푸른강아지의 일상

AX(AI 전환)와 AI 네이티브, 무엇이 다르고 어떻게 적용할까?

푸른강아지 — Mon, 29 Jun 2026 11:00:04 +0900

AX(AI 전환)와 AI 네이티브, 무엇이 다르고 어떻게 적용할까?

2026년 현재, 기업 현장에서 가장 자주 등장하는 두 키워드는 AX(AI Transformation, AI 전환)와 AI 네이티브(AI Native)다. 많은 사람이 이 둘을 비슷하게 쓰지만, 개념의 방향성과 적용 범위가 완전히 다르다. 이 글에서는 AX와 AI 네이티브의 정의, 차이점, 그리고 실제 활용 방법을 종합적으로 정리한다.

한 줄 요약
AX는 기존 조직이 AI 중심으로 '전환'해가는 과정이고, AI 네이티브는 처음부터 AI를 핵심 엔진으로 '설계'된 상태다. AX는 여정(Journey), AI 네이티브는 목적지(Destination)에 가깝다.

1. AX(AI Transformation)란?

정의

AX는 AI Transformation의 약자로, 디지털 전환(DX)의 진화된 개념이다. DX가 기존 아날로그·수작업 업무를 디지털 시스템으로 전환하는 과정이라면, AX는 그 위에 AI를 얹어 데이터를 실시간 의사결정과 자동화에 활용하는 단계다. 조직의 프로세스, 의사결정 방식, 비즈니스 모델 전체를 AI 중심으로 재편하는 것을 의미한다.

DX vs AX 비교

구분	DX (디지털 전환)	AX (인공지능 전환)
핵심	디지털화	지능화
목적	효율성 향상	의사결정 자동화
데이터 역할	쌓고 저장	분석·예측·최적화
예시	종이→전자문서, 엑셀→CRM	AI가 문의 분류·영업 우선순위 추천·맞춤 제안 생성

AX의 핵심 원칙

업무 재설계 우선 — 기술 투자(20%)보다 업무 재설계(80%)가 더 중요하다. F1 팀처럼 '완전히 새로운 레이스'를 위해 프로세스를 설계해야 한다.
데이터 기반 의사결정 — CRM·ERP 등으로 쌓은 데이터를 AI가 분석해 실시간 의사결정, 예측 분석, 최적화된 운영을 가능하게 만든다.
소수 고영향 유스케이스부터 — 전사적 전환보다는 가장 큰 임팩트를 낼 수 있는 핵심 워크플로우 하나를 선정해 집중 투자한다.
조직 문화와 거버넌스 — 실패한 AI 이니셔티브의 60% 이상이 기술이 아닌 조직적·거버넌스 문제로 실패한다. 리더십의 AI 교육과 실험 문화가 필수다.

2. AI 네이티브(AI Native)란?

정의

AI 네이티브란 인공지능과 본질적으로 통합된 개인, 조직 또는 시스템을 의미한다. AI가 부차적이거나 선택적인 기능이 아니라, 운영·의사결정·사용자 경험을 가능하게 하는 핵심 엔진으로 설계된 상태다. IBM은 "AI가 장식적이지도, 선택적이지도 않은, 즉 AI가 경험 자체를 가능하게 하는 엔진인 것"이라고 정의했다.

스마트폰 전용 설계 앱이 '모바일 네이티브'인 것처럼, AI 네이티브 기업은 처음부터 AI를 중심에 두고 아키텍처, 의사결정, 사용자 경험, 시스템 라이프사이클을 설계한 조직이다.

AI 도입 기업 vs AI 네이티브 기업

구분	AI 도입 기업	AI 네이티브 기업
AI 역할	기존 프로세스 보조 도구	비즈니스 모델의 핵심 엔진
설계 방식	기존 시스템에 AI 추가	AI 중심으로 처음 설계
데이터 활용	운영 개선 용도	성장 동력·복리 자산
AI 제거 시	효율성 저하	제품·서비스 자체가 불가능

AI 네이티브 조직의 4가지 특징

1️⃣ AI 네이티브 마인드셋과 문화

AI를 단순 업무 도구가 아닌 문제 해결의 본질적 방식으로 인식한다. 모든 구성원이 매일 AI를 실험하고 학습하며, 실패를 용인하는 문화가 자리잡고 있다.

2️⃣ AI 지향 워크플로우와 시스템

모든 업무 프로세스가 자동화와 AI 에이전트를 중심으로 설계되어 있으며, 사람이 할 일과 AI가 할 일을 체계적으로 구분하는 기준이 마련되어 있다.

3️⃣ 컨텍스트 중심 정보 관리

업무 컨텍스트를 코드화해 Git과 같은 중앙 집중형 저장소에 관리한다. 누구나 컨텍스트를 파악·활용·업데이트할 수 있는 표준화된 체계가 핵심이다.

4️⃣ AI 오케스트레이터로서의 리더십

리더가 직접 업무를 수행하는 대신, AI 에이전트를 활용한 업무 흐름을 설계하고 관리한다. 창업자는 '일하는 사람'에서 '오케스트레이터'로 역할이 전환된다.

3. AX와 AI 네이티브의 결정적 차이

이 두 개념을 하나의 표로 정리하면 다음과 같다.

항목	AX (AI 전환)	AI 네이티브 (AI Native)
성격	변화의 과정 (Journey)	도달한 상태 (Destination)
대상	기존 조직·기업	처음 설계된 조직·제품·시스템
출발점	DX 이후, 레거시 존재	AI를 핵심으로 처음부터 설계
초점	프로세스 혁신·워크플로우 재설계	비즈니스 모델 자체가 AI 기반
난이도	높음 (조직 변화·거버넌스)	중간 (레거시가 없어 유리)
대표 사례	월마트·로레알의 AI 전환	OpenAI·Anthropic·Perplexity

가장 중요한 차이
AX는 '지금까지 해오던 일을 AI로 어떻게 더 잘할까?'에 대한 답이고, AI 네이티브는 'AI가 있다면 아예 새로운 무엇을 할 수 있을까?'에 대한 답이다. 전자는 개선(improve), 후자는 창조(create)에 가깝다.

4. AX, 어떻게 적용할까?

AX 실행 단계별 로드맵

비즈니스 성과 정의 — AI 전환으로 무엇을 달성할 것인지 명확히 한다. 매출 증대, 비용 절감, 고객 만족도 등 구체적인 KPI를 설정한다.
최대 가치 영역 식별 — 조직 내에서 AI가 가장 큰 임팩트를 낼 수 있는 핵심 워크플로우를 선정한다. 전사적 전환이 아닌 '소수의 고영향 유스케이스'부터 시작한다.
데이터 인프라 평가 — AI가 활용할 데이터의 준비 상태를 점검한다. 데이터 품질, 접근성, 상호운용성을 먼저 확보해야 AI의 성능이 보장된다.
거버넌스·보안 프레임워크 조기 정의 — AI 활용의 통제와 감독 체계를 초기 단계부터 구축한다.
파일럿 → 확장 — 소수 유스케이스로 검증 후 점진적으로 전사로 확장한다. PwC에 따르면 6개월~1년 내 가시적 성과 확보가 가능하다.

AX 실전 팁

기술보다 문화 — AI 이니셔티브 실패의 60% 이상이 조직적 문제에서 비롯된다. CEO부터 실무자까지 AI 교육과 변화 관리가 선행되어야 한다.
업무 재설계가 먼저 — AI 도구를 기존 프로세스에 얹는 것은 한계가 있다. 프로세스 자체를 AI가 일할 수 있는 형태로 재설계하라.
에이전트 도입 — 2026년은 멀티 에이전트 시스템이 프로덕션으로 이동하는 해다. AI 에이전트를 단순 자동화가 아닌 '팀원'으로 배치하는 사고가 필요하다.
인재 업스킬링 투자 — 기술과 인재 모두에 투자하는 기업은 장기 수익성 있는 성장 가능성이 4배 높다. 데이터 리터러시, AI 거버넌스, AI 협업 역량이 핵심이다.

5. AI 네이티브, 어떻게 적용할까?

스타트업·신규 프로젝트가 유리한 이유

AI 네이티브 접근법은 레거시가 적은 스타트업이나 신규 프로젝트가 더 유리하다. 기존 시스템을 해체하지 않아도 되고, 처음부터 AI를 엔진으로 설계할 수 있기 때문이다. Forbes는 "AI를 레거시 모델에 접착제처럼 붙이면 기존 병목만 확장한다"며 "AI를 비즈니스 핵심에 두지 않으면 경쟁에서 도태된다"고 경고했다.

AI 네이티브 구축 전략 5가지

전략	설명
1. AI를 성장 엔진으로 설계	효율 도구가 아닌, 데이터가 축적될수록 가치가 증가하는 복리 구조의 비즈니스 모델을 설계한다.
2. 에이전틱 AI를 생산 요소로	AI 에이전트를 단순 도구가 아니라 조직의 생산 요소로 배치한다. 2030년까지 기업용 AI 에이전트 시장은 418억 달러 규모로 성장할 전망이다.
3. 자사 고유 데이터를 무기로	범용 데이터로 만든 모델은 대체 가능하다. 자사만이 가진 고유 데이터로 복제 불가능한 상업 모델을 구축해야 경쟁 우위를 확보할 수 있다.
4. 컨텍스트 저장소 구축	모든 업무 컨텍스트를 Git 저장소 형태로 중앙 관리한다. 프롬프트 엔지니어링보다 컨텍스트 설계가 먼저다.
5. 파트너십 전략적 활용	차별화가 중요하면 자체 구축, 속도와 규모가 중요하면 파트너와 협력한다. 생태계 자체를 전략적 자산으로 활용해야 한다.

6. 실제 적용 사례

AX 전환 사례

월마트 (Walmart)

유통·물류·매장 운영 전반을 AI 에이전트 중심으로 재편했다. 재고 관리와 배송 최적화, 현장 의사결정까지 실시간으로 지원하는 운영 구조를 구축했다. 전통적인 유통 공룡이 AX를 통해 'AI 네이티브'에 가까워지는 대표 사례다.

로레알 (L'Oréal)

AI를 단순 자동화 도구가 아닌 창의 업무의 일부로 통합했다. 마케팅 콘텐츠 제작과 브랜드 경험 설계 전반에서 생산성과 실험 속도를 동시에 끌어올렸다. AI를 '크리에이티브 파트너'로 활용한 AX의 모범 사례다.

AI 네이티브 기업 사례

OpenAI / Anthropic

처음부터 AI를 비즈니스 모델의 핵심 엔진으로 설계한 순수 AI 네이티브 기업이다. OpenAI의 평가액은 7,300억 달러, Anthropic은 3,800억 달러에 달한다. 제품·가격·운영 모든 것이 AI를 중심으로 설계되어 있다.

Perplexity

검색 엔진 자체를 AI 네이티브로 재정의했다. 기존 Google 같은 링크 기반 검색이 아니라, AI가 실시간으로 답변을 생성하는 방식으로 검색 경험 자체를 새롭게 설계했다.

7. 결론: 두 개념을 어떻게 바라봐야 할까

핵심 인사이트

AX와 AI 네이티브는 대립하는 개념이 아니라 연속선상에 있다. 기존 기업이라면 AX 과정을 통해 점진적으로 AI 네이티브에 가까워질 수 있다. 스타트업이라면 처음부터 AI 네이티브로 설계하는 것이 유리하다.

기존 기업의 AX 순서: DX(디지털화) → AX(지능화) → AI 네이티브(재설계)

스타트업의 접근법: AI 네이티브 설계 → 지속적 진화

어느 쪽이든 핵심은 'AI를 도구로 쓰는가, 엔진으로 삼는가'라는 질문에 답하는 것이다. 2026년, AI 네이티브 기업이 신규 SaaS 시장 점유율 60%를 차지할 것이라는 IDC 전망은 이 질문이 선택이 아닌 생존의 문제임을 말해준다.

