다음 세대 AI 에이전트의 혁신이 도래하다

Y Combinator 구독자 1,700,000명

요약

이 영상은 AI 에이전트 분야에서의 최신 혁신, 특히 Manis라는 새로운 범용 AI 에이전트 플랫폼을 소개합니다. Manis는 입력 데이터를 받아 하위 에이전트들을 효과적으로 조율하여 복잡한 작업을 여러 세부 작업으로 분해하고 수행하는 독창적인 구조로 주목받고 있습니다. 영상은 Manis의 작동 원리, 동적 작업 분해 알고리즘 및 체인 오브 쏘트 주입 기법과 같은 핵심 기술을 설명하며, 벤치마크 평가와 함께 저비용 운용 및 사용자 투명성 같은 장점을 강조합니다. 동시에 경쟁 환경 속에서 마주하는 확장성, API 정책 변화 등의 도전 과제도 함께 다루어 향후 AI 기술 발전 방향에 대한 통찰을 제공합니다.

주요 키워드

Manis AI 에이전트 멀티 에이전트 시스템 동적 작업 분해 체인 오브 쏘트 주입 벤치마크 투명성 사용자 제어

하이라이트

🔑 Manis는 기존 AI 에이전트와 달리 다수의 하위 에이전트를 조율하여 복잡한 작업을 세분화하고 실행하는 혁신적 시스템임을 강조합니다.
⚡️ 동적 작업 분해 알고리즘과 체인 오브 쏘트 주입 기법을 활용하여 자율적이고 효율적인 계획 수립이 가능함을 보여줍니다.
🚀 Gaia 벤치마크 평가에서 Manis가 기존 시스템과 견줄만한 성능과 저비용 운영을 입증하는 모습을 설명합니다.
🌟 사용자에게 높은 투명성과 제어권을 제공, 각 하위 에이전트 및 도구의 동작을 직접 확인할 수 있다는 점이 부각됩니다.
📌 경쟁사와의 기술 경쟁, 확장성 문제, API 정책 변화 등 외부 요인들이 지속적인 도전 과제로 작용함을 경고합니다.

용어 설명

Agentic AI (자율 AI)

자체적으로 하위 에이전트를 조율하여 복잡한 작업을 해결하는 범용 AI 에이전트를 의미합니다.

멀티 에이전트 오케스트레이션

여러 하위 AI 에이전트가 협력하여 사용자 명령을 분해, 분석, 실행하는 체계적인 시스템을 의미합니다.

동적 작업 분해 알고리즘

복잡한 문제를 여러 개의 명확한 하위 작업으로 분해해 효율적으로 처리하기 위한 알고리즘입니다.

체인 오브 쏘트 주입

AI 에이전트가 자체적으로 계획을 세우고 지속적으로 반성하며 업데이트할 수 있도록 하는 내부 메커니즘입니다.

UX (사용자 경험)

사용자가 AI 시스템을 보다 효율적이고 직관적으로 사용할 수 있도록 설계된 인터페이스와 기능을 의미합니다.

AI 에이전트 시장에서 OpenAI, Google 등과 경쟁하는 가운데, Manis가 새로운 혁신으로 등장함을 소개합니다. 이 챕터는 다양한 플랫폼들의 경쟁 구도를 보여주며 Manis의 초기 하이프를 다룹니다.

[00:00] OpenAI, XAI, DeepSeek 등의 경쟁 속에서 혁신적인 AI 에이전트 플랫폼 마니스가 등장했습니다. 이는 중국의 차세대 AI 혁신으로 평가받고 있습니다.

Manis는 사용자의 프롬프트를 받아 하위 에이전트들을 조율해 작업을 세분화하고 실행합니다. 이를 통해 복잡한 명령도 체계적으로 처리할 수 있는 구조를 설명합니다.

[01:01] 마니스는 멀티 에이전트 AI 시스템으로, 여행 계획, 재무 분석, 파일 검색, 산업 연구 등 다양한 작업을 수행할 수 있습니다.

[01:33] 마니스는 계획 담당 에이전트가 작업을 하위 태스크로 분해하고, 각 전문 에이전트들이 협업하여 작업을 수행하는 구조를 가지고 있습니다.

[02:12] 29개의 통합 도구를 활용하여 웹 탐색, 코드 실행, 정보 추출 등 다양한 기능을 수행하며, 최종적으로 결과물을 종합하여 제공합니다.

동적 작업 분해 알고리즘과 체인 오브 쏘트 주입 기법으로 내부의 계획 수립과 업데이트 과정을 수행합니다. 다양한 통합 도구와 하위 에이전트들이 협력하는 모습을 통해 실행 전략을 구체화합니다.

