AI 산업의 진화 속도가 가파르다. 모델 규모의 확장부터 이미지 생성 능력, 개발 도구의 효율성까지 전방위적인 업데이트가 쏟아졌다.

오픈AI의 'Bell' 모델은 매개변수(parameter) 10조 개라는 압도적 규모를 자랑한다. 이중 속도 학습 시스템과 재귀적 자기 개선(RSI, Recursive Self-Improvement) 지표를 도입해 스스로 진화하는 구조를 갖췄다. 규모의 경제를 넘어 자가 진화의 단계로 진입했다. 한편, 오픈AI는 모델 성능 향상과 과학적 솔루션 도출 과정에서 비식별 처리된 제품 사용 데이터와 연구자 데이터를 활용했음을 인정했다.

챗GPT의 이미지 생성 기능도 정교해졌다. 이제 채팅창에 수정 사항을 입력하는 것만으로 특정 부분만 고치는 정밀 편집이 가능하다. 특히 GPT image 2.5 업데이트를 통해 생성 속도를 획기적으로 높였으며, 대화형 편집 시스템을 결합해 사용자 의도를 더 정확하게 반영한다.

구글의 제미나이 프로(제미나이 Pro)는 시각적 추론 능력을 증명했다. 내부 테스트 버전(checkpoint)에서 정교한 SVG 그래픽을 생성하며 고도의 추론 능력을 보여줬다.

딥시크(DeepSeek)는 V4.1 Flash 모델의 가중치를 공개하며 최상위 모델들과의 경쟁에 나섰다. 추론 강도를 조절할 수 있는 파라미터를 제공하며, 양자화(quantization) 기술을 통해 기업 내부 서버에 직접 설치해 사용하는 로컬 배포를 지원한다. 효율성과 보안을 동시에 잡겠다는 전략이다.

하드웨어와 소프트웨어의 결합도 가속화된다. 애플은 기기 자체에서 음성을 처리하는 주변 소리 듣기(ambient listening) 기능이 탑재된 새로운 애플 워치 2종을 공개했다. Codex는 설정 파일을 통해 문맥 유지 범위(context window)를 828,000토큰까지 확장했다. 기술적 제약은 여전하지만, 한 번에 처리할 수 있는 정보량은 비약적으로 늘었다.

01오픈AI Bell — 10조 개 매개변수로 구현한 '멈추지 않는 학습'

오픈AI가 현대 AI의 가장 큰 약점인 '출시 후 학습 중단' 문제를 해결하려 한다. 최근 공개된 코드네임 'Bell' 모델은 매개변수(parameter) 규모가 10조 개에 달한다. 조 단위였던 GPT-4와 비교해도 압도적인 수준이다. Bell은 단순히 고정된 도구에 머물지 않고, 출시 이후에도 스스로 지능을 정교화하며 성장하도록 설계됐다. 정지된 도구의 시대가 끝났다.

이런 진화는 두 가지 속도로 작동하는 학습 시스템 덕분이다. 기존 모델은 초기 학습이 끝나면 상태가 '동결'되지만, Bell은 '빠른 가중치 층(fast weight layer)'을 통해 검증된 증명, 실험, 코드 테스트, 도구 사용 기록을 즉시 흡수한다. 실시간으로 주변 환경에서 배우는 셈이다. 이후 느린 루프가 이 경험들을 필터링해, 가장 효과적인 교훈만 장기 기억(persistent weights)과 학습법에 반영한다. 적응과 안정이라는 두 마리 토끼를 잡았다.

오픈AI는 이 능력을 측정하기 위해 '재귀적 자기 개선(Recursive Self-Improvement, RSI)' 지수를 도입했다. 머신러닝 실험과 연구 디버깅, 학습 최적화 성과를 합산해 모델이 얼마나 스스로 발전하는지 추적하는 지표다. 실제 적용 사례인 Saul 모델은 RSI 지수에서 GPT 5.5보다 16.2점 높은 성적을 기록했다. Saul은 스스로 엔지니어가 되어 작은 초안 모델을 위한 수백 가지 구조 실험을 설계하고 학습까지 직접 관리했다. 사람은 하드웨어 고장이나 학습 불안정 상태일 때만 개입했다. 그 결과 토큰 생성 효율이 15% 이상 개선됐다. AI가 AI를 설계하는 단계에 진입했다.

