韓国の金融監督当局、AI調査官の導入を計画 ただし証拠判断には依然として人間が必要

韓国の金融監督院（FSS）は、AI調査官の開発事業者を選定した。これにより、市場不正の検知を迅速化することと、法的に説明可能な証拠を確保することの間に新たな緊張関係が生まれている。このプロジェクトは、ソウル経済日報がLG CNSの優先交渉対象者選定を報じた後、Google Newsを通じて注目を集めた。完全稼働は2028年に予定されていると報じられている。

これは、異常取引を評価するだけのシステムではない。計画中のモデルは、不審な口座を結び付け、追加で必要な証拠を提案し、調査官が資料を追加した後に案件を再評価し、公式文書の草案作成も支援するという。こうした機能により、AIは市場監視から調査そのものへと踏み込むことになる。

この違いは重要だ。韓国取引所はすでに、初期段階の市場監視にAIシステムを運用している。一方、新しいFSSプロジェクトは、非公開の事件資料や調査ワークフローにさらに深く関与すると報じられている。また、最終判断に人間が署名する場合であっても、アルゴリズムが案件にどう影響したかを人間の調査官が説明する責任を、より重くすることになる。

Google Newsの報道によれば、韓国は何を構築しようとしているのか

計画中のシステムは、AIをアラート生成装置から能動的な調査支援者へと変えるものだ。

報じられた調査計画によると、LG CNSは最近、約45億ウォン規模のFSSプロジェクトで優先交渉対象者となった。Bespin GlobalとKonan Technologyもこの案件に参加していた。

ソウル経済日報によれば、プロジェクトは2027年12月までに完了する見込みだ。実務上の本格運用は2028年に始まる。FSSまたは選定事業者が確定的なプロジェクト文書を公表するまでは、このスケジュールも最終的な技術構成も確定事項として扱うべきではない。

計画中のシステムは、密接に関連する2つの要素から成る。1つ目は資本市場の調査に特化したモデル、2つ目は調査官のリサーチ、文書作成、通報の優先順位付け、文字起こし、要約を支援するAIエージェント群だ。

AIエージェントとは、モデル、ツール、定義されたワークフローを用いて複数段階のタスクを完了できるソフトウェアを指す。この場合、エージェントは単に一般的な質問へ回答するのではない。既存のFSS業務システム内で稼働し、権限を持つ調査官が利用できる情報を使うことになる。

このモデルは、価格、取引量、規制当局への提出書類を含む公開市場情報から学習すると報じられている。また、調査中に収集された非公開資料も利用する。過去の調査計画、報告書、処分意見書も、追加的な組織的文脈を与える。

この組み合わせにより、モデルは公開取引データのスクリーニングよりはるかに豊かな視点を得られる可能性がある。価格変動だけでは、誰が活動を調整したのか、なぜ複数の口座が類似した行動を取ったのかを説明できることはほとんどない。事件記録には、市場データフィードからは見えない関係性、調査上の推論、証拠パターンが含まれる場合がある。

その後、システムは不公正取引の疑いがある口座間のつながりを可視化する。関連口座をグループ化し、その複合的な行動を分析し、調査官が次に収集すべき資料を提案できる。こうした提案は、取引記録、通信、所有関係、または法的に取得可能なその他の資料へ注意を向けることになるかもしれない。

調査官は提案された資料を集め、システムへ戻す。モデルは、その証拠を用いて違反の可能性を再評価する。報道では、この反復プロセスを循環型調査システムと説明している。

このループこそが、プロジェクトにおける最も重大な特徴だ。従来の監視ソフトウェアは通常、アラートを発し、スコアを付与し、あるいはパターンを特定する。循環型システムは、案件の展開中の仮説形成に参加する。

計画中の支援ツールは、FSSの書式に沿った問答記録、調査報告書、処分意見書も起案する。草案作成は反復作業を減らせるが、事実をどのように整理し提示するかにも影響する。生成された叙述は、調査官が形式上の責任を引き続き負うとしても、その判断に影響を及ぼし得る。

システムは、公共インターネットから分離された閉域ネットワーク上で運用される見込みだ。報道によると、FSSは機微な調査情報を扱うため、ChatGPTやGeminiなどの外部モデルサービスを除外した。

