게 아니라, 정리한 방식이 다시 돌아가는지 확인하는 데 시간을 썼다. 숫자로 보면 번거로워 보일 수 있지만, 이런 숫자가 있어야 운영이 취미가 아니라 시스템이 된다.

그렇게 구조와 기록을 같이 보게 되니, 왜 처음부터 설계를 세게 잡아야 했는지도 더 분명해졌다.

MOC가 뭔가요?

MOC는 처음부터 딱 떨어지게 이해한 개념은 아니었다. 산업 문서는 하나의 주제나 업종을 설명하는 본문에 가깝고, MOC는 그보다 위에서 여러 문서와 엔티티를 한 번에 훑게 해 주는 큰 지도에 가깝다. 산업이 “이건 이런 업종이다”라는 설명이라면, MOC는 “이 업종과 관련된 회사와 사건과 문서를 여기서부터 보자”라고 안내하는 쪽이다.

이걸 데이터베이스로 비유하면 MOC는 view와 비슷하다. 원본 데이터는 따로 있고, 그 위에 자주 보는 관점만 다시 묶어 보여주는 것이다. 실제 문서는 회사별로 흩어져 있어도, MOC에서는 관련된 문서만 한 번에 보이게 할 수 있다. 그래서 MOC는 내용을 새로 만드는 문서라기보다, 이미 있는 문서를 보는 방식이다. 이 비유를 붙이고 나니 산업과 MOC의 차이가 훨씬 선명해졌다. 산업은 정의에 가깝고, MOC는 그 정의를 따라 재구성한 화면에 가깝다.

이 차이를 실제 옵시디언 Dataview와 연결하는 과정도 꽤 오래 걸렸다. 처음에는 산업과 MOC를 비슷한 문서로 보고 함께 묶으려 했는데, 그렇게 하면 같은 대상을 두 곳에서 관리하게 되어 금방 어긋났다. 나중에는 산업 문서는 산업 문서대로 개념을 설명하고, MOC는 Dataview로 여러 파일을 모아 보여주는 안내판 역할만 하게 바꾸었다. 예를 들어 특수상황은 별도 이벤트 문서들을 Dataview로 모으고, 에너지 섹터는 관련 회사와 산업 노드를 함께 보이게 했다. 이 과정을 거치면서 MOC는 내용 자체를 많이 쓰는 문서가 아니라, 이미 쌓인 문서들을 한눈에 꺼내 보게 하는 장치라는 걸 깨달았다.

구현도 한 번에 되지는 않았다. 처음에는 type, status, holding_status 같은 구형 필드를 쿼리에서 직접 읽으면서 시작했는데, 문서가 늘어나자 여기저기서 안 맞기 시작했다. 그래서 최신 SCHEMA 기준으로 content_type과 태그 중심으로 다시 맞추고, _template 같은 제어 문서는 제외하고, 산업과 MOC가 겹치지 않게 역할을 나눴다. 겉으로는 쿼리 몇 줄 바꾸는 일 같아 보여도, 실제로는 문서 구조와 조회 구조를 동시에 다시 짜는 일이었다. 이때 느낀 건, MOC는 단순 목차가 아니라 볼트 전체의 탐색 규칙이라는 점이었다. 규칙이 흔들리면 지도도 흔들리고, 지도가 흔들리면 아무리 좋은 문서가 있어도 다시 찾기 어렵다.

왜 파이썬 운영모드가 필요한가

LLM(AI)로 옵시디언 위키 볼트를 운영하려면, 단순히 글을 쓰는 것만으로는 부족하다. 파일을 읽고, 이름을 바꾸고, 원문을 분류하고, 엔티티를 갱신하고, MOC를 다시 묶는 일은 결국 반복 작업이다. 이 반복 작업을 손으로만 하면 오래가기 어렵고, 같은 실수를 다시 하게 된다. 그래서 파이썬 운영모드가 필요했다. 파이썬은 이런 반복 작업을 한 곳에 모아서 다룰 수 있고, 경로 처리나 인코딩 같은 자잘하지만 자주 깨지는 문제를 공통 규칙으로 묶을 수 있다.

실제로는 ops/_shared.py 같은 공통 라이브러리를 두고, moc_lint, inbox_ingest, company_sync 같은 스크립트가 그 공통 규칙을 같이 쓰게 만들었다. 그 전에는 같은 경로를 각 스크립트가 조금씩 다르게 다뤄서, 어떤 날은 한글이 깨지고 어떤 날은 상대경로가 틀어졌다. 공통 라이브러리를 두고 나서야 경로와 인코딩, 로그 형식을 한 번에 고정할 수 있었다. 작은 스크립트 하나가 아니라, 반복 실수 전체를 줄이는 구조를 만든 셈이다.

왜 CLI가 더 적합한가

위키 운영은 눈으로 예쁘게 보는 일보다, 규칙대로 자동으로 돌리는 일이 더 많다. GUI는 편하지만, 운영 흐름을 자꾸 끊고 수동 확인을 늘린다. 반대로 CLI는 명령 하나로 같은 절차를 다시 돌릴 수 있고, 시작 파일과 세션 세이브와도 잘 맞는다. 내가 만든 START_LLM_WIKI.bat 같은 시작 파일도 결국 CLI 흐름 위에서 가장 잘 작동한다. 다시 말해, 위키를 꾸미는 데는 GUI가 편하지만, 위키를 운영하고 유지하는 데는 CLI가 훨씬 안정적이다.

그래서 START_LLM_WIKI.bat와 ops 루틴이 필요했다. 시작 파일은 다시 들어왔을 때 어디부터 읽고 어디서부터 이어갈지를 정해 주는 입구이고, ops 루틴은 반복 작업을 정리하는 작업대다. 둘이 함께 있어야 위키가 단순한 폴더가 아니라, 다시 시작할 수 있는 운영 환경이 된다. 나는 이 구조가 있어야 LLM이 매번 새로 시작하지 않고, 이전 세션의 맥락을 받아서 같은 방식으로 움직일 수 있다고 봤다.

세션 세이브와 시작 파일은 왜 만들었는가

LLM은 세션을 내리면 그동안의 작업 기억이 모두 날아가기 때문에, 맥락을 유지하는 방식에 대한 고려가 처음부터 필수였다. 이 문제를 풀지 않으면, 아무리 많은 문서를 쌓아도 다음에 다시 들어왔을 때는 결국 처음부터 다시 설명해야 한다. 그래서 단순한 저장이 아니라, 다음 세션이 바로 이어받을 수 있는 구조를 만드는 일이 작업의 핵심 중 하나가 되었다.

여기에 더해서, 다시 열었을 때 전의 작업을 바로 이어갈 수 있도록 게임 세이브 같은 장치도 만들었다. SESSION_NOTE.md에는 그때까지의 운영 맥락과 남은 작업을 적어두고, STARTUP_CONTEXT.md에는 시작할 때 읽어야 할 핵심 정보를 모아두었다. 그리고 START_LLM_WIKI.bat 같은 시작 파일을 통해 아예 실행하자마자 그 맥락을 다시 불러오도록 했다. 단순히 파일을 여는 것이 아니라, 이전 세션에서 멈춘 자리까지 다시 데려오는 장치에 가깝다.

이 구조를 만든 이유도 결국 같았다. LLM은 화면을 닫는 순간 기억이 사라지기 때문에, 사람이 “아까까지 여기 했지”라고 말해 줘야만 이어갈 수 있다. 그런데 그 말을 사람이 매번 길게 다시 하면 비효율적이니, 그 역할을 파일이 대신 하게 한 것이다. SESSION_NOTE는 진행 중인 저장 슬롯이고, STARTUP_CONTEXT는 다시 시작할 때 읽는 안내문이다. 이렇게 나누면 현재 상태와 재개 지점이 분리돼서 훨씬 안정적으로 이어받을 수 있다.

왜 문서 유형별 프롬프트를 나눴는가

처음에는 LLM에게 그냥 “잘 정리해 줘”라고만 시키면 되는 줄 알았다. 그런데 실제로 돌려보니 회의록, IR, 콥데이, 브로커 리포트, 신약 발굴 자료는 각각 필요한 정보의 결이 달랐다. 어떤 문서는 발표자와 질의응답이 중요하고, 어떤 문서는 숫자와 목표주가가 중요하고, 어떤 문서는 파이프라인과 임상 단계가 중요하다. 하나의 프롬프트로 다 처리하려고 하면 결국 너무 밋밋해지거나, 반대로 너무 장황해져서 쓸모가 떨어졌다.

그래서 문서 유형별로 프롬프트를 따로 만들었다. 바이오/제약 IR은 파이프라인과 사업화 전략을 중심으로, 신약 발굴 자료는 타깃과 소싱, 임상 단계와 라이선스 구조를 중심으로, 증권사 리포트는 숫자와 투자 논리, 리스크와 시나리오를 중심으로 따로 다루게 했다. 같은 “요약”이라도 무엇을 살리고 무엇을 뒤로 보낼지가 달라야 했다.

이 작업을 하면서 느낀 건, 프롬프트는 단순한 명령문이 아니라 문서를 읽는 습관을 만든다는 점이었다. 어떤 항목을 먼저 보게 할지, 어떤 표현을 오래 유지할지, 무엇을 절대 생략하지 말아야 할지가 결국 프롬프트 안에 들어간다. 그래서 프롬프트를 잘 만든다는 건 LLM에게 일을 시키는 게 아니라, 내가 원하는 읽는 방식과 쓰는 방식을 미리 합의해 두는 일에 가까웠다.

또 하나 중요한 건, 프롬프트도 한 번에 완성되는 게 아니었다는 점이다. 처음 만든 문장은 자주 너무 축약됐고, 때로는 해상도가 낮았고, 때로는 사용자 의도를 너무 뭉개버렸다. 그래서 프롬프트를 고친다는 것은 단순히 문장을 바꾸는 일이 아니라, 어떤 정보가 중요하고 어떤 정보는 덜 중요하게 다룰지를 계속 조정하는 일이었다. 이 과정이 쌓이면서 문서 유형별로 다른 기준을 두는 이유가 더 분명해졌다.

3. 무엇을 다듬고 배웠는가

결국 무엇을 배웠는가

가장 크게 배운 건, 위키는 문서 저장소가 아니라 운영 체계라는 점이다. 자료를 많이 쌓는 것보다 중요한 건, 자료가 쌓였을 때 다시 읽히는 구조를 만드는 것이다. 그 구조가 없으면 아무리 많은 파일이 있어도 결국 다시 처음부터 찾게 된다.

또 하나 배운 건, 자동화는 사람을 대체하는 게 아니라 사람의 반복 실수를 줄이는 장치라는 점이다. 내가 자주 틀리는 부분은 생각보다 뻔했다. 경로, 인코딩, 이름 규칙, 상태 표기, 쿼리 조건 같은 것들이다. 이건 재능보다 습관의 문제에 가깝다. 그래서 반복 실수를 로그로 남기고, 그 로그를 바탕으로 스크립트와 규칙을 다듬는 방식이 맞았다.

마지막으로, 설명의 난이도가 중요하다는 것도 배웠다. 이 문서는 나만 읽는 메모가 아니라 나중에 다시 읽어도 이해가 돼야 하는 운영 기록이다. 그래서 비전공자도 흐름을 따라갈 수 있도록 쉬운 말과 전문 용어를 섞는 비율을 계속 조정하고 있다.

결국 내가 만들고 싶은 것은 단순한 아카이브가 아니다. 시장에서 보고 들은 것들을 쌓아두는 창고가 아니라, 그 자료들이 다시 판단으로 돌아오는 통로가 필요했다. 위키는 그 통로를 만들기 위한 장치이고, 스키마와 태그와 엔티티와 MOC는 그 통로를 막히지 않게 하는 부품이다. 처음에는 다소 복잡해 보였지만, 지금은 이 구조가 있어야 투자 판단이 더 적은 비용으로, 더 일관되게 돌아갈 수 있다는 생각이 분명해졌다.

그래서 이 작업은 단순히 문서를 정리하는 일이 아니었다. 나중에 다시 들어와도 같은 기준으로 읽히고, 같은 기준으로 연결되고, 같은 기준으로 다시 판단할 수 있게 만드는 일이었다. 그게 바로 LLM 위키를 만들며 내가 얻은 가장 큰 수확이다.

이 블로그용 기록문서는 어떻게 남길 것인가

이 문서는 단순한 일지로 끝내고 싶지 않았다. 처음에는 운영 기록을 남기기 위한 메모에 가까웠지만, 지금은 그 과정을 블로그 글로도 읽을 수 있어야 한다고 생각한다. 그래서 업데이트를 적더라도 시스템 로그처럼 건조하게 나열하지 않고, 어떤 문제를 만났는지와 왜 그런 선택을 했는지까지 함께 적고 있다.

앞으로도 이 문서는 계속 쌓일 것이다. 다만 쌓는 방식은 무작정 항목을 늘리는 것이 아니라, 하나의 변화가 왜 필요했는지, 그 변화가 어떤 문제를 풀었는지, 그리고 그 과정에서 내가 무엇을 배웠는지를 남기는 방식이 될 것이다. 이렇게 남겨야 나중에 다시 읽었을 때 단순한 작업 목록이 아니라, 실제 운영 경험이 살아 있는 글이 된다.

업데이트 기록

2026-04-30

공통 라이브러리를 두고 반복 작업을 한 곳에서 돌리기 시작했다. 처음에는 파일마다 조금씩 다르게 적혀 있던 경로 처리와 UTF-8 설정이 계속 문제를 만들었는데, 이제는 시작점에서 아예 고정해 두는 방식으로 바꿨다. 덕분에 같은 오류를 계속 다시 보던 일이 줄어들었다.

같은 날 SCHEMA_v2.9 기준도 따로 고정했다. 이 작업은 겉으로 보면 버전 숫자 하나를 올린 것 같지만, 실제로는 앞으로 어떤 규칙을 기준으로 위키를 운영할지 다시 박아두는 일이었다. 문서가 많아질수록 기준이 흔들리는 순간부터 정리가 아니라 혼선이 되기 때문에, 이런 기준 고정은 운영의 바닥 작업에 가깝다.

또 연구과제.md에는 짧은 단기 과제를 넣었다. 3일 안에 해야 할 일과 상반기 동안 계속 다듬어야 할 프롬프트 작업을 나눠 적으면서, 지금 당장 손댈 것과 시간을 두고 볼 것을 구분했다. 이 구분을 해두니 위키 운영이 덜 즉흥적이 되었다.

가장 체감이 컸던 건, 반복 오류를 그때그때 고치는 방식에서 벗어나 공통 규칙과 공통 스크립트를 두는 방식으로 넘어간 점이다. 이건 단순히 코드를 정리한 것이 아니라, 내가 자꾸 틀리는 지점을 시스템이 대신 잡아주게 만든 것이다. 그 뒤로는 같은 종류의 실수를 줄이는 방향이 훨씬 선명해졌다.

같은 흐름에서 회사, 산업, 사람 엔티티를 중복 없이 관리하는 규칙도 더 분명해졌다. 회사와 산업은 하나의 canonical file로 수렴시키고, 사람은 동명이인 예외를 소속과 직함으로 풀어내는 방식으로 정리했다. 그 결과 lint_all.py가 변경분 중심으로 필요한 검사만 고르도록 바뀌었고, frontmatter 캐시와 공통 정규화도 함께 들어갔다. 이 작업은 눈에 잘 띄는 기능 추가는 아니었지만, 운영 비용을 줄이는 데는 꽤 큰 차이를 만들었다.

2026-04-29

투자 문서를 다시 읽고 다시 연결할 수 있게 하는 구조가 실제로 필요하다는 걸 확인했다. 특히 회의록, 브로커 리포트, 특수상황, 회사 엔티티, 산업 설명이 따로 놀면 나중에 판단이 약해진다. 그래서 문서를 저장하는 방식보다 연결하는 방식에 더 신경을 쓰기 시작했다.

이후에는 MOC와 산업 노드를 분리하는 기준을 계속 다듬었다. 처음에는 둘이 비슷해 보였지만, 실제로는 역할이 달랐다. 이 차이를 분명히 해두지 않으면 같은 내용을 여러 곳에서 관리하게 되고, 그러면 유지보수가 급격히 어려워진다.

마지막으로, 블로그용 기록 문서도 시스템 로그가 아니라 회고문처럼 읽히도록 방향을 바꿨다. 이 문서는 나중에 내가 다시 읽어도, 그때 왜 이런 구조를 만들었는지가 보이도록 남겨야 한다고 판단했다.

LLM 프롬프트 강의-해상도와 페르소나

cocon — Sun, 26 Apr 2026 13:13:37 +0900

좋은 강의노트는 두 개의 축으로 만들어진다 — 해상도와 페르소나

같은 강의를 들어도 누구는 "한 줄 트윗"으로 남기고, 누구는 "40페이지 복기 노트"로 남긴다. 둘 다 좋은 노트일 수 있다. 차이를 만드는 건 두 가지다 — 얼마나 자세히 적느냐(해상도), 그리고 누구의 시선으로 적느냐(페르소나).

LLM에게 강의노트를 시킬 때 사람들이 가장 많이 하는 실수는 이 둘을 뭉뚱그려 던지는 것이다. "잘 정리해줘"는 LLM 입장에서 해상도도 모호하고 페르소나도 비어 있는 명령이다. 결과물은 평균값으로 수렴한다 — 즉 누구에게도 특별히 유용하지 않은 노트가 나온다.

이 글은 그 두 축을 분리해서 보고, 다시 결합해서 활용하는 방법을 정리한다.

1부 — 해상도(Resolution): 얼마나 자세히 적을 것인가

해상도는 원본 정보를 얼마나 보존하느냐의 척도다. 이미지로 치면 4K냐 썸네일이냐의 문제고, 데이터로 치면 raw log냐 일별 집계냐의 문제다. 강의노트에는 다섯 단계가 자연스럽게 존재한다.

1.1 다섯 단계 스펙트럼

레벨	명칭	대표 프롬프트 문구	분량 감각
1	극압축	`핵심만 한 줄로`, `결론만`, `TL;DR`	1줄
2	요약	`요점만 간추려`, `핵심 포인트 위주로`	3~5줄
3	표준 정리	`주요 내용을 정리해`, `핵심 논지와 근거를 정리해`	골격 + 살 약간
4	상세 정리	`풍부한 내용으로`, `맥락정보를 넣어`, `현장의 생생함을 살려`	인용·맥락·강사 어조 포함
5	무손실	`빠짐없이`, `축약 없이`, `전사 수준으로`	추임새·강조어·논리 흐름까지 보존

실무 권장: 레벨 4가 가독성·정보량 균형이 가장 좋다. 복기·재학습용은 레벨 5, 빠른 리뷰용은 레벨 2~3.

1.2 해상도 보조 수식어 — 단독으로 쓰지 말 것

해상도 단어 하나만 던지면 LLM은 추정에 의존한다. 다음 세 축의 보조 수식어를 곁들이면 출력이 명확해진다.

생생함 축: 강사의 어조와 뉘앙스를 보존해, 구어체 표현을 그대로 살려, 추임새도 유지해
맥락 보강 축: 맥락정보를 넣어, 왜 그 말을 했는지 행간을 살려, 배경 설명을 덧붙여
인용·근거 축: 중요한 내용은 인용문(>)으로 강조해, 숫자·고유명사·날짜는 원문대로 보존해

"빠짐없이"라는 한 단어만 쓰면 LLM은 사실은 보존하지만 어조는 평탄화한다. "빠짐없이 + 강사의 어조 보존 + 숫자 원문 유지" 식 삼중 수식이 무손실 노트의 표준 처방이다.

1.3 한 단락에 다섯 해상도를 적용한 비교 예시

원본 강의(가정): 강사가 "엔비디아 시총 4조 달러는 거품이 아니다, 다만 하이퍼스케일러 4사 집중도 리스크는 조심해라"고 말한 단락.

레벨 1: "엔비디아는 거품 아니지만 하이퍼스케일러 4사 집중도 리스크 주의."
레벨 2: "P/E 35배(시스코 200배 대비 합리적), 매출 두 자릿수 성장. 단, 매출 40%+가 MS·구글·메타·아마존에 집중 → 1개사 캡엑스 컷 시 -30%."
레벨 3: 헤더와 두 개의 하위 항목(밸류에이션 / 리스크)으로 골격화한 정리.
레벨 4: 인용문(>)으로 핵심 워딩 보존, 닷컴버블·시스코 비교 맥락 행간 보강, 강사가 톤을 높인 지점("다만!") 표시.
레벨 5: 강사의 도입부 추임새("자, 오늘 제일 중요한 얘기를 하나 할게요"), 청중 환기용 확인 질문("시총 4조 달러를 넘었죠?"), 반전 접속사("다만!"), 클로징("이거 꼭 기억하세요")까지 모두 보존.

같은 사실을 담아도 레벨 1과 레벨 5는 재활용 가능성이 다르다. 레벨 1은 트윗·결재 한 줄용, 레벨 5는 6개월 뒤 복기·인용·재학습용. 목적이 노트의 해상도를 결정한다.

2부 — 페르소나(Persona): 누구의 시선으로 적을 것인가

페르소나는 노트의 저자(author)와 독자(reader)를 정의한다. 같은 강의·같은 해상도라도 페르소나가 바뀌면 결과물의 강조점·어휘·구조가 모두 달라진다.

2.1 페르소나가 영향을 주는 다섯 영역

(1) 정보의 취사선택 — 무엇을 "중요하다"고 판단할지

베테랑 투자자: 밸류에이션 비교(P/E 35배 vs 200배), 집중도 리스크를 핵심으로 포착
MBA 학생: 분석 프레임워크 자체(어떻게 P/E를 비교했는가)를 핵심으로 포착
경제 기자: 인용 가능한 워딩, 시장에 미칠 함의를 핵심으로 포착
개인 투자 입문자: "그래서 사야 하나"의 결론과 행동 지침을 핵심으로 포착

페르소나는 필터가 아니라 조명이다. 같은 강의에 어디를 비추느냐가 바뀐다.

(2) 어휘와 추상화 수준

베테랑: "캡엑스 컷 → 주가 -30%" (약어·전문용어 그대로)
일반 청중: "캡엑스(자본지출)를 줄이면…" (풀어 씀)
퀀트: "고객 집중도 HHI 지수가 높아 매출 베타가 단일 고객사 캡엑스 사이클에 노출"

페르소나가 노트의 어휘 사전을 결정한다. 단순 번역이 아니라 사고의 깊이를 좌우하는 문제다.

(3) 행간 보강 — 어떤 맥락을 채울지

레벨 4~5에서 "맥락정보를 넣어"라고 지시했을 때, 채워지는 맥락의 종류 자체가 페르소나에 따라 달라진다.

베테랑 투자자 → "1999년 시스코 시총 5,000억 → 2002년 1,000억, 80% 폭락" (역사적 데이터)
신입 애널리스트 → "P/E란 주가/주당순이익의 비율로…" (개념 정의)
거시 전략가 → "2000년 연준 금리 인상 사이클이 닷컴 거품 붕괴 트리거였다" (거시 환경)

페르소나는 빈 칸을 채우는 사전이다. 강사가 안 한 말도 페르소나가 자연스럽게 보강한다.

(4) 인용문 선정

>로 뽑을 문장이 페르소나에 따라 달라진다.

투자자 → "이 중에 한 곳만 캡엑스 줄여도 주가는 30% 빠질 수 있어요" (리스크 시나리오)
교육자 → "왜냐하면요, 2000년 닷컴버블 때 시스코는…" (논증 구조)
저널리스트 → "저는 이게 거품이라고 보지 않습니다" (단언 워딩)

(5) 노트의 구조와 흐름

투자자: 결론(투자 판단) → 근거 → 리스크 순으로 재구조화
연구자: 가설 → 데이터 → 검증 → 한계
실무자: 실행 가능한 액션 아이템 중심

2.2 페르소나가 영향을 주지 말아야 할 영역

페르소나가 강해질수록 위험해지는 영역이 있다. 이 경계를 지키는 게 좋은 노트의 철칙이다.

사실(Fact) 그 자체: 강사가 말한 숫자·고유명사·날짜는 페르소나와 무관하게 원문 보존. "투자자라면 이 정도는 알 텐데" 하며 누락하거나, "초보자에겐 어렵다"며 빼는 순간 노트가 왜곡된다.
강사의 원문 워딩(레벨 5에서): 무손실 해상도에서는 페르소나가 편집권을 가지면 안 된다. 페르소나는 "어떻게 정리하느냐"에 작용하고, "무엇을 빼느냐"에 작용해선 안 된다.

무손실 ≠ 무페르소나. 페르소나는 구조와 강조에 작용하고, 사실과 원문은 건드리지 않는다.

2.3 저자 페르소나 vs 독자 페르소나 — 둘 다 정의하라

대부분의 사람이 페르소나 = 저자(누가 적는가)만 생각한다. 하지만 출력 품질을 한 단계 더 올리려면 독자(누구에게 적어주는가)도 같이 정의해야 한다.

"베테랑 투자자가 본인 복기용으로 적는 노트" → 약어·암묵지 가득, 전문 어휘 무제한
"베테랑 투자자가 30대 자산운용사 주니어에게 전수하는 노트" → 약어 옆 짧은 해설 병기, "내가 1998년에 비슷한 걸 봤는데…" 식 경험 행간 보강
"베테랑 투자자가 3년 뒤 미래의 자기 자신에게 적는 노트" → 당시 시장 분위기·자기 감정·왜 그렇게 판단했는지 메타 정보 포함

같은 저자 페르소나라도 독자가 누구냐에 따라 어휘 밀도·해설 분량·메타 정보가 달라진다. 저자×독자 = 페르소나 매트릭스다.

3부 — 두 축의 상호작용

해상도와 페르소나는 독립 변수처럼 보이지만, 실제로는 흥미로운 상호작용을 한다.

3.1 해상도가 낮을수록 페르소나의 영향력이 커진다 (역설)

해상도	페르소나 영향력	이유
레벨 1 (극압축)	매우 큼	한 줄로 줄일 때 무엇을 남길지가 페르소나의 가치관에 100% 의존
레벨 2 (요약)	큼	어떤 포인트를 "주요"로 볼지 페르소나가 결정
레벨 3 (표준)	중간	구조화 방식과 헤더 명명에 작용
레벨 4 (상세)	큼	맥락 보강 사전이 페르소나에서 나옴
레벨 5 (무손실)	작음	사실 보존이 우선, 페르소나는 구조와 강조에만 작용

정보를 압축할수록 "무엇을 남기느냐"의 주관이 개입할 여지가 커진다. 레벨 1 노트는 사실상 페르소나의 선언문에 가깝다.

3.2 페르소나가 강할수록 낮은 해상도로도 충분해진다

페르소나가 명확하면 LLM은 압축 과정에서 "이 사람이라면 무엇을 남길까"를 정확히 추론한다. 즉 페르소나가 강할 때는 레벨 3로도 레벨 4 수준의 유용성이 나온다. 반대로 페르소나가 비어 있으면 레벨 5로 적어도 평탄한 노트가 된다.

페르소나는 해상도의 효율을 높이는 압축 알고리즘이다. 같은 분량으로 더 많은 의미 밀도를 담는다.

3.3 두 축의 결합 매트릭스 — 5×N

                  페르소나(저자×독자)
                  ─────────────────────────────
                  본인 복기용 │ 후배 전수용 │ 외부 보고용
        ─────────┼──────────┼──────────┼──────────
레벨 1   │ 극압축  │ 메모     │ 카톡 한 줄 │ 임원 결재
레벨 2   │ 요약    │ 일일 일지 │ 1on1 자료 │ 임원 브리핑
레벨 3   │ 표준    │ 주간 정리 │ 교육 자료 │ 부서 공유
레벨 4   │ 상세    │ 월간 복기 │ 멘토링 노트│ 백서 초안
레벨 5   │ 무손실  │ 분기 복기 │ 전수 매뉴얼│ 공식 의사록

강의노트를 만들기 전에 이 매트릭스에서 자기가 어느 셀에 있는지 한 번만 짚고 가도 결과물이 달라진다.

4부 — 실전: 좋은 강의노트 프롬프트의 구조

이상의 두 축을 통합하면, 좋은 강의노트 프롬프트는 다음 다섯 슬롯으로 구성된다.

4.1 다섯 슬롯 템플릿

저자 페르소나 — "너는 [경력/전문성/관점]을 가진 [직역]이다"
독자 페르소나 — "이 노트는 [누구]가 [언제/어떤 상황에서] 보기 위한 것이다"
해상도 지정 — 레벨 명시 + 보조 수식어 3축(생생함·맥락·인용)
구조 지시 — 헤더 계층, 인용문 규칙, 불릿 깊이 등 형식
불변 영역 명시 — "사실/숫자/고유명사/원문 워딩은 페르소나와 무관하게 보존"

4.2 빈약한 프롬프트 vs 통합 프롬프트 비교

빈약한 프롬프트 (자주 보는 패턴)

"이 강의 잘 정리해줘"

→ 페르소나 비어 있음, 해상도 모호, 구조 지시 없음. 결과: 평균적이고 무색무취한 요약.

통합 프롬프트 (다섯 슬롯 적용)

"너는 한국시장 20년·미국시장 20년 경력의 베테랑 글로벌 투자자다(저자). 이 노트는 3년 뒤의 너 자신이 분기 복기를 위해 다시 펼쳐볼 자료다(독자). 빠짐없이 기록하되, 강사의 추임새·강조어·반전 접속사를 보존하고(생생함), 닷컴버블·2008·2020 등 과거 사이클과의 유사·차이를 행간에 보강하며(맥락), 핵심 워딩은 > 인용으로 강조한다(인용). 4단계 헤더 계층(#/##/###/-)을 쓰되, 강의와 패널토론은 별도 장으로 분리한다(구조). 강사가 말한 숫자·고유명사·날짜는 페르소나의 판단과 무관하게 원문 그대로 보존한다(불변 영역)."

