2026년은 인공지능 기술이 단순한 대화형 데모를 넘어 실제 업무를 장기적으로 수행하는 에이전트 단계로 전환된 해였습니다. 동시에 기업과 시장은 천문학적인 설비투자에 걸맞은 구체적인 상용화 수익(ROI)을 엄격하게 증명해야 하는 시험대에 올랐습니다.
2027년부터 2028년까지 이어질 변화의 핵심은 네 가지로 요약됩니다. 첫째, 에이전트의 작업 단위가 단순 요청 응답에서 수일 단위의 자율 업무 수행으로 확장됩니다. 둘째, AI가 사람의 연구 지시를 받아 스스로 AI 연구를 자동화하는 단계에 진입합니다. 셋째, 모델 성능 경쟁 이면에 도사린 전력망과 고대역폭 메모리(HBM/DRAM)의 물리적 공급 한계가 하드웨어 설계를 지배합니다. 넷째, 통제되지 않은 에이전트의 위험을 제어하기 위한 **폐루프 하네스(Harness)와 국가·기업별 주권 기술(Sovereignty)**이 필수로 자리잡습니다.
이 글에서는 2026년 10월 말 기준으로 확인된 산업 데이터와 학술 벤치마크를 짚어보고, 2027~2028년에 전개될 기술적 분기점과 온프레미스·제조 AI 관점의 실질적 대응 방안을 정리합니다.
1. 2026년: 실제로 일어난 핵심 변화
2026년 한 해 동안 AI 생태계는 에이전트의 실무 수행 능력, 극단적인 출시 주기 압축, 중국 오픈웨이트의 맹추격, 그리고 물리적 인프라의 한계라는 네 가지 축을 중심으로 재편되었습니다.
1-1. 에이전트 능력의 급격한 확장과 벤치마크 포화
모델의 평가 기준이 단답형 지식 테스트에서 **장기 과제 수행 능력(Long-Horizon Task Completion)**으로 이동했습니다.
- 장기 과제 수행 한계의 확장: METR의 2026년 1월 측정에 따르면 Claude Opus 4.6은 숙련된 전문가 기준 14시간 이상 소요되는 복잡한 작업을 50% 신뢰도로 완료했습니다. 2023년 이후 측정치를 추적하면 이 시간 한계는 약 4.3개월마다 두 배로 증가하고 있습니다. 다만 METR 자체 평가에서도 16시간을 초과하는 작업은 현재 벤치마크 세트로는 신뢰성 있게 측정하기 어렵다고 경고하여 평가 도구 자체가 한계에 직면했습니다.
- 기존 벤치마크의 조기 포화: Stanford AI Index 2026 보고서에 따르면 소프트웨어 엔지니어링 능력을 평가하는 SWE-bench Verified 성공률이 2025년 약 60%에서 거의 100% 수준에 수렴했습니다. 실제 GUI 환경에서 컴퓨터 조작 능력을 검증하는 OSWorld 벤치마크에서도 에이전트 성공률이 12%에서 약 66%로 급상승했습니다.
- 상호 운용성 프로토콜의 표준화: 에이전트와 외부 도구를 잇는 **MCP(Model Context Protocol)**와 서로 다른 인스턴스 간 통신을 정의하는 A2A(Agent-to-Agent) 규약이 사실상 표준으로 안착했습니다. 이제 거버넌스와 권한 격리는 사후 덧붙이는 옵션이 아니라 아키텍처의 기반 요소로 설계됩니다.
1-2. 출시 주기 압축과 최상위 모델의 제한 공개
프런티어 연구소들의 플래그십 릴리스 간격이 전례 없이 좁혀지는 한편, 최상위 모델을 일반에 즉시 공개하지 않는 안전 격리 방식이 굳어졌습니다.
- 극도로 압축된 릴리스 주기: 2026년 4월에는 Claude Opus 4.7, GPT-5.5, DeepSeek V4가 불과 8일 사이에 연쇄 출시되며 치열한 정면 승부가 벌어졌습니다. 이후 7월에는 GPT-5.6의 등급별 세분화, 비용을 절반으로 낮춘 Claude Opus 5, Gemini 3.6 Flash 등이 잇달아 등장하며 추론 비용과 토큰 효율성이 시장의 주 화두가 되었습니다.
- Project Glasswing과 제한적 릴리스: Anthropic은 차세대 Claude Mythos Preview를 전체 대중에게 배포하는 대신 Project Glasswing 프로그램을 통해 검증된 약 50개 기관에만 선별적으로 제공했습니다. 이후 6월 9일이 되어서야 일반 공개 Mythos급 모델인 Claude Fable 5가 시장에 나왔습니다.
