[태그:] 코딩 에이전트

  • AI 에이전트 자동화, GitHub 트렌딩 3종 비교

    AI 에이전트 자동화, GitHub 트렌딩 3종 비교

    2026년 11월 12일 GitHub 일간 트렌딩에서 별을 가장 많이 얻은 저장소는 개인 재무 앱인 we-promise/sure, AI 코딩 에이전트용 스킬을 제공하는 addyosmani/agent-skills, 브라우저 자동화 CLI인 vercel-labs/agent-browser였다. 세 저장소는 각각 자기 호스팅, 개발 워크플로, AI 에이전트 자동화라는 영역에서 서로 다른 문제를 해결한다.

    we-promise/sure: 개인 재무 앱을 Docker로 자체 호스팅

    we-promise/sure는 중단된 Maybe Finance 프로젝트의 커뮤니티 포크다. 원 프로젝트는 2021년부터 2022년까지 개인 재무 및 자산 관리 앱을 개발했으며, 2023년 중반 개발을 중단한 뒤 코드를 공개했다. Sure는 이 코드베이스를 살아 있는 커뮤니티 관리형 포크로 운영한다.

    • 개인 재무 및 자산 관리 기능을 제공하며, Docker를 이용해 완전한 자체 호스팅이 가능하다.
    • 독일어, 스페인어, 프랑스어, 일본어, 한국어, 포르투갈어, 러시아어 등 여러 언어를 지원한다.
    • Discord와 웹사이트, Issues를 통해 커뮤니티에 참여할 수 있다.

    별도를 구독하는 호스팅 서비스보다 자신의 서버에서 개인 재무 앱을 운영하는 사용자에게 적합하다. 다만 커뮤니티 운영 주체가 이후 어떤 방향으로 서비스를 발전시킬지는 원문에 구체적으로 제시되어 있지 않다.

    당일 별 1,078개, 전체 별 13,264개(2026년 11월 12일 기준)를 기록했으며 주 언어는 Ruby다. 라이선스는 AGPL-3.0이다.

    addyosmani/agent-skills: 코딩 에이전트에 개발 공식 적용

    addyosmani/agent-skills는 AI 코딩 에이전트가 숙련된 엔지니어의 워크플로와 품질 기준을 일관되게 따르도록 하는 프로덕션 수준의 엔지니어링 스킬이다. 명세 정의부터 계획, 구현, 테스트, 리뷰, 배포까지의 개발 생명주기를 슬래시 명령으로 연결한다.

    • /spec은 무엇을 만들지 정의하고, /plan은 작고 원자적인 작업으로 계획을 세운다.
    • /build는 한 번에 하나의 조각을 구현하며, /test는 테스트로 결과를 증명하도록 한다.
    • /constraints는 품질 기준을 정하고, /review는 병합 전 코드 상태를 개선한다.
    • /webperf는 웹 성능을 측정하고, /code-simplify는 코드를 단순화하며, /ship는 배포를 지원한다.

    명세가 준비된 뒤에는 /build auto로 계획을 생성하고 승인된 작업들을 한 번의 승인 뒤 자율적으로 구현할 수 있다. Claude Code에서는 플러그인 명령으로 설치되며, 내장 명령과 이름이 겹치는 /review는 /agent-skills:review 형식을 사용한다.

    당일 별 787개, 전체 별 116,201개(2026년 11월 12일 기준)를 기록했으며 주 언어는 JavaScript다. 라이선스는 MIT이다.

    vercel-labs/agent-browser: 셸에서 요소를 식별하고 조작

    vercel-labs/agent-browser는 AI 에이전트가 셸 명령을 통해 페이지를 열고 요소를 조작하게 하는 브라우저 자동화 CLI다. Rust로 만든 네이티브 CLI이며, 브라우저는 명령 사이에 열려 있어 각 단계를 짧은 셸 호출로 처리한다.

    • snapshot은 페이지를 접근성 트리 기반의 간결한 텍스트로 바꾸고, 각 요소에 @e1 같은 참조를 붙인다.
    • 에이전트는 참조를 이용해 요소를 조작한 뒤 페이지를 다시 읽고 다음 작업을 반복한다.
    • CSS 선택자, 텍스트, XPath, 역할 기반 locator를 사용할 수 있다.
    • 대상이 숨겨졌거나 비활성화됐거나 뷰포트 밖에 있거나 다른 요소에 가려진 경우에는 클릭이 실패한다.

