2026년 5월 19일 | AI 최신 트렌드
2026년 5월 19일 아침 기준으로 눈에 들어온 축은 모델이 연구실, SDK, 거실 스피커, 안경 렌즈, 코드베이스, 설계 도구 안으로 내려오는 방식이었다. 거창한 모델명보다 인터페이스, 공급망, 토큰 비용, 수정 가능한 결과물이 더 크게 보였고, 나는 이쪽이 실제 제품화의 마찰을 더 잘 보여 준다고 느꼈다.
1. SandboxAQ 모델이 Claude 안으로 들어온다는 것
TechCrunch 보도에서 제일 먼저 눈에 들어온 문장은 “병목은 모델이 아니라 인터페이스”라는 쪽이었다. SandboxAQ는 Anthropic과 협력해 자사의 과학 AI 모델을 Claude에서 자연어로 호출할 수 있게 한다고 밝혔다. 회사가 말하는 LQM, 즉 large quantitative model은 텍스트 패턴이 아니라 물리 법칙과 실험 데이터에 근거한 모델이라는 설명이 붙어 있다. 양자화학 계산, 분자 동역학, microkinetics 같은 계산을 약물 탐색이나 재료 탐색에 쓰는 흐름이다.
이 소식은 “Claude가 신약을 만든다”로 읽으면 너무 빠르다. 내가 보기에는 더 현실적인 포인트가 있다. 지금까지 이런 계산 모델은 계산화학자나 연구 인프라를 가진 조직이 직접 굴려야 했다. 그런데 Claude 같은 대화형 인터페이스에 붙으면, 실험 과학자가 후보 물질의 행동을 묻고, 조건을 바꾸고, 결과를 설명받는 방식이 훨씬 짧아진다. 모델 성능보다 누가 모델에 접근할 수 있는가가 제품의 핵심이 되는 셈이다.
물론 이쪽은 검증이 무겁다. 후보 분자가 화면에서 그럴듯해도 wet lab과 임상, 규제 문턱은 그대로 남는다. 그래서 이 통합의 의미는 “발견 자동화”보다 “전문 계산 도구의 사용 반경 확대”에 더 가깝다. 연구자가 직접 코드를 짜고 클러스터를 잡아야 했던 작업 일부가 대화형 워크플로로 내려오면, 실패 후보를 빨리 버리는 속도부터 달라질 수 있다.
2. Anthropic의 Stainless 인수, SDK도 AI 경쟁의 공급망
Anthropic의 Stainless 인수도 그냥 M&A 뉴스로 넘기기 아까웠다. Stainless는 API specification을 바탕으로 Python, TypeScript, Kotlin, Go, Java 같은 여러 언어의 SDK를 만들고, API가 바뀌면 SDK도 자동으로 유지보수해 주는 회사다. TechCrunch는 이 도구가 OpenAI, Google, Replicate, Runway, Cloudflare 같은 회사들에도 쓰였다고 전했다.
여기서 묘한 지점은 Anthropic이 이 공급자를 사들이면서 hosted Stainless 제품을 종료할 계획이라고 밝힌 부분이다. 기존 고객은 이미 만든 SDK를 계속 보유하고 수정할 수 있지만, 앞으로 같은 형태의 hosted 도구는 Anthropic 쪽으로 흡수된다. 개발자 입장에서는 SDK가 너무 당연한 포장지처럼 보이지만, 에이전트 시대에는 이 포장지가 꽤 중요한 실행 경로가 된다. 모델이 외부 API를 안정적으로 호출하려면 문서, 타입, 오류 처리, 버전 변화가 덜 흔들려야 하기 때문이다.
나는 이 뉴스를 보면서 AI 회사들이 모델만 사수하는 단계에서 개발자 접속면의 공급망까지 챙기는 단계로 넘어갔다고 느꼈다. 좋은 모델을 내놓아도 SDK가 자주 깨지거나 언어별 사용감이 다르면, 에이전트와 앱이 붙는 속도가 느려진다. 반대로 SDK 생성과 유지보수 레이어를 직접 쥐면, Claude 생태계의 API 경험을 더 촘촘하게 통제할 수 있다.
