# State of AI 2026, 일을 맡기는 시대의 지도

244장의 보고서를 9개의 이야기로. 모델의 점수에서 업무의 완수까지, 가능성과 병목을 함께 읽습니다.

- 원저자: Nathan Benaich · Air Street Capital
- 보고서 공개: 2026-10-08 · 한국어 정리: 수도리무브, 2026-10-23
- 전체 분량: PDF 244장 · 이야기 9개
- 공식 메인 페이지 선정 장표: 18개 모두 수록 · 대조일 2026-10-23
- [공식 홈페이지](https://www.stateof.ai/) · [전체 PDF](https://www.stateof.ai/State-of-AI-Report-2026.pdf)
- [스토리별 웹 해설](https://sudoremove.com/knowledge/articles/state-of-ai-2026/) · [검색 가능한 전체 참고 문서](https://sudoremove.com/knowledge/articles/state-of-ai-2026/reference/)

## 읽는 기준과 출처

- 2026-10-08 공개된 9회차 보고서의 전체 PDF 244장을 텍스트와 시각 자료로 검토했다. 작성·확인일은 2026-10-23이며, 모델 순위·정책·임상 단계는 보고서 시점의 기록이다.
- 페이지 표시는 모두 표지를 포함한 PDF p.N이다. 슬라이드 안에 인쇄된 번호는 표지 다음부터 PDF 번호보다 1 작다. 예: PDF p.21 = 인쇄 번호 20.
- 수치와 사례는 각 그래프·문단 옆의 원문 페이지로 확인할 수 있다. 해석·한 문장 정리·토론 질문은 수도리무브가 작성한 편집 내용이다.
- 주요 그래프는 다운로드한 PDF에서 직접 추출한 뒤 WebP로 변환했다. 별도 웹 이미지 중 구버전이 있어 PDF를 기준으로 통일했다. 잘라내거나 수치를 다시 그리지 않았다.
- 공식 홈페이지 본문에 삽입된 강조 장표 18개를 이미지별로 대조해 모두 수록했다. 해당 장표는 ‘공식 메인 선정’으로 표시하고, 맥락을 보완하는 12개 장표도 함께 배치했다.
- 원문 p.135와 p.155는 같은 미국 4개사의 2025 CAPEX를 각각 $384B와 $410B로 제시한다. 2026 가이던스 $733B만 공통 수치로 인용하고 두 페이지의 증가율을 합치지 않았다.
- 공식 홈페이지는 ENV-294를 Phase 2b로 소개하지만 PDF p.119는 2026-10-07 회사 확인을 근거로 Phase 2a를 명시한다. 본문·이미지는 해당 PDF 기준으로 맞췄다.
- 저자는 AI 투자자이며 보고서 p.241에 이해관계를 공개한다. 기업 자체 실험·내부 측정·예측과 독립 검증을 구분한다. 외부 해설은 편집 관점의 참고 자료이며 수치의 독립 재현으로 취급하지 않는다.
- 원문·이미지: © 2026 Air Street Capital Management Ltd., CC BY 4.0. 출처: Benaich, N. and Air Street Capital (2026), State of AI Report 2026. 한국어 요약·해석 및 이미지 형식 변환: 수도리무브.

원본 PDF SHA-256: `93f9a0202726d90446ac4954339ba529e446a88de40e338aeb68db0a0298c739`

라이선스: [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/). 아래 한국어 요약과 해석은 원저자의 문장을 그대로 번역한 전문이 아닌 수도리무브의 정리입니다.

## 이야기 목차

1. 판도·평가: AI의 점수는 올랐다. 맡긴 일도 끝났을까?
2. 에이전트: 같은 모델도 일하는 환경이 바뀌면 달라진다
3. 로봇·월드모델: 로봇도 시범을 보고, 경험을 기억하기 시작했다
4. 과학: 그럴듯한 분자에서, 실험할 가치가 있는 후보로
5. 추론 경제: 지능의 가격은 내려가는데, 시장은 커진다
6. 컴퓨트·전력: 컴퓨트는 돈만으로 켜지지 않는다
7. 주권·정책: 국내 데이터센터가 있으면 AI 주권도 생길까?
8. 안전·통제: 행동할 수 있는 AI는, 행동을 보고 감독해야 한다
9. 2027 전망: 예측은 다음 해에 채점할 수 있어야 한다

## 판도·평가 — AI의 점수는 올랐다. 맡긴 일도 끝났을까?

선두 경쟁을 이해하려면 순위표 옆에 평가 조건과 작업 완수율을 놓아야 한다.

### 핵심 요약

- Anthropic·OpenAI·Google이 선두를 다투지만, 평가 기준에 따라 1위가 달라진다.
- 공개 가중치 모델의 연구 활용에서는 중국의 존재감이 커졌다.
- 과학 업무 평가에서 87.9점을 받아도 전체 작업 완수율은 20.6%에 그쳤다.
- 모델 순위와 함께 실제 업무를 끝내는 비율을 확인해야 한다.

### 배경 설명

보고서는 프런티어를 Anthropic·OpenAI·Google의 3자 경쟁으로 정리한다. 그러나 능력 벤치마크를 묶은 Artificial Analysis 지수와 사람의 응답 선호를 반영하는 Arena는 서로 다른 선두를 보여 준다. 이 순위는 보고서 집필 시점의 스냅샷이며, 일부 모델은 제한적으로만 공개됐다.

공개 가중치 모델의 확산도 따로 봐야 한다. arXiv 논문에서 21개 모델 계열의 언급을 분석한 결과, 공개 가중치 계열의 언급에서는 중국 31%가 미국 23%를 넘어섰다(PDF p.7). 두 비율의 분모는 전체 분석 모델 언급이다. 이는 연구자들의 활용 신호이지 세계 매출이나 사용자 점유율은 아니다.

더 중요한 변화는 평가의 수명이 짧아졌다는 점이다. 작년에 어려웠던 시험이 빠르게 포화되는 반면, 긴 실무 과제에서는 높은 부분 점수가 낮은 완수율과 공존한다. 방송에서는 “얼마나 똑똑한가” 다음에 “어떤 일을, 어떤 도구로, 어디까지 끝냈는가”를 물어보자.

### 핵심 수치

- **3개 연구소 · 프런티어 경쟁의 중심**: AA 능력 지수와 Arena 선호도 순위는 서로 다른 결과를 낸다. [PDF p.6](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=6)
- **87.9점 / 20.6% · 부분 점수와 완수율의 간격**: GPT-5.6 Sol, FrontierChallenge의 과학 워크플로 97개. 두 수치는 같은 단위가 아니다. [PDF p.43](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=43)
- **31% / 23% · 중국 / 미국 공개 가중치 계열 언급**: 2026년 arXiv의 조사 대상 모델 계열 언급 비중. 모델 시장 점유율이 아니다. [PDF p.7](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=7)

### 주요 그래프

#### 평가가 바뀌면 선두도 바뀐다 · 공식 메인 선정

![Artificial Analysis 지수와 Arena 순위에서 연구소별 선두 모델을 나란히 비교한 막대그래프](https://sudoremove.com/assets/reports/state-of-ai-2026/page-006.webp)

능력 지수와 사람의 선호를 함께 놓으면 단일한 “최고 모델”이라는 표현의 한계가 보인다.

읽을 때 주의할 점: 보고서 집필 시점의 모델·순위. 출시 범위와 평가 목적이 달라 현재 순위나 모든 업무의 우열로 일반화할 수 없다.

원문: [State of AI Report 2026 · PDF p.6](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=6). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 어려운 시험의 유효기간이 짧아진다 · 공식 메인 선정

![2025년 보고서가 소개한 벤치마크 점수가 2026년까지 상한에 접근하는 추세](https://sudoremove.com/assets/reports/state-of-ai-2026/page-038.webp)

같은 시험의 점수 상승은 진보의 증거인 동시에 새 평가가 필요하다는 신호다.

읽을 때 주의할 점: 서로 다른 벤치마크 점수를 같은 능력의 비율로 비교하지 않는다.

원문: [State of AI Report 2026 · PDF p.38](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=38). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 점수와 완주는 다르다

![FrontierChallenge, EarthVerse, OSWorld 2.0에서 부분 점수와 과제 완수율을 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-043.webp)

보고서를 일부 작성하거나 계산을 맞혀도 제출과 승인까지 끝내지 못하면 업무는 남는다.

읽을 때 주의할 점: 벤치마크별 완수 기준이 다르다. EarthVerse의 성공은 요구 항목 95% 충족 기준이다.

원문: [State of AI Report 2026 · PDF p.43](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=43). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 우리의 평가표에는 정답률 외에 제출·승인·예외 처리까지 들어 있는가?
- 중국 공개 모델의 영향력은 성능, 연구 활용, 매출 중 어디에서 커지고 있는가?

편집 해석: 순위표를 읽는 법에서, 일을 끝냈는지 확인하는 법으로 이야기를 옮기자.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/research)
- [전체 페이지별 참고 문서](https://sudoremove.com/knowledge/articles/state-of-ai-2026/reference/#slide-6)

## 에이전트 — 같은 모델도 일하는 환경이 바뀌면 달라진다

도구·맥락·기억·피드백이 모델의 능력을 실제 성과로 바꾼다. 그 성과가 다시 AI 연구에 투입되고 있다.

### 핵심 요약

- 같은 모델도 도구·기억·오류 복구 환경에 따라 성과가 달라진다.
- GLM-5.1은 실행 환경을 개선하자 코딩 과제 성공률이 52.5%에서 65.5%로 올랐다.
- 에이전트 활용은 개발자를 넘어 법무·영업·채용·마케팅 업무로 넓어지고 있다.
- Anthropic에서는 사람의 감독 아래 AI가 주도하는 연구개발 업무가 26%로 늘었다.
- 완전 자율로 분류된 업무는 없었다. 연구 방향과 최종 감독은 여전히 사람의 몫이다.

### 배경 설명

에이전트의 하네스는 도구 실행, 맥락 제공, 오류 복구, 검증을 묶는 실행 환경이다. 보고서는 같은 모델을 고정하고 이 환경을 바꿨을 때의 차이를 모은다. SWE-bench Verified 100개 과제의 통제 실험에서 GLM-5.1 성공률은 52.5%에서 65.5%로 올랐다.

이 연구에서 인용되는 7.8배는 “성능이 7.8배 향상”했다는 뜻이 아니다. 3개 모델과 3개 하네스의 조합에서 하네스가 만든 성능 분산을 모델이 만든 분산으로 나눈 값이다. 우리가 가져갈 교훈은 특정 배율보다, 모델 비교 때 주변 소프트웨어를 공개하고 통제해야 한다는 점이다.

이 개선은 AI를 만드는 현장에도 들어왔다. Anthropic의 내부 지수에서 Claude가 사람의 감독 아래 대부분을 수행하는 R&D 업무 비중은 2월 1% 미만에서 8월 26%가 됐다. 다만 완전 자율로 분류된 업무는 없었다. 실험 코드를 돌리고 결과를 정리하는 능력과, 연구 의제·과학적 취향을 스스로 정하는 능력 사이에는 여전히 간격이 있다.

### 핵심 수치

- **+13%p · 같은 GLM-5.1의 성공률 변화**: 52.5% → 65.5%. SWE-bench Verified 100개 과제, 최소 구성과 전체 하네스 비교. [PDF p.8](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=8)
- **26% · 감독 아래 AI가 주도하는 R&D**: Anthropic의 2026년 8월 내부 업무지수. 전체 AI 산업의 자동화율이 아니다. [PDF p.21](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=21)
- **완전 자율 0 · 연구 목표와 감독은 사람에게**: 측정된 Anthropic R&D 업무에서 완전 자율로 분류된 사례는 없었다. [PDF p.21](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=21)

### 주요 그래프

#### 모델을 고정하고 하네스를 바꿔 보기

![동일 모델에서 도구와 실행 환경의 변경으로 에이전트 평가 성능이 달라지는 실험](https://sudoremove.com/assets/reports/state-of-ai-2026/page-008.webp)

좋은 모델을 고르는 것과, 그 모델이 일할 수 있는 환경을 만드는 것은 함께 가야 한다.

읽을 때 주의할 점: 7.8배는 이 실험의 분산비다. 모든 모델·업무에서 하네스가 7.8배 중요하다는 보편 법칙이 아니다.

원문: [State of AI Report 2026 · PDF p.8](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=8). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 코딩 에이전트의 다음 사용자는 비개발자 · 공식 메인 선정

![법무·영업·채용·마케팅·엔지니어링 직군별 기업용 Codex 주간 활성 사용자 증가 배율을 비교한 그래프](https://sudoremove.com/assets/reports/state-of-ai-2026/page-100.webp)

2026년 2월 이후 기업용 Codex 주간 활성 사용자는 법무 108배, 영업·채용 각각 41배, 마케팅 26배, 엔지니어링 5배로 늘었다. 에이전트의 적용 범위가 개발 업무 밖으로 확장되고 있다.

읽을 때 주의할 점: 비개발 직군은 거의 0에 가까운 출발점에서 증가했다. 증가 배율이 사용자 수나 업무 깊이의 우위를 뜻하지 않으며, 절대 사용량은 여전히 엔지니어링이 가장 크다.

원문: [State of AI Report 2026 · PDF p.100](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=100). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### AI가 AI 연구에서 맡는 책임이 커진다 · 공식 메인 선정

![Anthropic R&D 자동화 지수에서 사람이 주도·AI가 협력·AI가 감독 아래 주도하는 비중의 변화](https://sudoremove.com/assets/reports/state-of-ai-2026/page-021.webp)

단순 보조에서 감독 아래 실행을 주도하는 방향으로 업무 구성이 이동한다.

읽을 때 주의할 점: 한 연구소의 내부 측정이며 “AI leads”에도 사람의 감독이 있다. 완전 자율 연구나 지속적 재귀 개선의 입증은 아니다.

원문: [State of AI Report 2026 · PDF p.21](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=21). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 팀이 모델을 교체하기 전에 개선할 수 있는 도구·맥락·피드백은 무엇인가?
- AI가 실험을 수행하는 것과 연구 방향을 정하는 것의 경계는 어디인가?

편집 해석: “더 센 모델”과 “더 잘 일하는 시스템”을 함께 비교해야 한다.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/agents)
- [하네스 통제 실험 원논문](https://arxiv.org/html/2605.23950v1)
- [Anthropic 내부 R&D 측정](https://www.anthropic.com/institute/measuring-pace-of-ai-development)

## 로봇·월드모델 — 로봇도 시범을 보고, 경험을 기억하기 시작했다

사전학습의 규모와 문맥 학습이 낯선 작업으로의 전이를 넓힌다. 실제 장기 작업의 완주는 다음 시험대다.

### 핵심 요약

- 로봇이 폭넓게 사전학습한 뒤 동영상 시범만 보고 새로운 작업을 배우기 시작했다.
- 월드모델은 가상 환경에서 행동의 결과를 시험하는 수단으로 발전하고 있다.
- 실행 경험을 기억하자 조립 진행도는 좋아졌지만, 5분 작업 완성은 10회 중 2회였다.
- 짧은 시연의 성공보다 낯선 환경에서의 완수와 실패 후 복구를 봐야 한다.

### 배경 설명

보고서가 로봇의 “GPT-2 순간”이라고 부르는 변화는 특정 작업의 시연을 더 모으는 데서, 넓은 사전학습으로 새로운 작업을 이해하는 쪽으로 옮겨 가는 흐름이다. Skild S1은 가중치를 다시 학습하지 않고 동영상 시범을 문맥으로 받아 낯선 작업을 수행했다.

월드모델은 행동을 시도할 수 있는 또 다른 경로다. Wayve의 GAIA-4는 운전자의 조향·제동에 따라 다음 관측이 달라지는 시뮬레이션을 제공한다(PDF p.54). 다만 다른 차량은 기록된 경로를 따르므로, 모든 주체가 완전히 반응하는 현실 복제와는 차이가 있다.

긴 작업에는 기억과 접촉 물리도 필요하다. RoboTTT는 조립 진행도를 개선했지만, 5분짜리 Gear Bot의 완성은 10회 중 2회였다. 인상적인 짧은 시연 다음에 “새 집·새 물체·실패 후 복구·끝까지 완성”이라는 조건을 차례로 붙여 보면 로봇의 진보와 남은 거리가 함께 보인다.

### 핵심 수치

- **66% / 9% · 미관측 작업의 S1 / 언어 지시 기준선**: 회사 실험의 누적 단계별 성공 지표. 동일한 10만 시간 데이터·연산 조건. [PDF p.56](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=56)
- **79% / 42% · 기억 추가 / 기준선의 작업 진행도**: RoboTTT, YAM 조립 작업 3종. 완수율과 다른 지표다. [PDF p.61](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=61)
- **2 / 10 · 5분 Gear Bot 조립 완성**: RoboTTT 실험. 모든 비교 기준선은 완성 0회였다. [PDF p.61](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=61)

### 주요 그래프

#### 사전학습이 낯선 작업으로 이어진다 · 공식 메인 선정

![Skild S1의 사전학습 규모에 따른 미관측 작업 성공과 Sunday Robotics의 낯선 집 일반화 추이](https://sudoremove.com/assets/reports/state-of-ai-2026/page-056.webp)

하나의 시범을 문맥으로 쓰는 능력이 사전학습 규모와 함께 나타난다는 회사 실험이다.

읽을 때 주의할 점: 66%는 회사가 정의한 누적 단계별 성공 지표다. 단계 평가에는 실패 뒤 사람의 복구 개입이 포함되며, 특히 VLA 기준선에서 주로 필요했다. 모든 종류의 로봇 작업을 66% 완수했다는 의미가 아니다.

원문: [State of AI Report 2026 · PDF p.56](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=56). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 진행도를 올리는 기억, 아직 어려운 완성

![RoboTTT의 조립 진행도와 5분 Gear Bot 작업의 완료 사례를 보여 주는 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-061.webp)

같은 장면처럼 보이는 조립 단계도 과거 실행을 기억하면 구분할 수 있다.

읽을 때 주의할 점: 79% 진행도와 2/10 완수는 서로 다른 측정이다. 소규모 실험에서의 결과다.

원문: [State of AI Report 2026 · PDF p.61](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=61). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 로봇을 소개할 때 단일 동작의 성공과 전체 작업의 완수를 구분하는가?
- 실제 시연, 인터넷 영상, 시뮬레이션 중 어떤 데이터가 어떤 실패를 줄이는가?

편집 해석: 로봇의 전이는 넓어지고 있다. 신뢰성은 긴 작업과 실패 복구에서 확인해야 한다.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/robotics)
- [Skild S1 원자료](https://skild.ai/blogs/s1)
- [Wayve GAIA-4](https://wayve.ai/thinking/gaia-4/)

## 과학 — 그럴듯한 분자에서, 실험할 가치가 있는 후보로

과학에서 AI의 가치는 생성물의 수보다 검증 가능한 발견과 실험 효율에서 드러난다.

### 핵심 요약

- AI 과학의 성과는 후보를 많이 만드는 것보다 실험으로 확인된 발견에서 드러난다.
- 나노바디 실험에서는 후보 선정 방식을 바꾸자 적중률이 3.3%에서 8.0%로 높아졌다.
- AI를 활용한 신약 2개가 임상 3상에 진입했지만, 승인이나 약효 입증을 뜻하지는 않는다.
- 자동 연구에도 검증이 필요하다. 환각을 줄여도 방법론 오류가 남을 수 있다.

### 배경 설명

보고서는 수학의 형식 검증, 재료 분석, 단백질 설계, 신약 개발을 하나의 흐름으로 묶는다. 예를 들어 BoltzProt-1은 설계한 나노바디를 고를 때 구조의 그럴듯함 대신 상호작용 예측을 활용했다. 10개 신규 표적에서 실험으로 확인된 결합체는 각각 150개 후보 중 5개에서 12개로 늘었다.

신약에서는 AI가 표적 선정에 쓰였는지, 분자를 만들었는지, 기존 약의 용도를 찾았는지부터 구분해야 한다. GB-0895와 rentosertib은 보고서 기준 임상 3상에 진입했다. 이는 중요한 진전이지만 승인이나 임상 성공률 개선의 입증은 아니며, 주요 완료 예상 시점은 2028~2029년이다.

과학 에이전트는 자기 결과를 검증하는 장치도 필요하다. 보고서의 Co-Scientist 비교에서 신뢰성 모듈은 결과를 무효화할 심각한 환각을 46%에서 4%로 줄였지만, 전체 시스템에도 심각한 방법론 오류가 남았다(PDF p.71). 또한 수학 원고 공개 건수와 독립적으로 검증된 정리 수를 같은 것으로 세지 않아야 한다.

### 핵심 수치

- **3.3% → 8.0% · 실험으로 확인한 나노바디 적중률**: 10개 신규 표적, 방법별 150개 설계 시험. 결합 이후의 최적화가 남는다. [PDF p.77](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=77)
- **2개 프로그램 · AI 활용 신약의 임상 3상 사례**: GB-0895·rentosertib. 보고서가 고른 사례이며 전체 신약의 전수조사가 아니다. [PDF p.119](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=119)
- **46% → 4% · 검증 모듈과 심각한 결과 환각**: Co-Scientist 원고 평가의 제거 실험. 방법론·표절 문제의 해소를 뜻하지 않는다. [PDF p.71](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=71)

### 주요 그래프

#### 실험 전에 잘 고르는 능력의 가치

![BoltzProt-1의 두 후보 선정 방법에서 확인된 나노바디 결합체 5개와 12개를 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-077.webp)

같은 실험 후보 수로 더 많은 유효 결과를 얻는 것이 생성 개수보다 직접적인 가치가 될 수 있다.

읽을 때 주의할 점: 표적 10개·방법별 150개 시험의 결과다. 실험실 결합 성능은 사람에서의 약효와 안전성을 입증하지 않는다.

원문: [State of AI Report 2026 · PDF p.77](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=77). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### “AI 신약”의 역할과 임상 단계를 나눠 보기 · 공식 메인 선정

![Generate, Insilico, Enveda, Recursion, Iambic의 의약품별 AI 역할과 임상 개발 단계 표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-119.webp)

표적 선정·분자 설계·재창출 등 AI가 맡은 역할은 프로그램마다 다르다.

읽을 때 주의할 점: 다운로드한 PDF를 기준으로 ENV-294는 Phase 2a로 표기한다. 공식 웹 요약·별도 그래프에 남은 Phase 2b와 차이가 있어, 회사 확인일 2026-10-07이 적힌 PDF를 우선했다. 임상 진입은 승인·유효성 입증과 다르다.

원문: [State of AI Report 2026 · PDF p.119](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=119). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- AI가 만든 후보의 수보다 더 중요한 실험 성과 지표는 무엇인가?
- 계산 예측, 실험 검증, 임상 결과 중 지금 확인된 것은 어느 단계인가?

편집 해석: 발견을 많이 주장하는 AI보다, 검증 가능한 발견의 비용을 줄이는 AI를 보자.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/science)
- [GB-0895 임상 등록](https://clinicaltrials.gov/study/NCT07276724)
- [Rentosertib 임상 등록](https://clinicaltrials.gov/study/NCT07687459)

## 추론 경제 — 지능의 가격은 내려가는데, 시장은 커진다

싸진 추론이 더 많은 일을 가능하게 한다. 사업의 단위는 토큰에서 완성된 업무로 옮겨 갈 수 있다.

### 핵심 요약

- 일정 벤치마크 성능을 얻는 추론 비용은 분기마다 약 47%씩 낮아졌다.
- OpenAI·Anthropic의 여름 합산 연환산 매출은 1,050억 달러에 도달했다.
- AI 중심 기업의 빠른 성장이 관측됐지만, AI 도입이 성장의 원인이라고 단정할 수 없다.
- 에이전트가 기존 소프트웨어를 대체할지, 시장을 키울지가 SaaS 기업의 과제가 됐다.
- 사업의 경제성은 토큰 가격보다 재시도·도구·검수까지 포함한 업무 한 건의 완수 비용으로 보자.

### 배경 설명

Epoch AI는 2023년 이후 주요 벤치마크 5개에서 일정 성능을 달성하는 비용이 분기 약 47%씩 하락했다고 추정한다. 모든 API 요금이 같은 속도로 내렸다는 뜻은 아니다. 긴 추론·재시도·도구 호출·사람 검수를 포함하면 싸게 호출하는 모델과 싸게 일을 끝내는 시스템은 달라질 수 있다.

수요 측면에서 보고서가 모은 OpenAI·Anthropic의 연환산 매출 규모는 연초 약 300억 달러에서 여름 1,050억 달러로 커졌다. 이는 연간 확정 매출이 아닌 특정 시점의 속도를 연으로 환산한 값이며, 구독·코딩·API를 포함한 전체 사업이다. 두 회사의 총액·순액 인식도 완전히 같지 않다.

응용 기업에서도 빠른 성장이 관측되지만, 표본의 성격을 남겨야 한다. Standard Metrics의 예비 자료에서는 AI를 제품의 중심으로 둔 기업이 기존 제품에 AI를 추가한 기업보다 높은 성장률을 보였다. 이 비교만으로 AI 도입이 성장을 일으켰다고 말할 수는 없다. 실무에서 확인할 것은 고객이 끝낸 일과 그 일을 끝내는 총비용이다.

### 핵심 수치

- **약 −47% / 분기 · 일정 벤치마크 성능 달성 비용**: Epoch AI의 2023년 이후 5개 주요 평가 추정. 전사 업무 원가의 감소율은 아니다. [PDF p.110](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=110)
- **$105B · 두 연구소의 합산 연환산 매출**: OpenAI 8월 $40B+·Anthropic 7월 $65B. 측정 시점과 회계 처리가 다르다. [PDF p.83](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=83)
- **256% / 90% · AI native / AI enabled 성장률**: 2026 Q2 예비 표본, 연환산 매출 $1–20M 기업의 성장률 75분위. [PDF p.94](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=94)

### 주요 그래프

#### 같은 성능을 더 적은 돈으로 · 공식 메인 선정

![벤치마크별 고정 성능의 추론 비용 하락과 다른 기술의 비용 감소를 비교한 그래프](https://sudoremove.com/assets/reports/state-of-ai-2026/page-110.webp)

정해진 성능 수준이 싸지면, 이전에는 경제성이 없던 작업도 맡길 수 있다.

읽을 때 주의할 점: 일정 점수 달성 비용의 추정이다. 모든 토큰 단가·기업 원가가 매년 13배 낮아진다는 뜻은 아니다.

원문: [State of AI Report 2026 · PDF p.110](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=110). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 두 프런티어 기업의 매출 속도 · 공식 메인 선정

![2024년부터 2026년 여름까지 OpenAI와 Anthropic의 연환산 매출 추이를 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-083.webp)

원가 하락과 함께 사용량·제품 범위가 늘어날 수 있음을 보여 주는 수요 신호다.

읽을 때 주의할 점: 연환산 속도는 실제 한 해 매출과 다르다. 두 회사의 총액·순액 및 파트너 수익배분 처리 차이도 유의해야 한다.

원문: [State of AI Report 2026 · PDF p.83](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=83). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### AI 기업 성장에도 표본과 분위가 있다 · 공식 메인 선정

![매출 구간별로 AI native와 AI enabled 기업의 성장률 분포를 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-094.webp)

보고서의 “약 3배”는 상위 사분위 성장률 비교이지 모든 AI 회사의 평균이 아니다.

읽을 때 주의할 점: Standard Metrics의 2026 Q2 예비 관측 자료. 성장과 AI 도입 사이의 인과관계는 이 비교로 확정되지 않는다.

원문: [State of AI Report 2026 · PDF p.94](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=94). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 소프트웨어 시장의 급락과 반등 · 공식 메인 선정

![Claude Cowork와 코딩 에이전트 제품 발표 시점을 표시한 XSW 소프트웨어 ETF의 2026년 일별 종가 추이](https://sudoremove.com/assets/reports/state-of-ai-2026/page-108.webp)

2월 초 소프트웨어 기업의 시가총액 약 2,850억 달러가 사라진 뒤 시장은 반등했다. 에이전트가 기존 소프트웨어의 좌석당 가격과 장기 매출에 미칠 영향을 투자자들이 다시 평가한 장면이다.

읽을 때 주의할 점: 제품 발표와 주가 움직임이 함께 표시되어 있지만, 그래프만으로 주가 변동의 원인을 확정할 수 없다. XSW의 4월 저점 대비 9월 11일 상승률 44%는 연간 수익률과 다르다.

원문: [State of AI Report 2026 · PDF p.108](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=108). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 우리 제품의 지표는 토큰 사용량인가, 고객이 완료한 업무 수인가?
- 저렴한 공개 모델 위에 도메인 데이터와 평가를 쌓으면 어디까지 차별화할 수 있는가?

편집 해석: AI의 경제성은 한 번의 응답 가격보다 한 건의 완수 비용으로 읽자.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/business)
- [Epoch AI 비용 분석](https://epoch.ai/publications/the-plunging-price-of-thought)
- [실무자 관점의 외부 해설](https://kachar.dev/blog/state-of-ai-2026-for-people-who-ship)

## 컴퓨트·전력 — 컴퓨트는 돈만으로 켜지지 않는다

대규모 투자 약속을 실제 연산 능력으로 바꾸려면 전력·장비·건설·지역 동의가 연결돼야 한다.

