OpenAI ‘AI 연구 인턴’ 등장: AI가 AI를 연구하는 시대는 어디까지 왔나

AI가 코드를 작성하는 단계는 이미 지났습니다. 이제 프런티어 AI 연구소 안에서는 여러 에이전트가 동시에 연구 코드를 만들고, 실험을 실행하고, 실패 원인을 추적합니다.

OpenAI는 2026년 9월 6일 공개한 보고서에서 ‘자동화된 AI 연구 인턴(automated research intern)’이라는 내부 목표에 도달했다고 밝혔습니다. 여기서 연구 인턴은 사람의 지시 아래 범위가 명확한 연구 과제를 수행하는 시스템을 뜻합니다. 일부 과제는 숙련된 연구자에게도 며칠이 걸릴 수 있는 수준이라고 설명합니다. OpenAI 공식 보고서

이 발표를 “AI가 알아서 다음 GPT를 만든다”로 받아들이면 지나친 해석입니다. 하지만 단순한 코딩 도구의 성과로 축소해도 핵심을 놓칩니다.

지금 벌어진 변화는 연구자의 판단을 대체하는 자동화가 아니라, 한 연구자가 동시에 운영할 수 있는 실험의 수를 늘리는 자동화에 가깝습니다.

숫자 세 개가 보여주는 연구실의 변화

OpenAI가 공개한 내부 지표 중 특히 눈에 띄는 숫자는 세 개입니다.

• 2026년 8월 중순 기준, 연구 조직은 사람의 하루 노동 1일당 에이전트 작업량 3.1일을 사용했습니다.
• 에이전트 사용량의 중간값에 해당하는 연구자는 API 가격 기준 하루 600달러 이상을 썼습니다.
• 상위 10% 연구자의 하루 사용량은 API 가격 기준 7,000달러를 넘었습니다.

이 수치는 에이전트가 사람보다 3.1배 뛰어나다는 의미가 아닙니다. 에이전트 런타임을 표준 8시간 작업일로 환산한 총량이며, 여러 작업이 병렬로 실행됩니다. 실패한 실행, 사람이 검토해야 하는 결과, 늘어난 컴퓨팅 자원도 포함될 수 있습니다.

그럼에도 중요한 신호는 분명합니다. AI 연구자의 업무 단위가 ‘직접 코드를 쓰는 시간’에서 여러 실험을 배치하고 감독하는 시간으로 이동하고 있습니다.

AI 연구 인턴은 실제로 무슨 일을 하나

AI 모델 연구는 좋은 아이디어 하나로 끝나지 않습니다. 아이디어를 코드로 옮기고, 평가 환경을 만들고, 실험을 실행하고, 결과를 분석한 뒤, 실패가 모델 때문인지 인프라 때문인지 구분해야 합니다.

OpenAI는 연구·개발 과정을 다음 여섯 단계로 분석했습니다.

1
2
3
4
5
6
7
8
9
10
11
무엇을 연구할지 결정
        ↓
아이디어와 실험 설계
        ↓
코드·데이터 구축
        ↓
학습·평가 실행
        ↓
결과 분석
        ↓
발견과 의사결정 공유

현재 에이전트가 강한 영역은 가운데에 몰려 있습니다. 연구 인프라 코드를 작성하고, 실험 오류를 해결하고, 모니터링 작업을 수행하는 일입니다. OpenAI에 따르면 사내 기술 지원 채널의 질문량도 감소했고, 일부 팀은 연구자를 위한 문제 해결 시간을 중단하고 다른 시스템 개선에 집중하게 됐습니다.

반면 무엇을 연구할지 정하는 고수준 기획은 에이전트 출력에서 여전히 작은 비중입니다. 연구 우선순위를 정하고, 어떤 결과를 믿을지 판단하고, 학습을 확대하거나 중단할지 결정하는 일은 사람이 맡고 있습니다.

그래서 ‘연구 인턴’이라는 표현이 중요합니다. 현재 시스템은 연구 책임자가 아니라, 잘 정의된 과제를 빠르게 처리하는 기술 연구원에 더 가깝습니다.

생산성이 오른 것과 연구가 빨라진 것은 같은 말일까

OpenAI는 2026년 8월의 연구자당 실험 수가 2025년 1월 측정을 시작한 이후 최고치를 기록했다고 밝혔습니다. 코드 기여 속도와 에이전트 사용량도 증가했습니다.

하지만 보고서 자체도 이 숫자를 연구 진척과 동일시하지 않습니다.

실험을 두 배 많이 실행해도 다음과 같은 병목은 남습니다.

자동화는 병목을 제거하기보다 이동시킬 때가 많습니다. 코드 작성이 빨라지면 GPU 대기 시간이 문제로 떠오르고, 실험 수가 늘면 결과를 비교할 평가 체계가 부족해집니다. 에이전트가 더 많은 가설을 만들면 어떤 가설에 비싼 학습 자원을 배정할지 결정하는 능력이 더 중요해집니다.

장기 과제에서 드러난 결정적인 한계

가장 현실적인 지표는 사람의 개입 횟수입니다.

OpenAI는 2026년 상반기 동안 성공한 4~8시간 길이의 과제 가운데 절반 이상이 한 번 이상의 사람 개입을 필요로 했다고 설명합니다. 과제가 복잡해질수록 상당한 조향이 필요했다는 것입니다.

예를 들어 에이전트가 실험 코드를 완성했다고 해도 사람은 중간에 다음과 같은 판단을 내려야 할 수 있습니다.

