구글 ‘하네스²’ 공개, AI는 스스로 더 똑똑해질 수 있을까?
구글이 AI 모델을 재학습하지 않고도 실행 환경을 개선해 성능을 높이는 오픈소스 프레임워크 ‘하네스 ²(Harness²)’를 공개했습니다. AI 자기 개선 기술의 원리와 실제 성능 평가, 미래 산업에 미칠 영향 및 해결해야 할 과제를 살펴봅니다.
인공지능은 지금도 빠르게 발전하고 있습니다. 새로운 모델이 등장할 때마다 더 정확한 답변을 제공하고, 복잡한 문제를 해결하며, 사람의 업무를 대신하는 능력도 넓어지고 있습니다.
그런데 여기서 한 가지 흥미로운 질문이 생깁니다.
인공지능은 새로운 모델로 교체되거나 다시 학습하지 않고도 스스로 성능을 높일 수 있을까요?
2026년 10월 20일, AI타임스는 구글이 AI 에이전트의 작업 방식을 스스로 개선하도록 돕는 프레임워크 ‘하네스 ²(Harness²)’를 공개했다는 소식을 전했습니다.
이 기술의 핵심은 AI 모델 자체를 다시 학습시키는 대신, 모델이 작업을 수행하는 데 필요한 지시문과 도구 활용법, 메모리, 작업 절차 등을 개선하는 데 있습니다.
단순히 더 강력한 AI를 만드는 것을 넘어, 이미 존재하는 AI가 주어진 환경에서 더 나은 결과를 내도록 돕는 새로운 접근법이라는 점에서 주목할 만합니다.
앞으로 이러한 기술은 인공지능의 발전 방향을 어떻게 바꾸게 될까요?
1) 하네스 ²란 무엇일까?
하네스 ² 를 이해하려면 먼저 ‘하네스(Harness)’라는 용어부터 알아볼 필요가 있습니다.
인공지능 모델이 뛰어난 능력을 갖추고 있더라도 실제 업무를 수행하려면 여러 가지 지원 체계가 필요합니다. 어떤 순서로 일을 처리할지 알려주는 지시문, 필요한 정보를 저장하는 메모리, 외부 도구를 사용하는 방법, 작업을 분담하는 하위 에이전트 등이 여기에 포함됩니다.
이처럼 AI 모델이 실제로 작업을 수행할 수 있도록 둘러싼 실행 환경을 하네스라고 부릅니다.
예를 들어 AI에게 자료를 조사하고 보고서를 작성하라는 업무를 맡겼다고 생각해 보겠습니다.
AI가 조사 순서를 제대로 정하지 못하거나, 필요한 도구를 적절하게 사용하지 못하거나, 앞서 확인한 정보를 놓친다면 결과물의 품질이 떨어질 수 있습니다.
이때 모델 자체를 교체하지 않고도 조사 순서를 개선하고, 도구 사용 지침을 보완하며, 작업 과정에서 얻은 교훈을 활용하도록 만들면 결과가 달라질 수 있습니다.
구글이 공개한 하네스 ²는 바로 이러한 실행 환경을 체계적으로 개선하기 위한 오픈소스 프레임워크입니다.
AI의 능력을 결정하는 요소가 모델 자체에만 있는 것이 아니라, 모델을 어떻게 구성하고 활용하느냐에도 있다는 점을 보여줍니다.
2) AI는 어떤 방식으로 스스로 개선할까?
하네스 ²의 핵심은 AI가 작업을 수행한 뒤 그 과정에서 나타난 차이를 비교하고, 더 나은 결과를 만드는 실행 방식을 찾아가는 데 있습니다.
이 과정은 크게 두 단계로 이해할 수 있습니다.
첫 번째는 현재 수행 중인 작업의 실행 환경을 개선하는 것입니다.
AI가 기본 설정으로 작업을 수행하면 개선 시스템은 서로 다른 수정안을 제안합니다. 하나는 작업 계획이나 도구 사용처럼 여러 업무에 공통으로 적용할 수 있는 부분을 개선하고, 다른 하나는 특정 분야의 지식이나 작업 절차를 개선하는 데 초점을 맞춥니다.
그런 다음 수정안을 적용한 실행 결과를 비교해 어떤 변경이 더 나은 결과로 이어졌는지 살펴봅니다.
이때 중요한 점은 모든 문제에 정답을 알려주는 별도의 검증기가 없어도 실행 과정에서 관찰된 차이를 활용해 개선 방향을 찾도록 설계했다는 것입니다.
두 번째는 한 작업에서 얻은 교훈을 다음 작업의 개선에 활용하는 것입니다.
특정 도구를 사용하는 방법이나 업무 순서를 바꿨을 때 좋은 결과가 나왔다면, 그 경험을 지속적인 개선 자료에 기록해 이후 작업에서 참고할 수 있습니다.
다만 이전에 수정한 설정을 모든 작업에 무조건 적용하는 방식은 아닙니다. 새로운 작업은 기본 실행 환경에서 출발하고, 축적된 경험을 참고해 필요한 개선을 다시 시도합니다.
