👩🏻‍💻 "AI는 왜 생물학보다 코딩 분야에서 더 빠르게 발전했을까요?"

Anthropic 연구 블로그에 안드레 카파시가 나오네요! 이렇게 변화가 느껴지는군요.

자자 에이전트들이 제대로 활용할 수 있는 인프라는 어떻게 구축해야 할까요.

AI 에이전트가 코딩 분야에서는 빠르게 발전했는데, 왜 생물학에서는 그렇지 않을까? 라는 질문에서 출발해요.

그 답은.. 생물 데이터 인프라가 에이전트 친화적으로 설계되지 않았기 때문이라는 거예요.

코딩은 처음부터 소프트웨어 에이전트를 위한 일종의 포장된 도로처럼 만들어졌지만,

생물학 DB는 인간 연구자를 위한 좁고 구불구불한 골목길 같은 느낌적인 느낌...

↓

에이전트가 NCBI Virus에서 바이러스 서열을 가져오는 데 실패하는 이유!

실제 사례 연구를 통해 보여주는데요.

NCBI Virus에서 특정 조건으로 바이러스 서열을 검색하는 작업을 최신 에이전트들.. Claude Sonnet 4, Opus 4.7, GPT-5.5 등 에게 맡겼더니..

정확도가 16.9%에서 91.3% 사이로 들쭉날쭉했고, 같은 질문을 세 번 물어도 결과가 완전히 달랐어요.

이게 왜 문제냐면, 생물학 연구에서는 작은 오류 하나가 전체 결론을 뒤집을 수 있거든요!

↓

결정론적 레이어 gget virus가 바꾼 것?

그래서 Anthropic 팀은 NCBI와 협력해 gget virus라는 도구를 만들었어요.

이 도구는 복잡한 브라우저 클릭 작업을 결정론적이고 재현 가능한 API 호출로 바꿔주는 레이어예요.

gget virus를 추가하자 에이전트들의 정확도가 90% 이상으로 올라가고, 최고 99.7%까지 도달했어요.

모델 간 성능 차이도 크게 줄었고, 실행 간 변동성도 거의 사라졌죠.

= "결정론적 검색 계층을 추가하면 모델 선택이 훨씬 덜 중요해집니다" (!!!)

↓

여기서 카파시가 나옵니다..!

안드레 카파시가 소프트웨어 개발에서..
"코드는 제일 쉬운 부분이었어요! 대부분의 작업은 브라우저에서 클릭하는 거였죠"

이렇게 얘기 했던 것처럼.. 생물학 연구자들도 수십 년째 비슷한 고통을 겪고 있었던 거예요.

이제 에이전트 시대가 오면서, 그 인프라를 에이전트가 다닐 수 있게 다시 설계해야 한다는 게 Anthropic의 제안입니다!

에이전트가 창의적으로 가설을 세우고 실험을 설계하는 건 모델이 잘 할 수 있어요.

하지만 그 아래에 깔린 레이어,, 유전자 식별자, 검색 로직, 메타데이터 체계.. 이런건 지루할 정도로 신뢰할 수 있어야 해요.
= 결정론적이어야 함!

생물 DB들도 이제 에이전트가 scale user라는 걸 염두에 두고 만들어져야 한다는거..