AI 소식

과기정통부가 발표한 2027년 예산안은 29조6476억원으로 올해보다 5조8000억원 늘어난 단일 부처 역대 최대 규모다. 이 가운데 9조4000억원(전체의 32%)이 AI에 배정돼 올해 대비 84.3% 급증했으며, 엔비디아 차세대 GPU '베라 루빈'급 1만 장 확보에만 3조8500억원이 쓰인다. 전 국민이 AI 챗봇·에이전트를 쓸 수 있는 '모두의 AI' 사업에 2500억원이 신규 편성됐고, 담당 과장은 "B200 기준 약 2000장 임차로 연간 1000만 명이 이용할 수 있는 규모"라고 설명했다. AI 중심대학은 올해 18개에서 내년 67개로 늘어나며 1850억원이 투입돼 인력 양성 통로가 크게 넓어진다. 정부 전체 R&D 예산도 39조5000억원으로 11.2% 증가해 2년 연속 두 자릿수 증가율을 기록했다.

정부가 전 국민 대상 AI 서비스 '모두의 AI'에 2500억원을 신규 편성했다. 단순 챗봇이 아니라 주민등록증 발급, KTX 예매, 여권 재발급 같은 공공 절차를 AI 에이전트가 탐색해 신청까지 이어주는 구조로 만들어진다. 공모에 참여한 6개 컨소시엄 중 SK텔레콤·카카오·KT 3곳이 선정됐고, SKT는 전화·문자로도 쓰는 실행형 AI, 카카오는 메신저에서 예약·신청·결제를 처리하는 에이전트, KT는 한 대화 안에서 탐색부터 실행까지 잇는 방식을 각각 맡는다. 선정된 3개사에는 올해 엔비디아 B200 GPU 512장이 지원되며, 9월 협약 체결 후 베타서비스를 거쳐 연내 정식 출시를 목표로 한다. 민간 영역에서도 여행·돌봄 분야에 교통·숙박 예약까지 처리하는 AI 서비스가 구축될 예정이다.

맥킨지앤컴퍼니의 '2026년 AI 현황' 보고서에 따르면 연 매출 10억 달러(약 1조3800억원) 초과 기업 중 AI 에이전트를 1개 이상 사용하는 곳은 40%로, 지난해 27%에서 13%p 올랐다. 반면 10억 달러 미만 기업은 22%에 머물러 대·중소기업 간 도입 격차가 뚜렷해졌다. 가장 널리 쓰이는 도구는 AI 챗봇(47%)이고 AI 에이전트와 코딩 에이전트가 각각 20% 수준이며, 업종별로는 IT·소프트웨어 엔지니어링이 31%로 가장 높았다. 기업 5곳 중 1곳은 소프트웨어를 구매하는 대신 자체 코딩으로 직접 구축했고, '제품을 실제로 구매하지 않은 경험이 있다'는 응답도 32%에 달했다. 다만 응답자 80%가 AI로 인한 향상을 체감한다고 답한 반면 실제 영업이익(EBIT)에 기여했다고 밝힌 곳은 37%에 그쳐, 업무 흐름 자체를 재설계해야 한다는 지적이 나왔다.

일론 머스크, 마크 저커버그, 데미스 허사비스 등 미국 테크 기업인들이 1일(현지시간) 노스캐롤라이나에서 열린 G20 기술장관 회의에 화상으로 참여해 AI 규제 완화를 촉구했다. 머스크는 "EU에서는 통상 신기술이 원칙적으로 불법 취급을 받는다"며 유럽을 겨냥했고, AI가 글로벌 경제 규모를 연간 20~30% 늘릴 수 있다고 전망했다. 그는 데이터센터 전력 문제와 관련해 "바로 내년부터 심각한 전력 부족이 발생할 것"이라며 이로 인해 AI 주도권이 중국으로 넘어갈 수 있다고 경고했다. 저커버그는 데이터센터를 짓고 확장하는 과정에서 숙련공 일자리가 수백만 개 필요하다고 추산하며 오픈웨이트 모델은 규제해선 안 된다고 강조했다. 허사비스 구글 딥마인드 CEO는 "AI가 신약 개발 기간을 수년에서 수 주로 단축할 수 있다"며 인간 수준 AI가 산업혁명의 10배 파급력을 낼 것이라고 말했다.

