오늘도 인터넷의 바다에서 건져 올린, 개인적으로 관심이 갔던 기술 뉴스나 기사를 엄선하여 전달해 드립니다. 의견이나 보충할 점이 있다면 댓글로 알려주시면 감사하겠습니다.

Go 1.27에서 새롭게 도입되는 「제네릭 메서드 (Generic Method)」에 관한 기사입니다. Go 1.26까지는 타입 파라미터 (Type Parameter)를 선언할 수 있는 것이 탑 레벨 (Top-level) 함수와 타입뿐이었으며, 메서드 자체가 새로운 타입 파라미터를 가질 수는 없었습니다. Go 1.27에서는 이 제한이 해제되어, 구체 타입 (Concrete Type)의 메서드에 타입 파라미터를 선언할 수 있게 됩니다. 단, 인터페이스 (Interface)의 메서드로서의 타입 파라미터 선언이나, 제네릭 메서드를 통한 인터페이스 구현은 계속해서 불가능합니다.

이 기능은 2021년부터 강력한 수요가 있었으나, 인터페이스에 제네릭 메서드를 허용하면 컴파일 시점에 무한한 조합의 타입을 사전에 생성해야 하므로 구현이 어려웠습니다. 그 때문에 도입이 보류되어 왔습니다.

2026년 1월, 설계자 중 한 명이 "구체 메서드는 인터페이스와 무관하게 그 자체로 유용하다"라는 생각에서, 인터페이스 대응을 포기하고 구체 메서드만을 구현하는 안을 재제안하여 받아들여졌습니다.

가장 큰 장점은 타입을 바꾸면서 Map나 Filter 등의 처리를 왼쪽에서 오른쪽으로 솔직하게 작성할 수 있는 메서드 체이닝 (Method Chaining)이 가능해진다는 점으로, Java의 Stream API와 유사한 작성감을 얻을 수 있습니다. 앞으로 다양한 라이브러리에서 편리한 메서드가 제공될 것으로 기대됩니다.

Go 1.27의 표준 UUIDv7은 고빈도로 병행 생성할 경우 임베디드 시각이 실제 시각보다 앞서 나가는 것을 검증한 기사입니다.

4개의 고루틴 (Goroutine)으로 10초간 계속 생성하면 약 8초 앞까지 진행되며, 생성 정지 후에도 실제 시각이 따라잡을 때까지 비슷한 정도의 시간이 걸렸습니다. 이는 RFC 9562가 허용하는 사양대로의 동작이며, 보고된 이슈 (Issue)도 그 이유로 클로즈 (Close)되었습니다.

다만, 이 시각을 레코드의 생성 시각으로 사용하여 시간 범위 추출 등에 사용하는 구현에서는 최근 데이터가 누락될 우려가 있으므로 주의가 필요하다고 결론짓고 있습니다.

감상:

이걸 몰랐다면 완전히 빠질 뻔한 포인트네.

이 기사는 Go 언어에서 표준 testing 패키지를 사용한 테스트 작성법을 해설하고 있습니다. 테스트 파일의 명명 규칙이나 t.Error/t.Fatal의 구분 사용, 실무에서 정석인 테이블 주도 테스트 (Table-driven Test), 에러 검증 및 헬퍼 함수 활용법, go test -cover를 통한 커버리지 (Coverage) 측정까지 소개하며, 품질을 유지하는 코드 자산으로서 테스트의 중요성을 전달하고 있습니다.

Go 언어는 문법 이해뿐만 아니라, 작은 코드를 직접 작성하고 돌려보는 실천이 중요합니다. 에러 처리의 타입 설계, goroutine의 작은 조립, 테이블 주도 테스트, 호출 측에서의 인터페이스 정의, 제로 값 (Zero Value) 활용 및 얼리 리턴 (Early Return) 등, 실천적인 습관을 쌓아감으로써 스킬이 정착된다고 소개되어 있습니다.

