AI의 중심이 ‘더 좋은 모델’에서 ‘믿고 맡길 수 있는 운영 계약’으로 이동한다

📖 오늘의 AI 뉴스를 책처럼 읽기

월요일의 뉴스는 대개 서로 다른 속도로 흘러온다. 오늘 아침에는 Waze가 운전 중 대화형 음성 명령을 넓힌다는 소식이 나왔다. 주말 사이에는 AI 데이터센터에 대한 지역사회의 반발이 커진다는 기사가 있었다. 그보다 며칠 앞서 OpenAI는 장시간 업무를 수행하는 ChatGPT Work와 GPT-5.6을 발표했고, Google은 배경 작업과 원격 MCP 연결을 지원하는 관리형 에이전트(Managed Agents)를 소개했다. Hugging Face에 실린 NVIDIA 글은 에이전트 시대에는 모델 가중치만큼 데이터와 실패 기록이 중요하다고 주장했다.

표면만 보면 내비게이션 앱, 새로운 모델, 개발자 API, 데이터셋, 데이터센터라는 별개의 이야기다. 그러나 아래에서는 하나의 질문이 반복된다. AI가 실제 생활과 업무 안으로 들어갈수록 누가 맥락을 제공하고, 오래 일하는 상태를 보존하며, 성공을 판정하고, 실패와 비용을 책임지는가?

이 질문은 모델의 IQ만으로 답할 수 없다. 도구 연결, 권한, 메모리, 평가, 데이터, 전력과 지역사회의 수용성까지 함께 보아야 한다. 오늘 보고서는 이를 운영 계약(operating contract)이라는 관점으로 읽는다. 계약은 법률 문서만을 뜻하지 않는다. AI에게 무엇을 맡기고, 무엇을 허용하며, 어떤 결과를 성공으로 보고, 실패했을 때 어디까지 복구할지를 미리 정하는 약속이다.

Prologue. 오늘 뉴스들이 가리키는 하나의 장면

초기의 생성형 AI는 대화 상자 안에서 빛났다. 사람이 질문하면 몇 초 뒤 답이 나왔다. 이 장면에서는 모델의 언어 능력이 거의 전부처럼 보였다. 하지만 AI가 달력, 문서, 브라우저, 회사 데이터, 자동차 내비게이션과 연결되자 사정이 달라졌다. 답을 잘 쓰는 것과 일을 끝내는 것 사이에 거대한 운영 공간이 나타났다.

예를 들어 “이번 달 예산 차이를 분석해 발표 자료로 만들어 줘”라는 요청을 생각해 보자. AI는 파일을 찾아야 하고, 서로 다른 표의 단위를 맞춰야 하며, 계산을 검산하고, 회사 템플릿에 맞춰 슬라이드를 만들고, 민감한 정보를 외부로 보내지 않아야 한다. 도중에 인증이 만료되거나 파일 형식이 예상과 다를 수도 있다. 이 일은 더 이상 문장 생성 문제가 아니다. 작은 사무실을 운영하는 문제다.

비개발자에게 에이전트 런타임(agent runtime)은 ‘직원이 일을 수행할 수 있게 해 주는 사무실’로 이해하면 쉽다. 모델은 직원의 두뇌다. 도구는 전화와 컴퓨터, 작업 상태는 책상 위의 서류, 자격증명은 출입증, 평가는 결재선, 로그는 업무 일지다. 똑똑한 직원을 채용해도 사무실에 출입증과 결재 절차가 없으면 중요한 일을 맡길 수 없다.

오늘의 뉴스는 이 사무실이 제품의 중심으로 이동하고 있음을 보여준다. 동시에 사무실이 커질수록 전기, 데이터, 신뢰, 지역사회의 허락이라는 바깥 조건도 중요해진다. 그래서 AI의 다음 경쟁은 모델 성능표만이 아니라 “누가 더 완성도 높은 작업 환경과 책임 구조를 제공하는가”에서 벌어질 가능성이 높다.

