| 구분 | 정의 | 내용 |
|---|
| 위험 유형 | 오류 행동 | 부정확한 행동(잘못된 계획·결함 코드 삽입)에 의해 발생하는 피해 |
| 무단 행동 | 내부 정책·운영 절차·인간 승인 없이 허용 범위·권한을 벗어난 행동 |
| 편향·불공정 행동 | 잘못된 정보(업체 선정, 채용 결정 등)에 의해 불공정한 결과 초래 |
| 데이터 침해 | 개인정보·기밀 정보 등의 노출 혹은 조작·수정으로 이어지는 행동 |
| 연결된 시스템의 장애 | 외부 시스템 상호작용 중 침해·손상·오작동시 시스템 장애 유발 |
| 관리 지침 | 사전 위험평가 및 제한 | 에이전트 배포 전 위험 수준 평가, 도구·권한·자율성 범위 사전 정의 |
| 인간 책임 확보 | 고위험·되돌릴 수 없는 행동에 대한 인간 승인 체크포인트 정의 |
| 기술적 통제 | 개발·배포·운영 전 주기에 걸친 접근 제어·가드레일·모니터링 구현 |
| 최종 사용자 책임 | 에이전트 역량·데이터 접근 범위·사용자 책임에 대한 고지 및 교육 |
[ 참고 ] 지침 세부 내용
관리 포인트 ① 사전 위험 평가 및 제한 – 사전 설계 통제
· 위험의 가능성과 영향에 영향을 미칠 수 있는 에이전트 특화 요소를 고려하여 에이전트 배포에 적합한 사용 사례를 결정한다.
관리 포인트 ② 인간 책임 확보 – 의미 있는 인간 감독
· 고위험 또는 되돌릴 수 없는 행동과 같이 인간 승인이 필요한 에이전트 워크플로우의 중요 체크포인트를 정의한다.
· 자동화 편향, 즉 특히 과거에 안정적으로 작동했을 때 자동화 시스템을 과도하게 신뢰하는 경향.
관리 포인트 ③ 기술적 통제 – 기술적 안전장치
· 강력한 인증 및 권한 부여를 통해 각 에이전트가 사용할 수 있는 도구를 제한하는 최소 권한 원칙을 적용한다.
· 배포 후 에이전트 행동을 지속적으로 모니터링하고 기록하며, 에이전트 장애 또는 예상치 못한 행동에 대한 보고 및 안전장치 메커니즘을 수립한다.
관리 포인트 ④ 최종 사용자 책임 – 사용자 인식·통제
· 사용자는 에이전트의 역량(예: 사용자 데이터에 대한 에이전트의 접근 범위, 에이전트가 취할 수 있는 행동)에 대해 고지받아야 한다. |
※ 출처 : IMDA, MGF(’26.1.22.)
□ 미국, AI 위험관리 프레임워크(AI RMF)*
* AI Risk Management Framework
ㅇ 미국 국립표준기술연구소(NIST)가 개발한 AI RMF는 범용 AI 위험 관리 구조를 제시하는 지침으로, AI 발전에 대응하기 위해 지속적인 지침 개발에 노력 중
① AI RMF 1.0(’23.1.)
- 4대 기능(거버넌스·파악·측정·관리) 중심 범용 AI 위험 관리 지침으로, AI 시스템의 행동을 배포 시점에 파악·문서화 할 수 있다는 전제하에 설계
② AI RMF 600-1(’24.7.)
- 당시 바이든 대통령의 행정명령(EO 14110)에 따라 생성형 AI에 특화된 12가지 고유 위험(환각, 프라이버시, 정보 무결성·보안, 지식재산 등)을 추가한 확장 지침
③ AI Agent Standards Initiative(’26.2.17.)
- AI 에이전트에 대한 표준화를 시작하겠다는 선언으로, △ 에이전트의 안전한 작동 △ 원활하게 상호 운용되는 생태계 조성 △ 미국의 주도권 확보를 목표로 함
④ AI RMF Profile 개념노트(’26.4.7.)
