원문 제목: 안드레이 카르파시가 Anthropic에 합류한 것이 클로드에게 실질적으로 무슨 의미를 갖는가
원문 작성자: @nateherk
번역: Peggy, 블록비츠

편집자 주: 안드레이 카르파시가 Anthropic에 합류하는 것은 그저 "AI 전문가가 선두 연구소에 합류"라는 인사 소식만이 아닙니다. 더 주목할 만한 것은 이 인사 변경이 가리키는 제품 방향 변화입니다.

작년 동안 AI 산업의 경쟁 초점은 여전히 모델 자체에 많이 집중되어 왔습니다: 누구의 벤치마크가 높은지, 누구의 추론 능력이 강한지, 누가 랭킹에서 선두하는지. 그러나 Claude Code, Skills, MCP, 프로젝트 메모리, 에이전트 워크플로우 등 제품 기능이 계속 발전함에 따라 더 명확한 추세가 나타나고 있습니다: 모델 자체는 제품의 한 부분에 불과하며, 실제로 사용자의 생산성을 결정하는 것은 모델을 둘러싼 컨텍스트, 메모리, 워크플로우, 스킬, 커넥터, 파일 구조, 스타일 가이드 및 목표 사이클입니다.

안드레이 카르파시가 최근 몇 달 동안 강조해 온 "컨텍스트 엔지니어링"은 정확히 이러한 변화에 부합합니다. AI가 안정적인 가치를 창출할 수 있는지를 실제로 결정하는 것은 사용자가 작성한 단순한 프롬프트가 아니라 모델이 문서, 워크플로우, 스타일 표준, 비즈니스 목표 및 판단 체계를 이해할 수 있는지입니다. 다시 말해, AI의 다음 단계 경쟁은 아마 더 이상 "어떤 모델이 더 강한지"만이 아닐지도 모릅니다. 대신 모델을 실제 업무 환경에 더 잘 통합할 수 있는 누구인지가 될지도 모릅니다.

LLM 위키부터 AutoResearch, 그리고 /goal과 같은 목표 주도적 사이클로, 카르파시가 공개적으로 탐구해 온 방향은 항상 같은 질문 주변에 있습니다: AI가 "질문에 답변하는 채팅 창"에서 벗어나 실제 컨텍스트를 이해하고 계속적인 과제 수행 및 목표 주기를 중심으로 이행할 수 있는 작업 시스템으로 변모시키는 것이 어떻게 가능한가. 그리고 Anthropic가 최근 Claude Code, 기업 서비스, 생태 커넥터 및 워크플로우 기능에 대한 레이아웃을 진행 중인 것도 마찬가지입니다.

따라서, 안드레이 카르파시가 Anthropic에 합류한 의의는 단순히 인재 유출에 그치는 것이 아니라 Anthropic 제품 로드맵에 대한 강조라 할 수 있습니다: 미래의 AI 도구는 모델 파라미터뿐만 아니라 사용자가 축적한 데이터, 워크플로우, 메모리 시스템 및 산업 지식 안에 가치가 있습니다. 이러한 컨텍스트를 조직할 수 있는 사람이 바로 AI를 "도구"에서 "인프라"로 진정으로 이끌 수 있는 사람일 것입니다.

아래는 원문입니다:

몇 시간 전에 Andrej Karpathy는 게시물을 게시하며 자신이 Anthropic에 합류할 것임을 발표했습니다.

이 이야기의 가장 간단한 버전은: 한 명의 AI 전문가가 대형 AI 연구소에 가입했습니다.

하지만 더 주목할 가치가 있는 문제는 무엇일까요? 왜 Anthropic인가요? 그리고 왜 지금인가요?

왜냐하면 Karpathy가 최근 몇 달 동안 공개적으로 구축해 온 것을 살펴보고 클로드 코드가 최근에 지속적으로 출시한 기능을 살펴보면, 두 사람이 이미 동일한 제품 방향으로 나아가고 있다는 사실을 알 수 있기 때문입니다.

배경

Karpathy는 현대 AI 분야에서 가장 중요한 인물 중 한 명입니다.

그는 2015년 OpenAI의 창립 멤버 중 한 명이었고, Tesla에서 5년 동안 AI 비즈니스를 이끌었습니다. 2023년 OpenAI로 돌아와서 1년 후 떠났으며, 그 후 자신의 AI 교육 회사 Eureka Labs를 설립했습니다. 그는 LLM 101n을 출시하기도 했는데, 이는 사용자가 어떻게 언어 모델을 제로부터 구축하는지를 가르치는 무료 강의입니다.

