AI가 일을 하면 누가 수입을 얻나요?

문제는 누가 일자리를 잃는가만이 아니다

기계가 거의 모든 일을 하는 경제의 약속은 두 가지 상반된 결과, 즉 풍요의 공유 또는 소득의 극도의 집중을 제공하는 것처럼 보입니다. 둘 다 인공 지능에 대한 토론에 등장합니다. 모델의 쓰기, 프로그래밍 또는 대화 능력이 자동으로 따라오는 것은 없습니다. 기술 시연과 생활 수준의 지속적인 변화 사이에는 기업, 계약, 시장, 인프라 및 정치적 결정이 있습니다. 이 서류는 작업의 끝이 입증되었다고 가정하지 않고 이 구절을 조사합니다.

우리의 핵심 질문은 분배입니다. 조직이 인간 노동의 시간당 더 많은 가치를 제공할 때 누가 이 이익을 소득, 시간 또는 보안으로 전환할 수 있습니까? 대답에는 근로자, 소비자, 사업주, 기술 제공업체 및 정부가 포함될 수 있습니다. 이 그룹도 겹칩니다. 사람은 급여를 받고, 더 저렴한 서비스 비용을 지불하고, 사업에 대한 작은 지분을 소유할 수 있습니다. 따라서 논쟁을 인간 대 기계로 압축하면 우리가 조사해야 할 메커니즘이 숨겨집니다.

우리는 분석을 세 가지 수준으로 구성합니다. 첫째, AI에 대한 작업의 기술적 노출입니다. 다음으로는 작업환경과 소득이전 실험을 통해 관찰한 결과이다. 마지막으로 제도적 선택과 예시 시나리오입니다. 노출 지수는 잠재적인 변화를 찾는 데 도움이 됩니다. 해고를 측정하지 않습니다. 실험은 모집단과 개입에 대해 알려줍니다. 그것은 전체 경제를 재생산하지 않습니다. 시뮬레이션은 가정을 가시화합니다. 이러한 전제를 예측으로 변환하지 않습니다.

Rovemark의 논제는 생산성과 분배를 함께 연구해야 한다는 것이다. 그렇다고 해서 어떤 정책이 문제를 해결하는지 이미 알고 있다거나, 사적 이익이 불법이라는 뜻은 아니다. 이는 품질, 전체 비용, 작업 조건 및 창출된 가치의 목적지에 대해서도 질문한 후에만 구현이 성공적인 것으로 간주될 수 있음을 의미합니다. 동일한 기술이 매우 다른 조직과 계약을 뒷받침할 수 있습니다.

AI에 대한 노출은 실업률과 같지 않음

국제노동기구(International Labor Organization)와 NASK는 2025에서 전 세계 고용의 약 4분의 1이 생성 AI에 어느 정도 노출된 직업에 종사하고 있다고 추정했습니다. 이 지수는 작업 평가, 작업자 및 전문가 기여, 모델 지원 분류를 결합합니다. 고소득 국가에서는 34%에 도달하고 저소득 국가에서는 11%에 참여합니다. 이 백분율은 직업 구성과 잠재적 기술 역량을 나타냅니다. 그것은 직장을 잃을 개별적인 확률이 아닙니다.

노출 수준이 가장 높은 경우, 지수는 전 세계 고용의 3.3%를 보고합니다. 이 특정 섹션에서 비율은 여성의 경우 4.7%이고 남성의 경우 2.4%입니다. 분모가 중요합니다. 우리는 노출된 모든 직업을 성별로 나누는 것이 아니라 각 그룹의 고용 내 참여를 비교합니다. 그래프를 사용하면 노출 정도와 최대 카테고리를 별도로 유지하면서 클리핑을 번갈아 표시할 수 있습니다. 패널을 합산하거나 시간적 궤적으로 취급해서는 안 됩니다.

직업은 다양한 요구를 지닌 활동을 하나로 묶습니다. 예외를 협상하고, 결정을 확인하고, 책임을 지는 데 여전히 사람의 참여가 필요한 동안 첫 번째 초안 작성을 자동화할 수 있습니다. 기술적으로 여러 단계가 가능하더라도 채택 여부는 비용, 안정성 및 통합에 따라 달라집니다. 회사는 동일한 팀으로 더 많은 고객에게 서비스를 제공하거나 기능을 재구성하거나 채용을 줄이는 것을 선택할 수 있습니다. 기술적 가능성을 확인하는 것이 조사의 시작입니다. 어떤 응답이 발생했는지 식별하려면 다른 데이터가 필요합니다.

