You don't send a colleague a three-word brief. You explain the context, the constraints, what you've already tried. But typing all that into ChatGPT takes forever — so you don't.

Wispr Flow lets you speak your prompts instead. Talk through your thinking naturally and get clean, paste-ready text. No filler words. No cleanup. Just detailed prompts that actually get you useful answers on the first try.

Millions of users worldwide. Works system-wide on Mac, Windows, and iPhone.

Try Wispr Flow free

AI 에이전트 스킬: 왜 ‘스킬 큐레이션’이 다음 병목 구간이 되는가

대략 지난 1년 정도인 것 같은데요. AI 업계에서 가장 업계를 선도하는 혁신의 키워드는 ‘에이전트(Agent)’였다고 생각합니다. 에이전트가 웹서핑을 하고, 도구를 자유롭게 쓰고, 알아서 코드를 짜거나 복잡한 태스크를 자율적으로 완수할 수 있는가에 모두의 관심이 쏠렸죠.

그런데, 이번 주에 발표된 연구 논문들을 보면, 이제는 에이전트보다 조금 더 작은 단위, ‘스킬(Skill)’이 관심의 전면으로 등장하고 있다는 느낌이 듭니다.

비교를 굳이 하자면, 스킬은 에이전트보다 더 구체적인 업무 단위인 동시에, 한 번 쓰고 사라지는 프롬프트와 다르게 지속적으로 활용할 수 있는 '자산'입니다 - 바로, 특정한 유형의 작업을 하게 하기 위해서 설계한 ‘재사용할 수 있는 절차’ 정도로 이해하면 좋겠습니다.

“옵시디언(Obsidian)용 스킬 생성” 같은 실무적인 작업부터 “실행 전 정보 검증”, “불확실할 때 사람에게 리포트”, “비정형 데이터 구조화”처럼 범용적인 판단을 하는 용도까지, 그 범위가 다양합니다. 앤쓰로픽이 폴더에 담긴 SKILL.md 파일을 수시로 불러다 쓰는 방식을 통해서 스킬이 구체적으로 어떻게 작동하는지 실례를 보여주었다면, 이제 AI 연구계는 이를 어떤 시스템과 구조로 표준화할 것인지 깊이 있게 파고들기 시작했습니다.

‘스킬’이 특히 의미가 있다고 생각하는 이유는, 현재 등장하고 있는 수많은 에이전트의 고질적인 문제, ‘즉흥성’ 때문이기도 합니다. 지금 대부분의 에이전트들은 매번 밑바닥에서부터 작업을 시작하게 되는데, 운좋게 태스크를 완수할 수 있어도 그 과정에서 얻은 절차적인 지식을 쌓아서 성능을 지속적으로 개선하기는 쉽지 않습니다 - 물론, 이렇게 설계된 Hermes Agent 같은 것은 논외로 하구요. Hermes Agent에 대해서는 아래 글을 한 번 참고해 보세요.

그런데, 지난 주에 나온 몇 개의 논문들을 살펴보면, 에이전트를 ‘추론 엔진’으로 보던 관점에서 벗어나서 스킬을 축적하고 정제하고 조직화하는 진짜 지식 시스템으로 바라봐야 한다는 관점을 제시하고 있습니다:

이런 연구의 흐름을 종합해 보면, 이건 ‘AI 산업의 아키텍처가 변화하고 있는게 아닌가’ 하는 생각을 하게 됩니다.

1세대가 모델 자체의 성능에 집중했고, 2세대 아키텍처가 워크플로우나 오케스트레이션에 집중했다면, 이제 떠오르는 3세대 아키텍처의 핵심은 ‘운영 메모리(Operational Memory)’라고 생각합니다 - 업무 절차를 저장하고 평가하고, 버전을 관리하고, 필요할 때 손쉽게 꺼내쓸 수 있는 체계 말이죠.