JetBrains는 VS Code용 ReSharper 확장 기능 버전 2026.2에서 Rider의 .NET 데버거 (Debugger)를 정식 탑재했습니다. 다만 디버깅은 수동적인 작업에 불과하며, 생산성을 높이려면 앞서 나가는 것이 중요하다고 말합니다. ReSharper는 2,500개 이상의 인스펙션 (Inspection)을 통한 정적 분석으로, async void나 딕셔너리의 이중 참조와 같은 잠재적인 결함을 입력 중에 검출합니다. 이에 더해, 의미를 이해한 안전한 이름 변경이나 고속 검색·네비게이션 기능도 갖추고 있어 디버깅, 리팩터링 (Refactoring), 단위 테스트를 통합한 개발 환경을 제공합니다.

VS Code 개발 팀은 Microsoft의 경량 코딩 모델 「MAI-Code-1-Flash」의 실운용 데이터를 공개했습니다. VS Code Copilot Chat에서의 이용 데이터를 분석한 결과, Claude Haiku 4.5나 GPT-5.4 Mini보다 높은 품질을 나타냈으며, GPT-5.6 Luna나 Kimi K2.7 Code에 필적하는 품질을 훨씬 적은 토큰 (Token) 수로 달성하고 있음을 알 수 있었습니다.

나아가 모델을 자동 선택하는 Auto 기능에 의한 A/B 검증에서도 유사한 경향이 확인되어, 이용자의 재사용률은 높아지는 한편 토큰 소비는 감소했습니다.

해당 모델은 코드 탐색이나 소규모 수정, 테스트 생성과 같은 반복적인 경작업에 적합하도록 설계되었으며, 필요에 따라 응답의 깊이를 조정하는 메커니즘을 가지고 있습니다. 제3자 모델로부터의 증류 (Distillation)를 사용하지 않고 독자적인 데이터로 학습되었다는 점도 특징입니다. 현재 GitHub Copilot에서 시용 가능하며, 향후에는 더욱 고도화된 대규모 모델의 투입도 예정되어 있습니다.

2026년 7월 Visual Studio의 업데이트에서는 GitHub Copilot에 여러 가지 새로운 기능이 추가되었습니다. 우선, Copilot SDK를 기반으로 한 새로운 에이전트(Agent)가 퍼블릭 프리뷰(Public Preview)로 제공되어, 더욱 짧고 이해하기 쉬운 응답이 가능해졌습니다. 또한, .NET 및 Azure 팀의 전문 기술이 통합되어 선택적으로 활성화할 수 있습니다. 나아가 선택한 코드를 즉석에서 리뷰하는 기능이나 조직 전체에 적용할 수 있는 커스텀 지시(Custom Instructions)도 추가되었습니다.

기업이나 조직이 원격으로 조작되는 Copilot 세션을 호스트할 수 있는 디바이스를 제한할 수 있게 되었습니다. 새로운 remoteControl 설정을 통해 관리자는 SSO 인증 요구 또는 디바이스별 제어 등 세밀한 관리가 가능합니다. 기존 정책과 결합하여 전체적인 액세스부터 개별 디바이스까지 단계적으로 제어할 수 있습니다. 설정은 requireSSO, disabled, enabled 중에서 선택할 수 있으며, 서버 관리, MDM 관리, 파일 기반의 세 가지 방법으로 배포할 수 있습니다.

큰 변경 사항을 작고 리뷰하기 쉬운 일련의 풀 리퀘스트(Pull Request)로 분할하여, 개별적으로 리뷰하고 일괄 머지(Merge)할 수 있는 '스택드 풀 리퀘스트(Stacked Pull Requests)'가 GitHub에서 퍼블릭 프리뷰로 제공되기 시작했습니다.

GitHub에서 동일한 리포지토리(Repository) 내의 액션(Action)이나 재사용 가능한 워크플로우(Workflow)를 참조할 수 있는 새로운 '자기 리포지토리 구문(Self-repository syntax)'을 사용할 수 있게 되었습니다. uses:의 값을 $/로 시작하면, 실행 중인 커밋과 동일한 리포지토리를 체크아웃(Checkout) 없이 참조할 수 있습니다. 기존에는 ./를 사용하여 체크아웃에 의존하거나 버전을 직접 작성해야 했기에 유지보수의 부담이 있었고, 커밋 SHA 고정을 방해하는 요소였습니다. 이 기능 덕분에 내부 참조가 일관되게 유지되며, 풀 SHA(Full SHA) 고정을 요구하는 기업 정책에도 대응할 수 있습니다. github.com에서 이용 가능하며, 러너(Runner) 버전 2.336.0 이상이 필요합니다.