→ 다섯 슬롯이 모두 채워져 있어, LLM이 추정에 의존할 여지가 거의 없다.

4.3 체크리스트 — 프롬프트를 보내기 전 한 번만 점검

저자 페르소나가 한 줄로 정의되었는가?
독자 페르소나(누구를 위한 노트인지)가 명시되었는가?
해상도 레벨이 1~5 중 어디인지 명확한가?
보조 수식어 3축(생생함·맥락·인용)이 채워졌는가?
헤더 계층·인용문 규칙 등 구조가 지정되었는가?
불변 영역(사실·원문)이 명시되었는가?

여섯 항목 중 네 개 이상 비어 있으면 결과물이 평탄해진다. 다섯 개 이상 채우면 LLM 추정 폭이 좁아져 출력이 안정된다.

마무리 — 노트는 자기 자신과의 대화다

강의노트는 강사의 말을 옮기는 작업이 아니라, 강사의 말을 자기 안으로 번역하는 작업이다. 해상도는 그 번역이 얼마나 촘촘한지를 정하고, 페르소나는 그 번역이 누구의 사전으로 이루어지는지를 정한다.

좋은 노트는 6개월 뒤·3년 뒤의 자신과 만나는 약속이다. 그때의 자기가 펼쳐 보고 "아, 그때 내가 이걸 이렇게 봤구나"라고 고개를 끄덕일 수 있어야 한다. 해상도와 페르소나를 의식하는 순간, 노트는 정보의 저장소에서 사고의 타임캡슐로 격이 올라간다.

LLM 시대의 묘미는 이 두 축을 자유자재로 조정할 수 있다는 점이다. 같은 강의를 레벨 5 무손실 본인 복기용으로 한 번 뽑고, 레벨 2 후배 전수용으로 한 번 더 뽑는 데 비용이 거의 들지 않는다. 하나의 강의에서 여러 노트를 만드는 것 — 그게 LLM 시대 강의노트의 새로운 표준이다.

구글이 검색시장을 뒤집던 시절

cocon — Sat, 25 Apr 2026 11:00:14 +0900

구글이 검색시장을 뒤집던 시절

2003년 구글을 처음 썼었는데 2010년중반까지 구글은 계속 성장했고 주가도 아시다시피 많이 올랐습니다. 2003년경에 야후나 알타비스타가 검색시장을 장악하고 있었지만 구글은 검색알고리즘을 혁신하고, 사람이 검색해서 자료를 수집하는방식(야후), 단순히 많은 검색결과를 빠르게 나열(알타비스타)의 방식을 밀어냈습니다.

페이지랭크라는 연결수가 많은 사이트를 상위에 올려서 검색 품질을 향상시켰었죠. 구글은 검색엔진 사업에서 두 가지 혁신을 했습니다. 하나는 앞서 이야기했던 검색알고리즘의 혁신, 또하나는 인터넷 광고의 혁신이었습니다. 누가 클릭을 몇 번 했는지 어떤 사이트에 어떤 광고를 달면 되는지 추적해서 정밀하게 기업의 핀포인트 마케팅을 가능하게 했습니다. 거기에 유튜브를 인수해서 전세계 동영상 플랫폼을 천하통일 하는데 성공했습니다. 모바일에서는 안드로이드, 크롬브라우저로 전세계 인터넷의 어지간한 공개된 데이터는 모두 구글의 것이 되었습니다.

검색엔진의 역사와 AI의 현재를 비교해 볼때, 지금은 검색엔진이 더 끝내주는 검색성능으로 사용자들을 끌어모으는 단계와 비슷하다고 생각합니다. 엄청나게 많은 웹페이지를 하나하나 찾아서 원하는 정보를 빨리 찾고싶어하는 고객의 문제를 해결해주는 단계입니다. 문제는 이 서비스를 구축하고 운영하는 대가로 누군가 사용료를 내 주어야 한다는 것입니다. 플랫폼 비즈니스에서 가장 어렵다고 생각하는 단계는 이 사용료를 누구에게, 얼마나 내게 하느냐라고 생각합니다. 구글은 광고주에게서 돈을 받았습니다. 오라클은 락인된 기업들에게서 돈을 연간단위로 '갈취'했습니다. (다음은 한메일 서비스 사용자에게 우표를 팔려고 하다가 날개가 부러지는 치명상을 입었습니다.)

'누구의 지갑에서 돈을 가져올 것인가?'

혁신 다음은 무엇을 할 수 있느냐가 아니라 사용료를 누구에게 내게 할 것인가입니다. 새로운 혁명은 두가지가 필요합니다. 하나는 무엇인가 할 수 없던것을 할 수 있게 하거나, 어려운일을 쉽게 만드는 것입니다. 또 하나는 구매자를 찾아내서 돈을 내게 하는 것입니다. 대부분의 혁신 사업가들은 전자의 기술에서 답을 찾아내지만 후자에서 실패하곤 합니다.

"그런데, 인공지능으로 재밌는 사진 만드는거 말고 뭘 할 수 있을까?"라는 단계는 인터넷으로 남들이 만든 홈페이지 돌아다니는 재미는 있지만 그 이상 뭔가 할 수 있다고 해도 그것을 누구에게 얼마나 돈을 받을 수 있는가는 다른 문제이기 때문입니다. 클로드가 코딩을 자연어로 엄청나게 빠르게 할 수 있다는걸 입증하면서 한 달에 십만원 넘는 요금제를 파는데 성공하고 있습니다. 개인 개발자가 월 2~3만원씩 내고 있고, 이미 기업용 라이선스는 그 몇 배를 받고 있습니다. 결국 이 돈은 기업이 내게 됩니다. 개발자 10명이 하던 일을 3명이 하게 되면 기업 입장에서는 AI 라이선스 비용이 인건비보다 훨씬 쌉니다. 구글이 광고주에게 "당신의 광고비가 얼마나 효율적인지 숫자로 보여드립니다"라고 했던 것처럼, AI는 기업에게 "당신의 개발비용이 이만큼 줄었습니다"를 보여주게 될 겁니다.

생산성 향상이 없는 기술은 메타버스처럼 구호에서 끝나지만, 실제로 돈을 아껴주는 기술에는 기업이 돈을 내게 될 것입니다. 인공지능의 에이전트의 생산성향상은 천재든 둔재든 모든 개발자가 수작업으로 한땀한땀 입력하는 전통적인 개발의 근본을 바꾸고 있다고 생각합니다. 구글이 2003년부터 2010년 중반까지 계속 성장했던 것처럼, AI도 지금 그 초반에서 돈을 버는 방법을 발견한 초입에 있다고 봅니다. 구글이 검색엔진을 혁신했던 때는 검색량이 늘어도 막대한 인프라 투자가 '덜' 필요했지만 지금은 컴퓨팅 파워가 곧 더 많은 반도체와 전력소모를 강요하는 때라는 점이 전과 다른 점이겠습니다.

앞으로 주식 비중을 어떻게 가져갈까

바텀업의 핵심은 밸류에이션이고, 탑다운의 핵심은 돈이 어디로 가는가라고 생각합니다.

그래서, 반도체 IT를 다 팔지는 않고 있습니다. 호르무즈 봉쇄로 에너지 비용이 올라가면 AI 인프라 투자가 위축될 수 있다는 우려가 있지만, 오히려 그게 에너지 생산-운송의 Capex여력을 끌어올리고 있다는 점이 좀 길게 본다면 에너지 섹터에 대한 투자는 AI에 대한 우회투자라고 봐도 되는 이유라 생각합니다. 에너지와 인플레이션관련 파생아이디어가 포트의 한 축이고, AI '생산성'이 다른 한 축입니다. 반도체는 삼전하이닉스 모두 증설 국면에 들어갔기 때문에 완제품보다 소재·부품 쪽을 남겨두었고, (대체)에너지는 실제 매출과 마진이 올라가기보다 멀티플이 먼저 올라가는 단계라고 보고 있습니다.

The Evolution of Data Technologies and the Paradigm Shift in Intelligent Personal Knowledge Management (PKM) Architectures

cocon — Mon, 23 Feb 2026 03:25:55 +0900

Introduction: The Contextualization of Knowledge and the Historical Trajectory of Data Management Paradigms

The history of human knowledge management is fundamentally a chronicle of evolving mediums and structures designed to record, store, and retrieve information within precise contexts. Originating from rudimentary physical ledgers and linear filing cabinets, data management underwent a monumental transformation with the advent of computing in the mid-20th century. This transition to digital databases has recently reached a critical inflection point, propelled by cloud computing and Artificial Intelligence (AI). A compelling observation is that the evolutionary trajectory of enterprise-grade database technologies—engineered to process massive volumes of corporate information—runs remarkably parallel to the generational advancements in Personal Knowledge Management (PKM) applications used by individuals.

In the face of an unprecedented information explosion, modern knowledge workers demand capabilities that transcend mere text aggregation; there is a critical imperative for "Context-based Classification and Linking." While legacy databases and first-generation note-taking applications functioned as flat repositories that isolated information into disconnected silos, contemporary systems are evolving into expansive artificial neural networks capable of comprehending and intelligently orchestrating multidimensional relationships. Specifically, the convergence of Large Language Models (LLMs), high-dimensional Vector Databases, and Knowledge Graphs is autonomously transforming unstructured, manually categorized notes into sophisticated semantic networks.

This report provides an in-depth analysis of how the historical progression of data technologies—from flat-file systems to Relational Database Management Systems (RDBMS), object-oriented models, and ultimately vector and graph databases—has been mirrored in the architectural development of PKM tools. Furthermore, it examines the technical underpinnings of dominant PKM methodologies, such as Zettelkasten and PARA, and evaluates how avant-garde platforms like Notion, Tana, Mem, and Reflect harmonize the strict integrity of RDBMS with the fluidity of vector architectures. By integrating enterprise data warehouse methodologies and state-of-the-art Retrieval-Augmented Generation (RAG) pipelines, this paper analyzes the evolution of modern PKM. Ultimately, it scrutinizes the latent risks of this AI-driven maximization of search efficiency—namely, cognitive offloading, the erosion of cognitive sovereignty, and data privacy vulnerabilities—while projecting the future role of the human intellect in an era defined by agentic AI assistants and structured knowledge bases.

The Evolution of Database Architectures and the Implementation of Contextual Linkage

The lineage of database technology is defined by a continuous struggle to effectively model the complex "contexts" and "relationships" of the real world while preserving data integrity. In the 1960s, early computing relied heavily on flat-file systems. These were simplistic lists of text or binary data that lacked logical relationship definitions, resulting in severe redundancies and highly inefficient retrieval processes. The subsequent era (1968–1980s) introduced Hierarchical Databases, epitomized by IBM's Information Management System (IMS). This model utilized a tree structure to form one-to-many (1:N) parent-child relationships, significantly accelerating search speeds. However, its structural rigidity rendered it incapable of elegantly expressing many-to-many (N:M) relationships. Network databases (e.g., CODASYL DBTG) emerged to mitigate this by allowing multiple relationships, yet they left application programs heavily dependent on the underlying physical data structure.

In 1970, Edgar F. Codd's proposition of the Relational Database Management System (RDBMS) revolutionized the data management paradigm. By structuring data into two-dimensional tables of rows and columns and introducing SQL (Structured Query Language), RDBMS abstracted the logical manipulation of data from its physical storage. Governed by strict, predefined schemas, RDBMS ensured data consistency and integrity (ACID properties), dominating critical enterprise systems for decades. Nevertheless, as real-world data structures grew in complexity, the two-dimensional tabular format encountered an "impedance mismatch" when representing multifaceted objects. This catalyzed the development of Object-Oriented (OODBMS) and Object-Relational Databases (ORDBMS), which introduced class and inheritance concepts to group data contextually.

From the mid-2000s, the internet's explosive growth generated vast troves of unstructured data (social media, multimedia, sensor logs) that rigid RDBMS schemas could not accommodate. Consequently, NoSQL (Not only SQL) databases—such as document, key-value, and wide-column stores—emerged, offering maximum structural flexibility and horizontal scalability to serve as the infrastructure for the Big Data era.

Today, we are witnessing the dawn of the AI database era, characterized by Vector Databases and Graph Databases. Transcending the storage of literal strings or numerical values, vector databases convert unstructured data (text, images) into "embeddings"—high-dimensional floating-point arrays. This enables machines to discern "Semantic Similarity" using Approximate Nearest Neighbor (ANN) algorithms or Hierarchical Navigable Small World (HNSW) indexing, facilitating contextual linkages that operate far beyond rudimentary keyword matching.

Evolutionary Phase	Dominant Era	Data Structure & Modeling Characteristics	Search & Linking Mechanism	Technical Limitations
File Systems	Pre-1960s	Flat files (Simple text/binary)	Physical directory path traversal	Lack of logical relationships; high redundancy
Hierarchical / Network	1960s - 1970s	Tree structure (1:N) & early graphs (N:M)	Navigation via fixed physical pointers	Schema rigidity; high maintenance costs
RDBMS	1970s - Present	Strict 2D tables, schemas, Primary/Foreign keys	SQL-based conditional search & JOIN operations	Inability to handle unstructured data; impedance mismatch
Object / NoSQL	1990s - Present	Objects, Document-oriented (JSON), flexible schema	Distributed keyword search, object identifier traversal	Weakened complex transaction processing; lack of explicit relationships
Vector DB	2020s - Present	High-dimensional float arrays (Embeddings)	Cosine similarity, ANN-based semantic search	Limitations in explicit metadata control and multi-hop reasoning

This historical trajectory illustrates how the human cognitive process—perceiving, abstracting, structuring, and contextualizing real-world information—has been progressively and deeply embedded into the architectural design of computing storage systems.

The Generational Advancement of Note-Taking Applications and Data Structure Mapping

If enterprise databases serve as the backend infrastructure for processing corporate data at scale, note-taking applications act as the frontend interfaces through which individuals accumulate and organize personal knowledge. The developmental phases of these PKM tools mirror the generational architectural shifts of enterprise databases with striking precision.

First-Generation Note Apps (2000s–early 2010s): Applications like Evernote and Microsoft OneNote functioned as digital filing cabinets, heavily borrowing metaphors from word processors. Architecturally, they mirrored file-based systems or hierarchical databases. Information was siloed into a rigid, vertical tree structure of Notebooks (folders) -> Sections -> Pages. The text within a page existed as a monolithic XML/HTML block, making it impossible for a specific paragraph to form independent semantic relationships with content in another page. This containerized approach severely limited the organic recombination of fragmented insights.

Second-Generation Note Apps (Mid-2010s): Platforms such as Notion, Coda, and AppFlowy introduced the revolutionary concept of the "Block," driving the modularization and fragmentation of text. Every paragraph, image, or task is treated as an individual database record with a unique identifier (ID), emulating the characteristics of NoSQL document stores or OODBMS. Most notably, Notion directly embedded RDBMS logic into its frontend. Users can dynamically construct tables with custom properties at runtime and use "Relations" and "Rollups" to link disparate databases, essentially acting as foreign keys. By leveraging embedded engines like SQLite, these tools democratized RDBMS, allowing non-developers to continuously redefine schemas tailored to their specific workflows.

Third-Generation Note Apps (2020s): Tools like Obsidian, Roam Research, and Logseq adopted a network-oriented data structure designed to mimic the synaptic connections of the human brain. They dismantle hierarchical folder structures in favor of a flat, Markdown-based file system, utilizing "Bidirectional Linking" (Backlinks) to visualize relationships between notes. Atomic notes, encapsulating singular concepts, reference one another via bracket syntax ([[ ]]), weaving an intricate Knowledge Graph. This directly corresponds to the mechanics of Graph Databases, fostering an environment where information flows freely without containerization, thereby inducing intellectual emergence and serendipity.

Generation	Representative Tools	Frontend UI/UX Paradigm	Corresponding Backend DB Technology	Primary Knowledge Focus
1st Gen	Evernote, OneNote	Monolithic pages, vertical folder trees	Hierarchical DB, File-based storage (XML/HTML)	Information Capture & Storage
2nd Gen	Notion, Coda, AppFlowy	Modular blocks, Kanban/Table views, custom properties	RDBMS (SQLite), NoSQL (JSON documents)	Information Structuring & Relational Definition
3rd Gen	Obsidian, Roam Research	Bidirectional links, local Markdown, Graph views	Graph Databases (Nodes & Edges)	Knowledge Linking & Emergent Discovery

This generational shift clearly demonstrates a technical pivot in PKM: moving from macro-level "Containers" (folders), to precisely defined "Attributes" (tables), and ultimately culminating in complex "Relationships" (graphs and networks).

The Technical Characteristics of PKM Methodologies in Data Structuring

The philosophical methodologies guiding personal knowledge organization are deeply tethered to underlying data structures. The contemporary PKM ecosystem is largely polarized by two core methodologies: PARA and Zettelkasten. Each is built upon fundamentally opposing data architectures—"hierarchical containers" versus "networked graphs."

The PARA Method (Projects, Areas, Resources, Archives), developed by Tiago Forte, is a quintessential top-down approach. It categorizes information based on "Actionability" and "Purpose" into four strict hierarchical folders. From a technical standpoint, this is perfectly compatible with traditional directory structures or the schema of a hierarchical database. Users must actively decide the physical/logical path of a note upon capture, and this path inherently defines the note's context. Relying on the 3,500-year-old metaphor of the physical cabinet, this system offers high cognitive familiarity. It is highly effective for systematic data collection, project tracking, and integrates seamlessly with RDBMS-style table structures.

Conversely, the Zettelkasten Method, originating from sociologist Niklas Luhmann's slip-box, fundamentally rejects vertical containers like folders. It advocates for a bottom-up structure where users draft short, "atomic" notes containing singular ideas, fostering organic knowledge growth through direct inter-note linking. Unbound by rigid taxonomies, it relies on bidirectional links and inline tags to establish direct relationships between nodes. Tags function as metadata for cross-sectional filtering, while links establish explicit relational edges.

Technically, Zettelkasten is identical to a Knowledge Graph architecture. Each note acts as a "Node" and each link as an "Edge." Lacking a root node or strict parent-child hierarchy, knowledge expands horizontally and infinitely, akin to neural pathways. Luhmann treated his slip-box not merely as storage, but as a "cognitive partner," utilizing unique identifiers (Folgezettel) as cognitive hooks to visually map the flow of thought.

Consequently, users accustomed to legacy computing environments often gravitate toward the top-down, project-completion focus of PARA. In contrast, modern knowledge workers comfortable with non-linear hyperlinks and graph structures leverage Zettelkasten to systematically engineer serendipitous connections and contextual synthesis from fragmented data.

Integrating Enterprise Data Warehouse (DW) Methodologies with Knowledge Pipelines

The intrinsic link between PKM methodologies and data architectures is further illuminated when examined through the lens of enterprise Data Warehouse (DW) design principles. The contrasting approaches of DW pioneers Bill Inmon and Ralph Kimball accurately map onto the philosophical divides in modern PKM.

Inmon's approach advocates for a highly normalized, top-down enterprise data model designed to establish a "Single Source of Truth." This rigorously planned hierarchical structure strongly parallels the PARA method, which enforces a strict top-down categorization based on purpose and actionability. Conversely, Kimball's approach is bottom-up, prioritizing the rapid deployment of departmental Data Marts connected via a dimensional model known as the Star Schema. The Star Schema, where various dimensions link to a central Fact Table, bears a striking technical resemblance to the Zettelkasten method, which builds a decentralized network of knowledge radiating outward from atomic notes.

Furthermore, the paradigm shift from ETL (Extract, Transform, Load) to ELT (Extract, Load, Transform) in data integration is a defining characteristic of intelligent PKM. Legacy note-taking systems required users to preemptively categorize and structure (Transform) information before saving it (Load)—an ETL approach that introduced massive cognitive friction during data capture. Modern intelligent apps employ an ELT pipeline: unstructured data is rapidly dumped into a central repository (Data Lake), and structural transformation or contextualization occurs downstream in real-time via dynamic queries or AI semantic analysis.

Moreover, the Medallion Architecture, a data quality framework prevalent in modern Data Lakehouses, offers a flawless metaphor for the lifecycle of personal knowledge:

Bronze Layer (Raw): The inbox stage where unrefined, raw data—web clippings, voice memos, fragmented thoughts—is ingested rapidly without alteration.
Silver Layer (Validated): The refinement stage where AI or manual intervention removes noise, applies explicit metadata (tags, bidirectional links, or supertags), and structures the data.
Gold Layer (Enriched): The synthesis stage where pristine Silver-tier knowledge is aggregated and reasoned upon to produce final outputs—essays, research reports, or strategic decisions.

By internalizing enterprise data engineering methodologies (DW, ELT, Medallion Architecture), today’s knowledge workers can operate highly automated, scalable knowledge pipelines directly within their personal devices.

Reconciling RDBMS Integrity with Textual Flexibility: An Architectural Comparison of Notion and Tana

A paramount engineering challenge in contemporary PKM development is harmonizing the infinite flexibility of unstructured text with the strict structural integrity of an RDBMS within a single interface. Knowledge workers require the freedom to draft stream-of-consciousness notes while retaining the ability to execute precise database queries to extract tailored datasets and analytics.

Notion pioneered a mainstream solution to this dichotomy by offering a highly abstracted SQLite-based relational database at the frontend layer. Unlike traditional software where schemas are locked at compile time, Notion permits users to dynamically append columns (Properties) and alter data types at runtime. For instance, when implementing the Cornell Note-taking method, a user maintains a fluid Markdown canvas for lecture notes, while simultaneously defining the document's metadata (Course Name, Date, Tags, Status) as database attributes at the top of the page. By utilizing the "Relation" property to link a 'Lecture Notes DB' with an 'Assignment Management DB', Notion successfully incorporates unstructured text (the page body) as an attribute of a structured database record (a table row).

However, Notion's architectural limitation is spatial dependency: a single page (record) is inherently bound to one specific database (table). Tana emerged to transcend this two-dimensional constraint, pioneering an ontology-based, object-oriented data management architecture. Tana bypasses the "table" entirely, applying schemas directly to the "Node"—the fundamental atomic unit of an outliner.

Tana’s central innovation is the "Supertag." Far from being a mere classification label, a Supertag functions as a Class in Object-Oriented Programming (OOP). The moment a user applies the #Task supertag to a text node, that plain text instantly instantiates into a database object, inheriting predefined fields such as 'Deadline' and 'Assignee'. Tagging a node as #Paper automatically deploys a template of fields for Author, Publication Date, and Methodology. Crucially, Tana eliminates spatial confinement. A node is not trapped in a folder or table; it can possess polymorphism by simultaneously inheriting attributes from both #Meeting and #Urgent. This allows users to weave a rigorous RDBMS structure in real-time without ever breaking their writing flow to switch to a separate table view. Through highly advanced "Search Nodes" (query engines), users can instantaneously aggregate all #Task or #Paper nodes scattered across the global graph into dynamic database views.

By leveraging this Supertag and Field architecture, Tana enables knowledge workers to bypass the chaos of arbitrary tag proliferation, empowering them to architect and maintain a reliable, highly consistent personal knowledge ontology from the moment of capture.

The Knowledge Transformation of Unstructured Data via RAG Mechanisms and AI Embeddings

The zenith of the recent PKM paradigm shift is driven by the integration of Large Language Models (LLMs) and Vector Databases via Retrieval-Augmented Generation (RAG) pipelines. Historically, users expended immense cognitive energy on "meta-work"—manually tagging, categorizing into folders, and curating backlink architectures. The infusion of RAG and AI embeddings eradicates this friction, automating the transition of unstructured data into a real-time, interconnected knowledge network.

RAG was explicitly designed to overcome the inherent flaws of LLMs, namely temporal knowledge cutoffs and the hallucination of facts. When a user inputs a new note, the system's AI pipeline executes a "Chunking" process, segmenting the text into logical units. These chunks are then processed by an Embedding Model, which translates the semantic meaning of the text into "Vector Embeddings"—floating-point coordinates in a multi-dimensional space containing thousands of dimensions—and stores them in a Vector DB.

Subsequently, when a user queries the system, the RAG pipeline activates. Rather than relying solely on the LLM's parametric memory to generate an immediate answer, the system vectorizes the query and performs a Cosine Similarity search within the Vector DB to retrieve the most contextually relevant historical notes. This retrieved, highly personalized proprietary data is then appended to the prompt as augmented external knowledge. The LLM processes this enriched context to generate an accurate, factually grounded response.

This methodology eclipses traditional keyword-matching search engines. Mem.ai represents a vanguard application of this vector-centric paradigm. Mem's 'Smart Search' dynamically retrieves contextually appropriate notes even in the absence of exact keyword matches. As new notes are captured, the AI operates in the background, analyzing semantic proximity to autonomously weave hidden connections between documents. Consequently, users are liberated from the burden of manual folder organization; the moment a query is initiated, the RAG mechanism instantly synthesizes a perfectly networked web of knowledge from raw, unstructured data lakes.

Harmonizing Flexibility and Integrity: The Convergence of Vector and Graph Databases (HybridRAG)

Relying exclusively on Vector Database-driven semantic search is insufficient to satisfy the complex demands of enterprise-grade knowledge management. While vector similarity excels at identifying that two pieces of data are "semantically close" in spatial coordinates, it possesses a critical vulnerability: it cannot explicitly define why or how they are related (e.g., causal links, hierarchical ownership, author-paper relations, or symptom-treatment associations). Furthermore, when executing queries that require precise Boolean filtering (e.g., "Documents from 2024" AND "Project Alpha") or exact technical keyword matching, pure vector systems often falter, leading to hallucinations or infrastructure inefficiencies.

To transcend these limitations and achieve both the semantic fluidity of AI and the structural integrity of an RDBMS, the industry is rapidly shifting toward HybridRAG (or GraphRAG) architectures, which fuse Vector Databases with Knowledge Graphs.

Search Architecture	Data Model & Core Mechanism	Role & Strengths in Knowledge Management	Technical Limitations
Vector DB	Vectorization of unstructured data, multi-dimensional similarity search (ANN)	Excels at processing synonyms and vague natural language; broad semantic discovery	Incapable of tracing explicit relationships, weak at Boolean filtering/Joins, lacks multi-hop reasoning
Graph DB	Explicit mapping of entities (Nodes) and relationships (Edges)	Ensures logical causality, guarantees deep, complex multi-hop reasoning accuracy	Highly complex query syntax; inflexible regarding textual nuances or vague phrasing
HybridRAG / GraphRAG	Initial broad semantic retrieval (Vector) followed by logical relationship traversal (Graph)	Achieves the optimal synergy: flexible semantic discovery combined with strict structural context and accuracy	Exceptionally complex architecture; high costs for data pipeline construction and computational overhead

By visualizing and storing entities as nodes and relationships as edges in databases like Neo4j, Memgraph, or Kùzu, Knowledge Graphs inject the deterministic relational integrity of RDBMS into the unstructured text domain. In modern HybridRAG systems, an LLM-powered Information Extraction pipeline runs concurrently with data ingestion, autonomously identifying hidden entities and mapping their relationships to build the graph. To maintain pristine data quality, an Entity Disambiguation process merges identical concepts expressed differently (e.g., "AI", "Artificial Intelligence", "인공지능") into a single, unified node.

During a query, the architecture divides the workload. The Vector Search initially casts a wide net, rapidly identifying semantically relevant text chunks to narrow the search space. From those entry points, the Graph Database executes deep, multi-hop traversal along relational edges to deduce hidden correlations and profound contextual insights. Advanced PKM tools like Reflect, along with cutting-edge enterprise platforms, are heavily adopting this hybrid approach, evolving from simple similarity-matching engines into intelligent reasoning systems that holistically comprehend the full topology of a user's knowledge network.

The Dark Side of Intelligent PKM: Cognitive Offloading and the Crisis of Data Sovereignty

While the synthesis of AI and advanced database architectures exponentially accelerates knowledge discovery, it casts a long shadow, introducing severe risks regarding data privacy and the degradation of innate human cognitive capacities.

Data Sovereignty and Privacy (Cloud-first vs. Local-first) To deliver their sophisticated capabilities, AI-powered PKM tools must continuously process vast quantities of highly sensitive personal notes through LLMs to generate vector embeddings. In the dominant Cloud-first paradigm, an individual's most private intellectual property and an enterprise's classified data are transmitted in real-time to external servers. This constitutes a severe forfeiture of Data Sovereignty, exposing organizations to complex geopolitical compliance risks, including the US CLOUD Act, European GDPR, and healthcare-specific HIPAA regulations. In direct response, a robust "Local-first PKM" movement is gaining immense traction as a technical countermeasure. This architecture leverages localized vector databases (e.g., sqlite-vec) and embedded file-based graph databases (e.g., Kùzu) integrated with lightweight, open-source Small Language Models (sLLMs) that run entirely on-device, independent of internet connectivity. This not only ensures absolute privacy but represents a critical techno-political shift, reclaiming the infrastructure of personal knowledge from tech behemoths and returning sovereignty to the individual.

Cognitive Offloading and the Crisis of Cognitive Sovereignty From a neuroscientific and psychological perspective, "Cognitive Offloading"—the delegation of complex cognitive loads to external digital devices or AI algorithms—has reached alarming levels. Historically, the act of note-taking was not merely a storage mechanism; it was a form of active "Retrieval Practice" essential for memory consolidation. However, Human-RAG systems (the coupling of the human mind with AI retrieval generation) make information access so frictionless that they systematically deprive users of the opportunity to engage in deep, "System-2" deliberate reasoning.

Empirical studies confirm that the "Google Effect"—where the brain refuses to memorize easily retrievable information—is hyper-accelerated by AI, potentially leading to "Digital Dementia" and a severe decline in critical thinking skills, particularly among younger demographics. The formation of long-term memory requires "hippocampo-cortical replay," a neural process of reassembling external knowledge internally. When AI instantly delivers perfectly structured, synthesized answers, this vital neurological rehearsal is bypassed.