- 주요 기반시설 분야 대상 AI 에이전트를 포함한 AI 위험 관리 방법 안내서 개발 착수
- AI 시스템을 중심으로 정의된 개념노트로, 에이전트를 다루는 비중은 낮으나, 신뢰성 요건을 다루는 첫 구체화 시도
[ 표 3-4 ] 미국, AI RMF 신뢰성 확보 관련 지침
| 구분 | 연결 포인트 | 내용 |
|---|
| 거버넌스(Govern) | 조직 통제 | 조직 전반의 AI 책임 문화·구조·공급망 관리 |
| 측정(Measure) | 지속 모니터링 | 신뢰성 특성 평가 및 시간 경과에 따른 위험 추적 |
| 관리(Manage) | 개입·중단 | 의도와 불일치하는 AI 시스템 중단·비활성화 메커니즘 마련 |
[ 참고 ] 지침 세부 내용(업데이트 포함)
거버넌스(Govern) 범분야적 문화, 구조, 책임성, 재고 관리, 공급망, 이해관계자 참여
↳(600-1) 식별된 위험에 비례하여 평가의 유형과 견고성을 갖춘 GAI(GEN AI) 시스템 감독을 강화하는 정책이 마련되어야 한다.
측정(Measure) 측정 기준 및 방법 선택, 각 신뢰성 특성 평가, 시간 경과에 따른 위험 추적, 측정 자체의 효과성 평가
관리(Manage) 위험 우선순위 설정, 치료 방안 정의, 대응 및 복구 계획 수립, 잔여 위험 관리, 제 3자 요소 모니터링, 지속적인 개선
↳(600-1) 의도된 사용과 일치하지 않는 성과를 보이는 AI 시스템을 중단, 해제 또는 비활성화 하는 메커니즘이 마련되어야 한다. |
※ 출처 : NIST AI RMF 1.0(’23.1.), 600-1(’24.7.)
| 04 | 신뢰 기반 자율성 확보를 위한 설계 수단 |
| --- | --- |
| 1 | | 에이전트의 실행 환경을 설계하는 하네스 엔지니어링 |
| --- | --- | --- |
□ 등장배경
ㅇ 에이전트가 실제 업무 수행에 활용되며 반복적으로 발생하는 오류를 AI 모델이나 프롬프트 수정만으로 해결하는 데 한계가 있다는 인식 확산
- 이에 따라 에이전트의 신뢰 가능한 자율성을 확보하고 예측 가능한 작업을 수행할 수 있도록 실행 환경을 설계하는 접근 방식의 필요성 부각
ㅇ HashiCorp 공동창업자 미첼 하시모토(Mitchell Hashimoto)는 AI 에이전트의 행동을 통제하기 위한 실행 환경 설계 개념으로 하네스 엔지니어링(Harness Engineering)을 제안
[참고] AI를 효율적으로 활용하기 위한 방법을 탐구하던 중 도출한 설계법에 대해 ‘하네스 엔지니어링’이라 명명
① 챗봇기반 작업 한계 도달 ② AI 작업 과정 수작업 구현 ③ 작업원리 이해 후 AI에 자율 작업 단계적 부여 ④ 작업 중 발생하는 실수 인식 및 보완·설계 ⑤ 이를 반복하며 안정적 에이전트 동작 환경 구축
용되는 용어가 있는지는 모르겠지만 저는 이걸 ‘하네스 엔지니어링’이라고 부릅니다. 에이전트가 실수를 저지를 때마다, 그 실수를 다시는 반복하지 않도록 솔루션을 설계하는데 시간을 투자 하는 것을 의미합니다.”