낮은 익스포저가 완전한 경제적 보호를 의미한다고 결론을 내리는 것도 실수입니다. 작업자는 디지털화되지 않은 활동에 참여하면서도 여전히 수요, 가격 또는 공급망에 간접적인 영향을 받을 수 있습니다. 반대로, 노출도가 높은 기능은 더욱 생산적이고 가치 있게 될 수 있습니다. 우리의 해석은 지원이 필요할 수 있는 그룹을 포함하여 구체적인 변화를 연구하기 위한 지침으로 지수를 사용하는 것입니다. 출처는 직업이 사라지는 날짜를 제공하지 않습니다.

실제 생산성: 단일 약속에 맞지 않는 증거

2025의 Quarterly Journal of Economics에 발표된 연구에서 Brynjolfsson, Li 및 Raymond는 5,172 고객 서비스 상담원과 함께 작업에 보조원을 시차적으로 도입하는 것을 분석했습니다. 보고된 평균 이득은 시간당 해결된 문제에서 대략 15%였습니다. 경험과 기술에 따라 혜택이 달라졌습니다. 이는 시차적 실행과 계량경제적 분석을 통해 한 회사와 한 직업에 대한 증거입니다. 전체 경제의 대표 표본이나 개별 추첨을 통한 시험에서 나온 것이 아닙니다.

결과는 업무 프로세스 내에서 AI를 연구할 가치가 있는 이유를 보여줍니다. 그러나 시간당 결심이 늘어난다고 해서 자동으로 이윤, 급여 또는 국가 생산량이 15% 증가하는 것은 아닙니다. 구현, 검토, 소프트웨어 및 조직 변경 비용이 계정에 포함되어야 합니다. 해상도의 품질도 보존되어야 합니다. 이러한 측정값 사이에 백분율을 이전하면 연구 설계가 제공하지 않는 명백한 정밀도가 생성됩니다.

대위법은 초기 2025 도구를 사용하여 16 숙련된 개발자와 알려진 프로젝트에 대한 246 작업에 대한 METR의 실험에서 비롯됩니다. AI의 가용성은 19%에 의해 실행 시간을 증가시켰고, 참가자들은 작업 전에 24%의 감소를 기대했고 이후에 20%의 감소를 인식했습니다. 대조는 서비스 연구와의 모순이 아니라 해당 실험에서 관찰된 결과에 대한 기대와 인식을 측정합니다. 모집단, 도구, 작업 및 측정항목이 다릅니다.

2월 2026의 METR 업데이트는 이 역사적인 발견을 해석하는 데 필수적입니다. 연구자들은 참가자 및 업무 선택, 보수 변경, 동시 에이전트에 작업 등록의 어려움이 새로운 결과의 해석을 방해한다는 점을 고려하기 시작했습니다. 원래 추정치에 대해 보고된 95% 신뢰 구간은 시간상 +2%에서 +39% 범위입니다. 우리는 2025의 결과를 현재 도구의 진단으로 사용하지 않습니다. 적용 가능한 교훈은 속도 감각에만 의존하기보다는 사용 맥락에서 효과를 측정하는 것입니다.

시간을 절약한다고 해서 누가 돈을 버는지는 결정되지 않습니다

동일한 품질을 유지하면서 배송당 10시간의 인력 시간이 필요했지만 현재는 8시간이 필요한 가상 프로세스를 상상해 보십시오. 직접적인 절감 효과는 배송당 2시간이지만, 재정적 결과는 아직 알 수 없습니다. 어쩌면 더 많이 팔아야 한다는 요구가 있을 수도 있습니다. 어쩌면 경쟁으로 인해 가격이 하락할 수도 있습니다. 아마도 회사는 가격을 유지하고 마진을 늘릴 것입니다. 아마도 팀이 다른 작업을 흡수하거나 이익의 일부를 더 짧은 근무 시간으로 협상할 것입니다. 이는 가능한 답변이지 이 간행물에서 추정된 백분율이 아닙니다.

