Microsoft TokenEconomizer, 에이전트 낭비를 겨냥하다
Microsoft Research는 2026년 11월 16일, 이전 리포지토리 세션에서 얻은 교훈을 통해 코딩 에이전트 비용을 18.4~30.9% 절감했다고 밝히며 TokenEconomizer를 공개했다. Microsoft TokenEconomizer는 에이전트의 기본 모델을 바꾸는 대신 반복 작업을 겨냥한다. 이 차이는 중요하다. 어시스턴트는 프로그래밍 문제를 정확히 해결하면서도 작업 환경을 파악하는 데 불필요한 비용을 쓸 수 있기 때문이다.
이 오픈소스 프로젝트는 UC Berkeley, Microsoft Research, Microsoft Security의 연구진이 개발했다. 핵심 제안은 모든 코딩 과제를 고립된 지능 구매로 취급하는 관행에 도전한다. 개발자는 익숙한 프로젝트로 반복해서 돌아오지만, 에이전트가 유용한 운영 경험을 항상 이어받는 것은 아니다.
엔지니어링 팀에는 이로 인해 다른 구매 판단이 생긴다. 모델을 바꾸거나 추론 노력을 줄이기 전에, 기존 지출 중 같은 리포지토리를 반복적으로 학습하는 데 드는 비용은 얼마나 될까? TokenEconomizer는 초기 연구 답변을 제시하지만, 보고된 절감 효과는 모든 개발 워크플로의 보장된 절감이 아니라 실험적 결과에 머문다.
Microsoft TokenEconomizer는 작업 사이의 비용을 겨냥한다
이 변화는 완료된 작업을 활용해 이후 세션에 영향을 주는 비용 제어기다.
제어기는 사용 가능한 설정과 지침을 통해 다른 시스템의 동작을 유도하는 소프트웨어다. 연구진의 코딩 에이전트 효율성 발표에 따르면, TokenEconomizer는 에이전트의 기본 모델 외부에서 작동한다. 핵심은 작업 환경 내의 연속성이다.
이 관점은 분석 단위를 바꾼다. 한 번의 성공적인 패치는 에이전트가 하나의 과제를 처리했는지는 보여준다. 그러나 해당 프로젝트에 대한 경험이 쌓일수록 반복 과제가 더 저렴해지는지는 입증하지 못한다.
성숙한 애플리케이션으로 돌아오는 개발자를 생각해 보자. 개발자는 어떤 테스트 명령이 작동하는지, 어느 디렉터리에 생성 파일이 있는지, 어떤 설정 단계가 대개 실패하는지를 이미 알고 있다. 이런 사실을 반복해서 찾아내야 한다면 매일 새로 온보딩하는 기분일 것이다.
에이전트도 이것을 축적된 조직 지식으로 인식하지 못한 채 같은 마찰을 겪을 수 있다. 겉으로 드러나는 활동에는 파일 읽기, 명령 시도, 오류 조사, 접근 방식 수정이 포함된다. 일부 활동은 과제를 진전시키지만, 일부는 이전 세션이 이미 확립한 맥락을 다시 구성할 뿐이다.
실질적인 구분은 필요한 조사와 반복적인 설정 사이에 있다. 새로운 버그는 동작에 대한 새로운 추론을 요구한다. 그러나 변경되지 않은 테스트 실행 방식은 매번 같은 조사를 요구하지 않는 경우가 많다.
Microsoft TokenEconomizer는 이 경계를 명시적인 최적화 대상으로 삼는다. 이 프로젝트의 의미는 또 하나의 메모리 기능을 추가하는 데 있기보다, 기억된 정보가 지속적인 계산 비용만큼의 가치를 내는지 묻는 데 있다.
메모리 자체가 자동으로 효율적인 것은 아니다. 추가되는 모든 지침은 주의를 두고 경쟁하며 모델에 제공되는 자료의 일부를 차지한다. 제한 없는 아카이브를 축적하면 반복적인 발견이 반복적인 읽기로 바뀔 수 있다.
따라서 유용한 제어기에는 편집 판단이 필요하다. 무엇을 보존할지, 정보가 언제 적용되는지, 이전 경험이 언제 오해를 부르는지 판단해야 한다. 이는 모든 대화를 보존하는 일보다는 간결한 운영 핸드북을 관리하는 일에 가깝다.
구매자에게 이는 모델 선택과 수동 프로젝트 문서화 사이의 한 범주를 만든다. 팀은 기존 에이전트를 유지하면서 별도의 제어 계층이 누적 효율성을 개선하는지 시험할 수 있다.
