2026년 7월 28일 | AI 최신 트렌드
모델 하나에 업무 맥락까지 묶어 두는 구조가 기업의 생존 문제로 거론되기 시작했다. 검색은 링크 목록보다 AI 답변을 먼저 보여 주고, 보안 제품은 단일 탐지기가 아니라 여러 에이전트가 역할을 나눠 움직이는 쪽으로 간다. 그 와중에 공유 링크의 공개 범위와 학습 데이터 압축 방식처럼, 겉으로는 작아 보이지만 실제 운영 결과를 크게 바꾸는 경계도 같이 드러났다. 내가 7월 28일 아침에 눈여겨본 다섯 가지 흐름을 묶었다.
모델보다 맥락과 메모리를 소유해야 한다는 경고
사티아 나델라 Microsoft CEO는 한 AI 공급자에게 모델과 도구, 업무 맥락을 모두 맡기는 기업은 오래 버티기 어렵다고 말했다. TechCrunch가 정리한 인터뷰에서 특히 눈에 들어온 것은 모델 선택보다 프롬프트·컨텍스트·메모리·사용 메타데이터의 소유권을 먼저 언급했다는 점이다.
실무에서는 이 말이 꽤 구체적이다. 에이전트의 도구 호출 기록, 성공한 작업 절차, 실패한 입력과 수정 이력까지 특정 공급자 안에만 쌓이면 모델을 바꾸는 순간 조직의 학습도 같이 사라진다. 반대로 harness와 상태 저장 계층을 모델 API에서 분리하면, 코드 작성은 한 모델에 맡기고 긴 문서 분석은 다른 모델로 넘기는 식의 라우팅이 가능하다. 비용 최적화보다 먼저 봐야 할 것은 모델이 사라져도 작업 기억이 남는가다.
나도 멀티모델이라는 말을 들으면 처음에는 점수표와 가격표부터 떠올렸다. 모델 수를 늘리는 것만으로는 부족하고, 실제 차이는 교체 비용에서 난다. 내부 데이터 형식과 평가 세트, 메모리 저장소를 한 공급자의 전용 기능과 분리하지 않으면 멀티모델은 설정 화면의 선택지에 그친다.
그래서 기업용 AI를 검토할 때 공급자별 모델 성능과 함께 세 가지를 물어야 한다. 대화와 tool trace를 표준 형식으로 내보낼 수 있는지, 검색용 지식과 장기 메모리를 자체 저장소에 둘 수 있는지, 같은 입력 묶음을 다른 모델에 재실행해 회귀를 비교할 수 있는지다. 이 세 조건이 갖춰져야 공급자 장애나 가격 변경이 생겼을 때 업무를 멈추지 않고 옮길 수 있다.
Claude 공유 링크는 비공개 초대장이 아니다
Claude의 공유 대화와 Artifacts 일부가 검색 결과에 노출됐다는 보도는 익숙한 공유 버튼을 다시 보게 만든다. Anthropic은 공유 URL을 검색 엔진에 따로 제공하지 않으며, 사용자가 공개된 곳에 링크를 올려 크롤러가 발견한 경우 색인될 수 있다는 입장이다. 보도 당시 검색 결과는 이후 재현되지 않았고 전체 범위도 확정되지 않았으므로, 이것을 곧바로 대규모 유출로 단정할 수는 없다.
그래도 제품 문구와 사용자 기대가 어긋난 지점은 남는다. “링크가 있는 누구나 볼 수 있음”은 접근 통제 기능이 없는 공개 URL이다. 메신저로 한 사람에게만 보냈더라도 그 사람이 게시판에 옮기거나 브라우저 확장 기능과 분석 도구를 거치면 링크는 더 넓게 퍼질 수 있다. 의료 정보, 사내 문서, 직원 평가처럼 검색되어서는 안 되는 내용은 공유 링크를 만들기 전에 원문에서 제거해야 한다.
AI 제품은 대화와 결과물을 한 화면에서 공유하기 쉬워서 경계가 더 흐릿하다. 내가 팀 기능을 설계한다면 공유 생성 시 검색 차단 여부, 만료 시각, 비밀번호, 폐기 버튼을 같은 단계에서 보여 주겠다. 공개 여부를 URL 난수성에만 맡기는 방식은 협업 기능으로는 편하지만 보안 모델로는 약하다.
운영팀에는 공유 링크를 한 번에 조회하고 폐기하는 관리 화면도 필요하다. 누가 언제 어떤 대화를 공개했는지 알 수 없으면 퇴사자 정리나 사고 대응 때 링크를 찾는 일부터 막힌다. 검색 엔진의 색인 제거에는 시간이 걸릴 수 있으므로, 원본 URL을 즉시 무효화하는 기능과 캐시·아카이브에 남을 가능성을 알리는 안내가 함께 있어야 한다.
Microsoft는 사이버 보안을 모델과 에이전트 팀으로 묶었다
Microsoft는 코드 취약점을 찾는 특화 모델 MAI-Cyber-1-Flash와 에이전트형 보안 시스템 Perception을 공개했다. 발표 내용을 전한 기사에 따르면 모델은 취약점 식별·수정용 harness인 MDASH에서 동작하고, Perception은 red team·blue team·green team 역할을 나눠 공격 시뮬레이션부터 탐지, 우선순위 지정, 교정 작업까지 연결한다.
여기서 나는 보안용 모델의 추가보다 역할 분담 구조에 더 주목했다. 역할별 에이전트가 같은 증거를 보고도 공격 가능성, 방어 신호, 수정 결과를 서로 다른 기준으로 판정한다. 코드 패치가 생성됐다는 사실만으로 종료하지 않고, 실제 취약점이 닫혔는지와 새 회귀가 없는지까지 별도 검증하는 구조에 가깝다.
