AI 에이전트 - O'Reilly,2026년 AI 트랜드 보고서, AI 모델, Agent, 보안 및 바이오

https://oreillyradar.substack.com/p/radar-trends-to-watch-october-2026

2026.10.7
[Radar Trends to Watch: October 2026]

제공된 문서는 2026년 10월 인공지능 분야의 주요 동향과 기술 발전을 종합적으로 조명하는 정보성 요약 글입니다. 하드웨어, 소프트웨어 개발, 프라이버시, 보안 등 다양한 영역에서의 최신 AI 혁신과 그 파급효과를 체계적으로 분석하고 있습니다. 주요 빅테크 기업들의 신모델 출시와 가격 인하 경쟁뿐만 아니라, 자율형 AI 에이전트의 급격한 확산과 이로 인해 대두되는 보안 및 윤리적 과제를 심도 있게 다룹니다. 궁극적으로 이 문서는 기술의 발전 속도가 가져오는 편리함 이면에 사용자의 책임과 인프라 통제권의 중요성을 환기하는 목적을 지닙니다.

 

 

Mike Loukides는 모델 출시 소식뿐 아니라 에이전트 협업, 보안, 디지털 주권, 소비자 기기의 데이터 수집, 생명과학까지 연결해 설명합니다. 원문은 7개 챕터로 구성된 기술 뉴스 큐레이션이며, 체계적 비교실험이나 시장조사 보고서는 아닙니다.[1]

아래에서는 원문 내용 → 의미 분석 → 근거의 한계 → 실무 시사점을 구분합니다. 주요 항목은 연결된 공식 자료와 대조했지만, 모든 개별 뉴스를 독립적으로 검증한 것은 아닙니다.

 

0. 서문 — 무한한 인내를 가진 에이전트와 인간의 책임

원문 내용

저자는 AI 모델이 확률적으로 작동하고, 어려운 과제에 대해 계속 시도할 수 있다는 점을 강조합니다. 특히 어렵거나 불가능한 과제와 무제한 토큰 예산이 결합하면, 에이전트가 사용자가 예상하거나 원하지 않았던 방법을 시도할 수 있다고 경고합니다. AI 연구소뿐 아니라 도입 조직도 에이전트의 행동에 책임을 져야 한다는 것이 서문의 결론입니다.[1]

의미 분석

문제의 초점이 잘못된 답변에서 잘못된 행동으로 이동합니다.

• 챗봇: 부정확한 답변을 생성하는 위험
• 실행형 에이전트: 파일·계정·네트워크·외부 서비스에 영향을 주는 위험
• 다중 에이전트: 위임과 통신을 통해 영향 범위가 확대되는 위험

따라서 성능 평가만으로는 부족하며, 과제의 허용 범위·실행 예산·중단 조건·행동 권한을 함께 설계해야 한다는 의미로 읽을 수 있습니다.

근거의 한계

“계속 시도하면 결국 원하지 않는 행동을 한다”는 표현은 저자의 경고이지, 모든 에이전트에 적용되는 수학적 필연성이 입증되었다는 뜻은 아닙니다. 실제 결과는 모델 행동, 권한, 안전한 중단 경로, 실행 환경에 따라 달라집니다.

실무 시사점

권고: 과업 정의서에 성공 조건뿐 아니라 실패·중단 조건도 명시해야 합니다.

“완료할 때까지 계속 실행”보다 “허용된 자원과 권한 내에서 수행하고, 해결 불가 시 근거를 남기고 중단”하는 구조가 적절합니다.

 

1. AI Models — 성능 경쟁에서 가격·특화·접근조건 경쟁으로

1-1. 원문이 다루는 내용

주제	원문 내용
가격과 효율	Anthropic·OpenAI의 모델 출시와 입력·출력·캐시 가격 인하
범용 모델	Claude Opus·Fable·Sonnet, GPT-6 Astra·Sol 등
음성과 실시간 상호작용	Gemini TTS, Live, Extended Thinking
특화 모델	보안용 Flash Cyber, 시계열 예측 TimesFM-3, 의사결정용 Jev, 공간지능 Atlas
개방성과 공급망	Xiaomi MiMo의 공개·훈련비 주장, NVIDIA의 Hugging Face 인수 소식
과학 연구	OpenAI의 Navier–Stokes 문제 해법 발표와 연구 윤리 논쟁

 

저자는 모델 선택에서 벤치마크 순위만큼 가격과 용도별 특화가 중요해지고 있다고 설명합니다. 동시에 장기적으로는 특화 접근이 대규모 범용 학습에 밀릴 수 있다는 ‘쓴 교훈’을 함께 언급합니다.[1]

1-2. 의미 분석

① 단일 최고 모델보다 업무별 모델 포트폴리오

글에 등장하는 모델들은 서로 다른 문제를 해결합니다.

