Google AI Overviews(AIO)는 생성형 AI의 가장 널리 접하는 배포 사례로 볼 수 있으며, 자신이 보는 답변이 AI로 생성되었음을 인지하지 못할 수도 있는 20억 명 이상의 사용자에게 도달하고 있습니다. 검색 엔진이 전통적으로 순위가 매겨진 출처를 제시하고 사용자가 이를 평가하도록 했던 것과 달리, AIO는 단일 답변을 종합하여 전달함으로써 사용자가 무엇을 읽고 알게 되는지에 대해 Google에 전례 없는 편집 통제권을 부여합니다. 본 연구에서는 40일간(2026년 3월 13일~4월 21일) 19개 주제 범주에 걸쳐 55,393개의 트렌딩 쿼리를 발행하여 대규모 종단적 측정 연구를 제시합니다. 본 연구는 네 가지 주요 결과를 보고합니다. 첫째, 전반적인 AIO 활성화율은 13.7%이며, 질문 형식 쿼리의 경우 64.7%까지 상승하는 반면 정치적으로 민감한 주제에서는 현저히 낮은 비율을 보입니다. 둘째, AIO가 인용한 도메인은 함께 표시된 첫 페이지 결과보다 더 신뢰할 수 있지만, 30% 가까이는 해당 결과에 전혀 나타나지 않아 Google의 순위 알고리즘과 구별되는 출처 선정 메커니즘이 있음을 시사합니다. 셋째, 응답을 98,020개의 원자적 주장(atomic claim)으로 분해했을 때 11.0%는 인용된 페이지에 의해 뒷받침되지 않으며(누락이 주요 실패 양상임), 출처 신뢰도와 주장 충실도는 대체로 독립적입니다. 넷째, AIO가 인용한 페이지의 절반을 훨씬 넘는 곳에 디스플레이 광고가 게재되어 있어, Google 자체 스폰서 광고는 동일 페이지에 계속 노출됨에도 AIO가 클릭률을 억제함에 따라 퍼블리셔는 수익 손실을 입게 됩니다. 종합하면, 이러한 연구 결과는 인식론적 보안(epistemic security)에 미치는 영향이 아직 잘 이해되지 않은 채 온라인 정보 생태계가 급격히 변화하고 있음을 기록합니다.
도구 통합 대규모 언어 모델(Tool-Integrated LLM)의 최근 발전으로 웹 검색은 정보 탐색 에이전트의 핵심 역량이 되었다. 그러나 상호작용 기록이 길어질수록 에이전트는 작업 진행 상황을 추적하는 데 점점 더 어려움을 겪는다. 검색 시도가 유용한 증거를 제공하지 못하면, 현재의 단일- 및 다중 에이전트 시스템은 반복적인 루프에 빠질 수 있으며, 검색 예산을 낭비하고 궁극적으로 최종 산출물의 품질과 완전성을 저하시킨다. 우리는 SearchOS를 소개하는데, 이는 취약한 암묵적 검색 진행 상태를 명시적이고 지속적이며 공유 가능한 상태로 전환하는 시스템 수준의 다중 에이전트 프레임워크이다. 먼저, 개방 도메인 정보 탐색을 그라운딩된 인용이 포함된 관계형 스키마 완성(relational schema completion)으로 공식화하는데, 에이전트는 엔티티를 발견하고 연결된 테이블 간 속성을 채우며, 각 값을 출처 증거에 고정한다. 이어서 Search-Oriented Context Management(SOCM)를 설계하는데, 이는 진화하는 상태를 Frontier Task, Evidence Graph, Coverage Map, Failure Memory로 외부화한다. SOCM 위에 구축된 SearchOS는 파이프라인 병렬 스케줄링 메커니즘을 적용하며, 서브 에이전트의 실행을 겹치게 하고 해결되지 않은 커버리지 공백을 대상으로 하는 작업으로 확보된 슬롯을 지속적으로 재채워 활용률과 처리량을 향상시킨다. 검색 에이전트의 실행을 스케줄링하고 제어하기 위해 SearchOS는 Search Tool Middleware Harness를 도입한다. 이는 모델과 도구 상호작용을 가로채 그라운딩된 증거를 기록하고 정지 또는 예산 소진에 대응하며, 전략 스킬과 접근 스킬로 구성된 재사용 가능한 계층적 스킬 시스템을 제공하여 에이전트의 검색 프로세스를 보강하고 실행 간 실패한 검색 패턴의 반복을 피한다. WideSearch와 GISA에서 SearchOS는 평가된 단일- 및 다중 에이전트 베이스라인 중 모든 지표에서 최고 성능을 기록하며, 견고한 정보 탐색 협업을 향한 길을 열어준다.