LG CNSは、内部サーバー上で動作する2つの国内大規模言語モデルを提案したと報じられている。モデルの重みをローカル環境に導入できることから、LG AI ResearchのEXAONEが候補の1つとして挙げられた。最終的なモデル選定はまだ公表されていない。

閉域環境での導入は、保護対象の記録が外部クラウドのエンドポイントへ送信されるリスクを低減する。ただし、セキュリティ、ガバナンス、正確性の問題をなくすわけではない。内部モデルにも、アクセス制御、ログ記録、評価、パッチ管理、汚染されたデータへの対策が必要となる。

したがってGoogle Newsの読者が目にしたのは、単なる政府業務の自動化に関する話ではない。このプロジェクトは、機微な記録、口座連関分析、調査上の提案、文書生成を、規制対象の単一ワークフロー内で組み合わせる。その範囲が中心的な緊張を生む。スピードに価値があるのは、得られた証拠を検証可能な状態に保てる場合に限られる。

韓国はすでに不審な市場シグナルの検出にAIを利用している

FSSのプロジェクトは、オンライン監視から人物中心の調査へと移行してきた執行プログラムを拡張するものとみられる。

韓国の金融委員会（FSC）は、韓国取引所が2026年2月3日からAI監視システムの運用を開始すると発表した。このシステムは、株価操縦やその他の不公正取引の初期兆候を対象とする。

KRXのシステムは、オンライン投稿、スパムメッセージの報告、YouTube動画、ニュース、開示情報、株価変動を分析する。上場企業にスコアを付与し、不審な活動の可能性が高い証券を特定する。

その後、人間がフラグの付いた企業を調べ、より深い分析が必要かを判断する。この構造では、AIはプロセスの初期段階に置かれる。大量の情報の流れを、可能性のある案件のより小さな集合へと絞り込む支援を当局に提供する。

Google Newsで説明されたFSSプロジェクトは、より下流の工程に位置する。疑わしい口座、非公開記録、蓄積された事件文書、証拠要請を扱う。また、調査で使用される文書記録の形成にも役立つ可能性がある。

この進展は、FSC、FSS、KRXが2025年7月に発表した措置に沿うものだ。各機関は、責任の分断が緊急の相場操縦事件への対応を遅らせていたと述べた。KRXは市場調査を担い、FSCとFSSは異なる調査権限を行使していた。

政府の2025年執行計画は、共同対応体制を設け、監視におけるAI活用の拡大を求めた。また、迅速な検知を口座凍結、金銭的制裁、取引制限、上場企業の役員就任制限と結び付けた。

こうした制裁により、プロセスへ情報を提供する分析システムの重要性は高まる。高リスクのスコアは、単に興味深いデータポイントを生むだけではない。資産、市場へのアクセス、雇用、評判に影響する調査につながる可能性がある。

韓国はまた、個別口座から、その背後にいる人物へと監視の焦点を移し始めている。口座ベースの監視では、単一の行為者が管理する複数の口座を無関係なものとして扱いかねない。また、調査官に不必要に広い潜在的対象者集団を残すことにもなる。

規制変更により、KRXの監視担当者は仮名化された識別データを処理できるようになった。FSCによれば、個人中心の監視により、監視対象は約39％減少する見込みだった。

この政策変更は、関連口座分析の基盤の一部を提供する。当局が、定められた法的統制の下で口座を共通の主体に結び付けられれば、AIモデルはネットワーク全体にわたる協調行動を探すことができる。

単純化した相場操縦のシナリオを考えてみよう。複数の口座が、オンラインでの宣伝メッセージが広がる中で流動性の低い株式を買い集める。別の口座群が相互に売買を行い、活動があるように見せかける。最後のグループは、宣伝によって生じた需要に向けて売却する。

従来型のアラートシステムなら、株価上昇、異常な出来高、オンライン上の議論を検知するかもしれない。関係性モデルは、口座間で資金源、デバイス、連絡先情報、実質的所有者、または同期した注文パターンが共有されているかを問うことができる。

価値は、自動的に有罪を宣言することにはない。人間なら結び付けるのにより長い時間がかかるデータセットをまたいで、検証可能な調査仮説を立てることにある。調査官はなお、それらのつながりに無実の説明があるかどうかを判断しなければならない。

