야, 이거 봤어? Strix라는 AI가 있는데, 챗봇처럼 답만 하는 게 아니더라. 진짜 터미널을 열고 익스플로잇 코드를 직접 짠대. 그것도 모자라 그걸 실행해서 "봐라, 진짜 뚫린다!"까지 증명한다고 하니, 완전 모의 해킹 전문가 하나를 통째로 코드 안에 넣어놓은 느낌이야. 기사를 읽는데 소름이 쫙 돋더라.

이제 AI가 단순 정보 제공을 넘어서 실제 '행동'을 수행하는 자율 에이전트 시대가 성큼 다가온 것 같아. 단순히 "무엇이 좋다"거나 "이렇게 하면 된다"고 말해주는 걸 넘어서, 직접 도구를 쓰고 코드를 짜고, 심지어 실행까지 하는 거지. 이런 AI 에이전트들이 우리 작업에 들어오기 시작하면, 지금껏 AI를 다루던 방식 자체를 완전히 바꿔야 할 것 같다는 생각이 들었어.

AI는 이제 진짜 '움직인다'

Strix가 보여주는 건 AI가 단순히 '생각'하고 '말'하는 단계를 넘어, 실제 '행동'하는 단계로 진입했다는 명확한 신호야. 이전에는 AI가 아무리 똑똑해도 결국 프롬프트 엔지니어링이나 API 호출 뒤의 결과물을 사람이 받아서 다시 뭔가 해야 했잖아. 그런데 Strix는 자체적으로 정찰, 익스플로잇, 후속 침투 에이전트를 병렬로 돌리고, HTTP 프록시, 브라우저 자동화 같은 실제 공격 도구까지 Docker 안에서 실행한다고 하니, 이건 마치 작은 AI 레드팀이 독립적으로 움직이는 것과 같아.

이게 무슨 의미냐면, 개발 워크플로우나 다른 실무에서도 비슷한 방식으로 '행동'하는 AI 에이전트들이 속속 등장할 거라는 뜻이지. 예를 들어, 특정 요구사항에 맞춰 코드를 직접 짜고, 빌드하고, 테스트까지 돌린 다음, 실패하면 다시 수정해서 재시도하는 식의 에이전트 말이야. 단순히 코드 스니펫을 던져주는 게 아니라, 실제 개발 프로세스 한 부분을 통째로 맡아서 수행할 수 있다는 거야.

행동하는 AI, 비용과 신뢰의 문제

그런데 AI가 행동하기 시작하면, 우리가 봐야 할 게 단순히 "성능이 얼마나 좋냐"만은 아니게 돼. 정구봉 님 글을 보면, Sonnet 5를 잘못 쓰면 Opus 4.8보다 비싸질 수 있다고 경고하더라. 코딩 에이전트는 한 번 묻고 한 번 답하는 게 아니라, 루프를 돌면서 읽고 고치고 테스트하고 정리하는 전체 태스크를 수행하잖아. 이 '노력(effort)'의 총량이 실제 비용을 결정한다는 거지.

Fable 5도 마찬가지야. 새로운 사이버보안 분류기 때문에 코딩 시켰을 때 Fable이 답하는지 Opus가 답하는지 매번 확인해야 한다니, 이런 구조를 코딩용으로 믿고 쓰기가 어렵다는 지적은 정말 현실적이야. AI가 '행동'하면, 그 행동의 신뢰성과 예상치 못한 '폴백(fallback)'이 전체 워크플로우에 미치는 영향, 그리고 그 행동 하나하나가 쌓여가는 '비용'까지 세심하게 관리해야 해. 이제 모델을 고르는 건 단순히 "제일 좋은 거"를 찾는 게 아니라, 각 작업의 특성과 비용, 신뢰도를 종합적으로 고려하는 실력이 돼버린 거야.

내 손안의 AI 엔진: 직접 돌려보고 싶다면

AI가 이렇게 '행동'하는 단계로 넘어오면서 생기는 또 다른 고민은 "이런 강력한 AI를 어떻게 제어하고, 어디서 돌려야 하는가"일 거야. Jamesob의 로컬 LLM 가이드를 보면, 이런 고민에 대한 하나의 강력한 해답을 제시해. 2천 달러로 Qwen급, 4만 달러로 클로드 오푸스급 성능을 로컬에서 구현할 수 있다고 하잖아.

4만 달러면 클로드 오푸스를 월 200달러로 16.8년간 쓸 수 있는 비용과 맞먹는다는 댓글도 인상 깊었어. 이게 단순한 비용 절감을 넘어선다고 봐. 내 로컬에서 SOTA(State-Of-The-Art) LLM을 돌릴 수 있다는 건, 내 손으로 AI의 '행동'을 직접 제어하고, 민감한 데이터를 외부로 내보내지 않으면서 실험하고, 커스텀 에이전트를 개발할 수 있는 강력한 자유를 얻는다는 의미거든. PCIe 스위치를 활용해서 GPU 간 통신 병목을 줄이고, VRAM에 집중하는 등의 하드웨어 노하우도 대단하더라.

이제는 AI의 '액션'을 관리하는 시대

결국, 이 세 가지 기사에서 내가 얻은 인사이트는 이거야. AI는 이제 단순히 질문에 답하고 정보를 요약해주는 '말'의 시대를 넘어, 실제 시스템과 상호작용하며 '행동'하는 시대로 빠르게 진입하고 있다는 것. Strix처럼 터미널을 열고 코드를 실행하는 자율 에이전트가 현실이 되고 있고, 이런 AI 에이전트들을 우리의 워크플로우에 통합하려면 단순한 성능 지표를 넘어 비용, 신뢰성, 윤리적 책임까지 고려해야 한다는 점. 그리고 Jamesob의 가이드처럼, 이런 강력한 '행동하는 AI'의 엔진을 직접 로컬에 구축하는 것도 하나의 중요한 옵션이라는 것.

이제 우리는 AI에게 "무엇을 시킬지"뿐만 아니라 "어떻게 시키고", "얼마의 비용으로", "어떤 방식으로 제어할지"까지 종합적으로 고민해야 하는 실무자가 된 거야. AI의 '행동'이 우리 작업에 어떤 변화를 가져올지, 또 우리는 이 변화에 어떻게 적응하고 새로운 기회를 만들어낼 수 있을지, 매일매일 관찰하고 실험해봐야 할 때가 아닐까?

참고

  • Jamesob's guide to running SOTA LLMs locally, https://github.com/jamesob/local-llm
  • AI 모델 시대: 작업별 최적 선택과 비용 관리가 실력 (by 정구봉 (Goobong Jeong)), https://www.linkedin.com/feed/update/urn:li:activity:7478099869220360192/
  • 챗봇이 답만 하는 시대는 끝났어요. 이 AI는 진짜로 터미널을 열어요. 익스플로잇 코드(취약점을 파고드는 공격 코드)를 직접 짜요. 그걸 실행해서 "봐라, 진짜 뚫린다"까지 증명해... (by 정상록 (Sangrok Jung)), https://www.linkedin.com/feed/update/urn:li:activity:7478967590837440512/