변덕이 심한 시장의 출렁임은 무시하고, Recursive Self-Improvement(RSI)에 대한 리서치를 이어나가본다.

네이버금융

AI Agent 시대의 RSI: 모델이 스스로 재훈련되기 전에 Harness가 먼저 학습한다

AI 산업에서 Recursive Self-Improvement(RSI)라고 하면 흔히 AI가 자신의 모델을 개선하고, 다시 학습해 더 똑똑한 AI를 만드는 모습을 떠올린다. 하지만 최근 Agent 기술의 발전을 보면 RSI는 꼭 Model Weight를 다시 학습하는 것에서 시작될 필요가 없어 보인다.

오히려 먼저 나타나고 있는 것은 같은 모델을 그대로 사용하면서 Agent가 실제 업무에서 얻은 경험을 축적하고, 그 경험으로 Memory·Tool·Workflow·Verifier 같은 Harness를 개선하는 방식이다. 그리고 Harness가 좋아지면 같은 모델도 다음 업무를 더 효율적으로 수행한다.

최근 공개된 Argus 논문[Submitted on 5 Aug 2026]은 이 구조를 상당히 직접적으로 보여준다. GPT-5.5의 Weight를 고정했는데도 Agent의 실행 경험을 검증하고 Runtime에 축적하면서 이후 작업의 방식이 달라졌다. 논문은 이를 “Verification-Gated Fixed-Model Runtime Self-Evolution”이라고 정의한다.

결국 앞으로 12~18개월 AI 산업에서 먼저 주목해야 할 RSI는 Model-level RSI보다 Harness-level RSI일 가능성이 높다.

1. 먼저 용어부터 쉽게 정리해보자

전체 구조를 사람의 업무에 비유하면 이해하기 쉽다. LLM은 두뇌이고, Agent는 일을 맡은 직원이며, Tool은 직원이 사용하는 업무도구다. MCP는 Agent와 Tool을 연결하는 표준 규격이고, Harness는 이 직원이 실제 조직에서 일하도록 만들어주는 전체 업무환경이다.

여기서 MCP와 Harness는 다르다. MCP가 Agent와 외부 Tool을 연결하는 규격이라면 Harness는 어떤 Tool을 언제 사용하고, 어떤 정보를 기억하고, 실패하면 어떻게 다시 시도하며, 어느 시점에 사람의 승인을 받을지까지 관리한다.

따라서 기업 AI에서 중요한 것은 좋은 LLM 하나를 도입하는 것에서 끝나지 않는다. Model Intelligence를 실제 업무에 연결할 수 있는 Environment를 구축해야 한다.

2. 왜 지금 Agent 사용이 갑자기 늘어나고 있을까

Agent 자체는 새로운 개념이 아니다. 과거에도 여러 Autonomous Agent가 등장했지만 실제 기업 업무에서는 잘 작동하지 않았다. 모델이 긴 업무를 수행하는 과정에서 작은 오류가 누적됐고, Tool Call과 Retry를 반복할수록 Token 비용도 빠르게 증가했기 때문이다.

최근에는 이 두 문제가 동시에 완화되고 있다. LLM의 Reasoning·Coding·Tool-use 능력이 높아지는 동시에 같은 업무를 처리하는 데 필요한 Token과 시간이 줄어들고 있다. GPT-5.6 역시 이전 모델보다 Agentic Coding과 장시간 업무에서 더 적은 Token과 시간으로 높은 성능을 내는 방향으로 발전했다. OpenAI는 GPT-4에서 GPT-5.4까지 Token당 가격이 97% 하락했다고 설명하고 있으며, GPT-5.6에서도 성능 대비 Token 효율성이 추가로 개선됐다고 밝히고 있다. (OpenAI)

이 변화가 중요한 이유는 Agent가 일반 Chat보다 훨씬 많은 Compute를 소비하기 때문이다. Agent는 한 번 답하고 끝나는 것이 아니라 검색하고, Tool을 호출하고, 코드를 실행하고, 결과를 확인하고, 실패하면 다시 시도한다. 따라서 모델 성능과 Inference Economics가 일정 임계점을 넘어야 Agent라는 구조 자체가 경제적으로 성립한다.

현재는 그 임계점을 넘어가기 시작한 것으로 보인다. 이제 AI 사용의 단위가 단순한 질문 → 답변에서 **목표 제시 → 장시간 업무 위임 → Tool 사용 → 결과 검증**으로 바뀌고 있다.

