AI 모델의 비용부터 실행 권한까지, 10월 20일의 여섯 가지 변화

이번 확장은 퍼셉션의 출발점과 연결된다. 마이크로소프트는 7월 27일 최초 발표에서 공격 경로를 찾는 레드팀, 위험을 조사하는 블루팀, 수정 조치를 수행하는 그린팀 에이전트를 제시했다. 당시에는 외부 공격에 대응하는 보안 조직의 작업을 중심에 뒀다. 10월 발표에서는 이 체계를 조직이 직접 배치한 에이전트의 행동을 감독하는 데도 적용하겠다고 설명했다.

문제의식은 공격자가 침입한 경우에만 한정되지 않는다. 같은 날 경영진이 공개한 설명은 목표 달성에 최적화된 모델의 행동이 조직의 규범과 어긋날 수 있다고 지적한다. 모델, 작업을 조정하는 소프트웨어, 사용 가능한 도구, 실행 환경을 하나의 시스템으로 보고 각각 통제해야 한다는 주장이다. 이는 회사가 제시한 보안 관점이며 모든 에이전트가 문제를 일으킨다는 실증 결과는 아니다.

구체적인 확대 항목은 목록화다. 회사는 로컬 에이전트 발견 대상을 35종 추가해 총 60종으로 넓히고, 마이크로소프트 에이전트 365(Microsoft Agent 365)와 등록부·보안 정보를 공유한다고 밝혔다. 다만 발견 수 자체가 차단 능력이나 사고 감소율을 뜻하지는 않는다.

새로 소개한 동적 권한(Dynamic Permissions)은 업무에 필요한 범위와 시간에 맞춰 권한을 부여한다. 조직 정책이 상한을 정하고, 사용자 자신에게 없는 권한은 에이전트에도 부여하지 않는다는 원칙이다. 직원의 전체 접근 권한과 에이전트의 작업 권한을 분리하는 설계다.

동적 에이전트 위험(Dynamic Agent Risk)은 보안 정보를 모아 위험을 갱신하고, 동적 조건부 액세스(Dynamic Conditional Access)는 이에 맞춰 허용 행동을 조절한다. 회사는 읽기를 유지하면서 쓰기를 막거나 실행을 격리하는 대응을 제시했다. 위험 변화마다 같은 종료 조치를 내리는 대신 단계적으로 통제한다.

별도 신원을 관리하는 기반은 마이크로소프트 엔트라 에이전트 ID(Microsoft Entra Agent ID) 문서에서 확인할 수 있다. 개별 에이전트의 신원을 만드는 공통 틀을 두고 인증·활동 기록을 관리한다. 자사 플랫폼 밖에서 만든 에이전트의 연동도 설명한다. 다만 신원 생성 기능을 쓸 수 있다는 사실과 보안 기능 전체를 적용할 수 있다는 사실은 다르다. 해당 문서는 에이전트에 엔트라 보안 기능을 확장하려면 에이전트 365가 필요하다고 명시한다.

공식 지원표는 발표를 해석하는 데 중요한 경계를 보여준다. 로컬 에이전트 발견은 관리 대상 장치에서 실제 활동이 관찰돼야 이뤄진다. 프로그램이 설치돼 있다는 사실만으로 목록에 나타나는 것은 아니다. 또한 윈도 서브시스템 포 리눅스(Windows Subsystem for Linux) 지원은 일반 리눅스 장치 지원과 같지 않으며, 맥OS(macOS)의 발견 기능도 미리보기로 표기돼 있다.

같은 문서는 실행 중 보호를 별도 항목으로 구분한다. 에이전트가 제공하는 이벤트 인터페이스로 관찰하는 방법과 네트워크 통신을 검사하는 방법의 지원 범위가 다르다. 서버 인증서를 특정 값으로 고정하거나 HTTP/3 통신을 쓰는 에이전트는 네트워크 검사 대상에서 제외된다고 명시한다. 따라서 ‘발견 60종’이라는 발표를 60종 전체에 동일한 실시간 방어가 적용된다는 뜻으로 확대하면 안 된다. 문서의 마지막 갱신 표시는 10월 9일로, 이날 발표의 모든 세부 사항을 반영했다고 단정하기도 어렵다.

