10월 9일 금요일
에이전트가 더 많은 일을 맡을수록 사람의 가치는 직접 실행한 양보다 맥락과 승인, 증거와 책임의 경계를 설계하는 능력에서 커진다.
에이전트가 늘수록 사람의 일은 ‘실행’보다 ‘운영’이 된다
속도를 얻으려면 더 많은 에이전트를 켜는 데서 멈추지 말고, 무엇을 맡기고 어디서 사람이 판단할지를 업무 흐름으로 만들어야 한다.
새 병목은 일을 시키는 사람이 감당해야 할 주의력이다
에이전트가 한 번의 요청을 넘어 장시간 일하고 여러 작업을 병렬로 처리하면, 사람은 더 이상 모든 단계를 직접 만드는 사람이 아니다. 대신 각 작업에 필요한 문서와 대화, 화면, 선호와 권한을 건네고, 결과가 충분한지 판정해야 한다. 문제는 에이전트 수만 늘리면 이 감독도 같은 속도로 늘어난다는 데 있다. 각 작업의 진행 상황을 기억하고 질문에 답하며 산출물을 검토해야 한다면 위임은 곧 새로운 관리 노동이 된다. AgentCraft가 게임의 맵과 유닛을 빌려온 이유도 여기에 있다. 모든 로그를 읽는 대신 누가 무엇을 하고 있고 어디에 사람의 주의가 필요한지를 한눈에 보여 주면, 사람은 계속 지켜보는 대신 필요한 순간에만 개입할 수 있다. 도입의 첫 질문은 ‘몇 개를 동시에 돌릴까’가 아니라 ‘어떤 판단만 사람이 붙들 것인가’여야 한다.
좋은 위임은 프롬프트보다 맥락과 완료 기준에서 시작한다
긴 작업을 맡길 때 희소한 입력은 멋진 한 문장이 아니라 업무의 배경과 성공을 확인할 기준이다. Codex 사례에서는 문서·메시지·화면·저장소 이력뿐 아니라 필요한 권한과 과거의 선호까지 재료가 된다. 목표는 ‘만들어라’로 끝나지 않고 테스트, 마일스톤, 시각적 증거처럼 확인 가능한 완료 조건을 가져야 한다. 진행 대시보드와 상태 보고는 사람에게 모든 세부를 기억시키기보다 완료·진행·막힘을 구분하게 한다. 반대로 권한이나 인증이 없으면 막힌 상태를 드러내고, 그 전까지 가능한 일만 이어 가도록 한다. 이 구조에서 관리자의 역할은 지시를 더 자주 입력하는 것이 아니다. 맥락이 빠지지 않았는지, 완료 선언이 실제 증거와 맞는지, 권한을 건네도 되는지를 판단하는 일이다. 자동화가 강해질수록 이 기준은 구두 관행이 아니라 팀이 공유하는 운영 규칙으로 남아야 한다.
가시성은 감시 화면이 아니라 선택적 개입을 위한 인터페이스다
여러 에이전트의 활동을 모두 공개한다고 가시성이 생기는 것은 아니다. 필요한 것은 현재 작업, 최근 행동, 진행 중인 행동과 주의가 필요한 지점을 압축해 보여 주는 방식이다. AgentCraft의 맵·히트맵·주의 대상 이동은 복잡한 활동을 위치와 상태로 줄이고, Review Kit은 변경 파일과 사진·영상 같은 시각적 증거, 병렬 구현 결과를 한곳에 모은다. 덕분에 사람은 모든 결과를 처음부터 다시 만들지 않고 비교와 승인에 집중할 수 있다. 팀 단위에서는 이 가시성이 한 사람의 사적인 에이전트 대화를 넘어 공유 상황판이 되어야 한다. 디자이너의 판단을 엔지니어가 이어받고, 에이전트도 같은 작업 맥락을 볼 수 있어야 전문성이 필요한 사람에게 검토가 돌아간다. 핵심 지표도 생성량보다 사람이 놓친 위험, 되돌린 결과, 승인 대기 시간처럼 운영의 품질을 드러내는 쪽으로 옮겨야 한다.
자동화의 끝에는 없앨 단계와 남길 책임을 구분하는 일이 있다
반복 피드백을 읽고 수정안을 만들고 검토를 요청하는 흐름은 자동화할 수 있다. 하지만 민감한 권한을 주는 일, 실제 사용자가 받아들일 품질인지 판단하는 일, 테스트 결과를 승인하는 일까지 같은 방식으로 넘길 수는 없다. 훅과 허용 목록 같은 고정된 검사는 반복 실수를 막고, 사람은 결과의 의미와 위험을 책임진다. 쉬운 화면도 중요하다. 숙련자는 파일과 에이전트의 세부 상태를 보고 싶어 하지만, 처음 쓰는 사람은 프로젝트와 결과만 확인하고 필요할 때 내부를 열어보는 편이 낫다. 좋은 운영 체계는 깊은 통제와 낮은 진입 장벽을 함께 제공한다. 결국 에이전트 도입의 성과는 초당 요청 수가 아니라, 팀이 더 중요한 판단에 주의를 돌리면서도 검증과 책임을 잃지 않았는지로 평가해야 한다.
