2026년 4월 18일 | AI 최신 트렌드
2026년 4월 18일 메모 | 돈, 토큰, 주문 창구, 기업 문서창고처럼 전혀 다른 표면에서 AI가 실제 운영 단위로 굳어지는 장면들을 한 번에 묶었다.
Cursor의 대형 투자 협상 소식은 코딩 에이전트 시장에서 누가 인터페이스와 수익 구조를 가져갈지 다시 묻게 만들었고, 같은 날 나온 tokenmaxxing 논의는 토큰을 많이 태운다고 생산성이 같이 오르지는 않는다는 불편한 숫자를 던졌다. 소비자 접점에서는 Dairy Queen이 드라이브스루 주문창에 AI 챗봇을 넣기 시작했고, 논문 쪽에서는 Corpus2Skill이 기업 문서창고를 top-k 검색 결과 묶음을 넘어 탐색 가능한 스킬 트리로 바꾸는 발상을 내놨다. 따로 보면 흩어진 뉴스지만, 같이 놓고 보면 요즘 AI 경쟁은 모델 이름보다 어떤 운영 지표로 가치를 증명하고, 어떤 인터페이스 안으로 들어가고, 어떤 구조로 지식을 정리하느냐 쪽으로 더 빠르게 이동하고 있다.
- 자금과 밸류: Cursor는 최소 20억 달러 조달과 500억 달러 밸류에이션 협상설로 코딩 에이전트 시장의 무게를 다시 보여 줬다.
- 개발 생산성: tokenmaxxing 논의는 토큰 사용량만 보지 말고 코드 churn과 재작업 비용을 같이 보라고 밀어붙인다.
- 오프라인 주문: Dairy Queen은 AI를 검색창 밖 드라이브스루 주문 인터페이스에 넣고 있다.
- 기업 RAG: Corpus2Skill은 문서를 벡터 검색 대상으로만 두지 않고, 에이전트가 찾아다닐 수 있는 계층형 스킬 디렉터리로 바꾼다.
1. Cursor: 코딩 에이전트 시장에 붙은 500억 달러 가격표
TechCrunch 이미지: Cursor 투자 협상설은 코딩 에이전트 레이어 자체가 얼마나 큰 사업으로 읽히는지 보여 준다.
TechCrunch 보도에 따르면, Cursor는 최소 20억 달러 신규 자금 조달과 500억 달러 밸류에이션을 놓고 협상 중이다. 복수 소식통 기준으로 Thrive와 Andreessen Horowitz가 라운드를 이끌 가능성이 크고, Battery Ventures와 Nvidia도 참여 후보로 거론된다. 아직 최종 조건은 남아 있지만, 6개월 전 293억 달러 수준에서 거의 두 배 가까이 다시 평가받는 그림 자체가 눈에 띈다.
숫자를 더 보면 이유가 아예 없지는 않다. 기사에는 Cursor가 2026년 말 기준 연환산 매출 60억 달러 이상을 바라보고 있고, 2월에는 이미 20억 달러 수준의 연환산 매출에 닿았다고 적혀 있다. 더 흥미로운 건 수익 구조 쪽이다. Cursor는 한동안 외부 모델 사용 비용 때문에 마진이 마이너스였지만, 자체 Composer 모델과 더 저렴한 외부 모델을 섞으면서 이제는 대형 엔터프라이즈 판매에서는 흑자 구간에 들어섰다고 한다. 코딩 에이전트 시장이 단순히 “좋은 모델을 붙인 앱” 수준을 넘어 마진을 설계할 수 있는 인터페이스 사업으로 재평가받고 있다는 뜻이다.
나는 이 소식이 모델 경쟁보다 워크플로 지배력 경쟁을 더 분명하게 보여 준다고 느꼈다. Claude Code와 OpenAI Codex 같은 강한 경쟁자가 있는데도 밸류가 이렇게 붙는 건, 사용자와 기업이 실제로 매일 여는 화면을 누가 잡느냐가 생각보다 더 큰 가치라는 얘기다. 결국 코딩 에이전트 시장은 모델 공급자와 제품 인터페이스 업체가 분리되는 방향으로 갈 가능성이 크다. 그리고 그때 중요한 건 단순 벤치마크보다 매출 유지력, 비용 구조, 팀 단위 도입성 같은 훨씬 덜 화려한 숫자들이다.
2. Tokenmaxxing: 토큰을 많이 태울수록 생산적이라는 착각
TechCrunch 이미지: 토큰 예산이 커질수록 생산성도 같이 오른다는 믿음에 균열이 가고 있다.
