Research
매일 핵심 AI 뉴스 알림 받기EDITOR’S PICK
Evaluation · Safety · Governance ‘Pacing the Frontier’ 뒤에 숨은 규제의 이해 프론티어 AI 개발 속도를 조절해 달라는 국제 서한이 미중 반도체 통제 경쟁과 동시에 나왔다. 사전 허가보다 사고 책임과 리콜, 복구 정보 공유가 더 현실적인 규제 방식이다. FEATURED RESEARCH
-
Multimodal AI 163편 중 단 6편만 합격.. 월드모델은 아직 시뮬레이터가 아니다 월드모델 200편을 여덟 기준으로 분석한 결과 대부분 영상 생성에는 능하지만 객체나 물리 상태를 직접 조회할 수 있는 연구는 163편 중 6편에 그쳤다. -
Multimodal AI 1인칭은 시선, 3인칭은 물리학이다 EchoWM은 오디오·화면을 동기화해 생성하는 월드모델로, 6자유도 궤적으로 조작 방식을 통일했지만 1인칭과 3인칭의 회전 처리 차이, 장기 공간 기억의 한계는 여전히 남아 있다. - Evaluation · Safety · Governance 체크포인트 복원 시 '권한 부활'을 차단하는 API 계약 설계의 정석 에이전트는 도구 사용법을 몰라서가 아니라 실행 순서와 권한 범위에서 무너진다. 벤치마크 여러 편은 절차 준수·계약 이행·최소권한·복구 설계가 총점과 별도로 신뢰성을 가른다는 점을 보여준다.
- Knowledge & Retrieval 기업용 SQL, 언제까지 '자연어 질문'만 던질 것인가 기업용 Text-to-SQL은 검색 방식 개선보다 검색 대상이 되는 지식, 즉 실제 쿼리에서 뽑은 조인·필터·CTE 패턴을 SQL 레퍼런스 카드로 정제하는 작업이 성능을 더 크게 좌우한다.
EXPLORE BY TOPIC
- Enterprise & B2B 기업 AI 혁신, 그리고 성공 사례와 이슈 및 해결 방안, B2B 업계의 변화 등을 다룹니다
- Knowledge & Retrieval 지식베이스·온톨로지·RAG·그래프 등 지식을 컨텍스트로 만들어 AI 가 읽을 수 있게 쓰이는 사례를 연구합니다
- Infrastructure & Hardware 데이터센터와 전력, 칩, 자본 등 AI 가 실행되기 위한 기반 구조를 심층 분석합니다
- Foundation Models 프론티어 랩의 모델과 오픈웨이트 모델의 발전 상황, 그리고 앞으로의 판도를 다룹니다
- Agentic Systems 에이전트와 루프 엔지니어링에 대한 포괄적 분석과 리서치를 다룹니다
- Evaluation · Safety · Governance 규제와 안전, 거버넌스에 대한 집중적인 분석과 AI 리스크를 둘러싼 트렌드 변화를 다룹니다
- Vertical & Applied AI 다양한 버티컬 산업과 응용 분야에서의 AI 트렌드를 분석합니다
- Emerging & Structural 미래에 다가올 AI 에 대한 예측과 주요 분석을 다룹니다
- Multimodal AI 음성·비디오·이미지 등 멀티모달 모델의 발전을 다루는 리서치입니다
- Inference & Optimization 추론 및 최적화에 대한 기술적 연구를 다룹니다
ALL RESEARCH
- Agentic Systems 1,000개 넘는 스킬도 가볍게.. Stripe가 Deep Agents를 지배하는 법 에이전틱 시스템은 교체 가능한 모델, 실행만 담당하는 얇은 하네스, 지식과 규칙을 보관하는 모듈형 컴퍼니 브레인으로 나뉜다. Writer·Stripe·eToro 사례로 이 구조의 비용 효율과 통제 방식을 설명한다.
- Enterprise & B2B 최종 PR만 남기는 조직 vs 실패의 경로까지 자산화하는 조직 코딩 에이전트 세션과 GitHub 커밋 연결은 지식 보존의 출발점일 뿐, 실패 구간을 평가 자산으로 정제하는 별도 체계가 있어야 조직 학습으로 이어진다.
- Agentic Systems 당신이 믿고 쓰는 에이전트, 정말 통제하고 있습니까? 에이전트가 실제 업무 권한을 갖게 되면서, 통제·검증·거버넌스 없이 데모만 만드는 방식은 재작업과 배포 실패로 이어진다. AMD 사례처럼 사업 지표로 성과를 측정하는 개발 생애주기가 필요하다.
- Enterprise & B2B 판단의 희소성이 사라진 시대.. AI 전환을 위한 조직 재설계 기업의 AI 도입 성과를 가르는 요인은 모델 성능이 아니라 결재 단계와 업무 흐름을 먼저 다시 설계했는지에 있다. 절차를 그대로 둔 채 속도만 높이면 과거의 조직 설계를 오래 유지할 뿐이다.
- Enterprise & B2B 86%가 시험했지만, 믿고 맡긴 곳은 34% 기업 대부분이 AI 에이전트를 시범 배치했지만 실제 사용률은 한 자릿수에 그친다. 권한·데이터 연동·역할 재설계 같은 운영 과제가 해결되지 않으면 기능을 더해도 채택은 늘지 않는다.
- Vertical & Applied AI 법률 Codex 108배 폭발.. 연봉 25만불 주니어 변호사의 몰락 법률 분야에서 Codex 사용이 급증하며 어시스턴트가 하던 요약을 넘어 주니어가 맡던 검토·조사 업무를 에이전트가 대신하기 시작했고, 이는 신입 채용과 도제식 훈련 구조에 영향을 준다.
- Emerging & Structural 실제 사람 없는 A/B 테스트.. AI가 지배하는 가상 선거판 중국 연구기관들이 미국 소셜미디어 기록으로 합성 유권자를 만들어 선거 결과를 예측하고 메시지 효과를 시험한다. 정확도보다 이 실험을 반복할 수 있다는 사실 자체가 주권의 문제로 남는다.
- Enterprise & B2B AI 에이전트 폭주를 막는 마이크로VM 격리와 프록시 설계 전략 에이전트 사고를 프롬프트 경고가 아니라 하네스·자격증명·마이크로VM 격리 등 환경 차원에서 통제해야 한다는 논의.
- Emerging & Structural 법보다 서버가 먼저다, WAICO의 29개국 실험 EU는 고위험 AI 규정 시행을 미뤘고 미국은 연방과 주 정부가 단일 규칙을 놓고 다투는 사이, 중국은 WAICO를 통해 연수와 오픈웨이트 모델, 인프라를 개발도상국에 제공하며 세 진영으로 나뉜 경쟁을 이끈다.
