AI와 나눈 대화는 어디까지 남아야 할까.
어제 부탁했던 일을 오늘 다시 설명하지 않아도 되고, 내가 반복해서 하는 일을 AI가 기억했다가 다음 작업에 활용한다면 분명 편리하다.
그런데 여기에서 한 단계 더 나아가 보자.
AI가 과거의 기록을 정리하고, 중요한 정보를 장기 기억으로 남기고, 실제 작업에서 얻은 유용한 방법을 다음 작업에서 다시 활용한다면 어떨까.
최근 공개된 OpenClaw v2026.8.1, 이른바 OpenClaw 2.0을 살펴보다가 가장 흥미로웠던 지점도 바로 여기에 있었다.
이번 업데이트에는 과거 대화 검색, 다른 기기와 클라우드 워커를 활용한 세션 확장, 작업 진행 상황 추적, 자동화 권한 관리, 자격증명 보호 등 많은 변화가 포함됐다.
하지만 그중에서도 눈에 들어온 것은 Personal Conversation Recall, Grounded Dreaming, Automatic Self-learning이었다.
AI 에이전트가 단순히 질문에 답하는 도구에서 벗어나, 이전의 맥락과 작업 경험을 다음 작업에 활용하는 방향으로 발전하고 있기 때문이다.
AI가 이전 대화의 맥락을 다시 불러온다
챗봇을 사용하다 보면 자주 겪게 되는 불편이 있다.
“지난번에 내가 뭐라고 했더라?”
프로젝트가 어디까지 진행됐는지, 이전에는 어떤 방식으로 작업했는지 다시 설명해야 할 때가 있다.
OpenClaw 2.0의 Personal Conversation Recall은 Active Memory가 활성화된 환경에서 동일한 에이전트와 나눴던 개인 대화의 제한된 맥락을 검색해 활용할 수 있도록 한다.
흥미로운 것은 OpenClaw가 말하는 ‘기억’이 막연한 개념이 아니라는 점이다.
OpenClaw 공식 문서에 따르면 기억은 에이전트의 워크스페이스에 일반 Markdown 파일 형태로 저장된다.
장기 기억에는 MEMORY.md가 사용되고, 일별 기록에는 memory/YYYY-MM-DD.md와 같은 파일이 활용된다. 사용자가 확인할 수 있는 Dream Diary에는 DREAMS.md가 사용될 수 있다.
공식 문서는 모델이 디스크에 저장된 것만 기억하며 별도의 숨겨진 기억 상태는 없다고 설명한다.
결국 ‘AI가 나를 기억한다’는 표현 뒤에는 실제로 저장하고 다시 불러오는 구체적인 구조가 존재한다.
그런데 AI는 왜 ‘꿈’을 꾼다고 표현했을까
이번 업데이트에서 가장 눈길을 끄는 이름 중 하나는 Grounded Dreaming이다.
물론 AI가 인간처럼 잠을 자면서 꿈을 꾼다는 의미는 아니다.
OpenClaw에서 Dreaming은 memory-core의 백그라운드 기억 통합(memory consolidation) 시스템이다.
쌓여 있는 단기적인 신호를 정리하고, 장기적으로 보존할 가치가 있는 정보를 선별해 영구 기억으로 이동시키는 과정이다.
더 재미있는 것은 이 과정의 이름이다.
Light → REM → Deep
세 단계로 구성된다.
Light 단계에서는 최근의 단기 자료를 정리하고 다음 단계에서 평가할 후보를 준비한다.
REM 단계에서는 최근 기록에서 주제와 반복되는 아이디어를 성찰한다.
그리고 Deep 단계에서는 후보들을 평가해 기준을 충족한 정보를 장기 기억인 MEMORY.md로 승격시킨다.
그 과정의 일부는 사람이 확인할 수 있도록 DREAMS.md에도 기록된다.
이름만 보면 다소 감성적인 기능처럼 보이지만, 실제로 해결하려는 문제는 상당히 현실적이다.
모든 대화를 무조건 영구적으로 기억하는 것이 과연 좋은 기억일까?
어떤 것은 잠시 필요하지만 곧 필요 없어지고, 어떤 정보는 앞으로도 계속 필요하다.
AI 에이전트를 장기간 사용한다면 결국 무엇을 남기고 무엇을 흘려보낼 것인가라는 문제가 생긴다.
OpenClaw의 Dreaming은 바로 이 기억 관리의 문제를 다루고 있다.
AI가 일하면서 ‘배운다’는 것은 무엇일까
또 하나 흥미로운 기능은 Automatic Self-learning이다.
다만 여기서 ‘스스로 학습한다’는 표현은 조심해서 이해할 필요가 있다.
OpenClaw가 자신의 기반 AI 모델을 다시 훈련하거나 모델 가중치를 스스로 변경한다는 의미가 아니다.
공식 문서에서 설명하는 Self-learning은 사용자의 수정이나 실제 작업 과정에서 발견한 유용한 절차를 다시 사용할 수 있는 Skill로 발전시키는 것에 가깝다.
