미국 2026년 9월 18일 AI 브리핑: 기업 agent control plane과 모델 지출이 갈라지고, AI가 칩 설계를 2주로 압축하며, Salesforce는 10일 자율 에이전트의 지속운영 구조를 제시했다

핵심 요약

조사 기준 시각: 한국시간 2026-09-19 09:36:50 KST (Asia/Seoul, UTC+09:00) / 미국 동부 2026-09-18 20:36:50 EDT (America/New_York, UTC-04:00) / 미국 서부 2026-09-18 17:36:50 PDT (America/Los_Angeles, UTC-07:00) / UTC 2026-09-19 00:36:50. [확인] 지정 발행 폴더의 직전 미국 AI 브리핑은 gpt_20260919_083511_001.docx다. 이번 실행에서는 직전 문서의 군사정보 AI 오판, Gemini 사이버 평가 breakout, Nscale IPO, Ratepayer Protection Act를 반복하지 않았다. 발행폴더 검색에서 이번 핵심 후보인 VentureBeat의 August agent-control-plane 조사, Architect Labs Redwood, An Architecture for Long-Horizon Agents는 동일 핵심사건으로 다룬 기존 문서를 확인하지 못했다. [확인-1] VentureBeat는 9월 18일 13:27 PDT(16:27 EDT) VB Pulse August wave를 공개했다. OpenAI Agents SDK 또는 Responses API를 agent stack에 설치한 75개 기업 중 52개, 69%가 OpenAI를 primary orchestration platform으로 답했다. Anthropic Claude Platform 및 Agent Skills를 사용하는 45개 기업 중 primary로 답한 곳은 17개, 38%였다. Primary platform을 하나 지정한 162개 응답에서는 OpenAI 33%, Google Enterprise Agent Platform 24%, Anthropic 11%였다. VentureBeat - Enterprise agent control plane survey [확인-조사한계] 이 수치는 미국 전체 enterprise market share가 아니다. August wave는 221 responses 중 169개 조직을 qualified sample로 사용했고, self-selected VentureBeat audience/research panel이며 100명 이상 조직만 포함한다. 10,000명 이상 조직은 16%, technology/software는 10%로 July wave보다 mid-market·비기술 조직 비중이 높았다. VentureBeat 스스로 monthly sample mix가 크게 달라 trend line으로 읽지 말라고 명시했다. [확인] Anthropic은 primary 전환률은 낮았지만 향후 consideration은 강했다. 12개월 내 플랫폼 추가·교체를 고려한다고 답한 121개 중 36개가 Anthropic을 고려했고 현재 Anthropic 사용 45개 대비 consideration ratio가 조사대상 주요 플랫폼 중 가장 높았다. 전체 169개 중 101개, 60%는 12개월 내 orchestration platform을 도입·추가·교체할 계획이고 47개는 한 분기 안에 움직일 계획이라고 답했다. [확인] 기업이 primary agent control plane을 provider에게 맡길 때 가장 큰 우려는 model/tool 간 inflexibility 28%, vendor lock-in 16%였다. 2026년 말 primary control plane 위치 예상은 provider-managed 26%, provider-native와 external orchestration의 hybrid 33%였다. [확인-공식기술근거] OpenAI Agents SDK는 tool execution, guardrails, handoffs, sessions, human-in-the-loop, tracing을 runtime 수준에서 관리한다. Trace에는 model turn, tool call, handoff, guardrail, custom event가 기록된다. OpenAI Agents SDK OpenAI tracing [확인-경쟁사기술근거] Claude Managed Agents는 Agent, Environment, Session, Event를 분리하고 cloud 또는 self-hosted sandbox, stateful session, web/MCP tools, scheduled execution을 제공한다. Agent와 environment는 재사용되고 각 session은 task별 running instance가 된다. Anthropic Managed Agents Anthropic sessions [확인-교차맥락] 모델 소비 데이터는 control-plane 조사와 다르게 보인다. Vercel AI Gateway의 9월 보고서에서 August open-weight models는 token volume 56%지만 spend는 14%였고 Anthropic은 gateway spend 64%를 차지했다. Ramp의 July business-spend data에서도 Anthropic paid adoption은 43.5%, OpenAI 39.7%였다. 두 데이터는 모집단과 측정방법이 달라 VB Pulse를 검증하는 동일지표가 아니라 model spend/volume과 orchestration control plane은 다른 시장임을 보여주는 비교자료다. Vercel AI Gateway Production Index Ramp AI Index August [추론] 핵심은 어떤 모델에 돈을 쓰는가와 누가 agent의 권한·세션·도구·실패복구를 통제하는가가 분리되고 있다는 점이다. 