← 목록으로

AI, ML 및 데이터 엔지니어링 트렌드 보고서 2026

요약
  • InfoQ는 2026년 AI 및 데이터 엔지니어링 트렌드 보고서를 통해 AI의 중심이 단순 질의응답에서 업무를 실행하는 에이전트로 이동하고 있음을 전망했습니다.
  • 보고서는 추론 인프라의 중요성 증대, 에이전트의 프로덕션 배포 및 운영, 그리고 로봇과 자율주행차로 확장되는 물리적 AI 등의 기술 채택 단계를 분석했습니다.
  • InfoQ가 에이전트, 추론 인프라, 데이터 기술의 채택 단계를 정리하고 향후 1년을 전망함
  • AI의 중심이 질문에 답하는 인터페이스에서 업무를 위임받아 실행하는 에이전트로 이동하고 있음. 조직의 관심도 에이전트 구축에서 프로덕션 배포, 운영, 확장으로 옮겨감
  • AI 추론 인프라가 핵심 과제로 부상했으며, 2026년 말에는 추론이 AI 컴퓨팅 지출의 약 3분의 2를 차지할 것으로 예상됨
  • 에이전트 평가는 모델의 답변 정확도만으로 부족함. 도구, 컨텍스트, 실행 루프, 환경 전체를 대상으로 작업 완료 여부, 비용, 소요 시간, 사람의 개입, 안전성을 측정해야 함
  • 개발 과정에서는 명세 주도 개발과 AI 소프트웨어 팩토리가 부상함. 요구사항과 명세를 먼저 정리하고, 설계와 코드 생성뿐 아니라 버그 분석, 수정, 검토, 테스트까지 자동화하려는 흐름임
  • 물리적 AI는 소프트웨어 지능을 로봇, 자율주행차, 드론, 산업 시스템으로 확장함. 실제 사고를 되돌리기 어렵기 때문에 시뮬레이션, 안전성 검증, 평가와 데이터 확보가 중요한 과제로 남음
기술 채택 단계와 2026년의 변화
  • InfoQ 편집진과 외부 패널이 AI, ML, 데이터 엔지니어링의 기술 채택 현황과 향후 1년의 전망을 정리함. 2026년 채택 그래프와 보고서
  • 채택 그래프는 Geoffrey Moore의 『Crossing the Chasm』을 바탕으로 기술을 혁신가, 초기 수용자, 초기 다수, 후기 다수 단계로 나눔. InfoQ는 주로 보편적 채택에 이르기 전의 기술에 주목함
  • 2022년 11월 ChatGPT가 출시된 지 약 4년, 기업의 RAG 도입과 자율 LLM 에이전트가 등장한 지 2~3년이 지난 시점에도 기술 변화가 빠르게 이어지고 있음
  • 전년도와 겹치는 주제는 재편하고, 이미 보편화된 기술은 추적 대상에서 제외함. 패널이 팟캐스트에서 다루지 않은 일부 주제도 그래프에 추가함. 2025년 보고서, 2026년 패널 토론
  • 언어 모델에서는 소형 언어 모델과 추론 모델에 대한 관심이 커짐. 추론 모델은 응답하기 전에 수학이나 논리 문제의 풀이 과정을 거침
  • TypeSafe AI의 Jev 같은 특화 의사결정 모델도 주목받음. 보고서는 결정론적 동작과 빠른 추론, 낮은 비용을 이유로 이런 System One 모델의 채택이 늘어날 것으로 전망함. System One 모델과 Jev
채택 단계별 주요 기술
  • 혁신가 단계에는 에이전트 간 프로토콜, 하네스 엔지니어링, 추론 엔진, AI 소프트웨어 팩토리와 물리적 AI가 포함됨
    • 에이전트 보안과 거버넌스, 음성 에이전트, 특화 의사결정 모델, AI 게이트웨이, GraphRAG, LLMOps와 GenAIOps, 뇌-컴퓨터 인터페이스도 이 단계에서 추가하거나 수정한 주제임
