🔥 오늘의 주요 소식
Cloud Network Insights: end-to-end observability for the Cross-Cloud Network
Google Cloud가 Cross-Cloud Network 전반을 관측하는 Cloud Network Insights를 발표했다. 네트워크가 더 이상 단일 데이터센터나 단일 클라우드에 머물지 않는 현실에서, 이 서비스는 Google Cloud·AWS·Azure·데이터센터·인터넷 애플리케이션·에이전트 워크로드에 걸친 종단 간(end-to-end) 에이전트·네트워크·웹 성능을 지속적으로 모니터링한다. Broadcom의 네트워크 관측 역량(AppNeta 기반)을 Google Cloud에 통합한 1st-party 서비스로, ISP 링크나 제3자 클라우드처럼 사용자가 소유하지 않은 경로까지 가시성을 제공한다. 핵심 기술은 능동형 합성 프로빙(active synthetic probing)으로, 실제 사용자 트래픽이 없을 때도 경로를 점검해 문제를 사전에 탐지한다. 또한 문제가 네트워크인지, 애플리케이션인지, 브라우저 성능인지 빠르게 구분해 근본 원인 분석과 평균 복구 시간(MTTR) 단축을 돕는다. Network Intelligence Center의 일부로 제공된다.
💡 왜 중요한가: 멀티클라우드·하이브리드 환경에서 '내 네트워크 밖' 구간까지 한 화면에서 추적할 수 있다는 점은, 장애 책임 소재(클라우드 vs ISP vs 앱)를 빠르게 가려야 하는 운영팀에 실질적인 가치가 있다.
🔗 원문 보기 · Google Cloud
Kubernetes & Cloud Native
Why cloud native belongs at the heart of agentic AI: Lessons from building a multi-agent security platform on Kubernetes
CNCF
Orange Innovation의 리드 보안 아키텍트이자 CNCF Golden Kubestronaut인 Willem Berroubache가 KubeCon + CloudNativeCon Europe 2026(암스테르담) 발표를 바탕으로, 에이전틱 AI를 클라우드 네이티브 위에 구축해야 하는 이유를 정리했다. 사례는 Orange Innovation이 개발·배포 중인 다중 에이전트 보안 플랫폼(SOC 자동화)으로, 탐지(ML)·분석(위협 분석가)·대응·알림(Mattermost) 에이전트와 사람 개입(Human-in-the-Loop), 이상탐지 모델을 재학습하는 피드백 루프로 구성된다. 비용과 정확도를 위해 Kafka 스트림을 Isolation Forest 같은 고전적 이상탐지로 1차 필터링한 뒤에야 LLM 기반 에이전트로 넘긴다. 각 에이전트는 고유한 리소스 제한·신원·재시작 정책을 가진 별도의 Kubernetes Deployment로 배포하며, 서비스 메시 대신 CiliumNetworkPolicy로 통신을 단순하게 제어한다. 에이전트 간 협조는 A2A 프로토콜(2025년 오픈소스화, Linux Foundation 거버넌스)을, 환경 연동은 MCP를 사용한다. 특히 행동을 승인하는 리뷰어 에이전트의 제약을 시스템 프롬프트가 아니라 OPA 정책과 Kyverno 어드미션 규칙으로 코드화해, MCP로 OPA를 호출하고 결정론적 판정을 받는 설계를 핵심 교훈으로 꼽았다.
💡 에이전트의 안전 제약을 프롬프트가 아니라 OPA/Kyverno 같은 버전 관리·테스트 가능한 정책으로 외부화하고, 고전 ML로 LLM 호출을 사전 필터링하는 패턴은 보안 자동화의 신뢰성과 비용을 동시에 잡는 실전 청사진이다.
