
AI 에이전트에서 로보택시까지: Hao Sun은 어떻게 최첨단 기술을 신뢰할 수 있는 시스템으로 구축했는가?
AI 에이전트와 자율주행이 동시에 산업의 심해로 진입하는 오늘날, 진정으로 희소한 엔지니어란 단순히 기능을 구현하는 사람이 아니라, 모호한 기술 비전을 사용자와 팀, 산업 전반에서 반복적으로 활용할 수 있는 인프라로 구현해내는 사람입니다. 하오 쑨(Hao Sun)의 경력 궤적은 바로 이 길을 따라 펼쳐집니다.
지난 2년 동안 AI 에이전트는 실리콘밸리에서 가장 주목받는 기술 방향 중 하나가 되었습니다. 자연어 명령을 이해하는 개인 비서부터 웹, 모바일, 클라우드를 가로지르며 작업을 실행하는 지능형 시스템에 이르기까지, Agentic AI는 인간과 소프트웨어 간의 관계를 변화시키려 하고 있습니다. 사용자가 단순히 버튼을 클릭하거나 양식을 작성하는 것을 넘어, 목표를 시스템에 위임하고 AI가 단계를 분해하며 도구를 호출하고 지속적으로 추진하는 방식입니다.
하지만 이러한 물결 속에서 더 난해한 문제가 점차 부상합니다. AI가 정말로 인간의 복잡한 업무를 대신 수행하려면, 어떻게 이해되고, 통제되며, 평가되어야 하며, 궁극적으로 신뢰받을 수 있을까요?
하오 쑨의 업무는 오랫동안 이 질문을 중심으로 전개되어 왔습니다. Agentic AI Systems 및 소프트웨어 인프라 분야 엔지니어로서 그는 메타, 오키, Please AI(구 MultiOn AI), 테슬라 AI 등 여러 기업에서 핵심 기술 역할을 맡아왔습니다. 대형 플랫폼, 개발자 도구, 소비자용 AI 에이전트, 자율주행 평가 시스템에 이르는 다양한 경력이 겉보기에는 산재해 보이지만, 그 이면에는 뚜렷한 일관성이 이어집니다. 복잡한 기술을 실제 환경에서 즉시 활용 가능하고 확장 가능하며 검증할 수 있는 시스템으로 전환한다는 점이 바로 그것입니다.
메타에서 본 규모화의 이해
하오 쑨의 공학적 기반은 대부분 메타에서의 경험으로부터 형성되었습니다.
메타 재직 기간 중 그는 페이스북 제품과 메타 전체 플랫폼에 걸친 프론트엔드 공학 업무를 담당했으며, 기본적이고 접근성 높은 재사용 가능 컴포넌트 라이브러리의 주요 유지보수자로 활동하며 페이스북, 인스타그램, 왓츠앱 등 각기 다른 디자인 시스템을 갖춘 제품의 요구사항을 지원했습니다. 일반 사용자에게 컴포넌트 라이브러리는 보이지 않지만, 수십억 사용자 규모의 플랫폼에서는 이것이 제품 경험의 일관성, 디자인 가이드라인의 실제 구현, 그리고 고복잡도 환경에서 엔지니어링 팀의 효율성 유지를 결정짓는 요소입니다.
그는 내부 UI 갤러리를 기획하여 구축함으로써 수천 명의 엔지니어와 수백 명의 디자이너가 컴포넌트와 디자인 가이드라인을 탐색하는 데 도움을 주었습니다. 이러한 도구는 대중에게 직접 노출되지는 않지만, 대형 기술 조직이 협업 효율성을 유지하는 데 필수적인 인프라입니다. 이를 통해 디자인 시스템은 단순한 문서에 머무르지 않고, 엔지니어와 디자이너가 매일 호출하고 비교하며 검증할 수 있는 작업 인터페이스로 작동하게 되었습니다.
