Agentic 워크플로우는 유용합니다. 문제는 토큰이 얼마나 빠르게 쌓이는가입니다.

단순한 작업 하나가 수십 번의 모델 호출로 이어질 수 있습니다. 컨텍스트(Context)는 매 턴마다 증가합니다. 세션 후반부의 재시도(Retries)는 비용이 더 많이 발생합니다. 심지어 간단한 검색 및 재읽기 루프조차 청구서에 나타납니다.

이것이 바로 토큰 중독(token addiction)입니다: 결정론적 작업(deterministic work)을 매번 LLM으로 감싸는 것입니다.

왜 에이전트 비용이 증가하는가

1. 다단계 에이전트 루프는 하나의 목표를 여러 모델 라운드로 만듭니다.
2. 입력 컨텍스트가 지배적입니다. 파일, 로그, 도구 스키마(tool schemas)가 매 턴마다 재전송됩니다.
3. 세션 후반부의 재시도는 큰 컨텍스트 창에 부딪히기 때문에, 각 시도가 이전보다 더 많은 비용을 초래합니다.

토큰 중독이 보이는 모습

• Agent가 실행할 때마다 같은 리포지토리(repo)를 검색함
• Set 노드나 스크립트가 매핑할 수 있는 JSON을 LLM이 요약함
• 구조화된 필드가 아닌 전체 HTML을 컨텍스트에 덤프함
• 도구 루프에 최대 단계(max steps) 제한 없음

당신은 판단이 필요 없었던 작업에 대해 비용을 지불하고 있습니다.

간단한 제어 평면(control plane)

명확한 프로세스를 통해 n8n은 AI가 언제 실행되어야 할지 결정하는 데 도움을 줍니다:

1. 구조화된 데이터, 명확한 if/then 경로, 그리고 대용량 접착제(glue)를 위해 규칙(Rules)을 먼저 사용합니다.
2. 작업이 모호하지만 경계가 있는 경우: 분류(classify), 추출(extract), 한 번 초안 작성(draft once) 시 단발성 AI(One-shot AI)를 사용합니다.
3. 경로 자체가 정말 알 수 없는 경우에만, 예산과 종료 스위치(kill switch)와 함께 전체 에이전트(full agent)를 사용합니다.

AI는 판단을 위해 사용하고, 나머지 모든 것은 워크플로우(workflows)를 위해 사용하세요.

라우팅(routing) 없이 자율성은 그저 비싼 루프에 불과합니다.