5월 셋째 주는 구글 I/O 2026이 판을 흔든 한 주였다. 제미나이 3.5와 옴니 공개로 구글이 에이전트·멀티모달 경쟁에서 다시 주도권을 쥐었고, 같은 주에 가트너가 처음으로 엔터프라이즈 AI 코딩 에이전트 매직 쿼드런트를 발표하며 코딩 에이전트가 실험 단계를 지나 정식 조달 대상으로 편입됐다. 미스트랄은 자체 코딩 모델과 원격 에이전트를 묶어 경쟁에 가세했고, 앤트로픽은 카파시 영입으로 인재 전쟁에서 눈에 띄는 승리를 거뒀다. 다만 AI 도구 생태계가 커질수록 이를 노리는 공급망 공격도 정교해지고 있다는 경고가 함께 나왔다. 국내에서는 생성형 AI 이용 저변이 44.5%까지 넓어지며 유통업계 판도를 흔드는 동시에, RAG 도입 열기 뒤편에서 운영 품질에 대한 냉정한 재평가도 시작됐다.
해외 뉴스
구글이 I/O 2026 키노트에서 제미나이 3.5 플래시와 제미나이 옴니를 공개했다.1 제미나이 3.5 플래시는 코딩 벤치마크(Terminal-Bench 2.1)에서 76.2%를 기록했고 초당 289토큰으로 이전 플래그십인 3.1 프로보다 네 배 빠른 추론 속도를 보였다.1 제미나이 옴니는 이미지·음성·영상·텍스트를 임의로 조합해 물리 법칙을 반영한 고품질 영상을 생성하는 멀티모달 모델로, 구글은 이를 "에이전틱 제미나이 시대"의 시작으로 규정했다.1 벤치마크 경쟁을 넘어 실사용 가능한 속도와 멀티모달 생성을 한 번에 끌어올렸다는 점에서, 오픈AI·앤트로픽 중심으로 흘러가던 프론티어 모델 경쟁 구도에 다시 균열이 생겼다.
가트너가 첫 '엔터프라이즈 AI 코딩 에이전트' 매직 쿼드런트를 내놓으면서 깃허브·오픈AI·커서를 나란히 리더로 꼽았다.2 깃허브는 실행력(ability to execute) 부문에서, 커서는 비전 완성도(completeness of vision) 부문에서 각각 최상위 평가를 받았다.2 코딩 에이전트가 리서치 단계의 실험 도구가 아니라 정식 조달 카테고리로 편입됐다는 신호로, 이제 기업 IT 부서가 벤더 선정 시 참고할 공인된 비교 축이 생겼다는 의미가 크다.
미스트랄이 코딩 툴 바이브에 원격 에이전트를 추가하고, 이를 뒷받침하는 신규 모델 미스트랄 미디엄 3.5를 함께 출시했다.3 미디엄 3.5는 1280억 파라미터 밀집 모델로 25.6만 토큰 컨텍스트를 지원하며 SWE-Bench Verified에서 77.6%를 기록했다.3 원격 에이전트는 로컬 터미널에 묶여 있던 바이브 세션을 클라우드로 옮겨 병렬 실행할 수 있게 하고, 깃허브·리니어·지라·센트리 등 개발 워크플로우 도구와 직접 연동된다.3 오픈소스 진영 대표주자였던 미스트랄이 상용 원격 에이전트 인프라까지 갖추면서, 코딩 에이전트 경쟁이 모델 성능을 넘어 실행 인프라 싸움으로 옮아가고 있음을 보여준다.
오픈AI 공동창업자 출신 안드레이 카파시가 앤트로픽 사전학습(pretraining) 조직에 합류했다.4 그는 사전학습 리더 닉 조지프 산하에 새 팀을 꾸려 클로드를 활용한 사전학습 연구 가속화를 맡는데, 조직상 다리오 아모데이 아래 세 번째 단계로 직급상으로는 낮아진 자리다.4 테슬라 오토파일럿을 이끌었고 AI 교육 콘텐츠로도 폭넓은 영향력을 지닌 인물이 직급을 낮춰서라도 앤트로픽 사전학습 조직을 택했다는 점에서, 업계는 이를 프론티어 연구의 무게중심이 어디로 쏠리고 있는지 보여주는 상징적 이동으로 받아들이는 분위기다.
