① 멀티에이전트는 성능 기법이기 전에 예산 항목이고, 아키텍처 결정이기 전에 명세 결정이라는 것이 이 글의 결론입니다.
② 리서치 평가 +90.2% 개선 사례도 토큰을 약 15배 쓰고, 실패 모드의 41.8%가 설계·명세 결함으로 확인됐기 때문입니다.
③ 슈퍼바이저·스웜·라우터 3개 토폴로지 비교와 관리형 에이전트 4사 비용 비교로 우리 팀의 선택 기준을 세워 보세요.
본 글은 멀티에이전트 시스템 2026 + Managed Agents tier 영역의 2026년 5월 시그널을 반영했습니다. 본문 약 40%를 재작성한 v3 개정본입니다. 2026-04-18 v2 발행본 이후 1개월 사이 발생한 구조적 시그널을 통합하면서 다음 프레임 전환을 적용했습니다.
프레임 전환: 기존 토폴로지 논의에 ‘Supervisor·Swarm·Router’ 3-토폴로지 비교 + ‘Managed Agents tier 4사 비용 비교’ + ‘에이전트 간 통신(A2A) 사내 등록부’ 신규 섹션 추가
통합된 1개월 시그널 (09편 월간 관전포인트 2026-05에서 도출):
- #3 Google Antigravity 2.0 (2026-05-19 I/O 2026) — 5 distribution shapes 패턴 + dynamic subagent 병렬 실행 (출처)
- #5 Cognition · Windsurf 2.0 + Devin 내장 ($25B 밸류에이션, 2026-04-15·23) — Devin cloud agent 1-click delegation · enterprise default = Devin Cloud opt-in (출처)
- #7 A2A v1.0 GA — signed Agent Cards · multi-tenancy — 사내 에이전트 등록부 표준 양식 토대 (출처)
갱신 일자 2026-05-28 · 갱신 근거 추적은 09편 월간 관전포인트 — 1개월 시그널 13선 카드에서 1차 인용을 함께 확인하실 수 있습니다.
PM 코치가 해석하는 Agentic PM 시리즈 · 4편 “8주 동안 PO·PM·PL이 먼저 준비할 것 vs 나중에 키울 것”
PM 코치/컨설턴트로서 멀티에이전트 시스템을 분석한다는 것은 “어떤 프레임워크가 제일 빠른가”를 가리는 일이 아닙니다. “언제 멀티에이전트를 써야 하고, 조정 비용을 누가 어떻게 관리할 것인가” 를 PO·PM·PL 세 역할의 언어로 해석하는 일입니다.
2026년 2분기 현재, 이 질문의 무게중심은 이미 이동했습니다. Anthropic이 Opus 4 리드 + Sonnet 4 서브에이전트 구조로 단일 Opus 4 대비 리서치 평가 +90.2% 개선을 보고했습니다. 다만 같은 시스템은 일반 대화 대비 약 15배 토큰을 소비합니다 (Anthropic Engineering). Google 연구는 병렬화 가능한 웹 탐색에서만 +9.2% 개선을 기록했습니다. 순차 추론 과제에서는 오히려 -39%~-70% 성능 하락을 확인했습니다 (Iterathon Economics 2026). 그리고 UC Berkeley Sky Computing Lab의 MAST(Multi-Agent System Failure Taxonomy) 가 2025년 NeurIPS Datasets & Benchmarks 트랙에 채택되었습니다. 200개 실행 트레이스에서 추출한 14개 실패 모드 중 41.8%가 “시스템 설계·명세 결함” 이라는 수치가 공식화되었습니다 (arXiv:2503.13657, Berkeley MAST).
이 세 숫자를 동시에 보면 메시지가 또렷해집니다. 멀티에이전트는 성능 기법이기 전에 예산 항목입니다. 아키텍처 결정이기 전에 명세 결정이며, 프레임워크 선택이기 전에 리스크 레지스터의 재설계입니다. 2025년 10월 LangGraph 1.0 GA를 기점으로 생태계는 성숙 단계에 들어섰습니다. OpenAI Agents SDK와 Google ADK(2026 Q1 TypeScript SDK)가 프로덕션 3강 구도를 형성했습니다 (LangChain Blog, Google Developers Blog). 이제는 도구를 고르는 난이도보다 그 도구에 위임할 일을 정의하는 난이도가 훨씬 높아졌습니다.
이 편에서는 PM 코치 1인칭으로, 다섯 가지 토폴로지(단일/Supervisor/Swarm/Router/Critic-Refiner)와 세 가지 조정 비용 수치($5K·$20K·15x), 14개 MAST 실패 모드를 PO·PM·PL이 각각 읽어내는 법으로 해석합니다. 목표는 “멀티에이전트를 쓸까 말까”를 넘어서 “우리 조직의 준비·역량 체크리스트를 이번 주 안에 만들 수 있는가”입니다.
- 단일 에이전트·Supervisor·Swarm·Router·Critic-Refiner 중 사용 사례별 토폴로지를 PO는 어떤 기준으로 선언해야 하는가?
- 15x 토큰·4.3x Q&A 오버헤드·MTTR 3.7x라는 조정 비용을 PM은 어떻게 위임 구조와 거버넌스 게이트로 흡수하는가?
- MAST 14 failure modes를 프로젝트관리지식체계(PMBOK) 8판 리스크 도메인에 매핑하여 PL의 품질 게이트로 어떻게 자동화할 것인가?
- LangGraph 1.0 / OpenAI Agents SDK / Google ADK 3강 선택 기준을 3-role이 어떤 질문으로 분해해야 하는가?
근거 각주: LG WebEx 세미나 정의 기반 — lecture/lge-webex-seminar-ai-agent-pm/02-slide-fulltext.md:277-283
현황 진단: 세 숫자가 만든 2026 Q2 지형
2026년 2분기 멀티에이전트 논의는 “쓸까 말까”를 지나 “성능·비용·실패 세 축을 어떻게 동시에 읽을까”로 넘어갔습니다. Part 1은 +90.2%, 15x, 41.8% 세 수치와 함께 고정된 레퍼런스 셋 4종(Anthropic·MAST·PMBOK 8·NIST RMF)을 한 장에 붙입니다. 독자가 프레임워크 비교에 들어가기 전에 공통 판단 기준을 먼저 가져가도록 합니다.
1.1 “+90.2% × 15x × 41.8%”가 말하는 것
2026년 2분기 멀티에이전트 담론은 성능·비용·실패 세 축이 동시에 정량화되면서 의사결정 문법이 바뀌었습니다. 이 변화의 신호를 네 개의 수치로 압축할 수 있습니다.
