미국 2026년 9월 14일 AI 브리핑: Perplexity, Astra에 프로덕션 시스템까지 맡기기 시작

핵심 요약

조사 기준 시각: 한국시간 2026-09-15 06:41:43 KST (Asia/Seoul, UTC+09:00) / 미국 동부 2026-09-14 17:41:43 EDT (America/New_York, UTC-04:00) / 미국 서부 2026-09-14 14:41:43 PDT (America/Los_Angeles, UTC-07:00) / UTC 2026-09-14 21:41:43Z. 미국 기준 날짜는 America/New_York의 2026-09-14이다. 중복 회피 기준: 지정 Google Drive 폴더의 직전 보고서 gpt_20260915_054356_001.docx를 다시 읽어 확인했다. 직전 보고서는 GitHub Copilot Auto의 efficiency·balance·intelligence 라우팅 정책과 HydraFusion 실행 정책, Morgan & Morgan의 MX2 Legal AI 플랫폼화를 다뤘고 조사 기준은 2026-09-14 20:43:56 UTC였다. 그 이전 브리핑의 EU Kids Act, OpenAI California SB 53 공시 논란, 미국 상원 Duty of Care, Claude for Financial Advisors, DeepSeek CFO, Waymo Las Vegas, Lagarde AI access, Palantir/Nvidia data-boundary, Microsoft Humanist AI Code, 독일 AISI, BIS AI 금융취약성 등도 반복하지 않았다. [확인] 직전 기준시각 이후 OpenAI·Anthropic·Google DeepMind·Microsoft·Meta·NVIDIA·GitHub·Hugging Face에서 기존 브리핑을 대체할 규모의 신규 frontier model/API 출시를 독립적으로 확인하지 못했다. 따라서 새 사건을 만들어 채우지 않고, 9월 14일 공식 공개됐지만 아직 Drive 브리핑에서 다루지 않은 두 개의 운영 신호를 보강한다. [확인] 1순위는 Perplexity가 GPT-6 Astra를 정보검색 보조가 아니라 실제 운영 시스템에 더 깊게 투입하고 있다는 공개 사례다. OpenAI가 9월 14일 공개한 고객사 사례에서 Perplexity 공동창업자 겸 Chief Strategy Officer Johnny Ho는 Astra로 communications를 작성하고, real-world systems를 수정하며, production software를 모니터링할 수 있다고 밝혔다. 또한 full end-to-end systems를 맡기고 이전 세대 모델보다 훨씬 덜 자주 확인한다고 설명했다. OpenAI - Perplexity trusts GPT-6 Astra with end-to-end systems [확인] Perplexity가 강조한 핵심은 단순 코드 생성보다 테스트를 스스로 만들고 실행하는 능력이다. Johnny Ho는 시간이 부족할 때 Astra에 애플리케이션 주변의 작은 testing program을 만들게 하고, LLM API나 connector 같은 외부 서비스의 현실적인 응답을 모사시켜 전체 workflow를 end-to-end로 검사한다고 설명했다. 즉 모델이 변경을 제안한 뒤 별도의 증거를 만드는 구조가 production trust의 기반으로 쓰이고 있다. [확인] 이 운영 신호의 선행 흔적도 있다. Perplexity는 9월 3일 공개 X 게시물에서 자체 WANDR benchmark에서 Astra가 0.682, task당 $11.98로 자사가 시험한 모델 중 최고였다고 발표했다. Fable 5.1보다 점수가 13.5% 높고 비용은 6.1% 낮았다고 주장했다. 다만 WANDR는 Perplexity의 proprietary benchmark이며 세부 methodology가 완전히 공개된 독립 benchmark는 아니다. Perplexity X - GPT-6 Astra WANDR result [확인·교차맥락] 다른 고객에서도 비슷한 방향이 공개됐다. Cognition은 9월 11일 Devin에서 Astra가 자신의 작업을 테스트하고 simulator recording과 test report를 반환하도록 사용하고 있으며, 목표는 engineers가 manual code review를 줄이는 것이라고 밝혔다. 