3. 그리고 Agent가 실제 일을 하기 시작하자 새로운 데이터가 생긴다

여기에서 RSI와 연결되는 중요한 변화가 발생한다. Chatbot을 사용하면 주로 질문과 최종 답변이 남지만, Agent를 사용하면 훨씬 많은 정보가 기록된다.

예를 들어 Agent가 코딩 업무를 수행했다고 하자. 어떤 파일을 먼저 읽었는지, 어떤 가설을 세웠는지, 어떤 Tool을 실행했는지, 어느 방법이 실패했는지, 테스트 결과가 무엇이었고 어떤 수정 이후 성공했는지가 모두 남는다.

이것이 Trajectory다.

Argus 논문도 최종 결과물보다 이러한 Process Data가 훨씬 많은 정보를 포함한다고 설명한다. State, Action, Measurement, Review Feedback뿐 아니라 최종 결과에서는 사라진 실패 경로까지 기록할 수 있기 때문이다.

문제는 모든 경험이 좋은 경험은 아니라는 점이다. 잘못된 결론까지 Memory에 저장하면 오히려 다음 Agent의 성능이 떨어질 수 있다.

따라서 중요한 것은 Trajectory를 많이 모으는 것보다 무엇을 남길 것인지 검증하는 것이다.

4. 여기에서 Harness RSI가 시작된다

Harness RSI의 구조는 생각보다 단순하다.

Agent가 일을 수행한다 → 실행 경로가 기록된다 → 성공과 실패를 Eval한다 → 재사용할 가치가 있는 경험만 남긴다 → Memory·Skill·Tool·Workflow를 수정한다 → 다음 Agent가 개선된 Harness에서 일한다.

여기에는 Model Weight를 다시 학습하는 과정이 없다.

예를 들어 Agent가 특정 오류를 해결하면서 Tool A → Tool C → Tool B라는 경로가 지속적으로 실패하고, Tool A → Tool B → Tool D라는 경로가 높은 확률로 성공한다는 사실이 검증됐다고 하자. 다음부터는 Harness가 두 번째 경로를 우선적으로 탐색하도록 만들 수 있다.

또 어떤 실패 원인이 특정 정보의 부족이었다면 다음 Agent에는 그 정보를 Context에 미리 넣을 수 있고, 자주 반복되는 작업은 하나의 Skill로 묶을 수도 있다.

모델은 그대로인데 Agent가 일하는 방식은 계속 좋아진다.

이것이 기존 RSI와 가장 큰 차이다.

5. Argus가 보여준 것이 바로 이 구조다

2026년 8월 공개된 Argus는 Manager, Planner, Engineer, Reviewer의 역할을 분리하고 이들이 하나의 Persistent Workspace에서 장기간 업무를 수행하도록 만들었다.

중요한 부분은 Agent가 새로운 Memory나 Skill을 만들었다고 해서 바로 다음 업무에 사용하는 것이 아니라는 점이다. Memory, Skill, Procedure, Verifier, Routing Decision과 실패 경로가 Evidence와 Review를 통과해야만 재사용 가능한 Persistent State에 들어간다. Model Weight는 전체 과정에서 고정돼 있었다.

쉽게 표현하면 Argus는 다음 다섯 가지를 지속적으로 축적한다.

Memory · Skills · Tools · Verifiers · Routing

그래서 같은 GPT-5.5를 사용하더라도 다음 업무를 시작하는 조건이 달라진다. 지난번의 실패를 다시 반복하지 않고, 이미 검증된 Skill을 재사용하고, 어떤 문제에는 어떤 Reviewer와 Tool을 붙여야 하는지 알고 시작한다.

논문이 이를 단순한 “기억 증가”가 아니라 Search Policy의 변화라고 표현하는 이유다.

6. 결과는 꽤 흥미롭다

Argus는 GPT-5.5를 이용해 731개의 SWE-Bench Pro Software Task를 수행했다. Argus의 성공률은 약 78%로 Direct Copilot의 약 59%를 크게 웃돌았다. 대신 Manager·Planner·Reviewer 등 추가 Agent와 Verification을 사용했기 때문에 전체 Token 사용량은 1.41배 많았다.

처음에는 더 많은 Compute를 투입해 높은 성능을 얻은 셈이다.

