CAS Copilot 통합, 과학 에이전트를 데스크톱으로 가져오다—실험실의 한계는 여전히 주목 대상
CAS는 10월 20일 CAS Copilot 통합을 발표하며, 엄선된 과학 정보를 Microsoft의 어시스턴트에 제공했다. 다만 물리적 실험실에서의 실행은 별도의 과제로 남아 있다. 이 커넥터는 CAS Content Collection과 CAS Newton에 대한 접근을 제공한다. CAS Newton은 전문 리소스를 사용해 과학적 질문을 조사하도록 설계된 AI 에이전트다. 에이전트는 목표를 향해 도구를 선택하고 단계를 수행하는 소프트웨어다.
이 발표로 제약, 생명과학, 화학 조직은 기존 업무 환경 안에서 과학 정보에 접근할 또 하나의 경로를 갖게 됐다. 동시에 관련 증거를 찾고, 이를 올바르게 해석하며, 실험을 수행하는 일에는 서로 다른 검증이 필요하다는 실무적 구분도 제기된다. 편리한 답변만으로는 이러한 모든 문제가 해결되지 않는다.
CAS의 AI 수석 디렉터 Andrea Jacobs는 10월 30일 R&D World와의 인터뷰에서 이러한 구분을 다뤘다. 그의 발언은 이 통합을 실험실 하드웨어 연결에 관한 Anthropic의 작업과 나란히 놓는다. 이러한 발전은 과학 어시스턴트가 향하는 방향을 보여준다. 즉, 연구자가 검토하고, 승인하고, 재현할 수 있는 수준에 따라 유용성이 좌우되는 연결형 워크플로다.
CAS Copilot 통합, 일상 업무 환경에 과학 출처를 제공하다
즉각적인 변화는 연구자가 과학 정보에 접근하는 위치와 관련된다. American Chemical Society의 한 부문인 CAS는 자사 커넥터가 과학 콘텐츠와 Newton을 Microsoft Copilot에 제공한다고 설명한다. CAS의 과학 워크플로 발표는 제약, 생명과학, 화학 조직을 대상 사용자로 명시한다.
CAS는 화학자가 Word에서 문서를 작성하는 동안 물질 식별자, 구조, 반응 조건, 시약 가용성을 확인하는 사례를 제시한다. 제안된 다른 활용 사례로는 Teams에서의 특허 검색과 PowerPoint에서 출처가 연결된 라이선싱 브리핑이 있다. 이는 독립적으로 측정된 고객 성과가 아니라 회사가 설명한 활용 사례다.
이번에 발표된 기능은 누군가 의사결정을 내리는 문서 가까이에 과학적 근거를 배치한다. 이러한 배치는 중요하다. 연구 결과물은 처음 조사한 사람을 넘어 전달되는 경우가 많기 때문이다. 보고서, 프레젠테이션 또는 프로젝트 논의는 과학적 주장을 뒷받침할 근거가 필요한 또 다른 장소가 된다.
관련 기록을 찾는 일과 그 의미를 브리핑에 정확히 담아내는 일의 차이를 생각해 보자. 해당 기록은 특정 조건에서 특정 물질을 설명할 수 있다. 요약은 그러한 범위를 보존해야 한다. 초안 작성 중에 기록에 접근할 수 있으면, 주장이 유통되기 전에 이러한 전달 과정을 확인할 기회가 생긴다.
따라서 이 통합은 정보 접근 방식의 변화로서 주목할 만하다. 그렇다고 Copilot이 모든 과학적 질문을 정확히 이해한다는 점이 입증되는 것은 아니다. 발표가 실험 결과의 개선을 보여주는 것도 아니다. 구매자는 자율적 발견에 관한 더 광범위한 기대를 덧붙이기 전에, 이 커넥터를 명시된 기능에 따라 평가해야 한다.
이번 출시로 개별 배포 환경에서의 실무적 질문도 남는다. 조직은 사용자가 어떤 리소스에 접근할 수 있는지, 그러한 리소스가 답변에 어떻게 나타나는지를 정해야 한다. 기능이 제공되는 것과 해당 기능이 자체 연구 과제에 맞게 구성되고, 승인되며, 유용한 것은 구분해야 한다.
