Joyuno's Dev Blog

이번 주 개발·기술 소식 핵심 요약 (2026-08-10)

2026년 08월 10일 joyuno
Tech Weekly
#주간 #기술뉴스 #요약

지난 한 주 개발·기술 소식 중 눈에 띈 29건을 골라 핵심만 5줄로 정리했습니다.

이번 주는 AI 에이전트와 코딩 도구가 다중화·오케스트레이션되는 흐름이 두드러졌고, 모델 선택 기준이 단순 지능에서 속도와 효율로 옮겨가는 변화가 뚜렷했다. 동시에 평가 주도 개발, 자동화보다 제거, 시스템 사고형 인재 등 AI 시대의 개발 방법론과 조직 문화를 재평가하는 논의도 이어졌다. 디자인 시스템과 기술 문서 같은 전통 주제 역시 AI와 결합해 새롭게 조명받는 한 주였다.

1. Canva는 어떻게 수억 건의 사용자 세션을 빠르고 안전하게 유지할까?

  • Canva는 수억 사용자 세션 검증 과정에서 게이트웨이 수백 개가 MySQL에서 100만 건 이상의 취소 기록을 읽던 병목을, 최근 12시간 기록을 30분 단위 S3 객체로 쪼개 16바이트로 압축·정렬해 이진 탐색하는 방식으로 해결했다.
  • Redis 도입은 데이터 저장소 문제를 옮기며 복잡성만 늘린다며 버리고, 강한 내구성과 대용량 읽기에 맞는 S3 조건부 PUT·GET 기반 낙관적 동시성 제어로 워커 간 갱신 유실을 막았다.
  • ZooKeeper 리더 선출은 충돌을 줄이는 최적화일 뿐 정확성 보장 수단은 아니며, 쓰기 직전 멈춘 노드가 과거 상태로 덮어쓰지 못하게 조건부 PUT을 최종 안전장치로 뒀다.
  • 결과적으로 배포 속도가 개선되고 세션 취소 DB 읽기 복제본은 이중화용 2개만 남았으며, 메모리 사용량은 87.5% 줄고 단일 워커도 초당 2,000건 이상의 쓰기 처리량을 달성했다.
  • 취소 기록 N개로 청크를 구성하는 비용은 O(N²)이지만 실제 병목은 연산이 아니라 네트워크 지연이었고, 수십만 건 배열 처리에서 현대 시스템의 상수 계수가 크게 작용했다.

🔗 원문

2. 가장 빠른 AI-First 기업은 실제로 어떻게 일하는가

  • AI로 초안 작성(0→1)은 빨라졌지만, 출시·검증·개선을 반복하는 1→2 단계가 새 병목이므로 고객 데이터 기반 학습 속도를 핵심 지표로 삼아야 한다.
  • 직무별 부서 대신 고객 문제·매출 목표를 끝까지 책임지는 미션 팟을 구성하고, 사람·AI·인간 검토가 필요한 역할을 조직도에 명확히 포함해야 한다.
  • 채용 전에 AI나 기존 팀으로 해결할 수 있는지 먼저 확인하고, 토큰 사용량이 아닌 백만 토큰당 매출 같은 실제 성과로 평가해야 한다.
  • 산출량만 늘리면 품질이 떨어지고 미출시 작업이 쌓이므로, 평가 문화를 만들고 모든 구성원이 고객과 직접 대화해야 한다.
  • 주니어 채용 중단이나 지나친 린 운영은 미래 인재와 품질을 해치며, 인간은 고객 접점과 판단을 맡아 AI로 역량을 증폭하는 구조가 경쟁력 있다.

🔗 원문

3. Netflix가 AI 시대에 전문가보다 시스템 사고형 인재에 베팅하는 이유 (유튜브)

  • Netflix는 AI로 인한 직무 경계 혼란을 직무 소멸이 아닌 역할이 재편되는 전환기로 본다.
  • 시스템 사고형 인재는 공통 인프라와 신뢰할 수 있는 데이터, 보안·품질 가드레일을 만들어 더 많은 사람과 에이전트가 안전하게 작업하도록 돕는다.
  • 전문가의 역할은 모든 일을 직접 수행하는 것에서 좋은 결과가 반복되도록 환경을 설계하는 쪽으로 넓어진다.
  • 모든 직무에 AI 유창성을 공통 기대치로 적용하며, AI 결과에 대한 책임은 인간에게 있다는 원칙을 세운다.
  • 좁은 전문화보다 변화에 적응하고 전체 시스템을 개선할 수 있는 인재를 더 중시한다.