오픈소스 차원에서도 하오 쑨은 CSS-in-JS 오픈소스 라이브러리인 StyleX 기여를 주도했습니다. StyleX는 atomic styles 등의 방식을 통해 스타일 구조화 및 번들 크기를 최적화하여 현대 프론트엔드 공학의 성능과 유지보수성 문제를 해결합니다.그에게 오픈소스는 이력서에 추가하는 장식거리가 아닙니다. 이는 대규모 프로젝트 경험을 외부 개발자 생태계로 확산시키는 한 방식입니다. 하나의 도구가 더 많은 엔지니어에게 이해되고 사용될 때, 그 영향력은 단일 기업의 경계를 뛰어넘게 됩니다.
이러한 경험들을 통해 하오 쑨은 매우 일찍 한 가지 핵심 문제에 직면하게 되었습니다. 기술 시스템은 시연회를 통해 증명되는 것이 아니라, 높은 동시 접속 처리, 다수의 팀과 플랫폼, 그리고 실제 사용자의 피드백 속에서 끊임없이 검증된다는 사실이었습니다.
Please AI에서 자연어를 실행 계획으로 전환하다
하오 쑨의 업무를 AI 에이전트의 핵심 전장으로 이끈 것은 그가 Please AI에서 겪은 경험입니다.
Please AI는 구 MultiOn AI로, 소비자 대상 AI 기술 기업입니다. 제너럴 캐피털, 아마존 알렉사 펀드, 삼성, 포런너 벤처스, 마스터카드, 블리츠스코어링 벤처스 등이 참여하는 총 2,000만 달러 규모의 시리즈 A 투자를 완료했습니다. 회사가 집중하는 방향은 AI가 단순히 질문에 답하는 것을 넘어, 여행 계획 수립, 일정 조정, 정보 조사, 방안 마련, 다단계 작업 수행 등 실제 생활 목표에 기반해 사용자를 계속 지원하도록 하는 것입니다.
Please AI에서 창업기 Engineer로 재직 중이던 하오 쑨은 크롬 익스텐션, 웹 앱, iOS 앱을 포함한 소비자 대상 제품들의 프론트엔드 작업을 리딩했습니다. 그는 단순히 제품 UI를 구현하는 것을 넘어, MVP 구축부터 사용자 연구, 피드백 기반 개선, PMF 탐색에 이르는 전 과정을 담당했습니다. 이는 그의 역할이 “디자인안을 구현한다”는 선을 넘어서, 기술적 실현 가능성, 사용자의 인지 비용, 에이전트의 실행 능력 사이에서 지속적으로 균형을 맞춰야 함을 의미합니다.
AI 에이전트의 어려움은 모델이 그럴듯한 텍스트를 생성하는 데 있지 않습니다. 그것은 사용자의 모호한 자연어 목표를 구조화되고, 검증 가능하며, 실행 가능한 다단계 계획으로 변환하는 데 있습니다. 예를 들어 사용자가 “이사 계획을 세워줘” 또는 “주말 여행 준비를 도와줘”라고 하면, 시스템은 목표를 파악하고 제약조건을 분해하며 단계를 배치하고 조언을 제공해야 합니다. 동시에 사용자에게 AI가 현재 무엇을 진행하고 있으며, 왜 그렇게 행동하는지, 다음 단계가 무엇인지 투명하게 보여줘야 합니다.
하오 쑨의 독창적인 기여는 바로 이러한 ‘번역 레이어’에 구현되어 있습니다. 그는 고차원의 자율 AI 비전을 규모화 가능하고 프로덕션 레벨의 시스템으로 전환하는 프론트엔드 소프트웨어와 핵심 경험을 설계 및 구현하는 책임을 맡았습니다. Please의 창립자는 하오가 초기 단계부터 웹 앱, 크롬 익스텐션, 백엔드 인프라 및 내부 도구를 아키텍처하고 구현했으며, 비기술 사용자도 자연어를 통해 다단계 작업을 낮은 진입장벽으로 위임할 수 있도록 기본 UI와 UX 플로우를 설계했다고 언급합니다. 이렇게 탄생한 ‘사용자와 AI 에이전트 간의 상호작용 모델’은 이후 Please 제품의 핵심 경험이 되었습니다.
