Exponential View
Anthropic 멀티에이전트 실험, 단일 AI가 4개보다 정확한 이유
연구소/벤더원본 2026년 8월 23일
한마디로
AI 여러 개를 모아 토론시키면 오히려 정답률이 떨어지는데 한 명이 모든 증거를 갖고 있을 때가 더 정확하더라는 실험 결과예요
무슨 내용인가
Anthropic이 4개 에이전트에게 함께 의사결정을 내리게 하는 실험을 했는데요, 공통으로 알고 있는 증거는 오답을 가리키고 소수 에이전트만 정답으로 이어지는 정보를 갖고 있는 구조였어요. 토론 후 대부분의 모델군은 17-36%만 정답을 맞혔고, 반면 전체 증거를 혼자 받은 단일 에이전트는 거의 매번 맞혔습니다. Mythos 5라는 모델만 유일하게 약 85%로 예외적인 성적을 냈는데 이유는 밝혀지지 않았어요. 필자는 원인으로 LLM이 다양성이 낮다는 점과 소수 의견을 보호할 평판, 이의제기 같은 제도가 에이전트 사이에 없다는 점 두 가지를 꼽습니다. 후반부에서는 토큰 가격이 10% 내려도 사용량은 12-18%만 늘어나는 낮은 탄력성 문제를 다루며, 진짜 중요한 건 토큰당 비용이 아니라 유용한 업무 단위를 완료하는 비용이라는 Patrick Saner의 지적을 소개하고, 2023년 10월 이후 상위 1% 기업의 직원당 AI 지출은 6,542달러 늘었지만 중간값 기업은 9.63달러밖에 늘지 않았다는 격차도 언급합니다
에디터 노트 | FactStack
멀티에이전트 붐에 찬물을 끼얹는 결과라 반가워요. 에이전트를 여러 개 붙이면 뭔가 더 똑똑해질 거라 믿는 조직이 많은데, 실제로는 다수결 구조 자체가 소수 정답을 지워버리는 함정이 됩니다. 실무에서는 에이전트 수를 늘리기 전에 한 에이전트에게 증거를 얼마나 온전히 몰아줄 수 있는지, RAG 파이프라인 설계부터 다시 점검하는 게 우선이에요. Mythos 5의 85%는 흥미롭지만 재현 안 되는 예외 사례를 근거로 아키텍처를 짜면 안 되고, 뒷부분 토큰 비용 탄력성 이야기가 오히려 더 실용적인 인사이트라고 봅니다. 상위 1%와 중간값 기업의 AI 지출 격차가 700배 가까이 벌어졌다는 건, 결국 토큰 가격이 아니라 업무 단위를 완결하는 워크플로우 설계 역량 차이가 승부를 가른다는 뜻이거든요.
실무 시사점
멀티에이전트 AI 협업을 설계할 때 단순 토론과 합의보다 소수 의견을 얼마나 신뢰하고 반영하는 구조를 짜느냐가 정확도를 좌우한다는 점을 시사합니다
태그
용어 풀이
- Anthropic
- AI 모델 Claude를 만드는 미국 AI 기업
- 멀티에이전트
- 여러 AI 에이전트가 함께 협업하거나 토론하며 문제를 푸는 방식
- hidden-profile problem
- 그룹이 모두가 아는 정보만 논의하고 한 명만 아는 중요한 정보를 놓치는 현상
- Jevons paradox
- 가격이 내려가면 오히려 사용량이 늘어 총지출이 커지는 역설적 현상
공유
이 주의 다른 소식 - 2026년 8월 24일 - 8월 30일 트렌드 38건주간 라운드업 보기 →