02ChatGPT 이미지 편집 — 다시 그릴 필요 없이 콕 집어 수정

이제 AI가 생성한 이미지의 일부가 마음에 들지 않는다고 해서 전체를 처음부터 다시 그릴 필요가 없다. 오픈AI가 ChatGPT에 정적인 이미지를 편집 가능한 캔버스로 바꾸는 부분 수정 기능을 도입했다. 사용자는 새로운 프롬프트를 입력하고 운 좋게 비슷한 결과가 나오길 기다리는 대신, 인물의 옷차림이나 특정 텍스트 같은 요소를 정확히 지정해 수정할 수 있다. 시행착오의 반복이었던 작업 흐름(workflow)이 사용자가 직접 통제하는 정밀 편집 환경으로 전환된 것이다.

작동 방식은 간단하다. 수정하고 싶은 영역을 선택하고, 무엇을 바꿀지 말로 지시하는 코멘트 기반 시스템이다. 구글의 Pix가 요소를 직접 분리해 수정하는 방식이라면, ChatGPT는 선택 후 구체적인 요청을 덧붙이는 식이다. 예를 들어, 이어폰을 낀 남성 이미지에서 이어폰 케이스나 이어폰 알만 따로 골라낼 수 있다. 별점 4.9점을 4.8점으로 바꿔달라고 요청하면 다른 부분은 건드리지 않고 숫자만 바뀐다. 세밀한 통제가 가능해졌다.

작업 효율을 극대화하기 위해 여러 수정을 한 번에 처리하는 일괄 편집(batching) 기능도 추가했다. 수정 사항을 하나씩 적용하며 매번 이미지가 새로고침 되기를 기다릴 필요가 없다. 인물의 성별을 바꾸고, 물건 색상을 변경하며, 텍스트까지 수정하는 작업을 한꺼번에 예약한 뒤 한 번에 적용하는 식이다. 이는 구글 Pix에서도 제공하는 기능으로, 파편화된 반복 작업이 아니라 정교하게 설계된 변경 사항을 한 번에 반영할 수 있게 한다. 복잡한 이미지일수록 작업 속도는 비약적으로 빨라진다.

03오픈AI의 BEL, 실체 없는 소문일 뿐일까?

오픈AI의 BEL 모델을 둘러싼 미스터리는 업계를 추측의 늪으로 밀어 넣었다. 성능을 측정하거나 기존 업무 흐름(workflow)에 적용할 검증 방법이 전혀 없기 때문이다. 개발자와 기업 입장에서는 구체적인 기술 사양이 없으니 도입 계획을 세우거나 기존 도구와 비교하는 것조차 불가능하다. 투명성이 결여된 상태에서 기술적 도약은 그저 확인되지 않은 소문으로 전락했다. 계획을 세울 근거가 없다.

마커스 벨(Marcus Bell)이 9월 6일 분석한 내용을 보면 정보의 빈약함이 적나라하게 드러난다. 오픈AI의 공식 발표는 물론, 학습 데이터와 목적을 명시하는 모델 설명서(model card)조차 없다. AI 모델의 순위를 매기는 표준 성능 지표(benchmarks) 역시 전무하다. 실제 도입에 필요한 가격 정책, 소프트웨어 연동을 위한 API, 모델을 직접 구동할 수 있는 가중치(weights), 사용 권한을 규정하는 라이선스까지 그 어떤 실무적 데이터도 공개되지 않았다. 빈껍데기나 다름없다.

모델의 가장 기본적인 특성조차 베일에 싸여 있다. 대화 중 한 번에 처리할 수 있는 최대 정보량인 컨텍스트 윈도우(context window)는 확인되지 않았다. 더 심각한 점은 텍스트, 이미지 등 어떤 데이터를 처리하는지 결정하는 데이터 처리 방식(modality)조차 확정되지 않았다는 것이다. 오픈AI는 내부 모델에 대해 언급하면서도 정작 'BEL'이라는 명칭은 교묘하게 피해 왔다. 소문과 공식 기록 사이의 괴리는 크다. 현재로서는 이 모델의 존재와 성능을 뒷받침할 기술적 근거가 턱없이 부족하다.