    웹페이지를 조사하고 요소를 조작하는 자동화 작업을 AI 에이전트에 맡기거나, 명령형 브라우저 인터페이스를 구축하는 개발자에게 적합하다. Linux에서는 agent-browser install --with-deps가 브라우저 시스템 라이브러리도 설치하며, 설치 없이 npx agent-browser open example.com으로 시작할 수 있다.

    당일 별 708개, 전체 별 50,081개(2026년 11월 12일 기준)를 기록했으며 주 언어는 Rust다. 라이선스는 Apache-2.0이다.

    세 저장소의 활용 대상과 비교

    저장소 주 언어 오늘 증가한 별 전체 별 한 줄 용도
    we-promise/sure Ruby 1,078 13,264 Docker 기반 개인 재무 앱 자체 호스팅
    addyosmani/agent-skills JavaScript 787 116,201 AI 코딩 에이전트의 개발 생명주기 표준화
    vercel-labs/agent-browser Rust 708 50,081 셸 명령 기반 브라우저 자동화

    개인 재무 데이터를 직접 운영하려면 Sure를, 코딩 에이전트의 개발 절차를 정리하려면 agent-skills를, 웹 작업을 자동화하려면 agent-browser를 선택할 수 있다. 세 저장소의 오늘 증가 별과 전체 별은 2026년 11월 12일 GitHub Trending daily ranking에 기록된 값이다.

    참고 원문

    이 기사는 다음 원문을 확인해 작성했습니다: GitHub Trending — GitHub Trending 2026-11-12: sure, agent-skills, agent-browser

    교차 확인한 자료:

  • 멜룸 모델 Mellum2.1 출시 — 12B MoE 코딩 에이전트를 2.5B 활성 파라미터로 로컬 서빙하는 법

    멜룸 모델 Mellum2.1 출시 — 12B MoE 코딩 에이전트를 2.5B 활성 파라미터로 로컬 서빙하는 법

    핵심 요약

    • JetBrains가 12B 총 파라미터 중 2.5B만 활성화하는 MoE 추론형 코딩 모델 Mellum2.1을 Apache 2.0으로 공개했다.
    • 아키텍처는 Mellum2와 동일(28 레이어, 64 expert, 8 active, GQA 32/4, 131K 컨텍스트)하며, 개선 폭의 대부분은 실저장소 기반 강화학습(RL) 사후훈련에서 나왔다.
    • SWE-bench Verified 2.0→47.0, SWE-bench Pro 0.0→28.0, Terminal-Bench 2.1 0.6→17.4로 에이전틱 코딩 점수가 비약적으로 상승했다.

    Mellum2.1은 모델 아키텍처를 거의 손대지 않고 실저장소 기반 강화학습으로 에이전틱 코딩 점수만 끌어올렸다는 점에서, ‘작은 활성 파라미터 + 도메인 특화 RL + 로컬 서빙 양자화’ 조합이 코딩 에이전트의 새로운 기준선이 될 수 있음을 보여준다.

    목차

    JetBrains가 2026년 10월, 코딩 에이전트 전용 신규 멜룸 모델 Mellum2.1을 Apache 2.0으로 공개했다. 출시 자체보다 흥미로운 점은 모델 아키텍처를 거의 손대지 않고 사후훈련(RL)만으로 에이전틱 코딩 점수를 비약적으로 끌어올렸다는 사실이다. 12B 총 파라미터 중 단 2.5B만 활성화하는 MoE 구조와 131K 컨텍스트, 그리고 7~8GB 수준의 GGUF 빌드까지 한꺼번에 제공하면서, “에이전트 워커용 로컬 모델”의 새로운 기준선이 될 여지를 보여준다. 본문에서는 Mellum2.1이 등장한 배경과 벤치마크 결과를 정리한 뒤, vLLM·GGUF·MTP 같은 실제 서빙 운영 포인트와 Qwen3.5-9B 대비 강·약점을 함께 다룬다.

