개인 AI가 로컬 파일과 브라우저를 다룬다면 가장 중요한 질문이 있음.

“AI가 내 컴퓨터에서 어디까지 마음대로 할 수 있나?”

DAPPOS 공식 설명에서는 Bubble Personal이 사용자의 머신에서 explicitly authorized actions만 실행하도록 설계됐다고 밝히고 있습니다.

즉 Personal AI를 구현한다고 해서 사용자의 로컬 환경 전체를 자유롭게 변경하도록 만드는 방향은 아님.

AI가 할 수 있는 일과
사용자가 허용한 일을
구분하려는 구조임.

앞으로 Agent가 브라우저와 파일, 앱까지 직접 다루게 될수록 권한 관리가 AI 성능만큼 중요한 UX가 될 수 있음.

편리함 때문에 통제권까지 포기할 필요는 없기 때문임.

“내 컴퓨터를 사용하는 AI”라고 하면 모든 계산도 내 PC에서 직접 처리한다고 생각하기 쉬움.

그런데 무거운 AI 작업까지 전부 로컬에서 처리하면 성능 문제도 생기고, 위험한 작업 환경까지 사용자 컴퓨터에 만들게 될 수 있음.

DAPPOS는 Bubble Personal에서 heavy compute와 risky operations를 Bubble Cloud 쪽에 유지하고, 처리된 결과를 local workspace로 돌려보내는 구조​를 설명합니다.

즉 역할을 나누는 것임.

내 PC
→ 개인 파일과 실제 사용자 환경

Bubble Cloud
→ 무거운 계산과 격리가 필요한 작업

그리고 필요한 결과만 다시 로컬로 전달함.

Local의 개인화 + Cloud의 연산 능력을 동시에 활용하려는 구조라고 이해하면 쉬움.

Personal AI라고 하면 흔히 “내 취향을 기억해주는 AI”부터 생각함.

그것도 중요하지만 실제 생산성을 바꾸려면 한 단계가 더 필요함.

내 파일을 다루고, 필요한 웹사이트에서 작업하고, 여러 앱과 일정을 연결하고, 결과물을 다시 내가 사용하는 공간에 남길 수 있어야 하기 때문임.

DAPPOS의 Bubble Personal은 그래서 local files, browsers, apps, schedules를 작업 범위로 두면서, 로컬에서는 명시적으로 허용된 행동만 실행하고 무거운 연산이나 위험도가 높은 작업은 Bubble Cloud로 분리하는 방향을 택했습니다.

결국 Personal AI의 다음 단계는

“나를 기억하는 AI”에서
“내가 일하는 환경 안에서 실제 일을 해주는 AI”로 가는 것일 수 있음.

xBubble과 Web3 AI OS가 OS라는 표현을 쓰는 이유를 실사용 관점에서 이해할 수 있는 부분임.

AI에게 “이거 분석해줘”라고 말해도 실제 요청은 완전히 다를 수 있음.

차트 분석일 수도 있고, 사진 수정일 수도 있고, 영상 제작일 수도 있음. 같은 자연어 입력창을 사용한다고 해서 뒤에서 같은 작업 방식으로 처리하면 안 되는 이유임.

DAPPOS는 2026년 5월 xBubble의 Multimodal Router를 업그레이드해 실행이 시작되기 전에 사용자의 Intent를 식별하도록 했다고 밝혔습니다. 이후 요청 종류에 맞춰 서로 다른 작업 영역을 분리하는 구조입니다.

즉 흐름은 단순히

Prompt → AI 답변

이 아니라,

Prompt → 요청 종류 판단 → 맞는 작업 경로 선택 → 실행

에 가까움.

여러 능력을 하나의 AI 안에 넣으려면 “무엇을 할 수 있느냐”만큼 언제 어떤 능력을 꺼낼 것인가가 중요함.

전문 AI를 많이 만든다고 무조건 시스템이 똑똑해지는 건 아님.

중요한 건 맞는 요청에 맞는 전문 작업법을 연결하는 것임.

DAPPOS는 Multimodal Router 업데이트에서 financial analysis와 photo editing처럼 성격이 다른 작업들을 실행 전에 구분하도록 개선했다고 설명했습니다. 같은 업데이트에는 narrative video 작업을 위한 short-drama SOP 개선도 포함됐습니다.

쉽게 말하면 전문가는 많아도 접수창구가 엉망이면 소용없다는 것임.

사진 요청은 사진 작업 경로로,
시장 분석은 분석 경로로,
영상 요청은 영상 제작 경로로 보내야 함.

xBubble의 Router는 바로 이 첫 번째 교통정리를 담당하는 기술이라고 볼 수 있음.

멀티모달이라고 하면 보통 텍스트와 이미지를 함께 이해하는 AI부터 떠올림.