  • 초기 수용자 단계에는 AI 에이전트와 오케스트레이션, 모델 및 에이전트 평가가 포함됨
    • 에이전트 기반 코딩과 자율 소프트웨어 엔지니어링, 에이전트 관측 가능성, 추론 최적화와 모델 라우팅의 활용도 늘고 있음
    • 소형 언어 모델, 추론 모델, 설명 가능한 AI, VR·AR·MR·XR, 인지 서비스, 엣지 AI 추론도 이 단계에 속함
    • MCP, 멀티모달 AI, AI를 활용한 DevOps와 SRE도 포함됨. 프로덕션 지원, 문제 해결, 유지보수와 업그레이드에 AI를 쓰기 시작함
  • 초기 다수 단계에는 컨텍스트 엔지니어링, 생성형 AI와 LLM, RAG, 지식 그래프, MLOps, 벡터 데이터베이스가 포함됨
    • 데이터 엔지니어링에서는 데이터 계약, 데이터 관측 가능성, 그래프 데이터 분석, 합성 데이터 생성, 오픈 테이블 포맷이 이 단계에 놓임
  • 후기 다수 단계의 기술은 팀의 아키텍처와 설계 패턴, 개발 프로세스에 자리 잡음
    • 자동화된 머신러닝, 이미지 인식, 디지털 어시스턴트, 데이터 메시가 포함됨
    • 스트림 처리 및 분석, 추천 엔진, 레이크하우스, Spark도 이 단계에 속함
  • 자연어 처리, 딥러닝, NoSQL 데이터베이스, 인메모리 데이터 그리드, Hadoop 기반 빅데이터 기술은 이미 널리 쓰인다고 판단해 채택 그래프의 추적 대상에서 제외함
에이전트 실행 계층과 다중 에이전트
  • AI 에이전트와 오케스트레이션의 관심사는 2025년까지 학습과 구축에 집중됐으나, 2026년에는 프로덕션에서 배포하고 운영하며 확장하는 문제로 옮겨감
    • 개인을 돕는 에이전트에서 팀 단위 활용으로 넓어졌으며, 기업은 조직 전체에서 작동하는 에이전트도 검토함
    • 질문에 답하는 인터페이스에서 목표에 맞춰 계획을 세우고 도구를 사용하며 작업 완료까지 실행하는 계층으로 발전하고 있음
  • 소프트웨어 개발에서는 자동완성, 코파일럿, 코딩 에이전트로 변화가 이어짐
    • Claude, Codex, Cursor, Replit 등은 저장소를 탐색하고 여러 파일을 수정하며, 명령을 실행하고 실패 원인을 확인해 작업을 반복할 수 있음
  • 에이전트 간 프로토콜은 여러 에이전트와 업무 영역을 연결할 때 안전성과 정확성, 신뢰성을 확보하기 위한 통신 기반임
    • MCP는 에이전트가 도구와 데이터, API에 접근하는 데 쓰이고, A2A는 에이전트끼리 통신하고 작업을 조율하는 데 쓰임
    • 애플리케이션을 API에 연결하는 구조에서, API 위에 에이전트 탐색과 작업 조율을 더하는 기업 통합 계층으로 발전할 가능성이 있음
  • 다중 에이전트 시스템은 LLM 이전부터 수십 년간 연구된 분야이며, 기존 접근에도 LLM을 통합할 수 있음
    • Arthur Casals는 신념 수정 기법을 통해 환각을 줄이고, 에이전트가 처리한 정보의 정확성과 출처를 다루는 방법을 연구함
    • 컴퓨터 과학, 철학과 형식 논리에 걸친 접근으로, Jev와 유사하게 구조화된 입력과 출력을 다룰 수 있는 형식 논리 기반 프로필을 연구 중임. 다중 에이전트 시스템, 신념 수정