이는 Perplexity 사례의 덜 확인한다는 주장이 단순 무검토가 아니라 실행 증거와 검증 artifact를 더 많이 만들게 하는 방향과 연결될 수 있음을 보여준다. OpenAI - Cognition helps Devin test its own work with GPT-6 Astra [확인] 2순위는 Fyxer의 AI executive assistant 내부구조 공개다. OpenAI가 9월 14일 공개한 사례에 따르면 Fyxer는 하나의 거대한 모델에 이메일 업무 전체를 맡기지 않고 30~50개의 specialized models로 reply decision, intent/outcome prediction, retrieval·reranking, memory selection, draft generation을 쪼갠다. Fyxer는 50만 시간 이상의 실제 executive-assistant workflow 데이터에 supervised fine-tuning과 LoRA를 적용하고, task-specific validation set에서 정확도·응답시간·비용을 함께 평가한다. OpenAI - How Fyxer built an AI executive assistant people trust [확인] Fyxer의 중요한 후속 루프는 사용자가 AI draft를 수정한 흔적을 preference pair로 바꿔 Direct Preference Optimization(DPO)에 사용하는 것이다. 모든 drafting change는 A/B test를 거치며 statistically significant improvement가 확인될 때만 배포한다. OpenAI 사례는 AI-generated drafts의 53%가 수정 없이 수락되고 90일 후에도 90% 이상 사용자가 유료 사용을 지속한다고 전하지만, 이는 Fyxer가 제공한 company-reported 수치이지 독립감사 결과는 아니다. [확인] Fyxer 공식 사이트도 50만 시간 EA best practices, 1,600만 개 data points, 24/7 human data team을 공개하며 같은 데이터·피드백 전략을 확인한다. 7월 제품 설명은 창업진이 6년간 운영한 executive-assistant agency에서 만들어진 50만 시간 이상의 실제 workflow dataset이 inbox priority model의 기반이라고 설명한다. Fyxer - Get ahead of your inbox Fyxer - How Fyxer organizes your inbox by priority [추론] 두 사건을 함께 보면 새로운 운영 패턴이 보인다. frontier model 자체의 능력 향상은 곧바로 사람을 제거하는 것이 아니라 모델이 변경·행동 → simulator/test harness가 결과를 검증 → evidence/report를 생성 → 인간은 예외와 실패만 본다는 구조로 review cost를 줄인다. 동시에 반복적이고 개인화가 강한 업무는 Fyxer처럼 다수의 좁은 모델 + memory/retrieval + real-user feedback + DPO + A/B gate가 더 안정적인 운영형태가 될 수 있다. [추론] 이전 브리핑의 GitHub HydraFusion이 어떤 모델과 실행경로를 선택할 것인가를 다뤘다면 이번 두 사례는 그 다음 단계인 선택된 모델이 실제 시스템을 건드릴 때 어떻게 검증하고, 실사용 피드백을 어떻게 다시 학습·배포 게이트로 연결할 것인가를 보여준다. 엔터프라이즈 AI의 핵심 control plane은 model router뿐 아니라 test harness, evidence artifact, feedback lineage, experiment gate, rollback까지 포함하는 방향으로 넓어질 가능성이 높다.

