기업 에이전틱 AI의 토큰 비용을 결정짓는 핵심은 모델이 아니라 오케스트레이션 계층(하네스)이라는 실증 연구다. 22개 고정 평가 과제에서 Claude Sonnet 4.6, Gemini 3.1 등 6개 모델을 그대로 두고 오케스트레이션만 교체한 결과, Writer Agent Harness는 과제당 비용 41%($0.21→$0.12), 실행 시간 44%, 토큰 38% 절감을 달성했고 품질은 동등(0.78→0.81)했다. 효율 개선은 모든 모델에서 33~61%로 나타났지만, 품질 향상은 모델 기초 역량과 r=0.99로 상관해 '하네스 레버리지'라 명명했다. 달러당 품질은 82% 상승했다. 토큰 뻥튀기(token maxing)로 비용이 급증하는 기업에게, 하네스가 어떤 모델을 쓰든 효율을 곱해주는 유일한 구성요소라는 주장이다.

• •6개 모델·22개 고정 과제에서 오케스트레이션 계층만 교체하는 통제 실험 수행
• •하네스 교체만으로 과제당 비용 41%, 실행 시간 44%, 토큰 38% 절감, 품질은 동등
• •효율 개선은 모델 불변(33~61%), 품질 향상은 기초 역량과 r=0.99 상관 — '하네스 레버리지' 현상
• •달러당 품질 82% 상승, 백만 토큰당 과제 완료 수 54.9→92.0
• •캐시 구조 규율부터 실패 비용 거버넌스까지 6가지 메커니즘 계열을 체계화