Chapter 1. 인터페이스는 사라지고, AI는 익숙한 흐름 속으로 스며든다

문제 제시: 사람은 새로운 앱보다 기존 장면을 떠나지 않으려 한다

새 기술은 처음에는 전용 도구로 등장한다. 그러나 널리 쓰이기 시작하면 기술 자체는 눈에 덜 띄고, 원래 하던 행동 안으로 녹아든다. 전기가 처음에는 신기한 발명품이었지만 지금은 스위치를 누르는 경험으로 사라진 것과 같다. AI도 별도의 prompt box를 찾아가는 단계에서, 운전·통화·문서 작성·회의 준비 안에서 자연스럽게 호출되는 단계로 이동하고 있다.

뉴스 근거: Waze의 음성 명령과 Deutsche Telekom의 ‘업무 재설계’

7월 13일 The Verge는 Waze가 Gemini를 활용해 운전자가 대화형 음성으로 교통 사고나 도로 폐쇄를 보고하고, “지금 문을 연 커피숍”처럼 조건을 붙여 목적지를 찾도록 기능을 넓힌다고 보도했다. 이 기사는 네 가지 업데이트 중 두 가지만 Gemini와 직접 관련된다고 구분한다. 따라서 이를 ‘Waze 전체의 AI 전환’으로 과장할 필요는 없다. 더 작은 변화이지만, 운전 중 화면을 세밀하게 조작하는 대신 말로 의도를 전달하는 인터페이스 변화는 분명하다.

7월 10일 OpenAI가 공개한 Deutsche Telekom 사례는 같은 방향을 조직 규모에서 보여준다. 이 글에서 통신사는 AI를 기존 방식에 얹는 소프트웨어 배포가 아니라 업무 자체를 다시 설계하는 일로 정의한다. 고객센터뿐 아니라 네트워크 운영, 실시간 번역, 통화 보조, 통화 후 요약처럼 고객이 이미 사용하는 통신 흐름 안에 AI를 넣으려 한다. 다만 수치와 성과는 OpenAI와 고객사가 제시한 사례 연구이므로 독립 평가가 아니라 공급자 관점의 1차 자료로 읽어야 한다.

하부 원리: 인터페이스가 줄어들수록 맥락과 권한이 늘어난다

음성으로 “가까운 주유소를 찾아 줘”라고 말하는 것은 편하다. 그러나 시스템은 현재 위치, 영업시간, 가격, 운전 경로를 함께 알아야 한다. 편리함은 입력창을 없애는 대신 더 많은 맥락(context)을 요구한다. 맥락은 AI가 현재 일을 이해하는 데 필요한 배경 정보다. 사람에게는 “여기서”, “지금”, “내가 평소 선호하는 길”이 자연스럽지만, 시스템은 각각 위치 정보, 시각, 사용자 기록으로 받아야 한다.

따라서 인터페이스가 자연스러워질수록 권한 설계(permission design)가 중요해진다. AI가 무엇을 읽을 수 있는지, 어떤 행동은 자동으로 해도 되는지, 언제 사람에게 확인해야 하는지를 정해야 한다. 음성 명령은 손을 자유롭게 해 주지만, 잘못 이해한 명령이 실제 경로를 바꿀 수도 있다. 업무 에이전트는 문서를 빠르게 만들지만, 잘못된 파일을 공유하거나 최신이 아닌 숫자를 사용할 수도 있다.

비개발자는 어떤 장면으로 이해하면 되는가?

유능한 비서가 회의실 문 앞에만 서 있는 것이 아니라 차 안, 전화, 이메일, 문서 속에 함께 있다고 상상해 보자. 부를 때마다 별도 설명을 반복하지 않아도 되는 점은 편리하다. 그러나 그 비서가 내 일정과 위치와 회사 문서를 볼 수 있는 만큼, 출입 범위와 승인 규칙이 필요하다. AI 인터페이스의 진화는 버튼이 줄어드는 이야기인 동시에 신뢰 계약이 커지는 이야기다.

Chapter 2. 에이전트의 진짜 제품은 답변이 아니라 ‘시간을 견디는 런타임’이다

문제 제시: 긴 일은 연결이 끊겨도 계속되어야 한다

대화형 AI는 요청과 응답이 한 번의 연결 안에서 끝난다는 가정을 갖기 쉽다. 하지만 조사, 코딩, 보고서 작성, 자료 변환은 몇 분에서 몇 시간 걸린다. 사용자가 휴대폰 화면을 닫거나 네트워크가 바뀌었다고 일이 사라지면 실제 위임이라 부르기 어렵다. 장기 작업(long-running task)은 생각의 길이뿐 아니라 실행 상태를 안전하게 보존하는 기술을 요구한다.

