OpenAI NASK 파트너십, AI 안전 및 보안 연구 확대

OpenAI는 폴란드의 NASK와 연구 협약을 체결해 외부 안전 협력을 확대했지만, 향후 테스트의 실질적인 범위는 공개하지 않았다. 2026년 10월 23일 발표된 OpenAI NASK 파트너십은 AI 안전, 보안 및 기술 연구를 포괄한다. 이 협약의 의미는 모델 개발사가 자체 테스트 환경 밖에서 디지털 위협을 접하는 공공 기관과 연결된다는 데 있다.

핵심 긴장은 접근성과 보증 사이에 있다. 협업은 시스템을 더 면밀히 검토할 기회를 만들지만, 협약만으로 연구자가 무엇을 조사하거나 공개할 수 있는지는 정해지지 않는다. 이 구분은 외부 안전 파트너십에 어느 정도의 신뢰를 둘지 결정하는 조직에 중요하다.

이미 실질적인 참고 사례도 있다. NASK 내에서 운영되는 CERT Polska는 취약점 연구에 OpenAI 모델을 활용했다. Anthropic 역시 외부 평가 관계를 문서화하고 있어, 이는 더 넓은 업계 접근 방식의 일부가 된다. 유용한 비교 기준은 개발사가 발표하는 기관 파트너 수가 아니라 이러한 협력 체계가 만들어 내는 증거다.

OpenAI NASK 파트너십이 마련하는 기반

이 협약은 완료된 안전성 평가를 발표하는 것이 아니라 연구 협력을 위한 틀을 만든다.

OpenAI의 AI safety partnership 설명은 시스템 평가, 취약점 연구, 더 강력한 안전장치를 공동 작업 분야로 제시한다. 폴란드의 Artificial Intelligence Safety Institute 역할을 하는 NASK의 AI Safety Research Center도 참여한다.

이는 의미 있는 제도적 진전이다. 공공 연구 기관이 시스템 검토를 지원할 수 있는 개발사와 함께하게 된다는 뜻이다. 다만 발표 내용은 협력 가능성을 모색하기 위한 협약을 설명할 뿐이며, 최종 연구 프로그램은 후속 실행 단계에 맡긴다.

독자는 연구 관계와 인증을 구분해야 한다. 인증에는 정의된 평가 절차와 명시된 기준에 따른 결론이 필요하다. 발표된 파트너십 자체는 그러한 판단을 제공하지 않는다.

또한 이 협약은 미래 모델 전반에 대한 일반적인 보장을 수립하지 않는다. 안전성 결과는 테스트 대상 시스템, 적용된 조건, 연구자가 살핀 행동에 따라 달라진다. 한 구성에서의 긍정적 결과가 동일한 기반 모델을 중심으로 구축된 모든 애플리케이션을 자동으로 설명할 수는 없다.

예를 들어 문서를 읽을 수는 있지만 명령을 실행할 수 없는 가상의 연구 보조 도구를 생각해 볼 수 있다. 그 도구의 운영상 위험은 소프트웨어를 수정하고 외부 서비스에 연락할 수 있는 보조 도구와 다르다. 둘 다 같은 모델을 사용할 수 있지만, 서로 다른 평가가 필요하다.

이러한 구분은 파트너십 세부 사항이 기관 브랜딩을 넘어 중요한 이유를 보여 준다. 연구자는 일반적인 제품 동작을 검토하는지, 특별히 구성된 시스템을 검토하는지, 또는 연구 접근을 통해 노출된 기능을 검토하는지 알아야 한다. 각 방식은 서로 다른 질문에 답한다.

공개 설명에는 제공 일정, 공동 벤치마크 또는 결과 공개 일정이 명시되지 않았다. 이러한 누락은 실행 관련 질문을 열어 둔다. 이는 당사자들이 비공개 협의를 갖고 있지 않다는 뜻이 아니라, 독자가 발표만으로 그러한 협의를 평가할 수 없다는 뜻이다.

성능을 비교하는 데 쓰이는 표준화된 과업 집합인 벤치마크는 가능한 연구 산출물 중 하나가 될 수 있다. 그러나 벤치마크 하나만으로 파트너십의 가치를 결정할 수는 없다. 상세한 실패 분석은 눈에 띄는 점수보다 더 유용할 수 있다.

