WF2026: Autoresearch & Keynotes ft. Anthropic, Google DeepMind, Amazon AGI, Sonar, Arena, Recursive

한 줄 핵심

이 영상은 Fable, 코드 검증, 평가, 검색, 메모리, 연구 자동화까지 아우르며, AI 에이전트의 성능을 높이려면 모델 자체보다 컨텍스트·하네스·검증·루프 설계를 함께 바꿔야 한다는 점을 강조한다.

시간별 요약

1. 4:12
   행사 오프닝은 AI Engineer Worlds Fair의 규모와 분위기를 보여주며 시작한다. 7,000명 규모의 참석자와 18개 트랙, 100개가 넘는 파트너 전시를 강조하면서, 이번 행사의 핵심 가치가 실전 적용과 최신 사례 공유에 있음을 부각한다.
2. 16:00
   Anthropic의 Tariq Shihipar는 Fable 같은 신형 모델을 다루는 방법으로 ‘unhobbling’과 ‘unknowns 찾기’를 제시한다. 모델은 더 똑똑해지지만 진짜 성능은 하네스, 프롬프트, 도구 사용 방식에 의해 열리므로, blind spot pass와 인터뷰, 참조 코드, 구현 노트가 중요하다고 정리한다.
3. 19:01
   Fable 시대에는 모델이 스스로 탐색할 수 있는 범위가 넓어져서, 사용자는 더 이상 대충 지시만 해서는 안 된다. 모르는 것을 명확히 파악하고, 질문을 유도하며, 결과를 기록해 다시 검증하는 방식이 필요하다는 메시지가 반복된다.
4. 24:02
   개발 경험은 Fable로 크게 빨라졌지만, 동시에 손코딩의 감각이 줄어드는 상실감도 생긴다고 말한다. 그럼에도 더 이상 예전 방식으로 돌아갈 수 없으며, 핵심은 더 큰 야심을 갖고 더 많은 가치를 더 짧은 시간에 만드는 쪽으로 전환하는 데 있다고 본다.
5. 36:04
   Sonar는 AI가 실제 업무에서 가치를 내기 위해서는 생성된 결과가 맞는지 검증하는 체계가 필수라고 주장한다. 벤치마크 성능이 높아도 운영 환경에서는 오류, 보안 문제, 유지보수 문제, 복잡도 증가가 따라오므로, 검증을 개발 프로세스 안에 내장해야 한다는 점을 강조한다.
6. 44:00
   AC/DC라는 agent-centric development cycle을 통해 guide, verify, solve를 하나의 시스템으로 묶는 구성을 제안한다. 컨텍스트와 제약 조건을 함께 제공하고, 다층적·제로트러스트 검증을 적용하며, 코드 유지보수까지 루프에 포함해야 생산성이 장기적으로 유지된다고 설명한다.
7. 54:10
   Amazon AGI는 컴퓨터 사용 에이전트의 다음 단계로 ‘perception agent’를 제시한다. 단순히 클릭하고 타이핑하는 수준을 넘어, 렌더링된 화면을 읽고 변화와 실패를 즉시 확인하며, 사람이 보듯 같은 맥락을 공유하는 것이 신뢰성의 핵심이라고 본다.
8. 1:07:00
   화면에서 직접 요소를 지정하는 annotation과, design spec을 기준으로 자기 검증을 수행하는 harness를 오픈소스로 공개했다. 사용자 지시를 텍스트로 장황하게 쓰기보다 화면에서 가리키고, 에이전트가 스스로 확인하게 만드는 흐름이 더 정확하고 효율적이라는 점이 드러난다.
9. 1:16:10
   Google DeepMind는 코드 생성의 병목이 ‘코드를 쓰는 것’에서 ‘무엇을 만들어야 하는지 정하는 것’으로 옮겨갔다고 본다. 인간은 아키텍처와 의도, 복잡한 문제 분해에 집중하고, 모델은 superhuman syntax generation과 self-play를 통해 더 긴 시간축의 코딩을 다루게 된다고 설명한다.
10. 1:24:01
    코드가 무료에 가까워지면서 경제성은 바뀌지만, 보안과 설계 적합성, 평가 방식은 더 중요해진다. 기존 벤치마크는 실행 결과만 보지만, 실제로는 복잡한 코드베이스에서 안전하고 유지 가능한 구조를 만들 수 있는지가 핵심이라고 정리한다.
11. 1:37:12