보안 에이전트를 다시 감독자로 투입한다는 점도 쟁점이다. 경영진 설명은 모델의 입출력뿐 아니라 추론 과정의 투명성이 더 필요하다고 주장하면서도, 그것이 격리와 권한 통제를 대체하지는 않는다고 밝혔다. 편집 관점에서 이번 변화의 핵심은 AI가 스스로 안전하다고 판단하는 데 의존하기보다 별도 시스템이 행동을 제한하도록 책임을 배치한 데 있다. 이 구조의 효과를 판단하려면 각 고객 환경에서 수집할 수 있는 신호와 실제 집행 가능한 통제를 함께 봐야 한다.

공개 발표는 여러 업무를 이어 수행하는 에이전트 능력을 강조한다. 개발사는 딥SWE(DeepSWE) v1.1에서 73.7%, 운영체제 조작 평가인 OS월드(OSWorld) V2에서 61.7점을 기록했다고 밝혔다. 서로 다른 문제와 평가 방식을 쓰는 수치이므로 하나의 종합 성공률로 묶을 수 없다. 발표 본문에는 이 점수의 실행 환경과 반복 횟수가 충분히 제시돼 있지 않다. 개발사 결과로만 다루며 다른 모델과의 순위를 판단하는 근거로 삼지 않았다.

가격 변화는 공식 요금표로 더 구체적으로 확인된다. 기존 미니맥스 M3(MiniMax M3)의 표준 요금은 입력이 51만2,000토큰 이하일 때 입력 0.30달러, 출력 1.20달러다. 새 모델의 해당 단가는 각각 절반이다. 기존 모델은 더 긴 입력에 별도 구간 요금이 있지만 M3.1 플래시 항목에는 단일 요금이 제시돼 있다. 이는 동일한 양을 처리할 때의 단가 비교이며 작업 성공률 비교는 아니다.

캐시를 읽는 비용도 따로 봐야 한다. 같은 요금표에서 기존 M3의 짧은 입력 구간 캐시 읽기는 100만 토큰당 0.06달러이고, 새 모델은 0.015달러다. 반복해서 쓰는 입력이 캐시에 얼마나 적중하는지에 따라 청구 구조가 달라진다는 뜻이다. 회사가 발표에서 내세운 에이전트 작업 비용 70% 감소와 요금표의 개별 단가 인하율은 같은 지표가 아니다. 호출 횟수와 생성량까지 포함한 비용과 토큰 가격을 분리해 읽어야 한다.

모델 소개 문서는 새 모델을 이미지 등 여러 형태의 정보를 다루는 코딩 모델로 분류하며 100만 토큰 문맥을 명시한다. 기존 M3도 같은 문맥 크기로 소개돼 있어, 이번 차이를 단순한 입력 길이 확대로 설명하기는 어렵다. 새 항목에 함께 강조된 것은 추론 깊이 조절이다. 긴 자료를 받아들이는 용량과 그 자료를 얼마나 오래 검토할지는 별개의 설정이라는 점이 드러난다.

앤트로픽(Anthropic) 형식 호환 API 문서에 따르면 추론 강도는 낮음부터 최대까지 다섯 단계이며, 생략하면 최대가 기본값이다. 추론을 완전히 끄는 설정은 지원하지 않는다. 빠른 응답을 목표로 하는 이용자에게 이 기본값은 중요한 조건이다. ‘플래시’라는 제품 이름만으로 최소 지연 동작을 가정할 수 없고, 모델이 내부적으로 쓰는 사고량도 응답 시간에 영향을 준다.

호환성 역시 범위를 확인할 필요가 있다. 이 API는 이미지·영상 입력과 도구 호출을 지원하지만 일부 요청 매개변수는 무시한다고 문서에 적혀 있다. 기존 프로그램이 요청을 전송할 수 있다는 사실과 모든 기능이 같은 의미로 처리된다는 사실은 다르다. 제품을 바꿀 때 판단할 정보는 접속 주소뿐 아니라 대화 이력, 도구 응답, 지원하는 입력 형식의 처리 방식이다. 특히 대화 이력에 추론과 도구 호출 내용을 보존하라는 조건은 여러 차례 이어지는 작업에 영향을 준다.