그는 또한 "vibe coding" 이라는 개념을 제안했습니다: 당신이 원하는 것을 영어로 설명하고, AI가 코드를 작성하도록 하고, 그 후 계속해서 느끼고, 이끌고, 반복합니다. 그는 이어서 "context engineering"이라는 개념을 제안했는데, 이는 이 글에서 토론될 핵심이 될 것입니다.

그러므로 이것은 그저 평범한 채용이 아닙니다. 이것은 현재 가장 강력한 AI 연구소 중 하나에 가장 영향력있는 AI 분야 목소리 중 하나가 합류했음을 의미합니다.

Claude Code는 이미 많은 빌더가 에이전트를 구축하거나 코드를 작성하거나 실제 지식 작업을 처리할 때 우선적으로 선택하는 도구가 되었습니다. 1주일 전쯤 Ramp은 AI 지수를 발표했습니다. 이 데이터에 따르면 Anthropic은 기업 채택률에서 OpenAI를 처음으로 앞지르려고 합니다: 34.4% 대 32.3%.

물론, 공정하게 말하자면, 이는 Ramp의 고객 집단 내에서의 데이터에 불과합니다. OpenAI는 여전히 강력한 소비자 브랜드를 보유하고 있으며, 이 조사 샘플에 포함되지 않은 많은 기업 계약이 있습니다. 이 문제를 과도하게 확대하고 싶지는 않지만, 이러한 신호는 확실히 무시하기 어려운 것입니다.

이번 달 초, Anthropic는 새로운 기업 AI 서비스 회사를 설립했음을 발표했습니다. Anthropic과 Blackstone, Hellman & Friedman, Goldman Sachs가 합작하여 설립된 이 기업은 중견기업이 Claude를 핵심 비즈니스 프로세스에 접목할 수 있도록 지원하는 것이 목표입니다.

이 동작을 한 번 더 살펴보면: 그들은 모델을 만들고 있으며 제품 진입로도 만들고 있습니다. Claude Code, Skills, MCP와 같은 것들도 제작 중에 있습니다. 또한 제휴사 네트워크를 구축하고 있으며, 이제는 기업들이 제품을 실제로 실행할 수 있도록 돕는 서비스 능력도 제공하고 있습니다.

이제 이는 더 이상 "모델을 제공하고 나머지는 스스로 처리하라"는 게임이 아닙니다.

Wrapper가 제품이다

오늘날 대부분의 AI에 관한 토론은 아직도 모델 자체를 완전한 제품으로 간주합니다: 어떤 모델이 어떤 벤치마크에서 누가 이겼는지, Opus 4.7, GPT-5.5, Gemini 중 어떤 게 강한지, 랭킹이 어떻게 되었는지 등에 초점을 맞춥니다.

모델은 물론 중요합니다. 모델이 오래 사용될수록 느껴지는 것은 모델은 제품의 한 부분에 불과하다는 점입니다. 실제로 당신이 일상적으로 출력하는 것을 변화시키는 것은 모델 외부의 그 레이어인 것을 더욱 명백하게 느낄 수 있습니다.

이것이 모델을 같이 사용해도 완전히 다른 결과를 얻는 이유입니다.

Wrapper란 모델이 사용되는 방법을 결정하는 모든 것입니다.

→ Claude Code 자체, Codex, Skills, Subagents, Hooks, MCP 연결자.

→ 당신의 CLAUDE.md, 당신의 기억, 당신의 문서, 당신의 케이스.

→ 당신의 파일 구조, 당신의 스타일 가이드, 그리고 "좋은 결과"를 진정으로 정의하는 당신의 방법.

이것이 모델이 위치한 환경입니다.

새 채팅창을 열어서 어떤 맥락도 없이 비즈니스 문제를 처리하도록 요청하면, 그것은 당신에 대해 전혀 알지 못하고 추측만 할 수 있습니다. 그래서 당신은 이미 열 번 말한 배경 설명을 계속 반복해야 할 것입니다.

하지만 같은 모델을 사용하더라도 당신의 파일, 케이스, 작업 흐름, 스타일 가이드 및 실제 성공 기준을 제공하면 결과는 완전히 다를 것입니다.

