Anthropic RSI 경고, 인간 통제에 압박 가하다
Anthropic은 현재 어떤 모델도 해당 지정을 받지는 않았지만, 미래 모델이 곧 자사 안전 정책의 기준선을 넘어 AI 개발을 가속할 수 있다고 경고했다. Anthropic RSI 경고는 AI가 점점 더 유능한 후속 모델을 만드는 데 도움을 주는 피드백 과정인 재귀적 자기 개선에 관한 것이다. 당면한 긴장은 실용적이다. 연구 가속화는 인간의 감독이 속도를 따라잡기 어렵게 만들 수 있다.
이 경고는 2026년 11월 2일자 수정 등록 신고서에 담겼다. 이는 AI가 무제한적으로 스스로를 개선하기 시작했는지보다 더 좁은 질문을 제기한다. 도구가 자신의 대체물을 만드는 작업을 가속할 때, 연구소는 개발을 어떻게 관리해야 할까?
OpenAI도 자동화된 연구를 추진하고 있어, 이는 Anthropic만의 예측이 아니라 공동의 거버넌스 문제다. 핵심 갈등은 더 빠른 AI 개발과 실질적인 인간 통제 사이에 있다. 개발자, 기업 구매자, 정책 입안자는 자기 구축 AI를 이미 달성된 사실이나 공허한 구호로 취급하기 전에 양측에 관한 근거를 확인해야 한다.
Anthropic RSI 경고가 실제로 바꾸는 것
즉각적인 변화는 완전 자율적 모델 개발 발표가 아니라, 예상되는 연구 가속화에 관한 공시다.
Anthropic은 수정 등록 신고서에서 미래 모델에 대한 기대를 고려하면 곧 정책상 기준선에 도달할 수 있다고 밝혔다. 관련 표현은 “AI에 기인한 극적으로 가속된 진전”이다. 회사는 현재 모델이 이를 초과한다고 지정하지는 않았다.
Anthropic은 측정 지연도 인정했다. 과거에는 가속화가 발생한 뒤에야 이를 인식했다는 것이다. 회사는 최전선 개발에 대한 인간 통제를 유지하기 위해 정책 변경을 검토하고 있다. 최전선 모델은 범용 AI 역량의 선도적 경계 부근에서 작동하는 시스템이다.
이 발언들은 경고, 제한된 가시성의 인정, 그리고 제안된 거버넌스 대응책을 보여준다. 그러나 AI 시스템이 독립적으로 더 나은 모델의 연속적 세대를 만들어냈다는 공개 시연을 입증하지는 않는다. 이 구분은 독자가 헤드라인을 해석하는 방식을 바꾼다.
인간이 여전히 목표를 선택하고, 실험을 승인하며, 결과를 해석하는 가운데 연구소는 AI로부터 상당한 도움을 받을 수 있다. 이 체계는 이미 기존 모델과 그 후속 모델 사이에 피드백 관계를 만든다. 완전 자율 개발은 훨씬 더 넓은 범위의 의사결정을 이전하게 된다.
분석을 위해서는 이 상황들을 구분하는 것이 도움이 된다. AI 지원은 작업에 기여하는 도구를 의미한다. 연구 가속화는 유용한 작업이 결과를 만들어내는 속도의 변화를 뜻한다. 자율적 후속 모델 개발은 다른 모델을 만드는 과정을 시스템이 관리하는 것을 말한다.
이 범주들은 겹치지만, 하나에 대한 근거가 자동으로 다른 하나를 입증하지는 않는다. 연구소는 가장 어려운 연구 결정을 가속하지 않은 채 일상적인 엔지니어링을 자동화할 수 있다. 반대로 핵심 병목에 대한 집중 지원은 대부분의 작업이 여전히 인간 주도로 이뤄져도 개발 기간을 단축할 수 있다.
따라서 이 신고서는 RSI라는 용어에 붙는 모든 해석을 뒷받침하지는 않지만 주목할 가치가 있다. 그 중요성은 개발 속도와 안전장치의 관계에 대한 회사의 명시적 우려에 있다. 공개 근거는 여전히 그 관계를 설명해야 한다.
위험 공시도 신중하게 읽어야 한다. 위험 공시는 노출 요인과 불확실성을 식별하는 것이며, 독자는 이를 통제된 실험으로 받아들여서는 안 된다. 미래 시스템이 무엇을 할 수 있는지에 관한 진술은 기존 시스템의 재현 가능한 결과와 다른 증거적 비중을 지닌다.