🔗 원문

4. 모든 사용자 인터페이스를 구성하는 10가지 GUI 디자인 요소

  • GUI의 핵심 요소는 버튼·폼·메뉴·링크·대화상자·알림·아이콘·체크박스/라디오·탭·검색 등 10가지로, 수십 년간 쌓인 관례가 사용자 학습 비용을 줄인다.
  • 요소마다 역할이 달라 버튼은 실행, 링크는 이동을 맡으므로 시각적 문법을 섞지 말아야 하며 총 86개 사용성 지침이 제시된다.
  • Fitts의 법칙과 지각된 어포던스에 따라 조작 목표는 크고 가깝게, 버튼은 결과 중심 레이블로 만들고 터치 목표는 최소 1×1cm를 지켜야 한다.
  • 폼은 불필요한 필드 제거가 가장 효과적이며, Expedia는 선택 필드 하나를 없앤 뒤 연간 1,200만 달러의 추가 수익을 얻었다.
  • 생성형·에이전트 인터페이스에서도 승인·일시정지·실행 취소 같은 제어는 익숙한 버튼·폼·탭이 필요하므로 동적 화면일수록 일관된 컨트롤이 중요하다.

🔗 원문

5. 크래프톤, 21B 한영 이중언어 음성 AI 모델 ‘A.X K2 Raon-Speech’ 공개

  • 크래프톤이 SKT 텍스트 백본에 자체 음성 인코더와 코덱을 결합한 21.2B 한영 이중언어 음성 AI 모델 ‘A.X K2 Raon-Speech’를 공개했다.
  • 전체 파라미터 중 약 3.5B만 활성화하는 MoE 구조로, 하나의 모델에서 STT/TTS, 음성 질의응답, 도구 호출, 멀티모달 대화를 처리한다.
  • 46개 벤치마크 평가에서 30B 이하 공개 음성 언어 모델 중 한국어 종합 1위(0.72), 영어 종합 3위(0.75)를 기록했다.
  • 감정·억양·화자 정보를 활용하고 화자 참조 음성 복제와 TTS continuation을 지원하지만, BF16 가중치가 약 42.4GB로 고사양 GPU 환경이 필요하다.
  • 연구·비상업적 프로토타이핑용 CC BY-NC 4.0으로 배포되며, 식별 가능한 화자의 음성을 쓰거나 생성할 때 이용자 동의를 받아야 한다.

🔗 원문

6. Diátaxis - 기술 문서 작성을 위한 체계적 접근법

  • Diátaxis는 기술 문서를 튜토리얼·방법 안내서·기술 참조·설명 네 유형으로 나눠 사용자 목적에 맞게 구조화하는 문서화 프레임워크다.
  • 문서 내용뿐 아니라 문체와 정보 구조까지 함께 설계하며, 특정 도구에 얽매이지 않아 기존 문서에 점진적으로 적용할 수 있다.
  • AI 에이전트가 문서를 검색·참조하는 시대에는 문서 구조가 맥락을 정확히 전달하는 인터페이스로 중요해진다.
  • Vonage, Gatsby, Cloudflare 등이 도입해 문서 품질·탐색성·정보 구조 명확성 개선 효과를 봤다.
  • 도입 후 최신 상태 유지가 어렵다는 지적이 있으며, 코드와 문서가 어긋나지 않도록 자동 생성·주기적 검증이 필요하다.

