Astra에게 악마의 게임 시켜봤습니다
📺 원본 영상: Astra에게 악마의 게임 시켜봤습니다
🎙️ 채널: 코드팩토리
📅 정리 일자: 2026-09-11
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료와 게임 인터페이스, 선수 능력치, 전술 설정 등은 포함되지 않을 수 있습니다. 또한 영상에서 사용된 모델명과 기능 평가는 강연자의 표현 및 관찰을 기준으로 서술합니다.
개요
코드팩토리는 GPT-6 Astra의 Computer Use 기능에 풋볼 매니저(Football Manager)를 맡기고, 약 31시간 20분 동안 세 차례의 토큰 리셋을 거치며 장시간 자율 에이전트로서의 능력을 시험했다. 풋볼 매니저는 단순한 화면 조작만으로 해결할 수 있는 게임이 아니라 선수단 분석, 예산 관리, 이적 협상, 훈련 계획, 전술 설계와 경기 중 대응이 서로 연결되는 복합적인 시뮬레이션이다. 따라서 이번 실험은 AI가 컴퓨터를 사용할 수 있는지를 넘어, 여러 단계의 목표를 장기간 유지하면서 상황 변화에 맞춰 의사결정을 수정할 수 있는지를 관찰한 사례로 볼 수 있다.
실험에서 Astra가 맡은 구단은 2019년 실제 K리그1에서 최하위를 기록한 제주 유나이티드였다. 강연자는 현실보다 나은 성적을 거둘 수 있는지를 비교 기준으로 삼았으며, 시즌의 약 80%를 진행한 시점에서 Astra는 팀을 리그 9위에 올려놓았다. 시즌을 완주하지 못했기 때문에 최종 성과로 단정할 수는 없지만, 강연자가 예상했던 것보다 훨씬 세밀하고 지속적인 운영 능력을 보여주었다는 점이 실험의 핵심이다.
단순한 게임이 아니라 장기 운영 과제를 선택한 이유
풋볼 매니저는 FIFA처럼 사용자가 직접 선수를 움직여 득점하는 액션 게임이 아니다. 플레이어는 감독의 입장에서 선수를 영입하고, 포메이션과 경기 전략을 설계하며, 훈련 일정을 관리하고, 이적을 원하는 선수를 설득하는 등 구단 운영 전반을 책임진다. 현실의 선수와 유사한 능력치가 방대한 데이터로 구현되어 있기 때문에, 게임을 오래 플레이한 사람조차 계속 새로운 요소를 발견할 정도로 정보 밀도가 높다.
이러한 특성은 AI 에이전트를 시험하기에 적합한 환경을 만든다. 특정 버튼을 한 번 누르는 것으로 목표가 끝나는 것이 아니라, 제한된 이적 예산과 연봉 한도 안에서 선수단의 약점을 발견하고 이를 보완해야 하기 때문이다. 시즌이 진행되면 부상, 체력 저하, 선수의 불만, 상대 전술과 경기 결과 같은 새로운 변수가 계속 발생하므로, 초기 계획을 그대로 반복하는 방식만으로는 안정적인 성적을 내기 어렵다.
강연자는 처음에는 Astra가 게임을 깊이 있게 운영할 것으로 기대하지 않았다. 한 시즌을 끝내는 데 약 12시간이면 충분할 것으로 예상했으며, 이는 AI가 일부 세부 업무를 건너뛰고 비교적 빠르게 일정을 진행할 것이라는 가정에 가까웠다. 그러나 Astra는 예상보다 훨씬 많은 상태와 이벤트를 확인했고, 그 결과 실제 플레이 시간은 30시간을 넘겼다. 속도보다 세밀한 점검을 선택한 행동은 장기 과제에서 AI가 어떤 방식으로 비용과 품질의 균형을 잡는지 보여주는 흥미로운 장면이다.
짧은 목표 지시가 장기 행동으로 이어진 과정
실험에 사용된 프롬프트는 복잡한 운영 매뉴얼이 아니라 한 시즌이 끝날 때까지 계속 플레이하고, 중요한 이벤트가 발생하면 로그를 남기라는 비교적 단순한 목표 중심 지시였다. 세부 행동을 일일이 지정하지 않았다는 점에서, Astra는 상위 목표를 실제 게임 안에서 수행 가능한 여러 하위 과제로 스스로 분해해야 했다. 선수단 분석, 포메이션 설정, 예산 확인과 영입 후보 검색은 모두 이 과정에서 자율적으로 도출된 행동이었다.