韓国のより広範な執行アジェンダは、なぜこのプロジェクトが今進められているのかを説明する。規制当局は、より大規模なデジタル情報の流れに対応する一方で、協調的な相場操縦への対応を迅速化しようとしている。ソーシャルプラットフォーム、プライベートメッセージ、アルゴリズム取引、複数の証券口座は、手作業による審査を困難にする。

2026年のKRXシステムは、発見の問題に対応した。計画中のFSSシステムは、調査のボトルネックを対象とする。両者を合わせると、公開シグナルの検出から証拠の構築に至るパイプラインが見えてくる。

真の争点はAIの速度と法的に説明可能な証拠の対立だ

調査が強固になるのは、システムが各提案が信頼できる事実とどう結び付くかを示せる場合に限られる。

報じられた設計は、より迅速な関係性の可視化、より焦点を絞った証拠収集、反復的な文書作成の削減を約束している。市場不正事件では、大量の取引、開示、メッセージ、過去の記録が関係することが多いため、これらの利点には妥当性がある。

しかし、調査の効率性は法的信頼性と同義ではない。モデルは、証拠上の意味を持たない統計的な関連性を見つけることがある。また、協調しているように見える行動に対する一般的な説明を見落とすこともある。

関連口座は有用な例だ。2人の投資家が、同じアナリスト、インデックス戦略、公開シグナルに従っているため、類似する証券を取引することはあり得る。家族は相場操縦を協調していなくても住所やデバイスを共有することがある。企業グループ間の関連事業体による資金移動が正当である場合もある。

モデルは、有用な手掛かりと結論を区別しなければならない。調査官が順位付けされた出力を事実として扱えば、検索範囲を狭めるために設計されたシステムが、かえって初期の疑念を固定化する可能性がある。

生成AIの構成要素は、第二の問題を生む。大規模言語モデルは、保証されたプロセスを通じて真実を取得するのではなく、もっともらしい語列を予測して文章を生成する。そのため、反証となる事実を省いたり、別々の出来事を混同したり、不確かな関係を過度に確信的に記述したりする可能性がある。

生成された文章が調査報告書に入る場合、そのリスクは深刻になる。裏付けの連鎖が不完全であっても、洗練された段落は権威があるように見えることがある。調査官には、基礎となる記録、モデル入力、検索結果へ直接アクセスできる環境が必要だ。

生成された草案内の重要な記述はすべて、特定可能な情報源へ遡れるべきだ。システムは、市場データ、公式提出書類、調査官の観察、第三者による申し立て、モデルの推論を区別しなければならない。これらのカテゴリーは、同じ証拠能力を持つものではない。

有用な出力では、3つの口座が定義された期間内に取引を行い、文書で確認された属性を共有していたことを示すべきです。危険な出力では、そのような評価の根拠を示さずに、これらの口座を協調グループとして説明してしまいます。

したがって、人によるレビューは任意の安全層ではなく、システムの仕組みの一部です。この循環的なワークフローが事案を改善できるのは、調査担当者が推奨に異議を唱え、矛盾する資料を追加し、各手掛かりを採用または却下した理由を記録する場合に限られます。

同じ原則は行政文書の起案にも当てはまります。テンプレートは定型業務を迅速化できますが、公務員は氏名、日付、取引額、法的基準、引用資料を確認しなければなりません。最終記録には編集履歴を残し、どの箇所がAIに由来するかを明示すべきです。

他国・地域の金融当局も、説明可能性をめぐる同様の課題に直面しています。国際決済銀行は、不透明性、不十分なデータガバナンス、サイバー脅威、第三者への集中を主要なモデルガバナンス上のリスクとして挙げています。

説明可能性は、すべてのモデルを数学的に単純なものにすることを求めるわけではありません。意思決定に見合った説明を求めるものです。調査担当者は、なぜその口座が抽出されたのか、どの記録が関連性を裏付けたのか、各特徴が結果にどの程度影響したのかを把握する必要があります。

システムは不確実性も保持しなければなりません。関係性マップは、エッジが共有所有、類似したタイミング、共通インフラ、あるいは未検証の推論のいずれを表すのかを伝えるべきです。すべての接続を同じ視覚的な重みで示すと、利用者を誤解させるおそれがあります。

ここでは指標も重要です。一般的なテストセット全体での正確性だけでは不十分です。FSSには、異なる相場操縦のパターン、市場環境、企業規模、口座構造に関する性能データが必要です。