하지만 실제 Agent 시스템에서는 입력을 이해하는 것만으로 부족함.

사진을 받았다면 이미지 처리용 workflow를 호출해야 하고, 시장 질문이라면 데이터 분석용 SOP와 도구를 사용해야 함. 즉 입력 종류뿐 아니라 요청의 목적까지 실행 경로와 연결해야 함.

DAPPOS가 공개한 Multimodal Router 업데이트 역시 실행 이전에 user intent를 식별하고 서로 다른 작업 영역을 분리하는 데 초점이 있습니다.

그래서 여기서 Multimodal의 핵심은

“여러 데이터를 이해함” + “그 데이터에 맞는 작업 시스템으로 보냄”

이라고 보면 이해하기 쉬움.

단순 인식 기술에서 Agent orchestration으로 넘어가는 부분임.

특정 작업에 특화된 SOP가 좋은 성능을 냈다고 해도 모든 질문에 그 SOP를 사용하면 오히려 결과가 나빠질 수 있음.

예를 들어 영상 제작에 최적화된 절차를 시장 리서치에 적용할 이유가 없음.

DAPPOS 공식 문서는 SOP를 시스템에 추가하기 전에 Bubble Engine이 해당 SOP의 applicable scope, 즉 적용 가능한 범위도 정의한다고 설명합니다.

이게 SOP Scope Control의 중요한 부분임.

SOP는 단순히

“이렇게 하면 좋은 결과가 나온다”

만 저장하는 게 아니라,

“이 방식은 어떤 상황에서 사용해야 하는가”

까지 함께 다뤄야 함.

전문 Agent 시스템에서 능력만큼 중요한 게 능력의 사용 범위인 이유임.

어떤 일을 전문적으로 처리하는 SOP가 있다고 생각해보자.

이름만 보면 무조건 그걸 선택하는 게 좋아 보임.

그런데 사용자 요청이 그 SOP의 전문 영역과 살짝만 다르면 범용적인 작업법이 오히려 더 안정적일 수도 있음.

DAPPOS 공식 문서는 Scope를 정의하는 목적을 Bubble Pilot이 specialized SOP가 general SOP보다 더 좋은 결과를 낼 가능성이 있을 때만 해당 전문 SOP를 추천하도록 하기 위한 것이라고 설명합니다.

이 부분이 꽤 중요함.

전문 SOP 존재 → 무조건 호출

이 아니라,

요청 분석 → 적용 범위 확인 → 전문 SOP가 더 적합한지 판단

이라는 구조임.

AI 시스템에서 전문화가 많아질수록 선택 알고리즘의 중요성도 같이 커지는 이유임.

xBubble 구조를 보면 Bubble Engine과 Bubble Pilot이 함께 등장해서 헷갈릴 수 있음.

하지만 역할은 다름.

DAPPOS 공식 문서상 Bubble Engine은 SOP를 훈련하고 개선하는 역할, Bubble Pilot은 준비된 SOP 중 적절한 것을 ​선택하고 실행하는 역할을 담당합니다. SOP 자체는 특정 작업을 수행하기 위한 패키징된 task-specific workflow임.

쉽게 나누면,

Bubble Engine
→ 작업법을 만들고 개선함

SOP
→ 검증된 작업법

Bubble Pilot
→ 지금 어떤 작업법을 사용할지 고르고 돌림

이라는 구조임.

하나의 거대한 AI에게 모든 책임을 몰아주는 대신 학습·작업법·실행 선택을 분리한 설계라고 이해하면 쉬움.

사용자가 긴 프롬프트를 쓰지 않는다면 누군가는 빠진 정보를 대신 처리해야 함.

예를 들어 사용자가

“이 사진 좀 더 자연스럽게 수정해줘”

정도만 말했다고 해보자.

어떤 작업 유형인지, 어떤 SOP가 맞는지, 어떤 도구를 써야 하는지를 사용자가 하나씩 지정하지 않음.

DAPPOS는 Low-Prompt 구조에서 사용자는 목표를 제시하고, Bubble Pilot이 적절한 SOP를 사용하는 방향을 설명합니다. 여기에 Multimodal Router의 intent 식별과 SOP Scope Control이 결합됩니다.

즉 사용자 프롬프트를 짧게 만들려면 뒤에서는

분류 → 범위 확인 → SOP 선택 → 실행

이 더 정확해져야 함.

Low-Prompt가 단순 UI 기능이 아니라 라우팅 기술과 연결되는 이유임.

전문 Agent는 특정 분야에서 강함.

하지만 전문성이 강하다고 해서 모든 상황에서 사용하는 게 좋은 것은 아님.

DAPPOS가 SOP를 등록하기 전에 적용 범위를 정의하고, specialized SOP가 general SOP보다 더 적합할 가능성이 있을 때 추천하도록 설계한 것도 이 문제와 연결됩니다.

