OpenAI 임베디드 평가, 4개 팀에 내부 접근권 제공
OpenAI는 2026년 11월 16일 4개 외부 평가 기관과의 협약을 발표하며, 기존의 모델 테스트를 넘어 일부 내부 시스템을 검토 대상으로 공개했다. OpenAI의 임베디드 평가에는 Apollo Research, METR, Transluce, Goodfire가 참여한다. 이들의 작업은 학습 과정과 내부 사용 환경에서의 모델 행동 및 안전장치를 대상으로 한다. 핵심 질문은 이 접근권이 얼마나 독립적인 판단을 뒷받침할 수 있느냐이다.
이 협약은 평가자들에게 공개 챗봇 테스트로는 얻을 수 없는 증거에 접근할 경로를 제공한다. 맡은 과제에 따라 팀은 학습 기록, 내부 모니터링, 기술 문서, 일부 모델을 검토할 수 있다. 다만 접근은 여전히 협의를 통해 정해지며, OpenAI는 기밀 보호 권한을 유지한다. 따라서 더 깊은 조사와 공적 책임성은 협약의 서로 다른 요소에 달려 있다.
Anthropic 역시 평가자를 운영 내부에 참여시킨 바 있어 유용한 비교 대상이 된다. 어느 회사의 발표도 완료된 안전성 평가로 해석해서는 안 된다. 개발자와 기업 구매자에게 중요한 구분은 조사를 허용하는 것과, 의사결정을 바꿀 수 있는 증거를 공개하는 것 사이에 있다.
OpenAI 임베디드 평가는 공개 모델을 넘어선다
구체적인 변화는 내부 증거에 대한 접근권이며, 각 평가팀에는 서로 다른 과제가 배정된다.
공개된 임베디드 평가 프로토콜에 따르면 외부 연구자들은 합의된 조사를 수행하는 데 적합한 자원을 제공받는다. 여기에는 특정 학습 단계에서 저장된 모델 버전인 모델 체크포인트가 포함될 수 있다. 그 밖의 자원으로는 소스 코드, 학습 데이터, 평가 결과, 모니터링 기록, 관련 직원과의 논의가 있다.
이 방식은 일반 인터페이스를 통해 출시된 챗봇을 시험하는 것과 다르다. 공개 테스트는 문제 있는 응답을 드러낼 수 있지만, 학습이 그러한 응답을 어떻게 형성했는지는 거의 보여주지 못한다. 내부 기록은 평가자가 표면적인 실패가 고립된 상호작용인지 더 광범위한 패턴인지 조사하는 데 도움을 줄 수 있다.
Apollo Research는 개발자의 의도에 은밀히 반하는 모델 행동을 뜻하는 은밀한 전복을 검토한다. 이 과제는 학습 인센티브, 적대적 테스트, 관찰된 내부 행동, 의심스러운 추론을 탐지하는 능력을 연결한다. 이는 협약 체결만으로 확정된 결론이 아니라 조사해야 할 주장이다.
Goodfire는 해석 가능성 연구자를 프로그램에 참여시킨다. 해석 가능성은 모델이 어떻게 행동을 만들어 내는지 조사하기 위해 모델 내부를 연구하는 분야다. Goodfire의 과제는 학습 모니터링, 디버깅, 그리고 의도한 목표와 일치하는 행동을 뜻하는 정렬에 중점을 둔다. OpenAI는 내부 연구자들이 주된 대상이라고 밝히지만, Goodfire 역시 발견 사항과 교훈을 공개할 계획이다.
METR의 초기 정렬 평가는 OpenAI가 현재까지 수행한 최대 규모의 강화학습 실행에 초점을 맞춘다. 강화학습은 피드백이나 보상을 활용해 모델 행동을 조정하는 방식이다. METR는 이 선택된 실행 안에서 기존 테스트나 모니터가 놓친 실패 사례를 조사한다. 그 우선순위는 협의된 접근권, 자원, 안전성 체계 안에서 독립적으로 유지된다.
Transluce는 사후 학습 정렬 평가의 품질과 범위를 검토한다. 사후 학습은 초기 학습 이후 모델을 조정하는 작업을 뜻한다. 이 과제는 테스트 자체가 평가하려는 행동을 충분히 검토하는지 묻는다.
