📋 Executive Summary

본 연구는 180개의 통제된 구성에 걸친 대규모 실험을 통해 "더 많은 에이전트가 항상 더 낫다"는 통념을 반증하고, 에이전트 시스템의 성능을 결정하는 정량적 원칙을 도출했습니다.

• 과제 의존성: MAS 효과는 과제 특성에 따라 -70%에서 +80.9%까지 극명하게 다름
• 세 가지 지배 법칙: 도구-협력 트레이드오프, 역량 포화, 아키텍처 의존적 오류 증폭
• 예측 모델: 51.3% 성능 분산 설명, 87% 정확도로 최적 아키텍처 예측

1. 서론: 에이전트 시스템 스케일링의 과학적 접근

현재 에이전트 시스템 설계는 경험적 휴리스틱에 의존하며, 협력 효과를 정량적으로 예측할 수 있는 체계적 방법론이 부재합니다. 본 연구는 에이전트의 수, 협력 구조, 모델 역량, 과제 속성의 상호작용을 분석하여 데이터 기반 정량적 확장성 원칙을 도출합니다.

2. 핵심 개념: 에이전트적 과제

에이전트적 과제의 3가지 핵심 속성:

• 지속적인 다단계 상호작용
• 부분적 관찰 하에서의 정보 수집
• 환경 피드백 기반의 적응적 전략 수정

3. 핵심 연구 결과

법칙 1: 도구-협력 트레이드오프

도구 사용이 많은 복잡한 과제일수록 MAS의 협력 오버헤드로 인한 성능 저하가 비례하여 커집니다. 고정된 토큰 예산 하에서 협력에 소모되는 토큰이 많아지면, 도구 호출 및 결과 해석에 사용할 추론 용량이 부족해집니다.

법칙 2: 역량 포화

SAS 성능이 45%를 초과하면, 추가 에이전트 투입이 오히려 성능에 부정적인 영향을 미칩니다. 회귀 분석 결과, SAS 성능이 높을수록 에이전트 추가 효과는 통계적으로 유의미한 음의 관계(β = −0.408, p < 0.001)를 보입니다.

법칙 3: 아키텍처 의존적 오류 증폭

독립형 MAS: 17.2배 오류 증폭 (상호 검증 없음)

중앙형 MAS: 4.4배 오류 증폭 (오케스트레이터 검토)