월드 모델 (World models)은 환경의 역학 (dynamics)을 내재화함으로써 에이전트 (agent)가 자신의 행동에 따른 효과를 예측할 수 있게 합니다. 그러나 엔터프라이즈 시스템 (enterprise systems)에서 이러한 역학은 배포 환경에 따라 달라지고 시간이 지남에 따라 진화하는 테넌트별 비즈니스 로직 (tenant-specific business logic)에 의해 정의되는 경우가 많으며, 이로 인해 과거의 전이 (transitions) 데이터로 학습된 모델은 배포 시점의 변화 (deployment shift) 상황에서 취약해집니다. 우리는 월드 모델 관련 문헌에서 다루지 않았던 질문을 던집니다: 규칙을 추론 시점 (inference time)에 읽을 수 있다면, 에이전트가 여전히 이를 학습할 필요가 있을까요? 우리는 전이 역학 (transition dynamics)이 설정 가능하고 읽을 수 있는 환경에서는, 런타임 (runtime) 탐색이 예측을 활성 시스템 인스턴스 (active system instance)에 근거하게 함으로써 오프라인 학습 (offline training)을 보완한다고 주장하며 이를 경험적으로 입증합니다. 우리는 내재화된 표현 (internalized representations)에만 의존하는 대신 시스템의 설정을 읽음으로써 런타임에 관련 전이 역학을 복구하는 엔터프라이즈 탐색 에이전트 (enterprise discovery agents)를 제안합니다. 우리는 다양한 합성 환경 (synthetic environments)에서 World of Workflows의 평가 방법론을 채택한 엔터프라이즈 연쇄 예측 (enterprise cascade prediction)을 위한 추론 중심 벤치마크인 CascadeBench를 도입하며, 이를 배포 시점 변화 (deployment-shift) 평가와 함께 사용하여 오프라인으로 학습된 월드 모델은 분포 내 (in-distribution)에서는 잘 작동할 수 있지만 역학이 변함에 따라 성능이 저하되는 반면, 탐색 기반 에이전트는 예측을 현재 인스턴스에 근거하게 함으로써 변화 상황에서도 더 견고하다는 것을 보여줍니다. 우리의 연구 결과는 설정 가능한 엔터프라이즈 환경에서 에이전트가 고정된 내재적 역학에만 의존해서는 안 되며, 런타임에 관련 전이 로직을 발견하기 위한 메커니즘을 통합해야 함을 시사합니다.