[02:45] 동적 작업 분해 알고리즘과 '사고 흐름 주입' 기술을 통해 안정적이고 효율적인 작업 수행이 가능하며, Claude 3.7 sonnet을 기반으로 구동됩니다.

[03:31] 매니스의 실제 능력과 적용 분야에 대한 소개. 여행 일정, 재무 분석, 교육 콘텐츠 제작 등 다양한 실무 분야에서 활용 가능

[04:01] 가이아(Gaia) 벤치마크 테스트 결과 분석. 인간 수준(92%)에 근접한 86.5%의 놀라운 성능 달성

Gaia 벤치마크를 통한 성능 평가에서 Manis의 뛰어난 점수를 소개합니다. 저비용 운용, 투명한 사용자 제어와 같은 강점이 부각됩니다.

[04:35] AI 스타트업의 '래퍼' 논란에 대한 논의. 단순 통합이 아닌 실질적 가치 창출의 중요성 강조

[05:00] Cursor, Warp, Harvey 등 성공적인 래퍼 사례 분석. 도메인 특화 통합의 가치 설명

[06:01] 매니스의 장점 분석: 비용 효율성, 투명성, 사용자 제어 기능 강조

Manis의 장점뿐만 아니라, 확장성 문제 및 API 정책 변화 등 외부 도전 과제도 논의합니다. 지속 가능한 차별화 전략의 필요성과 향후 발전 가능성을 모색합니다.

[07:00] 매니스와 래퍼 방식의 한계점 논의: 복잡성 증가에 따른 협업 문제와 경쟁 위험

[00:00] 드디어 실용적인 AI 에이전트가 등장했습니다.

[00:03] OpenAI의 심층 연구 플랫폼부터

[00:06] XAI와 DeepSeek의 유사 도구까지

[00:09] 경쟁이 치열한 가운데

[00:11] 세상을 놀라게 한 새로운 에이전트 AI 플랫폼

[00:14] 마니스(Manis)가 등장했고

[00:16] 오늘 우리는

[00:17] 최초의 범용 AI 에이전트 마니스의 얼리 프리뷰를 시작합니다.

[00:21] 마니스가 공식 출시되자마자

[00:23] 중국의 한 스타트업이 선보인

[00:25] 이 새로운 AI 에이전트는

[00:27] 중국의 차세대 딥시크 순간이라 불리며

[00:29] 많은 사람들이 지금까지 본

[00:31] 가장 인상적인 AI 도구라고 평가했습니다.

[00:33] 또한 가장 정교한

[00:35] 컴퓨터 사용 AI라고 불립니다.

[00:39] 기존의 AI와는 달리

[00:41] 마니스는 단순한 특화 챗봇이 아닌

[00:44] 진정한 범용 AI 에이전트를 표방했습니다.

[00:47] 제한된 접근성과 희소한 초대로 인해

[00:50] 의문이 남습니다. 과연 마니스가

[00:53] AI 에이전트 시장에 혁명을 일으켰을까요?

[01:01] 마니스를 둘러싼 모든 열광 뒤에는

[01:03] 진정 혁신적인 무언가가 있습니다.

[01:06] 멀티 에이전트 AI 시스템으로

[01:09] 다양한 작업을 수행할 수 있습니다.

[01:12] 여행 계획부터 재무 분석,

[01:14] 수십 개의 파일 검색,

[01:16] 산업 연구까지 가능합니다.

[01:20] 작동 방식을 보면, 하나의

[01:22] 거대 신경망에 의존하는 대신

[01:25] 마니스는 하위 에이전트 팀을

[01:28] 감독하는 관리자처럼 작동하며

[01:30] 공유 작업 공간에서 모든 움직임을 조율합니다.

[01:33] 프롬프트를 입력받으면

[01:35] 필요한 작업을 파악하고

[01:38] 한 번에 모든 것을 처리하는 대신

[01:40] 계획 담당 에이전트가 먼저

[01:44] 전체 계획을 수립하고

[01:47] 관리 가능한 하위 작업으로 분할합니다.

[01:50] 이런 방식으로 마니스는

[01:53] 실행 전에 정확히 무엇을 해야 할지 알고

[01:56] 이러한 작업들을 다른 하위 에이전트에게

[01:59] 배분합니다. 이들은 마치 마니스의

[02:02] 내부 전문가와 같아서, 같은 맥락을 공유하면서도

[02:05] 각자 고유한 영역을 가지고 있습니다.

