연구자들, 과학 연구의 새로운 형식으로 Agent-Native Artifacts 제안

IEEE Spectrum은 과학의 기본 관행에 도전하는 37인 저자 제안을 조명했다. 연구자들이 더는 인간이 읽을 수 있는 논문을 주된 산출물로 여겨서는 안 된다는 주장이다. 저자들은 대신 AI 에이전트를 위해 설계된 기계 실행형 연구 패키지를 원한다. 이는 사람들이 과학에 접근하지 못하게 해야 한다는 뜻이 아니다. 인공지능이 이제 기존 논문으로는 담아낼 수 없는 수준의 세부 정보를 필요로 한다는 주장이다.

이 제안은 2026년 4월 27일 ArXiv에 제출되고 5월 19일 수정된 The Last Human-Written Paper에 담겼다. 저자들은 이를 대체할 형식을 Agent-Native Research Artifact, 즉 ARA라고 부른다. 이 형식은 과학적 주장, 실행 가능한 코드, 연구 이력, 원시 증거를 하나의 구조화된 패키지 안에 결합한다.

이 구상은 도발적인 제목이 암시하는 것보다 더 날카로운 갈등을 낳는다. 과학은 기계가 더 쉽게 검토할 수 있어야 하지만, 사람들이 의문을 제기하기 더 어려워져서는 안 된다. 따라서 진짜 대결은 AI 독자와 인간 독자 사이의 경쟁이 아니다. 기계 효율성과 연구를 이해 가능하게 만드는 서사적·편집적·사회적 기능 사이의 긴장이다.

논문은 일부 머신러닝 벤치마크에서 상당한 성과 향상을 보고한다. 하지만 자체 결과는 경고도 드러낸다. 이전 실패에 대한 상세 기록은 AI 에이전트를 유용한 작업으로 이끌 수 있지만, 동시에 오래된 생각에 묶어둘 수도 있다.

IEEE Spectrum 기사가 실제로 제시한 내용

이 제안은 과학의 주된 객체를 설득력 있는 문서에서 작동 가능한 패키지로 바꾼다.

기존 논문은 연구 프로젝트를 선형적인 논증으로 제시한다. 문제를 소개하고, 방법을 설명하며, 결과를 보고하고, 그 결과가 왜 중요한지 해설한다. 코드, 데이터, 보조 파일, 실험실 기록은 대개 이 중심 서사 밖에 놓인다.

ARA는 이러한 위계를 뒤집는다. 구조화된 패키지가 주된 기록이 되고, 읽기 쉬운 논문은 그 내용을 컴파일해 보여주는 하나의 뷰가 된다. AI 에이전트는 개별 주장을 검토하고, 증거를 추적하며, 코드를 실행하거나 실험을 형성한 의사결정을 따라갈 수 있다.

37명의 연구자는 ARA를 서로 연결된 네 개의 계층으로 구성한다. 인지 계층은 문제, 개념, 실험, 반증 가능한 주장을 기록한다. 물리 계층에는 실행 가능한 코드, 구성, 의존성, 하드웨어 요구 사항, 시드가 포함된다.

탐색 그래프는 분기, 폐기된 접근법, 실패, 방향 전환을 보존한다. 증거 계층은 각 주장을 뒷받침하는 결과, 로그, 곡선 및 기타 출력을 담는다. 교차 참조는 하나의 주장과 그에 해당하는 실험, 코드, 증거를 연결한다.

이 구조는 저자들이 Storytelling Tax와 Engineering Tax라고 부르는 두 문제에 대응한다. Storytelling Tax는 연구자들이 수개월에 걸친 분기 작업을 하나의 성공 경로로 압축할 때 발생한다. 실패한 실험과 기각된 가설은 이 압축 과정에서 흔히 사라진다.

