AI 에이전트 뉴스

AI 에이전트 코딩 작업은 일반적인 코드 채팅보다 약 1,000배 많은 토큰을 소비하며, 도구 스키마 중복과 비효율적인 데이터 구조로 인해 비용이 기하급수적으로 증가하는 구조적 문제를 안고 있습니다. 이를 해결하기 위해서는 요청별 토큰 로그 측정, 데이터 압축, 그리고 작업 난이도에 따른 적절한 모델 라우팅 전략이 필수적입니다.

에이전트형 코딩 도구에서 발생하는 과도한 토큰 비용의 원인이 툴 스키마와 거대한 JSON 결과물 등 '숨겨진 오버헤드'에 있음을 밝히고, 이를 최적화하는 프록시 기술을 소개합니다. Lynkr는 요청 분류, 데이터 압축, 시맨틱 캐싱, 모델 라우팅을 통해 비용 절감과 성능 향상을 동시에 달성합니다.

KAIST 연구팀은 AI 에이전트가 기존 생성형 AI보다 훨씬 많은 계산 자원과 전력을 소모하며, 하루 137억 건의 요청 발생 시 미국 하루 전력 소비량의 절연인 198.9GWh를 사용할 것으로 전망했습니다. 이는 단순 질의응답 대비 에너지 소비가 약 136배 높은 수준으로, AI 모델과 인프라의 통합적 최적화가 필수적인 과제로 떠오르고 있습니다.

많은 보안 도구가 curl이나 python-requests를 단순 차단 목록에 포함시켜 높은 오탐률을 발생시키고 있습니다. 진정한 보안은 사용자 에이전트 자체보다 요청 경로의 민감도, IP 평판, 행동 패턴 등 다양한 신호를 결합한 맥락 기반의 위험 평가를 통해 이루어져야 합니다.

제논은 생성형 AI가 단순 챗봇 수준인 GenAI 1.0을 지나 업무 프로세스에 완전히 통합되는 GenAI 2.0 시대로 전환될 것이라고 전망했습니다. 이를 위해 데이터 관리와 앱 개발·배포를 자동화하는 기업용 AI 플랫폼 '제노스(GenOS) 2.0'을 공개하며, 금융권의 대규모 AI 에이전트 도입 흐름에 대응하고 있습니다.

네이버가 AI탭을 통해 검색을 넘어 예약과 결제까지 연결하는 '에기전틱 검색'으로의 전환을 선언하며, 구글은 웹 정보 장악을 목표로 하는 에이전트 전략을 펼치고 있습니다. 이 과정에서 키워드 기반의 기존 검색 문법이 사라지고 AI가 사용자의 행동을 대신 수행하는 시대가 도래하고 있습니다.

개발자가 에이전트형 AI에 지나치게 의존하여 업무에서 소외되는 현상을 방지하기 위해, AI 도구 사용 시 의도적인 대기 시간을 부여하는 'wean'이라는 Nix 기반 스크립트가 공개되었습니다. 이 도구는 기술적 차단이 아닌 적절한 마찰을 제공함으로써 개발자가 자신의 작업에 다시 몰입하고 통제권을 유지하도록 돕는 것을 목표로 합니다.

AI 코딩 에점트가 방대한 파일을 모두 로드할 때 발생하는 정보 망각 문제를 해결하기 위해, 상시 로드되는 가벼운 인덱스(Tier 1)와 필요 시 쿼리하는 SQLite 데이터베이스(Tier 2)로 메모리를 이원화하는 방식을 제안합니다. 이를 통해 에이전트는 컨텍스트 효율성을 극대화하면서도 과거의 결정 사항과 해결 방법을 정확하게 유지할 수 있습니다.

LMCP는 클라우드에 데이터를 전송하지 않고도 AI 에이전트가 사용자의 Mac 내 설치된 다양한 앱(Mail, Slack, Notion 등)에 직접 접근하여 업무를 자동화할 수 있게 해주는 솔루션입니다. 183개 이상의 로컬 도구를 지원하며, 별도의 API 키나 토큰 없이도 기기 내부의 데이터를 활용해 프라이버시를 완벽하게 보호합니다.

KAIST 연구팀은 AI 에이전트가 실제 서비스 환경에서 사용하는 계산 자원과 전력 소모량을 분석한 결과, 기존 생성형 AI보다 질문당 최대 136.5배 많은 에너지를 사용한다는 것을 밝혀냈습니다. 이는 AI 기술의 발전 방향이 모델의 지능을 넘어 에너지 효율성 확보로 확장되어야 함을 보여줍니다.