기업은 Anthropic model을 많이 쓰면서 OpenAI·Google·Microsoft 등 다른 control plane 위에서 실행할 수 있고, open-weight model을 대량 routing하면서도 orchestration과 governance는 closed platform에 맡길 수 있다. [추론] 따라서 장기 lock-in은 model API보다 Identity + Tool Registry + Session State + Approval + Trace + Budget + Deployment Policy를 가진 control plane에 더 강하게 생길 수 있다. Model switching cost가 낮아져도 agent execution history와 permission graph를 옮기는 비용은 높아질 가능성이 있다. [반대근거] VB Pulse는 probability sample이 아니며 August 단면이다. OpenAI 69%와 Anthropic 38%를 전체 시장 점유율처럼 일반화하면 안 된다. Vercel·Ramp 역시 각자 gateway/customer population만 본다. 현재 증거는 시장 전체 승자가 아니라 여러 measurement layer가 서로 다른 승자를 가리킨다는 사실에 더 가깝다. [확인-2] VentureBeat는 9월 18일 10:28 PDT에 Architect Labs의 Redwood를 다시 분석했다. 회사의 AI system은 두 명의 인간 architect가 쓴 high-level specification 아래에서 performance model, RTL, UVM verification environment, formal proofs, firmware, drivers, compute kernels를 생성·검증해 2주 이내 FPGA에서 동작시켰다. VentureBeat - Architect Labs Redwood follow-up [확인-최초공개] Architect Labs의 8월 27일 공식 발표와 8월 26일 arXiv paper에 따르면 Redwood Nano는 AMD Versal VPK180 FPGA 250MHz에서 Qwen3-0.6B를 end-to-end로 실행하며 측정 throughput은 평균 12.1 tokens/sec였다. 회사는 모든 block이 95% 이상 code/functional coverage를 달성했고 첫 RTL-to-FPGA drop에서 bug가 발견되지 않았다고 주장한다. Architect Labs - Introducing Redwood arXiv - Redwood paper [확인] 회사는 specification 변화마다 48시간 안에 regenerate·reverify·redeploy했고 peak 115 merge commits/day를 기록했다고 밝혔다. FPGA emulation을 여러 agent가 공유하도록 만들어 optimization run을 15시간에서 15~30분으로 줄였다고 설명한다. [확인-중요한제한] Redwood는 아직 fabricated ASIC silicon이 아니다. VentureBeat는 현재 동작증거가 FPGA이며 NVIDIA Jetson Orin Nano 대비 1.75x throughput, 1.9x lower power, 3.4x performance-per-watt는 Samsung 8nm-class ASIC으로 옮겼을 때의 projection이라고 명시했다. Measured FPGA에서는 Qwen3-0.6B 12.1 tokens/sec였고 Jetson Orin Nano measured baseline은 28 tokens/sec였다. 회사도 real silicon is the final ground truth라고 밝히며 TSMC tapeout과 post-silicon validation을 다음 단계로 둔다. [확인-조직/투자배경] Reuters는 6월 Architect Labs가 $24M seed를 조달했으며 Ebrahim Hussain·Aaditya Subedi가 custom-chip design cycle을 줄여 Broadcom·Marvell이 지배하는 custom silicon 시장에 도전하려 한다고 보도했다. 투자자에는 Kindred Ventures, TQ Ventures, Race Capital, Together Fund와 Jeff Dean 등 업계 인물이 포함됐다. Reuters - Architect Labs $24M seed [확인-기술추적] Redwood는 tile-based spatial-dataflow accelerator이며 각 tile에 RISC-V control core, matrix/vector engine, local memory가 결합된다. AI system은 architecture와 software를 순차 handoff하지 않고 하나의 optimization loop에서 co-design한다. 회사는 Qwen3를 Redwood inference endpoint로 넣어 다음 세대 accelerator의 timing/kernel optimization도 탐색했다고 주장한다. [추론] 이 사건의 본질은 AI가 Verilog를 썼다보다 specification을 source of truth로 두고 Architecture → RTL → Verification → Firmware → Kernel → FPGA feedback을 하나의 closed loop로 만든 데 있다. 성공할 경우 semiconductor 조직의 병목은 코드를 쓰는 인력보다 specification quality, sign-off rule, physical design, DFT, tapeout, post-silicon validation으로 이동한다. [추론] 또한 workload가 몇 달 단위로 바뀌는 AI 시대에 chip architecture가 수년 전에 freeze되는 문제를 줄일 수 있다. Model/Workload Change → Spec Update → HW/SW Regeneration → Formal/Simulation → FPGA → Measurement → Next Spec가 실제로 수일 단위로 반복된다면 custom accelerator economics가 바뀔 수 있다. [반대근거] 실제 silicon tapeout과 post-silicon yield, timing closure, power, thermal, reliability, DFT, memory/IO integration은 아직 검증되지 않았다. FPGA prototype 성공과 production ASIC 성공은 다른 문제다. recursive self-improvement 표현도 Qwen3가 제한된 timing/kernel 개선을 제안한 좁은 사례이며 일반적인 자가개선 AI로 확대해석하면 안 된다. [확인-3] Salesforce AI Research 소속 연구자 Erik Nijkamp, Anurag Koul, Egor Pakhomov, Bo Pang은 9월 17일 arXiv에 An Architecture for Long-Horizon Agents: Levels, Ticks and Cascaded Intelligence를 제출했고 9월 18일 최신판이 반영됐다. 