본 보고서는 2026년 1분기 다수의 권위 있는 연구와 산업 데이터를 기반으로 현재 AI 산업의 실제 상황을 체계적으로 분석한다. 핵심 논점: AI 산업은 현재 인류 산업사의 ‘수공업 단계’와 유사한 탐색기에 놓여 있다 — 하드웨어 인프라에 대규모 투자가 이루어지고 있으나 아직 준비되지 않았고, 소프트웨어 도구는 극도로 불안정하며, 사용자는 전체 프로세스의 인지 부하를 감당하여 심각한 뇌 피로를 겪고 있고, 거시 생산성 데이터는 아직 실질적 향상을 보여주지 못하고 있다. AI의 진정한 대규모 실용화는 컴퓨터·인터넷 시대와 유사한 인프라 보급, 표준 수립, 분업 체계 성숙 과정을 거쳐야 하며, 현재의 곤경은 기술 실패의 신호가 아니라 산업 발전 초기의 필연적 단계이다.
핵심 판단: AI는 “수공업 단계”에 있다
2026년 봄, 글로벌 AI 산업은 당혹스러운 모순적 풍경을 보여주고 있다: 자본은 전례 없는 속도로 유입되고, 기술은 월 단위로 반복 진화하며, 사용자는 전례 없는 강도로 몰입하고 있다 — 그러나 거시 생산성 데이터는 거의 움직이지 않고, 개인 사용자들은 보편적으로 정신적 소진을 보고하고 있다.
이러한 모순은 AI만의 것이 아니다. 인류 산업 발전사를 돌아보면, 모든 주요 기술 혁명의 초기에는 놀랍도록 유사한 특징이 나타났다: 막대한 투입, 저효율 산출, 개인의 고통. 산업혁명 초기에 노동자는 기계를 동시에 작동·감독·수리해야 했고, 인터넷 초기에 웹마스터 한 명이 개발·디자인·운영을 모두 담당했다. 효율의 진정한 도약은 기술 발명의 순간이 아니라, 기술을 중심으로 성숙한 분업 체계, 표준화 프로세스, 인프라 네트워크가 구축된 이후에 발생했다.
대장장이 한 명이 용광로 작동, 단조, 담금질, 연마, 판매의 전 과정을 겸했다. 모든 것을 할 수 있지만 어느 것도 극한에 이르지 못했고, 산출은 제한적이며 인건비는 극히 높고 품질은 불안정했다.
한 사람이 요구사항 구상, 프롬프트 작성, 출력 검토, 품질 판단, 오류 수정, 다중 도구 조율, 최종 의사결정을 수행해야 한다. 하나의 직책이 아니라, 다섯여섯 개의 직책이 하나의 두뇌에 압축되어 있다.
아담 스미스는 《국부론》에서 핀 공장의 예를 들어 분업의 힘을 설명했다: 한 사람이 독립적으로 핀을 만들면 하루 최대 20개이지만, 공정을 18단계로 나누어 각자 한 단계만 전문으로 하면 열 명이 하루 48,000개를 만들 수 있다. 효율 향상은 도구가 강해져서가 아니라 분업이 합리화되었기 때문이다. AI 분야의 현재 상태가 바로 이것이다 — “증기기관”은 이미 발명되었지만, 핀 공장의 생산라인을 세운 사람은 아직 없다.
“AI 브레인 프라이”: 공식적으로 명명된 시대의 질병
2026년 3월, 보스턴컨설팅그룹(BCG)이 UC 리버사이드와 공동으로 Harvard Business Review에 대규모 연구를 발표했다. 대기업 정규직 직원 약 1,488명을 조사하여 새로운 현상에 공식 명칭을 부여했다: “AI 브레인 프라이”(AI Brain Fry) — “AI 도구의 과도한 사용 또는 감독으로 인해 개인의 인지 수용 능력을 초과하여 발생하는 정신적 피로”로 정의된다.
“브레인 프라이” 증상 보고
점수 증가
상승 폭
이직 의향
응답자들은 놀랍도록 일관된 언어로 이 경험을 묘사했다: 브레인 포그(mental fog), 지속적인 윙윙거림(buzzing), 집중력 저하, 시간이 지남에 따라 점점 느려지는 의사결정 속도, 그리고 두통. 많은 사람이 물리적으로 화면에서 벗어나야 했으며, 이 안개 같은 느낌은 때때로 집까지 따라왔다.
