AI 에이전트 뉴스

Orca - 여러 병렬 코딩 에이전트를 위한 오픈소스 ADE

지난달 웹로그 분석 서버의 Access Log 데이터를 조회해 보다가 팀룸에서 깊은 한숨이 터져 나왔습니다. 서비스 전체 HTML 요청 트래픽을 전수 조사한 결과, 일반 사용자의 웹 브라우저에서 발생한 HTTP 요청 비율이 불과 48%에 불과했기 때문입니다. 나머지 52%의 트래픽은 사람이 아닌 AI 에이전트, 서치봇, 그리고 각종 자동화 스크립트가 발생시킨 요청이었습니다. 더 큰 문제는 마케팅팀과 함께 진행한 서비스 노출 분석 결과였습니다. 매달 수천만 원의 예산을 들여 검색엔진 최적화(SEO) 작업을 진행했고, 구글 검색 결과 상위 3위 이내에 서비스 이름을 올리고 있었지만 실제 신규 유입 구매 전환율은 지난분기 대비 35%나 급락해 있었습니다. 고객들이 더 이상 검색창에 키워드를 치고 들어와 블로그나 상세 페이지를 직접 하나씩 읽지 않고 있었습니다. 대신 퍼플렉시티, 서치GPT, 클로드 에이전트 같은 답변 엔진(Answer Engine)에게 "내 상황에 가장 적합한 B2B 모니터링 솔루션 하나만 골라줘"라고 명령하고 있었던 겁니다. 정작 그 AI 에이전트들은 수많은 자바스크립트로 떡칠된 우리 홈페이지에 들어와 빈 화면만 긁어가거나, 복잡한 DOM 구조를 해석하지 못해 경쟁사 서비스를 최종 답변으로 추천하고 있었습니다. 구글 상위에 노출되어도 정작 AI 에이전트의 선택을 받지 못하면 비즈니스가 고사하는 시대가 눈앞에 도래했던 것이죠. 독자 여러분께 오늘 글을 한 줄로 요약해서 말씀드리면 이겁니다. 웹 서비스의 생존 공식은 이제 사람을 위한 SEO(검색엔진 최적화)에서 AI 에이전트가 쉽게 읽고 강력하게 추천하도록 만드는 AEO(답변 엔진 최적화) 아키텍처로 완전히 전환되었습니다. 1. 화려한 쇼윈도에서 AI 전용 드라이브스루로 기존의 웹 아키텍처는 온전히 '사람의 눈'을 위해 최적화되어 있었습니다. 화려한 CSS 애니메이션, 사용자 반응형 자바스크립트 컴포넌트, 시각적 브랜딩 요소가 웹사이트의 가치를 결정했습니다. 비유하자면 아름답게 인테리어가 된 백화점 쇼윈도와 같았죠. 하지만 AI 에이전트에게 이러한 화려한 쇼윈도는 그저 거대한 소음이자 파싱 에러를 유발하는 장애물일 뿐입니다. AI 에이전트가 원하는 것은 화려한 백화점 매장이 아니라, 정확한 규격으로 물품이 정리되어 0.1초 만에 픽업할 수 있는 '무인 드라이브스루'입니다. 챗GPT나 퍼플렉시티 같은 에이전트는 웹을 방문할 때 HTML 태그나 자바스크립트 실행 결과보다는, 즉시 언어모델이 이해할 수 있는 Clean Markdown, 구조화된 메타데이터(JSON-LD), 그리고 호출 가능한 API 사양(OpenAPI Spec)을 원합니다. 우리는 즉시 웹 아키텍처 개편 작업에 착수했습니다. 기존의 SSR/CSR 혼합 구조 위에 AI 에이전트 전용 콘텐츠 제공 레이어를 결합하는 AEO(Answer Engine Optimization) 백엔드 파이프라인을 구축했습니다. 전환 후 우리가 얻은 정량적 KPI 결과는 놀라웠습니다. 인간 대 에이전트 트래픽 비율 : 전체 HTML/Data 요청 중 에이전트 비중 52% 이상 차지 확인 AI 에이전트 파싱 성공률 : 기존 38% 수준에서 AEO 적용 후 96%로 대폭 상승 답변 엔진 추천 노출 빈도 : 주요 AI 서비스 내 서비스 추천 지수 4.2배 증가 에이전트 응답 생성 시간(TTFT) : 엣지 마크다운 캐싱을 통해 수집 latency 55% 단축 2. 자바스크립트 렌더링에 갇힌 AI 에이전트의 통곡 물론 아키텍처를 교체하는 과정이 순탄치만은 않았습니다. 가슴 아픈 시행착오 잔혹사가 있었습니다. 처음에 우리는 "어차피 요즘 LLM 크롤러들은 Headless Chrome을 돌리니까 문제없겠지"라고 안일하게 생각했습니다. React 기반의 레거시 코드를 그대로 둔 채 robots.txt만 풀어두었던 것이 화근이었습니다. 어느 날 새벽, AI 서비스들이 우리 서비스를 엉뚱하게 설명하거나 "해당 서비스의 요금제 정보를 찾을 수 없습니다"라는 허위 답변(Hallucination)을 내놓고 있다는 고객 제보가 접수되었습니다. 웹서버 로그를 정밀 분석해 보니, AI 에이전트의 크롤러들은 비용과 속도 문제로 인해 자바스크립트를 1초 이상 기다려주지 않았습니다. React가 Hydration을 완료하고 API를 호출해 화면을 뿌려주기도 전에 빈 <div id="root"></div> 태그만 긁어가서 학습하거나 답변을 생성해 버린 것이었습니다. 설상가상으로, 보안 팀에서 설정해 둔 WAF(Web Application Firewall)가 문제였습니다. 평소보다 빠른 속도로 페이지를 긁어가는 Cloudflare 및 OpenAI 계열의 에이전트 IP들을 악성 Bot으로 오인하여 HTTP 403 Forbidden으로 차단하고 있었습니다. 에이전트는 우리 사이트에 접근조차 못 하고 돌아서버렸고, 결과적으로 AI의 추천 생태계에서 우리 브랜드가 한순간에 소멸했던 겁니다. 이 잔혹사를 겪고 난 뒤에야 우리는 AI 에이전트를 차단의 대상이 아닌, 매출을 가져다주는 'VIP 사용자의 대리인'으로 재정의하게 되었습니다. 3. 에이전트가 스스로 결제까지 처리하는 3단계 백엔드 개편 우리는 웹 응답 아키텍처를 근본적으로 개편했습니다. Cloudflare에서 선보인 Agent Readiness 지표와 AEO(Answer Engine Optimization) 도구를 적극적으로 백엔드 파이프라인에 이식했습니다. 현장에서 바로 적용할 수 있는 3단계 개편 가이드는 다음과 같습니다. 1단계: Content Negotiation 기반 Clean Markdown 레더링 : 클라이언트가 요청을 보낼 때 HTTP Accept 헤더에 text/markdown 을 포함하거나 User-Agent가 에이전트로 확인되면, 무거운 HTML/JS 대신 렌더링이 완료된 순수한 Markdown 텍스트와 JSON-LD 메타데이터만 반환하도록 엣지 워커(Edge Worker)를 배치했습니다. 