무슨 변화인가
런던 기반 AI 연구소 Inherent가 새 AI 에이전트 Faraday를 공개했다. TechCrunch 보도에 따르면 Inherent는 Faraday가 발표된 과학 논문의 결과를 독립적으로 재현하는 특정 과제에서 Anthropic의 Claude Opus 4.8과 OpenAI의 GPT-5.5보다 나은 성과를 냈다고 밝혔다. 이 성과는 독립 검증 결과가 아니라 회사가 제시한 주장과 벤치마크 범위 안에서 읽어야 한다.
주목할 지점은 Faraday가 더 큰 범용 모델을 이겼다는 주장만이 아니다. 기사에 따르면 Faraday는 Qwen 3.6이라는 270억 파라미터 규모 모델을 기반으로 한다. Inherent는 단순한 정답률보다 어떤 실험을 해볼 가치가 있는지 판단하고 실험 설계를 고르는 능력, 즉 회사가 말하는 “연구 취향”을 더 중요한 목표로 제시했다.
개인 사용자, 학생, 연구자, 개발자에게 이 소식은 일반 챗봇 대체재의 등장이기보다 과학·연구 워크플로우에서 AI 에이전트가 반복 검증 작업을 어디까지 줄일 수 있는지 보여주는 사례에 가깝다.
Faraday가 겨냥하는 작업
Faraday의 핵심 과제는 이미 발표된 과학 논문의 결과를, 정답을 미리 알려주지 않은 상태에서 재현하는 것이다. 이는 논문 요약이나 질의응답과 다르다. 논문에 적힌 주장, 방법, 실험 조건을 읽고 실제로 재현 가능한 경로를 찾아야 하기 때문이다.
Inherent의 공동창업자이자 최고과학자인 Edward Hughes는 논문 재현이 인간 과학자에게도 흔한 훈련 과정이라고 설명했다. 많은 박사과정 학생들이 기존 연구를 재현하면서 분야의 방법론과 실험 감각을 익힌다는 취지다. 따라서 Faraday의 의미는 “논문을 잘 읽는 AI”라기보다 “연구 보조자가 실험 계획과 검증 과정에 어느 정도 참여할 수 있는가”에 더 가깝다.
다만 이 성과를 모든 연구 분야의 자동화나 논문 검증 문제의 해결로 확대해석하면 곤란하다. 기사에서 확인되는 것은 특정 재현 과제에서의 회사 측 성과 주장이다. 실제 사용 전에는 어떤 논문 유형, 데이터 접근 조건, 코드 실행 환경, 실패 처리 방식에서 성능이 검증됐는지 확인해야 한다.
작은 모델이라는 점의 의미
Faraday가 Qwen 3.6 기반 270억 파라미터 모델을 사용했다는 점은 비용과 운영 가능성 측면에서 눈여겨볼 만하다. 파라미터 수는 모델 규모와 학습 비용을 가늠하는 대략적인 지표로 쓰인다. 더 작은 모델이 특정 작업에서 대형 모델과 경쟁할 수 있다면, 연구 에이전트가 꼭 초대형 범용 모델만으로 구현돼야 하는 것은 아니라는 실험적 근거가 될 수 있다.
그러나 개인이나 연구팀이 곧바로 비용 절감을 체감할 수 있다는 뜻은 아니다. 실제 제품 가격, 사용량 제한, API 제공 여부, 대기 시간, 실행 환경 비용은 별도로 확인해야 한다. 보도만으로는 Faraday를 누가, 얼마에, 어떤 방식으로 사용할 수 있는지 단정할 수 없다.
사용자가 확인해야 할 기준
| 항목 | 확인할 질문 | 판단 기준 |
|---|---|---|
| 접근성 | Faraday가 공개 제품인지, 제한된 파트너에게만 제공되는지 | 계정 생성, 대기자 명단, 기관 조건을 확인해야 한다. |
| 가격 | 무료, 개인 유료, 팀, 기관 계약 중 어떤 방식인지 | 공개 가격표가 없으면 도입 비용을 추정하지 않는다. |
| 데이터 | 논문, 코드, 실험 데이터, 미공개 연구자료를 입력해도 되는지 | 데이터 보존, 학습 사용 여부, 삭제 정책을 먼저 확인한다. |
| 재현성 | 에이전트가 어떤 단계로 결론에 도달했는지 기록을 남기는지 | 명령, 코드, 실행 로그, 실패한 실험까지 추적 가능해야 연구에 쓰기 쉽다. |
| 대안 비교 | 현재 쓰는 ChatGPT, Claude, Gemini, 로컬 모델, 논문 검색 도구로 같은 결과를 낼 수 있는지 | 전환 비용보다 반복 검증 시간 절감이 클 때 도입 가치가 있다. |
학생과 연구자에게 의미 있는 지점
학생에게 가장 현실적인 사용 사례는 논문을 읽고 재현 계획을 세우는 단계다. 논문의 가정, 필요한 데이터, 실험 변수, 평가 지표, 누락된 코드 의존성을 정리해준다면 학습 효율이 올라갈 수 있다. 하지만 과제나 논문 작성에서 결과를 그대로 맡기는 방식은 위험하다. 재현 실험은 이해를 대신해주는 도구가 아니라, 이해해야 할 지점을 드러내는 도구로 써야 한다.
