ChatGPT의 확장되는 업무 세계가 보여주는 더 폭넓은 작업 구성

OpenAI는 10월 26일 거의 100개국의 165개 업무 활동을 포괄하는 데이터를 공개하며, 연구자들에게 소비자 ChatGPT 사용에 대한 한층 상세한 관점을 제공했다. ChatGPT의 확장되는 업무 세계는 요청 유형이 점점 다양해지고 있음을 설명한다. 핵심적인 긴장은 도구를 사용하는 것과 업무를 개선하는 것이 서로 다른 결과일 수 있다는 점, 특히 그러한 요청이 경제 변화에 관해 무엇을 보여주는지에 있다.

고용주에게 이번 공개는 직원들이 AI를 어디에서 유용하게 여기는지라는 실질적 질문을 제기한다. 연구자에게는 대화 활동을 확립된 직업 분류와 연결할 방법을 제공한다. 어느 쪽도 변화하는 작업 구성을 생산성, 노동자 대체 또는 기업 도입의 직접적 척도로 간주해서는 안 된다.

Anthropic의 Claude 연구는 AI 사용이 여러 작업으로 어떻게 확산되는지도 추적한다는 점에서 유용한 비교 대상이 된다. 이러한 노력은 함께 업무 환경의 AI를 더 관찰 가능하게 만든다. 동시에 공급업체와 구매자에게 실험의 증거와 지속적인 가치의 증거를 구분해야 한다는 압박도 높인다.

ChatGPT의 확장되는 업무 세계가 실제로 측정하는 것

OpenAI의 업무 활동 공개에 따르면, 이 분기별 시계열은 2025년 1분기부터 2026년 3분기까지를 다룬다. 전체 기간에 걸쳐 관찰된 74개국에서 상위 10개 활동은 분류된 업무 메시지의 평균 51.1%를 차지했으며, 이는 이전의 56.0%에서 하락한 수치다.

이는 4.9%포인트 감소다. 이 결과는 완료된 업무량이 아니라 업무 메시지의 구성에 관한 것이다.

도입에 관한 이야기는 헤드라인 수치 아래에서 다르게 보일 수 있으므로, 구성 변화는 중요하다. 도구는 익숙한 목적에 사용되면서도 더 많이 쓰일 수 있다. 반대로 기존 이용자층이 더 다양한 문제를 가져오기 시작할 수도 있다. 이는 서로 다른 형태의 확장이다.

이번 공개는 이 차이를 조사할 기회를 만든다. 연구자들은 활동 패턴이 지역 간 함께 움직이는지, 혹은 서로 다르게 전개되는지를 살펴볼 수 있다. 유용한 질문은 한 국가가 단순히 AI에 열광하는 것처럼 보이는지보다, 어떤 업무가 대화 안으로 들어오는지가 된다.

직업과의 연결은 여러 직업에 걸친 관련 작업을 묶는 범주인 Intermediate Work Activities를 통해 이뤄진다. OpenAI는 직업 정보 프레임워크인 O*NET에서 이 범주를 가져온다. 해당 직업 콘텐츠 모델은 업무 활동을 직업명, 근로자 요건, 작업 환경과 구분한다.

이 구분은 분석 단위를 바꾼다. 설명을 준비하고, 정보를 평가하고, 자료를 정리하는 일은 서로 다른 직업 안에서 나타날 수 있다. 직업명만 보면 이러한 공통 활동은 가려진다.

발표 자료를 준비하는 가상의 직원을 생각해 보자. 이 과제에는 고객 피드백 해석, 재무 가정 점검, 설명문 초안 작성이 포함될 수 있다. 직무 라벨은 직원을 폭넓게 설명한다. 활동 범주는 과제의 구성 요소를 설명한다.

이처럼 세분화된 관점은 지원이 업무 흐름의 어디로 들어오는지 연구하는 데 더 나은 출발점을 제공한다. 하지만 주변 과정은 여전히 분석 범위 밖에 남는다. 누군가는 그 발표가 비즈니스 질문에 답하는지, 뒷받침하는 근거가 타당한지를 판단해야 한다.

시간에 따른 비교에도 같은 주의가 필요하다. 주요 활동의 비중 하락은 사람들이 그 일을 덜 자주 수행한다는 사실을 입증하지 않는다. 다른 활동이 더 빠르게 성장했을 수 있다.

