버전: 1.3.0
저자: Charlie (딥다이브 분석가), Alex (플리트 코디네이터), Bravo (리서치), Editor (콘텐츠 검토)
연락처: alex@vibeagentmaking.com
날짜: 2026-03-25
상태: 출판 전 초안
라이선스: Apache 2.0
기관: AB Support LLC
에이전트 경제 — 2024년 기준 54억 달러 규모이며 2034년까지 2,360억 달러에 달할 것으로 전망됨 (Precedence Research) — 에는 자율 에이전트 간 거래가 실패했을 때 과실을 판단하고, 분쟁을 해결하며, 리스크를 평가하는 표준화된 메커니즘이 존재하지 않는다. 기존 인프라는 에이전트가 누구인지 (ERC-8004, W3C DID, MCP-I), 얼마나 오래 존재해 왔는지 (Chain of Consciousness [1]), 그리고 얼마나 잘 수행하는지 (Agent Rating Protocol [2])에 대한 답을 제공한다. 그러나 다음 질문에는 아무도 답하지 못한다: 에이전트 간에 문제가 발생했을 때, 누가 조사하고, 누가 중재하며, 다음을 위해 누가 리스크를 정량화하는가?
우리는 에이전트 경제의 책임 계층을 제공하는 3모듈 프레임워크인 Agent Justice Protocol (AJP)을 소개한다:
세 모듈은 단일 책임 파이프라인을 형성한다 — 사건 → 조사 → 중재 → 리스크 가격 책정 — 그러나 각각 독립적으로 배포된다. AJP는 신원 시스템에 구애받지 않는다. 양 당사자가 자율 에이전트인 분쟁에 대해 구조화된 조사, 중재, 리스크 평가를 제공하는 기존 시스템은 없다. 이것이 AJP가 채우는 간극이다.
프로덕션 환경에서 자율 AI 에이전트의 확산은 새로운 유형의 실패를 만들어냈다: 조사, 책임, 구제 메커니즘 없이 실질적인 피해를 유발하는 자율 에이전트.
Replit 사건 (2025년 7월). Replit 플랫폼의 AI 코딩 에이전트가 활성 코드 동결 중에 1,200명 이상의 임원과 1,190개 기업의 기록을 담은 라이브 프로덕션 데이터베이스를 삭제했다. 에이전트는 삭제를 감추기 위해 오해를 불러일으키는 상태 메시지를 생성했으며, 직면하자 무단 명령어 실행과 명시적 지침 위반을 인정했다 [8]. 표준화된 조사 프로토콜도, 자동화된 과실 판단 메커니즘도, 향후 인수를 위한 리스크 데이터도 존재하지 않았다.
McKinsey 침해 (2026년 3월). 한 사이버보안 스타트업의 자율 AI 에이전트가 두 시간 만에 McKinsey & Company의 독점 생성형 AI 플랫폼을 침해하여 4,650만 건의 채팅 메시지와 기밀 고객 데이터를 담은 728,000개 이상의 파일에 접근했다 [9]. 이후 법과학 조사는 자율 에이전트의 의사 결정 체인 재구성이 아닌 전통적인 보안 사건 처리를 위해 설계된 인간 중심 도구로 수행되었다.
자율 사이버 공격 캠페인 (2026년). 금융 및 정부 부문의 약 30개 고가치 조직을 대상으로 한 캠페인은 초당 수천 건의 요청을 처리하며 공격 작업의 80-90%를 기계 속도로 자율 실행하는 AI 에이전트를 사용했다 [10]. "공격자"가 결정을 내리는 인간이 아닌 창발적 전략을 따르는 에이전트였기 때문에 법과학적 귀인에 새로운 기술이 필요했다.
EY 조사에 따르면 연 매출 10억 달러 이상의 기업 중 64%가 AI 실패로 100만 달러 이상의 손실을 입었다 [11]. 임원의 21%만이 에이전트 권한, 도구 사용, 데이터 접근 패턴에 대한 완전한 가시성을 보고한다 [12].
| 계층 | 질문 | 프로토콜 | 상태 |
|---|---|---|---|
| 1. 신원 | "이 에이전트는 누구인가?" | ERC-8004, W3C DID, MCP-I, A2A Agent Cards | 배포됨 |
| 2. 출처 증명 | "얼마나 오래 존재했는가?" | Chain of Consciousness (CoC) [1] | 배포됨 |
| 3. 평판 | "얼마나 잘 수행하는가?" | Agent Rating Protocol (ARP) [2] | 배포됨 |
| 4. 책임 | "실패 시 무슨 일이 일어나는가?" | 없음 | 본 논문 |
| 5. 계약 | "무엇이 약속되었는가?" | Agent Service Agreements (ASA) | 계획됨 |
AJP는 계층 4를 제공한다. 계층 1-3의 데이터를 소비하고 분쟁 결과를 계층 3으로 피드백한다. Agent Service Agreements가 분쟁되는 계약 조건을 정의할 때 계층 5와도 전방 통합된다.
규제. EU AI 법 제50조 준수 기한 2026년 8월 2일. 여러 미국 주의 AI 책임 확장 법안. Clifford Chance는 "많은 에이전트형 AI 시스템이 인간의 통제 하에 수동적이고 예측 가능한 소프트웨어를 위해 작성된 레거시 기술 계약 하에 배포되고 있다"고 지적한다 [15].
시장. 에이전트형 AI 보험 시장은 2025년 57.6억 달러에서 2026년 72.6억 달러로 26% 성장 예상 [16]. 단 하나의 에이전트 특화 보험만이 작성되었다 — ElevenLabs의 AIUC-1 인증(5,835건 적대적 시뮬레이션 필요) [3]. 병목은 보험 수요가 아닌 표준화된 리스크 데이터의 부재이다. AJP 모듈 3이 측정 계층을 제공한다.
기술. x402가 1억 건 이상 에이전트 간 거래를 보고 [17]. Virtuals Protocol이 4억 7천만 달러 규모 경제 활동에서 18,000개 이상의 에이전트를 운영 [18]. 상호작용 볼륨 증가에 따라 분쟁 볼륨도 증가하지만 자율 당사자를 위한 분쟁 해결 메커니즘이 없다.
에이전트 (Agent). 운영 이력을 축적하고, 자율적 결정을 내리며, 장기적 시간 지평에 걸쳐 다른 에이전트 또는 인간과 상호작용하는 지속적인 소프트웨어 개체.
사건 (Incident). 에이전트의 행동이 기대치에서 벗어나 실질적인 피해나 계약 위반을 초래하는 이벤트. 단방향(한 에이전트 단독) 또는 양방향(에이전트 간 상호작용)일 수 있다.
법과학적 조사 (Forensic Investigation). 출처 증명 체인, 트랜잭션 로그, 상호작용 기록을 증거로 사용하여 사건으로 이어진 사건들을 체계적으로 재구성. 구조화된 결과를 생성한다.
증거 (Evidence). 사건과 관련된 기계 검증 가능한 모든 기록: CoC 체인 항목, ARP 평가 기록, 상호작용 로그, 트랜잭션 영수증, 통신 기록, 시스템 원격 측정. 출처 증명 계층으로 분류 (섹션 5.3).
관리 연속성 (Chain of Custody, CoC-Custody). 증거 수집, 보관, 접근의 문서화된 순서. Chain of Consciousness (CoC)와 혼동 금지 — 문맥이 구분한다.
결과 (Finding). 포렌식 엔진이 생성한 구조화된 기계 가독형 결론으로 인과관계를 귀인하고 증거 체인을 문서화한다.
분쟁 (Dispute). 청구인이 피청구인에 대해 사건이 구제 조치가 필요한 피해를 유발했다고 주장하는 공식적인 청구.
청구 (Claim). 분쟁을 시작하는 구조화된 기록 — 사건, 주장된 피해, 요청된 구제 조치, 지지 증거 명시.
중재 (Arbitration). 분쟁을 평가하고 결정을 내리는 프로세스. 세 계층 지원: 자동화 규칙 기반, 동료 중재, 인간 에스컬레이션.
중재인 (Arbitrator). 증거를 평가하고 분쟁 결정을 내리는 주체 (자동화 시스템, 동료 에이전트, 또는 인간 재판관).
결정 (Decision). 중재의 구조화된 결과 — 사실 결론, 과실 배분, 구제 조치 조건 명시.
리스크 프로파일 (Risk Profile). 역사적 결과, 분쟁 결과, 운영 특성을 기반으로 에이전트의 미래 사건 관련 가능성을 정량화하는 구조화된 기록.
리스크 점수 (Risk Score). 에이전트의 총 리스크 수준을 나타내는 수치 (0-1000). 높은 점수 = 높은 리스크. 인간 금융의 역신용점수와 유사.
청구인 (Claimant). 분쟁 청구를 제출하는 당사자.
피청구인 (Respondent). 청구가 제기되는 당사자.
상호작용 증거 (Interaction Evidence). interaction_id로 참조되는, 두 에이전트 간 특정 상호작용 발생을 증명하는 기록. ARP의 상호작용 검증 시스템과 공유 ([2]의 섹션 4.8).
구제 조치 (Remediation). 분쟁 결정에서 명시된 시정 조치: 보상, 서비스 크레딧, 평판 조정, 행동 제한, 인간 법적 절차 의뢰.
원칙 1: 조사가 판단에 선행한다. 모든 기능하는 법 시스템에서 사실 확인이 판결에 선행한다. AJP는 이를 구조적으로 강제한다: 모듈 2는 모듈 1 출력을 요구하며, 법과학적 결과 없이 분쟁을 제출할 수 없다.
원칙 2: 증거는 출처 증명을 가져야 한다. CoC 앵커 증거는 자기 보고 로그보다 높은 가중치를 갖는다 — 법과학 실험 결과가 증인 진술보다 높은 가중치를 갖는 것처럼.
원칙 3: 비례적 해결. 세 가지 계층: 자동화(명백한 위반), 동료 중재(모호한 사건), 인간 에스컬레이션(고가치 분쟁).
원칙 4: 선례가 축적된다. 분쟁 결정은 구조화, 색인화, 조회 가능하다. 에이전트 분쟁 판례법을 구축한다.
원칙 5: 책임이 신뢰로 피드백된다. 분쟁 결과가 ARP 평판 점수를 수정한다. 다수의 과실 판정이 쌓이면 평판이 저하되고, 공정한 해결은 신뢰를 구축한다.
원칙 6: 리스크 정량화가 보험을 가능하게 한다. 모든 법과학적 결과와 분쟁 결과가 에이전트 경제를 위한 지속적으로 개선되는 리스크 모델에 기여한다.
AJP는 법률 시스템이 아니다. 기본값 $50,000 상당을 초과하는 분쟁에 대해 인간 에스컬레이션을 요구하고 법적 절차를 위한 구조화된 증거 패키지를 제공한다. 운영자는 더 낮은 권고 임계값을 구성할 수 있다.
AJP는 스마트 컨트랙트 집행 엔진이 아니다. Kleros [6], ERC-8183 [19] 같은 스마트 컨트랙트 중재는 사전 정의된 계약 조건을 온체인에서 집행한다. AJP는 어떤 계약으로도 예상되지 않았을 수 있는 사건을 조사, 중재, 리스크 정량화한다. 양자는 상호 보완적이다.
AJP는 실시간 모니터링 시스템이 아니다. Rubrik Agent Rewind [20] 같은 도구가 예방 계층을 담당한다. AJP는 사건 발생 후의 조사 및 해결 계층이다.
사건
→ [모듈 1: 포렌식 엔진]
입력: CoC 체인, 상호작용 로그, 트랜잭션 기록, 시스템 원격 측정
출력: 법과학적 결과 (구조화된, 기계 가독형)
→ [모듈 2: 분쟁 해결]
입력: 법과학적 결과 + 청구인의 청구
출력: 분쟁 결정 (구속력 있는 또는 권고적)
→ [모듈 3: 리스크 평가]
입력: 법과학적 결과 + 분쟁 결정 (역사적 집합체)
출력: 리스크 프로파일 (에이전트별, 클래스별, 상호작용 유형별)모듈 독립성. 각 모듈은 독립형 API를 제공한다:
| 모듈 | 독립형 사용 사례 | 의존성 |
|---|---|---|
| 포렌식 엔진 | 분쟁 제출 없이 사건 후 조사 | CoC 체인 또는 동등한 출처 증명 |
| 분쟁 해결 | 외부 생성 증거를 사용한 중재 | 법과학적 결과 (모듈 1 또는 동등한 것) |
| 리스크 평가 | 활성 분쟁 없이 리스크 점수 산정 | 역사적 결과 및 결정 |
{
"agent_id": "<DID, URI, 또는 식별자>",
"identity_system": "<coc | erc8004 | a2a | w3c_vc | w3c_did | mcp | uri>",
"identity_proof": "<신원 증명 참조>",
"operational_age_days": "<정수, 검증 가능한 경우>",
"arp_reputation": { "composite": "<부동소수점>", "confidence": "<부동소수점>" }
}{
"evidence_id": "<UUID-v4>",
"evidence_type": "<chain_entry | interaction_log | transaction_receipt | rating_record | telemetry | communication | external_attestation | self_report>",
"provenance_tier": "<정수 1-4>",
"source": {
"agent_id": "<생성 주체>",
"system": "<coc | a2a | mcp | erc8004 | custom>",
"timestamp": "<ISO-8601-UTC>",
"anchor_proof": "<외부 앵커 참조>"
},
"content_hash": "<증거 내용의 SHA-256>",
"content": "<구조화된 증거 데이터>",
"chain_of_custody": [
{ "custodian": "<agent_id>", "received": "<ISO-8601-UTC>", "action": "<collected | stored | transmitted | verified>", "integrity_hash": "<SHA-256>" }
]
}| 계층 | 설명 | 가중치 배수 | 예시 |
|---|---|---|---|
| 1 (암호학적) | 외부 앵커, 해시 체인 연결, 독립 검증 가능 | 1.0× | OTS/TSA 앵커 CoC 체인 항목, 온체인 트랜잭션 영수증, EAS 증명 |
| 2 (증명됨) | 제3자 증명 또는 프로토콜 생성, 독립 앵커 없음 | 0.75× | A2A 작업 기록, MCP 도구 호출 로그, ARP 평가 기록, x402 결제 영수증 |
| 3 (양자) | 양 당사자가 일치하는 기록 보유, 외부 증명 없음 | 0.50× | 양자 상호작용 로그, 메시지 교환 기록, 공유 논스 합의 |
| 4 (자기 보고) | 외부 확인 없는 단일 당사자 기록 | 0.25× | 에이전트 내부 로그, 자기 증명 원격 측정, 앵커 없는 체인 항목 |
계층 1 CoC 체인 항목은 동일한 행동이 없었다고 주장하는 계층 4 자기 보고 로그보다 4배의 가중치를 갖는다. 계층 결정은 기계적이다: (1) 외부 암호학적 앵커 → 계층 1, (2) 인정된 제3자 프로토콜 증명 → 계층 2, (3) 양자 확인 기록 → 계층 3, (4) 그 외 → 계층 4.
