--- title: "엔비디아, 장기 실행 AI 에이전트용 레퍼런스 구현체 ‘니모클로’ 공개" published: 2026-05-04T05:05:03.102Z canonical: https://jeff.news/article/2125 --- # 엔비디아, 장기 실행 AI 에이전트용 레퍼런스 구현체 ‘니모클로’ 공개 엔비디아가 오픈소스 자율 에이전트 OpenClaw 확산에 맞춰, 기업 배포용 레퍼런스 구현체 NemoClaw를 소개했다. 핵심은 항상 켜져 있는 에이전트를 로컬에서 돌리되, 샌드박스·데이터 접근 제어·감사 가능성을 기본값으로 묶자는 방향이다. 생성형 AI에서 추론 AI, 자율 AI로 갈수록 토큰 사용량과 컴퓨팅 수요가 폭증한다는 주장도 함께 담겼다. ## 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 > [!IMPORTANT] > 포인트는 “더 똑똑한 챗봇”이 아니라 “계속 실행되며 실제 행동하는 프로세스”라는 점임. 이 차이 때문에 보안, 권한, 감사 문제가 바로 핵심 이슈가 됨. ## 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 ```mermaid 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 > [!IMPORTANT] > 엔비디아가 말하는 자율 에이전트의 추론 수요는 추론 AI 대비 1,000배임. “에이전트 몇 개 붙이면 되지”가 아니라, 인프라 비용 모델 자체가 바뀌는 얘기임. ## 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. ## 핵심 포인트 - OpenClaw는 60일 만에 깃허브 스타 25만 개를 넘기며 빠르게 확산된 자가 호스팅 AI 에이전트 프로젝트다. - NemoClaw는 OpenClaw, OpenShell 보안 런타임, Nemotron 오픈 모델을 한 번에 설치하는 기업용 레퍼런스 구현체다. - 엔비디아는 자율 에이전트가 추론 AI보다 추론 수요를 다시 1,000배 높일 수 있다고 본다. - 기업 배포의 핵심 조건은 감사 가능한 프레임워크, 샌드박스 런타임, 로컬 컴퓨팅이다. ## 인사이트 항상 켜져서 파일을 만들고 API를 호출하는 에이전트는 챗봇이 아니라 운영 주체에 가깝다. 엔비디아가 NemoClaw를 내세우는 이유도 모델 성능보다 ‘통제 가능한 실행 환경’을 먼저 팔아야 기업이 움직인다는 계산에 가깝다.