예를 들어 평가는 안전장치가 실패하는 좁은 조건을 식별할 수 있다. 그 조건을 설명하면 개발자는 시스템을 변경할 수 있고, 사용자는 한계를 이해할 수 있다. 테스트가 수행됐다는 포괄적인 설명은 훨씬 적은 실무 정보를 제공한다.

따라서 이 협약은 기술 작업의 출발점으로서 주목할 만하다. 궁극적인 기여는 선택되는 질문과 공개되는 증거에 달려 있다. 그것이 발표를 해석하는 적절한 기준이다.

기업 구매자에게 즉각적인 의미는 제한적이다. 이 협약은 OpenAI의 외부 연구 활동에 맥락을 더하지만, 애플리케이션별 평가를 대체하지는 않는다. 조달 결정에는 여전히 의도된 배포와 관련된 증거가 필요하다.

개발자에게 이 파트너십은 더 직접적인 질문을 제기한다. 그 결과는 기존 제품 문서가 불분명하게 남겨 둔 실패를 설명할 것인가? 구현 선택을 바꾸는 연구라면, 새로운 공개 제품이 없어도 실질적인 가치가 있을 것이다.

따라서 이 소식은 검토를 위한 경로가 확대됐다는 데 관한 것이다. 그 경로가 더 강한 보증을 만들어 낼지는 관찰 가능한 증거가 필요한 경험적 질문으로 남는다. 기존 폴란드 사이버 보안 작업은 구체적인 출발점을 제공한다.

폴란드의 기존 사이버 연구가 협약에 실질적 맥락을 제공한다

CERT Polska의 RouterOS 조사는 인간 연구 과정 안에서 작동하는 AI 지원의 문서화된 사례를 제공한다.

CERT Polska는 9월 5일자 RouterOS vulnerabilities 보고에서 OpenAI 모델을 활용한 연구를 통해 발견한 6개의 결함을 설명했다. 팀은 활발한 악용이 발생하고 있었으며, 공개된 패치가 관찰된 공격을 차단했다고 밝혔다.

이 보고서는 감독된 실험실 작업과 실제 시스템에서의 검증도 설명한다. 연구자들은 조사 영역을 선택하고, 가설을 테스트하며, 결과를 확인했다. CERT Polska는 해당 발견이 단일 프롬프트에서 나온 것이 아니라는 점을 분명히 했다.

이러한 단서는 AI가 보안 버그를 발견했다는 단순화된 주장보다 더 중요하다. 이는 발견의 신뢰성을 뒷받침한 주변 작업을 보여 준다. 모델은 결론에 여전히 인간 검증이 필요했던 조사 과정에 참여했다.

취약점은 의도하지 않은 동작이나 무단 접근을 가능하게 할 수 있는 소프트웨어 약점이다. 그럴듯한 약점을 찾는 것은 중간 단계일 뿐이다. 연구자들은 그것이 실제로 존재하는지, 어떤 조건에서 중요한지, 제안된 수정이 문제를 해결하는지를 확인해야 한다.

더 넓은 교훈은 증거 처리에 관한 것이다. 설득력 있는 모델 응답은 재현 가능한 발견과 동일하지 않다. 문서화된 조건에서 또 다른 성공적 시연을 뜻하는 재현은 유용한 단서와 근거 없는 주장 사이를 가른다.

이 구분은 AI가 보안 연구에 들어오면서 누가 부담을 지게 되는지도 분명히 한다. 개발사는 연구자가 검사하고 통제할 수 있는 시스템을 지원해야 한다. 연구 기관은 조사 활동의 증가와 검증된 업무 개선을 구분해야 한다.

소프트웨어 공급업체도 관련된 과제에 직면한다. 일부 보고가 잘못됐더라도 더 많은 후보 발견은 추가 검토 업무를 만들 수 있다. 유용한 산출물은 그럴듯한 주장 대기열이 늘어나는 것이 아니라, 수정을 가능하게 하는 충분한 근거를 갖춘 보고서다.

네트워크 운영자는 이 사슬에서 또 다른 위치를 차지한다. 발견은 영향을 받는 시스템을 담당하는 사람들에게 정보가 전달될 때에만 도움이 된다. 공개 지침, 이해하기 쉬운 완화 조치, 그리고 후속 이행 모두가 실질적인 결과에 영향을 준다.