Consequently, this precipitates a fundamental crisis of "Cognitive Sovereignty." Cognitive sovereignty refers to an individual's intellectual agency—the capacity to think, explore, and formulate decisions independently, free from the invisible steering or inherent biases of algorithmic systems. The more flawlessly an intelligent RAG system curates and presents information, the more susceptible the user becomes to the "Collector's Fallacy," mistaking the mere accumulation of AI-generated summaries for actual intellectual possession. By unconditionally surrendering the friction of critical thought to machines for the sake of convenience, humans risk yielding the locus of their intellectual autonomy. Thus, future systems must be engineered to intentionally introduce "contextual friction" to stimulate active learning and safeguard human agency.

Future Outlook: The Shift to Agentic RAG and the Redefinition of Knowledge Work

Despite the cognitive and privacy risks, the trajectory of knowledge management technology is irreversibly advancing beyond static retrieval pipelines toward autonomous, reasoning-capable Agentic Architectures.

Traditional RAG systems are fundamentally linear and stateless; they execute a rigid "Retrieve → Rank → Generate" sequence per query. While efficient for basic factual lookups, they lack the persistent memory and dynamic reasoning capabilities required for complex, multi-layered knowledge work.

The vanguard of next-generation PKM is defined by Agentic RAG. In this environment, the LLM transcends its role as a mere text generator, assuming the persona of an autonomous "Agent." When confronted with an ambiguous, multi-hop directive, an Agentic RAG system independently decomposes the prompt into subtasks. It dynamically formulates a search strategy, navigating seamlessly between structured enterprise data (RDBMS) and unstructured personal notes (Vector/Graph DBs). Crucially, it incorporates feedback loops; if initial retrieval yields insufficient data, the agent autonomously reformulates its query and iterates until a satisfactory synthesis is achieved.

For example, a prompt such as, "Analyze my research notes from the past quarter and identify the data points that most contradict our new corporate strategy," prompts the AI agent to extract semantic data via the Vector DB, validate logical contradictions through the Knowledge Graph, and deliver a heavily vetted, strategic insight. It acts as a proactive research partner rather than a passive search bar.

As AI systems absorb the heavy lifting of data extraction, vector matching, and baseline analytical reporting, the role of the human knowledge worker must undergo a radical paradigm shift: transitioning from a primary producer of information to a "Knowledge Curator" and "Strategic Orchestrator." Human operators must critically audit the provenance logs generated by Agentic RAG systems, maintaining a skeptical vigilance against algorithmic bias. The human mandate will focus on injecting ethical judgment, high-level emotional intelligence, and creative, lateral thinking—qualities machines cannot replicate—into final outputs. Furthermore, adhering to the absolute law of "Garbage In, Garbage Out," the performance of the AI agent is directly bounded by the quality of its underlying data. Therefore, the paramount responsibility of the modern professional will be acting as the "Steward" of their personal knowledge base, continuously refining and curating high-fidelity, unbiased data to fuel their bespoke AI engines.

Conclusion: Co-evolution with Intelligent Collaborators for Knowledge Creation

A retrospective analysis of the past half-century reveals that the evolution of data technology is a relentless quest to capture the intricate tapestry of human reality within silicon bounds. Progressing from flat files, through the rigorous transactional enforcement of RDBMS, to the spatial semantic mapping of Vector Databases and the complex reasoning capabilities of Knowledge Graphs, enterprise IT has continuously engineered solutions to combat data fragmentation.

The profound insight derived from this analysis is that the contemporary individual, wielding an intelligent PKM application, is essentially micro-replicating the entire historical evolution of enterprise data warehousing. The monumental engineering feats previously requiring massive corporate budgets and dedicated IT departments—building data lakes, engineering ELT pipelines, establishing Medallion Architectures, and deploying AI-driven BI analytics—have now been hyper-compressed and fully internalized into the local devices of a single knowledge worker. Every professional is now the CEO of their own personal, AI-powered data center.

While this intelligent, HybridRAG-enabled ecosystem grants unprecedented intellectual leverage—allowing users to dredge buried insights instantaneously without the agonizing meta-work of manual tagging—it demands profound caution. The delegation of memory consolidation to external servers poses a severe threat of cognitive offloading and the subtle surrender of our cognitive sovereignty, compounded by the ever-present risks of cloud-centric data surveillance.

The future of PKM infrastructure is unambiguously oriented toward the deep integration of Agentic RAG. Tomorrow’s applications will function not as passive repositories, but as active, context-aware "Second Brains" and cognitive Copilots that relentlessly analyze our history of thought to provide proactive strategic counsel.

In this hyper-automated frontier, the metric of human intellectual value will no longer be the sheer volume of data one can stockpile. Instead, competitive advantage will be dictated by the caliber of critical questions one poses to the AI agent, the rigor with which one curates the underlying data vault, and the uniquely human ability to superimpose ethical, creative, and empathetic contexts upon machine-generated synthesis. The zenith of future knowledge creation lies not in replacing human intellect, but in the symbiotic co-evolution of structured database integrity, the tireless reasoning capacity of AI, and the sovereign, orchestrating human mind.

데이터 기술 진화와 지능형 개인 지식 관리(PKM) 아키텍처의 패러다임 전환

cocon — Sun, 22 Feb 2026 09:00:18 +0900

서론: 지식의 맥락화와 데이터 관리 패러다임의 역사적 궤적

인류의 지식 관리 역사는 데이터를 기록하고, 저장하며, 필요한 순간에 정확한 맥락 속에서 인출해 내기 위한 매체와 구조의 진화 과정이다. 초기 형태의 단순한 물리적 기록 방식이나 선형적인 파일 캐비닛 시스템에서 시작된 데이터 관리는 20세기 중반 컴퓨팅 기술의 발달과 함께 디지털 데이터베이스로 전환되었고, 이는 다시 클라우드 컴퓨팅과 인공지능(AI)의 도입으로 거대한 구조적 전환점을 맞이했다. 흥미로운 점은 기업과 기관 단위에서 대규모 비즈니스 정보를 처리하기 위해 발전해 온 데이터베이스(Database) 기술의 변천사가 개인이 지식을 기록하고 관리하는 '개인 지식 관리(Personal Knowledge Management, PKM)' 애플리케이션의 세대별 진화 양상과 정확히 병렬적으로 맞닿아 있다는 사실이다.

현대의 지식 노동자들은 정보의 폭발적인 증가 속에서 단순한 텍스트의 수집을 넘어, 정보 간의 '맥락 기반 분류와 연결(Context-based Classification and Linking)'을 강력하게 요구하고 있다. 과거의 데이터베이스와 1세대 메모 애플리케이션이 정보를 고립된 사일로(Silo)에 저장하는 평면적인 보관함에 불과했다면, 현대의 시스템은 정보 간의 다차원적 관계를 이해하고 지능적으로 연결하는 거대한 인공 신경망으로 진화하고 있다. 특히 거대 언어 모델(LLM)과 고차원 벡터 데이터베이스(Vector Database), 그리고 지식 그래프(Knowledge Graph) 기술의 융합은 과거 수동으로 분류되던 비정형 메모 데이터를 자동화된 시맨틱 네트워크(Semantic Network)로 변환시키고 있다.

본 보고서는 파일 기반 시스템에서 관계형 데이터베이스(RDBMS), 객체 지향형, 그리고 벡터 및 그래프 데이터베이스로 이어지는 데이터 기술의 역사적 진화가 개인 지식 관리 도구의 아키텍처 발전에 어떻게 투영되었는지 심층적으로 분석한다. 나아가 Zettelkasten, PARA 등 주요 지식 관리 방법론이 가지는 기술적 특성을 조명하고, Notion, Tana, Mem, Reflect 등 선도적인 PKM 도구들이 RDBMS의 엄격한 무결성과 벡터 데이터베이스의 유연성을 결합하는 방식을 검토한다. 또한 데이터웨어하우스 구축 방법론과 최신 RAG(검색 증강 생성) 파이프라인을 접목하여 현대 PKM의 진화를 분석하고, 궁극적으로 AI 기반의 차세대 PKM이 지식 탐색의 효율성을 극대화하는 과정에서 파생되는 인지적 나태함(Cognitive Offloading), 인지주권(Cognitive Sovereignty)의 위기, 그리고 데이터 주권(Data Sovereignty) 문제를 고찰하며, '학습하는 AI 비서'와 '구조화된 지식 베이스'가 결합된 미래 지식 관리 아키텍처에서의 새로운 인간의 인지적 역할을 전망한다.

데이터베이스 아키텍처의 진화와 맥락적 연결의 구현

데이터베이스 기술의 역사는 정보의 무결성을 유지하면서도 변화하는 현실 세계의 복잡한 '맥락'과 '관계'를 시스템 내에 어떻게 효과적으로 모델링할 것인가에 대한 끊임없는 투쟁의 산물이다. 초기 컴퓨팅 환경인 1960년대의 데이터 관리는 플랫 파일(Flat File) 시스템에 의존했다. 이는 텍스트나 바이너리 형태의 단순한 파일 목록으로 데이터를 유지하는 방식으로, 데이터 간의 관계를 논리적으로 정의할 수 없었고 검색 효율성이 극도로 낮았다. 이후 1968년부터 1980년대까지 IBM의 IMS(Information Management System)로 대변되는 계층형 데이터베이스(Hierarchical Database) 시대가 도래했다. 이 모델은 트리(Tree) 구조를 통해 부모와 자식 간의 일대다(1:N) 관계를 형성하여 데이터 검색 속도를 높였으나, 구조적 경직성으로 인해 다대다(N:M) 관계를 표현하는 데 치명적인 한계를 보였다. 이를 보완하기 위해 CODASYL DBTG 모델 기반의 네트워크 데이터베이스가 등장하여 복수의 관계를 허용했지만, 응용 프로그램이 물리적 데이터 구조에 지나치게 종속적이라는 단점이 존재했다.

1970년, IBM의 컴퓨터 과학자 Edgar F. Codd에 의해 제안된 관계형 데이터베이스(RDBMS) 모델은 데이터 관리의 패러다임을 근본적으로 혁신했다. 데이터를 행(Row)과 열(Column)로 이루어진 2차원 테이블(Table)로 구조화하고, SQL(Structured Query Language)을 통해 데이터의 물리적 저장 방식과 논리적 조작을 철저히 분리했다. RDBMS는 사전 정의된 엄격한 스키마(Schema)를 바탕으로 데이터의 일관성과 무결성(ACID 특성)을 보장하며, 금융, ERP 등 엄격한 정합성이 요구되는 시스템을 수십 년간 지배해 왔다. 그러나 데이터의 구조가 복잡해짐에 따라 RDBMS의 2차원 테이블 구조는 현실 세계의 객체를 표현하는 데 '임피던스 불일치(Impedance Mismatch)'를 겪게 되었고, 이를 극복하기 위해 객체 지향 프로그래밍의 클래스와 상속 개념을 도입한 객체형 데이터베이스(OODBMS) 및 객체-관계형 데이터베이스(ORDBMS)가 등장하여 맥락 기반의 데이터 그룹화를 시도했다.

2000년대 중반 이후, 인터넷의 폭발적인 성장과 함께 등장한 소셜 미디어, 멀티미디어, 센서 데이터 등 방대한 양의 비정형 데이터는 엄격한 RDBMS의 테이블 구조에 수용될 수 없었다. 이에 따라 구조적 유연성을 극대화하고 수평적 확장이 용이한 NoSQL(Not only SQL) 데이터베이스(문서형, 키-값 쌍, 칼럼형 등)가 등장하여 빅데이터 시대의 인프라를 담당했다.

현재 데이터베이스는 인공지능 시대를 맞이하여 '벡터 데이터베이스(Vector DB)'와 '그래프 데이터베이스(Graph DB)'의 시대로 진입하고 있다. 벡터 데이터베이스는 문자열이나 숫자를 리터럴(Literal) 값으로 저장하는 기존의 방식을 넘어, 텍스트, 이미지 등의 비정형 데이터를 고차원 공간의 실수 좌표값인 임베딩(Embedding)으로 변환하여 저장한다. 이는 기계가 데이터의 '의미적 유사성(Semantic Similarity)'을 근사 최근접 이웃(ANN, Approximate Nearest Neighbor) 알고리즘이나 HNSW(Hierarchical Navigable Small World) 인덱싱을 통해 파악할 수 있게 하며, 단순한 키워드 일치를 넘어선 맥락적 연결을 가능하게 한다.

진화 단계	지배적 시기	데이터 구조 및 모델링 특성	정보 검색 및 연결 메커니즘	기술적 한계점
파일 시스템	1960년대 이전	플랫 파일 (단순 텍스트/바이너리)	물리적 디렉토리 경로 기반 탐색	데이터 간 논리적 관계성 부재, 중복 발생
계층 / 네트워크형	1960년대 - 1970년대	트리 구조(1:N) 및 초기 그래프 구조(N:M)	고정된 포인터를 통한 물리적 탐색	스키마 변경의 경직성, 높은 유지보수 비용
RDBMS	1970년대 - 현재	엄격한 2차원 테이블 및 스키마, 기본키/외래키	SQL 기반의 조건 검색 및 조인(Join) 연산	비정형 데이터 수용 불가, 임피던스 불일치
객체형 / NoSQL	1990년대 - 현재	객체(Object), 문서형(JSON), 유연한 스키마	키워드 중심의 분산 검색, 객체 식별자 탐색	복잡한 트랜잭션 처리 약화, 명시적 관계성 결여
벡터 DB	2020년대 - 현재	고차원 실수 배열 (임베딩 벡터)	코사인 유사도, ANN 기반 시맨틱 검색	명시적/논리적 메타데이터 통제 및 다중 홉 추론 한계

이러한 데이터베이스 기술의 궤적은 인간이 현실 세계의 정보를 인지하고, 추상화하여 구조화하며, 맥락을 부여하는 방식이 컴퓨팅 시스템의 저장소 설계에 점진적으로 깊이 반영되어 온 결과라 할 수 있다.

메모 애플리케이션의 세대별 발전과 데이터 구조의 매핑

데이터베이스가 기업 수준의 방대한 데이터를 처리하기 위한 백엔드(Backend) 인프라라면, 개인 단위에서 지식을 축적하고 조직화하는 프론트엔드(Frontend) 인터페이스가 바로 메모(Note-taking) 애플리케이션이다. 지식 노동자들이 사용하는 노트 테이킹 도구의 발전 양상은 앞서 언급한 데이터베이스의 세대별 진화 아키텍처와 놀라울 정도로 정확하게 일치하며 발전해 왔다.

초창기인 2000년대부터 2010년대 초반까지 시장을 지배했던 1세대 노트 앱(예: Evernote, Microsoft OneNote)은 워드프로세서의 메타포를 차용한 디지털 캐비닛이었다. 이 시기의 앱들은 파일 기반 시스템이나 계층형 데이터베이스의 논리를 그대로 따랐다. 정보는 노트북(폴더) - 섹션 - 페이지의 경직된 수직적 트리 구조로 저장되었다. 페이지 내부의 텍스트는 하나의 거대한 HTML이나 XML 덩어리(Monolithic structure)로 존재하여, 다른 페이지의 특정 단락이나 문장과 독립적으로 의미적 연결을 맺을 수 없었다. 마치 플랫 파일 시스템처럼 데이터를 단순한 컨테이너 안에 격리하여 보관하는 것에 그쳤으며, 다양한 디바이스 환경이나 파편화된 정보의 유기적인 재조합에 매우 취약했다.

2010년대 중반 이후 등장한 2세대 노트 앱(예: Notion, Coda, AppFlowy 등)은 '블록(Block)'이라는 혁신적인 개념을 도입하여 텍스트의 파편화와 모듈화를 이끌어냈다. 모든 문단, 이미지, 표, 할 일 목록이 고유한 식별자(ID)를 가진 개별적인 블록 데이터베이스 레코드로 취급된다. 이는 기술적으로 NoSQL의 문서형 구조나 객체 지향 데이터베이스(OODBMS)의 특성을 모방한 것이다. 특히 Notion은 앱 내부에 관계형 데이터베이스(RDBMS)의 논리를 직접 이식했다. 사용자는 런타임에 커스텀 속성(Properties)을 가진 테이블을 직접 구축하고, '관계형(Relation)' 및 '롤업(Rollup)' 기능을 통해 서로 다른 노트 데이터베이스를 외래키(Foreign Key)처럼 연결할 수 있다. 내부적으로 SQLite와 같은 임베디드 데이터베이스 엔진을 활용하여, 비개발자인 유저가 자신의 업무 맥락에 맞추어 동적으로 스키마를 정의하고 변경할 수 있는 개인용 RDBMS 환경을 완벽하게 구현해 냈다.

2020년대에 이르러 부상한 3세대 노트 앱(예: Obsidian, Roam Research, Logseq 등)은 인간 뇌의 시냅스 연결 방식을 모방한 네트워크 지향적 데이터 구조를 지닌다. 이들은 계층적 폴더 구조를 해체하거나 최소화하고, 대신 순수 마크다운(Markdown) 기반의 평면적 파일 시스템 위에서 '양방향 링크(Bidirectional Linking, Backlinks)'를 통해 노트 간의 관계를 시각화한다. 하나의 개념을 담은 원자적(Atomic) 노트들이 대괄호([[ ]]) 문법을 통해 서로를 참조하며 거미줄처럼 얽힌 지식 그래프(Knowledge Graph)를 형성한다. 이는 데이터베이스 진화 상의 그래프 DB 메커니즘과 직접적으로 맞닿아 있으며, 특정 컨테이너에 갇히지 않은 채 정보가 자유롭게 흐르고 결합하는 창발성(Emergence)을 유도한다.

세대 구분	대표적 도구	프론트엔드 핵심 UI/UX	매핑되는 백엔드 데이터베이스 기술	지식 관리의 초점
1세대	Evernote, OneNote	모놀리식 페이지, 수직적 폴더 트리	계층형 DB, 파일 기반 스토리지 (XML/HTML)	정보의 수집(Capture) 및 보관(Storage)
2세대	Notion, Coda, AppFlowy	모듈형 블록, 칸반/테이블 뷰, 속성	RDBMS (SQLite), NoSQL (JSON 기반 문서)	정보의 구조화(Structuring) 및 관계 정의
3세대	Obsidian, Roam Research	양방향 링크, 로컬 마크다운, 그래프 뷰	그래프 데이터베이스 (노드와 엣지)	지식의 연결(Linking)과 창발적 발견

이러한 세대별 진화 양상은 데이터를 담는 거시적 '컨테이너(폴더)' 중심에서, 데이터를 세밀하게 규정하는 '속성(테이블)'으로, 그리고 마침내 데이터 간의 복잡계적 '관계(그래프와 네트워크)'로 개인 지식 관리의 기술적 초점이 이동해 왔음을 명백히 보여준다.

PKM 방법론의 데이터 구조화 측면에서의 기술적 특징

개인이 지식을 어떻게 조직화할 것인가에 대한 철학적, 방법론적 접근 역시 기술적 데이터 구조의 특성을 깊이 반영한다. 현대 PKM 생태계를 양분하는 두 가지 핵심 방법론인 PARA와 Zettelkasten은 각각 '계층적 컨테이너'와 '네트워크적 그래프' 구조라는 상반된 데이터 아키텍처를 기반으로 설계되었다.

Tiago Forte가 제안한 PARA(Projects, Areas, Resources, Archives) 방법론은 정보의 성격을 '실행 가능성(Actionability)'과 '목적성'을 기준으로 4개의 계층적 폴더로 분류하는 전형적인 하향식(Top-down) 접근법이다. 기술적 관점에서 이는 전통적인 파일 시스템의 디렉토리 구조나 계층형 데이터베이스의 스키마와 완벽히 호환된다. 사용자는 특정한 지식을 얻었을 때, 이를 어느 프로젝트(단기 목표)나 영역(장기 책임)에 배치할지 결정해야 한다. 이 구조에서는 엄격한 폴더 분류 체계를 유지하며, 노트가 위치한 물리적/논리적 경로 자체가 정보의 맥락(Context)을 대변한다. 문자가 발명된 이후 3,500년간 사용되어 온 물리적 캐비닛과 책장의 메타포를 디지털로 옮겨온 이 시스템은 인지적 친숙함이 높으며, 체계적인 데이터 수집, 목표 달성을 위한 추적, 그리고 RDBMS의 프로젝트 단위 테이블 구성 체계와 결합하여 사용하기에 매우 적합하다.

반면, 독일의 사회학자 Niklas Luhmann의 철제 카드함에서 유래한 제텔카스텐(Zettelkasten) 방법론은 폴더와 같은 수직적 컨테이너의 존재를 근본적으로 거부한다. 대신 단일한 아이디어를 담은 '원자성(Atomicity)'을 가진 짧은 메모들을 작성하고, 이들 간의 직접적인 연결(Links)을 통해 지식의 유기적 성장을 도모하는 상향식(Bottom-up) 구조를 채택한다. 특정 주제나 고정된 폴더 스키마에 얽매이지 않고, 양방향 링크(Backlinks)와 인라인 태그(Tags)를 통해 노드(Node) 간의 직접적인 연관성을 부여한다. 태그는 노트의 상태나 광범위한 교차 주제를 필터링하는 메타데이터 수단으로 쓰이며, 링크는 명시적 관계성(Relation)을 구축하는 역할을 수행한다.

제텔카스텐은 기술적으로 전형적인 지식 그래프(Knowledge Graph) 아키텍처와 일치한다. 각 메모는 그래프의 '노드(Node)'가 되고 링크는 '엣지(Edge)'가 된다. 루트(Root) 노드나 계층적 부모-자식 관계가 없으므로, 지식은 뇌의 뉴런처럼 무한히 수평적으로 뻗어 나간다. 루만은 이를 단순한 메모장이 아닌 '자신과 대화하는 인지적 파트너'로 여겼으며, 메모에 부여된 고유 식별자(Folgezettel)는 사고의 흐름을 시각적으로 연결하는 인지적 갈고리(Cognitive Hooks) 역할을 한다.

결과적으로, 전통적인 컴퓨팅 환경에 익숙한 세대는 수직적 컨테이너 메타포에 편안함을 느끼며 프로젝트 완수 중심의 하향식 데이터 관리에 강점을 보인다. 반면, 그래프 구조와 비선형적 하이퍼링크에 익숙해진 지식 근로자들은 Zettelkasten과 같은 네트워크 구조를 활용하여 파편화된 정보의 우연한 결합(Serendipity)과 맥락적 융합을 이끌어내는 데 주력하고 있다.

데이터웨어하우스(DW) 구축 방법론과 지식 파이프라인의 융합

개별 지식 관리 방법론과 데이터 아키텍처의 연관성은 기업의 거대한 데이터를 처리하는 데이터웨어하우스(Data Warehouse) 구축 방법론을 통해서도 명확히 설명된다. 전통적인 DW 설계의 두 거장인 Bill Inmon과 Ralph Kimball의 대립적인 접근법은 오늘날 PKM 시스템의 철학적 기반과 정확히 맞닿아 있다.

Inmon은 전사적 관점에서 고도로 정규화된 단일 진실 공급원(Single Source of Truth)을 설계하는 하향식(Top-down) 데이터 모델을 주장했다. 이는 정보의 목적과 실행 가능성을 기준으로 계층적 폴더 체계를 엄격하게 하향식으로 구성하는 PARA 방법론의 논리와 동일하다. 반면, Kimball은 개별 업무 프로세스를 중심에 둔 데이터 마트(Data Mart)를 먼저 구축하고 이를 다차원 모델링(Star Schema)으로 연결하는 상향식(Bottom-up) 방식을 제안했다. 사실 테이블(Fact Table)을 중심으로 다양한 차원(Dimension)이 결합하는 Kimball의 Star Schema 구조는, 원자적인 메모를 중심으로 태그와 백링크를 확장해 나가는 Zettelkasten의 상향식 네트워크 지향 모델과 기술적 궤를 같이한다.

데이터 통합 방식의 패러다임 변화인 ETL에서 ELT로의 전환 역시 지능형 PKM의 핵심 특징이다. 과거의 시스템이나 하향식 폴더 체계에서는 정보를 저장(Load)하기 전에 사용자가 미리 분류하고 구조화(Transform)해야 하는 ETL(Extract, Transform, Load) 방식이 강제되었으며, 이는 지식 수집의 큰 인지적 마찰로 작용했다. 그러나 현대의 지능형 노트 앱들은 일단 비정형 데이터를 빠르게 중앙 저장소(Data Lake)에 적재(Load)한 뒤, 필요할 때 검색과 쿼리, 혹은 AI의 시맨틱 분석을 통해 실시간으로 구조화(Transform)하는 ELT(Extract, Load, Transform) 방식을 채택하고 있다.

나아가, 최신 데이터 레이크하우스(Data Lakehouse) 환경에서 데이터 품질을 단계별로 고도화하는 **메달리온 아키텍처(Medallion Architecture)**는 개인 지식의 생애주기 관리 프로세스에 완벽한 메타포를 제공한다.

브론즈(Bronze) 레이어: 웹 클리핑, 음성 메모, 파편화된 아이디어 등 정제되지 않은 모든 원시 데이터(Raw data)가 가공 없이 원형 그대로 빠르게 수집(Ingestion)되는 인박스(Inbox) 단계이다.
실버(Silver) 레이어: AI 또는 사용자의 개입을 통해 원시 메모에서 불필요한 노이즈가 제거되고, 태그, 양방향 링크, 혹은 Tana의 수퍼태그(Supertags)와 같은 명시적 메타데이터가 부여되어 일관된 구조를 갖춘 검증된 데이터(Validated Data) 단계이다.
골드(Gold) 레이어: 정제된 실버 레이어의 지식들이 목적에 맞게 융합되고 추론되어, 에세이, 리서치 보고서, 혹은 의사결정의 토대가 되는 최종적인 '집약된 통찰(Aggregated insights)'의 단계이다.

이처럼 기업 수준의 데이터 엔지니어링 방법론(DW, ELT, 메달리온 아키텍처)이 개인 단위의 PKM 도구 안으로 스며듦에 따라, 현대의 지식 노동자들은 거대한 기업 데이터를 다루는 것과 동일한 수준의 유연하고 자동화된 지식 파이프라인을 개인 환경 내에서도 구축할 수 있게 되었다.

RDBMS의 무결성과 유연한 텍스트 메모의 융합 시도: Notion과 Tana의 아키텍처 비교

최근 지식 관리 도구 개발에 있어서 가장 큰 기술적 과제 중 하나는 비정형 텍스트 기반 메모의 무한한 '유연성'과 RDBMS의 엄격한 '구조적 무결성'을 어떻게 한 화면 내에서 결합할 것인가이다. 지식 근로자는 의식의 흐름대로 노트를 자유롭게 작성하면서도, 필요할 때에는 데이터베이스 쿼리(Query)를 통해 특정 조건에 맞는 정보만을 추출하고 통계를 낼 수 있는 양면적인 환경을 요구하기 때문이다.

Notion은 이러한 요구를 가장 대중적으로 풀어낸 선구적 도구이다. Notion은 프론트엔드 레벨에서 SQLite 기반의 관계형 데이터베이스를 고도로 추상화하여 제공한다. 일반적인 소프트웨어 개발에서는 컴파일 타임에 스키마가 고정되지만, Notion 사용자는 런타임 중에 열(Column, Property)을 무한히 추가하고 데이터 타입을 동적으로 변경할 수 있다. 예를 들어, 코넬 노트(Cornell Method) 방법론을 Notion에 구현할 때, 사용자는 필기 내용과 요약을 담는 마크다운 캔버스를 유지하면서도, 문서 상단에 메타데이터(강의명, 날짜, 태그, 과제 제출 여부 등)를 데이터베이스 속성으로 지정할 수 있다. 나아가 릴레이션(Relation) 기능을 통해 '강의 노트 DB'와 '과제 관리 DB'를 연결함으로써, 비정형 텍스트(페이지 본문)를 정형 데이터베이스(테이블의 행)의 한 속성으로 편입시켜 유연성과 무결성의 타협점을 찾았다.

그러나 Notion의 구조적 한계는 하나의 페이지(레코드)가 태생적으로 특정 단일 데이터베이스(테이블)에 종속된다는 점이다. 이러한 한계를 극복하고 온톨로지(Ontology) 기반의 객체 지향적 데이터 관리를 지향하며 등장한 시스템이 바로 Tana이다. Tana는 '테이블'이라는 2차원적 한계를 벗어나, '노드(Node)'라는 아웃라이너(Outliner)의 최소 단위에 직접 스키마를 부여하는 아키텍처 혁신을 이룩했다.

Tana의 핵심 메커니즘인 '수퍼태그(Supertags)'는 단순한 텍스트 분류 꼬리표가 아니라, 객체 지향 프로그래밍(OOP)의 클래스(Class)와 같은 데이터 객체 명세서를 의미한다. 특정 텍스트 노드에 #Task라는 수퍼태그를 인라인으로 입력하는 순간, 평범한 텍스트는 즉각적으로 '마감일', '담당자' 등의 사전 정의된 필드(Field)를 상속받는 데이터베이스 인스턴스(Instance)로 전환된다. 만약 연구자가 #Paper라는 태그를 붙이면 저자, 출판일, 연구 방법론, 결과 등의 빈 필드가 자동으로 템플릿화되어 전개된다. 가장 강력한 차별점은 공간적 종속성의 탈피다. Tana에서는 노드가 폴더나 단일 테이블에 갇히지 않고, #Meeting과 #Urgent라는 여러 수퍼태그 속성을 동시에 상속받아 다형성(Polymorphism)을 띨 수 있다. 이는 사용자가 글을 작성하는 흐름을 끊고 특정 테이블 뷰로 이동할 필요 없이, 메모를 작성하는 순간 그 자리에서 강력한 메타데이터 기반의 RDBMS 구조를 실시간으로 직조할 수 있도록 돕는다. 사용자는 강력한 쿼리 엔진인 검색 노드(Search nodes)를 통해 그래프 전체에 흩어진 모든 #Task나 #Paper를 즉각적으로 수집하여 동적인 데이터베이스 뷰로 확인할 수 있다.