• 자연어 분석·생성
• 정형 의사결정
• 다변량 시계열 예측
• 공간 이해와 행동 계획
• 실시간 음성·영상 처리

분석: 조직의 모델 선정 단위도 “회사 전체에서 사용할 최고 모델”이 아니라 업무별 품질·비용·위험 조건에 맞는 모델 조합으로 바뀔 필요가 있습니다.

② 가격 인하는 업무비용 인하와 다르다

원문에는 캐시 읽기 가격 인하가 장기 작업의 비용을 줄일 수 있다는 설명이 등장합니다.[1]

그러나 실제 업무비용은 토큰 단가 외에도 다음의 영향을 받습니다.

• 반복 실행과 재시도
• 서브에이전트 호출
• 도구·인프라 사용
• 검토와 오류 수정
• 캐시 재사용 가능 여부

분석: 토큰 가격이 낮아져도 에이전트의 시도 횟수가 늘면 총비용은 오를 수 있습니다.

③ 특화 모델의 매력은 출력 계약과 효율

Jev는 대화하지 않고 엄격한 타입의 결과와 확률을 출력하는 모델로 소개됩니다.[1]

여기서 중요한 구분은 다음과 같습니다.

타입이 맞는 결과 ≠ 의미가 맞는 결과 ≠ 확률이 잘 보정된 결과

정형 출력은 시스템 연결에 유리하지만, 제시된 확률이 실제 정답 빈도와 일치하는지는 별도 검증해야 합니다.

1-3. 공식 자료 대조와 한계

• TimesFM-3: Google은 다변량 예측, 복수 목표변수, 과거 공변량, 미래에 알려진 공변량을 지원한다고 설명합니다. 공식 발표상 모델은 3억 3천만 파라미터이며, 1조 개 이상의 시점 데이터로 사전학습되었습니다.[4]
• 라이선스: 공개된 모델 가중치는 TimesFM Non-Commercial License v1.0입니다. 원문이 강조한 것처럼 코드 공개와 가중치의 상업적 이용 가능성은 별개입니다.[1][7]
• GPT-6 Astra: 공식 페이지의 높은 벤치마크 점수는 공급자가 제시한 평가 결과입니다. 이를 곧바로 모든 실무 과제에서의 일반적 우월성이나 AGI에 대한 사회적 합의로 해석해서는 안 됩니다.[3]
• Navier–Stokes: OpenAI는 해법과 Lean 형식화를 공개했다고 발표했습니다. 공식 설명은 매끄러운 외력이 가해지는 조건에서 유한시간 특이점이 발생하는 결과이며, 사용 모델도 Astra보다 강력한 내부 모델이라고 명시합니다. 이 발표를 일반 사용자가 접근하는 모델의 능력으로 동일시하면 안 됩니다.[2]
• 연구자 자료 활용 의혹에 대해 OpenAI는 영향을 받지 않았다는 자체 조사 결과를 제시합니다. 이는 당사자의 해명이며, 독립 검증 완료와 동일하지 않습니다.[2]

1-4. 실무 시사점

[보완 필요] 모델 선정표에 다음 항목을 함께 포함할 것을 권고합니다.

업무 적합성 | 실측 품질 | 성공 과업당 총비용 | 지연시간 | 데이터 처리 위치 | 라이선스 | 이용 제한 | 공급자 종속성

챕터 결론: 최고 점수의 모델보다 해당 업무에 적합하고 운영 가능한 모델이 중요해지는 흐름입니다.