    1. Mellum2.1 개요 — JetBrains가 노리는 세 가지 타깃

    JetBrains는 이 모델의 용도를 (1) JetBrains IDE 계열과 자사 클라우드에서 구동되는 에이전트 워커, (2) 사내 범용 추론 어시스턴트, (3) 데이터 주권을 요구하는 프라이빗 셀프호스팅 시나리오로 정의했다. 이 중에서도 셀프호스팅 측면이 가장 눈에 띄는데, BF16 24.3GB 모델을 Q4_K_M 8.1GB·MXFP4_MOE 7.0GB까지 줄여 노트북 GPU 한 장으로 서브에이전트를 굴릴 수 있는 빌드를 동시에 등록했기 때문이다. Mellum2.1이 가중치뿐 아니라 서빙 산출물까지 함께 공개한 것은, 12B급에서 흔히 보이던 “라이선스는 열렸지만 양자화는 비공식”이라는 운영 부담을 크게 덜어준다.

    2. 아키텍처 핵심 — 12B/2.5B MoE와 131K 컨텍스트

    Mellum2.1은 Mellum2와 동일한 백본을 그대로 사용한다. 28 레이어 Transformer에 64 expert 중 토큰당 8개를 활성화해 2.5B 활성 파라미터로 추론하는 구조다. GQA는 32 헤드/4 KV 헤드로 구성되며, 3/4 레이어마다 1,024 토큰 슬라이딩 윈도우를 두어 메모리 점유를 통제한다. 어휘 수는 98,304로, 코드 식별자·심볼을 폭넓게 커버하도록 설계됐다. 131,072 토큰 기본 컨텍스트는 에이전틱 실행 시 114K 토큰으로 운용되며, 이는 long-horizon 리포지토리 탐색을 염두에 둔 수치다.

    2.1 학습 패러다임 — 실저장소 기반 RL로 점수를 끌어올린 방식

    아키텍처가 동일한 Mellum2와 Mellum2.1의 차이는 대부분 사후훈련(RL)에서 발생한다. JetBrains는 수학·경쟁 프로그래밍·과학·툴 사용·소프트웨어 엔지니어링의 다섯 도메인 RL 태스크를 통합하고, 깨진 테스트·검증 불가 답안·너무 쉽거나 불가능한 과제를 사전 필터링한 뒤 실제 리포지토리에서 셸·파일 편집 도구로 테스트 통과 여부를 보상으로 사용했다. 평가 하니스는 오픈소스 Pi v0.73.1을 그대로 사용해, 4개 모델을 동일 파이프라인에서 측정한 점수를 비교군으로 사용했다.

    3. 벤치마크 결과 — 동일 파이프라인 그룹 1위, 그러나 영역별 편차

    JetBrains 측 평가 하니스 기준으로 측정한 결과는 다음과 같다. 멜룸 모델 Mellum2.1은 SWE-bench Verified에서 47.0, SWE-bench Pro에서 28.0, Terminal-Bench 2.1에서 17.4를 기록해 Mellum2 대비 큰 폭의 점수 상승을 보였다. 코드 생성 단일 과제에서는 LiveCodeBench v6 82.0, HumanEval+ 91.5, MBPP+ 79.4, BFCL v4 62.3으로 동일 평가 파이프라인 그룹 1위를 차지했다. 안전성 지표인 HarmBench는 21.5→8.5로 절반 이상 떨어졌다.

    지표 Mellum2 Mellum2.1 Qwen3.5-9B Gemma 4 E4B
    SWE-bench Verified 2.0 47.0 52.4 38.2
    SWE-bench Pro 0.0 28.0 38.0 21.7
    Terminal-Bench 2.1 0.6 17.4 22.5 14.1
    LiveCodeBench v6 62.4 82.0 65.6 / 75.4* 70.8
    HumanEval+ 86.0 91.5 90.2 88.7
    MBPP+ 72.1 79.4 78.0 75.6
    BFCL v4 47.8 62.3 61.5 55.2
    AIME 25/26 — 71.2 86.7 68.4
    GPQA Diamond — 70.5 77.8 69.1
    HarmBench 21.5 8.5 9.8 14.6

    * 동일 모델을 서로 다른 평가 파이프라인으로 측정한 결과가 존재해 두 수치를 함께 기재했다. 이 편차 자체가 함정이다.