Engineering Tax는 설득에 충분한 정보와 실행에 충분한 정보의 차이를 가리킨다. 검토자는 어떤 방법이 왜 작동해야 하는지 이해할 수 있지만, 이를 재현하는 데 필요한 모든 설정을 갖고 있지는 않을 수 있다. 실험을 시도하는 AI 에이전트는 그 간극을 신뢰성 있게 메울 수 없다.

저자들은 세 가지 지원 시스템도 제안한다. Live Research Manager는 AI 어시스턴트와의 일상적 작업 중 의사결정을 포착한다. ARA Compiler는 기존 논문과 리포지터리를 새로운 구조로 변환한다.

이후 ARA 네이티브 검토 프로세스는 구조적 무결성, 논증의 엄밀성, 재현성을 점검한다. 인간 검토자는 중요성, 참신성, 과학적 안목과 관련된 판단을 계속 맡게 된다.

IEEE Spectrum 분석은 이 제안이 단순히 AI로 논문을 요약하는 수준을 넘어선다는 점에서 뉴스 가치가 있다고 본다. 연구를 읽고, 재현하고, 확장하는 자율 시스템을 중심으로 과학 커뮤니케이션을 재설계해야 하는지를 묻기 때문이다.

이 차이는 중요하다. 검색 도구는 논문을 검색해야 할 문서로 취급한다. ARA는 연구를 에이전트가 행동할 수 있는 환경으로 취급한다.

이 제안은 PDF에 노트북이나 리포지터리를 첨부하는 방식보다도 더 나아간다. 핵심 주장은 서사형 논문이 손실을 수반하는 컴파일 결과물이라는 것이다. 보조 파일을 더 추가한다고 해서 주장, 의사결정, 구현 세부 사항, 원시 증거 사이의 연결이 반드시 복원되지는 않는다.

따라서 ARA는 직접적인 제도적 요구를 제기한다. 대학, 학회, 저널, 연구비 지원기관, 연구팀은 구조화된 아티팩트를 일급 산출물로 인정해야 한다. 이러한 인정이 없다면 ARA는 대체물이 아니라 정교한 보조 자료에 머물게 된다.

AI 에이전트가 과학 출판사에 압박을 가하는 이유

AI 시스템은 인간 독자와 다르게 연구를 소비하기 때문에, 출판사들은 이제 형식 문제에 직면해 있다.

사람들은 보통 제목, 초록, 그림, 결론부터 읽는다. 관심사와 전문성에 따라 섹션 사이를 이동한다. 잘 쓰인 서사는 질문이 왜 중요한지, 증거가 논증을 어떻게 바꾸는지를 이해하도록 돕는다.

기술 작업을 수행하는 AI 에이전트에게는 다른 요구가 있다. 정확한 주장을 식별하고, 의존성을 해소하며, 구성을 찾고, 코드를 검토하며, 보고된 수치와 원시 출력을 연결해야 한다. 또한 확인된 결과와 가설 또는 포기된 아이디어를 구분할 필요가 있다.

PDF에도 이러한 세부 사항이 담길 수 있지만, 일관되게 드러나는 경우는 드물다. 표는 파싱하기 어려울 수 있다. 수식은 추출 과정에서 구조를 잃을 수 있다. 하나의 방법은 본문, 부록, 코드, 문서화되지 않은 대화에 흩어진 설정에 의존할 수 있다.

ARA 연구자들은 ICML 2024 논문 23편과 관련된 전문가 주석 재현 요건 8,921개를 조사했다. 이에 따르면 해당 PDF에 완전히 명시된 항목은 45.4%에 불과했다. 코드 개발 요건은 충분한 범위가 37.3%였다.

누락된 하이퍼파라미터는 식별된 정보 공백의 26.2%를 차지했다. 이 수치는 ARA에 대한 독립 감사가 아니라 제안 저자들의 분석에서 나온 것이다. 그럼에도 재현성 문제를 이례적으로 구체적인 수치로 보여준다.