논문은 days/weeks task의 핵심문제를 더 긴 context가 아니라 context, process, human-attention interval보다 오래 살아남는 harness로 정의한다. arXiv - Long-Horizon Agents [확인] 논문은 seven bottlenecks를 Autonomy, Horizon, State, Resilience, Delegation, Correctness, Cost로 정리한다. 해결구조는 four abstractions인 level, tick, protocol, tier다. Level은 시간척도별 bounded state를 갖고, tick은 autonomous action unit, protocol은 writer/reader/cadence/check가 명시된 durable file channel, tier는 deterministic process·routine/strong labor·judgment 계층이다. [확인] 핵심규칙은 Nothing may live only in a context다. 각 level의 state는 bounded file로 존재하고 session start와 compaction 뒤에는 checkpoint, standing decisions, plan, unknowns, experiment cards를 다시 읽는다. Downward channel은 directives, upward channel은 compressed state·escalation·attention·kill verdict를 운반한다. [확인] Cost는 cascaded intelligence의 review-and-escalate로 다룬다. 작업은 가능한 가장 낮은 tier에서 실행하고 한 단계 위에서 review하며, 실패하면 feedback과 retry, 다시 실패하면 stronger tier 또는 principal로 올린다. Strong model은 task 크기가 아니라 cost of being wrong이 클 때 사용한다. [확인-실험] 10일 campaign에서 agent는 published asynchronous RL result를 재현했고 200회 이상의 tick, 약 24회의 human escalation이 있었다. 사람은 하루 한 번 참석했다. Driver session은 compaction·rotation·watchdog로 여러 차례 reset됐지만 file state에서 복구했으며, 초기에 기록한 operating rule이 이후 행동을 바꿨지만 model weight는 변경하지 않았다. [확인-관련연구체인] 같은 Salesforce 연구진의 9월 1일 Parsing the Stream은 long-horizon trace를 append-only event ledger에서 typed state와 observer/agent view로 fold하는 구조를 제안했다. 120-link sequential dependency task에서 deterministic running-state를 유지하는 방식이 full-context prompting보다 안정적이었다. 이번 long-horizon paper는 그 계열을 더 큰 autonomy·resilience·cost architecture로 확장한 것으로 볼 수 있다. arXiv - Parsing the Stream [확인-연구자] Salesforce 공식 profile에서 Erik Nijkamp는 Research Scientist, Egor Pakhomov는 Principal Applied Scientist로 agent memory와 foundation-model data/experimentation을 연구하며, Bo Pang은 Lead Research Scientist로 LLM pre/post-training·reasoning·agents를 연구한다. Anurag Koul은 Salesforce Lead Research Scientist로 RL, planning, agentic model post-training을 다룬다. Salesforce - Erik Nijkamp Salesforce - Egor Pakhomov [추론] 가장 중요한 메시지는 long context ≠ long-horizon operation이다. Agent가 일주일을 일하려면 memory, scheduler, watchdog, checkpoint, reviewer, budget, human escalation을 모델 밖 durable state machine으로 가져가야 한다. [추론] 이는 enterprise agent architecture를 Prompt + Context에서 Event Ledger → Bounded State → Tick Scheduler → Worker → Reviewer → Escalation → Checkpoint/Resume로 바꾼다. 모델 교체보다 harness를 유지하면 state와 policy가 살아남을 수 있으므로 agent 운영체계가 model-independent asset이 된다. [반대근거] 논문 자체가 한 개의 10-day campaign에 대한 existence proof이며 benchmark가 아니라고 명시한다. 성공 task도 연구진이 설계한 harness와 verifier에 맞춘 environment이고 다른 산업 workflow에서 같은 결과가 보장되지 않는다. operating knowledge accumulation은 weight update를 하지 않았으므로 continual learning과 구분해야 한다. 조사 중 이 최신 architecture paper와 직접 연결된 public GitHub repository는 확인하지 못했다.