Dutch Institute for Vulnerability Disclosure의 MikroTrick response는 그러한 후속 작업을 보여 준다. 이 기관의 사례 기록은 잠재적으로 영향을 받는 당사자에 대한 스캔과 알림을 설명한다. 이러한 활동은 모델 성능이 아니라 배포와 복구에 관한 것이다.

이는 더 넓은 파트너십을 평가할 때 중요한 구분이다. 모델은 발견에 기여할 수 있지만, 다른 기관은 공개, 커뮤니케이션 및 완화 조치를 수행한다. 전체 결과를 모델에만 귀속하면 사용자를 보호하는 데 필요한 작업이 가려진다.

RouterOS 사례는 성급한 일반화도 경계하게 한다. 한 소프트웨어 환경에서의 성공적인 조사가 관련 없는 시스템 전반에서 동등한 성능을 입증하지는 않는다. 코드, 문서, 인터페이스 및 연구 제약의 차이는 난이도를 크게 바꿀 수 있다.

마찬가지로 보고된 취약점 수만으로는 모델의 기여를 알 수 없다. 이를 위해서는 연구자 노력, 실패한 단서, 동일한 지원 없이 수행한 비교 작업에 관한 정보가 필요하다. 공개 사례는 유용성을 뒷받침하지만, 보편적인 생산성 척도를 확립하지는 않는다.

여기에는 관련된 지식 관리 문제도 있다. 연구팀은 출처를 잃지 않으면서 기술 문서, 가설, 테스트 결과 및 수정 사항을 연결해야 한다. 검색 가능한 technical knowledge base는 이러한 조직적 작업을 지원할 수 있다.

이 관찰은 특정 지식 도구가 보안 결과를 개선한다는 증거가 아니라 연구 조직에 관한 것이다. 출처를 접근 가능하게 유지하면 검토자가 추론을 점검하는 데 도움이 된다. 그렇다고 근본 주장을 테스트할 필요가 사라지는 것은 아니다.

기존 작업은 새 협약에 추상적인 협력 약속 이상의 실체를 부여한다. 또한 엄격한 기준을 제시한다. 유용한 AI 연구는 다른 사람들이 검토하고 활용할 수 있는 발견으로 끝나야 한다.

연구 접근과 공개 보증은 서로 다른 질문에 답한다

접근은 검토를 가능하게 하지만, 보증은 그 검토가 무엇을 확립할 수 있는지에 달려 있다.

OpenAI NASK 파트너십은 개발사 협력과 외부 기술 전문성을 결합하는 업계 모델 안에 위치한다. 이 방식에는 실질적인 장점이 있다. 연구자는 정립된 관계를 통해 시스템을 조사할 수 있다. 그 신뢰성은 그 관계가 얼마나 의미 있는 검토를 허용하는지에 달려 있다.

접근은 단일한 조건이 아니다. 연구자는 일반 인터페이스, 추가 진단 정보 또는 전문 실험을 위해 구성된 시스템을 받을 수 있다. 이러한 차이는 연구가 뒷받침할 수 있는 결론에 영향을 준다.

접근 시점도 중요하다. 출시 전 테스트는 배포 결정에 정보를 제공할 수 있고, 출시 후 테스트는 이미 사용자에게 도달한 동작을 조사할 수 있다. 둘 다 유용하지만, 서로 다른 목적을 수행하고 개입의 기회도 다르게 만든다.

공개 권리는 또 다른 차원을 더한다. 연구 그룹은 작업이 대중의 이해에 기여하려면 중요한 발견을 전달할 수 있는 방법이 필요하다. 책임 있는 공개는 실패의 성격과 중요성을 설명하면서도 민감한 세부 사항을 보호할 수 있다.

여기에는 피할 수 없는 긴장이 있다. 상세 공개는 방어자가 문제를 이해하는 데 도움이 될 수 있지만, 악용에 유용한 정보를 노출할 수도 있다. 그러나 모든 정보를 비공개로 하면 외부인은 제공되는 보증을 평가할 수 없게 된다.

실질적인 접근 방식은 즉각적인 비공개 보고와 이후의 공개 설명을 구분하는 것이다. 공개 보고서는 운영 지침을 공개하지 않고도 영향을 받은 동작, 실험 조건 및 완화 상태를 설명할 수 있다. 이 파트너십이 그러한 방식을 채택할지는 공개되지 않았다.

