AI가 스스로 스킬을 쌓는다? SkillOS가 바꾸는 에이전트의 미래

AI 에이전트, 왜 아직도 매번 처음부터 시작할까요?

요즘 AI 에이전트 이야기를 정말 많이 들으시죠. 코드도 짜주고, 이메일도 쓰고, 일정도 잡아주는 그 AI 말이에요.

그런데 막상 써보면 느끼는 게 있어요. 어제 내가 시킨 작업을 오늘 또 처음부터 설명해야 한다는 거예요. 마치 매일 아침 기억을 리셋하고 출근하는 직원을 두는 느낌이랄까요. 아무리 똑똑해도, 경험이 쌓이지 않으면 성장이 없습니다.

이 치명적인 문제를 정면으로 해결하려는 시도가 2026년 5월 등장했어요. 구글 리서치 팀이 발표한 SkillOS라는 논문입니다. 오늘은 이 SkillOS가 뭔지, 왜 중요한지 같이 살펴볼게요.

SkillOS, 한마디로 설명하면 이겁니다

SkillOS는 AI 에이전트가 경험에서 스킬을 자동으로 추출하고, 나중에 비슷한 일이 생기면 그 스킬을 꺼내 쓸 수 있게 만드는 구조입니다.

사람에 비유하면 이해가 쉬워요. 처음 보고서를 쓸 때는 몇 시간이 걸리지만, 10번, 20번 쓰다 보면 어떤 구조가 잘 먹히는지, 어디서 막히는지 감이 생기잖아요. 그 감, 즉 노하우를 AI에게도 쌓게 하겠다는 거예요.

단순한 메모리 기능과는 다릅니다. 경험을 구조화된 스킬로 정제해서 저장하고, 필요할 때 바로 꺼내 쓰는 구조예요.

기존 방법들이 한계를 보였던 이유

사실 에이전트에 메모리를 붙이려는 시도는 이전에도 많았어요. 그런데 대부분 두 방향이었습니다.

첫 번째는 개발자가 스킬을 직접 만들어 넣는 방식이에요. 이런 상황엔 이렇게 해라고 미리 코딩해두는 거죠. 관리 비용이 크고, 예상치 못한 상황에서는 속수무책이 됩니다.

두 번째는 스킬 추가, 삭제, 업데이트 같은 단순한 규칙만 허용하는 방식이에요. 단기적으로는 돌아가지만, 복잡한 장기 과제에서는 무너집니다. 어떤 스킬을 언제 어떻게 수정해야 하는지를 AI 스스로 학습하지 못하기 때문이에요.

SkillOS는 이 두 가지를 모두 넘어섭니다. 스킬 관리 자체를 AI가 직접 학습하도록 설계한 거예요.

SkillOS의 핵심 구조, 두 개의 엔진

SkillOS는 크게 두 파트로 구성됩니다.

하나는 에이전트 실행기, 즉 Executor예요. 실제로 작업을 수행하는 파트입니다. 스킬 저장소(SkillRepo)에서 관련 스킬을 꺼내와 일을 처리해요. 이 부분은 학습 중에 고정됩니다.

다른 하나가 핵심인 스킬 큐레이터, Curator입니다. 에이전트가 일하면서 쌓은 경험을 보고 어떤 스킬을 새로 만들지, 기존 스킬을 어떻게 고칠지, 무엇을 버릴지 결정해요. 그리고 SkillRepo를 업데이트합니다.

이 구조가 진짜 영리한 이유는 학습 방식에 있어요. 연속된 관련 작업들을 묶어서 학습에 활용합니다. 앞 작업의 경험이 SkillRepo를 업데이트하고, 뒤따르는 유사 작업에서 그 결과를 검증하는 구조예요. 인과관계가 명확해지니, AI가 이 스킬 수정이 효과 있었구나를 직접 확인할 수 있게 됩니다.

논문에서 나온 성능 결과가 인상적인 이유

논문의 실험 결과를 보면 꽤 놀라운 부분이 있어요.

멀티턴 에이전트 작업과 단일 추론 작업 모두에서, SkillOS는 메모리 없는 기본 에이전트는 물론이고 기존에 강력하다고 알려진 메모리 기반 에이전트들도 넘어섰습니다.

특히 눈에 띄는 부분이 두 가지예요. 첫째, 특정 AI 모델에만 국한되지 않는다는 점입니다. 학습된 스킬 큐레이터가 다른 모델에 옮겨도 잘 작동한다는 게 확인됐어요. 즉, 큐레이터가 배운 스킬 관리 능력 자체가 모델에 묶이지 않는다는 뜻입니다.

둘째, 시간이 지날수록 SkillRepo 안의 스킬들이 점점 풍부해진다는 거예요. 처음엔 단순한 작업 요령이던 것이 점점 상위 개념을 담은 메타 스킬로 발전합니다.