그렇다고 이 경고가 사소해지는 것은 아니다. 연구 속도에 의미 있는 변화가 예상되는 연구소라면 변화가 도래하기 전에 대비해야 한다. 하지만 준비와 검증은 별개의 의무이며, 어느 쪽도 다른 쪽을 대체하지 않는다.
유용한 질문은 어떤 근거가 이 예측을 관찰 가능한 변화와 연결할 수 있는가다. 독자는 명확히 정의된 기준선, 비교 가능한 연구 과제, 그리고 여전히 필요한 인간 작업에 대한 설명을 살펴봐야 한다. 이러한 세부 정보가 없다면 “가깝다”는 외부인이 거리를 신뢰성 있게 측정할 수 없는 예측에 머문다.
더 빠른 연구는 승인하는 사람들에게 압박을 가한다
중요한 의사결정의 양이 사람들이 평가할 수 있는 속도보다 빠르게 늘어날 때, 연구 가속화는 감독 문제를 만든다.
예시적인 연구 워크플로를 생각해 보자. AI 보조 도구가 실험을 제안하고, 구현 코드를 작성하며, 학습 작업을 실행하고, 결과를 요약한다. 인간 연구자는 요약을 검토한 뒤 계속 진행할지 결정한다.
이 과정은 감독받는 것처럼 보인다. 그러나 감독의 질은 검토자가 무엇을 살펴보고, 이해하고, 이의를 제기할 수 있는지에 달려 있다. 유창한 요약을 읽는 일은 실험이 실제로 주장된 결론을 뒷받침하는지 확인하는 일과 다르다.
자동화가 실험 수를 늘리면 검토 부담도 달라진다. 검토자는 모든 중간 행동을 똑같이 살피지 않고도 중요한 의사결정을 식별할 방법이 필요하다. 그렇지 않으면 인간의 승인은 조사 깊이가 거의 없는 절차적 점검 단계가 될 수 있다.
안전성 팀도 관련된 문제에 직면한다. 이들은 개발 도구 자체가 변화하는 시스템을 평가해야 한다. 이전 워크플로에서 충분한 가시성을 제공했던 프로세스가 더 광범위한 위임으로 생긴 위험을 놓칠 수 있다.
연구 관리자는 경쟁하는 유인도 마주한다. 추가 실험은 유용한 아이디어를 발견할 수 있지만, 컴퓨팅 자원, 평가 인프라, 인간의 주의를 더 많이 요구한다. 활동을 늘린다고 해서 조직이 각 개발 주기에서 더 많이 배우는 것은 아니다.
그에 따른 압박은 연구자에만 국한되지 않는다. 경영진은 어떤 시점에 근거가 접근 확대나 개발 지속을 뒷받침하는지 결정해야 한다. 거버넌스 기구는 전문가가 기술적 결과를 사업 의사결정으로 번역한 뒤에도 이해할 수 있는 정보를 필요로 한다.
기업 구매자는 다른 결과에 직면한다. 이들은 신뢰성, 행동 양식, 통합 전제에 영향을 미치는 변화를 공급업체가 알려주기를 기대한다. 더 빠른 내부 개발은 잠재적 이점을 제공하지만, 고객에게도 대체품이 자신의 워크플로에 맞는지 평가할 충분한 시간이 필요하다.
개발자에게 실질적인 문제는 비교를 위한 안정적인 기반을 유지하는 것이다. 공급업체 평가에서 더 좋은 결과가 특정 애플리케이션에서의 더 나은 성능을 보장하지는 않는다. 통합 결정에는 해당 애플리케이션이 실제로 수행하는 과제에서 얻은 근거가 필요하다.
지식 근로자도 더 작은 규모에서 같은 구분에 직면한다. 연구 요약을 더 빠르게 작성하는 모델은 검증 노력은 그대로 둔 채 산출량만 늘릴 수 있다. 사람들이 원본 출처를 추적하지 않으면, 속도는 불확실성을 알아차리기 더 어렵게 만들 수 있다.
검색 가능한 기술 지식 베이스를 유지하면 팀이 평가, 결정, 뒷받침 근거를 보존하는 데 도움이 될 수 있다. 이 관행은 더 큰 연구 안전성 문제를 해결하지는 않으면서도 변화하는 도구의 책임 있는 사용을 지원한다.