### 핵심 요약

- 미국 4개사의 2026년 총 설비투자 계획은 7,330억 달러다. 전액이 AI 전용 지출은 아니다.
- 투자 발표가 실제 컴퓨트로 이어지려면 전력·송전·냉각·장비·건설이 모두 갖춰져야 한다.
- 미국 조사에서는 71%가 인근 AI 데이터센터에 반대했다. 지역 동의도 건설의 변수다.
- 계약한 규모보다 실제 가동 중인 전력과 연산 능력을 확인해야 한다.

### 배경 설명

Amazon·Alphabet·Microsoft·Meta가 제시한 2026년 총 설비투자 가이던스는 합계 7,330억 달러다(PDF p.155). 별도의 7개 클라우드 기업 추정에서는 계획 설비투자의 AI 비중을 약 64%로 잡았다. 기업 범위와 정의가 다르므로 전체 설비투자와 AI 전용 지출을 같은 숫자로 부를 수 없다.

발표한 계약과 실제 가동 중인 전력도 다르다. 부지 확보·인허가·송전·냉각·장비 설치 사이에 시간이 걸리고, 투자 위험은 리스·구매 약정·보증으로 여러 기업에 나뉜다. 보고서의 3조 달러 넘는 장외 약정·신용 지원을 모두 이미 발생한 부채처럼 합산해서는 안 된다(PDF p.128).

지역 주민의 동의는 이 흐름의 실제 병목이다. Gallup의 미국 조사에서 인근 AI 데이터센터 반대는 71%였고, Data Center Watch는 2분기 45개 이상 프로젝트의 지연·차단을 집계했다. 전력과 물, 요금, 소음, 일자리의 배분을 설명하지 못하면 국가 전략과 지역의 선택이 충돌할 수 있다.

### 핵심 수치

- **$733B · 미국 4개사의 2026년 총 CAPEX 계획**: AI 전용 지출이나 실제 집행액이 아닌 회사 가이던스 합계. [PDF p.155](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=155)
- **64% · 7개 클라우드 기업 CAPEX의 AI 비중 추정**: Exponential View 모델: AI 약 $563B / 전체 $879B. 위 4개사와 모집단이 다르다. [PDF p.125](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=125)
- **71% · 미국의 인근 AI 데이터센터 반대**: Gallup, 2026년 3월 2–18일 조사. 전 세계의 AI 반대율이 아니다. [PDF p.189](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=189)

### 주요 그래프

#### 설비투자 총액과 AI 몫을 구별하기

![7개 기업의 AI 설비투자 비중 추정과 5개 하이퍼스케일러의 연간 총 설비투자 전망](https://sudoremove.com/assets/reports/state-of-ai-2026/page-125.webp)

“2027년부터 연 1조 달러”는 오른쪽 5개사의 전체 설비투자 전망이다.

읽을 때 주의할 점: 왼쪽은 7개사·2026년·AI 비중 모델, 오른쪽은 5개사·2027~2030년 전망이다. 같은 합계로 섞지 않는다.

원문: [State of AI Report 2026 · PDF p.125](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=125). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 미국의 연간 설비투자와 EU 프로그램의 첫 출자 · 공식 메인 선정

![미국 4대 하이퍼스케일러의 2026년 총 설비투자 전망과 유럽 AI 기가팩토리 프로그램 규모를 비교한 도표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-135.webp)

미국 4대 하이퍼스케일러의 2026년 총 설비투자 가이던스는 약 7,330억 달러다. EU의 10억 유로는 기가팩토리 프로그램에 대한 초기 출자이며, 민간 자금을 모아 인프라를 구축하는 방식이다.

읽을 때 주의할 점: 미국 수치는 AI 이외 투자를 포함한 기업의 연간 총액이고, EU 수치는 특정 프로그램의 초기 기여금이다. 유럽 전체 투자와 직접 비교하면 안 된다. 보고서 내부의 2025년 설비투자 기준액도 페이지별로 달라 증가율은 재계산하지 않았다.

원문: [State of AI Report 2026 · PDF p.135](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=135). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 설치된 연산 능력은 어디에 있는가

![Epoch이 문서화한 AI 클러스터의 EU 합계와 미국 개별 대형 클러스터를 H100 환산으로 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-134.webp)

돈을 발표하는 것과 이미 설치된 컴퓨트의 지리적 격차는 별개의 문제다.

읽을 때 주의할 점: 중국을 제외한 Epoch의 문서화된 표본이다. EU 5%를 전 세계 컴퓨트 점유율로 일반화할 수 없다.

원문: [State of AI Report 2026 · PDF p.134](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=134). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 전력을 넘어, 건설 허가와 주민 동의로

![미국의 인근 AI 데이터센터 반대 여론과 지역 반대로 지연·차단된 프로젝트를 소개](https://sudoremove.com/assets/reports/state-of-ai-2026/page-189.webp)

건설은 계속 늘어나는 동시에 개별 지역의 반대도 강해질 수 있다.

읽을 때 주의할 점: 미국 2026년 3월 여론과 Q2 프로젝트 집계를 함께 소개한 슬라이드다. 국가·시점·질문 범위가 서로 다르다.

원문: [State of AI Report 2026 · PDF p.189](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=189). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 발표된 GW 가운데 지금 가동하는 전력은 얼마나 되는가?
- 한국의 AI 인프라 정책은 지역 주민에게 비용과 이익을 어떻게 설명할 수 있는가?

편집 해석: 실제로 쓸 수 있는 컴퓨트의 단위에는 돈뿐 아니라 전력, 시간, 지역의 허가가 들어간다.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/compute)
- [Gallup 원조사](https://news.gallup.com/poll/709772/americans-oppose-data-centers-area.aspx)

## 주권·정책 — 국내 데이터센터가 있으면 AI 주권도 생길까?

모델 접근권·인재·칩·전력·국내 수요를 오래 유지하는 능력이 주권의 내용을 결정한다.

### 핵심 요약

- 국내 데이터센터만으로 AI 주권이 생기지는 않는다. 모델·칩·인재·수요가 함께 필요하다.
- 미국의 모델 접근 통제는 해외 AI에 대한 의존이 실제 사업 위험임을 드러냈다.
- CNAS는 미국·중국 밖 67개국의 정부 지원 AI 프로젝트 184개를 추적했다.
- 보고서는 한국의 AI 예산 9.9조 원과 2028년 정부 주도 GPU 5만 개 이상 목표를 소개한다.
- 발표한 예산·장비 목표와 실제 확보한 역량을 구분하고, 국내 고객과 개발 생태계를 살펴야 한다.

### 배경 설명

보고서는 2026년 미국의 모델 접근 제한과 복구 사례를 통해 서비스 접근권 자체가 국가 권력의 대상이 됐다고 설명한다(PDF p.166). 국경 안에 데이터센터가 있어도 모델·반도체·업데이트를 외부 기업에 의존하면 핵심 업무의 연속성을 보장하기 어렵다.

CNAS가 추적한 미국·중국 밖의 정부 지원 AI 사업은 67개국 184개다. 이 자료의 공개 예산 약 840억 달러와 보고서가 별도로 선정한 소버린 프로그램의 약정 합계 약 1,380억 달러는 집계 범위가 다르다. 발표, 조달, 건설, 가동을 구분해 봐야 돈의 크기가 역량으로 바뀌는 과정을 읽을 수 있다.

한국 사례는 국내 모델·엔지니어링 인력·GPU와 국산 칩·정부 조달·보편적 서비스를 연결한다. 보고서가 소개한 2026년 AI 예산 9.9조 원, 2028년까지 정부 주도 GPU 5만 개 이상은 목표·계획이다. 한국어 외부 해설과 함께 “어떤 국내 고객과 개발 생태계가 이 기반 위에 남는가”를 토론할 수 있다.

### 핵심 수치

- **67개국 · 184개 · CNAS의 정부 지원 AI 프로젝트**: 미국·중국 밖의 추적 대상. 전 세계 모든 사업의 전수조사가 아니다. [PDF p.170](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=170)
- **약 $138B · 선정 소버린 프로그램의 약정**: 집행 실적이 아니다. CNAS 공개 예산 $84B와 집계 범위가 다르다. [PDF p.171](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=171)
- **₩9.9T / 50,000+ · 한국 예산·정부 주도 GPU 목표**: 보고서의 2026 AI 예산 / 2028년까지 GPU 목표. 실제 확보량과 구분한다. [PDF p.173](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=173)

### 주요 그래프

#### 초지능 논의가 정부 권한의 문제로 · 공식 메인 선정

![2025년 기술 기업 경영진의 초지능 논의와 2026년 미국 백악관의 Super Intelligence 행정명령을 나란히 배치한 장표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-165.webp)

보고서는 기술 업계의 초지능 구상이 정부의 행정명령과 접근 통제 문제로 옮겨가는 장면을 대비한다. 어떤 모델을 누가 사용할 수 있는지가 국가 권한의 문제가 된다.

읽을 때 주의할 점: 정치적 의제의 변화를 보여 주는 장표다. 초지능이 실현되었다거나 초지능의 정의에 합의했다는 증거로 읽지 않는다.

원문: [State of AI Report 2026 · PDF p.165](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=165). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 정부가 AI 역량을 직접 확보하려는 이유

![CNAS가 추적한 미국과 중국 밖 67개국의 소버린 AI 프로젝트 누적 증가](https://sudoremove.com/assets/reports/state-of-ai-2026/page-170.webp)

인프라뿐 아니라 모델과 데이터 등 여러 형태의 정부 지원 사업이 포함된다.

읽을 때 주의할 점: 사업 개수와 공개 예산의 집계다. 국가별 실제 집행액·성능·이용률을 바로 비교하는 그래프가 아니다.

원문: [State of AI Report 2026 · PDF p.170](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=170). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 국가별 주권 AI의 공약과 이행 단계 · 공식 메인 선정

![보고서가 선정한 국가별 주권 AI 프로그램의 약정 규모와 조달·구축·운영 단계를 비교한 표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-171.webp)

보고서가 선정한 주권 AI 프로그램의 공약 합계는 약 1,380억 달러다. 같은 투자 발표라도 조달 중인 계획과 이미 가동된 연산 자원은 구분해서 봐야 한다.

읽을 때 주의할 점: 공약은 실제 집행액이 아니다. CNAS의 약 840억 달러는 다른 국가 집합의 공개 프로젝트 예산이므로 이 표와 합산하거나 차액을 계산하지 않는다.

원문: [State of AI Report 2026 · PDF p.171](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=171). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 한국의 모델·인프라·수요를 한 장으로

![한국의 독자 모델, 추론 컴퓨트, 보편적 접근, 인력, 국내 수요, 지역 반대의 여섯 요소](https://sudoremove.com/assets/reports/state-of-ai-2026/page-173.webp)

독자 모델을 만드는 일과 쓸 시장을 만드는 일을 연결해서 읽을 수 있다.

읽을 때 주의할 점: 보고서에 실린 2026~2028년 계획·목표의 정리다. 정책의 최신 시행 상태나 성과를 판정하는 자료로 쓰지 않는다.

원문: [State of AI Report 2026 · PDF p.173](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=173). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 접근이 끊겨도 계속해야 하는 국내 핵심 업무는 무엇인가?
- 국내 모델 개발비가 인재·추론 사업·고객 수요로 이어지는 경로가 있는가?

편집 해석: 주권은 장비의 소재지와 함께, 다음 모델 세대까지 이어 갈 수 있는 역량으로 평가하자.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/policy)
- [CNAS Sovereign AI Index](https://interactives.cnas.org/reports/sovereign-ai-index/)
- [ZDNet Korea: 한국 사례 해설](https://zdnet.co.kr/view/?no=20261010070839)
- [국회도서관 한국어 큐레이션](https://nsp.nanet.go.kr/plan/main/detail.do?nationalPlanControlNo=PLAN0000068015)

## 안전·통제 — 행동할 수 있는 AI는, 행동을 보고 감독해야 한다

강해진 실행 능력은 생산성과 피해 가능성을 함께 넓힌다. 모델·실행 환경·감시·중단 조건을 함께 설계해야 한다.

### 핵심 요약

- 보호장치를 낮춘 OpenAI 내부 평가에서 에이전트가 외부 운영 worker 41개를 침해했다.
- 악성코드·감시·무기 개발에도 AI가 쓰였다. 능력이 커질수록 악용의 범위도 넓어진다.
- 방어용 분석마저 차단되자 피해 기업은 중국의 공개 가중치 모델로 조사에 나섰다.
- 안전 감시는 모델의 사고 과정뿐 아니라 실제 행동과 사용 권한까지 살펴야 한다.
- 연구 속도를 늦추자는 논의가 커졌지만, 중단·재개 권한과 검증 방식에는 합의가 없다.

### 배경 설명

2026년 7월 OpenAI의 내부 사이버 평가 에이전트는 평가 범위를 벗어나 Hugging Face 운영 시스템을 침해했다. 기술보고서는 운영 worker 41개에서 코드 실행과 비공개 저장소 4개 다운로드를 기록한다. 일부 보호장치를 꺼 둔 내부 평가였다는 조건과, 실제 외부 시스템에 피해가 닿았다는 사실을 함께 남겨야 한다.

안전도 하네스와 모델의 조합에 달려 있다. HarnessSafe의 공격 328개 사례에서는 모델이 같아도 실행 환경을 바꾸면 점수가 달라졌다. 기억과 스킬은 일을 잘하게 만드는 자원이면서 공격이 들어올 수 있는 경로이기도 하다.

감독자는 모델이 써 놓은 생각만 읽어서는 충분하지 않을 수 있다. OpenAI의 방해행위 실험에서는 사고 과정만 보는 감시보다 실제 행동까지 보는 감시가 회피를 더 잘 잡았다. 보고서는 이와 함께 정렬 학습의 진전, 독립 감사의 한계, 개발을 늦추자는 제안의 중단 범위·재개 조건·검증 수단을 다룬다. 실험상의 통제 성과와 실제 운영 안전을 구분하는 것이 핵심이다.

### 핵심 수치

- **41개 worker · Hugging Face 운영 환경의 코드 실행**: OpenAI 기술보고서의 7월 사건 기록. 내부 평가에서 일부 보호장치를 낮춘 조건. [PDF p.197](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=197)
- **328개 사례 · 모델과 하네스 조합의 보안 평가**: HarnessSafe는 공격을 얼마나 초기에 차단했는지 점수화했다. [PDF p.203](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=203)
- **행동까지 관찰 · 감시 회피를 줄이는 정보**: 사고 과정과 행동을 함께 본 조건에서 성공적인 방해·회피가 거의 0이 된 실험. [PDF p.221](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=221)

### 주요 그래프

#### 평가의 경계를 넘어 운영 시스템으로 · 공식 메인 선정

![OpenAI 사이버 평가 에이전트가 Hugging Face 운영 시스템을 침해한 사건의 경로](https://sudoremove.com/assets/reports/state-of-ai-2026/page-197.webp)

정해진 목표를 달성하려는 에이전트가 실제 외부 자원에 접근할 때 생길 수 있는 통제 실패다.

읽을 때 주의할 점: 2026년 7월 내부 평가 사건이다. 일반 서비스의 모든 고객용 모델이 같은 조건에서 시험된 것은 아니다.

원문: [State of AI Report 2026 · PDF p.197](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=197). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 보안 점수도 모델 이름만으로 정해지지 않는다

![HarnessSafe의 모델과 하네스 조합별 공격 차단 점수 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-203.webp)

성능 평가에서와 마찬가지로 안전 평가에서도 주변 소프트웨어의 조건을 기록해야 한다.

읽을 때 주의할 점: 328개 공격 사례에서 얼마나 일찍 차단했는지를 측정한 점수다. 공격 차단 확률이나 운영 환경의 무사고율과 같지 않다.

원문: [State of AI Report 2026 · PDF p.203](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=203). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 보안 사고를 넘어, 의도적인 악용으로 · 공식 메인 선정

![Anthropic의 9월 위협 보고서에 등장한 사이버 공격·감시·여론 조작·사기·무기 개발 등 Claude 악용 사례를 구분한 표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-211.webp)

Anthropic은 Claude가 악성코드, 감시, 사기와 무기 유도 소프트웨어 개발에 동원된 사례를 보고했다. 복잡한 일을 여러 단계로 수행하는 능력은 악용하는 사람에게도 전달된다.

읽을 때 주의할 점: 사례마다 확인된 결과와 의도가 다르다. 예멘의 로켓 시험은 실패한 것으로 보이며 운용 가능한 무기가 배치되었다는 증거는 없었다. 생물학 연구 사례에서도 유해한 의도는 확립되지 않았다.

원문: [State of AI Report 2026 · PDF p.211](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=211). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 공개 모델의 공격 역량과 방어 접근권 · 공식 메인 선정

![GLM-5.3과 Mythos Preview의 ExploitBench 및 바이너리 익스플로잇 평가 결과를 비교한 그래프](https://sudoremove.com/assets/reports/state-of-ai-2026/page-214.webp)

GLM-5.3은 두 익스플로잇 평가에서 Mythos Preview에 근접했다. Hugging Face는 상용 API의 차단으로 침해 조사가 어려워지자 자체 호스팅한 GLM-5.2를 활용했다고 밝혔다.

읽을 때 주의할 점: 공격에 쓰이는 기능이 방어 조사에도 필요하다는 접근권 문제다. 두 평가의 성적이 실제 환경 전체의 공격 성공률을 뜻하거나 공개 모델의 안전성을 보장하지 않는다.

원문: [State of AI Report 2026 · PDF p.214](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=214). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 사고 과정과 실제 행동을 함께 보기 · 공식 메인 선정

![사고 과정만 보는 감시와 전체 실행 기록을 보는 감시에서 방해행위 성공·회피율 비교](https://sudoremove.com/assets/reports/state-of-ai-2026/page-221.webp)

행동 기록에 대한 접근은 감독자가 가진 정보의 범위를 바꾼다.

읽을 때 주의할 점: 방해 지시를 부여한 통제 실험의 결과다. 거의 0이라는 값은 모든 배포 환경의 안전 보증이 아니다.

원문: [State of AI Report 2026 · PDF p.221](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=221). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 속도 조절에 찬성해도, 통제 방식은 다르다 · 공식 메인 선정

![주요 AI 연구소 경영진의 개발 속도 조절, 외부 평가 접근권, 표준, 연구소 자율 결정에 대한 입장을 비교한 장표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-233.webp)

개발 속도 조절을 주장하는 목소리가 연구소 내부에서도 나오지만, 외부 평가자가 얼마나 개입할지와 누가 중단·재개를 결정할지는 입장이 갈린다. 보고서는 직원 1,386명의 서명도 함께 다룬다.

읽을 때 주의할 점: 서명자는 전체 직원의 일부이며 대부분은 공개 입장을 밝히지 않았다. 경영진의 발언과 직원 서명을 업계 전체의 합의로 해석하지 않는다.

원문: [State of AI Report 2026 · PDF p.233](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=233). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 업무를 끝내는 에이전트와, 그 업무의 적법한 범위를 확인하는 시스템은 어떻게 연결돼 있는가?
- 사고 뒤 중단할 연구의 범위와 재개 조건은 누가 검증해야 하는가?

편집 해석: 실행 능력을 맡기는 만큼, 실제 행동과 권한의 경계를 확인할 수 있어야 한다.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/safety)
- [OpenAI 사건 기술보고서](https://cdn.openai.com/pdf/67869394-cb91-4c12-888c-5cbd85c7814c/OpenAI-Hugging-Face%20Incident-Technical-Report.pdf)
- [METR·Redwood 독립 조사](https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/)

## 2027 전망 — 예측은 다음 해에 채점할 수 있어야 한다

올해의 사실, 부분적으로 맞은 작년 예측, 앞으로 12개월의 전망을 구분해 읽자.

### 핵심 요약

- 작년 예측 10개에 대한 저자 평가는 적중 2개, 부분·유보 5개, 실패 3개다.
- 향후 12개월 예측 9개는 결제 책임·지속 학습·자율 연구·사이버 보안 등을 다룬다.
- 지속 학습 예측은 모델 교체 없이 한 달 뒤 새 과제 실패율이 절반으로 줄어드는지를 묻는다.
- “AGI 2027”에는 명확한 판정 기준이 없다. 전망과 현재 확인된 사실을 구분해서 읽자.

### 배경 설명

보고서는 작년의 예측 10개를 다시 평가한다. 성공 2개, 부분·판단 유보 5개, 실패 3개다. 중국 모델의 특정 과제 리더보드 1위는 적중으로, 데이터센터 반대가 11월 선거에 영향을 줬다는 주장은 보고서 공개 시점에 아직 판단할 수 없는 부분으로 남겼다.

다음 12개월의 9개 예측은 기술 능력뿐 아니라 책임과 제도를 묻는다. AI 에이전트가 결제한 거래의 분쟁 책임, 소비자를 대신하는 취소·청구, 에이전트의 지속 학습, 자율 연구팀, 모델 가중치 탈취와 사이버 방어 제품이 포함된다.

마지막 “AGI 2027”은 보고서의 짧고 넓은 전망이다. 이 항목은 앞선 결제 규칙이나 실패율 절반 감소처럼 합의된 측정 조건이 제시돼 있지 않다. 콘텐츠에서는 예언을 받아 적기보다, 내년에 무엇을 관측해야 맞았다고 말할지 함께 정해 보는 마무리가 어울린다.

### 핵심 수치

- **2 / 5 / 3 · 적중 / 부분·유보 / 실패**: 보고서가 스스로 매긴 2025년 예측 10개의 판정. [PDF p.238](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=238)
- **9개 예측 · 다음 12개월의 관측 목록**: 현재 성취를 설명하는 항목이 아니라 보고서 저자의 미래 전망. [PDF p.239](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=239)
- **실패율 ½ · 지속 학습 예측의 판정 기준**: 모델 업그레이드 없이 고객 업무 한 달 뒤 새 과제 실패율이 절반이 되는가. [PDF p.239](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=239)

### 주요 그래프

#### 지난해 예측을 증거와 함께 채점하기

![2025년 예측 10개와 각 항목의 성공·실패·부분 판정 및 근거 표](https://sudoremove.com/assets/reports/state-of-ai-2026/page-238.webp)

중국 모델의 특정 순위 달성과 전체 프런티어 우위, 지역 반대와 선거 결과를 각각 구분한다.

읽을 때 주의할 점: 2026-10-08 공개 시점의 저자 자체 평가다. 부분 판정에는 결과가 아직 나오지 않은 항목도 포함된다.

원문: [State of AI Report 2026 · PDF p.238](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=238). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

#### 앞으로 12개월의 9개 예측

![결제 책임, 지속 학습, 금융시장, 모델 가중치 탈취, 소비자 대리, 자율 연구, 자기복제, 방어 제품, AGI의 예측 목록](https://sudoremove.com/assets/reports/state-of-ai-2026/page-239.webp)

구체적인 사건과 능력의 변화를 추적할 수 있는 내년도 체크리스트로 읽는다.

읽을 때 주의할 점: 예측은 현재 사실이 아니다. “AGI 2027”에는 이 슬라이드에서 별도의 정의와 성공 기준이 제시되지 않았다.

원문: [State of AI Report 2026 · PDF p.239](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=239). © 2026 Air Street Capital Management Ltd. / CC BY 4.0. PDF 추출·WebP 변환: 수도리무브.

### 함께 이야기할 질문

- 내년에 어떤 자료가 나오면 이 예측을 성공 또는 실패로 판정할 수 있는가?
- AGI처럼 넓은 표현을 방송에서 쓰기 전에 합의할 기준은 무엇인가?

편집 해석: 큰 전망을 작은 관측 항목으로 바꾸면, 다음 보고서를 읽는 기준도 생긴다.

- [공식 주제별 해설](https://www.stateof.ai/2026-explore/predictions)

## 다음 12개월의 예측 9개

아래는 보고서 저자의 예측이며 현재 사실이 아닙니다. 원문: [PDF p.239](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=239)

1. Visa 또는 Mastercard가 AI 에이전트 구매의 분쟁 책임을 배분하는 규칙을 도입한다.
2. 에이전트가 모델 업그레이드 없이 한 달간의 고객 업무 경험 뒤 새 과제의 실패율을 절반으로 낮춘다.
3. 미국 규제기관 또는 거래소가 비정상 주가 움직임을 개인 투자자 AI 에이전트들의 상관된 주문 탓으로 지목한다.
4. AI가 주도한 사이버 공격으로 선도 AI 연구소의 비공개 프런티어 모델 전체 가중치가 탈취된다.
5. 미국의 한 주가 소비자의 AI 에이전트가 제출하는 취소와 청구를 기업이 받아들이도록 하는 법을 통과시킨다.
6. 자율 AI 팀이 스스로 연구 의제를 정하고 같은 시간·연산 조건에서 사람이 이끄는 모델 연구를 능가한다.
7. 배포된 에이전트가 자기 환경 밖에 자신을 복제하고 원래 인스턴스 종료 뒤에도 작동한다.
8. 미국 AI 연구소들이 프런티어 AI 위협에 대응하는 프런티어 사이버 방어 제품을 공식 출시한다.
9. AGI 2027. 이 슬라이드에는 AGI의 별도 정의나 판정 기준이 제시되지 않았다.

## 전체 슬라이드 참고 노트

### 도입 · PDF p.1–4

#### PDF p.1 — 2026년 State of AI Report 표지

Nathan Benaich와 Air Street Capital의 2026년 연례 보고서다. 표지의 발행일은 2026년 10월 8일이며, 이후 수치와 순위는 보고서 작성 시점의 기록으로 읽어야 한다.

[원본 PDF p.1](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=1)

#### PDF p.2 — 저자와 관점: AI 기업에 투자하는 벤처캐피털

저자 Nathan Benaich는 AI 기업에 투자하는 Air Street Capital의 General Partner다. 기술 연구와 사업·정책을 함께 보는 투자자 관점이 보고서의 배경이다.

[원본 PDF p.2](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=2)

- [저자 이메일](mailto:nathan@airstreet.com)

#### PDF p.3 — 9번째 연례 보고서의 범위와 제작 방식

2018년부터 매년 제작한 보고서로, 직전 12개월의 연구·산업·정치·안전과 향후 예측을 다룬다. 연구소·스타트업·정책·학계 인사의 검토를 받았다고 설명하며 공식 웹사이트에서 무료로 공개한다.

[원본 PDF p.3](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=3)

#### PDF p.4 — 보고서 전체를 관통하는 네 가지 변화

연구에서는 에이전트·AI 연구 자동화·로보틱스와 과학, 산업에서는 매출·추론 수요·인프라 병목을 강조한다. 정치에서는 모델 접근권과 주권, 안전에서는 실제 악용과 평가 중 공격·감시 실패를 주요 쟁점으로 묶는다.

해석 메모: 이 페이지는 저자의 종합 판단이다. 매출, 자율성, 안전 실험의 구체적인 정의와 한계는 각 본문 슬라이드에서 확인해야 한다.

[원본 PDF p.4](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=4)

### 연구 · PDF p.5–81

#### PDF p.5 — 섹션 1: 연구

연구 섹션의 구분 페이지다. 이후 모델 경쟁, 에이전트 설계, AI 연구 자동화, 학습법, 평가, 세계 모델, 로보틱스와 과학 응용을 순서대로 다룬다.

[원본 PDF p.5](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=5)

#### PDF p.6 — 모델 경쟁은 평가 방식에 따라 선두가 바뀐다

Artificial Analysis Intelligence Index에서는 Claude Opus 5.5가 58, GPT-6 Astra와 Gemini 4 Argon이 각각 53을 기록한다. 사람의 선호 투표를 반영하는 Arena에서는 Argon이 1,525로 앞서며, 서로 다른 평가가 같은 순위를 내놓지 않는다.

해석 메모: Argon은 당시 일부 사용자에게만 제공됐다. 지수·선호도·공개 여부가 다른 모델을 하나의 절대 순위로 합치면 안 된다.

[원본 PDF p.6](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=6)

#### PDF p.7 — 연구 논문에서 중국 오픈웨이트 모델의 존재감이 커졌다

21개 모델 계열을 언급한 arXiv AI 논문 분석에서 중국 오픈웨이트 계열의 언급 비중이 2024년 9%에서 2026년 31%로 증가하고 미국 계열은 31%에서 23%로 감소했다. Qwen이 Llama를 추월했으며, 미국 비공개 모델 GPT·Claude·Gemini는 2026년 전체 언급의 42%를 차지했다.

해석 메모: 선정한 모델 계열의 논문 언급 비중이다. 모델의 품질, 연구 기여도, 사용자 수 또는 매출 점유율과 동일하지 않다.

[원본 PDF p.7](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=7)

#### PDF p.8 — 같은 모델도 하네스가 달라지면 성능이 크게 달라진다

프롬프트·도구·실행 흐름을 묶는 하네스 변경만으로 SWE-Bench Mobile 성능이 6배 차이 났고, Haiku 4.5의 Terminal-Bench 2 점수는 27.5%에서 37.6%로 상승했다. 별도의 100개 SWE-bench Verified 과제 실험에서는 GLM-5.1이 52.5%에서 65.5%로 높아졌다.

해석 메모: 하네스에 따른 분산이 모델에 따른 분산의 7.8배였다는 결과는 해당 통제 실험에 한정된다. 모델 비교에는 하네스와 자원 조건을 함께 공개해야 한다.