이렇게 하면 특정 업무에만 적합했던 방법이 다른 업무에서는 오히려 문제를 일으키는 위험을 줄일 수 있습니다.
여기서 한 가지 구분할 필요가 있습니다.
하네스 ² 말하는 자기 개선은 AI 모델의 내부 가중치를 직접 바꾸어 다시 학습시키는 것과 다릅니다. 모델을 둘러싼 실행 환경을 개선해 같은 모델이 더 효과적으로 일하도록 만드는 방식입니다.
이 차이를 이해하면 이번 기술의 의미를 보다 정확하게 파악할 수 있습니다.
3) 실제 성능도 향상됐을까?
새로운 기술이 등장하면 가장 먼저 확인해야 할 것은 실제로 효과가 있었는지입니다.
AI타임스 보도와 구글 연구진의 공개 자료에 따르면, 하네스 ²는 전문 업무를 평가하는 세 가지 벤치마크에서 성능을 검증했습니다.
평가에는 업무 수행 능력을 측정하는 워크버디 벤치(WorkBuddy-Bench), 직무 관련 작업을 평가하는 잡벤치(JobBench), 법률 업무를 평가하는 LAB 등이 사용됐습니다.
연구진은 GLM-5와 제미나이 3.5 플래시를 기반으로 여러 실행 환경을 조합해 실험했습니다.
그 결과, 한 차례의 실행 환경 개선만으로도 시험한 네 가지 모델·하네스 조합 모두에서 세 가지 벤치마크의 성능이 향상됐습니다.
특히 눈에 띄는 결과는 다음과 같습니다.
* 워크버디 벤치: GLM-5와 오픈코드를 조합한 환경에서 64.2점에서 75.7점으로 11.5점 상승했습니다.
* 잡벤치: 평가 구성에 따라 최대 4.5점 향상됐습니다.
* 법률 업무 평가 LAB: 일부 평가 항목의 통과율이 최대 11.8%11.8% 포인트 높아졌습니다.
물론 모든 조합에서 같은 수준의 개선이 나타난 것은 아닙니다. 일부 평가에서는 상승 폭이 비교적 작았습니다.
따라서 이 결과를 모든 인공지능의 성능이 자동으로 크게 향상된다는 뜻으로 해석해서는 안 됩니다.
다만 모델을 재학습하는 대신 실행 환경을 개선하는 것만으로도 특정 전문 업무의 성능을 높일 수 있다는 점은 의미 있는 결과입니다.
4) 앞으로 AI 기술은 어떻게 발전할까?
하네스 ²가 보여주는 방향은 앞으로 인공지능이 발전하는 방식에도 영향을 줄 수 있습니다.
첫째, AI를 활용하는 방법이 더욱 중요해질 수 있습니다.
지금까지 AI 기술 경쟁은 더 큰 모델을 개발하고, 더 많은 데이터를 학습시키며, 추론 능력을 높이는 데 집중되는 경우가 많았습니다.
그러나 실제 업무에서는 모델의 성능뿐 아니라 업무를 어떻게 나누고, 어떤 도구를 사용하며, 결과를 어떻게 확인하는지도 중요합니다.
앞으로는 뛰어난 모델을 확보하는 것과 함께 그 모델을 업무에 맞게 구성하고 개선하는 기술이 중요한 경쟁력이 될 수 있습니다.
둘째, 전문 업무를 수행하는 AI 에이전트의 활용 범위가 넓어질 가능성이 있습니다.
예를 들어 기업의 자료 조사, 문서 작성, 소프트웨어 개발, 업무 관리 등은 여러 단계를 거쳐야 하는 복합적인 작업입니다.
AI가 작업 과정에서 얻은 경험을 활용해 실행 절차를 개선할 수 있다면, 반복적인 업무를 더욱 효율적으로 처리하는 데 도움이 될 수 있습니다.
셋째, AI 도입 비용을 줄일 수 있는 가능성도 있습니다.
모델을 다시 학습시키는 작업에는 상당한 시간과 비용이 들어갈 수 있습니다. 실행 환경을 개선하는 방식은 이러한 부담을 줄일 수 있는 대안 중 하나입니다.
물론 실제 비용 절감 효과는 사용하는 모델과 작업의 종류, 개선에 필요한 연산량 등에 따라 달라집니다.
하네스 ²가 모든 AI 업무를 자동화하거나 비용을 반드시 줄여준다고 단정할 수는 없습니다. 하지만 기존 모델을 더 효과적으로 활용하는 방법을 탐색한다는 점에서 산업 현장의 관심을 받을 만한 기술입니다.
5) AI가 스스로 개선한다면 무엇을 주의해야 할까?
AI가 자신의 작업 방식을 개선한다는 개념은 매력적입니다. 그러나 기술의 가능성만큼이나 주의해야 할 부분도 있습니다.
우선 실행 결과가 좋아졌다고 해서 그 결과가 반드시 정확하거나 안전하다는 뜻은 아닙니다.
AI가 어떤 방식으로 업무를 처리했을 때 더 좋은 평가를 받았더라도, 그 방식이 모든 상황에서 적절하다고 볼 수는 없습니다.