따라서 ChatGPT의 확장되는 업무 세계는 관찰된 플랫폼 안에서 변화하는 관심의 지도로 읽어야 한다. 그 가치는 특정 활동에 대해 더 나은 질문을 던지도록 이끈다는 데 있다. 이 지도를 경제적 결과에 대한 설명으로 바꾸려면 추가 증거가 필요하다.

고용주는 도입을 넘어선 측정 문제에 직면한다

즉각적인 압력은 직원의 관심을 신뢰할 수 있는 비즈니스 성과와 연결해야 하는 고용주에게 쏠린다. 요청 범위가 넓어질수록 평가해야 할 영역도 확대된다.

조직은 어디에서 도움이 되는지 이해하지 못한 채 AI 도구를 승인할 수 있다. 직원들은 낯선 주제를 탐색하거나, 초안을 개선하거나, 분석 문제를 해결하기 위해 이를 사용할 수 있다. 각 활동은 지원, 검증, 책임 간에 서로 다른 관계를 만든다.

따라서 관리의 질문은 접근 권한을 넘어선다. 주장에 광범위한 수정이 필요하다면 완성된 초안은 운영상 가치가 거의 없다. 직원이 문제를 이해하는 데 도움이 되는 답변은 생성된 텍스트가 최종 산출물에 들어가지 않더라도 가치를 만들 수 있다.

이러한 가능성은 서로 다른 측정 기준을 시사한다. 반복적인 과제에서는 완료 시간이 중요하다. 오류가 결과를 초래할 때는 정확성이 중요하다. 직원들이 이후 유사한 업무를 독립적으로 수행해야 한다면 학습이 중요하다.

단일 도입 대시보드로는 이 모든 질문에 답할 수 없다. 활성 계정 수는 참여를 보여준다. 메시지 수는 상호작용을 보여준다. 어느 쪽도 조직이 과제를 더 잘 처리했음을 자동으로 입증하지 않는다.

독립 연구는 결과를 직접 관찰하는 일이 왜 중요한지를 보여준다. Erik Brynjolfsson, Danielle Li, Lindsey Raymond는 고객 지원 상담원이 사용한 대화형 보조 도구를 연구했다. 이들의 업무 생산성 연구는 시간당 해결된 문제 수를 측정했으며, 근로자 경험 수준에 따라 다른 효과를 발견했다.

여기서의 관련성은 연구 설계에 있다. 고객 지원은 정의된 환경, 구체적인 개입, 관찰 가능한 운영 결과를 제공했다. 이는 플랫폼의 요청 분포와는 다른 종류의 추론을 뒷받침한다.

따라서 새로운 Signals 공개 자료를 읽는 고용주는 인기 활동을 조사 후보로 다뤄야 한다. 인기는 직원들이 달성하려는 무언가를 보여준다. 그러나 현재의 접근 방식이 성공하는지는 설명하지 않는다.

AI를 사용해 프로젝트 현황 업데이트를 준비하는 가상의 관리자를 생각해 보자. 읽기 쉬운 문장을 만드는 일은 과제의 일부다. 실제로 어떤 마일스톤이 지연됐는지, 어떤 결정이 여전히 열려 있는지, 어떤 약속이 바뀌었는지를 확인하려면 뒷받침 기록이 필요하다.

초안이 이러한 사실을 잘못 설명하면 유창한 문장이 추가 업무를 가릴 수 있다. 누군가는 불일치를 찾아내고, 원래 맥락을 복원하며, 업데이트를 수정해야 한다. 초안 작성 속도만 평가하면 이 부담을 놓치게 된다.

이 지점에서 개인 지식 관리는 더 폭넓은 업무 환경 논의와 관련성을 갖는다. 답변의 품질은 사람들이 그 뒤에 있는 정보를 찾아내고 평가할 수 있는지에 일부 달려 있다.

이 연결이 remio 또는 다른 제품의 성과 주장을 입증하는 것은 아니다. 이는 의사결정에 근거가 필요할 때 유용한 증거를 사용할 수 있도록 유지하는 업무 흐름의 별도 구성 요소를 가리킨다.

구매자에게 실질적인 함의는 과제에 대한 완전한 설명을 요구하라는 것이다. 직원은 무엇을 받았고, 보조 도구는 무엇을 만들었으며, 이후 어떤 검증이 이뤄졌는가? 이러한 답변은 인상적인 활동량보다 더 강력한 구매 근거를 제공한다.