VS Code의 2026년 7월 버전(v1.127~1.131)에서는 GitHub Copilot이 크게 강화되었습니다. 에이전트(Agents) 창이 쇄신되어 대화 옆에서 차이점(Diff)을 확인할 수 있게 되었으며, 다중 세션 관리 및 서브 에이전트(Sub-agent) 추적 기능도 개선되었습니다. 단일 세션 내에서 여러 채팅을 병행하여 처리할 수 있는 멀티 채팅(Multi-chat) 기능도 추가되었습니다. 채팅에는 이미지나 PDF 첨부가 정식 지원되며, 크레딧 사용량 확인도 가능합니다. 또한 최신 UI 프리뷰, 브라우저 탭 배치 설정, 내장 음성 입력, 터미널 스크린 리더 지원 등 조작성과 접근성 기능도 충실해졌습니다.

2026년 7월 30일부로 플레이그라운드(Playground), 모델 카탈로그(Model Catalog), 추론 API 등을 포함한 GitHub Models가 모든 이용자에 대한 제공을 종료하고 정식으로 폐지되었습니다.

정규 표현식(Regular Expression) 검색 및 치환만으로 동작하는 가상 CPU를 구축하고, 그 위에서 DOOM을 실행하는 프로젝트가 공개되었습니다. 544개의 치환 규칙만으로 동작하며, 1프레임을 렌더링하는 데 5대의 머신으로 약 180초가 소요되지만, 일반적인 DOOM과 바이트 단위로 완전히 일치하는 성과를 달성했습니다.

'NameThatUI'는 UI 요소의 이름을 모를 때 도움이 되는 비주얼 사전 사이트입니다. '메뉴의 점 세 개(Ellipsis)'와 같이 모호한 단어로 설명하면 정식 명칭이나 API 기호명, 코딩 에이전트용 프롬프트까지 알려줍니다.

macOS용과 Web용 요소를 합쳐 70종 이상 수록하고 있으며, 모달(Modal)과 드로어(Drawer)의 차이 등 유사한 요소의 구분법을 배울 수 있는 가이드도 충실합니다.

이 기사는 2026년 7월 28일에 공개된 MCP(Model Context Protocol)의 대규모 사양 업데이트를 해설한 것입니다.

가장 큰 변경점은 기존에 필수적이었던 initialize 핸드셰이크(Handshake)와 세션 ID가 폐지되고, 각 요청이 단독으로 완결되는 스테이트리스(Stateless) 설계로 변경된 것입니다. 상태 관리는 핸들(Handle)이나 requestState의 전달과 같은 형태로 애플리케이션 계층으로 옮겨졌습니다.

나아가 Roots, Sampling, Logging의 비권장(Deprecated) 처리 및 권한 부여(Authorization) 강화에 대해서도 다루고 있으며, 필자가 실제로 TypeScript SDK v2로 서버를 구동하고 송금 확인 도구를 사용해 검증 실험을 진행한 모습도 소개하고 있습니다.

OpenAI는 2026년 7월 29일, 앱의 취약점 탐지 및 수정을 지원하는 「Codex Security」의 CLI와 TypeScript SDK를 Apache License 2.0으로 오픈 소스 공개했습니다. 소유 코드나 조사 허가를 받은 코드를 스캔할 수 있으며, 결과는 CSV, JSON, SARIF 형식으로 출력할 수 있습니다. 탐지 사항의 검증 및 수정안 작성도 지원하며, CI나 Git 후크(Git hook)에도 통합할 수 있습니다. macOS, Linux, Windows를 지원하며, 현재는 한정 베타 버전으로 제공되고 있습니다.