게임이 시작되자 Astra는 가장 먼저 전술 화면으로 이동했다. 이는 숙련된 플레이어도 흔히 선택하는 출발점인데, 현재 훈련 중인 전술과 선수들의 포지션 배치뿐 아니라 선수층(Squad Depth)을 파악할 수 있기 때문이다. 어느 포지션이 약한지 알아야만 제한된 자원을 어디에 우선 배분할지 결정할 수 있으므로, 전술 화면 확인은 단순한 인터페이스 탐색이 아니라 이후 의사결정을 위한 정보 수집 단계였다.
💡 [영상 참조] 강연자는 이 구간에서 Astra가 전술 화면을 열어 포메이션과 선수층을 확인하는 과정을 보여준다.
📺 원본 영상에서 실제 화면을 확인할 수 있다.
Astra는 포메이션과 기본 전술을 정한 뒤 이적 예산, 연봉 여유, 선수단 구성을 차례로 살폈다. 강연자가 각 절차를 세부적으로 지시하지 않았음에도, 구단 운영에 필요한 기본 점검을 스스로 수행한 것이다. 이는 Computer Use 에이전트의 성능을 평가할 때 클릭의 정확성만 볼 것이 아니라, 목표 달성에 필요한 화면과 정보를 스스로 찾아가는 탐색 전략도 함께 평가해야 한다는 점을 드러낸다.
피로하지 않는 운영자와 세밀함의 가치
강연자가 특히 인상적으로 평가한 부분은 Astra가 게임 속 매일 발생하는 이슈를 꾸준히 확인했다는 점이다. 사람은 게임에 익숙하지 않을 때는 무엇을 확인해야 하는지 몰라 세부 요소를 놓치고, 숙련된 뒤에는 반복 작업이 번거로워 일부 절차를 생략하기 쉽다. 반면 Astra는 피로와 귀찮음에 영향을 받지 않기 때문에 같은 점검 절차를 장시간 반복할 수 있었다.
이 특성은 단순히 게임을 잘한다는 의미보다 업무 자동화 관점에서 더 중요하다. 실제 업무에서도 장기 모니터링의 실패는 대개 판단 능력의 부재보다 집중력 저하, 반복 작업에 대한 피로, 확인 절차의 누락에서 발생한다. AI 에이전트가 일관된 검사 기준을 유지하면서 예외 상황만 선별해 대응할 수 있다면, 인간은 모든 화면을 직접 감시하는 대신 중요한 판단과 감독에 집중할 수 있다.
다만 세밀한 행동이 항상 효율적인 것은 아니다. 이번 실험에서는 예상한 12시간보다 훨씬 긴 시간이 소요됐고, 세 번의 토큰 리셋 이후에도 시즌을 완주하지 못했다. 따라서 장기 실행형 에이전트에는 단순한 정확성 외에도 시간과 토큰을 얼마나 사용할지, 중요도가 낮은 이벤트를 언제 생략할지, 어느 수준에서 인간에게 판단을 요청할지를 규정하는 운영 정책이 필요하다.
선수단의 약점을 발견하고 이적 협상까지 수행하다
Astra는 선수단을 분석한 뒤 왼쪽 수비수 포지션이 부족하다고 판단했다. 이후 이적 화면으로 이동해 해당 포지션의 스카우팅 리포트를 필터링하고, 울산의 이명재를 포함한 세 명을 영입 후보로 선정했다. 여기서 중요한 점은 화면에 제시된 선수를 무작정 고른 것이 아니라, 먼저 선수단의 약점을 찾고 그 약점에 맞는 후보군을 검색했다는 것이다.
울산은 이명재의 이적료로 7억 원을 제안했지만, Astra는 수비와 크로스 능력이 전술에 적합하다는 점을 인정하면서도 최초 예상보다 가격이 높다고 평가했다. 이에 약 3억 7천만 원으로 이적료를 낮춰 협상했고, 며칠 뒤 실제 영입을 성사시켰다. 제시된 가격을 그대로 수락하지 않고 선수의 전술적 가치와 구단 예산을 함께 고려했다는 점에서, 이 행동은 단순한 메뉴 조작보다 제한 조건이 있는 의사결정에 가깝다.
💡 [영상 참조] 이 부분에서 강연자는 이명재의 영입 조건과 Astra가 이적료를 낮춰 제안하는 게임 화면을 설명한다. STT에는 화면에 표시된 세부 계약 조건이 모두 포함되어 있지 않으므로 정확한 조건은 원본 영상을 참조해야 한다.