🔗 GitHub · 원문

7. 자기 개선을 위한 하네스 엔지니어링

  • 자기 개선의 단기 경로는 모델이 가중치를 고치는 대신, 워크플로·메모리·서브에이전트·평가 등을 조율하는 하네스를 개선하는 방식이다.
  • 하네스는 프롬프트를 넘어 파일 기반 영속 메모리, 병렬 서브에이전트, 권한 제어, 상태 관리를 포함하는 런타임 시스템이다.
  • ACE, MCE, Meta-Harness 등 최신 연구는 최적화 대상을 구조화된 맥락, 맥락 관리 기술, 하네스 코드까지 확장한다.
  • DGM은 진화적 탐색으로 Claude 3.5 Sonnet 기반 에이전트의 SWE-bench Verified 성능을 20%에서 50%로, Polyglot을 14.2%에서 30.7%로 끌어올렸다.
  • 완전한 자기 개선은 보상 해킹, 맥락 수명주기, 다양성 붕괴 등의 문제로 평가기·권한·보안·인간 감독은 개선 루프 외부에 두어야 한다.

🔗 GitHub · 원문

8. LLM은 ‘점프’할 수 없다

  • LLM은 데이터에서 규칙을 찾는 귀납과 주어진 공리에서 결과를 도출하는 연역은 빠르게 기계화하지만, 감각 경험에서 새로운 설명·공리를 만드는 귀추적 점프는 수행하지 못한다는 주장이다.
  • 아인슈타인의 일반상대성이론은 관측 데이터의 오차가 거의 없던 상황에서 나온 발견이라 ‘창의성=데이터 압축’만으로는 설명하기 어렵다.
  • 특히 등가원리는 기존 데이터의 통계적 일반화나 연역이 아니라 자유낙하 관찰자의 감각을 시뮬레이션해 가속과 중력이 구별되지 않는다는 새 공리를 만든 조작적 귀추의 사례다.
  • 이를 위해 에이전트가 환경을 직접 바꾸며 반사실적 결과를 경험할 수 있는 감각적·물리적 기반, 즉 Genie처럼 행동으로 개입 가능한 월드 모델이 필요하다고 본다.
  • AI Scientist나 AlphaEvolve도 기존 기호와 고정된 목표·그래디언트 안에서 탐색할 뿐 새로운 과학 패러다임을 만드는 점프와는 다르다고 평가한다.

🔗 원문

9. 디자인 시스템의 미래 [유튜브]

  • AI가 만든 23개 제품은 색상만 비슷하고 간격·서체·UI 프레임워크가 제각각이라 하나의 코드베이스로 통합해야 했다.
  • 디자인 시스템은 사람용 컴포넌트 모음에서 코드·캔버스·에이전트가 함께 읽는 기계 판독 가능한 계약으로 진화한다.
  • Meta의 Asterisk는 컴포넌트·CLI·문서·MCP를 함께 제공해 AI가 바로 따를 수 있는 디자인 시스템을 지향한다.
  • 코드와 캔버스를 반복 변환하면 드리프트가 생기므로 계약을 정본으로 두고 양쪽을 결정론적으로 생성해야 한다.
  • 충분한 맥락 없이 AI를 쓰면 바이브 디자인·코딩이 되므로 디자인 시스템이 검증된 컴포넌트·토큰·문서·접근성 속성을 제공해야 한다.

🔗 원문

10. agent-device - AI 에이전트가 iOS/Android 기기를 제어하도록 돕는 CLI

  • AI 코딩 에이전트가 실행 중인 iOS/Android 앱을 직접 검사·조작·검증하며 개발을 돕는 CLI 도구다.
  • 접근성 스냅샷으로 UI 상태를 읽고 ref/selector로 요소를 찾아 탭·입력·스크롤·제스처를 실행한다.
  • iOS/tvOS는 XCTest, Android는 ADB, Linux는 AT-SPI 등 백엔드를 쓰며 React Native/Expo/Flutter도 지원한다.
  • 성공한 작업 과정은 .ad 스크립트로 저장해 로컬/CI에서 재현하거나 Maestro YAML로 내보낼 수 있다.
  • Appium·Detox·Maestro처럼 테스트 스위트를 작성·유지하는 방식과 달리 런타임에 상태를 읽고 명령을 선택해 기존 도구를 보완한다.