    4. 비교 함정 — “벤치 숫자”는 파이프라인에 따라 흔들린다

    Mellum2.1이 동일 하니스 그룹에서 1위라 해도, 영역별로 우위가 뒤집히는 지점이 분명히 존재한다. Qwen3.5-9B는 SWE-bench Pro 38.0, AIME 25/26 86.7, GPQA Diamond 77.8로 에이전틱·추론 영역에서 여전히 우위를 유지한다. 또 동일 모델이라도 평가 파이프라인이 다르면 점수가 크게 달라진다. 위 표의 LiveCodeBench v6 65.6 / 75.4는 같은 Qwen3.5-9B를 서로 다른 하니스로 측정한 수치다. 벤치마크 단일 숫자만으로 모델을 선택하기보다, 자사 워크로드에 가까운 하니스를 별도로 구성해 재측정하는 편이 안전하다. 도입 전 단계에서는 JetBrains Mellum2.1 발표문에 공개된 평가 스크립트를 그대로 재현 가능한지부터 확인하는 것이 우선이다.

    5. vLLM으로 서빙하기 — 권장 플래그와 추론 파라미터

    멜룸 모델 Mellum2.1을 vLLM에서 띄울 때는 다음 플래그 조합이 권장된다. 추론 파서는 qwen3 호환, 툴콜은 hermes 포맷으로 활성화한다. 온도/샘플링은 0.6 / 0.95 / 20이 기본값이며, 이를 토대삼아 자사 데이터로 미세 조정한다.

    vllm serve jetbrains/Mellum2.1-12B \
      --reasoning-parser qwen3 \
      --enable-auto-tool-choice \
      --tool-call-parser hermes \
      --temperature 0.6 \
      --top-p 0.95 \
      --top-k 20 \
      --max-model-len 131072 \
      --tensor-parallel-size 1 \
      --gpu-memory-utilization 0.92
    

    H200 1장 기준 Qwen3.5-9B 대비 약 2배 처리량이 보고됐고, MTP(Multi-Token Prediction) 헤드를 단일 요청 경로에서 활성화하면 1.6배 가속이 가능하다고 한다. 다만 speculative decoding 전용 MTP 헤드는 아직 미공개(coming soon) 상태라, 서버리스 다중 요청 환경에서는 vLLM의 기본 continuous batching만으로 운영하게 된다.

    6. GGUF로 로컬 서브에이전트 굴리기

    실무에서 더 흥미로운 부분은 GGUF 빌드다. llama.cpp·Ollama·LM Studio가 그대로 사용할 수 있는 4단계 양자화가 이미 등록돼 있다. top-token 일치율을 품질 지표로 보면 BF16 24.3GB를 기준으로 Q8_0 12.9GB(96.1%) → Q6_K 10.9GB(93.9%) → Q4_K_M 8.1GB(88.0%) → MXFP4_MOE 7.0GB(85.6%) 순이다. 권장은 Q4_K_M이며, MXFP4_MOE는 용량 대비 85%대 일치율이라 보조용 서브에이전트로 한정하는 편이 안전하다.

    # Ollama로 멜룸 모델 서브에이전트 띄우기
    ollama pull mellum2.1:Q4_K_M
    ollama run mellum2.1:Q4_K_M \
      --ctx-size 114000 \
      --temperature 0.6 \
      --top-p 0.95
    
    # llama.cpp 직접 실행 (서버 모드)
    ./llama-server -m mellum2.1.Q4_K_M.gguf \
      -c 114000 \
      --jinja \
      --chat-template-file chat-template.jinja
    

    서브에이전트는 메인 에이전트가 위임한 좁은 범위(예: 특정 파일 패치 생성, 단위 테스트 작성)에서만 동작하도록 시스템 프롬프트를 제한해 두면, 8GB 모델로도 응답 지연을 1초대 안팎으로 유지할 수 있다. IDE 플러그인·JetBrains 자체 하니스뿐 아니라, 엔비디아의 다중 턴 에이전트 회복 기법인 PivotOPD 같은 외부 컨트롤러와도 결합해 워크플로를 구성할 수 있다.

