0.001% 오류의 허상을 넘어: 엔터프라이즈 생성형 AI의 아키텍처 무결성과 규제 책무성

생성형 인공지능의 산업화는 급속한 배포에 대한 초기 열광이 규제 심사와 기술적 한계라는 냉정한 현실로 대체되는 중대한 변곡점에 도달했다. 2024년 9월, 댈러스에 본사를 둔 헬스케어 특화 AI 기업 Pieces Technologies와 텍사스 검찰총장이 획기적인 합의에 이르면서 AI 책무성의 지형이 근본적으로 바뀌었다.¹ 집행 조치의 핵심은 자사 임상 문서화 소프트웨어의 "중대 환각률(critical hallucination rate)"이 0.001% 미만이라고 회사가 주장한 데 있었으며, 주 당국은 이 지표가 부정확하고 기만적이라는 혐의를 제기했다.³ 이 사건은 단순한 마케팅 실패가 아니라, "래퍼 기반(wrapper-based)" AI 전략에 내재된 위험에 대한 시스템적 진단이며, 통계적 과장보다 아키텍처 무결성을 우선하는 딥 AI 솔루션으로의 전환이 필요함을 부각한다.

엔터프라이즈 리더십과 기술 아키텍트에게 Pieces Technologies 사건은 AI 거버넌스의 진화하는 기준에 대한 청사진을 제공한다. 해당 소프트웨어는 Houston Methodist, Children's Health System of Texas, Texas Health Resources, Parkland Hospital & Health System을 포함해 텍사스 내 최소 네 곳의 주요 병원에 배포되어 환자 차트 요약, 임상 노트 초안 작성, 퇴원 장애 요인 추적에 활용되었다.⁴ 이처럼 고위험 환경에 AI 시스템이 통합될 때, 오차 여유는 단순한 통계적 호기심이 아니라 임상 안전과 공익의 문제이다.¹ 본 백서는 이러한 전환의 기술적·법적·운영적 차원을 탐구하며, 단순한 API 추상화를 넘어 검증 가능하고 깊게 통합된 지능으로 나아가는 AI 시스템을 기업이 평가·구현·모니터링하기 위한 엄격한 프레임워크를 제시한다.

0.001퍼센트 주장의 기술적 해부

10만 분의 1보다 낮은 환각률 주장은 대규모 언어 모델(LLM)의 맥락에서 수학적으로나 운영적으로나 중대하다. LLM은 본질적으로 결정론적 논리가 아니라 학습된 패턴에 기반해 토큰을 예측하는 확률적 엔진이다. 이 과정의 수학적 토대는 시퀀스의 조건부 확률에 의존하며, 생성된 출력의 우도는 해당 시퀀스 내 각 개별 토큰 확률의 곱이다.⁸ 이 관계는 다음과 같이 표현할 수 있다:

이 식에서 는 입력 프롬프트를, 는 -번째로 생성된 토큰을, 는 모델의 매개변수를 나타낸다.⁸ 환각은 모델이 입력 컨텍스트에 비추어 사실적으로는 틀렸지만 언어적으로는 그럴듯한 토큰에 높은 확률을 부여할 때 발생한다. 이러한 오류를 0.001%의 정밀도로 측정하려면 극히 대규모이고 완벽하게 주석이 달린 "골드 스탠더드" 데이터셋이 필요한데, 임상 요약처럼 고도로 파편화되고 특이성이 강한 영역에는 현재 그러한 데이터셋이 존재하지 않는다.⁴

텍사스 검찰총장 수사는 Pieces Technologies가 제품을 광고하는 데 사용한 지표가 "부정확할 가능성이 크다"고 결론지었으며, 이는 도구의 안전성과 정확성에 대해 병원 고객을 잠재적으로 오도할 수 있다고 보았다.⁴ 회사는 자사의 독점 "SafeRead" 플랫폼과 환각을 표시하기 위한 적대적 AI 사용을 들어 오류율을 방어했으나, 규제 당국은 이러한 지표가 어떻게 정의되고 계산되는지에 대한 투명성 부족에 초점을 맞추었다.⁴ 이는 업계의 근본적인 긴장을 드러낸다. 벤더는 종종 엔터프라이즈급 검증에 필요한 엄격성과 독립성이 결여된 내부 벤치마크를 개발한다.¹