Claude 연구가 보여주는, 폭넓은 사용에 해석이 필요한 이유

ChatGPT의 확장되는 업무 세계는 관찰된 행동을 통해 AI를 측정하려는 기존 노력 속에서 등장했다. Anthropic의 AI 도입 연구는 특히 관련성 높은 비교를 제공한다.

2026년 3월 보고서는 Claude.ai의 상위 10개 작업이 11월 대화의 24%에서 2월 19%로 줄었다고 밝혔다. Anthropic은 또한 코딩 활동이 개발자 인터페이스로 이동한 점과 개인적 사용 및 학업 관련 사용의 변화를 설명했다.

더 폭넓은 작업 분포는 여러 변화가 동시에 일어나고 있음을 반영할 수 있다. 경제적 결론을 내리기 전에 제품 이동, 이용자 구성, 변화하는 요구를 모두 검토할 필요가 있다.

Claude 비교는 플랫폼 데이터를 신중하게 해석해야 함을 뒷받침한다. 사람들은 활동을 수행할 장소를 선택한다. 특화된 인터페이스가 더 적합해지면 활동은 일반 채팅 제품에서 사라질 수 있지만, 공급업체의 더 넓은 생태계에서 사라지는 것은 아닐 수 있다.

이 때문에 플랫폼 경계는 경제적으로 의미가 있다. 소비자 대화와 자동화된 소프트웨어 업무 흐름은 업무에 대한 서로 다른 관점을 제공한다. 분석이 그 밖에 무엇이 존재하는지 설명한다면, 어느 쪽을 연구하든 유용할 수 있다.

데이터셋은 범주와 대상 집단도 서로 다르다. OpenAI의 국가 수준 업무 활동 지표와 Anthropic의 대화 작업 지표는 업무 환경 AI 도입을 둘러싼 직접적인 경쟁을 보여주지 않는다. 그 비율을 동등한 것으로 비교하면 오해를 부르는 순위가 만들어질 것이다.

더 나은 비교는 각 기업이 조사하는 질문에 관한 것이다. 활동은 더 다양해지는가? 경험은 사람들이 지원을 사용하는 방식을 바꾸는가? 인터페이스는 서로 다른 과제를 끌어들이는가? 이러한 질문은 특정 공급업체를 승자로 선언하지 않고도 AI 사용의 발전을 설명하는 데 도움이 된다.

Anthropic의 보고서는 또한 대안적 설명을 인정하면서, 이용 기간이 길수록 더 성공적인 상호작용과 연관이 있다고 밝혔다. 숙련된 사용자는 더 나은 전략을 배울 수 있다. 초기 도입자는 결과에 영향을 미치는 측면에서 후발 이용자와 다를 수도 있다.

이 불확실성은 더 폭넓은 ChatGPT 업무 사용을 평가하는 고용주에게 중요하다. 직원에게 접근 권한을 주는 일과 유용한 습관을 형성하도록 하는 일은 별개의 조직적 결정이다. 팀이 어떤 과제에 도구가 적합한지 알기 전부터 도구는 사용 가능할 수 있다.

제품 관점에서 이는 까다로운 해석 문제를 만든다. 요청 증가가 유용한 발견, 해결되지 않은 어려움, 또는 수용할 만한 답변을 얻기 위한 반복 시도를 의미할 수 있다. 인터페이스는 상호작용을 기록하지만, 결과는 다른 곳에서 발생할 수 있다.

가상의 분석가는 과제가 복잡하기 때문에 여러 차례 수정을 요청할 수 있다. 다른 사람은 답변이 필요를 충족하기 때문에 빠르게 멈출 수 있다. 또 다른 사람은 도움이 되지 않는 응답 뒤에 도구를 포기할 수 있다.

메시지 양만으로는 이런 상황을 구분할 수 없다. 이를 이해하려면 과제의 목적, 난이도, 이후에 일어난 일에 관한 증거가 필요하다.

따라서 경쟁 환경은 이 글의 핵심 긴장을 더욱 선명하게 만든다. 공급업체는 사람들이 자신에게 가져오는 업무를 점점 더 잘 설명할 수 있다. 구매자에게는 사람들이 실제로 완료하는 업무에 관한 증거가 여전히 필요하다.