AI 생산성 vs 코드 품질 논쟁

푸른강아지 — Mon, 29 Jun 2026 10:38:36 +0900

AI 에이전트, 생산성은 올렸지만 코드 품질은? — 2026년 HN 680pt 논쟁 분석

AI가 전체 코드의 42%를 작성하는 시대. 개발자 생산성은 31% 향상됐다는 보고가 나오는 한편, "경험 많은 개발자가 오히려 19% 느려졌다"는 연구도 있다. 2026년 Hacker News에서 가장 뜨겁게 논쟁 중인 주제, AI 에이전트 생산성 vs 코드 품질의 진실을 파헤쳐본다.

2026년 현주소 — AI가 쓰는 코드, 사람이 불신하는 코드

2026년 상반기, 업계는 모순된 신호를 동시에 보내고 있다. AI 채택률은 폭발적으로 증가했지만, 그에 대한 신뢰와 품질 논쟁도 함께 격화되고 있다.

지표	수치	출처
AI가 작성한 전체 코드 비율	42%	SonarSource 2026
AI 코드를 신뢰하지 않는 개발자	96%	SonarSource 2026
AI 예상 코드 비율 (2027년)	65%	SonarSource 추정
개발자 생산성 향상 (자체 보고)	+31.4%	AI Coding Impact 2026
숙련 개발자 생산성 (METR 측정)	-19%	METR 2026
코드 변동률(Churn) 상승	3.3% → 7.1%	GitClear 2024-25

주목할 점은 자체 보고와 객관적 측정 간의 괴리다. 개발자들은 스스로 "더 빠르다"고 느끼지만, METR의 실제 측정 연구에서는 경험 많은 개발자가 AI 도구 사용 시 오히려 19% 더 느려졌다. AI가 생성한 코드를 검증하고 수정하는 시간이 순수 코딩 시간보다 더 많이 소요되기 때문이다.

HN 680pt 핵심 논쟁 — "AI가 프로세스를 빠르게 하지는 않는다"

6월 Hacker News에서 680포인트, 454개 댓글이 달린 "I don't think AI will make your processes go faster" 글은 논쟁의 정점을 찍었다. 핵심 주장은 "AI가 코딩 단계만 가속할 뿐, 요구사항 정의, 문서화, 법무 검토, 배포, 테스팅 등 비코딩 단계는 변하지 않는다"는 것이다.

️ 주요 논점별 발췌

angarg12: "이게 바로 소프트웨어 개발자들이 이 직업의 시작부터 바라던 것이다: 문제에 대한 상세한 개요와 결과물이 어떻게 생겨야 하는지. 이것이 바로 소프트웨어 개발을 느리게 만드는 부분이다."

juanre: "중요한 엔지니어링에서 가장 어려운 부분은 문제를 이해하는 것이다. 소프트웨어의 첫 번째 버전은 바로 그 이해에 도달하는 방법이다."

niek_pas: "인간 팀에 모호한 요구사항을 주면 추가 명세를 요구한다. 하지만 LLM은 '물론이죠! 여기 완전히 구현된 코드입니다'라고 말하고 끝낸다."

josephg: "Claude가 1-shot으로 놀라울 정도로 멀리 갈 수 있다는 건 알았다. 하지만 내가 시킨 작업의 약 90% (시간과 토큰 기준)는 첫 번째 패스에서 나온 쓰레기를 청소하는 것이다."

이 논쟁은 결국 Amdahl의 법칙으로 수렴된다. 코딩 속도를 아무리 높여도, 전체 프로젝트에서 코딩이 차지하는 비중이 50% 미만이라면 총 생산성 향상은 제한적일 수밖에 없다.

HN이 반복해서 지적하는 4가지 진실

수많은 HN 스레드(Claude Code, Codex, Skills, MCP, orchestration)를 관통하는 네 가지 공통된 진실이 있다. 이는 단순한 의견 차이를 넘어, AI 코딩 에이전트 생태계의 구조적 병목을 드러낸다.

#	진실	의미
1	워크플로우 > 데모	"AI 모델이 얼마나 똑똑한가"가 아니라 "어떤 워크플로우에 fits 하는가"가 핵심. 컨텍스트 유지, 코드베이스 탐색, 셸/git/브라우저와의 구성이 실제 가치를 결정한다.
2	검증이 병목	"AI가 작동하지 않는다"는 조직의 진짜 의미는 "검증 파이프라인이 생성된 변경사항의 양과 변동성을 흡수할 수 없다"는 뜻이다.
3	스킬 > 프롬프트	반복 가능한 프로젝트별 지침(스킬/CLAUDE.md)이 일회성 프롬프트보다 압도적으로 효과적. 맥락 압축, 도구 사용의 결정론적 패턴화, 팀 표준화 가능.
4	오케스트레이션 > 자율성	프론티어 데모는 "걸어가면 된다"는 자율성을 보여주지만, 실제 개발자는 여러 개의 경계 있는 워크플로우를 인간 감독 하에 오케스트레이션한다.

특히 검증 병목(Verification Bottleneck)은 가장 심각한 문제다. 코드 생성 속도가 검토 속도를 압도하면서, 팀은 더 강력한 컨벤션, 더 나은 타입 시스템, 더 작은 diff 단위로 대응해야 한다. "조직이 'AI 에이전트가 안 통해'라고 말할 때, 실제 번역은 '우리 검증 파이프라인이 생성량을 감당 못 한다'는 뜻이다."

사례 연구 — Anthropic C 컴파일러 실험과 교훈

HN 논쟁에서 가장 자주 인용된 사례는 Anthropic이 Claude Opus로 C 컴파일러를 구축한 실험이다. 상세한 명세와 수천 개의 테스트, 참조 구현이 모두 주어졌음에도 결과는 논쟁적이었다:

여러 프로젝트를 성공적으로 컴파일했지만, 최적화 수준은 떨어짐
일부 벤치마크에서 GCC 대비 150,000배 느림 (이 수치 자체도 논란)
가장 큰 문제: 코드베이스가 '벽돌화(bricked)' — 새로운 기능이나 버그픽스가 기존 기능을 빈번하게 깨뜨림
진화할 수 없는 소프트웨어는 죽은 소프트웨어

이 사례는 "AI가 생성한 코드의 유지보수성"이라는 근본적 문제를 드러낸다. 1회성 생성에서는 인상적이지만, 지속적 진화가 필요한 코드에서는 AI의 반응이 기존 코드를 깨뜨리는 패턴이 반복된다. GitHub에서의 연구에 따르면, AI 생성 PR의 리뷰 특성은 인간 PR과 질적으로 다르며 단일 에이전트가 모든 태스크를 지배하지 않는다.

해법은 있다 — 검증 중심의 새로운 워크플로우

수많은 논쟁 속에서도 실무자들은 실용적인 해법을 찾아가고 있다. HN과 여러 실무 보고서에서 공통적으로 제시되는 5가지 방향은 다음과 같다:

방향	구체적 실행
검증 가능성 최적화	더 작은 diff, 더 강력한 타입, 명시적 테스트, 격리된 스코프. 리뷰어가 AI 생성 코드를 인간 코드와 동일한 기준으로 검토할 수 있어야 함
프로젝트 컨텍스트 표준화	AGENTS.md / CLAUDE.md / .cursorrules 등 저장소-로컬 지침의 활성화. 반복되는 하우스룰을 캡슐화
오케스트레이션 학습	단일 에이전트에 모든 것을 맡기지 않음. 에이전트 A: 조사, B: 수정, C: 테스트, D: 종합 — 인간은 감독
도구 분화 수용	하나의 도구가 모든 것을 하길 기대하지 않음. 탐색용, 편집용, 장기 실행용을 분리해서 사용
조직적 병목 해소	AI가 코딩을 가속하는 만큼, 요구사항 정의, 문서화, 법무, 배포 등 비코딩 단계의 병목도 동시에 해결해야 함

흥미롭게도, 바로 전 글에서 소개한 ponytail 프로젝트는 이 논쟁에 대한 한 가지 구체적 해법을 제시한다. "AI가 적은 코드를 쓰게 하라"는 발상은 검증 병목의 핵심인 diff 크기를 직접적으로 줄인다. ponytail의 54% 코드 감소는 검토 부담의 54% 감소로 직결된다.

핵심 통찰: 생산성 vs 품질 논쟁은 거짓된 이분법일 수 있다. 진짜 질문은 "AI를 쓸 것인가 말 것인가"가 아니라, "어떤 워크플로우로 AI를 검증 가능하게 통합할 것인가"다. 코드 생성 속도를 높이는 것은 쉬웠지만, 검증 속도를 따라잡는 것은 여전히 인류의 숙제로 남아 있다.

정리: 2026년, 우리가 배운 것

AI 코딩 에이전트는 분명 개발자의 생산성을 변화시키고 있다. 하지만 그 변화는 단순한 '더 빠른 코딩'이 아니라 '더 체계적인 워크플로우'로 나타나고 있다. 2026년 HN의 논쟁이 우리에게 가르쳐준 교훈은 다음과 같다:

속도는 착각이다. 더 빨리 코딩한다고 프로젝트가 더 빨리 끝나지 않는다. 진정한 병목은 여전히 요구사항 정의와 조직적 조정에 있다.
검증 인프라가 생산성을 결정한다. AI를 도입하기 전에 테스트, 타입 시스템, CI/CD 파이프라인을 먼저 강화해야 한다. 그렇지 않으면 AI는 쓰레기를 더 빨리 만들어낼 뿐이다.
숙련도에 따라 효과가 다르다. 주니어에게 AI는 큰 도약이지만, 시니어에게는 검증 부담이 더 클 수 있다. 조직의 시니어 리소스를 어디에 배치할지 전략적 판단이 필요하다.
작은 diff, 더 나은 코드. ponytail이 증명했듯, AI에게 "적게 쓰라"고 가르치는 것이 품질과 생산성 모두에 도움이 된다. 54% 적은 코드는 54% 적은 검토 시간을 의미한다.
2026년 가장 중요한 스킬은 'AI 검증'이다. AI가 42%의 코드를 쓰는 세상에서, 개발자의 핵심 역량은 코드를 작성하는 것이 아니라 AI가 작성한 코드를 검증하고 개선하는 능력으로 재정의되고 있다.

AI 에이전트 도구 대폭발 - Claude Tag, Paca, ponytail부터 Code as Agent Harness까지

푸른강아지 — Mon, 29 Jun 2026 10:31:09 +0900

AI 에이전트 도구 대폭발 — Claude Tag, Paca, ponytail부터 Code as Agent Harness까지

2026년 상반기, AI 에이전트 생태계는 단순한 코딩 도우미를 넘어 팀 협업, 프로젝트 관리, 코드 품질, 아키텍처 패러다임 전반으로 급속히 확장되고 있다. 이번 글에서는 6월 마지막 주에 폭발적인 관심을 받은 4가지 주요 도구와 프로젝트를 한자리에 모아 소개한다.

Claude Tag — Slack 속에 AI 팀원이 산다

Anthropic이 6월 23일 발표한 Claude Tag는 팀이 Slack 내에서 @Claude를 태그해 직접 협업할 수 있는 제품이다. 기존의 "봇에게 질문한다"는 개념을 완전히 뒤집는다.

기능	설명
멀티플레이어	채널 내 모든 구성원이 하나의 Claude와 상호작용. 비동기 협업 가능
지속적 학습	채널 활동에서 맥락을 축적. 시간이 지날수록 팀 도메인에 특화
주도적 모드	"Ambient" 모드에서 관련 정보를 능동적으로 플래깅, 미해결 스레드 follow-up
비동기 작업	태스크를 맡기고 수시간~수일에 걸쳐 자율적으로 실행
관리 통제	채널별 도구/데이터 접근, 토큰 지출 한도, 전체 감사 로그

충격적인 수치: Anthropic 자체적으로 제품팀 코드의 65%가 내부 버전의 Claude Tag로 생성되고 있다. 사용 모델은 Opus 4.8이며, 현재 Claude Enterprise 및 Team 고객 대상 베타로 제공된다.