가트너는 3년 내 글로벌 AI 지출이 4조 7,000억 달러 규모로 성장하며 기업 내 AI 에이전트 활용이 폭발적으로 늘어날 것이라고 전망했습니다. 다만, 에이전트 수가 일정 수준을 넘어서면 초고속 의사결정으로 인해 인간의 실시간 통제가 불가능해지는 위험 단계에 진입할 수 있다고 경고했습니다.

AI 에이전트 보안 샘플 39개를 대상으로 한 테스트에서 AgentGuard만이 유일하게 모든 취약점을 찾아냈으며, Semgrep과 CodeQL은 단 하나도 감지하지 못했습니다. AgentGuard는 OWASP ASI 카테고리와 더불어 메모리 포이즈닝 등 4가지 새로운 공격 벡터를 포함한 특화된 탐지 규칙을 갖추고 있습니다.

Osloq은 버그 수정(Fix)이 아닌 원인 규명(Investigate)에 집중하는 AI 에이전트로, GitHub 이슈를 분석해 샌드박스에서 직접 버그를 재현하고 로그와 스크린샷 등 증거를 제출합니다. 이를 통해 개발자는 AI의 제안을 무조건 수용하는 대신, 정확한 근거를 바탕으로 스스로 판단하여 안전하게 코드를 수정할 수 있습니다.

AI 음성 에이전트 구축 시 플랫폼의 광고 가격만 고려하면 심각한 마진 손실을 입을 수 있습니다. 실제 비용은 오케스트레이션, STT, LLM, TTS, 통신 비용 등 5개 레이어가 결합된 결과물로, 헤드라인 가격보다 훨씬 높은 수준에서 형성됩니다.

MemFlywheel은 AI 에이전트가 세션 간 맥락을 유지하며 스스로 성장할 수 있도록 돕는 메모리 인프라입니다. 마크다운 기반의 파일 네이티브 방식을 채택하여 메모리의 투명성과 추적성을 확보하고, 기존 에이전트 프레임워크에 플러그인 형태로 쉽게 통합될 수 있습니다.

iFLYTElar의 Domux는 Gemma-4-E2B-it를 기반으로 스마트홈 명령 이해에 최적화된 초저지연(150ms 미만) 오픈소스 모델입니다. 구조화된 데이터 출력과 퍼지 의도 처리 기능을 통해 IoT 에이전트가 클라우드 의존성을 낮추고 실시간으로 자연스러운 상호작용을 가능하게 합니다.

기존 RPA는 정해진 규칙과 UI 구조에 의존하여 변화에 취약하다는 단점이 있었으나, Astron-RPA는 AI를 통해 화면 요소를 의미적으로 파악하여 유연한 자동화를 구현합니다. iFLYTEK은 이를 위해 클라우드 기반의 추론 엔진인 AstronClaw와 데스크톱 실행 도구인 Loomy를 결합한 통합 에이전트 생태계를 제안하고 있습니다.

이 기사는 LLM 에이전트가 웹사이트 구조를 효율적으로 이해할 수 있도록 돕는 llms.txt 파일의 표준 규격과 최적화된 작성 가이드를 다룹니다. 단순한 파일 존재 여부를 넘어, 데이터의 정확성, 정적 서빙, 그리고 마케팅 문구가 아닌 사실 중심의 기술을 통해 AI 모델로부터 높은 점수를 받는 방법을 설명합니다.

KMM은 산재된 디지털 정보를 자동으로 수집하고 구조화하여 AI 에이전트의 지식 베이스로 변환하는 통합 파이프라인을 제공합니다. 수집, 분석, 3단계 계층 저장 및 클라우드 동기화를 통해 AI가 개인화된 맥락을 지속적으로 학습하고 활용할 수 있도록 지원합니다.

Simon Willison은 Claude Fable(AI 에이전트)을 활용해 sqlite-utils 4.0rc2 버전을 완성했으며, 이 과정에서 데이터 손실을 유발할 수 있는 심각한 트랜잭션 버그를 발견했습니다. 단 37번의 프롬프트와 약 150달러의 비용만으로 30개 이상의 파일을 수정하며 소프트웨어 품질을 대폭 개선했습니다.