기반 벤치마크는 AI 에이전트가 머신러닝 연구를 재현할 수 있는지를 평가하는 PaperBench다. 재현은 논문에 관한 질문에 답하는 것 이상을 요구한다. 에이전트는 실험을 다시 구축하고, 전문가 채점자가 평가할 수 있는 출력을 만들어야 한다.

압박을 받는 집단은 출판사만이 아니다. 연구자들은 프로젝트가 진행 중인 동안 더 많은 구조화된 정보를 포착해야 한다. 실험실은 기밀 자료를 공개하지 않으면서 내부 의사결정을 보존할 정책이 필요하다.

학회 검토자들은 수천 개의 파일과 이벤트를 포함할 수 있는 아티팩트를 탐색할 도구가 필요하다. 기록 보존 담당자는 환경, 의존성, 출처, 접근 권한에 관한 안정적인 표준이 필요하다. 연구기관은 어떤 기계의 행동을 유효한 검증으로 인정할지도 결정해야 한다.

저자 부담에 대한 논문의 답은 자동화다. Live Research Manager는 인간과 에이전트의 작업을 관찰하고 의사결정을 구조화된 기록으로 전환한다. 이 접근법은 AI 어시스턴트가 프로젝트 전반에 걸쳐 참여한다는 가정에 기반한다.

이 가정은 일부 컴퓨터 과학 연구실에는 잘 들어맞는다. 그러나 습식 실험실 생물학, 임상 연구, 현장 연구, 질적 연구에는 덜 자연스럽다. 이들 분야의 증거는 상당 부분 물리적 관찰, 인터뷰, 기기, 표본 또는 접근이 제한된 기록에서 시작된다.

저자들은 평가 범위가 머신러닝에 한정된다는 점을 인정한다. 계산 환경 밖에서 수행되는 실험에는 물리 계층과 탐색 계층이 상당한 조정을 필요로 할 수 있다고 말한다. 이 한계는 당장의 주장을 상당히 좁힌다.

과학 출판은 코드를 실행하지 않는 독자에게도 서비스를 제공한다. 정책 입안자, 기자, 학생, 학제 간 연구자, 영향을 받는 공동체에는 리포지터리 탐색이 아니라 설명이 필요하다. 에이전트만을 위해 최적화된 형식은 이들 독자에게 실패할 것이다.

따라서 이 제안의 더 강력한 형태는 이중 출판이다. 구조화된 연구 객체는 실행 가능한 세부 사항을 담고, 인간 서사는 목적, 불확실성, 결과를 설명할 수 있다. 논문 자체도 서사를 컴파일된 뷰라고 부르며 사실상 이 접근법을 뒷받침한다.

IEEE Spectrum은 실제 압박 지점을 드러내고 있지만, 실용적인 대응이 산문을 포기해야 한다는 뜻은 아니다. 프로젝트의 유일한 권위 있는 표현으로서 PDF의 역할을 끝내야 한다는 뜻이다.

IEEE Spectrum의 핵심 갈등은 지식과 서사 사이에 있다

기계가 읽을 수 있는 구조는 더 많은 연구 세부 사항을 보존할 수 있지만, 세부 사항만으로 과학적 이해가 생기지는 않는다.

저자들은 설계 원칙을 “Knowledge over Narrative”로 요약한다. 이 표현은 제안의 가장 강력한 통찰과 핵심 약점을 함께 드러낸다. 연구 지식은 논증이 구성되는 방식과 항상 분리될 수 있는 것은 아니다.

서사는 실패를 숨기고 불확실성을 매끈하게 만들 수 있다. 하지만 어떤 문제가 주목받을 가치가 있는지, 어떤 가정이 도덕적 무게를 갖는지, 증거가 어디에서 여전히 모호한지를 설명할 수도 있다. 이러한 기능은 주장, 의존성, 실행 가능한 작업으로 환원하기 어렵다.

과학 논문이 설득력을 갖는 이유는 과학에 판단이 필요하기 때문이다. 독자는 질문이 중요한지, 비교가 공정한지, 설명이 증거에 부합하는지를 평가한다. 기계 검증 가능한 패키지는 이러한 판단을 자동으로 만들지 않으면서도 그 판단을 지원할 수 있다.