偽陽性は調査能力を消費し、無関係な人々を調査対象にさらす可能性があります。偽陰性は不正行為の継続を許します。片方の率だけを最適化し、もう片方を報告しなければ、運用上のトレードオフが隠れてしまう可能性があります。

過去のデータには別の複雑さもあります。過去の調査は、それ以前の執行優先順位、調査慣行、利用可能な技術を反映しています。そうしたファイルで学習すると、新たなパターンを明らかにするのではなく、盲点を再現するおそれがあります。

ラベルにも一貫性がない可能性があります。証拠不十分で終結した事案は、必ずしも不審な活動が起きなかったことの証拠ではありません。終結済みのすべての事案をネガティブとして扱うよう訓練されたモデルは、誤った区別を学習する可能性があります。

Google Newsの見出しは、このシステムを自律的な調査官のように見せています。より正確な説明は、人間主導のプロセス内に配置された分析・起案ツール群です。この区別が日常運用で維持されるかどうかが、プロジェクトの信頼性を左右します。

閉域ネットワークは記録を保護するが、新たな制約も生む

モデルをFSSの境界内に置くことでデータ管理は改善される一方、保守、評価、説明責任への要求はより厳しくなります。

FSSは、調査ファイルに機密情報が含まれるため、外部モデルへの呼び出しを除外したと報じられています。この決定により、パブリッククラウドサービスへの露出が抑えられ、同機関は保存、アクセス、保持をより直接的に管理できるようになります。

ローカル配備は、プロンプトや事案文書が規制当局の環境外へ出るのを防ぐことができます。また、認証済み従業員に紐付いた詳細な監査ログも支援できます。モデルが非公開の市場情報や個人情報にアクセスできる場合、こうした管理は不可欠です。

しかし、隔離されたネットワークが自動的に安全なシステムになるわけではありません。管理者は依然として、誰がどの事案を取得できるかを制御する必要があります。広範な内部検索インターフェースは、正当な調査上の必要性がない従業員にも記録を公開してしまう可能性があります。

権限は元のシステムに従うべきです。調査担当者が文書を直接開けない場合、AIも要約を通じてその内容を明らかにすべきではありません。そうしなければ、検索システムが既存のアクセス制御を迂回する間接的な経路になり得ます。

モデルの回答にも永続的なログが必要です。調査担当者とレビュアーは、プロンプト、取得された記録、モデルのバージョン、出力、ユーザー操作、最終判断を再構築できるべきです。その履歴がなければ、後の異議申し立てを解決することは難しくなります。

ローカルモデルは保守負担を生みます。新しいモデルのバージョンでは、プロンプトと証拠が同一でも出力が変わる可能性があります。したがって更新には、配備前に代表的な事案を用いた回帰テストが必要です。

FSSには、セキュリティ修正と検証済みのモデル改善を閉域環境へ取り込む方法も必要になります。古いモデルは精度が低下したり、脆弱性が増えたりする可能性があります。更新を急ぎすぎると、十分なレビューなしに確立された挙動を変えてしまう可能性があります。

ファインチューニングはさらに別の問題を提起します。ファインチューニングは、タスク固有の例を使って汎用モデルを調整するものです。調査用語や文書形式への習熟度を高めることはできますが、証拠について忠実に推論することを保証するものではありません。

機密性の高い学習データは、通常の事案検索とは別に管理する必要があります。開発者は、個人情報が必要かどうか、例がどのくらい利用可能な状態に置かれるか、記録を将来の学習セットから削除できるかを把握する必要があります。

学習と検索の区別は重要です。検索は、モデルが特定の要求に答える際に文書を提供します。ファインチューニングは、例示データを使ってモデルの振る舞いを変更するため、削除と帰属をより複雑にする可能性があります。

公に利用可能なモデル重みを使用したとされる点についても、慎重な表現が必要です。利用可能な重みによってローカル配備は可能になりますが、利用可能であることが自動的に監査可能性を意味するわけではありません。規制当局には、学習データ、制約、ライセンス、評価方法に関する文書がなお必要です。

請負業者との関係も、もう一つの層を加えます。LG CNSは、金融サービスの統合、モデル、プラットフォーム、ITの能力を提供すると報じられています。それでもFSSは、ベンダーから独立して性能を評価できる能力を保持しなければなりません。

