No. 109

AI가 개인 데이터와 운영 현장으로 들어갑니다 — Health⁠·ATLAS⁠·Agent Controls

건강 기록 연결, AI 사용 실측, 에이전트 승인·학습 루프가 AI의 새 운영 기준으로 부상했습니다.

오늘의 핵심

오늘의 흐름은 AI가 범용 대화 도구를 넘어 개인 데이터와 실제 조직의 운영 체계 안으로 들어가는 변화입니다. 오픈AI는 의료 기록과 웨어러블 데이터를 연결했고, 구글은 1,500만 건의 상호작용으로 AI가 실제 어디에 쓰이는지 측정했습니다. 깃허브·마이크로소프트·세일즈포스는 에이전트의 승인, 배포, 평가와 개선을 제품과 조직 안에 구체적으로 심기 시작했습니다.

오픈AI, 의료 기록과 Apple Health를 연결하는 ‘Health in ChatGPT’ 출시

오픈AI가 미국 성인 사용자를 대상으로 ChatGPT 안에 별도 건강 경험을 도입했습니다. 이용자는 지원되는 의료 기록과 Apple Health를 연결해 검사 결과, 약물, 수면과 활동 변화를 한곳에서 보고 질문할 수 있습니다.

  • 개인 맥락 연결: 새 검사 결과를 과거 기록과 비교하거나 진료 전 질문을 준비할 수 있습니다.
  • 보호 원칙: 연결된 건강 데이터와 이를 사용한 대화는 기초 모델 학습이나 광고 타기팅에 사용하지 않습니다.
  • 출시 범위: 미국의 18세 이상 Free·Go·Plus·Pro 사용자를 대상으로 웹과 iOS에서 순차 배포합니다.
📢 AI 헬스케어의 경쟁이 일반 지식 답변에서 사용자가 허용한 장기 건강 맥락을 안전하게 다루는 능력으로 이동합니다.

출처: Launching Health in ChatGPT — OpenAI

구글 ATLAS, 1,500만 건으로 ‘AI가 실제 하는 일’을 측정

구글이 Gemini 앱·AI Mode·Gemini API의 비식별 상호작용 1,500만 건을 분석한 AI & Economy ATLAS 1.0을 공개했습니다. 데이터는 150개 이상 국가, 140개 언어, 800개 직업과 4,000개 작업을 아우릅니다.

  • 넓지만 얕은 도입: AI 사용은 미국 고용의 90 %를 차지하는 직업군에 퍼졌지만, 전형적인 직업에서 활용되는 작업은 약 21 %였습니다.
  • 협업이 자동화보다 우세: 직장 내 상호작용 가운데 완전 자동화는 10 % 미만이었고, 아이디어·전략·검색·학습 보조가 중심이었습니다.
  • 생활 영역의 비중: 관측된 상호작용의 86 % 이상은 업무 밖에서 발생했습니다.
📢 AI의 경제 효과를 논할 때 모델 벤치마크보다 실제 직업·작업 단위의 사용 깊이를 측정하는 데이터가 더 중요해집니다.

출처: Understanding the AI economy — Google

BMS, Vera Rubin 기반 생명과학 AI 팩토리 구축

브리스톨 마이어스 스퀴브(BMS)가 엔비디아 DGX Vera Rubin NVL72 기반의 대규모 AI 시스템을 기존 DGX SuperPOD와 통합합니다. 전 세계 연구자가 하나의 데이터 계층에서 신약 표적 탐색, 분자 설계와 임상 예측을 수행하도록 만드는 구상입니다.

  • 이미 확인된 효과: AI 기반 표적 식별은 과학자의 수주 분량 수작업을 줄였고, 암 유발 단백질을 분해하는 CELMoD 후보군 확장에 쓰였습니다.
  • 자연어 접근: NVIDIA Mission Control을 통해 복잡한 예측 작업을 평문으로 시작할 수 있게 할 계획입니다.
  • 학습의 누적: 지역과 프로그램마다 흩어진 실험 결과를 재사용해 다음 연구의 판단 근거로 연결합니다.
📢 생명과학 AI의 병목은 모델 하나보다 연구 데이터·컴퓨팅·실험 의사결정을 조직 전체의 누적 학습으로 연결하는 데 있습니다.

출처: Bristol Myers Squibb Building Life Science Industry’s Most Advanced AI Factory on NVIDIA Vera Rubin — NVIDIA Blog

깃허브 Issues, 에이전트 변경에 승인·확신도·근거를 붙입니다

깃허브가 이슈를 자동 분류하고 할당하는 에이전트를 위한 제어 기능을 공개 미리보기로 내놨습니다. 자동화가 제안한 변경을 바로 적용하거나 검토 대기 상태로 둘 수 있고, 각 행동에 확신도와 근거가 기록됩니다.