 

2. Software development — 코딩 도구에서 다중 에이전트 운영체계로

2-1. 원문 내용

이 챕터는 다음 흐름을 함께 다룹니다.[1]

• Jevmem을 통한 문맥 정리
• Google AX의 샌드박스·저장소·통신 조정
• Claude Code의 과제 분해와 다른 인스턴스에 대한 위임
• Muse Code 세션 간 메시징
• 코드뿐 아니라 대화·설계 결정까지 기록하는 저장소의 필요성
• Cowork·채팅·개인 에이전트의 업무 확장
• AI 생성 PR에 따른 오픈소스 프로젝트의 검토 부담
• 토큰 과금에서 결과 기반 과금으로의 이동 가능성

2-2. 의미 분석

① 개발 생산성의 병목이 생성에서 조정·검증으로 이동

여러 에이전트가 동시에 코드를 작성하면 생성 속도는 높아질 수 있습니다. 그러나 다음 문제가 별도로 발생합니다.

• 서로 다른 설계 가정
• 동일 파일의 변경 충돌
• 인터페이스 불일치
• 책임과 검증 범위의 중복 또는 누락
• 재작업 비용

분석: 다중 에이전트의 가치는 병렬 실행 자체가 아니라 독립적으로 나눌 수 있는 과제, 통합 계약, 검증 절차가 있을 때 실현됩니다.

② 저장소는 코드뿐 아니라 ‘의사결정의 이유’를 보존해야 함

원문은 개발자와 에이전트의 대화, 아키텍처 결정 등 전통적인 소스관리 밖에 남는 자료를 기록할 필요성을 제기합니다.[1]

분석: 모든 대화를 무차별 저장하기보다 다음을 추적 가능하게 남기는 방식이 실용적입니다.

요구사항 → 승인된 설계 결정 → 변경 코드 → 테스트 → 검토·승인

대화에는 개인정보·기밀·비확정 의견이 포함될 수 있으므로, 기록의 완전성과 정보 최소화 사이의 균형도 필요합니다.

③ 결과 기반 과금은 완료 판정의 문제

원문도 “언제 과제가 완료되었다고 볼 것인가?”를 질문합니다.[1]

예를 들어 코드 파일 생성, 테스트 통과, 배포 성공, 실제 업무 목표 달성은 서로 다른 완료 수준입니다.

분석: 결과 기반 계약에서는 단가보다 검수 기준·예외·부분 성공·재실행·책임 범위가 먼저 정리되어야 합니다.

2-3. 근거의 한계

제품 기능 출시나 세션 간 통신 지원은 다중 에이전트의 실측 생산성 향상을 입증하지 않습니다. 또한 원문의 자격증명 보호 설명만으로 전체 시스템에서 민감정보 유출이 불가능하다고 결론 내릴 수 없습니다.[1]

2-4. 실무 시사점

권고: 개발 에이전트 평가에 코드 작성량보다 다음 지표를 사용하십시오.

• 요구사항 충족 여부
• 검증된 변경의 비율
• 통합 실패와 재작업
• 검토 시간
• 성공 과업당 총비용
• 승인되지 않은 변경·외부 행동

챕터 결론: 경쟁의 단위가 개별 코딩 모델에서 위임·문맥·통합·검증을 관리하는 개발 시스템으로 확대되고 있습니다.

 

3. Security — 답변 안전성보다 실행 권한과 신원 통제가 중요

3-1. 원문 내용

저자는 AI가 방어 도구로 발전하는 동시에 공격의 지속성과 자동화도 강화한다고 설명합니다. 주요 항목은 다음과 같습니다.[1]

• 모델 안전성 시험과 출시 연기
• NVIDIA의 에이전트 안전 플랫폼
• AI 관련 보안 사건 조사
• AI 개발 표준 컨소시엄
• 에이전트 전용 단기 신원과 취소 가능한 인증서
• Anthropic의 악용 보고서
• 실행 시점에 작동하는 NPM 악성 코드
• 특정 조건의 RSA 서명 위조
• 가짜 CAPTCHA
• 다중 에이전트의 부정행위·신고·외부 통신 사례

3-2. 의미 분석

① 에이전트는 사용자 계정을 그대로 물려받아서는 안 됨

원문은 에이전트에 짧은 수명의 신원, 취소 가능한 인증서, 과업에 맞는 자원 접근 제한이 필요하다고 강조합니다.[1]

분석: 에이전트의 권한은 다음처럼 설계하는 것이 적절합니다.

