에이전틱(agentic) AI를 활용한 과학 계산이 구호를 넘어 실전 단계로 들어섰다. **오픈AI(OpenAI)**가 화요일 공개한 필드 리포트에서 연구진이 AI 코딩 에이전트를 통해 수개월에서 수년이 걸리던 과학 소프트웨어 개발·개편 작업을 수일 내로 끝낸 사례가 구체적으로 제시됐다.
이번 보고서는 실제 유전체(genomics)와 계산생물학 현장에서의 배치를 문서화했다. 과거에는 약 18개월을 잡았던 작업이 실제로는 약 일주일 만에 완료된 것으로 나타났다.
오픈AI는 이를 ‘언젠가’가 아닌 ‘이미’ 진행 중인 변화로 규정하며, 에이전틱 AI가 과학적 발견의 방식 자체를 재편하고 있다는 현장 증거로 제시했다.
에이전틱 AI 과학 계산: 오픈AI 리포트의 핵심 내용
보고서의 초점은 에이전틱 AI를 이용한 과학 계산에 맞춰져 있다. 특히 유전체 분석 파이프라인을 다루는 과학자들이 AI 코딩 에이전트를 활용해 수십 년 된 레거시 과학 소프트웨어를, 2년 전만 해도 상상하기 어려운 속도로 현대화한 사례가 상세히 소개됐다.
한 사례에서 연구팀은 약 18개월의 엔지니어링 리소스를 예상했던 대규모 소프트웨어 현대화 프로젝트를 AI 코딩 에이전트 도입 후 약 1주일 만에 마무리했다.
이른바 ‘90% 압축’은 단순히 코드를 빨리 치는 수준의 생산성 향상이 아니다.
작업 방식의 패러다임이 달라진 결과다. 에이전트는 몇 줄을 자동완성하는 데 그치지 않았다.
기존 코드베이스를 스스로 읽고, 노후화된 부분을 식별한 뒤, 재작성 방안을 제안하고, 결과를 테스트하고, 필요할 때마다 반복 개선했다. 이 과정 전반에서 사람의 개입은 최소화됐고, 과학자는 일일히 지시하기보다 목표와 제약만 제시했다.
이것이 전통적인 코딩 어시스턴트와 AI 에이전트를 가르는 핵심 차이다.
코파일럿은 다음 줄 코드를 제안하는 도구에 가깝다. 반면 에이전트는 여러 단계를 포함한 작업 계획을 세우고, 세션 전체에 걸쳐 실행하며, 결과를 자가 모니터링한 뒤 기대 범위를 벗어나면 스스로 수정하는 시스템이다.
이번 오픈AI 리포트는 이런 방식이 실제 연구기관 현장에서 어떻게 작동하는지를 비교적 투명하게 보여주는 드문 공개 사례다.
유전체가 AI 코딩 에이전트의 ‘시험무대’가 된 이유
유전체 분야가 에이전틱 AI의 테스트베드가 된 것은 구조적인 이유가 크다. 이 분야는 수십 년 전 작성된 레거시 소프트웨어에 깊이 의존하고 있다. 상당수는 포트란(Fortran), C 같은 언어로 작성됐고, 유지보수성보다는 정확성을 우선시한 과학자들이 만들었다.
그 결과 ‘기술 부채’는 쌓여만 왔다. 유전체 분석 파이프라인을 현대화하려면 생물학적 맥락과 복잡한 소프트웨어 아키텍처를 동시에 이해하는 엔지니어가 필요하다.
이런 인력 조합은 희소하고, 비용도 높다.
AI 코딩 에이전트는 이 희소성 문제를 우회한다. 여러 프로그래밍 언어로 된 문서를 읽고, 오래된 코드에 박혀 있는 과학적 주석을 해석하며, 수년의 도메인 경험 없이도 현대적 코드로 재구성할 수 있다.