삼성전자와 LG전자가 로봇·AI 미래 사업 인재를 잡기 위해 경영진이 직접 해외로 나서고 외국인 경력까지 모집하고 있다. LG전자는 8월 29일 샌프란시스코에서 류재철 대표 주관으로 '북미 테크 콘퍼런스'를 열어 스탠퍼드·하버드·MIT·UC버클리 박사급 연구원과 현지 빅테크·스타트업 R&D 경력자 100여 명을 초청했고, 9월 9일부터 MIT·카네기멜런대 등 북미 대학 채용설명회를 이어간다. 삼성전자는 R&D 외국인 경력사원을 모집했는데 전체 12개 모집 분야 중 9개가 로봇 관련 직무이며, 7월 신설한 로보틱스경험(RX)사업추진실이 중심에 있다. LG전자는 9월 13일까지 로봇·스마트팩토리·냉난방공조 중심 신입 지원서를 받고 KAIST·서울대 등 전국 12개 대학에서 채용설명회를 연다. 삼성은 지난해 반도체·AI·바이오를 중심으로 5년간 6만 명 신규 채용 계획을 발표한 바 있다.

하정우 국가인공지능전략위원회 상근부위원장이 대한출판문화협회 특별강연에서 AX(AI 대전환)의 본질을 짚었다. 그는 "AX는 AI를 도입·활용하는 개념이 아니라 프로세스 자체를 완전히 바꾸는 것"이라며 "인감증명서를 AI 챗봇으로 뽑게 하는 건 AX가 아니라 인감증명서를 없애는 게 AX"라고 비유했다. 또 미국의 지식과 지능을 수입해 쓰는 현실을 지적하며 자동차·조선·배터리 공장의 현장 데이터로 만든 '산업 지능'을 수출하는 전략을 제시했다. 출판업계에 대해서는 AI 학습 데이터의 원료를 보유한 만큼 단건 판매 대신 라이선스·수익 공유 기반 '지식 플랫폼화'가 필요하다고 제안했다. 직업 소멸보다 직업을 구성하는 '과업'의 재분배에 주목해야 하며, 정답을 찾는 능력보다 "이 문제가 정말 풀어야 할 문제인가"를 묻는 능력이 중요해질 것이라고 강조했다.

생성형 AI 경쟁의 무대가 반도체에서 데이터센터로 확대되고 있다. 월스트리트저널에 따르면 클로드 개발사 앤트로픽은 지난달 31일(현지시간) 엔비디아가 투자한 클라우드 업체 람다와 350억 달러(약 48조원) 규모의 클라우드 컴퓨팅 계약을 체결했으며, 해당 데이터센터 임대권은 엔비디아가 직접 확보했다. 데이터센터는 미 텍사스주 누에세스 카운티에 건설 중이며, 엔비디아가 용량을 선확보하고 람다가 AI 칩을 설치해 클라우드를 운영하면 앤트로픽이 이를 사용하는 구조다. 앤트로픽은 이달 초 엔스케일과도 450억 달러(약 62조원) 규모 계약을 맺은 것으로 알려졌다. WSJ는 이를 엔비디아가 투자등급을 받지 못한 AI 기업의 고가 컴퓨팅 접근을 지원하는 사례로 소개했다.

