오늘은 ‘에이전트가 일하는 방식’이 확 바뀌는 쪽으로 뉴스가 몰렸어. 코딩 에이전트는 데스크톱으로 내려오고, 벤치마크는 사람 사회(협상/거짓말)와 확률(리스크)로 확장되고, 엔터프라이즈는 데이터웨어하우스 안으로 모델을 끌어들인다.
OpenAI, macOS용 Codex 앱 공개: “에이전트 지휘소”를 데스크톱으로
OpenAI가 macOS용 Codex 앱을 공개했어. 핵심은 “코딩 도구 하나 추가”가 아니라, 여러 에이전트를 동시에 굴리고(멀티스레드), 장시간 작업을 맡기고, 사람은 감독자로 앉히는 인터페이스라는 점이야.
내용을 보면 딱 요즘 개발 흐름을 인정한 형태다. 한 에이전트랑 페어프로그래밍처럼 한 줄씩 고치는 시대도 여전히 유효하지만, 실제로 팀이 바라는 건 그게 아니거든. “이 리포에서 A는 테스트 고치고, B는 문서 정리하고, C는 릴리즈 노트 뽑아” 같은 병렬 작업이 진짜 돈이 돼.
Codex 앱이 강조하는 기능들이 그런 방향으로 설계돼 있어:
- 프로젝트 단위로 에이전트 스레드를 나눠서 컨텍스트를 유지한다.
- 변경 사항을 스레드 안에서 diff로 리뷰하고 코멘트로 되돌릴 수 있다.
- git worktree 기반으로 에이전트별로 격리된 작업 공간을 만든다(같은 repo에서 충돌 없이 여러 갈래 시도 가능).
- CLI/IDE 확장 설정과 히스토리를 그대로 이어받는다(툴 전환 비용 줄이기).
여기서 재밌는 포인트는 “스킬(Skills)”과 “오토메이션(Automations)”을 전면에 세웠다는 거야. 스킬은 결국 **재현 가능한 작업 지침 + 도구 연결(스크립트 포함)**이고, 오토메이션은 그걸 스케줄링해서 백그라운드에서 돌리는 방식이잖아. 즉, 에이전트가 코드만 쓰는 게 아니라 업무의 단위를 처리하도록 유도하는 쪽으로 제품이 간다.
개발자 입장에서 이게 좋은 점도 있고 무서운 점도 있어.
좋은 점:
- “내가 하기 싫은데 꼭 해야 하는 일”의 상당수가 자동화 가능해진다. (이슈 트리아지, CI 실패 요약, 릴리즈 브리프, 문서 갱신 등)
- 사람은 설계/검토/결정에 집중하고, 에이전트는 수행에 집중하게 된다.
무서운 점:
- 에이전트가 늘어날수록 코드베이스에 동시성(organizational concurrency) 이 생기고, 그때부터 진짜 병목은 모델이 아니라 리뷰/승인/정책이 된다.
- “누가 어떤 기준으로 승인했는가”가 개발 프로세스의 핵심 로그가 될 가능성이 크다.
한마디로, 코딩 에이전트는 이제 IDE 플러그인이 아니라 “작업 운영 체계” 쪽으로 넘어가는 중이야.
Snowflake × OpenAI: 데이터 클라우드 안으로 모델을 넣는 2억 달러짜리 신호
OpenAI랑 Snowflake가 2억 달러 규모 파트너십을 발표했어. 방향이 뻔하면서도 강력해. 엔터프라이즈가 AI를 쓰려면 결국 “우리 데이터”에 붙어야 하잖아. 근데 기업 데이터는 보안/거버넌스 때문에 아무 데나 못 나가. 그래서 데이터가 있는 곳(데이터웨어하우스/데이터 클라우드) 안으로 모델을 끌어들이는 게 정답이 된다.
발표 내용의 요지는 이런 구조야:
- Snowflake 고객이 Snowflake 내부에서 OpenAI 모델을 써서 에이전트/앱을 만든다.
