작업 중간에 AI 모델을 전환해도 작업 내용을 잃지 않는 방법

Claude와 함께 힘든 디버깅 세션을 시작한 지 40분이 지났다고 가정해 봅시다. 이 모델은 코드베이스를 이해하고 있고, 전체 에러 트레이스(error trace)가 로드되어 있으며, 해결책까지는 세 단계만 남겨두었습니다. 그런데 사용량 제한에 걸리거나, 아니면 이 특정 문제가 GPT-4가 더 잘하는 종류의 문제라는 것을 깨닫습니다. 혹은 팀이 다른 모델로 표준화하여 작업을 인계해야 할 수도 있습니다.

그래서 당신은 다른 AI를 엽니다. 그리고 처음부터 다시 시작합니다. 에러 메시지를 붙여넣고, 관련 파일을 붙여넣으며, 이미 설명했던 컨텍스트(context)를 재설명합니다. 원래 위치로 돌아가기 위해 20분을 설정하는 데 사용하고도, 새로운 모델은 당신이 그곳에 도달하기까지의 추론 과정(reasoning trail)을 여전히 가지고 있지 않습니다.

이것이야말로 현재 AI 툴링에서 가장 어리석은 문제입니다. 모든 모델이 섬과 같습니다. 당신의 작업은 시작된 곳 어디엔가 갇혀 있습니다. AI 모델 간에 작업을 중간에 전환하는 것은 단순히 탭을 전환하는 것만큼 쉬워야 합니다. 하지만 현실은 마취제 없이 컨텍스트를 이식하는 과정입니다.

반드시 그럴 필요는 없습니다.

모델 전환이 추진력을 떨어뜨리는 이유

AI와 작업할 때, 당신은 눈에 보이지 않고 깨지기 쉬운 무언가, 즉 공유된 컨텍스트(shared context)를 구축하고 있습니다. 이 모델은 당신의 목표, 제약 조건, 이미 배제한 막다른 길, 다음 단계를 알려주는 부분적인 결과들을 가지고 있습니다. 그 컨텍스트는 대화 속에, 모델의 단기 기억 속에 존재하며, 다른 곳에는 없습니다.

모델을 전환하면 모든 것이 증발합니다. 새로운 모델은 백지 상태를 봅니다. 당신이 컨텍스트 전송 메커니즘(context transfer mechanism)이 되어 한 채팅창에서 다른 채팅창으로 정보를 수동으로 퍼 나릅니다. 그리고 당신은 이 일을 잘 못 합니다. 세부 사항을 잊어버립니다. 그대로 붙여넣어야 할 곳에 요약하고, 추론 과정은 건너뛰고 결론만 제시하게 되는데, 이는 새로운 모델이 당신이 간과한 세 번째 단계의 오류를 발견할 수 없게 만듭니다.

더 심각한 것은 실제로 무슨 일이 일어났는지 기록 자체가 없다는 것입니다. 첫 번째 모델이 툴(tools)을 실행했거나, API를 호출했거나, 중간 결과를 생성했다면, 그 실행 이력은 사라집니다. 두 번째 모델은 첫 번째 모델이 무엇을 했는지 검증할 수 없습니다. 단지 당신의 말에 의존할 뿐입니다. 그리고 당신의 말은 40분간의 작업에 대한 손실 압축(lossy compression)일 뿐입니다.

이것은 사소한 불편함이 아닙니다. AI 에이전트를 사용하여 실제 작업을 하는 사람에게 모델 전환은 모든 작업에 부과되는 세금과 같습니다. 더 나은 다른 모델이 있음에도 불구하고 하나의 모델에 갇혀 있거나, 이동할 때마다 컨텍스트 재구축 비용을 지불해야 합니다.

해결책: 어떤 모델이든 따라갈 수 있는 흔적(trail)

해답은 단순히 복사-붙여넣기 워크플로우를 개선하는 것이 아닙니다. 그것은 단일 모델 외부에 존재하는 세션 흔적입니다.

이렇게 생각해 보세요. AI가 당신을 위해 작업을 수행할 때마다, 검증 가능한 영수증을 생성해야 합니다. 어떤 도구가 실행되었는지, 입력값은 무엇이었는지, 출력값은 무엇이었는지, 그리고 언제 발생했는지에 대한 기록 말입니다. 모델이 스스로 작성한 요약본이 아닙니다. 다른 모든 시스템이 독립적으로 읽고 검증할 수 있는 암호화된 기록이어야 합니다.

이제 모델을 전환하는 것이 사소해집니다. 새로운 모델에게 브리핑할 필요가 없습니다. 이 흔적(trail)을 넘겨주면 됩니다. 새 모델은 모든 영수증을 읽고, 정확한 상태를 재구성하며, 아무것도 변조되지 않았는지 확인하고, 마지막 모델이 멈춘 곳에서 작업을 이어갑니다. 다시 설명할 필요도 없고, 컨텍스트가 손실될 염려도 없으며, 신뢰가 요구되지 않습니다.