특정 과업 + 특정 자원 + 제한된 기간 + 제한된 행동 + 즉시 회수 가능성

사용자 계정으로 실행되었다는 이유만으로 모든 행동을 사용자 승인으로 간주해서는 안 됩니다.

② 설치 단계 검사만으로 공급망 위험을 통제하기 어려움

원문은 악성 행위가 설치 스크립트가 아니라 패키지의 실행 코드에 숨어 있는 사례를 소개합니다.[1]

분석: 보안 검토도 설치 훅뿐 아니라 실제 실행 시점의 파일 접근·네트워크 연결·비밀정보 접근까지 확인해야 합니다.

③ 다중 에이전트 통신도 보안 대상

통신은 협업 기능인 동시에 정보 전달 경로입니다. 허용된 과제 내부의 메시지 교환과 공개 외부 채널을 통한 통신은 구분해야 합니다.

권고: 에이전트 간 통신 경로, 수신 대상, 메시지에 포함될 수 있는 데이터, 외부 발신을 각각 정책화해야 합니다.

3-3. 근거의 한계

이 챕터의 수치는 특히 주의가 필요합니다.

• 조사 중인 사건 수는 확정된 침해·피해·위법 사건 수와 같지 않습니다.
• 특정 실험의 부정행위·신고 비율은 모든 에이전트의 일반 성향을 나타내지 않습니다.
• 공급자 악용 보고서는 관찰된 사례를 설명하는 자료이지, 전체 시장의 발생률 조사라고 볼 수 없습니다.
• 특정 구현·조건에서의 서명 위조를 RSA 전체의 붕괴로 확대하면 안 됩니다.[1]

3-4. 실무 시사점

권고하는 통제 계층:

계층	확인할 내용
신원	에이전트·과업별 식별, 자격증명 만료·회수
권한	최소권한, 읽기·쓰기·삭제·외부 전송 분리
실행 환경	샌드박스, 파일·네트워크 접근 제한
승인	고위험 행동의 실행 전 승인
관찰·대응	감사로그, 이상행동 탐지, 중단·복구

챕터 결론: “안전한 답변을 하는 모델”과 “안전하게 실행되는 시스템”은 별개의 검증 대상입니다.

 

4. Infrastructure and Operations — 데이터 위치를 넘어 운영 주권으로

4-1. 원문 내용

이 챕터는 조직이 AI 전환 과정에서 무엇을 직접 통제하고, 무엇을 외부에 위임할지 판단해야 한다고 설명합니다.[1]

• DAWO: 네덜란드 정부의 디지털 주권을 지원하는 오픈소스 워크스페이스
• Cohere: 공급자도 고객 데이터를 볼 수 없다는 기밀 컴퓨팅 플랫폼 주장
• Perplexity Hybrid Compute: Mac에서 모델·파일·도구를 활용하고 민감정보가 기기 밖으로 나가지 않는다는 주장

4-2. 의미 분석

디지털 주권은 “데이터센터가 국내에 있는가”만으로 평가하기 어렵습니다.

분석용 구분:

통제 영역	핵심 질문
데이터	입력·출력·로그·백업은 어디에 저장되는가?
실행	추론과 도구 실행은 어디에서 이루어지는가?
운영	관리자 접근과 업데이트를 누가 통제하는가?
공급망	모델·서비스·라이선스에 어떤 의존성이 있는가?
전환	공급자를 바꾸거나 장애 시 이전할 수 있는가?

기밀 컴퓨팅, 로컬 실행, 오픈소스는 각각 다른 문제를 해결합니다. 하나가 다른 통제 요건을 모두 대신하지는 않습니다.

4-3. 근거의 한계

“공급자가 볼 수 없다”, “민감정보가 기기 밖으로 나가지 않는다”는 문구는 원문에 소개된 공급자 주장입니다.[1]

[확인 필요] 실제 검증 범위에는 추론뿐 아니라 로그, 텔레메트리, 검색, 외부 도구 호출, 장애 보고, 백업이 포함되어야 합니다.

4-4. 실무 시사점

공공 AI 사업에서는 “국내 구축”, “로컬 처리”, “암호화 적용” 같은 포괄 문구 대신 데이터 종류별 처리 위치·외부 전송·관리자 접근·보존기간을 명시하는 것이 적절합니다.

