2026년 7월 21일 | AI 최신 트렌드
데스크톱 에이전트가 로컬 파일과 웹을 오가고, 기업은 AI 사용료를 실제 업무 성과와 맞춰 보기 시작했다. 같은 흐름에서 AI가 스타트업 심사의 일부를 맡고, 학습 데이터의 취득 경로는 거액의 저작권 합의로 돌아왔으며, 영상 모델에는 답변을 뒷받침하는 시간 구간까지 요구되고 있다. 7월 20일과 21일에 공개된 다섯 소식을 묶어 보면 공통 질문은 분명하다. AI가 결과를 내는 것과 그 결과의 권한·비용·근거를 설명하는 것은 별개의 제품 기능이라는 점이다.
1. Kimi Work: 채팅창에서 로컬 업무 실행기로
Kimi Work는 로컬 폴더 연결, 여러 브라우저 탭을 다루는 WebBridge, 백그라운드 Python·Shell 실행, 내장 Cron 예약 작업을 결합한 데스크톱 AI 에이전트다. 자료를 찾아 요약하는 데서 멈추지 않고 조사 결과를 PowerPoint나 Excel로 만들며, 여러 전문 에이전트를 병렬로 조율하는 Agent Swarm도 내세운다. 빠른 질문을 받는 웹 챗과 달리 긴 업무를 맡아 실행 상태를 유지하는 쪽에 가깝다.
눈에 들어온 보호 장치는 파일 수정·덮어쓰기와 코드 실행 전에 승인을 받는 ‘Ask before acting’이다. 다만 이 설명만으로는 충분하지 않다. 읽기 권한이 어느 폴더까지 열리는지, WebBridge가 로그인된 탭에서 무엇을 수집하는지, 예약 작업이 사람이 없는 시간에 어느 네트워크와 파일을 건드리는지도 확인해야 한다. 나는 에이전트의 권한표를 읽을 때 쓰기 전 승인뿐 아니라 읽기 범위와 백그라운드 실행의 만료 조건을 같이 본다.
제품 경쟁의 중심도 조금 달라졌다. 채팅 UI나 코딩 화면은 빠르게 비슷해질 수 있지만, 며칠 동안 쌓인 작업을 중단·재개하고 실패한 자동화를 복구하는 운영 품질은 복제하기 어렵다. Kimi Work의 실제 평가는 기능 목록보다 긴 세션에서 승인 기록이 남는지, 예약 실행이 중복되지 않는지, 산출물 출처를 다시 추적할 수 있는지에 달릴 가능성이 크다.
2. SKT의 AI 심사역: 사람을 빼기보다 검토 대상을 좁히는 역할
SK텔레콤은 ‘SKTCH with AI’ 스타트업 선발 과정에 자체 AI 심사역을 투입한다고 밝혔다. 총 15개사를 뽑는 과정에서 명확하게 판단할 수 있는 영역은 AI가 먼저 보고, 세밀한 검토가 필요한 부분에 사람이 집중한다는 설명이다. 완전 자동 선정이 아니라 반복적인 사전 심사를 줄이는 분업 구조다.
이런 사용 사례에서 중요한 것은 모델이 사람과 같은 점수를 내는지가 아니다. 어떤 항목을 ‘명확한 판단’으로 분류했는지, AI가 낮게 본 지원서도 사람이 다시 볼 표본 감사가 있는지, 특정 업종·지역·문체가 일관되게 불리해지지 않는지를 확인해야 한다. 특히 지원서 심사는 정답 라벨이 고정된 분류 문제가 아니어서 과거 심사 결과를 그대로 학습하면 기존 선호를 더 단단하게 만들 수 있다.
나는 이 구조를 자동 의사결정기보다 검토 대상을 정렬하는 도구로 보는 편이 안전하다고 생각한다. AI가 거절을 확정하기보다 사람이 볼 순서와 추가 확인이 필요한 항목을 제안하고, 최종 판단에는 원문과 근거가 함께 남아야 한다. 효율을 재려면 처리 시간만 볼 게 아니라 사람의 판정 변경률, 이의 제기 뒤 번복률, 누락된 유망 후보도 같이 추적해야 한다.
3. AI 모델 지출 증가: 토큰 단가보다 업무별 ROI 장부
가트너 전망을 인용한 AI 모델·플랫폼 지출 보고에 따르면 2026년 전 세계 관련 지출은 640억달러로, 전년 대비 63.4% 늘어날 것으로 예상됐다. 생성 AI 모델 지출은 117%, 도메인 특화 언어 모델과 전문 생성 AI 모델 시장은 210% 성장할 것이라는 수치도 제시됐다. 전망치라는 한계는 있지만, 기업의 관심이 도입 여부에서 비용과 성과를 함께 증명하는 단계로 옮겨간다는 방향은 분명하다.
토큰 가격표만 비교하면 실제 비용의 절반을 놓친다. 같은 모델도 재시도 횟수, 긴 컨텍스트, 도구 호출, 사람 검토, 실패 뒤 재작업에 따라 업무 한 건의 비용이 크게 달라진다. 반대로 비싼 모델이 첫 시도에 끝내고 검토 시간을 줄이면 총비용은 더 낮을 수 있다. 그래서 나는 모델별 사용량보다 업무 유형별 완료 비용, 사람 개입 시간, 실패 복구 비용을 한 줄에 묶은 장부가 필요하다고 본다.
