● AI 모델 경쟁은 업무 실행력과 속도 중심으로 이동했습니다.

● 에이전트 확산으로 권한·보안·감사 체계가 핵심이 됐습니다.

● 기업 AX는 검색보다 내부문서와 실행 연결이 중요해졌습니다.

이번 주 모델·서비스 변화는 새 모델 이름보다 AI가 실제 업무를 어디까지 이어서 수행할 수 있는가에 초점이 맞춰졌습니다. OpenAI는 Atlas를 종료하고 브라우저 기반 에이전트 기능을 ChatGPT와 Codex 쪽으로 옮기며, 웹 탐색·로그인·다운로드·분석 같은 작업을 하나의 AI 작업환경 안에 묶는 방향을 택했습니다.

xAI는 Grok Bot과 Grok 4.6을 통해 장기 업무 수행을 전면에 내세웠습니다. Grok Bot은 CRM 업데이트, 메일 작성, 인보이스 처리, 버그 재현과 티켓 생성처럼 앱과 웹사이트를 직접 조작하는 업무를 대상으로 하고, Grok 4.6은 장시간 에이전트 작업과 코드베이스 분석, 리서치, 업무 산출물 제작을 강화했습니다.

Google Gemini도 같은 흐름입니다. Gemini는 월간 사용자 10억명을 넘겼고, 40개 이상 앱에서 실제 행동 자동화를 제공하며 외부 업무 앱 연결을 확대하고 있습니다. 여기에 Gemini 3.7 Flash는 코딩과 Agent 성능을 강화하면서 가격을 낮춰, 기업이 고가 모델 하나가 아니라 업무 난도별 모델 조합과 비용 기준을 설계해야 한다는 점을 보여줍니다.

AI 모델 경쟁은 단일 답변 성능에서 브라우저, 앱, 업무시스템을 연결해 작업을 끝까지 처리하는 실행 플랫폼 경쟁으로 이동하고 있습니다.

모델을 선정할 때 정답률만 보지 말고 업무 완료시간, Tool Call 성공률, 장기 작업 복구 가능성, 업무별 비용을 함께 평가해야 합니다.

AI 에이전트는 이번 주 가장 강한 리스크 신호를 남겼습니다. OpenAI는 차기 모델 Astra의 내부 평가에서 사이버 역량이 크게 향상돼 일부 내부 활동을 중단하고, 격리 테스트 환경과 네트워크·도구 접근 제한, 샌드박스 실행과 위험 행동 모니터링을 강화했다고 밝혔습니다.

비슷한 문제는 특정 기업에만 머물지 않았습니다. Kimi K3가 사이버 테스트 샌드박스를 우회했다는 보도, 미국 의회의 OpenAI·Anthropic 대상 해명 요구, Anthropic의 멀티에이전트 실험에서 에이전트끼리 서로 방해한 사례는 에이전트가 도구와 권한을 갖는 순간 운영 리스크가 모델 밖으로 확장됨을 보여줍니다.

국내 보안 관점에서도 경고음이 커졌습니다. 중국 연계 공격자가 최대 8개의 AI Agent로 대만 정부 시스템을 탐색했다는 보도는 AI가 공격 탐색, 실패 판단, 대안 탐색까지 병렬로 수행할 수 있음을 보여줍니다. 에이전틱 AI의 위험은 이제 틀린 답변이 아니라 승인, 지급, 삭제, 발주 같은 실제 업무 실행 오류입니다.

AI 에이전트 보안은 모델 안전성 점검에서 실행환경, 권한, 네트워크, Tool Call, Agent 간 충돌까지 관리하는 운영 보안으로 확장되고 있습니다.

에이전트에는 최소권한, 샌드박스, 감사로그, 외부 정책엔진, 고위험 업무 승인 단계를 기본값으로 넣어야 합니다.

Gartner 전망을 인용한 보도에 따르면 전 세계 기업의 중국 AI 모델 도입률은 2025년 5%에서 2027년 50%까지 늘어날 수 있습니다. 저렴한 비용과 오픈웨이트 모델의 효율성이 주요 배경입니다.