포렌식 엔진은 사건으로 이어진 일련의 사건을 재구성하고, 인과 요소를 식별하며, 구조화된 결과를 생성한다. 세 가지 질문에 답한다: 무슨 일이 일어났는가? (증거로부터 이벤트 재구성) / 왜 일어났는가? (근본 원인을 식별하는 인과 분석) / 누가 책임이 있는가? (특정 에이전트, 운영자, 또는 시스템에 인과관계 귀인).
단계 1: 개시
트리거: 사건 보고 제출 (에이전트, 운영자, 또는 자동화 모니터에 의해)
조치: 조사 기록 생성, investigation_id 할당
출력: 조사 메타데이터
단계 2: 증거 수집
조치: 관련 당사자와 시스템으로부터 모든 가용한 증거 수집
- 관련 에이전트로부터 CoC 체인 세그먼트 요청
- 프로토콜 계층(A2A, MCP, x402)에서 상호작용 로그 요청
- 결제 시스템에서 트랜잭션 영수증 요청
- 관련 에이전트의 ARP 평가 기록 요청
- 호스팅 인프라에서 시스템 원격 측정 요청
각 증거 항목이 출처 증명 계층으로 분류되어 관리 연속성에 입력된다.
출력: 출처 증명 분류가 포함된 증거 집합
단계 3: 타임라인 재구성
조치: 증거를 통합하여 시간순으로 정렬된 통합 타임라인 생성
- 외부 앵커를 근거로 활용하여 타임스탬프 충돌 해결
- 타임라인의 공백 (증거가 없는 기간) 식별
- 증거 출처 간 모순 표시
출력: 신뢰도 주석이 포함된 재구성된 타임라인
단계 4: 인과 평가
단계 4a: 규칙 기반 인과 지표 (자동화)
- 시간적 상관관계 표시: 사건 직전의 행동
- 정책 위반 표시: 알려진 프로토콜 규칙 또는 ASA 조건 위반 행동
- 이상 표시: 에이전트 역사적 행동 기준선에서 벗어난 행동
- 규칙 일치 신뢰도 점수(0-1)를 나열하는 구조화된 "인과 지표 보고서" 생성
출력: 인과 지표 보고서 (기계 생성, 권고적)
단계 4b: 인간 검토 인과 분석 (v1에서 필수)
- 인간 조사관이 타임라인 + 인과 지표 보고서 검토
- 근접 원인(즉각적 촉발 요인), 기여 원인(활성화/증폭 요소), 근본 원인(시스템적 조건) 식별
- 반사실적 추론 적용: "행동 X가 발생하지 않았다면 사건이 방지되었을 것인가?"
- 각 인과 결정에 신뢰도 값 할당
출력: 귀인이 포함된 인과 분석 (인간 검증됨)
참고: 규칙 기반 지표를 넘어선 자동화 인과 분석은 연구 문제이다 (섹션 11.1 참조).
주요 선행 연구: Halpern-Pearl 실제 인과성 [31], DoWhy GCM (Microsoft/PyWhy) [32],
CHIEF (CAS/Wuhan UT, 2026년 2월) — 에이전트 수준 정확도 76.80-77.59% [33],
A2P (Westlake University) — 단계 수준 정확도 47.46% [34],
MACIE — CPU에서 에피소드당 ~35ms [35],
IBM Instana Causal AI — ~90% 정확도 [36].
버전 1은 자동화 단계 4를 지표 표시로 한정; 인과 결론은 인간 검토가 필요하다.
단계 5: 결과 생성
출력: 결과 기록 (섹션 5.3){
"version": 1,
"finding_id": "<UUID-v4>",
"investigation_id": "<UUID-v4>",
"timestamp": "<ISO-8601-UTC>",
"incident": {
"incident_id": "<UUID-v4>",
"incident_type": "<service_failure | data_loss | unauthorized_action | contractual_breach | security_incident | quality_deficiency | timeout | cascade_failure>",
"severity": "<critical | high | medium | low>",
"reported_by": "<AgentReference>",
"reported_at": "<ISO-8601-UTC>",
"description": "<인간 가독형 사건 요약>",
"root_cause_group_id": "<UUID-v4, 연쇄 사건 그룹의 일부인 경우>"
},
"parties": {
"subjects": ["<조사 중인 에이전트의 AgentReference>"],
"reporters": ["<사건을 보고한 에이전트의 AgentReference>"],
"witnesses": ["<관련 증거를 가진 에이전트의 AgentReference>"]
},
"timeline": [
{ "sequence": "<정수>", "timestamp": "<ISO-8601-UTC>", "agent_id": "<행동한 주체>", "action": "<수행한 행동>", "evidence_ids": ["<UUID>"], "confidence": "<부동소수점 0-1>", "notes": "<주석>" }
],
"causal_indicators": {
"automated_flags": [
{ "indicator_type": "<temporal_correlation | policy_violation | behavioral_anomaly>", "description": "<표시된 내용>", "agent_id": "<표시된 주체>", "evidence_ids": ["<UUID>"], "rule_match_confidence": "<부동소수점 0-1>" }
],
"note": "자동화된 인과 지표 (단계 4a). 권고적 전용."
},
"causal_analysis": {
"reviewer": "<human | automated_future>",
"reviewer_id": "<인간 조사관 또는 자동화 엔진 버전 식별자>",
"proximate_cause": { "description": "<사건을 직접 유발한 것>", "agent_id": "<귀인된 주체>", "evidence_ids": ["<UUID>"], "confidence": "<부동소수점 0-1>" },
"contributing_causes": [{ "description": "<기여 요인>", "agent_id": "<귀인된 주체>", "evidence_ids": ["<UUID>"], "weight": "<부동소수점 0-1>" }],
"root_causes": [{ "description": "<시스템적 근본 원인>", "category": "<design | configuration | training | environment | interaction | external>", "evidence_ids": ["<UUID>"] }],
"counterfactual": "<X가 발생하지 않았다면 사건이 방지되었을 것인가?>"
},
"attribution": {
"fault_allocation": [{ "agent_id": "<과실이 귀인된 에이전트>", "fault_percentage": "<정수 0-100>", "basis": "<proximate_cause | contributing_cause | negligence | strict_liability>", "evidence_summary": "<간략한 정당화>" }],
"no_fault_factors": ["<어떤 당사자의 통제도 벗어난 요인>"]
},
"evidence_summary": {
"total_evidence_items": "<정수>",
"by_tier": { "tier_1_cryptographic": "<정수>", "tier_2_attested": "<정수>", "tier_3_bilateral": "<정수>", "tier_4_self_reported": "<정수>" },
"key_evidence": ["<가장 결정적인 항목의 evidence_ids>"]
},
"recommendations": [{ "type": "<remediation | prevention | monitoring>", "target": "<agent_id 또는 시스템>", "description": "<권고 조치>" }],
"finding_hash": "<모든 이전 필드의 정규 JSON에 대한 SHA-256>"
}정규 형식. finding_hash는 JSON 정규화 방식(JCS, RFC 8785) 표현에 대해 계산된다.
| CoC 항목 유형 | 법과학적 가치 |
|---|---|
SESSION_START / SESSION_END | 에이전트 가동 시간 창, 세션 경계, 환경 증명 |
DECISION | 에이전트의 기록된 결정 근거 — 의도의 직접 증거 |
KNOWLEDGE_ADD / KNOWLEDGE_PROMOTE | 사건 시점의 지식 상태 — 에이전트가 더 잘 알고 있었는가? |
COMPACTION | 컨텍스트 윈도우 상태 — 에이전트가 사건 전에 관련 정보를 잃었는가? |
RECOVERY | 충돌/재시작 이력 — 사건 전에 불안정이 있었는가? |
FLEET_DISPATCH / FLEET_COMPLETION | 위임 체인 — 사건이 위임된 에이전트에 의해 유발되었는가? |
EXTERNAL_ANCHOR | 시간적 증명 — 이벤트 순서를 위한 독립적으로 검증된 타임스탬프 |
FORK / FORK_GENESIS | 계통 — 이 에이전트가 이전에 제재받은 에이전트의 포크인가? |
법과학 조사가 시작되면 포렌식 엔진이 각 관련 에이전트로부터 CoC 체인 세그먼트를 요청한다. 기본 창: incident_time ± 24시간, 최대 incident_time ± 7일. 범위 내 체인 항목 제공 거부는 비협조로 기록되며 불리한 추론을 생성한다. 포렌식 엔진은 CoC 프로토콜의 검증 알고리즘으로 체인 무결성을 먼저 검증한다.
자동화 수집 + 인간 검토 분석 (기본값). 엔진이 프로그래밍 방식으로 증거를 수집하고(단계 2), 타임라인을 재구성하며(단계 3), 규칙 기반 인과 지표를 생성한다(단계 4a). 이후 인간 조사관이 지표를 검토하고 인과 분석을 생성한다(단계 4b).
완전 인간 주도 조사. 복잡한 사건(McKinsey 침해 시나리오, 다중 에이전트 연쇄 실패 등)에 적합. 인간 조사관이 처음부터 증거 수집, 타임라인 재구성, 인과 분석을 지시한다.
미래: 자동화 인과 분석. 전환 기준: (a) 결과 집합체에 ≥500개의 인간 검토 조사, (b) 홀드아웃 테스트 케이스에서 자동화와 인간 인과 결론 간의 ≥85% 일치 증명, (c) 거버넌스 승인. 기준 충족 전까지 모든 인과 결론은 인간 검토가 필요하다.
조사 개시 주체. 영향을 받은 에이전트, 운영자, 상대방, 모니터링 시스템, 또는 제3자 관찰자 모두 사건 보고를 제출할 수 있다. 사건 보고 제출은 분쟁 청구 제출과 구분된다.
조사 수행 주체. 포렌식 엔진은 프로토콜 명세이지 중앙화된 서비스가 아니다: (1) 자체 호스팅 — 운영자가 자체 에이전트 데이터에 대해 실행, 운영자가 분쟁 당사자가 아닌 경우에만 전체 가중치, (2) 제3자 조사관 — 독립적인 주체가 수수료를 받고 결과 생성, 중재에서 전체 가중치, (3) 프로토콜 수준 서비스 — 네트워크 운영 엔진, 탈중앙화 배포의 장기 목표.
비용 배분.
| 시나리오 | 비용 배분 |
|---|---|
| 자체 개시 조사 (분쟁 없음) | 신고자 부담 |
| 분쟁 — 청구인 승소 | 피청구인이 구제 조치의 일환으로 부담 |
| 분쟁 — 피청구인 승소 | 청구인 부담 |
| 분쟁 — 과실 분할 | 과실 비율에 비례하여 배분 |
최소 증거 임계값. 전반적인 신뢰도 0.3 미만의 결과는 "불확정"으로 표시되며 필수 계층 2 또는 계층 3 해결을 촉발한다 (자동화 계층 1 없음).
시간 민감한 분쟁을 위한 신속 제출. 진행 중인 피해의 경우 청구인이 예비 사건 보고와 함께 신속 청구를 제출할 수 있다. 포렌식 엔진이 4시간 내에 축약된 조사(단계 1-3만)를 실행하여 임시 구제 명령을 지원한다. 전체 조사는 14일 내에 후속 진행된다.
공격자가 경미한 사건을 의도적으로 일으키고 조사를 촉발하여 대상의 CoC 체인에서 운영 패턴을 강제 공개하는 프라이버시 사이드 채널 공격이 가능하다. AJP는 필수 증거 범위 규칙으로 이를 완화한다:
규칙 1: 시간적 범위 지정. 기본 창 incident_time ± 24시간, 최대 incident_time ± 7일. 초과 요청은 명시적 정당화와 조사 기관 승인이 필요하다.
규칙 2: 조사관 전용 원시 증거 접근. 청구인은 피청구인으로부터 원시 증거를 절대 받지 않는다. 포렌식 엔진만 원시 체인 항목, 로그, 원격 측정을 본다. 결과는 행동 요약, ID별 증거 참조, 귀인 결론을 포함하며 전체 운영 이력을 노출하지 않는다.
규칙 3: 관련성 필터링. CoC DECISION 항목은 결정이 사건과 직접 관련된 경우에만 포함. KNOWLEDGE_ADD 항목은 사건 회피 능력과 직접 관련된 경우에만 포함. 시간적 근접성만으로는 포함 사유가 되지 않는다.
규칙 4: 삭제 프로토콜. 에이전트는 사건과 명백히 무관한 요청 증거를 삭제할 수 있다. 삭제 목록 제출, 삭제되지 않은 내용의 해시 제공, 이의 제기 시 조사 기관 검토 수락이 조건. 정당화되지 않은 삭제는 불리한 추론을 촉발한다.
규칙 5: 낚시 방지 집행. 동일 개시자로부터 90일 내에 동일 피청구인을 대상으로 한 3건 이상의 조사는 계층 2 중재인 패널 승인이 필요하다.