이 분리는 책임성도 만든다. 에이전트 비용이 낮아진다면 평가자는 그 개선이 더 나은 안내, 줄어든 사용 가능 도구, 더 이른 방향 전환, 또는 변경된 작업량에서 비롯됐는지를 파악해야 한다. 그렇지 않으면 유망한 평균값도 재현하기 어려워진다.
이번 발표는 이 접근법의 구체적인 연구 구현을 소개한다. 어떤 조직이 이를 배포해야 하는지, 유지 관리에 얼마나 많은 노력이 필요한지, 프로젝트 변화에도 이점이 유지되는지는 아직 결론내리지 않는다.
이 질문들은 실제 운영 조건에 달려 있다. 가장 적합한 경우는 반복되는 환경 마찰이 있고 이전 세션에서 발견한 내용을 재활용할 후속 작업이 충분한 워크플로다.
반복되는 리포지토리 작업은 에이전트 예산을 압박한다
같은 코드베이스를 유지 관리하는 팀은 반복적인 발견을 유용한 문제 해결과 별도로 측정할 이유가 있다.
엔지니어링 관리자는 흔히 통합된 지출 수치만 본다. 그 총액에는 생산적인 추론, 실패한 실험, 환경 설정, 도구 설명, 반복되는 맥락이 함께 섞인다. 청구서는 어떤 구성 요소에 개입해야 하는지 설명하지 않는다.
TokenEconomizer 연구진은 이를 경험의 문제로 본다. 이전 세션이 프로젝트에 관한 안정적인 사실을 드러낸다면, 이후 세션에는 이를 다시 발견하지 않을 기회가 생긴다.
즉각적인 압박은 지속적인 리포지토리에 대해 에이전트를 반복적으로 실행하는 팀에 가해진다. 이들의 질문은 단순히 에이전트가 허용 가능한 코드를 작성하는지가 아니다. 일상적인 친숙성이 시간이 지나며 더 나은 경제성으로 이어지는지다.
유지 관리 대기열은 이 문제를 잘 보여준다. 서로 관련 없는 여러 버그가 동일한 설치 요구 사항과 검증 절차를 공유할 수 있다. 각 버그에는 별도의 수정이 필요하지만, 이를 둘러싼 운영 지식은 대체로 변하지 않을 수 있다.
에이전트가 같은 누락 실행 파일을 반복해서 마주한다면, 조직은 새로운 역량을 얻지 못한 채 재발견 비용을 지불한다. 각 세션은 개별적으로 여전히 타당해 보이기 때문에 낭비가 눈에 띄지 않을 수 있다.
그렇다고 모든 반복 활동이 사라져야 한다는 뜻은 아니다. 코드 변경 후 테스트를 다시 실행하는 일은 흔히 필수적이다. 다른 개발자가 파일을 수정했다면 그 파일을 다시 읽는 것도 필요할 수 있다.
핵심 질문은 반복이 왜 발생하는가다. 검증을 반복하면 정확성을 보호하지만, 이미 해결된 설정 실수를 반복하면 그에 상응하는 확신을 더하지 못한 채 자원을 소비한다.
이 구분은 단순한 효율성 대시보드에 부담을 준다. 에이전트가 유용한 검사를 건너뛴다면 도구 호출 수가 줄었다고 해서 더 나은 결과를 입증할 수는 없다. 더 짧은 세션을 세는 것도 같은 한계가 있다.
의미 있는 평가는 지출을 완료된 작업 및 유지된 품질과 연결해야 한다. 엔지니어링 팀은 더 저렴한 세션이 허용 가능한 패치를 만드는지, 추가 검토를 요구하는지, 또는 인간에게 작업을 넘기는지 알아야 한다.
인적 노력은 특히 주의할 가치가 있다. 모델 사용량을 절약하는 대신 혼란스러운 동작을 만드는 제어기는 비용을 디버깅과 감독으로 옮길 수 있다. 연구 지표가 이를 제외하더라도 이런 비용은 평가에 포함돼야 한다.
지식 관리는 유용한 유사성을 제공한다. 팀은 이미 문서, 런북, 검색 가능한 노트에 운영상의 교훈을 보존하려 한다. 반복되는 문제는 작업 환경이 바뀌는 동안 안내를 관련성 있게 유지하는 것이다.
