다국어 다중 에이전트 시스템(Multilingual multi-agent systems)은 영어를 넘어설 때 상당한 성능 저하를 보이지만, 기존 연구에서는 사용자 요청이 실행 가능한 계획(executable plans)으로 변환될 때 작업에 중요한 정보가 어떻게 손실되는지를 식별하는 경우가 드뭅니다. 본 연구에서는 다중 에이전트 시스템 내의 플래너(planner)를 요청-액션 인터페이스(request-to-action interface)로 연구하며, 실패한 실제 작업 실행으로부터 계획-접지(planning-grounding) 실패에 대한 실행 가능한 분류 체계(actionable taxonomy)를 도출합니다. LLM 기반 분석에 따르면, 이러한 실패는 언어 자원 가용성이 감소함에 따라 성공하지 못한 실행에서 차지하는 비중이 증가하며, 저자원 언어(low-resource languages)에서 가장 강력한 영향을 미칩니다. 이 분류 체계가 완화(mitigation)를 지원하는지 테스트하기 위해, 우리는 분류 체계의 핵심 측면을 플래너와 하위 에이전트(downstream sub-agents)에게 명시적으로 전달하는 TART(Taxonomy-Guided Actionable Representation)를 도입합니다. 여러 언어, 세 가지 LLM 백본(backbones), 두 개의 데이터셋, 그리고 두 가지 에이전트 구성(agentic configurations)에 걸쳐 TART는 일관되게 성능을 향상시킵니다. 다국어 GAIA에서 TART는 저자원부터 고자원 설정에 이르는 11개 언어 전체의 평균을 기준으로, 최신 기술(state-of-the-art) 시스템의 정확도를 5.6 퍼센트 포인트 향상시켰습니다.