클로드 코드(Claude Code) 개발자 보리스 체르니(Boris Cherny)가 메타의 @Scale 컨퍼런스에서 AI 에이전트가 지속적으로 루프를 형성하며 작동하는 ‘루프(loop)’ 패턴을 에이전틱 AI에 이어 AI 개발의 다음 단계로 제시했다. 그는 “2년 전에는 소스 코드를 사람이 직접 작성했고, 그다음은 에이전트가 코드를 썼다. 이제는 에이전트가 다른 에이전트에게 프롬프트를 주고 그 에이전트가 코드를 쓰는 단계로 넘어가고 있다”고 설명했다. 소스 코드에서 에이전트로의 전환만큼이나 루프가 중요하고 큰 변화라는 것이 그의 평가다.
루프 패턴의 실제 사례도 구체적으로 공유됐다. 체르니는 자신의 작업환경에서 하나의 에이전트가 코드 아키텍처 개선 방안을 지속적으로 탐색하고, 또 다른 에이전트는 중복된 추상화(abstraction)를 찾아 통합 작업을 수행하며, 이 에이전트들이 마치 일반 개발자처럼 풀 리퀘스트를 제출한다고 밝혔다. 코드가 끊임없이 변화하는 특성상 이 에이전트들은 멈추지 않고 계속 작동한다. 이는 사용자가 명확한 목표를 설정하고 진행 상황을 점검하며 에이전트를 관리하는 기존 에이전틱 AI 활용 방식을 한 단계 더 나아가, 에이전트 무리에게 백그라운드에서 영속적으로 작업할 권한을 부여하는 방식이다.
루프 패턴을 이해하는 데 도움이 되는 개념도 소개됐다. 잘 알려진 ‘랄프 루프(Ralph Loop)’는 모델이 수행한 전체 작업을 요약한 뒤 목표를 달성했는지 되묻는 방식으로, AI가 장시간 작동하면서 방향을 잃는 문제를 보완한다. 또한 오픈AI 연구원 노암 브라운(Noam Brown)이 최근 언급한 것처럼 충분한 테스트-타임 컴퓨팅을 투입하면 현대 모델은 사실상 어떤 문제도 해결할 수 있다는 관점과도 맞닿아 있다. 코드베이스 개선처럼 점진적 향상이 가능한 ‘힐 클라이밍(hill-climbing)’ 문제에서는 루프가 특히 강력한 방법론이 된다.
비용 문제는 피할 수 없는 현실이다. 루프는 에이전틱 AI보다도 훨씬 많은 토큰을 소비하며, 루프를 계속 돌리는 것이 목적인 만큼 지출에 상한선이 없다. 앤트로픽(Anthropic) 입장에서는 토큰을 더 많이 판매하는 모델이지만, 도입하는 기업 입장에서는 높은 운영 비용이 부담이 될 수 있다. 토큰 지출, 에이전트의 방향 이탈, 기타 AI 특유의 문제를 적절히 감시하는 체계를 갖춘 경우에 한해 루프의 잠재적 효과가 비용을 상회할 수 있다는 분석이다.
