다음 물결: AI 에이전트, 피지컬 AI, 그리고 그 이후
이 시리즈는 답답함으로 시작했다. AI가 할 수 있다는 것과 대부분의 사람들이 실제로 얻고 있는 것 사이의 간극. 11편에 걸쳐 그 간극을 좁혀왔다: AI가 어떻게 생각하는지 이해하고, 데이터와 프롬프트로 구축하고, 에이전트로 자동화하고, 프로덕션으로 출시하고, 책임감 있게 구축하는 것.
다음 물결: AI 에이전트, 피지컬 AI, 그리고 그 이후
"AI로 만들기" 시리즈 12편 — 마지막
이 시리즈는 답답함으로 시작했다. AI가 할 수 있다는 것과 대부분의 사람들이 실제로 얻고 있는 것 사이의 간극. 11편에 걸쳐 그 간극을 좁혀왔다: AI가 어떻게 생각하는지 이해하고, 데이터와 프롬프트로 구축하고, 에이전트로 자동화하고, 프로덕션으로 출시하고, 책임감 있게 구축하는 것.
이제 앞을 바라본다.
간극은 가만히 서 있지 않기 때문이다. 도구들은 역사상 거의 모든 기술보다 빠르게 진화하고 있다. 그리고 다음 물결은 우리가 논의해온 것의 개선이 아니다. 완전히 다른 범주의 역량이다.
이 글은 무엇이 오고 있는지에 관한 것이다. 거짓 정밀함으로 미래를 예측하기 위함이 아니라, 당신이 지능적으로 자리를 잡을 수 있도록 영역의 지도를 제공하기 위함이다. 지금 일어나고 있는 것을 이해하는 빌더들이 다음 물결이 도착했을 때 진짜 우위를 가지게 될 것이다.
지금 실제로 어디에 있는가
앞을 보기 전에 오늘 실제로 사실인 것에 닻을 내리는 것이 중요하다. 과대포장도, 추측도 아닌.
에이전틱 AI는 운영 중이다. 7편에서 논의한 다단계, 도구 사용, 의사결정 에이전트들은 실험적이지 않다. 기업 워크플로우, 고객 서비스, 소프트웨어 개발, 영업, 리서치에서 대규모로 배포되고 있다.
AI 직원은 좁은 도메인에서 실재한다. Artisan, 11x, Relevance AI 같은 회사들이 AI SDR을 배포했다. 잠재 고객을 발굴하고, 리서치하고, 아웃리치를 작성하고, 팔로업하고, 미팅을 예약하는 영업 개발 담당자다. 완벽하지 않고 엣지 케이스에서 망가진다. 하지만 실제 회사들이 실제 수익을 내며 프로덕션에서 운영 중이다.
소프트웨어 개발 루프가 닫히고 있다. 2026년 초 현재 Claude Code는 전체 코드베이스, 멀티파일 편집, 1년 전에는 시니어 엔지니어가 필요했던 에이전틱 코딩 작업을 처리하는 최고의 AI 코딩 어시스턴트로 널리 인식된다.
이것이 기준선이다. 다음은 무슨 일이 일어나고 있는지다.
이미 밀려오는 물결 1: 자율 에이전트 네트워크
이미 진행 중인 첫 번째 전환은 단일 에이전트에서 에이전트 네트워크로의 이동이다. 여러 AI 에이전트가 함께 작동하고, 각각이 전문화되어 공유 목표를 향해 조율하는 시스템.
패턴: 오케스트레이터 에이전트가 목표를 받고 하위 작업으로 나누어 각각을 전문가 에이전트에게 할당하고, 결과를 조율하고, 결과물을 전달한다. 전문가 에이전트들은 리서치, 작성, 사실 확인, 포맷팅, 품질 검토를 처리할 수 있다. 각각 작업에 최적화되어 병렬로 실행된다.
실용적으로 이것이 여는 것:
수십 개의 소스를 동시에 검색하고, 각각에서 구조화된 데이터를 추출하고, 일관성을 위해 교차 참조하고, 보고서로 합성하는 에이전트 스웜은 인간 연구자가 며칠 걸릴 것을 분 단위로 완성한다.
요구사항 분석, 아키텍처 계획, 구현, 테스팅, 디버깅, 문서화, 배포의 전체 소프트웨어 개발 루프를 처리하는 에이전트 네트워크는 인간이 핵심 체크포인트에서 검토하고 승인하는 방식으로 작동한다.