ROI도 절감 인원처럼 큰 숫자로 시작하면 흐려진다. 고객 문의 한 건, 코드 리뷰 한 건, 보고서 한 건처럼 종료점이 있는 단위로 비용과 품질을 재야 한다. 그 위에서 어떤 팀이 어느 모델을 반복 호출했는지, 값싼 모델로 내려도 되는 구간과 고성능 모델이 필요한 구간을 구분해야 모델 라우팅이 실제 운영 정책이 된다.
4. Anthropic 저작권 합의: 학습 행위와 자료 취득 경로를 분리한 판결
미국 연방법원은 Anthropic의 15억달러 저작권 집단소송 합의를 최종 승인했다. 보도에 따르면 약 50만개 저작물에 작품당 3,000달러를 지급하는 구조다. 사건에서 눈여겨볼 부분은 저작물을 모델 학습에 쓰는 행위와 해적 사이트에서 책을 내려받아 보관한 취득 행위가 구분됐다는 점이다.
담당 판사는 저작권 텍스트를 이용한 학습은 공정 이용으로 볼 수 있다고 판단했지만, 불법 복제 사이트에서 자료를 확보한 행위까지 면책하지는 않았다. 다만 합의로 사건이 끝나 항소심의 전국적 기준이 만들어진 것은 아니며, 다른 법원이 다른 사실관계에서 같은 결론을 내려야 하는 것도 아니다. ‘AI 학습은 전부 합법’이나 ‘이번 합의로 학습이 불법 확정’처럼 한 문장으로 줄이면 둘 다 틀린 해석에 가깝다.
실무에 남는 교훈은 데이터셋 설명서보다 각 파일을 어디서, 어떤 권한으로, 언제 얻었는지 증명하는 수집 계보다. 구매해 스캔한 자료와 불법 복제 저장소에서 내려받은 자료가 모델 입력에서는 같은 텍스트로 보이더라도 법적 위험은 같지 않다. 앞으로 학습 데이터 감사는 URL 목록을 남기는 수준을 넘어 계약, 라이선스, 원본 해시, 삭제 이력을 연결하는 쪽으로 갈 가능성이 크다.
5. TimeLens2: 영상 답변에 ‘언제’라는 근거를 붙이는 모델
TimeLens2는 멀티모달 대규모 언어 모델이 영상 내용을 설명하는 데서 그치지 않고, 답변의 근거가 등장한 시간 구간을 찾도록 만든 연구다. 한 영상 안에서 근거가 여러 번 끊어져 나타날 수 있다는 점을 반영해 고정된 한 구간이 아니라 가변 개수의 interval set을 예측한다. 논문은 이 문제를 영상판 인용이라고 표현한다.
학습 데이터도 한 번의 거친 라벨링에 맡기지 않는다. 캡션 기반 후보 생성, 독립적인 위치 찾기, 여러 에이전트의 합의, 의미 검증, 경계 보정을 거쳐 다중 구간 감독 데이터를 구성했다. 강화학습에서는 구간이 겹치지 않으면 모두 0점이 되는 단순 IoU의 약점을 보완하려고 시간축 Wasserstein 보상을 사용한다. 가까운 오답과 멀리 빗나간 오답을 구분하고, 같은 근거를 잘게 나눈 예측도 비교할 수 있게 한 설계다.
연구진은 2B·4B·8B 모델이 기반 Qwen3-VL 대비 각각 14.2, 13.0, 18.1 mIoU 포인트 개선됐다고 보고했다. 수치보다 중요한 점은 답변 품질을 문장 정확도 하나로 끝내지 않았다는 것이다. 긴 회의 영상, 보안 카메라, 스포츠 분석, 교육 영상에서는 맞는 설명과 다시 확인할 수 있는 시간 좌표가 함께 있어야 사람이 결과를 검증할 수 있다.
내가 보는 공통선: 결과 뒤의 영수증이 제품이 된다
다섯 소식은 서로 다른 시장에 있지만 결과 뒤에 무엇을 남겨야 하는지로 연결된다. Kimi Work에는 어떤 파일과 웹 세션을 사용했는지, AI 심사역에는 어떤 기준으로 사람 검토 대상을 좁혔는지, 기업 AI 장부에는 업무 한 건의 비용과 재작업이 남아야 한다. 저작권 분쟁에서는 학습 자료의 취득 계보가 필요하고, TimeLens2는 답변을 뒷받침하는 영상 시간 구간을 직접 반환한다.
나는 이런 기록을 부가 로그로 보지 않는다. 에이전트를 중단하거나 심사 결과에 이의를 제기하고, 비싼 모델 호출을 다른 모델로 바꾸고, 데이터 삭제 요청에 대응하고, 영상 답변을 원본에서 다시 확인하려면 모두 결과의 영수증이 필요하다. 권한 영수증, 판단 영수증, 비용 영수증, 데이터 영수증, 근거 영수증이 없는 자동화는 데모에서는 빨라 보여도 운영에 들어가면 사람이 역추적 비용을 대신 낸다.
다음 제품 비교에서 나는 벤치마크 점수와 기능 개수 옆에 세 칸을 더 둘 생각이다. 무엇을 읽고 실행했는가, 한 결과를 만드는 데 얼마가 들었는가, 사람이 원문으로 돌아갈 좌표가 있는가다. AI가 맡는 작업이 길어질수록 이 세 질문에 답하는 제품이 실제 현장에서는 더 오래 버틴다.