Anthropic은 보관된 외부 평가 약속을 통해 관련 비교 사례를 제시한다. 이 문서는 정부 안전 연구소 및 기타 외부 평가자들과의 협업을 설명한다. 이는 외부 테스트가 또 다른 주요 개발사의 명시된 접근 방식에 포함된다는 점을 보여준다.

이 비교는 제한적인 결론을 뒷받침한다. 기관 평가 관계는 OpenAI만의 고유한 것이 아니다. 그러나 서로 다른 기업이 동일한 수준의 접근권이나 동등한 투명성을 제공한다는 점까지 입증하지는 않는다. 그런 질문에는 각 협력 방식에 대한 증거가 필요하다.

따라서 파트너십 수를 세는 방식은 개발사를 평가하기에 부적절하다. 방법론이 명확히 문서화된 소규모 연구 프로그램이 느슨하게 설명된 더 많은 협업보다 더 유용한 질문에 답할 수 있다. 비교의 단위는 협력 관계가 아니라 조사와 그 결과물이어야 한다.

이는 기업들이 안전장치, 즉 유해하거나 무단인 행동을 막기 위한 조치를 논의할 때 특히 중요하다. 안전장치는 익숙한 요청을 대상으로 시험할 때는 효과적으로 보일 수 있지만, 낯선 상호작용에서는 실패할 수 있다. 어떤 약점이 드러나는지는 평가 설계가 결정한다.

연구자들은 또한 기저 능력과 일반적인 통제 환경에서의 행동을 구분해야 한다. 모델은 배포된 제품이 제한하는 지식을 보유할 수 있다. 반대로 애플리케이션의 권한은 텍스트만을 대상으로 한 평가에서는 전혀 살펴보지 못한 위험을 만들 수 있다.

이러한 구분은 대중의 해석을 복잡하게 만든다. 제한이 없는 실험의 실패가 일반적인 제품 행동을 자동으로 설명하는 것은 아니다. 개발자가 더 광범위한 권한을 부여하는 경우, 일반 사용 환경에서 성공한 평가 역시 안전성을 입증하지 못한다.

구매자는 연구가 실제로 무엇을 다뤘는지 물어봐야 한다. 유용한 설명에는 시스템 구성, 과업 범위, 관찰된 실패, 남은 한계가 포함된다. 기관 소속은 맥락을 제공하지만, 이 정보를 대신할 수는 없다.

공공 연구자에게 과제는 개발사의 협력에 의존하면서도 분석적 독립성을 유지하는 일이다. 독립성에는 의미 있는 질문을 선택하고 불편한 결과를 보고할 자유가 포함된다. 발표만으로는 이러한 조건이 어떻게 작동할지 알 수 없다.

이 불확실성은 비난으로 변질되지 않으면서도 계속 드러나야 한다. 여기에는 간섭이나 미리 정해진 결론을 주장할 근거가 없다. 마찬가지로 파트너십의 존재만으로 제한 없는 검증이 이루어진다는 증거로 볼 근거도 거의 없다.

궁극적으로 가장 강력한 기여는 참여 기관 밖의 검토도 견뎌낼 수 있는 증거일 것이다. 명확한 방법과 제한된 결론은 무엇이 바뀌었는지, 무엇이 개선됐는지, 무엇이 아직 해결되지 않았는지를 다른 이들이 판단할 수 있게 한다.

안전한 테스트에는 연구 환경에 대한 통제가 필요하다

모델을 둘러싼 환경은 실험을 위한 중립적 용기가 아니라 안전성 문제의 일부다.

OpenAI가 8월 4일 공개한 사이버 평가 사고 관련 설명은 의도된 테스트 경계를 넘어선 활동을 다룬다. 회사는 해당 사고가 안전장치가 축소된 환경을 포함한 특수 조건과 관련됐으며, 일반적인 배포 사례를 대표하지 않는다고 밝혔다.

이 설명은 영국 연구소의 테스트에서 의도적으로 활성화된 인터넷 접근과 또 다른 평가 파트너인 Irregular의 작업에 영향을 준 잘못된 구성 설정을 구분한다. 원인이 다르면 필요한 수정 조치도 달라지므로 이 구분은 중요하다.

연구 관점에서의 의미는 명확하다. 역량 있는 시스템을 평가하려면 그 시스템을 둘러싼 인프라도 평가해야 한다. 경계를 설명하는 지침은 그 경계를 강제하는 기술적 통제를 대체할 수 없다. 모델에 부여된 과업은 작동 조건을 구성하는 요소 중 하나일 뿐이다.

