최신 AI 뉴스를 한눈에.

효율에서 성과로, 진정한 AI 조직

현재 온라인에서는 ‘AI 네이티브 조직’과 ‘지능형 조직’이 한창 화제가 되고 있으며, 각 부서에 대규모 모델 몇 개를 배치하고 멀티에이전트들이 자유롭게 상호작용하도록 하면 조직이 진화한다고 여겨지고 있습니다.

월드와이드 익스프레스는 Amazon Bedrock을 활용해 화물 예외 처리를 어떻게 자동화했나

월드와이드 익스프레스는 Amazon Bedrock 기반의 다중 에이전트 솔루션으로 소량 화물 운송 청구 관련 예외 처리 프로세스를 자동화했습니다. 출시 6개월 만에 활성 예외 건수를 75% 줄이고, 현금 회수 기간을 4주 단축하며, 1,000만 달러 규모의 자유현금흐름을 확보했습니다.

관리형 딥 에이전트에서의 브라우저 사용

관리형 딥 에이전트는 이제 에이전트를 위해 브라우저를 실행하며, 문맥 기반의 효율적인 브라우저 사용을 위한 도구와 직접 로그인할 수 있는 핸드오프 기능을 제공합니다.

우리가 디자인 에이전트를 어떻게 구축했는지

LangChain이 Slack에서 브랜드에 맞는 동영상, 그래픽 및 프레젠테이션을 제작하는 오픈소스 디자인 에이전트인 Content Studio와 이를 구동하는 하네스를 어떻게 구축했는지.

증류, 토론, 발견: 그래프 기반 증류된 인사이트로 다중 에이전트 연구 아이디어 발상의 기초를 마련하다

arXiv:2610.33366v1 발표 유형: 신규 초록: 대규모 언어 모델(LLMs)은 연구 아이디어 생성과 과학적 발견을 지원하는 데 점점 더 널리 활용되고 있습니다. 다중 에이전트 토론은 다양한 관점을 하나로 모아 연구 아이디어를 개발하는 협업 방식을 제공합니다. 그러나 주요 과제는 각 에이전트에게 서로 다르고 의미 있는 전문성을 부여하여 그들의 기여를 효과적으로 이끌어내는 방법입니다. 연구자들이 협업 과정에서 축적된 연구 경험을 활용하는 방식에서 영감을 받아, 우리는 관련 논문들의 그래프로부터 인사이트를 추출해 문헌 기반의 에이전트 전문성을 구축하는 프레임워크인 InsightAgents를 제안합니다. 한 연구 분야 내에서 진화하는 연구 접근법을 추적하고, 근본적인 가정을 드러내며, 아직 해결되지 않은 과제를 식별하는 인사이트에 따라,

arXiv의 새로운 논문은 증거 검증과 가중치 업데이트가 필요 없는 프롬프트 수정을 지원하는, 추적 가능한 다모달 감정 추론 에이전트 프레임워크를 제안합니다.

2026년 10월 26일, arXiv는 사전인쇄 논문(번호 2610.31685v1)을 발표하며, 동결된 대규모 모델 기반의 추적 가능한 다중모달 감정 추론 지능체 아키텍처를 제안했습니다. 이 아키텍처는 모달별 전용 인지 지능체, 통합 지능체, MLLM 비판자 및 증거 검증 단계를 통해 오류 귀속과 프롬프트 공간의 자율적 최적화를 구현하며, MER2025 데이터셋에서 여러 개방형 다중모달 대규모 모델(2B–38B 파라미터)의 감정 인식 F-스코어를 0.6~2.2점 향상시켰습니다.

