루프와 하네스, 무엇을 다르게 설계할까요?

AI에게 일을 맡겼는데 사람이 중간 결과를 확인하고 다음 지시를 계속 내려야 한다면, 모델만 바꾸면 해결될까요? 먼저 반복 방식과 실행 환경을 나눠 보면 개선할 지점이 선명해집니다. 견적서를 만드는 과정을 예로 들어, AI의 반복 작업과 자료·도구 준비를 어떻게 나눠 볼지 살펴보겠습니다.

반복 작업과 실행 환경은 어떻게 다를까요?

루프[1]는 다음 행동을 정하는 반복 과정, 하네스[2]는 그 과정을 실행하는 주변 소프트웨어입니다. 모델을 작업자에 빗대면 루프는 판단·실행·확인을 반복하는 작업 방식, 하네스는 자료·도구·기록·권한을 갖춘 작업 환경에 해당합니다. 실제 하네스에는 루프 실행 코드까지 포함되기도 합니다. 여기서는 다음 행동을 정하는 과정과 그 행동에 필요한 실행 환경을 나눠 살펴보겠습니다.

한눈에 보는 구조

루프: 판단 → 도구 실행 → 결과 확인 → 다음 판단 또는 종료

하네스: 이 반복에 자료·도구·상태·권한·검증을 제공하는 환경

이 구분은 보편적으로 고정된 용어 표준이 아닙니다. 제품마다 포함 범위가 달라도 “다음 행동이 잘못됐는가, 필요한 행동을 수행할 환경이 없었는가”라는 질문은 설계를 검토하는 데 사용할 수 있습니다.

루프는 피드백과 종료 조건을 정합니다

루프의 핵심은 횟수보다 피드백입니다. “다시 해”보다 어느 항목이 어떤 기준에 어긋났는지 알려줘야 수정할 대상이 분명해집니다. 합계와 필수 항목은 프로그램으로 검사하고, 설명의 충실도처럼 해석이 필요한 부분은 별도 기준으로 판단할 수 있습니다.

종료 상태도 나눠야 합니다. 목표를 달성한 성공, 자료가 부족한 대기, 재시도 한도에 걸린 중단은 후속 행동이 다릅니다. 모델이 완료를 선언했다는 사실과 실제 작업이 완료됐다는 증거를 구분하는 이유입니다.

순서가 항상 같은 업무라면 일반 프로그램이 절차를 정하고 일부 단계에서만 AI를 호출할 수 있습니다. 중간 결과에 따라 조회 방법이나 다음 작업을 바꿔야 할 때 동적인 루프의 가치가 커집니다. 모든 단계를 AI의 자유로운 판단에 맡길 필요는 없습니다.

하네스는 AI가 자료를 읽고 도구를 쓸 수 있게 합니다

여기서 도구[3]는 검색·데이터 조회·계산·저장처럼 모델이 외부 기능을 이용하는 통로입니다. 모델이 요청한 도구를 프로그램이 실행하고 결과를 돌려주면, 모델은 그 정보를 다음 판단에 씁니다. 같은 질문을 여러 번 보내는 것만으로 유용한 피드백이 생기지는 않습니다.

하네스는 그 판단을 실행할 조건을 갖춥니다. 최신 자료 조회, 요청별 진행 상태 저장, 도구의 입력·출력 형식, 승인과 실행 한도가 여기에 해당합니다. 프롬프트[4]에 “최신 기준으로”라고 쓰는 것과 실제 최신 자료에 접근할 수 있는 것은 다릅니다.

구조도 크게 보기 ↗

모델·반복 방식·실행 환경의 관계를 그린 설명용 구조도입니다. 실제 하네스에는 루프 실행 코드도 포함될 수 있습니다.

기록은 이 구분을 돕습니다. 어떤 입력과 도구 결과를 받았고, 무엇을 수정했으며, 왜 종료했는지 확인하면 모델의 해석 오류와 실행 환경의 문제를 나눠 보기 쉽습니다. 대화 전체를 계속 저장하는 것보다 다음 판단과 재현에 필요한 정보를 남기는 것이 목적입니다.

자료를 제공해도 모든 답이 정확해지지는 않습니다. 권한 제한과 비용 상한 역시 모델의 협조에만 맡기지 않고 실제 실행 경로에서 확인해야 합니다. 반대로 이미 안정적인 단일 호출에 긴 반복과 평가를 덧붙이면 관리할 장치만 늘 수 있습니다.

