2026년 8월 9일 | AI 최신 트렌드
에이전트 생태계의 관심사가 모델 성능에서 배포 단위와 운영 비용으로 빠르게 옮겨가고 있다. 스킬과 MCP를 한 묶음으로 옮기는 규격이 나왔고, ChatGPT는 프레젠테이션 제작 역량을 흡수했다. 그 뒤에서는 데이터센터 전력과 탄소 비용이 더 크게 드러났다. 과학용 오픈 가중치 모델과 문서 파싱 병렬화 연구까지 함께 보면, AI 경쟁의 단위가 단일 모델에서 벗어나 패키지·업무 산출물·전력·공공 연구 기반·서빙 구조로 넓어지는 흐름이 보인다.
1. Agent Plugins 1.0: 스킬과 MCP를 함께 옮기는 패키지 경계
Agentic AI Foundation(AAIF)의 Agent Plugins 1.0은 에이전트 스킬과 MCP 서버 설정을 하나의 공통 패키지로 운반하기 위한 규격이다. 최소 매니페스트에 규격 버전과 이름을 두고, 재사용 지침은 skills/, MCP 설정은 mcp.json에 배치한다. 클라이언트가 폴더 모양을 추측하지 않고 필요한 구성 요소를 발견하도록 만든 셈이다.
눈에 들어온 부분은 휴대성과 실행을 분리했다는 점이다. MCP 전송 방식은 표준 입출력, Streamable HTTP, 기존 HTTP+SSE처럼 명시할 수 있고, MCP 서버 하나가 실패해도 나머지 스킬은 계속 읽는 실패 격리 원칙을 둔다. 반면 레지스트리, 설치 절차, 게시자 신원, 서명, 권한 승인, 샌드박스까지 대신 해결하지는 않는다. 패키지 형식이 같아졌다고 신뢰 모델까지 같아지는 것은 아니다.
나는 이 규격을 “어디서나 똑같이 실행되는 플러그인”보다 어디로 옮겨도 구성 요소를 찾을 수 있는 배포 경계로 보는 편이 안전하다고 생각한다. 여러 코딩 에이전트를 오갈 때 재포장 비용은 줄겠지만, 실제 도입 전에는 각 클라이언트가 어느 네임스페이스와 전송 방식을 지원하는지, 권한을 어디서 묻는지 따로 확인해야 한다.
팀 단위 배포라면 매니페스트만 버전 관리해서는 부족하다. 스킬이 읽는 파일 범위, MCP가 접속하는 호스트, 환경 변수와 비밀값의 주입 위치, 실패 시 남는 로그를 함께 고정해야 한다. 동일한 플러그인도 클라이언트의 승인 UI와 기본 권한에 따라 실제 위험 범위가 달라진다. 호환성 표에는 설치 성공 여부와 함께 권한 요청·부분 실패·제거 후 잔존 파일을 시험한 결과가 들어가야 한다.
2. NextSlide 인수: ChatGPT가 답변을 넘어 편집 가능한 산출물로 이동
TechCrunch 보도에 따르면 OpenAI는 프레젠테이션 스타트업 NextSlide를 인수했고, 팀원들은 ChatGPT에서 일하고 있다. 공개 발표는 8월 8일 나왔지만 거래는 올해 초 이뤄졌으며 금액은 공개되지 않았다. NextSlide는 프롬프트, 메모, 문서, 조사 자료를 편집 가능한 프레젠테이션으로 바꾸는 제품을 만들었다.
이 인수는 슬라이드 기능 하나보다 업무 인터페이스의 방향을 보여 준다. 채팅창에서 개요를 받는 데서 끝나지 않고, 사용자가 다시 손볼 수 있는 파일과 화면으로 바로 넘어가려는 흐름이다. 문서 요약, 자료 조사, 구조 설계, 시각 배치가 한 제품 안에서 이어지면 경쟁 기준도 “답이 그럴듯한가”에서 산출물을 얼마나 적게 고쳐서 제출할 수 있는가로 바뀐다.