저는 이 여섯 줄을 두 가지 명제로 압축합니다. 첫째, “멀티에이전트는 성능 기법이 아니라 예산 라인”. +90.2%는 15x 토큰 부담이라는 쌍둥이와 함께 움직이고, 대부분의 조직은 이 쌍둥이 비용을 예산 항목으로 분리해두지 않습니다. 둘째, “실패의 41.8%는 코드 이전 단계에서 일어난다”. MAST는 7개 오픈소스 프레임워크의 200개 트레이스를 inter-annotator kappa 0.88로 라벨링해 14개 모드로 정제했습니다. 그중 가장 빈번한 카테고리는 프롬프트·역할·종료 조건이 부재한 명세 단계의 결함입니다 (Berkeley MAST, MarkTechPost 2025-03).
여기에 Google Cloud 2025 조사는 “조기 도입 조직의 88%가 긍정 ROI” 라는 수치를 얹었습니다(일반 GenAI 74% 대비) (o-mega 2026 Comparison). LangChain 팀은 자사 Supervisor 라이브러리보다 tool-calling 기반 supervisor 구현을 기본 권장으로 재정렬했습니다 (LangGraph Supervisor Docs). 2026 Q2는 이 여섯 신호가 동시에 수렴한 지점입니다.
1.2 “원칙 논문 3종 + 정책 문서 1종”으로 고정된 레퍼런스 셋
2025년 하반기부터 2026년 1분기 사이에 멀티에이전트 담론의 레퍼런스 셋이 네 가지 문서로 고정되었습니다. PO·PM·PL이 반드시 알아둘 지점입니다. 첫째, Anthropic의 “How we built our multi-agent research system” 엔지니어링 문서는 서브에이전트 스케일링 규칙과 아티팩트 시스템 원칙을 제공합니다 (Anthropic Engineering, Building effective agents). 둘째, Berkeley MAST 논문은 실패 분류 체계를 제공합니다. Microsoft의 “Taxonomy of Failure Mode in Agentic AI Systems” 백서가 이를 보안·위협 모델링 관점에서 보완합니다 (Microsoft Agentic AI Taxonomy). 셋째, PMBOK 8판 Appendix X3(2026-01-13)는 “AI가 Performance Domain과 교차한다”는 원칙으로 리스크 활동을 재배치합니다. 넷째, NIST AI Risk Management Framework는 공공·규제 산업 결재에 필수 근거로 자리를 잡았습니다 (NIST AI RMF).
이 네 문서는 “프레임워크 선택보다 앞에 있는 레퍼런스” 로 기능합니다. 제가 컨설팅 현장에서 가장 먼저 점검하는 질문은 “우리 조직의 Agent Card 템플릿, MAST 체크리스트, PMBOK 8 리스크 매핑 표, NIST RMF 연계 지점이 한 파일로 존재합니까?”입니다. 이 네 장의 종이가 준비되지 않은 채 멀티에이전트 토폴로지 논의에 들어가면, 토론은 항상 도구 비교로 귀결됩니다. 의사결정은 2주가 3개월이 됩니다.
1.3 시장·운영 지표 — “+327%가 가리키는 것”
Belitsoft가 보고한 “조직당 멀티에이전트 워크플로우 사용량 2025-06 → 2025-10 +327%, 20,000개 이상 조직 커버”는 단순 성장 곡선이 아닙니다. 엔터프라이즈 운영 지표가 멀티에이전트 기준으로 재편되었다는 선언에 가깝습니다 (Belitsoft 2026, INOVAWAY Blog). 2025 Google Cloud 조사의 “조기 도입 88% 긍정 ROI”와 결합하면, PM 조직의 결재 라인 역시 “단일 vs 멀티”가 아니라 “어떤 토폴로지·어떤 프레임워크·어떤 관측 인프라” 세 축으로 분기해야 한다는 결론에 도달합니다. 한편 Medium의 “Architecture of Scale” 분석은 Anthropic 서브에이전트 아키텍처의 아티팩트·스케일링 원칙이 엔터프라이즈 실무에 그대로 이식 가능하다는 해설을 덧붙였습니다. 참고 레퍼런스를 확장한 것입니다 (Architecture of Scale — Medium 2026-02).
💬 Voice Box #1 — PM 코치의 해석 MAST가 14개 실패 모드 중 41.8%를 “시스템 설계·명세 결함”으로 지목한 순간, 저는 “멀티에이전트는 아키텍처 문제 전에 명세 문제”라고 해석합니다. 제가 10년 동안 PM 코칭 현장에서 반복해서 본 함정이 있습니다. 팀은 LangGraph vs CrewAI를 3주째 논쟁하면서도, 정작 “이 에이전트가 어떤 종료 조건에서 멈추는지”를 한 문장으로 적지 못합니다. MAST는 바로 그 빈칸을 숫자로 채워준 논문입니다. 프레임워크 선택은 1주면 끝낼 수 있습니다. 그러나 역할·목표·종료 조건·출력 포맷 네 개를 Agent Card로 고정하는 데는 PO와 PM이 최소 2주를 같이 써야 합니다.
개념 심층: 5대 토폴로지와 3강 프레임워크
토폴로지 선택과 프레임워크 선택은 같은 문장에서 논의하면 언제나 “LangGraph vs CrewAI” 2주짜리 도구 비교로 귀결됩니다. Part 2는 이 둘을 분리해 — 토폴로지는 과제 속성·조정 비용·실패 위험 3축으로, 프레임워크는 상태·관측·언어 3축으로 — PO·PM·PL이 2일 안에 결재선에 올릴 수 있는 판단 표를 제시합니다.
2.1 5대 토폴로지 — 선택 매트릭스
2026년 프로덕션 현장에서 수렴한 다섯 가지 표준 토폴로지를 과제 속성 × 조정 비용 × 실패 위험 축으로 분해하면 다음과 같습니다 (Databricks Blog, LangGraph Supervisor, LangChain Multi-Agent Docs).
Anthropic은 실전 운영 원칙으로 “사실 확인 = 1 에이전트 × 3~10 tool call, 비교 과제 = 2~4 서브에이전트 × 10~15 call, 복잡 리서치 = 10+ 서브에이전트” 라는 스케일링 규칙을 프롬프트 자체에 명시하도록 권고합니다 (Anthropic Engineering). Databricks는 동일한 흐름에서 중앙 Supervisor가 통신·위임을 통제하고 LangGraph의 add_handoff_back_messages로 서브에이전트가 필요 시 상위로 되돌아오는 패턴을 엔터프라이즈 정석으로 제시했습니다 (Databricks Blog).
2.2 3강 프레임워크 — “토폴로지 × 상태 × 관측 × 언어” 4축 비교
원본 리서치에서 GitHub Star 중심 비교를 폐기하고, 프로덕션 의사결정에 직접 쓰이는 4축으로 재구성했습니다 (LangGraph 1.0 Announcement, OpenAI Swarm Status 2026, Google ADK TS SDK, o-mega 2026 Comparison).
