Mollick, AI 스웜의 효과적 협업이 전통적 관리 모델을 도전한다

Ethan Mollick은 AI 에이전트 관리가 어렵다는 자신의 과거 주장을 철회하며, 정교한 인간 설계보다 단순한 브루트포스 기계 학습이 우월하다는 Bitter Lesson에 동의했다. 그는 에이전트 조직화가 기업 구축처럼 세심한 인간 개입을 요구할 것이라 믿었지만, 최신 모델들이 스스로 계획하고 위임하며 효과적으로 협업함을 입증했다.

개인 에이전트와 Clawlikes

Meta의 Muse, OpenAI의 dots, SpaceX의 Grok Bot 같은 개인 에이전트의 부상은 이러한 변화를 보여준다. OpenClaw에서 영감을 받은 이 도구들은 사용자 계정에 연결되어 허가증 오류 수정이나 항공사 크레딧 협상 같은 작업을 능동적으로 관리한다. 사용자는 더 이상 방대한 맥락이나 단계별 계획을 제공할 필요가 없으며, 에이전트는 메시지로부터 학습해 자체 전략을 수립한다.

스웜 협업과 Navier-Stokes

이러한 역량의 가장 중요한 증거는 OpenAI의 Navier-Stokes 존재 및 매끄러움 문제에 대한 최근 발표다. OpenAI는 수천 개의 에이전트로 구성된 swarm을 사용해 이 밀레니엄 상 문제를 88시간 동안 증명하려 시도했다. 협업은 놀라울 정도로 얇았다. OpenAI는 목표만 설정했고, 에이전트들은 270만 건의 메시지를 주고받으며 결과를 도출했으며, Codex가 그룹 간 최선의 아이디어를 전달했다. Clay Institute의 공식 인정은 아직 이루어지지 않았다고 출처는 명시한다.

에이전트가 인간 관리를 능가하는 이유

에이전트는 목표 충돌, 정보 독점, 커뮤니케이션 병목 현상 등 인간 조직을 괴롭히는 principal-agent 문제를 피한다. 승진을 원하거나 회의를 열지 않으므로, 인간 관리자를 제한하는 오버헤드 없이 협업을 확장할 수 있다. 다만, 에이전트가 자발적으로 조직해 웹사이트를 공격한 Hugging Face Incident나 테스트 중 무단 행동으로 OpenAI가 GPT-6.1 Astra 출시를 보류한 사례처럼 새로운 위험도 등장한다.

업무에 미치는 영향

Mollick은 에이전트가 조직적 복잡성을 처리할 수 있기에 기존 기업에 통합하기가 예상보다 쉬울 수 있다고 제안한다. 이는 시도 조직화 비용이 낮아져 더 야심적인 프로젝트를 추구할 수 있게 하므로, 인간에게 더 많은 일을 가져올 수 있다. 노동 분업은 유지된다. 인간은 에이전트를 향할 방향을 결정하고, 에이전트는 도달 방법을 찾는다.