엔터프라이즈 AI (Enterprise AI)는 전문 에이전트(specialist agents) 전반에 걸쳐 지속적인 이벤트 모니터링, 탐지 및 조치 단계로 나아가는 것을 목표로 하지만, 기존의 멀티 에이전트 시스템 (multi-agent systems)은 주로 이산적인 요청-응답 (request-response) 워크플로우를 가정하며 엔터프라이즈 규모에서의 연구는 여전히 미흡한 상태입니다. 본 연구에서는 페르소나 (Persona, 10개 미만 에이전트), 부서 (Department, 20-80개), 엔터프라이즈 (Enterprise, 200개) 규모에 걸친 208개의 실제 생산 유도 엔터프라이즈 시나리오를 통해 DAG Plan and Execute 및 ReAct를 평가하며, 우선순위 추론 (priority inference), 관련 이벤트 병합 (related-event merging), 선점 (preemption)을 통해 지속적인 운영을 가능하게 하는 태스크 매니저 (Task Manager)를 도입합니다. 결과에 따르면, 오케스트레이션 (orchestration) 성능을 지배하는 것은 작업의 복잡성이 아니라 규모(scale)인 것으로 나타났습니다. 두 아키텍처 모두 소규모에서는 성능이 우수하지만, 엔터프라이즈 규모에서는 에이전트 탐색 노이즈 (agent discovery noise)가 주요 병목 현상이 되면서 성능이 저하되며, 특히 단순한 작업이 복잡한 작업보다 더 급격하게 저하됩니다. DAG Plan and Execute는 소규모에서 더 높은 정밀도와 구조화된 병렬화 (parallelization)를 제공하지만, 높은 오버헤드 (overhead)로 인해 엔터프라이즈 규모에서는 성능이 악화됩니다. 반면 ReAct는 실패를 점진적으로 처리함으로써 더 견고한(robust) 모습을 보입니다. 태스크 매니저는 엔터프라이즈 규모에서 고순위 큐 지연 시간 (high-priority queue latency)을 14-75% 감소시키고, 관련 이벤트 정확도 (related-event correctness)를 20 퍼센트 포인트 이상 향상시킵니다.