당신이 로봇에게 그래픽 디자이너가 되는 법을 가르치고 있다고 상상해 보세요. 단순히 예쁜 그림 하나를 툭 내뱉고 멈추는 것이 아니라, 시도할 때마다 점점 더 나은 디자인을 하는 법을 배우길 원합니다. 이것이 바로 "에이전틱 디자인(agentic design)"의 세계입니다. 여기서 컴퓨터 프로그램은 계획을 세우고, 도구를 사용하며, 자신의 실수를 스스로 바로잡을 수 있는 에이전트처럼 행동합니다. 보통 이런 로봇들이 실수를 하면, 인간이 개입하여 "이 차트를 수정해"라고 말하거나, 로봇은 다른 결과를 기대하며 똑같은 지시사항을 가지고 다시 시도할 뿐입니다. 하지만 만약 로봇이 자신의 실패를 들여다보고, 문제가 자신의 '지시사항'에 있었음을 깨달은 뒤, 더 나아지기 위해 스스로의 규칙집을 다시 쓸 수 있다면 어떨까요? 이것이 바로 이 논문이 다루는 핵심 질문입니다: 어떻게 하면 단순히 무언가를 만드는 것을 넘어, 장기적으로 지속해서 더 나은 결과물을 만들어내는 시스템을 구축할 수 있을까요?

이 연구를 진행한 메투안(Meituan)과 여러 대학의 연구진은 AutoDesign이라는 시스템을 구축했습니다. 이것을 "메타 디자이너(meta-designer)"라고 생각하세요. AutoDesign은 단순히 포스터를 그리는 것이 아니라, 디자이너 로봇이 작업하는 과정을 지켜보며 어디서 비틀거리는지 포착하고, 조용히 디자이너의 지시 매뉴얼을 다시 쓰는 코치 역할을 합니다. 연구진은 이 시스템을 길고 지루한 학술 연구 논문을 화려하고 읽기 쉬운 컨퍼런스 포스터로 변환하는 까다로운 작업에 테스트했습니다. 그 결과, 이 시스템은 작업할수록 점점 더 똑똑해져서 결국 최고 수준의 상용 디자인 도구와 심지어 인간이 만든 워크플로우의 품질까지 뛰어넘었으며, 포스터 한 장당 커피 한 잔 값도 안 되는 비용을 들였습니다.

문제점: 기억을 못 하는 로봇

당신이 친구에게 케이크 굽는 법을 가르치고 있다고 상상해 보세요. 만약 친구가 첫 번째 케이크를 태웠다면, 당신은 "다음에는 불을 좀 낮춰"라고 말할 것입니다. 하지만 당신의 친구가 고정된 지시사항을 가진 로봇이라면, 그저 똑같은 높은 열기로 다시 시도하여 케이크를 또 태우고는 포기해 버릴지도 모릅니다. 대부분의 현재 디자인 로봇은 이런 방식으로 작동합니다. 그들은 무언가를 만들기 위해 일련의 규칙과 도구인 "하네스(harness)"를 사용합니다. 만약 규칙이 잘못되었다면, 로봇은 방금 태운 케이크를 고치려고 노력할지언정, 잘못된 규칙을 가지고 계속해서 잘못된 결과물을 만들어낼 것입니다. 이는 모든 실수를 일회성 오류로 취급할 뿐, 전체 시스템을 업데이트하기 위한 교훈으로 삼지 못하는 것입니다.

저자들은 진정으로 유용한 디자인 로봇을 만들기 위해서는 단순히 출력물을 고치는 것이 아니라, 출력물을 만드는 '시스템'을 고쳐야 한다고 주장합니다. 그들은 이를 **메타-하네스 최적화(Meta-Harness Optimization)**라고 부릅니다. 이는 단일 버그를 패치하는 것이 아니라 로봇의 뇌에 있는 운영 체제 자체를 업그레이드하는 것과 같습니다.

해결책: AutoDesign의 두 가지 루프 댄스

AutoDesign은 층 사이의 피드백 루프가 존재하는 2층 건물처럼 작동합니다.

내부 루프 (예술가): 이것은 실제 디자이너 로봇입니다. 과학 논문(입력)을 받아 포스터(출력)로 변환하려고 시도합니다. 단순히 한 번 그리는 것이 아니라, 스케치를 하고, 자신의 작업을 점검하며, "비주얼 크리틱(visual critic, 그림을 보는 또 다른 AI)"의 비판을 받고 오류를 수정합니다. 포스터가 보기 좋아질 때까지 이 과정을 반복합니다.

외부 루프 (코치): 이것이 마법 같은 부분입니다. 내부 루프가 포스터를 만드는 데 몰두하는 동안, 외부 루프는 전체 과정을 지켜봅니다. 그것은 모든 시도, 실수, 그리고 수정의 기록인 "롤아웃(rollout)"을 살펴봅니다. 그리고 질문합니다. "왜 로봇이 계속 차트를 망치는 걸까? 차트에 대한 규칙이 잘못된 건가?" 그런 다음, 코딩 에이전트를 보내 디자이너의 지시 매뉴얼(하네스) 중 딱 한 부분만을 수정하여 특정 문제를 해결합니다.

