애플, 7인치 ‘홈뷰’ 공개…가족별로 달라지는 AI 화면, 11월 13일 판매

출처: Apple 홈뷰 공식 발표 | https://www.apple.com/newsroom/2026/10/meet-apple-homeview-a-new-way-to-enjoy-entertainment-and-manage-the-home/ 출처: Apple의 Siri AI 지원 조건 | https://support.apple.com/en-mide/148218 출처: Apple Intelligence 이용 조건 | https://support.apple.com/en-us/148587

애플이 13일 가정용 기기 애플 홈뷰(Apple HomeView)를 공개했다. 7인치 화면에 대화형 비서 시리 AI(Siri AI)를 결합하고 최대 여섯 사용자를 얼굴로 구분해 개인 화면을 제공한다. 미국 가격은 299달러이며, 발표 당일 일부 국가에서 사전예약을 시작했다. 실제 판매 시작일은 11월 13일이다.

무엇이 달라지나. 한 사람의 휴대전화 안에 있던 개인화된 AI 경험을 가족이 함께 사용하는 고정형 화면으로 확장한다. 일정·메시지 확인과 영상통화, 음악 재생, 집 안 기기 제어를 한곳에 모으되 사용자를 구분하는 방식이다.

한계. 개인의 앱 정보까지 활용하려면 애플 인텔리전스 지원 아이폰이나 아이패드가 필요하다. 홈뷰의 시리 AI는 발표 기준 영어로 제공되며, 한국 판매 일정과 한국어 지원 일정은 이번 발표에 포함되지 않았다. 화면을 사는 것과 모든 AI 기능을 바로 이용하는 것은 구분해야 한다.

자세히

스피커에 화면을 붙이는 것 이상의 변화

홈뷰의 핵심은 가족이 공유하는 물건과 개인 데이터 사이의 경계를 다시 설계한 데 있다. 애플은 사용자의 얼굴을 인식하면 홈 화면의 앱과 위젯, 개인 콘텐츠가 해당 사용자에 맞게 바뀐다고 설명했다. 공용 사진과 음악은 함께 즐기면서도 개인 일정이나 메시지는 다른 가족의 화면과 구분하는 구성이다. 지원 인원은 최대 여섯 명이다.

제품은 탁자에 놓는 형태와 벽에 설치하는 형태로 나뉜다. 두 모델 모두 7인치 리퀴드 레티나 화면을 사용한다. 탁상형은 화면 각도를 조절할 수 있고, 벽걸이형에는 별도 설치 장치가 제공된다. 거실에서 멀리 바라볼 때와 가까이 다가갔을 때 표시 정보의 밀도를 조정하는 기능도 발표했다. 휴대전화와 달리 여러 사람이 서로 다른 거리에서 보는 화면이라는 사용 조건을 반영한 것이다.

시리 AI는 일반적인 질문에 답하거나 음악을 찾는 기능과 개인 정보를 활용하는 기능을 나눠 이해해야 한다. 애플 인텔리전스 지원 아이폰·아이패드가 없는 사용자도 일반 지식 질문과 대화를 이용할 수 있다는 것이 애플의 설명이다. 반면 개인의 메시지와 일정, 앱에 있는 맥락을 바탕으로 행동하려면 호환되는 개인 기기와의 연결이 필요하다. 같은 홈뷰를 사용해도 연결 조건에 따라 가능한 작업이 달라진다.

개인 비서가 공용 공간으로 나올 때

공개된 기능에는 페이스타임 영상통화, 메시지 확인과 답장, 알림·일정 확인, 음악과 영상 감상, 스마트홈 제어가 포함된다. 예를 들어 애플은 웹의 요리법을 단계별 안내로 바꾸고 음성으로 타이머를 조작하는 이용 장면을 제시했다. 이는 제작자가 소개한 기능이며, 독립적인 사용 시험으로 정확도나 편의성을 확인한 결과는 아니다.

대화를 여러 기기에서 이어가는 방식도 중요하다. 애플은 홈뷰에서 시작한 대화의 기록을 아이클라우드로 동기화해 아이폰이나 아이패드, 맥 등의 시리 앱에서 계속할 수 있다고 밝혔다. 고정형 기기가 이동형 기기를 대신하기보다는 집 안에서 대화를 시작하거나 상태를 확인하는 접점이 되는 셈이다. 기기 사이의 연결이 AI 비서의 활용 범위를 결정하는 구조다.

개인 정보가 표시되는 조건도 공개됐다. 애플은 등록된 얼굴을 인식하고, 연결된 아이폰이나 아이패드가 근처에 있으며 최근 잠금 해제된 경우에 메시지와 일정 등 개인 콘텐츠를 보여준다고 설명한다. 가족이 화면을 공유하더라도 개인 기기의 상태까지 확인하는 구성이다. 다만 실제 가정의 조명·거리·사용자 전환 상황에서 얼마나 일관되게 작동하는지는 출시 후 확인할 부분이다.

가격보다 먼저 확인할 지원 범위

미국 기준으로 탁상형과 벽걸이형 본체 가격은 각각 299달러다. 벽걸이형 설치 장치는 방식에 따라 별도 가격이 붙는다. 발표에서 안내한 판매 국가는 미국·영국·캐나다·호주·인도·뉴질랜드와 싱가포르·남아프리카공화국이며, 사전예약 시작일과 유통 경로에는 차이가 있다. 유럽연합에서는 시리 AI의 iOS 제공 문제로 홈뷰를 판매하지 않는다고 명시했다.

지원 언어도 제품의 중요한 조건이다. 애플의 시리 AI 지원 문서는 현재 베타 기능의 기기·운영체제·언어 조건을 별도로 설명한다. 애플 인텔리전스라는 이름을 함께 쓰는 기능이라도 대화형 시리 AI와 지원 언어가 같다고 추정해서는 안 된다. 홈뷰 발표는 해당 기능을 영어로 안내하고, 캐나다 프랑스어는 추후 소프트웨어 업데이트로 제공할 예정이라고 밝혔다.

또한 애플 인텔리전스 이용 조건은 기능별 사용량 제한과 호환성 요구를 명시한다. 홈뷰 발표의 주석은 일부 서버 기반 기능에 일일 제한이 있고 향후 유료로 이용 범위를 확대할 예정이라고 설명한다. 본체 가격과 AI 서비스의 장기 이용 조건을 함께 볼 필요가 있다. 한국 독자에게 이번 발표의 의미는 즉시 구매할 수 있는 신제품 목록의 증가보다, AI 비서가 휴대전화 밖의 공용 공간으로 확장되면서 개인화·권한·지역 지원이 함께 제품 경쟁력이 된다는 데 있다.

구글·싱가포르, 기기 안에서 대화를 살피는 사기 탐지 AI 개발

출처: Google DeepMind의 사기 탐지 모델 발표 | https://deepmind.google/blog/on-device-ai-scam-detection-mddi/ 출처: Google의 Gemma 모델 공식 문서 | https://ai.google.dev/gemma/docs

구글 딥마인드(Google DeepMind)가 14일 싱가포르 정부기술청과 함께 현지 사기 대화에 맞춰 조정한 제마(Gemma) 기반 모델을 발표했다. 대화 내용을 서버로 보내는 대신 기기 안에서 분석하고, 가벼운 분류기가 먼저 의심 메시지를 추린 뒤 모델이 대화 맥락을 확인하는 2단계 구조다. 실제 앱 배포는 정부와 협력해 단계적으로 진행할 예정이다.

무엇이 달라지나. 악성 주소 한 개를 찾는 방식에서 대화가 사람을 어떻게 설득하고 조종하는지 분석하는 방향으로 사기 탐지가 넓어진다. 현지의 기관·은행 사칭 유형을 학습 대상으로 삼고, 민감한 대화의 처리 위치도 기기 내부로 옮긴다.

한계. 모든 휴대전화에 즉시 설치되는 기능은 아니다. 적용 앱과 이용자의 동의가 필요하며, 정확도·오탐률·배터리 소비를 독립적으로 비교할 수 있는 수치는 이번 발표에서 제시하지 않았다. 싱가포르용 조정 결과를 한국어 사기 탐지 성능으로 해석할 수도 없다.

자세히

링크보다 대화의 흐름을 보는 이유

사기 메시지는 노골적인 악성 링크만으로 이뤄지지 않는다. 정상적인 대화를 이어가며 신뢰를 얻은 뒤 돈이나 인증 정보를 요구하는 경우에는 개별 문장보다 앞뒤 맥락이 중요하다. 구글은 싱가포르에서 투자 사기와 가짜 채용, 공공기관 사칭 같은 유형을 문제로 제시하고, 현지 사기 대화에 맞춰 경량 모델을 조정했다고 밝혔다.

일반 모델에 사기 여부를 묻는 방식과 다른 점은 지역의 구체적인 사칭 맥락을 반영했다는 것이다. 공개 설명에 따르면 공공기관·은행·현지 인물을 사칭하는 대화와 지역에서 유행하는 수법을 조정 자료에 포함했다. 같은 표현이라도 정상적인 안내인지 조작인지 판단하려면 기관명과 대화 관행을 이해해야 한다. 다만 이러한 설계 목적이 실제 탐지 성능의 향상을 입증하는 수치 자체는 아니다.

배터리와 개인정보를 함께 고려한 2단계 처리

첫 단계에서는 계산량이 적은 분류기가 들어오는 메시지에서 잠재적 위협을 찾는다. 두 번째 단계에서 조정된 제마 모델이 더 넓은 대화 맥락을 분석해 위험을 확인하거나 경고를 거둔다. 구글은 스마트폰에서 복잡한 분류 모델을 계속 실행할 때 전력 효율이 중요하기 때문에 이런 구조를 택했다고 설명했다. 경량 탐색과 맥락 분석의 역할을 나눈 것이다.

위험한 조작 패턴을 감지하면 기기에서 경고를 보여주고, 민감한 정보나 자금을 보내기 전에 멈춰 확인하도록 안내하는 방식이다. 발표 범위는 경고와 판단 지원이다. 송금을 자동 차단하거나 상대방의 법적 신원을 보증하는 기능으로 소개한 것은 아니다. 경고를 받지 않았다는 이유만으로 거래 상대가 안전하다고 단정할 수도 없다.

기기 내 처리는 개인정보 측면의 중요한 차이다. 구글은 배포된 모델을 통해 정부나 구글이 사용자의 대화를 볼 수 없도록 설계했다고 밝혔다. 앱이 기기 내 대화에 접근하는 경우에도 사용자의 동의와 해당 앱의 이용 조건이 적용된다고 명시했다. ‘온디바이스’라는 표현이 앱 권한이나 동의 절차까지 없어졌다는 뜻은 아니다.

공개 모델과 실제 서비스 사이에 남은 단계

제마는 구글이 제공하는 경량 공개 모델 계열이다. 공식 개발 문서는 개발자가 자신의 하드웨어나 모바일 기기, 호스팅 환경에서 모델을 실행하고 특정 작업에 맞게 조정할 수 있다고 설명한다. 이번 사기 탐지 모델은 그 활용 방향을 정부의 지역별 문제에 적용한 사례다. 다만 구글은 이번 모델의 구체적인 제마 버전과 매개변수 크기를 발표 본문에서 밝히지 않았다.

학습 과정은 정부기술청이 관리하는 구글 클라우드 환경에서 진행했다. 구글은 시민의 사적 대화나 개인 식별 정보를 학습 자료에서 제외하고, 사기 신고와 관련 정보에서 익명화한 자료를 사용했다고 설명했다. 합성 대화와 현지 자료를 이용한 시험도 언급했다. 이는 개발사의 자료 처리 설명이며 외부 감사 결과와는 구분해 읽어야 한다.

최종적인 효과는 실제 앱과 기기에서 확인해야 한다. 단계적 배포 과정에서 어떤 앱과 휴대전화가 지원되는지, 경고를 얼마나 자주 잘못 띄우는지, 새로운 사칭 수법에 어떻게 대응하는지가 남아 있다. 한국에 유사한 기능을 적용하려면 한국어 대화와 국내 금융·공공기관 사칭 맥락을 별도로 검증해야 한다. 이번 소식은 해외 모델을 그대로 가져오면 해결된다는 사례가 아니라 지역 지식·기기 성능·개인정보 설계를 함께 묶은 접근을 보여준다.

운영과 산업

OpenAI, GPT-4o·4.1 일부 API 모델 종료 예고…내년 1월 14일로 일정 공지

출처: OpenAI의 공식 모델 종료 일정 | https://developers.openai.com/api/docs/deprecations 출처: OpenAI의 GPT-6 Luna 모델 문서 | https://developers.openai.com/api/docs/models/gpt-6-luna

오픈에이아이(OpenAI)가 14일 지피티포오(GPT-4o)와 지피티포점일(GPT-4.1) 계열의 일부 API 모델을 2027년 1월 14일 종료한다고 공지했다. 안내된 대상은 GPT-4o의 두 스냅샷과 GPT-4o mini, GPT-4.1, GPT-4.1 mini의 지정 버전이다. 회사는 공통 대체 모델로 지피티식스 루나(GPT-6 Luna)를 권고했다.

