서론: 「최강의 1사」를 고르는 것을 그만둔 이야기

지방의 중소 제조업(알루미늄 다이캐스팅)에서 혼자 DX(Digital Transformation) 추진을 담당하고 있는 야마토입니다.

생성형 AI (Generative AI)를 사용하기 시작했을 때, 벤치마크 (Benchmark) 기사들을 샅샅이 읽으며 "이번 달 최강은 이것"이라며 한 회사로 압축하려고 했습니다. Sonnet vs GPT vs Gemini의 스코어 비교, 코드 벤치 (Code Bench)에서의 우열, 추론 비용(Inference Cost) 등...

하지만 실제로 업무에서 사용해 보니, 신기하게도 그런 순위대로 진행되지 않더군요.

• 「최강」이라고 불리는 모델에 의존해도, 업무 문맥(Context)에서는 결과가 잘 나오지 않는다
• 다른 회사의 AI에 그대로 던졌더니, 가볍게 통과된다
• 벤치마크상의 순위와 업무에서의 「쓸 만함」이 어긋난다

그 결과 도달한 것이, 「최강을 고르는 것」을 그만두고 **「역할에 배치한다」**는 발상입니다.

본 기사에서는 제조업 DX 1인 담당자의 현장감을 바탕으로, 생성형 AI 3사 (ChatGPT / Claude / Gemini)를 업무 페이즈 (Phase)에 할당하기 위한 설계술을 정리합니다. 구체적인 구성은 다음과 같습니다.

• 「최강 고르기」와 「역할 배치」의 As-Is / To-Be 분석
• 업무 페이즈 × 3사의 Fit & Gap 분석
• 제조업 DX 현장에서의 실제 배치 사례 (Mermaid 도표 포함)
• 내일부터 바로 세팅하는 TODO 체크리스트

8,000자 이상의 긴 글이므로, 목차를 통해 점프하며 읽어주시기 바랍니다.

1. 결론: 생성형 AI는 「비교」하는 것이 아니라 「배치」하는 것

먼저 결론부터 말씀드립니다.

생성형 AI는 「ChatGPT vs Claude vs Gemini」 중 승자를 고르는 것이 아니라, 업무 페이즈에 『배치』하는 것입니다.

이유는 간단합니다. 3사 모두 「일상 실무 전반」을 담당할 수 있을 정도로 범용화되어 있으면서도, 「명확한 특기 영역」을 가지고 있기 때문입니다. 한 회사로 모든 것을 해결하려 하면, 부적합한 영역에서 무리하게 사용하는 시간이 늘어나 결국 전체적으로 느려지게 됩니다.

설계 관점에서 다시 말하면,

• ChatGPT = 개인의 일상 실무를 횡단하는 「종합 어시스턴트 (Assistant)」
• Claude = 깊게 생각하고 길게 움직이는 「사고의 에이스 (Ace)」
• Gemini = Google Workspace를 관통하는 「업무 기반 (Infrastructure)"

이 세 가지를 마이크로서비스 (Microservices)적으로 분담시키는 이미지입니다. 하나의 모놀리스 (Monolith)가 아니라, 책임(Responsibility)에 따라 나눈 서비스로 라우팅(Routing)하는 것이 운영과 품질 측면에서 확장(Scale)하기 쉬운 것과 같은 이치입니다.

「3사 모두를 계약·운용하는 것」에 거부감이 들 수도 있습니다. 저도 그랬습니다. 하지만 강점 영역이 확실하기 때문에, 구분해서 사용하는 것 자체는 생각보다 단순합니다.

다음 섹션부터 그 근거와 실례를 작성하겠습니다.

2. As-Is / To-Be 분석: 「최강 고르기」에서 「역할 배치」로

먼저, 「최강의 1사로 전부 하기」라는 흔한 안티 패턴 (Anti-pattern)과 「역할 배치」의 To-Be를 나란히 비교합니다.

포인트는, To-Be가 「사용하는 AI의 수가 많아서 비용이 높다」고 단정할 수 없다는 점입니다.

예를 들어 저의 경우, Claude Code의 월간 상한선을 3일 만에 다 써버릴 기세로 사용하던 시기가 있었습니다. 이를 다음과 같은 흐름으로 나누어 보았습니다.

