AI Agent의「성인식」: 모의 훈련에서 실제 거래까지, 아직 어떤 단계가 남았나?

지난 1년간 AI Agent의 가장 핵심적인 진화를 몸소 체감한 사용자라면, 다음과 같은 흐름에 깊이 공감할 것이다:

기반이 되는 대형 언어 모델 자체의 지능 도약 외에도, AI Agent는 점점 더 진짜 '작업자(Worker)'에 가까워지고 있다.

초기 챗봇에서 시작해 MCP, Skills, Harness 등 인프라가 성숙해지면서, Agent는 점점 더 많은 '손과 발'을 가지게 되었다. 이제는 웹페이지를 열고, 실시간 데이터를 읽고, 소프트웨어를 조작하며, 심지어 지갑과 거래 계정에 연결할 수도 있다.

하지만 이 단계에 이르자 새로운 현실적인 문제가 대두된다: 도구를 사용할 줄 아는 것과, 실제로 하나의 업무를 완수하는 것은 별개의 문제라는 점이다.

진정으로 작업을 수행할 수 있는 Agent는 단순히 지시를 받고 API를 한 번 호출하는 데 그치지 않고, 끊임없이 변화하는 환경 속에서 결과에 따라 다음 행동을 지속적으로 조정해야 한다.

금융 시장은 바로 이러한 차이를 특히 극명하게 드러낸다.

Agent에게 "어느 팀이 이길지 판단해줘"라고 요청하면 몇 초 만에 그럴듯한 분석을 내놓겠지만, 요구사항이 "이 자금을 받아 앞으로 한 달간 예측 시장에 지속적으로 참여하고, 최대 손실폭(Max Drawdown)을 통제하면서 수익을 높여라"로 바뀌면, 이는 완전히 다른 종류의 문제가 된다.

Agent는 실시간 뉴스, 배당률, 주문장(Order Book)을 계속해서 읽고, 시장이 해당 정보를 충분히 가격에 반영했는지 판단해야 하며, 언제 포지션을 열고, 추가하거나 청산할지 결정하고, 자신의 판단이 틀렸을 때 신속하게 전략을 조정해야 한다.

그리고 최근 잇따라 등장하는 일련의 인프라 혁신들은, 그간 상대적으로 부족했던 이 퍼즐 조각들을 하나둘 맞춰가고 있는 것으로 보인다.

1. AI Agent에게 '모의 훈련장'이 필요한가?

8월 중순, SKALE은 AgentPit이라는 흥미로운 신제품을 출시했다.

간단히 말해, 이는 예측 시장용 AI Agent를 위해 특별히 구축된 '모의 거래 샌드박스'다. 실제 Polymarket의 시장 정보를 동기화하고 API와 호환되며, 프로덕션 환경에 가까운 CLOB(중앙화 주문장) 방식의 주문장, CTF 토큰 및 결제 메커니즘을 채택하되, 실제 자금만 모의 USDC로 대체한 것이다.

개발자는 Agent가 이 환경에서 실시간으로 호가를 읽고, 주문을 체결하고, 포지션을 관리하며, 자금 손실 위험 없이 전략을 테스트할 수 있게 할 수 있다. 동시에 여러 Agent가 동일한 주문장에서 상호 작용하며 나타나는 집단 행동(emergent behavior)을 관찰할 수도 있다.

이는 전통적인 퀀트 트레이딩의 백테스팅 및 모의 거래와 다소 유사해 보이지만, AI Agent에게 있어 그 의미는 훨씬 더 심오하다.

Agent가 직면한 장기적인 문제 중 하나는, 과연 어떻게 Agent가 '정말로 거래를 할 줄 아는지'를 알 수 있느냐는 것이다.

주지하다시피, 과거 대규모 언어 모델의 능력을 평가할 때 업계는 정적인 벤치마크 테스트에 크게 의존해 왔다. 수학 문제를 몇 개 풀거나, 코드 일부를 수정하거나, 긴 텍스트를 요약하는 식이다.

그러나 실제 세계의 복잡한 의사 결정에는 미리 정해진 정답이 없다. 특히 금융 시장의 경우, Agent가 특정 예측 이벤트의 'YES' 공정 가치가 0.7달러라고 판단하고 현재 시장 가격이 0.55달러라고 가정해 보자. 매수 후 가격은 0.45달러까지 계속 하락할 수도 있고, 갑작스러운 뉴스로 인해 급등할 수도 있다. 또한 주문장의 즉각적인 유동성은 실제 체결 평균 가격에 직접적인 영향을 미친다.

이는 Agent가 한 번의 예측을 내놓고 작업을 끝내는 것이 아니라, 이전 결정으로 인한 실제 결과에 지속적으로 직면해야 함을 의미한다. 이것이 바로 AgentPit의 핵심 가치다. 이는 에이전트에게 실제 프로덕션 환경에 근접한 동적 피드백 루프를 제공한다:

관찰 → 판단 → 실행 → 피드백 획득 → 조정 → 재실행.