- Snowflake Intelligence 같은 자연어 질의 경험에 모델을 붙여서, 직원들이 코드 없이도 데이터에서 인사이트를 뽑도록 한다.
- SQL에서 바로 모델을 호출하는 형태(함수/AI Functions)로 “분석 파이프라인의 일부”가 된다.
이게 왜 중요하냐면, 엔터프라이즈는 항상 같은 문제를 반복해.
- 데이터는 내부에 있고(접근 통제),
- 모델은 외부에 있고(요금/정책/규제),
- 둘을 잇는 레이어가 복잡해질수록 프로젝트는 망한다.
그래서 “데이터 플랫폼 안에서 모델을 쓴다”는 건 기술 선택이 아니라 조직 설계의 단순화야. 보안팀/법무팀/데이터 거버넌스 팀이 싫어할 지점들을 최소화할 수 있거든.
그리고 이건 에이전트 시대에도 더 크게 작동해. 에이전트가 일을 하려면 결국 “읽기/쓰기 권한”이 필요한데, 엔터프라이즈 데이터는 그 권한을 허용하는 순간 난리가 난다. 데이터 플랫폼 안에서 모델이 돌아가면, 최소한 정책 집행과 감사 로그를 한 곳에서 통제할 수 있는 그림이 나와.
즉, 오늘 파트너십은 “모델이 좋아졌다”가 아니라 “AI 도입의 병목이 어디인지 다들 인정했다”는 신호로 봐야 한다.
Google DeepMind × Kaggle Game Arena 업데이트: 체스 다음은 ‘늑대인간’과 ‘포커’다
Google DeepMind가 Kaggle의 Game Arena 벤치마크를 업데이트하면서, 기존 체스에 더해 Werewolf(늑대인간) 와 포커를 추가했어. 이게 꽤 상징적이야.
체스는 ‘완전 정보(perfect information)’ 게임이야. 보드 위에 모든 정보가 깔려 있고, 잘 두면 된다. 근데 현실은 그런 적이 거의 없지. 사람들은 정보도 불완전하고, 상대는 거짓말도 하고, 나도 확률을 계산해야 하고, 때로는 심리전도 한다.
DeepMind가 얘기하는 포인트는 딱 이거야:
- 늑대인간: 자연어로만 진행되는 팀 기반 소셜 추론 게임. 커뮤니케이션/협상/모호함 처리/기만 탐지 같은 “소프트 스킬”을 본다.
- 포커: 불완전 정보 + 리스크 관리. 확률적 추론과 불확실성 하에서의 의사결정을 본다.
여기서 난 특히 “에이전트 안전(agentic safety) 연구의 샌드박스”라는 표현이 인상적이었어. 늑대인간은 모델이 거짓말을 잘하는 능력도 시험할 수밖에 없거든. 현실에선 그게 위험한 능력인데, 게임 환경에서는 그걸 안전하게 측정할 수 있다는 논리야. 일종의 ‘격리된 악역 연습장’ 같은 느낌.
그리고 이런 벤치마크가 실무랑 연결되는 지점이 있어.
- 기업에서 에이전트가 사람과 협업하려면, “정답을 잘 말한다”보다 “불확실한 상황에서 합리적으로 판단한다”가 더 중요하다.
- 회의/협상/이슈 트리아지 같은 건 사실상 늑대인간에 가깝다. 누가 사실을 말하는지, 누가 핑계를 대는지, 누가 의도를 숨기는지 계속 추론해야 하잖아.
- 운영/트레이딩/재고/마케팅 같은 영역은 포커다. 불확실성을 수치로 다루고, 손익과 리스크를 같이 본다.
그러니까 ‘게임 벤치마크’는 장난이 아니라, 앞으로 에이전트가 사람 사회에 들어오기 위한 입장 시험 같아.