이러한 수퍼태그와 필드 기반의 아키텍처는 지식 근로자들이 임의의 태그 난립으로 인한 파편화와 씨름하는 대신, 첫 기록 순간부터 신뢰할 수 있고 일관성 있는 개인용 지식 온톨로지(Ontology)를 설계하고 유지하도록 강력한 기반을 제공한다.

RAG(검색 증강 생성) 메커니즘과 AI 임베딩을 통한 비정형 데이터의 지식화

최근 PKM 도구의 패러다임 혁신은 거대 언어 모델(LLM)과 벡터 데이터베이스(Vector DB)를 매개하는 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 파이프라인의 적극적인 도입을 통해 정점을 향하고 있다. 과거의 시스템에서는 사용자가 직접 태그를 달고 폴더를 분류하며 백링크 구조를 설계하는 이른바 '메타 작업(Meta-work)'에 막대한 인지적 에너지를 소모해야 했다. 그러나 RAG 메커니즘과 AI 임베딩의 결합은 이러한 마찰을 제거하고 비정형 데이터를 실시간으로 지식화하는 중대한 역할을 수행한다.

RAG는 LLM의 태생적 한계인 학습 데이터의 시간적 제약(Knowledge Cutoff)과 사실과 다른 답변을 지어내는 환각(Hallucination) 현상을 극복하기 위해 설계되었다. 사용자가 새로운 메모를 작성하면, 시스템 내장 AI는 먼저 문서의 텍스트를 적절한 단위로 분할하는 청킹(Chunking) 과정을 거치고, 이를 수천 차원의 공간 좌표인 '벡터 임베딩(Vector Embeddings)'으로 변환하여 벡터 DB에 저장한다.

이후 사용자가 질문을 던지면, RAG 파이프라인이 가동된다. 시스템은 즉시 답변을 생성하는 대신, 사용자의 질문을 벡터화하여 데이터베이스에서 코사인 유사도(Cosine Similarity)를 통해 의미적으로 가장 관련성 높은 과거 메모들을 검색(Retrieve)해 낸다. 이렇게 찾아낸 사용자 고유의 노트 내용들이 프롬프트에 외부 지식으로 증강(Augment)되어 LLM에 전달되며, 모델은 이 신뢰할 수 있는 정보를 바탕으로 개인화된 정확한 답변을 생성(Generate)한다.

이는 단순히 키워드 일치를 찾는 전통적 검색 엔진을 넘어선다. AI 중심의 PKM 도구인 Mem.ai는 이러한 벡터 검색 기술을 전면적으로 채택했다. Mem의 'Smart Search' 기능은 정확한 키워드가 없어도 문맥에 맞는 노트를 찾아내며, 새로운 노트가 작성되면 백그라운드에서 AI가 텍스트 맥락을 분석하여 기존 노트들과의 숨겨진 연결점을 자동으로 찾아낸다. 결과적으로 사용자는 수동으로 폴더를 정리할 필요 없이, 질문을 던지는 순간 RAG 메커니즘이 백그라운드의 데이터 더미를 완벽하게 연결된 지식 네트워크로 실시간 조립하여 제공받게 된다.

유연성과 무결성의 조화: 벡터와 그래프 데이터베이스의 결합 (HybridRAG)

단순한 벡터 데이터베이스 기반의 시맨틱 검색만으로는 복잡한 지식 관리 요구를 모두 충족시키기 어렵다. 벡터 유사성은 두 데이터가 고차원 공간에서 가깝게 위치하여 "비슷한 의미를 가진다"는 사실을 훌륭하게 찾아내지만, 두 개념이 구체적으로 "어떤 논리적 관계(예: 원인과 결과, 소속 관계, 저자와 논문, 치료법과 부작용 등)에 있는지"를 정확히 설명하거나 추적하는 데에는 치명적인 약점을 지닌다. 또한 구조화된 메타데이터(예: "2024년에 작성된 문서 중", "A 프로젝트와 관련된")를 결합한 불리언(Boolean) 필터링 쿼리나 정확한 키워드 매칭이 필요한 법률, 기술 문서 검색에서 벡터 시스템은 종종 관련 없는 응답을 반환하는 환각(Hallucination) 현상을 야기하거나 인프라의 과부하를 초래한다.

이러한 벡터 스토리지의 한계를 극복하고, AI의 유연성과 RDBMS 수준의 구조적 무결성을 동시에 달성하기 위해 등장한 최신 엔터프라이즈 및 PKM 아키텍처가 바로 벡터 데이터베이스와 지식 그래프(Knowledge Graph)를 결합한 HybridRAG (또는 GraphRAG) 시스템이다.

검색 아키텍처	데이터 모델 및 핵심 원리	지식 관리 내 역할 및 강점	기술적 단점 및 한계
벡터 데이터베이스 (Vector DB)	비정형 데이터의 임베딩 변환, 다차원 공간 내 유사도 탐색 (ANN 알고리즘)	동의어, 모호한 자연어 질의 처리 탁월, 맥락적 유사성 기반의 넓은 범위 탐색	명시적 관계 추적 불가, 필터링 및 조인 연산 취약, 다중 홉(Multi-hop) 추론 불가
지식 그래프 (Graph DB)	엔티티를 노드(Node)로, 관계를 엣지(Edge)로 명시적 매핑 및 저장	객체 간의 정확한 논리적 인과관계 파악, 심층적이고 복잡한 다중 단계 추론(Reasoning) 보장	쿼리 작성이 복잡하며, 형태소 변형이나 동의어 수준의 유연한 텍스트 뉘앙스 매칭에 매우 취약함
HybridRAG / GraphRAG	의미적/시맨틱 초기 탐색(벡터) 후, 명시적 연결망을 통한 논리적 관계 추론(그래프)	유연한 광범위 지식 탐색과 구조적 맥락 유지, 단순 RAG의 단편성을 넘어선 완벽한 상호보완적 조화	시스템 아키텍처 설계가 매우 복잡하며, 데이터 파이프라인 구축 비용 및 메모리/컴퓨팅 리소스 소모 큼

지식 그래프 모델은 정보의 구조를 노드(엔티티)와 명시적 엣지(관계)로 시각화하고 데이터베이스 시스템(예: Neo4j, Memgraph, Kùzu)에 물리적으로 유지함으로써, RDBMS의 무결성과 관계 정의 장점을 비정형 텍스트 세계로 온전히 가져온다. 최신 시스템에서는 사용자가 메모를 입력하면 LLM을 활용한 정보 추출(Information Extraction) 파이프라인이 즉시 가동된다. 시스템은 텍스트 내의 숨겨진 엔티티(인물, 개념, 조직)와 그들 간의 관계를 자동으로 추출하여 지식 그래프를 구성한다. 이때 동일한 개념이 다르게 표기된 경우(예: '인공지능', 'AI', 'Artificial Intelligence')를 하나의 노드로 병합하는 엔티티 명확화(Entity Disambiguation) 과정을 거쳐 지식 그래프의 품질과 무결성을 극대화한다.

검색 질의가 들어오면, 아키텍처는 역할을 분담한다. 먼저 벡터 검색을 통해 광범위한 의미적 유사성을 가진 문서의 청크(Chunks)나 관련 노드를 빠르게 찾아내어 초기 탐색 범위를 좁힌다. 이후 식별된 노드를 시작점으로 하여 지식 그래프의 엣지를 따라 다중 홉(Multi-hop) 탐색을 수행함으로써, 숨겨진 상관관계와 깊은 문맥을 추론해 낸다. Reflect와 같은 차세대 AI 중심 PKM 앱이나 지능형 엔터프라이즈 데이터베이스 시스템들은 이 하이브리드 아키텍처를 적극 채용하여, 단순한 텍스트 유사도 매칭을 넘어 사용자의 지식 네트워크 전체의 위상을 완벽히 이해하는 지능형 추론 엔진으로 도약하고 있다.

지능형 PKM의 그림자: 인지적 나태함과 데이터 주권의 위기

AI 기술과 RAG 아키텍처의 융합은 지식 탐색의 효율성을 비약적으로 높여 주지만, 그 이면에는 인간 고유의 인지 능력 쇠퇴라는 심각한 잠재적 위험과 데이터 주권(Privacy) 문제가 도사리고 있다.

데이터 주권과 프라이버시 (Local vs Cloud-first) AI 기반 PKM 도구들은 강력한 기능을 제공하기 위해 사용자의 방대한 개인 메모를 LLM 분석과 고차원 벡터 임베딩 생성을 위해 끊임없이 처리해야 한다. 현재 주류를 이루는 Cloud-first 시스템의 경우, 가장 내밀한 사유와 기업의 기밀 지식이 외부 클라우드 서버로 실시간 전송된다. 이는 데이터 주권(Data Sovereignty)의 상실을 의미하며, 해외 서버 저장 시 복잡한 글로벌 데이터 규제 위반 위험을 초래한다. 이에 대한 대안으로 최근 오프라인 상태에서도 디바이스 내부에서 작동하는 로컬 벡터 데이터베이스와 경량화된 오픈소스 모델(sLLM)을 연동하는 '로컬 퍼스트(Local-first) PKM' 아키텍처가 부상하고 있다.

인지적 나태함과 인지주권(Cognitive Sovereignty)의 위기 심리학 및 신경과학적 관점에서 볼 때, 복잡한 인지적 부담을 뇌 외부의 AI RAG 시스템에 위임하는 행위인 '인지적 오프로딩(Cognitive Offloading)'은 심각한 위험 수위에 도달했다. 과거의 메모 행위는 단순히 보관하는 것을 넘어 기억을 공고히 하기 위한 능동적 인출 연습(Retrieval Practice)이었다. 그러나 Human-RAG 시스템(인간의 마음과 AI 검색 증강 생성의 결합)은 외부 지식의 검색을 너무 쉽게 만들어, 사용자 스스로 정보를 논리적으로 조직하고 사유하는 '시스템 2(System-2)' 수준의 심사숙고 기회를 박탈한다.

이러한 부작용은 궁극적으로 개인의 '인지주권(Cognitive Sovereignty)' 훼손 문제로 직결된다. 인지주권이란 개인이 알고리즘의 유도나 시스템의 편향에 맹목적으로 휩쓸리지 않고, 독립적으로 탐색하고 사유하며 결정할 수 있는 지적 주체성(Intellectual agency)을 의미한다. 지능화된 RAG 시스템이 완벽하게 정리된 정보를 즉시 내놓을수록, 사용자는 정보를 스스로 소유하고 통제한다는 착각인 '수집가의 오류(Collector's Fallacy)'에 빠지게 되며 내면적 멘탈 모델은 더욱 빈약해진다. AI가 제공하는 편리함에 젖어 스스로 판단할 영역까지 위임하게 되면 정신적 에너지의 주도권을 기계에 넘겨주게 되는 것이다.

따라서 미래의 지식 관리는 단순한 시스템의 효율성을 넘어, 사용자의 잃어버린 인지주권을 되찾는 방향으로 나아가야 한다. 무비판적인 기계 의존을 경계하고 스스로 비판적 사고의 끈을 놓지 않도록 의도적인 인지적 마찰(Contextual awareness)이나 깊은 사유의 훈련 공간을 시스템 내외부적으로 구축하는 것이 무엇보다 중요해졌다.

미래 전망: 단순 RAG에서 에이전틱 RAG(Agentic RAG)로의 진화와 새로운 역할

이러한 인지적 한계와 프라이버시 위험성에도 불구하고, 지식 관리 기술은 멈추지 않고 단순한 정보 검색 파이프라인을 넘어 자율적으로 추론하고 행동하는 에이전틱(Agentic) 아키텍처 시대로 급격히 나아가고 있다.

전통적인 RAG(Traditional RAG) 시스템은 사용자의 질의가 입력되면 문서 검색, 순위 매기기, 생성(Retrieve → Rank → Generate)을 순차적으로 한 번만 수행하는 단방향의 정적인 파이프라인을 지닌다. 이는 단순한 사실 확인에는 빠르고 효율적이지만, 대화의 이전 맥락을 기억하지 못하는 무상태성(Stateless)의 한계가 있으며 여러 단계의 논리적 추론이 필요한 복잡한 지식 노동에는 취약하다.

차세대 PKM을 주도하는 핵심 기술인 에이전틱 RAG(Agentic RAG) 환경에서는 LLM이 단순 텍스트 생성기를 넘어, 지식을 탐색하는 자율적인 '에이전트(Agent)' 역할을 수행한다. 에이전틱 RAG는 복잡한 다중 홉(Multi-hop) 질문이 들어오면 이를 여러 하위 작업으로 스스로 분할(Subtasking)하고, 기업 및 개인의 구조화된 데이터(RDBMS)와 비구조화된 메모 데이터(Vector/Graph DB) 중 어디를 탐색할지 최적의 검색 전략을 동적으로 결정한다. 또한, 한 번의 검색에 그치지 않고 검색된 결과가 불충분할 경우 스스로 질문을 재구성하여 추가 검색을 수행하는 등 지속적인 피드백 루프와 능동적 메모리 관리를 구현한다.

예를 들어, "최근 3개월간 기록한 리서치 메모들 중에서 우리의 프로젝트 방향성과 가장 모순되는 데이터를 찾아줘"라고 요구하면, AI 에이전트는 먼저 벡터 DB에서 시맨틱 데이터를 끌어오고, 지식 그래프 상에서 논리적 충돌을 자율적으로 검증한 후 최종 인사이트를 반환한다. 단순한 검색 엔진을 넘어 능동적으로 조사하고 검증하는 '연구 파트너'로 기능하는 것이다.

도구가 정보를 완벽히 조직화하고 복잡한 논리적 추론까지 대신하는 시스템 속에서, 지식 노동을 수행하는 인간의 역할은 본질적으로 재정의되어야 한다. AI가 문서 추출, 벡터 매칭, 1차원적 분석 리포팅을 전담함에 따라, 인간 지식 근로자의 직무는 정보의 단순 생산자에서 '지식의 큐레이터'이자 '전략적 감독자'로 이동해야 한다. 인간은 에이전틱 RAG가 제공하는 추론의 출처를 맹신하지 않고 비판적으로 검증하며, 기계 알고리즘이 도달할 수 없는 윤리적 판단, 고도의 감성 지능, 창의적 문맥 비틀기를 최종 산출물에 주입하는 역할을 담당하게 된다. 또한, 입력된 기초 데이터의 품질이 AI 에이전트 성능을 결정짓는 절대적 기준이 되므로, 개별 사용자는 자신의 PKM 시스템 내에 편향되지 않은 고품질의 신뢰할 수 있는 데이터를 지속적으로 정제하는 '지식 기반의 청지기(Steward)' 역할을 최우선으로 맡아야 한다.

결론: 지식 창조를 위한 지능형 협력자와의 공진화

지난 반세기 동안 진행된 데이터베이스 기술의 발전 궤적을 돌아보면, 평면적인 파일 시스템에서 출발하여 데이터의 무결성을 강력히 통제하는 관계형 데이터베이스(RDBMS) 시대를 거쳐, 비정형 데이터의 의미론적 공간을 수학적으로 구축하는 벡터 데이터베이스, 그리고 복잡계적 추론을 가능케 하는 지식 그래프로 진화해 왔다. 이는 정보의 파편화를 극복하고 현실 세계의 복잡한 맥락을 컴퓨팅 시스템 내에 온전히 매핑하려는 인류의 끈질긴 기술적 응전의 역사였다.

이 거대한 데이터 관리 패러다임의 변화는 지극히 개인적인 영역인 지식 관리(PKM) 애플리케이션의 아키텍처에도 고스란히 이식되었다. 1세대의 수직적 폴더 기반 노트 앱이 단순한 보관함이었다면, 2세대의 Notion과 3세대의 Tana와 같이 블록과 수퍼태그 아키텍처를 품은 현대의 도구들은 개인 사용자가 정교한 관계형 데이터베이스의 무결성 및 객체 지향적 온톨로지를 손쉽게 구축하고 통제할 수 있도록 지원했다. 나아가 Mem과 Reflect 등으로 대변되는 최신 AI 중심 PKM에서는 거대 언어 모델과 시맨틱 검색, 그리고 하이브리드 RAG(HybridRAG) 아키텍처가 결합되면서, 과거 사용자가 직접 수행해야 했던 Zettelkasten 방식의 지난한 태깅과 백링크 수작업의 고통을 덜어내고 있다. AI 알고리즘의 보이지 않는 벡터 수학과 그래프 노드 자동 매핑 프로세스가 사용자의 지식을 알아서 엮어주는 시대가 도래한 것이다.

이러한 지능형 하이브리드 지식 베이스 환경은 지식 근로자에게 막대한 양의 정보에 묻혀있던 통찰을 즉각적으로 인양할 수 있는 전례 없는 지적 자유와 작업 효율성을 제공한다. 그러나 이 매력적인 발전의 이면에는 사용자 개인의 능동적인 사유 훈련과 뇌의 장기 기억 응고화 과정이 시스템에 전적으로 외주화되는 '인지적 오프로딩'의 치명적 위험성, 그리고 클라우드 종속으로 인한 프라이버시 침해라는 양날의 검이 분명하게 도사리고 있음을 잊지 말아야 한다.

향후 PKM 인프라의 발전 방향성은 자명하다. 단순한 검색 증강을 넘어선 에이전틱 RAG(Agentic RAG) 아키텍처의 본격적인 통합이다. 미래의 메모 도구는 수동적인 기록 장치를 넘어, 개인의 학문적/업무적 선호도, 문맥, 사유의 역사를 실시간으로 유지하고 추론하며 능동적으로 조언을 건네는 진정한 의미의 '지능형 코파일럿(Copilot)'이자 완벽한 '제2의 뇌(Second Brain)'로 거듭날 것이다.

궁극적으로 이 모든 진화 과정을 관통하는 가장 핵심적인 통찰은, 오늘날 개인이 지능형 메모 앱을 활용해 지식을 구축하는 과정이 과거 거대 기업들이 전사적 데이터웨어하우스를 구축하고, 데이터를 마이닝하며, 리포트를 자동화하고 인공지능을 접목해 온 '엔터프라이즈 데이터 아키텍처의 발전 역사'를 개인 수준에서 고스란히 답습(Micro-replication)하고 있다는 사실이다. 과거 거대한 데이터 엔지니어링 팀과 막대한 인프라 비용이 필요했던 파이프라인(ELT, 메달리온 아키텍처, 지식 그래프 구축)이 이제는 개인의 디바이스 안으로 완벽히 압축 및 내재화된 것이다. 이는 곧 모든 지식 노동자가 스스로 1인 기업 수준의 데이터 센터이자 AI 추론 엔진을 소유하게 되었음을 의미한다.

이러한 고도로 자동화된 지식의 미래 환경에서 인간 지성의 가치는 시스템에 데이터를 얼마나 많이 수집하고 쌓아두느냐의 양적 척도에 머물지 않는다. 거대한 논리적 파이프라인으로 무장한 AI 에이전트에게 어떤 날카롭고 비판적인 질문을 던질 것인가, 그리고 기계적 시스템이 도출한 관계망 속에서 인간만이 통찰할 수 있는 창의적이고 윤리적이며 감성적인 맥락을 어떻게 재부여할 수 있는가에 인간의 본질적 역할이 달려 있다. 구조화된 데이터베이스의 무결성, AI 비서의 지칠 줄 모르는 추론 연산력, 그리고 통찰을 지휘하는 주체적인 인간의 공진화(Co-evolution)가 만들어 낼 지식 창조의 위대한 새로운 지평을 기대한다.

아이센스(20260222)

cocon — Sun, 22 Feb 2026 01:07:24 +0900

1. 개요

본 문서는 아이센스(i-SENS)의 연속혈당측정기(CGM) 사업을 중심으로 한 실적 전망, 글로벌 파트너십 구축 현황, 제품 로드맵 및 생산 설비 확충 전략을 종합적으로 살펴보려 한다.

핵심 요약

• 글로벌 대형 계약 체결: 세계적 BGM 기업인 라이프스캔(Lifescan)과 4년간 5,000억~7,000억 원 규모의 CGM 공급 계약을 체결하였으며, 이를 통해 유럽 8개국 시장에 진출할 예정이다.
• CGM 매출의 급격한 성장: 2024년 1월 CGM 매출액 28억 원을 달성하며 순조로운 출발을 보였으며, 연간 400억 원대 중반의 매출과 전년 대비 약 2.5배의 성장을 목표로 하고 있다.
• 차세대 제품(Air 2) 로드맵: 기존 제품 대비 개선된 Air 2의 국내 및 유럽 허가가 2024년 3분기 내 완료될 것으로 예상되며, 2025년 1분기 정식 출시를 목표로 하고 있다.
• 생산 역량 확충: 송도 공장을 CGM 전용 생산 허브로 전환하고, 자동화 라인 증설을 통해 연간 최대 1,000만 개(1교대 기준) 이상의 생산 능력을 확보할 계획이다.
• 미국 시장 진출 본격화: FDA 승인을 위한 탐색 임상이 시작되었으며, 2028년 하반기 미국 시장 정식 출시를 목표로 임상 및 인허가 절차를 진행 중이다.

--------------------------------------------------------------------------------

2. 재무 실적 및 성장 전망

2.1 CGM 사업부 실적 추이

아이센스의 CGM 매출은 국내외 시장 확대에 힘입어 가파른 상승세를 기록하고 있다.

전사 총 매출액은 3,157억 원이며, 각 사업부별 실적은 아래와 같다.

사업 부문	2025년 매출액	전사 비중 (약)	전년 대비 (YoY)	비고
BGM (자가혈당)	2,267억 원	71.8%	약 +0.5%	스트립 감소, 미터 급증
CGM (연속혈당)	176억 원	5.6%	+185.6%	목표치(150억) 상회
POCT (현장진단)	468억 원	14.8%	+6.6%	전해질/가스 성장
기타	246억 원	7.8%	-	-
합계	3,157억 원	100%	+8.4%	-

--------------------------------------------------------------------------------

2. 상세 분석 및 특징

BGM: 2,267억

• 세부 내역: 스트립 1,809억 원(-8.0%), 미터기 458억 원(+45.6%)
• 특이사항
◦ 핵심 소모품인 스트립 매출은 경쟁 심화 등으로 소폭 감소했으나, 미터기 매출이 45% 이상 급증했다.
◦ 이는 알제리 플랜트 비즈니스 관련 미터기 대량 공급(연간 약 350만 개) 영향으로, 수익성은 낮으나 향후 스트립 매출의 기반을 마련했다.

CGM: 176억 원

• 성과: 연초 목표였던 150억 원을 초과 달성하며 전년 대비 185.6% 성장
• 지역별 비중 변화 (Q4 터닝포인트)
◦ 연간으로는 국내(109억)가 해외(67억)보다 컸으나, 4분기만 떼어놓고 보면 해외 매출(31억)이 국내 매출(21억)을 처음으로 추월, 이는 글로벌 확장 전략이 숫자로 증명되기 시작했음을 의미.
• 국가 확장: 판매 국가 수가 2024년 14개국에서 2025년 27개국으로 확대되었다..

요약하면, 2025년은 **BGM이 전체 매출의 약 72%**를 차지하며 버팀목 역할을 했고, CGM은 비중이 5%대로 아직 작지만, 4분기에 해외 매출이 급증하며 2026년 본격적인 성장의 발판을 마련한 해.

2.2 수익성 개선 및 비용 분석

• 영업이익(OP): 2025년 연간 별도 기준 영업이익은 약 90억 원으로 예상된다. 중동 지역의 채권 회수 이슈가 있었으나 한 곳은 해소되었고 나머지는 2026년 1분기 내 해결될 전망이다.

• 고정비 및 R&D: CGM 관련 인건비 및 고정 R&D 비용은 연간 약 150억 원 규모이다.

• 임상 비용: FDA 임상을 위해 2026년 약 150억 원의 비용이 책정되었으며, 전체 인허가 완료까지 총 300억 원 규모의 투자가 예상된다.

• BEP 달성 시점: 임상 비용 및 인허가 관련 비용 지출로 인해 2025~2026년은 수익성 압박이 있으나, 매출 성장이 본격화되는 2027년을 기점으로 본격적인 턴어라운드와 이익 성장이 기대된다.

--------------------------------------------------------------------------------

3. 글로벌 파트너십 및 시장 확장 전략

3.1 라이프스캔(Lifescan) 공급 계약 (핵심 모멘텀)

과거 존슨앤존슨 사업부였던 글로벌 BGM 강자 라이프스캔과의 협력은 아이센스의 글로벌 시장 지위를 격상시키는 핵심 요소이다.

• 계약 규모: 4년간 누적 매출 5,000억~7,000억 원 추산.

• 공급 모델: '원터치 비타(OneTouch Beta)' 브랜드의 ODM 공급.

• 대상 지역: 유럽 8개국(영국, 독일, 프랑스 등 서유럽 중심). 해당 지역에 대한 브랜드 독점권은 부여하되, 국가 독점권은 아니므로 아이센스 자체 브랜드(케어센스 에어)와 병행 판매가 가능하다.

• 일정: 2026년 4분기 첫 출하, 2025년 1분기 유럽 시장 런칭.

3.2 주요 국가별 진출 현황

• 일본: 현지 대형 파트너사(매출 3~4조 원 규모)와 계약 체결 완료. 2026년 내 PMDA 허가 제출 후 2027년 1분기 출시 목표.

• 뉴질랜드/호주: 뉴질랜드에서 예상치를 상회하는 빠른 성장을 기록 중이며, 호주 또한 유사한 성장 패턴이 기대된다.

• 유럽 시장: 헝가리, 영국 등을 필두로 보험 등재 국가를 확대 중이며(현재 약 6개국 완료), 독일 등 주요 국가의 보험 등재 절차가 진행 중이다.

--------------------------------------------------------------------------------

4. 제품 로드맵 및 기술 경쟁력

4.1 케어센스 에어 2 (Air 2) 개발 및 인허가

• 특징: 기존 제품 대비 정확도와 사용 편의성이 대폭 개선되었으며, 경쟁사 신제품과 동등 수준의 MARD 값을 목표로 한다.

• 허가 일정: 2026년 3분기 내 한국 및 유럽(CE) 허가 완료 예상. 임상 없이 동등성 입증을 통해 허가 기간을 1년 단축하였다.

• 출시 일정: 2026년 4분기 반자동 라인 양산 시작, 2027년 1분기 정식 출시.

4.2 미국 시장 진출 (FDA 임상)

• 진행 현황: 미국 내 4개 센터에서 탐색 임상(Pilot Study) 개시. 약 30명의 환자를 대상으로 유효성 검증.

• 향후 계획: 2026년 말 또는 2027년 초 확증 임상(Pivotal Study) 시작.

• 목표: 2028년 상반기 FDA 허가 획득 및 하반기 미국 시장 런칭.

--------------------------------------------------------------------------------

5. 생산 설비 및 운영 전략

5.1 케파(Capa) 증설 계획

아이센스는 급증하는 글로벌 수요에 대응하기 위해 생산 시설을 공격적으로 확충하고 있다.

단계	완료 시점	생산 능력 (연간)	비고
현 단계	현재	200만 개	케어센스 에어 1 중심
확장 단계	2025년 말~2026년 초	540만 개	에어 2 자동화 라인(340만 개) 추가
중장기 목표	2027년 이후	1,000만 개 이상	송도 공장 전체 CGM 전환 시 (1교대 기준)

5.2 제조 효율화 및 물류 전략

• 생산 거점 재배치: 송도 1공장의 BGM 라인을 원주로 이전하고, 송도 공장 전체를 CGM 전문 생산 기지로 특화하는 방안을 검토 중이다.

• 원가 절감: BGM 미터기 생산의 30%를 중국 및 베트남으로 이전하여 인건비 절감 효과를 거두고 있으며, 향후 이전 비중을 확대할 계획이다.

• 플랜트 비즈니스: 알제리 등 특정 국가에 생산 설비 및 원재료를 패키지로 판매하는 방안을 통해 안정적인 매출을 확보하고 있다(2023년 약 160억 원 달성).

--------------------------------------------------------------------------------

6. 시장 경쟁 환경 및 기업 대응

6.1 경쟁사 현황

• 덱스콤(Dexcom) 및 애보트(Abbott): 말레이시아 신규 공장 등에서 품질 이슈 및 리콜 문제가 발생하고 있으며, 가격 경쟁 국면에 진입하고 있다.

• 국내 시장: 아이센스는 국내 시장에서 덱스콤과 유사한 수준인 약 20%의 점유율을 확보한 것으로 판단하며, 2026년 내 국내 시장 점유율 1위 달성을 목표로 한다.

6.2 향후 주요 과제 및 전략

• 브랜드 인지도 강화: 한독, 동아ST와의 협력을 통해 병원 영업망을 강화하고, 카카오헬스케어 등 플랫폼 파트너를 통해 소비자 접점을 확대한다.

• 사용자 편의성 증대: 무보정(No-calibration) 기능의 안정화와 전용 앱 연동성 개선을 통해 고객 클레임을 최소화하고 재사용률을 높인다.

• 자금 조달: 시설 투자 및 임상 비용은 크레딧 라인 확보 및 영업 현금흐름을 통해 해결할 예정이며, 비주력 자산 매각을 통한 현금 확보도 병행하고 있다.

--------------------------------------------------------------------------------

[아이센스 2026~2030 시나리오별 로드맵 및 밸류에이션]

1. Base Case (기본 시나리오: 회사의 계획대로 순항)

가장 개연성이 높은 시나리오로, 라이프스캔 계약이 정상 이행되고 미국 FDA 허가가 계획대로 2028년에 이루어지는 상황을 가정함.