- AI 연구 자동화의 첫걸음: OpenAI는 숙련된 연구원이 며칠에 걸쳐 수행할 구조화된 연구 태스크를 사람의 감독 아래 자율 완수하는 ‘자동화 연구 인턴(Automated Research Intern)’ 목표를 달성했다고 발표했습니다. 비록 문제 정의와 채점 기준을 해당 기업이 자체 수립했다는 비판이 따르지만, 모델 개발 파이프라인 자체에 AI가 직접 투입되기 시작했음을 보여 줍니다.
1-3. 오픈웨이트 모델의 급부상과 미·중 격차 축소
과거 폐쇄형 독점 모델이 독식하던 엔지니어링 영역에서 오픈웨이트(Open-weight) 모델의 지분이 역전되었습니다.
- 초대형 오픈 아키텍처: DeepSeek V4 Pro는 완전한 MIT 라이선스를 채택한 1.6조(1.6T) 파라미터 모델로 공개되었습니다. Moonshot AI의 Kimi K3는 2.8조 파라미터(토큰당 활성 파라미터 1,040억)를 갖추며 역사상 최대 규모의 오픈웨이트 기록을 세웠습니다.
- 실사용 점유율의 역전: OpenRouter 기준 토큰 사용량 상위 10개 모델 중 8개가 오픈웨이트였으며, 그중 7개가 중국 연구진의 모델이었습니다.
- 성능 격차의 수렴: Artificial Analysis 벤치마크 기준 최상위 오픈웨이트 모델(46점)과 최상위 폐쇄형 상용 모델(53점) 간의 점수 격차는 불과 7점 차이로 좁혀졌습니다. 2026년 3월 국가 간 종합 모델 역량 평가에서도 미국 최고 모델이 중국 최고 모델을 앞서는 폭은 2.7% 수준에 그쳤습니다.
1-4. 인프라 병목: 자본적 지출(Capex) 폭증과 물리적 한계
알고리즘의 진화 속도를 물리적 현실이 따라가지 못하는 병목 현상이 본격화되었습니다.
- 하이퍼스케일러 투자 폭증: 주요 4대 하이퍼스케일러의 2026년 합산 설비투자(Capex) 가이던스는 약 7,450억 달러에 달했습니다.
- 메모리 대란: 2026년 1분기 범용 DRAM 계약 가격은 직전 분기 대비 90~95% 급등했습니다. 인공지능 가속기용 고대역폭 메모리(HBM) 생산에 웨이퍼 제조 라인이 집중되면서 일반 서버뿐 아니라 PC와 스마트폰 수급까지 연쇄 타격을 입었습니다.
- 전력 공급 제약: Moody’s 보고서에 따르면 데이터센터 부지 인허가와 신규 송전망 구축에 소요되는 절대적 기간으로 인해, AI 컴퓨팅 공급은 최소 2027년까지 전력 인프라 한계로 수요를 밑돌 것으로 분석되었습니다.
1-5. “수익을 증명하라”: 버블론과 공급 부족의 공존
시장은 AI 도입이 실제 재무제표의 영업이익으로 환산되는지에 대해 극도로 민감하게 반응하기 시작했습니다.
- 매출 성장 이면의 대규모 손실: OpenAI는 9월 말 기준 연환산 매출 약 500억 달러를 달성하고 연말 700억 달러를 목표로 제시했으나, 2분기 기준 매출 67억 달러에 영업손실 123억 달러를 기록했습니다. 반면 같은 분기 Anthropic의 잠정 매출은 115억 달러 이상을 기록하며 견고한 기업 협업 수요를 증명했습니다.
- 공급망 주가의 높은 변동성: 10월 초 매출 및 손실 보도 직후 Nvidia(-2.9%), Oracle(-5.5%) 등 AI 밸류체인 전반이 급락하는 등 투자 심리가 요동쳤습니다. 그럼에도 컴퓨팅 용량에 대한 실수요는 여전히 가용 공급량을 초과하고 있어, 시장에서는 **수익성 의구심(버블 우려)**과 실제 물리적 공급 부족이 기형적으로 공존하고 있습니다.
1-6. 피지컬 AI의 초기 양산과 국내 제도 현황
- 피지컬 AI(Physical AI): UBS에 따르면 2026년 글로벌 휴머노이드 로봇 수요는 약 3만 대 규모로 집계되었습니다. 글로벌 부품 기업 Schaeffler는 2032년까지 공장 내 최대 2,000대의 휴머노이드를 단계적 도입하기로 합의하고 2026년 말부터 1차 물량 배치를 시작했습니다.
