루프가 제품이다: 2026년 자율 연구

롤랜드 가브릴레스쿠는 장기 실행형 상시 작동 자율 작업을 배포하는 방법을 개발하기 위해 인트로스펙션을 공동 창립했습니다. 그와 그의 공동 창립자는 xAI에서의 이전 작업을 넘어 에이전트 인프라에 대한 새롭고 독립적인 접근 방식의 필요성을 인식했습니다.

목표는 기존 AI 개발 패러다임의 한계를 넘어 다양한 고객 사용 사례에 효과적으로 확장할 수 있는 방식으로 에이전트 아이디어를 제품화하는 것입니다.

시스템은 레딧 데이터 쿼리, 재고 스캔, 자동차 딜러 간 협상, 더 큰 할인을 확보하기 위한 정확한 가격 확인의 네 가지 특정 단계를 수행합니다. 그는 클로봇(현재는 오픈클로)을 성공적인 에이전트 루프의 대표적인 예로 강조했습니다.

클로봇의 효과는 자동차 할인 확보 프로세스를 자동화하는 능력에서 비롯되었습니다. 에이전트는 자동차 딜러 및 레딧 사용자와 소통하여 정보를 수집하고 가격을 협상했습니다.

에이전트의 루프는 레딧에서 관련 데이터 식별, 자동차 재고 파악, 딜러 간 경쟁 입찰 조율, 궁극적으로 최적 가격 확인의 네 가지 핵심 단계를 포함했습니다.

OODA 루프(Observe-Orient-Decide-Act) 프레임워크는 1970년대 미 공군의 제트 전투기 반응 시간 개념으로, AI 에이전트 운영의 기초 모델로 사용됩니다. 이 프레임워크는 빠르게 변화하는 환경에서 신속한 의사결정을 강조합니다.

에이전트 루프는 환경에서 신호를 관찰하고 다양한 도구를 통해 후속 조치를 취함으로써 작동합니다. 이러한 루프의 전반적인 성공은 입력 신호의 품질과 관련성, 그리고 시스템 내 검증 프로세스의 효율성에 결정적으로 달려 있습니다.

이 반복적인 개선 메커니즘은 더욱 강력하고 효과적인 AI 에이전트를 만드는 데 핵심적입니다.

'에이전트 레시피'는 특정 플랫폼이나 제공업체와 독립적으로 작동하는 재현 가능한 최첨단 AI 시스템을 만드는 방법으로 소개됩니다. 이러한 레시피는 새로운 데이터에 따라 동작을 지속적으로 개선하고 정제하도록 설계되었습니다.

레시피는 관찰된 실패 패턴, 인간의 판단, 런타임 조정을 통합하여 에이전트의 동작이 효과적으로 진화하도록 보장합니다. 궁극적인 목표는 단순히 원시 코드나 모델을 추적하는 것이 아니라 이러한 정제된 레시피를 버전 관리하여 AI 시스템을 관리하는 것입니다.

Git 저장소에 저장된 에이전트 레시피는 자체 개선 에이전트 시스템 구축을 위한 버전 관리 전략으로 사용됩니다. 이를 통해 개발자는 변경 사항을 추적하고 에이전트 개발에 협력할 수 있습니다.

이 접근 방식은 'pi harness' 및 'harbor'를 사용하여 포괄적인 평가를 수행하며, 에이전트가 생성자의 특정 '취향' 또는 선호도에 맞춰 조정되도록 합니다. 이는 에이전트의 동작과 개발자 의도 간의 정렬을 보장합니다.

인트로스펙션은 이러한 레시피의 생성을 촉진하여 생성자가 고유한 선호도를 에이전트의 구성 및 작동에 인코딩할 수 있도록 하는 것을 목표로 합니다. 'pi.recipes' 출시는 기존 2025년 시대의 기술을 넘어 에이전트 기능을 발전시키고자 합니다.

Cursor 및 Cognition과 같은 회사는 평가 및 모델을 개발하기 전에 제품을 구축하는 제품 우선 경로를 확립했습니다. 법률 연구와 같은 분야에서 미래 에이전트의 성능은 지속 가능한 컴퓨팅 비용으로 생산 시스템을 실행함으로써 와트당 가치 경제적 효율성을 우선시하는 데 달려 있습니다. 이 지표는 최첨단 AI 성능을 경제적으로 실행 가능하게 만드는 데 중요합니다.

Cursor 및 Cognition과 같은 회사는 효과적인 제품을 먼저 구축한 다음 해당 제품에 대한 강력한 평가 메커니즘을 개발하고 마지막으로 이전 두 단계의 통찰력을 기반으로 최적화된 모델을 구축하는 경로를 보여줍니다.