그런데 경험이 축적된 이후가 더 흥미롭다. Startup 단계와 Mature 단계의 운영을 비교하면 Mature 단계는 Task당 Solve Input Token을 21% 적게 사용했고 Active Workflow Time도 15% 감소했다. 즉 과거 경험을 활용하면서 같은 문제를 처음부터 다시 탐색하는 비용이 줄어든 것이다.

물론 이 결과를 너무 강하게 해석하면 안 된다. 논문도 Startup과 Mature 구간의 Task 난이도와 구성이 달랐고, 동일 Task를 Frozen Harness와 Improved Harness에서 다시 돌린 Controlled Replay가 없었다고 명확히 지적한다. 따라서 21%와 15%의 개선이 전부 Harness Learning 때문이라고 아직 증명된 것은 아니다.

하지만 같은 Model Weight를 유지한 상태에서도 Runtime State를 바꾸면서 다음 업무의 비용과 행동 경로가 달라질 수 있다는 메커니즘은 상당히 중요하다.

7. 이것이 중요한 이유는 Agent 사용량 증가가 곧 학습 데이터 증가이기 때문이다

여기까지 연결하면 최근 Agent 사용량 급증을 조금 다르게 볼 수 있다.

Agent가 실제 일을 많이 할수록 단순히 Token 매출만 늘어나는 것이 아니다. 기업 내부에는 계속해서 성공한 경로, 실패한 경로, Tool 사용 기록, Human Correction과 Outcome Data가 쌓인다.

그리고 이 데이터를 제대로 평가할 수 있다면 다음과 같은 Flywheel이 만들어진다.

Agent Adoption 증가 → Trajectory 증가 → Eval·Verifier 증가 → Harness 개선 → Agent 성공률·ROI 상승 → 더 많은 업무를 Agent에게 위임

결국 Agent Adoption 자체가 Harness RSI의 Training Data Factory 역할을 하기 시작한다.

이것이 지금 AI Agent 확산을 볼 때 가장 중요하다고 생각하는 부분이다.

사용량이 증가하는 회사는 단순히 현재 매출만 늘어나는 것이 아니라, 미래 Agent를 더 좋게 만들 수 있는 Operational Experience도 동시에 축적하게 된다.

8. Palantir의 성장도 이 관점에서 보면 이해하기 쉬워진다

Palantir의 Ontology를 단순한 Data Integration Software로 보면 Agent 시대의 가치를 충분히 설명하기 어렵다. Ontology는 기업의 고객, 재고, 공장, 계약, 조직, Permission과 Action의 관계를 AI가 이해할 수 있는 구조로 만든다.

즉 Enterprise World Model에 가깝다.

그리고 Palantir가 최근 강조하는 AI Sovereignty도 이 논리의 연장선에 있다. 기업은 특정 Frontier Model에 자신의 핵심 지식을 모두 의존하는 대신 Data의 Operational Definition, Business Logic, Actions, Permission, Eval과 Workflow를 직접 통제해야 한다는 것이다. Palantir는 모든 실행의 성공·실패·Override를 다음 Agent와 Workflow 개선에 활용하는 Institutional Memory를 명시적으로 강조하고 있다. (Palantir)

여기에 최근에는 Model Weight까지 들어오기 시작했다. Palantir의 Open Model Engine은 기업이 자신의 Proprietary Data, Mission Outcome과 Platform Eval을 이용해 Fine-tuning한 Institution-specific Model Weight와 Adapter를 직접 소유할 수 있도록 설계하고 있다. (Palantir)

따라서 이를 하나의 Harness Weight라고 부르기보다는 다음처럼 구분하는 것이 정확하다.

Sovereign World Model
기업의 Data·Ontology·Operational Definition

Sovereign Harness
Workflow·Tool·Action·Permission·Routing·Eval

Sovereign Model Weight
기업의 Data와 Trajectory를 이용해 학습한 Customer-specific Weight

이 세 가지를 합친 것이 결국 Sovereign AI Stack이다.

9. Palantir가 자체 Frontier LLM이 없는 것도 이 구조에서는 반드시 약점이 아니다

Palantir의 전략은 가장 좋은 Frontier Model을 직접 만드는 데 있지 않다. 오히려 어떤 Model이든 기업의 World Model과 Harness 위에서 사용할 수 있도록 만드는 것에 가깝다.