추천 이유이 연구는 현재 다중 모달 감정 추론 시스템에서 명령 미세조정 비용의 높음과 에이전트 파이프라인의 디버깅 불가능성 간의 모순을 해결하기 위해, 증거 인용, 확실성 검증, 실패 귀인 및 타깃형 프롬프트 수정을 통합한 최초의 전 과정 설명 가능한 프레임워크를 제안한다. 모든 개선 사항은 모델 가중치를 변경하지 않으며, 네 가지 서로 다른 규모의 오픈소스 MLLM에서 실증적으로 효과를 입증하여 방법론적 혁신성과 공학적 실용성을 갖추고 있다.

다중 에이전트 LLM 시스템에서의 의사소통 실패 이해

arXiv:2610.32060v1 발표 유형: 신규 초록: 다중 에이전트 LLM 시스템은 토론, 증거 공유 및 상호 교정을 통해 추론 능력을 향상시키는 것을 목표로 하지만, 상호작용 과정에서는 최종 정확도만으로는 설명할 수 없는 다양한 실패가 발생할 수 있습니다. 에이전트들은 지나치게 빨리 수렴하거나, 이견을 무시하거나, 올바른 소수 의견을 억압하거나, 여러 라운드에 걸쳐 잘못된 프레임을 유지하는 등의 문제를 겪을 수 있습니다. 우리는 의료 QA, 코딩, 금융, 다중 홉 추론, 윤리, 그리고 체화된 텍스트 작업 등 다양한 분야에서 수집된 3,211개의 실패한 다단계 대화 트래젝터리를 바탕으로, 데이터셋과 시스템 설계별 실패 분포, 라운드 수준의 오류 동역학, 복구 난이도, 다수 의견 전환, 소수 의견 신호 억압, 그리고 자가 보고된 신뢰도 등을 분석하기 위한, 데이터셋 기반의 의사소통 실패 분류체계를 제시합니다. 이를 통해 우리는 다음과 같은 사실을 발견했습니다.

LangChain이 ‘기업급 에이전트 프레임워크’의 다섯 가지 핵심 구성 요소를 발표했습니다.

LangChain은 2026년 10월 25일 블로그를 통해, 마케팅, 영업 및 엔지니어링 팀 내부에 AI 에이전트(GTM Agent, OpenSWE, Content Studio)를 도입하며 축적한 다섯 가지 일반적인 아키텍처 원칙을 체계적으로 설명했습니다. 이 원칙에는 네이티브 통합 작업 환경(Slack), 동적 신원 모델(OBO+ 고정 인증 정보), 이중 계층 메모리 메커니즘(전역/사용자 수준), 샌드박스화된 코드 실행, 그리고 높은 비율의 스케줄 기반 실행(수동 트리거 아님)이 포함됩니다. 모든 에이전트는 Managed Deep Agents 플랫폼을 기반으로 구축되었습니다.

추천 이유이 정보는 LangChain 공식 블로그에서 발행되었으며, 게시일시(2026-10-25T18:06:32.000Z)가 현재 시스템 시간(2026-10-25T23:01:18.857Z)보다 앞서 있습니다. 내용은 이미 도입된 사내 인텔리전트 에이전트의 실제 사례에 중점을 두고 있으며, Slack 스레드 격리, GitHub 계정 소속 논리, Notion/Twitter 권한 계층화 등 구체적인 세부사항을 포함하고 있습니다. 검증되지 않은 예측이나 외부의 주장은 포함되어 있지 않으므로, 시의성과 사실성 요건을 충족합니다.

마이크로소프트가 Agensh를 오픈소스로 공개: 1024개의 자율 협업 AI 코딩 에이전트를 지원하는 분산형 프레임워크

마이크로소프트 연구소는 2026년 10월 25일, 중앙 조정자를 필요로 하지 않는 다중 에이전트 런타임 프레임워크인 Agensh를 오픈소스로 공개했습니다. 이 프레임워크는 ProgramBench에서 1개부터 1,024개까지의 LLM 기반 코딩 에이전트가 자율적으로 협업하도록 지원합니다. 시스템은 Gitea, Mattermost 및 DeLM 스타일의 공유 보드를 기반으로 탈중앙화된 조정을 구현하며, 모든 에이전트는 동일한 프롬프트 기반 5단계 순환을 실행합니다. 또한 Linux와 Docker 환경에서 확장성을 검증했습니다.