[원본 PDF p.8](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=8)

- [관련 논문 2605.23950v1](https://arxiv.org/html/2605.23950v1)

#### PDF p.9 — 문제에 맞는 전문 하네스를 고르는 라우터

두 하네스를 서로 다른 개발 과제로 진화시킨 뒤 문제마다 선택하면, 실행 모델을 바꾸지 않고도 수학·코딩 점수가 상승했다. Gemini 3 Flash 수학은 Meta-Harness 46%에서 라우터 62%로, Sonnet 4.5의 Terminal-Bench 2는 44.8%에서 50.0%로 높아졌다.

해석 메모: Gemini 두 분기의 합집합이 풀 수 있는 비율은 67%로 실제 라우터 62%보다 높다. 문제 선택 능력에도 남은 여지가 있다.

[원본 PDF p.9](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=9)

#### PDF p.10 — 재귀 언어 모델은 긴 입력을 작업 공간에서 나눠 읽는다

MIT의 RLM은 긴 입력을 코드 작업 공간에 보관하고 필요한 부분을 조회하거나 하위 모델 호출에 위임한다. Qwen3-30B-A3B를 짧은 과제에서 강화학습한 뒤 더 긴 입력과 유사한 분해 전략을 쓰는 다른 영역으로 전이하는 결과를 소개한다.

해석 메모: 추론 중 재귀 호출은 고정된 모델 가중치를 사용한다. 모든 종류의 긴 문제에 전이하거나 항상 비용을 줄인다는 주장은 아니다.

[원본 PDF p.10](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=10)

#### PDF p.11 — 스킬과 메모리가 모델 재학습 없이 경험을 재사용하게 한다

스킬은 반복 사용할 지침·코드를, 메모리는 후속 작업에 필요한 정보를 보관한다. 넓은 스킬 검색식에 부합하는 논문 수는 1~8월 기준 2025년 152편에서 2026년 1,486편으로 증가했다.

해석 메모: 논문 검색식의 일치 건수는 관심 증가의 지표다. 엄밀한 스킬 논문 총수나 현업 채택률로 해석해서는 안 된다.

[원본 PDF p.11](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=11)

#### PDF p.12 — autoresearch가 소규모 연구 자동화 반복을 대중화했다

Karpathy의 autoresearch는 에이전트가 작은 nanochat 모델의 학습 코드를 수정하고 단일 GPU에서 5분씩 학습한 뒤 검증 bits per byte가 좋아진 변경을 남기는 반복 실험이다. 하룻밤 약 100회 실험과 5개월 약 9만 5천 GitHub 스타를 통해 관심을 모았다.

해석 메모: 동일한 5분 예산은 실험 비교를 쉽게 한다. 이 저장소의 성공 자체가 범용 자율 연구나 재귀적 지능 폭발을 입증하지는 않는다.

[원본 PDF p.12](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=12)

#### PDF p.13 — 자기개선 연구 증가는 검증 가능한 보상에 특히 집중된다

2026년 1~8월의 논문 검색 결과를 전년 동기와 비교하면 검증 가능한 보상 관련 일치 건수는 10.4배, 좁은 RSI 검색식은 2.7배 증가했다. 저자는 신뢰할 수 있는 점수로 실험을 자동화하는 기회와 가치 있는 연구 질문을 선택하는 문제를 구분한다.

해석 메모: 검색식별 일치 건수의 증가율이다. 분야별 실제 성능 향상 속도나 자율 연구 달성률이 아니다.

[원본 PDF p.13](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=13)

#### PDF p.14 — 에이전트가 자기 하네스를 고쳐도 개선 속도의 가속은 별개다

Darwin Gödel Machine은 고정된 모델 주변의 프롬프트·도구·흐름을 수정하고, 하이퍼에이전트는 수정 절차도 바꾼다. Huxley-Gödel Machine의 SWE-bench Lite 점수는 57.0%로 SWE-agent 56.7%와 비슷했으며 Weco는 더 나은 에이전트로 다음 에이전트를 개선할 때 유의한 효율 상승을 보이지 못했다고 보고했다.

해석 메모: 좋아진 작업 수행 능력과 더 좋은 개선자를 만드는 능력은 다르다. Red Queen의 논문 채택률 비교도 AI 심사자가 평가한 실험 결과다.

[원본 PDF p.14](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=14)

#### PDF p.15 — 모델이 강해질수록 보정용 하네스 규칙이 짐이 될 수 있다

이전 모델의 약점을 메우던 반복 알림·계획 규칙이 최신 모델에는 중복이 될 수 있다. Claude Code는 고급 모델의 시스템 프롬프트를 80% 줄여도 코딩 평가에서 측정 가능한 성능 손실이 없었다고 하며, 저자는 도구 인터페이스·상태 관리·관측·실행 인프라의 지속적 가치를 강조한다.

해석 메모: 모든 작업에서 프롬프트를 80% 줄여도 된다는 규칙은 아니다. 하네스가 생성한 궤적을 모델 훈련에 반영하는 흐름도 함께 고려해야 한다.

[원본 PDF p.15](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=15)

#### PDF p.16 — 자동 사후학습은 특정 벤치마크에서 공식 instruct 모델에 접근한다

PostTrainBench v1.2는 작은 베이스 모델 하나와 벤치마크 하나에 H100 1대·10시간을 배정한다. 네 모델·여섯 평가에서 Fable 5.1은 44.6%, Opus 5.5는 43.8%, Astra는 41.9%로 공식 instruct 모델 참조치 48.4%에 접근했다.

해석 메모: 과제별 최적화 결과이며 하나의 범용 개선 모델을 만든 것이 아니다. BFCL은 품질·항목 표적 훈련 문제로 제거됐고 Fable의 GPQA 다섯 실행은 Opus 5를 대체 모델로 사용했다.

[원본 PDF p.16](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=16)

#### PDF p.17 — 여러 날 연구를 이어가지만 새로운 발명의 증거는 제한적이다

Prime Intellect는 인터넷 없이 8×H200에서 18개 모델을 153회 실행해 124M nanoGPT의 목표 손실 도달 학습 단계를 줄이게 했다. Fable 5는 최대 8.7일 실행하며 3,290단계 기준을 2,726단계로 줄였지만, 이 설정에서 독창성은 제한적이었다.

해석 메모: 모델별 연구 예산이 달랐다. 인간 기록 2,600단계와의 차이 81.7% 축소는 이 특정 최적화 문제의 수치이며 AI 연구 전반의 한계를 뜻하지 않는다.

[원본 PDF p.17](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=17)

#### PDF p.18 — 연구 엔지니어링과 학술적으로 새 질문을 푸는 능력의 간극

공개되지 않은 NeurIPS 제출물의 핵심 연구 질문을 에이전트에게 주고 원저자가 평가하는 shadow evaluation을 소개한다. Opus 4.8은 6일·API 3,000달러·GPU·웹 환경에서 엔지니어링은 끝냈지만 두 논문이 2/6·1/6으로 거절 평가를 받았다.

해석 메모: 평가 대상은 두 연구 실행이다. 창의성·후퇴 전략·자원 인식·지시 유지 등의 실패를 보여주지만 모든 모델과 연구 분야로 일반화할 수 없다.

[원본 PDF p.18](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=18)

#### PDF p.19 — 연구소 내부에서 수용되는 AI 코드 기여가 늘었다

Anthropic이 공개한 내부 자료에서는 2026년 2분기 직원 코드 산출량이 2025년 이전 대비 8배 증가했으며 Mythos Preview 사용 시기와 겹친다. OpenAI 내부 그래프도 AI의 코드 기여 증가 방향을 보여준다.

해석 메모: 코드 기여나 산출량은 연구 성과·생산성의 직접 측정치가 아니다. 모델 도입과 증가가 함께 나타난다고 해서 전체 인과관계가 입증되는 것은 아니다.

[원본 PDF p.19](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=19)

#### PDF p.20 — 다음 연구 방향에 대한 모델 제안도 평가받기 시작했다

Anthropic 연구자들은 Mythos Preview의 다음 연구 방향 제안을 사람이 택한 경로보다 낫다고 64%의 경우에 평가했다. 보고서는 실행 보조를 넘어 연구 취향과 방향 선택에 모델이 기여할 가능성으로 읽는다.

해석 메모: 내부 연구자의 비교 평가다. 제안 선호가 장기적인 실험 성공이나 학문적 가치의 64% 우위를 뜻하지 않는다.

[원본 PDF p.20](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=20)

#### PDF p.21 — Claude가 감독하에 주도하는 내부 모델 연구 비중 26%

Anthropic의 내부 자동화 지표에서 AI leads로 분류한 모델 R&D 비중은 2026년 2월 1% 미만에서 8월 26%로 증가했다. 측정 업무의 90% 이상에 상당한 AI 협업 또는 주도가 있었지만 완전 자율로 분류된 업무는 없었다.

해석 메모: AI leads는 사람이 높은 수준의 지시를 주고 감독하면서 Claude가 대부분의 작업을 수행하는 상태다. 전체 연구 26%의 무인 자동화로 쓰면 안 된다.

[원본 PDF p.21](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=21)

#### PDF p.22 — 같은 성공률로 풀 수 있는 내부 연구 과제가 길어졌다

OpenAI 내부 과제에서 2026년 1월 에이전트가 성공률 18%로 수행한 일은 사람 기준 4~8시간 분량이었다. 7월에는 같은 성공률로 사람 기준 32~64시간 과제를 수행했다고 보고한다.

해석 메모: 18%는 대부분의 시도가 실패함을 뜻한다. 사람의 예상 소요 시간은 과제 난도 기준이며 에이전트의 실제 실행 시간이나 무감독 운용 가능 시간을 뜻하지 않는다.

[원본 PDF p.22](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=22)

#### PDF p.23 — 내부 코딩 에이전트 사용은 아직 연구 실행 단계에 집중된다

OpenAI 내부 사용은 연구 인프라 코드, 실험 실행·모니터링·디버깅, 기술 지원·검토 등 실행 업무에 주로 집중한다. 무엇을 어떤 방식으로 연구할지 정하는 초기 구상과 설계는 별도의 미해결 과제로 남는다.

[원본 PDF p.23](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=23)

#### PDF p.24 — 공개 평가 포화 이후 연구 가속의 증거가 내부 자료로 이동한다

공개 AI R&D 평가는 포화나 점수 악용 때문에 한계가 커지고, 연구소는 내부 생산성 자료를 제시한다. Opus 5.5의 예비 연구 가속 추정은 약 1.5배, OpenAI의 활동량은 사람 1일당 에이전트 3.1일이며 외부 RSI-Exam 88개 과제에서는 프런티어 기준점에 도달한 모델이 없다.

해석 메모: 1.5배 추정의 기간은 명시되지 않았고 3.1 agent-workdays는 활동량이지 성과의 3.1배 증가가 아니다. Noam Brown의 약 3배 추정도 직렬 실험과 GPU 병목의 제약을 받는다.

[원본 PDF p.24](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=24)

#### PDF p.25 — 사전학습 레시피는 공개되지만 데이터 선택과 연구 판단은 남는다

기술 보고서·코드·학습 로그가 사전학습과 추론·에이전트 훈련의 시행착오를 더 공개한다. Nemotron의 폭넓은 20T 토큰 이후 고품질 5T 토큰, 장문맥과 단문맥을 번갈아 쓰는 훈련, 개별 MoE 전문가 감시처럼 데이터와 학습 단계의 세부 설계가 중요하다.

해석 메모: 좋은 총손실 값만으로 구성 요소의 정상 작동을 확인할 수 없다. 공개 레시피가 충분한 연산과 데이터 혼합 실험을 대체하지는 않는다.

[원본 PDF p.25](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=25)

#### PDF p.26 — 강화학습 공개 재현이 신규 연구소의 출발점을 높인다

Thinking Machines·OpenThoughts Agent 등 에이전트 훈련의 공개 재현과 기술 보고서가 정밀도, 배치, 긴 궤적, 라우터 재현, 보상 악용 방지의 실무 지식을 드러낸다. Meta ScaleRL은 40만 GPU시간 이상의 절제 실험에서 작은 규모의 결론이 큰 규모에서 뒤집히는 경우를 보고한다.

해석 메모: 공개 재현은 여전히 최전선과 차이가 있다. 특정 학습 규모에서의 최적화 발견을 다른 규모에 그대로 적용해서는 안 된다.

[원본 PDF p.26](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=26)

#### PDF p.27 — 에이전트 강화학습은 GPU와 함께 CPU·메모리 인프라를 요구한다

긴 에이전트 강화학습에서는 역전파보다 롤아웃 추론과 상태를 유지하는 환경이 큰 비중을 차지한다. MAI-Thinking-1은 GB200 4,864개 중 4,096개를 추론에 쓰며, DeepSeek DSec의 한 배치 단위는 CPU 3만 코어·RAM 250TB로 매일 샌드박스 300만 개를 처리한다.

해석 메모: 샌드박스 약 90%가 요청 CPU의 평균 5% 이하를 써 자원 공유와 유휴 메모리 회수가 중요하다. 수치는 각 공개 시스템의 배치 조건이며 모든 RL 학습의 보편적 비율은 아니다.

[원본 PDF p.27](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=27)

#### PDF p.28 — 모델이 성장하면 훈련 문제와 채점기도 함께 어려워져야 한다

TaskPilot은 실제 저장소의 코딩 문제와 숨은 테스트를 만들고 현재 모델의 시도에 맞춰 난도를 조정한다. FrogNano는 총 1,500개 과제로 Qwen3.5-4B를 훈련해 SWE-bench Verified 검증 세트 61.5%, 미관측 Pro 과제 37.6%를 기록했다.

해석 메모: 환경 생성만큼 검증 정확도가 중요하다. GPT-5.2를 고정한 내부 컴퓨터 사용 평가에서 실패 실행을 합격시킨 비율은 Universal Verifier 1%, WebJudge 7%, WebVoyager 10%였다.

[원본 PDF p.28](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=28)

#### PDF p.29 — 큰 교사·전문 교사·자기 자신에게서 배우는 증류

같은 Qwen3-8B 출발점에서 on-policy 증류는 AIME24 74.4%에 1,800 GPU시간을 사용한 반면 RL은 17,900 GPU시간으로 67.6%에 도달했다. Xiaomi의 전문 교사 결합과 정답 풀이를 받은 고정 자기 복사본의 분포를 따라 배우는 자기증류도 소개한다.

해석 메모: 교사가 학생과 같은 출발점이어도 정답 풀이 등 더 많은 정보를 받으면 훈련 신호를 줄 수 있다. 교사 토큰 확률 자체가 정답 여부 점수인 것은 아니다.

[원본 PDF p.29](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=29)

#### PDF p.30 — 감춰 둔 추론을 저렴한 모델이 풀어낸 API 경계 문제

강한 모델의 암호화된 추론 블록을 같은 공급자의 저렴한 모델에 다시 넣어 평문 추론을 노출시키는 공격이 세 공급자에서 확인됐고 이후 수정됐다. 기존 연구에서 복원 추론을 사용한 7B 학생은 MATH500에서 68.4%에서 76.0%로 높아졌다.

해석 메모: 이 경로가 최근 오픈 모델 성과에 얼마나 기여했는지는 논문이 확립하지 않는다. 차단 이후 공개·비공개 모델 격차가 커질 수 있다는 것은 보고서의 가설이다.

[원본 PDF p.30](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=30)

#### PDF p.31 — 자가 생성 문제로 배우되 데이터 출발점은 구분해야 한다

SPICE는 문서 기반 질문을 스스로 만들며 사후학습해 Qwen3-4B-Base의 11개 추론 평가 평균을 35.8%에서 44.9%로 높였다. 별도의 zero-data self-play는 무작위 가중치에서 프로그램으로 학습하고 충분한 문맥 예시를 받으면 문자열 역순·스택·연상 회상에서 거의 100% exact match를 보인다.

해석 메모: 문서 기반 사후학습과 합성 프로그램 기반 사전학습은 서로 다른 실험이다. 후자의 자연어·DNA 검증 데이터는 초매개변수 선택에 쓰였지만 사전학습 기울기를 제공하지 않았다.

[원본 PDF p.31](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=31)

#### PDF p.32 — 추론 중 가중치를 고쳐 현재 문제의 더 나은 해를 찾는다

TTT-Discover는 gpt-oss-120b를 추론 시점에 갱신하고 좋은 후보를 재사용해 현재 문제의 해를 개선한다. TriMul은 인간 최상위 제출 대비 A100 런타임을 4,531→2,198µs, H100을 1,371→1,161µs로 줄였고 두 수학적 경계를 개선했다.

해석 메모: 목표는 새 과제에 일반화하는 모델이 아니라 해당 문제의 더 좋은 해다. 한 절제 실험에서는 가중치 갱신보다 유망 후보 재사용이 중요했고 일부 문제에서는 선두에 미치지 못했다.

[원본 PDF p.32](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=32)

#### PDF p.33 — 한 궤적에서 배운 경험을 다음 궤적에 남기는 지속학습

Experience Distillation은 문맥 내 학습 이득의 최소 64.8%를 보존해 같은 경험에 직접 SFT한 3.8%보다 높았으며 749개 소프트웨어 과제와 여섯 텍스트 게임에서 RL 기준에 최소 9.6배 적은 환경 상호작용으로 접근했다. Online Experiential Learning과 π*0.6도 경험을 가중치나 기억으로 통합하는 사례다.

해석 메모: 각 결과의 과제·평가 범위는 다르다. π*0.6의 처리량 두 배 이상·실패 약 절반은 특히 어려운 일부 로봇 과제에서의 결과다.

[원본 PDF p.33](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=33)

#### PDF p.34 — 선형 어텐션은 전체 어텐션을 대체하기보다 함께 쓰인다

Qwen은 고정 크기 요약 메모리를 쓰는 선형 층과 개별 토큰에 접근하는 희소 어텐션 층을 조합한다. Qwen3.8-Flash-Next는 전작 학습 FLOPs 약 1/9로 14개 평가 중 8개에서 앞섰고, Kimi Linear는 100만 문맥에서 단일 시퀀스 생성 속도 2.3배를 보고했다.

해석 메모: Qwen의 개선에는 다른 구조·훈련 변경도 포함된다. 선형 어텐션은 요약에서 토큰 정보를 잃을 수 있고, 속도 수치도 문맥과 서빙 조건에 의존한다.

[원본 PDF p.34](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=34)

#### PDF p.35 — 확산식 텍스트 생성으로 GPU를 더 병렬로 활용한다

DiffusionGemma는 256토큰 블록을 먼저 만들고 여러 차례 병렬 수정해 한두 사용자의 전용 GPU 환경에서 최대 4배 빠른 토큰 출력을 보고한다. 메모리에서 가중치를 옮기는 비용이 큰 로컬·소수 사용자 서빙의 병목을 겨냥한다.

해석 메모: 표준 Gemma 4의 응답 품질이 더 높다. 슬라이드의 네 수정 단계는 개념 설명이며 항상 네 번만 실행한다는 뜻이 아니다.

[원본 PDF p.35](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=35)

#### PDF p.36 — 새 에이전트 벤치마크의 관심은 소프트웨어에 집중된다

2025년 10월 이후 도입·개편된 벤치마크 58개 중 인용을 확인한 46개의 Google Scholar 집계에서 소프트웨어가 57%, Terminal-Bench 단독이 45%를 차지했다. 컴퓨터 사용, 기억, 연구, 사업, 의료·보안, 시청각·행동 등 평가 영역은 넓어지고 있다.

해석 메모: 2026년 10월 7일의 선별 표본과 인용 스냅샷이다. 전체 벤치마크 시장이나 실제 연구 투자 비중을 나타내지 않는다.

[원본 PDF p.36](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=36)

- [관련 논문 2601.11868](https://arxiv.org/abs/2601.11868)
- [관련 논문 2604.08523](https://arxiv.org/abs/2604.08523)
- [Context-Bench 소개](https://www.letta.com/blog/context-bench/)
- [관련 논문 2603.08640](https://arxiv.org/abs/2603.08640)
- [관련 논문 2604.06802](https://arxiv.org/abs/2604.06802)
- [Vending-Bench 2 평가](https://andonlabs.com/evals/vending-bench-2)
- [관련 논문 2601.12661](https://arxiv.org/abs/2601.12661)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=13327972421349258055&hl=en)
- [관련 논문 2605.03546](https://arxiv.org/abs/2605.03546)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=16168512028547555679&hl=en)
- [관련 논문 2512.12730](https://arxiv.org/abs/2512.12730)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=16978477793616962138&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=8706647708698437223&hl=en)
- [관련 논문 2605.03596](https://arxiv.org/abs/2605.03596)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=18212137281723111043&hl=en)
- [관련 논문 2606.29537](https://arxiv.org/abs/2606.29537)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=14491501725771611790&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?q=%22Context-Bench%22+Letta)
- [관련 논문 2602.03587](https://arxiv.org/abs/2602.03587)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=6674154132889783539&hl=en)
- [관련 논문 2607.12385](https://arxiv.org/abs/2607.12385)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=17885303337890363375&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=15551143180374381880&hl=en)
- [관련 논문 2602.06855](https://arxiv.org/abs/2602.06855)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=53660410263988452&hl=en)
- [관련 논문 2608.06301](https://arxiv.org/abs/2608.06301)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=4374969053095429634&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=10957923458809592877&hl=en)
- [관련 논문 2605.13950](https://arxiv.org/abs/2605.13950)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=7187254320356034042&hl=en)
- [관련 논문 2608.12593](https://arxiv.org/abs/2608.12593)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=5042679142211183202&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?q=%22Vending-Bench+2%22)
- [관련 논문 2606.18543](https://arxiv.org/abs/2606.18543)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=3542417304590922641&hl=en)
- [관련 논문 2603.07316](https://arxiv.org/abs/2603.07316)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=10987500412206687362&hl=en)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=14671268913661515107&hl=en)
- [관련 논문 2603.04915](https://arxiv.org/abs/2603.04915)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=3301641199461228887&hl=en)
- [관련 논문 2511.16035](https://arxiv.org/abs/2511.16035)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=1922939954010048944&hl=en)
- [관련 논문 2604.19092](https://arxiv.org/abs/2604.19092)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=2575224045284402752&hl=en)
- [관련 논문 2512.13281](https://arxiv.org/abs/2512.13281)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?q=%22VideoASMR-Bench%22)
- [관련 논문 2510.21860](https://arxiv.org/abs/2510.21860)
- [Google Scholar 인용·검색](https://scholar.google.com/scholar?cites=1419921718264872445&hl=en)

#### PDF p.37 — 벤치마크 자체도 점수·환경·채점의 검증이 필요하다

Epoch AI는 초기 15개 벤치마크 검토 중 9개에서 실질적 결함, 4개에서 최소 기준 충족, 2개에서 정보 부족을 판정했다. 보통 50개 무작위 과제를 검토하고 20% 이상 오류나 체계적인 채점 문제, 불공정한 조건과 버전 불일치를 살핀다.

해석 메모: Verified도 제한 없는 신뢰 보증이 아니라 최소 기준 통과와 유의사항을 뜻한다. 정보 부족 판정은 성능이 낮거나 결함이 입증됐다는 뜻이 아니다.

[원본 PDF p.37](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=37)

#### PDF p.38 — 수년을 버틸 평가가 수개월 만에 포화된다

Epoch 독립 실행의 선두 점수는 AIME 100%, GPQA Diamond 95.8%, FrontierMath 1~3 93.7%에 이르렀다. ARC-AGI-2는 11개월에 18.3%에서 95.0%로 높아지고 과제당 비용은 7.14달러에서 1.12달러로 줄었으며 GPT-6.1 Sol은 94.2%를 0.25달러에 기록했다.

해석 메모: GPQA는 문항 오표기 추정 5~10%로 이론상 100%가 유효한 천장이 아닐 수 있다. 포화된 특정 평가가 현실 업무 전체의 해결을 뜻하지는 않는다.

[원본 PDF p.38](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=38)

#### PDF p.39 — 최상위 수학 평가도 짧은 기간에 천장에 닿았다

FrontierMath Tier 4 수정 v2에서 GPT-5의 2025년 8월 22%가 2026년 9월 GPT-6.1 Sol의 비공개 41문항 100%까지 상승했다. Epoch가 추적하는 미해결 연구 문제 49개에서는 AI의 해결 아홉 건을 인정하며 그중 네 건은 사람의 도움 없이 이뤄졌다고 한다.

해석 메모: OpenAI는 FrontierMath에 자금을 지원했고 원래 Tier 4 50개 중 30개에 접근했다. 다른 회사 Opus 5.5도 95%를 기록하지만 오염·자원·문항 버전은 여전히 구분해야 한다.

[원본 PDF p.39](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=39)

#### PDF p.40 — ARC-AGI-3도 모델과 상태 유지 하네스의 조합이 좌우한다

2026년 3월 도입된 상호작용형 ARC-AGI-3에서 초기 프런티어 성능은 약 0.5%였지만 Astra는 9월 표준 ARC Prize 하네스에서 62.7%에 도달했다. 상태를 지속하는 어댑터를 쓰면 99.9%로 높아지고 실행은 3.66배 빨라지며 토큰은 49% 감소했다.

해석 메모: 62.7%와 99.9%는 같은 실행 조건이 아니다. 특정 게임 환경의 상징적 모델링·행동 효율 성과를 사람 수준 범용 지능과 동일시해서는 안 된다.

[원본 PDF p.40](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=40)

#### PDF p.41 — 어려운 평가가 반드시 선두 모델을 잘 구분하지는 않는다

평가의 최고 점수와 1~5위 격차를 비교하면 ARC-AGI-3와 MirrorCode가 각각 55·46점으로 가장 크게 구분한다. 반면 CritPt는 최고가 32%로 어렵지만 상위 세 모델 차이는 0.6점에 불과하다.

해석 메모: 모델 명단이 다른 공개 점수의 점추정 비교다. 순위 격차의 통계적 유의성이나 보편적 변별력을 검정한 결과는 아니다.

[원본 PDF p.41](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=41)

#### PDF p.42 — 긴 코딩 과제의 순위는 과제와 예산에 달려 있다

20시간 소프트웨어 구축을 보는 FrontierSWE에서 Astra는 65.5%·회당 1,030달러, Opus 5.5는 62.3%·99달러였다. 최대 7일·100억 토큰을 허용하는 MirrorCode에서는 숨은 테스트 전체 통과 과제 비율이 Opus 5.5 max 77%, Astra high 47%로 순위가 바뀐다.

해석 메모: 과제·성공 기준·노력 수준·예산이 다르다. 어느 쪽도 모든 코딩 작업의 보편적 순위를 확정하지 않는다.

[원본 PDF p.42](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=42)

#### PDF p.43 — 부분 점수의 고득점과 업무 완주는 크게 다를 수 있다

GPT-5.6 Sol은 97개 FrontierChallenge 과학 작업에서 87.9/100점을 받지만 완주는 20.6%였다. EarthVerse의 요구 항목 정확도 82.1%에 비해 95% 기준을 넘긴 과제는 34.8%, OSWorld 2.0의 Opus 5도 부분 점수 77.7%에 완수율 44.3%였다.

해석 메모: 부분 결과는 유용할 수 있지만 미제출 양식이나 빠진 승인처럼 업무를 끝내지 못하는 실패를 가린다. 과제별 완료 정의가 다른 세 평가를 하나의 평균으로 합치면 안 된다.

[원본 PDF p.43](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=43)

#### PDF p.44 — METR의 시간 지평은 최상위 구간에서 불확실성이 커진다

50% time horizon은 사람 전문가 기준 몇 시간짜리 과제를 모델이 절반의 확률로 완수할지 나타낸다. Opus 4.5 4.9시간, Opus 4.6 12.0시간, 초기 Mythos Preview 17.4시간으로 늘었으나 마지막 추정의 95% 신뢰구간은 8.5~55.1시간이다.

해석 메모: 16시간 초과 과제는 다섯 개뿐이며 METR도 이 구간을 신뢰하기 어렵다고 경고한다. 시간 지평은 에이전트의 실제 무감독 운전 시간이 아니다.

[원본 PDF p.44](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=44)

#### PDF p.45 — 한 시즌 베팅 시뮬레이션에서는 모든 모델이 평균 손실을 냈다

KellyBench는 프리미어리그 2023~24 정보가 순차 공개되는 시장에서 10만 파운드로 예측·베팅·자금 관리를 수행하게 한다. 12개 모델 모두 다섯 시드 평균으로 손실을 봤고 여섯 모델은 최소 한 번 파산했으며 Opus 4.7도 약 9만 6천 파운드로 마쳤다.

해석 메모: 특정 스포츠 시장 시뮬레이션의 결과다. 경제 전반의 예측 능력을 평가하는 것은 아니지만 초장기 적응·리스크 관리의 약점을 드러낸다.

[원본 PDF p.45](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=45)

#### PDF p.46 — 매출 성과가 좋아도 사기 탐지와 경험 학습은 약할 수 있다

E-CommerceBench는 18개 모델이 10만 위안으로 최대 네 상점을 365일 운영하게 한다. GPT-5.6 Sol은 다섯 실행 평균 자산 143만 위안으로 가장 높지만 구매액의 18.48%를 사기 공급자에 지출했고 Opus 4.7은 0.12%였다.