무엇이 달라지나. 기존 모델을 고정해 운영하던 서비스에도 명확한 전환 시한이 생겼다. 모델 이름만 바꾸는 문제를 넘어 도구 호출 방식과 출력 형식, 미세조정 여부 등 현재 서비스가 의존하는 조건을 다시 확인할 필요가 있다.

한계. 이번 공지는 API의 지정 모델에 관한 것이다. 챗지피티 앱의 모든 GPT-4 계열 기능이 같은 날 사라진다는 발표로 확대해서는 안 된다. 권고 모델은 기존 미세조정 모델과 기능이 일대일로 대응하지 않으며, 현재 문서상 GPT-6 Luna는 미세조정을 지원하지 않는다.

자세히

‘사용 중단’과 ‘종료 예정’을 구분해야 하는 공지

이번에 제시된 날짜는 통지일과 실제 종료일이 다르다. OpenAI는 10월 14일 해당 모델 사용자에게 종료를 알렸고, API에서 제거되는 날은 내년 1월 14일이라고 명시했다. 따라서 지금 당장 모든 요청이 중단된 상태라는 뜻은 아니다. 반대로 지정된 날짜까지 같은 모델을 계속 이용할 수 있을 것으로 생각하며 전환 계획을 미루기에는 종료 일정이 확정적으로 제시돼 있다.

대상 범위는 모델 계열 이름보다 스냅샷 식별자로 확인하는 편이 정확하다. GPT-4o에서는 2024년 8월 6일과 11월 20일 버전이 명시됐고, GPT-4o mini는 2024년 7월 18일 버전이 대상이다. GPT-4.1과 GPT-4.1 mini는 각각 2025년 4월 14일 버전이 안내됐다. 별도로 미세조정한 파생 모델에도 기반 모델과 같은 종료 일정이 적용된다는 설명이 붙었다.

권고 모델의 가격과 기능은 별도 조건

대체 권고를 받은 GPT-6 Luna는 공식 모델 문서에서 많은 양의 한정된 작업을 효율적으로 처리하는 모델로 소개된다. 문서에 제시된 표준 텍스트 기본 요금은 100만 토큰당 입력 0.10달러, 출력 0.50달러다. 다만 긴 입력과 처리 방식, 지역별 처리 등에 추가 조건이 있으므로 이 숫자를 모든 요청의 최종 청구액으로 읽어서는 안 된다.

기능 측면에서도 이전 모델과 완전히 같은 조합은 아니다. GPT-6 Luna는 텍스트와 이미지 입력, 텍스트 출력을 지원하며 구조화된 출력과 도구 호출을 제공한다. 반면 오디오·비디오 입출력과 미세조정은 지원하지 않는다고 명시돼 있다. 기존 자동화에서 모델의 이름뿐 아니라 입력 유형이나 별도 조정 모델에 의존하고 있었다면 전환 범위가 더 커질 수 있다.

특히 API 선택과 추론 설정의 관계를 확인해야 한다. 공식 문서는 내장 도구와 함수 호출에는 리스폰스 API(Responses API)를 사용하도록 안내한다. 챗 컴플리션스(Chat Completions)에서는 추론 강도를 사용하지 않는 설정일 때 함수 호출을 지원한다고 설명한다. 같은 요청 구조와 도구 정의를 그대로 보내면 기존과 같은 결과가 나온다고 보장한 문서가 아니라는 점이 중요하다.

전환의 기준은 순위보다 서비스 계약

이번 종료 일정은 모델 경쟁에서 운영의 문제를 드러낸다. 고객 응대나 자료 분류, 문서 추출처럼 반복 실행되는 서비스는 특정 모델의 응답 형식과 실패 양상에 맞춰 구축되는 경우가 있다. 개발사가 새 모델을 권고했다는 사실과 기존 서비스의 품질·호환성이 확인됐다는 사실은 다르다. 서비스 운영자는 자신이 실제로 사용하는 모델 식별자와 기능부터 파악해야 한다.

미세조정 사용자는 특히 단순 교체로 해결되지 않을 수 있다. 종료 대상의 미세조정 모델에는 같은 시한이 적용되지만, 공통 권고 모델은 현재 미세조정을 지원하지 않는다. 이 경우 지식이나 행동을 어디에서 보완했는지에 따라 프롬프트, 검색 자료, 다른 모델 선택 등 검토할 설계가 달라진다. 이는 특정 대안이 항상 더 낫다는 뜻이 아니라 현재 시스템의 의존성을 구분해야 한다는 의미다.

이번 공지는 10월 초에 이미 안내된 다른 코덱스·텍스트 음성 변환 모델의 종료 일정과도 별개다. 여러 통지가 같은 문서에 나열돼 있다고 해서 모든 모델에 같은 날짜를 적용하면 안 된다. 새 모델의 성능을 홍보하는 소식과 함께 종료 시한·지원 기능·요금 조건을 관리하는 일이 AI 서비스 운영의 일부가 되고 있다.

스마트비즈엑스포, 중소 제조 현장의 AI 공개…도서 분류·가공·품질관리로 확장

출처: 삼성전자의 스마트비즈엑스포 현장 공개 자료 | https://news.samsung.com/kr/스마트비즈엑스포 출처: 중소벤처기업부의 스마트제조혁신 현장방문 발표 | https://www.mss.go.kr/site/smba/ex/bbs/View.do?bcIdx=1071735&cbIdx=86&parentSeq=1071735

삼성전자와 중소벤처기업부가 14일 공개한 자료에서 스마트비즈엑스포(Smart Biz Expo) 2026의 제조 AI 적용 사례를 소개했다. 13일 서울 코엑스에서 시작해 16일까지 열리는 행사에는 53개 기업이 참여한다. 올해 신설된 AI관에서는 인쇄물 분류와 정밀부품 가공, 금고 제조의 품질관리 등 실제 공정과 연결된 과제를 선보였다.

무엇이 달라지나. AI 도입의 설명이 상담 챗봇이나 문서 작성에서 생산 설비의 판단과 물류 흐름으로 넓어지고 있다. 삼성은 중소기업의 초기 투자와 전문 인력 부담을 고려해 개선 효과가 큰 핵심 공정부터 단계적으로 적용하는 스마트공장 4.0 방향을 제시했다.

한계. 전시·시연된 기능과 이미 생산에 적용한 기능, 앞으로 구현할 계획을 구분해야 한다. 일부 성과 수치는 참여 기업의 설명이며 독립적인 공장 간 비교 시험 결과가 아니다. 정부의 누적 스마트공장 지원 실적 전체를 AI 구축 완료 실적으로 볼 수도 없다.

자세히

문서 업무 밖으로 넓어진 AI 적용

이번 행사는 중기부가 주최하고 삼성전자와 중소기업중앙회가 주관한다. 삼성 뉴스룸은 새로 마련한 AI관에서 기업들이 AI를 도입한 배경과 공정별 활용 과제를 설명했다고 전했다. 핵심은 어떤 모델을 사용했는지보다 생산 현장에서 무엇을 판단하고 어떤 장비와 연결하는지에 있다. 범용 대화 서비스의 도입과는 다른 현장 요구가 드러난다.

인쇄 기업 프린피아는 생산을 지원하는 AI 에이전트와 스마트물류 자동화 시스템을 소개했다. 로봇팔과 자율주행 운반로봇을 이용한 도서 분류·적재 과정도 시연했다. 다만 로봇과 AI를 연계해 작업을 자율 수행하는 피지컬 AI는 향후 목표로 설명됐다. 시연을 했다는 사실과 전 공정의 자율 운영이 완성됐다는 주장은 서로 다른 단계다.

정밀부품 기업 터보링크는 AI 비전과 로봇을 연결해 가공·검사·재가공·이송을 잇는 시스템을 제시했다. 삼성 자료에는 참여 기업 설명을 근거로 생산량이 약 세 배 늘었다는 내용이 담겼다. 측정 기간과 비교 조건을 모두 공개한 독립 평가로 제시된 수치는 아니다. 24시간 연속 생산체계는 앞으로 더 구축해 나갈 계획으로 소개됐다.

품질을 보는 AI와 제품에 들어가는 연결 기능

선일금고 사례에는 제조 공정과 제품 서비스의 두 방향이 함께 나타난다. 회사는 카메라를 내장한 금고를 선보이고, 스마트싱스의 위치 찾기 기능을 적용한 제품을 출시할 예정이라고 설명했다. 동시에 세척 공정의 상태를 AI로 확인해 품질 이상을 미리 감지하는 방향도 제시했다. 제품에 연결 기능을 넣는 일과 생산 품질을 개선하는 일은 도입 목적부터 다르다.

이런 차이는 제조 AI를 한 가지 효과로 묶어 설명하기 어렵게 한다. 분류·이송에서는 장비 간 연결과 작업 순서가 중요하고, 가공·검사에서는 판정 기준과 공정 결과의 연결이 중요하다. 전시된 사례의 산업적 의미는 모든 공장이 같은 모델을 도입하면 동일한 성과를 얻는다는 데 있지 않다. 기업마다 병목이 있는 공정과 이미 보유한 설비·자료에 맞춰 적용 범위를 정한다는 데 있다.

누적 지원 기반에서 제조 AI로 넘어가는 정책

중기부는 같은 날 공개한 보도자료에서 장관의 행사 참석과 AI 활용 스마트공장 방문을 함께 알렸다. 정부는 2018년 대·중소 상생형 스마트공장 정책을 시작한 뒤 약 60개 대기업·공기업과 함께 6,800여 중소기업의 스마트공장 구축을 지원했다고 밝혔다. 이는 장기간의 스마트공장 지원 실적이며, 그 숫자 전부가 최신 AI 시스템을 갖췄다는 의미는 아니다.

정부의 현장방문 자료에는 군포의 정밀 금형·부품 기업 디팜스테크 사례도 담겼다. 이 기업은 광학부품 외관을 초당 20~40장 촬영하고 AI가 선별하는 공정 개선을 적용했다고 중기부는 설명했다. 현장에서는 전문 인력 확보의 어려움과 단계별 지원을 강화해야 한다는 의견도 나왔다. 속도 수치는 정부가 소개한 사례의 작업 조건이며, 다른 공장에도 같은 성능이 나온다는 보증은 아니다.

정부 발표는 기존 생산 자동화에서 AI가 현장 판단을 돕는 제조 혁신으로 발전시키겠다는 방향을 강조했다. 대기업이 축적한 제조 경험을 중소기업에 연결한다는 정책 맥락도 제시했다. 따라서 이번 전시는 개별 장비의 신제품 소식에 더해, 중소기업이 AI를 적용할 때 필요한 자료·설비·전문 인력의 연결을 어떻게 지원할 것인지 보여주는 사례로 읽을 수 있다.

현재 공개된 자료만으로 각 기업의 투자 회수 기간이나 동일 조건에서의 비용 절감률을 계산할 수는 없다. 다만 시연 단계와 실제 적용, 향후 계획을 나눠 보면 제조 AI가 무엇을 해결하려는지 더 구체적으로 드러난다. 16일까지 이어지는 행사는 그 구체적인 공정과 제품을 공개하는 자리이며, 전시된 사례를 바로 표준 성과나 보장된 수익으로 일반화하는 것은 경계해야 한다.

정책과 개발

앤트로픽, 미국 중간선거 대응 공개…공식 투표 정보 연결과 다단계 오용 탐지 강화

출처: Anthropic의 2026 미국 중간선거 대응 발표 | https://www.anthropic.com/news/2026-us-midterms 출처: Anthropic의 정치적 균형 평가 설명 | https://www.anthropic.com/news/political-even-handedness 출처: Anthropic의 2026 이용정책 개정 안내 | https://www.anthropic.com/news/2026-usage-policy-update

앤트로픽(Anthropic)이 14일 미국 중간선거를 앞두고 클로드(Claude)의 정보 제공과 오용 방지 대책을 공개했다. 미국 사용자에게 비영리단체 데모크라시 웍스(Democracy Works)의 공식 투표 정보를 답변에 연결하는 기능을 이달 말부터 제공할 예정이다. 동시에 여러 작업으로 나뉜 기만 행위를 탐지하는 분류기를 보강했다고 밝혔다.

무엇이 달라지나. 선거 관련 질문에 일반적인 답을 생성하는 것에서 지역별 공식 정보에 연결하는 방향으로 기능을 넓힌다. 안전 평가의 단위도 유해한 문장 한 개를 거부하는지에서 여러 요청을 이어 붙인 전체 작업의 목적을 파악하는지로 확장된다.

한계. 발표된 비율과 성능 평가는 회사의 표본·방법에 따른 수치다. 미국 소비자용 서비스의 대화 분석을 전 세계 이용 현황으로 확대할 수 없고, 정치적 균형 평가 점수를 현실의 모든 쟁점에 대한 중립성 보증으로 볼 수도 없다. 새 투표 정보 기능 역시 발표 시점에 전면 제공된 기능은 아니다.

