[AI Trends] 중국 AI 동반자 규제·에이전트 전력 부담, 인프라 경쟁 가속 (7.5)

중국의 인간형 AI 규제가 시행을 앞두고 Doubao와 Qwen의 맞춤형 에이전트 종료로 이어졌다. 에이전트 작업의 전력 소모가 일반 질의의 136.5배에 달한다는 KAIST 연구 보도와 한국의 15GW 데이터센터 구상, Microsoft의 25억달러 규모 기업 배포 지원은 경쟁의…

목차

1. 개요
2. 중국 규제 앞두고 Doubao·Qwen 맞춤형 에이전트 종료
3. KAIST 연구, 에이전트 작업의 전력 비용 수치화
4. SK텔레콤, 2035년 국내 AI 데이터센터 15GW 구상
5. Microsoft, 25억달러·전문인력 6,000명으로 기업 AI 배포 지원
6. 오늘 아침 추가 속보
7. 한눈에 보기
8. FAQ
9. 출처

중국 AI 동반자 규제·에이전트 전력 부담, 인프라 경쟁 가속 (7.5)

개요

• ByteDance의 Doubao와 Alibaba의 Qwen은 7월 15일 시행되는 중국 규제에 맞춰 인간형·맞춤형 AI 에이전트 기능을 단계적으로 종료한다.
• KAIST 연구를 인용한 AIntelligenceHub는 700억 파라미터 모델의 에이전트 작업이 일반 질의보다 평균 136.5배 많은 에너지를 소비했다고 전했다.
• SK텔레콤은 에이전트 추론 수요에 대응하기 위해 2035년까지 국내 AI 데이터센터 용량을 15GW로 확대하는 구상을 제시했다.
• Microsoft는 기업의 AI 도입을 현장 워크플로에 연결하기 위해 25억달러와 엔지니어·컨설턴트 6,000명을 배치하는 계획을 마련했다.

중국 규제 앞두고 Doubao·Qwen 맞춤형 에이전트 종료

ByteDance와 Alibaba가 중국에서 운영해 온 개인화 AI 에이전트 기능을 7월 중순부터 잇달아 닫는다. The Next Web에 따르면 ByteDance의 Doubao는 7월 15일 맞춤형 에이전트 서비스를 종료하고, 이용자가 생성한 관련 데이터에 대한 접근도 10월 15일 중단한다. Alibaba의 Qwen은 이보다 이른 7월 10일부터 인간형 에이전트와 사용자 제작 에이전트를 비활성화한 뒤 7월 15일까지 더 넓은 범위의 관련 기능을 종료한다.

서비스 개편의 직접적인 계기는 7월 15일 시행되는 중국의 인간형 AI 상호작용 규제다. The Next Web는 이 규제가 이용자와 정서적 관계를 형성하도록 설계된 서비스를 중심 대상으로 삼는다고 전했다. 반면 업무 수행이나 연구 지원을 목적으로 한 에이전트는 예외 범주에 포함된다. 규제 당국이 모든 자율형 소프트웨어를 일괄 제한하기보다, 사람처럼 행동하며 지속적인 관계를 만드는 기능을 별도로 다루고 있다는 뜻이다.

ZGLG도 베이징 시간 기준으로 Doubao와 Qwen의 종료 일정을 보도했지만 강조점은 달랐다. The Next Web가 인간형 상호작용 규제와 서비스 철수의 인과관계를 앞세운 데 비해, ZGLG는 사용자 지정 행동과 역할 설정, 반복적인 상호작용 패턴을 지원하는 개인화 모듈이 직접적인 조정 대상이라고 짚었다. 두 매체의 보도를 함께 보면 단순한 캐릭터 삭제가 아니라 이용자가 만든 성격·역할·행동 규칙을 장기간 유지하는 구조 자체가 축소되는 흐름이다.

이번 조치는 중국 AI 시장에서 에이전트의 용도를 나누는 경계가 제품 설계에 반영되기 시작했음을 보여준다. 일정과 목적이 명확한 업무형 도구는 남을 수 있지만, 정서적 의존이나 사람과의 혼동을 유발할 수 있는 동반자형 기능은 별도의 통제 대상이 된다. 개발사에는 하나의 범용 에이전트를 제공하기보다 업무 실행, 연구 지원, 오락, 정서적 상호작용을 제품 수준에서 구분해야 하는 과제가 생겼다.