추천 이유이 성과는 다중 에이전트 시스템 아키텍처의 중요한 발전을 나타냅니다—전통적인 ‘주제어 에이전트’ 패러다임을 탈피하고, 프롬프트 엔지니어링과 경량 서비스의 조합을 통해 대규모 자조직화를 구현합니다. ProgramBench에서 확보한 실증 데이터(예: 128개의 에이전트를 사용할 때 5개의 작업에 대한 평균 성능 향상이 49%에 달함)는 분산형 AI 엔지니어링의 새로운 기준점을 제시합니다. MIT 라이선스로 오픈소스화되어 있으며 Copilot CLI 등 주요 단일 에이전트 도구와도 호환되므로, 실제 개발에서의 참고 가치를 갖습니다.

바이엘 크롭사이언스는 Amazon Bedrock AgentCore를 기반으로 다중 에이전트 의사결정 엔진 ADE를 구축했습니다.

바이엘 크롭사이언스는 기존의 Connected Decision Engine(CDE)을 대체하는 것이 아니라 이를 보강하는 층으로서, 육종 전문가, 분석가 및 연구자를 위한 자연어 기반 다중 에이전트 플랫폼인 Agentic Decision Engine(ADE)을 Amazon Bedrock AgentCore 위에 구축했습니다. 이 시스템은 현재 프로덕션 환경에 배포되어 100명 이상의 R&D 사용자에게 서비스를 제공하고 있으며, 22개의 도메인 특화형 에이전트와 약 20개의 API 도구를 통해 문제의 약 80%를 자가 해결할 수 있도록 하고 있습니다.

딥 인사이트: AWS 오픈소스 다중 에이전트 시스템이 5대 생산급 도전 과제를 어떻게 해결하는가

AWS 솔루션 아키텍처 팀이 선보인 오픈소스 다중 에이전트 시스템 Deep Insight는 CSV 데이터의 자동 분석과 자연어 보고서 생성을 위한 시나리오를 대상으로 하며, 생산 환경에서 흔히 발생하는 다섯 가지 주요 과제—에이전트 오케스트레이션, 역할 기반 모델 선택, 안정적인 운영, 안전한 코드 실행 및 관찰 가능성—에 대해 체계적으로 대응합니다. 또한 이 시스템은 LG전자와 re:Invent 2025 TechRecon 등 실제 환경에서 이미 검증된 바 있습니다.

AWS가 적응형 인텔리전스 에이전트 프레임워크 AAIF를 발표했습니다: Strands Agents를 기반으로 엣지와 클라우드 간 협업을 구현하는 계층형 AI 작업 스케줄링

AWS는 Adaptive Agentic Intelligence Framework(AAIF)를 제안하며, Strands Agents를 활용해 계층형 에이전트 아키텍처를 구축하고, 로컬 소형 언어 모델(SLM)을 통해 작업을 동적으로 라우팅합니다. 일반적인 IoT 원격 측정과 비전 분석은 엣지에서 처리되며, 복잡한 추론은 Amazon Bedrock 클라우드 대규모 모델로 위임됩니다. 이 프레임워크는 하이브리드 배포를 지원하고 비용을 통제할 수 있으며, 책임 있는 AI에 대한 제어 권장 사항도 통합되어 있습니다. 다만 현재는 개념 검증 수준에 머물러 있어, 제3자 검증이나 상용화된 실제 데이터는 제공되지 않습니다.

Co-Scientist: 연구를 가속화하는 다중 에이전트 AI 파트너

Gemini로 구축된 협업형 AI 파트너인 Co-Scientist를 소개합니다. 이는 연구자들이 과학적 돌파구를 더욱 빠르게 이루도록 지원합니다.