Claude가 가장 좋으면 Claude를 쓰고, GPT가 더 좋아지면 GPT로 바꾸며, Cost와 Security가 중요하다면 Open Model을 자체 GPU에서 운영할 수도 있다. 실제 AIP는 외부 모델뿐 아니라 Self-hosted Model과 Customer Fine-tuned Model을 하나의 Model Selector와 Tool-calling 환경에서 다룰 수 있도록 지원한다. (Palantir)

이때 가장 중요한 것이 기업 자체 Benchmark와 Eval이다.

어떤 모델이 “일반적으로 가장 똑똑한가”보다 우리 회사의 이 업무에서 어떤 모델이 Quality·Cost·Latency 측면에서 가장 좋은가를 판단할 수 있어야 한다.

결국 Frontier Model이 Commodity화될수록 기업이 지켜야 할 자산은 특정 Model이 아니라

World Model + Harness + Eval + Proprietary Trajectory + Customer-owned Weight

가 될 가능성이 높다.

10. Anthropic의 빠른 성장도 같은 흐름의 다른 Layer에서 나타나고 있다

Anthropic은 Palantir처럼 기업마다 World Model을 구축해주는 회사는 아니다. 대신 Claude Code와 MCP를 통해 기업이 자신의 기존 업무환경을 Agent가 사용할 수 있는 Harness로 바꾸는 비용을 크게 낮췄다.

Claude Code가 Terminal, Filesystem, Git, Test 같은 Developer Environment 안으로 직접 들어가고, MCP가 외부 Data와 Tool의 연결을 표준화하면서 Claude는 단순 Chatbot에서 실제 업무를 수행하는 Agent로 이동했다.

그리고 이러한 Agent Adoption은 빠르게 매출로 연결되고 있다. Anthropic 공식 발표 기준 Run-rate Revenue는 2026년 5월 $47B를 넘어섰으며, 2월 당시 Claude Code 자체의 Run-rate Revenue도 $2.5B 이상이었다. Enterprise가 Claude Code 매출의 절반 이상을 차지했다. (Anthropic)

7월에는 SemiAnalysis의 외부 추정치에서 Anthropic ARR가 $60B 이상이라는 분석까지 나왔다. 다만 $60B는 Anthropic 공식 수치가 아닌 외부 추정치라는 점은 구분해야 한다. (SemiAnalysis)

https://blog.tickertrends.io/p/anthropic-vs-openai-arr-tracking

Anthropic 성장의 모든 원인을 Harness로 설명할 수는 없다. Model Capability, 가격, Compute와 Enterprise Sales도 중요하다. 하지만 좋은 Model을 실제 기업 업무와 연결하는 Claude Code + MCP라는 Generic Harness를 빠르게 구축했다는 점은 성장의 중요한 배경으로 볼 수 있다.

11. Codex·Anthropic·Cloudflare는 서로 다른 곳에서 같은 현상을 보여준다

최근 데이터를 연결하면 Agent 시대가 조금 더 선명하게 보인다.

OpenAI에서는 GPT-5.6을 포함해 Agentic Workflow 자체의 효율성이 빠르게 개선되고 있다. 특히 OpenAI 내부에서는 지난 6개월간 AI Research를 위한 Coding Inference Compute 비중이 100배 증가했고, Agentic Token Usage도 약 22배 증가했다. OpenAI는 이제 다른 Model을 개선하는 작업까지 포함하는 별도의 RSI Index를 측정하고 있으며 GPT-5.6 Sol은 GPT-5.5보다 이 평가에서 16.2포인트 높았다. (OpenAI)

https://x.com/tickerplus/status/2080067009388097831

https://openai.com/ko-KR/index/gpt-5-6/?utm_source=chatgpt.com

Anthropic에서는 Claude Code 중심의 Agent 사용이 빠른 Enterprise Revenue 증가로 연결되고 있다. Claude Code 약 40만 Session에 대한 Anthropic 분석에서도 사용자가 주로 “무엇을 할 것인가”를 결정하고 Claude가 “어떻게 실행할 것인가”를 담당하는 Agent형 분업 구조가 나타났다. (Anthropic)

그리고 Network Layer에서는 Cloudflare가 인터넷 트래픽 자체가 Agent 중심으로 변화하고 있음을 관찰하고 있다. Cloudflare는 2026년 7월 기준 인터넷 Traffic의 절반 이상이 Non-human Traffic으로 넘어왔다고 설명하며 이를 “Agentic Internet”의 출현으로 보고 있다. (The Cloudflare Blog)

2026.08.06 CloudFlare

즉 서로 다른 위치에서 같은 변화가 나타난다.

