카파시는 이 에피소드에서 가장 먼저, 이제 code라는 말 자체가 정확하지 않다고 말해. 예전에는 개발자가 직접 코드를 타이핑하는 사람이었다면, 지금은 여러 에이전트에게 “내 의지”를 전달하고, 그들이 병렬로 일하도록 설계하는 사람이 되어 간다는 거야. 그가 “하루 16시간 동안 에이전트에게 내 의지를 표현한다”고 한 이유도 여기 있고, 특히 12월을 기점으로 자신이 직접 쓰는 코드보다 에이전트에게 위임하는 비중이 더 커졌다고 본다. 그는 이걸 단순 생산성 향상이 아니라 소프트웨어 엔지니어링의 phase shift처럼 느낀다고 설명한다.
2. 새 병목은 모델이 아니라 “사람의 오케스트레이션 실력”이다
이전 병목은 타이핑 속도, 구현 시간, 인간의 집중력이었는데, 이제 카파시는 실패의 원인을 모델 한계보다 “내가 아직 잘 못 시켰기 때문”으로 느낀다고 말해. instruction file이 약했을 수 있고, memory tool이 부실했을 수 있고, task decomposition이 안 좋았을 수 있다는 식이야. 그래서 “everything is skill issue”라는 표현이 나온다. 같은 맥락에서 그는 GPU가 놀고 있으면 불안했던 박사과정 시절처럼, 이제는 subscription과 token throughput이 남아 있으면 불안하다고도 말해. 즉, 코딩의 중심 스킬이 “직접 구현”에서 지시, 분해, 검증, 병렬화로 이동하고 있다는 뜻이야.
3. 다음 단계는 단일 에이전트가 아니라 멀티에이전트 + persistent system이다
카파시가 보는 “숙련”은 좋은 프롬프트 한 번 던지는 수준이 아니야. 여러 에이전트가 동시에 돌아가고, 서로 간섭하지 않는 일을 나눠 맡고, 사람은 그 위에서 macro action 단위로 레포를 조작하는 상태를 말해. 그가 Peter Steinberger 사례를 든 것도 그래서야. 여기서 중요한 게 “claw”인데, 이건 그냥 채팅형 코딩 에이전트보다 더 persistent한 층위야. 계속 살아 있고, 사용자가 보고 있지 않아도 루프를 돌고, memory와 tool을 붙여 장기 실행이 가능해야 한다는 발상이지. OpenClaw 공식 저장소도 실제로 agent workspace에 AGENTS.md, SOUL.md, TOOLS.md를 주입하고, gateway daemon을 설치해 assistant를 always-on으로 유지하는 구조를 설명한다.
4. 에이전트의 성능만큼 “성격과 인터페이스”도 중요하다는 게 그의 포인트다
카파시는 Claude와 Codex를 비교하면서, 단순히 코드 생성 품질만이 아니라 에이전트가 팀메이트처럼 느껴지는가, 내가 뭘 만들고 있는지 이해하는가, 칭찬이나 반응이 얼마나 적절한가까지 중요하다고 말해. 그의 표현대로 Codex는 상대적으로 dry하고, Claude는 teammate-like하게 느껴진다는 거지. 그리고 OpenClaw가 resonant했던 이유로 그는 SOUL.md 같은 personality layer, memory system, 그리고 WhatsApp 같은 단일 포털을 꼽는다. 즉 앞으로의 경쟁력은 “더 똑똑한 모델”만이 아니라 더 인간이 다루기 쉬운 agent persona + persistent UX에도 있다는 거야.
5. Dobby 사례가 보여주는 건 “앱의 시대에서 API의 시대로”의 이동이다
그가 가장 재미있게 든 예시는 집 자동화용 claw인 Dobby야. transcript에 따르면 그는 에이전트에게 집 LAN에서 Sonos 같은 장치를 찾게 했고, 에이전트가 이를 발견해 API를 찾아내고, 조명/HVAC/블라인드/풀/스파/보안까지 하나의 자연어 인터페이스로 엮었다고 설명한다. 그 결과 예전엔 6개 앱을 써야 하던 걸 이제는 WhatsApp을 통해 자연어로 제어하게 됐다는 거야. 여기서 카파시가 끌어낸 더 큰 결론은 강하다. 많은 앱은 사실 존재할 필요가 없고, 하드웨어/서비스는 API만 노출하면 되며, agent가 그 위의 지능 레이어가 된다는 거지. 즉 UX의 중심이 “사람이 배워야 하는 GUI”에서 “에이전트가 호출하는 API”로 이동한다는 주장이다.