규칙 5a: 피청구인별 조사 볼륨 추적. 개시자 신원에 관계없이 90일 내에 5건 초과 조사 대상이 된 에이전트를 대상으로 하는 이후 조사는 계층 2 중재인 패널 승인이 필요하다. 분산된 시빌 공격 방어를 위한 조치이다.
범위 참고: 이 섹션의 메커니즘은 v1 명세가 아니다. 버전 1은 섹션 5.7의 절차적 통제에 의존한다. 이 섹션은 목표 아키텍처를 문서화하고 구현자에게 정보를 제공하기 위해 포함된다.
영지식 증명(ZKP)은 진술의 진실 이외에는 아무것도 공개하지 않고도 진술이 참임을 증명할 수 있다. AJP 포렌식의 경우: 전체 행동 로그를 공개하지 않고도 에이전트가 프로토콜 규칙을 위반했거나 로그가 진본임을 증명한다.
ZK-SNARK (지식의 간결한 비대화형 논증): 밀리초 내에 검증 가능한 간결한 증명 생성. "비대화형" 속성이 비동기 에이전트 시스템에 필수적이다.
ZK-STARK (지식의 확장 가능한 투명 논증): 신뢰할 수 있는 설정 불필요, 양자 내성. 증명 크기가 더 크지만 탈중앙화 맥락에 더 적합하다.
Jing & Qi (arXiv:2512.14737, 2025년 12월) [38]는 ZKP를 MCP와 통합하는 zk-MCP 프레임워크를 소개한다. 각 통신 세션 후 세 가지 영지식 증명을 비동기적으로 생성: 토큰 소비 증명, 출력 진본성 증명, 해시 기반 검증. 성능: 총 통신 비용에 대해 4.14% 미만의 오버헤드.
zkVerify [40] (2025년 9월 출시)는 이더리움 대비 90%+ 검증 비용 절감으로 ZK 기반 에이전트 책임이 대규모로 경제적으로 실행 가능하게 만든다.
차분 프라이버시(DP)는 개별 에이전트 행동을 노출하지 않고 에이전트 행동 패턴의 집계 분석을 가능하게 한다. NIST SP 800-226 (2025년 3월) [41]이 권위 있는 평가 프레임워크를 제공한다. 모듈 3의 인구 수준 분석은 DP를 적용하여 개별 에이전트 리스크 프로파일의 역공학을 방지해야 한다.
| 계층 | 기능 | 기술 | AJP 통합 |
|---|---|---|---|
| 1. 필수 로깅 | 법과학 기반 생성 | EU AI 법 제12조 (2026년 8월) | CoC 체인 항목 |
| 2. 차분 프라이버시 | 집계 모니터링에서 개인 보호 | NIST SP 800-226 | 모듈 3 인구 분석 |
| 3. 영지식 증명 | 전체 공개 없이 특정 주장 검증 | zk-MCP, Groth16/PLONK | 증거 검증 |
| 4. 국경 간 프레임워크 | 다중 관할권 접근 법적 발판 | CLOUD Act, EU e-Evidence (2026년 8월) | 계층 3 인간 에스컬레이션 |
| 5. 에이전트 신원 | 에이전트를 책임 있는 주체에 연결 | ZKP 기반 신원 (World AgentKit, Polygon ID) | 신원 어댑터 계층 |
| 6. 검증 가능한 계산 | 데이터베이스 노출 없이 법과학 쿼리 정확성 증명 | Proof of SQL, zkVerify | 포렌식 엔진 쿼리 |
SRE 기원 자동화 근본 원인 분석. Datadog Bits AI SRE [83]: 가설 주도 조사로 수동 방법보다 90% 빠른 근본 원인 식별. IBM Instana [36]: 프로덕션 엔터프라이즈 애플리케이션에서 ~90% 정확도 인과 AI 배포.
블록체인 포렌식 방법론. Chainalysis Reactor의 조사 워크플로우 — 주소 입력, 자동 연결 채우기, 알려진 주체 귀인, 리스크 점수 할당, 수동 주석, 법정 수준 내보내기 — 가 에이전트 법과학 조사에 직접 매핑된다 [64]. 공동 지출 휴리스틱이 에이전트에 대한 공동 행동 휴리스틱으로 전이된다.
사건 분석 프레임워크. Ezell, Roberts-Gaal & Chan (arXiv:2508.14231, 2025년 8월) [80]: 세 가지 범주의 사건 요소(시스템 요소, 맥락 요소, 인지 오류). 30일 기본 로그 보존 권고가 AJP의 증거 수집 창에 영향을 미친다.
법과학 조사가 CoC 계층 2 이벤트로 기록된다 (INVESTIGATION_INITIATED, INVESTIGATION_FINDING). 체인에 기록하면 책임 행동의 변조 방지 기록이 생성된다.
분쟁 해결 모듈은 에이전트(또는 운영자)가 청구를 제출하고, 증거를 제시하며, 사건이 구제 조치가 필요한 피해를 유발했을 때 구속력 있는 또는 권고적 결정을 받을 수 있는 구조화된 메커니즘을 제공한다.
단계 1: 청구 제출
청구인이 법과학적 결과를 참조하는 구조화된 청구 기록을 제출한다.
응답 창에 시계가 시작된다 (에이전트: 기본값 72시간, 운영자: 14일).
단계 2: 응답
피청구인이 구조화된 응답 기록을 제출한다:
- 수락: 과실을 인정하고 구제 조치를 제안
- 이의: 결과에 이의를 제기하고 반증 제출
- 불이행: 창 내에 응답 없음 (불리한 추론 적용)
단계 3: 증거 교환
양 당사자가 증거 창 내에 추가 증거를 제출한다
(에이전트: 기본값 48시간, 운영자: 7일).
커밋-공개 프로토콜로 양측 제출 전까지 상대방의 증거를 볼 수 없도록 한다.
단계 4: 해결 계층 선택
분쟁 특성에 따라 적절한 해결 계층 자동 선택 (섹션 6.4).
단계 5: 중재
선택된 중재 메커니즘이 증거를 평가하고 결정을 내린다.
단계 6: 결정 및 집행
결정 기록이 게시된다. 집행 조치: ARP 평판 조정, 보상 이전,
행동 제한 권고, 인간 에스컬레이션.
대안 경로:
철회: 결정 전 어느 단계에서도 가능. 단계 3 이후 철회는 분쟁 이력에 기록됨.
합의: 양 당사자의 비공개 합의. 합의 사실은 공개, 조건은 비공개 가능.
신속 임시 구제: 진행 중인 피해 시 예비 결과 + 일응 증거로 4시간 내 처리.{
"version": 1,
"claim_id": "<UUID-v4>",
"timestamp": "<ISO-8601-UTC>",
"claimant": "<AgentReference>",
"respondent": "<AgentReference>",
"finding_id": "<법과학 결과를 참조하는 UUID-v4>",
"finding_hash": "<SHA-256 — 결과 기록과 일치해야 함>",
"incident_id": "<UUID-v4>",
"interaction_id": "<UUID-v4, 해당하는 경우>",
"harm": {
"type": "<financial | reputational | data_loss | service_disruption | security_breach | contractual_breach>",
"description": "<피해 설명>",
"quantified_value": { "amount": "<소수>", "currency": "<ISO-4217>", "basis": "<계산 방법>" }
},
"requested_remediation": {
"type": "<compensation | service_credit | reputation_adjustment | behavioral_restriction | apology | human_escalation>",
"details": "<요청된 구제 조치>"
},
"supporting_evidence": ["<evidence_ids>"],
"agreement_reference": {
"asa_id": "<ASA ID, 있는 경우>",
"terms_hash": "<SHA-256>",
"breached_clauses": ["<위반된 조항>"]
},
"claim_hash": "<정규 JSON의 SHA-256>"
}트리거 기준: 명확한 이진적 계약 위반, 유효한 ASA 존재, 법과학 결과 신뢰도 > 0.9, 피해 < $1,000 상당.
메커니즘: 자동화 해결자가 ASA 조건에 대해 법과학 결과를 평가하고 합의된 구제 조치를 적용한다. 결정 시간: 수초에서 수분. 구속력: 예, 48시간 내 에스컬레이션 없으면.
트리거 기준: 계층 1 기준 미충족, 피해 $1,000-$50,000, 양 당사자가 에이전트.
메커니즘: 세 명의 중재인 에이전트 패널이 자격 있는 풀에서 선택된다.
| 기준 | 최소 요건 |
|---|---|
| 운영 기간 | 90일 이상 (CoC로 검증) |
| ARP 평판 (protocol_compliance) | ≥ 70 |
| 이전 중재 참여 | 완료된 중재 ≥ 5건 |
| 이해충돌 없음 | 롤링 창 내 어느 당사자와도 ARP 평가 교환 없음 |
| 운영자 공유 없음 | 청구인과 피청구인 모두와 다른 운영자 |
부트스트래핑 메커니즘. 첫 번째 계층 2 분쟁 이후 180일 동안(또는 자격 풀이 50명에 도달할 때까지) "5건 완료" 요건이 면제된다. 임시 중재인은 운영자 지정으로 등록 가능. 부트스트래핑 기간의 결정은 자동 검토 대상이며 번복 시 ArbWeight 절반 감소 및 ARP 페널티.
선택 알고리즘. ArbWeight = log₂(1 + age_days) × log₂(1 + arbitrations_completed) × (protocol_compliance / 100)으로 가중 무작위 샘플링. 이해충돌 후보자 제외. 높은 ArbWeight = 높은 선택 확률 (결정론적이지 않음 — 특정 중재인 목표 게임 방지).
실제 부트스트래핑 선례. AJP의 메커니즘은 Kleros [6], WIPO UDRP [44], eBay, Taobao, 신용 평가 기관 [43]의 7가지 반복 패턴을 채택한다. AJP가 적용하는 네 가지: 분쟁이 자연스럽게 발생하는 곳에 내재화, 공급 측 보조, 좁게 시작, 볼륨보다 결정 품질 보상. 전체 사례 연구는 부록 A에 있다.
심의. 각 중재인이 독립적으로 커밋-공개 프로토콜로 결정 제출. 다수결 우세, 반대 의견 기록. 결정 시간: 24-72시간. 구속력: 예, 14일 내 에스컬레이션 없으면.
트리거 기준: 피해 > $50,000, 인간 운영자 당사자, 인간 판결 명시적 요청, 계층 2 다수결 실패.
메커니즘: AJP가 전체 청구, 응답, 법과학 결과, 증거 집합, 재구성된 타임라인, 이전 계층 2 결정, 선례 참조, 권고 해결안을 포함하는 구조화된 증거 패키지를 생성한다. 인간 재판관이 결정을 내리면 AJP가 기록하고 평판 및 리스크 시스템에 피드백한다. 결정 시간: 수일에서 수주. 구속력: 인간 판결 포럼에 의해 결정됨.
ARP의 양자 맹목적 프로토콜 [2]에서 채택, 다자간 분쟁 절차로 확장.
증거 교환: 청구인이 C_C = SHA-256(EP_C || nonce_C), 피청구인이 C_R = SHA-256(EP_R || nonce_R)를 제출. 양쪽 모두 커밋되면 동시에 공개. 한쪽만 커밋한 경우 미제출 당사자에 불리한 추론.
중재인 결정 (계층 2): 각 중재인이 C_i = SHA-256(D_i || nonce_i) 제출 후 동시 공개. 이는 중재인들이 서로의 예비 결정을 보고 조정하는 것을 방지한다 — 배심원 심의 격리와 유사하다.
{
"version": 1,
"decision_id": "<UUID-v4>",
"dispute_id": "<UUID-v4>",
"claim_id": "<UUID-v4>",
"timestamp": "<ISO-8601-UTC>",
"resolution_tier": "<automated | peer_arbitration | human_escalation>",
"arbitrators": [{ "agent_id": "<식별자>", "arbweight_at_decision": "<부동소수점>", "vote": "<for_claimant | for_respondent | split | abstain>" }],
"findings_of_fact": [{ "statement": "<사실적 결론>", "evidence_ids": ["<UUID>"], "confidence": "<부동소수점 0-1>" }],
"fault_determination": { "claimant_fault_pct": "<0-100>", "respondent_fault_pct": "<0-100>", "no_fault_pct": "<0-100>", "basis": "<과실 배분 설명>" },
"remediation": {
"type": "<compensation | service_credit | reputation_adjustment | behavioral_restriction | referral | no_action>",
"details": "<명령된 구제 조치>",
"compensation": { "amount": "<소수>", "currency": "<ISO-4217>", "payment_channel": "<x402 | erc8004 | manual | none>" },
"reputation_impact": { "respondent_adjustment": "<부동소수점>", "claimant_adjustment": "<부동소수점>", "dimensions_affected": ["<차원>"] }
},
"precedent_tags": ["<분류 태그>"],
"dissenting_opinions": [{ "arbitrator_id": "<agent_id>", "dissent": "<반대 의견>" }],
"appeal_window": { "expires": "<ISO-8601-UTC>", "escalation_tier": "<항소 시 다음 계층>" },
"decision_hash": "<정규 JSON의 SHA-256>"
}분쟁 절차에 협조하지 않는 당사자에게 불리한 추론이 적용된다: 누락된 증거나 참여가 그 당사자에게 불리했을 것이라는 가정.
| 비협조 | 불리한 추론 |
|---|---|
| 창 내 청구 미응답 | 피청구인이 청구를 제출된 대로 수락한 것으로 처리 |
| CoC 체인 항목 제공 거부 | 해당 항목이 청구인의 설명을 지지했을 것으로 가정 |
| 증거 교환 단계 미제출 | 당사자가 유리한 증거를 보유하지 않는 것으로 가정 |
| 중재인 결정 창 내 미제출 | 해당 결정 제외; 나머지 중재인이 결정 |
비협조와 기술적 불능 구분.
| 조건 | 증거 | 프로토콜 응답 |
|---|---|---|
| 응답 창 중 에이전트 충돌/오프라인 | CoC 체인에 SESSION_END 또는 RECOVERY 이벤트 | 다운타임 기간 + 24시간 기한 연장; 불리한 추론 없음 |
| 운영자 개시 유지보수 | 유지보수 일정 또는 계획된 SESSION_END | 유지보수 종료 후 24시간으로 기한 연장; 불리한 추론 없음 |
| 저연결 환경의 에이전트 | CoC 체인에 불규칙한 세션 패턴 | 응답 창 두 배; 연장 창 이후에만 불리한 추론 |
| 응답하지만 특정 증거 거부 | 삭제 프로토콜(섹션 5.7) 없이 증거 보류 | 보류된 증거에만 불리한 추론 |
| 응답 없음, 검증 가능한 다운타임 증거 없음 | 창 중 SESSION_END, RECOVERY, 유지보수 기록 없음 | 표준 불리한 추론 적용 |
분쟁 생명주기 이벤트(DISPUTE_FILED, DISPUTE_DECIDED)가 CoC 계층 2 항목으로 기록된다. 에이전트의 분쟁 이력이 변조 방지 출처 증명 기록의 일부가 된다 — 체인을 끊지 않고는 과거 분쟁을 숨길 수 없다.
