인간 군집 지능(Human swarm intelligence)은 놀라운 집단적 정확성을 보여주지만, 비용, 조정(coordination), 시간 측면에서 확장성 제약에 직면해 있습니다. 본 연구에서는 대규모 언어 모델(LLMs)이 인공 군집(artificial swarms)을 통해 군집 지능 효과를 근사할 수 있는지 조사하며, AI 기반 집계 메커니즘(aggregation mechanisms)을 이해하는 데 있어 중요한 공백을 다룹니다. 우리는 세 가지 독점 모델(GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5)을 대상으로 8가지 추정 작업(estimation tasks)에 대해 모델 내 샘플링(intra-model sampling)과 모델 간 집계(inter-model aggregation)를 테스트하며, 960개의 수동 실행 프롬프트를 사용하여 통제된 실험을 수행했습니다. 결과에 따르면, 모델 내 및 모델 간 집계를 통해 일관된 오차 감소가 나타났으며, 다양한 집계 전략에 따라 MAPE(Mean Absolute Percentage Error)에서 최대 37퍼센트 포인트의 유의미한 오차 감소가 확인되었습니다. 우리는 상대적 신뢰 구간 너비(relative confidence interval widths)와 상대적 추정 오차(relative estimation errors) 사이의 양의 상관관계(Spearman's $ρ=0.242-0.568$, 모든 $p<0.001$)에서 작거나 큰 효과 크기(effect sizes)를 관찰했으며, 이는 LLM이 불확실성을 평가할 때 메타인지적 인식(metacognitive awareness)을 보유하고 있음을 시사합니다. 우리는 연구 및 실무에 대한 시사점을 논의하며, 조직의 의사결정에 LLM 군집(LLM swarms)을 배치하기 위한 실행 가능한 통찰력을 제공합니다.