AI 모델 자동 선택 다음은 역할 분담이다: 커서가 보여준 멀티에이전트의 경제학
핵심 요약
- Cursor의 Agent Swarm은 2026년 7월 20일 공개된 연구 실험이다. Cursor 3의 실제 제품 기능과 동일시하면 안 된다.
- GitHub Copilot Auto는 요청별 모델 자동 선택이며, 유료 Copilot 사용자가 Auto를 쓰면 모델 비용 10% 할인을 적용한다.
- Cursor의 SQLite 연구는 고성능 Planner와 효율적 Worker 조합이 작업 완료 비용을 크게 바꿀 수 있음을 보여준다.
- 멀티에이전트의 경제성은 모델 단가가 아니라 재시도·검수·병합·완료 시간까지 포함한 총비용에 있다.
Cursor의 두 발표이자, 서로 다른 층위의 변화
Cursor가 Planner와 Worker가 역할을 나누는 Agent Swarm 연구 결과를 공개했다. 별도로 실제 제품인 Cursor 3에서는 여러 로컬·클라우드 에이전트를 병렬 관리하고 세션을 이관하는 환경을 제공한다. 연구와 제품은 동일한 기능은 아니지만, Cursor가 단일 에이전트 중심 개발 환경에서 다수 에이전트 운영 환경으로 이동하고 있음을 함께 보여준다.
Agent Swarm은 Cursor가 공개한 연구 결과이며, Cursor 3는 실제 제품에서 여러 에이전트를 운영할 수 있도록 확장한 개발 환경이다. 두 발표는 동일한 기능은 아니지만, 단일 AI에서 다중 AI 협업 구조로 발전하는 방향성을 함께 보여준다. 연구는 Planner가 작업 트리를 나누고 Worker가 실행하는 구조를 검증했고, Cursor 3는 로컬·클라우드 에이전트의 병렬 실행과 세션 이관을 제공한다. 따라서 Cursor 3에 연구용 Agent Swarm이 정식 기능으로 그대로 적용됐다고 보아서는 안 된다. 출처: Cursor Agent Swarm 연구, Cursor 3 제품 소개
Cursor가 멀티에이전트를 처음 발명했다는 뜻도 아니다. 계획·실행·검토 역할을 나누는 방법은 기존 연구와 개발 도구에도 있었다. 이번 사례의 의미는 긴 코딩 작업의 맥락 관리와 추론 비용 문제에 역할 분담을 적용하고, 모델 조합별 비용을 공개했다는 데 있다.
모델 자동 선택과 역할 분담은 무엇이 다른가
| 구분 | Copilot Auto | Cursor Agent Swarm 연구 |
|---|---|---|
| 최적화 단위 | 개별 요청·세션 | 큰 목표를 이루는 작업 트리 |
| 핵심 질문 | 이 요청에 어떤 모델이 맞는가 | 어떤 하위 작업을 만들고 어느 역할·모델에 맡길 것인가 |
| 새 운영 비용 | 라우팅 품질, 정책·가용성 관리 | 분해 오류, 중복 작업, 병합 충돌, 검토·권한 관리 |
GitHub Copilot Auto는 작업 복잡도, 모델 가용성, 정책에 따라 한 요청을 처리할 모델을 고르는 자동 라우팅이다. GitHub는 유료 Copilot 사용자가 Copilot Chat, Copilot CLI, GitHub Copilot 앱 또는 Copilot Cloud Agent에서 Auto 모델 선택을 이용하면 모델 비용에 10% 할인을 적용한다. 이는 GitHub도 모델 자동 선택을 경제성 관점에서 적극 유도하고 있음을 보여준다. 출처: GitHub Copilot Auto 모델 선택 및 10% 모델 비용 할인
둘은 대체 관계가 아니다. 역할 분담 시스템 안에서도 Worker 과제의 난도에 따라 모델 자동 선택을 쓸 수 있다. 라우팅은 모델 선택의 자동화이고, 역할 분담은 개발 작업 자체를 운영하는 자동화다.
Cursor SQLite 실험에서 나타난 모델 조합별 비용 차이
Cursor는 835쪽 SQLite 문서를 바탕으로 Rust 구현을 만드는 연구 실험에서 Planner·Worker 모델 구성을 달리했다. 아래 비용은 같은 연구 환경의 개별 실행 결과다.
| 모델 구성 | 총비용 | Worker 비용 | Worker 토큰 비중 |
|---|---|---|---|
| GPT-5.5 Planner + GPT-5.5 Worker | $10,565 | $9,373 | 최소 69%, 대부분 90% 이상 |
| Opus 4.8 Planner + Composer 2.5 Worker | $1,339 | $411 | 최소 69%, 대부분 90% 이상 |
※ Cursor 공식 SQLite 연구 기준이다. 연구에서 말한 100% 통과는 sqllogictest에서 동일 SQL에 같은 결과를 반환한 비율이다. SQLite 제품 완성도나 원본 SQLite와의 완전한 동일성을 뜻하지 않는다. 모델 조합의 품질이 모든 실제 업무에서 같다는 의미도 아니다. Cursor 연구 원문
AI 에이전트는 왜 역할을 나누기 시작했을까
작업 완료당 총비용 평가표
- 모델 단가가 아니라 작업 완료당 총비용
- 토큰뿐 아니라 재시도와 인간 리뷰 비용
- 병렬 실행 시간보다 병합·검증까지 포함한 완료 시간
- 고성능 모델은 모호성이 높은 판단 구간에 집중
긴 AI 에이전트 작업은 저장소 탐색, 파일 수정, 도구 실행, 테스트 실패 해석, 재수정과 리뷰를 반복한다. 요구사항 해석과 설계 우선순위, 되돌리기 어려운 보안·데이터 결정에는 고성능 모델의 가치가 크다. 반면 인터페이스가 정해진 구현과 반복 수정은 검증 가능한 작은 작업으로 나눌수록 비용과 맥락 낭비를 줄일 수 있다.