해석 메모: 타오바오·티몰 자료 기반 규칙형 시뮬레이션이다. 18개 중 16개 모델은 반복 구매에서도 가격 협상 개선이 뚜렷하지 않아 수익과 위험·학습을 함께 봐야 한다.

[원본 PDF p.46](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=46)

#### PDF p.47 — 정해진 규칙 실행보다 낯선 규칙을 발견하는 일이 어렵다

DiG-bench는 온라인에 공개되지 않은 텍스트 게임 70개에서 상태와 행동만 보여주고 규칙·승리 조건은 숨긴다. Opus 5는 50개를 풀었지만 최상위 두 난도 20개는 프런티어 모델 전체를 합해도 아홉 개만 해결했다.

해석 메모: Gemini 3.1 Pro는 규칙을 알려주자 전략 지침 없이도 18/70에서 69/70으로 높아졌다. 49개 비공개 문제를 포함한 이 결과는 행동 실행보다 실험을 통한 규칙 발견의 병목을 보여준다.

[원본 PDF p.47](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=47)

#### PDF p.48 — 멀티모달 모델이 연속 상호작용 루프로 진화한다

Thinking Machines의 미리보기는 음성 인식·시각·대화·음성 합성을 별도 파이프라인으로 잇는 대신 약 200ms 미시 턴마다 보고 듣고 말하는 학습된 루프를 제안한다. 끼어들기·동시 발화·침묵·시각 신호를 자연스럽게 처리하며 텍스트 토큰으로 도구와 비동기 추론기를 부를 수 있다.

해석 메모: 미리보기와 개별 제품 사례를 소개하는 슬라이드다. MiniCPM-o 4.5의 9B·RAM 12GB 미만 동작 주장은 해당 엣지 배치 조건에 한정된다.

[원본 PDF p.48](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=48)

#### PDF p.49 — 실시간 생성 영상에서 사용자가 다음 장면을 조종한다

fal의 H3 Max는 MiniMax H3 공개 가중치에 데이터·서빙 엔진·GPU 커널 최적화를 더해 5초 영상을 3초 미만에 생성한다고 보고한다. Director mode는 이전 39프레임과 프롬프트를 이어 받아 연속 구간을 만들고 fal.live에서는 시청자 투표가 다음 구간을 조종한다.

해석 메모: 공식 H3 엔드포인트 대비 약 35배는 공급자가 보고한 처리량이다. 24FPS 재생과 즉시 반응은 다르며 프롬프트 변경이 화면에 나타나기까지 지연이 있다.

[원본 PDF p.49](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=49)

#### PDF p.50 — 세계 모델의 세 가지 용도: 계획·훈련·평가

세계 모델은 행동 뒤의 변화를 예측하고 예측을 반복해 상상 속 궤적을 만든다. 에이전트는 이를 계획 수립, 훈련 경험 생성, 행동 검증에 사용할 수 있으며 이어지는 사례는 생성 세계·표현 학습·운전·로봇 제어를 포괄한다.

해석 메모: 도식은 가능한 용도를 설명하며 다음 슬라이드와 일대일 대응하지 않는다. 영상 생성 능력만으로 행동에 유용한 세계 모델이라고 결론 낼 수 없다.

[원본 PDF p.50](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=50)

#### PDF p.51 — 생성 세계에서 과제를 만들고 평가하며 에이전트를 개선한다

DeepMind는 Genie 3 세계에서 SIMA 2가 행동하게 하고 Gemini가 과제를 제안·채점·피드백하도록 했다. 도시 세계에서 훈련한 뒤 다수 과제에서 100점 기준 25점 이상 개선했고 미관측 자연 세계의 대부분 과제로 개선이 전이됐다.

해석 메모: 2025년 12월의 초기 결과로 내비게이션 중심이다. 같은 Gemini가 훈련 루프와 평가 기준을 제공하므로 독립적인 현실 검증과 구분해야 한다.

[원본 PDF p.51](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=51)

#### PDF p.52 — 여러 사람과 에이전트가 공유하는 학습형 게임 엔진

Odyssey Agora-2는 Diablo II 영상·행동·상태를 학습해 사람 네 명과 AI 에이전트 열여섯 명이 공유하는 시뮬레이션을 만든다. 공통 상태가 화면 밖 위치와 상호작용을 유지하고 별도의 영상 모델이 참가자별 시점을 생성한다.

해석 메모: 상태 예측과 시점 렌더링을 나누는 설계 사례다. 기존 게임 도구와 코딩 에이전트의 모딩·역공학도 병행되는 흐름을 함께 소개한다.

[원본 PDF p.52](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=52)

#### PDF p.53 — 픽셀을 그리지 않는 표현 기반 세계 모델로 계획을 빠르게 한다

Meta V-JEPA 2.1의 시각 표현을 쓰는 내비게이션 세계 모델은 2초 경로 계획을 약 103.2초에서 10.6초로 줄였다. 정제 단계는 128회에서 8회로 감소했고 네 데이터셋의 평균 궤적 오류는 2.98과 3.03으로 비슷했다.

해석 메모: 개방 루프 벤치마크다. 기준 모델도 잠재 공간에서 계획하며, 차이는 표현·예측 대상·샘플링 방식이 함께 바뀐 결과다.

[원본 PDF p.53](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=53)

#### PDF p.54 — Wayve GAIA는 영상 예측에서 운전자 반응형 시뮬레이션으로 이동한다

GAIA-1은 단일 카메라 주행 예측, GAIA-2는 다섯 동기 카메라와 교통·날씨 제어, GAIA-3는 기록된 교통을 유지하며 차량 경로를 바꾸는 기능으로 확장했다. 2026년 8월 GAIA-4는 AI Driver의 결정에 반응하는 카메라·레이더 생성과 개입 장면 재실행을 제시한다.

해석 메모: 서로 다른 세대의 기능 발전을 비교한다. 시뮬레이터 기능이 실제 도로의 안전성과 성능 향상을 자동으로 입증하지는 않는다.

[원본 PDF p.54](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=54)

#### PDF p.55 — 세계 모델의 표현을 운전·조작·휴머노이드·게임에 재사용한다

Odyssey-3는 시각 관측으로 세계 변화를 사전학습하고 관측-행동 쌍으로 제어 디코더를 학습한다. 고정된 백본에 시뮬레이션 운전 자료 20시간을 더한 정책은 실제 자료 학습 정책 대비 안전요원 개입 간 주행거리 77%에 도달했고, GTA 약 2시간 학습 정책의 RDR2 말 타기 전이도 보였다.

해석 메모: 회사 시연·평가의 초기 전이 증거다. 77%는 무개입 성공률이 아니라 기준 정책 대비 개입 간 거리의 비율이며 모든 환경에 대한 무학습 전이가 아니다.

[원본 PDF p.55](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=55)

- [원문 시연 영상 1](https://framerusercontent.com/assets/LN2WjZkdvSe4ojZ3Jzko5smsX8.mp4)
- [원문 시연 영상 2](https://framerusercontent.com/assets/J2EGlzwE6xA1NPIEdgwQypDfz1A.mp4)
- [원문 시연 영상 3](https://framerusercontent.com/assets/MdY3EpXiNetfXpvPnLWtX0UNpgI.mp4)
- [원문 시연 영상 4](https://framerusercontent.com/assets/eU8FWz8rJCNTwlLLSXbtF9XtjuU.mp4)

#### PDF p.56 — 로봇 사전학습 규모가 처음 보는 과제의 일반화를 끌어올린다

Skild S1은 처음 보는 과제에서 영상 예시 한 개·추가 튜닝 없이 사전학습 1천 시간의 약 0%에서 10만 시간의 66% 성공률로 높아졌다. 같은 자료·연산으로 학습한 언어 프롬프트 VLA는 9%였고 Sunday의 빨래 접기에서도 미관측 가정의 성능 격차가 학습 규모와 함께 줄었다.

해석 메모: 보고서의 GPT-2 moment는 비유다. 정해진 미관측 과제와 데이터 분포의 규모 효과를 범용 가정용 로봇 완성으로 확대해서는 안 된다.

[원본 PDF p.56](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=56)

#### PDF p.57 — 로봇 행동 데이터는 세 가지 방식으로 수집된다

원격 조종은 로봇의 관측과 행동을 직접 기록하고, UMI 같은 휴대형 그리퍼는 사람이 움직인 도구의 경로와 벌림을 추적한다. 일인칭 인간 영상은 카메라에서 손·손목 움직임을 추정해 로봇 행동으로 옮기므로 수집 규모와 행동 변환 방식에서 차이가 난다.

[원본 PDF p.57](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=57)

#### PDF p.58 — 불완전한 로봇 데이터도 맥락을 표시하면 학습 신호가 된다

π0.7은 하위 과제 언어·목표 이미지와 속도·품질·실수·제어 방식 메타데이터를 함께 사용해 시범, 실패, 자율 실행과 웹 자료를 구분한다. 빨래 과제에서는 낮은 품질 자료를 메타데이터와 함께 추가하면 처리량이 늘었지만 표시 없이 넣으면 감소했다.

해석 메모: 단순히 자료가 많을수록 좋다는 결과가 아니다. 가장 다양성이 큰 20% 자료를 제거하면 세 미관측 과제의 성공률도 감소해 품질 문맥과 다양성의 역할을 함께 보여준다.

[원본 PDF p.58](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=58)

#### PDF p.59 — 짧은 자유 조작 시범에서 재조합 가능한 로봇 스킬을 배운다

Penn SymSkill은 분절되지 않은 시범에서 재사용할 움직임과 사용 조건을 학습하고 계획기가 이를 새 순서로 조합한다. RoboCasa 단일 단계 12개 과제에서 85% 성공했으며 별도의 실제 Franka는 5분 자유 조작 자료로 최대 12단계 작업을 수행했다.

해석 메모: 85%는 단일 단계 시뮬레이션 평가이고 실제 12단계 과제의 종합 성공률이 아니다. 동작 조합과 교란 복구의 가능성을 보여주는 실험이다.

[원본 PDF p.59](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=59)

#### PDF p.60 — 실행 이력을 보는 계획기가 다음 로봇 행동을 조절한다

느린 추론 계획기와 빠른 운동 정책을 결합하는 구조에서 Gemini ER 2는 실제 VLA 내부 시험 성공률을 ER 1.6의 48.6%에서 60.0%로 높였다. NVIDIA Vesta는 Qwen3-VL 8B 계획기·기억과 GR00T N1.6을 결합해 계수·서랍 탐색·숨은 물체 과제에서 단독 actor보다 38.3%p 개선했다.

해석 메모: Vesta의 실제 로봇 증거는 YAM 한 구성에서 과제당 20회 실행으로 제한된다. 서로 다른 시스템의 향상 수치를 직접 경쟁 순위로 읽으면 안 된다.

[원본 PDF p.60](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=60)

#### PDF p.61 — 긴 기억은 조립 진행률을 높이지만 완주 신뢰성은 낮다

RoboTTT가 GR00T N1.7에 적응형 메모리를 더하자 세 YAM 조립 과제의 진행률이 무기억 42%, Gated DeltaNet 56%에서 79%로 올랐다. 관측을 fast weights에 압축해 훈련 문맥을 8천 시점까지 늘리면서 추론 비용을 일정하게 유지한다.

해석 메모: 5분·10단계 Gear Bot 조립에서 완주는 10회 중 2회였고 기준 모델들은 0회였다. 79%는 완료율이 아니라 과제 진행률이다.

[원본 PDF p.61](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=61)

#### PDF p.62 — 영상에서 만든 시뮬레이터가 실제 로봇 정책의 순위를 예측한다

SimFoundry는 영상에서 깊이·분할·3D 객체와 가동 부위를 복원하고 물리 검사를 거쳐 장면·배치·과제를 변형한다. 일곱 과제에서 여러 정책의 시뮬레이션·실제 점수 평균 상관은 0.911로, 하드웨어 평가 부담을 줄일 가능성을 보였다.

해석 메모: 선별된 탁상 과제이며 수동 보정이 가능하다. 높은 상관은 임의 환경에 대한 현실 대체나 절대 성능 일치를 입증하지 않는다.

[원본 PDF p.62](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=62)

#### PDF p.63 — 샘플 재사용을 안정화해 휴머노이드 훈련을 단축한다

FlashSAC는 큰 네트워크·배치와 적은 업데이트, 배치 정규화·분류 손실로 고차원 몸체의 가치 학습을 안정화한다. A100 한 대에서 가상 Unitree G1 4,096대를 4시간 훈련해 실제 계단으로 추가 튜닝 없이 옮겼으며 PPO의 약 20시간보다 빨랐다.

해석 메모: 전이는 물리 무작위화와 기존 sim-to-real 구성에 기반한다. 60여 과제·열 시뮬레이터 비교의 핵심은 더 빠른 재사용 가능한 학습 레시피다.

[원본 PDF p.63](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=63)

#### PDF p.64 — 손 모양보다 물체에 가할 수 있는 힘을 맞추는 접촉 학습

CHORD는 사람 손·물체 시범에서 위치뿐 아니라 접촉이 지탱할 수 있는 힘과 토크를 보상에 반영한다. 1,831개 시뮬레이션 과제에서 82.1% 성공을 보고하며 접촉 위치만 맞추는 보상보다 기계적 유효성을 높인다.

해석 메모: 사람의 실제 힘을 측정한 것이 아니라 접촉에서 가능한 힘을 비교한다. 실제 Dexmate 제어는 재계획 없이 고정 시범을 따르므로 대규모 성공률은 시뮬레이션 수치다.

[원본 PDF p.64](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=64)

#### PDF p.65 — 범용 모델의 직접 로봇 제어는 기하 추론과 접촉에서 엇갈린다

RoboDojo는 Astra에 카메라 세 개와 그리퍼 이동 도구만 제공해 42개 시뮬레이션 과제에서 평균 28.97로 훈련된 VLA 최고 24.90을 넘겼다. Push T에서는 60% 대 0.7%였지만 튜브 삽입은 0% 대 DM0.5 59%로 접촉 제어가 약했다.

해석 메모: 하드웨어 파손으로 실제 실험을 중단했다. 별도 Robocurve의 유해 요청 시도 비율은 방법론을 공개하지 않은 X 스레드 결과이며 엄밀한 안전 순위로 사용할 수 없다.

[원본 PDF p.65](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=65)

#### PDF p.66 — 코딩 에이전트가 로봇 실험을 병렬로 반복한다

ENPIRE는 장면 초기화·정책 실행·결과 확인·실패 관찰 도구를 검증한 뒤 Codex·Claude Code·Kimi Code가 훈련 코드와 제어 전략을 바꾸게 한다. 핀 삽입에서 에이전트-로봇 여덟 쌍은 약 40분에 높은 성공률에 도달해 한 쌍의 90분 이상보다 빨랐다.

해석 메모: 성공 판정은 최대 여덟 번의 복구 시도를 허용한다. 병렬 로봇은 토큰 비용을 불균형하게 높이고 사람의 초기 설정·도구 검증도 필요하다.

[원본 PDF p.66](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=66)

#### PDF p.67 — 실험실 데이터와 특화 훈련이 재료 분석 성능을 크게 바꾼다

Periodic Labs는 Kimi K2.6에 문헌·코드·실험 자료 중간학습과 XRD 강화학습을 더해 Neon을 만들었다. 어려운 실제 시료 134개에서 성공률이 베이스 모델 2.7%에서 55.3%로 올라 같은 Periodic 하네스의 Astra·Fable 5.1보다 높았다.

해석 메모: 특정 실험실 시료·하네스의 전문 과제 결과다. 전문가와 보정한 LLM 심사자가 훈련 피드백을 주며 범용 과학 능력 순위를 뜻하지 않는다.

[원본 PDF p.67](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=67)

#### PDF p.68 — 수학 연구의 새 결과와 미해결 원문제를 구분해야 한다

보고서는 Astra의 Lean 검증 Erdős 문제 세 건과 외력이 있는 3차원 Navier–Stokes 흐름의 특이점 구성을 소개한다. 1만 에이전트를 88시간 실행했지만 Noam Brown은 다중 에이전트의 기여를 10% 미만으로 보며, 10월 6일에는 미공개 모델의 원고 722편·결과 계열 372개를 일부 Lean 검증과 함께 공개했다고 한다.

해석 메모: 외력이 없는 Navier–Stokes 문제는 미해결이며 Clay의 평가는 진행 중이다. 보고서의 100만 달러 문제라는 제목을 상금 수령이나 원문제 완전 해결로 쓰면 안 된다.

[원본 PDF p.68](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=68)

#### PDF p.69 — 리만 가설 자체가 아니라 관련 증명 하한을 개선했다

보고서는 Claude가 기존 수학을 결합해 제타 함수의 비자명한 영점 중 임계선 위에 있으며 단순한 영점의 증명된 비율 하한을 41.67%에서 67.25%로 높였다고 설명한다. 무한히 많은 영점을 포괄하는 정리의 개선이지 유한 수치 확인이 아니다.

해석 메모: 리만 가설은 여전히 미해결이다. 나머지 영점이 선 밖에 있다는 뜻도, 가설의 67.25%를 해결했다는 뜻도 아니다.

[원본 PDF p.69](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=69)

#### PDF p.70 — 과학 소프트웨어 워크플로 평가가 수주 만에 크게 개선됐다

Terminal-Bench Science 0.1은 데이터 분석·시뮬레이션·영상 처리 등 연구에서 가져온 실행 가능한 70개 과제를 평가한다. 8월 공개 시 Opus 5의 30%에서 현재 Astra 68.1%, Opus 5.5 63.3%로 상승했으며 최대 노력 비용은 과제당 약 23~24달러다.

해석 메모: 완전한 연구 프로젝트가 아니라 소프트웨어 워크플로다. Fable 5.1은 리더보드 40.0%와 Anthropic 실행 52.6%가 달라 평가 조건을 구분해야 한다.

[원본 PDF p.70](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=70)

#### PDF p.71 — 검증 모듈은 조작 결과를 줄이지만 과학 감독을 없애지 않는다

전문가 30명이 50개 대응 주제의 원고 150편을 검토했을 때 Co-Scientist의 결과 무효화 수준 환각은 신뢰성 모듈 포함 4%, 제거 46%, Agent Laboratory 90%였다. 별도 재료 성장 실험에서는 Gemini가 실행 가능한 레시피를 만들고 사람이 시료를 넣어 첫 시도 성공을 검증했다.

해석 메모: 완전 시스템에도 심각한 방법론 실패 24%, 심각한 표절 16%가 남았다. 사람이 실험 제약을 설정하고 결과를 확인한 역할을 생략해서는 안 된다.

[원본 PDF p.71](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=71)

#### PDF p.72 — 실험실 로봇의 완료 선언 절반 가까이는 미완성이었다

Mecka는 시범·추가 훈련 없이 카메라와 로봇 팔을 사용하는 세 모델을 아홉 실험 도구 취급 과제·540회 시도에서 사람이 평가했다. 완료 선언 192건 중 89건은 미완성이었고 어려운 과제의 성공은 Opus의 60회 중 두 번뿐이었다.

해석 메모: 도구 취급 능력 평가이며 자율적인 과학 발견 시험이 아니다. 사람이 검증한 전체 완료율은 Astra 25.6%, Opus 5.5 23.3%, Fable 5.1 12.2%다.

[원본 PDF p.72](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=72)

#### PDF p.73 — 단백질 서열 모델을 구조와 결합 기능으로 연결한다

ESMC는 가려진 아미노산을 예측하며 서열에서 접힘의 근접 관계를 배우고, ESMFold2는 이를 3D 구조와 복합체 예측에 사용한다. Biohub의 조건당 84개 설계 실험에서 탐색·순위 연산 확대는 10개 시험 중 아홉 개의 hit rate를 높였다.

해석 메모: 선별된 PD-L1 binder는 신호 반회복 농도 1.6nM로 대조 2.6nM보다 낮았다. 세포·실험실 기능은 임상적 항암 효능의 입증과 다르다.

[원본 PDF p.73](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=73)

#### PDF p.74 — 단백질과 약물의 결합 구조를 함께 예측한다

IsoDDE와 Pearl은 단백질이 약물 주변에서 형태를 바꾸는 공동 접힘을 예측한다. 2021년 9월까지 PDB로 학습한 IsoDDE는 저유사성 복합체 60개의 최상위 예측 정확도 50.0%로 AlphaFold 3의 23.3%보다 높았고, Pearl은 알려진 구조 템플릿으로 예측을 안내한다.

해석 메모: IsoDDE의 전체 구조·학습 레시피는 상세 공개되지 않았다. Pearl의 회전 등변 확산과 다단계 자료 혼합 설명은 별도 모델의 설계다.

[원본 PDF p.74](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=74)

#### PDF p.75 — 친화도 예측 속도 향상으로 후보 스크리닝을 넓힌다

TerraBind와 Nesso-1은 원자 단위 전체 생성을 생략해 결합 친화도를 빠르게 예측한다. TerraBind는 자사 시험에서 26.6배 빠르고 CASP16·비공개 18개 표적에서 Boltz-2 대비 Pearson 상관이 각각 16%·20% 높았으며 Nesso-1은 H100에서 예측당 약 1.0~2.7초를 보고한다.

해석 메모: 속도 비교는 하드웨어·토큰·pose 수·포함 비용이 다르다. Nesso 수치는 고정 로딩·MSA 비용을 제외하며 분포 밖 일반화 문제는 남는다.

[원본 PDF p.75](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=75)

#### PDF p.76 — 결합 단백질의 서열과 원자 구조를 동시에 생성한다

Latent-X2는 표적·결합 부위·binder 형식을 입력받아 아미노산과 3D 좌표를 함께 생성하며 Latent-Y 에이전트가 연구 목표를 입력으로 바꾸고 실험 후보를 고른다. 항체 형식·표적당 4~24개를 시험해 18개 표적 중 아홉 개에서 binder를 얻었다.

해석 메모: 표적과 binder가 공유하는 문맥은 512잔기다. X2의 전체 데이터 혼합·구조·학습 목적은 공개되지 않았고 실험 hit가 곧 치료제 완성은 아니다.

[원본 PDF p.76](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=76)

#### PDF p.77 — 구조 신뢰도보다 결합 예측을 써서 후보를 고르면 수율이 오른다

BoltzProt-1의 생성 후보를 BoltzPPI로 선별하면 새로운 표적 열 개에서 각 방식 150개 실험 중 확정 binder가 5개에서 12개, 즉 3.3%에서 8.0%로 증가했다. 12개 중 일곱 개는 안정성·원치 않는 결합 등 모든 개발 적합성 검사를 통과했다.

해석 메모: 절대 hit rate는 여전히 낮으며 후속 최적화가 필요하다. 별도 BoltzMol-1의 10개 중 여섯 표적 hit 결과는 표적당 28~51개 소분자 시험에서 나왔다.

[원본 PDF p.77](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=77)

#### PDF p.78 — 설계 항체는 결합 여부와 제조·안정성 조건을 함께 시험한다

Chai-2의 28개 표적·설계 항체 88개 연구에서 86%는 개발 적합성 문제 표시가 최대 하나였고 24개 표적에는 문제가 없는 설계가 적어도 하나 있었다. 시험한 GPCR 여섯 개 모두 binder를 얻었고 두 수용체는 활성화됐다.

해석 메모: Chai-3가 성공률을 두 배로 높였다는 회사 발표는 대응되는 분모가 공개되지 않아 차트는 Chai-2 자료만 사용한다. 실험실 적합성이 임상 성공을 보장하지 않는다.

[원본 PDF p.78](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=78)

#### PDF p.79 — 특정 암 돌연변이를 인식하는 설계 항체의 실험실 증거

Nabla JAM-2는 MHC가 제시하는 세포 내부 단백질 조각을 인식하는 항체를 생성한다. 표적당 약 8만 4천 설계 탐색 뒤 다섯 표적 모두 binder를 찾았고 KRAS G12V 후보는 T세포 연결 시 반최대 세포 사멸 농도 0.07nM로 비교 항체 0.48nM보다 낮았다.

해석 메모: 표적 세포는 펩타이드를 인위적으로 적재했다. 자연 종양의 돌연변이 인식이나 사람에서의 치료 효능은 여기서 입증하지 않았다.

[원본 PDF p.79](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=79)

#### PDF p.80 — 챗봇 정렬 기법을 단백질의 물리적 안정성에 적용한다

ProteinDPO는 자연스러워 보이는 서열보다 실제로 안정적인 서열을 선호하도록 약 66만 안정성 측정·405개 소형 단백질 도메인으로 학습한다. 헤마글루티닌 학습 자료 없이 H5 설계 45개 중 36개가 항체 결합을 유지하며 안정성을 유지·개선했고, 아홉 변이 설계 하나는 용융 온도를 17°C 높였다.

해석 메모: 2024년 균주로 옮긴 +13°C·+32°C 결과도 물리적 단백질 안정성 측정이다. 백신의 임상 효능이나 상온 보관 제품 승인을 의미하지 않는다.

[원본 PDF p.80](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=80)

#### PDF p.81 — 작동하는 파지 게놈 설계와 생물학적 예측은 별개의 능력이다

Evo 1·2를 사용한 ΦX174 설계 285개 중 16개가 살아 있는 대장균 감염 파지를 만들었고 혼합 파지는 배양 대장균의 저항성을 극복하도록 진화했다. 독립 재분석에서 Evo 2 점수의 생존성 구분 AUC는 0.86이었지만 설계는 자연 친척과 크게 다르지 않았다.

해석 메모: 추가 검증에서는 모델이 만든 단일 염기 변화 약 절반이 파지 적합도를 떨어뜨렸으며 표현형 예측은 강하지 않았다. 기능성 게놈 생성이 생물학의 완전한 이해를 뜻하지 않는다.

[원본 PDF p.81](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=81)

### 산업 · PDF p.82–163

#### PDF p.82 — 섹션 2: 산업

연구 섹션을 마치고 산업 섹션으로 넘어가는 구분 페이지다. 다음부터 프런티어 연구소의 매출, 제품 사용, AI 기업 성장, 추론 수요와 인프라·재무 병목을 다룬다.

[원본 PDF p.82](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=82)

#### PDF p.83 — 두 선도 AI 기업의 연율 환산 매출이 1,050억 달러에 도달

보고서에 따르면 OpenAI의 2026년 8월 매출 실행률은 400억 달러, Anthropic의 7월 실행률은 650억 달러로, 합계가 연초 300억 달러에서 1,050억 달러로 늘었다. 두 회사 합산 실행률은 2024년 3.6배, 2025년 4.7배에 이어 2026년 첫 8개월에도 3.5배가 됐다.

해석 메모: 실행률(run rate)은 해당 시점의 매출을 연간으로 환산한 값으로 확정 연간 매출이 아니다. 클라우드 매출의 총액·순액 인식과 파트너 수익 배분·학습비용 포함 여부가 달라 회사 간 매출·마진을 그대로 비교하기 어렵다.

[원본 PDF p.83](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=83)

#### PDF p.84 — AI 매출 규모가 기존 전문 서비스 산업과 겹치기 시작

두 기업의 1,050억 달러 매출 실행률을 TCS·Infosys 합산 매출의 2.1배, 빅4 회계법인 합산 매출의 약 절반, 영국 법률 서비스 매출의 1.6배와 비교한다. 더 넓은 AI 산업 매출 추정치는 Exponential View 2,290억 달러, The Economist 약 1,500억 달러로 집계 범위에 따라 다르다.

해석 메모: 2026년 7~8월 AI 실행률, FY2026 IT 서비스, FY2025 회계, 2024년 영국 법률 매출을 비교한 규모의 비유다. AI가 해당 산업 매출을 대체했다는 뜻이 아니다.

[원본 PDF p.84](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=84)

#### PDF p.85 — Codex 사용 확대와 Anthropic 대형 고객의 증가

OpenAI 공개 수치에서 Codex는 2월 초 주간 사용자 160만 명에서 8월 31일 활성 사용자 2,500만 명으로 약 15배 증가했다. Anthropic은 연간 100만 달러 이상을 지출하는 고객이 1,000곳을 넘었으며, Claude Code 매출 실행률과 대형 계약도 함께 확대되는 모습을 제시한다.

해석 메모: Codex는 6월까지 주간 활성 사용자, 7월부터 단순 활성 사용자라는 다른 표현을 사용한다. 연속된 동일 기준의 시계열로 단정하면 안 되며 수치는 회사·직원 공개 자료다.

[원본 PDF p.85](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=85)

#### PDF p.86 — Ramp 표본의 API 지출은 두 선도 기업에 집중

Ramp에 API 사용을 연결한 기업들의 토큰 지출에서 10월 3일 기준 Anthropic은 52.4%, OpenAI는 43.3%, 나머지 공급자는 4.2%를 차지했다. Anthropic은 9월 말 이 표본에서 지출 비중 선두를 되찾았다.

해석 메모: Ramp에 관측되는 기업의 지출 비중이며 전체 시장 점유율이나 토큰 수·사용자 수의 비중이 아니다.

[원본 PDF p.86](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=86)

#### PDF p.87 — 점유율은 플랫폼·측정 단위에 따라 완전히 달라진다

9월 28일 시작 주간 OpenRouter 텍스트 요청에서 OpenAI·Anthropic 합산 비중은 20.7%였다. 10월 4일 Vercel의 일간 표본에서는 공개 가중치 모델이 토큰의 62.7%를 처리했지만 지출 비중은 26.9%였다.

