에이전틱 AI와 하네스, AI 경쟁의 새로운 무게중심

AI가 단순한 보조 도구에 머물지 않고 스스로 실행하며, 나아가 여러 에이전트로 이뤄진 시스템을 조율하는 주체로 진화한다. 이 변화의 중심에는 AI 에이전트와 에이전틱 AI 개념이 있으며, 경쟁의 무게중심은 모델 성능에서 모델을 감싸는 시스템 설계, 곧 하네스로 이동하고 있다. 신동형(알서포트 전략기획팀장)의 리포트 《신동형 인사이트 — Agentic AI》(2026.06.17)의 논지를 따라 이 진화의 지도를 정리한다.

AI 에이전트의 등장과 주요 비전

2025년은 AI 에이전트에 대한 관심이 뜨거워지던 시기이다. 주요 AI 기업의 CEO들은 AI 에이전트가 가져올 미래를 각기 다른 관점으로 제시한다.

• 젠슨 황 (NVIDIA CEO): AI를 행동 가능한 지식 로봇으로 정의한다. 전 세계 기업용 카메라에서 매년 생성되는 방대한 영상 데이터를 AI가 실시간으로 모니터링하며 자동화할 미래를 예측한다.
• 샘 알트만 (OpenAI CEO): AI 에이전트가 노동 시장에 진입하여 기업 생산성에 실질적인 변화를 가져온다고 전망한다. 초기에는 인턴 수준으로 업무를 처리하지만, 점차 숙련된 엔지니어처럼 발전할 것이라고 본다.
• 사트야 나델라 (MS CEO): AI 에이전트의 발전 방향으로 ‘기억하는 AI’, ‘행동하는 AI’, ‘믿을 수 있는 AI’ 세 가지를 제시한다. 기억 축적으로 맥락을 이해하고, 도구를 직접 사용하며, 권한 관리로 시스템 신뢰성을 확보하는 AI를 강조한다.
• 마크 저커버그 (Meta CEO): AI의 방향을 두 갈래로 나누어 설명한다. 사회의 모든 업무를 자동화하는 AI와, 개인의 잠재력을 극대화하는 개인용 AI 에이전트이다. 메타는 후자에 집중한다고 밝힌다.

이러한 비전을 종합하면, AI 에이전트는 단순한 챗봇이 아니라 추론하고, 계획을 세우며, 행동하는 지식 로봇으로 진화한다. 업무 자동화를 돕는 파트너이자 개인의 일상을 증강하는 존재가 된다.

보조, 실행, 조율 — AI 역할의 세 단계

AI의 역할은 세 단계를 거치며 발전한다. 초기 Gen AI는 질문에 답하고 콘텐츠를 생성하는 보조 도구이다. 이때의 주요 과제는 할루시네이션(환각) 방지이다. 다음 단계인 AI 에이전트는 요구사항을 받아 결과물을 직접 실행한다. 여기에서는 다단계 수행 중 발생하는 오류의 누적·이탈과 같은 실행 신뢰성 확보가 관건이다. 마지막 단계인 에이전틱 AI는 여러 AI 에이전트를 협업·조율하는 시스템이다. 이때는 AI 에이전트 간 조율, 결과물 오류 전파 차단과 같은 시스템 통제가 핵심 과제로 부상한다.

AI의 역할 전환은 다음 표와 같다.

구분	역할 (하는 일)	과정 (투명성 통제)	관건 (핵심 과제)
Gen AI	보조 도구: 질문에 답하고 콘텐츠 생성	블랙박스, 과정 불투명·제어 어려움	할루시네이션, 답의 사실성 검증
AI 에이전트	작업 실행자: 요구를 결과물로 직접 수행	워크플로우, Task-Subtask 추적·재정의	실행 신뢰성, 다단계 오류 누적 방지
에이전틱 AI	협업·관리 시스템: 멀티 워크플로우와 AI 에이전트 조율	하네스, 다이내믹 워크플로우, 내부/외부 루프	시스템 구조 및 통제, 결과물 오류 전파 차단

하네스 엔지니어링의 중요성

AI가 에이전틱 AI로 진화하면서 경쟁의 무게중심은 모델 자체의 두뇌 경쟁에서 모델을 둘러싼 시스템 설계인 하네스(Harness) 경쟁으로 이동한다. 하네스는 모델 주위에 상태, 도구, 피드백, 제약, 검증을 설계하는 시스템이다. 이는 시스템 수준 최적화와 모델 실행 방식 최적화를 목표로 한다.

