Category
AI 에이전트
AI 에이전트는 목표를 받아 스스로 계획을 세우고 도구를 호출해 작업을 끝까지 수행하는 시스템이다. 단발 응답형 챗봇과 달리 다단계 추론·실행·재시도 루프를 돈다. 코드 작성, 리서치, 운영 자동화에 실제 투입되며 권한과 검증 설계가 성패를 가른다.
iOS 27 베타에서 사용 가능한 Siri AI
iOS 27 베타에서는 사용 가능한 Siri가 제공되며, Siri AI는 일상적인 iPhone 작업을 수행하는 데 신뢰할 수 있는 수준에 도달했다.
AI 에이전트를 통한 업무 효율성 증대
지식 근로자들이 AI 에이전트를 업무에 통합하고 있다. 이러한 에이전트는 '디지털 동료'로서 버그 보고서를 검토하고, 수정 사항을 구현 및 테스트하며, 패치를 배포하고, 인간에게 검토를 요청하는 등의 작업을 수행할 수 있다. 반복적인 작업을 처리함으로써 생산성 향상의 잠재력을 가지고 있다.
Amazon Bedrock AgentCore를 활용한 AI 에이전트 성능 최적화
AI 에이전트가 프로토타입에서 생산으로 전환될 때, 성능 저하 문제를 해결하는 것이 중요하다. Amazon Bedrock AgentCore의 AgentCore Observability와 Amazon CloudWatch를 사용하여 에이전트의 성능 병목 현상을 식별하고 메모리 문제를 진단할 수 있다. 성능 저하의 징후로는 응답 시간이 점차 증가하는 것이 있으며, CloudWatch를 통해 3초 이상 소요된 요청을 쿼리하여 병목 현상을 찾고, 요청 타임라인을 분석하여 시간이 많이 소요되는 작업을 파악해야 한다.
MCP 2.0 출시와 stateless MCP의 장점
2026년 7월 28일, Model Context Protocol(MCP) 2.0이 출시되었다. 이는 MCP 사양에 있어 가장 중요한 변화로, stateless MCP는 클라이언트와 서버 구현의 복잡성을 크게 줄인다. 이전의 stateful MCP는 두 개의 HTTP 요청이 필요했지만, 새로운 stateless MCP는 단일 HTTP 요청으로 처리할 수 있어 웹 애플리케이션의 확장성에 더 적합하다. 또한, 'mcp-explorer'라는 stateless Python CLI 도구가 개발되어 MCP 서버를 인터랙티브하게 탐색할 수 있게 되었다.
Decagon의 오픈소스 모델 활용과 기업 AI 배포 전략
Decagon의 공동 창립자 Jesse Zhang과 Ashwin Sreenivas는 기업 AI 에이전트의 발전과 오픈소스 모델 의존도를 설명하며, 고객 지원, 판매 및 운영 워크플로우 자동화를 통해 세계 최대 기업에 AI를 배포하는 방법을 논의했다. Decagon은 대부분의 추론을 오픈소스 모델로 전환했으며, 지연 시간, 평가 및 미세 조정이 생산 AI 시스템에 미치는 영향을 설명했다. 또한, 기업 AI는 단순히 최첨단 모델에 연결하는 것 이상의 요구가 있다고 강조했다.
Echoverse: 컴퓨터 사용 에이전트를 위한 심층 진화 환경
Microsoft는 컴퓨터 사용 에이전트를 위한 12개의 훈련 세계를 구축했다. 이 중 10개는 심층 도메인 세계, 2개는 능력 세계로 구성되어 있으며, 다양한 형태의 제어 요소를 다룬다. 9B 모델은 이 12개 세계에서 훈련 후 기본 점수 36.5%에서 67.1%로 거의 두 배로 증가했으며, GPT-5.4와의 차이는 14점으로 줄어들었다. 이 연구는 높은 시뮬레이션 충실도가 필수적이며, 얕은 세계에서 모델이 퇴보하고 깊은 세계에서 개선된다는 교훈을 제공했다.