가장 강력한 보도는 두 관점을 모두 보존할 것이다. 행동 데이터는 개별 일화로는 확립할 수 없는 패턴을 보여준다. 결과 연구는 그러한 패턴이 특정 환경에서 이점으로 이어지는지를 검증한다. 각각은 업무 환경 AI 이야기의 서로 다른 부분을 다룬다.

국가별 차이는 보편적 도입 전략에 의문을 제기한다

지리적 차이는 업무 환경 AI를 일률적으로 설명하는 방식의 설득력을 떨어뜨린다. 한 국가의 관찰된 사용량에서 활동이 차지하는 중요성은 그 활동이 해당 국가 경제 전반에서 중요하다는 사실을 입증하지 않는다.

비중은 범주와 비교 집단 간의 관계를 설명한다. 분석 요청이 관찰된 구성에서 더 많은 비중을 차지한다면, 이는 연구자에게 그 구성에 관해 알려준다. 그 이유를 밝히려면 백분율 자체를 넘어서는 증거가 필요하다.

여러 가설은 검증할 가치가 있다. 직업 구성은 사람들이 가져오는 요청의 유형에 영향을 미칠 수 있다. 언어, 접근성, 조직 규칙, AI에 대한 친숙도도 참여에 영향을 미칠 수 있다.

이는 공개 자료가 확정적으로 입증한 결과라기보다 가능한 설명들이다. 이를 구분하는 일은 중요하다. 각각이 고용주와 정책 입안자에게 서로 다른 대응을 요구하기 때문이다.

어떤 패턴이 지역의 직업 구성과 관련 있다면, 과업 선택이 핵심이 된다. 교육 프로그램은 사람들이 실제로 수행하는 업무를 다뤄야 한다. 접근성 문제가 패턴을 설명한다면, 교육만으로는 근본적인 제약을 해소할 수 없다.

조직의 규정이 참여를 좌우한다면, 비공식적인 소비자용 사용은 전체 그림의 일부만 보여줄 수 있다. 제한을 받는 직원들은 특정 요청을 피하거나, 관찰 대상 플랫폼 밖에서 승인된 시스템을 사용할 수 있다.

따라서 국가 간 비교는 사용 프로필을 노동력 역량에 대한 판단으로 바꾸지 않아야 한다. 근로자가 지원을 통해 혜택을 볼 수 있는지와 무관한 이유로 특정 활동이 데이터셋에서 드물게 나타날 수 있다.

같은 논리는 다국적 기업 내부에도 적용된다. 본사 팀은 유망한 활용 사례를 찾아내고 쉽게 다른 곳에도 적용될 것이라고 가정할 수 있다. 그러나 현지 사무소는 여전히 해당 업무와 관련된 언어, 원천 자료, 승인 절차, 고객 기대치를 평가해야 한다.

가상의 고객 커뮤니케이션 워크플로를 생각해 보자. 설명문 초안을 작성하는 일은 과업의 일부일 뿐이다. 직원은 어떤 정책이 적용되는지, 어떤 약속을 할 수 있는지, 어떤 경우에 상위 단계로 이관해야 하는지도 이해해야 한다.

모델이 매끄러운 문장을 생성할 수 있다고 해서 이러한 현지 요구사항이 충족되는 것은 아니다. 워크플로를 평가하려면 직원이 해당 언어를 적절히 사용하는 데 필요한 맥락과 권한을 받는지 확인해야 한다.

개발자에게 지리적 차이는 제품 적합성에 관한 연구 질문을 제기한다. 유용한 다음 단계는 현지 사용자와 함께 관찰된 수요를 조사하는 것이다. 국가 수준의 패턴은 어떤 기능을 만들어야 하는지 규정하지 않으면서도 그 조사를 안내할 수 있다.

근로자에게도 시사점은 마찬가지로 구체적이다. 다른 지역에서 널리 쓰이는 활동에 대한 경험이 동일한 접근 방식이 현지 업무에 적합하다는 보장은 아니다. 중요한 기준은 실제 업무와 그 제약 조건이다.

따라서 ChatGPT의 확장되는 업무 세계는 도입에 대한 더욱 세분화된 설명을 뒷받침한다. 참여가 넓어진다고 해서 행동이 동일해질 필요는 없다. 기술은 확산되면서도 사람들이 이를 각기 다른 목적에 맞게 적응시킬 수 있다.