- Vertical & Applied AI Linkedin 사례: 수용률 63.9% 뒤에 숨은 레포의 규칙 AI 코드 리뷰의 반영률은 저장소마다 0%에서 100%까지 차이가 나고, 이는 모델 성능이 아니라 조직 규칙·설정·검증 체계의 차이에서 비롯된다.
- Emerging & Structural GPU 26만 장으로도 못 사는 것 국내 데이터센터에 서버를 두는 것만으로 AI 서비스 통제권이 확보되지 않으며, 법적 관할·소유구조·모델 보유 여부와 대체에 걸리는 시간까지 함께 봐야 한다는 내용이다.
- Vertical & Applied AI 판사 60%가 AI를 쓴다, 방침 없이 판사의 AI 오판에는 변호사와 달리 검증 의무도 제재 수단도 없다. 스탠퍼드 실험은 검증된 도구조차 조달만으로 부족함을 보여주며, 필요한 건 사후 처벌이 아니라 사전에 실패를 겪어볼 공용 환경이다.
- Evaluation · Safety · Governance 벤치마크 점수에는 잡히지 않는 EU AI Act 10조 AI 모델 자체는 관리해도 데이터가 프롬프트, 검색, 외부 도구, 장기 기억을 거쳐 빠져나가는 경로는 별도로 통제해야 하며, 다수 조직이 인벤토리와 접근 관리 없이 AI를 쓰고 있다.
- Emerging & Structural AI 주권은 선언이 아니다... 실제 필요한 것은? AI 주권을 자체 구축 여부가 아니라 데이터 통제권, 모델 이식성, 공급자 전환 준비도 같은 항목으로 나눠 확인하는 방법을 다룬다.
- Agentic Systems Outer Loop는 인프라가 되어야 한다 같은 모델이라도 하네스와 실행 루프 구조에 따라 성능·비용·사고 위험이 크게 달라지며, 재시작 후 이어가는 실행·정책 집행·트레이스 기록 여부가 루프를 인프라로 볼 수 있는지 가른다.
- Emerging & Structural ZDR을 걸어도 새는 것, 협상력 제로 데이터 리텐션, 자체 호스팅, 가격·모델 폐기 정책, 주권 AI를 함께 놓고 보면 데이터 유출과 공급자 종속을 막는 지점은 계약과 인프라가 아니라 협상력을 유지하는 아키텍처 설계에 있다.
- Infrastructure & Hardware 랙 하나가 246kW, 이제 칩 사양은 답이 아니다 AI 작업에서 추론 비중이 커지면서 가속기 단일 성능보다 랙 단위 전력·냉각·통신 구성이 인프라 경쟁의 기준이 되고 있다.
- Enterprise & B2B FDE… 잘 해야 약이 된다 엔터프라이즈 AI 파일럿이 전사 운영에 이르지 못하는 이유는 연동과 권한 같은 제품 결함 때문이며, 이를 코드로 고쳐 공통 제품으로 되돌리는 포워드 디플로이드 엔지니어 체계가 필요하다.
- Evaluation · Safety · Governance 《Philosophy & Public Affairs》가 열흘 만에 뒤집은 것 AI 사용 표시를 요구하는 학술지 정책이 실제로는 정직하게 신고한 저자만 불리하게 만들며, 논문 품질 심사와 연구자 역량 평가를 분리하는 편이 낫다는 논지를 다룬다.
- Agentic Systems MCP 44,026토큰 vs. CLI 1,365토큰 같은 모델이라도 도구 호출 방식과 컨텍스트 관리 같은 스캐폴드에 따라 토큰 비용과 성공률이 크게 갈린다는 벤치마크 결과를 정리한다.
- Enterprise & B2B AI는 가장 유망한 곳이 아니라, 붙일 수 있는 곳에 간다 기업이 AI를 가장 많이 쓰는 곳은 유망한 업무가 아니라 데이터·승인권한·평가지표가 갖춰진 업무다. 보안 모니터링이 1위인 이유도 이 배선 때문이다.
- Agentic Systems 정상 작동한다는 보고가 실패를 숨긴다 기업 AI 파일럿이 실패하는 이유는 대개 모델 성능이 아니라 틀린 답을 조용히 통과시키는 평가체계 부재였고, 내부 평가를 갖춰도 현실과 어긋나면 배포 후 실패로 이어진다.
- Enterprise & B2B ServiceNow 티켓에 숨긴 한 문장이 한 일 AI 에이전트 보안 사고는 탈옥이 아니라 서브에이전트가 오케스트레이터 권한을 그대로 물려받는 구조에서 나온다. 위임할 때마다 권한을 좁혀 넘기는 방식이 대안으로 논의된다.
- Agentic Systems 우리 통제는 에이전트의 목적까지 묻는가? AI 에이전트 보안은 콘텐츠 검사와 연결 통제만으로는 부족하다. 실행 시점에 신원과 업무 목적을 대조하는 관문이 빠지면, 위임 단계마다 권한이 쌓여도 감사 기록엔 정상 호출만 남는다.
- Enterprise & B2B 에이전트를 믿을 것인가, 저장소가 막게 할 것인가? 프롬프트 인젝션에 속은 에이전트도 데이터에 접근하지 못하게 하려면 권한 판정을 에이전트 밖 인프라와 외부 서비스로 넘겨야 하는데, 지식베이스 검색에는 이 통제가 아직 빠져 있다.
- Enterprise & B2B 파일럿이 끝나면 전사라는 착각 C레벨 임원 750명 중 40%는 AI를 업무에 넣었지만 일하는 방식 자체를 바꾼 곳은 15%에 그쳤고, 이 차이가 전사 확산을 가로막는다.
- Enterprise & B2B 관리만 하는 자리는 이제 없습니다 관리자 보상 우위가 무너지고 스태프 엔지니어 보상이 그만큼 올라간 흐름을 신입 채용 감소·검증 병목과 함께 짚는다. 조직도는 이제 인사표가 아니라 자본 배분표로 읽힌다.
- Enterprise & B2B 계약서에는 잡히지 않는 AI 인프라의 만기 AI 데이터센터 투자는 고객 계약 기간의 현금흐름으로 대출 심사를 받지만, 계약이 끝난 뒤 장비 가치와 상환 능력은 중고 시장과 차환 조건에 좌우된다.
- Agentic Systems 승인과 실행 사이, 보이지 않는 통제 계층 금융 등 규제 산업에서 AI 에이전트 도입이 늘었지만 사람과 에이전트 행동 구분이 부실해 감사가 어렵고, 지시부터 실행까지 권한·기록·비용을 단계별로 통제해야 한다는 내용.