세 가지 변화가 특히 의미 있습니다. 첫째, LangGraph 1.0은 checkpointer 중심 durable execution으로 “상태가 가장 먼저 실패한다”는 2025년 지적에 직접 답했습니다. Uber·LinkedIn·Klarna가 프로덕션 운영 중이며, DynamoDB·Couchbase가 공식 튜토리얼을 추가했습니다 (AWS DynamoDB LangGraph, Couchbase 튜토리얼). 둘째, OpenAI Swarm 저장소는 2025-03 이후 freeze되었고 Agents SDK가 프로덕션 정답으로 자리를 잡았습니다 (OpenAI Swarm Repo, Morph 거대언어모델(LLM) 가이드). 셋째, Google ADK TypeScript SDK의 2026-Q1 출시로 Node.js 팀의 채택 장벽이 크게 낮아졌습니다. A2A 공식 채널로 포지션이 굳어졌습니다 (Google Developers Blog, Vertex AI Agent Builder Docs).
ℹ️ 핵심 인사이트 토폴로지는 “과제 속성 × 조정 비용 × 실패 위험” 3축으로만 평가하고, 프레임워크는 “상태 지속성 × 관측 인프라 × 언어 지원” 3축으로만 평가하면 의사결정이 2주 → 2일로 압축됩니다. 같은 문장 안에 섞지 않는 것이 핵심입니다.
2.3 Mermaid #1 — 토폴로지 의사결정 트리
- PMBOK 8: Risk Domain × Planning · Lead Accountably · Named Owner
- SAFe 6: Program: ART as Metaphor · Portfolio: Solution Coordination
- BABOK v3: 11 Underlying Competencies: Conflict Resolution · Decision Making
- SEBOK v2.x: Part 3 Architecture Definition 4-step · Systems of Systems
(전체 32-cell 매핑은 시리즈 진입 가이드의 부록 D에서 확인)
Part 2.5 — 2026 Q2 신호: 5채널 출시 · 토폴로지 거버넌스 · A2A v1.0 · Managed Agents
2026년 2분기에는 멀티에이전트 담론에 세 가지 동시 변곡이 발생했습니다. 첫째, 구글이 Antigravity 2.0을 I/O 2026(2026-05-19)에서 IDE·CLI·SDK·Managed Agents·Enterprise 5채널 동시 출시로 발표했습니다. “같은 에이전트 런타임을 다섯 모양으로 배포”하는 표준 패턴을 명문화했습니다 (TechCrunch 2026-05-19, MarkTechPost 2026-05-19). 둘째, Cognition이 Windsurf 2.0에 Devin Cloud 1-click 위임을 내장하며 $25B 밸류에이션을 확정했습니다 (Cognition Blog, IDLEN News 2026-04). 셋째, A2A 프로토콜 v1.0 GA가 gRPC·signed Agent Cards·multi-tenancy를 표준으로 확정했습니다. “사내 에이전트 등록부”가 프로젝트관리조직(PMO) 운영 양식으로 들어오기 시작했습니다 (A2A Protocol Docs, Google Developers — Agent Protocols Guide). 이 세 신호가 PO·PM·PL에게 주는 메시지는 동일합니다. “멀티에이전트는 이제 단일 도구 도입이 아니라 채널·등록·과금·위임의 4축 거버넌스 결정” 입니다.
2.5.1 5 distribution shapes — 빅테크 4사가 채택한 표준 출시 패턴
Google Antigravity 2.0이 IDE 단독이 아니라 IDE+CLI(agy)+SDK+Managed Agents+Enterprise 5채널 동시 출시를 택한 것은 단발성 디자인 결정이 아닙니다. Anthropic Claude Code, OpenAI Codex, Microsoft Copilot Studio, Cognition Devin/Windsurf 4개 라인업이 이미 같은 5채널 분포를 채택했고, “같은 에이전트 런타임을 다섯 모양으로 배포” 패턴이 사실상 빅테크 4사의 표준 양식으로 자리잡았습니다 (Google Developers Blog, TechCrunch 2026-05-19).
Antigravity 2.0의 특이점은 5채널이 같은 날 동시 GA라는 점입니다. 단순 출시 일정이 아니라 “같은 런타임의 5개 분포 형태를 한 번에 결재 받겠다”는 의사결정 모델입니다. Gemini 3.5 Flash 기반 dynamic subagent 병렬 실행이 다섯 채널 모두에서 동일하게 노출됩니다 (MarkTechPost 2026-05-19). 한편 Cognition은 Windsurf 2.0 로컬 IDE에서 1-click delegation으로 Devin Cloud로 위임하는 패턴을 기본값으로 두었습니다. 엔터프라이즈 디폴트가 Devin Cloud opt-in 구조라는 점이 정책적 차별점입니다 (Cognition Blog — Windsurf).
PM 코치 관점에서 5채널 매트릭스는 결재선 4개를 동시에 점검할 의무를 만듭니다. (1) 개인 개발자 IDE 라이선스 · (2) CI/CD 자동화에 들어갈 CLI 인증 · (3) 내부 SDK 임베드의 보안 검토 · (4) Managed Agents의 데이터 위탁 동의 · (5) Enterprise SLA의 가용성 약정. 5채널이 같은 날 GA되면 결재선 4개가 같은 분기에 동시에 열린다는 뜻입니다. 이는 “어느 채널을 사내 표준으로 둘 것인가”라는 의사결정이 더 이상 미룰 수 없는 문제가 되었음을 의미합니다.
2.5.2 Supervisor · Swarm · Router 토폴로지 — 거버넌스 게이트 3가지
Antigravity 2.0이 명문화한 dynamic subagent 병렬 실행은 표면적으로 Swarm처럼 보입니다. 내부적으로는 Supervisor → Swarm transition 패턴입니다. 메인 에이전트가 plan을 세운 뒤 필요한 시점에 subagent를 동적으로 생성·해체하는 구조입니다. 이는 LangGraph Supervisor와 OpenAI Agents SDK Handoff 두 흐름의 통합 형태입니다 (MarkTechPost 2026-05-19, LangGraph Supervisor Docs). PO·PM·PL이 이 3-토폴로지를 정확히 분리해 결재선에 올려야 하는 이유는, 거버넌스 게이트가 토폴로지마다 다르기 때문입니다.
Antigravity 2.0의 Supervisor → Swarm transition 사례는 이 표의 첫 줄과 둘째 줄을 하나의 워크플로우 안에서 단계별로 전환하는 패턴을 보여줍니다. plan 단계는 Supervisor로, 실행 단계는 dynamic subagent들의 Swarm으로 동작합니다. 종료 시점에 다시 Supervisor가 결과를 통합합니다 (MarkTechPost 2026-05-19). PL은 이 전환점마다 게이트를 따로 두어야 합니다. Supervisor 단계의 Agent Card 게이트, Swarm 단계의 타임박스 게이트, 종료 단계의 검증 게이트, 세 단계가 한 워크플로우에 공존하기 때문입니다.