AI & ML
MolmoMotion: Language-guided 3D motion forecasting
Hugging Face
Allen Institute for AI(Ai2)가 언어 지시 기반 3D 모션 예측 모델 MolmoMotion을 공개했다. 입력은 RGB 관측 영상, 객체 위의 질의 점(query points), 그리고 의도한 행동을 묘사한 텍스트이며, 출력은 해당 객체의 미래 3D 점 궤적이다. 모델은 Molmo 2를 백본으로 삼아 언어 지시를 이미지 속 객체·점과 연결한다. 두 가지 변형이 있는데, 자기회귀형 MolmoMotion-AR은 3D 좌표를 구조화된 텍스트로 한 스텝씩 예측해 경로가 분명할 때 정확도가 높고, 플로우 매칭형 MolmoMotion-FM은 연속 3D 공간에서 노이즈를 모션으로 변환해 여러 미래가 가능한 불확실성 상황에 적합하다. Ai2는 모델 가중치와 MolmoMotion-1M 데이터셋, PointMotionBench 벤치마크를 오픈으로 공개했으며, 데이터셋은 비제약 영상에서 객체 단위 3D 궤적을 자동 추출하는 파이프라인으로 736종의 모션 유형을 포괄한다. 예측된 궤적은 로봇 계획이나 궤적 조건부 영상 생성 같은 후속 작업에 바로 활용될 수 있다.
💡 관측이 아니라 '다음에 어떻게 움직일지'를 3D 점 궤적으로 예측하고 오픈 공개한다는 점에서, 로봇 정책과 영상 생성 양쪽에 바로 연결되는 경량 모션 표현을 제공한다.
From the Hugging Face Hub to robot hardware with Strands Agents and LeRobot
Hugging Face
Amazon이 Hugging Face Hub의 데이터셋에서 실제 로봇 하드웨어까지 이어지는 워크플로를, 자사 Strands 에이전트 프레임워크와 LeRobot 통합으로 시연했다. 핵심은 Strands Robots SDK가 LeRobot 스택을 AgentTools로 노출해, 데이터 기록·시뮬레이션·정책 실행을 하나의 Strands 에이전트 루프로 묶는다는 점이다. 시뮬레이션과 하드웨어가 동일한 on-disk LeRobotDataset 포맷을 공유하므로, 시뮬레이션에서 기록한 데이터와 실제 로봇에서 기록한 데이터를 같은 방식으로 다룰 수 있고 정책은 문자열(키워드 인자) 하나로 교체된다. 여러 대를 운용할 때는 내장 피어 메시(peer mesh)로 에이전트가 로봇 플릿을 조율한다. 기본 경로는 노트북 시뮬레이션(MuJoCo 백엔드, Linux/macOS·애플 실리콘 지원)만으로 동작해 하드웨어·GPU·Hugging Face 자격 증명 없이도 시작할 수 있으며, GitHub의 샘플 앱을 클론해 실행할 수 있다. 이후 단계에서 GR00T나 MolmoAct2 같은 학습된 정책 체크포인트를 끼워 SO-100/SO-101 로봇으로 실제 파지(grasp) 동작까지 확장한다.
💡 시뮬레이션과 실물이 같은 데이터 포맷·에이전트 코드를 공유하고 정책을 인자 하나로 바꾸는 구조는, 로보틱스의 sim-to-real 반복 주기를 크게 줄이고 하드웨어·GPU라는 진입 장벽을 낮춘다.
A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry
OpenAI
OpenAI가 신약 개발 스타트업 Molecule.one과 함께, 거의 자율적으로 동작하는 'AI 화학자'가 의약화학의 까다로운 반응을 개선한 사례를 공개했다. OpenAI의 GPT-5가 과학 문헌을 검토하고 연구 제안을 생성·순위화했으며, 실험을 설계하고 결과를 분석한 뒤 후속 연구를 제안했다. 사람 화학자는 방향을 잡고 어떤 제안을 실험할지 고르며 최종 결과를 검증하는 역할을 맡아, 완전 자동이 아닌 'near-autonomous' 협업으로 진행됐다. 대상은 의약화학에서 널리 쓰이지만 1차 설폰아마이드(primary sulfonamides)가 얽힌 변형에서 수율이 낮아 활용이 제약되던 반응으로, 모델은 예상치 못한 개선 방법을 제안했다. Molecule.one의 Maria AI와 전용 실험실이 결합돼 제안을 실제로 검증했고, 전체 과정은 약 2.5개월(결과 정리에 추가로 약 0.5개월)이 걸렸다. 회사들은 이를 유기화학에서 AI가 열린(open-ended) 과학 문제를 푸는 데 기여한 초기 사례로 평가했다.
