AI Harnesses In 24 Minutes (For Normal People)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI Harnesses In 24 Minutes (For Normal People)를 중심으로, 모델과 하네스는 역할이 다르다. 영상은 Claude Code와 Codex를 모델을 둘러싼 하네스로 설명하며, 같은 모델도 하네스를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 모델과 하네스는 역할이 다르다. 영상은 Claude Code와 Codex를 모델을 둘러싼 하네스로 설명하며, 같은 모델도 하네스 구성에 따라 업무 성과가 달라질 수 있다고 강조한다.
2. 컨텍스트는 작업의 출발점을 정한다. 프로젝트 목적, 파일 구조, 최근 변경, 사용 가능한 도구와 작업 규칙을 미리 제공하면 반복 설명을 줄일 수 있다.
3. 메모리는 긴 작업의 연속성을 돕는다. 대화 압축인 컴팩션과 변경 기록을 통해 목표·진행 상황을 유지하면서 제한된 컨텍스트 창을 관리한다.
4. 도구는 모델의 출력을 실제 행동으로 연결한다. 하네스가 도구 호출 요청을 실행하고 결과를 모델에 돌려주며, MCP는 외부 앱과 도구를 연결하는 방식으로 소개된다.
5. 검증과 권한은 실행 품질과 범위를 관리한다. 테스트·계산기 등으로 결과를 확인하고, 승인 절차·훅·샌드박스로 위험한 행동과 피해 범위를 제한한다.

🧩 배경과 문제 정의

영상은 AI가 업무를 수행하는 능력을 모델 자체의 지능만으로 설명하기 어렵다는 문제에서 출발한다. 모델을 '병 속의 뇌'에 비유하며, 외부 환경을 읽고 행동하고 결과를 확인하려면 주변 소프트웨어가 필요하다고 설명한다.

이 주변 소프트웨어를 AI 하네스로 정의하고 Claude Code와 Codex를 사례로 사용한다. 비전문가가 하네스의 다섯 요소인 컨텍스트, 메모리, 도구, 검증, 권한을 이해하고 에이전트의 실행 흐름과 개선 방향을 파악하도록 구성한 입문 설명이다. 제품별 설정 절차나 성능 비교 실험은 제공하지 않는다.

🕒 시간순 섹션별 상세정리

1. 실제 업무를 수행하게 만드는 AI 하네스

• 발표자는 AI 모델만으로는 외부 행동을 수행할 수 없으며, 실제 업무를 가능하게 하는 주변 시스템을 AI 하네스라고 보여준다. [00:21]
• Claude Code와 Codex를 기반 모델을 둘러싼 하네스의 사례로 설명하고, 동일한 모델도 하네스에 따라 성과가 달라질 수 있다고 주장한다. [01:38]

2. 챗 창에서 업무 실행 환경으로의 확장

• 단순한 챗 창도 하네스에 해당하며, 초기 대화형 도구에서 더 복잡한 실행 환경으로 발전했다고 보여준다. [01:55]
• AI의 발전에는 모델 지능의 개선과 하네스의 개선이라는 두 축이 있어, 새로운 성과를 모델 변화만으로 해석해서는 안 된다고 강조한다. [02:28]

3. 텍스트 예측 모델만으로는 부족한 이유

• 초기 언어 모델은 입력 텍스트를 이어 쓰는 방식으로 설명되며, 세션 간 기억이나 파일·화면 접근, 직접 행동, 결과 확인이 부족했다고 보여준다. [03:18]
• 'the sky is' 다음에 'blue'가 나오는 사례로 다음 토큰 예측을 설명하며, 이것만으로 실제 업무 수행 체계가 완성되지는 않는다는 논의를 이어간다. [04:02]

4. 하네스의 정의와 다섯 가지 구성 요소

• 강력한 말에 안장과 고삐를 붙이는 비유로, 하네스가 모델의 능력을 사용자에게 유용한 목표로 향하게 만든다고 보여준다. [04:46]
• 핵심 요소는 작업 맥락을 제공하는 컨텍스트, 이전 정보를 유지하는 메모리, 행동을 수행하는 도구, 결과를 확인하는 검증, 실행을 제한하는 권한이다. [05:17]
• 좋은 모델과 함께 좋은 하네스도 중요하며, 하네스 구성으로 결과의 유용성을 높일 수 있다는 메시지를 제시한다. [05:32]

5. 컨텍스트로 작업 환경과 규칙 제공하기

• 새 세션의 모델에는 프로젝트 목적, 파일 구조, 최근 변경, 접근 가능한 도구 같은 업무 정보가 필요하다고 보여준다. [06:06]
• 코드 지도와 프로젝트 지침 파일을 통해 코드 스타일, 수정 금지 폴더, 실행할 테스트 등을 전달하는 방식을 보여준다. [06:40]
• 컨텍스트를 구조화하면 반복 설명을 줄일 수 있으며, 하네스가 이를 효율적으로 제공하는 것이 중요하다고 강조한다. [07:09]

6. 메모리와 컴팩션으로 긴 작업 이어가기

• 대화가 길어지면 제한된 컨텍스트 창이 채워지고 지시가 충돌할 수 있다는 문제를 보여준다. [07:50]
• 목표, 계획, 변경 파일, 진행 단계, 오류 등을 압축된 표현으로 정리해 작업 방향을 유지하는 것이 메모리의 역할이라고 보여준다. [08:16]
• 컴팩션은 오래된 내용을 짧게 요약해 공간을 확보하는 기능이며, Claude Code의 자동 압축을 사례로 든다. [08:43]

7. 변경 기록으로 유지하는 작업의 연속성

• 파일 전체를 계속 저장하는 대신 변경 로그를 유지하고, 이를 Git이나 버전 관리와 유사한 방식으로 보여준다. [09:10]
• 메모리는 세션 시작 시점의 정보뿐 아니라 작업 중 누적된 맥락을 유지하도록 돕는다는 점을 강조한다. [09:23]

8. 도구 호출로 텍스트를 행동에 연결하기

• 하네스는 모델의 특정 출력을 도구 실행 요청으로 해석하고, 해당 소프트웨어를 호출해 결과를 모델에 다시 전달한다. [10:11]
• 이 반복을 뇌와 운동 기능의 연결에 비유하며, 도구가 있어야 모델이 환경에 실제로 작용할 수 있다고 보여준다. [10:40]
• 도구 출력 축소, 입출력이 간결한 소프트웨어, 적절한 도구 선택이 토큰 사용과 실행 효율을 개선하는 방법으로 드러난다. [11:06]

9. MCP를 통한 외부 앱과 도구 연결

• MCP를 모델이 외부 앱의 맞춤형 도구에 연결하는 데 쓰이는 방식으로 보여준다. [11:21]
• 필요한 행동을 수행하는 MCP 서버를 개발해 자신의 작업 환경을 확장할 수 있다고 제안하며, 공식 하네스에 직접 채택되는 문제는 별개라고 보여준다. [11:53]

10. 검증 결과를 모델에 되돌려주기

• 모델이 코드를 보고 괜찮다고 말하는 것과 실제로 실행되는 것은 다르므로, 검증 도구를 돌리고 결과를 다시 입력해야 한다고 보여준다. [12:47]
• 계산 오류 사례를 통해 계산기 같은 도구를 연결하면 모델의 자체 추정에 의존하는 문제를 줄일 수 있다고 보여준다. [13:47]
• 테스트, 린터, 포매터 등의 결과를 확인하고 성공 여부를 판단하는 절차를 코드 출력의 검증 사례로 제시한다. [14:21]

11. 권한 확인과 훅으로 실행 관리하기

• 권한 계층은 도구 호출과 호출의 흐름을 점검하며, 다른 AI 모델을 권한 검사에 활용하는 실험도 언급한다. [14:52]
• 새로운 사이트로 데이터를 전송하거나 폴더를 삭제하려 할 때 사용자에게 확인을 요청하는 사례로 권한의 역할을 보여준다. [15:48]
• 훅을 이용해 편집 후 테스트를 실행하거나 도구 실행 전에 접근 대상을 확인할 수 있으며, 검증과 권한은 서로 다른 목적에 활용된다고 보여준다. [16:49]

12. 샌드박스로 활동 범위와 피해 제한하기

• 샌드박스는 모델이 활동할 수 있는 가상 환경이며, 외부 작업을 제한해 파일 삭제나 설정 변경 같은 실수의 피해 범위를 줄이는 장치로 묶인다. [17:30]
• 사용자 의도와 어긋나는 행동에도 제한이 필요하다고 설명하고, 가중치 반출이나 외부 업로드 차단을 가정적 사례로 제시한다. [18:11]

13. 추론과 출력 분기로 다음 행동 선택하기

• 모델은 컨텍스트와 현재 상태를 바탕으로 다음 행동을 결정하며, 초기 판단을 다시 입력해 재검토하는 추론 흐름을 보여준다. [18:38]
• 이전 출력에 'but' 같은 표현을 붙여 반론을 유도하는 방식을 사례로 들고, 이후 추가 추론·도구 요청·행동·사용자 질문 중 하나로 진행할 수 있다고 드러낸다. [19:56]
• 하네스는 모델의 타고난 지능을 높이기보다 유용성을 높이는 소프트웨어이며, 시청자도 개선에 기여할 수 있다고 강조한다. [20:36]

14. 목표 달성까지 반복하는 ReAct 루프

• 생각한 뒤 행동을 정하고, 권한 확인과 샌드박스 실행을 거쳐 유용한 결과를 관찰한 다음 다시 판단하는 반복 구조를 보여준다. [21:17]
• 목표가 달성되면 반복을 종료하며, 이 구조를 추론과 행동을 결합한 ReAct 루프로 보여준다. [21:36]

15. 하네스의 발전 방향과 영상 마무리

• MCP 앱 연결 확대, 에이전트 간 위임과 맥락 공유, 여러 후보를 실행해 검증에 통과한 결과를 선택하는 방식을 발전 방향으로 제시한다. [22:58]
• 실패 원인을 분석해 하네스 자체를 개선하는 진화형 하네스를 소개하고, 전체 파일을 읽기보다 필요한 파일부터 검색해 토큰 사용을 줄이는 사례를 든다. [24:00]
• AI·자동화 서비스의 첫 고객 확보를 지원한다는 Maker School 프로그램을 홍보한 뒤, 다음 영상 주제에 대한 댓글을 요청하며 마무리한다. [24:36]

🧾 결론

• AI의 업무 성능을 이해하려면 모델의 능력과 이를 활용하는 하네스의 구성을 함께 살펴봐야 한다.
• 유용한 에이전트는 추론, 도구 실행, 결과 관찰을 반복하고 검증 결과를 다음 판단에 반영한다.
• 하네스는 소프트웨어이므로 도구 연결, 컨텍스트 정리, 테스트 자동화 같은 개선에 직접 참여할 수 있다는 것이 영상의 실천적 메시지다.
• 다중 에이전트 협업, 여러 후보의 병렬 검증, 실패 기록을 활용한 하네스 개선은 발표자가 제시하는 발전 방향이다.

📈 투자·시사 포인트

• AI 제품을 평가할 때 모델 이름이나 벤치마크 점수와 함께 도구 연결, 검증 방식, 권한 관리가 실제 업무에 미치는 영향을 살펴볼 필요가 있다.
• MCP 기반 앱 연결과 맞춤형 도구 개발은 영상이 제시하는 사업 참여 경로다. 다만 구체적인 시장 규모나 수익성 자료는 제공되지 않는다.
• 도구 출력 축소와 필요한 파일 우선 검색은 토큰 사용과 작업 효율을 개선하는 방법으로 소개된다. 비용 절감 효과는 실제 업무에서 확인해야 한다.
• 영상 말미에는 AI·자동화 서비스의 첫 고객 확보를 지원한다는 교육 프로그램 홍보가 포함된다. 기술 설명과 해당 프로그램의 사업 성과 주장은 구분해 읽어야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 같은 모델의 성능이 하네스에 따라 크게 개선된다는 연구 언급에는 연구명, 평가 조건, 수치가 제시되지 않는다. 최근 약 6개월의 주요 도약이 전적으로 하네스 덕분이라는 발언도 발표자의 주장으로 다뤄야 한다.
• 자막에 등장하는 모델명과 제품 표기는 혼재되어 있다. 이를 현재 제품 목록이나 지원 관계를 확정하는 자료로 사용하기는 어렵다.
• 컨텍스트를 한 번 마련하면 이후 프롬프트 문제가 해결된다는 설명과 메모리가 변경 기록으로 파일을 재구성한다는 설명은 일반화되어 있다. 하네스별 구현 차이와 압축 과정의 정보 손실을 확인해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 사용하는 AI 제품에서 기반 모델과 하네스를 구분하고, 컨텍스트·메모리·도구·검증·권한의 다섯 요소를 확인한다.
• 프로젝트 목적, 파일 구조, 코드 스타일, 수정 금지 영역, 필요한 테스트를 작업 지침으로 정리한다.
• 긴 작업을 압축할 때 목표, 현재 단계, 변경 파일, 오류와 중요한 실패 경험이 유지되는지 점검한다.
• 반복 업무에 필요한 도구나 MCP 연결을 선정하고, 실행 결과가 모델의 다음 판단에 반영되는지 확인한다.

❓ 열린 질문

• 같은 모델과 같은 과제를 유지했을 때 하네스의 어떤 요소가 성능 개선에 가장 크게 기여하는가?
• 대화 압축은 어떤 정보를 남기고 버려야 작업의 연속성과 판단 품질을 유지할 수 있는가?
• 여러 후보를 실행하고 검증하는 방식은 추가 비용에 비해 얼마나 높은 성공률을 제공하는가?