📺 원본 영상에서 확인할 수 있다.
물론 한 차례의 성공적인 협상만으로 AI가 선수의 적정 시장가를 완전히 이해했다고 단정할 수는 없다. 게임의 협상 알고리즘이 낮은 제안을 수용했을 가능성도 있고, 다른 계약 조건이 결과에 영향을 주었을 수도 있다. 그럼에도 정보 수집에서 약점 진단, 후보 검색, 가격 평가와 재협상으로 이어지는 일련의 흐름을 자율적으로 수행했다는 사실은 의미가 있다.
경기 중 개입이 보여준 제한적 실시간 대응 능력
강연자가 실험 전 가장 회의적으로 본 부분은 경기 중 대응이었다. 풋볼 매니저의 경기는 초기 전술에 따라 자동으로 진행되지만, 감독은 적절한 순간에 경기를 멈추고 선수의 체력을 확인하거나 교체와 전술 변경을 수행해야 한다. 완전한 실시간 액션 게임은 아니더라도 화면 변화를 관찰하면서 제한된 시간 안에 대응해야 하므로, 정적인 문서 작업과는 다른 능력이 요구된다.
Astra는 프리시즌 경기부터 경기의 흐름을 확인하고, 중간에 경기를 일시 정지해 선수들의 체력을 점검했다. 정규리그 첫 경기에서는 종료 시점이 가까워질 때까지 0대 1로 뒤지자 전술 성향을 지배형으로 바꾸고 공격수를 교체했다. 이어 페널티 박스 안에 더 많은 선수가 진입하도록 공격 구조를 조정했으며, 경기 막판 두 골이 나오면서 팀은 2대 1로 역전승했다.
💡 [영상 참조] 강연자는 이 구간에서 경기 후반 Astra가 전술과 선수를 변경하는 장면을 제시한다. 전술 화면의 구체적인 세부 설정은 STT만으로 확인할 수 없으므로 원본 영상에서 살펴볼 필요가 있다.
📺 원본 영상에서 확인할 수 있다.
한 경기의 역전승에는 우연이 개입할 수 있으므로, 결과만으로 전술 변경의 품질을 증명하기는 어렵다. 그러나 경기 상황을 감지하고, 패배 가능성이 높아진 시점에 기존 전략을 수정했으며, 득점을 늘리기 위한 방향으로 선수 배치와 교체를 연결했다는 과정 자체는 주목할 만하다. 강연자는 이를 통해 Astra가 풋볼 매니저 정도의 속도로 진행되는 환경에서는 화면 변화에 맞춰 대응할 수 있다고 평가했다.
31시간의 실행과 미완성된 시즌
실험은 약 31시간 20분 동안 이어졌으며, 강연자는 세 차례의 토큰 리셋을 사용했다고 설명했다. 그럼에도 사용 가능한 토큰이 소진되면서 마지막 몇 경기를 진행하지 못했고, 시즌은 약 80% 지점에서 중단됐다. 따라서 이 실험은 목표를 완전히 달성한 성공 사례라기보다, 장시간 자율 수행 능력과 동시에 현재의 비용 및 지속성 한계를 보여준 사례로 해석해야 한다.
2019년 실제 제주 유나이티드는 K리그1에서 12위로 최하위를 기록했지만, Astra가 운영한 팀은 시즌의 약 80%를 진행한 시점에 9위에 자리했다. 이는 현실의 최종 순위보다 높은 중간 성적이지만, 남은 경기 결과에 따라 순위가 변할 수 있으므로 직접적인 최종 비교에는 한계가 있다. 또한 현실의 구단 운영과 게임 시뮬레이션은 동일한 조건이 아니므로, 이 수치를 AI가 실제 감독보다 우수하다는 증거로 확대해서는 안 된다.
| 비교 항목 | 영상에서 언급된 결과 |
|---|---|
| 실제 제주 유나이티드의 2019년 최종 순위 | K리그1 12위 |
| Astra가 진행한 시즌의 진행률 | 약 80% |
| 중단 시점의 게임 내 순위 | 9위 |
| 예상 플레이 시간 | 약 12시간 |
| 실제 실험 시간 | 약 31시간 20분 |
| 토큰 리셋 횟수 | 3회 |
이 데이터가 보여주는 핵심은 순위 자체보다 목표 지속 비용이다. Astra는 세밀한 운영을 수행했지만, 그만큼 많은 시간과 토큰을 사용했으며 최종 목표인 시즌 완주에는 도달하지 못했다. 장기 실행형 AI를 실제 업무에 적용하려면 결과의 품질뿐 아니라 실행 예산, 중간 체크포인트, 장애 이후 재개 방법과 완료 조건을 함께 설계해야 한다.
