Third Moment Research, AI 에이전트 1만 개를 36시간 넘게 가동

배경

Third Moment Research는 OpenAI가 공개한 사례에서 OpenAI의 모델과 도구로 장시간 쉬지 않고 일하는 에이전트 시스템을 만들고 있는 AI 연구소입니다. 핵심 수치는 1만 개가 넘는 에이전트가 동시에 36시간 넘게 가동되었다는 점입니다. 시스템을 이루는 구성 요소는 두 모델인 GPT-6 Astra와 GPT-6.1 Sol, 코드 에이전트 Codex, 그리고 사이버 보안 분야를 겨냥한 Daybreak입니다.

이 연구소의 목표는 분명합니다. 작업이 끝날 때마다 처음 상태로 돌아가는 에이전트가 아니라, 며칠 동안 집중을 유지하고 쓸수록 개선되는 에이전트를 만드는 것입니다. 다만 공개된 자료에는 에이전트별 역할 분담, 수행한 작업의 종류, 비용, 성공률이 나와 있지 않습니다. 아래 분석 가운데 이 사실을 넘어서는 부분은 일반적인 엔지니어링 관행에 근거한 해석이며, 팀 내부 설계를 설명하는 것이 아닙니다.

심층 분석

36시간이라는 숫자가 눈에 띄는 이유는 대부분의 에이전트 제품이 아직 수 분에서 수십 분짜리 단발 작업에 머물러 있기 때문입니다. 시간이 수십 시간으로 늘어나면 네 가지 문제가 생깁니다. 첫째는 맥락 이탈입니다. 초기에 정한 목표와 제약이 뒤에 들어온 정보에 희석되어, 에이전트가 모르는 사이 방향을 잃을 수 있습니다. 둘째는 오류 누적입니다. 단계마다 실패 확률이 있으므로 사슬이 길수록 신뢰도가 빠르게 떨어지고, 체크포인트와 롤백, 자체 검증이 필요합니다.

셋째는 상태 관리입니다. 이만큼 긴 작업은 한 번의 대화에 담을 수 없어서 외부 메모리와 작업 로그, 파일 시스템에 진행 상황을 저장해야 하고, 그래야 중단된 에이전트가 이어서 작업할 수 있습니다. 넷째는 자원 조율입니다. 1만 개를 병렬로 돌리면 모델 호출, 도구 실행, 샌드박스가 동시에 폭증하고, 한 곳의 속도 제한이나 장애가 전체로 번질 수 있습니다. 36시간을 버텼다는 것은 오케스트레이션과 장애 대응 계층이 어느 정도 성숙했다는 신호입니다.

'쓸수록 강해진다'는 표현도 신중하게 읽어야 합니다. 보통은 이전 실행의 경험을 재사용 가능한 기억이나 기술, 평가 데이터로 쌓아 두는 시스템 차원의 학습을 뜻하며, 모델 가중치가 바뀐다는 뜻은 아닐 수 있습니다. 출처는 어느 쪽인지 밝히지 않았습니다. 구성도 역할 분담을 짐작하게 합니다. 대형 모델은 추론과 판단을, Codex는 판단을 프로그램과 스크립트, 자동화 흐름으로 옮기는 일을, Daybreak은 그 능력을 보안으로 향하게 하는 일을 맡는 구도입니다.

산업 영향

사이버 보안은 장시간 에이전트에 잘 맞는 시험장입니다. 취약점 탐색, 로그 분석, 공방 훈련은 인내와 반복, 넓은 범위의 점검이 필요한 일이고, 사람의 시간은 비싼 반면 기계는 쉬지 않고 일할 수 있습니다. 동시에 이 분야는 통제 요구도 높습니다. 에이전트의 모든 행동은 감사할 수 있어야 하고 범위가 제한되어야 합니다. 그렇지 않으면 능력이 커질수록 위험도 커집니다.

개발자와 기업 고객에게는 평가 기준이 바뀔 수 있습니다. 한 번의 답변 품질보다 장시간 작업의 안정성, 실패 뒤 복구 능력, 작업 한 건당 비용이 중요해집니다. 경쟁 모델과 에이전트 업체에게도 장기 과제는 새로운 경쟁 축이 됩니다. 벤치마크 점수로는 차이가 잘 드러나지 않으므로, 복잡한 일을 끝까지 이어 가는 시스템이 설득력을 갖습니다.

보안 업계에는 양날의 검입니다. 방어 측은 에이전트 군단으로 대규모 점검을 할 수 있지만, 공격 측도 비슷한 능력으로 효율을 높일 수 있습니다. 그래서 Daybreak처럼 보안을 겨냥한 도구일수록 접근 통제와 사용 심사, 책임 있는 공개가 더 중요해집니다.

전망

지켜볼 신호는 네 가지입니다. 첫째, OpenAI가 이런 대규모 장시간 오케스트레이션을 제품으로 내놓을지입니다. 작업 큐, 메모리 저장소, 체크포인트, 모니터링 인터페이스가 제공되면 다른 팀이 처음부터 만들 필요가 없어집니다. 둘째, 비용입니다. 1만 개 에이전트를 36시간 돌리려면 상당한 연산 비용이 듭니다. 작업당 비용이 일반 기업이 받아들일 수준으로 내려가야 실험실 밖으로 나올 수 있는데, 아직 수치는 공개되지 않았습니다.

셋째, 평가 방식입니다. 며칠 단위 작업의 완성도를 재는 새 벤치마크와, 에이전트가 정말 나아지고 있는지 가려내는 믿을 만한 방법이 필요합니다. 넷째, 거버넌스입니다. Daybreak 같은 보안 도구가 어떤 권한 부여와 감사, 오남용 방지 장치를 갖출지가 이 능력이 얼마나 책임 있게 퍼질지를 말해 줄 것입니다.

이 사례가 가리키는 방향은 분명합니다. 에이전트 경쟁은 누가 답을 잘하느냐에서, 누가 오랜 시간 안정적이고 안전하게 일을 끝내느냐로 옮겨 가고 있습니다. 다만 세부 정보가 더 공개되기 전까지는 한 사례를 업계 전체의 수준으로 일반화하지 않는 편이 좋습니다.