Model은 Agent 업무를 더 잘 수행하고, 기업은 Agent에게 더 많은 일을 맡기고, 그 결과 Internet과 Software Infrastructure에서도 Agent 활동이 빠르게 증가하고 있다.

12. 그리고 Argus가 이 흐름에 하나의 중요한 연결고리를 추가한다

지금까지는 Agent 사용량이 늘어나면 매출과 Token Usage가 증가한다고 생각했다.

Argus는 여기서 한 단계 더 나아간다.

Agent 사용량 증가 자체가 미래 AI의 성능 개선에 필요한 데이터를 만들어낼 수 있다는 것이다.

Argus의 Figure 2를 보면 현재 Runtime에서는 Model을 고정한 상태에서 Memory, Skills, Tools, Verifiers, Routing을 개선한다. 그리고 이러한 Reviewed Trajectory를 미래에는 SFT와 RL에 활용할 수 있다는 별도의 Training Path를 제시하고 있다.

argus 논문

즉 순서가 중요하다.

먼저,

Model은 그대로 두고 Runtime이 학습한다.

그다음,

Runtime에서 검증된 경험을 Model이 학습한다.

이 구조라면 우리가 알고 있던 RSI의 모습도 조금 달라진다.

13. Model RSI와 Harness RSI는 결국 하나의 Flywheel로 연결될 수 있다

초기 단계에서는 Model Weight를 다시 학습하지 않아도 된다.

Fixed Model → Agent 실행 → Trajectory → Verification → Better Harness

이 과정은 비교적 빠르고 저렴하다.

이후 충분한 고품질 Trajectory가 쌓이면 이를 SFT·RL·Post-training Data로 사용해 Model 자체에 반복되는 행동 패턴을 Internalize할 수 있다. Argus 논문도 축적된 Trajectory가 이후 Supervised Learning과 Reinforcement Learning을 위한 구조화된 데이터가 될 수 있다고 명시하고 있다.

그러면 다음 단계는

Better Harness → Better Training Data → Better Model

이 된다.

그리고 더 강력해진 Model은 다시 더 좋은 Tool, Verifier, Workflow와 Search Strategy를 발견할 수 있다.

결국 장기적으로는

Better Model → Better Agent → Better Trajectory → Better Harness → Better Training Data → Better Model

이라는 하나의 Recursive Loop가 만들어질 수 있다.

저는 이 구조가 우리가 상상해왔던 RSI가 현실에서 처음 나타나는 방식일 가능성이 높다고 본다.

14. GPT-5.6에서 이미 그 방향의 초기 신호가 나타나고 있다

GPT-5.6에서 특히 흥미로운 부분도 단순 Benchmark Score보다 이 지점이다.

OpenAI는 GPT-5.6 개발 과정에서 AI가 연구 시스템의 오류를 찾고, Training System을 최적화하며, 실험을 수행하고 결과를 해석하는 데 사용되고 있다고 밝혔다. 심지어 다른 Model의 개선을 평가하는 Task까지 RSI Index에 포함하고 있다. (OpenAI)

또한 GPT-5.6의 ultra는 여러 Agent를 병렬로 조정하는 구조를 지원하고, API에서도 Programmatic Tool Calling과 Multi-agent 기능이 제공된다. 즉 Frontier Model의 발전 방향 자체가 단일 모델의 추론 성능에서 Model + Tool + Search + Multi-Agent Runtime의 결합으로 이동하고 있다. (OpenAI)

다만 이것을 두고 “GPT-5.6이 Harness RSI를 통해 만들어졌다”고 단정할 수는 없다. OpenAI가 공개한 자료는 AI Agent가 내부 R&D를 빠르게 보조하고 있다는 것까지 보여줄 뿐, GPT-5.6의 전체 Training Pipeline이 어떻게 구성됐는지는 공개하지 않았다.

하지만 방향성은 분명하다. AI가 AI Research를 돕고, 그 AI Research가 다음 Model을 개선하는 Loop가 점점 강해지고 있다.

15. 그다음 Model에서는 이 Loop가 더 강해질 가능성이 있다

앞으로 중요한 질문은 차세대 모델의 Parameter가 얼마나 늘어났느냐보다 그 모델을 개발하는 과정에서 AI Agent가 얼마나 많은 Research Loop를 대신 수행했느냐가 될 가능성이 있다.

