AI 에이전트 시장 재편: 헤르메스, 자가 학습으로 판을 뒤엎다
기술 도입의 현장, 특히 교육 분야에서 새로운 도구의 등장은 언제나 기회와 고민을 동시에 던진다. 최근 오픈소스 AI 에이전트 시장의 판도가 뒤집히는 사건이 발생했다. 이는 단순히 시장 점유율을 넘어, 우리가 AI를 어떻게 설계하고 활용할지에 대한 근본적인 질문을 제기한다.
AI 에이전트 지형 재편: 압도적 사용량의 의미
누스 리서치가 개발한 헤르메스 에이전트는 최근 오픈라우터 글로벌 일일 앱 및 에이전트 순위에서 기존 강자 오픈클로를 제치고 1위에 등극했다. 현재 헤르메스 에이전트는 하루 약 2,240억 토큰을 처리하며, 1,860억 토큰 수준의 오픈클로보다 우위를 점한다.
이 수치는 단순히 ‘더 많이 쓰인다’는 통계적 우위를 넘어선다. 오픈소스 생태계가 이제 양적 성장을 넘어 질적, 구조적 변화의 시험대에 올랐음을 선언한다. 특히 오픈클로의 창립자가 오픈AI에 합류하며 독립 재단으로 전환된 배경은, 오픈소스 커뮤니티가 대기업의 영향력과 독립성 사이에서 균형을 찾아야 하는 현실을 적나라하게 보여준다. 이러한 변화는 개발자 커뮤니티뿐 아니라 교육 현장에서 기술 도입을 고민하는 우리에게도 중요한 시사점을 던진다.
설계 철학: 연결성 대 자율 학습
두 에이전트의 경쟁은 단순한 기능 비교가 아니라, AI 에이전트 설계 철학의 근본적인 차이에서 비롯된다.
| 특성 | 오픈클로 (OpenClaw) | 헤르메스 에이전트 (Hermes Agent) |
|---|---|---|
| 핵심 철학 | 다중 채널 연결 및 오케스트레이션 | 실행-학습-개선 루프를 통한 자가 개선 |
| 구조 | 중앙 웹소켓 게이트웨이 기반 | 3단계 메모리 구조 (영속 스냅샷, SQLite DB, 스킬 파일) |
| 강점 | 50개 이상 메시징 채널 연결, 폭넓은 접근성 | 사용 시간에 비례한 성능 개선, 특정 워크플로우 최적화 |
| 지향점 | “얼마나 많은 곳에서 동시 동작하는가” | “얼마나 스스로 배우고 효율적으로 개선하는가” |
오픈클로는 중앙 웹소켓 게이트웨이 구조를 채택하여 텔레그램, 디스코드, 슬랙 등 50개 이상의 메시징 채널을 연결하는 데 집중한다. 즉 “얼마나 많은 플랫폼에서 동시에 동작할 수 있는가”에 최적화된 설계다. 반면 헤르메스 에이전트는 ‘실행(do)-학습(learn)-개선(improve)’ 루프를 핵심으로 한다. 작업을 완료한 뒤 스스로 수행 과정을 분석하고, 재사용 가능한 스킬 파일을 자동 생성하여 성능을 지속적으로 개선한다. 메모리 구조 또한 사용자·에이전트 상태를 저장하는 영속 스냅샷, 모든 세션 기록을 저장하는 SQLite 기반 전문 검색 데이터베이스, 반복 작업 로직을 담는 스킬 파일 등 3단계로 구성된다. 사용 시간이 길어질수록 특정 워크플로우에 최적화되는 ‘누적형 에이전트’ 구조가 그 특징이다.
이 둘의 차이는 AI 에이전트가 어떤 가치를 우선할지에 대한 명확한 입장 차를 드러낸다. 교육 현장에서 AI 에이전트 활용은 폭넓은 플랫폼 연결성(교사와 학생 간 소통)과 에이전트 자체의 누적 학습 능력(개별 학생 맞춤형 지원) 사이에서 전략적 선택을 요구한다. 본질적으로, 단순한 연동 기능을 넘어 스스로 진화하는 능력이 장기적 가치를 창출한다.
속도전과 기능 확장: 교육 현장의 가능성
헤르메스 에이전트는 올해 2월 출시 이후 빠른 속도로 기능을 확장해왔다. v0.9.0 ‘에브리웨어’ 버전에서는 안드로이드 터먹스 지원과 아이메시지·위챗·위컴 연동, 로컬 웹 대시보드 기능이 추가되어 지원 플랫폼 수가 16개로 늘어났다. 이어 v0.11.0 ‘인터페이스’ 버전에서는 리액트·잉크 기반 터미널 UI 재구성, AWS 베드록 지원, 엔비디아 NIM 및 버셀 AI 게이트웨이 등 새로운 추론 경로 추가, GPT-5.5 코덱스 오스(OAuth) 연동이 도입되었다. 가장 최신 버전인 v0.13.0 ‘테너시티’는 멀티 에이전트 작업 보드인 칸반 시스템을 도입하고, 에이전트 상태를 지속적으로 추적하는 하트비트 모니터링과 좀비 탐지, 환각 복구 기능을 추가한다. 더 나아가 ‘/goal’ 명령을 통해 에이전트가 여러 턴에 걸쳐 목표를 유지하도록 했으며, 구글 챗 지원까지 포함해 총 20개 플랫폼과 연결할 수 있게 되었다.