💡 문헌 검토부터 실험 설계·분석·검증까지 연구 사이클 전 단계를 사람이 감독하는 형태로 AI가 보조한다는 점에서, 모델 성능보다 '사람-AI 역할 분담과 실험 자동화의 연결'이 실제 과학적 산출을 좌우함을 보여준다.
GLM-5.2: Built for Long-Horizon Tasks
Hugging Face
Z.ai가 장기 과제(long-horizon) 수행에 초점을 둔 대규모 언어모델 GLM-5.2를 공개했다. 전작 GLM-5 대비 장기 작업 능력에서 상당한 도약을 이뤘다고 밝혔으며, 100만(1M) 토큰 컨텍스트를 표방하되 단순한 길이 주장에 그치지 않도록 코딩 에이전트 시나리오(대규모 구현, 자동화된 리서치, 성능 최적화, 복잡한 디버깅)에 맞춰 1M 컨텍스트 학습을 대폭 확대했다. 사용자가 까다로운 작업에 추가 연산을 배정할 수 있는 'Max effort' 레벨을 제공해 코딩 성능을 더 끌어올릴 수 있다. 기술적으로는 IndexShare와 다중 토큰 예측(MTP) 레이어, KV-cache FP8 등으로 장문 추론의 병목(연산보다 KV 캐시 용량)을 완화하고 학습-추론 불일치를 줄이도록 설계했다. 강화학습은 그룹 단위 비교에서 크리틱 기반 PPO로 전환해 개별 롤아웃에서 토큰 단위 어드밴티지를 학습하며, 에이전트가 보호된 평가 자료나 정답을 우회 취득하는 보상 해킹(reward hacking)을 차단하는 장치를 뒀다. 이 모든 과정은 학습부터 대규모 추론 롤아웃까지 통합하는 자체 인프라 'slime' 위에서 돌아가며, 10개가 넘는 전문가 모델을 약 이틀 만에 병합하는 OPD 학습으로 효율을 확보했다.
💡 1M 컨텍스트와 장기 에이전트 작업을 실제로 지탱하려면 모델 품질뿐 아니라 KV 캐시·추론 엔진·RL 인프라까지 함께 최적화해야 함을 보여주는 사례로, 자가 호스팅 코딩 에이전트를 고민하는 팀에 시사점이 크다.
Introducing LifeSciBench
OpenAI
OpenAI가 AI 시스템이 실제 생명과학 연구 과제와 의사결정을 얼마나 잘 수행하는지 평가하는 벤치마크 LifeSciBench를 공개했다. 전문가가 직접 작성하고 검토한 750개 과제로 구성되며, 증거 처리, 분석, 설계·최적화, 과학적 추론, 검증·운영, 번역, 과학 커뮤니케이션 등 7개 워크플로를 아우른다. 바이오테크·제약 연구자 173명이 개발에 참여했고, 각 과제는 과학적 프롬프트와 관련 맥락·자료, 그리고 자유 서술형 답변으로 구성돼 전문가가 만든 루브릭으로 채점된다. 과제의 79%가 다단계 추론·의사결정을 요구하며 평균 4단계에 이를 만큼, 단순 사실 질의가 아닌 실제 연구 흐름을 반영한다. 벤치마크는 모델이 증거로부터 추론하고, 과학적 산출물을 다루며, 불확실성을 처리하고, 현실 제약 아래에서 유용한 결정을 내릴 수 있는지를 시험한다.
💡 단답형 정확도가 아니라 다단계 연구 워크플로와 전문가 루브릭으로 모델을 평가한다는 점에서, 도메인 특화 에이전트의 실제 업무 적합성을 가늠하는 평가 설계의 본보기가 된다.