핵심 사건 종합표

순위	분류	핵심 사건	최초 출처	연관 출처 체인	발생 시각과 미국 현지 날짜	핵심 사실	후속 전개	왜 중요한가	숨은 의미·비하인드 해석	담당자·관련 인물	수혜자	불리한 측	기술·사업 영향	다음 신호	신뢰도	검증 상태	원문 링크
1	Enterprise AI·Agent Orchestration·Control Plane	OpenAI agent platform 설치기업 69%가 primary로 답한 VB Pulse; Anthropic은 38%, 그러나 model spend 데이터는 Anthropic 우세	VentureBeat Pulse 9/18	August survey → OpenAI/Anthropic primary ratio → official agent-runtime docs → Vercel token/spend split → Ramp business adoption → control-plane와 model-consumption divergence	VentureBeat 2026-09-18 13:27 PDT / 16:27 EDT	OpenAI users 75 중 52 primary; Anthropic users 45 중 17 primary. 60%가 12개월 안에 platform 변화 계획	Anthropic consideration pipeline은 강하고 hybrid control plane 예상이 33%	model winner와 agent operating-system winner가 다른 시장이 될 수 있음	[추론] lock-in의 중심이 model weights/API에서 identity·sessions·tools·approval·traces로 이동	Matt Marshall, OpenAI Agents team, Anthropic Managed Agents team, enterprise AI buyers	orchestration vendors, governance/observability, multi-model enterprises	단일-model 종속 architecture, state/permission portability가 약한 플랫폼	agent control plane, tracing, budget, session state, vendor portability가 구매결정 핵심	다음 VB Pulse, actual migration rates, agent state export, cross-platform identity, per-agent cost controls	중간-높음	VB self-selected survey는 확인; 전체시장 일반화 금지. Vercel/Ramp은 다른 모집단의 비교자료	VentureBeat / OpenAI SDK / Anthropic / Vercel / Ramp
2	AI Hardware·EDA·Custom Silicon	Architect Labs Redwood: AI가 spec 아래 전체 HW/SW design-verification loop를 2주 안에 FPGA로 구현	Architect Labs 8/27 paper/blog; 9/18 VentureBeat independent follow-up	$24M seed → Redwood spec → AI-generated RTL/UVM/formal/firmware/kernels → FPGA Qwen inference → Sep18 external scrutiny → future TSMC tapeout/post-silicon	VentureBeat 2026-09-18 10:28 PDT / 13:28 EDT; 최초공개 8/27	2 human architects, <2 weeks FPGA deployment, 48h iteration, >=95% coverage company claim, measured 12.1 tok/s Qwen3-0.6B on FPGA	full GDSII, TSMC tapeout, larger model/fabric, post-silicon validation 예정	AI workload 변화속도와 chip design 수년 주기의 mismatch를 줄일 가능성	[추론] source of truth가 RTL이 아니라 executable spec이 되고 verification compute가 design speed를 결정할 수 있음	Ebrahim Hussain, Aaditya Subedi, Architect Labs researchers; investors incl. Jeff Dean	custom-silicon buyers, EDA automation, AI/robotics workloads	수작업 RTL/verification 중심 조직, long freeze cycle	spec-driven co-design, AI-generated verification, hardware/software optimization loop	taped-out silicon, A0 success, real power/timing/yield, DFT, customer silicon, unit economics	높음	FPGA와 paper/blog는 확인; ASIC 성능 3.4x/W는 projection. 실제 silicon 미검증	VentureBeat / Architect Labs / arXiv / Reuters
3	AI Research·Long-Horizon Agents·Harness Architecture	Salesforce 연구진이 levels·ticks·protocols·tiers로 10일 자율 에이전트 지속운영을 제시	arXiv 9/17, updated 9/18	prior agent-memory/live-trace research → seven bottlenecks → durable file state/ticks → reviewer/escalation/watchdog → 10-day RL reproduction with 200+ ticks → future continual-learning insertion points	submitted 2026-09-17 00:15 UTC; latest version 9/18, update 시각 미공개	one human check/day, 200+ ticks, ~24 human escalations, context/process resets 후 file-based resume; no weight updates	연구진은 durable harness를 continual learning 이전의 substrate로 주장	long-horizon autonomy의 병목이 context length보다 state/process/human-attention lifetime임을 실증적으로 구조화	[추론] enterprise agent의 핵심자산은 prompt가 아니라 event ledger·bounded state·review gates·recovery protocol	Erik Nijkamp, Anurag Koul, Egor Pakhomov, Bo Pang, Salesforce AI Research	persistent research/ops agents, orchestration/runtime vendors, enterprise automation	chat-session-centric agent, memory를 context에만 두는 architecture	durable state, hierarchical scheduler, model cascading, watchdog, human escalation	multi-task replication, code release, benchmark, failure rate, cost comparison, production rollout	높음	arXiv full HTML 확인. Single campaign existence proof이며 일반 benchmark 아님	Long-Horizon paper / Parsing the Stream / Salesforce

