IBM LLMON, 3B 및 8B 프리뷰에서 Granite 4.1 지원
IBM은 11월 12일 3B 및 8B 버전의 LLMON 학습 Granite 4.1 프리뷰를 공개하며, 실험적 언어 모델에 명시적인 지시 경계를 도입했다. LLM Object Notation의 약자인 IBM LLMON은 어떤 텍스트가 지시를 제공하고 어떤 텍스트가 처리 대상 자료인지를 표시한다. 이 구분은 외부 콘텐츠에 삽입된 지시를 따르도록 모델을 속이는 공격인 프롬프트 인젝션을 겨냥한다.
이번 공개는 과제, 검색된 문서, 도구 결과를 모델이 해석해야 하는 텍스트로 결합하는 익숙한 애플리케이션 패턴에 도전한다. IBM의 대안은 이러한 관계를 명시적으로 만들고, 모델이 이를 따르도록 학습시킨다. 다만 IBM은 그 결과의 동작을 보장된 것이 아니라 학습된 것으로 설명한다.
가장 가까운 참조 사례는 형식화와 학습을 통해 지시와 데이터를 분리하는 StruQ 같은 구조화 쿼리 연구다. 즉각적인 압박은 외부 자료를 읽는 어시스턴트를 개발하는 개발자들에게 가해진다. 이들은 이제 중요한 질문과 함께 평가할 또 다른 접근법을 갖게 됐다. 학습된 경계가 얼마나 많은 보안을 제공하는가?
IBM LLMON, 실험적 모델 릴리스로 등장
IBM은 단순히 프롬프트를 배치하는 또 다른 방식을 공개한 것이 아니라, 해당 형식을 위해 학습된 모델을 출시했다.
LLMON 프리뷰 릴리스에는 실험적 Granite 모델과 이를 지원하는 변환 도구가 포함된다. IBM은 개발자들이 이 릴리스를 프로덕션이 아닌 탐색과 평가에 사용해야 한다고 말한다.
이러한 단서는 적절한 관점을 제시한다. 이는 애플리케이션과 모델 사이의 다른 인터페이스를 조사할 기회다. 민감한 정보나 중요한 결과를 다루는 어시스턴트에 대한 배포 권고는 아니다.
형식과 학습된 모델의 차이는 중요하다. 개발자는 텍스트를 레이블로 둘러쌀 수 있지만, 레이블만으로 모델이 이를 얼마나 신뢰성 있게 존중할지 결정되지는 않는다. 모델이 그 의미를 일관되게 관련 있는 것으로 다룰지는 학습에 달려 있다.
애플리케이션이 문서를 외부 콘텐츠로 인식하는 것과 모델이 그 문서의 지위를 이해하는 것의 차이를 생각해 보자. 애플리케이션은 이미 자료의 출처를 알고 있다. 모든 것이 일반 텍스트로 모델에 전달되면 이 지식은 덜 명시적으로 변할 수 있다.
이번 릴리스의 편집상 의미는 그 간극에 있다. IBM은 애플리케이션 구조를 실험적 모델이 해석하도록 학습하는 요소로 만들고 있다. 이 제안은 반복적인 언어적 상기에서 구조화된 입력을 처리하는 모델의 역할로 일부 책임을 옮긴다.
그렇다고 애플리케이션 설계 선택이 사라지는 것은 아니다. 어떤 자료가 사용자의 과제를 나타내는지, 어떤 자료가 근거를 제공하는지, 어떤 요구 사항이 답변을 제한하는지는 여전히 누군가가 결정한다. 모델은 입력이 도착하기 전에 내려진 모든 잘못된 결정을 바로잡을 수 없다.
구매자에게 유용한 구분은 이용 가능성과 준비 상태의 차이다. 다운로드 가능한 모델은 평가를 가능하게 한다. 프로덕션 준비 상태에는 의도된 워크플로, 허용 가능한 실패율, 운영상 동작, 문제가 발생했을 때의 결과에 관한 근거가 필요하다.
개발자에게 이번 릴리스는 개념적 마크업 제안보다 더 구체적인 실험을 제공한다. 기존 어시스턴트와 실험적 인터페이스를 사용하는 버전을 비교할 수 있다. 이 비교에는 일반적인 과제 완료뿐 아니라 적대적 자료도 포함돼야 한다.