Agentic Resource Discovery: Let agents search
Hugging Face
여러 기업이 함께 추진하는 개방형 초안 규격 Agentic Resource Discovery(ARD)가 공개됐다. 오늘날 에이전트는 MCP·A2A 등 세 가지쯤 되는 프로토콜을 쓰지만, 이들은 모두 사용자가 어떤 도구·에이전트가 필요한지 이미 안다고 가정한다. ARD는 그 앞단에 놓이는 '발견(discovery) 계층'으로, 에이전트와 도구를 연합 레지스트리(federated registries)에 카탈로그·색인·검색할 수 있게 정의해 에이전트가 사전 설치 없이 런타임에 필요한 기능을 찾도록 한다. 즉 '먼저 설치하고 나중에 쓰는(install-first)' 모델에서 '의도 기반 검색(intent-based search)'으로의 전환이다. 규격은 Microsoft·Google·GoDaddy·Hugging Face 등 여러 기여자가 참여한 개방형 표준으로, 누구나 독립적으로 구현할 수 있다. Hugging Face는 이를 'Discover'로 구현해 Hub의 Spaces 시맨틱 검색과 Agent Skills를 ARD 카탈로그 항목으로 제공하며, REST API나 MCP 서버로 검색할 수 있다.
💡 도구를 미리 설치·구성하지 않고 런타임에 검색해 호출하는 표준이 자리 잡으면, 에이전트가 수천 개의 임시 도구·서비스에 확장 접근할 수 있어 MCP/A2A 생태계의 진짜 확장성 문제를 푼다.
클라우드 업데이트
How growing UK midsize businesses are building in the AI era
Google Cloud
Google Cloud가 London Summit 2026에 맞춰, 영국의 성장하는 중소·중견기업(SMB)이 AI 시대에 어떻게 사업을 구축하고 있는지를 조명했다. 영국의 500만 개가 넘는 중소·중견기업은 경제의 근간으로, 이들이 본격적으로 AI를 도입해 더 효율적으로 운영하고, 더 빠르게 움직이며, 고객에게 더 나은 성과를 제공하기 시작했다고 전한다. 글은 이러한 SMB의 AI 활용 동기와 사례를 소개하며, 클라우드·AI가 대기업만의 전유물이 아니라 중소 규모에서도 경쟁력의 지렛대가 됨을 강조한다. Google Cloud는 이 흐름을 자사 플랫폼과 연결해, 중소기업이 진입 장벽 없이 AI를 채택하도록 지원한다는 메시지를 담았다. 전반적으로 제품 발표보다는 영국 SMB 시장의 AI 전환을 다룬 시장·고객 관점의 글이다.
💡 중소기업의 AI 도입 가속은 클라우드 사업자에게 새로운 저변 수요를 의미하며, 엔지니어 관점에서는 표준화된 매니지드 AI 서비스와 낮은 운영 부담이 채택의 핵심 변수임을 시사한다.
From AI potential to agentic reality: Driving the UK’s next chapter
Google Cloud
Google Cloud가 London Summit 2026을 계기로 영국이 'AI 잠재력에서 에이전트 현실로' 넘어가는 다음 장을 이끌고 있다고 평가했다. 글은 영국, 특히 런던이 유럽과 세계에서 손꼽히는 AI 개발 허브로 계속 자리매김하고 있음을 전제로 한다. 메시지의 핵심은 기업들이 실험 단계의 생성형 AI를 넘어, 실제로 업무를 수행하는 에이전트(agentic) AI를 도입하는 단계로 이동하고 있다는 것이다. Google Cloud는 이러한 전환을 뒷받침하는 인프라, 데이터 클라우드, 에이전트 플랫폼 역량을 영국 시장과 연결해 제시한다. 전체적으로 특정 제품 스펙보다 영국의 AI 리더십과 엔터프라이즈 에이전트 채택이라는 방향성을 강조하는 비전 중심의 글이다.
💡 '생성형 데모'에서 '업무를 수행하는 에이전트'로 무게중심이 옮겨간다는 서사는, 인프라·데이터 파이프라인·거버넌스가 받쳐주지 않으면 에이전트 도입이 정체된다는 실무 과제를 동시에 암시한다.
