"2026년: 이것이 바로 AGI다" — 세쿼이아의 팻 그레이디와 소냐 황이 말하는 롱-호라이즌 에이전트

AGI의 새로운 정의: 기술적 담론을 넘어 기능적 실체로

우리가 2030년을 목표로 설계했던 미래가 생각보다 훨씬 빨리 찾아올 수 있습니다. 바로 2026년이 될지도 모릅니다. 불과 몇 년 전까지만 해도 선도적인 AI 연구자들은 AGI(인공 일반 지능)라는 모호한 목표를 향해 달려가고 있다고 말했습니다. 당시 우리는 그들이 말하는 AGI의 명확한 기준을 알고 싶어 'AGI를 어떻게 정의하나요?'라는 질문을 던지곤 했습니다.

하지만 이제는 정의에 대한 철학적 논쟁보다 실질적인 효용성에 주목해야 할 때입니다. 우리는 AGI의 기술적 정의를 내릴 도덕적 권위가 없음을 인정합니다. 대신, 우리는 기술이 실제로 무엇을 할 수 있는지에 기반한 '기능적 정의'를 제안하고자 합니다. 이는 단순히 이론적인 완결성을 따지는 것이 아닙니다.

새로운 기술적 역량이 등장할 때마다 우리는 벤처 캐피털의 전설 돈 발렌타인(Don Valentine)이 던졌던 근본적인 질문을 다시 마주하게 됩니다. '그래서, 그게 왜 중요한가?(So what?)'라는 질문입니다. 기술이 아무리 놀라워도 그것이 실질적인 가치와 변화를 만들어내지 못한다면 의미가 없기 때문입니다. 이제 AGI는 정의의 대상이 아니라, 기능의 영역으로 들어오고 있습니다.

지능을 완성하는 세 가지 핵심 축: 지식, 추론, 그리고 반복

기초 지식과 사전 학습의 시대

인간이 무언가를 스스로 알아내기 위해서는 방대한 기초 지식이 필요합니다. AI의 관점에서 이는 '사전 학습(Pre-training)'을 의미합니다. 2022년 전 세계를 놀라게 했던 ChatGPT 모멘트는 바로 이 첫 번째 요소, 즉 방대한 데이터를 바탕으로 한 지식의 축적이 임계점을 넘어서며 발생한 사건이었습니다.

이 단계에서의 AI는 학습된 데이터를 바탕으로 질문에 답하고 문장을 생성하는 데 탁월한 능력을 보였습니다. 하지만 지식만으로는 복잡한 문제를 해결하거나 스스로 목표를 달성하는 데 한계가 있었습니다. 이는 마치 백과사전을 통째로 외우고 있지만, 정작 실생활의 문제를 해결할 실행력이 부족한 상태와 같습니다.

추론 능력과 연산의 확장

두 번째 요소는 습득한 지식을 바탕으로 논리적인 결론을 도출하는 '추론 능력'입니다. 이는 최근 '추론 시 연산(Inference-time compute)'의 중요성을 부각하며 급격히 발전하고 있습니다. 2024년 말 OpenAI의 o1 모델이 출시되면서, AI는 단순히 다음 단어를 예측하는 것을 넘어 스스로 생각하고 검토하는 단계를 보여주었습니다.

추론 능력의 발전은 AI가 복잡한 수학 문제나 코딩 논리를 다룰 수 있게 만들었습니다. 모델이 답변을 내놓기 전 더 많은 연산 자원을 투입하여 사고의 과정을 거치게 함으로써, 지능의 깊이가 한 단계 격상된 것입니다. 이는 지능의 구조에서 '사고의 과정'을 확보했다는 점에서 매우 중요한 진전입니다.

