AI 데일리 브리핑 — 2026-10-09
Soshy·
기준 시점: 2026-10-09 06:00 KST (Asia/Seoul)
AI 동향 조사 범위: 2026-10-08 06:00 ~ 2026-10-09 06:00 KST
추천 글 범위: 2026-10-02 06:00 ~ 2026-10-09 06:00 KST
1️⃣ 주요 모델·연구
Hugging Face, DNA에서 유전자를 직접 찾아내는 ‘Carbon-A’ 공개…2만2천 종에서 5억6천만 개 이상의 후보 예측
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: AI for Science, 유전체 분석, 생물정보학, 오픈웨이트 모델, 신약·효소 연구, 생물학 데이터베이스
- 원문: Hugging Face — Carbon-A: Finding genes in known and unknown genomes
- 관련 원문: Hugging Face — Carbon-A-1.2B 모델
Hugging Face의 생물학 연구팀 HuggingFaceBio가 **Carbon-A(Carbon-Annotator)**라는 새로운 유전체 분석 모델과 대규모 유전자 예측 데이터베이스를 공개했다.
Carbon-A는 약 12억 개의 파라미터를 가진 모델로, DNA 염기서열을 입력받아 단백질을 만드는 유전자가 어디에 존재하는지 예측한다.
이번 발표에서 가장 눈에 띄는 결과는 이미 공개된 생물학적 유전체 데이터를 대규모로 분석해 2만2,617개 분류군에서 약 5억6,600만 개의 단백질 코딩 영역 후보를 예측했다는 점이다.
다만 이 숫자를 모두 실험으로 확인된 새로운 유전자라고 이해해서는 안 된다. 현재 데이터베이스에 수록된 것은 AI가 예측한 유전자 후보이며, 실제 생물학적 기능까지 검증된 결과와는 구분해야 한다.
이 기술의 배경을 이해하려면 DNA를 읽는 것과 DNA의 의미를 파악하는 것이 서로 다른 문제라는 점을 먼저 알아야 한다.
DNA는 A, C, G, T라는 네 종류의 염기가 이어진 긴 서열로 표현된다.
최근 유전체 분석 기술이 발전하면서 생물의 DNA를 읽어내는 Sequencing(시퀀싱) 비용과 시간이 크게 줄었다.
하지만 DNA 서열을 확보했다고 해서 어느 부분이 유전자이고, 어떤 단백질을 만들며, 그 단백질이 생물 안에서 어떤 역할을 하는지까지 자동으로 알 수 있는 것은 아니다.
DNA에서 유전자의 위치와 구조를 찾는 과정을 Genome Annotation(유전체 주석화) 이라고 한다.
특히 진핵생물의 유전자에는 실제 단백질을 만드는 데 필요한 Exon(엑손) 과 중간에 존재하지만 최종 단백질 서열에서는 제거되는 Intron(인트론) 이 복잡하게 섞여 있다.
기존 주석화 시스템은 이미 알려진 유전자나 단백질, RNA 실험 결과, 비슷한 종의 유전체 정보를 참고해 유전자 위치를 추정하는 경우가 많았다.
따라서 연구가 많이 진행된 인간이나 주요 실험동물에서는 비교적 정확한 분석이 가능했지만, 연구 자료가 부족한 생물에서는 유전자를 찾기 어려웠다.
Carbon-A는 이 문제를 DNA 서열 자체에서 유전자 구조를 직접 예측하는 방식으로 접근한다.
모델은 한 번에 최대 98,304개 염기쌍을 처리하고, DNA의 양쪽 가닥을 분석해 염기 하나 단위로 유전자 영역을 예측한다.
또한 포유류, 다른 척추동물, 무척추동물, 식물, 균류, 원생생물에 하나의 공통 모델을 사용한다.
기존 유전자 예측 도구 중에는 특정 생물군에 특화된 모델이 많았다는 점에서 차이가 있다.
Hugging Face 연구팀이 42개 기준 유전체를 대상으로 자체 평가한 결과, Carbon-A는 염기 단위 Macro F1 0.944를 기록했다.
F1 Score는 모델의 예측 가운데 실제로 맞는 비율인 Precision과, 실제 정답 가운데 모델이 찾아낸 비율인 Recall을 함께 고려하는 지표다.
Macro F1은 여러 평가 대상의 결과를 각각 계산한 뒤 평균을 내는 방식이다.
연구팀은 AUGUSTUS, Helixer, Tiberius 등 기존 유전자 예측 시스템과 비교했을 때 염기·엑손·유전자 수준에서 높은 성능을 기록했다고 설명한다.
이는 연구팀이 설정한 데이터셋과 평가 환경에서 얻은 결과이며, 모든 생물종에서 동일한 정확도를 보장하거나 외부 기관의 완전한 독립 검증을 마쳤다는 의미는 아니다.
일반적인 학습 분포를 벗어난 생물에서도 성능을 시험했다.
예를 들어 Tetrahymena thermophila라는 원생생물은 일반적인 생물과 다른 유전암호를 사용한다. 보통 번역 종료 신호로 사용되는 코돈 일부가 이 생물에서는 아미노산을 지정한다.
Carbon-A는 이런 예외적인 생물에서 별도의 종 특화 모델 없이 염기 단위 F1 0.960을 기록했다.
AI 모델이 단순히 익숙한 생물의 유전자 패턴을 외우는 것이 아니라, 서로 다른 생물 사이에서 공통적으로 나타나는 DNA 구조의 특징을 학습했을 가능성을 보여주는 결과다.
연구팀은 실제 실험을 통한 검증도 진행했다.
PacBio Iso-Seq라는 기술을 이용해 고양이, 시리아햄스터, 닭, 애기장대에서 실제 RNA 분자의 구조를 확인했다.
이 실험에서는 기존 RefSeq 유전체 주석에 존재하지 않았지만 Carbon-A가 예측한 일부 영역에서 실제 RNA가 만들어진다는 증거가 확인됐다.
그러나 여기에도 중요한 구분이 있다.
RNA가 만들어졌다는 사실은 해당 DNA 영역이 전사된다는 증거이지만, 그 RNA가 실제로 단백질로 번역되는지, 만들어진 단백질이 어떤 기능을 하는지까지 입증하지는 않는다.
연구팀은 향후 리보솜 분석과 질량분석 등을 이용해 이 과정을 추가로 검증할 계획이다.
이번에 공개된 Carbon Annotation Database에는 총 4만8,167개 유전체 조립본, 약 27조 개 염기쌍, 5억6,600만 개의 예측된 단백질 코딩 영역이 포함됐다.
각 예측 결과에는 유전체상의 위치, DNA 서열, 예측 단백질 서열과 신뢰도 점수가 연결된다.
연구자는 이미 계산된 결과를 검색하거나 모델 가중치를 직접 내려받아 새로운 생물의 DNA를 분석할 수 있다.
이번 연구는 AI가 생물학을 발전시키는 방식이 단순히 새로운 단백질을 생성하는 것에 한정되지 않음을 보여준다.
이미 공개된 유전체 데이터에는 아직 충분히 해석하지 못한 정보가 대량으로 존재한다.
Carbon-A처럼 여러 생물종에 적용할 수 있는 모델이 발전하면 기존 데이터를 다시 분석해 새로운 연구 가설과 실험 대상을 찾아내는 작업 자체가 훨씬 빠르게 진행될 수 있다.
2️⃣ AI 제품·서비스
Google, 업무 전체를 수행하는 통합 ‘Gemini Agent’ 공개…AI에게 독립적인 직원 계정까지 부여
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: Google Workspace, Gemini Enterprise, 기업용 AI 에이전트, 멀티에이전트 시스템, 코딩, 데이터 분석, 업무 자동화
- 원문: Google Cloud — Welcome to Gemini at Work 2026: Introducing the Gemini agent
Google Cloud가 Gemini at Work 2026 행사에서 기업 업무를 위한 새로운 통합 에이전트 Gemini Agent를 공개했다.
기존 Gemini 제품은 사용 환경에 따라 여러 기능으로 나뉘어 있었다.
사용자는 문서를 요약하기 위해 Gemini를 사용하고, 코드를 작성할 때는 별도의 코딩 에이전트를 실행하며, Gmail이나 Google Sheets에서는 각각의 AI 기능을 사용하는 방식이었다.
새로운 Gemini Agent는 이런 기능을 하나의 지속적인 업무 에이전트로 통합하려는 제품이다.
