Microsoft AI Frontiers 개편, 연구 우선순위에 대한 검토 촉발
연구자 John Langford에 따르면 Microsoft는 2026년 9월 AI Frontiers를 Microsoft AI로 편입했다. Langford는 11월 6일 공개적으로 이 변화를 비판했다. Microsoft AI Frontiers 개편은 Google과 Meta에서 앞서 이루어진 변화에 최근의 논쟁적 사례를 더한다. 이 움직임들은 함께 한 가지 실질적인 질문을 제기한다. 어떤 연구가 제품으로 이어질지를 누가 결정하는가?
Google은 2023년 Brain과 DeepMind를 통합했다. Meta는 2025년 FAIR로 알려진 Fundamental AI Research 팀을 Meta Superintelligence Labs 안에 배치했다. 이 변화들은 범위와 공식적으로 밝힌 목적에서 차이가 있었다. 그럼에도 연구팀을 AI 시스템 구축을 담당하는 더 큰 조직 안으로 편입시켰다는 공통점이 있다.
핵심적인 긴장은 연구 자율성과 모델 개발 및 제공에 대한 통제 사이에 있다. 팀 통합은 조율과 자원 접근성을 높일 수 있다. 반면 어떤 아이디어가 지원을 받는지의 범위를 좁힐 수도 있다. 개발자와 기업 구매자에게는 실험 기술이 업무의 기반이 되는 시점에 이 차이가 중요하다.
Microsoft AI Frontiers 개편으로 바뀐 점
가장 최근의 전개는 Microsoft 연구의 종료를 알리는 회사 발표가 아니라, 논쟁이 있는 조직 변화에 관한 한 연구 책임자의 설명이다.
Langford는 11월 6일 게시한 The End of AI Frontiers에서 이 그룹이 9월 초 Microsoft AI로 이동했다고 설명한다. 그는 약 50명 규모였으며 이후 회사를 떠났다고 말한다.
그의 비판은 해당 조직이 두는 우선순위를 겨냥한다. 그는 그 경영진이 연구보다 스케일링을 선호한다고 규정하는데, 이는 기존 모델 개발 방식의 확대에 더 크게 의존한다는 의미다. 이는 그의 평가일 뿐, 모든 Microsoft AI 프로젝트에 대한 독립적으로 확립된 설명은 아니다.
조직 이동과 연구 중단은 서로 다른 주장이라는 점에서 이 구분은 중요하다. 팀은 기존의 정체성을 잃을 수 있지만 직원들은 계속 업무를 수행할 수 있다. 프로젝트는 새 관리 체계 아래 존속하거나 방향을 바꾸고, 다른 수준의 지원을 받을 수 있다.
여기서 검토한 공개 자료는 영향을 받은 모든 직원이나 프로젝트의 결과를 확정하지 않는다. 또한 Langford의 구체적 비판에 대응하는 Microsoft의 답변도 포함하지 않는다. 그의 설명은 외부인이 내릴 수 있는 결론에 분명한 한계가 있는 가운데, 견해차에 대한 직접적 증거를 제공한다.
더 넓은 경영의 질문은 새로 받아들인 조직이 낯선 작업을 어떻게 평가하느냐에 있다. 어떤 프로젝트는 유망한 대안을 제시할 수 있지만 새 경영진의 즉각적인 개발 일정에는 맞지 않을 수 있다. 다른 프로젝트는 기존 작업과 중복되어 통합의 이점을 얻을 수 있다. 이 사례들은 서로 다른 결정을 요구한다.
조직도만으로는 경영진이 이들을 구분하는지 알 수 없다. 이를 판단하려면 프로젝트 지속 여부, 평가 기준, 컴퓨팅 자원 접근성, 제품화 경로에 관한 증거가 필요하다. 이런 세부 사항이 없다면 성공이나 실패 어느 쪽에 대해서도 확신하기는 이르다.
따라서 Microsoft AI Frontiers 개편은 그로 인해 드러나는 의사결정 과정 때문에 주목할 만하다. 원래의 리더십 구조가 사라진 뒤 누가 연구 프로젝트를 후원할 수 있는가? 누가 실용적 시험을 승인할 수 있는가? 대안적 접근법이 더 큰 투자를 받을 만하다고 누가 결정하는가?