핵심 사건 종합표

순위	분류	핵심 사건	최초 출처	연관 출처 체인	발생 시각과 미국 현지 날짜	핵심 사실	후속 전개	왜 중요한가	숨은 의미·비하인드 해석	담당자·관련 인물	수혜자	불리한 측	기술·사업 영향	다음 신호	신뢰도	검증 상태	원문 링크
1	Production Agent·Software Operations	Perplexity, GPT-6 Astra를 end-to-end system 변경·모니터링·테스트에 사용	OpenAI 고객사 사례 9/14 + Perplexity 공개 발언	9/3 WANDR X benchmark → 9/11 Cognition의 self-testing/evidence 사례 → 9/14 Perplexity production-operations 사례	OpenAI 페이지 2026-09-14, 게시 시각 미공개; 미국 현지 날짜 9/14	Perplexity가 Astra로 communications 작성, real-world systems 수정, production software monitoring, 외부서비스 simulation 기반 end-to-end testing을 수행하며 이전 세대보다 human check-in 빈도를 줄였다고 밝힘	production permission scope·rollback·incident metric은 미공개; Cognition에서도 testing artifact로 manual review 감소를 목표로 하는 유사패턴 공개	agent가 code suggestion을 넘어 시스템 mutation과 monitoring으로 이동할 때 검증 증거가 trust boundary가 됨	[추론] human-in-the-loop가 모든 step 검토에서 exception review로 이동하려면 self-test가 아니라 독립 test harness·policy gate·rollback이 핵심 control plane이 됨	Johnny Ho, Perplexity engineering/strategy teams, OpenAI Astra teams; 비교사례 Cognition Walden Yan	agent observability, testing/simulation, sandbox, policy engine, rollback·audit tooling	manual-review만 전제로 한 workflow, 검증없는 autonomous agent	production agent 권한설계, synthetic dependency simulation, evidence artifact, monitoring·incident response 중요도 상승	실제 production incident rate, permission scopes, approval gates, rollback logs, independent eval, WANDR methodology 공개	높음	확인: 공식 OpenAI 고객사 사례와 Perplexity 공개 X의 존재; 성능·신뢰성 평가는 고객사 self-report이고 독립감사 아님	OpenAI Perplexity / Perplexity X / OpenAI Cognition
2	Compound AI·Personal Productivity	Fyxer, 30~50개 전문모델·DPO·A/B gate로 self-improving executive assistant 운영	OpenAI 고객사 사례 9/14 + Fyxer 공식 product/data pages	6년 human EA service → 500k+ workflow hours → 30~50 specialized models·SFT/LoRA → user edits as preference pairs → DPO → statistically significant A/B deployment gate → proactive assistant 확장	OpenAI 페이지 2026-09-14, 게시 시각 미공개; Fyxer 관련 product page 7/21	이메일 업무를 하나의 model call이 아니라 classification·intent·retrieval·memory·generation 등으로 분해하고 실제 사용자 편집을 지속학습 데이터로 사용	drafts에서 communication/coordination을 더 많이 직접 관리하는 proactive assistant로 확대 중; 정확한 model mix·online update cadence는 미공개	고맥락 반복업무에서는 foundation model보다 workflow decomposition·proprietary data·feedback loop가 실제 moat가 될 수 있음	[추론] enterprise personalization은 giant agent 하나보다 작은 task models와 memory, validation, preference learning, experiment gate가 결합된 compound system으로 수렴할 가능성	Archie Hollingsworth, Richard Hollingsworth, Joey Dwonczyk, Fyxer AI/ML·human data teams	vertical AI, fine-tuning, memory/retrieval, feedback/data infrastructure, evaluation platforms	generic single-prompt assistant, feedback lineage가 없는 제품	SFT/LoRA/DPO 운영, preference-data governance, A/B release gate, memory quality·privacy가 핵심	모델별 역할·실패율, edit-to-DPO latency, privacy/consent controls, rollback, proactive actions permission, independent retention/quality verification	높음	확인: OpenAI·Fyxer 공식자료; 53% draft acceptance·90% retention 등 KPI는 company-reported로 독립감사 미확인	OpenAI Fyxer / Fyxer / Fyxer priority system

1. Perplexity의 GPT-6 Astra 프로덕션 운영 확대 — 연관 추적

① 최초 신호

[확인] 9월 3일 Perplexity는 공개 X 게시물에서 자사 WANDR benchmark상 GPT-6 Astra가 0.682, task당 $11.98로 자사가 시험한 모델 중 가장 높은 결과라고 발표했다. Fable 5.1 대비 13.5% 높은 점수·6.1% 낮은 비용이라는 비교도 제시했다. 다만 WANDR는 Perplexity가 만든 proprietary benchmark이고 상세 methodology와 raw run 전체는 공개되지 않았다. Perplexity X - WANDR result

② 공식 확인

[확인] 9월 14일 OpenAI 고객사 사례에서 Johnny Ho는 Perplexity가 Astra로 communications 작성, real-world systems 수정, production software monitoring을 수행한다고 말했다. 페이지는 Perplexity가 이전 세대보다 훨씬 덜 자주 check-in한다고 직접 설명한다. 이는 적어도 Perplexity가 Astra를 production operations에 실제 적용하고 있다는 회사 공개사례다. OpenAI - Perplexity trusts GPT-6 Astra with end-to-end systems

③ 후속 기사와 반응

[확인] 이번 사례는 별도의 Reuters·Bloomberg independent audit가 아니라 OpenAI가 공개한 customer story다. 따라서 production trust가 업계 전체에서 검증됐다고 확대하지 않았다. 공개 커뮤니티에서는 WANDR 비용·점수와 Astra의 효율성이 주목받았지만 proprietary benchmark에 대한 methodology·rerun cost를 함께 봐야 한다는 반론도 나타났다.