Microsoft가 제시한 벤치마크 우위와 비용 효율은 공급사 자체 발표이므로 독립 비교처럼 받아들이면 안 된다. 11월 3일 preview 예정이라는 일정도 남아 있다. 지금 확인할 만한 변화는 모델·harness·다중 에이전트 운영을 하나의 보안 제품 단위로 묶었다는 것이다. 권한이 큰 보안 에이전트일수록 수정 전 승인, 패치 diff, 롤백 지점이 제품의 핵심 품질이 될 것이다.
평가도 취약점 발견 개수 하나로 끝내기 어렵다. 중복 경고 비율, 실제 exploit 재현률, 잘못된 패치가 만든 회귀, 사람이 검토하는 데 걸린 시간까지 함께 측정해야 한다. red team이 만든 공격 시나리오를 blue team이 그대로 답안처럼 보는 구조라면 점수는 높아도 새로운 공격에는 약할 수 있다. 역할을 나눈 만큼 데이터와 평가 경로도 분리해야 한다.
Google 검색은 링크 입구에서 AI 목적지로 이동 중이다
Similarweb 분석을 인용한 TechCrunch 보도에 따르면 Google 검색에서 AI Overviews가 나타난 비율은 약 1년 사이 15%에서 43%로 늘었다. AI Mode 방문은 2025년 6월 1억 2,600만 회에서 2026년 5월 2억 7,900만 회로 증가했다. 제3자 관측치라는 한계는 있지만, AI 답변이 일부 실험이 아니라 기본 검색 흐름으로 들어왔다는 방향은 선명하다.
웹사이트 운영자에게는 노출 순위만 보는 습관이 부족해진다. AI 답변에 출처로 인용되는지, 인용 링크가 실제 클릭으로 이어지는지, 답변 안에서 브랜드와 고유 데이터가 정확히 설명되는지를 따로 봐야 한다. 검색 결과가 웹으로 보내는 관문 역할을 넘어 사용자가 계속 질문하는 목적지가 되면 방문 전 단계의 가시성 자체가 성과 지표가 된다.
다만 클릭이 완전히 사라진다고 단정할 단계도 아니다. 기사에 따르면 ChatGPT의 미국 데스크톱 검색 업데이트 뒤 웹페이지로 이어진 방문 비중이 개선된 구간도 있었다. 결국 중요한 것은 AI 답변과 원문 링크를 대립시키는 대신, 인용 뒤에 사람이 더 확인할 이유가 있는 원본 데이터·실험·도구를 남기는 일이다.
콘텐츠 측정 방식도 바뀔 수밖에 없다. 같은 페이지가 검색 순위에서는 내려갔는데 AI 답변의 근거로 반복 인용될 수 있고, 반대로 인용은 많아도 문맥이 틀려 브랜드 신뢰를 해칠 수 있다. 앞으로는 유입 수치와 함께 어떤 질문에서 어떤 문장으로 인용됐는지, 그 답변이 최신 원문과 일치하는지를 표본 조사하는 과정이 필요하다.
데이터셋 증류는 학습 과정보다 최종 영향에 맞춘다
Dataset Distillation by Influence Matching은 큰 학습 데이터셋을 작은 합성 데이터셋으로 줄이는 기준을 바꾼다. 기존 접근이 단계별 gradient나 학습 trajectory를 맞추는 데 집중했다면, Inf-Match는 데이터를 넣거나 뺐을 때 수렴한 모델 파라미터가 얼마나 달라지는지를 추정해 실제 데이터와 합성 데이터의 영향을 맞춘다.
연구진은 역 Hessian 계산이나 볼록성 가정 없이 최적화 과정을 펼쳐 보고 1차 Taylor 근사를 적용하는 표본별 영향 추정기를 제안했다. Tiny-ImageNet에서 클래스당 합성 이미지 10개 조건으로 31.5%를 기록해 비교한 NCFM보다 4.7%포인트 높았고, Flickr30K 이미지·텍스트 검색에서도 200~1,000개 합성 표본 조건에서 평균 2.5%포인트 앞섰다고 보고했다. 이 수치는 프리프린트 저자들의 실험 범위 안에서 읽어야 한다.
내가 이 논문에서 가져갈 아이디어는 데이터 압축보다 평가 기준 쪽이다. 과정의 모양이 비슷하다고 최종 결과까지 같지는 않다. 학습 로그를 닮게 만드는 것과 학습이 끝난 모델에 같은 결정을 남기는 것은 다른 목표다. 합성 데이터가 정말 원본을 대신하는지 보려면 중간 gradient의 유사성보다 최종 파라미터와 downstream 성능에 남긴 영향을 함께 봐야 한다.
남은 질문도 분명하다. 1차 근사로 계산한 영향이 더 큰 모델과 긴 학습 스케줄에서도 안정적인지, 합성 표본이 원본의 민감한 특징을 얼마나 재현하는지, 다른 초기값과 optimizer에서도 같은 이점이 유지되는지는 추가 검증이 필요하다. 공개 예정인 코드를 볼 때는 최고 정확도뿐 아니라 계산 비용과 seed별 분산, 합성 이미지의 해석 가능성을 같이 확인하려 한다.
출처
- TechCrunch — Satya Nadella says companies that trust one AI for everything may not survive
- TechCrunch — Claude shared chats and Artifacts search exposure report
- TechCrunch — Microsoft cybersecurity model and agentic system
- TechCrunch — Google AI search adoption data
- arXiv:2607.16859 — Dataset Distillation by Influence Matching