단순한 질문에 답하는 것부터 문서 작성, 이미지 생성, 코드 개발, 데이터 분석과 여러 애플리케이션에 걸친 업무 실행까지 하나의 인터페이스에서 처리하도록 설계됐다.
Google은 사용자가 작업 절차를 하나씩 설명하는 대신 최종적으로 원하는 결과를 맡기는 방식을 강조한다.
예를 들어 새로운 제품의 시장 조사를 맡기면 관련 자료를 검색하고, 내부 문서를 확인하고, Google Sheets에서 분석한 뒤, 발표용 Google Slides 문서까지 만드는 흐름을 수행할 수 있다.
또는 여러 프로젝트 담당자의 일정을 확인해 회의를 조율하고 관련 자료를 준비하는 작업을 맡길 수도 있다.
이번 시스템에서 중요한 특징은 에이전트가 여러 애플리케이션을 이동하더라도 작업 상태와 기억을 유지한다는 점이다.
Gemini Agent는 클라우드에서 실행되며 웹, 모바일, Windows와 macOS, 명령줄, Google Workspace, Microsoft 365, Slack 등 다양한 환경에서 접근할 수 있도록 설계됐다.
수십 분에서 며칠까지 걸리는 작업도 사용자가 노트북을 닫았다는 이유로 중단되지 않는다.
작업을 수행하는 과정에서는 네 종류의 기억을 사용한다.
Session Memory는 현재 작업에서 어떤 단계까지 진행했는지 기록한다.
Semantic Memory는 읽은 문서와 조직의 정보에서 추출한 사실과 관계를 구조화한다.
Procedural Memory는 업무를 수행하는 방법과 반복 가능한 실행 절차를 저장한다.
마지막 Episodic Memory는 이전에 수행했던 작업과 그 결과를 기록한다.
기존 대화형 AI가 대화 내용을 저장하는 수준이었다면, 이번 구조는 조직의 지식, 업무 방법과 과거 실행 경험을 서로 다른 형태로 관리한다는 차이가 있다.
Google은 이를 직원이 회사에 입사해 동료와 업무 방식을 익히는 과정에 비유한다.
또 다른 특징은 Coworker Agent다.
개인이 사용하는 보조 에이전트뿐 아니라 팀 전체가 함께 사용하는 AI 에이전트를 만들 수 있다.
예를 들어 마케팅팀이 행사 운영 담당 에이전트를 생성하면 해당 에이전트에는 독립적인 회사 이메일 주소, 캘린더, Google Drive와 조직 내 계정이 부여된다.
다른 직원들은 해당 에이전트를 Google Chat에 초대하거나 문서 댓글에서 멘션해 작업을 요청할 수 있다.
에이전트가 문서를 수정하면 사람의 계정이 아니라 에이전트 자신의 이름으로 수정 이력이 남는다.
이 구조는 여러 직원이 하나의 AI 도구를 사용할 때 중요한 권한 문제를 해결하려는 접근이다.
일반적인 개인용 에이전트는 사용자의 계정과 권한을 그대로 사용하기 쉽다.
하지만 팀 전체를 위해 일하는 에이전트가 특정 직원의 모든 접근권한을 물려받으면, 해당 직원만 볼 수 있는 자료까지 다른 사람에게 전달할 위험이 있다.
Google의 Coworker Agent는 별도의 신원을 가지며 팀이 명시적으로 공유한 자료와 권한을 기준으로 동작하도록 설계됐다.
모델 선택도 에이전트와 분리했다.
Gemini Agent는 Google의 Gemini 모델만 사용하는 구조가 아니라, Anthropic의 Claude 모델까지 작업에 따라 선택할 수 있는 멀티모델 시스템이다.
향후 다른 공개·비공개 모델도 지원할 계획이다.
간단한 분류나 정보 추출에는 비용이 낮은 모델을 사용하고, 복잡한 추론에는 더 강한 모델을 사용하는 Smart Routing을 적용한다.
이는 에이전트를 하나의 특정 모델에 고정하지 않고, 모델을 교체하더라도 업무 데이터와 기억, 도구 연결을 유지할 수 있도록 하는 설계다.
데이터 분석 기능도 확대됐다.
데이터 엔지니어는 자연어로 원하는 작업을 설명하고 PySpark 코드, 분석용 Notebook, 모델 학습 및 데이터 파이프라인 수정 작업을 생성하도록 요청할 수 있다.
일반 업무 담당자는 BigQuery와 Knowledge Catalog에 연결된 데이터를 자연어로 분석해 정기 보고서를 만들 수 있다.
여기서 Knowledge Catalog는 회사가 사용하는 데이터의 의미와 관계를 정의하는 계층이다.
예를 들어 매출과 순이익률 같은 지표를 부서마다 다른 방식으로 계산하지 않도록 동일한 비즈니스 정의를 제공한다.
Gemini가 이런 정의를 바탕으로 SQL을 생성하면 서로 다른 데이터 소스를 분석하더라도 결과의 일관성을 높일 수 있다.
기업 보안 기능에는 Agent Sandbox와 Agent Gateway가 포함된다.
Agent Sandbox는 에이전트가 코드를 실행하는 환경을 격리하고, Agent Gateway는 에이전트 사이와 외부 시스템으로 이동하는 네트워크 요청에 조직의 보안 정책을 적용한다.
모든 에이전트에 고유한 신원이 부여되고, 도구 호출과 실행 결과는 감사 로그에 기록된다.
예를 들어 회사가 특정 기밀 등급의 문서를 에이전트가 열지 못하도록 정책을 만들면 개별 에이전트마다 같은 규칙을 반복 설정하지 않고 공통 정책을 적용할 수 있다.
제공 범위는 구분할 필요가 있다.
새 통합 Gemini Agent의 전체 경험은 초기 기업 고객을 대상으로 제한적으로 제공되는 단계다. 모든 Google Workspace 사용자가 발표된 기능을 즉시 사용할 수 있는 것은 아니다.
금융·법률 분야의 전문 Gemini 기능도 프리뷰 단계이며, 정부·의료·유통 분야는 향후 제공할 계획이다.
이번 발표는 기업용 AI가 개별 애플리케이션에 붙어 있는 기능에서 조직의 정식 구성원처럼 신원과 권한을 가지고 여러 시스템에서 업무를 수행하는 실행 주체로 발전하려는 방향을 보여준다.
Amazon, Alexa+ 중심의 새로운 태블릿 제품군 공개…현재 화면을 이해하고 앱을 넘나드는 AI 기능 통합
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: 소비자용 생성형 AI, 멀티모달 AI, Alexa+, Android, 스마트홈, 온스크린 AI
- 원문: Amazon — Introducing all-new Amazon Alexa Tablets
Amazon이 생성형 AI 비서 Alexa+ 를 중심으로 설계한 새로운 태블릿 제품군을 발표했다.
이번 제품군은 Alexa Tablet 12 Pro, Alexa Tablet 11, Alexa Tablet 8 세 종류로 구성된다.
기존 Amazon의 Fire 태블릿과 달리 새로운 제품은 Android와 Google Play Store를 기본 지원한다.
Google Play의 다양한 애플리케이션을 사용할 수 있도록 하면서 Alexa+를 운영체제 경험의 중심에 배치한 것이다.
가장 중요한 기능은 On-Screen Intelligence다.
기존 음성 비서는 사용자가 보고 있는 화면의 내용을 별도로 설명해야 하는 경우가 많았다.
예를 들어 여행 정보를 읽다가 음성 비서에게 질문하려면 어떤 페이지를 보고 있고 어떤 일정에 대해 묻는지 직접 설명해야 했다.
새 Alexa Tablet에서는 사용자가 명시적으로 허용하면 Alexa+가 현재 화면에 표시된 내용을 직접 참고할 수 있다.
예를 들어 여러 등산 코스를 비교하는 웹페이지를 열고 어떤 코스가 적합한지 물으면, Alexa+가 화면에 있는 경로와 조건을 읽고 사용자의 선호에 맞춰 설명한다.
스포츠 경기 일정이 표시된 페이지에서는 경기 날짜를 추출해 캘린더에 등록하고 기존 일정과 충돌하는지 확인할 수 있다.
사용자가 웹페이지나 애플리케이션을 이동하는 동안 화면 공유를 유지하면 Alexa+가 변경된 화면도 대화의 맥락으로 사용할 수 있다.
Live Session도 제공된다.
한 번 음성 대화를 시작하면 매 질문마다 호출어를 반복하지 않고 연속해서 대화할 수 있다.
