엔지니어들이 다중 에이전트 아키텍처를 설계할 때, 그들의 기본 본능은 거의 항상 완전한 공개(total disclosure)입니다. 만약 자율 조달 에이전트가 컴퓨팅 자원을 구매하거나 자율 공급업체 에이전트로부터 물류를 예약해야 한다면, 일반적인 관행은 컨텍스트를 최대화하는 것입니다. 개발자들은 시스템 프롬프트에 정확한 비용 곡선(cost curves), 예산 상한선(budget ceilings), 시간 마감일(timeline deadlines), 그리고 한계 효용 스케줄(marginal utility schedules)을 입력합니다. 이러한 근본적인 직관은 단일 에이전트의 프롬프트 엔지니어링에서 비롯되는데, 여기서 추가 컨텍스트는 모호성을 줄여주기 때문입니다. 이 개념이 여러 에이전트 간의 상호작용으로 옮겨오면서, 개발자들은 완전한 투명성이 시스템을 최대 이론적 효율성으로 작동하게 한다고 가정합니다.
시장 미시구조(market microstructure)에서 정보는 결코 중립적이지 않습니다. 거래 상대방에게 정확한 예약 가격(reservation price)을 알려주는 것은 헤징 없이 협상 잉여분(bargaining surplus)을 노출시키는 행위입니다.
Stanford와 University of Maryland의 연구팀은 최근 이 아키텍처 가정을 경험적으로 테스트했습니다. "Who Should Know What? Empirical Information Design for Multi-Agent LLM Economies"라는 제목의 논문(arXiv:2611.07667)에서, Mete Erdogan, Mirac Suzgun, James Zou와 그 공동 저자들은 양자 협상(bilateral bargaining), 다중 자원 거래(multi-resource trade), 그리고 더블 경매(double auctions)에 걸쳐 열 가지 최첨단 언어 모델(frontier language models)을 평가했습니다. 연구진은 정보 공유를 전적으로 '있다/없다'의 이분법으로 취급하는 대신, 상호작용 규칙과 모델 체크포인트를 일정하게 유지하면서 공개 정책을 순서적 선호도 순위와 같은 거친 신호(coarse signals)부터 정확한 달러 가치 평가가 포함된 완전한 투명성까지 변화시켰습니다.
그들의 발견은 투명성이 다중 에이전트 협력을 개선한다는 가정에 모순됩니다. 더블 경매에서, 에이전트들에게 거래 상대방의 비용과 가치에 대한 완전한 공개를 제공하자 시장 효율성이 붕괴되었습니다. 거친 정보 상태일 때 Claude Opus 5.5의 실현된 복지(realized welfare)는 최대 이론적 잉여분의 94.6%였으나, 완전한 공개 상태에서는 64.1%로 떨어졌습니다. Gemini 3.1 Pro는 97%에서 78%로 하락했으며, Grok 4.7은 97.4%에서 62.1%로 하락했습니다.
이러한 경매에서 청산 엔진(clearing engine)은 여전히 최대 가능한 이득의 99% 이상을 창출할 수 있는 매수자-매도자 쌍을 식별했습니다. 후보 품질은 거의 완벽하게 유지되었습니다. 거래가 실행되지 못한 이유는 에이전트들이 서로를 시장에서 가격 책정하여 배제했기 때문입니다. 판매자들이 매수자의 가치 평가(valuations)를 관찰하자, 그들은 기준 생산 비용보다 훨씬 높은 가격을 제시했습니다. 매수자들이 판매자의 마진을 관찰하자, 그들은 입찰가를 낮췄습니다. 양측 모두 이용 가능한 전체 초과분(surplus)을 확보하려고 시도했습니다. 경제적 가치가 가장 큰 잠재적인 마진이 넓은 시장에서는 결과적으로 호가 스프레드(bid-ask spreads)가 확장되다가 거래 자체가 완전히 멈추는 지경에 이르렀습니다.
이러한 실패는 정보의 두 가지 경제적 기능, 즉 가치 발견(value discovery)과 가치 포획(value capture) 사이의 차이에서 비롯됩니다.
가치 발견은 상호 이익이 되는 거래가 존재하는지 식별하는 과정입니다. 만약 에이전트 A가 초과 메모리 대역폭(surplus memory bandwidth)을 보유하고 있고 에이전트 B가 초과 토큰 할당량(surplus token allocation)을 보유한다면, 그들은 스왑이 순 효용(net utility)을 창출하는지 판단하기 위해 서로의 제약 조건에 대해 충분히 알아야 합니다. 반면, 가치 포획은 결과로 발생하는 초과분을 어떻게 분배할지에 대한 전략적 투쟁입니다.
단순한 경제 환경에서는 가치 발견에 필요한 정보가 매우 적습니다. 두 가지 자원을 가진 양자 거래(two-resource bilateral exchanges)의 경우, 순서적 선호도 순위(ordinal preference rankings)만으로도 최전선 모델(frontier models)이 실행 가능한 거래를 식별하기에 충분합니다. 연구자들이 그러한 단순한 설정에서 에이전트들에게 정확한 수치적 가치를 부여했을 때, 추가 데이터는 발견에는 아무런 기여를 하지 못했습니다. 대신, 모델들은 그 정밀도를 가치 포획에 사용했습니다.