흥미로운 점은 단순 코드 작성뿐 아니라 메트릭 분석, 서포트 티켓 처리, 버그 헌팅 등으로 활용 범위가 빠르게 확장되고 있다는 것이다. Anthropic은 향후 Slack 외 협업 플랫폼으로의 확장도 계획 중이다.

인사이트: Claude Tag는 단순한 "Slack 봇" 업그레이드가 아니다. 이는 에이전트가 팀의 영구적인 구성원으로 자리잡는 첫 번째 본격적인 사례다. 채널 단위의 맥락 기억과 주도적 행동은 기존의 수동적 챗봇과 질적으로 다르다.

Paca — Jira를 뒤집은 AI-네이티브 프로젝트 관리

Paca는 Jira, Trello, ClickUp, Monday의 무료 오픈소스 대체재로, 가장 큰 차별점은 AI 에이전트가 인간과 동등한 Scrum 팀원으로 참여한다는 점이다. Apache 2.0 라이선스로 GitHub(Paca-AI/paca)에 공개됐다.

핵심 철학은 "봇을 사이드에 붙이는 것이 아니라, AI가 같은 보드, 같은 스프린트, 같은 목표를 공유하는 팀원이 되어야 한다"는 것이다. AI 에이전트는 계정을 가지고 팀 명단에 표시되며, 태스크를 할당받고, BDD 스펙을 작성하고, 코드 리뷰와 테스트를 수행한다.

Paca의 P-A-C-A 사이클

단계	설명
Plan	PO, BA, AI 에이전트가 함께 백로그 정제. BDD 시나리오, SDD 설계 공동 작성
Act	스프린트 진행. 인간과 AI가 보드에서 태스크를 가져와 실행
Check	QA 에이전트가 자동 검증, 인간이 AI 출력 리뷰
Adapt	스프린트 데이터 기반으로 다음 사이클 개선. 회고도 함께 진행

기술적으로는 WebAssembly(WASM) 기반 플러그인 시스템을 채택해 Go, Rust, AssemblyScript 등으로 백엔드 확장이 가능하며, 프론트엔드도 표준 모듈 번들로 확장한다. Docker Compose로 자체 호스팅하며, MCP 서버를 내장해 Claude Desktop, Cursor, VS Code 등 모든 MCP 호환 에이전트와 연결된다.

인사이트: Paca의 진정한 혁신은 기술이 아니라, 인간-AI 협업을 Scrum 프레임워크에 자연스럽게 통합한 설계 철학에 있다. Cynefin/Stacey 복잡성 프레임워크를 기반으로 "복잡한 도메인에서는 파이프라인이 아니라 팀이 필요하다"는 통찰에서 출발했다. 무료라는 점도 파괴적이다.

ponytail — AI를 가장 게으른 시니어 개발자처럼

ponytail은 GeekNews에서 68pt로 큰 인기를 끈 프로젝트로, "최고의 코드는 작성하지 않은 코드"라는 철학을 AI 에이전트에 주입한다. 54% 적은 코드, 20% 저렴한 비용, 27% 빠른 실행을 측정 결과로 입증했다. GitHub DietrichGebert/ponytail에서 확인 가능하다.

작동 방식은 간단하면서도 강력하다. 코드를 작성하기 전에 다음 7단계의 사다리(Ladder)를 오르며, 첫 번째로 막히는 단계에서 멈춘다:

이게 정말 필요한가? → 아니면 건너뛴다 (YAGNI)
이미 코드베이스에 있는가? → 재사용, 재작성 금지
표준 라이브러리가 해결하는가? → 그걸 쓴다
네이티브 플랫폼 기능인가? → 활용한다
설치된 의존성이 있는가? → 사용한다
한 줄로 가능한가? → 한 줄
그래도 필요하다면? → 최소한으로 동작하게

메트릭	ponytail	일반 프롬프트	절약
코드 라인(LOC)	-54%	—	최대 94% ↓
토큰	-22%	+7%	—
비용	-20%	+3%	—
시간	-27%	+2%	—
안전성	100%	95%	—

특히 인상적인 것은 Date Picker 컴포넌트가 404줄에서 23줄로, Color Picker가 287줄에서 23줄로 줄어든 사례다. ponytail은 Claude Code, Codex, Cursor, Windsurf, Copilot 등 거의 모든 주요 AI 코딩 에이전트에서 플러그인 또는 규칙 파일로 설치할 수 있다.

인사이트: ponytail이 받은 폭발적 반응은 개발자들이 AI의 "과잉 생성(over-generation)"에 대한 피로감을 오래전부터 느끼고 있었다는 방증이다. AI가 boilerplate를 줄여주는 건 좋지만, 필요 이상의 코드를 만들어내는 것은 오히려 유지보수 비용을 증가시킨다. ponytail은 이 문제에 대한 실용적이고 측정 가능한 해법을 제시했다.

Code as Agent Harness — 102페이지 서베이가 제시하는 패러다임 전환

5월 arXiv에 공개된 UIUC × Meta × Stanford의 102페이지 서베이 논문은 450개 이상의 관련 연구를 종합해 "코드는 더 이상 LLM의 결과물이 아니라, 에이전트의 실행 기반(Harness)이다"라는 패러다임 전환을 주장한다.

이 서베이가 제시하는 3계층 아키텍처는 다음과 같다:

계층	설명
Harness Interface	코드가 추론, 행동, 환경 모델링을 연결: 실행 가능한 추적, 프로그래밍 가능한 행동, DOM/API 인터페이스, 시뮬레이터, 테스트, 상태 표현
Harness Mechanisms	장기 실행을 위한 계획, 메모리, 도구 사용, 제어, 최적화. 실패를 막다른 길이 아닌 수정 피드백으로 활용
Scaling the Harness	공유 코드 아티팩트로 다중 에이전트 조정: 리뷰, 테스트, 토론, 레드팀, 공통 저장소 내 검증

이 서베이가 제기하는 핵심 질문은 "에이전트의 평가를 최종 성공/실패만으로 측정할 것인가?"이다. 중간 상태, 수정 시도, 안전성 검사 등에 대한 일급 메트릭이 필요하며, 부분적인 테스트와 불완전한 실행 신호 아래서도 에이전트가 동작할 수 있는 메커니즘이 중요하다고 지적한다. arXiv: 2605.18747

인사이트: "Code as Agent Harness"라는 개념은 우리가 지금까지 해온 많은 논의를 하나의 프레임워크로 통합한다. Claude Code, Codex, Cursor 등이 모두 각자의 Harness를 구축하고 있으며, ponytail은 그 Harness 위에서 코드 품질을 최적화하는 메커니즘이다. Paca는 다중 에이전트 Harness를 프로젝트 관리에 적용한 사례다. 이 세 도구가 서로 다른 수준에서 연결되어 있다는 점이 흥미롭다.

종합: 에이전트 생태계의 3개 축

오늘 살펴본 4가지 도구와 프로젝트는 2026년 중반 AI 에이전트 생태계가 세 가지 축에서 진화하고 있음을 보여준다:

협업의 진화 — Claude Tag는 에이전트를 팀의 영구 구성원으로 격상시켰고, Paca는 AI가 Scrum 프로세스에 자연스럽게 통합되는 청사진을 제시한다. 에이전트는 더 이상 "도구"가 아니라 "동료"가 되어가고 있다.
코드 품질의 재정의 — ponytail의 폭발적 인기는 AI의 과잉 생성에 대한 개발자들의 피로감과, "적은 코드 = 더 나은 코드"라는 오래된 진리가 AI 시대에도 유효함을 증명한다.
아키텍처 패러다임 전환 — Code as Agent Harness 서베이는 코드가 단순한 "출력물"에서 "에이전트의 운영 환경"으로 격상되는 흐름을 체계화한다. 이는 향후 AI 에이전트 시스템 설계의 이론적 토대가 될 것이다.

관련 링크:
• Claude Tag: anthropic.com/news/introducing-claude-tag
• Paca: github.com/Paca-AI/paca
• ponytail: github.com/DietrichGebert/ponytail
• Code as Agent Harness: arxiv.org/abs/2605.18747

OpenAI, GPT-5.6 Sol/Terra/Luna 3계층 모델 공개 - 정부 제한 프리뷰로 시작

푸른강아지 — Mon, 29 Jun 2026 09:16:44 +0900

OpenAI, GPT-5.6 Sol/Terra/Luna 3계층 모델 공개 — 정부 제한 프리뷰로 시작

OpenAI가 2026년 6월 26일, 차세대 모델 시리즈인 GPT-5.6을 제한 프리뷰로 공개했습니다. 플래그십 Sol, 균형형 Terra, 저비용 Luna 3개 등급으로 구성되며, 미국 정부의 요청으로 초기에는 소수의 신뢰된 파트너만 접근 가능합니다.

이번 발표에서 가장 주목할 점은 모델 세대 번호와 능력 등급을 분리한 새로운 명명 체계입니다. '5.6'은 모델 세대를, 'Sol/Terra/Luna'는 각 Tier를 의미하며, 각 Tier는 독자적인 업데이트 주기를 가집니다. 이는 Anthropic의 Opus/Sonnet/Haiku 체계에 대응하는 전략입니다.

3계층 모델 비교

GPT-5.6 시리즈는 Sol → Terra → Luna 순으로 성능과 가격이 계층화되어 있습니다.

구분	Sol (플래그십)	Terra (균형형)	Luna (경제형)
투입 가격 (/1M tokens)	$5.00	$2.50	$1.00
출력 가격 (/1M tokens)	$30.00	$15.00	$6.00
컨텍스트 윈도우	1.5M 토큰	—	—
추론 모드	Max / Ultra	—	—
대응 Tier	Opus / Mythos	Sonnet / Fable	Haiku
대상 업무	복잡 코딩, 보안 연구, 생물학	일상 업무, 문서 분석	요약, 초안, 고빈도 자동화

️ 정부 관여와 단계적 출시 — 업계 최초의 선제적 협력

GPT-5.6의 가장 논쟁적인 측면은 미국 정부의 요청으로 시작된 제한 프리뷰입니다. OpenAI는 출시 전에 모델의 계획과 성능을 정부에 미리 설명했으며, 정부의 요청에 따라 초기 접근을 약 20개의 신뢰된 파트너로 제한했습니다.

OpenAI는 공식적으로 "이런 정부 접근 통제 프로세스가 장기적 기본값이 되어서는 안 된다"고 밝히며, "최고의 도구를 필요로 하는 사용자, 개발자, 기업, 사이버 방어자로부터 차단하는 결과를 초래한다"고 지적했습니다. 이는 트럼프 행정부의 행정명령에 따라 프론티어 모델에 대한 사전 심사가 의무화된 상황에서 Anthropic이 Claude Fable 5와 Mythos 5를 강제로 오프라인화한 사례를 교훈 삼아 OpenAI가 선제적으로 협력한 것으로 해석됩니다.

OpenAI는 "수주 내" 일반 공개를 목표로 하고 있으며, 행정부와 사이버 행정명령 프레임워크 및 반복 가능한 출시 프로세스를 협의 중입니다.

벤치마크 성능 — Terminal-Bench 2.1 최고 기록

OpenAI가 공개한 주요 벤치마크는 Terminal-Bench 2.1입니다. 이는 커맨드라인 워크플로우에서 계획·반복·도구 협력을 평가하는 에이전틱 코딩 벤치마크로, Sol Ultra 모드에서 91.9%로 새로운 최고 기록을 달성했습니다.

모델	Terminal-Bench 2.1
GPT-5.6 Sol Ultra	91.9%
GPT-5.6 Sol (Max)	88.8%
Claude Mythos 5	88.0%
GPT-5.5	83.4%
GPT-5.6 Luna	84.3%
GPT-5.6 Terra	82.5%
Claude Opus 4.8	78.9%
Gemini 3.1 Pro Preview	70.7%

흥미로운 점은 하나의 벤치마크에서 Tier 순서가 항상 일치하지는 않는다는 사실입니다. Luna(84.3%)가 Terra(82.5%)를 앞서는 결과를 보였는데, 이는 Tier가 단순 성능뿐 아니라 속도/비용/다양한 태스크의 종합적 균형을 나타내기 때문입니다.