고객 지원 및 법률 연구와 같은 다양한 영역에서 에이전트의 미래 성공은 높은 와트당 가치 효율성을 달성하는 데 달려 있습니다. 이는 에이전트가 성능의 '최전선'에 도달하기 위해 생산 환경으로 이동함에 따라 컴퓨팅 비용을 효과적으로 관리해야 합니다.

과제는 이러한 '취향'을 휴대 가능하고 복제 가능하게 만드는 데 있습니다.

목표는 모든 개발자가 다른 사람의 특정 접근 방식을 다운로드하여 적용함으로써 그들의 성공을 효과적으로 복제할 수 있도록 하는 것입니다. 강화 학습(RL)은 이러한 격차를 해소하여 검증된 평가를 에이전트 동작을 안내하는 모델 가중치로 변환합니다.

이 반복 주기는 작업자가 아티팩트를 생성하고, '취향'이 필요한 변경 사항을 정의하며, 실험이 생산 환경에서 이러한 변경 사항을 검증하는 내부 루프를 포함합니다.

CodeEx 및 Cloud Code와 같은 프레임워크는 LinkedIn 및 웹 검색과 같은 도구를 통합하여 특정하고 고품질의 채용 표준을 시행하는 채용 에이전트를 조립할 수 있도록 합니다. 이 접근 방식은 개발을 간소화하기 위해 확립된 리소스를 활용합니다.

시스템 지침은 이러한 채용 에이전트의 핵심 정체성으로, 운영 매개변수와 목표를 정의합니다. 목표는 특정 고품질 표준을 에이전트의 동작에 직접 코드화하여 일반적인 채용을 초월하는 것입니다.

에이전트는 실행 추적을 분석하여 일반적인 행동 패턴과 사용자 불만을 식별해야 합니다. 이는 성능을 개선하는 데 중요합니다. 이 데이터 기반 접근 방식은 에이전트가 환경과 어떻게 상호 작용하는지 이해하는 데 도움이 됩니다.

존 카맥과 같은 잘 알려진 인물을 우선시할 수 있는 에이전트와 달리, 인간 채용 담당자는 종종 '숨겨진 보석'인 높은 대중적 인지도를 가지지 않을 수 있는 재능 있는 개인을 찾습니다. 에이전트는 다른 재능 패턴을 식별하도록 특별히 훈련되지 않는 한, 주요 기술 회사 직원에게 연락하는 것으로 기본 설정될 수 있습니다.

보정은 일관된 인간의 판단이 다양한 실행 추적에 적용되는 중요한 프로세스입니다. 이를 통해 에이전트의 동작이 원하는 결과 및 선호도와 일치하도록 보장합니다.

인간은 수동으로 평가를 구축할 필요가 없으며, 대신 에이전트 자체가 생성하는 평가를 보정하는 역할을 합니다. 이는 인간 개입 루프 상호 작용을 더 높은 수준의 감독 및 정제 단계로 전환합니다.

인간 개입의 주요 기능은 에이전트의 접근 방식이 생성자의 특정 선호도와 '취향'을 정확하게 반영하는지 확인하는 것입니다. 이 보정된 취향은 사용자 피드백과 A/B 테스트를 통합하여 지속적인 개선을 위해 생산 배포를 통해 검증됩니다.

방어 가능한 수직 AI 회사를 구축하는 핵심은 '취향'을 에이전트에 코드화하는 지속적인 반복입니다. 이 반복 프로세스는 에이전트의 성능이 높은 수준의 판단을 지속적으로 충족하도록 보장합니다.

이 프로세스를 반복함으로써 조직은 다른 사람들이 확립되고 정제된 시스템을 기반으로 구축할 수 있도록 하는 성공적인 루프를 개발할 수 있습니다. 이러한 기관 지식의 체계적인 코드화는 경쟁적인 AI 환경에서 독특하고 방어 가능한 접근 방식을 만듭니다.

첫 번째 핵심 요점은 '루프가 제품이다'는 것입니다. 이는 두 번째 루프 에이전트가 초기 반복과 동일한 통찰력을 지속적으로 적용하도록 고수준 판단의 자동화를 강조합니다.

둘째, '시스템 증류는 해자이다'는 작업자가 출력을 자체 검증하고 시스템에 '취향'을 빠르게 주입하는 방법의 중요성을 강조합니다. 이는 AI 회사에 독점적인 이점을 창출합니다.

마지막으로, '와트당 가치 있는 작업'은 측정 가능한 진행과 경쟁력 있는 단위 경제성에 초점을 맞추는 것이 중요합니다. 이는 AI 솔루션이 기존 클라우드 솔루션보다 더 효율적이고 비용 효율적임을 보장합니다.