그럼에도 ARA의 네 계층은 분명한 이점을 제공한다. 주장과 증거의 연결은 근거 없는 결론을 드러낼 수 있다. 구성 기록은 재현 시도의 낭비를 줄일 수 있다. 탐색 이력은 여러 팀이 같은 실패한 접근법을 반복하는 일을 막을 수 있다.

제안된 PAPER.md 진입점 역시 점진적 정보 공개를 지원한다. 에이전트는 먼저 간결한 개요를 읽고, 이후 특정 질문에 필요한 파일만 불러올 수 있다. 이 설계는 더 깊은 자료를 보존하면서 컨텍스트 사용량을 제어하는 데 도움이 된다.

이 접근법은 연구 객체를 더 쉽게 찾고 재사용할 수 있게 하려는 기존 노력의 연장선에 있다. FAIR 원칙은 데이터가 검색 가능하고, 접근 가능하며, 상호운용 가능하고, 재사용 가능해야 한다고 확립했다. 다른 시스템들은 워크플로, 출처, 노트북 또는 원자적 주장을 패키징한다.

ARA는 실행과 의사결정 이력을 통해 이러한 모든 차원을 연결하려 한다. 새로움은 특정 파일 형식 하나보다 그 파일들 사이의 결합에 있다. 하나의 주장은 실험, 코드 경로, 출력, 이전 의사결정의 순서를 가리킬 수 있다.

연구자들이 이를 충실히 유지한다면, 이 구조는 과학 작업을 더 쉽게 감사할 수 있게 만들 것이다. 선택적 보고도 더 잘 드러낼 수 있다. 검토자는 보고된 방법이 성공하기 전에 얼마나 많은 접근법이 실패했는지 살펴볼 수 있다.

하지만 포괄적인 기록은 새로운 해석 문제를 낳는다. 실패한 실험은 나쁜 가설이 아니라 결함 있는 구현을 반영할 수 있다. 에이전트는 한 환경에만 적용된 오래된 실패를 보편적 제약으로 취급할 수 있다.

논문의 자체 확장 테스트는 그 위험을 보여준다. ARA를 갖춘 에이전트는 다섯 가지 RE-Bench 작업에서 유용한 첫 단계를 더 빨리 찾아냈다. 이들은 논문 기반 에이전트가 다시 발견해야 했던 실패 흔적과 휴리스틱에 접근할 수 있었다.

더 유능한 모델을 사용한 두 과제에서는 초기 우위가 최종적으로 가장 좋은 결과로 이어지지 않았다. 논문 기반 에이전트는 문서화된 플레이북을 넘어 계속 탐색했다. 반면 ARA 에이전트는 아티팩트에 기록된 전략에 계속 묶여 있었다.

이 결과는 가장 단순한 홍보 논리를 약화시킨다. 더 구조화된 맥락이 항상 더 나은 개방형 연구로 이어지지는 않았다. 때로는 모르는 상태가 더 넓은 탐색 공간을 보존했다.

핵심적인 상충 관계는 기억과 탐색 사이에 있다. 과학 시스템에는 불필요한 반복을 피할 만큼의 기억이 필요하다. 동시에 계승된 결론이 보이지 않는 경계가 되는 것을 막을 장치도 필요하다.

인간 연구자들도 이미 이 문제를 겪고 있다. 문헌 검토는 기존 연구를 토대로 발전하는 데 도움이 되지만, 널리 받아들여진 프레임워크는 대안적 질문을 억제할 수 있다. 기계 에이전트는 명시적 구조를 일관되게 따르기 때문에 이 효과를 증폭할 수 있다.

