최근 발표된 연구에 따르면, AI 에이전트가 단순히 답변을 생성하는 것을 넘어, 어떤 추론과 실행 작업을 수행할지 스스로 결정하는 '조합형 메타 라우팅(Compositional Meta-Routing)' 기술이 개발되었습니다. 이는 에이전트가 요청을 직접 처리할지, 세부 작업으로 분해할지, 증거를 검색할지, 코드를 실행할지, 전문가에게 위임할지, 중간 결과를 검증할지 등 다양한 이질적인 작업들을 스스로 조합하여 최적의 워크플로우를 구성하는 방식입니다.
연구팀은 이러한 메타 라우팅의 성능을 평가하기 위한 실행 가능한 벤치마크를 함께 제시했습니다. 이 벤치마크는 데이터 분석, 고정 코퍼스(frozen-corpus) 연구, 문서 처리 등 다양한 영역에 걸쳐 216개의 학습, 72개의 개발, 108개의 테스트, 그리고 108개의 난이도 높은 챌린지 태스크로 구성되어 있습니다. 이 예산 인식 메타 라우터는 단어 및 문자 특성에서 작업 확률을 예측하고, 경로 비용과 작업 횟수 예산 내에서 이질적인 작업들을 탐욕적으로 조합합니다. 실험 결과, 이 학습된 정책은 테스트 데이터에서 100%의 성공률을 달성했으며, 이는 강력한 정적(static) 및 고정(fixed) 워크플로우의 93.5%보다 높은 수치입니다. 또한, 정적 정책 대비 43% 낮은 비용으로 작업을 처리하는 효율성을 보였습니다.
이 메타 라우팅 기술은 AI 에이전트의 자율성과 효율성을 한 단계 끌어올릴 중요한 진전으로 평가됩니다. 기존 라우팅 방식이 모델 엔드포인트, 검색 깊이, 도구 선택 등을 개별적으로 다루는 데 그쳤다면, 메타 라우터는 이들을 유기적으로 결합하여 복잡한 문제 해결 능력을 강화합니다. 이는 특히 다양한 도구와 기능을 활용해야 하는 복잡한 기업 환경이나 개인 생산성 도구에서 AI 에이전트의 활용도를 극대화할 수 있을 것입니다. 다만, 챌린지 태스크에서 성공률이 다소 하락한 점은 어휘 일반화(lexical generalization) 능력이 주요 한계임을 시사하며, 향후 연구를 통해 개선될 여지가 있습니다.