- 국내 AI 기본법 시행: 2026년 1월 22일 대한민국 AI 기본법이 공식 발효되며 생성형 AI 산출물에 대한 워터마크 표시 의무가 부여되었습니다. 다만 산업계 충격을 완화하기 위해 1년 이상의 계도·유예 기간이 주어졌으며, 고영향 AI 기준을 충족하는 사례는 사실상 고도화된 자율주행 영역 등으로 한정되어 초기 규제 리스크는 완충된 상태입니다.
- 2027년도 국가 R&D 예산: 과기정통부 AI 관련 예산은 전년 5.1조 원에서 9.4조 원으로 84.3% 대폭 증액되었습니다. 프런티어 AI 연구에 5.6조 원, 차세대 베라 루빈(Vera Rubin) GPU 1만 장 확보에 3.85조 원이 배정되었으며, 피지컬 AI 분야 예산도 4,622억 원으로 162.9% 급증했습니다.
2. 2027년 전망: 에이전트 선별과 닫힌 제어 하네스
2027년은 에이전트 도입의 양극화와 거버넌스 중심의 기술 재편이 본격화되는 시기입니다.
2-1. Gartner 2027 10대 전략 기술의 세 가지 축
Gartner는 2027년을 주도할 10대 전략 기술을 비텍스트(Non-text) 영역 활용, 자율 에이전트 플랫폼 거버넌스, 지속 가능한 민첩성 설계의 세 갈래로 정의했습니다.
| 번호 | 전략 기술 트렌드 | 핵심 원리 및 역할 |
|---|---|---|
| 1 | 대규모 정량 모델(LQM) | 수치, 시계열, 물리 법칙 데이터를 직접 학습하여 공정 및 동역학을 예측. LLM은 사용자와의 인터페이스 및 오케스트레이션 도구로 동작. |
| 2 | 음성 추론 모델 | 텍스트 변환(STT) 없이 음성의 억양, 호흡, 감정 맥락을 직접 청취하고 즉각적인 다음 행동을 판단. |
| 3 | 월드 모델(World Models) | 물리적 상호작용을 시뮬레이션 환경에서 예측하여 피지컬 AI 로봇의 안전성과 경로를 사전 검증. |
| 4 | AI 컨텍스트 플랫폼 | 조직 내 산재한 도메인 지식, 비즈니스 규칙, 거버넌스 정책을 에이전트에게 온톨로지 형태로 공급. |
| 5 | 에이전트 코딩 하네스 | 코드 생성을 넘어 요구사항 정의, 테스트, 배포, 롤백까지 소프트웨어 개발 라이프사이클(SDLC) 전체를 폐루프(Closed-loop)로 통제. |
| 6 | AI 에이전트 아이덴티티 | 에이전트에게 동적 권한과 최소 자격 증명을 부여하여 미승인 API 호출과 정보 탈취를 차단. |
| 7 | 자율 노출 교정 | 시스템 취약점 탐지부터 패치 코드 검증 및 배포까지 사람의 개입 없이 자율 처리. |
| 8 | 주권 기술(Sovereignty) | 특정 외산 벤더 종속과 지정학적 공급망 차단 위험을 회피하는 자체 인프라 스택. |
| 9 | 일회용 애플리케이션 | 특정 업무 목적을 달성하면 자동으로 폐기되는 초단기 수명 주기 소프트웨어. |
| 10 | Wetware as a Service | 생물학적 뉴런 네트워크를 결합하여 초저전력 연산을 구현하려는 초기 실험 단계 컴퓨팅. |
Gartner의 핵심 문제의식은 **“AI가 사람이 검토하고 감시할 수 있는 속도보다 훨씬 빠르게 코드를 양산하고 있어, 관리되지 않는 권한 경로와 치명적인 기술 종속을 유발한다”**는 점에 있습니다.
2-2. 에이전트 도입의 명암: 대규모 파일럿 정리
2026년 말까지 전체 엔터프라이즈 애플리케이션의 40%에 특정 업무용 에이전트가 탑재될 것으로 전망됩니다. 그러나 2027년 말까지 착수된 에이전틱 AI 프로젝트의 40% 이상이 중도 폐기될 것이라는 분석이 지배적입니다. 주된 실패 원인은 천문학적인 추론 비용, 불명확한 비즈니스 가치, 그리고 실패 상황을 통제하지 못한 리스크 관리 부재입니다.