요금표와 API 문서를 종합하면 이번 공개의 의미는 토큰 가격과 추론량을 함께 조절할 선택지가 늘었다는 데 있다. 입력을 반복하는 작업은 캐시 비용의 영향을 받고, 긴 판단을 요구하는 작업은 생각하는 데 쓰는 토큰이 중요하다. 어느 설정이 유리한지는 필요한 정확도와 실제 사용량에 달려 있다.

확산형 언어 모델은 답을 만드는 순서가 일반적인 순차 생성 방식과 다르다. 인셉션의 기존 머큐리 기술 소개는 여러 토큰을 병렬로 수정하면서 초안을 점차 다듬는 구조를 설명한다. 앞선 토큰이 나와야 다음 토큰을 계산하는 방식과 달리 한 번에 여러 위치를 개선하는 것이다. 회사는 이 구조를 빠른 생성의 근거로 제시해 왔으며, 이번 출시는 그 계열의 규모와 문맥을 확장한 사례다.

이 차이는 단순히 화면에 글자가 빨리 표시되는 문제를 넘어선다. 도구를 호출하고 결과를 읽은 뒤 다음 행동을 정하는 에이전트는 여러 차례 모델 응답을 기다린다. 생성 구간이 짧아지면 이 대기의 일부가 줄 가능성이 있다. 다만 브라우저나 데이터베이스의 응답 자체를 모델이 빠르게 만드는 것은 아니므로, 생성 처리량과 전체 업무 속도는 분리해서 해석해야 한다. 이는 구조에서 도출한 의미이며 사용 성과를 측정한 결과는 아니다.

이번 발표에서 인셉션은 머큐리 1(Mercury 1)보다 전체 매개변수 규모가 40배 넘게 커졌다고 설명했다. 동시에 엔비디아 GPU에서 초당 1,068토큰을 처리한다고 제시했다. 규모를 키워도 확산 방식의 속도를 유지할 수 있다는 것이 회사의 주장이다. 다만 발표 본문에서 이 수치에 대응하는 모든 하드웨어 구성과 동시 요청 조건을 확인할 수 없어, 다른 사업자의 서비스 속도와 동일 조건으로 비교하지 않았다.

가격은 공식 모델 페이지에서 정가와 출시 할인가를 구분해 확인할 수 있다. 정가는 100만 토큰당 입력 0.20달러, 출력 0.70달러이고, 현재 표시된 할인가는 각각 0.10달러와 0.35달러다. 캐시 입력은 같은 단위로 정가 0.02달러, 할인가 0.01달러다. 할인 중인 금액을 영구 요금처럼 계산하면 장기 운영비를 과소평가할 수 있다.

같은 상품 안내에는 기존 버전의 전환 조건도 있다. 머큐리 2(Mercury 2)와 머큐리 2.5(Mercury 2.5)는 신규 사용자에게 더 이상 제공하지 않는다. 10월 19일 이전 사용 이력이 있는 고객은 11월 15일까지 접근을 유지하며 기업 고객은 계약상의 지원을 따른다고 적혀 있다. 새 버전의 성능 발표와 별개로 기존 모델명을 고정해 사용하는 서비스에는 운영 일정에 직접 영향을 주는 변경이다.

현재 API 시작 문서는 기본 호출 예제의 모델을 머큐리 3로 제시한다. 파이썬(Python)과 타입스크립트(TypeScript)용 개발 도구, 다른 라이브러리를 통한 호출도 안내한다. 새 계정에는 결제 정보 없이 시작할 수 있는 1억 토큰이 포함된다고 설명하지만, 이는 계속 무료로 운영할 수 있다는 의미가 아니다. 문서는 무료량 이후 이용을 위해 결제 정보를 추가하는 흐름도 명시한다.

100만 토큰 문맥은 입력 용량이며 전체 길이에서의 정확성 보장은 아니다. 긴 입력은 읽는 비용도 늘린다. 이번 출시를 판단할 때는 문맥 크기와 생성 속도뿐 아니라 할인 이후 요금, 기존 버전의 지원 기한을 함께 볼 필요가 있다.

