2026년 5월 1일 | AI 최신 트렌드
2026년 5월 1일 기준으로는 AI 수요가 하드웨어 판매, 모델 내부 디버깅, 차량 인터페이스, 법률 업무, 모델 IP, 에이전트 실패 복구까지 한꺼번에 번지는 흐름을 골랐다. 한쪽에서는 Mac 판매와 차량 내 Gemini처럼 AI가 기존 기기 표면을 밀어 올리고 있고, 다른 쪽에서는 Silico나 FAMA처럼 “모델과 에이전트를 어떻게 고칠 것인가”가 더 구체적인 도구 문제로 내려오고 있다.
1. Apple Mac, AI 로컬 워크로드가 만든 의외의 수요
TechCrunch 보도에서 가장 눈에 들어온 대목은 iPhone이나 Services보다 Mac이 조용히 예상치를 넘겼다는 점이었다. Apple은 3월 28일 종료 분기 Mac 매출이 84억 달러였고, 전년 대비 6% 성장했다고 설명했다. 투자자들은 대체로 저성장 또는 보합에 가까운 Mac 흐름을 예상했는데, 실제로는 Mac mini와 Mac Studio 같은 데스크톱 제품 수요가 예상보다 빨리 올라왔다.
Tim Cook은 분석가 콜에서 Mac mini와 Mac Studio가 AI와 agentic tools를 돌리기 좋은 플랫폼이라는 고객 인식이 Apple 예상보다 빠르게 확산됐다고 말했다. 나는 이 부분이 꽤 흥미로웠다. 그동안 온디바이스 AI 이야기는 스마트폰 NPU나 노트북 배터리 효율 쪽으로 자주 흘렀는데, 이 보도에서는 개발자와 기업 사용자가 로컬 모델, 로컬 에이전트, 프라이버시가 필요한 업무 실험을 위해 데스크톱 Mac을 다시 보는 장면이 나온다.
다만 이걸 곧바로 “Mac이 AI 워크스테이션 시장을 장악한다”로 읽으면 과하다. 기사 안에서도 Mac 매출은 전분기 대비로는 평평했고, Cook도 Mac mini와 Studio의 수급 균형을 맞추는 데 몇 달이 걸릴 수 있다고 했다. 지금의 신호는 AI가 소프트웨어 구독을 넘어 하드웨어 교체 이유가 될 수 있다는 쪽에 가깝다. 특히 기업이 클라우드 비용과 데이터 반출을 동시에 신경 쓰기 시작하면, 로컬에서 실험 가능한 장비의 의미가 조금씩 달라질 수 있다.
원문: TechCrunch - Apple was surprised by AI-driven demand for Macs
2. Goodfire Silico, LLM을 디버깅 가능한 공학 대상으로 만들려는 시도
MIT Technology Review가 다룬 Goodfire의 Silico는 요즘 모델 개발 흐름에서 중요한 방향을 잘 보여 준다. Silico는 연구자와 엔지니어가 모델 내부의 뉴런, 뉴런 묶음, 경로를 들여다보고 실험하면서 학습 중 모델 행동을 조정할 수 있게 하려는 도구다. Goodfire는 데이터셋 구성부터 학습, 사후 디버깅까지 여러 단계에서 쓸 수 있는 오프더셸프 도구라고 설명한다.
핵심 단어는 mechanistic interpretability다. 모델이 어떤 입력에서 어떤 내부 회로를 쓰고, 특정 뉴런이 어떤 행동과 연결되는지 추적하려는 분야다. 예전에는 “모델이 왜 이렇게 답했는지 모르겠다”가 거의 당연한 말처럼 쓰였는데, Goodfire는 이 간극을 줄여서 AI 모델 제작을 연금술보다 소프트웨어 엔지니어링에 가깝게 만들겠다고 말한다. CEO Eric Ho의 표현대로라면 trial and error를 줄이고 knob과 dial을 드러내려는 셈이다.