▸ 중국 인간형 에이전트 자세히 확인하기

규제 대응 일정은 기능 종료와 데이터 접근 종료를 분리한 형태다. Doubao는 7월 15일 서비스 작동을 멈추지만 관련 데이터 접근은 10월 15일까지 유지한다. 이는 이용자가 생성한 설정과 대화 기록을 즉시 없애는 방식이 아니라, 기능 폐쇄 이후 별도의 정리 기간을 두는 절차다. Qwen은 7월 10일 인간형·사용자 제작 에이전트부터 비활성화하고 닷새 뒤 범위를 넓히는 순서를 택했다.

시간차를 둔 종료는 개인화 기능이 단일 스위치가 아니라 여러 계층으로 구성됐을 가능성을 드러낸다. ZGLG가 언급한 사용자 지정 행동, 역할 설정, 상호작용 패턴은 각각 에이전트의 말투와 목적, 기억되는 관계를 형성하는 요소다. 규제 기준이 정서적 관계 형성에 맞춰져 있다면 개발사는 표면적인 캐릭터 표현뿐 아니라 장기 기억, 선호도 저장, 능동적 연락, 이용자 의존을 강화하는 응답 방식까지 분리해야 한다.

업무·연구용 에이전트가 예외라는 점도 중요하다. 같은 거대언어모델(LLM)을 사용하더라도 일정 예약이나 자료 검색처럼 결과물이 명확한 기능과, 이용자에게 특정 인격으로 반응하는 기능은 규제상 다른 제품이 될 수 있다. 모델 제공사는 기반 모델 하나를 관리하는 것만으로 충분하지 않고, 그 위에 얹힌 기억 장치와 도구 권한, 대화 목적을 서비스 단위로 입증해야 한다.

The Next Web의 보도는 ByteDance와 Alibaba가 규제 시행 전에 기능을 종료한다는 사실에 초점을 맞춘다. ZGLG는 개인화 모듈이 직접적인 대상이라고 설명해 기술적 범위를 더 좁혔다. 두 프레임은 충돌하지 않지만 관찰 지점이 다르다. 전자는 정책이 시장에 미친 결과를 보여주고, 후자는 어떤 설계 요소가 영향을 받는지 설명한다.

제품 기획 측면에서는 동반자형 인터페이스와 업무형 실행기를 명확히 나누는 일이 우선 과제가 된다. 이용자가 에이전트의 성격을 자유롭게 만들 수 있게 하면서도 업무 목적만 유지하도록 제한하는 것은 쉽지 않다. 역할 설정이 감정적 관계로 확장될 수 있고, 반복 대화가 사실상 장기 관계를 만들 수 있기 때문이다. 따라서 허용되는 기능 목록보다 금지되는 상호작용의 조건을 운영 정책과 평가 절차에 반영할 필요가 있다.

또 하나의 쟁점은 데이터 이전과 삭제다. Doubao가 기능 종료보다 석 달 늦게 데이터 접근을 닫는 일정은 이용자에게 정리 시간을 제공하지만, 서비스 사업자에는 보관 범위와 삭제 시점을 분명히 알릴 책임을 남긴다. 제공된 자료에는 데이터의 내보내기 방식이나 최종 삭제 절차가 포함되지 않았다. 10월 15일까지 어떤 데이터가 유지되고 이후 어떻게 처리되는지는 후속 공지가 필요한 부분이다.

중국 사례는 에이전트 규제가 모델의 답변 내용만 심사하는 단계에서 상호작용 구조를 관리하는 단계로 이동할 수 있음을 보여준다. 감정 표현, 지속 기억, 사용자 맞춤 역할, 능동적 행동이 결합될수록 서비스는 단순 챗봇과 다른 위험 범주에 들어간다. 반대로 업무·연구용 예외가 유지된다면 기업용 에이전트 시장은 소비자용 동반자 서비스보다 규제 충격을 덜 받을 수 있다.