2.5.3 A2A v1.0 GA — 사내 에이전트 등록부가 PMO 양식으로
A2A(Agent-to-Agent) 프로토콜이 2026 Q1에 v1.0 GA에 도달했습니다. gRPC 전송 · signed Agent Cards · multi-tenancy 세 가지가 표준 사양으로 확정되었습니다 (A2A Protocol Docs — A2A and MCP, Google Developers — Agent Protocols Guide). 이 세 가지가 동시에 들어왔다는 것은 단순한 기술 업데이트가 아닙니다. “PMO가 사내 에이전트 등록부를 운영해야 한다” 는 운영 모델의 변화입니다.
PM 코치 관점에서 가장 즉각적인 시나리오는 사내 에이전트 등록부 양식입니다. signed Agent Card는 인증서·서명으로 신원을 증명하므로, 단일 LDAP/IAM 디렉토리처럼 “사내 에이전트 디렉토리”가 등장합니다. multi-tenancy는 한 에이전트가 여러 부서·여러 고객에게 동시에 서비스를 제공할 수 있다는 뜻입니다. 이는 곧 과금 모델·책임 한도·SLA를 부서별로 분리해야 한다는 의미입니다.
이 표가 단순 가상 예시가 아닌 이유는, A2A v1.0의 signed Agent Card 사양이 인증 키 · 책임 한도(authorization scope) · multi-tenancy ID 세 가지를 필수 메타데이터로 요구하기 때문입니다 (A2A Protocol Docs). PMO가 이 양식을 운영하지 않으면, A2A 호환 에이전트를 사내에 도입할 때마다 매번 임시 결재가 발생합니다. 결국 MAST FM-1.2(역할 경계 이탈)·FM-2.4(정보 비공유)의 거버넌스 빈틈으로 회귀합니다. 저는 이 시나리오를 컨설팅 현장에서 “LDAP을 운영하지 않으면서 100명을 채용하려는 조직“에 비유합니다. 등록부 없이 에이전트만 늘리는 패턴이 정확히 그것입니다.
2.5.4 Managed Agents tier — 4사 운영 비용 비교 + 사내 표준화 의사결정 트리
5채널 매트릭스 중 Managed Agents 채널이 PM 코치 관점에서 가장 결재 부담이 큰 항목입니다. 4사가 모두 Managed tier를 출시했지만 라이선스 모델·동시 실행 수·과금 단위가 모두 다릅니다. “1개 표준으로 묶을 것인가, 2개 듀얼로 운영할 것인가”가 2026 Q2 PMO의 핵심 의사결정 중 하나로 부상했습니다 (TechCrunch 2026-05-19, MarkTechPost 2026-05-19, Cognition Blog, IDLEN News 2026-04).
의사결정 트리 — 1개 표준 vs 2개 듀얼 운영:
PM 코치로서 제가 권장하는 기본값은 “월 $20K 미만 = 1개 표준 (Anthropic Managed 1순위), 월 $20K 이상 = 2개 듀얼 (개발자 IDE 1개 + Managed Agents 1개 분리)” 입니다. Antigravity Managed Execution은 출시 직후라 6개월 운영 사례 누적 후 재평가가 필요합니다. Devin Cloud는 1-click delegation 강점이 명확합니다. 다만 $25B 밸류 직후의 가격 정책 변동성을 PMO 결재선이 흡수할 수 있는지가 관건입니다 (IDLEN News 2026-04).
💬 Voice Box 보강 — 2026 Q2 신호가 PO·PM·PL에게 주는 한 문장 Antigravity 2.0의 5채널 동시 GA, Cognition의 Devin Cloud 1-click delegation 내장, A2A v1.0의 signed Agent Card 표준화 세 신호가 같은 분기에 수렴한 것은 우연이 아닙니다. “멀티에이전트 도입의 결재 단위가 도구가 아니라 채널” 이 되었다는 뜻입니다. PO는 사용 사례별 토폴로지 선언 위에 “어느 채널에서 노출할 것인가”를 한 줄 더 적어야 하고, PM은 5채널의 결재선 4개를 같은 분기에 동시 점검해야 하며, PL은 signed Agent Card 양식을 사내 등록부 표준으로 자동화해야 합니다. 이 세 가지가 정렬되지 않으면 2026 Q3 이후의 멀티에이전트 투자는 채널 단위 lock-in 비용을 청구서로 받게 됩니다.
비교·한계·경고: 조정 비용과 MAST 14 실패 모드
멀티에이전트는 성능 기법이 아니라 예산 라인이라는 사실은, 15배 토큰·+4.5초 지연·3.7배 MTTR이라는 세 숫자가 한꺼번에 드러날 때 비로소 현장에 안착합니다. Part 3는 Berkeley MAST 14 실패 모드와 조정 비용 3축을 엮습니다. L3 PM이 “이 과제는 멀티에이전트가 아니다”라고 상단에 보고할 수 있는 기각 문법을 정리합니다.
3.1 조정 비용의 해부학 — 세 가지 배율
조정 비용은 한 덩어리가 아닙니다. 토큰 배율 × 응답 지연 × 디버깅 시간 세 축으로 분해해야 하고, 각 축을 예산 항목으로 분리해야 합니다 (Anthropic Engineering, Iterathon Economics, Codebridge Guide).
이 표는 두 가지 임계점을 만들어냅니다. 첫째, 고객 지원 같은 낮은 볼륨·정확도 민감도 낮은 과제에서는 단일 GPT-5.2가 월 $22,700에 92.2%를 달성합니다. 반면 멀티에이전트는 $47K에 2.1%p 개선에 그칩니다. 둘째, 법률 계약 검토에서는 82.8% → 91.8%로 9%p가 개선되어 연 $180,000 오류 방지 편익을 만듭니다. 코드 생성 병렬화는 25분 → 10분(60% 단축)으로 11x ROI를 만듭니다 (Iterathon Economics). 같은 도구가 한쪽에서는 손해, 다른 쪽에서는 11x 이득이라는 뜻입니다.
월 AI 지출 임계점을 예산 결재 구조로 옮기면 다음처럼 고정됩니다.
3.2 MAST 14 실패 모드 × PMBOK 8 리스크 도메인
UC Berkeley Sky Computing Lab이 MetaGPT·ChatDev·HyperAgent·OpenManus·AppWorld·Magentic·AG2 7개 오픈소스 프레임워크 × 200개 실행 트레이스 × kappa 0.88로 14개 모드를 정제했습니다. 이를 리스크 레지스터에 직접 주입할 수 있습니다 (arXiv:2503.13657, arXiv HTML v1, MAST GitHub, OpenReview ICLR 2025).