물론 기사에 나온 반론도 중요하다. 암스테르담대 연구자 Leonard Bereska는 Silico가 유용해 보이지만, “연금술에 정밀도를 더하는 것”에 가깝다고 선을 그었다. 나도 이 쪽에 조금 더 무게를 둔다. 지금 단계에서 해석 가능성 도구가 곧바로 완전한 공학적 통제를 뜻하지는 않는다. 그래도 모델이 실패했을 때 프롬프트만 바꾸거나 데이터만 더 넣는 대신, 내부 상태를 실험 대상으로 삼는 제품이 등장했다는 점은 꽤 큰 변화다.
특히 Silico가 에이전트를 활용해 해석 작업 일부를 자동화한다는 점도 눈에 들어온다. 해석 가능성 연구 자체가 사람이 수작업으로 패턴을 찾는 일에 많이 기대고 있었는데, 이제는 에이전트가 후보 회로를 찾고, 사람이 그 결과를 검증하는 구조가 된다. 모델을 고치는 도구를 다시 모델과 에이전트가 돕는다는 점에서 조금 재귀적인 장면이다.
원문: MIT Technology Review - This startup’s new mechanistic interpretability tool lets you debug LLMs
3. 차량으로 들어가는 Gemini, 음성비서의 다음 시험대
Google은 Google built-in이 들어간 차량에 Gemini를 순차적으로 적용한다고 밝혔다. TechCrunch 보도에 따르면 시작은 미국 영어 지원이고, 몇 달에 걸쳐 확장된다. GM이 모델연도 2022년 이후 약 400만 대 차량에 Gemini를 넣겠다고 밝힌 직후 나온 소식이라, 특정 신차 옵션보다는 소프트웨어 업데이트로 기존 차량 경험을 바꾸는 흐름에 가깝다.
차량 안에서의 AI는 스마트폰 챗봇과 조건이 다르다. 운전자는 화면을 오래 볼 수 없고, 답변은 짧아야 하며, 잘못된 행동이 바로 안전과 연결될 수 있다. 그래서 Gemini가 단순히 “대화를 더 자연스럽게 한다”를 넘어 길 위의 식당 추천, 주차 가능성, 메뉴 조건, 차량 설정, 메시지 요약과 응답 같은 작업을 어떻게 묶는지가 중요하다. 여기서는 대화 능력보다 상황 제약을 지키는 능력이 먼저다.
나는 차량용 AI가 당장 자율주행만큼 화려하지는 않아도, 훨씬 빨리 일상에 스며들 수 있는 표면이라고 본다. 대부분의 사람에게 자동차는 이미 마이크, 스피커, 위치 정보, 캘린더, 지도, 음악, 메시지가 연결된 공간이다. 여기에 Gemini Live 같은 실시간 대화 모드가 붙으면, AI 비서는 앱 하나를 넘어 운전 중 조작을 줄이는 인터페이스 계층이 된다.
반대로 말하면 Google은 이 영역에서 꽤 섬세한 실패 처리가 필요하다. 식당 추천이 틀린 정도와 차량 설정 변경이 틀린 정도는 다르다. 앞으로 Gmail, Calendar, Google Home 연동까지 깊어진다면, 차량 AI의 권한 경계와 확인 UX가 더 중요해질 것이다.
원문: TechCrunch - Google’s Gemini AI assistant is hitting the road in millions of vehicles
4. Legora와 Harvey, 법률 AI가 수직 SaaS 전쟁으로 바뀌는 장면
TechCrunch의 Legora 보도는 법률 AI가 더 이상 “LLM을 계약서에 붙여 본다” 수준의 파일럿에 머물지 않는다는 신호에 가깝다. 스웨덴에서 출발한 Legora는 5천만 달러 규모의 Series D extension을 추가했고, 직전 5억 5천만 달러 Series D 이후 한 달 만에 56억 달러 post-money valuation에 도달했다. Nvidia의 corporate VC인 NVentures도 이번 라운드에 참여했다.
