AWS에 따르면 Exowatt 모델 맞춤화, 두 에너지 작업에서 Claude 능가

Exowatt는 자사의 맞춤형 모델이 두 가지 에너지 작업에서 Claude를 앞섰다고 밝히며, 규모가 더 큰 범용 모델이 더 나은 운영 결과를 낸다는 통념에 이의를 제기했다. AWS가 10월 27일 공개한 Exowatt 모델 맞춤화 사례 연구는 로컬 알람 분류와 클라우드 에너지 분석을 위한 특화 모델을 다룬다. AWS는 추론 비용이 최대 49배 낮다고도 보고했지만, 이 비교는 신중히 해석할 필요가 있다.

핵심 경쟁 구도는 특정 작업용 모델과 여러 유형의 업무를 처리하도록 설계된 선도적 범용 모델 사이에 있다. Exowatt의 접근 방식은 기존 모델을 특정 작업에 맞게 조정하는 추가 학습인 파인튜닝을 활용한다. 보고된 우위는 일반 지능 순위가 아니라, 정해진 운영 의사결정에 관한 것이다.

기업 구매자에게 이 차이는 구매 질문 자체를 바꾼다. Claude는 여전히 유의미한 비교 대상이지만, 광범위한 역량 리더보드만으로 특정 산업 워크플로에 적합한지를 판단할 수는 없다. Exowatt의 결과는 정확도, 연결성, 배포 제약, 경제성이 함께 작동해야 한다는 점에서 주목할 만하다. 동시에 이 사례 연구가 고객사와 인프라 제공업체에서 나온 것인 만큼 면밀한 검토도 필요하다.

Exowatt 모델 맞춤화, 모델 규모보다 좁은 벤치마크에서 앞서다

에너지 AI 사례 연구에 따르면, Exowatt의 맞춤형 Qwen3-1.7B는 알람 분류에서 매크로 F1 0.911점을 기록해 Claude Sonnet 4.6의 0.698점을 앞섰다. 맞춤형 Qwen3-14B는 에너지 시장 분석에서 0.975점을 기록했고, Claude Opus 4.7은 0.625점이었다. AWS와 Exowatt 직원들이 이 보고서를 공동 집필했다.

보고된 역전 현상은 구체적이다. Exowatt의 작업에 맞게 조정된 모델이 해당 작업에서 범용 모델보다 높은 점수를 기록했다.

매크로 F1은 각 범주의 정밀도와 재현율을 결합한 뒤, 그 점수를 동일한 비중으로 평균낸다. 정밀도는 예측한 범주가 실제로 맞는 빈도를 측정하고, 재현율은 모델이 관련 사례를 얼마나 많이 찾아내는지를 측정한다. F1 지표 문서는 이 계산을 일반적인 정확도와 구분한다. 따라서 매크로 F1 점수를 정확한 의사결정의 비율처럼 헤드라인에 사용해서는 안 된다.

운영 알람과 관련된 비교를 해석할 때 이 구분은 중요하다. 시스템은 흔한 이벤트에서는 좋은 성과를 낼 수 있지만, 드문 범주는 제대로 처리하지 못할 수 있다. 범주별 점수를 동일하게 평균내면 이런 약점이 더 잘 드러나지만, 개별 오류가 초래하는 결과까지 설명하지는 않는다.

독자는 벤치마크 결과와 더 넓은 사업상 주장을 구분해야 한다. 더 높은 분류 점수는 평가 조건하에서의 우위를 보여준다. 그렇다고 모든 후속 권고가 적절하다거나, 모든 이례적 사고를 포괄한다거나, 시스템이 운영 성과를 개선한다는 사실까지 입증하는 것은 아니다.

상업적 중요성은 기업이 실제로 무엇을 구매하는지에 달려 있다. 운영자는 대체로 반복되는 질문에 대한 신뢰할 수 있는 답을 필요로 한다. 애플리케이션이 가용한 증거에 근거한 제한된 의사결정을 요구한다면, 폭넓은 대화 역량의 가치는 제한적이다.

이는 특화 모델에 설득력 있는 기회를 제공한다. 특화 모델은 특정 워크플로 안에서 중요한 구분에 학습을 집중할 수 있다. 반면 범용 시스템은 훨씬 넓은 요청 범위에 역량을 분산해야 한다.

그럼에도 이 비교에는 명확한 경계가 필요하다. Exowatt의 결과가 글쓰기, 코딩, 과학적 추론 또는 개방형 계획 수립에서의 우월성을 입증하는 것은 아니다. 추가 증거 없이 결과를 그런 영역으로 확장하면 주장이 달라진다.

