앤트로픽이 로봇개 제어 실험을 다시 했습니다. 이번엔 사람을 빼고 Claude Opus 4.7 혼자 시켰습니다.
1년 전 사람 팀이 모두 끝낸 4개 과제를 Opus 4.7은 9분 35초 만에 풀었습니다. 사람 팀(181분)보다 19배 빨랐습니다.
코드는 사람 팀의 10분의 1만 썼습니다. 다만 공을 정밀하게 미는 '되돌리기' 작업에서는 사람이 더 나았습니다.
1년 전 AI는 당신 팀의 보조였습니다.
이제 그 AI가 사람 없이, 19배 빠르게 일을 끝냅니다.
2025년 8월, 앤트로픽은 비전문가 직원들에게 상용 로봇개를 맡겼습니다. 한 팀은 Claude의 도움을 받았고, 한 팀은 검색과 지식만 썼습니다. Claude를 쓴 팀이 크게 앞섰습니다. 하지만 그때 Opus 4.1은 혼자서는 과제를 끝내지 못했습니다.
10개월 뒤, 앤트로픽은 사람을 빼고 다시 실험했습니다. 이번엔 Opus 4.7 혼자였습니다. 결과는 한 줄로 요약됩니다. AI가 사람의 도움 없이, 1년 전 가장 빠른 사람 팀보다 약 19배 빨리 끝냈습니다. 당신 조직이 '로봇은 아직 먼 이야기'라고 생각한다면, 이 글이 그 시점 감각을 바꿀 것입니다.
기업의 AI 도입은 지금까지 거의 화면 안에서만 일어났습니다. 문서를 요약하고, 코드를 짜고, 메일을 씁니다. 물리 세계의 기계를 다루는 일은 전문 로보틱스 팀의 영역이었습니다. 비개발자 리더에게는 남의 일이었습니다.
프로젝트 페치 2단계는 그 경계를 건드립니다. 연구진은 Opus 4.7을 Claude Code 안에서 '적응형 사고, 최대 추론'으로 세 번 돌렸습니다. 사람의 역할은 노트북을 연결하고, 첫 프롬프트를 넣고, 명령 실행과 과제 전환을 승인하는 것뿐이었습니다. 나머지는 모델이 했습니다.
핵심은 모델이 카메라와 라이다 같은 기존 장비, 즉 '이미 있는 물리적 도구'를 직접 골라 썼다는 점입니다. AI가 소프트웨어 도구를 스스로 쓰며 에이전트가 된 것과 같은 일이, 이제 하드웨어에서 시작됩니다.
연구진은 익숙한 궤적을 짚습니다. 처음엔 모델이 사람을 돕고, 다음엔 사람이 모델을 거들고, 끝내 모델이 거의 독립합니다. 이 흐름은 사이버보안에서 먼저 나타났고, 이제 AI와 물리 시스템의 접점에서 반복됩니다. 1단계는 모델이 사람을 도왔고, 2단계는 사람이 노트북 연결과 승인만 맡았습니다. 당신 조직의 어떤 일이 지금 이 궤적의 어디에 있는지가 다음 질문입니다.
첫째, 속도 격차가 '조금 빠름'이 아니라 '자릿수가 다름'입니다. 검색만 쓴 팀은 4개 과제에 361분을 썼습니다. Claude를 쓴 사람 팀은 181분이었습니다. Opus 4.7 단독은 9분 35초였습니다. 사람 팀 대비 18.9배, 검색 팀 대비 37.7배입니다. 1년 전 사람들이 반나절 걸려 한 일을, 모델이 커피 한 잔 시간에 끝냈습니다.
주의할 점이 있습니다. 이 비교는 '모든 팀이 끝낸 4개 과제'로 한정한 값입니다. 사람 팀이 손도 못 댄 과제는 애초에 비교에서 빠졌습니다. 그러니 이 숫자는 격차의 최소치에 가깝습니다.