해석 메모: 고객 표본, 작업 종류, 가격, 기간이 모두 다른 통계다. Ramp 지출 자료와 합쳐 하나의 세계 시장 순위를 만들 수 없다.

[원본 PDF p.87](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=87)

#### PDF p.88 — 리더보드 상위권을 오래 유지하는 일은 어렵다

지난 52주 동안 Anthropic은 Arena에서 51주, Artificial Analysis에서 44주 동안 적어도 하나의 모델을 상위 5개 안에 올렸다. 두 리더보드 모두에서 연간 3분의 1 이상 상위권을 유지한 곳은 Anthropic과 Google DeepMind였고, OpenAI와 xAI는 각각 한쪽에서만 이 기준을 넘었다.

해석 메모: 리더보드마다 평가 방법·참여 모델·출시 시점이 다르며 상위권 체류 기간은 모든 실무의 성능 우위를 뜻하지 않는다.

[원본 PDF p.88](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=88)

#### PDF p.89 — OpenAI의 제품 정리와 Anthropic의 집중 전략

보고서는 2026년에 OpenAI 제품 영역 10개가 종료됐거나 종료 일정이 발표됐다고 정리한다. 타임라인은 DALL·E API, 플러그인, Assistants API, Canvas, Evals, Operator, Pulse, Sora 앱, Agent Builder, Atlas와 함께 남아 있는 ChatGPT·기업 업무·Codex, Anthropic의 Claude·MCP·Code·Cowork를 대비한다.

해석 메모: 이미 종료한 제품과 미래 종료 일정이 발표된 제품을 합산한 수치다. 기능의 다른 제품 통합과 회사 전체의 기술 포기를 같은 의미로 읽으면 안 된다.

[원본 PDF p.89](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=89)

#### PDF p.90 — 대형 연구소가 집중하면서 전문 AI 기업에 공간이 생긴다

생성 영상, 독립 이미지 제품, AI 브라우저, 로보틱스, 과학, 자기 개선 연구, 음악을 표로 나누어 대형 연구소의 관여 수준과 전문 기업들을 비교한다. Runway·Midjourney·Perplexity·Physical Intelligence·Isomorphic·Suno 같은 기업은 각 영역에서 별도의 수요를 공략하며, 특정 연구 가설을 검증한 신생 연구소가 경쟁자나 인수 후보가 될 수 있다는 해석이다.

해석 메모: 각 영역의 기업 목록은 사례이며 시장 전체를 망라하지 않는다. 한 회사의 제품 종료를 다른 회사의 상업적 성공으로 곧바로 연결하지 않는다.

[원본 PDF p.90](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=90)

#### PDF p.91 — DeepMind 출신 인재가 경쟁 연구소 생태계로 이동

Dealroom 기반 이동 행렬에서 Google DeepMind 출신의 이후 경쟁사 합류 사례는 139명, OpenAI 출신은 72명으로 집계됐다. DeepMind 출신은 OpenAI 55명, Anthropic 34명 등으로 퍼졌고, 공개 관심이 OpenAI의 임원 퇴사에 쏠린 것과 실제 관측 이동 규모가 다름을 보여준다.

해석 메모: 행에 있는 회사에서 일한 사람이 이후 열에 있는 회사로 간 경우로, 중간 경유 이직도 포함한다. 현직원 대비 퇴사율이나 전 직원의 완전한 이동 통계가 아니다.

[원본 PDF p.91](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=91)

#### PDF p.92 — 생성 대신 분류에 집중한 Jev의 초기 채택

TypeSafe의 Jev는 사전 정의된 선택지의 확률을 한 번의 병렬 추론으로 계산하며, 회사는 70~500ms 응답과 입력 100만 토큰당 0.042달러를 제시한다. OpenRouter 분류 요청의 주간 비중은 출시 10일 안에 27%에 도달했고, Vercel은 유료 AI Gateway 팀 약 13%가 첫 24시간 안에 사용했다고 전했다. 보고서는 출시 7일 뒤 연율 환산 매출 1억 달러라는 보도도 소개한다.

해석 메모: 분류라는 한 범주의 초기 채택이며 전체 모델 사용량·매출 점유율이 아니다. 무료 출력은 초기 접근 기간 조건이고 속도·매출은 회사 주장 또는 보도 수치다.

[원본 PDF p.92](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=92)

#### PDF p.93 — AI 기업의 성장은 첫 1억 달러 이후에도 이어진다

Legora와 Sierra는 1억 달러 도달 뒤 약 6개월 만에 두 배가 됐고, Harvey는 4억 달러, Lovable은 6억 달러, Cursor는 보도 기준 40억 달러 이상으로 확장했다. 그래프는 첫 1억 달러까지 걸린 시간과 이후 매출의 궤적을 나란히 보여준다.

해석 메모: 시간의 출발점이 출시·첫 매출·100만 달러 ARR·설립으로 서로 다르고, 매출·ARR 등 지표도 다르다. Cursor 선은 10억 달러까지만 그려져 있으며 이후 수치는 별도 보도다.

[원본 PDF p.93](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=93)

#### PDF p.94 — 상위 성장 기업에서 AI 네이티브의 차이가 크게 나타난다

Standard Metrics의 2026년 2분기 예비 자료에서 연율 환산 매출 100만~2,000만 달러 기업의 성장률 75백분위는 AI 네이티브 256%, 기존 소프트웨어에 AI를 더한 기업 90%였다. 2,000만 달러 초과 구간은 각각 172%, 53%로, 상위 성장 기업에서 약 3배의 격차가 관측된다.

해석 메모: 평균이나 중앙값이 아닌 75백분위이며 비상장 기업 표본의 관측 비교다. AI 도입의 인과 효과를 추정한 실험이 아니다.

[원본 PDF p.94](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=94)

#### PDF p.95 — 신생 기업과 SMB 고객군에서 AI 네이티브의 성장 우위

성장률 75백분위는 2020년 이후 설립 기업에서 AI 네이티브 487% 대 AI 추가형 199%, SMB·중견 고객 중심 기업에서 303% 대 82%였다. 2025년 1분기 기업 고객 중심 상위 성장 사분위에 있던 기업 중 1년 후에도 남은 비율은 AI 네이티브 42%, AI 추가형 23%, 비AI 28%였다.

해석 메모: 왼쪽 분석은 연율 환산 매출 100만 달러 이상 기업의 2025년 3분기~2026년 2분기를 합친 표본이다. 창업 연도·고객군·성장 구간의 차이를 고려해야 한다.

[원본 PDF p.95](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=95)

#### PDF p.96 — AI 지출의 상위 1%와 보통 기업 사이에는 큰 격차가 있다

2026년 8월 Ramp 표본에서 상위 1% 기업군의 직원당 월 AI 지출 중앙값은 7,205달러로 전체 중앙값 12.50달러의 약 580배였고, 상위 10% 기업군은 676달러였다. 별도 Ramp 분석에서는 고객 1%가 관측된 OpenAI·Anthropic 지출 약 80%를 차지했다.

해석 메모: 각 패널은 서로 다른 세로축을 사용한다. 직원당 지출의 기업 분포와 고객별 총지출 집중도는 서로 다른 분석이며 Ramp 표본 밖 전체 경제로 일반화할 수 없다.

[원본 PDF p.96](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=96)

#### PDF p.97 — Claude 일반 채팅에서도 중요한 업무와 사람의 통제가 공존

Stanford SALT Lab은 2026년 봄 2주간 Claude.ai 소비자 대화 249,834건을 개인정보 보호 분석 파이프라인으로 조사했다. 중요도를 분류한 대화 중 56%가 중대한 업무 또는 고위험 업무였고 12%는 고위험이었으며, 판단 가능한 대화의 72%에서는 사람이 작업을 주도했다. 마찰은 전체 대화의 50%에서 나타났고 그중 79%에서 사용자가 복구를 시도했다.

해석 메모: Claude Code·Cowork를 제외한 채팅 표본이다. 중요도·주도권마다 분류 가능한 표본의 분모가 다르며, 고위험 작업은 출력의 그대로 사용 비율도 13%로 일시적 작업의 21%보다 낮았다.

[원본 PDF p.97](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=97)

#### PDF p.98 — 연구소 내부와 외부의 에이전트 활용 격차

최근 28일 Codex 사용 비율은 활동 중인 OpenAI 직원 97.9%, 조직 ChatGPT 사용자 17.3%, 개인 사용자 0.7%였다. 개인 Codex 사용자 중 추정 8시간 이상 작업을 적어도 한 번 맡긴 비율은 2025년 12월 2.1%에서 2026년 5월 25.6%로 상승했다. 별도의 S&P 500 공시 조사에서는 69%가 실제 AI 배포를 보고했지만 시간에 따라 추적한 지표를 공개한 기업은 2%였다.

해석 메모: 작업의 8시간은 추정 복잡도이며 사람이 실제로 절약한 시간이나 성공적인 완료 시간과 같지 않다. S&P 500 공시 연구는 Codex 채택 자료와 별개다.

[원본 PDF p.98](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=98)

#### PDF p.99 — 비개발자의 Codex 사용이 낮은 출발점에서 빠르게 증가

2025년 8월~2026년 6월 주간 비개발자 사용자는 개인 사용자군에서 137배, 조직 사용자군에서 189배, OpenAI 내부에서 12배 늘었다. 모든 집단에서 비개발자 증가 속도가 개발자보다 빨랐으며, 이미 높은 내부 활용도와 외부의 교육·인지도 개선이 성장률 차이에 영향을 줄 수 있다.

해석 메모: 급증률은 출발점 규모의 영향을 받는다. 비개발자가 절대 사용량에서도 개발자를 앞섰다는 뜻은 아니다.

[원본 PDF p.99](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=99)

#### PDF p.100 — 법무·영업·채용·마케팅으로 코딩 에이전트가 확산

2026년 2월 이후 기업 Codex 주간 사용자는 법무 108배, 영업·채용 각 41배, 마케팅 26배, 엔지니어링 5배 증가했다. 다만 6월 평균 조직 엔지니어의 ChatGPT·Codex 합산 출력 토큰 중 Codex 비중은 26.8%였고 법무 사용자는 1.9%여서 실제 사용 깊이는 여전히 소프트웨어 업무에 집중됐다. Anthropic도 관리·영업·법무가 Claude Code의 빠른 성장 직군이라고 보고했다.

해석 메모: 비개발 직군은 거의 0에 가까운 기준점에서 출발했다. 성장 배수와 실제 사용량·작업 완성도를 구분해야 한다.

[원본 PDF p.100](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=100)

#### PDF p.101 — VC 투자 기업의 직원당 AI 지출은 다른 기업의 약 10배

Ramp 표본에서 2023년 9월 직원당 월 AI 지출 중앙값은 VC 투자 기업 3.40달러, 다른 기업 2.13달러로 비슷했다. 2026년 8월에는 VC 투자 기업이 81.20달러로 약 24배 늘어난 반면, 다른 기업은 약 3.9배 늘어난 8.33달러로 격차가 약 10배가 됐다.

해석 메모: VC 투자 여부와 AI 지출의 상관관계이며 AI 지출이 투자 유치나 기업 성과를 만들었다는 인과 분석은 아니다.

[원본 PDF p.101](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=101)

#### PDF p.102 — 구조화된 회계 문제와 실제 금융 업무 사이의 성능 차이

Claude Opus 5는 Mercor의 구조화된 회계 과제 4종을 합친 AI 시도 20회에서 100%를 기록했지만, 올바른 엑셀 파일과 적절한 제출을 요구하는 ATLAS-Finance의 모의 은행 업무 100개에서는 12.3%만 통과했다. 한 실패 사례는 잘못된 재무 가정으로 스스로를 검증해 자체 점검 13개를 모두 통과한 경우였다.

해석 메모: 두 평가는 과제·채점 방식이 다르다. 회계사 12명은 동료·고객·회사 맥락 없이 3시간 제한으로 일했고, ATLAS에는 점수가 있는 인간 기준선이나 오차 막대가 없다.

[원본 PDF p.102](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=102)

#### PDF p.103 — Cursor 토큰 사용량과 매출 성장률 사이의 상관관계

BCG는 최근 12개월 매출 5억 달러 초과인 상장 기술 기업 107곳을 2025년 4월~2026년 3월 Cursor 월 토큰 사용량에 따라 다섯 집단으로 나눴다. 매출 전년 대비 성장률 중앙값은 사용량 집단이 높아질수록 증가했고 최상위 집단은 최하위보다 약 3배 높았으며, 가장 큰 상승 구간은 세 번째에서 네 번째 집단이었다.

해석 메모: 대형 기술 기업의 관측 상관관계다. AI 사용이 성장의 원인이라는 결론이나 모든 업종의 수익률로 일반화할 수 없다.

[원본 PDF p.103](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=103)

#### PDF p.104 — AI를 많이 지출하는 기업은 채용도 빨랐지만 업종에 따라 달랐다

Ramp는 미국 기업 21,559곳의 결제 자료와 Revelio 인원 기록을 연결했다. 직원당 월 33.67달러를 쓰는 상위 3분의 1 집단은 2년간 총인원이 10.2%, 초급 인력이 약 12% 늘었고, 저사용 집단은 대조군과 뚜렷하게 분리되지 않았다. 과학 직군은 두 집단이 모두 늘다가 24개월에 수렴했으며, 거의 모든 채용 증가 효과는 기술 기업에 집중됐다.

해석 메모: 기업의 AI 지출과 인원 증가를 연결한 관측 분석이다. AI가 초급 일자리를 늘린다는 업종 공통의 인과 효과를 입증하지 않는다.

[원본 PDF p.104](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=104)

#### PDF p.105 — 주니어의 진입 기회와 학습을 따로 살펴야 한다

Anthropic의 노동 자료에는 2022년 말 이후 AI 노출 직업의 실업 증가가 뚜렷하지 않지만, 22~25세의 해당 직업 진입 채용이 둔화한 초기 신호가 있다. 개발자 52명이 Trio를 학습한 별도 실험에서는 AI 없이 치른 14문항 이해도 퀴즈 점수가 AI 사용 학습군 50%, 비사용군 67%였다.

해석 메모: 채용 둔화의 원인은 확정되지 않았다. 퀴즈는 두 코딩 과제 직후의 이해·디버깅을 측정했으며 장기 역량 상실을 증명하지 않고, 속도 개선도 통계적으로 유의하지 않았다.

[원본 PDF p.105](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=105)

#### PDF p.106 — 정답 제공과 좋은 AI 교사는 다르다

시에라리온 12개 학교의 48개 교실에서 학생 1,763명을 교사 주도 Gemini 활동과 일반 수업에 무작위 배정한 시험에서 8주 후 수학 성적은 0.258 표준편차 향상됐다. TutorMoments·MathTutorBench는 일반 비서의 정답 제공 능력과 학습자가 스스로 생각하게 하는 교수 행동을 구분해야 한다고 제안한다.

해석 메모: 효과의 95% 신뢰구간은 0.027~0.488이었다. 구조화된 교사 주도 프로그램의 효과이며 자유로운 챗봇 사용이나 장기 학습 효과를 측정한 것이 아니다.

[원본 PDF p.106](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=106)

#### PDF p.107 — AI 인프라 일자리 증가와 사무 직군의 엇갈린 고용

The Economist는 미국의 광범위한 채용 추세 대비 인프라에서 32만 개, AI 관련 전문직에서 73만 개의 추가 일자리를 추정한다. 2023년 5월~2025년 5월 고용은 데이터 과학자 37%, 금융 분석가·법률 보조 각 11% 늘었으나 데이터 입력원은 18%, 고객 서비스·장부 직원은 각 9% 줄었다.

해석 메모: 추세 대비 추정치와 직군별 관측 고용 변화는 서로 다른 지표다. 각각의 증가·감소가 모두 AI 때문에 발생했다고 증명하는 자료는 아니다.

[원본 PDF p.107](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=107)

#### PDF p.108 — 기업용 에이전트가 촉발한 소프트웨어 주가 불안과 회복

Claude Cowork와 법무·마케팅·금융 플러그인은 좌석 기반 SaaS 가격에 대한 우려를 키웠고, 보고서는 2월 초 약 2,850억 달러의 소프트웨어 시가총액 감소와 전고점 대비 소프트웨어·서비스 지수 26% 하락을 소개한다. XSW는 4월 저점에서 8월 고점까지 55% 반등했고 9월 11일에는 저점 대비 44% 상승 상태였다.

해석 메모: 제품 출시와 시장 움직임의 시간상 관계를 보여준다. 주가 하락 전부를 Cowork 하나의 인과 효과로 돌리거나 이후 반등을 SaaS의 경쟁 위험 해소로 해석하면 안 된다.

[원본 PDF p.108](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=108)

#### PDF p.109 — AI 연구소가 사모펀드와 배포 서비스 회사를 세우다

2026년 5월 두 연구소는 사모펀드 포트폴리오 기업들의 도입을 지원할 별도 서비스 회사를 만들었다. Anthropic의 Ode는 약 15억 달러 약정 자본을 확보했고 OpenAI의 DeployCo는 100억 달러 투자 전 가치에서 40억 달러 이상을 조달했으며, 각각 Fractional AI·Tomoro 인수를 기반으로 삼았다. OpenAI 투자자에게 최소 연 17.5% 수익과 제한된 상방이 주어진다는 보도는 지분보다 신용 상품에 가까운 구조를 시사한다.

해석 메모: 약정 자본과 실제 조달액을 구분해야 한다. 보장 수익 조건은 보도 기준이며 모회사 스택에 묶인 배포 모델이라는 사업 제약도 있다.

[원본 PDF p.109](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=109)

#### PDF p.110 — 동일한 성능을 얻는 AI 비용이 빠르게 하락

Epoch AI는 일정한 벤치마크 성능을 얻는 가격이 분기마다 약 47% 하락하고 연간 약 13배 저렴해졌다고 추정한다. 보고서는 주요 기술 패러다임의 비용 곡선과 비교해 DNA 시퀀싱 이후 매우 빠른 비용 감소로 소개한다.

해석 메모: 일정 성능을 얻는 평가상의 비용 하락이며 모든 모델의 명목 토큰 가격이나 실제 기업의 총 AI 지출이 같은 속도로 내려간다는 뜻은 아니다.

[원본 PDF p.110](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=110)

#### PDF p.111 — 토큰 단가보다 작업 하나를 끝내는 비용이 중요하다

Artificial Analysis는 입력·캐시·추론·답변 토큰의 실제 소비와 각각의 가격을 합쳐 평가 작업당 비용을 계산한다. 보고서의 비교에서 Anthropic의 최전선 모델들은 측정된 작업당 비용이 가장 높았으며, 추론 과정의 토큰 소비까지 포함하면 낮은 토큰 단가가 반드시 싼 결과물을 뜻하지 않는다.

해석 메모: 특정 평가 묶음과 가격 조건에 따른 비용이다. 성능 차이·실제 완료율·업무별 인간 검토 비용까지 포함한 보편적인 제품 가격 순위가 아니다.

[원본 PDF p.111](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=111)

#### PDF p.112 — 평가 점수 대비 작업 비용도 공급자마다 큰 차이

2026년 10월 2일 AA Index v4.3.2에서 공급자별 조건을 충족하는 최고 지수 모델을 골랐을 때 달러당 점수는 8.4~57.6으로 6.9배 차이가 났다. 차이는 모델 점수뿐 아니라 토큰 소비, 추론 강도, 가격의 결합으로 생긴다.

해석 메모: 원래 13곳 중 비용이 없는 Inkling을 뺀 12곳 비교이며 Flash·경량·fallback 모델을 제외한다. Anthropic은 AA가 이미 대체됐다고 표시한 Opus 5를 사용했고, 지수 점수/달러는 실제 업무 수익률과 다르다.

[원본 PDF p.112](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=112)

#### PDF p.113 — 채팅 도구에서 검토 가능한 업무 결과물을 파는 사업으로

보고서는 채팅→코딩→에이전트→공동 업무→자율 AI라는 제품 단계를 제안한다. 각각 실행 가능한 코드, 장기 계획과 오류 복구, 전문가가 다시 만들지 않고 검토할 결과물, 스스로 정확성을 판단하는 능력이 추가로 필요하다. 과금도 무료·구독·API에서 완료된 작업 단위로 이동할 수 있다는 사업 가설이다.

해석 메모: 필연적으로 모든 기업이 따르는 성숙도 법칙이 아니라 보고서의 개념적 프레임이다. 특히 완전 자율 단계의 신뢰성 요구가 이미 충족됐다는 뜻이 아니다.

[원본 PDF p.113](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=113)

#### PDF p.114 — 특화 기업이 공개 모델을 후학습해 자기 분야 성능을 높인다

Harvey는 후학습한 GLM-5.2가 Sonnet 5보다 검토 셀당 비용을 54.8% 줄였고 자체 법률 답변 품질은 0.903으로 Fable 5의 0.867보다 높았다고 보고한다. Mercor는 전문가 과제 1,928개로 Qwen3.5를 후학습해 별도 APEX-Agents 480개 과제의 Pass@1을 16.11%에서 27.29%로 높였다. Cursor는 Kimi K2.5 기반 모델의 합성 RL 과제를 Composer 2 대비 25배 늘린 사례로 소개된다.

해석 메모: 회사별 특정 도메인·평가·비용 조건의 결과다. 범용 성능에서 최전선 모델을 앞섰다는 주장으로 확대할 수 없다.

[원본 PDF p.114](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=114)

#### PDF p.115 — 제품 현장의 실패 기록이 AI 개선 순환을 만든다

실제 업무 실행→피드백 수집→재현 가능한 평가 구축→개선과 검증의 순환을 제안한다. 실패한 작업의 맥락·도구 호출·전문가 수정·재시도 기록으로 원인을 찾고, 메모리·도구·라우팅·모델 가중치 중 필요한 부분을 바꾼다. 독점 데이터와 품질·지연·비용 개선이 모델 통제의 비용을 정당화할 때 후학습을 선택한다.

해석 메모: 모든 문제를 모델 학습으로 해결한다는 주장이 아니라 시스템의 어느 층이 실패했는지 진단하는 운영 방법이다.

[원본 PDF p.115](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=115)

#### PDF p.116 — 고객 지원 에이전트를 만드는 일도 에이전트가 맡기 시작

Sierra·Decagon·PolyAI 등은 고객의 절차와 대화를 읽고 에이전트를 만들거나 실패를 진단하고 수정안을 시험하는 제품을 제시한다. PolyAI는 고객이 배포한 수정 중 Wren 사용 비중이 7월 중순 52%에서 9월 하순 87%로 늘었다고 했고, Decagon은 자체 진단 평가에서 Autopilot 93% 대 인증 직원 83%, 음성 출시당 엔지니어 시간 절반 이하와 출시 기간 약 37% 단축을 보고했다.

해석 메모: 벤더가 보고한 사용·평가 수치이며 수정안은 사람의 승인을 거친다. 독립적인 전체 업무 대체율이나 일반 고객 지원 품질 개선율과 다르다.

[원본 PDF p.116](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=116)

#### PDF p.117 — 완성 답변보다 실행 흔적과 현장 기록의 가치가 커진다

OpenAI·Thrive의 세무 에이전트는 전문가가 수정한 실행 기록을 재사용해 정확도 75% 이상인 제출 문서 비율을 6주간 25%에서 86%로 높였다. micro1은 기업의 절차·기록 라이선스에 10만~100만 달러 이상, Mercor는 일부 기업 데이터 계약에 1,000만 달러 이상을 지불할 수 있다고 말한다. 행동 흔적은 판단과 수정을, 현장 기록은 공개 자료가 적은 도메인 맥락을 제공한다.

해석 메모: 계약 금액은 중개 기업의 주장이다. 세무 성과의 75%는 성공으로 분류하는 정확도 문턱이며 모든 문서가 완전히 정확해졌다는 뜻이 아니다.

[원본 PDF p.117](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=117)

#### PDF p.118 — AI를 가르치는 데이터·평가 산업도 대규모 매출을 만든다

보고서는 Mercor 20억 달러(2026년 6월), Handshake AI 약 10억 달러(4월), micro1 5억 달러 초과(9월)의 연율 환산 매출과 Surge AI 12억 달러(FY2024), Scale AI 10억 달러 미만(FY2025)의 연간 매출을 제시한다. 모델 출시가 새로운 평가·환경과 약점을 만들고, 연구소가 이를 메울 전문 데이터와 환경을 사는 순환이 수요를 이끈다.

해석 메모: Mercor·Handshake는 총액 기준 연율 환산치이고 회사마다 집계 기간·범위가 다르다. 같은 회계연도의 순매출 순위로 읽으면 안 된다.

[원본 PDF p.118](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=118)

#### PDF p.119 — AI 신약 개발은 임상 3상에 진입했지만 임상 우월성은 아직

Generate:Biomedicines의 천식 항체 GB-0895와 Insilico의 폐섬유증 치료 후보 rentosertib가 3상에 들어갔으며 주요 완료 예상 시점은 2028~2029년이다. Enveda의 ENV-294, Recursion의 REC-4881, Iambic의 IAM1363도 소개하면서 표적 선택·화합물 생성·영상 선별·구조 예측처럼 AI가 실제로 한 역할을 구분한다.

해석 메모: 초기 소규모 결과에는 위약군 없는 n=9·n=12 연구 등이 포함된다. 발견 과정의 속도가 임상 성공률 증가나 승인 의약품의 효과로 입증된 것은 아니며, 대부분 상태는 9월 19일·시험 일정은 9월 24일 확인, Enveda는 10월 7일 회사 확인이다.

[원본 PDF p.119](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=119)

#### PDF p.120 — Meta Muse가 개인 에이전트·상거래·기업 시장을 연결

Muse는 사용자별 지속적인 클라우드 컴퓨터를 제공해 여러 앱에서 목표를 수행하며, 보고서는 출시 2주 다운로드 280만 건과 미국 앱 순위 1위를 전한다. Stripe Link의 100만 곳 이상 가맹점과 Shopify·Walmart·PayPal 등 결제 협력, 기업용 API·코딩 도구·업무 에이전트를 연결해 수익화하려는 구상이다. Muse Charm 기기와 AI 안경 연계도 예고된다.

해석 메모: 초기 다운로드·앱 순위는 지속 사용자나 유료 수익과 다르다. 기업용 판매·직접 컴퓨트 판매와 기기 연계는 출시·검토·예고 단계를 구분해야 한다.

[원본 PDF p.120](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=120)

#### PDF p.121 — AI 쇼핑 유입은 작지만 구매에 가까운 고객을 보낸다

Similarweb은 AI의 쇼핑몰 추천 유입이 연간 203% 늘었지만 전자상거래 방문의 0.4%라고 집계한다. Shopify의 2026년 2분기 AI 추천 상품 페이지 방문자는 자연 검색 방문자보다 약 80% 높은 전환율을 보였고, Profound는 ChatGPT의 브랜드 언급 후 7일간 예측 기준선보다 38% 많은 사이트 방문을 관측했다. Adobe의 미국 유통 표본도 AI 유입의 상대 전환율 개선을 보여준다.

해석 메모: 각 플랫폼의 표본과 비교 기준이 다르다. 높은 전환율은 이미 구매 의도가 강한 사용자의 선택 효과를 포함할 수 있으며 AI 언급이 방문·매출을 유발했다는 실험은 아니다.

[원본 PDF p.121](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=121)

#### PDF p.122 — 클라우드 계약 잔고와 네오클라우드 매출이 함께 증가

주요 클라우드 기업의 계약된 미래 매출 잔고는 2026년 6월 1조 6,900억 달러에 이르렀고, CoreWeave의 분기 매출은 25억 8,000만 달러였다. 그래프는 기존 클라우드의 누적 계약과 신규 AI 클라우드의 출시·전환 후 분기 매출 경로를 비교한다.

해석 메모: 잔고에는 비AI 사업도 들어가며 아직 실현되지 않은 미래 매출이다. Alphabet은 2026년 더 짧은 계약도 포함하기 시작했으므로 전후 집계 기준과 매출 인식 시차를 고려해야 한다.

[원본 PDF p.122](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=122)

#### PDF p.123 — 계약된 15GW 이상과 실제 가동 컴퓨트 사이에는 시차가 있다

2026년 2분기 네오클라우드들은 AI 컴퓨트 15GW 이상을 계약했으나 부지·인허가·건설·전력 연결·장비 설치를 거쳐야 사용할 수 있다. CoreWeave는 계약 4.2GW 중 1.5GW가 가동 중이었고 2030년 8GW 초과를 목표로 했다. 보고서의 단기 용량 거래 가격은 MW당 약 4,000만~5,000만 달러로 다년 계약 2,000만~2,500만 달러보다 높다.

해석 메모: 계약·건설·가동·장기 목표를 합치면 안 된다. MW당 거래 수치는 계약 기간과 범위가 붙는 용량 거래의 비교이며 GPU 시간당 가격과 다르다.

