Claude 바운티 실험, 에이전트 수익화의 냉정한 숫자

한 개발자는 Algora 바운티를 Claude로 공략한 실험을 공개했다. 출발점은 “AI 코딩 에이전트가 22시간 동안 혼자 돌며 바운티를 찾아 PR을 내고 16.88달러를 벌었다”는 트윗이었다. 글쓴이는 이를 공개 오픈소스 바운티 시장에서 재현해보려 했고, Claude와 20달러 토큰 예산, 사람의 최종 리뷰라는 안전장치를 두었다.

결과는 48시간 뒤 수익 0달러였다. 그러나 실패가 더 값진 데이터가 됐다. 글쓴이는 gh search issues --label "💎 Bounty" 방식으로 60~80개의 열린 바운티를 훑고, 금액, /attempt 댓글 수, assignee, 연결 PR, 마지막 댓글 이후 일수를 기록했다. Algora 같은 플랫폼이 만든 공개 보상 시장이 AI 에이전트 시대에 어떻게 혼잡해지는지를 보여주는 작은 현장 보고서다.

시장은 이미 봇 속도를 반영한다

실험에서 관찰한 바운티는 크게 세 부류였다. 1달러짜리 sandbox spam, 이미 8158개의 attempt와 810개 PR이 붙은 포화 바운티, 공식 assignee가 있지만 며칠째 움직이지 않는 잠긴 바운티다. 예를 들어 글은 tscircuit/dsn-converter#54가 170달러, 158 attempts, 10개 이상 PR 상태였다고 기록한다. 이런 시장에서 11번째 PR의 기대값은 거의 0에 가깝다.

Claude Code나 다른 에이전트가 기술적으로 PR을 만들 수 있다는 사실은 이제 놀랍지 않다. 문제는 보상 시장이 사람의 리뷰와 신뢰에 묶여 있다는 점이다. Cloudflare 감원과 AI 생산성의 가격표가 조직 내부의 생산성 논쟁을 보여줬다면, 이 실험은 공개 시장에서 생산성이 곧 수익으로 바뀌지 않는다는 점을 보여준다.

에이전트 경제성은 토큰 비용만이 아니다

20달러 예산으로 돈을 벌 수 있는지 묻는 것은 단순해 보인다. 하지만 실제 비용은 토큰만이 아니다. GitHub 계정 평판, maintainer와의 관계, 이미 배정된 이슈를 가로채는 윤리 문제, 잘못된 PR로 인한 리뷰 부담이 모두 비용이다. 글쓴이가 Reserved for SE interview 라벨과 이미 제출된 PR을 보고 첫 바운티를 건너뛴 판단은 중요하다. 에이전트의 이익 함수에 커뮤니티 규칙을 넣지 않으면 자동화는 곧 스팸이 된다.

GitHub Issues와 GitHub CLI는 자동화하기 쉬운 표면을 제공한다. 그래서 더 엄격한 운영 규칙이 필요하다. AI 사용률 KPI가 만들 수 있는 가짜 생산성에서 보았듯 숫자만 밀어붙이면 사람들은 의미 없는 작업을 만들어낸다. 오픈소스 바운티에서도 attempt 수와 PR 수가 늘어도 maintainer의 부담만 커질 수 있다.

한국 개발자에게 주는 현실적 교훈

국내에서도 “AI 에이전트로 외화 벌기”, “오픈소스 자동 수익화” 같은 이야기는 매력적이다. 그러나 공개 바운티는 레드오션이 빠르게 된다. 더 현실적인 전략은 글쓴이가 제안한 것처럼 “놓친 바운티를 기다리는 scout”에 가깝다. 즉, 14일 이상 조용하고 assignee가 움직이지 않으며 open PR이 없는 후보를 찾는 방식이다. 그래도 2~4주의 관찰이 필요하고, 결과는 보장되지 않는다.

기업 입장에서는 이 실험을 외부 수익보다 내부 운영에 적용하는 편이 낫다. 에이전트가 backlog를 훑고, 오래 멈춘 이슈를 찾아내고, 재현 스크립트를 만들고, 작은 PR 초안을 준비하게 하되, 제출과 커뮤니케이션은 사람이 맡는 구조다. AI 에이전트도 클라우드 비용을 알아야 한다처럼 에이전트에게 비용과 우선순위를 이해시키는 일이 핵심이다.

결론

이 실험은 “AI가 돈을 벌지 못했다”가 아니라 “AI가 돈을 벌려면 시장 설계가 필요하다”는 이야기다. 공개 바운티는 속도가 빨라질수록 더 빨리 포화되고, 포화된 시장에서는 모델 성능보다 배정, 신뢰, 리뷰 병목이 승패를 가른다. 에이전트 수익화는 클릭 몇 번의 자동화가 아니라 경제 시스템 설계 문제다.

FAQ

실험의 결과는 무엇인가?

48시간 동안 Claude로 공개 Algora 바운티를 공략했지만 수익은 0달러였다. 대신 60~80개 이슈의 포화 상태를 데이터로 확인했다.

왜 바운티가 어려웠나?

합법적인 금액의 바운티에는 이미 많은 attempt와 PR이 몰려 있었다. maintainer는 모든 PR을 검토할 수 없다.

AI 에이전트로 오픈소스 바운티를 벌 수 없나?

불가능하다고 단정할 수는 없다. 다만 공개 시장에서는 속도 경쟁과 리뷰 병목 때문에 기대값이 낮아진다.

더 나은 전략은 무엇인가?

새 이슈에 뛰어드는 것보다 공식 assignee가 오래 멈춘 후보를 관찰하고, 사람의 리뷰와 커뮤니티 규칙을 지키는 방식이 현실적이다.

기업은 무엇을 배워야 하나?

에이전트 자동화의 성과를 PR 수로만 보지 말고, 리뷰 부담, 재작업률, 신뢰 비용, 실제 병목 제거 효과를 함께 봐야 한다.