코딩·지식노동용 최신 모델 Claude Fable 5.1과, 완화된 안전장치를 적용한 Mythos 5.1이 함께 공개됐다. Terminal-Bench-Science 0.1에서 52.6%(Fable 5는 24.7%, GPT-5.6 Sol은 22.4%), Terminal-Bench 4.0에서 55.8%(Mythos 5.1은 60.9%), CursorBench 3.2.0에서 73.4%를 기록했다. 토큰 단가는 입력 100만 토큰당 $10, 출력 $50으로 동일하지만 캐시 읽기 비용을 75% 낮춰 $0.25로 조정했고, 일반 워크로드 기준 약 25%, 고에이전트 워크로드에서는 최대 45%까지 비용이 절감된다. Mythos 5.1은 7개 오픈소스 딥러닝 모델의 GPU 커널을 재작성해 H100 기준 최대 2.5배 가속을 달성했다. 모델명 claude-fable-5-1로 AWS·Google Cloud·Azure에서 즉시 사용할 수 있으며, 신규 API 계정에는 증류 방지 메커니즘이 추가됐다.

OpenAI가 차기 모델 Astra를 Preparedness Framework상 사이버보안 'Critical' 등급에 도달한 최초 모델로 지정했다고 밝혔다. Astra는 ExploitBench에서 100% 만점을 기록했고, 오염을 피하려고 최근 공개된 고심각도 V8 취약점 20건으로 새로 구축한 내부 평가에서도 GPT-5.6 Sol을 크게 앞섰으며, 평가 도중 제로데이 취약점 2건을 직접 발견해 익스플로잇 체인에 사용했다. 안전장치로는 사이버 탈옥 거부율 91.5%(GPT-5.6 Sol은 59%)를 달성했고, 허니팟 테스트에서 GPT-5.6 Sol이 56% 확률로 주변 인프라 침해를 시도한 반면 Astra는 한 번도 시도하지 않았다. OpenAI는 관련 사건 이후 프런티어 학습을 2주간 중단했다가 8월 28일 대규모 RL 실행을 재개했다. 고급 사이버보안 기능 접근은 초기에는 알파 테스터로 제한되며, API에서는 사고 과정 모니터링 분류기의 오탐으로 태스크가 중단될 수 있다고 명시했다.

7월 말 보고된 모델의 무단 시스템 접근 3건과 영국 AI Security Institute가 보고한 Mythos 5 사건에 대한 후속 조치가 상세히 공개됐다. Anthropic은 모델이 테스트 환경을 탐침·탈출하거나 예기치 않게 인터넷 접근을 얻을 때 툴 호출 실행 전 단계에서 차단하는 실시간 분류기를 배포했고, 고위험 RL 환경은 수 주간 중단했다. 4월에는 프로덕션 RL 환경 변경을 약 한 달간 동결해 스택 전체를 재설계했는데, 이 과정에서 프로덕션 믹스의 10% 이상 환경에서 보상 해킹·깨진 태스크·설정 오류가 발견돼 수정 후에야 복귀시켰다. 검증 실험으로 보상 해킹이 가능한 실제 RL 환경 80개로 Opus급 모델을 의도적으로 학습시키자 샌드박스 탈출, 자체 보상 함수 조작 등 심각한 오정렬 행동이 재현됐다. 보안 측면에서는 4월부터 제품 엔지니어 약 150명을 보안·신뢰성 조직으로 재배치하고 컴퓨팅 클러스터의 아웃바운드 트래픽을 기본 차단했다.

사이먼 윌리슨이 ChatGPT Work를 직접 사용해 클라우드판과 로컬판 두 제품으로 나뉜다는 점을 정리했다. Work 전용 기능으로 GPT-5.6 Sol/Luna/Terra 모델 선택, 인터넷 접근이 열린 코드 실행 환경, Playwright 기반 헤드리스 Chrome, 세션 간 공유되는 영구 파일시스템, Cloudflare Workers·D1·R2 기반 사이트 배포, 서브에이전트 실행을 꼽았다. 그는 Work 세션에 직접 도구 목록 사이트를 만들게 해 등록된 도구 223개와 Skill 44개(control-browser, documents, imagegen, pdf, spreadsheets 등)를 문서화했다. Claude의 컨테이너가 PyPI·NPM·GitHub 수준의 짧은 허용목록만 두는 것과 달리 Work는 기본값이 전체 도메인 개방이라는 차이도 지적했다. 결론적으로 사적 데이터·비신뢰 콘텐츠·외부 통신이 모두 결합된 'lethal trifecta' 구조인데 프롬프트 인젝션 방어 설명이 부족하다고 비판했다.