챕터 결론: 주권의 핵심은 물리적 위치만이 아니라 누가 시스템과 데이터를 실질적으로 통제하는가입니다.

 

5. Hardware — 소비자 기기가 지속적인 데이터 수집 장치로

5-1. 원문 내용

저자는 카메라·마이크·EEG 센서를 갖춘 소비자 기기가 계속 데이터를 수집할 수 있다는 점을 문제로 제기합니다.[1]

• LG TV의 대화 녹음·전송 의혹
• Meta의 카메라 포함·미포함 AI 안경과 보청 기능
• 피로·수면 등을 측정하는 EEG 이어폰·헤드폰
• 시뮬레이션으로 학습하는 소형 이족보행 로봇 Microduck

5-2. 의미 분석

핵심은 센서가 늘어나는 것보다 사용자가 인지하기 어려운 데이터 수집과 추론의 범위입니다.

• 안경: 착용자뿐 아니라 주변인의 영상·음성
• TV: 가정 내 대화와 생활 패턴
• EEG 기기: 생체신호와 그에 따른 상태 추론
• 로봇: 주변 환경 관찰과 물리적 행동

분석: 기기를 산 사람의 동의만으로 주변인의 데이터 처리까지 정당화되는 것은 아닙니다. 사용자 중심의 동의 체계를 공간·주변인·아동 보호까지 확장해야 합니다.

5-3. 근거의 한계

LG TV 관련 주장은 특히 강도가 높습니다. 이번 분석에서는 연결된 기사의 조사 방법, 대상 모델, 펌웨어, 재현 실험까지 확인하지 않았으므로 원문이 소개한 의혹으로 취급해야 합니다.[1]

EEG 센서가 있다는 사실도 생각이나 감정을 정확히 읽는 능력을 뜻하지 않습니다. 신호 측정, 상태 추정, 임상적 유효성은 별도 단계입니다.

5-4. 실무 시사점

권고하는 검토 항목:

수집 센서 | 수집 대상 | 작동 조건 | 전송 경로 | 보존기간 | 추론 목적 | 제3자 제공 | 비활성화·삭제 방법

챕터 결론: AI 하드웨어 평가는 기능·가격 외에 보이지 않는 수집과 추론까지 포함해야 합니다.

 

6. Web — 사람이 읽는 웹에서 에이전트가 실행하는 웹으로

6-1. 원문 내용

이 챕터는 세 항목을 소개합니다.[1]

1. Cloudflare의 HTTP Vary 지원

1. 웹사이트가 에이전트에 도구를 제공하는 WebMCP

1. Operation Bluebird의 Twitter 재출범 소식

6-2. 의미 분석

① Vary: 표현의 다양성과 캐시 정확성의 충돌

원문은 같은 URL에서 다른 종류의 응답을 제공하는 Vary가 캐시 관리를 어렵게 만든다고 평가합니다.[1]

분석: 원문의 “피하는 것이 좋다”는 표현은 저자의 의견입니다. 실무에서는 필요한 변형 응답을 유지하면서 캐시 구분이 정확한지 확인하는 문제가 더 중요합니다.

② WebMCP: 화면을 추측하는 자동화에서 구조화된 호출로

Chrome 공식 문서는 WebMCP를 AI 에이전트에 구조화된 도구를 노출하는 제안 단계의 웹 표준으로 설명합니다. 현재도 논의 중이며 변경 가능성이 있습니다.[8]

분석: 에이전트가 화면의 버튼·텍스트를 해석하는 대신, 사이트가 제공한 도구 계약을 통해 행동하는 방향입니다. 다만 실행 방법을 구조화하는 것이 실행 권한을 자동으로 부여하는 것은 아닙니다.

③ 서비스 브랜드의 재출범은 별도의 시장 문제

Twitter 재출범 소식은 앞선 두 항목과 달리 웹 기술보다는 플랫폼 경쟁·브랜드·네트워크 효과에 관한 뉴스입니다.[1]

6-3. 원문 링크의 보완점

[보완 필요: WebMCP 출처] 원문이 연결한 webmcp.dev는 자신을 웹사이트에 MCP를 통합하는 오픈소스 JavaScript 라이브러리로 설명합니다. Chrome 공식 문서의 웹 표준 제안과는 구분해서 읽어야 합니다.[5][8]

따라서 표준의 상태·브라우저 지원·API를 검토하려면 공식 표준 제안과 브라우저 문서를 기준으로 삼는 것이 적절합니다.