“AI와 계속 주고받으며 아이디어를 재구성하고, 데이터를 종합하고, 콘텐츠 구조를 조직했습니다… 결국 제가 만든 것이 의미가 있는지조차 판단할 수 없게 되었습니다… 다음 날 뇌가 회복된 후에야 다시 검토할 수 있었습니다.”
연구에 따르면, 가장 큰 인지 부하의 원인은 “AI 사용” 자체가 아니라 “AI 감독”이었다. 높은 AI 감독 업무는 14% 더 많은 정신적 노력, 12% 더 많은 정신 피로, 19% 더 많은 정보 과부하를 초래했다. 직원이 동시에 3개 이상의 AI 도구를 사용하면 생산성이 명확한 하락 전환점을 보였다.
“AI 브레인 프라이” ≠ 전통적 직업 번아웃(Burnout). 번아웃은 수개월에서 수년에 걸쳐 축적되는 만성적 감정 소진이다. 브레인 프라이는 급성 인지 과부하로, 주의력·작업 기억·실행 제어 기능을 직접 타격한다. 반복 업무를 AI에 맡긴 사람들은 번아웃이 오히려 감소했지만, 여전히 브레인 프라이를 경험할 수 있다. 둘은 완전히 다른 신경생물학적 메커니즘으로 작동하며, 다른 대응 전략이 필요하다.
주목할 점은 직무별로 마케팅 직원의 브레인 프라이 비율이 가장 높았다(25.9%), 다음으로 인사(19.3%), 운영(17.9%), 엔지니어링(17.8%). AI가 가장 집중적으로 배치된 직무다 — AI를 가장 적극적으로 “포용”하는 사람들이 AI에 가장 쉽게 역습당하고 있다.
UC 버클리는 2026년 초 HBR에 발표한 독립 연구에서 이를 추가로 검증했다. 200명 규모의 미국 기술 기업에서 8개월간 심층 관찰과 40회 인터뷰를 수행한 결과, AI가 직원들이 더 많은 업무를 수행할 수 있게 해주지만, 직원들은 자연스러운 휴식 시간을 AI 프롬프팅에 사용하기 시작하여 근무일 전체를 채웠다. AI는 일을 줄이는 것이 아니라 — 일을 강화하고 있다.
“마치 머릿속에 십여 개의 브라우저 탭이 열려 있고, 모두 주의력을 놓고 경쟁하는 것 같았습니다. 같은 내용을 반복해서 읽고, 평소보다 훨씬 의심이 많아졌으며, 이유 없이 조급해졌습니다. 사고가 무너진 건 아닙니다, 다만 소음으로 가득 찼을 뿐 — 정신적 잡음 같은 것이었습니다.”
더 경계해야 할 것은 “생산성 환상” 현상이다. 한 연구에서 소프트웨어 엔지니어들은 AI가 20% 효율을 높여주었다고 주장했지만, 실제 측정에서는 속도가 오히려 19% 하락했다. Upwork 글로벌 조사에서는 AI가 가장 큰 생산성 향상(최대 40%)을 가져왔다고 주장한 응답자 중 88%가 동시에 번아웃을 보고했으며, 이직 의향은 다른 사람의 두 배였다. 사람들은 AI에 의해 역량이 강화되고 있다고 생각하지만, 실제로는 AI에 의해 소모되고 있다.
생산성 역설: 데이터는 AI 효율 향상의 약속을 뒷받침하지 않는다
AI 브레인 프라이가 미시적 수준의 증상이라면, 거시 경제 데이터는 더 깊은 문제를 드러낸다: AI는 지금까지 사람들이 기대한 대규모 생산성 향상을 가져오지 못했다. 여러 독립적 데이터 소스가 같은 결론을 가리키고 있다.