반면, 초기부터 데이터의 시맨틱스(Semantics, 의미 체계와 관계 구조)를 우선하여 온톨로지를 정립한 조직은 에이전트의 작업 정확도를 최대 80% 높이고 실행 비용을 최대 60% 절감하며 구조조정에서 살아남을 것으로 예측됩니다.
2-3. 2027년 핵심 인프라와 규제 시계
- 하이퍼스케일 설비투자 지속: Bank of America는 2027년 글로벌 하이퍼스케일러의 설비투자가 1조 달러에 이를 것으로 추산하며, Goldman Sachs는 기본 시나리오 1.1조 달러, 강세 시나리오 1.4조 달러를 제시합니다.
- 메모리 공급 완화의 지연: 삼성전자와 SK하이닉스는 고대역폭 메모리 설비 전환에 따른 범용 DRAM 품귀 현상이 최소 2027년 말까지 이어질 것으로 경고하고 있습니다.
- EU AI Act 고위험군 발효: 2027년 12월 2일부터 유럽연합 AI 법의 Annex III 고위험군 시스템 규제가 유예 없이 전면 적용되므로, 모델 설명 가능성과 인간 개입(HITL) 체계가 강제됩니다.
3. 2028년 전망: AI 연구 자동화와 재귀적 자기개선
2028년은 단순한 보조 도구를 넘어 스스로 새로운 지식을 생산하는 자율 AI 연구자가 현실화되는 기술적 특이점의 문턱입니다.
- 자율 AI 연구자와 RSI(재귀적 자기개선)의 분기점: OpenAI는 2028년 3월까지 완전한 자율 AI 연구자를 구현하겠다는 로드맵을 유지하고 있습니다. 다만 인간의 가치와 정렬된 안전한 완전 재귀적 자기개선(Recursive Self-Improvement) 경로를 확보하는 방법은 여전히 미지의 영역임을 공식 인정했습니다.
- 기업 운영 패러다임의 급변: IDC FutureScape 2027에 따르면 Global 2000대 기업 중 대다수 핵심 프로세스를 AI 우선으로 구동하는 비율이 2026년 13%에서 2029년 60%로 수직 상승할 전망입니다. 특히 2028년까지 기업 내 AI 워크로드의 60%가 독점 폐쇄형 LLM에서 오픈소스 모델로 대규모 이주하며, 벤더 계약서의 75%에 에이전트 사고에 대한 법적 책임 면책 조항이 신설됩니다.
- 자율 의사결정의 일상화와 보안 리스크: Gartner는 2028년까지 일상적 기업 의사결정의 15%가 사람 없이 자율 집행될 것으로 봅니다. 그러나 이에 수반하여 전체 기업 보안 침해 사고의 25%가 권한 격리에 실패한 방치형 AI 에이전트에서 유래할 것으로 경고합니다.
- 급진적 시나리오의 현실적 보정: 2027년 초인적 프로그래머의 등장을 예고했던 일부 미래 연구진도 물리적 인프라 지연과 데이터 한계를 반영하여 그 도달 시점을 2028년에서 2032년 사이로 늦춰 잡고 있습니다.
4. 시나리오 분석: 기술 진화의 3가지 경로
인공지능 모델 자체의 역량 향상 곡선은 꺾이지 않겠으나, 이를 뒷받침할 자본 수익률과 물리적 전력 공급, 안전성 검증에 따라 세 가지 경로로 분기될 수 있습니다.
| 구분 | 2027년 전개 | 2028년 전개 | 실현 가능성 |
|---|---|---|---|
| 기본 시나리오 (Base) | 에이전트가 수일 단위 복합 과제를 수행. 무분별한 파일럿의 대규모 정리. 전력·메모리 병목 지속. | AI 연구 상당 부분이 자동화. 엔터프라이즈 일상 의사결정 15% 자율화. 고위험군 규제 본격 적용. | 높음 |
| 가속 시나리오 (Bull) | 초인적 코딩 에이전트의 완성. 알고리즘 최적화를 통해 연구 속도 수 배 가속. | 자율 AI 연구자 전면 실현. 모델 능력의 폭발적 상승 및 각국 정부의 즉각적 비상 개입. | 중간 이하 |
| 조정 시나리오 (Bear) | ROI 증명 실패로 하이퍼스케일러 Capex 감속. AI 밸류체인 및 주식 시장의 가파른 가격 조정. | 소형화·효율화 모델 중심으로 재편. 소수 과점 플랫폼 중심으로 공급 구조 고착화. | 중간 |
5. 온프레미스 및 제조 AI 관점의 시사점
거대 빅테크의 클라우드 API를 그대로 소비하는 방식에서 벗어나, 데이터 보안과 연속성이 핵심인 제조·엔지니어링 현장에서는 다음과 같은 현실적 설계 원칙이 요구됩니다.