OpenAI는 2026년 7월 29일, 과학·수학·공학 분야의 교원 및 포스닥(Postdoc) 연구자에게 GPT-5.6 및 Codex 등의 프론티어 모델(Frontier model)과 연구 지원 도구를 12개월간 무상 제공하는 「ChatGPT for Academic Researchers」를 발표했습니다. 2026년 여름 1만 명을 시작으로, 2027년까지 10만 명으로 확대를 목표로 합니다. 연구비 신청부터 가설 검증까지 폭넓게 지원하며, 라이프 사이언스(Life science)용 스킬 및 각종 데이터베이스로의 접속도 가능합니다. 대상 기관의 연구자가 논문 등을 제출하여 신청할 수 있으며, 승인 후에는 학생 등 최대 4명까지 초대할 수 있습니다.

두 가지 설정을 활성화하여 ARC-AGI-3 벤치마크 점수를 3배 높이는 방법 | OpenAI

OpenAI는 GPT-5.6 Sol이 ARC-AGI-3라는 2D 퍼즐 평가에서 낮은 점수만을 기록했던 원인을 조사했습니다. 그 결과, 모델 자체가 아니라 평가 환경의 설정에 문제가 있다는 것을 발견했습니다. 행동마다 추론 내용이 폐기되고 오래된 이력도 잘려 나갔기 때문에 학습이 축적되지 않았던 것입니다. 이에 Responses API를 사용하여 추론의 유지와 압축이라는 두 가지 설정을 활성화한 결과, 점수는 약 3배로 뛰었고 출력 토큰은 6분의 1로 줄어들었습니다. 회사는 평가가 모델뿐만 아니라 설정 또한 측정하고 있다고 지적합니다.

Google은 2026년 7월 28일, Google 문서 내에서 Gemini를 사용하여 문서 내용에 부합하는 이미지, 도표, 인포그래픽을 생성 및 편집할 수 있는 신기능을 순차적으로 제공한다고 발표했습니다. 화면 하단의 Gemini 바나 사이드 패널에서 자연어로 지시할 수 있으며, 기존 이미지의 편집 및 일본어 문자 사용도 지원합니다. 대상은 Google Workspace의 일부 플랜과 Google AI Pro, Ultra 등이며, 무료 계정은 포함되지 않습니다. 웹 버전으로만 제공되며, 7월 28일부터 최대 15일에 걸쳐 단계적으로 전개됩니다.

Google은 2026년 7월 30일, 로봇을 위한 최신 「신체적 추론 (Physical reasoning)」 모델인 Gemini Robotics ER 2를 발표했습니다. 이 모델은 로봇의 고도화된 두뇌로서 기능하며, 인간과의 대화, 물리 세계의 이해, 다단계 태스크 계획(Task planning)을 담당하고, 실제 운동 제어는 별도의 하위 모델로 인계합니다. Google 검색 등의 도구를 호출할 수도 있어, 행동하면서 다음 수를 생각할 수 있다는 점이 특징입니다.

이전 버전으로부터의 큰 진화로서, 연속된 영상을 보면서 자신의 진행 상황을 추적하고, 문제가 발생하면 수정하며, 다음 단계로 넘어갈 적절한 타이밍을 판단할 수 있게 되었습니다. 또한, 서로 다른 종류의 여러 로봇이 공유된 이해를 바탕으로 협력하여 단독으로는 불가능한 복잡한 작업을 수행하는 연계 기능도 도입되었습니다.

나아가 태스크 완료 판정을 높이는 진행 분류, 결정적인 순간을 특정하는 능력, 안전성 벤치마크에서도 성능이 향상되었습니다. 본 모델은 Gemini API 및 Google AI Studio를 통해 개발자에게 공개되어 있습니다.

Google은 2026년 7월 30일, Gemini Spark에 Chrome과의 새로운 연계 기능을 추가하여 전 세계 더 많은 사용자에게 제공을 확대한다고 발표했습니다.

이번 핵심은 Chrome과 직접 통합된 「auto browse」 기능입니다. 사용자의 허가를 얻은 후, 로그인된 계정이나 저장된 비밀번호를 이용하여 번거로운 웹상의 용무를 대행할 수 있게 되었습니다. 예를 들어, 저장된 매물의 방문 예약이나 항공권 후보를 조사하여 예약 절차를 시작하는 등의 작업이 가능합니다.