기존에는 음성 비서가 하나의 명령을 처리하고 대화를 종료하는 경우가 많았다면, 새로운 경험은 사용자가 작업을 진행하면서 계속 질문하고 다음 행동을 요청하는 형태에 가깝다.
이 기능은 이미지와 화면을 이해하는 멀티모달 AI와 대화 상태를 유지하는 시스템이 함께 작동해야 가능하다.
멀티모달 AI는 텍스트뿐 아니라 이미지, 음성, 영상처럼 서로 다른 형태의 정보를 함께 처리하는 인공지능을 의미한다.
화면 접근에 대한 개인정보 보호 설정도 제공된다.
Amazon에 따르면 On-Screen Intelligence는 기본적으로 꺼져 있으며 사용자가 직접 활성화해야 한다.
Alexa가 화면을 볼 수 있는 상태에서는 시각적인 표시가 나타나고 설정에서 언제든 기능을 끌 수 있다.
하드웨어는 12 Pro에 12인치 120Hz 디스플레이와 최대 16GB 메모리를 제공하며, 11과 8 모델은 각각 11인치와 8.7인치 화면을 사용한다.
미국 출시 가격은 12 Pro 499.99달러부터, Tablet 11은 329.99달러부터, Tablet 8은 229.99달러부터다.
미국·캐나다·멕시코에서는 10월 8일부터 구매할 수 있으며 10월 14일 배송이 시작된다. 영국·독일·프랑스·이탈리아·스페인에서는 10월 19일부터 배송될 예정이다.
이번 제품은 단순히 기존 태블릿에 챗봇 애플리케이션을 설치하는 것과 다르다.
운영체제와 AI 비서가 화면 상태를 공유하고, 사용자가 별도로 앱을 이동하지 않아도 정보를 이해하거나 다음 행동을 수행할 수 있도록 설계했다.
생성형 AI가 별도로 실행하는 앱에서 벗어나 기기를 사용하는 모든 순간에 접근할 수 있는 상시 인터페이스로 통합되고 있다는 흐름을 보여주는 사례다.
3️⃣ 개발 도구·에이전트
AWS, AI 에이전트가 다른 AI 모델의 사용료를 직접 결제하는 실제 운영 사례 공개
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: AI 에이전트, AgentCore, API 과금, x402, 에이전트 결제, 멀티모델 라우팅
- 원문: AWS — Pay-per-inference for AI agents: How BlockRun and Incarna use Amazon Bedrock AgentCore payments
AWS가 AI 에이전트가 다른 AI 모델을 호출하면서 API 이용료를 요청 단위로 직접 결제하는 실제 운영 사례를 공개했다.
이번 발표는 Amazon Bedrock AgentCore Payments라는 제품을 처음 출시한 것이 아니라, 이미 제공되는 결제 인프라를 BlockRun과 Incarna라는 두 서비스가 실제로 연결해 운영한 결과를 소개한 것이다.
현재 AI 에이전트가 외부 도구를 사용하는 방식에는 여전히 사람이 먼저 처리해야 하는 단계가 많다.
특정 AI 모델을 사용하려면 개발자가 해당 서비스에 가입하고 API 키를 발급받은 뒤 사용량에 따른 요금 청구를 설정해야 하는 경우가 일반적이다.
하지만 에이전트가 스스로 작업을 수행하면서 필요에 따라 서로 다른 모델과 도구를 선택하는 상황에서는 이런 구조가 제약이 된다.
예를 들어 문서 분석에는 저렴한 모델을 사용하다가 복잡한 코딩 문제를 만나면 더 강한 모델을 호출하고 싶을 수 있다.
에이전트가 매번 사람에게 새로운 API 계정을 만들어달라고 요청해야 한다면 완전한 자동화가 어렵다.
AWS가 공개한 사례에서는 세 구성요소가 이 문제를 해결한다.
Incarna는 에이전트에 지속적인 신원과 디지털 지갑을 제공한다.
BlockRun은 여러 AI 모델 제공업체의 추론 기능을 하나의 API로 연결하고 요청마다 가격을 계산한다.
Amazon Bedrock AgentCore Payments는 에이전트가 결제할 수 있는 권한과 금액을 관리한다.
핵심 프로토콜은 x402다.
x402는 HTTP의 402 Payment Required 응답을 이용해 소프트웨어가 요청 시점에 서비스 사용료를 지불하도록 만드는 결제 방식이다.
에이전트가 BlockRun에 모델 추론을 요청하면 BlockRun은 먼저 필요한 금액과 결제 조건을 반환한다.
에이전트는 AgentCore Payments를 통해 해당 금액을 승인하고 결제에 필요한 암호학적 서명을 생성한다.
BlockRun이 이를 확인하면 모델 추론을 실행하고 결과를 반환한다.
이 과정에서 사용자는 개별 모델 제공업체마다 별도의 API 키나 결제 계약을 만들 필요가 없다.
AWS는 exact와 upto 두 종류의 x402 결제 방식을 지원한다고 설명한다.
Exact는 서비스 가격이 호출 전에 확정되는 경우에 사용한다.
Upto는 실제 사용량에 따라 요금이 달라지는 경우에 사용한다.
예를 들어 모델이 몇 개의 출력 토큰을 생성할지 미리 알 수 없다면 에이전트는 최대 결제 가능 금액을 승인하고, 실제 추론이 끝난 뒤 해당 한도 안에서 사용한 만큼 결제할 수 있다.
더 중요한 부분은 지출 한도를 AI 모델의 프롬프트 밖에서 강제한다는 점이다.
단순히 모델에게 “10달러 이상 쓰지 마”라고 지시하면 모델이 실수하거나 악성 지시의 영향을 받아 이를 지키지 못할 수 있다.
AgentCore Payments는 결제 세션에 별도의 한도를 설정하고 실제 결제 시스템에서 이를 검사한다.
모델이 잘못된 금액을 요청하더라도 사용자가 승인한 한도를 넘어 결제할 수 없도록 하는 것이다.
인증정보도 모델이 직접 보유하지 않는다.
사용자가 소유한 지갑에 필요한 권한을 위임하고, 결제 시스템이 정해진 정책 안에서 거래에 서명한다.
이번 사례에서 결제는 Base 네트워크의 USDC를 이용해 처리됐다.
Incarna가 공개한 베타 운영 결과에 따르면 에이전트들은 1,000건 이상의 실제 결제를 처리했다.
결제 금액은 호출당 약 0.001~0.05달러였으며 각 요청을 개별적으로 정산했다.
또한 Incarna는 처음에 2~3개월 정도로 예상했던 결제 통합 작업을 약 200줄의 애플리케이션 코드와 3일간의 구현·테스트로 완료했다고 설명한다.
이 결과는 AWS와 참여 업체가 공개한 사례이며 다른 서비스에서도 동일한 개발 시간이나 비용 절감이 보장된다는 의미는 아니다.
에이전트가 외부 도구를 사용하기 시작하면서 앞으로 중요한 문제는 단순히 “어떤 API를 호출할 수 있는가” 에 머무르지 않을 가능성이 크다.
어떤 서비스를 구매할 권한이 있는지, 누가 비용을 부담하는지, 결제 결과를 어떻게 추적하고 사용량을 어디까지 제한할 수 있는지가 에이전트 인프라의 기본 기능으로 들어가고 있다.
이번 사례는 AI 에이전트가 외부 서비스를 호출하는 주체에서 정해진 예산 안에서 서비스를 직접 구매하는 주체로 확대되고 있음을 실제 운영 기록으로 보여준다.
🖥️ AI 인프라·반도체
Upscale, 여러 종류의 AI 가속기를 하나의 클러스터로 연결하는 ‘Token Fabric’ 발표
- 발표 시각: 2026-10-08 21:30 KST
- 적용 범위: AI 데이터센터, GPU 네트워킹, AI 반도체, Ethernet, 대규모 모델 학습·추론 인프라
- 원문: Upscale — Introducing Token Fabric, a Standards-Based Networking Portfolio for AI Factories
AI 네트워킹 기업 Upscale이 데이터센터의 여러 AI 가속기를 하나의 시스템처럼 연결하기 위한 Token Fabric을 발표했다.
대규모 AI 모델을 학습하거나 추론할 때는 GPU의 개별 연산 성능만큼 GPU와 다른 연산 장치 사이에서 데이터를 얼마나 빠르게 이동시킬 수 있는가가 중요하다.
