ChatGPT 라이브러리에서 구글 드라이브 파일과 폴더를 탐색하고 Docs, Sheets, Slides를 대화 옆에 열어 둔 채 작업할 수 있게 됐습니다. 구글 워크스페이스를 쓰는 우리나라 기업의 교육 커리큘럼과 권한 점검 항목을 정리합니다.
OpenAI가 2026년 8월 13일 ChatGPT 릴리스 노트에 "Google Drive is now in Library" 항목을 올렸습니다. 구글 드라이브 플러그인을 연결하면 라이브러리에서 드라이브 파일과 폴더를 탐색하고, @멘션으로 채팅에 넣고, Docs와 Sheets, Slides를 대화 옆에 열어 둔 채 요약과 분석, 비교, 새 문서 작성을 시킬 수 있습니다. 코텍시스는 이 변경을 기업교육 관점에서 읽습니다. 구글 워크스페이스를 쓰는 우리나라 기업에서 "내려받아 다시 올리는" 동작이 사라지면, 교육의 중심은 파일 첨부에서 폴더 구조와 권한으로 옮겨 갑니다.
달라진 것
| 기능 | 상태 |
|---|---|
| 라이브러리에서 My Drive와 나에게 직접 공유된 항목 탐색 | 지원 |
| 컴포저 또는 @멘션으로 파일을 재업로드 없이 삽입 | 지원 |
| 폴더를 선택해 안의 파일 전체를 대상으로 작업 | 지원 |
| Docs, Sheets, Slides를 대화 옆에 열어 두기 | 지원 |
| 지원되는 경우 원본 파일 직접 수정 | 지원 |
| 공유 드라이브(Shared Drives) | 미지원 |
| ChatGPT에서 Drive 파일 삭제 | 미지원, Drive에서 처리 |
| 모바일 | 이후 제공 |
Plus, Pro, Business, Enterprise, Edu, Healthcare 플랜의 웹 화면에서 Chat과 Work 양쪽에 순차 적용됩니다. 파일은 Drive에 그대로 있고 라이브러리의 항목은 원본으로 연결됩니다.
직원이 실제로 쓰는 장면
영업기획 담당자가 분기 실적 Sheets를 옆에 열어 두고 전분기 대비 줄어든 지역 세 곳과 원인 후보를 묻습니다. 같은 폴더의 주간 보고 Docs를 함께 지정해 경영회의용 Slides 초안을 만들게 합니다. 파일을 내려받지 않았으므로 버전이 갈라지지 않고, 초안이 원본 옆에 남습니다.
교육 커리큘럼에 반영할 것
파일 업로드 단원은 줄이고 폴더 단위 작업 단원을 새로 둡니다. 폴더 정리 상태가 결과 품질을 좌우하므로 명명 규칙과 폴더 구성이 프롬프트 기법 앞에 옵니다. @멘션으로 파일을 정확히 지정하는 연습과, 원본 수정 기능을 쓴 뒤 Drive 버전 기록을 확인하는 습관도 같은 단원에 넣습니다.
데이터와 보안에서 확인할 것
ChatGPT는 연결한 구글 계정의 기존 권한을 그대로 따릅니다. 문제는 권한이 과하게 열린 폴더입니다. 전체 공유 링크로 운영하던 폴더는 이제 대화 한 줄로 읽힙니다. OpenAI는 연결 앱에서 가져온 데이터로 일반 모델을 학습하지 않으며, 피드백 제출과 복사 붙여넣기, 응답에 포함된 내용만 예외입니다. 메모리가 켜져 있으면 Drive 정보가 개인화에 쓰일 수 있고, 앱 연결을 끊어도 기존 채팅과 메모리는 지워지지 않습니다. Enterprise 워크스페이스에서는 8월 14일부로 개인 사용자 동기화가 종료되어 관리자 관리 동기화만 남았으므로, 관리자가 OAuth 범위와 도메인 위임 설정을 검토해야 합니다.
원문은 ChatGPT 릴리스 노트와 File storage and Library in ChatGPT, Google app data controls FAQ에서 확인할 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.

