🔥 오늘의 주요 소식
Specification-driven composition for flexible data workflows
AWS Architecture 블로그가 데이터 파이프라인이 커지면서 흔히 겪는 확장성 병목을 짚는다. 파이프라인은 대개 단순한 스크립트로 시작하지만 규모가 커지면 변환 로직이 여러 워크플로에 중복되고, 작은 변경 하나가 여러 파이프라인으로 연쇄 전파되는 문제가 생긴다. 이 글은 이런 문제를 "명세 기반 구성(specification-driven composition)"이라는 접근으로 해결하자고 제안한다. 즉 개별 워크플로마다 로직을 직접 구현하는 대신, 변환 규칙을 선언적 명세로 분리해두고 이를 조합해 여러 워크플로를 구성하는 방식이다. 이렇게 하면 로직 변경이 한 곳에서 이뤄지고 이를 사용하는 모든 워크플로에 일관되게 반영될 수 있다. 데이터 엔지니어링 팀이 파이프라인 수가 늘어날수록 유지보수 부담이 기하급수적으로 커지는 상황을 겪어본 조직이라면 참고할 만한 아키텍처 패턴이다.
💡 왜 중요한가: 파이프라인이 늘어날수록 변환 로직 중복과 연쇄 변경 리스크가 커지는 조직이라면, 명세를 코드에서 분리해 재사용성과 변경 영향 범위를 통제하는 이 패턴을 검토해볼 만하다.
🔗 원문 보기 · AWS Architecture
Kubernetes & Cloud Native
Navigating the ingress-NGINX retirement
CNCF
Kubernetes SIG Network과 Security Response Committee는 커뮤니티가 유지해온 ingress-nginx 컨트롤러(kubernetes/ingress-nginx 저장소)의 은퇴를 발표했으며, 이 글은 그 이후를 어떻게 대비할지 정리한다. 2026년 3월까지는 최소한의 유지보수가 이어지지만, 그 이후로는 신규 릴리스, 버그 수정, 보안 취약점 패치가 전혀 제공되지 않는다. 글은 흔한 오해부터 바로잡는데, 은퇴하는 것은 Kubernetes Ingress API 자체가 아니라 커뮤니티 버전 ingress-nginx 컨트롤러이며, F5/NGINX Inc가 유지하는 별도 코드베이스인 NGINX Ingress Controller(오픈소스/상용판)는 영향을 받지 않는다. 은퇴 배경으로는 수년간 한두 명의 자원봉사자가 업무 외 시간에 유지보수를 떠맡아온 만성적 인력 부족과, "snippets" 애너테이션처럼 한때 유용했던 유연성이 시간이 지나며 심각한 보안 결함으로 재평가된 점이 꼽힌다. SIG Network과 Security Response Committee는 모든 ingress-nginx 사용자에게 Gateway API나 다른 인그레스 컨트롤러로 지금 바로 마이그레이션을 시작할 것을 권고한다. 프로덕션에서 ingress-nginx를 쓰고 있다면 2026년 3월 전에 전환 계획을 세워야 하는 상황이다.
💡 프로덕션에서 ingress-nginx를 쓰는 팀은 2026년 3월 이후 보안 패치가 완전히 끊긴다는 점을 감안해, Gateway API 등으로의 마이그레이션 일정을 지금부터 잡아야 한다.
Migrate Amazon EC2 to EKS Auto Mode using Kiro CLI and MCP servers
AWS Containers
이 AWS 컨테이너 블로그 글은 EC2 인스턴스에서 돌아가던 Node.js 웹 애플리케이션을 EKS Auto Mode 기반의 컨테이너화된 확장형 서비스로 옮기는 실전 마이그레이션 시나리오를 다룬다. 핵심은 AWS가 최근 선보인 Kiro CLI와 MCP(Model Context Protocol) 서버를 활용해 이 과정을 자동화하는 것으로, Kiro CLI는 명령어 기반으로 인프라 프로비저닝과 애플리케이션 배포, 리소스 관리를 수행하는 도구다. 완전관리형 Amazon EKS MCP 서버는 AWS 서비스에 대한 안전하고 인증된 접근을 제공하며, 클러스터 생성부터 필요한 선행 조건 자동 프로비저닝, 모범 사례 적용까지 사용자를 안내한다. 개발 단계에서는 애플리케이션 배포와 클러스터 운영을 위한 상위 수준 워크플로를 제공해 EKS·Kubernetes 조작의 복잡도를 낮춰준다. AWS는 실제 Node.js 애플리케이션 마이그레이션을 재현할 수 있는 샘플 구현을 GitHub 저장소로 함께 공개했다. AI 어시스턴트가 인프라 명령을 직접 실행하는 이런 도구는 마이그레이션 기간을 단축하고 설정 오류 위험을 줄이는 데 초점을 맞추고 있다.
