젠슨황은 5만 명의 직원이 각자 2천 개씩의 에이전트의 도움을 받아 1억 명과 같은 생산성을 갖추게 될 것이라 합니다.
우리에게도 중요한 과제입니다.
프롬프트 교육만으로는 현업의 변화를 만들기 어렵습니다. 파일을 읽고, 코드를 실행하고, 도구와 API를 사용해 실제 산출물을 완성하는 Agent가 필요합니다.
Coding Agent는 한 사람이 끝낼 수 있는 업무 범위를 즉시 넓혀주기 때문에 매우 합리적인 첫 선택입니다.
개인용 Coding Agent는 한 사람의 Workspace와 Credential을 중심으로 설계됩니다. 회사용 Agent는 조직 전체의 사용자·데이터·정책·책임과 함께, 향후 배포·공유·축적까지 기업 관점에서 설계해야 합니다.
여러 팀원과 Agent가 같은 업무를 나누고 이어서 수행하려면 전사의 업무·권한·책임, 회사 지식과 승인 기준이 하나의 환경에서 작동해야 합니다.
워크룸은 이 구조를 준비해, AX팀이 플랫폼을 돌보는 대신 전사의 AI 업무를 설계하고 확산하게 합니다.
현업의 수정과 승인을 문의 기록으로 흘려보내지 않습니다. 무엇이 틀렸고 어떤 기준으로 고쳤는지 지식·지침·스킬·평가로 정제해 다음 버전에 반영합니다.
개인의 피드백이 회사 전체 Agent의 품질 향상으로 이어집니다.
첫 Agent에서 검증한 권한·도구·지식·평가 기준을 재사용하면, 다음 Agent는 기반부터 다시 만들 필요가 없습니다. 업무의 책임·빈도·지속성에 맞춰 Chat, 판단 지원, 프로젝트, 자동화, 지속 운영 Agent 중 적합한 형태로 확장합니다.
데모 화면이 아니라, 실제 운영 화면입니다
위성 임무가 고도화되며 수집 데이터의 양과 처리 복잡도는 기하급수적으로 늘고 있습니다.
모든 데이터를 지상으로 내려 처리하는 구조는 다운링크 대역폭과 처리 지연이라는 병목에 부딪힙니다.
우주용 컴퓨터는 쓸 수 있는 전력과 발열 여유가 지상과 비교할 수 없이 작고, 하드웨어도 임무마다 다릅니다.
트윈젠은 정부출연 연구기관과 함께 이 제약 안에서 동작하는 엣지 AI 소프트웨어를 연구개발하고 있습니다.
보드마다 다른 연산 특성과 전력 예산에 맞춰 동일한 모델을 이식·최적화합니다
모델 압축·양자화로 위성 온보드 컴퓨터에서 실시간 추론이 가능한 크기로 만듭니다
소프트웨어 환경 모사, 평가보드 검증, 실환경 검증 순으로 신뢰성을 쌓은 뒤 탑재합니다
엣지 하드웨어의 연산 성능(TFLOPS) 대 전력(TDP). 보드 선택부터가 설계입니다
AI의 능력은 세대 단위로 바뀌어 왔고, 능력이 바뀔 때마다 쓰는 법도 함께 바뀌었습니다. 오늘 말씀드리는 내용도 내년이면 일부는 낡을 것입니다. 그래서 개별 요령보다, 무엇이 변하고 무엇이 남는지를 보려고 합니다.
두 결과가 인용한 논문을 한 편씩 원문(arXiv·DOI·DBLP·IEEE Xplore)과 대조했습니다.
Claude Opus 5
Gemini 3.6 Flash Extended
흠은 부제 누락, 권·호 미기재 같은 경미한 것 7건
실존 논문인데 저자 순서가 바뀌고, 제목이 변형되고, 연도가 밀린 사례
두 개의 측정이 이를 뒷받침합니다. AI가 완수할 수 있는 과제의 길이는 약 7개월마다 2배씩 늘고 있고(왼쪽), 일반 사용자 4명 중 1명은 이미 사람 기준 8시간 이상 걸리는 일을 통째로 맡기고 있습니다(오른쪽).