ARA는 실패한 분기에 출처, 날짜, 모델 역량, 적용 범위 조건을 첨부해 이러한 위험을 해결할 수 있다. 하드웨어, 데이터 또는 방법론이 바뀌었을 때 에이전트가 오래된 결과의 비중을 낮추도록 할 수 있다. 기록된 그래프 바깥에서 의도적으로 탐색할 수 있는 예산을 제공하는 방법도 있다.

이러한 보호 장치는 사소한 구현 세부 사항이 아니다. 에이전트 네이티브 아티팩트가 지도인지, 감옥인지 결정한다. 지도는 알려진 지형을 보여주되 그 경계 너머의 여지를 남긴다.

가장 바람직한 결과는 두 표현 방식을 모두 보존하는 것이다. 인간은 책임 있는 저자 표시가 있는 명확한 서사를 받는다. 에이전트는 산문이 효율적으로 담아낼 수 없는 운영 세부 사항을 포함한, 검토 가능한 연구 객체를 받는다.

벤치마크 성과는 중요하지만 아직 결론은 아니다

보고된 결과는 추가 검증을 정당화하지만, 과학 논문을 전면 대체할 근거는 아니다.

저자들은 이해, 재현, 확장, 자동화된 검토를 평가한다. 가장 직접적인 비교에서는 에이전트에 ARA 패키지 또는 관련 코드가 포함된 기존 논문을 제공한다. 이후 각 표현 방식이 연구 과제를 얼마나 잘 지원하는지 측정한다.

PaperBench와 RE-Bench 전반의 질의응답에서 논문은 정확도가 72.4%에서 93.7%로 상승했다고 보고한다. 이는 450개 질문에서 21.3%포인트 차이다. 이 결과는 구조화된 아티팩트가 에이전트가 정확한 기술 정보를 찾는 데 도움이 된다는 점을 시사한다.

재현에서는 보고된 성공률이 57.4%에서 64.4%로 상승한다. 평가는 15편의 PaperBench 논문에서 추출한 150개의 하위 과제를 다룬다. 7%포인트 향상은 유용하지만, 여전히 과제의 3분의 1 이상은 성공하지 못했다.

확장 결과는 더 복잡하다. ARA는 다섯 개의 개방형 과제 중 세 개에서 가장 높은 점수를 기록했고, 다섯 개 모두에서 효과적인 초기 방향을 더 빨리 찾았다. 그러나 이전의 실패 기록은 때때로 더 강력한 에이전트의 탐색을 제약했다.

이는 프리프린트에 담긴 저자들의 결과다. 이 연구는 ArXiv에 게시될 당시 전통적인 학술지 심사를 통과하지 않은 상태였다. 독립 연구팀은 여전히 이 비교를 재현하고, 아티팩트 구축 과정이 ARA 조건에 유리하게 작용했는지 검증해야 한다.

논문은 몇 가지 중요한 한계를 공개한다. 선정된 논문과 ARA 형식에 익숙한 평가자들이 사람 주석 기반 벤치마크 구축을 도왔다. 익숙하지 않은 주제, 이례적인 방법론 또는 덜 정제된 아티팩트에서는 성능이 달라질 수 있다.

컴파일러 역시 원래 논문에 없는 정보를 복원할 수는 없다. 저자가 실험 설정을 누락했다면 추출 시스템은 이를 신뢰성 있게 재구성할 수 없다. 따라서 변환된 기존 논문은 원본 문서의 공백을 상당 부분 그대로 물려받는다.

실시간 캡처는 더 많은 정보를 보존할 수 있지만, 또 다른 의존성을 만든다. 이 시스템은 연구 결정이 AI가 매개하는 워크플로를 통과한다고 가정한다. 그 워크플로 밖에서 이루어진 대화, 수동 실험, 비공개 메시지, 기록되지 않은 판단은 누락될 수 있다.

보안은 더 큰 미해결 문제다. 논문은 샌드박스 실행, 콘텐츠 수준 이상 탐지, 세분화된 접근 제어를 포함한 프로덕션 요구 사항이 아직 구현되지 않았다고 밝힌다. 에이전트가 익숙하지 않은 연구 패키지를 실행하기 전에 이러한 통제가 필요하다.