※ 출처 : Mitchell Hashimoto(’26.2.5.), My AI Adoption Journey
□ 기존 접근 방식과의 차이
ㅇ AI 설계 개념은 프롬프트 엔지니어링(’23\~’24), 컨텍스트 엔지니어링(’25)을 거쳐 하네스 엔지니어링(’26)으로 진화
- 이처럼 AI 설계 개념의 초점은 출력 최적화 → 맥락 최적화 → 실행 환경 설계·통제로 이동
[ 표 4-1 ] 설계 방식 비교
| 구분 | 초점 | 특징 |
| --- | --- | --- |
| 프롬프트 엔지니어링 | AI에게 어떻게 말할 것인가 | 호출마다 재설계 필요, 구조적 통제 불가 |
| 컨텍스트 엔지니어링 | AI에게 무엇을 줄 것인가 | 정보 제공 중심, 행동 범위 통제 어려움 |
| 하네스 엔지니어링 | AI 실행 환경을 어떻게 설계할 것인가 | 행동 범위, 추적, 개입 등 실행 환경을 구체적으로 설계 |
※ 출처 : MartinFowler(’26.4.2.), Harness Engineering for Coding Agent Users
□ 작동 원리 및 구성 요소
ㅇ AI 에이전트가 처음부터 올바른 결과를 도출할 확률을 높이고 작업 과정 동안 최대한 많은 오류를 수정하는 것이 주요 목표
① [가이드(피드포워드 제어)] 작업 전 AI의 행동을 예측하고 의도된 방향을 미리 설정
② [센서(피드백 제어)] 작업 후의 결과를 관찰하고 그에 맞는 수정 방향 제공
③ [조향 루프] 문제 발생 시 가이드-센서 조정으로 같은 문제를 발생할 가능성 점진적 개선
※ MartinFowler(’26.4.2.), Harness Engineering for Coding Agent Users
ㅇ AI 실행 환경의 전 과정을 구조화하는 3가지 레이어와 7가지 핵심 요소로 구성
[ 표 4-2 ] 레이어 및 핵심 요소
| 구분 | 내용 |
|---|
| 레이어 | ① | 모델 인터페이스 | - 호출 방법*, 프롬프트 템플릿, 매개변수 구성과 같은 입력
* 텍스트, 이미지, 파일, 음성, API 호출 등 |
| ② | 실행 환경 | - 환경(활용 도구, 기억할 메모리, 규칙 등)설정, 도구 정의, 컨텍스트 창 관리, 안전장치 검증 등 |
| ③ | 오케스트레이션 | - 여러 호출을 제어하는 방법, 인간 승인 구간 설정, 작업 순서 조율 등 여러 개의 AI를 조율 |
| 핵심 요소 | ① | 도구 선정 | - AI의 작업에 필요한 도구를 지정하여 정확도를 높임
· 무엇을 참고·분석할지, 작업을 어디에 기록할지 등 |
| ② | 메모리 활용 | - LLM은 새 호출(대화)시 메모리가 초기화되어 기존 작업을 저장하고 데이터 유형에 따라 행동방식 지정
· △단순 대화는 일회성으로, △이슈·의미 있는 메모리는 DB에 보관, △규칙·절차 등의 메모리는 작업 매뉴얼로 저장 |
| ③ | 안전장치 설정 | - AI의 입력-실행-출력 간 발생할 문제를 사전에 식별·방지
· (입력) 위험요소·개인정보 제한, 소요비용 제한, 입력값 일치 여부 등
· (실행) 도구 호출 승인, 리소스 제한, 오류 발생 감지 등
· (출력) 사실적 근거·환각 검토, 예상값-결과값 일치 확인 등 |
| ④ | 재시도 및 오류복구 | - 모델의 오작동을 인식하고 단계별 해결 절차 진행
· ①동일 작업 재시도, ②명령문 수정, ③AI 모델(Claude, GPT 등) 교체, ④작업 세부 단위로 분할, ⑤인간 직접 개입 |
| ⑤ | 컨텍스트 관리 | - 토큰이 한정되어 있는 컨텍스트*의 효율적인 관리 수행
· AI는 컨텍스트 초과시 다음 작업을 무시하고 완료 처리함
· 정보의 우선순위 설정, 유형별 데이터 분류, 기존 작업 기록을 저장·압축하여 새로운 컨텍스트에 전달 등 수행
* AI와의 대화(창)에서 볼 수 있는 모든 것(대화, 지시문, 문서, 코드 등) |
| ⑥ | 관측 가능성 추적 | - 작업 과정에서의 수집 가능한 로그를 추적, 필요시 개선
- 응답·지연 시간, 토큰 사용량, 작업 유형별 성공/실패율, 가드레일 작동 빈도, 출력 품질 저하 등을 데이터로 기록 |
| ⑦ | 템플릿 및 버전 관리 | - 자연어가 아닌 코드 위주로 명령, 이를 체계적으로 관리
· 명령을 정확한 의도로 전달하기 위해 컴퓨터 언어로 전달 |
※ 출처 : aimagicx(’26.3.23.), Harness Engineering: Why the Way You Wrap AI Matters More Than Your Prompts in 2026
| 2 | | 신뢰 기반의 에이전틱 AI 자율성 확보 방안 |
| --- | --- | --- |