이 기능은 프롬프트 인젝션(Prompt injection) 등의 위협으로부터 보호되도록 설계되었으며, 결제와 같은 중요한 조작에 대해서는 Spark가 태스크를 사용자에게 넘겨 사용자가 직접 대응하는 메커니즘을 갖추고 있습니다. 우선 미국에서 제공을 시작하며, 향후 다른 지역으로도 순차적으로 확대할 예정입니다.

이와 함께, Google AI Pro 구독자를 대상으로 160개 이상의 국가에서 Spark 제공이 시작되었습니다. 이를 통해 더 많은 사람이 일상적인 작업을 자동화할 수 있게 됩니다.

제조업용 AI 기업 Melon의 CTO 혼다는 'AI'라고 일괄적으로 묶어 부르는 태도를 경계하며, 이상 탐지 (Anomaly Detection)에는 대상 데이터에 따른 방법론 선택이 중요하다고 말합니다. 연속적인 센서 수치를 다루는 이상 탐지에 LLM을 그대로 사용하는 것은 어려우며, LLM은 분석 코드의 구현 지원 등에 유효하다고 설명합니다.

시계열 분석 (Time Series Analysis)은 "과거를 이해하고, 미래를 내다보며, 현재를 최적화하는" 기술로, 분류 · 예측 · 이상 탐지 · 제어 · 최적화의 5개 영역으로 정리됩니다. 데이터를 트렌드나 계절성 등으로 분해할 수 있고, 판단 근거를 파형으로 보여줄 수 있는 높은 해석성 (Interpretability)이 현장에서 중시됩니다.

이상 (Anomaly)은 큰 값뿐만 아니라 스파이크 (Spike), 시프트 (Shift), 드리프트 (Drift), 주파수 교란과 같은 다양한 패턴이 있어 단순한 임계값 (Threshold) 설정만으로는 모두 포착할 수 없습니다. 또한, 고장 데이터가 없더라도 정상 데이터의 특징으로부터 이탈을 전조로서 탐지할 수 있다고 합니다.

동사는 딥러닝 (Deep Learning)에 의존하지 않고 CPU에서 고속 동작하는 시계열 예측 모델 「FLAIR」를 OSS (Open Source Software)로 공개하고 있습니다. 하이퍼파라미터 (Hyperparameter) 조정이 필요 없고 해석성도 높으며, 벤치마크에서 우수한 성적을 거두었습니다. 도입은 작게 시작하는 것이 실용화를 위한 첫걸음이라고 언급합니다.

감상:

지금은 LLM이 주목을 받고 있고 LLM = AI가 되어가고 있지만, LLM은 AI의 한 형태에 불과하다. 실제로는 이 기사에 나온 것처럼 적재적소에 맞는 기술이 있을 것이다.

자연어 프롬프트 (Prompt)를 수작업으로 계속 조정하다 보면, 수정 사항이 쌓여 '프롬프트 부채 (Prompt Debt)'가 되고, 개발이 늦어지며 특정 모델에 종속될 수 있기 때문에, 평가 지표로 동작을 정의하고 자동 생성으로 전환해야 한다고 논하고 있다.

이 기사는 저자 자신의 프로그래밍 인생을 되돌아보며, LLM 시대의 소프트웨어 개발 변화를 논하고 있다.

과거에는 열정을 가진 사람들만이 모이던 니치 (Niche)한 분야였던 프로그래밍이, 고수입에 대한 동경으로 인해 인구가 과잉된 경위를 설명한다.

나아가, LLM의 등장으로 '가짜 개발자'가 늘어나는 한편, 질을 추구하는 움직임에 따라 코드 공유 플랫폼이 분단·선별화될 것이라고 예측한다. 최종적으로는 깊은 지식을 가진 진정한 기술자만이 살아남는다는 역설적인 미래상을 제시하는 내용이다.

감상:

뭐, 대략 이런 식으로 흘러가겠지요. 역시 이 일은 좋아하는 마음이 있어야 잘하게 되는 법입니다.

AI 시대에는 비엔지니어가 AI로 프로토타입 (Prototype)을 만들고, 동일한 동작을 하는 본 프로덕션 앱을 의뢰해 오는 경우가 늘고 있습니다. 프로토타입은 겉모습은 80% 완성되어 보이지만, 실제 구현량은 10% 정도에 불과하며, 권한 제어와 데이터 설계, 보안, 모니터링 등 화면 밖의 작업이 대부분을 차지합니다.

