AI · Infrastructure · Semiconductors · AX

AI 시대를 움직이는 기술 인프라를 쉽게 읽습니다.

QSike Tech Notes는 반짝 뉴스보다 오래 남는 구조를 봅니다. GPU와 HBM, 데이터센터와 전력, 클라우드 비용, 기업의 AI 도입과 업무 자동화까지 기술 변화의 배경을 차분히 풀어 씁니다.

EDITOR'S STARTING POINTS

처음 읽는 핵심 해설

개별 뉴스보다 오래 참고할 수 있는 구조 설명부터 골랐습니다.

AI 인프라 학습·추론·에이전트·멀티모달: AI 사용량을 메모리 수요로 환산하는 방법 학습 가중치, 추론 KV 캐시, 에이전트 루프, 영상 생성까지 같은 계산 틀로 환산하고, 뉴스의 숫자만으로 특정 메모리 수요를 단정할 수 없는 이유를 설명합니다. AX·업무 자동화 AI 에이전트 도입의 진짜 병목은 모델이 아니라 권한이다 AI 에이전트를 사내에 도입할 때 모델 성능보다 먼저 풀어야 할 권한, 감사 로그, 승인 구조의 설계 원칙을 다룬다.
ANALYSIS, NOT JUST SUMMARY

숫자를 그대로 옮기지 않습니다

가정과 계산식을 공개하고, 서로 비교할 수 없는 숫자는 기간과 단위를 먼저 맞춥니다.

직접 계산 2.8조 파라미터는 몇 TB인가 4·8·16비트별 원시 가중치와 64개 가속기 분할 하한을 계산합니다. 기간 정규화 1년 CAPEX와 10년 누적 투자를 구분 원화 총액보다 기간·환율·지출 성격을 같은 표에서 먼저 맞춥니다. 절차 분리 배심원 평결은 최종 확정이 아닙니다 제소부터 항소 가능성까지 시간순으로 놓고 경쟁사 수혜 추정을 분리합니다.

최근 기술 노트

'MCP가 CLI보다 토큰을 32배 더 먹는다'는 벤치마크, 어디까지 믿어야 하나 대표 이미지
2026-09-09 · AX·업무 자동화

'MCP가 CLI보다 토큰을 32배 더 먹는다'는 벤치마크, 어디까지 믿어야 하나

MCP 토큰 오버헤드 실측치는 4~32배부터 '호출당 +50토큰'까지 범위가 넓다. 모순처럼 보이는 두 숫자는 서로 다른 도구 구성을 측정한 결과다. 스키마 크기, 세션 길이, 캐싱·필터링 여부라는 세 가지 조건으로 벤치마크를 읽는 법을 정리한다.

AI 칩 공급 일정, 전공정 증설만으로 앞당길 수 없는 이유 대표 이미지
2026-09-07 · 반도체·HBM

AI 칩 공급 일정, 전공정 증설만으로 앞당길 수 없는 이유

파운드리 웨이퍼 캐파를 늘려도 AI 가속기 출하가 바로 늘지 않는 이유는 첨단 패키징과 테스트 공정이 납기의 관문이기 때문이다. OSAT 자본지출 발표부터 장비 납기, 클린룸 확보, 자격인증까지 걸리는 시간을 따라가며 AI 칩 공급 달력이 실제로 어떻게 정해지는지 살펴본다.

데이터센터 전력 경쟁, 설비가 아니라 '숫자 검증'이 관문이다 대표 이미지
2026-09-05 · 데이터센터·전력

데이터센터 전력 경쟁, 설비가 아니라 '숫자 검증'이 관문이다

AI 전력 수요 폭증의 진짜 병목은 발전소가 아니라, 제출된 수요 신청을 누가 걸러내느냐로 이동하고 있다. 텍사스의 474GW 신청 조사와 한국 수도권 계통접속 2% 통과율을 같은 프레임으로 읽고, ERCOT 배치 접속 절차와 한국 계통접속 절차를 나란히 비교한다.