연구 관리자에게 중요한 비교 대상은 기존 프로세스다. 과학자가 이미 출처를 효율적으로 찾고 검증한다면, 새 인터페이스는 근거를 가리지 않으면서 그 프로세스를 개선해야 한다. 동료들이 기초 기록을 찾는 데 어려움을 겪는다면, 공동 업무 애플리케이션 내에서의 접근은 더 분명한 잠재적 이점을 제공한다.
CAS Copilot 통합은 이러한 비교를 구체화한다. 팀은 보고서에 더 탄탄한 근거를 갖춘 진술이 포함되는지, 검토자가 근거를 추적할 수 있는지, 해결되지 않은 질문이 계속 드러나는지를 살펴볼 수 있다. 이러한 결과는 생성된 응답이 겉보기에는 완전해 보인다는 점보다 더 강력한 가치의 증거가 된다.
이 구분은 뉴스의 범위도 설정한다. CAS는 과학 지식과 전문 분석을 제공하는 또 하나의 전달 채널을 발표했다. 결론을 수용할 책임은 여전히 신중한 연구 프로세스를 필요로 한다.
연구 책임자가 마주하는 것은 단순한 검색 문제가 아니라 검증 업무량이다
과학 에이전트 인터뷰에서 Jacobs는 대부분의 AI 도입에서 원시 모델 역량은 더 이상 가장 큰 장애물이 아니라고 주장한다. 그는 점점 더 확장되는 과제를 가로질러 작동하는 신뢰할 수 있는 워크플로를 강조한다. 이는 모든 연구 조직을 포괄하는 측정된 결론이 아니라 그의 평가다.
그의 관점은 연구 책임자, 실험실 정보화 팀, 과학 업무 승인을 담당하는 사람들에게 주의를 돌린다. 어시스턴트가 그럴듯한 응답을 빠르게 제공하더라도, 누군가는 무엇이 이를 뒷받침하는지 판단해야 한다. 관리 측면의 질문은 워크플로가 그러한 판단을 더 쉽게 만드는지 여부가 된다.
더 빠른 답변은 조직이 전체 조사를 다시 수행하지 않고도 이를 평가할 수 있을 때에만 가치를 만든다. 이는 모든 AI 응답에 철저한 검토가 필요하다는 주장이 아니라 평가 기준이다. 적절한 검토 수준은 결정의 성격과 오류의 결과에 따라 달라진다.
예비 문헌 단서와 실험실 실행을 위한 지침은 동일하게 다뤄져서는 안 된다. 전자는 추가 읽기의 방향을 잡는 데 도움을 줄 수 있다. 후자는 제안된 행동, 그 가정, 그리고 운영 맥락에 대한 주의가 필요하다. 인터페이스는 사용자가 자신이 어떤 유형의 결과물을 받았는지 인식하도록 도와야 한다.
이 구분은 정보가 전문 경계를 넘을 때 특히 중요해진다. 과학자, 프로젝트 관리자, 비즈니스 분석가는 서로 다른 전문성을 바탕으로 같은 문장을 읽을 수 있다. 접근 가능한 인용은 근거를 찾는 데 도움을 주지만, 이를 평가하는 데 필요한 모든 판단을 제공하지는 않는다.
연구 책임자에게 압박은 지원이 끝나는 지점과 수용이 시작되는 지점을 결정하는 데서 온다. 유용한 배포에는 사람이 중대한 결론을 승인하는 식별 가능한 지점이 필요하다. 그러한 경계가 없다면 잠정적 종합은 점차 확립된 발견처럼 보이게 될 수 있다.
같은 우려는 응답이 다른 문서로 옮겨갈 때에도 적용된다. 원래 대화에 보존된 단서는 더 짧은 요약에서 사라질 수 있다. 과학 어시스턴트를 평가하는 조직은 이러한 인계 과정을 살펴봐야 한다. 첫 답변의 품질은 최종 결정의 품질 중 일부일 뿐이다.
이는 지식 관리의 문제이기도 하다. 팀에는 진술과 이를 뒷받침하는 자료 간의 관계를 보존할 방법이 필요하다. 더 광범위한 과제는 검색 가능한 지식 기반 구축과 닮아 있다. 정보 검색은 그 맥락이 이후 검토를 위해 계속 제공될 때 가장 도움이 된다.