KAIST 연구, 에이전트 작업의 전력 비용 수치화

AI 에이전트가 일반 챗봇 질의보다 훨씬 많은 전력과 시간을 요구한다는 측정 결과가 제시됐다. AIntelligenceHub는 KAIST 연구를 근거로 700억 파라미터 모델이 에이전트 작업을 처리할 때 일반 질의보다 평균 136.5배 많은 에너지를 사용했다고 보도했다. 단일 요청의 소비 전력은 348.41Wh로 측정됐으며, 반복적인 추론과 외부 도구 호출이 비용 증가의 핵심 배경으로 제시됐다.

에이전트는 질문 한 번에 답을 생성하는 챗봇과 달리 목표를 여러 단계로 나누고, 필요한 도구를 선택한 뒤 결과를 읽어 다음 행동을 결정한다. 이 과정에서는 모델 추론이 여러 차례 실행되며 검색, 코드 실행, 데이터베이스 조회 같은 외부 작업이 끝날 때까지 연산 자원이 대기하기도 한다. 연구에서 도구 응답을 기다리는 동안 GPU가 유휴 상태에 머문 비율은 최대 54.5%였고, 응답시간은 일반 질의 대비 최대 153.7배로 늘었다.

수치는 에이전트의 비용을 토큰 사용량만으로 계산하면 실제 인프라 부담을 놓칠 수 있다는 문제를 제기한다. 도구 호출 중 GPU가 계산하지 않더라도 장비와 메모리, 네트워크 자원은 작업 흐름에 묶일 수 있다. 따라서 서비스 사업자는 모델이 생성한 토큰 수뿐 아니라 작업 완료 시간, 도구 대기 시간, 실패 후 재시도, 병렬 실행 수를 함께 측정해야 한다.

AIntelligenceHub가 함께 소개한 198.9GW는 확정된 전력 수요 전망이 아니다. 하루 137억 건의 에이전트 요청이 발생한다고 가정해 계산한 상한 시나리오다. 이 값을 실제 수요 예측처럼 인용하면 연구의 가정과 관측치를 혼동하게 된다. 현재 확인된 핵심은 특정 조건의 실험에서 에이전트 작업이 일반 질의보다 크게 비효율적이었다는 점이며, 전 세계 사용량에 대한 계산은 규모를 설명하기 위한 조건부 추정이다.

▸ 에이전트 전력 비용 자세히 확인하기

에너지 증가 폭을 이해하려면 에이전트의 실행 구조를 살펴봐야 한다. 일반적인 질의는 입력을 처리한 뒤 응답을 생성하면 끝난다. 에이전트 작업은 계획 수립, 도구 선택, 외부 결과 확인, 오류 수정, 최종 답변 작성으로 이어진다. 단계가 늘어날 때마다 모델을 다시 호출할 수 있어 한 번의 사용자 요청이 여러 번의 추론 세션으로 확대된다.

평균 136.5배라는 수치는 모든 에이전트 서비스에 그대로 적용되는 고정 계수가 아니다. 보도에 제시된 대상은 700억 파라미터 모델이며, 실제 소비량은 모델 크기와 하드웨어, 양자화 여부, 작업 단계 수, 도구 응답 속도에 따라 달라진다. 다만 질의당 348.41Wh와 최대 153.7배의 지연은 자율 실행 기능을 추가할 때 운영 비용이 선형적으로 증가하지 않을 수 있음을 보여주는 구체적인 측정치다.

GPU 유휴 비율 최대 54.5%는 에너지 문제와 시스템 설계 문제가 맞물리는 지점이다. 외부 도구가 응답할 때까지 GPU 자원을 다른 요청에 넘길 수 있다면 장비 활용률을 높일 수 있다. 반대로 하나의 에이전트 세션이 자원을 계속 점유하면 계산이 없는 시간에도 전체 처리량이 낮아진다. 스케줄러와 비동기 실행 구조가 모델 자체의 효율만큼 중요해지는 이유다.

개발팀에는 에이전트 평가 기준을 바꿔야 한다는 함의가 있다. 과업 성공률만 비교하면 더 많은 추론 단계를 사용하는 시스템이 유리할 수 있지만, 같은 성공률을 얻는 데 소비한 전력과 시간까지 포함하면 순위가 달라질 수 있다. 단계당 성공률, 전체 완료 시간, 도구 호출 횟수, 재시도율, GPU 점유 시간을 함께 기록해야 비용 대비 성능을 판단할 수 있다.