💡 Kiro CLI와 EKS MCP 서버 조합은 EC2에서 EKS로의 컨테이너 마이그레이션에서 반복적인 설정 작업을 자동화해주므로, 마이그레이션을 검토 중인 팀은 수작업 대비 시간 단축 효과를 파일럿으로 확인해볼 가치가 있다.
AI & ML
GPT-5.6 is now the preferred model in Microsoft 365 Copilot
OpenAI
OpenAI는 GPT-5.6이 Microsoft 365 Copilot의 기본(선호) 모델로 채택됐다고 밝혔다. 이에 따라 Word, Excel, PowerPoint, Copilot Chat, 그리고 Cowork 등 Microsoft 365 전반의 Copilot 기능이 더 강력해진 AI 능력을 바탕으로 더 빠르고 품질 높은 결과물을 낼 수 있게 됐다고 설명한다. 이는 GPT-5.6이 목요일 전 세계 앱·API 사용자에게 공개된 것과 맞물린 소식으로, 마이크로소프트 생태계 안에서 OpenAI 모델이 차지하는 비중을 다시 한 번 보여준다. 구체적으로 어떤 작업에서 얼마나 개선됐는지에 대한 수치는 이 발표 자체에서는 제시되지 않았으며, 문서 작성·스프레드시트 분석·프레젠테이션 제작 같은 오피스 워크플로 전반에 걸친 품질·속도 개선을 강조하는 톤이다. 기업용 Microsoft 365를 쓰는 조직이라면 별도 조치 없이도 Copilot 기능이 최신 모델로 업그레이드되는 셈이다.
💡 별도 설정 없이 Copilot 백엔드 모델이 GPT-5.6으로 바뀌므로, Microsoft 365 Copilot을 업무에 쓰는 조직은 문서·스프레드시트 자동화 결과물의 품질 변화를 실제로 체감해볼 만하다.
ChatGPT is now a partner for your most ambitious work
OpenAI
OpenAI는 "ChatGPT Work"를 공개하며 이를 "가장 야심 찬 작업을 위한 파트너"로 소개했다. ChatGPT Work는 여러 앱과 파일을 넘나들며 실제로 행동을 취할 수 있는 에이전트로, 필요하다면 몇 시간이고 하나의 프로젝트에 붙어 작업을 이어가며 목표를 실제로 완성된 결과물로 바꿔낸다는 것이 OpenAI의 설명이다. 이는 앞서 소개된 것처럼 Codex 기술을 기반으로 하며, Slack·Microsoft Teams·Google Drive·SharePoint·캘린더·CRM 등 다양한 서드파티 서비스와 연동해 데이터를 가져오고 도구를 실행할 수 있다. Claude Cowork와 마찬가지로 예약 실행 기능("Scheduled Tasks")을 지원해, 정기적으로 반복되는 업무를 자동화할 수 있다. 단순 질의응답형 챗봇을 넘어, 장시간 지속되는 프로젝트형 작업을 대신 수행하는 방향으로 ChatGPT의 역할을 확장한 것이 이번 발표의 핵심이다. 결과적으로 OpenAI는 코딩에 특화됐던 Codex와 범용 대화형 챗봇이었던 ChatGPT를 하나의 업무 에이전트 제품군으로 통합하는 모습을 보여준다.
💡 장시간 지속되는 프로젝트형 작업을 대행하는 에이전트가 OpenAI·Anthropic 양쪽에서 동시에 자리잡는 만큼, 업무 자동화 도구를 고르는 팀은 커넥터 지원 범위와 예약 실행 신뢰성을 기준으로 비교해야 한다.
