이 글은 『Shadowverse: Worlds Beyond』를 소재로 AI 에이전트, 시뮬레이션, 로버스트 최적화, 외부 기억을 조합해 “사람이 전부 외우고 전부 시험하는” 비용을 줄이는 방법을 다룬다.
1. “잘 알아야 지시할 수 있다”는 이제 절반만 맞다
예전에는 직접 조사하고, 직접 구현하고, 직접 검증했다.
지금의 AI 작업은 다르다. 사람이 목적, 완성 상태, 제약, 성공 기준을 먼저 정하고 AI에게 조사해, 선택지를 내, 비교해, 구현해, 테스트해, 결과를 가져와라고 한다.
사람은 결과를 보고 “A는 버려. B로 간다. 여긴 틀렸다. 다시 테스트.”라고 한다.
이미 관리직이다.
어떤 문제에 시간과 연산 자원을 쓸지, 애초에 할 가치가 있는지, 성공의 정의가 무엇인지까지 정하면 경영·프로듀싱 영역에 가깝다.
OpenAI가 2026년 Codex를 설명할 때도 여러 에이전트에게 업무를 위임하고 병렬 실행하며 사람이 변경사항을 검토하고 방향을 수정하는 흐름을 강조한다. AI 네이티브 엔지니어링 가이드 역시 낮은 위험 작업은 Delegate, 중요한 결과는 Review, 전략·기준·책임은 사람이 Own하는 식으로 나눈다.
사람 → 작업에서 사람 → AI 부하 → 작업으로 바뀐다.
직원은 없다.
조직은 있다.
2. CEO의 일은 “답을 전부 아는 것”보다 “좋은 답인지 판단하는 것”
전문지식 0은 위험하다.
AI가 “최적화 완료!”라고 해도 왜 최적인가, 비교안은 충분한가, 조건이 바뀌면 깨지는가, 테스트가 현실을 닮았는가, 데이터가 오래되지 않았는가, 실패 비용은 무엇인가를 물어야 한다.
그렇지 않으면:
AI “완료!”
사람 “좋아!”
현실 “고장났습니다.”
필요한 변화는 무지로 가는 것이 아니다. 모든 것을 구현할 지식에서 결과를 평가하고 반박하고 통제할 지식으로 이동하는 것이다.
모든 카드 텍스트를 외울 필요는 없다. 하지만 평균 승률 뒤에 25%짜리 끔찍한 상성이 숨어 있는지 볼 줄은 알아야 한다.
3. 섀도우버스를 시작하기 전에 시뮬레이션 공장부터 짓는다
보통은 시작, 카드 읽기, 덱 만들기, 패배, 수정, 또 패배, 100판 후 환경 이해다.
컴퓨터가 있다면 순서를 뒤집는다.
- 모든 카드 데이터 수집
- 대회 상위·공개 덱 수집
- 규칙과 카드 효과 구현
- 멀리건·플레이 정책 정의
- 수만~수십만 판 자동 대전
- 상성 승률 매트릭스 생성
- 약점·분산·패말림 비율 분석
- 상위 후보만 사람이 플레이
100개 덱을 각각 50판 시험하면 5000판이다. 기계가 먼저 버리게 만들면 사람은 마지막 몇 개만 보면 된다.
게임 설치 전에 공략집을 집필 중이다.
문제는 시뮬레이션이 너무 길어서 신팩이 먼저 나올 것 같다는 것.
공장 규모가 너무 컸다.
4. 신팩 직전에 최적화하면 “최적해, 5일 뒤 사망”이 가능하다
2026년 8월 22일 기준 제9탄 카드팩 『Revenants of Azvaldt / アズヴォルト・レヴナント』는 8월 27일 출시 예정으로 공개되어 있다.
8월 22일: “최적 덱 완성!”
8월 27일: “신카드 추가.”
최적 덱: “안녕…”
신팩 직전에는 카드를 만드는 것보다 공장을 완성하는 편이 합리적이다. 데이터 수집, 규칙 엔진, AI 대전, 집계, 승률표, 로버스트 평가, 리포트는 신팩 이후에도 재사용된다.
카드게임을 하려다가 제조업이 됐다.
5. 평균 최강보다 “환경이 틀려도 안 죽는 것”――로버스트 최적화
| 덱 | vs 드래곤 | vs 위치 | vs 로열 | vs 엘프 |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
엘프가 적으면 A가 멋져 보인다. 다음 주 엘프가 늘면 A 사망.
B는 화려하지 않지만 메타가 조금 틀려도 버틴다.
로버스트 최적화는 불확실한 값이 정확하다고 가정하지 않고, 가능한 오차 범위를 두고 그 안의 불리한 조건에도 견디는 해를 찾는다.
카드게임이라면 메타 비중, 상성 추정치, 선후공, 멀리건, 핵심 카드 미드로우 상황, 플레이 정책의 오차까지 흔든다.
최고 95·최저 20보다 최고 80·최저 65를 택할 수 있다.
어느 동물원에 던져도 어느 정도 싸우는 고릴라를 찾는 것이다.
