Anthropic AI for Science, 재단과 연구 기관을 통해 확장

Anthropic은 20개 과학 파트너와 함께 AI for Science 프로그램을 확장하며, 개별 연구자를 넘어 연구 커뮤니티 전반에 접근성을 배포할 수 있는 조직으로 무게중심을 옮겼다. 2026년 10월 28일 발표된 이 소식은 Claude가 과학 연구에 도입될 영역을 결정하는 과정에서 재단과 연구 기관의 역할을 더욱 부각한다. 핵심 질문은 이들 조직이 이러한 접근성을 바탕으로 무엇을 구축하고 검증할 수 있는가다.

이번 확장은 Anthropic AI for Science를 연구 지원 프로그램인 동시에 기관 도입 사례로 만든다. 재단은 자원과 프로젝트를 연결할 수 있고, 연구소는 소프트웨어, 데이터 접근, 평가를 조율할 수 있다. 이는 연구 리더들에게 개별 사용자의 열의를 넘어 과학적 유용성을 판단해야 한다는 압박을 만든다.

Google DeepMind는 연구 가설을 생성하고 평가하는 방식으로 AI 시스템을 구성하는 Co-Scientist 작업을 통해 관련 비교 사례를 제시한다. Anthropic의 발표는 과학 도구가 확산되는 경로인 조직이라는 다른 층위에 초점을 둔다. 두 접근법은 공통된 제약에 직면한다. 더 빠른 계산 작업도 연구자가 확인할 수 있는 발견으로 이어져야 한다는 점이다.

Anthropic AI for Science, 개별 지원금을 넘어 확장

이번 확장은 과학 조직이 AI 자원이 연구자에게 전달되는 방식을 결정하는 데 더 큰 역할을 부여한다.

Anthropic의 과학 프로그램 확장은 Sloan Foundation, Simons Foundation, Wellcome Sanger Institute, European Molecular Biology Laboratory 등을 파트너로 명시한다. 그 구조는 자금 제공자, 기관, 특정 연구 이니셔티브를 아우른다. Anthropic은 참여하는 자금 제공자가 Claude 크레딧을 배포하고, 기관 파트너는 이를 내부적으로 사용할 것이라고 밝혔다.

회사는 많은 협력이 초기 단계의 노력이라고 설명한다. 또한 오픈 데이터세트, 소프트웨어, 표준, 공동 라이브러리를 잠재적인 공공적 혜택으로 제시한다. 이는 이번 확장이 이미 발견을 가속했다는 증거가 아니라 향후 기대되는 산출물이다.

이 구분은 중요한데, 크레딧 제공과 기관 간 협력이 서로 다른 문제를 해결하기 때문이다. 크레딧은 서비스를 시험하는 즉각적인 장벽을 낮춘다. 기관은 어떤 데이터세트가 적절한지, 누가 결과물을 검토하는지, 성공적인 실험이 공동 관행으로 자리 잡는지까지 결정할 수 있다.

예를 들어, 한 연구자는 분석 코드를 작성하는 데 어시스턴트가 도움이 되는지 시험할 수 있다. 하지만 부서는 동료들이 나중에 해당 분석을 재현할 수 있는지 고려해야 한다. 재단은 그 워크플로를 지원하는 일이 자사의 연구 우선순위와 지원자 커뮤니티에 부합하는지 판단해야 한다.

이러한 책임은 접근성을 조직적 의사결정으로 바꾼다. 승인은 설득력 있는 답변을 내놓는 모델을 고르는 것 이상을 의미한다. 생성된 코드가 실패했을 때 책임을 배정하고, 민감한 정보가 어디에 있어야 하는지 결정하며, 공개된 연구 결과의 근거 자료를 보존하는 일도 포함된다.

이것이 기존 과학 조직을 통해 접근성을 확대하는 방식의 실질적 의미다. 이들은 실험을 기존 검토 절차와 연결할 수 있다. 또한 고립된 성공 사례에 의존하지 않고 프로젝트 전반의 경험을 비교할 수 있다.

그렇다고 모든 참여 조직이 공통 워크플로를 채택한다는 뜻은 아니다. 연구 분야마다 방법론, 데이터 제한, 증거 기준이 다르다. 기관 참여의 가치는 부분적으로 그러한 차이가 구현 방식을 형성하도록 허용하는 데 달려 있다.