프랭크 코일의 AI 엔지니어링에서의 온톨로지 재조명
UC 버클리의 프랭크 코일 교수는 AI 엔지니어링에서 온톨로지의 중요성을 강조하며, LLM이 효과적으로 작동하기 위해서는 '논리적 가드레일'이 필요하다고 주장했다. 그는 온톨로지를 '데이터 구조의 설명'으로 정의하고, Neo4j의 CEO 에밀 아이프렘은 비즈니스, 기술, 실행 추적의 세 가지 유형의 온톨로지를 소개했다. 코일은 웹 온톨로지가 에이전트 시스템 구축에 유용하다고 언급하며, 기존의 온톨로지를 활용하는 것이 LLM의 훈련 데이터와 잘 맞는다고 말했다. 또한, 온톨로지가 LLM의 경계를 유지하는 데 기여할 수 있다고 덧붙였다.
기업 환경에서의 에이전틱 AI 구축
에이전틱 AI는 단순한 챗봇 이상의 기능을 제공하며, 비즈니스 작업을 사람, 워크플로우, 데이터 및 시스템 전반에 걸쳐 실행하는 소프트웨어 에이전트를 포함한다. 에이전틱 AI의 성능을 평가하기 위해 인텔은 Terminal-Bench라는 오픈 소스 벤치마크 도구를 확장하여 에이전트의 성능을 LLM 변동성과 분리하여 분석하였다. 에이전트 밀도(agents per vCPU)를 기준으로 계획하고, 평균 CPU 활용도 대신 작업 지연(P95)을 모니터링하는 것이 중요하다.
Kernel Forge: LLM 기반 CUDA 커널 생성 및 최적화를 위한 에이전트 시스템
Kernel Forge는 PyTorch 모델을 지원하는 오픈 소스 에이전트 시스템으로, 비전, 확산, LLM 작업을 처리할 수 있다. 이 시스템은 Monte Carlo Tree Search (MCTS)를 사용하여 여러 최적화 경로를 탐색하며, 진행 상황 모니터링, 후보 커널 검사 및 실패 디버깅을 위한 그래픽 사용자 인터페이스를 제공한다. NVIDIA DGX Spark에서 50회의 최적화 반복만으로 14개의 커널을 최적화하여 PyTorch eager mode보다 성능을 향상시켰고, ResNet-50의 adaptive_avgpool2d에서 $1.52 imes$, Stable Diffusion 3.5 Medium의 group_norm에서 $1.70 imes$, Gemma 4 E2B의 softmax에서 $2.83 imes$, Qwen 3.5 35B-A3B의 softmax에서 $1.54 imes$의 성능을 기록했다.
LangGraph와 Strands를 활용한 시장 감시 에이전트 구축
AI 애플리케이션이 발전함에 따라 복잡한 다중 에이전트 워크플로우를 조정하는 데 새로운 도전이 생기고 있다. LangGraph는 다중 에이전트 조정을 위한 상태 및 방향 그래프 관리에 뛰어나며, Strands는 개별 워크플로우 노드 내에서의 추론 엔진 역할을 한다. Amazon Bedrock AgentCore의 출시로 복잡한 사용 사례를 처리할 수 있는 생산 준비 완료된 에이전틱 AI 시스템을 구축할 수 있다. 이 포스트에서는 LangGraph와 Strands를 사용하여 AWS 인프라에서 다중 에이전트 AI 시스템을 설계하고 배포하는 방법을 설명한다.
MCP 2026-07-28 사양 발표 및 AgentCore Gateway 지원
모델 컨텍스트 프로토콜(Model Context Protocol, MCP)의 2026-07-28 사양이 발표되었다. 이 버전에서는 프로토콜이 무상태(stateless)로 변경되어 일반 HTTP 인프라에서 확장 가능해졌다. 새로운 버전은 거버넌스 확장 시스템을 도입하고, OAuth 2.0 및 OpenID Connect와의 권한 부여를 강화하며, 향후 호환성 보장을 위한 라이프사이클 보장을 설정하였다. 기존 클라이언트는 이전과 동일하게 작동하며, 새로운 버전은 선택적으로 활성화할 수 있다.
Superunit: 전화, 이메일 및 팩스를 통한 고용 검증 AI 에이전트
Superunit은 전화, 이메일 및 팩스를 통해 고용을 검증하는 AI 에이전트를 제공합니다.
