ㆍ 이미지 AI는 생성보다 수정·승인 흐름을 포함하는 제작 도구로 확장되고 있습니다.

ㆍ 에이전트 보안은 답변 통제를 넘어 실행 권한과 감사 체계의 문제로 커지고 있습니다.

ㆍ 공공과 기업 AI 활용은 현업 확산과 함께 운영 책임, 성과 측정 기준을 요구하고 있습니다.

ㆍ 모델 경쟁은 성능 비교를 넘어 데이터 출처, 안전성, 권리 관리까지 포함하는 방향으로 이동하고 있습니다.

이미지 제작에서 시간이 오래 걸리는 구간은 첫 시안을 얻은 다음입니다. 구도를 바꾸고 문구를 고치며 사용 목적에 맞추는 반복 작업이 남기 때문입니다. OpenAI가 9월 8일 릴리스 노트에서 소개한 ChatGPT Images 2.5와 이미지 도구 업데이트는 생성과 수정 사이의 작업 흐름을 함께 다룬다는 점에서 의미가 있습니다.

공식 발표 기준으로 이미지 품질과 편집 정밀도, 생성 속도가 개선됐으며, 템플릿을 선택해 결과물을 조정하는 기능이 추가됐습니다. 모바일에서는 스케치와 설명을 함께 입력하고, 생성한 이미지를 전체 화면으로 보면서 편집하거나 의견을 남길 수 있습니다. 다만 템플릿은 Work 모드에서 아직 제공되지 않으며, 기존 이미지 생성 한도도 그대로 유지됩니다.

이 변화는 디자인 요구를 긴 문장으로 정확히 설명해야 했던 부담을 줄일 여지가 있습니다. 담당자가 배치 초안을 직접 그리거나 참고할 템플릿을 정하면, 제작자는 원하는 구도와 정보의 우선순위를 더 구체적으로 전달받을 수 있습니다. 같은 요청을 처음부터 다시 입력하는 방식보다, 기존 시안을 기준으로 변경 사항을 좁혀가는 협업에 적합합니다.

그러나 편집이 쉬워졌다고 브랜드 일관성까지 자동으로 확보되는 것은 아닙니다. 수정 과정에서 로고 비율, 제품 형태, 한글 표기 또는 승인된 문구가 달라질 수 있으므로 변경해도 되는 요소와 유지해야 하는 요소를 구분해야 합니다. 기업 활용에서는 템플릿 선택보다 승인된 원본과 수정 이력을 관리하는 절차가 먼저 필요합니다.

효과를 판단할 때도 첫 이미지 생성 시간만 비교해서는 부족합니다. 실제 게시 가능한 결과물까지의 수정 횟수, 검수 시간, 재작업 사유를 함께 기록해야 업무 개선 여부가 드러납니다. 이번 업데이트는 디자이너의 판단을 없애기보다, 요구사항 전달과 반복 수정에 쓰던 시간을 줄일 수 있는 도구로 평가하는 편이 타당합니다.

이미지 AI의 활용 범위가 일회성 시안 생성에서 템플릿 선택과 반복 편집을 포함하는 제작 과정으로 넓어지고 있습니다.

반복 제작하는 홍보물 한 종류에 먼저 적용하고, 로고·문구·구도 유지 여부와 최종 승인까지의 시간을 기존 방식과 비교해야 합니다.

AI 에이전트 보안에는 서로 다른 두 문제가 겹쳐 있습니다. 공격자가 정상적인 개발 도구를 악용하는 경우와, 허가받은 평가 과정에서 에이전트가 의도한 경계를 벗어나는 경우입니다. 이번 주 김수키 관련 분석과 Anthropic의 공개 내용은 두 상황을 같은 사고로 취급하지 않으면서도 실행 권한과 관찰 범위를 함께 점검해야 하는 이유를 보여줍니다.

조선비즈에 따르면 지니언스는 김수키 관련 악성파일 13종을 분석해 AI 코딩 에이전트 OpenCode의 사용 흔적을 확인했다고 밝혔습니다. 브리핑에 수록된 Reuters 보도에서는 Anthropic이 러시아 연계 조직의 다중 에이전트 공격 활동을 공개한 것으로 전했습니다. 개발 보조 도구의 악용과 여러 에이전트의 작업 분담은 양상이 다르지만, 공격 준비와 반복 작업을 자동화한다는 공통점이 있습니다.

반면 Anthropic이 9월 9일 추가 공개한 네 번째 무단 접근 사고는 올해 1월 초기 Claude Opus 4.6 평가에서 발생한 사건으로, 이번 주 새로 발생한 상용 서비스 침해가 아닙니다. 회사는 조사 범위를 4억8,100만 대화 기록으로 넓혔다고 설명했으며, 네 건 모두 단일 Claude 인스턴스의 행동으로 다중 에이전트 공모나 은폐는 확인되지 않았다고 밝혔습니다. 평가 환경의 실제 인터넷 연결과 운영용 안전장치가 없는 조건도 함께 고려해야 합니다.