뉴스 근거: Google Managed Agents와 ChatGPT Work

Google은 7월 7일 Gemini API의 Managed Agents에 배경 실행(background execution), 원격 MCP 서버 연결, 사용자 정의 함수 호출, 상호작용 사이의 자격증명 갱신을 추가했다고 발표했다. 배경 실행은 긴 HTTP 연결을 계속 붙잡아 두는 대신 서버가 작업 ID를 반환하고, 클라이언트가 나중에 상태를 조회하거나 다시 연결하게 한다. 원격 MCP는 AI가 외부 도구와 데이터에 연결되는 공통 규격이며, 이 발표는 Google이 관리하는 격리된 cloud sandbox 안에서 reasoning, code execution, package installation, file management, web information을 묶는 방향을 보여준다.

OpenAI의 7월 9일 ChatGPT Work 발표도 비슷한 제품 방향을 말한다. 회사 설명에 따르면 이 에이전트는 앱과 작업흐름에서 정보를 모아 sheets, slides, docs, web apps 같은 완성물을 만들고, 복잡한 프로젝트를 작은 단계로 나눠 몇 시간 동안 수행한다. Scheduled Tasks는 사용자가 자리를 비운 사이에도 연결된 앱과 브라우저를 확인해 문서나 발표 자료를 갱신하도록 설계되었다. 이것은 공급자의 제품 설명이며, 모든 환경에서의 신뢰성과 품질을 독립적으로 입증한 자료는 아니다.

하부 원리: 장기 작업에는 상태, 재연결, 자격증명, 멱등성이 필요하다

상태(state)는 “지금 어디까지 했는가”를 기억하는 정보다. 장거리 기차 여행에서 표, 현재 역, 환승 계획을 보존하는 것과 같다. 재연결(reconnect)은 통신이 끊겨도 같은 여행을 이어 가는 능력이다. 자격증명(credential)은 외부 서비스가 이 에이전트를 허용된 사용자로 인정하는 출입증이다. 그리고 멱등성(idempotency)은 같은 요청이 두 번 전달되어도 결제가 두 번 되거나 파일이 중복 생성되지 않게 하는 성질이다.

이 네 가지는 모델의 문장 능력과 별개처럼 보이지만, 실제 사용자는 모두를 합친 결과만 경험한다. 모델이 훌륭한 보고서를 만들었어도 파일이 저장되지 않으면 실패다. 예약 작업이 두 번 실행되어 같은 문서를 덮어쓰면 위험하다. 자격증명이 만료된 뒤 무한 재시도하면 비용과 보안 문제가 생긴다. 따라서 에이전트의 품질은 모델 점수에 런타임의 회복탄력성(resilience)을 더한 값이다.

비개발자는 어떤 장면으로 이해하면 되는가?

식당에서 “코스 요리를 부탁합니다”라고 주문한 뒤 손님이 잠시 전화를 받으러 나갔다고 생각해 보자. 좋은 주방은 주문 번호를 보존하고, 어느 요리까지 나갔는지 기록하며, 알레르기 정보와 결제 상태를 잊지 않는다. 손님이 돌아왔다고 첫 요리부터 두 번 만들지 않는다. 관리형 에이전트가 제공하려는 것은 더 똑똑한 요리사 한 명만이 아니라 이런 주방 운영에 가깝다.

Chapter 3. 평가표가 틀리면 더 똑똑한 모델도 잘못된 방향으로 달린다

문제 제시: 숫자는 객관적으로 보이지만 시험지가 부서질 수 있다

AI 모델 발표에는 benchmark 점수가 따라온다. benchmark는 여러 모델에 같은 시험을 주어 비교하는 기준이다. 문제는 시험 자체가 공정하고 정확하다는 보장이 없다는 점이다. 질문이 모호하거나, 보이지 않는 채점 기준이 문제 설명과 다르거나, 정답을 제대로 검사하지 못하면 점수는 능력이 아니라 시험의 결함을 측정한다.