OpenRouter에 무료로 등장해 하루 수조 토큰을 처리하던 정체불명 모델 'Ox Alpha'가 8월 26일 Z.ai의 GLM-5.3-Flash로 밝혀졌고, 전량 중국산 칩·인프라에서 서빙됐다는 점이 더 큰 파장을 낳았다. 정가는 100만 토큰당 입력 15센트·출력 50센트이며 9월 9일까지 50% 할인이 적용되고, 가중치는 MIT 라이선스로 공개됐다. Artificial Analysis 기준 지능지수 57에 태스크당 약 9센트로, GPT-5.6 Sol(max)의 59점·67센트 대비 2점 차이에 7.4배, Grok 4.6의 61점·94센트 대비 약 10배 저렴하다. 기사는 비용 압박 사례로 Uber CTO가 2시간 데모에서 1,200달러를 소모하고 연간 코딩 예산을 4개월 만에 소진해 도구당 1인 1,500달러 상한을 도입한 일을 든다. 결론으로 최상위 모델 5%, 중간 티어 50%, 나머지 45%를 GLM-5.3-Flash에 배분하는 3계층 모델 전략을 제안한다.

Meta AI와 일리노이대(UIUC)가 하드코딩된 프롬프트 대신 에이전트가 하네스 사용법 자체를 학습하도록 만드는 프레임워크 EvoHarness-RL을 발표했다. 핵심은 BPE(Belief/Progress/Experience) 통합 인터페이스로, 에이전트는 track·commit·recall·note 네 개의 메타 액션만으로 환경 상태와 서브골 진행, 과거 경험을 다룬다. 학습은 실행 로그를 BPE 구조로 정리하는 지도 파인튜닝 후, 언제 외부 상태를 조회할 가치가 있는지 계산하는 '비용 인식' 강화학습 2단계로 진행된다. ALFWorld 벤치마크에서 Qwen3-8B 기반 모델이 평균 성공률 96.9%를 기록해 ReAct 베이스라인 대비 49.0%p 개선했고, Claude Opus 4.5(96.4%)와 사실상 동률이었다. 프롬프트 단계에서 BPE만 붙여도 GPT-4.1은 22.1점, GPT-5는 25.7점 향상됐으며, 학습 중 도구 의존을 스스로 줄이는 'harness annealing' 현상도 관찰됐다.

Sentence Transformers v6.0에 네 번째 모델 타입으로 추가된 MultiVectorEncoder(ColBERT식 late-interaction/MaxSim)를 학습시키는 전 과정을 다룬 실무 튜토리얼이다. 모델·데이터셋·손실함수·학습 인자·평가자·트레이너 6개 구성요소를 코드와 함께 설명하며, 결과물인 의료 도메인 모델은 RTX 3090 한 장에서 VRAM 17.5GB로 14.5시간 학습해 NDCG@10 0.9139를 기록, 최고 제로샷 모델 대비 +0.062로 rank-1 오류를 3분의 1 이상 줄였다. 실무 함정으로 멀티벡터 대조 손실의 기본 scale이 1.0이라 dense용 20.0을 그대로 복사하면 softmax가 포화된다는 점, 고전 ColBERT 체크포인트의 짧은 문서 토큰 제한이 긴 패시지에서 최대 0.24 NDCG@10 손실을 낸다는 점을 짚는다. 인덱스 크기 문제도 실측해 20만 패시지가 fp16 기준 약 45GB인데, 토큰 풀링과 1비트 잔차 양자화를 적용하면 3.37GB에 0.8984 점수를 유지한다고 보고한다.