지난 24시간 동안 주목받은 7가지 사건을 전해드립니다. Google은 코드와 얼굴 모두에서 움직임을 보였고, OpenAI는 보안 스캐너를 GitHub에 공개했으며, Fireworks AI는 이미 공개된 침해 보고서가 발표 이후 확대되는 상황에 직면했습니다.
Google은 태평양 시간으로 11월 12일, Koray Kavukcuoglu 부사장 겸 최고 AI 아키텍트 명의 공식 블로그를 통해 Gemini 4 Hydrogen를 발표했습니다. API 모델 ID는 gemini-4-hydrogen이며, 대량 처리를 위한 기본 주력 모델로 Gemini 3.8 Flash를 대체합니다. 이 모델은 벤치마크 1위를 목표로 하기보다는 코딩 에이전트의 일상 워크로드 구동을 위한 고속/저비용 Gemini 4 모델입니다.
가장 큰 화제는 가격입니다. Hydrogen의 입력 비용은 100만 토큰당 1.50달러로, 대부분의 Gemini 4 계열 가격보다 낮습니다. 이는 한 작업당 수백 개의 작은 요청을 보내는 에이전트 루프에서도 성립 가능한 수준입니다. 게다가 기존 추론 레벨보다 높은 'xhigh' 사고 티어(thinking tier)를 새로 만들었습니다. 저렴한 기본 모델과, 실제로 필요한 희귀한 요청에만 계산량을 늘릴 수 있는 구성입니다. 낮은 기본 가격과 확장성이 좋은 기어의 조합은 에이전트를 하루 종일 구동하며 연료표를 보듯 토큰 청구를 확인하는 개발자들을 위해 설계되었습니다.
같은 발표는 Google Antigravity, 이 회사의 에이전트 코딩 플랫폼에도 반영되었습니다. Antigravity는 Hydrogen를 선택 가능한 모델로 추가하고, Orchestrator라는 동적 멀티 모델 조정 모드를 도입했습니다. Orchestrator는 실행 도중에 모델 간 라우팅(routing)을 할 수 있어 시작 시점에 하나의 모델에 고정되지 않습니다. 저렴한 파일 편집과 가끔 발생하는 어려운 추론 단계가 혼재하는 코딩 에이전트에게 중요한 기능이며, 다른 회사 스택으로 하이브리드 파이프라인을 구성했던 팀들에게는 익숙한 형태일 것입니다.
Google은 11월 12일, XR 담당 Shahram Izadi 부사장 겸 총괄 매니저 명의 발표를 통해 최초의 지능형 안경(Intelligent Eyewear) 예약 판매를 시작했습니다. Warby Parker와 Gentle Monster가 디자인을 맡고 Samsung이 하드웨어 설계를 담당했으며, 12월 10일에 미국과 한국에서 판매를 시작합니다. Warby Parker는 3가지 스타일을 395달러부터, Gentle Monster는 6가지 디자인을 449달러부터로 제공하며, 처리 렌즈 추가 비용은 별도입니다.
하드웨어 사양은 두 브랜드 공통의 단일 스펙 시트입니다. 약 41그램, 배터리 충전 약 9시간, 1200만 화소 초광각 카메라에 HDR 및 손떨림 보정 기능이 탑재되었으며, 개방형 스피커와 최대 7회 충전이 가능한 케이스를 갖추고 있습니다. 렌즈 내부에 디스플레이는 없습니다. 'Hey Gemini' 호출 또는 프레임 탭으로 응답하며, Google은 이것이 같은 웨이크워드를 축으로 설계된 최초의 기기라고 설명합니다. 이는 글래스를 어시스턴트의 자연스러운 형태로 진지하게 다루려는 의지의 표현입니다. 자동 언어 감지 기능이 있는 실시간 음성 번역은 70개 이상의 언어를 지원하며, 시각 장애 및 저시력 사용자를 위해 주변 환경을 음성으로 설명하는 Guided Vision 모드도 준비되었습니다.