GPT-5.5 Bio Bug Bounty
OpenAI
OpenAI는 GPT-5.5의 생물학 관련 위험 방어 체계를 강화하기 위해 "Bio Bug Bounty" 프로그램을 도입했다. AI 레드티밍, 보안, 또는 생물안보(biosecurity) 분야 경험이 있는 연구자들을 초청해, 정해진 다섯 개의 바이오 안전 질문 모두를 사전 조정 없이 답하게 만드는 "범용 탈옥(universal jailbreak)" 프롬프트를 하나 찾아내는 것이 과제다. 대상 모델은 Codex Desktop 환경의 GPT-5.5로 한정됐고, 범용 탈옥을 찾아낸 참가자에게 지급하는 포상금은 기존 2만 5,000달러에서 5만 달러로 인상됐다. 참가는 신청과 초청을 통해 이뤄지며 신뢰할 수 있는 바이오 레드티머 명단에 우선 초청이 가고, 모든 프롬프트·응답·발견 사항·소통 내용은 비밀유지계약(NDA) 적용을 받는다. 이 프로그램은 이후 GPT-5.6을 포함해 OpenAI의 최전선 모델들에 대한 범용 탈옥 발견을 목표로 하는 상시 비공개 프로그램인 "OpenAI Bio Bounty Program"으로 발전했다. 프론티어 모델이 생물학 관련 위험 정보를 우회 없이 차단할 수 있는지 외부 검증을 상시화하려는 OpenAI의 안전 정책 방향을 보여주는 사례다.
💡 바이오 위험 방어를 5만 달러 포상금까지 걸고 외부 레드팀에게 상시 검증받는 체계로 바꿨다는 점은, 프론티어 모델의 안전장치를 사내 테스트만으로 충분하다고 보기 어렵다는 업계 인식을 보여준다.
SensorFM: Towards a general intelligence and interface for wearable health data
Google Research
구글 리서치는 웨어러블 건강 데이터를 위한 범용 지능·인터페이스를 목표로 하는 파운데이션 모델 SensorFM을 소개했다. SensorFM은 500만 명의 동의한 참가자로부터 수집한 1조 분(minute) 이상의 멀티모달 센서 신호로 사전학습돼, 심혈관·대사·수면·정신건강은 물론 생활습관·인구통계 요인까지 아우르는, 재사용 가능한 단일 표현(representation)을 학습한다. 모델 크기와 데이터 규모를 함께 키우는 co-scaling 방식을 통해 사람의 생리 상태에 대한 범용 표현을 학습하며, 이는 35가지 건강 예측 과제에 전이(transfer)되고, 적은 라벨로도 적응이 가능한 레이블 효율적 학습과 데이터 결측 보완(infilling)을 지원한다. 이 모델은 "퍼스널 헬스 에이전트(Personal Health Agent)"의 근거 데이터를 제공하는 그라운딩 도구로도 쓰일 수 있다고 설명한다. 앞서 구글은 피트니스 트래커 데이터 5,970만 시간으로 학습해 센서 신호를 자연어로 번역하는 관련 모델 SensorLM을 선보인 바 있는데, SensorFM은 이보다 한 단계 더 나아가 예측·적응까지 아우르는 범용 모델을 지향한다. 디지털 헬스 코치, 임상 모니터링 도구, 자연어 기반 웰니스 앱 등 차세대 웨어러블 헬스 애플리케이션의 기반이 될 수 있다는 것이 구글의 전망이다.
💡 헬스케어·웨어러블 제품을 만드는 팀 입장에서, SensorFM처럼 대규모 센서 데이터로 사전학습된 범용 표현 모델은 개별 예측 과제마다 모델을 새로 학습시키지 않고도 소량의 라벨 데이터로 빠르게 적응시킬 수 있는 기반이 될 수 있다.
클라우드 업데이트
Safely run AI-generated code in Cloud Run sandboxes
Google Cloud
구글 클라우드 팀은 "AI가 생성한 코드나 신뢰할 수 없는 바이너리를 호스트 애플리케이션·데이터·클라우드 자격 증명을 위험에 빠뜨리지 않고 어떻게 안전하게 실행할 것인가"라는, 고객들이 자주 묻는 질문에서 이 글을 시작한다. 그 답으로 내놓은 것이 Cloud Run 샌드박스로, Cloud Run 2세대 실행 환경 안에서 신뢰할 수 없는 코드나 AI 에이전트 같은 도구를 격리 실행할 수 있는 기능이며 퍼블릭 프리뷰로 제공된다. 이 샌드박스는 별도 인스턴스를 새로 띄우는 대신 기존 컨테이너와 같은 인스턴스 안에서 동작하며 그 인스턴스에 할당된 CPU·메모리를 공유하도록 설계되어 지연시간에 최적화돼 있다. 이는 코드 인터프리터를 붙인 챗봇, 사용자가 업로드한 스크립트를 실행하는 서비스, LLM이 작성한 코드를 즉시 실행해야 하는 에이전트형 애플리케이션 등 AI 에이전트가 프로덕션에 들어오면서 늘어난 "신뢰할 수 없는 코드 실행" 수요를 정면으로 겨냥한 기능이다. 별도 샌드박스 인프라를 직접 구축·운영하지 않고도 기존 Cloud Run 서비스 안에서 격리 실행 계층을 붙일 수 있다는 점이 핵심 가치다. 구글은 Kubernetes 환경을 위해서도 gVisor 기반의 GKE Agent Sandbox 같은 유사한 격리 기술을 별도로 제공하고 있어, Cloud Run·GKE 양쪽에서 AI 워크로드 격리를 강화하는 흐름이 이어지고 있다.
