이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
에이전트가 2025년 겨울부터 실용적으로 작동하기 시작한 이유는 모델 가중치만 좋아져서가 아니라 모델과 하네스의 개선 곡선이 교차했기 때문입니다. 초기 AutoGPT와 BabyAGI는 낮은 모델 신뢰도에 자율 루프를 덧붙여 오류를 누적했지만, Claude Code는 reasoning model의 역량이 충분해진 시점에 터미널과 권한 규칙을 결합해 자율성을 다시 모델에 맡겼습니다. 현재는 RL이 실제 하네스 환경 안으로 들어가고 모델이 도구 사용과 compaction을 흡수하면서 외부 하네스가 줄어드는 흐름이 나타났으며, Harness-Bench에서는 동일 모델도 하네스에 따라 52.4점에서 76.2점까지 차이가 났습니다. 앞으로 남는 하네스의 핵심은 모델이 흡수할 수 없는 인간의 권한·신뢰·가시성과 주의 관리이며, 에이전트가 언제 사람을 중단시키고 어떤 결정을 승인받을지 정하는 Attention-Interface가 새로운 설계 계층이 됩니다.
섹션별 상세
2025년 겨울 에이전트가 갑자기 실용적으로 작동하기 시작한 배경에는 모델 가중치의 단일한 도약보다 모델과 하네스의 동시 개선이 있었다는 관점이 놓여 있습니다. 하네스는 모델 주변의 환경·도구·컨텍스트·권한을 묶어 모델의 판단을 디지털 공간의 행동으로 바꾸고, 모델이 요구하는 수준과 실제로 수행할 수 있는 수준 사이의 간격이 에이전트 효과를 좌우합니다. 따라서 당시의 체감 성능 상승은 사전학습이나 후처리 하나로 설명하기보다 두 곡선이 교차한 결과로 해석됩니다.
ReAct에서 AutoGPT와 BabyAGI로 이어진 초기 흐름은 모델보다 하네스가 앞서 나간 시기였습니다. ReAct는 모델이 추론하고 행동하고 관찰하는 순환을 프롬프트 바깥에 구현했지만, AutoGPT와 BabyAGI는 아직 취약한 next-token predictor에 완전한 자율성을 부여했습니다. 한 단계의 신뢰도가 95%여도 20단계 작업의 평균 성공률은 약 36%에 그치므로, 반복 루프는 낮은 역량을 신뢰성으로 바꾸지 못하고 오류를 누적했습니다.
Cursor와 Copilot은 하네스를 인간 쪽으로 되돌려 모델이 직접 루프를 운영하는 대신 사람이 작업 순서를 조율하게 만들었습니다. 초기 Devin의 완전 자율성 시도도 Answer.AI 팀의 테스트에서 약 15% 성공률에 머물러 이 후퇴가 임시방편이 아니라 당시 모델 수준에 맞는 설계였음을 뒷받침했습니다. 이후 2024년 말 reasoning model인 o1이 등장하면서 모델 역량이 하네스를 앞서는 초과분이 생겼고, 기존 IDE 중심 구조를 다시 바꿀 조건이 형성됐습니다.
Claude Code는 2025년 2월 모델과 하네스의 곡선이 교차한 시점에 터미널, bash, 파일 읽기·쓰기 권한, permission rules를 결합했습니다. 매번 인간 승인을 받는 IDE 흐름 대신 모델에게 작업 루프를 맡기되 권한 규칙으로 경계를 설정했고, 다음 모델의 능력까지 염두에 두고 하네스를 구성했습니다. 원문은 이 타이밍 덕분에 Claude Code가 출시 6개월 안에 대략 10억 달러 ARR에 도달했다고 전하며, 자율성 자체보다 자율성을 맡길 만큼 모델이 신뢰할 수 있게 된 시점이 중요하다고 봅니다.
