최근 Sakana AI가 'Ultra Deep Research'를 공개하며, 몇 주 걸리던 전략 리서치를 자동화하겠다고 선언했습니다.1 단순 요약봇이 아니라 "조사→가설→검증→산출물"까지 스스로 굴리는 에이전트가 C-레벨 업무 방식까지 바꾸려는 신호라서 주목할 만합니다. 이 글에서는 Ultra Deep Research가 왜 가능한지(기술적 배경), 기존 리서치 자동화와 뭐가 다른지, 그리고 실제로 도입할 때의 현실적인 체크포인트를 정리해봅니다.
Ultra Deep Research가 겨냥한 건 '보고서'가 아니라 '의사결정'이다
전략팀이 힘든 이유는 자료가 부족해서가 아니라, 자료가 너무 많아서입니다. 시장·경쟁·규제·기술·지정학 변수를 한 장의 "그래서 우리는 뭘 해야 하지?"로 압축해야 하죠. 보도에 따르면 Ultra Deep Research 계열 에이전트는 한 번 돌리면 길게는 8시간 동안 자율 실행하며, 슬라이드 덱과 수십 페이지 분량의 보고서를 만든다고 합니다.2
여기서 핵심은 '콘텐츠 생산'이 아니라 '선택지의 탐색'입니다. 좋은 전략 리서치는 대개 1) 가능한 가설을 넓게 펼치고, 2) 별로인 길은 빨리 버리고, 3) 가능성 있는 길에 시간을 몰아주는 게임인데, 이걸 에이전트가 자동으로 반복해주는 그림입니다. 즉, "자료를 모아주는 인턴"이 아니라 "가설을 관리하는 CSO 모드"에 가깝습니다.
비밀 무기 1: 생각을 '나무 탐색'으로 바꾸는 AB‑MCTS
Sakana AI가 밀고 있는 접근은 추론을 한 줄로 밀어붙이는 게 아니라, 나뭇가지처럼 여러 경로를 동시에 탐색하는 방식입니다. Marlin에 적용됐다고 소개된 AB‑MCTS(Adaptive Branching Monte Carlo Tree Search)는, 유망한 가설엔 더 많은 계산을 배분하고 애매한 가설은 빨리 접는 식으로 "연산 예산을 배당"합니다.2
이게 전략 업무에 특히 잘 맞는 이유는, 회의에서 늘 나오는 질문과 구조가 똑같기 때문입니다. "A가 맞다면 어떤 증거가 있어야 하지?" "B 리스크가 현실이면 어떤 신호가 먼저 뜰까?" 같은 가지치기 질문을 자동화할수록, 사람은 '판단'에 더 많은 시간을 쓸 수 있습니다. 반대로 나무 탐색이 약하면, 보고서는 그럴듯한데 결론이 흐릿한 '전형적인 AI 문서'가 되기 쉽습니다.
비밀 무기 2: 'AI Scientist'로 증명한 엔드투엔드 자동화 레시피
Ultra Deep Research류가 단단해지는 배경에는 Sakana의 'AI Scientist' 프로젝트가 있습니다. 이 시스템은 큰 주제만 주면 아이디어를 만들고, 관련 문헌을 찾고, 실험 코드를 작성·실행하고, 논문까지 쓰는 파이프라인을 보여줬습니다.3 더 놀라운 건, AI가 만든 논문이 실제 학회 워크숍의 블라인드 리뷰를 통과한 사례까지 나왔다는 점입니다.34
전략 리서치로 번역하면 이렇게 됩니다. "시장 가설을 세운다 → 근거 데이터를 찾는다 → 비교 프레임(경쟁사/규제/밸류에이션/시나리오)을 짠다 → 빈틈을 다시 메운다 → 최종 산출물을 만든다." 즉, 사람이 하던 '일의 순서'를 그대로 자동화했기 때문에, 단순 검색·요약을 넘어 '업무 단위 자동화'로 확장될 여지가 생긴 겁니다.
다만 한계도 같은 방식으로 이어집니다. AI Scientist 역시 아이디어가 유치하거나, 구현이 거칠거나, 인용이 틀리는 문제가 보고됩니다.3 전략 리서치에서는 이 문제가 "근거 링크는 많지만 핵심 전제가 틀린 보고서"로 나타날 수 있어, 검증 장치가 중요합니다.
"그럼 사람은 뭐 하죠?"--도입할 때의 현실적인 운영법
Ultra Deep Research가 현실에서 가치 있으려면, '한 번에 완벽한 정답'이 아니라 '의사결정 속도'를 올려야 합니다. 추천하는 운영 방식은 역할을 쪼개는 겁니다.
첫째, 에이전트에게는 탐색을 맡기고, 사람은 기준을 통제하세요. 예를 들어 "우리가 이 분기엔 성장보다 리스크를 우선한다" 같은 우선순위는 모델이 알아서 채우기 어렵습니다. 프롬프트에 목표함수(성장/현금흐름/규제리스크)를 박아두면 결과물이 달라집니다.
둘째, 산출물보다 '근거 체인'을 평가하세요. AI Scientist에서도 자동 리뷰어를 붙여 품질을 대규모로 평가하려 했듯이3, 전략 리서치에서도 결론 문장보다 "왜 그렇게 판단했는지, 어떤 자료로 배제했는지"가 재사용 가치가 큽니다.
셋째, 배포 전 '레드팀 질문 리스트'를 고정하세요. "이 결론이 틀리려면 어떤 전제가 깨져야 하지?" "경쟁사가 이미 하고 있는 건 아닌가?" 같은 질문을 매번 자동으로 던지게 하면, 그럴듯한 문서에 속을 확률이 줄어듭니다.
시사점
Sakana AI의 Ultra Deep Research는 "AI가 보고서를 써준다"가 아니라 "가설 탐색과 리서치 운영을 자동화한다"에 가깝습니다.1 AB‑MCTS 같은 나무 탐색 접근과2, AI Scientist로 축적한 엔드투엔드 자동화 경험이3 합쳐지면, 전략팀의 병목(자료 수집·초안 작성·시나리오 확장)이 실제로 줄어들 가능성이 큽니다.
다만 도입의 성패는 모델 성능보다 운영 설계에 달려 있습니다. 목표 기준을 명확히 주고, 근거 체인을 강제하며, 반박 질문을 자동화하면 "8시간짜리 자동 리서치"가 '쓸모 있는 판단 재료'가 될 확률이 올라갑니다. 반대로 이를 생략하면, 더 빠르게 만들어진 더 그럴듯한 문서가 더 빠르게 잘못된 결정을 밀어줄 수도 있습니다.
참고
1Sakana AI launches "Ultra Deep Research" to automate weeks of strategy work
2Sakana AI Launches 'Marlin,' An Autonomous Research Assistant Built For The C-Suite
3The AI Scientist: Towards Fully Automated AI Research, Now Published in Nature
4How to build an AI scientist: first peer-reviewed paper spills the secrets
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.