[02:08] 지식, 메모리, 실행 등

[02:12] 마니스는 29개의 다양한

[02:15] 통합 도구를 활용할 수 있습니다.

[02:17] 웹 탐색 자동화부터

[02:20] 안전한 코드 실행,

[02:22] 파일에서 중요한 정보를

[02:24] 추출하는 것까지, 마니스의 하위 에이전트들이

[02:28] 적절한 도구를 선택합니다.

[02:31] 마지막으로 각 하위 작업이 완료되면

[02:34] 실행 에이전트가 모든 출력을

[02:36] 최종 결과물로 종합하여 사용자에게 전달합니다.

[02:40] 마니스의 내부를 살펴보면

[02:43] 매우 정교한

[02:45] 동적 작업 분해 알고리즘이 탑재되어 있습니다.

[02:49] 이를 통해 복잡한 지시사항을

[02:51] 명확한 실행 경로로

[02:54] 자율적으로 분해할 수 있습니다.

[02:57] 수십 번의 추론과 도구 사용 후에도

[03:00] 안정성을 보장하기 위해 마니스 팀은

[03:02] '사고 흐름 주입'이라는

[03:05] 독창적인 기술을 개발했습니다.

[03:08] 이를 통해 에이전트들이 능동적으로 계획을

[03:11] 검토하고 업데이트할 수 있습니다.

[03:14] 마니스의 핵심에는 Anthropic의 Claude 3.7 sonnet이 있으며

[03:18] 또한 강력한 크로스 플랫폼 실행

[03:20] 기능을 제공합니다.

[03:21] 이는 오픈소스 도구들과의

[03:24] 원활한 통합 덕분입니다. YC 기업의 브라우저는

[03:27] 고급 웹사이트 상호작용을 위해 사용되며, 스타트업 E2B의

[03:31] 그럼 매니스가 실제로 어떤 일을 할 수 있을까요?

[03:34] 매니스의 실제 능력을 살펴보면,

[03:36] 매우 인상적이게도 다양한 실제 업무를 처리할 수 있습니다.

[03:38] 특히 뛰어난 성과를 보이는 분야는

[03:41] 여행 일정 계획 수립,

[03:43] 상세한 재무 분석, 교육 콘텐츠 제작이며,

[03:46] 또한 다음과 같은 가치 있는 작업도 수행할 수 있습니다:

[03:49] 구조화된 데이터베이스 구축,

[03:52] 보험 상품 비교 분석,

[03:54] 공급업체 소싱,

[03:56] 고품질 프레젠테이션 지원까지 가능합니다.

[03:59] 매니스의 실제 성능을 측정하기 위해

[04:01] 가이아(Gaia) 벤치마크를 살펴보겠습니다.

[04:03] 이는 AI 에이전트의 추론 능력,

[04:06] 멀티모달 처리, 웹 브라우징,

[04:08] 도구 활용 능력을 평가하는 벤치마크입니다.

[04:11] 일반적으로 인간은 92% 정도의 점수를 받으며,

[04:14] OpenAI의 딥 리서치는 최고 성능으로

[04:18] 74% 정도의 점수를 기록했습니다.

[04:21] 매니스는 최신 기술 수준을 뛰어넘어

[04:25] 가이아에서

[04:27] 86.5%를 기록했는데, 이는 평균적인 인간의 성능에

[04:30] 불과 몇 점 차이밖에 나지 않습니다. 하지만

[04:33] 이러한 인상적인 벤치마크 성능에도 불구하고,

[04:35] 매니스는 AI 스타트업의 본질에 대한

[04:37] 더 넓은 논의를 불러일으켰습니다.

[04:39] 애플리케이션 레이어 래퍼에 대해

[04:42] 일부는 매니스를 단순한 래퍼라고 평가절하합니다.

[04:45] 기존의 기초 모델들과

[04:47] 다양한 도구들을 조합한다는 이유에서죠.

[04:49] 하지만 이런 평가절하는

[04:52] 중요한 현실을 간과하고 있습니다. 현재 성공적인

[04:55] AI 제품 대부분이 이런 논리로는

[04:57] 래퍼로 분류될 수 있습니다.

[05:00] 예를 들어, Cursor와 Warp는

[05:02] 기존 LLM과 외부 API를 통합하고

[05:06] 개발자 중심 도구인

[05:08] 실시간 코드 분석과 디버깅 유틸리티를 제공합니다.

[05:10] Harvey와 같은 도메인 특화 에이전트는

[05:13] 기초 모델과 법률 특화 도구를 결합하여

[05:16] 판례법 검색, 규정 준수 확인,

[05:19] 문서 분석 등을 제공합니다.