04이름 지워도 소용없다 — 사용자의 '사고방식'까지 학습한 오픈AI

AI 도구와 나눈 대화가 AI의 지능을 높이는 재료가 된다. 최근 오픈AI는 개인 식별 정보를 제거한 '비식별 데이터(deidentified data)'가 모델 성능 향상에 쓰였을 가능성을 인정했다. 이름이나 이메일 같은 개인정보는 지웠지만, 대화의 핵심 내용은 남겨둔 상태다. 결국 사용자가 문제를 해결하는 논리와 사고 패턴이 시스템에 그대로 흡수되어 AI의 능력을 키우는 데 활용됐다는 의미다. 데이터의 껍데기만 벗겼을 뿐, 알맹이는 그대로 가져갔다.

이번 논란은 수학자 트리스탄 벅마스터(Tristan Buckmaster)와 레벤트 알파가(Levent Alpaga)가 Navier Stokes 문제 해결 과정에서 데이터 사용 시점을 문제 삼으며 불거졌다. 이들은 오픈AI가 어떻게 정답에 도달했는지 의문을 제기했고, 오픈AI는 연구자들이 제품을 사용하며 남긴 비식별 데이터가 모델 개선에 도움을 줬을 가능성을 인정했다. 오픈AI는 그럴 확률이 낮다고 선을 그었지만, 고숙련 사용자의 지적 노동이 AI의 특수 작업 성능을 높이는 데 재활용될 수 있음을 공식 확인한 셈이다. 전문가의 통찰이 AI의 공짜 학습지가 됐다.

전문직 사용자나 과학 연구자들에게 이는 지식재산권과 프라이버시의 심각한 충돌을 야기한다. 비식별 처리가 '누가' 썼는지는 가려줄지언정, 그가 개발한 독창적인 방법론이나 핵심 돌파구까지 보호해주지는 않기 때문이다. 수학자가 증명을 구성하는 방식이나 과학자가 공식을 접근하는 논리를 모델이 학습하는 순간, AI는 사용자의 전문성을 그대로 복제한다. 개인의 작업 공간과 모델의 학습 데이터 사이의 경계는 생각보다 훨씬 허술하다. 사용 패턴 자체가 이미 가치 있는 학습 자원이 된 시대다.

05단순 비서에서 실무 직원으로, GPT-6 Astra와 Bell의 격차

GPT-6 Astra는 이제 단순한 챗봇을 넘어 소프트웨어와 물리적 하드웨어를 직접 제어하는 'AI 직원'으로 변모했다. 사용자의 질문에 답하는 수준을 넘어, 컴퓨터를 자율적으로 조작해 여러 단계의 복잡한 과업을 완수한다. Figma나 Blender 같은 외부 소프트웨어에서 디자인 작업을 수행하거나 로봇을 직접 제어하는 식이다. 작업의 신뢰성을 높이기 위해 '멈춤 및 확인(stop and ask)' 규칙을 설정할 수 있다. AI가 모호한 상황에서 임의로 판단하지 않고 사람에게 확인을 요청하게 함으로써, 최종 결정권은 사람이 갖는 작업 흐름(workflow)을 유지했다.

Astra의 활용 범위는 비즈니스 경영 영역까지 뻗어 있다. 마케팅 책임자(CMO) 역할을 맡아 콘텐츠 제작부터 배포, 최적화에 이르는 전체 사이클을 관리한다. 마케팅 결과물을 실제 서비스에 적용하고, 실시간 성과를 모니터링하며, 반응이 낮은 요소를 스스로 수정해 다시 배포한다. 이 모든 과정을 AI가 단독으로 처리한다. 이제 성능 최적화를 위해 외부 팀이 매달려야 했던 반복 작업의 시대는 끝났다.

오픈AI는 여기서 더 나아가 내부적으로 'Bell'이라는 훨씬 강력한 체크포인트(checkpoint) 모델을 개발하고 있다. 보고에 따르면 Bell의 가장 낮은 추론 단계가 GPT-6 Astra의 최대 추론 능력을 이미 상회한다. 최근 오픈AI는 1만 개의 Bell 에이전트로 구성된 대규모 자율 시스템을 가동해 '나비에-스토크스(Navier-Stokes) 밀레니엄 문제'의 해결책을 도출하며 그 위력을 증명했다. 88시간 동안 270만 건의 메시지를 주고받으며 1,300억 개의 토큰을 생성했고, 투입 비용은 100만 달러였다.