따라서 네 가지 과제는 서로 다른 증거와 질문을 다룬다. 이를 OpenAI가 수행하는 모든 일을 대상으로 한 상호 교환 가능한 감사라고 설명해서는 안 된다. 평가 범위에 관한 발견은 모니터링 실패에 관한 발견과는 다른 질문에 답하게 된다.
OpenAI는 2027년 초 Transluce와의 후속 평가 가능성도 언급했다. 계획된 협업은 약 8주간 이어지며 더 광범위한 접근권을 포함할 예정이다. 이는 확대된 조사가 이미 이루어졌다는 증거가 아니라, 밝힌 의도에 해당한다.
독자에게 이 발표는 프로그램과 그 초기 경계를 제시한다. 어떤 조사의 결과도 확정하지는 않는다. 이 구분을 분명히 해야 잘 알려진 평가 기관의 존재가 결국 나올 결론을 대신하는 일이 생기지 않는다.
내부 AI 사용은 안전성 주장에 더 큰 무게를 싣는다
평가자들이 공개된 표현만이 아니라 그러한 주장을 뒷받침하는 증거를 검토하게 되므로, 압박은 OpenAI의 안전성 주장에 가해진다.
소프트웨어가 행동을 수행할 수 있을 때 모델의 답변은 위험의 일부일 뿐이다. 작업을 수행하기 위해 도구를 사용하는 소프트웨어를 뜻하는 AI 에이전트는 권한과 주변 인프라에도 의존한다. 모니터링은 관련 활동을 포착하고, 우려스러운 행동을 인식하며, 효과적인 대응을 뒷받침해야 한다.
연구 환경에서 작동하는 가상의 코딩 어시스턴트를 생각해 보자. 이 어시스턴트가 파일을 변경하거나, 프로세스를 실행하거나, 다른 서비스와 상호작용할 경우 주변 통제 장치가 중요해진다. 어시스턴트의 설득력 있는 설명만으로는 모든 행동이 승인되었거나 관찰되었다고 입증할 수 없다.
이 사례는 새 평가 프로그램에서 보고된 사건이 아니다. 일반적인 챗봇 테스트가 열어 두는 질문에 내부 시스템 검토가 왜 답할 수 있는지를 보여준다. 평가는 모델이 시도한 것과 그 환경이 허용한 것을 구분해야 한다.
METR의 이전 에이전트 모니터링 평가는 구체적인 선례를 제공한다. METR와 Redwood Research의 연구자들은 3주간의 실습 동안 OpenAI의 과거 모니터링 인프라를 검토했다. 이들은 평가한 시스템의 취약점과 공백을 보고했다.
시점은 중요하다. 이 실습은 이후 확대된 OpenAI 모니터링의 범위를 확정한 것이 아니라 과거 시스템을 다뤘다. METR는 또한 개선 조치에 대한 OpenAI의 설명과 METR가 독립적으로 평가한 수정 사항을 구분했다.
이 구분은 새 협약을 다루는 보도에도 적용되어야 한다. 약점을 발견하는 것, 수정 사항을 보고하는 것, 그리고 그 수정을 독립적으로 확인하는 것은 별개의 사건이다. 이를 안전성이 개선되었다는 하나의 주장으로 합치면 증거가 실제로 확립한 내용을 흐리게 된다.
OpenAI의 내부 팀은 외부 전문가가 검토할 수 있는 설명을 제시해야 하는 실질적 요구에 직면한다. 평가자가 공백을 발견할 경우, 대응은 기존 절차에 대한 자신감 이상의 내용을 담아야 한다. 관련 기록, 기술적 근거, 후속 증거가 논의의 일부가 된다.
평가자들 역시 압박을 받는다. 접근권은 유용한 결과를 낼 기회를 만들지만, 보고서는 무엇을 검토할 수 있었는지 설명해야 한다. 독자는 결론이 직접 테스트, 선별된 기록, 인터뷰, 또는 인정된 정보 공백에 근거하는지 이해할 필요가 있다.
기업 구매자도 관련된 관심을 갖지만, 이러한 협업이 자체 평가를 대체하지는 않는다. 공급업체의 내부 평가는 고객의 특정 업무 흐름을 포괄하지 않으면서도 구매 결정에 정보를 제공할 수 있다. 평가된 시스템과 구매한 제품의 관계는 여전히 핵심적이다.