보안업체 이클렉틱IQ가 제미나이 CLI와 클로드 코드를 사칭한 SEO 포이즈닝 캠페인을 공개했다.5 공격자는 블랙햇 SEO로 가짜 설치 페이지를 검색 결과 상단에 노출시킨 뒤, 개발자에게 파워셸 명령을 복사·실행하도록 유도해 메모리에서만 동작하는 인포스틸러를 심었다.5 탈취 대상은 브라우저 로그인 정보뿐 아니라 슬랙·팀즈·디스코드 세션 토큰, SSH 키, 클라우드 접근 정보, 암호화폐 지갑까지 걸쳐 있고, 노드JS·초콜레이티·킵패스XC 등을 사칭한 가짜 도메인 30여 개가 함께 발견됐다.5 AI 코딩 도구 설치가 일상적인 절차가 될수록 개발자 환경 자체가 고권한 공급망 공격의 표적이 된다는 점을 다시 확인시켜준 사건이다.
국내 뉴스
과학기술정보통신부의 인터넷이용실태조사에서 국민 생성형 AI 경험률이 44.5%로 전년 대비 11.2%포인트 상승한 것으로 나타났다.6 이용자의 41.8%가 챗GPT를 쓰고 제미나이(9.8%), 코파일럿(2.2%)이 뒤를 이었으며, 검색창 대신 챗봇에 직접 질의하는 습관이 유통업계 쇼핑 경로 자체를 바꾸고 있다.6 롯데홈쇼핑·LF·아모레퍼시픽 등은 상황을 설명하면 맞춤 상품을 추천하는 대화형 쇼핑 서비스를 내놨고, 업계는 "고객이 상품을 발견하는 순서를 바꾸는 일"이라며 AI 안에서의 노출 확보를 새로운 과제로 꼽는다.6 검색 SEO에 쏟던 마케팅 자원이 AI 응답 안에서의 추천 최적화로 옮겨갈 신호로 볼 수 있다.
오브젠 최규호 DX팀 이사는 기업 AI 에이전트 도입의 관건이 LLM 연동이 아니라 워크플로우 설계라고 짚었다.7 그는 많은 SaaS가 AI 기능을 얹으면서 솔루션 비용과 토큰 비용을 이중 부담시키는데, 진짜 문제는 비용보다 사용량이 늘었을 때도 예측 가능한 결과를 안정적으로 낼 수 있느냐라고 지적했다.7 데이터베이스·파일시스템·API 같은 외부 시스템까지 묶어 파편화된 개인 도구 사용을 중앙 파이프라인으로 통합해야 실제 업무에 쓸 수 있는 에이전트가 된다는 게 핵심 주장이다.7 모델 성능 경쟁이 한창인 해외 뉴스와 대비해, 국내 실무 현장의 관심은 이미 도입 이후 운영 설계로 넘어가 있음을 보여준다.
클라이온 박윤지 대표는 RAG가 환각을 근본적으로 잡았다고 보기는 이르다고 지적했다.8 출시 직후 잘 작동하던 RAG 챗봇이 수개월 운영 후 답변 품질이 떨어지는 사례가 반복되는데도, 많은 조직이 이를 정성적 판단에만 의존해 파악한다는 것이다.8 그는 문서 추가나 구조 변화가 검색 성능에 미치는 영향을 잴 지표 자체가 없고, 청크 크기·Top-K·임베딩 모델 등 조정 변수가 수십 가지에 달하며, 특정 영역 개선이 다른 영역 저하로 이어지는 풍선 효과를 검증할 체계도 없다는 세 가지 구조적 한계를 짚었다.8 RAG 도입 열기가 한창인 국내 기업들에 던지는 신호로, 지표 없는 품질 관리로는 도입 초기의 성과가 오래가지 않는다는 경고로 읽힌다.