따라서 CAS 과학 AI의 영향은 답변을 둘러싼 업무를 통해 평가해야 한다. 검토자는 어떤 주장이 기록에서 비롯됐는지 이해하는가? 동료들은 추론을 식별할 수 있는가? 근거가 불완전한 지점을 볼 수 있는가? 이러한 질문은 광범위한 신뢰 주장을 관찰 가능한 워크플로 요구사항으로 바꾼다.
구매자에게 이는 더 엄격한 생산성 정의를 시사한다. 초안 작성 중 절약된 시간은 결과를 확인하고, 수정하고, 설명하는 데 소요되는 시간과 함께 고려해야 한다. 텍스트를 더 빨리 생성하는 데 그치는 배포보다 전체 프로세스를 개선하는 배포가 더 강력한 근거를 갖는다.
검색과 과학적 추론에는 서로 다른 검증이 필요하다
Jacobs는 이 연결을 통한 서로 다른 경로를 설명한다. 어시스턴트는 특정 정보를 직접 검색하거나, 더 폭넓은 분석이 필요한 질문에는 Newton을 활용할 수 있다. Model Context Protocol, 즉 MCP는 CAS가 AI 시스템을 외부 도구 및 데이터와 연결하기 위해 사용하는 표준이다.
이 구분은 CAS Newton 워크플로를 검토할 때 중요하다. 물질 특성을 조회하는 일은 여러 기록을 결합해 권고안을 만드는 일과 다르다. 첫 번째 과제에는 정확한 일치와 충실한 보고가 필요하다. 두 번째 과제에는 어떤 근거를 함께 고려해야 하는지에 관한 방어 가능한 선택도 필요하다.
CAS는 2026년 6월 3일에 이미 더 광범위한 통합 프레임워크를 소개했다. 자사의 연구 플랫폼 통합은 Albert Invent, Sapio Sciences, Inductive Bio, Scilligence, Wolfram Research 등을 초기 협력사로 지목했다. CAS는 자사 리소스와 조직 정보를 결합할 수 있도록 지원하며, 기존 연구 플랫폼을 통해 접근할 수 있다고 설명했다.
이전 발표는 Microsoft 관련 개발을 이해하는 데 도움이 된다. Copilot은 사용자가 CAS 정보를 접하는 위치를 확장하며, 더 광범위한 통합 전략의 일부다. 따라서 비교 대상은 실험실 플랫폼과 일반 업무용 어시스턴트를 포함해 전문 지식을 제공하는 서로 다른 방식이다.
직접 검색과 종합 분석에는 서로 다른 근거 추적 경로가 필요하다. 성공적인 조회는 선택된 기록을 명확히 보여줘야 한다. 종합은 특히 기초 자료의 목적, 범위 또는 실험 조건이 다를 때 그 추론의 경계도 명확히 보여줘야 한다.
물질 식별은 구체적인 사례를 제공한다. CAS Registry Number는 화학 물질에 부여되는 고유 식별자다. CAS의 화학 물질 식별자 문서는 이 번호가 서로 다른 명명 규칙을 가로질러 정보를 연결한다고 설명한다. 이는 이름만으로 모호할 때 기준점이 된다.
식별자는 기록이 어떤 물질을 다루는지 확인하는 데 도움이 될 수 있다. 그렇다고 해당 물질에 관한 모든 발견이 새로운 실험에 적용된다는 뜻은 아니다. 정확한 일치는 추가 분석에 필요한 토대이며, 관련 근거의 적합성은 여전히 별도의 질문이다.
가상의 어시스턴트가 가능한 반응 경로를 비교하는 상황을 생각해 보자. 사용자는 그 권고가 명시적으로 보고된 결과를 반영하는지, 아니면 관련 사례 전반에 걸친 추론인지를 알아야 한다. 둘 다 유용할 수 있다. 서로 다른 수준의 신뢰를 뒷받침하므로 구분 가능한 상태로 유지돼야 한다.
개발자에게 이는 인터페이스 요구사항을 만든다. 응답은 도구가 반환한 정보와 그 이후에 추가된 해석의 구분을 보존해야 한다. 그렇지 않으면 권위 있는 기록의 존재가 기록에 전혀 명시되지 않은 결론에 빌린 확실성을 부여할 수 있다.
구매자는 CAS Newton 워크플로를 단순한 질문과 모호한 질문 모두에서 평가해야 한다. 쉬운 검색 과제는 접근과 일치를 시험한다. 상충하거나 불완전한 근거가 포함된 질문은 시스템이 불확실성을 보존하는지 시험한다. 전자에서의 성공이 후자에서의 성공을 입증하지는 않는다.