そのためには、配備前に受け入れテストを定義する必要があります。テストは、関連口座の精度、証拠検索、引用の忠実性、ハルシネーション率、アクセス制御の実施、悪意あるコンテンツへの耐性を対象とすべきです。

市場記録には敵対的な資料が含まれる場合があります。提出書類、苦情、収集されたオンライン投稿には、モデルの挙動を操作することを意図したテキストが含まれているかもしれません。信頼できないテキストを検索するシステムは、その資料が調査指示を上書きしないようにする必要があります。

プロジェクトには明確な失敗モードも必要です。モデルが必要な情報源にアクセスできない場合は、その欠落を明らかにすべきです。証拠が矛盾する場合は、単一の物語に無理にまとめるのではなく、その矛盾を提示すべきです。

チャットボットのインターフェースは複雑な分析を依頼しやすくしますが、技術的な限界を隠す可能性があります。調査担当者は、システムが承認済みのすべてのデータベースを検索したと考えるかもしれませんが、実際には一部しか照会していない可能性があります。インターフェースは、各回答について検索範囲を示すべきです。

これらの制約はいずれも、閉域ネットワーク戦略を無効にするものではありません。機密性、正確性、法的権限、手続的公正性には、それぞれ異なる管理策が必要であることを示しています。配備アーキテクチャだけで安全性全体を担うことはできません。

AIが事案ファイルに入ると、誰に圧力がかかるのか

直接的な圧力は調査担当者とシステム設計者にかかる一方、ブローカーやトレーダーは、より断片化されたシグナルを結び付けられる監視プロセスに直面します。

FSSの調査担当者が最初に影響を受けるグループです。定型的な記録の収集に費やす時間を減らし、仮説の検証により多くの時間を使える可能性があります。同時に、彼らは自ら設計していない技術プロセスを通じて生成された出力をレビューする責任を負うことになります。

研修はチャットボットの操作にとどまらないものにする必要があります。調査担当者は、偽陽性、データの欠落、モデルドリフト、信頼度スコア、相関と帰属の違いを理解しなければなりません。また、利用可能な証拠を過大に表現する生成文も見分けられるべきです。

監督者も関連する課題に直面します。AIの推奨が調査手順に影響を与えられる条件について、一貫したルールが必要です。モデルを信頼する非公式な文化は、文書化された方針と同じほど重大な影響を持つ可能性があります。

LG CNSおよびモデル供給者は、見栄えのよい出力ではなく追跡可能性を重視して構築するよう圧力を受けます。流暢な回答よりも、正確な記録に紐付いた主張の方が価値があります。システムの品質は、デモでの性能ではなく、事案の正確性と監査可能性によって測定されるべきです。

ブローカーは、関連口座や取引履歴に関する照会をより多く受ける可能性があります。本人確認・名寄せが不十分だったり、記録に一貫性がなかったりする企業は、対応に苦慮するかもしれません。規制分析の高度化は、監督対象業界全体におけるデータ品質の問題を明らかにする可能性があります。

協調した口座を利用するトレーダーは、より直接的な脅威に直面します。人物中心のシステムにより、隠蔽手法としての断片化の有効性は低下する可能性があります。複数の証券会社に分散した類似注文も、一つのパターンとして分析しやすくなるかもしれません。

一般投資家にも利害があります。相場操縦をより早く特定できれば、誤解を招くシグナルが株価を歪める期間を短縮できます。しかし、過度に広範な検出は、正当な活動を不必要な精査の対象にする可能性があります。

したがって、手続的な保護措置は市場の信頼にとって重要です。当局は、アラートが調査の開始につながったことを説明できるべきであり、アラート自体が不正行為を立証したと示唆すべきではありません。公的な執行発表でも、その区別を維持すべきです。

韓国取引所は新システムの単なる競合相手ではありません。そのAIモニターは上流の参照点として機能します。重要な制度上の問題は、KRXのアラート、共同対応業務、FSSの調査が、重複や誤りの増幅を避けながらどのように情報を交換するかです。

あるモデルのリスクスコアが別のモデルの学習シグナルになる場合、パイプラインはフィードバックループを生む可能性があります。同じ初期データに由来するにもかかわらず、機械生成の疑念が繰り返されることで、独立した裏付けのように見えるかもしれません。

当局は各シグナルの来歴を表示すべきです。オンライン投稿のスコア、取引パターンのアラート、調査担当者の観察、モデル生成の関係性は、事案全体を通してそれぞれ識別可能な状態に保たれるべきです。