Outshift의 AGNTCY와 Mycelium을 통한 다중 에이전트 시스템의 협력
Outshift의 Vijoy Pandey는 다중 AI 에이전트가 협력하여 환자 치료를 조정할 수 있도록 하는 '연결 조직'의 필요성을 강조했다. 이를 위해 Outshift는 AGNTCY라는 오픈소스 연결 레이어를 개발하였으며, 이는 에이전트들이 서로를 발견하고 메시지를 교환할 수 있게 한다. 또한, Mycelium이라는 협력 레이어를 통해 에이전트들이 목표를 설정하고 정보를 공유하며 갈등을 해결하는 과정을 지원한다.
FlowEvo: 작업 흐름과 실행 가능한 기술의 공동 진화를 통한 자기 진화 에이전트
FlowEvo는 성공적인 작업 흐름을 재사용 가능한 기술 기록으로 컴파일하는 훈련 없는 프레임워크이다. 이 프레임워크는 세 가지 메커니즘으로 구성된다: (1) 성공적인 작업 흐름에서 실행 가능한 아티팩트를 추출하는 작업 흐름-기술 컴파일, (2) 누적된 기술을 활용하여 미래 문제 해결을 지원하는 기술-작업 흐름 피드백, (3) 부정적 전이를 초래하는 기술을 억제하는 기술 큐레이션. FlowEvo는 ALFWorld에서 82.8%의 성공률을 달성하며, 이는 가장 강력한 기준선보다 23.6% 포인트 높은 수치이다. 또한, 평균 토큰 사용량은 가장 효율적인 기준선의 절반 이하이다.
monday.com의 Amazon Bedrock에서의 AI Teammates 운영
monday.com은 Amazon Bedrock에서 AI Teammates를 운영하며, 90%의 Builders가 매달 AI 코딩 도구를 사용하고 있다. 엔지니어당 PR 처리량이 50% 이상 증가했으며, 시스템은 Slack, GitHub, monday에서의 작업을 통합하여 하나의 에이전트 세션으로 운영된다. Sphera는 monday의 내부 에이전트 시스템으로, 각 에이전트는 고유한 정체성을 가지고 팀과 함께 작업한다.
Amazon Bedrock AgentCore 최적화를 통한 침묵하는 에이전트 실패 탐지
Amazon Bedrock AgentCore 최적화는 AI 에이전트의 행동 실패를 발견하고 설명하며 우선순위를 매기는 통찰력을 제공한다. 이 최적화는 기존의 관찰 가능성 모델을 반응적 추적 검사에서 능동적 패턴 탐지로 전환하며, 사용자가 요청한 실제 분포와 에이전트의 응답 방식을 분석하여 시스템의 성능에 영향을 미치는 패턴을 이해할 수 있게 한다. AgentCore는 11가지 행동 실패 유형을 탐지하고, 각 실패에 대한 위치, 범주 및 설명을 제공한다.
AI 에이전트 SaaS의 패러다임 전환
AI 시대에는 도구가 아닌 일 그 자체를 판매하는 방향으로 패러다임이 변화하고 있다. Greg Isenberg는 AI 에이전트가 새로운 SaaS 모델이 될 것이라고 주장하며, 이는 노동의 본질과 가치 창출 방식, 창업 기회에 대한 구조적 전환을 의미한다. OpenAI는 GPT-5.6과 음성 모델을 공개했으며, 바이트댄스와 메타는 차세대 이미지 및 영상 생성 모델을 발표했다.
AI 음성 에이전트 비즈니스 모델 분석
Jason Wardrop은 지역 소상공인에게 AI 전화 응대 시스템을 월 $497에 판매하는 비즈니스 모델을 제안한다. 이 모델은 기술이 해결하는 구체적인 문제에 초점을 맞추고 있으며, 복잡한 기술 없이도 수익을 창출할 수 있는 가능성을 보여준다.