이런 방향으로의 변화는 검색(Retrieval) 연구 분야에서도 뚜렷하게 나타납니다. “OpenSearch-VL,” “OpenSeeker-v2,” “Beyond Semantic Similarity” 같은 논문을 보면, 지금의 최신 검색 연구들은 검색이라는 작업을 단순히 '비슷한 글자 찾기'로 바라보지 않는다는 걸 바로 알 수 있습니다. 왜 그럴까요? 바로, 에이전트에게 진짜 필요한 건 '절차적 검색'이기 때문이예요. 즉, 지금 주어진 문제를 해결하려면 어떤 검색 전략을 짜고, 어떤 순서로 작업을 해야 하는지 그 '해결사로서의 시나리오'를 찾아내는 능력이 핵심이라는 겁니다.

결국, '스킬'은 기존의 소프트웨어와 기억(Memory), 그리고 조직의 일하는 방식이 절묘하게 결합된 개념입니다. 막연했던 업무 흐름(Workflow)이 언제든 다시 꺼내 쓸 수 있는 구체적인 '스킬' 단위로 쪼개지면서 눈에 보이기 시작하면, 그때부터 비로소 업무를 정교하게 개선하고 다른 팀이나 시스템에 전수할 수 있는 길이 열리게 됩니다. 에이전트 시대의 BPR(Business Process Engineering)을 하기 위한 기본 단위라고나 할까요?

위에 말씀드린 연구들을 살펴보고 난 결론은 명확합니다. 이제 모델 하나가 혼자서 얼마나 똑똑한지는 더 이상 중요한게 아닙니다. 진짜 승부는 시스템이 복잡해져도 성능이 무너지지 않도록, 유용한 스킬들을 얼마나 체계적으로 쌓아 올리느냐에서 갈릴 겁니다. 이번 논문들이 완벽한 해답을 준 건 물론 아니지만, 우리가 나아가야 할 방향만큼은 분명히 짚어주었다고 봅니다.

지능이 흔해진 시대에는 정교하게 다듬어진 '절차적 지식'이 가장 귀한 자원 중 하나로 대두될 겁니다. 이 노하우를 선점하고 자신들만의 '운영 메모리'를 먼저 구축하는 조직이, 바로 AI 시대의 새로운 주도권을 쥐게 될 것입니다.

앞으로, 저희와 함께 이 거대한 변화를 계속 추적해 보시죠.

마이크로소프트의 최신 '워크 트렌드 인덱스'를 보면, AI 에이전트가 이제 실무를 함께하는 동료가 되고 있다고 강조하고 있습니다. 사람은 판단과 창의성이 요구되는 영역에 집중하고, AI는 대규모의 스케일이 의미있는 ‘실행의 영역’을 담당하는 미래를 제시하고 있는데, 여기서 던지는 메시지는 명확합니다 - 이제 모든 기업에서 ‘AI 중심의 업무 환경’에서 '인간의 주도권'을 어떻게 설정할 것인지 전략을 세워야 한다는 겁니다.

앤쓰로픽이 클로드 모델에서 '에이전트 오정렬(Agentic Misalignment)' 문제를 획기적으로 줄였다고 발표했습니다. ‘오정렬’이라는 건, 에이전트가 근본적인 목적을 달성하는 대신 보상 체계의 허점을 이용해서 가짜 성과를 내거나, 자신의 목표를 수행하는데 방해를 받지 않으려고 통제권을 장악하거나 엔지니어를 협박하거나 자원을 독점하려는 이기적인 경로를 택하는 위험 등을 뜻합니다.

이번 연구는, 단순히 좋은 답변에 보상을 준다는 식이 아니라, 왜 윤리적인 행동이 중요한지 그 이유를 학습시키는 게 훨씬 효과적이라는 걸 보여줍니다. 결국, AI 정렬의 핵심은 외부에 좋은 방어막을 세우는 게 아니라 AI 내부에서 일어나는 추론의 방식을 고도화하는 데 있다는 방증이라고 생각이 드네요.