임상 AI의 비교 성능 지표

지표 유형	표준 정의	Pieces 사건에서의 주장	규제 기대
중대 환각률	임상적 위해로 이어질 수 있는 오류를 포함한 출력의 비율.	<0.001%(또는 10만 건당 <1).1	독립적인 제3자 감사로 입증.11
심각한 환각률	날조된 의학적 사실이나 진단을 포함한 출력의 비율.	<0.001%.3	지표의 "의미 또는 정의"에 대한 명확한 공개.1
검색 정밀도	검색된 전체 문서 대비 관련 문서의 비율.	백분율로 명시적으로 마케팅되지 않음.	정확성을 주장하는 데 사용된 경우 반드시 공개해야 함.11
충실성/그라운딩	응답이 제공된 컨텍스트에서만 도출되는 정도.	적대적 AI를 통해 관리.9	이러한 측정을 계산하는 데 사용된 방법의 공개.11

규제 프레임워크 해체: 텍사스 검찰총장 합의

2024년 9월에 최종화된 이 합의는 텍사스 기만적 거래 관행–소비자 보호법(DTPA)에 따라 기만적 마케팅 관행으로 헬스케어 생성형 AI 기업을 대상으로 한 최초의 사례였다.¹ 엔터프라이즈 리더가 인식해야 할 점은, 검찰총장이 조치를 취하기 위해 새로운 AI 특화 입법을 필요로 하지 않았다는 것이다. 기존의 소비자 보호 및 개인정보 보호법만으로도 주장된 허위 표시를 다루기에 충분했다.¹⁰

Pieces Technologies가 체결한 자발적 준수 확약(AVC)은 5년간의 강화된 투명성과 공개를 의무화한다.¹¹ 이 법적 수단은 AI 기업이 고객 및 대중과 어떻게 상호작용해야 하는지에 대한 중요한 선례가 된다. 가장 중요한 요건 중 하나는 회사가 현재 및 미래 모든 고객에게 제품의 "알려졌거나 합리적으로 알 수 있는 유해하거나 잠재적으로 유해한 사용 또는 오용"에 대해 "명확하고 눈에 띄는 공개"를 제공해야 한다는 것이다.¹ 이는 위험의 부담을 병원에서 벤더로 옮기며, 벤더가 기술 한계를 선제적으로 식별하고 전달할 것을 요구한다.

또한 합의는 Pieces가 제품 학습에 사용된 구체적인 데이터와 모델, 그리고 광고된 성능 지표를 계산하는 데 사용된 방법론을 공개하도록 요구한다.¹ 이 수준의 투명성은 임상 직원이 환자 치료를 위해 AI 생성 문서에 안전하게 의존할 수 있는 범위를 이해하도록 설계되었다.¹⁰ 합의는 또한 이러한 지표를 검증하기 위해 독립적인 제3자 감사인을 선임하는 대안을 허용하며, 이는 고위험 AI 조달에서 표준 요건이 될 가능성이 큰 관행이다.¹¹

자발적 준수 확약(AVC)에 따른 주요 의무

의무	설명	의도된 결과
지표 투명성	모든 정확성 벤치마크에 대한 정의와 계산 방법을 공개.1	독점적이거나 오해의 소지가 있는 성공 지표의 사용을 방지.
위험 공개	"알려졌거나 합리적으로 알 수 있는" 유해한 사용을 고객에게 통지.2	임상 및 운영 직원의 정보에 입각한 의사결정을 가능케 함.
학습 공개	사용된 학습 데이터와 모델 유형에 대한 문서 제공.1	모델 관찰 가능성과 설명 가능성 향상.
준수 모니터링	검찰총장의 정보 요청에 30일 이내 응답.12	5년간 합의 조건에 대한 지속적 준수 보장.