④ 담당자·연구자·개발자 발언

[확인] Johnny Ho는 모델이 code를 잘 쓸수록 Perplexity search engine도 개선된다고 설명한다. 더 나아가 가장 유용한 사용처 중 하나로 testing을 들며, 개발자가 직접 시간을 쓰지 않고 Astra가 application 주변의 testing program을 만들어 전체 workflow를 검증하도록 한다고 말했다.

⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서

[확인] Perplexity의 9월 3일 X 게시물은 Astra의 WANDR cost/quality 결과를 공개했다. 조사시점 Perplexity의 별도 GitHub release, Hugging Face artifact, 공식 YouTube demo에서 9월 14일 customer story보다 더 구체적인 production permission·rollback 구현은 확인하지 못했다. X 원문 링크는 공개 검색색인에서 확인됐지만 이 조사도구에서는 전체 thread의 모든 metadata를 직접 검증하지 못했다.

⑥ 실제 제품·기술·정책 변화

[확인] 공개된 실제 변화는 모델을 답변자에서 시스템 변경자·모니터·테스터로 사용하는 운영범위 확대다. 특히 외부 API·connector의 현실적인 response를 simulation하고 workflow를 end-to-end로 검사하는 test harness가 핵심이다. 다만 어떤 환경에서 write permission을 부여하는지, human approval 전에 실제 production mutation이 가능한지는 공개자료에 없다.

⑦ 숨은 의미와 비하인드

[추론] 사람의 review 횟수를 줄이는 진짜 조건은 model confidence가 아니라 행동 후 검증 가능한 evidence다. agent가 code를 수정하거나 시스템을 건드린 뒤 simulator·integration test·monitoring result·recording을 스스로 내놓으면 인간은 모든 diff를 읽는 대신 failed check와 anomaly만 검토할 수 있다. 이는 autonomous agent의 경제성이 token cost보다 review-cost reduction에서 결정될 수 있음을 시사한다.

⑧ 반대 근거와 과장 가능성

[주의] OpenAI customer story는 vendor와 customer가 공동으로 공개한 사례이고 독립 reliability study가 아니다. Perplexity가 check in less frequently한다고 했어도 human oversight가 없어졌다는 뜻은 아니다. WANDR 점수도 production incident rate·security·rollback 성능을 측정하는 지표가 아니다. 실제 권한범위, failure rate, silent corruption, human approval policy는 미공개다.

⑨ 향후 예상되는 다음 행동과 확인해야 할 신호

Perplexity 또는 OpenAI가 production-agent architecture, permission scope, sandbox, rollback, approval gate, incident metric, independent red-team 결과를 공개하는지 확인해야 한다. self-test와 별개로 독립 verifier model이나 deterministic test가 존재하는지, production monitoring에서 false negative가 얼마나 발생하는지도 중요한 다음 신호다.

2. Fyxer의 30~50개 전문모델·DPO 피드백 루프 — 연관 추적

① 최초 신호

[확인] Fyxer 창업진은 AI 제품 이전에 약 6년간 human executive-assistant service를 운영했고, 이를 통해 50만 시간 이상의 실제 EA workflow dataset을 축적했다고 공식적으로 설명한다. Fyxer는 이 데이터가 inbox priority, communication judgment, user context를 학습하는 토대라고 밝힌다. Fyxer - How Fyxer organizes your inbox by priority

② 공식 확인

[확인] OpenAI가 9월 14일 공개한 Fyxer 사례는 내부구조를 구체화했다. Fyxer는 30~50개의 specialized model로 email workflow를 쪼개고 reply decision, intent prediction, outcome prediction, memory retrieval·reranking, final generation을 별도 task로 처리한다. SFT와 LoRA를 사용하며 task-specific validation set에서 accuracy·latency·cost를 함께 본다. OpenAI - How Fyxer built an AI executive assistant people trust

③ 후속 기사와 반응

[확인] Fyxer 공식 사이트는 16 million data points, 500,000 hours of EA best practices, 24/7 human data team을 공개하고 있어 OpenAI 사례의 proprietary-data 전략을 자체 채널에서도 확인할 수 있다. 사이트의 고객성과 수치 역시 회사·고객 사례 기반이므로 독립 benchmark로 취급하지 않았다. Fyxer

④ 담당자·연구자·개발자 발언

[확인] Co-founder Archie Hollingsworth는 하나의 모델에게 좋은 이메일을 쓰라고 하는 것보다 문제를 많은 작은 모델로 나누는 편이 훨씬 잘 작동한다고 설명한다. AI/ML Product Engineer Joey Dwonczyk는 고객에 대한 학습을 model behavior에 옮기는 데 OpenAI fine-tuning 지원이 사용됐다고 밝혔다.

