[AI 브리핑] 2026.07.28 — 엔비디아 2500억 달러 backstop·제미나이 지연

 

 

 

[AI 브리핑] 2026.07.28 — 엔비디아 2500억 달러 backstop·제미나이 지연

오늘은 엔비디아가 OpenAI의 오하이오 데이터센터를 위해 2500억 달러 규모 backstop을 검토 중이라는 소식과, 구글 Gemini 3.5 Pro가 67일째 지연되며 알파벳 투자 심리가 흔들리는 소식이 두드러졌습니다. OpenAI 코덱스, 앤트로픽 Claude, 구글 노트북LM이 나란히 업데이트를 내놓으며 3대 진영의 제품 경쟁도 계속됐습니다.

---

| INFRA 엔비디아, OpenAI 오하이오 데이터센터에 2500억 달러 backstop 검토

월스트리트저널 보도에 따르면 엔비디아가 소프트뱅크의 전력 자회사 SB에너지가 오하이오 남부에 짓고 있는 10기가와트 규모 데이터센터 캠퍼스의 리스 비용을 뒷받침하기 위해 약 2500억 달러 규모의 backstop(신용보증)을 제공하는 방안을 협상 중이다. OpenAI가 아직 흑자 전환 전이라 자체 신용등급으로는 대규모 대출이 어려운 상황에서 나온 조치로, 별도로 진행 중인 칩 구매 자금(최대 3500억 달러) 협상까지 더하면 전체 캠퍼스 조성 비용은 5000억 달러를 넘어설 수 있다. 협상은 아직 초기 단계로 무산될 가능성도 있다고 보도는 전한다.

| MARKET Gemini 3.5 Pro 67일째 지연…알파벳 투자 심리 흔들

구글이 5월 I/O 2026에서 6월 출시를 예고했던 Gemini 3.5 Pro가 7월 25일 기준 여전히 공개 일정이 없다. 블룸버그는 현직·전직 구글 직원 10명을 인용해 코딩 성능이 내부 목표에 못 미쳤고, 이를 고치려던 6월 말 학습 데이터 업데이트가 오히려 결과를 악화시켰다고 전했다. 일부 투자자는 지연을 이유로 알파벳 주식을 매도했지만, 구글이 이미 차기 플래그십 'Gemini 4' 사전학습에 착수했다고 밝히면서 낙관론도 함께 나온다.

| MODEL LAUNCH OpenAI 코덱스, 데스크톱에 full-duplex 음성 조작 도입

OpenAI가 7월 24일 ChatGPT 데스크톱 앱에 GPT-Live 기반 'ChatGPT Voice'를 추가해 Chat·Work·Codex 세 가지 작업을 음성으로 동시에 지시하고 조율할 수 있게 됐다. 사람이 말하는 도중에도 AI가 반응할 수 있는 full-duplex 방식이라, 손을 쓰지 않고도 여러 에이전틱 코딩 작업을 진행·점검할 수 있다. 로컬 프로젝트에는 다중 폴더 지원도 함께 추가돼, 대표 폴더가 Git 작업과 AGENTS.md·스킬 자동 인식을 주도하고 나머지 폴더는 검색·편집용으로 쓸 수 있다.

| MODEL LAUNCH 앤트로픽, Claude에 MCP 기반 경제지표 커넥터 추가

앤트로픽이 7월 22일 Claude용 'Anthropic Economic Index 커넥터'를 출시했다. MCP(모델 컨텍스트 프로토콜) 방식으로 앤트로픽이 그동안 수집해온 실제 AI 사용 데이터에 연결되며, 사용자가 "마케팅 직군에서 AI를 어떻게 쓰나요?" 같은 평이한 문장으로 질문하면 직업·산업·지역별 실측 데이터를 바탕으로 답한다. 무료 이용자를 포함해 누구나 Claude 앱에서 바로 사용할 수 있다.

| MODEL LAUNCH 노트북LM, 'Gemini Notebook'으로 개편…코드 실행 기능 탑재

구글이 리서치 도구 '노트북LM'의 이름을 'Gemini Notebook'으로 바꾸고 7월 16일부터 확대 롤아웃을 시작했다. 가장 큰 변화는 모든 노트북에 보안 클라우드 컴퓨터가 붙어, 업로드한 자료를 바탕으로 코드를 직접 작성·실행하며 복잡한 데이터 분석과 결과물 생성까지 지원한다는 점이다. 우선 Google AI Ultra 구독자와 일부 Workspace 기업 사용자부터 제공되며, 기존 공유 링크는 자동으로 새 이름으로 연결된다.

| MARKET xAI, SpaceX IPO 앞두고 내부 혼란·리더십 개편

블룸버그는 스페이스X와 합병해 IPO를 마친 xAI가 내부 혼란을 겪고 있다고 보도했다. 공동창업자 11명이 모두 회사를 떠났으며, 일론 머스크는 스타링크 엔지니어링을 이끌던 마이클 니콜스를 4월부터 xAI 사장에 앉혀 엔지니어링 조직 대부분을 맡기고 Grok을 Claude 수준으로 끌어올리라는 임무를 부여했다. xAI는 2025년 64억 달러의 영업손실을 냈고 2026년 1분기에만 설비투자로 77억 달러를 집행해, 스페이스X 투자자들이 챗봇 사업의 손실 부담까지 함께 지게 됐다는 우려가 나온다.

| LAYOFFS 美 빅테크, AI 투자 재원 마련 위해 올해만 14만명 감원

파이낸셜타임스 분석에 따르면 2026년 초 이후 미국 테크업계 감원 규모가 약 14만 명에 달한다. 아마존·오라클·메타·마이크로소프트 4개사가 약 5만 명으로 절반 가까이를 차지했다. 다수 기업이 실적 호조에도 불구하고 7000억 달러 규모로 추산되는 AI 인프라 CapEx(설비투자) 재원을 마련하기 위해 인력을 줄이고 있다는 지적이 나온다.

