메타에 5조원에 인수된 마누스의 비밀: AI 에이전트가 실패하는 진짜 이유

메타가 최근 마누스를 약 5조원에 인수했습니다. 마누스는 하루에 수백만 건의 대화를 안정적으로 처리하고 있었는데, 그 비결은 더 큰 모델도, 더 긴 컨텍스트 윈도우도 아니었습니다. 완전히 다른 접근법인 컨텍스트 엔지니어링이었습니다.

범용 AI 에이전트 플랫폼의 선두주자였던 마누스는 처음부터 컨텍스트 엔지니어링의 중요성을 강조해왔습니다. 이에 대한 상세한 기술 블로그 포스트도 공개했죠. 그들이 발견한 것이 무엇이었는지, 그리고 오늘날 AI 에이전트를 만들거나 사용하는 모든 사람에게 이것이 왜 중요한지 정리해봤습니다.

AI가 거짓말을 시작하는 순간

AI 에이전트에게 50개 회사를 조사하라는 작업을 맡겨보세요. 대략 8~9번째 항목쯤 되면, 에이전트는 조용히 실제 조사를 멈추고 그럴듯하게 들리는 내용을 아무것도 없는 상태에서 생성하기 시작합니다.

마누스는 이것을 **허구 생성 임계점(fabrication threshold)**이라고 부릅니다.

문제는 이렇게 만들어진 결과물이 충분히 정교해서, 일일이 수동으로 검증하지 않는 한 사람이 알아챌 수 없다는 점입니다. 그 순간, 자동화라는 전제 자체가 무너집니다.

더 큰 메모리는 답이 아니다

직관적인 해결책은 컨텍스트 윈도우를 확장하는 것입니다. 실제로는 해결보다 더 많은 문제를 만들어냅니다.

• 중간에서 길을 잃음: AI는 긴 대화의 시작과 끝은 기억하지만 중간에 있는 것은 놓칩니다.
• 기하급수적 비용: 거대한 컨텍스트를 처리하는 것은 불균형적으로 비싸고 느립니다.
• 인지적 한계: 단일 모델은 수십 개의 독립적인 작업을 동시에 관리할 수 없습니다.
• 학습 편향: 짧은 대화로 훈련된 모델은 긴 입력을 받으면 성급한 요약으로 달려갑니다.

마누스는 이런 문제를 패치하려 하지 않았습니다. 아키텍처 자체를 완전히 재설계했습니다.

하나의 거대한 어시스턴트 대신, 메인 컨트롤러가 작업을 분해하고 수백 개의 서브 에이전트를 병렬로 배치합니다. 각 서브 에이전트는 새롭고 빈 컨텍스트로 시작해서 정확히 하나의 작업만 처리합니다. 이것은 숙련된 바이브 코더들이 본능적으로 사용하는 것과 같은 기법입니다.

실수를 숨기지 마라

가장 반직관적인 발견: 컨텍스트에서 실패와 에러 기록을 절대 지우지 마세요.

에이전트가 자신의 실수와 에러 메시지를 볼 수 있을 때, 같은 실수를 반복하지 않습니다. 컨텍스트에서 에러를 제거하는 것은 학습할 기회를 제거하는 것입니다.

진정한 에이전트적 행동은 첫 시도에 완벽한 것이 아닙니다. 에러로부터 회복할 수 있는 능력입니다.

파일 시스템이 진짜 메모리다

모델의 휘발성 메모리에 의존하는 대신, 마누스는 파일 시스템을 궁극적인 컨텍스트 저장소로 사용합니다. Claude Skills가 출시된 시점을 고려하면, 마누스는 이 패턴을 훨씬 더 일찍 발견한 것으로 보입니다. 그들의 7월 블로그 포스트가 해당 기능보다 앞섭니다.

에이전트는 사람이 메모를 하듯이 정보를 파일에 기록한 다음, 필요할 때 다시 읽어옵니다. 전체 웹 페이지를 저장한 다음, URL과 복원 경로만으로 압축해서 - 정보 손실 없이 사실상 무제한 메모리를 달성합니다.

혼잣말하는 AI

복잡한 작업 중에 마누스 에이전트는 todo.md 파일을 생성하고 지속적으로 업데이트합니다.

평균 50번의 도구 호출이 필요한 작업에서, 에이전트는 계속해서 목표를 다시 작성하며 전역 계획을 컨텍스트의 맨 끝으로 밀어넣습니다. 이렇게 하면 주요 목표가 항상 모델의 가장 최근 주의 범위 내에 위치하게 됩니다.

복잡한 아키텍처 변경 없이 집중력을 유지하는 심리적 해킹입니다 - 단지 구조화된 자기 암송일 뿐입니다.

컨텍스트를 정복하는 자가 에이전트를 정복한다

메타가 5조원을 지불한 이유가 명확합니다.

강력한 AI 에이전트의 비밀은 모델 크기나 컨텍스트 윈도우 길이가 아니었습니다. 근본적인 한계를 인정하고 그것을 우회하는 엔지니어링 - 마누스가 컨텍스트 엔지니어링이라고 부르는 규율이었습니다.

하나의 거대한 어시스턴트에서 조율된 워커 군대로. AI의 미래는 한 번에 하나의 컨텍스트를 얼마나 잘 설계할 수 있느냐에 달려 있습니다.

참고자료:

• Context Engineering for AI Agents: Lessons from Building Manus
• Wide Research: Solving the Context Problem