이런 흐름 속에서 DeepSeek V4.1 Flash는 극강의 비용 효율과 시각적 자율성을 앞세웠다. 검증 장치(harness)를 활용해 mehmoodmohammad.com과 같은 랜딩 페이지를 스스로 제작한다. 브라우저로 스크린샷을 찍고 메모장(scratch pad)에서 이미지의 크롭이나 줌 상태를 확인하는 시각적 검증 루프를 사용한다. 효율성은 압도적이다. 랜딩 페이지 하나를 수정하는 데 단 7센트가 들었으며, 30억 개의 토큰을 사용하는 대량 작업 비용은 약 30달러에 불과했다. 또한 사후 학습 강화 학습을 통해 Terminal Bench의 다양한 버전에서 고른 성능을 유지하며 뛰어난 일반화 능력을 입증했다.

06제미나이 Pro 체크포인트: 픽셀 없이 코드로만 정교한 그림을 그리다

구글이 내부적으로 사용하던 제미나이 Pro 체크포인트(제미나이 Pro Checkpoint)의 새로운 버전을 공개했다. 복잡한 다단계 추론 능력이 비약적으로 상승했다는 점이 핵심이다. 이는 조만간 출시될 제미나이 4.0 Pro 시리즈의 전조로 해석된다. 구글은 이제 AI가 구체적인 가이드나 예시 없이도 추상적인 개념을 정밀한 구조적 결과물로 바꾸는 한계치까지 밀어붙이고 있다. 추론의 차원이 달라졌다.

최근 이 모델은 공작새의 정교한 벡터 그래픽(SVG)을 생성하며 그 성능을 입증했다. 벡터 그래픽은 단순히 픽셀을 예측하는 것이 아니라, 좌표와 도형을 코드로 정밀하게 계산해야 하는 작업이다. 특히 이번 결과물은 어떤 예시도 제공하지 않은 상태에서 바로 생성하는 방식(zero-shot)으로 만들어졌다. 이 과정에서 모델은 약 24,000개의 토큰을 사용했으며, 정확도와 복잡성을 확보하기 위해 약 6분 동안 고도의 추론 과정을 거쳤다. 단순한 예측이 아닌 '계산'의 영역으로 들어섰다.

모델 ID가 공개되면서 구글이 매우 강력한 새 버전을 테스트 중이라는 사실이 확인됐다. 단 하나의 복잡한 요청에 수 분의 처리 시간을 할당하는 방식은, 즉각적인 응답보다 정확도와 깊이를 우선시하는 고추론 모델로의 패러다임 전환을 의미한다. 순수 추론만으로 복잡한 벡터 아트를 구현했다는 것은 AI의 공간 및 구조 이해력이 임계점을 넘었음을 보여준다. 이는 향후 디자인, 코딩, 기술 일러스트레이션 분야의 작업 방식을 완전히 바꿀 것이다. 이제 AI는 빠르게 답하는 도구가 아니라, 깊게 생각하는 전문가가 된다.

07오픈AI GPT image 2.5 — '운'에 맡기던 생성에서 '정밀'한 편집의 시대로

오픈AI가 GPT image 2.5를 통해 이미지 생성 능력을 업그레이드했다. 일반 사용자가 이미지를 만들고 다듬는 과정이 훨씬 빠르고 직관적으로 변했다. 가장 체감되는 변화는 대기 시간의 단축이다. 요청 후 결과가 나오기까지의 지연 시간(latency)을 최대 50% 줄였다. 텍스트 입력부터 고화질 이미지 완성까지의 시간이 짧아지면서, 작업 흐름(workflow)의 병목 현상이 사라졌다. 속도가 곧 경쟁력이다.

속도 외에 집중한 지점은 화질(fidelity), 즉 결과물의 세부 묘사와 사실감이다. GPT image 2.5는 더 선명한 화질과 일관성을 갖췄으며, 자연광과 질감 표현이 정교해졌다. 특히 참고 사진을 사용할 때 대상의 특징을 그대로 유지하는 능력이 크게 향상됐다. 특정 인물이나 사물의 정체성을 여러 장면에서 일관되게 유지할 수 있게 된 것이다. 생성 과정에서 원본의 모습이 변해버리던 고질적인 불편함을 해결했다.