---

| 오늘의 신기술

• OpenAI 코덱스 Voice (OpenAI, 7/24) — GPT-Live 기반 full-duplex 음성 조작, Chat·Work·Codex 동시 지시 · 기사
• Claude Economic Index 커넥터 (Anthropic, 7/22) — MCP 기반 실측 AI 활용 데이터 질의 응답 · 기사
• Gemini Notebook (Google, 7/16~) — 노트북LM 개편, 클라우드 컴퓨터로 코드 실행 지원 · 기사

| 오늘의 용어

• Backstop (백스톱): 프로젝트가 돈을 못 갚게 될 경우를 대비해 제3자가 대신 지급을 약속해주는 일종의 신용보증이다. 신용등급이 낮은 회사도 이 보증 덕분에 초대형 대출을 받을 수 있게 된다.
• Full-duplex (풀 듀플렉스): 사람과 AI가 순서를 기다리지 않고 동시에 말하고 들을 수 있는 통신 방식이다. 전화 통화처럼 끊김없이 자연스럽게 대화가 오갈 수 있게 해준다.
• MCP (Model Context Protocol): AI 모델이 외부 앱이나 데이터베이스와 표준화된 방식으로 연결될 수 있게 해주는 개방형 규격이다. 여러 회사의 도구를 하나의 AI 안에서 손쉽게 연결해 쓸 수 있게 해준다.
• CapEx (자본적 지출): 데이터센터·서버 같은 장기 자산을 짓거나 사는 데 들어가는 큰 지출이다. AI 시대엔 이 돈 대부분이 GPU와 데이터센터 건설에 들어가고 있다.

| 개발자를 위한 오늘의 개념

1. Full-duplex 음성 에이전트, 기존 음성비서와 뭐가 다른가
기존 음성 비서 대부분은 half-duplex 구조다. 사용자가 말을 끝내야(엔드포인팅) AI가 인식을 시작하고, AI가 응답하는 동안에는 사용자의 말이 무시되거나 새 세션으로 취급된다. Full-duplex 모델은 오디오 스트림을 양방향으로 항상 열어두고 사용자의 발화와 모델의 응답을 같은 타임라인에서 동시에 처리하는데, 이 덕분에 사용자가 말하는 도중 끼어들어("잠깐, 그거 말고") 진행 중인 작업을 즉시 수정하는 barge-in이 자연스럽게 가능해진다. 구현 난이도는 크게 오르는데, 모델이 "지금 말을 끝맺을지, 계속 들을지"를 매 프레임 판단해야 하고, 코덱스처럼 에이전트가 실제 작업(파일 편집, 커맨드 실행)을 수행 중일 때는 음성 스트림과 도구 호출 스트림 사이의 상태 동기화까지 관리해야 하기 때문이다.

2. MCP는 실제로 어떻게 동작하나
MCP는 클라이언트(Claude 앱 같은 AI 호스트)와 서버(데이터·도구를 제공하는 쪽) 사이의 표준 통신 규격이다. 서버는 자신이 제공하는 기능을 tools(모델이 호출해 실행할 수 있는 함수), resources(모델이 읽을 수 있는 데이터), prompts(재사용 가능한 프롬프트 템플릿) 세 가지 프리미티브로 선언하고, 클라이언트는 연결 시점에 이 목록을 받아와 모델에게 무엇을 쓸 수 있는지 알려준다. 오늘 소개된 Economic Index 커넥터처럼 회사마다 데이터 API 형식이 제각각이어도, MCP 서버 하나만 구현해두면 Claude뿐 아니라 이 규격을 지원하는 다른 클라이언트에서도 동일하게 붙여 쓸 수 있다는 점이 핵심 장점이다. 다만 서버가 늘어날수록 모델의 컨텍스트 윈도우에 도구 설명이 쌓여 정작 필요한 도구를 고르는 정확도가 떨어질 수 있어, 실무에서는 상황에 맞는 도구만 동적으로 노출하는 필터링이 중요한 과제로 꼽힌다.

3. AI 에이전트 평가(Evals)는 왜 이렇게 어려운가
오늘 뉴스와는 별개로, 에이전트를 프로덕션에 배포하는 팀이라면 공통으로 마주치는 문제다. 단일 턴 챗봇은 "정답과 얼마나 비슷한가"로 채점이 비교적 쉽지만, 에이전트는 같은 목표를 달성하는 경로가 여러 개이고(파일을 어떤 순서로 읽을지, 어떤 도구를 쓸지), 중간에 잘못된 선택을 해도 스스로 복구하면 최종 결과는 맞을 수 있다. 그래서 최근 에이전트 평가는 최종 출력만 채점하는 outcome-based eval과, 각 단계에서 올바른 도구를 골랐는지·불필요한 행동을 했는지를 채점하는 trajectory-based eval을 함께 쓰는 방식으로 옮겨가고 있다. 특히 실제 프로덕션 로그에서 실패 사례를 뽑아 회귀 테스트 세트로 누적하는 것이, 벤치마크 점수보다 실사용 신뢰도를 높이는 데 더 효과적이라는 게 최근 실무자들의 공통된 경험이다.

---

출처: Tom's Hardware(엔비디아-OpenAI) · InfoWorld(Gemini 3.5 Pro 지연) · VentureBeat(코덱스 Voice) · Anthropic(Economic Index 커넥터) · 9to5Google(Gemini Notebook) · Bloomberg(xAI) · TechCrunch(테크 감원)

#AI뉴스 #AI브리핑 #엔비디아 #OpenAI #코덱스 #Anthropic #Claude #Gemini #xAI #테크뉴스