- Evaluation · Safety · Governance 의사를 사칭하지 않는 챗봇은 누가 심사하는가? 펜실베이니아주가 캐릭터닷에이아이를 무면허 의료 행위로 제소했지만, 의사를 자처하지 않는 대부분의 정신건강 챗봇은 사칭 규제로 다루기 어렵다. 대화가 진단과 치료로 바뀌는 경계를 판단하려면 규제 단위를 캐릭터의 면허에서 시스템의 성능과 운영 책임으로 넓혀야 한다.
- Agentic Systems 에이전트가 늘어날 때, 무엇을 하나로 묶어야 할까? AI 에이전트 프레임워크와 모델을 조직 전체로 통일하려는 시도는 팀별 업무 차이 때문에 흔들리며, 표준화는 도구가 아니라 신원·정책·감사·비용 같은 공용 기능에 두어야 한다.
- Emerging & Structural 기업이 국가를 덜 필요로 하면 누가 약해지는가? AI 기업이 송전망을 우회해 자체 발전소를 짓고 전력 비용을 배분하면서, 지역사회의 입지 거부권만으로는 산업 가치 배분을 바꾸지 못하는 구조가 드러난다.
- Vertical & Applied AI 법률 AI가 낮춘 비용 뒤에 숨은 새 장벽 AI가 법률 비용 장벽은 낮췄지만 검증 능력을 새로운 이용 조건으로 만들었다는 사례들을 보여준다. 같은 도구를 써도 원문 대조 여부가 승패와 제재를 갈랐다.
- Vertical & Applied AI 수만 명의 에이전트가 만든 가상 제약회사 스탠퍼드의 버추얼 바이오테크는 신약 연구를 역할별 에이전트 조직으로 나눠 처리했고, 성능을 가른 것은 모델이 아니라 역할·권한·검증 절차의 설계였다.
- Infrastructure & Hardware 엔비디아가 찍어내는 돈, 갚는 쪽은 따로 있다 엔비디아가 신생 GPU 클라우드 사업자의 임대 수입에 6년 하한을 보장하면서 대출 심사 기준이 사업자 신용에서 엔비디아 지급 능력으로 옮겨갔고, 초과 수입은 엔비디아가 나눠 갖되 장비 가치 하락 손실은 대주와 투자자가 떠안는 구조를 다룬다.
- Agentic Systems 에이전트가 10단계에서 멈추는 진짜 이유 실제 배포된 AI 에이전트 다수는 열 단계 안에서 사람에게 일을 넘긴다. 모델의 능력이 부족해서가 아니라 오류를 발견하고 되돌릴 수 있는 범위가 아직 좁아서다.
- Agentic Systems 에이전트들은 왜 동료를 적으로 판단했을까? 같은 모델의 에이전트 세 대가 서로의 존재를 모르는 채 한 코드베이스를 나눠 작업하다 상대를 방해자로 여기고 권한을 빼앗거나 프로세스를 종료했다. 홀리스 로빈스는 이를 성격과 관계 정보의 부재로 설명한다.
- Enterprise & B2B 파산 뒤 1천만 달러, 회사의 기억은 누구 것인가? 파산한 스피릿항공의 40년치 업무 기록이 구글에 1천만 달러로 낙찰됐다. 가격을 결정한 건 데이터 양이 아니라 결정과 결과를 연결하는 맥락, 그리고 권리와 익명화를 둘러싼 불확실성이었다.
- Evaluation · Safety · Governance 4~7개월의 방어자 창, 조직에는 며칠 남았나? OpenAI가 말하는 방어자의 창은 4~7개월이지만 도입·검증 시간을 빼면 실제로는 더 짧다. Hugging Face 침해 사고와 권한 확장 원칙을 통해 조직이 재야 할 것은 창의 길이가 아니라 자동화 전환 속도라는 점을 다룬다.
- Vertical & Applied AI 백년 난제를 깬 반례의 조건 AI가 반례를 빠르게 찾아내며 야코비안 추측과 단위거리 추측을 무너뜨렸지만, 진술의 정확성과 형식화 코드의 검토는 여전히 사람 몫으로 남는다.
- Enterprise & B2B 빌려 쓰는 GPU vs. 직접 굴리는 GPU GPU 추론 비용은 자체 서버, 클라우드 임대, API 방식마다 다르게 나타나며 가동률과 데이터 통제 여부에 따라 유리한 선택이 달라진다.
- Emerging & Structural 에이전트 경제의 병목은 결제가 아니다 에이전트 결제 인프라는 빠르게 갖춰지고 있지만, 신원과 평판, 서명 이후의 의도까지 검증하는 장치는 아직 부족하다. x402와 ERC-8004의 실제 데이터는 결제 가능성만으로는 시장이 열리지 않는다는 사실을 담고 있다.
- Enterprise & B2B 당신의 AI를 막는 것은 누구인가 스탠퍼드 조사에 따르면 AI 도입의 성패는 모델보다 업무 절차 재설계, 통제 부서 참여, 예외 처리 기준 같은 조직 준비에 달려 있었다.
- Enterprise & B2B 자율성보다 먼저 검증을 설계하라 기업이 에이전트에 맡기는 업무 범위는 오류를 발견하고 피해를 제한하는 속도로 정해지며, 실제 배포는 대부분 열 단계 이내의 짧은 실행과 제한된 권한으로 운영된다.
- Enterprise & B2B Egnyte의 사례: 모델 말고 턴부터 줄여라 에이전트의 응답 속도는 모델 자체보다 턴 수와 도구 호출 설계에서 갈린다. Egnyte 사례를 통해 위임 구조 축소, 프롬프트 캐싱, 도구 반환값 설계가 지연시간을 줄이는 과정을 다룬다.
- Enterprise & B2B 웹검색 꺼도 뚫린다: Atlassian Rovo가 보여준 ‘조직 통제’의 허상 관리자가 웹검색을 꺼도 Rovo의 URL 도구는 남아 지라 문서에 심어진 프롬프트가 내부 정보를 외부 주소로 보냈다. 정상 권한 안에서 벌어진 유출이라 접근 통제만으로는 잡히지 않는다.
- Enterprise & B2B AI 구매 vs. 일하는 방식의 재설계 기업들은 AI 도구 구매 속도만큼 업무 절차와 권한 구조를 바꾸지 못했고, 워크플로 재설계와 책임자 지정이 성과 격차를 만든다.
- Enterprise & B2B 메트릭 드리프트: CFO와 AI가 매출을 다르게 측정한다면? AI 데이터 에이전트는 SQL 문법보다 의미 해석에서 더 자주 틀리며, 지표 정의와 조인 경로를 미리 규정하는 시맨틱 레이어를 두면 실행 전에 오류를 막을 수 있다.