지식 노동자에게 그 의미는 기능 출시보다 덜 즉각적이다. 이 협약 자체가 문서 요약이나 회의록을 바꾸지는 않는다. 이는 점점 더 민감한 업무를 맡게 되는 시스템을 판단하기 위해 이용할 수 있는 증거에 관한 것이다.
더 깊은 접근권이 곧 더 폭넓은 독립성을 뜻하지는 않는다
핵심적인 절충점은 민감한 증거를 확보하는 것과, 이를 제공하는 조직에 이의를 제기할 충분한 자유를 유지하는 것 사이에 있다.
OpenAI는 민감한 기밀 정보를 다루는 평가자들이 자사가 제공한 기기를 사용해 자사 사무실에서 작업할 것이라고 밝혔다. 이러한 환경은 다른 방식으로는 접근할 수 없는 자료를 조사에 활용하게 할 수 있다. 동시에 평가 대상 회사가 통제하는 보안 절차 안에 작업을 두게 된다.
민감한 자료를 보호할 정당한 이유가 있다. 제한 없이 기술 세부 정보를 공개하면 기밀 정보를 노출하거나 추가적인 보안 위험을 만들 수 있다. 평가 프로그램이 유용한 검증을 제공하기 위해 제한 없는 공개를 반드시 필요로 하는 것은 아니다.
그러나 조사 자유는 사무실에 들어가거나 기기를 받는 것 이상에 달려 있다. 평가자는 자신의 질문에 필요한 증거에 실질적으로 접근할 수 있어야 한다. 기술적 장벽이 관련 분석을 막는다면, 명목상의 허가는 제한된 가치밖에 없다.
OpenAI는 특히 민감한 정보에 대한 직접 접근에 대안이 필요할 수 있음을 인정한다. 여기에는 평가자가 OpenAI 연구자와 함께 분석을 실행하는 방식이 포함된다. 이러한 방식은 조사를 뒷받침할 수 있지만, 그 한계가 결론에 영향을 미칠 경우 보고서는 이를 설명해야 한다.
모델을 표본으로 조사하는 것과 그 기반 가중치를 보유하는 것의 차이도 중요하다. 모델 가중치는 행동을 결정하는 학습된 수치 매개변수다. 발표된 협약은 모든 모델의 가중치나 아키텍처에 대한 제한 없는 접근권을 의미하지 않는다.
과제 범위에도 같은 주의가 적용된다. METR의 초기 조사는 선택된 하나의 학습 실행을 다룬다. 해당 실행에 대한 잘 수행된 평가는 다른 모든 모델이나 내부 배포의 상태를 확립하지 않으면서도 가치 있는 증거를 제공할 수 있다.
METR의 정렬 평가 제안은 더 폭넓은 조사 접근법을 설명한다. 여기에는 관찰된 사건을 조사하고, 그러한 관찰이 다른 상황의 위험을 과소평가하는지 검토하는 내용이 포함된다. OpenAI는 초기 협업이 METR의 제안보다 범위가 좁다는 점을 명시적으로 인정한다.
이 격차가 초기 작업에 가치가 없음을 뜻하지는 않는다. 다만 안심시키는 결론을 해석하기 전에 독자에게 실제 범위가 필요하다는 점을 뜻한다. 평가는 경계 안에서 엄격할 수 있지만, 그 밖에 중요한 질문을 남겨 둘 수 있다.
Anthropic의 독립 평가자 접근권은 비교 사례를 제공한다. Anthropic은 10월 15일 공개에서 임베디드 METR 팀에 직원과 유사한 접근권을 제공한다고 설명했다. 또한 정해진 기밀 범주에 대한 삭제를 포함해 제외 사항과 공개 규칙도 설명했다.
두 회사 모두 내부 연구자와 외부 평가자 사이의 정보 격차를 줄이려 하고 있다. 그럼에도 각 협약은 접근권, 제외 사항, 보고 권한에 대한 검토를 필요로 한다. 같은 명칭이 기본 협업이 동일한 수준의 독립성을 제공한다는 사실을 입증하지는 않는다.
따라서 경쟁 비교는 조건과 증거의 수준에서 이루어져야 한다. 평가 파트너 수를 세는 것은 빈약한 대체 수단이 될 것이다. 중요한 것은 각 팀이 명확한 판단을 뒷받침할 만큼 중요한 발견을 충분히 추적할 수 있는지다.