Build and Deploy a Remote MCP Server to GKE in 30 Minutes
Google Cloud
Google Cloud가 원격 MCP(Model Context Protocol) 서버를 GKE(Google Kubernetes Engine)에 30분 만에 구축·배포하는 실습 튜토리얼을 공개했다. 배경은 도구와 데이터 소스의 맥락을 LLM에 통합하는 일이 까다롭고, 이것이 AI 에이전트 개발의 난도를 높인다는 문제의식이다. MCP는 이러한 도구·데이터 연동을 표준화하는 프로토콜로, 튜토리얼은 로컬이 아닌 원격(remote) MCP 서버를 컨테이너로 만들어 GKE 클러스터에 올리는 과정을 단계별로 안내한다. 이렇게 하면 여러 에이전트·클라이언트가 네트워크를 통해 공유 MCP 서버에 접근해 도구와 컨텍스트를 일관되게 사용할 수 있다. Kubernetes 위에 배포함으로써 확장성·가용성·운영 표준화 같은 클라우드 네이티브 이점을 그대로 얻는 것이 핵심이다.
💡 MCP 서버를 로컬 프로세스가 아니라 GKE의 원격 서비스로 올리면 팀·에이전트 간 도구 접근을 중앙화하고, 확장·관측·접근제어를 표준 쿠버네티스 방식으로 운영할 수 있다.
DevOps & 인프라
“A data lake of nuance for AI agents to swim in”: AWS Context gets shipshape on reasoning
The New Stack
AWS가 AI 에이전트에 기업 데이터의 '맥락'을 제공하는 지식 그래프(knowledge graph) 서비스 Context를 발표했다. 기사는 에이전트가 단순히 많은 데이터를 먹어치우는 것만으로는 추론 품질이 좋아지지 않는다는 문제의식에서 출발한다. Context는 데이터 자체가 아니라 데이터 간의 관계, 비즈니스 규칙, 도메인 지식을 구조화해 에이전트가 거버넌스가 적용된(governed) 형태로 접근하도록 한다. 즉 원시 데이터 더미가 아니라, 의미와 제약이 연결된 그래프를 통해 에이전트가 더 정확히 추론하도록 돕는 것이 목표다. 거버넌스가 핵심 키워드로, 어떤 에이전트가 어떤 관계·지식에 접근할 수 있는지 통제하는 측면이 강조된다. 이는 단순 RAG나 벡터 검색을 넘어 엔터프라이즈 의미 계층(semantic layer)을 표준화하려는 흐름의 일부다.
💡 에이전트의 환각·오추론을 줄이려면 데이터의 양보다 '관계와 규칙이 담긴 맥락'이 중요하다는 관점으로, 사내 데이터 거버넌스와 시맨틱 레이어 설계가 에이전트 신뢰성의 전제가 된다.
Kiro goes mobile: AWS brings agentic coding supervision to the iPhone
The New Stack
AWS가 자사 AI 코딩 환경 Kiro의 네이티브 iOS 앱을 출시했다. 핵심 가치는 개발자가 책상을 떠나도 에이전트는 계속 일한다는 점이다. 새 모바일 앱은 진행 중인 에이전트 코딩 세션을 휴대폰에서 모니터링하고, 방향을 지시(steer)하며, 작업을 승인(approve)할 수 있게 한다. 즉 장시간 실행되는 에이전트 작업을 데스크톱에 묶이지 않고 비동기로 감독하는 워크플로를 겨냥한다. 에이전트가 자율적으로 코드를 만들되 사람이 중간에 개입·승인하는 'human-in-the-loop' 운영을 모바일로 확장한 셈이다. 데스크톱 밖에서도 감독 지점을 유지하려는 시도라는 점에서 의미가 있다.
💡 에이전트 코딩이 장시간·비동기로 돌아가면서 '감독 지점'이 데스크톱 밖으로 옮겨가고 있으며, 모바일 승인 흐름은 개발자가 병렬 에이전트를 관리하는 새로운 운영 패턴을 보여준다.