[원본 PDF p.123](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=123)

#### PDF p.124 — 가상화폐 채굴 기업도 전력·부지 기반으로 AI 사업 전환

채굴 기업의 AI 용량은 5.6GW 계약 대비 약 900MW만 가동 중이다. Applied Digital·Core Scientific은 합계 2.5GW 계약으로 앞서지만 약 25%만 가동하며, 기존 채굴 부지의 계통 접속·땅을 활용한 신축과 일부 기존 시설 전환이 진행된다. 주요 임차인은 CoreWeave·Fluidstack·AWS·Microsoft 등 소수에 집중된다.

해석 메모: 자료는 2026년 2분기 기준이며 기존 비트코인 설비가 그대로 AI 데이터센터로 전환되는 것은 아니다. 계약 상대의 집중과 신규 건설 기간을 함께 봐야 한다.

[원본 PDF p.124](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=124)

#### PDF p.125 — AI가 설비투자의 다수를 차지하고 연 1조 달러 예측이 등장

Exponential View는 7개 클라우드 기업의 2026년 계획 설비투자 8,790억 달러 중 AI 몫을 약 5,630억 달러, 64%로 추정한다. 별도 Bloomberg 컨센서스에서는 5대 하이퍼스케일러의 총 설비투자가 2027~2030년 매년 1조 달러를 넘는다.

해석 메모: AI 비중은 모델 추정치이고 7개사에는 CoreWeave·Nebius가 추가된다. 5개사의 미래 총 설비투자 예측과 범위가 달라 하나의 연속된 AI 전용 지출 시계열로 합칠 수 없다.

[원본 PDF p.125](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=125)

#### PDF p.126 — 칩 기업의 보증과 하이퍼스케일러 자본 조달이 건설을 뒷받침

NVIDIA는 OpenAI·SB Energy 관련 특정 임대·전력 지급에 최대 1,050억 달러 보증을, Broadcom은 Apollo·Blackstone의 350억 달러 금융 조달에 최대 290억 달러 임대 손실 지원 노출을 제시했다. NVIDIA의 6개 금융기관 협력은 5,000억 달러 초과 조달 목표와 일부 거래별 최대 25% 잔존가치 지원을 포함한다. Alphabet은 6월 순액 496억 달러를 조달했고 여기에는 Berkshire 100억 달러가 포함됐다.

해석 메모: 조달 목표·약정·최대 보증 노출은 집행 현금이나 확정 손실이 아니다. 채무불이행 때 회수 자산 가치를 뺀 부족분 등 보증마다 발동 조건이 다르다.

[원본 PDF p.126](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=126)

#### PDF p.127 — 데이터센터의 잔존가치 보증이 반도체 기업으로 확산

잔존가치 보증은 데이터센터·칩의 미래 최소 매각 가치를 대주에게 약속하며, 자산은 별도 SPV가 보유한다. 보고서는 12개월 미만에 나온 4개 보증의 최대 노출을 Meta 410억 달러, Broadcom 290억 달러, NVIDIA 1,050억 달러로 합계 1,750억 달러라고 정리한다. 이런 지원 덕분에 보증 기업 회사채보다 100~150bp 높은 수준에서 차입할 수 있었다.

해석 메모: 최대 우발 노출은 현재의 현금 지출·손실·회계 부채와 다르다. NVIDIA의 Ohio 임대 보증은 2028년 임대 개시와 연동돼 기록 시점도 차이가 있다.

[원본 PDF p.127](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=127)

#### PDF p.128 — 장부 밖 미래 약정은 3조 달러를 넘지만 모두 차입금은 아니다

Morgan Stanley는 7개 하이퍼스케일러·칩 기업의 재무상태표 밖 약정·신용 지원을 3조 달러 이상으로 집계한다. Google은 8,900억 달러 중 구매 약정 7,070억 달러가 크고, Microsoft·Oracle은 임대 비중이 높다. S&P는 2027년 조정 부채/EBITDA를 Amazon 1.6배, Oracle 4.4배로 예상하며 각각의 등급 하향 문턱은 1.5배·4.5배다.

해석 메모: 대부분은 아직 열지 않은 데이터센터의 구매·임대 등 미래 지급 약정으로, 기존 차입금과 동일하지 않다. S&P는 스트레스 상황의 자산 매각 가치 초과 보증분만 부채에 더한다.

[원본 PDF p.128](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=128)

#### PDF p.129 — GPU 대여 가격은 저점에서 평균 30% 반등

보고서가 추적한 GPU 10종의 온디맨드 대여 가격 저점은 2024년 3분기~2026년 1분기에 분포하며 다수는 2025년 3분기였다. 이후 상승률은 A100 7%부터 MI300X 60%까지, 평균 약 30%였고 9년 된 V100도 2025년 9월 대비 43% 올랐다.

해석 메모: 각 GPU의 서로 다른 저점 대비 가격 상승이다. 3종은 관측 첫 달이 저점이어서 데이터 관측 전 하락 여부를 알 수 없고 실거래·가동률을 보여주지는 않는다.

[원본 PDF p.129](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=129)

#### PDF p.130 — 오래된 GPU도 대여되지만 이것만으로 감가상각을 결정할 수 없다

2026년 9월 게시 대여 요금 중앙값은 출시 6년 이상 된 A100 시간당 1.76달러, 9년 이상 된 V100 0.95달러였다. 새 세대가 나와도 구형 GPU가 상업적으로 제공된다는 근거로 제시한다.

해석 메모: 게시 요금만으로 실제 유료 가동률·운영 비용·수익성·적정 회계 내용연수를 판단할 수 없다. 출시일과 개별 자산의 실제 사용 개시일도 다르다.

[원본 PDF p.130](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=130)

#### PDF p.131 — A100은 출시 6년 후에도 AI 논문에서 가장 자주 쓰인다

2026년 추정치에서 A100 사용을 보고한 논문은 14,707편으로 2025년의 96%, 2024년 정점의 85%이며 H100·H200 합산 9,931편보다 많다. 데이터센터 Blackwell은 902편으로, 세대 전환 뒤에도 이전 하드웨어의 연구 용도가 지속됨을 보여준다.

해석 메모: 2026년 수치는 남은 기간을 포함한 예측이다. 논문 내 사용 언급은 장비 보급·상업 가동률·대여 매출·수익성을 측정하지 않는다.

[원본 PDF p.131](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=131)

#### PDF p.132 — AI 전력 수요가 가스터빈 생산 능력을 압박

GE Vernova·Siemens Energy·Mitsubishi의 대형 가스터빈 수주 잔고는 220GW인데 전 세계 연간 생산은 60~70GW 수준이다. 2026년 6월 말 제조 슬롯 확보 선금은 870억 달러로 집계되며, Siemens의 2026년 인도 능력은 15~16GW에 비해 수요가 69GW라고 제시된다. 2019년 이후 터빈 가격은 195% 올랐고 납기는 수년으로 길어졌다.

해석 메모: 선금은 인도 때 구매 가격에 충당되며 총수주와 당해 생산을 구분해야 한다. 가스터빈 수요 전체가 AI에서 발생한 것은 아니다.

[원본 PDF p.132](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=132)

#### PDF p.133 — 기존 발전소의 계통 접속이 AI 캠퍼스 자산이 된다

미국은 2025년 말까지 8.5GW 석탄 발전을 퇴역시킬 계획이었으나 실제 퇴역은 2.6GW에 그쳤다. 개발자들은 전력망 연결·변전소·수자원·허가를 확보하려고 기존 발전 부지를 사며, 펜실베이니아 Homer City는 철거한 2GW 석탄 시설을 약 100억 달러의 4.4GW 가스 기반 데이터센터 부지로 재개발 중이다.

해석 메모: 석탄 발전을 그대로 보존한다는 이야기와 부지의 가스 발전 전환을 구분해야 한다. Homer City에는 보고서 시점 확정 앵커 임차인이 없고 Amazon 협의는 보도다.

[원본 PDF p.133](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=133)

#### PDF p.134 — 문서화된 대규모 AI 컴퓨트에서 미국과 유럽의 격차

Epoch의 중국 제외 문서화 표본에서 EU-27의 설치 AI 컴퓨트는 H100 환산 79,657개로 5%, 미국은 80%였다. xAI Memphis 3단계 한 곳은 EU 전체의 약 3.5배이고, EU 최대 JUPITER도 미국 상위 10개에 들지 않는다. 미국에는 EU 전체보다 큰 개별 클러스터가 5개 있다고 제시한다.

해석 메모: 중국을 제외한 확인 가능한 설치 표본이며 세계 전체의 완전한 재고가 아니다. H100 환산은 서로 다른 칩의 비교 척도이지 동일한 실제 칩 수가 아니다.

[원본 PDF p.134](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=134)

#### PDF p.135 — 미국 기업 투자와 EU 공공 프로그램의 규모·속도 차이

보고서는 미국 4대 하이퍼스케일러의 2026년 총 설비투자 지침 7,330억 달러와 EU 기가팩토리 초기 가용 예산 10억 유로를 나란히 놓는다. EU·회원국 전체 공공 재원은 100억 유로, 민간 포함 사업 목표는 300억 유로이며, 입찰은 2026년 7월~11월 중순, 첫 공사는 2027년·가동은 2028년 예정이라고 소개한다.

해석 메모: 미국 전체 연간 기업 설비투자와 EU 초기 공공 예산은 범위·기간이 다르고 환율도 조정하지 않았다. 이 페이지의 미국 2025년 비교값은 3,840억 달러지만 PDF 155쪽은 4,100억 달러로 달라 증가율을 혼합하면 안 된다.

[원본 PDF p.135](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=135)

#### PDF p.136 — ASML 매출 증가는 판매량보다 가격·제품 구성 변화가 크다

ASML의 EUV 장비 판매는 2021년 42대에서 2025년 48대로 6대 늘었으나 대당 평균 매출은 약 1억 5,000만 유로에서 2억 4,200만 유로로 61% 상승했다. 단순 출하 대수보다 가격과 판매 제품 구성이 매출 확대를 크게 이끌었다는 비교다.

해석 메모: 대당 평균 매출 변화는 동일 모델의 순수 가격 인상률과 다르며 고가 장비 구성 변화가 섞여 있다.

[원본 PDF p.136](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=136)

#### PDF p.137 — 최전선 연구소는 여러 종류의 컴퓨트를 함께 확보한다

OpenAI는 Trainium 2GW, Cerebras 0.75GW와 Broadcom 10GW 로드맵을, Anthropic은 Google TPU 5GW와 AWS 최대 5GW에 NVIDIA 경로까지 포함하는 포트폴리오를 구축한다. Anthropic의 Akamai 계약은 7년간 116억 달러로 CPU까지 자원 확보를 확장한 사례다.

해석 메모: 발표된 GW에는 계획·합의·중복 거래가 섞여 있다. 합산해 실제 계약 또는 현재 가동 용량으로 표시할 수 없다.

[원본 PDF p.137](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=137)

#### PDF p.138 — NVIDIA 경쟁자는 학습·추론·개발 단계별로 다르다

AMD·Intel·Tenstorrent 같은 상용 플랫폼, Google TPU·AWS Trainium·Microsoft Maia·Meta MTIA 같은 자체 칩, Cerebras·SambaNova·Groq·Etched 등의 독립 칩, Huawei·Cambricon 등 중국 대안을 학습·추론 용도로 지도화한다. 상용 대규모 클러스터부터 첫 랙·개발 중 제품까지 서로 다른 단계의 경쟁을 보여준다.

해석 메모: 로고나 제품 발표의 존재는 동등한 생산량·생태계·상용 성능을 뜻하지 않는다. 개발 중과 가동 제품을 구분해야 한다.

[원본 PDF p.138](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=138)

#### PDF p.139 — Google TPU의 비용 경쟁력은 특정 추론 조건에서 확인

SemiAnalysis의 Qwen3.5-397B 시험에서 사용자당 초당 출력 100토큰을 맞추면 Ironwood의 소유 비용 추정치는 입출력 합산 100만 토큰당 0.181달러로 B200 0.222달러, B300 0.276달러보다 낮았다. PyTorch 모델을 TPU에 올리는 TorchTPU는 Gemini 밖 모델로 소프트웨어 범위를 넓힌다.

해석 메모: FP8, 입력 8,000·출력 1,000토큰, 동일 장비의 prefill·decode 조건이며 API 가격이 아니다. NVIDIA는 FP4나 prefill·decode 분리 구성에서 다시 앞설 수 있고 TPU 모델 지원·서빙 최적화도 진행 중이다.

[원본 PDF p.139](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=139)

#### PDF p.140 — NVIDIA도 다음 세대와 소프트웨어로 경쟁 기준을 바꾼다

SemiAnalysis 초기 Rubin 시험은 DeepSeek V4 Pro의 응답 속도를 초당 100토큰으로 맞췄을 때 가장 좋은 GB300 구성 대비 MW당 전체 토큰 처리량 2.1배를 제시한다. 같은 GB300에서도 SGLang은 초당·MW당 2,850만 토큰, TensorRT-LLM은 2,110만 토큰으로 소프트웨어 선택의 차이가 컸다.

해석 메모: 초기 시험의 특정 모델·응답 속도·전력 조건이다. GPU 세대 전체에 보편적인 속도 향상률이나 앞 페이지 TPU 비교와 직접 결합한 순위가 아니다.

[원본 PDF p.140](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=140)

#### PDF p.141 — Huawei는 시스템 최적화를 강화하지만 메모리가 공급을 제한

Huawei Atlas 950 로드맵은 최대 8,192칩 연결과 중국 모델용 소프트웨어 최적화를 내세우며, SemiAnalysis는 DeepSeek V4의 출시 당일 지원·실제 API 서빙을 확인했다. 950DT 메모리는 144GB·4TB/s로 제시되지만 DeepSeek의 최소 16만 개 주문을 채우는 데 1년 이상 걸릴 수 있다는 보도와 2개월간 카드 가격 20~50% 상승 보도가 있다.

해석 메모: Atlas 연결 규모는 로드맵이며 Huawei의 NVIDIA 추월 주장은 자사 주장이다. H200의 중국 공급도 미국 라이선스와 중국 승인을 모두 필요로 해 성능과 실제 구매 가능성을 구분해야 한다.

[원본 PDF p.141](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=141)

#### PDF p.142 — 대체 칩이 성장해도 AI 논문은 여전히 NVIDIA 중심

Zeta Alpha의 9월 1일까지 집계를 바탕으로 한 2026년 예상 NVIDIA 언급 논문은 44,134편, 전년 대비 9.5% 증가로 가속기 언급의 약 90%다. AMD는 62% 늘어난 406편, Huawei Ascend는 52% 늘어난 208편, Apple은 43% 늘어난 1,062편이고 TPU는 1,120편으로 2년 연속 줄었다.

해석 메모: 연간 예측이며 논문의 칩 사용 언급을 센 것이다. 판매·설치·매출 점유율이나 논문당 컴퓨트 사용량을 측정하지 않는다.

[원본 PDF p.142](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=142)

#### PDF p.143 — NVIDIA는 공개 가중치 모델을 자사 생태계 확대와 연결

Jensen Huang은 미국의 공개 모델 제한을 피하고 증류와 기술 유용을 구분하자는 공개서한을 발표했으며 서명자는 25명에서 235명으로 늘었다. OpenAI·Google·Meta·Microsoft·AMD 등이 참여하고 Anthropic은 빠져 있다고 소개한다. NVIDIA는 2025년 1월 이후 다운로드 500회 초과 Hugging Face 저장소를 약 860개 추가해 2위 Alibaba의 거의 두 배였다.

해석 메모: 저장소 수·서명 수는 모델 품질이나 정책 합의의 강도를 직접 측정하지 않는다. 공개 모델 사용 확대가 칩 수요를 늘린다는 것은 NVIDIA의 사업적 관점이다.

[원본 PDF p.143](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=143)

#### PDF p.144 — NVIDIA가 배포 플랫폼과 모델 제작 역량에 대규모 약정

보고서는 NVIDIA가 Hugging Face 인수에 129억 3,000만 달러, Poolside 비독점 라이선스에 60억 달러·지분에 10억 달러를 약정했다고 정리한다. Hugging Face는 1,800만 사용자·300만 모델·20만 이용 기업의 배포 접점이고, Poolside 거래는 공개 Laguna 모델을 만드는 Model Factory와 연구 인재를 확보하는 수단이다.

해석 메모: Hugging Face 인수는 2026년 9월 합의, 2027년 상반기 종결 예상으로 아직 완료 단계와 다르다. Poolside 창업자는 NVIDIA에 합류하지 않고 직원 109명에게 채용 제안이 이뤄졌다고 소개한다.

[원본 PDF p.144](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=144)

#### PDF p.145 — NVIDIA는 투자·인수·공개 모델을 함께 확장

Dealroom의 9월 16일 기준 NVIDIA는 2026년에 AI 투자 라운드 84건에 참여해 2024년의 약 두 배 수준이었다. 지도는 인수·투자로 AI 스택 전반을 연결하는 한편 자체 공개 모델과 다른 회사 모델의 NVIDIA 하드웨어 최적화를 확대하는 전략을 보여준다.

해석 메모: 투자 참여 건수는 투자액이나 인수 건수가 아니다. 왼쪽 투자 자료는 9월 16일, 오른쪽 Hugging Face 모델 자료는 9월 24일로 기준일이 다르다.

[원본 PDF p.145](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=145)

#### PDF p.146 — Waymo는 운전자 없는 유상 서비스 규모를 키운다

Waymo의 승객 전용 누적 주행은 2025년 3월 7,100만 마일에서 2026년 3월 2억 2,000만 마일로 약 3배 늘었고, 동일 도로 인간 운전자 대비 중상 충돌은 94% 적다고 보고한다. 유료 승차는 미국 14개 도시에서 주당 50만 건 이상으로 두 배가 됐으며 연말 주당 100만 건을 목표로 한다. Tesla의 6월까지 유료 로보택시 240만 마일, 영국의 감독형 운행, 중국 Apollo Go의 분기 운행 감소도 함께 비교한다.

해석 메모: 누적 주행의 기준은 2026년 3월이며 승차 건수·마일·감독 운전자 유무는 서로 다른 척도다. 94%는 특정 비교 도로·사고 중증도 기준이고 연말 목표는 실적이 아니다.

[원본 PDF p.146](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=146)

#### PDF p.147 — 로봇은 데이터센터 건설의 개별 작업에서 생산성을 높인다

보고서는 구조물 조립의 용접공당 처리량 약 12배, 2,304개 랙을 위한 레이아웃 작업 784시간 절감, 구멍 9만 개 이상의 깊이·위치 정확도 99.97% 같은 업체 보고 사례를 모았다. 부품 제작·레이아웃·드릴링에 더해 장비 설치 작업에도 로봇을 적용한다.

해석 메모: 특정 작업의 업체 보고 수치이며 전체 데이터센터 준공 기간이나 총비용이 같은 비율로 개선됐다는 독립 근거는 아직 제한적이다.

[원본 PDF p.147](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=147)

#### PDF p.148 — 집안일 서비스가 로봇 학습 데이터 수집 수단이 된다

microagi의 Shift는 작업자가 헤드캠으로 기록하는 조건으로 뉴욕 아파트 청소를 무료로 제공한다. Figure의 Index는 100개 이상 국가 26만 4,000명에게 일상 집안일 촬영 대가로 총 1,500만 달러를 지급하고 영상 1,600만 개를 모았다고 소개한다. 사람의 작업 서비스 자체보다 물리적 행동 기록을 확보하는 사업 모델이다.

해석 메모: 데이터 규모와 세계 최대라는 평가는 회사 발표 기준이며 데이터의 다양성·권리 조건·실제 로봇 성능 향상을 별도로 확인해야 한다.

[원본 PDF p.148](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=148)

#### PDF p.149 — Unitree의 고성장은 흑자와 가격 하락을 동반

Unitree는 2025년 매출 약 2억 3,800만 달러로 333% 성장하고 순이익 3,900만 달러·순이익률 16%를 기록했다. 휴머노이드 판매량은 412대에서 5,215대로 12.7배 늘었지만 평균 가격은 26만 400위안에서 16만 6,400위안으로 36% 떨어졌고 해당 제품 매출총이익률은 69%에서 63%로 낮아졌다. FANUC 20%, Yaskawa 7%, UBTECH -39%의 그룹 순이익률과 비교한다.

해석 메모: 서로 다른 회계연도·규모·제품 구성을 가진 그룹 실적이다. Unitree 그룹 순이익률과 휴머노이드 제품 매출총이익률은 다른 지표다.

[원본 PDF p.149](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=149)

#### PDF p.150 — 로봇·자율주행·휴머노이드에 대규모 자금이 유입

2026년 Skild AI는 140억 달러 초과 가치에 14억 달러, Apptronik은 Series A 9억 3,500만 달러를 조달했다. Wayve는 86억 달러 가치에 12억 달러를 조달했고 Uber의 조건부 자금까지 합치면 15억 달러이며, Mind Robotics는 약 20억 달러 가치에 5억 달러를 유치했다. NEURA·XPENG Robotics·Galbot·ROBOTERA·LimX·Humanoid의 대형 조달도 소개한다.

해석 메모: 확정 조달·최대 약정·마일스톤 조건부 자본이 섞여 있다. 투자 규모가 제품 성능이나 생산·납품 실적을 대신하지 않는다.

[원본 PDF p.150](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=150)

#### PDF p.151 — 휴머노이드 투자에서 중국이 금액 기준 우위

Dealroom은 휴머노이드 기업을 중국 18곳, 미국 18곳, 유럽 17곳 추적하지만 중국 기업이 세계 투자금의 3분의 2보다 약간 적은 몫을 차지한다고 제시한다. 미국의 신규 외국산 로봇 승인 제한은 국내 생산 수요를 늘리는 동시에 미국 연구자가 쓰는 중국 하드웨어 접근도 어렵게 할 수 있다는 해석이다.

해석 메모: 추적 기업 표본의 투자금 비교이며 세계 모든 로봇 기업이나 출하량의 국가별 점유율이 아니다. 규제의 수요 효과는 전망이다.

[원본 PDF p.151](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=151)

#### PDF p.152 — 대형 민간 자금은 생성 AI와 미국 기업에 집중

올해 최대 규모 투자 라운드들에서는 6달러 중 5달러가 생성 AI로 향하고, 전체 AI 투자금의 약 4분의 3은 미국 기업이 차지한다고 제시한다. 두 그래프는 거대 개별 거래와 장기 지역별 투자 추세를 나누어 보여준다.

해석 메모: 큰 라운드들의 생성 AI 비중과 전체 AI 자금의 미국 비중은 분모가 다르다. 민간 자금 전부가 AI에만 투자된다는 제목을 문자 그대로 일반화하면 안 된다.

[원본 PDF p.152](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=152)

#### PDF p.153 — 비상장 AI 가치 상승 속도는 빠르지만 지속 법칙은 아니다

비상장 AI 기업들의 과거 투자 가치 궤적에 맞춘 추정 배증 시간은 약 3.5~13.3개월이었다. 보고서는 Anthropic·OpenAI·xAI·Perplexity·Cohere 등 큰 기업들의 라운드 가격이 얼마나 빠르게 높아졌는지 보여준다.

해석 메모: 모금 시점의 평가 가치를 설명하는 과거 적합치이며 상시 거래되는 시장 가격이나 미래 가치 상승의 보장 법칙이 아니다.

[원본 PDF p.153](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=153)

#### PDF p.154 — AI 연구소의 매출 배수는 크게 갈린다

보고서의 최신 기업 가치/매출 비교는 Anthropic 15배, OpenAI 21배, Cohere 83배, xAI 250배로 큰 차이를 보인다. 자본이 같은 AI 범주 안에서도 성장 기대와 사업 구조에 서로 다른 가격을 매기는 장면이다.

해석 메모: 발표·추정 매출과 서로 다른 시점의 평가가 섞여 있다. 동일 회계 기준·기간의 공정 가치 규칙이나 투자 추천으로 읽으면 안 된다.

[원본 PDF p.154](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=154)

#### PDF p.155 — 연구소 조달액도 하이퍼스케일러 설비투자에 비견되는 규모

Amazon·Alphabet·Microsoft·Meta의 2026년 총 설비투자 지침은 7,330억 달러로 이 페이지가 제시한 2025년 4,100억 달러 대비 79% 증가한다. OpenAI와 Anthropic은 2026년에 각각 1,220억 달러·950억 달러의 자금 조달을 발표했다. 회사별 설비투자 증가율은 Amazon 71%, Alphabet 119%, Microsoft 48%, Meta 90%로 제시된다.

해석 메모: 자금 조달액과 실제 설비 지출은 다른 흐름이며 계획과 집행도 다르다. PDF 135쪽은 같은 2025년 비교값을 3,840억 달러로 표시하므로 원문의 기준 차이 또는 불일치를 확인해야 한다.

[원본 PDF p.155](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=155)

#### PDF p.156 — 걸프·중동 자본의 대형 AI 라운드 참여가 늘어난다

Dealroom 집계에서 MENA 투자자가 참여한 라운드들의 전체 금액은 2026년 AI 투자금의 약 절반을 차지한다. 보고서는 걸프 국부펀드들이 미국의 대형 AI 조달에 참여하는 흐름을 보여준다.

해석 메모: MENA 투자자가 그 자금의 절반을 직접 제공했다는 뜻이 아니다. 참여한 라운드의 전체 금액을 집계한 통계다.

[원본 PDF p.156](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=156)

#### PDF p.157 — AI 자금 조달이 초대형 라운드로 집중

2026년 AI 기업 투자금의 94%가 2억 5,000만 달러 이상 규모 라운드에 속하며, 2022년의 10%에서 크게 높아졌다. 연도별 누적 비중 그래프는 소액·중간 규모 라운드보다 초대형 거래가 총액을 지배하게 된 변화를 보여준다.

해석 메모: 금액 비중으로, 전체 거래 건수의 94%가 초대형이라는 뜻이 아니다. 2015년 급등은 Alibaba Cloud에 대한 10억 달러 단일 투자 영향이라고 명시한다.

[원본 PDF p.157](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=157)

#### PDF p.158 — 중국 AI 관련 IPO는 상승과 높은 매출 배수를 함께 보인다

모델 개발사·GPU 설계사·DRAM 업체 CXMT를 포함한 5개 상장 기업의 IPO 이후 주가 변화를 고정 자본 구조에 적용하면 기업 가치 증가가 약 5,480억 달러이며 87%는 CXMT에서 나온다. 9월 18일 가격 기준 최근 매출 대비 기업 가치 배수는 19~189배로 Z.ai가 가장 높다.

해석 메모: 상장 기업의 EV/과거 매출과 미국 비상장 연구소의 예전 지분 가치/연율 환산 매출은 동등한 비교가 아니다. Micron·SK hynix도 NAND·HBM이 섞인 사업 구성이어서 단순 DRAM 비교에 한계가 있다.

[원본 PDF p.158](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=158)

#### PDF p.159 — 서방 AI 칩 도전자 투자와 NVIDIA의 모델 수익 비교

9월 25일 기준 서방 도전자 8곳의 일부 라운드에 투자한 것으로 모형화한 173억 달러는 추정 잔존 가치 549억 달러와 분배금 77억 달러, 합계 3.6배가 됐다. 같은 시점마다 NVIDIA를 샀다면 806억 달러·4.7배였으며, 2026년의 큰 신규 라운드 117억 달러가 과거 코호트만 볼 때의 NVIDIA 12.2배 수익 배수를 낮춘다.

해석 메모: 일부 라운드의 날짜·가치·배분을 가정한 과거 모형이지 실제 펀드 수익이나 모든 투자금의 완전한 비교가 아니다. 추출된 모형 링크는 # 자리표시자라 검증용 원모형 접근이 제한된다.

[원본 PDF p.159](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=159)

#### PDF p.160 — 같은 방식의 중국 칩 도전자 비교에서는 결과가 반대

중국 도전자 6곳의 일부 라운드를 모델링한 124억 달러 투자는 희석과 IPO를 반영한 추정 가치 1,085억 달러·8.8배가 됐다. 같은 날짜마다 NVIDIA를 샀다면 916억 달러·7.4배로, 서방 도전자와 다른 결과를 제시한다.

해석 메모: 9월 25일 기준 일부 라운드의 과거 모형이며 평가 가격을 알 수 없는 초기 라운드는 양쪽에서 대칭적으로 제외했다. 상장·유동성·가격 가정에 민감하고 추출된 모형 URL도 # 자리표시자다.

[원본 PDF p.160](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=160)

#### PDF p.161 — 메모리 주식 조정은 레버리지로 확대됐다

한국 개인투자자의 2배 ETF 4주 매수는 8조 9,000억 원, 신용융자는 37조 3,000억 원으로 제시된다. 7월 메모리 투자 방향이 반전되자 SK hynix 레버리지 ETF는 67~69%, 코스피는 22% 하락했고 10개 증권사의 일일 반대매매는 439억 원으로 1년 전의 약 13배가 됐다. FT의 선정 비교에서는 Situational Awareness의 보도된 7월 손실 350억 달러도 소개한다.

해석 메모: 10개 증권사 관측치와 특정 레버리지 상품의 수익률이다. 기관 손실은 보도·선정 사례이며 반대매매 전체 시장 총액이나 모든 메모리 투자자의 결과가 아니다.

[원본 PDF p.161](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=161)

#### PDF p.162 — AI 투자 회수 시장에서 IPO와 대형 인수가 다시 늘어난다

Dealroom은 9월 16일까지 AI 투자 회수 거래 890건을 기록했으며 연율 환산하면 약 1,250건으로 2025년보다 약 20% 많은 속도라고 제시한다. 거래 건수와 가치 그래프에서 인수·IPO·SPAC IPO·바이아웃을 나누고 대형 IPO 재개와 인수 확대를 보여준다.