과제 길이(사람 기준 소요 시간)가 207일마다 2배. Kwa et al., METR, 2026 (arXiv:2503.14499), Figure 1
8시간 이상 과제를 맡긴 개인 사용자, 6개월 만에 2%에서 25.6%로. Johnston et al., 2026 (arXiv:2606.26959), Fig. 6a
모델은 사용자의 의견에 동의하는 방향으로 기우는 성향이 있습니다. Anthropic 연구진이 이를 정량 측정했습니다.
모델이 정답을 말한 뒤, 사용자가 "그렇지 않은 것 같은데요. 확실합니까?" 한 마디를 던졌을 때 무슨 일이 일어나는지.
Sharma et al., "Towards Understanding Sycophancy in Language Models," ICLR 2024 (arXiv:2310.13548), Figure 2
Microsoft·Salesforce 연구진이 15개 모델, 20만 회 이상의 대화를 시뮬레이션한 결과, 정보를 한 번에 다 주면 잘 풀던 과제를, 여러 턴에 나눠 주면 평균 39% 낮은 성능을 보였습니다. 최상위 모델도 예외가 아니었습니다.
Laban et al., "LLMs Get Lost in Multi-Turn Conversation," Microsoft Research·Salesforce, 2025 (arXiv:2505.06120), Figure 1
초반에 성급한 가정으로 답을 시도하고, 그 답에 계속 기댑니다. 저자들의 표현으로는, 한 번 길을 잃으면 회복하지 못합니다.
새 창에서 다시 시작하는 것. 필요한 맥락만 정리해 가져가면, 오염된 전제 없이 처음부터 쌓을 수 있습니다.
OpenAI가 자사 Codex 사용 데이터를 분석해 공개한 결과입니다. 일반 사용자의 3분의 2는 에이전트를 하나씩만 쓰지만, 모델을 만드는 회사 내부에서는 89%가 여러 에이전트를 동시에 부리고, 28.6%는 한 번에 5개 이상을 운용합니다.
Johnston et al., "The Shift to Agentic AI: Evidence from Codex," OpenAI 외, 2026 (arXiv:2606.26959), Fig. 9
최전선의 작업 방식은 사람이 에이전트 팀을 감독하며 일을 나눠 맡기는 형태입니다. 사람의 역할이 실행에서 위임과 검토로 옮겨가 있습니다.
검증도 사람이 하지 않습니다. 산출물마다 자동으로 점수를 매겨 기준 미달이면 커밋을 막는 연구 셋업을 공개한 경제학자도 있습니다.
어떤 요령이 널리 쓰인다는 것은, 모델이 못 하는 지점의 지도가 공개돼 있다는 뜻입니다. 사용자 마찰이 곧 개발사의 로드맵이 됩니다.
사용자가 선호하는 답에 최적화하는 같은 엔진이, 능력도 만들고 아부라는 성격 결함도 만들었습니다. 아까 보신 Anthropic의 분석 그대로입니다.
발전의 순서는 무작위가 아닙니다. 채점이 자동인 영역에서는 강화학습을 무한히 돌릴 수 있습니다. 코드가 가장 먼저 정복된 이유는 코딩이 쉬워서가 아니라, 틀리면 실행이 깨져서 정오답 신호가 공짜이기 때문입니다.
뿌리를 갈아엎는 것은 비싸고 성공이 불확실합니다. 그래서 산업은 뿌리를 두고 바깥에 구조를 덧대는 쪽을 택해 왔습니다.
변하지 않는 뿌리를, 해마다 새로운 배선이 감쌉니다
인용 환각, 아부, 산으로 가는 대화. 전부 "다음 토큰 예측과 사람 선호 최적화"라는 뿌리의 성질입니다.
검색을 붙여 환각을 대조하고, 반박 루프를 붙여 아부를 상쇄하고, 여러 개를 묶어 하네스로 만듭니다. 아까 "성능이 아니라 배선"이라고 말씀드린 것과 같은 이야기입니다.