경쟁 측면의 함의는 실용적이다. 범용 어시스턴트는 질문하기 익숙한 장소를 제공하는 반면, 전문 플랫폼은 과학 리소스와 과제별 맥락을 제공한다. 연결의 품질은 사용자가 자신의 질문과 최종 응답 사이에서 어떤 일이 일어났는지 판단할 만큼 충분한 가시성을 유지하는지에 달려 있다.
물리적 실험실에는 공통 소프트웨어 연결만으로는 부족하다
이 인터뷰는 정보 접근과 물리적 실행도 구분한다. Jacobs는 액체와 고체를 다루는 방식의 차이를 포함해 실험실 장비의 한계를 지적한다. 제안된 실험은 사용 가능한 장비가 지원할 수 있는 역량과 조건에 부합해야 한다.
Anthropic은 에이전트와 프로그래밍 가능한 물리적 장치를 연결하기 위한 사양인 Model Hardware Standard, 즉 MHS를 통해 이 통합 문제의 일부를 해결하려 하고 있다. Anthropic은 HHMI Janelia Research Campus와의 작업에 이어 2026년 8월 27일 연구 프리뷰를 공개했다.
Anthropic은 표준화된 드라이버, 즉 컴퓨터와 장치 사이를 번역하는 소프트웨어와 함께 장비 특성 및 작동 한계에 관한 정보를 설명한다. 발표에는 단백질 농도 분석을 위한 장비를 조정하는 Genentech 개념 검증도 포함됐다. 이는 초기 구현 사례로 보고된 것이며, 범용적인 실험실 호환성을 입증하는 근거는 아니다.
공유 연결은 통신을 단순화할 수 있지만, 기기가 물리적으로 수행할 수 있는 일을 확장하지는 않는다. 이것이 소프트웨어 통합과 실험실 역량 사이의 핵심 경계다. 유효한 명령을 수신한 기계도 실제 물질에 적절한 작업을 수행해야 한다.
따라서 CAS 커넥터와 MHS는 가능한 연구 워크플로의 서로 다른 부분을 다룬다. CAS는 과학 정보와 전문 분석을 제공한다. MHS는 장비 접근에 관한 것이다. 어느 발표도 Copilot 질문에서 CAS 정보를 바탕으로 자율 실행되는 실험까지 이어지는 완전하고 검증된 연결을 확립하지는 않는다.
이 구분은 조달에서 중요하다. 연구 기관은 절차를 설명하는 능력, 이를 장비에 전달하는 능력, 그리고 수용 가능한 결과를 얻는 능력을 분리해야 한다. 이를 서로 바꿔 쓸 수 있는 것으로 취급하면 데모는 해석하기 까다로워지고, 배포는 관리하기 어려워진다.
고체 물질을 옮겨야 하는 가상의 절차를 생각해 보자. 보조 시스템은 관련된 공개 방법을 찾아 의도된 순서를 정확히 설명할 수 있다. 그러나 사용 가능한 장비가 이송을 수행할 수 없다면, 설명을 개선해도 빠진 역량은 해결되지 않는다.
같은 논리는 장비 정보에도 적용된다. 시스템에는 단순히 해당 장비 범주에 대한 일반적 설명이 아니라, 자신이 제어하는 기기에 대한 정확한 정보가 필요하다. 연결 표준은 그러한 세부 정보를 전달할 수 있는 수단을 제공하지만, 그 존재만으로 정보의 완전성이나 정확성이 입증되는 것은 아니다.
기기 제조업체에 주는 시사점은 소프트웨어 접근성이 고객이 장비를 평가하는 방식의 일부가 된다는 점이다. 에이전트 지원 작업을 고려하는 구매자는 어떤 작업을 제어할 수 있고 어떤 한계가 계속 강제되는지 알고 싶어 할 것이다. 또한 무엇이 작업자의 개입을 필요로 하는지도 이해해야 한다.
연구 관리자에게 상응하는 관심사는 제안에서 행동으로 넘어가는 인계 과정이다. 누군가가 검토하는 동안 권고는 잠정적인 상태로 남을 수 있다. 실행된 작업은 실험을 바꾼다. 이 단계들을 연결하려면 접근 권한이 곧 실행 권한을 의미한다는 가정이 아니라, 권한에 관한 명시적 결정이 필요하다.