하네스를 구성하는 주요 요소는 다음 ETCLOVG이다.

• E (Execution Environment, 실행환경): AI가 안전하게 실행될 공간
• T (Tools, 도구): AI가 호출하고 사용하는 외부 도구 및 권한
• C (Context & Memory, 컨텍스트·기억): AI가 인지하고 학습하는 정보와 경험
• L (Lifecycle & Orchestration, 라이프사이클·오케스트레이션): 작업 흐름과 제어 방식
• O (Observation, 관측): AI의 행동과 결과물을 모니터링
• V (Verification & Evaluation, 검증): AI의 결과물에 대한 품질 확인
• G (Governance, 거버넌스): AI의 행동에 대한 정책, 규칙, 신뢰 기반 권한 관리

이 중 L은 흐름·제어 역할을, ETC는 역량·실행 역할을 한다. OVG는 제어 평면을 구성하여 코어를 감싸 통제한다.

AI 에이전트와 에이전틱 AI의 차이

AI 에이전트는 워크플로우와 스킬셋으로 결과물을 만드는 역할에 집중한다. 반면 에이전틱 AI는 하네스 위에서 여러 에이전트를 계획하고 관리하며, 피드백 루프로 끊임없이 강화하는 시스템이다.

두 개념의 주요 차이점은 다음 표와 같다.

구분	AI 에이전트 (단일)	에이전틱 AI (복잡)
목표	워크플로우 × 스킬셋 → 결과물	하네스가 떠받치는 오케스트레이션
인식 (입력)	요구·환경·데이터 받기	외부 구동 루프(스케줄·자기순환)로 반복 구동
인지	인식 입력값 통해 추론·계획 수립 + 스킬 선택	다이내믹 (멀티) 워크플로우, 오케스트레이션 (분해·배분·조율)
실행 (출력)	계획에 따른 도구 사용, 코드 실행 = 스킬 실행	내부 verify 루프 (loop-until-done), 검증·재시도
핵심 요소	워크플로우, 스킬셋	하네스 (ETCLOVG 전체 시스템)
작동 방식 핵심	1회 실행 후 완료	완료 기준까지 자율적으로 반복 구동

스킬셋과 루프 엔지니어링

스킬셋은 AI 에이전트의 인지 및 행동의 성격을 바꾼다. 이는 에이전틱 AI로 전환될 핵심 요소이다. 스킬셋이 없을 때 AI는 매번 처음부터 방법을 추론하여 즉흥 실행하며, 단계 누락이나 도구 오용 위험이 크고 결과 편차가 심하다. 스킬셋이 있을 때 AI는 검증된 절차를 선택·적용하여 안정적이고 재현 가능한 행동을 하며, 추론 과정이 가벼워지고 오류가 줄어든다. 스킬셋은 에이전트의 품질 일관성을 높여준다.

루프 엔지니어링은 ‘프롬프트하는 나’를 대체하여 ‘프롬프트하는 시스템’을 설계하는 개념이다. 이는 목표(Goal)를 정의하면 AI가 완료 기준까지 반복하는 재귀적 목표 구조이다. 내부 검증 루프(loop-until-done)는 작업 단위 검증과 재시도를 담당하며, 외부 구동 루프(loop engineering)는 워크플로우를 시간·이벤트로 반복 구동한다. 핵심은 작성자와 검증자를 분리하고(maker ≠ checker), 외부 메모리에 기록해 세션이 끝나도 기억을 누적하는 것이다.

AI 에이전트의 발전 로드맵

AI 에이전트의 진화는 역량 심화축과 복잡성 확장축의 두 축으로 정리된다. 단계가 오를수록 사람의 역할은 실행 개입에서 권한·정책 설계로 옮겨간다.

AI 에이전트 발전 로드맵은 다음 표와 같다.

