<aside> 🧭

하네스 워의 다음 국면은 “누가 가장 강한 모델을 갖는가”가 아니라 “누가 모델을 교체하면서도 업무 품질·보안·기억·평가를 계속 보유하는가”의 경쟁이다. OpenAI와 Anthropic은 모델 성능을 가장 잘 끌어낼 수 있는 하네스를 자기 생태계 안에 두려 한다. Microsoft는 반대로 하네스를 제품 스택에 남기고, MAI·외부 프런티어·소형 모델을 업무별로 라우팅하려 한다.

</aside>

하네스 워 다음의 전장: OpenAI·Anthropic·Microsoft는 왜 서로 다른 곳에 해자를 파는가

AI 에이전트를 만드는 회사에게 모델은 이제 완성품이 아니라 추론 엔진이다. 엔진이 바뀌어도 사용자는 기억을 잃지 않아야 하고, 권한 정책은 유지되어야 하며, 같은 업무가 같은 품질로 끝나야 한다. 이 당연한 요구를 책임지는 바깥 계층이 하네스다.

기존 글 「하네스 워 — OpenAI vs Anthropic, 그리고 우리가 준비해야 할 것」은 OpenAI와 Anthropic이 왜 하네스 계층을 새로운 잠금 지점으로 삼는지 다뤘다. 여기에 Microsoft의 MAI 전략이 더해지면 전쟁의 지도가 달라진다. Microsoft는 “우리 하네스를 써야 모델을 제대로 쓸 수 있다”는 길 대신, “우리 제품 하네스가 있으므로 가장 싼 모델부터 가장 강한 모델까지 계속 교체할 수 있다”는 길을 선택하고 있다.

삽화 1 — 모델은 교체되지만, 작업을 지휘하는 제어면은 남는다.

1. 하네스 워의 출발점: 모델 바깥의 계층이 에이전트를 만든다

LLM 하나는 문장을 만들고 다음 행동을 제안한다. 하지만 실제 업무는 모델 호출 한 번으로 끝나지 않는다. 파일을 읽고, 사내 데이터를 검색하고, 권한을 확인하고, 도구를 실행하고, 실패를 복구하고, 결과가 맞는지 검증해야 한다. 세션이 길어지면 무엇을 기억하고 무엇을 버릴지도 정해야 한다.

이 전체가 하네스다. 도구, 메모리, 컨텍스트 관리, 권한 승인, 샌드박스, 관찰성, 평가, 재시도 정책, 모델 라우팅이 모두 여기에 들어간다. 에이전트는 모델 그 자체가 아니라, 모델과 이 제어 계층이 결합해 만든 실행 단위다.

flowchart LR
    User[User task] --> H[Harness control plane]
    H --> M1[Frontier model]
    H --> M2[Specialized model]
    H --> M3[Local model]
    H --> Tools[Tools and data]
    H --> Eval[Evaluation]
    Eval --> H

OpenAI와 Anthropic이 보는 하네스

Anthropic은 장기 실행 애플리케이션을 위한 하네스를 설명하면서, 하네스의 각 구성요소는 “모델이 혼자 할 수 없다고 가정한 부분”이라고 말했다. 모델이 더 강해지면 그 가정은 제거 대상이 된다. 이 철학은 단순하다. 처음에는 작게 만들고, 실패가 확인된 부분에만 계획·생성·평가·복구의 구조를 추가한다.

OpenAI는 Agents SDK와 AgentKit을 통해 더 넓은 운영면을 제시했다. 장기 작업, 샌드박스, 서브에이전트, 승인과 트레이싱을 묶고, 특히 모델이 학습 중 익숙해진 방식의 하네스가 성능에 유리하다는 in-distribution harness 논지를 꺼냈다. 도구 프로토콜은 열려 있어도, 실제 설계·운영의 중심은 자사 워크벤치에 두겠다는 메시지다.

두 회사의 방식은 다르지만 공통점은 명확하다. 하네스는 단순 부속품이 아니라 모델 성능·안전·기업 거버넌스를 묶는 핵심 제품 계층이라는 것이다.

삽화 2 — 코드 우선의 조립식 하네스와 시각적 워크벤치형 하네스는 다른 모습이지만, 모두 자기 생태계 안에 운영면을 모은다.

2. Microsoft의 반대편 베팅: 하네스를 모델에 귀속시키지 않는다

사티아 나델라는 2026년 7월 23~24일 공개한 “Frontier Diffusion & Control” 메시지에서 MAI 자체 모델 전략을 제품 운영의 언어로 설명했다. 핵심은 거창한 모델 독립 선언보다 경제학이다. 소프트웨어에 실질 한계비용, 즉 추론비가 생겼으므로 모든 작업에 가장 큰 모델을 쓰는 방식은 오래 갈 수 없다는 것이다.

Microsoft가 제시한 운영 원칙은 작업별 최적화다. 일반적인 Excel 업무에서는 내부 MAI 모델이 GPT-5.6과 대등한 수준의 결과를 내면서 비용 효율이 더 좋다고 밝혔다. 이 주장은 Microsoft가 제시한 제품 지표이므로 독립 벤치마크로 일반화할 수는 없다. 다만 전략적 의미는 분명하다. 모델의 절대 순위가 아니라 특정 업무에서의 품질·지연·비용 조합이 교체 기준이 된다는 뜻이다.

Excel, Copilot, Outlook처럼 트래픽이 큰 제품에서 이 기준이 중요하다. 한 요청당 비용 차이가 작아도 수억 건의 반복 작업에서는 곧바로 제품 원가와 마진의 차이가 된다. MAI가 충분한 영역부터 내부 모델로 넘기고, 더 깊은 추론이 필요한 업무에는 외부 프런티어 모델을 남겨 두는 구조가 가능해진다.