2단계: robots.txt와 sitemap.xml의 에이전트 친화적 표준화 : 단순 크롤링 허용을 넘어, AI 에이전트가 인증 및 API 도구를 식별할 수 있도록 .well-known/ai-plugin.json 과 OpenAPI v3.1 스펙을 sitemap에 명시적으로 연결했습니다. 이제 에이전트는 우리 사이트에서 정보를 읽을 뿐만 아니라 API를 호출해 예약이나 조회 동작까지 수행합니다. 3단계: Cloudflare AEO 및 Agent Readiness 진단 자동화 : CI/CD 파이프라인 상에 Cloudflare Agent Readiness Diagnostics를 연동했습니다. 배포 시마다 에이전트 시각에서 사이트가 100% 파싱 가능한지, 답변 엔진에 원활히 추천될 수 있는 구조인지 자동 평가하고 점수화합니다. 에이전트 퍼스트 시대를 맞이하는 아키텍트의 자세 과거 웹의 시대에는 브라우저 화면을 예쁘게 만드는 개발자가 대세였고, 모바일 시대에는 반응형 UI와 앱 아키텍처가 핵심이었습니다. 하지만 2026년 현재, 우리가 마주한 AI 에이전트 시대의 백엔드 아키텍트는 완전히 새로운 질문을 던져야 합니다. "내 시스템은 AI 에이전트가 0.1초 만에 이해하고 신뢰할 수 있는 구조인가?" 더 이상 구글 검색 키워드 1위에 집착하지 마세요. 에이전트가 내 사이트를 탐색(Discover)하고, 읽고(Read), 확신을 갖고 사용자에게 추천(Recommend)할 수 있도록 백엔드의 물류망을 개단해야 합니다. 내일 출근하시면 당장 여러분 서비스의 HTTP header와 robots.txt, 그리고 자바스크립트 비의존성 응답을 점검해 보세요. 여러분의 서비스를 이용할 다음 진짜 고객은 사람이 아니라, 그 사람을 대신해 결제 버튼을 누를 AI 에이전트일지 모릅니다. 아래에 내일 출근해서 백엔드 및 DevOps 팀과 당장 복사해 쓸 수 있는 [AEO 백엔드 점검 체크리스트]와 [에이전트 변환 테스트 프롬프트/CLI 가이드]를 하나의 코드 블록으로 정리해 두었습니다. 지금 바로 복사해서 여러분의 서버 환경에 적용해 보세요. =============================================================================== AI 에이전트 준비도(Agent Readiness) 및 AEO 백엔드 실전 점검 팩 =============================================================================== [PART 1: 백엔드 & 인프라 AEO 점검 체크리스트] [ ] 1. HTTP Content Negotiation 설정 - Accept 헤더가 'text/markdown' 일 때 Clean Markdown을 반환하는가? - 에이전트 요청 시 무거운 JS/CSS를 제거한 경량화된 데이터를 제공하는가? [ ] 2. WAF 및 보안 정책 재정의 - OpenAI, Anthropic, Perplexity, Cloudflare 에이전트 IP가 403/429로 차단되지 않는가? - Rate Limit 정책이 인간 브라우저와 AI 에이전트 세션별로 분리되어 있는가? [ ] 3. 구조화된 데이터 및 메타데이터 구축 - JSON-LD (Schema.org) 스펙이 모든 상품/서비스 페이지에 정확히 삽입되어 있는가? - 서비스 요금, FAQ, 핵심 피처가 환각(Hallucination) 없이 파싱 가능하게 명시되었는가? [ ] 4. 에이전트 전용 Action API 인터페이스 제공 - /.well-known/ai-plugin.json 파일이 정상 제공되는가? - OpenAPI v3.1 규격의 API Spec이 에이전트에 공개되어 인보크 가능한가? [PART 2: curl 기반 엣지 서버 에이전트 응답 테스트 CLI] # 1. AI 에이전트 User-Agent 및 Accept 헤더 시뮬레이션 테스트 curl -i -X GET " https://your-service.com/product/123" ; \ -H "User-Agent: Mozilla/5.0 (compatible; GPTBot/1.0; + https://openai.com/gptbot )" \ -H "Accept: text/markdown, text/html" # 2. robots.txt 내 에이전트 관련 Allow 및 Sitemap / AI-Plugin 경로 검증 curl -s " https://your-service.com/robots.txt" ; | grep -iE "(User-agent|Sitemap|Allow|Disallow)" # 3. JSON-LD 메타데이터 수집 테스트 curl -s " https://your-service.com/product/123" ; | grep -A 20 '<script type="application/ld+json">' [PART 3: LLM 에이전트 파싱 성능 및 추천 검증 프롬프트 템플릿] [역할 정의] 당신은 최첨단 AI 에이전트 파싱 및 AEO(Answer Engine Optimization) 데이터 분석가입니다. [요청 사항] 아래 제공된 [웹페이지 응답 데이터]를 읽고, AI 에이전트 시각에서 다음 3가지를 평가해 주세요. 1. 정보 명확성 (Clear Readability): - 자바스크립트 실행 없이 순수 텍스트만으로 서비스의 핵심 기능, 가격, 사용법을 100% 파악할 수 있습니까? - 모호하거나 환각을 유발할 수 있는 구조가 있습니까? 2. 구조화 데이터 완성도 (Metadata Integrity): - JSON-LD 및 HTML 메타 데이터에서 주요 Entity(가격, 요금제, API 엔드포인트)가 명확히 추출됩니까? 3. 답변 엔진 추천 지수 (Recommendation Feasibility Score: 1~10점): - 사용자가 "가장 적합한 B2B 솔루션을 추천해 줘"라고 물었을 때, 이 데이터를 바탕으로 이 서비스를 확신 있게 추천할 수 있습니까? 부족하다면 어떤 Markdown/메타데이터가 추가되어야 합니까? [웹페이지 응답 데이터] (여기에 curl로 긁어온 서비스의 Markdown 또는 HTML 응답 텍스트를 붙여넣으세요) ===============================================================================