가장 강력한 해석은 동시에 가장 유용한 해석이기도 하다. 구매자는 범용 모델 순위를 출발점으로 삼은 뒤 실제 작업을 평가해야 한다. Exowatt의 보고서는 가장 큰 가용 모델을 자동으로 선호하는 관행에 의문을 제기할 구체적인 근거를 제공한다.

이는 기업 평가 관행에 즉각적인 압박을 가한다. 선도 모델을 추천하는 팀은 더 폭넓은 역량이 왜 해당 애플리케이션을 개선하는지 설명해야 한다. 맞춤형 모델을 제안하는 팀은 전문화가 현실적인 테스트를 거쳐도 유지됨을 보여야 한다.

따라서 이 사건은 고립된 리더보드 결과보다 더 큰 의미를 갖는다. 궁극적으로 배포 결정이 이뤄져야 할 자리인 모델 선택의 중심에 애플리케이션 요구사항을 놓기 때문이다.

오프라인 운영은 어떤 모델이 유용한지를 바꾼다

이 사례 연구는 그래픽 처리 장치나 인터넷 연결 없이 실행되는 로컬 알람 모델을 설명한다. 클라우드 모델은 연결된 에너지 시장 업무를 처리한다. 이들은 같은 맞춤화 접근 방식으로 만들어졌지만 별개의 배포 대상이다.

모델의 실질적 가치는 의사결정이 이뤄져야 하는 곳에서 계속 사용할 수 있는지에 달려 있다.

Exowatt 엣지 AI, 즉 입력을 생성하는 장비 가까이에서 작동하는 AI에서 연결성은 제품 요구사항에 포함된다. 요청이 클라우드에 도달하지 못하면 클라우드 모델은 답할 수 없다. 다른 곳에서의 더 나은 성능이 이러한 의존성을 없애주지는 않는다.

현장 연결이 끊긴 상황에서 운영자가 알람을 평가하는 경우를 생각해 보자. 이때 핵심 질문은 로컬 시스템이 유용하면서도 범위가 제한된 평가를 제공할 수 있는지다. 중단 없는 연결을 전제로 한 평가는 핵심 운영 조건을 빠뜨리게 된다.

이는 Exowatt가 모든 장애 시나리오를 해결했다는 증거가 아니라 배포 과제를 설명하기 위한 분석적 사례다. 로컬 가용성에는 자체적인 의무도 따른다. 모델에는 여전히 신뢰할 수 있는 입력, 호환되는 소프트웨어, 충분한 컴퓨팅 리소스, 그리고 증거가 누락됐을 때의 정의된 대응 방식이 필요하다.

로컬 실행은 업데이트 방식도 바꾼다. 중앙 호스팅 서비스는 제공업체의 인프라를 통해 변경 사항을 받을 수 있다. 분산 설치 환경에서는 버전을 식별하고, 대체 버전을 배포하며, 호환성을 검증하고, 업데이트 실패 시 복구할 수 있는 신뢰할 만한 방법이 필요하다.

이러한 책임은 모델 비교에 포함돼야 한다. 그렇지 않으면 클라우드 옵션은 네트워크 의존성으로 불이익을 받는 반면, 로컬 옵션은 유지보수에 대한 검증을 피하게 된다. 공정한 평가는 둘 다 포함한다.

특히 물리적 운영을 위한 소프트웨어를 만드는 팀에 압박이 집중된다. 이들은 각 의사결정이 어디서 이뤄지는지, 의존성이 실패하면 어떤 일이 발생하는지를 정당화해야 한다. 광범위한 벤치마크 점수는 어느 질문에도 답하지 못한다.

작업에 연결된 정보나 여러 위치 간 조정이 필요할 때 클라우드 시스템은 여전히 분명한 역할을 한다. 일부 의사결정을 로컬에 둔다고 해서 모든 분석 워크로드를 현장 컨트롤러로 옮겨야 한다는 뜻은 아니다. 배포 경계는 업무를 따라야 한다.

이 점이 Exowatt 사례를 로컬 AI를 위한 포괄적 주장보다 더 흥미롭게 만든다. 이는 조직이 공유된 개발 프로세스를 유지하면서도 서로 다른 위치에서 서로 다른 모델을 사용할 수 있는 이유를 보여준다.