특히 모델이 커지면 하나의 GPU 메모리에 모든 가중치를 담기 어렵기 때문에 모델을 여러 장치에 분산한다.
이때 각 장치가 계산 결과를 주고받는 시간이 길어지면 GPU 자체가 아무리 빨라도 실제 처리 속도가 떨어진다.
최근 데이터센터에서 AI 학습과 추론에 특화된 고속 네트워크가 중요해진 이유다.
AI 네트워크는 크게 두 종류의 연결을 필요로 한다.
Scale-up 네트워크는 같은 서버나 랙, 밀접하게 연결된 가속기 집합 안에서 여러 GPU를 매우 빠르게 연결하는 데 초점을 둔다.
반면 Scale-out 네트워크는 여러 서버와 랙을 데이터센터 전체로 확장해 연결한다.
Scale-up에서는 지연시간과 메모리 수준의 데이터 교환이 특히 중요하고, scale-out에서는 수많은 노드 사이의 통신 효율과 관리가 중요하다.
기존에는 이 두 계층에서 서로 다른 네트워크 장비와 운영 소프트웨어를 사용하는 경우가 많았다.
Upscale은 이를 하나의 네트워크 아키텍처와 관리 시스템으로 연결하려 한다.
Token Fabric은 크게 세 부분으로 구성된다.
첫 번째는 자체 개발한 SkyFabriX다.
SkyFabriX는 같은 랙이나 가속기 집합 안의 GPU를 연결하기 위한 scale-up 스위치 반도체다.
Upscale이 제시한 처리 용량은 115.2Tbps다.
ESUN, UALoE, SUE-T 같은 개방형 통신 규격과 표준 Ethernet/IP를 지원하도록 설계됐으며, 향후 UALink 지원도 계획하고 있다.
두 번째는 NVIDIA Spectrum-X 기반 scale-out 스위치 시스템이다.
여러 서버와 랙 사이를 연결하는 역할을 하며 400G와 800G 네트워크를 중심으로 구성되고 향후 1.6T까지 확장하는 로드맵을 제시했다.
세 번째는 네트워크 소프트웨어다.
SkyOS는 scale-up과 scale-out을 공통으로 관리하는 네트워크 운영체제다.
SkyCMD는 전체 네트워크 장비를 설정하고 상태를 관찰하며 문제를 분석하는 오케스트레이션 시스템이다.
Orchestration(오케스트레이션) 은 여러 장치나 서비스를 하나의 작업 흐름으로 조정하고 관리하는 기능을 의미한다.
Token Fabric이 강조하는 또 다른 특징은 Heterogeneous AI Compute, 즉 서로 다른 종류의 AI 연산 장치를 함께 사용한다는 것이다.
현재 AI 데이터센터에는 NVIDIA GPU뿐 아니라 AMD GPU, 기업이 자체 설계한 AI 가속기와 다양한 특수 목적 반도체가 사용되고 있다.
이런 장치들이 서로 다른 통신 규격과 운영 소프트웨어에 묶여 있으면 하나의 대규모 AI 시스템으로 통합하기가 어려울 수 있다.
Upscale은 개방형 표준을 통해 GPU와 XPU를 연결하면서도 네트워크 전체를 하나의 관리 계층에서 운영하도록 설계했다고 설명한다.
다만 이번 발표는 완성된 시스템의 대규모 상용 배포 결과가 아니다.
Upscale은 현재 고객과의 초기 접근 및 공동 검증 프로그램을 진행하고 있으며 정식 공급은 2027년 초를 목표로 하고 있다.
115.2Tbps라는 수치는 스위치 반도체의 설계상 처리 용량이며, 실제 대규모 AI 모델의 학습 속도가 해당 수치만큼 개선된다는 의미는 아니다.
또한 이번 발표에서 제시한 네트워크 성능과 운영상 이점은 Upscale의 제품 설명과 로드맵을 기반으로 하며 독립적인 대규모 실사용 검증 결과는 제한적이다.
최근 AI 반도체 경쟁에서는 개별 GPU의 FLOPS뿐 아니라 여러 가속기를 연결한 시스템 전체가 얼마나 효율적으로 동작하는지가 중요해지고 있다.
FLOPS는 초당 수행할 수 있는 부동소수점 연산량을 뜻한다.
Token Fabric은 AI 데이터센터의 성능을 계산 장치 하나가 아니라 가속기, 네트워크, 운영체제와 관리 소프트웨어가 결합된 전체 시스템의 효율로 평가하려는 흐름을 보여준다.
4️⃣ 산업·정책·안전
OpenAI, 러시아·이란의 AI 활용 영향력 공작 적발…가짜 연구기관과 언론인 신원으로 정보 유통
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: AI 안전, 허위정보, 정보 조작, 정치적 영향력 공작, 플랫폼 보안, 모델 악용 대응
- 원문: OpenAI — Disrupting AI-enabled “false front” operations
OpenAI가 자사 모델을 이용해 허위 신원과 위장 조직을 운영한 두 건의 영향력 공작을 조사하고 관련 계정을 차단했다고 발표했다.
조사 대상은 러시아와 연관된 Dark Clark, 이란과 연관된 Bogus Bylines다.
두 사례에서 공통적으로 나타난 방식은 AI가 생성한 내용을 가짜 계정에 직접 게시하는 단순한 스팸 형태가 아니었다.
대신 정상적인 연구기관이나 언론인처럼 보이는 중간 조직과 인물의 신원을 만들어 정보를 유통하려는 방식을 사용했다.
이처럼 실제 메시지의 생산 주체를 숨기고 신뢰할 수 있어 보이는 다른 출처를 통해 정보를 전달하는 방식을 False Front Operation(위장 조직을 이용한 영향력 공작) 이라고 한다.
러시아 관련 활동인 Dark Clark에서는 라틴아메리카의 연구기관처럼 보이는 Social Research Center가 주요 수단으로 활용됐다.
OpenAI가 확인한 내부 기록에 따르면 공작 운영자들은 이 조직의 채용과 인력 운영, 연구 계획에 상당한 영향력을 행사하고 있었다.
또한 Mia Clark라는 가상의 인물을 만들어 조직의 소셜미디어 활동과 현지 인력 관리를 담당하도록 했다.
여기서 중요한 부분은 실제 연구 작업을 수행한 일부 현지 인력이 자신이 러시아 측 영향력 공작에 참여하고 있다는 사실을 모르고 있었을 가능성이다.
OpenAI는 이 조직이 라틴아메리카에서 실제 전문가 인터뷰와 연구 작업을 수행했고, 웹사이트에는 60편이 넘는 글이 게시된 것을 확인했다고 설명한다.
모든 콘텐츠가 AI가 생성한 가짜 자료였던 것은 아니다.
오히려 실제 연구와 정상적인 업무를 섞어 조직의 신뢰성을 높이면서 정치적 메시지를 유통하려는 구조에 가까웠다.
공작 운영자들은 가짜 유출 문서나 음성 콘텐츠의 대본도 제작했으며 일부 자료는 온라인에서 재유포된 것으로 확인됐다.
다만 운영자들이 내부 보고서에서 주장한 성과가 실제로 모두 발생한 것은 아니다.
OpenAI는 기존에 이미 널리 알려진 정치적 주장이나 다른 원인으로 발생한 언론 보도를 공작의 성과처럼 과장한 사례도 발견했다고 밝혔다.
이란 관련 Bogus Bylines는 다른 방식을 사용했다.
운영자들은 일곱 명의 가짜 언론인 신원을 만들어 여러 국가의 소규모 온라인 언론사에 기사를 투고했다.
기사는 주로 미국과 이란 사이의 분쟁 등 국제정치적 주제를 다뤘다.
이와 함께 소셜미디어에 게시할 댓글을 대량으로 생성하고, 활동 성과를 설명하는 내부 보고서도 작성했다.
OpenAI에 따르면 두 공작 모두 AI를 사용했지만 실제 활동에는 기존의 조직 운영, 인력 관리, 콘텐츠 배포와 여론 조작 기법이 상당 부분 포함됐다.
특히 러시아 관련 활동에서 가장 빈번했던 모델 사용 방식은 외부에 게시할 허위정보를 직접 작성하는 것보다 내부 업무 보고서를 작성하는 것이었다.
즉 생성형 AI가 공작의 모든 과정을 새로 만들어낸 것이 아니라 기존 방식의 일부를 빠르고 저렴하게 처리하는 도구로 사용됐다는 설명이다.