이 질문들은 직원에게 직접 관련되지만, 그 영향은 더 넓게 미친다. 외부 개발자는 연구 프로젝트에 지속적인 책임 주체가 있는지 알아야 한다. 구매자는 흥미로운 시연과 유지·관리되는 제품 조직의 지원을 받는 기술을 구분해야 한다.
책임을 명확히 배정한다면 이전은 이러한 연결을 강화할 수 있다. 수용 조직이 목표를 받아들이지 않은 채 프로젝트만 넘겨받는다면 연결은 약화될 수 있다. 실질적인 변화는 그 결과로 생기는 권한 배분이며, 외부에서는 여전히 일부만 보인다.
Google과 Meta는 세 변화가 서로 다른 이유를 보여준다
Google, Meta, Microsoft는 같은 비교 대상으로 볼 수 있지만, 각사의 개편이 같은 결과를 뜻하지는 않는다.
Google은 2023년 4월 20일 연구팀 통합을 통해 Google Research의 Brain 팀과 DeepMind를 결합했다. 그 결과 탄생한 Google DeepMind는 Demis Hassabis 아래에 범용 AI 시스템 개발을 배치했다.
또한 이 발표는 Jeff Dean을 Google의 수석 과학자로 임명했다. Google은 Google Research가 알고리즘, 개인정보 보호, 보안, 헬스케어, 책임 있는 AI 등을 포함한 영역에서 계속 연구할 것이라고 명시했다.
이 단서는 오해를 부를 수 있는 해석을 막는다. Google은 주요 AI 팀을 통합하면서도 더 폭넓은 연구 조직은 유지했다. 발표는 연구와 제품 개발을 상업적 제공과 양립할 수 없는 활동으로 선언하기보다 서로 연결된 활동으로 제시했다.
Meta의 구조는 다른 경로를 따랐다. 2025년 2분기 실적 발표를 위해 마련된 발언문에서 설명된 연구 조직 구조에는 Meta Superintelligence Labs 내의 foundation, product, FAIR 팀이 포함됐다. 차세대 모델을 개발하는 새 연구소도 포함됐다.
파운데이션 모델은 다양한 애플리케이션을 지원할 수 있도록 폭넓게 학습된 시스템이다. 이를 개발하는 인력을 제품팀과 함께 묶으면 일반적 역량과 특정 사용자 경험 간에 조직적 연결이 만들어진다.
Microsoft의 앞선 소비자 AI 조직은 2024년 3월 19일 발표됐으며, 자체적으로 밝힌 책무가 있었다. Satya Nadella는 소비자 AI 제품과 연구를 담당하는 Microsoft AI의 리더로 Mustafa Suleyman을 임명했다.
이 기록들은 제한적인 비교를 뒷받침한다. 각 회사는 중요한 AI 작업을 시스템이나 제품 개발을 맡은 조직 안에 배치했다. 하지만 동일한 연구 정책, 출판 규정, 프로젝트 승인 절차를 입증하지는 않는다.
따라서 경쟁 비교는 단순한 순위가 아니라 조직적 선택에 관한 것이다. Google의 발표는 연구 역량의 결합을 강조했다. Meta의 설명은 여러 유형의 AI 작업을 공통의 틀 아래 배치했다. Microsoft의 발표는 소비자 제품과 연구를 명시적으로 결합했다.
각 구조는 서로 다른 운영 관행의 여지를 남긴다. 공동 리더십은 독립적인 연구 프로그램을 보존할 수도, 공통 우선순위를 강제할 수도 있다. 분리된 팀은 긴밀히 협력할 수도, 아이디어 이전에 어려움을 겪을 수도 있다. 공식적 경계는 단서를 제공하지만, 일상적 결정이 실질적 의미를 정한다.
시점에도 같은 주의가 적용된다. 이는 서로 다른 연도에 이루어진 별개의 변화이며, 공동 발표가 아니었다. 이를 하나의 동시적 업계 결정으로 취급하면 독자가 이해해야 할 회사별 상황이 가려진다.
경쟁 분석에서 유용한 질문은 구조가 대안의 여지를 유지하면서도 유망한 작업의 배포를 돕는지다. 두 가지를 모두 관리하는 기업은 유연성을 얻는다. 어느 하나에 어려움을 겪는 기업은 조직 설계와 무관하게 지연에 직면할 수 있다.
세 사례는 연구 거버넌스를 더 면밀히 살펴볼 이유를 제공한다. 기업 AI 연구가 끝났다고 선언할 근거는 되지 않는다.
