AI 트렌드 | 5월 27일 : AI 검색 반발, 사이버 협력, 카카오 모델, GPU 감사, Figma 에이전트, 장기 메모리

2026년 5월 27일 | AI 최신 트렌드

---

AI 검색과 에이전트 도구가 한꺼번에 제품 안쪽으로 들어오면서, 오늘은 사용자 선택권, 보안 접근권, 국내 파운데이션 모델, GPU 운영 가시성, 디자인 협업, 장기 에이전트 메모리가 같은 축 위에 놓였다. 겉으로는 서로 다른 뉴스처럼 보이지만, 공통 질문은 비슷하다. AI를 더 많이 붙일수록 누가 통제하고, 무엇을 측정하고, 어디까지 기억하게 할 것인가.

1. DuckDuckGo 설치 증가, AI 검색을 피하려는 사용자가 생긴다는 신호

Google AI Search 개편 이후 DuckDuckGo 설치 증가를 다룬 TechCrunch 보도. 이미지: TechCrunch OG

TechCrunch는 Google이 I/O 2026에서 검색을 AI 에이전트 중심으로 크게 바꾼 뒤 DuckDuckGo 앱 설치가 30% 늘었다고 보도했다. DuckDuckGo 쪽 메시지는 분명하다. 사용자가 AI 답변을 무조건 받는 대신, 검색에서 AI를 얼마나 쓸지 직접 고르고 싶어 한다는 것이다.

이 뉴스가 재미있는 이유는 AI 검색의 반대편이 단순한 “옛날 검색으로 돌아가자”가 아니라는 점이다. 사용자는 빠른 요약을 싫어하는 게 아니라, 검색창이 언제 답변 엔진으로 바뀌는지 통제할 수 없을 때 불편함을 느낀다. Google 입장에서는 AI Mode와 AI Overview가 검색의 다음 단계일 수 있지만, 일부 사용자에게는 기본 경로가 갑자기 바뀐 경험으로 남는다.

나는 이 흐름을 검색 품질 경쟁보다 검색 선택권 경쟁으로 보는 편이 더 맞다고 느꼈다. 앞으로 검색 서비스는 “AI가 답을 잘한다”만으로 충분하지 않다. 원문 링크를 얼마나 남기는지, 개인정보를 학습에 쓰지 않는지, AI 없는 검색 모드를 얼마나 쉽게 제공하는지까지 제품의 신뢰 요소가 된다. AI 검색이 커질수록, AI를 끄는 버튼도 역설적으로 더 중요한 기능이 된다.

2. OpenAI의 한국 사이버 협력, 모델 접근권이 보안 인프라 이슈로 이동

OpenAI의 한국 사이버 안보 협력 발표를 다룬 AI타임스 보도. 이미지: AI타임스

AI타임스는 OpenAI가 한국과 사이버 안보 협력 플랜을 가동한다고 보도했다. 기사에 따르면 OpenAI는 국내 사이버 위협 대응 역량을 높이기 위해 정부·기관 대상 신뢰 기반 접근 프로그램을 통해 고성능 사이버 모델 접근권을 확대하는 방향을 설명했다. 과기정통부 발표와도 연결된 흐름이다.

이런 발표는 “새 모델을 쓴다”보다 “누가 어떤 조건으로 쓸 수 있느냐”가 더 중요하다. 사이버 보안은 일반 챗봇 사용과 다르게 공격 시뮬레이션, 취약점 분석, 위협 인텔리전스, 탐지 규칙 작성 같은 양면성이 큰 작업을 포함한다. 같은 모델이 방어 자동화를 돕기도 하지만, 접근 통제가 약하면 공격 역량을 키우는 데도 쓰일 수 있다.

그래서 핵심은 모델 성능표보다 접근권, 감사 로그, 사용 범위, 기관 간 책임 경계다. 국가 단위 보안 협력에서 AI 모델은 단순 SaaS가 아니라 인프라 구성 요소처럼 다뤄진다. 앞으로는 어느 나라 기관이 어떤 모델에 접근할 수 있는지, 민간 기업이 보안 주권 논의 안에서 어떤 역할을 맡는지가 AI 산업 뉴스의 중요한 축이 될 가능성이 크다.