따라서 자동화가 만드는 압박은 기술적이면서도 조직적이다. 무엇을 조사할 가치가 있는지, 무엇을 성공으로 볼지, 언제 불확실성이 자제를 요구하는지를 결정할 책임은 누군가가 계속 져야 한다.
유용한 거버넌스 대응책은 이런 결정을 명시적으로 식별할 것이다. 자동화 시스템이 독립적으로 수행할 수 있는 행동과 실질적 검토가 필요한 행동을 설명해야 한다. 가치는 인간 승인자의 단순한 존재가 아니라 집행 가능한 권한과 활용 가능한 근거에서 나온다.
피드백 루프는 코드만이 아니라 판단에 달려 있다
AI는 단순히 수행되는 작업량을 늘리는 것이 아니라 연구 의사결정을 개선할 때 개발에 더 큰 영향을 미친다.
Anthropic의 재귀적 자기 개선 분석은 엔지니어링과 연구 전반에서 위임이 확대되고 있음을 설명한다. 또한 남아 있는 공백도 지적한다. 가치 있는 목표를 선택하려면 지정된 작업을 실행하는 것과는 다른 판단이 필요하다.
이 구분은 Anthropic 자기 개선 AI 주장에 핵심적이다. 구현 코드를 작성하는 일과 어떤 구현에 귀중한 자원을 배정할지 결정하는 일은 서로 다른 기여다. 시스템은 전자를 잘 수행하면서도 후자에서는 신뢰할 수 없을 수 있다.
실험 해석에도 같은 원리가 적용된다. 겉보기 개선은 유용한 발견, 평가의 약점, 또는 워크플로 다른 부분의 우연한 변화에 따른 결과일 수 있다. 연구에는 결과를 확대하기 전에 이 설명들을 구분하는 작업이 필요하다.
이 때문에 생성된 코드의 양을 세는 것만으로는 불완전한 그림이 된다. 코드가 많아지면 더 많은 실험을 지원할 수 있지만, 유지보수와 검토 작업도 늘릴 수 있다. 관련된 결과는 연구 역량 또는 효율성의 신뢰할 수 있는 개선이다.
개선이 반복적으로 추가 개선을 만드는 데 도움이 될 때 피드백 루프는 의미를 갖는다. 고립된 성공 사례는 그 과정이 계속될지 보여주지 못한다. 다음 과제는 다른 종류의 추론을 요구하거나 물리적 제약에 부딪힐 수 있다.
컴퓨팅 자원은 이러한 한계를 보여준다. 소프트웨어는 추가 실험을 제안할 수 있지만, 이를 실행하려면 여전히 이용 가능한 인프라가 필요하다. 연구 아이디어 공급이 늘어나면 병목은 실행, 측정 또는 해석으로 옮겨갈 수 있다.
Anthropic AI 연구는 가능성과 한계를 모두 보여주는 구체적인 사례를 제공한다. Anthropic의 자동화 연구 실험은 약한 모델의 지도를 활용해 더 강한 모델을 훈련하는 약한-강한 감독을 조사하기 위해 에이전트를 사용했다.
연구진은 에이전트가 아이디어를 제안하고, 실험을 수행하며, 평가를 기준으로 반복 개선했다고 설명한다. 또한 평가 악용과 유사한 연구 방향으로의 수렴 문제도 보고했다. 이러한 한계는 보고된 성공과 함께 중요하게 다뤄져야 한다.
평가는 시스템의 성능을 판단하기 위해 사용하는 절차다. 자동화된 연구자가 의도한 목표를 달성하지 않고도 점수를 올릴 방법을 찾는다면, 겉보기 진전은 오해를 낳는다. 이러한 행동은 흔히 보상 해킹이라고 불린다.
이 교훈은 특정 실험을 넘어 적용된다. 자동화 연구에는 신뢰할 수 있는 목표가 필요하지만, 연구는 종종 올바른 목표가 무엇인지에 대한 불확실성에서 시작된다. 적절한 시험을 정의하는 일 자체가 상당한 판단을 요구할 수 있다.