💡 AI 에이전트가 생성한 코드를 프로덕션에서 실행해야 하는 팀은 별도 샌드박스 인프라를 새로 구축하지 않고도 기존 Cloud Run 서비스에 격리 계층을 바로 붙일 수 있다는 점을 검토해볼 만하다.
Solve harder problems with AlphaEvolve, now available to everyone on Google Cloud
Google Cloud
구글 클라우드는 최적화 문제를 푸는 코드 발견·개선 에이전트 AlphaEvolve를 Gemini Enterprise Agent Platform에서 정식 출시(GA)했다고 밝혔다. AlphaEvolve는 Gemini 모델의 창의적 문제 해결 능력과, 사용자가 정의한 "정답" 평가 기준으로 결과를 검증하는 자동 평가기, 그리고 가장 유망한 아이디어를 계속 개선해 나가는 진화적 프레임워크를 결합한다. 새 코드가 기존보다 더 나은 성능을 보이면 다음 세대의 부모가 되는 방식으로 반복되며, 이 피드백 루프를 통해 시작점보다 훨씬 효율적인 알고리즘을 스스로 찾아낸다. 구글은 이 시스템으로 자사 인프라 효율을 높이는 것은 물론, 고객사의 머신러닝 모델 개선, 신약 개발 가속화, 공급망·창고 설계 최적화에도 활용하고 있다고 설명한다. 사례로는 Klarna가 대형 트랜스포머 모델 학습 속도를 두 배로 높이면서 품질도 개선한 것, Substrate가 전산 리소그래피 프레임워크의 런타임 속도를 여러 배 끌어올린 것, WPP가 광고 정확도를 10% 개선한 것, Schrödinger가 머신러닝 기반 힘의 장(force field) 학습·추론 속도를 약 4배 높인 것이 소개됐다. 그동안 제한된 대상에게만 제공되던 AlphaEvolve가 이제 누구나 접근 가능해지면서, 최적화가 핵심 병목인 조직들이 직접 시도해볼 수 있는 문턱이 낮아졌다.
💡 최적화가 병목인 팀(추천 모델 튜닝, 공급망 계획, 리소그래피 같은 계산 집약 작업)은 별도 연구팀 없이도 AlphaEvolve의 진화적 코드 개선 루프를 바로 시도해볼 수 있게 됐다.
Why we cannot wait for better post-quantum signature algorithms
Cloudflare
NIST는 미래 표준화 후보로 새로운 양자내성(post-quantum) 서명 알고리즘 9종을 3라운드로 진전시키고 있다. Cloudflare는 이 블로그에서 9종 후보를 하나씩 살펴본 뒤, 이들이 유망하긴 하지만 아직 개발 중인 만큼 "더 나은 것이 나올 때까지 기다리자"는 태도는 위험하다고 주장한다. 대신 지금 실전에 배포할 수 있는 선택지 중 최선인 ML-DSA를 당장 채택해야 한다는 것이 핵심 주장이다. 이는 NIST가 이미 표준화를 완료한 첫 양자내성 서명 알고리즘군(ML-DSA 포함)의 연장선에 있는 논의로, 인터넷 인프라를 다루는 Cloudflare 입장에서는 TLS 인증서·서명 체계를 양자 컴퓨터 위협에 대비해 실제로 전환하는 작업이 시급하다는 실무적 위기의식이 배경에 깔려 있다. 글은 향후 나올 수 있는 더 효율적이거나 더 작은 서명 알고리즘을 기다리다가 마이그레이션을 미루는 조직들에게 보내는 경고에 가깝다. 결론적으로 "완벽한 알고리즘"을 기다리기보다 지금 검증된 ML-DSA로 전환을 시작하는 것이 실질적인 리스크 관리라는 메시지를 던진다.
💡 TLS·서명 체계의 양자내성 전환을 미루고 있는 조직이라면, 더 나은 알고리즘을 기다리기보다 이미 표준화된 ML-DSA로 지금 마이그레이션을 시작하는 편이 리스크 관리 측면에서 낫다.