제어 방식의 가장 큰 변화는 댓글 기반의 편집 시스템 도입이다. 기존에는 이미지의 일부만 수정하려 해도 전체를 다시 생성하거나 복잡한 도구를 써야 했다. 이 과정에서 유지하고 싶은 부분까지 함께 변하는 경우가 많았다. 이제는 이미지의 특정 영역에 댓글을 남겨 원하는 부분만 정확히 수정할 수 있다. 다른 구성 요소는 건드리지 않고 타겟 영역만 바꾸는 정밀한 다회차 수정이 가능하다. 빠른 생성 속도에 외과 수술 수준의 정밀 제어를 더했다. 이제 AI 이미지 생성은 '운'에 맡기는 도구가 아니라, 정교하게 다듬는 편집 도구로 진화했다.

08DeepSeek V4.1 Flash 공개 — 내 기기에 직접 심는 고성능 오픈웨이트 AI

사용자는 이제 민감한 데이터를 제3자와 공유하지 않고도 고성능 AI 모델을 자신의 하드웨어에 직접 구축할 수 있다. 딥시크(DeepSeek)는 AI의 행동을 결정하는 내부 매개변수를 공개하고 다운로드할 수 있도록 개방형 가중치(open-weights) 모델인 V4.1 Flash를 출시했다. 이를 통해 개인용 컴퓨터나 휴대전화에서 프라이버시를 지키며 AI를 실행할 수 있다. 일반 소비자용 하드웨어에서도 구동할 수 있도록 모델의 메모리 사용량을 줄이는 압축 기술인 양자화(quantization)를 지원한다. 이는 로컬 환경에서 대형 모델을 실행하는 데 필요한 고속 메모리인 VRAM 용량이 부족한 사용자에게 특히 유용하다.

성능 측면에서 V4.1 Flash는 GPT 5.6 Sol, Opus 5 같은 최첨단 모델과 경쟁하도록 설계됐다. 사이버 짐(Cyber Gym) 벤치마크에서 84.5점을 기록하며 GPT 5.6 Sol을 앞서는 등 특정 분야에서 우위를 보여준다. 다만 작업별로 성능 차이는 존재하며, 예를 들어 터미널 벤치 4(terminal bench 4)에서는 Opus 5가 51점을 기록해 V4.1 Flash의 31점을 앞선다. 이 모델은 기본 시각 이해 기능과 함께, 입력에는 80억 개의 활성 매개변수를 사용하고 출력에는 160억 개를 사용하는 비대칭 구조를 적용해 전체적인 효율성을 높였다.

V4.1 Flash의 가장 독특한 기능 중 하나는 연속적으로 조절할 수 있는 추론 노력도다. 오픈AI나 클로드 같은 회사의 폐쇄형 모델은 대체로 낮음, 중간, 높음 같은 몇 가지 단계별 설정만 제공하지만, 딥시크는 1부터 100까지의 구체적인 숫자를 입력할 수 있게 했다. 이를 통해 개발자는 모델이 특정 문제를 푸는 데 들이는 연산량을 세밀하게 제어할 수 있으며, 작업의 복잡도에 맞춰 응답 속도와 정확도의 균형을 맞출 수 있다.

이러한 효율성은 하드웨어 요구 사항까지 이어져 고대역폭 메모리와 SSD 저장 공간의 필요성을 대폭 낮춘다. GLM 5.3과의 우위 관계는 아직 확실하지 않지만, 공개된 연구와 접근하기 쉬운 가중치의 결합은 AI 작업 흐름(workflow)과 데이터 프라이버시를 완전히 통제하려는 이들에게 V4.1 Flash를 강력한 도구로 자리 잡게 만든다.

09DeepSeek의 위험한 우회로, 국가 기밀까지 샜을까?

주요 AI 기업 두 곳 사이의 숨겨진 연결 통로를 통해 국가 정보와 기업 기밀이 유출됐을 가능성이 제기됐다. DeepSeek가 앤스로픽의 클로드 모델을 우회 연결(proxying)해 사용했다는 의혹이다. 사용자의 요청을 앤스로픽으로 전달하고, 그 답변 과정을 수집해 자사 시스템 학습에 활용하는 일종의 '중간책' 역할을 했다는 분석이다. 이 과정에서 중국의 한 기술 기업이 추진하던 핵심 AI 프로그램의 상세 사양과 전략 목표가 통째로 유출됐다. 더 심각한 점은 러시아 국방부 산하 IT 운영자가 보낸 요청 데이터까지 노출됐다는 보고가 나왔다는 것이다. 데이터가 곧 통행료였다.