롱-호라이즌 에이전트: 정답을 향한 반복적 여정

마지막 세 번째 요소는 정답을 찾을 때까지 멈추지 않고 과정을 반복하는 능력, 즉 '롱-호라이즌 에이전트(Long-horizon agents)'입니다. 인간은 목표를 달성하기 위해 수많은 시행착오를 겪으며 스스로를 수정해 나갑니다. AI 역시 이제 단순한 일회성 응답을 넘어, 목표가 달성될 때까지 지속적으로 행동하는 단계로 진입하고 있습니다.

최근 Claude Code와 같은 코딩 에이전트들이 보여주는 역량은 이 세 번째 요소가 임계점을 넘어서고 있음을 시사합니다. 지식과 추론이 갖춰진 상태에서 '반복적 실행력'이 결합될 때, 비로소 우리는 진정한 의미의 자율적 지능을 목격하게 될 것입니다.

모호함을 돌파하며 목표를 달성하는 에이전트의 자율성

지능적인 인간의 특징은 명확한 지시가 없어도 스스로 판단하여 작업을 수행한다는 점입니다. 에이전트가 보여주는 진정한 가치는 바로 이 '모호함의 돌파'에 있습니다. 예를 들어, 한 창업자가 에이전트에게 '기술적이면서도 트위터를 즐기는 데브렐(DevRel) 리드를 찾아줘'라는 다소 모호한 미션을 준다고 가정해 봅시다.

에이전트는 단순히 검색 결과만 나열하지 않습니다. 먼저 링크드인에서 후보자를 검색하고, 그들이 유튜브 컨퍼런스에서 강연한 기록을 찾아 분석합니다. 그다음 해당 연사들의 트위터 활동을 교차 검증하여 실제 소통 빈도를 확인합니다. 최근 3개월간 활동이 뜸해진 사람을 걸러내고, 최종적으로 세 명의 후보를 추려 개인화된 이메일 초안까지 작성합니다.

이 과정은 목표를 달성하기 위해 스스로 가설을 세우고, 테스트하고, 막다른 길에 부딪히면 방향을 전환하는 일련의 '스스로 알아내는(Self-discovery)' 과정입니다. 물론 에이전트도 여전히 환각을 일으키거나 문맥을 놓치는 실수를 합니다. 하지만 그 실패의 궤적은 점점 더 예측 가능해지고 있으며, 인간이 개입하여 해결할 수 있는 영역으로 빠르게 편입되고 있습니다.

에이전트 기술을 견인하는 두 가지 핵심 엔진

강화 학습(Reinforcement Learning)을 통한 내재적 최적화

현재 롱-호라이즌 에이전트의 성능을 끌어올리는 기술적 접근 방식은 크게 두 가지로 나뉩니다. 첫 번째는 강화 학습을 활용하는 방식입니다. 이는 모델이 긴 작업 경로를 유지하고 최적의 결정을 내릴 수 있도록 모델 내부의 논리 구조를 직접적으로 가르치는 방법입니다.

강화 학습을 통해 모델은 보상을 극대화하는 방향으로 스스로의 행동 패턴을 학습합니다. 이를 통해 에이전트는 복잡한 과업 수행 중에도 길을 잃지 않고, 목표를 향해 일관된 흐름을 유지하는 능력을 내재화하게 됩니다.

에이전트 하네스(Agent Harnesses)를 통한 구조적 보완

두 번째 방식은 '에이전트 하네스(Agent Harnesses)'를 설계하는 것입니다. 이는 모델 자체의 한계, 예를 들어 메모리 전달 능력이나 정보 압축의 한계를 보완하기 위해 외부적인 스캐폴딩(Scaffolding)을 구축하는 기술입니다.

오늘날 시장에서 주목받는 Manus, Claude Code, 그리고 Factory의 Droids와 같은 제품들은 매우 정교하게 설계된 에이전트 하네스를 갖추고 있습니다. 이들은 모델이 가진 지능을 실제 실행 가능한 워크플로우로 연결해 주는 강력한 구조적 틀 역할을 수행하며, 현재 시장에서 가장 사랑받는 제품군으로 자리 잡고 있습니다.