MultiOn/Please의 제품 및 기술 방향은 포브스, 더 인포메이션, 포커스와이어, 비즈니스 인사이더 등 주요 미디어의 주목을 받았습니다. 특히 포브스는 ‘MultiOn Innovates With Virtual Agents’라는 제목으로 동사의 가상 에이전트 영역에 대한 탐구를 보도하면서, MultiOn의 AI 에이전트가 시연 과정에서 협상부터 테슬라 사이버트럭 주문까지 성공적으로 수행했던 사례를 소개하기도 했습니다. 이 사례가 주목받은 이유는 ‘AI가 인간의 복잡한 디지털 작업을 대신 수행할 수 있다’는 추상적인 개념을 대중이 직관적으로 이해할 수 있는 구체적인 장면으로 치환했기 때문입니다.

하오 쑨의 기술적 리더십 아래 Please AI의 서비스는 출시 직후 짧은 시간 만에 3,000명 이상의 고객을 확보했습니다. 이 관점에서 볼 때 그의 가치는 특정 제품 기능을 완성하는 데 그치지 않았습니다. Agentic AI가 개념에서 소비자의 일상생활로 나아가는 기술적 통로를 주도로 구축했다는 점에 있습니다.
테슬라 합류, 자율주행 평가를 신뢰할 수 있는 도구로 완성하다
Please AI가 Agentic AI의 소비자 적용 사례를 대표한다면, 테슬라 AI는 하오 쑨의 역량이 보다 높은 위험성과 엄격한 기준이 요구되는 시스템 환경으로 확장되었음을 의미합니다.
2025년 9월부터 하오 쑨은 테슬라 AI에 합류하여 Senior Autopilot Software Engineer로 근무하며 테슬라의 풀 셀프 드라이빙(FSD) 모델 평가 및 최종 승인(sign-off) 업무를 담당했습니다. 그는 모델 평가 도구의 프론트엔드를 이끌며, 모델링, 데이터 라벨링, 평가 팀을 대상으로 폐루프(Closed-loop) 평가를 지원하는 다수의 도구 솔루션을 기획하고 구축했습니다. 그의 주도로 구성된 평가 시스템은 머신러닝 엔지니어들이 레벨 4 자율주행 관점에서 모델을 평가할 수 있도록 지원하며, 테슬라의 자율주행 안전성 및 운영 준비도 프레임워크에서 핵심적인 역할을 수행합니다. 이를 통해 L4 로보택시의 미국 내 다수 도시로의 0에서 1 확장에 대한 내부 평가 및 스케일업 프로세스가 견인되었습니다.
자율주행 모델의 평가는 단순히 테스트셋에서의 성능만 보는 것이 아닙니다. 실제 도로 환경, 시뮬레이션, 사용자 핸들링 전환, 차량 승차감, 안전성, 비정상 동작 등 방대하고 복잡한 신호들을 통합해야 합니다. 그래야 엔지니어링 팀이 실패 케이스를 식별하고, 서로 다른 모델 구성을 비교하며, 시스템이 다음 단계로 진행하기에 충분히 성숙했는지 판단할 수 있습니다.

하오 쑨이 주도로 아키텍처한 ‘Labeling, Evaluation, and Comparison Tool’ 역시 바로 이 문제를 해결하기 위해 구축되었습니다. 그는 관련 인터페이스를 설계하고 구현하는 한편 백엔드 데이터 파이프라인을 통합했으며, 모듈화된 디자인 시스템, 동적 지표 시각화, 실시간 데이터 스트림, 대화형 대시보드를 도입하여 평가 팀의 실패 케이스 분석 및 문제 진단 효율을 크게 높였습니다. 이 도구는 자율주행 모델 및 설정 간 비교에 활용되며, 안전성, 승차감, 차량 주행 이상, 운전자 또는 고객 핸들링 전환, 편안함 지표 등 다차원 데이터를 분석합니다. 이를 통해 모델 개선 과정에서 가장 중요한 ‘왜 실패했는지, 어디가 실패点了는지, 어떻게 비교해야 하는지’를 엔지니어링 팀이 반복적으로 활용할 수 있는 학습 도구로 정착시켰습니다.