다만 팀 인수가 곧바로 완성 기능 출시를 뜻하지는 않는다. NextSlide의 기존 제품이 어떤 형태로 ChatGPT에 들어갈지, PowerPoint나 Google Slides와 어떤 호환성을 제공할지는 아직 공개된 범위가 좁다. 지금 확인할 수 있는 신호는 OpenAI가 프레젠테이션을 독립 앱의 부가 기능을 넘어 ChatGPT 안의 작업 결과물로 보고 있다는 정도다.
3. Amazon 데이터센터: 전력 자립과 탄소 비용이 같은 발전소에서 만나는 문제
TechCrunch가 전한 텍사스 Pecos County 계획에서 Amazon은 데이터센터 옆에 천연가스 발전소를 두는 방안을 추진하고 있다. 뉴욕타임스가 확인한 허가 기준으로는 연간 이산화탄소 3,300만 톤까지 배출할 수 있어, 미국 내 단일 발전소 중 가장 큰 배출원이 될 가능성이 제기됐다.
Amazon은 새 현장 발전원이 텍사스 가정의 전기요금을 높이지 않을 것이라고 설명했다. 전력망에 부담을 넘기지 않고 필요한 전기를 직접 확보하겠다는 논리다. 하지만 회사가 공개한 지난해 탄소 배출량은 16% 늘었고, 2040년 순배출 제거 약속과 대규모 가스 발전 투자가 같은 문서 위에서 충돌한다.
AI 인프라를 볼 때 GPU 수량과 전력 확보량만 세면 이 장면을 놓치기 쉽다. 전력 자립은 운영비의 위치를 바꾸는 일일 수 있다. 전기요금 부담을 줄이는 대신 탄소, 물, 대기오염, 지역 인허가 비용이 현장으로 이동한다. 데이터센터 성능을 토큰 처리량으로 비교하듯, 앞으로는 작업당 전력과 배출량도 운영 지표로 함께 요구될 가능성이 크다.
특히 허가상 최대 배출량과 실제 가동 배출량은 구분해서 봐야 한다. 아직 계획 단계인 수치를 확정 배출로 읽을 수는 없다. 그럼에도 24시간 추론 부하를 현장 발전으로 감당하려는 설계가 늘면, 모델 효율 개선분이 전체 수요 증가에 상쇄되는지 추적할 필요가 있다. 지역 전력망 효과, 발전원별 배출계수, 가동률을 함께 공개해야 프로젝트끼리 제대로 비교할 수 있다.
4. Genesis-Science-1: 과학 AI를 오픈 가중치 공공 기반으로 만드는 실험
미국 에너지부가 주도하는 Genesis Open Models는 과학 연구용 오픈 가중치 모델 생태계를 시작했다. 첫 모델 Genesis-Science-1은 Arcee AI와 공동 개발하며, 재료·에너지·지구 시스템·핵융합·생물학·고에너지 물리학 같은 분야의 연구 워크플로를 겨냥한다.
모델 가중치만 내놓는 프로젝트와 달리 기여 범위가 넓다. 사전·중간 학습용 문서와 코드, 지도 미세조정 예제, 연구 소프트웨어, 강화학습 환경, 별도 평가 세트, 채점 기준과 검증 도구까지 모집한다. 기반 단계 자료 설명은 8월 14일, 학습 후 자료와 환경 설명은 8월 25일이 1차 마감이며, 신청 단계에서는 원자료 대신 설명과 메타데이터를 제출한다.
내가 주목한 지점은 공개 모델보다 공개 연구 운영체제에 가깝다는 점이다. 과학 AI는 일반 대화 성능보다 데이터 권리, 실험 환경 재현, 도메인 전문가 검토, 검증 가능한 채점이 중요하다. 오픈 가중치는 출발점일 뿐이고, 어떤 데이터와 평가를 연결했는지가 실제 공공성의 크기를 결정한다. 반대로 기여 조건과 라이선스, 모델 출처가 충분히 투명하지 않으면 “오픈”이라는 이름만으로 재현성이 생기지는 않는다.