1. Enterprise agent control plane — 모델 지출과 orchestration 주도권이 갈라진다 — 연관 추적

① 최초 신호

[확인] 2026년 enterprise AI stack은 한 모델·한 플랫폼보다 여러 orchestration layer와 여러 model provider를 동시에 사용하는 방향으로 움직여왔다. 이번 August VB Pulse는 설치되어 있는 플랫폼과 실제로 primary control plane으로 삼는 플랫폼을 분리해 질문했다.

② 공식 확인

[확인] VentureBeat는 9월 18일 13:27 PDT에 OpenAI platform 사용자 75개 중 52개가 primary라고 답했고 Anthropic은 45개 중 17개라고 보도했다. VentureBeat

③ 후속 기사와 반응

[확인] 동일 시기의 Vercel AI Gateway production data는 open-weight models가 August token volume 56%를 처리하는 반면 Anthropic이 spend 64%를 차지한다고 보여준다. Ramp도 July paid adoption에서 Anthropic 43.5%, OpenAI 39.7%를 기록했다. Vercel Ramp

④ 담당자·연구자·개발자 발언

[확인] VentureBeat 분석은 spend data가 시험 중인 model과 기업이 실제 agent control plane으로 채택한 platform을 구분하지 못한다고 지적한다. OpenAI·Anthropic 공식문서 모두 sessions, tools, environments, handoffs/guardrails 또는 vaults처럼 model call 위의 runtime layer를 제품화하고 있다.

⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서

[확인] OpenAI Agents SDK 공개문서는 tracing을 default로 제공하고 tool call·handoff·guardrail을 span으로 기록한다. Anthropic Managed Agents는 stateful sessions와 isolated sandbox, MCP, scheduled runs를 beta surface로 제공한다. OpenAI tracing Anthropic

⑥ 실제 제품·기술·정책 변화

[확인] Agent platform 선택은 이제 model endpoint 선택만이 아니라 session state, tool execution, credential, sandbox, approval, trace, schedule을 어디에 둘지 정하는 architecture decision이다. 같은 enterprise가 여러 provider model을 쓰면서 하나의 primary orchestration layer를 가질 수 있다.

⑦ 숨은 의미와 비하인드

[추론] AI 시장의 측정지표를 최소 세 개로 분리해야 한다. Token Volume, Model Spend, Agent Control Plane. Open-weight model은 volume을 가져가고 frontier closed model은 spend를 가져가며 별도의 hyperscaler/model-provider가 orchestration 주도권을 가져갈 수 있다. [추론] 장기적으로 가장 비싼 migration은 model 바꾸기가 아니라 permission graph, agent identity, durable session, audit history, policy를 다른 control plane으로 옮기는 일이 될 수 있다. 이 층이 enterprise AI의 새로운 ERP/OS 역할을 할 가능성이 있다.

⑧ 반대 근거와 과장 가능성

[확인] VB Pulse sample은 self-selected이며 매달 구성이 달라 trend로 읽기 어렵다. Vercel·Ramp도 각각 gateway와 spend-management customer만 본다. OpenAI가 enterprise agent market 69%를 장악했다는 결론은 허용되지 않는다.

