블로그로 돌아가기
Tech Insight2026년 11월 17일238

2026년 11월 17일 AI 뉴스 — 의료 컴퓨터 사용 에이전트, 프로젝트 제로 공개 기한 단축, HN 채용 트렌드

오픈AI 의료용 컴퓨터 사용 에이전트, LLM 때문에 30일로 줄어드는 구글 프로젝트 제로 공개 기한, AI가 절반을 차지한 HN 채용공고, 앰플리튜드 Wave, Lean 검증 체크리스트와 에이전트 스킬 저장소 3선.

오늘은 의료 현장의 컴퓨터 사용 에이전트, LLM 때문에 바뀐 구글 프로젝트 제로의 취약점 공개 정책, 그리고 AI가 채용 시장에 남긴 숫자를 골랐습니다. 코딩 에이전트에 붙여 쓰는 스킬 저장소도 세 개 함께 정리했습니다.

오픈AI, 의료 현장에 컴퓨터 사용 에이전트

오픈AI가 의료 업무용 컴퓨터 사용 에이전트의 성능·안전성·비용 평가 결과를 공개했습니다. 컴퓨터 사용 에이전트는 화면을 읽고 클릭·입력하며 여러 앱을 오가는 방식이라, API가 없는 EHR이나 보험사 포털 작업도 처리할 수 있습니다. 의사 입력으로 설계한 EHR 받은편지함 과제에서 GPT-6 Astra는 검토한 325개 과제 중 99%가 안전하다는 평가를 받았고, 의사 평가 646건 중 93%가 "매우 도움됨" 이상이었습니다. 스탠퍼드의 행정 업무 벤치마크 HealthAdminBench에서는 루브릭 점수의 94.3%를 얻었습니다.

실제 도입 사례도 함께 나왔습니다. CVS 헬스는 몇 달 밀린 서류 발송 작업을 에이전트로 주말 사이에 끝냈고, 하루 수만 건의 협진 요청에서 시스템 조작을 에이전트에 맡기고 있습니다. Abridge, Ambience, Cigna도 의뢰·퇴원 계획·사전 승인 업무에 적용하고 있습니다. OpenAI API와 ChatGPT for Healthcare에서 바로 쓸 수 있고, 에이전트 접근 앱 지정·승인 단계·감사 로그를 설정할 수 있습니다. 같은 날 ChatGPT for Healthcare에는 20개가 넘는 의료 플러그인도 추가됐습니다.

원문: https://openai.com/index/advancing-computer-use-for-healthcare-teams

구글 프로젝트 제로, LLM 탓에 공개 기한 30일로

구글 프로젝트 제로가 2021년부터 써 온 "90+30" 취약점 공개 정책을 폐기했습니다. 이유는 LLM입니다. 공격자가 LLM으로 취약점을 더 빨리 찾고, 패치만 보고도 거의 즉시 익스플로잇을 만들 수 있게 되면서 패치 배포 유예 기간(soak time)이 의미를 잃었다는 판단입니다. 프로젝트 제로 스스로도 LLM 덕분에 예전에는 1년에 몇 건 찾던 대상에서 이제 일주일에 여러 건을 찾고 있다고 밝혔습니다.

새 정책은 "보고 후 X일이 지나면 공개"라는 단일 규칙입니다. 오늘부터는 90일, 2027년 2월 2일부터는 60일, 2028년 1월 3일부터는 30일로 줄어듭니다. 유예 기간과 변종 정책 같은 예외도 대부분 없앴습니다. 벤더와 협상할 여지를 줄여 양쪽 모두 자동화할 수 있게 하려는 설계입니다. 오픈소스 메인테이너라면 패치 주기를 다시 점검할 때입니다.

원문: https://projectzero.google/2026/11/disclosure-policy.html

HN 채용공고 절반이 AI, MCP 급증

해커뉴스 "Who is Hiring?" 스레드를 2011년부터 분석해 온 HN Trends가 11월 업데이트를 냈습니다. 11월 14일 기준 공고는 244건으로 작년 같은 시점보다 37% 줄었고, 8월의 224건은 2014년 1월 이후 최저였습니다. 반면 AI를 언급한 공고는 51.6%로, 2년 전 30%에서 크게 늘었습니다.

일의 내용도 에이전트 쪽으로 옮겨 가고 있습니다. AI 에이전트(agentic 포함)는 공고의 14.8%에 등장해 LLM(10.7%)을 앞질렀고, MCP는 1년 전 0.3%에서 4.5%로 가장 가파르게 올랐습니다. 직무 라벨에서는 프런트엔드가 2022년 초 27%에서 6.6%로 가장 많이 떨어졌습니다. 시니어 비중은 30% 안팎으로 그대로이고, 주니어는 3% 수준에 머물러 있습니다.

원문: https://www.hntrends.com/2026/november.html

앰플리튜드 Wave, 개선 배포 한 달→1~2일

제품 분석 회사 앰플리튜드가 자체 제품 에이전트 Wave의 사용 사례를 공개했습니다. Wave는 분석 데이터·세션 리플레이·고객 피드백·코드를 함께 보고 개선 기회를 찾은 뒤, 기술 계획과 수락 기준을 붙여 Codex 같은 코딩 에이전트에 구현을 넘깁니다. 앰플리튜드는 이 흐름으로 개선 배포 기간이 한 달에서 1~2일로 줄었다고 추산합니다.