결정적으로, 이것은 무작위 추측이 아닙니다. 시스템에는 엄격한 "수용 게이트(Acceptance Gate)"가 있습니다. 새로운 지시 매뉴얼을 테스트 세트의 논문에 적용해 봅니다. 만약 새 버전이 포스터를 더 좋게 만들면서도 다른 부분을 망가뜨리지 않는다면, 그 변경 사항을 유지합니다. 만약 결과가 더 나빠진다면, 그 변경 사항을 버립니다. 이를 통해 로봇이 결코 퇴보하지 않고 오직 똑똑해지기만 하도록 보장합니다.

테스트: PosterBench

이것이 실제로 작동하는지 확인하기 위해, 연구진은 PosterBench라는 새로운 테스트 환경을 구축했습니다. 생물학, 물리학, 경제학 등 다양한 분야의 100가지 서로 다른 과학 논문이 여러 디자인 시스템에 주어지는 거대한 경연 대회를 상상해 보세요. 시스템들은 이 밀도 높고 텍스트가 많은 논문들을 포스터로 변환해야 합니다.

심사위원들(엄격한 컴퓨터 규칙과 AI 비주얼 크리틱의 조합)은 다음 7가지 항목을 기준으로 포스터를 채점합니다:

1. 충실도(Faithfulness): 논문의 내용을 진실하게 전달했는가?
2. 포괄성(Coverage): 중요한 부분을 모두 포함했는가?
3. 밀도(Density): 정보가 알차면서도 지저집지 않은가?
4. 시각적 증거(Visual Evidence): 차트와 그래프가 정확한가?
5. 레이아웃(Layout): 조직적으로 배치되었는가?
6. 가독성(Readability): 글자를 실제로 읽을 수 있는가?
7. 미학(Aesthetics): 아름다운가?

결과: "괜찮음"에서 "놀라움"으로

처음 시작할 때, 기본 디자인 하네스(초기 규칙 세트)는 고전하고 있었습니다. 점수는 100점 만점에 약 49.00점이었습니다. 내용이 빈약하고, 지저분하며, 중요한 세부 사항을 놓치고 있었습니다.

AutoDesign이 "자기 진화(self-evolution)" 루프를 실행함에 따라 점수는 상승했습니다. 로봇이 스스로를 가르치는 과정을 거친 후, 점수는 80.88에서 정체기에 도달했습니다. 하지만 연구진은 거기서 멈추지 않았습니다. 그들은 검색 방향을 재설정하기 위해 로봇에게 약간의 인간 가이드를 제공했고, 점수는 더 높게 뛰어올랐습니다. 바로 88.39였습니다.

가장 인상적인 부분은 무엇일까요? 그들은 자신들의 시스템인 AutoDesign을 현존하는 최고의 상용 디자인 도구인 Claude Design과 비교했습니다.

• Claude Design은 70.87점을 기록했습니다.
• AutoDesign은 78.32점을 기록했습니다.

이는 7.45점의 격차입니다. 디자인 벤치마크의 세계에서 이는 엄청난 승리입니다. 더욱 놀라운 점은, 학습된 "DesignHarness"(개선된 규칙집)를 다른 약한 코딩 로봇들에 연결했을 때, 그 로봇들도 갑자기 훨씬 더 나아졌다는 것입니다. 예를 들어, 34.73점을 기록하던 로봇이 새 규칙을 사용하자마자 54.29점으로 급등했습니다.

비용과 미래

연구진은 가격표도 확인했습니다. 완전 자율 실행 모드에서 시스템은 포스터 한 장을 만들기 위해 253번의 도구 호출을 수행하고 11번의 편집 단계를 거쳤습니다. 약 40분이 소요되었으며 비용은 3달러 미만이었습니다. 이는 인간 디자이너를 고용하는 것보다 저렴하고, 수동 프로세스를 기다리는 것보다 빠릅니다.

인간이 어떤 시스템이 만든 것인지 모르는 상태에서 진행된 블라인드 테스트에서, **64%**의 경우 인간은 다른 시스템보다 AutoDesign이 만든 포스터를 선호했습니다.

이 논문은 이것이 단지 포스터에 국한된 문제가 아니라고 제안합니다. 동일한 "메타-하네스" 개념은 논문을 슬라이드 덱, 웹사이트, 또는 컨퍼런스 영상으로 변환하는 데에도 사용될 수 있습니다. 시스템은 좋은 디자인의 원칙을 학습하고, 이를 당신이 필요한 어떤 형식에도 적용합니다.

이것이 의미하는 바

이 논문은 우리가 영원히 모든 디자인 문제를 해결했다고 주장하는 것이 아닙니다. 대신, 실시간 피드백을 바탕으로 시스템이 자신의 "지시 매뉴얼"을 재귀적으로 개선하게 함으로써, 우리가 초기 상태보다 훨씬 더 유능한 디자인 에이전트를 구축할 수 있음을 보여줍니다. 이는 우리를 단순히 명령을 따르는 로봇에서 벗어나, 더 나은 창조자가 되는 법을 배우는 로봇으로 이동시킵니다. 그들이 구축한 "DesignHarness"는 이제 어떤 디자인 로봇도 더 똑똑하게 만들 수 있는 재사용 가능한 도구가 되었으며, 때로는 로봇에게 일을 잘하는 법을 가르치는 가장 좋은 방법이 스스로를 가르치는 법을 가르치는 것임을 입증했습니다.