병목은 ‘적합한 엔지니어를 찾는 것’에서 ‘적절한 목표와 제약을 정의하는 것’으로 옮겨간다. 후자는 훨씬 해결하기 쉬운 문제다.
참고 읽기: 프랑스에서만 대부분… 6개월 새 52건 발생한 ‘크립토 렌치’ 공격
오픈AI 리포트는 소프트웨어 현대화를 넘어 ‘발견 속도’ 자체의 가속화도 다룬다.
더 빠른 코드, 더 깔끔한 파이프라인, 더 큰 데이터셋을 다루는 에이전트는 결과 산출 속도를 끌어올린다. 유전체 분야에서 속도 향상은 곧 유전 변이의 조기 식별, 신약 타깃 검증의 가속, 가설에서 실험 검증까지 걸리는 타임라인 단축으로 이어진다.
속도의 이점은 누적(compounding) 효과를 낸다.
가속과 신중함 사이: 샘 알트먼의 경고는 어디에 놓이는가
이번 필드 리포트가 나온 날, 오픈AI의 샘 알트먼 CEO는 테크크런치(TechCrunch) 인터뷰에서 “세계가 준비될 수 있도록 AI 개발 속도를 조절해야 할 수도 있다”고 밝혔다. 같은 회사가 18개월짜리 과학 프로젝트를 일주일로 줄였다며 능력을 과시하는 동시에, 세상이 아직 준비되지 않았을 수 있다고 말하는 것은 겉으로는 모순처럼 보인다.
그러나 두 발언은 동일한 상황을 서로 다른 각도에서 설명하는 것이다.
필드 리포트는 ‘무엇이 가능한가’라는 능력을 보여준다. 알트먼의 발언은 그 능력이 가져올 ‘파장’을 인정하는 것이다.
둘 다 사실이다. 다만 이 리포트도, 알트먼의 인터뷰도 한 가지 질문에 대해서는 답을 내리지 않는다. 속도를 조절하는 실질적인 권한이 연구소, 규제 당국, 아니면 이미 살아 있는 유전체 파이프라인에서 이 에이전트를 돌리고 있는 현장 연구자 누구에게 있는가 하는 점이다.
연구 ‘호기심’에서 과학 ‘인프라’로
보다 큰 흐름으로 보면, AI 코딩 에이전트는 과학 계산 영역에서 더 이상 파일럿 테스트의 대상이 아니라 실제 배치되는 인프라로 자리 잡아가고 있다.
오픈AI 문건이 ‘논문’이 아니라 ‘필드 리포트’라는 점은 중요하다.
논문은 통제된 환경에서 어떤 것이 가능한지를 보여준다. 필드 리포트는 실제 과학자가 실제 도구를 실제 문제에 사용했을 때 어떤 결과가 나왔는지를 기록한다.
과학 계산은 전통적으로 소비자용 소프트웨어보다 새로운 도구의 도입이 느린 편이었다.
그러나 오픈AI 리포트에 기록된 ‘18개월 → 1주일’ 수준의 압축은 이 격차가 많은 기관의 예상보다 훨씬 더 빠르게 좁혀지고 있음을 시사한다. 아직 자사 레거시 코드베이스를 에이전트 기반 현대화 대상으로 평가하지 않은 연구실·대학은 이미 이를 진행 중인 동료 기관 대비 정량적으로 뒤처지기 시작했다는 의미이기도 하다.
유전체 사례는 생물학만의 특수 사례도 아니다.
계산화학, 기후 모델링, 천체물리학, 재료과학 등 수많은 분야가 비슷한 연식의 코드베이스와 마찬가지로 희귀한 유지보수 인력에 의존한다. 유전체를 ‘선발주자’로 만든 구조적 요인은 컴퓨팅 집약적 모든 과학 분야에 거의 그대로 적용된다.
오픈AI가 한 분야에서 문서화한 내용은 다른 여러 분야에서도 충분히 재현 가능한 청사진에 가깝다.