이 압도적 속도는 개발 문화의 민첩성을 증명한다. 교육 현장에서는 이런 빠른 기능 확장이 양날의 검으로 작용할 수 있다. 새로운 기능의 안정성과 교육적 유효성 검증이 뒷받침될 때만 실제 가치를 창출한다. 무조건적인 최신 기술 도입이 아니라, 현장의 필요에 맞춰 실용성을 따져야 한다.
그림자 속 위험: 보안과 윤리적 문제
새로운 기술의 빛 뒤에는 언제나 그림자가 드리운다. 오픈소스 AI 에이전트가 제공하는 유연성과 접근성은 탁월하지만, 보안 취약점은 잠재적 위험을 증폭시킨다.
오픈클로는 올해 CVE-2026-25253 등 심각한 취약점이 잇달아 발견되었으며, 일부는 CVSS 9.9 수준의 치명적 위험도로 평가된다. 특히 클로허브에 등록된 2,857개 스킬 가운데 341개가 악성 코드로 판정되었고, 인터넷에 노출된 오픈클로 인스턴스 수만 건도 확인된 바 있다. 헤르메스 에이전트는 4월 말 공개된 여러 CVE 중 하나인 CVE-2026-7113에 웹훅 인증 누락 문제가 포함된다. 다만 최신 v0.13.0에서는 기본 데이터 마스킹 활성화, 디스코 역할 기반 허용 목록, 왓츠앱 외부 사용자 차단, 오스 흐름 패치 등 8개의 최고 우선순위(P0) 보안 문제를 수정하며 발 빠르게 대응했다.
특히 학생 정보와 연동될 가능성이 큰 교육 환경에서, 이는 단순한 버그 수정의 문제가 아니다. 사용자가 악성 스킬을 무심코 도입하거나, 시스템이 외부에 노출되어 데이터 유출이나 오용으로 이어질 가능성은 결코 간과할 수 없는 위협이다. 헤르메스가 P0 보안 문제를 발 빠르게 해결한 것은 긍정적이지만, 지속적인 감시와 업데이트는 필수적이다. 비판적 낙관주의 관점에서 볼 때, 기술적 개선만큼이나 사용자 교육과 윤리적 가이드라인 마련이 선행되어야 한다.
공존의 전략: 통합적 활용의 지혜
헤르메스 에이전트는 오픈클로 사용자들의 전환 장벽을 낮추기 위한 기능도 제공한다. 설치 과정에서 기존 ~/.openclaw 디렉터리를 자동 감지하여 설정, 메모리, 스킬, API 키를 가져올 수 있으며, hermes claw migrate 명령으로 선택적 마이그레이션과 충돌 관리도 지원한다. 최근 개발자 커뮤니티에서는 두 프레임워크를 병행 사용하는 사례도 늘고 있다. 오픈클로를 다중 채널 라우팅과 오케스트레이션 용도로 활용하고, 헤르메스를 반복 실행 및 학습 루프 엔진으로 사용하는 방식이다. 양측은 ACP(Agent Communication Protocol)를 통해 연동된다.
현장 전문가들은 특정 도구에 맹목적으로 의존하지 않는다. 최적의 결과를 위해 여러 기술을 조합하는 방식이 바로 이 현상을 대변한다. 교육 현장에서도 마찬가지다. 하나의 AI 솔루션이 모든 것을 해결한다는 환상에서 벗어나, 각 에이전트의 강점을 파악하여 상호 보완적으로 활용하는 지혜가 필요하다. ACP를 통해 두 에이전트가 연동되는 사례는, 단순한 경쟁을 넘어 협력을 통한 시너지 창출이 실제 가치를 만듦을 입증한다. 이 변화가 정착되려면 교사들이 이러한 기술 조합의 가능성을 함께 실험하고 성찰하는 전문적 학습 공동체(PLC) 구조가 먼저다.
결국, 기술 자체의 성능보다 현장의 맥락에 맞게 ‘어떻게’ 활용하고 ‘어떻게’ 관리할지가 본질적인 질문이다. 당신이 AI 에이전트 도입을 고민한다면, 다음 질문에 먼저 답해야 한다. 과연 우리 교육 현장에 필요한 AI 에이전트는 ‘얼마나 많은 기능’을 가진 에이전트인가, 아니면 ‘얼마나 안전하고 스스로 배우며 현장에 최적화될 수 있는’ 에이전트인가?