이것이 바로 크로스-AI 연속성(cross-AI continuity)입니다. 그리고 이것은 세 단계로 작동합니다.

3단계 워크플로우

1단계: 어디서든 시작하기. 원하는 어떤 AI로 작업을 시작하세요. Claude, ChatGPT, Gemini, Cursor 등 작업에 맞는 것이면 무엇이든 좋습니다. 평소처럼 작업하세요. 질문을 하고, 도구를 실행하고, 반복합니다.

2단계: 모든 호출은 기록된다. 백그라운드에서 각 도구 호출은 검증 가능한 영수증을 생성합니다. 이 영수증에는 도구 이름, 정확한 입력값(해시 처리), 정확한 출력값(해시 처리), 그리고 타임스탬프가 포함됩니다. 영수증들은 해시 링크로 연결되어 전체 순서가 변조 방지(tamper-evident)됩니다. 하나를 삭제하면 체인이 끊어지고, 결과를 수정하면 해시 검사에 실패합니다.

3단계: 어떤 AI든 이어받는다. 전환하고 싶을 때, 새로운 모델은 영수증 흔적을 읽습니다. 그것은 완전하고 검증된 이력을 봅니다: 모든 도구 호출, 모든 결과, 모든 결정 지점입니다. 이전 모델이 일어난 일에 대해 당신의 말을 믿지 않습니다. 영수증을 확인합니다. 그런 다음 이전 모델이 멈춘 정확한 상태에서 계속 진행합니다.

이것이 전체 메커니즘입니다. 독점적인 종속성(proprietary lock-in)은 없습니다. 단일 공급업체가 작업 인계(handoff)를 통제하지 않습니다. 그저 영수증(receipts)만 있을 뿐이며, 이는 누구나 구현할 수 있는 개방 표준입니다.

실제 적용 사례

실제 환경에서 이것이 어떻게 작동하는지 살펴보겠습니다.

예를 들어, 이 영수증 추적(receipt trail)을 기본적으로 구현한 Zambo를 사용한다고 가정해 봅시다. Claude Code에서 작업을 시작합니다. 무언가에 대해 조사하도록 요청하면, 웹 검색, 파일 읽기, API 쿼리 등 수십 개의 도구 호출(tool calls)이 이루어집니다. 각 호출은 별도의 노력이 전혀 들지 않게 자동으로 영수증을 생성합니다.

작업 중간쯤에 다음 단계를 위해 ChatGPT로 전환하고 싶습니다. 대화를 복사하는 대신, 세션을 공유합니다. ChatGPT는 동일한 인터페이스를 통해 영수증 추적을 읽어들입니다. 12개의 모든 도구 호출을 확인하고, 각 영수증을 독립적으로 검증하며, 사용자가 정확히 어디에 있는지 알고 있습니다. 사용자가 다음 지침을 입력하면 그것이 계속됩니다. 컨텍스트 전송은 20분이 아니라 몇 초 만에 이루어졌습니다.

핵심 세부 사항: 새로운 모델은 이전 모델의 이벤트 요약을 신뢰하지 않습니다. 직접 영수증을 검증합니다. 만약 어떤 영수증이라도 해시(hash) 확인에 실패하면, 새로운 모델은 추적이 변조되었다는 것을 알고 이를 기반으로 작업을 진행하는 것을 거부합니다. 바로 이 검증 과정이 인계를 단순히 편리하게 만드는 것이 아니라 안전하게 만듭니다.

https://zambo.dev/demo에서 라이브 버전을 확인할 수 있습니다. 호출을 실행하고 영수증을 받은 다음, 직접 그 영수증을 확인해 보세요. 저장된 결과의 바이트를 하나 변경하면 검증이 실패하는 것을 볼 수 있습니다. 이것이 메커니즘이 제 역할을 하는 방식입니다.

크로스 AI 연속성(cross-AI continuity) 설정에 대한 전체 가이드는 https://zambo.dev/answers/switch-ai-models-mid-task/에서 확인할 수 있습니다. 더 깊은 기술 가이드는 https://zambo.dev/guides/cross-ai-continuity/에 있습니다.

전환에 영수증이 중요한 이유 (단순 로그가 아닌)

대화 기록은 증거가 아니라 이야기이기 때문입니다. 모델이 이를 작성한 것이죠. 나중에 편집되거나 잘리거나 환각(hallucinated)을 일으킬 수 있으며, 당신은 결코 알 수 없습니다. 새로운 모델에 채팅 내보내기(chat export)를 전달할 때, 그것은 그 내보내기가 완전하고 정확하다고 신뢰하는 것입니다. 확인할 방법이 없습니다.

영수증 추적(receipt trail)은 다릅니다. 각 영수증에는 실제 입력과 출력의 해시값(hashes)이 포함되어 있으며, 이전 영수증에 연결된 체인(chain)을 형성합니다. 새로운 모델은 서사(narrative)를 읽지 않습니다. 그것은 해시값을 재계산하고 일치하는지 확인합니다. 만약 누군가 결과를 편집하거나 가짜 도구 호출(fake tool call)을 추가했거나 단계를 삭제했다면, 체인은 정확히 그 지점에서 끊어집니다.