🔗 GitHub

11. LLM은 전문성을 보상함

  • LLM은 여러 분야에서 기본 수준의 결과를 누구나 만들게 해주지만, 같은 모델에서 더 많은 가치를 얻는 핵심은 프롬프트 기법이 아닌 도메인 전문성이다.
  • 수학자 Terence Tao의 사례처럼 전문가는 짧고 직접적인 질문과 간접적 반박, 독자적 제안으로 모델 대화를 주도하며 긴 답변에서 쓸 만한 아이디어와 오류를 구분한다.
  • 코드베이스에 익숙한 개발자는 좋은 해법의 형태를 예상하고 “더 단순하게 할 수 있지 않은가”, “이미 X를 하지 않았는가” 같은 구체적 교정으로 LLM을 더 강하게 활용할 수 있다.
  • 프롬프트 기법이 평준화될수록 전문성은 사라지는 것이 아니라 AI의 결과를 검증하고 방향을 교정하는 힘으로 작용한다.
  • 모델이 강해져도 원하는 해법을 정확히 전달하고 내부 지식을 끌어내는 인간의 판단과 소통 능력이 병목으로 남으므로 전문성의 효용은 계속 유지된다.

🔗 원문

12. 자동화하지 말고, 완전히 없애버려라

  • AI가 전문성 공급 비용을 낮춰 전문가·기관의 권한을 수요자에게 옮기는 시장 재편이 핵심이다.
  • 단순 자동화를 넘어 시장 구조와 중개자 자체를 없애는 스타트업에 주목해야 한다.
  • Doctronic은 스마트폰 속 AI 의사를 통해 의료 접근 구조를 우회하고, Isembard는 제조 전문성을 AI에 패키징해 공장을 재구축한다.
  • Cofounder는 개별 업무 도구가 아니라 제품 개발부터 유통까지 사업 전체를 대신 실행하려 한다.
  • 이들이 성공하면 기존 중개자의 시장 권력이 고객에게 이전되며 사업 모델과 경쟁 구도가 다시 짜인다.

🔗 원문

13. 프롬프트로 프로토타입은 만들 수 있어도, 안목까지 만들 수는 없다

  • AI가 완성품처럼 보이는 프로토타입을 쉽게 만들어 주지만, 무엇을 남기고 버릴지 결정하는 안목은 자동으로 생기지 않는다.
  • 안목은 타고난 감각이 아니라 수백 번의 비평과 반복 교정을 통해 문제를 스스로 발견하게 되는 판단력이다.
  • 44명이 AI와 인간 그림 20점을 구분한 실험에서 정답률은 동전 던지기보다 조금 높았고, 같은 AI 그림도 인간 작품이라고 알리면 복잡성·새로움·모호성 평가가 높아졌다.
  • AI는 피드백으로 점수를 높이는 학습을 하지만, 낯선 상황에서도 판단 근거를 찾는 내적 감각이나 만들 가치가 있는지의 판단은 학습하지 않는다.
  • 생성 능력이 보편화될수록 실행보다 그럴듯한 결과 대부분을 거부하고 탐색을 멈출 시점을 아는 큐레이션 능력이 더 희소해진다.

🔗 원문

14. 100배 저렴한 오픈 모델로 검색에서 GPT-5.6 Sol 능가하기

  • 4B 오픈 모델을 특정 검색 작업에 강화학습 후처리해 GPT-5.6 Sol 수준의 검색 정확도를 100분의 1 비용으로 달성했다.
  • 에이전트 검색은 계획과 검색을 반복하는 다중 턴 방식이라 요청당 10초 이상, 약 0.03달러가 들어 비용과 지연이 크다.
  • Castform은 기업 문서·제품 기록·고객 상호작용 등에서 합성 질문·정답을 만들고, 검색 도구와 보상 함수로 소형 모델을 강화학습 후처리한다.
  • Neon의 Lakebase Search 환경을 합성 데이터 생성, 학습 롤아웃, 프로덕션 추론까지 동일하게 사용하며 병렬 검색 부하 급증은 동적 컴퓨팅 확장으로 흡수한다.
  • 모든 요청에 가장 큰 모델을 쓰기보다 반복 작업에는 전문화된 소형 모델을 배치하는 방향이 유효하며, 데이터 변경 에이전트는 브랜칭과 격리 환경으로 훈련할 수 있다.