또한 Sol은 HealthBench Professional에서 60.5점(GPT-5.5 대비 +8.7)을 기록했으며, ExploitBench에서는 Claude Mythos 5와 경쟁력 있는 수준을 ~1/3 출력 토큰으로 달성했습니다. GeneBench v1(유전체학)에서는 GPT-5.5보다 더 적은 토큰으로 더 강력한 결과를 냈습니다.

새로운 추론 모드: Max와 Ultra

Sol 전용으로 두 가지 새로운 추론 제어 모드가 도입되었습니다.

모드	설명
Max (최대 추론)	단일 모델이 가장 깊이 사고하도록 최대 시간 할당. 복잡한 문제 해결에 적합.
Ultra (울트라)	단일 에이전트 대신 다수의 하위 에이전트(sub-agent)를 병렬로 활용하여 복잡한 작업을 가속화. Terminal-Bench 최고 점수(91.9%)의 비결.

Ultra 모드는 Anthropic의 Dynamic Workflows(Opus 4.8)와 유사한 접근법으로, 에이전트 오케스트레이션이 모델 자체의 성능만큼이나 중요해지고 있음을 보여줍니다.

️ 안전성 — 계층형 방어 체계와 70만 시간 레드티밍

OpenAI는 GPT-5.6 Sol에 대해 지금까지 가장 강력한 안전성 스택을 적용했다고 밝혔습니다. 특히 사이버보안과 생물학 분야에서 Preparedness Framework 기준 'High' 위험 등급을 받은 점이 주목할 만합니다.

계층형 안전 장치:

모델 레벨 — 금지된 사이버 지원, 위장 의도, 탈옥 시도를 거부하도록 훈련
실시간 분류기 — 출력을 생성하면서 평가, 고위험 케이스는 더 큰 추론 모델이 맥락을 검토할 때까지 생성 일시 중단
계정 레벨 검토 — 대화 간 활동을 플래깅하여 지속적 악성 행위와 합법적 이중 용도 보안 작업을 구분

특히 주목할 점은 70만 A100-시간 상당의 자동화 레드티밍입니다. 이는 보편적 탈옥(universal jailbreak) 발견에 초점을 맞췄으며, 인간 전문가 레드티밍과 신속 대응 패치 프로세스로 보완되었습니다.

프롬프트 캐싱 — 30분 최소 캐시 수명 도입

GPT-5.6 시리즈는 새로운 프롬프트 캐싱 기능을 도입했습니다.

명시적 캐시 중단점(explicit cache breakpoints) 지원
30분 최소 캐시 수명 — 이전보다 훨씬 안정적인 캐싱
캐시 쓰기: uncached 입력 대비 1.25x 과금
캐시 읽기: 90% 할인 (cached-input 기준)

Cerebras 파트너십 — 750 tokens/sec

GPT-5.6 Sol은 7월부터 Cerebras를 통해 최대 750 tokens/초 속도로 호스팅될 예정입니다. 이는 기존 API 대비 획기적인 속도 향상으로, 초기에는 일부 선정 고객에게만 제공됩니다.

요약 — GPT-5.6이 의미하는 것

GPT-5.6 시리즈는 OpenAI의 전략적 전환점을 보여줍니다.

명명 혁신 — 세대 번호와 능력 등급을 분리, 각 Tier가 독립적 업데이트 가능
정부 관여의 표준화 — Anthropic의 선례 이후 OpenAI도 선제적 협력, 프론티어 AI 출시 프로세스의 새로운 장
3계층 가격 전략 — Sol($30 출력)부터 Luna($6 출력)까지 폭넓은 스펙트럼으로 다양한 사용자층 공략
에이전트 패러다임 반영 — Ultra 모드의 sub-agent 병렬 실행은 에이전트 오케스트레이션의 중요성을 공식 인정
안전성 vs 접근성의 긴장 — "정부 통제는 일시적"이라는 OpenAI의 입장과 실제 출시 일정 사이의 간극 주목
Cerebras 750 tok/s — 추론 속도 경쟁의 새로운 이정표

GPT-5.6은 단순한 모델 업데이트를 넘어, 프론티어 AI의 출시 방식 자체를 재정의하는 신호탄입니다. 정부와의 협의, 계층화된 접근 통제, 안전성과 접근성 사이의 줄다리기 — 앞으로 모든 프론티어 모델의 표준 출시 프로세스가 될 가능성이 높습니다.

Google, 11년 만에 안드로이드 전용 Google Finance 앱 출시 - AI 포트폴리오 분석·맞춤 브리핑까지

푸른강아지 — Mon, 29 Jun 2026 09:14:24 +0900

Google, 11년 만에 안드로이드 전용 Google Finance 앱 출시

구글이 마침내 안드로이드 전용 Google Finance 앱을 공식 출시했습니다. 지난 2025년 8월부터 베타로 운영되던 AI 기반 재설계 버전이 정식 버전으로 전환되면서, 동시에 독립 모바일 앱이 함께 발표된 것입니다. 2015년 구글 파이낸스 앱이 사라진 지 약 11년 만에 돌아온 셈입니다.

Android 앱: 주요 기능

새 Google Finance 앱은 구글 플레이 스토어에서 다운로드 가능하며 (패키지명: com.google.android.apps.finance), 다음과 같은 기능을 제공합니다.

기능	설명
Watchlist	관심 종목 목록을 앱에서 바로 확인
실시간 시장 데이터	주요 지수 및 종목의 실시간 가격 변동
실시간 금융 뉴스	통합된 금융 뉴스 피드
AI Key Moments	주가 변동 원인을 AI가 분석·설명
AI 리서치 도구	자연어 질문으로 주식·포트폴리오 분석 (플로팅 "Ask" 버튼)

UI는 구글의 최신 Material 3 Expressive 디자인 언어로 제작되었으며, 화면 하단에는 플로팅 툴바 형태의 "질문하기(Ask)" 버튼이 배치되어 AI 분석 도구에 바로 접근할 수 있습니다. 하단 바에는 채팅 기록(History) 섹션도 있어 과거 AI 대화를 다시 확인할 수 있습니다.

AI 재설계: Google Finance 웹의 변화

구글 파이낸스 웹 버전은 Gemini 모델 기반의 AI 기능을 탑재한 재설계 버전이 베타를 마치고 정식 출시되었습니다. 주요 변화는 다음과 같습니다.

포트폴리오 추적 (전 세계 롤아웃)

이번 업데이트의 핵심은 포트폴리오(Portfolio) 기능입니다. 모든 투자 내역을 하나의 대시보드에서 확인할 수 있으며, 성과 데이터와 자산 배분 인사이트를 제공합니다. 포트폴리오를 생성하는 방법이 특히 흥미로운데, 다음과 같은 방식으로 가능합니다.

스크린샷 업로드 — 증권사 앱의 보유 종목 화면을 캡처해서 그대로 업로드
파일 업로드 — CSV 또는 PDF 파일로 내역 제출
자연어 기술 — 챗봇에 "나는 삼성전자 100주, 애플 50주를 보유하고 있어"라고 말로 설명

포트폴리오가 설정되면 AI 리서치 도구를 통해 다음과 같은 질문을 할 수 있습니다.

  "내 포트폴리오에서 현재 비중이 낮은 섹터는 어디인가요?"   "기술주 비중이 65%로 높고, 헬스케어 섹터는 5%에 불과합니다. 분산 투자를 위해 헬스케어 비중 확대를 고려해보세요."   "채권 비중이 장기 성장 잠재력에 어떤 영향을 미치나요?"   "현재 채권 비중 15%는 안정성을 제공하지만, 20년 이상의 장기 투자 기간을 고려하면 주식 비중을 80%까지 높이는 것이 복리 효과 측면에서 유리합니다."

AI 맞춤 브리핑 (Task 기능)

자연어로 투자 관련 맞춤 브리핑 작업(Task)을 설정할 수 있습니다. 예를 들어 다음과 같이 요청하면 됩니다.

"매일 장 전에 주요 암호화폐의 야간 큰 변동을 분석한 브리핑을 보내줘"

설정한 브리핑은 구글 앱(안드로이드·iOS)을 통해 알림으로 수신되며, 웹의 Google Finance 리서치 패널에서도 확인 가능합니다. 일정과 지시사항도 자유롭게 편집할 수 있고, 자신의 Watchlist나 포트폴리오를 기반으로 맞춤형 분석 결과를 받을 수 있습니다. 이 기능은 현재 전 세계에 출시되었습니다.

향후 업데이트 로드맵

구글은 앞으로 몇 달 안에 모바일 앱에 추가 기능을 탑재할 예정입니다.

항목	일정
실시간 실적 발표 (Live Earnings Calls)	향후 수개월 내 앱에 추가
포트폴리오 기능을 앱에서 사용	향후 수개월 내 앱에 추가
맞춤 브리핑 Task 기능을 앱에서 사용	향후 수개월 내 앱에 추가
iOS 앱 출시	2026년 하반기

시장 경쟁 구도

TechCrunch의 분석에 따르면, 구글이 독립형 파이낸스 앱을 출시한 것은 단순히 주가를 확인할 또 다른 도구를 제공하기보다는 점점 더 혼잡해지는 금융 정보 앱 시장에서 입지를 확보하려는 전략으로 풀이됩니다. 주요 경쟁사로는 Yahoo Finance, Robinhood 등이 꼽힙니다.

특히 흥미로운 점은 이번 앱이 안드로이드 전용으로 먼저 출시되었다는 사실입니다. Droid-Life는 이를 "안드로이드 플랫폼의 승리"라고 평가했으며, iOS 버전은 2026년 하반기에나 만나볼 수 있을 예정입니다. 이는 애플이 기본 주식 앱을 제공하는 것과 대비되는 점입니다.

요약 및 의미

이번 Google Finance 업데이트의 핵심 포인트를 정리하면 다음과 같습니다.

11년 만의 귀환 — 2015년 종료된 안드로이드 파이낸스 앱이 독립 앱으로 재출시
AI 퍼스트 — Gemini 기반의 Key Moments, 포트폴리오 분석, 맞춤 브리핑 등 AI 기능이 핵심 차별점
크로스 플랫폼 전략 — 안드로이드 우선 출시, iOS는 하반기 예정. 알림은 구글 앱을 통해 양쪽 플랫폼 모두 지원
웹→앱 확장 — 현재 웹 전용 기능(포트폴리오, Task)들이 향후 수개월 내 모바일 앱으로 확대
데이터 개인화 — 스크린샷이나 CSV 업로드만으로 포트폴리오 생성 가능, 사용자 친화적 온보딩

구글 파이낸스는 더 이상 단순한 주가 확인 도구가 아닙니다. Gemini AI를 탑재한 개인 투자 비서이자, 포트폴리오 관리 플랫폼으로 진화하고 있습니다. 개인 투자자에게는 Yahoo Finance나 국내 증권사 앱 외에 또 하나의 강력한 선택지가 생긴 셈입니다.

LLM 가격 전쟁, 이제는 '무료' 직전까지 왔다

푸른강아지 — Mon, 29 Jun 2026 09:12:06 +0900

LLM 가격 전쟁, 이제는 '무료' 직전까지 왔다

2026년 상반기, LLM 업계의 가장 뜨거운 키워드는 '성능'이 아니라 '가격'이었다. DeepSeek V4 Pro가 GPT-5.5 Pro 대비 98% 저렴한 가격을 발표한 것을 시작으로, GLM-5.2는 1/6 비용, Kimi K2.7은 1/12 비용이라는 파격적인 가격표를 내걸었다.

이제 '어느 모델이 가장 똑똑한가'보다 '어느 모델이 가장 합리적인 가격으로 원하는 성능을 내는가'가 개발자와 기업의 선택 기준이 되고 있다. 이 글에서는 현재 진행 중인 LLM 가격 전쟁의 현황과 그 파급력을 분석한다.