장기 기억이 전략적 자산으로 바뀌는 순간
강연자는 Astra가 전략을 구성하거나 선수를 교체할 때 이전 경기에서 각 선수가 보여준 역량을 기억하고 활용했다고 평가했다. 사람은 플레이 시간이 길어질수록 과거 경기의 세부 내용을 잊거나 번거롭다는 이유로 기록을 확인하지 않고 넘어갈 수 있다. 반면 AI가 장기간의 기록을 일관된 형태로 유지할 수 있다면 특정 선수가 어떤 상대와 전술에서 잘했는지, 체력과 경기력이 어떻게 변했는지를 반복적으로 참조할 수 있다.
이 능력은 장기 문맥을 단순히 많이 저장하는 것과는 다르다. 유용한 기억이 되려면 과거 사건을 현재의 결정과 연결하고, 중요도가 낮아진 정보는 배제하며, 최신 상황과 충돌하는 기록은 갱신해야 한다. 영상에서 관찰된 행동은 이러한 능력의 가능성을 보여주지만, Astra가 내부적으로 어떤 정보를 어떤 구조로 보존했는지는 STT만으로 확인할 수 없다.
그럼에도 이번 사례는 Computer Use와 장기 기억의 결합이 왜 중요한지를 직관적으로 보여준다. 화면을 조작하는 능력만 있다면 AI는 복잡한 매크로에 머물 수 있지만, 과거 행동과 결과를 기억하면서 다음 결정을 조정할 수 있다면 지속적으로 운영되는 에이전트에 가까워진다. 게임 안에서 나타난 이 차이는 향후 고객 관리, 시스템 운영, 반복 실험과 시장 모니터링 같은 장기 업무에서도 핵심적인 구분이 될 수 있다.
게임 실험이 업무 자동화에 던지는 시사점
풋볼 매니저는 안전한 실험 환경이면서도 실제 업무의 여러 요소를 압축해 담고 있다. 예산과 인력이라는 제한된 자원이 존재하고, 매일 새로운 이벤트가 발생하며, 과거 성과를 토대로 미래의 배치를 조정해야 한다. 목표가 단일 클릭으로 끝나지 않고 수많은 중간 결정의 누적으로 달성된다는 점 역시 현실의 프로젝트 운영과 닮았다.
이번 실험에서 가장 중요한 변화는 AI가 화면을 인식하고 버튼을 누르는 수준을 넘어, 목표 달성에 필요한 작업 순서를 스스로 구성했다는 점이다. Astra는 선수단의 약점을 먼저 확인한 뒤 영입 후보를 찾았고, 예산을 고려해 협상했으며, 경기 상황이 나빠지자 전술을 변경했다. 각각의 행동보다 더 중요한 것은 앞선 관찰이 다음 행동의 근거가 되는 연쇄 구조다.
강연자는 Computer Use가 조금 더 발전한다면 TradingView나 HTS를 열어 가격 움직임을 모니터링하고 특정 패턴을 찾는 실험도 가능할 것이라고 전망했다. 그러나 이는 영상에서 제안한 향후 실험 아이디어일 뿐, 실제 금융 거래 능력이 검증됐다는 뜻은 아니다. 금융 시스템에서는 잘못된 클릭 하나가 실질적인 손실로 이어질 수 있으므로, 읽기 전용 모니터링과 실제 주문 실행 사이에 명확한 권한 경계, 인간 승인 절차, 손실 한도와 감사 로그가 반드시 필요하다.
기술적 한계와 평가 시 주의할 점
이번 영상은 흥미로운 장시간 사례를 제공하지만, 통제된 벤치마크 실험은 아니다. 동일한 조건에서 사람이나 다른 모델이 플레이한 비교군이 없고, 성공과 실패 행동의 전체 로그도 STT에 포함되어 있지 않다. 따라서 Astra 이전 세대의 LLM에서는 이러한 플레이가 불가능했다는 평가는 강연자의 사용 경험에 기반한 의견으로 이해해야 하며, 보편적인 성능 비교 결과로 받아들여서는 안 된다.