🔗 GitHub · 원문

15. 안목, 판단 그리고 AI

  • AI 에이전트는 선택지를 만들고 평가하며 순위를 매길 수 있지만, 결정에 이름을 걸고 결과를 책임지는 판단은 대체하기 어렵다.
  • 안목은 증거가 부족해도 좋은 선택지를 알아보는 능력이고, 판단은 위험을 감수하고 그 선택의 결과를 감당하는 능력이다.
  • Apple Maps는 세련된 디자인이라는 안목이 있었어도 심각한 오류로 실패했고, Tim Cook이 공개 사과에 자신의 이름을 걸어 책임을 졌다.
  • 안목은 다양한 결과물에 폭넓게 노출되고 성공·실패 이유를 분석하며 쌓이고, 판단은 어려운 결정을 직접 내리고 예상과 실제 결과를 비교하며 자란다.
  • 생성 비용이 낮아져 선택지가 많아질수록 가치를 걸러내는 안목과 결과를 감당하는 판단의 중요성은 더 커진다.

🔗 원문

16. 카카오, ‘카나나-2’의 경량 모델 4종 오픈소스로 공개

  • 카카오가 한국어와 온디바이스에 맞춘 ‘카나나-2’ 경량 모델 4종(3B·1.3B의 Base/Instruct)을 오픈소스로 공개했다.
  • 1.3B 모델은 3B 모델을 단계적 가지치기와 증류로 압축했으며, 슬라이딩 윈도우 어텐션 덕에 32K 문맥을 지원한다.
  • 32K 문맥 기준 KV 캐시 사용량을 최대 72.7% 줄였고, 새 한국어 토크나이저는 토큰화 효율을 이전 세대보다 30% 이상 높였다.
  • 비교 평가에서 1.3B 인스트럭트 모델은 한국어 대화·지시 이행·도구 호출·코드 생성 부문에서 Qwen3 계열에 견주거나 앞섰다.
  • 학습에 카카오 사용자 데이터를 쓰지 않았고 가중치는 KananaOpenLicense로 배포된다.

🔗 원문

17. late.sh - 개발자를 위한 아늑한 터미널 클럽하우스

  • ssh late.sh 한 줄로 접속하는 터미널 소셜 공간으로, SSH 키 자체가 신원이며 계정·OAuth 없이 키 지문만 저장하고 IP 로깅·추적을 하지 않는다.
  • 채팅·퍼즐·MUD·공유 ASCII 아트보드·라디오 스트리밍 등을 갖췄고, 아트보드는 셀별 작성자와 일·월 스냅샷을 보존한다.
  • 첫 접속 시 무작위 사용자명이 주어지며, 같은 SSH 키면 채팅·점수·스트릭 데이터가 그대로 연결된다.
  • CLI로 라디오 재생·보이스룸·이미지 붙여넣기 등을 지원하고 macOS/Linux/Termux/Windows/Nix에서 쓸 수 있다.
  • 공개 호스팅은 표준 배포판으로 유지되지만, FSL 보호 기간 동안엔 OSI 오픈소스가 아닌 소스 공개 형태로 제공된다.

🔗 GitHub

18. 소프트웨어 엔지니어링과 생성형 AI에 관한 8가지 오해

  • 개발자가 실제 코드 작성에 쓰는 시간은 전체 업무의 14%에 불과해, 코딩을 2배로 빨라져도 전체 생산성 향상은 이론상 15% 미만이다.
  • 숙련 오픈소스 개발자는 AI 도구 사용 후 구현 시간이 평균 18% 늘었고, 프롬프트 표현만 바꿔도 코드의 46%와 정답 여부의 28%가 달라지는 등 효과는 작업·경험·맥락에 따라 엇갈린다.
  • AI 작성 코드 비율이나 코드 줄 수는 품질·출시 속도의 유효한 지표가 아니며, 오히려 검토·테스트·유지보수 부담과 기술 부채를 키울 수 있다.
  • 라이선스 제공만으로 채택이나 생산성이 오르지 않으므로, 조직은 신뢰·학습·업무 흐름과 보안·규제·레거시 제약을 함께 고려해야 한다.
  • 결국 생성형 AI의 가치는 코드 생성 가속이 아니라 설계·검토·테스트·협업까지 포함한 소프트웨어 전달 시스템 전체의 개선으로 판단해야 한다.

