2026: This is AGI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

이 글은 장기 작업 에이전트가 지식·추론·반복을 결합해 모호한 목표를 스스로 해결하기 시작했으며, 이를 기능적 의미의 범용인공지능 출현으로 봐야 한다고 주장한다.

📌 핵심 요약

• 글은 범용인공지능을 기술적 기준이 아니라 ‘주어진 목표의 해법을 스스로 찾아내는 능력’으로 정의하고, 코딩 에이전트를 그 첫 사례로 제시한다.
• 인공지능이 해법을 찾는 데 필요한 요소를 사전학습을 통한 지식, 추론 시점 연산을 통한 사고, 장기 작업 에이전트를 통한 반복으로 구분한다.
• 개발자 관계 책임자를 찾는 사례에서 에이전트는 여러 후보와 신호를 조사하고 막힌 경로를 수정한 끝에 31분 만에 적합한 한 명과 맞춤형 연락 문안을 제시한다.
• 장기 작업 성능은 강화학습과 에이전트 실행 기반 구조의 발전으로 개선되고 있으며, 글은 메트르의 측정치를 근거로 처리 가능한 작업 시간이 약 7개월마다 두 배가 된다고 설명한다.
• 창업자에게는 대화형 도구를 만드는 수준을 넘어 에이전트가 수행할 업무를 정의하고, 이를 안정적인 제품·사용자 환경·성과 중심 가격 체계로 전환해야 한다는 과제가 제시된다.

🧩 주요 포인트

1. 코딩 에이전트가 오류를 수정하며 장시간 자율적으로 작업하기 시작했다는 사실은 인공지능의 중심이 대화 생성에서 실제 업무 수행으로 이동하고 있음을 뜻한다.
2. 강화학습은 모델의 지속성을 높이고 실행 기반 구조는 기억·맥락 한계를 보완하므로, 장기 작업 성능은 모델과 응용 계층의 결합 품질에 좌우된다.
3. 에이전트의 실패는 여전히 존재하지만, 창업자의 경쟁 기준은 단순 기능 수보다 반복 가능한 성과·강한 피드백 순환·업무 가치에 맞춘 제품화 능력으로 바뀐다는 것이 글의 결론이다.

🧠 상세 정리

1. 기술 명칭보다 실제 영향에 초점을 둔 범용인공지능 정의

글은 범용인공지능에 대한 일관된 기술적 정의가 오랫동안 확립되지 않았다는 일화에서 출발한다. 저자들은 자신들이 연구자가 아니라 시장·창업자·기업을 연구하는 투자자이므로 기술적 정의를 제시할 권위는 없다고 선을 긋는다. 대신 현실에서 무엇을 할 수 있는지를 기준으로 삼아 범용인공지능을 ‘해법을 스스로 찾아내는 능력’이라고 기능적으로 정의한다. 사용자가 일을 끝내려 할 때 중요한 것은 내부 작동 원리에 관한 철학적 합의보다 인공지능이 실제로 목표를 달성할 수 있느냐는 것이다. 이런 기준에서 글은 코딩 에이전트를 첫 사례로 들며, 장기 작업 에이전트가 이미 기능적 범용인공지능에 해당하고 2026년이 그 확산의 해가 될 것이라고 주장한다.

2. 지식·추론·반복으로 완성되는 문제 해결 능력

글은 사람이 문제를 해결하려면 기본 지식, 그 지식 위에서 추론하는 능력, 답을 찾을 때까지 반복하는 능력이 필요하다고 설명한다. 인공지능에서는 이 세 요소가 각각 사전학습, 추론 시점 연산, 장기 작업 에이전트에 대응한다. 사전학습을 통한 지식은 2022년 챗지피티 등장으로 대중적인 전환점을 맞았고, 추론 시점 연산은 2024년 말 오원 공개로 두드러졌다고 정리한다. 마지막 요소인 반복은 최근 클로드 코드와 다른 코딩 에이전트들이 일정한 역량 문턱을 넘으면서 현실화됐다는 것이 글의 판단이다. 에이전트가 수시간 동안 자율적으로 일하고, 스스로 실수를 고치며, 다음 행동을 결정할 수 있게 됐다는 점이 이전 세대와 구분되는 핵심 변화로 제시된다.

