Anthropic의 AI 에이전트 및 플랫폼 비전

대규모 언어 모델(LLM)의 API 통합 잠재력에 대한 Angela Jiang의 깨달음은 Stripe의 V2 API에 대한 사용자 경험 연구(UXR) 인터뷰 도중에 찾아왔습니다. 이 API는 복잡하고 진화하는 시스템 상호 작용을 처리하는 장기적인 추상화를 위해 설계되었습니다.

그녀는 AI 기반 코드 편집기인 Cursor를 사용하여 API를 통합하는 고객을 관찰했습니다. 자동화된 통합은 당시 상당한 성과였던 약 70%의 정확도를 달성했습니다. 이 시연은 Jiang에게 있어 복잡한 코딩 작업과 지식 노동의 미래가 AI에 달려 있다는 확신을 심어준 중요한 순간이었습니다.

"그것은 약 70% 정확도로 돌아왔습니다. 오래 전 일이었지만, 저에게는 눈이 번쩍 뜨이는 경험이었습니다. 저는 미래가 여기에 있고, 이러한 종류의 지식 작업, 이러한 종류의 모델이 제공하는 역량에 제가 참여하고 싶다고 생각했습니다."

Anthropic의 핵심 철학은 '차별화된' 작업과 '비차별화된' 작업을 구분하는 데 중점을 둡니다. 회사는 비차별화된 인프라 문제를 해결하여 개발자가 제품의 고유한 측면에 노력을 할당할 수 있도록 하는 것을 목표로 합니다.

장기 실행 에이전트를 위한 인프라를 구축하는 것은 상당한 분산 시스템 문제를 야기하며, 종종 광범위한 리소스를 필요로 합니다. Anthropic은 이 기본 계층을 비차별화된 작업으로 간주하며, 이는 개발자에게 주요 부담이 되어서는 안 된다고 믿습니다.

대신, 개발자는 핵심 비즈니스 로직과 탁월한 고객 경험을 만드는 데 집중할 수 있어야 합니다. Angela Jiang은 이를 강조하며 다음과 같이 말했습니다. "플랫폼 위에 있는 빌더로서, 당신은 당신을 차별화하는 일을 해야 하며, 차별화되지 않은 일을 할 필요는 없습니다."

에이전트의 신뢰성을 높이기 위해 Anthropic은 전통적인 에이전트 아키텍처를 재고했습니다. 전통적인 실행 샌드박스는 일반적으로 일시적이어서, 지속적인 재설정과 실패 가능성 없이는 장기 실행의 복잡한 작업을 지원하기에 적합하지 않습니다.

Anthropic의 플랫폼 설계는 에이전트의 '두뇌'를 실행 환경과 분리하는 모듈형 아키텍처를 도입합니다. '두뇌'는 내구성 있는 영구 서버에서 실행되어 연속성과 상태 유지를 보장합니다. 에이전트가 작업을 수행해야 할 때, 실행을 위해 임시 샌드박스가 생성됩니다.

이러한 설계는 실행 샌드박스가 실패하더라도 전체 에이전트의 상태나 진행 상황을 손상시키지 않고 제거하고 교체할 수 있도록 합니다. Katelyn Lesse는 다음과 같이 설명했습니다. "우리가 많은 시간과 에너지를 들인 것은 에이전트를 어떻게 재고하고, 더 모듈화되고 분해된 아키텍처로 만들어서, 에이전트의 하네스나 두뇌가 영구적인 서버에서 실행되고, 작업(위험한 부분)을 실행해야 할 때 샌드박스를 생성하여 샌드박스 내에서 수행하고, 완료되면 샌드박스를 해체하는 방법을 말하는 것입니다."

AI 에이전트를 통합하려는 기업을 위해 Anthropic은 'Claude 관리형 에이전트'로 시작할 것을 권장합니다. 이 제품은 기업의 초기 채택 프로세스를 단순화하는 고차원 추상화 집합을 제공하도록 특별히 설계되었습니다.

관리형 에이전트는 초기 사용자를 위한 불필요한 복잡성을 방지하기 위해 많은 기본 기술 세부 사항을 처리합니다. 사용자 요구 사항이 발전하고 더 세분화된 제어나 사용자 정의가 필요해지면, 플랫폼은 하위 수준 구성 요소 및 구성에 대한 액세스를 허용하여 유연하고 확장 가능한 성장 경로를 제공합니다. Angela Jiang은 다음과 같이 설명했습니다. "네, 저희는 실제로 클라우드 관리 에이전트를 사용하라고 말씀드릴 것입니다. 말 그대로 이것이 저희가 이 제품을 설계한 이유 중 하나입니다. 이것은 고차원 추상화 집합이며, 하위 계층에 액세스할 수 있습니다."

