에이전트 하나가 복잡한 작업을 제대로 처리하지 못할 때 여러 에이전트로 나누는 방법을 떠올리기 쉽다. 하지만 리서치와 코딩 사례에서 나온 결론은 달랐다. Anthropic은 리서치에서 멀티에이전트의 이점을 보고했고, Cognition은 코딩처럼 결정이 긴밀하게 연결된 작업에서 생기는 문제를 강조했다. 차이는 에이전트 수보다 작업의 구조에 있다.
리서치와 코딩에서 나온 다른 결과
Anthropic은 자사 리서치 기능을 오케스트레이터-워커 구조로 짰다. 리드 에이전트(Claude Opus 4)가 계획을 세우고 서브에이전트(Claude Sonnet 4) 서너 개를 병렬로 띄워 각자 조사하게 한 뒤 결과를 합친다. 이 구조는 내부 리서치 평가에서 단일 Opus 4보다 90.2% 높은 성과를 냈다. 대신 일반 챗봇보다 훨씬 많은 토큰을 사용했다. 이 결과는 독립된 탐색에 더 많은 계산 자원을 투입했을 때 얻은 성과로 읽어야 한다.
Cognition은 코딩 에이전트를 운영한 경험을 바탕으로 멀티에이전트 사용에 신중해야 한다고 설명했다. 개별 메시지만 넘기면 앞선 판단의 근거가 빠질 수 있으므로 전체 작업 기록을 공유해야 하고, 여러 에이전트가 서로 모르는 상태에서 내린 결정은 합칠 때 충돌할 수 있다는 내용이다.
차이는 작업의 의존성에 있다
두 사례는 서로 다른 작업을 다룬다.
Anthropic이 평가한 리서치 작업은 여러 출처를 독립적으로 찾은 뒤 결과를 합칠 수 있었다. 각 하위 작업이 주로 읽기와 수집으로 이루어지고 서로의 판단에 미치는 영향이 작으면 병렬 처리로 더 넓은 범위를 다룰 수 있다.
Cognition이 다룬 코딩 작업은 앞선 결정이 뒤의 구현을 계속 제약한다. 함수 시그니처를 바꾸면 호출부와 테스트의 전제도 함께 달라진다. 이런 작업을 상태 공유 없이 나누면 각 변경은 타당해 보여도 통합할 때 충돌할 수 있다. Anthropic도 에이전트 사이의 의존성이 큰 작업에는 멀티에이전트가 덜 적합하다고 설명했다.
컨텍스트 공유 비용을 계산한다
판단 기준은 하위 작업이 서로의 결정을 얼마나 자주 알아야 하는가다.
결정이 서로 얽혀 있다면 에이전트를 나눌수록 상태를 전달하고 결과를 맞추는 비용이 커진다. 이 경우에는 여러 에이전트를 추가하기 전에 하나의 에이전트가 필요한 컨텍스트를 충분히 갖도록 하는 방법을 먼저 검토할 만하다.
읽기 중심이고 서로 독립된 갈래라면 병렬화의 이점을 얻기 쉽다. Anthropic의 90.2% 수치는 해당 내부 리서치 평가에서 나온 결과이므로 다른 작업의 기대치로 그대로 사용해서는 안 된다.
창업자를 위한 결정 규칙
작은 팀은 세 조건을 기준으로 멀티에이전트의 이점을 따져볼 수 있다. (1) 하위 작업을 실제로 병렬 처리할 수 있고, (2) 주로 읽기 작업이라 서로의 판단에 미치는 영향이 작으며, (3) 추가 토큰과 조율 비용을 감수할 만큼 결과의 가치가 큰가. 리서치·자료 수집·넓은 탐색은 비교적 이 조건에 가깝다.
반대로 결정이 긴밀하게 이어지는 쓰기 작업은 단일 에이전트에 충분한 컨텍스트를 주는 편이 나을 수 있다. 멀티에이전트를 도입하기 전에 작업을 독립된 단위로 나눌 수 있는지, 나눈 결과를 합치는 비용은 얼마인지부터 측정해야 한다.