Agentic Workflow조직 관점

Org-scale agent talk

Agent를 어디까지
위임할 것인가

조직의 병목(backpressure)을 없애는 건 더 빠른 도구가 아니라 위임입니다.
위임 가능성과 Agent Seniority로 그 경계를 넓혀봅니다.

Jaegyu Lee · Q00
Ouroboros maintainer

LinkedIn
발표 후 이어서 이야기해요

OpeningBackpressure

문제 정의

조직의 백프레셔

생산이 소비보다 빠르면 큐가 쌓입니다.
조직도 같습니다 — 만드는 속도를 사람의 검토·정렬·승인이 못 따라가면, 일은 사람 앞에 줄을 섭니다.

생산 10×→검토 1×→큐는 그대로

Agent로 생산만 늘리면 병목이 사람 쪽으로 옮겨갈 뿐입니다. 병목 자체를 옮길 곳이 필요합니다.

ThesisDelegability

핵심 명제

병목을 없애는 건 위임이다

큐를 줄이는 건 더 빠른 모델이 아니라, 사람 없이도 믿고 맡길 수 있는 구조입니다.
위임이 가능하려면 — 같은 입력에 같은 판정을 내는 결정론 검증이 있어야 합니다.

위임 불가

매번 사람이 확인

결과를 사람이 매번 검수
판단이 사람마다 다름
사람이 곧 병목
backpressure 유지

위임 가능

결정론 검증이 대신

규칙 기반 PASS / FAIL
호출자마다 안 바뀜
사람은 예외만
큐가 줄어듦

SeniorityDelegability scale

위임 가능성의 척도

Agent Seniority

사람처럼, 위임의 폭은 경력에 비례합니다.
무엇이 신입과 경력직을 가르나 — 매번 가르쳐야 하는가, 스스로 도메인을 아는가.

L1 · 신입

매 작업마다 배경·규칙을 다시 줘야 함. 위임 폭 ≈ 0.

L2 · 컨텍스트 주입형

긴 프롬프트로 그때그때 채움. 세션이 끝나면 사라짐.

L3 · 도메인 이해

반복되는 원칙을 장기기억으로 추상화. 같은 걸 두 번 안 가르침.

L4 · 자율 위임

결정론 검증 + 축적된 원칙. 사람은 예외만 본다.

MapWhere the queue forms

병목을 Agent로 대체

병목 지도

병목 지점	사람만 할 때	Agent 도입 후
코드 리뷰	리뷰어 큐에 PR이 적체	리뷰 에이전트 + 결정론 게이트
인시던트 · SRE	사람이 트레이스 뒤지고 회고 작성	AI SRE가 조사·기록, Agent가 재사용
방향성 · 트랙	흩어진 의도, 방향 drift	openWorden · MetaSSOT 단일 출처
권한 · 지식 공유	누가 뭘 할 수 있는지 암묵	Zeude 팀 하네스 — 권한·스킬 공유

a) Review agent병목 ① 코드 리뷰

병목 ① 코드 리뷰

리뷰 에이전트

리뷰는 사람 큐가 가장 길게 서는 곳입니다.
핵심은 '빠른 코멘트'가 아니라 결정론 게이트 — 통과해야 다음으로.

결정론 게이트

PASS / FAIL

규칙 기반 판정. 호출자마다 결과가 바뀌지 않습니다.

패턴 검사

과거를 기억

인시던트에서 추출한 code_pattern을 PR diff에 매칭합니다.

사람은 예외만

큐 단축

게이트 통과분은 자동, 애매한 것만 사람에게 올립니다.

a+) AI SREPostmortem shift

병목 ② 인시던트 대응

Postmortem,
이제 Agent도 읽는다

예전 postmortem은 사람이 읽는 회고 문서였습니다.
이제는 Agent가 질의하는 데이터여야 합니다 —
그래서 산문 MD가 아니라 high-cardinality 행으로 ClickHouse에 남깁니다.

readerhuman + agent
formattyped high-cardinality rows
tablessre_postmortems · _patterns
storeClickHouse
queryableyes

a+) Closed loopSRE → review reuse

SRE → 리뷰 재사용

인시던트가 다음 PR을 막는다

/sre-investigate가 인시던트에서 code_pattern을 뽑아 patterns 테이블에 적재하고,
리뷰 에이전트(pr-sre-check)가 다음 PR에서 같은 패턴을 검사합니다.

한 번 겪은 장애 패턴이 다음 PR을 막습니다 — 인시던트와 리뷰가 하나의 닫힌 루프.

b) Direction병목 ③ 방향성·트랙

병목 ③ 방향성 · 트랙

openWorden · MetaSSOT

여러 Agent가 동시에 움직이면 방향이 흩어집니다(drift).
openWorden은 트랙과 목표를 하나의 출처(MetaSSOT)로 묶어,
모든 Agent가 같은 방향을 봅니다.

MetaSSOT

단일 출처

목표·트랙·제약을 한곳에. 흘러가는 대화 히스토리가 아닙니다.