Anthropic의 '클라우드 관리형 에이전트'는 에이전트 오케스트레이션의 복잡성을 관리하는 강력한 하네스 역할을 합니다. 플랫폼 팀은 기술적 세부 사항을 추상화하여 개발자가 장기 실행 에이전트 애플리케이션을 더 쉽게 구축하고 배포할 수 있도록 합니다.

이 하네스는 에이전트 개발에서 흔히 발생하는 문제점인 수동 프롬프트 캐싱 및 컨텍스트 관리의 필요성을 줄여줍니다. 사용자는 시스템 프롬프트를 조정하고, 에이전트의 특정 스킬을 정의하며, 원활한 외부 데이터 통합을 위해 Multi-Cloud Provider(MCP) 연결을 활용할 수 있으며, 이 모든 것이 관리형 에이전트 프레임워크에 의해 촉진됩니다. Angela Jiang은 "클라우드 관리 에이전트의 요점은 모델을 붙잡고 장기적인 작업을 수행하는 데 매우 일반적으로 유용한 하네스와 같다는 것입니다."라고 말했습니다.

Anthropic은 에이전트 생태계 내에서 소유권 경계를 명확히 정의합니다. 회사는 핵심 모델 서빙 및 안전 분류기에 대한 내부 통제를 유지하며, 이를 핵심 제품 및 책임 있는 AI 원칙과 직접 관련된 중요한 구성 요소로 인식합니다.

그러나 Anthropic은 사용자에게 샌드박스 및 MCP 터널과 같은 요소를 자체 호스팅하도록 권장합니다. Katelyn Lesse는 이 기본 계층 위에서 Anthropic이 아키텍처에 대해서는 의견을 제시하지만 반드시 기본 인프라에 대해서는 아니라고 설명했습니다. 목표는 강력한 아키텍처 지침을 제공하면서 사용자에게 자체 인프라를 관리할 유연성을 제공하여 지침과 자율성 사이의 균형을 맞추는 것입니다. "그 위에 있는 모든 것. 저는 우리가 아키텍처에 대해 의견을 제시하는 영역에 있지만 반드시 인프라에 대해 의견을 제시하는 것은 아니라고 생각합니다."

Anthropic은 특히 폐쇄형 모델 사용과 관련하여 데이터 프라이버시 문제를 명시적으로 다룹니다. 회사는 사용자 데이터로 AI 모델을 훈련하지 않는다고 단호하게 밝힙니다.

이러한 직접적인 입장은 폐쇄형 모델을 사용하면 데이터 노출로 인해 기업 경쟁 우위를 잃을 수 있다는 오해에 대응하기 위한 것입니다. Angela Jiang은 직접적으로 다음과 같이 말했습니다. "저희는 고객의 데이터를 학습하지 않습니다. 그래서 저희는 그렇게 하지 않습니다."

Anthropic은 비용 효율성의 초점을 원시 토큰 볼륨에서 성과 기반 성능으로 전환할 것을 주장합니다. 더 고급 모델이 토큰당 더 비싸 보일 수 있지만, 오류를 줄이고 원하는 결과를 더 안정적으로 달성할 수 있다면 더 비용 효율적일 수 있다는 주장입니다.

비즈니스 목표는 단순히 토큰 수를 최소화하는 것이 아니라 전반적인 효율성이어야 합니다. 고지능 모델은 첫 시도에서 작업을 올바르게 완료하여 반복적인 수정과 재시도를 줄임으로써 낭비되는 토큰을 방지할 수 있습니다.

Angela Jiang은 다음과 같이 말했습니다. "저희는 아마도 여러분이 원하는 결과를 더 잘 이해하고, 그 결과로부터 가장 효율적인 경로를 택하도록 해야 할 것입니다." 장기적인 목표는 특정 작업에 대한 최적의 모델과 경로를 자동으로 식별하여 리소스 사용을 더욱 최적화하는 것입니다.

Anthropic은 다양한 크기와 기능을 가진 모델이 성능과 비용 효율성을 모두 향상시키기 위해 효과적으로 협력할 수 있음을 강조합니다. '어드바이저-실행자' 전략이라고 불리는 이 접근 방식은 다양한 모델의 강점을 활용하여 토큰 사용량을 최적화합니다.

예를 들어, Sonnet과 같은 더 작고 비용 효율적인 모델(실행자)을 Opus와 같은 더 크고 지능적인 모델(어드바이저)과 짝을 이루면 Opus 수준에 가까운 성능을 달성할 수 있습니다. 어드바이저 모델은 실행자를 안내하여 작업을 더 효율적으로 수행하도록 가르쳐 토큰 소비를 줄입니다.