🔗 원문

19. 평가 주도 개발 (Eval-driven development)

  • Airbnb는 생성형 AI 평가를 출시 전 검사가 아닌 제품 기준을 정의하는 핵심 엔지니어링 규율로 삼는다.
  • 실제 출력 100개를 직접 읽어 실패 유형을 찾고, 결정론적 검사·LLM 심판·인간 평가를 계층적으로 적용한다.
  • LLM 심판은 나쁜 사례를 포함한 50~100개 골든 데이터셋에서 인간과 80% 후반~90%대 일치하도록 보정해야 한다.
  • 에이전트 시스템은 최종 답변뿐 아니라 실행 추적과 스팬을 재구성해 도구 호출·중간 경로까지 검사한다.
  • 프로덕션에서도 비식별화된 실사용 트래픽을 지속 표본 추출해 새 실패 유형을 평가에 반영하며, 좋은 모델보다 명확한 제품 기준과 팀 협업이 성공을 좌우한다.

🔗 원문

20. Discovery Loop

  • 제프 딘 등 4명이 AI가 실험 제안·실행·평가·학습을 자동화하는 시스템을 만드는 팀 디스커버리 루프를 설립했다.
  • 목표는 수천 개의 실험을 병렬로 돌려 과학·공학 연구의 반복 시간을 줄이고 결과물의 양과 품질을 높이는 것이다.
  • 첫 적용 분야는 머신러닝 연구·엔지니어링으로, 자체 기술 스택을 최적화한 뒤 다른 분야로 확장할 계획이다.
  • 창업팀은 칩·하드웨어부터 소프트웨어, ML 모델, 제품까지 이어지는 풀스택 구축 경험을 핵심 경쟁력으로 내세운다.
  • 장기적으로는 신약, 의료정보학, 태양에너지, 깨끗한 물, 사이버 보안 등 미국공학한림원 난제들에 도전하는 것을 목표로 한다.

🔗 GitHub · 원문

21. Pi의 미니멀리즘이 경쟁력인 이유

  • Pi는 기본 도구 4개와 1,000토큰 미만의 프롬프트만 쓰는 최소형 코딩 하네스로, 기능 추가보다 불필요한 맥락을 넣지 않는 절제를 경쟁력으로 삼는다.
  • Databricks 연구에서 같은 모델·추론 강도라도 하네스에 따라 작업당 비용이 2배 이상 차이 났고, Pi는 턴마다 약 3배 적은 컨텍스트를 보내면서 품질을 유지했다.
  • Pi와 Opus 4.8 xhigh 조합은 Databricks의 실제 코드 작업 벤치마크에서 가장 높은 전체 통과율을 기록하며 Claude Code·Codex보다 비용도 크게 낮췄다.
  • Shopify는 Pi가 자체 문서를 읽고 만든 pi-autoresearch 확장으로 단위 테스트를 300배 빠르게 하고 React 컴포넌트 마운트 속도를 20% 높이는 성과를 냈다.
  • 모델이 터미널 환경을 능숙하게 다루면서 하네스의 경쟁력은 기능 수보다 컨텍스트 절제와 선택적 확장성에 좌우되며, 복잡성은 필요성이 확인될 때만 추가하는 편이 유리하다.

🔗 GitHub · 원문

22. Qwen3.8-Max: 코딩과 협업의 새로운 기준

  • 알리바바가 총 2.4조 파라미터, 활성 950억 파라미터의 Qwen3.8-Max를 공개했고, Max급 가중치를 다음 주 오픈소스로 공개할 예정이다.
  • 핵심은 실행 결과를 다음 시도에 반영하는 자기 진화 피드백 루프로, 16일 무인 개발, 125시간 논문 재현, 24시간 경진대회 참가 사례를 제시했다.
  • RL 학습은 독립 확장 환경·범용 보상 시스템·온라인 데이터 균형기를 결합해 수백 개 전문 직무의 실무 완성도를 검증했다.
  • 장기 작업에서는 암호화 회로를 8,298게이트에서 678게이트로 줄이고, 365일 전자상거래 시뮬레이션에서 4.16배 수익률과 최종 잔액 41만6252위안을 기록했다.
  • 멀티모달은 200페이지 문서·100시간 영상 처리를 넘어 결과물을 직접 관찰·수정할 수 있으며, Hybrid Agent와 Qwen-MM-Plugins, API·코딩 도구 연동을 제공한다.