세 가지 회계 질문을 분리하는 것이 유용합니다. 첫 번째는 프로세스에서 얼마나 많은 리소스가 절약되었는지입니다. 두 번째는 실제로 얼마나 많은 부가가치가 팔렸는지, 얼마나 많은 비용이 사라졌는지이다. 세 번째는 인프라, 공급업체 및 세금을 지불한 후 이 결과가 어떻게 분배되었는지입니다. 이용 가능한 시간은 실현된 수익이 아닙니다. 사용하지 않은 초안은 판매가 아닙니다. 그리고 모델 가격의 인하가 반드시 신뢰할 수 있는 서비스의 총 비용의 비례적인 감소를 의미하는 것은 아닙니다.

OECD는 AI의 확산 및 채택 능력을 거시경제적 영향의 중요한 조건으로 간주합니다. 부문 구조, 기술, 인프라 및 경제 통합에 따라 혜택 범위가 변경됩니다. 기관에서 논의한 예측은 모델의 결과이지 AI에 완전히 기인할 수 있는 성장이 이미 관찰된 것은 아닙니다. 이 분석에서는 측정된 서비스 이익을 브라질 GDP 예측에 적용하지 않습니다.

우리의 분배 가설은 재산, 경쟁, 협상력이 이익의 목적지를 결정한다는 것입니다. 소규모 기업은 이전에 값비싼 기능에 액세스할 수 있으며, 모든 경쟁업체가 동일한 방식을 사용한다면 이윤을 잃을 수 있습니다. 근로자는 급여 규칙을 통제하지 않고도 더 많은 생산을 할 수 있습니다. 공급업체는 플랫폼에 대한 의존성을 통해 이익의 일부를 얻을 수 있습니다. 이러한 가설을 테스트하려면 시간이 지남에 따라 가격, 계약, 보수 및 공급업체 참여를 모니터링해야 합니다. 입양을 관찰하는 것만으로는 충분하지 않습니다.

기본소득: 부착 또는 거부 전의 정의

보편적 기본소득은 일반적으로 근로 요건이 없고 프로그램에서 정의한 인구 내 모든 사람을 대상으로 하는 개인적이고 정기적인 금전적 이체를 의미합니다. 세계은행 가이드는 보편성, 무조건성 및 현금지불을 구별하는 데 도움이 됩니다. 이러한 특성은 생활하기에 충분한 금액, 자금 조달 출처 또는 계속해서 어떤 혜택이 있을 것인지를 지정하지 않습니다. 보편적 급여라는 표현은 혼란스러울 수 있습니다. 급여는 업무 관계에 대한 보상입니다. 소득이전은 또 다른 제도적 논리를 따른다.

구체적인 제안은 누가, 몇 살부터, 얼마나 오랫동안, 어떤 가치로 업데이트되는지 대답해야 합니다. 또한 지급금이 기존 서비스 및 혜택에 추가되는지 아니면 대체하는지, 고소득층이 세금 시스템을 통해 어떻게 기여하는지, 특별한 요구 사항이 어떻게 충족되는지를 명확히 해야 합니다. 월별 가치가 동일한 두 제안은 완전히 다른 순 분포를 생성할 수 있습니다. 정책의 이름만으로는 누가 더 좋아지거나 더 나빠지는지 알 수 없습니다.

유리한 주장은 자율성, 예측 가능성, 나쁜 업무 관계를 거부하는 능력에 기초할 수 있습니다. 반대 주장은 비용, 다른 정책의 기회, 다양한 요구에 대한 균일한 혜택의 부적절함을 지적할 수 있습니다. 우리는 단일 답변을 가정하지 않고 이러한 이유를 평가 기준으로 제시합니다. 진지한 토론을 통해 특정 디자인, 순 수혜자 및 보존된 서비스를 비교합니다. 사회적 보호의 중요성에 동의한다고 해서 소위 보편적인 제안에 동의할 필요는 없습니다.

AI와의 관계는 사회를 조직하기 위한 하나의 가설이지 의무적인 기술적 결과는 아니다. 자동화가 발전하더라도 답은 이동, 공공 서비스, 교육, 사회 보험, 이익 공유 또는 근무 시간 변경을 결합할 수 있습니다. 선택은 확인된 문제와 이용 가능한 기관에 따라 달라집니다. 선택된 출처에는 AI가 인간 노동의 필요성을 제거한 후 전체 경제를 관찰하는 실험이 없습니다. 이 시나리오는 여기에 수집된 증거의 범위를 벗어납니다.