기업 구매자는 권고와 조치도 구분해야 한다. 운영자에게 분류 결과를 제시하는 일은 소프트웨어가 장비 동작을 바꾸도록 허용하는 일과 다른 결과를 초래한다. 허용 가능한 오류율과 검토 요건은 이 구분에 따라 달라진다.

따라서 유용한 조달 논의는 의사결정과 그 결과에서 시작한다. 이어 어떤 입력이 가용한지, 답변이 얼마나 빨리 필요한지, 실패가 어떤 모습인지 묻는다.

이 틀에서 특화 모델은 적합성을 통해 기회를 얻는다. 폭넓은 범위, 적응성 또는 중앙 집중식 유지보수가 애플리케이션에 더 적합한 곳에서는 범용 모델이 자리를 유지한다. Exowatt의 사례는 모든 배포 선택을 결론내리지는 않으면서도 기본적인 구매 습관에 도전한다.

서버리스 학습은 병목을 증거 쪽으로 옮긴다

Exowatt는 특화 모델을 만들기 위해 Amazon SageMaker AI 서버리스 모델 맞춤화를 사용했다. 서버리스 학습이란 제공업체가 학습 작업에 필요한 컴퓨팅 인프라를 관리하는 것을 뜻한다. 이는 용량과 실행을 누가 처리하는지를 바꾸지만, 작업과 그 증거에 대한 책임은 고객에게 남긴다.

서버리스 맞춤화 문서는 관리형 리소스 프로비저닝, 학습 레시피, 모니터링 및 정리를 설명한다. 또한 데이터세트, 학습 작업, 평가 및 모델 버전 간의 관계도 문서화한다. 이러한 기능은 실험을 둘러싼 운영 업무를 처리한다.

학습이 쉬워질수록 어떤 실험이 배포 모델이 될 가치가 있는지 결정하는 일이 더 중요해진다.

실험을 더 쉽게 실행할 수 있는 팀은 대체 데이터세트와 설정을 탐색할 수 있다. 이러한 자유는 신뢰할 수 있는 개선을 식별하는 데 도움이 될 때 가치가 있다. 반면 불완전한 테스트를 최적화할 뿐 기초 애플리케이션을 개선하지 못한다면 그 가치는 떨어진다.

이 구분은 독점적인 운영 업무에서 특히 중요하다. 학습 사례에는 입력이 무엇을 의미하는지와 어떤 대응이 적절한지에 대한 판단이 담긴다. 이러한 사례의 불일치는 모델 행동의 불일치로 이어질 수 있다.

Qwen3 파인튜닝도 기존 모델 계열에서 시작한다. Qwen3 기술 보고서는 서로 다른 규모와 운영 모드를 아우르는 공개 접근 가능 모델을 설명한다. 이러한 가용성은 관련 모델 및 배포 요구사항을 충족한다는 전제하에 고객이 조정할 수 있는 기반을 제공한다.

분석적으로 보면, 애플리케이션 전문성은 중요한 차별화 원천이 된다. 기본 모델에 접근할 수 있다고 해서 조직의 운영 규칙까지 제공되는 것은 아니다. 그런 규칙은 활용 가능한 사례, 평가 기준, 허용 가능한 행동의 경계로 전환돼야 한다.

이는 도메인 전문가에게 기대되는 업무를 바꾼다. 이들의 기여는 엔지니어의 간헐적인 질문에 답하는 데 그치지 않는다. 어떤 사례가 대표적인지, 어떤 구분이 중요한지, 어떤 오류에 특별한 주의가 필요한지를 결정하는 데 도움을 준다.

반복 가능한 개발 프로세스는 이러한 결정을 보존해야 한다. 모델이 개선되면 검토자는 무엇이 달라졌는지 식별할 수 있어야 한다. 그렇지 않으면 팀은 더 높은 점수만 얻을 뿐, 그 결과를 어떻게 얻었는지에 대한 신뢰할 수 있는 설명은 갖지 못한다.

모델 버전은 출시를 뒷받침하는 증거와도 연결돼야 한다. 나중에 사고가 발생했을 때 조직이 관련 학습 데이터, 평가 및 승인을 재구성할 수 있다면 조사하기가 더 쉽다. 그런 이력이 없으면 유지보수는 추측에 의존하게 된다.

두 번째 조직적 결과도 있다. 실험이 빨라지면 검토 역량의 부족이 드러날 수 있다. 컴퓨팅 리소스는 더 쉽게 확보할 수 있게 되지만, 전문가의 주의력은 여전히 제한적이다.