유용한 구분은 자원을 배포하는 것과 역량을 구축하는 것 사이에 있다. 배포는 연구자의 손에 도구를 쥐여 준다. 역량은 팀이 언제 이를 사용해야 하는지, 결과물을 어떻게 검토해야 하는지, 언제 다른 방법이 더 적절한지를 아는 것을 뜻한다.

이번 발표는 배포 노력을 확립한다. 역량에 관한 질문은 이후 진행되는 작업을 통해 드러날 것이다. 따라서 기관은 확장된 접근성이 지속 가능한 연구 인프라로 이어질지를 결정하는 핵심 주체가 된다.

Claude 과학 연구를 지켜보는 독자에게는 찾아야 할 증거도 달라진다. 파트너 명단은 도달 범위를 보여 준다. 문서화된 방법, 재사용 가능한 산출물, 독립적 검증은 그 도달 범위가 무엇을 이루는지 보여 준다.

연구 리더가 도입 결정을 떠안는다

기관 차원의 접근성은 연구 품질, 데이터, 공동 인프라를 관리하는 사람들에게 책임을 더 크게 부여한다.

직접적인 부담은 과학 행정가, 연구 소프트웨어 팀, 그리고 프로젝트를 이끄는 연구자인 책임연구자에게 돌아간다. 이들은 이용 가능한 자원을 방어 가능한 연구 관행으로 전환해야 한다. 이를 위해서는 지원이 도움이 되는 영역과 감독이 여전히 필수적인 영역을 판단해야 한다.

생성된 분석 코드를 평가하는 연구실을 생각해 보자. 성공적인 시연은 코드가 실행되고 그럴듯한 그림을 생성한다는 사실을 보여 줄 수 있다. 하지만 연구 의사결정에는 더 많은 것이 필요하다. 가정이 연구 질문에 부합하는지, 결과가 적절한 검증을 견디는지를 확인해야 한다.

이는 서로 다른 성공 기준이다. 도구는 결과물을 만드는 데 필요한 노력을 줄일 수 있지만, 그 의미를 확립하는 데 필요한 노력까지 줄이는 것은 아니다. 리더들은 워크플로가 더 생산적이라고 설명하기 전에 두 측면 모두를 고려해야 한다.

조직 차원의 이해관계는 당장 진행 중인 프로젝트를 넘어선다. 유용한 워크플로가 연구자의 개인 대화 기록 안에만 남아 있다면, 동료들은 불완전한 방법을 물려받게 된다. 팀이 코드, 입력값, 검토 결정을 보존한다면 그 개선은 더 쉽게 재사용할 수 있다.

이 때문에 문서화는 도입 결정의 일부가 된다. 연구 그룹은 어시스턴트가 무엇을 기여했고 연구자들이 무엇을 변경했는지 기록해야 한다. 또한 겉보기에는 유망한 접근법이 왜 기각됐는지 이해할 만큼의 맥락도 필요하다.

검색 가능한 지식 기반은 기술 자료를 더 쉽게 찾을 수 있게 해 이러한 문서화 작업을 지원할 수 있다. 이는 분석을 재현하는 데 필요한 기초 기록을 보완한다. 과학적 요구사항은 증거, 결정, 결론 간의 추적 가능한 연결로 남는다.

자금 제공자는 이와 관련된 자원 배분 문제에 직면한다. 기존 조직을 통해 접근성을 제공하면 자원과 관련 전문성을 연결할 수 있다. 그러나 참여 확대가 목표에 포함된다면 선정 절차는 면밀히 검토할 필요가 있다.

중요한 질문은 접근성과 함께 실질적 지원을 받는 사람이 누구인가다. 경험 많은 소프트웨어 동료가 있는 연구자는 그러한 지원 없이 일하는 사람과 새 도구를 다르게 평가할 수 있다. 크레딧에 대한 동등한 접근이 이를 잘 활용할 동등한 역량을 자동으로 만들지는 않는다.

따라서 기관은 각자의 출발 조건을 기준으로 성공을 판단해야 한다. 소규모 연구실에 유용한 결과는 유지보수 가능한 분석 스크립트일 수 있다. 더 큰 연구소는 여러 부서의 프로젝트를 지원하는 공동 인프라를 목표로 할 수 있다.

어느 결과도 모든 과업을 AI에 적합한 것으로 취급할 필요는 없다. 오류를 발견할 수 있고 과학적 목적이 분명한 작업을 선별해 도입하는 편이, 혜택이 불분명한 광범위한 배포보다 더 강한 증거를 제공할 수 있다. 연구 리더는 오류를 감지할 수 있고 과학적 목적이 명확한 작업을 식별할 책임을 계속 진다.