이 차이는 AI 기반 영향력 공작을 이해할 때 중요하다.
가짜 계정을 자동 생성하거나 콘텐츠를 대량으로 게시하는 활동은 비교적 쉽게 탐지할 수 있지만, 실제 사람과 단체를 이용해 신뢰할 만한 출처처럼 꾸미는 활동은 발견하기가 더 어렵다.
특히 정상적인 기사나 연구 자료와 조작 목적의 메시지가 같은 채널에 섞여 있으면, 최종 독자는 콘텐츠의 실제 생산 주체를 판단하기 어려울 수 있다.
OpenAI는 관련 ChatGPT 계정을 차단하고 관찰한 활동과 기술적 특징을 공개했다.
다만 이 보고서는 OpenAI의 자체 조사에 기반한 것이며, 관련 활동의 전체 범위와 사회적 효과가 독립적으로 모두 확인된 것은 아니다.
이번 사례는 AI가 허위정보 문제에 미치는 영향이 단순히 그럴듯한 글을 대량 생성하는 능력에 그치지 않음을 보여준다.
AI는 가짜 조직을 운영하고, 내부 보고서를 만들고, 여러 언어의 콘텐츠와 업무를 조정하는 과정까지 지원할 수 있다.
따라서 실제 대응에서도 모델이 만든 개별 문장을 식별하는 것뿐 아니라 콘텐츠를 유통하는 조직과 신원의 진위, 자금과 운영 관계를 추적하는 일이 중요해지고 있다.
Anthropic, Claude 이용 정책 개정…기만적 선거 활동·감시·물리적 행동을 구체적으로 규정
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: Claude, AI 안전 정책, 선거·정치 콘텐츠, 감시 기술, 자율 에이전트, 의료·금융 AI
- 원문: Anthropic — 2026 Usage Policy update
Anthropic이 Claude의 새로운 Usage Policy(이용 정책) 를 발표했다.
개정된 정책은 2026년 11월 12일부터 적용된다.
Anthropic은 이번 개정의 대부분이 완전히 새로운 금지 규칙을 만드는 작업이 아니라, 기존 규칙을 더 명확하게 정리하고 Claude의 새로운 활용 방식에 적용하는 과정이라고 설명한다.
최근 Claude를 이용하는 작업이 단순한 질문과 답변에서 장시간 실행되는 에이전트, 컴퓨터 사용과 물리적 장치 제어까지 확대되면서 이전 정책의 표현만으로는 허용 범위를 판단하기 어려운 상황이 늘어났기 때문이다.
첫 번째 변화는 기만적 활동을 별도의 금지 영역으로 통합한 것이다.
새 정책에는 Do Not Engage in Deceptive Campaigns or Artificial Activity라는 항목이 추가됐다.
여기에는 허위 신원을 이용해 메시지의 실제 생산 주체를 숨기거나, 가짜 계정과 게시물로 특정 콘텐츠의 인기를 부풀리는 행동이 포함된다.
정치적 활동뿐 아니라 상업적인 여론 조작에도 같은 규칙이 적용된다.
예를 들어 기업이 실제 고객이 작성한 것처럼 보이는 가짜 후기를 조직적으로 게시하거나, 여러 계정을 운영해 특정 서비스에 대한 긍정적인 여론이 형성된 것처럼 꾸미는 행위도 문제가 될 수 있다.
선거 관련 정책도 수정됐다.
Anthropic은 선거 과정에서 유권자를 속이거나 투표를 방해하는 행위를 계속 금지한다.
후보자나 선거관리자를 사칭하거나 투표 방법에 관한 거짓 정보를 전달하는 행위, 투표 참여를 의도적으로 억제하려는 행위 등이 포함된다.
반면 기존에 존재했던 개인화된 선거·캠페인 대상 설정에 대한 일괄적인 금지는 제거했다.
이는 모든 정치적 타기팅을 허용한다는 의미는 아니다.
Anthropic은 정상적인 시민 참여 활동이나 선거 정보 제공에 AI를 사용할 수 있도록 제한 범위를 조정하되, 유권자 개인정보를 부적절하게 이용하거나 기만적인 메시지를 전달하는 행동은 계속 금지한다고 설명한다.
예를 들어 비영리단체가 유권자를 위해 여러 언어로 선거 안내문을 작성하거나, 선거관리기관이 투표용지 오류를 수정하는 방법을 안내하는 업무가 무조건 차단되지 않도록 하려는 것이다.
사이버·감시·무기 관련 규정도 구체화됐다.
Anthropic은 Claude를 이용한 무기 개발을 금지해 왔지만, 이제는 무기 자체뿐 아니라 무기를 작동시키는 소프트웨어와 구성요소도 해당 범위에 포함된다는 사실을 명확하게 적었다.
드론이나 자율 이동 장치에 무기를 장착하거나 이를 제어하는 시스템도 포함된다.
감시 기술에 대해서는 당사자의 동의 없이 사람을 추적하는 행동을 금지한다는 점을 구체적으로 설명했다.
실시간 카메라 분석뿐 아니라 이미 수집된 과거 데이터를 이용해 사람의 이동 경로나 활동을 추적하는 경우도 해당할 수 있다.
또한 Claude를 이용해 법 집행 과정에서 누구를 조사하거나 체포·기소해야 하는지 결정하거나 권고하도록 하는 행동도 금지한다.
다만 동의를 받은 사기 탐지나 정상적인 콘텐츠 관리, 저널리즘과 법률 연구 등은 허용될 수 있는 사례로 구분했다.
고위험 업무에 대한 인간 감독 요건도 다시 설명했다.
건강, 법적 권리, 재정, 생계 또는 필수 서비스 접근에 영향을 줄 수 있는 AI 활용에서는 적절한 자격과 권한을 가진 사람이 결과를 검토하고 필요하면 변경할 수 있어야 한다.
이런 구조를 Human-in-the-Loop(HITL, AI의 판단이나 실행 과정에 사람이 개입해 결과를 감독하는 방식) 라고 한다.
관련 결정의 영향을 받는 사람에게 AI가 사용됐다는 사실을 알려야 한다는 요구도 유지된다.
이번 정책에서는 물리적 장치를 제어하는 AI 에이전트를 위한 조건도 추가됐다.
Claude가 사람을 다치게 할 가능성이 있는 장비를 자율적으로 조작한다면, 적절한 작업자가 장비의 상태를 확인하고 필요한 경우 즉시 정지시킬 수 있어야 한다.
또한 Claude와의 연결이 끊어졌을 때 장비가 안전한 상태를 유지할 수 있도록 해야 한다.
이전에는 AI 안전 정책이 주로 모델의 응답 내용에 초점을 맞췄다면, 이제는 모델이 실제 물리적 행동을 수행했을 때 발생할 수 있는 위험까지 포함하고 있다는 변화다.
Anthropic은 모델에 대해 지속적이고 불필요한 학대나 잔혹한 행동을 반복하는 극단적인 사례도 새로운 금지 대상으로 추가했다.
다만 일반적인 사용자 불만, 모델의 오류를 지적하는 행동, 어두운 주제의 창작물, 모델 평가와 연구 활동에는 적용하지 않는다고 설명한다.
전체적으로 이번 개정은 Claude가 더 많은 업무에 직접 참여하면서 사용자의 요청을 그대로 수행하는 것과, 실제 사람·조직·장비에 영향을 주는 행동을 허용하는 것 사이의 경계를 세분화하는 작업에 가깝다.
특히 에이전트가 다른 시스템에 접근하거나 현실의 물리적 행동을 수행하는 환경에서는 모델의 답변 안전성뿐 아니라 사용자의 권한, 작업을 중단할 수 있는 통제 구조와 실행 결과에 대한 책임이 함께 중요해지고 있다.
미국 에너지부, AI 과학 연구 프로젝트 12개에 1억5,900만 달러 지원…핵융합·RNA·슈퍼컴퓨팅에 적용
- 발표일: 2026-10-08 — 정확한 게시 시각 미확인
- 적용 범위: AI for Science, 미국 과학기술 정책, 핵융합, RNA 구조, 과학 컴퓨팅, 반도체 설계, 연구 에이전트
- 원문: U.S. Department of Energy — New Genesis Mission Awards to Advance Super Intelligence for Science
미국 에너지부(DOE)가 국가 AI 과학 연구 프로그램인 Genesis Mission의 새로운 연구 프로젝트를 선정했다고 발표했다.