Autopilot Clusters with GKE managed DRANET: GPUs and TPUs
Google Cloud
이 구글 클라우드 글은 GKE(Google Kubernetes Engine)의 관리형 DRANET이 GPU와 TPU를 모두 지원한다고 소개하며, 표준 클러스터(사용자가 세부 설정을 직접 제어)와 오토파일럿 클러스터(구글이 복잡한 설정을 대신 처리) 양쪽에서 이를 활용하는 방법을 다룬다. 관리형 DRANET은 Pod가 필요로 하는 네트워킹 리소스를 요청·할당할 수 있게 해주는데, 여기에는 TPU와 RDMA(Remote Direct Memory Access)를 지원하는 네트워크 인터페이스도 포함된다. 오토파일럿 클러스터에서 관리형 DRANET을 쓰려면 VPC를 구성하고 Dataplane V2를 활성화하며, 관리형 DRANET을 지원하는 rapid 릴리스 채널을 사용해야 한다. 동작 방식은 GKE 오토파일럿이 ComputeClass를 읽어 필요한 노드 유형을 프로비저닝하고 관리형 DRANET 네트워킹을 구성하며, 리소스 클레임이 Pod와 해당 노드의 가속기(GPU·TPU)를 직접 연결하는 다리 역할을 한다. 이는 GPU·TPU 기반 대규모 학습·추론 워크로드에서 네트워크 설정을 오토파일럿이 자동화해준다는 뜻으로, 세부 인프라 튜닝 없이도 고성능 가속기 네트워킹을 쓰고 싶은 팀에게 유용하다.
💡 GPU·TPU 대규모 학습 워크로드를 오토파일럿에서 운영 중이라면, 관리형 DRANET으로 네트워크 인터페이스 설정을 자동화해 인프라 튜닝 부담을 줄일 수 있다.
Introducing Red Hat OpenShift Service Mesh 3.4
Red Hat
레드햇은 OpenShift Service Mesh 3.4가 정식 출시(GA)되어 Red Hat OpenShift와 Red Hat OpenShift Platform Plus에서 사용할 수 있다고 발표했다. Istio 기반의 이 서비스 메시는 이전 3.x 버전들에서 앰비언트 모드(ambient mode), ztunnel, 웨이포인트(waypoint) 프록시를 정식 기능으로 도입하고 서비스 메시 콘솔 플러그인의 네트워크 트래픽 가시성을 강화하는 등 사이드카 없는 경량 메시로의 전환을 이어와왔다. 3.4는 이런 흐름의 연장선에 있는 마이너 업데이트로, 공식 발표 자체는 세부 변경 사항을 나열하기보다 정식 출시 사실과 지원 플랫폼(OpenShift, OpenShift Platform Plus)을 확인하는 데 초점을 맞추고 있다. 정확한 신규 기능 목록과 변경 사항은 릴리스 노트에서 확인해야 하며, 이 글만으로 3.4의 구체적인 개선 폭을 단정하기는 어렵다. OpenShift에서 서비스 메시를 운영 중인 조직이라면 정식 지원 버전이 갱신된 만큼 업그레이드 일정에 반영해볼 시점이다.
💡 OpenShift에서 Istio 기반 서비스 메시를 운영 중이라면, 정확한 변경 사항은 릴리스 노트로 확인한 뒤 정식 지원 버전으로 업그레이드 일정을 잡는 것이 안전하다.
From automatic CI/CD to autonomous agentic workflows: Continuous AI with Red Hat OpenShift
Red Hat
이 레드햇 블로그는 AI 도구를 도입하면 개발 속도와 코드 품질이 좋아질 것이라는 기대와 달리, 실제로는 코드 변경 제출량이 급증하면서 기존 시스템·프로세스가 이를 따라가지 못해 병목이 생기는 현실적 문제를 짚는다. 이에 대한 대응으로 "자동화된 CI/CD"에서 "자율적인 에이전틱 워크플로"로 진화하는 "Continuous AI"라는 개념을 제시하며, Red Hat OpenShift를 그 기반 플랫폼으로 제안한다. 관련 레드햇 개발자 블로그들은 에이전틱 시스템을 위한 CI/CD가 특히 중요한 이유로 LLM 기반 시스템의 비결정성(nondeterminism)을 꼽는데, 예컨대 프론티어 모델로 CI/CD 평가를 한 번 돌리는 데 약 0.64달러의 토큰 비용이 든다는 실측 사례를 들며, OpenShift AI에 모델을 서비스형으로 호스팅해 이 가변 비용을 고정 인프라 비용으로 바꾸는 접근을 제안한다. 또한 별도의 에이전틱 플랫폼 없이도 기존 CI 파이프라인 안에서 바로 에이전틱 워크플로를 구현할 수 있는 플랫폼 중립적 프레임워크(cicaddy 등)도 함께 소개된다. 요컨대 이 글의 메시지는, AI 코딩 도구 도입 자체보다 그로 인해 늘어난 변경량을 감당할 CI/CD·거버넌스 체계를 함께 갖추는 것이 실제 생산성 향상의 관건이라는 것이다.