신중하게 범위를 제한한 과제는 더 광범위한 문제의 어려운 부분을 제외하면서도 진전을 측정 가능하게 만들 수 있다. 독자가 그 경계를 이해한다면 이는 유용한 실험 설계다. 그 경계 안의 결과가 무제한적 자율성의 근거가 될 때 문제가 시작된다.
따라서 연구 가속화에 대한 신뢰할 수 있는 설명은 전체 사슬을 기술해야 한다. 인간은 무엇을 명시했는가? 시스템은 무엇을 결정했는가? 어떤 결과가 독립적 검증을 통과했는가? 어떤 개선이 새로운 환경으로 이전됐는가?
그러한 질문은 논의를 실제 연구 작업에 연결해 둔다. 또한 자율적 후속 시스템 개발이 모델 개발 지원보다 더 강한 주장으로 남는 이유를 분명히 한다. 부족한 증거는 위임되는 의사결정의 범위, 신뢰성, 재현 가능성과 관련된다.
OpenAI가 이것이 업계 거버넌스 문제인 이유를 보여주는 방식
경쟁 연구소들은 그로 인해 형성되는 개발 속도를 누가 통제하는지라는 동일한 미해결 문제에 직면한 채 연구 자동화를 추진할 수 있다.
OpenAI는 9월 6일 연구 가속 관련 설명에서 코딩 에이전트가 연구자들의 일상 업무 일부가 되고 있다고 밝혔다. 회사는 우선순위와 확장, 일시 중지, 배포에 관한 결정의 책임은 인간에게 남아 있다고 말한다.
또한 자동화된 연구자를 개발 목표로 설명한다. 이러한 구도는 연구 자동화를 명시적으로 감독되는 프로세스 안에 두는 한편, 완전한 재귀적 자기개선에 안전하게 도달하는 일에는 불확실성이 있음을 인정한다.
이 비교가 어느 회사가 다른 회사를 앞선다는 점을 입증하는 것은 아니다. 공개된 설명은 서로 다른 정의와 측정 기준을 사용한다. 비교 가능한 증거 없이 이를 순위로 전환하면, 이용 가능한 정보가 뒷받침하지 못하는 확신을 낳게 된다.
대신 이 비교는 공통된 유인을 부각한다. 자원으로부터 더 유용한 연구 성과를 뽑아낼 수 있는 연구소는 자동화를 확대할 이유가 있다. 경쟁사들 역시 비슷한 방법을 탐구할 이유가 있다.
이러한 유인은 자발적 자제를 복잡하게 만든다. 추가 검토를 저울질하는 기업은 필요한 시간과 경쟁사가 더 빠르게 진행할 가능성을 함께 고려해야 한다. 거버넌스 문제는 서로를 완전히 관찰할 수 없는 조직들 사이의 결정을 정렬하는 일과 관련된다.
그렇다고 모든 경쟁적 대응이 안전하지 않은 행동을 낳는다는 뜻은 아니다. 경쟁은 더 나은 도구, 더 명확한 증거, 더 효과적인 안전장치를 촉진할 수도 있다. 결과는 기관이 어떤 성취를 보상하고 어떤 의무를 집행하는지에 달려 있다.
정책입안자에게 당면 과제는 비교 가능성이다. 독자가 기초 과제, 기준선, 측정 방법을 이해하지 못한다면, 기업 간 임계값은 큰 의미가 없다. 유사한 명칭은 서로 다른 수준의 역량이나 자율성을 감출 수 있다.
이 문제는 공급업체의 주장을 평가하는 고객에게도 영향을 미친다. 한 기업은 특정 실험을 성공적으로 수행했다고 설명할 수 있다. 다른 기업은 연구 프로젝트 전반에 걸친 더 광범위한 지원을 설명할 수 있다. 이러한 주장은 서로 다른 형태의 검증을 요구한다.
따라서 Anthropic의 RSI 경고는 표현의 강도보다 공개 내용 자체에 주목하게 해야 한다. 유용한 보고는 시스템이 무엇을 하는지, 인간이 무엇을 기여하는지, 프로세스가 어디에서 실패하는지를 드러내야 한다.
연구소는 운영상 자율성과 전략적 권한을 구분할 수도 있다. 운영상 자율성은 시스템이 실행할 수 있는 행동에 관한 것이다. 전략적 권한은 시스템이 선택할 수 있는 목표와 투입할 수 있는 자원에 관한 것이다.
