---
title: "클론랩스, ‘사용자 판단을 예측하는 AI’로 에이전트 병목을 노린다"
published: 2026-05-19T08:34:01.841Z
canonical: https://jeff.news/article/2816
---
# 클론랩스, ‘사용자 판단을 예측하는 AI’로 에이전트 병목을 노린다

클론랩스가 사용자의 컴퓨터 사용 패턴과 업무 흐름을 학습해 AI 에이전트의 다음 행동을 대신 판단하는 ‘사용자 모델’을 개발하고 있다. 네이버 D2SF는 이 팀이 사람과 에이전트 사이의 새로운 병목을 빠르게 포착했다며 신규 투자를 집행했다. 제품은 레코딩, 메모리, 프리딕션 3단계 레이어로 구성되고, 예측 신뢰도에 따라 자동 실행 또는 사용자 확인을 나누는 구조다.

- 클론랩스가 네이버 D2SF에서 신규 투자를 받음
  - 이 회사는 ‘사용자 판단 예측 AI’를 만들고 있음
  - 사용자의 컴퓨터 사용 패턴과 업무 흐름을 학습해서, AI 에이전트가 다음에 뭘 해야 할지 대신 예측하고 실행하는 모델임
  - 2025년 하반기 네이버 D2SF 캠퍼스 기술창업 공모전에서 발굴됐고, 2026년 1월 인큐베이팅 시작 후 3개월 만에 투자까지 이어짐

- 문제의식은 꽤 현실적임. 에이전트가 많아지면 사람도 같이 바빠짐
  - 지금 AI 에이전트는 일을 대신해주지만, 사람이 매번 명령하고 결과를 검토하고 승인해야 함
  - 에이전트가 빨라질수록 사용자가 피드백해야 하는 순간도 늘어남
  - 결국 ‘AI가 일을 못 해서’가 아니라 ‘사람이 계속 봐줘야 해서’ 병목이 생긴다는 얘기임

> [!NOTE]
> 에이전트 자동화의 다음 과제는 단순 실행력이 아니라 사용자 개입을 얼마나 줄일 수 있느냐로 넘어가고 있음.

- 클론랩스가 제안하는 해법은 ‘사용자 모델’임
  - 사용자의 컴퓨터 사용 패턴과 업무 흐름을 학습함
  - 에이전트가 멈추는 순간, 사용자의 다음 행동을 예측해 대신 수행함
  - 목표는 개인의 행동과 선호를 학습한 AI가 여러 에이전트와 직접 소통하는 인터랙션 구조임

- 모델은 3단계 레이어로 설명됨
  - 레코딩은 사용자의 컴퓨터 사용 패턴을 기록하는 단계임
  - 메모리는 의사결정 과정에서 맥락과 선호를 축적하고 분석하는 단계임
  - 프리딕션은 AI가 그 정보를 바탕으로 다음 행동을 예측하고 수행하는 단계임

- 자동화 품질을 위해 신뢰도 기반 제어를 넣음
  - 예측 신뢰도가 높은 작업은 자동으로 수행함
  - 신뢰도가 낮은 작업은 사용자에게 확인을 요청함
  - 이 구조는 꽤 중요함. 모든 걸 자동으로 넘기면 사고가 나고, 모든 걸 묻는다면 애초에 병목을 못 없앰

- 초기 타깃은 ‘AI 빌더’임
  - AI 에이전트를 가장 활발히 쓰는 집단을 먼저 노리는 전략임
  - 제품으로는 클론 데스크톱과 클론 플러그인을 출시함
  - 에이전트를 많이 쓰는 사람일수록 승인, 검토, 지시의 피로가 빨리 오기 때문에 초기 사용자로 맞아떨어짐

- 팀의 연구 배경도 에이전트 쪽에 꽤 붙어 있음
  - 클론랩스는 서울대 학부생 출신으로 구성됨
  - 스탠퍼드대, 카네기멜런대 등과의 협업을 포함해 AI 에이전트 연구 논문 7편을 보유했다고 밝힘
  - 컴퓨터를 사람처럼 직접 조작하는 AI, 장기 메모리, 프라이버시 보존 메모리 아키텍처 등을 직접 연구해왔다고 함

> [!WARNING]
> 사용자 모델은 편해 보이지만, 사용자의 컴퓨터 사용 기록과 의사결정 맥락을 깊게 다루는 기술임. 제품 신뢰는 자동화 성능뿐 아니라 저장 범위, 삭제권, 로컬 처리 여부 같은 프라이버시 설계에 달릴 가능성이 큼.

---
## 기술 맥락

- 클론랩스가 보는 병목은 ‘에이전트가 일을 못 한다’가 아니라 ‘사람이 계속 판단해야 한다’는 지점이에요. 에이전트가 많아질수록 사용자는 명령자이자 검수자이자 승인자가 되는데, 그 역할 자체가 업무 흐름을 막을 수 있거든요.

- 그래서 사용자 모델은 개인화 자동화의 한 형태예요. 단순 매크로처럼 정해진 동작을 반복하는 게 아니라, 사용자의 과거 행동과 선호를 보고 다음 판단을 예측하려는 구조라서 메모리 품질이 핵심이에요.

- 레코딩, 메모리, 프리딕션으로 나눈 것도 이유가 있어요. 행동을 관찰하고, 그 행동의 맥락을 저장하고, 실제 실행으로 이어지는 단계를 분리해야 신뢰도 계산이나 사용자 확인 같은 안전장치를 넣을 수 있거든요.

- 신뢰도가 낮을 때 사용자에게 확인을 요청하는 설계는 현실적인 타협이에요. 에이전트가 모든 결정을 자동으로 하면 위험하고, 반대로 매번 물어보면 생산성 향상이 사라지기 때문이에요.

- 이 기술이 제품으로 자리 잡으려면 프라이버시 보존 메모리가 중요해져요. 사용자의 업무 패턴은 계정, 문서, 고객 정보와 엮일 수 있어서, 무엇을 기록하고 어떻게 지우고 어디서 처리하는지가 곧 도입 장벽이 될 수 있어요.

## 핵심 포인트

- 클론랩스는 네이버 D2SF로부터 신규 투자를 유치한 국내 AI 에이전트 스타트업이다.
- 핵심 제품은 사용자의 컴퓨터 사용 패턴과 의사결정 맥락을 학습하는 사용자 모델이다.
- 문제의식은 AI 에이전트가 많아질수록 사람이 명령하고 검토하는 과정 자체가 병목이 된다는 점이다.
- 모델 구조는 레코딩, 메모리, 프리딕션 3단계로 설명된다.
- 타깃은 AI 에이전트를 가장 적극적으로 쓰는 AI 빌더이며, 클론 데스크톱과 클론 플러그인을 출시했다.

## 인사이트

에이전트 시대의 다음 병목이 ‘모델 성능’이 아니라 ‘사용자 승인 피로’라는 관점이 흥미롭다. 다만 사용자의 행동 패턴을 깊게 학습하는 제품이라면 성능만큼이나 프라이버시와 통제 설계가 제품 신뢰를 가를 가능성이 크다.