Eva의 게임을 위한 AI 노트

AI Doesn't End at Launch - Who Owns AI After Launch?

2026-09-04T02:25:28Z

In the previous article, we looked at how far AI should be allowed to go and where people must remain responsible. That leaves one final question. Once an AI system starts working, will it continue

Where AI Should Stop - Responsibility Before Automation

2026-09-01T00:00:23Z

In the previous article, we looked at how to validate AI output and where human review still matters. That leads to a harder question. Even when AI can do a task, should we give it the authority to

When Should You Trust AI? - What Accuracy Doesn’t Tell You

2026-08-28T04:25:10Z

In the previous article, we looked at why giving AI access to data is not enough. To produce useful answers, AI also needs to understand the definitions, relationships, and business rules behind that

Helping AI Understand Your Biz - Ontology and Semantic Context

2026-08-25T00:00:19Z

In the previous article, we looked at why an AI project does not need every piece of company data from the beginning. Start with the problem. Connect the data you actually need. That raises another

The Data You Need - What If We Don’t Have the Data?

2026-08-21T08:39:20Z

In the previous article, we looked at how a good AI request helps business and technical teams work from the same problem and context. Once teams start discussing an actual AI project, another questi

Writing Better AI Requests - Starts with Shared Context

2026-08-18T03:00:12Z

In the previous article, we discussed why a good AI project starts with a problem, not an idea for an AI feature. So what comes next? Once the problem is clear, it needs to be explained in a way tha

Start with the Problem - Before You Build with AI

2026-08-14T00:00:18Z

In the previous article, we looked at why AI projects rarely belong to the AI team alone. The AI team designs the technical approach. The data team prepares the information AI needs. Engineering conn

What Does an AI Team Do? - Who Does What in an AI Project

2026-08-11T00:00:20Z

In the previous article, we looked at how AI agents and vibe coding allow individual professionals to do far more on their own. You can draft competitor analysis reports, summarize player reviews, re

What Should AI Actually Do? - Before Applying AI at Work

2026-08-07T00:00:18Z

In the previous article, I argued that AI cannot work effectively without a clearly defined problem and enough business context. That brings us to the next question. With AI agents and vibe coding,

Why "Just Use AI" Often Fails - AI Needs Context to Work

2026-08-04T03:00:10Z

“Can’t AI just do this for us?” It’s one of the most common questions in today’s workplace. Whether teams are overwhelmed by player reviews, spending days on competitor analysis, or struggling to ke

AI 프로젝트 누가 운영할 것인가? - 만들고 끝나는 AI가 아니라 함께 성장하는 AI로 가는 법

2026-07-30T01:00:47Z

지난 글에서는 AI에게 어디까지 맡기고, 어디서부터 사람이 책임질지를 정해야 한다고 이야기했습니다. 그렇다면 마지막 질문이 남습니다. 그렇게 만들어진 AI는 시간이 지나도 계속 잘 일할 수 있을까요? 그리고, 그 AI는 누가 관리해야 할까요? AI 프로젝트가 시작될 때는 많은 사람이 참여합니다. 실무자는 업무를 설명하고, 개발팀은 시스템을 만들고, 데

AI가 하면 안 되는 일 - 자동화보다 중요한 책임과 리스크 관리

2026-07-30T01:00:47Z

요즘 AI 도입과 관련된 이야기를 하면 이런 말을 자주 듣습니다. “이 정도면 이제 AI가 알아서 하면 되겠네요?” 예전 같으면 “아직은 어렵습니다. “라고 답했을 겁니다. 그런데, 이제는 선뜻 아니라고 말하기가 어렵습니다. 실제로 AI는 유저 문의를 분류하고, 보고서를 작성하고, 코드를 만들고, 이미지까지 생성합니다. 어떤 일은 사람보다 빠르고, 또

AI가 준 결과를 믿을 수 있을까? - 정확도보다 중요한 검수 기준

2026-07-30T01:00:47Z

지난 글에서는 AI가 데이터를 읽는 것과, 우리 업무를 이해하는 것은 다른 것이라고 이야기했습니다. 그래서, 업무의 기준과 맥락을 함께 설명해야 AI도 우리 조직의 방식대로 일할 수 있습니다. 그렇다면 다음 질문이 남습니다. AI가 낸 결과는 어디까지 믿어도 될까요? 많은 사람이 이 질문을 하면 먼저 정확도를 떠올립니다. 최신 모델인지, 정확도가 몇 퍼