AnthropicAI 에이전트React챗GPT에이전트

2026.08.07

새 소식

LLM은 PCB 배선을 어디까지 할 수 있을까? 숙련자와 Net 단위로 비교해봤습니다

비주얼 에디터/콘텐츠 엔진/퍼블리셔를 단일 Bun 서버 하나에 담아 셀프호스팅으로 운영. SQLite/Postgres를 백엔드로 사용 헤드리스 CMS/프레임워크/호스트/폼 서비스/애널리틱스/이미지 CDN을 각각 조합하던 방식 대신 하나의 서버가 캔버스 에디터/콘텐츠/미디어/인증/폼/플러그인 등을 모두 포함 최종 출력물은 시맨틱 HTML과 압축 CSS 로, 프레임워크 런타임/빌더 속성/div 남발 없음 에디터는 미리보기가 별도로 있는 게 아닌 실제 캔버스 여러 브레이크포인트 프레임을 나란히 두고 함께 편집하며 데스크톱 변경 시 모바일 프레임이 같은 화면에서 반응 실제 페이지 작업을 원하면 라이브 모드로 전환해 전체 크기 페이지를 그 자리에서 편집 디자인 토큰 엔진 Core Framework 가 코어 시스템으로 내장 브랜드 색 하나로 틴트/셰이드 자동 생성, 유동적 타입 스케일, 스페이싱 스케일, 유틸리티 클래스 생성 지원 AI 에이전트 가 설명만으로 캔버스에 실제 편집 가능한 노드를 구축 구조는 시맨틱 HTML/스타일은 CSS로 작성 (Claude, OpenAI, OpenRouter, 로컬 Ollama 중 자신의 키/모델 사용) 플러그인은 QuickJS-WASM 샌드박스 에서 실행됨 게시된 페이지는 대부분 디스크에 놓인 파일이라 프레임워크 부팅/하이드레이션/DB 왕복이 없어서 매우 빠름 MIT 라이선스