• 요구사항 정리 → ChatGPT
• 설계 및 구현 → Claude
• Sheets 정리 → Gemini

결과적으로 Claude의 사용량은 줄어들었고, 전체 월간 비용은 오히려 억제되었습니다.

「최강 고르기」는 결과적으로 1사의 레이트 리밋 (Rate Limit)·구독 상한을 병목 (Bottleneck)으로 만들어 버리는 설계이기도 합니다.

3. 3사의 강점을 「역할」로 정리하기

벤치마크 순위가 아니라, **「업무 문맥에서의 담당 영역」**으로 3사를 다시 정리합니다.

Mermaid①: 3사의 역할 매핑

ChatGPT: 일상 실무의 종합 어시스턴트

ChatGPT의 강점은 개인의 업무 전체를 횡단하여 서포트할 수 있는 입도 (Granularity)의 높음입니다.

2026년 5월 시점에서 ChatGPT는 과거 채팅, 저장된 메모리, 연결된 Gmail 및 파일로부터 관련 문맥을 끌어내어 연속성 있는 답변을 제공할 수 있게 되었습니다. OpenAI 공식 「Memory FAQ」에 따르면, ChatGPT Plus / Pro에서는 과거 채팅 및 저장된 메모리로부터 관련 정보를 끌어내어 응답을 개인화(Personalize)하는 기능이 활성화되어 있습니다 (OpenAI Help Center: Memory FAQ).

개발 측면에서는 Codex memories라는 기능도 있어, 과거 스레드로부터 기술 스택이나 프로젝트의 관습을 추출하여 다음 세션 이후로 전달할 수 있습니다 (OpenAI Developers: Codex memories). Codex의 홈 디렉토리 하위에 메모리 파일이 저장되며, 스레드 단위로 참조 및 생성의 On/Off를 제어할 수 있는 구조입니다.

ChatGPT에 배치하고 싶은 업무

• 업무 조사 및 정보 수집 (출처가 포함된 요약까지)
• 블로그 / 자료 / 제안서의 구성안 작성
• 코드 초안(Draft) 작성
• 에러 조사 초동 상담
• 의사록 및 보고서 초안 작성
• 과거의 상호작용을 바탕으로 한 지속적인 제안
• Gmail 및 파일의 문맥을 활용한 업무 처리
• 1인 브레인스토밍(Brainstorming)을 위한 대화 상대

제가 생각하는 ChatGPT는 **「가장 먼저 상담하는 사람」**입니다. 첫 번째 수를 빠르게 내고 싶을 때, 혹은 망설여질 때 뇌 속의 생각을 덤프(Dump)하는 상대로 매일 사용하고 있습니다.

Claude: 깊게 생각하는 에이스

Claude의 강점은 길고 깊게 생각하는 능력과, 작업으로부터 학습하는 방향으로의 진화입니다.

Anthropic은 2026년 5월 6일, Claude Managed Agents를 위해 dreaming이라는 기능을 출시했습니다. 에이전트가 과거의 작업과 메모리를 되돌아보고, 실패 패턴이나 회피책, 도구 특유의 습관을 「플레이북(playbook)」으로 정리하여 다음 세션에 전달하는 메커니즘입니다 (Anthropic: New in Claude Managed Agents).

주목받은 것은 법률 AI 스타트업 Harvey에서의 도입 결과로, **특정 워크플로우 (Workflow)**에서 dreaming을 활성화했더니 태스크 완료율이 약 6배 높아졌다는 사례입니다 (Anthropic 공식 / VentureBeat 해설).

숫자의 화려함보다 제가 본질적이라고 느끼는 점은 「끝난 뒤에 되돌아보며 배우는」 방향으로의 진화라는 점입니다. 지금까지의 생성형 AI는 「질문 → 답변 → 종료」로 이어져, 다음에 같은 질문이 와도 다시 처음부터 생각해야 했습니다. dreaming은 인간 신입 사원이 「실패를 기억하여 같은 곳에서 넘어지지 않게 되는 것」과 유사한 움직임을 보입니다.

현장에 대입하면, 이러한 「현장별 세세한 습관」을 Claude 측에 축적해 나갈 수 있는 이미지입니다.

