AI 에이전트, 개발·세무·AGI까지 실전 진입

AI 에이전트, 이제는 실험이 아닌 실무다

AI 에이전트(Agent)가 연구 논문 속 개념을 벗어나 실제 업무 현장을 바꾸고 있습니다. 이번 주 발표된 세 가지 사례는 그 전환점을 뚜렷하게 보여줍니다. 개발 터미널, 회계 사무소, 그리고 AGI(Artificial General Intelligence, 범용인공지능) 연구 최전선까지—에이전트는 이미 실전에 투입되어 있습니다.

Warp + GPT-5.5: PR의 90%를 에이전트가 만든다

개발자용 터미널 도구 Warp는 자사 엔지니어링 조직에서 전체 풀 리퀘스트(Pull Request, 코드 변경 제안)의 약 90%를 AI 에이전트가 공동 작성하고 있다고 밝혔습니다. Warp는 올해 터미널 클라이언트를 오픈소스(Open Source, 소스코드 공개)로 전환하면서 GPT-5.5를 활용한 '오픈 에이전틱 개발(Open Agentic Development)' 모델을 함께 발표했습니다.

이 모델에서 인간 개발자는 목표를 정의하고 결과를 검토합니다. 계획 수립, 코드 작성, 테스트, PR 생성은 에이전트가 맡습니다. GPT-5.5는 이전 버전 대비 동일 작업을 수행하는 데 토큰(Token, AI가 텍스트를 처리하는 단위)을 30% 적게 사용해 장시간 실행되는 에이전트 워크플로우의 비용 효율을 높였습니다.

Warp가 구축한 Oz 플랫폼은 에이전트의 로컬·클라우드 실행을 관리하는 일종의 관제탑입니다. 개발자는 웹 인터페이스에서 에이전트를 띄우고, 실행 상태를 모니터링하며, 클라우드와 로컬 환경 사이에서 작업 컨텍스트를 유지한 채 전환할 수 있습니다. 에이전트가 장시간 작업을 이어가면서 맥락을 잃지 않도록 컨텍스트 압축(Context Compaction)과 지속 메모리(Persistent Memory) 기법도 적용되어 있습니다.

학생 활용법: Warp 터미널을 직접 설치해 AI 에이전트가 코드를 작성하고 PR을 제안하는 과정을 체험해 보세요. 오픈소스이므로 내부 구조 학습에도 적합합니다.

Codex 세금 에이전트: '자기개선' AI의 실제 사례

OpenAI와 Thrive Holdings가 공동 개발한 Tax AI는 회계법인 Crete의 1040·1041 세금 신고 업무를 자동화한 에이전트입니다. 파일럿 기간 동안 7,000건의 세금 신고를 처리했으며, 초기 대비 6주 만에 75% 정확도 도달 비율이 25%에서 86%로 급상승했습니다. 최종 정확도는 최대 97%에 달합니다.

이 시스템의 핵심은 자기개선(Self-Improving) 루프입니다. 세 가지 축으로 설계되어 있습니다.

1. 전문가 피드백을 신호로 변환

회계사가 AI의 오류를 수정하면, 시스템이 그 교정 내용을 단순 로그가 아닌 구조화된 데이터로 저장합니다. 어떤 값을 예측했는지, 무엇이 수정됐는지, 최종 신고에 무엇이 들어갔는지를 모두 기록합니다.

2. 실제 운영 환경이 증거를 만든다

원본 문서부터 세금 엔진 제출까지 전체 경로를 추적(Trace)합니다. 오류가 어느 단계에서 발생했는지—추출 실패인지, 매핑 오류인지, 미지원 항목인지—를 파악할 수 있게 됩니다.

3. Codex가 개선 루프를 자동화

OpenAI의 Codex(코드 생성 특화 AI 에이전트)는 반복된 오류 패턴을 분석해 근본 원인을 파악하고, 수정 코드를 제안하며, 평가(Eval) 테스트를 통과한 후 엔지니어 검토용 PR을 생성합니다. 단 한 명의 시니어 회계사는 작년 180시간을 세금 신고에 썼지만, 올해는 15시간으로 줄었습니다.

학생 활용법: 자기개선 에이전트의 설계 원칙—전문가 피드백, 운영 트레이스, Codex 반복 루프—은 AI 프로젝트 설계 시 참고할 수 있는 실전 아키텍처 패턴입니다.

AGI 타임라인: 2029년이 현실로?

AI Weekly #496이 정리한 이번 주 주요 소식 중 가장 눈길을 끄는 것은 DeepMind CEO 데미스 하사비스(Demis Hassabis)의 발언입니다. 그는 AGI 도달 시점 예측을 기존 "5~10년"에서 **"2029년이 현실적 가능성"**으로 대폭 앞당겼습니다. 근거로는 AlphaProof Nexus가 Erdős(에르되시) 미해결 수학 문제 9개를 저비용으로 해결한 사례를 언급했습니다.

또한 Anthropic은 군 계약용 고성능 모델 'Mythos'를 일반 공개로 전환했습니다. 이는 최전선급 AI가 특수 목적 계약자 영역에서 일반 개발자 영역으로 빠르게 확산되는 흐름을 보여줍니다.

노동 시장 측면에서도 주목할 변화가 있습니다. Uber는 2026년 AI 토큰 예산을 4월에 이미 소진했고, ClickUp은 인력 1,000명과 내부 에이전트 3,000개를 나란히 운영하는 구조로 재편했습니다.

교육 현장에 주는 시사점

이번 주 사례들이 공통적으로 보여주는 것은 에이전트와 인간의 역할 재정의입니다.

• 개발자는 코드를 직접 타이핑하는 사람에서 에이전트의 목표를 설정하고 결과를 검토하는 사람으로 변화하고 있습니다.
• 전문직(회계사, 세무사 등)은 반복 작업에서 해방되어 클라이언트와의 고부가가치 상호작용에 집중할 수 있게 됩니다.
• 학생에게는 에이전트를 설계하고 감독하는 능력이 단순 코딩 능력만큼, 혹은 그 이상으로 중요해지고 있습니다.

에이전트 오케스트레이션(Orchestration, 여러 에이전트 조율), 평가 파이프라인(Eval Pipeline) 설계, 인간-AI 협업 루프 구조화—이 세 가지는 앞으로 개발자 교육과정에서 반드시 다뤄야 할 핵심 역량입니다.