AI 에이전트에이전트디자인LLMAI

2026.08.11

새 소식

좌석 기반 요금제 버리고 사용량 기반 메터링 구축한 이유

월말 결산 회의실의 공기는 차갑게 식어 있었습니다. 재무 이사가 모니터 화면을 가리키며 던진 한마디가 아직도 귓가에 맴붑니다. "신규 B2B 고객사 5곳을 유치해서 월 매출(ARR)이 15퍼센트 늘었는데, 왜 LLM(대형 언어 모델) API 호출 비용은 400퍼센트가 폭증한 겁니까?" 순간 식은땀이 흘렀습니다. 우리가 제공하던 서비스는 여타 전통적인 SaaS(클라우드 기반 소프트웨어 서비스)처럼 '1인당 월 3만 원'이라는 전형적인 좌석 기반(Seat-based) 요금제를 채택하고 있었습니다. 하지만 일부 파워 유저들이 하루에도 수만 건의 복잡한 추론 프롬프트(Prompt - AI에게 전달하는 명령어)를 날리기 시작하면서, 해당 유저 한 명이 발생시키는 토큰 비용이 한 달 구독료의 몇 배를 뛰어넘었던 것입니다. 손님이 많이 올수록 손해가 커지는 기괴한 구조였습니다. AI 기능을 많이 쓰면 쓸수록 제품의 가치는 올라가는데, 역설적이게도 회사의 수익성은 밑바닥으로 추락하고 있었습니다. 기존 백엔드 인프라는 단순 요청 횟수만 기록할 뿐, 유저가 소모한 입력·출력 토큰의 양이나 가중치를 전혀 추적하지 못하고 있었습니다. 이 문제를 해결하지 않고서는 서비스의 생존 자체가 불가능했습니다. 우리는 기존의 고정 좌석 요금제 단말을 완전히 철거하고, 유저의 모든 AI 행위를 실시간으로 측정하여 가치와 비용을 연동하는 사용량 기반(Usage-based) 메터링 아키텍처로 완전한 체질 개선을 감행해야 했습니다. 오늘 글을 한 줄로 요약하면 이겁니다. AI 제품에서 전통적인 좌석 기반 요금제를 고집하면 사용자 가치가 증가할수록 회사의 마진이 파괴되는 역설에 직면하므로 사용량 기반 아키텍처로 조속히 전환해야 합니다. 1. 무한 리필 뷔페에서 전력계량기 기반 전기 요금제로의 전환 전통적인 SaaS 인프라를 '무한 리필 뷔페'에 비유할 수 있습니다. 손님이 음식을 한 접시 먹든 열 접시 먹든, 매장이 부담하는 한계 비용(Marginal Cost - 손님 한 명을 더 받을 때 드는 추가 비용)은 극히 미미합니다. 서버 인프라를 일단 구축해 두면 추가 유저가 들어와도 CPU와 메모리 사용량의 증가폭이 완만하기 때문입니다. 그래서 전통 SaaS 기업들은 매출 대비 총마진율(Gross Margin - 매출에서 원가를 뺀 비율)을 80~90% 수준으로 유지할 수 있었습니다. 반면 AI 우선(AI-first) 기업의 사정은 완전히 다릅니다. AI 서비스는 무한 리필 뷔페가 아니라 '주문할 때마다 고급 한우가 제공되는 고급 레스토랑'과 같습니다. 유저가 AI에게 질문을 던질 때마다 백엔드에서는 LLM 공급업체(OpenAI, Anthropic 등)나 자체 GPU(그래픽 처리 장치) 서버로 원가가 즉시 발생하는 토큰(Token - AI가 글자를 인식하고 생성하는 최소 단위)을 전송합니다. 실제로 최근 업계 데이터에 따르면 AI 우선 기업들의 평균 총마진율은 50~60% 수준에 불과합니다. 전통 SaaS의 80~90%에 비하면 턱없이 낮은 수치입니다. 유저가 행동할 때마다 원가가 직접적으로 비례해서 늘어나는 구조이기 때문입니다. 입력 토큰 문맥이 길어질수록, AI가 답변하는 출력 길이가 길어질수록 비용은 직전 요청 대비 제곱으로 늘어나기도 합니다. 결국 AI 백엔드 아키텍처는 유저의 모든 행동을 전력계량기처럼 정밀하게 측정하는 '토큰 메터링 엔진'을 내장해야만 합니다. 유저가 창의적인 작업을 수행해 높은 비즈니스 가치를 얻었다면, 그에 비례하는 크레딧을 차감하거나 실시간 사용량으로 청구하는 아키텍처가 필수적입니다. 이를 위해 가장 먼저 구축해야 하는 것은 API Gateway(API 가이트웨이 - 모든 클라이언트 요청의 관문) 단에서 작동하는 실시간 토큰 추적 및 차감 시스템입니다. 아래는 Envoy 또는 커스텀 게이트웨이에서 라우팅 시 LLM 요청 및 응답의 토큰을 비동기로 측정하는 백엔드 메터링 이벤트의 기본 데이터 구조예시입니다. { "event_id": "evt_98742a12-882f", "timestamp": "2026-08-11T09:30:00Z", "organization_id": "org_enterprise_01", "user_id": "usr_tech_lead", "model_name": "claude-3-5-sonnet", "metric": { "prompt_tokens": 1420, "completion_tokens": 350, "total_tokens": 1770, "raw_cost_usd": 0.00951 }, "business_context": { "feature_name": "auto_code_review", "credit_cost": 12 } } 메트릭 분리(Prompt vs Completion) : LLM 공급업체마다 입력(Prompt)과 출력(Completion) 토큰의 단가가 다르므로 이를 엄격히 분리해서 파싱합니다. 비동기 이벤팅 : 메터링 로직이 메인 추론 API의 응답 지연 시간(Latency)에 영향을 주지 않도록 이벤트 버스로 즉시 이탈시킵니다. 가치 기반 크레딧 마핑 : 단순 Raw 비용 외에 서비스가 제공한 비즈니스 기능(Code Review, Summary 등)의 가치에 따라 내부 크레딧 차감 수치를 동적으로 계산합니다. 2. 무제한 요금제 선언 후 마주치는 3가지 아키텍처 비극 많은 팀들이 초기 출시 속도를 높이기 위해 "일단 월 $20에 무제한 AI 제공!"이라는 슬로건을 내걸고 시장에 진입합니다. 하지만 서비스가 성장하면서 백엔드 엔지니어링 관점에서 3가지 결정적인 결함과 직면하게 됩니다. 첫 번째는 '헤비 유저의 체리피킹(Cherry-picking)으로 인한 마진 파고' 현상입니다. 전체 유저의 5%에 불과한 자동화 스크립트 이용자나 기업 헤비 유저들이 전체 LLM API 비용의 70% 이상을 소모하는 기현상이 발생합니다. 고정 가격을 내는 일부 유저가 회사의 전체 수익을 갈아먹는데, 백엔드에 메터링이 없으면 어떤 유저가 시스템을 오용하고 있는지조차 실시간으로 찾아내지 못합니다. 두 번째는 '동기식 트랜잭션 DB의 병목 및 동사' 패턴입니다. AI 요청이 들어올 때마다 유저의 잔여 토큰이나 월간 사용량을 일반 RDBMS(관계형 데이터베이스)의 ACID(트랜잭션 안전성) 테이블에 직접 UPDATE 쿼리로 때리는 경우입니다. 트랜잭션 Lock 병목 : 동일 유저나 팀이 동시에 여러 AI 에이전트를 돌릴 경우, DB Row Lock(행 잠금)이 걸리면서 AI 추론 응답보다 잔여 크레딧 차감 DB 대기 시간이 더 길어지는 기형적인 현상이 벌어집니다. DB Connection枯渴 : 동시 요청이 폭증할 때 메터링 쓰기 작업이 DB 커넥션 풀을 가득 채워, 정작 중요한 유저 로그인이나 메인 서비스 DB 조회까지 함께 마비됩니다. 세 번째는 '정산 투명성 부재로 인한 CS(고객 지원) 대란'입니다. 월말에 사용량 기반 요금을 청구하거나 정해진 크레딧이 차감되었을 때, 유저들은 "내가 도대체 왜 이 만큼의 비용을 써야 하느냐"고 반발합니다. 각 요청별로 어떤 프롬프트가 나갔고, 몇 토큰이 소모되었으며, 어떤 모델이 사용되었는지에 대한 '추적성(Traceability)' 로그가 백엔드에 쌓여있지 않으면 정산 분쟁을 해결할 방법이 없습니다. 실제로 한 B2B AI 에디터 서비스는 메터링 시스템 없이 무제한 구독제를 운용하다가, 한 유저가 로컬 개발 환경에서 루프문으로 AI 코딩 대화 API를 연속 호출하는 바람에 단 하룻밤 사이에 1,200만 원의 API 비용이 청구되어 서비스를 일시 중단하는 참사를 겪기도 했습니다. 3. 마진 60퍼센트 장벽을 넘어서는 사용량 기반 시스템 3단계 개편안 그렇다면 마진율 붕괴를 막고, 유저에게는 합리적인 가치를 제공하면서 안정적인 수익을 확보하려면 백엔드 아키텍처를 어떻게 개편해야 할까요? 현장에서 즉시 적용 가능한 3단계 핵심 아키텍처 가이드라인을 제시합니다. Step 1: 비동기 이벤트 스트리밍 기반의 Zero-Latency 메터링 파이프라인 메인 API 서버가 LLM 공급업체로부터 스트리밍 응답(Server-Sent Events)을 받는 즉시, 토큰 카운트를 포함한 메터링 이벤트를 발행합니다. 