이번에는 12개의 Phase II 프로젝트에 총 1억5,900만 달러를 지원한다.
추가로 여섯 개의 Phase I 프로젝트도 선정됐다.
Genesis Mission은 2025년 11월 시작된 미국의 과학기술 연구 프로그램이다.
AI 모델, 국가 연구소의 슈퍼컴퓨터, 대규모 과학 데이터와 실제 실험 시설을 결합해 과학 연구 속도를 높이는 것을 목표로 한다.
이번 발표에서 미국 에너지부는 Super Intelligence for Science라는 표현을 사용했다.
여기서 Super Intelligence는 정부가 과학 연구 프로그램의 비전으로 사용하는 명칭이며, 인간 과학자의 능력을 전반적으로 뛰어넘는 AI가 이미 개발됐다는 의미는 아니다.
이번에 선정된 과제는 추상적인 AI 연구 계획보다 실제 과학 문제에 AI를 적용하는 구체적인 연구 시스템에 초점을 맞춘다.
대표적인 사례는 핵융합 장치의 디지털 트윈이다.
Commonwealth Fusion Systems가 주도하는 프로젝트는 SPARC 핵융합 실증 장치를 시뮬레이션하는 AI 기반 모델을 개발한다.
Digital Twin(디지털 트윈) 은 실제 장치나 공정의 상태와 행동을 컴퓨터 안에서 모사하는 가상 시스템이다.
핵융합 장치에서는 플라스마의 상태가 매우 복잡하고 실험 조건을 변경하는 비용도 높다.
AI 기반 디지털 트윈이 발전하면 실제 장비를 작동시키기 전에 다양한 운영 조건을 시뮬레이션하고, 어떤 조건이 더 안정적이거나 효율적인지 탐색할 수 있다.
UC San Diego는 RNA 구조 데이터베이스를 다섯 배 규모로 확장하는 프로젝트를 맡는다.
RNA는 단백질을 만드는 과정에서 정보를 전달하는 역할뿐 아니라 세포 안에서 다양한 생물학적 기능을 수행한다.
RNA가 어떤 3차원 구조를 형성하는지 이해하면 새로운 효소나 생명공학 기술을 개발하는 데 도움이 될 수 있다.
이번 연구는 AI 모델을 직접 만드는 것과 동시에 모델 학습에 필요한 구조 데이터를 확장한다는 점에서 의미가 있다.
MIT는 Lattice Quantum Chromodynamics(LQCD) 연구에 AI를 활용한다.
LQCD는 쿼크와 글루온의 상호작용을 계산해 물질의 기본 구조를 연구하는 방법이다.
계산량이 매우 크기 때문에 슈퍼컴퓨터가 사용되는데, AI를 이용해 계산 과정과 탐색 효율을 개선하려는 것이다.
UC Irvine은 MAESTRO라는 멀티에이전트 시스템을 개발한다.
이 시스템은 지하 깊은 곳의 지열 자원을 분석하고, 지하 저장층의 상태를 예측하며, 에너지 추출 과정을 최적화하는 것을 목표로 한다.
지열 에너지 개발에서는 지하의 복잡한 구조와 유체 이동을 정확하게 이해해야 하기 때문에 물리 모델과 데이터 분석이 함께 필요하다.
여러 전문 에이전트가 서로 다른 분석 작업을 수행하면서 하나의 의사결정을 지원하도록 하는 구조다.
University of Washington은 단백질의 서열과 구조를 함께 고려해 실제로 작동하는 효소를 설계하는 AI 도구를 개발한다.
Argonne National Laboratory는 과학 분야의 오래된 슈퍼컴퓨팅 프로그램을 AI로 분석하고 현대화하는 연구를 진행한다.
Fermilab은 높은 방사선이나 극저온 환경에서도 작동해야 하는 특수 반도체를 AI로 설계하는 프로젝트를 맡는다.
이 밖에도 입자 가속기 운영, 양자컴퓨터 오류 정정, 희토류 분리 공정과 새로운 양자 자성체 설계 등이 선정됐다.
이번 12개 프로젝트를 포함해 Genesis Mission의 Phase II 프로젝트는 총 14개가 됐다.
미국 에너지부는 프로그램의 첫해 전체 연구 포트폴리오가 297개 프로젝트 규모라고 설명한다.
다만 발표된 연구는 대부분 개발 또는 실증을 진행하는 단계다.
AI가 핵융합 발전을 이미 상용화했거나 새로운 효소의 성능을 검증했다는 의미로 해석해서는 안 된다.
이번 발표에서 중요한 부분은 AI 연구가 범용 모델을 개발하는 단계에 머무르지 않고 과학 분야별 실험 시설, 측정 데이터, 시뮬레이션 코드와 실제 연구 절차 안으로 들어가고 있다는 점이다.
특히 많은 과제에서 모델의 추론 능력만큼 과학 데이터를 확보하고, 물리적으로 검증하고, 기존 슈퍼컴퓨팅 시스템과 연결하는 작업이 핵심적인 연구 요소로 제시됐다.
📚 추천 글
Building Reliable Data Analytics Agents: Lessons from the KDD Cup
- 저자: Eduardo Rocha de Andrade, Jiwei Liu, Maximilian Jeblick, Raja Biswas, Isabel Hulseman
- 발행: NVIDIA Technical Blog
- 게시일: 2026-10-08
- 원문: NVIDIA — Building Reliable Data Analytics Agents: Lessons from the KDD Cup
AI 에이전트가 복잡한 데이터를 분석할 때 모델을 더 강력한 것으로 교체하지 않고도 성능과 안정성을 개선할 수 있는 방법을 실제 대회 사례로 설명하는 글이다.
NVIDIA의 KGMON 팀은 KDD Cup 2026 Data Agents 대회에서 2위를 기록했다.
이 대회에서는 AI 에이전트가 데이터베이스, CSV, JSON, PDF, 일반 문서와 영상 등 서로 다른 형식의 자료를 읽고 자연어 질문에 답해야 했다.
작업은 단순히 관련 문서를 검색하는 수준이 아니었다.
여러 데이터 소스의 관계를 이해하고, 필요한 도구를 선택하고, 데이터를 변환하고, 정확한 결과를 계산한 뒤 지정된 형식의 파일로 답을 제출해야 했다.
특히 대회에서는 작은 고정 모델을 사용해야 한다는 제약이 있었다.
따라서 참가자들은 모델 자체를 더 큰 제품으로 바꾸는 대신 모델을 둘러싼 실행 시스템을 개선해야 했다.
이 실행 시스템을 Harness(하네스) 라고 한다.
Harness는 모델이 어떤 도구를 사용할 수 있고, 어떤 순서로 데이터를 처리하며, 오류가 발생했을 때 어떻게 복구할지 등을 관리하는 코드와 규칙의 집합이다.
NVIDIA 팀은 처음부터 에이전트에게 모든 도구와 파일을 자유롭게 제공하지 않았다.
우선 데이터베이스와 CSV·JSON 자료를 가능한 한 하나의 SQLite 데이터베이스로 통합했다.
데이터 접근 방법이 여러 개로 나뉘면 에이전트가 어떤 도구를 사용할지 결정하는 과정부터 복잡해지기 때문이다.
데이터가 하나의 일관된 구조로 정리되면 모델은 파일 형식마다 다른 접근 방법을 기억할 필요 없이 SQL을 중심으로 분석할 수 있다.
도구도 소수로 제한했다.
에이전트에는 데이터 구조를 확인하는 schema(), SQL을 실행하는 sql(query), 최종 답변 파일을 작성하는 write_answer(df), 비정형 문서를 분석하는 prose_helper() 등을 제공했다.
모델에게 여러 범용 도구를 모두 노출하기보다 실제 과제에 필요한 몇 가지 행동만 정확하게 수행하도록 제한한 것이다.
데이터 분석을 시작하기 전에는 Schema Scouting이라는 사전 조사 단계도 실행했다.
이 단계에서는 어떤 테이블이 있고, 서로 연결하는 기준 키가 무엇이며, 어떤 열의 단위가 다르고, 중복된 데이터가 존재하는지 등을 미리 확인한다.
예를 들어 두 데이터셋을 결합할 때 서로 다른 의미의 열을 같은 이름이라는 이유로 연결하면 SQL이 정상적으로 실행돼도 결과가 틀릴 수 있다.
사전 조사 결과를 모델에게 제공하면 이런 오류를 줄일 수 있다.