이는 검색 가능한 기술 기록에 투자할 이유를 만든다. 검색 가능한 지식 기반은 팀이 운영 가정, 평가 결정 및 사고 이력을 찾아낼 수 있도록 도울 수 있다. 이는 모델 검증을 대체하지 않으면서 증거 프로세스를 지원한다.

따라서 보고된 우위의 메커니즘은 “학습이 쉬워졌다”보다 더 넓게 해석할 필요가 있다. 관리형 인프라는 실험을 더 쉽게 접할 수 있게 한다. 그러나 고객에게는 운영 지식을 신뢰할 수 있는 비교로 전환하는 규율 있는 방식이 여전히 필요하다.

Qwen3 미세 조정에서 지속 가능한 자산은 그 프로세스 자체다. 즉, 비즈니스 의사결정, 이를 뒷받침하는 사례, 측정된 행동을 신뢰성 있게 연결하는 과정이다. 모델 파일은 그저 하나의 산출물일 뿐이다.

낮은 추론 비용이 소유 비용 문제를 해결하는 것은 아니다

핵심 비용 주장은 시스템 개발 및 유지보수의 전체 비용이 아니라 답변 제공 비용에 관한 것이다. 추론은 학습된 모델을 실행해 출력을 생성하는 것을 의미한다. 따라서 Exowatt 모델 맞춤화는 보고된 비교 범위를 넘어서는 경제적 질문을 제기한다.

답변당 비용 절감은 전체 워크플로가 경제적일 때에만 비즈니스 경쟁력이 된다.

학습, 데이터 준비, 평가, 배포, 유지보수, 사람의 검토는 모두 이 계산에 포함된다. 일부는 첫 유용한 답변이 나오기 전에 발생한다. 다른 일부는 애플리케이션 수명 전반에 걸쳐 계속된다.

그렇다고 추론 측면의 이점이 무효가 되는 것은 아니다. 자주 반복되는 작업에서는 응답 제공 효율이 특히 중요할 수 있다. 다만 구매자가 이를 예산에 적용하기 전에, 이 이점에는 분모와 명확히 정의된 경계가 필요하다는 뜻이다.

클라우드 배포 역시 신중한 비용 산정이 필요하다. custom model billing 문서는 실행 중인 모델 복제본과 호스팅 용량에 따라 요금이 부과된다고 설명한다. 또한 성공적인 추론 호출부터 시작되는 5분 단위 과금 구간을 명시한다. 따라서 답변 수뿐 아니라 워크로드의 발생 시점도 중요하다.

이 구조는 사용량이 많은 애플리케이션과 간헐적으로 사용되는 애플리케이션을 분석적으로 구분하게 만든다. 수요가 집중된 모델은 요청이 산발적으로 들어오는 모델과 활성 용량을 다르게 활용할 수 있다. 답변당 비용 추정치에는 그 뒤에 있는 사용 패턴이 설명되어야 한다.

로컬 실행은 다른 비용 산정 경계를 갖는다. 기존 하드웨어를 사용하면 별도 계량 요청 요금을 피할 수 있지만, 여전히 컴퓨팅 용량과 전력을 소비한다. 소프트웨어 지원, 모니터링, 업데이트에도 자원이 필요하다.

구매자에게 공정한 질문은 추가 소유 비용이 무엇인지다. 이 모델을 배포함으로써 어떤 비용이 달라지는가? 기존 자원 중 충분한 용량을 가진 것은 무엇이며, 어떤 자원은 확장이 필요한가?

겉보기에는 저렴한 모델도 후속 작업을 만들어낼 수 있다. 운영자가 불명확한 출력을 자주 검증해야 한다면 검토 시간은 경제성의 일부가 된다. 반대로 모델이 일상적인 사례를 안정적으로 처리한다면 그 부담을 줄일 수 있다.

잘못된 의사결정에도 같은 논리가 적용된다. 불필요한 조사를 촉발하는 저렴한 답변은 실제로 비용이 클 수 있다. 반대로 중대한 실수를 막는다면 더 비싼 답변도 정당화될 수 있다.

이 때문에 경제성 비교는 생성된 텍스트에서 멈추지 않고, 수용된 결과까지 포함해야 한다. 유효한 응답, 올바른 분류, 유용한 운영 의사결정은 서로 연관되어 있지만 구별되는 성과다.

프런티어 모델 공급업체가 받는 압력은 이러한 애플리케이션 경제성 안에서 가치를 입증하는 것이다. 개발 작업을 줄이거나 예측하기 어려운 요청을 처리할 때는 폭넓은 역량이 추가 비용을 정당화할 수 있다. 반면 워크플로에 안정적이고 반복적인 의사결정이 필요할 때 그 기여는 줄어든다.