이때 메인 DB에 직접 쓰지 않고 Kafka(카프카)나 NATS 같은 고성능 메세지 브로커로 이벤트를 던집니다. 인메모리 버퍼링 : Redis(레디스)의 Atomic Increment( INCRBYFLOAT ) 명령을 사용해 유저의 실시간 사용량을 메모리상에서 즉시 갱신합니다. 시계열 시퀀스 저장 : 비동기 워커(Worker)가 메세지 큐에서 이벤트를 가져와 ClickHouse(클릭하우스)나 TimescaleDB 같은 시계열 분석 전용 DB에 일괄(Batch) 저장합니다. 이로써 메인 서비스 지연 시간은 0ms에 가깝게 유지됩니다. Step 2: 동적 시맨틱 캐싱 및 모델 라우팅 레이어 구축 모든 질문을 최고 성능의 비싼 모델(예: GPT-4o, Claude Sonnet)로 보낼 필요는 없습니다. 사용량 기반 요금제로 전환하더라도 유저의 원가를 절감해 주는 장치를 백엔드에 배치해야 서비스 경쟁력이 생깁니다. 시맨틱 캐싱(Semantic Caching) : Qdrant나 Milvus 같은 Vector DB(벡터 데이터베이스)를 활용해 기존 답변과 유사도가 95% 이상인 요청은 LLM을 다시 호출하지 않고 캐시된 답변을 반환합니다. 원가는 0원에 수렴하게 됩니다. 지능형 모델 라우팅 : 요청의 난이도를 분류하는 가벼운 SLM(소형 언어 모델)을 프론트에 배치합니다. 단순 번역이나 키워드 추출은 단가가 1/20 수준인 저렴한 모델로 라우트하고, 고난도 로직 설계만 고성능 모델로 라우팅합니다. Step 3: 하이브리드 크레딧 메커니즘과 서킷 브레이커 적용 원천 토큰 단가를 유저에게 직접 노출하면 사용자 경험이 극도로 복잡해집니다. "1,000 입력 토큰당 $0.003"이라는 문구는 일반 사용자에게 공포감을 줍니다. 따라서 유저에게는 단순한 '크레딧(Credit)' 개념을 제공하고, 백엔드 내부에서 토큰 비용을 크레딧으로 환산하는 하이브리드 엔진을 구축해야 합니다. 실시간 서킷 브레이커(Circuit Breaker) : 유저가 설정한 일일 한도(Daily Soft Cap)나 월간 예산을 초과하면, API Gateway 수준에서 요청을 즉시 차단하거나 하위 단가 모델로 자동으로 Fallback(대체 작동)시킵니다. 성과 기반(Outcome-based) 과금 마핑 : 단순 토큰 수가 아니라 "생성된 리포트 1건당 10 크레딧", "코드 리팩토링 1건당 5 크레딧"처럼 비즈니스 성과와 크레딧을 매핑하여 유저가 비용 납부를 납득할 수 있게 만듭니다. 4. 지속 가능한 AI 제품을 만든 3가지 아키텍처 원칙 AI 시대로 접어들면서 소프트웨어의 단위 경제학(Unit Economics - 유저 1명당 발생하는 수익과 비용 관계)은 과거와 완전히 다른 규칙으로 움직입니다. 더 이상 서버를 띄워두고 유저가 오기만을 기다리던 유토피아는 존재하지 않습니다. 오늘부터 여러분의 인프라팀, 그리고 제품팀과 함께 당장 실행에 옮겨야 할 3가지 원칙은 다음과 같습니다. 첫째, 모든 AI 호출의 토큰 로그를 단 1건도 빠짐없이 비동기 추적 하세요. 추적할 수 없는 비용은 제어할 수 없습니다. 둘째, 좌석당 고정 요금제에서 탈피하여, 사용량과 성과가 비례하는 하이브리드 크레딧 요금제로 아키텍처를 전환 하세요. 유저가 가치를 느낄 때 회사의 매출과 마진도 함께 올라가는 선순환 구조를 만들어야 합니다. 셋째, 시맨틱 캐시와 모델 라우팅을 인프라 레이어에 내장하여 자체적인 원가 절감 태세를 확립 하세요. LLM 공급업체의 가격 인하만을 기다리는 것은 능동적인 엔지니어링이 아닙니다. 아래는 사용량 기반 AI 백엔드로 전환하기 전, 여러분의 아키텍처가 준비되었는지 즉시 검증할 수 있는 점검 체크리스트와 토큰 메터링 미들웨어 설정 가이드입니다. 복사해서 팀 내 인프라 검토에 곧바로 활용해 보세요. =================================================================== [AI 사용량 메터링 및 단위 경제성 점검 체크리스트 & Config] =================================================================== [1. 백엔드 아키텍처 점검 체크리스트] [ ] 모든 AI API 요청에서 Input/Output 토큰 수가 파싱되고 있는가? [ ] 메터링 로직이 메인 추론 트랜잭션과 분리된 비동기 이벤트인가? [ ] 특정 유저의 한도 초과 시 10ms 이내에 차단할 인메모리 Cache가 있는가? [ ] 동일 프롬프트 재요청 시 비용을 절감할 시맨틱 캐시가 구축되었는가? [ ] 유저별/조직별 일간 및 월간 토큰 소모량을 시각화하는 대시보드가 있는가? [2. Envoy/FastAPI 메터링 미들웨어 설정 예시 (Python/FastAPI Concept)] from fastapi import FastAPI, Request, Response import redis.asyncio as redis import json import time app = FastAPI() redis_client = redis.Redis(host='localhost', port=6379, db=0) @app.middleware("http") async def ai_token_metering_middleware(request: Request, call_next): if not request.url.path.startswith("/v1/ai/generate"): return await call_next(request) user_id = request.headers.get("X-User-ID", "anonymous") # 1. 예산 초과 여부 즉시 검증 (Redis 읽기) current_usage = await redis_client.get(f"usage:{user_id}:daily_cost") if current_usage and float(current_usage) > 50.0: # $50 일간 한도 return Response( content=json.dumps({"error": "Daily AI cost limit exceeded."}), status_code=429, media_type="application/json" ) start_time = time.time() response = await call_next(request) # 2. 비동기 메터링 이벤트 발행 (응답 헤더 기반 토큰 추출) prompt_tokens = int(response.headers.get("X-Prompt-Tokens", 0)) completion_tokens = int(response.headers.get("X-Completion-Tokens", 0)) # 가상 단가 계산 ($0.0015 / 1k prompt, $0.002 / 1k completion) estimated_cost = (prompt_tokens * 0.0000015) + (completion_tokens * 0.000002) # Redis 사용량 아토믹 업데이트 await redis_client.incrbyfloat(f"usage:{user_id}:daily_cost", estimated_cost) # Kafka/Message Queue로 분석 이벤트 발행 (파이프라인 비동기 전송) metering_event = { "user_id": user_id, "prompt_tokens": prompt_tokens, "completion_tokens": completion_tokens, "cost": estimated_cost, "latency_ms": int((time.time() - start_time) * 1000) } await redis_client.lpush("stream:metering_events", json.dumps(metering_event)) return response =================================================================== 단순히 멋진 AI 기능을 붙이는 것만으로는 비즈니스가 지속될 수 없습니다. 원가 파악과 정밀한 메터링 메커니즘이야말로 AI 피처를 진짜 수익성 있는 '소프트웨어 제품'으로 완성하는 백엔드 엔지니어의 핵심 무기입니다. 지금 여러분 서비스의 메터링 계량기가 제대로 돌아가고 있는지 모니터링 화면을 다시 한번 점검해 보시길 권합니다.

