기술에서 인재로: 이종 에이전트를 실제 기업처럼 조직화하기

기존 멀티 에이전트 시스템은 고정된 워크플로우와 특정 프레임워크에 종속되어 복잡한 실무 문제를 해결하는 데 한계가 있다. 이 논문은 에이전트를 '인재'로 정의하고 기업 조직 구조를 모방한 관리 계층을 도입하여, 스스로 팀을 구성하고 학습하며 진화하는 자율 AI 조직의 가능성을 제시한다.

기존 멀티 에이전트 시스템은 개별 에이전트의 '기술(Skill)'에 집중하며 고정된 파이프라인 안에서 움직인다. 이는 딥러닝의 모듈화된 레이어 구조와 유사하지만, 복잡하고 가변적인 실제 업무에서는 유연성이 떨어진다. 본 논문은 에이전트를 단순한 함수가 아닌 '인재(Talent)'라는 독립된 개체로 격상시키고, 이들을 관리하는 '조직 계층'을 추가하여 문제를 해결한다.

핵심 원리는 운영체제(OS) 커널이 하드웨어를 추상화하듯, 에이전트의 실행 환경을 추상화하는 것이다. 6개의 표준 인터페이스(Execution, Task, Event, Storage, Context, Lifecycle)를 통해 에이전트가 어떤 LLM이나 프레임워크를 사용하든 조직의 통제 하에 놓이게 된다. 이는 임베딩 공간에서 서로 다른 벡터들이 표준화된 차원으로 매핑되어 연산되는 것과 유사한 논리적 통합을 제공한다.

결과적으로 시스템은 정적인 워크플로우를 따르는 대신, Monte Carlo Tree Search(MCTS)와 유사한 E²R 탐색을 통해 최적의 작업 분해와 인력 배치를 실시간으로 결정한다. 실패한 작업은 상위 노드로 피드백되어 전략을 수정하게 하며, 이는 강화학습의 보상 신호가 정책을 업데이트하는 과정과 구조적으로 닮아 있어 시스템의 완결성을 보장한다.

OneManCompany(OMC)는 에이전트를 Employee 단위로 관리하며, 이는 Talent(프롬프트, 도구, 원칙)와 Container(실행 런타임)의 결합으로 구성된다. 조직은 CEO(인간), HR, COO, EA 등 고정된 C-suite 에이전트로 시작하여 필요에 따라 Talent Market에서 전문 에이전트를 채용한다.

E²R 트리 탐색은 프로젝트를 노드(Node)로 구성된 트리로 관리한다. 각 노드는 (작업 설명, 담당자, 상태, 결과, 비용) 등의 속성을 가지며, [현재 트리 상태 → 정책 π 적용 → 행동 A 선택] 과정을 거쳐 트리를 확장한다. 행동 A는 분해(Decompose), 할당(Assign), 채용(Recruit), 검토(Review), 반복(Iterate)의 5가지로 정의된다.

작업 실행은 DAG(Directed Acyclic Graph) 기반 스케줄링을 따르며, AND-Semantics를 통해 하위 작업이 모두 완료되어야 상위 작업이 완료되는 논리적 구조를 유지한다. [하위 노드 결과 → 상위 노드 검토자 평가 → Accept/Reject 결정] 순으로 품질 신호가 전파되며, Reject 시 해당 노드에서 새로운 분해 전략을 탐색하는 재시도 로직이 작동한다.

소프트웨어 개발 벤치마크인 PRDBench의 50개 프로젝트에서 실험한 결과, OMC는 84.67%의 성공률을 기록했다. 이는 기존 SOTA(State-of-the-Art) 모델인 Claude-4.5(69.19%)나 GPT-5.2(62.49%) 단일 에이전트 성능을 15%p 이상 상회하는 수치이다.

정성적 사례 연구에서는 콘텐츠 생성, 게임 개발, 오디오북 제작, 학술 조사 등 4가지 이종 도메인에서 시스템의 범용성을 입증했다. 특히 게임 개발 사례에서는 인간 평가자의 피드백을 받아 에이전트가 스스로 새로운 이미지 처리 기술(Skill)을 생성하고 적용하여 결함을 해결하는 자기 진화 능력을 보여주었다.

비용 측면에서는 프로젝트당 평균 약 $6.91의 비용이 발생했다. 이는 단순 질의응답보다는 높지만, 복잡한 프로젝트 수준의 작업을 자율적으로 완수한다는 점에서 실무적 타당성을 확보했다. 특히 에이전트 간의 명확한 인터페이스 덕분에 불필요한 토큰 낭비를 방지하고 실행의 안정성을 높였다.

OMC의 핵심은 에이전트 정체성을 직렬화 가능한 패키지로 만든 'Talent' 개념이다. 이는 특정 프레임워크(예: LangChain)의 종속성을 제거하고 순수한 인지적 구성 요소만 포함하여 이종 런타임 간의 이동성을 보장한다. 조직 계층은 OS 커널의 하위 시스템과 1:1로 대응되도록 설계되어 프로세스 관리, 메모리 격리, 보안 정책 등을 에이전트 수준에서 구현한다.

수학적으로 E²R은 상태 공간 S에서 최적의 행동 시퀀스를 찾는 탐색 문제로 정의된다. 정책 π는 [트리 T → 행동 시퀀스 σ]로 매핑되며, 이는 감독 에이전트(COO)의 휴리스틱에 의해 결정된다. 특히 'Bounded Rationality'를 구현하기 위해 리뷰 횟수 제한, 타임아웃, 비용 예산 등의 Circuit Breaker 메커니즘을 도입하여 무한 루프와 자원 고갈을 방지한다.

자기 진화 메커니즘은 'Individual-Level'과 'Organisation-Level'로 나뉜다. 개인 차원에서는 작업 후 자가 성찰을 통해 'Working Principles'를 업데이트하며, 조직 차원에서는 프로젝트 사후 검토를 통해 공유 지식인 SOP를 갱신한다. 이러한 업데이트는 모델 파라미터가 아닌 컨텍스트 내 지식(In-context Knowledge) 형태로 저장되어 즉각적이고 안전한 개선을 가능케 한다.

현재 정량적 평가는 소프트웨어 개발(PRDBench)에 국한되어 있어 비코딩 도메인에 대한 체계적인 벤치마크 검증이 향후 과제로 남아 있다. 또한 멀티 에이전트 조정에 따른 비용 오버헤드가 발생하므로, 단순한 작업에는 단일 에이전트로 라우팅하는 적응형 디스패치 모드가 필요하다.