AI 트렌드

Dispatch

디스패치

AI 활용 분야에서 쓰이는 용어로, AI 에이전트가 받은 큰 작업을 작은 하위 작업으로 쪼개 적합한 도구·하위 에이전트·LLM에게 자동으로 분배해 처리하는 운영 방식을 가리킵니다.

쉬운 풀이

디스패치는 큰 일이 들어왔을 때 AI 비서가 그 일을 작은 조각으로 쪼개서 어울리는 다른 AI나 도구에게 나눠 보내는 운영 방식이에요. 조별 과제로 비유하면, 조장이 큰 보고서 주제를 자료조사·표 정리·발표 자료 세 갈래로 쪼개서 각 팀원에게 한 번에 던지고 결과만 받아 합치는 모습이 가깝습니다. 한 AI가 처음부터 끝까지 직렬로 처리하는 것보다 훨씬 빠르고, 각 하위 작업이 자기만의 작업 공간을 쓰기 때문에 정보가 뒤섞이지 않는 게 핵심입니다.

한 줄 비유

들어온 견적 요청을 가장 적합한 담당자에게 동시에 배정하는 업무 팀장의 역할입니다.

활용 예시

Case 1

Anthropic Research — 리드 에이전트가 하위 에이전트에 병렬 분배

Anthropic이 2025년 공식 블로그에서 공개한 멀티 에이전트 리서치 시스템은 리드 에이전트가 질의를 분석해 조사 계획을 메모리에 저장한 뒤 3~5개의 하위 에이전트를 병렬로 띄웁니다.^[01] 각 하위 에이전트는 자신의 컨텍스트 윈도우와 3개 이상의 도구를 동시에 호출해 독립된 방향을 탐색하고, 핵심 발견만 리드에게 돌려줍니다.^[01] 폭넓은 조사·자료 수집·시장 정리 같은 작업에 적용처가 명확합니다.

Case 2

Claude Code Task 도구 — 한국 개발팀의 디버깅 팬아웃

Claude Code의 Task 도구는 부모 에이전트가 하위 에이전트를 띄워 독립 컨텍스트에서 작업을 시키고 요약만 회수하는 구조입니다.^[02] 한국 개발팀에서는 인증·결제·알림·검색 4개 도메인으로 코드베이스를 쪼개 동시에 탐색하는 패턴으로 활용되고 있고, Lost in the Middle(긴 컨텍스트 중간 정보가 무시되는 현상)을 분리된 작은 컨텍스트로 우회하는 방식이 표준이 됐습니다.^[05] 사내 코드 컨벤션 파악, 영향도 분석, 배포 이력·에러 로그·메트릭·서포트 티켓을 동시에 훑는 디버깅에 적용처가 잡힙니다.

Case 3

CrewAI Hierarchical Process — 매니저-전문가 위임 표준화

CrewAI는 매니저 에이전트가 큰 문제를 작은 하위 작업으로 쪼개 전문 에이전트에게 위임하는 "Hierarchical Process"를 표준화한 오픈소스 프레임워크입니다.^[03] allow_delegation=true 옵션과 allowed_agents 파라미터로 어떤 에이전트끼리 작업을 주고받을 수 있는지 명시적으로 제어할 수 있어, 권한 경계와 책임 범위를 코드 수준에서 강제할 수 있습니다.^[03] 사내 백오피스 자동화, 보고서·견적·청구 처리 같은 정형 업무 분배에 적용처가 잡힙니다.

Case 4

LangGraph Supervisor — 라운드 로빈·우선순위·가중치 디스패치 정책

LangChain의 LangGraph는 Supervisor 패턴으로 중앙 조율자가 워커 에이전트들에게 작업을 분배하는 구조를 제공합니다.^[04] 라운드 로빈, 우선순위 기반, 가중치 기반의 디스패치 정책을 설정값으로 고를 수 있고, 워커 등록·헬스 체크·작업 큐·재시도·타임아웃·로드 밸런싱·백프레셔까지 기본 제공합니다.^[04] 작업이 끝나면 워커가 상태의 messages 필드에 결과를 추가하고 Supervisor가 그 메시지를 보고 다음 행동을 결정하는 append-only 구조입니다.^[04] 고객 문의 라우팅, 멀티 도메인 챗봇, 사내 자동화 워크플로에 적용처가 잡힙니다.

오늘 바로 해보기

본인이 쓰는 LLM 호출 중 "직렬로 길게 처리하는 작업"을 하나 골라 3~4개 독립 하위 작업으로 쪼개 봅니다.
Claude Code의 Task 도구로 그중 하나의 하위 작업을 하위 에이전트에 위임해 봅니다.
같은 문제를 직렬과 디스패치로 각각 시도해 응답 시간과 토큰 사용량을 비교 기록합니다.
CrewAI 또는 LangGraph 튜토리얼 1개를 따라 매니저-워커 구조를 코드로 한 번 짜 봅니다.
한 달 토큰 비용을 디스패치 도입 전후로 비교해 절감률과 품질 변화를 함께 측정합니다.

한계와 진화

디스패치는 작업을 쪼개고 분배하는 단계에서 리드 에이전트가 잘못 판단하면 결과가 흐트러집니다. Anthropic 공식 글에 따르면 멀티 에이전트 시스템은 단일 채팅 대비 약 15배, 일반 에이전트 대비 약 4배의 토큰을 소모하므로 가치가 높은 작업에만 적합합니다.^[01] 초기 시스템에서는 단순 질의에 50개 하위 에이전트를 띄우거나 존재하지 않는 출처를 무한 검색하는 실패 사례도 보고됐고, 프롬프트 가드레일로 보정해야 한다고 명시했습니다.^[01] CrewAI 운영 가이드에서도 allow_delegation=True로 두면 에이전트들이 책임을 서로 떠넘기거나 무한 루프에 빠지는 사례가 잦아, max_iter로 최대 재시도를 묶고 하위 실행자에는 위임을 끄는 패턴이 권장됩니다.^[03] 하위 에이전트가 자기 컨텍스트 안에서 무엇을 보고 무엇을 누락했는지 부모가 직접 확인하기 어려운 디버깅 난점도 함께 지적됐습니다.^[01]

진화 방향은 세 갈래로 모이고 있습니다.

디스패치 자체가 표준화되고 있습니다. CrewAI의 Hierarchical Process, LangGraph의 Supervisor 패턴, Claude Code의 Task 도구가 같은 운영 방식을 서로 다른 이름으로 정리하면서 멀티 에이전트 워크플로의 사실상 표준이 됐습니다.^[03][04][02]
비동기·병렬 실행으로 병목을 푸는 방향입니다. 2026년 4월 Claude Code 업데이트에서 하위 에이전트와 MCP(Model Context Protocol, 모델 컨텍스트 프로토콜) 연결이 병렬로 초기화되도록 바뀌면서 멀티 에이전트 워크플로의 시작 지연이 크게 줄었다고 보고됐습니다.^[06]
라우터를 작은 학습 모델로 만드는 흐름이 학계에서 진행 중입니다. arXiv에 공개된 관련 연구들은 경량 LLM을 오케스트레이터로 학습시켜 병렬 하위 작업 분해를 자동화하는 방향을 제시하고 있고, 디스패치 품질이 시스템 전체 성능을 좌우한다는 점이 반복적으로 확인되고 있습니다.^[04]

이 용어와의 관계

유사 개념
Adaptive Reasoning같은 AI 트렌드 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
Extended Thinking같은 AI 트렌드 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
Prompt Caching같은 AI 트렌드 갈래에서 자주 함께 등장하는 개념입니다.