이 때문에 이번 확장은 학계 밖의 기업 구매자에게도 중요하다. AI 어시스턴트를 평가하는 조직도 개인의 편의성과 기관의 신뢰성 사이에서 유사한 구분에 직면한다. 신뢰할 만한 도입 사례는 누가 작업을 검토하는지, 유용한 관행이 최초 사용자 이후에도 어떻게 유지되는지를 설명한다.

공동 도구는 연구 지원의 가치를 확장할 수 있다

재사용 가능한 과학 자원은 원래의 지원을 직접 받지 않은 연구자에게도 도움이 될 수 있다.

가장 강력한 기관 차원의 근거는 다른 곳으로 확산되는 작업에 있다. 검증된 데이터 처리 방법은 다른 연구실에 도움이 될 수 있다. 문서화된 소프트웨어 구성 요소는 다른 프로젝트를 지원할 수 있다. 공개 표준은 도구를 연결하는 데 필요한 노력을 줄일 수 있다.

이러한 혜택은 유지보수와 명확성에 달려 있다. 코드를 공개하면 검토는 가능해지지만, 다른 연구자가 이를 실행할 수 있다는 보장은 없다. 재사용을 위해서는 이해하기 쉬운 입력값, 명시된 가정, 충분히 완전한 계산 환경이 필요하다.

Allen Institute는 관련 작업의 실체를 구체적으로 보여 준다. 2026년 2월 10일의 연구 에이전트 협업은 연결된 도구를 사용해 과업을 수행하는 소프트웨어 시스템인 맞춤형 AI 에이전트 계획을 설명한다. 제안된 활용 분야에는 메타데이터 수집, 생물학 데이터 분석, 그리고 연구 데이터의 라벨링과 분류를 뜻하는 주석 작업이 포함된다.

Allen Institute 최고기술책임자 Andy Hickl은 연구자들이 데이터와 가설을 탐색할 수 있는 역량을 중심으로 기회를 설명한다. 이는 운영상 제약을 특정한다는 점에서 유용한 파트너 관점이다. 과제에는 기존 과학 자원을 더 쉽게 활용할 수 있도록 만드는 일도 포함된다.

연구소의 설명은 계획된 작업에 대한 진술이다. 이는 과학 과업 전반에서 일반적인 성능 향상이 입증됐다는 의미는 아니다. 이 협업을 평가하려면 구체적인 워크플로, 검토 요건, 산출물의 품질을 살펴봐야 한다.

주석 작업은 그 차이를 잘 보여 준다. 어시스턴트는 데이터세트의 라벨을 제안해 반복적인 준비 작업을 줄일 수 있다. 연구자들은 여전히 그 라벨이 의도한 분석에 충분히 정확한지 확인해야 한다.

그 이후의 영향은 상당할 수 있다. 잘못된 라벨은 명백한 소프트웨어 오류를 일으키지 않으면서도 후속 비교에 영향을 줄 수 있다. 따라서 유용한 평가는 라벨을 만드는 데 걸리는 시간과 함께, 제안된 라벨이 과학적 결론에 어떤 영향을 미치는지도 검토한다.

기존 오픈사이언스 프로젝트는 공동 자원이 주목받을 만한 이유를 보여 준다. FlyWire의 뇌 연결 프로젝트는 자동화된 이미지 분석과 전문가 교정을 결합해 성체 초파리의 뇌 연결을 재구성한다. 대표 논문은 여기서 논의하는 확장 발표 이전인 2024년 10월에 나왔다.

이 연대기는 중요하다. 기존 연구 성과가 새롭게 발표된 협업의 암묵적 결과로 비쳐서는 안 된다. 관련 질문은 지원을 통해 어떤 추가 작업이 가능해지는지, 그리고 그 추가 성과가 더 넓은 커뮤니티에도 계속 유용한지다.

FlyWire는 인간 감독을 위한 실질적인 참고 사례도 제공한다. 자동화 처리와 전문가 수정은 자원의 서로 다른 부분에 기여한다. 이들의 결합은 과학 워크플로를 자동화 구성 요소의 역량만으로 평가할 수 없는 이유를 설명한다.

Anthropic AI for Science의 기관적 기회는 이와 비슷한 도구, 전문성, 공동 자료의 조합을 지원하는 데 있다. 이는 발표로 확립된 결과가 아니라 분석적 기대다. 증거는 다른 연구자가 검토하고 활용할 수 있는 자원에서 나올 것이다.