5-1. 온프레미스 LLM과 동적 라우팅 아키텍처
중국산 오픈웨이트 모델(DeepSeek, Kimi 등)은 가격 대비 성능 측면에서 매우 강력한 대안입니다. 그러나 글로벌 규제와 공급망 리스크(미국 정부의 중국산 오픈웨이트 배포 기업 조사 등)로 인해 공공·대기업 납품 시 법적 문제가 불거질 수 있습니다.
따라서 특정 오픈소스 가중치에 하드코딩되지 않고, 상황에 따라 로컬 오픈 모델과 글로벌 상용 API(Claude, GPT 등)를 즉각 교체할 수 있는 동적 모델 라우팅 계층을 두어야 안전합니다.
5-2. 비텍스트 정량 모델(LQM)과의 결합
제조 현장의 핵심 자산은 텍스트가 아니라 설비 진동, 용접 음향, 센서 시계열, 압력 수치입니다.
거대 언어 모델(LLM)을 모든 문제의 만능 해결사로 쓰려 하지 말고, LLM은 사용자의 지시를 해석하고 도구를 호출하는 상위 오케스트레이션 인터페이스로 국한해야 합니다. 실제 물리 법칙 계산과 시계열 이상 탐지는 Gartner가 제시한 대규모 정량 모델(LQM) 및 도메인 특화 알고리즘에 위임하는 하이브리드 파이프라인이 정답입니다.
5-3. 닫힌 루프 제어 하네스(Harness)와 안전 장치
에이전트가 코드를 직접 고치고 설비 매개변수를 조정할 수 있게 되는 순간, 가장 중요한 것은 실행 격리와 롤백 메커니즘입니다.
- claude-code-agent-teams-vs-subagents에서 다룬 바와 같이, 에이전트 간의 자율 통신을 무제한 허용하면 토큰 낭비와 환각 루프가 발생합니다.
- 메일박스 통신 횟수를 제한하고, 기계적 검증 스크립트(Deterministic Linter)를 사전에 통과하지 못한 산출물은 다음 단계로 넘어가지 못하게 막는 폐루프 제어 하네스를 설계해야 합니다.
- 시스템에는 비상 정지 킬 스위치(Kill-switch)와 결정 과정 전체를 추적하는 감사 로그(Audit trail)를 필수적으로 탑재해야 2027~2028년의 규제 요건을 충족할 수 있습니다.
6. 주목해야 할 핵심 모니터링 지표
앞으로 2년간 AI 기술 생태계의 향방을 가늠할 핵심 지표는 다음과 같습니다.
- 장기 과제 신뢰 시간 (METR Horizon): 에이전트가 인간 개입 없이 자율적으로 완수 가능한 작업 시간이 24시간을 돌파하는 시점.
- 독점 연구소의 매출 대비 영업손실 추이: OpenAI, Anthropic의 손익분기점(BEP) 도달 여부 및 연환산 매출 신장률.
- 4대 하이퍼스케일러의 분기별 Capex 가이던스: 인프라 투자 지속 여부와 설비 감축 시그널.
- 범용 DRAM 및 HBM 고정 계약 가격: 서버 및 온프레미스 인프라 구축 견적의 직접적 기준선.
- 오픈웨이트와 폐쇄형 상용 모델의 점수 격차: 자체 호스팅 기술의 실용적 임계점 도달 여부.
- EU AI Act 및 한국 AI 기본법의 계도 기간 종료 시점: 규제 유예가 끝나는 2027년 말의 법적 준수 비용 발생 여부.
함께 읽으면 좋은 글
- ai-trend-2021-2025-llm-to-agents: 2021년 스케일링 법칙부터 ChatGPT, RAG, 추론 모델(o1, R1), 코딩 에이전트 태동까지의 5개년 발전사.
- claude-code-agent-teams-vs-subagents: 장기 자율 에이전트의 내부 구조, 위임과 협업 모델, 컨텍스트 비용 분석.
- 컨텍스트 창과 토큰 비용: 에이전트 실행 시간 증가에 따른 토큰 경제학과 컨텍스트 부패 방어 전략.
- Claude Code 기본 구조: 하네스 설계와 권한 격리, 훅(Hook)을 통한 안전한 에이전트 실행 환경.
- ai-agent-memory-claude-mem-mem0-cognee: 에이전트가 며칠 단위의 작업을 이어받기 위한 장기 기억 계층 아키텍처.