프라이버시 설계에는 카메라에 필적할 만큼의 노력이 들어갔습니다. 사진이나 동영상을 찍으면 라이트가 켜지고, 이 라이트를 가리면 녹화가 중지됩니다. Gemini에게 이미지가 전달되기 전에 행인의 얼굴은 흐릿하게 처리되며, 어시스턴트에게 전송된 카메라 영상은 Gemini 기록에 저장되지 않으며, 모델 학습이나 광고 배포에는 사용하지 않을 것이라고 Google은 명확히 밝혔습니다. 물리적인 오프 스위치로 일반 안경으로 돌아갈 수 있습니다. Meta의 Ray-Ban 라인이 '보통 생긴 카메라 글래스를 사람이 착용할 수 있음'을 증명한 만큼, 이번 출시는 Google의 정면 돌파이며, 360개 이상의 Warby Parker 매장에서 실기 데모를 받을 수 있습니다.
— Google · WIRED
🔗 Google 블로그 · WIRED
OpenAI는 11월 12일, 취약점 스캔 메커니즘을 오픈 소스 커맨드라인 인터페이스(CLI)와 TypeScript SDK로 GitHub에 공개했습니다. 이 스캐너는 코드베이스의 보안 문제를 조사하고, 발견된 결과를 검증하며, 수정 패치 후보를 생성합니다. 리포지토리 전체 스캔, 보안 정책 초안 작성, CI 파이프라인 통합까지 지원하며, 공개 후 하루 만에 GitHub 트렌드에 올랐습니다.
버전 0.10.0이 발표와 동시에 출시되었으며, 그 내용은 데모가 아닌 실제 사용을 염두에 두고 설계된 세 가지 수정 사항이었다. 중단된 스캔을 처음부터 다시 할 필요 없이 재개할 수 있는 기능, 장시간 스캔 지출에 비용 예산으로 상한선을 설정할 수 있는 기능, 패치 실패 시 진단이 명확해져 모델이 코드를 오독했는지 아니면 패치가 단순히 적용되지 않았는지를 구별할 수 있게 된 것이다. 대규모 리포지토리(repository)에서 에이전트(agent)를 실행해 본 경험이 있다면, 일시 중지나 예산 관리가 불가능한 스캔은 실제 환경에서 신뢰하기 어렵다는 것을 알 것이다.
— OpenAI
이 릴리스는 OpenAI의 보안 강화 흐름과 일치한다. 동사는 최근 몇 주 동안 프론티어 보안 모델(frontier security model)과 가드레일(guardrail)을 결합해 왔다. 레드팀 액세스 프로그램(Red Team Access Program)부터 외부 취약점 연구와의 협력까지가 그 예이다. Codex Security는 그 기능의 일부를 개발자 자신의 파이프라인에서 작동하는 오픈 도구로 옮겼다. API 호출과는 다른 신뢰 모델로, 스캔 로직을 검증하고 자체 CI(Continuous Integration)에 통합하며, 분석 단계만 OpenAI 모델을 사용하고 코드는 내부적으로 보관할 수 있다.
— OpenAI
Fireworks AI는 11월 9일, 지난 10월 침입에 대해 범위를 대폭 확장한 업데이트된 보안 보고서를 발표했으며, 그 여파는 11월 12일까지 이어졌다. 2단계 공격은 10월 23일에 연구용 머신을 호스팅하던 제3자 클라우드 사업자의 침해를 시작으로, 청구 주소나 청구 기록, 잔액 등의 청구 정보와 더불어 일부 고객에 대해서는 시크릿(secret), 데이터셋(dataset), 미완성 모델 가중치(model weight)의 일부가 노출된 것으로 알려졌다. 최초의 10월 9일 버전 보고서에서는 고객 모델이나 데이터셋, 개인 정보에는 영향이 없다고 했었다.
