정의
Unlearn-Learn 프레임워크는 AI 모델의 능력이 급격히 향상됨에 따라 기존에 구축한 복잡한 엔지니어링 프로세스(harness, 파이프라인, 스킬, 가드레일)를 지속적으로 버리고(Unlearn) 모델의 기본 능력에 더 의존하는 방식으로 전환해야 한다는 개념이다. 이는 모델의 ‘capability overhang’이 harness의 기능을 흡수할 때마다 발생하는 주기적 패러다임 전환을 의미한다.
핵심 속성
- 핵심 동인: 모델의 능력이 증가하면서 기존 harness가 불필요해지거나 오히려 제약이 됨
- 적용 주기: 주요 모델 업데이트 시점마다 발생 (예: Claude Code → Antigravity 전환)
- 결과: harness의 두께 감소, 모델에 더 많은 자유 부여, 최종 산출물 품질 향상
- 위험 요소: 과도한 harness는 모델의 잠재력을 제한하고 혁신 속도를 늦춤
- 판단 기준: harness의 비용 대비 모델이 자체적으로 해결하는 정확도 비율
관계
- 20260606-engineers-shift-from-tools-to-problems — 실천 방안: harness 구축에서 문제 정의로 전환
- 20260606-ai-transformation-organization-champion — 조직 확장: 챔피언이 unlearn을 주도함
- 20260606-generative-ui-verifiable-reward — 사례: Generative UI가 능력 overhang을 증명
인용
“올봄에 Noam Brown이 한 얘기예요. … 다시 한번 unlearn 타이밍이에요. 저도 회사에서 굉장히 harness가 두꺼워져 있는데 그 harness들의 많은 부분을 또 덜어내고 모델에게 더 자유를 주는 게 우리 산출물의 품질이 더 증가하겠다는 약간의 그런 insight를 요새 얻고 있습니다.” — 최승준
출처
- 📎 클리핑: 20260613-ep77-ko-transcript