AI 에이전트 업무 자동화의 방식이 바뀌고 있습니다. 일을 시킬 때마다 에이전트가 처음부터 다시 계획을 세우는 대신, 반복되는 업무의 틀과 지난번에 겪은 경험을 기억해 두었다가 꺼내 쓰는 쪽입니다. 오늘 살핀 연구들은 기억하는 대상은 서로 다르지만 같은 방향을 가리킵니다.
가장 직접적인 것은 컴퓨터 사용 에이전트를 다룬 신경-기호 컴퓨터 사용(Neuro-Symbolic Computer Use) 연구입니다. 연구진이 짚는 문제는 이렇습니다. 같은 업무가 입력값과 시작 상태만 바뀐 채 여러 번 되풀이되는데, 지금의 에이전트는 매 실행의 모든 단계를 다시 계획합니다. 그래서 비용이 들고 결과도 들쭉날쭉합니다. 이 연구는 매번 안정적인 결정, 곧 작업 순서, 변수, 반복, 분기는 실행 가능한 코드로 굳혀 둡니다. 화면을 읽고 상태를 확인하는 것처럼 그때그때 달라지는 판단만 신경망 모델에 맡깁니다. 이 정책은 다음과 같이 다듬어집니다.
에이전트가 한 번 해낸 기록에서 시작해 코드로 실행해 보고, 실패하면 판정 모델이 원인을 짚고, 코딩 모델이 코드를 고칩니다. 요컨대 한 번의 성공을 재사용 가능한 절차로 바꾸는 과정입니다.
기억의 대상이 절차가 아니라 경험인 연구도 있습니다. PrecogUI는 화면을 조작하는 에이전트가 예상 밖의 방해를 만나면 연쇄적으로 무너지는 문제를 다룹니다. 연구진은 자주 되풀이되는 이상 상황과 성공 사례를 상태, 행동, 결과의 묶음으로 저장해 두는 경험 저장소를 만들었습니다. 그리고 어떤 행동을 하면 다음 화면이 어떻게 바뀔지 미리 예측해, 문제가 생길 만한 행동을 피하고 더 믿을 만한 행동을 고르게 합니다. 당한 뒤에 수습하는 대신 겪어 본 일을 근거로 앞질러 대비하는 구조입니다.
기억을 어떻게 다루느냐도 중요합니다. CoEM은 긴 자료를 조각으로 나눠 읽으면서 기억을 요약해 두는 방식의 약점을 짚습니다. 너무 일찍 압축하면, 나중에 알고 보니 중요했던 세부가 이미 사라진다는 것입니다. 연구진은 쓸모가 있을 법한 원문 발췌를 압축하지 않고 보류 상태로 두었다가, 뒤의 내용이 그 관련성을 밝혀 준 다음에 기억으로 확정할지 학습된 정책이 정하게 합니다. 기억은 무엇을 담느냐만큼 언제 확정하느냐가 성능을 좌우한다는 이야기입니다.
세 연구를 묶어 주는 것이 하네스 진화 논문입니다. 하네스는 모델 바깥에서 맥락, 기억, 도구, 실행을 관리하는 층을 뜻합니다. 연구진은 모델을 고정한 채 개인용 에이전트가 사용자에게 맞춰 가려면 이 층을 어떻게 설계하고 키우고 스스로 발전시켜야 하는지를, 실험과 이론 양쪽에서 따집니다. 초록만으로는 결론을 알 수 없지만, 경쟁의 무대가 모델 자체에서 모델을 감싼 기억 구조로 옮겨 가고 있다는 신호로 읽을 수 있습니다.
정리하면 절차는 코드로 굳히고, 경험은 저장소에 쌓고, 긴 자료의 기억은 확정을 늦춥니다. 방식은 달라도 매번 처음부터 다시 생각하지 않는다는 점은 같습니다.
그래서 지금 지켜볼 것은 두 가지입니다. 하나는 우리 업무 중 입력만 바뀌고 순서는 같은 반복 작업이 얼마나 되는지입니다. 그런 작업일수록 AI 에이전트 업무 자동화에서 재사용의 이득이 클 가능성이 있습니다. 다른 하나는 도입하려는 도구가 지난 실패를 기억해 다음 실행에 반영하는지입니다. 다만 이 연구들은 아직 논문 단계이니, 실제 업무에서 얼마나 통하는지는 각자의 작은 반복 업무 하나로 먼저 시험해 보시길 권합니다.
