문서 코드: GRL-T1-003-KR

트랙: Track I — 기준 · 문제제기

카테고리: 판단과 책임 (Judgment & Accountability)

계열: Conditions (조건문서)

저자: 궁리연구소 (Gungri Research Lab) / 정유나 (Jung Yuna)

발행일: 2026년 4월

버전: v1.3

키워드: AI 판단 대체, AI Decision Substitution, 책임 귀속, Accountability Gap, 자동화 편향, Automation Bias, EU AI Act, 인간 감독, Human Oversight, 판단 조건, Judgment Conditions, 판단 유예, HOLD, 판단 가능 상태, Judgment-Ready, 자율 에이전트, Autonomous Agent, 판단 역량 위축, Judgment Capacity Atrophy

이 글은 결론이나 판단을 제공하지 않으며,
판단이 가능한 조건과 유예 상태를 구조적으로 설명한다.

This document does not provide conclusions or recommendations. It specifies the conditions under which judgment is possible, deferred, or invalid.

AI가 판단을 대신하면 책임은 어디로 가는가

초록 (Abstract)

AI 시스템이 의사결정에 개입하는 환경이 확산되고 있다. 그러나 AI가 출력을 생성한다는 것과 판단이 이루어졌다는 것은 같지 않다. 판단이 성립하려면 충족되어야 하는 조건이 있고, AI의 개입은 그 조건을 충족시키는 것이 아니라 우회시킨다. 이 문서는 AI가 판단 과정에 개입할 때 판단 조건에 무슨 일이 일어나는지, 책임 귀속 구조에 어떤 공백이 발생하는지, 그리고 이 구조가 확장될 때 어떤 문제가 이어지는지를 구조적으로 설명한다.

핵심 개념: 판단 조건, 판단 가능 상태(Judgment-Ready), 판단 유예(HOLD), 책임 공백(Accountability Gap)

용어 정의 (Definitions)

용어	정의	출처
AI 판단 대체 (AI Decision Substitution)	인간 판단 주체의 판단 조건 확인 없이 AI 출력이 의사결정으로 채택되는 상태	궁리연구소 판단이론 체계
자동화 편향 (Automation Bias)	자동화 시스템의 출력을 판단 조건 검증 없이 수용하는 인지 경향	Parasuraman & Manzey, 2010
인간 감독 (Human Oversight)	고위험 AI 시스템에 대해 인간이 개입·무시·중단할 수 있는 권한	EU AI Act Article 14
책임 공백 (Accountability Gap)	판단의 최종 책임이 인간에게도 AI에게도 실질적으로 귀속되지 않는 구조적 상태	궁리연구소 판단이론 체계
판단 가능 상태 (Judgment-Ready)	네 가지 조건이 모두 충족되어 판단이 구조적으로 성립할 수 있는 상태	궁리연구소 판단이론 체계
판단 유예 (HOLD)	판단 조건이 충족되지 않아 판단을 보류하는 것. 실패가 아니라 운영 상태	궁리연구소 판단이론 체계

한글	English
인지	Awareness
방법	Method
환경	Environment
기준	Criteria

The Four Conditions for Valid Judgment (Gungri Research Lab, 2026)

§1. AI 출력이 존재하는 상황

의사결정자가 AI 시스템의 출력을 받았다. “승인 권장”, “리스크 높음”, “이 환자는 재입원 확률 78%” 같은 결과가 화면에 표시된다.

의사결정자는 이 출력을 그대로 수용하거나, 무시하거나, 추가 확인 후 판단할 수 있다.

이 세 가지 선택지는 형식적으로 동등하다. 그러나 현실에서 동등하지 않다.

AI 출력을 수용하면 — 판단 과정이 생략된다. 시간이 절약된다. 별도의 설명이 필요 없다.

AI 출력을 거부하면 — 거부 사유를 설명해야 한다. 시간이 소요된다. 책임이 명시적으로 개인에게 이동한다.