전문 모델을 지지하는 측에도 이에 상응하는 책임이 있다. 비교에 맞춤화와 유지보수를 포함하고, 그 이점이 시간이 지나도 유지된다는 점을 보여야 한다.

Exowatt 보고서는 응답 제공 효율을 검토해야 할 설득력 있는 근거를 제시한다. 구매자는 이 통찰을 유지하되, 제한된 추론 비교를 보편적인 소유 비용 주장으로 바꾸고 싶은 유혹은 경계해야 한다.

작업 벤치마크만으로는 배포 문제에 답할 수 없다

공개된 결과는 독립적으로 재현된 발견이라기보다 AWS와 Exowatt가 보고한 내용을 보여준다. 두 조직 모두 배포를 유리하게 제시할 이해관계가 있으므로, 이 구분은 중요하다. 이는 자동적인 기각이 아니라 신중한 출처 표기와 추가 증거를 요구한다.

핵심 불확실성은 측정된 이점이 새로운 조건과 실제 의사결정의 결과에서도 유지되는지 여부다.

좁은 범위의 평가는 의도한 작업을 대표한다면 강력한 증거를 제공할 수 있다. 그 유용성은 사례 선정 방식, 기대 답변의 확립 방식, 경쟁 시스템의 구성 방식에 따라 달라진다.

독자는 학습과 테스트에 밀접하게 연관된 상황이 포함되어 있는지 물어야 한다. 표현만 다르다고 해서 반드시 의미 있게 다른 사례가 되는 것은 아니다. 모델은 익숙한 의사결정 패턴을 인식하면서 일반화하는 것처럼 보일 수 있다.

이는 이 프로젝트에 대한 의혹이 아니라 조사해야 할 질문이다. 공개된 주장은 이용 가능한 방법론을 기준으로 판단되어야 한다. 세부 사항이 부족하면 외부 독자가 내릴 수 있는 결론도 제한된다.

비교 설정도 중요하다. 범용 모델은 지시문, 제공된 맥락, 출력 제약에 따라 다르게 응답할 수 있다. 순위를 폭넓게 이전 가능한 것으로 보기 전에, 공정한 비교는 이러한 선택을 설명해야 한다.

집계 결과에는 운영 관점의 해석도 필요하다. 어떤 오류는 불편을 초래하지만, 다른 오류는 진행 중인 장비 문제를 숨길 수 있다. 단일 요약 지표로는 그 차이를 표현할 수 없다.

NIST의 AI risk framework는 배포 전과 운영 중 정기적인 테스트를 권고한다. 또한 문서화된 평가와 배포 후 모니터링을 강조한다. 이러한 원칙은 유리한 초기 점수보다 더 엄격한 성공 해석을 뒷받침한다.

이 애플리케이션에서 관련 증거에는 익숙하지 않은 장비 상태, 불완전한 입력, 변화하는 운영 조건에서의 행동이 포함될 것이다. 이는 이미 완료된 테스트에 대한 주장이 아니라 제안된 평가 우선순위다.

또 다른 질문은 응답 거부 행동과 관련된다. 증거가 충분하지 않을 때 답변을 거절하는 모델은 워크플로를 보호할 수 있다. 그러나 과도한 거부는 운영자에게 실질적인 도움을 거의 남기지 않을 수도 있다.

따라서 검토자는 어떤 사례에 답변이 제공되고 어떤 사례가 에스컬레이션되는지 살펴봐야 한다. 어려운 요청이 제외된다면, 답변된 사례에서의 유리한 점수는 공백을 숨길 수 있다. 평가는 그 경계를 명확히 보여줘야 한다.

배포 관련 표현에도 같은 주의가 필요하다. 모니터링 환경에서 권고를 생성하는 모델은 사람의 승인 없이 작동하는 모델과 다른 책임을 진다. 독자가 자율성을 추정하기 전에, 보고서는 운영 방식을 식별해야 한다.

독립적인 테스트는 사례를 강화하겠지만, 재현 가능성은 독점 데이터 제한과 충돌할 수 있다. 조직은 상세한 방법론, 대표 사례, 범주별 결과, 외부 검토를 통해서도 투명성을 높일 수 있다.