1. 현재 LLM 가격 스펙트럼 — '극과 극'

2026년 6월 기준, 주요 모델들의 토큰당 가격을 살펴보면 스펙트럼이 극명하게 갈린다. 한쪽 끝에는 OpenAI·Anthropic의 프리미엄 라인업이, 다른 쪽 끝에는 중국 오픈소스 진영의 초저가 전략이 자리잡고 있다.

모델	Input / 1M tokens	Output / 1M tokens	GPT-5.5 Pro 대비
GPT-5.5 Pro	$5.00	$30.00	— 기준
Claude Opus 4.8	$5.00	$25.00	약 83%
GLM-5.2 (Zhipu)	약 $0.85	약 $4.00	약 1/6
Kimi K2.7 Code	$0.95	$4.00	약 1/12
DeepSeek V4 Pro	$0.435	$0.87	약 98% 저렴

※ GPT-5.5 Pro는 Output 기준 $30/1M tokens로 가장 비싸며, DeepSeek V4 Pro는 Output $0.87로 34배 이상의 가격 차이

2. 가격 전쟁의 세 축

① 중국 오픈소스 진영의 '파괴적 혁신'

DeepSeek V4 Pro의 가격은 LLM 시장의 패러다임을 바꿨다. Simon Willison은 "거의 프론티어에 도달했다"고 평가했으며, VentureBeat는 "영구적 가격 인하가 엔터프라이즈 AI 판도를 바꾸고 있다"고 분석했다. GPT-5.5 Pro의 API 비용으로 DeepSeek V4 Pro를 34배 더 많이 호출할 수 있다는 계산이 나온다.

GLM-5.2는 1M 컨텍스트를 지원하면서도 Opus 4.8 및 GPT-5.5에 필적하는 성능을 1/6 가격에 제공한다. Zhipu AI는 이 모델을 완전 오픈소스로 공개하여, 자체 호스팅 비용은 사실상 0에 가깝다.

Kimi K2.7 Code는 30% 추론 토큰 감소 기술을 적용, 프론티어 대비 1/12 비용으로 코딩 에이전트 워크플로우를 운영할 수 있게 해준다. Moonshot AI는 "비용 대비 성능(cost-per-capability)" 전략으로 직접적인 프론티어 경쟁을 피하고 있다.

② 프리미엄 진영의 '가격 동결 + 성능 향상'

Anthropic은 Opus 4.8을 출시하면서도 이전 모델인 Opus 4.7과 동일한 가격을 유지했다. 성능은 대폭 향상(코딩/에이전트 태스크에서 GPT-5.5 능가)됐지만, 가격은 그대로다. 이는 '가격 인하'보다는 '가성비 향상' 전략으로 해석된다. 더 적은 호출로 동일한 결과를 낼 수 있다는 의미다.

다만, 가격 동결이 경쟁사의 파격적인 인하를 따라잡기에는 역부족이라는 평가도 있다. Claude Opus 4.8과 DeepSeek V4 Pro의 Output 가격 차이는 약 29배에 달한다.

③ 자체 호스팅과 하드웨어 레이어의 가속

오픈소스 모델은 API 호출조차 필요 없다. Llama 4 Scout, DeepSeek V4, GLM-5.2 등은 모두 MIT 라이선스로 공개되어 자체 GPU 서버에서 무료로 실행 가능하다. 여기에 OpenAI의 자체 ASIC 'Jalapeño' 칩, Anthropic의 5GW 컴퓨팅 계약(AWS·Google), GLM-5.2의 Huawei Ascend 910B 기반 훈련(제로 NVIDIA) 등 하드웨어 레이어의 비용 혁신도 동시에 진행 중이다.

3. 가격 전쟁이 만들어낸 생태계 변화

개발자 도구의 비용 구조 재편

LLM 추론 비용이 급격히 하락하면서, 그동안 '비용 때문에' 실험하지 못했던 워크플로우들이 현실화되고 있다. 코딩 에이전트(Cursor, Claude Code, Codex)는 이제 PR당 수천 번의 LLM 호출을 부담 없이 실행할 수 있게 됐다. Anthropic의 Dynamic Workflows는 수백 개의 병렬 서브에이전트를 한 세션에서 실행하며, 이것이 가능한 이유 중 하나는 급락한 추론 비용 덕분이다.

MaaS(Marketplace as a Service)의 등장

Cafe24 LLM Router는 120개 이상의 모델을 단일 엔드포인트로 제공하며, 태스크 유형별 자동 라우팅과 비용/속도 기반 우선순위 설정을 지원한다. 사용자는 "코딩에는 이 모델, 창작에는 저 모델"을 저렴한 비용으로 조합해 쓸 수 있게 됐다.

에이전트 인프라의 문턱 하락

Cloudflare는 60분짜리 임시 Workers 계정(Temporary Accounts)을 출시했고, WorkOS는 에이전트가 자동으로 회원가입할 수 있는 auth.md 프로토콜을 공개했다. 이들은 모두 "LLM 호출이 저렴해졌으니, 이제 에이전트가 자유롭게 실험할 환경을 만들자"는 공통된 전제에서 출발한다.

4. 향후 전망: '무료'는 가능한가?

전문가 전망

Sam Altman(OpenAI): "추론 비용은 매년 10배씩 하락한다"
VentureBeat: "DeepSeek V4의 영구적 가격 인하가 엔터프라이즈 AI 판도를 바꾸고 있다"
Simon Willison: "LLM이 거의 공짜에 가까워지면, 개발자들은 모든 것에 LLM을 끼워넣기 시작할 것"

현재 추세대로라면 2027년에는 프론티어급 LLM의 API 비용이 Output 기준 $0.10/1M tokens 이하로 떨어질 가능성이 있다. 이는 오늘날 DeepSeek V4 Pro의 1/8 수준이다. LLM 추론이 '거의 무료'에 가까워지면, 소프트웨어 개발의 모든 레이어 — 컴파일러, 테스트 프레임워크, CI/CD, 데이터베이스, 에디터 — 에 LLM이 기본 탑재되는 'AI 기본 탑재(AI-by-Default)' 시대가 열릴 것이다.

마치며

LLM 가격 전쟁은 단순한 '할인 경쟁'이 아니다. 이는 AI의 접근성 민주화를 의미한다. 프론티어 모델이 1회 호출에 수백 원이 들던 시절에는 대기업만이 AI를 전략적으로 활용할 수 있었다. 하지만 이제 1회 호출이 1원 미만인 시대가 열렸고, 개인 개발자나 스타트업도 수천 번의 LLM 호출을 부담 없이 실험할 수 있게 됐다.

'더 싸고 더 나은 모델'의 경쟁이 지속되는 한, AI는 점점 더 많은 사람의 손에 쥐어질 것이다. 그리고 그 과정에서 진정한 승자는 가장 똑똑한 모델이 아니라, 가장 많은 사람이 가장 오래 사용하는 모델이 될 것이다.

Qwable이 뭐길래? - local에서 Fable 스타일 추론을 구현한 오픈 모델의 모든 것

푸른강아지 — Fri, 26 Jun 2026 15:03:38 +0900

Qwable이 뭐길래? — local에서 Fable 스타일 추론을 구현한 오픈 모델의 모든 것

Anthropic의 Claude Fable 5는 출시 직후 역대 가장 뛰어난 추론·코딩 성능을 보여주며 업계를 놀라게 했으나, 미국 수출통제 규정으로 인해 불과 며칠 만에 전 세계에서 서비스가 중단됐다. 그런데 이 빈자리를 정확히 노린 오픈소스 모델이 등장했다. 이름하여 Qwable(Qwen + Fable).

무료로 사용 가능하고, 로컬에서 실행 가능하며, 생각하는 스타일이 Fable 5와 유사하다는 이 모델은 Hugging Face에서 커뮤니티 개발자들에 의해 만들어졌다. 이 글에서는 Qwable이 무엇인지, 어떻게 작동하는지, 어떤 버전이 있으며, 로컬에서 어떻게 실행하는지, 그리고 어떤 논란과 한계가 있는지 상세히 정리한다.

1. Qwable이란?

Qwable이라는 이름은 Qwen(알리바바의 오픈소스 LLM)과 Fable(Anthropic의 Claude Fable)의 합성어다. 핵심 아이디어는 간단하다:

알리바바의 Qwen3.6 시리즈를 베이스 모델로 삼고
Fable 5 스타일의 추론(trace) 데이터셋으로 파인튜닝하여
Fable 5 특유의 단계적·설명적·구조화된 추론 스타일을 재현하는 것

즉, 원본 Fable 5의 "시험 답안"을 복사한 것이 아니라 "공부 방법"을 학습시킨 접근법이다. Fable 5가 보여준 사고 과정(trace)을 지도 데이터로 삼아 Qwen의 가중치를 미세 조정했다.

이 모델은 GGUF 포맷으로 제공되어 LM Studio, Ollama, llama.cpp 등에서 로컬 실행이 가능하며, Q4 양자화 시 약 16.5GB로 소비자 하드웨어에서도 충분히 구동된다. 256K 컨텍스트 윈도우도 지원한다.

2. 왜 Qwable이 주목받는가 — Fable 5 중단의 여파

Qwable의 등장 배경에는 Claude Fable 5의 갑작스러운 서비스 중단 사건이 있다. Anthropic의 차세대 플래그십 모델이었던 Fable 5는 2026년 6월 초 프리뷰로 공개되었으나, 미국 정부의 수출통제 지침에 따라 2026년 6월 22일 전 세계적으로 서비스가 중단되었다.

이 상황이 시사하는 바는 크다:

중앙화된 API 의존성의 위험: 최고 성능의 모델이라도 정부 규제나 기업 정책 변화로 하루아침에 사라질 수 있다
데이터 주권: Fable 5는 30일 데이터 보유 정책이 의무화되어 있었는데, 로컬 모델은 이 문제가 없다
커뮤니티의 대응: 금지된 기능을 오픈소스 커뮤니티가 재현하는 패턴 — Stable Diffusion 때와 동일한 흐름

이런 배경에서 Qwable은 단순한 성능 모방을 넘어, "모델 주권(model sovereignty)"이라는 개념을 현실화한 사례로 평가받고 있다.

3. Qwable 생태계 — 다양한 버전과 변형

Qwable은 단일 모델이 아니라 여러 크기와 목적을 가진 모델군(패밀리)으로 확장되고 있다. 주요 변종을 표로 정리했다.

버전	크기	아키텍처	제작자	특징
Qwable-3.6-27b	27B Dense	Qwen3.6-27B	Mia-AiLab	Fable 5 추론 스타일 파인튜닝, 코딩 특화
Qwable-3.6-27b-MTP	27B + MTP	Qwen3.6-27B	Mia-AiLab	MTP(Multi-Token Prediction) 레이어 추가 → 더 빠른 추론
Qwable-3.6-35b	35B MoE	Qwen3.6-35B-A3B	Mia-AiLab	MoE — 활성 파라미터 약 3B, 전체 35B
Qwable-v1	35B MoE	Qwen3.6-35B-A3B	lordx64	체인 증류: Opus 4.7 → Fable 5, 에이전트 도구 사용 특화
Qwable-9B-Claude-Fable	9B	Qwen3.5-9B	empero-ai	경량, 크리에이티브/롤플레이 특화
Huihui-Qwable-abliterated	27B	Qwen3.6-27B	Huihui-ai	거부(refusal) 매커니즘을 제거한 언센서드 버전

4. Qwable-v1 — 체인 증류의 정수

가장 기술적으로 흥미로운 변종은 lordx64가 공개한 Qwable-v1이다. 이 모델은 단일 파인튜닝이 아니라 2단계 체인 증류(chained distillation)를 적용했다:

Qwen3.6-35B-A3B (원본, Apache 2.0) └─SFT──▶ Opus 4.7 추론 증류 버전 └─SFT──▶ Qwable-v1 (Fable 5 에이전트 도구 사용 증류)

트레이닝 세부 사항:

데이터: 4,659행, 약 1,220만 Qwen 토큰
도구 사용률: 훈련 턴의 81%가 도구 호출로 종료
훈련 시간: 14.1시간 (1× nvidia-h200, $5/hr → 약 $70)
최종 Loss: 0.804
LoRA: r=16, attention 전용, dropout 0.0
라이선스: AGPL-3.0

Qwable-v1은 XML 기반 도구 호출 형식을 사용한다. 에이전트 시스템 프롬프트와 함께 사용하면 <tool_use>, <file_edit>, <shell_command> 블록을 생성하여 파일 편집, 셸 명령 실행, 파일 읽기 등을 수행할 수 있다.

