AI 에이전트의 경쟁점은 더 이상 “얼마나 똑똑한가”에만 있지 않습니다. 실제 업무에서는 사용자의 맥락을 얼마나 잘 기억하고, 그 기억을 얼마나 안전하게 다루며, 어디까지 대신 실행할 수 있는지가 더 중요해지고 있습니다.
Kocoro는 이 흐름을 Mac 중심으로 풀어내려는 AI 에이전트입니다. Ptmind가 개발한 Mac 로컬 AI 파트너로 소개됐고, 베타 버전은 2026년 6월 3일 제공을 시작했습니다. 대응 OS는 macOS 15 이상입니다.1
Kocoro는 무엇인가
Kocoro는 단순한 챗봇이 아니라 Mac에서 로컬 에이전트를 실행하도록 설계된 프레임워크입니다. 파일, 앱, 브라우저, 화면, 터미널 같은 사용자의 작업 환경을 읽고 활용하는 방향을 지향합니다.
이 점에서 Kocoro는 “질문하면 답하는 도구”라기보다 “사용자의 컴퓨터 위에서 맥락을 이해하고 작업을 이어가는 실행 환경”에 가깝습니다. AI가 문서나 대화를 따로 떼어 답하는 것이 아니라, 사용자가 실제로 일하는 Mac 환경과 연결된다는 점이 핵심입니다.
다만 오픈소스의 범위는 구분해서 봐야 합니다. GitHub에 공개된 것은 Kocoro의 엔진과 데몬, 즉 shan 런타임입니다. 데스크톱 GUI 앱은 별도 제품으로 설명됩니다.2
또한 “로컬”이라는 표현이 곧 완전 오프라인 추론을 뜻하는 것은 아닙니다. 공식 설명상 Kocoro는 이해 그래프, 파일, 브라우저 정보를 사용자 Mac 안에 보관하는 것을 원칙으로 하지만, AI 추론에 필요한 그때그때의 대화 내용은 클라우드로 전송한다고 설명됩니다.13 따라서 Kocoro를 이해할 때는 로컬 저장과 클라우드 추론을 나눠 봐야 합니다.
핵심은 긴 대화 기록이 아니라 ‘선별된 기억’
Kocoro가 강조하는 핵심 기능은 ‘전유 기억’입니다. 이는 과거 대화 전체를 그대로 쌓아두는 방식이 아니라, 다음 판단에 필요한 정보를 골라 구조화하는 방식입니다.
구체적으로 Kocoro는 하루 동안의 사건을 ‘이해 그래프’로 축적합니다. 이 그래프에는 프로젝트, 관련 인물, 사용자가 내린 판단, 선호, 남은 작업 등이 서로 연결되어 저장됩니다.1
이 접근이 중요한 이유는 명확합니다. 사용자가 매번 “지난번에 어디까지 했는지”, “이 프로젝트에서는 어떤 기준을 따르는지”를 다시 설명하지 않아도 되기 때문입니다. AI가 단발성 답변을 제공하는 검색창에서, 맥락을 이어받아 함께 일하는 동료에 가까워지는 지점입니다.
물론 이 방식은 장점만 있는 것이 아닙니다. 기억이 강력해질수록 어떤 정보가 저장되는지, 어디에 보관되는지, 사용자가 이를 확인하고 통제할 수 있는지가 더 중요해집니다. Kocoro를 평가할 때 기억 기능 자체보다 데이터 흐름과 권한 모델을 함께 봐야 하는 이유입니다.
실제로 평가할 때 봐야 할 기준
1. 데이터가 어디에 저장되는가
Kocoro는 이해 그래프, 파일, 브라우저 정보를 원칙적으로 사용자 Mac 안에 둔다고 설명합니다. 클라우드로는 AI 추론에 필요한 그때그때의 대화 내용만 보낸다는 설명입니다.1
따라서 사용자는 “이 에이전트가 내 데이터를 모두 클라우드에 올리는가”가 아니라, “어떤 데이터는 로컬에 남고, 어떤 순간에 무엇이 클라우드로 전달되는가”를 확인해야 합니다. 특히 업무 문서, 고객 정보, 사내 자료를 다루는 환경에서는 이 구분이 핵심 판단 기준이 됩니다.
2. 무엇을 실행하기 전에 허락을 구하는가
Mac을 다루는 에이전트는 답변형 AI보다 위험 범위가 넓습니다. 파일을 읽고, 앱을 조작하고, 브라우저나 터미널과 연결될 수 있기 때문입니다.
Kocoro의 보안 모델에는 도구 작업 권한 요청, 위험 명령 차단 또는 재확인, 작업 감사 로그가 포함된다고 설명됩니다. GitHub 저장소 역시 로컬 도구, 권한 엔진, 감사 로그를 주요 구성요소로 제시합니다.2
따라서 중요한 질문은 “무엇을 할 수 있는가”보다 “무엇을 하기 전에 반드시 묻는가”입니다. 특히 터미널 명령, 파일 변경, 외부 서비스 접근처럼 되돌리기 어려운 작업은 권한 요청과 감사 로그가 실사용에서 제대로 작동하는지 확인해야 합니다.
3. 처음부터 모든 업무를 맡기지 않는다
Kocoro 같은 에이전트는 처음부터 중요한 업무 전체를 맡기는 방식보다, 결과를 쉽게 검증할 수 있는 작업부터 적용하는 편이 안전합니다.
예를 들어 주간 보고서 초안 작성, 회의 준비 자료 정리, 프로젝트별 파일 정리처럼 반복적이고 산출물이 명확한 업무가 적합합니다. 이런 작업은 AI가 맥락을 잘 기억하는지, 필요한 파일을 제대로 참조하는지, 권한 요청이 과하거나 부족하지 않은지 확인하기 좋습니다.
반대로 삭제, 배포, 결제, 대량 변경처럼 실패 비용이 큰 작업은 충분히 검증한 뒤 단계적으로 맡기는 편이 낫습니다.
Kocoro에서 읽어야 할 변화
Kocoro의 흥미로운 점은 특정 모델 성능을 앞세우는 데 있지 않습니다. 핵심은 기억, 로컬 저장, 권한 제어를 Mac 업무 환경에 결합하려는 시도입니다.
이 변화는 AI 에이전트를 고르는 기준도 바꿉니다. 이제는 “어떤 모델을 쓰는가”만으로 충분하지 않습니다. 다음 질문을 함께 던져야 합니다.
내 Mac에서 무엇을 읽을 수 있는가
기억은 어떤 방식으로 저장되는가
어떤 정보가 로컬에 남고, 무엇이 클라우드로 가는가
어떤 행동은 반드시 사용자 확인을 거치는가
실행 기록을 나중에 감사할 수 있는가
Kocoro는 Mac을 중심으로 AI 에이전트가 어떻게 개인 업무 맥락을 기억하고 실행할 수 있는지 보여주는 사례입니다. 실제 도입 여부와 별개로, 앞으로 AI 에이전트를 평가할 때는 성능보다 기억, 데이터 위치, 권한 통제라는 세 가지 기준을 먼저 확인해야 합니다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.