2단계 공격 경로는 AI 플랫폼의 모든 팀이 연구해야 할 부분이다. 침입자는 실제 추론 서비스(inference service)를 뚫은 것이 아니다. 추론, Training SDK, Nexus는 기본적으로 제로 데이터 리텐션(zero data retention) 상태를 유지하며 변하지 않는다. 1차 피해가 봉쇄되었다고 여겨진 몇 주 후에, 타인이 호스팅하는 개발 머신에 도달하여 승인되지 않은 워크로드(workload)를 실행했다. Fireworks는 이 공격을 대규모 언어 모델(LLM) 접근 권한을 훔쳐 부적절한 라우팅 게이트웨이로 재판매하는 LLMJacking을 벌이는 금전 목적의 그룹 소행으로 특정하고, Palo Alto Networks Unit 42에 포렌식(forensics)을 요청했으며, 조사 기간 동안 데이터셋의 셀프 업로드 기능을 비활성화했다.
11월 12일까지는 상업적인 영향도 가시화되었다. Forbes는 두 개 기업의 고객이 사실상 Fireworks로부터 업무를 이전했다고 보도했으며, 그중 한 곳은 일련의 침해 사태를 비판했다. Bloomberg는 법률 AI인 Harvey가 영향을 평가 중인 고객에 포함된다고 전했다. Fireworks는 Uber, Shopify, Cursor 등을 포함하여 약 1만 개의 엔터프라이즈(enterprise) 고객을 보유하고 있으며, 위험 대상이 고객 자체의 파인튜닝된 가중치일 때, AI 인프라 벤더에게 얼마나 많은 신뢰를 맡길 수 있는지에 대한 실전 테스트가 되었다. 추론 벤더를 이용하는 모든 팀에게 변하지 않는 실질적인 교훈은 있다. 제3자 인증 정보(third-party credentials)를 로테이션하고, 저장된 시크릿을 삭제할 때 원래의 키는 무효화시키지 않으며, 벤더가 제공하는 첫 주간의 안심 정보는 조사 결과가 아닌 상태 업데이트로 취급해야 한다는 것이다.
— OpenAI / Fireworks AI · Bloomberg · Forbes
Microsoft는 11월 12일 VS Code 1.146을 출시했으며, 코딩 에이전트를 구동하는 사람들에게 주목할 만한 변경 사항은 기한이 정해진 비권장화(deprecation)이다. 에디터 내에서 에이전트 세션을 구동하는 Local 하네스에 3개월의 삭제 유예 기간이 주어졌고, Copilot 하네스는 남은 투자를 지속한다. Microsoft는 두 개의 하네스를 유지하기보다 하나의 하네스로 런타임(runtime) 논의를 통합하는 방식을 선택했으며, 확장 개발자들에게 분기별 전환 기간을 부여했다.
같은 릴리스에서는 여러 에이전트 세션을 일괄 관리하는 도구도 추가되었다. 이는 실제 사용처가 어디로 향하고 있었는지에 대한 인정이기도 하다. 개발자들은 여러 워크트리(worktree)나 리포지토리(repository)에 걸쳐 병렬적으로 에이전트를 구동하는 것이 일상이 되었고, 병목 현상은 모델 자체가 아니라 에디터의 인터페이스였다. 동시에 작동하는 에이전트를 터미널 탭의 산더미가 아닌 일급의 대상으로 다루는 세션 관리는, 단독 도구들이 별도로 판매해 오던 조정 문제에 대한 에디터 측의 해답이다.
개별 출시 노트보다 방향성이 더 중요합니다. 에디터 벤더들은 하네스(Harness)가 모델과 워크스페이스 사이를 중재하며 권한(permission), 컨텍스트(context), 세션 상태(session state)를 다루는 구조로 수렴하고 있으며, 하네스 자체가 전략적 레이어(strategic layer)가 되고 있습니다. Microsoft가 하나를 선택하고 다른 하나를 비권장하는 것은 개발자(developer)와 엔터프라이즈가 단일 지원 경로를 따르리라는 베팅이며, 향후 3개월이 생태계의 답을 보여줄 것입니다.