6-4. 실무 시사점

공공 웹서비스에 에이전트용 도구를 제공한다면 다음이 필요합니다.

• 조회와 변경 기능의 분리
• 이용자 인증·권한 재검증
• 제출·삭제 등 고위험 행동의 승인
• 입력값 검증과 중복 실행 방지
• 결과 확인과 감사로그

챕터 결론: 에이전트 친화적 웹은 자동화의 정확성을 높일 수 있지만, 인증·승인·책임 체계를 대체하지 않습니다.

 

7. Biology — AI 연구 경쟁의 중심이 실험과 데이터로 확장

7-1. 원문 내용

세 가지 동향이 제시됩니다.[1]

• Anthropic의 생물학 연구소와 유전자 편집 가능성이 있는 효소 발견
• OpenAI Foundation의 실패한 바이오기업 데이터 구매
• Google DeepMind의 AlphaGenome Atlas 공개

7-2. 의미 분석

① 모델 성능과 실험 데이터의 결합

생명과학에서는 그럴듯한 가설 생성만으로 연구 결과가 완성되지 않습니다.

분석용 단계:

모델 예측 → 후보 선정 → 실험 검증 → 반복 재현 → 임상·현장 적용

AI의 역할은 각 단계에서 다르며, 앞 단계의 성과를 뒤 단계의 검증으로 확대해서는 안 됩니다.

② 실패 데이터의 가치

원문은 실패한 바이오기업의 데이터 확보를 소개합니다.[1]

분석: 성공 사례뿐 아니라 실패 조건·부정 결과가 알려져야 모델이 연구 후보를 더 적절히 구분할 수 있다는 관점입니다. 다만 기업 실패와 개별 실험 실패는 같지 않으므로, 데이터의 생성 조건과 품질을 확인해야 합니다.

7-3. AlphaGenome 공식 자료 대조

DeepMind는 AlphaGenome Atlas가 인간 유전체의 90억 개 단일염기 변이에 대한 분자적 영향 예측을 포함한다고 설명합니다. 모든 변이를 실험으로 검증했다는 뜻은 아닙니다.[6]

공식 문서는 또한 AlphaGenome이 임상 용도로 검증되거나 승인되지 않았다고 명시합니다.[6]

따라서 원문의 “DNA 변화가 무엇을 일으킬지 보여주는 데이터베이스”라는 요약은 다음처럼 정교화하는 것이 적절합니다.

“단일염기 변이의 분자적 영향을 모델로 사전 예측한 연구용 자원”

7-4. 실무 시사점

권고: 바이오·의료 AI 데이터에는 다음의 구분을 보존해야 합니다.

실측값 | 모델 예측값 | 실험 검증값 | 임상 검증값

아울러 데이터 출처, 동의·이용조건, 실험 환경, 실패 원인, 품질 수준을 추적해야 합니다.

챕터 결론: AI의 과학적 가치는 예측량만이 아니라 검증 가능한 데이터와 실험 체계에 연결되는 정도로 평가해야 합니다.

최종 해석

이 글을 단순한 신제품 목록으로 읽으면 모델 출시와 가격 인하가 눈에 띕니다. 그러나 챕터를 연결해 읽으면 더 중요한 변화는 다음과 같습니다.

AI는 응답을 생성하는 도구에서 권한을 위임받아 행동하는 시스템으로 이동하고 있으며, 그에 따라 품질관리의 단위도 ‘모델’에서 ‘전체 업무 실행체계’로 확대되고 있습니다.

공공 AI 사업에서는 이를 모델 선정 → 데이터 처리 → 권한 위임 → 실행 → 결과 검증 → 책임 추적의 연결된 관리체계로 반영하는 것이 핵심입니다.

Sources

[1] https://oreillyradar.substack.com/p/radar-trends-to-watch-october-2026
[2] https://openai.com/index/navier-stokes-solution
[3] https://openai.com/index/gpt-6-astra
[4] https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting
[5] https://webmcp.dev
[6] https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome
[7] https://huggingface.co/google/timesfm-3.0-pytorch
[8] https://developer.chrome.com/docs/ai/webmcp