| 연구 출처 | 표본 규모 | 핵심 발견 | 태그 |
|---|---|---|---|
| NBER(국가경제연구국) | ~6,000명 임원 미·영·독·호 4개국 |
80% 이상의 기업이 AI가 생산성과 고용에 감지 가능한 영향을 미치지 못했다고 보고; 89%가 생산성 변화 미감지 | NBER |
| ActivTrak 행동 데이터 | 10,584명 사용자 도입 전후 각 180일 |
AI 도입 후 모든 업무 소요 시간 27%~346% 증가; AI로 시간이 절약된 업무 범주 없음; 심층 집중 시간 9% 단축 | 산업 |
| Goldman Sachs | S&P 500 실적 분석 | 경제 전체 차원에서 AI와 생산성 간 유의미한 관계 없음; 소프트웨어 코딩과 고객 서비스에서만 약 30% 향상 | 산업 |
| MIT NANDA | 52개 조직 인터뷰 153명 고위 경영진 300+ 공개 AI 배포 |
95%의 AI 파일럿이 P&L 수준에서 측정 가능한 재무 영향 없음; 기술·미디어통신 두 산업에서만 구조적 변화 징후 | 학술 |
| DX 종단 연구 | 400개 기업 2024.11—2026.02 |
AI 사용량 65% 증가, 코드 배포 처리량 약 10%만 향상 | 산업 |
| 노벨상 수상자 Daron Acemoglu |
MIT 연구 추정 | 향후 10년간 AI로 인한 생산성 향상은 0.5%에 불과 | 학술 |
“데이터는 명확하다: AI는 업무량을 줄이지 않았다. AI와 현대적 업무 방식이 근무일을 더 가볍고, 짧고, 관리하기 쉽게 만든다는 것이 통념이다. 매력적인 이야기이지만, 행동 데이터는 이를 뒷받침하지 않는다.”
더 경계해야 할 점은 S&P 500 기업 중 70%의 경영진이 실적 컨퍼런스콜에서 AI를 열렬히 논의했지만, AI의 특정 업무 영향을 수치화한 기업은 10%, 수익 기여를 수치화한 기업은 1%에 불과하다는 것이다. AI 효율 향상에 관한 대부분의 서사는 여전히 정성적 묘사와 미래 전망에 머물러 있다.
샌프란시스코 연방준비은행의 2026년 2월 경제 보고서도 대부분의 거시 수준 생산성 연구에서 AI 효과에 대한 증거가 제한적이라고 지적했다. AI가 유용하다고 주장하는 기업조차 변혁적 수익의 증거를 제시하지 못했다.
하드웨어 곤경: 철로는 아직 건설 중
AI의 대규모 실용화의 전제 조건은 풍부하고 저렴한 컴퓨팅 자원이지만, 2026년의 현실은 정반대이다 — AI 하드웨어는 극도로 희소한 상태이며, 이 희소성은 구조적인 것이지 주기적인 것이 아니다.
납품 리드타임
AI 자본 지출
2026년 전체 생산량
가동 예정 시기
IDC는 2026년 2월 보고서에서 현재의 메모리 칩 부족을 “전례 없는 위기”로 규정했다: 이것은 단순한 수급 주기적 불일치가 아니라, 글로벌 웨이퍼 생산 능력의 영구적일 수 있는 전략적 재배분이다. 수십 년간 스마트폰과 PC에 서비스해온 DRAM/NAND 생산 능력이 근본적으로 재지향되고 있다 — Nvidia GPU의 HBM에 할당되는 웨이퍼 한 장은 중급 스마트폰에서 빼앗은 웨이퍼 한 장이다. 제로섬 게임이다.
공급 측 제약은 다층적이다: 첨단 공정 GPU(5nm/7nm) 웨이퍼 생산 능력 제한, HBM의 12~16층 적층 요건(HBM 1비트 = 일반 메모리 3비트 포기), 첨단 패키징(CoWoS) 병목, TSMC는 최대 고객 수요의 약 1/3만 충족 가능하다고 공개 발표.
“이것은 제가 업계에서 25년간 경험한 것 중 수급 불균형의 규모와 시간적 범위 면에서 가장 심각한 괴리입니다.”
Google DeepMind의 Demis Hassabis는 칩 부족을 AI 산업의 “초크포인트”라고 불렀다. Micron은 일부 고객의 중기 수요의 2/3만 충족 가능하며, 새 공장은 빨라야 2027년 가동, 완화에는 최소 1년 이상 소요.
하드웨어 희소성의 또 다른 결과는 시장의 양극화: 보증 계약을 가진 하이퍼스케일러는 칩 공급을 받지만, 중소기업과 스타트업은 고가 클라우드를 임대하거나 중고 시장에서 찾는 수밖에 없다. 컴퓨팅 자원의 불평등한 배분은 “만족감”이 아닌 “투쟁감”을 만들어내고 있다.