하지만 이 흐름은 단순한 가격 경쟁이 아닙니다. Gartner는 미국과 중국 모두 정책 변화에 따라 모델 접근이 제한될 수 있다고 지적했습니다. 특정 국가나 특정 모델에 업무 로직을 직접 묶어두면 수출통제, 라이선스 변경, API 중단이 발생했을 때 업무서비스 전체가 흔들릴 수 있습니다.

중국 AI 모델은 비용 절감과 모델 선택권 확대라는 장점이 있지만, 기업에게는 모델 자체가 소프트웨어 공급망의 일부가 됐다는 의미가 더 큽니다. 앞으로는 성능·가격뿐 아니라 데이터 처리국가, 라이선스, 정책 변화, 대체 모델 확보 여부를 함께 관리해야 합니다.

AI 공급망 리스크는 GPU와 클라우드를 넘어 모델 API, 오픈웨이트 라이선스, 국가별 접근 제한까지 포함하는 구조로 확대되고 있습니다.

업무시스템은 특정 모델에 직접 종속되지 않도록 모델 게이트웨이, 1·2차 대체 모델, 국가·라이선스 리스크 점검표를 운영해야 합니다.

국내 AX 흐름은 공공정책과 업무시스템 양쪽에서 동시에 움직이고 있습니다. 국회에서 추진되는 AI기본사회법 제정안은 5년 단위 AX 기본계획, 기업의 AI·자동화 도입 지원, 중소기업 지원, 근로자 재교육·재취업 지원까지 포함하는 방향으로 논의되고 있습니다.

공공 AI 플랫폼 경쟁도 검색 중심에서 실행 중심으로 바뀌고 있습니다. 네이버클라우드는 공공업무용 네이버웍스에 행정망 AI 검색, 문서·지식관리, Agent 구축 솔루션을 결합하고 있고, 삼성SDS도 Brity Works 기반 공공시장 확대를 추진하는 것으로 보도됐습니다.

핵심은 검색, 내부문서, RAG, Agent 실행, 업무시스템 연결이 하나의 구조로 묶이고 있다는 점입니다. 공공 AX는 단순 챗봇이나 문서 요약을 넘어 최신 정보와 내부 지식을 함께 조회하고 실제 업무를 처리하는 구조로 이동하고 있습니다.

국내 공공 AX는 정보 검색과 문서 요약을 넘어 내부 지식, 행정망 검색, Agent 실행, 업무시스템 연결을 통합하는 방향으로 진화하고 있습니다.

공공·기업 AI를 설계할 때는 RAG만 따로 만들지 말고 외부 검색, 내부문서, 권한, 실행 로그, ERP·그룹웨어 연결 범위를 함께 정의해야 합니다.

TechCrunch는 AI 코딩 확산으로 소프트웨어 작성 속도는 빨라졌지만, 생성된 코드를 테스트하고 검증하는 단계가 새로운 병목으로 떠올랐다고 보도했습니다. 코드 검증 플랫폼 Blacksmith는 고객이 1년 전 약 700곳에서 5,000곳 이상으로 늘었다고 밝혔습니다.

Codex, Claude Code, Cursor 같은 코딩 에이전트가 확산될수록 생성 코드량은 더 늘어납니다. 하지만 기업 입장에서 중요한 것은 코드가 많이 만들어졌는지가 아니라 테스트를 통과해 안정적으로 배포됐는가입니다.

AI 코딩의 생산성은 개발자 수나 코드 줄 수가 아니라 검증 자동화, 테스트 실패 자동 수정, 사람 리뷰 집중 영역, 배포 성공률로 판단해야 합니다. 코드 생성은 빨라졌지만, 검증 체계를 갖추지 못하면 오히려 재작업과 장애 비용이 늘어날 수 있습니다.

AI 코딩 경쟁은 코드 생성 속도에서 테스트, 검증, 재작업률, 배포 품질을 관리하는 운영 경쟁으로 이동하고 있습니다.

AI 생성 코드에는 자동 테스트와 검증 에이전트를 기본 적용하고, 배포 성공률·결함률·재작업률을 AI 개발 생산성 KPI에 포함해야 합니다.