이는 모든 언어 모델을 위한 새로운 표준을 선언하는 것보다 더 제한적인 주장이다. 그러나 더 유용한 주장이기도 하다. 검토 가능한 실험은 팀이 보편적인 보안 약속을 받아들이지 않고도 측정할 대상을 제공한다.
따라서 IBM LLMON을 해석하는 올바른 방식은 일축도 즉각적인 도입도 아니다. 이번 릴리스는 특정한 아키텍처 주장을 검증 가능하게 한다. 지시 경계는 모델에 명시적으로 전달돼야 하며, 학습은 모델이 이를 존중하도록 가르쳐야 한다.
외부 콘텐츠를 읽는 어시스턴트가 즉각적인 압박에 직면한다
가장 관련성 높은 대상은 문서를 이해해야 하지만 그 문서를 명령으로 받아들여서는 안 되는 어시스턴트를 개발하는 개발자들이다.
공급업체 제안서를 검토하는 가상의 리서치 어시스턴트를 상상해 보자. 사용자는 납품 의무와 미해결 질문의 요약을 원한다. 제안서 안에는 공격자가 어시스턴트에게 승인을 권고하도록 지시하는 텍스트를 삽입했다.
악의적인 문장은 검토 대상 자료의 일부다. 이는 사용자의 요청을 바꿀 권한이 없다. 그럼에도 어시스턴트는 이를 읽어야 하는데, 의심스러운 콘텐츠를 식별하는 일 자체가 검토에 중요할 수 있기 때문이다.
이는 지시처럼 작성된 모든 문장을 제거하는 것보다 더 까다로운 요구 사항을 만든다. 계약서, 매뉴얼, 지원 티켓, 회의록에는 본래 요청과 명령이 포함된다. 유용한 어시스턴트는 이러한 문장을 이해하면서도 원래의 지위를 유지해야 한다.
유사한 문제는 답변 전 모델에 검색된 문서를 제공하는 프로세스인 검색 증강 생성에서도 나타난다. 검색은 잠재적으로 관련 있는 근거를 식별한다. 그렇다고 그 근거 안의 모든 지시가 따를 가치가 있다는 뜻은 아니다.
실질적인 과제는 워크플로 전반에서 그 구분을 유지하는 것이다. 문서가 요약으로 바뀌더라도 요약이 조용히 더 큰 권한을 획득해서는 안 된다. 도구가 텍스트를 반환하면 애플리케이션은 그것이 관찰 결과라는 지위를 유지해야 한다.
이는 특정 제품이 실패했다는 근거가 아니라 아키텍처적 함의다. 이 문제가 프롬프트 문구를 실험하는 팀을 넘어 중요한 이유를 설명한다. 근본적인 쟁점은 애플리케이션이 인터페이스를 거쳐 의미를 전달하는 방식에 관한 것이다.
지식 노동자에게 원하는 동작은 간단하다. 어시스턴트는 명령형 언어가 포함된 정보까지 포함해 관련 정보를 바탕으로 요청에 답해야 한다. 소스 문서에서 명령을 읽는다고 해서 자동으로 어시스턴트의 다음 과제가 되어서는 안 된다.
검색 가능한 지식 베이스를 평가하는 팀은 이 구분을 염두에 둬야 한다. 올바른 문서를 찾는 것과 그 문서의 권한을 해석하는 것은 별개의 책임이다.
같은 논리는 도구에도 적용된다. 도구 결과는 다음에 무엇을 해야 하는지를 재정의할 권한을 얻지 않고도 어시스턴트에게 무슨 일이 일어났는지 알려줄 수 있다. 그렇지 않으면 외부 관찰 결과가 예기치 않은 제어 채널이 될 수 있다.
구매자 관점에서 이는 물어볼 만한 질문을 바꾼다. 공급업체는 외부 자료가 승인된 지시와 어떻게 구별되는지 설명할 수 있는가? 관련 문서에 리디렉션 시도도 포함된 경우 어떤 일이 일어나는지 보여줄 수 있는가?
이런 질문은 시스템이 일반적인 프롬프트 인젝션 방어 기능을 갖췄는지 묻는 것보다 더 많은 것을 드러낸다. 광범위한 레이블은 적용 범위, 여전히 가능한 실패, 그러한 실패의 결과에 대해 거의 말해주지 않는다.