6. 슬프게도 시뮬레이터가 완벽해도 사람이 버튼을 잘못 누르면 진다
AI가 최강 덱을 가져와도 사람이 실제 판에서 “어느 걸 먼저 내지?” 하면 진다.
아비야. 그럼 못 이기네.
그래도 훈련은 압축할 수 있다. 시뮬레이션에서 대면별 멀리건, 빈출 국면, 대표 리설, 절대 하면 안 되는 선택, 상대의 흔한 반격, 승률 영향이 큰 의사결정을 뽑는다.
그러면 연습 대상은 “게임 전체”가 아니라 **승패를 가르는 핵심 20%**가 된다.
덱 탐색은 기계. 국면 압축도 기계. 마지막 선택은 사람.
CEO도 현장 연수는 한다. 다만 100시간 신입교육은 아니다.
7. 모든 카드 정보를 뇌에 넣는 건 스토리지 설계가 이상하지 않은가
결국 질문이 나온다.
“전 카드 정보를 뇌 RAM에 상주시킬 이유가 있나?”
인지과학에서는 정보를 메모·기기·리마인더 같은 외부 자원에 맡기는 것을 cognitive offloading, 즉 인지적 오프로딩이라고 한다.
2024년 연구에서는 내부 기억은 용량이 제한되어 있어 정보를 유지할수록 기회비용이 생기고, 외부 기억은 조회 행동 비용은 있지만 사실상 훨씬 큰 용량을 가진다는 식으로 모델화했다.
카드게임에서는 뇌에 캐시만 둔다: 주요 아키타입, 자신의 승리 플랜, 자주 나오는 위험 카드, 리설 범위, 멀리건, 빈출 분기.
채용률 3% 테크 카드의 세부 효과?
디스크에서 읽어라.
8. 실제로 WB 카드 정보는 자동 수집할 수 있다
mariokart761/ShadowverseWB_card_data는 5개 언어 카드 정보를 크롤링해 상세정보, 능력 텍스트, 진화 정보, 관련 카드, 세트 정보 등을 JSON으로 저장한다.
누군가 수백 장을 손으로 “3코스트… 공격2… 체력3…” 입력하는 구조가 아니다.
크롤러 부장이 출근한다.
ParticleG/shadowverse-wb-db도 cards.json에 카드명, 능력, 코스트, 공격·체력, 레어도, 세트, 이미지 등을 보관한다.
다만 카드 텍스트를 가져오는 것과 카드 행동을 시뮬레이터에서 정확히 실행하는 것은 별개다.
“팬페어: 4데미지”를 읽는 건 쉽다. 대상, 발동 타이밍, 버프·감소, 꽉 찬 필드와의 상호작용까지 구현하는 게 지옥이다.
카드 장부 부서는 자동화 완료.
룰 엔진 부서는 야근 중.
9. 인간의 뇌는 데이터베이스가 아니라 의사결정 엔진으로 쓴다
GitHub / DB → 장기 기억
크롤러 → 정보수집
시뮬레이터 → 가상경험
Codex / AI → 조사·구현·테스트·보고
사람 → 목적·평가기준·우선순위·최종결정
옛날에는 “강해지려면 모든 카드를 외우고 수백 판 해야 한다”고 생각했다.
이제는 “기계가 수십만 판 하고 중요한 결론만 압축해서 받는다”로 바꿀 수 있다.
사장실을 카드 창고로 쓰지 마라.
필요할 때 부서에서 자료를 가져오게 하라.
10. 이건 게임 공략보다 ‘1인 회사 경영 OS’에 가깝다
목적 정의, 완성상 정의, 제약 정의, AI 조사, 선택지 비교, 시뮬레이션, 불확실성에 강한 선택, 실행, 검토, 수정, 지식 외부 저장.
이 구조는 게임뿐 아니라 소프트웨어, 투자 검증, 업무개선, 콘텐츠, 조사, 구매 판단에도 그대로 쓸 수 있다.
만드는 것은 최강 덱 하나가 아니다.
의사결정 공장이다.
직원은 AI.
사람은 모든 세부사항을 외우지 않는다. 하지만 무엇을 달성할지, 무엇이 좋은 결과인지, 무엇을 믿지 않을지, 언제 GO를 누를지는 잡고 있어야 한다.
카드게임을 하려고 했을 뿐인데,
카드도 다 외우기 전에 CEO가 됐다.
11. 결론: 외우기보다 설계하고, 직접 돌리기 전에 돌리게 하라
조사 → 구조화 데이터 → 시뮬레이션 → 로버스트 평가 → 후보 압축 → 사람 실전
기억도 마찬가지다.
전부 암기 → X
필요할 때 검색 가능 → O
빈출 핵심만 뇌에 캐시 → 최적
최종 형태:
AI가 100만 판 한다.
GitHub가 전부 기억한다.
사람은 중요한 것만 판단한다.
질주 한 방 하고 싶었을 뿐인데 공략법이 조직설계가 됐다.
질주 쾅 전에,
경영회의 쾅.