미국 가정에서의 AI 역할 변화
AI는 미국 가정에서 저녁 준비와 취침 시간에 도움을 주며, 가족의 일원처럼 행동하는 존재로 발전하고 있다. Lurie Children's Hospital의 조사에 따르면, 81%의 부모가 육아 작업에 AI를 사용하고 있으며, Pew Research에 따르면 64%의 미국 청소년이 주로 연구와 학교 작업을 위해 챗봇을 이용하고 있다. OpenAI는 첫 번째 하드웨어 장치로 '인간 같은 AI 동반자'를 위한 화면 없는 모바일 스마트 스피커를 개발 중이다.
NVIDIA Rubin GPU 아키텍처: 에이전틱 AI 시대의 동력
NVIDIA의 Rubin GPU 아키텍처는 단순한 AI 모델 훈련과 인간 대면 채팅 인터페이스에서 발전하여, 항상 작동하는 AI 공장으로 진화하였다. 이러한 AI 공장은 에이전틱 워크플로우를 지원하며, 추론, 계획, 도구 사용, 중간 결과 검증 및 복잡한 다단계 작업 실행을 수행한다. 에이전틱 작업은 단일 프롬프트로 정의되지 않는다.
Meta, AI 챗봇에 생산성 기능 추가
Meta는 AI 챗봇을 업그레이드하여 질문에 답변하고 이미지를 생성하는 기능을 넘어서려 하고 있다. 이번 업데이트는 Meta AI가 사용자의 캘린더에 접근하여 이벤트 계획을 돕고, 일일 브리핑을 생성하며, 심층 연구를 수행할 수 있게 한다. 이 업데이트는 CEO 마크 저커버그가 AI의 미래로 언급한 '개인 슈퍼인텔리전스'를 향한 다음 단계로 설명된다. Meta는 이번 업데이트에 Muse Spark 1.1 모델을 사용하고 있다.
API 호출 에이전트를 위한 환경 없는 합성 데이터 생성
API 호출 대형 언어 모델(LLM) 에이전트를 훈련하기 위해서는 대량의 고품질 경로가 필요하다. 그러나 이러한 데이터를 대규모로 수집하려면 실행 가능한 API와 현실적인 사전 채워진 백엔드 데이터베이스가 갖춰진 완전한 환경이 필요해 확장성에 큰 병목 현상이 발생한다. 이를 해결하기 위해, 우리는 LLM을 즉석에서 디지털 세계 모델로 활용하는 환경 없는 합성 데이터 생성 접근 방식을 제안한다. API 사양만 주어지면, 우리의 방법은 에이전트와 상태가 있는 환경 간의 상호작용을 모방한 경로를 생성한다.
OpenAI의 사이버 공격과 Hugging Face의 공격 표면
Martin Alderson은 OpenAI가 Hugging Face에 대해 우연히 사이버 공격을 감행한 사건에 대해 논의하며, Hugging Face의 공격 표면이 매우 크고 다수의 신뢰할 수 없는 모델과 코드가 실행될 수 있는 인터페이스가 많다고 지적했다. 또한 OpenAI가 에이전트의 침입을 감지하지 못한 이유로, 동시에 많은 벤치마크를 실행하고 있었을 가능성을 언급했다.
AINTMA: 자율 테스트 관리를 위한 에이전틱 AI 아키텍처
AINTMA(Agentic Intelligent Test Management Architecture)는 전통적인 테스트 관리를 자율 품질 지능 생태계로 변환하는 다중 에이전트 AI 시스템이다. 이 시스템은 클라우드 네이티브 마이크로서비스 인프라에서 안전한 다중 에이전트 통신 프레임워크를 통해 조정되는 여섯 개의 전문 AI 에이전트(테스트 발견, 위험 평가, 강화 학습 우선 순위 지정, 실행 조정, 생성 품질 지능, 클라우드 보안 모니터)를 배치한다. 생성 품질 지능 에이전트는 대형 언어 모델을 사용하여 품질 서술, 결함 위험 요약 및 데이터 보강 테스트 권장 사항을 생성한다. 12개의 이질적인 소프트웨어 프로젝트에서 18개월 동안 평가한 결과, 88.4%의 테스트 우선 순위 정확도, 43%의 테스트 사이클 시간 단축, 결함 탈출률이 8.3%에서 2.1%로 감소하는 등의 성과를 보였다.