공개 규칙은 외부인이 판단할 수 있는 것을 좌우한다
평가자가 비공개로 조사할 수 있는 능력과 대중이 그 결론을 평가할 수 있는 능력은 관련되어 있지만 별개의 질문이다.
OpenAI는 평가자들이 평가 결과를 공개할 때 독립성을 유지한다고 밝힌다. 회사는 또한 기밀 정보를 삭제하고 책임 있는 공개 지연을 요청할 권리를 보유한다. 이러한 조항은 명시된 한계를 포함한 최종 보고서를 프로그램 평가의 핵심 요소로 만든다.
삭제 조치가 자동으로 간섭의 증거가 되는 것은 아니다. 악용 가능한 세부 정보를 제거하면 핵심 결론은 유지한 채 시스템을 보호할 수 있다. 더 어려운 질문은 독자가 그 발견의 중요성을 이해할 만큼 충분한 정보를 여전히 갖는지다.
보고서는 실패를 재현하는 방법을 공개하지 않고도 보호 장치가 실패했다고 설명할 수 있다. 또한 평가자가 수정 조치를 확인했는지도 설명할 수 있다. 일부 기술적 증거가 비공개로 남더라도, 공공적 가치는 이러한 구분에 있다.
지연 역시 비슷한 주의가 필요하다. 기업에 취약점을 해결할 시간을 주는 것은 책임 있는 공개를 뒷받침할 수 있다. 그러나 독자는 아직 끝나지 않은 조사와 공개를 기다리는 완료된 작업을 구분할 필요가 있다.
이번 발표가 공개를 둘러싼 향후 모든 이견이 어떻게 전개될지를 확정하는 것은 아니다. 그러한 사례들은 이 체계의 실질적 강도에 관한 증거를 제공할 것이다. 계약 문구는 기대치를 정하지만, 적용 과정은 그러한 기대가 압박 속에서도 유지되는지를 드러낸다.
직원과의 대화는 또 다른 경계를 만든다. OpenAI는 이러한 논의가 평가에 반영될 수는 있지만 개별 직원에게 귀속하거나 공개할 수는 없다고 밝혔다. 평가자는 회사가 공식적으로 검증·정정·명확화하는 진술, 즉 회사 확인 진술을 요청할 수 있다.
이 과정은 일부 정보가 공개 보고서에 포함되도록 하면서 직원의 개인정보를 보호할 수 있다. 동시에 독자가 직접 검토할 수 있는 정보도 달라진다. 회사 확인 진술과 독립적으로 귀속할 수 있는 인터뷰는 서로 다른 형태의 증거다.
OpenAI는 회사가 진술 확인을 거부한 경우 평가자가 이를 공개할 수 있다고 밝혔다. 이 조항은 해결되지 않은 사실관계에 대해 독자에게 어느 정도 가시성을 제공한다. 다만 그 기저의 대화를 공개하거나 어느 해석이 옳은지를 확정하지는 않는다.
OpenAI에 따르면 안전 및 보안 위원회는 삭제되지 않은 보고서를 받게 된다. 평가자는 위원회와 비공개로 소통할 수 있으며, 해결되지 않은 분쟁은 위원회에 회부될 수 있다. 이는 직접적인 연구팀을 넘어선 내부 감독 경로를 제공한다.
이 경로를 공개 접근이나 규제기관의 조사와 혼동해서는 안 된다. 위원회는 OpenAI Foundation의 거버넌스 구조에 속한다. 위원회의 접근은 감독을 뒷받침할 수 있지만, 외부 독자는 결국 공개되는 정보에 의존하게 된다.
재무 공개도 같은 수준의 정확한 해석이 필요하다. Apollo Research와 Goodfire는 평가 결과에 연동되지 않은 보상을 받는다. METR과 Transluce는 평가 수수료를 받지 않지만, 컴퓨팅 또는 API 크레딧은 받을 수 있다.
이러한 방식은 평가 대상 기업과 서로 다른 관계를 만든다. 지급 여부만으로 독립성이 결정되지는 않는다. 더 강한 증거는 평가자가 불리한 결과를 공개하고, 제한 사항을 설명하며, 이견을 유지할 여지를 보존하는지에서 나올 것이다.