자세히

사람들이 실제로 묻는 것은 무엇인가

앤트로픽은 미국의 소비자용 클로드 서비스에서 최근 한 주의 약 25만 대화를 분석했다고 밝혔다. 공개 설명에 따르면 정치·공공정책·사회 문제를 넓게 포함하는 대화는 전체의 약 5.75%, 선거나 투표에 관한 대화는 약 0.51%였다. 어느 후보나 안건에 투표할지 직접 추천을 구한 비율은 훨씬 작았다고 설명했다. 표본의 기간과 범위를 함께 봐야 하는 이용 분석이다.

이 결과는 이용자들이 AI를 반드시 정치적 선택의 대리인으로만 쓰는 것은 아니라는 점을 시사한다. 후보의 입장이나 제도, 행정 절차와 뉴스의 의미를 이해하기 위한 질문도 많다는 것이 회사의 설명이다. 다만 회사가 정한 분류와 개인정보를 보호하는 분석 방법을 거친 자료이므로, 이를 독립적인 여론조사나 실제 유권자 행동의 측정치로 취급해서는 안 된다.

정확성이 중요한 정보는 공식 자료로 연결

회사는 기존의 투표 안내 배너에 더해 데모크라시 웍스가 취합한 주·지역 선거기관의 정보를 답변에 반영하겠다고 밝혔다. 투표 장소나 준비해야 할 신분증처럼 거주 지역에 따라 달라지는 질문이 대상이다. 사용자가 그럴듯한 일반 설명을 받는 데 그치지 않고, 해당 지역의 공식 조건을 확인하도록 돕는 접근이다.

선거 당일 밤과 그 이후에는 최신 공식 개표 수치를 대화에서 보여주는 방안도 발표했다. 다만 투표 안내 기능의 확대 시점은 이달 말로 제시됐고, 한국 선거나 다른 국가의 제도까지 같은 제공 범위에 들어간다고 밝힌 것은 아니다. 사실 확인이 중요한 기능일수록 지원 지역과 자료의 갱신 시점을 함께 안내하는 것이 제품의 일부가 된다.

균형 평가와 실제 대화의 차이

앤트로픽은 최신 모델의 정치적 균형 평가 점수를 제시했지만, 외부 검토에서 지적된 한계도 함께 공개했다. 요청을 거의 거부하지 않더라도 이용자가 요구하지 않은 반론이나 단서를 더 붙이거나, 관점에 따라 주장을 완화하는 정도가 달라질 수 있다는 것이다. 단순히 답변을 했는지와 여러 입장을 일관되게 취급했는지는 다른 평가 기준이다.

이 대목은 AI 서비스의 ‘중립’이라는 단어를 수치 하나로 설명하기 어렵다는 점을 보여준다. 평가에 어떤 질문을 넣었는지, 두 관점의 요청을 어떻게 짝지었는지, 답변의 유용성과 부당한 완화를 어떻게 구분했는지에 따라 결과가 달라진다. 회사는 짧은 답변과 예·아니오 질문에서의 일관성을 개선하고, 대화에 더 가까운 평가를 확대하겠다고 설명했다.

오용 방지에서도 비슷한 문제가 드러났다. 외부 기관의 시험에서는 노골적으로 해로운 단일 요청을 거부해도, 기만적인 작업을 여러 평범한 요청으로 나누면 전체 목적을 놓칠 수 있었다고 회사는 밝혔다. 이에 따라 가짜 계정과 기만적 사이트 구축처럼 서로 연결된 행위를 더 잘 파악하는 분류기를 추가했다고 설명했다. 이는 차단 체계를 강화했다는 발표이며 모든 우회가 해결됐다는 검증은 아니다.

관련 이용정책 개정은 10월 8일 별도로 발표됐으며 시행일은 11월 12일이다. 이번 선거 대응 발표일과 정책의 효력 발생일을 섞어 읽지 않아야 한다. AI가 더 긴 작업을 수행하면서 정보 출처, 응답의 일관성, 여러 단계에 걸친 목적을 함께 관리해야 한다는 점이 이번 공개의 기술적 쟁점이다.

오픈코드 2.0, 상주 서비스와 코드 모드 도입…기존 플러그인·서버 API는 호환 변경

출처: Anomaly의 OpenCode 2.0 공식 발표 | https://anoma.ly/notes/opencode-2-0/ 출처: OpenCode의 V1 전환 공식 문서 | https://opencode.ai/v2/docs/migrate-v1/ 출처: OpenCode의 V2 플러그인 공식 문서 | https://opencode.ai/v2/docs/build/plugins

애노멀리(Anomaly)가 12일 공개한 오픈코드(OpenCode) 2.0은 터미널·웹·데스크톱이 하나의 백그라운드 서비스에 연결되는 구조를 기본으로 삼는다. 도구를 자바스크립트 코드에서 조합하는 코드 모드와 백그라운드 작업도 확대했다. 새 기능과 함께 기존 설정의 호환성도 달라져, 도입 전에 현재 공식 전환 문서에서 영향을 받는 범위를 구분해야 한다.

무엇이 달라지나. AI 개발 도구를 화면 하나에 묶인 세션보다 여러 클라이언트와 자동화가 함께 접근하는 서비스로 다룬다. 여러 도구 호출을 코드로 연결하는 방식과 함께, 오래 걸리는 작업을 뒤로 보내고 다른 작업을 계속하는 기능을 강화했다.

한계. 버전 번호만 올리면 모든 기존 확장이 그대로 동작하는 변경은 아니다. V1 플러그인은 V2에서 실행되지 않으며 서버 API와 클라이언트 계약도 바뀌었다. SDK 일부는 개발이 진행 중이고, 새 구조의 성능·안전성을 독립적으로 시험한 결과를 이번 기사에서 제시하는 것은 아니다.

자세히

여러 화면이 하나의 실행 상태를 공유

오픈코드는 이전부터 클라이언트와 서버를 분리한 구조를 사용했지만, 제작자는 이를 주로 고급 사용자가 활용했다고 설명했다. 2.0에서는 한 개의 백그라운드 서비스가 기기에서 기본 실행되고, 터미널 화면과 웹·데스크톱 앱이 같은 서비스에 접속한다. 어떤 화면을 열었는지와 별개로 세션·도구·작업 상태를 다룰 수 있도록 바꾼 것이다.

프로그램에서 제어할 수 있는 클라이언트 패키지도 새로 제공한다. 제작자는 자바스크립트와 이펙트(Effect)용 클라이언트가 로컬 서비스를 찾아 연결하고, 명령줄에서도 API를 호출할 수 있다고 설명했다. 사람이 매번 화면을 열어 지시하는 방식과 일정에 맞춰 프로그램이 작업을 시작하는 방식 사이의 경계를 낮추는 변화다. 실제 예약 운영에는 별도의 실행 환경과 권한 설계가 필요하다.

도구 목록을 넘어서 코드로 연결하는 방식

코드 모드는 도구를 함수처럼 호출하고 결과를 가공해 다음 도구에 넘기는 구조다. 공식 발표는 모델 컨텍스트 프로토콜(MCP) 서버와 오픈API(OpenAPI) 엔드포인트를 자바스크립트 함수로 바꿔 조합하는 방식을 소개한다. 여러 왕복 호출을 줄일 수 있다는 것이 제작자의 설명이지만, 모든 업무에서 비용이나 시간이 일정 비율로 줄어든다는 측정 결과는 제시하지 않았다.

이 구조는 도구를 많이 연결할 때 목록을 모두 앞에 펼치는 방식과 다른 접근이다. 필요한 기능을 찾아 호출하고 결과를 코드에서 처리할 수 있다. 다만 도구를 조합할 수 있다는 사실은 그 도구가 가진 외부 변경 권한까지 자동으로 승인한다는 뜻이 아니다. 코드 실행과 연결 서비스의 권한을 구분해야 한다는 문제는 그대로 남는다.

백그라운드 작업에는 다른 모델을 사용하는 하위 에이전트와 셸 명령 실행이 포함된다. 제작자는 오래 걸리는 작업을 뒤로 보내고 사용자가 계속 지시할 수 있다고 설명했다. 여러 작업이 동시에 돌아가면 기다리는 시간을 줄일 여지가 있지만, 공유 파일과 실행 자원, 결과 확인을 어떻게 조정할지도 중요해진다. 기능 제공 사실과 안정적인 병렬 운영의 완성은 별개다.

전환 문서에서 확인되는 세 가지 경계

공식 마이그레이션 문서는 의도적으로 호환성이 바뀐 범위를 플러그인 API, 서버 API·클라이언트 계약, 터미널 클라이언트 설정으로 나눈다. 기존 플러그인을 V2용으로 옮겨야 하고, 서버 API를 호출하는 외부 통합도 수정 대상이 될 수 있다. 터미널 설정은 여러 tui.json 계열 파일에서 하나의 전역 cli.json으로 이동하며 자동 전환된다고 설명한다.

반대로 기존 설정을 모두 새로 써야 한다고 해석해서도 안 된다. 문서는 지원되는 V1 설정과 에이전트·명령·스킬 파일 등은 계속 작동하도록 설계했다고 밝힌다. 새 형식으로의 전면 변환은 선택 사항이다. 새 버전이 기존과 같은 설정 위치를 사용한다는 점 때문에, 이미 V2 전용 형태로 바꾼 파일을 다시 V1에 연결하지 않도록 안내하고 있다.

설치 방식에도 변화가 있다. V1과 V2는 기본적으로 같은 opencode 명령을 사용하며 나란히 설치되는 구조가 아니라고 공식 문서는 설명한다. 패키지 관리자로 설치한 기존 버전과 새 설치 방식을 혼용할 때는 이 차이가 중요하다. 이번 변화는 작은 편의 기능의 추가보다 도구를 서비스와 확장 가능한 실행 환경으로 재구성한 업데이트이며, 도입 판단에서는 새 기능과 전환 비용을 함께 볼 필요가 있다.

구글, ‘제미나이 4 아르곤’ 이용 확대…도입 가격과 앱 작업 기능 공개

출처: Google의 확대 출시·가격 발표 | https://blog.google/intl/en-mena/product-updates/explore-get-answers/gemini-4-argon-built-to-solve-your-hardest-problems/ 출처: Google의 개발자 제공 안내 | https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-4-argon/ 출처: Google의 Gemini 앱 업데이트 | https://blog.google/innovation-and-ai/products/gemini-app/gemini-4-argon-availability/ 출처: Google DeepMind 모델·공개 사례 | https://deepmind.google/models/gemini/ 출처: Google의 9월 제한 공개 단계 정리 | https://blog.google/innovation-and-ai/technology/ai/google-ai-updates-september-2026/

구글이 10월 13일 제미나이 4 아르곤(Gemini 4 Argon)의 이용 대상을 개발자·기업과 유료 앱 이용자로 확대했다. 앞서 제한적으로 소개한 모델의 제공 경로를 넓힌 발표다. API에는 도입 가격을 적용하고, 개인용 앱에는 대화에서 작업을 맡기는 기능과 코딩 도구 연결을 더했다.

• API: 100만 토큰당 입력 2달러·출력 10달러의 도입 가격을 발표했다.
• 이용: Gemini 앱과 검색 AI Mode는 Google AI Pro·Ultra, Antigravity는 Ultra 제공 범위로 구분했다.
• 앱: 대화와 작업을 전환하고 40개 이상의 연결 앱에서 일을 이어가는 기능을 소개했다.

무엇이 달라지나. 모델의 성능 발표가 실제 API·앱·개발 도구의 이용 조건으로 이어졌다. 같은 모델이라도 서비스를 연결하는 개발자와 개인용 앱 구독자는 다른 경로로 접근한다.

한계. 도입 가격은 11월 30일 종료되는 한시 조건이다. 공식 사례와 벤치마크는 모든 업무의 성공률을 보장하지 않으며, 연결 앱의 이용 조건까지 동일해지는 것은 아니다.

자세히

이번 발표의 중심은 모델 이름 하나의 추가보다 제공 범위의 확대다. 구글의 9월 소식 정리에서도 아르곤은 제한된 접근 단계로 소개됐으며, 13일 발표는 더 많은 개발자와 기업, 유료 이용자가 실제 제품 경로에서 사용할 수 있게 된 변화다. 최초 공개와 확대 출시를 구분해야 이번 소식이 바꾼 조건을 정확히 읽을 수 있다.

개발자는 Google AI Studio와 Android Studio의 유료 Gemini API에서 아르곤을 사용할 수 있다. Google AI Ultra 구독자의 AI Studio·앤티그래비티(Antigravity) 접근도 안내됐다. 모델을 앱에 연결하는 API 이용과 코딩 플랫폼 구독은 같은 결제 항목이 아니므로, 한 경로의 가격을 다른 상품의 요금으로 읽을 수는 없다.

API의 도입 가격은 입력·출력 100만 토큰당 각각 2달러와 10달러다. 공식 발표는 11월 30일 도입 기간이 끝난 뒤 공개 접근용 아르곤에 입력 4달러·출력 20달러를 적용한다고 밝혔다. 요금의 현재 단가와 이후 단가를 함께 공개했다는 점이 서비스 운영 비용을 판단할 정보다.