⑤ SNS·YouTube·GitHub 등에서 드러난 추가 단서

[확인] 조사시점 Fyxer의 공개 GitHub/Hugging Face model artifact는 확인하지 못했고, 핵심 공개 흔적은 OpenAI technical customer story와 Fyxer product/blog pages다. 즉 외부 재현 가능한 code/model 공개보다 운영데이터와 제품 experimentation loop가 중심인 closed commercial architecture다.

⑥ 실제 제품·기술·정책 변화

[확인] 사용자가 draft를 수정하면 original vs edited output을 preference pair로 만들고 DPO training data로 사용한다. drafting 변경은 A/B test를 통과하고 statistically significant improvement가 있을 때만 ship된다. Fyxer는 drafts를 넘어 communication과 coordination 업무를 더 직접 관리하는 proactive assistant로 확장 중이라고 밝혔다.

⑦ 숨은 의미와 비하인드

[추론] Fyxer의 moat는 가장 큰 foundation model을 소유하는 데 있지 않고 업무를 잘게 나눈 label ontology + 실제 workflow data + user edit telemetry + preference optimization + experiment gate가 끊기지 않는 데 있다. 이 구조는 foundation model이 교체돼도 데이터와 evaluation loop가 남기 때문에 모델 commoditization에 대한 방어력이 생긴다.

⑧ 반대 근거와 과장 가능성

[주의] 53% drafts accepted as written, 90%+ 90-day retention, 2025 ARR growth 등은 회사가 OpenAI 사례에 제공한 지표로 독립감사 자료가 아니다. 사용자가 수정한 email을 preference data로 쓰는 과정에는 consent, sensitive-data handling, bias, feedback-loop drift가 존재할 수 있다. DPO가 언제·얼마나 자주 production model에 반영되는지도 공개되지 않았다.

⑨ 향후 예상되는 다음 행동과 확인해야 할 신호

Fyxer가 proactive action을 확대할 때 send/schedule/move/delete 같은 irreversible action에 어떤 approval gate를 두는지, preference data의 retention·consent·deletion 정책, task별 model failure rate, A/B rollback, memory contamination 방지, enterprise audit logs를 어떻게 설계하는지 추적해야 한다.

① 오늘의 핵심 흐름

이번 증분 브리핑의 핵심은 더 강한 모델 자체보다 검증을 포함한 운영 루프다. Perplexity는 frontier model을 production system modification·monitoring까지 확대하면서 self-generated test harness를 신뢰의 근거로 쓰고 있고, Fyxer는 좁은 specialized models와 실제 user edits를 continuous-learning loop로 만든다. AI가 실제 업무를 더 많이 맡길수록 review와 learning이 별도 시스템이 아니라 runtime architecture의 일부가 된다.

② 새로운 출시·업데이트

직전 조사시각 이후 새로 확인된 대형 frontier model/API 출시는 없었다. 이번 보고서는 9월 14일 공개됐지만 기존 Drive 브리핑에서 다루지 않은 OpenAI의 Perplexity·Fyxer 운영 사례를 증분으로 다룬다. 새로운 model launch가 없는 시간대에 과거 release를 반복해 분량을 채우지 않았다.

③ 핵심기술·연구

이번 시간대의 핵심기술은 test harness + evidence artifact + task decomposition + SFT/LoRA + DPO + A/B gate + memory/retrieval이다. agentic system의 품질은 한 번의 benchmark score보다 행동 후 검증, task별 evaluator, preference-data lineage, rollback 가능성이 더 중요해지고 있다.

