AI Agent가 발견한 玛雅遗址,핵심은 대화 능력 wasn’t
Pietro Miotti는 그의 AI Agent 팀이 기존에 지도화되지 않은 玛雅遗址를 발견했다고 말했다. 진짜 주목할 만한 부분은 Agent가 단서를 어떻게 검증 가능한 현장 행동으로 전환했는지다.
원문 보도: pietromiotti.com/latest/maya-site
Agent가遗址를 찾았다는 것과 Agent가 독립적으로 발굴했다는 것은 다르다
먼저 프로젝트의 과정을 되짚어 보자.
Miotti의 팀은 먼저 단서를 수집하고, 이를 바탕으로 현장 조사 경로를 계획했다. 현장에 도착한 뒤 자료를 수집하고, 마지막으로 현장 자료를 추가 분석했다.
이 흐름에는 네 가지 입력과 출력이 있다.
- 공개 자료: 역사 문헌, 기존 Сте코 기록, 위성 이미지 또는 지도 정보.
- 검색 결과: Agent가 여러 출처에서 장소, 지형, 검증 대기 가설을 추출한다.
- 현장 행동: 연구자가 후보 지역으로 이동해 실제로 본 것을 기록한다.
- 분석 결과: 현장 사진, 측정 데이터, 메모가 다시 조사 흐름에 반영된다.
인간의 개입은 마지막에 답을 다듬는 단계에만 있는 것이 아니다.
아코드유 프로젝트에는 최소한 허가, 안전, 항법, 표본 수집, 문화재 보호, 전문적 판단이 필요하다. Agent는 검색 범위를 좁히고, 지도를 정리하고, 자료를 교차 확인할 수 있지만, ‘특정 지형 특징이 인공 건축물을 의미하는가’, ‘발견물을 보고해야 하는가’, ‘조사단이 해당 지역에 들어갈 수 있는가’를 모델의 확신도만으로 결정할 수는 없다.
따라서 더 정확한 설명은 이렇다. Miotti의 Agent 팀은 혼합형 조사 흐름에 참여했다. Agent는 검색, 계획, 분석 능력을 제공했고, 인간 연구자는 분야 지식, 행동 권한, 증거에 대한 최종 해석을 맡았다.
이 차이는 중요하다.
챗봇이 ‘遗址가 존재할 가능성이 있는’ 장소를 열 개 나열했더라도 조사가 끝난 것은 아니다. 후보 장소를 실행 가능한 경로로 바꾸지도 않았고, 현장 관찰을 통해 기존 가설을 반박하거나 뒷받침하지도 않았다.
웹 검색에서 현실 세계의 닫힌 루프까지
일반적인 챗봇의 흐름은 다음과 같다.
사용자 질문 → 모델이 답변 생성 → 사용자가 만족 여부 판단
이 사례의 흐름은 이쪽에 가깝다.
단서 수집
↓
후보 장소와 검증 대기 가설 형성
↓
현장 조사 경로 계획
↓
현장 조사 및 자료 수집
↓
현장 데이터 분석
↓
지도와 원본 기록으로 돌아가 교차 검증
어려운 점은 도구를 호출할 줄 아는지가 아니다.
첫째, 도구는 모두 같은 것이 아니다. 지도 검색은 좌표를 반환하고, 위성 이미지는 픽셀을 반환하며, 현장 기록은 관찰 결과를 반환하고, 측정 도구는 수치를 반환한다. 각 출력에는 고유한 노이즈와 오차가 있다. Agent가 결과를 텍스트에 단순히 이어 붙이면 ‘~처럼 보인다’를 ‘~으로 확인됐다’로 쓰기 쉽다.
둘째, 과제 상태는 단계 사이에 유지되어야 한다. 단서를 하나 찾은 뒤 다음 계획 단계에서도 그 단서가 어디에서 왔는지, 어떤 제약이 있는지, 아직 검증되지 않은 부분이 무엇인지 알아야 한다. 실패한 단계도 조용히 건너뛰면 안 된다.
셋째, 현실 세계는 예상과 다른 결과를 반환한다. 길이 막혀 있거나 좌표가 어긋나거나 식생에 가려지거나 날씨가 바뀌면 합리적이었던 계획이 무효가 될 수 있다. Agent에 필요한 것은 한 번에 완벽하게 추론하는 능력이 아니라, 피드백을 바탕으로 다음 단계를 수정하는 능력이다.
