2026년 7월 25일 | AI 최신 트렌드
모델 하나의 점수보다 가격과 노력 수준, 상호작용 방식, 공개 범위, 도구 체인의 보안, 추론 효율이 AI 제품 경쟁의 다음 기준으로 올라왔다. Anthropic은 Claude Opus 5를 일상용 상위 모델로 배치했고, Cognition은 메신저형 에이전트 Poke를 인수해 Devin의 성격과 지속성을 보강하려 한다. 한편 오픈웨이트 규제 논쟁과 AI 개발 인프라를 겨냥한 공격은 모델을 누가 쓸 수 있는지뿐 아니라 어떤 도구와 자격증명까지 함께 보호해야 하는지를 다시 묻게 한다.
7월 21~24일 공개된 다섯 소식을 함께 놓으면 방향이 더 선명하다. 성능이 올라갈수록 운영자는 모델 이름만 고르는 것이 아니라 작업별 비용, 장기 메모리, 배포 권한, 개발 도구의 신뢰 경계, 커널 최적화까지 하나의 시스템으로 설계해야 한다. 회사가 발표한 벤치마크와 비용 수치는 해당 조건 안에서 읽고, 인수·정책·보안 보도는 확정된 사실과 아직 조사 중인 주장을 나눠 봤다.
1. Claude Opus 5: 최고 성능보다 비용당 완성도를 앞세운 배치
Anthropic은 7월 24일 Claude Opus 5를 공개했다. 회사 설명으로는 최상위 Claude Fable 5의 지능에 가까우면서 가격은 절반이며, 이전 Claude Opus 4.8과 같은 가격대에서 성능을 높였다. Claude Max의 기본 모델이자 Claude Pro에서 쓸 수 있는 가장 강한 모델로 배치한 점을 보면, 희소한 최고 성능보다 자주 호출할 수 있는 상위 모델을 겨냥했다.
발표에서 눈에 띈 것은 effort 설정이다. 사용자는 작업에 따라 추론 노력을 조절해 품질을 높이거나 토큰과 시간을 줄일 수 있다. Anthropic은 코딩, 지식 작업, 컴퓨터 사용 평가에서 비용당 성능이 개선됐다고 설명했고, 특히 디버깅과 근본 원인 분석, 결과 검증을 강점으로 내세웠다. 다만 수치 대부분은 회사 평가와 초기 고객 사례이므로 독립적인 운영 데이터와 같은 무게로 읽으면 안 된다.
나는 모델 선택표에 이름과 가격만 적는 방식이 더 빨리 낡을 것이라고 본다. 같은 모델도 effort에 따라 지연 시간과 비용, 수정 횟수가 달라지기 때문이다. 실무에서는 모델 버전·effort·토큰·도구 호출·재시도 횟수·최종 성공 여부를 한 묶음으로 남겨야 한다. 그래야 비싼 설정이 정말 재작업을 줄였는지, 낮은 설정으로 충분한 작업이 무엇인지 판단할 수 있다.
최상위 모델 하나를 모든 요청에 붙이는 대신 초안, 검증, 수정처럼 단계별로 노력 수준을 나누는 편이 현실적이다. 예를 들어 단순 파일 탐색에는 낮은 설정을 쓰고, 테스트 실패의 원인 분석이나 배포 직전 검토에는 높은 설정을 쓰는 식이다. Opus 5의 의미는 새 점수 자체보다 모델 라우팅 단위가 모델명에서 노력 수준까지 내려왔다는 데 있어 보인다.
2. Cognition의 Poke 인수: 코딩 에이전트에 성격과 지속성을 붙이다
TechCrunch 보도에 따르면 Devin을 만든 Cognition은 Poke와 모회사 The Interaction Company of California를 인수했다. 거래 가치는 1억 달러대 초반으로 전해졌다. Poke는 iMessage, SMS, Telegram 같은 메신저에서 친구처럼 대화하는 에이전트다. 기사에 따르면 최근 3개월 동안 1억 건이 넘는 메시지가 오갔고, 수십만 명이 서비스를 사용했다.
인수의 핵심은 기능 목록보다 상호작용 방식에 있다. Cognition은 Poke의 능동적인 알림, 사용자에 대한 기억, 유머와 말투를 Devin에 가져오려 한다. 반대로 Poke는 Cognition의 모델과 인프라를 이용해 코딩 작업의 속도와 신뢰성을 높일 수 있다. 여러 Devin 세션을 조율하거나 하나의 pull request가 끝난 뒤에도 맥락을 이어가는 구상도 기사에 소개됐다.