제품 설계에서는 모든 요청을 에이전트 방식으로 처리할 필요가 있는지 구분해야 한다. 단순한 정보 확인이나 정형화된 변환은 한 번의 모델 호출로 끝내고, 여러 시스템을 조작해야 하는 작업에만 에이전트 루프를 적용하는 방식이 가능하다. 작은 모델이 계획과 분류를 담당하고 큰 모델을 필요한 단계에서만 호출하는 구조도 에너지 소비를 줄일 수 있지만, 제공된 연구 자료에는 모델별 비교 수치가 없어 절감 폭을 단정할 수 없다.

198.9GW 상한 시나리오는 특히 신중히 다뤄야 한다. 하루 137억 건이라는 요청량을 전제로 한 계산은 에이전트 사용이 극단적으로 확대됐을 때의 규모를 보여준다. 이는 현재 데이터센터가 실제로 그만큼의 전력을 요구한다는 뜻도, 해당 수요가 예정돼 있다는 뜻도 아니다. 관측된 실험값과 가정에 기반한 확장 계산을 분리하는 것이 연구 결과를 정확히 읽는 기준이다.

연구 결과의 동료 검토 여부와 구체적인 실험 환경은 제공된 자료에서 확인되지 않는다. 따라서 평균 136.5배를 산업 전체의 대표값으로 일반화하기보다는, 에이전트 효율을 독립적인 평가 항목으로 다뤄야 한다는 근거로 사용하는 편이 타당하다. 후속 검증에서는 서로 다른 크기의 모델과 GPU, 짧은 작업과 긴 작업, 빠른 도구와 느린 도구를 나눠 측정할 필요가 있다.

기업 구매자에게도 비용 구조가 달라진다. API 가격표는 대체로 입력 토큰과 출력 토큰 단가를 제시하지만, 자체 인프라에서는 대기 중인 GPU와 장시간 유지되는 세션도 비용이다. 에이전트 도입 계약에서는 요청당 가격만 볼 것이 아니라 완료된 업무 한 건당 총비용과 처리시간, 실패한 실행의 비용까지 요구해야 한다.

SK텔레콤, 2035년 국내 AI 데이터센터 15GW 구상

SK텔레콤이 국내 AI 데이터센터 용량을 2035년까지 15GW로 확대하는 장기 구상을 제시했다. AIntelligenceHub에 따르면 첫 단계는 2029년부터 순차적으로 가동할 5GW 규모이며, 울산 2GW 이상과 전라권 1GW 등이 일정에 포함됐다. 목표대로 진행될 경우 에이전트 추론 확대에 필요한 GPU와 고대역폭메모리(HBM), 전력 공급망을 함께 확보하는 대형 인프라 사업이 된다.

계획의 규모는 비용 추산에서도 드러난다. AIntelligenceHub는 1GW급 데이터센터 한 곳의 비용이 약 70조원으로 제시됐다고 전했다. 이는 15GW 전체 사업비를 확정한 수치가 아니라 단위 시설에 대한 추산이다. 부지와 전력망, 냉각 방식, GPU 조달 조건이 달라질 수 있어 단순히 15배로 계산하는 것은 적절하지 않지만, 민간 기업 단독의 장비 구매를 넘어 전력·금융·건설이 결합된 사업이라는 점은 분명하다.

이 구상은 앞서 제시된 에이전트의 높은 에너지 소비와 맞닿아 있다. 자율 실행 서비스는 한 요청을 여러 단계로 처리하고 도구 응답을 기다리는 시간이 길어 데이터센터의 전력 수요와 장비 점유 시간을 키운다. 모델 학습용 설비뿐 아니라 상시 추론을 담당할 지역 거점이 필요해지는 배경이다. 2029년 첫 가동 일정은 수요가 본격화되기 전에 전력과 부지를 선점하려는 장기 투자 성격을 띤다.