어떤 소득 실험을 통해 결론을 내릴 수 있습니까?

OpenResearch와 연계된 미국 실험에서 1,000 저소득 참가자는 3년 동안 매월 $1,000를 받았고, 2,000 대조 참가자는 매월 $50를 받았습니다. NBER 작업 문서 32719의 2026의 8월 개정판에서는 노동 시장 참여의 4.2 백분율이 감소하고, 이전을 제외한 개인 소득에서 연간 약 US$ 1,900가 감소했으며, 통제에 비해 주당 1~2시간 근무가 감소했다고 보고합니다. 이는 다른 단위를 사용한 다른 결과입니다.

해당 논문은 학술 출판물에 의한 동료 검토 대상이 아닌 작업 논문으로 식별됩니다. 이 분석의 첫 번째 판에 인용된 초기 버전에는 다른 추정치가 있었습니다. 이제 우리는 2026의 8월 개정판을 채택하여 참고문헌에 기록했습니다. 또한 검토에서는 노동 공급에 대한 적당한 효과가 측정된 다른 생산 활동에 의해 상쇄되지 않았음을 알려줍니다. 이는 유급 업무에 소요되는 시간의 감소를 참가자의 개인적 가치에 대한 판단으로 바꾸지는 않습니다.

핀란드 경험은 또 다른 디자인을 제공합니다. 2017와 2018 사이에서 2,000 실업자는 매달 약 USD 647를 받았는데, 이는 ECB의 연간 평균 2017와 2018를 사용하여 환산한 것입니다. 공식적인 균형은 고용에 대한 작은 영향과 웰빙에 대한 보다 호의적인 인식을 설명합니다. 또한 실업 활성화 규정의 변경으로 인해 2년차에 미치는 영향을 분리하기가 어렵다고 경고했습니다. 웰빙 설문조사에서는 그룹별로 응답률이 달랐습니다. 원래 혜택은 EUR로 표시되었습니다. USD의 디스플레이는 인플레이션을 조정하지 않고 560에 2017 및 2018(1.15531784313725 USD by EUR)의 ECB 연간 금리의 산술 평균을 곱한 값을 사용합니다. 각 결제의 환율을 재현하지 않습니다. 이러한 제한으로 인해 경험을 기본소득이 항상 고용을 증가시키거나 모든 지표를 필연적으로 개선한다는 단순한 시연으로 취급할 수 없습니다.

이들 연구 중 어느 것도 AI로 변화된 경제에서 납세자 스스로 자금을 조달하여 전체 인구에 대한 영구적인 이전을 측정하지 않습니다. 파일럿은 이전의 개별 효과를 추정하고 여전히 공개 가격, 세금, 이주, 서비스 공급 및 회사 응답을 국가 규모로 남겨 둘 수 있습니다. 우리의 독서는 실험이 결정을 알리고 절대적인 진술을 수정한다는 것입니다. 그들은 논쟁을 끝내지 않습니다. 아래 패널은 참여, 소득, 시간을 단일 축에 혼합하지 않고 미국식 디자인과 현재 검토 결과를 제시합니다.

비용은 얼마나 들까요? 한도가 있는 투명한 계정

총 송금 비용은 1인당 월별 지불금, 수혜자 수, 12개월을 곱하여 계산됩니다. 시뮬레이터는 USD를 화폐 단위로 사용하며 값과 인구를 변경할 수 있습니다. 1억 명이라는 기준은 브라질 성인이나 적격 인구에 대한 추정치가 아니라 대략적인 교훈적 가설입니다. 인구통계 데이터에 대한 자동 쿼리는 없습니다. 선택은 마치 측정된 것처럼 발명된 모집단을 제시하는 것을 방지합니다. USD의 시나리오는 BRL의 이전 예의 통화 변환이 아닌 새로운 가설입니다.

초기 예에서 1억 명의 월별 USD 1,000는 연간 USD 1.2조에 해당합니다. 이는 총 연간 지출액입니다. 이는 추가적인 적자, 순 비용 또는 혜택 권장 사항이 아닙니다. 우리는 수혜자가 반환한 수익, 혜택 대체, 관리 비용 또는 행동 변화를 할인하지 않습니다. 또한 로봇에 관한 가상 컬렉션을 추가하지 않았습니다. 이러한 모든 분할에는 분포 효과를 평가하는 것 외에도 자체 가설과 데이터베이스가 필요합니다.