같은 오류가 반복되면 어디부터 볼까요?

자료 접근과 피드백 반영을 구분합니다

예를 들어 AI가 잘못된 값을 사용했을 때, 최신 값을 읽을 수 없었다면 자료 연결부터 살펴볼 수 있습니다. 올바른 값과 오류 안내를 받았는데도 기존 결과를 그대로 냈다면 피드백을 반영하는 순서가 문제일 수 있습니다. 한 증상에 두 원인이 함께 있을 가능성도 남습니다.

모델을 바꾸면 검토 단계도 줄일 수 있을까요?

2026년 3월 Anthropic의 공개 개발 실험은 모델이 발전하면서 작업 분해와 중간 평가를 줄인 사례를 소개합니다. 작성자가 장치를 하나씩 제거하며 영향을 확인했다는 점이 핵심입니다. 특정 개발 과제의 관찰이므로, 설정이 많으면 모든 AI의 성능이 떨어진다는 일반 법칙으로 읽으면 안 됩니다. 2026년 하네스 실험

이 논의를 우리 업무에 옮기면 비교할 후보는 세 가지입니다. 현재 모델의 단순한 구성, 현재 모델에 필요한 자료·피드백만 보완한 구성, 더 강한 모델로 단계를 줄인 구성입니다. 어느 쪽이 우월한지는 같은 업무와 완료 기준으로 확인해야 합니다.

최신 모델을 모든 구간에 적용하기 어려운 예산·전환 비용이 있을 수 있습니다. 현재 모델로 필요한 품질을 충족한다면 교체 없이 운영하는 선택도 가능합니다. 반대로 새 모델이 호출과 사람의 수정을 줄이면 단가가 높아도 전체 비용은 낮아질 수 있습니다.

따라서 루프와 하네스는 꼭 도입해야 할 유행어보다 비교할 설계 관점으로 참고할 만합니다. 실패를 해결하는 장치는 남기고 효과 없는 반복은 줄이는 방향입니다. 모델의 약점을 보완하던 검사와 업무상 필요한 승인·권한은 구분해 판단합니다.

견적 업무에서는 무엇을 바꾸고 계산할까요?

가격·납기를 조회하고 견적을 검토한 뒤 승인을 기다립니다

월 1,000건의 견적 요청을 처리하는 영업지원팀을 가정하겠습니다. AI는 초안을 만들지만 직원이 가격표와 납기 화면을 다시 확인합니다. 이 상황에서 AI가 반복해서 고칠 작업과 조회할 자료·도구를 나눠 정해보겠습니다.

AI 초안 작성 뒤에도 자료 확인·수정이 남는 상황입니다. 화면과 시계는 업무 흐름을 설명하기 위한 가상 표현입니다.

루프는 요청 읽기 → 자료 조회 → 초안 생성 → 오류 확인 → 필요한 부분 수정으로 정합니다. 하네스는 품목별 단가·납기를 조회할 기능, 합계 검사, 진행 상태, 발송 권한을 제공합니다. 기준을 충족한 결과는 승인 대기로 넘기고, 근거가 없으면 확인 질문을 남깁니다.

시간 가치와 운영비를 함께 계산합니다

담당자의 확인·수정 시간이 건당 12분에서 7분으로 줄었다고 가정합니다. 같은 품질 기준과 난이도의 요청을 비교하고, 예외 처리시간도 포함합니다. 실제 도입 성과가 아니라 설계안을 판단하기 위한 계산입니다.

가정 계산 · 단위부터 맞춥니다

월 시간 가치 = 월 건수 × 절감 분/건 ÷ 60 × 원/시간

1,000건 × 5분 ÷ 60 × 3만원 = 월 250만원

월 순편익 = 시간 가치 250만원 − 운영비 100만원 = 150만원

초기 구축·교육비가 1,000만원이면 시간 가치 기준 회수기간은 약 6.7개월입니다. 현금 절감액은 아니며 확보한 시간을 다른 업무에 활용한다는 전제입니다. 모델 호출·연동 유지·운영 담당자의 시간을 운영비에 포함합니다.