에이전트, 즉 여러 단계에 걸쳐 도구를 사용해 과업을 수행하는 시스템은 대화 인터페이스 이상의 대상과 상호작용할 수 있다. 어떤 파일, 서비스, 외부 시스템에 접근할 수 있는지는 권한이 결정한다. 그 권한은 실수의 결과를 좌우한다.

가상의 실험은 폴란드에서 실제로 발생했다는 뜻 없이도 이 문제를 보여줄 수 있다. 연구자들은 보안 훈련을 위해 가상의 조직을 만들 수 있다. 시스템이 유사한 이름의 실제 서비스에 접속할 수 있다면, 그 훈련에는 가상 시나리오를 넘어서는 통제가 필요하다.

격리, 즉 활동을 승인된 환경 안에 머물게 하는 기술적 제한의 목적은 그러한 경계를 강제 가능하게 만드는 데 있다. 효과적인 격리는 시스템이 모호한 지시를 모두 올바르게 해석하는 데 의존하지 않는다.

이는 실제 연구상의 상충 관계를 만든다. 환경을 제한하면 현실성이 낮아질 수 있고, 접근권을 확대하면 노출이 커질 수 있다. 연구자들은 어떤 절충안을 선택했는지와 그것이 결론에 어떤 영향을 미치는지 설명해야 한다.

격리된 실험은 통제된 조건에서 시스템이 특정 과업을 완료하는지에 답할 수 있다. 하지만 개방형 실제 환경 전반에서의 행동을 자동으로 입증하지는 못한다. 반면 더 현실적인 테스트에는 더 엄격한 승인과 모니터링이 필요하다.

8월의 공개 내용은 외부 연구가 다뤄야 할 실질적인 질문을 제시한다는 점에서 새 협약의 관련 맥락이다. 이는 NASK의 작업이 유사한 사고를 겪었다는 증거는 아니다. 두 사안을 혼동하는 것은 이용 가능한 기록을 넘어서는 일이다.

정보를 제공하는 미래 연구 보고서는 권한, 모니터링, 중단 절차, 예상치 못한 활동에 대한 책임을 설명할 것이다. 이러한 세부 사항은 조사자들이 실제로 무엇을 통제했는지 독자가 이해하는 데 도움이 된다. 또한 연구 간 비교를 더 의미 있게 만든다.

실패 보고는 특히 주목할 만하다. 연구자들이 실험이 중단된 이유와 그 과정에서 얻은 교훈을 설명한다면, 중단된 실험도 유용한 안전성 증거를 제공할 수 있다. 그러한 정보를 숨기면 프로그램은 더 깔끔해 보일 수 있지만 대중의 이해는 약화된다.

성공한 실험도 비슷한 주의가 필요하다. 사고 없이 과업을 완료했다는 사실은 명시된 조건에서의 결과를 확립한다. 그렇다고 같은 시스템이 미래의 모든 지시 아래에서도 경계를 지킬 것이라는 증명은 아니다.

이 지점에서 기업 사용자는 기관 연구와 자체 배포 환경을 연결해야 한다. 텍스트 초안 작성을 허용하는 보조 도구를 사용하는 기업은 프로덕션 시스템에 자동 변경을 허용하는 기업과 다른 수준의 노출에 직면한다. 관련 통제는 부여된 권한에 맞춰져야 한다.

지식 노동자는 보조 도구가 기밀 문서를 처리할 때 더 작지만 관련된 문제를 겪는다. 실질적인 질문은 애플리케이션의 접근권과 데이터 처리 방식이 조직의 요구 사항에 부합하는지다. 국가 연구 협약은 이 애플리케이션별 질문에 답하지 못한다.

그러므로 회의적인 해석은 무시하는 태도가 아니라 정확한 판단이다. 협력은 조사를 개선할 수 있지만, 조사 자체에도 안전한 설계가 필요하다. 신뢰할 수 있는 보증에는 모델 행동과 그 행동이 관찰된 환경 모두에 관한 증거가 필요하다.

협약 이후 주목할 점

가장 유용한 후속 조치는 연구 활동을 검토 가능한 결과와 문서화된 변화에 연결하는 것이다.