제품 리더는 연구 선택에 대한 책임을 더 크게 진다
연구와 제공이 같은 리더십 아래 놓이면 제품에 관한 결정이 어떤 과학적 접근법을 지원할지에 관한 결정이 될 수 있다.
더 긴밀한 조율에는 실용적인 근거가 있다. 사람들이 의지할 수 있기까지 연구 결과물에는 흥미로운 시연 이상의 것이 필요하다. 누군가는 이를 통합하고, 유지·관리하며, 실패를 평가하고, 유용한 목적에 부합하는지 결정해야 한다.
AI 애플리케이션의 결과물을 생성하는 학습된 시스템인 모델은 그 과정의 일부일 뿐이다. 주변 소프트웨어가 요청의 유입 방식, 정보 검색 방식, 문제 발생 시의 대응 방식을 결정한다.
연구자를 이러한 책임에 더 가깝게 배치하면 문제를 더 일찍 드러낼 수 있다. 유망한 방법은 통제된 실험에서 좋은 성과를 낼 수 있지만 유지·관리가 까다로울 수 있다. 또 다른 방법은 실험실 성과의 개선 폭은 작지만 사용자에게 지속되는 문제를 해결할 수 있다.
이 부담은 먼저 연구 관리자에게 돌아간다. 이들은 대안과 비교해 프로젝트가 왜 자원을 받을 만한지 설명해야 한다. 제품 리더에게는 상응하는 부담이 있다. 기존 출시 일정에 맞지 않을 수 있는 이점의 작업을 평가해야 한다.
이 지점에서 연구 자율성은 사업 문제가 된다. 자율적인 팀은 제품 책임자의 즉각적인 동의 없이 아이디어를 조사할 수 있다. 하지만 성공한 작업을 사람들이 사용할 수 있는 것으로 이전할 신뢰할 만한 경로는 여전히 필요하다.
긴밀히 통합된 팀은 그러한 이전을 더 쉽게 만들 수 있다. 반면 이미 특정 접근법에 전념한 관리자로부터 연구자가 승인을 받아야 할 수도 있다. 같은 구조가 익숙한 아이디어의 지연을 줄이는 한편, 낯선 아이디어의 장벽을 높일 수 있다.
기술 문서에 관한 질문에 답하도록 설계된 가상의 어시스턴트를 생각해 보자. 개발자들은 기반 모델을 키우거나, 문서 검색을 개선하거나, 증거를 확인하는 방식을 바꿔 결과를 개선할 수 있다. 각 선택은 엔지니어링과 평가에 서로 다른 요구를 만든다.
검색은 시스템이 참고할 관련 정보를 선택하는 것을 뜻한다. 더 나은 검색은 모델 자체를 바꾸지 않고도 문제를 해결할 수 있다. 내부 구성 요소의 배열인 다른 모델 아키텍처는 또 다른 한계를 더 직접적으로 해결할 수 있다.
이 선택지들은 어느 부서가 제안했는지에 관한 가정이 아니라 비교 가능한 평가를 필요로 한다. 제품 리더는 기존 계획에 이의를 제기할 수 있을 만큼의 기술적 독립성이 주변에 필요하다. 연구자는 가치 있는 문제를 파악할 수 있을 만큼 실제 사용 환경에 노출될 필요가 있다.
기업 구매자도 관련된 정보 문제에 직면한다. 공급업체의 연구 평판이 특정 기능을 누가 지원하는지 자동으로 설명해 주지는 않는다. 구매자에게는 실험적 기능이 운영 환경에 들어갈 때의 소유권, 유지·관리 약속, 명확한 책임이 필요하다.
개발자에게 그 결과는 통합 결정에서 나타난다. 상태가 명확하다면 연구 프로젝트에 의존하는 것은 합리적일 수 있다. 공개된 프로토타입을 지원되는 제품으로 혼동하면 미래 변화에 관한 피할 수 있는 불확실성이 생긴다.
조직적 과제는 모든 프로젝트가 같은 개발 주기를 따르게 만들지 않으면서 책임을 배정하는 데 있다. 일부 작업은 직접적인 제품 피드백이 필요하다. 다른 작업은 누군가가 유용성을 공정하게 평가할 수 있기 전까지 보호된 기간이 필요하다.