이것이 다중 Agent 협업이 아코드유 조사에 적용됐을 때 가장 주목할 만한 지점이다. 역할을 세분화할 수 있다. 검색 Agent, 지도 Agent, 이미지 분석 Agent, 계획 Agent, 증거 정리 Agent가 각각 후보 장소, 좌표, 경로, 관찰 기록, 인용 관계를 출력한다.
하지만 역할이 많다고 능력이 높아지는 것은 아니다.
통합된 과제 상태와 증거 형식이 없다면 여러 Agent가 서로의 ‘요약문을 인용하며 반복’하기 쉽다. 각 Agent는 자신의 프롬프트를 완료했지만, 결국 누구도 이 결론의 원본 증거가 무엇인지 답하지 못한다.
908점 뒤에讨论된 쟁점은 무엇인가
이 프로젝트는 Hacker News 메인 페이지에 올라가 908점과 334개의 댓글을 받았다.
토론 진입점: news.ycombinator.com/item?id=50452455
높은 점수는 사례가 충분히引人웠음을 뜻한다. 댓글에서는 ‘AI가 실제로 어느 정도 했는가’를 피하지 않았다.
1. 증거 사슬은 완전한가
사람들은 다음과 같이 물었다. 후보 장소는 어디에서 나왔는가. 모델은 어떤 지도와 이미지를 사용했는가. 현장 데이터는 어떻게 분석에 들어갔는가. 관련 스크린샷, 좌표, 로그, 조사 기록을 공개할 수 있는가.
이것이 이 사례의 핵심이다.
‘지도화되지 않은遗址를 발견했다’는 결과 진술이다. 결과는 짧을 수 있지만 증거 사슬은 길어야 한다. 각 단계에서 출처, 시간, 원본 파일, 처리 과정, 사람의 확인 지점을 보존하는 편이 좋다. 그래야 외부 독자가 Agent가 조사를 주도했는지, 아니면 이미 인간이 수행한 조사를 정리했는지 판단할 수 있다.
2. 과제의 경계는 어디인가
아코드유는 일반적인 Web 과제가 아니다.
웹사이트는 다시 시도할 수 있고 API는 요청 제한을 걸 수 있지만, 잘못 표시된 단서가 자동으로 복구되지는 않는다. 현장 이동, 증거 수집, 문화재 보호에는 현실 세계의 위험이 따어난다. Agent의 자율 범위에는 권한과 승인이 적용되어야 한다.
따라서 ‘종단 간 Agent’가 ‘모든 결정을 Agent에게 맡긴다’는 뜻은 아니다. 더 현실적인 엔지니어링 목표는 증거 검색, 반복 분석, 경로 초안 작성은 Agent가 수행하게 하고, 되돌릴 수 없는 행동은 인간에게 맡기는 것이다.
3. 자율 수준을 어떻게 정의하는가
시스템이 후보 장소를 나열하고 인간이 차량으로 이동해遗址를 확인했다면, 이것이 얼마나 Agentic한 결과인가.
현재 가장 쉽게 혼동되는 것은 자동화 수준, Agent의 자율성, 성과 귀속의 세 가지 개념이다. 시스템이 자동 실행한 단계가 많다고 판단 권한이 더 커지는 것은 아니다. 반대로 인간이 동승하거나 항법하거나 핵심 관찰을 입력했다고 해서 Agent의 기여가 없는 것도 아니다.
토론을 이어가려면 단계별로 집계할 수 있어야 한다. 시스템이 후보를 몇 개 제안했는지, 몇 개를 제외했는지, 인간이 몇 개를否决했는지, 현장에서 얼마나 많은 증거를 추가했는지, 최종 위치 결정에 기계 판단이 얼마만큼 반영됐는지 세어야 한다.
4. 누가 성과 귀속을 받아야 하는가
성과 귀속은 단순히 ‘다중 Agent versus 인간’의 문제가 아니다.
아코드유 기록에는 여러 기여자가 관여하는 경우가 많다. 단서를 제시한 사람, 역사 자료를 제공한 사람, 현장을 조사한 사람, 이미지 분류를 수행한 사람, 데이터 파이프라인을 관리한 사람이다. Agent의 기여는 구체적인 출력 단위로 기록해야 하며, ‘AI가 발견했다’처럼 포괄적으로 적어서는 안 된다.
이렇게 쓰는 것이 번거롭기는 하지만 감사에는 더 적합하다.
다중 Agent 협업의 실제 엔지니어링 비용
다중 Agent의 매력은 단순하다. 큰 문제를 작게 나누고 각 역할이 일부 구간만 처리하게 하는 것이다.
실제 엔지니어링에서는 분해 자체가 비용이다.