클레어릭의 출발점은 문서 업무에서 반복되는 작은 질문이다. 회사는 모델이 자유 서술을 이어 쓰지 않고 한 차례의 계산으로 필요한 값을 구하는 구조라고 설명했다. 청구서에서 합계를 찾는 일과 답변 메일을 작성하는 일을 같은 생성 모델에 맡길 필요가 있는지 묻는 접근이다. ‘시스템 원’이라는 분류명은 이러한 빠른 판단 방식을 설명하기 위한 개발사의 표현으로, 별도의 공인 품질 등급은 아니다.

공식 모델 문서에는 실제 서비스 식별자와 사용 범위가 실려 있다. 텍스트와 이미지로부터 값을 처리하며 현재 상태는 미리보기다. 공개 호스팅 서비스의 존재는 확인되지만, 모델 파일을 내려받아 사내 서버에 설치하는 제공 방식은 이번 공개에 포함되지 않는다. 입력 단위 요금이 공개됐다는 사실과 자체 운영 비용을 계산할 수 있다는 사실도 구분할 필요가 있다.

응답은 질문마다 원하는 형태를 지정하는 방식이다. 추출 모델 개념 문서는 입력에 이미 존재하는 값을 찾는 추출, 주어진 사실로 새 값을 구하는 계산, 아직 결정되지 않은 결과를 예측하는 추정을 나눈다. 같은 숫자 필드라도 원문에서 가져온 금액과 미래에 낼 것으로 추정한 금액은 근거의 성격이 다르다. 자료형이 같다고 동일한 확실성을 갖는 것은 아니다.

출처를 되짚는 기능도 있다. 추출한 문자열에는 입력의 어느 위치에서 가져왔는지 나타내는 구간 정보가 붙는다. 값이 없다고 판단하면 단일 값 필드는 비어 있는 결과를 반환할 수 있다. 다만 공식 문서는 이것이 실제 정보 부재뿐 아니라 모델이 정보를 찾지 못한 경우일 수도 있다고 설명한다. 문서 처리에서 원문과 결과를 연결하는 단서가 생기는 셈이지만, 누락 여부의 최종 판단까지 자동으로 보증하지는 않는다.

추정값은 또 다른 주의가 필요하다. 문서에 따르면 추정과 예측은 입력 정보가 적어도 값을 반환할 수 있으며, 확률분포의 가운데 80%에 해당하는 범위를 제공한다. 반환 범위를 제한해도 실제 결과가 그 안에 존재한다는 보장은 없다. 이 구분은 문서의 사실을 옮기는 작업과 불확실한 미래를 예상하는 작업을 하나의 자동 처리 단계로 섞지 않도록 하는 데 의미가 있다.

처리 단위는 문맥 상한과 구분해야 한다. 모델 소개표에는 6만5,536토큰이 적혀 있지만 같은 문서의 필드 설명은 입력 옆에 함께 담을 질문이 8,192토큰의 한 처리 단위에 들어가지 않으면 질문 필드를 여러 병렬 처리로 나눈다고 안내한다. 응답 예제에도 입력 토큰과 처리 횟수가 따로 표시돼 있다. 두 수치의 관계를 문서가 충분히 설명하지 않아, 긴 입력 자체도 같은 방식으로 나눠 처리한다고 단정할 수 없다. 출력 토큰을 생성하지 않는 구조여도 요청당 처리 횟수와 입력 토큰 사용량은 별도로 살펴야 한다.

개발사는 현재 버전이 여러 단계에 걸친 산술과 많은 표 행의 집계에 약하다고 밝혔다. 또한 전문 시계열 모델을 대체하는 장기 예측 도구로 설계하지 않았다고 선을 그었다. 회사가 제시한 활용 구상도 추출 모델이 값을 구하고, 결정 모델이 행동을 선택하며, 생성 모델이 글을 쓰는 분업이다. 편집 관점에서 남는 쟁점은 단계 사이의 오류 전달이다. 분업만으로 잘못 추출된 값이 뒤 단계의 판단에 쓰이는 문제까지 해결되지는 않는다.