둘째, 더 적은 코드로 더 좋은 결과를 냈습니다. Claude를 쓴 사람 팀은 10,309줄을 썼습니다. 검색만 쓴 팀은 1,136줄이었습니다. Opus 4.7은 1,045줄이었습니다. 사람 팀보다 90% 적은 코드로 같거나 더 높은 성공률을 냈습니다. '많이 짜야 잘한다'는 통념이 깨집니다.
이유는 단순합니다. 모델은 여러 센서 연결 방식 중 최적을 빠르게 골랐습니다. 사람은 대안을 비교하는 데 시간을 썼습니다. 그리고 모델이 생성한 코드는 상당 부분 처음부터 작동했습니다. 사람 팀의 반복 디버깅과 대조적이었습니다.
과제별로 보면 격차가 더 또렷합니다. 검색만 쓴 팀은 첫 두 과제조차 끝내지 못했습니다. Claude를 쓴 사람 팀은 공 인식에 88분, 수동 제어 프로그램에 90분을 썼습니다. Opus 4.7은 각각 4분과 3분이었습니다.
| 과제 | 검색만 Claude-less |
사람+Claude Team Claude |
Opus 4.7 단독 |
|---|---|---|---|
| 영상 카메라 연결 | 미완료 | 완료 | 약 1분 |
| 라이다 센서 연결 | 미완료 | 완료 | 약 2분 |
| 비치볼 인식 | 미완료 | 약 88분 | 약 4분 |
| 수동 제어 프로그램 | 미완료 | 약 90분 | 약 3분 |
| 경로 모니터링 | 미완료 | 약 3분 | 약 2분 |
과제별 소요 시간 비교입니다. 검색만 쓴 팀은 어떤 과제도 끝내지 못했습니다. 출처: Ilie, Freeman, & Troy (2026), Anthropic, Project Fetch: Phase Two.
셋째, AI가 못 하는 지점이 어디인지가 더 중요합니다. Opus 4.7은 공을 출발점으로 살살 밀어 되돌리는 '페치' 작업에서 막혔습니다. 로봇을 공 뒤로 보내는 것까지는 됐지만, 제어가 거칠어 성공하지 못했습니다. 사람은 이걸 잘했습니다. 방향 오차를 즉시 느끼고, 직전 명령과 연결해, 다음 입력을 바로 고치기 때문입니다.
이게 바로 '폐루프 제어'입니다. 보고, 틀린 만큼 즉시 되먹임하는 실시간 미세 조정입니다. 다만 연구진은 더 숙련된 로보틱스 전문가가 자율 페치를 성공시켰다고 밝혔습니다. 시간과 스캐폴드를 더 주면 지금 세대 Claude도 해낼 가능성이 크다고 봤습니다. 지금의 한계는 '능력의 벽'이 아니라 '아직 안 한 것'에 가깝습니다.
넷째, 이 향상은 로봇을 겨냥한 결과가 아닙니다. 연구진은 모델의 로보틱스 능력을 키우려고 따로 노력하지 않았다고 밝혔습니다. 이 향상은 훨씬 일반적인 스케일링에서 '저절로' 나왔습니다. 범용 모델이 커지는 과정에서 물리적 도구를 다루는 능력이 부수적으로 따라왔다는 뜻입니다.
비즈니스 관점에서 이 문장이 가장 무겁습니다. 로봇 능력을 위해 별도 투자가 필요했던 것이 아닙니다. 일반 모델이 좋아지면, 물리 작업 능력도 같이 좋아집니다. 다음 세대 모델이 나올 때마다 이 경계가 또 밀린다는 의미입니다.