PDF나 일반 문서에서는 다른 방식을 사용했다.
긴 문서 전체를 메인 에이전트의 컨텍스트에 넣지 않고, 먼저 키워드 검색이나 정규표현식으로 관련 부분을 추린다.
그 뒤 별도의 모델이 해당 부분에서 필요한 정보를 추출해 구조화된 결과로 반환한다.
이렇게 하면 메인 에이전트는 긴 자연어 문서를 직접 분석하는 대신 필요한 데이터만 작은 표 형태로 전달받아 계산할 수 있다.
오류를 분석하기 위한 시스템도 중요했다.
모든 실행 과정에서 사용한 프롬프트, 도구 호출, 중간 결과와 최종 답변을 기록했다.
이 기록을 다른 검사 에이전트가 분석해 SQL 오류, 잘못된 조인, 누락된 문서 규칙, 출력 형식 문제처럼 실패 유형을 분류했다.
개발팀은 이런 실패 기록을 바탕으로 도구와 전처리 과정을 계속 수정했다.
이 글의 가장 흥미로운 부분은 에이전트에게 가능한 한 많은 자유를 주는 것이 반드시 좋은 결과로 이어지지는 않는다는 점이다.
오히려 데이터 형식을 통일하고, 사용할 도구를 제한하고, 필요한 정보를 미리 준비하며, 실패 원인을 반복해서 검증하는 구조가 작은 모델의 성능을 크게 끌어올릴 수 있다.
에이전트의 품질이 모델 자체의 추론 능력뿐 아니라 주변 소프트웨어가 문제를 얼마나 잘 정리해 주는가에 달려 있다는 점을 구체적인 대회 운영 경험으로 이해하기 좋은 글이다.
Building trust in AI-powered support at Microsoft: Our Employee Self-Service agent story
- 저자: David Hirning
- 발행: Microsoft Inside Track
- 게시일: 2026-10-08
- 원문: Microsoft — Building trust in AI-powered support at Microsoft
AI 에이전트의 정확도를 높였는데도 사람들이 사용하지 않는다면 무엇을 바꿔야 하는지를 Microsoft의 실제 사내 서비스 운영 경험으로 설명하는 글이다.
Microsoft는 2025년 가을 30만 명 이상의 직원과 계약직 인력을 대상으로 Employee Self-Service Agent를 도입했다.
이 에이전트는 직원들이 IT 지원이나 내부 업무와 관련한 문제를 해결할 수 있도록 돕는 서비스다.
기존 방식에서는 직원이 도움말 문서를 검색하거나 지원 포털을 이용하고, 문제가 해결되지 않으면 담당자에게 티켓을 생성해야 했다.
새 에이전트는 이런 작업을 자연어 대화로 처리하도록 설계됐다.
처음 개발팀이 집중했던 것은 AI의 일반적인 기술 품질이었다.
답변이 정확한지, 응답이 빠른지, 문제 해결 절차를 올바르게 설명하는지 등을 개선했다.
그러나 실제 도입 이후 에이전트를 먼저 사용하는 직원의 비율이 기대만큼 높지 않았다.
Microsoft는 원인을 찾기 위해 외부 디자인 연구기업 Designit과 함께 인터뷰, 포커스그룹, 사용자 피드백 분석과 업무 흐름 조사를 진행했다.
연구 결과에서는 단순한 기술 정확도보다 사용자가 자신의 상황을 AI가 이해한다고 느끼는지가 중요한 요소로 나타났다.
예를 들어 직원이 컴퓨터 문제를 해결하기 위해 이미 여러 번 재부팅하고 도움말을 따라 했다고 가정해 보자.
그런데 AI 에이전트가 처음부터 다시 재부팅하라고 설명하면 내용 자체는 일반적인 문제 해결 절차에 맞더라도 사용자는 도움이 되지 않는다고 느낄 수 있다.
문제는 정답의 정확성보다 사용자가 이미 어떤 과정을 거쳤는지 이해하지 못했다는 점이다.
Microsoft는 이를 해결하기 위해 에이전트가 사용자의 이전 문제 해결 시도를 인정하고, 현재 상황을 확인한 뒤 다음 단계를 제안하도록 응답 구조를 개선했다.
AI가 확신할 수 없는 상황에서는 이를 명확하게 설명하고, 필요한 경우 사람 상담원에게 연결하는 방식도 강화했다.
여기서 중요한 것은 Human Handoff(사람에게 업무를 넘기는 과정) 다.
AI가 해결할 수 없는 문제에서 사용자를 계속 같은 질문으로 돌려보내면 사용자는 해당 시스템을 신뢰하지 않게 된다.
반대로 적절한 시점에 사람에게 연결하고 지금까지 진행한 내용을 유지한다면 AI가 모든 문제를 해결하지 못하더라도 전체 서비스 경험은 개선될 수 있다.
Microsoft는 이런 사용자 경험 개선 이후 직원들이 IT 지원을 시작할 때 에이전트를 먼저 선택하는 비율이 27%에서 50%로 증가했다고 밝혔다.
전체 IT 지원 티켓 생성량도 약 30% 감소했다.
이는 Microsoft 내부 운영에서 관찰된 결과다. 여러 서비스 개선과 사용자 행동 변화가 함께 영향을 미쳤을 수 있으므로 모든 감소분이 특정한 AI 기능 하나에서 발생했다고 단정해서는 안 된다.
이번 글은 AI 에이전트가 전통적인 소프트웨어와 다른 방식으로 평가된다는 점을 보여준다.
일반적인 검색창이나 대시보드에서는 사용자가 정해진 기능을 조작한다는 사실을 알고 있다.
하지만 AI 에이전트에서는 사용자가 자신의 상황을 설명하고 대화를 통해 문제를 해결하려 한다.
따라서 사용자는 단순히 빠른 답변만 기대하는 것이 아니라 내가 이미 한 행동을 기억하는지, 문제를 제대로 이해하는지, 해결하지 못할 때 다음 단계로 연결하는지까지 함께 판단한다.
AI 제품의 실제 도입률을 높이려면 모델 성능뿐 아니라 사용자의 전체 업무 흐름과 신뢰가 형성되는 과정을 함께 설계해야 한다는 점을 구체적인 사용성 연구와 운영 결과로 보여주는 글이다.
Share GPU clusters across teams with isolation and fairness using Amazon SageMaker HyperPod
- 저자: Giuseppe Angelo Porcelli, Mayank Gupta
- 발행: AWS Artificial Intelligence Blog
- 게시일: 2026-10-08
- 원문: AWS — Share GPU clusters across teams with isolation and fairness using Amazon SageMaker HyperPod
AI 모델을 개발하는 팀이 많아질수록 고가의 GPU 서버를 어떻게 공정하고 안전하게 나눠 사용할 것인가가 중요한 운영 문제가 된다.
이 글은 여러 팀이 하나의 GPU 클러스터를 공유하면서도 권한, 작업 실행 환경, GPU 자원과 비용을 분리하는 구조를 상세하게 설명한다.
예를 들어 한 회사에 세 팀이 있다고 가정해 보자.
첫 번째 팀은 대규모 언어모델을 학습하고, 두 번째 팀은 컴퓨터 비전 모델을 개발하며, 세 번째 팀은 실제 서비스의 AI 추론 시스템을 운영한다.
각 팀이 별도의 GPU 클러스터를 운영하면 시스템이 단순해질 수 있지만 비싼 GPU 자원이 사용되지 않은 채 남아 있을 가능성이 크다.
반대로 하나의 클러스터를 무조건 공유하면 특정 팀이 GPU를 모두 사용하거나 다른 팀의 데이터에 접근하는 문제가 발생할 수 있다.
AWS는 이를 해결하기 위한 Multi-Tenant Architecture(여러 조직이나 팀이 하나의 시스템을 공유하면서 논리적으로 구분된 환경을 사용하는 구조) 를 제시한다.
기반은 Amazon SageMaker HyperPod와 Kubernetes다.
Kubernetes는 여러 서버에 애플리케이션과 작업을 배치하고 실행 상태를 관리하는 플랫폼이다.
SageMaker HyperPod는 대규모 AI 모델 학습과 추론에 필요한 GPU 클러스터를 관리하는 AWS 서비스다.
글에서는 팀마다 별도의 Namespace를 만드는 구조를 사용한다.
Namespace는 Kubernetes 안에서 리소스를 논리적으로 구분하는 단위다.
