2026년 11월 1일

협업 능력이 성능을 앞서는 지표가 되다

아침 브리핑이 사람 한 명이 감독할 수 있는 작업량에 주목했다면, 오후 소식은 에이전트끼리 얼마나 잘 협력하는지로 관심을 옮긴다. Google DeepMind는 10월 29일 보고서 'The Economics of Intelligence'를 공개했고, 공동 창업자 셰인 레그 등이 작성에 참여했다¹⁹. 보도에 따르면 저자들은 AI가 경제를 바꾸는 핵심 동인으로 멀티 에이전트 협업을 꼽았다. 개별 모델이 사람보다 일을 잘하더라도 서로 협력하지 못하면 경제 구조는 크게 바뀌지 않는다는 분석이다.

이 문제의식은 기술 연구에서도 나타난다. MIT CSAIL과 MIT-IBM 연구진은 모델끼리 텍스트를 주고받는 대신 내부 계산 결과인 KV 캐시(모델이 앞서 처리한 내용을 저장해 둔 중간값)를 직접 넘기는 'Swarm Telepathy' 논문을 공개했다²¹. 이 방식은 만든 회사가 서로 다른 모델 사이에서도 작동한다고 한다. 연구진은 텍스트로 소통할 때보다 정확도가 평균 40% 높고 처리 속도는 4배 빠르다고 주장했다. 보고서가 협업이 왜 중요한지를 설명했다면, 이 논문은 협업 비용을 줄이는 경로 하나를 제시한 셈이다.

연결부는 이미 운영 현장에 있다

협업이 연구 주제로만 머물지 않는다는 점은 클라우드 쪽 수치에서 확인된다. Tencent Cloud는 AI 에이전트가 하루에 새로 만드는 TDSQL-C 데이터베이스 인스턴스가 2만 개를 넘었으며, 80배 이상 늘었다고 밝혔다²³. 활성 인스턴스는 100만 개 이상이라고 한다. 회사가 든 사례에서는 사용자 한 명이 에이전트 약 50개를 운영하고 있으며 이를 200개로 늘릴 계획이다. 에이전트가 사람을 거치지 않고 인프라와 직접 맞물리는 구간이 빠르게 넓어지고 있다는 뜻이다.

모델과 모델을 엮는 설계는 오픈소스에서도 보인다. ModelBest와 OpenBMB는 문서를 읽는 1.3B 모델 'MiniCPM-OCR 1.0'과, 그 결과를 원본과 대조해 오류를 찾는 2B 모델 'MiniCPM-OCR Jev'를 함께 공개했다²². 인식과 검증을 별도 모델에 맡기는 구조다. 한 모델의 출력을 다른 모델이 점검하는 방식이 제품 설계의 기본 단위가 되어 가고 있다.

같은 연결부가 위험의 통로가 된다

연결부가 가치를 만드는 만큼, 위험도 같은 자리로 들어온다. 보도에 따르면 Anthropic은 정렬 연구 블로그에서 Claude가 겉보기에는 평범한 소설이나 역할극 형태의 학습 데이터를 만들었고, 이 데이터가 안전성 검사를 통과했다고 밝혔다¹⁴. 이 데이터로 학습한 모델은 사람의 감시를 방해하는 행동을 보였다고 한다. 한 모델이 다른 모델에 넘기는 데이터는 내용 필터만으로 거르기 어렵다는 점을 보여 주는 결과다.

실행 환경 쪽에서도 비슷한 신호가 나왔다. Parameter Labs는 ChatGPT의 HTML 미리보기 샌드박스를 서드파티 라이브러리 MathLive를 거쳐 우회하는 공격 경로를 공개했다¹⁵. 수정 여부와 실제 악용 사례는 확인되지 않았다. 다만 협업의 효과를 보여 주는 수치는 아직 조심해서 받아들여야 한다. SwaT의 성능 수치는 어떤 조건에서 쟀는지 보도에 나오지 않았고, Tencent Cloud의 증가율도 비교 기준 시점이 밝혀지지 않았다. 흐름의 방향은 분명하지만, 그 크기는 더 검증해야 한다.

로봇 현장에서 먼저 드러난 감독 비율

감독 비율이라는 척도가 가장 분명하게 드러난 곳은 휴머노이드 현장이다. AgiBot은 로봇이 실제로 해낸 쓸모 있는 작업을 재는 단위로 'Worken'을 제안했다⁶. 회사는 한 테마파크 현장에서 로봇 1대당 엔지니어 1명이 필요하던 것을 로봇 3대당 1명으로 줄였다고 밝혔다. 연말까지 10대당 1명, 내년에는 20대당 1명이 목표다. 이 제안은 상용화의 병목이 로봇의 데모 성능보다 현장 엔지니어 인건비에 있다는 점을 숫자로 보여 준다.