특히 유익한 결과는 외부 피드백 이후 자원이 어떻게 바뀌었는지를 설명하는 사례일 것이다. 수정 사항은 관리자가 과학적 검토에 대응할 수 있는지를 보여 준다. 지속적인 유용성에는 초기 공개와 함께 그러한 과정이 필요하다.

Google의 접근법도 같은 검증 제약을 부각한다

경쟁하는 과학 연구 보조 도구 역시 자신이 생성한 추론 밖에서도 엄밀한 검증을 견디는 증거에 의존한다.

Google DeepMind의 Co-Scientist 연구는 Claude 과학 연구와 비교할 때 유용한 기준을 제공한다. Google은 에이전트들이 가설을 생성하고, 비판하며, 순위를 매기고, 개선하는 Gemini 기반 시스템이라고 설명한다. 이 시스템은 연구할 아이디어를 발전시키는 연구자들의 파트너로 제시된다.

이러한 강조점은 Anthropic의 최근 발표에서 설명한 기관 단위의 보급 방식과 다르다. Co-Scientist는 AI 시스템 내부의 구조화된 연구 과정을 전면에 내세운다. Anthropic의 확장은 자원을 제공받고 배분하는 과학 기관을 전면에 내세운다.

실무에서는 이러한 접근 방식이 겹칠 수 있다. 기관은 가설 개발, 소프트웨어 작업 또는 데이터 준비를 위해 보조 도구를 사용할 수 있다. 핵심 비교 지점은 각 접근 방식이 제안된 기여를 이를 확인할 신뢰할 수 있는 방법과 어떻게 연결하는가이다.

순위가 매겨진 가설도 여전히 가설이다. 다듬어진 설명도 여전히 설명이다. 여러 에이전트가 검토했거나 결과물이 기존 문헌과 일관돼 보인다고 해서 어느 쪽도 실증적 발견이 되는 것은 아니다.

Google DeepMind 역시 과학적 검증 병목에 관한 분석에서 이 문제를 다룬다. 저자들은 에이전트가 아이디어 생성은 개선하고 있지만, 이에 상응하는 검증 성과는 내놓지 못하고 있다고 주장한다. 또한 자금 지원 기관, 연구 기관, 동료 심사에 미치는 영향을 짚는다.

이는 과학 AI 시스템을 구축하는 기업이 내놓은 중요한 인정이다. 이는 기술적 이야기 안에 조직의 역량을 위치시킨다. 연구자들이 제안들을 효과적으로 선별하고 조사할 수 있을 때에만 더 많은 제안을 만드는 일이 도움이 된다.

재단에는 이것이 더 폭넓은 지원 정의를 시사한다. 후보 아이디어를 생성하는 자원에는 평가를 위한 상응하는 자원이 필요할 수 있다. 그렇지 않으면 이 프로그램은 전문가의 관심을 기다리는 작업량만 늘릴 수 있다.

연구소에는 생산성을 측정하는 방식이 달라진다는 의미다. 생성된 가설의 수를 세는 것은 산출량에 보상을 준다. 어떤 가설이 의미 있는 조사를 받았는지 추적하는 편이 이 워크플로가 연구 의제를 뒷받침하는지 더 잘 보여준다.

같은 구분은 소프트웨어에도 적용된다. 생성된 스크립트 수를 세는 것은 활동을 드러낸다. 어떤 스크립트가 검증되고 유지보수되는 구성 요소가 되었는지 살피는 것은 기관이 지속 가능한 무언가를 얻었는지 보여준다.

이 발표들만으로 Anthropic과 Google 사이에 보편적인 승자를 선언할 근거는 없다. 양사의 공개 설명은 과학 작업의 서로 다른 구성 요소를 다룬다. 신뢰할 수 있는 비교를 위해서는 공통 과제, 관련 정보에 대한 동등한 접근, 일관된 평가 기준이 필요하다.

연구자들은 자신의 작업이 변함에 따라 접근 방식 중에서 선택할 자유도 필요하다. 문헌 탐색에 유용한 시스템이 제한된 데이터셋에는 덜 적합할 수 있다. 코드 준비를 돕는 보조 도구가 실험 결과 해석 단계에서는 거의 이점이 없을 수도 있다.

