최근 AI 에이전트에 대해 생각하다가 흥미로운 방향으로 사고가 전개되었다.

처음 질문은 단순했다.

Agent 시스템의 핵심 문제는 기억(Memory)일까?

대부분의 Agent 시스템은 다음과 같은 고민을 한다.

• 어떻게 더 많은 컨텍스트를 넣을 것인가?
• 어떻게 기억을 오래 유지할 것인가?
• 어떻게 에이전트 간 컨텍스트를 동기화할 것인가?

하지만 곰곰이 생각해보니 인간은 이런 방식으로 협업하지 않는다.

Humans Don’t Share Context

현실의 조직에서는 누구도 전체 컨텍스트를 알고 있지 않다.

CEO도 모르고, 중간관리자도 모르고, 개별 기여자(IC)도 모른다.

각자는 자신의 역할에 필요한 정보만 알고 있다.

Global Context
    ↓
Role-specific Context
    ↓
Individual

인간 조직의 목표는 모든 사람이 같은 정보를 갖게 만드는 것이 아니다.

오히려:

각자가 필요한 만큼만 알게 만드는 것

에 가깝다.

이 관점에서 보면 Agent 시스템의 문제도 Memory 문제가 아니라 Organization Design 문제로 보이기 시작한다.

Context Synchronization vs Context Slicing

처음에는 에이전트 간 컨텍스트 동기화가 중요해 보인다.

Agent A
Agent B
Agent C

→ Shared Memory
→ Shared Context

하지만 조직 관점에서 보면 질문 자체가 달라진다.

How do we synchronize everyone?
❌

What does this role need to know?
⭕

여기서 핵심은 Context Slicing이다.

예를 들어:

agent_type: reviewer

must_know:
  - engineering principles
  - recent architecture changes

ignore:
  - marketing roadmap
  - infrastructure budget

모든 것을 공유하는 대신, 역할에 맞게 컨텍스트를 잘라서 전달한다.

Onboarding as a Primitive

이 시점에서 “Contract”라는 개념도 다르게 보이기 시작했다.

처음에는 Agent Contract를 생각했지만, 실제로는 인간 조직의 온보딩 문서와 더 닮아 있었다.

새로운 구성원이 합류하면 읽게 되는 것들:

• 우리는 무엇을 만드는가?
• 무엇을 중요하게 생각하는가?
• 지금 어디까지 왔는가?
• 당신은 무엇을 해야 하는가?

즉,

README
TASKS
NOW
ENGINEERING_TASTE

는 단순한 문서가 아니라

AI Onboarding Packet

으로 해석할 수 있다.

The Director

온보딩이라는 개념을 받아들이자 자연스럽게 새로운 역할이 등장했다.

Director.

Director의 역할은 직접 일을 하는 것이 아니다.

Hire
Onboard
Assign
Review
Escalate

를 수행한다.

즉,

Task Manager
❌

Organization Manager
⭕

이다.

흥미로운 점은 Director의 핵심 책임이 작업 분배보다도 컨텍스트 분배에 있다는 것이다.

Compression Creates Hierarchy

조직 규모가 커질수록 중간관리자가 생긴다.

그 이유는 사람 수 때문이 아니다.

정보량 때문이다.

예를 들어:

1000 Events
    ↓
Team Summary
    ↓
Department Summary
    ↓
Executive Summary

상위 계층으로 갈수록 정보는 압축된다.

반대로 아래 방향은:

Executive Goal
    ↓
Department Goal
    ↓
Task
    ↓
Action

으로 다시 펼쳐진다.

생각해보면 중간관리자의 핵심 역할은 의사결정보다도

Compression / Deflation

일지도 모른다.

Cold Storage

압축 과정에는 반드시 정보 손실이 발생한다.

하지만 인간 사회는 이미 이 문제를 해결하고 있다.

회의록, 이메일, PR, 티켓, 문서, 로그.

우리는 손실된 정보를 삭제하지 않는다.

아카이브한다.

Hot State
    ↓
Warm Summary
    ↓
Cold Archive

필요할 경우 언제든 원본으로 내려갈 수 있다.

이 관점에서 요약은 정보 삭제가 아니라 인덱싱에 가깝다.

Reactive Organizations

이 모델에서 Agent는 Request-Response 시스템이 아니다.

Agent는 이벤트에 반응한다.

file.changed
  → reviewer

task.updated
  → planner

architecture.changed
  → architect

Agent는 필요할 때 생성되고, 온보딩되고, 작업을 수행하고, 사라질 수 있다.

중요한 것은 Agent 자체가 아니라 그 Agent가 속한 조직 구조다.

Swarm Intelligence or Organizational Intelligence?

처음에는 이것이 군체 지능(Swarm Intelligence)처럼 보였다.

하지만 조금 더 생각해보니 조직 지능(Organizational Intelligence)에 가까웠다.

개미집은 단순한 개체들의 집합이다.

반면 인간 사회는:

Role
Hierarchy
Onboarding
Culture
Escalation

을 가진다.

AI 에이전트가 충분히 많아진다면, 우리는 단순한 멀티에이전트 시스템이 아니라

AI Organizations

를 만들게 될지도 모른다.

A Different Path to Superintelligence

많은 사람들이 초지능을 하나의 강력한 모델로 상상한다.

하지만 또 다른 가능성도 존재한다.

Average Agent
    +
Good Organization
    =
Emergent Intelligence

인류 문명도 사실은 같은 방식으로 동작한다.

우리는 모든 것을 아는 개인을 만들지 못했다.

대신:

• 교육
• 문서
• 조직
• 문화
• 제도

를 만들었다.

그리고 그 결과로 문명이라는 상위 지능을 얻었다.

AI 역시 비슷한 경로를 걷게 될지 모른다.

그렇다면 미래의 중요한 질문은

How do we build smarter agents?

가 아니라

How do we build smarter organizations of agents?

일지도 모른다.