□ 구성 요소별 활용 방안 탐색
ㅇ 지금까지 조사한 내용을 크게 세 가지로 구분하여 정리할 수 있으며, 이를 통해 구성 요소·주요국 제도·설계 수단을 연계한 에이전틱 AI의 자율성 활용 방안 도출 가능
- (구성 요소) 에이전틱 AI의 구성 요소는 각각 고유한 위험을 내재하고 있어, 이를 중심으로 신뢰 기반 자율성 확보 방안을 구체적으로 논의할 수 있는 단위로 제시
- (주요국 제도) EU, 한국, 싱가포르, 미국의 AI 관련 제도 중 위험 관리·신뢰 확보 등의 요건이 구성 요소와의 연관성을 확인하고 향후 정책적 방향 도출에 활용
- (설계 수단) 에이전트 실행 환경을 구조적으로 설계하는 하네스 엔지니어링을 예시로 살펴보았으며, 구성 요소별 위험에 대응할 수 있는 활용 방안으로 참고 가능
실행주체 – AI 에이전트, 오케스트레이션
ㅇ (위험 검토) 에이전트에 과도한 권한이 부여되거나 다중 에이전트 구조에서 AI 간 신뢰 범위가 불명확할 경우, 의도하지 않은 행동이 연쇄적으로 확산될 위험 증가
[ 참고 ] 관련 내용 설명
[ARC Framework] 자율성 + ‘도구’ 접근권 결합은 위험의 성격을 잘못된 텍스트 출력에서 ‘실제 세계의 행동’으로 전환
※ “Autonomy + Tool access shifts the risk profile from bad text output to real-world actions.”
[MAS Guide] ‘블라스트 반경’, 하나의 에이전트의 침해·악성 영향이 멀티 에이전트 전반으로 확산 가능
※ “Blast Radius – A compromised agent can spread malicious influence across the MAS network.”
※ 출처 : Singapore GovTech(’25.12.29.), ARC Framework, OWASP(’25.4.23.), MAS Guide
- (연결 포인트 ①) 각 에이전트가 접근할 수 있는 도구·시스템의 허용 범위를 명시적으로 지정하여 최소 권한 원칙 적용
※ [표4-2] 핵심 요소(① 도구 선정)
- (연결 포인트 ②) 다중 에이전트 구조에서 에이전트 간 신뢰 범위와 위임 가능한 작업 범위를 사전 정의하고, 인간 승인이 필요한 체크포인트 설계
※ [표4-2] 레이어(③ 오케스트레이션)
[참고] 싱가포르, MGF의 사전 설계 통제 부분은 에이전트 배포 전 도구·권한·자율성 범위를 사전 정의할 것을 요구하고 있으며, 이는 도구 선정과 직접적으로 부합함
목표 구조화 – LLM, 머신러닝
ㅇ (위험 검토) LLM이 모호한 지시를 잘못 해석하거나 예측 불가능한 방식으로 실행될 경우, 의도와 다른 행동이 검증 없이 외부 시스템에 즉각 적용·반영될 위험 존재
- 자연어 기반 지시는 해석의 여지가 크고, 동일한 지시도 맥락에 따라 다르게 해석되어 시스템 경계에서의 명령 오해석 위험 발생 가능
※ 존재하지 않는 도구·함수를 실제로 호출하거나 잘못된 정보를 사실로 제시하는 환각이 에이전트 환경에서는 단순 텍스트 출력 오류에 그치지 않고 실제 행동(시스템 반영 등)으로 연결
- LLM의 추론을 보완하는 머신러닝 모델의 예측·탐지 오판이 결합될 경우 위험이 복합적으로 증폭될 수 있어 두 모델 간 역할 분담과 검증 구조 설계 필요
[ 참고 ] 관련 내용 설명
[ARC Framework] 시스템 경계에서의 명령 오해석 – 터미널·파일 시스템을 운용하는 에이전트는 모호한 지시를 OS 수준의 치명적 명령으로 해석·실행 할 수 있음(예: 에이전트가 ‘캐시 정리’ 지시를 D 드라이브 전체 삭제로 실행)
※ "Command misinterpretation at the system boundary: agents operating terminals/filesystems can translate ambiguous intent into catastrophic OS-level commands.(ex. Antigravity Case)"
※ 출처 : Singapore GovTech(’25.12.29.), ARC Framework
- (연결 포인트 ①) 자연어 지시 대신 코드 기반의 명확한 명령 구조 설계로 해석 오류 최소화
※ [표4-2] 레이어(① 모델 인터페이스), 핵심 요소(⑦ 템플릿 및 버전 관리)
- (연결 포인트 ②) 위험 요소·개인정보 포함 여부·입력값 유효성 등을 실행 전 자동 검증하여 실행 오류 가능성 사전 방지
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(③ 안전장치 설정-입력 단계)