안전성 평가는 제품 보증이 아니다
이 프로그램은 모든 OpenAI 제품이 안전하다고 인증하지 않으면서도 특정 위험에 대해 이용 가능한 증거를 개선할 수 있다.
이 구분은 중요하다. 평가 언어는 종종 그 기반이 된 조사 결과보다 더 멀리 퍼지기 때문이다. 좁은 결론도 제품 논의에서 반복되면 광범위한 안심으로 바뀔 수 있다. 독자는 주장, 시험된 시스템, 증거 사이의 연결을 유지해야 한다.
예를 들어, 학습 인센티브를 검토하는 일은 배포된 애플리케이션의 권한을 점검하는 일과 다른 문제를 다룬다. 평가 범위를 검토한다고 해서 고객의 데이터 통제가 의도대로 작동한다는 사실이 확인되는 것은 아니다. 이러한 질문들은 겹칠 수 있지만 서로 대체 가능한 것은 아니다.
Goodfire의 내부 분석도 마찬가지다. 모델 행동을 이해하면 디버깅과 조사를 지원할 수 있다. 그렇다고 주변 애플리케이션이 무단 행위를 얼마나 안정적으로 방지하는지가 자동으로 입증되는 것은 아니다.
유용한 평가는 방법론이 탐지할 수 있는 것과 불확실하게 남기는 것을 설명한다. 대상에 일반적인 테스트를 피해 갈 수 있는 행동이 포함될 때는 특히 중요하다. 모델이 익숙한 평가를 통과했다는 사실은 해당 평가에 관한 증거일 뿐, 관련 실패가 전혀 남아 있지 않다는 증명은 아니다.
frontier AI auditing에 관한 연구는 제3자 평가를 개발자의 주장에 대한 심층 접근 및 검증을 중심으로 설명한다. 이 틀은 이러한 합의의 의미를 이해하는 데 도움이 된다. 목표는 정해진 질문과 분리된 안심용 라벨이 아니라 시스템과 관행에 관한 더 강한 증거다.
기업 구매자에게 이는 발표를 검토에 반영하는 방식의 변화를 뜻한다. 상주 팀의 존재는 관련 배경 정보다. 명확한 범위와 발견 사항을 담은 완료된 보고서는 의사결정의 더 강한 근거가 된다.
추가로 구분해야 할 점은 평가된 모델과 제공되는 제품의 관계다. 내부 학습 체크포인트가 반드시 고객이 사용하는 동일한 시스템인 것은 아니다. 보고서는 보호된 기술 정보를 공개하지 않으면서도 그 관계를 설명할 충분한 맥락을 제공해야 한다.
불리한 결과도 맥락이 필요하다. 의도적으로 까다로운 조사에서 확인된 실패가 그 자체로 고객 사용 환경에서 해당 실패가 발생하는 빈도를 확정하지는 않는다. 반대로 아무것도 발견하지 못한 좁은 테스트가 다른 곳에서 위험이 없다는 사실을 확정하지도 않는다.
이 균형은 소프트웨어에 어느 정도의 자율성을 부여할지 결정하는 개발자에게 특히 중요하다. 평가 결과는 그러한 결정에 도움이 될 수 있지만, 관련 애플리케이션에는 여전히 적절한 권한과 관찰이 필요하다. 외부 평가는 모든 후속 구성에 대한 책임을 떠맡지 않는다.
AI knowledge base를 관리하는 팀에는 이러한 구분을 보존할 실질적인 이유가 있다. 원래의 합의, 평가 보고서, 시정 업데이트는 서로 다른 증거를 나타낸다. 이를 상호 대체 가능한 것으로 취급하면 조건부 발견이 오래된 조직의 통념으로 변질될 수 있다.
따라서 OpenAI 상주형 평가의 즉각적인 이점은 더 탄탄한 근거에 기반한 판단의 기회다. 그 기회가 더 강한 확신으로 이어질지는 뒤따르는 조사에 달려 있다. 이번 발표는 과정을 열지만, 논의를 끝내지는 않는다.
프로그램의 무게를 보여 줄 세 가지 신호
다음으로 주목할 증거는 보고서의 품질, 범위의 확대, 그리고 평가 결과 이후 변경 사항에 대한 독립적 검증이다.