'우리도 FDE 하겠다'는 선언 뒤에 막히는 것들 — 전환을 작동시키는 운영 조건 5가지 대표 이미지
2026-09-04 · AX·업무 자동화

'우리도 FDE 하겠다'는 선언 뒤에 막히는 것들 — 전환을 작동시키는 운영 조건 5가지

KT·SK AX·LG CNS처럼 내부 인력을 FDE로 전환하거나 전담 조직을 신설하는 선언이 잇따른다. 하지만 선언은 직무명을 바꾸는 일이고, 전환은 운영 체제를 바꾸는 일이다. 재교육 설계, 권한 재조정, 평가·인센티브, CoE와의 관계 재정의, 변화 관리라는 다섯 가지 운영 조건이 갖춰지지 않으면 FDE 선언은 간판만 바꾼 파견 인력 운영으로 끝난다.

RAG만으로 부족한 순간: Context·Knowledge Graph·Ontology를 어디까지 써야 하나 대표 이미지
2026-08-25 · AI 인프라

RAG만으로 부족한 순간: Context·Knowledge Graph·Ontology를 어디까지 써야 하나

기업 AI에서 'RAG 정확도가 낮다'는 말 속에는 문서 검색, 관계 탐색, 의미·규칙 정의라는 서로 다른 층의 문제가 섞여 있다. Context·Knowledge Graph·Ontology가 각각 무엇을 해결하는지 구분하고, GraphRAG와 온톨로지를 올려야 하는 업무 조건과 운영 비용의 경계를 제품·기술 구조 관점에서 정리한다.

AX 인재는 PI 출신이 먼저인가, AI 개발자가 먼저인가 대표 이미지
2026-08-13 · AX·업무 자동화

AX 인재는 PI 출신이 먼저인가, AI 개발자가 먼저인가

AX 추진에서 PI 역량을 가진 사람이 AI를 먼저 배워야 하는지, AI 개발자가 PI를 먼저 배워야 하는지 비교합니다. 초기 문제 정의는 PI가 이끌고 운영화·확산은 AI/플랫폼 인력과 짝을 이루는 구조를 정리합니다.

AX를 위한 FDE 양성: SI와 Citizen Developer와 무엇이 다른가 대표 이미지
2026-08-11 · AX·업무 자동화

AX를 위한 FDE 양성: SI와 Citizen Developer와 무엇이 다른가

FDE는 현장 업무를 AI 워크플로와 권한·로그·예외 처리 구조로 번역하는 역할입니다. SI, Citizen Developer와의 차이와 양성 방법을 정리합니다.

기업 소프트웨어의 다음 사용자는 사람이 아니라 AI 에이전트다 대표 이미지
2026-08-05 · AX·업무 자동화

기업 소프트웨어의 다음 사용자는 사람이 아니라 AI 에이전트다

AI 에이전트가 기업 소프트웨어의 사용자로 확장될 때 필요한 업무 기능, 작업 단위 권한, 승인 흐름, 실행 로그의 설계 기준을 정리합니다.

AX, Top-Down인가 Bottom-Up인가 대표 이미지
2026-08-03 · AX·업무 자동화

AX, Top-Down인가 Bottom-Up인가

AI 전환에서 전략·가드레일은 위에서 정하고, 실제 업무 적용과 개선 학습은 현장에서 넓히는 이중 운영체제를 정리합니다.

LLM 모델 양자화란 무엇인가 대표 이미지
2026-08-02 · AI 인프라

LLM 모델 양자화란 무엇인가

FP16·BF16 LLM을 INT8·INT4·FP8·NF4로 양자화할 때 무엇이 달라지는지, PTQ·QAT·GPTQ·AWQ·GGUF·bitsandbytes·QLoRA의 차이와 실무 선택 기준을 정리합니다.

오픈웨이트 LLM은 어디에 배포할까: 구독·API·GPUaaS·로컬의 선택 기준 대표 이미지
2026-07-31 · AI 인프라

오픈웨이트 LLM은 어디에 배포할까: 구독·API·GPUaaS·로컬의 선택 기준

GLM-5.2를 기준으로 구독형, API, GPUaaS·NPUaaS, 로컬 구동을 비용·통제권·보안·운영 난이도 관점에서 비교하고 배포 전환 기준을 정리합니다.

AX의 다음 병목, 컨텍스트와 암묵지 대표 이미지
2026-07-30 · AX·업무 자동화

AX의 다음 병목, 컨텍스트와 암묵지

AX 에이전트가 운영 단계에서 멈추는 이유를 컨텍스트 엔지니어링, 암묵지, 지식 그래프, 온톨로지 관점으로 해설하고 작은 업무 단위의 시작 기준을 정리합니다.