PMBOK® Guide 8판은 2026-01-13 정식 발간되었습니다. 7개 Performance Domain(리스크 포함)·6 Principle·40 Process·Appendix X3 Artificial Intelligence 구조를 채택했습니다 (PMBOK 8 Preview, Project Edge Global — Appendix X3, MPUG — PMBOK 8 & AI, EIMT 발간 노트, pmproad.com 2026 Update). MAST 14 모드는 이 구조에 1:1로 매핑됩니다.
3.3 MAST 14 모드 전체 목록 — 현장 체크리스트
PM 코치로서 저는 MAST 14개 모드를 리스크 식별 체크리스트로 그대로 전환해 사용합니다. 14개 모드를 카테고리별로 펼치면 다음과 같습니다. 각 모드는 Agent Card·위임 맵·품질 게이트 중 하나로 책임 귀속을 지정할 수 있습니다 (arXiv:2503.13657, arXiv HTML v1, MarkTechPost 해설).
ChatDev는 ProgramDev 벤치마크에서 정답률 33.33%에 그쳤습니다. 이 실패는 14개 모드 중 FM-1.2·FM-2.3·FM-3.2 세 곳에 귀속되는 것으로 보고되었습니다 (MarkTechPost 2025-03). 동일한 실패 패턴은 MAESTRO·MultiAgentBench 평가에서도 재확인되었습니다. 2026년 AAAI Bridge Program WMAC 2026은 이 분류 체계를 LLM 기반 다중 에이전트 협업 연구의 공통 레퍼런스로 채택했습니다 (MAESTRO arXiv 2601.00481, MultiAgentBench — Emergent Mind, WMAC 2026).
3.4 단일 vs 멀티 — 2열 카드 비교
💬 Voice Box #2 — PM 코칭 현장에서 본 흔한 함정 현장에서 가장 자주 듣는 말이 있습니다. “우리도 에이전트가 10개쯤 돌아가는 시스템을 해보고 싶어요.” 저는 이 말을 들을 때 MAST의 41.8%를 떠올립니다. 실제로 Anthropic이 직접 관측한 실패 사례도 과도한 에이전트 생성(~50개, FM-1.2·1.5), 중복 탐색(FM-2.4), SEO 콘텐츠 우선 검색(FM-3.3), 식별 불가능한 비결정성(FM-2.6) 네 가지였습니다. 제가 PO·PM·PL에게 드리는 첫 질문은 늘 똑같습니다. “에이전트가 1개일 때 실패하는 지점 3개를 먼저 말해주세요.” 이 답을 못 하면 10개짜리 스웜은 그 실패를 10배로 증폭합니다.
PO·PM·PL 3-Role Translation ⭐
- L3 수행(Performance) — 팀 단위 반복 운영 + Named Owner 지정 + 기본 가드레일. 진입 조건: 주 5회 이상 AI 협업 · SOP 1건.
- L4 주도(Leadership) — 조직 표준 내재화 + 목표·핵심결과(OKR) 정렬 + 월간 대시보드. 진입 조건: 부서 간 공유 SOP · 12지표 대시보드 운영.
- L5 코칭·표준화(Coaching & Standardization) — 타 조직·업계 코칭 + 외부 표준 기여. 진입 조건: 외부 강연·컨설팅·표준 기고 3건/년+.
(L1~L2 및 L 전환 Trigger 상세는 부록 C “L1~L5 성숙도 표준 정의” 참조)
이 시리즈는 8편 전체에서 단계적 과제 대신 L3→L4→L5 역량 래더를 공통 축으로 씁니다. 멀티에이전트 주제는 특히 “Day 1에 뭘 할까”가 무의미한 영역입니다. 제가 삼성·LG·SKT·롯데·SK쉴더스 다섯 현장에서 확인한 것은, 같은 “Agent Card 4종 세트 작성”이라는 행동도 A 조직에서는 이미 완료, B 조직에서는 Day 1, C 조직에서는 6개월 후에나 가능하다는 점입니다. 반면 L3(1건 실험) → L4(팀 골든 템플릿) → L5(조직 자동화) 래더는 조직 성숙도와 상관없이 같은 방향을 가리킵니다. MAST의 41.8% “시스템 설계·명세 결함”은 L3 진입 조건의 부재를 정량화한 것이고, Anthropic의 “서브에이전트 스케일링 규칙 1/2-4/10+” 은 L4 주도 산출의 체크리스트이며, Berkeley Sky Computing Lab의 7 오픈소스 프레임워크 × 200 트레이스 × kappa 0.88 라벨링은 L5 조직 표준화의 벤치마크입니다. aipm 레포의 docs/governance/aipm-hub-spoke-architecture.md 와 .claude/skills/repo-task-proof-loop/agents/ 서브에이전트 구조는 이 래더가 실제 코드로 어떻게 구현되는지를 보여주는 축소판입니다.
- 역량(Competency) — 이 시리즈의 공통 축: L3 수행 경험 → L4 주도 산출 → L5 코칭·표준화
- 맥락(Context) — 편별 변주 축: 멀티에이전트 주제의 L3·L4·L5 “진입 조건” 1줄 명시
- 루브릭 근거:
prompts/competency-framework-survey-prompt-pack.md:149-162
4.1 PO의 관점 — 사용 사례별 토폴로지 선언자
PL은 본 시리즈에서 Project Lead를 가리킵니다 — 기술 스쿼드의 Team Lead가 아니라, 품질 게이트와 실험 시스템을 결정하는 역할로 정의합니다 (LG WebEx 세미나 정의 기반:
lecture/lge-webex-seminar-ai-agent-pm/02-slide-fulltext.md:277-283).
현황 진단
PO가 가장 먼저 마주하는 과제는 “어느 사용 사례에 단일/Supervisor/Swarm/Router 중 무엇을 쓸 것인가“를 제품 언어로 선언하는 것입니다. Google 연구의 순차 추론 -39~-70% 하락은 PO가 “이 기능은 사용자 여정의 어디에서, 어떤 인지 부하를 대신 수행하는가”를 정의하지 못할 때 그대로 노출됩니다. Iterathon의 $47K vs $22.7K 사례는 PO가 볼륨·정확도 허용 구간·사용자 가치 임계점을 한 문장으로 압축하지 못할 때의 비용을 증명합니다 (Iterathon Economics). 따라서 PO의 첫 산출물은 코드가 아니라 “이 사용 사례는 단일인가 멀티인가”를 고객 가치 관점에서 선언하는 한 문장입니다.