• 시나리오 전제:

◦ 라이프스캔(LifeScan): 4년간 누적 매출 6,000억 원(연평균 1,500억) 달성. 2026년 말 선적 시작, 2027년 본격 매출 인식.

◦ FDA 임상: 2026년 탐색 임상 완료, 2027년 본임상 진행, 2028년 상반기 허가 및 하반기 출시 성공.

◦ 유럽/기타: CareSens Air 2 2027년 1분기 출시. 유럽 주요 4개국 외 추가 10개국 확장.

◦ BGM: 플랜트 수출 등으로 연간 2,800억~3,000억 수준 유지 (Cash Cow).

• 실적 로드맵 (추정):

◦ 2027년: 매출 5,000억 원 (BGM 3,000억 + 자체 CGM 500억 + LifeScan 1,500억). 영업이익 500억 원 (OPM 10%, 임상 비용 잔존).

◦ 2030년: 매출 1조 2,000억 원. 미국 시장 M/S 1% 확보 및 글로벌 확장. 영업이익 2,400억 원 (OPM 20%, 임상 비용 종료 및 레버리지 효과).

• 밸류에이션 (Target Price):

◦ 논리: CGM 매출 비중이 40%를 넘어서며 멀티플 리레이팅(Re-rating) 발생.

◦ 적용 PER: 20~25배 (글로벌 피어 평균 할인).

◦ 2027년 기준 시가총액: 500억(OP) × 25배 = 1조 2,500억 원.

◦ 2030년 기준 시가총액: 2,400억(OP) × 20배 = 4조 8,000억 원.

--------------------------------------------------------------------------------

2. Best Case (최상의 시나리오: 미국 대박 & 파트너십 확장)

라이프스캔 계약이 예상을 상회하고, 미국 시장 진출이 앞당겨지거나 추가적인 대형 파트너십(PL)이 성사되는 경우.

• 시나리오 전제:

◦ 라이프스캔 확장: 계약 물량 상단(7,000억+) 달성 및 BGM 생산(OEM)까지 아이센스로 이관 (소스 참조).

◦ 미국 시장: FDA 허가 후 유력 파트너사(현지 영업망 보유)와 조기 계약 체결. M/S 2~3% 조기 달성.

◦ 추가 PL: 유럽 내 제2, 제3의 파트너사 계약 체결 및 카카오헬스케어 등 국내 데이터 사업 시너지 폭발.

◦ 신제품: CareSens Air 2의 압도적 성능 입증으로 ASP(평균판매단가) 방어 성공.

• 실적 로드맵 (추정):

◦ 2027년: 매출 6,000억 원 (라이프스캔 조기 공급 확대). 영업이익 800억 원 (OPM 13%, 가동률 100% 도달).

◦ 2030년: 매출 2조 원. 영업이익 5,000억 원 (OPM 25%, 고마진 CGM 비중 70% 상회).

• 밸류에이션 (Target Price):

◦ 논리: 고성장 구간 진입으로 글로벌 1위 업체(Dexcom)의 과거 고성장기 멀티플 적용 가능.

◦ 적용 PER: 30~40배.

◦ 2027년 기준 시가총액: 800억(OP) × 35배 = 2조 8,000억 원.

◦ 2030년 기준 시가총액: 5,000억(OP) × 25배 = 12조 5,000억 원 (회사 비전 3조 달성 시).

--------------------------------------------------------------------------------

3. Bear Case (보수적 시나리오: 지연 및 경쟁 심화)

대외 변수(임상 지연, 가격 전쟁)로 인해 성장이 둔화되는 리스크 상황.

• 시나리오 전제:

◦ FDA 지연: 임상 데이터 보완 요구 등으로 허가 시점이 2029년 이후로 밀림.

◦ 라이프스캔: 라이프스캔의 마케팅 실패로 최소 보장 물량(Minimum)만 공급.

◦ 가격 경쟁: 덱스컴/애보트의 저가 공세 심화로 GPM(매출총이익률) 훼손.

◦ BGM: 글로벌 시장 축소 가속화로 매출 연 10%씩 감소.

• 실적 로드맵 (추정):

◦ 2027년: 매출 4,000억 원 (CGM 성장분이 BGM 하락분만 상쇄). 영업이익 200억 원 (OPM 5%, 고정비 부담 지속).

◦ 2030년: 매출 6,000억 원. 영업이익 600억 원 (OPM 10%).

• 밸류에이션 (Target Price):

◦ 논리: 성장주 프리미엄 소멸, 일반 제조 업종 멀티플 적용.

◦ 적용 PER: 10~15배.

◦ 2027년 기준 시가총액: 200억(OP) × 15배 = 3,000억 원.

◦ 2030년 기준 시가총액: 600억(OP) × 12배 = 7,200억 원.

--------------------------------------------------------------------------------

[종합 요약 및 투자 판단]

구분	2027년 예상 매출	2027년 예상 OP	적정 시가총액 (27년 기준)	핵심 변수 (Key Trigger)
Best	6,000억 원	800억 원	2.8조 원 ~ 3.0조 원	미국 조기 안착 + BGM OEM 수주
Base	5,000억 원	500억 원	1.2조 원 ~ 1.5조 원	라이프스캔 공급 정상화 + FDA 순항
Bear	4,000억 원	200억 원	3,000억 원 ~ 4,000억 원	임상 실패/지연 + 치킨게임 심화

•현재 주가 위치: 2026년 2월 현재 라이프스캔 계약 체결로 Base Case로의 진입 가능성에 한 발 더 가까워짐

• Upside Potential: 시장은 아직 2027년의 숫자(매출 5,000억/OP 500억)를 주가에 온전히 반영하지 않았을 가능성이 높다. Base Case인 시가총액 1.2조 원을 1차 목표로, 향후 미국 임상 뉴스에 따라 Best Case로 영역을 확인해야 할 것이다.

8. 리스크 요인

8.1 라이프스캔(LifeScan) 계약의 구조적 리스크

최소주문수량(MOQ) 부재: 2026년 2월 컨퍼런스 콜에서 회사 측은 이번 계약에 MOQ 조항이 반영되어 있지 않음을 명확히 밝힘. 즉, 제시된 '4년 누적 5,000억~7,000억 원'은 확정 매출이 아닌 라이프스캔의 판매 호조를 가정한 단순 예측치(Forecast)에 불과하며, 판매 부진 시 매출부진 위험 존재.

파트너사의 재무 여력 의구심: 라이프스캔은 최근 기업 회생 절차(Chapter 11)를 거치며 부채 80%를 탕감받고 사모펀드로 주인이 변경됨. 재무구조는 개선되었으나, 덱스콤·애보트 등 경쟁사 수준의 막대한 마케팅 비용을 집행할 현금 여력이 충분한지 미지수임. 공격적 마케팅 부재 시 점유율 탈환에 대한 불확실성 존재.

8.2 시장 진입 및 전환(Conversion)의 난이도

낙관적인 전환율 가정(50%): 회사는 라이프스캔의 미국 제외 환자 1,000만 명 중 50%(500만 명)를 잠재 고객으로 가정함. 그러나 라이프스캔의 CGM 대응 지연 기간 동안, 고위험군 및 얼리어답터는 이미 경쟁사(덱스콤, 리브레)로 이탈했을 가능성이 존재.

강력한 락인(Lock-in) 효과: CGM 특성상 데이터 연속성과 사용자 경험으로 인해 브랜드 전환 장벽이 높음. 잔류한 라이프스캔 BGM 유저는 신기술 수용도가 낮은 보수층일 확률이 높아, 회사의 기대치를 밑도는 전환 속도를 보일 가능성.

8.3 재무적 부담과 수익성(OPM) 지연

미국 FDA 임상 비용 부담: 미국 진출을 위한 필수 임상 비용이 2025~2026년에 집중됨(총 300억 원 이상, 2026년 약 150억 원 집행 예정). 매출 증가분과 상쇄되어 의미 있는 영업이익률(OPM) 턴어라운드는 2027년 이후로 지연됨.

설비 투자(CAPEX) 부담: 송도 2공장 자동화 라인 등에 약 200억 원의 투자가 진행 중임. 라이프스캔향 물량이 예상치를 하회할 경우, 증가한 고정비(감가상각비)가 전사 수익성을 훼손할 가능성 상존.

8.4 경쟁 심화와 가격(ASP) 하락 압력

치킨게임의 심화: 덱스콤과 애보트의 유럽/아시아 단가 인하 경쟁이 치열함. 라이프스캔이 시장 침투를 위해 저가 정책을 강행할 경우, 제조사인 아이센스에 단가 인하(ASP 하락) 압박이 전가될 소지가 큼. 물량 확대(Q)가 동반되지 않으면 원가 방어가 어려울수도.

8.5 미국 시장 진출의 불확실성

출시 시점 지연: 미국 FDA 허가 및 실제 출시는 빨라야 2028년 하반기로 전망됨. 이는 현재 주가에 선반영하기에 지나치게 먼 미래이며, 해당 기간 내 경쟁사 기술 진입장벽은 더욱 격차를 벌릴 우려가 있음.

파트너링 난항: 현재 미국 파트너사가 미정이며, FDA 허가 이전 메이저 파트너 확보는 현실적으로 난망함. 진출 시점에 유의미한 영업망을 갖춘 파트너(예: 엠벡타 등)를 실제로 확보할 수 있을지 불확실함.

9. 결론

그럼에도 불구하고, 아이센스는 라이프스캔과의 대규모 공급 계약을 통해 글로벌 CGM 시장의 주요 플레이어로 도약할 수 있는 발판을 마련하였다. 라이프스캔과는 독점 계약이 아니라 유연한 유통 전략을 구사하는 것도 가능하다. "만약 제2, 제3의 대형 PL 계약을 확보할 수 있다면 일종의 'Multi Brand CGM 플랫폼 사업자'Air 2의 성공적인 런칭과 FDA 임상의 차질 없는 진행, 그리고 생산 케파의 효율적 확장이 향후 기업 가치 재평가(Re-rating)의 핵심 동력이 될 것이다."(미래에셋 김충현 20260219)

회사는 분기당 CGM 매출 100억 원 돌파, 전체매출 분기당 1000억 돌파를 시장 신뢰 회복의 변곡점으로 보고 역량을 집중하고 있다.

리스크 관리는 여유있을때 해야 한다

cocon — Mon, 9 Feb 2026 19:55:05 +0900

투자로 돈 버는 것보다 지키는 게 더 어렵다고들 한다. 장이 한참 달아오르고 있을때 조급한 마음에 오르는 자산을 따라다니다보면 녹아내리는 계좌를 발견하게 마련이다. 내 자산을 지키고 꾸준히 불려 나가는 데 도움이 되는, 리스크 관리에 대한 여섯 가지 생각을 정리해본다.

1. 리스크 관리는 여유 있을 때 해야 한다.
2. 이익실현은 보험료처럼 꾸준히, 조금씩 해서 고정화 시킨다.(하단의 5번 참고)
3. 상승장에서는 레버리지를 경계해야 한다
4. 베팅 규모는 신중하게 조절해야 한다 (하프 켈리 베팅)
5. 번 돈은 내 것으로 '고정'시켜야 한다
6. 열매는 제때 수확해야 한다

1. 리스크 관리는 여유 있을 때 하는 것이다. 첫 번째 원칙은, 리스크 관리는 계좌가 빨간 불일 때, 즉 수익이 나고 있을 때 시작해야 한다. 보통 주가가 떨어져서 계좌에 파란 불이 들어오면 그때서야 대응 대책을 찾는다. 하지만 그때는 이미 늦었을 때가 많고, 심리적으로도 위축되어 합리적인 판단을 내리기 어렵고 고통스러운 선택을 해야한다. '해가 쨍쨍할 때 지붕을 고친다'는 말처럼, 수익이 나서 기분 좋고 여유 있을 때 일부러 시간을 내서 내 포트폴리오를 점검해야 한다. 너무 한쪽 자산에 쏠려있진 않은지, 이쯤에서 일부 수익을 실현해서 현금으로 확보해 둘 건 없는지 살펴보는 것이다. 이렇게 여유 있을 때 하는 관리가 진짜 리스크관리이자 위기관리이다.

2. 이익실현은 보험료처럼 꾸준히, 조금씩 해서 고정화 시킨다.(하단의 5번 참고) 리스크 관리는 어떤 특별한 날에 한 번에 몰아서 하기보다, 수익실현할때 보험료를 내는 것처럼 꾸준히, 그리고 조금씩 고정화시켜둬야 한다. 시장의 가장 높은 지점이나 가장 낮은 지점을 정확히 맞혀서 '이번에 다 팔아야지' 혹은 '전부 사야지'라고 생각하는 건 거의 불가능에 가깝다. 이런 시도는 오히려 더 큰 후회를 낳을 수 있다. 대신 '매 분기마다 정해진 자산 비율을 맞춘다(리밸런싱)'거나, '목표 수익률에 도달하면 10%씩 분할 매도한다', 그 금액의 몇 %를 미국채를 사겠다는 같은 자신만의 규칙을 정해두는 게 좋다. 주식쟁이들이 소비로 파산하는 경우는 거의 없다. 주식이 잘못되어서 날리는돈이 대부분이다. 이렇게 감정을 빼고 시스템으로 대응하는 것이 훨씬 효과적이다.

3. 상승장에서는 레버리지를 경계해야 한다 세 번째는 레버리지, 즉 빚내서 하는 투자에 관한 사항이다. 특히 모두가 환호하고 뉴스가 연일 주식 시장을 칭찬하는 상승장이 한참일수록 레버리지는 더욱 경계해야 한다. 상승장에서는 레버리지가 수익을 극대화하는 마법처럼 보이지만, 시장이 조금만 흔들려도 손실이 몇 배로 커져서 한순간에 모든 것을 잃게 만들 수 있다. 시장이 뜨거울 때 '더 벌겠다'는 욕심으로 빚을 늘리기보다, 오히려 빚을 줄여나가면서 이미 얻은 수익을 지키는 데 집중하는 게 현명하다. 마지막까지 파티를 즐기려다 결국 모든 설거지를 도맡게 될 수도 있다.

4. 베팅 규모는 신중하게 조절해야 한다 (하프 켈리 베팅) 네 번째는 '하프 켈리'라는 개념이다. 조금 생소할 수 있지만, 아주 간단히 말하면 '아무리 좋은 기회라고 확신해도 절대 몰빵하지 말라'는 뜻이다. 몰빵할 정도로 최고의 투자 아이디어가 있더라도, 그 절반만 투자하라는 말이다. 왜냐하면 내 분석이나 예측이 언제든 틀릴 수 있다는 가능성을 항상 열어두어야 하기 때문이다. 어느정도의 기대 수익을 포기하는 대신, 혹시 모를 실수나 예상치 못한 변수로부터 내 자산을 지키고 살아남을 확률을 크게 높여주는 전략이다. 투자에서는 수익보다 장기간 생존을 목표로 삼아야 한다. 개별 주식에 목숨을 걸고 승부를 보겠다는 마음보다는 자산(계좌)을 복리로 성장시킨다는 생각이 우선이라 생각한다. 종목에 대한 애착이 이성적 판단을 막지 않도록 훈련해야한다. 계좌의 복리성장 더 본질적으로는 생존이 언제나 우선이다.

5. 번 돈은 내 것으로 '고정'시켜야 한다 다섯 번째, 투자로 돈을 벌었다면 그걸 확실히 내 것으로 '고정'시키는 과정이 필요하다. 계좌에 찍힌 수익, 즉 '사이버 머니'는 시장 상황에 따라 언제든 사라질 수 있는 숫자일 뿐이다.이것을 실제로 인출해서 현금으로 만들거나, 더는 위험에 노출되지 않는 예금, 부동산 같은 다른 안전한 자산으로 바꿔두는 과정이 꼭 필요하다. 많은 사람들이 투자 수익을 '공돈'처럼 가볍게 생각해서 더 위험한 곳에 재투자하곤 하는데, 이것이 바로 힘들게 번 돈을 허무하게 날리는 가장 흔한 실수다. 번 돈을 안전한 곳으로 옮겨두는 것은 투자의 끝이 아니라, 성공적인 투자를 완성하는 마지막 단계이다.

6. 열매는 제때 수확해야 한다 마지막 여섯 번째는 비유적인 이야기다. '열매는 제때 거두지 않으면 썩어 문드러진다.' 아무리 탐스럽게 잘 익은 열매도 수확 시기를 놓치면 결국 땅에 떨어져 썩어버릴 뿐이다. 이건 애써 키운 농부에게도, 자신의 가치를 실현하지 못한 열매에게도 슬픈 일이다. 투자 수익도 마찬가지다. '더 오를 거야'라는 막연한 기대감이나 탐욕 때문에 이익 실현을 계속 미루다 보면, 시장 상황이 바뀌어 수익이 눈 녹듯 사라지는 걸 허망하게 지켜봐야 할 수 있다. 적당한 때에 만족하고 수익을 확정 짓는 용기가 진정한 실력이다.

믿음이나 확신에 대한 생각

cocon — Sun, 8 Feb 2026 18:56:14 +0900

전에는 믿음이나 확신이라는게 투자에서 아주 고차원적인 기능이라고 생각했지만, 믿음은 자신의 무게중심을 상대에게 의탁하는 것으로 믿음이 깨지게 된다면 무게중심이 넘어간만큼 쉽게 넘어지게 된다. 정치 제도, 사회적 약속에 대한 믿음부터 개개인의 약속에 대한 믿음까지 믿음의 스펙트럼은 다양하다.

문제가 되는건 사회적인 믿음이 깨질때보다 개인적으로 믿기로 한 대상이 자신의 뜻과 다르게 행동하기 시작할때이다. 대부분의 사람은 자기가 믿는 대상에게 기댔다가 잘못되었다는걸 깨달으면서 상처를 받고 자신을 보호하는 방법을 배우면서 성장하게 된다.

그냥 믿었다가 뭔가 잘못 돌아가는데도 자신이 틀리는 것을 인정하기 싫어서 계속 믿는 경우도 있고(인지부조화), 믿음의 근거가 비과학적(귀납적 오류)이거나 잘못된 경우도 많다.(테일 리스크)

투자는 본래 확률의 영역임에도 인간은 심리적 안정을 위해 이를 '믿음'의 영역으로 치환하기 쉽다. 투자가 실패하는 것은 투자대상을 잘못 파악한 것은 그냥 선뜻 인정하면 되는 문제이다. 그렇지만 투자대상에 대한 믿음이 투자의 성공비결이라는 말은 절반도 안되는 진실이다. 투자 대상에 대한 믿음이 부족해서일 뿐 아니라 자신이 감당할 수 있는 변동성의 범위나 시계열을 벗어난 움직임을 보일때 누구나 자신을 의심할 수 밖에 없기 때문이다. 복기할때에, 투자자들이 많이 이야기하는 투자성공의 요구조건은 믿음이나 확신보다 비중과 확률이 보다 중요한 것이다.

자신이 분석한 대상에게 믿음이라는 무게중심을 옮기는 순간, 대상의 변동성은 곧 나의 수익과 손실로 이어지게 된다. 아는만큼 벌게 되고, 과도하게 기댄만큼 깨지게 된다.

위에서 검토한 것처럼 내가 기대는 믿음의 근거가 빈약하거나 비과학적일수록(유사과학), 인간은 자신의 판단 실패를 인정하기보다 외부 환경을 탓하거나 지표를 왜곡 해석하며 인지부조화에 빠져들게 되기 쉽다.

투자는 유사과학에 가깝다.중기, 단기적으로 인과관계가 불분명하기 때문이다.(물론 장기적으로도 과학적 사실과 투자자산의 움직임이 잘못된 움직임을 보일 수 있다) 우리가 무엇을 믿기로 했을때는 그게 정말 우리의 삶에 쓸모가 있는것인가, 우리의 삶을 나아지게 할 수 있는지까지 고민해야 한다.

가령 예전에 메타버스가 미래라고 할때 내 이야기는 "누가 그런 세상에서 살고싶어 하겠는가?"였다. 투자는 믿음보다 객관적 진실에 대한 주관적 확률 그리고 거기에 알맞은 비중을 할애하는 능력이 더 중요하다.

결론

1.아무도 바라지 않는 미래에 베팅하지 말라.

2.종교적 믿음이나 방치는 지적인 활동이라기 보단 대상의 모든것을 무비판적으로 수용하고 내 모든것을 맡기는 비주체적인 행위이다.

3. 투자의 성패는 대상에 대한 확신의 깊이가 아니라, 확률의 변화에 따라 내 무게중심(비중)을 얼마나 옮길 수 있느냐에 달려 있다

파운드리 ASIC 주문처리의 두 가지 경로

cocon — Sun, 25 Jan 2026 22:23:15 +0900

1. ASIC 주문 처리의 두 가지 경로 (COT vs Turnkey)

파운드리가 주문을 받는 방식은 고객사(팹리스)의 역량과 설계 완성도에 따라 크게 두 가지로 나뉩니다.

1) COT (Customer Owned Tooling) 모델

질문하신 내용에 가장 근접한 방식입니다. 대형 팹리스(애플, 엔비디아 등)가 물리적 설계(Physical Design)까지 직접 완료한 후, 파운드리에 GDSII(설계 최종본) 파일을 전달합니다.

전달물: 최종 설계 데이터 (GDSII) 및 마스크 제작 지시서.
파운드리 역할: 전달받은 데이터를 기반으로 마스크를 제작하고 웨이퍼를 생산(Pure Play Foundry).
특징: 고객사가 공정에 대한 깊은 이해가 있어야 하며, 마스크 제작 비용과 수율 리스크를 고객사가 상당 부분 책임집니다.

2) Turnkey(ASIC Service) 모델

설계 초기 단계(Spec)나 논리 설계(RTL) 단계에서 주문을 넣는 방식입니다. 주로 중소형 팹리스나 시스템 기업이 이용하며, 삼성전자나 TSMC의 공식 디자인하우스(DSP, VCA)가 개입합니다.

전달물: 아키텍처 사양서 또는 RTL 코드.
파운드리/디자인하우스 역할: 논리 설계를 물리 설계로 전환(P&R), 타이밍 검증, 마스크 제작, 패키징 및 테스트까지 일괄 수행.
특징: 고객사는 마스크 공정을 직접 신경 쓰지 않아도 되지만, 비용에 서비스 수수료가 포함됩니다.

2. 마스크 제작 전후의 필수 프로세스

단순히 파일만 넘긴다고 웨이퍼가 구워지지 않습니다. 파운드리는 전달된 데이터가 자사의 공정 규칙(DRC: Design Rule Check)에 맞는지 엄격하게 검증합니다.

Step 1: Tape-Out 및 데이터 처리

팹리스가 설계를 완료하여 파운드리에 데이터를 넘기는 시점을 Tape-Out이라고 합니다. 파운드리는 이 데이터를 받아 MDP(Mask Data Preparation) 과정을 거칩니다. 이때 빛의 회절 현상을 보정하기 위한 OPC(Optical Proximity Correction) 기술이 적용됩니다.

Step 2: 마스크 제작 (Mask Tooling)

EUV 마스크나 DUV 마스크 세트를 제작합니다. 공정 노드에 따라 다르지만, 최첨단 공정에서는 60~80장 이상의 마스크 레이어가 필요합니다.(EUV마스크세트 가격은 수백억 추산)

Step 3: 웨이퍼 공정 및 신뢰성 테스트

마스크가 완성되면 실제 웨이퍼 투입(Wafer Start)이 이루어집니다. 7nm 이하 선단 공정에서는 마스크의 미세한 결함이 전체 수율에 치명적이므로, 팹리스와 파운드리가 실시간으로 데이터를 공유하며 보정 작업을 반복합니다.

3. 구조적 한계와 투자 포인트: 왜 마스크만 넘길 수 없는가?

최근 반도체 공정이 미세화(3nm, 2nm)되면서 '마스크 전달'이라는 행위의 난이도가 급상승했습니다.

PDK(Process Design Kit)의 종속성: 파운드리가 제공하는 설계 자산(IP)과 공정 변수가 담긴 PDK 없이는 설계 자체가 불가능합니다. 즉, 시작부터 파운드리와 '결혼'한 상태로 설계가 진행됩니다.
디자인 하우스의 역할 증대: 에이디테크놀로지나 가온칩스 같은 기업들이 주목받는 이유입니다. 파운드리는 수백 개의 고객사를 직접 상대할 수 없으므로, 마스크를 넘기기 전 단계의 복잡한 물리 설계를 대행해 줄 파트너가 필수적입니다.
수율(Yield) 및 리스크 관리: 마스크 제작 비용(NRE)은 수백억 원에 달합니다. 데이터 오류로 마스크를 다시 만들 경우 막대한 손실이 발생하므로, 파운드리는 마스크 제작 전 단계에서 LVS(Layout vs Schematic) 검증 등을 통해 완벽을 기합니다.

4. SPIRAL-X 관점의 분석 (Investigate & Risk)

Investigate (심층 조사): 현재 삼성전자의 DSP(Design Solution Partner) 생태계는 에이디테크놀로지를 중심으로 대형화되고 있습니다. 이는 단순 마스크 전달을 넘어 턴키 수주 역량이 파운드리 점유율 확대의 핵심임을 시사합니다.
Risk (리스크 점검): 팹리스가 직접 마스크 데이터를 생성하는 COT 방식이 줄어들고 디자인 서비스 의존도가 높아지면, 팹리스의 영업이익률은 하락할 수 있습니다. 반면 파운드리는 공정 복잡성을 이유로 가격 협상력을 높일 수 있는 구조입니다.

5. 결론: "마스크는 결과물이지 시작점이 아니다"

ASIC 주문은 **[IP 선정 -> 논리 설계 -> 물리 설계 -> PDK 검증 -> Tape-out -> MDP -> 마스크 제작]**의 긴 여정입니다. 고객사가 마스크를 넘기는 것은 이 여정의 80%가 끝났음을 의미하며, 그 과정에서 파운드리의 기술적 지원(Library, IP 등) 없이는 마스크 한 장도 제대로 뽑아낼 수 없는 것이 현재의 반도체 생태계입니다.

에이디테크놀로지의 엔지니어 수가 800명에 달하는 이유도 바로 이 '마스크를 넘기기 전까지의 지옥 같은 검증 과정'을 수행하기 위함입니다.

자기가 자기자신으로 사는 사람은 복되다(흑백요리사 시즌2)

cocon — Sun, 18 Jan 2026 18:36:48 +0900

아내와 흑백요리사를 다 보았다.
최강록이 문어체로 말하는 것 같다고 생각해서 서점에서 책을 찾아보았는데 본인이 쓴 책도 많고, 번역한 책도 많았다.
화려한 언변이나 외모로 자신을 포장하지 못하는 성향임에도, 그 자리에 서기까지 얼마나 많은 노력을 했을까? 요리를 심사위원들이 시식하고 표정을 볼 때마다, 보이지 않는 곳에서의 피나는 노력이 짐작되었다. 그런데도 과장됨 없는 담백한 말과 태도를 보면 그가 참으로 자신에게 진실한 사람이라는 인상을 받기에 충분했다.

남에게 이런저런 이미지로 보여지겠다는 목표를 가지고 나서부터 현실과 외부에 나타나는 자아상이 괴리가 커질수록, 그 두 상이 차이가 커지면 그 자체로 스트레스를 일으키게 되는것 같다.
내가 나로 살 수 있는 사람은 행복한 것 같다. 어떤 직장을 다니든, 돈이 얼마나 많든, 어떤 지위를 가졌든 간에 그런것 없이도 충분히 많은 사람들앞에서 자신의 이야기를 할 수 있는 사람은 복받은 삶일것이다. 보이지 않는 곳에서 노력하지만 이름이 알려지지 않은 수많은 사람들이 있다.
그들은 맛있는걸 먹어도, 어디를 가도 그냥 혼자만의 추억일 뿐이다. 자신이 모르는 다른사람들에게 일상적으로 동의나 공감을 구하기 힘든 사람들이다. 결국 최상위권에 든 참가자들의 기량 차이는 종이 한 장 차이였을 것이다. 하지만 많은 무명씨들에게 위로를 건넨 것은, 요리에 자신의 삶과 하고 싶은 이야기를 얼마나 진정성 있게 담아내어 사람들의 마음을 움직였느냐 하는 점이었다. 요리대회였지만 결국은 자신의 인생과 진정성에 대한 이야기인 것이다.

자기가 자기자신으로 사는 사람은 복되다.
자기가 자기 자신으로 사는 사람은 복되다. 무엇이 되기 위해, 혹은 무엇으로 살지 않기 위해 애쓰지 않아도 자신의 이야기를 들어줄 사람들이 있고, 가외의 노력 없이 자신의 삶과 업(業)을 지켜낼 수 있는 사람들. 그런 사람들이야말로 끝까지 살아남고, 해내고, 기억되는 것이 아닐까.

인간관계와 고기굽는지위와 위계에 대한 고찰

cocon — Mon, 12 Jan 2026 14:01:33 +0900

잊을 만하면 한 번씩 기내 승무원 폭행, 기내 난동 같은 사건이 나오곤 한다. 이 사건을 잘 생각해보면, 사회에서 내가 가지는 위계가 작동하지 않는 낯선 공간에서 전과 같은 위계가 지켜지지 않는다는 불만(혹은 불안)이, 직업적인 이유로 하대하기 쉬운 승무원에게 공격적으로 전위되어 비겁하게 표출되는 것이다.

작년 여름, 어느 스터디 모임 뒤풀이에서 옆에 덩치가 산만한 분이 고기를 열심히 굽고 있는데 나는 별 생각 없이 고기를 집어 먹고 있었던 적이 있었다. 옆에 계신 분이 나에게 몇 년생이냐고 묻더니, "197x년생이다"라고 답하니 갑자기 나이도 그리 많지 않은 분이 거기 계신 분들께 일일이 몇 년생인지를 묻고는 나에게 따지기 시작하는 것이었다.