일론 머스크가 앤쓰로픽 경영진을 만났다고 하는데요. 미팅 후에 “그들은 유능하고 진실하고, 결정적으로 자기의 '빌런 감지기'를 자극하지 않았다”고 평했습니다. 여기서 쌓인 신뢰를 바탕으로 스페이스X는 '콜러서스 1' 서버를 앤쓰로픽에 대여하기로 했고, 스페이스X AI의 학습은 차세대인 '콜러서스 2'로 옮기기로 했습니다. 인프라 외교 시대의 실사(Due Diligence), 전력량과 GPU 숫자 뿐만 아니라, '느낌'에 기반한 도덕성 검증도 포함되는 모양이네요. 튜링포스트 Ksenia의 분석도 한 번 보시면 좋겠습니다.

제미나이(Gemini) API에 커스텀 메타데이터와 페이지 인용을 할 수 있게 한 멀티모달 파일 검색 기능, 그리고 장기 작업을 위한 웹훅 기능이 추가되었습니다. 또, 구글이 '프로젝트 마리너'를 종료하는 대신 관련 기술을 제미나이 에이전트와 AI 모드에 통합했다고 하네요. 재무적으로는 AI 설비에 대한 투자 비용이 계속 늘어나는 것에 대응해서, 알파벳이 30억 유로 이상의 채권을 발행하면서 실탄 장전에 나섰습니다. 이 자금이 어떤 용도로 사용될지 주목해 볼 필요가 있겠습니다.

앤쓰로픽(Anthropic)의 '클로드 코드(Claude Code)' 팀 엔지니어인 타릭이, AI의 출력 형식을 기존의 마크다운(Markdown)에서 HTML로 완전히 전환해야 한다고 주장해서 커뮤니티에서 화제도 되고 많은 논의가 일어나고 있습니다. 타릭은 “마크다운이 텍스트 위주의 단순한 전달로만 보자면 유리하지만, 복잡한 시스템 설계나 코드 분석의 결과를 보여주기에는 정보의 밀도가 낮고 정적이라”는 점을 지적하고 있어요. 그래서, 대신 HTML을 활용하면 AI가 대화창 안에 인터랙티브한 위젯, 시각적인 SVG 다이어그램, 탭과 아코디언 메뉴 등을 직접 구현할 수 있으니까, 사용자가 정보를 훨씬 직관적이고 풍부하게 받아들일 수 있다는 '도구로서의 효율성'을 강조하고 있습니다.

위에서 말씀드린 앤쓰로픽의 타릭이 포스팅한 글에 다양한 반응이 올라오는 가운데, “앤쓰로픽의 입장에서야 HTML이 훨씬 토큰 소모가 크니까 그런 포스팅을 한 거 아니냐”라는 반응들도 많았거든요? 한창 그런 와중에, 안드레 카파시가 타릭의 글에 공감을 표하면서, 실제로 모델에게 "응답을 HTML 구조로 작성해 달라"고 요청한 뒤에 브라우저로 확인하는 방식이 아주 효과적이라고 덧붙이는 포스팅을 했습니다. 카파시는 텍스트 기반의 답변을 넘어서 AI가 스스로 결과물을 시각화하고 구조화하는 능력을 갖추는 것에 주목하고 있다고 하고, 더 나아가서 AI가 단순히 정보를 텍스트로 뱉어내는 단계를 지나서, 슬라이드 쇼나 인터랙티브한 대시보드 형태로 결과물을 제시하는 등 사용자와 AI 사이의 '인터페이스'가 더욱 풍성해지는 방향으로 발전해야 한다고 제안하기도 했습니다. 여러분은 어떻게 생각하세요?

구글 딥마인드의 수장 데미스 하사비스가 세쿼이아 캐피털이 주최한 'AI Ascent 2026' 대담에서 2030년까지 범용 인공지능(AGI) 달성이 가능할 것이라는 낙관적인 전망을 내놓았습니다. 하사비스는 현재의 대규모 언어 모델(LLM)이 가진 추론과 기억력의 한계를 인정하면서도, 이 문제를 해결하기 위해서 강화 학습(RL)과 신경과학적 접근을 결합하는 것이 핵심이 될 거라고 설명합니다. 특히 앞으로 1~2년이 인류에게 가장 중요한 시기가 될 텐데, AI가 단순한 도구를 넘어서 과학적 발견을 가속화하고 질병 치료나 에너지 문제를 해결하는 '궁극의 지성'으로 진화할 것이라고 예고하기도 했습니다.