로컬 우선의 에이전트 AI 운영체제인 Rebel을 출시했다

기업들은 AI를 도입할 때 내부 기밀 문서를 클라우드에 학습시키거나 프롬프트로 입력하며 보안 유출을 우려한다. 매달 지불하는 API 호출 비용 또한 기업의 운영 부담을 높이는 결정적인 요소로 작용한다. 대다수 AI 서비스가 중앙 서버의 성능과 연결성에 의존하며 데이터를 전송할 때, 연산의 주도권을 로컬 기기로 완전히 가져오려는 시도가 시작됐다. 런던 기반의 AI 전환 스타트업 Mindstone(마인드스톤)이 로컬 우선의 에이전트 AI 운영체제인 Rebel(레벨)을 출시했다.

Rebel은 'Fair Source'(페어 소스) 라이선스 체계로 배포된다. 100명 미만의 소규모 팀은 무료로 시스템을 도입하고 조직의 특수한 요구사항에 맞춰 자유롭게 커스터마이징할 수 있다. 사용자 수가 100명을 초과하는 대규모 조직은 반드시 별도의 엔터프라이즈 라이선스를 구매해야 한다. 현재 macOS의 Intel 및 Apple Silicon 머신과 Windows 운영체제 환경을 공식 지원한다. Linux 지원 버전은 현재 개발 단계에 있다. 로컬 환경에서 에이전트를 직접 구동해 데이터의 외부 유출 가능성을 원천적으로 차단하는 구조다.

Mindstone은 Pearson Ventures(피어슨 벤처스), Moonfire Ventures(문파이어 벤처스), Zanichelli Venture(자니켈리 벤처스)를 포함한 민간 투자자들로부터 총 500만 달러의 투자를 유치했다. 이번에 조달한 자금은 Rebel의 기술적 고도화와 글로벌 시장 배포를 추진하는 핵심 동력으로 활용된다. 특정 SaaS 벤더에 종속되지 않고 기업이 고유의 워크플로우와 기억 자산을 텍스트 형태로 소유하고 직접 제어하는 환경을 구축하는 것이 이번 제품의 목표다.

기술이 실제로 작동하는 방식

기업 내부 문서를 AI에 학습시키거나 프롬프트로 입력할 때마다 데이터 유출 우려와 API 비용 부담이 뒤따른다. Rebel은 에이전트의 메모리와 지침을 로컬 마크다운(.md, 텍스트 기반의 경량 마크업 언어) 파일로 관리하는 아키텍처를 채택했다. Mindstone은 상태, 프롬프트, 작업 지침 및 메모리 계층 구조를 이 파일들에 저장한다. 사용자와 기업은 필요에 따라 저장된 내용을 직접 검토하고 이동하거나 수정할 수 있다. 마크다운은 Word나 PDF보다 텍스트 원본에 가까워 토큰 소모를 줄인다. 모델의 컨텍스트 윈도우(AI가 한 번에 처리할 수 있는 데이터 양)를 실제 작업에 더 많이 할당할 수 있게 한다. 이는 API 비용 절감으로 이어진다. 특정 SaaS 제공업체에 종속되는 벤더 락인(vendor lock-in, 특정 기업의 기술에 종속되어 다른 서비스로 옮기기 어려운 상태)을 방지하는 장치가 된다.

작업 성격과 보안 요구사항에 따라 모델을 동적으로 전환하는 멀티 모델 오케스트레이션(여러 AI 모델을 효율적으로 배치하고 관리하는 기술)을 지원한다. Rebel은 하나의 작업을 여러 부분으로 나누어 각 단계에 적합한 모델로 라우팅한다. 정보의 민감도나 기업 내부 정책에 따라 로컬 모델과 클라우드 모델 사이의 분배를 결정한다. 복잡한 추론이나 계획 수립은 고성능 모델이 담당한다. 단순하고 반복적인 일상 작업은 비용이 저렴한 모델에 할당한다. 민감한 정보 처리나 최종 승인 확인 단계는 로컬 모델이 수행한다. 기업은 이 구조를 통해 운영 비용을 제어하고 데이터 주권과 보안을 유지한다.

LangGraph, CrewAI, AutoGPT와 같은 기존

실력이 아니라 설정의 복잡함이 문제였다. LangGraph, CrewAI, AutoGPT 같은 개발자 중심 프레임워크(AI 에이전트 구축 도구)를 사용하는 팀은 데이터베이스와 클라우드 인프라를 구축하고 상태 관리 로직을 직접 연결하는 과정을 거쳐야 한다. 이 과정에서 발생하는 인프라 설정의 복잡성이 개발 속도를 늦추는 병목이 된다. Rebel은 에이전트의 핵심 기억과 지침을 로컬 마크다운(.md) 텍스트 파일에 저장하는 아키텍처를 도입했다. 기존 프레임워크가 클라우드 기반의 중앙 집중식 상태 관리에 의존했다면, Rebel은 로컬 파일 시스템을 기억 장치로 활용해 구현 난이도를 낮췄다.

정보의 예상 가치에 따라 저장 위치를 결정하는 계층형 메모리 구조를 적용했다. 시스템은 사용자와의 상호작용이 발생할 때마다 해당 정보가 미래에 다시 유용하게 사용될 가능성을 추정한다. 가치가 높다고 판단한 정보는 특정 프로젝트 공간에 할당된 readme.md 파일에 직접 기록한다. 중간 정도의 가치를 지닌 정보는 더 깊은 단계의 과거 기록으로 연결되는 참조 링크 형태로 저장해 접근성을 유지한다. 우선순위가 낮은 정보는 인덱싱된 메모리 디렉토리에 보관해 저장 공간과 검색 효율을 관리한다. 정보의 중요도에 따라 저장 경로를 세분화해 메모리 자원을 최적화한 방식이다.

기업은 데이터 유출 위험과 API 비용 사이에서 선택을 강요받아 왔다. Rebel은 기억과 지침을 로컬 마크다운 파일로 관리하며 이 딜레마를 해결한다. 민감도에 따라 로컬 모델과 클라우드 모델을 동적으로 배분하는 오케스트레이션 구조를 갖췄다.

이제 핵심은 특정 SaaS 벤더의 종속성에서 벗어나 기업 고유의 워크플로우를 텍스트 형태로 소유하는 것이다. AI 경쟁력은 모델의 성능이 아니라 제어 가능한 기억 자산의 양으로 결정된다.