악의적인 아티팩트에는 안전하지 않은 코드나 오도하는 지침이 포함될 수 있다. 손상된 의존성은 결과를 바꿀 수 있다. 민감한 흔적은 미공개 아이디어, 개인정보, 보안 발견 사항 또는 기밀 데이터셋을 노출할 수 있다.

프라이버시는 포괄적 캡처와도 충돌한다. 거부된 모든 아이디어와 대화를 보존하는 것은 기계에 가치 있어 보인다. 그러나 모든 추측성 발언이 영구 아티팩트의 일부가 된다면 연구자들은 자유롭게 말하기를 주저할 수 있다.

선별적 접근은 이 우려를 줄일 수 있지만, 제한된 증거는 검증을 복잡하게 만든다. 검토자는 무엇이, 왜 제외되었는지 알아야 한다. 기관은 생성된 요약이나 파생 출력물을 통해 비공개 자료가 유출되는 것도 막아야 한다.

자동화된 검토는 또 다른 불확실성을 낳는다. 제안된 ARA Seal은 구조, 엄밀성, 실행을 점차 높은 수준에서 점검한다. 그러나 구조적 완결성이 어떤 주장이 과학적으로 중요한지 또는 개념적으로 타당한지를 보장하지는 않는다.

대규모 언어 모델은 일관되지 않은 판단을 내릴 수도 있다. 논문은 모델 기반 엄밀성 감사기에서 탐지된 문제와 부여된 점수 사이의 불일치를 포함한 병리 현상을 보고한다. 제안된 아키텍처 안에서도 인간 검토는 여전히 필요하다.

이러한 한계가 성과를 지우지는 않는다. 이는 도입이 계산 분야에서 병행 아티팩트로 시작되어야 하는 이유를 보여준다. 학회는 인간이 읽을 수 있는 논문과 일반적인 심사를 유지하면서 ARA 패키지를 요청할 수 있다.

그런 다음 팀은 저술 부담, 검토자 시간, 재현율, 보안 사고, 아티팩트 재사용을 비교할 수 있다. 이러한 측정은 벤치마크 성능만을 근거로 논문을 대체하는 것보다 더 강력한 증거를 제공할 것이다.

이 제안은 인프라 연구로 이해하는 것이 가장 적절하다. 검증 가능한 형식과 이를 지원하는 도구를 제시한다. 과학 커뮤니케이션의 보편적 종착점을 확립한 것은 아니다.

에이전트 네이티브 연구의 성패를 보여줄 세 가지 신호

다음 단계는 도발적인 제목이 아니라 도입, 독립 재현, 운영 안전성으로 평가해야 한다.

첫 번째 신호는 학회, 학술지 또는 주요 연구소의 도입이다. 신뢰할 만한 파일럿은 정해진 범주의 계산 분야 제출물에 구조화된 아티팩트를 요구해야 한다. 또한 보관 규칙과 검토자 책임도 명시해야 한다.

자발적인 GitHub 업로드는 유용하지만, 제도적 수용을 검증하지는 않는다. 연구자들은 출판 요건, 인용 관행, 연구비 규정, 승진 인센티브에 반응한다. 형식은 그러한 시스템이 이를 인정할 때에만 인프라가 된다.

두 번째 신호는 독립 재현이다. 외부 팀은 보지 못한 논문, 다른 에이전트, 여러 모델 계열을 사용해 보고된 ARA 비교를 다시 구축해야 한다. 또한 각 아티팩트를 만들고 유지하는 비용을 공개해야 한다.

유용한 연구는 세 가지 효과를 분리할 것이다. 하나는 더 나은 형식화에서 비롯된다. 다른 하나는 논문에 없던 정보를 추가하는 데서 나온다. 세 번째는 평가자가 아티팩트가 어떻게 구축됐는지 알고 있다는 데서 발생한다.

