엔비디아, 장기 실행 AI 에이전트용 레퍼런스 구현체 ‘니모클로’ 공개

오픈소스 자율 에이전트가 ‘깃허브 현상’이 됨

• OpenClaw는 2026년 초 오픈소스 AI 에이전트 쪽에서 거의 사건처럼 튀어 오른 프로젝트임

  • 1월에 깃허브 스타 10만 개를 넘겼고, 커뮤니티 대시보드 기준 일주일 방문자가 200만 명을 넘었다고 함
  • 3월에는 스타 25만 개를 찍으면서, 60일 만에 React를 제치고 깃허브에서 가장 많은 스타를 받은 소프트웨어 프로젝트가 됐다는 게 엔비디아의 설명임

• OpenClaw의 매력은 “내 서버에서 계속 돌아가는 AI 비서”라는 점임

  • Peter Steinberger가 만든 프로젝트고, 로컬 환경이나 개인 서버에서 실행되도록 설계됨
  • 클라우드 인프라나 외부 API 없이 AI 모델을 직접 배포할 수 있다는 점이 개발자들에게 꽤 세게 먹힌 듯함

• 여기서 말하는 ‘클로’는 일반 챗봇이랑 동작 방식이 다름

  • 보통 AI 에이전트는 사람이 프롬프트를 던지면 작업하고 멈춤
  • 클로는 백그라운드에서 계속 돌면서 작업 목록을 확인하고, 필요한 행동을 하고, 인간 판단이 필요한 것만 위로 올림
  • 기사에서는 이걸 ‘심장박동’처럼 주기적으로 깨어나는 구조로 설명함

그래서 엔비디아가 NemoClaw를 들고 나옴

• OpenClaw가 뜨자마자 보안 논쟁도 같이 따라붙음

  • 자가 호스팅 AI 도구가 민감한 데이터, 인증 정보, 모델 업데이트를 어떻게 다루는지에 대한 우려가 나옴
  • 패치 안 된 서버 인스턴스, 커뮤니티 포크의 악성 기여, 로컬 배포의 관리 공백 같은 리스크도 거론됨

• 엔비디아는 OpenClaw 커뮤니티와 협력해 보안과 견고성을 강화하겠다고 밝힘

  • 모델 격리 개선
  • 로컬 데이터 접근 관리 강화
  • 커뮤니티 코드 기여 검증 프로세스 강화
  • 목표는 OpenClaw의 독립 거버넌스를 유지하면서 보안 전문성을 오픈하게 기여하는 쪽이라고 함

• NemoClaw는 기업이 장기 실행 에이전트를 좀 더 안전하게 배포하도록 만든 레퍼런스 구현체임

  • 단일 명령으로 OpenClaw, NVIDIA OpenShell 보안 런타임, NVIDIA Nemotron 오픈 모델을 설치하는 구조
  • 네트워킹, 데이터 접근, 보안 기본값을 강화해 “이 정도는 깔고 시작하자”는 청사진 역할을 함

sequenceDiagram
    participant 운영팀
    participant 니모클로
    participant 오픈셸
    participant 로컬모델
    participant 내부시스템
    운영팀->>니모클로: 장기 실행 에이전트 배포
    니모클로->>오픈셸: 권한 경계와 실행 환경 설정
    니모클로->>로컬모델: 추론 요청 실행
    로컬모델-->>니모클로: 작업 계획 반환
    니모클로->>내부시스템: 허용된 API와 파일 작업 수행
    니모클로-->>운영팀: 감사 로그와 개입 필요 항목 표시

자율 AI는 컴퓨팅 수요를 다시 폭발시킴

• 엔비디아는 AI 흐름을 예측 AI, 생성형 AI, 추론 AI, 자율 AI의 네 단계로 봄

  • 예측 AI가 주류가 되기까지는 수년이 걸림
  • 생성형 AI는 더 빠르게 퍼졌고, 추론 AI는 그보다 더 빠르게 등장함
  • OpenClaw 같은 자율 AI는 확산 속도가 더 빠르다는 주장임

• 중요한 건 각 단계마다 추론 수요가 크게 뛴다는 점임

  • 생성형 AI는 예측 AI보다 토큰 사용량을 늘림
  • 추론 AI는 생성형 AI 대비 토큰 사용량을 다시 100배 늘렸다고 설명함
  • 항상 실행되며 장시간 작업하는 자율 에이전트는 추론 AI 대비 추론 수요를 다시 1,000배 높인다는 게 엔비디아의 숫자임

• 이 계산이 맞다면, 자율 에이전트는 모델보다 운영비와 인프라 설계가 먼저 문제가 됨

  • 밤새 연구 문제를 풀거나, 수천 가지 설계 구성을 반복하거나, 시스템을 계속 모니터링하는 식의 워크로드가 가능해짐
  • 대신 토큰과 GPU를 계속 태우는 구조라 비용 예측과 로컬 실행 전략이 중요해짐