⑨ 향후 예상되는 다음 행동과 확인해야 할 신호

Primary platform 유지율, platform-to-platform migration, session/state export standard, cross-provider agent identity, external orchestrator와 provider runtime의 역할분담, per-agent budget circuit breaker, actual production incident rate를 추적해야 한다.

2. Architect Labs Redwood — AI가 hardware design loop를 재작성 — 연관 추적

① 최초 신호

[확인] Architect Labs는 6월 $24M seed와 함께 custom silicon의 수년짜리 design cycle을 AI로 줄이겠다고 공개했고, 8월 Redwood를 첫 공개 demonstration으로 내놨다.

② 공식 확인

[확인] 8월 27일 회사는 두 human architects가 specification을 만들고 AI가 performance model, RTL, UVM, formal proofs, firmware, drivers, kernels를 2주 안에 생성·검증해 FPGA에서 Qwen inference를 실행했다고 발표했다. Architect Labs

③ 후속 기사와 반응

[확인] 9월 18일 VentureBeat는 measured FPGA result와 projected ASIC result를 명확히 분리했다. Redwood는 아직 fabricated silicon이 아니며 NVIDIA 대비 우위는 Samsung 8nm-class projection이다. VentureBeat

④ 담당자·연구자·개발자 발언

[확인] Architect Labs는 traditional sequential handoff를 없애고 specification에서 HW/SW artifact를 반복적으로 regenerate하는 것이 핵심이라고 설명한다. 회사는 실제 silicon이 최종 검증이라고 인정하며 TSMC tapeout을 목표로 한다.

⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서

[확인-한계] 회사는 DAC에서 live FPGA inference demo를 했다고 공식 blog에 기록했지만 이번 실행에서 독립적인 full demo video나 공개 Redwood source repository는 확인하지 못했다. 따라서 performance 근거는 paper, company blog, VentureBeat follow-up을 사용했다.

⑥ 실제 제품·기술·정책 변화

[확인] 현재 실재하는 결과는 FPGA implementation과 co-designed software stack이다. Design iteration을 48시간 이내에 regenerate·reverify·redeploy하고 AI agents가 verification과 kernel optimization까지 수행한 것이 제품 변화의 핵심이다.

⑦ 숨은 의미와 비하인드

[추론] Hardware development에서 source of truth가 hand-written RTL에서 formalized specification으로 올라갈 수 있다. AI가 implementation을 재생성할 수 있다면 human role은 architecture intent, constraints, safety/sign-off, physical reality 검증으로 이동한다. [추론] Custom chip 시장의 경제성도 바뀔 수 있다. 기존에는 설계 인력·시간 때문에 특정 hyperscaler만 workload-specific silicon을 만들 수 있었다면 design cost가 낮아질수록 robotics, industrial AI, enterprise workloads에도 custom ASIC 수요가 열릴 수 있다.

⑧ 반대 근거와 과장 가능성

[확인] FPGA는 production silicon이 아니다. Projected 49 tokens/sec와 3.4x perf/W는 fabricated Samsung 8nm measurement가 아니다. Tapeout 후 timing, power, thermal, yield, packaging, memory, reliability가 검증되지 않으면 NVIDIA를 이겼다고 말할 수 없다.

⑨ 향후 예상되는 다음 행동과 확인해야 할 신호

TSMC tapeout date, GDSII completion, first-silicon bring-up, A0 bug count, measured power/performance, DFT coverage, yield, customer design wins, EDA sign-off methodology, human intervention 로그를 확인해야 한다.

3. Salesforce long-horizon agent architecture — context보다 harness가 오래 살아야 한다 — 연관 추적

① 최초 신호

[확인] Salesforce AI Research는 agent memory, trace folding, software-engineering agent 등을 통해 session을 넘어서는 state 문제를 연구해왔다. 9월 1일 Parsing the Stream은 long trace를 event ledger와 typed state로 fold하는 구조를 공개했다.

② 공식 확인

[확인] 9월 17일 제출된 최신 논문은 long-horizon agent의 조건을 C, P, A, F가 전체 horizon H보다 훨씬 짧다로 표현하며 context, process, human-attention, failure interval을 모두 넘어야 한다고 정의했다. arXiv

③ 후속 기사와 반응

[확인-한계] 조사시각 기준 이 논문을 깊게 재현한 독립 benchmark나 peer-reviewed follow-up은 확인되지 않았다. 최신 arXiv 연구이므로 이번 보고서는 원문 HTML과 저자 공식 profile을 우선했다.