이 실험의 핵심은 역할 전환입니다. 작년엔 AI가 사람을 도왔고, 올해는 사람이 AI를 거들었습니다. 당신 업무 목록에서 지금 'AI 보조'에 머문 일 중, 사람의 역할이 '승인'으로만 줄어들 수 있는 일을 표시합니다. 그 목록이 다음 분기 자동화 후보입니다. (이번 주)
Opus 4.7은 새 장비를 만들지 않았습니다. 이미 있는 카메라와 라이다를 직접 골라 썼습니다. 당신 회사에도 이미 깔려 있지만 사람만 쓰는 시스템(ERP, 사내 API, 측정기, 대시보드)이 있습니다. 그중 하나를 정해, 사람이 직접 할 때의 소요 시간과 단계 수를 먼저 적습니다. 같은 작업을 AI 에이전트에 맡긴 뒤 두 값을 같은 표에 올립니다. 이 표가 자동화 확대의 근거가 됩니다. (2주)
AI는 첫 설정과 코드 생성에서 강했고, 실시간 미세 조정에서 약했습니다. 당신 업무를 '한 번 잘 짜면 되는 일'과 '계속 보고 즉시 고쳐야 하는 일'로 나눕니다. 전자는 지금 바로 AI 후보입니다. 후자는 사람이 핸들을 쥐되 AI가 거드는 구조로 설계합니다. (1개월)
'로봇이 풀렸다'는 결론은 틀립니다. 연구진이 직접 못 박았습니다. 이번 결과가 'LLM이 로보틱스를 풀었다'는 뜻은 아닙니다. 실험은 특정 구동 정책 같은 저수준 제어를 다루지 않았습니다. 모델은 기존 도구를 조합했을 뿐, 바닥부터 움직임을 설계한 것이 아닙니다(Ilie et al., 2026).
과제 환경이 통제돼 있었습니다. 평가는 정해진 다섯 과제에서 이뤄졌습니다. 성공 여부를 명확히 판정할 수 있는 작업들입니다. 현장의 물리 작업은 변수와 예외가 훨씬 많습니다. 이 숫자를 그대로 자기 공장이나 매장에 옮겨 적용하면 안 됩니다.
사람의 승인이 여전히 끼어 있었습니다. '단독'이라고 해도 사람이 명령 실행과 과제 전환을 승인했습니다. 완전 무인이 아니었습니다. 물리 세계에서 자율성이 높아질수록, 무엇을 승인하고 무엇을 막을지 정하는 사람의 판단이 더 중요해집니다. 자동화 비율이 올라갈수록 안전 설계가 전부가 됩니다.
물리적 에이전트 AI의 초기 신호가 켜졌습니다. 질문은 '언제 되느냐'가 아니라 '어떤 일을 먼저 넘길 것이냐'입니다.
프로젝트 페치 (Project Fetch): 앤트로픽이 비전문가 직원에게 상용 로봇개(4족 보행 로봇)를 맡겨 Claude가 제어를 얼마나 돕는지 본 실험입니다. 2025년 8월이 1단계, 2026년 6월이 2단계입니다.
폐루프 제어 (Closed-loop control): 결과를 실시간으로 관찰하고, 오차만큼 입력을 즉시 되먹여 조정하는 방식입니다. 공을 살살 미는 미세 조정이 대표 예입니다. 이번 실험에서 모델이 약했던 부분입니다.
라이다 (LiDAR): 레이저로 주변 거리를 재 공간 지도를 만드는 센서입니다. 로봇이 자기 위치와 장애물을 파악하는 데 씁니다.
스캐폴드 (Scaffold): 모델 바깥에서 작업을 거드는 장치입니다. 프롬프트, 도구 연결, 재시도 로직 등이 들어갑니다. 연구진은 스캐폴드를 더 주면 페치도 가능할 것으로 봤습니다.
스케일링 (Scaling): 모델 크기와 학습량을 키우는 일반적 성능 향상 경로입니다. 이번 로봇 제어 향상은 로봇 전용 개선이 아니라 이 일반 스케일링에서 따라온 결과입니다.
물리적 에이전트 AI (Physical agentic AI): 화면 속 작업을 넘어, 실제 물리 도구와 기계를 직접 다루며 목표를 수행하는 AI입니다. 이 글이 다루는 변화의 핵심 개념입니다.