  • 하네스 엔지니어링은 컨텍스트 관리를 넘어 에이전트 실행 환경 전반을 설계하는 영역으로 확장됨
    • LangChain, Anthropic, OpenAI의 SDK는 실행 루프 외에도 컨텍스트를 위한 메모리 관리, 여러 작업의 실행 조율, 로컬 파일 시스템 접근 도구 등을 제공함
    • 에이전트를 호스팅하는 런타임도 늘면서, 에이전트 구축과 대규모 운영이 각각 별도의 과제로 자리 잡음
추론 인프라와 모델 운영
  • 기업의 관심이 모델 학습에서 프로덕션 추론으로 옮겨가면서 2026년은 추론의 해로 불림. InfoQ는 연말까지 추론이 AI 컴퓨팅 지출의 약 3분의 2를 차지할 것으로 전망함
  • 추론 모델, 긴 컨텍스트, 에이전트가 늘면서 추론은 연산, 메모리, 네트워크, 라우팅과 비용을 함께 다루는 시스템 문제가 됨
  • 혁신가 단계의 추론 엔진에는 vLLM, SGLang, llm-d가 포함됨. 공개 가중치 모델의 성능이 높아지고, 자체 환경에서 추론 서비스를 구축하고 최적화하는 도구와 자료도 늘고 있음. vLLM, SGLang
    • 개인 식별 정보를 다루는 금융기업처럼 내부 호스팅이 필요한 곳에서 활용할 수 있음
    • 코딩 모델 운영 비용을 줄이려는 기업도 자체 호스팅을 검토함
  • Hien Luu는 내부 추론 서비스를 구축하기 쉬워진 만큼 공개 가중치 모델을 자체 운영하는 사례가 계속 늘어날 것으로 봄
명세 주도 개발과 AI 소프트웨어 팩토리
  • 명세 주도 개발은 원하는 기능과 구현 계획을 먼저 정리하고, 코딩 에이전트가 사용할 수 있는 명세와 컨텍스트를 준비하는 접근임
    • 새 프로젝트의 목적과 기능을 명세로 작성한 뒤, 에이전트와 아이디어를 검토하며 구현에 필요한 정보를 보완함
  • AI 소프트웨어 팩토리는 개발 생명주기 전체에 AI를 적용하려는 모델임. 일부 조직은 이를 위한 전담 팀을 구성하고 있음
    • 기존 애플리케이션의 업무 도메인과 요구사항을 수집하고 분석함
    • 신규 요구사항과 개선점을 검토해 기능 및 비기능 명세를 작성함
    • 명세를 바탕으로 설계와 개발 작업을 만들고, 변경된 애플리케이션의 코드와 산출물을 생성함
  • 버그 대응에서도 분석, 재현, 수정, PR 제출, 검토, 테스트까지 이어지는 흐름을 자동화하려는 시도가 있음
    • 반복 업무를 줄여 소프트웨어 개발 생명주기 전체를 가속하는 것이 목표임
시스템 전체 평가와 컨텍스트 관리
  • AI 모델 및 에이전트 평가는 가드레일과 테스트 하네스의 발전을 동반함. AI가 코드와 소프트웨어 구성요소를 더 많이 생성할수록 엄격하고 일관된 검증이 중요해짐
  • DoorDash의 음식 주문 도우미나 고객 지원 에이전트처럼 외부 사용자와 직접 상호작용하는 시스템은 평가를 핵심 개발 단계에 포함해야 함
    • LLM의 비결정적 동작으로 에이전트가 잘못된 경로를 선택하거나 도구를 오용할 수 있음
    • 평가 하네스는 데이터 확보, 평가와 테스트 실행, 최종 품질 판정을 연결함
    • 이를 통해 예상 밖의 동작과 회사 정책 위반 여부를 확인함