출시 뒤에는 분야별 최고 점수 하나보다 실패 기록이 더 중요해 보인다. 어느 연구실의 코드와 장비에서 재현됐는지, 모델이 인용한 근거를 전문가가 어떻게 반박했는지, 업데이트 전후 평가가 같은 조건인지가 남아야 한다. 과학용 모델을 공공 자산으로 만들려면 체크포인트와 모델 카드에 더해 실험 환경과 검증 이력도 장기 보존 대상이 된다.
5. PaDoc: 문서 전체를 한 줄로 읽지 않고 레이아웃 가지로 병렬 디코딩
PaDoc 논문은 문서 파싱의 병목을 모델 크기보다 출력 순서에서 찾는다. 일반적인 종단간 파서는 페이지의 글, 표, 수식, 그림 영역을 하나의 긴 자동회귀 시퀀스로 직렬화한다. 서로 떨어진 두 영역도 앞 영역 생성이 끝날 때까지 기다려야 한다. 영역별로 이미지를 잘라 병렬 처리하면 속도는 나아지지만 전체 페이지 맥락과 시각 인코딩을 반복해서 잃는다.
PaDoc은 전체 페이지 이미지와 레이아웃 접두사를 공유하고, 각 영역 콘텐츠를 별도 가지로 병렬 생성한다. 학습에서는 ancestor attention으로 필요한 조상 레이아웃만 보게 하고, 서빙에서는 vLLM의 동시 요청과 공유 접두사 캐시를 활용한다. 논리적 디코딩 깊이가 모든 영역 길이의 합에서 벗어나 가장 긴 레이아웃-콘텐츠 경로에 가까워지는 구조다.
저자 실험에서 OmniDocBench 전체 레이아웃 F1은 91.1, 종단간 파싱 종합 점수는 94.24였다. 같은 백본의 순차 SFT 기준과 비교한 단일 A800·384페이지 실험에서는 유효 페이지 처리량이 67.4~118% 늘고 P95 지연시간이 39.2~54.9% 줄었다. 이 수치는 저자들이 구성한 데이터와 서빙 조건 안의 결과라 다른 문서 분포로 바로 일반화하면 안 된다. 그래도 출력 구조 자체를 병렬화 대상으로 삼았다는 설계는 OCR·문서 AI 운영에서 꽤 실용적인 관찰이다.
재현할 때는 평균 처리량만 보면 곤란하다. 표가 빽빽한 페이지, 수식이 긴 페이지, 영역 수가 많은 페이지를 따로 나누고 유효 출력 판정 기준을 동일하게 맞춰야 한다. 병렬 가지가 늘면서 GPU 메모리와 스케줄러 대기 시간이 어떻게 변하는지도 함께 봐야 한다. 그래야 속도 향상이 잘린 출력이나 느슨한 검증에서 나온 결과인지 구분할 수 있다.
다섯 소식을 함께 보면
다섯 사건은 서로 다른 층을 건드리지만 질문은 비슷하다. 에이전트 기능은 어떤 단위로 옮길지, 업무 결과물은 어디까지 편집 가능해야 하는지, 연산 비용은 누가 부담할지, 공공 연구 모델은 무엇을 공개해야 하는지, 생성 과정은 어디서 병렬화할지다. 모델 하나의 점수보다 경계와 인터페이스를 어떻게 설계했는가가 제품성과 운영성을 가르는 비중이 커지고 있다.
실무에서 당장 볼 지점도 선명하다. Agent Plugins를 도입할 때는 호환성과 권한을 분리해 확인하고, 프레젠테이션 AI는 생성 품질보다 수정 가능한 파일 형식을 본다. AI 인프라는 GPU 계약뿐 아니라 전력원과 지역 비용을 기록해야 한다. 과학 모델은 가중치 공개 여부와 함께 데이터·평가 계보를 보고, 문서 파서는 정확도와 처리량을 같은 조건에서 재현해 봐야 한다. 이런 항목이 제품 소개 자료보다 오래 남는 운영 기준이 된다.