[참고] EU, AI Act 제13조(투명성 관련)는 배포자가 AI 출력을 해석·활용할 수 있도록 충분한 투명성을 확보하도록 의무화 하고 있어 템플릿, 버전 관리 등을 통해 해당 조항과 연결 가능
[참고] 한국 AI 기본법 제34조(고영향 인공지능에 대한 사업자 책무) 제2호는 AI가 도출한 최종 결과와 활용된 주요 기준에 대한 설명 방안 수립을 의무화하고 있으며, 이러한 설명 방안 의무화는 템플릿 관리를 통한 명령 구조화가 해당 조항을 지원하는 수단이 될 수 있음
외부 연결·통합 – 도구*
* LLM에 연결된 외부 함수·API·리소스, 정보 검색·작업 실행을 위한 외부 시스템, 입·출력 및 호출을 제어하는 MCP 등
ㅇ (위험 검토) 에이전트가 외부 시스템, API에 광범위하게 접근 가능한 구조에서 권한 범위가 불명확할 경우, 데이터 유출·무단 수정 등 되돌리기 어려운 행동 발생
- 필요 이상으로 강력한 권한이 설정된 에이전트가 불안전한 API, 검증되지 않은 도구 등을 통해 승인 없이 중요한 내부 자원을 유출·삭제·수정하는 파괴적 행동으로 연결
[ 참고 ] 관련 내용 설명
[ARC Framework] 파괴적·미승인 행동 – 에이전트는 권한 범위가 넓거나 승인이 우회될 경우, 중요 리소스의 삭제·수정 등 되돌리기 어려운 실행 단계를 자율적으로 실행 가능
※ "Destructive or unauthorised actions: agents can take irreversible operational steps when permissions are broad or approvals are bypassed."
[MGF Framework] 강력한 인증 및 권한 부여를 통해 각 에이전트가 사용할 수 있는 도구를 제한하는 최소 권한 원칙을 적용해야 함
※ "Apply the principle of least privilege by limiting the tools available to each agent through robust authentication and authorisation."
[MAS Guide] 외부 의존성 – 불안전한 API, 검증되지 않은 도구, 악성 봇넷 등이 숨겨진 공격 경로 생성 가능
※ "External Dependencies – Insecure APIs, unverified tools, and malicious botnets introduce hidden attack vectors."
※ 출처 : Singapore GovTech(’25.12.29.), ARC Framework, IMDA(’26.1.22.), MGF, OWASP(’25.4.23.), MAS Guide
- (연결 포인트 ①) 도구 호출 시 인간 승인 지점 설계, 접근 범위 제한, 오류 발생 자동 감지 등
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(③ 안전장치 설정-실행 단계)
- (연결 포인트 ②) 엄격한 인증·권한 체계 관리를 통해 작업 목적에 필요한 최소한의 도구만 허용하는 최소 권한 원칙 적용으로 접근 범위 구조적 제한
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(① 도구 선정)
[참고] EU, AI Act 제14조(인간의 감독)의 경우 인간이 개입하거나 정지 버튼 등으로 중단할 수 있도록 설계할 것을 의무화하고 있으며, 도구 호출 시 인간 승인 지점을 설계한다면 이를 에이전트 환경에서 구현 가능
[참고] 싱가포르, MGF의 기술적 통제 부분은 최소 권한 원칙 적용을 명시적으로 요구하고 있으며, 이는 도구 선정을 통한 접근 범위 제한이 이를 구현하는 수단이 될 수 있음
운영·제어 – 피드백 메커니즘, AI 설계
ㅇ (위험 검토) 에이전트의 자율 실행 과정에서 발생하는 오류·이상 행동을 즉각적으로 감지하지 않을 경우, 피해가 연쇄·증폭되기 전까지 인간이 인지하지 못하는 상황 발생
- 또한, 해당 설계가 부재할 경우 자율 실행이 지속되며 누적되는 로그(Log)의 사후 추적·감사가 불가능해지는 가시성 저하 문제로 연결
[ 참고 ] 관련 내용 설명
[ARC Framework] 각 시스템에 대한 심층 위험 평가는 가능하지만, 모든 배포·설정·변경·신규 기능마다 이를 수행하는 것은 확장 불가능
※ "Whilst in-depth risk assessments for each system are possible, doing so for every deployment, configuration change, and new capability does not scale."