단순히 이메일을 라우팅하거나 양식을 채우는 것이 아니라, 비즈니스 프로세스의 전체 라이프사이클을 처리하는 것도 가능해진다. 접수, 분석, 결정, 행동, 팔로업, 예외 처리를 인간은 진정으로 새로운 상황에만 개입해서 담당한다.
빌더를 위한 실용적 함의: 오늘 에이전트 시스템을 설계한다면 조합 가능하게 설계해라. 다른 에이전트를 호출할 수 있는 에이전트를 구축해라. 그들을 조율할 수 있는 오케스트레이션 레이어를 구축해라. 확장될 시스템은 모놀리스가 아닌 네트워크로 구축된 것이다.
구축 중인 물결 2: 피지컬 AI
2026년의 가장 극적인 발전이고 가장 긴 도달 범위를 가진 것은 AI 지능과 물리적 하드웨어의 수렴이다. 피지컬 AI.
CES에서 NVIDIA CEO 젠슨 황은 "피지컬 AI의 ChatGPT 순간이 왔다"고 말했다.
이것이 실제로 무엇을 의미하는가?
수십 년 동안 로봇은 스크립트된 기계였다. 사전 프로그래밍된 루틴을 따른다. 정의된 매개변수 내에서 정밀하고 신뢰할 수 있으며, 그 밖에서는 쓸모없다. 하루에 같은 용접을 1만 번 하는 공장 로봇은 그 정확한 작업에 탁월하고 다른 모든 것에는 무능하다.
전환: AI 기반 로봇은 이제 환경을 인식하고, 자연어 지시를 이해하고, 다음에 무엇을 할지 추론하고, 전에 한 번도 만난 적 없는 상황에 적응할 수 있다. 스크립트를 따르는 게 아니다. 생각하고 있다.
핵심 기술은 VLA 모델이다. 시각적 인식(환경 보기), 언어 이해(음성 명령 처리), 행동 실행(물리 세계에서 이동)을 통합하는 비전-언어-행동 모델.
지금 피지컬 AI를 구축하는 주체들
NVIDIA의 Isaac GR00T N1.6은 휴머노이드 로봇을 위해 특별히 만들어진 오픈 추론 비전 언어 행동 모델로, 전신 제어를 가능하게 한다. ABB Robotics, AGIBOT, Agility, Figure, KUKA, Universal Robots, YASKAWA 등이 대규모로 피지컬 AI를 배포하기 위해 NVIDIA 기술 위에 구축하고 있다.
Tesla의 Optimus Gen 2는 반복적인 작업을 처리하고, 제조를 보조하고, 실제 데이터에서 학습하면서 홈 자동화 기능을 수행하도록 설계됐다. Boston Dynamics는 CES 2026에서 자재 취급부터 주문 이행까지 광범위한 산업 작업을 위해 설계된 고성능 엔터프라이즈급 휴머노이드인 Electric Atlas를 공개했다. 1X는 NEO 홈 휴머노이드의 사전 주문을 열었고, 2026년 첫 번째 고객 배달이 계획됐다.
AGIBOT은 10,000번째 휴머노이드 로봇의 출시를 발표했으며, 이 규모로 이 이정표에 도달한 최초의 회사 중 하나가 됐다. 2026년 3월 서울 COEX에서 열린 스마트 팩토리 & 자동화 세계 전시회에는 2,300개 부스가 채워졌으며, 중국 휴머노이드 로봇 제조업체들이 전시했다.
피지컬 AI가 이미 작동하는 곳
Amazon의 창고 로봇 군단은 100만 대를 돌파했으며, DeepFleet AI가 네트워크 전반의 이동 효율을 10% 향상시켰다. 수술 로봇은 대형 병원에서 60% 도입에 달했으며, 로봇 보조 수술이 선진국 복잡 수술의 55%를 차지한다.
전 세계 비즈니스 리더의 약 58%가 현재 어느 정도 피지컬 AI를 사용하고 있으며, 향후 2년 내 계획이 80%로 증가한다.
피지컬 AI가 여전히 어려워하는 곳
여기서 솔직함이 중요하다. 대부분의 휴머노이드 플랫폼은 여전히 3-4시간의 배터리 수명이라는 "운영 상한"과 씨름하며, 바늘 실 꿰기나 부서지기 쉬운 물건 취급 같은 섬세한 작업의 정교함은 여전히 인간 능력에 미치지 못한다.