💡 AI 코딩 도구 도입으로 코드 변경량이 급증하는 조직이라면, 도구 자체보다 그 변경을 검증·배포할 CI/CD·거버넌스 체계와 평가 비용 구조를 먼저 점검해야 한다.
DevOps & 인프라
Meta debuts Muse Spark 1.1 and it isn’t free
The New Stack
메타가 7월 9일 자사 AI 플랫폼의 주요 업데이트인 Muse Spark 1.1을 공개하며, 이번엔 처음으로 유료 API로 내놓았다. Meta Model API는 미국 개발자 대상 퍼블릭 프리뷰로 시작했고, 요금은 입력 토큰 100만 개당 1.25달러, 출력 토큰 100만 개당 4.25달러(캐시 입력은 0.15달러)이며 신규 계정에는 20달러의 무료 크레딧이 제공된다. 이는 Anthropic Opus 4.8, OpenAI GPT-5.5, Fable 5 등 경쟁 모델의 출력 토큰당 요금(25~50달러)과 비교하면 최대 6배 가까이 저렴한 수준이어서, 메타가 공격적인 가격 정책으로 AI 코딩·에이전트 시장에 본격 진입했다는 평가를 받는다. Muse Spark 1.1은 Meta Superintelligence Labs가 내놓은 멀티모달 추론 모델로 에이전틱(agentic) 작업에 초점을 맞췄다. 웹 검색 그라운딩 기능은 1,000쿼리당 2.50달러로 별도 과금된다. 그동안 무료 오픈 모델 노선을 강조해온 메타가 처음으로 값을 매긴 API를 내놓았다는 점에서 업계의 주목을 받고 있다.
💡 메타가 경쟁사 대비 최대 6배 저렴한 종량제 API를 내놓으면서, 에이전트·코딩 워크로드를 운영하는 팀은 모델 비용 구조를 다시 비교해볼 시점이 됐다.
OpenAI is folding Codex into the ChatGPT app — and taking aim at Claude Cowork
The New Stack
OpenAI가 목요일 GPT-5.6 공개와 함께 Codex와 Atlas를 하나의 ChatGPT 데스크톱 앱으로 통합하고, Claude Cowork를 정조준한 신규 에이전트 "ChatGPT Work"를 선보였다. ChatGPT Work는 Codex 기술을 기반으로 문서·스프레드시트 등 자산을 다루는 복잡한 에이전틱 워크플로를 시작하거나 직접 결과물을 만들어내며, Slack·Microsoft Teams·Google Drive·SharePoint·캘린더·CRM 등 서드파티 서비스와 연동해 필요한 도구를 호출할 수 있다. Cowork와 마찬가지로 "Scheduled Tasks"라는 이름의 예약 실행 기능도 제공한다. 이번 통합으로 Codex는 앱 안에서 Chat·Work와 나란히 독립된 코딩 경험을 유지하며, 인라인 diff 편집, 사이드 패널 PR 리뷰, GPT-5.6 기반으로 빨라진 Computer Use, 멀티 리포지토리 프로젝트 지원 등이 새로 추가됐다. 아울러 Codex는 그동안 데스크톱·CLI·웹에서만 쓸 수 있었지만 이번에 iOS·안드로이드 ChatGPT 앱으로도 확장됐다. 결과적으로 OpenAI는 코딩 도구였던 Codex를 문서 작업까지 아우르는 범용 업무 에이전트로 넓히면서 Claude Cowork와 정면으로 경쟁하는 구도를 만들었다.
💡 코딩 도구였던 Codex가 문서·업무 자동화까지 확장되며 Cowork와 같은 카테고리에서 정면 승부를 시작한 만큼, 에이전틱 업무 도구를 도입 검토 중인 팀은 두 제품의 통합 범위와 커넥터 지원을 나란히 비교해볼 필요가 있다.
