AI 에이전트 비용의 큰 부분은 생각이 아니라 읽기에서 나옵니다. 에이전트가 웹페이지나 PDF, 도구 응답을 열면 대개 전부를 삼키고, 그 글은 이후 모델을 호출할 때마다 따라붙습니다. 새 프리프린트가 인용한 선행 연구에 따르면 에이전트가 처리하는 토큰의 60%에서 80%가 외부에서 읽어 들인 내용입니다. SparseRead는 에이전트가 사람처럼 읽게 하자는 제안입니다. 무엇이 필요한지 정하고, 관련 대목을 보고, 그것으로 부족할 때만 문서 전체를 엽니다.
SparseRead는 에이전트와 정보원 사이에 놓이며 모델을 바꿀 필요가 없습니다. 에이전트가 찾는 것을 짧은 읽기 의도로 밝히면, 이 계층은 출처와 연결된 범위 한정 증거 묶음과 함께 무엇을 확인했고 무엇을 아직 보지 않았는지 기록을 돌려주며, 충분한지는 에이전트가 판단합니다. 텍스트와 PDF, 표와 JSON, 여러 파일 묶음, 코드는 각각 다른 읽기 방식이 맡습니다. 예산 게이트는 한 작업에서 노출되는 원본 내용의 양에 상한을 두고, 작은 파일처럼 부분 읽기가 더 비싼 경우에는 전체 보기로 돌아갑니다.
저자들은 Claude Opus 5, GLM-5.1, Kimi-K2.5 등 여섯 모델을 다섯 상황에서 시험해 모두 30가지 설정을 검증했습니다. 토큰은 15.7%에서 92.9%, 실제 소요 시간은 23.0%에서 89.0% 줄었고, 중앙값은 각각 61.4%와 53.7%였습니다. 품질은 30가지 중 29가지에서 유지되거나 좋아졌고, 예외는 과학 과제에서의 GLM-5.1이었습니다. 가장 크게 아낀 것은 긴 문서였습니다. 가장 익숙한 작업인 웹 심층 검색에서는 토큰이 31.0%에서 43.0%, 시간이 23.0%에서 37.0% 줄었고 점수는 5에서 14포인트 올랐습니다. 잡음이 줄면 답이 더 좋아질 수 있다는 신호입니다. 검색이나 맥락 축소 방식과 비교해도, 시험한 모든 설정에서 점수를 유지하거나 높인 것은 SparseRead뿐이었습니다.
Claude Code, Codex, API로 에이전트 비용을 내는 사람에게 이는 실제 돈 문제이며, Opus 5 같은 강한 모델조차 토큰 을 41.0%에서 89.0% 아꼈다는 결과는 모델이 좋아져도 문제가 사라지지 않는다는 점을 보여 줍니다. 에이전트 인프라가 더 큰 맥락 창에서 그 안에 무엇을 넣을지 똑똑하게 통제하는 쪽으로 옮겨 가는 더 큰 흐름과도 맞닿아 있습니다.
주의할 점은 프리프린트에 흔한 것들입니다. 상황과 에이전트 프레임워크 NanoBot은 저자들이 골랐고, 제목의 92.9%는 이 아이디어에 가장 유리한 긴 문서 읽기에서 나왔습니다. 실제 웹페이지는 벤치마크 과제보다 어수선하며, 중요한 한 단락을 놓치는 읽기 방식은 아무 신호 없이 실패합니다. 이 연구는 동료 심사를 거치지 않았습니다.