여러 인공지능에게 같은 일을 맡기고 서로의 답을 보여주며 검토·토론시켜서 더 나은 결과를 뽑아내려 해본 적이 있다면, 최근 나온 한 논문이 그 방식에 제동을 겁니다. 서로 다른 모델에게 같은 문제를 풀게 한 뒤 상대방의 결과물을 보여주고 다시 다듬게 하는 AI 에이전트 협업 방식은, 업무에 AI를 여러 개 동원하는 1인 사업자와 기획자 사이에서 점점 흔한 요령으로 자리잡고 있습니다. 혼자보다 여럿이 검토하면 더 낫다는 직관 때문입니다.
그런데 이 논문은 정반대 가능성을 제시합니다. 에이전트들이 서로의 결과물을 통째로 읽고 반응하게 만드는 순간, 애초에 여러 모델을 쓰는 이유였던 서로 다른 관점이 단 한 번의 교환만으로 사라진다는 것입니다. 저자들은 이 현상에 인터랙션 택스(interaction tax), 즉 상호작용에 물리는 세금이라는 이름을 붙였습니다.
어떤 연구인가
연구진이 던진 질문은 단순합니다. 여러 AI 에이전트를 협업시키는 것이 정말 도움이 되는가, 아니면 비용만 늘리는가. 기존 연구들의 답은 서로 엇갈려 있었습니다. 한쪽에서는 에이전트끼리 토론시키거나 서로의 결과물을 비평하게 하거나 여러 에이전트의 답을 종합하는 방식이 성능을 끌어올린다고 보고했습니다. 다른 쪽에서는 같은 예산, 즉 동일한 계산량과 시도 횟수 안에서 비교하면 상호작용이 품질을 높이지 못한 채 비용만 늘렸다고 보고했고, 한 에이전트가 여러 번 독립적으로 시도하는 것만으로도 다중 에이전트의 이점을 이미 얻을 수 있다는 결과도 있었습니다.
연구진은 이 모순이 모든 에이전트 간 소통이 같지 않다는 사실을 놓친 데서 비롯된다고 봅니다. 이를 확인하기 위해 검증자가 채점하는 11개의 최적화 과제를 마련하고, 같은 예산 조건에서 에이전트들이 서로의 완전한 결과물을 읽고 반응하는 방식과 각자 독립적으로 제안을 만드는 방식을 나란히 비교했습니다.
무엇을 발견했나
서로 다른 모델 계열은 원래 같은 문제에도 구조적으로 다른 해법을 찾아냅니다. 문제는 에이전트들이 서로의 전체 결과물을 읽게 하는 순간부터 시작됩니다. 단 한 라운드의 교환만으로 각자의 제안이 서로 닮아가기 시작하고, 애초에 여러 모델을 동원한 이유였던 다양성이 사라집니다.
독립적으로 각자 제안을 만들게 하는 방식은 이 수렴을 피했습니다. 반면 비평(critique) 방식, 즉 한 에이전트가 다른 에이전트의 결과물에서 문제점을 짚어주는 방식은 조건부로만 도움이 됐습니다. 위반된 규칙을 AI가 쉽게 찾아내고 고칠 수 있는 경우에만 비평이 효과를 냈고, 그렇지 않으면 뚜렷한 개선으로 이어지지 않았습니다. 연구진은 다중 에이전트의 성능이 에이전트 수보다 에이전트끼리 주고받는 정보의 종류, 즉 무엇을 언제 공유하느냐에 더 좌우된다고 결론짓습니다.
실무에 적용하면
AI 에이전트 협업 방식을 두 갈래로 나눠보면, 하나는 여러 AI에게 각각 독립적으로 기획안이나 카피, 사업계획서 초안을 만들게 한 뒤 사람이 직접 비교해 좋은 부분을 골라 조합하는 방식이고, 다른 하나는 한 AI의 결과물을 다른 AI에게 그대로 보여주며 다듬어 달라고 요청하는 방식입니다. 이번 연구가 뒷받침하는 쪽은 전자입니다.
여러 시안이 필요한 작업, 예를 들어 마케팅 카피 후보나 사업 아이디어 브레인스토밍, 상호명 짓기 같은 일에서는 AI들을 서로에게 노출시키지 말고 각자 독립적으로 결과를 내게 한 뒤 사람이 비교하는 편이 다양한 선택지를 지키는 데 유리합니다. 반대로 이미 나온 결과물의 오류를 잡아내는 검토 단계, 예컨대 계약서 조항의 논리적 허점이나 코드의 명백한 버그를 찾는 작업이라면 다른 AI에게 비평을 맡기는 방식이 여전히 쓸모가 있습니다. 다만 그 오류가 AI 입장에서 찾고 고치기 쉬운 종류일 때에 한해서입니다.
주의할 점
이 연구는 검증자가 정답 여부를 채점할 수 있는 11개의 최적화 과제를 대상으로 했습니다. 정답이 명확히 갈리지 않는 창작·전략 기획처럼 채점 기준이 모호한 작업까지 그대로 적용되는지는 이 논문만으로 단정할 수 없습니다. 또한 실험은 동일한 계산량과 시도 횟수라는 같은 예산 조건에서 이루어졌으므로, 예산에 여유가 있어 상호작용과 독립 생성을 모두 여러 차례 반복할 수 있는 상황이라면 결과가 달라질 가능성도 열려 있습니다. 여러 AI를 붙이면 무조건 낫다는 기대보다는, 지금 시키는 일이 다양한 시안이 필요한 단계인지 아니면 이미 나온 답의 오류를 잡는 단계인지부터 구분하는 것이 이번 연구가 주는 실질적인 조언입니다.