IBM의 릴리스는 개발자에게 또 하나의 후보 답안을 제공한다. 그 답안이 구축 중인 애플리케이션에서 작동한다는 것을 보여줘야 할 부담은 여전히 남아 있다. 유용한 문서 어시스턴트에는 관련성 있는 응답과 상충하는 지시의 신뢰할 수 있는 처리가 모두 필요하다.
명시적 구조는 모델이 추론해야 할 것을 바꾼다
LLMON의 핵심 제안은 주변 산문에서 관계를 재구성하도록 모델에 요구하는 대신, 그 관계를 직접 표현하는 것이다.
3B 모델 카드는 지시, 문서, 데이터, 요구 사항, 응답을 위한 개별적으로 주소 지정 가능한 블록을 설명한다. 활성 지시를 입력 및 출력과 연결하는 구조인 실행 블록은 이들 간의 관계를 식별한다.
이 형식은 구조적 경계에 할당된 어휘 항목인 예약 특수 토큰을 사용한다. 제공되는 채팅 템플릿은 메시지 구성 요소를 해당 표현으로 변환한다. 따라서 개발자는 모든 구분 기호를 수동으로 작성할 필요가 없다.
중요한 구분은 콘텐츠와 제어 사이에 있다. 문장은 승인된 과제가 되지 않고도 의미 있는 정보를 담을 수 있다. 명시적 관계는 모델에 그 문장이 존재하는 이유를 알려준다.
가상의 공급업체 제안서로 돌아가 보자. 애플리케이션은 사용자의 검토 요청을 지시로, 제안서를 입력으로 식별할 수 있다. 의도된 동작은 해당 요청에 따라 제안서를 분석하는 것이다.
이것은 모델이 추론해야 하는 것을 바꾼다. 덜 명시적인 표현에서는 주변 문구가 제안서가 신뢰할 수 없음을 설명할 수 있다. 여기서는 관계 자체가 구조화된 입력의 일부가 된다.
LLMON 툴킷은 이 형식 및 도메인별 예시 작업도 지원한다. 문서는 애플리케이션 프레임워크가 최종 사용자에게 표기법을 노출하지 않고 이를 처리하는 상황을 설명한다.
이러한 분업은 제품 관점에서 합리적이다. 사용자는 일반적으로 정확한 요약, 유용한 비교, 적절한 조치를 원한다. 일반적인 요청을 표현하기 위해 모델 구분 기호를 관리할 필요는 없다.
다만 구현은 여전히 면밀한 검토가 필요하다. 애플리케이션이 외부 지시를 권위 있는 것으로 레이블링하면, 명시적 형식화는 잘못된 결정을 매우 명확하게 보존할 수 있다. 구조는 구분을 표현 가능하게 하지만, 애플리케이션이 올바르게 선택했음을 보장하지는 않는다.
이 때문에 JSON과의 비교도 신중해야 한다. 소프트웨어가 정보를 저장하고 교환하는 데 사용하는 구조화 데이터 형식인 JSON은 여전히 유용하다. 관련된 질문은 모델이 제시된 구조를 어떻게 해석하는가다.
올바르게 파싱된 객체와 올바르게 이해된 지시 경계는 다른 결과다. 소프트웨어는 문서의 구문을 받아들일 수 있지만, 모델은 그 안의 텍스트가 지닌 권한을 잘못 읽을 수 있다. 평가자는 이러한 결과를 상호 교환 가능한 것으로 다루지 않아야 한다.
따라서 IBM LLMON은 인터페이스와 학습 접근법을 함께 평가해야 한다. 관련 없는 모델에 그 시각적 모양을 복사한다고 해서 동등한 동작이 입증되지는 않는다. 익숙해 보이는 프롬프트는 공유된 학습 이력의 근거가 아니다.
더 광범위한 엔지니어링 주장은 충분히 검증할 가치가 있다. 애플리케이션은 이미 알고 있는 구분을 버리는 대신 전달해야 한다. 이 특정 구현이 충분한 이점을 제공하는지는 여전히 경험적 질문이다.
이러한 틀은 이야기를 핵심에 집중시킨다. 쟁점은 개발자가 익숙한 데이터 형식을 버려야 하는지 여부가 아니다. 명시적 관계가 통합 작업을 정당화할 만큼 모델의 동작을 개선하는지 여부다.
