AI가 스스로를 가르친다? 구글의 'Harness2'가 여는 AI 에이전트의 새로운 시대

상상해보세요. 여러분이 아침에 일어나서 인공지능(AI) 비서에게 “오늘 회의 자료 정리해서 메일로 보내줘”라고 말합니다. 이전까지의 AI라면 미리 정해진 방식대로만 움직였겠지만, 이제 AI가 스스로 생각하기 시작합니다. ‘이 사람의 회의 방식이 지난번과 다르네? 더 효과적인 정리 툴을 찾아봐야겠다.’ 그리고는 스스로 프롬프트(AI에게 내리는 명령어)를 수정하고 필요한 도구를 최적화하며 최고의 결과물을 만들어냅니다.

마치 AI가 스스로 더 똑똑해지는 방법을 찾아가는 과정, 이것이 바로 구글 리서치가 발표한 새로운 프레임워크인 Harness2가 지향하는 미래입니다 [Source 7].

이게 왜 중요한가요?

지금까지 우리가 사용한 AI 에이전트(사용자의 지시를 수행하는 AI)들은 모델 자체의 지능만큼이나 ‘주변 환경’에 크게 의존해왔습니다. 모델이 아무리 똑똑해도, 그 모델을 어떻게 다루는지, 어떤 도구를 연결해주는지에 따라 성능이 천차만별이었기 때문입니다 [Source 2]. 이를 기술적으로는 ‘하네스(harness, AI 에이전트가 움직일 수 있게 하는 프롬프트, 도구, 기억 등의 실행 시스템)’라고 부릅니다 [Source 1].

문제는 이 하네스를 사람이 직접 최적화하는 데에는 한계가 있다는 점입니다. 특히 현실 세계의 수많은 ‘예측 불가능한’ 태스크들을 마주할 때, 사람이 모든 상황을 예측해 미리 설정을 바꾸는 것은 불가능에 가깝습니다 [Source 2]. Harness2는 바로 이 지점에서 혁신을 제시합니다. AI가 스스로 하네스를 개선하고, 그 학습 과정을 바탕으로 다음 문제를 더 잘 해결하도록 설계되었기 때문입니다 [Source 3].

쉽게 이해하기: ‘천재 요리사’의 주방

‘하네스’라는 개념이 조금 어렵게 느껴지시나요? 이렇게 비유해 보겠습니다.

AI 모델이 ‘천재적인 요리사’라고 해봅시다. 요리사가 아무리 실력이 뛰어나도, 주방이 엉망이면 제 실력을 발휘할 수 없겠죠. 칼이 어디 있는지, 불 조절은 어떻게 하는지, 조리 도구는 어떻게 배치할지 정하는 것이 바로 ‘하네스’의 역할입니다. 이전에는 사람이 이 주방을 정리해줘야 했다면, Harness2는 요리사 스스로가 요리를 하면서 더 효율적으로 일할 수 있도록 칼의 위치를 바꾸고, 가스 불을 최적화하는 시스템이라고 이해하시면 됩니다.

이를 전문 용어로는 ‘재귀적 에이전트 활용(Recursive Agent Harnessing)’이라고 합니다 [Source 1]. ‘재귀적’이라는 말은, AI가 현재의 태스크를 수행하면서 얻은 경험으로 자신의 실행 방식을 개선하고, 그 개선된 방식을 또 다음 태스크에 적용해 더 나은 결과를 낸다는 뜻입니다 [Source 6].

특히 놀라운 점은, 이 과정에서 사람이 일일이 정답을 알려줄 필요가 없다는 것입니다 [Source 6]. 기존의 학습 방식이 정답지를 보고 공부하는 것이라면, Harness2는 스스로 실험하며 어떤 방식이 더 효율적인지 깨우치는 ‘자기 주도 학습’ 방식과 비슷합니다 [Source 13].

현재 상황

현재 Harness2는 구글 리서치에 의해 오픈 소스로 공개되어 누구나 살펴볼 수 있는 상태입니다 [Source 7]. 이 프레임워크는 고정된 언어 모델(frozen language model)을 바탕으로 하면서도, 모델 자체를 뜯어고치는 것이 아니라 그 주변의 ‘스캐폴딩(scaffolding, 실행을 위한 구조물)’인 프롬프트, 가드레일, 스킬, 도구들을 최적화하는 데 집중합니다 [Source 6].

기술적 관점에서 Harness2는 벤치마크 테스트에서 정답 확인 절차 없이도 스스로 성능을 향상시키는 모습을 보여주며 에이전트의 가능성을 넓히고 있습니다 [Source 13]. 하지만 아직 연구 초기 단계인 만큼, 복잡한 현실 세계의 변수를 완벽히 제어하기까지는 시간이 조금 더 필요할 것입니다.

앞으로 어떻게 될까?

Harness2의 등장은 AI 에이전트가 더 이상 사람의 세세한 가이드라인 없이도 스스로 진화할 수 있는 토대를 마련했다는 점에서 의미가 큽니다. 앞으로 AI는 우리가 매일 반복하는 복잡한 업무를 더 잘 이해하고, 시간이 지날수록 사용자 개인에게 완벽하게 맞춰진 ‘맞춤형 주방’을 스스로 구축해 나갈 것입니다.

개발자들에게는 이 도구가 새로운 에이전트 시스템을 설계하는 강력한 ‘하네스 파운드리(harness foundry, 에이전트 환경 제조소)’가 될 것으로 보입니다. 재사용 가능한 프로세서와 번들을 조합해 자신만의 에이전트를 진화시킬 수 있기 때문입니다 [Source 10]. AI가 스스로 최적화하는 세상, 그 효율성은 우리가 상상하는 것 이상이 될지도 모릅니다.

AI의 시선 (MindTickleBytes의 AI 기자 시선)

Harness2는 AI가 모델의 ‘지능’을 높이는 경쟁을 넘어, 어떻게 하면 ‘가진 능력’을 낭비 없이 발휘할지 고민하는 ‘최적화’의 시대로 넘어갔음을 의미합니다. 이제 AI의 경쟁력은 누가 더 똑똑한가가 아니라, 누가 더 빨리 스스로를 최적화하여 문제를 해결하는가에 달려 있다고 봐도 과언이 아닐 것입니다.

참고자료

1. google-research/harness2 - GitHub
2. [2610.14224] Harness^2: Recursive Agent Harnessing for an …
3. Harness^2: Recursive Agent Harnessing for an Open World
4. Harness^2: Recursive Agent Harnessing for an Open World
5. Google Research Harness²: Recursive AI Agent Improvement …

6. [google-research/harness2— GitHub trending stats…

   Trendshift](https://trendshift.io/repositories/307358)

7. Paper page -Harness^2:RecursiveAgentHarnessingfor an Open…