변증법적으로 볼 사실: AI 추론의 단위 비용은 급격히 하락 중이다. 스탠포드 HAI에 따르면 GPT-3.5 수준 추론 비용은 18개월 만에 백만 토큰당 $20에서 $0.07로 280배 이상 하락했다. 그러나 이것이 “인프라 완성”을 의미하지는 않는다. 첫째, 사용자 기대치가 GPT-4 이상으로 높아졌고, test-time scaling 모델은 수배의 토큰을 소비하여 쿼리당 비용은 오히려 상승할 수 있다. 둘째, 추론 비용 하락의 혜택은 주로 API 개발자에게 돌아가며, 일반 사용자에게는 도구 복잡성과 인지 부하 증가로 나타난다. 인프라 가격 하락은 시작되었지만, 전 사회 혜택의 전환점은 아직이다.
자본 광풍과 수익 격차
AI 분야는 인류 과학기술사상 최대 규모의 자본 집중 투입 중 하나를 경험하고 있지만, 투입과 수익 사이의 격차도 전례 없는 수준이다.
| 기업 | 2026년 AI 자본 지출(추정) | 전년 대비 |
|---|---|---|
| Amazon | ~$2,000억 | — |
| Google / Alphabet | ~$1,750억 | — |
| Microsoft | ~$1,450억 | — |
| Meta | $1,150–1,350억 | — |
| 4사 합계: $6,350–6,650억, 2025년 대비 약 67–74% 증가 | ||
2026~2029년 미국 빅테크 AI 총 지출은 $1.1조, 글로벌 AI 총 지출은 $1.6조 이상으로 전망. 하이퍼스케일러의 자본 지출만으로 미국 전체 에너지 산업 상장 기업 총액의 4배를 초과한다.
그러나 산출 측면에서, MIT NANDA의 2025년 7월 보고서(52개 조직 인터뷰, 153명 고위 경영진 설문, 300+ AI 배포 분석)에 따르면 $300~400억 투입에도 95%의 AI 파일럿이 P&L에서 측정 가능한 영향이 없었다. NBER 조사에서 80% 이상이 생산성 영향을 감지 못했고, S&P 500에서 AI 수익 기여를 수치화한 기업은 1%에 불과하다.
“AI 건설은 이미 너무 거대하고, 너무 잘 알려져 있어서, 이를 추진하는 기업들에 어떤 가격이든 지불하는 것을 정당화하지 못한다. 투자자들이 원하는 것은 더 명확한 증거다 — 대규모 AI 자본 지출이 지속 가능한 수익으로 전환될 것이라는.”
Oaktree Capital의 Howard Marks는 일부 AI 인프라 영역에서 공급업체 금융이 범람하고, 매출 성장 지체에도 레버리지로 자본 지출을 유지하는 상황이 2000년 통신 버블 붕괴 전과 유사하다고 경고했다.
업계 서사와 현실의 균열은 확대되고 있다. Google DeepMind CEO Hassabis는 4년 내 “황금 시대” 진입을 예측하고, Elon Musk는 10~15년 내 전통적 노동이 자발적이 될 것이라고 주장한다. 이러한 약속과 80% 기업 효율 제로, 95% 파일럿 P&L 수익 제로라는 현실 사이의 격차는 심각하다.
DHR Global 2026년 보고서에 따르면 직원 참여도가 2025년 88%에서 2026년 64%로 급락, 83%가 번아웃을 보고. 일선·초급 직원이 가장 큰 타격(62%, 61%)을 받은 반면 임원급은 38%. AI 불안은 조직의 집단 사기를 체계적으로 와해시키고 있다.
투입 측: $6,500억 연간 자본 지출, GDP 대비 비중 지속 상승.
산출 측: 80%+ 기업 생산성 향상 없음, 95% 투자 수익 없음, 1%만 수익 영향 수치화.
이 격차의 본질은 기술이 안 되는 것이 아니라, 기술을 둘러싼 산업 체계가 아직 구축되지 않은 것이다.
소프트웨어의 불안정성: 움직이는 표적을 쫓다
전통적 성숙 도구의 핵심 특징은 “한 번 배우면 오래 쓸 수 있다”는 것이다. Excel은 10년 후에도 기본 논리가 변하지 않고, 운전 기술은 핸들과 교통 규칙이 3개월마다 재설계되지 않는다. 산업화 성숙의 표지 중 하나는 도구의 안정성이다.