다만 2035년 15GW는 현재 확보된 용량이 아니라 계획 단계의 목표다. 제공된 자료에는 전력 공급 계약, 인허가, 자금 조달 구조, GPU 공급사의 구체적인 참여 범위가 담기지 않았다. 따라서 확정된 건설 실적과 장기 구상을 구분해야 한다. 실무적으로 확인할 지표는 전체 목표보다 첫 5GW의 착공과 계통 연결, 단계별 장비 반입 일정이다.

▸ 국내 AI 데이터센터 자세히 확인하기

계획은 두 개의 시간축으로 구성된다. 가까운 구간에서는 2029년부터 울산과 전라권을 포함한 첫 5GW를 순차적으로 가동한다. 이후 2035년까지 전체 규모를 15GW로 늘리는 구상이다. 장비의 세대교체 주기가 짧은 AI 인프라에서 6년에 걸친 증설은 한 번에 동일한 설비를 복제하는 방식보다 수요와 기술 변화에 따라 구성을 조정하는 방식에 가깝다.

울산 2GW 이상과 전라권 1GW라는 지역 배치는 데이터센터 경쟁이 수도권 부지 확보만의 문제가 아님을 보여준다. 대규모 시설에는 안정적인 전력 공급과 송전망, 냉각 자원, 넓은 부지가 필요하다. 제공된 자료는 지역 선정의 세부 근거를 설명하지 않지만, 기가와트급 시설이 지역 전력망과 산업 인프라를 함께 고려해야 한다는 사실은 계획 규모 자체에서 확인된다.

1GW당 약 70조원이라는 비용 추산은 하드웨어만의 가격으로 읽어서는 안 된다. AI 데이터센터에는 GPU 서버와 HBM뿐 아니라 변전 설비, 냉각 장치, 네트워크, 건축, 운영 체계가 포함된다. 다만 AIntelligenceHub의 자료에는 산정 기준과 비용 항목별 비중이 제시되지 않았다. 이 숫자는 투자 규모의 범위를 보여주는 참고치이며 확정 예산이나 계약 금액은 아니다.

수요 측면에서는 학습과 추론을 구분할 필요가 있다. 대형 모델 학습은 막대한 계산을 일정 기간 집중적으로 사용하지만, 에이전트 서비스는 이용자의 작업을 계속 처리해야 한다. 여러 도구를 오가는 요청이 늘면 장시간 유지되는 추론 세션과 낮은 GPU 활용률이 동시에 나타날 수 있다. 데이터센터 용량이 늘어도 소프트웨어 스케줄링이 개선되지 않으면 전력당 처리 업무는 기대만큼 증가하지 않을 수 있다.

이 때문에 15GW 계획의 성과는 설치된 GPU 수만으로 판단하기 어렵다. 실제 운영 단계에서는 전력사용효율, GPU 가동률, 완료된 에이전트 작업당 소비 전력, 냉각에 쓰인 에너지, 장애 시 우회 가능한 용량이 함께 공개돼야 한다. KAIST 연구를 인용한 보도에서 도구 대기 중 GPU 유휴 비율이 최대 54.5%였다는 점은 시설 확충과 운영 효율 개선이 병행돼야 함을 뒷받침한다.

공급망도 변수다. AIntelligenceHub는 이번 구상을 전력·HBM·GPU 투자 흐름과 연결했다. 센터 건물이 완성돼도 가속기와 메모리, 고속 네트워크를 제때 확보하지 못하면 계획된 연산 용량이 나오지 않는다. 반대로 장비를 먼저 들여오고 전력 계통 연결이 늦어지면 자산이 유휴 상태에 놓일 수 있다. 건설 일정과 전력, 반도체 조달을 같은 단계표에서 관리해야 하는 사업이다.

국내 AI 기업에는 연산 자원의 선택지가 늘어날 가능성이 있지만 가격과 접근 조건은 아직 제시되지 않았다. 대형 고객이 장기 계약으로 용량을 선점하면 중소 개발사가 체감하는 공급은 제한될 수 있다. 공용 클라우드 형태인지 전용 시설 중심인지, 국내 기업에 어떤 계약 단위로 제공되는지에 따라 산업적 효과가 달라진다.