따라서 Anthropic과의 관련 비교는 과학 지식을 둘러싼 경쟁이 아니라 상호보완적이다. CAS는 보조 시스템에 제공되는 정보를 다룬다. 하드웨어 통합은 보조 시스템이 도달할 수 있는 대상을 다룬다. 신뢰할 수 있는 실험실 작업을 위해서는 이러한 역량이 연구자들이 검증할 수 있는 프로세스 안에서 만나야 한다.
인용과 자동화가 있어도 재현성 격차는 남는다
회의적인 관점은 추적 가능성과 정확성의 구분에서 출발한다. 추적 가능성은 독자가 결과물을 뒷받침 자료까지 따라갈 수 있음을 뜻한다. 정확성은 그 자료가 제시된 주장을 실제로 뒷받침하는지 판단해야 한다. 전자는 후자에 도움이 되지만 이를 보장하지는 않는다.
인용은 주장을 검토 가능하게 만들지만, 그 주장을 실험적으로 확립해 주지는 않는다. 기초 출처가 권위 있는 경우에도 마찬가지다. 요약은 조건을 빠뜨리거나, 발견의 적용 범위를 지나치게 넓히거나, 원저자들이 평가하지 않은 방식으로 기록을 결합할 수 있다.
같은 구분은 실험실 자동화에서도 나타난다. Richard B. Canty와 Milad Abolhasani는 자동화된 화학 재현성에 관한 2024년 리뷰에서 이를 살펴봤다. 이들의 분석은 구현 세부 사항을 일반 지침 뒤에 숨기는 추상화가 부적절하게 다뤄질 경우 재현성을 훼손할 수 있다고 경고한다.
이들의 주장은 CAS 커넥터를 평가한 것이 아니라, 실험실이 실험을 부호화하고 해석하는 방식을 다룬다. 이는 여기서 설명하는 더 넓은 방향에 유용한 주의를 제공한다. 시스템 간 지시를 전달하는 것만으로 그 시스템들이 동등한 실험 결과를 낸다는 사실이 확립되지는 않는다.
과학 보조 시스템에 적용하면, 이는 근거가 뒷받침하는 주장 수준에 계속 연결되어 있어야 함을 시사한다. 공개된 관찰 결과는 명시된 맥락 안에서 해당 관찰을 보고하는 근거가 된다. 이를 다른 설정으로 확장하려면 추가 추론과, 적절한 경우 실험적 검증이 필요하다.
이 구분은 구매자가 공급업체의 표현을 읽는 방식도 더 명확하게 한다. 선별된 정보에 대한 접근은 직접 살펴볼 수 있는 역량이다. 연구 효율성 향상은 측정이 필요한 결과다. 과학적 타당성 향상은 특정 작업에 알맞은 근거가 필요한 한 단계 더 나아간 주장이다.
여기서 검토한 발표는 대표적인 고객 질문 전반에서 Copilot 커넥터의 정확성을 독립적으로 평가한 결과를 제공하지 않는다. 또한 이를 사용하는 실험실의 비교 실험 결과도 확립하지 않는다. 이는 성공이나 실패를 가정할 근거가 아니라 증거의 공백을 남긴다.
유용한 평가는 불완전한 증거, 그럴듯한 모호성, 출처 간 불일치가 있는 질문을 포함할 것이다. 목적은 확신에 찬 답변이 부적절한 상황에서 보조 시스템이 어떻게 반응하는지 관찰하는 것이다. 한계를 인식하는 시스템은 이를 숨기는 시스템보다 더 유용할 수 있다.
CAS 과학 AI의 영향은 사용자가 불확실성에 어떻게 대응하는지에도 달려 있다. 조건부 답변이 무조건적인 브리핑 문구로 바뀐다면, 워크플로는 정보를 잃은 것이다. 최종 문서를 원래 답변과 함께 평가하면 배포가 연구자에게 필요한 구분을 보존하는지 확인할 수 있다.
따라서 CAS Newton 워크플로에서 가장 강력한 근거는 답변 품질과 검토 가능성을 연결할 것이다. 사용자는 무엇이 검색됐고, 무엇이 추론됐으며, 무엇이 아직 해결되지 않았는지 식별할 수 있어야 한다. 이러한 역량은 구매자가 신뢰에 관한 광범위한 주장을 받아들일 필요 없이 책임 있는 사용을 뒷받침할 것이다.