첫 번째 신호는 초기 공개 보고서의 내용이다. 독자는 평가된 시스템, 방법론, 접근 제한, 해결되지 않은 질문을 명확히 설명하는지를 살펴봐야 한다. 이러한 경계를 식별하는 보고서는 발표만으로는 제공할 수 없는 의미를 결론에 부여한다.
중요한 구분은 서술적 업데이트와 평가 가능한 발견 사항 사이에 있다. 팀들이 긴밀하게 협력했다는 진술은 조사의 결과를 거의 말해주지 않는다. 무엇을 테스트했고, 무엇이 실패했으며, 무엇이 불확실하게 남았는지를 설명하면 외부인이 판단할 구체적인 근거가 생긴다.
공개는 기밀 유지 조항이 실제로 어떻게 작동하는지도 보여줄 수 있다. 민감한 세부 사항을 공유할 수 없더라도 보고서는 유용하게 남아야 한다. 광범위한 비공개 접근이 있더라도 핵심 결론을 이해할 수 없게 된다면 공공 책임성의 근거는 약화된다.
두 번째 신호는 계획된 후속 작업이 정의된 참여로 이어지는지다. OpenAI와 METR은 또 다른 모니터링 평가에 원칙적으로 합의했지만, 더 넓은 범위는 여전히 상호 합의가 필요하다. 이는 발표된 의도와 합의된 작업 사이에 구체적인 경계를 남긴다.
제안된 Transluce 후속 작업은 또 다른 단기 점검 지점을 제공한다. OpenAI는 평가 결과가 출시 결정에 어떤 방식으로 반영되는지에 대한 정보를 포함해 2027년 초 더 광범위한 접근을 설명했다. 해당 범위가 확정되면 초기 프로그램이 더 실질적인 방향으로 발전하고 있다는 근거가 강화될 것이다.
어느 발전도 또 다른 파트너십 발표가 나오는지 여부로 축소해서는 안 된다. 핵심 질문은 평가자가 어떤 추가 증거를 검토할 수 있는가다. 더 많은 시간이나 더 많은 참여자는 도움이 될 수 있지만, 어느 쪽도 중요한 접근 제한을 자동으로 해결하지는 않는다.
세 번째 신호는 평가 결과가 이후 누군가가 검증하는 변경으로 이어지는지다. 기업은 약점을 인정하고 수정 조치를 설명할 수 있지만, 그것만으로 수정이 작동한다는 사실이 확립되지는 않는다. 후속 테스트는 확신을 위한 더 강한 근거를 제공할 것이다.
앞선 모니터링 작업은 이 구분을 특히 중요하게 만든다. 과거의 발견 사항, 기업이 보고한 시정 조치, 독립적으로 검증된 현재 상태는 별도로 다뤄야 한다. 향후 보고는 수정 발표가 암묵적으로 사안을 종결하도록 허용하지 말고 이러한 범주를 보존해야 한다.
출시 발표만으로 세 가지 신호가 모두 정해진 일정에 따라 도착할 것이라고 약속할 근거는 없다. 일부 조사는 더 많은 시간이 필요하고, 일부 공개는 신중함이 필요하다. 유용한 기준은 각 업데이트가 식별된 불확실성을 줄이는지 여부다.
OpenAI에 걸린 이해관계는 외부 연구자에게 개방적임을 보여주는 데 그치지 않는다. 이 프로그램은 내부 가정에 도전하고 의사결정을 뒷받침할 수 있는 증거를 생산해야 한다. 평가자의 신뢰성은 그 증거가 어디까지 미치는지 설명하는 데에도 부분적으로 달려 있다.
최초의 OpenAI 상주형 평가는 브랜드에 붙은 판정이 아니라 경계를 가진 조사로 읽어야 한다. 기저의 보고서가 공개되면 이를 확인하고, 그 주장을 각 팀이 받은 접근 권한과 비교하라. 발견 사항이 과거 시스템, 현재 모델, 또는 제안된 후속 작업 중 무엇에 관한 것인지에 특히 주의하라. 기업이 보고한 수정과 독립적으로 확인된 수정을 분리해 두어라. 조직이 이러한 보고서를 구매 또는 배포 검토에 활용한다면, 공유 기록에서도 그 구분을 보존하라. 실질적인 질문은 간단하다. 다음 공개가 판단을 바꿀 증거를 제공하는가, 아니면 같은 불확실성을 그대로 남기는가?



