야, 이거 봤어? Lenny Rachitsky 뉴스레터에 Z.ai의 새 오픈 웨이트 모델 GLM-5.2 얘기가 나왔는데, 이게 클로드 오퍼스를 대체할 만하다고 하더라. 실제로 클레어라는 사람이 자기 ChatPRD 코드베이스에 GLM-5.2를 돌려봤는데, 꽤 놀라운 결과가 나왔어.

오픈 웨이트 모델, 이제 '진짜'가 됐다

클레어는 GLM-5.2에게 45분짜리 자율 버그 헌팅 태스크를 시켰어. Sentry 에러랑 Vercel 로그를 분석해서 버그 수정 계획을 세우라는 거였지. 결과는 어땠을 것 같아? GLM-5.2가 P0 버그 2개를 포함해서 총 14개의 수정 계획을 딱 내놓았다고 해. 심지어 클레어 본인도 미처 발견하지 못했던 버그까지 찾아냈다고 하니, 이건 그냥 코딩 보조 도구를 넘어선 수준이다.

물론 React 작업에서 잠깐 허둥대는 모습도 보였지만, 결국 깔끔한 결과물을 내놨어. 무엇보다 이 모든 작업에 들어간 비용이 600만 토큰에 겨우 3.36달러였다는 게 충격적이야. 클로드 오퍼스나 GPT-5.5와 동등한 코딩 능력에 훨씬 저렴한 비용이라니. 이젠 오픈 웨이트 모델을 '취미'로 보는 게 아니라, 프로덕션 환경에 바로 투입할 수 있는 '진짜' 대안으로 봐야 한다는 결론이야. 비용, 제어, 특정 벤더에 종속되지 않는다는 점에서 이게 얼마나 중요한지는 다들 알 거다.

에이전트 전략, '만들기'보다 '조합하고 활용하기'가 핵심

이런 흐름 속에서 AI 에이전트를 활용하는 전략 자체도 바뀌고 있다는 인사이트가 흥미로워. 이정민 님 글을 보면, 이제 에이전트를 개인 생산성 도구로 넘어 조직 전체에 심는 방식에 주목해야 한다고 강조해. 특히 "Mixture of Agents (MoA)" 개념이 눈에 띄는데, 이게 뭐냐면 하나의 모델만 쓰는 게 아니라, 여러 모델을 조합해서 쓰는 거야. 예를 들어, 분석은 GPT-5.5나 DeepSeek 같은 모델로 하고, 최종 답변은 더 비싼 Opus 같은 모델로 하는 식이지.

이 방식의 가장 큰 장점은 뭐겠어? 비용 효율성과 성능 최적화를 동시에 잡을 수 있다는 점이야. 아까 GLM-5.2 같은 오픈 웨이트 모델을 여기에 끼워 넣으면, 전체 토큰 사용량을 늘리면서도 비용은 절반 가까이 줄일 수 있다는 거지. Coinbase가 기본 모델을 오픈 웨이트로 바꾸고 라우팅이랑 캐싱을 정비해서 비용을 절반으로 줄였다는 사례는 이미 현실에서 일어나고 있는 변화를 보여준다.

'개별 구축'은 이제 '운영 부채'가 될 수도 있다

그렇다면 우리 회사 맞춤형 에이전트는 계속 만들어야 할까? 황현태 님은 여기에 중요한 질문을 던져. "업무별 에이전트를 계속 만들 것인가, 아니면 클로드 코드 같은 범용 에이전트가 우리 회사 일을 잘하게 만들 것인가?" 그의 주장은 후자가 점점 더 중요해지고 있다는 거야.

왜냐하면 견적서 작성, 회의록 정리 같은 업무별 에이전트를 일일이 만들면, 처음엔 좋겠지만 나중엔 지속적인 관리, 검증, 업데이트 때문에 골치가 아파진다는 거지. 매일같이 업데이트되는 슈퍼 에이전트들을 따라가기도 어렵고, 결국 '운영 부채'가 될 수 있다는 경고다.

그러니까 이젠 개별 에이전트를 'Build'하는 데 집중하기보다, 이미 강력한 범용 에이전트들을 우리 조직의 워크플로우에 잘 'Power'해서 활용하는 체계를 만드는 게 더 중요하다는 얘기야. 규제나 복잡한 판단이 필요한 특정 업무가 아니라면, 여러 도구와 조합되는 단일 기능에는 범용 에이전트 활용이 훨씬 효과적이라는 거지.

엔지니어의 역할도 '코드'에서 '공장'으로 바뀐다

이 모든 변화를 종합해보면, 결국 엔지니어의 역할 자체도 근본적으로 바뀌고 있다는 생각에 다다르게 돼. 이정민 님이 얘기한 "Agent Factory" 개념과 Warp CEO의 내부 메모가 딱 이 점을 짚어준다. Warp CEO는 "엔지니어의 일은 코드를 짜는 게 아니라 코드를 짜는 공장을 만드는 것"이라고 했대. 성과 지표도 바뀐대. 출시한 기능 수가 아니라 전체 변경 사항 중 '자동 출시 비율'을 본다는 거야.

에이전트가 버그 신고, 스펙 정의, 구현, 리뷰, 검증, 모니터링 등 개발 프로세스 전 과정을 돌리고, 실패 지점을 기록해서 다음 실행 때 개선하는 '자기 개선 루프'를 만드는 게 엔지니어의 핵심 역할이 된다는 뜻이지. 이미 NVIDIA, Adobe 같은 대형 조직들이 이런 시스템을 운영하고 있다고 하니, 이건 미래가 아니라 이미 현재진행형인 변화다.

이제 우리는 단순히 AI 모델을 '어떻게 쓸까'를 넘어, '어떤 모델들을 조합해서 우리 조직의 워크플로우에 어떻게 심을까'를 고민해야 하는 시대에 들어선 것 같아.

그래서 우리 팀은 지금 당장 어떤 에이전트 전략을 세워야 할까?

참고

  • Lenny Rachitsky, How I AI: GLM-5.2 review & How Gusto built a new product line with Claude Code, 2026-06-29
  • 이정민, 개인 넘어 조직으로: AI 에이전트 활용 4대 키워드, 2026-06-29
  • 황현태, AI 에이전트, '개별 구축'보다 '범용 활용'이 대세, 2026-06-29