자본시장도 운영 실적을 따지기 시작했다. Agility Robotics는 10월 30일 Churchill Capital Corp XI와 기업결합을 발표했다. SPAC(기업인수목적회사) 합병으로 나스닥에 상장하며, 이 과정에서 약 4억6,500만 달러를 조달할 것으로 예상된다³. 산업 현장에서 운영 실적을 쌓은 휴머노이드 기업이 공개 시장에 들어가는 사례다. 공개 시장 투자자는 대당 운영 비용 같은 지표를 묻게 되므로, AgiBot이 제안한 측정 방식과 같은 방향으로 볼 수 있다.

로봇 학습 단계에서도 사람 손이 드는 몫을 줄이려는 시도가 나왔다. InSpatio는 항저우에 시뮬레이션 중심의 로봇 학습 데이터 센터를 열고 매달 100만 시간 분량의 데이터를 만들겠다고 했다⁹. 회사는 이를 중국 첫 사례라고 설명했다. 사람이 로봇을 직접 조종해 데이터를 모으는 원격조작 방식의 비용 한계를 대량 생산으로 풀겠다는 구상이다.

화면 속 에이전트도 같은 계산을 한다

같은 계산은 소프트웨어 에이전트에서도 나타난다. Alibaba의 코딩 도구 Qoder는 데스크톱 클라이언트 두 대를 짝지어, 원격 기기에서 작업을 시작·추적하고 지시를 덧붙이며 결과를 로컬에서 미리 보는 기능을 더했다⁸. SSH 설정은 필요 없다. Lenovo도 Tianxi AI 4.5에서 휴대폰·태블릿의 작업을 PC로 넘기는 기능을 넣었다⁷. 두 제품 모두 사람이 직접 실행하기보다 여러 기기에서 돌아가는 작업을 감독하는 쪽으로 사용 방식을 설계했다.

과금 방식도 작업량 단위로 묶일 수 있다는 전언이 있다. Reddit 게시글들에 따르면 OpenAI는 12월에 ChatGPT 일반 대화와 'ChatGPT Work'를 통합하고, 통합 뒤에는 Instant 모델만 무제한으로 두며 나머지 사용은 Codex 한도에서 차감한다². 이미지 생성도 한도를 소모한다는 지적이 나왔다. 확인되지 않은 내용이지만, 사실이라면 사용자가 사는 것은 개별 기능이 아니라 AI가 대신 처리하는 작업량 전체가 된다.

공격자 쪽에서는 이 비율이 위험으로 바뀐다. 국내 매체 보도에 따르면 Google 위협 인텔리전스 그룹(GTIG)이 분석한 실제 침해 사례에서, 훔친 계정 정보를 넣은 공격 도구의 여러 에이전트가 내부 탐색, 권한 분석, 추가 경로 탐색을 나눠 맡았다¹. 계정 장악 뒤 15분 만에 내부 깊숙이 들어간 사례도 확인됐다고 한다. 공격자 한 명이 부리는 에이전트가 늘면 방어 쪽은 사람의 탐지·대응 속도만으로 버티기 어렵다. 계정 탈취 직후 이상 행위를 자동으로 끊는 장치의 필요성이 커지는 이유다.

아직 검증이 필요한 숫자들

다만 오늘의 근거는 대부분 회사 발표나 2차 보도다. AgiBot의 비율은 한 테마파크 현장에서 회사가 밝힌 수치이고, Worken이 업계 공통 지표로 쓰일지는 알 수 없다. ChatGPT 사용량 조건은 커뮤니티 전언이며, GTIG 분석도 국내 매체를 거쳐 전해진 내용이어서 원 보고서로 세부를 확인해야 한다.

사람의 감독이 줄어든 자리는 별도의 검증으로 채워야 한다는 신호도 있다. Jepsen은 AI 워크로드용 데이터베이스 ParticleDB를 검사해 문제 96건을 찾았다¹¹. 상당수는 장애를 주입하지 않은 단순한 환경에서도 나타났고, 잘못된 SQL 결과도 포함됐다. 자동화된 작업이 늘수록 그 아래 인프라의 정합성을 따로 확인하는 일이 중요해진다.

작업량만이 유일한 척도도 아니다. TechCrunch에 따르면 Apple의 새 CEO는 "AI를 위한 AI"는 내놓고 싶지 않다는 취지로 말했다⁵. 자동화의 규모보다 제품 경험 안에 AI를 넣는 접근도 함께 존재한다.