2026년 10월 20일 AI 뉴스 — 앤트로픽 공익기금·고용 보고서, 에이전트 차단, AI 말투 뺀 Qwen
앤트로픽이 지분 5% 공익기금과 주니어 채용 27%→9% 사내 보고서를 냈습니다. 주요 사이트의 AI 에이전트 차단, AI 말투를 뺀 Qwen3-4B, LLM 프록시와 브레인 샌드위치 작업법까지 정리했습니다.
오늘은 AI가 일하는 방식을 바꾸고 있다는 신호가 여러 곳에서 동시에 나왔습니다. 앤트로픽은 사내 데이터로 주니어 기술직 채용이 줄었다는 보고서를 내고, 같은 주에 지분 5%를 공익기금에 넣겠다고 발표했습니다. 웹에서는 주요 사이트들이 AI 에이전트를 막기 시작했고, 개발자 쪽에서는 AI 말투를 걷어낸 소형 모델, LLM 프록시 운영론, AI와 일하는 '브레인 샌드위치' 방식이 화제가 됐습니다.
앤트로픽, 지분 5%로 공익기금 출범
앤트로픽이 '앤트로픽 공익기금(Anthropic Public Benefit Fund)'을 새로 만들고, 주주 승인을 전제로 회사 지분의 5%를 출연한다고 발표했습니다. 기준 기업가치에서 50% 오를 때마다 이사회 재량으로 2%씩 더 넣는 구조라, 회사가 커질수록 공익에 돌아가는 몫도 커집니다. 테크 기업이 임원 보상을 단계적으로 늘리는 관행을 거꾸로 공익에 적용한 셈입니다.
기금은 501(c)(3) 비영리 법인이 아니라 앤트로픽이 100% 소유하는 LLC로 세워, 비영리 단체 기부부터 특정 집단에 대한 직접 지원까지 방식을 유연하게 고를 수 있게 했습니다. 대표 사례로 AI가 노동시장에 주는 충격을 꼽았고, 로비나 정치 기부에는 쓰지 않는다고 못 박았습니다. 공동창업자들의 지분 80% 기부 약정과 직원 지분 기부 매칭을 합치면 앤트로픽 지분의 약 20%가 공익에 묶이게 됩니다.
앤트로픽 사내 보고서, 주니어 기술직 채용 27%에서 9%로
앤트로픽이 자사 고용·AI 사용·산출물 데이터를 분석한 연구 보고서 "How employment is changing at Anthropic"을 공개했습니다. 기술 부서의 주니어 비중은 2025년 초 21%에서 14%로, 신규 기술직 채용 중 주니어 비중은 27%에서 9%로 줄었습니다. 같은 기간 에이전트가 일한 시간은 3월에 처음으로 사람의 근무 시간을 넘었고, 8월에는 인터랙티브 에이전트 시간이 직원 근무 시간의 6배가 됐습니다.
생산성 지표도 구체적입니다. 엔지니어 1인당 코드 커밋은 6개월 전의 5배로 늘었고, 코딩 에이전트를 도입한 엔지니어 192명을 도입하지 않은 74명과 비교해도 도입 이후 산출이 뚜렷하게 올랐습니다. 반대로 사람의 주의력이 병목이 됐습니다. 인터랙티브 클로드 세션의 약 80%는 사람 입력을 기다리는 시간이었고, 비기술 직군조차 클로드 출력을 다 읽으려면 주당 근무시간의 절반이 필요하다는 계산이 나왔습니다.
그래서 일의 성격이 바뀌고 있습니다. 에이전트 스펙 작성, 다른 에이전트 출력 검토, 파이프라인 모니터링 같은 '메타 작업' 비중이 2025년 가을 10%에서 2026년 봄 22%로 늘었고, 채용 면접에서는 도메인 지식보다 자율성과 판단력을 보는 비중이 커졌습니다. 에이전트를 여러 개 굴리는 개발팀이라면 지금 우리 팀의 병목이 어디에 있는지 비교해 볼 만한 자료입니다.