이 비대칭 구조가 판단의 조건을 바꾼다. 판단 가능 상태(Judgment-Ready)에 도달하기 전에 판단이 종료되는 경로가 만들어지는 것이다.

§2. AI 개입이 판단 조건에 미치는 구조적 변화

§1의 비대칭은 어디서 오는가. 판단이 성립하려면 네 가지 조건이 동시에 충족되어야 한다: 인지, 방법, 환경, 기준(GRL-T1-004 참조). AI의 개입은 이 네 가지 조건 각각을 변형시킨다.

인지 — 상황을 아는 것과 AI가 요약한 것을 아는 것은 다르다

AI 개입 전: 의사결정자가 원본 데이터를 직접 확인하고 상황을 인식한다.

AI 개입 후: AI가 데이터를 요약·필터링하여 제공한다. 의사결정자가 아는 것은 “원본 상황”이 아니라 “AI가 선택한 상황의 일부”이다.

원본 정보와 요약 정보 사이에는 갭이 발생한다. AI가 무엇을 선택하고 무엇을 제외했는지는 대부분 설명되지 않는다. 의사결정자는 인지하고 있다고 느끼지만, 실제로 인지하고 있는 것은 AI의 출력이다. 의료 영상 판독 AI가 “이상 소견 없음”을 출력한 경우, 방사선과 전문의가 원본 영상을 처음부터 다시 확인하는 비율은 구조적으로 낮아진다. 전문의가 보는 것은 “환자의 영상”이 아니라 “AI가 이상 없다고 판단한 영상”이다.

방법 — AI가 경로를 제안하면 다른 경로의 탐색이 멈춘다

AI 개입 전: 의사결정자가 가능한 경로를 스스로 탐색한다.

AI 개입 후: AI가 경로를 제안한다. 의사결정자가 다른 경로를 탐색할 동기가 감소한다.

이것은 게으름이 아니다. AI가 “최적”이라고 제시한 경로가 존재하는 상황에서, 별도의 경로를 탐색하려면 추가 비용(시간, 인지적 노력, 설명 의무)이 든다. 경로 탐색의 비용 구조가 달라진 것이다.

환경 — AI 출력을 거부하는 데 비용이 드는 구조

AI 개입 전: 판단 보류는 “아직 결정 안 한 것”이다.

AI 개입 후: AI가 이미 출력을 제시한 상태에서 판단을 보류하면, “AI도 결론을 줬는데 왜 결정을 안 하는가”라는 압력이 발생한다.

AI의 존재 자체가 환경 조건을 바꾼다. 판단 유예(HOLD)의 비용이 올라간다. 유예가 원래 정당한 상태임에도, AI 출력이 있는 환경에서는 유예가 “불필요한 지연”으로 간주되기 쉽다.

기준 — AI의 출력이 기준을 대체한다

AI 개입 전: 의사결정자가 자신의 기준(경험, 규정, 원칙)에 의거해 판단한다.

AI 개입 후: AI의 권장안이 사실상의 기본값(default)이 된다. 이 기본값과 다른 판단을 하려면 “왜 AI와 다르게 판단했는가”를 설명해야 한다.

기준이 내부에서 외부로 이동한다. 의사결정자의 기준이 아니라 AI의 기준이 판단의 출발점이 된다. 이것은 기준 조건의 형식적 충족이지, 실질적 충족이 아니다.

This analysis draws on a proprietary variable structure not included in this publication.

§3. 자동화 편향은 신뢰가 아니라 비용 구조에서 발생한다

자동화 편향(Automation Bias)은 흔히 “AI를 과도하게 신뢰하는 것”으로 설명된다. 그러나 구조적으로 보면 신뢰의 문제가 아니다.

자동화 편향은 비용 비대칭에서 발생한다.