수치만 보면 Harvey가 여전히 크다. Harvey는 지난달 110억 달러 평가를 받았고, 1,300개 조직의 변호사 10만 명을 고객으로 주장한다. Legora도 플랫폼 출시 18개월 만에 ARR 1억 달러를 넘겼고, 50개 시장의 1,000개 이상 로펌과 인하우스 법무팀이 쓴다고 한다. 이 정도면 법률 AI는 수평 챗봇의 부가 기능을 넘어 전문직 워크플로를 붙잡는 수직 SaaS 시장으로 봐야 한다.
재미있는 건 경쟁이 제품 기능만으로 가지 않는다는 점이다. Harvey는 드라마 Suits 배우 Gabriel Macht와 브랜드 파트너십을 맺었고, Legora는 Jude Law 캠페인을 내세웠다. 법률 업무처럼 보수적인 시장에서도 AI 도구의 신뢰와 채택은 기능표만으로 결정되지 않는다. 이름 있는 고객, 보안 검토, 로펌 네트워크, 브랜드 신뢰가 같이 움직인다.
다만 이 시장에는 구조적 긴장도 있다. Legora와 Harvey는 대형 LLM 위에서 제품을 만들지만, Anthropic이나 OpenAI 같은 기초모델 회사가 법률 플러그인과 업무 도구를 직접 밀면 언제든 인접 시장으로 들어올 수 있다. 그래서 법률 AI 스타트업의 방어력은 모델 성능 자체보다 도메인 데이터, 워크플로 통합, 고객 관계, 규제 대응 쪽에서 갈릴 가능성이 크다.
원문: TechCrunch - Legal AI startup Legora hits $5.6B valuation
5. xAI의 Grok 학습 발언, 모델 증류가 산업 규칙 문제로 올라온 순간
TechCrunch는 Elon Musk가 캘리포니아 연방법원 증언에서 xAI가 OpenAI 모델을 사용해 Grok을 학습했는지 질문받았고, 모델 증류가 업계의 일반적 관행이라고 말한 뒤 “partly”라고 답했다고 보도했다. 이 발언은 OpenAI와 Anthropic이 제3자가 공개 챗봇과 API를 대량 질의해 새 모델을 학습하는 distillation 시도에 강하게 대응하는 흐름과 맞물린다.
모델 증류 자체는 오래된 기법이다. 큰 teacher 모델의 출력을 작은 student 모델 학습에 활용하는 방식은 연구와 제품 양쪽에서 널리 쓰였다. 그런데 프런티어 모델 산업에서는 의미가 조금 바뀐다. 수십억 달러 규모의 학습비와 데이터 수집, 인프라 투자를 한 회사 입장에서는 공개 API를 통해 경쟁사가 성능을 따라오는 일이 기술 최적화를 넘어 경제적 해자 침식으로 보일 수 있다.
법적으로도 회색지대가 많다. 기사에서는 distillation이 명시적으로 불법인지보다는 서비스 약관 위반에 가까울 수 있다고 설명한다. 동시에 프런티어 모델 회사들도 원래 인터넷 데이터와 저작물 사용을 둘러싼 논쟁 안에 있었기 때문에, 누가 누구의 지식을 어디까지 가져갈 수 있는가라는 질문이 단순하지 않다.
내가 보기엔 이 이슈는 앞으로 모델 provenance와 API 사용 패턴 감시로 이어질 가능성이 크다. Frontier Model Forum 쪽에서는 중국발 대량 질의와 증류 시도를 막기 위한 정보 공유도 언급됐다. 모델 회사는 suspicious mass query를 잡으려 하고, 작은 모델 회사는 더 낮은 비용으로 성능을 끌어올리려 한다. 이 줄다리기는 오픈웨이트 경쟁과 API 비즈니스의 경계까지 계속 건드릴 것이다.