스케일링과 연구는 자원을 두고 경쟁하지만, 서로를 강화하기도 한다
핵심적인 상충 관계는 모델 구축과 연구가 공존할 수 있는지보다 기업이 실험을 어떻게 선택하느냐에 있다.
스케일링은 학습 데이터, 컴퓨팅 용량, 모델 규모와 같은 자원을 늘리는 것을 뜻한다. 이는 팀이 측정 가능한 투입 요소를 중심으로 조직할 수 있는 개발 경로를 제공한다. 연구는 그러한 투입 요소를 검토하고, 과정을 개선하거나, 다른 접근법을 시험할 수 있다.
대규모 학습 노력은 학습 행동과 효율성에 관한 연구 질문을 만들어낼 수 있다. 새로운 연구 방법은 기존 컴퓨팅 자원을 더 유용하게 만들 수 있다. 조직적 논의가 이러한 활동을 완전히 분리된 것으로 취급하면 정보 제공력이 떨어진다.
집중형 모델 조직을 지지하는 가장 강력한 근거는 조정이다. 공유 도구와 공통 평가는 팀이 결과를 비교하는 데 도움이 될 수 있다. 책임을 중앙에 두면 중복 작업을 중단하고 유망한 방향에 노력을 집중하기도 쉬워진다.
가장 큰 우려는 조직 내부의 선택 편향이다. 리더십 팀은 현재 프로그램과 유사한 작업을 평가하는 데 특히 능숙해질 수 있다. 다른 가정을 필요로 하는 프로젝트는 공정한 검토를 받기 어려울 수 있다.
그 위험이 비전통적 연구가 무제한의 지원을 받아야 한다는 뜻은 아니다. 대안적 접근법도 검증 가능한 주장, 유용한 비교, 그리고 한계에 대한 현실적인 설명이 필요하다. 독립성은 책임성을 없애지 않으면서 탐구를 보호해야 한다.
공정한 비교에는 올바른 기준값도 필요하다. 더 많은 자원을 사용하거나, 방법을 개선하거나, 과제를 바꾸면 더 나은 결과가 나올 수 있다. 기업이 다음에 무엇을 만들지 결정할 때 이러한 설명은 중요하다.
벤치마크, 즉 표준화된 평가 과제 집합은 시스템 비교에 도움이 될 수 있다. 그러나 모든 배포 요구 사항을 포착할 수는 없다. 신뢰성, 응답 시간, 보안, 유지보수는 특정 애플리케이션에 가장 적합한 접근법을 바꿀 수 있다.
이는 인터페이스를 통해 행동을 선택하는 소프트웨어인 컴퓨터 사용 에이전트와 관련이 있다. 2025년 11월 24일자로 작성된 Microsoft의 Fara computer-use research는 AI Frontiers 소속이 명시된 작업의 구체적인 사례를 제공한다.
이 논문은 출판 시점의 연구 산출물과 그 조직적 맥락을 확립한다. 하지만 현재 지원 체계를 확정하거나 이후의 조직 개편이 작업을 개선했는지 훼손했는지를 증명하지는 않는다.
실용적 평가는 에이전트가 데모를 완료하는지 여부를 넘어선다. 배포된 시스템에는 변경된 인터페이스, 모호한 지침, 사람의 승인이 필요한 행동을 처리하는 방식이 필요하다. 이러한 요구 사항은 모델 연구와 제품 엔지니어링을 연결한다.
기업에는 이 연결이 거버넌스 과제를 만든다. 팀은 실용적 성능을 평가하기 위한 공통 기준이 필요하며, 동시에 그 기준이 중요한 무언가를 놓치고 있는지 의문을 제기할 수 있어야 한다.
즉시 비교 가능한 프로젝트에만 자금을 지원하는 조직은 대안을 간과할 위험이 있다. 반대로 프로젝트를 전혀 비교할 수 없는 조직은 서로 단절된 노력을 무기한 지원할 위험이 있다. 생산적인 균형을 위해서는 명확한 결정과 이를 이의 제기할 수 있는 경로가 모두 필요하다.
그 균형은 리더의 직함만으로 추론할 수 없다. 기업이 지원하는 실험과 공개하는 증거를 통해 드러난다.
모델 출시만으로 연구 자율성 문제를 해결할 수는 없다
제품 출시는 조직이 무언가를 제공했음을 보여줄 수 있지만, 대안적 연구를 어떻게 대했는지는 여전히 불분명하게 남긴다.