이것이 바로 Karpathy와 Anthropic이 서로 맞물리는 곳입니다. 그가 "context engineering"(맥락 공학)을 제시한 이유가 바로 이것 때문입니다. 완벽한 프롬프트를 작성하는 능력보다는 올바른 환경을 구축하여 모델이 실제로 작동하고 다른 대화 사이에서 맥락을 기억하고 활용할 수 있도록 하는 것이 진정으로 중요한 능력이기 때문입니다.

Anthropic은 계속해서 이 환경을 조용히 구축해 왔습니다. Karpathy는 이 방법을 공개적으로 가르치고 있었습니다. 이제 이 두 가지 개념이 한 회사에서 통합되었습니다.

이것을 이해하면, Karpathy가 지난 몇 달 동안 공개적으로 한 일들이 그저 무작위 프로젝트 모음이 아니라 로드맵인 것처럼 보입니다.

LLM 위키와 당신의 데이터 요새

올해 4월, Karpathy는 LLM 위키를 출시했습니다. 이 프로젝트가 X에서 빠르게 확산되었습니다.

이 구조는 매우 간단합니다. 궁금하다면, 전체 YouTube 튜토리얼도 제작했습니다.

→ 하나의 raw/ 폴더는 다양한 markdown 파일을 포함하며, 노트, 자료 출처, 트랜스크립트 등 여러 형태의 자료가 될 수 있습니다.
→ 하나의 wiki/ 폴더는 Agent가 모든 내용을 종합해 연결을 설정하고 마인드맵을 생성하는 자료를 담고 있습니다.
→ 하나의 schema 문서인 CLAUDE.md 또는 AGENTS.md와 유사한 파일은 Agent에게 시스템의 작동 방식과 새로운 자료의 흡수 방법을 알려줍니다.

이는 AI가 원본 파일을 검색하거나 단순히 벡터 쿼리를 실행하는 것이 아니라, AI가 살아 있는 지식 저장소를 구축하도록 하는 것입니다. 이는 자료를 읽고 자료 간의 관계를 이해합니다. 많은 사람들이 자신의 '두 번째 뇌'를 구축하는 데 사용하고 있습니다.

이 일은 표면상으로 보다 중요하다고 할 수 있습니다. 많은 사람들이 '데이터는 요새'라고 말할 때, 머릿속에 떠오르는 것은 큰 기업 데이터베이스일 것입니다. 그러나 평범한 빌더에게 있어서 진정한 요새는 더 작고 더 실용적입니다.

그것은 회의 노트, 내부 SOP, 고객 전화 기록, 트랜스크립트, 손에 넣기 쉬운 네이밍 규칙 및 진정으로 여러분의 작업 틀에 속하는 것들일 수 있습니다.

만약 Claude가 이러한 내용을 모델이 이해하고 활용할 수 있는 컨텍스트로 변환할 수 있다면, 그 모델은 매주 더 똑똑하고 유용해질 것입니다.

이것이 잠금 효과입니다. 당신이 모델을 바꿀 수 없어서가 아니라, 물론 모델을 바꿀 수 있습니다. 그러나 특정 도구에서 계속해서 컨텍스트, 작업 흐름 및 기억을 구축할수록, 떠날 때 꼬집기가 점점 더 힘들어집니다.

LLM 위키는 그저 부차적인 프로젝트가 아닙니다. 이것은 단서입니다. 미래에 Claude Code 또는 Claude Project Memory에 이와 유사한 기능의 보다 원조 버전이 나타날 것에 놀랄 일은 없을 것입니다. 이미 auto-dream 기능에서 일부 신흥이 보입니다.

물론, 기다릴 필요가 없어요. 이번 주말에 직접 시작해서 Claude Code가 당신의 중요한 문서를 읽고 이를 기반으로 위키를 구축하도록 할 수 있어요.

만약 AI-중심 사람이 되길 희망한다면, 여러분의 데이터는 Agent가 그것을 찾고 올바르게 활용하는 방법을 알 때에만 진정한 가치를 갖게 됩니다.

AutoResearch 및 /Goal 루프

올해 3월, Karpathy는 AutoResearch라는 프로젝트를 발표했습니다. 이는 자동화된 연구 루프입니다. Ralph Loop를 해본 적이 있다면, 두 가지가 어느 정도 비슷한 접근 방식을 가지고 있다는 것을 알 수 있을 겁니다.

대략적인 패턴은 다음과 같습니다:

1. 훈련 스크립트를 받습니다.

2. 수정 계획을 제시합니다.

3. 짧은 훈련 작업을 실행합니다.

4. 객관적인 지표를 통해 결과를 확인합니다: 통과 또는 실패.