공개된 결과는 과제별로 읽어야 한다
IBM이 보고한 보안 향상은 의미 있는 연구 근거이지만, 광범위한 성능 주장은 여전히 개별 평가를 면밀히 읽어야 한다.
사후 학습 연구는 간접 프롬프트 인젝션 벤치마크에서 공격 성공률이 53–100%에서 0.02–5.6%로 하락했다고 보고한다. 저자들은 일반 성능이 유지됐다고 보고하면서, 이러한 결과를 구조화된 감독에 기인한다고 설명한다.
이 수치는 저자들의 평가를 설명한다. 이 수치가 모델을 사용하는 모든 어시스턴트의 보편적인 실패 확률을 입증하는 것은 아니다. 벤치마크 결과는 과제, 공격, 구성, 성공의 정의에 따라 달라진다.
공격 성공률은 시도된 리디렉션이 평가자가 지정한 결과를 달성하는 빈도를 측정합니다. 이 결과는 배포 결정을 뒷받침할 수 있을 만큼 애플리케이션 위험과 충분히 밀접하게 일치해야 합니다.
예를 들어, 답변 오염에 초점을 맞춘 평가는 무단 작업과는 다른 결과를 다룹니다. 둘 다 중요하지만, 잘못된 문장을 방지하는 일과 외부 쓰기 작업을 방지하는 일에는 서로 다른 운영상의 근거가 필요합니다.
8B 성능 결과는 “비슷하다”가 “동일하다”를 뜻해서는 안 되는 이유도 보여줍니다. IBM은 LLMON의 MMLU 점수가 74.20이며, Instruct 대응 모델은 73.84라고 보고합니다.
또 다른 질의응답 벤치마크인 GPQA에서 보고된 점수는 각각 35.05와 41.96입니다. 이 결과는 모든 성능이 변하지 않았다는 주장보다는, 작업에 따라 엇갈리는 해석을 뒷받침합니다.
기업 팀에 중요한 비교 대상은 자체 워크로드입니다. 모델은 광범위한 평가에서 수용 가능한 수준으로 보일 수 있지만, 제품 품질을 좌우하는 좁은 작업에서는 성능이 떨어질 수 있습니다.
기술 계약서에서 의무 사항을 추출하는 어시스턴트를 가정해 보겠습니다. 평가는 올바른 의무 사항을 식별하는지, 단서 조항을 보존하는지, 계약서에 삽입된 지시를 따르지 않는지를 고려해야 합니다.
거부만 측정하면 이 작업의 상당 부분을 놓치게 됩니다. 모든 까다로운 문서 처리를 거부하는 어시스턴트는 일부 공격을 피할 수는 있어도 본래 목적을 달성하지 못할 수 있습니다. 성공적인 방어는 가능한 한 유용한 작업을 유지해야 합니다.
반대의 실수는 깨끗한 자료에서의 답변 품질만 측정하는 것입니다. 그렇게 하면 이번 릴리스의 핵심 보안 가설은 검증되지 않은 채 남습니다. 균형 잡힌 평가에는 일반 입력과 관련된 적대적 변형이 모두 필요합니다.
비교에도 일관된 조건이 필요합니다. 검색, 문서 선택, 도구, 모델 형식을 동시에 바꾸면 결과를 해석하기가 더 어려워집니다. 긍정적인 결과가 평가 대상이 아닌 다른 구성 요소에서 비롯됐을 수 있습니다.
이번 릴리스에서 가장 유의미한 근거는 구조가 다른 학습 변경 사항과 별개로 기여한 정도를 구분하는 것입니다. 그렇다고 결합된 시스템의 가치를 부정하는 것은 아닙니다. 어떤 부분이 필수적이며 어떤 이점이 이전 가능한지를 설명하는 데 도움이 됩니다.
독자는 회사의 근거와 독립적 재현도 구분해야 합니다. 공개된 연구는 테스트의 기반을 제공합니다. 하지만 명확히 문서화된 조건에서 외부 팀이 결과를 재현하는 일을 대체하지는 않습니다.
적절한 결론은 구체적입니다. IBM은 평가한 인젝션 작업에서 상당한 개선을 보고하는 한편, 성능 결과는 작업별로 달랐다고 밝혔습니다. 이는 진지한 평가를 정당화하지만, 모든 워크플로에서 모델이 더 안전하다는 포괄적 선언을 뒷받침하지는 않습니다.