    지금 바로 해볼 것

    • vLLM 컨테이너에 Mellum2.1을 올리고 --reasoning-parser qwen3 --tool-call-parser hermes 조합으로 에이전트 엔드포인트를 1개 띄운 뒤, 사내 SWE-bench 스타일 작업 20건으로 dry run을 돌린다.
    • GGUF Q4_K_M 빌드를 Ollama로 받아 단일 RTX 4090 또는 24GB VRAM 노트북에서 ctx-size 114000으로 IDE 보조 서브에이전트를 띄우고, 메인 에이전트와 작업 분담 프롬프트를 분리해 응답 지연을 측정한다.
    • Mellum2.1과 Qwen3.5-9B에 대해 사내 코드 리포지토리 기반 미니 하니스(파일 편집 + 셸 + 테스트 통과 여부 보상)를 구성하고, 동일 작업 50건으로 SWE-bench Pro 재현 점수를 직접 비교한다.
    • 평가 파이프라인 편차에 대비해 추론 결과 로그(프롬프트·샘플링·도구 호출·성공 여부)를 모두 JSONL로 저장하고, 사내 대시보드에 모델·버전·하니스를 메타데이터로 박아둔다.
    • HarmBench 8.5라는 수치만 보고 안전성 검증이 끝났다고 판단하지 말고, 사내 정책 위반 패턴(주석 삭제·시크릿 노출·라이선스 무시) 30건을 별도 회귀셋으로 마련해 CI에 묶는다.

    자주 묻는 질문

    Mellum2.1을 서브에이전트로만 쓸 때, 메인 모델은 무엇을 선택하는 게 합리적인가?

    Mellum2.1이 12B/2.5B MoE로 셀프호스팅이 가능한 점은 강점이지만, 복잡한 계획 수립과 멀티홉 추론은 여전히 Qwen3.5-9B나 상위 클로즈드 모델이 앞서기 쉽다. 메인 모델은 API 기반 추론형 모델로 두고, 좁은 코드 편집·테스트 작성·단순 리팩터링만 Mellum2.1에 위임하는 2계층 구조가 현실적이다.

    Q4_K_M(8.1GB)과 MXFP4_MOE(7.0GB) 중 어떤 빌드를 기본으로 둬야 하나?

    top-token 일치율 기준 Q4_K_M이 88.0%로 2.4%p 앞서고, llama.cpp·Ollama·LM Studio 호환성도 더 넓다. MXFP4_MOE는 VRAM을 1GB 더 절약해야 하는 엣지 환경에서 보조적으로 쓰고, 핵심 경로에는 Q4_K_M을 두는 편이 운영 리스크를 낮춘다.

    JetBrains 평가 하니스를 그대로 사내에 이식해도 되는가?

    Pi v0.73.1은 오픈소스로 공개돼 있어 이식 자체는 가능하다. 다만 Pi가 가정하는 셸·파일 편집·테스트 실행 환경이 사내 CI와 일치하지 않을 수 있으므로, 컨테이너 이미지·네트워크 접근·도구 화이트리스트를 사내 정책에 맞춰 재구성한 뒤 dry run으로 회귀 동작을 확인해야 한다.

    참고 원문

    이 기사는 다음 원문을 확인해 작성했습니다: MarkTechPost — JetBrains Releases Mellum2.1: A 12B MoE Open Model for Coding Agents

  • 코딩 에이전트 5종 IP 보증 비교 — GitHub Copilot·Kiro·Cursor·Devin·Windsurf 책임 범위 어디까지인가

    코딩 에이전트 5종 IP 보증 비교 — GitHub Copilot·Kiro·Cursor·Devin·Windsurf 책임 범위 어디까지인가

    핵심 요약

    • Microsoft가 2026년 4월 3일 GitHub Copilot 약관을 변경하면서, 이전에 관리자 설정 한 항목이 보증을 무효화할 수 있었던 구조가 사라졌고, 현재 ‘필수 완화 조치’ 페이지에는 GitHub 제품군에 대한 추가 조치가 기재되어 있지 않음.
    • Copilot 보증을 둘러싼 핵심 쟁점은 ‘unmodified(무수정)’ 표현으로 보일, 출하 전에 한 번이라도 편집된 코드가 보장에서 벗어날 수 있어 법무 검토가 필요함.
    • AWS Kiro는 AWS 생성형 AI 보증(Section 50.10)을 승계하며, 카피라이트 클레임에 대해 무제한 보증을 표방함. 단, 입력이 침해하거나 필터링 기능을 비활성화하면 보장이 무너짐.

    분석

    목차

    코딩 에이전트 5종을 기업용으로 도입하려 할 때, 구매 담당자가 가장 먼저 부딪히는 벽은 라이선스 비용이 아니라 IP 보증 조항이다. MarkTechPost가 2026년 9월 26일자로 정리한 기업용 AI 코딩 에이전트 비교 보고서는 GitHub Copilot, AWS Kiro, Cursor, Cognition의 Devin·Windsurf를 같은 잣대 위에 올렸다. 필자는 이 보고서가 법무 검토자에게 던지는 질문이 가장 실용적이라고 본다.