긴 작업을 모델과 제품이 함께 다룬다

구글은 API의 입력과 출력을 합친 토큰 한도를 100만으로 설명했다. 긴 자료를 읽을 공간과 결과를 생성할 공간을 하나의 한도로 다루는 구성이다. 긴 출력만 무제한으로 허용한다는 뜻은 아니며, 실제 연결에서는 개발 문서의 연속 실행 방식과 설정도 확인해야 한다. 길이가 늘었다는 정보와 작업의 정확성은 별개다.

Gemini 앱에는 대화와 작업을 전환하는 방식이 들어왔다. 구글은 사용자가 컴퓨터 앞에 있지 않아도 맡긴 작업을 이어갈 수 있다고 설명했다. 40개 이상의 연결 앱에는 Instacart·OpenTable·Adobe·Shopify 등이 포함됐다. 모델이 답변하는 창과 외부 서비스에서 행동하는 경로를 제품 안에서 연결하는 변화다.

macOS용 Gemini 앱에는 앤티그래비티의 코딩 인터페이스를 직접 연결했다. 대화로 문제를 정리한 다음 별도의 개발 도구로 옮기는 흐름을 앱 안에서 이어가려는 구성이다. 이용자가 어디에서 요청하고 어떤 도구가 실행을 맡는지가 모델 출시와 함께 제품 경쟁의 일부로 등장했다.

공개 모델 페이지에는 크로미엄(Chromium) 코드 정리 사례가 실렸다. 구글은 약 4천만 줄 코드 기반 안의 약 600만 줄 규모 기존 폴더에서 핵심 웹페이지 처리를 분리하는 작업에 아르곤을 사용했다고 밝혔다. 이는 구글이 보고한 내부 사례이며 이 글에서 같은 작업을 재현한 결과는 아니다.

양자화학 소프트웨어 xTB의 최적화 사례도 소개했다. 구글이 게시한 값은 분자 구조 예측 최대 2.3배, 형태 탐색 1.8배의 속도 개선이다. 대상 프로그램과 작업이 특정돼 있으므로 다른 코드베이스의 개선 배수로 옮길 수 없다. 코드 작성 능력에 더해 기존 프로그램의 성능 문제를 다루는 방향을 보여주는 사례로 읽을 수 있다.

도입 가격과 실제 작업 비용은 다르다

토큰 단가가 낮아져도 작업 하나의 총비용이 같은 비율로 줄어드는 것은 아니다. 긴 실행은 입력과 출력, 재시도, 외부 도구의 사용을 함께 포함한다. 구독 상품에서는 사용 한도와 제공 기능이 또 다른 조건이 된다. 따라서 도입 가격은 비용 계산의 출발점이며 업무 전체의 가격표는 아니다.

현재 개인용 앱과 AI Mode 접근은 Pro·Ultra, 앤티그래비티는 Ultra로 안내됐다. 발표의 ‘전 세계 확대’라는 표현만으로 모든 계정과 연결 서비스가 동일한 기능을 같은 시점에 갖는다고 판단하기 어렵다. 제품별 제공 경로와 사용자가 실제 연결한 앱의 조건이 경험을 결정한다.

아르곤의 이번 확대 출시는 프런티어 모델 경쟁이 공개 점수에서 실제 작업 환경으로 이동하는 장면이다. 중요한 비교 대상은 모델 이름뿐 아니라 어떤 상품에서 어느 범위의 작업을 맡기고, 어떤 단가와 한도로 운영하는지다. 이후의 평가는 공개 사례와 별개로 다양한 이용자의 완수율과 실제 운영 비용에서 구체화될 것이다.

MS, ‘마이아 300’ 공개…2027년부터 자체 서비스 추론 기반 확대

출처: Microsoft의 배치 계획·성능 조건 발표 | https://blogs.microsoft.com/blog/2026/10/12/microsoft-to-expand-azure-maia-system-to-multi-gigawatt-deployments/ 출처: Microsoft Azure의 아키텍처 설명 | https://azure.microsoft.com/en-us/blog/deep-dive-into-azure-maia-300-architecture/

마이크로소프트가 10월 12일 차세대 AI 추론 시스템 마이아 300(Maia 300)을 공개했다. 2027년부터 마이아 계열을 수 기가와트 규모로 확대 배치해 자체 제품·서비스의 주요 추론 기반으로 삼겠다는 계획이다. 현재 운영 중인 마이아 200과 앞으로 투입할 300의 단계를 구분했다.

• 방향: 모델 훈련보다 긴 맥락·대화·여러 단계 에이전트의 추론을 중심에 둔 설계다.
• 구성: 96개 가속기를 묶은 랙의 전력 범위는 167kW, 메모리 용량은 27.6TB다.
• 조건: 최대 7배 처리량은 마이아 200 대비 랙 단위 수치이며 개별 칩의 동일 조건 비교가 아니다.

무엇이 달라지나. 클라우드 사업자가 모델을 서비스하는 비용과 자원 배치를 자체 칩·소프트웨어·랙 설계로 함께 조정한다. 경쟁의 단위가 칩 하나에서 실제 추론 시스템으로 넓어진다.

한계. 마이아 300의 생산 배치는 2027년 계획이다. 성능과 효율 수치는 MS가 제시한 조건부 값이며 외부 고객의 모든 Azure 작업이 같은 시스템으로 전환된다는 발표는 아니다.

자세히

AI가 여러 자료를 읽고 도구를 호출하는 작업을 오래 수행하면 계산량뿐 아니라 데이터를 옮기는 비용이 커진다. 메모리에서 필요한 값을 꺼내고 여러 가속기 사이에 전달하는 과정이 반복되기 때문이다. MS는 마이아 300을 이런 추론 작업에 맞춰 칩부터 소프트웨어와 데이터센터까지 함께 설계한 시스템으로 소개했다.

추론은 이미 학습한 모델을 실행해 응답과 행동을 만드는 과정이다. 훈련이 모델을 만드는 비용이라면 추론은 서비스를 제공할 때 반복되는 비용이다. 회사가 자체 제품의 주요 추론 기반을 확대하겠다는 발표는 모델 개발 능력과 함께 계속 발생하는 운영 부담을 직접 다루려는 전략으로 읽힌다.

현재 마이아 200은 코파일럿(Copilot)을 포함한 실제 운영 작업에 사용된다고 MS가 밝혔다. GitHub Copilot과 Microsoft Foundry는 연말까지 이어질 제공 계획으로 설명했다. 300의 예고와 200의 운영 사례가 한 발표에 담겼지만, 이용자가 오늘 경험하는 기반과 내년에 확장할 기반은 같지 않다.

처리량과 전력 효율은 서로 다른 비교다

MS는 마이아 300이 주요 GPU 기반 시스템보다 메가와트당 토큰을 40% 더 처리할 것으로 예상했다. 또 96개 가속기의 완전한 구성에서는 마이아 200보다 랙 단위 토큰 처리량이 최대 7배라고 제시했다. 두 수치는 비교 대상과 단위가 다르다. 모두 ‘기존 칩 하나보다 7배 빠르다’는 설명으로 바꿀 수 없다.

Azure의 기술 설명에 따르면 랙의 가속기 수는 96개로 두 배가 됐다. 따라서 랙 전체 처리량에는 칩의 변화뿐 아니라 묶는 규모와 통신 구성의 변화가 포함된다. 실제 서비스를 위한 용량 확대로는 중요한 수치지만, 같은 전력·같은 장비 수를 놓고 진행한 독립 시험의 결과로 소개된 값은 아니다.

가속기 하나에는 HBM4 메모리 스택 8개를 두고 최대 18TB/s 대역폭을 제공한다고 설명했다. 해당 열설계전력은 950W다. 랙 전체에는 27.6TB의 HBM 용량과 합계 1.7PB/s 대역폭을 제시했다. 용량은 보관할 수 있는 양이고 대역폭은 데이터를 이동시키는 속도이므로 서로 다른 제약을 다룬다.

칩렛 설계는 계산·메모리 제어·입출력 기능을 나눠 구성한다. 계산 칩렛에는 TSMC N2P 공정을 적용하며, 기술 문서는 데이터를 계산부 가까이에 두는 방식과 낮은 정밀도 표현으로 이동량을 줄이는 방향을 설명했다. 연산기의 숫자만 키우기보다 자료를 저장하고 전달하는 경로를 함께 바꾸는 접근이다.

네트워크 역시 이 시스템의 일부다. 기술 문서는 96개 가속기의 랙을 넘어 최대 1만 2,288개를 연결하는 규모를 설명했다. 더 넓은 연결이 모든 작업에 항상 유리한 것은 아니며, 어떤 모델을 어느 범위에 배치하느냐가 통신 부담과 동시 처리에 영향을 준다. 실제 운영의 배치 문제가 칩 발표에 함께 들어왔다.

MS가 예고한 핵심 변화는 자사 서비스의 추론을 이런 전체 시스템으로 확대하겠다는 것이다. 이를 GPU의 완전한 대체 선언이나 모든 외부 고객에게 제공되는 동일 상품으로 읽으면 범위를 벗어난다. 내년 생산 배치와 서비스별 적용이 진행돼야 설계의 효율이 실제 용량과 비용으로 얼마나 이어지는지도 판단할 수 있다.

국내 현장

삼성·LG, 한국전자전에서 AI 가전·냉각·로봇 연결 선보여

출처: 삼성전자 KES 2026 공식 발표 | https://news.samsung.com/kr/%EC%82%BC%EC%84%B1%EC%A0%84%EC%9E%90-kes-2026-%EC%B0%B8%EA%B0%80-%EC%9D%BC%EC%83%81%EC%97%90-%EC%8A%A4%EB%A9%B0%EB%93%A0-ai-%EB%9D%BC%EC%9D%B4%ED%94%84-%EA%B3%B5%EA%B0%9C 출처: LG전자 KES 2026 공식 발표 | https://www.lg.co.kr/media/release/30668

삼성전자와 LG전자가 10월 13일 개막한 한국전자전(KES 2026)에서 AI 가전과 연결 서비스, 데이터센터·제조 기술을 공개했다. 코엑스에서 16일까지 진행되는 전시다. 삼성은 생활 제품의 기능과 관리 경험을, LG는 일상 공간에 산업용 기술까지 연결하는 구성을 앞세웠다.

• 삼성: 식재료 인식, 세탁·건조 자동 조정, TV 대화 기능을 체험 대상으로 소개했다.
• LG: 가전·모빌리티 연결과 함께 칠러·CDU·콜드 플레이트의 데이터센터 냉각 흐름을 전시했다.
• 구분: 전시에서 소개한 기능과 시연을 모든 제품의 신규 출시·보급 완료로 읽을 수는 없다.

무엇이 달라지나. AI가 모델과 앱을 넘어 물리적 제품의 작동, 유지관리와 산업 설비로 연결되는 모습을 한 행사에서 보여준다. 가전의 사용 경험과 기업용 기반 기술이 나란히 경쟁 영역이 된다.

한계. 기업 공식 발표를 대조한 내용이며 현장 취재나 독립 성능 시험은 아니다. 전시 구성만으로 모든 제품의 가격·출시 일정·이용 조건이 새로 확정된 것은 아니다.

자세히

같은 AI 전시라도 두 회사가 보여주는 연결의 범위는 다르다. 삼성전자는 디스플레이·가전·모바일의 약 869㎡ 체험 공간을 구성했다. LG전자는 약 902㎡ 전시관을 생활과 산업 영역으로 나눴다. 공간의 크기보다 주목할 부분은 AI의 기능을 개별 제품과 실제 사용 환경에 어떻게 이어 설명했는지다.

삼성이 소개한 비스포크 AI 패밀리허브(Bespoke AI Family Hub)는 냉장고 내부 카메라로 식재료를 인식하고 관리하는 기능을 포함한다. 비스포크 AI 콤보(Bespoke AI Combo)는 세탁물 상태를 감지해 세탁 강도와 건조 온도를 조정한다. 텍스트 답변보다 센서가 얻은 정보와 제품의 작동을 연결하는 기능이다.

TV의 비전 AI 컴패니언(Vision AI Companion)은 이용자와 대화하며 콘텐츠 정보와 질문에 대한 답을 안내한다. 같은 전시 안에서도 식재료 인식, 세탁 제어, TV 대화는 입력과 결과가 다른 기능이다. AI라는 공통 이름이 붙어 있어도 기술이 수행하는 역할과 이용자가 확인할 조건은 제품마다 다르다.

삼성은 배송·설치·사후 관리를 포함하는 구독 서비스도 전시했다. 지난 9월 브랜드를 바꾼 삼성 AI 구독의 관리 경험을 이번 행사에서 소개한 것이다. 구독 상품의 관리 혜택과 제품의 AI 능력은 서로 다른 정보다. 모델 성능을 서비스 계약의 모든 편의성으로 대신 설명할 수는 없다.

생활 공간에서 데이터센터와 제조 현장으로

LG의 생활 영역은 가전 구독과 모듈러 주택, 차량 안의 생활 공간을 연결했다. 스마트코티지(Smart Cottage)와 슈필라움(Spielraum)을 씽큐 온(ThinQ ON)으로 이어 집과 차량의 기기를 제어하는 구성을 소개했다. AI의 접점이 기기 하나보다 여러 공간의 요청과 상태를 연결하는 방향으로 넓어진 사례다.