학습된 경계는 강제되는 권한과 여전히 다릅니다
모델이 지시 경계를 존중하도록 학습한다고 해서 그 경계가 소프트웨어 권한 검사와 같은 특성을 갖게 되는 것은 아닙니다.
IBM은 권한 규칙을 학습된 행동으로 명시적으로 규정합니다. 릴리스 설명에서는 정적인 간접 공격과, 공격자가 응답을 관찰한 뒤 전략을 바꾸는 적응형 공격도 구분합니다.
이 구분은 공격이 독립 문서 안의 명백한 지시 형태로만 들어올 필요가 없기 때문에 중요합니다. 공격은 연속된 상호작용을 통해 전개되며, 맥락을 바꾸고 이전 응답을 악용할 수 있습니다.
정적 테스트도 여전히 가치가 있습니다. 정해진 시도 집합에 대한 행동을 확인하기 때문입니다. 한계는 그 이후에 도출되는 추론에 있습니다. 해당 집합을 견뎠다고 해서 계속 적응할 수 있는 공격자에 대해서도 저항력이 입증되는 것은 아닙니다.
관련 선례도 있습니다. StruQ의 기반이 된 구조화 쿼리 연구는 안전한 형식화 프런트엔드와 특별히 학습된 모델을 결합합니다. 저자들은 유용성을 유지하면서 인젝션 저항성이 개선됐다고 보고합니다.
이전 연구는 지시와 데이터 분리를 연구 방향으로 검토할 근거를 뒷받침합니다. 그러나 IBM의 구현을 독립적으로 검증하지는 않습니다. 유사한 아이디어라도 학습, 통합, 평가 방식에 따라 서로 다른 결과를 낼 수 있습니다.
이 비교는 오해를 부르는 신규성 주장도 막아 줍니다. IBM은 기존 보안 연구 분야 안에서 구체적인 형식과 실험 모델을 제시하고 있습니다. 더 큰 질문이 이번 릴리스로 갑자기 등장한 것은 아닙니다.
애플리케이션 팀에 실질적으로 중요한 점은 모델의 행동과 실행 권한을 분리하는 것입니다. 모델은 작업을 권고할 수 있습니다. 해당 작업이 허용되는지, 추가 승인이 필요한지는 애플리케이션이 결정합니다.
지원 메시지를 읽고 계정 조정을 초안으로 작성하는 가상의 어시스턴트를 생각해 보겠습니다. 더 나은 지시 처리는 악의적인 텍스트가 초안을 바꿀 가능성을 줄일 수 있습니다. 그러나 조정 자체가 승인되었는지를 확립하지는 않습니다.
애플리케이션에는 여전히 계정, 허용되는 변경, 승인 권한자에 관한 규칙이 필요합니다. 이러한 규칙이 모델이 메시지를 올바르게 해석하는지 여부에 전적으로 의존해서는 안 됩니다.
같은 구분은 기밀 정보에도 적용됩니다. 어시스턴트는 외부 지시를 신뢰할 수 없다고 올바르게 식별하면서도 부정확한 답변을 만들 수 있습니다. 경계 처리, 사실적 신뢰성, 접근 통제는 서로 다른 실패 모드를 다룹니다.
이것이 프리뷰를 일축해야 할 이유는 아닙니다. 해당 개선 주장이 작동하는 계층에서 그 가치를 평가해야 할 이유입니다. 다른 통제가 계속 필요하더라도 모델의 취약성을 줄이는 일은 중요할 수 있습니다.
릴리스의 실험적 상태는 이러한 해석을 강화합니다. 평가자는 모델을 민감한 작업의 최종 권한자로 취급하지 않고도, 통제된 환경에서 실패 모드를 조사할 수 있습니다.
그러므로 가장 유용한 회의론은 정확한 질문을 던집니다. 어떤 공격이 여전히 효과적인가? 어떤 맥락 변화가 경계를 약화시키는가? 적대적 자료가 사용자의 질문과 관련 있을 때도 어시스턴트는 정당한 작업을 계속 완료하는가?
이 질문들은 완벽한 보안과 무가치함 사이의 이분법을 만들어 내지 않고 제안을 검증합니다. 학습된 방어는 어디에 적합한지를 결정하는 한계를 유지하면서도 측정 가능한 이점을 제공할 수 있습니다.