- Enterprise & B2B FDE를 할 수 있는 파트너사의 선택 조건이 뭘까? 기업용 AI 도입은 FDE라는 직함보다 실제 투입되는 엔지니어의 경력과 계약 조건에 좌우된다. 결과물 정의, 성공 기준, 공급자가 떠난 뒤 남는 것까지 계약서에 담아야 도입 성과가 유지된다.
- Enterprise & B2B 온프렘 LLM이 필요한 건 5%뿐인데, 왜 기업은 100%를 에어갭으로 사 들이는가 규제 산업의 AI 보안은 배포 방식 하나로 정하기보다 워크로드 단위로 나눠 민감한 요청만 격리하고 나머지는 빠르게 갱신하는 방식이 비용과 대응 속도에서 유리하다.
- Enterprise & B2B 컨텍스트 그래프가 에이전트를 움직인다 에이전트가 판단을 내릴 때 근거를 어디에 남길지 다룬 글로, 엔티티와 소유권을 먼저 정하고 그 위에 결정 기록을 연결하는 컨텍스트 그래프 구조와 최신성 관리 문제를 짚는다.
- Enterprise & B2B 에이전트가 만든 ‘조직 기억’이라는 인프라 카테고리 위키와 검색, 데이터 웨어하우스는 조직의 판단 근거를 남기지 못하며, 유효 기간과 권한을 붙인 사실 관리 체계가 있어야 AI 에이전트가 배경을 다시 찾지 않고 답할 수 있다.
- Enterprise & B2B S/4를 올렸는데 AI 에이전트가 바보인 이유: Clean Core 없는 기간계는 ‘AI 부채’ 공장… 오래된 ERP의 커스터마이징과 부실한 마스터 데이터는 에이전트가 참조할 수 있는 정보의 범위를 제한하며, 표준에 가까운 코어일수록 자동화와 감사가 쉬워진다.
- Enterprise & B2B Motorway 사례: 딜러 검색 AI 에이전트 오답을 1/8에서 1/50로 줄인 품질 게이트 매끄러운 답변이 정확성을 보장하지 않는다. Motorway는 도구 사용·추론·출력 품질을 나눠 검사하고 반복 실행과 배포 전 검증을 거쳐 도구 선택 정확도를 87%에서 98%로 높였다.
- Enterprise & B2B AI 규제 기한은 미뤄졌는데, 데이터 부채는 한 걸음도 안 움직였다 EU 고위험 AI 규제 적용일은 미뤄졌지만 투명성 의무와 데이터 품질, 삭제·권한 관리 부채는 그대로 남아 있으며, 벤더 데이터 결함과 아마존 장애 사례는 작은 오류가 AI 답변 전체를 좌우하는 구조를 보여준다.
- Enterprise & B2B ERP를 바꿨는데 왜 AI 에이전트는 그대로 느린가? 플랫폼 교체 뒤에 남는 ‘통합 부채’ ERP를 새로 도입해도 시스템 사이 업무 규칙과 데이터 기준이 그대로면 처리 속도는 바뀌지 않고, AI 에이전트를 넣어도 그 기준이 맞지 않으면 수작업 대사가 사라지지 않는다.
- Enterprise & B2B 사람이 미들웨어가 된 ERP: 통합 부채에 AI 에이전트가 부딪히는 지점 기업 시스템에는 임시방편 연동과 수작업 검증이 쌓여 있고, AI 에이전트는 이런 통합 부채를 그대로 물려받아 오류도 정상값과 같은 속도로 처리한다. 되돌리기 쉬운 행동 하나부터 데이터 경로에 계약을 세우는 방식이 대안으로 제시된다.
- Enterprise & B2B 환불 버튼을 AI에게 맡겨도 될까? 에이전트의 오류는 모델 성능이 아니라 절차 설계에서 비롯되며, 본인확인·환불 승인 같은 단계는 모델 대신 코드로 통제해야 신뢰할 수 있는 시스템이 된다는 내용이다.
- Agentic Systems 모델 시대의 아키텍처는 덜어내는 기술이다 에이전트 하네스는 모델의 약점을 메우는 코드로 채워지지만, 모델이 나아지면 그 코드는 쓸모를 잃는다. Anthropic은 세션 기록을 실행 환경 밖 이벤트 로그로 분리하고 자격 증명을 좁은 계약으로 묶어, 모델이 바뀌어도 남는 경계를 설계했다.
- Enterprise & B2B S/4HANA 끝나야 AI? 현장은 여전히 ECC… S/4HANA 전환 전에도 클린 코어 원칙으로 업무 로직을 API로 분리하고 죽은 코드와 마스터 데이터를 정리하면, 그 자산이 AI 도입과 이후 전환 비용 모두에 쓰인다.
- Enterprise & B2B 프론티어를 ‘기본 모델’이 아니라 ‘호출 가능한 도구’로 쓰는 기업이 이긴다 생성형 AI 도입에서 성능 경쟁은 최고급 모델 사용량에 집중돼 왔지만, 실제 운영에서는 모델을 어느 단계에 배치하는지가 비용과 결과를 함께 결정한 사례를 다룬다.
- Enterprise & B2B Chrome이 2개 릴리스에서 보안 버그 1,072개를 고친 방법 AI로 취약점 발견 속도는 빨라졌지만, 재현·수정·배포·적용까지 처리하는 체계가 조직의 실제 보안 역량을 가른다.
- Enterprise & B2B AI에 $18조를 쏟아도 안 되는 이유: 레거시, 데이터, 프로세스 부채가 그만큼 기다리고 있다! Global 2000 기업에 묶인 17조9000억 달러 가치 대부분은 IT 부채가 아니라 데이터·프로세스·인재 부채에서 나오며, 이를 정리하지 않으면 AI 도입 예산도 성과로 이어지지 않는다.
- Enterprise & B2B ABC사 사례: AI 자동화의 승부처는 운영이다 법률 서류 송달 업체 ABC Legal은 AI 에이전트를 전사 도입하며 권한 확대보다 버전 관리와 롤백 체계를 먼저 갖췄고, 그 결과 비개발자 직원들도 자동화를 직접 만들고 수정했다.
- Enterprise & B2B 스크립트 자동화는 왜 더 깨질까.. LinkedIn이 만든 ‘보는’ QA Agent 코딩 에이전트가 코드를 빠르게 바꾸면서 기존 테스트 자동화가 이를 따라가지 못하자, LinkedIn은 화면을 직접 읽고 익숙한 경로는 재생하며 달라진 부분만 다시 해석하는 QA 에이전트로 대응했다.