이러한 업무는 자율주행 시스템의 안전한 진화에 있어 필수불가결합니다. FSD와 로보택시에 있어서 진정한 난관은 한 번의 성공적인 주행을 보여주는 데 있지 않습니다. 반복 가능하고, 비교 가능하며, 추적 가능한 평가 체계를 구축하여 모델 개선 과정이 엔지니어링 조직에 의해 체계적으로 검증되도록 하는 데 있습니다.
현재 그의 주도로 운영되는 평가 시스템은 테슬라 AI 부서에서 자율주행 능력을 측정하는 주요 베이스라인 중 하나로 자리 잡았으며,社内 의사결정과 규제기관, 대중과의 소통 자료에도 활용되고 있습니다. 이미 140억 마일 이상의 자율주행 주행 거리 데이터를 뒷받침하고 있습니다. 이 방법론은 나아가 테슬라 옵티머스 휴머노이드 로봇의 폐루프 평가 시나리오로도 확장되고 있으며, 로봇의 내비게이션, 작업 수행, 환경 상호작용, 장애물 회피 등의 역량을 체계적으로 어떻게 측정할 것인지에 대한 고민에 적용되고 있습니다. 이는 하오 쑨이 이끄는 팀이 구축한 것이 단순한 개별 툴에 머무르지 않고 재사용 가능한 공학적 프레임워크임을 의미합니다.
AI 에이전트에서 로보택시, 다시 로봇으로 영역이 확장되지만 그 근본 문제는 동일합니다. 시스템의 자율성이 높아질수록 인간은 이를 어떻게 이해하고, 평가하며, 수정하고, 최종적으로 신뢰할 것인가. 하오 쑨의 업무는 바로 이 질문에 대한 공학적 해법을 제시하는 것입니다.
기술적 영향력은 판단력에서 나온다
실리콘밸리에서 우수 엔지니어는 보통 결과물인 제품과 코드로 평가받습니다. 하지만 신흥 기술 분야에서는 동료들이 자신의 판단력을 얼마나 신뢰하느냐가 곧 영향력으로 이어집니다.
하오 쑨은 여러 기술 경진대회 및 해커톤 심사위원으로 초청받았습니다. 여기에는 DevDay x MultiOn API Hackathon, MultiOn & AgentOps 주최 AI Agents 2.0 Hackathon, Stanford TreeHacks 2025, CruzHacks 2025 등이 포함됩니다. 이러한 행사는 AI 에이전트, 개발자 플랫폼, 인프라, 실제 적용 사례 등에 초점을 맞추고 있으며, 심사 업무는 참가자가 최고 수준의 벤처캐피탈의 시각으로 프로젝트를 평가할 수 있어야 합니다. 구현 세부사항을 이해하는 데 그치지 않고, 제안된 방안이 확장성, 혁신성, 사업성을 갖췄는지 판단할 수 있어야 합니다. 그중 Stanford TreeHacks 2025에는 30개 대학, 12개국 출신 1,000여 명의 공학도들이 참가했으며, 경쟁률이 12,000건이 넘는 지원서에서 합격자를 가린 수준이었습니다. 이처럼 외부 커뮤니티가 그의 판단력을 인정하고 받아들이는 점은 그가 AI 및 소프트웨어 인프라 분야에서 쌓아온 전문성에 대한 신뢰를 방증합니다.


하오 쑨의 커리어 경로에서 또 하나 눈여겨볼 만한 특징은 그가 항상 ‘복잡한 기술’과 ‘일반 사용자’ 사이에 서 있다는 점입니다.