L3 → L4 → L5 역량 래더
4.2 PM의 관점 — 조정 비용과 위임 구조의 설계자
현황 진단
PM에게 멀티에이전트는 위임 경계·거버넌스 게이트·검증 주기를 동시에 재설계해야 하는 사건입니다. 15x 토큰·4.3x Q&A 오버헤드·MTTR 3.7x는 단순한 비용이 아니라 위임 구조의 함수입니다. Anthropic이 “서브에이전트에게 목표·출력 포맷·도구 경계·종료 조건 4종 세트를 반드시 명시하라”고 권고한 이유도 동일합니다 (Anthropic Engineering). PMBOK 8판 Appendix X3는 “AI가 모든 Performance Domain과 교차한다”는 원칙을 채택했습니다. 따라서 멀티에이전트 도입 판단은 Scope·Schedule·Cost·Quality·Resource·Communications·Risk 7개 도메인 모두에서 결재 요건이 됩니다 (MPUG PMBOK 8 & AI). 프레임워크 3강 선택 역시 PM 언어로 해석하면 “상태 지속성 × 관측 인프라 × 언어 지원“의 결재 체크리스트입니다.
L3 → L4 → L5 역량 래더
4.3 PL의 관점 — 토폴로지별 품질 게이트와 MAST 자동화
현황 진단
PL의 책무는 “토폴로지별로 어떤 품질 게이트가 자동화되어야 하는가“를 결정하는 것입니다. Anthropic +90.2% 케이스가 보여주는 것은 성능이 아니라 아티팩트 시스템입니다. 서브에이전트가 결과를 외부 저장소에 기록하고 lightweight 참조만 리드에게 전달하게 하여 토큰 폭증을 흡수한 설계가 핵심입니다 (Anthropic Engineering). Databricks Supervisor 아키텍처가 add_handoff_back_messages를 표준화한 것도 같은 맥락입니다 — 서브에이전트가 필요 시 상위로 되돌아오는 경로가 품질 게이트의 물리적 구현입니다 (Databricks Blog). MAST FM-3.2·3.3(검증 누락·오검증)은 PL이 Critic-Refiner 루프를 자동화하지 않았을 때 그대로 재현됩니다.
L3 → L4 → L5 역량 래더
4.4 LangGraph 1.0 / OpenAI Agents SDK / Google ADK — PO·PM·PL의 각기 다른 질문
3강 프레임워크 선택은 역할별로 서로 다른 질문지를 통과합니다. PO는 “우리 사용 사례가 감사 추적을 요구하는가, 아니면 빠른 프로토타이핑이 우선인가”를 묻습니다. PM은 “상태 지속성·관측 인프라·예산 결재 구조가 정렬되는가”를 묻습니다. PL은 “checkpointer·tracing·아티팩트 저장을 팀 골든 템플릿으로 고정할 수 있는가”를 묻습니다. 세 역할이 같은 표를 다르게 읽는 것이 핵심입니다.
이 4축 × 3역할 매트릭스가 정렬되지 않으면, 팀은 “LangGraph가 좋다”는 한 줄 결론에 3개월을 소비합니다. 반대로 정렬되면 Agents SDK는 tracing·guardrails가 내장된 경량 경로, ADK는 Vertex AI 연동·A2A 공식 채널, LangGraph는 규제 산업 prod 표준이라는 세 문장으로 결재 라인이 닫힙니다 (LangChain 1.0 Blog, Durable execution — LangChain Docs, LangGraph Checkpointing Best Practices — SparkCo, Agent Development Kit — Google Docs, Multi-system agents with Vertex AI — Google Cloud Blog, Multi-Agent A2A with ADK & AKS — Medium 2026-04, LangGraph Multi-Agent Tutorial — Latenode).
4.5 3-role 통합 9-cell 매트릭스 (역량 단일 축)
4.6 Mermaid #2 — 3-role 핸드오프 (시리즈 고정 스켈레톤)
💬 Voice Box #3 — “이것을 PO·PM·PL의 언어로 해석하면” 저는 멀티에이전트 논의를 이렇게 세 문장으로 해석합니다. PO에게는 “사용 사례별로 단일인지 멀티인지 먼저 선언해 주십시오”, PM에게는 “15x 토큰과 MAST 14 모드를 리스크 레지스터에 이번 주 안에 심어 주십시오”, PL에게는 “Supervisor 패턴의 아티팩트와 handoff-back을 골든 템플릿으로 자동화해 주십시오”. 이 세 문장은 순서가 바뀌면 작동하지 않습니다. PO의 선언 없이 PM이 위임을 설계할 수 없고, PM의 게이트 없이 PL이 품질 게이트를 자동화할 수 없습니다. 저는 10년 동안 PM 코칭을 하면서 이 순서를 바꾼 팀이 성공한 사례를 본 적이 없습니다.
실전: Quick Start Pentagon (역량 진입 조건으로 읽기)
Pentagon은 Part 4의 L3·L4·L5 래더에 진입하기 위한 최소 착수 동작을 배치한 실행표입니다. 멀티에이전트 주제에서는 특히 “Agent Card 4종 세트가 Day 1에 확보되어야 한다”는 Anthropic 권고가 L3 진입의 최소 조건입니다. 10개 셀 중 1·2번은 L3 진입, 3·4번은 L4 진입, 5번은 L5 진입에 대응합니다. 독자 조직이 지금 이번 분기에 통과시키고 싶은 L 하나를 먼저 고르시고, 해당 셀만 집중 실행하시면 됩니다.
5.1 자산 D — Quick Start Pentagon
5.2 엔터프라이즈 레퍼런스 케이스 3종 — Quick Start에 얹을 검증 사례
첫째, Anthropic Research System: Opus 4 리드 + Sonnet 4 서브에이전트 구조로 단일 Opus 4 대비 리서치 평가 +90.2%. 설계 원칙 세 가지는 그대로 Agent Card 템플릿에 이식됩니다 — 목표·출력 포맷·도구 경계·종료 조건 4종 세트 명시, 1/2~4/10+ 서브에이전트 스케일링 규칙 프롬프트 내장, 아티팩트 시스템으로 토큰 절감 (Anthropic Engineering). 둘째, Databricks Supervisor Architecture: 중앙 감독자가 통신·위임을 통제하고 add_handoff_back_messages로 서브에이전트가 상위로 복귀할 수 있는 경로를 엔터프라이즈 정석으로 제시했습니다 (Databricks Blog). 셋째, 법률 계약 검토 사례: 정확도 82.8% → 91.8%(+9%p), 연 $180,000 오류 방지 편익. 같은 문서에서 코드 생성 병렬화는 25분 → 10분(60% 단축), 월 $20K 생산성 이득 vs $1.8K 조정 비용의 11x ROI를 기록했습니다 (Iterathon Economics).