과제 분해
너무 크게 나누면 Agent 하나가 지도, 역사 자료, 이미지, 경로를 동시에 처리해야 해 오류 원인을 찾기 어렵다. 너무 잘게 나누면 수많은 인계가 발생한다.
실용적인 분해 방식은 성격을 부여하는 것이 아니라 검증 가능한 산출물에 따라 나누는 것이다.
- 장소 검색: 출처가 포함된 후보 장소를 출력한다.
- 이미지 검사: 관찰할 영역과 불확실성을 출력한다.
- 경로 계획: 실행 가능한 일정과 대체안을 출력한다.
- 현장 기록: 원본 파일, 시간, 위치를 보존한다.
- 증거 정리: ‘주장—증거—출처’ 관계를 구축한다.
각 역할에는 명확한 완료 조건이 있어야 한다.
통신
Agent 간 통신에서는 긴 자연어보다 구조화된 객체가 적합하다.
예를 들면 다음과 같다.
{
"candidate_id": "site-017",
"coordinates": {
"latitude": null,
"longitude": null
},
"claim": "人工结构迹象待现场确认",
"evidence": [],
"confidence": "low",
"requires_human_review": true
}
이런 메시지는 출처를 추적할 수 있고, 다음 단계에서 검증할 수도 있다. 자연어 요약은 사람에게 보여주기에 적합하지만 상태 저장 수단으로는 적합하지 않다.
실패한 재시도
검색 실패, 지도 API의 요청 제한, 흐릿한 이미지, 현장에 도달할 수 없는 상황에는 서로 다른 처리가 필요하다.
모두 ‘try again’으로 통일할 수는 없다. 검색은 키워드나 출처를 바꿀 수 있고, 경로 계획은 대체 지점을 계산할 수 있다. 시각 판단은 사람의 확인 대기 상태로 낮춰야 하며, 현장 진입과 관련된 동작은 중단하고 보고해야 한다.
이는 다중 Agent 시스템에서 흔히 나타나는 문제다. 시스템은 특정 단계에 신뢰할 만한 대안이 없다는 사실보다, 들어Privado처럼 보이는 복구 경로를 자동으로 찾는다.
증거 보존
증거 보존에는 최소한 다음 항목이 포함되어야 한다.
- 입력 출처와 접근 시간.
- 원본 지도, 이미지, 사진, 측정 데이터.
- Agent의 중간 출력.
- 도구 호출 기록.
- 인간의 수정 및 승인 기록.
- 최종 주장에 대응하는 증거 사슬.
Agent가 현실 세계의 작업을 더 많이 수행할수록 감사 비용도 커진다.
그렇지 않으면 시스템에는 최종 결론만 남고, 외부에서는 과정을 복기할 수도, 모델 판단과 검색 오류, 인간의 경험을 구분할 수도 없다.
다중 Agent는 도구 인터페이스가 명확하고 평가 기준이 분명할 때만 이득을 낼 수 있다. 그렇지 않으면 복잡한 추론 한 번을 서로 맞물린 여러 번의 추측으로 나눌 뿐이다.
편집자 생각
이 사례에서 중요한 것은 ‘AI가 보물을 찾았다’는 아니다. 아코드유 발견 자체에는 전문 자격, 장기 현장 작업, 보호 책임이 필요하다. Agent가 검색과 정리에 참여했다는 이유로, 서사를 기계의 독립적 발견으로 바꾸면 안 된다.
Agent의 가치는 콘텐츠 생산에서 프로세스 실행으로 옮겨가고 있다고 본다. 웹 검색은 이미 희소하지 않은 능력이다. 지도, 이미지, 연구 기록, 현장 관찰을 검사 가능한 닫힌 루프로 연결하면서 새로운 엔지니어링 문제가 생긴다. 권한을 어떻게 설정할지, 증거를 어떻게 보존할지, 실패를 어떻게 멈출지, 인간은 언제 개입할지를 정해야 한다. 기업 조사, 운영 점검, 공급망 검증에서는 보고서를 몇 쪽 더 쓰는 것보다 어렵고, 실제 생산 환경에 더 가깝다.
이번 사례는 과거의 데모와 달랐다. 목표는 매끄러운 답변이 아니라 지도화되지 않은遗址였다. 다만 공개 자료만으로는 전체 재현 방법을 확인할 수 없다. 다중 Agent가 어떻게 역할을 나눴는지, 어떤 모델을 사용했는지, 어떤 단계를 사람이 수행했는지에 대한 세부 정보는 충분하지 않다. 사례는 주목할 만하지만, 결론에는 조건을 붙여야 한다.