래퍼 모델의 허상과 딥 AI로의 전환

Pieces Technologies 사건은 엔터프라이즈 환경에서 "래퍼" 모델의 본질적 취약성을 드러낸다. 래퍼 모델은 일반적으로 사용자 프롬프트를 파운데이션 모델 API(예: OpenAI의 GPT-4)로 전송하고, 최소한의 도메인 특화 처리나 그라운딩만으로 반환된 응답을 표시하는 소프트웨어 애플리케이션을 가리킨다.¹⁶ 이 접근법은 빠른 시장 진입을 가능하게 하지만, 환각·데이터 유출·프롬프트 인젝션 공격을 완화하는 데 필요한 기술적 안전장치가 부족하다.¹⁸

이와 대조적으로, 딥 AI 솔루션은 검색 증강 생성(RAG), 도메인 특화 코퍼스에 대한 파인튜닝, 다층 휴먼인더루프(HITL) 감독 등의 기법을 사용해 모델을 기업의 핵심 데이터 패브릭에 통합한다.⁸ Veriprajna는 이러한 딥 솔루션 제공자로 자리매김하며, "리팩토링 장벽(Refactoring Wall)"이 종종 범용 LLM이 복잡한 엔터프라이즈 워크플로에서 컨텍스트를 유지하지 못하게 한다는 점을 인식한다.¹⁹ 예를 들어, 연구에 따르면 개발자의 65%가 복잡한 리팩토링 작업 중 AI가 "관련 컨텍스트를 상실한다"고 보고하며, 이는 미묘한 버그나 아키텍처 불일치의 도입으로 이어진다.¹⁹

래퍼 모델의 위험은 전자건강기록(EHR)의 복잡성과 임상 커뮤니케이션의 뉘앙스가 환각 성향을 높일 수 있는 헬스케어에서 증폭된다.⁹ 범용 모델에 대한 단순한 API 호출은 환자의 종단적 이력이나 특정 의사의 작성 스타일을 반영할 수 없다.²¹ 임상 안전에 요구되는 정확성 수준을 달성하려면, 모델을 특정 유닛·전문과·심지어 개별 의사 수준까지 맞춤화하는 "스컬프티드 AI(Sculpted AI)"를 사용해야 한다.⁵ 이는 실시간 환자 기록에 대해 콘텐츠를 검증하기 위해 다중 모델과 임상 지식 그래프의 정교한 오케스트레이션을 요구한다.⁹

위험 비교: 래퍼 vs. 딥 AI 통합

위험 요인	래퍼 모델 프로파일	딥 AI 솔루션 프로파일
컨텍스트 유지	모델의 토큰 윈도우와 외부 메모리 부재로 제한됨.	RAG와 장기 벡터 저장을 통해 강화.19
데이터 포이즈닝	외부 출처의 조작된 입력에 취약.18	입력 정화와 선별된 학습 세트를 통해 완화.18
환각 통제	파운데이션 모델의 일반적 안전장치에 의존.	적대적 탐지와 임상 지식 그래프를 구현.9
보안/컴플라이언스	종종 제3자 제공자로의 데이터 전송을 수반.	로컬 인프라 내 주권 AI 배포를 지원.23

고위험 AI를 위한 평가 프레임워크

측정 가능한 영향 부재로 투자가 조용히 기대에 미치지 못하는 AI 구현의 "침묵의 실패"를 넘어서려면, 기업은 엄격한 평가 프레임워크를 채택해야 한다.²⁴ 생성형 AI의 급속한 확산이 표준 지표 개발을 앞질러, 민감도와 특이도와 같은 기초 기술 지표에 의존하게 되었는데, 이는 실제 임상 영향을 포착하지 못하는 경우가 많다.²⁵

Med-HALT(Medical Domain Hallucination Test)는 헬스케어 LLM을 위해 특별히 설계된 이러한 벤치마크 중 하나이다. 단순한 정확도 점수를 넘어, 의학 시험에서 도출된 다국적 데이터셋을 통해 추론 기반 및 기억 기반 환각을 모두 평가한다.²⁷ 예를 들어, Med-HALT의 "거짓 확신 테스트(False Confidence Test, FCT)"는 모델이 무작위로 제시된 "정답"의 타당성을 평가할 수 있는지 측정하며, 잘못된 정보에 직면했을 때 과신을 거부하는 능력을 시험한다.²⁷ 마찬가지로, "해당 없음(None of the Above, Nota)" 테스트는 제공된 선택지가 틀렸을 때를 식별하도록 모델에 도전하며, 이는 "강제된" 환각을 피하는 데 중요한 기술이다.²⁸