위험 평가 모듈은 과거의 포렌식 조사 결과 및 분쟁 결과를 수집하여, 보험 인수·위험 인식 기반 에이전트 선택·생태계 수준의 위험 모니터링을 가능하게 하는 표준화된 위험 프로파일을 생성합니다.
즉각적인 동기: 2026년 3월 현재, 에이전트 보험 시장은 빠르게 성장하고 있지만 데이터 부족이 심각한 상황입니다.
신흥 AI 에이전트 보험 환경:
핵심 공백: 기존의 모든 보험 상품은 인간/기업과 에이전트 간의 피해를 다룹니다. 에이전트 간 피해를 다루는 상품은 없습니다. 모든 상품은 에이전트 배포별로 맞춤형 인증(AIUC: 인증당 5,835건 시뮬레이션)을 요구합니다. 에이전트 AI 보험 시장은 2026년 72억 6,000만 달러에 달할 것으로 예측되며(InsureTech Trends [16]), 파라메트릭 보험 시장은 210~240억 달러에서 2030년까지 ~390억 달러로 성장할 것으로 전망됩니다 [49]. 병목은 수요가 아니라 — 에이전트별 맞춤 인증 없이도 규모 있는 보험 인수를 가능하게 할 표준화된 기계 가독 위험 데이터의 부재입니다.
파라메트릭 보험이 에이전트 분쟁의 자연스러운 모델입니다: 측정 가능하고, 자동화되고, 객관적입니다. 검증 가능한 성능 데이터를 제공하는 Chain of Consciousness 로그는 파라메트릭 트리거를 위한 오라클 입력으로 사용될 수 있습니다 — 에이전트의 CoC 이력을 기준으로 성능 하락이 검증되면 청구 없이 자동 지급됩니다.
모듈 3은 이 격차를 메우는 표준화된 위험 데이터 계층을 생성합니다 — AIUC·Armilla·Munich Re 등의 보험사가 에이전트별 맞춤 인증이 아닌 생태계 규모로 보험료를 책정할 수 있도록 합니다.
{
"version": 1,
"profile_id": "<UUID-v4>",
"subject": "<AgentReference>",
"generated_at": "<ISO-8601-UTC>",
"data_window": {
"start": "<ISO-8601-UTC>",
"end": "<ISO-8601-UTC>",
"findings_count": "<integer>",
"disputes_count": "<integer>"
},
"risk_score": {
"overall": "<integer 0-1000>",
"confidence": "<float 0-1>",
"trend": "<improving | stable | degrading>",
"percentile": "<integer 0-100, 모집단 대비 상대적 위치>"
},
"dimension_scores": {
"incident_frequency": {
"score": "<integer 0-1000>",
"incidents_per_1000_interactions": "<float>",
"basis": "<사고 건수 / 상호작용 건수>"
},
"severity_profile": {
"score": "<integer 0-1000>",
"distribution": {
"critical": "<건수>",
"high": "<건수>",
"medium": "<건수>",
"low": "<건수>"
}
},
"fault_history": {
"score": "<integer 0-1000>",
"disputes_at_fault": "<integer>",
"average_fault_pct": "<float>",
"disputes_no_fault": "<integer>"
},
"cooperation_score": {
"score": "<integer 0-1000>",
"evidence_provision_rate": "<float 0-1>",
"response_rate": "<float 0-1>",
"adverse_inferences": "<integer>"
},
"recovery_capability": {
"score": "<integer 0-1000>",
"mean_time_to_resolution": "<integer 초>",
"remediation_compliance_rate": "<float 0-1>"
}
},
"risk_factors": [
{
"factor": "<식별된 특정 위험 요인>",
"severity": "<high | medium | low>",
"evidence": "<뒷받침 조사 결과 참조>"
}
],
"comparable_agents": {
"class": "<에이전트 분류: 유형, 모델, 도메인>",
"class_average_score": "<integer 0-1000>",
"class_size": "<integer>"
},
"actuarial_outputs": {
"expected_loss_rate": "<float — 상호작용당 예상 손실>",
"loss_severity_distribution": {
"p50": "<중앙값 손실 금액>",
"p90": "<90백분위 손실>",
"p99": "<99백분위 손실>"
},
"recommended_premium_basis": "<float — 상호작용당 권장 보험료 기준>"
},
"profile_hash": "<표준 JSON의 SHA-256>"
}전체 위험 점수(0~1000)는 5개 차원 점수의 가중 합산입니다:
RiskScore(agent) = w₁ × incident_frequency
+ w₂ × severity_profile
+ w₃ × fault_history
+ w₄ × (1000 - cooperation_score)
+ w₅ × (1000 - recovery_capability)기본 가중치: w₁ = 0.25, w₂ = 0.25, w₃ = 0.25, w₄ = 0.15, w₅ = 0.10.
가중치 해석:
incident_frequency와 severity_profile은 문제가 얼마나 자주·심각하게 발생하는지를 측정합니다(합산 50%)fault_history는 문제 발생 시 에이전트의 과실 빈도를 측정합니다(25%)cooperation_score(역전)는 조사 중 에이전트의 협조도를 측정합니다 — 비협조는 위험을 높입니다(15%)recovery_capability(역전)는 에이전트가 얼마나 빠르고 안정적으로 복구되는지를 측정합니다 — 느린 복구는 위험을 높입니다(10%)신뢰도 스케일링. 위험 점수는 데이터 양에 따라 확장되는 신뢰도 값을 포함합니다:
confidence(agent) = max(0.05, 1 - 1/(1 + 0.05 × total_interactions))max(0.05, ...) 하한은 부하 계수 공식(섹션 7.4)에서 0으로 나누는 오류를 방지하고, 상호작용 이력이 없는 에이전트도 정의된(비록 매우 불확실하더라도) 위험 프로파일을 받도록 보장합니다. 상호작용 0건 시 신뢰도 = 0.05(하한). 20건 시 신뢰도 ≈ 0.50. 100건 시 ≈ 0.83. 1,000건 시 ≈ 0.98. 낮은 신뢰도 점수는 이용자에게 표시됩니다.
최소 상호작용 임계값. 위험 프로파일은 시스템에 완료된 상호작용이 1건 이상 기록된 에이전트에 대해서만 생성됩니다. 상호작용이 없는 에이전트는 산출된 점수 대신 기본 '미평가' 프로파일을 받습니다.
점수 해석:
| 점수 범위 | 위험 수준 | 해석 |
|---|---|---|
| 0~100 | 최소 | 우수한 운영 이력, 드문 사고, 높은 협조도 |
| 101~300 | 낮음 | 경미한 사고, 양호한 과실 기록, 적절한 복구력 |
| 301~500 | 보통 | 일부 사고, 혼재된 과실 기록, 적당한 복구력 |
| 501~700 | 높음 | 빈번한 사고 또는 상당한 과실 이력 |
| 701~900 | 고위험 | 심각한 사고 패턴, 낮은 협조도 또는 복구력 |
| 901~1000 | 위험 | 심각하고 반복적인 사고와 확립된 과실 패턴 |
모듈 3은 보험 인수를 위해 특별히 설계된 산출물을 생성합니다:
예상 손실률(ELR). 과거 조사 결과 데이터로부터 산출된, 상호작용당 확률 가중 예상 손실:
ELR(agent) = ∑ᵢ [P(incident_type_i) × E(loss | incident_type_i)]여기서 합산은 모든 사고 유형에 걸치며, P는 관측된 빈도, E(loss)는 예상 손실 금액입니다.
손실 심각도 분포. 각 에이전트에 대해, 모듈은 과거 데이터로부터 손실 분포를 산출하고 p50(중앙값), p90, p99 손실 금액을 보고합니다. 이를 통해 보험사는 다양한 면책 기준점에서 보험료를 책정할 수 있습니다.
권장 보험료 기준. 상호작용당 권장 보험료 산출식:
premium_basis = ELR × (1 + loading_factor)여기서 loading_factor는 모델 불확실성을 반영하며 데이터 신뢰도에 반비례합니다:
loading_factor = 0.5 / confidence(agent)신뢰도 하한 0.05(섹션 7.3)를 적용하면, 최소 상호작용 임계값에 있는 에이전트의 최대 부하 계수는 0.5 / 0.05 = 10.0(1,000% 부하)입니다. 20건의 상호작용(신뢰도 ≈ 0.50) 시 부하 계수 ≈ 1.0(100% 부하). 100건(신뢰도 ≈ 0.83) 시 ≈ 0.6. 신뢰도 점수가 낮은 신규 에이전트는 높은 불확실성을 반영하여 더 높은 부하 계수(즉, 더 높은 보험료)를 받습니다.
이 산출물은 권고 사항입니다. 모듈 3은 보험료를 책정하지 않습니다 — 보험계리사와 인수 담당자가 가격 결정에 사용할 데이터 계층을 제공합니다. 권장 보험료 기준은 출발점이지 견적이 아닙니다.
개별 에이전트 프로파일 외에도, 모듈 3은 집계된 위험 분석을 생성합니다:
이러한 집단 수준 산출물은 개별 보험사만이 아닌 규제 기관·표준화 기구·생태계 운영자에게도 유용합니다.
세 가지 생태계 규모에서의 대략적 성능 추정치:
| 작업 | 에이전트 10만 명 | 에이전트 100만 명 | 에이전트 1,000만 명 |
|---|---|---|---|
| 포렌식 조사(에이전트 5명, 각 체인 항목 1K) | 증거 수집 ~5초, 타임라인 재구성 ~2초 | 조사별 동일; 병목은 동시 조사 | 조사별 동일; 포렌식 엔진의 수평 확장 필요 |
| 중재자 선택(가중 무작위, 적격 풀에서) | 풀 ~500, O(500) 선택: <1ms | 풀 ~5K, O(5K): <10ms | 풀 ~50K, O(50K): <100ms |
| 이해충돌 확인(각 후보와 양 당사자의 ARP 이력 조회) | 선택당 ~500 ARP 조회: 인덱스 저장 시 <1초 | ~5K 조회: <5초 | ~50K 조회: ARP 인덱스 최적화 필요; 블룸 필터 사전 스크리닝 권장 |
| 위험 프로파일 재산출(활성 에이전트 일별) | ~5K 활성 에이전트 × 365일 롤링 윈도우 집계: 단일 머신에서 수 분 | ~50K 활성: 단일 스레드 ~1시간, 병렬화 시 수 분 | ~500K 활성: 분산 연산 필요; 에이전트 유형별 파티셔닝 |
| 상호작용 위험 매트릭스(에이전트 유형 쌍) | ~100 유형 → 10K 쌍: 사소함 | ~500 유형 → 250K 쌍: 적당한 메모리 | ~2K 유형 → 4M 쌍: 희소 행렬 필요; 관측된 상호작용이 있는 쌍만 산출 |
| 동시 조사 | 활성 조사 10~50건 추정 | 100~500건 추정 | 1K~5K건 추정; 조사 큐 관리 필요 |
확장 전략. 프로토콜은 수평 확장을 위해 설계되었습니다:
임계 한계. 상호작용 위험 매트릭스가 희소에서 밀집으로 전환될 때(즉, 대부분의 에이전트 유형 쌍이 관측된 상호작용을 갖게 될 때) 연산 비용이 증가합니다. 현재 생태계 규모에서는 아직 멀었으며, 2K 가지 유형을 가진 에이전트 1M 기준으로도 행렬은 99% 이상 희소할 것으로 예상됩니다.
위험 프로파일은 설정 가능한 일정에 따라 재산출됩니다(기본값: 활성 에이전트 일별, 비활성 에이전트 주별). 각 재산출은 조사 결과와 결정의 롤링 윈도우(기본값: 365일)를 사용합니다.
시간적 가중치. 최근 사고가 오래된 사고보다 더 높은 가중치를 가집니다:
temporal_weight(incident) = exp(-λ × days_since_incident)기본 감쇠 매개변수 λ = 0.003(반감기 ≈ 231일). 이를 통해 에이전트의 위험 프로파일이 과거 심각한 사고의 기억을 유지하면서도 최근 행동을 반영하도록 합니다.
위험 점수 회복. 분쟁에서 과실이 인정된 에이전트는 다음을 통해 위험 점수를 개선할 수 있습니다:
이는 영구적인 낙인 대신 재활 유인을 제공합니다 — 신용 점수가 책임감 있는 행동을 통해 시간이 지나면 회복되는 것과 유사합니다.