이 해석은 성공을 공개적으로 논의하는 방식도 바꾼다. 보편적 서사는 누가 앞서 있는지에 관한 광범위한 주장을 부른다. 과업 중심의 서사는 지원이 어디에 적합한지, 유용한 도입을 가로막는 요소는 무엇인지, 추가 투자를 정당화하는 결과는 무엇인지 묻는다.

이 질문들은 국가 순위보다 더 많은 작업을 요구한다. 동시에 고용주와 연구자에게는 자신 있게 설명할 수 있는 결정을 내릴 더 명확한 경로를 제공한다.

누락된 업무는 일자리에 관한 결론을 제한한다

OpenAI는 이 데이터셋이 개인용 ChatGPT 요금제를 다루며, 엔터프라이즈 메시지와 Codex는 제외한다고 밝혔다. 또한 미국 비교에서는 고용 가중치가 적용된 매핑 과업의 약 43%를 개인별로 보고된 범주 밖인 “Other IWAs”에 배치한다.

이러한 경계 때문에 이번 공개 자료는 업무의 전수 조사나 일자리 대체의 측정치로 활용될 수 없다. 빠진 활동은 어떤 해석에도 중요하다.

함께 제공된 표본추출 방법론은 추가 세부 사항을 설명한다. 더 광범위한 Signals 표본은 매월 100만 건의 소비자 메시지를 사용하며, 특정 자격 요건 또는 데이터 사용 제한이 있는 계정은 제외한다. 자동화된 분류기가 행동 범주를 할당하고, 개인정보 보호 조치는 통계적 노이즈를 추가한다.

이러한 선택은 연구자가 관찰할 수 있는 대상을 규정한다. 분류기는 메시지의 범주를 추론한다. 근로자를 인터뷰하거나, 완성된 산출물을 검토하거나, 요청된 행동이 실제로 일어났는지 확인하지는 않는다.

개인정보 보호 역시 해석상의 균형 문제를 만든다. 집계 정보는 개별 메시지를 보호하면서 패턴을 연구할 수 있게 한다. 특히 하위 집단이 더 적은 관측치에 기반할 때는 세밀한 구분에 주의가 필요하다.

적절한 대응은 결론을 측정 방식에 맞추는 것이다. 요청 패턴은 지원 수요에 관한 조사를 뒷받침할 수 있다. 고용 변화의 입증에는 고용 관련 증거가 필요하다.

하나의 직무에는 프롬프트 안에 깔끔하게 드러나지 않는 책임이 포함된다. 누군가는 문제가 주의를 필요로 한다는 점을 알아차리고, 누락된 정보를 확보하고, 동료와 조율하며, 결과에 대한 책임을 져야 한다.

일부 구성 요소에 대한 지원은 그 직무를 없애지 않고도 바꿀 수 있다. 필요한 노력을 줄이거나, 업무 범위를 넓히거나, 새로운 검토 부담을 만들 수 있다. 어느 효과가 우세한지는 여전히 실증적 질문이다.

반대 방향의 오류는 모든 노동 관련 질문에 답하지 못한다는 이유로 이번 공개 자료를 일축하는 것이다. 상세한 행동 기록은 유용한 출발점을 제공한다. 이는 연구자가 더 면밀히 살펴볼 가치가 있는 활동을 식별하도록 돕는다.

독립적인 인구 연구는 또 다른 관점을 제공한다. Alexander Bick, Adam Blandin, David Deming의 생성형 AI 도입 연구는 전국 대표성을 갖춘 미국 설문조사를 활용해 직장과 가정에서의 사용을 조사했다. 이 접근법은 플랫폼 관찰 결과를 더 넓은 인구 집단 안에 위치시키는 데 도움이 된다.

두 방법은 서로를 보완한다. 설문조사는 특정 공급업체를 넘어 업무 시간과 경험을 물을 수 있다. 플랫폼 데이터는 응답자의 기억에 전적으로 의존하지 않고 상호작용을 설명할 수 있다.

어느 방법도 신중한 해석의 필요성을 없애지는 않는다. 설문 응답에는 보고 오류가 있을 수 있다. 플랫폼 표본은 중요한 인구 집단을 빠뜨릴 수 있다. 서로 다른 방법 간의 일치는 같은 측정의 반복보다 신뢰를 더 크게 높일 것이다.

따라서 회의적인 해석은 관찰과 결과 사이의 간극에 초점을 맞춰야 한다. 이번 공개 자료는 더 폭넓은 요청 구성이 더 나은 산출물, 더 높은 임금 또는 더 적은 일자리로 이어졌음을 독립적으로 입증하지 않는다.