그러나 2026년 AI의 현실은 “배우면 바로 구식이 된다”는 것이다. 모델은 월 단위로 반복 진화하며, 프롬프트 최적 작성법 변경, 능력 경계 재설정, 출력 스타일·품질 변동을 수반한다. API가 변하고, 같은 모델의 출력 일관성조차 보장되지 않는다. 사용자는 도구를 사용하는 것이 아니라, 움직이는 표적을 쫓고 있다.
심리학의 “자동화 처리”(Automatic Processing) 개념에 따르면, 기술이 반복 연습으로 일정 수준에 도달하면 고에너지 “통제 처리”에서 저에너지 자동 작동으로 전환된다. 그러나 AI 도구의 고속 반복 진화는 이 자동화 과정을 영원히 완성할 수 없게 만든다. 작업 습관을 막 구축하면 기반이 바뀌어, 두뇌는 다시 고에너지 통제 처리 모드로 돌아가야 한다.
산업혁명 시기에 기계는 안정적이었고, 인간이 한 번 적응하면 됐다. AI 시대에는 인간과 도구가 동시에 격렬하게 변화한다. 자전거 타기를 배우는데 며칠마다 핸들 방향과 브레이크 위치가 바뀌는 것과 같다.
더 심각한 것은, AI가 사용자에게 전면적 교차 분야 역량을 요구한다: 프롬프트 엔지니어링, 모델 특성 판단, 출력 품질 평가, 다중 도구 스케줄링, 매주 기술 업데이트 추적. 이것은 반전문화적이다. 산업화 분업의 본질은 좁은 영역의 전문화인데, AI는 만능인을 요구한다 — 인간 두뇌의 작업 기억 용량은 이를 지탱할 수 없다.
역사의 거울: 철도에서 인터넷까지
AI의 현재 곤경을 더 긴 역사적 시각에 놓으면, 거의 완벽한 주기적 반복을 발견할 수 있다. 노벨상 수상자 Robert Solow는 1987년 “솔로우 패러독스”를 제시했다: 컴퓨터는 도처에 있지만, 유독 생산성 통계에는 없다. 이 패러독스는 2026년 AI 시대에 거의 그대로 재현되고 있다.
매번의 패턴: 인프라 투자 선행 → 막대한 자본 유입 → 버블과 실망 → 인프라 완성 → 비용 대폭 하락 → 표준화·분업 체계 형성 → 진정한 생산성 폭발. IT 혁명은 1970년대에서 1990년대까지 거의 20년. 인터넷은 1995년 버블에서 2005년 성숙까지 10년. AI 일정은 더 짧을 수 있지만, 인프라 미완성인 2026년에 대규모 효율 향상을 기대하는 것은 비현실적이다.
수공업에서 산업화로: AI에 필요한 다섯 가지 도약
산업사 분석과 현재 AI 산업 곤경의 진단을 바탕으로, AI가 “수공업 단계”에서 “산업화 단계”로 나아가려면 다음 다섯 가지 핵심 도약이 필요하다:
| 도약 차원 | 현재 상태(수공업) | 목표 상태(산업화) |
|---|---|---|
| ① 공정 분해 | 한 사람이 프롬프트~의사결정 전 과정 담당 | AI 워크플로우가 표준화 가능한 독립 단계로 분해, 각 단계에 명확한 입출력 규격 |
| ② 전문화 분업 | 모든 사용자가 “풀스택 AI 오퍼레이터” | 전문 역할 등장: 프롬프트 엔지니어, AI 출력 QC, 인간-AI 협업 디자이너, AI 워크플로우 아키텍트 |
| ③ 품질 관리 체계 | 개인 판단에 의존, 통일 표준 없음 | AI 출력 품질 표준, 검토 프로세스, 자동화 검사 메커니즘 구축 |
| ④ 인프라 보급 | 컴퓨팅 파워 극도 집중, 중소기업 배제 | 컴퓨팅 자원 대폭 가격 하락·광범위 접근성 확보, 광대역 인터넷 보급과 같이 |
| ⑤ 인지 보호 메커니즘 | 근무 시간 제한 없음, 부하 상한 없음 | AI 작업의 인지 부하 기준, 합리적 업무 리듬·휴식 제도 수립 |
이 다섯 도약은 선형적이 아니라 상호 의존적이다. 인프라 보급(④) 없이 표준화(①③) 불가, 표준화 없이 분업(②) 정의 불가, 분업 없이 인지 보호(⑤)는 공허하다 — 모든 부하가 여전히 개인에게 압박되기 때문이다.
