자기 개선 루프가 제품이 됐다 — PM이 설계할 것은 에이전트가 아니라 루프다
재귀적 자기 개선이란 에이전트가 다음 에이전트를 개선하는 피드백 루프를 가리킨다. Anthropic Institute는 2026년 6월 이를 공식 운영 시스템으로 공개했고, OpenAI Codex는 같은 구조로 6주 만에 정확도를 25%에서 86%로 끌어올렸다.
주제별 글 / 에이전트 구조
에이전트 구조
모델, 도구 호출, 오케스트레이터, 하네스, 실행 환경으로 이루어진 에이전트의 구조 설계.
19편, 최신순
에이전트 인프라는 자본·컴퓨트·검색의 3축이다
에이전트 인프라란 모델 API 호출 이상의 세 레이어—컴퓨트 선점·자본 규모·검색 접근권—가 동시에 작동하는 구조다. OpenAI의 GPU 장기 계약, AWS 한국 12.6조 투자, Exa $250M 조달이 같은 시점에 수렴한 것은 우연이 아니다.
VC가 'AI 래퍼는 끝났다'고 쓴 주에 중국은 OS에서 에이전트를 돌리는 폰을 냈다
AI 래퍼란 기반 모델 위에 기능 하나만 얹은 제품 구조다. 벤처캐피털 nfx는 이 방식의 방어력이 소멸한다고 선언했고, 같은 주 중국은 OS 레벨에서 에이전트를 돌리는 단말을 세계 최초로 출시했다. 채널코퍼레이션이 11년 데이터로 월 100만 건을 처리하는 방식이 래퍼의 반대편이다.
잘하는 에이전트가 좋은 오케스트레이터가 되지 못하는 이유
오케스트레이터란 가장 잘하는 에이전트가 아니라 역할 분리와 위임 설계를 담당하는 레이어다. Karpathy가 정의한 'outsource thinking but not understanding' 원칙과 Grok의 4에이전트 병렬 검증 구조는 환각률 65% 감소를 실측했다.
에이전트의 답변이 UI가 됐다 — 출력 표면이 바뀌면 PM 설계도 달라진다
출력 표면이란 에이전트가 결과를 어떤 형태로 돌려주는가를 가리킨다. OpenAI는 GPT-6 Intelligent UI로 답변을 버튼·차트·폼으로 즉석 생성했고, Anthropic은 자연어로 실시간 대시보드와 영상을 만들었다. 두 벤더가 같은 주에 같은 방향을 낸 건 신호다.
에이전트 OS는 이미 빅테크 디폴트다 — Microsoft와 ServiceNow가 동시에 내린 결론
에이전트 OS란 데이터·판단·실행을 단일 레이어에서 처리하는 에이전트 운영 구조다. Microsoft Agent 365와 ServiceNow K26, 산업이 다른 두 빅테크가 2026년 같은 분기 안에 동일한 구조를 플랫폼 기본값으로 채택했다. 카테고리가 정착됐다는 신호다.
메모리가 능력에서 사양이 됐다 — 구글이 던진 다음 질문
에이전트 메모리란 매번 새로 시작하지 않기 위한 운영 레이어다. 구글은 2026년 10월 기업용 에이전트 스펙에 메모리 4종을 공식 항목으로 기재했고, 국내 티로는 동일한 문제를 300개 기업에 이미 상품화했다.
코딩 에이전트에서 직무별 AI 직원으로 — 에이전트 경쟁의 다음 전선이 바뀌었다
직무별 AI 에이전트란 개발자 도구에서 출발해 전 직군 업무로 실행 표면을 확장한 에이전트다. OpenAI Codex 주간 활성 사용자 500만 중 20%가 비개발자이며, Anthropic은 법무·마케팅·엔지니어링 11개 직무 플러그인을 출시했다.
하네스가 하네스를 고치기 시작했다 — 자기수정 루프를 감시하는 PM의 새 과제
RRSI란 에이전트가 실행 중 자신의 하네스를 스스로 수정하는 구조로, 구글·스탠퍼드·UW 연구팀이 실증했다. OpenAI 세금 에이전트는 6주 만에 완수율이 25%에서 86%로 올랐다. 이제 PM의 질문은 '누가 설계하나'에서 '고치는 루프를 누가 감시하나'로 이동한다.
모델을 바꾸지 않았다 — 하네스만 교체했더니 +52%였다
하네스(실행 흐름 설계)란 에이전트가 모델 위에서 작동하는 방식을 정의하는 구조다. 2026년 9월 arXiv 논문(2609.01481)은 하네스 교체만으로 코딩 에이전트 성능이 평균 52.25% 상승했음을 세 모델 조합에서 실측했다.
잘하는 에이전트를 오케스트레이터로 쓰지 마라
오케스트레이터란 개별 에이전트의 실행 능력이 아닌 역할 배분과 검증 흐름을 설계하는 계층이다. Grok의 4에이전트 병렬 검증 구조는 환각률을 65% 낮췄고, Karpathy는 '이해는 위임 불가'를 오케스트레이터 설계의 핵심 원칙으로 제시했다.
하네스가 벤치마크를 이겼다
에이전트 하네스란 모델을 감싸는 실행 프레임워크다. 딥시크-V4 플래시 동일 과제 30개에서 하네스 설계에 따라 완료율이 46.7%에서 56.7%로 갈렸다. LangChain의 Harrison Chase가 '골대가 옮겨졌다'고 선언한 이유가 이 10%p에 있다.
실행 환경이 제품 본체다: Bitter Lesson of Tool Calling
실행 환경 설계란 에이전트가 도구를 코드로 실행할지 JSON 툴콜로 실행할지 정하는, 성능 상한을 결정하는 선택이다. 실제로 'Bitter Lesson of Tool Calling' 논문과 Cloudflare OS·Azure APIM의 동시 등장이 같은 신호를 보낸다.
LangChain이 선언했다: 에이전트 오케스트레이션의 골대가 옮겨졌다
Managed Deep Agents 발표는 단순한 기능 업데이트가 아니다. 에이전트를 실행하는 게 기본값이 된 시대에, 다음 경쟁이 레이어드 스택 설계에 있음을 보여주는 지형도다.
에이전트 경쟁의 다음 표면은 체인이 아니라 실행 인프라다
hwchase17이 LangSmith를 체인 도구에서 에이전트 실행 인프라로 재정의했다. context-mode 98% 절감, deepagents 25k stars — 세 신호가 같은 방향을 가리킨다. 에이전트 경쟁의 전선이 바뀌었다.
에이전트 루프의 진짜 본체: verifier와 Deep Agents 4요소
15개 agentic-loop 논문이 수렴한 결론은 모델 품질이 아니라 verifier 부재와 비용 설계 누락이었다. hwchase17의 FRESH 프레임워크 기반 Deep Agents 4요소로 루프를 제대로 설계하는 방법을 정리한다.
에이전트 루프의 두 번째 뇌 — 생성과 검증을 분리해야 하는 이유
에이전트가 자기 출력을 스스로 검증하면 확증 편향이 생긴다. 2Brains 분리형 구조와 LangGraph TBC 패턴이 환각과 비용을 동시에 줄이는 방법을 PM 관점으로 정리했다.
에이전트 경쟁력은 모델에서 오지 않는다
카르파시·앤드루 응·알렉스 앨버트·얀 르쿤·해리슨 체이스, 서로 다른 5명의 권위자가 같은 주에 같은 결론을 냈다. 에이전트의 진짜 경쟁력은 모델 스펙이 아닌 하네스·파일 스킬·평가 루프·관측성 인프라 4축에서 결정된다.
잘하는 에이전트가 오케스트레이터를 맡으면 생기는 일
멀티에이전트 시스템에서 가장 뛰어난 모델을 오케스트레이터로 쓰는 것은 직관적이지만 위험하다. '최고 직원=최악 관리자' 원칙이 AI 에이전트 설계에서 반복되는 이유와 PM의 처방을 다룬다.