Google, 멸종위기종 유전체 보존에 AI 투입: “시퀀싱을 더 싸고 빠르게”
구글은 멸종위기종의 유전체(genome) 정보를 보존하기 위한 프로젝트에 AI와 지원을 붙이고 있어. Vertebrate Genomes Project, Earth BioGenome Project 쪽을 돕는 이야기고, 실제로 13종의 멸종위기 동물 유전체 시퀀싱을 지원했고 앞으로 더 확장하겠다고 했어.
이 뉴스가 좋은 이유는 AI가 “콘텐츠 생성/코드 생성”을 넘어서, 진짜로 과학의 비용 구조를 바꾸는 쪽에 들어간다는 점이야.
유전체 시퀀싱은 과거엔 시간과 돈이 미친 듯이 들었지. 첫 인간 유전체는 13년 + 30억 달러라는 전설이 있고. 근데 지금은 며칠/수천 달러 단위로 내려왔고, 여기에 DeepVariant/DeepConsensus/DeepPolisher 같은 도구들이 정확도와 비용을 더 줄이는 데 기여했다고 한다.
보존 관점에서 유전체 데이터는 ‘마지막 백업’ 같은 거야.
- 종이 멸종하면 유전 정보도 영원히 사라진다.
- 유전체를 알면 근친 교배 문제나 유전적 다양성 보존 전략 같은 걸 더 정교하게 설계할 수 있다.
- 여러 종의 유전체를 비교하면 생물학적 통찰이 나온다(농업/질병/환경 적응 등).
개발자 시각으로는 이런 프로젝트가 좀 “인프라 냄새”가 나서 마음이 간다. 결국 AI를 과학에 붙이는 건 데이터 파이프라인, 품질 관리, 재현성, 공개 데이터, 컴퓨팅 비용 같은 문제를 같이 푸는 거거든. 멋있게 말하면 AI for Science, 현실적으로 말하면 데이터 엔지니어링의 대규모 확장판이야.
예상되는 미래 (Expected Future)
오늘 뉴스 네 개를 한 줄로 묶으면 이거야: AI가 ‘모델’이 아니라 ‘운영되는 시스템’이 된다.
-
Codex 앱 같은 “에이전트 운영 UI”가 퍼지면, 개발팀은 에이전트를 사람처럼 배치하고 관리하게 될 거야. 근데 사람과 달리 에이전트는 복제 비용이 거의 0이라서, 어느 순간부터는 “몇 명을 뽑을까” 대신 “동시에 몇 개의 스레드를 허용할까”가 조직의 질문이 된다.
-
Snowflake 같은 데이터 플랫폼 안으로 모델이 들어가면, AI 도입의 핵심은 모델 선택이 아니라 권한/감사/거버넌스/비용 최적화가 된다. 엔터프라이즈 AI는 점점 ‘보안 제품’처럼 보일 거고, AI 팀은 보안팀/데이터팀이랑 더 붙어 다닐 거야.
-
Game Arena가 늑대인간/포커로 확장된 건, 벤치마크가 “수학/추론”에서 “사회/불확실성”으로 이동 중이라는 신호야. 에이전트가 실제 업무에 들어오면, 논리보다 더 많이 쓰는 게 설득/협상/불확실성 관리거든. 이걸 측정하지 못하면, 우리가 만드는 에이전트는 늘 실무에서 미끄러질 거야.
-
AI for Science는 앞으로 더 커질 거야. 단순히 논문 읽어주는 비서가 아니라, 실험/시퀀싱/시뮬레이션 같은 실제 비용이 큰 프로세스에 AI를 넣으면, 생산성은 ‘몇 %’가 아니라 ‘몇 배’로 뛴다.
결론적으로, 2026년은 “모델 성능 숫자”보다 “어떻게 운영하고 통제할 것인가”가 뉴스의 중심이 될 가능성이 크다. 에이전트를 쓸 거면, 이제부터는 프롬프트보다 정책과 프로세스를 먼저 고민해야 한다는 얘기지.