언제 프롬프트 기반 AI 대신 클로를 써야 하나

• 사람의 요청이 있을 때만 답하면 되는 작업은 기존 생성형 AI가 더 자연스러움

  • 질문 답변, 초안 작성, 빠른 분석처럼 즉시 처리되는 작업은 온디맨드 방식이 잘 맞음
  • 굳이 항상 켜진 에이전트를 둘 이유가 약함

• 반대로 지속적인 감시와 반복 실행이 필요한 작업은 클로가 맞을 수 있음

  • 백그라운드 모니터링
  • 정기적인 시스템 점검
  • 수천 개 화학 조합 테스트
  • 인프라 스트레스 테스트 시뮬레이션

• 단순 제안이 아니라 실제 행동까지 맡길 때도 클로가 후보가 됨

  • 표준 AI는 정보 제공이나 초안 작성에 많이 쓰임
  • 클로는 API 호출, 데이터베이스 업데이트, 장기 파일 관리처럼 실행 단계로 넘어가는 워크플로우에 어울림

• 클라우드 API 호출이 너무 잦은 워크로드는 로컬 배포가 비용과 프라이버시 면에서 유리할 수 있음

  • 엔비디아는 DGX Spark 같은 개인용 AI 슈퍼컴퓨터를 예로 듦
  • 고빈도 추론을 로컬에서 처리하면 비용 예측 가능성과 데이터 통제권을 확보할 수 있다는 논리임

실제 활용처는 꽤 넓음

• 금융 서비스에서는 거래 시스템과 규제 피드를 계속 감시하는 식으로 쓸 수 있음

  • 아침 검토 전에 중요한 이벤트만 표시하는 형태
  • 사람이 밤새 로그와 피드를 뒤지는 대신, 에이전트가 1차 필터 역할을 하는 그림임

• 신약 개발에서는 문헌 스캔과 내부 데이터베이스 업데이트가 핵심 사례로 나옴

  • 새 과학 문헌을 읽고 관련 발견을 추출함
  • 내부 데이터베이스를 실시간으로 업데이트함
  • 예전에는 몇 주 걸리던 작업이라고 기사에서 설명함

• 제조와 엔지니어링에서는 하룻밤 반복 실험이 포인트임

  • 수천 가지 매개변수 조합을 테스트함
  • 결과를 순위화함
  • 사람이 검토할 가치가 있는 구성만 추려냄

• IT 운영에서는 인시던트 대응 시간을 줄이는 사례가 제시됨

  • 인프라 인시던트를 진단하고, 알려진 해결책을 적용하고, 새로운 문제만 에스컬레이션하는 구조
  • 평균 해결 시간을 몇 시간에서 몇 분으로 줄일 수 있다고 함
  • ServiceNow에서는 Apriel과 NVIDIA Nemotron 모델을 쓰는 AI 전문가들이 티켓의 90%를 자율 처리할 수 있다고 소개됨

기업 배포의 핵심은 거버넌스임

• 자율 에이전트는 실제 행동을 함

  • 통신을 보내고, 파일을 만들고, API를 호출하고, 라이브 시스템을 업데이트할 수 있음
  • 그러니까 “답변이 틀렸다” 수준이 아니라 운영 환경에 실제 결과를 남김

• 조직은 에이전트의 행동을 볼 수 있어야 함

  • 각 단계의 추론 과정을 검토해야 함
  • 행동을 감사할 수 있어야 함
  • 필요할 때 사람이 개입할 수 있어야 함

• 엔비디아가 제시하는 책임 있는 배포 조건은 세 가지임

  • 개방적이고 감사 가능한 프레임워크: OpenClaw의 MIT 라이선스 코드베이스를 기반으로 읽고, 포크하고, 수정할 수 있어야 함
  • 보안 런타임: OpenShell 같은 샌드박스로 에이전트 권한 경계를 명확히 해야 함
  • 로컬 컴퓨팅: 민감한 데이터와 추론 흔적을 조직 내부 환경에 남겨야 함

• 민감한 워크로드일수록 로컬 오픈 모델 배포가 설득력을 가짐

  • 환자 기록, 법률 문서, 금융 거래, 독점 연구 같은 데이터는 외부 API 호출 자체가 부담임
  • Nemotron 같은 오픈 모델을 내부에서 돌리면 데이터와 추적 로그를 조직 통제 아래 둘 수 있음

기술 맥락

• 여기서 중요한 선택은 “에이전트를 클라우드 서비스로 호출할 것인가, 조직 내부에서 계속 실행할 것인가”예요. OpenClaw와 NemoClaw는 후자에 가까운데, 에이전트가 장시간 돌아가며 파일과 API를 만지는 구조라 데이터 통제권과 감사 가능성이 훨씬 중요해지거든요.

• NemoClaw가 OpenShell 같은 런타임을 같이 묶는 이유도 단순해요. 장기 실행 에이전트는 한 번 잘못된 판단을 하면 계속 잘못 행동할 수 있어서, 모델 성능만큼이나 “무엇을 못 하게 막을 것인가”가 설계의 중심이 돼요.

• 엔비디아가 DGX Spark나 DGX Station을 언급하는 배경에는 추론 비용 문제가 있어요. 기사에서는 자율 에이전트가 추론 AI보다 추론 수요를 1,000배 늘릴 수 있다고 보는데, 이 정도면 클라우드 API 비용을 매번 계산하는 방식만으로는 운영 예측이 어려워져요.

• 한국 개발자 입장에서는 이 흐름을 “AI 자동화 도구 하나 더 나왔네”로 보면 놓치는 게 많아요. 실제 업무 시스템에 연결되는 에이전트라면 권한 모델, 감사 로그, 샌드박스, 온프레미스 배포 정책까지 같이 설계해야 하거든요.