산업 영역에서는 AI 데이터센터의 열 관리 과정을 보여줬다. 차가운 물을 공급하는 칠러(Chiller), 냉각수를 나누는 CDU(Coolant Distribution Unit), 칩의 열을 받는 콜드 플레이트(Cold Plate)를 한 흐름으로 설명했다. AI 서비스를 늘리는 문제에 서버의 계산 능력과 열을 밖으로 옮기는 설비가 함께 포함된다는 점을 드러낸다.

제조 전시에는 자율 이동 협동로봇 LG 모마(LG MoMa, Mobile Manipulator) 3대가 자재 이송과 작업, 주변 안전 감지를 수행하는 구성이 담겼다. AI·디지털 트윈·로봇을 연결한 제조 현장 시연으로 소개됐으며, 모든 공장의 같은 작업에 적용한 실적을 제시한 것은 아니다. 시연의 범위와 현장 도입 성과는 구분된다.

가전의 대화 기능과 공장의 로봇, 데이터센터 냉각은 서로 다른 제품이지만 실제 환경의 정보와 행동을 연결한다는 공통점이 있다. 이때 중요한 결과는 답변이 자연스러운가에 더해 기기가 어떤 정보를 받아 어떤 범위에서 작동하는가다. AI 전시가 생활 경험과 설비 운영을 함께 다루는 이유를 읽을 수 있다.

이번 한국전자전은 국내 제조업체의 AI 경쟁을 생활 제품과 기업용 기술의 양쪽에서 보여주는 행사다. 발표로 확인할 수 있는 것은 전시된 기능과 연결 구상이다. 가격과 지원 범위, 실제 환경의 성능은 개별 제품의 제공 정보와 도입 사례가 더해져야 구체적으로 비교할 수 있다.

개발과 연구

앤트로픽, 자체 버전관리 ‘사이언’ 사례 공개…AI 코드 증가가 개발 기반 바꿨다

출처: Anthropic의 개발 인프라 사례 발표 | https://www.anthropic.com/engineering/redesigning-source-control 출처: Git 공식 복제·부분 복제 문서 | https://git-scm.com/docs/git-clone

앤트로픽이 10월 13일 자체 버전관리 시스템 사이언(Scion)으로 단일 저장소를 이전한 사례를 공개했다. 회사가 보고한 일일 코드 병합은 5월 약 2,500건에서 9월 3만 건 이상으로 늘었다. AI가 코드를 만드는 속도와 별개로 변경을 검토하고 저장·시험하는 기반이 병목이 됐다는 설명이다.

• 전환: 자체 버전관리와 코드 리뷰·검색·권한 도구를 함께 구축했다.
• 구조: 온라인 클라이언트가 필요한 자료와 이력을 서버에 요청하는 방식으로 설계했다.
• 범위: 극대형 저장소의 내부 사례이며 일반 개발팀을 위한 Git 대체 제품 출시가 아니다.

무엇이 달라지나. AI 개발의 생산성을 코드 생성량만으로 설명하기 어려워진다. 리뷰와 변경 이력, 지속적인 시험이 증가한 코드량을 감당하는지가 별도의 과제로 드러났다.

한계. 수치와 성과는 앤트로픽의 자체 보고다. 병합 건수는 변경의 크기나 품질을 같은 단위로 보장하지 않으며, 이 사례를 모든 조직의 Git 교체 근거로 삼을 수는 없다.

자세히

코드를 빠르게 생성해도 여러 변경을 동시에 합치고 문제의 원인을 추적하는 과정은 남는다. 자동 시험에 사용할 코드를 준비하는 일도 반복된다. 이번 사례는 AI 도구의 응답 속도보다 생성된 결과가 개발 조직의 실제 작업 흐름에 들어가는 과정에 초점을 맞춘다는 점에서 모델 출시와 다른 성격의 뉴스다.

Git의 기본 복제는 저장소를 새 디렉터리에 만들고 원격 추적 정보를 구성한다. 공식 문서는 이력의 일부를 가져오는 얕은 복제와 작업 경로를 줄이는 sparse 옵션, 객체를 조건에 따라 가져오는 필터도 제공한다. 규모가 커졌다고 반드시 새 시스템이 필요한 것은 아니며 기존 도구 안에도 자료를 덜 가져오는 선택지가 있다.

사이언은 대부분의 이용자가 항상 온라인인 에이전트와 작업이라는 조건을 설계의 출발점으로 삼았다. 서버가 변경 생성과 병합, 이력 질문을 처리하고 클라이언트는 제한된 자료와 작업 파일을 유지한다. 로컬에 모든 기능과 이력을 갖추는 성격을 줄이는 대신 서버와의 연결에 더 의존하는 구조다.

이 차이는 단순한 기능의 우열보다 개발 환경의 조건을 반영한다. 연결이 없어도 이력을 확인하고 변경을 만들 수 있는 도구와, 서버에서 필요한 정보를 즉시 얻는 도구는 운영상의 장점이 다르다. 회사 안의 자동 작업 대부분이 온라인이라면 비용을 배치하는 방법이 달라질 수 있다.

앤트로픽은 주요 브랜치 이력이 약 100GB, 압축 작업 사본이 25GB 이상인 규모를 공개했다. 지속적 통합 작업만으로 하루 약 2,500만 회 코드를 체크아웃한다고 설명했다. 이 수치는 일반 프로젝트의 평균이 아니라 회사가 왜 자료 전달과 복제 비용을 문제로 봤는지 보여주는 사례의 조건이다.

코드 작성과 변경 관리의 속도는 함께 봐야 한다

부분 복제로 내려받는 자료를 줄여도 변경의 관계와 파일 이력을 읽는 작업은 남는다. 자동 작업이 필요한 자료만 받아 가도록 만드는 접근은 이런 질문을 서버에서 처리할 수 있을 때 범위를 넓힐 수 있다. 중요한 변화는 저장소 파일을 복사하는 과정과 변경 정보를 조회하는 과정을 각각 다루는 데 있다.

회사는 7명의 팀이 5개월 동안 버전관리와 코드 리뷰를 비롯한 관련 시스템을 만들고 이전했다고 보고했다. 동시에 엔지니어가 시스템 사이의 제약과 설계 판단을 맡았다고 설명했다. 이 기간과 인원은 특정 내부 작업의 결과이며 같은 규모의 전환을 다른 조직이 같은 시간에 끝낼 수 있다는 일정표는 아니다.

하루 병합 3만 건이라는 수치도 생산성의 완결된 점수는 아니다. 작은 수정과 큰 기능 변경을 모두 건수로 합칠 수 있고, 병합 이후의 오류와 운영 성과는 다른 지표다. 코드량의 증가와 개발 기반의 압박을 이해하는 자료로는 의미가 있지만 제품 품질이나 매출 향상을 직접 측정한 결과로 읽을 수 없다.

온라인 서버 중심의 방식에는 가용성과 접근 통제, 개발 도구와 시험 체계의 연결이 중요해진다. 이 조건을 함께 갖추지 않은 채 저장소 도구 하나만 바꾸면 같은 결과를 기대하기 어렵다. 일반 조직의 판단에 필요한 것은 도구의 이름보다 어디에서 비용과 지연이 발생하는지에 대한 실제 자료다.

앤트로픽은 사이언을 범용 Git 대체재로 소개하지 않았다. 이번 공개의 의미는 AI가 만든 코드가 늘 때 기존 개발 기반에서 어떤 문제가 나타날 수 있는지를 내부 사례로 보여줬다는 데 있다. AI의 개발 능력이 올라갈수록 생성 이후의 검토·시험·배포를 다루는 능력도 함께 중요해진다.

사카나 AI, ‘MASS’ 자기개선 연구 소개…연구 지표 개선과 코딩 지표 하락 함께 공개

출처: Sakana AI의 10월 12일 연구 소개 | https://sakana.ai/mass/ 출처: 연구진의 상세 방법·평가 결과 | https://pub.sakana.ai/mass/ 출처: 10월 8일 공개된 연구 논문 | https://arxiv.org/abs/2610.12176

사카나 AI(Sakana AI)가 10월 12일 매스(MASS, Multi-Agent Self-Supervision) 자기 감독 연구를 소개했다. 10월 8일 공개된 논문은 같은 모델이 작업·구성·평가를 맡고 팀의 실행 결과로 다시 학습하는 방식을 다뤘다. 일부 연구 지표가 개선됐지만 코딩 평가에서는 같은 개선이 나타나지 않았다.

• 방식: 여러 역할의 작업 흐름을 찾는 과정과 선택한 실행 결과를 학습하는 과정을 반복한다.
• 결과: 두 차례 학습 후 네 연구 평가의 출력 토큰당 점수가 기본 모델의 1.2~1.6배였다.
• 차이: Terminal-Bench 2.0과 SWE-bench Verified의 같은 지표는 각각 0.96배·0.94배였다.

무엇이 달라지나. 여러 에이전트가 문제를 나눠 푸는 경험을 한 모델의 학습 자료로 돌려주는 접근이다. 더 많은 답을 생성하는 것과 학습 뒤 무엇이 개선되는지를 분리해 측정했다.

한계. 공개된 두 차례 반복과 제한된 평가의 연구 결과다. 출력 토큰당 점수는 전체 비용이나 모든 능력의 향상률이 아니며 같은 모델의 공통 오류가 재학습될 위험도 남는다.

자세히

열린 연구 과제는 정답 하나나 자동 규칙으로 결과를 평가하기 어렵다. 답을 만든 모델이 스스로 좋은 결과를 고르면 오류를 성과로 오인할 수 있다. MASS는 이 상황에서 역할을 나눠 수행한 팀의 경험이 더 나은 학습 신호가 될 수 있는지를 다룬 연구다.

기본 모델은 큐원 3.6 27B(Qwen3.6-27B)다. 같은 모델이 실제 작업을 푸는 실행자, 팀의 구성을 찾는 최적화자, 결과를 비교하는 평가자를 맡는다. 서로 다른 제품의 모델을 섞어 강점을 합치는 구성과는 구분된다. 모델은 같고 주어진 역할과 작업 흐름이 달라지는 방식이다.

안쪽 반복은 모델의 가중치를 고정한 상태에서 역할 분담과 정보 전달을 바꿔 본다. 바깥 반복은 선택한 팀의 실행 기록을 학습해 모델 자체를 갱신한다. 더 좋은 요청문을 찾는 과정과 학습으로 능력을 바꾸는 과정이 연결되지만, 두 단계가 같은 작업은 아니다.

연구진은 금융·로봇·약학 분야의 합성 연구 과제 12개를 구성했다. 9개는 학습 대상으로 정했고 그중 8개가 실제 학습 기록을 제공했다. 3개는 후속 학습과 검증·체크포인트 선택에서 제외했다. 다만 작업 흐름 탐색은 이 시험 과제에서도 평가했다고 밝혀, 모든 단계에서 완전히 손대지 않은 과제라는 뜻은 아니다.

연구형 과제의 개선이 코딩으로 그대로 옮겨가지는 않았다

두 차례 반복 후 MLR-Bench, DSBench, ScienceAgentBench, AstaBench의 출력 토큰당 점수가 1.2~1.6배로 높아졌다. 이 값은 결과 점수를 출력량으로 나눈 효율 지표다. 원점수가 모두 같은 배수로 올랐다거나 작업의 총비용과 시간이 같은 비율로 줄었다는 의미는 아니다.

반면 Terminal-Bench 2.0은 0.96배, SWE-bench Verified는 0.94배였다. 연구형 과제와 비슷한 평가에서 강점이 나타나도 소프트웨어 작업으로의 전이는 고르지 않았다는 결과다. 개선된 모델이라는 말 하나보다 어느 과제와 어떤 지표가 달라졌는지를 보는 편이 연구의 실제 범위에 가깝다.

연구진은 결과를 밖에서 평가하는 데 GPT-5.5와 클로드 오퍼스 4.8(Claude Opus 4.8)을 사용했고, 이 판단을 MASS의 자기 감독 과정에는 전달하지 않았다고 설명했다. 내부 선택과 외부 비교를 나눈 구성이다. 다만 외부 평가도 언어모델의 판단이며 전문가의 현장 검증이나 실제 실험의 성공과 같은 자료는 아니다.

같은 모델이 여러 역할을 맡으면 서로 다른 시각을 요청할 수 있지만 학습에서 형성된 공통 오류까지 독립적인 것은 아니다. 그 오류를 긍정적으로 평가한 기록이 다음 학습에 들어가면 편향을 반복할 수 있다. 연구진도 이런 맹점을 발견하고 개입하는 방법이 필요하다고 밝혔다.

MASS의 공개는 AI의 자기개선을 무제한 성능 상승으로 설명하기보다 학습 신호와 평가 범위를 구체화한다. 역할을 나누는 구성, 반복 학습, 능력의 전이를 별도로 관찰했다는 점이 연구 가치다. 현재 확인된 결과는 제한된 반복에서의 특정 지표 변화이며 장기적인 자율 발전의 안전성을 입증한 것은 아니다.