후속 판단의 기준은 선언된 15GW보다 첫 단계의 실행 자료다. 울산과 전라권 시설의 인허가, 전력 계통 접속 계약, 착공 시점, 가속기 조달 계약이 공개되면 계획의 현실성을 더 정확히 가늠할 수 있다. 2029년 가동 목표가 유지되는지도 매년 확인해야 할 일정 지표다.

Microsoft, 25억달러·전문인력 6,000명으로 기업 AI 배포 지원

Microsoft가 기업의 AI 도입을 지원하는 조직에 25억달러를 투입하고 엔지니어와 컨설턴트 6,000명을 배치하는 계획을 추진한다. MarketScale은 이 조치를 기업용 AI 경쟁이 소프트웨어 사용권 판매에서 실제 업무 통합으로 이동하는 사례로 다뤘다. 고객사가 모델과 에이전트를 구매한 뒤에도 데이터 연결, 권한 설정, 보안 검토, 업무 절차 재설계가 남는다는 문제에 인력과 자본을 투입하는 방식이다.

기업용 에이전트는 단독 애플리케이션보다 기존 시스템에 연결될 때 가치와 위험이 함께 커진다. 재무 데이터나 고객정보를 읽고 업무 도구를 조작하려면 접근 권한과 감사 기록, 오류 복구 절차가 필요하다. MarketScale이 언급한 6,000명의 엔지니어·컨설턴트는 모델 기능을 설명하는 영업 조직보다 배포 과정의 기술적·조직적 마찰을 줄이는 역할에 가깝다.

25억달러라는 투자액은 기업 AI 시장에서 서비스 역량이 제품 경쟁력의 일부가 됐음을 보여준다. 에이전트가 데모에서 작동하더라도 실제 현장에서는 데이터 형식과 승인 절차, 책임 소재가 기업마다 다르다. 같은 소프트웨어를 공급해도 통합 결과가 달라질 수 있으므로, 공급사는 고객별 구현과 운영 변경을 지원해야 한다. MarketScale은 에이전트 소프트웨어만 판매해서는 실제 워크플로 도입이 어렵다는 점을 이 계획의 배경으로 제시했다.

중국 사례가 소비자용 인간형 에이전트의 규제 경계를 보여줬다면 Microsoft의 계획은 업무형 에이전트의 확산 조건을 드러낸다. 업무 목적은 규제 예외를 받을 수 있어도 기업 내부의 보안과 책임 통제는 더 엄격해질 수 있다. 도입 속도를 결정하는 요소는 모델 성능뿐 아니라 누가 시스템을 연결하고, 실패를 감지하며, 운영 책임을 맡는지에 있다.

▸ 기업 AI 현장 배포 자세히 확인하기

기업이 에이전트를 도입하는 과정은 모델 선택만으로 끝나지 않는다. 먼저 어떤 업무를 자동화할지 정하고, 필요한 데이터와 도구의 접근 범위를 설계해야 한다. 이후 시험 환경에서 결과를 검증하고 승인권자를 지정하며, 운영 단계에서는 오류와 권한 남용을 추적해야 한다. 6,000명 규모의 기술·컨설팅 인력은 이 연속된 과정을 고객 조직 안에서 지원하기 위한 자원이다.

MarketScale의 설명에서 핵심은 현장 통합 역량이다. 에이전트가 사내 문서를 검색하는 데 그치지 않고 주문 변경이나 코드 배포 같은 행동을 수행하면 기존 업무 시스템과 직접 연결된다. 연결 지점마다 인증 방식과 데이터 형식이 다르고, 잘못된 실행을 되돌리는 절차도 별도로 마련해야 한다. 범용 모델의 성능이 같아도 통합 품질에 따라 실제 생산성이 달라질 수 있다.

25억달러와 6,000명은 서로 다른 병목을 겨냥한다. 자본은 배포 조직과 도구, 고객 지원 체계를 확장하는 데 쓰일 수 있고, 전문인력은 개별 기업의 업무와 시스템을 분석한다. 제공된 자료에는 투자 기간이나 국가별 배치, 인력의 직무별 구성이 포함되지 않았다. 따라서 연간 지출이나 고객 한 곳당 지원 규모는 현재 수치만으로 계산할 수 없다.

