OpenAI DevDay 2026: AI는 챗봇에서 ‘지속형 에이전트’로 이동한다
OpenAI DevDay 2026의 20개가 넘는 발표를 한 방향으로 보면, AI는 대화형 챗봇에서 지속형 에이전트로 이동하고 있다. Dots·Agents API·Codex·GPT-6.1 Sol이 만드는 구조적 변화를 살펴본다.
AI 에이전트
자가 개선 AI의 다음 병목은 모델이 아니라 ‘루프’다 — Stanford CS329A Part 9
Stanford CS329A Part 9을 바탕으로 자가 개선 AI의 다음 연구 과제인 reasoning diversity, verification, self-generated curriculum, continual learning, intelligence per watt를 정리합니다.
오래 일할 수 있는 AI와 믿고 맡길 수 있는 AI는 다르다 — Stanford CS329A Part 8
Stanford CS329A Part 8을 따라 METR, GDPval, DeepScholar-Bench를 비교하며 긴 task horizon과 실제로 믿고 맡길 수 있는 AI의 차이를 설명한다.
탐색만 늘린다고 AI가 똑똑해지는 것은 아니다 — Stanford CS329A Part 7
Stanford CS329A Part 7을 따라 AlphaCode, AlphaCode 2, Search-o1, Search-R1을 연결한다. Search의 핵심은 더 많이 찾는 것이 아니라 더 잘 생성·선별·압축하는 데 있다.
AI는 자기 추론에서 어떻게 다시 학습하는가 — Stanford CS329A Part 6 Train-Time Scaling
Stanford CS329A Part 6를 따라 STaR, DeepSeekMath/GRPO, DAPO를 연결한다. 검증된 reasoning이 어떻게 지속적인 train-time improvement로 바뀌는지 살펴본다.
AI 에이전트의 능력과 신뢰성은 다르다 — Stanford CS329A Part 5 Agent Evaluation
Stanford CS329A Part 5의 METR, GDPval, DeepScholarBench를 통해 agent capability와 reliability, context, 전문가 수준 산출물 품질이 왜 별개인지 살펴본다.
AI 에이전트의 피드백은 어디서 와야 하는가 — Stanford CS329A Part 4
Stanford CS329A Part 4를 따라 ReAct, 코드 실행 피드백, Constitutional AI를 하나의 질문으로 연결한다. Self-improving agent는 어떤 교정 신호를 믿어야 하는가?
Verifier도 틀릴 수 있다 — Stanford CS329A Part 3 Robust Verification
Stanford CS329A Part 3를 따라 outcome verifier, process reward model, Math-Shepherd, weak-verifier ensemble과 distillation까지 검증 기술의 진화를 살펴본다.
Test-Time Compute의 핵심은 ‘더 많이’가 아니라 ‘어디에 쓸 것인가’다 — Stanford CS329A Part 2
Stanford CS329A Part 2를 따라 repeated sampling, verifier bottleneck, compute-optimal inference, Archon까지 살펴보면 test-time scaling은 결국 연산 배분 문제라는 점이 드러난다.
AI 발전의 중심은 왜 ‘더 큰 모델’에서 확장되고 있는가 — Stanford CS329A Part 1
Stanford CS329A Part 1을 따라 사전학습 스케일링에서 CoT, post-training, test-time compute, verifier, agentic feedback loop로 이어지는 변화를 자세히 살펴본다.