• 이 프로젝트에서는 이 라이브러리의 버전에 주의할 것
• 이 사내 환경에서는 이 명령어가 통하지 않으므로 다른 방법을 사용할 것
• 이 상사에게는 이 형식의 보고서가 더 잘 통할 것

Claude에 배치하고 싶은 업무

• 장기적으로 작동하는 개발 태스크 (요건 정리부터 구현까지 일관되게 수행)
• 복잡한 문서 작성 (사양서 / 설계서 / 기획서)
• 코드 설계 및 리팩터링 (Refactoring) 상담
• 업무 프로세스의 개선 및 재설계
• 실패와 성공의 지식(Knowledge)을 축적하여 재사용하는 운용

Claude는 **「깊게 생각해주길 바랄 때 부탁하는 에이스」**입니다. 코드를 작성할 뿐만 아니라, 「왜 이 설계인가」, 「어디에 리스크가 남아 있는가」를 함께 검토해 주는 상대로 배치하고 있습니다.

Gemini: Google Workspace의 업무 기반

Gemini의 강점은 Google 에코시스템과의 일체감입니다.

Google Cloud는 2026년 4월 22일, Gemini Enterprise Agent Platform을 일반 제공하기 시작했습니다 (Google Cloud Blog: Introducing Gemini Enterprise Agent Platform). 그 핵심 기능 중 하나가 Memory Bank로, 여러 세션을 가로질러 대화 문맥을 유지하고 검색할 수 있는 메커니즘입니다 (Google Cloud Docs: Agent Platform Memory Bank).

특히 효과적인 것은 Google Workspace가 메인 기반인 회사로, Drive / Sheets / Gmail / Docs / Slides에 축적된 데이터를 그대로 "컨텍스트 (Context)"로 다룰 수 있다는 점입니다.

Gemini에 배치하고 싶은 업무

• Drive 하위 자료를 횡단한 정리·요약
• Gmail의 과거 문맥을 바탕으로 한 업무 처리
• Sheets의 데이터 분석·자동화
• Docs / Slides와 연계한 자료 생성
• 사내 데이터를 사용한 업무 에이전트 (Agent) 구축
• Google Workspace 중심 회사의 업무 효율화

제 감각으로는 ChatGPT와 Claude가 "사람 대신 생각하는" 방향이라면, Gemini는 **"업무 시스템 안에서 움직이는 기반형 생성 AI (Generative AI)"**입니다. 스프레드시트(Spreadsheet)로 생산 관리 데이터를 다루는 것과 같은 현장에서는 궁합의 좋음이 두드러집니다.

4. 업무 페이즈별 시퀀스: 어디서 누구에게 맡길 것인가

여기서부터는 실제 업무 흐름에 따라 "어느 타이밍에 누구에게 무엇을 맡길 것인가"를 가시화합니다.

Mermaid②: 요구사항 → 설계 → 구현 → 운용의 시퀀스

이 흐름의 포인트는 "사고의 깊이"가 필요한 페이즈와 "데이터의 넓이"가 필요한 페이즈를 서로 다른 AI로 나누고 있다는 점입니다.

• ChatGPT는 "무엇을 만들어야 하는가" 단계에서 넓고 얕게 움직임
• Claude는 "어떻게 만드는가", "어디에 리스크가 있는가"를 깊게 파고듦
• Gemini는 "실제 데이터 (Real Data)"와 "업무 시스템" 사이의 가교 역할을 담당

그리고 최종 판단과 본방 반영은 인간이 맡습니다. 이 부분은 타협할 수 없는 선이라고 생각합니다.

5. Fit & Gap 분석: 업무 페이즈 × 3사의 적합도

각 업무 페이즈에 대한 3사의 적합도를 Fit / Partial / Gap의 3단계로 평가합니다.

평가 읽는 법

• Fit: 해당 업무에 대해 현재 기능으로 거의 부족함 없이 대응 가능
• Partial: 가능하지만, 다른 AI나 인간의 보조가 전제됨
• Gap: 현재 기능으로는 부적합하거나 비효율적

종합 판단

배치의 최적해는 "업무 페이즈 단위로 AI를 스위칭하는 것"입니다.

이유:

• 필수 요구사항(사고의 깊이 / 데이터의 넓이 / 업무 기반 연계)을 한 회사에서 모두 충족하기는 어렵습니다.
• 한 회사 최강형 모델은 구독 상한·레이트 제한 (Rate Limit)이 병목 현상이 되기 쉽습니다.
• 3사 배치는 "가상 팀"으로서 운용할 수 있으며, 개인 의존도(속인화)를 억제하는 효과도 있습니다.