현재 우리는 첫 번째 단계조차 완성하지 못했다. AI 워크플로우를 몇 개의 단계로 분해해야 하는지, 각 단계의 표준이 무엇인지, 누가 품질 검사를 하는지, 인지 부하의 상한이 어디인지를 명확히 정의한 사람이 없다. 이것이 “수공업 단계”라고 부르는 이유다 — 비하가 아니라 발전 단계에 대한 객관적 정위이다.
탐색의 대가와 미래의 확실성
핵심 결론
2026년 3월의 AI 산업은 “하드웨어는 건설 중, 소프트웨어는 변화 중, 사람은 모색 중”인 삼중 미성숙 중첩기에 있다. 이는 컴퓨터 산업의 1970~1980년대, 인터넷 산업의 1995~2003년 상태와 매우 유사하다.
현재 개인 사용자가 느끼는 뇌 피로, 경쟁 불안, 인지 과부하는 본질적으로 “전산업화” 시스템이 개인을 착취하는 것이다 — 모든 조율 비용은 인간의 두뇌가 부담하고, 모든 탐색 리스크는 선행자가 대가를 치른다. 이것은 개인 능력의 문제가 아니라 시스템이 아직 성숙하지 않은 구조적 결과이다.
그러나 역사는 또한 우리에게 말해준다: 매번 과도해 보였던 인프라 투자는 궁극적으로 다음 시대의 초석이 되었다. 철도 광풍이 깔아놓은 철로는 산업 경제를, 인터넷 버블의 광섬유는 디지털 경제를 뒷받침했다. 오늘 수천억 달러의 데이터 센터와 칩 생산 능력은 미래 AI 경제의 기반이 될 가능성이 매우 높다.
AI의 진정한 대규모 실용화는 세 가지 조건의 성숙을 기다려야 한다: 컴퓨팅 자원의 대폭 가격 하락과 광범위 접근성, 소프트웨어 도구의 안정화와 표준화, 인간-AI 협업의 산업화 분업 체계 구축. 그 이전까지, 우리가 지불하고 있는 것은 일종의 “탐색세”이다.
결론은 비관적이지 않다. 결론은 냉철하다. 자신이 역사의 어디에 서 있는지를 알아야, 합리적인 기대, 합리적인 투입, 합리적인 자기 보호를 할 수 있다.
주요 참고 출처
- Boston Consulting Group & UC Riverside, “When Using AI Leads to ‘Brain Fry'”, Harvard Business Review, March 2026
- National Bureau of Economic Research (NBER), Survey of ~6,000 executives across US, UK, Germany, Australia, February 2026
- ActivTrak, Workplace AI adoption behavioral analysis (10,584 users), March 2026
- Goldman Sachs Research, Q4 Earnings AI Impact Analysis, March 2026
- MIT Project NANDA, “The GenAI Divide: State of AI in Business 2025”, July 2025
- DX Longitudinal AI Impact Study (400 companies), November 2024 – February 2026
- Daron Acemoglu (MIT / Nobel Laureate), AI productivity estimates, 2024
- UC Berkeley / Haas School of Business, “AI Doesn’t Reduce Work — It Intensifies It”, HBR, February 2026
- Upwork & Workplace Intelligence, “From Burnout to Balance”, 2024
- IDC, “Global Memory Shortage Crisis”, February 2026
- Bloomberg, “AI Chip Manufacturing Demand Creates Historic Shortage”, March 2026
- Stanford HAI, “The AI Index 2025 Annual Report”
- Epoch AI, “LLM inference prices have fallen rapidly but unequally”, March 2025
- Federal Reserve Bank of San Francisco, “The AI Moment”, February 2026
- Morgan Stanley, AI Capex and Bubble Risk Analysis, February 2026
- DHR Global, “Workforce Trends 2026”, November 2025
- Fortune, CNN, CBS News, Axios, Euronews, TechCrunch — multiple reports, 2026 Q1