상품 탐색에서는 이미지 번역 요청을 많이 받은 100개 상품과 최근 관심이 높아진 항목을 나눠 보여준다. 뷰티·식품·건강 분야별로도 살펴볼 수 있다. AI 브리핑(AI Briefing)이 상품을 요약하고, 더 알아보려는 이용자는 블로그 후기나 네이버 쇼핑(NAVER Shopping)의 상세 정보로 이동한다. 서비스 진입점은 파파고 앱 홈 화면 오른쪽 위의 트렌드 버튼이다.

장소 탐색은 지역별 목록을 함께 제공한다. 서울의 명동·홍대·성수뿐 아니라 부산과 제주 등 여행지별로 후보를 좁힐 수 있다. 네이버 플레이스(NAVER Place)에 쌓인 리뷰와 운영 정보를 다른 언어로 전달하고 지도·예약에 연결한다. 상품의 인기도를 살피는 기능과 여행 동선에 맞춰 목적지를 찾는 기능을 나눠 둔 점이 특징이다.

변화의 배경은 파파고의 공식 10주년 소개에서도 확인된다. 서비스는 2016년 앱으로 출발했고, 2020년에는 이미지 속 문자를 바로 번역하는 기능을 도입했다. 2022년에는 카메라를 비추는 동안 번역하는 기능을 추가했다. 입력을 타이핑하던 방식에서 눈앞의 장면을 읽는 방식으로 넓어진 흐름이다.

같은 10주년 페이지는 일본 식당의 간판 사진에서 메뉴·리뷰·예약으로 이어지는 기능과 해외 매장 제품 사진으로 상품 정보를 확인하는 기능을 소개했다. 식당 관련 기능에는 위치 정보 동의가 필요하다고 적혀 있다. 이 자료는 8월 행사를 안내한 기존 기능 설명으로, 오늘 새로 생긴 기능으로 세지 않았다.

네이버의 다른 검색 서비스에도 탐색과 실행을 연결하는 변화가 있었다. 6월 26일 AI탭(AI Tab) 정식 출시 발표는 장소를 찾은 답변에서 지도와 예약 가능 시간으로 이어지는 기능을 설명했다. 회사는 당시 대화형 검색을 전체 사용자에게 확대한다고 밝혔다.

두 서비스가 이용자를 다음 행동으로 연결한다는 점은 비슷하지만 출발점은 다르다. AI탭은 이용자가 던진 질문에서 탐색을 시작하고, 트렌드는 다른 외국인들의 번역 이용에서 뽑은 후보를 먼저 보여준다. 다만 번역할 필요를 느꼈다는 사실은 상품을 좋아하거나 구매했다는 뜻과 다르므로, 목록을 소비 선호 순위로 곧바로 해석하기는 어렵다.

성과를 판단하는 자료도 서비스마다 구분해야 한다. 네이버는 6월 AI탭 발표에서 베타 기간 상품·장소 카드 클릭률이 각각 20% 이상이었다고 밝혔다. 11회 이상 방문한 이용자의 상품 클릭은 1회 방문자의 2.7배, 장소 클릭은 2배였다는 비교도 제시했다. 이는 회사가 관찰한 별도 서비스의 이용 집단 간 차이다. 이용 빈도가 클릭을 늘렸다는 인과관계나 파파고의 성과를 입증하지 않는다. 트렌드에도 구매·방문 효과를 말하려면 출시 후 이용 자료가 필요하다. 번역 요청으로 만든 목록이 전체 관광객을 대표하는지 역시 별도의 검증 대상이다.

연구 대상은 가속기에서 일어나는 양성자 충돌이다. CERN은 수십억 건의 모의 충돌을 학습해 입자 식별, 충돌 재구성, 예상 밖 신호의 탐색, 미래 검출기 설계 평가를 지원하는 모델을 구상한다고 밝혔다. 여기서 모의 데이터로 학습한다는 계획과 실제 실험 데이터를 분석해 발견을 검증하는 과정은 구분된다. 대규모 학습 자체가 새로운 과학적 결론을 확정해 주는 것은 아니다.