게다가 규모가 커질수록 프로덕션화하는 공수는 곱절로 늘어나는 반면, 겉모습의 완성도는 변하지 않기 때문에, 프로젝트 규모가 클수록 기대치와의 격차가 벌어집니다.

대책으로서, 착수 전에 프로토타입과 프로덕션의 차이점을 목록화하여 제시하는 것이나, 테스트 커버리지 (Test Coverage) 및 모니터링 결과 등 내부 품질의 성과를 가시화하여 공유하는 것이 유효하다고 합니다.

AI로 인해 '만드는 힘'의 가치는 떨어지는 반면, '망가지지 않게 만드는 힘'의 가치는 상대적으로 높아지기 때문에, 기술력과 마찬가지로 자신의 업무를 언어화하는 능력이 중요해진다고 말합니다.

생성형 AI가 작성한 코드를 충분히 읽지 않고 머지 (Merge)해도 장애가 발생하지 않을 때가 있습니다. 하지만 필자는 동작은 하지만 설명할 수 없는 변경 사항이 조금씩 쌓여, 결국 스스로 설명할 수 없는 부분이 코드베이스 (Codebase)에 퍼져나가는 것을 깨달았습니다. 완성을 앞당긴 것과 이해에 드는 비용까지 사라진 것을 혼동하고 있었다고 회상합니다.

필자에게 가장 중요한 것은 코드를 쓰는 속도나 지시 기술이 아니라 '이해'입니다. 다만 이해를 머릿속에 모두 담아둘 필요는 없으며, 계약이나 테스트, 결정 기록, 로그 중 하나를 통해 동일한 판단으로 돌아갈 수 있다면 그것을 알고 있다고 부릅니다. 문제는 어디에도 남겨두지 않았으면서 알고 있다고 착각하는 상태라고 합니다.

그렇기에 필자는 이해를 '예측한다 · 국소화한다 · 개입한다 · 버리고 다시 만든다'라는 네 가지 동사로 되돌리고, 테스트가 통과한 것과 이해한 것을 구분합니다. 특히 실패가 돌이킬 수 없는 상황에서는 깊이 이해하고, 버린 안의 이유까지 기록으로 남기는 것을 중시합니다. 이해를 최우선으로 하되 모든 것을 이해하려 하기보다는, 어디까지 이해해야 판단을 책임질 수 있을지 파악하는 것이 중요하다고 정리하고 있습니다.

프로그래밍, 데이터베이스, 아키텍처, 프로덕트, 조직 매니지먼트 분야별로 저자가 실제로 읽고 배움을 얻은 서적을 엄선하여 소개하고, 각각의 요점과 활용법을 해설하는 기사입니다.

Azure Developer CLI (azd)의 7월 요약으로서, 5개의 릴리스(1.27.0부터 1.29.0까지)가 공개되었습니다. 주요 신기능으로는 도구의 설치, 업그레이드, 삭제의 라이프사이클을 완성하는 「azd tool uninstall」 명령어가 추가되었습니다. 또한, 확장 기능을 레지스트리 위치에서 직접 설치할 수 있게 되었으며, 의존성 해결을 건너뛰는 옵션도 마련되었습니다.

나아가, Azure AI Foundry의 프로젝트나 에이전트 등을 azure.yaml로 직접 모델링할 수 있게 되었습니다. Azure App Service를 위한 컨테이너 배포도 지원하여, 이미지를 푸시하고 Web App for Containers를 실행할 수 있습니다. CI/CD나 AI 에이전트 환경을 감지하면 자동으로 비대화형 (non-interactive) 모드로 전환되어, 프롬프트에서 멈추지 않고 빠르게 실패하도록 개선되었습니다.

참고로, 파괴적 변경 사항(breaking change)으로 azd tool 명령어의 「--host」 플래그가 「--agent」로 명칭이 변경되었습니다. 이 외에도 다수의 버그 수정과 새로운 문서, 커뮤니티에 의한 템플릿 추가가 이루어졌습니다.

