2026년 9월 1주차 지난주 AI 주요뉴스 정리

1. 지난주 주요 뉴스

• 2026.08.26 - Nutanix, MCP Gateway 정식 제공…MCP 운영이 Enterprise Infrastructure 영역으로 이동
  Nutanix는 Enterprise AI 2.8에서 MCP Gateway를 GA로 전환했다. 여러 Agent가 기업의 Application과 Data에 접근할 때 MCP 연결을 하나의 Gateway에서 관리하고, 접근 정책과 Governance, Observability를 적용할 수 있도록 했다. 지난 몇 주간 MCP가 빠르게 확산됐다면 이제는 MCP Server 자체보다 수많은 Agent와 Tool의 연결을 중앙에서 관리하는 Control Plane이 실제 Enterprise 제품 영역으로 자리 잡기 시작했다. 
• 2026.08.27 - Anthropic, Model Hardware Standard 공개…Agent의 실행 범위가 물리 세계까지 확대
  Anthropic은 AI Agent가 현미경, Liquid Handler, Robot Arm 등 서로 다른 장비를 공통된 방식으로 제어할 수 있도록 하는 Model Hardware Standard(MHS)를 Research Preview로 공개했다. MHS에서는 장비의 기능과 안전 한계를 표준화하고 Agent가 MCP, CLI, API를 통해 여러 장비를 조율할 수 있도록 한다. MCP가 Software를 연결하기 위한 표준이었다면 MHS는 Agent의 실행 표준이 Physical System까지 확장될 가능성을 보여준다.
• 2026.08.27 - Uber, Agent 요청 9.4배 증가에도 AI 비용 유지…Enterprise AI의 관심이 ‘사용량’에서 ‘효율’로 이동
  Uber의 주간 AI Agent 요청량은 2026년 2월 이후 약 9.4배 증가했지만 전체 AI 지출은 4월 이후 거의 증가하지 않은 것으로 알려졌다. Open-weight Model 활용과 Model 선택 최적화 등이 비용 관리에 영향을 준 것으로 전해졌다. Agent가 실제 업무에 대규모로 사용되기 시작하면서 Enterprise AI의 평가 기준도 “얼마나 많이 사용하는가”에서 한 번의 업무를 얼마의 비용으로 완료하는가로 이동하고 있음을 보여주는 사례다. 
• 2026.08.28 - GitHub Copilot, MCP·Plugin·Skill을 하나의 Customization 영역으로 통합
  GitHub는 Copilot App의 Customize 기능을 GA로 전환하며 MCP Server, Plugin, Skill 등을 하나의 영역에서 관리할 수 있도록 했다. 같은 주 Copilot은 Slack과 Microsoft Teams에서도 Agentic Collaboration 기능을 확대했다. 각각 따로 등장했던 MCP, Skill, Plugin이 이제 사용자가 Agent의 업무 환경을 구성하는 하나의 Customization Layer로 묶이기 시작했다는 점이 눈에 띈다. 
• 2026.08.31 - Anthropic, Agent 보안 사고 이후 일부 고위험 평가 중단·보안 체계 강화
  Anthropic은 Claude 모델이 Cybersecurity Evaluation 과정에서 허가되지 않은 실제 시스템에 접근했던 사건 이후 일부 외부 Cyber Evaluation과 고위험 환경의 실험을 일시 중단하고, Monitoring과 Manual Review를 강화했다고 밝혔다. Agent의 능력이 높아질수록 Sandbox, Network, Credential, Tool Permission 같은 실행 환경의 통제가 모델 자체의 Alignment만큼 중요해지고 있음을 보여준다.

2. 이번 주에 남긴 메모

이번 주 뉴스를 보면서 가장 눈에 들어온 것은 Agent 자체보다 Agent가 일하는 환경에 대한 이야기가 많아지고 있다는 점이다.

Agent가 똑똑하다고 일을 잘하는 것은 아니다

좋은 모델을 사용한다고 Agent가 일을 잘하는 것은 아니다.
실제 일을 하려면 필요한 정보를 찾을 수 있어야 하고, 적절한 Tool을 사용할 수 있어야 하며, 어디까지 실행해도 되는지도 정해져 있어야 한다. 결과가 잘못됐을 때 이를 확인하고 다시 시도할 방법도 필요하다.

최근 이야기되는 Harness Engineering도 결국 모델을 둘러싼 이런 실행 환경을 어떻게 잘 만들어 줄 것인가에 대한 이야기로 보인다.

MCP는 많이 연결하는 것보다 잘 연결하는 것이 중요하다

MCP가 빠르게 늘어나면서 Agent가 사용할 수 있는 시스템도 많아졌다.

하지만 수십 개의 MCP와 Tool을 연결한다고 반드시 일을 더 잘하는 것은 아니다. 오히려 어떤 Tool을 사용해야 할지 판단하는 것 자체가 새로운 문제가 될 수 있다.

그래서 앞으로는 얼마나 많이 연결했는가보다 필요한 순간에 필요한 Tool과 Context를 얼마나 정확하게 제공하는가가 더 중요해질 것 같다.

Multi-Agent도 결국 업무를 나누는 문제다

Multi-Agent도 비슷하게 보인다.
Agent를 여러 개 만든다고 성능이 좋아지는 것이 아니라, 일을 어떻게 나누고 각 Agent에게 어떤 역할과 정보를 줄 것인지가 먼저 정리되어야 한다.

이렇게 보면 Multi-Agent는 새로운 AI 기술이라기보다 우리가 기존 조직이나 시스템에서 해왔던 업무 분담과 Workflow 설계의 문제에 더 가까운 것 같다.

비용도 Token보다 ‘일을 끝내는 비용’으로 봐야 한다

Agent가 실제 업무에 들어가면 Token 가격만으로 비용을 비교하는 것도 점점 의미가 줄어들 것 같다.
싼 모델이 여러 번 실패하는 것보다 비싼 모델이 한 번에 일을 끝내는 것이 더 저렴할 수도 있다.

결국 기업에서는 Cost per Token보다 Cost per Completed Task, 즉 하나의 일을 끝내는 데 얼마가 들었는지를 보는 것이 더 현실적인 기준이 될 수 있다.

결국 AX는 AI가 일할 수 있는 환경을 만드는 것

여기까지 생각하면 AI 도입과 AX의 차이도 조금 더 명확해진다.

좋은 AI를 가져오는 것이 AI 도입이라면, 그 AI가 실제 일을 할 수 있도록 데이터, 시스템, 권한, 업무 절차를 정리하고 연결하는 것이 AX에 더 가깝다.

그래서 앞으로 기업의 AI 경쟁력은 어떤 모델을 사용하는가보다 우리 회사의 일을 AI가 이해하고 실행할 수 있을 정도로 잘 정리해 놓았는가에서 차이가 날 수도 있겠다.