경쟁이 확대될수록 이는 기관의 판단을 더 중요하게 만든다. 과학 기관은 도구와 과제의 관계를 평가해야 한다. 공급업체의 평판과 파트너십의 가시성이 이러한 평가를 대신할 수는 없다.

더 많은 산출물이 미해결 과학적 질문을 가릴 수 있다

연구자들이 유용한 지원과 그럴듯하지만 잘못된 결과를 구분할 수 있을 때, 확대된 접근성은 가치를 갖는다.

회의적인 관점은 과학 보조 도구가 모든 과제에서 실패한다고 가정할 필요가 없다. 더 좁은 우려에서 출발한다. 겉보기 생산성은 연구자들이 자신이 만들어낸 작업을 이해하고 검증하는지 여부를 가릴 수 있다.

Lisa Messeri와 M. J. Crockett은 이해의 환상에 관한 Nature 관점 글에서 이 문제를 검토한다. 이들은 AI에 대한 열광이 인지적 한계를 이용하고 과학적 단일 문화를 조장할 수 있다고 주장한다. 이들의 설명에 따르면 특정 방법과 질문이 대안을 밀어낼 수 있다.

이 관점 글은 이번 발표보다 앞서 나왔으며, 이러한 파트너십을 평가하지는 않는다. 다만 기관 도입과 관련된 더 폭넓은 경고를 제공한다. 도구는 연구자들이 추구하는 질문뿐 아니라 그 질문을 추구하는 속도에도 영향을 줄 수 있다.

존경받는 기관을 통해 접근이 확산될 때 이러한 영향은 검토할 가치가 있다. 기관의 참여는 실험을 정당화하기 쉽게 만들 수 있다. 동시에 가정에 의문을 제기하고 접근 방식을 비교할 기회도 만들어야 한다.

예를 들어 연구자들은 보조 도구가 쉽게 수행할 수 있는 분석을 선호할 수 있다. 그러한 편의는 과학적 질문에 부합할 때 유용하다. 하지만 이용 가능한 워크플로가 어떤 질문이 관심을 받는지 조용히 결정하게 되면 문제가 된다.

적절한 대응은 신중한 선택을 보존하는 것이다. 팀은 왜 특정 방법을 선택했는지, 어떤 대안을 검토했는지 설명해야 한다. 생성된 권고안은 통상적으로 받아들여진 관행과 닮았더라도 면밀한 검토가 필요하다.

오류는 드러나는 방식도 다르다. 망가진 코드는 즉시 멈출 수 있다. 부적절한 통계적 가정은 깔끔한 결과 뒤에 숨은 채 남아 있을 수 있다. 따라서 검토는 소프트웨어의 동작뿐 아니라 과학적 추론도 다뤄야 한다.

이 때문에 시간 절감에 대한 주장은 복잡해진다. 더 빠른 초안은 추가적인 전문가 검토를 요구할 수 있다. 관련 비교에는 최초 생성 단계만이 아니라 수정, 검증, 오류의 결과도 포함돼야 한다.

부정적 결과도 여기서는 유익한 정보가 될 수 있다. 지원이 도움이 되지 못한 과제를 문서화하면 다른 연구자들이 부적합한 워크플로를 피하도록 안내할 수 있다. 그러한 보고는 폭넓은 생산성 서사를 약화시키더라도 프로그램의 실질적 가치를 높일 수 있다.

접근 조건은 또 다른 불확실성을 만든다. 일시적인 지원은 프로젝트가 이후 어떻게 운영될지 정립하지 않은 채 실험을 가능하게 할 수 있다. 기관은 지원 조건이 바뀔 때 유용한 산출물을 보존하고 유지할 수 있는지 이해해야 한다.

따라서 이식성은 연구 품질의 일부다. 코드, 데이터 변환, 방법론 기록은 특정 대화 인터페이스 밖에서도 이해할 수 있어야 한다. 이것이 소프트웨어 서비스에 대한 의존성을 없애지는 않지만, 그 의존성을 더 쉽게 평가하게 한다.

그러므로 이 확장은 구체적인 연구 기여의 집합을 통해 평가돼야 한다. 발견 가속화에 대한 폭넓은 주장은 성공적인 온보딩이나 열정적인 피드백보다 더 강한 증거를 요구한다. 기관의 참여는 평가가 명시적으로 유지되는 한 그 증거를 수집할 장소를 만든다.

재사용 가능한 산출물, 검증된 결과, 지속적인 활용을 살펴봐야 한다

다음으로 유용한 증거는 연구자들이 무엇을 만들었고, 어떻게 검증했으며, 다른 이들이 계속 사용했는지를 보여줄 것이다.