물론, 여기서의 '훈련'이 반드시 Agent가 거래를 할 때마다 기본 모델 파라미터를 자동으로 수정한다는 의미는 아니다. 이는 전략을 반복적으로 실행하고, 결과를 평가하고, 워크플로우를 개선할 수 있는 환경을 제공하는 것이다.

자율주행 시스템이 실제 도로에 나서기 전에 시뮬레이터에서 수많은 극단적인 시나리오를 경험해야 하는 것처럼, 미래에 실제 자금을 관리할 수 있는 금융 Agent 역시 몇 번의 프롬프트 테스트만으로 자산 통제권을 얻기는 어렵다. 먼저 연속적인 의사 결정 환경에서 자신이 얼마나 잘 수행하는지 증명해야 한다.

하지만 문제도 따른다.

시뮬레이션 환경에서 좋은 성과를 냈다고 해서 곧바로 실제 돈을 AI에게 맡길 수 있는 것은 아니다. 그 사이에는 더 중요한 한 단계가 필요하다.

2. 인프라 병행: 결제와 거래가 Agent의 기본 구성 요소가 되다

지난 수개월간 주요 클라우드 기업과 선두 거래 플랫폼의 움직임을 살펴보면, Agent의 운영 궤도가 놀라운 속도로 표준화되고 있음을 쉽게 발견할 수 있다.

먼저 기계(Machine) 기반 결제 프로토콜의 도입이다.

8월 18일, Amazon Bedrock AgentCore Payments가 정식 출시(GA)되었다. 이 서비스는 AgentCore에서 실행되는 에이전트가 제3자 API, MCP 서비스 또는 전문 데이터 소스를 스스로 발견하고 비용을 지불하여 호출할 수 있게 해주며, Coinbase 및 Stripe/Privy의 지갑 인프라와 통합되어 스테이블코인 및 x402와 같은 기계 결제 프로토콜을 기본적으로 지원한다.

이는 매우 실질적인 고통을 해결해 준다. Agent가 시장을 분석하다가 유료 고품질 실시간 데이터를 발견했을 때, 기존에는 워크플로우가 중단되고 사람이 직접 카드를 결제하고 API 키를 설정한 후에야 계속할 수 있었다.

그러나 AgentCore Payments 프레임워크 내에서 결제는 워크플로우 내의 자동화된 노드로 직접 캡슐화된다. 사용자가 예산과 전략을 사전에 설정하기만 하면, Agent는 유료 장벽에 직면했을 때 자율적으로 마이크로 결제를 시작하여 호출을 완료할 수 있다. 전체 과정에 인간의 개입이 필요 없으며, 지갑 개인 키와 자격 증명은 모델 자체와 분리되어 유지된다.

그리고 이틀 후인 8월 20일, Binance는 Agent OS를 출시하며 Agent 기본 인터페이스를 공개했다.

단순히 특정 AI 기능을 제공하는 것과 달리, Agent OS는 Agent에 특화된 금융 인프라 인터페이스 레이어에 가깝다. Binance API, Wallet Agentic Hub, x402, Skills Hub 및 MCP와 같은 구성 요소를 통합한 것이다.

이는 호환되는 AI 애플리케이션이 MCP를 통해 시세를 얻고, 계정 정보를 확인하며, 사용자 승인 후 지원되는 거래 작업을 실행할 수 있게 한다. 더 중요한 것은, 메커니즘 차원에서 권한 경계와 격리를 강조한다는 점이다:

사용자는 Agent 전용 하위 계정을 할당하여 자금 및 거래 활동을 마스터 계정과 분리하고, Agent별 구체적인 권한을 구성할 수 있다. 관련 접근 권한은 언제든지 철회할 수도 있다.

AgentPit, AWS AgentCore Payments, Binance Agent OS를 함께 놓고 보면 점점 더 명확해지는 변화를 발견할 수 있다:

AgentPit은 전략 테스트와 지속적인 피드백 환경을 제공하고, x402와 AWS AgentCore Payments는 기계 기반 결제를 개척하기 시작했으며, Binance Agent OS는 시세, 계정, 거래 및 온체인 기능을 Agent에게 개방하여, 기존에 분산되어 있던 기능들이 하나의 완전한 워크플로우로 서서히 연결되고 있는 것이다.

하지만 금융 시나리오에는 특히 중요한 점이 있다. 코드가 잘못되면 다시 실행하면 그만이지만, Agent가 잘못된 거래를 실행하면 자산은 이미 지갑을 떠나 실제로 손실될 수 있다.

이는 시뮬레이션 환경에서 실제 세계로 나아갈 때 반드시 거쳐야 할 역할이 하나 더 있음을 의미한다.

바로 지갑(Wallet)이다.