그 말은 내 귀에 "나이도 어린 XX가 내가 고기 굽는데 넙죽넙죽 집어 먹기나 하고, 싸가지 없는 XX야"라는 폭언으로 들리는 것은 물론이었다. 나는 좀 당황하긴 했지만 웃으며 잘 넘기고, 지인들에게 "투자 스터디에서 내가 이런 취급받는 건 처음이다"라고 종종 이야기하곤했다. 고기 굽는 자리에서 그 형님(?)은 자신의 '나와바리'에 통하는 위계를 내게 들이밀었고, 나는 투자자들 사이에서 여태껏 수평적으로 잘 대접받고 지내온 덕에 무감각해진 어떤 감각을 다시 깨닫게 되었다.

투자를 잘하고 사회적 지위가 높고 돈이 많은 사람이라도, 자신을 모르는 사람들이나 그런 배경과 무관한 공간에서 아무것도 요청하지 않아도 자신이 더 나은 대접을 받아야 한다고 생각하는 건 굉장히 무례한 일이다. 특히 초면인 자리에서, 자신이 누군지 알지도 못하는 상대에게 특별 대접을 요구하는 것은 납득시키기도 어렵거니와 상대를 매우 곤란하게 만든다.

그 일이 있은 후, 나는 어떤 자리를 가더라도 의식적으로 가위와 집게를 먼저 집어 들거나 샤브샤브에 재료를 넣는 일에 신경을 쓰게 되었다. 지인이나 친구들은 서비스업 종사자도 아닐뿐더러, 아무도 자신의 위계를 증명할 필요가 없는 상태가, 관계를 가장 안정적이고 효율적으로 만든다는 생각이 들기 시작했다. 내가 의식, 무의식중에 다른사람을 업신여기거나 대접을 바라고 있는건 아닐까.

끊임없이 자신을 사랑하는지 확인하려는 사랑은 쉽게 바스라진다. 마찬가지로 끊임없이 자신의 위계를 확인하려는 사람은 타인을 질리게 하고, 별로 배울거리가 없거나 재미마저 없다면 그 관계는 빠르게 소진되고 만다.

세상은 그 누구의 위계도 지속해서 돌봐주지 않는다. 돈이 있다가도 없고, 명예도 있다가 사라지는 것이다. 적어도 성숙한 관계에서 사람을 판단하는 기준은 사람을 보는 기준은 재미가 있거나 유익하거나, 이 두 가지 기준이 적절할 것 같다. 일상에서 대접받으려는 습관이 든 사람은, 어디서든 자신을 대접해주지 않을때 폭력적이 되기 쉽다. 나이들어서 대접받으려면 다른사람에게 친절하고 상냥하게 대하면 된다. 나이가들수록 입은닫고 지갑을 열라고 하지 않았나.

2026년 반도체와 시장에 대한 메모

cocon — Fri, 2 Jan 2026 16:47:27 +0900

1. 메모리업체들이 파운드리처럼 장기계약 기반으로 움직이게 된다면 매출과 이익 가시성이 높아지면서 재평가 가능성이 높아진다고 생각한다.

2. 한국의 빅테크인 삼성전자와 하이닉스는 한국의 마켓캡에 상단이 막혀서 오르지 못한 것일뿐 이익 상단이 열리면 리레이팅&한국 시장의 상단도 열리리라 생각한다. 한국 시장에서 메모리 비중이 너무 높다고? 대만을 보라. 세상에 영원히 고정된 것은 없다.

3. 메모리도 빅테크, AI향 특별사양 메모리(HBM, HBF등)의 수요가 늘어나면서 장기고정계약이 늘어난다면 한국은 코스피 5000 이상을 바라볼 수 있는 상황에 처할것이다.

하루 늦은 2025년 결산

cocon — Thu, 1 Jan 2026 22:12:22 +0900

2025년 결산을 세 가지 버전으로 옵시디언에 썼는데 네 번째 버전을 쓰게 된다. 회사를 나오기로 하고 자존감이 지하를 뚫고 내려가는 시기에 투자와 투자 인간관계에 대해 많은 고민을 하던 시기가 있었다. 처음부터 다시 시작한답시고 여기저기 모임에 자리를 잡고 튕겨 나가는 사람들에 신경 쓰고 어찌어찌 글을 안 썼더니 뭔가 정리가 안 되고 있다. 2년 정도 미룬 일기를 모아서 쓰는 느낌이다. 이직한 다음 친한 친구들에게 별반 연락도 하지 못하고 이직한 직장에서 적응하는 것처럼 마음도 몸도 바쁘고 부산한 한 해였다.

2024년 겨울로부터

큰아이가 24년 수능을 망치고 돌아오자 집안 분위기가 물속처럼 침울하게 가라앉아 일 년이 집안이 사람 없는 절간 같았다. 재수를 하기에 아이가 체력이 부족하단 생각으로 PT를 시작하고 종합반 같은 곳보다는 독학 재수학원을 등록했다. 아침을 간단히 먹이고 보내고 돌아오는 모습을 지켜보면서 아이가 재수하면 부모도 재수한다는 말을 실감했다. PT 쌤에게 아이 컨디션에 대해 들어볼 때에, 주변에 대학 가서 잘 다니는 저보다 못했던 친구들을 보고 마음이 좋지 않았으며 더 열심히 하기로 마음을 먹었다고 하거나 점점 운동도 열심히 하고 공부도 열심히 하고 있다는 이야길 들으면서 조금씩 마음을 놓을 수 있었다. 아이가 아침부터 밤늦게까지 공부하고 돌아와 쓰러져 잠드는 걸 보면서 일 년 동안 마음을 졸이며 내 삶에 보다 집중할 수밖에 없었다.

집에서 틀어박혀서 봄이 왔다고 노들섬을 갔다. 왜 집에 처박혀서 봄이오는지가는지도모르고 지내다가 버스 열 정거장만 가면 있는 노들섬을 출근길에 오가면서 한번도 가보지 않았다는 사실을 깨달았다. 여의도에서 63빌딩이 보이는 노들섬의 서쪽끝에 앉아서 이제 시작도 없고 끝도 없는 내 투자인생에 이런 좋은날씨에 하루라도 그냥 앉아있을 수 있음에 감사한 마음이 들기도 했다. 이후에 내가 좋아하고 사랑하는 분들과 노들섬에 몇번이나 다시 왔을정도로 올해의 장소라고 할 수 있을듯하다.

돈벌면 뭐할거긴요 주식 사야죠

선배의 권유로 국내주식 위주의 온라인스터디, 후배의 권유로 해외주식 스터디에 들어갔다. 그 밖에 우연히 들어간 온라인 주식대화방에 들어갔는데 S사의 반도체와 디스플레이 현업이 잔뜩 활동중이라 여기서 반도체에 대한 현장의 이야기를 많이 들을 수 있었다. 약간은 알려진 유별난 닉네임을 쓰고 있기 때문에 부담없이 부캐나 본명으로 활동을 하기로 하고, 같은 스터디 소속으로 나를 아는 사람도 있었지만 그런거 알아도 모른척하고 하자고 단단히 이야길 했다. 들어가서 나를 모르는 사람들 앞에서 평소처럼 종목 발표를 하고 종목뷰를 이야기하고 다른사람 발표에 피드백을 했다. 평소에 나와 투자이야길 자주 하던 동료들도 이 모임에 불러들여서 놓으니 한꺼번에 정모를 하는 기분도 들곤한다.
상반기는 방산과 원전의 이어달리기가 성공하면서 뭔가 실마리가 풀리는 것 같았다.

투자, 여름이후

투자 카톡방의 반도체 현업의 권유로 러닝을 시작했다. 데일리스터디도 집중적으로 하게 되었는데 양을 채우기위해 IR녹취록도 듣고, 콥데이도 부지런히 다녔다. 바람의서님이 콥데이 일정표를 가끔 올려주셔서 콥데이하는 날은 명함을 들고가서 직접 IR담당자에게 질문도 하면서 새로운 경험을 했다. 올해 성과에 지대한 도움을 받았다. 가는곳마다 여시아문님이 계셨다. 어디가던 부지런하게 살아야 한다는걸 배웠다.

여의도에 자주 들락날락 하면서 형님따라 식판밥도 많이 먹어보았고, 콥데이에 갔다가 기관대상 IR이라고 진입한 다음 쫓겨나기도 하고, 자리에 앉았는데 네임드 투자자들을 먼발치에서 실제로 보기도 했다. 다들 나빼고 이렇게 살고 있었구나 그랬구나. 그김에 반도체 전시회 방산전시회 탐방.. 안하던짓을하려니 몸과 마음이 분주함이 이루말할수가 없었다 인공지능이 없었다면 이런걸 정리나 할 수 있었을까.

원전 다음은 전력기기 기판과 반도체로 하방변동성을 어느정도 막아낼 수 있었다. 다음이 문제였지만 크게 문제될 일은 없었다. 다음으로 가는 계기를 마련할 수 있었다.

가을이 오기직전에 보성과 지리산 천은사와 화엄사에 갔고 수능다음날은 부산엘 갔다. 차박을 처음으로 했다. 첫날은 보성만에서 하룻밤을 자고 둘째날은 여수 국가정원에에서 자리를 잡았다가 너무 밝아서 지리산 천은사 주차장에 차를대고 잠을 청했다. 천은사를 둘러보고 화엄사에서 전에 가보지 않은 진신사리탑에올랐다. 가는길은 흐리고 비가 흩뿌렸는데 돌아오는 길이 개어서 좋은 예감이 들었다. 갈비방 부산모임은 투자에 진심인 분이 피와 땀과 눈물로 일가를 이루는 모습을 지켜았던 것이라 투자에대해서 깊이 돌아볼 수 있는 계기가되었다. 용기를내자 용기를.

겨울
어떻게 살아왔는지 달려왔는지 기억이 잘 나지 않는다. IR에 많이 갔고, 겨울들어서는 탐방도 가보았고, 많은 사람들을 만나는 계기가 있었다. 가까운 분들에게 전처럼 마음을 쓰지 못한게 걸릴뿐, 일 년동안 부지런이 잘 산 것 같다. 결혼 20주년이라고 금반지를 했다. 금값이 비쌌지만 아내가 무척 좋아했던거 같다. 글을 더 쓰면 끝이 없을것 같다.

큰 아이 수능을 보는날 모든 식구들이 아침에 일어나 차에타고 수능 시험장에 갔다. 나도 아내도 막내도 시험장으로 걸어들어가는 아들의 뒷모습을 보면서 뭉클한 마음이 들었다(아내와 막내도 아마도 나와 같은 마음이었겠지). 큰아이가 차에서 내려서 우리의 격려와 응원을 받으며 시험장으로 걸어서 가는걸 지켜보고 집으로 돌아오는 길에, 일년동안 온 가족이 큰 산을 함께 넘는 기분이었고, 수많은 사람과 노력과 기도와 바람이 너무나 두껍고 빡빡하게 적은 책이 마무리 되어가는 기분이 들었다. 시험이 어렵다 했지만, 어쩌면 우리는 다음은 아주 멀리 나아갈 수 있게 될것이라는 희망을 가질 수 있었다.

'책쓰려고 주식하나 돈벌려고 주식하지'

아들은 아들대로 나도 일년동안 닥치는대로 살았다. 페북에서도, 블로그에서도, 텔레그램에서도 내가 누굴 만나고, 어디를 가고, 무얼 먹고, 어떤주식을 공부하고 사고 팔았는지 어떤 생각을 하고 살았는지 거의 적지 않았다. 그냥 올해는 모임마다 발표한 리포트 열 네편정도가 남은 해였다.

투자는 현대 로봇과 의료기기회사로 하반기 마지막을 그럭저럭 하방변동성을 막아내면서 다음해로 넘길 수 있게 되었다. 메인계좌는 태어나서 가장 높은 수익룰을 올린 해였다. 다만 아쉬운점은 다른 계좌는 장기계좌랍시고 방치하거나 실기하면서 멍청한 수익을 올렸다는 것이다.

종혁이는 나와 아내와 상의해서 정시 원서 세 장을 냈다.
이제 모든게 끝났다. 모두가 최선을 다했으니, 후회도 아쉬움도 없다.
2024년으로 다시 돌아가고싶지 않다. 아무런 소원도 후회도 없는 해였다

올해 처음부터 끝까지 튕겨나가지 않게 손을 잡고 어깨를 걸고 묵묵히내내 큰 언덕과 산을 오르는 길을 견뎌낸 가족들
유익하고 재밌게 투자하시는 형님, 탑다운 투자의 동료 호균님과 펀드이지방 멤버분들, 내게 등대이자 나침반같은 동료이자 선배인 채진, 성욱, 승선, 광수님 나의 투자깐부 영민, 정철, 항기씨와 니커님과 모소대니무님과 강성민님, 자주 연락드리지 못해 죄송한 철광형, 성진형님 가치삶형님, 서병수님, 항상 저에게 생각하고 산책하고 이야기를 나눌 여유로운 시간을 내주시는 문샷방 형님들, 존경하는 갈비방 30명의 형님들과 후배님들과 여시아문님과 시너지투자클럽, 테크밸리 손정우님과 여러분들, 정민님 간스님 텔레그램 운영자들, 그리고 제 일을 자신의 일처럼 염려해주신 키퍼님, 듬직한 술친구인 현규님과 위안님에게 감사드립니다

이렇게 감사의 글을 쓰자니 내 투자가 얼마나 많은 사람의 노고 덕에 돌아가고 있는지 너무나 아득한 마음이 든다.
부족한 저와 투자를 이야기하고 나누고 있는 모든 동료들과 제 글을 읽으시는 모든분들.... 이렇게 쓰려니 다 빼먹지 않으려고 쓰다보면 끝도없을것같이 많은 분들께 헤아릴수 없는 감사를 드리고 싶습니다.

성당에 다녀왔다

cocon — Sun, 9 Nov 2025 23:29:53 +0900

성당엘 간만에 갔다. 아내가 결혼하고 싶으면 성당에라도 다녀야 한다고 해서 교리교육을 받았었다. 그땐 성당이 샌드위치 판넬이 있는 곳도 있을정도로허름했는데, 이제 리모델링도 해서 소박한 동네 성당의 면모를 갖추고 수녀님도 계셨다.
결혼을 하고 아이를 데리고 계속 다녔는데 유아방에서 아이들을 데리고 미사를 드리곤 했다. 이제 그때 계셨던 수녀님도 익숙한 얼굴도 하나도 보이지 않았지만 마지막 성가대의 성가를 들으면서 주마등처럼 아이와 보낸 지난날이 지나쳐갔다.

이제 수능이 머지 않았다. 일년간 열심이 살은 모두에게 중요한 날이다. 아이들은 문득문득 내 인생을 돌이켜 거울처럼 보여주곤 했다. 첫째 나이 두살때 손바닥 화상입었을때가 그랬고, 책상에 올라가 내가 갖고 있던 (거의 전재산에 가까운) 주식을 시장가매도했던때도 그랬고, 재워놓고 잠시 비디오가게 간다고 집을 비운사이 엄마아빠가 보이지 않는다고 밖에 나서서 우릴 찾으러 다니던때나 미아보호소에 앉아서 우리를 기다리는걸 보던때가 그랬고, 장염에 걸려서 밥도 못먹고 고생하던때 너를 두고 가족들만 여수에 갔던때도 졸업식날 그 추운날에 대학에 간 친구들과 작별인사를 하는 때 밝게 인사하며 사진을 찍는 마음이 그랬다. 가슴에 바람구멍이 난 것 같고 뭔가 화는 나는데 애틋하면서도 자괴감이 들고, 그래도 잘 버티고 일년동안 잘 살았으니 잘되길 바랄뿐이다.

집안에서 말도 별로 안하고 각자 바쁘게 사는것 같으면서도 너의 행복과 아픔과 즐거움이 나에게 곱하기로 돌아오는 것이 사랑이라는 마음때문일 것이고, 그래서 나는 너를 사랑할 수 밖에 없는 피를 나눈 연이라는 것이, 나를 있게 했고 살게 한 원동력이었던것 같다.
그래도 나는 너를 나보다 출발선을 내 온힘으로 앞으로 밀어보낸 부모가 될 수는 있는거 같아서 다행이다. 너의 노력은 너를 배신하지 않을것이다. 너의 성공을 진심으로 바라고 응원하고 소원한다.

삼성동에서 젠슨황, 이재용, 정의선 치맥회동과 피지컬AI

cocon — Fri, 31 Oct 2025 11:34:26 +0900

NVIDIA의 CEO 젠슨 황은 최근 행보에서 'Physical AI'를 AI의 '다음 물결(Next Wave)'로 명확히 선언하며, 기존 '데이터 AI' 중심에서 전략적 우선순위를 이동하는 모습을 보이고 있다.

젠슨황의 피지컬AI에 대한 비전은 2024년 GTC에서 그는 '프로젝트 GR00T(Project GR00T)'라는 휴머노이드 로봇용 파운데이션 모델과 전용 컴퓨터 '젯슨 토르(Jetson Thor)'를 공개하며 기조연설의 피날레를 로봇으로 장식하며 공개 되었다. 나아가 2025년 GTC에서는 AI의 발전을 3단계(인식->생성형 AI->로보틱스)로 정의하며, "AI의 다음 물결은 이미 시작됐고, 그것은 로보틱스"라고 직접 선언했던 것이다. 그의 비전이 순수한 디지털 데이터 처리에 그치지 않고 실제 생물이 물체와 상호작용할때 의식하지 않는 자율신경계쪽 즉 피부와 물체와의 마찰을 통해 쥐는 힘을 조절한다거나, 세게 공을 던져서 임계점을 넘기면 맞은 물체가 깨지거나 부서지는등의 물리적 인과관계 등 물리 법칙을 이해하는 Physical AI로 확장되었음을 알리고 그 와중에도 오라클, openAI등 AI 서비스, 인프라 업체와 합종연횡을 하며 주도권을 놓치지 않으려는 모습을 보이고 있다.

젠슨 황은 서울 삼성동에서 삼성의 이재용 회장, 현대차의 정의선 회장과 '치맥 회동'을 가졌다. 이 만남은 Physical AI 생태계 구축을 위한 핵심 파트너십의 지향점을 상징적으로 보여준다고 생각한다. 삼성전자는 AI의 명령을 현실 세계에서 정교하게 구현할 아날로그 통신, 정밀 제어, 핵심 부품(센서), 생산 제품 갯수를 억 단위로 만들어낼 수 있는 제조 역량을 보유하고 있다. 현대차 그룹은 바퀴가 달린 모든 것, 즉 모빌리티 전반에서 축적한 방대한 실제 주행 데이터와 더불어, 보스턴 다이나믹스를 통해 확보한 로봇 공학 및 비정형 환경의 물리적 데이터를 쌓아나가고 있다.

이제 인터넷에 올라온 디지털 데이터는 MS, 구글, 아마존, 메타등등이 대부분 확보하고 있다고 볼 수 있다. (물론 여기서도 기업 간 데이터의 질과 독점성에는 차이가 있을 것이다.) 하지만 Physical AI 시대의 핵심 경쟁력은 달라야 한다.

첫째는 '독점적 물리 데이터 확보 능력'이다. 어떤 기업이 현실 세계에서 독점적이고 가치 있는 물리적 데이터를 수집하고 있는가? (예: 자율주행 데이터, 로봇 작동 데이터, 공정 데이터) 둘째는 '하드웨어 제어 및 통합 능력'이다. AI의 디지털 명령을 현실 세계에서 정교하게 구현할 수 있는 아날로그 제어 기술, 센서 기술, 부품 통합 능력을 보유하고 있는가?이다.

앞으로는 스마트 팩토리의 공정 관련 데이터, 실무 현장에서 접하는 수많은 비정형 데이터를 어떻게 확보할 것인지가 중요해진다. 이를테면 철강공장에서 프로젝트를 할때 회사의 고민은 전기로와 빌렛, 압연공정에서 나오는 많은 로그데이터를 어떻게 유용한 데이터로 사용할 것인가였다. 또한, 사람과 직접 접촉하는 '몸'으로서의 로봇을 어떻게 감성적으로 풀어낼 것인가 하는 인간공학적 접근이 지금보다 훨씬 더 중요해질 것이다.

엔비디아의 인공지능 칩은 '학습' 영역에서 엄청난 역할을 했지만, 이것이 '실행' 영역, 즉 실제 로봇의 칩으로 쓰이기 위해서는 삼성, 현대차 같은 전통적인 제조 인프라와 아날로그 감성(인간공학)을 가진 회사들과의 협업이 필수적이라고 생각한다. 그들의 신체에 엔비디아의 인공지능 플랫폼을 탑재시켜야만 AI의 다음 단계를 완성시킬 수 있을것이다.

왜 테슬라가 (자율주행 칩 생산을 위해) 삼성 파운드리를 선택했을까? 왜 애플이 TSMC와 손을 잡고, 동시에 폭스콘과도 손을 잡았을까? 이는 결국 아이디어를 현실로 구현하는 '제조 역량'과 '통합 능력' 때문이다. 이러한 협업의 논리가 확대된다면, 미래에 테슬라의 로봇이 대세로 선택되었을때, 부품과 로봇을 삼성전기와 삼성전자가 생산하는 시나리오 역시 가능하다고 볼 수 있다.

이러한 패러다임의 전환은 투자 시장의 가치 평가에도 반영되어야 한다. 시장의 비교 데이터로, 아마존(AMZN)의 주가수익비율(PE)은 약 34배 수준에서 거래되고 있으며, '데이터 AI' 기업으로 분류되는 팔란티어(PLTR)의 주가수익비율(PE)은 약 500배 수준에 형성되어 있다.

투자자는 팔란티어와 같은 '데이터 AI' 대표 기업과, 아마존, 삼성, 현대차와 같은 '피지컬 AI' 인프라 기업 간의 시가총액 변화 추이를 지속적으로 모니터링해야 할 것 같다. 젠슨 황의 선언처럼, 우리는 인공지능의 무게 중심이 디지털에서 피지컬로 이동하는 크나큰 변곡점에 와 있기 때문이다.

(112) GTC March 2024 Keynote with NVIDIA CEO Jensen Huang - YouTube

간만에 망막검사

cocon — Wed, 29 Oct 2025 00:38:24 +0900

거의 5년만에 안과에 들렀다. 거의 10년전 처음 초진을 했던 잘생긴 원장님이 이제 망막안과계의 셀럽이 되셨다. 이제 예약이 한달정도 차 있는터라 좀 오래 기다려야 해서 다른 선생님에게 예약을 해두고 아침 일찍 갔는데 원장님이 어떻게 알고 나를 자기 대기열에 넣어주셨다.

아직 암점이 생긴건 아닌데 중심 시야가 그리 좋지 않은 상태라 시력은 전에 비해 많이 떨어진 상태였는데, 원장님은 어짜피 길게가면 시력은 아주 천천히 점점 안좋아질텐데 주사를 맞아서 늦추는게 유일한 방법이라고 했다. 안구주사를 맞아보면 개인적인 경험중 가장 두렵고 불쾌한 기분이 눈을 바늘로 찔리는 것이다.

내년 봄에 다시 진료를 받아서 주사를 맞아야겠다. 일단 혈당관리부터 다시 시작해야하겠다.

탑다운 퀄리티 투자 책 출간

cocon — Fri, 24 Oct 2025 21:27:15 +0900

올해 초에 최이지님의 투자 스터디에 들어가서 최이지님과 인연을 맺게 되었습니다.

전세계를 대상으로, 질적으로 검증된 회사들의 변화와 경쟁력, 지속성을 파악해서 투자한다는 컨셉이었는데 약세를 보이던 한국시장에서 활로를 찾던 차에 많은 도움을 받았습니다.

책을 1년 사이에 두 권이나 내시고 저에게 먼저 읽을 기회가 있어 읽어봤습니다.

모멘텀 투자와 퀄리티 투자 탑다운 투자를 모두 할 수 있는 투자자는 많지 않습니다. 탑다운 투자는 추세추종 매매를 해야하는 경우도 많아서 한국의 전통 가치투자에서는 밸류에이션 논쟁이 일어나고 있기도 했습니다.

실용적인 접근방식이 잘 쓰여져 있어서 도움이 많이 되었습니다.

탑다운 퀄리티 투자 출간 전 이벤트 : 네이버 블로그

탑다운 퀄리티 투자 출간 전 이벤트

"당신의 포트폴리오는 왜 매일 불안할까요?" 삼프로TV가 극찬한 저자에게 직접 질문할, 단 한 ...

blog.naver.com

두산에너빌리티의 가스터빈 공급 계약의 함의

cocon — Thu, 16 Oct 2025 04:55:34 +0900

두산에너빌리티는 미국 빅테크와 380MW급 가스터빈 2기 공급계약을 체결했다고 13일 밝혔다. 두산에너빌리티는 내년 말까지 가스터빈 2기를 공급할 계획이다. 발전용 대형 가스터빈은 항공기 제트엔진 기술이 필요한, 1,600°C 이상의 고온 환경에서 분당 3,600회 이상 고속 회전하는 부품의 안정성을 확보해야 한다. 이를 위해 초내열합금 소재 기술, 정밀 주조 및 가공, 복잡한 내부 냉각 유로 설계 등 극한의 기술력이 요구되어 국가 간 기술 이전이 엄격히 통제되는 전략 기술로 분류된다.

두산에너빌리티는 2013년부터 2019년까지 정부와 함께 약 1조 원을 투자한 국책과제를 통해 380MW급 대형 가스터빈(DGT13D-380 모델) 개발에 성공했다. 이후 김포 열병합발전소에서 1만 5,000시간 이상의 실증 운전을 성공적으로 완료한 바 있고, 발전 가스터빈 엔진 시장이 요구하는 기술 신뢰도와 운전 이력을 확보하는 데 성공했다. 이는 30년 이상 걸린 경쟁사들의 개발 역사를 약 7년으로 단축한 결과이다.

AI 데이터센터발 전력 수요 폭증으로 2024년 기준 연간 가스터빈 수요는 약 80GW로 추정되나, 3사의 총 생산 능력은 30GW 수준에 불과하다. 이로 인해 경쟁사들의 신규 주문 납기는 통상 3~5년이 소요되어 현재 주문 시 2028년에서 2030년에나 인도가 가능하다. 반면 두산에너빌리티의 2026년 말 납품은 이보다 최소 2년 이상 빠른 것으로, 신속한 전력 인프라 구축이 필수적인 고객에게 결정적인 경쟁 우위를 제공하게 되었다.

기존 (잠재)투자자들은 두산에너빌리티의 성장 동력을 장기(10년 이상) 관점의 '대형 원전'과 중기(5~10년) 관점의 'SMR'로 인식하는 경향이 있었다. 이번 가스터빈 수주 성공은 이러한 시계열에 '단기(1~3년)'의 가시적인 성장성을 더하는 중요한 역할을 한다. 즉각적인 매출과 이익 창출이 가능한 가스터빈 사업의 부각은 SMR이 본격화되는 2030년 이전의 실적 공백을 메우고 안정적인 현금 흐름을 창출할 것을 기대하게 한다. 또한, 1,600°C의 초고온 환경을 극복한 가스터빈 기술력은 고온·고압 환경에서 운영되는 SMR, 방위산업에 쓰여지는 제트엔진 등 미래 사업에 필요한 극한 환경(Extreme Environment) 엔지니어링 역량을 현재 시점에서 시장에 입증하는 효과가 있다. 결론적으로, 가스터빈 사업의 성공은 투자자들에게 두산에너빌리티를 '미래가 기대되는 기업'에서 '가시적인 단기 성장을 가시적으로 제시하는 기업으로 주가가 재평가 되리라 생각한다.

만족지연과 안티프레질에 대해

cocon — Wed, 15 Oct 2025 22:25:12 +0900

'만족지연'은 측정이나 실험으로 관찰할 수 있는 인간의 행동특성이다. 초기의 실험은 아래와 같다.

1. 월터 미셸의 '스탠퍼드 마시멜로 실험' (1960년대 후반 ~ 1970년대 초반)

스탠퍼드 대학교의 심리학자 월터 미셸(Walter Mischel)과 그의 연구팀은 '만족지연' 능력을 측정하기 위한 실험을 실시했다.

실험 설계: 4-5세 아동을 방에 혼자 있게 한 다음, 눈앞에 마시멜로(또는 쿠키, 프레첼 등 아이가 좋아하는 간식) 하나를 놓고, 그리고 연구자는 아이에게 다음의 선택 중 하나를 하게 했다. "너는 지금 이 마시멜로를 먹어도 돼 그런데 내가15분 후에 돌아올 때까지 먹지 않고 기다리면 마시멜로를 하나 더 줄게"
일부 아이들은 연구자가 나가자마자 마시멜로를 먹었지만, 다른 아이들은 다양한 전략(눈을 가리거나, 노래를 부르거나, 냄새를 맡는 등)을 사용하여 유혹을 참고 기다렸다 기다린 시간은 아이들마다 작지 않은 차이를 보였다.
장기 추적 연구 결과, 미셸은 이 아이들을 수십 년간 추적 관찰했다. 어린 시절 마시멜로를 먹지 않고 더 오래 기다렸던 아이들이 청소년기에 더 높은 SAT(미국 대학입학 자격시험) 점수를 받았으며, 스트레스 상황에 더 잘 대처하는데에다, 비만 지수(BMI)가 낮고, 약물 남용 문제가 적은 경향을 보인다고 발표했다. 이는 만족지연 능력이 학업 성취, 사회성, 건강 등 삶의 전반적인 성공과 높은 관련성이 있다는 증거로 제시됐으며 많은 투자책과 자기계발서적에 즐겨 인용되는 연구로 남았다.