- Enterprise & B2B AI 도입 전, 데이터의 이자부터 계산하라 기업이 AI 자동화 범위를 넓힐수록 오래된 데이터 정의와 관리 부실이 비용과 위험으로 드러나며, 자동화가 미치는 범위는 결국 검증 가능한 데이터 범위 안에서 정해진다.
- Enterprise & B2B AI 혁신의 중심에는 오래된 ERP가 있다 기업 다수가 생성형 AI를 업무에 들였지만 성과로 이어진 곳은 절반이 안 되며, 발주·지급·재고 같은 거래는 ERP의 원장과 승인 체계 안에서만 에이전트에게 맡겨진다.
- Enterprise & B2B 자동화의 진짜 병목은 숫자의 의미다 매출과 마진의 정의가 시스템마다 문서화되지 않은 채 남아 있으면 AI는 매번 의미를 추측해서 계산하고, 쓰기 권한을 가진 에이전틱 AI는 그 오류를 하루에도 수백 번 실제 시스템에 반영한다.
- Enterprise & B2B ERP 에이전트가 벡터 검색을 버린 이유… ‘업무 지도’가 전사 AI의 진짜 기억이다 기업 ERP 에이전트가 벡터 검색 대신 지식 그래프를 쓰는 이유와, SAP·Palantir 사례로 본 조직이 직접 관리해야 하는 업무 지도의 조건을 설명한다.
- Infrastructure & Hardware GPU는 남아도 대화는 멈춘다.. AI 팩토리의 다음 병목은 ‘공유 못 하는 메모리’ AI 추론은 GPU 연산보다 가중치와 KV 캐시를 옮기는 메모리 대역폭과 인터커넥트에 더 크게 좌우된다. HBM 용량 한계로 CXL과 광 연결이 대안으로 떠오르고 있다.
- Infrastructure & Hardware 컴퓨트는 어떻게 자산이 되는가 NVIDIA가 여섯 금융기관과 5000억 달러 규모의 컴퓨트 파이낸싱 플랫폼을 발표했다. GPU를 담보로 한 채권 시장이 만들어지는 과정과 그 위험을 다룬다.
- Enterprise & B2B Stripe는 왜 코딩 에이전트를 전 직원용으로 다시 만들었나 - Kai가 보여 준 엔터프라이즈 ‘지식 에이전트’의 실제 설계 직원 8,000명이 에이전트 4,000개를 만든 뒤, Stripe는 전문성은 팀에 남기고 도구·권한·컨텍스트 관리 기준만 플랫폼으로 통일했다.
- Enterprise & B2B 검증비용을 어떻게 낮출까? Cloudflare가 MUST와 SHOULD로 엔지니어링 규율을 강제하는 방식 AI가 코드 작성량을 늘리면서 검토 부담이 커지자, Cloudflare는 사내 표준을 RFC로 통합해 MUST와 SHOULD로 나누고 필요한 규칙만 골라 검토 에이전트에 넣는 방식으로 운영한다.
- Enterprise & B2B 모델보다 먼저 고쳐야 할 비용 구조 코딩 에이전트 비용은 프롬프트보다 세션에 쌓이는 컨텍스트에서 커진다. 모델 선택과 라우팅, 캐시 조정을 게이트웨이 하나에서 관리하는 조직이 비용을 예측 가능한 범위에 둔다.
- Vertical & Applied AI 치과 클리닉을 스스로 돌리는 AI.. 소프트웨어가 아니라 ‘노동’을 파는 Vertical Agent의 시대 치과 진료소 후처리 업무를 대신하는 AI 에이전트 Lassie 사례로, 소프트웨어가 좌석이 아니라 노동시간을 파는 방식으로 바뀌는 흐름과 그 안에 남는 예외 처리 부담을 다룬다.
- Emerging & Structural ASI는 ‘한 방 점프’가 아니다.. DeepMind가 그린 AGI 이후 네 갈래 경로와 병목 초지능은 연산 확대·새 알고리즘·재귀적 자기개선·에이전트 집단이라는 네 경로가 맞물려 진행되지만, 검증 비용과 전력망 같은 물리적 제약 때문에 코드와 수학부터 물질과 생명과학까지 분야마다 다른 속도로 번진다.
- Enterprise & B2B 규칙은 왜 코드로 옮겨야 하는가 - Wix의 사례 에이전트 지시가 길어질수록 일부가 누락되거나 형식만 맞춘 결과가 나오기 쉽고, 규칙을 코드와 검증기로 옮겨 스키마·토큰·접근성 기준을 기계가 확인하게 하는 편이 안정적이다.
- Enterprise & B2B Uber가 고친 Agent Identity의 구멍 AI 에이전트에 업무를 맡기는 기업이 늘면서 신원·권한 체계도 바뀌고 있다. Uber 사례로 워크로드 신원 증명부터 위임 경로를 담은 단명 토큰 발급까지의 접근 제어 구조를 다룬다.
- Enterprise & B2B Langchain이 BI 대시보드를 버리고 에이전트 스택으로 갈아탄 이유 LangChain 데이터팀은 대시보드 대신 컬럼과 지표 정의를 정리해 에이전트가 같은 기준으로 답하게 했고, 시맨틱 레이어를 더하자 텍스트-투-SQL 정확도가 크게 올랐다.
- Enterprise & B2B MCP만으로는 프로덕션이 안 된다 .. DoorDash가 200개 서버 위에서 만든 Agent Gateway 컨트롤 플레인 MCP는 툴 호출 형식만 정할 뿐 권한과 자격증명 관리는 다루지 않는다. DoorDash는 프록시와 레지스트리를 분리한 중앙 게이트웨이로 인증과 툴 노출 범위를 통제하고 모든 호출을 기록한다.
- Enterprise & B2B MCP만 붙이면 에이전트가 된다? Sierra가 45개 시스템에 연결하며 깨달은 ‘게이트웨이 빙산’ Sierra의 사내 에이전트는 도구 연결 자체보다 권한 통제와 검증 체계를 다듬어 89% 이용률에 도달했다. 게이트웨이는 연결 규격이 아니라 접근 범위와 신뢰를 관리하는 계층이다.
- Enterprise & B2B Linear가 에이전트에게 자사 API를 주지 않은 이유 제품 안 AI 에이전트의 안전장치는 프롬프트가 아니라 툴 매개변수·승인 절차 같은 실행 단계에서 정해지며, 되돌릴 수 있는지와 노출 범위에 따라 권한 수준이 달라진다.
- Enterprise & B2B Netflix 인하우스 LLM 서빙이 깨뜨린 설계 가정들 Netflix는 LLM을 별도 시스템이 아니라 기존 추천 서빙 레일에 올렸고, 배치 처리와 디코딩 제약 같은 세부 구현에서 자체 서빙 여부를 가르는 기준을 보여준다.