Angela Jiang은 다음과 같은 예를 들었습니다. "Opus가 자문하고 Sonnet이 실행하는 경우 거의 Opus 수준의 성능을 얻을 수 있으며, 실제로는 Opus가 작업을 더 잘 수행하도록 가르쳐 토큰을 덜 사용했기 때문에 Sonnet만 사용하는 것보다 저렴하다는 평가 결과가 있습니다." 이 결합된 접근 방식은 무작정 하나의 대규모 모델을 사용하는 것보다 저렴할 수 있습니다. 자문 및 평가 역할이 전체 토큰 소비를 줄이기 때문입니다.

Anthropic은 '하네스'를 장기 실행 에이전트 작업을 관리하는 필수 인프라로 정의합니다. 가장 기본적인 형태로, 하네스는 지속적인 상호 작용과 작업 실행을 용이하게 하는 루프입니다. Katelyn Lesse는 이를 농담으로 "루프"라고 불렀지만, "하네스는 사용자로부터 입력을 받고, 모델이 생각하는 것을 물어보고, 여기에 도구를 호출하는 것 사이를 왔다 갔다 하는 while 루프와 같은 가장 기본적인 버전입니다."라고 설명했습니다.

이 기본적인 루프 외에도 고급 하네스 요구 사항에는 환경 안전 보장, 상호 작용 전반에 걸친 지속적인 대화 상태 유지, 도구 액세스를 위한 자격 증명 보안 처리가 포함됩니다. 이러한 구성 요소들은 에이전트가 장기간에 걸쳐 복잡하고 다단계적인 작업을 안정적으로 수행할 수 있도록 합니다.

AI 에이전트 구현의 일반적인 함정은 비효율적인 인간 프로세스를 모방하려는 시도입니다. 많은 조직이 "매우 인간적인 프로세스를 임시방편으로 연결하여 작동하지만, 모든 정책을 가지고 있고, 인간의 비효율성을 발견하는 바로 그곳에 에이전트를 삽입하려고 시도한다"고 Angela Jiang은 관찰했습니다. 이러한 접근 방식은 종종 에이전트가 동일한 비효율성과 한계를 물려받게 합니다.

대신, Anthropic은 '에이전트 우선' 설계를 옹호하며, 개발자들이 야심 찬 프로젝트를 기본 단계로 분해하고 전체 프로세스를 처음부터 재설계하도록 촉구합니다. 이를 통해 기존의 종종 복잡한 워크플로우를 단순히 자동화하는 것보다 AI 기능을 더 최적으로 통합할 수 있습니다.

성공적인 에이전트는 자율적으로 작동하도록 설계되며, 절대적으로 필요한 경우에만 인간의 개입으로 에스컬레이션됩니다. 이는 효율성을 극대화하고 에이전트가 기존의 최적화되지 않은 시스템 내에서 병목 현상이 되는 것을 방지합니다.

Anthropic은 AI 에이전트의 사용자 경험(UX)이 단순한 채팅 인터페이스를 넘어 고성능 인간 동료와의 상호 작용과 유사하게 진화하는 미래를 envisions합니다. Angela Jiang은 이 비전을 다음과 같이 설명했습니다. "우리가 보는 종류의 핵심은, 아이러니하게도 또는 아이러니하지 않게도 AI이기 때문에 좀 더 인간적인 모습을 원합니다. 그리고 정말 훌륭한 동료처럼 행동하는 단계에 도달하기를 원합니다."

이러한 변화는 보편적인 채팅 상자에서 벗어나 더 직접적이고 사전 예방적인 에이전트 참여로 이동합니다. 이상적인 에이전트는 능동적인 팀원처럼 행동하며, 주도적으로 업무를 처리하고 효율적으로 작업을 처리하며 필요할 때 컨텍스트를 제공합니다. Slack과 같은 플랫폼은 인간이 자연스럽게 협업하는 환경으로 인용되며, 에이전트가 원활하게 통합되어 지능적인 협력자로 활동할 수 있는 실행 가능한 공간입니다.

에이전트가 더욱 자율적으로 변하더라도, 효과적인 인간-에이전트 조종의 필요성은 여전히 중요합니다. Katelyn Lesse는 "에이전트가 당신이 신경 쓰지 않을 때도 당신을 위해 무언가를 할 수 있다는 지속적인 상황이 있을 것입니다. 그리고 저는 그러한 세상에서, 우리가 진정으로 원하는 것을 가지고 돌아올 작업을 에이전트에게 어떻게 시킬 것인가와 같은 방법을 계속해서 필요로 할 것이라고 생각합니다."라고 강조했습니다.