AnthropicAI 에이전트서킷 브레이커체질 개선에이전트

2026.08.11

새 소식

기술 블로그 69편을 AI 에이전트가 검색하도록 읽기 전용 MCP 서버로 공개한 과정

기술 블로그에는 현재 78편의 공개 글이 있고, 이 중 URL·메타데이터·배포 아티팩트 검증을 통과한 69편을 읽기 전용 MCP 서버 v0.1.1로 패키징했습니다. 임베딩 없이 결정적 키워드 검색으로 시작 목록·검색·본문 응답에 정식 원문 URL을 구조적으로 포함 미게시 글과 비정상 URL은 fail-closed로 제외 인덱스와 본문을 self-contained wheel로 묶어 PyPI에 배포 uvx aiarchitect-blog-mcp 한 줄로 stdio 실행 서버 코드와 번들 콘텐츠의 라이선스를 분리 구현과 배포 과정뿐 아니라 출처 링크를 강제할 수 없다는 한계, 실제 유입은 별도로 측정해야 한다는 점까지 정리했습니다. 직접 만든 프로젝트와 작성한 글입니다.

AI 에이전트에이전트AI구조메타

2026.08.11

경제

변동성 커진 증시…메모리반도체 분산 투자 ‘주목’

[AI 슈퍼사이클 시대 투자 전략] (하) ‘하나로 미국 메모리반도체’ 美 증시 상장기업 투자 ETF 장비·공정기업까지 함께 담아 마이크론 등 4개종목 집중운용 주식시장 조정국면 대안 주목 인공지능(AI)산업이 빠르게 발전하면서 반도체시장의 무게중심도 연산에서 메모리로 이동하고 있다. 데이터를 저장·처리하는 메모리 반도체의 중요성이 커지면서 관련 기업에 대한 관심도 높아지는 모습이다. 다만 최근 미국 메모리 반도체주의 변동성이 커져 개별 종목보다 상장지수펀드(ETF)를 활용해 밸류체인 전반에 분산 투자하는 전략이 대안으로 거론된다. NH-Amundi(아문디)자산운용(대표 길정섭)과 함께 미국 AI 메모리 반도체 투자전략을 살펴본다. ◆AI 시대 핵심 떠오른 메모리 반도체= AI 모델 규모는 최근 2년 사이 약 240배 커졌지만 같은 기간 하드웨어 메모리 용량은 2배 늘어나는 데 그쳤다. 연산 성능보다 메모리 용량이 먼저 한계에 이르는 ‘메모리 월(Memory Wall)’이 AI 성능을 좌우하는 새로운 병목으로 떠오르고 있다. AI 활용 방식이 학습에서 추론 중심으로 바뀌는 점도 메모리 수요를 키우는 배경이다. 챗GPT(지피티) 같은 생성형 AI는 사용자의 현재 질문뿐 아니라 앞선 대화 내용을 참고해 답변을 만든다. AI 에이전트는 여기서 더 나아가 계획을 세우고 결과를 검증하는 과정을 반복하기 때문에 처리해야 할 데이터가 더욱 많아지고, 서버 한대당 필요한 메모리 용량도 함께 커지고 있다. 메모리 반도체 기업들의 실적도 이를 뒷받침한다. 마이크론은 6월 발표한 3분기 실적에서 매출과 영업이익 모두 시장 전망치를 크게 웃도는 ‘어닝 서프라이즈’를 기록했다. 다만 하반기 들어 AI 인프라 투자 둔화 우려와 중국 창신메모리테크놀로지(CXMT)의 증설 계획 등이 부각되며 관련 종목은 조정 국면에 들어섰다. 그러나 시장에서는 우려가 과도하다는 분석도 나온다. 메타는 확보할 수 있는 모든 컴퓨팅 파워가 필요하다고 밝히며 데이터센터 확대 계획을 공개했고, IBM과 TSMC, ASML 등 주요 기업들도 AI 인프라 투자와 첨단 반도체 수요가 지속될 것으로 전망했다. ◆미국 AI 메모리 반도체, 한번에 투자= 이처럼 메모리 반도체 시장은 업황 전망이 엇갈리고 D램·낸드·HDD 등 제품별 수요 사이클도 달라 개인 투자자가 개별 종목 흐름을 따라가기엔 쉽지 않다. 이에 산업 전반에 분산 투자하는 전략이 주목받고 있다. NH-Amundi자산운용의 ‘하나로(HANARO) 미국AI메모리반도체TOP4+’는 미국 증시에 상장된 AI 메모리·스토리지 대표 기업과 장비 기업에 투자하는 ETF다. 상위 4개 종목을 각각 15% 수준으로 편입해 전체 자산의 약 60%를 구성하는 집중형 구조가 특징이다. 주요 편입 종목은 미국 유일의 메모리 반도체 기업인 마이크론을 비롯해 샌디스크·씨게이트·웨스턴디지털 등이다. 여기에 실리콘모션·램리서치·ASML·KLA·ASE테크놀로지·앰코테크놀로지 등 메모리 생산에 필요한 장비·공정 기업까지 함께 담아 메모리 밸류체인 전반에 투자할 수 있도록 설계됐다. 국내 증시에 상장돼 원화로 거래할 수 있고 별도 환전 없이 투자할 수 있는 것도 장점이다. 김승철 NH-Amundi자산운용 ETF투자본부장은 “에이전틱 AI의 본격적인 확산을 고려하면 AI 추론 인프라 투자의 성장성은 여전히 유효하다”며 “반도체 관련주가 한달 이상 가격 조정을 거치면서 밸류에이션 부담도 완화된 만큼 장기적인 관점에서 투자 매력이 높아졌다”고 말했다. 이어 “국내 반도체 ETF와 미국 AI 메모리 ETF를 함께 활용하면 국내외 메모리 밸류체인 전반에 균형 있게 투자할 수 있을 것”이라고 덧붙였다.