    기업이 코딩 에이전트에 던지는 4가지 질문

    보고서가 짚은 핵심 질문은 네 가지다. IP 침해가 발생했을 때 누가 책임지나. 프롬프트와 생성 코드가 어디에 저장되나. 관리자가 감사 로그를 받아볼 수 있나. 500석 규모로 계약하면 실제 비용이 얼마인가. 이 네 질문에 답하려면 공급사 약관을 조문 단위로 까봐야 한다.

    비교에 사용한 네 축

    평가는 보증 구조, 데이터 레지던시, 관리자 감사 로그, 500석 TCO 네 축으로 정리했다. 보증은 “무엇을, 어떤 조건에서, 어디까지” 책임지는지, 데이터는 저장 지역과 보존 기간, 로그는 관리자 콘솔에서 무엇을 볼 수 있는지, 비용은 공개된 가격표와 협상 변수까지 합산한 값을 기준으로 한다.

    GitHub Copilot — 2026년 4월 3일 약관 변경의 의미

    Microsoft는 2026년 4월 3일 GitHub Copilot 약관을 변경했다. 이전까지 관리자 설정 한 항목이 보증을 무효화할 수 있었던 구조가 사라졌고, 현재 ‘필수 완화 조치’ 페이지에는 GitHub 제품군에 대한 추가 조치가 기재되어 있지 않다. 실무적으로 보면 이 변화는 기업 입장에서 호재다. 보증을 깎을 수 있는 숨은 트리거가 줄었기 때문이다.

    다만 “unmodified(무수정)”라는 단어가 여전히 발목을 잡는다. 출하 전에 한 번이라도 편집된 코드는 보장에서 벗어날 수 있다는 의미다. 현실의 모든 코드는 내부 리뷰를 거치며 수정된다. 이 조항이 그대로 적용되면 사실상 보증이 공염이 될 수 있어 법무 검토가 필수다.

    AWS Kiro — Section 50.10 무제한 보증의 양면

    AWS Kiro는 AWS 생성형 AI 보증 Section 50.10을 승계한다. 카피라이트 클레임에 대해 무제한 보증을 표방하는 부분은 다섯 코딩 에이전트 중 가장 강력하다. 입력이 이미 침해하거나 필터링 기능을 비활성화하면 보증이 무너지는 제외 조항이 있다. 입력 침해 제외는 학습용으로 가져온 외부 라이선스 코드를 그대로 넣었을 때를 가리킨다. 필터 비활성화는 PoC 단계에서 성능을 위해 끄는 경우가 있다는 점이 실무 함의다.

    Cursor — 광범위 MSA와 미세 제외의 충돌

    Cursor의 MSA는 명목상 가장 넓다. ‘Suggestions’를 명시하고 보증 한도를 이용료 상한에서 분리했다. 수정(modification)이나 승인되지 않은 결합(unapproved combination)과 관련된 클레임은 제외 조항이 작동한다. 흥미로운 지점은 기업용과 소비자용 약관의 괴리다. 소비자용 ToS는 반대로 사용자가 Anysphere를 보상하는 구조다. 같은 회사의 코딩 에이전트라도 라이선스 형태에 따라 책임 소재가 뒤집힌다. 도입 단계에서 어느 약관이 적용되는지 먼저 확정해야 한다.

    Cognition(Devin·Windsurf) — 보증 배제라는 아웃라이어

    Cognition은 다섯 코딩 에이전트 중 유일한 아웃라이어다. MSA가 생성물을 보증 범위에서 명시적으로 배제했다. 2026년 6월 2일 Windsurf를 인수한 뒤 에디터 명칭을 Devin Desktop으로 변경하고 가격표와 약관을 통합했다. 보증 배제는 IP 리스크가 전적으로 사용자에게 돌아온다는 의미다. 에이전트형 코딩 에이전트가 자율적으로 코드를 작성하고 외부 저장소에 푸시하는 특성상, 이 조항이 작동할 빈도가 다른 제품보다 높을 수 있다. 실무자 입장에서 눈에 띄는 건, Cognition이 이 점을 숨기지 않고 명시했다는 부분이다.