세 사례의 공통 구조를 PM 코치 관점에서 압축하면 다음과 같습니다. (1) Agent Card 4종 세트를 먼저 고정한다. (2) Supervisor 패턴의 handoff-back을 기본값으로 둔다. (3) 아티팩트 시스템으로 토큰·상태 폭증을 흡수한다. 이 세 가지가 빠진 멀티에이전트 도입 시도는 예외 없이 MAST FC1(41.8%)의 거울상이 됩니다. 저는 팀에게 “레퍼런스 케이스 3종을 각자 한 문장으로 요약해 주십시오”라는 과제를 먼저 드립니다. 이 요약이 가능한 팀만이 토폴로지 선언 카드로 이동할 자격이 있습니다.
한편 엔터프라이즈 프레임워크 비교 문서(2026 Comparison, Turing, GuruSup, NxCode)와 DEV Community의 LangGraph 2026 해설, Galileo의 평가 가이드는 토폴로지별 평가 지표를 연속적으로 공개하고 있습니다 (Turing — Top 6 AI Agent Frameworks, GuruSup — Best Multi-Agent Frameworks 2026, NxCode — CrewAI vs LangChain 2026, DEV Community — LangGraph in 2026, Galileo — Evaluate LangGraph Multi-Agent, Medium Hugo Romero — LangGraph 1.0 lessons, The Great AI Agent Showdown 2026 — Medium). PL이 골든 템플릿에 인용할 벤치마크 라이브러리가 이 수준까지 공개되었다는 것은, 품질 게이트 자동화 실험이 더 이상 조직 내부 발명이 아니라 공개 표준 재조립으로 바뀌었음을 뜻합니다.
5.3 하지 말 것
⚠️ 이 주제에서 하지 말 것
- Agent Card 없이 에이전트 수부터 늘리는 것 — MAST FC1(41.8%)의 직접 원인입니다. 역할·목표·출력 포맷·종료 조건 네 개를 먼저 고정하십시오.
- “멀티에이전트 = 좋음” 전제 — Google 연구의 -39~-70% 순차 추론 하락은 과제 속성을 무시했을 때의 페널티입니다. 병렬 분해 가능성을 먼저 판정해 주십시오.
- 프레임워크 3강을 상태·관측·언어 3축 외 기준으로 비교 — GitHub Star나 튜토리얼 수는 의사결정 변수가 아닙니다. LangGraph 1.0 checkpointer, Agents SDK tracing, ADK TS SDK를 축 그대로 비교하십시오.
마무리
멀티에이전트 시스템 2026은 “도구의 경쟁”이 아니라 “명세·비용·품질 게이트의 재설계” 입니다. PO는 사용 사례별 토폴로지를 선언합니다. PM은 MAST 14 모드를 리스크 레지스터로 흡수합니다. PL은 아티팩트·handoff-back·Critic-Refiner를 골든 템플릿으로 자동화합니다. 이 세 가지 핸드오프를 Day 1·Week 1·Month 1의 시간축에 고정하면, 15x 토큰과 41.8% 실패율은 예측 가능한 예산·리스크 항목으로 바뀝니다.
현장으로 가져갈 세 문장은 이렇습니다. 첫째, “우리 사용 사례가 단일 에이전트로도 가능한지 먼저 판정합니다”. Google 연구의 순차 추론 -39~-70% 하락이 이 판정을 건너뛴 팀에게 주는 페널티입니다. 둘째, “멀티에이전트를 쓴다면 15x 토큰·4.5s 지연·MTTR 3.7x를 예산 라인으로 분리합니다”. Iterathon의 $47K vs $22.7K 사례가 이 분리를 하지 않은 팀의 청구서입니다. 셋째, “프레임워크 3강 선택보다 Agent Card 4종 세트를 먼저 고정합니다”. Anthropic·Databricks·법률 계약 검토 세 레퍼런스 케이스의 공통 구조입니다.
다음 편은 5편 AI-SDLC 프레임워크입니다. 멀티에이전트가 만든 “품질 게이트의 자동화” 요구가 소프트웨어 개발 수명주기(SDLC) 파이프라인 전체를 어떻게 재배치하는지 살펴보겠습니다. 특히 2026이 “AI 품질의 해”로 선언되고 AI-PR이 리뷰 사이클을 4.6배 늘렸다는 Opsera 숫자를 “속도 게이트는 이제 품질 게이트에 종속된다”로 해석해 다루겠습니다.
💬 Voice Box #4 — 8주 시리즈 내 이 편의 자리매김 이 4편은 Delivery OS 4연작의 마지막입니다. 1편 MCP·A2A는 “에이전트에게도 API가 생겼다”는 해석, 2편 Agentic PM은 “Traffic Controller → Strategy Orchestrator” 해석, 3편 Vibe Coding은 “프로토타입까지는 vibe, 엔터프라이즈는 가드레일” 해석이었습니다. 그리고 4편은 “멀티에이전트는 아키텍처 이전에 명세”라는 해석으로 이 연작을 닫습니다. 5편부터 시작되는 Tooling·Strategy 후반부는 이 네 가지 해석을 전제로 출발합니다. 제가 컨설팅 현장에서 반복 확인한 사실은 단 하나입니다. 토폴로지·조정 비용·실패 모드 중 어느 하나라도 PO·PM·PL의 공통 언어로 정렬되지 않으면, 그 조직의 멀티에이전트 투자는 반드시 MAST 41.8% 사분면으로 회귀합니다. 이 회귀를 막는 가장 저렴한 자산은 “Agent Card 한 장 + MAST 14 체크리스트 한 장 + 토폴로지 선언 카드 한 장”입니다. 세 장의 종이가 3강 프레임워크 선택보다 앞에 있어야 한다는 것이 이 편의 결론이자 저의 10년 PM 코칭 경험의 결론입니다.
