지난 2025년, Andrej Karpathy는 ‘바이브 코딩’이라는 말을 만들었습니다. AI에게 원하는 걸 말하면 코드가 나오는 시대. 그런데 채 1년도 지나지 않아 그가 다시 선언했습니다. 그 시대도 이미 지나갔다고.
2026년 3월 20일, Karpathy는 No Priors 팟캐스트에 출연해 AI 에이전트, AutoResearch, 그리고 ‘루피(Loopy) 시대’에 대해 1시간 넘게 이야기했습니다. 핵심은 하나입니다. 인간이 코드를 짜는 시대는 끝났고, 이제 우리는 에이전트를 지휘하는 시대로 넘어왔다는 것.
출처: The End of Coding: Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI – No Priors
“나도 뒤처진 것 같다”
Karpathy가 직접 한 말입니다. OpenAI 공동 창업자이자 AI 분야에서 손꼽히는 엔지니어인 그가 “수동 코딩 실력이 녹슬고 있다”고 느낀다고 했습니다.
이유는 간단합니다. Claude Code, OpenAI Codex 같은 코딩 에이전트들이 2025년 12월 즈음을 기점으로 ‘쓸 만한’ 수준을 넘어섰기 때문입니다. 이 도구들은 이제 코드를 수정하고, 실험을 돌리고, 며칠 동안 반복 작업을 이어갈 수 있습니다. 그가 ‘코딩 에이전트의 일관성 임계점’이라고 부른 지점을 넘어선 거죠.
그래서 그는 패러다임을 이렇게 정리합니다.
- 2025년: 바이브 코딩 — 원하는 걸 말하면 AI가 코드를 만들어 준다
- 2026년: 에이전틱 엔지니어링 — 인간은 더 이상 대부분의 코드를 직접 쓰지 않는다. 에이전트를 지휘하고, 감독하고, 조율한다
기술적 전문성은 여전히 중요합니다. 다만 그 역할이 달라졌습니다. 코드를 타이핑하는 대신, 에이전트에게 무엇을 어떻게 할지 지시하는 방향으로요. Karpathy는 이를 “에이전트에서 생산성을 끌어내는 건 결국 사람의 실력”이라고 표현했습니다.
AI가 스스로 밤새 연구한다: AutoResearch
이 맥락에서 그가 직접 만들어 공개한 것이 AutoResearch입니다. 2026년 3월 6일 GitHub에 올라온 이 프레임워크는 공개 1주일 만에 별 30,000개를 넘겼습니다.
핵심 아이디어는 이렇습니다. 에이전트에게 실제 LLM 훈련 환경을 쥐여주고, 알아서 실험하게 둔다. 사람은 자러 간다. 아침에 일어나면 실험 로그와 더 나아진 모델이 기다리고 있다.
구체적으로는 이렇게 돌아갑니다.
- 에이전트가
train.py(GPT 모델, 최적화 알고리즘, 훈련 루프가 모두 담긴 약 630줄짜리 파일)를 수정합니다 - 정확히 5분 동안 훈련을 돌립니다
- 검증 성능이 개선됐는지 확인합니다
- 나아졌으면 유지, 아니면 되돌립니다
- 이 루프를 반복합니다
2일 동안 실행했더니 700회의 실험이 돌아갔고, 그 중 20개의 유효한 최적화가 발견됐습니다. QK Norm과 RoPE 순서를 바꾸는 등 연구자가 미처 시도하지 않았을 아이디어까지 나왔다고 합니다.
여기서 흥미로운 점은 인간의 역할입니다. 파이썬 파일을 건드리는 건 에이전트입니다. 인간이 작성하는 건 program.md라는 마크다운 파일, 즉 에이전트에게 어떻게 연구할지 지시하는 자연어 문서입니다. Karpathy는 이를 “코드를 프로그래밍하는 게 아니라, 코드를 프로그래밍하는 프로그램을 프로그래밍하는 것”이라고 표현했습니다.
‘루피 시대’가 의미하는 것
Karpathy가 이 시대를 ‘루피(Loopy) 시대’라고 부르는 이유가 있습니다. 에이전트가 단발성 작업을 하는 게 아니라, 지속적인 루프 안에서 스스로 개선을 반복하기 때문입니다.
AutoResearch는 그 루프의 가장 단순한 형태입니다. 하지만 Karpathy의 시선은 더 큰 그림을 향하고 있습니다. 그는 현재 여러 에이전트를 tmux 그리드로 동시에 돌리고 있고, 에이전트들이 끊기지 않고 계속 루프를 유지할 수 있는 워처 스크립트를 만들고 있습니다. 나아가 여러 에이전트를 한눈에 관리할 수 있는 IDE, 즉 ‘에이전트 지휘 센터’를 구상 중이라고 했습니다.
그의 표현을 빌리면, 기존의 단일 파일 IDE는 죽었습니다. 새로운 작업 단위는 에이전트 팀입니다.
이 변화는 프런티어 AI 연구실에도 영향을 줄 것으로 그는 봅니다. AutoResearch처럼 에이전트가 실험 루프를 자율적으로 돌리는 방식이 앞으로 연구의 표준이 될 것이라고요.
영상에는 이 외에도 AI 네이티브 교육 스타트업 Eureka Labs의 방향성, LLM 앱 레이어(Cursor 같은 도구)의 역할과 미래, 그리고 에이전트 도구별 ‘성격 차이’에 대한 Karpathy의 직접적인 경험담도 담겨 있습니다.
참고자료:
답글 남기기