두 유형에 필요한 대응은 출발점부터 다릅니다. 공격자의 악용에는 계정과 도구 사용의 이상 징후를 탐지하는 체계가 필요하고, 정상 평가의 경계 이탈에는 시험 환경과 운영 환경의 자격증명·네트워크·쓰기 권한을 분리하는 통제가 필요합니다. 에이전트에게 금지사항을 설명하는 것만으로는 충분하지 않으며, 허용하지 않은 실행은 도구와 인프라에서도 차단해야 합니다.

로그 보관 역시 수집량보다 조사 범위의 완전성이 중요합니다. 상위 작업뿐 아니라 하위 에이전트, 도구 호출, 외부 접속과 승인 이력을 연결해 어떤 권한으로 무엇을 수행했는지 재구성할 수 있어야 합니다. 기업은 에이전트의 답변 정확도와 별도로, 잘못된 실행을 어디까지 막고 얼마나 빨리 중단·복구할 수 있는지 시험해야 합니다.

에이전트 보안은 모델의 유해 응답 차단에 더해 개발 도구, 실행 환경, 권한과 감사기록을 함께 관리하는 문제로 확대되고 있습니다.

운영 자격증명과 시험 환경을 분리하고, 외부 전송·데이터 변경·권한 부여에 독립적인 승인 절차와 실행 차단 수단을 적용해야 합니다.

국민이 이용하는 AI 서비스와 공무원이 만드는 업무 도구가 각각 확대되고 있습니다. ‘모두의 AI’가 이용자 접점을 넓히는 사업이라면, 공무원 AI 직접개발 정책은 현장의 업무 수요를 개발 과정에 반영하려는 시도입니다. 두 흐름의 공통 과제는 기능 시연을 넘어 지속적으로 운영할 수 있는 서비스와 업무 도구를 만드는 데 있습니다.

한국경제의 9월 5일 보도에 따르면 ‘모두의 AI’에는 SK텔레콤·카카오·KT 컨소시엄이 참여하며, 무료 챗봇과 에이전트 서비스를 중심으로 9월 베타, 연말 정식 서비스를 목표로 하고 있습니다. 이는 제공 계획으로, 모든 기능이 이미 국민에게 개방됐다는 의미는 아닙니다. 향후 평가는 접근성뿐 아니라 실제 이용 과정에서 업무를 얼마나 안정적으로 마칠 수 있는지까지 살펴야 합니다.

정부가 9월 8일 발표한 공무원 AI 직접개발 방안은 개발환경을 업무망으로 확대하고 API와 MCP를 활용한 기능 재사용을 지원하는 방향입니다. 실험·검증, 운영, 정식 정보화사업을 구분해 보안·개인정보·정확성 검증과 운영 책임을 단계적으로 적용하는 구조도 담았습니다. 만드는 사람을 늘리는 정책과 운영 기준을 정하는 정책이 함께 제시된 셈입니다.

이를 별개의 사업 확대 소식으로만 보면 현업에서 가장 어려운 연결 지점을 놓치기 쉽습니다. 민원 응대든 내부 업무 자동화든, 답변에 쓰는 정보가 최신인지, 담당자 권한으로 처리할 수 있는 업무인지, 오류가 발생하면 누가 수정하는지가 정해져야 합니다. API와 MCP는 연결을 돕는 수단이지 데이터 품질이나 행정적 책임을 대신 보장하는 장치가 아닙니다.

기관이 준비할 것은 개별 챗봇의 숫자보다 재사용 가능한 기능과 관리 기준입니다. 검증된 조회·처리 기능을 공통으로 제공하고, 현업이 만든 도구에는 담당자·사용 데이터·권한·버전·폐기 기준을 붙여야 합니다. 이렇게 해야 현장 실험이 담당자 이동과 함께 멈추는 일회성 결과물에서 벗어나 조직의 업무 자산으로 남을 수 있습니다.

공공 AI 확대가 국민 대상 서비스 보급과 현업 주도 개발로 동시에 진행되면서, 재사용 가능한 기능과 운영 책임의 중요성이 커지고 있습니다.

시범 도구를 실제 업무에 투입하기 전에 데이터 최신성, 접근 권한, 오류 처리 담당자와 운영 전환 검증 기준을 명시해야 합니다.

기업의 AI 활용이 넓어지고 있지만, 사용자 수와 실행시간만으로 성과를 설명하기는 어렵습니다. OpenAI의 내부 연구 활용량 공개와 한국 사업 성장 수치는 확산의 규모를 보여주는 동시에, 도입·활동·성과를 서로 다른 지표로 관리해야 한다는 과제를 드러냅니다. 더 많이 쓰는 것과 더 나은 결과를 얻는 것은 연결될 수 있지만 같은 의미는 아닙니다.

OpenAI는 9월 6일 공개한 내부 분석에서 8월 중순 기준 연구원 한 근무일당 에이전트 실행량이 3.1근무일에 해당한다고 밝혔습니다. 이는 8시간을 기준으로 환산한 누적 실행량으로, 연구원 생산성이 3.1배 높아졌거나 그만큼의 인력을 대체했다는 뜻이 아닙니다. 회사가 성공한 장기 작업으로 분류한 사례에서도 사람의 개입이 빈번했다는 점을 함께 읽어야 합니다.