이는 엄격한 기준이지만, 제안된 적용 분야에 부합한다. 과학 작업에는 검토를 견뎌내는 결론이 필요하다. 편의성은 연구자들이 증거를 검토하고 자신이 아는 것의 한계를 인식하도록 도울 때 그 과정에서 자리를 얻는다.
CAS Copilot 통합 이후 주목할 점
다음 보도 기간은 이용 가능성과 신뢰할 수 있는 사용을 구분하는 증거에 초점을 맞춰야 한다. 가장 유익한 전개는 실제 도입, 독립적 평가, 그리고 디지털 권고와 실험실 실행 사이의 경계를 다룰 것이다. 이는 CAS나 Microsoft가 발표한 약속이 아니라 관찰 기준이다.
가장 강력한 진전 신호는 문서화된 역량을 공급업체 외부의 누군가가 검토할 수 있는 결과와 연결하는 것이다. 새로운 통합은 도달 범위를 확립한다. 사람들이 이를 어떻게 사용하고, 무엇을 검증하며, 어디서 실패하는지에 관한 증거는 연구 가치에 대해 더 많은 것을 보여 준다.
첫째, 실제 연구 업무에서 지속적인 사용을 설명하는 실명 도입 사례를 지켜봐야 한다. 유용한 사례는 작업, 기존 프로세스, 검토 요건, 그리고 그에 따른 변화를 식별할 것이다. 점검과 수정이 포함된 보고는 답변 생성에만 한정된 데모보다 더 강하게 근거를 뒷받침할 것이다.
그러한 보고가 없다고 해서 조직들이 커넥터를 피하고 있다는 사실이 증명되는 것은 아니다. 다만 공개 증거가 확립된 운영 가치보다 이용 가능성을 더 명확하게 뒷받침한다는 뜻이며, 구매자는 이 구분을 유지해야 한다.
둘째, 과학 답변 품질에 대한 독립적 평가를 지켜봐야 한다. 그러한 평가는 증거 일치, 상충하는 발견의 처리, 해결할 수 없는 질문의 인식을 포함해야 한다. 명확한 결과는 구매자가 어떤 작업이 보조를 정당화하고 어떤 작업에 추가 통제가 필요한지 판단하는 데 도움이 될 것이다.
호의적인 평가는 선별된 자원이 시험된 환경에서 사용 가능한 과학 답변을 개선한다는 주장을 강화할 것이다. 인용을 계속 이용할 수 있더라도 지속적인 오해석은 그 주장을 약화할 것이다. 어느 결과든 시스템이 신뢰할 수 있는 콘텐츠를 활용한다는 일반적 보장보다 더 많은 정보를 제공할 것이다.
셋째, 실행 경계와 재현성을 문서화하는 실험실 데모를 지켜봐야 한다. 유용한 보고는 지원 장비, 작업자 개입, 결과가 얻어진 조건을 식별할 것이다. 시스템이 기존 절차를 실행했는지, 아니면 새로운 과학적 추론에 기여했는지를 명확히 해야 한다.
그러한 증거는 과학 에이전트를 물리적 작업과 연결하는 더 넓은 근거를 강화할 것이다. 개입이나 작동 한계를 생략한 데모는 핵심 불확실성을 그대로 남긴다. 연결이 한 번 작동하는 것과 실험실이 평가하고 반복적으로 사용할 수 있는 워크플로는 다르다.
CAS Copilot 통합을 평가하는 독자는 조직이 이미 내리는 구체적인 결정에서 시작해야 한다. 그 결정을 뒷받침하는 증거가 무엇인지, 누가 이를 검토하는지, 무엇이 수용할 수 없는 오류에 해당하는지 물어보라. 그런 다음 보조 시스템이 불필요한 작업을 줄이면서도 이러한 요건을 보존하는지 살펴보라. 응답을 고립해서 판단하기보다 출처 기록을 답변을 거쳐 최종 보고서까지 따라가라. 실험실 적용의 경우, 이 검토를 장비와 실행을 승인하는 사람까지 확장하라. 이러한 인계 과정을 가시화하는 문서화된 도입 사례와 독립적 평가를 계속 지켜보라. 연구 프로세스 중 어떤 부분이 더 쉽게 검증될 수 있으며, 어떤 부분은 여전히 동일한 전문가 판단을 필요로 할까?