독립 테스트와 통합이 다음 단계를 결정할 것입니다
다음 근거는 보고된 개선이 원래 평가 밖에서도 유지되는지, 그리고 완전한 애플리케이션에서 계속 유용한지를 입증해야 합니다.
가장 먼저 살펴볼 신호는 적응형 공격 하에서의 독립적 재현입니다. 더 강력한 근거에는 문서화된 공격 예산, 상호작용 이력, 실패 사례가 포함됩니다. 긍정적인 주요 결과만 재현하는 것은 통찰을 덜 제공할 것입니다.
외부 팀이 이런 조건에서 보고된 우위를 유지한다면 접근 방식에 대한 신뢰는 높아질 것입니다. 반대로 작은 적응만으로 우위가 사라진다면 유효한 범위는 더 좁아질 것입니다.
어느 결과든 논의에 도움이 됩니다. 실험적 릴리스의 목적은 가정을 테스트에 노출하는 것입니다. 경계가 어디에서 실패하는지에 대한 명확한 설명은 또 하나의 긍정적인 평균만큼 운영상 유용할 수 있습니다.
두 번째 신호는 현실적인 워크플로에서 얻는 통합 근거입니다. 유용한 평가는 자료 검색부터 답변 생성 또는 작업 제안까지의 전체 경로를 보여줄 것입니다.
이 근거는 권한 레이블이 어디에서 비롯되고 어떻게 유지되는지를 설명해야 합니다. 또한 콘텐츠가 요약, 도구 응답, 이후 대화 차례를 거칠 때 어떤 일이 일어나는지도 보여줘야 합니다.
성공적인 통합은 명시적 구조가 일반적인 애플리케이션 복잡성 속에서도 유지될 수 있다는 주장을 강화할 것입니다. 권한이 반복적으로 손실되거나 잘못 할당된다면 모델의 벤치마크 성능을 넘어서는 문제를 드러낼 것입니다.
세 번째 신호는 프로덕션 준비 상태에 대한 더 명확한 입장입니다. IBM은 이번 릴리스에 실험적 경계를 설정했습니다. 이후 어떤 변경이 있더라도, 어떤 운영 요구 사항이 해결됐는지 설명하는 근거가 수반되어야 합니다.
새로운 레이블만으로는 공개된 한계, 재현 가능한 평가, 대표적 애플리케이션에서 문서화된 행동보다 정보성이 떨어집니다. 구매자는 릴리스 설명만 바뀌었다는 사실이 아니라 무엇이 바뀌었는지를 알아야 합니다.
이러한 발전에 대해 확인된 일정은 없습니다. 이는 발표나 도입을 예측하는 것이 아니라 다음 단계를 평가하기 위한 관찰 기준입니다.
동일한 기준은 경쟁 접근 방식에도 적용됩니다. 다른 형식, 학습 전략, 애플리케이션 통제도 비교 가능한 조건에서 입증된 행동에 따라 평가받아야 합니다. 브랜드 인지도가 근본적인 엔지니어링 질문을 해결해 주지는 않습니다.
현재로서는 IBM LLMON이 지시 경계를 더 명시적인 평가 대상으로 만듭니다. 이는 모델과 그 주변 애플리케이션을 모두 기꺼이 살펴보는 팀에 유용한 진전입니다.
배포 결정을 내리기 전에 외부 텍스트가 정기적으로 어시스턴트의 맥락에 들어오는 워크플로를 선택하십시오. 승인된 작업을 정의하고, 증거로 남아야 하는 자료를 식별하며, 허용할 수 없는 이탈을 명시하십시오. 일반적인 작업 품질을 관련 공격 하에서의 행동과 비교하되, 상호작용을 거치며 진화하는 시도도 포함하십시오. 단일 종합 점수에 의존하지 말고 유용한 답변, 거부, 실패를 기록으로 남기십시오. 그런 다음 해석에 실패했을 때 애플리케이션 권한이 결과를 제한하는지 검토하십시오. 다음 결정은 이 근거를 따라야 합니다. 추가 조사, 사용 사례 축소, 또는 더 강력한 검증을 기다리는 것입니다. 공개된 모델과 연구를 읽을 때는 한 가지 실질적인 질문을 염두에 두십시오. 경계는 어시스턴트가 실제로 수행하는 작업 전반에서 신뢰할 수 있게 유지되는가?



