현대 AI 시스템의 발전으로 복잡한 작업을 수행하기 위해 다양한 도구와 모델을 활용하지만, 이를 조율하는 과정에서 LLM(Large Language Models) 기반 오케스트레이터는 모델의 질적 설명에 의존하여 최적의 모델 선택에 실패하고, 정확성 저하 및 에너지 비용 증가를 초래합니다. 본 논문에서는 LLM 기반 오케스트레이션의 한계를 경험적으로 분석하고, 정량적 모델 성능 특성을 의사 결정에 통합하여 성능과 에너지 효율성을 고려하는 새로운 에너지 인식 모델 선택 프레임워크인 GUIDE를 제안합니다. 실험 결과, GUIDE는 다양한 작업에서 정확도를 0.90%에서 11.92%까지 향상시키고, 최대 54%의 에너지 효율성 개선을 달성했으며, 오케스트레이터 모델 선택 지연 시간을 4.51초에서 7.2ms로 단축했습니다.