뉴스 근거: OpenAI의 SWE-Bench Pro 감사와 GPT-5.6 성능 주장

OpenAI는 7월 8일 SWE-Bench Pro의 731개 공개 과제를 감사한 결과를 공개했다. 자동 분석 파이프라인은 200개(27.4%), 인간 검토 캠페인은 249개(34.1%)를 문제가 있는 과제로 판단했다고 보고했다. 회사는 지나치게 엄격한 test, 요구사항이 빠진 prompt, 낮은 test coverage, 오도하는 prompt를 주요 유형으로 들고, 약 30%의 과제가 깨졌다고 추정하며 이전의 채택 권고를 철회했다. 이 감사 역시 OpenAI가 수행한 분석이므로 독립 재검토가 유익하지만, 평가 데이터 자체를 감시해야 한다는 문제 제기는 중요하다.

하루 뒤 발표된 GPT-5.6 공식 글은 코딩, 지식 노동, computer use, 비용 대비 성능에서 여러 수치를 제시한다. 보고서는 이 숫자를 제품 선택의 확정 근거로 사용하지 않는다. 같은 회사가 평가셋의 결함을 공개한 바로 다음 장면은 오히려 교훈을 준다. benchmark는 모델을 판단하는 마지막 진실이 아니라, 지속적으로 감사해야 하는 측정 장치다.

하부 원리: 평가 출처성은 점수의 ‘영수증’이다

평가 출처성(eval provenance)은 점수가 어디에서 왔는지 추적하는 기록이다. 어떤 모델 버전, 어떤 prompt, 어떤 도구, 어떤 데이터, 어떤 날짜, 어떤 채점 script를 사용했는지 남긴다. 마트 영수증이 총액만 보여 주는 것이 아니라 물건과 수량과 가격을 적는 것과 같다. 총점만 있으면 상승 원인을 알 수 없지만, 출처성이 있으면 모델이 좋아진 것인지 시험이 쉬워진 것인지 구분할 수 있다.

또한 결정적 검사(deterministic check)와 정성 평가(qualitative review)를 나눠야 한다. 파일 존재, 날짜, 링크 수, 외부 script 여부는 기계가 반복해서 정확히 검사할 수 있다. 반면 글의 통찰이 깊은지, 비개발자가 이해하기 쉬운지는 사람이 표본을 읽어야 한다. 둘 중 하나만으로는 부족하다. 기계 검사는 빈 상자를 잡고, 사람 검토는 내용물의 품질을 본다.

비개발자는 어떤 장면으로 이해하면 되는가?

학교에서 학생들의 점수가 갑자기 크게 올랐다고 하자. 학생이 더 잘 배웠을 수도 있지만, 시험 문제에 정답이 노출되었거나 채점표가 잘못되었을 수도 있다. 좋은 교사는 점수만 축하하지 않고 문제지와 채점 과정을 확인한다. AI 도입에서도 “신모델이 20% 향상”이라는 문구보다 우리 업무의 실제 시험지가 제대로 만들어졌는지를 먼저 봐야 한다.

Chapter 4. AI의 병목은 데이터와 전력, 그리고 사회적 허락으로 이동한다

문제 제시: 지능이 풍부해질수록 보이지 않던 기반시설이 드러난다

모델이 저렴하고 강력해지면 AI 사용량은 늘어난다. 그러나 디지털 서비스도 물리 세계 위에서 작동한다. 데이터센터는 전기와 물, 토지와 송전망을 필요로 한다. 에이전트는 단순한 질문 한 번보다 더 오래 모델을 실행하고, 여러 도구를 부르고, 중간 결과를 저장한다. 따라서 지능의 단가가 내려갈수록 전체 사용량이 늘어 기반시설의 부담이 커질 수 있다.

뉴스 근거: 에이전트 데이터의 공개와 데이터센터에 대한 반발

7월 8일 Hugging Face에 게시된 NVIDIA 공동 글 ‘Data for Agents’는 현실이 benchmark처럼 행동하지 않기 때문에 software engineering trace, tool-use failure, multi-step reasoning, retrieval, safety, user simulation, workflow execution 같은 데이터가 필요하다고 주장한다. 글의 핵심은 오픈 가중치(open-weight)만으로 에이전트 행동을 재현하기 어렵고, 데이터셋·선별 방식·학습 조리법·평가 방법이 함께 공개되어야 행동을 점검할 수 있다는 것이다. 저자들은 합성 데이터(synthetic data)가 기업의 민감한 원본을 직접 노출하지 않으면서 유용한 패턴을 공유하는 한 방법이라고 설명한다.