지수적 성장의 궤적: METR 데이터가 예고하는 미래

만약 단 하나의 지수적 곡선에 베팅해야 한다면, 그것은 단연 롱-호라이즌 에이전트의 성능 곡선일 것입니다. METR은 AI가 복잡하고 긴 호흡의 과제를 얼마나 잘 완료하는지를 추적해 왔는데, 그 발전 속도는 놀라울 정도로 가파릅니다. 데이터에 따르면 에이전트의 역량은 약 7개월마다 두 배씩 증가하고 있습니다.

이 지수적 추세를 바탕으로 미래를 예측해 보면 그 파급력은 상상을 초월합니다. 2028년에는 에이전트가 인간 전문가가 하루 종일 매달려야 하는 업무를 신뢰성 있게 수행할 것이며, 2034년에는 1년 치의 업무량을 소화할 수 있게 될 것입니다. 더 나아가 2049년에는 한 사람의 커리어 전체에 달하는 업무를 수행할 수 있는 수준에 도달할 것으로 보입니다.

이러한 성장은 단순한 기술적 진보를 넘어, 노동과 생산성의 개념 자체를 근본적으로 뒤흔드는 사건이 될 것입니다. 우리가 마주할 미래는 기술이 인간의 도구를 넘어, 인간의 업무량을 지수적으로 확장시키는 파트너가 되는 시대입니다.

2026년의 패러다임 전환: '말하는 AI'에서 '행동하는 AI'로

우리는 지금 AI의 세대 교체기를 지나고 있습니다. 2023년과 2024년의 AI 애플리케이션은 한마디로 '말하는 자(Talkers)'였습니다. 이들은 매우 정교한 대화 상대였고 놀라운 지식을 뽐냈지만, 실제 세상의 문제를 직접 해결하는 영향력에는 한계가 있었습니다.

하지만 2026년과 2027년의 AI는 '행동하는 자(Doers)'로 거듭날 것입니다. 이들은 단순한 챗봇이 아니라, 마치 우리 곁에서 함께 일하는 동료처럼 느껴질 것입니다. 사용 패턴 또한 근본적으로 변할 것입니다. 하루에 몇 번 질문을 던지는 수준을 넘어, 매일 온종일 여러 개의 에이전트 인스턴스를 병렬로 실행하며 업무를 지휘하게 될 것입니다.

이러한 변화는 생산성의 차원을 바꿉니다. 사용자들은 단순히 업무 시간을 몇 시간 아끼는 수준을 넘어, 자신의 역할 자체를 재정의해야 하는 상황에 직면하게 될 것입니다.

AI 에이전트 시대, 인간의 역할은 '관리자'로 재정의된다

에이전트가 '행동하는 자'가 된다는 것은 인간의 직무 모델이 완전히 바뀐다는 것을 의미합니다. 지금까지 우리는 스스로 코드를 짜고, 문서를 작성하고, 데이터를 분석하는 '개별 실무자(Individual Contributor, IC)'로서의 역량에 집중해 왔습니다. 하지만 에이전트 팀이 구축되는 미래에는 이야기가 달라집니다.

미래의 핵심 역량은 에이전트들에게 적절한 목표를 부여하고, 그들의 결과물을 검토하며, 전체 워크플로우를 조율하는 '관리자(Manager)'의 역량이 될 것입니다. 즉, 직접 실행하는 능력보다 '무엇을, 어떻게 실행하게 만들 것인가'를 결정하는 전략적 판단력이 더욱 중요해집니다.

한국의 스타트업 창업자들과 PM들에게 이는 거대한 기회이자 도전입니다. 에이전트를 팀원으로 거느리는 '1인 기업' 혹은 '에이전트 중심 조직'이 등장할 것이며, 이 변화의 흐름을 먼저 이해하고 준비하는 이들이 차세대 AI 경제의 주도권을 쥐게 될 것입니다.