AI 세션의 토큰 대부분은 결과물이 아니라 길찾기에 쓰입니다 — 재읽기, 맹목적 탐색, 실패와 재시도. SONNUN은 그 길찾기를 클라우드 GPU에서 사용자의 유휴 로컬 하드웨어로 옮깁니다. 원문은 모델에 닿지 않고, 필요한 조각만 건너갑니다. 그래서 토큰이 안 나가고, 개인정보가 안 새고, 노출 전에 검사할 수 있습니다 — 하나의 설계에서 나오는 세 개의 열매입니다. Most tokens in an AI session go to wayfinding — re-reading, blind search, failure and retry — not to the deliverable. SONNUN moves that wayfinding off cloud GPUs and onto the user's idle local hardware. Source documents never reach the model; only the needed fragments cross. So tokens don't leave, personal data doesn't leak, and content can be screened before exposure — three fruits of one design.
챗봇이 대화만 할 때는 없던 비용이, AI가 사용자의 문서와 코드를 직접 열면서 생겼습니다. 이 비용은 사용자와 LLM 사업자가 동시에 부담합니다. Costs that didn't exist when chatbots only chatted appeared the moment AI started opening real documents and code. Users and LLM providers bear that cost at the same time.
문서를 한 번 읽히면 그 내용은 컨텍스트에 남아 매 턴마다 input으로 재청구됩니다. 서브에이전트가 여럿이면 각자 또 읽습니다. 실패하면 처음부터 다시 읽습니다.Read a document once and it stays in context, re-billed as input every single turn. Multiple subagents each read it again. A failure means reading it all over.
명단·급여·계약서를 AI에 올리는 순간 그 값은 이미 채널을 통과했습니다. 마스킹을 나중에 해도 늦습니다. 규제는 데이터 최소수집을 요구하는 방향으로 갑니다.The moment a roster, payroll sheet, or contract goes to the AI, the values have already crossed the channel. Masking afterwards is too late. Regulation is moving toward data minimisation.
사용자가 헤맬수록 GPU 시간은 결과가 아니라 길찾기에 쓰입니다. 정액제 헤비유저일수록 단위경제가 나빠집니다. 인프라를 늘려도 늘어난 만큼 낭비가 따라옵니다.The more the user flails, the more GPU time goes to wayfinding rather than output. Flat-rate heavy users worsen unit economics. Adding infrastructure adds proportional waste.
SONNUN은 사용자가 등록한 폴더 위에서만 동작하는 로컬 거버넌스 계층입니다. 사용자의 컴퓨터에서 한 번 색인하고, 변경분만 증분 갱신하며, AI에는 정확한 위치와 필요한 조각만 넘깁니다. 값 자체가 필요한 처리(병합·집계·마스킹)는 서버 측에서 수행하고 집계만 반환합니다. SONNUN is a local governance layer that operates only on folders the user registers. It indexes once on the user's own machine, refreshes incrementally, and hands the AI exact locations and only the fragments needed. Work that genuinely needs the values (merge, aggregate, mask) runs server-side and returns aggregates only.
절감을 주장하는 도구는 많습니다. 우리는 같은 작업을 두 조건으로 수행하고 그 차이를 기록합니다. 아래는 실제 개발 작업 3건에 대해 동일 작업·동일 모델·동일 성공조건으로 비교한 결과입니다. 1.0× 기준은 실제 수행된 작업이고, 시나리오는 그 작업을 지시 상세도만 낮춰 수행했을 때의 비용입니다. Plenty of tools claim savings. We run the same task under two conditions and record the difference. Below are three real engineering tasks compared under identical task, model, and success criteria. The 1.0× baseline is the work actually performed; the scenarios are the same work started with less specific instructions.
| 작업Task | 핀포인트 지시 (SONNUN이 만드는 조건)Pinpoint brief (what SONNUN produces) | 로그만 제공Logs only | 한줄 지시One-line brief | 배율 (vs 한줄)Multiple (vs one-line) |
|---|---|---|---|---|
| Vector Blade Hotfix 3파일 · 단일 계층Vector Blade Hotfix 3 files · single layer |
~73K (1.0×) | ~155–210K (2.1–2.9×) | ~230–330K (3.2–4.5×) | 3.2–4.5× |
| Vector Blade Reforge 3파일 · 계약 테스트Vector Blade Reforge 3 files · contract tests |
~62K (1.0×) | ~150–220K (2.4–3.5×) | ~240–360K (3.9–5.8×) | 3.9–5.8× |
| Reasoning Evidence 5파일 · 신규모듈 2 · 계약 11Reasoning Evidence 5 files · 2 new modules · 11 contracts |
~120K (1.0×) | ~350–450K (2.9–3.8×) | ~550–800K (4.6–6.7×) | 4.6–6.7× |
| 측정일 2026-06-18 · 프로젝트 DF001 · 코드 도메인 n=3 실측 — 1.0× 기준은 실제 수행분(트랜스크립트·파일 탐색량·승격 범위 기반), 시나리오 열은 동일 작업의 비용 추정. Measured 2026-06-18 · project DF001 · code domain, n=3 MEASURED — the 1.0× baseline is work actually performed (from transcripts, search volume, promotion scope); scenario columns are ESTIMATES of the same task. | ||||
파일을 찾아 올리고 결과를 검사하던 사람이, 목표를 지시하고 최종 결정만 하는 사람이 됩니다.Someone who hunted for files, uploaded them, and inspected results becomes someone who states a goal and makes the final call.
AI가 실제 파일을 다루는 시장은 빠르게 커집니다. 원문을 반복해서 클라우드로 보내는 방식은 비용으로도 책임으로도 확장되지 않습니다. SONNUN은 로컬 색인 · 정보 최소화 · 검증 · 사람 승인으로 그 문제를 풉니다. The market where AI touches real files is growing fast. Shipping source documents to the cloud over and over scales neither in cost nor in liability. SONNUN solves it with local indexing, minimal disclosure, verification, and human approval.