클코 개발자가 밝힌 AI의 미래: 에이전트가 에이전트를 프롬프트하는 '루프' 시대

클로드 코드(Claude Code)를 만든 Boris Cherny가 공개 강연에서 직접 밝힌 AI 루프의 실체. 에이전트가 쉬지 않고 백그라운드에서 돌아가는 새로운 패러다임이 시작됐습니다.

✦ 2026년 기준 · 읽는 시간 약 6분

저는 클코를 매일 쓰는 사람으로서, 클코 개발자가 직접 등장해서 "루프가 진짜다"라고 말하는 걸 듣고 꽤 놀랐거든요. 2026년 6월 22일, Boris Cherny가 Meta의 @Scale 컨퍼런스에 나와서 한 말인데, 단순한 홍보성 발언이 아니라 본인이 실제로 사용하는 방식을 구체적으로 설명해서 더 설득력이 있었어요. 에이전트가 에이전트를 프롬프트하는 시대, 과연 어떤 모습일까요?

TechCrunch가 이 강연 내용을 정리한 기사를 읽고, 저도 나름대로 소화해서 정리해봤습니다. 루프가 뭔지, 왜 중요한지, 그리고 현실적으로 뭐가 문제인지까지 살펴볼게요.

🔄 Boris Cherny가 말한 '루프'란 무엇인가

Meta @Scale 컨퍼런스에서 청중이 처음 던진 질문이 흥미로웠어요. "루프가 다음 하이프 사이클인가요, 아니면 진짜인가요?" Cherny의 답은 단호했습니다. "진짜입니다."

여기서 말하는 루프(Loop)란, AI 에이전트가 단순히 한 번 응답하고 끝나는 게 아니라, 목표를 향해 계속해서 스스로 작업하고 개선하는 구조를 말합니다. 쉽게 말하면 에이전트가 에이전트를 불러서 일을 시키고, 그 결과를 보고 또 개선하는 과정이 끝없이 돌아가는 것이에요.

"두 해 전엔 사람이 직접 소스 코드를 썼고, 그다음엔 에이전트가 코드를 쓰는 시대로 넘어왔습니다. 이제는 에이전트가 에이전트를 프롬프트하며 코드를 쓰는 단계로 넘어가고 있습니다." — Boris Cherny

Cherny 본인은 이미 이 방식으로 일하고 있다고 했어요. 코드 아키텍처를 지속적으로 개선하는 에이전트와, 중복된 추상화를 찾아내어 통합하는 에이전트가 항상 백그라운드에서 돌아가고 있고, 이 에이전트들은 마치 일반 개발자처럼 Pull Request를 올린다고 하더라고요. 코드가 계속 바뀌니까 에이전트도 멈추지 않고 계속 달리는 구조인 거죠.

📈 에이전트 루프의 3단계 진화

루프가 하루아침에 나온 개념은 아닙니다. 오히려 AI 개발 방식이 자연스럽게 발전해온 흐름의 연장선이에요. 아래 표로 한눈에 정리해봤습니다.

단계	방식	특징	한계
1단계 (과거)	사람이 직접 코드 작성	완전한 제어권	속도 느림, 반복 작업 많음
2단계 (현재)	에이전트가 코드 작성	생산성 대폭 향상	사람이 계속 지시해야 함
3단계 (루프)	에이전트가 에이전트를 프롬프트	지속적 자율 개선	토큰 비용 급증, 제어 복잡

저도 매일 클코를 쓰면서 느끼는 건데, 2단계에서조차 이미 "내가 뭘 시킬지 잘 설계해야 한다"는 부담이 상당하거든요. 루프는 그 한 단계 위에서 아예 시스템이 스스로 그 설계를 반복해나가는 구조인 셈입니다. 개발자 역할이 코드 작성에서 루프 설계로 이동하는 것이죠.

💡 포인트

루프는 완전히 새로운 기술이 아닙니다. 컴퓨터 과학 입문 시간에 배우는 재귀 함수(recursive loop)와 같은 개념에서 출발합니다. 다만 기존 재귀 루프는 명확한 종료 조건이 있지만, AI 루프는 하위 에이전트가 스스로 언제 멈출지 판단하는 비결정론적(non-deterministic) 방식이라는 게 차이점이에요.