또 다른 포괄적 접근은 헬스케어의 FAIR-AI(Framework for the Appropriate Implementation and Review of AI)이다. 이 프레임워크는 임상 평가를 검증, 형평성, 유용성, 투명성 등의 영역으로 조직한다.²⁵ 이는 최종 사용자를 위한 정보를 통합하는 "AI 라벨" 작성을 의무화하여, 도구를 사용하는 임상의가 그 기원과 알려진 실패 모드를 이해하도록 한다.²⁵ 이러한 구조적 투명성은 책임 있는 AI 배포의 초석이다.

Med-HALT 평가 프레임워크의 핵심 구성 요소

테스트 양식	목적	메커니즘
추론: 거짓 확신	오답에 대한 과신 탐지.27	틀렸지만 "제안된" 답이 있는 질문을 제시.
추론: 가짜 질문	무의미한 질의를 적절히 처리.27	조작되었거나 논리적으로 불가능한 의학 질문으로 테스트.
기억: PMID-to-Title	학습 데이터로부터의 사실 회상 검증.27	PubMed ID를 제공하고 정확한 논문 제목을 요청.
기억: Title-to-Link	링크/출처 생성 정확성 평가.27	제목을 제공하고 검증 가능한 URL 또는 DOI를 요청.
추론: Nota 테스트	올바른 정보의 부재 식별.27	정답이 "None of the Above"인 객관식 질문을 제공.

고도 완화: 적대적 AI와 휴먼인더루프

텍사스 검찰총장의 주장에 대한 Pieces Technologies의 방어는 "적대적·협력적 AI"와 휴먼인더루프(HITL) 시스템의 사용에 중심을 두었다.⁵ 주장된 비율은 쟁점이 되었으나, 한 AI 모델이 다른 모델을 감시하는 전략은 딥 AI 아키텍처의 핵심 구성 요소이다. 이는 AI 출력과 기저 임상 데이터 간의 불일치를 식별하기 위해 생성된 요약을 스캔하는 적대적 탐지 모듈(ADM)을 포함한다.⁹

Pieces의 "SafeRead" 플랫폼에서 ADM이 표시한 요약은 보드 인증 의사의 검토와 교정을 위해 회부된다.⁹ 이는 고위험 출력이 인간 검증 없이 최종 사용자에게 제시되지 않는 계층형 안전 모델을 만든다. 이 시스템에 대한 기술 분석은 ADM이 무작위 샘플링보다 임상적으로 유의한 환각을 식별하는 데 7.5배 더 효과적임을 보여주었다.⁹ 이는 적절히 구성된 ADM이 AI 생성 임상 문서화를 안전하게 확장하기 위한 필수 구성 요소임을 시사한다.

그러나 HITL 시스템의 효능은 "유효 교정 시간(Effective Remedy Time)"—표시된 오류가 교정될 수 있는 속도—에 달려 있다. Pieces가 분석한 요약의 경우, 중앙값 교정 시간은 3.7시간이었다.⁹ 급성 치료 환경에서 이 지연은 경과 기록에는 허용될 수 있으나, 실시간 의사결정 지원에는 치명적일 수 있다. 이는 기업이 위험과 필요한 개입 속도에 따라 AI 사용 사례를 계층화해야 할 필요성을 부각한다.

헬스케어를 위한 AI 안전 수준(ASL) 프레임워크

수준	설명	예시 사용 사례	감독 요건
ASL 1-2	안전이나 프라이버시에 대한 위험이 최소인 저영향 작업.	행정 이메일 초안 작성 또는 일정 조율.31	주기적 감사와 표준 데이터 프라이버시 통제.
ASL 3	중간 영향; 임상 또는 운영 결정을 지원.	경과 기록을 위한 문서화 어시스턴트.31	의무적 임상의 검토와 투명성 로그.25
ASL 4	고영향; 직접적인 환자 치료나 안전에 영향.	재입원 또는 재발에 대한 예측 위험 점수.31	설명 가능한 출력과 휴먼인더루프 검증.31
ASL 5	중대 영향; 환자와의 자율적 상호작용.	위기 개입 또는 치료를 위한 챗봇.31	에스컬레이션 프로토콜과 사용 범위에 대한 엄격한 가드레일.31