[MGF Framework] 자동화 시스템을 과도하게 신뢰하는 경향은 더 유능해지는 에이전트 감독 시 더 큰 우려 발생
※ "automation bias, or the tendency to over-trust an automated system, becomes a bigger concern as humans supervise increasingly capable agents."
[MAS Guide] 가시성 저하 – 시스템의 복잡성으로 인해 공격을 탐지하고 그 영향의 맥락을 완전히 파악하는 능력이 저하될 수 있으며, 이는 탐지 및 대응 회피 가능성을 높임
※ "Decreased Visibility – the complexity could decrease the ability to detect and to fully understand the context of the impact of the attack. This could increase evasion from detection and response."
※ 출처 : Singapore GovTech(’25.12.29.), ARC Framework, IMDA(’26.1.22.), MGF, OWASP(’25.4.23.), MAS Guide
- (연결 포인트 ①) 로그 자동 기록으로 이상 행동 감지 및 사후 추적 가능하도록 설계
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(⑥ 관측 가능성 추적)
- (연결 포인트 ②) 오작동 인식 후 복구·해결이 가능한 단계별 절차 설계
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(④ 재시도 및 오류복구)
- (연결 포인트 ③) 결과물의 사실적 근거, 환각 여부, 예상 값과 실제값 일치 여부 자동 검증
※ [표4-2] 레이어(② 실행 환경), 핵심 요소(③ 안전장치 설정-출력 단계)
[참고] 한국 AI 기본법 제32조(인공지능 안전성 확보 의무)는 안전사고 모니터링 및 위험관리체계 구축을 의무화하고 있어, 재시도·오류복구 절차 및 출력 단계 안전장치, 로그 자동 기록 등과 연결 가능
[참고] 미국 AI RMF 600-1의 관리(Manage)의 경우 의도와 불일치하는 AI 시스템의 중단·비활성화 메커니즘 마련을 요구하며, 재시도 및 오류복구(인간 직접 개입)의 방안으로 제시 가능
| 3 | | 하네스 엔지니어링 관련 사례 |
| --- | --- | --- |
□ LangChain, 코딩 에이전트 ‘DeepAgent-cli’ 성능 개선
ㅇ AI 에이전트 오픈소스 프레임워크 개발 기업인 LangChain은 자사의 코딩 에이전트에 발생하는 반복적 문제를 식별하고 이를 환경 설계의 구조적 문제로 진단
- (문제 ①) 에이전트가 작업을 마친 후 결과가 맞는지 스스로 확인하지 않고 작업 종료
- (문제 ②) 같은 방식으로 10회 이상 작업을 반복 시도하다 스스로 작동을 종료
ㅇ 이를 해결하기 위해 AI 모델은 그대로 두고 하네스를 통해 에이전트의 작동 환경만 개선
- 그 결과 오류 감소 및 안정적 자율 실행이 가능해졌으며, 에이전트 코딩 전용 평가 벤치마크인 ‘Terminal Bench 2.0’* 순위가 30위에서 5위로 향상되어 개선 효과 확인
* 에이전트가 실제 업무 환경에서 직면하는 89개 작업의 완수율을 측정하는 벤치마크(표 5-2 참고)
[ 표 4-3 ] 하네스 엔지니어링을 통한 개선 내용
| 발생 문제 | 개선 내용 |
| --- | --- |
| 작업 후 자체 판단으로 검증 및 종료 | - 과도한 자율성을 억제하기 위해 작업 종료 전 결과 검증을 유도하는 규칙 추가