Meta는 2026년 4월 8일 Muse Spark models를 공개하면서, Muse Spark가 Meta Superintelligence Labs의 새로운 시리즈 중 첫 번째 모델이라고 설명했다. Meta는 이 조직이 그에 앞선 9개월 동안 AI 스택을 재구축했다고 밝혔다.
AI 스택은 AI 시스템을 구축하고 운영하는 데 사용되는 모델, 소프트웨어, 인프라의 집합이다. Meta의 설명은 조직 프로그램을 구체적인 모델 출시와 연결한다.
이는 제공 성과의 증거이지만 한계가 있다. 어떤 조직 변경이 출시를 이끌었는지는 독립적으로 입증하지 않는다. 또한 지연되거나, 방향이 바뀌거나, 거절된 연구 제안을 회사가 어떻게 평가했는지도 보여주지 않는다.
출시는 공개된 결과를 측정한다. 연구 거버넌스는 관찰하기 어려운 기회도 다룬다. 외부인은 거절된 모든 제안, 내부 비교, 또는 단기적 이점이 불확실함에도 프로젝트를 계속하기로 한 모든 결정을 좀처럼 볼 수 없다.
이는 논쟁 양쪽 모두에 증거 공백을 만든다. 통합 지지자는 이후의 모든 개선을 구조에 귀속할 수 없다. 비판자도 중단된 모든 방향이 더 나은 결과를 냈을 것이라고 가정할 수 없다.
Microsoft AI Frontiers 조직 개편도 같은 분석적 문제를 제시한다. 그 의미는 연구 선택지와 제공 경로에 어떤 일이 일어났는지에 달려 있다. 공개적인 이견은 중요한 관점을 제공하지만, 완전한 프로젝트 기록을 대체할 수는 없다.
신중한 평가는 증언, 조직적 사실, 기술적 증거를 구분한다. 증언은 참여자가 변화를 어떻게 경험했는지 설명할 수 있다. 공식 자료는 명시된 책임을 확립할 수 있다. 기술 출판물과 유지되는 소프트웨어는 특정 작업이 계속되고 있음을 보여줄 수 있다.
그 어떤 범주도 모든 질문에 답하지는 못한다. 기업은 연구를 공개하면서도 주제 범위를 좁힐 수 있다. 반대로 프로젝트 수를 줄이면서 남은 프로젝트에 대한 지원을 늘릴 수도 있다. 어느 패턴을 평가하든 출판물 수보다 더 자세한 정보가 필요하다.
직원 이탈도 마찬가지로 자명하지는 않지만 의미가 있다. 이는 전문성을 잃게 하고 협업을 중단시킬 수 있다. 그러나 그 자체만으로 모든 사람이 떠난 이유나, 이들을 받아들인 조직에 실행 가능한 기술 전략이 없는지를 입증하지는 않는다.
독자에게 방어 가능한 결론은 연구가 상업화에 패배했다는 선언보다 더 좁다. 이 사례들은 모델 성능과 함께 자원 배분과 프로젝트 소유권도 면밀히 살펴볼 가치가 있음을 보여준다.
이 구분은 구매자가 개발 이력보다 완성된 어시스턴트를 접하는 경우가 많기 때문에 중요하다. 구매자에게는 오늘 신뢰할 수 있는 동작이 필요하다. 또한 공급업체가 현재 방법으로 해결되지 않은 한계를 다룰 만큼의 기술적 유연성을 유지할 때 이점이 있다.
연구 자율성과 제품 책임성은 서로 다른 목적을 수행한다. 유용한 조직에는 증거가 바뀔 때 결정을 재검토하는 절차를 포함해 이 둘을 연결하는 명시적인 방식이 필요하다.
다음으로 프로젝트 연속성, 기술적 증거, 배포 약속을 살펴봐야 한다
향후 3개월 동안 가장 유용한 신호는 지속되는 작업, 비교 가능한 결과, 배포된 기술에 대한 명시적 책임과 관련될 것이다.
첫째, 프로젝트 연속성을 살펴봐야 한다. 유지되는 소프트웨어, 업데이트된 문서, 새로운 기술 출판물, 기존 작업을 책임지는 식별 가능한 팀을 찾아야 한다. 이는 조직 전환 이후에도 연구 역량이 계속된다는 관찰 가능한 신호다.