3. 모호한 채용 목표를 해결하는 31분의 탐색 과정

글은 ‘기술적으로 신뢰받으면서 트위터 활동을 즐기는 개발자 관계 책임자’를 찾아 달라는 창업자의 요청을 구체적인 사례로 제시한다. 에이전트는 처음에 경쟁사 개발자 관계 담당자를 링크드인에서 찾지만, 직함만으로 역량을 판단하기 어렵다는 문제를 발견하고 콘퍼런스 발표와 유튜브 반응을 조사하는 방식으로 전환한다. 이어 트위터 활동의 진정성·개발자 반응·최근 게시 빈도를 교차 확인하고, 새 직장을 구했거나 회사를 창업한 후보를 제외해 최종 후보 한 명을 남긴다. 그 후보의 최근 발표 주제, 목표 고객군과의 연관성, 회사 상황과 온라인 활동을 근거로 소규모 조직의 창의적 자율성을 강조한 맞춤형 연락 문안까지 작성한다. 전체 과정은 31분이 걸렸으며, 글은 이를 정해진 절차 수행이 아니라 가설 수립·검증·실패·방향 전환을 반복해 모호한 목표를 달성한 사례로 해석한다.

4. 강화학습과 에이전트 실행 기반 구조의 결합

장기 작업 에이전트는 추론 모델이 단순히 더 오래 생각하게 만드는 데서 그치지 않고, 실제 행동을 취한 뒤 결과에 따라 반복하도록 확장한다. 글은 모델이 집중력을 유지하며 더 오래 작업하게 만드는 접근으로 강화학습과 에이전트 실행 기반 구조라는 두 축을 제시한다. 강화학습은 훈련 과정에서 모델이 긴 작업의 방향을 놓치지 않도록 내재적 능력을 높이며, 주로 연구소가 다중 에이전트 체계와 안정적인 도구 사용 등을 발전시키는 영역이다. 반면 응용 계층은 기억 전달, 맥락 압축 등 이미 알려진 모델의 한계를 보완하는 구조를 설계하며, 매뉴스·클로드 코드·팩토리의 드로이드가 대표 사례로 언급된다. 따라서 글이 설명하는 장기 작업 역량은 모델 자체의 성능만이 아니라, 행동·기억·도구·맥락을 얼마나 정교하게 조직하느냐에 의해서도 결정된다.

5. 작업 시간의 확장과 전문직 에이전트의 등장

글은 장기 작업 에이전트의 성능을 주목할 만한 지수적 추세로 제시하면서, 메트르가 측정한 장기 과제 수행 시간이 약 7개월마다 두 배가 되고 있다고 설명한다. 이 추세를 그대로 연장하면 인간 전문가에게 하루가 필요한 과제는 2028년, 1년이 필요한 과제는 2034년, 한 세기가 필요한 과제는 2037년에 에이전트가 안정적으로 수행할 수 있다는 전망을 제시한다. 다만 이는 현재 확인된 완료 능력이 아니라 측정된 증가율을 연장한 글의 예측이다. 이미 에이전트를 ‘고용’할 수 있다는 관점에서 지피티-5.2·클로드·그록·제미나이를 언급하고, 의료의 오픈에비던스 딥 컨설트, 반도체 설계의 리커시브, 인공지능 연구를 수행하는 지피티-5.2와 클로드를 분야별 사례로 든다. 핵심 주장은 에이전트가 질문에 답하는 범용 대화 도구를 넘어 특정 전문 업무를 맡는 실행 주체로 이동하고 있다는 것이다.