창신메모리테크놀로지AI 인프라 투자인공지능(AI)메모리 반도체AI 에이전트

2026.08.10

새 소식

LobeHub - AI 팀 전체를 고용/스케줄링/보고하는 Chief Agent Operator

여러 AI 에이전트를 한 곳에서 고용/스케줄링/보고 하며 7×24 운영 체제로 조직화, 사용자가 상시 접속하지 않아도 AI 팀 관리 가능 작업 단위로서의 에이전트 개념 채택, 인간과 에이전트가 공진화(co-evolve)하는 인프라 제공 기존 에이전트가 일회성/작업 중심 도구로 컨텍스트 부재 와 고립 상태에서 창 간 수동 인계를 요구하던 문제 해결 에이전트 빌더를 통해 필요한 것을 설명하면 개인화된 AI팀을 자동 구성. 1만개의 이상의 스킬과 연동하고, 어떤 모델이든 이용 가능 Agent Groups 로 에이전트를 실제 협업하는 팀원처럼 다루며 병렬 협업 및 반복 개선 지원 Pages (공유 맥락 콘텐츠 작성), Schedule (부재 중 예약 실행), Project (프로젝트 단위 조직화), Workspace (팀 공유 공간) Evolve : Personal Memory 로 사용자 요구를 이해, 작업 방식에서 학습하는 Continual Learning 과 편집 가능한 White-Box Memory 제공 Vercel, Alibaba Cloud, Docker 기반 Self-Hosted 버전 지원 LobeHub Community License

AI 에이전트에이전트PERICEAI

2026.08.04

경제IT・과학

“딥시크·키미 등과 성능 동급”…SKT, 독파모 2차 모델 공개

SK텔레콤(SKT)이 정부의 독자 인공지능(AI) 파운데이션 모델 2차 평가를 앞두고 일상과 산업 현장 활용성을 강조한 AI 모델 ‘A.X K2’를 29일 공개했다. 이날 SKT가 오픈소스 플랫폼 허깅페이스에 공개한 AK K2는 매개변수(파라미터) 6880억 개(688B) 규모다. 직전 모델인 A.K K1(519B) 대비 규모를 키워 수학 및 과학 추론 능력, 한국 지식 및 장문 추론 능력을 강화했다. A.X K1과 비교했을 때 국내외 14개 벤치마크 평균 성능은 32.2%포인트(p) 향상됐다. 특히 장문 이해와 에이전트 관련 평가에서는 약 83.9%p 향상돼 개선 폭이 컸다. SKT는 “최근 공개된 큐원, 딥시크, GLM, 키미 등 해외 AI 모델과도 동급 수준의 성능을 확보했다”고 설명했다. SKT는 A.K K2를 다양한 산업 현장과 일상에 적용할 계획이다. 하반기에는 제조 특화 AI 에이전트에 A.X K2를 적용해 철강 기업 KG스틸, 자동차 부품 기업 코넥 등과 현장 실증을 진행할 예정이다. SK바이오팜과는 난치성 암 표적 치료제 개발에 AI를 활용하고 있다. SK하이닉스 사내 업무용 AI 도구에도 A.X K2 경량 모델을 제공해 문서 작성, 정보 정리 등 다양한 업무에 쓰고 있다. 정부 AI 사업과 스타트업에도 A.X 모델을 API 형태로 개방한다. SKT는 후속 모델은 글로벌 최상위 AI 모델과 경쟁할 수 있는 조(兆) 단위 매개변수 규모로 확대한다는 방침이다. 김태윤 SKT 파운데이션 모델 담당은 “개인의 일상생활부터 사무 환경, 제조 현장까지 폭넓게 활용될 수 있도록 다양한 기능을 고도화했다”며 “앞으로도 다양한 산업 분야에 A.X K2를 적용·발전시켜 국가 경쟁력 강화에 기여해 나가겠다”고 밝혔다. 홍상지 기자

인공지능(AI)파운데이션 모델AI 에이전트SK하이닉스A.X K2

2026.08.02

팩플

구글보다 13년 늦었다…네이버, 클라우드 빗장 이제야 푼 속내 [팩플]

네이버가 지금까지 폐쇄적으로 운영하던 개인 이용자의 클라우드를 외부에 개방한다. 인공지능(AI)을 에이전트(비서)로 쓰는 이용자가 증가함에 따른 조치다. 네이버가 공지한 마이박스 이용약관 변경 공지. 사진=네이버 네이버는 다음 달 11일부터 이용 약관을 변경해 네이버 ‘마이박스(MYBOX)’에 오픈 응용프로그램 인터페이스(API)를 적용한다고 30일 밝혔다. 이를 위해 이용자에게 ‘개인 액세스 토큰’(비밀번호 대신 접근권을 부여하는 인증방식)을 부여한다. 이를 활용하면 이용자는 별도 로그인 과정 없이 개인 저장소와 AI 에이전트를 연동할 수 있다. AI가 이용자 파일을 언제든 열람·편집할 수 있는 경로가 열린 것. 다만 네이버는 다른 기업이 마이박스를 자사 앱에 직접 연결하는 기능인 오픈 인증(open authorization)은 도입하지 않는다. 네이버 마이박스는 2009년 네이버가 출시한 온라인 클라우드 서비스다. 시장조사기관 와이즈앱에 따르면 국내 사용자 수는 446만명(지난해말 기준)으로, 구글 드라이브(952만명) 이어 2위다. 네이버가 이를 개방한건 AI에이전트를 활용하고 싶어하는 이용자 불만을 해소하기 위해서다. 이전까지 이용자들은 AI를 활용하기 위해선 저장소 내 파일을 하나씩 내려받은 뒤 다시 이를 AI에 입력해야 됐다. 접근이 어려운 탓에 24시간 동안 AI에이전트를 가동할 수 없었다. 이런 불편을 토로하는 이용자가 늘어나자 네이버도 개방을 선택한 것. 네이버클라우드 관계자는 “AI에이전트 활용 범위가 점점 늘어나 이용자들이 오픈API를 제공하라는 요청도 잦아졌다”고 설명했다. 다만 IT업계에선 네이버가 개방을 결정한 시점이 너무 늦었다는 비판도 나온다. 경쟁 서비스는 AI가 등장하기 전부터 개인 저장소를 외부 서비스와 연동할 수 있게 오픈API를 적용해왔다. 구글 드라이브는 2013년에 오픈API를 제공했고, 마이크로소프트도 2015년부터 오픈API를 도입했다. 카카오는 AI에이전트 끼리 데이터를 주고받을 수 있는 모델 컨텍스트 프로토콜(MCP)을 지난해 도입했다. 클라우드업계 관계자는 “네이버가 멤버십 혜택으로 클라우드 서비스를 제공해 이용자 수를 늘렸지만, 성장이 정체되자 개방을 선택한 것 같다”며 “다만 시점이 늦었다”고 말했다. 오현우 기자 oh.hyeonwoo@joongang.co.kr

인공지능(AI)클라우드 서비스마이크로소프트AI 에이전트멤버십 혜택

2026.08.02

경제

“로봇이 택배 들고 문 앞까지”…2030년 아파트 미리 살아보니

건설사들이 스마트폰 제어를 넘어 AI가 생활 패턴을 학습하고 서비스를 선제적으로 제공하는 'AI 홈' 기술 경쟁에 속도를 내고 있다. 삼성물산, 현대건설 등 주요 건설사는 로봇과 IoT를 결합해 배송, 주차, 건강관리 등을 통합한 미래 주거 플랫폼 구축을 추진 중이다.