5. Abliteration — 거부 신경망을 제거한 언센서드 버전

Qwable이 화제가 된 지 불과 며칠 만에, Huihui-ai가 Abliteration(제거) 기법을 적용한 언센서드 버전을 공개했다.

Abliteration은 "탈옥(jailbreak)이 아니라 외과 수술"에 가깝다. 모든 파인튜닝된 AI 모델은 가중치 내부에 거부 방향(refusal direction)이라는 수학적 신호를 가지고 있다. Abliteration은 다음 과정으로 이를 제거한다:

유해 프롬프트와 무해 프롬프트에 대한 모델의 내부 활성화값을 비교
거부를 유발하는 수학적 신호(refusal vector)를 식별
해당 신호를 무력화하도록 가중치를 수정

이 과정은 llama.cpp의 cvector-generator 도구를 사용하여 GGUF 파일에 직접 수행되며, 전체 가중치 재학습이나 GPU 서버가 필요하지 않다. 로컬에서 가볍게 실행 가능한 외과적 수술인 셈이다.

단, 모델 카드에도 명시되어 있듯이 "안전성 필터가 감소하여 출력이 민감하거나 논란의 여지가 있거나 부적절할 수 있으며, 법적·윤리적 책임은 전적으로 사용자에게 있다." 따라서 연구·보안 감사·합성 데이터 파이프라인 등 통제된 환경에서만 사용해야 한다.

6. 로컬에서 Qwable 실행하기

Qwable은 다양한 방법으로 로컬에서 실행할 수 있다. 대표적인 방법을 소개한다.

방법	명령어 / 방식	비고
llama.cpp	llama-cli -m Qwable-v1-IQ4_XS.gguf -p "..."	24GB VRAM 이상 권장
Ollama	ollama run richardyoung/qwable-9b-abliterated	9B 버전: 5.6GB, 256K 컨텍스트
LM Studio	GUI로 GGUF 직접 로드	Q4 양자화: ~16.5GB
vLLM	vllm serve lordx64/Qwable-v1 --tensor-parallel-size 2	16K max model len
Transformers	Python, full bf16	~70GB VRAM 필요

추천 설정: 가정용 PC(24~32GB VRAM)에서는 MTP 버전의 Q5 양자화가 정확도와 속도의 최적 균형을 제공한다는 벤치마크 결과가 있다. MTP(Multi-Token Prediction)는 한 번에 여러 토큰을 예측하여 추론 속도를 높이는 기술이다.

7. 성능 평가 — 실제로 얼마나 좋은가?

Qwable의 성능에 대한 평가는 아직 초기 단계다. 몇 가지 주목할 만한 포인트를 정리한다:

코딩: 기본 Qwen3.6-27B 대비 코드 생성의 구조화된 추론 방식이 개선되었다는 사용자 피드백. 그러나 공식 HumanEval 등 벤치마크 결과는 아직 발표되지 않음
추론 스타일: Fable 5 스타일의 단계별 추론을 잘 모방한다는 평가. "생각하는 것처럼 느껴진다"는 의견
한계: 훈련 데이터가 주로 웹/게임 개발 도메인에 편중되어 있어 범용성은 제한적. lordx64의 Qwable-v1 데이터는 사실상 한 개발자의 Claude Code 세션 히스토리(953개)에서 추출됨
비교: 같은 Qwen3.6-27B 기반의 다른 파인튜닝(Qwopus 등)과 비교 시, 코딩 작업에서 유사하거나 약간 더 나은 결과를 보인다는 사용자 보고

8. 한계와 논란 — 신중하게 봐야 할 점

Qwable이 흥미로운 프로젝트임은 분명하지만, 몇 가지 중요한 한계점도 존재한다.

검증되지 않은 능력 주장

Qwable-v1의 모델 카드에도 벤치마크 표가 "진행 중(in-progress)"으로 표시되어 있다. 제작자의 능력 주장은 아직 제3자에 의해 검증되지 않았다. Verdent.ai의 분석에 따르면 "증명된 것이 아니라 문서화된 것"이며, 커뮤니티 파인튜닝에 기대하는 합리적 수준의 주의가 필요하다.

제한된 훈련 데이터

학습 데이터의 규모와 도메인이 매우 제한적이다. Qwable-v1의 경우 단 4,659행의 데이터이며, 원천은 한 명의 개발자가 Claude Code로 작업한 세션 로그(953개)에 불과하다. 따라서 일반화 능력은 아직 입증되지 않았다.

라이선스 및 법적 문제

Qwable-v1은 AGPL-3.0 라이선스를 사용하는데, 이는 네트워크 서비스에 소스 코드 공개 의무(AGPL §13)를 부과한다. 또한 Fable 5의 추론 데이터(trace)를 기반으로 하므로, 상업적 사용 시 Anthropic의 이용 정책과의 충돌 가능성을 면밀히 검토해야 한다.

Abliteration의 윤리적 딜레마

언센서드 버전은 합법적인 연구와 보안 감사에는 유용하지만, 악용 가능성도 존재한다. "로컬에서 실행되므로 미국 정부도 긴급 회수할 수 없다"는 마케팅 문구는 탈중앙화의 장점인 동시에 규제의 사각지대라는 양날의 검이다.

9. 정리 — Qwable의 의의와 전망

Qwable은 단순한 파인튜닝 모델 그 이상의 의미를 가진다.

모델 주권의 실험장: 중앙화된 API 없이 최첨단 추론 스타일을 로컬에서 재현할 수 있다는 것을 증명했다
커뮤니티 주도 혁신: 대기업이 아닌 개인 개발자(Mia, lordx64, Huihui-ai)가 짧은 시간 안에 의미 있는 결과를 만들어냈다
트레이스 증류의 가능성: 프론티어 모델의 추론 과정(trace)을 오픈 모델에 증류하는 접근법의 유효성을 입증했다
그러나 아직 이르다: 벤치마크 부재, 제한된 데이터, 라이선스 불확실성 등 해결해야 할 과제가 많다

Qwable은 앞으로 추가적인 Fable 5 트레이스 데이터가 공개됨에 따라 v2, v3로 지속 업데이트될 예정이라고 제작자들이 밝히고 있다. 커뮤니티의 반응과 추가 데이터 확보 여부에 따라 이 모델군이 실제로 생산성 도구로 자리잡을지, 아니면 흥미로운 실험으로 남을지가 결정될 것이다.

요약: Qwable은 Claude Fable 5가 중단된 후 커뮤니티가 만든 Fable 스타일 추론 모델군이다. 9B에서 35B까지 다양한 크기로 제공되며, GGUF 포맷으로 로컬 실행이 가능하다. Abliteration 버전은 거부 메커니즘을 제거한 언센서드 버전이다. 성능은 유망하지만 아직 검증이 필요하며, 라이선스와 법적 문제도 확인이 필요하다. 로컬 AI의 미래를 보여주는 중요한 이정표임은 분명하다.

AI가 직접 PC를 조작한다 - Claude vs Gemini, Computer Use 전면전

푸른강아지 — Fri, 26 Jun 2026 11:29:37 +0900

AI가 직접 PC를 조작한다 — Claude vs Gemini, Computer Use 전면전

2026년 6월, 인공지능의 '컴퓨터 사용 능력'이 프론티어 모델의 핵심 경쟁 축으로 부상하고 있습니다. Anthropic은 Claude Opus 4.8을 통해 브라우저 에이전트 최고점을 갱신했고, Google은 Gemini 3.5 Flash에 네이티브 Computer Use를 기본 내장하며 정면 승부를 걸었습니다.

Computer Use가 왜 중요한가

Computer Use는 AI 모델이 사람처럼 컴퓨터 화면을 보고, 마우스를 움직이고, 클릭하고, 키보드로 입력하는 능력을 말합니다. 전통적인 API 기반 자동화와의 결정적 차이는 화면의 스크린샷을 통해 GUI를 직접 인식한다는 점입니다. API가 없거나 문서화되지 않은 레거시 시스템, 웹 애플리케이션, 데스크톱 프로그램까지 제어 대상이 됩니다.

2025년 하반기부터 Anthropic이 Computer Use를 최초로 상용화한 이후, OpenAI(GPT-5.5)와 Google(Gemini 2.5 Computer Use 모델)이 뒤를 쫓았고, 2026년 6월 현재는 Claude와 Gemini의 양강 구도로 재편되고 있습니다.

Claude Opus 4.8 — 84% Online-Mind2Web의 벤치마크 독주

Anthropic이 5월 28일 출시한 Claude Opus 4.8은 Computer Use 분야에서 단연 돋보이는 성과를 냈습니다. Online-Mind2Web에서 84%를 기록하며, 실제 웹사이트(반봇 방어, 레이트 리밋, 동적 DOM)를 대상으로 한 벤치마크에서 업계 최고점을 달성했습니다.

벤치마크 성능

벤치마크	Opus 4.8	의미
Online-Mind2Web	84%	실제 웹 브라우저 자동화
OSWorld-Verified	83.4%	Ubuntu VM 멀티앱 워크플로
Super-Agent	100%	모든 케이스 End-to-End 완료
Legal Agent (all-pass)	최초 >10%	프론티어 모델 중 유일

Dynamic Workflows — 수백 개의 서브에이전트를 단일 세션에서

Opus 4.8과 함께 출시된 Dynamic Workflows는 Claude Code의 기능으로, 단일 세션에서 수십에서 수백 개의 병렬 서브에이전트를 구동할 수 있습니다. 기존의 서브에이전트 시스템이 컨텍스트 윈도우 안에서 계획을 유지했다면, Dynamic Workflows는 JavaScript 오케스트레이션 스크립트를 생성하여 실행합니다. 계획이 컨텍스트가 아닌 코드로 분리되므로, 컨텍스트 윈도우 병목이 사라집니다.

예를 들어 대규모 코드베이스 리팩토링 작업에서 Claude가 작업을 분석하고, 50개의 서브에이전트를 병렬로 실행하며, 각 결과를 검증하고 통합하는 과정이 단일 세션 안에서 자동으로 이루어집니다.

Gemini 3.5 Flash — 네이티브 Computer Use로 정면 승부

Google은 6월 24일, Gemini 3.5 Flash에 Computer Use를 기본 내장했다고 발표했습니다. 이전에는 별도의 전용 모델(Gemini 2.5 Computer Use)로만 제공되던 기능을 메인 Flash 모델에 통합한 것입니다. 이제 Computer Use는 코드 실행, 검색, 함수 호출과 함께 Gemini 3.5 Flash의 네이티브 도구로 자리잡았습니다.

동작 방식과 성능

모델은 사용자 환경의 스크린샷을 찍어 UI 요소(버튼, 텍스트 필드, 메뉴)를 식별하고, 클릭, 타이핑, 스크롤, 탭 전환 등의 액션을 실행합니다. OSWorld-Verified 벤치마크에서 78.4점을 기록하며, GPT-5.5(78.7점)와 불과 0.3점 차이로 경쟁했습니다.

모델	OSWorld 점수	Input 가격(/M)
Claude Opus 4.8	83.4	$5
GPT-5.5	78.7	$5
Gemini 3.5 Flash	78.4	$1.50
Sonnet 4.6	72.5	$3

Gemini 3.5 Flash의 가장 큰 강점은 가격 경쟁력입니다. Input $1.50/M 토큰은 Claude Opus 4.8($5)의 30% 수준이며, GPT-5.5 대비 3배 이상 저렴합니다. 100만 토큰 컨텍스트 윈도우와 64K 출력, 텍스트/이미지/오디오/비디오 입력을 지원하는 스펙도 인상적입니다.

