기존 연구들은 구조화된 출력 (Structured Output)을 추론에 대한 세금 (Reasoning Tax)으로 취급해 왔으나, 이러한 프레임워크는 불완전합니다. 포맷팅 (Formatting) 비용은 모델의 여유 용량 (Spare Capacity)에 크게 의존하기 때문입니다. 본 연구에서는 정보가 일치하는 산문 제어 (Information-matched prose controls)와 4단계 스키마 복잡도 구배 (Four-level schema complexity gradient)를 사용하여, 4개의 모델과 5개의 벤치마크를 대상으로 성공적으로 생성된 응답에서 파싱 실패율 0%를 기록하며 프롬프트 길이의 혼란 변수 (Prompt-length confounds)로부터 형식 특이적 효과를 분리해냈습니다. 우리는 구조화된 형식이 용량 의존적 (Capacity-dependent)이라는 것을 발견했습니다. 충분한 여유 공간을 가진 모델은 성능 저하 없이 JSON 제약 조건을 수용합니다 (MATH-Hard 데이터셋에서 Sonnet: JSON 사용 시 $88.7 ext hinspace extpm 4.0$% vs. CoT 사용 시 $89.3 ext hinspace extpm 1.7$%). 반면, 한계점에 근접하여 작동하는 모델의 경우 두 가지 뚜렷한 메커니즘을 통해 형식이 성능을 심각하게 저하시킵니다. 첫째, 표준 토큰 예산 (Token budgets) 하에서 Haiku는 주로 절단 (Truncation)으로 인해 36.2pp ($p < 0.0001$) 하락합니다. 둘째, 절단을 제거하기 위해 예산을 확장하더라도 GPT-4o-mini는 28.0pp ($p < 0.001$) 하락하며, 이는 토큰 고갈과 무관한 순수한 용량 경쟁 (Capacity competition)을 드러냅니다. 이러한 형식 페널티 (Format penalty)는 스키마 복잡도에 따라 증가하며 (McNemar $p < 0.0001$), 프롬프트 길이만으로는 설명될 수 없습니다. 나아가, 이러한 결과는 프런티어 모델 (Frontier model)의 면역력 주장에 의문을 제기합니다. AIME 경시 수학 문제에서 Opus는 JSON 사용 시 96.2%에서 91.0%로 하락합니다 ($-5.3$pp; 표시된 백분율은 독립적으로 반올림되었으며, 정확한 차이는 $7/133 = 5.26$pp $\approx 5.3$pp입니다). 지연된 구조 (Delayed-structure) 제거 실험 — 즉, 포맷팅 전에 자유롭게 추론하는 방식 — 은 손실된 정확도의 대부분을 회복하며 (3회 실행 평균: 80--87%), 이는 용량 경쟁 메커니즘을 뒷받침합니다. 실질적인 시사점은 구조화된 출력을 피하는 것이 아니라, 모델의 용량에 맞추는 것입니다. 모델이 한계에 도달했을 때는 먼저 생각하고, 나중에 형식을 갖추십시오.