6. AutoResearch는 “연구자까지 루프 밖으로 빼자”는 발상이다
카파시가 AutoResearch에서 밀고 있는 건 단순한 ML demo가 아니야. 핵심은 연구 루프를 인간이 계속 이어붙이는 구조 자체를 문제 삼는 것이야. 공식 repo 설명대로 autoresearch는 에이전트가 작은 LLM training setup에서 train.py를 바꾸고, 5분 훈련을 돌리고, val_bpb를 보고, 개선되면 유지하고 아니면 버리는 루프를 자동으로 반복한다. 그리고 사람은 Python 코드를 고치는 대신 program.md라는 markdown instructions를 고친다. 에피소드에서 카파시는 이걸 더 밀어붙여, 결국 연구 조직 전체가 markdown files로 표현될 수 있고, 그 조직 자체도 튜닝 대상이 된다고 말한다. standup을 적게 하는 조직, 더 risk-taking한 조직, 더 보수적인 조직을 전부 “code”로 볼 수 있다는 거지.
7. 그래서 그가 말하는 진짜 게임은 “evaluation이 있는 문제를 닫힌 루프로 바꾸는 것”이다
카파시는 이 패턴이 특히 objective metric이 명확한 문제에 강하다고 본다. 예를 들어 같은 동작을 유지하면서 CUDA kernel을 더 빠르게 만들기, validation metric을 낮추기, unit test 통과 여부로 판정되는 문제는 agent loop와 너무 잘 맞는다는 거야. 반대로 좋은지 나쁜지 평가하기 어려운 문제, 의도 해석, 미묘한 취향, 애매한 소프트한 판단은 아직 훨씬 어렵다고 말한다. 그래서 그의 메시지는 “모든 문제가 자동화된다”가 아니라 “평가 가능하게 정의된 문제부터 자동화가 급속히 먹힌다”에 가깝다.
8. 하지만 그는 동시에 지금 모델들이 여전히 ‘jagged’하다고 본다
이 대화의 밸런스가 좋은 이유는, 카파시가 엄청 흥분하면서도 모델의 이상한 불균일성을 계속 강조하기 때문이야. 그는 현재 모델을 “평생 시스템 프로그래머였던 뛰어난 박사과정생과 10살 아이가 한 몸에 들어 있는 것 같다”고 묘사한다. agentic task에서는 몇 시간씩 산을 옮길 수 있는데, 검증되지 않은 영역이나 soft task에선 엉뚱하게 헤매고, 심지어 농담 하나도 몇 년째 별로 발전이 없다는 예를 든다. 그의 설명은 명확해. RL이 잘 먹는 verifiable domain은 빨리 좋아지지만, 그렇지 않은 부분은 상대적으로 덜 최적화되어 남는다는 것. 그래서 그는 “코드가 좋아지면 모든 지능이 고르게 따라온다”는 강한 일반화 서사에는 회의적이다.
9. 모델의 미래도 “하나의 거대 oracle”보다 점점 분화될 수 있다고 본다
그는 지금의 labs가 하나의 거대한 monoculture model을 만들고 거기에 모든 능력을 밀어 넣으려 하는 것처럼 보인다고 말한다. 하지만 장기적으로는 speciation, 즉 분화가 더 자연스럽다고 본다. 생물계에서 시각 피질이 강한 동물, 특정 niche에 특화된 동물이 있듯이, AI도 모든 것을 다 아는 하나의 oracle보다 작지만 competent한 core를 가진 뒤 특정 작업에 전문화된 모델들이 늘어날 수 있다는 거야. 다만 아직은 fine-tuning으로 특정 능력을 올리면서 다른 능력을 망가뜨리지 않는 기술, 즉 “weights를 만지는 과학”이 충분히 성숙하지 않아 실제 분화가 크게 보이지는 않는다고 본다. 지금은 context window를 조작하는 쪽이 훨씬 쉽고 싸다는 얘기다.