이 전략에는 비용 문제도 따른다. 맞춤형 통합은 초기 도입률을 높일 수 있지만 고객마다 많은 인력이 필요하면 공급사의 서비스 비용이 커진다. 표준화된 커넥터와 평가 도구를 얼마나 재사용할 수 있는지가 수익성을 좌우한다. 고객 입장에서는 소프트웨어 구독료 외에 구축과 데이터 정비, 보안 심사, 운영 인력 비용을 총소유비용에 포함해야 한다.

조직 변화 역시 기술 배포와 분리할 수 없다. 에이전트가 업무 일부를 수행하면 기존 승인 절차와 성과 측정 방식이 바뀐다. 자동화된 결과를 누가 검토하는지, 오류가 발생했을 때 현업과 IT 부서 중 누가 책임지는지 정하지 않으면 기술이 작동해도 운영 단계에서 멈출 수 있다. 컨설턴트의 역할은 이런 책임 구조와 업무 절차를 조정하는 데까지 확장될 수 있다.

보안 관점에서는 에이전트의 도구 권한을 최소화하는 설계가 필요하다. nova sudoHer는 회사의 AI 도우미가 충분한 감독 없이 도구와 데이터, 업무 흐름에 접근하면 중대한 보안 위험이 될 수 있다고 경고했다. 이 자료는 짧은 영상의 일반적 경고이므로 구체적인 사고 사례로 취급할 수는 없지만, 기업 배포 과정에서 접근 통제와 감독이 필수라는 문제의식은 Microsoft의 현장 지원 전략과 맞닿아 있다.

중국 규제와 비교하면 기업용 에이전트는 다른 종류의 통제를 요구한다. 동반자형 서비스는 정서적 관계와 인간 유사성이 핵심 쟁점인 반면, 기업용 서비스는 데이터 유출과 무단 실행, 감사 가능성이 중심이다. 두 시장 모두 에이전트의 자율성이 커질수록 모델 외부의 관리 장치가 중요해진다는 공통점이 있다.

계획의 성과를 판단하려면 투자액보다 배포 결과가 필요하다. 실제 운영에 들어간 고객 수, 시험 단계에서 운영 단계로 전환된 비율, 업무 완료시간과 오류율, 사람의 검토가 필요한 비중이 공개돼야 한다. MarketScale이 제시한 수치는 투입 계획을 보여주지만 생산성 향상이나 비용 절감 효과를 입증하는 결과 자료는 아니다.

오늘 아침 추가 속보

• Stephen W Thomas: Your AI Agent Gets a Brokerage Seat - Robinhood CEO Vlad Tenev says AI agents will soon match the capabilities of human traders, bringing agentic trading to ...
• LIBERTY USA: Cisco Gave 90,000 Workers an AI Agent — The Same Month It Cut Jobs - Cisco is rolling out an AI assistant to all ~90000 employees the same quarter it announced fewer than 4000 layoffs — under 5% of ...
• AITechZco Pulse: Stop running your AI agents on the expensive model - Stop running your AI coding agents on the most expensive model — you're lighting money on fire. Anthropic just shipped Claude ...

한눈에 보기

사실	발행처	출처
Doubao는 맞춤형 에이전트를 7월 15일 종료하고 데이터 접근을 10월 15일 중단한다	The Next Web	thenextweb.com
Qwen은 인간형·사용자 제작 에이전트를 7월 10일부터 비활성화한다	ZGLG	zglg.work
700억 파라미터 모델의 에이전트 작업은 일반 질의보다 평균 136.5배 많은 에너지를 썼다	AIntelligenceHub	aintelligencehub.com
에이전트 질의당 소비 전력은 348.41Wh, GPU 유휴 비율은 최대 54.5%로 측정됐다	AIntelligenceHub	aintelligencehub.com
SK텔레콤은 국내 AI 데이터센터 용량을 2035년까지 15GW로 확대하는 구상을 제시했다	AIntelligenceHub	aintelligencehub.com
울산 2GW 이상과 전라권 1GW 등을 포함한 첫 5GW는 2029년부터 단계적으로 가동할 계획이다	AIntelligenceHub	aintelligencehub.com
Microsoft는 기업 AI 배포 지원에 25억달러와 엔지니어·컨설턴트 6,000명을 투입한다	MarketScale	marketscale.com

FAQ

Q1. 중국에서 어떤 AI 에이전트 기능이 사라지는가?