엔터프라이즈 AI ROI의 전략적 현실: 5% 규칙

생성형 AI의 약속은 종종 그 경제적 현실과 괴리되어 있다. 연구에 따르면 엔터프라이즈 투자는 막대하지만, 규모에서 측정 가능한 비즈니스 가치를 달성하는 기업은 5%에 불과하다.¹⁹ 이러한 "리더"는 기술적 역량만이 아니라 데이터 품질과 인력 재설계에 집중함으로써 차별화된다.¹⁹ 이들은 구현에 "70:20:10" 규칙을 따른다. 노력의 10%는 알고리즘에, 20%는 기술 스택에, 70%는 조직 전환에 할애된다.¹⁹

Veriprajna와 같은 기업에게 가치는 이 격차를 메우는 데 있다. 이는 사용 사례당 비용을 최대 15%까지 절감한 것으로 나타난 플랫폼 주도 AI로의 전환을 포함한다.²⁴ 플랫폼 접근은 통일된 거버넌스를 가능하게 하여, 복잡성과 위험을 높이는 "AI 섬"의 생성을 방지한다.²⁴ 또한 "구매 vs. 구축" 결정은 중대하다. 벤더로부터 특화 AI 도구를 구매하는 기업의 성공률은 67%인 반면, 처음부터 내부 도구를 구축하려는 기업의 성공률은 33%에 불과하다.¹⁹ 이는 AI의 엔터프라이즈 가치가 새로운 모델 창출이 아니라, 기존 특화 모델을 거버넌스된 워크플로에 깊게 통합함으로써 실현됨을 시사한다.

AI 리더와 후발 주자의 ROI 차별 요인

요인	리더(상위 5%)	후발 주자(하위 95%)
데이터 전략	확장 전 데이터 품질과 거버넌스에 대한 집중 투자.19	지저분하거나 사일로화된 데이터 위에 모델 확장.19
성공 지표	비즈니스 성과와 P&L 영향에 집중.19	기술적 역량과 파일럿 규모에 집중.19
인력 전략	역할과 워크플로의 광범위한 재설계.19	역할 변경 없이 AI 숙련도/교육에만 집중.23
통합 모델	설계부터 안전한(secure-by-design) 원칙의 모듈형, 클라우드 네이티브 플랫폼.23	일관되지 않은 감독의 파편화·고립된 AI 프로젝트.24

결론: 회복력 있는 AI 구현을 위한 로드맵

Pieces Technologies와의 텍사스 검찰총장 합의는 헬스케어 및 고위험 엔터프라이즈 부문에서 AI의 투기적 시대의 종말을 의미한다. 이는 명확한 법적·기술적 기준을 확립한다. 정확성을 마케팅한다면, 투명성을 갖고 이를 정의·계산·입증할 수 있어야 한다.¹ 기업에게 이는 범용 LLM 래퍼에서 벗어나 안전과 검증 가능성을 우선하는 딥·통합 AI 솔루션으로의 이동을 필요로 한다.

이를 달성하기 위해 조직은 다음의 전략적 과제를 구현해야 한다:

●​ 다계층 평가 전략 수립: Med-HALT 및 FAIR-AI와 같은 프레임워크를 사용해 도메인 특화 임상·운영 요구에 대해 모델 성능을 벤치마킹한다.²⁵

●​ 투명성 운영화: 배포된 모든 도구에 대해 "AI 라벨" 또는 모델 카드를 개발하여, 학습 데이터·모델 버전·알려진 실패 모드를 최종 사용자에게 공개한다.²⁵

●​ 적대적 통제 통합: EHR 기록이나 재무 원장과 같은 기업의 "그라운드 트루스" 데이터에 대해 AI 출력을 검증하는 독립적 탐지 모듈을 구현한다.⁹

●​ 인간 감독 우선: 모든 고위험 사용 사례에 대해 엄격한 휴먼인더루프 요건을 유지하여, 임상의나 도메인 전문가가 AI의 영향을 받은 결정의 최종 권한자가 되도록 한다.²⁰