코딩 에이전트의 성격은 장식만은 아니다. 같은 오류를 보고해도 어떤 근거로 막혔는지, 사용자가 개입해야 할 지점이 어디인지, 이전 결정을 기억하는지가 협업 피로를 바꾼다. 다만 친근한 말투가 강해질수록 사용자가 능력과 권한을 과대평가할 위험도 커진다. 호감도와 신뢰성은 별도의 지표로 측정해야 한다.
지속적인 동료를 만들려면 기억의 범위부터 정해야 한다. 저장한 선호와 프로젝트 규칙, 임시 대화, 민감한 자격증명을 서로 다른 수명으로 관리하고 사용자가 지울 수 있어야 한다. 여러 세션을 대신 조율한다면 각 작업의 승인 상태와 변경 파일, 실패 이유도 한눈에 보여 줘야 한다. Poke와 Devin의 결합은 에이전트 경쟁이 모델 성능에서 관계 설계와 장기 상태 관리로 넓어지는 장면에 가깝다.
3. 오픈웨이트 규제 논쟁: 증류와 불법 추출을 같은 말로 묶지 않기
TechCrunch가 보도한 공개서한에는 Hugging Face, Meta, Microsoft, Mistral, Nvidia, Replit 등이 이름을 올렸다. 이들은 미국 정책 당국이 중국 AI와 지식재산권 문제에 대응하더라도 오픈웨이트 모델 전체를 겨냥한 성급하고 광범위한 제한은 피해야 한다고 주장했다.
쟁점 한가운데에는 증류가 있다. 서한은 한 모델의 출력을 이용해 다른 모델을 개선하거나 평가하는 증류가 널리 쓰이는 개발 기법이며, 폐쇄형 시스템에서 가치를 불법적으로 빼내는 행위와 자동으로 같아지는 것은 아니라고 본다. 반면 미국 정부와 일부 기업은 Moonshot AI의 Kimi K3 개발 과정에서 Anthropic Claude Fable 계열이 부적절하게 활용됐다는 의혹을 제기했다. 이 부분은 아직 주장과 정책 논쟁의 단계이므로 확정된 기술적 사실처럼 단정하기 어렵다.
오픈웨이트 진영은 보안도 근거로 든다. 공격자가 강한 모델을 쓴다면 방어자도 비슷한 능력의 모델을 직접 검사하고 수정할 수 있어야 한다는 논리다. 폐쇄형 API의 안전장치가 방어 목적의 취약점 분석까지 막는 상황에서는 로컬로 통제할 수 있는 모델이 필요하다는 것이다. 반대로 가중치가 공개되면 공급자가 사용 맥락을 제한하기 어려워지는 것도 사실이다.
내가 중요하게 보는 것은 공개와 폐쇄의 이분법보다 출처와 사용 경계다. 학습 데이터와 교사 모델의 라이선스, API 약관, 출력 수집량, 평가 목적, 파생 모델 공개 조건을 기록해야 분쟁이 생겼을 때 사실을 재구성할 수 있다. 규제도 모델 형식만 막기보다 무단 접근·약관 위반·대규모 추출·안전 통제 회피 같은 행위를 구체적으로 다루는 편이 기술 생태계의 예측 가능성을 높인다.
4. AI 인프라 악성도구: 모델보다 주변 개발 도구의 빈틈을 노리다
WIRED가 소개한 CrowdStrike 조사는 공격자가 AI 모델 자체보다 그 주변 도구 체인을 노리는 흐름을 보여 준다. 기사에 따르면 새 공격 도구는 AI 코딩 시스템 깊숙이 들어가 로그인 정보와 데이터를 훔치고, 피해 환경의 파일을 파괴하거나 정상 사용자의 접근을 막는 기능까지 갖춘 것으로 분석됐다.
AI 개발 환경에는 IDE 확장, 에이전트 런타임, 패키지 관리자, 모델 게이트웨이, 클라우드 자격증명이 한 작업 안에 붙어 있다. 에이전트가 코드를 실행하고 외부 저장소와 배포 시스템을 오갈 수 있도록 권한을 넓히면 공격자도 같은 연결을 이동 경로로 쓸 수 있다. 특히 모델 호출만 기록하고 로컬 프로세스, 셸 세션, 자격증명 접근을 별도로 보지 않으면 이상 행동이 기존 관제의 사각지대에 남는다.