연구자에게는 기존 연구 검증, 후속 실험 후보 정리, 코드 실행 경로 탐색이 더 직접적인 관심사가 될 수 있다. 특히 여러 논문을 비교하며 어떤 실험을 먼저 재현할지 정해야 하는 상황에서 도움이 될 가능성이 있다. Inherent가 강조한 “연구 취향”도 이 지점과 연결된다. 좋은 연구 보조자는 가능한 모든 실험을 나열하는 것이 아니라, 제한된 시간과 계산 자원 안에서 의미 있는 실험을 고르는 데 기여해야 한다.
다만 연구 성과 검증에는 도메인 지식, 데이터 품질, 통계 해석, 실험 환경 차이가 크게 작용한다. AI 에이전트가 생성한 재현 결과는 최종 결론이 아니라 검토 대상이다. 논문 리뷰, 학위 연구, 산업 연구에 활용하려면 사람이 실험 설계와 결과 해석을 다시 확인해야 한다.
개발자에게 중요한 포인트
흥미로운 대목은 Inherent가 자체 코딩 도구를 만들기보다 Faraday가 OpenAI의 GPT-5.5 Codex를 사용하도록 했다는 설명이다. 회사는 인간 과학자가 기존 소프트웨어를 활용하듯, AI 연구 에이전트도 필요한 도구를 조합해 쓰는 방식으로 접근한 것으로 보인다.
개발자 입장에서는 하나의 모델이 모든 일을 하는지보다 논문 읽기, 계획 수립, 코드 작성, 실행, 로그 해석, 결과 요약이 어떤 흐름으로 연결되는지가 더 중요하다. 실제로 쓸 수 있는 연구 에이전트라면 실패한 코드 실행을 감추지 않고, 환경 설정 문제와 모델 판단 오류를 구분해 보여줘야 한다.
API나 실행 환경이 공개된다면 개발자는 공개 데이터셋이 있는 논문 하나를 골라 사람이 작성한 재현 계획과 Faraday의 계획을 비교해볼 수 있다. 이때 확인할 것은 그럴듯한 설명이 아니라 실행 가능한 명령, 의존성, 결과 파일, 평가 지표, 재실행 가능성이다.
과장해서 받아들이면 안 되는 부분
이번 보도는 Inherent가 제시한 성과와 방향성을 소개한 기사다. “AI가 과학자를 대체했다”거나 “논문 재현 문제가 해결됐다”고 읽으면 안 된다. 기사에서 다룬 것은 특정 작업에서의 성과이며, 회사의 장기 목표는 새로운 과학 지식을 발견할 수 있는 AI 과학자 에이전트를 만드는 것이다.
또한 Anthropic과 OpenAI 모델보다 나은 성과를 냈다는 주장도 과제 설정, 평가 기준, 사용 도구, 실행 환경을 함께 봐야 의미가 있다. Faraday가 더 작은 모델을 사용했다는 점은 주목할 만하지만, 실제 사용자가 얻는 성능과 비용은 제품화 조건에 따라 달라진다.
따라서 실사용 판단은 간단하다. 논문 재현, 실험 설계, 코드 실행 검증처럼 반복적이면서도 시간이 많이 드는 작업이 있다면 관심 목록에 올릴 만하다. 반대로 일반 문서 요약, 간단한 질의응답, 아이디어 브레인스토밍 정도가 목적이라면 기존 AI 도구와의 차이를 먼저 확인하는 편이 낫다.
출처와 검증
이 글은 TechCrunch가 2026년 8월 22일 보도한 Inherent와 Faraday 관련 기사 내용을 바탕으로 작성했다. 기사에서 확인되는 사실은 Inherent가 Google DeepMind 출신들이 세운 런던 기반 AI 연구소라는 점, Faraday 공개, 논문 재현 과제에서의 성과 주장, Qwen 3.6 270억 파라미터 모델 사용, GPT-5.5 Codex 활용, 강화학습 기반 접근, King’s Cross 사무실 운영, 연말까지 인원을 약 20~25명으로 늘리려는 계획이다.
실제 도입 전에는 Inherent의 공식 제품 문서, 가격표, 데이터 처리 정책, API 또는 앱 제공 여부를 별도로 확인해야 한다. 보도만으로 개인·팀·기관별 비용과 권한 조건은 확정할 수 없다.