여기서 하나의 기술적 의미를 추론할 수 있음.

Scope Control은 단순 분류 기능뿐 아니라 전문 작업법이 자신의 영역 밖으로 잘못 확장되는 것을 줄이는 일종의 guardrail 역할도 할 수 있음. 이는 공식 문서의 Scope 설계 목적에서 자연스럽게 따라오는 해석임.

AI가 더 많은 능력을 갖게 될수록

“무엇을 할 줄 아는가”보다
“무엇을 언제 하지 말아야 하는가”

도 중요해짐.

처음에 작업법이 3개뿐이라면 무엇을 사용할지 고르기 어렵지 않음.

그런데 분석, 이미지, 영상, 코딩 등 서로 다른 분야의 전문 SOP가 계속 늘어난다면 이야기가 달라짐.

DAPPOS는 xBubble에서 Bubble Engine이 task-specific SOP를 훈련·개선하고, Bubble Pilot이 이를 선택해 실행하는 구조를 사용합니다. 동시에 2026년 5월에는 실행 전 intent를 분류하는 Multimodal Router와 SOP Scope Control을 강화했습니다.

여기서 중요한 시스템 설계 문제가 생김.

능력의 개수가 늘어나는 것과
그 능력을 정확히 찾아 쓰는 것은 별개의 문제임.

전문 SOP가 많아질수록 Router와 Scope Control이 병목이 될 수도 있는 이유임.

좋은 AI OS는 기능 목록만 많은 게 아니라 맞는 기능을 자동으로 골라야 함.

리서치 AI, 이미지 AI, 영상 AI가 각각 따로 있다면 사용자가 어떤 서비스를 열지 직접 선택하면 됨.

하지만 DAPPOS가 말하는 Web3 AI OS처럼 하나의 시스템에서 다양한 작업을 처리하려면 상황이 달라짐.

사용자는 목표만 말하고, 시스템이 요청을 이해한 뒤 맞는 작업 경로를 결정해야 함.

DAPPOS는 이를 위해 xBubble에서 실행 전 Intent를 식별하는 Multimodal Router, SOP별 applicable scope, 그리고 적절한 SOP를 선택·실행하는 Bubble Pilot 구조를 사용하고 있습니다.

그래서 이번 시리즈를 한 줄로 정리하면 이거임.

AI가 많은 능력을 갖는 것이 1단계라면,
사용자가 설명하지 않아도 그중 맞는 능력을 찾아내는 것이 2단계임.

Multimodal Router와 SOP Scope Control은 xBubble이 Low-Prompt AI로 가기 위해 필요한 ‘능력 선택 계층’​이라고 이해하면 가장 쉬움.

일반적인 지식은 며칠 늦게 알아도 큰 문제가 없는 경우가 많음.

하지만 Web3에서는 상황이 다름.

새로운 프로토콜이 등장하고, 프로젝트 관계가 바뀌고, 커뮤니티 분위기와 시장의 관심이 빠르게 이동함. 그래서 한 번 학습한 지식을 오래 들고 있는 AI만으로는 대응하기 어려울 수 있음.

DAPPOS는 이 문제를 위해 Intelligence Layer 내부에 Bubble Engine이라는 Web3 특화 adaptive learning core를 두고 있습니다. 공식 문서에서는 Bubble Engine이 continuous reinforcement learning(RL)을 기반으로 새로운 Web3 정보에 지속적으로 적응한다고 설명합니다.

즉 핵심은

한 번 학습 → 계속 사용

이 아니라

새로운 신호 → 학습·적응 → 다시 활용

이라는 구조임.

Web3 AI에서 중요한 것은 지식의 양만 아니라 지식이 얼마나 빨리 살아 움직이느냐일 수 있음.

DAPPOS의 Intelligence Layer에서 MAF와 Bubble Engine은 같이 등장하지만 역할은 같지 않음.

공식 문서상 MAF는 여러 전문 Agent와 도구를 조정해 실제 문제를 처리하는 orchestration 쪽이고, Bubble Engine은 새로운 정보를 받아들이며 intelligence 자체를 적응시키는 learning core에 가깝습니다.

쉽게 보면

MAF
→ 지금 이 문제를 어떻게 풀 것인가

Bubble Engine
→ 앞으로 비슷한 문제를 더 잘 이해하려면 무엇을 배워야 하는가

라는 차이가 있음.

이 구조가 재미있는 이유는 모든 기능을 거대한 하나의 AI 안에 몰아넣지 않기 때문임.

실행하는 시스템과 학습하는 시스템을 역할별로 분리함.

그래서 DAPPOS의 Web3 AI OS는 Agent 수만 많은 구조가 아니라, Agent 뒤에서 지식을 계속 업데이트하는 별도의 adaptive layer를 두고 있음.