여기서 “AI 보안”을 프롬프트 주입이나 모델 거부 정책으로만 좁히면 위험하다. 실제 침해 대응에서는 어떤 프로세스가 비밀 저장소를 읽었는지, 새 바이너리가 어디서 내려왔는지, 에이전트가 평소와 다른 호스트에 접속했는지를 함께 봐야 한다. 모델 요청 로그와 운영체제·네트워크·자격증명 감사 로그를 같은 시간축에서 연결해야 공격 흐름을 재구성할 수 있다.
내가 에이전트 개발 환경을 점검한다면 장기 토큰을 없애고 작업별 단기 자격증명을 쓰는 것부터 시작할 것 같다. 패키지와 확장 프로그램은 허용 목록과 서명 검증을 거치고, 파일 삭제·권한 변경·외부 업로드에는 별도 승인을 붙인다. 개발자 노트북과 CI, 모델 서버의 권한도 분리해야 한다. 기사에 담긴 세부 위협은 보안업체 조사 범위에서 읽어야 하지만, AI 도입이 기존 소프트웨어 공급망과 계정 보안을 대체하지 않는다는 운영 결론은 분명하다.
5. SANA-Video 2.0: 선형 어텐션과 소프트맥스를 3대 1로 섞다
SANA-Video 2.0 프리프린트는 5B와 14B 규모의 비디오 확산 트랜스포머에서 선형 어텐션과 소프트맥스 어텐션을 함께 쓴다. 핵심은 세 개의 선형 층마다 하나의 소프트맥스 층을 두는 3대 1 비율이다. 선형 어텐션의 계산량 장점을 유지하면서, 주기적인 전체 토큰 상호작용으로 세부 표현이 약해지는 문제를 보완하려는 설계다.
Block Attention Residuals는 앞선 블록에서 갱신한 표현을 뒤쪽 선형 층으로 전달한다. 저자들은 이 구조가 깊은 층의 유효 랭크를 약 12% 높였다고 보고한다. 사전학습된 완전 소프트맥스 모델을 나중에 변환한 것이 아니라 혼합 구조를 처음부터 학습했고, 축소 해상도 실험을 통해 소프트맥스 비중 25%를 품질과 효율의 절충점으로 정했다.
논문 수치로는 단일 H100에서 40단계 샘플링 기준 480p 영상을 13.2초에 생성하고 VBench 84.30을 기록했다. 720p·60초 조건의 DiT forward는 같은 규모의 완전 소프트맥스 기준선보다 3.2배 빠르다고 보고한다. 커널 융합, 캐시, 희소 어텐션을 포함한 Sol-Engine 최적화를 더하면 5B 파이프라인이 720p·5초 영상을 13.06초에 처리한다. 이 비교는 저자들의 하드웨어와 컴파일·샘플링 조건에 묶인 결과다.
이 논문은 아키텍처와 시스템 최적화를 따로 떼면 안 된다는 점을 보여 준다. 어텐션 비율만 복제하고 커널, 캐시, 정밀도, 프레임 수를 바꾸면 같은 속도가 나오지 않을 수 있다. 재현할 때는 해상도와 영상 길이, 샘플링 단계, 컴파일 여부, GPU 메모리, VAE 시간을 한 표에 고정해야 한다. 내가 실제 도입을 판단한다면 평균 속도보다 길이가 늘어날 때 지연과 메모리가 어떤 곡선으로 증가하는지를 먼저 볼 것 같다.
다섯 소식은 서로 다른 층을 가리킨다. Claude Opus 5는 비용과 노력 수준, Devin·Poke는 관계와 기억, 오픈웨이트 논쟁은 접근 권한, 인프라 악성도구는 개발 도구의 신뢰 경계, SANA-Video 2.0은 계산 구조의 문제다. 공통점은 모델 성능이 시스템 설계를 대신하지 못한다는 데 있다. 더 강한 모델을 붙일수록 어떤 설정으로 호출했고, 무엇을 기억하며, 어디까지 접근했고, 어떤 조건에서 빠른지를 기록하는 운영 능력이 제품 차이를 만들 가능성이 크다.