자동화된 연구실에서도 과학자의 판단은 사라지지 않는다
AI가 가설과 실험을 연결할수록 과학자는 장비 조작자에서 증거의 품질, 실패의 의미, 연구 방향을 설계하는 사람으로 이동한다.
AI가 실험을 직접 고르고 실행하는 시대에 과학자와 제품팀은 무엇을 책임져야 할까?
자율 연구실이 바꾸는 것은 실험의 속도만이 아니다. 모델이 후보를 제안하고 장비가 합성과 측정을 반복하면, 과학자는 손으로 장비를 움직이는 시간보다 어떤 관측을 믿을지, 실패를 어떻게 기록할지, 다음 캠페인을 어디로 돌릴지에 더 많은 시간을 쓰게 된다. Periodic Labs가 말하는 ‘합성 초지능’은 어려운 질문에 답하는 챗봇이 아니라 예측·합성·측정·재선택을 잇는 시스템이다. 물리 세계에는 이름표가 붙은 정답이 없고 장비 편차와 누락된 맥락이 있기 때문에, 더 똑똑한 모델만으로는 충분하지 않다. 동시에 에이전트가 인터넷과 제품을 더 많이 움직일수록 사용자가 복잡한 내부 절차를 떠맡지 않게 하되 권한·비용·안전의 경계는 더 분명히 해야 한다. 자동화의 목표는 사람을 루프에서 지우는 것이 아니라, 반복 동작은 줄이고 중요한 판단이 더 좋은 증거 위에서 이뤄지게 하는 데 있다.
- 01
실패도 버리지 않는 증거 체계
새 물질을 만들지 못한 실험은 단순한 낭비가 아니다. 어떤 구조와 조건을 피해야 하는지 알려 주는 부정 사례이며, 때로는 예상하지 못한 구조의 출발점이 된다. 성공한 결과만 남기면 시스템은 실패를 피하는 법을 배우지 못한다. 따라서 개별 실험의 성공 여부보다 여러 실패를 거쳐 목표에 도달한 캠페인의 계보를 남겨야 한다. 대화, 과학자의 직관, 실행한 작업, 계산과 코드까지 이어진 기록이 다음 판단의 근거가 된다.
- 02
완전 자율보다 먼저 고쳐야 할 병목
사람의 손재주를 모두 로봇으로 대체하는 것보다 반복 측정과 특성 분석, 데이터 품질 문제를 먼저 자동화하는 편이 실용적이다. 장비가 실험 목적과 앞선 증거를 읽고 어디를 어떤 배율로 측정할지 고르면 더 풍부한 데이터가 생긴다. 그러나 장비의 위치, 오염, 시간대의 진동처럼 작은 조건도 결과를 바꾼다. 도입 순서는 화려한 무인 연구실이 아니라 과학자와 기술자의 시간을 가장 많이 잡아먹고 증거의 신뢰도를 떨어뜨리는 병목에서 시작해야 한다.
- 03
과학자는 더 높은 질문과 재현성을 맡는다
AI가 특성 분석과 반복적인 선택을 맡으면 인간은 캠페인 방향, 이론적 질문, 서로 다른 증거가 충돌할 때의 판정을 맡게 된다. 계산은 많은 후보를 빠르게 거르지만 실제 공정과 미세구조는 실험이 확인해야 한다. 그래서 역할 변화는 전문가가 필요 없어지는 방향이 아니라 여러 분야의 전문가가 같은 목표와 데이터 계보를 공유하는 방향에 가깝다. 성과 기준도 실험 횟수만 볼 것이 아니라 재현 가능한 공정, 낮아진 노이즈, 다음 팀이 이어받을 수 있는 기록을 함께 봐야 한다.
- 04
제품의 단순함과 운영의 안전은 함께 설계한다
에이전트 제품은 사용자가 모델 이름과 복잡한 실행 절차를 공부하지 않아도 목표를 말할 수 있는 방향으로 간다. 하지만 화면이 단순해질수록 보이지 않는 운영 책임까지 사라지는 것은 아니다. 외부 시스템을 더 자주 호출하면 비용과 부하, 권한 문제가 커지고, 주 에이전트를 따로 감시하는 보조 시스템과 가드레일도 필요해진다. 연구실 역시 편리한 자동화 뒤에 장비 경계와 데이터 무결성, 위험 행동을 멈출 승인 지점을 가져야 한다. 좋은 제품은 복잡성을 사용자에게 떠넘기지 않으면서도 위험을 감추지 않는다.
자율 연구실을 평가할 때 ‘사람 없이 몇 번 실험했는가’만 묻는다면 중요한 변화를 놓친다. 더 나은 질문은 실패가 학습 가능한 기록으로 남았는지, 장비 오류와 불확실성을 감지했는지, 전문가가 방향을 바꿀 증거를 제때 받았는지다. 제품팀도 같은 기준을 적용할 수 있다. 내부 절차는 시스템이 흡수하되 목표, 승인, 안전, 최종 품질에 관한 인간의 책임은 더 선명하게 만든다. 자동화가 성숙했다는 신호는 사람이 사라지는 장면이 아니라 사람이 반복 동작에서 벗어나 더 높은 수준의 판단을 내리고, 그 판단이 검증 가능한 기록으로 이어지는 장면이다.
아직 못 읽은 북마크
북마크를 고르는 중…