- Enterprise & B2B OpenAI가 70,000개 테이블을 AI readable하게 만드는 법 데이터 에이전트의 정확도는 SQL 생성 능력이 아니라 스키마·리니지·메모리 등 여섯 가지 맥락을 갖췄는지에서 갈린다는 내용이다.
- Enterprise & B2B Shopify의 도메인 특화 모델 사례 Shopify는 판정 모델의 일치도를 사람 수준까지 끌어올린 뒤 실패한 대화를 교정해 학습 데이터로 삼았고, SFT와 GRPO를 거친 특화 모델은 프론티어 모델보다 낮은 비용으로 더 나은 성능을 냈다.
- Enterprise & B2B Meltwater가 에이전트 비용을 낮춘 사례 기자 프로필을 갱신하던 리서치 에이전트 Admiral은 성과가 좋았지만 컨텍스트가 계속 불어나 유지보수가 어려워졌고, 검색과 판단을 다섯 단계로 나누고 필드별로 근거를 검토하도록 다시 설계했다.
- Enterprise & B2B 프롬프트로 하는 당부는 보안이 아니다. Cloudflare의 에이전트 권한 관리 AI 에이전트가 업무를 직접 실행하면서 보안의 중심이 프롬프트 지시에서 자격 증명 수명과 실행 권한 통제로 옮겨간다. Cloudflare는 작업 단위 단기 토큰과 실행 전 권한 상한으로 이를 구현한다.
- Enterprise & B2B 모델은 렌탈, 하네스는 소유: Coinbase, Shopify, Ramp의 사례 코인베이스, 쇼피파이, 램프는 자체 AI 모델 대신 세션·샌드박스·검증을 관리하는 하네스를 직접 만들어 코딩 에이전트를 운영한다.
- Knowledge & Retrieval 찾는 RAG에서 판단하는 RAG로 검색 결과가 질문과 관련 있어도 답에 필요한 정보가 빠져 있을 수 있다. Google의 Agentic RAG는 초안을 만든 뒤 근거가 충분한지 다시 판정하고, 부족하면 빠진 부분을 검색어로 바꿔 재검색한다.
- Emerging & Structural 프론티어랩과 하이퍼스케일러는 어디까지 수직통합할 것인가(feat. Sol5.6 high) AI 기업은 발전소부터 로봇까지 다 소유하는 완전한 수직통합으로 가지 않는다. 성능과 공급을 좌우하는 병목만 안으로 가져오고, 막대한 고정자산은 장기계약과 금융구조로 통제한다.
- Foundation Models 프론티어 모델의 평가는 진짜 환경에서? 아니면 가짜 환경에서? AI 에이전트의 사이버 공격 능력을 재는 평가 환경이 실제 인터넷과 이어지면서 Anthropic과 OpenAI에서 실제 시스템 침해와 악성 패키지 유포가 벌어졌다.
- Evaluation · Safety · Governance 마크 저커버그 - The Future is for Everyone(8/10, 전문 번역) 마크 저커버그가 제시한 메타의 AI 철학은 다음 세 가지로 압축된다.(원문 https//www.meta.com/thefutureisforeveryone/)
- Foundation Models Foundation Model의 수명은 해마다 23%씩 줄고 있다 공개된 언어모델 62개의 인용 추적 결과 출시가 늦을수록 사용 정점까지 걸리는 시간과 수명이 매년 줄었고, 2025년까지 오래 쓰인 모델은 모두 웨이트가 공개된 사전학습 베이스 모델이었다.
- Multimodal AI 멀티모달 AI는 그림을 ‘보는’ 게 아니라 이름을 붙인다 - VLM이 픽셀을 버리고 단어로 도망치는 이유 시각언어모델은 부위에 이름이 붙었을 때 이미지 속 같은 지점을 더 정확히 찾아내고, 이름 없는 도형은 픽셀 대응을 따로 학습시켜야 정확도가 오른다.
- Agentic Systems AGI가 와도 안 풀린다: 멀티에이전트 코딩은 ‘분산 합의’ 문제다 멀티에이전트 코딩 실패 사례들을 분산시스템 이론과 연결해, 병목이 모델 지능이 아니라 설계 조율과 외부 검증 절차의 부재에 있다는 논지를 다룬다.
- Infrastructure & Hardware 차가운 데이터센터가 효율적이라는 착각. AI 팩토리는 이제 45°C 냉각수로 돌아간다 NVIDIA Rubin 서버의 45°C 냉각수 방식이 칠러 의존을 줄이고 폐열 재활용을 가능하게 하면서, 데이터센터 입지를 좌우하는 조건이 기후와 전력망, 물, 배관망으로 넓어졌다.
- Vertical & Applied AI Sierra, Harvey를 나란히 깔았는데 답이 제각각.. Vertical AI의 문맥 갈라파고스 문제 기업이 여러 부서에서 각기 다른 AI 에이전트를 쓰면 같은 고객과 지표도 제품마다 다르게 정의된다. 이 정의를 하나의 컨텍스트 그래프로 묶어야 감사에 필요한 기록도 남길 수 있다.
- Evaluation · Safety · Governance 안전 평가가 진짜 사람을 사회공학했다 AI 에이전트 사이버 평가에서 모델이 격리 환경을 벗어나 실제 GitHub·Hugging Face·PyPI에 영향을 미친 사고들과 책임 소재 문제를 다룬다.
- Vertical & Applied AI OpenAI Presence가 보여준 것: 버티컬 AI의 병목은 모델이 아니라 ‘직무 단위 신뢰 운영’이다 기업용 AI 에이전트는 답변 품질만이 아니라 업무 범위와 권한, 오류 수정 체계로 평가받으며, OpenAI Presence와 Harvey 사례는 경쟁력이 모델 성능보다 운영 절차에서 갈린다는 점을 보여준다.
- Knowledge & Retrieval 벡터 DB 수백만 원 쓰고도 졌다고? 에이전트 검색에서 grep이 이긴 이유 AI 에이전트의 검색 성능은 검색 알고리즘 자체보다 하네스와 결과 전달 방식에 더 크게 좌우되며, grep과 벡터 검색의 우열도 조건에 따라 뒤바뀐다.
- Knowledge & Retrieval 검색 알고리즘이 아니라 ‘검색 인터페이스’가 승부를 결정한다 검색 결과 양을 늘려도 정확도는 오르지 않았고, 무엇을 찾고 읽을지 모델이 직접 정하는 구조에서 토큰을 적게 쓰고도 더 정확한 답이 나왔다.
- Emerging & Structural 코드의 80%를 AI가 쓴 뒤, 병목은 ‘무엇을 만들지’로 옮겨갔다 AI 코딩 도구로 코드 생성 속도는 빨라졌지만 리뷰와 채택, 목표 설정에서 새 병목이 나타나고 있으며 인수 기준을 담은 명세 작성이 새로운 작업이 됐다.