주의점:

• 「최종 의사결정·릴리스 판단(Final Decision Making/Release Judgment)」은 **모든 기업에서 Gap(차이)**이 있다고 평가하고 있습니다. 이 부분을 「Claude에 적합(Fit)」하다고 쓰고 싶은 마음은 이해하지만, 릴리스 책임을 질 수 있는 것은 인간뿐이라는 전제는 무너뜨리지 말 것 - 업무에 따라서는 Gemini와 Workspace의 조합이 압도적으로 효과적이므로, 업종·기반에 따라 비중이 달라짐
• 벤더(Vendor) 측의 기능 업데이트로 인해 Fit/Gap은 반년 단위로 변하므로, 분기에 한 번은 재검토한다는 전제로 운용

6. 실전: 제조업 DX 1인 담당자의 현장 배치 사례

"그래서 결국 어떻게 구분해서 쓰고 있는 거야?"라는 질문에 대해, 현장 베이스로 작성하겠습니다.

제 직장은 지방 중소 제조업(알루미늄 다이캐스팅)입니다. IT 환경을 제로 베이스에서 정비하여, 생산 관리 시스템의 자체 개발(백엔드: Python + FastAPI, 프런트엔드: Next.js + TypeScript), IoT 센서 도입, 대시보드 정비, NAS 서버 구축, 외주 벤더 관리까지 혼자서 담당하고 있습니다.

사람을 늘릴 수는 없지만, 해야 할 일은 계속 늘어납니다. 그런 '1인 DX 담당자'가 생성형 AI를 어떻게 배치하고 있는지 소개합니다.

Mermaid ③: 가상 팀 편성도

페이즈(Phase)별 실례

【요건 정리·정보 수집】→ ChatGPT

새로운 사내 시스템을 만들 때, 먼저 ChatGPT와 「이 업무 과제를 어떻게 정리해야 상사에게 통과되기 쉬울까」를 두고 벽치기(Wall-hitting, 아이디어 브레인스토밍)를 합니다.

예를 들어 「주조 라인의 불량률 트래킹을 자동화하고 싶다」라는 막연한 의뢰를, 누가·언제·어떤 입력을 하고·어떤 출력이 필요한지라는 수준까지 분해시킵니다. 나온 구성안을 스스로 리뷰하여, 구현 가능한 입도(Granularity)로 다듬습니다.

첫 번째 수의 속도는 ChatGPT에게 던지는 것이 가장 호흡이 잘 맞습니다.

【설계·구현】→ Claude

「이 업무 로직에 이런 예외 케이스가 있는데, 어떻게 설계할까?」와 같은 복잡한 질문은 Claude에게 합니다.

요건 정리 결과를 Claude에게 전달하여, 설계 판단부터 구현까지 일관되게(End-to-end) 진행합니다. 출력되는 코드는 그대로 사용하는 것이 아니라, 스스로 책임을 진다는 전제하에 리뷰합니다.

보고서 계열의 「문서 설계」도 Claude에게 깊이 생각하게 하면 구성의 질이 한 단계 올라갑니다. 「상사의 의사결정에 필요한 정보를 A4 한 장에 담는다」와 같은 제약 조건이 있는 태스크에 강합니다.

【데이터 활용·Google 연동】→ Gemini

생산 관리 데이터의 일부는 Google 스프레드시트로 관리하고 있으므로, Gemini와 궁합이 좋은 영역입니다.

여러 시트를 횡단하는 집계, 피벗(Pivot) 재구성, 정기 보고 템플릿 정형화는 Gemini에게 맡기면 수고가 크게 줄어듭니다. Memory Bank가 적용된 이후에는 특정 시트 구조나 보고 포맷을 기억해 주므로, 「매주 같은 작업」을 넘기는 것이 더욱 편해졌습니다.

【최종 판단·릴리스 책임】→ 자신

어떤 AI가 작성한 코드든, 운영 환경(Production)에 내보내는 책임은 내가 집니다. 이것만큼은 절대로 타협할 수 없는 선입니다.

사내 업무 시스템이 다운되었을 때, AI에게 머리를 숙이게 할 수는 없습니다. 마지막 리뷰와 의사결정은 인간이 해야 할 업무로 남겨둡니다.

배치에 따른 변화

이 배치를 적용한 후 가장 변한 것은 **「작업에 쫓기는 시간이 줄어들고, 생각하는 시간이 늘어났다」**는 점입니다.