자금 조달 논의에는 최소한 두 가지 추가 분석이 필요합니다. 하나는 예산입니다. 어떤 수입과 지출이 어느 기간에 걸쳐 어떤 관리 능력으로 변하는가? 또 하나는 경제적인 문제입니다. 누가 새로운 세금 부과를 지지하며 가족과 회사는 어떻게 대응합니까? 세금의 법적 납부자가 반드시 최종 비용을 부담하는 사람은 아닙니다. 우리는 절약된 시간의 추정 가치를 완전히 모을 수 있다고 가정하지 않으며, 개인의 부와 공공 수입이 동일하다고 가정하지 않습니다.

기본소득에 관한 OECD 보고서는 개혁의 자금조달과 분배에 대한 영향에 주목하고 있습니다. 이는 중앙 관리를 안내합니다. 모든 사람에게 배포하고 대상 지원을 제거하는 제안은 더 큰 도움이 필요한 사람들에게 해를 끼칠 수 있습니다. 우리의 평가에서는 지불 총액뿐만 아니라 그룹별 순 결과를 표시해야 합니다. 그래프는 선택의 산술 척도를 보여줍니다. 재정적 생존 가능성이나 인플레이션에 미치는 영향을 결정하지 않습니다. 이러한 질문에 답하려면 훨씬 더 완전한 모델이 필요합니다.

이익을 분배하는 세 가지 방법

첫 번째 시나리오는 집중입니다. 대체하기 어려운 자산을 보유한 회사나 공급업체는 추가 가치의 상당 부분을 유지합니다. 이 가상 경로에서는 생산이 증가하는 반면 일부 근로자는 소득 손실 또는 협상 능력 감소에 직면할 수 있습니다. 결정적인 변수는 모델의 성능뿐만 아니라 경쟁사와 근로자가 가치 창출과 전유에 참여할 가능성일 것입니다. 이 경로를 관찰하려면 마진, 가격, 임금 및 계약 종속성을 조사해야 합니다.

두 번째 시나리오는 경쟁적 확산이다. 보다 접근하기 쉬운 도구는 중소기업을 돕고 가격을 낮추며 새로운 서비스를 활성화합니다. 소비자는 구매력을 얻을 수 있고 일부 조직은 이전에는 불가능했던 시장에 서비스를 제공하여 성장할 수 있습니다. 이는 모든 근로자가 임금 인상을 받을 것이라고 보장하지 않으며 어려운 전환을 제거하지도 않습니다. 평가에서는 회사의 진입, 품질, 가격 및 전문적인 이동성을 모니터링하여 이익이 기술을 채택한 최초의 조직을 넘어 확산되는지 확인해야 합니다.

세 번째 시나리오에는 시간과 보호에 대한 협상이 포함됩니다. 수입의 일부는 근무 시간 단축, 근무 시간 중 교육, 결과 참여 또는 집단 소득 및 서비스 메커니즘에 자금을 지원할 수 있습니다. 참여자, 결과 측정 방법, 위험 분산 방법에 대한 선택권이 있습니다. 업무강도 조절 없이 근로시간 단축을 발표한다고 해서 팀 생활이 개선되지는 않을 수도 있다. 적절한 서비스가 없는 이전은 필수적인 요구사항을 해결하지 못할 수도 있습니다. 이러한 메커니즘은 설계 및 실행을 통해 평가되어야 합니다.

세 가지 경로는 상호 배타적이지 않으며 확률이 할당되지도 않았습니다. 분야별, 기업별, 기간별로 공존할 수 있습니다. 검증 가능한 질문을 정리하는 역할을 합니다. 어떤 경로가 우세한지 알고 싶다면 우리의 선호와 모순될 수 있는 지표를 미리 정의해야 합니다. 관찰 후 결과를 설명하는 가설은 연구의 지침이 되지 않습니다. 편집자의 약속은 집중력과 확산의 신호를 동일한 주의로 모니터링하고 증거가 변경되면 해석을 수정하는 것입니다.