웹사이트들, AI 에이전트를 줄줄이 막는다
더버지(The Verge)가 주요 웹사이트들이 AI 에이전트를 막는 흐름을 정리했습니다. 최근 몇 주 사이 메타 Muse, xAI 그록, 오픈AI Dots, Instinct 사용자들이 여러 대형 사이트에서 에이전트 작업이 막혔다고 보고했습니다. 옐프는 데이터 라이선스 비용을 내는 에이전트만 허용한다고 밝혔고, 델타항공은 에이전트의 항공권 예약을 막고 있으며, JPMorgan Chase와 Charles Schwab도 비슷한 조치를 취했습니다.
사이트가 명시적으로 막지 않아도 안티봇 시스템과 부딪히는 경우가 많습니다. 구글이 Muse를 쓰는 일부 계정을 '의심스러운 활동'으로 차단했다는 보고도 있고, 메타와 제휴한 월마트에서도 결제가 안 된다는 사례가 나왔습니다. 메타는 "개인 에이전트를 돌려보내는 건 그 뒤의 고객을 돌려보내는 것"이라며 월마트·갭·세포라·베스트바이와 제휴하는 쪽으로 대응하고 있습니다. 에이전트로 외부 서비스를 자동화하려는 팀이라면 공식 API나 제휴 경로를 먼저 확인해야 할 시점입니다.
AI 말투를 걷어낸 Qwen3-4B, 맥북 에어에서 학습
Qwen3-4B-Instruct에서 'AI 글쓰기 버릇'을 학습으로 빼낸 모델 qwen3-4b-deslop이 공개됐습니다. 엠대시, "X가 아니라 Y다" 구문, 세 개씩 묶은 나열, 스스로 묻고 답하는 수사 같은 습관을 시스템 프롬프트 없이도 쓰지 않습니다. ollama run hf.co/erikkannike/qwen3-4b-deslop-v4-GGUF:Q4_K_M 한 줄로 받을 수 있고 용량은 2.5GB입니다.
학습에 쓰지 않은 프롬프트 40개에서 '슬롭 점수'(1,000단어당 AI 습관 가중 횟수)가 121에서 12.5로 떨어졌고, 답변의 68%가 사람 글 범위에 들어왔습니다. 엠대시는 1,000단어당 20.5개에서 0개가 됐습니다. 사실 질문 30개는 원본처럼 다 맞혔습니다. 방법은 증류입니다. 스티어링과 문체 프롬프트를 얹은 교사 모델이 답을 만들고, 검사를 통과한 답만 LoRA 어댑터에 학습시켰습니다.
저자는 한계도 솔직하게 적었습니다. 중간 버전은 점수가 9.9로 더 낮았지만 입장 없는 칼럼과 지어낸 연구를 쓰고, 모든 문장을 ", which"로 잇는 새 버릇이 생겼습니다. 프롬프트 요구를 지켰는지 보는 두 번째 필터를 넣어서야 고쳐졌습니다. 최종 모델도 문체가 밋밋하고 이름과 장소를 지어내는 문제는 남아 있습니다.
"LLM 프록시는 직접 돌려라"
여러 모델을 매일 쓰는 개발자라면 LLM 프록시를 직접 운영해야 한다는 글이 해커뉴스에서 화제가 됐습니다. 구독형 프론트엔드가 보여 주는 사용량 화면은 엔지니어가 판단을 내릴 수 있는 시계열 토큰 데이터가 아니라는 게 출발점입니다.
저자가 꼽은 이유는 이렇습니다. 여러 공급자와 모델을 내가 통제하는 엔드포인트 하나로 묶을 수 있고, 어떤 키가 어떤 클라이언트로 언제 어떤 모델을 불렀는지 로그가 남습니다. 가상 API 키를 써서 메인 키를 에이전트와 하네스 곳곳에 흩뿌리지 않아도 되고, 모델이나 공급자를 바꿀 때 설정을 처음부터 다시 할 필요도 없습니다. 실제로 저자는 코딩 세션 중 캐시 미스가 나면 프록시 로그로 20초 만에 원인을 찾는다고 합니다. 특정 제품을 추천하진 않고, 어떤 걸 고르든 내가 통제하는 곳에서 돌리고 필요에 맞게 고쳐 쓰라고 권합니다.
뇌, AI, 다시 뇌: '브레인 샌드위치' 작업법
AI를 쓰면서 엔지니어링 실력이 녹슬지 않게 하는 간단한 원칙 '브레인 샌드위치'가 긱뉴스에 소개됐습니다. 순서는 내 머리, AI, 다시 내 머리입니다.