AI가 우리 업무를 이해하게 하려면 - 온톨로지와 시맨틱 아카이빙 쉽게 이해하기

2026-07-30T01:00:47Z

지난 글에서는 AI 과제를 시작하기 위해 지금 풀고 싶은 문제를 정하고, 필요한 데이터부터 연결해 보자는 얘기를 했습니다. 그런데, 데이터를 연결하면 AI가 알아서 우리 업무를 이해할까요? 요즘은 에이전트 AI와 바이브 코딩을 활용해 혼자서도 많은 것을 만들 수 있습니다. 데이터를 연결하고, 자연어로 질문하고, 결과를 보여주는 화면도 빠르게 만들 수 있

데이터가 없는데 AI 가능할까요? - 모든 데이터가 아닌, 필요한 데이터부터 연결하는 방법

2026-07-30T01:00:47Z

지난 글에서는 AI 요청서를 통해 실무자가 알고 있는 문제와 업무 맥락을 기술 조직과 공유해 보자고 이야기했습니다. 그런데, 막상 AI 과제를 시작하려고 하면 이런 질문이 나옵니다. “우리 팀은 데이터가 없는데요?” 정말 그럴까요? 게임 사업팀과 운영팀은 이미 많은 데이터를 다루고 있습니다. 리뷰와 CS 문의를 보고, 커뮤니티 반응을 확인합니다. 캠

좋은 AI 요청서란 - AI팀과 함께 문제를 보기 위한 출발점

2026-08-19T04:52:43Z

지난 글에서 AI 과제는 아이디어가 아니라 "문제"에서 시작해야 한다고 이야기했습니다. 그렇다면 문제를 찾은 다음에는 무엇을 해야 할까요? 이제 담당자가 알고 있는 문제를 AI팀, 데이터팀, 개발팀도 이해할 수 있는 형태로 정리해야 합니다. 그런데, 이 과정이 생각보다 쉽지는 않습니다. 실무자는 어떤 숫자를 먼저 보는지, 어떤 상황을 위험 신호로 판

AI로 만들기 전에 먼저 물어야 할 것 - "무엇을 만들까" 보다 "무슨 문제를 풀까"가 먼저입니다

2026-07-30T01:00:47Z

지난 글에서는 AI 프로젝트가 AI팀 혼자 만드는 일이 아니라고 이야기했습니다. AI팀은 기술 방식을 설계하고, 데이터팀은 AI가 볼 수 있는 데이터를 정리합니다. 개발팀은 결과를 실제 시스템과 연결하고, 사업팀과 운영팀은 업무의 기준과 맥락을 제공합니다. 그렇다면 그다음 질문은 아마 이게 아닐까 싶습니다. “우리는 어떤 AI 과제부터 시작해야 할까요?

AI팀은 도대체 무슨 일을 하나요? - AI팀, 데이터팀, 개발팀, 사업팀의 역할 구분하기

2026-07-30T01:00:47Z

지난 글에서는 에이전트 AI와 바이브 코딩을 활용하면 혼자서도 많은 일을 시도해볼 수 있다고 했습니다. 경쟁작 분석 초안을 만들고, 유저 리뷰를 요약하고, 패치노트 문구를 다듬고, 간단한 내부 업무 도구를 만들어보는 일은 이제 충분히 가능합니다. 하지만, 개인 실험이 회사 업무로 들어오는 순간, 생각해야 할 것이 많아집니다. 데이터는 어디에 있는지, 어디

AI, 어디까지 맡길까? - 회사 업무에 AI를 적용하기 전에 생각해 볼 것들

2026-07-30T01:00:47Z

지난 글에서는 AI가 실무에서 제대로 일하려면 문제와 맥락이 먼저 정리되어야 한다고 이야기했습니다. 이번 글에서는 그다음 질문을 다뤄보겠습니다. 에이전트 AI와 바이브 코딩을 활용하면 실무자 혼자서도 꽤 많은 일을 해볼 수 있습니다. 경쟁작 분석 초안을 만들고, 유저 리뷰를 요약하고, 패치노트 문안을 다듬고, 간단한 내부 업무 도구를 만들어볼 수도 있습

“AI로 해주세요”가 실패하는 이유 - AI가 일하려면 맥락이 필요합니다

2026-07-30T01:00:47Z

“이거 AI로 할 수 있지 않을까요?” 요즘 회의실에서 자주 들리는 말입니다. 유저 리뷰가 너무 많을 때도, 경쟁작 분석이 오래 걸릴 때도, 패치노트 작성이 번거로울 때도 우리는 자연스럽게 AI를 떠올립니다. 이제 AI는 단순히 질문에 답하는 도구를 넘어, 자료를 찾고, 요약하고, 문서를 만들고, 필요한 도구까지 호출하는 에이전트 형태로 발전하고 있습