AI가 일을 대신하는 시대, 사람은 뭘 하고 살아야 하나
엔비디아는 GTC나 컴퓨텍스 등 대형 행사를 앞두고 주요 파트너사를 초청해 사전 토크쇼를 개최해 왔습니다. 이번 'GTC 2026'도 예외는 아니었습니다. 'AI 에이전트'와 '피지컬 AI'를 주제로 각각 25분간 토크쇼가 진행되었습니다. 이날 세션의 사회는 세쿼이아 캐피털의 알프레드 린과 컨빅션의 사라 구오가 맡았습니다.
엔비디아는 GTC나 컴퓨텍스 등 대형 행사를 앞두고 주요 파트너사를 초청해 사전 토크쇼를 개최해 왔습니다.
이번 ‘GTC 2026’도 예외는 아니었습니다. ‘AI 에이전트’와 ‘피지컬 AI’를 주제로 각각 25분간 토크쇼가 진행되었습니다.
이날 세션의 사회는 세쿼이아 캐피털의 알프레드 린과 컨빅션의 사라 구오가 맡았습니다.
특히 기조연설 전, 젠슨 황 엔비디아 최고경영자(CEO)가 무대에 깜짝 등장해 이목을 끌었습니다.
그는
“현재 전 세계의 지식 노동자는 약 10억 명이다.
하지만 앞으로는 100억 명의 ‘디지털 워커’가 우리 곁에서 함께 일하게 될 것이다”
라고 강조했습니다. 본격적인 AI 에이전트 시대가 열렸음을 공식적으로 선언한 것입니다.
이후 이어진 대담에는 다음 네 명의 전문가가 패널로 무대에 올랐습니다.
오픈클로(OpenClaw) 창업자 피터 슈타인버거
랭체인(LangChain)의 해리슨 체이스
프라임 인텔렉트(Prime Intellect)의 빈센트 베이저
에디슨 사이언티픽(Edison Scientific)의 샘 로드리크 등이 말이죠.
본지는 이날 대담 내용을 아래와 같이 정리했습니다.
똑똑한 AI도 ‘맥락’ 없이는 실패한다…그 해법은?
“목표 설정은 여전히 인간의 몫”… AI 시대에도 과학자가 필요한 이유
AI 에이전트 5개를 굴리는 시대, 인간에게 남은 일은 무엇인가
이 내용을 중심으로 오늘 글을 시작하겠습니다.
1. 똑똑한 AI도 ‘맥락’ 없이는 실패한다…그 해법은?
랭체인(LangChain)의 해리슨 체이스는 이날 대담 초반 현 상황을 아래와 같이 진단했습니다.
“ 모든 것이 AI 모델 안으로 통합되지는 않겠지만,
앞으로 모델이 스스로 처리하는 작업은 훨씬 많아질 것이다.그렇기 때문에 모델이 주변 환경과 상호작용할 수 있도록 돕는 제어 체계,
즉 ‘하네스’가 매우 중요해진다. “
그는 AI 에이전트가 실수하는 가장 큰 원인으로 ‘맥락(Context)’을 꼽았습니다.
아무리 뛰어난 AI라도 주어진 정보의 맥락이 부족하거나, 잘못되면 제대로 작동할 수 없다는 의미였습니다.
불과 3년 전, 오픈소스 기반의 AI 에이전트 ‘오토 GPT’ 시절만 해도 AI 모델의 신뢰도는 낮았습니다.
당시에는 개발자가 직접 정보를 입력하고,
정해진 규칙에 따라 움직이도록 세밀하게 통제해야만 모델의 약점을 보완할 수 있었습니다.
하지만 AI가 코드를 스스로 작성하고 실행하는
‘Claude Code’나 ‘OpenClaw’ 같은 AI 코딩 에이전트가 등장할 만큼
기술이 발전하면서 상황이 달라졌습니다.
AI가 스스로 반복 작업을 수행할 수 있을 만큼 똑똑해졌고, 자연스럽게 개발의 초점도 바뀌었습니다
해리슨 체이스가 말하는 ‘하네스 엔지니어링’이란 쉽게 말해 이런 겁니다.
예전에는 개발자가 AI에게 “이럴 땐 이렇게 해”라고 일일이 가르쳐 줘야 했다면,
이제는 AI가 스스로 잘 판단할 수 있도록 환경 자체를 잘 갖춰주는 것이 개발자의 역할이 됐다는 뜻입니다
프라임 인텔렉트(Prime Intellect)의 빈센트 베이저는 실제 고객 사례로 이를 뒷받침했습니다.
그에 따르면, AI가 이 환경 안에서 제대로 작동하려면
실제 사용자들이 쓴 기록을 바탕으로 AI를 계속 다듬는 과정, 즉 ‘강화 학습’이 핵심이라고 했습니다.
그가 소개한 사례는 두 가지였습니다.
한 회사는 여러 분야에 두루 쓸 수 있는 AI를 만들어 인기 오픈소스 모델 2위에 올랐고,
다른 회사는 스프레드시트 자동화나 회계처럼 딱 한 가지 일만 잘하는 AI를 만들었습니다.
방향은 달랐지만 두 회사가 얻은 교훈은 같았습니다.
AI가 실제 서비스로 나와 사용자를 만나기 시작하면,
그때부터 쌓이는 실사용 데이터가 AI를 가장 빠르게 성장시키는 원동력이 된다는 것입니다.
결국 AI가 제대로 작동하려면 좋은 환경과 데이터가 필요하다는 것인데,
그렇다면 과학 연구처럼 정답을 검증하기 어려운 영역에서는 어떨까요?
<이어지는 내용은 아래와 같습니다.>
AI를 수백 개 동시에 돌리면 ‘A급 과학자’ 수백 명이 생긴다 — 샘 로드리크가 말하는 신약 개발의 미래 “
이제 직접 코딩을 하지 않는다” — 랭체인 해리슨 체이스가 하루 종일 씨름하는 진짜 문제
AI 시대에 살아남는 인재는 두 종류뿐이다 — 당신은 어느 쪽인가