행위	비용	책임
AI 출력을 수용	낮음 (추가 확인 불필요, 설명 불필요)	분산됨 (“AI가 권장”)
AI 출력을 거부	높음 (사유 설명, 시간 소요, 대안 제시)	집중됨 (거부한 개인에게)
판단을 유예	높음 (AI 출력 무시의 설명 + 지연 비용)	집중됨 (유예한 개인에게)

AI 출력에 동의하면 비용이 낮고 책임이 분산된다. 동의하지 않으면 비용이 높고 책임이 집중된다.

이 구조에서 판단 조건의 확인은 건너뛰어진다. 확인하는 것이 합리적이지 않기 때문이다 — 조건을 확인해서 AI와 다른 결론에 도달하면, 확인하지 않았을 때보다 상황이 나빠진다.

이 비대칭은 개인에서 조직으로 확장된다. 조직 내에서 AI 출력을 수용하는 것이 관행이 되면, 개인이 이를 거부하는 것은 조직 관성에 역행하는 행위가 된다. “AI가 권장했으니까”는 개인의 판단 생략 사유이자, 조직의 책임 분산 경로이다.

Parasuraman & Manzey(2010)는 자동화 편향을 “자동화 시스템의 단서를 따르고 모순되는 정보를 무시하는 경향”으로 정의했다. 이 정의는 개인의 인지 편향에 초점을 맞춘다. 그러나 이 편향이 발생하는 배경에는, 판단 조건을 확인하지 않는 쪽이 구조적으로 유리한 비용 환경이 있다.

Kahneman(2011)의 구분으로 보면, AI 출력 수용은 빠르고 자동적인 사고(System 1)의 경로이고, 판단 조건 확인은 느리고 비용이 드는 사고(System 2)의 경로이다. 비용 구조가 System 1을 유리하게 만드는 환경에서, System 2가 작동할 확률은 구조적으로 낮아진다.

Cummings(2004)는 자동화 수준이 높아질수록 인간의 개입 능력이 떨어지는 현상을 관찰했다. 자동화가 진행될수록 인간은 감독자가 아니라 승인자가 된다.

§4. 책임 귀속 구조의 공백

AI가 판단 과정에 개입한 상황에서, 판단 조건을 확인한 주체가 누구인가?

단계	행위	판단 조건 확인 여부
AI가 출력 생성	데이터 분석 → 권장안 제시	❌ AI는 판단하지 않는다. 연산한다.
인간이 AI 출력 수용	“승인” 클릭	❌ 대부분 판단 조건을 독립적으로 확인하지 않는다.
결과에 문제 발생	오판, 손해, 피해	인간: “AI가 권장했다.” AI: 구조적으로 책임 주체가 아니다.

이 흐름에서 판단 조건을 확인한 주체가 없다.

AI는 판단 조건을 확인하지 않는다. AI는 패턴을 연산하고 출력을 생성할 뿐이다. “판단 가능 상태인가?”는 AI가 묻는 질문이 아니다.

인간은 판단 조건을 확인하지 않았다. AI가 이미 출력을 생성한 상태에서, 의사결정자가 네 가지 조건(인지·방법·환경·기준)을 독립적으로 점검하는 경우는 구조적으로 드물다.

결과적으로, 형식적 책임은 승인 버튼을 누른 인간에게 귀속된다. 그러나 그 인간이 판단 조건을 확인했다는 근거는 어디에도 기록되지 않는다. 미국의 형사 재범 예측 시스템(COMPAS)에서 AI가 “고위험”을 출력하고 판사가 이를 수용한 경우, 판사가 피고인의 조건을 독립적으로 확인했는지를 보여주는 기록은 존재하지 않았다(Angwin et al., 2016).

이것이 책임 공백(Accountability Gap)이다. 책임이 없는 것이 아니라, 책임의 근거가 없는 것이다.

§5. 이 구조가 확장될 때 발생하는 문제

여기까지가 현재이다. §1–§4의 구조는 이미 작동하고 있다. 문제는 이 구조가 고정되어 있지 않다는 것이다. AI 시스템의 적용 범위가 확장되면, 동일한 구조가 더 넓은 영역에서 더 빠른 속도로 반복된다.