특히 금융, 법률, 의료, 공공 행정처럼 잘못된 판단이 사람에게 큰 영향을 미치는 분야에서는 결과에 대한 별도의 검증과 책임 체계가 필요합니다.
또한 AI가 과거의 경험을 활용하는 과정에서 특정한 상황에 지나치게 적응할 가능성도 고려해야 합니다.
한 업무에서는 효과적이었던 지침이 다른 업무에서는 적절하지 않을 수 있기 때문입니다. 따라서 다양한 상황에서 결과를 확인하고, 개선된 설정이 예상하지 못한 문제를 일으키지 않는지 점검해야 합니다.
보안과 권한 관리도 중요합니다.
AI가 도구와 스크립트 등을 활용하는 환경에서는 어떤 작업을 허용할 것인지, 어떤 정보에 접근할 수 있는지, 변경 사항을 누가 승인할 것인지 명확하게 정해야 합니다.
결국 AI의 자기 개선 기술이 발전할수록 사람의 역할이 사라진 다기보다는 달라질 가능성이 있습니다.
사람은 모든 작업을 직접 수행하는 역할에서 벗어나 AI가 올바른 목표를 추구하는지 확인하고, 결과를 검증하며, 위험을 통제하는 역할을 더 많이 맡게 될 수 있습니다.
AI가 스스로 개선할 수 있다는 것과 사람의 감독 없이 모든 일을 맡겨도 된다는 것은 전혀 다른 이야기입니다.
이 점은 앞으로 AI 기술을 바라볼 때 반드시 기억해야 할 부분입니다.
6) 하네스 ²가 열어갈 미래, AI 경쟁의 새로운 기준
하네스 ²의 등장은 인공지능 기술 경쟁이 단순히 모델의 크기나 성능을 높이는 방향에만 머물지 않을 수 있음을 보여줍니다.
앞으로는 이미 개발된 AI를 얼마나 효율적으로 활용하는지, 작업 과정에서 얻은 경험을 어떻게 축적하는지, 새로운 업무에 얼마나 유연하게 대응하는지도 중요한 평가 기준이 될 수 있습니다.
기업 입장에서는 기존에 도입한 AI를 더 효과적으로 활용할 기회를 얻을 수 있습니다. 개발자에게는 모델의 한계를 실행 환경의 개선으로 보완하는 새로운 선택지가 생길 수 있습니다.
일반 사용자에게도 변화가 이어질 가능성이 있습니다. AI가 단순히 질문에 답하는 수준을 넘어 여러 단계를 계획하고, 도구를 활용하고, 결과를 확인하는 업무형 비서로 발전할 수 있기 때문입니다.
다만 하네스 ²는 이러한 변화의 가능성을 보여주는 기술이지, 모든 AI가 곧바로 사람처럼 학습하고 판단하게 된다는 의미는 아닙니다.
실제 활용 범위와 효과는 앞으로 더 많은 실험과 검증을 통해 확인해야 합니다.
한글 이미지 설명(alt): 사람과 협력하며 업무 절차를 개선하고 다양한 전문 작업을 수행하는 미래의 AI 에이전트
마무리글:
인공지능의 발전을 이야기할 때 우리는 흔히 더 똑똑한 모델, 더 빠른 처리 속도, 더 많은 정보를 떠올립니다.
하지만 이번 구글의 하네스 ²공개 소식은 또 다른 가능성을 생각하게 합니다. AI의 발전은 새로운 모델을 만드는 것뿐 아니라, 이미 존재하는 모델이 자신의 일을 더 잘하도록 돕는 과정에서도 이루어질 수 있다는 점입니다.
앞으로 인공지능은 단순히 사람이 내린 지시를 수행하는 도구에서 벗어나, 작업 경험을 바탕으로 실행 방식을 개선하고 복잡한 업무를 처리하는 방향으로 발전할 가능성이 있습니다.
물론 그 과정에서 정확성과 안전성을 확보하고, AI가 내놓은 결과를 검증하는 일은 여전히 중요합니다.
기술이 발전할수록 우리가 해야 할 일은 AI의 능력을 무조건 믿는 것이 아니라, 그 가능성을 이해하고 올바르게 활용하는 것일 것입니다.
AI가 얼마나 똑똑 해지는가를 넘어, AI가 어떻게 더 나은 결과를 만들어 가는가.
하네스 ²는 이 질문을 다시 생각하게 하는 흥미로운 기술적 시도입니다. 앞으로 이러한 자기 개선 기술이 연구 현장을 넘어 실제 산업과 우리의 일상에 어떤 변화를 가져올지 지켜볼 필요가 있겠습니다.
참고 자료
1. AI타임스 - 구글, AI 성능 스스로 높이는 자기 개선 프레임워크 ‘하네스 ²’공개
2. 구글 리서치 GitHub - Harness² 공식 공개 저장소
3. arXiv - Harness² : Recursive Agent Harnessing for an Open World3. arXiv - Harness² : 오픈 월드를 위한 재귀 에이전트 활용