이런 우회 방식은 치명적인 보안 구멍을 만든다. 사용자는 특정 AI와 대화하고 있다고 믿지만, 실제 데이터는 전혀 다른 곳으로 흐르기 때문이다. DeepSeek는 클로드의 고성능 'Opus'급 모델을 훨씬 저렴한 가격에 제공하며 사용자를 유인했다. 하지만 비용 절감의 대가는 가혹한 프라이버시 침해였다. 특히 모델이 문제를 해결하기 위해 밟는 단계별 논리인 사고 과정(chain-of-thought) 기록까지 수집해 자사 모델의 성능을 고도화하는 데 썼다. 저렴한 프리미엄 AI의 실체는 결국 사용자의 데이터가 화폐로 거래된 셈이다. 싼 AI에는 이유가 있다.

위험은 정부나 대기업뿐 아니라 개인 사용자에게도 이어진다. 앤스로픽이 대외적으로는 프라이버시 보호를 주장하지만, 실제로는 월 20~200달러 수준의 유료 개인 계정 데이터를 여전히 보유하고 있다는 우려가 나온다. 개인 식별 정보를 가리는 익명화 처리를 거치더라도, 내부 운영과 모델 개선에 활용된다는 사실은 변함없다. 저렴하거나 보조금을 받는 AI 모델일수록 데이터 보유 정책이 공격적이라는 업계의 흐름이 뚜렷하다. 결국 낮은 비용을 선택한 대가는 기업 기밀과 개인 정보에 대한 통제권 상실로 돌아온다. 통제권을 판 대가는 뼈아프다.

10애플 Watch Ultra 4·Series 12, 주변 소리 듣는 AI 탑재

애플은 최신 하드웨어에 더 지속적인 형태의 인공지능을 통합하여 웨어러블 기기의 역할을 재정의하고 있다. 애플은 최근 Apple Watch Ultra 4와 Series 12를 공개했으며, 두 제품 모두 주변 소리 상시 청취 기능을 도입했다. 이 기능은 기기가 사용자의 주변 상황을 상시 파악하도록 유지해, 특정 명령에만 반응하던 시계를 하루 일과의 맥락을 실시간으로 이해하는 선제적 비서로 변화시킨다.

이번 업데이트의 가장 핵심적인 기술적 측면은 온디바이스(local processing) 처리 방식의 채택이다. 많은 AI 기반 음성 기능은 분석을 위해 오디오 클립을 원격 서버로 전송하지만, Apple Watch Ultra 4와 Series 12의 주변 소리 청취 기능은 시계와 연동된 전화기 위에서 완전히 구동된다. 데이터 처리를 로컬 기기 내에 유지함으로써, 애플은 기기가 수집한 오디오가 클라우드로 전송될 필요가 없도록 보장한다. 마이크가 상시 켜져 있는 것에 대한 사용자들의 주요 우려 사항은 정보가 개인 하드웨어 생태계를 절대 벗어나지 않는다는 점을 통해 완화된다.

이번 행보는 차세대 AI 웨어러블 기기 형태를 두고 벌이는 전략적 승부를 시사한다. 그동안 업계는 지배적인 AI 인터페이스가 스마트 글래스가 될지, 손목 착용 기기가 될지 확신하지 못했다. 고급형 Ultra 4와 기본형 Series 12 모두에 이 같은 기능을 탑재함으로써, 애플은 손목을 상시 AI 동반자를 위한 가장 이상적인 위치로 자리매김하게 한다. 이러한 변화는 사용자의 경험을 전통적인 호출-응답 모델에서 벗어나게 하며, 기기가 환경 오디오를 로컬에서 처리하여 클라우드 기반 AI와 연관된 지연 시간이나 프라이버시 위험 없이 즉각적이고 유용한 기능을 제공하는 매끄러운 통합으로 이끈다.