• 요건 정의 담당 → ChatGPT
• 설계·구현 담당 → Claude
• 데이터 활용 담당 → Gemini
• 의사결정·책임 → 자신

혼자서도 「작은 개발 팀을 보유하고 있다」는 감각으로 움직일 수 있게 되었습니다.

벤치마크 순위를 쫓던 시절과 비교하면 3사 계약의 합계 비용은 늘어났습니다. 하지만 그것을 상회하는 스루풋(Throughput)의 성장이 있었고, 무엇보다 「부적합한 영역에 무리하게 시키지 않는」 만큼 출력 품질의 편차가 줄어든 것이 큽니다.

7. TODO: 내일부터 세팅하는 「역할 배치」 체크리스트

여기까지 읽고 「일단 한번 해볼까」라고 생각한 분들을 위해, 최단 단계로 세팅하기 위한 TODO를 남겨둡니다.

Day 1: 업무 페이즈(Phase) 정리

• 자신의 업무를 「요건 정리 / 설계 / 구현 / 데이터 활용 / 의사결정」의 5개 페이즈로 나누어 종이에 적기
• 각 페이즈에서 「현재 어느 정도 시간을 쓰고 있는가」를 대략적으로 추산하기 (％로 OK)
• 병목 현상(Bottleneck)이 되고 있는 페이즈를 하나 특정하기

Day 2: 배치 설계

• 5개 페이즈(Phase)에 대해 ChatGPT / Claude / Gemini / 자신 중 무엇을 할당할지 설계한다
• 본 기사의 Fit & Gap 표를 베이스로 하여, 자신의 업무에 맞춰 커스터마이징한다
• 「최종 의사결정은 자신이 가진다」를 명문화한다

Day 3: 환경 설정 (Environment Setup)

• ChatGPT의 저장 메모리(Memory)에 「자신의 역할·업무 문맥」을 1세트 등록한다
• Claude에 「설계·코드 리뷰용 고유 프롬프트」를 준비하여 템플릿화한다 (Claude Projects / Claude Code의 CLAUDE.md 등으로 영속화)
• Gemini와 Google Workspace (Drive / Sheets / Gmail)를 연동시킨다
• 필요하다면 Gemini Enterprise Agent Platform의 Memory Bank를 통해 장기 기억을 정비한다 (Set up Agent Platform Memory Bank)

Week 1: 시운전

• 1주일 동안, 정리한 페이즈에 따라 3사를 실제로 사용해 본다
• 페이즈별로 「예상대로였는가 / 어긋났는가」를 간단히 메모한다
• 예상과 어긋난 페이즈에 대해, 배치를 재검토할 후보를 생각한다

Month 1: 튜닝 (Tuning)

• 1개월분의 이용 로그를 되돌아보며, 정말로 Fit(적합)했던 페이즈를 재평가한다
• 구독 요금과 처리량(Throughput)의 균형을 보고, 필요하다면 플랜을 최적화한다
• 「인간이 놓아서는 안 되는 판단」의 라인을 재정의한다

이 체크리스트 중에서 가장 중요한 것은 첫 번째 페이즈 정리입니다. 여기를 소홀히 하면, 배치 설계가 「어쩌다 보니」 식이 되어버립니다.

8. AI 지휘자가 되기 위한 4가지 능력

3사를 구분해서 사용하게 되면, 인간 측의 역할도 조금씩 변하게 됩니다.

지금까지: 스스로 조사하고, 스스로 코드를 쓰고, 스스로 보고서를 작성한다

앞으로: 생성형 AI에게 분담시키고, 자신은 판단·의사결정·책임 부분을 쥐고 간다

이때 필요해지는 능력을 엔지니어 관점에서 4가지로 정리해 보았습니다.

① 목표 설정 능력 (=요구사항 정의 능력)

생성형 AI는 「작업」은 할 수 있어도, 「무엇을 목표로 해야 하는가」는 결정할 수 없습니다.

「이 기능을 만들어줘」라고 던지는 것이 아니라, 「이 업무 과제를 해결하기 위해 무엇을 만들어야 하는가」를 스스로 언어화하는 능력이 이전보다 훨씬 중요해집니다. 이것이 바로 요구사항 정의 그 자체입니다.