과학과 사회

구글, 아일랜드 AI 기상 연구에 500만 달러 약속…학교 관측망 560곳 계획

출처: Google.org의 10월 13일 투자 발표 | https://blog.google/intl/en-ie/company-news/irish-weather/ 출처: Climate + Co-Centre 공식 연구기관 안내 | https://climatecocentre.org/

구글이 10월 13일 아일랜드의 AI 기상 예측과 기후 연구에 총 500만 달러 지원을 약속했다. 발표에는 4년 연구 프로그램과 학교 560곳의 태양광 기상 관측망 계획이 담겼다. 큰 모델의 예측 능력에 지역 현장의 관측 자료를 더하는 접근이며 정확도 개선이 완료됐다는 성과 발표는 아니다.

• 연구: AIMSIR·Climate + Co-Centre에 UCD Foundation을 통해 225만 유로, 발표 기준 250만 달러를 지원한다.
• 자료: 위성 영상과 70년 이상의 아일랜드 기후 기록을 지역의 실시간 관측과 결합한다.
• 단계: 학교 관측소의 구축과 더 빠른 지역 경보는 추진 목표로 제시됐다.

무엇이 달라지나. AI 기상 연구의 투자 대상에 모델뿐 아니라 현장 관측망과 연구·교육 기반이 함께 들어간다. 지역의 상황을 알아낼 자료를 어떻게 확보할지가 예측 능력과 연결된다.

한계. 500만 달러 전체 약속과 특정 연구기관에 배정한 250만 달러는 같은 수치가 아니다. 발표에는 완성된 관측망이나 독립 검증된 예측 정확도·경보 시간 개선 결과가 제시되지 않았다.

자세히

기상 예측에서 전국의 날씨를 설명하는 일과 특정 지역의 갑작스러운 강우를 알아내는 일은 정보의 규모가 다르다. 넓은 지역을 다루는 자료에 현장의 빠른 변화가 충분히 담기지 않으면 지역 경보를 구체화하기 어렵다. 이번 지원은 모델의 능력과 관측 자료의 밀도를 함께 다루려는 연구 투자다.

구글이 발표한 총 약속은 500만 달러다. 이 가운데 AIMSIR 센터와 Climate + Co-Centre의 4년 연구에는 UCD Foundation을 통해 225만 유로를 지원한다고 밝혔다. 회사가 함께 표시한 달러 값은 250만 달러다. 전체 금액을 이 두 연구기관에 모두 배정했다고 쓰거나 나머지 비용의 세부 용도를 계산해 단정할 수는 없다.

연구는 Google Earth AI 모델과 위성 영상에 70년 이상의 아일랜드 기후 기록을 결합하는 방향으로 소개됐다. 목표는 빠르게 변하는 기상을 추적해 지역에 더 이른 경고를 제공하는 nowcasting이다. 과거의 긴 기록이 변화의 배경을 제공한다면 새로운 관측은 현재 어떤 변화가 일어나는지 알려주는 자료가 된다.

함께 지원받는 클라이밋 코센터(Climate + Co-Centre)는 아일랜드·북아일랜드·그레이트브리튼의 14개 기관을 연결하는 연구 네트워크다. 공식 소개는 기후변화와 생물다양성, 수질 문제를 함께 다룬다고 설명한다. 이번 약속은 구글이 새 연구센터를 혼자 설립했다는 발표가 아니라 기존 연구기관과 자료를 연결하는 지원이다.

학교 관측망은 예측 자료와 교육을 함께 겨냥한다

발표에는 학교 560곳에 태양광으로 운영하는 기상 관측소를 구축하는 계획이 포함됐다. 여러 지역의 지상 자료를 얻고 교사가 실제 기후 데이터를 수업에 활용하도록 AIMSIR가 교육을 제공하는 방향이다. 관측소 설치 계획과 교사의 자료 활용이 하나의 연구 지원 안에서 연결됐다.

촘촘한 관측망은 평균적인 지역 정보보다 작은 범위의 변화를 알아낼 자료를 늘릴 수 있다. 다만 관측 장치를 설치하는 것만으로 모델의 정확도가 바로 확인되는 것은 아니다. 자료를 안정적으로 수집하고 오류를 구분하며 기존 예측과 비교하는 과정이 있어야 새로운 정보가 예측에 얼마나 기여했는지를 판단할 수 있다.

연구가 경보로 이어지려면 결과를 해석하고 전달하는 운영 체계도 필요하다. 예측이 맞는지와 이용자가 제때 정보를 받아 행동할 수 있는지는 연결돼 있지만 다른 단계다. 기상기관과 대학이 함께 참여한다는 정보는 연구 결과가 실제 공공 업무로 옮겨갈 경로를 이해하는 데 의미가 있다.

발표 당시 확인된 것은 지원 약속, 참여 기관, 4년 연구와 관측망의 계획이다. 학교 560곳에 모든 장치가 이미 설치됐다거나 지역 예측의 정확도가 특정 비율로 개선됐다는 결과는 제시되지 않았다. 기대되는 사회적 효과와 현재 확보한 검증 자료를 나눠 읽어야 하는 이유다.

이 소식은 AI의 과학 활용에서 데이터와 연구 기반의 중요성을 보여준다. 새 모델의 발표만으로 지역의 문제를 해결하는 것이 아니라 장기간의 기록, 현장 자료, 기관의 전문성을 이어 붙이는 투자다. 후속 성과는 구축된 자료망과 예측 비교, 실제 경보 운영의 결과에서 확인할 수 있을 것이다.

메타, 기억·장기 작업 강화한 ‘뮤즈 원더’ 공개…Full은 코딩 구독으로 제공

출처: Meta 공식 발표 | https://research.meta.ai/blog/muse-wonder 출처: Meta 공식 모델 카드 | https://research.meta.ai/static/muse-wonder-model-card 출처: Meta 공식 모델·가격 안내 | https://dev.meta.ai/models/muse-wonder

메타가 10월 12일 뮤즈 원더(Muse Wonder)와 뮤즈 원더 풀(Muse Wonder Full)을 공개했다. 이전 대화의 중요한 정보를 활용하고, 여러 단계의 작업을 이어가는 능력을 전면에 내세웠다. 일반 모델은 API로 제공하지만 Full은 코딩 서비스 구독으로 이용 경로를 구분했다.

• 기능: 대화 맥락을 찾는 Active Memory와 장애물을 넘어 작업을 지속하는 Active Focus를 강조했다.
• 가격: 일반 모델 API는 100만 토큰당 입력 4달러·출력 20달러, 캐시 입력 0.20달러다.
• 제공: Full은 Muse Code의 월 50달러·200달러 요금제에 포함되며 API 단가는 표시하지 않았다.

무엇이 달라지나. 새 모델의 경쟁 지점은 한 번의 답변에 더해 기억, 도구 사용, 장기 작업 수행으로 넓어진다. 같은 모델 계열 안에서도 API 연동과 코딩 구독의 선택지가 달라진다.

한계. 공개 평가에는 서로 다른 실행 도구와 추론 설정이 포함돼 있다. 모든 점수를 같은 조건의 순위로 읽기 어렵고, Muse 앱 적용은 발표 당시 향후 계획이었다.

자세히

메타의 이번 발표는 모델의 능력과 제품 제공 방식을 함께 보여준다. 일반 원더를 서비스에 연결하는 개발자와 Full을 코딩 도구에서 쓰는 이용자는 같은 출시 소식을 접해도 실제 선택지가 다르다. 성능 표를 읽기 전에 어느 모델을 어떤 경로로 이용할 수 있는지를 구분해야 하는 이유다.

메타는 AI 개발 체계를 전면 개편한 뒤 14개월 동안 기반을 다시 구축하고 상위 모델로 확장했다고 설명했다. 원더 계열은 프로메테우스 데이터센터에서 훈련됐으며, 이전 뮤즈 스파크에서 이어지는 확장 전략의 다음 단계로 소개됐다. 회사가 강조하는 방향은 전문 지식을 답하는 모델에서 개인과 업무의 여러 작업을 수행하는 에이전트로 이어진다.

맥락을 기억하고, 막힌 작업을 이어간다

Active Memory는 대화 사이의 중요한 정보를 유지하고 현재 작업과 관련된 내용을 다시 찾는 능력을 가리킨다. 단순히 긴 대화가 입력에 들어간다는 설명과는 구분된다. 핵심은 이전 정보 중 무엇이 지금 필요하고, 어떤 조건이 이후 대화에서 바뀌었는지를 작업에 반영하는 데 있다.

Active Focus는 목표를 향해 작업을 지속하는 능력이다. 메타는 다른 접근을 시도하고, 장애물과 새 정보에 대응하며, 필요할 때 질문하거나 중요한 행동 전에 확인하는 흐름으로 설명했다. 모든 행동을 확인 없이 실행한다는 발표는 아니다. 기억과 실행을 함께 강조한 것은 여러 도구와 수정 과정이 연결되는 업무를 겨냥한 접근으로 읽힌다.

공식 시연에는 이미지에서 게임을 만드는 작업, 개인 조건을 반영하는 달리기 계획, 여러 요구사항을 맞추는 결혼식 좌석 배치 등이 등장한다. 이는 메타가 공개한 시연이며 이 글에서 재현한 결과는 아니다. 서로 다른 자료와 조건을 연결하는 장면을 제시했다는 데 의미가 있지만, 시연만으로 일반 업무의 성공률을 판단할 수는 없다.

평가 범위도 길고 복잡한 과제로 확장됐다. 모델 카드의 MemoryBench는 6만 4천~10만 토큰의 대화에서 중요한 정보를 회수하는 내부 평가다. 방해가 되는 대화와 기존 사실을 수정하는 정보가 포함된다. 장기 개발 평가인 SWE-Marathon은 실제 프로젝트 테스트로 결과를 확인한다. 기억의 정확성과 작업의 완수를 서로 다른 과제로 다루는 구성이다.

공식 제품 페이지에 게시된 DeepSWE 1.1 점수는 원더 Full 79.0%, 일반 원더 78.8%다. 같은 표의 클로드 오퍼스 5.5는 74.2%다. 다만 모델 카드는 외부 코딩 결과에 각 제공자의 실행 도구가 남아 있다고 명시한다. SWE-Marathon에서 Full은 xhigh 추론 설정을 사용했다. 수치 자체와 통제된 동일 환경 비교는 별개의 정보다.

API 가격과 구독 제공은 별개의 선택지

두 모델의 컨텍스트 창은 공식 안내 기준 100만 토큰이다. 일반 원더 API 가격은 입력·출력·캐시 입력에 각각 책정됐다. 여기서 캐시 입력 단가는 모든 입력에 자동으로 적용되는 가격이 아니며, 토큰당 단가는 작업 하나를 끝내는 총비용과도 다르다. 재시도와 출력량에 따라 청구 규모가 달라질 수 있다.

Full은 Muse Code의 Power Usage와 Maximum Usage 요금제에 포함된다. 공식 페이지에 표시된 월 가격은 각각 50달러와 200달러이며 Full의 별도 API 가격은 공란이다. 따라서 일반 원더의 API 단가를 Full에 그대로 적용하거나, Full을 외부 서비스에 같은 방식으로 연결할 수 있다고 해석하면 제공 범위를 벗어난다.

Muse 앱에도 원더를 적용하겠다는 계획은 발표됐지만 구독자부터 순차 적용하는 일정으로 표현됐다. API 공개, 코딩 도구 제공, 개인용 앱 반영이 하나의 시점에 모든 이용자에게 완료된 것은 아니다. 출시 소식에서 모델 공개와 실제 서비스 배포를 나눠 볼 필요가 있다.

남은 쟁점은 강화된 기억과 실행 능력이 다양한 실제 환경에서도 유지되는지다. 모델 카드는 다단계 추론 오류, 언어별 평가 범위, 시각·공간 추론의 한계를 밝힌다. 제공 경로와 가격은 구체화됐지만, 업무의 완수율과 전체 비용은 사용하는 도구와 자료에 따라 달라진다. 이번 출시의 의미는 모델 성능과 서비스 이용 조건을 함께 비교해야 할 경쟁이 본격화됐다는 데 있다.

카카오, 카톡·PC 잇는 AI 에이전트 구상 공개…12월부터 일부 이용자 시험

출처: 카카오 10월 13일 공식 발표 | https://www.kakaocorp.com/page/detail/12160?lang=KOR 출처: 카카오의 기존 카나나 웹 서비스 발표 | https://www.kakaocorp.com/page/detail/11809

카카오가 10월 13일 ‘이프 카카오 26’에서 카나나 스페이스(Kanana Space)와 칸바스(Kanvas)를 공개했다. 카카오톡에서 요청을 받고 PC의 에이전트까지 연결하려는 구상이다. 카나나 스페이스는 12월부터 일부 신청자를 대상으로 시험하며, 칸바스와 카톡의 연결은 내년 상반기 계획으로 제시했다.

• 카나나 스페이스: 카카오톡에서 음성·텍스트로 메시지 전송, 일정 관리, 웹 검색 등을 요청하는 서비스다.
• 칸바스: PC에서 필요한 도구와 스킬을 연결해 이용자 목적에 맞는 에이전트를 구성한다.
• 일정: 서비스 공개와 비공개 시험, 카카오톡 연결의 예정 시점을 각각 구분했다.