TechCrunch가 붙인 tokenmaxxing이라는 표현이 재밌었던 이유는, 이 말이 요즘 개발팀의 이상한 자부심을 꽤 정확하게 찌르기 때문이다. 더 큰 토큰 예산, 더 긴 컨텍스트, 더 많은 에이전트 호출이 곧 생산성처럼 취급되지만, 기사 핵심은 그건 입력 비용일 뿐 결과 품질을 대변하지 못한다는 것이다. AI 코딩 도구가 더 많은 코드를 만들어 내는 건 사실이지만, 매니저가 진짜 봐야 할 건 토큰 소모량보다 그 코드가 얼마나 오래 살아남는지다.
기사에 등장한 Waydev는 50개 고객사, 1만 명 이상 엔지니어 데이터를 기준으로 흥미로운 숫자를 제시한다. 표면적으로는 AI가 만든 코드의 승인율이 80~90%처럼 보이지만, 몇 주 뒤 다시 수정되는 churn을 반영하면 실제로 남는 비율은 10~30% 수준까지 떨어질 수 있다는 설명이다. 다른 분석도 결이 비슷하다. GitClear는 정기적으로 AI를 쓰는 개발자의 코드 churn이 비사용자보다 9.4배 높다고 봤고, Faros AI는 고도 채택 조직에서 churn이 861% 늘었다고 했다. Jellyfish 데이터에서는 토큰 예산이 가장 큰 엔지니어가 PR 수는 많이 만들었지만, 10배 비용으로 2배 처리량에 그쳤다. 양은 늘었는데 가치가 비례하지 않는다는 얘기다.
이건 코딩 에이전트를 부정하는 숫자라기보다, 이제 평가 기준을 바꾸라는 신호에 가깝다. 실제 팀에서는 이미 “얼마나 많이 생성했는가”보다 얼마나 덜 되돌렸는가, 리뷰 부담이 얼마나 줄었는가, 토큰 1달러당 남는 코드가 얼마나 되는가를 묻기 시작할 가능성이 크다. 전날 Cursor 같은 회사에 거대한 밸류가 붙는 장면과 같이 보면 더 분명하다. 시장은 여전히 코딩 에이전트에 큰 돈을 걸고 있지만, 그 안에서 살아남는 제품은 토큰을 많이 쓰게 만드는 도구보다 재작업과 기술부채를 덜 남기는 도구일 가능성이 높다.
3. Dairy Queen과 Presto: 검색창 밖으로 나온 주문형 AI
The Verge 이미지: Dairy Queen은 AI를 정보 검색을 넘어서 실제 주문 인터페이스 안으로 밀어 넣고 있다.
The Verge 보도를 보면, Dairy Queen은 미국과 캐나다의 일부 가맹점 드라이브스루에 Presto 기반 AI 주문 챗봇을 넓게 배치하기 시작했다. 회사가 내세운 목적은 명확하다. 주문 속도를 높이고, 추가 메뉴를 더 잘 추천해 객단가를 올리는 것이다. 리테일 AI가 사이트 유입과 추천을 넘어, 이제는 실제 결제가 일어나는 창구의 첫 대화상대로 들어가고 있다는 점이 흥미롭다.
물론 이 분야가 이미 완성된 것은 아니다. 기사에 따르면 Presto는 Carl’s Jr., Hardee’s, Taco John’s, Fazoli’s 같은 체인과도 일해 왔고, 월스트리트저널 기준 주문 정확도는 약 90% 수준으로 전해진다. 하지만 2023년에는 이 회사의 AI 드라이브스루가 필리핀 인력의 지원을 받는다는 보도도 있었고, McDonald’s는 한때 챗봇 주문 실험을 접었으며, Taco Bell도 배치 범위를 다시 보겠다고 말한 적이 있다. 즉 지금 단계의 핵심은 “완전 자동화 성공”이라기보다, 어디까지가 기계가 맡을 수 있는 안정 구간인지를 서비스 사업자들이 실험하고 있다는 데 있다.
나는 이 소식이 전날 보였던 리테일 AI 유입 데이터보다 더 직접적인 다음 단계처럼 보였다. 어제까지는 AI가 손님을 데려오는 채널이었다면, 여기서는 AI가 주문을 받는 인터페이스가 된다. 이 구간부터는 검색 정확도보다 응답 지연, 인식 실수, 주문 수정, 업셀 성공률 같은 운영 지표가 바로 돈으로 연결된다. 결국 오프라인 서비스 현장에서 AI 경쟁은 “얼마나 똑똑한가”보다 몇 초 안에 실수 없이 주문을 받고, 어느 순간 사람에게 넘겨야 하는가를 더 잘 다루는 쪽으로 흘러갈 것 같다.
