Third Moment Research, AI 에이전트 1만 개 36시간 가동

배경

OpenAI는 공식 사이트에 AI 연구소 Third Moment Research의 고객 사례를 공개했습니다. 이 연구소는 GPT-6 Astra, GPT-6.1 Sol, Codex, 그리고 사이버 보안용 Daybreak를 활용해 며칠간 집중을 유지하고 쓸수록 나아지는 에이전트를 만듭니다. 사례의 날짜는 2026년 10월 14일입니다. 제목에는 눈에 띄는 숫자가 두 개 있습니다. 에이전트 1만 개, 그리고 36시간이 넘는 연속 가동입니다.

목표는 대화를 잘하는 비서가 아닙니다. 사람이 단계마다 지켜보지 않아도 수많은 에이전트가 과제의 방향을 유지하고, 각 실행에서 얻은 교훈을 다음 개선에 쓰게 하는 것입니다. 다만 공개된 자료에는 1만 개 에이전트가 무슨 일을 했는지, 비용이 얼마인지, 성공률이 어떤지가 없습니다. 그래서 이 사례는 다른 팀이 그대로 따라 할 벤치마크가 아니라 방향을 보여 주는 신호로 읽어야 합니다.

심층 분석

장시간 가동 에이전트는 네 가지 공학 문제를 만납니다. 첫째는 맥락 표류입니다. 과제가 길어지면 초기의 목표와 제약, 중간 결론이 뒤의 잡음에 묻혀 모델이 원래 의도에서 조금씩 벗어납니다. 둘째는 오류 누적입니다. 단계마다 실패 확률이 작아도 수백, 수천 단계를 거치면 커지므로 체크포인트, 롤백, 자체 검증이 필요합니다. 셋째는 상태 관리입니다. 모델 창 안의 임시 기억에만 기대면 프로세스가 멈출 때 진행 상황을 잃습니다. 진행도와 가정, 남은 할 일을 외부 저장소에 적어 두어야 중단 지점에서 다시 시작할 수 있습니다. 넷째는 스케줄링입니다. 1만 개 병렬 인스턴스는 막대한 모델 호출과 도구 호출, 샌드박스 환경을 뜻하며, 대기열과 호출 제한, 재시도 로직이 전체 가동을 좌우합니다.

Codex는 이 그림에 잘 맞습니다. 소프트웨어 엔지니어링 에이전트로서 파일을 읽고 쓰고 테스트를 실행하기 때문에, 긴 과제에 필요한 외부 상태와 검증 가능한 피드백을 제공합니다. 쓸수록 나아진다는 말은 실무에서 보통 실행 기록과 실패 원인, 성공 방식을 재사용 가능한 프롬프트나 평가 세트로 되돌리는 일을 뜻합니다. 다만 Third Moment Research가 어떤 방식을 쓰는지는 자료에 없으므로 추측하지 않습니다. Daybreak도 사이버 보안을 겨냥한다는 사실만 확인됩니다. 에이전트 1만 개를 36시간 돌린 것이 품질의 신뢰할 지표일까요? 그것만으로는 아닙니다. 가동 시간은 인프라가 버텼다는 증거일 뿐이고, 품질을 가리려면 과제 유형, 에이전트당 평균 단계 수, 실패와 재시도 비율, 완료 과제당 비용, 사람 개입 빈도가 필요합니다.

산업 영향

이 사례는 경쟁의 축이 옮겨 가고 있음을 보여 줍니다. 지난 두 해 동안은 단일 답변의 품질과 벤치마크 점수를 겨뤘다면, 이제는 일을 혼자 끝낼 수 있는지가 점점 중요해집니다. 과제 지속 시간, 병렬 규모, 신뢰성이 새 잣대입니다. OpenAI는 Astra와 Sol 두 모델 계열을 Codex와 Daybreak 두 제품군과 한 이야기에 담아 범용 모델, 엔지니어링 에이전트, 보안 전문 제품으로 이어지는 조합을 보여 줍니다. 모델 인터페이스만 파는 경쟁사에는 부담이 됩니다.

에이전트 스타트업의 문턱도 올라갑니다. 프롬프트를 얇게 감싸는 것으로는 부족하고, 스케줄링과 기억, 평가, 비용 통제를 갖춘 공학 체계가 필요합니다. 기업 사용자는 야간 일괄 작업, 코드 이전, 취약점 분류, 로그 감사처럼 오래 걸리지만 경계가 분명한 일을 맡길 수 있고, 사람은 승인 지점에서만 개입하게 됩니다.

사이버 보안은 양날의 검입니다. 같은 장시간, 대규모 자동화가 방어자에게는 문제를 더 빨리 찾고 고치는 힘이 되지만, 공격자의 탐색 규모를 키울 수도 있습니다. 그래서 보안 제품에는 더 엄격한 접근 통제와 사용 감사, 책임 구분이 따릅니다. 자율 인스턴스 1만 개가 권한을 넘지 않았고 데이터를 유출하지 않았음을 어떻게 확인할 것인가라는 질문에 모든 대규모 도입이 답해야 합니다.

전망

지켜볼 신호는 네 가지입니다. 첫째, OpenAI나 Third Moment Research가 과제 유형, 평균 단계 수, 실패와 재시도 비율, 과제당 비용, 사람 개입률을 공개하는지입니다. 이 자료가 없으면 36시간은 시스템이 무너지지 않았다는 사실만 말해 줍니다.

둘째, 쓸수록 나아진다는 메커니즘을 독립적으로 재현할 수 있는지입니다. 모델 미세 조정, 외부 기억, 평가 기반 프롬프트 개선 중 무엇이냐에 따라 비용과 이식성이 크게 달라집니다. 셋째, 장기 과제 평가 표준이 나오는지입니다. 가동 시간과 장애 복구, 최종 정답률을 함께 재야 업체 간 공정한 비교가 가능합니다.

넷째, 샌드박스 격리와 최소 권한, 행동 로그, 긴급 정지 장치 같은 안전 기반이 따라오는지입니다. 이것이 성숙하면 대규모 장시간 에이전트는 소수 연구소의 시연에서 기업 소프트웨어의 일상 기능으로 옮겨 갈 수 있습니다. 뒤처지면 사고가 도입 속도를 늦출 것입니다. 어느 쪽이든 이 사례는 에이전트를 재는 잣대가 얼마나 잘 답하는가에서 얼마나 오래 홀로 버티고 무엇을 쌓는가로 바뀌고 있음을 보여 줍니다.