🔗 GitHub · 원문

23. Orca - 여러 병렬 코딩 에이전트를 위한 오픈소스 ADE

  • Orca는 여러 코딩 에이전트를 격리된 git worktree에서 병렬 실행하고 결과를 비교해 우승 구현을 병합하는 오픈소스 ADE다.
  • 에디터·터미널·브라우저·GitHub·Linear를 한곳에 통합해 리뷰와 커밋까지 도구 안에서 처리한다.
  • Codex, ClaudeCode, OpenCode 등 기존 CLI 에이전트를 터미널에서 그대로 구동하고, 같은 프롬프트를 여러 에이전트에 분산한다.
  • Design Mode는 Chromium에서 클릭한 UI의 HTML/CSS·스크린샷을 프롬프트로 보내고, diff에 단 코멘트를 에이전트로 재전달해 리뷰를 지원한다.
  • 모바일 앱으로 원격 모니터링·후속 지시가 가능하며 SSH worktree, VS Code 에디터, Orca CLI, MIT 라이선스를 제공한다.

🔗 GitHub

24. AMD, 모델을 실리콘에 새기는 AI 칩 스타트업 Taalas 인수

  • AMD가 모델 가중치를 실리콘에 직접 새기는 AI 칩 스타트업 Taalas를 인수해 Nvidia 주도의 고성능 추론 시장 공략을 강화했다.
  • 시험 칩 HC1은 Llama 3.1 8B를 초당 16,960토큰으로 처리해 발표 당시 GPU보다 48배, Cerebras보다 8.5배 빨랐다.
  • 2세대 HC2는 칩당 200억 파라미터를 목표로, 가속기 50개면 1조 파라미터 모델까지 지원할 수 있다.
  • 가중치를 칩에 고정하는 구조라 배포 후 모델 변경에는 금속층 재작성이 필요하지만, 비용이 모델 훈련보다 훨씬 낮다.
  • 토큰 비용을 낮추고 출력 속도를 10~20배 높이면 더 오래 추론하는 테스트 시간 스케일링의 활용 범위가 넓어질 수 있다.

🔗 원문

25. 구글 서치 콘솔, X/인스타그램/틱톡/유튜브를 통한 유입 트래픽도 지원 시작

  • 구글 서치 콘솔에 소셜·동영상 게시물 실적을 추적하는 새 속성 유형 ‘플랫폼 속성’이 도입됐다.
  • 인스타그램, 틱톡, X, 유튜브 게시물이 구글 검색과 디스커버에서 얻은 노출·클릭 수를 확인할 수 있다.
  • 웹사이트 소유 없이도 소셜 계정을 연결해 유입 검색어와 실적 좋은 게시물을 파악할 수 있다.
  • 실적·통계·업적 보고서가 제공되며, 총 클릭수와 노출수 데이터 내보내기도 지원한다.
  • 이번 기능은 몇 주에 걸쳐 점진적으로 제공되며, 검색 결과 단위가 웹페이지를 넘어 확장됨을 보여준다.

🔗 원문

26. AI가 린 스타트업 플레이북을 무너뜨리고 있는가? [유튜브]

  • Stripe는 첫 코드부터 공개 출시까지 약 2년이 걸렸지만, 개발 두 달 만에 첫 프로덕션 고객을 확보하고 주간 피드백으로 대시보드·환불·정산 기능을 순서대로 만들었다.
  • 린 스타트업의 핵심은 무조건 빠른 출시가 아니라, 완성이 늦어져도 실제 사용자 피드백과 단절되지 않는 것이다.
  • AI가 소프트웨어 개발 비용을 낮춰, 좁은 틈새에서 시작하는 전통적 린 방식 대신 처음부터 크고 야심 찬 문제를 노리는 창업 선택지가 넓어졌다.
  • Stripe 기준 신규 사업체 수는 전년 대비 2배에 조금 못 미치게 증가했고, 중간값 사업체의 성과와 매출 달성 확률도 개선돼 창업 환경이 좋아졌다.
  • 대형 AI 연구소가 모든 시장을 차지할 것이라는 우려와 달리 조직은 많은 우선순위를 동시에 수행하기 어려워, 수천 개 기업이 AI의 수혜자가 될 가능성이 있다.