인공지능(AI)AI 에이전트이코노미스트피지컬 AI인공지능

2026.08.01

산업·ITIT·통합

삼성SDS "두나무와 스테이블 코인·AI 협력 추진…사업모델 구체화"(종합)

"디지털 금융 인프라 사업 강화…다양한 기회 염두" 삼성SDS가 두나무와 스테이블코인 인프라 및 인공지능(AI) 기반 차세대 결제 사업 등 디지털 자산 분야에서 힘을 모은다. 이준희 삼성SDS 대표는 30일 진행된 올해 2분기 실적발표 컨퍼런스콜에서 "두나무 지분투자는 단순한 재무적 투자가 아니라 디지털 자산 인프라 사업에 진출하기 위한 전략적 투자"라면서 이같이 밝혔다. 이준희 삼성SDS 대표. 삼성SDS AD 원본보기 아이콘 이 대표는 투자 목적에 대해 "두나무의 블록체인 운영 노하우와 삼성SDS가 보유한 IT 서비스, AI, 클라우드, 보안 역량을 결합해 디지털 금융 인프라 사업을 강화하는 게 목적"이라고 전했다. 이어 "스테이블코인 인프라 사업과 가상자산 기반 금융 시스템통합(SI) 사업, AI 기반 차세대 결제 사업 등 다양한 사업 기회를 염두에 두고 투자했다"라며 "앞으로 두나무와 협력 방안을 논의하며 사업 모델을 구체화할 계획"이라고 설명했다. 삼성SDS( 삼성에스디에스 삼성에스디에스 close 증권정보 018260 KOSPI 현재가 198,700 전일대비 1,400 등락률 +0.71% 거래량 398,107 전일가 197,300 2026.07.30 15:30 기준 관련기사 삼성SDS, 클라우드·물류 호조…2분기 매출 전년比 5.9% ↑ 투자 여력을 높이는 금융 전략, 연 5%대 최저금리로 투자금을 4배까지 엔비디아 전방위 협력 구축한 K-AI…인프라 확대로 AI 주권 강화 )는 올해 2분기 연결기준 영업이익이 2318억원을 기록해 전년 동기 대비 0.7% 증가한 것으로 잠정 집계됐다고 이날 공시했다. 같은 기간 매출액은 3조7178억원으로 지난해 같은 기간보다 5.9% 늘었다. 실적을 부문별로 살펴보면 IT서비스 사업 부문 매출액은 전년 동기 대비 5% 증가한 1조7625억원으로 집계됐다. IT서비스 사업에서 가장 큰 비중을 차지하는 클라우드 사업 매출액은 지난해 같은 기간 대비 17% 성장한 7794억원을 기록했다. 이 가운데서도 대외 사업 매출이 전년 동기 대비 75% 증가하며 실적 개선을 이끌었다. 클라우드 사업 중 클라우드서비스제공자(CSP) 사업은 삼성 클라우드 플랫폼(SCP) 수요 증가와 공공 및 대외 업종의 서비스형 GPU(GPUaaS) 서비스가 확대되면서 전년 동기 대비 24% 성장했다. 클라우드 관리 서비스(MSP) 사업 매출은 금융 업종의 AI 전환(AX) 사업과 조선 업종의 ERP 사업이 증가해 지난해 같은 기간보다 17% 늘었다. 물류 사업 부문은 항공 포워딩과 내륙·창고 중심의 계약 물류 사업이 증가한 데 더해 첼로스퀘어 중심 대외 사업이 성장하면서 전년 동기 대비 6.6% 증가한 1조9553억원의 매출액을 기록했다. 삼성SDS는 인공지능(AI) 인프라, AX·AI 서비스, AI 플랫폼·솔루션을 아우르는 AI 풀스택을 기반으로 사업 경쟁력 강화에 나서고 있다. AI 인프라 영역에서는 지난 6월 과학기술정보통신부 'GPU 확보·구축·운용 지원사업'의 사업자로 선정돼 국가 AI 인프라를 구축 중이고, 지난 3월 국내 최초로 도입한 엔비디아 B300 기반 GPUaaS에 이어 이달 국산 신경망처리장치(NPU)인 퓨리오사AI의 레니게이드 기반 서비스형 NPU(NPUaaS) 상품을 출시했다. AX와 AI 서비스 영역에서는 지난 4월 우리은행의 핵심 업무에 175개 이상의 AI 에이전트를 적용하는 'AX를 위한 AI 에이전트 구축 사업'의 우선협상대상자로 선정된 데 이어 한국수출입은행의 생성형 AI 시스템 구축 사업을 추가 수주했다. 국내 최초로 오픈AI, 앤스로픽, 구글 클라우드 등 글로벌 3대 AI 기업과도 협력 체계를 구축했다. 삼성SDS는 미래 성장 동력 확보와 신사업 기회 발굴을 위해 디지털 자산과 피지컬 AI 분야에 대한 전략적 투자를 늘리고 있다. 지난 5월 삼성증권, 삼성카드와 함께 국내 1위 디지털 자산 거래소인 두나무 지분 4%를 확보했고, 6월에는 삼성벤처투자를 통해 미국 피지컬 AI 풀스택 기업 월든 로보틱스에 전략적 투자를 진행했다. 꼭 봐야 할 주요 뉴스 "안 예쁜데 누가 사" 혹평 쏟아졌는데…9.2억짜리 ... 17% 폭락 "해도 너무하네"…참다못한 주주들 직접 정치판 뛰어든다 "아이스커피 한 잔의 배신"…7500원짜리 커피도 피하지 못한 '세균 얼음' "내 돈이 녹아내리고 있다…정부가 주식시장을 외국인 놀이터로 만들어" 증시 폭락에 ... "빨대 한 번 핥았다가 인생 꼬였다"…자판기 장난 친 19세의 최후 AD AI 인프라에 대한 투자도 이어간다. 기존 110메가와트(㎿) 규모의 AI 인프라를 2029년까지 230㎿로 확대하고 2031년에는 설계·구축·운영(DBO) 사업을 포함해 AI 인프라 사업 규모를 800㎿ 이상으로 확장한다는 계획이다. 이명환 기자 lifehwan@asiae.co.kr View English Article <ⓒ투자가를 위한 경제콘텐츠 플랫폼, 아시아경제. 무단전재 배포금지, AI 학습 및 활용 금지>

과학기술정보통신부AI 인프라 사업인공지능(AI)AI 에이전트2분기 실적

2026.07.30