런던 기반 AI 스타트업 Inherent는 자사의 새 에이전트 Faraday가 공개된 과학 논문의 결과를 독립적으로 재현하는 작업에서 Anthropic과 OpenAI의 더 큰 시스템을 능가했다고 밝혔습니다. 이 주장은 회사가 5,000만 달러의 시드 라운드로 스텔스 모드를 벗어난 이후 첫 공개 시연이며, 과학적 발견에 기여하는 AI 시스템을 만들겠다는 야심에 대한 초기 시험대가 됩니다.

이 비교가 주목되는 이유는 Inherent가 Faraday를 270억 파라미터를 가진 Qwen 3.6에서 구동된다고 말하기 때문입니다. 스타트업은 이를 Anthropic의 Claude Opus 4.8과 OpenAI의 GPT-5.5와 비교했으며, Inherent는 이들을 훨씬 더 큰 프런티어 모델이라고 설명합니다. 그러나 성능 결과는 회사가 TechCrunch를 통해 보고한 것이며, 공개된 증거에는 공개 벤치마크 방법론이나 독립 검증이 포함되어 있지 않습니다.

Faraday는 연구 재현을 겨냥한다

Faraday는 기대되는 답을 사전에 알려주지 않은 상태에서 과학 논문의 결과를 재현하도록 설계되었습니다. Inherent의 공동창업자이자 수석 과학자인 Edward Hughes는 TechCrunch에 논문 재현이 박사과정 학생을 포함한 인간 과학자들에게 표준적인 초기 과제라고 말했습니다.

이 스타트업은 단지 에이전트가 정답에 도달할 수 있는지만 평가한 것이 아니라고 말합니다. Faraday가 Hughes가 말한 “research taste”, 즉 가치 있는 실험을 식별하고 이를 어떻게 수행할지에 대해 합리적인 선택을 내리는 능력도 보여주길 원했습니다.

이 구분은 연구 지향 AI에서 중요합니다. 고정된 절차를 따르는 시스템은 기존 결과를 검증할 수 있지만, 유용한 과학적 협업자는 어떤 질문에 시간을 쓸 가치가 있는지, 어떤 변수를 시험할지, 그리고 언제 증거가 결론을 정당화할 만큼 충분히 강한지를 판단해야 합니다. Inherent의 장기적 목표는 하나의 벤치마크나 분야에 국한된 도구가 아니라 과학 분야 전반에서 작동할 수 있는 AI 과학자 에이전트입니다.

더 작은 모델과 다른 학습 선택

Inherent는 Faraday의 보고된 결과가 부분적으로 강화학습 사용 덕분이라고 설명합니다. 과학자들이 연구를 수행하는 방식에 대한 학습 데이터에 주로 의존하는 대신, 회사는 유용한 결과를 달성한 에이전트에 보상을 준다고 말합니다. 이 접근은 스타트업이 연구 감각과 연결하는 판단력을 포함해 더 넓은 의사결정 본능을 시스템이 익히도록 돕기 위한 것입니다.

이 선택은 의도적인 제품 전략도 반영합니다. Inherent는 Faraday를 위한 전용 코딩 도구를 개발하고 있지 않습니다. 회사에 따르면 이 에이전트는 코딩 작업에 OpenAI의 GPT-5.5 Codex를 사용하며, 인간 연구자들이 모든 도구를 직접 만드는 대신 기존 소프트웨어에 의존하는 방식과 유사합니다.

이 아키텍처는 과학 및 기술 에이전트를 구축하는 팀에게 중요할 수 있습니다. 가장 강력한 시스템이 반드시 하나의 거대한 단일 모델일 필요는 없습니다. 대신 특화된 도구, 코딩 시스템, 실험 환경, 평가 루프에 연결된 더 작은 추론 모델일 수 있습니다. Faraday의 보고된 비교는 그 접근이 전반적으로 더 우수하다는 것을 증명하지는 않지만, Inherent가 탐색 중인 절충의 구체적인 사례를 제공합니다.

증거는 유망하지만 아직 제한적이다

핵심 성능 주장은 Inherent에서 나왔고 TechCrunch가 보도했습니다. 현재 उपलब्ध한 자료는 시험한 논문의 수, 포함된 과학 분야, 점수 기준, 인간의 감독 수준, Anthropic 및 OpenAI 시스템이 동일한 도구와 컴퓨팅 조건에서 실행되었는지 여부를 명시하지 않습니다.

이런 세부사항은 연구 에이전트를 비교할 때 필수적입니다. 논문 재현의 난이도는 소스 코드, 데이터셋, 실험 절차, 컴퓨팅 자원이 उपलब्ध한지에 따라 크게 달라질 수 있습니다. 결과는 또한 에이전트에 어떻게 프롬프트를 주는지, 실패한 실험을 어떻게 처리하는지, 평가자가 최종 답만 볼지 실험 과정의 질까지 볼지에 따라서도 달라질 수 있습니다.