이 시리즈 지도
이전: Post 1 MCP·A2A 에이전트 프로토콜 · Post 2 에이전틱 프로젝트 관리 · Post 3 Vibe Coding & 에이전틱 엔지니어링 현재: 멀티에이전트 시스템 2026 — PM 코치가 해석하는 PO·PM·PL의 토폴로지 선택 다음: Post 5 AI-SDLC 프레임워크 · Post 6 검색증강생성(RAG) 지식관리·PM · Post 7 AI 네이티브 기업 전환
Related Posts (기존 34편 중 보완 각도)
- 신규 09 · 월간 관전포인트 2026-05 (Agentic PM) — Antigravity 2.0(I/O 2026-05-19) 5채널 동시 GA · Cognition Windsurf 2.0 + Devin Cloud · A2A v1.0 GA 등 본 편 Part 2.5의 1차 신호 원전
- A-4 · AI 멀티 에이전트 개발 효과성 분석 — 본 편 토폴로지 선택의 ROI·효과성 측면 원전 (본 편은 토폴로지·MAST·3강 선택 축으로 확장)
- G-2 · 주니어 PM을 위한 AI 하네스 구축 가이드 — 개인 하네스, 본 편은 조직 수준 멀티에이전트 토폴로지로 확장
- A-1 · AI 코딩 에이전트 시대, 거버넌스 없이 괜찮을까? — Named owner 부재의 실전 실험
- B-5 · Agentic 시대, PM/PL과 엔지니어는 무엇을 준비해야 하는가 — 본 편 L3→L5 래더가 정렬되는 Track B capstone
- P-8 · Builders 6인 분석 (Boris·Cat·Truell·Masad·Murati·Brockman) — 본 편의 Anthropic Research System·Databricks Supervisor 레퍼런스 케이스 설계자들
Tags: Agentic PM 2026 Q2, PO-PM-PL 3-role, AX Delivery OS, Multi-Agent, MAST, LangGraph 1.0, PMBOK 8, Antigravity 2.0, A2A v1.0, Managed Agents, 5 distribution shapes
- X-1 AI/AX 2030 전략: McKinsey, BCG, Accenture, Deloitte, Gartner 교차 분석
- X-2 빅테크 리더십 격변과 AX 전략
- X-3 2026년 GitHub에서 주목할 프로젝트와 AI 전환 신호
- X-4 AI 에이전트 2026 상반기 대해부 — 지금 무슨 일이, 리더는 무엇을
- E-1 AI 네이티브 기업 전환 — CHO·PMO 재정의
- E-2 한국 기업 AX 2030 (Capstone)
- E-3 NH농협은행 SAFe 애자일 3년 — 페이스메이킹의 기록
- E-4 하나은행 × BCG 애자일 전환 — 두 개의 리듬으로
- E-5 네이버랩스 AKI — 하이브리드 애자일 PMO로 7개 제품을 한 박자로
- K-1 Agentic 시대, PM의 온톨로지맵 — Obsidian을 통해 나만의 RAG를 만드는 법
- K-2 Karpathy의 LLM과 Obsidian 지식 결합
- K-3 Karpathy의 autoresearch: PM에서의 적용 사례
- K-5 Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스 교차 분석
- K-6 30시간 RAG 실측 — Karpathy llm-wiki vs obsidian-vault 양강 비교
- K-7 구글 OKF·Obsidian Vault·llm-wiki — 무엇을 어떻게 시작할까
- K-8 Obsidian × LLM 4만 노트 — 개인 RAG 최종 아키텍처 5층
- K-9 PM 온톨로지맵 템플릿 배포판 — 30분에 채우는 5칸
- G-1 삼성전자 GAUSS PM Agent: 효과적 설계로 주니어 PM 지원하기
- G-2 주니어 PM 위한 AI 하네스 구축 가이드
- G-4 삼성 DX 엔지니어를 위한 Codex 온보딩 — 하네스 & 개인 RAG
- G-5 나의 Agent 비서, 블록 12개로 조립한다 — 재사용 블록과 77%의 법칙
- G-6 내 업무를 맡길 AI 에이전트 — 6블록 설계와 PROFILE BIND
- CC-4 내 노트 4만 개 검색 — LLM 직접 읽기 vs 전용 CLI, 하이브리드 5.5배
- CC-5 Obsidian 노트를 앱 없이 검색 — 오픈소스 byeori(벼리)
- CC-6 사내 지식을 RAG로 — 망분리·토큰0 6단계
- A-5 Fable 5와 보낸 첫 하루 — 모델 × 하네스 × RAG 실측 회고
- A-6 맥은 이미 AI 워크스테이션 — 사진·노트·인박스 0원 정리
- A-7 Mac@Work 2026 — 맥 20년차의 도구 모음과 Agentic 카테고리
- A-8 좋은 엔진은 없다, 맞는 엔진이 있다 — Codex/Sol vs Claude/Fable 5대 실전 비교
- CC-3 Opus xhigh 솔로 vs ultracode 멀티에이전트 — 작업유형별 A/B 실측
- G-3 대기업 직장인을 위한 AI Agent & Skill 추천 가이드 2026
- G-7 녹취 엔진 두 레인 — SpeechAnalyzer와 Alt, 코칭·컨설팅 6장면 판단표
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 PM 코치가 바라보는 AI 전문가 탐구 1편: Andrej Karpathy
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 DeepSeek 량원펑 — 연속 학습의 공백과 하네스
- S-1 Agentic PM의 시대가 열리다 — LG전자 SW PM 워크숍을 마치며
- S-2 삼성전자 PMC: AI와 함께하는 PM 교육 혁신
- S-3 SKT Agent 도출을 위한 AI 퍼실리테이션 기법
- S-4 리스크는 그릇이었다 — LG전자 SW공학연구소 GenAI RISK 워크숍
- S-5 코드 한 줄 없이 손익관리팀이 만든 에이전트 — 신한EZ손해보험
- S-6 “어디까지 입력해도 되나요?” — 삼성 구매 현장의 Agentic 각성
- S-8 ‘바이브 프로젝트 매니징’을 스스로 이름 붙였습니다 — 현대모비스 편
- S-9 “대충 시키면 다 해줄 줄 알았는데” — SK쉴더스 보안 PM들의 이틀
- PS-2 공공 PM이 ‘AI 이용자’에서 ‘AI 활용자’로 — 아이티센 편
- M-1 Agentic PM 시리즈 진입 가이드 — 전체를 한 장으로
- Z-1 실록(Sillok) — 5세기 Audit-Grade 거버넌스를 LLM 운영에 빌려온 한국형 LLMOS 하네스
- Z-2 실록(Sillok) 2026 상반기 결산 — RAG·고객사·지능화 루프·오픈소스
- Z-3 하네스×RAG 기업 컨설팅 — 네 현장·환각 방지·TOP10 자가진단·진화 루프
- Z-4 하네스 엔지니어링 백서 — Weng 하네스론×실록 구조 매핑·자기개선 루프·정직한 결산
- Z-5 에이전트 스킬 수명주기 백서 — Dynamic Agent Skills 8단×실록 매핑(7 온전+1 갭)·분기 12문항 레퍼런스·PO/PM/PL 컨설팅 직역
- Z-6 AX 시리즈 100편 기념 특집 — 실록·3층 RAG 운영 실측: 대시보드 5장 해설·구조 도식 2장·지식 구조 7층·강의/프로젝트/발행 3사례·응용분야·정지 사고 공개
- W-1 Agentic 월간 관전포인트 2026-05 — 가우스+빅테크 듀얼 모델 시대
- W-2 Agentic 2026 상반기 총결산 — 다섯 축 6개월
- Z-7 100편 기념 특집 2편 — 배치 사다리 6단·수명주기 22일/90일·계측 3지표 (팩 119 중 16개가 라우팅 80% 실측)
- Z-8 100편 기념 특집 3편 — 위임 경계=비가역성·88스텝 중 45개(51%) 사람 확정·비가역 6갈래·4칸 표 템플릿