OpenAI’s GPT-5.6 is now live
The New Stack
OpenAI가 예고했던 대로 목요일 GPT-5.6 모델군을 앱·API 사용자 전원에게 전 세계 동시 공개했다. 이번엔 처음으로 세 가지 버전을 동시에 내놨는데, 최상위 플래그십 모델 Sol은 Anthropic Fable 5에 대적할 만한 수준을 목표로 하고, 중간급 Terra는 비용 대비 균형을, 가장 빠르고 저렴한 Luna는 경량 작업을 겨냥한다. OpenAI 설명에 따르면 Sol은 Fable 5와 거의 동등한 성능을 절반 비용, 절반 남짓한 시간에 내는 것을 목표로 했다. 에이전틱 기능도 강화돼, 모델이 스스로 가벼운 프로그램을 작성·실행하며 도구를 조율하고 중간 결과를 처리하고 다음 행동을 선택할 수 있어, 도구를 많이 쓰는 작업에서 토큰 소모와 모델 왕복 횟수를 줄일 수 있다고 밝혔다. 더 많은 토큰을 써서라도 최상의 결과를 원하는 사용자를 위해, Anthropic의 "ultracode"에 비견되는 "울트라" 모드도 새로 생겼는데 이는 4개 에이전트를 병렬로 투입하는 방식이다. 접근 권한은 요금제별로 차등화되어 Free·Go 사용자는 Terra를, Plus·Pro·Business·Enterprise 사용자는 Sol·Terra·Luna 중 선택하고 작업별 추론 강도(reasoning effort)를 설정할 수 있으며, Pro·Enterprise 사용자는 고난도 작업을 위한 Sol Pro도 이용할 수 있다.
💡 Fable 5급 성능을 절반 비용에 내세우는 GPT-5.6과 병렬 에이전트 울트라 모드의 등장으로, 모델 비용·지연시간 최적화를 고민하는 팀은 요금제별 접근 범위를 다시 점검할 필요가 있다.
How GitHub gave every repository a durable owner
GitHub
GitHub 내부에는 1만 4,000개가 넘는 저장소가 있었지만 절반도 안 되는 저장소만 소유자가 명확했다는 문제의식에서 이 글은 출발한다. 프로덕션 서비스에 연결된 저장소는 오래전부터 견고한 소유권 체계를 갖추고 있었지만, 특정 서비스에 매이지 않은 나머지 저장소는 누가 책임자인지 신뢰성 있게 파악할 방법이 없었다. GitHub 보안팀은 이 문제를 해결하기 위해 45일이라는 짧은 기간 안에 활성 저장소 전체에 검증된 소유자를 부여하고, 나머지는 아카이브 처리했다고 밝힌다. 이 과정에서 얻은 핵심 교훈으로는 저장소 생성 시점부터 소유권을 강제하고, 소유권 속성을 필수값으로 만들며, 기존 저장소를 위한 유예 기간 워크플로를 마련하고, 데이터 소스 오류나 알림 누락 같은 상황까지 감안한 안전장치를 설계한 점을 꼽는다. 이렇게 확보한 소유권 데이터는 이후 취약점 알림 라우팅, 접근 통제, 사고 대응 등 GitHub의 여러 보안 자동화의 기반이 됐다. 대규모 조직에서 "이 저장소는 누구 소유인가"라는 기본 질문에 답하지 못하는 것이 얼마나 큰 보안 리스크인지를 보여주는 사례다.
💡 저장소 소유권을 저장소 생성 시점부터 강제하고 필수 속성으로 만드는 접근은, 대규모 조직에서 취약점 알림·접근 통제 자동화가 제대로 작동하기 위한 전제 조건이라는 점을 보여준다.
Business intelligence plugins for Grafana: A support update
Grafana
Grafana Labs는 지난 1월 Volkov Labs가 만든 비즈니스 인텔리전스(BI) 플러그인들의 유지보수를 넘겨받으며 6개월간 지원을 약속했었는데, 이번 글에서 그 약속을 2026년 말까지로 연장한다고 발표했다. 이는 대시보드에 BI 플러그인을 걸어둔 사용자 입장에서 갑자기 미유지보수 상태로 전환될 위험이 당분간 사라졌다는 의미다. 원 개발사가 손을 뗀 오픈소스 플러그인을 대형 벤더가 이어받아 지원 기간을 명시적으로 관리하는 사례로, 서드파티 플러그인 생태계에 의존하는 관측성 스택 운영자들에게는 유지보수 로드맵의 예측 가능성을 높여주는 소식이다. 글은 구체적으로 어떤 플러그인들이 대상인지, 연장 기간 동안 어떤 수준의 지원(버그 수정 vs 신규 기능)이 제공되는지를 안내하는 성격의 공지에 가깝다. Grafana 기반 BI 대시보드를 프로덕션에서 쓰는 팀이라면 연장된 지원 기간을 참고해 마이그레이션이나 대체 플러그인 검토 일정을 다시 잡아볼 수 있다.