검색 가능한 지식 기반은 이 연속성 문제의 인간 측면을 다룬다. 에이전트 비용 제어는 더 좁은 질문을 다룬다. 보존된 사실 중 어떤 것이 기계 실행을 형성해야 하는가?
어느 접근법도 최신 증거의 필요성을 없애지는 않는다. 문서는 오래될 수 있고, 에이전트가 축적한 안내도 마찬가지다. 친숙성은 시스템이 이를 기꺼이 수정할 때만 가치가 있다.
구매 측면의 시사점은 간단하다. 에이전트를 평가하는 팀은 고립된 작업 성능을 평가하는 일반적인 방식과 함께, 반복 과제 전반에서 비용이 어떻게 변화하는지도 살펴봐야 한다.
리포지토리 경험은 제어 계층이 된다
TokenEconomizer는 기억된 운영 사실, 선택적인 도구 가용성, 실행이 막힌 것으로 보일 때의 개입을 결합한다.
이 프로젝트는 보존된 사실을 마이크로 스킬이라 부르며, 이는 작업 환경에 관한 짧은 운영 안내다. 구현체는 사용하지 않는 도구를 정리하고, 명백한 실패 루프의 방향을 전환한다. 이러한 메커니즘은 프로젝트의 제어기 구현에 설명돼 있다.
이 메커니즘은 서로 다른 오버헤드 원인을 겨냥한다. 기억된 안내는 재발견을 줄인다. 도구 선택은 불필요한 인터페이스 자료를 줄인다. 방향 전환은 더 이상 생산적으로 보이지 않는 실행을 다룬다.
어떤 단일 조치도 모든 형태의 낭비를 포괄하지 못하기 때문에 이들의 결합은 중요하다. 올바른 설정 지침이 관련 없는 도구 설명을 제거할 수는 없다. 사용하지 않는 도구를 제거해도 에이전트가 실패한 수정 전략을 재고하도록 돕지는 못한다.
이 설계는 아는 것과 행동하는 것도 구분한다. 저장된 사실은 에이전트가 맥락으로 받는 내용을 바꾼다. 도구 결정은 에이전트가 직접 접근할 수 있는 행동을 바꾼다.
두 번째 개입에는 다른 책임이 따른다. 이전 유지 관리 작업에서 사용되지 않았던 도구가 새로운 과제에서는 필수적일 수 있다. 과거의 비활성 상태는 근거를 제공하지만, 영구적인 무관함을 입증하지는 않는다.
따라서 제어 계층에는 되돌릴 수 있는 특성이 필요하다. 사용자는 무엇이 바뀌었는지 이해해야 하며, 기능을 복원할 명확한 경로를 유지해야 한다. 사용 가능한 행동을 불투명하게 줄이면 이례적인 과제가 도착했을 때 진단이 더 어려워진다.
실패 루프 개입은 또 다른 판단 문제를 만든다. 반복되는 오류는 낭비된 노력을 뜻할 수 있지만, 정당한 디버깅 과정에서도 발생할 수 있다. 소프트웨어 수정은 유용한 가설이 나오기 전에 여러 번의 실패한 가설을 필요로 하는 경우가 많다.
따라서 좋은 개입은 지속성과 정체를 구분해야 한다. 중요한 질문은 에이전트가 새로운 증거를 수집하는지, 접근 방식을 바꾸는지, 아니면 실패한 행동을 단순히 반복하는지다.
현재 리포지토리는 실행 방향을 전환하고 중단 결정은 사용자에게 맡기는 플러그인을 설명한다. 구매자는 이 동작을 연구 실험에서 설명된 종료 정책과 구분해야 한다.
이러한 차이는 단순히 행정적인 문제가 아니다. 선택된 실행을 강제로 종료하는 실험은 다른 접근법만 제안하는 플러그인과 다른 경제성을 낼 수 있다. 배포 동작은 보고된 메커니즘이 운영상 무엇을 의미하는지 결정한다.
Microsoft TokenEconomizer는 더 폭넓은 아키텍처적 요점도 제시한다. 학습이 항상 모델 매개변수, 즉 모델 동작을 결정하는 수치 값을 바꿔야 하는 것은 아니다.
외부 시스템은 기존 모델을 둘러싼 정보와 역량을 대신 바꿀 수 있다. 이를 통해 각 리포지토리마다 새로운 훈련 실행을 요구하지 않고도 경험을 활용할 수 있다.
이는 경쟁 구현의 여지를 만든다. 에이전트 공급업체는 제품 내부에 유사한 적응 기능을 추가할 수 있다. 독립 도구는 지원되는 에이전트 전반에서 사용자를 따라다니는 별도 계층을 제공할 수 있다.