Chrome Enterprise와의 시너지

Google은 2026년 초 Chrome Enterprise에 Agentic Browsing(Auto Browse) 기능을 추가했습니다. Gemini 3.5 Flash의 Computer Use는 이와 연계되어 기업 환경에서 브라우저, 데스크톱, 모바일 전반을 아우르는 크로스 플랫폼 에이전트로 확장됩니다. Gemini Enterprise Agent Platform을 통해 개발자는 몇 줄의 코드로 Computer Use 에이전트를 구축할 수 있습니다.

Claude vs Gemini — Computer Use 전략 비교

항목	Claude Opus 4.8	Gemini 3.5 Flash
접근 방식	OS 전반 + 파일 시스템 제어	스크린샷 기반 GUI 제어
OSWorld	83.4	78.4
Input 가격	$5/M	$1.50/M
서브에이전트	Dynamic Workflows (최대 1,000개)	Agent Platform 기반
컨텍스트	200K	1M
출시일	5월 28일	6월 24일
주요 채널	Claude API / Code / Desktop	Gemini API / Agent Platform / Chrome

보안과 안전 — AI가 내 컴퓨터를 조작해도 괜찮을까

AI가 직접 PC를 조작하는 기능은 막강하지만, 그만큼 위험도 큽니다. 두 회사는 각각의 안전장치를 도입했습니다.

Anthropic은 Opus 4.8에서 코드 정직성(Code Honesty)을 4배 향상시켜, 모델이 자신이 작성한 코드의 결함을 인지하면 사용자에게 플래그를 표시하도록 했습니다. 또한 Opus 4.8은 프롬프트 인젝션에 더 민감하게 반응하도록 조정되었습니다.

Google은 Gemini 3.5 Flash에 두 가지 기업용 안전장치를 추가했습니다: (1) 민감한 작업(폼 제출, 구매, 데이터 삭제) 전 사용자 확인 mandatory, (2) 간접 프롬프트 인젝션 탐지 시 자동 중단. 또한 Computer Use 시나리오에 특화된 대립 훈련(Adversarial Training)을 적용했습니다.

다만 두 모델 모두 예상치 못한 팝업, CAPTCHA, 동적 로딩 콘텐츠, 익숙하지 않은 레이아웃에서는 여전히 어려움을 겪습니다. 구글은 "어떤 단일 안전장치도 완벽하지 않다"며 방어 계층(샌드박싱, 사람의 개입, 접근 통제)의 중요성을 강조합니다.

Computer Use, 어디로 가고 있나

현재 Computer Use 시장은 세 가지 레이어에서 경쟁이 펼쳐지고 있습니다.

브라우저 자동화 레이어

Claude Opus 4.8(84% Mind2Web)이 가장 앞서 있지만, Gemini 3.5 Flash가 Chrome Enterprise와의 긴밀한 통합으로 기업 시장에서 빠르게 추격 중입니다.

데스크톱 및 OS 레이어

Anthropic이 OS 전반 + 파일 시스템 제어에서 앞서 있습니다. Dynamic Workflows를 통해 대규모 병렬 작업이 가능하다는 점도 차별점입니다.

비용 효율성 레이어

Gemini 3.5 Flash가 압도적으로 유리합니다. 고규모 엔터프라이즈 배포에서는 Input $1.50/M의 가격이 결정적일 수 있습니다.

흥미로운 점은 OpenAI의 자체 추론 칩 'Jalapeño' 공개입니다. OpenAI가 Broadcom과 협력하여 개발한 첫 커스텀 LLM 추론 ASIC 칩으로, 연말 기가와트 규모 데이터센터에 배포될 예정입니다. 이는 Nvidia 의존도를 낮추고 AI 인프라 비용을 대폭 절감할 수 있는 신호탄으로, Computer Use의 상용화에도 속도가 붙을 전망입니다.

AI가 직접 화면을 보고 작업을 수행하는 시대는 이미 현실이 되었습니다. 2026년 하반기, Computer Use는 단순한 기능이 아닌 AI 플랫폼의 필수 구성 요소로 자리잡을 것입니다.

2026년 AI 개발자 도구 트렌드 - RubyLLM, Nub, open-code-review부터 ax-grep까지

푸른강아지 — Thu, 25 Jun 2026 11:14:19 +0900

2026년 AI 개발자 도구 트렌드 — RubyLLM, Nub, open-code-review부터 ax-grep까지

2026년 상반기, 개발자 도구 생태계에 큰 변화의 물결이 일고 있습니다. AI 에이전트가 코드 리뷰부터 웹 탐색까지 개발 전반에 스며들면서, 이를 지원하는 새로운 도구들이 쏟아져 나오고 있죠. 이번 리포트에서는 Hacker News와 GeekNews에서 뜨거운 관심을 받은 6가지 주요 도구와 프로젝트를 깊이 있게 살펴봅니다.

RubyLLM — 모든 AI 제공업체를 하나로 묶는 Ruby 프레임워크

Hacker News 335pt를 기록하며 Ruby 커뮤니티를 뒤흔든 RubyLLM은 모든 주요 AI 제공업체(OpenAI, Anthropic, Google, Mistral, DeepSeek 등)를 단일하고 아름다운 Ruby 인터페이스로 통합한 프레임워크입니다.

Ruby on Rails 진영에서는 2026년 현재 "AI 앱을 만든다면 Python이 아니라 Rails + RubyLLM이 기본값"이라는 주장이 설득력을 얻고 있습니다. LangChain의 복잡한 추상화 레이어 없이도 단 몇 줄의 코드로 GPT, Claude Opus, Gemini 등 다양한 모델을 자유롭게 전환할 수 있다는 점이 핵심 강점입니다.

ruby
require "ruby_llm"

client = RubyLLM.new(provider: :openai, model: "gpt-5.5")
response = client.chat(messages: [{ role: "user", content: "Hello" }])
puts response.content

비동기 처리, 토큰 사용량 추적, 스트리밍 응답 등 프로덕션 환경에 필요한 기능을 기본으로 제공하며, Ruby의 문법적 장점을 최대한 살린 API 설계가 특징입니다. "AI = Python"이라는 공식을 깨는 상징적인 프로젝트로 평가받고 있습니다.

⚡ Nub — Bun 스타일 Node.js 올인원 툴킷 (Show HN 192pt)

Hacker News Show HN에서 192pt를 기록한 Nub(github.com/nubjs/nub)은 Bun의 올인원 접근법에서 영감을 받았지만, Node.js를 대체하지 않고 증강(Augment)하는 방식을 채택한 Rust 기반 툴킷입니다. 별도 nub CLI 하나로 파일 실행, 스크립트 실행, 패키지 매니저, Node.js 버전 관리자 역할을 모두 수행합니다.

핵심 성능 수치를 보면 그 장점이 확연합니다:

nub run — 14.7ms (npm run 대비 22배 빠름)
nubx (패키지 실행) — 11ms (npx 대비 19배 빠름)
TypeScript 실행 시 tsx 대비 2.9배 빠른 시작
Rust 기반 Rust 65% — oxc(JavaScript/TypeScript 옵티마이저) 내장

특히 Node.js 22+의 --import, module.registerHooks(), N-API 네이티브 애드온 등 기존에 없던 Node 확장 표면을 적극 활용하여, 완전히 새로운 런타임을 만들지 않고도 성능을 극대화한 점이 기술적으로 매우 인상적입니다. pnpm 워크스페이스, .env 자동 로딩, Temporal/WebSocket 폴리필 등 모던 DX를 모두 지원합니다.

open-code-review — 알리바바의 AI 코드 리뷰 도구, 전격 오픈소스화

중국 최대 기술 기업 알리바바 그룹이 내부에서 2년간 수만 명의 개발자에게 서비스하며 100만 개 이상의 코드 결함을 발견한 AI 코드 리뷰 도구를 Apache 2.0 라이선스로 공개했습니다. GitHub에서 불과 며칠 만에 8,600개 이상의 Star를 받으며 폭발적 인기를 끌고 있습니다.

기존의 AI 코드 리뷰 도구들이 LLM 의존적이라 일관성이 떨어졌던 반면, open-code-review는 결정론적 엔지니어링(Deterministic Engineering)과 에이전트(Agent)를 혼합한 하이브리드 아키텍처를 채택했습니다. 파일 선택, 규칙 매칭 등은 코드 기반으로 정확하게 처리하고, 실제 리뷰만 LLM이 수행하는 구조입니다.

주요 성능 지표:

동일 모델 대비 Claude Code 등 범용 에이전트보다 Precision과 F1 점수에서 월등히 우수
토큰 사용량 1/9 수준으로 대폭 절감
내장된 미세 조정 규칙셋: NPE, 스레드 안전성, XSS, SQL 인젝션 등
OpenAI & Anthropic 모두 호환, 어떤 LLM으로도 사용 가능

50개의 인기 오픈소스 저장소, 200개의 실제 PR, 10개 언어, 80명 이상의 시니어 엔지니어가 검증한 1,505개의 Ground-Truth 이슈로 벤치마크된 이 도구는, AI 코드 리뷰의 새로운 기준을 제시하고 있습니다.

ax-grep — 접근성 트리로 에이전트 웹 검색을 최적화하다

AI 에이전트가 웹 페이지를 이해하는 방식이 근본적으로 변화하고 있습니다. 기존에는 전체 HTML DOM을 파싱하거나 시각적 스크린샷에 의존했지만, ax-grep은 브라우저의 접근성 트리(Accessibility Tree)를 활용하여 에이전트의 웹 탐색을 최적화합니다. 접근성 트리는 브라우저가 스크린 리더를 위해 자동으로 생성하는 페이지의 의미론적 구조 표현으로, 역할(Role), 이름(Name), 상태(State)가 태깅된 요소들의 계층 구조로 이루어져 있습니다.

이 접근법의 핵심 장점은 토큰 효율성에 있습니다. 전체 DOM을 그대로 전달하는 것과 비교해, 접근성 트리는 의미 있는 구조적 요소만 추출하므로 최대 3배 적은 토큰으로 동일한 수준의 페이지 이해가 가능합니다. 또한 버튼, 메뉴, 폼 필드 등 상호작용 가능한 요소의 역할과 이름이 안정적으로 식별 가능해, 픽셀 기반 Computer Use 접근법에서 발생하는 좌표 변동 문제도 해결합니다.

️ Datasette Agent 0.2a0 — ask_user()로 안전한 데이터베이스 에이전트

Simon Willison이 개발한 Datasette Agent는 SQLite 데이터베이스를 위한 LLM 기반 에이전트입니다. 0.2a0 버전에서 도입된 ask_user() 기능은 에이전트가 중요한 결정을 내리기 전에 사용자 승인을 받도록 설계되었습니다.

ask_user()는 예/아니오 질문, 객관식(options=[...]), 자유 텍스트(free_text=True) 등 세 가지 모드를 지원합니다. 질문이 미응답 상태인 동안 에이전트 턴은 일시 중단되며, 질문은 채팅 UI에 폼으로 렌더링됩니다. 이 상태는 내부 데이터베이스에 지속(persist)되어 서버를 재시작해도 복구됩니다.

이후 0.3a0에서는 execute_write_sql 툴이 추가되어 저장된 쿼리 작성 시에도 사용자 승인을 요구합니다. CLI 모드에서는 --unsafe 플래그로 모든 승인을 생략할 수 있어, "notes 테이블을 만들어줘"와 같은 자연어 명령으로 바로 데이터베이스를 조작할 수도 있습니다.

이 접근법은 AI 에이전트가 안전하게 데이터를 다루기 위한 인간-에이전트 협업 인터페이스의 좋은 사례를 보여줍니다.

DiffusionGemma — Google의 오픈웨이트 확산 이미지 생성 모델

Google DeepMind가 Gemma 4 패밀리의 일부로 공개한 DiffusionGemma는 Google 최초의 오픈웨이트 확산(Diffusion) 언어 모델입니다. Apache 2.0 라이선스로 배포되어 누구나 자유롭게 실험하고 상용 제품에 통합할 수 있습니다.