🔗 원문

27. 이제 모델 선택 기준은 지능보다 속도

  • 일상 업무엔 Opus 4.6급 지능이면 충분해져, 모델 선택 기준이 벤치마크 점수에서 응답 속도·전체 작업 시간으로 옮겨가고 있다.
  • 같은 오픈 웨이트 모델인 GLM5.2도 제공자에 따라 처리량이 30tok/s 미만부터 129tok/s까지 갈려, 서빙 업체 선택이 체감 성능을 좌우한다.
  • 출력 속도를 50tok/s에서 250tok/s로 5배 높여도 도구 호출과 사람의 판단 시간이 그대로면 전체 작업은 약 2배만 빨라진다.
  • GLM5.2 가격은 입력·출력 기준 각각 $0.42/$1.32/MTok까지 내려가 Opus의 5% 수준이며, 속도 경쟁과 가격 경쟁이 함께 벌어지고 있다.
  • HBM4 기반 차세대 GPU가 배치되면 2027년에는 합리적인 가격의 고품질 모델이 500tok/s 이상으로 동작할 가능성이 있다.

🔗 GitHub · 원문

28. Paseo - 여러 코딩 에이전트를 데스크톱/모바일에서 관리하는 오케스트레이터

  • 여러 코딩 에이전트(Claude Code/Codex/Copilot/OpenCode/Pi)를 로컬 daemon 위에서 실행하고 데스크톱·모바일·웹·CLI로 관리하는 셀프호스트 제어 계층이다.
  • 에디터를 대체하지 않고 기존 개발 환경을 유지한 채 작업을 기기 간에 인계하며, 데스크톱에서 시작한 작업을 폰에서 확인하고 음성으로 후속 지시할 수 있다.
  • 에이전트별 모델 선택, 음성 제어, 텔레메트리·강제 로그인 없는 프라이버시 중심 설계를 갖췄고 daemon을 Docker로도 실행 가능하다.
  • CLI로 paseo run/ls/attach/send 등 모든 기능을 쓸 수 있으며, Skills로 에이전트 간 작업 인계·반복 루프·위원회식 분석 등 오케스트레이션을 가르칠 수 있다.
  • 데스크톱 앱은 daemon을 자동 시작하고 폰은 페어링으로 연결하며, macOS/Windows/Linux·iOS/Android·웹·CLI를 지원하고 AGPL-3.0으로 공개됐다.

🔗 GitHub

29. 150만 페이지 웹사이트에서 scraper와 싸운 1년

  • 150만 페이지 사이트가 한 주에 250만 요청·128만 페이지 로드를 처리했지만 분석 도구에는 5,977 pageview만 잡혀, 측정 방문 1회당 약 214회의 보이지 않는 로드가 발생했다.
  • 봇은 SEO 크롤러에서 중국 36만 IP, AWS/Azure headless Chrome, residential proxy botnet까지 진화해 IP·국가·데이터센터 차단만으로는 막을 수 없게 됐다.
  • 크롤러를 ‘크롤링 페이지 수/유입 방문자 수’로 평가해 Google(46:1)은 허용하고 Claude-SearchBot(35,000:1), Amzn-SearchBot(하루 117,000페이지·방문자 0)은 차단했다.
  • Cloudflare JavaScript Detections를 끄자 모바일 Lighthouse가 58→99로 올랐지만 5시간 뒤 Azure 기반 스크래퍼가 23,000페이지를 긁어가는 역설이 벌어졌다.
  • 봇이 비용의 99%를 유발하는 상황에서 완벽 차단은 봇 방어 회사 운영과 같으므로, 오탐을 줄이고 되돌릴 수 있는 운영과 크롤러가 비용을 부담하는 pay-per-crawl 같은 구조가 필요하다.

🔗 원문