4. Corpus2Skill: 기업 문서창고를 탐색 가능한 스킬 트리로 바꾸는 RAG
arXiv Figure 1: Corpus2Skill은 고정된 top-k 검색 결과를 던지는 대신, 에이전트가 스킬 계층을 따라 내려가며 증거를 찾게 만든다.
HuggingFace Daily Papers에 올라온 arXiv 논문 “Don’t Retrieve, Navigate”는 제목부터 꽤 직설적이다. 저자들이 말하는 문제는 기존 RAG가 문서를 검색해서 상위 몇 개 조각을 LLM에 먹이는 동안, 정작 모델은 문서창고 전체가 어떻게 구성되어 있는지 전혀 보지 못한다는 점이다. 그래서 검색어를 조금 잘못 잡으면 같은 주변부만 맴돌고, 흩어진 근거를 다시 조합하기도 어렵다. Corpus2Skill은 이 문제를 문서 검색기 개선보다 문서 구조 자체를 탐색 가능한 스킬 디렉터리로 컴파일하는 방식으로 푼다.
방식은 꽤 실용적이다. 오프라인에서 기업 문서를 임베딩하고 군집화한 뒤, 각 단계마다 LLM 요약을 붙여 계층 구조를 만든다. 그리고 서빙 시점에는 벡터 검색 결과를 던지는 대신, 에이전트가 이 트리를 파일 시스템처럼 훑으며 필요한 가지를 내려가고, 막히면 다시 올라가고, 문서 ID로 원문을 가져오게 한다. 논문은 WixQA라는 엔터프라이즈 고객지원 벤치마크에서 dense retrieval, RAPTOR, agentic RAG baseline보다 전반적인 품질이 더 높았다고 말한다. 특히 서빙 시점에는 벡터 데이터베이스 없이도 동작한다는 점이 눈에 띈다.
나는 이 논문이 최근 스킬 포맷과 에이전트 운영 이야기를 읽으며 느꼈던 감각과 꽤 잘 맞는다고 봤다. 모델에게 모든 문서를 한꺼번에 던지는 것보다, 어디서부터 읽어야 하는지 보이는 구조를 주는 편이 질문 완성도에 더 직접적일 때가 많다. 기업용 RAG도 비슷할 수 있다. 앞으로는 검색기를 더 복잡하게 만드는 경쟁만큼, 지식창고를 에이전트가 길을 잃지 않게 탐색할 수 있는 모양으로 미리 정리해 두는 경쟁이 커질 가능성이 있다. 이 논문은 그 방향을 꽤 깔끔하게 밀어붙인 사례로 보였다.
5. 공통 흐름: 모델 성능보다 운영 단위가 먼저 보이기 시작했다
오늘 묶은 네 건은 언뜻 보면 서로 상관이 없어 보인다. 하나는 투자 기사이고, 하나는 개발 생산성 반론이며, 하나는 패스트푸드 주문 시스템이고, 마지막은 RAG 논문이다. 그런데 공통점이 있다. 전부 AI를 어디에 붙였을 때 가치가 측정되는가를 다시 묻는다. Cursor는 밸류와 마진으로, tokenmaxxing은 churn과 비용으로, Dairy Queen은 주문 정확도와 업셀로, Corpus2Skill은 지식 탐색 구조와 답변 품질로 평가받는다. 점점 더 많은 AI 뉴스가 모델 데모보다 운영 지표 이야기로 넘어오고 있다는 뜻이다.
그래서 요즘 AI 트렌드를 따라갈 때는 “무슨 모델이 나왔나”만 보면 조금 늦게 읽게 된다. 돈이 어디에 붙는지, 팀이 무엇을 생산성이라고 부르기 시작했는지, 주문이나 결제 같은 좁은 창구에 AI를 넣을 만큼 신뢰 구간이 어디까지 왔는지, 그리고 기업 문서를 어떤 구조로 다시 정리하고 있는지까지 같이 봐야 흐름이 보인다. 당분간은 모델 성능표보다 밸류에이션, 코드 churn, 주문 성공률, 탐색 가능성 같은 운영 언어가 트렌드의 중심에 더 자주 올라올 것 같다.
출처
- TechCrunch - Sources: Cursor in talks to raise $2B+ at $50B valuation as enterprise growth surges
- TechCrunch - ‘Tokenmaxxing’ is making developers less productive than they think
- The Verge - Dairy Queen is putting an AI chatbot in its drive-thrus
- arXiv - Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG
- arXiv HTML - Figure and full text for Corpus2Skill paper