무엇이 달라지나. 별도의 AI 서비스에 들어가 대화하는 방식에서, 이용자가 이미 쓰는 메신저 안에서 일을 요청하는 방식으로 접점을 넓힌다. PC의 작업과 모바일의 요청·확인을 연결하는 구상도 포함됐다.

한계. 발표된 서비스가 모두 정식 제공되는 단계는 아니다. 주문·예약·송금과 에이전트 공유 등은 고도화 계획이며 시험 대상과 일정에도 제한이 있다.

자세히

카카오의 발표는 AI 모델 하나의 성능보다 이용자가 AI를 만나는 장소와 작업의 연결을 앞세웠다. 카카오톡은 요청을 전달하는 입구가 되고, PC는 에이전트가 여러 도구를 사용하는 실행 공간이 되는 구상이다. 일상 대화와 실제 작업이 이어지는 인터페이스를 만든다는 점에서 모델 출시와 다른 층위의 뉴스다.

카나나라는 이름이 이번에 처음 등장한 것은 아니다. 카카오는 2025년 11월 카나나의 웹 버전을 출시하면서 모바일 앱의 개인 AI 메이트를 PC에서도 이용하도록 했다. 당시의 변화가 기존 대화 서비스를 웹으로 확장하는 데 있었다면, 이번 발표는 카카오톡과 PC의 작업 도구를 연결하는 방향을 제시했다. 기존 서비스와 새 계획을 구분하면 발표의 변화가 더 분명해진다.

카나나 스페이스의 설명에는 카카오톡 화면에서 두 손가락으로 쓸어 AI를 부르고 음성이나 텍스트로 요청하는 방식이 포함됐다. 현재 소개한 범위는 메시지와 일정, 검색, 설정 등이다. 주문·선물·예약·송금은 앞으로 기능을 넓히겠다는 계획으로 제시됐다. 이 기능들을 모두 지금 사용할 수 있는 목록으로 읽으면 출시 단계를 혼동하게 된다.

칸바스는 이용자가 원하는 에이전트를 설명하면 필요한 도구와 스킬을 연결하는 PC 서비스다. 카카오는 이용자가 허용한 범위 안에서 에이전트가 일을 수행하도록 구성하겠다고 밝혔다. 에이전트를 직접 만들고 나중에 공유하는 흐름을 준비한다는 점에서, 정해진 질문에 답하는 서비스보다 이용자 목적에 따른 실행 구성을 강조한다.

카카오톡 연결은 다음 단계의 계획

카나나 스페이스의 비공개 베타 테스트는 12월부터 일부 사전 신청자를 대상으로 진행한다. 칸바스도 이르면 연내 소규모 시험을 계획한다. 카카오톡에 에이전트 팀을 연결하는 새로운 공간은 2027년 상반기를 목표로 제시했다. 공개 발표, 제한된 시험, 서비스 연결이 순서대로 진행되는 일정이다.

이 일정은 이용자가 경험할 변화의 범위를 판단하는 정보다. 서비스 이름이 발표됐다는 사실과 자신의 계정에서 작업을 맡길 수 있다는 사실은 다르다. 공식 발표에는 정식 서비스의 전체 기능과 모든 이용자의 제공 시점이 확정돼 있지 않아, 오늘의 뉴스는 완성된 제품의 이용 후기보다 개발 방향과 시험 계획으로 읽는 것이 맞다.

기술 방향에서는 스마트폰이 처리할 요청과 대형 모델이 맡을 복잡한 작업을 나누는 전략을 소개했다. 모델과 도구, 실행 순서를 조율하는 역할도 함께 설명했다. 모든 요청을 하나의 큰 모델에 보내는 구성에서 벗어나 작업별로 실행 경로를 정하려는 접근이다. 이는 성능뿐 아니라 응답 속도와 운영 자원을 함께 다루는 문제로 연결된다.

개인화와 작업 실행이 결합되면 AI가 어떤 맥락을 알고 누구의 권한으로 행동하는지도 중요해진다. 카카오는 프로젝트 모자이크와 안전 플랫폼의 개발 방향을 제시했다. 공개 설명은 필요한 정보를 허용한 범위 안에서 전달한다는 구상이며, 실제 서비스에서 모든 조건이 검증됐다는 결과 발표는 아니다.

이번 발표의 의미는 국내 메신저가 AI 기능을 별도의 메뉴로 추가하는 데서 더 나아가, 여러 작업을 연결하는 접점을 지향한다는 것이다. 성공 여부는 기능의 개수만으로 결정되지 않는다. 시험 이용자의 실제 경험과 서비스 간 연결, 작업이 끝나는 과정이 공개돼야 구상의 구체적인 가치도 판단할 수 있다.

실행 비용과 개발 도구

자나스, 32GB 노트북에서 48.4GB 모델 실행 결과 공개…메모리 제약 넘는 실험

출처: Janas 제작자 저장소·평가 조건 | https://github.com/prabanta-dev/janas 출처: Janas 10월 12일 릴리스 | https://github.com/prabanta-dev/janas/releases/tag/v2026.10.12.1

자나스(Janas)가 10월 12일 Linux·Windows용 릴리스를 공개했다. 제작자는 32GB 메모리의 노트북에서 48.4GB 모델을 실행한 결과를 제시했다. 필요한 가중치를 저장장치에서 읽는 방식으로 메모리 제약을 넘으려는 시도지만, 제작자 스스로 초기 실험이며 다른 장비의 안정성은 미검증이라고 밝혔다.

• 방식: MoE 모델의 필요한 전문가 가중치를 NVMe SSD에서 읽고 자주 쓰는 부분은 메모리에 남긴다.
• 결과: 특정 장비에서 Qwen3-Next-80B-A3B 생성 속도를 초당 24토큰으로 보고했다.
• 조건: 비교 대상의 설정과 측정 방식에 차이가 있어 일반적인 성능 배수로 옮길 수 없다.

무엇이 달라지나. 로컬 모델을 실행할 수 있는 범위를 메모리 용량 하나로 판단하기 어려워진다. 저장장치와 캐시의 역할을 넓혀 큰 모델의 실행 가능성을 탐색하는 접근이다.

한계. 숫자는 제작자 자체 측정이며 한 노트북의 결과다. 메모리 압박, 화면 무응답, GPU 드라이버 재시작 가능성과 API·명령줄 변경이 명시돼 있다.

자세히

로컬 AI 모델은 파일을 보관할 공간과 실행 중 사용할 메모리를 모두 필요로 한다. 모델이 크면 더 큰 장비를 선택하거나 실행할 모델을 줄이는 판단으로 이어지기 쉽다. 자나스의 공개 결과는 일부 데이터를 저장장치에 두고 필요한 순간 가져오는 방식이 이 제약을 어느 범위까지 바꿀 수 있는지를 보여주는 실험이다.

자나스-LLM은 여러 전문가를 가진 MoE 모델에서 현재 계산에 필요한 가중치를 NVMe SSD로부터 읽는다. 반복해서 사용되는 부분은 메모리에 남겨 다시 읽는 부담을 줄인다. 모든 가중치를 동일하게 사용하는 모델과 구분되는 방식이며, 어떤 모델이든 메모리 제한 없이 같은 속도로 실행할 수 있다는 의미는 아니다.

제작자가 공개한 대표 사례는 파일 크기 48.4GB의 Qwen3-Next-80B-A3B다. 32GB 메모리 장비에서 답변 생성은 초당 24토큰, 비교한 llama.cpp는 2.8토큰이라고 보고했다. 긴 이름의 모델 수치보다 중요한 점은 메모리보다 큰 파일을 가진 모델의 실행 결과를 구체적인 장비 조건과 함께 공개했다는 데 있다.

비교 수치에는 같은 장비와 다른 실행 조건이 들어 있다

측정 장비는 Debian 13, Intel Core Ultra 9 185H, 내장 Arc GPU, 32GB 메모리와 NVMe SSD 구성이다. 공개된 비교는 10월 9~11일 측정에 기반한다. 10월 12일 릴리스 날짜와 측정 날짜는 같지 않으며, 릴리스 버전만 보고 그날 모든 시험이 이뤄졌다고 해석할 수는 없다.

큰 모델의 llama.cpp 실행에는 메모리 사용을 바꾸는 별도 빌드·옵션이 쓰였다. 제작자는 두 도구가 답변을 생성하기 전에 프롬프트를 다루는 측정 방식도 완전히 같지는 않다고 적었다. 따라서 24와 2.8을 나눠 얻는 값은 해당 비교의 숫자일 뿐, 모든 모델과 모든 컴퓨터에서 반복되는 개선 배수는 아니다.

토큰 생성 속도와 사용자가 작업 결과를 기다리는 전체 시간도 구분된다. 모델을 처음 준비하고 입력을 읽는 과정, 이후 응답을 만드는 과정은 각각 다른 자원을 쓴다. 이번 결과가 직접 보여주는 것은 특정 환경의 실행 지표이며 문서 처리나 개발 업무의 전체 생산성을 측정한 결과는 아니다.

Linux와 Windows 패키지를 제공한다는 점은 실행 경로가 공개됐다는 정보다. 지원 환경의 이름이 적혀 있어도 모든 CPU·그래픽카드 조합의 안정성을 시험한 것은 아니다. 제작자는 다른 하드웨어에서의 속도와 동작을 확인하지 못했다고 밝혔고, 운영용 제품이라는 표현도 피했다.

메모리가 부족할 때 저장장치를 활용하는 방식은 모델 실행의 경계를 넓힐 수 있지만, 저장장치의 처리량과 다른 프로그램의 자원 사용도 영향을 준다. 이는 큰 모델을 돌릴 수 있느냐와 일상적인 작업 중 안정적으로 돌릴 수 있느냐가 다른 질문임을 보여준다. 공개 숫자를 장비 구매의 보편적인 기준으로 삼기에는 검증 범위가 좁다.

이번 소식은 새로운 대형 모델 출시보다 실행 방식의 변화에 가깝다. 실제 장비에서 큰 모델을 다루는 방법을 공개하고 한계를 함께 제시했다는 점이 뉴스 가치다. 앞으로 여러 장비와 다양한 입력에서의 결과가 쌓이면, 메모리와 저장장치를 함께 설계하는 로컬 AI의 선택지도 더 구체적으로 평가할 수 있다.

라이트온, 코드 검색 전용 소형 모델 공개…API 토큰 34% 감소 자체 보고

출처: LightOn의 ColGrep-Agent 발표 | https://huggingface.co/blog/lightonai/colgrep-agent 출처: ColGrep-Agent 공식 모델 카드 | https://huggingface.co/lightonai/colgrep-agent-2B

라이트온(LightOn)이 10월 12일 코드 검색 전용 콜그렙 에이전트(ColGrep-Agent-2B)를 공개했다. 저장소에서 필요한 코드를 찾는 일을 로컬의 소형 모델에 맡기는 구성이다. 제작자는 제한된 검색 평가에서 주 코딩 AI의 API 토큰 사용량이 34% 줄었다고 보고했다.

• 역할: 관련 파일과 줄 범위를 찾아 주 코딩 에이전트에 전달한다.
• 평가: 13개 저장소의 검색 질문 52개를 네 구성에서 세 번씩 실행한 624개 세션이다.
• 범위: 코드 검색 결과이며 전체 개발 작업의 비용 절감률을 측정한 평가는 아니다.

무엇이 달라지나. 코드를 찾는 과정과 실제 수정·판단을 맡는 과정을 나눠 모델을 배치한다. 작은 전문 모델이 주 모델에 전달하는 정보량을 줄이는 방향이다.

한계. 제작자의 자체 평가다. 주 에이전트가 외부 모델을 쓰는 경우 코드 검색의 로컬 실행만으로 모든 코드의 외부 전달이 없어지는 것은 아니다.

자세히

코딩 AI가 저장소를 수정하려면 먼저 관련 코드를 찾아야 한다. 함수 이름을 검색하고 호출 경로를 따라가면서 여러 파일을 읽는 과정은 최종 수정과 별개로 반복될 수 있다. 콜그렙 에이전트는 이 탐색을 주 코딩 모델이 모두 수행하는 대신 별도의 작은 모델이 맡도록 만든 구성이다.

제품 이름이 비슷하지만 ColGrep과 ColGrep-Agent는 역할이 다르다. ColGrep은 코드의 의미를 바탕으로 찾는 검색 엔진이다. 에이전트는 이 검색과 읽기 전용 터미널을 이용해 후보를 확인하고, 요청과 관련된 파일·줄 범위·코드를 반환한다. 검색 결과를 한 번 나열하는 도구와 탐색을 이어가는 모델을 구분할 수 있다.

공식 모델 카드는 2B 규모의 검색 모델을 로컬에서 실행하는 흐름을 설명한다. 주 코딩 에이전트가 질문을 보내면 소형 모델이 저장소를 탐색하고 정리한 결과를 돌려준다. 큰 모델 하나가 모든 파일을 읽는 대신 역할별로 실행 주체를 나누는 설계다. 주 에이전트 자체를 대체하는 모델로 소개되지는 않았다.