절감이 건당 2.5분이면 월 순편익은 25만원, 회수기간은 40개월로 늘어납니다. 건당 2분은 운영비만 상쇄하는 지점입니다. 반려율이 25%에서 10%로 줄면 월 250건에서 100건이 되지만, 수정시간은 앞 계산에 포함하므로 편익에 다시 더하지 않습니다.

작은 시험에서 무엇을 같은 기준으로 볼까요?

첫 시험은 한 제품군의 견적에 한정할 수 있습니다. 가격표 누락, 납기 충돌, 정상 요청을 함께 넣고 영업지원 담당자가 결과를 판정합니다. 자료를 보완한 안과 반복만 늘린 안의 수정시간이 어떻게 다른지 보면, 어느 장치가 효과를 냈는지 확인하기 쉽습니다.

현업은 완료 기준과 허용할 오류를, IT 담당자는 자료 연결과 실행 제한을 정해 작은 업무부터 비교할 수 있습니다. 결과 품질뿐 아니라 사람의 수정시간, 재시도, 권한 위반과 총비용을 함께 기록하면 개선의 원인을 설명하기 쉽습니다. 평가 방법을 정리한 자료도 참고할 수 있습니다. 에이전트 평가 방법

비교 기간과 요청 유형은 맞추고 정상·누락·충돌 사례를 함께 넣습니다. 특정 설계에 유리한 결과만 고르지 않으며, 비용이 줄었어도 완료 기준을 충족하지 못한 건은 성공으로 세지 않습니다. 기술의 이름보다 실제 결과가 선택의 근거입니다.

다음 행동을 잘못 정했다면 루프를, 자료 조회·도구 실행·권한 제한에 문제가 있다면 하네스를 점검해보세요. 필요한 품질을 가장 단순한 구성으로 얻을 수 있다면 그것도 좋은 선택입니다.

견적 자동화, 어떤 업체에 맡기면 좋을까요?

가격표 연동과 승인 화면도 필요합니다

견적 초안을 잘 쓰는 AI라도 최신 가격을 조회하거나 승인 전 발송을 막는 기능은 따로 필요합니다. 업체를 찾을 때는 다음과 같은 경험을 살펴보세요.

• 시스템 연동 업체: 가격·재고·납기 정보를 불러오는 기능을 만든 경험

• AI 업무 자동화 업체: 견적서 작성과 오류 수정을 자동화한 경험

• 맞춤 개발 업체: 회사의 결재 방식에 맞는 승인 화면을 만든 경험

한 업체가 여러 분야를 함께 맡기도 하므로 실제 프로젝트 사례를 확인하는 것이 좋습니다.

크몽 AX에서 여러 업체의 제안을 비교해보세요

크몽 AX에서는 여러 전문 업체의 분야와 경험을 살펴보고, 회사의 업무와 조건에 맞는 업체를 연결받을 수 있습니다.

상담할 때는 민감 정보를 가린 견적 요청과 가격표, 사용 중인 시스템, 발송 승인 기준을 준비해보세요. 월 처리량과 현재 수정시간을 함께 알려주면 어디부터 자동화할지 논의하기 좋습니다. 계약과 실제 구축은 선택한 전문 업체와 협의합니다. 크몽 AX에서 견적 자동화 업체 찾기

출처

자료 확인: 2026-09-22. 공개 기술 실험과 견적 가정 계산을 구분했습니다.

Anthropic · 에이전트 패턴, 2024-12-19

Anthropic · 하네스 실험, 2026-03-24

Anthropic · 에이전트 평가, 2026-01-09

용어 풀이

용어 1 루프

모델의 판단, 도구 실행, 결과 확인을 반복하고 다음 행동이나 종료를 정하는 과정입니다.

용어 2 하네스

모델의 작업을 실행하도록 도구 연결·상태 기록·권한·검증 등을 관리하는 주변 소프트웨어입니다. 구현에 따라 루프 실행 코드도 포함합니다.

용어 3 도구

AI 모델 밖에서 검색·조회·계산·저장 같은 기능을 실행하는 수단입니다. 모델이 요청하면 연결된 프로그램이 실행하고 결과를 돌려줍니다.

용어 4 프롬프트

AI에게 전달하는 작업 지시와 입력입니다. 조회 권한이나 실행 한도는 문구만으로 강제되지 않으므로 프로그램 설정도 필요합니다.