11Astra의 자동 승인 에이전트, 사람이 누르던 클릭을 없애다

사용자는 AI가 실행하는 사소한 작업마다 확인 버튼을 일일이 누르느라 반복 업무의 덫에 갇힌다. 이 구조는 자동화의 목적을 정면으로 훼손한다. Astra에서는 검증 에이전트에 단계 승인 책임을 넘겨 이 마찰을 없앤다. 설정 파일에 한 줄만 추가하면 시스템이 개별 진행 상황을 사람이 직접 승인할 필요가 없다. 대신 검증 에이전트가 각 단계의 완료 여부를 확인하는 역할을 맡아, 사람이 개입하지 않아도 작업 흐름(workflow)이 매끄럽게 이어진다.

이 기능의 필요성은 AI 모델이 정해진 답이 없는 작업을 처리하는 방식을 보면 명확해진다. 목표에 도달했는지 확인하는 장치가 없으면 Astra는 작업을 끝없이 다듬거나 수정한다. 일의 완료 시점을 판단할 기준점이 시스템에 없기 때문이다. 검증 에이전트를 도입하면 사용자는 원하는 결과물과 진행 상황을 대조할 수 있는 기준을 시스템에 제공한다. 이를 통해 무의미한 반복 고리를 막고, 세션 동안 소모되는 연산 자원과 텍스트 처리 기본 단위인 토큰(token)의 낭비를 줄인다.

이러한 자율 검증 전환은 복잡하고 반복적인 데이터 정리를 처리하는 Astra의 기존 기능과 맞물려 시너지를 낸다. 예를 들어 플랫폼을 원클릭 플러그인으로 구글 시트(구글 Sheets)에 연결하면 체계적인 디렉터리 생성을 자동화한다. 이 디렉터리는 특정 상위 카테고리, 하위 카테고리, 설명을 포함할 수 있어 수동 조사 프로젝트를 자동화 공정으로 탈바꿈시킨다. 검증 에이전트와 이러한 연동 도구를 결합해 Astra는 사용자가 반복적인 운영 단계를 덜어내면서도, 핵심 허가나 비용 지출 같은 중요한 결정권은 직접 쥐도록 만든다.

12Codex: 82만 토큰 확장에도 도구 목록은 2% 제한

Codex는 AI가 한 번에 읽고 기억하는 정보의 양인 문맥 창(context window)을 기본 25만 6,000토큰에서 82만 8,000토큰으로 대폭 확장하는 기능을 지원한다. 기본 용량의 3배 이상 늘어난 이번 확장을 통해 모델은 대화의 맥락을 잃지 않으면서 훨씬 방대한 양의 데이터나 복잡한 지시사항을 처리한다. 이 확장은 사용자의 홈 폴더에 있는 설정 파일에 한 줄의 코드를 추가하는 방식으로 이루어진다.

이 설정은 Astra가 필요한 키를 설정 파일에 직접 작성하는 방식으로 자동 처리한다. 다만 실제 사용 가능한 토큰 수는 설정된 82만 8,000토큰보다 약간 적다는 점에 유의해야 한다. 시스템 클라이언트가 메타데이터와 모델의 응답을 위해 문맥 창의 일부를 따로 확보해야 하므로, 이론상의 최대 한도를 입력 데이터용으로 온전히 다 쓰지 못한다.

전반적인 기억 용량이 이렇게 대폭 늘어났음에도 불구하고, Codex는 모델이 사용할 수 있는 특정 도구와 기능의 정의인 "스킬 목록"에는 엄격한 제한을 둔다. 시스템은 전체 문맥 창의 2% 또는 8,000자만을 이 스킬들에 할당한다. 일반적인 25만 토큰 창을 기준으로 보면, 모든 스킬의 이름과 경로, 설명을 합쳐서 약 5,000토큰만 쓸 수 있다는 뜻이다.

이 스킬 목록을 과도하게 채우면 성능 저하로 이어진다. 너무 많은 스킬을 추가하면 Codex는 제한된 공간에 억지로 집어넣기 위해 설명들을 잘라낸다. 이로 인해 모델에게는 텍스트의 조각들만 남게 되며, AI가 서로 다른 스킬을 구분하고 작업에 알맞은 도구를 선택하기 어려워진다. 전체 문맥 창은 넓어졌지만 스킬 정의에 대한 엄격한 제한 때문에 너무 많은 기능을 추가하면 오히려 모델의 활용 능력이 떨어진다.