엔지니어링 선택은 부분적으로 관찰 가능성에 달려 있다. 내장형 적응 기능은 운영을 단순화할 수 있는 반면, 별도 제어기는 개입을 독립적으로 더 쉽게 점검하게 할 수 있다. 어느 아키텍처도 더 나은 결과를 보장하지는 않는다.
핵심 검증은 인과 관계에 있다. 이전 작업의 경험이 이후 실행을 개선했는지, 그리고 그 개선이 제어기 자체의 오버헤드를 감안한 뒤에도 유지됐는지다.
고정 비용 제어는 다른 검증을 마주한다
관련 비교 대상은 완료된 세션에서 학습하지 않고 적용되는 설정이 아니라, 적응형 리포지토리 안내다.
연구진은 자신들의 접근 방식을 Rust Token Killer, Serena, Aider의 RepoMap과 비교했다. 이 도구들은 각각 출력 압축, 코드 탐색, 리포지토리 구조를 다룬다. 이들의 비용 제어 연구는 고정 전략이 리포지토리별로 엇갈린 효과를 냈다고 보고한다.
이 결과를 개발자 도구의 일률적인 순위로 해석해서는 안 된다. 이 비교는 명시된 실험 조건에서 특정 효율성 목표를 다룬다. 탐색 도구는 모델 사용량을 줄이는 것 이상의 가치를 제공할 수 있다.
그럼에도 이 비교는 핵심 주장을 더욱 분명하게 만든다. 한 환경에서 유용한 전략이 다른 환경에서도 자동으로 같은 역할을 해야 하는 것은 아니다. 리포지토리 특성은 어떤 정보가 도움이 되고 어떤 정보가 오버헤드가 되는지에 영향을 준다.
압축은 이러한 절충을 보여준다. 더 짧은 출력은 에이전트가 처리할 자료를 줄이지만, 생략된 세부 정보 때문에 추가 조사가 필요해질 수 있다. 순효과는 남겨진 출력이 다음 결정을 뒷받침하는지에 달려 있다.
리포지토리 맵도 이와 관련된 질문을 제기한다. 에이전트가 방향을 잡아야 할 때 구조적 맥락을 제공하면 탐색을 가속할 수 있다. 관련 없는 구조를 반복해서 제공하면 다음 행동을 바꾸지 않은 채 자료만 늘릴 수 있다.
단순 텍스트 매칭이 아니라 프로그램 구조를 통해 코드를 찾는 시맨틱 탐색은 탐색 과정을 개선할 수 있다. 그 가치는 여전히 과제와 이용 가능한 대안에 따라 달라진다.
이는 상호 배타적인 철학이 아니라 상호 보완적인 설계 선택이다. 적응형 컨트롤러는 고정 기능을 언제 활성화할 가치가 있는지 잠재적으로 판단할 수 있다. 흥미로운 질문은 보편적 설치가 아니라 선택이 된다.
이 구분은 기능 수를 내세워 마케팅되는 도구 번들에 부담을 준다. 더 많은 기능은 에이전트가 수행할 수 있는 일을 넓힐 수 있지만, 기능의 존재만으로 효율적인 실행이 입증되지는 않는다.
기업 구매자에게 시사하는 바는 대표적인 업무를 기준으로 구성을 평가해야 한다는 점이다. 일반적인 시연만으로는 특정 리포지토리, 검토 프로세스, 개발 환경에 가장 적합한 조합을 입증할 수 없다.
같은 주의는 모델 선택에도 적용된다. 더 저렴한 모델로 전환하면 지출과 성공률 모두가 달라질 수 있다. 모델 주변의 불필요한 작업을 줄이는 것은 다른 변수를 겨냥한다.
이 접근법들은 함께 사용할 수 있지만, 그 효과는 별도로 측정해야 한다. 그렇지 않으면 조직은 오버헤드를 줄인 것인지, 아니면 단지 덜 철저한 작업을 받아들인 것인지 알 수 없다.
유용한 비교는 과제 구성과 품질 기준을 유지한다. 그런 다음 컨트롤 정책을 바꾸고 그에 따른 동작을 기록한다. 이는 어떤 구성을 계속 사용할 가치가 있는지 결정하는 더 명확한 근거를 제공한다.