원문: TechCrunch - Elon Musk testifies that xAI trained Grok on OpenAI models
6. FAMA, 실패 유형을 먼저 읽고 에이전트 컨텍스트를 고치는 논문
HuggingFace Daily Papers에서 올라온 FAMA 논문은 오픈소스 LLM 기반 도구 사용 에이전트의 실패를 다룬다. 제목 그대로 Failure-Aware Meta-Agentic Framework다. 논문은 고객지원형 멀티턴 벤치마크처럼 실제 업무를 흉내 내는 환경에서, 에이전트가 한 번 잘못 판단하면 그 오류가 다음 도구 호출과 다음 대화로 누적되는 문제를 전면에 둔다.
FAMA의 구조는 두 단계다. 먼저 baseline agent가 남긴 실패 trajectory를 분석해 어떤 오류가 자주 나오는지 찾는다. 그다음 모든 보조 에이전트를 항상 켜는 대신, 해당 실패를 줄이는 데 필요한 전문 에이전트의 최소 subset만 활성화한다. 이 전문 에이전트들은 tool-use agent가 의사결정을 내리기 전에 타깃 컨텍스트를 주입한다.
이 접근이 마음에 드는 이유는 에이전트 성능 향상을 “더 큰 모델을 쓰자”나 “프롬프트를 더 길게 쓰자”로만 밀지 않는다는 데 있다. FAMA는 실패 로그를 먼저 읽고, 실패 유형별로 어떤 컨텍스트가 필요한지 고른다. 오픈소스 LLM처럼 파라미터 수, context window, inference budget이 제한된 모델에서는 이런 방식이 특히 중요하다. 논문은 평가 모드 전반에서 표준 baseline 대비 최대 27% 성능 향상을 보고했다.
실무적으로 번역하면, 에이전트 시스템을 만들 때 성공 케이스만 모아 “잘된다”를 확인하는 것보다 자주 틀리는 실패 묶음을 먼저 분류해야 한다는 이야기다. 실패 유형이 분명해지면 모든 요청에 무거운 supervisor를 붙일 필요 없이, 필요한 순간에만 컨텍스트 보정이나 전문 검토를 넣을 수 있다. 이건 비용, 지연시간, 안정성을 같이 보는 설계에 꽤 잘 맞는다.
짧게 묶어 보면
여섯 소식을 한 줄로 묶으면, AI는 이제 모델 성능표 바깥에서 더 많은 질문을 만들고 있다. Apple Mac 사례는 AI가 기기 수요를 바꾸는지를 묻고, Gemini 차량 적용은 기존 물리 공간 안에서 AI 권한을 어디까지 줄지를 묻는다. Goodfire와 FAMA는 모델과 에이전트를 더 잘 고치는 방법을 도구화하고, Legora와 xAI 사례는 AI 사업이 전문직 시장과 모델 IP 규칙을 동시에 흔드는 장면을 보여 준다.
개발자 입장에서 바로 가져갈 만한 포인트도 있다. 로컬 실행 수요는 장비 선택과 배포 전략에 영향을 주기 시작했고, 해석 가능성 도구와 실패 인식 에이전트는 “프롬프트를 더 잘 쓰기”보다 한 단계 아래의 디버깅 루프를 요구한다. 모델 증류 논쟁은 API 사용 로그, 약관, 데이터 provenance가 앞으로 더 중요한 운영 자산이 될 수 있음을 보여 준다. 시장 뉴스처럼 보이는 소식들도 결국은 어디서 실행하고, 어떻게 고치고, 누구의 지식을 썼는가라는 엔지니어링 질문으로 다시 돌아온다.
출처
- TechCrunch, Apple was surprised by AI-driven demand for Macs
- MIT Technology Review, This startup’s new mechanistic interpretability tool lets you debug LLMs
- TechCrunch, Google’s Gemini AI assistant is hitting the road in millions of vehicles
- TechCrunch, Legal AI startup Legora hits $5.6B valuation
- TechCrunch, Elon Musk testifies that xAI trained Grok on OpenAI models
- arXiv, FAMA: Failure-Aware Meta-Agentic Framework for Open-Source LLMs in Interactive Tool Use Environments