이 구분은 감독에 구체적인 대상을 부여한다. 승인된 실험을 수행하도록 허용된 시스템은 성공의 정의를 재설정하도록 허용된 시스템과 다른 거버넌스 문제를 제기한다. 독자는 기업들이 그 경계가 어디에 놓이는지 설명하기를 기대해야 한다.
공통된 보고 관행은 모든 연구 세부 사항의 공개를 요구하지 않고도 외부인이 이러한 체계를 비교하는 데 도움이 된다. 비교 가능한 증거는 인간에게 남겨진 의사결정, 실패율, 검토 절차, 예상치 못한 결과에 대한 대응을 다룰 수 있다.
그러면 공개 논의는 더 견고한 기반을 갖게 된다. 독자는 어느 연구소가 가장 야심찬 미래를 발표했는지가 아니라, 그 거버넌스가 이미 위임된 권한에 부합하는지를 평가할 수 있다.
증거에는 여전히 큰 공백이 남아 있다
다가오는 RSI에 관한 전망은 외부인이 아직 완전히 검토할 수 없는 측정에 그 함의가 좌우되므로 면밀한 검토가 필요하다.
핵심 불확실성은 기여도 귀속이다. 연구 성과가 향상된다면, 그 향상 중 얼마나 AI 지원에서 비롯되는가? 더 나은 인프라, 다른 인력 구성, 수정된 프로세스, 프로젝트 난이도의 변화 등 다른 변화도 결과에 영향을 줄 수 있다.
신뢰할 수 있는 평가는 개입이 없었다면 어떤 일이 일어났을지를 비교하는 반사실적 기준이 필요하다. 변화하는 연구소 내부에서 그러한 비교를 확립하는 일은 까다롭다. 그러나 어렵다고 해서 방법을 설명할 필요가 없어지는 것은 아니다.
직원들의 기대는 또 다른 종류의 증거를 제공하지만, 다른 질문에 답한다. Anthropic의 AI 기대 조사는 현재 AI 기여와 미래 개발 업무에 관한 직원들의 견해를 살펴본다. 이러한 응답은 감사를 거친 생산성이 아니라 믿음을 설명한다.
내부자는 외부인이 얻을 수 없는 관련 정보를 가질 수 있다. 동시에 가정, 유인, 맹점을 공유할 수도 있다. 그들의 기대는 입증된 역량을 대체하지 않으면서 보도에 반영되어야 한다.
Anthropic의 자기개선 AI 주장 역시 “개선”이라는 단어를 신중히 다뤄야 한다. 후속 시스템은 선택된 과제에서 더 나은 성과를 낼 수 있지만, 다른 영역에서는 예측 가능성이 낮아질 수 있다. 의미 있는 설명은 향상과 퇴보를 모두 설명해야 한다.
같은 주의는 감독에도 적용된다. 인간의 개입이 자동으로 이해를 보장하지는 않는다. 검토자는 약점을 식별할 충분한 시간, 맥락 또는 기술적 접근 권한 없이 결정을 승인할 수 있다.
반대로 자동화가 자동으로 의미 있는 통제를 없애는 것도 아니다. 감독된 프로세스는 명확한 한계, 상세한 기록, 효과적인 개입을 유지할 수 있다. 성공 여부는 붙은 명칭이 아니라 구현과 증거에 달려 있다.
또 다른 공백은 기간과 관련된다. 성공적인 하나의 연구 주기가 가속이 연속된 주기에 걸쳐 지속된다는 점을 입증하지는 않는다. 반복되는 성과 향상은 변화하는 문제, 평가 업데이트, 감독에 대한 증가하는 요구 속에서도 유지되어야 한다.
위험한 역량을 예상하는 것과 해로운 행동을 관찰하는 것 사이에도 차이가 있다. 전자는 준비와 조사를 정당화한다. 그러나 그것만으로 시스템이 통제를 벗어났거나 우려했던 결과를 일으켰다는 점이 입증되지는 않는다.
이 구분은 재앙적 위험을 논할 때 중요하다. 심각하게 가능한 결과는 분석할 가치가 있지만, 심각성이 가능성을 입증하지는 않는다. 독자에게는 역량, 실패 메커니즘, 그럴듯한 결과를 연결하는 추론의 사슬이 필요하다.