피지컬 AI는 실재하고 가속화되고 있다. 하지만 실험실 성능과 현장 성능 사이의 간극은 여전히 크다. 솔직한 그림: 피지컬 AI는 지금 창고, 공장, 수술실을 변환하고 있다. 향후 5년 내에 서비스 산업과 가정으로 온다. 하지만 인간이 할 수 있는 모든 것을 하는 완전히 유능한 범용 로봇의 비전은 10년 이상 남아 있다.
피지컬 AI가 한국에 의미하는 것
한국 기술 생태계에서 구축하는 독자들에게 특히 관련이 있다.
한국은 세계 로봇 제조, 반도체 기술, 스마트 팩토리 배포에서 선두 국가 중 하나다. 한국 스타트업 RLWRLD은 자동화된 학습과 인간 전문성 모방을 통해 전통적인 수작업 집약적 프로세스가 로봇에 의해 자율적으로 수행될 수 있도록 하는 기반 AI 모델을 개발하고 있다.
한국 정부의 스마트시티와 스마트 팩토리 이니셔티브, 이 시리즈가 함께 작성된 바로 그 생태계의 많은 부분이 피지컬 AI 물결로의 직접적인 진입점이다. K-스타트업 생태계는 특별한 기회를 가지고 있다. 깊은 하드웨어 제조 전문성, 스마트 인프라에 대한 정부 지원, 피지컬 AI 배포가 가장 빠르게 확장될 아시아 시장과의 근접성.
지평선의 물결 3: 스스로 개선하는 AI
세 번째 물결은 가장 추측적이지만, 일부가 믿는 대로 도착한다면 가장 결과적이기도 하다.
현재 AI 시스템은 훈련되고, 배포되고, 그 다음 정적이다. Claude Opus 4.6은 대화에서 더 똑똑해지지 않는다. GPT-5.2는 배포에서의 상호작용에서 아무것도 배우지 않는다. 오늘 사용하는 모델은 6개월 후 사용할 것과 같다. Anthropic이나 OpenAI가 업데이트를 출시하지 않는 한.
다음 프론티어: 상호작용을 통해 스스로 개선되는 AI 시스템. 각 배포, 각 실패, 각 새로운 정보 조각에서 배우고, 처음부터 재훈련 없이 시간이 지나면서 측정 가능하게 더 나아진다.
이것은 아직 대규모로 일어나지 않고 있다. 하지만 연구 방향은 명확하다:
지속적 학습은 이미 알고 있는 것의 파국적 망각 없이 새로운 데이터에서 가중치를 업데이트하는 시스템을 목표로 한다.
자체 플레이와 자기 개선은 이전 버전의 자신과 경쟁함으로써 자체 훈련 신호를 생성하는 시스템이다. AlphaGo를 체스에서 초인적으로 만든 접근법이 추론에도 적용된다.
재귀적 개선은 더 나은 데이터, 더 나은 평가 기준, 더 나은 파인튜닝 접근법을 생성하며 자체 훈련 프로세스를 개선하는 데 도움이 되는 시스템이다.
이것이 오늘의 빌더에게 의미하는 것
위의 모든 것에서 세 가지 구체적인 함의:
1. 도메인 지식이 해자다
도구들이 일반적인 부분, 즉 코드 작성, 콘텐츠 생성, 문제 추론에서 더 나아질수록 가치는 오직 당신만이 아는 것으로 이동한다. 업계 전문성. 고객 관계. 특정 도메인의 뉘앙스에 대한 이해. 독점 데이터.
일반 AI 시스템은 누구도 마케팅 이메일을 작성하는 데 도움을 줄 수 있다. 20년의 엔터프라이즈 데이터 엔지니어링 경험과 500명 이상의 바이브 코딩 교육 과정으로 훈련된 시스템, 그건 일반적이지 않다. 이기는 빌더는 강력한 일반 AI와 깊은 도메인 특수성을 결합하는 사람들이다.
2. 지금만을 위해서가 아닌 적응성을 위해 구축하라
도구들은 변할 것이다. 오늘 Claude Opus 4.6으로 구축하는 워크플로우가 2년 후 10배 더 유능한 모델에서 실행 가능하다. 시스템을 "모델 교체"가 쉽도록 설계해라. 모델 특정 특성으로 프롬프트를 하드코딩하지 마라. 한 제공자의 API로만 작동하는 워크플로우를 구축하지 마라.
