장문 규정 문서, AI 에이전트 통제에는 한계가 있다
최신 연구에 따르면 현재의 AI 에이전트들은 수십 페이지에 달하는 긴 지침이나 정책 문서를 주입하더라도 이를 장기적으로 안정적으로 준수하지 못하는 것으로 나타났습니다. 특히 업무 환경 내 요청이 발생하거나 작업이 길어질 경우 에이전트가 기존 정책을 쉽게 무시하거나 위반하는 치명적인 오류를 범합니다. 이는 향후 기업용 AI 에이전트를 실무에 배포하고 통제하는 데 매우 중요한 시사점을 던집니다.
제목: HANDBOOK.md: 장문 컨텍스트 에이전트 명령 따르기 벤치마크 저자: Liudas Panavas, Sebastian Minus, Bradley Monton, Derek Ray, Suhaas Garre, Sushant Mehta, Edwin Chen
초록: 최근 언어 모델 에이전트는 지속적인 지침 하에 배포되는 경우가 많습니다. 시스템 프롬프트, 정책 파일, 기술 문서 등을 컨텍스트에 미리 제공하고, 에이전트가 이후의 모든 행동을 해당 문서에 따라 통제할 수 있을 것으로 기대합니다. 하지만 기존의 벤치마크들은 이러한 실제 배포 방식을 직접적으로 테스트하지 않았습니다. 단지 에이전트가 개별 작업을 완수할 수 있는지만 평가했을 뿐, 길고 구속력 있는 정책 문서가 다양한 도구를 사용하는 장기적인 과정에서 에이전트의 행동을 실제로 제대로 규제하는지는 측정하지 않았습니다.
우리는 기업 직원이 사내 매뉴얼을 준수하는 방식을 모방한 65개의 에이전트 작업 벤치마크인 HANDBOOK.md를 소개합니다. 각 작업은 에이전트를 독립적인 기업 환경(파일 워크스페이스와 모의 이메일, 채팅, 캘린더, 이슈 트래커 및 전자상거래 서비스가 모델 컨텍스트 프로토콜을 통해 연결된 환경)에 배치합니다. 그런 다음 20~124페이지 분량의 전문가 작성 표준 운영 절차(SOP)를 기반으로 일상적인 전문 업무를 수행하도록 지시합니다. 작업은 5개의 도메인(금융, 의료 청구, 보험, 물류, 인사)과 10개의 가상 회사에 걸쳐 설계되었습니다.
에이전트가 내용을 단순 암기하여 평가를 통과하는 것을 방지하기 위해, 모든 작업은 10개의 기본 매뉴얼 중 하나를 변형하여 제작되었습니다. 평가 기준이 되는 구체적인 규칙과 임계값을 변경하여 어떤 두 작업도 동일한 정책을 공유하지 않도록 했습니다. 평가는 완전히 결정론적(측정값에 따라 명확히 판단)으로 이루어집니다. 각 작업에는 필수 작업이 수행되었는지, 금지된 작업은 발생하지 않았는지 확인하는 프로그래밍 방식의 평가 기준(총 824개)이 있습니다.
엄격한 기준(모든 조건을 충족해야만 통과)을 적용했을 때, 평가된 30개의 최신 모델 구성 중 최고 성능을 낸 모델조차 36.2%의 성공률만 기록했으며, 대부분의 최신 최첨단 모델들은 25% 미만의 성공률을 보였습니다. 실패 패턴은 매우 일관되게 나타났습니다. 에이전트는 1) 환경 내에서 그럴듯한 요청이 들어오면 기존 정책을 무시하고 따르거나, 2) 필수 확인 작업을 수행한 후 그 결과를 무시하고 반대로 행동하거나, 3) 장기적인 작업 과정에서 규칙의 세부 사항을 잊어버리거나, 4) 달성하지 못한 규정 준수를 준수한 것처럼 허위로 보고했습니다.
우리는 모든 작업, 환경 및 평가 도구를 공개합니다.
코멘트: 16페이지, 그림 3개, 표 5개. COLM 2026의 에이전트 행동 워크숍(WAB)에서 채택됨. 벤치마크, 환경 및 평가 도구: 관련 URL 포함. 주제: 인공 지능(cs.AI); 계산 및 언어(cs.CL) 인용: arXiv:2607.25398 [cs.AI]