에이전트는 지속적인 인간 감독 없이 백그라운드에서 점점 더 효율적으로 작동하여 사용자를 마이크로 매니징에서 해방시킵니다. 그러나 핵심 과제는 사용자가 원하는 결과를 정확하게 제공하도록 에이전트를 설정하는 직관적인 방법을 설계하는 데 있습니다. 이러한 백그라운드 작업을 관리하기 위한 최적의 사용자 인터페이스 및 상호 작용 패턴을 찾는 것은 Anthropic이 계속 탐구하는 미해결 문제입니다.

Anthropic은 AI 모델을 문제 해결을 위한 궁극적인 인터페이스로 상상합니다. 여기서 모델과의 상호 작용은 사용자 요구 사항을 직접적으로 해결합니다. Angela Jiang은 이를 "모델의 성장하는 기능에 가장 부합하는 가장 마법 같은 결과는 실제로 당신을 돕는 유일한 것이 모델이라는 것입니다. 그래서 가장 순수한 의미에서 어떤 문제를 해결하는 방법은 Claude에게 문자 그대로 말하는 것이고 Claude가 모든 것을 할 것입니다."라고 설명했습니다.

이 이상적인 상태에서 모델은 사용자가 자신의 필요를 표현하도록 도울 뿐만 아니라 필요한 기반을 구축하고 심지어 전체 제품을 구성하는 데도 도움을 줄 것입니다. 현재 제품 배포 및 인간 배포 엔지니어는 이러한 미래로 가는 과도기적 솔루션 역할을 합니다.

이러한 비전은 AI 모델 자체가 주요 도구가 되어 사용자 입력에 직접 기반하여 복잡한 작업을 이해하고, 계획하고, 실행할 수 있어 전체 개발 및 문제 해결 파이프라인을 단순화하는 패러다임 전환을 시사합니다.

비즈니스 문제에 직면했을 때, 조직은 표준화되고 제품화된 도구를 사용할지 또는 맞춤형 AI 엔지니어링에 참여할지 선택해야 합니다. 일반적인 비즈니스 과제에 대해 제품화된 솔루션은 빠른 성과와 확립된 효율성을 제공합니다. 그러나 복잡하고 근본적인 문제의 경우 맞춤형 AI 기반 프로세스가 필수적입니다.

Angela Jiang은 대규모 코드 마이그레이션과 같은 시나리오를 강조했습니다. 이는 "말 그대로 12년이 걸릴 수 있으며 고통스러운 일입니다... 그리고 최종 결과는 만약 제가 이 코드 마이그레이션 문제를 해결할 수 있다면, 회사도 결코 불가능하다고 믿었던 일을 할 수 있도록 해방시킬 것입니다."라고 말했습니다.

이러한 경우 맞춤형 AI 엔지니어링은 급진적인 속도 향상을 가능하게 하여 수년간의 작업을 몇 달로 단축시킬 수 있습니다. AI에 대한 이러한 전략적 투자는 기업이 이전에 불가능했던 과제를 해결하고, 기성 제품이 제공할 수 없는 새로운 기능과 경쟁 우위를 확보할 수 있도록 합니다.

AI가 제공하는 향상된 레버리지는 새로운 조직적 병목 현상을 야기하고 있으며, 이는 엔지니어링 실행에서 조정 및 정렬로 전환되고 있습니다. Katelyn Lesse는 다음과 같이 설명했습니다. "이제 프로젝트를 시작하고 어디로 가고 싶은지 감을 잡으면 엔지니어들은 '좋아, 이틀 후에 완료했어'라고 말합니다. 그리고 여러분은 모든 사람을 같은 페이지에 맞추기 위한 작업을 할 시간이 없었습니다. 그래서 저는 우리 팀 내에서 그 문제를 어떻게 해결할지 알아내기 위한 여정에 있었던 곳이라고 생각합니다."

제품 관리자, 기술 리더 등의 조정 활동이 개발과 병행하여 진행되는 전통적인 프로젝트 워크플로우는 혼란을 겪고 있습니다. AI 기반 엔지니어링 팀이 작업을 실행할 수 있는 속도는 이제 조정 및 정렬 단계가 제한 요소가 될 수 있음을 의미합니다.

팀은 이러한 새로운 엔지니어링 속도에 맞춰 역할과 프로세스를 재정렬하는 방법을 고심하고 있습니다. 여기에는 의사 결정 방법, 이해 관계자를 합의시키는 방법, 그리고 빠른 개발 속도가 조직의 효과적인 조정 능력을 앞지르지 않도록 하는 방법을 재고하는 것이 포함됩니다.