따라서 경쟁적 의미는 하나의 플러그인보다 더 넓다. 에이전트 제품은 어려운 개별 과제를 해결하는지뿐 아니라 반복 사용을 통해 운영상 학습하는지에 대해서도 점점 더 엄격한 검증을 받고 있다.
그럼에도 리포지토리 적응은 측정된 결과를 통해 그 가치를 입증해야 한다. 제거하는 오버헤드보다 더 많은 오버헤드를 추가하는 정교한 컨트롤러는 여전히 실패한 효율성 개입이다.
절감 효과에는 신중한 단서가 필요하다
헤드라인의 범위는 연구진의 평가 결과를 설명하는 것이지, AI 지원 개발에 대한 보편적인 할인율이 아니다.
이 평가는 6개 리포지토리와 5개 에이전트-모델 조합에서 277개의 버그 수정 과제를 다뤘다. 저자들은 비용에 컨트롤러 호출이 포함됐으며 과제 성공률도 대체로 비슷하게 유지됐다고 보고한다.
이 세부 사항은 결과의 신뢰도를 높이지만, 그 한계를 없애지는 않는다. 증거는 프로젝트의 연구팀에서 나온 것이다. 이 글은 보고된 절감 효과가 독립적으로 재현됐음을 입증하지 않는다.
성공의 정의도 중요하다. 벤치마크는 명시된 조건에서 시스템을 비교하기 위해 사용하는 표준화된 평가다. 그 채점 과정은 일관성을 제공하지만, 모든 프로덕션 승인 요건을 대표할 수는 없다.
패치는 자동화된 검사를 통과하면서도 상당한 인적 검토를 요구할 수 있다. 유지보수성, 현지 관례와의 일관성, 운영상 위험은 벤치마크의 즉각적인 판단을 넘어 중요할 수 있다.
따라서 적절한 해석은 “더 적은 비용으로 같은 품질”보다 더 좁다. 연구진은 자신들의 평가 기준에서 비슷한 성능을 보고한다. 조직은 그 기준이 자체 표준과 일치하는지 판단해야 한다.
평균 절감 효과에도 맥락이 필요하다. 프로젝트마다 반복적인 설정, 관련 없는 도구, 정체된 실행을 제거할 기회가 다르게 나타난다. 반복적인 마찰이 거의 없는 리포지토리에서는 제거할 낭비가 덜 뚜렷하다.
세션 기록은 또 다른 의존성을 만든다. 컨트롤러는 아직 축적하지 못한 경험을 재사용할 수 없다. 초기 오버헤드는 이후의 이점보다 먼저 발생할 수 있다.
따라서 단기간 프로젝트는 별도 평가가 필요하다. 낯선 리포지토리를 자주 여는 조직은 장기간 같은 애플리케이션을 유지하는 팀과 다른 양상을 볼 수 있다.
변화하는 리포지토리는 추가적인 과제를 만든다. 빌드 시스템 마이그레이션 이후 기억된 명령은 잘못될 수 있다. 팀이 다른 언어 또는 프레임워크를 도입하면 이전에는 불필요했던 도구가 유용해질 수 있다.
문제는 저장된 경험이 영원히 가치 있는지 여부가 아니다. 오래된 가정이 반복적인 실수를 일으키기 전에 컨트롤러가 모순을 인식하고 지침을 수정하는지 여부다.
개인정보 보호 주장에도 마찬가지로 정확한 해석이 필요하다. 프로젝트는 학습된 상태가 개발자의 머신에 유지되며 별도의 API 키가 필요하지 않다고 말한다. 그렇다고 기본 모델과의 상호작용이 무료가 되거나 완전히 로컬에서 이루어진다는 뜻은 아니다.
API 키는 서비스에 접근하는 데 쓰이는 자격 증명이다. 추가 자격 증명을 피하면 설정은 간소화되지만, 기존 에이전트 내의 모든 데이터 이동을 설명하지는 않는다.
팀은 에이전트가 이미 모델 제공업체에 어떤 정보를 보내는지 살펴봐야 한다. 또한 컨트롤러가 생성한 지침에 민감한 리포지토리 세부 정보가 포함되는지도 점검해야 한다.
이는 연구를 일축할 이유가 아니라 배포에 관한 질문이다. 외부 제어는 가치를 제공할 수 있지만, 권한, 로그, 보존된 상태, 정보 흐름에 대한 일반적인 검토는 여전히 필요하다.
낮은 지출을 본질적으로 바람직한 것으로 취급하는 데에도 보도상 위험이 있다. 컨트롤러는 유용한 조사를 막아 비용을 줄일 수 있다. 그러한 결과는 좁은 예산 목표는 충족하지만 엔지니어링 성과는 약화시킨다.