추상화 레이어, 즉 로직, 데이터, 워크플로우 설계는 당신 것이다. 아래의 모델은 시간이 지나면서 더 나아지는 상품이다. 그렇게 다뤄라.
3. AI 능력을 쌓을 최고의 시간은 지금이다
다음 물결에 대한 솔직한 진실: 오늘 가진 것보다 훨씬 더 강력할 것이다. 그리고 이미 기본을 이해하는 사람들, 즉 문제 정의, 데이터 품질, 프롬프팅, 에이전트, 프로덕션 배포, 책임 있는 구축을 아는 이들을 제로에서 시작하는 사람들보다 훨씬 더 효과적으로 만들 것이다.
"AI 기본을 이해한다"와 "이해하지 못한다" 사이의 간극은 도구가 더 강력해질수록 좁아지는 게 아니라 넓어진다. 어떻게 지시하는지 이해하지 못하는 사람의 손에 있는 더 강력한 도구는 그냥 더 빠른 평범함을 만든다. 이해하는 사람의 손에 있는 더 강력한 도구는 우위를 복리로 쌓는다.
이 시리즈를 읽었다. 더 이상 제로에서 시작하지 않는다.
이것이 의미하지 않는 것
다음 물결은 흥분과 함께 많은 두려움을 만들어낼 것이다. 대체되는 일자리. 집중되는 권력. 인간의 감독 범위를 벗어나는 시스템.
그 우려 중 일부는 정당하고 진지한 주목이 필요하다. 여기서 무시할 장소가 아니다. 11편의 책임 있는 AI 글이 이 환경에서 빌더의 의무를 다룬다.
하지만 이것을 읽는 빌더에게: 기술 자체가 물결이 좋은지 나쁜지를 결정하지 않는다. 어떻게 배포되는지가 결정한다. 누구를 섬기는지가 결정한다. 어떤 안전장치가 내장되는지가 결정한다. 이것들은 빌더가 내리는 결정이다, 당신이.
이 질문들에 대해 신중하게 생각하는 빌더들, 이 시리즈의 나머지에서 나온 기술적 역량과 함께 11편의 책임 프레임워크로 구축하는 빌더들이 만들 가치 있는 것들을 만드는 사람들이다.
그렇게 구축하라.
전체 그림
시작한 곳과 도달한 곳을 명명하며 마무리하자.
답답함으로 시작했다. AI가 약속을 이행하지 않고, 데모 간극이 있고, 비교 나선이 있고, 뒤처지는 느낌.
다뤄온 것들:
- 사고 모델 전환 (1편)
- AI가 실제로 할 수 있는 것과 못 하는 것 (2편)
- 스택이 어떻게 맞물리는지 (3편)
- 데이터가 진짜 병목인 이유 (4편)
- 문제 정의가 진짜 기술인 이유 (5편)
- 정밀하게 프롬프팅하는 방법 (6편)
- 에이전트를 구축하고 사용하는 방법 (7편)
- 실제 제품을 바이브 코딩하는 방법 (8편)
- 데모에서 프로덕션으로 가는 방법 (10편)
- 책임감 있게 구축하는 방법 (11편)
- 그리고 이제: 다음 물결이 우리를 어디로 데려가는지 (12편)
이 모든 것을 관통하는 실: 이것은 배울 수 있다. 도구는 계속 개선된다. 기본은 같다. AI에서 일관되게 좋은 결과를 얻는 사람들, 지금과 미래에, 은 문제에 대해 명확하게 생각하고, 사용하는 도구를 이해하고, 주의를 기울여 구축하는 사람들이다.
그게 당신이다. 가서 구축하라.
완전한 시리즈
이 시리즈가 가치 있었다면 송재희의 AI Development Guide가 그것이 그리는 책이다. 여기서 다룬 모든 주제를 더 깊이 다루며, YouTube 튜토리얼과 블로그 글에 흩어져 있지 않은 실용적 예시, 아키텍처, 프레임워크를 담고 있다.
이것은 전체 아크를 다루는 유일한 책이다. AI 기본에서 프로덕션 배포까지, 1인 빌더에서 엔터프라이즈 워크플로우까지, 오늘의 도구에서 분야가 향하는 곳까지.
📱 Apple Books ▶️ Google Play Books 🌐 전 플랫폼 구매 (Books2Read)
"AI로 만들기" 시리즈를 읽어주셔서 감사합니다. 이 글들이 도움이 됐다면 아직 왜 답답한지 모르는 채 AI에 좌절하고 있는 누군가에게 공유해주세요.