3. Agent Wallet의 진정한 가치는 무엇인가?

미래의 AI Agent가 수행할 전체 워크플로우를 그려보면, 명확한 체인이 나타난다:

• 먼저 AgentPit과 같은 시뮬레이션 환경에서 전략을 훈련하고 테스트한다;
• 그 다음 MCP, Skills 및 다양한 API를 통해 정보와 도구를 얻는다;
• x402와 같은 프로토콜을 통해 데이터와 컴퓨팅 리소스를 구매한다 (관련 기사: AI Agent가 '지갑'을 갖기 시작할 때: 경제적 자율권 이후, 누가 통제권을 지킬 것인가?);
• 이후 실제 시장에 진입하여 거래를 실행한다;
• 그리고 실제 결과에 따라 전략을 지속적으로 개선한다;

실행 단계에 이르면, 지갑이 수행하는 역할은 오늘날과는 전혀 달라질 것이다.

전통적인 Web3 지갑의 상호작용 로직은 인간-기계 인터페이스에 맞춰 설계되었다. 모든 서명은 인간이 화면 앞에서 육안으로 확인하고 수동으로 클릭하여 승인하는 방식이다. 그러나 초고빈도 Agent가 매초 여러 그룹의 호가 데이터를 읽고 포지션을 지속적으로 미세 조정해야 한다면, 여전히 인간이 건별로 서명해야 한다면 자동화의 의미는 사라질 것이다.

반면, 개인 키를 AI에게 직접 맡기는 것은 모든 보안 기준을 포기하는 것과 다름없다.

따라서 Agent Wallet이 진정으로 해결해야 할 문제는 결코 'AI가 개인 키를 얻는 방법'이 아니라, '최종 자산 통제권을 양도하지 않으면서 Agent에게 안전하고 통제 가능한 실행 권한을 제공하는 방법'이다.

이것이 바로 imToken이 Agent Wallet 설계 프레임워크에서 제시한 핵심 해법이다:

• 계정 격리 및 세션 키(Session Keys): imToken의 Agent Wallet 설계 구상에서, 실행 권한을 부여받은 각 Agent는 독립적인 Agent Account에 대응한다. 해당 세션 키는 신뢰 실행 환경(TEE)에서 생성 및 격리되며, 이 안전한 환경을 벗어나지 않는다.
• 정책(Policy) 규칙의 하드 제약: 각 Agent Account는 상호작용이 허용된 프로토콜 화이트리스트, 단일 거래 상한, 일일 한도, 운영 빈도, 권한 유효 기간 등이 포함된 명확한 Policy에 바인딩되어야 한다. 다시 말해, Agent가 얻는 것은 제약 없는 지갑이 아니라 규칙으로 둘러싸인 실행 계정이다.
• 최종 통제권은 사용자에게: Agent는 사용자가 사전 승인한 Policy 범위 내에서만 자율적으로 실행할 수 있으며, 경계를 벗어난 작업은 반드시 다시 사용자의 확인을 받아야 한다. 사용자는 항상 Policy를 조정하고, Agent를 일시 중지 또는 재개하고, 권한을 철회하고 자금을 회수할 수 있다. 비정상적으로 식별되거나 사전 설정된 전략을 벗어난 거래의 경우 자동 실행이 중단되고 사용자에게 신원 인증을 다시 요구한다.

이러한 관점에서 생태계 전체를 다시 살펴보면, 모의 훈련(예: AgentPit)과 스마트 지갑(예: imToken Agent Wallet)은 사실상 동일한 명제의 서로 다른 두 단계를 해결하고 있음을 알 수 있다.

전자는 Agent의 의사 결정 능력 상한선을 높이는 역할을 하고, 후자는 Agent의 행동 안전 하한선을 구축하는 역할을 한다.

둘 중 하나라도 빠져서는 안 된다.

이것이 아마도 Agent Wallet이 전통적인 Wallet보다 가장 중요한 변화일 수 있다.

마치며

이러한 의미에서 AgentPit의 등장 이후, 주목할 만한 새로운 단계가 도래하고 있다.

AI Agent는 '도구 사용법 배우기'에서 '일하는 법 배우기'로 전환하고 있다.

그리고 마침내 모의 훈련장을 벗어나 급변하는 실제 거래 세계로 발을 내딛을 때, 이 발걸음이 얼마나 안정적이고 멀리 나아갈 수 있을지는 단순히 기반 모델이 얼마나 똑똑한지에 달려 있는 것이 아니라, 우리가 이를 위해 구축한 계정과 권한 부여의 경계가 얼마나 견고한지에 달려 있다.

결국, 실제로 복잡한 경제 시스템 속에서 우리가 진정으로 필요로 하는 것은 결코 실수하지 않는 Agent가 아니라, 실수를 하더라도 그 위험이 여전히 통제 가능한 범위 내에 있는 Agent다.