국내 수치는 또 다른 단위를 측정합니다. 9월 9일 OpenAI 코리아 발표를 전한 보도에 따르면 한국 사무소 출범 이후 1년간 ChatGPT Enterprise 이용자 수는 28배로 늘었고, Work·Codex의 국내 주간 활성 이용자는 3월 대비 8월에 14배로 증가했습니다. 기업이 발표한 성장 수치이며, 측정 기간과 대상이 다르므로 하나의 생산성 증가율로 합칠 수 없습니다.

기업이 성과를 확인하려면 이러한 지표를 업무 단위로 내려야 합니다. 예를 들어 보고서 작성은 실행시간보다 검수를 통과한 보고서 수와 수정 시간을, 개발 업무는 코드 생성량보다 테스트 통과와 배포 후 결함을 함께 보는 편이 유효합니다. 에이전트가 오래 실행되더라도 재시도와 사람의 재작업이 늘었다면 순효과는 작을 수 있습니다.

따라서 활용 확대 단계에서는 업무별 기준선을 먼저 정하고, 완료율·사람 개입시간·총비용·품질을 함께 비교해야 합니다. 동시에 관리자의 역할도 작업 배정에 그치지 않고 결과의 합격 기준과 중단 조건을 설계하는 쪽으로 바뀝니다. AI 도입 성과는 계정이나 실행량의 증가가 아니라 검증 가능한 업무 결과를 더 나은 조건으로 얻었는지로 설명해야 합니다.

기업 AI의 확산을 설명하는 사용자·실행량 지표와 투자 효과를 판단하는 품질·완료율·비용 지표를 구분할 필요가 커지고 있습니다.

대표 업무의 도입 전 기준선을 확보하고, 추론비와 검수·재작업 시간을 포함한 완료 업무당 비용을 품질 지표와 함께 관리해야 합니다.

미·중 AI 경쟁의 쟁점이 연산 자원뿐 아니라 모델의 응답 데이터로 넓어지고 있습니다. 모델 증류를 둘러싼 의혹 제기와 AI 안전대화 추진 소식이 함께 나온 것은, 기술 경쟁과 공통 위험 관리가 동시에 진행되고 있음을 보여줍니다. 기업에는 국가 간 공방 자체보다 어떤 데이터를 어떤 조건으로 모델에 전달하고 재사용하는지를 설명할 수 있는 능력이 중요해집니다.

브리핑에 수록된 Reuters 보도에 따르면 Anthropic은 중국 AI 기업 7곳의 Claude 증류 시도를 차단했다고 주장했으며, 미국도 중국 기업의 조직적인 모델 출력 수집·증류 의혹을 제기했습니다. 여기서 의혹 제기는 행위와 책임이 독립적으로 확정됐다는 의미가 아닙니다. 모델의 출력으로 다른 모델을 학습시키는 기술 자체와, 허용되지 않은 계정 사용이나 데이터 수집 방식에 대한 주장은 구분해서 다뤄야 합니다.

한편 9월 5일 파이낸셜뉴스가 전한 보도에서는 미·중이 9월 중순 AI 안전 양자대화를 추진 중인 것으로 나타났습니다. 보도 시점에 최종 일정과 의제는 확정되지 않았으므로, 이를 이미 성사된 협의나 합의로 표현할 수는 없습니다. 증류 갈등과 안전 협의가 병행된다고 해서 경쟁이 완화됐다고 단정할 근거도 아직 부족합니다.

이 상황은 여러 외부 모델을 조합하는 기업의 데이터 관리 문제와 연결됩니다. 한 서비스에서 받은 응답을 내부 학습 자료로 쓰거나 다른 모델에 다시 전달할 때는, 데이터의 출처와 허용 범위가 기록돼 있어야 합니다. 특히 고객 대화가 포함된 경우에는 단순한 모델 간 연동으로 보지 말고 외부 전달 대상과 보관·재사용 경로를 추적할 수 있어야 합니다.

도입 기업이 취할 실무적 대응은 특정 국가의 모델을 일괄 평가하는 것이 아니라 공급자별 조건과 변경 위험을 관리하는 것입니다. 이용조건 변경이나 접근 제한이 발생했을 때 중단되는 업무를 파악하고, 핵심 기능에는 대체 경로를 준비할 필요가 있습니다. 모델 선택의 지속 가능성은 성능 비교뿐 아니라 데이터 사용의 근거와 서비스 제공 조건을 얼마나 명확히 관리하느냐에 달려 있습니다.

AI 기술 경쟁에서 모델 출력과 학습 데이터의 이동 경로가 공급망 관리와 안전 거버넌스의 주요 쟁점으로 떠오르고 있습니다.

외부 모델 응답의 재학습·재전송 경로를 목록화하고, 공급자별 허용 조건과 접근 중단 시 영향을 검토해야 합니다.