이름이 바뀐 프로젝트가 반드시 중단된 프로젝트는 아니다. 마찬가지로 접근 가능한 저장소가 자동으로 활발한 지원을 의미하지도 않는다. 의미 있는 증거는 사람들이 계속해서 문제를 해결하고, 한계를 설명하며, 사용자가 무엇을 기대할 수 있는지 밝히는지 여부다.
명확한 연속성은 통합이 반드시 연구 역량을 없앤다는 가장 포괄적인 주장을 약화할 것이다. 중단된 작업은 특히 사용자가 이에 의존했던 경우 더 면밀한 검토가 필요하다. 어느 결과든 회사 전체에 관한 가정이 아니라 프로젝트별 증거가 필요하다.
둘째, 기술 비교의 품질을 살펴봐야 한다. 새 모델 출시는 무엇이 바뀌었는지와 어떤 제약이 적용되는지를 설명해야 한다. 유용한 증거는 방법의 개선과 추가 자원을 통해 얻은 향상을 구분할 수 있게 한다.
독립 재현, 즉 다른 팀이 비교 가능한 결과를 얻는 것은 기술적 주장을 강화한다. 상세한 평가도 독자가 시스템이 어디에서 실패하는지 이해하는 데 도움이 된다. 둘 다 조직 발표나 선별적 데모보다 판단을 위한 더 강력한 근거를 제공한다.
대안적 접근법이 진지한 검증을 받는다는 증거는 중앙집중식 조직도 과학적 다양성을 유지할 수 있다는 주장을 뒷받침할 것이다. 비교 가능한 평가 없는 반복적 주장은 이 질문을 해결되지 않은 상태로 남길 것이다. 출판물이 없다는 사실만으로 고의적 억압을 입증하지는 않는다.
셋째, 배포 약속을 살펴봐야 한다. 공급업체는 어떤 연구 역량이 지원되는 기능이 되었는지, 누가 이를 유지하는지, 변경 사항이 어떻게 사용자에게 전달되는지를 밝혀야 한다. 실험에서 신뢰할 수 있는 서비스로 전환되는 지점은 조직에 관한 논의가 구체화되는 곳이다.
엔터프라이즈 어시스턴트의 경우, 이는 모델 이름 이상을 뜻한다. 구매자는 정보 접근, 장애 처리, 사람의 검토, 그리고 동작이 바뀔 때의 소유권을 이해해야 한다. 연구팀의 평판은 이러한 약속을 대체할 수 없다.
명확한 책임은 통합이 유용한 작업을 사람들에게 전달하는 데 도움이 된다는 주장을 강화할 것이다. 지속적인 모호함은 이를 약화할 것이다. 중요한 결과는 기술적 진보와 고객이 받는 경험 사이의 신뢰할 수 있는 연결이다.
이러한 신호는 지식 근로자에게도 이야기를 따라갈 실용적인 방법을 제공한다. 공급업체 발표, 기술 평가, 지원 변경 사항에 대한 날짜가 있는 기록을 보관하라. 검색 가능한 지식 베이스는 팀이 더 긴 의사결정 주기에 걸쳐 주장을 비교하는 데 도움이 될 수 있다.
Microsoft AI Frontiers 조직 개편은 소유권, 증거, 연구 선택에 관한 더 면밀한 질문을 촉발해야 한다. Google과 Meta는 그러한 질문에 기업별 답변이 필요한 이유를 보여준다. 공유된 조직적 패턴이 팀 운영 방식의 차이를 지우지는 않는다.
AI 계약을 갱신하거나 또 다른 실험적 도구를 도입하기 전에, 사용할 것으로 예상하는 역량을 뒷받침하는 증거를 검토하라. 유지보수를 책임지는 팀을 식별하고, 업무에 영향을 주는 한계를 기록하며, 조직 변화 이후에도 약속이 유지되는지 추적하라. 리더십 발표를 성능 결과로 취급하지 말고, 같은 실용적 과제에 따라 새 출시를 비교하라. 개발자는 소프트웨어가 의존하는 프로젝트를 추적하라. 구매자는 공급업체에 연구 제공 가능성과 지원되는 기능을 구분해 달라고 요구하라. 지식 근로자는 익숙한 제품의 방향이 바뀌는 때를 알아차릴 수 있을 만큼의 맥락을 보존하라. 현재 의존하는 AI 서비스 중 명확한 책임자, 문서화된 지원 경로, 그리고 여전히 요구 사항을 충족한다는 증거를 갖춘 것은 무엇인가?