이것은 이해관계가 실제일 때 가장 중요합니다. 에이전트가 프로덕션 데이터에 접근했거나, 금융 계산을 실행했거나, 당신이 책임을 져야 하는 결정을 내렸다면, 채팅 기록만으로는 부족합니다. 그것을 생성한 에이전트를 신뢰하는 것에 의존하지 않는 형태의 '무슨 일이 일어났는지'에 대한 증거가 필요합니다.

영수증 없이 모델을 전환하는 것은 상태 업데이트(status update)만 가지고 프로젝트를 인계하는 것과 같습니다. 영수증을 가지고 전환하는 것은 완전하고 감사된 작업 문서(audited workpapers)를 인계하는 것입니다. 그중 하나는 심사를 견뎌냅니다. 다른 하나는 그렇지 못합니다.

FAQ

작업 중간에 AI 모델을 전환할 수 있나요?

네, 가능합니다. 영수증 기반의 연속성 추적(receipt-based continuity trail)을 사용하면 한 AI에서 작업을 시작하여 컨텍스트를 잃지 않고 다른 AI로 계속할 수 있습니다. 새로운 모델은 검증된 영수증 추적을 읽고 이전 모델이 중단했던 정확한 상태부터 재개합니다. 다시 설명하거나 수동으로 컨텍스트를 전송할 필요가 없습니다.

두 모델 모두 같은 벤더여야 하나요?

아닙니다. 영수증 추적은 모델에 구애받지 않습니다(model-agnostic). 이는 벤더 기능이 아닌 개방형 형식입니다. 어떤 AI든 이 추적을 읽을 수 있다면, 그것을 만든 회사가 어느 곳이든 상관없이 작업을 계속할 수 있습니다.

전환할 때 대화 기록은 어떻게 되나요?

영수증(receipts)은 실행 기록을 포착합니다: 어떤 도구가 실행되었는지, 그 도구들이 어떤 입력을 받았는지, 그리고 어떤 출력을 생성했는지를 말입니다. 이것이 바로 핵심적인 맥락(load-bearing context)입니다. 이 주변의 대화적 틀은 검증된 사실들이 이미 기록에 남아 있기 때문에 요약하거나 빠르게 재설정할 수 있습니다.

단순히 채팅 내용을 복사해서 다른 AI에게 붙여넣는 것과 같은가요?

아닙니다. 채팅을 복사하면 새로운 모델에게 검증되지 않은 서사(unverified narrative)를 제공하는 것입니다. 반면, 영수증 기록은 독립적으로 확인할 수 있는 증거를 제공합니다. 정확도가 중요한 상황에서는 이 차이가 중요합니다: 새로운 모델은 붙여넣은 스크립트를 신뢰하는 대신 이전의 모든 단계를 검증할 수 있습니다.

만약 핸드오프(handoff) 과정에서 영수증이 검증에 실패하면 어떻게 되나요?

그렇다면 새로운 모델은 기록이 정확히 어디서 끊어졌는지 알고, 검증되지 않은 상태를 기반으로 구축하는 것을 거부합니다. 이것이 시스템이 설계된 대로 작동하는 것입니다. 기초가 조작되었다는 사실을 3시간 후에 발견하는 것보다 핸드오프 시점에 연결 고리가 끊어진 것을 포착하는 것이 훨씬 좋습니다.

이것은 에이전트(agents)에게도 적용되나요, 아니면 채팅에만 적용되나요?

둘 다입니다. 인간이 주도하든 에이전트가 자율적으로 실행하든 메커니즘은 동일합니다. 모든 도구 호출은 영수증을 생성합니다. 권한이 부여된 시스템이라면 누구나 이 기록을 읽을 수 있습니다. 이는 특히 컨텍스트가 손실되었음을 알아챌 인간의 개입(human in the loop)이 없는 에이전트 핸드오프 상황에서 매우 강력합니다.

모델 전환 비용 지불 중단하기 (Stop paying the switching tax)

수동으로 맥락을 재구축할 때마다, 당신은 기계가 대신해야 할 작업을 하고 있는 것입니다. 전환하는 것이 너무 고통스러워서 최적화되지 않은(suboptimal) 모델에 갇혀 있을 때마다, 당신은 나쁜 워크플로우를 피하기 위해 더 나쁜 결과를 받아들이고 있는 것입니다.

해결책이 존재합니다. 영수증 덕분에 모델 전환이 재시작(restart)이 아닌 핸드오프가 됩니다. 표준은 공개되어 있으며, 도구는 이미 사용 가능합니다.

직접 시도해보세요: https://zambo.dev/demo에서 호출을 실행하고, 영수증을 가져와서 검증 가능한 기록이 어떤 모습인지 확인해 보세요. 그리고 다시는 새로운 모델에게 처음부터 브리핑할 필요가 없을 것이라고 상상해 보세요.

이제 당신 차례입니다. 자유롭게 전환하세요.