이 연구 결과는 개인의 '의지력'과 '자제력'이 성공의 핵심 요인이라는 믿음을 대중적으로 확산시키는 데 결정적인 역할을 했다. 기질이 중요하다는건 이론의 여지가 없는 것이다. 하지만 개인의 의지력과 자제력은 어떻게 형성되는 것일까.

2. 최신 재현 연구의 등장 (2018년)

2018년에는 수십 년간 정설로 받아들여지던 마시멜로 테스트의 결론에 중대한 의문을 제기하는 연구가 발표되었다.

타일러 와츠(Tyler Watts) 등의 재현 연구: 뉴욕 대학교와 캘리포니아 대학교 어바인 공동 연구팀은 월터 미셸의 연구보다 훨씬 더 크고 다양한 인구 집단(표본 크기 10배 이상, 다양한 인종 및 사회경제적 배경 포함)을 대상으로 유사한 실험을 실시했다.
이 연구에서도 마시멜로를 오래 기다린 아이들이 학업 성취도가 더 높은 경향을 관찰할 수 있었다. 그렇지만 상관관계는 초기연구의 절반 수준으로 줄어들었다. 개개인의 만족지연에 능력에 초점을 맞춘 이 연구에서 정작 더 중요한 발견은, 아이의 '가정 환경'과 '사회경제적 지위(Socioeconomic Status, SES)'와 같은 배경 변수를 통제하자, 만족지연 능력과 미래 학업 성취도 사이의 상관관계가 거의 사라지거나 통계적으로 유의미하지 않게 되었다는 점이었다. 즉, 부모의 교육 수준이나 소득이 높은 가정의 아이들이 마시멜로를 더 잘 참는 경향이 발견된 것이다. 바로 가정 환경이 아이의 미래 학업 성취에 더 직접적인 영향을 미쳤다는 점이었다.

'만족지연'에 대한 초기 연구는 개인의 성공은 얼마나 인내와 참을성을 갖춘 사람들이 성공할 것인가 개개인의 성향이나 기질에 초점을 맞춘 것이었다. 즉 눈앞의 마시멜로를 참아낸 아이가 더 나은 미래를 맞이했다는 결론은, 성공이 타고난 기질, 즉 의지력과 자제력이 성공을 좌우한다는 대중적인 믿음을 낳았지만, 이 해석은 중요한 변수를 놓친 예측 오류에 가까웠다고 볼 수 있다.

최근의 연구들은 아이의 선택이 의지력의 문제가 아니라, 자신이 처한 환경에 대한 합리적 의사결정일 수 있음을 보여주고 있다. 약속이 지켜지는 안정적인 환경의 아이는 기다림이 더 큰 보상으로 이어진다는 것을 학습했기에 수월하게 기다림을 선택한 반면, 미래가 불확실하고 약속이 잘 지켜지지 않는 환경을 경험한 아이는 눈앞의 보상을 즉시 취하는것을 가장 합리적인 생존 전략으로 인식한 것이다. 즉, 기다리지 못하는 것은 개인의 빈약한 의지때문만이 아닌, 불확실한 환경을 대하는 태도이자 나름의 리스크 관리라고 할 수 있을것이다.

만족지연에 대한 두 번의 연구는 주식 투자, 특히 불확실성과 장기 투자의 본질을 이해하는 데 중요한 사실을 말해주고 있다.

주식 시장은 본질적으로 불확실한 환경이다. 성공적인 장기 투자는 불굴의 의지력으로 시장의 변동성을 참아내는 과정이 아니다. 오히려 시장의 불확실성을 당연한 조건으로 받아들이고, 그 안에서 예측 오류의 위험을 최소화하는 자신만의 안정적인 환경(내지는 구조)을 구축해야 한다는 것이다.

리스크 관리는 이 환경 구축의 핵심적인 요소이다. 자산 배분과 분산 투자는 특정 자산이나 시장이 약속을 어길 가능성, 즉 예측이 빗나갈 위험에 대비하고, 만기가 다른 자산, 상관관계가 반대인 자산으로 포트폴리오를 분산해서 지속가능한 꾸준한 복리수익을 추구하는 리밸런싱에 대비하는 장치라 할 수 있다. 정기적인 분할 매수는 즉흥적인 판단과 한번의 크나큰 예측 오류가 포트폴리오를 망가뜨릴 여지를 줄여주는 시스템인 것이다. 시장이 좋을 때나 나쁠 때나 꾸준히 투자를 이어가는 환경을 스스로 설계함으로써, 의지력에 기댈 필요 없이 장기적 보상을 기다릴 수 있는 구조를 만들어야 한다.

세상의 불확실성이 심화되면서, 이러한 환경 구축의 중요성은 더욱 커졌다.

지정학적 리스크, 기술의 급격한 변화, 예측 불가능한 전염병 등은 미래 보상에 대한 신뢰도를 떨어뜨리고 있다. 이는 투자자가 마주한 환경이 더욱 예측 불가능하고 변덕스러워졌을 가능성을 의미한다. 지금 상황은 자고나면 점점 세상이 평화로와지고 기술이 인류를 진보시킨다는 패러다임은 점차 종언을 고하고 있다. 이런 상황에서 단기적 변동에 반응하고 장기 계획을 포기하려는 충동은 더욱 강해질 수 있다. 불확실한 미래의 두 번째 마시멜로보다, 당장의 작은 이익이나 손실 회피가 더 합리적인 선택처럼 느껴지기도 한다.

따라서 심화된 불확실성에 대한 전략은 정교한 에측이나 미래를 내다보는 마법의 수정구슬을 가지는게 아니다. 예측의 무용함을 인정하고, 어떤 충격에도 흔들리지 않는 더욱 견고한 개인의 투자 환경을 만드는 것이다.

첫째, 안전 마진(Margin of Safety)을 확보한다. 모든 자산을 시장에 던져두는 대신, 일정 비율의 현금을 보유하거나 변동성이 낮은 안전자산을 포함하여 예상치 못한 충격에 대비한 완충지대를 마련해야 한다. 이는 최악의 상황에서도 헐값에 자산을 매도하지 않고 버틸 수 있게 하는 생존 장치를 강구해야 한다.

둘째, 반취약성(Antifragility)을 시스템에 도입한다. 단순히 충격에 버티는 것에 그치지 않고, 혼란과 변동성을 통해 오히려 이득을 얻을 수 있는 구조를 구축해야 한다. 주식과 반대방향으로 움직이는 자산, 가령 변동성이 적고 정기적으로 배당이 나오는 미국채나, 장기 배당수요로 인해 변동성이 적은 배당주를 편입해서 폭락시나 정기적인 리밸런싱으로 채권과 주식의 비중을 조절하는 것이다. 시장이 급락할 때 상대적으로 비중이 높아진 안전자산을 팔아 급락한 위험자산을 매수하는 행위는, 시장의 변동성을 장기 수익률을 높이는 기회로 활용하려는 전략으로 볼 수 있다.

결론적으로, 세상이 불확실해질수록 투자자의 시선은 외부의 예측에서 내부 시스템의 견고함으로 옮겨와야 한다. 시장을 예측하려는 근자감을 버리고, 어떤 불확실성 속에서도 나의 원칙과 시스템이 나를 지켜줄 것이라는 신뢰 환경을 구축하는 것. 그것이 예측 오류의 위험을 관리하고 장기적인 성공에 이르는 길이 아닐까 싶다.

참고 자료:

만족지연에 대한 초기연구
- Mischel, W., Shoda, Y., & Rodriguez, M. L. (1989). Delay of gratification in children. Science, 244(4907), 933-938. (https://www.science.org/doi/10.1126/science.2658056)
만족지연에 관한 후속연구
- Watts, T. W., Duncan, G. J., & Quan, H. (2018). Revisiting the Marshmallow Test: A Conceptual Replication Investigating Links Between Early Delay of Gratification and Later Outcomes. Psychological Science, 29(7), 1159-1177.

신한 박석중 부서장: 미국의 생존을 위한 '잡초 뽑기' 자산 포트폴리오 전략

cocon — Mon, 13 Oct 2025 18:33:49 +0900

미국의 생존을 위한 '잡초 뽑기' 자산 포트폴리오 전략

현재 세계 경제는 미국이 제조업과 서비스업 우위가 있을때 구축해 놓은 자유무역이라는 기존 질서를 파괴하고 자국 중심의 새로운 판을 짜는 거대한 전환기에 접어들었다. 이 변화는 더 이상 부채를 감당할 수 없는 미국의 구조적 한계로 시작되었다. 미국이 지금의 상황을 더 이상 방치할경우 중국에게 패권을 잃거나, 수술을 해서 호전하거나, 수술을 하다 죽거나 하는 중대한 변화의 기로에 서있음을 의미한다.
국가, 기업, 개인 모두에게 과거의 성공 방식이 더 이상 유효하지 않다. 생존과 새로운 기회를 잡기 위해서 핵심만 남기고 불필요한 것(잡초)을 과감히 정리하는 자산 포트폴리오의 점검이 시급하다고 볼 수 있다.'
이 요약본은 유튜브 "2026년 세계 돈의 방향이 바뀐다" 달러 붕괴 위기 올 때, 반드시 알아야 할 것들 (박석중 부서장 풀버전)을 요약한 것으로 필자가 향후 자산배분을 전략을 새롭게 재편할 계기가 될 것으로 소개해 본다.

1. 판을 바꾸는 미국: 스스로 만든 질서의 파괴

미국은 더 이상 기존의 글로벌 경제 시스템을 유지할 수 없는 한계에 봉착했다. 2025년에는 정부의 이자 비용이 국방비를 넘어설 것으로 보인다. 역사적으로 어떤 패권국도 국방비보다 많은 이자를 내면서 패권을 유지한 사례는 없었다고 한다. 정치적인 혼란과 분열속에도 트럼프가 선택된 것은 위기감을 극명하게 드러난 결과로 볼 수 있다. '미국을 다시 위대하게(Make America Great Again)'라는 구호는, 기존 질서를 파괴하고 미국 중심의 새로운 공급망을 재구축하는 방향을 제시하고 있다. 물론 이것이 성공할지 실패할지는 모르는 상황이고, 많은 이들이 합리적이지 않다고 비난하는 이 전략은 합리성이나 성패여부를 떠나 우리에게 적응을 요구하고 있다. MAGA는 두 단계로 진행되고 있다.

1단계 : 관세 정책을 통한 제조업 부활
과거 미국은 무역 적자를 감수하는 대신, 다른 나라들이 벌어들인 달러로 미국 국채를 사주는 공생 관계로 지내왔다 미국은 이제 스스로를 자유무역의 '최대 피해자'로 자처했으며, 관세 정책을 통해 외국 제품의 문턱을 높이고 제조업을 자국으로 회귀시키려 하고 있다. 이는 '소비하는 미국'과 '생산하는 중국'(이자 국채를 사주는 중국)의 공생 관계를 청산하고, 각국이 생산과 소비를 자체 해결하는 신 자유무역주의 이전 체제로 돌아가려는 시대로의 전환(내지는 퇴행)을 의미한다. 이 과정은 필연적으로 구조적 비효율화, 약육강식, 적자생존의 국제관계 질서 재편, 글로벌 교역 위축과 구조적인 인플레이션을 유발하게 된다.
2단계: 부채 해결을 위한 금융 시스템 재편
무역 적자 문제를 해결하게 된다면, 미국은 기존의 방식이 아닌 파괴적인 방법으로 부채 문제를 해결하려 할 수 있다. 이는 단순히 금리를 조정하는 수준이 아니라, 인플레이션을 용인하여 화폐 가치를 떨어뜨리거나, 스테이블코인을 활용해 미국 국채의 새로운 수요처를 만들어내는 등 달러 중심의 국제 결제 시스템 자체를 흔드는 방식을 선택할 것이다.이는 세계 금융 시장에 훨씬 큰 충격을 줄 수 있는 잠재적 위험 요인이다.

2 꽃을 남기고 잡초를 뽑아보자: 새로운 시대의 자산 포트폴리오 재편 전략

'고성장-저물가-저금리'의 좋은 시절은 지났다. 성장이 둔화되고 물가는 오르는 새로운 환경에 적응해야 한다. 과거의 성공 공식은 더 이상 통하지 않는다. 이제 기업, 국가, 개인 모든 단위에서 모두 자신의 포트폴리오에서 '잡초'를 뽑아내고 미래를 위한 '핵심' 자산에 집중해야 할 것이다.

기업
- 범용 산업(잡초)을 정리하고, 고부가가치 핵심 사업으로 재편
- 한국 제조업의 르네상스를 이끌었던 중화학, 조선 등 주력 산업은 이제 중국과 중동이라는 거대한 경쟁자에게 주도권을 넘겨주고 있다. 지금이 공급 과잉에 처한 규모의 경제를 무기로 삼았던 범용 산업들이 더 많은 적자를 내고 더 큰 침체가 오기전에 신속히 정리하고 고부가가치 산업으로 전환할 골든타임이라 할 수 있다.
- 과감한 포트폴리오 재편
  - 적자 사업은 물론, 흑자라도 비핵심 분야라면 과감히 매각하고 미래 핵심 산업에 투자해야 할 것이다. 이미 SK, LG, 한화 등 선제적으로 사업 포트폴리오를 재편한 기업들이 시장에서 재평가받고 있으며 투자자 입장에서도 관심을 가져야 한다.
개인
- 부동산 편중(잡초)에서 벗어나, 금융자산 중심으로 포트폴리오 전환
- 가계 자산의 80%가 부동산에 묶여 있고 세계 최고 수준의 가계부채를 짊어진 한국의 자산 구조는 매우 위험하다. 부채를 활용해 자산을 늘리던 시대가 앞으로도 가능한지에 대해서 진지한 고민이 필요하다.

저성장 고인플레이션 시대의 포트폴리오 재편

1단계 (잡초 뽑기): 과도한 부채 관리와 원화 자산 편중 탈피
1. 최우선 과제로 과도한 부채를 줄여야 한다.
2. 원화 예금은 더 이상 안전자산이 아니므로, 원화 중심의 자산 구조에서 벗어나야 한다.

2단계 (핵심 심기): 금융자산 포트폴리오 재설계
- 통화 다변화: 원화 가치 하락 위험에 대비해 달러, 유로, 엔 등 기축통화 자산 비중을 늘리는게 바람직할것이다.
- 자산 다변화: 현재 30년 만기 미국 국채 금리는 5%에 육박하는 역사적으로 매력적인 수준으로, 이자 수익이 필요한 가계에 좋은 금융소득원이 될 수 있을것이다.
3단계 (미래 성장 투자): '코어-위성' 전략으로 장기 투자
- 코어(Core) 자산
  - 변동성을 견디게 해줄 포트폴리오의 중심으로, S&P 500이나 중국 CSI 300 같은 대표 지수 인덱스 펀드 장기 보유
- 위성(Satellite) 자산: 미래 성장 테마에 투자하는 것으로. AI 기술이 확산되면서 파생될 유망 산업에 투자
- 전력 인프라: AI 데이터센터의 막대한 전력 수요를 감당할 필수 산업.
- 사이버 보안: AI 사회의 근간을 지키는 핵심 기술
- 바이오/헬스케어, 힐링/웰빙: 기술 발전 속에서 인간의 삶의 질을 높이는 분야.

참고자료:# "2026년 세계 돈의 방향이 바뀐다" 달러 붕괴 위기 올 때, 반드시 알아야 할 것들 (박석중 부서장 풀버전)

https://youtu.be/22a-0G4ghoU?si=1W5tUEq2iqTM8CKI

가치투자의 비밀(크리스토퍼브라운)

cocon — Thu, 2 Oct 2025 12:50:45 +0900

주가의 등락을 맞추는 게임에 골목하는 것보다는 상승 잠재력이 높은 가치주에 투자한 뒤 기다리는 것 이 훨씬 낫다. 타이밍을 맞춰가며 시장을 들락날락하는 것보다는 가치주에 투자한 뒤 진득하게 시장에 머물러 있는 것이 훨씬 더 높은 수익률을 얻을 수 있는 방법이다. 주식에 투자해 얻는 수익률의 80~90%는 전체 투자기간의 2~7%라는 짧은 기간에 발생한다.

.....

주가가 오를 땐 열광하던 투자자들이 주가가 떨어지기 시작하면 주식 사기를 주저한다. 갖고 있던 주식 이 급락하면서 큰 손해를 본 투자자들은 주식이라면 진절머리를 치게 된다. 주가가 하락할 때는 방송인 신문에서도 암담하고 절막적인 소식만 전하는 것처럼 보인다. 결국 투자자들은 점점 더 주식을 사기가 싫어진다. 주가가 하락하여 정작 가격이 할인되고 있을 때는 주식을 외면해 버리는 것이다. 주식시장에서는 대부분의 사람들이 오르는 주식은 사야 하고 떨어지는 주식은 팔아야 한다고 생각하는 듯하다. 또 주식 시장이 전반적으로 크게 오를 때는 덩달아 주식투자에 동참하고, 주가가 급락해 사람 들이 주식시장에서 도망칠 때는 함께 빠져나오려고 한다. 투자자들이 이러한 행동을 보이는 이유는 홀로 남겨지는 것이 두렵기 때문이다.

가치투자의 비밀(크리스토퍼브라운)

알고있다는 착각을 극복하기

cocon — Wed, 1 Oct 2025 06:58:35 +0900

'알고 있다는 착각'은 두 가지 문제를 일으킨다. 첫째는 자기과신이고 둘째는 새로운 정보가 나타났을때 기존의 믿음을 새로운 업데이트하고 행동하는 것을 방해하는 것이다. 특히 후자의 '업데이트 실패'는 해야할 일을 하지 않아서 생기는 오류(부작위오류)를 낳게 된다.

여기서 투자에서의 오류를 통계학에 나오는 용어인 1종오류와 2종오류로 정리하면 다음과 같다.

1종 오류 (False Positive: 행동의 오류)
나쁜 주식을 '좋다'고 잘못 판단하여 매수하거나, 좋은 주식을 '나쁘다'고 잘못 판단하여 매도하는 것처럼, 하지 말았어야 할 행동을 하는 실수이다.
좋은선택 나쁜선택을 계속 반복하다보면 투자자의 실력에 따라 포트의 성과가 장기적으로 시장수준과 투자자의살력 어딘가로 회귀하게 된다.

2종 오류 (False Negative: 부작위의 오류)
좋은 주식을 '좋다'고 알아보지 못해 매수하지 못하거나, 나쁜 주식을 '나쁘다'고 인정하지 못해 매도하지 못하는 것처럼, 했어야 할 행동을 하지 않는 실수이다. 좋은 주식을 사지 못해 놓친 수익률은 이론상 무한대일 수 있고, 나쁜 주식을 팔지 못해 발생하는 손실은 원금의 100%에 달할 수 있기 때문에 이 오류의 효과는 비대칭적이다.

정리하면 1종 오류는 비중으로 커버가 가능하고 2종 오류는 손익비가 무한대인 비대칭적인 효과를 가지기 때문에, 이 두 가지 오류의 특성을 고려하여 다음과 같은 원칙을 둬야 한다.

원칙 1: 기회 상실을 막기위해
치명적인 2종 오류 (기회 상실)를 막기 위해, 투자자는 자신의 능력 범위 안에서, 혹은 확장을 목표로 하는 산업분야에서 잠재적 아이디어에 대해 매우 적은 금액이라도 투자하여 공부와 관찰을 시작해야 한다.
2종오류는 대부분 포트폴리오 비중으로 줄일 수 있다. 일단 작게 행동하거나 여러번에 나눠서 행동하는 것이다. 이는 '좋은 주식을 알아보지 못하고 매수 기회를 놓치는' 실수를 방지하기 위한 방법이다. 이 방법은 의도적으로 여러 번의 작고 관리 가능한 1종 오류(소액으로 좋지 않은 주식을 사는 행동)를 감수하는 대가로, 포트폴리오 전체를 바꿀 수 있는 단 한 번의 거대한 2종 오류(훌륭한 투자기회를 놓치는 부작위)를 체계적으로 방지할 수 있다.

원칙 2: 손실 확대를 막기 위해
계좌를 크게 해칠 수 있는 2종 오류 (손실 확대)를 막기 위해, 투자자는 자신이 보유한 모든 주식에 대해 '주식을 모두 파는 시나리오'를 가지고 있어야 한다. 대부분의 투자아이디어는 사는 이유와 파는 이유는 거울처럼 대칭을 이루게 된다. 보유한 주식을 파는시나리오가 없다면 긴 세월동안 투자하면서 '나쁜 주식임을 인정하지 못하고 매도하지 못하는' 실수를 언젠가는 하게 되어있다. 투자 논리가 더 이상 유효하지 않음에도 불구하고 감정적 애착이나 손실 회피 심리 때문에 매도라는 '해야 할 행동을 하지 않는' 2종 오류에 빠지는 것은 복리효과에 큰 악영향을 미치게 된다.

그리고 제대로 알고 있다하더라도 그 정보에 대해서 올바른 판단을 할 수 없는 오류도 염두에 둬야 한다. 모두가 최선의 선택을 다하기 위해서 노력하지만 늘 최선의 선택을 할 수 없다는 것은 스스로도 알고 있지 않던가.
투자에서 꾸준히 계좌를 우상향시키 위해서 1종 오류(행동의 오류)를 너무 두려워하지 않는 대신, 한 번의 실수로 회복 불가능한 타격을 주는 2종 오류(부작위의 오류)를 체계적으로 방지해야 한다.

맹자 고자하 15장

cocon — Thu, 11 Sep 2025 11:45:15 +0900

일반적으로 고자하 15장에서 명구로 인식되는 절은 '천장항대임시인야'에서 '증익기소불능'까지 돌아다니는 것을 볼 수 있다. 정작 나는 이 글에서 가장 중요한 구절은 이 다음구라고 생각한다.

사람들은 언제나 과오를 저지르고 난 후에야 고칠 수 있고
마음 속으로 번민하고 생각으로 달아보고 난 후에야 할 수 있고
안색으로 나타내고 음성으로 발하고 난 후에야 안다.

들어가면 법도 있는 세가와 보필하는 선비가 없고
나가면 적국과 외부에서의 우환이 없다면
그런 나라는 언제나 멸망한다
그렇게 되고 난 후에야
후환 속에서는 살고 안락속에서는 망한다는 것을 알게 된다

http://osj1952.com.ne.kr/interpretation/mang/dl/6b15.htm

孟子曰舜(맹자왈순)은 : 맹자가 말하기를 “순은

發於畎畝之中(발어견무지중)하시고 : 밭 가운데서 기용되었고

傳說(전열)은 : 부열은

擧於版築之間(거어판축지간)하고 : 성벽 쌓는 틈에서 등용되었고

膠鬲(교격)은 : 교력은

擧於魚鹽之中(거어어염지중)하고 : 생선과 소금 파는 데서 등용되었고

管夷吾(관이오)는 : 관이오는

擧於士(거어사)하고 : 옥관에서 잡혀 있었는데서 등용되었고

孫叔敖(손숙오)는 : 손숙오는

擧於海(거어해)하고 : 바닷가에서 등용이 되었고

百里奚(백리해)는 : 백리해는

擧於市(거어시)하니라 : 시정에서 등용되었다

故(고)로 : 그러므로

天將降大任於是人也(천장항대임어시인야)신댄 : 하늘에서 그러한 사람들에게 큰 일을 맡기는 명을 내리면

必先苦其心志(필선고기심지)하며 : 반드시 면저 그들의 심지를 괴롭히고

勞其筋骨(노기근골)하며 : 그들의 근골을 수고롭게 하고

餓其體膚(아기체부)하며 : 육체를 굶주리게 하고

空乏其身(공핍기신)하여 : 그들 자신에게 아무것도 없게 하여서

行拂亂其所爲(행불난기소위)하나니 : 그들이 하는 것이 그들이 해야 할 일과는 어긋나게 만드는데

所以動心忍性(소이동심인성)하여 : 그것은 마음을 움직이고 자기의 성질을 참아서

曾益其所不能(증익기소불능)이니라 : 그들이 해내지 못하던 일을 더 많이 할 수 있게 해주기 위해서이다

人恒過然後(인항과연후)에 : 사람들은 언제나 과오를 저지르고 난 후에야

能改(능개)하나니 : 고칠 수 있고

困於心(곤어심)하며 : 마음 속으로 번민하고

衡於慮而後(형어려이후)에 : 생각으로 달아보고 난 후에야

作(작)하며 : 하고

徵於色(징어색)하며 : 안색으로 나타내고

發於聲而後(발어성이후)에 : 음성으로 발하고 난 후에야

喩(유)니라 : 안다

人則無法家拂士(인칙무법가불사)하고 : 들어가면 법도 있는 세가와 보필하는 선비가 없고

出則無敵國外患者(출칙무적국외환자)는 : 나가면 적국과 외부에서의 우환이 없다면

國恒亡(국항망)이니라 : 그런 나라는 언제나 멸망한다

然後(연후)에 : 그렇게 되고 난 후에야

知生於憂患而死於安樂也(지생어우환이사어안락야)니라 : 후환 속에서는 살고 안락 속에서는 망한다는 것을 알게 된다.”

친구와 오랜기간 좋은사이로 지내는 법

cocon — Thu, 11 Sep 2025 11:17:08 +0900

친구와 마음을 나누려고 너무 많은 일상을 나누려다 마음을 다치고 상대방에게 너무 많은 기대를 갖게 하고 그러다 소원해지는 경우를 자주 겪게 된다.
상대에게 혹여나 내가 대단한 사람이 아니라고 생각하게끔 말과 행동을 해야하고, 상대방에게 많은것을 바라지 않아야하고, 상대방에게 많은것을 베풀어서 나중에 되돌려받을것을 기대하지 않았을때 모든 관계가 건강하게 오래 유지 되는 것 같다.
나는 내 글과 말로 참 많은 사람을 현혹시키고 속여온것 같다. 어쩌면 나는 성공한 사기꾼이다.