그럼에도 270억 파라미터 모델을 사용했다는 점은 중요한 공급자 보고 신호입니다. 독립적으로 재현된다면, 이 결과는 모델 크기만으로는 긴 호흡의 과학 워크플로 성능을 신뢰할 수 있는 대리 지표가 아님을 시사합니다. 또한 이 특정 과제에서는 강화학습과 도구 오케스트레이션이 기본 모델 규모만큼 기여하고 있을 가능성도 있습니다.

Inherent의 설명은 리더보드 결과보다 훨씬 넓습니다. Hughes는 TechCrunch에 프런티어 시스템을 이기는 것보다 Faraday가 어떻게 만들어졌는지가 회사에 더 중요하다고 말했습니다. 그는 이 에이전트를 사용자에게 맞는 답만 만들어내는 존재가 아니라 예상치 못한 실험과 결과를 가져오는 협력자로 묘사했습니다.

이 주장이 AI 개발자와 기업에 의미하는 것

AI 개발자에게 Faraday는 커지는 설계 질문을 드러냅니다. 에이전트는 대화 품질, 벤치마크 정확도, 아니면 여러 단계에 걸친 의사결정과 학습 능력 중 무엇에 최적화되어야 할까요? 과학 연구는 짧은 워크플로에서는 숨기기 쉬운 약점, 예를 들어 잘못된 실험 선택, 취약한 계획, 검증되지 않은 가정, 그리고 자신감 있지만 근거 없는 결론을 보고하는 경향을 드러냅니다.

더 작은 모델은 특히 많은 실험이나 반복적인 모델 호출이 필요한 워크플로에서 연구 에이전트의 배포 비용을 낮출 수 있습니다. 하지만 작은 모델 크기가 곧바로 낮은 총비용을 의미하지는 않습니다. 도구 사용, 코드 실행, 실패한 실행, 데이터 접근, 인간 검토, 인프라는 수시간 또는 수일 동안 작동하는 에이전트의 경제성을 좌우할 수 있습니다.

따라서 기업 구매자는 Faraday를 연구자의 즉시 대체재가 아니라 초기 신호로 받아들여야 합니다. 실질적인 질문은 시스템이 재현 가능한 작업을 만들어내는지, 가정을 드러내는지, 감사 추적을 유지하는지, 증거가 부족할 때 그 사실을 인지하는지입니다. 이러한 요구사항은 신약 개발, 소재 연구, 엔지니어링, 내부 R&D 팀에 적용되며, 매력적인 결과보다 검증 가능한 결과가 더 중요합니다.

Inherent의 채용 계획도 이 제품을 고급 AI 인재 경쟁 시장에 위치시킵니다. TechCrunch 보도에 따르면 회사는 런던에서 대면 근무하는 직원이 약 12명이며 연말까지 20~25명 정도로 확장할 계획입니다. Hughes는 영국의 garden leave 제한도 비판하며, 이것이 자신의 이전 직장에서 이동하는 데 영향을 주었다고 말했습니다.

다음에 주목할 점

가장 중요한 후속 조치는 Claude Opus 4.8 및 GPT-5.5와 비교한 Faraday의 독립적으로 재현 가능한 평가가 될 것입니다. Inherent가 논문 목록, 프롬프트, 도구 구성, 컴퓨트 예산, 실패율, 채점 과정을 공개한다면 주장은 더 강해질 것입니다.

연구자와 제품팀은 재현을 넘어서는 증거도 주목해야 합니다. Inherent는 자사의 북극성이 AI 과학자 에이전트라고 말하지만, 현재 공개 시연은 기존 연구를 재현하는 데 관한 것입니다. 다음의 의미 있는 시험은 Faraday가 새로운 가설을 생성하고, 전문가가 가치 있다고 여기는 실험을 설계하며, 외부 검토를 견디는 결과를 만들어낼 수 있는지 여부일 것입니다.

그 밖의 신호로는 시스템의 오류 처리 방식, GPT-5.5 Codex 의존도, 그리고 Inherent가 외부 사용자나 평가자에게 접근을 열 것인지 여부가 있습니다. 런던에서의 채용 증가는 자신감과 모멘텀을 보여줄 수 있지만, 인원 수는 에이전트의 과학적 역량이 일반화된다는 증거는 아닙니다.

Creati.ai 시각

Inherent의 발표가 흥미로운 이유는, 논의의 초점을 단순한 모델 규모에서 장기 연구 워크플로 구축으로 옮기기 때문입니다. 강화학습, 코딩 도구, 실험 피드백과 결합된 더 작은 기반 모델은 모든 기능이 하나의 프런티어 모델 안에 들어가기를 기다리는 것보다 특화된 AI 에이전트로 가는 더 실용적인 경로일 수 있습니다.

그럼에도 이 주장은 Anthropic이나 OpenAI에 대한 확정된 우위가 아니라 초기 결과로 읽어야 합니다. 개발자에게 진짜 질문은 Faraday의 보고된 장점이 투명한 평가를 견디고 논문 재현에서 신뢰할 수 있는 과학 작업으로 전환되는지입니다. 그 증거가 Inherent가 지속 가능한 접근을 보여준 것인지, 아니면 좁은 과제에서 강한 결과를 낸 것인지 결정하게 될 것입니다.