현재 기업이 측정할 수 있는 것

조직은 AI 평가를 개선하기 위해 자본주의의 미래를 해결할 필요가 없습니다. 프로세스, 결과 및 최소 품질 조건을 구분하는 것부터 시작할 수 있습니다. 서비스 중 이는 재개 비율에 따라 해결 방법이 확인되었음을 의미할 수 있습니다. 문서에서는 사람의 검토를 거쳐 승인됩니다. 운영 중 사고 증가 없이 유효한 배송이 가능합니다. 생성된 응답의 양만 선택하면 가치를 창출하지 못할 수 있는 활동이 보상됩니다. 측정항목은 완료된 작업과 고객에 대한 관련 결과를 나타내야 합니다.

Rovemark가 제안한 프로토콜은 기준선에서 시작하여 수요와 복잡성의 변화를 기록합니다. 가능하다면 사람들이 통제되지 않은 중요한 결정에 노출되지 않도록 계획된 방식으로 유사한 그룹이나 대체 사용 조건을 비교하십시오. 기록에는 검토 시간, 재작업, 템플릿 및 도구 비용, 오류, 중단 및 교육이 포함되어야 합니다. 예외적인 감독에 따른 긍정적인 결과는 운영이 성장함에 따라 지속되지 않을 수도 있습니다. 문제는 이득이 일상적인 사용에도 유지되는지 여부입니다.

모니터링에는 팀 내 배포가 포함되어야 합니다. 초보자와 전문가는 다르게 반응할 수 있습니다. 평균은 드문 작업이나 특정 요구 사항이 있는 고객의 악화를 숨길 수 있습니다. 보상, 작업량 및 자율성도 준수해야 할 결과이며, 개인 데이터 보호 및 액세스는 필요에 비례합니다. 분석은 개인 평가를 위한 불투명한 메커니즘이 되어서는 안 됩니다. 집계된 지표와 사용 규칙을 게시하면 직원 참여에 더 많은 정보를 제공하는 데 도움이 됩니다.

이는 제안된 프로토콜이지 Rovemark가 이미 수행한 실험 목록이 아닙니다. 자체 연구를 수행하려면 참여 기관, 결과에 대한 사전 정의, 동의 및 적절한 데이터베이스가 여전히 필요합니다. 의도된 기여는 운영 증거를 분배 결과에 연결하는 것입니다. 특정 도구가 팀의 일부를 대체한다고 발표하는 대신 어떤 작업이 개선되었는지, 어떤 작업이 실패했는지, 전체 비용은 얼마인지, 누가 혜택을 받았는지 보여주고 싶습니다. 이는 논의가 가능하고 가능하다면 재현할 수 있는 결과입니다.

무엇이 우리의 결론을 바꾸게 될까요?

다양한 맥락에서 추가적인 메커니즘 없이도 소득과 삶의 질이 향상되면 생산성 향상이 확산된다는 일관된 증거가 나타나면 우리의 입장은 바뀔 것입니다. 탄탄한 연구에서 관찰된 전환 능력보다 더 큰 규모의 지속적인 일자리 및 소득 손실이 나타나는 경우에도 상황은 바뀔 것입니다. 두 경우 모두 AI의 영향을 수요, 경제 주기 및 기타 기술의 변화와 분리해야 합니다. 메커니즘 식별이 없는 집계된 숫자는 이 속성을 해결하지 않습니다.

기본소득에 관해 관찰된 자금조달 및 시장 반응과 함께 더 길고 광범위한 프로그램 결과는 개별 시범사업이 다루지 못하는 불확실성을 줄이는 데 도움이 될 것입니다. 평가에서는 개선된 기존 시스템을 포함한 실제 대안을 비교하고 누가 승자와 패자를 보여주어야 합니다. 또한 고용 외 활동이 비생산적이거나 모든 바람직한 효과가 이미 입증되었다고 가정하지 않고 돌봄, 건강, 교육 및 선택의 자유에 대한 증거가 필요합니다.

제목의 질문은 의도적으로 개방형으로 유지됩니다. 출처는 기술 노출, 생산성 및 노동 공급이 측정 가능하지만 다른 현상임을 보여줍니다. 그들은 고용 종료 날짜나 모든 국가에서 자금을 조달할 수 있는 보편적 가치를 승인하지 않습니다. 우리의 편집 결론은 완전한 이득과 그 분포를 측정하는 것을 우선시한다는 것입니다. 이 의제의 품질은 전제를 논쟁 가능하게 만들고 이것이 Rovemark 자체의 상업적 이익에 반하는 경우를 포함하여 내러티브를 수정하기 위한 새로운 결과를 허용하는 데 달려 있습니다.