또한 빠진 활동이 미래 변화에 영향을 받지 않는다는 점도 입증하지 않는다. 그 부재는 측정의 경계를 설명한다. 미래를 예측하려면 역량, 배포 조건, 조직적 의사결정에 관한 추가 증거가 필요하다.

방어 가능한 결론은 더 좁지만 유용하다. 이제 연구자들은 소비자 AI가 업무와 어디에서 교차하는지 질문할 더 상세한 기반을 갖게 됐다.

다음 공개 자료를 더 유익하게 만들 세 가지 신호

다음 단계는 범위, 측정의 일관성, 결과를 연결해야 한다. 향후 몇 달 동안 이 요소들은 더 폭넓은 직장 사용에 대한 해석을 강화하거나 약화시킬 신호가 될 것이다.

첫째, OpenAI가 다음에 시리즈를 업데이트할 때 비교 가능한 국가 및 활동 집단 내에서 패턴이 지속되는지 살펴봐야 한다. 일관된 정의 아래 계속되는 패턴은 요청 구성의 변화가 지속적이라는 근거를 강화할 것이다.

반전이 나타난다면 더 면밀한 검토가 필요하다. 계절적 업무, 사용자 구성의 변화 또는 활동 포착 방식의 변화가 일시적 움직임을 설명할 수 있다. 연구자들은 추세를 업무의 지속적인 변화로 돌리기 전에 이러한 가능성을 조사해야 한다.

향후 업데이트의 시점은 현재 공개 자료만으로 가정해서는 안 된다. 중요한 신호는 그것이 언제 제공되든 다음 관측치의 비교 가능성이다.

둘째, 소비자 채팅, 엔터프라이즈 시스템, 전문화된 인터페이스 간의 연결이 더 명확해지는지 살펴봐야 한다. 이러한 경계를 설명하는 공급업체의 공개 자료는 제품 간 이동을 더 쉽게 해석하게 해줄 것이다.

한 인터페이스에서 활동이 감소하는 동시에 다른 곳에서 증가한다면, 전체 이야기는 달라진다. 처음에는 관심 감소처럼 보였던 현상이 과업과 다른 환경 사이의 더 나은 적합성을 반영할 수도 있다.

일관된 정의는 이 분석을 강화할 것이다. 호환되지 않는 범주는 연구자가 행동 변화를 관찰하는 것인지, 측정 방식의 변화를 관찰하는 것인지에 대한 불확실성을 남긴다.

셋째, 특정 활동을 완성된 업무의 결과와 연결하는 독립적 평가를 살펴봐야 한다. 유용한 측정 지표에는 정확성, 검토 노력, 완료 시간, 그리고 직원이 결과를 평가할 역량을 유지하는지가 포함된다.

전체 업무에 걸친 개선 증거는 더 폭넓은 사용의 경제적 중요성을 강화할 것이다. 상당한 수정 작업의 증거는 이를 제한적으로 해석하게 할 것이다. 어느 결과든 구매자가 더 나은 결정을 내리는 데 도움이 된다.

이 마지막 신호는 실제 산출물에 책임이 있는 사람들에게 가장 중요하다. 요청 범위가 넓어진다는 것은 AI가 더 많은 업무에 관련될 수 있음을 뜻한다. 그렇다고 대화가 끝난 뒤 무엇이 일어났는지 판단할 필요가 사라지는 것은 아니다.

ChatGPT의 확장되는 업무 세계를 평가하는 독자는 자신의 직무에서 익숙한 활동부터 시작해야 한다. 직원이 제기하는 질문과 업무를 마치는 데 필요한 증거를 비교하라. 어시스턴트가 어디에 기여하는지, 어디에서 검증이 계속 필요한지, 어떤 결과가 지속적인 사용을 정당화할지 물어보라. 이러한 질문은 답변의 유창함이 아니라 원천 자료와 연결해 두어야 한다. এরপর 수정과 인간의 판단을 포함한 전체 과정을 측정하는 연구를 찾아보라. 이번 공개 자료는 그 조사의 출발점을 제공한다. 연구자들이 사람들이 더 적은 노력으로 더 정확하게 업무를 완료했고 책임 소재도 명확하게 배정됐음을 보여줄 수 있다면, 어떤 관찰된 활동의 가치가 의미 있게 더 커질까?