④ 담당자·연구자·개발자 발언

[확인] 저자들은 continual learning 전에 continual operation without forgetting이 필요하다고 주장한다. Erik Nijkamp, Egor Pakhomov, Bo Pang은 Salesforce AI Research 소속이며 Anurag Koul도 Salesforce Lead Research Scientist로 RL·planning·agentic models를 연구한다.

⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서

[확인-한계] 논문 원문은 전체 architecture와 10-day campaign trace를 설명하지만 이번 실행에서 이 최신 paper의 공개 GitHub code repository를 확인하지 못했다. 이전 Parsing the Stream은 code/benchmark/trace 공개를 명시했으므로 연구 계보상 reproducibility 방향은 존재하지만 새 architecture 구현 전체의 공개상태는 별도로 봐야 한다.

⑥ 실제 제품·기술·정책 변화

[확인] Architecture는 level별 bounded files, tick scheduler, protocol contracts, model tiers, watchdog, reviewer, kill verdict, human escalation을 결합한다. Agent는 context compaction이나 process death 뒤에도 checkpoint와 journal에서 재개한다.

⑦ 숨은 의미와 비하인드

[추론] Long-horizon agent는 chatbot을 길게 켜놓는 문제가 아니라 distributed system 문제다. State Persistence, Scheduler, Failure Detection, Replay/Resume, Budget, Reviewer, Human Escalation을 독립 서비스로 다뤄야 한다. [추론] 이 구조에서 model은 교체 가능한 worker/judgment tier가 되고 event ledger와 protocols가 오래 남는 자산이다. 즉 enterprise agent의 장기 source of truth가 conversation transcript에서 typed durable state로 이동한다.

⑧ 반대 근거와 과장 가능성

[확인] 10일 한 번의 campaign은 existence proof다. Agent가 reproduced research result를 냈다는 것과 수개월·다수 조직 업무에서 reliability가 보장된다는 것은 다르다. 논문도 accumulation과 learning을 구분하고 model weight update가 없었다고 명시한다.

⑨ 향후 예상되는 다음 행동과 확인해야 할 신호

여러 domain에서 재현, 30~90일 campaign, failure/restart statistics, total token/cost comparison, strong-tier 호출률, human escalation rate, open-source harness, production Agentforce 또는 Salesforce platform 통합 여부를 추적해야 한다.

① 오늘의 핵심 흐름

이번 증분은 AI 경쟁의 핵심자산이 모델 자체에서 모델을 둘러싼 실행·설계·지속운영 구조로 이동한다는 세 가지 증거를 보여준다. Enterprise는 agent control plane을 선택하고, chip startup은 specification 기반 hardware design loop를 자동화하며, Salesforce 연구는 long-horizon autonomy를 durable harness 문제로 재정의한다. [추론] 세 흐름을 하나로 묶으면 Intent/Spec → Control Plane/Harness → Execution → Verification → Durable State/Trace → Feedback → Regeneration이다. Intelligence가 한 번의 inference가 아니라 지속적인 운영루프로 바뀔수록 source of truth도 prompt에서 policy·state·spec·evidence로 이동한다.

② 새로운 출시·업데이트

이번 실행의 가장 최신 직접 업데이트는 미국 서부 9월 18일 13:27 PDT에 공개된 VB Pulse agent-orchestration 분석이다. Architect Labs 사건은 8월 공개기술에 대해 9월 18일 10:28 PDT에 새 independent follow-up이 붙었고, long-horizon paper는 9월 17일 제출 후 9월 18일 최신판이 반영된 fresh research다.

③ 핵심기술·연구

Agent control plane에서는 sessions, tool execution, tracing, approvals, sandboxes가 model 밖 runtime primitive가 된다. Hardware에서는 high-level specification이 RTL·verification·firmware·kernel을 재생성하는 source of truth가 된다. Long-horizon research에서는 bounded file state, event ledger, ticks, watchdog, reviewer, cascading model tiers가 핵심 primitive다. [추론] 공통기술은 typed durable state + verifiable transition이다. 실행단계가 길어질수록 자연어 대화만으로 상태를 보존하기 어렵고, machine-readable state와 deterministic checks가 중요해진다.