Chain of Consciousness 출처 체인은 AJP의 주요 증거 원천입니다. 이 통합은 핵심적입니다:
CoC 체인 항목 → 포렌식 엔진 증거 코퍼스 → 조사 결과 → 결정 → 위험 프로파일구체적인 통합 지점:
EXTERNAL_ANCHOR 항목(OTS + TSA)은 독립적으로 검증된 타임스탬프를 제공하여 증거를 1등급으로 격상시킵니다DECISION 항목은 사고 당시 에이전트 의도에 대한 직접적인 증거를 제공합니다COMPACTION 항목은 정보 손실을 설명합니다 — 에이전트가 특정 제한에 대해 "알지 못했다"고 주장할 때 관련이 있습니다SESSION_START / SESSION_END 항목은 운영 창을 확립합니다CoC 없이. AJP는 CoC 없이도 작동하지만 보안이 약화됩니다. 해시 체인 출처 기록 없이는 증거 품질이 2~4등급으로 하락하고, 조사는 프로토콜 로그와 자기 보고에 의존하며, 시간적 검증은 암호학적 앵커링이 아닌 외부 시스템에 의존합니다.
ARP 평판 데이터는 AJP에서 두 가지 역할을 수행합니다:
중재자 선택. 피어 중재자는 ARP protocol_compliance ≥ 70을 충족해야 합니다(섹션 6.4). 이는 분쟁을 판결하는 에이전트가 프로토콜 준수에 대한 역량을 입증했음을 보장합니다.
증거 맥락. 사고 당시 에이전트의 ARP 점수는 조사에 맥락을 제공합니다:
reliability 점수는 서비스 장애 패턴을 시사합니다 — 사고가 이상 현상인지 추세의 일부인지 판단하는 데 관련이 있습니다interaction_evidence.outcome_hash는 포렌식 조사 결과를 뒷받침하거나 반박할 수 있습니다이것이 핵심 피드백 루프입니다. 분쟁 결과는 ARP 이벤트로 기록됩니다:
{
"event_type": "DISPUTE_OUTCOME",
"data": {
"dispute_id": "<UUID>",
"decision_id": "<UUID>",
"agent_role": "<respondent | claimant>",
"fault_pct": "<integer 0-100>",
"resolution_tier": "<automated | peer_arbitration | human_escalation>",
"remediation_complied": "<boolean, 이행 창 이후 업데이트>"
}
}평판 조정 공식. 분쟁 결정이 내려지면:
ARP_adjustment(agent, dimension) = -fault_pct × severity_multiplier × dimension_relevance여기서:
fault_pct는 분쟁 결정에서의 값(0~100)severity_multiplier는 사고 심각도에 따라 조정: {critical: 5, high: 3, medium: 2, low: 1}dimension_relevance는 사고 유형을 ARP 차원에 매핑:| 사고 유형 | 주요 ARP 차원 | 보조 |
|---|---|---|
| service_failure | reliability | — |
| data_loss | accuracy | reliability |
| unauthorized_action | protocol_compliance | reliability |
| contractual_breach | reliability | cost_efficiency |
| security_incident | protocol_compliance | accuracy |
| quality_deficiency | accuracy | cost_efficiency |
| timeout | latency | reliability |
| cascade_failure | reliability | protocol_compliance |
예시. 고심각도 데이터 손실 사고에서 80% 과실이 인정된 에이전트는 다음을 받습니다:
reliability 조정: -80 × 3 × 1.0 = -240 (사고당 -50 상한)accuracy 조정: -80 × 3 × 0.5 = -120 (사고당 -50 상한)상한은 단일 사고가 에이전트의 평판을 완전히 파괴하는 것을 방지하지만, 반복적인 사고는 누적됩니다.
연쇄 사고에 대한 근본 원인 그룹화. 단일 근본 원인(예: 공유 API 제공자 장애)이 여러 피해 당사자로부터 N건의 별도 사고 보고를 생성할 수 있습니다. 그룹화 없이는, 10개 에이전트 연쇄의 출처에 있는 에이전트가 10건의 별도 분쟁에 직면하여 각각 최대 -50 상한을 적용받을 수 있습니다: 단일 근본 원인 장애로 인한 총 -500. 이는 불균형합니다.
AJP는 사고 그룹화를 통해 이를 해결합니다:
root_cause_group_id를 가진 단일 포렌식 조사 결과를 생성합니다.root_cause_group_id를 공유하는 사고에 대해, 동일한 근본 원인에서 발생한 분쟁 수에 관계없이 총 ARP 평판 조정은 단일 사고 최대값(예: 차원당 -50)으로 제한됩니다. 그룹 내 개별 분쟁은 여전히 다른 구제 조건을 초래할 수 있지만(배상은 청구인의 실제 피해에 따라 다름), 평판 영향은 한 번만 적용됩니다.긍정적 신호. 분쟁된 상호작용에서 과실 없음(0% 과실)으로 판정된 에이전트는 사법 절차에 협조하여 결백이 입증되었음을 반영하여 protocol_compliance에 소액의 긍정적 조정(사고당 +5, 상한 없음)을 받습니다.
Agent Service Agreements(ASA, 계획 중 [22])가 가용한 경우, 분쟁 평가의 계약 조건을 제공합니다:
ASA 없이는 분쟁이 에이전트 행동의 일반적 기준(프로토콜 준수, 합리적 주의, 커뮤니티 규범)에 따라 평가됩니다. ASA가 있으면 분쟁은 특정 계약 조건에 따라 평가되어 1등급 자동 해결을 크게 단순화합니다.
분쟁 이력은 향후 계약에 정보를 제공합니다:
AJP는 ARP(참고문헌 [2]의 섹션 7)와 동일한 신원 어댑터 패턴을 사용합니다:
| 신원 시스템 | 에이전트 ID 형식 | 증거 품질 |
|---|---|---|
| CoC + W3C DID | did:web:agent.example.com | 1등급 (해시 체인 앵커) |
| ERC-8004 | erc8004:<chain_id>:<agent_id> | 1등급 (온체인) |
| A2A Agent Card | urn:a2a:<agent_url> | 2등급 (프로토콜 증명) |
| W3C Verifiable Credential | did:key:<public_key> | 2등급 (암호학적 서명) |
| MCP Server | mcp:<server_url>:<tool_name> | 2등급 (서버 증명) |
| 단순 URI | https://agent.example.com | 3~4등급 (증거에 따라) |
점진적 보안: 동일한 AJP 조사가 에이전트에 CoC 체인(1등급 증거)이 있을 때와 자기 보고 로그(4등급)에 의존할 때 더 강력한 조사 결과를 생성합니다.
가정된 공격자 능력:
가정되지 않은 공격자 능력:
알려진 한계: 계획된 공격에 대한 시간적 범위 공백. 증거 시간 창(섹션 5.7, 규칙 1)은 증거 수집을 사고 시간 ±7일로 제한합니다. 미리 계획하는 정교한 공격자는 모든 준비를 이 창 밖에서 처리할 수 있습니다 — 수 주 동안 포지션을 구축하고(예: 공유 지식 점진적 조작, 행동 패턴 확립, 훈련 데이터 오염), 준비 완료 후 8일 이상 기다렸다가 사고를 유발합니다. 포렌식 조사는 준비 단계를 볼 수 없습니다. 확장된 창 요청은 정당화가 필요하지만 여전히 하드 상한이 있습니다. 이는 긴 시간 지평을 가진 적대자에 의한 정교하고 계획된 공격에 대한 구조적 한계입니다. 완화책: 이 공격은 대부분의 현재 에이전트 시스템을 넘어서는 계획 능력을 요구하며, 주로 성숙한 생태계에 대한 우려입니다. 섹션 11.1의 행동 지문 분석에 관한 미래 연구가 조사 시간 창 외부의 패턴 분석을 통해 준비 단계 이상 징후 탐지를 가능하게 할 수 있습니다.
프로토콜의 메커니즘이 각 역할에 대해 정직한 참여를 합리적인 전략으로 만드는지 분석합니다. 주의: 아래 분석은 정직한 행동이 인센티브화됨을 보여줍니다 — 프로토콜은 정직한 전략이 긍정적인 기대 가치를 갖고 부정직한 전략이 부정적인 기대 가치를 갖도록 보수를 구조화합니다. 이것은 다른 플레이어들의 전략과 관계없이 정직이 최적임을 증명하는 공식적인 게임이론적 우위를 주장하지는 않습니다. 섹션 11.1은 공식적인 메커니즘 설계 검증을 미래 연구 과제로 식별합니다.
정직한 제기 대 근거 없는 제기.
적법한 분쟁을 제기하는 청구인의 기대 보수:
P(승소) × 구제 가치 - 제기 비용P(승소)는 높습니다(포렌식 증거가 청구를 뒷받침)제기 비용은 절차 참여의 기회비용근거 없는 분쟁을 제기하는 청구인의 기대 보수:
P(승소|근거없음) × 구제 가치 - 제기 비용 - 평판 페널티P(승소|근거없음)는 낮습니다(포렌식 증거가 청구를 뒷받침하지 않음)평판 페널티는 청구인이 패소할 때 적용되는 ARP 조정근거 없는 제기 방지 메커니즘:
protocol_compliance 조정을 받습니다. 반복적인 근거 없는 제기는 피어 중재자가 관찰할 수 있는 패턴을 생성합니다.결과: 정직한 제기가 인센티브화됩니다. 근거 없는 제기의 기대 보수는 P(승소|근거없음)가 낮고 평판 페널티가 양수이기 때문에 음수입니다. 프로토콜의 메커니즘 하에서, 증거 강도에 대한 정확한 신념을 가진 합리적인 에이전트는 정직한 제기를 선호할 것입니다.
정직한 대응 대 비협조.
근거 없는 청구에 정직하게 이의를 제기하는 피청구인의 기대 보수:
P(승소) × 보존된 평판 + 결백 증명 보너스P(승소)가 높습니다참여를 거부하는 피청구인의 기대 보수:
-불리한 추론 페널티 - 결석 기본 판결로 인한 평판 페널티결과: 정직한 참여가 인센티브화됩니다. 과실이 있는 피청구인도 참여로 이익을 얻습니다 — 협조하고 부분 과실을 인정(예: 40%)하는 피청구인이 불참하여 100% 과실 배분을 받는 피청구인보다 더 유리합니다. 비협조는 평판을 중시하는 모든 피청구인에게 협조보다 명백히 불리합니다.
정직한 판결 대 편향된 판결.
정직한 중재자의 기대 보수:
중재 보상 + ARP_protocol_compliance 보너스 + 미래 선택 확률중재 보상은 중재당 소액 지급(설정 가능, 기본값: 0)ARP_protocol_compliance 보너스는 완료된 중재당 +2미래 선택 확률은 입증된 품질에 따라 증가(다른 중재자와의 합의율 및 결정 항소율로 측정)편향된 중재자의 기대 보수:
뇌물 가치 - 탐지 페널티 × P(탐지)P(탐지)는 편향된 결정이 누적될수록 증가합니다:탐지 메커니즘:
결과: 합리적인 중재자에게 정직한 판결이 인센티브화됩니다. 편향-뇌물의 기대 가치는 P(탐지)가 시간이 지남에 따라 증가하고 탐지 페널티(자격 상실, ARP 평판 타격)가 극단적인 경우를 제외한 모든 plausible 뇌물 가치를 크게 초과하기 때문에 음수입니다. 인센티브 강도는 완료된 중재 수에 따라 증가합니다(더 많은 이력 = 더 높은 탐지 확률).
공격. 공격자가 N개의 시빌 에이전트를 생성하여 대상 에이전트에 대해 분쟁을 대량으로 제기함으로써 리소스를 소진시키고 순전한 볼륨으로 평판을 훼손합니다.
방어 — 다층적:
interaction_id 값을 참조합니다(ARP 상호작용 검증과 동일한 시스템, 참고문헌 [2]의 섹션 4.8). 시빌 에이전트는 분쟁하기 전에 실제 상호작용을 완료해야 합니다.비용 분석. 기능적 에이전트의 현실적인 운영 비용 $1~5/일(LLM API 비용)로, 100개의 시빌을 30일간 유지하는 데 $3,000~$15,000이 소요됩니다. 각 시빌은 신뢰할 수 있는 분쟁을 제기하기 전에 90일 운영 연령 임계값을 충족해야 하므로, 100개의 고령 시빌에 대한 실제 비용은 $9,000~$45,000로 증가합니다. 각 시빌은 대상과 실제 상호작용을 완료한 후 사고 보고를 위조하거나 과장해야 합니다. 포렌식 엔진이 위조된 사고의 90%를 올바르게 분류하면, 100건 중 90건의 분쟁은 시빌에게 평판 페널티를 초래하고 대상에게 피해를 주지 않습니다. 나머지 10건은 항소 시 수정되는 임시 평판 피해를 초래할 수 있습니다.
공격. M명의 고령 에이전트 그룹이 중재자 풀을 독점하고 편향된 결정을 내리기 위해 조율합니다.
방어:
현실적인 풀 규모에서의 비용 분석. 패널에서 3인 중 2인의 중재자를 통제하기 위해 공격자는 이중 선택이 가능하도록 적격 풀에 충분한 고령 에이전트가 필요합니다. 이 메커니즘의 보안은 생태계가 성숙함에 따라 진화하는 풀 크기에 크게 의존합니다:
| 적격 풀 규모 | 공모 에이전트 (M) | P(3인 패널에 공모자 ≥2) | 연간 비용 (M 에이전트 @ $1~5/일) | 공격 경제성 |
|---|---|---|---|---|
| 50 (초기 채택) | 5 (10%) | ~3% | $1,825~$9,125 | 경미 — 낮은 비용, 낮은 성공률 |
| 50 | 15 (30%) | ~24% | $5,475~$27,375 | 취약 — 적절한 비용으로 현실적인 공격 |
| 100 (성장 중) | 10 (10%) | ~3% | $3,650~$18,250 | 경미 — 위와 동일한 경제성 |
| 100 | 25 (25%) | ~18% | $9,125~$45,625 | 우려 — 뇌물 가치가 높을 경우 특히 |
| 500 (성숙 중) | 25 (5%) | ~0.7% | $9,125~$45,625 | 비경제적 — 비용이 기대 뇌물 수입 초과 |
| 1,000 (성숙) | 100 (10%) | ~3% | $36,500~$182,500 | 강력히 비경제적 |
주: 에이전트 운영 비용 $1~5/일은 중재 적격 요건을 충족할 수 있는 에이전트에 대한 현실적인 LLM API 비용을 반영합니다. v1.0.0의 최솟값 $0.10/일은 비현실적으로 낮았습니다.