줄어든 것은 검색 과정의 API 사용량

제작자는 Claude Code의 Sonnet 5.5를 주 에이전트로 사용하고 학습에서 보지 않은 저장소 13개를 평가했다고 설명했다. 검색 질문은 52개이며 네 가지 구성에서 각 질문을 세 차례 실행했다. 합계는 624개 세션이다. 평가의 크기와 실행 구성을 공개했다는 점은 결과의 적용 범위를 읽는 데 필요한 정보다.

발표된 자체 결과는 grep 기반 비교 구성보다 API 토큰 사용량 34%, 캐시를 고려한 API 비용 40% 감소다. 검색 정확도의 차이는 통계적으로 유의하지 않았다고 보고했다. 이 문장은 정확도가 모든 조건에서 완전히 같다는 뜻은 아니다. 해당 평가에서는 유의한 차이를 확인하지 못했다는 범위로 읽어야 한다.

평가 질문은 코드 위치를 찾는 검색 과제였다. 기능 개발이나 오류 수정, 테스트와 배포까지 완료하는 과제를 대상으로 한 전체 비용 비교는 아니다. 검색 이후 필요한 정보가 빠져 다시 탐색하거나 수정을 되돌리는 과정이 생길 수 있으므로, 이 수치를 개발 업무 전체의 절감률로 옮기면 측정 대상이 달라진다.

모델을 로컬에서 실행하는 자원도 결과 해석의 일부다. 주 API의 토큰이 줄어도 검색 모델과 인덱스를 준비하고 실행하는 시간은 따로 든다. 제작자가 제시한 지표는 외부 API 사용의 변화이며, 모든 장비 비용과 초기 준비를 합친 총비용을 대표하는 숫자는 아니다.

코드 전달 범위 역시 주 에이전트의 구성에 달려 있다. 검색은 로컬에서 하더라도 결과를 외부 모델에 전달하면 선택된 코드가 외부 요청에 포함될 수 있다. 로컬 검색 기능과 전체 개발 환경의 데이터 경로를 같은 것으로 이해할 수는 없다. 어떤 정보를 넘기는지를 결정하는 연결 방식이 남는다.

이번 발표는 코딩 AI의 경쟁이 큰 모델의 능력에 더해 필요한 정보를 효율적으로 공급하는 구성으로 확장되고 있음을 보여준다. 소형 모델이 맡을 역할을 명확히 정한 사례라는 점에서 의미가 있다. 앞으로의 쟁점은 검색의 비용 감소가 실제 수정의 정확성과 전체 작업 시간에도 이어지는지다.

문서 이해와 운영 기반

라이트온 OCR 3, 글자·문서 영역·차트 데이터를 함께 추출

출처: LightOnOCR-3 공식 발표 | https://huggingface.co/blog/lightonai/lightonocr-3 출처: LightOnOCR-3-1B 공식 모델 카드 | https://huggingface.co/lightonai/LightOnOCR-3-1B

라이트온이 10월 8일 라이트온 OCR 3(LightOnOCR-3) 모델 계열을 공개했다. 문서의 글자에 영역 위치와 이미지 설명, 차트 데이터 추출을 더한 모델이다. 발표 후 5일 지난 소식이지만 문서를 구조화하는 변화와 공개 평가 조건을 함께 볼 만한 주제로 선정했다.

• 모델: 0.8B·1B·4B의 세 크기로 공개됐으며 Apache 2.0 라이선스를 적용한다.
• 출력: 텍스트 추출과 영역 종류·경계 좌표를 붙이는 grounding 모드를 구분한다.
• 평가: 크기별·문서 유형별 강점이 다르며 전체 점수 하나로 모든 문서의 우위를 판단할 수 없다.

무엇이 달라지나. 문서에서 읽은 내용과 원래 위치를 함께 다룬다. 글자 인식에 더해 표·차트·그림을 다음 작업에 사용할 구조로 바꾸려는 접근이다.

한계. 공개 평가는 제작자가 정한 문서와 출력 처리 조건에서 나온 결과다. 한국어 사내 문서의 정확도로 일반화하거나 추출 결과를 검토 없이 정답으로 취급할 수는 없다.

자세히

문서 자동화에서 글자를 읽는 일과 내용을 올바른 순서로 구조화하는 일은 연결돼 있지만 같은 작업은 아니다. 여러 단의 본문, 표의 머리글, 차트의 축과 숫자가 섞이면 텍스트를 추출해도 다음 집계나 검색에 필요한 관계가 사라질 수 있다. 라이트온 OCR 3의 발표는 이 관계를 출력에 포함하는 방향을 보여준다.

세 모델은 텍스트 추출과 grounding의 두 모드를 제공한다. 기본 모드는 문서를 텍스트로 옮기고, grounding은 영역 종류와 경계 좌표를 붙인다. 이미지에는 짧은 설명을, 차트에는 데이터 표를 함께 출력한다. 글자의 인식 결과에 문서의 위치·시각적 요소를 연결하는 구성이다.

모델 카드에 설명된 좌표는 페이지를 기준으로 0~1000 범위로 정규화한다. 서로 다른 페이지 크기에서도 위치를 일정한 표현으로 다루기 위한 방식이다. 다만 위치가 붙었다고 숫자와 단위까지 정확하다는 뜻은 아니다. 영역을 찾는 정확성과 영역 안의 내용을 읽는 정확성은 별도로 평가해야 한다.

1B 모델은 이전 라이트온 OCR 2의 구조를 유지한다. 0.8B와 4B는 Qwen3.5의 시각·언어 구조를 채택했다. 크기 차이만 있는 세 모델이라고 보기 어렵고, 기존 배포와의 연결 방식도 선택에 영향을 준다. 공식 안내는 1B를 기존 구성의 교체 경로로, 다른 모델을 별도의 속도·품질 선택지로 설명한다.

공개 점수에서도 문서 유형별 차이가 나타난다

제작자가 제시한 olmOCR-Bench 전체 점수는 4B 모델 86.3, 0.8B 85.5, 1B 84.5다. 4B가 가장 높은 전체 점수를 얻었지만 세부 항목에서는 1B가 여러 단으로 된 페이지, 0.8B가 작은 글자가 길게 이어진 문서에서 강점을 보였다. 가장 큰 모델이 모든 종류의 문서에서 같은 순서로 앞선 결과는 아니다.

비교표에는 이전 OCR 2의 전체 점수가 일부 항목을 제외해 계산됐다는 주석도 있다. 새 모델과 이전 모델의 전체 숫자를 그대로 빼면 평가 항목의 차이가 섞인다. 출력 형식의 정규화와 이미지 해상도도 결과에 영향을 준다고 설명돼 있어, 점수와 함께 평가 구성 자체를 확인할 필요가 있다.

문서 구조를 출력에 넣으면 사람이 원본을 다시 확인하는 경로를 만들 수 있다. 어떤 페이지와 영역에서 얻은 값인지 남기는 것이 그 출발점이다. 이는 모델이 오류를 없앴다는 주장이 아니라 결과와 근거를 연결할 수 있는 정보가 늘었다는 변화다. 검색과 요약에서의 활용 가능성도 이 연결에 달려 있다.

모델들은 연구와 상업적 이용을 허용하는 Apache 2.0 라이선스로 공개됐다. 공개 라이선스는 이용 조건의 한 요소이며 실제 문서 처리의 장비·운영 비용을 결정하지는 않는다. 개인정보가 담긴 자료의 저장과 전달은 연결한 서비스의 구성에 따라 달라진다.

이번 소식은 OCR의 범위가 글자 인식을 넘어 문서의 위치와 시각적 내용을 함께 다루는 쪽으로 넓어지고 있음을 보여준다. 공개된 결과는 유용한 비교 자료지만 조직마다 쓰는 양식과 언어, 스캔 품질은 다르다. 현 단계에서 확인된 변화는 새로운 출력 구조와 모델 선택지이며, 모든 문서 처리의 정확성이나 자동화 완성을 보장하는 결과는 아니다.

MS 실행 컨테이너 정식 제공…AI 도구의 접근 범위를 외부 정책으로 제한

출처: Microsoft 10월 7일 공식 발표 | https://blogs.windows.com/windowsdeveloper/2026/10/07/microsoft-execution-containers-policy-driven-containment-for-ai-agents/ 출처: Microsoft MXC 공식 저장소 | https://github.com/microsoft/mxc

마이크로소프트가 10월 7일 마이크로소프트 실행 컨테이너(Microsoft Execution Containers, MXC)의 정식 제공을 발표했다. AI가 실행하는 도구와 코드의 파일·네트워크 접근을 외부 정책으로 제한하는 구성이다. 발표 후 6일 지난 소식이며 에이전트 기능의 확대와 함께 운영 기반의 변화를 살펴보기 위해 담았다.

• 정책: 파일 읽기·쓰기·접근 금지와 네트워크 등 실행 범위를 정의한다.
• 환경: Windows·macOS·Linux의 격리 방식과 지원 범위가 서로 다르다.
• 단계: 정식 제공과 실험 단계의 실행 방식, 향후 관리 기능을 구분해야 한다.

무엇이 달라지나. 모델에 전달하는 지시와 별도로 실제 실행 환경의 접근 범위를 정한다. 어떤 일을 맡길지와 어떤 권한으로 실행할지를 함께 설계하는 기반이다.

한계. 허용한 범위 안에서도 잘못된 결과는 생길 수 있다. 모든 기능이 모든 운영체제에서 같은 수준으로 제공되는 것은 아니며 앱과 SDK의 연동이 필요하다.

자세히

AI 에이전트가 프로그램을 실행하고 파일을 고치는 작업에서는 답변의 정확성뿐 아니라 실제 행동의 범위가 중요해진다. 읽어야 할 자료와 바꿀 결과, 접속할 서비스가 많아질수록 권한의 경계를 정하는 일이 운영의 일부가 된다. MXC는 이 경계를 모델의 응답 밖에서 다루려는 구성이다.

공식 저장소는 MXC를 앱에 연결하는 SDK와 실행 환경으로 설명한다. 앱은 실행할 작업과 정책을 지정하고 격리 방식은 해당 환경에 맞춰 적용된다. 전체 컴퓨터에 자동으로 보호 기능을 덧씌우는 서비스보다, 개발자가 자신의 앱에서 실행을 구성하는 기반에 가깝다.

정책에는 파일의 읽기와 쓰기, 금지할 경로, 네트워크 접근 등을 정의한다. 같은 파일이라도 읽을 수 있는지와 바꿀 수 있는지를 나눠 다룰 수 있다. 어떤 행동을 하도록 지시했는지와 실제로 어떤 행동까지 가능한지를 분리한다는 점이 핵심이다. 작업 목적과 실행 권한이 서로 다른 설정으로 남는다.

공식 안내는 Rust와 .NET, Node 계열의 연동 경로를 제공한다. 기존 앱에서 AI 도구 실행을 연결하는 구성이므로, 사용하는 개발 환경과 운영체제의 지원 조건이 함께 맞아야 한다. SDK의 존재와 실제 서비스에 연결된 상태는 다르며, 정식 제공 발표가 기존 앱의 권한 구성을 자동으로 바꿔 주는 것은 아니다.

운영체제별 지원과 향후 관리 기능은 구분된다

Microsoft는 Windows·macOS·Linux에서 사용할 수 있는 실행 방식을 구분해 소개했다. 각 방식의 보안 특성과 적합한 작업이 다르다고 명시한다. Windows 전용 세션 격리와 실험 단계 MicroVM도 같은 표 안에서 별도 조건으로 다뤄진다. 운영체제 이름만 확인해 기능이 동일하다고 판단하기 어렵다.

에이전트 활동을 구분하는 Entra 연동과 일부 Intune 정책 관리 기능은 앞으로 제공할 항목으로 표현됐다. 현재 SDK로 할 수 있는 일과 조직 차원의 관리 체계에 추가될 기능을 나눠 읽어야 한다. 정식 제공이라는 한 문구만으로 모든 관리 기능의 준비 상태를 설명할 수는 없다.

외부 정책이 다루는 것은 접근의 경계다. 경계 안에서 실행된 코드가 잘못된 보고서를 만들거나 잘못된 계산을 하는 문제까지 자동으로 해결하는 것은 아니다. 접근 제한과 산출물의 정확성이 다른 관리 항목으로 남는 이유다. 격리의 효과를 모델의 판단 능력과 같은 성능으로 평가할 수는 없다.

에이전트가 맡는 작업의 규모가 커질수록 실행 권한을 어디에서 정의하고 변경할지에 대한 책임도 분명해져야 한다. 모델이 제안한 행동을 앱이 실행하는 구조에서는 모델의 출력, 앱의 판단, 운영체제의 제한이 연결된다. MXC의 공개는 이 중 실행 환경의 통제 지점을 공통 정책으로 다루는 선택지를 추가했다.

이번 발표는 에이전트의 기능 확대를 뒷받침하는 운영 기반에 관한 소식이다. 중요한 변화는 더 많은 작업을 수행하는 능력과 함께 그 작업이 가능한 범위를 명시하려는 도구가 공개됐다는 점이다. 실제 적용 범위는 현재 지원하는 실행 방식과 관리 기능, 앱의 구성에 따라 달라진다.