또한 영상에는 Astra가 잘 수행한 장면이 주로 소개되므로, 중간에 발생했을 수 있는 잘못된 클릭, 불필요한 반복, 전술적 실패와 인간의 개입 정도를 정확히 판단하기 어렵다. 특히 화면에 표시된 선수 능력치와 계약 세부 조건, 실제 로그가 제공되지 않아 각 의사결정의 품질을 독립적으로 재평가할 수 없다. 이번 결과는 가능성을 보여주는 정성적 사례로서는 가치가 크지만, 신뢰성과 재현성을 판단하려면 여러 시즌을 반복하고 조건별 성공률과 비용을 기록하는 추가 실험이 필요하다.
마지막으로 약 31시간 동안 실행한 뒤에도 토큰 한계로 목표를 완수하지 못했다는 사실은 자율 에이전트의 현실적인 병목을 드러낸다. 장기 과제에서는 모델의 순간적인 지능만큼 상태 저장, 오류 복구, 비용 통제와 중단 이후 재개가 중요하다. 에이전트를 실제 운영 환경에 배치하려면 “무엇을 할 수 있는가”뿐 아니라 “얼마나 안정적이고 경제적으로 끝까지 수행할 수 있는가”를 함께 측정해야 한다.
마무리 / 핵심 정리
Astra의 풋볼 매니저 실험은 Computer Use 기반 AI가 단순한 인터페이스 자동화를 넘어 장기적인 목표를 여러 하위 과제로 나누고, 화면에서 얻은 정보를 다음 판단에 연결할 수 있음을 보여준다. 선수층 분석에서 시작해 부족한 포지션을 찾고, 후보를 검색해 가격을 협상하며, 경기 중에는 체력과 점수 상황에 따라 전술을 수정했다. 강연자가 놀란 지점도 개별 클릭의 성공보다는 사람이 실제로 게임을 운영할 때 밟는 사고의 순서를 Astra가 상당 부분 재현했다는 데 있다.
동시에 이 실험은 현재 기술의 한계도 분명하게 보여준다. 예상보다 두 배 이상 긴 시간이 들었고, 세 차례의 토큰 리셋에도 시즌을 완주하지 못했으며, 9위라는 성적 역시 시즌 중간 결과에 불과하다. 따라서 이번 사례의 올바른 결론은 AI가 인간 감독을 대체했다는 것이 아니라, 장기 기억과 Computer Use가 결합된 에이전트가 복잡한 디지털 환경에서 실용적인 수준의 자율성을 보이기 시작했다는 것이다.
앞으로의 핵심 과제는 더 많은 버튼을 누르게 만드는 데 있지 않다. 목표의 우선순위를 유지하면서 불필요한 행동을 줄이고, 실행 비용을 통제하며, 실패 이후에도 상태를 복원해 과제를 끝까지 완수하게 만드는 것이 중요하다. 풋볼 매니저라는 게임은 이러한 문제를 안전하고 흥미롭게 드러낸 시험장이었으며, 이번 실험은 자율 에이전트가 실제 장기 업무로 이동하기 위해 무엇을 더 해결해야 하는지를 보여주는 하나의 사례가 된다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | Astra에게 악마의 게임 시켜봤습니다 |
| 채널 | 코드팩토리 |
| 영상 길이 | 약 8분 26초 |
| 리포트 작성 | 2026-09-11 |
| 작성 방식 | YouTube 영상 STT 변환 후 문맥 기반 교정 및 에디팅 |
💬 본 리포트는 영상의 음성 내용을 바탕으로 재구성되었다. 화면에 표시된 게임 데이터와 세부 설정은 STT에 포함되지 않았을 수 있으므로, 정확한 내용은 원본 영상을 참조해야 한다.
영상 주요 장면
02:38 - Astra가 전술 화면에서 선수단의 깊이와 포지션별 구성을 확인하는 장면
03:27 - 포메이션과 기본 전술, 이적 예산, 연봉 여유 및 선수단 구성을 종합적으로 점검하는 장면
04:49 - 이명재의 수비 및 크로스 능력과 제안 가격을 검토하며 이적 협상 조건을 판단하는 장면
06:07 - 정규리그 경기 막판 Astra가 전술과 공격수 구성을 변경해 페널티 박스 진입 인원을 늘리는 장면
06:42 - 시즌 약 80% 진행 시점에 제주 유나이티드가 리그 9위를 기록한 순위 화면
07:38 - Astra가 이전 경기에서 선수별로 보여준 역량을 기억해 전술과 교체에 활용하는 사례를 설명하는 장면