출처
- source_url: https://news.hada.io/topic?id=30061
- author: neo (GeekNews, 원문 tomtunguz.com)
- published: 2026-06-01
- raw: raw source:
web-2026-07-07-software-after-ai-harness-era
요약
고정된 워크플로우와 관리형 DB로 작동하던 SaaS 시대가 저물고, AI를 지능으로 대체하는 harness(하네스) 시대가 시작됐다는 주장이다. AI를 강력하지만 길들여지지 않은 야생마에 비유하며, 그 힘을 쓰려면 LLM을 중심에 두고 주변에 방사형으로 배치하는 **체계적 통제(domestication)**가 필요하다고 본다.
AI 에이전트 하네스의 7가지 구성요소:
- Context & Memory: 범용 모델도 도메인별 맞춤 검색(bespoke retrieval)이 필요 — 단기 메모리, 대규모 이미지 검색, 문서 키워드 검색이 케이스마다 다르다. 옆에는 비즈니스가 실제로 어떻게 운영되는지 담은 “레시피북” 역할의 컨텍스트 데이터베이스가 있다.
- Tools & Action: 에이전트가 외부 세계에 영향을 미치는 수단. 현대 하네스는 레지스트리로 도구를 노출하고 인자 검증·호출 디스패치·승인 게이트·결과 파싱을 처리한다. mcp가 도구 연결의 결합 조직(connective tissue)으로 부상.
- Orchestration & Loop: 사고→행동→관찰→반복의 에이전트 루프. 계획 수립·작업 분해·서브 에이전트·재시도·중단 조건이 핵심이며, 실행마다 학습하는 클로즈드 루프 패턴이 벤더 간 차별화 요소.
- State & Persistence: 10단계 작업 중 7단계에서 크래시해도 처음이 아닌 8단계부터 재개돼야 한다 — 파일 시스템·체크포인트·세션 스레드·아티팩트 저장소가 이를 보장.
- Sandbox & Compute: 격리된 워크스페이스, 통제된 네트워크 송신, 모델 외부에 보관되는 자격 증명으로 보안·기밀성·속도를 확보.
- Observability & Governance: “볼 수 없는 것은 신뢰할 수 없다” — 모든 단계 추적, 도구 호출 로깅, 회귀 테스트로서의 evals, 고위험 결정의 human-in-the-loop.
- Cost & Workflow Optimization: 결정론적/비결정론적 처리 영역 구분, 단계별 적합 모델 선택, 지식을 스킬에 둘지 메모리에 둘지 판단하는 아키텍처적 판단력.
새로운 경쟁 구도: 모두가 같은 모델에 접근 가능한 시대엔 모델 자체가 아니라 **하네스를 더 잘 설계·운용하는 쪽(“best rider”)**이 승리한다. 메이저 랩이 우선시하는 시장은 빠른 실행력에서 이익을 얻지만, 그들이 우선하지 않는 수천 개의 분리된 시장이 스타트업의 기회로 남는다.
댓글 스레드에서는 흥미로운 반론이 오간다 — 모델 성능이 오를수록(Opus 4.8, GPT-5.5) 예전 하네스 설정(특히 오케스트레이션 부분)이 오히려 성능을 제약한다는 의견과, 수십만 줄 규모의 오래된 코드베이스에서는 하네스의 진짜 가치가 오케스트레이션이 아니라 모델이 대체 못 하는 지식그래프·도메인 컨벤션·검증 불변식 층에 있다는 절충적 의견이 맞선다.
관련 위키
원문 보존 위치
원문 전체는 raw source: web-2026-07-07-software-after-ai-harness-era에 source_url과 함께 저장되어 있다.