Vercel launches eve, an open-source framework that treats agents as directories
The New Stack
Vercel이 수요일 AI 에이전트 구축용 오픈소스 프레임워크 eve를 출시했다. 가장 큰 특징은 각 에이전트를 '디렉터리(directory)'로 취급하는 설계 철학이다. 에이전트의 코드·설정·자원을 파일시스템의 폴더 구조처럼 조직해, 복잡한 런타임 추상화 대신 개발자에게 익숙한 파일 트리 모델로 에이전트를 표현한다. 이렇게 하면 에이전트 구성을 버전 관리하고 이식·복제하기가 쉬워진다. Vercel은 eve를 오픈소스로 공개해 커뮤니티가 확장·기여할 수 있도록 했다. 디렉터리 기반 접근은 에이전트를 코드처럼 다루며 기존 파일 기반 워크플로에 통합하는 것을 지향한다.
💡 에이전트를 디렉터리=파일 트리로 표준화하면 Git 기반 버전 관리·코드리뷰·CI에 그대로 얹을 수 있어, 에이전트 운영을 기존 소프트웨어 배포 파이프라인에 통합하기 쉬워진다.
How Block manages its fleet of AI coding agents from Slack
The New Stack
핀테크 기업 Block이 수백 개 서비스에 걸쳐 AI 코딩 에이전트 군단(fleet)을 운영하는 방식을 공개했다. 대부분의 AI 코딩 도구가 단일 저장소(repo) 안에서만 잘 동작하는 반면, Block은 수백 개 서비스를 가로지르는 작업이 필요했다. 이를 위해 자사의 오픈소스 에이전트 Goose를 토대로 자체 에이전트 오케스트레이션 시스템을 구축했다. 운영의 접점은 Slack으로, 개발자가 채팅에서 에이전트 플릿에 작업을 지시하고 결과를 받는 ChatOps 형태다. 단일 저장소를 넘어 조직 전체 코드베이스를 대상으로 에이전트를 확장·조율하는 실전 사례라는 점에서 의미가 있다.
💡 에이전트를 IDE 단일 저장소에서 떼어내 Slack 기반 '플릿'으로 운영한다는 것은, 조직 규모의 코드 변경을 사람이 일일이 띄우지 않고 오케스트레이션하는 플랫폼팀 과제로 옮겨간다는 신호다.
Chainguard Agent Skills matures
The New Stack
컨테이너·소프트웨어 공급망 보안 기업 Chainguard가 AI 코딩 에이전트 보안 노력을 확장했다. 빠르게 성장하는 에이전트 생태계에 대응해, 에이전트가 사용하는 스킬(Agent Skills)을 위한 새로운 공개 레지스트리(public registry)를 선보였다. 핵심 문제의식은 에이전트가 끌어다 쓰는 스킬·도구가 검증되지 않으면 새로운 공급망 공격 표면이 된다는 점이다. Chainguard는 자사의 강점인 신뢰할 수 있는(검증된) 아티팩트 제공을 에이전트 스킬 영역으로 가져와, 출처와 무결성이 보장된 스킬을 배포·소비할 수 있게 한다. 이는 에이전트 시대의 소프트웨어 공급망 보안을 표준화하려는 시도다.
💡 에이전트가 외부 스킬을 동적으로 가져다 쓰는 구조에서는 스킬 자체가 공급망 위협 표면이 되므로, 검증된 스킬 레지스트리는 컨테이너 이미지 서명처럼 에이전트 운영의 기본 보안 통제가 될 수 있다.
AWS puts an AI bouncer at the merge queue
The New Stack
AWS가 자사 DevOps Agent를 배포 파이프라인 안으로 밀어 넣어, 머지 큐(merge queue)에서 일종의 '검문관' 역할을 맡겼다. 배경은 AI가 코드를 대량 생성하면서 병목이 코드 작성에서 코드 검증·릴리스로 옮겨갔다는 인식이다. 새 기능은 '릴리스 준비도 검토(release readiness review)'와 '자율 릴리스 테스트(autonomous release testing)'로, AI 생성 코드가 쏟아져 들어오는 머지 큐 앞단에서 배포 가능 여부를 자동으로 점검한다. 즉 에이전트가 코드를 만들기만 하는 것이 아니라, 다른 에이전트가 그 코드의 릴리스 적합성을 게이트키핑하는 구조다. 이는 사람이 일일이 리뷰하기 어려운 속도로 변경이 유입될 때 품질·안정성을 지키려는 시도다.