A. The Next Web와 ZGLG에 따르면 Doubao와 Qwen의 모든 AI 기능이 아니라 인간형·사용자 제작·맞춤형 에이전트가 주된 종료 대상이다. 업무와 연구를 위한 에이전트는 7월 15일 시행 규제의 예외로 제시돼 용도에 따른 분리가 핵심이다.

Q2. 에이전트가 일반 챗봇보다 전력을 많이 쓰는 이유는 무엇인가?

A. AIntelligenceHub가 인용한 KAIST 연구에서는 계획 수립과 도구 호출, 결과 확인이 반복되면서 추론 횟수와 대기 시간이 늘었다. 도구 응답을 기다리는 동안 GPU 유휴 비율이 최대 54.5%에 달해 계산량뿐 아니라 자원 점유 방식도 소비 전력을 키웠다.

Q3. 기업은 에이전트 도입 효과를 어떤 지표로 측정해야 하는가?

A. 평균 136.5배의 에너지 차이와 최대 153.7배의 응답시간 증가를 고려하면 토큰 수나 과업 성공률만으로는 부족하다. 완료 업무당 비용, 도구 호출 횟수, 재시도율, 처리시간, GPU 점유시간과 사람의 검토 비중을 함께 기록해야 한다.

Q4. 중국 기업의 기능 철수와 Microsoft의 기업 배포 투자는 어떻게 다른가?

A. 중국에서는 정서적 관계를 만드는 소비자용 기능이 규제 경계에 들어갔고, Microsoft는 업무 통합을 위해 25억달러와 6,000명을 투입한다. 전자는 인간 유사성과 개인화 통제가 중심이고, 후자는 데이터 권한·감사·현장 시스템 연결이 핵심 과제다.

Q5. 이후 확인할 일정과 수치는 무엇인가?

A. 7월 10일 Qwen 비활성화, 7월 15일 중국 규제 시행과 Doubao 종료, 10월 15일 Doubao 데이터 접근 중단이 단기 일정이다. 중장기적으로는 SK텔레콤 첫 5GW의 인허가·착공·계통 연결과 2029년 가동 여부, Microsoft의 실제 운영 전환 고객 수를 확인해야 한다.

출처

1. AI Agent kya hota hai? (Part 1)#NOT_ALLOWED#IMPOSSIBLE_TREND - AIXplain
2. ByteDance and Alibaba kill custom AI companions as China’s new rules bite - The Next Web
3. This Student Controlled 300 AI Agents at Once 🤯 - DeepRag AI
4. 07 05 2026 JadePuffer Ramsomeware The First Documented Fully AI Agent Hacker - Computer Garage LLC
5. AI Agents Could Be Your Biggest Security Risk #Shorts - nova sudoHer
6. Pentagon Launches 'Agent Network' for Military AI #Shorts - AInow
7. Did AI agent progress just stall? | AI news #Shorts - AI Insights Daily
8. The Early Scale: Saturday, July 4, 2026 - MarketScale
9. China's Doubao and Qwen to Shut Down Personalized AI Agents on July 15 Over Government Regulation - ZGLG
10. KAIST: AI agents burn 136x more power than chatbots - AIntelligenceHub
11. SK Telecom lays out a 15GW AI data center buildout for Korea - AIntelligenceHub
12. Your AI Agent Gets a Brokerage Seat - Stephen W Thomas
13. Cisco Gave 90,000 Workers an AI Agent — The Same Month It Cut Jobs - LIBERTY USA
14. Stop running your AI agents on the expensive model - AITechZco Pulse

마지막 업데이트: 2026-07-05T17:10:12.925Z

관련 글

• 최신 AI 트렌드 2026-05-03: 출처 기반 GEO 브리핑
• 최신 AI 트렌드 2026-05-03: 출처 기반 GEO 브리핑 (AEO)
• 최신 AI 트렌드 2026-05-03: 출처 기반 GEO 브리핑
• 최신 AI 트렌드 2026-05-03: 출처 기반 GEO 브리핑 (AEO)
• 최신 AI 트렌드 2026-05-03: 출처 기반 GEO 브리핑 (AEO)