에이전트가 진화할 때, 기관도 따라 진화한다

When Agents Evolve, Institutions Follow

수천 년 동안 복잡한 사회는 인지 능력에 한계가 있고 정보가 불완전한 개인들 사이에서 집단 행동을 어떻게 조직할 것인가라는 동일한 조정 문제를 직면해 왔습니다. 다양한 문명은 동일한 기본적인 질문, 즉 누가 제안하고, 누가 검토하고, 누가 실행하며, 오류는 어떻게 수정되는가에 대한 답으로 다양한 정치 제도를 발전시켰습니다. 우리는 대규모 언어 모델을 기반으로 구축된 다중 에이전트 시스템도 동일한 도전에 직면한다고 주장합니다. 이들의 핵심 문제는 개인의 지능뿐만 아니라 집단 조직입니다. 따라서 역사적인 제도는 다중 에이전트 아키텍처를 설계하는 데 유용한 틀을 제공하며, 효율성과 오류 수정, 중앙 집중화와 분산, 전문화와 중복성 간의 중요한 균형을 경험적으로 검증할 수 있게 합니다. 우리는 네 가지 대표적인 거버넌스 패턴에 속하는 일곱 가지 역사적 정치 제도를 실행 가능한 다중 에이전트 아키텍처로 변환하고, 세 개의 대규모 언어 모델과 두 가지 벤치마크에서 동일한 조건 하에 평가했습니다. 분석 결과, 거버넌스 구조는 집단 성능에 큰 영향을 미치는 것으로 나타났습니다. 단일 모델 내에서 가장 좋은 제도와 가장 나쁜 제도 간의 성능 차이가 57% 이상이었으며, 최적의 아키텍처는 모델의 능력과 작업 특성에 따라 체계적으로 변화했습니다. 이러한 결과는 집단 지능이 단일의 최적화된 조직 형태를 통해 발전하는 것이 아니라, 작업과 기능이 진화함에 따라 재선택 및 재구성될 수 있는 거버넌스 메커니즘을 통해 발전할 것이라는 점을 시사합니다. 더 넓은 관점에서, 이는 **자기 진화하는 에이전트**에서 **자기 진화하는 다중 에이전트 시스템**으로의 전환을 의미합니다. 관련 코드는 GitHub에서 확인할 수 있습니다: [https://github.com/cf3i/SocialSystemArena](https://github.com/cf3i/SocialSystemArena)

Across millennia, complex societies have faced the same coordination problem of how to organize collective action among cognitively bounded and informationally incomplete individuals. Different civilizations developed different political institutions to answer the same basic questions of who proposes, who reviews, who executes, and how errors are corrected. We argue that multi-agent systems built on large language models face the same challenge. Their central problem is not only individual intelligence, but collective organization. Historical institutions therefore provide a structured design space for multi-agent architectures, making key trade-offs between efficiency and error correction, centralization and distribution, and specialization and redundancy empirically testable. We translate seven historical political institutions, spanning four canonical governance patterns, into executable multi-agent architectures and evaluate them under identical conditions across three large language models and two benchmarks. We find that governance topology strongly shapes collective performance. Within a single model, the gap between the best and worst institution exceeds 57 percentage points, while the optimal architecture shifts systematically with model capability and task characteristics. These results suggest that collective intelligence will not advance through a single optimal organizational form, but through governance mechanisms that can be reselected and reconfigured as tasks and capabilities evolve. More broadly, this points to a transition from \textbf{self-evolving agents} to the \textbf{self-evolving multi-agent system}. The code is available on \href{https://github.com/cf3i/SocialSystemArena}{GitHub}.