④ 기업·담당자·조직 신호

OpenAI와 Anthropic은 model vendor에서 agent runtime/control-plane vendor로 이동하고 있다. Architect Labs는 인간 hardware engineers의 역할을 line-by-line implementation에서 specification·sign-off 쪽으로 올리려 한다. Salesforce AI Research는 model training보다 harness architecture를 별도 연구주제로 전면화했다. [추론] 향후 AI 조직은 Model Team, Agent Runtime Team, Identity/Policy Team, Evaluation/Observability Team의 경계가 더 명확해질 가능성이 있다.

⑤ SNS·YouTube에서 포착된 신호

이번 핵심사건은 신뢰도 확보를 위해 VentureBeat 원문, 회사 공식 docs/blog, arXiv, Reuters를 중심으로 구성했다. Architect Labs의 DAC live demo 주장은 회사가 공개했지만 독립 full demo video는 확인하지 못해 별도 성능근거로 사용하지 않았다. Long-horizon paper의 공개 GitHub 구현도 이번 탐색에서 확인되지 않았다.

⑥ 약한 신호와 향후 조짐

[추론] 첫째 model commoditization이 빨라질수록 enterprise value는 control plane에 쌓일 수 있다. 둘째 AI chip design이 tapeout까지 반복 성공하면 designless semiconductor라는 새 서비스층이 생길 수 있다. 셋째 weeks-long agents가 늘면 cron, queue, durable state, reviewer, replay를 결합한 Agent OS 시장이 workflow SaaS와 cloud runtime 사이에서 커질 수 있다. [추론] Vercel에서 open-weight token volume이 56%까지 오른 동시에 frontier lab spend가 높게 유지되는 현상은 cheap models가 routine tier를, expensive frontier models가 escalation/judgment tier를 차지하는 cascaded inference가 경제적으로 자연스러운 방향임을 보강한다.

⑦ 과장·루머·주의 항목

VB Pulse의 69%/38%는 전체시장 점유율이 아니라 특정 self-selected August sample의 installed-to-primary conversion이다. Redwood가 NVIDIA보다 실제 silicon에서 빠르다는 결과는 아직 없으며 3.4x perf/W는 projection이다. Salesforce 10-day agent는 연구결과를 재현했지만 범용 장기자율성 benchmark가 아니다.

⑧ 사용자가 반드시 알아야 할 것

실전 AI 시스템을 설계할 때 Model Registry 하나로는 부족하다. 최소 Agent/Control-Plane Registry, Identity/Permission Registry, Tool Registry, Durable State/Event Registry, Verification/Evaluation Registry, Budget/Cost Registry, Versioned Specification Registry가 필요하다. 특히 agent가 몇 시간·며칠을 넘어가면 prompt에 규칙을 넣는 것보다 state transition과 restart behavior를 코드·DB·event log로 정의해야 한다. 무엇을 기억할지, 언제 깨어날지, 실패하면 어디서 재개할지, 언제 stronger model 또는 사람에게 올릴지가 architecture의 핵심이다.

⑨ 누락 가능성과 탐색 한계

이번 조사는 VentureBeat Pulse 원문과 OpenAI/Anthropic agent-runtime 공식문서, Vercel·Ramp production/spend data, Architect Labs 공식 blog와 arXiv paper·Reuters·VentureBeat follow-up, Salesforce long-horizon arXiv full HTML과 연구자 공식 profile을 확인했다. VB Pulse raw respondent-level dataset은 공개되지 않았고, Architect Labs Redwood의 proprietary ALP source·EDA logs·실제 ASIC silicon은 공개되지 않았다. Salesforce 10-day campaign의 최신 architecture implementation repository도 이번 실행에서 확인하지 못했다. 로그인 제한 커뮤니티, 비공개 Slack/Discord, 삭제된 SNS, 내부 고객 telemetry는 확인한 것처럼 쓰지 않았다.

참고 자료와 작성 정보

조사·작성 기준 시각: 2026-09-19 09:36:50 KST / 2026-09-18 20:36:50 EDT / 2026-09-18 17:36:50 PDT / 2026-09-19 00:36:50 UTC. 주요 직접출처: VentureBeat - enterprise agent control plane; OpenAI Agents SDK; Anthropic Managed Agents; Vercel AI Gateway Production Index; Ramp AI Index; VentureBeat - Architect Labs Redwood; Architect Labs official Redwood; Redwood arXiv; Reuters - Architect Labs funding; Long-Horizon Agents arXiv; Parsing the Stream arXiv; Salesforce AI Research - agent memory. 이 브리핑은 AI의 도움으로 공개 자료를 조사·정리했습니다. 확인된 사실과 추론, 미확인 내용을 구분해 표시했습니다.