— Microsoft
Zendesk는 11월 12일, AI 과금 방식 자체를 변화시키는 Outcome AI Platform을 발표했습니다. 시트 단위 라이선스(per-seat license)가 아닌, AI가 실제로 해결한 문제에 대한 지불로 전환하며, 검증된 솔루션(verified solution)에 연결되는 Outcome Budget으로 지출을 관리합니다. 이 플랫폼에는 자동화 후보 워크플로우를 특정하는 AI Agent Launchpad와 제3자 AI 어시스턴트를 해결 흐름에 연결하는 Zendesk Bridge가 포함됩니다.
주목할 만한 점은 경제성, 즉 리스크를 구매자(buyer)에서 판매자(seller)에게로 이전한다는 것입니다. 시트 단위 가격에서는 AI의 해결률이 60%든 10%든 지불액은 동일하며, 모든 도입을 신뢰에 기반한 도약으로 만듭니다. 성과 연동형(outcome-based) 모델에서는 벤더의 수입이 AI의 실제 가동 함수가 되어, 정확도 주장보다 강력한 약속이 됩니다. OpenAI와 Sierra가 유사한 성과 연동 모델을 채택하기 시작했으며, 오랜 역사를 가진 고객 지원 기업이 합류하면서 가격 실험 자체가 하나의 카테고리로 고착화되고 있다고 해석할 수 있습니다.
마케팅 아래에 측정의 문제가 놓여 있습니다. '검증된 솔루션'은 검증을 만드는 측에서 정의합니다. Zendesk가 제시하는 기준이 정직하다고 기업 구매자들에게 신뢰를 얻어야 하며, 특히 부분적인 답변도 해결로 계산될 수 있는 티켓에서는 더욱 그렇습니다. 벤더들이 이 정의 논쟁을 어떻게 다루느냐가 성과 연동 가격이 에이전트 소프트웨어의 표준이 될지, 아니면 조용히 사라지는 니치한 플랜(niche plan)이 될지를 결정할 것입니다.
— Zendesk
n8n Labs는 11월 12일, Apache 2.0 라이선스로 Nod를 오픈 소스화했습니다. Mac, Windows, 프라이빗 서버에서 로컬로 작동하는 개인 자동화 에이전트입니다. Nod는 샌드박스화된 브라우저와 데스크톱 제어 환경(desktop control environment) 내에서 작동하며, 회의 준비, 청구서 정리, 구독 취소 등과 같은 예시를 들어 앱이나 사이트를 넘나드는 번거로운 작업을 자율적으로 처리합니다. 구동 모델은 사용자가 선택할 수 있으며, 에이전트 스택은 특정 프로바이더로부터 분리되어 있습니다.
로컬 퍼스트(local-first) 설계가 핵심입니다. 클라우드 자동화 에이전트의 경우, 이메일, 캘린더, 각종 계정의 인증 정보를 호스팅형 서비스에 맡겨야 하며, 많은 유용한 개인 자동화는 바로 그 단계에서 막힙니다. 오픈 라이선스의 샌드박스 기반 로컬 에이전트는 프라이버시에 민감한 사용자도 자신의 하드웨어에서 동일한 워크플로우를 실행할 수 있게 하고, 자동화가 실제로 무엇을 하는지 검증하며, 에이전트를 바꾸지 않고 모델을 교체할 수 있습니다. 샌드박스 경계는 잘못된 지시가 접근할 범위를 제한하여 데스크톱 제어 기능을 가진 에이전트에게 중요합니다.
이번 발표는 자동화 도구군이 워크플로우 다이어그램에서 의도를 해석하고 앱 간에 실행하는 에이전트로 이동한다는 거대한 흐름의 연장선입니다. n8n은 노드 기반(node-based) 워크플로우 오케스트레이션으로 명성을 얻었던 회사이며, Nod는 그 기반 위에 API 연결뿐만 아니라 소프트웨어 자체를 조작하는 실행 레이어(execution layer)를 덧붙인 것입니다. 업무 워크플로우에서 이미 n8n을 구동하고 있는 팀에게 동일한 생태계의 로컬 에이전트는 별도의 제품을 채택하는 것보다 짧은 경로이며, Apache 2.0은 다른 사람들이 위에 구축하기 쉽습니다.
— n8n