예를 들어 AI Agent가 수많은 Training Recipe를 실험하고, 실패 원인을 분석하고, Kernel을 최적화하고, Eval을 만들고, Research Result를 검증한다면 인간 연구팀이 같은 기간 탐색할 수 있는 Search Space 자체가 크게 확장된다.

그리고 이 과정에서 만들어진 Verified Trajectory가 다시 다음 Model Training에 들어가면 Runtime Improvement와 Model Improvement가 서로를 가속하는 구조가 시작된다.

결론: RSI는 이미 시작됐을 수 있다. 다만 우리가 예상했던 위치가 아닐 뿐이다

기존에 우리가 생각했던 RSI는 AI가 어느 순간 자신의 Model Weight를 직접 고치면서 능력이 폭발적으로 상승하는 모습이었다.

하지만 실제 산업에서는 훨씬 현실적인 형태가 먼저 나타나고 있다.

Agent가 실제 일을 한다. 그 과정에서 성공과 실패의 Trajectory가 쌓인다. Verifier가 좋은 경험과 나쁜 경험을 구분한다. 검증된 경험이 Memory·Skill·Tool·Workflow에 축적되면서 Harness가 좋아진다. 그리고 좋아진 Harness가 다시 더 많은 고품질 Training Data를 만든다.

Model은 이 과정의 처음부터 다시 학습될 필요가 없다.

Argus가 보여준 핵심도 바로 이것이다. 같은 GPT-5.5라도 어제의 검증된 경험이 Runtime에 남아 있다면 오늘은 다른 Search Policy로 출발할 수 있다.

그다음 단계에서 이 Verified Trajectory를 Post-training에 넣으면 Harness RSI와 Model RSI가 연결된다.

따라서 앞으로 AI 산업에서 중요한 Flywheel은 다음처럼 정리할 수 있다.

Agent Adoption
→ Proprietary Trajectory
→ Verification
→ Better Harness
→ Higher Agent ROI
→ More Agent Adoption
→ Better Training Data
→ Better Model
→ 다시 Better Harness

이 관점에서 보면 Palantir는 기업별 World Model과 Sovereign Harness를 구축하는 회사, Anthropic은 Claude Code와 MCP를 통해 Generic Agent Harness를 확산시키는 회사, OpenAI는 Frontier Model과 Agent Runtime을 동시에 발전시키면서 AI Research 자체를 Agent화하는 회사로 각각 이해할 수 있다. (Palantir)

결국 앞으로 12~18개월 AI 산업에서 가장 중요한 변화는 단순히 “더 좋은 모델이 나온다”는 것이 아닐 수 있다.

AI가 실제 일을 많이 할수록 더 많은 경험을 얻고, 그 경험을 Harness에 축적하면서 같은 모델조차 계속 더 잘 일하게 되는 구조가 만들어지고 있다는 것. 그리고 그 경험이 다시 다음 Model의 Training Data가 되면서 Model과 Harness가 서로를 개선하는 Recursive Flywheel이 시작될 가능성.

#글을 마치며

DRAM ETF 숏 비중 30% 무엇..?

~~실화 아니 제정신이에요..?~~

or 내가 미친건가..?

영업 현장 혹은 술자리나 사적인 자리에서 오가는 이야기를 별다른 검증 없이 시장에 공유하고, 다시 그 내용을 근거로 매매가 이뤄지는 모습은 분명 아쉬운 부분이다.

정보의 정확성이나 기업가치에 대한 검증보다 누가 먼저 들었는지, 누가 먼저 거래하는지가 중요해지는 시장이라면 이는 거의 흡사 노름판과 유사한 수준이 아닐까 싶다.

결국 이런 관행이 반복되는 것 자체가 우리 주식시장이 정보의 투명성과 투자 문화 측면에서 아직 갈 길이 멀다는 점을 보여주는 사례가 아닐까 싶다.

그건 그렇고, GPU 따위를 그것도 물량 선배정 좀 받겠다고 소중한 HBM 계약가 할인 조건이랑 맞바꾸는 딜을 대체 어떤 멍청한 놈이 받겠다고 한 건지...

진짜 바보 아닌가?

사칙연산 수준의 산수도 못하는 건가...

=끝

나만의 투자이야기

2026년 8월 6일 목요일

생각정리 332 (* RSI, Harness)