●​ 플랫폼 수준 거버넌스 채택: 고립된 파일럿을 넘어 품질·상호운용성·설계부터 안전(security-by-design)에 대한 엔터프라이즈 표준을 강제하는 통합 AI 플랫폼으로 이동한다.²³

이러한 원칙을 수용함으로써, 기업은 진화하는 규제 환경을 헤쳐 나가면서 생성형 AI의 변혁적 잠재력을 포착할 수 있다. 목표는 더 이상 단지 텍스트를 생성하는 것이 아니라, 안전하고 지속 가능하며 엄격한 기술적 무결성으로 뒷받침되는 가치를 생성하는 것이다. Veriprajna는 파트너가 이 전환을 완수하도록 안내할 준비가 되어 있으며, AI 구현이 마케팅에서는 "매우 정확하다"고만 하지 않고 실제로는 입증 가능하게 회복력 있도록 보장한다.

참고문헌

1. AI Firm Reaches Settlement With Texas Attorney General Over Misleading Accuracy Claims, 2026년 2월 6일 열람, https://www.bakerdonelson.com/ai-firm-reaches-settlement-with-texas-attorney-general-over-misleading-accuracy-claims

2. Rising AI Enforcement: Insights From State Attorney General ... - Sidley, 2026년 2월 6일 열람, https://www.sidley.com/en/insights/newsupdates/2024/12/rising-ai-enforcement-insights-from-state-attorney-general-settlement-and-us-ftc-sweep

3. Takeaways From Texas AG's Novel AI Health Settlement - Troutman Pepper Locke, 2026년 2월 6일 열람, https://www.troutman.com/insights/takeaways-from-texas-ags-novel-ai-health-settlement/

4. Texas attorney general, generative AI company settle over accuracy allegations, 2026년 2월 6일 열람, https://www.healthcaredive.com/news/texas-attorney-general-ken-paxton-settles-pieces-technologies-generative-ai-accuracy/727699/

5. Pieces Pioneers “Sculpted AI” for Health Systems using Amazon Bedrock, 2026년 2월 6일 열람, https://www.piecestech.com/media/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock

6. Pieces Pioneers "Sculpted AI" for Health Systems using Amazon Bedrock - PR Newswire, 2026년 2월 6일 열람, https://www.prnewswire.com/news-releases/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock-301987253.html

7. Texas attorney general, healthcare gen AI company settle ..., 2026년 2월 6일 열람, https://www.fiercehealthcare.com/ai-and-machine-learning/texas-ag-pieces-technologies-settle-allegations-inaccurate-generative-ai

8. LLM Hallucination Detection and Mitigation: Best Techniques - Deepchecks, 2026년 2월 6일 열람, https://www.deepchecks.com/llm-hallucination-detection-and-mitigation-best-techniques/

9. System to Classify, Detect and Prevent Hallucinatory Error in Clinical ..., 2026년 2월 6일 열람, https://cdn.prod.website-files.com/6697ef98eaaeed02377be5ef/678060c7be019cd6a113ebbc_Pieces%20Technical%20Paper%20V11.13-combined.pdf

10. Lessons From Texas' Healthcare Generative AI Investigation - Securiti, 2026년 2월 6일 열람, https://securiti.ai/lessons-from-texas-healthcare-generative-ai-investigation/

11. Texas Attorney General Reaches Novel Generative AI Settlement ..., 2026년 2월 6일 열람, https://www.orrick.com/en/Insights/2024/09/Texas-Attorney-General-Reaches-Novel-Generative-AI-Settlement

12. Texas Attorney General Settles with Healthcare AI Firm Over False Claims on Product Accuracy and Safety | Privacy World, 2026년 2월 6일 열람, https://www.privacyworld.blog/2024/09/texas-attorney-general-settles-with-healthcare-ai-firm-over-false-claims-on-product-accuracy-and-safety/

13. Texas Attorney General Settles Deceptive Marketing Allegations ..., 2026년 2월 6일 열람, https://www.manatt.com/insights/newsletters/client-alert/texas-attorney-general-settles-deceptive-marketing

