지난주, 학술계에 조용하지만 의미심장한 사건이 있었어요. Sakana AI가 개발한 AI Scientist v2가 작성한 논문이 AI 관련 워크숍 피어리뷰를 통과했거든요. AI가 혼자 가설을 세우고, 실험을 돌리고, 논문을 써서 인간 심사자의 검토를 통과한 거예요. 오늘 GitHub 트렌딩에도 당당히 오른 이 프로젝트, 스타트업 입장에서 어떤 의미가 있는지 살펴볼게요.
Sakana AI가 개발한 자율 연구 시스템(Autonomous Research System)이에요. 연구자가 주제만 입력하면, AI가 스스로:
...까지 전부 자동화해요. 사람이 해야 할 연구 사이클 전체를 AI가 담당하는 거예요.
v1은 사람이 미리 만들어둔 연구 템플릿에 의존했어요. 특정 분야에서는 높은 성공률을 보였지만, 적용 가능한 분야가 제한됐죠. v2는 이 템플릿 의존성을 제거했어요. 머신러닝 전 분야로 적용 범위를 넓힌 거예요.
핵심 기술은 점진적 에이전트 트리 탐색(Progressive Agentic Tree Search)이에요. 여러 연구 경로를 동시에 시뮬레이션하면서 가장 유망한 방향을 찾아가는 방식이죠. 마치 알파고가 바둑의 수를 계산하듯, 연구도 여러 경로를 미리 탐색해서 최선을 선택하는 거예요.
사람 연구자가 가설을 세우고 논문을 쓰는 데 평균 6개월~1년이 걸려요. AI는 이를 며칠로 압축할 수 있어요. 물론 아직 인간 수준의 창의성이나 깊은 통찰은 없지만, 반복적이고 데이터 집약적인 실험에서는 혁신적인 속도를 낼 수 있어요.
지금까지 R&D는 대기업이나 대학 연구소의 전유물이었어요. 연구 인력, 실험 비용, 긴 리드타임 때문에 스타트업이 접근하기 어려웠죠. AI 자동화 연구 도구들이 성숙해지면, 10명짜리 스타트업도 자체 R&D를 효율적으로 운영할 수 있는 날이 올 거예요.
AI Scientist v2도 완전한 자율은 아니에요. 연구 주제 설정, 결과 윤리적 검증, 연구 방향 판단은 여전히 사람의 역할이에요. "어떻게 실험할까"는 AI가 자동화하고, "무엇을, 왜 연구할까"는 사람이 결정하는 분업이 현실적인 모델이에요.
AI Scientist v2 수준의 완전 자율 시스템은 아직 기업 도입이 어렵지만, 비슷한 원리의 도구들은 이미 실용적으로 쓸 수 있어요.
Elicit, Consensus 같은 AI 리서치 도구로 특정 기술 분야의 최신 논문과 트렌드를 자동 수집·요약할 수 있어요. 기존에 연구원 한 명이 일주일 걸리던 문헌 조사를 하루 안에 끝낼 수 있어요.
AI 코딩 에이전트(Claude, Cursor)를 활용하면 실험 코드를 빠르게 작성하고 가설을 검증할 수 있어요. 포텐랩 R&D 프로젝트에서도 이 방식으로 검증 사이클을 크게 단축했어요. 예전에는 PoC 하나에 2주가 걸렸다면, AI 기반으로 전환한 후 3~4일로 줄어든 경우도 있었어요.
실험 결과 분석과 패턴 발견에서 AI가 큰 도움이 돼요. 특히 대용량 데이터에서 의미 있는 인사이트를 찾는 작업에서 생산성 차이가 확연히 커요.
모든 스타트업에게 동등하게 기회가 오는 건 아니에요. 이런 타입의 스타트업이 먼저 AI 연구 자동화의 혜택을 볼 거예요:
AI가 논문을 쓰는 시대가 되었다는 건, 기술 검증의 장벽이 낮아지고 있다는 신호예요. 앞으로 3~5년 안에 "우리 팀은 AI 연구 도구를 어떻게 활용하느냐"가 스타트업 경쟁력의 핵심 요소 중 하나가 될 거예요.
지금 준비해야 할 것: AI 연구 도구들을 적극적으로 실험해보고, 팀 내에 이 도구들을 잘 활용할 수 있는 사람을 키우는 것. 도구가 아무리 좋아도 쓸 줄 모르면 소용없으니까요.
현재는 주로 머신러닝 연구 분야에 특화되어 있어요. 컴퓨터 비전, NLP, 강화학습 등 ML 세부 분야 실험 자동화에 적합하고, 다른 과학 분야로의 확장은 계속 연구 중이에요. GitHub에 오픈소스로 공개되어 있지만, 실제 활용에는 상당한 기술 역량이 필요해요.
신중하게 봐야 해요. 피어리뷰를 통과한 건 사실이지만, 오류 가능성도 있어요. AI가 생성한 연구 결과는 반드시 사람이 검증하는 과정이 필요하고, 특히 실제 제품이나 의사결정에 적용할 때는 더욱 철저한 검증이 요구돼요.
작은 것부터 시작하세요. 문헌 조사에 Elicit나 Perplexity Pro를 쓰거나, 실험 코드 작성에 AI 코딩 도구를 활용해보는 것부터요. 전체 연구 프로세스를 한 번에 자동화하려 하지 말고, 가장 시간이 많이 드는 반복 작업부터 AI로 대체해나가는 게 현실적이에요.