3. 카카오 파운데이션 모델 고도화, 국내 모델 경쟁은 연구 교류와 제품화 사이

카카오의 AI 연구 교류와 자체 파운데이션 모델 고도화 계획을 다룬 전자신문 보도. 이미지: 전자신문

전자신문은 카카오가 AI 연구 교류 행사에서 자체 파운데이션 모델 고도화 계획을 공개했다고 전했다. 카카오 AI 캠퍼스에서 열린 카나나 스칼라 콜로키움 성격의 행사였고, 학계와의 교류를 통해 모델 개발 방향과 연구 협력 흐름을 공유했다는 내용이다.

국내 파운데이션 모델 이야기는 늘 두 가지 압력을 동시에 받는다. 하나는 글로벌 프런티어 모델과 직접 비교되는 성능 압력이고, 다른 하나는 한국어·국내 서비스·규제 환경에 맞춘 제품화 압력이다. 카카오가 연구 교류를 전면에 내세운 것도 이 중간 지점을 찾는 움직임으로 보인다. 모델 자체를 크게 만드는 일만큼, 어떤 데이터·도메인·서비스 표면에서 차별화할지가 중요해졌다.

나는 국내 모델 경쟁을 볼 때 “글로벌 모델을 이길 수 있나”보다 국내 사용 맥락에서 얼마나 깊게 붙을 수 있나를 더 본다. 메신저, 검색, 커머스, 콘텐츠, 업무 도구처럼 카카오가 이미 가진 접점이 많기 때문이다. 파운데이션 모델 고도화가 의미 있으려면, 모델 발표와 별개로 실제 제품 안에서 반복 사용되는 기능과 피드백 루프가 같이 만들어져야 한다.

4. GPU-Usage-Audit, 놀고 있는 GPU보다 잡아둔 GPU가 더 비싸다

GPU 메모리는 점유했지만 연산은 거의 없는 idle-held 시간을 추적하는 GPU-Usage-Audit 소개. 이미지: GeekNews OG

GeekNews에 올라온 GPU-Usage-Audit 소개는 실무 서버를 굴리는 사람에게 바로 와 닿는 도구였다. nvidia-smi에서 GPU util이 1%로 찍히면 비어 있는 것처럼 보이지만, 누군가 Jupyter 노트북에 메모리 8GB를 잡아둔 채 자리를 비우면 그 GPU는 다른 작업이 못 들어간다. 도구는 이 상태를 단순 idle이 아니라 idle-held 시간으로 따로 집계한다.

AI 인프라 비용을 이야기할 때 보통 GPU 가격, 예약 인스턴스, 학습 시간 같은 큰 숫자를 먼저 본다. 그런데 실제 팀 운영에서는 이런 작은 빈틈이 더 자주 새어 나간다. 메모리는 잡혀 있고 연산은 없으며, 사용자는 본인 작업이 끝났다고 생각하지만 자원 스케줄러 입장에서는 계속 점유 중인 상태다. 공유 서버나 시간당 과금 GPU에서는 이 차이가 곧 비용이다.

이 도구의 포인트는 대단한 최적화 알고리즘이 아니라 낭비 상태를 이름 붙여 분리한다는 데 있다. GPU 사용 시간을 실제 연산, 완전 idle, idle-held로 나누면 팀은 “누가 GPU를 쓰고 있느냐”보다 “어떤 사용 패턴이 비용을 잠그고 있느냐”를 볼 수 있다. AI 인프라 운영에서 관측 가능성은 더 이상 학습 로그만의 문제가 아니다.

5. Figma 디자인 에이전트, 생성과 직접 조작을 같은 캔버스에 놓기

Figma 캔버스 안에 직접 들어오는 디자인 에이전트 소식. 이미지: GeekNews OG

GeekNews는 Figma 디자인 에이전트 공개 소식을 정리했다. 요지는 캔버스 위에서 바로 동작하는 Figma 전용 에이전트가 출시되어, 디자이너가 도구를 옮기지 않고 프롬프트 기반 탐색과 직접 편집을 함께 할 수 있게 된다는 것이다. 컴포넌트 교체, 변수 변경, 다크모드 전환, lorem ipsum 교체 같은 반복 작업도 예시로 제시됐다.