• 잘못된 데이터 분할을 발견하고 실험을 다시 시작한다.
• 평가 지표가 목표를 제대로 반영하지 않아 기준을 바꾼다.
• 비용이 예상보다 커져 탐색 범위를 줄인다.
• 흥미로운 결과가 실제 개선인지 구현 버그인지 확인한다.
• 안전 경계를 넘을 수 있는 실행을 중단한다.

이것은 실패라기보다 현재 에이전트의 역할을 보여줍니다. 자율성의 핵심은 사람이 전혀 개입하지 않는 것이 아닙니다. 사람이 모든 단계에 붙어 있지 않아도 되지만, 중요한 순간에는 정확히 개입할 수 있는가가 더 나은 기준입니다.

개발자가 배워야 할 것은 ‘연구 자동화’보다 감독 인터페이스다

OpenAI의 사례는 거대한 모델 연구소에만 해당하지 않습니다. 코딩 에이전트, 데이터 분석 에이전트, 고객지원 자동화를 만드는 팀에도 같은 구조가 나타납니다.

좋은 에이전트 시스템은 모델에게 긴 프롬프트를 주고 기다리는 형태가 아닙니다. 작업을 관찰 가능한 단위로 나누고, 사람이 개입할 지점을 제품에 포함해야 합니다.

1
2
3
4
5
6
7
8
9
10
11
사람이 목표와 성공 조건 설정
          ↓
에이전트가 작업 계획과 실험 후보 생성
          ↓
격리된 환경에서 병렬 실행
          ↓
자동 평가 + 이상 신호 탐지
          ↓
사람이 결과·비용·위험을 비교
          ↓
확대 실행 / 수정 / 중단

여기서 개발자가 구현해야 할 핵심은 네 가지입니다.

첫째, 중간 결과가 보여야 합니다. 최종 답변만 저장하면 잘못된 가정이 어느 단계에서 들어왔는지 알 수 없습니다.

둘째, 실행 비용과 시간에 한도가 있어야 합니다. 에이전트가 더 열심히 시도하는 것과 무한 반복은 구분돼야 합니다.

셋째, 사람의 수정이 작업 전체를 초기화하지 않아야 합니다. 완료된 단계와 무효가 된 단계를 구분해 이어서 실행할 수 있어야 합니다.

넷째, 모델의 자기평가와 외부 검증을 분리해야 합니다. 에이전트가 “성공했다”고 말하는 것보다 테스트 결과, 평가 점수, 변경 이력 같은 외부 증거를 우선해야 합니다.

AI가 AI를 개선하는 순환, 왜 안전 문제가 더 커지나

AI가 연구 코드를 작성하고 실험을 늘리면 다음 모델의 개발 속도도 빨라질 수 있습니다. 다시 강해진 모델은 더 복잡한 연구 과제를 자동화합니다. 흔히 재귀적 자기개선(RSI)이라고 부르는 순환의 초기 형태입니다.

OpenAI는 2028년 3월까지 사람의 감독 아래 더 폭넓은 연구를 수행하는 ‘자동화된 AI 연구자’를 만드는 것을 목표로 제시했습니다. 동시에 완전한 자기개선을 안전하게 달성하는 방법은 아직 모른다고 명시했습니다.

실제 사례도 이 긴장을 보여줍니다. OpenAI는 연구 인프라 침해 사고 이후 최신 배포 후보 모델의 강화학습을 약 2주간 중단하고 환경을 강화했습니다. GPT‑6 Astra에서 높은 사이버 역량의 예비 신호가 확인된 뒤에는 더 높은 보안 환경을 요구했고, 다음 주 Astra 계열 GPU 할당이 59.2% 감소했습니다.

흥미로운 점은 다른 모델의 GPU 사용이 늘어 전체 연구량 감소의 상당 부분을 상쇄했다는 것입니다. 한 경로를 제한해도 연구 조직은 남은 컴퓨팅 자원을 다른 실험으로 이동시킵니다. 따라서 AI 연구 안전은 모델 하나를 멈추는 문제만이 아니라 연구 자원 전체가 어디로 재배치되는지 추적하는 운영 문제가 됩니다.

지금 이 발표를 어떻게 읽어야 하나

이번 발표는 세 문장으로 정리할 수 있습니다.

1. AI 에이전트는 이미 프런티어 연구소에서 보조 도구가 아니라 상당한 작업량을 담당하고 있습니다.
2. 그러나 연구 방향 설정과 장기 과제의 중요 판단에는 여전히 사람의 개입이 필요합니다.
3. 앞으로의 경쟁력은 더 강한 모델뿐 아니라 여러 에이전트를 안전하게 배치·관찰·중단하는 연구 운영체계에서 나올 가능성이 큽니다.

‘AI 연구 인턴’은 인간 연구자의 종말을 알리는 직함이 아닙니다. 연구자가 직접 수행하던 반복 작업을 여러 비동기 실행으로 바꾸는 새로운 인터페이스에 가깝습니다.

결국 가장 희소해지는 능력은 코드를 빠르게 작성하는 기술이 아닐 수 있습니다. 좋은 문제를 고르고, 믿을 만한 평가를 설계하고, 수많은 실험 가운데 다음 단계로 가져갈 한 가지를 판단하는 능력입니다.

AI가 실험을 더 많이 할수록, 인간은 무엇을 실험할 가치가 있는지 더 선명하게 설명해야 합니다.

출처

• OpenAI: Research acceleration — The view inside OpenAI
• OpenAI: GPT-6 Astra — A new generation of intelligence
• OpenAI: The Hugging Face incident and the road ahead