Drift 방지

SSOT 기준 정렬

Agent 산출물을 SSOT 기준으로 정렬·검증해 방향 이탈을 잡습니다.

방향 위임

트랙이 유지

사람이 매번 방향을 다시 잡지 않아도 트랙이 스스로 지켜집니다.

c) Team harness병목 ④ 권한·지식

병목 ④ 권한 · 지식 공유

Zeude 팀 하네스

Agent도 팀입니다.
누가 무엇을 할 수 있는지(권한)와, 한 명이 익힌 것을 모두가 쓰는지(스킬 공유)가 조직 속도를 가릅니다.

권한 관리

permission scope

Agent가 할 수 있는 행동의 경계를 manifest에 고정합니다. 위험한 도구는 팀 정책으로 차단.

스킬 공유

한 번 익히면 팀 전체

한 Agent가 익힌 스킬을 같은 팀의 모든 Agent가 재사용합니다. 학습이 개인기에서 자산으로.

MemoryWhy long-term

Seniority의 토대 — 메모리

Fat brain은 경력직이 아니다

컨텍스트에 다 욱여넣은 Agent는 똑똑해 보여도 신입입니다 — 세션이 끝나면 사라지니까.
경력직은 반복되는 것을 장기기억으로 추상화한 Agent입니다.

Fat brain

욱여넣기

매번 긴 컨텍스트
세션 종료 시 소멸
같은 걸 또 가르침
토큰만 비대

Long-term memory

추상화

원칙으로 추상화
세션을 넘어 지속
한 번 배우면 끝
가벼운 핵심만

HippocampusConsolidation

장기기억은 자는 동안 만들어진다

해마 Consolidation

idle window에 들어가면 Brain이 단기기억을 정리합니다.
사람이 잘 때 기억을 강화·약화하는 것과 같습니다 —
단, 두 종류의 판단이 함께 돕니다.

① idle 진입작업이 멈춘 틈에 정리를 시작합니다.

② 단기기억 정리durable knowledge인가, 작업 찌꺼기(work residue)인가?

③ 결정론 회로PageRank + decay + secret filter. 기계적 강화·약화.

④ Nemotron advisory"이건 의미가 있나" 의미 평가 (tier=quality).

결정론은 정확히 돕니다. 하지만 '의미상 가치 있나'는 결정론으로 풀 수 없습니다 —
그 판정을 Nemotron 120B advisory가 맡습니다.

Scenario제비 — 무엇을 남길까

제비 시나리오 — idle 때 무엇을 장기기억에 남길까

찌꺼기 vs 장기기억

A · 찌꺼기 (work residue)

▎ "PR #4521에서 resolveEndpoint()가 LLM_BASE_URL을 안 읽어 503. 3회 retry 후 통과."

importance0.85

stability0.20

promotionScore0.51

gate → defer · stability 0.20 < 0.55. 작업 끝나면 버림. 이슈 번호·stack trace는 그때만 핵심.

B · 장기기억

▎ "이 코드베이스는 mutating operation에 caller trust를 요구한다" — #4521·#4530·#4544 반복.

importance0.70

stability0.88

promotionScore0.78

gate → promote · 둘 다 통과. 다음 리뷰부터 알아서 이 원칙으로 본다.

importance가 아니라 stability가 가른다 — 지금 급한 것과, 앞으로도 쓸 것은 다릅니다.

ArchitectureAuthority split

runtime ↔ memory 권위 분리

두 개의 권위, 두 개의 모델

실시간 응답과 기억 정리는 권위가 다릅니다.
runtime은 빠른 모델로 즉답하고(tier=fast),
memory는 느려도 정확한 모델로 의미를 판정합니다(tier=quality).

ClickHouseHigh cardinality

공통 기반

왜 ClickHouse인가

SRE 트레이스, postmortem 패턴, 메모리 신호, seniority 지표 — 전부 카디널리티가 높습니다.
trace_id · span · pattern · signal은 값의 종류가 폭발하고,
열 기반 집계가 이걸 싸게 처리합니다.

SRE traces

otel_traces

span 단위 기록, trace_id는 거의 무한한 카디널리티.

Postmortem patterns

incident_patterns

code_pattern · issue_type별 집계와 재발 탐지.

Memory signals

importance · stability

promotionScore 시계열로 seniority가 어떻게 쌓이는지 추적.

사람이 보던 지표를 Agent도 같은 테이블에서 질의합니다 — 위임을 떠받치는 데이터 토대.

ClosingTakeaway

Takeaway

위임 가능성을 키워라

백프레셔를 없애는 건 더 빠른 모델이 아니라, 더 멀리 위임할 수 있는 구조입니다.
결정론 검증으로 믿고 맡기고, 장기기억으로 경력을 쌓고,
ClickHouse로 사람과 Agent가 같은 데이터를 봅니다.

Ouroboros

github.com/Q00/ouroboros
Emerging deterministic gate for Agent OS

위임 가능성 × Seniority × 결정론 검증 = 사라지는 병목.

Agent를 어디까지위임할 것인가