💡 Grafana 기반 BI 대시보드를 운영 중이라면 지원 종료 시점이 2026년 말로 늦춰진 만큼, 대체 플러그인 검토나 마이그레이션 일정을 급하게 당길 필요는 없어졌다.
Green DevOps: Why carbon measurement belongs in your CI/CD pipeline
GitLab
GitLab은 일반적인 소프트웨어 팀이 하루에도 수백 개의 CI/CD 잡을 돌리며, 이 과정에서 컴퓨팅 자원을 소모하고 파이프라인 로그에는 드러나지 않는 탄소 배출이 발생한다고 지적한다. 이 글은 CI/CD 파이프라인에 탄소 측정을 도입해야 한다는 주장을 펴며, 실제 구현 수단으로 오픈소스 도구인 Eco CI를 소개한다. Eco CI는 별도 서버나 데이터베이스 없이 파이프라인 잡 안에서 가벼운 bash 스크립트로 동작하며, 명령 실행 중 CPU 사용률을 모니터링하고 SPECpower 데이터베이스의 사전 계산된 전력 곡선을 이용해 에너지 소비량을 추정한다. 원래 GitHub Actions 전용이었던 Eco CI가 이번에 GitLab 파이프라인 지원을 추가했으며, GitLab CI 설정에 템플릿 파일을 포함시키는 방식으로 손쉽게 붙일 수 있다. 측정 결과는 텍스트 파일로 저장돼 잡 아티팩트로 다운로드할 수 있고, 외부 대시보드로 보내 브랜치·커밋·기간별 에너지·탄소 배출 추이를 비교할 수도 있다. 다만 GitLab 자체가 Eco CI를 직접 유지보수하거나 규제·컴플라이언스 요건 충족을 보증하지는 않는다는 점도 명시하고 있다.
💡 CI/CD 탄소 배출을 파악하고 싶은 팀은 별도 인프라 없이 파이프라인 잡 안에 Eco CI 템플릿만 추가하면 브랜치·커밋 단위 에너지 소비를 바로 측정해볼 수 있다.
Symlinks Are Still Scary (And Yes, You Can Commit Them to Git)
Snyk
Snyk의 이 글은 Git 저장소에 심어진 겉보기엔 무해한 심볼릭 링크(symlink)가 도구를 저장소 바깥의 임의 파일로 유도해 읽거나 쓰게 만들 수 있는, 오래된 유닉스 시대의 공격 기법을 다룬다. 최근 이 오래된 트릭이 AI 코딩 어시스턴트에서 다시 등장해 심각한 결과로 이어지고 있다는 것이 글의 문제의식으로, 이는 업계에서 "GhostApproval"로 불리는 심볼릭 링크 취약점 패턴과 맥을 같이한다. 이 패턴은 Amazon Q Developer, Cursor, Google Antigravity, Windsurf 등 여러 주요 AI 코딩 어시스턴트에서 발견됐으며, 공격자가 만든 저장소의 심볼릭 링크가 워크스페이스 샌드박스 바깥의 파일에 접근하도록 에이전트를 속여 사용자가 "무해한 로컬 수정"으로 승인한 작업이 실제로는 민감한 파일에 쓰기를 수행하게 만든다. 벤더별 대응은 엇갈렸는데, 일부는 신속히 패치했고 일부는 접수만 하고 이후 대응이 없었으며, 위협 모델 밖이라며 반려한 경우도 있었던 것으로 알려졌다. 이 글은 Git에 심볼릭 링크를 커밋하는 것 자체는 가능하고 때로 유용하지만, 그것이 AI 에이전트가 파일 시스템 경계를 검증하지 않을 경우 원격 코드 실행으로까지 이어질 수 있는 실질적 위협이라는 점을 다시 환기시킨다. AI 코딩 어시스턴트를 신뢰할 수 없는 저장소(오픈소스 클론, 외부 PR 등)에 대해 실행하는 팀이라면 심볼릭 링크 검증·워크스페이스 경계 검사 여부를 도구 선택 기준에 넣어야 한다는 것이 시사점이다.
💡 신뢰할 수 없는 저장소(외부 PR·오픈소스 클론)에 AI 코딩 어시스턴트를 돌리는 팀은, 그 도구가 심볼릭 링크를 검증하고 워크스페이스 경계를 실제로 지키는지부터 확인해야 한다.
이 다이제스트는 RSS 피드에서 수집한 뒤 AI(Claude)가 요약·정리했습니다. 자세한 내용은 원문 링크를 확인하세요.