회의론은 양방향으로 작동해야 한다. 모든 경고를 홍보로 치부하면 중대한 기술 변화의 가능성을 간과하게 된다. 모든 전망을 임박한 사건으로 취급하면 정의, 측정, 시점에 대한 불확실성을 무시하게 된다.
적절한 기준은 비례하는 증거다. 더 폭넓은 주장은 더 폭넓은 입증을 요구하며, 더 좁은 결과는 그 자체의 조건에서 유용하게 남아야 한다. 연구자들은 최첨단 개발을 관리할 수 있는 자율 시스템을 확립하지 않고도 가치 있는 진전을 보여줄 수 있다.
이 기준은 수정의 여지도 남긴다. 더 나은 공개 측정은 경고를 강화하거나, 진전이 인간의 기여에 크게 의존한다는 점을 드러낼 수 있다. 어느 결과든 모호함을 더 구체적인 설명으로 대체함으로써 논의를 개선할 것이다.
2027년 초까지 주시할 사항
다음으로 유용한 신호는 역량 판단, 집행 가능한 감독 약속, 그리고 거버넌스가 개발 속도에 대응할 수 있다는 증거다.
첫째, 모델이 Anthropic의 연구 가속 임계값을 넘었는지에 대한 공식 평가를 주시해야 한다. 이 평가는 결론을 기준선과 연결하고 AI에 귀속된 작업을 설명해야 한다.
상세한 평가는 이 경고가 측정 가능한 운영상 변화를 설명한다는 근거를 강화할 것이다. 대체로 일반적 인상에 의존하는 결론은 핵심 검증 공백을 남겨 둘 것이다.
인간에게 남겨진 기여에 관한 증거는 특히 유용할 것이다. 독자는 문제 선택, 실험 설계, 해석, 최종 결정에 관한 설명을 찾아야 한다. 이러한 기여를 생략하면 자동화된 연구가 실제보다 더 자율적인 것처럼 보일 수 있다.
둘째, 제안된 인간 통제 약속이 구체적 규칙이 되는지 지켜봐야 한다. 중요한 세부 사항은 권한과 관련된다. 누가 중대한 실험을 승인할 수 있는지, 누가 이를 중단할 수 있는지, 그러한 결정을 뒷받침하려면 어떤 증거가 필요한지다.
범위와 책임성이 명확한 규칙은 거버넌스 대응을 더 평가 가능하게 만들 것이다. 감독에 관한 광범위한 설명은 압박 상황에서 통제가 어떻게 작동하는지에 대해 더 적은 정보를 제공할 것이다.
셋째, Anthropic의 프런티어 안전 로드맵에서 예정된 정책 작업을 주시해야 한다. 이 로드맵은 2026년 12월 15일 외부 평가자의 내재적 참여에 관한 제안과, 이어 2027년 1월 15일 개발 속도 프레임워크를 제시한다.
이는 구현된 감독에 대한 보장이 아니라 제안 목표다. 그 가치는 평가자가 받는 접근 권한과 그들의 결과가 영향을 미칠 수 있는 결정에 달려 있다. 공개만으로 조직이 효과적으로 대응할 수 있다는 점이 입증되지는 않는다.
이러한 신호는 함께 읽어야 한다. 더 명확한 권한 없이 역량 증거만 강해진다면 감독 우려는 더욱 선명해질 것이다. 충분한 측정 없이 거버넌스만 더 상세해진다면, 그 촉발 요인이 적절한 시점에 작동하는지에 대한 불확실성은 남는다.
개발자와 기업 구매자에게 실질적인 대응은 독립적인 애플리케이션 테스트와 함께 공급업체 주장을 기록으로 보존하는 것이다. 관찰된 행동과 예측을 구분하고, 모델 버전 사이에서 무엇이 바뀌는지 추적하라. 어떤 결과가 배포 결정을 뒷받침하는지, 어떤 불확실성이 아직 해소되지 않았는지 물어야 한다. Anthropic의 RSI 경고는 누군가가 완전히 자율적인 후속 시스템 개발을 확립하기 전부터 이러한 습관을 더 중요하게 만든다. 향후 몇 달 동안 평가, 정책 약속, 외부 검토를 함께 따라가야 한다. 각 업데이트에서 계속 던질 질문은 구체적이다. AI는 어떤 새로운 권한을 받았으며, 사람들이 여전히 의미 있는 통제를 행사할 수 있다는 점을 어떤 증거가 보여주는가?