가장 강력한 증거는 낮은 누적 비용과 유지된 과제 품질, 관리 가능한 검토 노력을 함께 보여준다. 빠진 차원이 하나라도 있으면 겉보기에 매력적인 결과에 대한 다른 설명이 남는다.
Microsoft TokenEconomizer는 이 결합된 목표에 관한 신뢰할 만한 연구 단서를 제공한다. 하지만 팀의 실제 운영 조건에서 이 메커니즘을 시험할 필요성을 없애지는 않는다.
재현, 적응, 순수 제공 작업을 지켜봐야 한다
다음으로 유용한 증거는 리포지토리 학습이 원래 평가 밖에서도 계속 이로운지를 입증해야 한다.
첫 번째 신호는 독립적인 재현이다. 외부 평가자는 컨트롤러가 비용을 추가한 실패 사례와 작업 부하를 포함해 자체 리포지토리 전반의 결과를 공개해야 한다.
설득력 있는 재현에는 헤드라인 비율을 반복하는 것 이상이 필요하다. 과제 선택, 기준선 구성, 보존된 기록, 품질 기준을 설명해야 한다. 그렇지 않으면 독자는 무엇이 차이를 만들었는지 파악할 수 없다.
낯선 환경 전반의 증거는 적응형 제어가 일반화된다는 주장을 강화할 것이다. 품질을 유지하는 절감 효과 없이 일관된 오버헤드만 나타난다면 그 주장은 약화될 것이다.
두 번째 신호는 프로젝트 조건이 변할 때의 적응이다. 빌드 마이그레이션, 새 도구, 수정된 검증 요건은 기억된 지침이 계속 수정 가능한지 시험할 자연스러운 기회를 제공한다.
유용한 컨트롤러는 사용자가 점점 더 복잡해지는 지침 아카이브를 유지할 필요 없이 모순된 증거에 대응해야 한다. 이러한 동작은 지속적인 개발 과정에서 경험이 자산으로 남는지를 결정한다.
공개 구현 변경도 여기서 관련이 있다. 이러한 변경은 프로젝트가 복원, 오래된 사실, 개입의 투명성을 어떻게 처리하는지 보여줄 수 있다. 평가자는 새 코드가 결과를 개선한다고 가정하지 말고 그러한 변경을 관찰된 동작과 연결해야 한다.
세 번째 신호는 순수 제공 작업이다. 팀은 승인된 변경, 검토 부담, 불필요한 재시도, 누적 지출을 함께 살펴봐야 한다. 낮은 사용량은 같은 엔지니어링 목표를 뒷받침할 때 가장 중요하다.
이 평가는 운영자 주의력도 고려해야 한다. 모델 사용량이 줄더라도 개발자가 컨트롤러 동작을 반복적으로 조사해야 하는 개입에는 비용이 있다.
에이전트 벤더에게 그에 따른 압력은 구체적이다. 제품은 단순히 대화 기록을 보존하는 데 그치지 않고, 반복 사용이 운영 효율성을 개선하는지 점점 더 설명해야 한다.
구매자에게 당장의 기회는 더 제한적이다. 보고된 결과를 연구 주도 주장에 걸맞은 신뢰 수준으로, 반복되는 리포지토리 낭비를 조사할 이유로 삼아야 한다.
먼저 기존 에이전트가 설정 발견을 어디서 반복하는지, 관련 없는 기능을 유지하는지, 같은 실패한 접근 방식을 다시 시도하는지 파악하라. 구성을 변경하기 전에 대표적인 과제 전반에서 이러한 패턴을 비교하라. 품질 요건은 안정적으로 유지하고, 겉보기 절감 효과가 작업을 인적 검토로 옮기는 것은 아닌지 살펴라. Microsoft TokenEconomizer는 평가할 구체적인 메커니즘을 제공하지만, 유용한 결과는 팀이 무엇을 얻는지에 대한 방어 가능한 설명이다. 컨트롤러가 상황을 더 악화시킨 실행을 포함해 비용 변화의 이유를 설명할 수 있을 만큼 충분한 실행 기록을 보존하라. 그런 다음 리포지토리 경험이 축적될수록 시스템이 승인된 작업을 더 효율적으로 제공하는지 물어야 한다. 익숙함이 또 다른 유지보수 부담을 만들지 않으면서 낭비되는 연산을 줄이는가?