    Arise는 eval의 미래를 ‘agent as a judge’로 확장한다. 고정된 LLM-as-a-judge나 전통적인 규칙 기반 평가만으로는 장기 실행 에이전트의 복잡한 실패를 잡기 어렵기 때문에, 실제 trace를 읽고 패턴을 찾는 장기 실행 에이전트를 평가 도구로 활용해야 한다고 제안한다.
12. 1:43:08
    OpenGV 사례는 실제 제품 안에 AI 어시스턴트를 붙이고, effect 기반의 자체 agent loop와 A2A 프로토콜, human-in-the-loop 승인, sandbox 실행을 결합해 운영하는 방식을 보여준다. 평가와 피드백, 안전장치, 구조화된 런타임이 실제 서비스 품질을 좌우한다는 점이 강조된다.
13. 1:48:01
    Resonate는 prompt가 곧 플랫폼이 되는 시대를 전제로, 구현보다 specification의 가치를 더 크게 본다. 에이전트는 바로 생산 코드를 만들기보다 시뮬레이션 구현을 먼저 만들고, 그 결과를 바탕으로 구체 명세와 최종 구현으로 내려오는 방식이 더 안정적이라고 말한다.
14. 1:56:01
    Recursive는 연구 자동화를 ‘Eureka machine’으로 정의하고, 과학적 발견을 자동화하는 시스템의 필요성을 설명한다. 지식, 측정 데이터, 시뮬레이션, 실험실이라는 4개 축 위에 에이전트 스웜을 얹어, 다양한 과학 분야의 발견 과정을 기계화하는 방향을 제시한다.
15. 2:16:04
    Meta는 production eval을 모델 벤치마크가 아니라 시스템 행동 평가로 재정의한다. 실제 운영에서는 계획, 도구 호출, 복구, 멀티에이전트 조정이 중요하므로, 시나리오 기반 평가와 production telemetry, 인간 리뷰를 함께 써야 한다고 강조한다.
16. 2:21:00
    Elastic 쪽 발표는 test time compute를 검색에 적용하는 관점으로 전개된다. 고정된 임베더라도 여러 번의 forward pass, chunking, scoring, fusion을 통해 검색 성능을 끌어올릴 수 있으며, 더 큰 모델보다 더 나은 검색 파이프라인 설계가 핵심이라고 본다.
17. 2:41:10
    Durable execution 플랫폼인 Resonate는 agentic engineering의 중심이 구현에서 specification으로 이동한다고 본다. 추상 명세, 시뮬레이션 구현, 구체 명세, 구체 구현의 순서로 내려가며, 에이전트는 설계와 구현을 모두 보조하는 방향으로 이동한다.
18. 2:51:02
    Sakana AI는 장기 실행 research agent의 memory harness를 로컬 모델 위에서 실험한다. context blow를 막기 위해 recall policy를 세밀하게 설계하고, memory를 단순 저장이 아니라 write-manage-read 제어 루프로 다뤄야 한다는 점을 실험으로 보여준다.
19. 3:03:01
    후반부 토크는 software에서 진짜 병목이 ‘무엇을 만들지 정하는 능력’과 ‘비즈니스 가치를 읽는 능력’으로 바뀌었다고 정리한다. story mapping, value architecture design, user story를 통해 사람과 스테이크홀더의 문제를 정확히 정의해야 AI가 유용한 소프트웨어를 만들 수 있다고 본다.
20. 3:15:07
    자동 AI 연구와 open benchmarking 사례들은 모델이 스스로 실험하고 기록을 갱신할 수 있음을 보여주지만, 진짜 새로운 발명을 꾸준히 만들어내지는 못한다는 한계도 드러낸다. 그래서 멀티에이전트 생성·평가·스케일링 구조와 더 정교한 하네스가 다음 단계의 핵심으로 제시된다.

실무 인사이트

• 에이전트 성능을 올리려면 모델 교체보다 먼저 컨텍스트 제공, 제약 조건, 하네스, 검증 루프를 재설계해야 한다.
• 실제 운영에서는 벤치마크 점수보다 trace 기반 평가, production telemetry, 인간 승인 지점이 더 큰 품질 차이를 만든다.
• 장기적으로는 코드를 잘 쓰는 능력보다 문제를 정확히 정의하고, 가치와 제약을 명세로 바꾸는 능력이 더 중요한 경쟁력이 된다.