3. Alexa+가 팟캐스트를 만들어 주는 방향
Amazon Alexa+의 새 기능은 주제를 말하면 몇 분 안에 AI 팟캐스트 에피소드를 만들어 주는 쪽이다. 사용자가 스크립트를 쓰거나 문서를 올리지 않아도, Alexa+가 요청을 조사하고 에피소드 개요를 제안한 뒤 길이, 톤, 초점을 조정할 수 있게 한다. 완성되면 AI 진행자 목소리로 읽어 주고, Echo Show와 Alexa 앱에서 다시 들을 수 있다고 한다.
나는 이걸 보면서 음성 비서가 다시 “콘텐츠 생성기”로 방향을 틀고 있다는 생각을 했다. 기존 스마트 스피커의 한계는 명령형 인터페이스에 가까웠다는 점이다. 음악 틀어 줘, 날씨 알려 줘, 조명 꺼 줘. 그런데 팟캐스트 생성은 사용자가 한 번 요청하면 몇 분짜리 콘텐츠 객체가 만들어진다. 짧은 답변을 넘어 개인화된 청취물을 생산하는 구조다.
다만 이 기능은 바로 정확도와 출처 문제를 부른다. Amazon은 AP, Reuters, Washington Post, Time, Forbes, Politico, Vox Media 등 여러 뉴스 조직과의 제휴를 언급하며 신뢰도를 보강하려는 듯하다. 그래도 팟캐스트는 듣는 동안 원문 확인이 어렵다. 텍스트 답변보다 출처가 더 잘 사라질 수 있다. 그래서 개인화 오디오가 커질수록, “무슨 자료를 근거로 이 에피소드가 만들어졌는가”를 나중에 확인하는 링크와 로그가 같이 필요해질 것 같다.
4. LetinAR가 보여 준 AI 안경의 진짜 병목
LetinAR 보도는 한국 스타트업 이야기라 더 눈이 갔다. TechCrunch는 LetinAR가 AI 안경의 광학 모듈, 특히 이미지를 시야 안으로 투사하는 작은 렌즈 부품을 만들고 있다고 전했다. 회사는 18.5 million 달러 규모의 투자를 새로 확보했고, 누적 투자액은 41.7 million 달러가 됐다고 한다. Omdia 기준으로 2025년 글로벌 AI 안경 출하량이 870만 대까지 늘었고, 2026년에는 1,500만 대를 넘길 수 있다는 숫자도 같이 나왔다.
이 대목에서 중요한 건 모델보다 광학 쪽이다. AI 안경이 일상 기기가 되려면 렌즈는 얇고 가벼워야 하고, 이미지는 밝아야 하며, 배터리는 오래 버텨야 한다. 기존 waveguide 방식은 얇지만 빛 손실이 크고, birdbath 방식은 빛을 직접 보내지만 구조가 두꺼워진다. LetinAR는 PinTILT라는 방식으로 눈에 실제로 들어가는 빛에 초점을 맞춰 밝기와 두께, 전력 사이의 trade-off를 줄이려 한다고 설명한다.
AI 제품을 이야기할 때 화면 위 기능만 보면 이 병목이 잘 안 보인다. 하지만 얼굴 위에 올라가는 기기는 1그램, 1시간 배터리, 렌즈 두께가 바로 사용성이다. Claude나 Gemini가 아무리 좋아도, 안경이 무겁고 흐리면 사람은 쓰지 않는다. 그래서 AI 안경 경쟁은 모델 앱 경쟁이면서 동시에 광학 부품과 제조 경험의 경쟁이다.
5. Semble: grep보다 토큰을 덜 쓰는 코드 검색
GeekNews에 올라온 Semble 소개는 코딩 에이전트를 자주 쓰는 입장에서 바로 와 닿았다. Semble은 자연어 또는 코드 쿼리로 필요한 코드 조각만 찾아 주는 검색 라이브러리이고, 프로젝트 README 기준으로 grep과 전체 파일 읽기 방식보다 약 98% 적은 토큰을 쓴다고 설명한다. 평균 저장소를 약 250ms에 인덱싱하고, 쿼리는 약 1.5ms에 응답하며, CPU에서 API 키나 GPU 없이 동작한다는 숫자도 붙어 있다.