이 분리는 중요하다. 상세한 연구 패키지라면 어떤 것이든 짧은 PDF보다 좋은 성능을 낼 수 있기 때문이다. 더 어려운 질문은 ARA의 특정 온톨로지가 프로젝트와 기관 전반에 걸쳐 지속적인 이점을 제공하는지다. 독립적 검증은 그 차이를 입증할 수 있다.

세 번째 신호는 신뢰할 수 있는 보안 및 거버넌스 모델이다. 에이전트가 공유된 아티팩트를 실행하기 전에 생태계에는 샌드박싱, 의존성 통제, 출처 확인, 권한 관리, 지속적인 감사 로그가 필요하다. 이러한 안전장치는 조직 전반에서 작동해야 한다.

거버넌스는 저자성도 정의해야 한다. 에이전트가 결정을 캡처하고, 주장을 수정하고, 실험을 실행하고, 요약을 생성한다면 독자는 어떤 기여가 사람에게서 왔는지 알아야 한다. 귀속은 작업이 끝난 뒤 불투명하게 생성되는 항목이 되어서는 안 된다.

공개 ARA repository는 실험을 위한 코드와 예시를 제공한다. 이러한 개방성은 독립 연구자가 제안된 스키마를 검토하는 데 도움이 될 수 있다. 또한 잠재적 도입자에게 순전히 이론적인 표준이 아니라 시험할 수 있는 구체적 대상을 제공한다.

단기 도입은 아마 고르지 않을 것이다. 머신러닝과 계산 시스템은 실험에 이미 코드, 구성, 로그, 측정 가능한 출력이 포함되므로 가장 적합하다. 다른 분야에는 서로 다른 물리적·윤리적 통제가 필요할 것이다.

연구자들은 IEEE Spectrum의 질문을 사람 대신 기계를 위해 글을 쓰라는 명령으로 해석해서는 안 된다. 대신 하나의 문서가 모든 독자에게 역할을 하도록 강요하는 일을 멈추라는 요구로 받아들여야 한다.

논문은 인간 인터페이스로 남을 수 있다. 에이전트 네이티브 패키지는 운영 기록이 될 수 있다. 각 형식이 어떤 과학적 기능을 잘 수행하는지 증거가 보여주기 전까지, 어느 쪽도 다른 쪽을 조용히 대체해서는 안 된다.

이 구분은 지식 노동자에게도 실용적인 워크플로를 제시한다. 팀은 구조화된 원천 자료를 보존하면서 동료를 위한 읽기 쉬운 설명을 만들 수 있다. 검색 가능한 지식 베이스도 같은 큰 원칙을 따른다. 증거를 보존하면서 검색을 더 쉽게 만드는 것이다.

어려운 부분은 더 많은 파일을 만드는 일이 아니다. 주장, 결정, 코드, 증거 사이의 신뢰할 수 있는 연결을 유지하는 일이다. 이러한 연결은 소프트웨어 변경, 인력 교체, 해석을 둘러싼 의견 차이에도 유지되어야 한다.

IEEE Spectrum은 의도적으로 극적인 제목 아래에 진지한 제안을 제기했다. 과학 출판의 미래는 인간이 쓴 마지막 논문이 되기보다는, 두 종류의 독자를 모두 정직하게 고려해 설계된 최초의 연구 기록이 될 가능성이 크다.

연구자들은 ARA를 도입하기 전에 구체적인 질문을 던져야 한다. 이 패키지가 인간의 이해를 약화시키지 않으면서 연구를 더 쉽게 검증하게 하는가? 독립 재현, 제도적 파일럿, 안전한 실행이 그렇다고 답한다면 에이전트 네이티브 아티팩트는 논문 옆에 공식적인 자리를 가질 만하다. 그때까지 과학자들은 이 형식을 실험하고, 읽기 쉬운 서사를 보존하며, 기계 효율성을 과학 커뮤니케이션의 유일한 척도로 취급하지 않아야 한다.