🧠 실제로 어떻게 돌아가나 — Ralph Loop와 테스트 컴퓨트

루프를 실제로 구현하는 방법 중 가장 유명한 게 Ralph Loop입니다. 이름이 재밌죠? 심슨의 랄프 위검(Ralph Wiggum)에서 따온 이름이에요. 방식은 단순한데, 모델이 지금까지 한 작업을 요약하고 "목표를 달성했나?"라고 스스로에게 되묻는 겁니다. AI 모델이 오래 실행되다 보면 길을 잃는 경우가 생기는데, 이 방법으로 모델을 다시 목표로 되돌려놓는 거예요.

또 다른 관점에서 보면, 루프는 테스트-타임 컴퓨트(test-time compute) 개념과도 연결됩니다. OpenAI 연구원 Noam Brown이 올해 초에 언급했던 것처럼, 충분한 컴퓨트를 투입하면 현재 모델로도 거의 모든 문제를 풀 수 있다고 해요. 코드베이스 개선처럼 점진적 향상이 가능한 문제(hill-climbing problem)는 특히 루프와 궁합이 잘 맞습니다. 임계점에 도달할 때까지, 혹은 컴퓨트가 허락하는 한 계속 개선하면 되니까요.

목표 설정: 에이전트에게 달성할 목표를 한 번만 정의합니다
실행 및 관찰: 에이전트가 작업을 수행하고 결과를 평가합니다
자기 점검(Ralph Loop): "목표를 달성했나?" 스스로 되물으며 방향을 재조정합니다
반복: 목표 달성 또는 컴퓨트 한도까지 위 과정을 지속합니다
PR 제출: 작업 결과를 Pull Request로 올려 사람이 검토할 수 있게 합니다

⚖️ 루프의 장점과 현실적 한계

솔직히 말하면, 루프가 마냥 장밋빛은 아닙니다. TechCrunch 기사에서도 명확하게 언급된 부분인데, 장점과 단점을 함께 봐야 균형 잡힌 시각을 가질 수 있어요.

장점

가장 큰 장점은 지속적 자율 개선입니다. 사람이 자리를 비워도, 심지어 노트북을 닫아도 에이전트는 계속 일합니다. 코드 품질이 점점 올라가고, 중복 코드가 줄고, 아키텍처가 정돈되는 과정이 자동으로 진행되는 거예요. 과거엔 기술 부채를 갚으려면 개발자가 별도로 시간을 내야 했는데, 루프는 그걸 상시 처리로 만들어줍니다.

한계 — 토큰 비용

반면 가장 큰 걸림돌은 비용이에요. 루프는 단순 Q&A 챗봇보다 토큰을 훨씬 빠르게 태웁니다. 게다가 루프가 계속 돌아가야 의미 있으니, 이론적으로는 지출에 상한이 없습니다. Anthropic 입장에서는 토큰을 팔수록 좋겠지만, 쓰는 사람 입장에선 비용 관리가 핵심 과제가 됩니다.

⚠ 주의

루프를 도입하기 전에 반드시 토큰 지출 상한선(budget ceiling)과 이탈(drift) 감지 체계를 설계해야 합니다. 목표에서 벗어난 루프가 멈추지 않고 돌아가면 비용과 코드 품질 모두 망가질 수 있어요.

🚀 루프 시대, 우리는 어떻게 준비해야 할까

저처럼 클코를 개인 작업 도구로 쓰는 분들 입장에서, 루프는 아직 "내일의 이야기"처럼 느껴질 수도 있어요. 하지만 방향은 분명합니다. 에이전트에게 단발성 작업을 시키는 것에서, 에이전트가 장기적으로 자율 작동하도록 시스템을 설계하는 것으로 역할이 이동하고 있거든요.

실용적으로는, 지금 당장 "완전한 루프"를 구현하지 않더라도 그 사고방식을 익혀두는 게 중요하다고 생각합니다. 프롬프트를 잘 쓰는 것에서 나아가, 에이전트가 스스로 검증하고 반복할 수 있는 구조를 설계하는 능력이 점점 중요해질 테니까요.