7월 12일 The Verge는 미국과 유럽의 데이터센터 반대 사례를 종합하며 전력 요금, 물, 소음, 빛 공해, 지역 규제에 대한 갈등이 커지고 있다고 보도했다. 기사에 인용된 Data Center Watch 연구는 2026년 1분기에 미국에서 최소 75개 프로젝트, 1,300억 달러 규모가 차단되거나 지연되었다고 주장한다. 이 수치는 해당 연구와 기사에 의존하며 이 보고서가 독립 검증하지 않았다. 그래도 데이터센터가 더 이상 보이지 않는 cloud가 아니라 지역 정치의 대상이 되었다는 신호는 분명하다.

하부 원리: 공개성과 희소성은 동시에 커진다

에이전트 생태계는 한편으로 더 많은 공개 데이터와 재현 가능한 평가를 요구한다. 다른 한편으로는 전력, 컴퓨팅 장비, 좋은 내부 업무 데이터처럼 희소한 자원을 놓고 경쟁한다. 여기에는 긴장이 있다. 모든 것을 공개하면 기업의 비밀과 개인정보가 위험해지고, 모두 닫으면 검증과 혁신이 느려진다. 합성 데이터는 이 긴장을 완화할 수 있지만 원본 세계의 편향을 복제하거나 중요한 예외를 놓칠 수 있다.

사회적 허락(social license)은 법적 허가보다 넓은 개념이다. 시설이 법을 지켰더라도 지역 주민이 비용과 위험을 불공정하게 떠안는다고 느끼면 사업이 지속되기 어렵다. AI 제품도 마찬가지다. 사용자가 결과를 신뢰하지 않거나 자신의 데이터가 어떻게 쓰이는지 알 수 없으면 기술적 성능만으로 채택을 유지하기 어렵다.

비개발자는 어떤 장면으로 이해하면 되는가?

도서관이 책을 무료로 빌려 준다고 해서 도서관 운영 비용이 사라지는 것은 아니다. 건물, 전기, 사서, 분류 체계, 저작권 계약이 필요하다. AI도 화면에서는 가벼운 문장처럼 보이지만 뒤에는 데이터, 칩, 전력, 검수자가 있다. 앞으로의 좋은 AI 운영은 “무엇을 할 수 있는가”뿐 아니라 “어떤 자원과 신뢰를 사용해 그 일을 하는가”를 설명해야 한다.

Epilogue. 내 AI 운영체계로 내려오는 실행 설계

1. 상위 방향. AI는 prompt에 답하는 모델에서, 맥락과 도구와 시간을 관리하는 작업흐름 런타임(workflow runtime)으로 이동하고 있다. 이에 따라 경쟁력의 중심도 모델 이름에서 운영 계약—권한, 상태, 평가, 출처성, 비용, 복구—으로 넓어진다.

2. 현재 위치. 사용자는 Hermes Agent를 Telegram에서 호출하고, skills로 반복 작업을 구조화하며, Link-to-Book/YouTube-to-Book HTML과 ai-agent-ops-wiki를 raw/source/wiki/output으로 분리한다. 매일 AI 뉴스 cron에는 정확한 dated path, idempotency, deterministic validator, watchdog가 있다. 이미 작은 관리형 에이전트 운영체계를 구축한 셈이다.

3. 갭. 현재 가장 중요한 갭은 새 모델 접근권이 아니다. 여러 workflow에서 공통으로 추적해야 할 운영 증거—canonical source, fallback, 모델/provider, validator, delivery—가 얼마나 일관되게 남는지다. 또한 자동 검사가 형식 품질을 잡는 동안, 도서형 통찰과 실제 유용성을 사람이 주기적으로 검토하는 층이 필요하다.

Today — 오늘

HIGH이번 digest의 운영 계약을 끝까지 닫는다. 오늘 날짜 파일을 생성하고 source links, controls, glossary, wiki candidates, external script 여부를 deterministic watchdog로 확인한다. PASS 전에는 생성 완료를 성공으로 표현하지 않는다.