5. 목표를 달성할 때까지 반복합니다.

솔직히 말해서, AutoResearch는 제 개인적으로 자주 사용하는 기능은 아닙니다. 저는 모델을 학습시키지 않고, 이러한 루프를 필요로 하는 응용 프로그램을 구축하지 않습니다. 하지만 그 형태는 매우 중요하다고 생각합니다.

목표를 정의합니다. Agent가 일할 수 있도록 합니다. 작업이 완료되면 돌아옵니다.

최근 전체 생태계에서 무엇이 출시되었는지 다시 한 번 확인해보면: Codex의 /goal, Hermes의 /goal, Claude Code도 자체의 기본 /goal을 갖추었습니다.

저는 Karpathy가이 기능을 직접 발명했다고 말하고 싶지는 않습니다. 모르겠습니다. 또한 AutoResearch와 /goal은 근본적인 면에서는 서로 다른 것입니다. 그러나 그들의 패턴은 명백히 관련이 있습니다.

두 가지 모두가 우리를 '한 가지 테마, 한 가지 대답' 패턴에서 벗어나게 합니다.

그들은 우리를 다른 상호 작용 방식으로 이끌고 있습니다: 결과를 설정하고, Agent가 스스로 어떻게 해야 하는지 결정하도록 하고, 조건이 충족되면 돌아오게 하는 것입니다.

이것이 강화된 버전 vibe 코딩입니다. '어떻게 하는가'를 정의하는 대신 '무엇을 원하는가'를 정의하고, 그것이 완성될 때까지 기다립니다.

이 패턴을 LLM 위키의 개념과 결합하면, 전체적인 것이 더 이상 채팅 봇이 아니라고 느껴집니다. 그것은 당신의 비즈니스를 이해하고 목표를 중심으로 계속해서 일하며, 그 목표를 달성할 때까지 계속합니다.

교육이 이번 신호

카르파시의 합류 발표에서 주목할 만한 한 문장이 있습니다. 그는 말했습니다. "나는 아직도 교육에 대한 깊은 열정을 품고 있습니다."

유레카 랩스, 이전 회사인 곳은 본질적으로 교육 프로젝트였습니다. 그 목표는 사람들에게 "이 버튼을 클릭하고, 이 노드를 연결하라"를 가르치는 것이 아니라 내부에서 AI를 실제로 이해하도록 돕는 것이었습니다.

카르파시의 특이한 점은 그가 극도로 기술적인 것을 다른 사람이 이해하고 접근할 수 있도록 설명할 수 있다는 것입니다. 한 가지를 이해하는 것은 능력이며, 다른 사람이 실제로 사용할 수 있도록 가르치는 것은 전혀 다른 능력입니다.

이는 Anthropica에게 매우 중요합니다. 다음 단계의 경쟁이 문맥, 워크플로, 기술, 기억 및 순환을 중심으로 전개된다면 병목현상은 기술 뿐만 아니라 교육도 포함됩니다.

최근 IBM의 AI 채택 및 변화 관리에 관한 연구는 기업이 "AI를 사용할 수 있다"와 "AI를 실제로 잘 사용하는 것" 사이의 엄청난 격차를 명확히 보여 주었습니다. 대부분의 기업이 여기서 막힙니다.

한 명의 AI 교육에 뛰어난 사람을 조직에 영입하여이 격차를 줄이는 데 도움을 주는 것은 결코 사소한 일이 아닙니다.

Claude Code에 대한 세 가지 예측

아래는 예측에 불과합니다. 저는 내부 정보가 없으며 Anthropica의 로드맵을 알지 못합니다. 그러나 Anthropica가 최근에 출시한 제품 및 카르파시가 지난 몇 달 동안 공개한 콘텐츠를 기반으로하면 방향이 상당히 명확해졌습니다.

Anthropic는 "문맥 애플리케이션 스토어"를 구축할 것입니다.

이미 그들은 시작했습니다. 공식 플러그인, 기술 및 상업화된 부품이 모습을 나타내고 있습니다.

하지만 제가 말하는 것은 prompt 시장이 아닙니다.

저는 Skills, 워크플로, 프로젝트 기억, 수직 영역 컨텍스트, 평가 순환 및 실제 데이터에 연결하는 커넥터와 같은 유형의 부품을 의미합니다. 또한 특정 직무에서 모델에게 "좋은"이란 무엇인지 가르치는 부분도 포함됩니다.