OpenAI와 NASK의 파트너십은 예상된 결과가 아니라 구체적인 산출물을 통해 지속적으로 주목할 가치가 있다. 향후 몇 달 동안 독자는 광범위한 협약이 식별 가능한 연구 프로그램으로 발전하는지 추적할 수 있다. 발표는 그 기간 내 공개를 약속하지는 않는다.

첫 번째 신호는 정의된 평가 프로젝트다. 유용한 발표는 연구 질문, 관련 시스템 구성, 접근 범위를 명시할 것이다. 그러면 해당 작업이 중요한 불확실성을 다루는지 평가할 수 있다.

프로젝트 설명이 유익하기 위해 민감한 기술 세부 사항을 공개할 필요는 없다. 연구자들이 오용 저항성, 승인된 사이버 지원, 또는 다른 제한된 행동을 검토하는지 설명할 수 있다. 명확한 범위는 파트너십이 실행 단계로 옮겨갔다는 근거를 강화한다.

또 다른 일반적 약속에만 한정된 발표는 진전을 보여주는 증거가 더 적다. 연구에는 시간이 걸리고 기밀로 유지될 수 있으므로, 그것이 실패를 뜻하지는 않는다. 다만 대중의 평가는 대체로 변하지 않은 채 남게 된다.

두 번째 신호는 다른 이들이 검토할 수 있는 기술적 산출물이다. 이는 연구 논문, 문서화된 평가 방법, 취약점 공개의 형태를 취할 수 있다. 그 가치는 제시하는 증거와 한계에 달려 있다.

가장 강력한 산출물은 성공적인 발견과 함께 성공하지 못한 접근법도 설명할 것이다. 독자는 방법이 어디에서 작동하고 어디에서 여전히 신뢰할 수 없는지 이해해야 한다. 선별된 성공 사례만으로는 그러한 판단이 더 어려워진다.

공개된 방법론은 결과가 원래 실험을 넘어 적용되는지도 명확히 하는 데 도움이 된다. 다른 연구자들은 가정을 검토하고 비교 가능한 작업을 시도할 수 있다. 부분적인 재현성만으로도 기관의 지지보다 더 강한 신뢰 근거를 제공할 수 있다.

세 번째 신호는 발견 사항에 대한 문서화된 대응이다. 연구는 패치, 수정된 안전장치, 변경된 배포 결정에 정보를 제공할 때 운영상 중요한 의미를 갖는다. 발견과 대응 사이의 명확한 연결은 파트너십의 실질적 근거를 강화할 것이다.

그 대응이 제품 출시일 필요는 없다. 위험한 기능을 제한하기로 한 결정도 중요한 결과가 될 수 있다. 연구 활동이 관련 없는 시스템에 영향을 주지 않도록 하는 테스트 절차의 수정도 마찬가지다.

독자는 공개 시점과 수정 조치의 시점을 구분해야 한다. 민감한 발견은 공개 전에 기밀 유지 기간이 필요할 수 있다. 중요한 질문은 최종 보고가 무엇이 일어났고 무엇이 바뀌었는지를 설명하는지다.

이 신호들은 순서를 이룬다. 질문을 정의하고, 신뢰할 수 있는 증거를 공개하며, 대응을 문서화하는 것이다. 각 단계의 진전은 다음 단계를 평가하기 쉽게 만든다. 누락된 정보는 만들어낸 성공이나 실패가 아니라 불확실성으로 남아야 한다.

개발자와 구매자는 시스템에 대한 자체 평가를 수정하기 전에 이러한 산출물을 통해 OpenAI와 NASK의 파트너십을 추적해야 한다. 방법론을 읽고, 테스트된 권한을 자신의 애플리케이션과 비교하며, 실패에 대한 문서화된 대응을 찾아야 한다. 수정 사항이 계속 보이도록 원래의 발견과 이후 업데이트를 함께 보관해야 한다. 기관 간 관계는 가치 있는 연구 기회를 만들 수 있지만, 배포 결정에는 자신의 사용 사례에 부합하는 증거가 필요하다. 다음 업데이트가 나오면 연구자들이 무엇을 검토할 수 있었는지, 무엇을 발견했는지, 그리고 어떤 구체적 변화가 뒤따랐는지 물어봐야 한다. 이러한 질문은 AI 안전성이 중요하다는 또 하나의 포괄적 보증보다 협력의 기여를 더 잘 보여줄 것이다.