이 과정에는 Skill Workshop이라는 통제 구조가 사용된다.
생성되거나 수정되는 Skill은 제안과 스캔, 적용 등의 Workshop 과정을 거친다. 설정된 모드에 따라 자동 적용이 가능한 범위와 사용자가 직접 검토해야 하는 범위도 구분된다.
특히 사용자가 직접 작성한 Skill의 변경은 자동으로 덮어쓰지 않고 검토를 위해 보류하도록 설계돼 있다.
또한 보안 스캐너, 변경 대상의 해시 확인, 롤백을 위한 메타데이터 등의 안전장치도 포함된다.
그래서 여기서 말하는 ‘학습’의 핵심은 AI가 인간처럼 스스로 성장한다는 데 있지 않다.
오히려 중요한 것은
“이번 작업에서 알아낸 유용한 방법을 다음 작업에서 다시 사용할 수 있다”
는 점이다.
매번 처음부터 설명해야 하는 AI와, 이전 작업에서 얻은 유용한 절차를 다음 작업의 자산으로 활용하는 AI.
두 시스템의 사용 경험은 상당히 달라질 수 있다.
기억하는 것에서 실제 일을 이어가는 것으로
OpenClaw 2.0의 변화는 기억에만 머물지 않는다.
페어링된 기기나 클라우드 워커에서 작업을 실행하고, 세션의 워크스페이스를 함께 이동시켜 이후의 클라우드 세션에서 다시 활용할 수 있다.
진행 중인 작업과 서브에이전트의 활동도 추적할 수 있도록 기능이 확장됐다.
반복되는 자동화에서는 특정 작업에 대한 권한을 승인하고, 나중에 해당 권한을 확인하거나 철회할 수도 있다. 작업이나 수행하려는 동작이 달라지면 다시 승인을 요구하도록 설계돼 있다.
보안과 관련해서도 흥미로운 변화가 있다.
에이전트가 비밀번호나 API 키 같은 자격증명을 요구할 경우 값을 일반적인 채팅이나 모델의 문맥에 넣지 않고 마스킹된 방식으로 요청할 수 있는 기능이 추가됐다.
각각 떼어놓으면 개별적인 기능 업데이트처럼 보인다.
하지만 연결해서 바라보면 하나의 방향이 보인다.
기억하고 → 작업하고 → 경험을 재사용하고 → 다시 일을 이어간다.
AI가 단순히 질문에 답하는 인터페이스에서 지속적으로 업무를 수행하는 에이전트로 이동하고 있는 것이다.
편리해질수록 더 중요해지는 AI 리터러시
나는 여기에서 오히려 AI 리터러시의 필요성을 떠올렸다.
AI가 아무것도 기억하지 못한다면 우리는 매번 설명해야 한다.
불편하다.
반대로 AI가 이전 작업과 대화의 맥락을 잘 기억한다면?
분명 편리하다.
하지만 동시에 새로운 질문이 생긴다.
내 대화 중 무엇을 장기 기억으로 남겨도 되는가.
그 기억은 어디에 저장되는가.
잘못된 정보가 기억됐다면 어떻게 수정할 것인가.
AI에게 반복 작업을 맡겼다면 어느 수준까지 권한을 허용할 것인가.
그리고 더 이상 필요하지 않은 기억과 권한은 어떻게 관리할 것인가.
AI 에이전트 시대의 핵심은 단순히 “AI가 얼마나 똑똑한가”에만 있지 않다.
사용자는 이제 AI에게 무엇을 기억하게 할지, 어떤 일을 맡길지, 어느 정도의 권한을 줄 것인지까지 판단해야 한다.
어쩌면 AI 리터러시의 범위도 그만큼 넓어지고 있는 셈이다.
AI가 나를 기억하는 시대
OpenClaw 2.0에서 가장 흥미로운 것은 화려한 신기능 하나가 아니었다.
AI와 인간이 함께 일하는 방식이 조금씩 달라지고 있다는 점이었다.
질문하면 답하는 AI에서,
이전 작업의 맥락을 다시 불러오는 AI로.
한 번 수행한 작업에서 얻은 유용한 절차를 다음 작업에 활용하는 AI로.
그리고 축적된 기억을 정리해 장기적으로 사용할 정보를 관리하는 AI로.
물론 ‘Dreaming’이나 ‘Self-learning’이라는 이름 때문에 AI가 인간처럼 꿈을 꾸거나 스스로 의식을 가지고 성장한다고 받아들여서는 안 된다.
실제로는 명확한 저장 구조와 모델, 규칙, 권한 체계 안에서 작동하는 시스템이다.
그럼에도 이 변화가 던지는 질문은 흥미롭다.
앞으로 우리가 AI에게 묻게 될 질문은
“무엇을 할 수 있어?”
에서 끝나지 않을지도 모른다.
오히려 이런 질문이 중요해질 수 있다.
“나에 대해 무엇을 기억하고 있어?”
그리고 그다음 질문은 더 중요하다.
“나는 AI에게 무엇을 기억하게 할 것인가?”
