에이전트형 AI (Agentic AI) 시스템은 도구와 하위 에이전트 (sub-agents)를 통해 작동하지만, 이들의 재무적 및 환경적 비용을 제한하기 위한 제어 장치들은 여전히 실행 중이거나 실행 후에 평가되는 대시보드에 머물러 있습니다. Green SARC는 에이전트 루프 내의 네 가지 집행 지점인 SARC 거버넌스-바이-아키텍처 (governance-by-architecture) 프레임워크를 FinOps 및 GreenOps에 적용하여, 무엇을 집행해야 하는지 그리고 이를 어떻게 예측할 것인지에 대한 이론을 제공합니다. 우리는 정책에 독립적인 네 가지 결과를 보고합니다. (i) 제약이 없는 "상태 스노우볼 (State Snowball)"은 루프 깊이에 대해 $Θ(n^2)$의 복잡도를 가집니다. 3,000개의 실제 다단계 계획 (SWE-rebench)에 대해 100%의 일치율을 보였으며, 중앙값 곡률 $\hat{c}_2=216$은 선형적 축적 예측값인 $p/2=134$를 초과했습니다. 즉, 실제 계획은 모델의 예측보다 더 빠르게 축적됩니다. (ii) 실제 잔차 (residuals)에 대해 Normal-$σ$ 게이트는 커버리지가 부족하며 (명목상 95%에서 92%), 분할 등각 보정 (split-conformal calibration)은 유지됩니다 (95.2%). (iii) 기대 예산에 맞춰 조정된 소프트 라그랑주 페널티 (soft Lagrangian penalty)는 91.5%의 시드 (seeds)에서 예산을 초과하지만, 아키텍처 게이트 (architectural gate)는 0%의 초과율을 보입니다. (iv) 구속 예산 (binding budgets) 하에서 게이트의 예산 초과 발생률은 합성 및 실제 (BurstGPT) 도착 데이터 모두에서 0%입니다. 엔드-투-엔드 토큰/USD/탄소 절감 (47--55%)은 실제적이지만 그 규모는 정책에 따라 달라집니다. 이는 게이트의 거부(rejections)가 아니라 범위 제한 노브 (scope-cap knob)에 의해 결정됩니다. 이 라이브러리는 오픈 소스이며, 의존성(dependency)이 없고, 인용된 모든 수치에 대한 재생성 스크립트를 제공합니다.