예를 들어 A팀의 작업과 B팀의 작업을 서로 다른 Namespace에 배치하면 이름이 같은 서비스나 설정을 사용하더라도 충돌을 줄일 수 있다.
하지만 Namespace만 만들었다고 해서 완전한 보안 격리가 이뤄지는 것은 아니다.
팀 사이의 실제 데이터 접근과 네트워크 통신을 제한하려면 별도의 보안 규칙이 필요하다.
AWS는 사용자의 로그인과 조직 정보를 관리하기 위해 IAM Identity Center를 사용한다.
각 팀의 사용자는 자신의 권한으로 로그인하며, Kubernetes의 RBAC(Role-Based Access Control, 역할에 따라 작업 권한을 부여하는 방식) 가 실제 조작 가능한 자원을 제한한다.
네트워크에서는 NetworkPolicy를 사용해 팀 사이의 불필요한 통신을 막는다.
저장소도 팀별로 구분한다.
각 팀에는 Amazon FSx 기반의 별도 데이터 경로를 제공하고, 자신의 데이터와 모델 파일에만 접근하도록 정책을 설정한다.
자원 배분에서는 HyperPod Task Governance를 사용한다.
예를 들어 A팀이 평소 GPU 20개를 사용할 수 있고 B팀도 20개를 사용할 수 있도록 정책을 만들 수 있다.
어느 팀이 자원을 사용하지 않을 때는 다른 팀이 남는 GPU를 활용하도록 하되, 필요한 경우 원래 팀의 작업 우선순위가 보장되도록 구성할 수 있다.
이 과정에서 중요한 개념은 Fairness(공정한 자원 배분) 다.
단순히 먼저 실행한 작업이 모든 GPU를 차지하도록 두면 중요한 업무가 뒤로 밀릴 수 있다.
따라서 작업의 우선순위와 팀별 할당량을 관리해야 한다.
비용도 팀별로 분리한다.
하나의 GPU 클러스터를 여러 팀이 함께 사용하면 클라우드 청구서에는 비용이 합쳐져 나타나기 쉽다.
AWS는 Namespace와 자원 사용 정보를 연결하고 Kubecost 등을 이용해 어느 팀이 GPU 자원을 얼마나 사용했는지 계산하는 구조를 설명한다.
이런 방식은 부서별 비용을 정산하는 Chargeback이나 사용량을 보여주는 Showback에도 활용할 수 있다.
글에서는 한계도 명확하게 설명한다.
Kubernetes Namespace와 네트워크 정책은 일반적인 기업 내부 팀을 구분하는 데 유용하지만, 서로를 완전히 신뢰할 수 없는 조직 사이에서 강력한 보안 경계를 제공하는 수단으로는 충분하지 않을 수 있다.
규제상 강한 격리가 필요하거나 보안 수준이 크게 다른 작업이라면 별도의 노드나 클러스터를 사용하는 방식이 더 적절할 수 있다.
최근 AI 인프라는 모델 하나를 실행하기 위한 GPU 서버에서 여러 팀과 수많은 에이전트가 동시에 사용하는 공용 자원으로 변화하고 있다.
따라서 GPU의 개별 성능뿐 아니라 누가 자원을 사용할 수 있는지, 어느 정도까지 사용하도록 보장할지, 비용을 어떻게 나누고 데이터를 어떻게 보호할지를 함께 설계해야 한다.
이 글은 AI 인프라의 실제 운영 문제가 무엇인지 이해하는 데 좋은 자료다.
Agents that can pay: building Restock with Stripe's Link and Managed Deep Agents
- 저자: Srimanth Tangedipalli, Sydney Runkle, Nathan Drezner
- 발행: LangChain
- 게시일: 2026-10-08
- 원문: LangChain — Agents that can pay: building Restock with Stripe's Link and Managed Deep Agents
AI 에이전트가 상품을 검색하고 추천하는 수준을 넘어 사용자의 승인을 받아 실제 주문과 결제까지 완료하려면 어떤 시스템이 필요한지 구체적인 예제로 설명하는 글이다.
LangChain은 Stripe와 함께 Restock이라는 사무용품 구매 에이전트의 샘플 구현을 공개했다.
Restock은 Slack 안에서 실행된다.
사용자가 “사무실에 파란색 볼펜이 부족한데 25달러 이하로 12개들이 제품을 찾아줘”라고 요청하면 에이전트가 제품을 검색하고 장바구니를 만든다.
이후 사용자가 주문을 승인하면 결제 절차를 진행한다.
겉으로는 단순한 쇼핑 자동화처럼 보이지만 실제 결제를 수행하는 순간 여러 문제가 생긴다.
사용자는 에이전트에게 신용카드 번호를 보여주고 싶지 않을 수 있다.
에이전트가 잘못된 상품을 선택하거나 예산을 초과할 가능성도 있다.
또한 최종 가격은 상품 표시 가격과 다를 수 있다. 배송비와 세금이 추가되기 때문이다.
Restock은 이런 문제를 해결하기 위해 네 가지 시스템을 결합한다.
먼저 Managed Deep Agents는 에이전트를 실행하고 Slack과 연결하며 장기 작업의 상태를 관리한다.
상품 검색과 실제 주문에는 Zinc API를 사용한다.
결제 과정에는 Stripe Link가 사용된다.
마지막으로 서비스 간 결제 통신은 MPP(Machine Payments Protocol) 를 이용한다.
MPP는 프로그램이 HTTP 요청을 통해 결제 조건을 전달하고 결제 인증정보를 주고받도록 하는 규격이다.
판매자가 402 Payment Required 응답을 반환하면 구매자는 해당 결제 조건에 맞는 인증정보를 제공한 뒤 요청을 다시 실행한다.
이 구조에서는 AI 에이전트가 카드번호를 직접 입력하거나 보유할 필요가 없다.
결제 인증과 실제 자금 이동은 Stripe의 시스템이 담당한다.
사용자 승인 절차도 두 단계로 나뉜다.
첫 번째는 Slack에서의 구매 승인이다.
사용자는 에이전트가 선택한 상품과 장바구니를 확인한다.
두 번째는 Stripe Link에서의 결제 승인이다.
사용자가 승인한 최대 금액 안에서 결제가 진행되며 에이전트가 임의로 한도를 높일 수 없도록 설계됐다.
글에서 소개하는 예시에서는 최대 예산을 25달러로 설정한 뒤 실제 상품 가격과 비용을 포함해 22.18달러를 결제한다.
다만 글에서 사용한 상품 가격은 예시를 설명하기 위한 수치이며 항상 동일한 가격으로 구매할 수 있다는 의미는 아니다.
주문 과정에서는 처음 승인한 금액과 최종 결제 금액이 달라질 수 있다.
이를 처리하기 위해 Restock은 먼저 상한 금액을 승인하고 실제 주문 비용이 확정되면 차액을 반환받는 방식을 사용한다.
에이전트가 실행되는 환경에도 제한을 둔다.
결제 인증정보는 모델의 프롬프트에 직접 넣지 않고 별도로 관리하며, 필요한 작업만 수행할 수 있도록 격리된 실행 환경에서 명령을 처리한다.
사용자가 며칠 뒤 Slack에서 같은 주문에 대해 다시 질문할 수 있도록 주문 상태도 저장한다.
이런 구조는 단순한 챗봇보다 훨씬 많은 구성요소를 필요로 한다.
AI가 어떤 상품을 구매할지 판단하는 부분과 실제 결제 승인, 인증정보 보호, 예산 집행, 주문 결과 확인을 담당하는 부분을 명확하게 분리해야 하기 때문이다.
LangChain은 전체 구현을 샘플 코드로 공개했다.
현재 MPP 방식으로 주문할 수 있는 서비스가 제한적이고, 실제 예제의 결제 환경도 미국과 미국 달러를 중심으로 설계돼 있다는 제약이 있다.
그럼에도 이 사례는 AI 에이전트의 상거래 기능을 이해하는 데 유용하다.
특히 에이전트에게 결제 권한을 주는 것과 에이전트에게 신용카드나 무제한 지출 권한을 주는 것은 전혀 다른 일이라는 점을 실제 시스템 구조로 보여준다.
AI 에이전트가 앞으로 실제 상품과 서비스를 구매하는 주체로 사용되려면 모델의 판단 능력뿐 아니라 명시적인 사용자 승인, 독립적인 결제 시스템과 강제적인 예산 한도가 기본 인프라로 함께 제공돼야 한다는 점을 구체적으로 설명하는 글이다.