목표를 명확하게 정의하라 — 루프가 길어질수록 모호한 목표는 비용 낭비로 직결됩니다. 에이전트가 "완료"를 판단할 기준을 명확히 설정해야 합니다.
예산 한도를 반드시 설정하라 — 토큰 지출 상한선이 없으면 루프는 멈추지 않습니다. 테스트 단계에서 작은 예산으로 시작하세요.
PR 기반 체크포인트를 활용하라 — Cherny처럼 에이전트가 PR을 올리게 하면, 사람이 중간 결과를 확인하고 개입할 수 있는 안전장치가 생깁니다.
이탈(drift) 감지 체계를 만들어라 — Ralph Loop처럼 에이전트가 스스로 목표를 재점검하거나, 외부에서 주기적으로 방향을 확인하는 구조가 필요합니다.

📋 핵심 요약

클코 개발자 Boris Cherny가 공개 강연에서 "루프는 진짜이며, 에이전트가 에이전트를 프롬프트하는 3단계 AI 시대가 시작됐다"고 밝혔습니다.
루프는 에이전트가 목표를 향해 지속적으로 자율 작동하는 구조이며, Ralph Loop처럼 스스로 진행 상황을 점검하고 방향을 재조정하는 방법이 핵심입니다.
가장 큰 현실적 과제는 토큰 비용과 이탈 관리이며, 이를 통제하는 예산 설계와 체크포인트 구조가 루프 도입의 필수 조건입니다.

AI 루프와 기존 에이전트 방식은 무엇이 다른가요?

기존 에이전트 방식은 사람이 매번 다음 작업을 지시해야 합니다. 루프는 에이전트가 스스로 다음 할 일을 결정하고, 다른 에이전트를 불러 작업을 위임하며, 목표가 달성될 때까지 자율적으로 반복합니다. 사람의 역할은 매 단계 지시에서 목표와 시스템 설계로 이동합니다. → 루프는 에이전트의 자율성과 지속성을 극대화한 구조입니다

Ralph Loop란 구체적으로 어떤 방식인가요?

Ralph Loop는 에이전트가 긴 작업 도중 목표에서 벗어나는 문제(context drift)를 해결하기 위한 기법입니다. 에이전트가 지금까지 한 작업을 요약하고 "목표를 달성했나?"를 스스로에게 되물어 방향을 재조정합니다. 심슨의 캐릭터 Ralph Wiggum에서 이름을 따왔습니다. → 자기 점검을 통해 루프의 방향 이탈을 방지하는 핵심 기법입니다

AI 루프를 쓰면 토큰 비용이 얼마나 많이 드나요?

루프는 단순 Q&A 챗봇보다 토큰을 훨씬 빠르게 소비합니다. 루프가 계속 돌아가는 구조라 이론적으로는 지출 상한이 없습니다. 반드시 사전에 max_budget 설정, 단계별 토큰 한도, 종료 조건을 명확히 설계해야 합니다. → 예산 설계 없는 루프는 비용 폭증으로 이어질 수 있습니다

루프가 특히 효과적인 작업 유형은 무엇인가요?

점진적 개선이 가능한 작업, 즉 코드 품질 향상, 중복 코드 제거, 아키텍처 리팩토링처럼 "더 나아지는" 방향이 명확한 hill-climbing 문제에 특히 효과적입니다. 반면 정답이 딱 하나인 문제나, 창의적 판단이 필요한 작업은 루프보다 사람의 개입이 더 효율적일 수 있습니다. → 코드 개선, 품질 향상 등 반복 최적화 작업에 최적입니다

개인 개발자도 지금 당장 루프를 써볼 수 있나요?

완전한 루프 시스템 구축은 아직 고급 영역이지만, 클코(Claude Code)를 이용해 작은 범위에서 시도해볼 수 있습니다. 예를 들어 테스트를 통과할 때까지 반복 수정하게 하거나, 특정 코드 품질 기준에 도달할 때까지 리팩토링하게 하는 방식이 루프의 기초 형태입니다. → 작은 목표와 명확한 종료 조건으로 클코 루프를 시작해보세요

루프는 단순한 유행어가 아니라 AI 개발 방식의 다음 단계입니다. 클코 개발자가 직접 쓰고 있다는 게 그 증거예요. 에이전트에게 시키는 사람에서, 에이전트 시스템을 설계하는 사람으로 — 그 전환이 지금 시작됩니다.

AI 루프 에이전트 Claude Code 클코 Boris Cherny Agentic AI Ralph Loop 테스트-타임 컴퓨트 AI 개발 2026