AI 에이전트 소셜 네트워크의 급격한 계층화

본 논문은 2026년 1월 28일부터 2월 8일까지 Moltbook이라는 AI‑전용 소셜 플랫폼에서 발생한 활동 데이터를 기반으로, 에이전트 간 사회적 상호작용이 어떻게 구조화되는지를 정량적으로 분석한다. 데이터는 총 20 040개의 포스트와 192 410개의 최상위 댓글, 15 083개의 고유 계정, 759개의 서브몰트(서브레딧에 해당)로 구성된다. 연구는 두 가지 네트워크 모델을 구축한다. 첫 번째는 에이전트와 서브몰트 사이의 이분 그래프를 기반으로 한 공동 참여 네트워크이며, 이를 에이전트‑에이전트 무방향 가중 그래프로 투사한다. 두 번째는 댓글 흐름을 이용한 유향 그래프로, 댓글 작성자를 포스트 저자와 연결한다. 공동 참여 네트워크는 10 191명의 포스팅 에이전트와 12 039개의 이진 연결을 포함한다. 평균적으로 한 에이전트는 1.18개의 서브몰트에 참여했으며, 대부분(88.3 %)은 단일 서브몰트에만 포스팅한다. 서브몰트 중 68.6 %는 오직 한 명의 기여자만을 보유하고 있어 ‘타운 스퀘어’ 역할을 하는 m/general 서브몰트가 네트워크 중심에 위치한다. 네트워크의 NODF(중첩도) 지수는 0.28로 중간 수준이며, 행(에이전트) NODF는 0.51로 전문화된 에이전트가 일반 에이전트의 서브몰트 집합을 부분집합 형태로 공유한다는 구조를 보여준다. 가중 무방향 그래프는 약 32 백만개의 엣지를 포함해 매우 조밀하지만, ‘town‑square’ 서브몰트의 영향력을 억제하기 위해 서브몰트 규모에 따라 가중치를 정규화한 ‘degree‑normalized’ 방식을 채택했다. Leiden 커뮤니티 탐지를 적용한 결과, Q = 0.39의 모듈러티티를 갖는 다섯 개의 뚜렷한 커뮤니티가 도출되었다. 가장 큰 레드 클러스터(63명)는 m/general을 중심으로 하며, 플랫폼 전반에 걸친 높은 연결성을 보이는 핵심 허브 에이전트(Clawshi, ZopAI 등)와 최고 권위자(예: Senator Tommy)를 포함한다. 블루 클러스터(14명)는 XNO/Nano 암호화폐 홍보 봇들로 구성돼 거의 완전 클리크 형태를 이루며, 토픽 모델링 결과와 일치한다. 테일(Teal) 클러스터는 다양한 중소 규모 서브몰트에 참여하는 에이전트들, 오렌지·퍼플 클러스터는 주변형 에이전트로 구분된다. 댓글 기반 유향 그래프는 포스트 저자와 댓글 작성자를 연결하는 ‘comment‑post‑author’ 튜플을 사용했으며, 전체 엣지 중 약 99 %가 단방향이다. 이는 reciprocity가 1 % 수준에 머무른다는 것을 의미한다. HITS 알고리즘을 적용했을 때, 허브와 권위자 점수가 명확히 분리되어, 대부분의 에이전트가 청취자 역할을 수행하고 소수의 권위자가 대량의 업보트를 획득하는 구조가 확인되었다. 불평등 지표를 살펴보면, 업보트 분포의 Gini 계수는 0.992로 거의 완전한 집중을 보이며, 포스팅 활동의 Gini(0.601)와 큰 차이를 보인다. 초기 진입 계정이 노출 시간 보정 없이도 누적 업보트에서 현저히 앞서는 ‘부익부’ 현상이 관찰되었으며, 이는 preferential attachment 메커니즘이 에이전트 생태계에서도 작동함을 시사한다. 활동 지속 시간은 median 2.48분으로 매우 짧으며, 54.8 %의 포스팅이 UTC 기준 6시간 피크 구간에 집중되는 버스트 패턴을 보인다. 이는 에이전트가 API 호출 제한이나 서버 부하를 고려해 짧고 집중적인 활동을 선호한다는 가설을 뒷받침한다. 주제 분석을 위해 문서 임베딩 기반 토픽 모델링을 수행했으며, 네 가지 주요 클러스터가 도출되었다. 첫 번째는 메모리·정체성에 관한 기술 토론(‘Crustafarianism’이라 명명)이며, 인간‑에이전트 혼합 대화 가능성을 암시한다. 두 번째는 온보딩·인증 안내 메시지, 세 번째는 토큰 민팅을 위한 포맷화된 템플릿, 네 번째는 일반 기술·AI 연구 토론이다. 특히 토큰 민팅 템플릿은 대량 자동 생성된 콘텐츠의 전형적인 예시로, 플랫폼 내 자동화·조정 신호를 포착한다. 데이터 수집상의 제한점도 명시된다. API는 최대 100개의 댓글만 반환하므로, 인기 포스트의 댓글이 일부 누락되어 유향 그래프의 연결성 및 중심성 지표가 보수적으로 추정된다. 또한, ‘unknown’ 플레이스홀더 계정이 존재해 전체 계정 수와 활동량을 약간 과소평가한다. 이러한 제약을 감안하더라도, 본 연구는 AI 에이전트가 인간 중심 소셜 미디어와 유사한 ‘방송‑청취’ 구조, 급격한 권위 집중, 그리고 초기 진입자에게 유리한 성장 메커니즘을 매우 짧은 시간 안에 형성한다는 중요한 증거를 제공한다. 결론적으로, Moltbook은 에이전트‑에이전트 상호작용이 인간‑중심 플랫폼과 유사한 네트워크 특성을 빠르게 나타낼 수 있음을 보여준다. 이는 향후 AI 에이전트가 참여하는 온라인 생태계의 설계·규제·보안에 대한 논의를 위한 구조적 베이스라인을 제공한다.