오픈AI 출신 제리 트워렉이 새 스타트업 'Core Automation'을 세웠습니다. 공개된 메시지는 단순했습니다. "세계에서 가장 자동화된 AI 연구소"를 만들겠다는 것, 그리고 자동화의 출발점을 연구 자체에 두겠다는 것입니다. 여기에 앤트로픽, 구글 딥마인드, 오픈AI 출신 인력이 합류했다는 점도 확인됐습니다.12
하지만 이 소식이 중요한 이유는 회사 하나가 더 생겨서가 아닙니다. "무엇을 자동화할 것인가"라는 질문의 초점이 바뀌고 있기 때문입니다. 많은 팀은 반복 업무부터 자동화하려고 합니다. 실제로 더 큰 레버리지는 반복성이 아니라, 실수 하나가 연쇄적으로 번지고 의사결정이 누적되는 '핵심층'을 찾는 데서 나옵니다.
진짜 '코어'는 자주 하는 일이 아니라, 나머지를 움직이는 층이다
확인된 사실부터 보죠. Core Automation은 스스로를 자동화된 AI 연구소로 규정했고, 합류한 연구자들은 "모델·데이터·정적 배포를 더 키우는 방식만으로는 충분하지 않다", "만드는 과정 자체를 자동화하는 시스템이 다음 단계"라는 취지의 문제의식을 드러냈습니다.2
이걸 기업 실무로 번역하면, 코어 자동화는 챗봇을 붙이거나 UI에서 몇 단계를 줄이는 일이 아닙니다. 주문, 가격, 리스크 승인, 연구 실험 설계, 배포 검증처럼 한 번의 판단이 이후 흐름 전체를 바꾸는 층을 자동화하는 일에 가깝습니다.
그래서 많은 팀이 자동화 대상을 잘못 고릅니다. 가장 눈에 띄는 불편함, 가장 반복이 많은 작업, 데모가 잘 나오는 인터페이스부터 손대기 쉽기 때문입니다. 하지만 코어는 보통 덜 화려합니다. 시스템 오브 레코드, 승인 규칙, 예외 처리, 누가 최종 책임을 지는지 같은 곳에 숨어 있습니다. 여길 건드리지 않으면 자동화는 겉만 빨라지고, 안에서는 사람이 계속 땜질합니다.
인터페이스, 워크플로, 시스템 오브 레코드: 어디를 자동화하려는가
판단을 쉽게 하려면 자동화 대상을 세 층으로 나눠보는 게 좋습니다.
첫째, 인터페이스 자동화입니다. 예를 들어 사내 검색, 요약, 자연어 질의, 상담 보조 같은 것들입니다. 도입이 빠르고 위험이 비교적 낮습니다. 다만 뒤의 프로세스가 그대로면 생산성 체감이 제한적일 수 있습니다.
둘째, 워크플로 자동화입니다. 여러 도구와 팀 사이를 이어 승인, 분기, 알림, 후속 조치를 오케스트레이션하는 층입니다. 많은 기업용 에이전트 플랫폼이 여기서 가치를 만듭니다. 코어 시스템을 갈아엎지 않고도 주변부를 빨리 개선할 수 있다는 장점이 있습니다.3
셋째, 시스템 오브 레코드에 닿는 코어 자동화입니다. 가격 책정, 신용 판단, 실험 설계-실행 루프, 배포 게이트처럼 결과가 기록과 운영 기준을 직접 바꾸는 층입니다. 비용은 크지만, 제대로 되면 누적 효과가 가장 큽니다.
문제는 세 번째를 첫 번째처럼 다루는 경우입니다. 반대로 첫 번째면 충분한 문제를 거대한 플랫폼 투자로 풀려는 경우도 많습니다. "우리에게 필요한 게 조수인지, 조율기인지, 판단 엔진인지"를 먼저 구분해야 합니다.
코어 자동화가 가장 먼저 부서지는 곳
현실에서 자동화 프로젝트를 망치는 건 모델 성능보다 예외 처리와 소유권 불명확성입니다. 겉으로는 자동화처럼 보여도, 실제로는 이메일 확인, 승인 우회, 수기 보정, 마지막 책임자 판단이 숨어 있는 경우가 많습니다. 이건 기업 운영에서도 반복되고, 실험실 자동화에서도 똑같이 드러납니다.
자율 실험실 사례들을 보면, 가치는 단순 로봇화보다 "가설 수립-실험-분석-다음 실험 선택"의 닫힌 루프에 있습니다.4 다만 이런 시스템도 목표 정의, 안전 제약, 장비 연동, 실패 시 인간 개입 설계가 없으면 금방 막힙니다. 생명과학 자동화가 빠르게 확산 중이지만, 보안·규제·기술 격차가 병목이라는 지적도 함께 나옵니다.5
여기서 중요한 반론도 있습니다. 모든 코어를 곧바로 자동화하는 게 정답은 아닙니다. 기존 코어 시스템은 느리지만 정확성과 통제를 위해 존재합니다. 그래서 어떤 기업은 중심부는 안정적으로 두고, 주변부 자동화로 속도를 얻는 편이 더 낫습니다.6 핵심은 "코어냐 주변부냐"의 이분법이 아니라, 어디서 오류 비용이 가장 큰지 계산하는 것입니다.
자동화의 첫걸음은 '전부'가 아니라, 신뢰 가능한 결정 루프 하나다
실무적으로는 한 번에 전면 자동화보다, 반복되고 측정 가능하며 실패 시 인간이 복구할 수 있는 결정 루프 하나를 고르는 편이 낫습니다.
좋은 출발점은 이런 조건을 만족합니다. 결과가 맞았는지 검증 가능하고, 입력과 출력이 기록되며, 예외 유형을 분류할 수 있고, 사람이 개입할 기준이 명확한 일입니다. 최근 AI가 코딩·수학처럼 검증 가능한 영역에서 특히 빠르게 발전한다는 분석도 같은 맥락입니다.7
예를 들어 "모든 문의 자동화"보다 "환불 승인 1차 판단", "배포 전 테스트 실패 분류", "반복 실험의 다음 조건 추천"이 더 좋은 시작일 수 있습니다. 이런 루프는 성능을 측정할 수 있고, 잘되면 그 위에 인터페이스와 워크플로를 얹어 확장할 수 있습니다.
Core Automation이라는 이름은 그래서 회사명보다 질문으로 읽는 편이 낫습니다. 당신 조직의 진짜 코어는 어디인가. 그 층을 자동화할 준비가 되어 있는가. 아직 아니라면, 지금은 사야 할지, 직접 만들지, 아니면 기다려야 할지. 이 판단을 잘못하면 비싼 AI 도입은 남고, 운영은 그대로입니다.
참고
2New AI lab Core Automation 'nerdsniped' researchers from Anthropic, Google DeepMind
3Agentic AI applications for the enterprise
4Inside the 'self-driving' lab revolution
5The Modern Biotech Lab: A Guide to Automation, AI & Data | IntuitionLabs
6Peripheral vs Core Automation: Choosing the Right Strategy for Your Enterprise
7LLMs crush coding and math but choke on casual questions, and that's not a contradiction
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.