② 태스크 분해·배치 능력 (=아키텍처 설계 능력)

ChatGPT에 맡길 일, Claude에 맡길 일, Gemini에 맡길 일, 그리고 자신이 직접 쥐고 갈 일을 나눈다.

이는 마이크로서비스(Microservices)의 책임 분담, 혹은 팀 편성(Team Composition)과 같은 사고방식입니다. 코드를 쓰는 시간보다 여기에 사용하는 시간이 장기적으로는 ROI(투자 대비 효율)가 더 높습니다.

③ 출력 검증 능력 (=코드 리뷰 + 팩트 체크 능력)

생성형 AI는 우수하지만, 아무렇지도 않게 존재하지 않는 사양·API·함수를 내놓기도 합니다. 저도 「Claude가 낸 코드가 그대로 통과될 것」이라는 전제로 리뷰를 가볍게 했다가, 운영 직전에 파탄 난 적이 있습니다 (그때 정말 뼈아팠습니다).

「이것이 정말 옳은가」를 판별하는 능력 ── 즉 정적 분석·테스트·도메인 지식 기반의 리뷰 ── 는 AI 시대에 오히려 가치가 올라가는 영역입니다.

④ 판단·책임 능력 (=릴리스 판단 능력)

코드를 작성하더라도, 운영 릴리스(Release)에 대한 책임은 생성형 AI가 질 수 없습니다. 보고서를 사내에 제출하는 책임, 고객에게 제안하는 책임 ── 이것들은 최종적으로 인간이 가질 수밖에 없습니다.

「AI에게 일자리를 빼앗길 것인가」보다, 「AI 팀을 지휘하는 쪽으로 돌아설 수 있는가」가 앞으로의 분기점이 될 것이라고 느낍니다.

9. 요약

다시 한번 3사의 역할을 정리합니다.

• ChatGPT — 일상 실무의 종합 어시스턴트 (조사·구성·초안 작성·브레인스토밍)
• Claude — 깊게 생각하는 에이스 (복잡한 설계·장문·개발 태스크·지식 축적)
• Gemini — Google 업무 기반 담당 (Drive / Sheets / Gmail / Docs / Slides)

3사의 진화가 향하는 곳에는 공통점이 있습니다.

생성형 AI는 「질문에 답하는 도구」에서 「업무를 진행하는 에이전트(Agent)」로 진화하고 있습니다.

ChatGPT의 저장 메모리(Saved Memory) / Codex memories, Claude의 dreaming, Gemini의 Memory Bank. 형태는 다르지만, 3사 모두 「사용하면 사용할수록 현장의 문맥에 익숙해지는」 방향으로 움직이고 있습니다.

그렇기에 중요한 것은 **「어느 것이 최강인가」가 아니라 「어디에 배치할 것인가」**입니다.

대기업보다 오히려 중소기업이나 1인 DX 담당자가 이 변화의 혜택을 더 크게 누릴 것이라고 생각합니다. 왜냐하면 인력을 늘릴 수 없는 현장일수록, 3사 배치를 통한 「가상 팀화 (Virtual Teamization)」의 레버리지 (Leverage)가 효과적이기 때문입니다.

인력을 늘릴 수 없더라도,

요건 정의 담당설계 담당구현 담당문서화 담당조사 담당

이러한 역할들을 생성형 AI (Generative AI)에게 분담시킬 수 있는 시대에 이미 진입했습니다.

내일부터 우선, 자신의 업무 페이즈 (Phase)를 정리하고, 각 페이즈에 3사 중 어느 것을 배치할지를 종이에 적어보세요.

여기서부터 시작하는 것이 가장 효율적인 입구라고 생각합니다.

10. 참고 자료

Anthropic Claude

• New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration — 공식 블로그 (2026년 5월 6일)
• Dreams — Claude API Docs — API 문서
• Anthropic introduces "dreaming" (VentureBeat 해설)

OpenAI ChatGPT / Codex

• OpenAI Help Center: Memory FAQ — 메모리 기능 공식 FAQ
• OpenAI Developers: Codex memories — Codex 메모리 기능 사양
• OpenAI Developers: Chronicle — Chronicle 기능

Google Cloud Gemini

• Introducing Gemini Enterprise Agent Platform — Google Cloud Blog — 공식 발표 (2026년 4월 22일 GA)
• Agent Platform Memory Bank — Google Cloud Documentation — Memory Bank 공식 사양
• Set up Agent Platform Memory Bank — 설정 절차