디자인 도구에서 AI가 어려운 이유는 “그럴듯한 화면을 만든다”와 “팀의 디자인 시스템 안에서 고칠 수 있게 만든다”가 다르기 때문이다. 이미지 생성형 도구는 멋진 결과물을 뽑을 수 있지만, 실제 제품팀은 토큰, 컴포넌트, 레이어 구조, 접근성, 다크모드, 리뷰 코멘트까지 같이 본다. Figma가 캔버스 내부 에이전트로 가는 이유도 여기 있다.

나는 이 흐름을 디자인 작업의 자동화라기보다 협업 표면의 에이전트화로 본다. 에이전트가 완성본을 던지고 끝나는 게 아니라, 사람이 같은 파일 위에서 계속 만지고 고치는 구조가 중요하다. 코딩 에이전트도 결국 IDE와 PR 안으로 들어갔듯, 디자인 에이전트도 별도 챗봇이 아니라 기존 작업 표면 안으로 들어갈 때 더 오래 쓰일 가능성이 크다.

6. SAM, 장기 에이전트 메모리를 요약 하나로 버티지 않겠다는 접근

State-Adaptive Memory for Long-Horizon Reasoning Agent 논문. 이미지: arXiv OG

Hugging Face Daily Papers에서 잡힌 SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent도 눈에 들어왔다. 논문은 장기 에이전트가 긴 상호작용 이력을 다룰 때, 중요한 정보가 멀리 흩어져 있고 나중에야 필요해지는 문제를 다룬다. 단순 truncation이나 한 번짜리 요약 대신, memory cue와 raw trajectory page를 나눠서 보관하는 방향이다.

장기 에이전트 메모리에서 어려운 건 “많이 저장하기”가 아니다. 무엇이 지금 의사결정에 필요한지, 과거의 어느 단계로 돌아가야 하는지, 요약이 빠뜨린 세부사항을 다시 열 수 있는지가 더 중요하다. SAM의 cue-page 식 접근은 온라인 컨텍스트에는 가벼운 단서만 두고, 필요할 때 원래 trajectory page를 다시 불러오는 구조로 볼 수 있다.

이건 코딩 에이전트나 리서치 에이전트를 오래 돌릴 때도 바로 연결된다. 긴 로그를 하나의 요약으로 압축하면 편하지만, 나중에 실패 원인이나 도구 출력의 정확한 줄이 필요할 때 막힌다. 그래서 장기 에이전트는 요약 메모리와 원본 증거를 같이 들고 가는 구조가 필요하다. 메모리는 더 많이 넣는 경쟁이 아니라, 다시 열 수 있게 접어 두는 설계 문제에 가깝다.

짧게 정리하면

오늘의 묶음은 AI가 더 깊이 들어갈수록 “자동화”보다 “운영 조건”이 커진다는 쪽으로 읽혔다. AI 검색은 사용자가 끌 수 있어야 신뢰를 얻고, 사이버 모델은 접근권과 감사가 붙어야 하며, 국내 파운데이션 모델은 제품 접점의 피드백 루프가 필요하다. GPU 도구는 보이지 않는 점유 비용을 드러내고, Figma 에이전트는 기존 작업 표면 안으로 들어가며, SAM은 장기 에이전트가 원본 증거를 잃지 않는 메모리 구조를 제안한다.

출처 목록

• TechCrunch, DuckDuckGo installs are up 30% as users reject being force-fed Google’s AI Search
• AI타임스, 오픈AI, 한국과 사이버 안보 플랜 가동
• 전자신문, 카카오, AI 연구 교류 행사서 자체 파운데이션 모델 고도화 계획 공개
• GeekNews, GPU-Usage-Audit 소개
• GeekNews, Figma 디자인 에이전트 공개
• arXiv, SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent