AI 에이전트는 스스로 일을 찾아서 하나요?

아니요. AI 에이전트는 언어 모델에 도구와 규칙을 묶은 프로그램이고, 일을 시작하는 계기는 사람의 요청이나 정해 둔 시각, 정해 둔 사건입니다. 스스로 일을 찾는 것처럼 보이는 것은 이런 계기가 이어지면서 일이 연속으로 처리되기 때문입니다.

언어 모델은 글을 읽고 이어질 글을 만들어 내는 AI 모델이고, 도구는 파일 읽기나 검색처럼 모델이 불러 쓰는 기능입니다. AI 모델 Claude를 만드는 Anthropic도 에이전트는 사람의 명령이나 사람과 나눈 대화로 일을 시작하고, 할 일이 분명해지면 스스로 계획을 세워 움직이되 필요하면 사람에게 돌아와 정보나 판단을 구한다고 설명합니다(Anthropic, 2024년 12월).

혼자 끝낼 수 있는 일의 길이에도 한계가 있습니다. AI 평가 기관 METR가 2026년 9월 8일에 더는 갱신하지 않는다고 밝힌 공개 측정표에서 가장 앞선 모델인 Claude Mythos Preview 초기 버전은, 주로 소프트웨어 개발, 기계 학습, 사이버 보안 분야의 과제 가운데 절반의 확률로 끝낼 것으로 추정되는 과제의 길이가 사람 전문가 기준 약 17시간이었지만, 80%의 확률로 끝낼 것으로 추정되는 과제의 길이는 약 3시간이었습니다(METR, 2026).

AI 에이전트는 무엇으로 이루어지나요?

AI 에이전트는 글을 읽고 쓰는 언어 모델과, 그 모델에게 지시와 도구를 건네고 모델이 고른 동작을 실제로 실행하는 하네스로 이루어집니다. 그래서 AI 에이전트는 언어 모델에 도구와 규칙을 묶어, 사람의 요청이나 정해 둔 시각·사건에 따라 여러 단계의 일을 이어 처리하는 프로그램이라고 정리할 수 있습니다.

Anthropic은 검색과 도구, 기억 장치를 더한 언어 모델을 에이전트 시스템의 기본 부품으로 보고, 에이전트를 대개 주변 환경에서 돌아온 결과를 보며 도구를 되풀이해 쓰는 언어 모델이라고 설명합니다. 에이전트는 단계마다 도구가 돌려준 결과나 코드를 실행한 결과로 실제 상황을 확인하며 다음 동작을 고릅니다(Anthropic, 2024년 12월). 모델을 감싸는 하네스가 무엇을 가리키는지는 "하네스 엔지니어링이란"에서 다룹니다.

같은 글은 에이전트라고 불리는 시스템을 둘로 나눠 봐야 한다고 설명합니다. 언어 모델과 도구가 미리 짜 둔 순서대로 움직이는 것은 워크플로이고, 언어 모델이 어떤 순서로 어떤 도구를 쓸지 스스로 정하는 것이 에이전트입니다. Anthropic은 둘을 모두 에이전트 시스템이라고 부르되 구조는 구별합니다(Anthropic, 2024년 12월).

AI 에이전트가 스스로 일하는 것처럼 보이는 까닭은 무엇인가요?

AI 에이전트가 스스로 일하는 것처럼 보이는 까닭은 일을 시작하는 계기가 사람이 매번 손대지 않아도 이어지게 짜여 있기 때문입니다. 계기는 사람의 요청, 정해 둔 시각, 정해 둔 사건의 세 가지이고, 에이전트가 낸 결과가 다시 다음 사건이 되기도 합니다.

코드 저장소 서비스 GitHub에서 Claude Code를 실행하는 공식 도구가 세 가지 계기를 모두 보여 줍니다. 사람이 이슈나 코드 변경 요청의 댓글에 @claude라고 적으면 그 요청에 답하고, 지시문을 미리 넣어 두면 새 코드 변경 요청이 열리는 것 같은 GitHub의 사건에 맞춰 실행되며, 크론 표현식 "0 9 * * *"을 넣으면 매일 협정 세계시 9시에 보고서를 만듭니다. 이 도구는 다른 봇이 Claude를 부르면 기본적으로 실행을 거절하는데, 봇끼리 서로를 불러 실행이 끝없이 반복되는 일을 막기 위해서입니다(Claude Code GitHub Actions 문서).

정해 둔 시각에 깨우는 방식에는 하트비트와 크론이 있습니다. 개인용 AI 에이전트 OpenClaw의 문서는 하트비트를 기본값으로 30분마다 돌아가는 주기적인 작업으로, 크론을 정확한 시각에 에이전트를 깨우는 내장 예약 기능으로 설명합니다. 그리고 매일 오전 9시 정각에 보고서를 보내는 일처럼 시각이 정확해야 하면 크론을, 대략적인 시각으로 충분한 주기적 확인이면 하트비트를 쓰라고 안내합니다(OpenClaw 자동화 문서).

그래서 에이전트를 스스로 일감을 찾아 나서는 존재로 보기보다, 계기와 처리가 이어지는 구조로 보는 편이 실제에 가깝습니다. 어떤 계기에 무엇을 하게 할지는 사람이 미리 정해 둔 것입니다.

AI 에이전트는 얼마나 긴 일을 혼자 끝낼 수 있나요?

METR가 2026년 9월 8일부터 갱신하지 않는 측정표에서 가장 앞선 모델인 Claude Mythos Preview 초기 버전은, 주로 소프트웨어 개발, 기계 학습, 사이버 보안 분야의 과제 가운데 사람 전문가가 약 17시간 걸리는 과제를 절반의 확률로 끝낼 것으로 추정되었지만, 80%의 확률로 끝낼 것으로 추정되는 과제는 약 3시간짜리였습니다(METR, 2026). METR는 과제의 길이를 사람 전문가가 끝내는 데 걸리는 시간으로 재고, AI 에이전트가 절반의 확률로 성공하는 과제 길이를 50% 시간 지평이라고 부릅니다(METR, 2026).

이 값은 METR의 측정 방식 Time Horizon 1.1로 잰 결과입니다. 50% 시간 지평은 약 17시간 25분이었지만 95% 신뢰구간이 약 8시간 30분에서 55시간까지로 넓었고, 80% 시간 지평은 약 3시간 6분이었습니다(METR 측정 자료, 2026). 같은 일을 열 번 가운데 여덟 번 이상 해내야 한다면, 맡길 수 있는 일의 길이는 절반을 기준으로 할 때보다 훨씬 짧아진다는 뜻입니다.

이 길이는 빠르게 늘어 왔습니다. METR는 2025년 3월 19일 이 지표가 지난 6년 동안 약 7개월마다 두 배로 늘었다고 발표했고, 당시 모델들은 사람이 4분 안에 끝내는 과제는 거의 모두 성공했지만 4시간이 넘는 과제는 10% 미만만 성공했습니다(METR, 2025). 지금의 측정 자료로 2023년 이후 모델만 보면, 16시간이 넘는 추정값을 빼고 계산한 두 배 시간은 약 129일이었습니다(METR 측정 자료, 2026).

다만 METR의 과제는 대부분 소프트웨어 개발, 기계 학습, 사이버 보안 과제이고, METR 스스로 이 과제들이 실제로 돈을 받고 하는 일보다 훨씬 깔끔하며 AI 에이전트는 더 지저분한 과제에서 성적이 낮았다고 밝힙니다(METR, 2026). 회사의 문서 업무처럼 조건이 흩어져 있는 일에서도 같은 길이를 기대할 수는 없습니다.

AI 에이전트에게 맡기기 좋은 일은 무엇인가요?

AI 에이전트에게 맡기기 좋은 일은 필요한 단계 수를 미리 정하기 어렵지만, 결과가 맞는지 확인할 방법이 분명한 일입니다. Anthropic은 단계 수를 예측하기 어려운 열린 문제에 에이전트를 쓸 수 있다고 보면서도, 그 판단을 어느 정도 믿을 수 있어야 하고 자율적으로 움직이는 만큼 비용이 들며 오류가 쌓일 수 있다고 설명합니다(Anthropic, 2024년 12월).

같은 글은 코딩을 에이전트가 잘 맞는 분야로 꼽으며, 코드는 자동 시험으로 맞는지 확인할 수 있고, 에이전트가 그 시험 결과를 받아 고칠 수 있으며, 문제의 범위가 잘 정해져 있고, 결과의 품질을 객관적으로 잴 수 있다는 네 가지 까닭을 듭니다. 그래도 해법이 시스템 전체의 요구에 맞는지 확인하는 데는 사람의 검토가 여전히 중요하다고 덧붙입니다(Anthropic, 2024년 12월). AI가 만든 결과도 사람이 만든 결과처럼 실제로 실행해서 확인해야 한다는 뜻입니다.

반대로 순서가 늘 같은 일은 굳이 에이전트로 만들 필요가 없습니다. Anthropic은 가장 단순한 방법부터 찾고 필요할 때만 복잡도를 올리라고 권하며, 서로 기대지 않는 하위 작업으로 나눌 수 있는 일은 여러 모델에게 동시에 맡겨 속도를 높이는 방식도 소개합니다(Anthropic, 2024년 12월). 예시로 거래처 수백 곳의 계약서에서 만료일을 찾아 표로 모으는 일은, 계약서마다 따로 처리할 수 있고 결과를 원문과 맞춰 보기도 쉬워 이런 방식에 맞습니다.

AI 에이전트를 쓰면 사람은 무엇을 하나요?

사람은 무엇을 맡길지 정하고 일을 분명하게 설명하며, 에이전트가 되묻는 판단에 답하고 결과를 검토합니다. Anthropic의 설명에서도 에이전트는 할 일이 분명해진 뒤에야 스스로 움직이고, 정해 둔 확인 지점이나 막히는 곳에서 멈춰 사람의 의견을 받을 수 있습니다(Anthropic, 2024년 12월).

일을 분명하게 설명한다는 것은 사람의 머릿속이나 회의에만 있던 맥락을 에이전트가 읽을 수 있는 글로 옮긴다는 뜻이기도 합니다. 에이전트가 실행 중에 읽을 수 없는 지식은 그 에이전트에게 없는 것과 같다는 공개 사례는 "하네스 엔지니어링이란"에, 모델이 읽을 정보를 고르는 일은 "컨텍스트 엔지니어링이란"에 정리했습니다.

AI 에이전트에 관해 더 알아보려면 무엇을 읽으면 되나요?

에이전트를 감싸는 하네스는 "하네스 엔지니어링이란? 뜻과 설계 대상, 대표적인 실패"에서, 여러 에이전트를 함께 쓸 때 생기는 오류는 "멀티 에이전트에서는 언제 오류가 커지나요?"에서 다룹니다. 다른 질문은 AX 가이드의 에이전트와 하네스에서 찾을 수 있습니다.