좋은 Planner는 고성능 모델의 판단을 Worker가 실행할 수 있는 명확한 작업 단위로 바꾼다. 영향 파일, 변경 금지 인터페이스, 완료 조건, 테스트와 롤백 조건이 명확해야 Worker의 추측과 재시도가 줄어든다. 멀티에이전트 환경에서 명세는 참고 문서가 아니라 여러 AI 에이전트가 같은 기준으로 작업하기 위한 실행 계약에 가깝다.
병렬화에는 조율 비용이 따른다. 공유 데이터 모델과 공통 라이브러리에서는 실행을 늘릴수록 설계 불일치와 병합 충돌이 늘 수 있다. 따라서 기업은 에이전트 수가 아니라 완료 비용, 완료 시간, 변경 품질, 중단 뒤 복구 가능성을 함께 측정해야 한다. 같은 모델과 같은 프롬프트로 여러 답을 얻는 일도 독립 검증은 아니다.
기업은 AI 에이전트를 어떻게 운영하게 될까
기능 개발: 명세가 있고 변경 면적이 넓은 경우
권한 기능처럼 모델·API·화면·테스트가 함께 바뀌는 일에서는 Planner가 도메인 모델, API 계약, 위험과 완료 조건을 먼저 정리한다. Worker는 데이터 모델, 정책, UI, 테스트처럼 경계가 분명한 묶음을 맡고, 최종 검토는 권한 상승 경로와 마이그레이션 호환성을 본다.
기술 부채 정리: 반복적인 실행이 많은 경우
오래된 API 사용처를 새 인터페이스로 옮기고 테스트를 보강하는 일은 Worker에 적합하다. 다만 작은 오류를 넓게 복제하지 않도록 변경 묶음을 제한하고 코드 소유자 검토와 점진 배포를 유지해야 한다.
장애 분석: 탐색은 병렬로, 변경 결정은 한 곳에
로그 분석, 최근 배포 비교, 의존 서비스 상태 확인, 재현 테스트는 병렬로 할 수 있다. 그러나 프로덕션 변경 권한은 단일 책임자 아래에 둬야 한다. 출력은 확인된 사실·가설·추가 검증을 구분하고, 증거는 공용 타임라인에 남겨야 한다.
AI 에이전트의 경쟁력은 모델보다 운영 방식으로 이동하고 있다
기업이 이런 구조를 선택하기 시작하는 이유는 작업이 저장소·서비스·배포 단계로 길어질수록 모델 하나의 순간 성능보다 실행을 분해하고 실패를 복구하며 결과를 검증하는 운영 체계가 생산성을 더 크게 좌우하기 때문이다. Claude Code, OpenAI Codex, GitHub Copilot, Cursor는 모델 답변의 품질만이 아니라 긴 작업 실행, 도구·테스트 연결, 세션 지속성, 권한 관리, 사람이 검토할 수 있는 변경 기록을 제품 경험으로 만들고 있다. 출처: Claude Code Overview, OpenAI Codex
기업의 도입 순서는 기술 시연보다 운영 설계가 앞서야 한다. 명세와 테스트가 명확하고 되돌리기 쉬운 영역에서 단일 AI 에이전트, 자동 라우팅, 역할 분담을 같은 완료 기준으로 비교하는 편이 낫다. 성공률, 인간 개입 시간, 재시도와 병합 대기, 권한 위반 가능성을 함께 기록해야 플랫폼의 실제 가치가 드러난다.
결론: 멀티에이전트의 경제학은 완료당 총비용에 있다
Cursor의 연구는 특정 하니스와 과제에서 나온 관찰이며, 모든 AI 코딩 도구가 멀티에이전트 구조로 전환된다는 뜻은 아니다. 다만 AI 코딩 도구의 경쟁은 더 뛰어난 모델을 확보하는 경쟁에서 끝나지 않는다. 앞으로는 하나의 모델을 얼마나 잘 활용하느냐보다, 여러 모델과 AI 에이전트를 어떻게 조합하고 운영해 실제 개발 생산성으로 연결하느냐가 플랫폼 경쟁력의 핵심이 될 가능성이 크다.
이 글의 ‘경제학’은 결국 작업 완료당 총비용(Total Cost per Task)의 문제다. 앞으로 AI 코딩 플랫폼의 경쟁은 단순히 더 뛰어난 모델을 보유하는 경쟁이 아니라, 하나의 작업을 완료하는 데 드는 총비용을 얼마나 낮출 수 있는가를 경쟁하는 방향으로 발전할 가능성이 크다. 여기에는 모델 사용 비용뿐 아니라 실패한 실행의 재시도 비용, 인간 검수 비용, 병합 및 조율 비용, 최종 완료까지 걸리는 시간이 모두 포함된다. 여러 AI 에이전트를 쓰는 이유는 수를 늘리는 데 있지 않고, 이 전체 비용을 낮추면서 품질과 복구 가능성을 함께 지키는 데 있다.