이러한 요건은 보고된 결과의 중요성을 줄이지 않는다. 이는 결과를 확장하는 데 필요한 증거를 식별한다. Exowatt의 사례는 명확한 검증 경계를 지닌, 유망하지만 작업 범위가 제한된 비교로 제시될 때 가장 강력하다.

이점의 확장성을 보여줄 세 가지 신호

향후 몇 달 동안 가장 유용한 업데이트는 새로운 운영 증거, 비교 가능한 대안, 유지보수 경제성에 관한 내용일 것이다. 이는 Exowatt가 발표한 이정표가 아니라 관찰 우선순위다. 변화하는 조건에서의 정확성이 더 폭넓은 상업적 결론보다 먼저이므로, 순서도 중요하다.

Exowatt 모델 맞춤화는 초기 평가 후에도 이점이 계속 확인될 때 더욱 설득력을 얻는다.

첫 번째 신호는 진정으로 새로운 운영 사례에서의 성능이다. 유용한 업데이트는 익숙하지 않은 상황과 이전에 평가된 사례의 변형을 구분할 것이다. 또한 모델이 도움을 필요로 하는 빈도도 보고할 것이다.

안정적인 성능은 전문화가 유용한 운영 지식을 포착한다는 주장을 강화할 것이다. 새로운 장비나 조건에서 성능 저하가 집중된다면, 이 접근 방식에 추가 학습이나 더 엄격한 경계가 필요한 지점을 드러낼 것이다.

이는 Exowatt edge AI와 특히 관련이 있다. 로컬 가용성은 로컬 의사결정이 계속 신뢰할 수 있을 때에만 도움이 되기 때문이다. 한계를 인식하지 못하는 오프라인 모델은 연결이 끊긴 클라우드 서비스와는 다른 실패 모드를 만들 수 있다.

두 번째 신호는 업데이트되고 신중하게 구성된 대안과의 비교다. 범용 모델은 변하고, 고객도 제공하는 맥락과 지시문을 개선할 수 있다. 지속 가능한 이점은 신뢰할 수 있는 최신 기준선과 비교해도 이해 가능해야 한다.

더 강력한 프런티어 모델 결과가 원래의 발견을 지우는 것은 아니다. 이는 이점의 크기와 최선의 배포 선택을 바꿀 수 있다. 구매자는 모델 선택이 지속적인 의사결정으로 남을 것이라 예상해야 한다.

전문 모델이 계속 앞선다면 독점적인 평가 및 학습 데이터에 투자해야 한다는 근거가 강화될 것이다. 이는 애플리케이션 지식이 다른 범용 모델을 선택하는 것 이상의 가치를 제공한다는 점을 시사할 것이다.

세 번째 신호는 시스템의 유용성을 유지하는 데 필요한 노력이다. 향후 공개 내용은 재학습 필요성, 운영자 검토, 업데이트 신뢰성, 실제 응답 제공 활용률을 설명해야 한다. 이러한 세부 정보는 벤치마크 성능을 소유 경제성과 연결할 것이다.

유리한 결과는 업데이트가 과도한 엔지니어링 관심을 소모하지 않으면서 정확성을 유지함을 보여줄 것이다. 원래 벤치마크가 여전히 정확하더라도, 잦은 보정 작업이나 많은 수작업 검토는 상업적 해석을 약화시킬 것이다.

기업 구매자에게 주는 더 넓은 교훈은 실용적이다. 모델 선택은 정의된 의사결정, 대표적인 증거, 명시적인 운영 경계를 따라야 한다. Exowatt의 보고서는 전문화를 진지하게 테스트할 이유를 제공하는 한편, 폭넓은 역량이 제 역할을 할 수 있는 곳에서는 범용 모델의 여지를 남긴다.

팀이 개선하려는 반복적인 의사결정부터 시작하라. 그 의사결정이 발생할 때 이용 가능한 증거, 실수의 비용, 에스컬레이션이 필요한 조건을 기록하라. 동일한 조건에서 전문 모델과 범용 모델을 비교하라. 연결 장애, 익숙하지 않은 사례, 검토 노력, 유지보수도 평가에 포함하라. 결과를 관련된 정확한 데이터 및 소프트웨어 버전과 연결해 두라. Exowatt 모델 맞춤화는 작업별 성공에 관한 유용한 보고 사례를 제공하지만, 애플리케이션에는 자체적인 증거가 필요하다. 사용자가 실제로 마주하는 조건 전반에서 어떤 시스템이 신뢰할 수 있는 의사결정을 제공하는지 묻고, 그 증거를 배포 선택의 근거로 삼아야 한다.