このプロジェクトは、通常は別々に購入される複数の機能を統合するため、他の規制当局にも影響を与える可能性があります。商用の監視製品はすでに、アラートのトリアージ、エンティティ解決、事案管理、ナラティブ起案を支援しています。FSSは、自らの記録と手続を中心に、これらの能力を組み合わせていると報じられています。

この設計は制度固有性をもたらします。一方で、リスクも集中させます。共有プラットフォームで障害が起きれば、検出、調査、文書化のすべてに同時に影響する可能性があります。

開発者や企業の購入担当者にとって、この教訓は金融執行にとどまりません。ワークフローにエージェントを追加すると、判断が形成される場所が変わります。重要なのは、モデルが説得力のある回答を起案できるかではなく、重要なすべての主張が検証可能な証拠に結び付いたままであるかです。

ナレッジワーカーも、より小さな規模で同じ問題に直面します。システムは文書を整理し、つながりを提案できますが、利用者には依然として一次資料へのアクセスが必要です。根拠が不明確な洗練された要約よりも、証拠に紐付いた支援の方が持続性があります。

Google Newsは、このプロジェクトをAI導入の事例として可視化しています。そのより深い意味は、ワークフローにおける権限にあります。FSSは、モデルに調査の次の注目先を推奨させる準備を進めていると報じられています。

AI調査官が機能するかを示す3つのシグナル

このプロジェクトは、文書化された検証、人間による統制ルール、測定可能な調査結果によって評価されるべきです。

最初のシグナルは、2027年12月の完成前に示される最終的なシステム仕様です。そこでは、採用モデル、許可されたデータソース、セキュリティアーキテクチャ、テスト要件、生成される提言の範囲が明らかにされるべきです。

詳細な仕様が示されれば、このプロジェクトが大まかな調達構想の段階を越えたという信頼を高められます。評価やトレーサビリティについて説明がなければ、このシステムが重大な調査業務に対応できるという主張は弱まるでしょう。

2つ目のシグナルは、公開された人間による監督の枠組みです。FSSは、誰が証拠照会を承認し、生成された文書を検証し、モデル出力を変更し、最終判断の責任を負うのかを明確にすべきです。

この枠組みでは、異議申し立てや訂正についても扱う必要があります。口座間の関連付けが不正確だと判明した場合、調査担当者には事件記録を修正し、同じ誤りが将来の分析へ波及することを防ぐプロセスが必要です。

明確な監督ルールは、AIが意思決定者になることなく調査を加速できるという中核的な評価を裏付けます。人間が関与し続けるという曖昧な保証では、はるかに弱い根拠にとどまります。

3つ目のシグナルは、導入後の運用パフォーマンスです。当局は、アラートの適合率、調査担当者の作業時間削減、誤検知の傾向、案件処理時間、職員によって却下された提言の割合など、有用な指標を報告すべきです。

こうした指標には文脈が必要です。矛盾する証拠を見落とすのであれば、調査が短縮されても改善とは言えません。審査段階で大半の案件が崩れるのであれば、検知件数が増えてもより良いとは言えません。

パフォーマンスは、KRXの監視段階とも比較されるべきです。複数のシステムが1つの執行パイプラインで稼働する場合、FSSのツールが新たな関係性を発見しているのか、それとも上流のアラートを繰り返しているだけなのかを規制当局は把握する必要があります。独立した貢献は極めて重要です。

2028年の本格運用までには、同機関がこれらの統制を整備する時間があります。同時に、調達に関する主張が実証済みの成果を先行し得る長い期間も生まれます。読者は、検証可能な詳細を伴う場合にのみ、マイルストーンを証拠として扱うべきです。

Google Newsの記事は、その精査の始まりであって終わりではありません。韓国の金融監督当局は、口座を結び付け、追加の証拠を要求し、事件文書を起草できるアシスタントを構築していると報じられています。これらは重要な能力ですが、いずれも根拠ある人間の判断に取って代わるべきではありません。

最終的な技術仕様、監督ルール、そして最初のパフォーマンス開示に注目してください。これらを総合すれば、最も重要な問いへの答えが得られるでしょう。韓国のAI調査官は、市場濫用案件をより迅速に処理しながら、疑念から証拠に至る透明な経路を維持できるのでしょうか。