'루프'는 자율 에이전트를 돌리는 기법입니다. 1년 만에 농담에서 업계 표준이 됐습니다.
반전은 이것입니다. 루프는 지능을 더하지 않는데도, 더 똑똑한 단일 세션이 못 푸는 일을 끝냅니다.
비결은 모델 밖에 있습니다. 진짜 성과는 매번 하드 디스크에 쌓이는 파일과 기록에 남습니다.
당신은 더 똑똑한 모델을 기다리고 있습니까,
아니면 그 모델을 감쌀 루프를 짓고 있습니까?
1년 전 '루프'는 농담에 가까웠습니다. 에이전트를 죽였다가 백지 상태로 되살리기를 반복하는 이 기법은, 아무것도 못 배우는 만화 캐릭터 이름을 땄습니다. 그런데 1년 만에 업계 표준이 됐습니다. 프롬프트 엔지니어링이 자리 잡는 데 2년쯤 걸렸다면, 루프 엔지니어링은 약 5주 만에 상용 설명글까지 나왔습니다.
저자의 질문은 날카롭습니다. 루프는 모델에 지능을 전혀 더하지 않습니다. 그런데도 더 똑똑한 단일 세션이 못 끝내는 일을 끝냅니다. 무엇이 좋아진 걸까요. 이 글은 그 답이 왜 경영 리더에게 중요한지, AI를 고를 때 무엇을 봐야 하는지 짚습니다.
많은 리더가 AI 성과를 모델 이름으로 판단합니다. 더 좋은 모델을 기다리고, 성과가 안 나면 모델을 바꿉니다. 루프의 부상은 이 통념을 흔듭니다. 같은 모델도 감싸는 방식에 따라 결과가 크게 달라지기 때문입니다. 무엇에 투자하고 무엇을 경쟁 우위로 삼을지가 여기서 갈립니다.
첫째, 루프는 지능이 아니라 반복을 더합니다. 회의론자의 지적은 대체로 맞습니다. 루프는 시도 횟수를 늘릴 뿐, 정답의 밀도를 높이지 못합니다. 매 회 지능이 좋아지는 것도 아닙니다. 그런데도 시스템은 더 똑똑한 단일 세션이 못 끝내는 일을 끝냅니다. 저자의 논리는 단순합니다. 시스템이 좋아졌는데 지능이 그대로라면, 좋아진 것은 지능이 아니라는 뜻입니다.
둘째, 매번 백지에서 시작하고, 성과는 하드 디스크에 남깁니다. 뜻밖에도, 세션을 길게 끌면 성능이 떨어집니다. 맥락이 막다른 길로 가득 차며 굳어버리기 때문입니다. 최선은 최대한의 단절입니다. 매 회 하드 디스크 상태만 빼고 전부 버립니다. 진짜 산출물은 대화가 아니라 남긴 상태입니다. 모델 가중치가 아니라 저장소가, 이 시스템에서 유일하게 과거를 가진 존재가 됩니다.
셋째, 모델보다 감싸는 방식이 성과를 가릅니다. 증거가 쌓였습니다. 랭체인은 모델을 그대로 두고 껍데기만 바꿔 리더보드를 30계단 끌어올렸습니다. 한 개발자는 하네스만 바꿔 하루 만에 모델 15개의 코딩 성능을 끌어올렸습니다. METR은 코딩 에이전트가 기본 뼈대보다 크게 낫지 않다고 봤고, 스케일 AI의 실험은 하네스 선택이 모델 선택보다 중요했다고 보고했습니다.
| 사례 | 바꾼 것 | 결과 |
|---|---|---|
| 랭체인 | 모델 고정, 껍데기만 교체 | 리더보드 30계단 상승 |
| 한 개발자 실험 | 모델 15개에 하네스만 교체 | 하루 만에 코딩 성능 향상 |
| METR · 스케일 AI | 하네스와 모델 영향 비교 | 하네스 선택이 모델보다 중요 |
출처: Jeong (2026), Medium 인용 사례 재구성.
넷째, 루프는 그 멈춤 기준만큼만 좋습니다. 루프의 성능은 검증 기준과 정확히 같습니다. 무엇이 '완료'인지 판별하는 규칙이 약하면, 반복은 성과가 아니라 오답을 쌓습니다. 지능에는 천장도 있습니다. 검증을 개선하지 않고 반복만 늘리면, 비싼 무작위 걷기가 됩니다. 루프는 매 회 같은 비싼 재능을 빌려 쓰고 버리며, 하드 디스크에 남은 찌꺼기만 챙깁니다.
성과가 안 나면 모델을 바꾸기 전에, 감싸는 방식과 검증을 점검하세요. 대개 병목은 모델이 아니라 그 껍데기에 있습니다. (이번 주)
루프는 그 검증만큼만 좋습니다. 무엇이 완료인지 기계가 판별할 규칙이 없으면, 반복은 오답을 빨리 쌓을 뿐입니다. 속도보다 멈춤 기준이 먼저입니다. (2주)
대화가 아니라 하드 디스크에 결과가 축적되게 하세요. 진짜 자산은 모델이 아니라 우리가 남긴 기록입니다. 남이 못 베끼는 것도 거기 있습니다. (분기 내)
개발 맥락의 이야기입니다. 사례 다수가 코딩 에이전트입니다(Jeong, 2026). 구조적 통찰은 넓게 통하지만, 비개발 업무에 옮기기 전에 검증 방식을 다시 설계해야 합니다. 코딩은 테스트로 완료를 판별하기 쉽지만, 다른 일은 그렇지 않습니다.
루프는 만능이 아닙니다. 지능에는 천장이 있습니다. 검증을 개선하지 않고 반복만 늘리면, 비싼 무작위 걷기가 됩니다. 반복 횟수가 아니라 멈춤 기준이 성패를 가릅니다.
인용은 저자의 재구성입니다. METR, 스케일 AI, 랭체인 사례는 저자가 근거로 든 것입니다. 각 원 출처의 맥락과 함께 봐야 정확합니다.
AI를 키운 건 더 똑똑한 모델이 아니라, 그 모델을 감싼 루프와 하드 디스크에 쌓인 파일이었습니다. 병목은 대개 모델이 아닙니다.
루프(Loop): 자율 에이전트가 목표를 이룰 때까지 실행, 검증, 기록을 반복하는 작업 구조입니다. 매 회 새 에이전트로 다시 시작합니다.
하네스(Harness): 모델을 감싸 실제로 일하게 만드는 외피입니다. 도구 연결, 반복, 검증, 파일 관리를 포함합니다.
지속 상태(Durable State): 대화가 끝나도 하드 디스크에 남는 파일, 커밋, 계획입니다. 루프에서 진짜 성과가 쌓이는 곳입니다.
검증기(Verifier): 루프의 결과가 맞는지 판별하는 멈춤 기준입니다. 이게 약하면 반복은 오답을 더 빨리 쌓습니다.
스캐폴드(Scaffold): 모델이 일하도록 짜준 최소한의 뼈대 구조입니다. METR은 에이전트가 이 기본 뼈대보다 크게 낫지 않다고 봤습니다.
- Jeong, J. (2026, July). The year of the loop [Blog post]. Medium. (원문 보기 ↗)