[05:22] 분명히 많은 유용한 애플리케이션이

[05:25] 래퍼 모델에 해당하며,

[05:27] 많은 개발자들에게 이 방식이 합리적입니다.

[05:30] 매니스의 공동 창업자 이초우 페이지가

[05:33] 직접 말했듯이, 그들은 처음부터

[05:36] 모델 개발과는 다른 방향으로 나아가기로 했고,

[05:39] 새로운 모델 출시에 위협받기보다는 흥미를 느끼고 싶었다고 합니다.

[05:42] 성공적인 래퍼와 그렇지 않은 것을

[05:47] 구분 짓는 것은

[05:48] 주로 다음과 같은 요소들입니다:

[05:50] 직관적인 UI, 독자적인 평가 시스템,

[05:54] 더욱 세심한 기초 모델의

[05:56] 파인튜닝, 그리고 신중하게

[05:58] 설계된 멀티 에이전트 아키텍처입니다.

[06:01] 매니스는 이러한 특성을

[06:03] 잘 보여주는 좋은 사례입니다.

[06:05] 긍정적인 면에서 보면,

[06:07] 멀티 에이전트 오케스트레이션을 통해

[06:10] 작업당 비용을 크게 절감할 수 있어

[06:13] OpenAI의 Deep Research와 같은 통합 경쟁사와 비교해

[06:16] 작업당 약 2달러 정도로 낮출 수 있습니다.

[06:18] 또한 매니스는 더 나은 투명성과

[06:20] 사용자 제어를 제공하여, 사용자가 직접

[06:22] 개별 하위 에이전트와 도구 통합을

[06:25] 검사, 커스터마이즈, 교체할 수 있습니다.

[06:28] 이는 중앙화된 플랫폼에서는

[06:30] 찾아보기 힘든 유연성입니다.

[06:32] 매니스가 발견한 가장 흥미로운 점 중 하나는

[06:34] 파일 시스템을 노출시켜

[06:36] 에이전트들의 작업 과정을

[06:39] 정확히 볼 수 있다는 것입니다. ChatGPT는 재프롬프트가 필요하고

[06:42] 생각하는 과정이 불투명한 반면,

[06:44] 매니스는 ChatGPT의 미래를 보여주는

[06:47] 데스크톱 운영 체제의 모습을 보여줍니다.

[06:50] 컴퓨터에서 직접 실행되면

[06:52] 브라우저에서보다 더 많은 제어가

[06:54] 가능해질 것이며, 이는 매우 흥미로운

[06:57] 발전이 될 것입니다. 하지만 몇 가지

[07:00] 명확한 한계도 있습니다. 전문화된 에이전트 간의

[07:02] 협업은 작업이 확장되거나

[07:05] 복잡성이 증가할수록 더욱 어려워집니다.

[07:08] 더 중요한 것은, 현재의 장점인

[07:11] UX 개선, 타겟 파인튜닝, 신중한 통합이

[07:14] 경쟁사들도 쉽게 따라할 수 있는

[07:16] 취약점이 될 수 있다는 점입니다.

[07:18] 이러한 장단점은

[07:21] 일반적으로 래퍼들이 공유하는 특성입니다.

[07:23] 래퍼는 빠른 배포, 반복,

[07:25] 특화된 UX를 낮은 초기 비용으로 제공하지만,

[07:28] API 가격 변동이나

[07:32] 제공업체 정책 변경과 같은

[07:34] 외부 요인에 취약하며, 이는 비용 이점을

[07:37] 빠르게 상쇄시킬 수 있습니다.

[07:39] 결국 중요한 과제는 래퍼의 실행 가능성이 아니라

[07:42] 제품의 진정한

[07:44] 지속 가능한 차별화를

[07:46] 찾아내는 것입니다.

[07:48] 창업자들에게 이는 초기부터

[07:51] 비용이 많이 들거나 시간이 오래 걸리는

[07:53] 독자적인 평가 시스템에 투자하거나,

[07:55] 특정 사용자 루틴에 워크플로우를 깊이 통합하여

[07:58] 전환 비용을 높이거나,

[08:00] 경쟁사가 쉽게 접근할 수 없는 플랫폼이나

[08:04] 데이터셋과의 통합을

[08:06] 찾아내는 것을 의미할 수 있습니다.

[08:08] 결국 AI 분야에서의 성공은

[08:11] 새로운 것을 발명하는 것이 아니라

[08:13] 기존 모델들을 사용자들이

[08:16] 진정으로 사랑하는 제품으로 만드는 능력에 달려있습니다.

[08:20]