Google이 이번 주 소개한 AI에게는 자기 이메일 주소와 캘린더가 있습니다. 회사 주소록에도 이름을 올립니다. 팀원은 채팅방에 초대하거나 문서 댓글에서 불러 일을 맡깁니다.
‘AI 동료’라는 표현은 익숙하지만, 이번에는 그 동료의 계정이 어떻게 생기는지까지 구체적으로 나왔습니다. 한편에서는 AI에게 맡길 일을 아주 작게 나누는 업데이트도 이어졌습니다. 반복 작업용 모델의 가격이 내려갔고, 정해진 선택지 중 답을 고르는 API가 공개 베타로 열렸습니다.
이번 호에는 새 소식과 지난 호 이후 달라진 내용을 함께 담았습니다. GitHub의 비밀정보 탐지와 Cursor의 원격 제어도 짚어봅니다.
10월 6~11일 공개 자료 기준입니다. 아래 소식은 모두 03 · 공식 확인이며, 직접 사용해 성능을 검증한 결과는 아닙니다.
팀 채팅방에 들어오는 Gemini
Google은 10월 8일 ‘Gemini at Work’에서 업무용 Gemini 에이전트를 발표했습니다. 그중 눈여겨볼 부분은 팀이 함께 쓰는 coworker agent입니다.
Google의 설명대로라면, 필요한 역할을 지정해 만든 에이전트는 이메일·캘린더·Drive를 갖춘 별도 Workspace 계정을 받습니다. 팀원들이 Chat 공간에 초대하거나 문서에서 @멘션하면 일을 맡길 수 있고, 문서를 수정한 이력에도 에이전트 자신의 이름이 남습니다. 접근할 수 있는 자료는 팀이 공유한 범위로 제한됩니다.
이 방식에서 달라지는 건 일을 맡기는 입구입니다. 누군가 AI와 나눈 대화를 복사해 팀에 전달하는 대신, 여러 사람이 같은 에이전트를 불러 함께 일을 진행할 수 있습니다. Google은 행사 담당 에이전트가 출시 준비 문서를 만들고, 문서 댓글에 응답하는 예를 들었습니다.
다만 확인한 발표문만으로는 계정별 이용 가능 시점과 요금까지 확정하기 어렵습니다. 팀용 에이전트의 작동 방식을 소개한 발표로 읽고, 실제 도입 조건은 별도로 확인해야 합니다. Google 공식 발표
Haiku는 작은 일을 맡고, Sonnet은 같은 문맥을 싸게 읽는다
문서에서 필요한 항목을 뽑고, 문의를 분류하고, 길어진 대화를 요약하는 일. 한 번은 가벼워도 서비스 안에서 수없이 반복되면 모델 비용이 꽤 쌓입니다.
Anthropic이 10월 7일 출시한 Claude Haiku 5.5는 이런 작업을 겨냥합니다. 요약·분류·데이터베이스 질의와 코딩 보조 에이전트가 주요 용도이고, Haiku 계열에서 처음으로 추론에 들이는 effort를 조절할 수 있습니다.
가격은 프롬프트 길이에 따라 나뉩니다. 100만 토큰당 기준입니다.
| 프롬프트 길이 | 입력 | 출력 | | --- | ---: | ---: | | 10만 토큰 이하 | $0.10 | $0.50 | | 10만 토큰 초과 | $0.50 | $2.50 |
짧은 요청의 단가는 이전 Haiku 4.5의 10분의 1입니다. 다만 토큰을 나누는 방식도 바뀌었으므로, 같은 작업의 청구액이 그대로 10분의 1이 된다는 뜻은 아닙니다. Anthropic도 복잡한 코딩에는 Sonnet·Opus가 더 적합하다고 설명합니다.
지난 4호에서 소개한 Sonnet 5.5의 가격도 달라졌습니다. 같은 날 캐시 읽기 단가가 100만 토큰당 $0.20에서 $0.10으로 내려갔습니다. 저장된 프롬프트를 반복해서 읽는 비용이 줄어든 것으로, 전체 입력·출력 가격을 절반으로 내린 것은 아닙니다. 작은 일을 Haiku로 나눌 때와 긴 공통 문맥을 Sonnet에서 재사용할 때의 계산을 각각 다시 해볼 만합니다. Anthropic 공식 발표·가격표
지난번의 Decisions API, 이제 공개 베타
4호에서 제한적 프리뷰로 소개했던 OpenAI의 Decisions API가 10월 6일 베타로 공개됐습니다. 현재 지원 모델은 GPT-6 Luna입니다. OpenAI 변경 기록
답을 길게 생성하기보다, 개발자가 정한 질문과 선택지에 맞춰 판단을 돌려주는 API입니다. 이번에는 공개 문서에서 결과를 다루는 방식까지 살펴볼 수 있습니다. 범주를 고르는 choice는 선택 결과와 각 선택지의 확률을 돌려주고, 순서가 있는 등급을 평가하는 score는 등급별 확률을 가중 평균한 점수를 제공합니다.
예를 들어 문의를 결제·기술·배송으로 나눌 때는 choice, 장애가 얼마나 심한지 단계별로 평가할 때는 score를 쓰는 식입니다. 문서는 어떤 범주에도 맞지 않는 입력을 위해 ‘기타’ 같은 선택지를 두고 별도 검토 대기열로 보내는 방법도 안내합니다. Decisions API 공식 문서
이전 호에서는 무엇을 판단하게 할지에 초점을 맞췄다면, 이제는 팀이 실제 입력을 넣어 선택지와 등급 기준이 충분한지 시험할 단계가 됐습니다. 공개 베타라는 변화가 중요한 이유입니다.