💡 코드 생성이 싸지면 병목은 검증·릴리스로 이동하며, 머지 큐에 자동 게이트를 두는 것은 사람 리뷰 용량을 넘어선 변경량을 안전하게 흘려보내기 위한 필수 통제가 된다.
“Agents need boring infrastructure around them”: Why we need to take an interest in ‘invisible’ AI
The New Stack
Tailscale가 자사 제품 Aperture를 확장하며 '에이전트에는 지루한(기반) 인프라가 필요하다'는 주장을 폈다. 문제의식은 AI가 이미 대부분의 기업 IT 스택에 들어와 있지만, 직원들이 제각각·비체계적으로 쓰면서 통제 사각지대가 생겼다는 것이다. 이번 업데이트로 Aperture에는 채팅 인터페이스, MCP/API 커넥터, 그리고 샌드박스가 추가됐다. 핵심은 신원(identity) 기반 통제로, 기업이 어떤 에이전트와 사용자가 어떤 LLM·도구·데이터에 접근하는지를 정체성 단위로 관리하게 한다. 즉 화려한 모델이 아니라 접근 제어·격리·연결 같은 '보이지 않는' 인프라가 에이전트 운영의 전제라는 메시지다.
💡 에이전트 도입의 실제 리스크는 모델 성능이 아니라 누가 무엇에 접근하는지에 대한 통제 부재이며, 신원 기반 접근 제어와 샌드박스는 섀도우 AI를 관리 가능한 표면으로 끌어들이는 출발점이다.
Google, Microsoft, and OpenAI join forces to help create AI’s missing trust layer
The New Stack
Google·Microsoft·OpenAI 등이 손잡고 AI의 '빠진 신뢰 계층(trust layer)'을 만들기 위해 새 단체 Appia Foundation을 출범시켰다. 13개 창립 멤버로 구성된 이 재단은 Linux Foundation 산하 프로젝트로, AI 안전성 주장을 검증 가능(verifiable)하게 만드는 것을 목표로 한다. 문제의식은 기업들이 자사 AI가 안전하다고 주장하지만 이를 제3자가 확인할 표준화된 방법이 없다는 점이다. Appia는 안전 주장에 대한 공통 프레임워크와 검증 메커니즘을 마련해, 마케팅성 선언을 객관적으로 입증 가능한 증거로 바꾸려 한다. Linux Foundation이 중립적 거버넌스 주체로 참여해 특정 벤더에 종속되지 않는 표준을 지향한다.
💡 '안전하다'는 주장을 검증 가능한 증거로 바꾸는 중립 표준은, 규제·조달 단계에서 AI 시스템을 평가해야 하는 기업에 실질적인 체크리스트 근거가 될 수 있다.
Your AI isn’t broken. Your data is.
The New Stack
'AI가 고장 난 게 아니라 당신의 데이터가 문제'라는 도발적 제목 아래, 신생 기업 Clario가 비정형 데이터 정리 플랫폼을 내놨다. 기업들이 AI에 수십억 달러를 쏟아붓고도 형편없는 결과를 얻는 이유를, 이 회사는 데이터 품질에서 찾는다. 타깃은 이른바 ROT 파일 — 중복(redundant)·낡은(obsolete)·사소한(trivial) 데이터로, 기업 AI 프로젝트를 조용히 망가뜨리는 잡음이다. Clario의 플랫폼은 이런 ROT를 식별·제거해 학습·검색 대상 데이터의 신호 대 잡음비를 높인다. 특히 과금 모델이 독특한데, 쓰레기가 제거됐을 때만 비용을 받는(only gets paid when the garbage is gone) 성과 기반 방식을 내세운다.
💡 RAG·파인튜닝 성능 문제의 상당수가 모델이 아니라 ROT 데이터에서 비롯된다는 지적은, AI 프로젝트의 첫 단계가 모델 선택이 아니라 데이터 정리·거버넌스여야 함을 다시 일깨운다.
이 다이제스트는 RSS 피드에서 수집한 뒤 AI(Claude)가 요약·정리했습니다. 자세한 내용은 원문 링크를 확인하세요.