기계학습을 충돌 분석에 쓰는 시도 자체는 새롭지 않다. 2월 18일 CERN에 실린 연구진 설명은 컴팩트 뮤온 솔레노이드(Compact Muon Solenoid·CMS) 실험이 여러 검출기의 정보를 결합해 입자를 재구성해 왔다고 소개한다. 연구진은 사람이 만든 규칙의 상당 부분을 모의 충돌로 학습한 모델로 바꾸는 방식을 이미 제시했다. 이는 이번 미스트랄 협력의 성과가 아니라 그에 앞선 별도 연구다.

데이터를 다루는 기반은 이미 국제적으로 분산돼 있다. CERN의 세계 LHC 컴퓨팅 그리드 설명은 42개국 170곳 이상의 시설이 저장·분배·분석 자원을 제공한다고 소개한다. 연구자들이 데이터를 이용하는 경로가 단일 연구소의 컴퓨터에만 묶여 있지 않은 것이다. 이 기존 기반은 새 모델이 언젠가 연구 현장에 쓰인다면 어떤 환경과 만날지를 이해하게 한다.

같은 안내는 그리드가 하루 200만 건 넘는 작업을 처리하며 CERN이 전체 자원의 약 20%를 제공한다고 설명한다. 이는 현재 열람한 기반 시설 설명의 수치이지 미스트랄과의 새 협력에 배정된 자원은 아니다. 이번 발표에는 모델 학습에 쓸 컴퓨팅 예산이나 장비 목록이 없어 기존 그리드 전체를 새 모델의 학습 시설로 간주할 수 없다. 규모를 보여주는 배경 자료와 사업에 확정 투입되는 자원을 나누는 이유다.

민간 기업과 기술을 공동 검토하는 방식에도 선례가 있다. CERN 오픈랩(CERN openlab)의 공식 소개는 연구소가 복잡한 정보통신 기반과 공학 경험을 제공하고, 협력 기업은 까다로운 연구 환경에서 제품에 대한 피드백을 얻는다고 설명한다. CERN은 그 과정에서 아직 초기 단계인 기술을 향후 연구에 쓸 수 있는지 평가한다. 이번 의향서를 오픈랩의 특정 계약으로 단정할 수는 없지만 산학 협력의 배경을 보여준다.

이러한 배경에서 이번 협력은 완성된 범용 챗봇을 연구소에 들여놓는 계약과 다른 질문을 던진다. 충돌의 특성을 공통으로 학습한 모델이 서로 다른 분석 과제로 지식을 옮길 수 있는가, 그리고 각 단계가 요구하는 정확성을 유지할 수 있는가가 중요해진다. 이는 발표 목표에서 도출되는 연구 쟁점이며 양측이 이미 해결했다고 밝힌 결과는 아니다. 여러 일을 처리할 수 있다는 범용성과 과학 측정의 신뢰성은 함께 검토돼야 한다.

CMS 연구 논문은 그 차이를 평가 조건으로 보여준다. 9월 2일 수정본의 초록은 20232024년 LHC 운전 조건을 모사해 톱쿼크·반톱쿼크가 생성된 사건을 평가했다. 횡운동량 30100기가전자볼트(GeV) 구간의 제트에서 에너지 분해능이 10~20% 개선됐다는 결과다. 제트는 충돌 뒤 여러 입자가 한 방향으로 뻗는 무리다. 이 수치는 검출기 신호로 그 에너지를 얼마나 정밀하게 추정하는지에 관한 결과다. 일반적인 AI 정확도나 새 물리 모델의 성능 수치가 아니며, 연구 대상과 조건을 떼어 내 옮길 수 없다.

이런 선행 연구와 이번 의향서를 함께 보면 앞으로 확인할 지점도 분명해진다. 여러 과제를 지원하는 모델이 기존 전문 알고리즘과 비교해 어떤 측정 조건에서 유효한지, 과학자가 결과를 검증할 수 있는 자료를 제공하는지가 중요하다. 대형 모델 개발사의 참여 방향은 구체화됐지만, 연구 공동체가 실제로 이용할 수 있는 범위와 방법은 후속 공개를 통해 확인해야 한다.