14. Top 5 Tools to Evaluate RAG Performance in 2026 - Maxim AI, 2026년 2월 6일 열람, https://www.getmaxim.ai/articles/top-5-tools-to-evaluate-rag-performance-in-2026/

15. Texas Attorney General Obtains Settlement of Alleged False and Misleading Statements About Healthcare Artificial Intelligence Product Accuracy - Quarles, 2026년 2월 6일 열람, https://www.quarles.com/newsroom/publications/texas-attorney-general-obtains-settlement-of-alleged-false-and-misleading-statements-about-healthcare-artificial-intelligence-product-accuracy

16. AI Fire Daily - Rss, 2026년 2월 6일 열람, https://media.rss.com/ai-fire-daily/feed.xml

17. Impact Measurement Platforms Market in China | Report - IndexBox - Prices, Size, Forecast, and Companies, 2026년 2월 6일 열람, https://www.indexbox.io/store/china-impact-measurement-platforms-market-analysis-forecast-size-trends-and-insights/

18. Engaging with artificial intelligence | Cyber.gov.au, 2026년 2월 6일 열람, https://www.cyber.gov.au/business-government/secure-design/artificial-intelligence/engaging-with-artificial-intelligence

19. Enterprise AI ROI Analysis Report: What Actually Works in 2025 | by Xue Langping, 2026년 2월 6일 열람, https://ai.plainenglish.io/enterprise-ai-roi-analysis-report-what-actually-works-in-2025-87b6f35a7841

20. Reducing Hallucinations in Large Language Models for Healthcare - Cognome, 2026년 2월 6일 열람, https://cognome.com/blog/reducing-hallucinations-in-large-language-models-for-healthcare

21. Pieces Technologies Unveils Pieces in Your Pocket, 2026년 2월 6일 열람, https://www.piecestech.com/products/pieces-in-your-pocket

22. Puzzle Solved: How GenAI Improves Clinical Documentation - Healthcare Huddle, 2026년 2월 6일 열람, https://www.healthcarehuddle.com/p/puzzle-solved-genai-improves-clinical-documentation

23. The State of AI in the Enterprise - 2026 AI report | Deloitte US, 2026년 2월 6일 열람, https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html

24. Build vs. Buy: Expert Guidance on Scaling Enterprise AI | Kore.ai + BCG Whitepaper, 2026년 2월 6일 열람, https://www.kore.ai/whitepaper/bcg-beyond-ai-islands

25. A practical framework for appropriate implementation and review of ..., 2026년 2월 6일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC12340025/

26. AI for IMPACTS Framework for Evaluating the Long-Term Real-World Impacts of AI-Powered Clinician Tools: Systematic Review and Narrative Synthesis - PMC, 2026년 2월 6일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC11840377/

27. Med-HALT: Medical Domain Hallucination Test for Large Language Models - GitHub, 2026년 2월 6일 열람, https://github.com/medhalt/medhalt

28. Medical Hallucination in Foundation Models and Their Impact on Healthcare - arXiv, 2026년 2월 6일 열람, https://arxiv.org/html/2503.05777v2

29. MedVH: Toward Systematic Evaluation of Hallucination for Large Vision Language Models in the Medical Context - NIH, 2026년 2월 6일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC12363988/

30. Pieces Technologies Awarded $2M From National Cancer Institute, Part of the National Institutes of Health, to Advance Use of Conversational AI to Improve the Care of Cancer Patients, 2026년 2월 6일 열람, https://www.piecestech.com/media/pieces-technologies-awarded-2m-from-national-cancer-institute-part-of-the-national-institutes-of-health-to-advance-use-of-conversational-ai-to-improve-the-care-of-cancer-patients

31. AI Safety in Healthcare: Applying the ASL Framework to Responsible Innovation - Netsmart, 2026년 2월 6일 열람, https://www.ntst.com/blog/2025/ai-safety-in-healthcare

32. Are You Generating Value from AI? The Widening Gap | BCG, 2026년 2월 6일 열람, https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap

33. E-Briefings – Volume 22, No. 2, March 2025 - The Governance Institute, 2026년 2월 6일 열람, https://www.governanceinstitute.com/page/EBriefings_V22N2Mar2025