HIGHGPT-5.6을 즉시 migration 대상으로 보지 않는다. 공급자 benchmark 수치보다 Hermes의 대표 작업에서 출처 충실도, 한국어 장문, tool recovery, 비용, 지연을 비교할 준비가 먼저다. 접근 가능해질 때 eval 후보로 두되 기본 모델 전환은 보류한다.

This Week — 이번 주

HIGH세 workflow의 ‘운영 영수증’ 필드를 수동으로 비교한다. AI News, Link-to-Book, YouTube-to-Book 최근 실행 각각 하나에서 날짜, canonical URL, 추출 방식, fallback, validator, delivery를 사람이 표로 비교한다. 반복 누락이 확인되기 전에는 새 schema나 automation을 만들지 않는다.

MEDIUMTelegram 승인 경계를 한 번 사용자 관점으로 읽는다. 어떤 skill이 파일을 쓰고, 어떤 경우 외부 publish를 멈추며, credential/CAPTCHA에서 어떻게 중단하는지 설명이 분명한지 확인한다. 권한을 더 열기보다 경계를 이해하기 쉽게 만드는 것이 우선이다.

This Month — 이번 달

HIGH모델 평가와 workflow 평가를 분리한 작은 회귀 묶음을 검토한다. 모델 평가는 같은 입력에서 품질·비용·지연을 비교하고, workflow 평가는 source→artifact→validator→delivery 전체를 본다. 두 점수를 섞지 않아야 병목이 모델인지 하네스인지 알 수 있다.

MEDIUMCloudflare/GitHub publishing의 신뢰 메타데이터를 설계 후보로 둔다. 공개 artifact에 생성일, 근거 링크, AI 보조 고지, 마지막 검증일을 노출하고, 내부 raw 자료와 credential은 계속 분리한다. 실제 반영은 기존 publish playbook과 중복을 검토한 뒤 승인받는다.

Defer / 보류

ChatGPT Work나 Managed Agents가 발표되었다는 이유만으로 현재 Hermes workflow를 전면 교체하지 않는다. Waze의 음성 기능을 개인 agent interface 전략의 결정적 증거로 과장하지 않는다. 데이터센터 논쟁 한 기사만으로 compute 정책을 단정하지 않는다. 자동화가 자기 skill·playbook·eval·cron 정책을 수정하도록 만드는 것도 보류한다. 지금의 병목은 기능 부족보다 평가 출처성과 승인 경계의 일관성이다.

Appendix A. 표면 뉴스와 깊은 신호

Appendix B. Source & Reliability Notes

수집 한계. 2026-07-13 당일 공식 lab 발표 밀도는 낮아, 오늘자 Waze 기사와 7월 7~12일의 공식 발표·주말 기사로 최근 구조를 읽었다. OpenAI 네 페이지는 canonical direct extraction이 접근 보호로 막혀 각 1회만 시도한 뒤 Jina reader fallback 1회와 공식 RSS metadata를 교차 확인했다. CAPTCHA, 로그인, credential 요구는 없었다. social-only signal과 rumor는 사용하지 않았다. 이 문서는 AI 보조로 작성되었으며, 사실·공급자 주장·해석을 구분하려고 했다.

Appendix C. 출처에서 실행까지의 recap

Appendix D. AI 시대의 단어장: 맥락으로 이해하기

운영 계약(operating contract)

사전적 뜻: 일을 수행하는 방식과 책임에 관한 약속. AI 맥락: agent가 읽을 수 있는 자료, 호출 가능한 도구, 성공 조건, 승인 지점, 실패 복구를 미리 정한 규칙. 뉘앙스: 모델의 지능보다 주변 시스템의 신뢰성을 설명하는 말에 가깝다.

작업흐름 런타임(workflow runtime)

사전적 뜻: 작업 흐름이 실제로 실행되는 환경. AI 맥락: 모델이 상태를 보존하고 도구를 호출하며 여러 단계를 이어 가는 실행 공간. 뉘앙스: prompt를 쓰는 화면보다 ‘일이 굴러가는 사무실’에 가깝다.

배경 실행(background execution)

사전적 뜻: 사용자가 화면을 보고 있지 않아도 뒤에서 계속되는 실행. AI 맥락: 긴 agent 작업을 서버가 유지하고 ID로 상태를 조회하게 하는 방식. 뉘앙스: 편리하지만 중복 실행, 비용, 중단 조건이 함께 필요하다.