메타에서는 디자인 시스템과 컴포넌트 역량을 수천 명의 엔지니어가 공유해 쓸 수 있는 기초 도구로 바꾸었고, Please AI에서는 Agentic AI의 추론 및 계획 능력을 첫 번째 비기술 사용자층이 신뢰할 수 있는 AI 제품으로 전환했습니다. 테슬라에서는 자율주행 모델 평가의 복잡하고 방대한 데이터를 연구 및 엔지니어링 팀이 직관적으로 판단하고 실행할 수 있는 인터페이스로重塑했습니다. 매번 그는 단순히 기술 백엔드에만 머물거나 유저 인터페이스 층에 머무르지 않고, 그 두 영역 사이를 연결하는 가교 역할을 수행해 왔습니다.
이러한 역량과 통찰력은 AI 시대에서 그 어느 때보다 중요합니다. 모델 성능이 갈수록 강력해지는 가운데, 산업 현장의 실제 적용을 가로막는 진정한 병목은 이제 “AI가 정답을 낼 수 있는지”가 아니라 “시스템을 안정적으로 사용할 수 있는지, 평가할 수 있는지, 지속해서 개선할 수 있는지”에 달려 있습니다. 하오 쑨이 해내고 있는 일은 바로 최첨단 AI가 시연회 공간을 벗어나 인프라로 정착하고, 단발성 상호작용에서 지속적인 워크플로우로 진화하며, 기술적 아이디어로부터 조직과 사용자에게 신뢰받는 시스템으로 태어나도록 돕는 것입니다.
하오의 기술적 영향력은 이제 더 공개적인 채널을 통해 업계 전반으로 확산되고 있습니다. 포브스 테크 컬리지 회원으로서 그는 해당 플랫폼을 통해 기술 칼럼을 연재하며, AI 에이전트 시스템 설계에 관한 자신의 독창적인 방법론을 공유합니다. 구체적인 내용은 다음과 같습니다. 사용자 목표를 실행 가능한 워크플로우로 분해하는 법, 실제 비즈니스 환경에서 에전틱 시스템을 어떻게 제어하고, 추적 가능하게 만들며, 재사용 가능하게 설계할 것인가. 그에게 글을 쓰는 것은 단순한 의견 표명이 아닙니다. 현장의 엔지니어링 실무 경험을 업계가 함께 논의하고 참고할 수 있는 프레임워크로 정제해내는 작업입니다.

동시에 그는 제조 공정 자동화 및 효율 향상을 위해 에이전틱 워크플로우를 활용하는 산업용 오픈소스 프로젝트를 주도하고 있습니다. 제조업 환경에서 수많은 프로세스는 단일 단계가 아니라 스케줄링, 자재 관리, 장비 상태 모니터링, 인력 검수, 예외 처리, 데이터 피드백 등이 복합적으로 얽혀 이루어집니다. 하오 쑨이 이끄는 오픈소스 활동은 AI 에이전트를 소비자용 태스크 처리의 범주를 넘어 더욱 복잡한 산업 프로세스로 확대하려는 의도를 담고 있습니다. 여기서 추구하는 바는 자동화를 단순한 ‘대신 클릭해 주기’를 넘어, 실제 흐름을 파악하고 단계를 유연하게 조정하며, 조직 차원에서 반복 업무를 줄이고 대응 지연을 최소화하는 방향으로 나아가야 한다는 것입니다.
Agentic AI, 자율주행, 로봇 기술이 끊임없이 교차하며 형성하는 기술의 파도 속에서 하오 쑨의 이야기는 또렷한 한 줄을 남깁니다. 산업의 발전사를 실제로 밀고 나가는 힘은 대체로 ‘기술을 기적처럼 보이게 만드는 것’이 아니라, ‘기술을 더 명확하고, 통제 가능하며, 신뢰할 수 있게 만드는 것’에 있음을 말입니다.