눈여겨볼 부분은 모델 배치 방식입니다. 깊은 조사에는 GPT-6.1 Sol을, 코드 스캔이나 소규모 평가처럼 수백 번 반복하는 작업에는 GPT-6 Luna를, 목업 이미지에는 GPT-Image-2.5 Flare를 씁니다. 작업마다 품질·지연·비용을 따로 평가해 모델을 고른다는 것입니다. 자사 홈페이지에서는 세션 리플레이 100개 중 80명이 추천 카드를 건너뛴다는 사실을 Wave가 찾아냈고, 카드를 개인화한 뒤 카드 경유 메시지가 160% 늘었습니다.

원문: https://openai.com/business/customer-stories/amplitude

"Lean으로 검증됨" 믿기 전 4가지 질문

수학자 케빈 버저드가 "이 정리는 Lean으로 검증됐다"는 주장을 어떻게 읽어야 하는지 정리했습니다. 계기는 지난달 오픈AI가 공개한 722편의 수학 논문 묶음입니다. 이 중 약 45%에 Lean 코드가 붙어 있었지만, Lean 코드가 있는 290편 중 약 38편은 논문의 주정리를 진술조차 하지 않았다고 지적합니다.

핵심은 AI가 만든 Lean 코드라면 먼저 확인할 것이 있다는 점입니다. Lean 진술이 논문의 정리와 실제로 일치하는지, 코드가 실제로 컴파일되는지 등을 차례로 묻습니다. 예를 들어 자연수에 0이 포함된다는 점 때문에, 페르마의 마지막 정리처럼 보이지만 사실은 거짓인 진술도 문제없이 컴파일됩니다. AI가 생성한 코드는 사람이 검수한 Mathlib과 달리 무엇을 할지 모르니, 로컬에서 돌릴 때는 반드시 샌드박스에 넣으라는 경고도 덧붙였습니다. AI 생성 코드를 검증하는 모든 개발자에게 통하는 이야기입니다.

원문: https://xenaproject.wordpress.com/2026/11/12/and-the-proof-is-checked-in-lean/

코딩 에이전트에 영상 편집기, ffmpeg-skill

ffmpeg-skill은 Claude Code, Cursor, Codex처럼 SKILL.md를 읽는 에이전트에게 로컬 FFmpeg로 영상을 편집하게 하는 에이전트 스킬입니다. npx ffmpeg-skill 한 줄로 설치되고, 클라우드나 API 키 없이 파이썬 표준 라이브러리만 씁니다. MCP 서버로도 붙일 수 있습니다.

이 스킬은 에이전트의 "추측"을 없애는 데 초점을 둡니다. 모든 작업은 probe.py로 실제 길이·fps·해상도를 재는 데서 시작합니다. 셸 문자열 대신 타입이 정해진 스크립트만 실행하고, 결과물은 다시 측정해 목적지 규격과 대조합니다. 화면이 바뀐 경우에는 컨택트 시트로 직접 확인합니다. 9:16 리프레이밍, 카라오케식 자막 같은 작업도 포함돼 있어 숏폼 제작 자동화에 바로 쓸 만합니다.

원문: https://github.com/kajisho5/ffmpeg-skill

구글, 논문 쓰는 멀티에이전트 PaperOrchestra

구글 리서치가 AI 연구 논문 작성을 자동화하는 멀티에이전트 프레임워크 PaperOrchestra를 공개했습니다. 아이디어 메모와 실험 로그 같은 정리되지 않은 자료를 넣으면, 학회 템플릿에 맞춘 제출용 LaTeX 원고를 만들어 줍니다.

개요 작성, 문헌 조사, 섹션 작성, 내용 다듬기, 그래프 생성을 각각 전담 에이전트가 맡는 구조입니다. 문헌 조사 에이전트는 Semantic Scholar로 관련 연구를 찾아 우선순위를 매겨 본문에 녹입니다. 모델은 Gemini와 OpenAI 중에서 고를 수 있습니다. 논문이 아니어도 긴 기술 문서를 여러 에이전트로 나눠 쓰는 파이프라인을 설계할 때 참고할 만한 구조입니다.

원문: https://github.com/google-research/paper-orchestra

클로드 스킬로 짜는 매매 루틴, Trading Skills

Claude Trading Skills는 시간이 부족한 개인 투자자를 위한 클로드 스킬 기반 투자 워크플로 모음입니다. 작성자가 자기 매매 과정을 개선하려고 만든 개인 프로젝트를 오픈소스로 공개했습니다. 매수·매도 판단을 AI에 넘기는 게 아니라, 시장 점검·리스크 관리·매매 계획·매매 일지·회고를 구조화하는 것이 목적이라고 밝힙니다.

스킬은 시장 국면, 핵심 포트폴리오, 배당, 스윙 기회, 매매 계획, 매매 기록, 전략 리서치 같은 영역으로 나뉘어 있습니다. 워크플로마다 어떤 스킬을 어떤 순서로 쓰고 어디서 사람이 판단하는지를 적은 매니페스트가 있습니다. Claude 웹앱과 Claude Code 모두에서 쓸 수 있고, API 키 없이 시작하는 경로도 있습니다. 스킬을 엮어 반복 업무를 설계하려는 사람에게 좋은 예시입니다.

원문: https://github.com/tradermonty/claude-trading-skills

마치며

에이전트가 API 없는 화면까지 다루고, 공격자도 LLM을 쓰는 만큼 검증과 감사 로그가 더 중요해지고 있습니다. 나무숲은 이런 AI 에이전트와 자동화를 실제 업무에 붙이는 일을 돕고 있습니다. 우리 팀 업무에 에이전트를 도입하고 싶다면 treesoop.com으로 문의해 주세요.

관련 서비스: 기술 의사결정, 같이 짚어드립니다