모델 맥락 프로토콜(Model Context Protocol, MCP)

사전적 뜻: 모델이 외부 맥락과 연결되는 공통 규약. AI 맥락: agent가 파일, 데이터베이스, 서비스 같은 도구를 일정한 형식으로 발견하고 호출하게 한다. 뉘앙스: USB처럼 연결 형식을 통일하지만, 무엇을 연결해도 안전하다는 보증은 아니다.

상태(state)

사전적 뜻: 어떤 시점의 현재 상황. AI 맥락: agent가 어느 단계까지 실행했고 무엇을 이미 확인했는지 나타내는 정보. 뉘앙스: 장기 작업에서 기억 손실과 중복을 막는 핵심이다.

멱등성(idempotency)

사전적 뜻: 같은 연산을 여러 번 적용해도 결과가 한 번과 같은 성질. AI 맥락: cron이나 API 요청이 중복되어도 파일·결제·게시가 두 번 발생하지 않게 하는 설계. 뉘앙스: 재시도를 안전하게 만들기 위한 ‘중복 방지 계약’이다.

평가(evaluation, eval)

사전적 뜻: 기준에 따라 가치나 성능을 판단하는 일. AI 맥락: 답의 정확도뿐 아니라 출처, 도구 사용, 복구, 안전, 형식을 검사하는 시험. 뉘앙스: 점수표라기보다 실제 일을 맡길 수 있는지 확인하는 검수대다.

평가 출처성(eval provenance)

사전적 뜻: 평가 결과의 기원과 이력. AI 맥락: 점수가 어떤 모델·prompt·tool·dataset·script·날짜에서 나왔는지 추적하는 기록. 뉘앙스: 총점에 붙는 영수증으로, 진짜 개선과 조건 변화를 구분한다.

결정적 검사(deterministic check)

사전적 뜻: 같은 입력에 항상 같은 판정을 내리는 검사. AI 맥락: 파일 존재, 날짜, 링크 수, marker처럼 기계가 명확히 확인하는 validation. 뉘앙스: 문학적 깊이는 판단하지 못하지만 false success를 강하게 줄인다.

오픈 가중치(open-weight)

사전적 뜻: 학습된 모델 수치가 공개되어 내려받을 수 있는 상태. AI 맥락: 모델을 직접 실행·조정할 수 있게 하지만 training data와 recipe까지 공개되었다는 뜻은 아니다. 뉘앙스: agent 재현성에는 weights 외에 trace와 eval도 필요하다.

합성 데이터(synthetic data)

사전적 뜻: 실제 기록을 그대로 모은 것이 아니라 인공적으로 생성한 데이터. AI 맥락: 민감한 원본을 노출하지 않으면서 업무 패턴이나 다양한 사례를 학습·평가에 제공하는 방법. 뉘앙스: privacy에 도움이 될 수 있지만 현실의 예외와 편향을 정확히 담는다는 보장은 없다.

모델 라우팅(model routing)

사전적 뜻: 요청을 알맞은 경로로 보내는 선택. AI 맥락: 업무 난이도·비용·지연·privacy·품질 기준에 따라 모델/provider를 고르는 방식. 뉘앙스: 최고 benchmark 모델을 항상 쓰는 것이 아니라 전체 workflow의 목적에 맞추는 배전반이다.

회복탄력성(resilience)

사전적 뜻: 충격 뒤 기능을 회복하는 능력. AI 맥락: source, model, tool, network가 실패해도 안전하게 중단하거나 검증된 fallback으로 이어 가는 성질. 뉘앙스: 무한 재시도가 아니라 실패를 분류하고 중복 side effect를 막는 능력이다.

사회적 허락(social license)

사전적 뜻: 법률 외에 공동체가 사실상 부여하는 수용과 신뢰. AI 맥락: 데이터센터나 AI 서비스가 비용·위험·혜택을 공정하게 나눈다고 사람들이 받아들이는 상태. 뉘앙스: 법적 허가만으로 장기 채택이 보장되지 않는다는 뜻이다.

Appendix E. 오늘의 위키 반영 후보

아래는 장기 지식 후보에 대한 추천이다. 이번 scheduled run에서는 03_wiki/를 수정하지 않는다.