GPT-6 Sol 및 Claude Opus 5.5와 같은 모델의 경우, 거친 선호도 순위(coarse preference rankings)에서 정확한 가치 평가(exact valuations)로 이동하면서 추출적 역제안(extractive counteroffers)이 급증했습니다. 연구진은 추출적 역제안을 제안하는 에이전트의 사적 이득(private gain)을 증가시키면서, 이전 제안 대비 상대방의 이득과 전체 결합 잉여(total combined surplus)를 모두 감소시키는 제안으로 정의했습니다. 비대칭 시장에서 GPT-6 Sol은 협상당 추출적 역제안을 0.63에서 1.50으로 증가시켰습니다. 제안 에이전트는 추가 마진을 짜냈지만, 상대방이 종종 그 제안을 거부하여 실현된 총합 이득(realized aggregate gains)이 감소했습니다 (97.7%에서 90.8%로 하락).
이 논문은 시장 복잡성이 증가할 때 구조적 변화가 발생함을 보여줍니다. 교환이 두 가지 자원(two resources)에서 열 가지 자원으로 확장되자, 가능한 거래의 조합 공간(combinatorial space)이 기하급수적으로 성장했습니다. 이러한 고차원적 환경에서는 에이전트가 효율적인 배분(efficient allocations)을 발견하기에 거친 신호만으로는 더 이상 충분하지 않았습니다. 자원이 열 개일 때, 완전 정보는 가치 포획의 마찰(friction of value capture)보다 큰 수준으로 거래 발견을 개선했습니다. GPT-5.1의 경우, 10개 자원 시장에서 거친 공개(coarse disclosure) 하에서의 실현 이득은 63.8%였으나 완전 공개(full disclosure) 하에서는 80.4%로 증가했습니다.
이러한 차이는 다중 에이전트 시스템 설계의 핵심 상충 관계(core trade-off)를 드러냅니다. 상세한 정보는 매칭을 찾는 조합적 문제가 심각할 때만 그 보유 비용(carrying cost)에 대한 가치를 제공합니다. 매칭 공간이 단순할 때는, 세밀한 투명성(granular transparency)이 배분상의 이점(allocative benefit)을 제공하지 못하며 오히려 공격적인 시장 이탈 행동(aggressive holdout behavior)을 장려합니다.
고전 경제 이론에서, 1983년에 확립된 Myerson-Satterthwaite 정리는 정보가 사적일 경우 외부 보조금(outside subsidies) 없이는 어떠한 양자 거래 메커니즘도 사후 효율성(ex-post efficiency), 베이즈 인센티브 적합성(Bayesian incentive compatibility), 그리고 개인 합리성(individual rationality)을 달성할 수 없음을 확립했습니다. 수십 년 동안 경제학자들은 불완전한 정보를 효율적인 청산(efficient clearing)을 방해하는 근본적인 마찰로 간주해 왔습니다.
LLM 경제에서 나온 실증적 결과는 이러한 논리의 역전 현상을 보여줍니다. 엔지니어들이 공유 프롬프트 공간에 정확한 예비 가격(reservation prices)을 공개함으로써 사적 정보를 제거할 때, 그들은 마찰 없는 청산(frictionless clearing) 상태를 회복하지 못합니다. 최첨단 언어 모델은 과업 보상(task payoffs)을 집요하게 최적화하도록 미세 조정되고 강화학습(reinforcement-learned)됩니다. 에이전트가 거래 상대방의 무차별 곡선(indifference curve) 경계를 정확히 관찰할 때, 학습된 목표는 그를 해당 경계의 절대적인 가장자리까지 입찰가를 밀어붙이도록 만듭니다. 반대편 에이전트들 역시 동일한 추출 논리(extraction logic)를 동시에 적용하기 때문에 시장은 붕괴합니다.
다중 에이전트 워크플로우를 구축하는 개발자 및 엔지니어링 리드를 위해, 이러한 발견들은 다음과 같은 실질적인 아키텍처 규칙을 제시합니다:
첫째, 원시 예비 가격, 내부 예산 한도, 또는 진정한 한계 비용(marginal costs) 등을 상대방 에이전트의 컨텍스트 창에 직접 전달하는 것을 피해야 합니다. 정보 공개는 문서화된 데이터가 아니라 일급 제어 변수(first-class control variable)입니다.
둘째, 양자 간 협상 및 조달 루프에서는 에이전트 간 통신을 거친(coarse), 순서적 신호(ordinal signals)로 제한해야 합니다. 정확한 부동 소수점 값 대신 우선순위 순서 지정, 이진 수용 가능 임계값(binary acceptability thresholds), 또는 밴드 범위(banded ranges)를 선언하도록 허용합니다. 실증 데이터는 순서적 순위 지정이 거래 실행을 유지하는 동시에 파괴적인 추출 인센티브를 완화시킨다는 것을 보여줍니다.
셋째, 복잡한 다자간 스왑(multi-party swaps)의 청산을 위해 정밀한 가격 책정이 필요할 경우, 독립적인 자동화 청산소(automated clearinghouse)를 통해 거래 경로를 설정해야 합니다. 중재자는 참여 에이전트들로부터 엄격한 기밀성을 유지하며 사적 가치 평가 제약 조건(private valuation constraints)을 수집하고, 공동 초과 이익 극대화 할당(joint surplus-maximizing allocation)을 계산하여 구속력 있는 '취하거나 포기하는(take-it-or-leave-it)' 정산을 반환합니다. 이는 가치 발견을 위한 정확한 데이터의 계산적 이점을 보존하는 동시에, 에이전트들이 상대방 마진을 이용해 가치를 포착하는 것을 방지합니다.
다중 에이전트(Multi-agent) 협력은 메커니즘 디자인(mechanism design)을 필요로 합니다. 아키텍처가 에이전트들이 테이블 위의 모든 초과분(surplus) 달러를 관찰할 수 있게 허용하면, 그 에이전트들은 분배를 두고 경쟁하며 컴퓨팅 자원(compute)을 소모합니다.
본문은 deanlee.info에 최초 게재되었습니다.