대규모 언어 모델 (LLMs)은 계산적 및 인지적 관점에서 광범위하게 연구되어 왔으나, 사회적으로 구조화된 맥락 내에서 의사소통 행위자로서의 행동은 여전히 충분히 탐구되지 않았습니다. 본 연구는 LLM 기반의 다중 에이전트 시스템 (multi-agent systems)이 인지된 사회적 관찰 맥락에 반응하여 체계적인 언어적 적응을 보이는지 조사하며, 이는 AI 거버넌스 (AI governance) 및 감사 (auditing)에 직접적인 시사점을 갖는 질문입니다. Habermas(1981)의 의사소통 행위 이론 (Theory of Communicative Action), Goffman(1959)의 연극적 모델 (dramaturgical model), Bell(1984)의 청중 설계 프레임워크 (Audience Design framework), 그리고 호손 효과 (Hawthorne Effect)를 바탕으로, 우리는 5가지 조건(각 n = 20)에 걸쳐 100회의 다중 에이전트 토론 세션을 포함하는 통제된 실험을 보고합니다. 조건은 대학 연구진에 의한 명시적 모니터링부터, 모니터링의 부정, 그리고 인간 연구진을 자동화된 AI 감사 시스템으로 대체하는 관찰자 대체 조건에 이르기까지 사회적 관찰의 프레이밍 (framing)을 다양화했습니다. 모니터링 조건 (Delta+24.9%, Delta+24.2%)과 자동화된 AI 모니터링 조건 (Delta+22.2%)은 청중 프레이밍 조건 (Delta+17.7%)보다 더 높은 TTR 변화를 생성했습니다, F(4, 94) = 2.79, p = .031. 메시지 길이는 완전히 분리된 효과를 보였습니다, F(4, 95) = 19.55, p < .001. 다섯 번째 조건인 인간을 AI 관찰자로 대체하는 것은 중간 정도의 TTR 적응을 나타내며, 이는 LLM의 행동이 관찰자의 정체성에 민감함을 시사합니다: 즉, 인간의 평가는 자동화된 AI 감시보다 더 강력한 레지스터 형식화 (register formalization)를 유도합니다. 우리는 AI 거버넌스, 알고리즘 감사 (algorithmic auditing), 그리고 맥락에 민감한 의사소통 행위자로서의 LLM의 재정립에 대한 시사점을 논의합니다.