GitHub는 비밀번호를 찾는 모델을 따로 뒀다
일정한 형식의 API 키는 패턴으로 찾을 수 있지만, 일반 비밀번호는 문자열 모양만 보고 찾아내기 어렵습니다. GitHub가 10월 7일 소개한 전용 모델은 주변 코드를 함께 읽어 자격 증명으로 보이는 값을 찾습니다. 코드나 설명문을 생성하는 모델이 아니라 비밀정보 탐지에 맞춰 조정한 모델입니다.
기존 AI 비밀번호 탐지 알림을 쓰는 고객은 새 모델로 자동 전환됩니다. GitHub Secret Protection·Advanced Security에 포함된 이 알림 검사는 추가 비용 없이 유지됩니다.
다만 푸시 전에 막아주는 검사와 Copilot의 보안 리뷰까지 모두 정식 출시된 것은 아닙니다. AI push protection은 비공개 프리뷰이고, /security-review에 붙는 전용 검사는 비공개 프리뷰 예정입니다. 이 두 추가 검사는 선택적으로 켜는 기능이며, 향후 AI Credits 과금 대상입니다. GitHub 공식 변경 기록
이미 켜져 있는 알림의 모델 교체와, 앞으로 켤 수 있는 유료 검사를 구분해서 볼 소식입니다.
Cursor에 답하러 책상으로 돌아오지 않아도 된다
로컬 에이전트에게 일을 맡기고 잠시 자리를 비웠는데, 중간에 질문이 와서 멈췄다면 어떨까요. Cursor가 10월 6일 공개한 원격 제어는 이런 상황에서 쓸 만한 기능입니다. iOS 앱으로 컴퓨터에서 실행 중인 에이전트의 진행 상황을 보고 메시지를 보낼 수 있습니다.
같은 계정으로 로그인한 뒤 데스크톱 앱에서 연결을 승인하면 됩니다. 작업은 원래 컴퓨터에서 계속 실행되므로 컴퓨터를 켜 두고 인터넷에 연결해 둬야 합니다. 클라우드 에이전트가 필요한 기능은 아닙니다. Enterprise 조직에서는 관리자가 원격 제어를 켜야 합니다. Cursor 변경 기록
L-Proof의 해석
넓게 맡기려면, 안에서는 얼마나 잘게 나눠야 할까
팀의 한 역할을 맡는 Gemini와 범주 하나를 고르는 Decisions API를 나란히 놓으면 크기가 꽤 다른 일처럼 보입니다. GitHub의 전용 모델은 그보다도 맡은 일이 분명합니다. 주변 코드에서 비밀정보를 찾습니다.
L-Proof는 이 차이가 앞으로 에이전트 제품을 이해하는 데 중요해질 수 있다고 봅니다. 사용자는 ‘출시 준비를 도와줘’처럼 넓게 요청하더라도, 내부에서는 문서를 읽고, 문의를 분류하고, 코드에 비밀정보가 있는지 확인하는 일을 서로 다른 도구에 나눌 수 있기 때문입니다. 이번 제품들이 실제로 서로 연결돼 있다는 뜻은 아닙니다. 넓은 업무를 맡기는 경험과 좁은 판단 도구가 함께 발전할 수 있다는 관찰입니다.
그렇다면 에이전트를 잘 만드는 일에는 어떤 판단을 작게 떼어낼 수 있는지 알아보는 능력도 포함될 겁니다. 다만 선택지를 정했다고 일이 단순해지는 것은 아닙니다. ‘결제’와 ‘배송’ 양쪽에 걸친 문의처럼, 애초에 경계가 겹치는 일도 있습니다. 이런 일을 억지로 한 칸에 넣으면 모델이 빨리 답할수록 잘못된 분류도 빨리 쌓일 수 있습니다.
작은 모델과 전용 API가 유용해질수록, 사람이 정한 업무 구분이 제대로 돼 있는지도 더 자주 드러날 것 같습니다.
팀의 AI에게는 누구의 일이 먼저일까
일을 쪼갤 수 있어도 순서는 남습니다. 가령 마케팅 담당자는 출시 문서를 오늘 끝내 달라고 하고, 제품 담당자는 사양이 바뀔 수 있으니 멈춰 달라고 했다고 해봅시다. 팀 에이전트가 두 요청을 모두 잘 이해해도, 어느 요청이 앞선 결정을 바꿀 수 있는지 모르면 일을 진행하기 어렵습니다.
L-Proof가 Google의 별도 계정에서 더 보고 싶은 것은 이 대목입니다. 팀이 같은 AI를 부를 수 있게 됐다면, 지금 누구의 요청을 따르고 무엇 때문에 기다리는지도 함께 보여야 할 겁니다. 그렇지 않으면 사람이 하던 업무 조율이 AI의 개인 대화 안으로 숨어들 수 있습니다.
Cursor의 원격 제어는 사람이 답할 수 있는 장소를 넓혀줍니다. 하지만 답하기 쉬워졌다는 이유로 모든 작은 갈림길을 사람에게 되묻게 된다면, 저렴해진 모델이 만든 작업량만큼 알림도 늘 수 있습니다.
앞으로는 에이전트가 일을 몇 개 끝냈는지와 함께 그동안 사람을 몇 번 불렀고, 답을 기다리는 동안 무엇을 계속했는지도 보고 싶습니다. 팀 전체가 쉽게 일을 맡기는 AI가, 팀 전체를 자주 멈춰 세우는 AI가 되지는 않는지 말입니다.