  • 승인 흐름: 라벨·필드·이슈 유형·종료·담당자 변경을 제안으로 보류해 사람이 일괄 승인하거나 거절할 수 있습니다.
  • 확신도 기준: 저장소 관리자는 높은 확신도의 행동만 자동 적용하도록 임계값을 정할 수 있습니다.
  • 감사 가능성: GitHub Agentic Workflows와 Copilot cloud agent가 왜 변경했는지 이력으로 남깁니다.
📢 에이전트 도입의 핵심 제어면이 권한 허용 여부에서 행동별 확신도와 검토 가능한 의도 기록으로 세분화됩니다.

출처: Agent automation controls in GitHub Issues in public preview — GitHub Changelog

마이크로소프트, Copilot 안에서 에이전트를 설계·시험·배포하는 Canvas 공개

마이크로소프트가 GitHub Copilot App 확장인 Foundry Agent Canvas를 공개 미리보기로 선보였습니다. Foundry 프로젝트의 실제 모델·도구함·스킬·가드레일을 시각적으로 선택하고, Copilot이 코드를 수정하며 로컬 시험과 배포까지 이어갑니다.

  • 하나의 작업면: 발견, 스캐폴딩, 구성, 시험, 배포 흐름을 Copilot 옆 패널에 모았습니다.
  • 실제 리소스 연동: 정적 예제가 아니라 현재 프로젝트에 배포된 모델과 정책을 선택합니다.
  • 코드 우선 유지: 내부적으로 Azure Developer CLI 명령을 실행하므로 필요하면 터미널 흐름으로 돌아갈 수 있습니다.
📢 에이전트 개발 도구는 코드를 대신 숨기는 화면보다, 실제 클라우드 상태와 코드 변경을 같은 맥락에서 연결하는 방향으로 진화합니다.

출처: Design, test, and ship Foundry hosted agents from a canvas in GitHub Copilot App — Microsoft Community Hub

세일즈포스 “모델보다 검증 가능한 자기개선 루프가 자산”

세일즈포스가 운영 중인 에이전트를 정적 애플리케이션처럼 두지 않고, 실패를 측정하고 후보 개선안을 시뮬레이션한 뒤 검증된 변경만 누적하는 구조를 제안했습니다. Agentforce는 하루 1,100만 건이 넘는 호출을 처리하지만, 트래픽만으로 시스템이 자동 개선되지는 않는다는 문제의식입니다.

  • 바꿀 수 있는 층: 모델 가중치를 고정해도 프롬프트, 도구 구성, 검색 전략, 메모리, 라우팅과 평가기를 개선할 수 있습니다.
  • 안전한 누적: 모든 변경은 회귀 테스트, 시뮬레이션, 적대적 사례와 필요시 사람의 판단을 거쳐야 합니다.
  • 보상 해킹 경계: 잘못된 지표는 점수만 높이고 사용자 경험은 악화하는 영구적 변경을 만들 수 있습니다.
📢 기업의 장기 경쟁력은 빌려 쓰는 모델보다 생산 트래픽을 안전하고 되돌릴 수 있는 개선으로 전환하는 검증 체계에서 생깁니다.

출처: Toward Self-Improving Agents — Salesforce

세일즈포스 법무팀, 에이전트 운영을 위한 ‘Agent Manager’ 상설화

세일즈포스 법무·대외협력 조직이 Slackbot을 내부 법률 검색, 계약 상태 확인, 문서 요약과 논리 검토에 사용한 운영 사례를 공개했습니다. 수십만 건의 연간 요청을 다루는 고위험 조직에서 사람의 책임과 자동화를 함께 설계한 점이 핵심입니다.

  • 업무 표면 통합: 여러 시스템을 직접 찾는 대신 Slack에서 신뢰 원본을 질의하고 기록 링크를 받습니다.
  • 검증 체계: 위험·영향 점수, 전문가 타이거팀, 표준 가드레일과 자동 회귀 시험을 운영합니다.
  • 새 역할: 법률 전문성과 에이전트 위험 관리를 잇는 Agent Manager를 18개월 시험 뒤 상설 역할로 만들었습니다.
📢 고위험 업무의 AI 전환은 사람을 제거하는 프로젝트가 아니라 누가 품질·위험·회귀를 지속적으로 책임질지 역할을 새로 정의하는 일입니다.