6. 말하는 도구에서 일을 수행하는 동료로의 전환

글은 2023년과 2024년의 인공지능 응용을 정교하지만 영향이 제한된 ‘말하는 도구’로 규정하고, 2026년과 2027년에는 실제 일을 수행하는 ‘행동하는 도구’가 중심이 될 것이라고 전망한다. 사용 빈도도 하루 몇 차례의 질의에서 하루 종일 여러 에이전트를 병렬로 운영하는 형태로 바뀌며, 사용자는 시간을 조금 절약하는 개인 기여자보다 에이전트 팀을 관리하는 사람에 가까워진다는 설명이다. 창업자는 먼저 자기 분야에서 지속적인 주의와 반복이 병목인 업무가 무엇인지, 장기 작업이 기존 단일 응답 방식으로 불가능했던 어떤 역량을 여는지 물어야 한다. 이어 대화창 중심 사용자 환경을 업무 위임 중심 구조로 바꾸고, 기억과 도구 사용을 포함한 실행 기반 구조를 지속해서 개선해야 한다. 마지막으로 기능 이용량이 아니라 실제로 완수한 업무와 결과의 가치에 맞춰 상품 구성과 가격을 설계할 수 있는지가 사업화의 핵심 질문으로 제시된다.

7. 현재의 실패를 인정하면서도 더 큰 계획을 요구하는 결론

글은 현재 에이전트가 환각을 일으키고, 맥락을 잃으며, 잘못된 방향으로 확신 있게 진행하는 경우가 있음을 분명히 인정한다. 그럼에도 이런 실패가 점차 수정 가능한 문제가 되고 있으며, 장기 작업 수행 능력의 향상 방향 자체는 뚜렷하다고 평가한다. 현재 안정적으로 수행할 수 있는 작업 시간이 약 30분이라면 곧 하루 분량으로 늘어날 수 있다는 전망을 바탕으로, 창업자에게 기존보다 훨씬 야심 찬 제품 계획을 세우라고 촉구한다. 글은 한 세기 분량의 작업을 교차 검토되지 않은 임상시험 20만 건, 모든 고객 지원 기록에서 신호를 찾는 일, 미국 세법 전체를 일관성 있게 재구성하는 일로 구체화한다. 결론적으로 2030년을 상정했던 목표가 2026년의 현실적 계획으로 앞당겨졌다는 것이 글의 핵심 메시지다.

🧾 핵심 주장 / 시사점

• 이 글에서 범용인공지능의 판단 기준은 시험 점수나 철학적 정의가 아니라, 모호한 목표를 받아 스스로 탐색 경로를 수정하고 결과물까지 완성할 수 있는지 여부다.
• 장기 작업 시대의 응용 경쟁력은 기반 모델 접근성만으로 확보되지 않으며, 기억 전달·맥락 압축·도구 사용·오류 회복을 묶는 실행 기반 구조와 피드백 순환이 중요한 차별점으로 제시된다.
• 사용자가 직접 수행하던 일을 에이전트에 위임하게 되면 제품의 단위도 대화 횟수에서 완수된 업무와 성과로 바뀌므로, 사용자 환경과 가격 체계를 함께 재설계해야 한다.

✅ 액션 아이템

• 코딩 에이전트의 장기 작업 에이전트 로그를 성능 중심 가격 체계로 정리해 범용인공지능의 기능적 의미를 검증한다.
• 메트르의 7개월마다 두 배 처리성능 근거로 강화학습과 실행 기반 구조의 결합 단계와 우선순위를 정한다.
• 개발자 관계 책임자 찾기 사례의 31분 완료 흐름을 재현해 후보 조사·막힌 경로 수정·연락 문안 제안 과정을 비교한다.

❓ 열린 질문

• 사전학습을 통한 지식과 추론 시점 연산이 결합된 코딩 에이전트의 실패 허용 한도는 어떤 값으로 둘 것인가?
• 강화학습은 모델의 지속성을 높인다는 전제에서 장기 작업 성능은 실행 기반 구조의 맥락 보완 정도로 어떻게 판단할 것인가?
• 메트르의 7개월마다 두 배 지표와 31분 에이전트 사례를 함께 적용해 창업자가 설계할 성과 중심 가격 체계의 임계값은 무엇인가?