기존의 자기회귀(Autoregressive) 언어 모델이 토큰을 순차적으로 생성하는 반면, DiffusionGemma는 이미지 생성 모델의 확산 기법을 텍스트 생성에 적용합니다. 노이즈부터 시작해 전체 시퀀스를 반복적으로 정제(Denoising)하며, 한 번에 256 토큰 패치 단위로 병렬 생성합니다. 이를 통해 최대 4배 빠른 텍스트 생성 속도를 달성했습니다.

모델 스펙:

26B Total 파라미터 / ~4B Active (MoE, 128 Experts)
슬라이딩 윈도우 어텐션 + 주기적 글로벌 레이어로 최대 256K 컨텍스트
BF16 / FP8 / NVFP4 / GGUF 양자화 지원 (Hugging Face Transformers, vLLM, MLX, llama.cpp 모두 지원)
확산 블록 내 병렬 + 블록 간 자기회귀의 하이브리드 디코딩

출시 당일부터 Hugging Face Transformers, vLLM, MLX, llama.cpp에서 즉시 사용 가능하며, Google의 Gemma 4 생태계와 완전히 통합되어 있습니다. 이 모델은 오픈소스 이미지 생성 모델의 새로운 패러다임을 열었다는 평가를 받고 있습니다.

마치며

2026년 개발자 도구 생태계는 "AI 에이전트가 어떻게 더 효율적으로 개발자의 일을 도울 것인가"라는 하나의 질문으로 수렴하고 있습니다. RubyLLM은 Ruby 생태계에서 AI 개발의 문턱을 낮췄고, Nub은 Node.js의 DX를 혁신했으며, open-code-review는 실용적인 AI 코드 리뷰의 표준을 제시했습니다. ax-grep은 에이전트의 웹 이해 방식을 재정의하고, Datasette Agent는 안전한 데이터 조작 에이전트의 모범 사례를, DiffusionGemma는 오픈 이미지 생성 모델의 지평을 넓혔습니다.

이러한 도구들이 오픈소스로 공개되고 경쟁하면서, 개발자 한 사람이 할 수 있는 일의 범위는 계속 확장되고 있습니다. 앞으로의 변화가 더욱 기대됩니다.

AI 칩 전쟁, 새로운 국면 - OpenAI 커스텀 칩부터 Qualcomm의 Modular 인수까지

푸른강아지 — Thu, 25 Jun 2026 11:09:52 +0900

AI 칩 전쟁, 새로운 국면 — OpenAI 커스텀 칩부터 Qualcomm의 Modular 인수까지

6월 넷째 주, AI 반도체 업계에 세 건의 폭발적 뉴스가 쏟아졌다. OpenAI가 첫 커스텀 AI 칩 'Jalapeño'를 공개했고, Qualcomm은 AI 소프트웨어 스타트업 Modular를 40억 달러에 인수했으며, NVIDIA는 데이터센터 물 사용량을 거의 제로로 줄이는 45°C 액체 냉각 설계를 발표했다.

1. OpenAI, 첫 커스텀 AI 칩 'Jalapeño' 공개 — Broadcom과 협력

OpenAI가 드디어 자체 커스텀 AI 칩을 공개했다. 코드명 'Jalapeño'. Broadcom과의 전략적 협력을 통해 설계되었으며, TSMC에서 제조된다. 이 소식은 Hacker News에서 473 포인트, 303개 댓글을 기록하며 최고 관심사를 차지했다.

핵심은 추론(Inference) 특화 칩이라는 점이다. OpenAI의 자체 AI 모델이 칩 설계 과정에 참여했으며, 설계부터 생산까지 단 9개월 만에 완료되었다. 초기 테스트 결과, 현재 최첨단 대비 "현저히 우수한 성능 대비 전력 효율"을 보여주고 있다.

Broadcom CEO Hock Tan의 발언

"Jalapeño는 일반 AI GPU 대비 약 50%의 비용 절감 효과를 제공한다. Blackwell이나 Google TPU에 뒤지지 않는 성능이다."

HN 커뮤니티의 핫한 논쟁

303개 댓글에서는 주로 다음 세 가지 주제가 논쟁의 중심이었다.

9개월 설계 기간: 일부는 "단순 마케팅"이라고 비판했지만, 칩 업계 관계자는 "RTL 프리즈부터 테이프아웃까지 측정하면 전형적인 3nm 칩 타임라인"이라고 설명했다.
AI의 칩 설계 활용: HDL(Verilog/VHDL)에 LLM을 활용한 테스트벤치 및 검증 코드 생성이 생산성을 크게 높였다는 의견과, "LLM이 만들어내는 결과는 그럴듯하지만 종종 틀렸다"는 회의론이 공존했다.
추론 vs 학습: "학습은 일회성 비용이지만, 추론은 지속적 비용이므로 시간이 지날수록 학습보다 훨씬 더 많은 리소스를 소비한다"는 점에서 커스텀 추론 칩의 중요성이 강조되었다.

OpenAI의 Greg Brockman 사장은 "우리는 워크로드를 깊이 이해하고 있다. 구체적인 워크로드 중 제대로 서비스되지 않는 부분을 찾아, 어떻게 하면 가능한 것을 가속화할 수 있을지 고민했다"고 밝혔다. Jalapeño는 올해 연말까지 배치를 완료할 계획이며, 이는 멀티 제너레이션 칩 개발 로드맵의 첫 단계다.

2. Qualcomm, Modular 인수 — Mojo 언어와 함께 40억 달러 딜

Qualcomm이 AI 스타트업 Modular를 약 40억 달러(약 5조 2천억 원)에 인수한다고 6월 24일 발표했다. 전량 주식 교환 방식이다. Modular는 Chris Lattner와 Tim Davis가 공동 창업한 회사로, AI 전용 프로그래밍 언어 Mojo의 개발사로 유명하다.

Modular의 핵심 기술은 여러 칩 아키텍처에서 AI 모델을 실행할 수 있는 소프트웨어 레이어다. NVIDIA, AMD 등 다양한 벤더의 칩을 하나의 코드베이스로 구동할 수 있어, 개발자들에게 "진정한 하드웨어 선택의 자유"를 제공한다. 이는 NVIDIA의 독점적 소프트웨어 플랫폼 CUDA에 정면으로 도전하는 움직임이다.

Qualcomm CEO Cristiano Amon의 발언

"미래는 개발자 친화적인 수평적 플랫폼에 속한다. 다양한 컴퓨팅 환경에서 작동하며 고객에게 AI를 배포할 진정한 선택권을 주는 플랫폼이 승리할 것이다."

Reuters는 이번 인수를 "Qualcomm이 데이터센터 시장에서 NVIDIA의 CUDA 독점에 정면 도전하는 신호"라고 평가했다. Qualcomm은 이미 올해 연말까지 데이터센터용 AI 칩 출하를 준비 중이며, 앞서 Tenstorrent 인수(80~100억 달러 규모)도 협상 중인 것으로 알려졌다. 두 건의 인수가 성사되면, 불과 몇 주 만에 140억 달러 이상을 AI 데이터센터 생태계 구축에 투입하는 셈이다.

Hacker News에서도 이 소식은 122 포인트를 기록하며 큰 주목을 받았다. eMarketer의 Jacob Bourne 분석가는 "Qualcomm은 더 효율적으로 추론을 처리하는 소프트웨어를 소유함으로써 데이터센터 시장에 진입하려 한다"고 분석했다.

3. NVIDIA, 45°C 액체 냉각 설계 — 데이터센터 물 사용량 '거의 제로'

AI 칩 전쟁의 또 다른 전선은 데이터센터 인프라다. NVIDIA가 발표한 새로운 45°C 온수 액체 냉각 시스템은 데이터센터의 물 사용량을 거의 제로로 줄일 수 있는 혁신적 설계다. Hacker News에서 162 포인트, 105개 댓글로 활발한 토론이 이어졌다.

어떻게 작동하나?

냉각수가 45°C로 서버 랙에 유입되어 55°C로 배출된다
기존의 증발식 냉각탑 대신 드라이 쿨러(건식 냉각기)를 사용 → 물 증발 없음
기존 하이브리드 방식(GPU만 액체 냉각)과 달리 서버 전체가 완전 액체 냉각됨
서버 팬이 필요 없어 소음도 대폭 감소

NVIDIA에 따르면, 기존 데이터센터는 MW(메가와트)당 연간 약 260만 갤런(약 984만 리터)의 물을 냉각에 사용했다. 45°C 액체 냉각 시스템은 이 수치를 거의 0에 가깝게 낮춘다. NVIDIA의 CSO Josh Parker는 "데이터센터의 물 소비 문제는 대부분 해결되었다"고 선언했다.

환경적 영향

45°C의 배출수는 지역 난방(District Heating)에 활용 가능하다. Microsoft는 이미 핀란드에서 데이터센터와 지역 난방망을 연결하는 프로젝트를 진행 중이다. 다만 45°C는 난방용으로는 다소 낮은 온도라 히트펌프 부스팅이 필요할 수 있다.

TechCrunch의 날카로운 지적

TechCrunch의 Tim De Chant 기자는 이 기술이 데이터센터 내부의 물 사용만 해결할 뿐, 더 큰 문제인 발전용 물 소비를 간과하고 있다고 지적했다. 현재 AI 데이터센터 전력의 약 50%는 화석 연료에서 공급되며, 화력 발전소의 냉각 과정에서 엄청난 양의 물이 소비된다. 천연가스는 kWh당 1.17리터, 석탄은 2.20리터의 물을 소비한다. NVIDIA의 솔루션은 전체 AI 데이터센터 물 소비의 약 25~33%만 해결한다는 분석이다.

HN 커뮤니티에서는 "Cray가 40년 전에도 이렇게 했다"는 역사적 맥락을 언급하는 의견부터, "기후가 더운 지역에서는 여전히 보조 냉각이 필요하다"는 현실적 지적까지 다양하게 논의되었다. 그럼에도 불구하고, 데이터센터의 물 사용량을 극적으로 줄인 이 기술은 AI 인프라의 지속 가능성 측면에서 중요한 이정표로 평가받고 있다.

종합 분석 — AI 칩 전쟁의 3가지 전선

이번 주 세 가지 뉴스는 AI 칩 전쟁이 단순한 성능 경쟁을 넘어 세 가지 전선에서 동시에 벌어지고 있음을 보여준다.

전선	주요 플레이어	핵심 경쟁 요소
① 커스텀 실리콘	OpenAI + Broadcom, Google TPU, Amazon Trainium	비용 효율성, 전력 효율, 워크로드 맞춤 최적화
② 소프트웨어 생태계	NVIDIA CUDA vs Qualcomm + Modular	개발자 락인, 멀티 아키텍처 지원, 수평적 개방성
③ 인프라 지속 가능성	NVIDIA 액체 냉각, 재생 에너지 전환	물 사용량 제로, 탄소 배출, 지역 난방 연계

특히 주목할 점은 Qualcomm의 공격적 행보다. 스마트폰 칩 의존도를 낮추고 데이터센터 AI 시장으로의 전환을 위해 Modular(40억 달러)와 Tenstorrent(80~100억 달러)라는 두 건의 대형 인수를 동시에 추진 중이다. 이는 NVIDIA의 아성에 도전하는 가장 체계적인 시도로 평가된다.

한편 OpenAI의 Jalapeño는 단순한 칩 이상의 의미를 갖는다. OpenAI는 이제 프론티어 모델, 제품, 데이터센터, 칩 아키텍처, 커널, 메모리 시스템, 네트워킹, 스케줄링, 배포 시스템에 이르기까지 전 스택을 수직 통합하고 있다. 이는 "더 빠르고, 더 안정적이며, 더 저렴한 AI"라는 하나의 목표를 위해 모든 레이어가 최적화된 완전체를 향한 움직임이다.

AI 칩 전쟁의 승자는 단순히 가장 빠른 칩을 만드는 기업이 아니라, 하드웨어, 소프트웨어, 인프라를 아우르는 생태계를 가장 잘 구축하는 기업이 될 것이다. 2026년 하반기, 그 승자를 향한 경쟁이 본격화되고 있다.