기억과 스킬, 이 둘이 왜 다른가요?

여기서 많은 분들이 헷갈리는 게 있어요. 그냥 기억을 저장하는 거 아닌가요?라고요.

아닙니다. 기억과 스킬은 본질이 달라요.

기억은 지난번에 이런 일이 있었다를 저장하는 것입니다. 스킬은 이런 상황에선 이렇게 하는 게 좋다는 일반화된 노하우예요.

기억만 쌓이면 데이터가 많아질 뿐, 어떻게 활용할지 판단하지 못합니다. 반면 스킬이 쌓이면 처음 보는 유사 상황에서도 빠르게 적응할 수 있어요.

SkillOS가 특별한 이유는 경험을 그냥 저장하는 게 아니라, 그 경험에서 스킬을 뽑아내고 정제하는 과정 자체를 학습한다는 데 있어요. 기억은 기록이고, 스킬은 지혜입니다. SkillOS는 기록을 지혜로 바꾸는 능력을 AI에게 가르칩니다.

AI 경험이 마크다운 파일로 쌓인다는 게 무슨 말일까요?

논문에서 흥미로운 표현이 하나 나와요. SkillRepo의 스킬들이 시간이 지나면서 더 풍부하게 구조화된 마크다운 파일로 진화한다는 겁니다.

마크다운은 텍스트를 계층적으로 구조화하는 방식이에요. 제목, 본문, 코드 블록처럼요. AI가 경험을 쌓으면서 이 작업은 이런 상황에서, 이런 순서로, 이런 주의사항을 고려해야 한다는 노하우를 구조화된 문서 형태로 저장하는 겁니다.

사람으로 치면 처음엔 메모지에 끄적이던 것이 시간이 지나면서 체계적인 매뉴얼로 완성되는 과정이에요. AI의 경험이 재활용 가능한 자산이 된다는 뜻이고, 새로운 작업이 들어오면 관련 스킬을 꺼내 즉시 높은 품질로 대응할 수 있게 됩니다.

2026년 기업 현장에서 이게 의미하는 것

지금까지는 어느 기업이든 AI 에이전트를 도입하면 비슷한 출발선에서 시작했습니다. 어떤 회사가 쓰든 GPT는 GPT고, Claude는 Claude니까요.

글로벌 컨설팅 기업 딜로이트에 따르면 2026년에 기업의 최대 75%가 에이전트형 AI에 투자할 전망입니다. 에이전트형 AI 시장 규모는 2025년 약 2조 원에서 2030년 약 62조 원으로, 연평균 175% 성장이 예상됩니다.

이 엄청난 시장에서 SkillOS 같은 구조가 현실화되면 달라집니다. 경험을 많이 쌓은 에이전트와 방금 도입한 에이전트 사이에 역량 격차가 생기기 시작해요. 마치 같은 직무를 3년 경력자와 신입이 처리하는 것처럼요.

특히 반복적인 업무 패턴이 많은 B2B 소프트웨어, 고객 응대, 법무 문서 처리, 영업 지원 같은 분야에서 효과가 클 겁니다. 에이전트도 이제 경력이 중요해지는 시대가 오는 거예요.

앞으로 어떻게 바뀌게 될까요?

자기 진화 에이전트 연구는 2026년 들어 빠르게 활성화되고 있어요. MetaClaw, AutoResearch 같은 오픈소스 프레임워크들도 등장하며, AI가 실패를 통해 스스로 학습하는 구조를 만들어가고 있습니다.

앞으로 기업들이 AI 에이전트를 도입할 때, 어떤 모델을 쓰느냐만큼이나 어떻게 경험을 쌓게 할 것인가가 중요해질 거예요. 에이전트의 성장 전략, 즉 AI 운영 방식 자체가 경쟁력이 되는 시대가 오는 겁니다.

가장 흥미로운 포인트는, SkillOS의 큐레이터가 다른 모델에도 이식 가능하다는 사실이에요. 한 조직에서 쌓은 스킬 운영 능력이 다른 AI 시스템에도 적용될 수 있다면, 스킬 큐레이터 자체가 하나의 핵심 자산이 되는 날이 올 수도 있습니다.

마무리

SkillOS는 AI가 잘한다를 넘어 AI가 점점 더 잘하게 된다를 실현하는 구조입니다. 경험을 스킬로, 스킬을 메타 스킬로 정제해가며 성장하는 에이전트는 이제 연구실 밖으로 나오기 시작했어요.

AI 에이전트를 단순한 도구로 보지 말고, 성장하는 동료로 바라볼 시점이 왔습니다. 누가 먼저 AI에게 좋은 경험을 쌓게 해주느냐가 앞으로의 경쟁에서 중요한 변수가 될 거예요. 오늘의 AI 에이전트를 잘 훈련시켜두는 것, 그게 내일의 경쟁력입니다.