기술에서 인재로: 실제 기업처럼 이질적 행위자 조직하기

초록

개별 에이전트의 역량은 모듈형 기술과 도구 통합을 통해 빠르게 발전해 왔으나, 다중 에이전트 시스템은 여전히 고정된 팀 구조, 긴밀하게 결합된 조정 논리, 세션에 종속된 학습에 의해 제약을 받고 있습니다. 우리는 이것이 개별 에이전트의 지식과 분리된, 에이전트 집단이 어떻게 구성되고 운영되며 시간이 지남에 따라 개선되는지를 관리하는 원칙적인 조직 계층의 근본적인 부재를 반영한다고 주장합니다. 이러한 격차를 해소하기 위해 우리는 다중 에이전트 시스템을 조직 수준으로 격상하는 프레임워크인 OneManCompany(OMC)를 소개합니다. OMC는 기술, 도구, 런타임 구성을 이식 가능한 에이전트 정체성인 '탤런트(Talents)'로 캡슐화하며, 이종 백엔드를 추상화하는 유형화된 조직 인터페이스를 통해 조정합니다. 커뮤니티 기반의 탤런트 마켓은 온디맨드 채용을 가능하게 하여 조직이 실행 중에 능력 격차를 해소하고 동적으로自身을 재구성할 수 있도록 합니다. 조직적 의사 결정은 Explore-Execute-Review(E^2R) 트리 탐색을 통해 운영되며, 이는 계획, 실행, 평가를 단일 계층적 루프로 통합합니다: 작업은 상향식으로 책임 단위로 분해되고 실행 결과는 하향식으로 집계되어 체계적인 검토 및 개선을 주도합니다. 이 루프는 인간 기업의 피드백 메커니즘을 반영하면서도 종료 및 데드락 방지에 대한 형식적 보장을 제공합니다. 이러한 기여점들은 종합적으로 다중 에이전트 시스템을 정적이고 사전 구성된 파이프라인에서, 다양한 도메인에 걸친 개방형 작업에 적응 가능한 자체 조직화 및 자체 개선이 가능한 AI 조직으로 변모시킵니다. PRDBench에 대한 실증 평가에서 OMC는 84.67%의 성공률을 달성하여 최첨단 기술을 15.48%p 능가했으며, 크로스 도메인 사례 연구를 통해 그 일반성을 추가로 입증했습니다.

English

Individual agent capabilities have advanced rapidly through modular skills and tool integrations, yet multi-agent systems remain constrained by fixed team structures, tightly coupled coordination logic, and session-bound learning. We argue that this reflects a deeper absence: a principled organisational layer that governs how a workforce of agents is assembled, governed, and improved over time, decoupled from what individual agents know. To fill this gap, we introduce OneManCompany (OMC), a framework that elevates multi-agent systems to the organisational level. OMC encapsulates skills, tools, and runtime configurations into portable agent identities called Talents, orchestrated through typed organisational interfaces that abstract over heterogeneous backends. A community-driven Talent Market enables on-demand recruitment, allowing the organisation to close capability gaps and reconfigure itself dynamically during execution. Organisational decision-making is operationalised through an Explore-Execute-Review (E^2R) tree search, which unifies planning, execution, and evaluation in a single hierarchical loop: tasks are decomposed top-down into accountable units and execution outcomes are aggregated bottom-up to drive systematic review and refinement. This loop provides formal guarantees on termination and deadlock freedom while mirroring the feedback mechanisms of human enterprises. Together, these contributions transform multi-agent systems from static, pre-configured pipelines into self-organising and self-improving AI organisations capable of adapting to open-ended tasks across diverse domains. Empirical evaluation on PRDBench shows that OMC achieves an 84.67% success rate, surpassing the state of the art by 15.48 percentage points, with cross-domain case studies further demonstrating its generality.

기술에서 인재로: 실제 기업처럼 이질적 행위자 조직하기

From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company

초록

Support