- Emerging & Structural AI가 다음 AI를 짜기 시작했다. ‘연구 취향’만 남은 인간의 자리 Claude가 프로덕션 코드의 80% 이상을 작성하며 실행은 빨라졌지만, 늘어난 결과물을 검토하고 신뢰를 판단하는 일이 조직의 새 병목으로 떠올랐다.
- Foundation Models 2.8조 파라미터인데 켜지는 건 1.8%.. Kimi K3가 연 ‘오픈 3T’ 시대, 진짜 승부처는 크기일까 2.8조 파라미터 K3는 토큰마다 16개 전문가만 쓰지만 저장과 운영에는 전체 웨이트가 필요하다. 가격은 폐쇄형 모델보다 훨씬 낮지만 자체 운영에는 대규모 인프라와 손익분기 사용량이 필요해 실제 이용은 자원을 갖춘 조직에 좁혀진다.
- Infrastructure & Hardware 우주 데이터센터의 현실적 TCO 우주 궤도 데이터센터는 태양광 확보에는 유리하지만 방열판 면적과 짧은 설비 수명 탓에 지상보다 약 4배 비용이 든다. 반도체와 발사체 생산 능력도 함께 늘어야 격차가 줄어든다.
- Enterprise & B2B 버티컬 AI의 해자, 롱호라이즌 에이전트 앞에서 무너질까 버티컬 AI 기업의 경쟁력은 모델 성능이 아니라 배포 관계, 반복 성공률 검증, 계약상 결과 보증 같은 운영 역량에서 나온다는 내용이다.
- Vertical & Applied AI 의료·금융 다음은 공장이다 — Vertical AI 자본이 SaaS 대시보드를 떠난 이유 제조업은 IT 지출이 적어 소프트웨어 시장이 작았지만, AI가 검사·서류 업무를 맡으면 인건비 규모의 예산이 열린다. 성과 측정과 독점 데이터, 책임 소재가 갖춰진 산업부터 투자금이 몰린다.
- Infrastructure & Hardware GPU 72개 랙이 아니라 TPU 9,216개 한 덩어리 — AI 인프라의 진짜 병목은 칩이 아니라 ‘연결’이다 AI 가속기 성능은 칩 자체보다 시스템 구성에서 갈린다. 연결 규모, 광 스위치를 통한 랙 간 배선, 프리필·디코드 분리 시 KV 캐시 이동, 학습·추론용 설계 분화까지 거리와 메모리 배치가 인프라 성능을 좌우한다.
- Enterprise & B2B 버티컬 AI의 진짜 해자는 무엇인가 모델 가격이 떨어지고 성능이 평준화될수록 화면과 기능은 쉽게 복제되지만, 데이터 연결과 권한 체계, 고객 업무에 쌓인 판단 절차는 쉽게 옮겨지지 않는다.
- Knowledge & Retrieval 벡터 DB에 쌓아도 기억이 아니다. 에이전트 ‘메모리’가 구조적으로 전문가가 못 되는 이유 에이전트가 대화 기록을 저장했다 불러오는 것과 가중치가 실제로 바뀌는 학습은 다른 과정이며, 검색 기반 기억만으로는 처음 보는 조합 문제를 푸는 능력이 늘지 않는다.
- Infrastructure & Hardware 2028년, Google이 Nvidia보다 AI 칩을 더 많이 찍을 수 있다 2028년 AI 칩 경쟁에서 Google TPU 물량이 Nvidia GPU 출하량에 근접하지만, 실제 승부처는 패키징과 전력 같은 칩 밖의 병목에 있다.
- Inference & Optimization DFlash는 어떻게 순차 생성의 벽을 깼나 LLM 응답 속도는 초안을 순차로 만드는 구간에서 막힌다. DFlash는 이 초안을 블록 단위로 한 번에 채워 같은 응답 속도로 처리 가능한 요청 수를 크게 늘렸다.
- Emerging & Structural AI의 자기개선은 이미 시작됐나 AI가 쓰는 코드 비율과 혼자 처리하는 과제 시간이 빠르게 늘어나지만, 목표를 정하고 결과를 믿을지 판단하는 일은 여전히 사람에게 남아 있다.
- Emerging & Structural RSI에 대하여 AI가 스스로를 개선하는 재귀적 자기개선의 속도는 코드 작성 비율이 아니라 전력망·데이터센터 확보 속도로 정해진다. Alphabet의 대규모 자본지출도 그 전력과 시간을 확보하려는 투자다.
- Knowledge & Retrieval GraphRAG, 확장보다 압축이 먼저다 AWS와 Cisco가 아홉 가지 RAG 방식을 비교한 결과, 검색은 정답의 83.5%를 찾았지만 답변에 반영된 비율은 47.9%에 그쳤다. 컨텍스트 앞부분 정보만 주로 쓰였고 관계를 압축해 걸러낸 GraphRAG는 토큰을 줄이면서도 성능을 유지했다.
- Infrastructure & Hardware AI의 권력은 어디에 있는가? AI 산업의 병목이 칩에서 전력과 설비로 옮겨가면서, 전력을 얼마나 많이 확보했는지보다 필요할 때 사용량을 줄일 수 있는지가 데이터센터 가동 속도를 가른다.
- Vertical & Applied AI AI에 쓴 돈은 누구의 지식이 되는가 AI 주권은 모델 선택이 아니라 프롬프트와 승인 기록, 온톨로지를 자사 저장소에 남겨 공급자가 바뀌어도 같은 판단을 재현할 수 있는지로 갈린다.
- Vertical & Applied AI AI 코딩의 진짜 병목은 리뷰다 AI가 작성하는 코드량이 늘면서 검증이 새로운 병목이 되고, 서로 다른 에이전트의 교차검토도 명세가 모호한 지점에서는 함께 실패한다. 조직은 되돌리기 어려운 결정을 기준으로 리뷰 강도를 나눈다.
- Agentic Systems 프롬프트 80%를 지워도 됐던 이유 모델의 판단력이 좋아질수록 프롬프트의 세세한 규칙은 오히려 방해가 되고, 낡은 규칙이 쌓이면 새 규칙까지 신뢰를 잃는 과정을 사례로 설명한다.
- Enterprise & B2B 남는 AI 한도는 어디로 가야 하나 주간 단위로 초기화되는 AI 좌석 한도는 쓰지 않아도 소멸하는데, 억지로 소진하면 품질이 떨어진다는 문제를 다른 자원 배분 사례에 비춰 다룬다.