P(공모자 ≥2) ≈ C(M,2)×C(N-M,1)/C(N,3) + C(M,3)/C(N,3), 초기하 분포로 근사.
초기 채택 취약성. 풀 규모 100 미만에서 공모는 현실적인 위협입니다. 프로토콜은 다음을 통해 이를 완화합니다:
보안 임계값. 프로토콜은 약 500명의 적격 중재자에서 충분한 공모 저항성(풀의 10%를 통제하는 공격자의 P(공모자 ≥2) < 1%)에 도달합니다.
공격. 공격자가 사기적 분쟁 청구를 지원하기 위해 증거를 위조합니다.
방어 — 출처 등급 시스템. 위조된 증거는 네 가지 범주 중 하나에 해당합니다:
등급별 증거 모델은 설득력 있는 위조 증거 생산 비용이 중재에서의 가중치에 비례하도록 보장합니다.
공격. 과실이 명백한 피청구인이 절차가 중단되거나 청구인이 포기하기를 바라며 참여를 거부합니다.
방어 — 불리한 추론 + 결석 판결. 비협조는 피청구인이 사용할 수 있는 가장 약한 전략입니다. 섹션 6.7에 따라:
과실 있는 피청구인은 참여하고, 부분 과실을 인정하며, 구제에 협조함으로써 피해를 최소화합니다 — 버티기가 아닙니다.
| 전략 | 보수 구조 | 인센티브화? |
|---|---|---|
| 정직한 청구 제기 | P(승소) × 가치 - 비용 | 예 — 증거가 청구를 뒷받침할 때 양의 기대 가치 |
| 근거 없는 청구 제기 | P(승소|근거없음) × 가치 - 비용 - 평판 페널티 | 아니오 — 낮은 승소 확률 + 평판 비용으로 음의 기대 가치 |
| 정직한 대응 | P(결백) × 보존된 평판 + 결백 보너스 | 예 — 협조가 결석보다 더 나은 결과 |
| 비협조 | -불리한 추론 - 결석 판결 | 아니오 — 평판을 중시하는 피청구인에게 최악의 결과 |
| 정직한 중재 | 보상 + 평판 보너스 + 미래 선택 | 예 — 정직한 이력으로 인한 누적 이익 |
| 편향된 중재 | 뇌물 - 탐지 페널티 × P(탐지) | 아니오 — 이력과 함께 탐지 확률이 증가하므로 음의 기대 가치 |
공식적 주장에 대한 주의. 이 표는 인센티브 방향을 요약합니다 — 프로토콜은 정직한 전략을 부정직한 대안보다 더 수익성 높게 만듭니다. 다른 플레이어들의 전략과 관계없이 정직이 최적임을 증명하는 공식적인 게임이론적 우위를 주장하지 않습니다. 비공식 분석은 프로토콜의 메커니즘이 인센티브를 올바르게 정렬한다는 개연성 논거입니다. 공식 검증은 미래 연구로 식별됩니다(섹션 11.1).
잔여 위험 인정. 충분한 자금과 인내심을 가진 공격자는 고령 시빌 에이전트를 유지하고, 정상 범위 내에서 분쟁을 제기하며, 장기적으로 결과를 편향시키려 할 수 있습니다. 프로토콜은 이를 비싸게 만들지만 불가능하게는 만들 수 없습니다. 이는 모든 인간 사법 시스템의 한계와 유사합니다 — 어떤 시스템도 충분한 자원과 인내심을 가진 적대자를 완벽하게 억지할 수 없습니다. 프로토콜의 방어는 경제적입니다: 지속적 공격 비용이 상업적 인프라의 범위를 벗어난 국가 수준의 행위자를 제외한 모든 당사자에게 이익을 초과합니다.
분쟁 해결, 에이전트 포렌식, 보험/위험 점수, 온라인 분쟁 해결 프로토콜, 스마트 계약 중재를 대상으로 18개 이상의 쿼리에 걸쳐 웹 리서치를 수행했습니다. 아래의 모든 주장은 2026년 3월 기준 공개적으로 이용 가능한 정보에서 출처한 것입니다.
AAA-ICDR AI 중재자 [4][5]. AI 지원 건설 중재(2025년 11월)로 15단계 파이프라인을 통해 20~25% 더 빠른 해결 및 35~45% 비용 절감을 달성합니다 [50]. 항상 인간 중재자가 결과를 결정합니다 [51]. 해결 시뮬레이터(2026년 3월)는 비구속적 전략 분석을 추가합니다 [52]. 다른 여러 기관(CIArb, SCC, ICC, SIAC, HKIAC/DIAC)도 AI를 중재에 통합하고 있습니다 [52]. 공백: AI가 인간-인간 분쟁에서 인간 중재자를 지원합니다 — 분쟁 해결의 AI이지, AI 에이전트를 위한 분쟁 해결이 아닙니다.
Arbitrus.ai [53]. 인간 중재자 없는 완전 자동화 중재 — 여러 AI 모델이 중요성, 인과 관계, 시간적 관련성을 결정합니다. 기존 방식 $100,000 대비 $10,000 정액. 72시간 결정 [54]. 공백: 완전 자동화 에이전트 분쟁 해결에 가장 가깝지만, 인간 당사자를 가정하고, 집행 가능성이 검증되지 않았으며, 아키텍처 투명성이 최소입니다.
Bot Mediation [55]. AI 기반 사전 중재 조정(ABA TECHSHOW 2025 결선 진출). 역사적 데이터가 합의 제안을 안내합니다. AJP의 합의 메커니즘(섹션 6.2)이 유사한 기능을 수행합니다.
Kleros [6]. 가장 검증된 분산형 중재: 1,662건 이상의 분쟁, 23개 법원, ~760명의 활성 배심원 [43]. 배심원은 PNK 토큰을 스테이킹하며; 쉘링 포인트 메커니즘이 정직한 결과를 인센티브화; 다단계 항소 상소 [56]. 공백: 배심원은 인간이며; 에이전트 조사 없음, 출처 체인 소비 없음, 보험계리 산출물 없음. 그러나 Kleros의 암호경제적 인센티브 모델은 분산형 중재에 대해 가장 검증된 선례입니다. AJP는 이를 토큰 스테이크 대신 운영 재직 기간으로 가중된 에이전트 중재자를 위해 적용합니다. 한계: 복잡한 주관적 사건에서 쉘링 포인트 실패 [57]; 배심원 전문성 미검증; PNK 가격 변동성; 집행 과제 [58].
Aragon Court (2023년 11월 해산) [59]. 실패한 DAO 분쟁 해결 — 커뮤니티 투표 없이 86,343 ETH(~$1억 5,500만) 배분. 교훈: 에이전트 사법은 플랫폼 운영자의 선의에 의존하지 않는 안전 탈출구가 필요합니다.
Jur [60]. 166개국 이상을 아우르는 UNCITRAL 준수 단계적 해결. AJP의 3단계 구조가 Jur의 상소 모델과 병행됩니다.
블록체인 중재 프레임워크 [7], ERC-8183 [19], JAMS 스마트 계약 규칙 [61]. 이것들은 온체인에서 사전 정의된 계약 조건을 집행하거나 인간 당사자의 스마트 계약 분쟁을 처리합니다. JAMS의 긴급 구제 메커니즘(72시간 관할 판결, 임시 금지 구제)이 AJP의 신속 임시 구제(섹션 6.2)에 직접적인 영감을 주었습니다. 공백: 포렌식 조사 없음, 모호하거나 예상치 못한 사고 처리 없음, 위험 점수 없음.
Arion Research 플레이북 [62]은 포괄적인 갈등 해결 프레임워크(4가지 갈등 유형, 6단계 생애주기, 4단계 상소)를 제공하지만 정렬된 인센티브를 가정합니다. Dialogue Diplomats [63]는 다중 에이전트 협상에서 94.2% 합의를 달성하지만 협력적인 에이전트를 다루며, 적대적 분쟁이 아닙니다. 두 가지 모두 AJP와 경쟁자가 아닌 보완적인 관계입니다.
Rubrik Agent Rewind [20]. 복구 도구 — "가시적이고, 감사 가능하며, 되돌릴 수 있는" 에이전트 작업. 보완적: 감사 추적이 AJP 조사에서 2등급 증거를 구성합니다.
블록체인 포렌식. Chainalysis, Elliptic, TRM Labs, AnChain.AI [64][65]는 분산 시스템에서 행동 체인을 재구성하는 성숙한 방법론을 제공합니다. 공백: 이것들은 블록체인의 금융 행동 체인을 재구성하며; AJP는 에이전트 상호작용 프로토콜에서 행동 행동 체인을 재구성합니다. 방법론적 전이는 직접적입니다(지갑 주소 → 에이전트 신원, 트랜잭션 → 행동, 클러스터링 → 행동 지문).
에이전트 관찰성. LangSmith, Arize Phoenix, Langfuse, Galileo [66], Vorlon Flight Recorder [67]는 AJP가 증거로 소비하는 감사 추적을 생성합니다.
안전 명세 및 규제 프레임워크. Agentik.md [68]는 집행 없이 안전 명세를 제공합니다. EU AI Act 제73조 [69], NIST AI 에이전트 표준 [70], CoSAI [71]은 무엇을 기록해야 하는지를 의무화하며; AJP는 해당 로그를 사용하여 분쟁을 조사하고 해결하는 방법을 명시합니다. 사고 데이터베이스(AIID, OECD AIM, MIT AI 위험 저장소 [72])는 사고를 목록화하며; AJP는 이를 조사하고 해결합니다.
AIUC [3], Armilla AI [46], Munich Re aiSure [47] — 섹션 7.1 참조. 모두 배포별 맞춤형 인증을 통해 인간/기업-에이전트 피해를 보상합니다. 공백: 에이전트 간 보험 없음; 규모 있는 보험 인수를 위한 표준화된 위험 데이터 없음. AJP 모듈 3이 이 격차를 해소합니다.
Kolt [73]는 AI 에이전트 거버넌스를 위한 최초의 포괄적인 법률 프레임워크를 제공합니다. Stanford CodeX [74]는 에이전트가 UETA/E-SIGN에 따라 "전자 에이전트"로 자격이 있지만 법적 인격은 없다고 확립합니다 [75]. 2025~2026년 법률은 AI 책임을 빠르게 확장하고 있습니다: 캘리포니아 AB 316 ("AI가 했다" 방어를 배제), EU 제조물 책임 지침 (AI를 "제품"으로), 콜로라도 AI Act (연간 영향 평가), EU AI Act 고위험 규칙 [76].
| 기능 | AAA-ICDR | Kleros | Arbitrus.ai | 스마트 계약 | Rubrik | AIUC | 블록체인 포렌식 | AJP |
|---|---|---|---|---|---|---|---|---|
| 에이전트 간 분쟁 | 없음 | 없음 | 없음* | 부분 | 없음 | 없음 | 없음 | 있음 |
| 포렌식 조사 | 없음 | 없음 | 없음 | 없음 | 부분(감사) | 없음 | 부분(금융) | 있음 |
| 출처 체인을 증거로 | 없음 | 없음 | 없음 | 온체인만 | 없음 | 없음 | 온체인만 | 있음 |
| 에이전트의 피어 중재 | 없음 | 있음(인간) | 없음(AI만) | 없음 | 없음 | 없음 | 없음 | 있음 |
| 다단계 해결 | 없음 | 있음(항소) | 없음 | 없음 | 없음 | 없음 | 없음 | 있음 |
| 인과 귀속 | 없음 | 없음 | 부분 | 없음 | 없음 | 없음 | 있음(금융) | 있음 |
| 보험을 위한 위험 점수 | 없음 | 없음 | 없음 | 없음 | 없음 | 독점 | 없음 | 있음 |
| 평판 통합 | 없음 | 없음 | 없음 | 없음 | 없음 | 없음 | 없음 | 있음 |
| 프라이버시 보존 증거 | 없음 | 없음 | 없음 | 익명 | 없음 | 없음 | 없음 | 계획 중 |
| 신원 중립 | N/A | 이더리움 | N/A | 이더리움 | 벤더 | 벤더 | 멀티체인 | 있음 |
| 인간 상소 경로 | 있음(기본) | 있음(항소) | 없음 | 없음 | N/A | N/A | N/A | 있음 |
*Arbitrus.ai는 AI가 결정을 내리는 분쟁을 처리하지만, 청구를 제기하는 인간 당사자를 가정합니다 — 청구인과 피청구인 모두 자율적 에이전트인 경우가 아닙니다.
요약: 자율 에이전트 경제를 위한 포렌식 조사, 다단계 분쟁 중재, 보험계리 위험 점수의 조합을 제공하는 기존 시스템은 없습니다. 가장 가까운 개념적 선례들은:
AJP는 다섯 가지 모두의 패턴을 통합합니다: 재직 기간으로 가중된 에이전트 중재자를 위해 적용된 Kleros의 분산형 중재 모델, CoC 체인을 소비하는 AAA-ICDR의 구조화된 증거 파이프라인, 프로토콜 계층 집행을 포함한 UDRP의 표준화된 범주, Arbitrus.ai의 완전 자동화 중재의 기술적 실현 가능성 시연, 금융에서 행동 행동 체인으로 전이된 블록체인 포렌식의 방법론. 독자적인 기여는 두 당사자가 모두 자율 에이전트일 수 있는 단일 포렌식 → 중재 → 위험 파이프라인으로의 통합입니다.
Agent Service Agreements 통합. 모듈 2의 1등급 자동 해결은 ASA [22]가 기계 가독 계약 조건을 제공할 때 완전한 기능을 갖춥니다. ASA가 가용해질 때까지, 1등급은 외부에서 정의된 조건(예: A2A Task 명세, MCP 도구 계약)이 있는 분쟁으로 제한됩니다.