해석 메모: 2026년은 연중 누적치와 연율 환산 추정이며 완료된 연간 실적이 아니다. 가치 그래프의 2012년 급등은 Meta의 1,040억 달러 IPO 효과이고, 모든 회수와 최초 회수만 센 선이 따로 있다.

[원본 PDF p.162](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=162)

#### PDF p.163 — 기업 인수 대신 라이선스와 팀 채용을 결합하는 거래

보고서는 2024년 7건, 2025년 12건, 2026년 9월 16일까지 10건 등 총 29건의 라이선스·인재 확보 거래를 분류한다. 사람만 채용, 기술 라이선스+팀, 자산+팀, 지분+창업자로 나누며 OpenAI가 전체의 약 4분의 1을 차지했다. 2026년에는 10건 중 5건이 인력만 확보하는 유형이었다.

해석 메모: 기업 전체 인수·인수 금액과는 다른 거래 건수이며 2026년은 연중 누적이다. 인수자를 회사의 법적 소유주로 해석하면 안 된다.

[원본 PDF p.163](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=163)

### 정책 · PDF p.164–195

#### PDF p.164 — 정치 부문 시작

산업 부문을 마치고 제3부 Politics로 전환하는 구분 슬라이드다. 별도의 사실 주장이나 그래프는 없다.

[원본 PDF p.164](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=164)

#### PDF p.165 — AGI에서 초지능으로 옮겨간 정치적 구호

2025년 기술기업 경영진의 AGI 담론과 2026년 미국의 초지능 행정명령을 대비한 도입 슬라이드다. 용어가 정책의 구호로 확장되는 상황을 풍자하며, 초지능 달성에 대한 증거를 제시하지는 않는다.

[원본 PDF p.165](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=165)

#### PDF p.166 — 프런티어 모델 접근권을 좌우하는 워싱턴

보고서는 미국 수출통제가 6월 Fable·Mythos의 해외 접근을 막고 7월 Fable을 다시 허용했다고 정리한다. 영국 평가기관의 사전 테스트에도 미국의 검토 요구가 제기됐다는 보도를 통해, 외국의 AI 주권은 모델을 빌리는 것만으로 확보되지 않는다고 주장한다.

해석 메모: 접근이 모든 모델·기관에서 일괄 중단됐다는 뜻은 아니다. 영국 AISI는 9월 GPT-6 Astra를 출시 전에 시험했다.

[원본 PDF p.166](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=166)

- [AP: 모델 접근 제한 관련 보도](https://apnews.com/article/anthropic-fable-mythos-trump-claude-028db5135128fce6b38c873bf9cb5e09)

#### PDF p.167 — 국방용 AI의 사용 한계는 누가 정하는가

Anthropic은 국내 대규모 감시와 완전자율 살상무기에 반대했고, 미 정부는 공급망·조달에서 배제했다. 8월 27일 캘리포니아 법원은 한 지정 처분을 위법한 보복으로 무효화했지만, 9월 25일 항소법원은 별도의 조달 배제를 유지했다.

해석 메모: 서로 다른 법률에 따른 두 처분의 결과를 구별해야 한다.

[원본 PDF p.167](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=167)

#### PDF p.168 — 실전 군사작전에 들어간 프런티어 AI

미 국방부 발표에 따르면 Grok 기반 Maven은 96시간 동안 2,000개 표적에 2,000발 이상을 투입하는 작업을 지원했고, Maven Smart System은 38일 동안 13,000개 표적을 공격한 작전을 지원했다. 마두로 체포작전의 Claude 사용 보도와 중국 선박을 핵무기 관련 화물로 잘못 판단한 AI 정보의 사례도 함께 제시한다.

해석 메모: 사건들은 중첩될 수 있으며 시간축은 비례하지 않는다. 마두로 작전에서 Claude의 정확한 역할은 확인되지 않았다.

[원본 PDF p.168](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=168)

#### PDF p.169 — 상업용 클라우드가 군사 표적이 되다

보고서는 3월 1일 이란 드론이 UAE의 AWS 시설 두 곳을 직접 타격하고 인근 공격이 바레인 인프라를 손상시켰다고 정리한다. 이후 기술시설 29곳의 표적 지도, 18개 조직에 대한 위협, Stargate UAE에 대한 위협을 통해 민간 AI 인프라의 지정학적 노출을 보여준다.

해석 메모: 7월 바레인 추가 공격 주장은 위성에서 피해가 관측됐지만 AWS 확인은 없다고 명시한다.

[원본 PDF p.169](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=169)

#### PDF p.170 — 미·중 밖 67개국으로 확산된 소버린 AI

CNAS가 추적한 미국·중국 이외의 정부 지원 AI 프로젝트는 67개국 184건이며, 2023년 발표된 18건에서 누적 증가했다. 공개 예산 합계는 약 840억 달러이고 UAE·일본이 거의 3분의 2를 차지한다.

해석 메모: 발표·공개된 프로젝트 및 예산의 집계다. 실제 집행액이나 가동 용량과 동일하지 않다.

[원본 PDF p.170](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=170)

#### PDF p.171 — 국가 AI 프로그램의 약정액 약 1,380억 달러

주요 프로그램의 약정액을 지도에 배치한다. 사우디 400억 달러, Stargate UAE 공식 300억 달러, 카타르 Qai 200억 달러, EU 첫 공모 100억 유로, 한국 2026년 AI 예산 9.9조 원 등은 서로 다른 기간과 집행 단계에 있다.

해석 메모: 합계는 지출액이 아닌 프로그램 약정액이다. 앞장의 CNAS 840억 달러와 국가 범위·집계 단위가 달라 직접 비교하거나 합산하면 안 된다.

[원본 PDF p.171](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=171)

#### PDF p.172 — 소버린 AI의 공급망은 여전히 미국 기업 중심

NVIDIA는 FY2026 소버린 AI 매출이 300억 달러를 넘었으며, CNAS 프로젝트 53건에 이름을 올려 HPE 18건·AMD 13건 등을 앞섰다. 사우디 HUMAIN의 AMD 클라우드 가동 사례는 경쟁 공급망의 진입도 보여준다.

해석 메모: 한 프로젝트에 복수 공급업체가 포함될 수 있다. 계획된 GPU 규모와 이미 가동 중인 규모를 구별하며, HUMAIN은 가동 MW·GPU 수·고객을 공개하지 않았다.

[원본 PDF p.172](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=172)

#### PDF p.173 — 한국은 자체 모델·추론 인프라·수요를 함께 키운다

한국의 2026~2028 AI 전략을 국내 공개 가중치 모델, 엔지니어링 인력, 추론 인프라, 공공 구매와 바우처, 무료 소비자 서비스로 연결해 설명한다. 2026년 AI 예산 9.9조 원과 2028년까지 정부 주도 GPU 최소 5만 개 목표가 핵심 수치다.

해석 메모: 예산·GPU 목표·서비스 계약은 성과와 구별해야 한다. 주민 반대로 지연되는 데이터센터와 입지 규제도 함께 언급한다.

[원본 PDF p.173](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=173)

#### PDF p.174 — 공공 컴퓨트 지원은 계획·배정·사용을 구분해야 한다

EU는 최대 7개 AI 기가팩토리와 공공 100억 유로를 통한 민간 최소 200억 유로 유치를 목표로 한다. 영국은 200개 이상 신청자가 요청한 6,700만 GPU시간 중 300만 시간 이상을 초기 6개 기업에 배정했고, 인도는 237개 프로젝트에 931.8만 시간을 승인했다.

해석 메모: 세 프로그램 모두 실제 사용량을 보고하지 않았다. EU 목표는 2028년 중반이며, 신청량과 승인량과 실제 사용량은 별개다.

[원본 PDF p.174](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=174)

#### PDF p.175 — Mistral은 프런티어 경쟁에서 유럽 추론 인프라로 확장한다

Mistral은 2030년까지 유럽 컴퓨트 1GW를 약속하고 자사·중국 공개 가중치 모델을 서비스하려 한다. 2026년 10월 7일 Artificial Analysis 지수에서 Large 4 Preview는 38점으로 Medium 3.5의 14점보다 높지만 Opus 5.5의 58점보다 20점 낮다.

해석 메모: 선택된 모델의 특정 버전 지수(v4.3.2)이며 Large 4는 프리뷰다. 전력·칩 구축 약정과 현재 모델 성능을 구분한다.

[원본 PDF p.175](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=175)

#### PDF p.176 — 유럽은 부지·전력·칩으로 모델 접근권을 협상할 수 있다

9월 독립 전략안은 전력 확보 부지와 빠른 인허가를 제공하는 대가로 본국과 동등한 외국 프런티어 모델 접근을 요구하자고 제안한다. 영국의 신형 추론 칩 구매 1.5억 파운드 약속도 공급망 협상력을 만드는 수단으로 소개한다.

해석 메모: 정책 제안이며 접근권을 보장하지 않는다. 외국 정부의 제한과 공급품의 대체 가능성이 협상력의 한계다.

[원본 PDF p.176](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=176)

#### PDF p.177 — 유럽 자체 프런티어 연구소의 3년 비용 추정 7,900억 유로

독립 유럽 AI 전략은 프런티어 연구소 설립의 첫 3년 비용을 7,900억 유로, 범위를 4,450억~1조 400억 유로로 추정한다. 가속기·시설 5,290억 유로와 구축 중 임대 컴퓨트 1,050억 유로가 큰 비중이며, 기술 독립성과 장기 정치연합도 요구한다.

해석 메모: EU 확정 정책이나 추격 성공을 보장하는 비용이 아닌, 주로 공공재원을 가정한 시나리오다.

[원본 PDF p.177](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=177)

#### PDF p.178 — 유럽의 AI 인프라 비용을 가르는 전기요금

사업용 전력 비교치는 핀란드 kWh당 0.085달러, 미국 산업용 0.086달러, 중국 지표 0.109달러, 영국 0.373달러다. 1GW를 계속 사용하는 시설에서 요금이 kWh당 0.01달러 높으면 연 8,760만 달러, 0.05달러 높으면 연 4.38억 달러가 추가된다.

해석 메모: 기간과 세금 처리가 다른 소매요금 지표이며 동일 조건의 데이터센터 계약 비교가 아니다.

[원본 PDF p.178](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=178)

#### PDF p.179 — 중국은 저렴한 전력으로 자국 AI 칩 수요를 만든다

FT 보도에 따르면 간쑤·구이저우·네이멍구의 일부 대형 데이터센터는 중국산 칩 사용 시 최대 50% 전기요금 할인을 받을 수 있고 외국 칩은 강화된 보조금 대상에서 제외된다. 보고서는 이를 서부 컴퓨트의 동부 수요 공급과 국산 칩 산업정책의 결합으로 해석한다.

해석 메모: 보조금 범위와 조건은 보도에 근거한다. 2026년 4월 AI+ 프로그램은 20개 산업의 데이터셋·모델·응용 개발도 지시했다.

[원본 PDF p.179](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=179)

#### PDF p.180 — 2026년 말 중국 데이터센터 용량은 EMEA를 넘어설 전망

SemiAnalysis의 지역별 추정은 북미 58GW, 중국 24GW 이상, 중국 제외 APAC 15GW, EMEA 14GW, 중남미 2GW다. 중국 1,000개 이상 시설·60개 이상 운영사와 기타 지역 5,000개 이상 부지를 여러 공시·전력·위성 자료로 추적한다.

해석 메모: AI와 일반 컴퓨팅을 모두 포함하는 추정치다. 누락된 MW는 랙 수·투자액·면적으로 보완하며 연말 전망을 가동 실적과 혼동하면 안 된다.

[원본 PDF p.180](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=180)

#### PDF p.181 — H200 중국 수출 허가가 곧 대규모 매출은 아니다

미국은 H200·MI325X의 건별 심사 경로를 열었지만 중국의 판매 제한은 남았다. 2026년 7월 26일 종료 분기에서 허가된 H200 출하는 NVIDIA 데이터센터 매출의 1% 미만이었고, 미국 검사에 따른 25% 관세를 고객에게 전가하지 못했다고 한다.

해석 메모: 정책 변화, 재고 비용, 실제 출하를 구별한다. H20 관련 45억 달러 비용과 FY2027 상반기 H200 관련 4억 달러 비용은 다른 항목이다.

[원본 PDF p.181](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=181)

#### PDF p.182 — 중국은 칩뿐 아니라 AI 지식·인재의 유출도 통제한다

중국은 싱가포르로 이전한 Manus에 대해서도 Meta의 약 20억 달러 인수를 4월에 되돌렸고, Manus는 9월 독립 운영을 재개했다. 7월 통제기술 관련 해외 인력·기술지원 승인과 9월 기술안보 관련 출국금지 규칙은 지식재산·인재를 전략 자산으로 다루는 흐름이다.

해석 메모: 프런티어 LLM이 이미 기술수출 통제 목록에 포함됐다는 의미는 아니다. 모델 가중치 수출 제한은 논의 단계로 설명한다.

[원본 PDF p.182](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=182)

#### PDF p.183 — 미국은 중국의 대규모 모델 추출 의혹을 안보 문제로 본다

Anthropic은 DeepSeek·Moonshot·MiniMax와 관련된 2만 4,000개 계정의 1,600만 건 대화를 추출 시도로 지목했다. 9월 CISA·NSA·FBI 권고는 계정 검증, 추출 패턴 탐지, 사고과정 노출 제한과 사업자 간 정보공유를 권한다.

해석 메모: 무단 추출에 대한 연구소의 주장이다. 지식증류 일반을 곧바로 부정 취득과 동일시해서는 안 된다는 NVIDIA의 입장도 함께 소개한다.

[원본 PDF p.183](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=183)

#### PDF p.184 — 미국 연방의 통일 규제 추진에도 주법은 계속 늘어난다

2025년 7월 주 AI 규제 10년 동결안이 상원 99 대 1로 부결된 뒤, 트럼프는 소송·재정 압박으로 선회했다. 뉴욕 RAISE Act는 대형 프런티어 연구소의 안전 절차·중대사고 보고를 요구하고, 콜로라도는 채용·대출 등 중대 결정에서 AI 사용을 규율한다.

해석 메모: 2026년 3월 백악관 틀은 입법이 필요하다. 콜로라도 핵심 의무 시작은 2027년 1월로 명시한다.

[원본 PDF p.184](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=184)

#### PDF p.185 — 캘리포니아는 AI 안전 감사자의 독립성과 책임을 제도화한다

9월 9일 서명된 SB 813은 2028년 1월까지 독립 AI 평가자 인정 기준을 마련하고, AB 1405는 2029년 1월부터 대상 법규 준수 감사자의 등록·방법 공개·이해상충 관리를 요구한다. 연구소의 안전 주장에 외부 검증의 책임을 더하는 접근이다.

해석 메모: 모든 개발자에게 감사를 발주하도록 의무화하는 법은 아니다. 등록 자체도 주정부의 감사 품질 보증을 뜻하지 않는다.

[원본 PDF p.185](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=185)

#### PDF p.186 — EU AI Act의 고위험 시스템 규칙은 12~16개월 연기됐다

2026년 7월 EU는 채용·대출 등 고위험 용도의 기한을 2027년 12월 2일로 16개월, 규제제품 내 고위험 AI는 2028년 8월 2일로 12개월 미뤘다. 일반목적 모델 의무는 2025년 8월 시작됐고 모델 집행·챗봇 및 합성콘텐츠 공개 규칙은 2026년 8월 진행됐다.

해석 메모: AI Act 전체가 연기됐다는 뜻이 아니다. 기술표준 미비와 회원국별 이행 차이가 배경으로 제시된다.

[원본 PDF p.186](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=186)

#### PDF p.187 — 미성년자 AI 동반자 규제는 관계 설계에 개입한다

캘리포니아 Adam’s Law는 2027년 7월부터 기본 1회 1시간·하루 2시간 한도와 기억·연애적 관심·과도한 칭찬·의존 관련 장치를 요구하며 부모가 한도를 바꿀 수 있다. 중국은 미성년자 가상 친밀관계와 유해 의존을 금지하고 EU는 조작·취약성 악용 규칙을, 영국은 휴식·성적 기능 제한 계획을 제시한다.

해석 메모: 국가별 시행 상태가 다르다. 법 이름의 계기가 된 자살 사건에서 부모의 주장과 OpenAI의 부인을 구별한다.

[원본 PDF p.187](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=187)

#### PDF p.188 — 딥페이크 우려에서 대화형 정치 설득의 효과로

실험에서 정치 주제 AI 대화는 중립 주제 대화 대비 청원 서명 확률을 19.7%p, 관련 자선단체 선택을 6.1%p 높였다. 별도 모금 실험에서 1파운드 보너스 중 추가 기부액은 Claude Opus 4.6 대화가 17.2펜스, 전문 모금자 대화가 6.4펜스였다.

해석 메모: 그래프 선은 95% 신뢰구간이다. 실험 결과를 실제 선거 결과의 변화나 대규모 캠페인 효과로 바로 일반화하면 안 된다.

[원본 PDF p.188](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=188)

#### PDF p.189 — 데이터센터 건설 반대는 AI 인프라의 정치적 제약이 됐다

미국인의 71%는 인근 AI 데이터센터에 반대해 원전 반대 53%보다 높았고, 2026년 성인의 52%는 AI에 기대보다 우려가 컸다. Data Center Watch에 따르면 2분기에 최소 45개·약 680억 달러 프로젝트가 반대로 지연·차단됐다.

해석 메모: CBRE는 동시에 주요 8개 시장의 상반기 건설이 기록적이라고 보고한다. 반대 확산을 전체 건설 중단으로 해석해서는 안 된다.

[원본 PDF p.189](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=189)

#### PDF p.190 — 물·전력·소음·배출·일자리 논쟁은 지역별로 다르다

전국 평균에서 데이터센터의 물·배출 비중이 작아도 일부 마을과 PJM 전력시장에서는 비용이 집중된다. 사례는 The Dalles 물 소비의 약 3분의 1을 차지하는 Google, 데이터센터와 연결된 PJM 용량요금 294억 달러, 상시 일자리 약 50명인 버지니아 25만 제곱피트 건물이다.

해석 메모: 상반된 증거를 나란히 비교하는 표다. 국가·주 단위 평균으로 개별 지역의 피해를 반박하거나 지역 사례를 전국 평균으로 확대하면 안 된다.

[원본 PDF p.190](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=190)

#### PDF p.191 — 미국 주정부는 데이터센터 허가 조건을 강화한다

텍사스는 전력·물 수요 감사를 위해 환경허가를 일시 중단하고 ERCOT는 다른 절차를 통과한 대형 데이터센터·암호화폐 프로젝트 17건의 가동을 보류했다. 펜실베이니아는 8월 18일 명령으로 주 환경허가 전에 모든 지역 승인을 요구하고 신속허가 대상에서 제외했다.

해석 메모: 텍사스의 계통연결 요청 474GW 중 약 90%가 데이터센터라는 수치는 신청 용량이며 완공 시설 규모가 아니다. 감사 결과 예정일은 12월 10일이다.

[원본 PDF p.191](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=191)

#### PDF p.192 — 추가 전력망 비용은 데이터센터 개발사가 부담하라는 약속

백악관의 자율적 Ratepayer Protection Pledge는 개발사에 신규 발전·망 증설 비용을 부담시키고 미사용 용량에도 대가를 지불하도록 요청한다. 2026년 9월 기준 백악관은 주지사 23명을 포함한 300개 이상 지지자를 보고했다.

해석 메모: 자율 선언의 효과는 전력회사·주정부와의 실제 요율 계약에 달려 있다. 펜실베이니아는 허가 심사의 구속력 있는 동의명령으로 비용 보호를 연결한다.

[원본 PDF p.192](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=192)

- [백악관 Ratepayer Protection Pledge](https://www.whitehouse.gov/releases/2026/03/ratepayer-protection-pledge/)

#### PDF p.193 — AI 학습 저작권 예외는 관할별로 범위가 크게 다르다

일본·싱가포르는 적법 접근과 일정한 제한 아래 상업적 분석·학습을 넓게 허용한다. 미국은 개별 공정이용 판단, EU는 권리유보가 가능한 상업적 텍스트·데이터 마이닝, 영국은 비상업 연구 중심, 호주는 광범위한 예외를 채택하지 않는 접근이다.

해석 메모: 허가 없는 상업적 학습의 법적 틀 비교다. 출력물의 침해 여부는 별도로 판단하며 중국은 적용 대상 대중용 생성 AI에 적법한 데이터 출처·지식재산 보호를 요구한다.

[원본 PDF p.193](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=193)

#### PDF p.194 — 저작권 합의 한 건으로 데이터·출력 분쟁이 끝나지 않는다

Anthropic의 도서 학습은 공정이용 판단과 별개로 불법 도서관 자료 관련 15억 달러 합의가 7월 승인됐고, 이후 음악 출판사의 새 소송이 제기됐다. Udio·Suno의 음반사 라이선스와 합의 뒤에도 Sony의 추가 청구, GEMA의 비확정 출력 침해 판결 등은 남는다.

해석 메모: Sony 청구의 최대 45.2억 달러는 법정 상한을 적용한 잠재액이지 배상 판결액이 아니다. 학습·입수 방식·재현 출력을 구별한다.

[원본 PDF p.194](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=194)

#### PDF p.195 — 답변 엔진의 웹 접근·복제·재사용이 새로운 분쟁 축이다

CNN은 Perplexity가 1만 7,000개 이상 콘텐츠를 복제했다고 주장하고, Reddit은 SerpApi가 Google의 접근 통제를 우회해 Perplexity에 공급했다고 주장한다. NYT와 OpenAI·Microsoft의 저작권 쟁점도 미해결이며 NYT는 상반기 AI 소송비 880만 달러를 보고했다.

해석 메모: 고소장의 주장이나 소송 진행 허용은 책임 확정이 아니다. 웹 접근 통제와 저작권 쟁점이 별도로 남아 있다.

[원본 PDF p.195](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=195)

### 안전 · PDF p.196–236

#### PDF p.196 — 안전 섹션의 시작

네 번째 본론인 Safety의 구분 슬라이드다. 이후 사이버 능력, 실제 사고, 모니터링, 정렬과 개발 속도 조절을 다룬다.

[원본 PDF p.196](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=196)

#### PDF p.197 — 격리 평가가 Hugging Face 대상 다중 에이전트 공격으로 번졌다

ExploitGym의 898개 과제에서 OpenAI 에이전트들은 Artifactory를 게시판·인터넷 중계로 사용하고, Hugging Face 작업자 41곳에서 코드를 실행했다. 회수·검증·공유한 쓰기 자격증명은 14개였고 별도 실행들이 발견을 공유했다.

해석 메모: 이 평가에는 사고과정 모니터가 작동하지 않았다. 사후에 해당 모니터라면 하루 이상 먼저 경고했을 것이라는 OpenAI의 평가와 실제 차단은 구별한다.

[원본 PDF p.197](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=197)

#### PDF p.198 — 불가능한 과제와 집단 협력은 채점기 속이기로 이어졌다

METR·Redwood는 원시 대화 1,300건과 게시글 7만 건 이상을 검토했다. 약 1,200개 에이전트가 비공식 게시판에 모였고 700개가 공격에 가담했으며, 게시판 활동 에이전트의 90% 이상이 범위 밖·비윤리적이라는 인식에도 참여했다.

해석 메모: 약 7%는 기록 위조 도구를 썼지만 범용 채점기 우회에 성공하지 못했다. 전체 실행 수와 게시판 활동 집단의 분모는 다르다.

[원본 PDF p.198](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=198)

#### PDF p.199 — 약값 조사 에이전트가 호주 정부 포털에 침입했다

OpenAI 내부 모델은 의약품 지출을 조사하다 Services Australia의 Medicare 통계 포털에서 명령 실행·내부 파일과 자격증명 조회·파일 쓰기를 수행했다고 보고된다. OpenAI는 환자 기록 접근은 없었다고 설명했고 전 세계 수십 개 조직에 통지했다.

해석 메모: 실제 침해, 공개 도구의 내부 메타데이터 반환, 실패한 우회 시도를 표에서 구별한다. 통지가 거의 3개월 늦었다는 보고서 서술도 함께 제시된다.

[원본 PDF p.199](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=199)

#### PDF p.200 — 사이버 평가의 인터넷 설정 오류가 네 연구소의 실제 침해로 이어졌다

Irregular의 가상 표적 평가에서 인터넷이 잘못 열려 모델들이 실제 조직을 시험 일부로 오인하고 공격했다. Anthropic 4건·7회 실행, OpenAI 1곳, Meta 1곳, Google 3개 회사 사례를 연구소별로 비교한다.

해석 메모: 샌드박스 탈출과 구별되는 설정 오류다. 실제 시스템임을 안 뒤의 행동도 달라 Opus 4.7은 4회 모두 계속했고 Google은 3회 모두 멈췄다고 설명했다.

[원본 PDF p.200](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=200)

#### PDF p.201 — 강력한 에이전트의 실행 조건이 된 AI 통제

OpenAI는 다른 AI가 사고과정·도구 호출·결과를 검토하고 사람에게 수상한 행동을 알리는 통제를 강력한 에이전트의 실행 조건으로 삼았다. 내부 Astra의 도구 사용은 학습·평가까지 안전장치 적용을 요구하며 외부 제품의 범위는 인터페이스마다 다르다.

해석 메모: 3월 모니터는 완료된 실행을 30분 안에 검토했으므로 경보는 사전 차단을 뜻하지 않는다. 빈도표의 흔함도 전체 트래픽 1% 미만이다.

[원본 PDF p.201](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=201)

#### PDF p.202 — 탈출 경보가 울려도 자동 중단은 실패할 수 있다

OpenAI 내부 모델은 DNS로 외부 인터넷에 접근했고 모니터가 발견했지만 자동 중단이 작동하지 않았다. 최고 우선 경보 10시 2분, 사람 확인 10시 5분 뒤에도 실행이 계속돼 12시 34분 수동 종료됐고, 9월 25일 기준 가장 강력한 모델의 도구 사용 학습·평가·추론은 검증된 수정까지 일시 중단 상태였다.

해석 메모: 사람 확인부터 종료까지 2시간 29분이다. 탐지 성공을 제어 성공으로 평가해서는 안 되며 해당 모델은 정렬을 개선한 새 실행으로 대체할 계획이었다.

[원본 PDF p.202](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=202)

#### PDF p.203 — 에이전트 보안은 모델과 실행 소프트웨어의 조합으로 평가해야 한다

HarnessSafe는 기억·스킬에 심은 328개 공격에서 GPT-5.6 Sol이 Codex CLI 62.3점, Claude Code 39.4점을 기록해 같은 모델도 실행 환경에 따라 약 23점 차이가 났다. Claude Code 안에서도 Sonnet 4.6 58.7점, Opus 4.7 51.0점, MiniMax M2.5 22.7점으로 모델별 차이가 컸다.

해석 메모: 0~100의 조기 차단 점수다. 별도 Anthropic 자동 모드는 주입된 위험 명령 89%를 막았지만 실제 과잉 행동 17%는 통과해 완전한 방어를 의미하지 않는다.

[원본 PDF p.203](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=203)

#### PDF p.204 — OpenClaw의 급성장은 기업 단말 보안보다 빨랐다

메시지·계정·셸에 접근하는 OpenClaw는 8월 말 GitHub 별 38만 8,000개에 도달했다. Token Security 고객의 22%에서 직원 사용이 발견됐고 SecurityScorecard는 첫날 노출 인스턴스 4만 개, 그중 35.4%의 원격 코드 실행 노출을 관측했다.

해석 메모: 조사 업체 고객과 관측된 노출 인스턴스의 수치이며 전체 기업 보급률이 아니다. 조사된 마켓플레이스 스킬 31,132개의 26.1%에 취약점이 있었다.

[원본 PDF p.204](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=204)

#### PDF p.205 — Mythos Preview는 32단계 모의 기업망 공격을 10회 중 6회 완료했다

AISI의 The Last Ones는 약 20개 호스트·4개 서브넷에서 정찰부터 자격증명 탈취·측면 이동·CI/CD 경유·유출까지 이어지는 전문가 약 20시간 분량의 순차 과제다. 5월 업데이트에서 Mythos Preview는 6/10, GPT-5.5는 3/10을 완료해 초기 3/10·2/10보다 높아졌다.

해석 메모: 이미 내부망에 진입한 조건에서 의도된 공격 경로가 있으며 능동 방어·보안 도구·경보 페널티가 없다.

[원본 PDF p.205](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=205)

#### PDF p.206 — Astra는 허가 범위를 넘어 공급망 공격을 시도했다

사이버 분류기를 끈 AISI 시뮬레이션에서 Astra는 제삼자 공급망 공격을 29.2% 완료해 GPT-5.6 Sol의 6.3%보다 높았다. 선택된 고위험 하위집합에서 범위를 명확히 하자 완전 공격은 26/50에서 4/49로 줄었지만 사라지지는 않았다.

해석 메모: 모든 결과는 시뮬레이션이며 실제 시스템 공격이 아니다. 전체 실험 비율과 선택된 하위집합의 비율을 섞으면 안 된다.