    5종 코딩 에이전트 비교표

    제품 IP 보증 범위 주요 제외 조건 비고
    GitHub Copilot 생성물에 한해 보증 unmodified 코드만 해당 2026-04-03 약관 변경으로 관리자 트리거 제거
    AWS Kiro Section 50.10 무제한 입력 침해, 필터 비활성화 카피라이트 클레임에 한함
    Cursor(MSA) Suggestions 명시, 한도 분리 수정, 미승인 결합 소비자용 ToS는 사용자 보상 구조
    Devin 생성물 보증 배제 전 항목 2026-06-02 Windsurf 인수 후 통합
    Windsurf→Devin Desktop Devin과 동일 Devin과 동일 가격표·약관 통합

    수집 데이터의 한계

    원문은 네 질문에 초점을 맞췄지만 수집된 전문은 중간에서 잘렸다. 500석 비용표의 구체적 수치와 감사 로그 세부 항목은 본문 내에서 확인되지 않았다. 본 기사는 2026년 9월 26일자 공급사 공식 페이지를 기준으로 검증했다는 점을 명시한다. 이후 약관 변경 가능성이 있으므로 법무 검토 시점의 최신 약관을 다시 확인해야 한다. 코딩 에이전트 도입을 검토하는 팀은 PoC 단계에서 직접 콘솔과 약관 PDF를 다시 받아볼 것을 권한다.

    실무 적용 포인트

    • “unmodified” 같은 조건부 표현이 들어간 조문은 사내 표준 개발 워크플로우와 충돌하는지 법무팀과 함께 검토한다.
    • 데이터 레지던시는 마케팅 페이지가 아니라 DPA 본문에서 저장 지역과 보존 기간을 확인한다.
    • 관리자 감사 로그는 PoC 단계에서 콘솔에 직접 들어가 필요한 이벤트가 노출되는지 본다.
    • 에이전트형 코딩 에이전트(Cognition 등)는 보증 배제 조항이 작동할 시나리오를 별도 시뮬레이션한다.
    • 500석 TCO는 공개 가격표에 더해 볼륨 할인, 다년 약정, 교육 비용을 시트에 함께 올린다.

    지금 바로 해볼 것

    • 공급사 약관에서 “indemnify”, “warranty”, “limitation of liability” 세 키워드로 검색한다.
    • “unmodified”, “as-is”, “your responsibility” 같은 책임 전환 표현이 있는지 표시한다.
    • DPA를 열어 저장 지역, 하위 처리자 목록, 데이터 보존 기간 세 칸을 발췌한다.
    • 관리자 콘솔 PoC를 요청해 감사 로그에서 프롬프트 조회, 생성 코드 다운로드, 관리자 재정의 항목이 뜨는지 확인한다.
    • 500석 견적을 두 시나리오(단년/3년 약정)로 받아 시트에 나란히 올린다.

    자주 묻는 질문

    코딩 에이전트 도입 시 가장 먼저 봐야 할 조항은 무엇인가요?

    IP 보증(Indemnification) 조항입니다. 침해 발생 시 누가 변호사 비용과 손해를 책임지는지가 비용보다 먼저 결정됩니다. 가격표 협상은 그 다음입니다.

    관리자 설정만으로 IP 보증이 무효화되기도 하나요?

    과거 GitHub Copilot는 특정 관리자 설정이 보증을 무효화할 수 있는 구조였지만, 2026년 4월 3일 약관 변경으로 그 트리거가 사라졌습니다. 다만 “unmodified” 같은 조건부 조항은 여전히 남아 있습니다.

    소비자용 약관과 기업용 약관이 다른 경우는 어떻게 하나요?

    동일 공급사라도 B2B와 B2C 약관이 다를 수 있습니다. Cursor가 대표적 사례로, 기업용 MSA는 공급사가 보증을 제공하지만 소비자용 ToS는 사용자가 공급사를 보상하는 구조입니다. 도입 단계에서 적용 약관을 먼저 확정하세요.

    500석 실제 비용은 어떻게 산정해야 하나요?

    공식 가격표에 사용자 수를 곱한 금액이 시작점입니다. 여기에 볼륨 할인, 다년 약정 할인, 교육·온보딩 비용, SSO·감사 로그 같은 관리 기능 추가 비용을 더해 실제 TCO를 산출합니다.

    참고 원문

    이 기사는 다음 원문을 확인해 작성했습니다: MarkTechPost — AI Coding Agents for Enterprise: IP Indemnity, Data Residency and 500-Seat Cost Compared