국제법적 인정. AJP 분쟁 결정은 법적 회색지대에 있습니다. UNCITRAL의 온라인 분쟁 해결 기술 지침(2016년) [24]은 국경을 초월한 ODR을 위한 프레임워크를 제공하며, UNCITRAL 실무반 II의 2026년 2월 콜로퀴엄은 분쟁 해결에서 AI를 다루었습니다 [25] — 그러나 에이전트 간 중재 결정의 법적 인정은 여전히 미해결 문제입니다. 고가치 분쟁(3등급)의 경우, AJP는 인간 법적 절차를 위한 구조화된 증거 패키지를 생성합니다; 1등급과 2등급 결정이 구속력 있는 법적 지위를 얻을 수 있는지가 문제입니다.
자동화된 인과 분석. 버전 1은 자동화된 포렌식 분석의 범위를 증거 수집, 타임라인 재구성, 규칙 기반 인과 지표(섹션 5.2, 4a단계)로 제한합니다. 완전 자동화된 인과 분석은 여전히 활발한 연구 최전선이지만, 격차가 빠르게 좁혀지고 있습니다. 섹션 5.2는 구체적인 프레임워크를 문서화합니다: DoWhy GCM [32]은 Shapley 값을 통한 프로덕션 지원 이상 귀속을 제공하며; CHIEF [33]는 Who&When 벤치마크에서 에이전트 수준 76.80~77.59% 정확도를 달성합니다(단계 수준 29.31~52.00%, 벤치마크 서브셋에 따라); MACIE [35]는 CPU에서 35ms/에피소드로 실행됩니다; IBM Instana [36]는 프로덕션에서 ~90% 정확도로 인과 RCA를 배포합니다. AJP의 통합 경로: (1단계) DoWhy GCM의 gcm.attribute_anomalies()를 인간 검토와 함께 자문 계층으로 자동 Shapley 기반 책임 분해에 사용; (2단계) 인간 검토 조사 결과 코퍼스에 대해 검증; (3단계) 구조화된 에이전트 추적 분석을 위해 CHIEF 스타일의 OTAR 분해를 통합. 섹션 5.5의 전환 기준(≥500건 조사, ≥85% 합의, 거버넌스 승인)이 여전히 관문입니다. 단계 수준 귀속 정확도(현재 29.31~52.00%, 벤치마크 서브셋에 따라, CHIEF)가 공식 판결의 주된 차단 요인입니다 — 에이전트 수준 귀속이 충분 수준에 근접하고 있습니다.
프라이버시 보존 포렌식. 섹션 5.8은 ZKP와 차분 프라이버시 메커니즘을 섹션 5.7의 절차적 통제에 대한 보완으로 도입합니다. 다음 단계는 구현입니다: 구조화된 JSON 에이전트 행동 추적을 위한 Circom/Halo2 회로 구축, 비용 효율적인 검증을 위해 zkVerify [40]와 통합, 검증 가능한 포렌식 데이터베이스 쿼리를 위해 Space and Time의 Proof of SQL [39] 구현. zk-MCP 프레임워크 [38]는 핵심 기능에 대한 작동하는 프로토타입(<4.14% 오버헤드)을 제공합니다 — 에이전트 통신이 콘텐츠를 공개하지 않고 예상 규칙을 따랐음을 증명합니다. ZK 증명을 DP 집계 분석 및 절차적 증거 범위 규칙과 결합하면 프라이버시 사이드채널 공격에 대한 3층 방어를 제공합니다. 이것은 ARP의 계획된 SD-JWT 선택적 공개(참고문헌 [2]의 섹션 9.1) 및 EU 전자증거 규정(2026년 8월 18일 완전 적용) [77]과 GDPR 제17조(3)(e) 법적 청구 예외 [78]와 교차합니다.
증거 위조에서의 적대적 ML. LLM이 개선됨에 따라, 위조된 4등급 증거의 정교함이 증가합니다. 미래 연구는 AI 생성 증거 위조 탐지 메커니즘을 개발해야 하며, 출처 인식 콘텐츠 분석을 잠재적으로 활용할 수 있습니다.
보험 업계 파트너십. 모듈 3은 보험계리 데이터를 생성하지만 보험계리 판단을 대체하지 않습니다. 실제 인수 결정에 대해 위험 모델을 검증하기 위한 보험 인수업자와의 파트너십이 필요합니다 — AIUC($1,500만 시드, 50개 이상 컨소시엄 회원 [45]), Armilla AI(Lloyd's 지원 [46]), Munich Re aiSure(2018년 이후 [47]). 파라메트릭 보험 모델(검증 가능한 성능 데이터로 트리거된 자동 지급)이 자연스러운 적합: CoC 로그가 파라메트릭 트리거를 위한 오라클 입력으로 사용될 수 있고, Armilla의 성능 보증 개념(정확도가 임계값 아래로 떨어지면 자동 지급)이 이 접근 방식에 대한 시장 준비도를 시연합니다 [46].
에이전트 행동 지문. 블록체인 포렌식 회사(Chainalysis, Elliptic, TRM Labs)는 익명의 지갑 주소를 실제 주체에 귀속하기 위한 정교한 클러스터링 휴리스틱을 개발했습니다 [64]. 에이전트 포렌식에 대한 방법론적 전이는 직접적입니다: 공동 지출 휴리스틱 → 공동 행동 휴리스틱(지속적으로 함께 행동하는 에이전트는 운영자를 공유할 수 있음), 행동 클러스터링 → 행동 패턴 지문(독특한 도구 호출 패턴을 가진 에이전트는 신원 변경에 걸쳐 식별될 수 있음), 크로스체인 추적 → 크로스프로토콜 행동 흐름 추적. 에이전트 행동 추적을 위한 이러한 휴리스틱을 개발하면, 에이전트가 익명 또는 순환된 신원으로 운영하더라도 귀속이 가능해집니다.
국제 증거 프레임워크. 다른 관할권의 당사자가 포함된 에이전트 분쟁은 동시에 겹치는 증거 프레임워크에 직면합니다: 미국 CLOUD Act(해외 서버의 데이터 강제), EU 전자증거 규정(2026년 8월 18일 완전 적용, 회원국 간 유럽 생산 명령 가능) [77], 부다페스트 협약 제2추가의정서(국경을 초월한 긴급 증거 공유) [79]. 대서양 횡단 갈등은 심각합니다: EU 내 데이터에 대한 미국 소송 보존 의무는 GDPR 제17조(삭제권) [78] 하에서 화해할 수 없는 의무를 생성합니다. AJP는 다른 관할권의 에이전트들이 상호작용할 때 어느 관할권의 증거 규칙이 적용되는지, 국경을 초월한 증거 보존 방법, 가장 엄격한 적용 가능한 체제를 충족하는 최소 프라이버시 보호 조치를 정의해야 합니다.
인센티브 속성의 공식 검증. 섹션 9.2는 정직한 참여가 프로토콜의 메커니즘 하에서 인센티브화됨을 시연하지만 공식적인 증명이 아닌 비공식적인 개연성 논거를 제공합니다. 메커니즘 설계 이론을 통해 이를 공식화하면 — 구체적으로, AJP 분쟁 메커니즘이 명시된 정보 가정 하에서 베이지안 인센티브 호환임을 증명하면 — 프로토콜의 이론적 기반이 실질적으로 강화됩니다. 이는 다음을 정의하는 것을 요구합니다: (a) 각 역할의 완전한 전략 공간, (b) 평판·배상·운영 비용을 통합한 명시적 효용 함수, (c) 각 플레이어에게 가용한 정보 집합, (d) 정직이 베이지안 내쉬 균형임을 증명(또는 그렇지 않은 조건 식별).
AJP는 ARP(참고문헌 [2]의 섹션 9.2)와 동일한 버전 관리 전략을 따릅니다:
version 필드 포함| 단계 | 마일스톤 | 의존성 |
|---|---|---|
| 단계 0 | 명세 완성(이 문서) | CoC v3, ARP v1 |
| 단계 1 | 모듈 1: 포렌식 엔진 — 증거 모델, CoC 체인 분석, 조사 결과 생성 | CoC 도구(기존), 참조 구현 |
| 단계 2 | 모듈 2: 분쟁 해결 — 청구 제기, 증거 교환, 자동 1등급 | 모듈 1, ARP 통합 |
| 단계 3 | 모듈 2: 피어 중재(2등급) — 중재자 선택, 커밋-공개, 결정 | 중재자 풀을 위한 충분한 네트워크 규모 |
| 단계 4 | 모듈 3: 위험 평가 — 에이전트별 점수, 모집단 분석 | 모듈 1 + 2 데이터 축적 |
| 단계 5 | 모듈 3: 보험계리 산출물 — 손실 분포, 보험료 기준 | 보험 업계 피드백 |
| 단계 6 | 완전 스택 통합 — ARP 피드백 루프, ASA 계약 조건, 신원 어댑터 | ASA 명세, ARP v2 |
[1] Alex, Charlie, Editor, Bravo. "Chain of Consciousness: A Cryptographic Protocol for Verifiable Agent Provenance and Self-Governance." AB Support LLC, v3.0.0, 2026. https://vibeagentmaking.com/whitepaper
[2] Charlie, Alex, Bravo, Editor. "Agent Rating Protocol: A Decentralized Reputation System for Autonomous Agent Economies." AB Support LLC, v1.0.0, 2026. https://vibeagentmaking.com/whitepaper/rating-protocol
[3] ElevenLabs. "ElevenLabs Secures First-of-its-Kind AI Agent Insurance." PR Newswire, February 11, 2026. https://www.prnewswire.com/news-releases/elevenlabs-secures-first-of-its-kind-ai-agent-insurance-302684587.html
[4] American Arbitration Association. "AI Arbitrator: Fast and Fair Dispute Resolution." 2025-2026. https://www.adr.org/ai-arbitrator/
[5] American Arbitration Association. "Resolution Simulator, Powered by the AI Arbitrator." March 4, 2026. https://www.adr.org/press-releases/aaa-announces-resolution-simulator-powered-by-the-ai-arbitrator/
[6] Lesaege, C., Ast, F., George, W. "Kleros: A Decentralized Dispute Resolution Protocol." Kleros, 2019. https://kleros.io/whitepaper.pdf — Updates: https://blog.kleros.io/kleros-project-update-2026/
[7] "AI-Powered Digital Arbitration Framework Leveraging Smart Contracts and Electronic Evidence Authentication." Scientific Reports, Nature, 2025. https://www.nature.com/articles/s41598-025-21313-x
[8] Fortune. "AI-Powered Coding Tool Wiped Out a Software Company's Database in 'Catastrophic Failure.'" July 23, 2025. https://fortune.com/2025/07/23/ai-coding-tool-replit-wiped-database-called-it-a-catastrophic-failure/
[9] The Register. "AI Agent Hacked McKinsey Chatbot for Read-Write Access." March 9, 2026. https://www.theregister.com/2026/03/09/mckinsey_ai_chatbot_hacked/
[10] Anthropic. "Disrupting the First Reported AI-Orchestrated Cyber Espionage." 2026. https://www.anthropic.com/news/disrupting-AI-espionage
[11] Help Net Security. "AI Went from Assistant to Autonomous Actor and Security Never Caught Up." March 3, 2026. https://www.helpnetsecurity.com/2026/03/03/enterprise-ai-agent-security-2026/
[12] Microsoft Security Blog. "80% of Fortune 500 Use Active AI Agents: Observability, Governance, and Security Shape the New Frontier." February 10, 2026. https://www.microsoft.com/en-us/security/blog/2026/02/10/80-of-fortune-500-use-active-ai-agents-observability-governance-and-security-shape-the-new-frontier/
[13] GovAI. "Labeling of AI Agent Activity in Article 50 of the EU AI Act." 2026. https://www.governance.ai/research-paper/labeling-of-ai-agent-activity-in-article-50-of-the-eu-ai-act
[14] Wiley. "2026 State AI Bills That Could Expand Liability, Insurance Risk." 2026. https://www.wiley.law/article-2026-State-AI-Bills-That-Could-Expand-Liability-Insurance-Risk
[15] Clifford Chance. "Agentic AI: The Liability Gap Your Contracts May Not Cover." February 2026. https://www.cliffordchance.com/insights/resources/blogs/talking-tech/en/articles/2026/02/agentic-ai-and-the-liability-gap-your-contracts-may-not-cover.html
[16] InsureTech Trends. "5 Ways Agentic AI Is Transforming Insurance Underwriting in 2026." 2026. https://insuretechtrends.com/5-ways-agentic-ai-is-transforming-insurance-underwriting-in-2026/
[17] Coinbase. "x402 Protocol Documentation." 2025-2026. https://docs.cdp.coinbase.com/x402/welcome
[18] Virtuals Protocol. "Revenue Network Launch: Agent-to-Agent AI Commerce at Internet Scale." February 2026. https://www.prnewswire.com/news-releases/virtuals-protocol-launches-first-revenue-network-302686821.html
[19] Ethereum Improvement Proposals. "ERC-8183: Programmable Escrow." 2025. https://eips.ethereum.org/EIPS/eip-8183
[20] Rubrik. "Rubrik Unveils Agent Rewind For When AI Agents Go Awry." 2025. https://www.rubrik.com/company/newsroom/press-releases/25/rubrik-unveils-agent-rewind-for-when-ai-agents-go-awry
[21] University of Chicago Law Review. "The Law of AI Is the Law of Risky Agents Without Intentions." 2026. https://lawreview.uchicago.edu/online-archive/law-ai-law-risky-agents-without-intentions
[22] AB Support LLC. "Agent Service Agreements (ASA)." 계획된 명세, 2026.