Web3에서는 중요한 정보가 공식 문서에서만 나오는 게 아님.

프로젝트 발표, 개발 상황, 파트너십 힌트, 커뮤니티 반응처럼 시장이 중요하게 보는 정보가 X 같은 실시간 채널에서 먼저 움직일 때가 있음.

DAPPOS 공식 문서는 Bubble Engine이 X와 Binance Square 같은 실시간 소스에서 새로운 인사이트를 지속적으로 받아들인다고 설명합니다.

여기서 핵심은 단순히 “AI가 X 검색을 한다”는 것이 아님.

Bubble Engine의 설계상 이런 실시간 정보가 Web3 intelligence를 계속 적응시키는 입력 신호로 사용된다는 점임.

즉,

공식 자료만 보는 AI
vs
실시간 시장 신호까지 계속 추적하는 AI

사이에 정보 반응 속도 차이가 생길 수 있음.

빠르게 변하는 Web3에서는 이 차이가 꽤 중요함.

AI가 최신 웹페이지를 검색하면 최신 정보를 가져올 수 있음.

그런데 매번 정보를 읽는 것과 새로운 Web3 개념을 시스템의 지식으로 흡수하는 것은 조금 다른 문제임.

DAPPOS는 Bubble Engine을 단순 retrieval system이 아니라 continuous RL 기반의 adaptive learning core로 설명하고, 실시간 데이터와 사용자 기여 인사이트를 지속적으로 통합하는 구조를 제시합니다.

쉽게 말하면,

검색
→ 지금 질문에 필요한 정보를 가져옴

적응
→ 새로 등장한 패턴이나 개념을 이후 판단에도 활용할 수 있도록 시스템에 반영함

이라는 차이로 이해할 수 있음.

DAPPOS가 Bubble Engine을 따로 둔 이유도 여기에 있음.

Web3에서 새 정보는 ‘찾아볼 자료’인 동시에 ‘AI가 새로 배워야 할 지식’이 될 수 있기 때문임.

AI가 모든 Web3 사건을 가장 먼저 발견하기는 어려움.

특정 커뮤니티에서 새롭게 등장한 개념이나 현장의 정보를 실제 사용자가 먼저 알고 있을 수도 있음.

DAPPOS는 이를 위해 BubbleUp Tasks라는 지식 기여 방식을 문서화했습니다.

공식 가이드에서는 사용자가 X나 Binance Square에 게시물을 올리고 #BubbleUp 태그를 포함하면 해당 정보가 Bubble Engine의 knowledge base에 들어갈 수 있는 ingestion 후보가 된다고 설명합니다.

즉 지식 흐름이

DAPPOS → 사용자

한 방향만 있는 것이 아님.

사용자 → Bubble Engine

방향도 존재함.

Web3처럼 정보가 여러 커뮤니티에 분산된 환경에서는 이런 community-assisted intelligence 구조가 꽤 흥미로운 기술적 특징임.

보통 프로젝트 해시태그는 홍보나 커뮤니티 참여용으로 생각하기 쉬움.

그런데 DAPPOS의 #BubbleUp은 공식 문서상 조금 다른 역할도 갖고 있음.

사용자가 X 또는 Binance Square에 Web3 관련 정보를 게시하면서 #BubbleUp을 포함하면 Bubble Engine이 받아들일 수 있는 지식 후보가 되는 방식입니다. DAPPOS는 이를 새로운 Web3-specific data를 Engine에 공급하는 과정으로 설명합니다.

게시물 작성
→ #BubbleUp 표시
→ ingestion 후보
→ 검증
→ Engine에 반영 가능

이라는 흐름임.

이 관점에서 보면 해시태그가 단순 분류 태그가 아니라 AI 지식 수집 파이프라인의 입구 역할도 하는 셈임.

소셜 데이터를 AI 학습·적응 시스템과 연결하는 방식이라는 점이 핵심임.

누구나 정보를 넣을 수 있는 AI라면 바로 문제가 생김.

틀린 정보나 루머를 대량으로 넣으면 AI가 오히려 망가질 수 있기 때문임.

그래서 DAPPOS가 설명하는 BubbleUp 구조에는 중요한 단계가 하나 있음.

Verification임.

DAPPOS 공식 Introduction에서는 사용자가 새로운 개념을 Bubble Task를 통해 공급할 수 있지만, 검증된 뒤 시스템에 통합된다고 명시합니다.

즉 구조는

User Contribution → 바로 기억

이 아니라

User Contribution → Verification → Integration

임.

이 단계가 중요한 이유는 Community Intelligence와 misinformation 문제가 항상 같이 따라오기 때문임.

누구나 지식을 추가할 수 있게 만드는 것보다 무엇을 받아들일지를 결정하는 과정이 더 어려울 수도 있음.