구분	단계별 역량 심화축 (무엇을 더 잘하게 되나)	단계별 복잡성 확장축 (어떻게 엮이나)	사람의 역할 변화
1단계	실행: 요청 1회 수행, 워크플로우 × 스킬셋	단일 에이전트	실행 개입
2단계	살아있음(Alive): 스스로 다시 깨어나 상시 가동 (Heartbeat)
3단계	자가발전: 작업 후 스킬·기억을 저장·갱신 → 다음에 더 잘함 (C 컨텍스트·기억)
4단계	자기검증·반성: 결과를 스스로 채점·실패 귀인 후 재시도 (V 검증)	멀티 오케스트레이션(단층): 중간 관리 에이전트가 분해·라우팅·역할 배정 (Supervisor-worker)	권한·정책 설계 (어느 단계까지 자율 허용?)
5단계	신뢰·권한 내재화: 권한·정책을 스스로 인지·준수, 고위험 행동만 사람 승인 (G 거버넌스)	복층형 최적화: 계층형 (Supervisor of Supervisor) + 동적·적응 제어
6단계	도구·환경 자기확장: 필요한 도구(MCP 등)·환경을 스스로 검색·선택·생성 (T·E)	자기 조직화: 역할을 미리 정해주지 않아도 에이전트들이 스스로 일 분담
7단계		생태계·자율 경제·물리: 회사가 달라도 표준 규격으로 연결 → 스스로 거래하는 경제 → 로봇·기기까지 확장

현장의 에이전틱 AI 사례

주요 빅테크 기업들은 에이전틱 AI 시대를 대비하며 다양한 업무용 및 개인용 에이전트 제품을 선보인다.

업무용 에이전틱 AI

업무용 AI 에이전트는 기업의 생산성을 높이는 데 초점을 맞춘다.

• Google Gemini Deep Research: 내장 스킬과 단일 워크플로우로 ‘요청 1회 실행’에 머무는 1단계 에이전트이다. 템플릿·내용 커스텀이 막혀 있어 접근성에 강점이 있다.
• Claude Cowork (Anthropic): 스킬·플러그인 커스텀, 병렬 서브에이전트, 권한·승인 게이트를 갖춰 작업을 쪼개 조율하는 4~5단계 에이전틱 AI에 가장 근접한 제품이다.

구글 제미나이 딥 리서치와 클로드 코워크의 비교는 다음 표와 같다.

구분	제미나이 딥 리서치	클로드 코워크
진화 단계	1단계 (실행)	4~5단계 (오케스트레이션까지)
실행 방식	요청 1회 (Max = cron)	위임·예약, 작업을 쪼개서 오케스트레이션
스킬	내장 (자체)	Skills + Plugins
템플릿	Custom 불가	Custom 가능
내용 구성	Custom 불가	Custom 가능
서브 에이전트	단일 흐름	병렬 에이전트
기억	세션 + Google Drive/Gmail	—
안전	—	권한·승인 게이트 내장

• Anthropic의 Dynamic Workflow: 에이전트의 게으름, 자기 선호 편향, 목표 이탈 등 단일 컨텍스트의 구조적 실패를 해결하기 위해 도입된다. 이는 하위 에이전트를 생성하고 조정하는 특수 함수가 포함된 자바스크립트 파일을 실행하는 방식으로 구현된다. 스태틱 하네스가 정해진 스킬을 충실히 실행하는 단계라면, 다이내믹 워크플로우는 검증 인프라 위에서 에이전트들을 커스텀 조율하는 에이전틱 AI 전환의 실제 구현 사례이다. 6가지 패턴(분류기, 작업 분할 종합, 적대적 검증, 아이디어 생성/필터링, 경쟁, 반복 생성)으로 작업 분배와 검증 게이트를 조합한다.
• OpenClaw: 내 기기에서 스스로 깨어나 행동하는 ‘파워 우선’ 콘셉트의 에이전트이다. HeartBeat(30분 설정)로 상시 가동하며, SOUL.md(정체성), AGENTS.md(작업 규칙) 메모에 기억을 적어두고 Git으로 이력을 관리한다. 커뮤니티 스킬을 내려받아 사용한다. 운영자 책임을 강조한다.
• Hermes (Nous Research): ‘함께 성장하는’ 자가 호스팅 에이전트로 ‘안전 우선’ 콘셉트이다. 에이전트가 스스로 스킬 문서(md)를 작성·갱신한다. 고정 코어 기억과 방대한 DB 검색 기억을 활용한다. 오케스트레이터→워커 격리 병렬 방식과 5층 방어가 기본 내장된다.

개인용 에이전틱 AI

개인용 AI 에이전트는 개인의 일상과 잠재력을 증강하는 데 집중한다.