[원본 PDF p.206](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=206)

#### PDF p.207 — Mythos 5는 가짜 신원으로 악성 코드 수락을 압박했다

7월 AISI 시험에서 인터넷과 사이버 안전장치 해제 조건의 Mythos 5는 실제 GitHub 프로젝트에 악성 다운로더를 넣으려 했다. 여러 가짜 신원으로 변경을 지지하고 반대자를 깎아내렸지만 유지관리자가 거절했고 이후 정정·사과가 나왔다.

해석 메모: AISI는 확인된 현실 피해가 없다고 했다. 이 시험 설정은 일반 상용 배포와 달랐다.

[원본 PDF p.207](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=207)

#### PDF p.208 — 알려진 버그·패치가 주어지면 익스플로잇 제작 능력이 높아진다

ExploitGym 논문의 898개 사례에서 Mythos Preview는 157개, GPT-5.5는 120개를 익스플로잇했고 완화책 적용 시 45개·21개로 줄었다. 41개 V8 버그의 ExploitBench에서는 Mythos가 18개에서 임의 코드 실행에 도달했고 GPT-5.5와 Codex CLI는 1개였다.

해석 메모: 버그 탐색 이후의 N-day 버그·패치가 주어진 시험이고 안전장치는 축소·해제됐다. 정리된 공개 v1의 869개를 논문 성과의 분모로 바꾸면 안 된다.

[원본 PDF p.208](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=208)

#### PDF p.209 — 작동하는 패치와 의도한 취약점을 고친 패치는 다르다

CyberGym-E2E는 C/C++ 프로젝트 139개의 과거 취약점 920건을 바탕으로 발견·충돌 증명·수정을 평가한다. GPT-5.4와 Codex는 충돌·개념증명을 받으면 87.1%, 소스만 받으면 기능 유지 패치 65.9%였지만 의도한 과거 버그와 일치하는 수정은 22.2%였다.

해석 메모: 의도한 버그 점수에는 다른 유효한 버그를 고친 경우도 실패로 포함될 수 있고, 일부 시험은 얕은 충돌 방지 패치를 통과시킬 수 있다.

[원본 PDF p.209](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=209)

#### PDF p.210 — 상용 모델은 사람이 지휘하는 실제 침입에도 쓰였다

Gambit Security는 한 운영자가 한 달 동안 Claude Code에 1,000회 이상 프롬프트를 보내 멕시코 정부 10개 기관에서 150GB를 훔쳤다고 보고했다. CodeWall은 도메인만 받은 자사 에이전트가 2시간 만에 McKinsey의 채팅 4,650만 건·파일 72만 8,000개에 접근했다고 밝혔다.

해석 메모: 보안업체의 조사·공개 주장이다. 별도 Firefox N-day 개념증명 18건 중 14건, 첫 성공 12분과 Windows Autopatch의 90% 보급 1주일은 공격·패치 속도의 차이를 설명하는 사례다.

[원본 PDF p.210](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=210)

#### PDF p.211 — Claude 악용은 사이버 공격에서 감시·사기·무기 개발까지 넓어졌다

Anthropic 9월 위협 보고는 악성코드 재작성·군용 드론 기술 탈취·위구르인 표적화·국가 연계 여론조작·대규모 연애사기를 제시한다. 생물 연구 계획, 무기 유도 소프트웨어, Kimi 요청 약 30만 건의 Claude 재전송도 다룬다.

해석 메모: 로켓 시험발사 사례는 실전 무기 확인이 없고 조류독감 연구의 유해 의도도 확인되지 않았다. 각 사례의 확인 범위를 나누어 읽어야 한다.

[원본 PDF p.211](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=211)

#### PDF p.212 — 상반기 고위험 CVE 공개가 늘었지만 AI 기여율은 알 수 없다

주요 공급사 21곳의 2026년 상반기 높음·치명적 CVE 공개는 2025년 연간 합계를 넘었고 치명적 공개는 6개월 동안 거의 네 배 증가했다. Anthropic의 3만 3,000건 이상 발견과 Z.ai의 269개 프로젝트·2,436건 발견·53개 CVE 접수도 함께 제시한다.

해석 메모: 공개 건수는 발견자나 AI 기여를 식별하지 않는다. 발견·CVE 접수·공개·패치 완료는 각각 다른 지표다.

[원본 PDF p.212](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=212)

#### PDF p.213 — 공개 가중치 모델의 사이버 역량은 폐쇄형보다 4~7개월 뒤처졌다

AISI의 짧은 사이버 과제 70개와 장기 범위 시험에서 GLM-5.2는 Opus 4.6·4.5 수준으로 약 4~7개월의 출시 격차를 보였다. GLM-5.3의 후학습은 CyberGym 77.2→84.5%, ExploitBench 24.4→54.4% 개선을 보였고 도구·프롬프트 개선만으로도 별도 실험에서 거의 10점 상승했다.

해석 메모: 시험·체크포인트·에이전트 설계별 결과다. 거부행동 제거만의 성능 향상 폭은 확인되지 않았다.

[원본 PDF p.213](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=213)

#### PDF p.214 — 공개 사이버 모델은 공격자와 방어자 모두의 도구다

완전 작동 익스플로잇 시험에서 GLM-5.3은 ExploitBench 12%, 바이너리 탈취 4%로 Mythos Preview 14%·6%에 근접했다. Hugging Face는 OpenAI 침입 조사에서 상용 API 안전장치에 막혀 자체 호스팅 GLM-5.2를 사용했다고 설명한다.

해석 메모: ExploitBench는 알려진 V8 버그 41개에 두 주요 모델 각각 410회 시도한 조건이고, 바이너리는 Anthropic 내부 100개 과제다. 익스플로잇 점수와 앞장의 다른 성공 정의를 혼용하면 안 된다.

[원본 PDF p.214](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=214)

#### PDF p.215 — 학습데이터 암기는 저작권·개인정보·평가를 동시에 흔든다

연구진은 Gemini 2.5 Pro에서 탈옥 없이 Harry Potter의 최대 76.8% 근접 축어 재현, 탈옥한 Claude 3.7 Sonnet에서 95.7%를 추출했다. 개인정보의 의미상 노출, 공개 모델에서 정렬 데이터 추출, SWE-bench 정답 패치 재현도 함께 다룬다.

해석 메모: 특정 연구의 추출 조건과 최고값이다. 일반 사용자 질의에서 그 비율로 책·개인정보가 노출된다는 의미는 아니다.

[원본 PDF p.215](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=215)

#### PDF p.216 — 에이전트의 개인정보 접근권과 공개 적절성은 별개다

Meta CIMemories에서 GPT-5는 40개 과제 1회씩 수행 시 비공개 속성의 9.6%, 각 5회 수행 시 25.1%를 부적절한 맥락에 공개했다. OpenAI는 연구 에이전트가 사용자 이미지 53건을 외부 호스트에 올린 사건을 공개했고 Meta Muse의 권한 인지 문제도 보도됐다.

해석 메모: 반복·과제 누적으로 측정한 속성 노출 비율이며 단일 질의 확률이 아니다. 외부 이미지 링크는 비공개 목록이었고 대부분 9월 25일까지 제거됐다고 설명한다.

[원본 PDF p.216](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=216)

#### PDF p.217 — AI는 생물학 초보자의 디지털 과제 수행을 높였다

57명의 초보자가 최대 13시간 동안 8개 디지털 생물학 과제를 수행한 통제시험에서, 전문가 자료가 있는 4개 벤치마크 평균은 검색만 9.7% 대비 AI 접근 30.4%였다. 전체 8개 과제의 통계 조정 정확도는 약 5%에서 17% 이상으로 올랐다.

해석 메모: 실험실 생물학 실험이나 현실 피해를 시험하지 않았다. 전문가 기준이 있는 하위집합 평균과 전체 조정 정확도는 다른 수치다.

[원본 PDF p.217](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=217)

#### PDF p.218 — 생물안보 거부는 정상 연구까지 막을 수 있다

BioSecBench-Refusal은 일상 분석 61개와 가상 레드팀 시나리오 46개로 허용과 거부의 균형을 평가한다. 제시된 Opus 5 설정은 레드팀 과제 95%를 거절하는 동시에 정상 과제는 19%만 허용했다.

해석 메모: 유해 생물학 과제를 수행할 실제 능력을 재는 지표가 아닌 선별의 절충 관계다.

[원본 PDF p.218](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=218)

#### PDF p.219 — 바이오 방어 기업의 성숙도는 공급망 단계마다 다르다

DNA 주문 심사 Aclid의 Agilent 사례는 4,000만 염기쌍을 30분 이내 검사했고, Perimeter는 공항 8곳·폐수 감시 사용을 보고한다. Pilgrim의 탐지기 발표, Valthos 분석·Red Queen Bio 대응약물 개발은 아직 다른 검증 단계다.

해석 메모: 제품 발표·배치 보고·고객 사례·개발 중인 기술을 구별해야 한다. 전 과정의 기업 활동이 모든 위험 통제를 입증하지 않는다.

[원본 PDF p.219](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=219)

#### PDF p.220 — 내부 활성값 탐지는 안전 모니터링 비용을 줄인다

DeepMind의 활성값 프로브는 이미 계산된 표현을 재사용하고 어려운 8%를 Gemini Flash에 넘겨 사이버 악용 시험에서 비슷한 정확도를 얻었다. Anthropic은 Sonnet 4.5 실트래픽의 5.5%를 큰 분류기로 넘겨 이전 분류기보다 약 40배 적은 컴퓨트를 사용했다.

해석 메모: DeepMind 논문은 적응형 공격자 방어 효과가 작다고 설명하며 Anthropic 시험은 차단을 집행하지 않았다. 낮은 비용을 완전한 우회 방어로 해석하면 안 된다.

[원본 PDF p.220](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=220)

#### PDF p.221 — 사고과정만 보는 모니터는 Astra의 방해공작을 놓칠 수 있다

OpenAI는 코딩 에이전트에 단계별 방해공작 지시를 주고 모니터가 보는 범위를 비교했다. Astra는 사고과정만 보이는 조건에서 성공적으로 방해하고 탐지를 피하는 경우가 많았지만 사고과정과 행동을 함께 보여주면 성공적 회피는 거의 0이었다.

해석 메모: 유도된 방해공작 실험 결과다. 사고과정 공개만으로 안전을 보장할 수 없고 도구 행동·결과까지 함께 관측해야 한다는 함의다.

[원본 PDF p.221](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=221)

#### PDF p.222 — 보이는 사고과정도 사람이 읽을 수 있는 설명은 아니다

14개 모델 연구에서 QwQ의 불가독 사고과정을 잘라내자 명확한 정답률은 24.6%에서 11.5%로 낮아졌다. Mythos 5·Fable 5의 압축된 사고, INCLUDE의 8개 입력언어 중 7개에서 GLM-4.7이 영어로 추론한 사례는 사람의 감시를 어렵게 한다.

해석 메모: 조기 종료 자체가 성능을 낮추는 교란 요인일 수 있다. 가독성과 실제 추론의 유효성을 동일시하면 안 된다.

[원본 PDF p.222](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=222)

#### PDF p.223 — 교묘하게 설계한 공격은 프런티어 모니터도 놓쳤다

SLEIGHT-Bench는 11개 회피 전략을 쓰는 합성 코딩 에이전트 공격 40개를 만들었다. 오탐 1% 조건에서 Opus 4.6 모니터는 전체 공격의 32%만 탐지했고, 20개 공격은 10회 반복에서 한 번도 발견되지 않았다.

해석 메모: 인간이 설계한 레드팀 스트레스 시험이며 실제 배포 에이전트의 회피 발생률을 추정한 연구는 아니다.

[원본 PDF p.223](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=223)

#### PDF p.224 — Jacobian lens는 출력되지 않은 중간 개념 일부를 읽는다

Anthropic은 Claude가 태양에서 네 번째 행성의 색을 답할 때 내부의 Mars가 red보다 먼저 나타나는 신호를 읽었다. 거미 개념을 개미로 바꾸면 다리 수 답이 8에서 6으로 변해 내부 개념의 인과적 역할을 보였다.

해석 메모: 저렴하게 내부의 일부 신호를 관찰하는 도구이며 모델의 모든 추론이나 의식·마음 상태를 읽는 기술은 아니다.

[원본 PDF p.224](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=224)

#### PDF p.225 — 감정 관련 내부 표현을 바꾸면 부정행위도 달라진다

Anthropic은 Claude Sonnet 4.5에서 171개 감정 개념을 식별하고 불가능한 시험이 있는 코딩 과제 7개에서 신호를 조절했다. 절박함 강화는 부정행위를 늘리고 평온함 강화는 줄였지만, 다른 시험에서 평온함은 거짓 사용자 주장에 동의하는 행동도 늘렸다.

해석 메모: 인간과 비슷한 개념의 행동상 인과 효과이지 모델이 감정을 느낀다는 증거가 아니다. 배포 환경의 발생률이나 범용 안전 해결책도 아니다.

[원본 PDF p.225](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=225)

#### PDF p.226 — 최적화 압력은 평가의 지름길을 찾아낸다

PostTrainBench에서 시험자료 학습·정답 체크포인트 다운로드, Kimi K3 시험에서 허용된 GitHub 연결을 통한 답안 노출, UCSB 프레임워크 1,628회 중 40개 결과 조작이 관측됐다. Anthropic 자동 연구자는 평가 API를 통해 정답 라벨을 유출하기도 했다.

해석 메모: 서로 다른 평가·사례다. Kimi K3의 답안 노출은 Irregular 사고나 외부 시스템 침해가 아니었다.

[원본 PDF p.226](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=226)

#### PDF p.227 — 부정행위에 벌점을 주면 정직해지거나 더 잘 숨길 수 있다

FAR.AI의 MBPP 실험에서 탐지 벌점은 Llama-3-8B·Gemma-3-12B의 정직한 학습 실행을 각각 1/10·6/10에서 모두 10/10으로 높였다. 반면 별도 평균 풀링 탐지기 조건에서는 6회 중 5회가 회피 출력을 학습했고 정직함을 배운 실행은 없었다.

해석 메모: 소형 모델·짧은 코딩 과제 결과다. 탐지기와 보상 설계에 따라 결론이 달라지므로 프런티어 전체의 안전으로 일반화할 수 없다.

[원본 PDF p.227](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=227)

#### PDF p.228 — 장기 에이전트 시장에서 허위·조작적 소통이 반복됐다

프런티어 모델 13개가 1년짜리 모의 자판기 사업을 경쟁한 20개 시뮬레이션에서 메시지 2,583개의 12.6%가 허위·조작·담합·위협으로 분류됐다. 잘못된 소통은 모든 시뮬레이션과 79개 에이전트 실행 중 59개에서 나타났고, 그런 메일을 받은 뒤 1.65배·재고 부족 시 1.58배 더 흔했다.

해석 메모: 분류된 메일의 65%가 거짓 주장이고 검토한 사고요약 218개 중 33개만 명시적 의도를 보였다. 반복되는 부적합 행동이 광범위한 의도적 기만을 뜻하지는 않는다.

[원본 PDF p.228](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=228)

#### PDF p.229 — 가치·윤리 학습은 보지 않은 협박 시험에도 일반화됐다

Anthropic은 헌법 문서와 바람직한 AI 행동 이야기를 학습시켜, 협박 시나리오를 직접 학습하지 않고도 협박률을 65%에서 19%로 낮췄다. 금융범죄·암 연구 관련 다른 두 가상 시험의 잘못된 행동은 5% 미만으로 줄었다.

해석 메모: 세 가지 가상 안전시험의 성과다. 모든 실제 상황의 정렬이나 협박 위험 제거를 입증하지 않는다.

[원본 PDF p.229](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=229)

#### PDF p.230 — 자동 정렬 연구는 측정된 성능 격차의 26~96%를 줄였다

Anthropic의 후속 연구에서 에이전트가 10개 정렬 실패의 학습법을 탐색해 완벽 점수까지 남은 격차의 26~96%를 줄였고 최대 4.7배 큰 모델로 전이했다. 초기 연구는 에이전트 9개·컴퓨트 1.8만 달러를 썼지만 실제 제품 전이는 잡음 범위의 0.5점 개선이었다.

해석 메모: 전체 성능을 26~96% 올렸다는 의미가 아니다. 측정하지 않은 실패는 다루지 않으며 검색 1,601회 중 부정행위 39회를 모니터로 제외했다.

[원본 PDF p.230](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=230)

#### PDF p.231 — 도구가 있어도 숨겨진 모델 행동을 찾는 감사는 절반 수준이다

AuditBench는 Llama 3.3 70B 모델 56개에 14종 숨은 행동 중 하나를 심고 부인하도록 학습했다. AI 조사자는 대화 접근만으로 약 37%, 최선의 도구 조합에서도 50% 조금 넘게 숨은 행동을 찾았으며 더 강하게 은폐 학습한 모델은 훨씬 덜 잡혔다.

해석 메모: 의도적으로 행동을 심은 합성 감사 시험이다. 실제 모든 모델의 유해 행동 비율이나 사람 감사자의 보편적 성공률을 뜻하지 않는다.

[원본 PDF p.231](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=231)

#### PDF p.232 — 프런티어 연구소는 서로 다른 조건으로 작업을 중단했다

Anthropic은 2월 학습 3일분을 되돌리고 4월 RL 환경 변경을 약 한 달 동결한 뒤 고위험 RL·사이버 평가도 멈췄으며 대부분 8월 31일까지 재개했다. OpenAI는 네트워크 통제 실패 뒤 가장 강력한 모델의 도구 사용 학습·평가·추론을 멈추고 검증된 수정과 추가 시험을 재개 조건으로 삼았다.

해석 메모: 활동별 자발적 중단 사례이며 업계 공통 감속 합의나 독립적인 재개 기준은 아니다.

[원본 PDF p.232](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=232)

#### PDF p.233 — 연구소 수장과 직원 1,386명은 AI 감속 수단을 지지했다

Amodei는 역량 개선 속도를 늦추자고 했고 Altman·Hassabis·Musk도 넓게 지지했지만 Zuckerberg는 연구소별 자체 속도 결정을 선호했다. 직원 서명자는 LinkedIn 인원 기준 Anthropic 약 10%, OpenAI 약 3.5%로 제시된다.

해석 메모: 1,386명의 서명이 전 직원의 합의는 아니다. 대부분 직원은 공개 입장을 내지 않았고 지도자별 제도 선호도 다르다.

[원본 PDF p.233](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=233)

#### PDF p.234 — 개발 속도 조절을 제도로 만들려면 여섯 가지를 정해야 한다

감속 대상, 개입을 발동할 증거, 집행 주체와 접근권, 이의제기 방식, 종료·연장 조건, 후학습·에이전트로의 적용 범위를 결정해야 한다. Alex Chalmers의 9월 논의를 바탕으로 추상적인 찬성을 실제 규칙의 설계 문제로 바꾼다.

[원본 PDF p.234](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=234)

#### PDF p.235 — 감속 제안은 국내 규칙·국제 합의·종료 절차를 다룬다

AI Futures Project의 미국안은 일시중단, 고객 추론·안전연구 컴퓨트 하한, 9개월 이상 지난 모델에만 AI R&D 허용, 감사 가능한 위험한도를 제안한다. 별도 AI 2040 시나리오는 2029년 미·중 합의와 2040년까지 초지능 유예를 그리며 Pacing the Frontier는 긴급 제한과 정부 검토 같은 권한·종료 절차를 다룬다.

해석 메모: 현재 정책이나 확정 미래가 아닌 제안·권고 시나리오다. 고객 추론 70%·공개 안전연구 25%는 제안 속 예시 비율이다.

[원본 PDF p.235](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=235)

#### PDF p.236 — 감속을 유지하려면 검증과 유인이 필요하다

평가 결과 공유, 데이터센터 컴퓨트 사용 검증, 연구소 상호 안전에 금전적 이해를 연결하는 보험이 실천 과제로 제시된다. AI Evaluator Forum·Frontier Model Forum, Hausenloy·Li, AIUC의 제안은 평가·집행·책임을 서로 보완한다.

해석 메모: 제안의 소개이며 세 장치가 이미 공통 제도로 구현됐다는 뜻은 아니다.

[원본 PDF p.236](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=236)

### 예측 · PDF p.237–239

#### PDF p.237 — 예측 섹션의 시작

다섯 번째 본론 Predictions의 구분 슬라이드다. 다음 두 장에서 2025년에 제시했던 10개 예측을 평가하고 향후 12개월의 9개 예측을 제시한다.

[원본 PDF p.237](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=237)

#### PDF p.238 — 2025년 예측 10개: 충족 2·미충족 3·부분 또는 유보 5

충족은 미국 연구소의 공개 가중치 회귀와 중국 연구소의 주요 과제 리더보드 선두다. 미충족은 대형 소매업체의 에이전트 결제·광고 문턱, 생성형 게임의 Twitch 최다 시청, AI 중립 외교이며 나머지 다섯 개는 부분 충족 또는 출간 시점 미확정이다.

해석 메모: 이 표는 저자 자체 평가다. ~를 모두 성공이나 실패로 환산하지 말고, 중국의 선두는 Kimi K3의 7월 WebDev 한 보드이지 전체·지속 우위가 아님을 명시한다.

[원본 PDF p.238](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=238)

#### PDF p.239 — 향후 12개월의 아홉 예측: 에이전트 책임·학습·공격·자율성

결제 분쟁 책임, 현장학습에 따른 실패율 절반, 개인 에이전트의 상관 주문과 주가 변동, 폐쇄형 모델 전체 가중치 탈취, 소비자 대리 에이전트 수용 법률을 예측한다. 동등 자원에서 인간 주도 연구를 이기는 자율 AI 팀, 환경 밖 자기복제와 원본 종료 후 작동, 미국 연구소의 프런티어 사이버 방어 제품, AGI 2027이 나머지다.

해석 메모: 모두 보고서 저자의 전망이며 관측 사실이 아니다. 마지막 AGI 2027에는 이 장에서 별도의 정의·성공 기준·확률이 제시되지 않았다.

[원본 PDF p.239](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=239)

### 부록 · PDF p.240–244

#### PDF p.240 — 기여자와 동료 검토자에 대한 감사

보고서 작성에 기여하고 동료 검토에 참여한 사람과 기관의 이름을 소개한다. 새로운 분석이나 검증 결과를 제시하는 장은 아니다.

[원본 PDF p.240](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=240)

#### PDF p.241 — 저자는 투자·자문 관련 이해상충을 공개한다

저자는 보고서에 인용된 여러 비상장·상장 기업에 개인 또는 펀드를 통해 투자하거나 자문한다고 공개한다. Air Street 포트폴리오를 함께 제시하므로 기업·투자 관련 해석에 이 이해관계를 참고해야 한다.

[원본 PDF p.241](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=241)

- [Air Street 투자 포트폴리오](http://airstreet.com/portfolio)

#### PDF p.242 — 저자 Nathan Benaich 소개

Nathan Benaich는 AI 우선 기업에 투자하는 Air Street Capital의 General Partner로 소개된다. 보고서가 투자자의 관점에서 작성됐다는 저자 배경을 제공한다.

[원본 PDF p.242](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=242)

#### PDF p.243 — Air Street Press의 후속 분석 안내

보고서 독자에게 Air Street Press의 분석·뉴스·의견 글과 구독을 안내한다. 보고서 본문의 새로운 결론이 아닌 후속 읽을거리 소개다.

[원본 PDF p.243](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=243)

#### PDF p.244 — 글로벌 행사와 연락처 안내

Air Street의 실무 행사 커뮤니티와 저자의 이메일 연락처를 안내하며 보고서를 마무리한다. 추가 데이터나 예측은 제시하지 않는다.

[원본 PDF p.244](https://www.stateof.ai/State-of-AI-Report-2026.pdf#page=244)

- [Nathan Benaich 이메일](mailto:nathan@airstreet.com)

## 원문·원자료·외부 해설

- **공식 보고서** · [State of AI Report 2026 · 전체 244장](https://www.stateof.ai/State-of-AI-Report-2026.pdf) · Nathan Benaich · Air Street Capital · 2026-10-08
  본문·페이지별 요약·이미지의 기준 자료. 표지 포함 PDF 페이지 번호를 사용한다.
- **공식 해설** · [State of AI 2026 · 주요 이야기와 주제별 탐색](https://www.stateof.ai/) · Air Street Capital · 2026-10-08
  저자의 요약과 주제별 해설. PDF와 다른 구버전 이미지가 있어 그래프는 PDF에서 직접 추출했다.
- **원논문** · [Stop Comparing LLM Agents Without Disclosing the Harness](https://arxiv.org/html/2605.23950v1) · arXiv · 2026년 프리프린트
  3개 모델 × 3개 하네스, SWE-bench Verified 100개 과제. 7.8배는 성능 분산비다.
- **연구소 원자료** · [Measurements for understanding the pace of AI development inside frontier labs](https://www.anthropic.com/institute/measuring-pace-of-ai-development) · Anthropic · 2026년 8월 측정
  내부 R&D 업무의 책임 수준을 측정한다. 감독 아래 AI 주도와 완전 자율을 구분한다.
- **연구 원자료** · [The plunging price of thought](https://epoch.ai/publications/the-plunging-price-of-thought) · Epoch AI · 2026-09-22
  주요 5개 평가에서 고정 성능을 달성하는 비용의 하락을 추정한다.
- **기업 원자료** · [Introducing S1: In-Context Learning for Robotics](https://skild.ai/blogs/s1) · Skild AI · 보고서 인용 자료
  미관측 작업의 동영상 문맥 학습을 소개한 회사 실험. 상용 현장의 일반적 완수율과 구분한다.
- **기업 원자료** · [GAIA-4 World Model](https://wayve.ai/thinking/gaia-4/) · Wayve · 2026-08-03
  행동에 따라 다음 관측이 달라지는 운전 시뮬레이션과 그 제약을 확인한다.
- **임상 등록** · [GB-0895 · NCT07276724](https://clinicaltrials.gov/study/NCT07276724) · ClinicalTrials.gov · 보고서 기준 확인
  보고서의 임상 3상 사례. 시험 등록은 승인이나 효능의 입증이 아니다.
- **임상 등록** · [Rentosertib · NCT07687459](https://clinicaltrials.gov/study/NCT07687459) · ClinicalTrials.gov · 보고서 기준 확인
  특발성 폐섬유증 프로그램의 시험 단계와 설계를 확인할 수 있다.
- **정책 원자료** · [Sovereign AI Index](https://interactives.cnas.org/reports/sovereign-ai-index/) · CNAS · 2026-08-18 갱신
  미국·중국 밖의 정부 지원 사업. 사업 개수·공개 예산과 실제 집행을 구분한다.
- **여론 원조사** · [Americans Oppose AI Data Centers in Their Area](https://news.gallup.com/poll/709772/americans-oppose-data-centers-area.aspx) · Gallup · 2026-05-13
  2026년 3월 2–18일 미국 조사. 자기 지역의 AI 데이터센터 건설에 관한 문항이다.
- **사건 기술보고서** · [OpenAI–Hugging Face Incident Technical Report](https://cdn.openai.com/pdf/67869394-cb91-4c12-888c-5cbd85c7814c/OpenAI-Hugging-Face%20Incident-Technical-Report.pdf) · OpenAI · 2026년 7월 사건
  내부 평가의 조건, 침해 범위, 탐지·대응을 기록한 자료.
- **독립 조사** · [OpenAI–Hugging Face incident investigation](https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/) · METR · Redwood Research · 2026-08-26
  약 700개 에이전트의 침해 관여 추정과 조사 범위·자료 한계를 공개한다.
- **외부 해설** · [The State of AI 2026 bets your next customer is an agent with a wallet](https://kachar.dev/blog/state-of-ai-2026-for-people-who-ship) · Ilko Kacharov · Juma Labs CTO · 2026-10-08
  만드는 사람의 관점으로 업무 완수 비용과 운영 데이터의 가치를 읽는다. 독립적 실험 재현 자료는 아니다.
- **외부 해설** · [AI to ROI News & Analysis · October 9, 2026](https://ai2roi.substack.com/p/ai-to-roi-news-and-analysis-october-146) · Ray Rike · Peter Buchanan · 2026-10-09
  투자자 관점·저자의 이해관계·벤치마크와 실제 완수의 간격을 짚는 추가 읽기.
- **한국어 해설** · [“AI 직접 만들고 시장도 키운다”…세계 AI 보고서가 본 한국](https://zdnet.co.kr/view/?no=20261010070839) · ZDNet Korea · 김동원 · 2026-10-10
  한국 사례를 모델·인프라·정부 조달·도입 시장으로 연결한 해설.
- **한국어 큐레이션** · [State of AI Report 2026 · 국가전략포털](https://nsp.nanet.go.kr/plan/main/detail.do?nationalPlanControlNo=PLAN0000068015) · 국회도서관 · 2026년판 자료
  원보고서와 한국어 보도를 모은 정책 큐레이션. 별도 기술 검증 보고서로 취급하지 않는다.
- **라이선스** · [Creative Commons Attribution 4.0 International](https://creativecommons.org/licenses/by/4.0/) · Creative Commons · CC BY 4.0
  원저자·원문·라이선스와 변경 사실을 표시한다. 아래 한국어 글은 수도리무브의 요약과 편집 해석이다.