먼저 에이전트에 일을 맡기기 전에 문제를 직접 읽고 이해합니다. 완벽한 구현 계획은 필요 없지만 어디로 갈지 대략은 알아야 합니다. 그렇지 않으면 AI가 엉뚱한 방향으로 끌고 가거나, 애초에 풀 필요 없던 문제를 만들게 됩니다. 맥락을 잡은 뒤에는 구현을 AI에 마음껏 맡깁니다. 결과가 맞는지, 과한지, 문제를 잘못 풀었는지는 이미 알고 있으니 판단할 수 있습니다. 마지막으로 리뷰를 요청하기 전에 diff를 직접 읽고, 복잡도가 그만한 가치가 있는지 따지고, PR 설명을 다듬습니다. 무엇이 왜 바뀌는지 설명할 수 없다면 아직 남에게 보일 준비가 안 된 것이라는 기준입니다.
리니어 CEO "제품 뒤에는 공장이 아니라 사람이 있어야"
리니어(Linear) CEO 카리 사리넨이 에이전트 기반 '소프트웨어 공장'이 제품을 망칠 수 있다는 글을 썼습니다. 좋은 제품에는 만든 사람의 경험과 관점이 묻어 있는데, 요즘은 성공한 회사의 제품조차 어수선하게 느껴진다는 진단입니다. 기술로 무엇을 더할 수 있는지에만 관심이 쏠리고, 핵심 문제를 다시 다듬는 일은 줄었다는 것입니다.
그는 원인을 일하는 방식에서 찾습니다. 개인이 각자 에이전트로 작은 소프트웨어 공장을 돌리며 변경을 따로 만들면, 하나하나는 말이 돼도 합쳐 놓으면 공들여 깎은 조각상이 아니라 프랑켄슈타인의 괴물처럼 된다는 비유입니다. 만드는 일이 쉬워진 만큼 관점을 키우고 끝까지 밀고 가는 데 시간을 써야 한다는 주장으로, 에이전트로 기능을 빠르게 찍어내는 팀이 한 번쯤 곱씹어 볼 만합니다.
AI가 여는 수학, 황금기일까 암흑기일까
테렌스 타오의 블로그에 텍사스대 수학자 프란체스코 마기의 기고문이 올라왔습니다. LLM이 외력 항이 있는 나비에-스토크스 방정식의 유한시간 폭발 해 구성, 준(quasi) 리만 가설 증명 제안 같은 결과를 내면서 수학계가 갈림길에 섰다는 문제의식입니다. 신세대 과학자를 키우고 개방적이고 독립적인 연구 생태계를 지키면 황금기, 산출만 폭증하고 사람의 이해가 따라가지 못하면 암흑기가 된다는 구도입니다.
그는 LLM이 린(Lean)으로 쓴 증명이 수십만 줄에 달할 만큼 길고 지저분해지는 경향을 지적하며, 사람이 이해하지 못하는 증명만 쌓이면 인간의 수학은 사라진다고 말합니다. 그래서 수학자는 줄어드는 게 아니라 훨씬 더 많이 필요하다고 봅니다. 증명이 흔해지면 지금까지 증명이 어려워 수학화하지 못했던 자연·사회과학 영역을 수학 언어로 옮길 기회가 생긴다는 기대도 함께 담았습니다. 공공 과학용 LLM 인프라와 AI 사용 공개 규범 같은 구체적 제안으로 글을 마무리합니다.
마치며
앤트로픽 보고서가 보여 주듯 에이전트가 일하는 시간은 이미 사람을 넘어섰고, 병목은 사람의 주의력과 판단으로 옮겨 가고 있습니다. 브레인 샌드위치, LLM 프록시, 리니어 CEO의 글은 모두 같은 질문에 대한 답입니다. 에이전트가 만든 결과를 사람이 어떻게 이해하고 책임질 것인가. 나무숲(TreeSoop)은 이런 에이전트와 하네스를 실제 업무 자동화에 연결하는 AI 에이전트 개발을 돕습니다. 도입을 고민 중이라면 treesoop.com에서 문의해 주세요.