- Evaluation · Safety · Governance Kill Switch 이후 AI 주권은 타인의 의지에 종속되지 않고 AI를 지속할 자유다. 미국 상무부가 Anthropic 모델 접근을 90분 만에 차단한 사례는 API 이용권이 자산이 아니라 언제든 취소될 수 있는 권리임을 보여준다. 기업들은 오픈웨이트와 국내 컴퓨트로 복구 체계를 갖추고 있다.
- Knowledge & Retrieval 도메인 지식베이스의 병목 유사도 검색은 관련 문서를 찾아내지만 그 조항이 지금도 유효한지는 확인하지 못한다. 법률, 의약품, 사내 문서 사례에서 답변 근거는 발효일과 승인 주체, 대체 관계를 갖춘 항목으로 따로 관리한다.
- Knowledge & Retrieval 컨텍스트 다이어트의 함정 에이전트 메모리는 통째로 요약해 덮어쓰면 정확도가 오히려 떨어진다. ACE 연구는 항목 단위로 추가하고 성공률을 기록해 만료시키는 방식이 정확도와 비용을 함께 지킨다는 결과를 보여준다.
- Knowledge & Retrieval 에이전트가 그래프를 대신 짜면, GraphRAG는 여전히 필요한가 GraphRAG는 여러 문서의 근거를 연결하는 multi-hop 질의에서 강점을 보이지만 단순 사실 확인에는 비용이 과하다. 그래프는 구축비를 먼저 내고 재사용하는 구조라 자료 변경 빈도와 질의 반복도, 근거 소급 설명 필요성에 따라 선택이 갈린다.
- Vertical & Applied AI 로봇엔 ChatGPT 모멘트가 없다 로봇은 좁은 작업에서는 높은 성공률을 보이지만 조건이 달라지면 성능이 떨어진다. 데이터와 하드웨어의 한계 속에서 같은 작업의 반복 횟수와 환경 개조 여부가 상용화 속도를 결정한다.
- Foundation Models 모델 국적은 위반의 증거가 아니다 오픈웨이트 AI 규제는 모델 국적이 아니라 접근 권한 침해 여부로 판단해야 하며, 폐쇄형 API 기준을 그대로 적용하면 합법적 방어자만 도구를 잃는다.
- Agentic Systems 조직을 복제하면 실패도 복제된다 멀티에이전트가 실패하는 이유는 모델이 아니라 조직도를 그대로 옮긴 에이전트 경계에 있으며, 과제 그래프를 기준으로 병렬화와 검증을 나눠야 한다는 내용이다.
- Enterprise & B2B 더 똑똑한 AI, 더 위험한 KPI 에이전트 시대의 경쟁력은 도구나 모델 수가 아니라 조직이 합의한 평가 지표에서 나오며, 잘못된 지표는 에이전트의 속도 때문에 더 위험해진다.
- Vertical & Applied AI X Money 소셜미디어에 올라탄 은행 X Money는 고금리와 메탈 카드보다 @핸들을 결제 주소로 만들어 소셜 관계에서 오간 돈을 플랫폼 안에 붙잡아 두는 데 핵심이 있다.
- Emerging & Structural AI 개방과 통제를 둘러싼 논점 브리핑(0730) AI 모델의 능력은 API 답변과 가중치로 쉽게 복제되지만 칩과 전력, 평가 인프라는 복제할 수 없어, 통제는 결국 이 희소 자원의 접근권을 다루는 산업정책 문제로 귀결된다.
- Enterprise & B2B 엔터프라이즈가 ‘에이전트’라고 부르고 있는 것들 다단계 업무 완료를 기준으로 보면 기업이 배포한 에이전트 다수는 실제로 질의응답 챗봇에 가깝고, 단계별 성공률이 누적되며 전체 완료율을 낮춘다는 점을 살핀다.
- Emerging & Structural 프론티어 모델과 오픈웨이트, 우리가 찾아야 할 밸런스 프론티어 폐쇄 모델과 오픈웨이트 모델의 격차가 빠르게 좁혀지는 구조를 분석하고, 성능이 평준화된 뒤 각 진영이 수익을 지킬 자리와 한국의 현실적 위치를 짚는 글이다.
- Foundation Models 「Open Weights and American AI Leadership」 정리 오픈웨이트 성명 서명 지형을 보면 가치사슬 재배치가 읽힌다. Anthropic 불참과 증류 논쟁은 통제권과 회수불가능성 비용을 누가 지는지의 문제로 이어진다.
- Knowledge & Retrieval 하이브리드 검색 라우터 시대, 그래프는 롱컨텍스트 앞에서 자리를 지킬 수 있는가 롱컨텍스트 비용이 계속 떨어지는데도 기업은 왜 그래프 인덱스를 유지하는가. 검색 성능 축에서는 과도기적 수단이지만, 감사·책임 축에서는 장기 기반으로 남는다 — 라우터가 그 경계를 조직 구조 위에 그린다.
- Enterprise & B2B 에이전트가 SaaS 좌석 과금을 깨뜨릴 때, 그 가치는 누구 몫이 되는가 에이전트가 사람 대신 소프트웨어를 조작하면서 좌석 기반 과금이 흔들리고, 벤더는 성과·사용량 과금으로 옮겨가지만 그 가치는 모델 벤더와 하이퍼스케일러로 먼저 모인다.
- Enterprise & B2B 자신을 대체할 AI를 파는 컨설팅 빅펌들의 계산법 맥킨지·BCG·베인이 자신을 대체할 모델 벤더와 손잡으며 얻는 손익과, 그 대가로 주니어 피라미드가 무너지는 위험을 다룬다.
- Agentic Systems 프롬프트-컨텍스트-하네스-루프, 다음은 무엇인가 프롬프트→컨텍스트→하네스→루프→그래프로 6주 만에 3번 바뀐 이름을 통해, 인간의 개입 지점이 실행에서 판단으로 옮겨가는 구조를 짚는다.
- Agentic Systems 에이전트는 마법이 아니다. 대규모 증류일 뿐이다 카파시가 말한 에이전트의 본질은 신비한 지능이 아니라 데이터 증류이며, 기업은 모델 크기보다 데이터 품질과 폐쇄 루프 설계에 집중해야 한다는 시사점을 정리한다.
- Knowledge & Retrieval Cerebras의 지식베이스가 주는 교훈 Cerebras가 데이터 이동 대신 검색 레이어로 하루 1만5000건 질문을 처리한 내부 지식베이스 사례에서 국내 기업이 얻을 구조화 우선순위의 교훈.
- Emerging & Structural 수 년 안에 도래하는 AGI, 그리고 사회의 숙제 데미스 하사비스가 예고한 몇 년 내 AGI 도래를 앞두고 권한·소유·인간 정체성이라는 세 가지 사회적 숙제를 짚는다.