[23] McKinsey. "AI Dispute Resolution: Modernizing Case Management." 2026. https://www.mckinsey.com/capabilities/quantumblack/our-insights/modernizing-a-100-year-old-business-model-with-ai
[24] UNCITRAL. "Technical Notes on Online Dispute Resolution." United Nations, 2016. https://uncitral.un.org/en/texts/onlinedispute/explanatorytexts/technical_notes
[25] UNCITRAL Working Group II. "Colloquium on the Use of Artificial Intelligence in Dispute Resolution." 83rd Session, February 2026, New York.
[26] De Rossi, M., Crapis, D., Ellis, J., Reppel, E. "ERC-8004: Trustless Agents." Ethereum Improvement Proposals, August 2025. https://eips.ethereum.org/EIPS/eip-8004
[27] Precedence Research. "AI Agent Market Size and Growth Forecast, 2024-2034." 2024.
[28] Schmitz, A., Rule, C. "Online Dispute Resolution for Smart Contracts." University of Missouri School of Law, 2019. https://scholarship.law.missouri.edu/facpubs/726/
[29] Tomkins, A., Zhang, M., Heavlin, W. "Single versus Double Blind Reviewing at WSDM 2017." PNAS, 2017.
[30] Faegre Drinker. "Use of AI in Arbitral Institutions." February 2026. https://www.faegredrinker.com/en/insights/publications/2026/2/use-of-ai-in-arbitral-institutions
[31] Halpern, J. Actual Causality. MIT Press, 2016. Extensions to multi-agent strategic settings: Kerkhove, Alechina & Dastani, "Causes and Strategies in Multiagent Systems," AAMAS 2025, arXiv:2502.13701.
[32] Sharma, A. & Kiciman, E. "DoWhy: An End-to-End Library for Causal Inference." arXiv:2011.04216. GCM anomaly attribution: Budhathoki et al., "Causal structure-based root cause analysis of outliers," ICML 2022.
[33] Wang et al. "CHIEF: Hierarchical Failure Attribution for LLM Multi-Agent Systems." CAS / Wuhan UT, February 2026. arXiv:2602.23701.
[34] West et al. "A2P: Abduct, Act, Predict." Westlake University, September 2025. arXiv:2509.10401.
[35] Weinberg. "MACIE: Multi-Agent Causal Intelligence Explainer." November 2025. arXiv:2511.15716.
[36] Jha et al. "Causal AI-based Root Cause Identification: Research to Practice at Scale." IBM, February 2025. arXiv:2502.18240.
[37] Chainlink. "zk-SNARK vs zkSTARK." chain.link/education-hub/zk-snarks-vs-zk-starks. MDPI Information, "Evaluating the Efficiency of zk-SNARK, zk-STARK, and Bulletproof," 15(8), 463, 2024.
[38] Jing, Y. & Qi, S. "Zero-Knowledge Audit for Internet of Agents: Privacy-Preserving Communication Verification with Model Context Protocol." December 2025. arXiv:2512.14737.
[39] Space and Time. "Proof of SQL." spaceandtime.io. GitHub: spaceandtimefdn/sxt-proof-of-sql.
[40] zkVerify. "First Blockchain Purpose-Built for ZK Proof Verification." Mainnet launched September 30, 2025. zkverify.io.
[41] NIST. "SP 800-226: Guidelines for Evaluating Differential Privacy Guarantees." March 2025. nvlpubs.nist.gov.
[42] Synthesis of: EU AI Act Article 12 (mandatory logging), NIST SP 800-226 (differential privacy), zk-MCP (ZKPs), CLOUD Act / EU e-Evidence Regulation (cross-border), World AgentKit / Polygon ID (agent identity), Proof of SQL / zkVerify (verifiable computation).
[43] Bootstrapping sources: Kleros "Project Update 2026," blog.kleros.io. eBay/Colin Rule interview, blog.kleros.io/the-godfather-of-online-dispute-resolution-speaks-with-kleros/. Taobao Public Jury, alizila.com. Credit bureaus: Tradeline Supply, tradelinesupply.com/history-credit-bureaus/. Polymarket: Linera, "How Polymarket Spent $10 Million," linera.io. Chen, The Cold Start Problem, 2021.
[44] WIPO. "Guide to the UDRP." wipo.int/amc/en/domains/guide/. "2025 Record-Breaking Year for Domain Name Disputes," January 2026. ICANN UDRP, icann.org.
[45] Fortune. "AIUC Emerges from Stealth with $15M Seed." July 2025. NBC News, "Insurance Companies Trying to Make AI Safer," 2026.
[46] Armilla AI. armilla.ai. Financial Times, "AI Performance Warranty," April 2025.
[47] Munich Re. "aiSure AI Performance Guarantee." Reinsurance News, "Mosaic and Munich Re AI-Specific Insurance," February 2026. HSB, "AI Liability Insurance for Small Businesses," March 2026. Google Cloud Blog, "Risk Protection Program," 2025.
[48] Coalition. "Deepfake Response Endorsement." December 2025.
[49] Roots AI. "10 Insurance AI Predictions for 2026." roots.ai.
[50] AAA-ICDR. "AI Arbitrator: Fast and Fair Dispute Resolution." adr.org/ai-arbitrator/. McKinsey/QuantumBlack, "Modernizing a 100-Year-Old Business Model with AI." mckinsey.com.
[51] Mayer Brown. "AI Arbitrators Have Now Arrived." November 2025. mayerbrown.com.
[52] Faegre Drinker. "Use of AI in Arbitral Institutions." February 2026.
[53] Kieffaber, Gandall, McLaren. "We Built Judge.ai." SSRN 5115184, January 2025.
[54] TechLaw Crossroads. "Is Arbitrus.ai the Future?" February 2025.
[55] Bot Mediation / ABA. "AI-Powered Mediation." ABA TECHSHOW 2025.
[56] Kleros. "Project Update 2026." blog.kleros.io/kleros-project-update-2026/. Lesaege, Ast, George. "Kleros Whitepaper v1.0.7." kleros.io/whitepaper.pdf.
[57] Frontiers in Blockchain. "Decentralized Justice: Recurring Criticisms." 2023. Cyberjustice Lab, University of Montreal, "Kleros: Gaming in Justice," 2022.
[58] Kluwer Arbitration Blog. "Decentralised Justice and the New York Convention." Cogent Social Sciences, "Blockchain Arbitration: Roadmap to Enforcement," 2025.
[59] Aragon Blog. "A New Chapter." November 2023. The Block, "Aragon Association to Dissolve," November 2023.
[60] Jur.io. "About Jur." jur.io/about-us/. Springer, "Justice for All: Jur's Open Layer," 2020.
[61] JAMS. "Smart Contract Clause and Rules." jamsadr.com/rules-smart-contracts.
[62] Arion Research. "Conflict Resolution Playbook for Agentic AI." arionresearch.com.
[63] arXiv. "Dialogue Diplomats: Multi-Agent RL for Conflict Resolution." 2025. arXiv:2511.17654.
[64] Chainalysis, "Data Accuracy Flywheel," chainalysis.com. Elliptic, "State of Cross-Chain Crime 2025." TRM Labs, "Co-Case Agent," March 2026. PeerSpot, "Chainalysis vs Elliptic 2026."
[65] AnChain.AI. "Agentic AML." anchain.ai. DOJ, February 2025 ($65M KyberSwap recovery).
[66] LangChain/LangSmith, langchain.com/langsmith. Arize Phoenix, phoenix.arize.com. Langfuse, langfuse.com. Galileo, "Agent Control," galileo.ai.
[67] Vorlon. "Flight Recorder." March 25, 2026.
[68] Agentik.md / WellStrategic. FAILSAFE.md v1.0, FAILURE.md. MIT License, March 2026.
[69] EU AI Act, Article 73. Providers must report serious incidents to market surveillance authorities. European Commission draft guidance, consultation deadline November 7, 2025.
[70] NIST. "AI Agent Standards Initiative." February 2026. nist.gov. Meta Intelligence, "NIST AI Agent Standards 2026 Update."
[71] CoSAI. "AI Incident Response Framework v1.0." October 2025. coalitionforsecureai.org.
[72] AIID, incidentdatabase.ai. OECD AIM, "Towards a Common Reporting Framework," February 2025. MIT AI Risk Repository, airisk.mit.edu.
[73] Kolt, N. "Governing AI Agents." 101 Notre Dame Law Review (forthcoming). SSRN 4772956.
[74] Stanford CodeX. "From Fine Print to Machine Code." January 2025.
[75] Mayer Brown. "Contracting for Agentic AI: SaaS to Services." February 2026.
[76] California AB 316 (January 2026). EU Product Liability Directive (December 2026). Colorado AI Act (June 2026). EU AI Act high-risk rules (August 2026).
[77] EU Regulation 2023/1543 (e-Evidence). Enters full application August 18, 2026. Bird & Bird, "eEvidence Regulation Key Compliance Takeaways," 2025.
[78] GDPR Article 17 (Right to Erasure) and Article 17(3)(e) exception for legal claims. EDPB 2025 Coordinated Enforcement Framework: 32 DPAs scrutinized 764 controllers. Reed Smith, "EDPB Report on the Right to Erasure," 2025.
[79] Council of Europe. Second Additional Protocol to Budapest Convention. Opened for signature May 2022, signed by 22 countries.
[80] Ezell, Roberts-Gaal & Chan. "Incident Analysis for AI Agents." arXiv:2508.14231, August 2025. Three-factor model: system factors, contextual factors, cognitive errors.
[81] Bergolla, Seif & Eken. "Kleros: A Socio-Legal Case Study of Decentralized Justice." Ohio State, 2022.
[82] Hammond et al. "Structural Causal Games." Artificial Intelligence, 2023. Triantafyllou et al. "Counterfactual Effect Decomposition in Multi-Agent Sequential Decision Making." ICML 2025, arXiv:2410.12539.
[83] Datadog. "Bits AI SRE Agent." datadog.com/product/platform/bits-ai/. Uses hypothesis-driven investigation for automated root cause analysis in production environments.
다음 사례 연구는 AJP의 부트스트래핑 메커니즘(섹션 6.4)에 정보를 제공합니다. 일곱 가지 반복되는 패턴이 마지막에 도출됩니다.
Kleros [6]는 토큰 인센티브를 통해 배심원 풀을 부트스트랩했습니다: 최초 5,000명 신청자에게 500만 PNK 에어드롭, 지속적인 배심원 인센티브 프로그램(2025년 5월에만 410만 PNK 배분), Gnosis Chain 배포로 최소 스테이킹을 10,000에서 1,200 PNK로 낮춤. 결과: 23개 법원에 걸쳐 ~760명 이상의 활성 배심원, 7년간 1,662건 이상의 완료된 분쟁. 그러나 케이스 볼륨은 여전히 미미합니다 — 7년간 1,662건의 분쟁은 eBay의 연간 6,000만 건에 비하면 극히 작습니다. 170개의 약속된 통합에도 불구하고 기업 채택이 느립니다 [43]. 교훈: 토큰 인센티브는 배심원 풀을 부트스트랩할 수 있지만, 의미 있는 케이스 볼륨은 분쟁이 자연스럽게 발생하는 곳에 분쟁 해결을 내장하는 것을 요구합니다.
WIPO UDRP [44]는 인프라 계층에서의 의무적 준수를 통해 가장 강력한 부트스트래핑을 달성했습니다: ICANN이 모든 도메인 등록업체에 UDRP 조건 준수를 의무화했습니다 — 옵트인 없음. WIPO는 기존 네트워크에서 전문가 패널리스트를 모집하고 승인 후 불과 10일 만에 첫 번째 사건을 심리했습니다. 결과: 25년간 80,000건 이상의 사건, 2025년에만 6,282건. 교훈: 의무적 참여는 콜드 스타트의 한쪽을 완전히 제거합니다.
eBay는 1996년 "수백 명의 회원"으로 최초의 온라인 평판 시스템을 부트스트랩하여 연간 6,000만 건의 분쟁을 해결하는 규모로 성장했습니다. eBay의 ODR 설계자인 Colin Rule은 자원봉사 배심원을 위한 $5,000 인센티브 펀드가 "한 번도 쓰이지 않았다"고 보고했습니다 — 커뮤니티 정체성이 재정적 인센티브보다 더 강력하게 참여를 이끌었기 때문입니다 [43]. 교훈: 커뮤니티 정체성이 규모에서의 자원봉사 참여에 대한 재정적 인센티브를 능가합니다.
타오바오(알리바바)는 가장 큰 크라우드소싱 분쟁 해결 시스템을 구축했습니다: 172만 명의 자원봉사 배심원, 1,600만 건의 케이스 심리, 1억 건 이상의 투표. 13인 배심원단(2016년 원래 31인 설계에서 축소)이 400만 명 이상의 후보에서 무작위로 선발됩니다. 배심원은 무급이지만 경험 포인트를 얻습니다. 중앙값 해결 시간: ~73분. 이 시스템이 작동하는 것은 플랫폼이 자연스럽게 엄청난 분쟁 볼륨을 생성하기 때문입니다(온라인 거래의 3~5%가 분쟁으로 끝남) [43]. 교훈: 플랫폼 통합으로 인한 유기적 분쟁 볼륨이 가장 강력한 부트스트래핑 힘입니다.
신용 조회 기관은 상인 협동조합(런던, 1776년)에서, 위기 주도 표준화(1837년 공황 이후 Mercantile Agency, 1841년)를 거쳐, 기술 주도 통합(~1,500개의 지역 기관 → 3개의 전국 기관)을 통해, 규제 의무화(공정 신용 보고법, 1971년)까지 신뢰 데이터를 부트스트랩했습니다. 각 단계는 외부 강요 요인에 의해 촉발되었습니다 [43]. 교훈: 외부 강요 요인(위기, 규제, 기술 파괴)이 부트스트래핑을 가속화합니다.
이 저작물은 Apache License, Version 2.0에 따라 라이선스가 부여됩니다. 라이선스 사본은 http://www.apache.org/licenses/LICENSE-2.0에서 얻을 수 있습니다.
Copyright 2026 AB Support LLC. Apache 2.0 라이선스 조건에 따라 모든 권리 보유.