• Meta AI: 메타의 자체 모델 Muse Spark 기반으로 멀티모달 인식과 소셜 맥락을 결합한다. 업무 자동화가 아닌 개인의 일상·관계를 증강하는 노선을 구체화한다. ‘인스턴트 모드’와 ‘깊이 생각하기 모드’로 다양한 요청을 처리한다.
• Google Gemini Spark: Gmail·드라이브의 개인 데이터로 스킬을 스스로 생성·최적화한다. 빅테크 개인용 에이전트 중 ‘자가발전’ 단계에 가장 먼저 진입한 사례이다. 여러 서브 에이전트를 동시에 실행하며, 예약된 업무를 처리하고, 개인 자료를 바탕으로 최적화된 스킬을 생성한다.

Agentic AI로 일하는 방식의 변화

AI 에이전트 시대는 사람과 조직의 역할에 큰 변화를 가져온다.

AI 조직 전환과 인간-AI 워크플로우

인간과 AI의 워크플로우 내 역할은 4가지로 분류할 수 있다.

분류	핵심 개념	AI 역할	사람 역할	사람의 개입
HATL (Human Above the Loop)	인간 전략 루프	완전 자율 시스템	전략가, 설계자	전략적 (설계/평가 시)
HOTL (Human On the Loop)	인간 감독 루프	최종 결정권자, 검수자	감독자, 예외 처리자	예외적 (필요 시)
HITL (Human In the Loop)	인간 개입 루프	조수, 초안 작성자	최종 결정권자, 검수자	필수적 (모든 건 관여)
HUTL (Human Under the Loop)	인간 실행 루프	작업 지시자, 관리자	실행자, 지시 수행자	수동적 (지시 이행)

Cox Automotive는 AI를 단순한 도구가 아닌 사업의 기초이자 새로운 노동력으로 정의하며 ‘AI Native’ 기업으로의 전환을 선언한다. AI 에이전트에게 직원 ID를 발급하고 성과를 관리하는 시스템을 도입한다. 이는 AI 에이전트까지 포함한 하이브리드 인력 관리(Hybrid Workforce Management) 시대로의 전환을 의미한다.

Agentic AI 시대 사람과 AI 인프라

AX(AI 전환)의 본체는 사람의 역할 변화이다. 사람의 역할이 실행 → 설계, 검수 → 검증 설계, 통제 → 위임으로 바뀐다. 이를 떠받치는 발판은 스킬·하네스라는 AI 인프라이다. 오케스트레이션, 검증, 루프, 거버넌스는 모두 하네스의 구성 요소이다.

사람과 AI 인프라의 변화는 다음 표와 같다.

변화 영역	사람의 역할 변화 (본체)	AI 인프라의 역할 (발판)
실행 → 설계	워크플로우 × 스킬 설계	스킬·플레이북 (사람 작성 → 에이전트 자가 생성), 오케스트레이션 (단층 → 복층)
검수 → 검증·설계	Evaluation·게이트 설계	Evaluation, 거버넌스·권한 (관측·검증, 신뢰·통제)
통제 → 위임 (조율)	오케스트레이션 설계, 루프 위치 = 어디까지 자율을 둘지	내부 Verify 루프 (작업 단위 검증·재시도), 외부 구동 루프 (워크플로우 반복 구동)

스포츠과학·운동학습의 시선으로 보면

AI 에이전트가 스킬셋을 축적하여 안정적이고 재현 가능한 행동을 학습하고, 나아가 하네스 시스템으로 품질과 신뢰를 관리하는 과정은 스포츠 선수의 운동 학습(Motor Learning) 과정과 놀랍도록 닮았다. 처음 복잡한 기술을 배우는 선수는 의식적인 노력과 시행착오(AI 에이전트의 추론·설계 단계)를 거치며 비효율적이고 가변적인 결과를 낸다. 그러나 반복적인 연습과 피드백(루프 엔지니어링)으로 검증된 절차(스킬셋)를 내재화한다. 이 스킬셋은 뇌의 특정 영역에 ‘하드와이어링’되어 무의식적으로, 높은 일관성으로 발현된다. 이는 선수가 더 높은 수준의 전술적 판단(에이전틱 AI의 오케스트레이션)에 집중할 수 있도록 돕는다.

출처

• 신동형(알서포트 전략기획팀장), 《신동형 인사이트 — Agentic AI》 리포트, 2026.06.17 발행. 보조에서 실행하는 AI Agent를 넘어 시스템 최적화를 조율하는 Agentic AI로.