출처: How Slackbot Powers the Salesforce Legal Team — Salesforce

GitHub Mobile, 실패한 Actions 검사를 Copilot에게 바로 맡깁니다

GitHub Mobile에서 풀 리퀘스트의 실패한 Actions 검사에 Fix with Copilot을 선택할 수 있게 됐습니다. Copilot coding agent가 실패 원인을 조사하고 기존 풀 리퀘스트 위에 수정용 풀 리퀘스트를 만든 뒤 검토를 요청합니다.

  • 모바일 시작점: iOS와 Android의 최신 프로덕션 빌드에서 실패한 검사 화면을 바로 에이전트 작업으로 전환합니다.
  • 검토 유지: 에이전트가 수정안을 병합하지 않고 별도 풀 리퀘스트로 제출해 사람이 추가 검증과 병합을 결정합니다.
📢 코딩 에이전트의 진입점이 IDE를 넘어 CI 실패 알림 자체로 이동하면서, 문제 발견과 수정 착수 사이의 시간이 짧아집니다.

출처: GitHub Mobile: Fix failing Actions checks with Copilot cloud agent — GitHub Changelog

Dependabot, 신규 버전 업데이트에 기본 3일 냉각 기간 도입

깃허브가 Dependabot 버전 업데이트 풀 리퀘스트에 기본 3일의 냉각 기간을 적용합니다. 막 공개된 악성 패키지가 자동 업데이트 흐름을 타고 프로젝트에 들어오는 공급망 위험을 줄이기 위한 조치입니다.

  • 공격 시간차 활용: 악성 릴리스가 탐지·삭제되는 초기 시간을 확보한 뒤 업데이트를 제안합니다.
  • 관측 근거: 깃허브가 검토한 2018~2026년 주요 공급망 사고 21건 가운데 다수는 공개 후 수시간 안에 문제가 드러났습니다.
  • 운영 변화: 최신 버전을 가장 빨리 가져오는 것보다 검증 신호가 쌓일 시간을 기본값에 반영합니다.
📢 자동화의 속도를 무조건 높이는 것보다 의도적으로 기다리는 시간이 소프트웨어 공급망의 중요한 안전장치가 됩니다.

출처: The case for a cooldown: Why Dependabot now waits before issuing version updates — GitHub Blog

Nunchaku Lite, 4비트 이미지 생성을 Diffusers 기본 흐름에 통합

허깅페이스 Diffusers가 Nunchaku Lite 체크포인트를 별도 추론 엔진이나 로컬 CUDA 컴파일 없이 불러올 수 있게 됐습니다. 가중치와 활성값을 함께 4비트로 처리하는 W4A4 방식으로 메모리와 지연 시간을 동시에 줄입니다.

  • 소비자 GPU 접근성: 최신 이미지 모델의 BF16 실행에 필요한 20~30 GB VRAM 부담을 낮춥니다.
  • 측정 예시: RTX 5090에서 1024×1024 이미지를 약 1.7초, 최대 약 12 GB 메모리로 생성해 BF16의 약 24 GB보다 절반 수준을 기록했습니다.
  • 범용 통합: 일반 Diffusers 저장소 구조를 유지해 LoRA, 오프로딩과 torch.compile 흐름을 그대로 사용할 수 있습니다.
📢 생성 모델 최적화의 가치가 연구용 커널에서 끝나지 않고 익숙한 라이브러리의 한 줄 로딩 경험으로 들어올 때 실제 사용자층이 넓어집니다.

출처: Bringing Nunchaku 4-bit Diffusion Inference to Diffusers — Hugging Face

오늘의 도구 추천

OmniRoute — 여러 무료·저가 AI 프로바이더를 OpenAI 호환 로컬 엔드포인트로 묶고, 모델별 한도와 장애 상황에 맞춰 요청을 라우팅하는 오픈소스 게이트웨이입니다. 여러 코딩 에이전트와 모델을 시험할 때 공급자별 설정을 한곳에서 관리하려는 개발자에게 유용합니다.

에디터 노트

오늘의 발표들은 AI가 더 똑똑해졌다는 말보다 어디에 연결되고, 누가 통제하며, 무엇을 근거로 개선할지를 구체화했습니다. 건강 기록은 개인의 동의와 보호가 먼저이고, 기업 에이전트는 승인·평가·회귀 시험과 책임 역할이 먼저입니다. AI의 다음 단계는 모델을 한 번 잘 고르는 일이 아니라 데이터와 행동의 경계를 운영 가능한 제도로 만드는 일입니다.

다음에 또 찾아옵니다. — 에이브랜치