향후 몇 달 동안 가장 먼저 주목할 신호는 점검 가능한 연구 자료의 공개다. 여기에는 소프트웨어, 문서화된 데이터 변환, 평가 방법 또는 공유 자원이 포함될 수 있다. 그 의미는 원래 팀 외부의 누군가가 그것들이 무엇을 하는지 이해할 수 있는지에 달려 있다.

명확한 지침과 한계를 갖춘 공개는 기관 단위 보급의 근거를 강화할 것이다. 이는 지원이 개별 연구자를 넘어 확산될 수 있는 무언가를 만들었음을 보여줄 것이다. 재사용에 필요한 맥락 없이 공개된다면 증거는 더 약해진다.

이 구분은 실질적이다. 저장소는 공개되어 있으면서도 여전히 해석하거나 실행하기 까다로울 수 있다. 검토자는 명시된 과학 과제, 구현, 그리고 사용을 뒷받침하는 증거 사이에 일관된 연결이 있는지 살펴야 한다.

두 번째 신호는 전체 워크플로를 측정하는 평가다. 유용한 보고서는 연구자들이 무엇을 시도했는지, 지원이 무엇을 기여했는지, 산출물을 어떻게 검증했는지 설명해야 한다. 비교에는 작업을 수정하거나 승인하는 데 필요한 전문가의 노력도 포함돼야 한다.

이는 과제 수행 가속화와 과학적 진전을 구분하는 데 도움이 된다. 준비 시간을 줄이는 것은 그 자체로 가치가 있을 수 있다. 하지만 결과 방법이 연구의 신뢰성이나 범위를 개선한다는 점을 확립하려면 추가 증거가 필요하다.

독립적인 검토는 이러한 보고를 한층 강화할 것이다. 다른 팀이 분석을 재현하거나 그 한계를 찾아내는 일은 파트너십 발표만으로는 제공할 수 없는 정보를 준다. 성공하지 못한 접근 방식에 대한 명확한 설명도 평가 과정에 대한 신뢰를 높일 것이다.

세 번째 신호는 초기 시연 이후에도 계속되는 활용이다. 수정 사항을 받아들이고 이후 프로젝트를 지원하는 공유 자원은 지속적인 가치의 증거를 제공한다. 연구 질문, 소프트웨어 의존성, 데이터 출처는 변하기 때문에 지속적인 유지보수는 중요하다.

더 폭넓은 참여 역시 유익한 정보가 될 것이다. 원래 파트너 팀 밖의 연구자들이 결과 자료를 사용할 수 있다면 공익 측면의 근거는 더 강해진다. 산출물이 문서화되지 않은 현지 지식에 계속 의존한다면 그 범위는 더 좁아질 것이다.

이러한 신호 어느 것도 즉각적인 발견 발표를 요구하지 않는다. 기관 인프라는 대체로 큰 주목을 받지 못하는 신뢰할 수 있는 작업을 통해 가치를 입증한다. 더 나은 문서화, 검증된 소프트웨어, 활용 가능한 데이터는 그 자체가 발견이 되지 않더라도 미래의 발견을 뒷받침할 수 있다.

따라서 독자는 파트너십 소식과 함께 연구 산출물도 추적해야 한다. Anthropic AI for Science는 연구자들이 지원을 받을 수 있는 경로를 확대했다. 그 체계가 과학 작업을 개선하는지는 구체적이고 점검 가능한 기여를 통해 더 분명해질 것이다.

이것이 무엇을 의미하는지 검토하는 연구팀이라면, 구체적인 과학 과제에서 시작해 지원을 평가하기 전에 유용한 증거를 정의해야 한다. 원래 입력값, 생성된 자료, 수정 사항, 최종 추론을 보존하라. 검토 시간과 해결되지 않은 오류를 포함해 전체 노력을 기존 접근 방식과 비교하라. 다른 연구자가 비공개 대화나 문서화되지 않은 결정에 접근하지 않고도 결과를 검토할 수 있는지 물어야 한다. 그런 다음 초기 성공을 넘어 살펴보라. 누가 워크플로를 유지할 것이며, 그 혜택을 받을 수 있는 다른 사람은 누구인가? 파트너의 산출물이 나타나는 과정에서 이러한 질문을 계속 따르고, 점검하고 재현하며 그 위에 구축하기 쉬워진 연구를 기준으로 이 확장을 판단하라.