ASICS 2025Q2 실적과 사업분석

cocon — Sat, 30 Aug 2025 09:12:16 +0900

ASICS 2025Q2 실적과 사업분석

1. 투자아이디어

ASICS Corporation은 2025년 상반기 동안 전례 없는 성장을 기록하며 역대 최고 실적을 달성.
실적 호조와 함께 연간 실적 전망치를 상향 조정하고 주주 배당금도 증액
사업부문 특히 '퍼포먼스 러닝', '스포츠스타일', '오니츠카 타이거' 카테고리가 성장을 견인
1. 일본, 북미, 유럽 등 전 지역에서 강한 성장세
2. Z세대 사이에서 러닝과 기능성 스포츠웨어에 대한 관심이 급증, 복고풍 디자인("Y2K 룩", "고프코어 룩")이 유행하는 트렌드와 ASICS의 브랜드 재포지셔닝 전략이 주효했음
인기와 가격정책 변경으로 인상 효과
1. 정가판매로 정책을 선회 높은 리셀가 형성
2. 품절 대란이 이어지며 리셀가가 계속해서 상승하고 있음
3. 특히 캐나다 디자인 스튜디오 jjj 자운드와 콜라보한 젤카야노 14는 발매가 대비 리셀가가 무려 6배나 뛰어오른 119만 9천 원에 거래되기도 했음2. 재무 성과 및 전망 (2025년 상반기 기준)[[3.Resource/투자/01.투자아이디어/첨부파일/b1ec909a6ec41c2e4bda4106728b37aa_MD5.webp|Open: 아식스-1756107973647.webp]]
  ![[3.Resource/투자/01.투자아이디어/첨부파일/b1ec909a6ec41c2e4bda4106728b37aa_MD5.webp]]

매출 및 이익 신기록:
- 2025년 상반기 매출은 4,028억 엔(약 3조 7,707억 원)으로 전년 동기 대비 17.7% 증가
- 중간 매출액이 4,000억 엔을 넘어섰음
**영업이익
- 811억 엔(약 7,593억 원)으로 37.5% 증가했으며, 순이익은 536억 엔(약 5,019억 원)으로 27.0% 상승하며 모두 역대 최고치를 기록
총자산
- 5,397억 1천 7백만 엔으로 전년 대비 4.0% 증가했으며, **총순자산은 2,432억 1천 3백만 엔으로 3.5% 증가
총자산 대비 자본 비율(Equity-to-asset ratio)은 44.7%를 기록
연간 실적 전망 상향 조정:
- 이미 2025년 1분기에 매출총이익 개선 요인으로 판매 가격 최적화(2.1% 증가)
- 2025년 연간 매출액은 기존 7,800억 엔에서 8,000억 엔으로 상향 조정
  - 2.6% 증가한 수치
- 영업이익은 기존 1,200억 엔에서 1,360억 엔으로 13.3% 상향 조정
- 경상이익은 기존 1,150억 엔에서 1,310억 엔으로 13.9% 상향 조정.
- 모회사 주주에게 귀속되는 이익은 기존 780억 엔에서 870억 엔으로 11.5% 상향 조정
- 주당 기본 순이익은 기존 108.98엔에서 121.72엔으로 상향 조정
배당금 증액:
- 중간 배당금을 주당 12엔으로 결정하고, 연간 배당금 전망치를 기존 26엔에서 28엔으로 상향 조정
- ASICS의 주주 환원 정책 강화에 대한 의지를 보여줌
MTP 2026 목표 조기 달성 가능성:
- 경영진은 이번 상향 조정을 통해 중기 경영 계획 2026(MTP 2026)의 영업이익 1,300억 엔 이상, 영업이익률 17.0% 이상, ROA 15.0% 목표를 1년 앞당겨 달성할 가능성이 높다고 발표

4. 성장 동인 및 핵심 카테고리

카테고리별 성장:
- 퍼포먼스 러닝: 하이엔드 제품에 집중하여 순매출 8.2% 증가, 카테고리 이익률 25.2% (1.2%p 증가)를 달성했습니다.
- 스포츠스타일: 순매출 46.4% 급증, 카테고리 이익률 30.7% (2.8%p 증가)를 기록했습니다. VINTAGE TECH 제품의 지속적인 강세가 주효했음
- 오니츠카 타이거: 순매출 50.1% 증가하며 가장 높은 카테고리 이익률 39.1% (1.1%p 증가)를 기록했습니다. 특히 일본 내 인바운드 수요가 크게 기여
- 오니츠카 타이거는 2025년에 글로벌 확장을 위해 바르셀로나(3월), 도쿄 오모테산도(4월), 중국 청두(4월), 파리 샹젤리제(7월)에 직영점을 오픈
- **2025년 순매출 전망은 120억 엔, 카테고리 이익 45억 엔, 매출총이익률 75%을 사측 가이던스로 제시
지역별 성장:
- 일본: 순매출 35.4% 증가, 영업이익률 30.0% (6.9%p 증가). 오니츠카 타이거 카테고리의 강세와 인바운드 관광객 매출이 전년 대비 약 150% 증가하며 큰 영향을 미침
- 유럽: 순매출 24.2% 증가, 영업이익률 20.2% (0.2%p 증가). 퍼포먼스 러닝 및 스포츠스타일 카테고리의 꾸준한 성장이 핵심 동력.
  - 파리 샹젤리제에 일본 브랜드 최초로 매장을 오픈 등 전략적인 확장을 추진 중
- 북미: 순매출 9.1% 증가, 영업이익률 13.9% (4.0%p 증가)를 기록 중. 스포츠스타일 카테고리의 높은 성장과 직영점 수익성 개선이 기여했음
- 중국: 순매출 16.9% 증가, 영업이익률 25.4% (전년 대비 25.4% 증가)를 기록. DTC(Direct-to-Consumer) 매장 확장과 주요 이커머스 플랫폼 내 럭셔리 카테고리 입점 전략이 효과를 보임
  - 중회권에서 오니츠카 타이거는 할인 판매에서 정가 판매로 가격 전략을 전환이 성과를 보임

4.5 판매 채널 전략 변화

• 오니츠카 타이거의 DTC 전환 전략
오니츠카 타이거는 사업 모델의 진화를 통해 도매(Wholesale) 중심에서 직접 소비자 판매(DTC: Direct-to-Consumer) 중심으로 전환하는 전략을 추진

2011년에는 DTC 비중이 5%에 불과했으나, 2024년에는 브랜드 통제 매장(Brand Control Store)의 비중이 99%로 증가=>전반적인 판매 채널의 변화
- 전자상거래(E-Commerce)가 27%
- 파트너 단일 브랜드 매장 14%
- DTC가 58%
  • 유럽 시장에서의 도매 운영 종료
  직접적인 고객 소통을 위해 도매 운영을 종료하고 DTC에 집중
북미(미국 포함) 시장에서의 DTC 채널 확장 및 전략
오니츠카 타이거의 북미 DTC 재진입 목표
- 오니츠카 타이거는 현재 DTC 채널이 없는 지역으로의 확장을 계획하고 있으며, 2027년 중반을 목표로 북미 시장에 온라인 및 오프라인 DTC 채널을 통해 재진입할 예정.
  - 기존 도매 채널을 직영점으로 환한다기보다 DTC 채널을 새롭게 구축하거나 강화하는것
아식스 북미 사업의 직영점 수익성 개선: 아식스 전체적으로는 북미 지역에서 회사 소유의 소매점(company-owned retail stores)에서 수익성이 개선
- 기존 직영 채널의 효율성 및 성장이 이루어지고 있음
  • 대형 유통 채널로의 확장 가능성: 북미 지역에서 러닝 전문점 시장 점유율 2위를 달성 후, 딕스 스포팅 굿즈(Dick's Sporting Goods)와 같은 대형 스포츠 용품 소매점으로 판매 채널을 본격 확장할 계획 특정 시장에서 도매 채널을 확대할 가능성도 있음을 보여줍니다. 현재 딕스 매출 비중은 북미 매출의 3%에 불과

4. 브랜드 전략 및 시장 트렌드

Z세대 및 러닝 트렌드
- Z세대는 운동에 진심이며, 러닝이나 헬스 등 일상에서 즐길 수 있는 운동을 선호합니다. 이는 곧 운동복과 운동화에서 기능성과 착화감을 중요하게 여기는 경향으로 자리잡고 있음
- 미국 Z세대 사이에서는 '러닝 클럽'이 데이트 장소로 활용되거나, '러닝 조끼'가 핫한 패션 아이템이 되는 등 러닝이 일상적인 문화로 자리 잡는 중
- ASICS는 이러한 트렌드에 발맞춰 러닝화의 기능성을 꾸준히 강조해왔음, 특히 '젤 쿠셔닝 시스템'과 같은 고유 기술이 호평을 받고 있음
Y2K 및 고프코어 룩
- 2000년대 초반의 감성을 담은 트로 열풍(Y2K 룩) 아웃도어 패션을 일상복에 활용하는 고프코어 룩의 유행이 ASICS의 복고풍 디자인과 맞아떨어졌음
- 특히 '젤 카야노 14', '젤 1090', '젤 1130'과 같은 2000년대 초반에 출시된 '젤 시리즈' 제품들이 재출시되면서 폭발적인 인기를 얻고 있고, 과거에는 투박하게 여겨졌던 디자인이 오히려 패션 아이템으로 각광받고 있다
- 리셀 플랫폼에서 '젤카야노 14'와 같은 인기 제품의 가격이 정가 대비 6배 이상 폭등하는 현상도 나타나고 있음
브랜드 재포지셔닝 및 협업
- [[3.Resource/투자/01.투자아이디어/첨부파일/de8a91ceaaff833c4235370c1a04006f_MD5.webp|Open: 아식스-1756106451625.webp]]
  ![[3.Resource/투자/01.투자아이디어/첨부파일/de8a91ceaaff833c4235370c1a04006f_MD5.webp]]
- ASICS는 2000년대 중반 이후 나이키, 아디다스와의 경쟁에서 밀리며 '아저씨 신발'이라는 이미지
  - 오니츠카 타이거를 패션 브랜드로 재출시
  - ASICS는 기능성을 지향하는 투트랙 전략을 구사
- 최근에는 키코 코스타디노프, JJJound(자운드), 마틴 로즈 등 유명 디자이너 및 브랜드와의 다양한 콜라보레이션을 통해 패션 지향적인 소비자들의 눈길을 사로잡음
- 셀럽 및 인플루언서를 활용한 마케팅을 통해 ASICS 운동화를 패션 아이템으로 자연스럽게 노출전략 효과
나이키와의 차별점:
- 신발이 스포츠에서 가장 중요한 카테고리이다
- 과거 러닝화 시장의 절대 강자였던 나이키가 최근 몇 년간 신발의 기능성보다는 패션 브랜드화에 집중했으나, 그 자리를 ASICS, Hoka, On Running, New Balance 등 기능성을 강조하는 브랜드들이 대체중
- ASICS는 나이키가 약해진 틈을 타 러닝화의 본질인 기능성, "발이 편안하다" 평가를 받으며 시장 점유율을 확대하고 있음

5. 결론

ASICS는 Z세대의 운동 트렌드와 복고 패션 유행이라는 거시적인 흐름을 잡는데 성공
• Z세대(젊은 세대)는 운동에 진심이며, 일상에서도 즐길 수 있는 운동을 선호하고 옷이나 운동화의 기능성을 디자인 이상으로 중요하게 여기고 있음. 이러한 트렌드는 기능성이 뛰어난 제품에 더 높은 가격을 지불할 의사가 있는 소비층이 형성되었음을 시사
=>아식스와 같은 브랜드가 높은 가격정책을 고수할 수 있는 동인으로 작용함
자사의 오랜 기술력과 브랜드 헤리티지를 현대적인 디자인 및 마케팅 전략과 결합하여 '제2의 전성기'를 맞이하고 있는 중.
다만, 이러한 급성장이 일시적인 유행에 그칠지, 아니면 지속 가능한 성장을 이어갈지는 향후 소비 트렌드 변화에 대한 ASICS의 민첩한 대응에 달려있을 것

url: https://www.ktnews.com/news/articleView.html?idxno=140465
title: "아식스, 상반기 3.7조원 팔았다…매출·주가 최고치 경신"
description: "일본 스포츠 브랜드 아식스(ASICS)가 올해 상반기 역대 최고 실적을 발표하며 연간 전망을 상향 조정했다. 실적발표 후 주가는 최대 18%까지 급등했다. 13일 공개된 실적 자료에 따르면 아식스는 1~6월 매출 4028억 엔(약 3조 7707억 원)을 기록해 전년 동기 대비 17.7% 증가했다. 영업이익은 811억 엔(약 7593억 원)으로 37.5% 늘었고, 순이익은 536억 엔(약 5019억 원)으로 27.0% 상승했다. 주당순이익(EPS)은 75엔(약 702원)을 기록했다.특히 아식스는 중간 배당을 주당 12엔으로 결정하며"
host: www.ktnews.com
image: http://www.ktnews.com/news/thumbnail/202508/140465_114358_4556_v150.jpg

참고자료

아식스 실적전망 공시

https://assets.asics.com/system/libraries/4050/Notice%20Concerning%20the%20Revision%20of%20the%20Consolidated%20Business%20Results%20Forecast%20.pdf[

오나츠카 타이거

https://c-hotline.net/docs/co/arc/LPVZ5506rev02/src/dl/asics250707e_1.pdf[

아식스 실적

(https://www.ktnews.com/news/articleView.html?idxno=140465)
[[3.Resource/투자/01.투자아이디어/첨부파일/d475f6ec6f2a63012a34a4e2889f5421_MD5.webp|Open: 아식스-1755905015684.webp]]
![[3.Resource/투자/01.투자아이디어/첨부파일/d475f6ec6f2a63012a34a4e2889f5421_MD5.webp]]

url: https://www.apparelnews.co.kr/news/news_view/?idx=219463
title: "올해 재판매 스니커즈 1위는 ‘아식스’"
description: "스니커즈 리세일 전문 스탁엑스(StockX)의 올 상반기 보고서(Big Facts)에서 스니커즈 재판매 부문에서 아식스가 지난해에 이어 연속 1위에 올랐다."
host: www.apparelnews.co.kr
image: https://www.apparelnews.co.kr/upfiles/manage/202508/bc94e2aafc8f1636a7641591928b5c8e.jpg

Fetching Data#s05o

url: https://v.daum.net/v/20250822114503804
title: "[단독] 아식스, 6개월만에 또 오른다…젤벤쳐 9%대 인상"
description: "[앵커]  각종 물가 부담은 계속 커지고 있습니다.  어제(21일) 생산자물가지수가 두 달 연속 올랐단 소식 전해드렸는데요.  이런 가운데 운동화 가격도 오릅니다.  이에 더해 명품 브랜드들의 줄인상도 예고되고 있습니다.  취재기자 연결합니다.  신채연 기자, 운동화 가격이 오른다고요?  [기자]  그렇습니다.  업계에 따르면 아식스코리아는 오는 25일부터"
host: v.daum.net
image: https://img1.daumcdn.net/thumb/S1200x630/?fname=https://t1.daumcdn.net/news/202508/22/sbscnbc/20250822114505380jtwq.jpg

url: https://www.hankyung.com/article/202508186143g
title: "치마 입고 달린다고?…러닝족들 난리 난 '이 옷' 뭐길래 [패션시장 강타한 러닝태풍 上]"
description: "치마 입고 달린다고?…러닝족들 난리 난 '이 옷' 뭐길래 [패션시장 강타한 러닝태풍 上], \"누가 기능만 보고 사요\" 강렬한 컬러에 스타일까지 '러닝템'의 진화 운동복 넘어 일상복으로&hellip;러닝 패션의 진화 무채색 운동복 옛말&hellip;형형색색 화려한 색상 인기"
host: www.hankyung.com
image: https://img.hankyung.com/photo/202508/01.41432107.1.jpg

url: https://www.hankyung.com/article/202508186826g
title: "2030 직장인, 취미로 '러닝' 시작했다가…\"매달 수십만원씩 써요\" [패션시장 강타한 러닝태풍 下]"
description: "2030 직장인, 취미로 '러닝' 시작했다가…\"매달 수십만원씩 써요\" [패션시장 강타한 러닝태풍 下], 패션 수요 위축에도 러닝복 시장만 성장 오픈런 열풍에다 인기 제품엔 '웃돈' \"유행 정점 찍었다\" 우려도"
host: www.hankyung.com
image: https://img.hankyung.com/photo/202508/99.38621588.1.jpg

[재무 프로파일](https://kr.investing.com/pro/TSE:7936/explorer/pe_ltm)

분열하는 제국

cocon — Tue, 19 Aug 2025 12:20:25 +0900

미국의 정치 변화가 전 세계에 막대한 영향을 미치지만, 정작 미국인들이 내리는 정치적 판단이 어떤 사회적·역사적 맥락 속에서 이루어지는지조차 잘 모른다는 사실을 깨닫고 이 책을 읽기 시작했다.

유럽의 청교도들이 종교박해를 피해 아메리카 대륙으로 건너오면서 동부 해안을 따라서 정착했고 이들이 유럽대륙으로부터 독립을 원하게 되면서 독립전쟁을 하게 되었고, 서부로 건너가서 미국 서부개척 역사가 열리고 노예제를 옹호하는 남부와 공업기반이 생긴 북부와 대립하다고 남북전쟁이 벌어지고 여기에서 링컨과 그랜트 장군이 이끄는 북부군이 이겼다는 정도.

이게 내가 아는 미국대륙의 역사이다. 심지어 미국에 역사라는것이 있기나 한가 하는 생각까지 했던것도 고백해본다.

분열하는 제국은 미국의 지도를 아래와 같이 11개의 권역으로 분류하고 있다.

미국의 이민자집단과 문화로 분류한 11개의 권역

푸른 색은 오늘날의 민주당 본거지인 블루팀 북부동맹, 붉은 색은 오늘날 공화당 강세지역인 레드팀 딕시연합을 의미하며 보라색은 그 중간의 부동층 - 자신들의 이익에 따라 어디로든 붙을 수 있는 - 퍼플팀을 의미합니다.

1. 엘 노르테 - 미대륙 가장 먼저 진출한 스페인계, 그리고 히스패닉
2. 뉴 프랑스 - 그 다음 도착한 프랑스계, 자유분방, 인디언도 우리 친구, 캐나다 정착
3. 타이드워터 - 영국의 젠트리 출신, 계약 노예제, 워싱턴 배출!
4. 디프사우스 - 영국 귀족 출신, 플랜테이션 운영, 가혹한 노예제, 남부의 수장
5. 양키덤 - 영국 청교도 중산층 출신, 투철한 사명감, 종교적 열정, 강력한 단합력
6. 뉴 네덜란드 - 뉴욕 정착 네덜란드 문화, 다인종다문화, 상업 최고!
7. 미들랜드 - 독일계 다수, 평화주의, 중립, 온건, 간섭X
8. 애팔래치아 - 스콧-아이리쉬, 호전, 가난
9. 레프트코스트 - 양키덤의 가장 큰 친구, 진보
10. 파 웨스트 - 척박한 환경, 자원 착취, 친기업
11. 퍼스트네이션 - 알래스카 등 극한 환경 원주민

*위의 색깔 분류*정리는 '어느정도 오차'님의 블로그에서 인용했습니다.
분열하는 제국: 11개의 미국, 끝나지 않은 전쟁 : 네이버 블로그

분열하는 제국: 11개의 미국, 끝나지 않은 전쟁

7년 동안 책장 깊숙한 곳에서 잠자고 있다가 이제서야 읽게 된 책, 「분열하는 제국」입니다. 얼마전 Fina...

blog.naver.com

권역의 확산 경로

분열하는 제국은 미국의 역사가 이민자의 계급적인 이해와 문화에 따라서 어떻게 협력하고 대결하며 미국이라는 거대한 나라가 이어져 왔는지 이민자들의 역사속에서 그들간의 협력과 대립이라는 역사적 관점을 제시하고 있다.. 유럽의 식민지시대와 왕정시대에서 의회와 공화제가 도입되기 시작하는 근대 유럽의 역사와 사상이 이민자들의아메리카 대륙이라는 공간에서 영향을 받으면서 상호작용하면서 한 나라가 된 이후에도 미국의 내내, 대외적 영향력에 영향을 미치는 정책들(전쟁, 미국의 패권주의, 문화적 다원주의, 인종갈등을 어떻게 융합해 나갈 것인가)을 갈등하고 대립하면서 형성해 나갔다는 것을 알 수 있었다.

미국의 제조업이 붕괴하고 노동자 계층의 목소리가 거세지고 미국은 점차 예전과 같은 윤리적 위상이나 패권이나 세계질서를 위한 명분을 유지하기 어려워졌다. 트럼프의 등장이후 코로나 역병의 대창궐이후 미국의 제조업 붕괴는 미국의 패권이 과연 제조업이라 기반 없이 유지될 수 있을까 하는 의문과 함께 대두되어 트럼프 2기는 관세정책으로 대표되는 미국의 첨단 산업의 중국 규제 뿐 아니라 모든 기반 제조업의 본토회귀 정책을 강력히 추진하고 있는 시기이다.

처음 이민자 집단에서 헤게모니를 장악한 엘리트 계층이 다른 사람들의 생각을 어떻게 받아들이고 어떻게 경쟁할것인가 하는 초기의 생각이 거대한 사람들의 행동양식을 만들어내고 이 행동양식의 집합이 미국사회와 정치와 모든것을 만들어냈다는 생각이 들었다. 미국의 사람들은 거대한 부에 대한 추동과 새로운 사회에 대한 갈망과 자유에 대한 열망이 뒤섞여서 만들어낸 국가이고 넓은 영토에서 사람들은 총과 법률과 자본으로 자신을 보호하고 질서를 만들어나갔다는것을 알 수 있었다.

피지배계층이자 군인들의 양성소였단 배고픈 애팔래치아산맥 인근의 힐빌리출신 밴스 같은 사람들이 미국의 정치영역으로 넘어와서 막말을 퍼붓는것을 보면, 세상이 뒤집힐만한 씨앗은 이미 땅속에 묻혀있고, 그것이 발아해서 싹이되고 큰 나무가 되는 환경이 주어지면 이미 그때는 늦는다는 생각도 들었다. 미국의 패권주의는 미국의 소외계층을 낳았고 그들이 영향력을 발휘해서 공화당을 뒤집었고 트럼프가 탄생했으니 이 책이 지금의 미국내의 정치적 소요와 혼란을 보게 해주는 미국의 현대사를 이해하는 좋은 관문이 되어 준 것 같다.

인상깊은 구절

무엇보다 나는 어느 국가의 국민이 되느냐는 유전자가 아니라 문화에 의해 좌우된다는 점을 강조하고 싶다. 문화적 정체성은 머리카락, 피 부. 눈 색깔처럼 유전적으로 물려받는 것이 아니라 유년 시절 혹은 이후 자발적인 동화 노력을 통해 후천적으로 습득되는 것이다. 심지어 유럽의 혈통' 국가도 이 주장에 이의를 제기하지 않는다. (31p)

미국 식민 제국 시대를 관통한 두 가지 정치적 이데올로기가 있다. 서로 긴밀히 연결된 그 둘은 '미국 예외주의'와 '명백한 운명'이다. 전자는 미국인이 신에게 선택받은 이들이라는 것이고, 후자는 미국인이 동부에서 서부까지 북미 대륙 전체를 지배하는 것은 신의 뜻이라는 주장을 담고 있다. 양키 청교도주의에 뿌리를 두고 있는 이 두 이데올로기는 뉴잉글랜드 자손들에 의해 더욱 진화하고 강화됐으며, 양키덤 내에서 큰 인기를 끌었다. (93p)

즉, 네덜란드인들의 관영은 이런 것이었다. 그들은 다양성을 축복이라 여겼던 것이 아니라 그저 '참고 견딘' 것이었다. 샹플렝의 고향인 생통주 마을 사람들처럼, 네덜란드인들은 많은 사람의 목숨을 앗아간 유럽의 종교전쟁을 겪으면서 다양성을 인정하는 것 외에 더 좋은 대안은 없다는 것을 깨달았다. 문화와 종교에 대한 획일적인 강요는 분쟁을 야기하고, 이는 무역과 사업을 망가뜨리는 자해와 다를 바 없었다. 다름을 수용한 이들의 ㅐ도는 오늘날 뉴욕 시의 특징을 형성했다. 뉴욕에서는 모든 문화와 종교와 계급이 뒤섞이고, 상업, 정치, 아이디어 시장에서 우위를 차지하기 위한 치열한 몸싸움이 벌어진다. (103p )

집단생활 속에서 우연히 빚어진 공동의 취향과 가치관은, 어쩌면 처음엔 한 사람이 그런 생각을 했고, 그 생각에 동조한 사람들이 생겨나면서 집단 내부에서 하나의 흐름이 되었을 것이다. 그리고 그런 흐름은 집단 간의 교류와 충돌, 전쟁을 거치면서 우위를 점했고, 결국은 그것이 널리 퍼져 사회가 되고, 나아가 국가는 그렇게 생겨났을지도 모른다.
인종이나 민족, 언어권이라는 것이 단지 혈연이나 지리적 유사성만으로 생긴 건 아닐 것이다. 오히려 그 안에서 형성된 문화의 공유와 선택, 어떤 식으로든 살아남은 경험이 그들을 하나로 묶는 힘이 되었고, 그렇게 만들어진 경계가 동질감을 낳으며 사람들을 하나의 단위로 묶었을 가능성은 충분히 생각해볼 만하다.
입맛이나 풍습 같은 일상적인 관습도 따지고 보면, 과학이란 것이 없던 시절, 생존을 위한 필요 속에서 생겨난 부족의 규칙 같은 것이 형식만 남아 전승된 결과일 수 있다. 그렇게 보면, 중국의 강력한 중앙집권제는 거대한 영토와 많은 인구를 관리하기 위해 만들어진 체제였고, 반대로 유럽은 작고 다양한 국가들이 끊임없이 경쟁하면서 바다를 건너 신대륙에 도달했고, 그 치열한 경쟁과 협력의 과정에서 각자의 방식으로 문화와 제도를 발전시켜온 셈이다.
그리고 유럽의 국가 내에서도 생각의 분화가 일어나기 시작한 때쯤 이민자들이 군락을 이루고 영향력과 인구를 늘려나가면서 생각의 공동체가 충돌하고 경쟁하며 형성된 나라가 바로 미국이다. 여러 민족과 기술이 서로 치열하게 부딪히 경쟁하면서, 넓은 땅에서 사람들 사이의 질서는 ‘정(情)’보다는 자본과 법률, 그리고 총으로 유지되어야 했고, 그렇게 쌓인 것이 지금 우리가 보는 미국식 질서와 문화가 된 것은 아닐까.

그렇다면 대중적 지지를 얻지 못한 한탙 컬트교가 어떻게 권위적인 가톨릭교단과 찰스 2세로부터 자신들만의 식민지 건설을 허락받을 수 있었던 것일까?
다른 많은 경우처럼, 이는 한 부유하고 존경받는 남성이 다른 사람들에게 꾸준히 호의를 베푼 덕분에 가능한 일이었다. 그가 베푼 호의의 대가는 그의 사후에 이단에 빠진 반항적인 청년을 위해 쓰였고, 그 덕에 펜실베니아가 탄생할 수 있었다.
(135p, 미들랜드의 탄생)

양키를 향한 농장주들의 증오는 다른 사람들을 깜짝 놀라게 할 만큼 깊었다. 러셀은 "마녀 화형식과 잔인한 박해를 일삼는 북부 광신도들의 식민지는 흉포하고 피에 굶주려 있으며 과격한 종교 재판이 열리지만, 젠틀맨이 세운 사우스캐롤라이나는 그와 다르다고 농장주들은 주장한 다"고 기록했다. 그는 "양키를 향한 그들의 증오심만큼 잔인하고 지독한 것은 없다"면서 "뉴잉글랜드는 도덕적• 정치적 교활함. 사회적 부패 등 사우스캐롤라이나가 싫어하는 모든 요소의 원천 같은 존재였다"고 말했 다. 또 다른 농장주는 그에게 "만약 메이플라워호가 바다에 가라앉았더 라면 우리가 이런 극한에 내몰리진 않았을 것"이라고 말했다
(371p 신의 사명)

미국이 지금과 같은 연방 체제를 계속 유지하려면 국가 전체의 단합을 위해 각 국민이 서로 타협하면서 캐나다의 전철을 밟아나가야 한다. 그러나 불행하게도 딕시나 북부동맹은 서로에게 양보할 의지가 없다. 양키, 뉴네덜란드, 레프트코스트는 사회안전망과 공립학교 시스템이 갖춰져 있지 않으며 반노동적, 반환경적인 데다 기업 금권정치에 대한 감시가 약한 복음주의 기독교 신정국가를 절대 용납할 수 없을 것이다. 반면 디프사우스는 국민건강보험 시스템과 좋은 시설을 갖춘 노조화·세속화된 공립학교 시스템을 위해 결코 높은 세금을 부담할 생각이 없다. 양키, 뉴네덜란드, 레프트코스트는 사회안전망과 공립학교 시스템이 갖춰져 있지 않으며 반노동적, 반환경적인데다 기업 급관정치에 대한 감시가 약한 복음주의 기독교 신정국가를 절대 용납할 수 없을 것이다. 반면 디프사웃는 국민건강보험 시스템과 좋은 시설을 갖춘 노조와 세속화된 공립학교 시스템을 위해 결코 높은 세금을 부담ㅇ할 생각이 없다. 그들은 성경이 아니라 과학적 탐구를 가르치는 국립대 무상교육 대중교통 보조금 정책, 고속철도 네트워크 재생에너지 사업도 원치 않는다. 금융 건전성 식품 안전 환경 규제 및 선거자금법 준수를 감시하기 위한 기구를 구축하는 것에는 관심이 없다.
'레드'와 '블루' 국민은 제1차 대륙회의의 첫 회담 이후 줄곧 그래왔던 것처럼 연방정부의 정권을 장악하기 위해 싸우기를 반복하면서, '퍼플' 국민을 자기편으로 끌어오게 할 수 있는 일은 뭐든지 다 할 것이다.(432p)

어쨌건 한 가지 사실만큼은 확실하다. 미국이 진정 지금처럼 하나의 나라로 존속하길 원한다면, 믿기 어려운 조건 속에서 탄생한 연방의 기본 원칙을 최선을 다해 존중해야 한다. 만약 종교와 정치의 분리를 포기하고 침례교를 샤리아 법처럼 제도화한다면 미국은 존재할 수 없다. 대통령이 정치적 이데올로기가 강한 사람을 법무부나 대법원에 앉히고, 정당 지도자들이 비전을 통해 국민들 설득시키려는 거이 아니라 상대편에 투표하지 못하도록 막아서는 것으로 승리하려고 한다면 더 이상 함께하는 것은 불가능해진다. 각 연합 세력이 대중의 검증을 피하고자 상원과 하원의 규칙을 악용해 중요한 사안의 공개 토론을 막으려 한다면 연방은 제대로기능할 수 없다. 물론 미국보다 더 부패한 중앙 정보를 가진 주권 민주 국가도 있다. 하지만 그들 대부분은 단일한 민죽과 종교 기본적인 정치적 합의 토대를 갖춘 나라다. 미국에는 그런 단합 요소가 없으므로 더욱 투명하고 공개적이면서도 효율적으로 작동하는 중앙 정부가 필요하다. 그것이 미국을 하나로 묶어줄 수 있는 몇 안되는 요소이기 때문이다.
(425p)

이 책은 트럼프 시대 이후의 미국을 이해하는 데에도 유용하지만, 동시에 미국 영화나 게임에 반복적으로 등장하는 ‘개척과 정복의 서사’를 바라보는 데에도 새로운 관점을 열어줄 것이다.

뇌를 잘 다루는 방법..

cocon — Mon, 18 Aug 2025 14:04:13 +0900

사람의 뇌는 예측하려는 본능을 가지고 있다고 한다.
문명시대 이전에는
비가올거 '같다'
하늘이 높아지고, 여름이 가는 것 같다.
이것을 이렇게 하면 저것이 저렇게 반응하는구나.
는 정도만 수행하면 되는 일인데, 뇌에게 당장 알 수 없고 노력이 많이 들거나, 정답이 없거나 질문에 적당한 답으로 마무리 할 수 없는 명령을 내리면 조금씩 부하가 생긴다.
능력대비 목표치가 높고 시일이 촉박한데 반드시 해야한다거나,
너무 어려운 문제를 앞두고 원리를 알 수 없는데 이걸 해결하고 싶은 욕구에 빠진다던지
통제를 할 수 없는 것을 통제하려고 한다던지
비교하지 않아도 될 것들을 계속 비교시킨다던지,
너무 먼 시계열을 여러개의 가정으로 현재시점에서 모두 에측해서 과도하게 대비하도록 한다던지,
한 번에 너무 여러 입력값을 동시에 처리시킨다던지 할때 과부하에 빠지게 되고
이게 한꺼번에 모두 다 작동시켜서 정상적으로 가동될 수 있는것처럼 보여도 너무 심하게 돌리면 나중에 뇌는 피로누적으로 반아웃에 빠지게 된다.
우리의 뇌는 사용측면에서는 되도록 긍정적으로, 일을 쪼개서 단계적으로 '성취감'이라는 보상을 해줘야 뇌가 더 좋은 성능을 유지시킬 수 있고, 하드웨어 보호 차원에서는 꾸준히 운동을 해줘야 뇌의 뉴런 연결이 가늘어지고 끊기는것을 지연시킬 수 있다고 한다.
스스로 감당할 수 있고 납득할 수 있는 수준의 꾸준한 노력이 필요하고,
주요한 사고기능 이외의 것들은 생활을 단순하게 유지할 수 있으면 좋다.
꾸준히 읽고, 쓰고, 운동하라.