AWS 솔루션 아키텍트인 스기야마 씨가 2026년 7월 20일 주간의 주요 업데이트를 소개하는 기사입니다. 서두에서는 기사, 영상, 학습 리소스가 모이는 플랫폼인 AWS Builder Center의 활용을 권장하고 있습니다.

스토리지 및 인프라 관련해서는, NFS 캐시의 오픈 소스 솔루션인 KNFSD File Cache가 프리뷰 제공을 시작했으며, EKS Auto Mode와 Karpenter가 EFA 및 배치 그룹 (placement group)을 지원하게 되었습니다. EC2 Dedicated Hosts는 셀프 관리 라이선스 없이도 호스트 리소스 그룹을 생성할 수 있게 되었습니다.

모니터링 및 분석 측면에서는, CloudWatch가 AI 코딩 에이전트의 이용 상황을 시각화하는 Coding Agent Insights를 발표했으며, ALB 로그 수신도 지원하게 되었습니다. ECS에서는 중간 작업을 기록하는 Action Logs를 사용할 수 있습니다.

그 외에도 RDS for SQL Server가 SQL Server 2025를 지원하며, SES가 3단계 요금제를 도입했습니다. AI 분야에서는 AWS 상의 에이전트 성능을 측정하는 벤치마크인 aws-bench가 공개되었으며, 최신 모델인 Claude Opus 5도 이용 가능해졌습니다.

Microsoft, Alphabet, Meta는 2분기 실적을 통해 AI 경쟁의 초점이 GPU 확보에서 전력, 네트워크, 데이터 센터 건설 및 전개 속도로 이동했음을 보여주었습니다. Microsoft는 전개 속도를 중시하고, Alphabet은 장기적인 성장 기반으로서 인프라 투자를 확대하고 있으며, Meta는 향후에도 용량 부족이 지속될 것으로 보고 토지, 전력, 자금 조달을 선제적으로 확보하고 있습니다. 다음은 Amazon의 실적이 주목됩니다.

AWS의 바레인 시설이 드론이나 미사일 공격을 받았다고 알려지며, 기존의 지상형 방어로는 항공 위협에 대응할 수 없다는 점이 부각되었습니다. 전문가들은 대(對) 드론 기술 도입, 거점 분산, 중복성 (redundancy) 확보 등 데이터 센터의 물리적 보안 체계 재검토가 향후 과제가 될 것이라고 지적하고 있습니다.

2026년 구마모토 지진으로 인해 구마모토현 내 사망자가 17명으로 발표되었습니다. 심폐 정지 6명, 중상 5명 외에 10,467명이 415곳의 피난소로 대피했습니다. 단수, 정전, 교통기관 운휴도 광범위하게 발생하고 있습니다.

구마모토현에서 진도 7을 관측한 지진으로 인해 Nissan 및 Daihatsu 공장이 가동을 중단한 반면, JAL과 ANA는 정상 운항하고 있습니다. 기업 활동에 미치는 영향 상황을 수시 업데이트 형식으로 정리하여 소개하는 기사입니다.

미국 Microsoft의 2026 회계연도 4분기 실적에서는 매출과 순이익 모두 증가했습니다. Azure 매출이 처음으로 1,000억 달러를 돌파하고, Microsoft 365 Copilot의 유료 시트 수가 3,000만 개를 넘어서는 등, AI 수요가 실적을 강력하게 견인했다고 전해졌습니다.

감상:

결국 지금까지와 동일한 계좌로 결제가 가능하고 관리 도구도 변하지 않는다는 점은 대규모 엔터프라이즈용 서비스에서는 매우 중요하다. 그렇게 되면 대기업이 AI 서비스로서 M365 Copilot을 선택하는 것은 충분히 이해가 간다. 게다가 LLM의 모델 선택지도 타사에 비해 많다.

KDDI의 ISP(인터넷 서비스 제공업체)용 메일 시스템이 부정 액세스(Unauthorized Access)를 받아 약 762만 건의 비밀번호가 유출된 문제와 관련하여, 총무성이 방어 태세의 미비와 공표까지의 대응 지연을 지적하며 엄중 주의 및 재발 방지책 보고 등을 요구하는 행정 지도를 실시했습니다.