내부 구조도 꽤 실전적이다. tree-sitter로 코드를 청크로 나누고, Model2Vec의 potion-code-16M 임베딩과 BM25를 섞은 뒤 Reciprocal Rank Fusion으로 랭킹한다. MCP 서버로 Claude Code, Cursor, Codex, OpenCode 같은 에이전트에 붙일 수 있고, AGENTS.md나 CLAUDE.md에 shell workflow로 넣는 방식도 소개되어 있다.
다만 나는 이런 도구를 볼 때 항상 한 가지를 같이 본다. 검색 결과가 너무 짧으면 에이전트가 근거를 충분히 읽지 않고 빠르게 수정으로 넘어갈 수 있다. 반대로 전체 파일을 계속 읽으면 토큰이 터진다. Semble의 가치는 “무조건 적게 읽기”라기보다 필요한 조각을 먼저 찾고, 수정 전에는 다시 충분히 검증하게 만드는 중간층에 있다. 코드 검색 도구도 결국 guardrail과 같이 설계해야 한다.
6. GenCAD: 이미지에서 수정 가능한 CAD 프로그램까지
GenCAD는 이미지 입력만으로 3D CAD뿐 아니라 전체 매개변수화된 CAD 명령 이력과 CAD 프로그램을 생성하려는 모델이다. 공식 프로젝트 설명에 따르면 목표는 메시, 복셀, 포인트 클라우드처럼 보기에는 쉬워도 수정 가능성이 낮은 표현을 넘어, 지오메트리 커널로 다시 3D solid model로 변환할 수 있는 CAD command sequence를 만드는 것이다.
구성은 여러 층이 섞여 있다. 자기회귀 Transformer encoder가 CAD 명령 시퀀스의 latent representation을 학습하고, contrastive learning으로 CAD 이미지와 CAD 명령의 공동 표현을 맞춘다. 그다음 latent diffusion model이 이미지 조건으로 CAD latent를 만들고, decoder가 다시 parametric CAD command sequence로 변환한다. 같은 이미지에서 여러 CAD 샘플을 만들거나, 약 7,000개 CAD 프로그램 중 상위 후보를 찾는 검색도 지원한다고 설명되어 있다.
이게 흥미로운 이유는 결과물이 단순한 3D 그림에서 멈추지 않고 고칠 수 있는 설계 이력에 가까워진다는 점이다. 생성형 3D는 데모가 멋져도 실제 제조와 설계에서는 수정 가능한 파라미터, 치수, 명령 이력이 중요하다. 이미지에서 바로 완성품을 뽑는 환상보다, 초안 CAD 프로그램을 만들고 사람이 다시 손보는 루프가 현실적이다. 나는 이쪽이 “AI가 설계자를 대체한다”보다 “설계자가 시작할 수 있는 첫 구조를 빨리 만든다”에 더 가까워 보였다.
짧게 정리하면
이번 묶음은 AI가 더 넓어지는 과정에서 모델 이름보다 접속면의 품질이 중요해지는 장면들이었다. SandboxAQ는 과학 모델을 대화형으로 열고, Anthropic은 SDK 생성 레이어를 품고, Alexa+는 답변 대신 오디오 콘텐츠를 만든다. LetinAR는 안경의 렌즈 병목을, Semble은 에이전트가 코드를 읽는 토큰 병목을, GenCAD는 생성물이 실제로 수정 가능한가를 보여 준다. 결국 AI 제품화는 모델 하나로 끝나지 않고, 모델을 붙이는 표면과 그 표면이 남기는 근거의 문제로 내려오고 있다.
출처 목록
- TechCrunch, SandboxAQ brings its drug discovery models to Claude
- TechCrunch, Anthropic has acquired the dev tools startup used by OpenAI, Google, and Cloudflare
- TechCrunch, Amazon’s new Alexa+ powered feature can generate podcast episodes
- TechCrunch, South Korea’s LetinAR is building optics behind AI glasses
- GeekNews, Semble - grep보다 토큰을 98% 적게 쓰는 에이전트용 코드 검색
- GeekNews, GenCAD