상보성(Complementarity)은 인간-AI 상호작용(Human-AI Interaction, HAI)이 구성원 중 가용한 최선의 예측 벤치마크(benchmark)보다 더 나은 성능을 보이는 경우를 의미합니다. 비록 이 개념이 HAI 연구의 핵심임에도 불구하고, 상보성에 대한 형식적 연구는 여전히 제한적입니다. 기존 프레임워크들은 에이전트들의 예측이 워크플로우에 민감한 다중 에이전트 프로토콜(multi-agent protocols)로 어떻게 구성되는지를 모델링하지 못합니다. 우리는 다중 에이전트 HAI에서의 상보성에 대한 트리 기반 형식화(tree-based formalization)를 도입함으로써 이 간극을 메웁니다. HAI 프로토콜은 예측 벡터(prediction vectors)로 장식된 잎(leaves)을 가진 루트가 있는 평면 이진 트리(rooted planar binary tree)와 함께 순서가 지정된 에이전트 역할 구성(agent-role configuration)으로 표현됩니다. 국소적 이진 합성 규칙(local binary composition rule)은 트리를 따라 재귀적으로 평가되며, 점별 최소(pointwise-min) 오라클 벤치마크에 대한 트리 상대적 상보성 범함수(tree-relative complementarity functional)를 산출합니다. 우리는 네 가지 결과를 증명합니다. 첫째, 자기 신뢰(self-reliance) 또는 AI 신뢰(AI-reliance)를 포함한 선택기 기반(selector-based) HAI는 작업, 손실(loss), 또는 예측 품질에 관계없이 상보성을 달성할 수 없습니다. 둘째, 제곱 손실(squared loss) 하의 회귀(regression)에서 상보성은 정답(ground-truth) 벡터로부터의 유클리드 거리(Euclidean distance) 최소화와 동일합니다. $N=2$인 경우, 최적의 선형 풀링(linear-pooling) 가중치는 폐쇄형(closed form)을 가지며 잔차 보정(residual-correction) 해석을 갖습니다. 셋째, 선형 국소 합성(linear local composition) 하에서, 모든 프로토콜 트리는 잎 가중치의 심플렉스(simplex) 상에 중심 좌표 차트(barycentric coordinate chart)를 정의합니다. 프로토콜 트리의 Tamari-cover 재매개변수화(reparameterizations)는 상보성을 보존하며, $N=4$인 경우 오각형 항등식(pentagon identity)을 만족합니다. 넷째, 이진 분류(binary classification)에서, 표준 Bregman 및 많은 유한 베르누이 $f$-발산(Bernoulli $f$-divergence) 손실을 포함한 종단점 단조 손실(endpoint-monotone losses) 하에서는 어떤 내부 국소 합성도 상보성을 달성할 수 없습니다. 교차 엔트로피(cross-entropy) 하의 다중 클래스 집계(multiclass aggregation)에 대해서도 유사한 장애물이 존재합니다. 요약하자면, 우리의 프레임워크는 상보성이 다중 에이전트 회귀에서는 달성 가능하지만, 국소 집계 및 손실 함수에 대한 자연스러운 조건 하의 분류에서는 저해된다는 것을 보여줍니다.