  • 실제 행동을 실행하는 에이전트는 모델, 도구, 컨텍스트, 실행 루프, 환경 전체를 평가해야 함
    • 답변 정확도와 함께 작업 완료 여부, 비용, 소요 시간, 사람의 개입 횟수와 안전하지 않은 행동을 측정함
  • 컨텍스트 엔지니어링에서는 컨텍스트 오염이 주요 문제로 남음
    • 창이 커져도 유용한 최신 정보와 대안 정보, 무관하거나 오래된 자료, 적대적 입력을 구분할 수 있어야 함
    • 입력이 늘어나면 에이전트가 느려지고 비용이 커지며, 결과의 신뢰성도 낮아질 수 있음. 에이전트 컨텍스트 엔지니어링
  • 컨텍스트를 설계할 때는 어떤 정보를 어느 출처에서 가져와, 어떤 권한으로 어느 작업 단계에 넣을지를 결정함
    • 검색 품질과 출처 분포, 컨텍스트 모델링 및 압축을 함께 다뤄야 함. Deep Agents의 컨텍스트 관리
물리적 AI와 현실 세계의 제약
  • 물리적 AI 또는 체화된 AI는 로봇, 협동 로봇, 자율주행차, 드론과 산업 시스템이 현실을 인식하고 행동하도록 소프트웨어 지능을 연결함
  • 언어와 비전 분야에 쓰인 기반 모델 접근이 로봇에도 적용되기 시작함. 물리적 오류가 실제 사고로 이어질 수 있어 신뢰성, 시뮬레이션, 안전성 검증과 평가의 비중이 커짐
    • 산업 시설의 디지털 트윈을 이용한 로봇 시뮬레이션과 개방형 로보틱스가 발전하고, 소프트웨어 에이전트에서 물리적 에이전트로의 확장이 향후 1년간 빨라질 것으로 예상됨. 산업 시설 디지털 트윈에서 로봇 시뮬레이션하기
  • 로봇 학습에서는 실패 전 상태로 되돌리기 어렵다는 점이 큰 제약임
    • 컴퓨터 안에서는 실패 후 상태를 초기화해 여러 경로를 탐색할 수 있음
    • 계단에서 떨어져 부서진 로봇은 같은 상태로 되돌리기 어려워 반복 실험과 학습 데이터 확보가 까다로움
  • 현실에서 작동하는 사례로 Waymo와 Zoox가 언급됨. Chip Huyen이 살펴보는 로보틱스 기업에는 Janatics Robotics, Generalist, Physical Intelligence, Sunday, Skild AI가 포함됨
향후 1년 전망
  • 패널은 AI를 지난 20여 년의 주요 기술 변화 중 하나로 보고, 업무와 개인 생활에서 반복적인 작업 흐름을 자동화할 방법을 찾아볼 것을 권함
  • 미국 로봇 기업의 혁신과 더 저렴하고 빠른 모델의 등장을 예상하며, TypeSafe 방식의 특화 모델에도 주목함
    • 모든 AI 에이전트에 어떤 형태로든 Jev 모델이 통합될 것이라는 전망도 나옴
    • 명확히 정의된 작업에는 더 작고 특화된 에이전트와 여러 모델을 조합한 구성을 활용하고, 차별점은 모델을 둘러싼 시스템에서 생길 것으로 봄
  • 에이전트의 구축과 프로덕션 운영이 늘어나면서 에이전트 간 통신도 더 활발해질 것으로 예상함
  • 전력 접근성, 수용 용량, 데이터센터 입지와 냉각이 AI 인프라 확장의 제약으로 떠오를 수 있음
    • 2027년의 주요 AI 이슈 일부는 에너지, 칩, 인프라와 지정학에서 나올 것으로 전망함
  • AI가 일상에서 차지하는 비중이 커지면서, AI가 특히 유용한 영역과 사람의 지능과 판단이 필요한 영역이 더 분명해질 것으로 봄
그냥 목록으로
원문 보기 ↗