④ 기업·담당자·조직 신호

Perplexity는 검색품질과 coding capability를 한 제품 loop로 묶고 production operations까지 신뢰범위를 넓히고 있다. Fyxer는 human EA agency에서 얻은 domain data와 24/7 human data operation을 AI 제품의 학습체계로 전환했다. 두 사례 모두 foundation-model vendor와 고객사가 단순 API 구매관계를 넘어 공동 engineering·evaluation 관계로 깊어지는 신호다.

⑤ SNS·YouTube에서 포착된 신호

Perplexity는 9월 3일 X에서 WANDR 결과를 공개했고, 이 게시물이 Astra를 Perplexity Computer에 채택하는 초기 신호였다. 조사시점 새 YouTube demo, GitHub repository, Hugging Face artifact에서 production architecture를 더 구체화하는 자료는 확인하지 못했다. 따라서 공개 SNS 숫자는 보조 evidence로만 사용하고 실제 운영범위는 9월 14일 공식 customer story를 기준으로 정리했다.

⑥ 약한 신호와 향후 조짐

[추론] human-in-the-loop는 사라지기보다 human-on-the-loop로 변할 가능성이 높다. 모든 모델출력을 사람이 승인하는 대신 runtime test, policy check, critic, monitoring이 정상인 경우 자동 진행하고 인간은 exception·high-risk action만 본다. 이때 경쟁력은 모델지능뿐 아니라 verifier independence, failure visibility, rollback latency, feedback lineage에서 갈릴 수 있다. [추론] Fyxer의 구조는 이전 브리핑의 GitHub HydraFusion과 다른 층에서 같은 방향을 가리킨다. GitHub는 runtime에서 어떤 모델과 workflow를 조합할지를 최적화하고, Fyxer는 업무 ontology와 feedback loop를 세분화한다. 향후 AI platform은 router + task graph + verifier + memory + preference store + experiment gate + audit를 하나의 운영체계로 묶을 가능성이 높다.

⑦ 과장·루머·주의 항목

Perplexity의 덜 확인한다는 발언을 human review가 불필요해졌다로 바꾸지 않았다. OpenAI 고객사 사례를 independent audit로 취급하지 않았다. Perplexity의 WANDR는 proprietary benchmark이며 production safety metric이 아니다. Fyxer의 acceptance·retention·ARR 수치도 company-reported다. 두 회사 모두 production incident rate, full permission model, rollback metric을 공개하지 않았다.

⑧ 사용자가 반드시 알아야 할 것

실제 AI agent를 운영한다면 model score보다 다음 체인을 먼저 설계해야 한다: Action Scope → Permission → Test/Simulation → Deterministic Checks → Independent Critic/Verifier → Evidence Artifact → Human Exception Review → Deploy → Monitor → Rollback → User Feedback → Preference/Training Store → A/B Gate. 이 체인이 끊기면 autonomy를 늘릴수록 review debt와 silent failure 위험이 함께 커진다.

⑨ 누락 가능성과 탐색 한계

OpenAI의 Perplexity·Fyxer pages는 공식 customer stories지만 고객사와 vendor의 공동 self-report 성격이 있다. 독립 production logs, incident database, model permission configuration, raw WANDR runs, Fyxer DPO dataset·A/B statistics는 공개되지 않았다. Perplexity X 링크는 공개 검색색인으로 존재와 문구를 확인했지만 조사도구의 X 직접 접근에는 제한이 있다. 비공개 Slack, internal dashboards, deleted posts, proprietary benchmarks의 원자료는 확인하지 않았다.

참고 자료와 작성 정보

작성·조사 시각: 2026-09-15 06:41:43 KST / 2026-09-14 17:41:43 EDT / 2026-09-14 14:41:43 PDT / 2026-09-14 21:41:43 UTC. 핵심 직접출처: OpenAI 2026-09-14 Perplexity trusts GPT-6 Astra with end-to-end systems; Perplexity 공개 X WANDR post; OpenAI 2026-09-11 Cognition helps Devin test its own work with GPT-6 Astra; OpenAI 2026-09-14 How Fyxer built an AI executive assistant people trust; Fyxer 공식 홈페이지와 2026-07-21 inbox-priority 기술설명. 지정 Drive 폴더의 직전 보고서를 다시 읽어 중복사건을 배제했다. 이 브리핑은 AI의 도움으로 공개 자료를 조사·정리했습니다. 확인된 사실과 추론, 미확인 내용을 구분해 표시했습니다.