이러한 부품을 자신의 영역에 통합하면 모델로부터 더 많은 가치를 즉시 얻을 수 있습니다. 심지어 모델 자체가 이미 충분히 똑똑할지라도입니다.

왜냐하면 일반 사용자에게 있어서 모델 자체는 점점 더 유일한 차이점이 되지 않고 있기 때문입니다. 진짜 문제는 누가 모델 주변에 올바른 데이터와 래퍼를 구축하여 기업에 실질적인 ROI를 가져다 줄 수 있는지입니다.

LLM 위키는 난잡한 정보를 유용한 기억으로 변환하는 패턴입니다. /Goal은 목표를 자동화된 순환으로 변환하는 패턴입니다. Karpathy의 교육 작업은 복잡한 AI 개념을 유용하게 만드는 패턴입니다.

그가 정말로 포장한 것은 행동 방식입니다. 만일 Anthropic이 이러한 행동 방식을 진정한 생태계로 만들 수 있다면 Claude Code는 더 이상 단순한 프로그래밍 도구가 아니라 시장에서 중요한 존재가 될 것입니다.

제품에는 더 많은 /goal 스타일의 명령이 나타날 것입니다

/Goal은 아마도 첫 번째 버전에 불과하며 최종 형태는 아닐 것입니다.

미래에는 연구 순환, 디버깅 순환, 종결 순환 등 여러 전용 버전이 등장할 것입니다. 또한 특정 수직 분야에 최적화된 명령이 있을 것이며, 이러한 시나리오에서 에이전트는 이미 '완료'를 알고 있습니다.

그들이 최종적으로 무엇을 불러야 할지는 모르겠습니다. 그것은 중요한 문제가 아닙니다.

중요한 것은 상호 작용 인터페이스가 변경된다는 것입니다. 더는 '이 단계를 수행하라'고 말하지 않고 '특정 수직 시나리오에서 이 조건이 충족될 때까지 계속 진행하라'고 시작할 것입니다.

Anthropic은 작업 흐름을 패키징하는 데 도움이 되는 교육 시스템을 출시할 것입니다

이것은 가장 대담한 예측 중 하나입니다. 솔직히 말해서, 가장 흥미로운 것이기도 합니다.

만일 Anthropic이 진정한 컨텍스트 시장을 구축하려 한다면 일반인도 기여할 수 있어야 하며, 개발자와 연구원에만 제한되어서는 안 됩니다.

즉, 일반 직업 분야의 전문가도 참여할 수 있어야 합니다.

→ 월말 마감 과정을 실제로 이해하는 회계사.

→ 부동산 영업원이 각 단계에 익숙한 부동산 운영자.

→ 좋은 포장과 나쁜 포장을 알고 모든 것을 처음부터 머릿속 아이디어 폭풍을 마칠 수 있는 유튜버.

이러한 지식은 매우 가치가 있습니다. 그러나 현재 이러한 지식은 사람의 머릿속에 갇혀 있거나 혼돈스러운 문서, Slack 스레드 및 ClickUp 채널에 흩어져 있습니다.

이미 이와 유사한 기획이 현실에서 볼 수 있습니다. 많은 코치들이 자신의 AI 분신과 챗봇을 만들기 시작하고 사용자에게 요금을 청구하여 이러한 AI와 대화하도록 합니다. 이것은 수동 버전입니다. 사람들은 남의 전문 지식을 추출하고 그것을 자신의 비즈니스에 적용하려고 합니다.

오늘 광고 에이전트를 구축하려고 하면 감이 오지 않을 겁니다. 왜냐하면 그 분야에 전문 지식이 없기 때문입니다. 그러나 특정 분야의 고품질 SME 컨텍스트를 구독할 수 있는 시장이 있다면 즉시 고객이 되겠습니다.

이것이 저희가 주로 초점을 맞출 예상층입니다.

Conclusion

진정한 이야기는 이 패턴 그 자체입니다.

모델은 그저 하나의 층에 불과합니다. 모델 바깥의 래퍼는 진정한 제품이 되고 있습니다. 당신의 데이터와 작업 흐름은 진정한 잠금 효과가 되고 있습니다. Karpathy가 지난 몇 달 동안 가르친 것이 바로 이것입니다. Anthropic이 지난 몇 달 동안 해온 일도 마찬가지입니다.

그러니까, 이번 합류는 뉴스 제목이 아니라 로드맵입니다. 저는 전체 비디오에서 전체 논리를 세분화했으며, 링크는 첫 번째 답글에 있습니다.

[Original Link]

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia