2026년 6월, AI가 '예약 실행'하는 시대로: ChatGPT/Claude/Gemini의 스케줄 행을 코드로 설계하기

서론

2026년 6월, OpenAI·Anthropic·Google이 일제히 「스케줄 실행형 AI 에이전트 (Scheduled Execution AI Agent)」를 투입했습니다.

• OpenAI: ChatGPT에 Scheduled Tasks (6/17 출시)
• Anthropic: Claude에 Managed Agents (cron 기반, CLI/인증 서비스 연동, vault 관리 환경 변수)
• Google: Gemini Daily Brief / Gemini Spark

본 기사에서는 이 「AI가 정기 실행으로 알아서 움직이는」 메커니즘을 코드로 설계하기 위한 최소 구성을 제시합니다. 테마는 「매일 아침, AI 뉴스를 수집 → 요약 → 저장하는 정기 태스크 (Periodic Task)」입니다.

설계: 3개 층으로 나누어 생각하기

• 스케줄 실행 에이전트는 3개 층으로 파악하면 전망이 좋아집니다.

• 트리거 층 (Trigger Layer) — 언제 움직이는가 (cron)

• 처리 층 (Processing Layer) — 무엇을 하는가 (수집 → LLM 요약)

• 출력 층 (Output Layer) — 어디로 내보내는가 (파일/알림/API)

1. 트리거 층: cron 표현

매일 아침 7:00 (JST)에 실행하는 cron 식

CRON = "0 7 * * *" (분 시 일 월 요일)

Anthropic의 Managed Agents도 이 cron 시맨틱스 (Semantics)를 준수합니다. 로컬에서 테스트하려면 APScheduler가 간편합니다.

from apscheduler.schedulers.blocking import BlockingScheduler

sched = BlockingScheduler(timezone="Asia/Tokyo")

@sched.scheduled_job("cron", hour=7, minute=0)
def run_daily_job():
    main()

if __name__ == "__main__":
    sched.start()

2. 처리 층: 수집 → 요약

LLM으로의 요약 호출을 벤더 비의존적 (Vendor-independent) 인터페이스로 감싸 두면, ChatGPT / Claude / Gemini를 교체하기 쉬워집니다.

from dataclasses import dataclass
from typing import Protocol

@dataclass
class NewsItem:
    title: str
    url: str
    body: str

class Summarizer(Protocol):
    def summarize(self, items: list[NewsItem]) -> str: ...

class ClaudeSummarizer:
    def __init__(self, client, model: str = "claude-opus-4-8"):
        self.client = client
        self.model = model

    def summarize(self, items: list[NewsItem]) -> str:
        joined = "\n\n".join(f"- {i.title}" for i in items)
        prompt = "다음 AI 뉴스를 5줄로 요약:\n" + joined
        resp = self.client.messages.create(
            model=self.model,
            max_tokens=1024,
            messages=[{"role": "user", "content": prompt}],
        )
        return resp.content[0].text

동일한 Summarizer 프로토콜을 충족하도록 OpenAI 버전을 구현하면, 호출 측은 변경할 필요가 없습니다.

3. 출력 층: 저장과 멱등성 (Idempotency)

정기 실행에서 가장 사고가 나기 쉬운 것이 「이중 실행」과 「실패 시의 재시도 (Retry)」입니다. 실행일을 키(Key)로 하여 멱등하게 만들어 둡시다.

import os, datetime
def save_idempotent(summary: str, out_dir: str = "./daily") -> str:
today = datetime.date.today().isoformat()
path = os.path.join(out_dir, f"{today}.md")
if os.path.exists(path):
    return path # 이미 오늘 날짜의 파일이 있으면 건너뜀 (멱등성)
os.makedirs(out_dir, exist_ok=True)
with open(path, "w", encoding="utf-8") as f:
    f.write(f"# AI News {today}\n\n{summary}\n")
return path

4. 연결 (main)

def main():
    items = fetch_news()
    summarizer = ClaudeSummarizer(client=anthropic_client)
    try:
        summary = summarizer.summarize(items)
    except Exception as e:
        log_error(e) # 실패하더라도 놓치지 않고, 다음 실행으로 이월
    return path = save_idempotent(summary)
    notify(f"오늘의 AI 뉴스 요약 저장: {path}")

운영상의 핵심 - 타임아웃과 제한: LLM 호출에는 반드시 타임아웃을 설정합니다.

• 멱등성 (Idempotency): 실행일/대상 ID를 키로 하여 이중 처리를 방지합니다.
• 실패는 무시하지 않고 기록: 한 번의 실패로 전체를 멈추지 않습니다.
• 환경 변수는 안전하게: API 키는 vault / 시크릿 매니저에 보관합니다.

요약

2026년 6월 세 사의 움직임은 'AI를 호출하는' 개발에서 'AI를 주기적으로 실행하여 운영하는' 개발로의 전환을 보여줍니다. 트리거(Trigger) - 처리(Process) - 출력(Output)의 3계층으로 나누고, 벤더에 종속되지 않는 인터페이스로 감싸며, 멱등성과 오류 내성을 갖추는—이 설계를 이해한다면 어떤 플랫폼의 예약 실행 기능이 와도 응용할 수 있습니다.