현재 하네스는 모델과 별개인 보조 장치가 아니라 함께 학습되는 시스템의 일부가 됐습니다. Harness-Bench는 동일 모델과 106개 작업을 유지한 채 하네스만 바꿔 52.4점에서 76.2점까지 23.8점 차이를 만들었고, OpenAI는 retained reasoning과 compaction만 추가해 GPT-5.6 Sol의 ARC-AGI-3 점수를 13.3%에서 38.3%로 높였습니다. RL이 실제 환경의 코딩 작업 안으로 들어가고 모델이 여러 컨텍스트 창을 compaction으로 넘나드는 능력을 흡수하면서, 하네스는 같은 성능을 유지한 채 삭제할 수 있는 외부 구조를 찾는 방향으로 바뀌고 있습니다.
모델이 도구 선택, 메모리, 멀티에이전트 오케스트레이션 같은 하네스 기능을 계속 흡수하면 남는 핵심은 인간과 에이전트를 연결하는 권한·신원·신뢰·가시성입니다. 이 변화는 모델이 인간의 주의를 직접 다루는 어텐션 인터페이스로 이어지며, 에이전트가 언제 중단하고 어떤 결정을 혼자 내리며 어느 순간 승인을 요청할지 정책으로 정하게 됩니다. 원문은 AGENTS.md가 코드베이스와 협업하는 방법을 규정하듯, 기업들이 인간과 협업하는 주의 정책 표면을 제공하고 각 인간의 수정과 승인 기록을 학습 데이터로 활용할 것이라고 전망합니다.
용어 해설
- 에이전트 하네스(Agent Harness)
- — 에이전트 하네스는 모델 가중치 외부에서 LLM의 작동을 가능하게 하는 환경, 도구, 컨텍스트, 메모리, 권한, 가드레일의 결합체입니다. 모델의 판단을 실제 디지털 공간의 행동으로 연결하며, 모델이 기능을 흡수할수록 하네스의 외부 구성 요소는 줄어듭니다.
- 모델 역량 초과분(Model Capability Overhang)
- — 모델 역량 초과분은 모델이 현재 하네스가 활용하는 수준보다 더 높은 능력을 갖춘 상태를 뜻합니다. 이때 하네스가 모델의 행동을 과도하게 제한하면 이미 확보된 추론·도구 사용 능력이 제품 안에서 충분히 발휘되지 못합니다.
- 추론 보존(Retained Reasoning)
- — 추론 보존은 에이전트가 이전 작업에서 생성한 추론 정보를 유지해 다음 컨텍스트에서도 활용하는 방식입니다. 원문에서는 추론 보존과 compaction만으로 GPT-5.6 Sol의 ARC-AGI-3 점수가 13.3%에서 38.3%로 상승한 사례가 제시됩니다.
- 컨텍스트 압축(Context Compaction)
- — 컨텍스트 압축은 긴 작업에서 이전 대화와 실행 기록을 요약·정리해 제한된 컨텍스트 창 안에 필요한 정보를 남기는 처리입니다. 모델이 자신의 컨텍스트 창을 고려해 압축하도록 학습되면 하네스의 외부 메모리 기능 일부가 모델 가중치 안으로 흡수될 수 있습니다.
- 어텐션 인터페이스(Attention-Interface)
- — 어텐션 인터페이스는 에이전트가 인간의 제한된 동기식 주의를 언제 요청하고 어떤 판단을 스스로 처리할지 정하는 인간 중심의 하네스 계층입니다. 중단 시점, 승인 필요 여부, 계속 작업할 조건, 결정의 가시성을 정책으로 관리하며 인간과 에이전트 사이의 새로운 병목을 다룹니다.
기술
- ReAct
- RLHF
- Toolformer
- AutoGPT
- BabyAGI
- Cursor
- Copilot
- Devin
- o1
- Claude Code
- bash
- Harness-Bench
- GPT-5.6 Sol
- ARC-AGI-3
- codex-1
- GPT-5.1-Codex-Max
- AGENTS.md
활용 사례
- 터미널 기반 자율 코딩 에이전트
- 파일 읽기·쓰기와 bash 실행을 결합한 개발 작업
- 에이전트의 장기 실행 progress files
- 인간 승인 큐를 활용한 에이전트 운영
- 인간별 중단·승인·자율 실행 정책 관리
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 22.수집 2026. 08. 22.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