WebSwarm은 단일 ReAct 에이전트의 컨텍스트 제약과 기존 다중 에이전트 시스템의 재귀적 깊이 한계를 극복하기 위해, 추론 시 작업 분해·재귀 확장·에이전트 협업을 동적으로 구성하는 점진적 재귀 위임 프레임워크를 제안한다. 각 검색 노드가 로컬 목표와 검색 모드를 결합해 자체 해결 또는 하위 노드 위임을 선택하며, BrowseComp-Plus, WideSearch, DeepWideSearch, GISA 벤치마크에서 단일·다중 에이전트 기준 모델을 일관되게 능가함을 실험으로 검증했다.
공공 AI 정보 서비스에서 검색-증강 생성(RAG) 기반 큐레이션 코퍼스와 오픈 웹 검색을 비교한 전문가 평가 연구로, EU 관련 질문에 답하는 아이슬란드 서비스 Evrópuvefur의 449개 AI 생성 답변을 분석한 결과 웹 검색 답변의 35%에서 신뢰할 수 없는 출처가 인용된 반면 큐레이션 코퍼스는 신뢰도는 높지만 커버리지가 제한적임을 확인하였다. 출처 신뢰도는 답변의 유창성이나 주제 적합성과 무관하게 나타났으며, 시스템 프롬프트에 신뢰 도메인 목록을 추가해도 인용 비율이 12%에서 21%로 소폭 개선되는 데 그쳐 프롬프트 수준의 조정만으로는 출처 품질 통제에 한계가 있음을 보였다.
에이전트형 AI(Agentic AI) 아키텍처는 대규모 언어 모델(LLM)에 외부 툴을 추가하여 강력한 기능을 발휘하게 합니다. 그러나 툴 사용이 항상 이로운 것은 아니며, 일부 호출은 중복되거나 심지어 해로울 수 있습니다. 따라서 효과적인 툴 사용은 작업을 수행할 때 툴을 호출할지 여부를 결정하는 핵심적인 LLM의 결정에 달려 있습니다. 이 결정은 웹 검색 툴의 경우 특히 어렵습니다. 외부 정보의 이점이 모델의 내부 지식과 잠재적으로 잡음이 섞인 툴 응답을 통합하는 능력에 의존하기 때문입니다. 우리는 의사결정 이론에서 영감을 받은 원칙적인 프레임워크를 소개하여, 필연성, 유용성, 그리고 비용 효율성이라는 세 가지 핵심 요소를 통해 웹 검색 툴 사용 결정을 평가합니다. 우리의 분석은 두 가지 상호 보완적인 관점을 결합합니다. 하나는 툴 호출의 최적 할당으로부터 실제 필요와 유용성을 추론하는 규범적 관점이고, 다른 하나는 관찰된 행동으로부터 모델의 자체 인식된 필요와 유용성을 추론하는 기술적 관점입니다. 우리는 4개의 웹 검색 툴과 3개의 작업에 걸쳐, 현재 턴과 검색 결과만을 조건으로 하는 하니스와 전체 실행 추적을 조건으로 하는 하니스라는 두 가지 하니스 하에서 6개의 오픈 소스와 1개의 폐쇄형 소스 최첨단 모델을 평가했습니다. 모든 설정에서 우리는 모델이 인식하는 필요와 유용성이 실제 필요와 유용성과 빈번하게 정렬되지 않음을 발견했습니다. 이 프레임워크를 기반으로 우리는 모델의 은닉 상태로부터 필요와 유용성을 추정하는 가벼운 추정기를 학습시킵니다. 이러한 추정기는 결정 품질을 향상시키고 대부분의 오픈 소스 모델에 대해 자체 인식 기준선보다 더 강력한 작업 성능을 내는 간단한 컨트롤러를 구동합니다.