자동화 범위의 확장

현재 AI 판단 대체가 관찰되는 영역은 의료 보조, 금융 심사, 채용 스크리닝 등 특정 도메인에 집중되어 있다. 그러나 AI 시스템이 자율 에이전트(Autonomous Agent)로 발전하면, AI 출력과 인간 승인 사이의 간격 자체가 사라지는 구조가 된다. 자율주행 시스템이 주행 중 장애물 회피 판단을 실행하거나, 알고리즘 트레이딩이 밀리초 단위로 매매를 체결하는 환경에서, “인간이 판단 조건을 확인한 후 승인”하는 경로는 물리적으로 존재하지 않는다.

이 자동화 범위가 특정 밀도를 넘으면 임계점이 발생한다. 하나의 조직에서 AI가 개입하는 의사결정의 비율이 과반을 넘으면, 인간 감독이라는 개념 자체가 물리적으로 유지 불가능해진다. AI가 출력하고, AI가 실행하고, 인간이 사후에 결과를 확인하는 흐름 — §2에서 설명한 판단 조건의 변화가 판단 조건의 소멸로 전환되는 지점이다.

판단 주체의 다층화

조직 내에서 AI 시스템이 복수의 의사결정 단계에 개입하면, 판단 조건을 확인해야 하는 주체가 불명확해진다. 데이터를 수집하는 AI, 분석하는 AI, 권장안을 생성하는 AI, 그리고 최종 승인하는 인간 — 이 체인에서 각 단계의 판단 조건은 어디서 확인되는가? §4에서 설명한 책임 공백이 단일 지점이 아니라 다층적으로 발생한다.

책임 공백의 누적

단일 의사결정에서의 책임 공백은 사후 추적이 어렵지만, 시스템이 그 구조를 반복하면 공백이 누적된다. 한 번의 판단 조건 미확인은 한 건의 리스크이다. 같은 구조가 하루 수천 건 반복되면, 리스크는 선형이 아니라 구조적으로 확장된다. 어떤 시점에서 문제가 발생했는지를 역추적하는 것 자체가 불가능해지는 규모에 도달한다.

개인 판단 역량의 구조적 위축

AI 출력에 의존하는 환경이 장기화되면, 의사결정자의 독립적 판단 역량 자체가 위축된다. Skitka et al.(2000)이 관찰한 것처럼, 자동화 환경에서 인간은 점차 독립적 정보 탐색을 중단한다. 이것은 개인의 게으름이 아니라, AI가 있는 환경에서 독립적 판단이 비용적으로 불리한 구조가 유지된 결과이다. 판단 가능 상태(Judgment-Ready)에 도달할 수 있는 인간의 수 자체가 줄어드는 것이다. 이 위축은 비가역적 방향으로 작동한다 — 위축된 판단 역량을 다시 회복하려면 AI 출력이 없는 환경에서 판단 조건을 재훈련해야 하나, 그런 환경은 구조적으로 줄어들고 있다.

이 네 가지 방향은 예측이 아니다. §1–§4에서 설명한 현재 구조가 규모와 속도에서 확장될 때 동일한 원리가 작동하는 경로를 설명한 것이다.

§6. EU AI Act가 요구하는 것과 요구하지 않는 것

EU AI Act(Regulation 2024/1689) Article 14는 고위험 AI 시스템에 대해 인간 감독(Human Oversight)을 요구한다.

이 조항이 요구하는 것:

인간이 AI 시스템의 출력을 감독할 수 있는 구조
인간이 AI 출력을 무시하거나 중단할 수 있는 권한
AI 시스템의 한계와 오류 가능성에 대한 인간의 이해

이 조항이 요구하지 않는 것:

인간이 판단 조건을 확인했는지의 기록
감독 권한이 실제로 행사되었는지의 검증
AI 출력과 인간 판단 사이의 불일치가 발생했을 때의 기록 구조

감독 권한이 있다는 것과, 감독이 실행되었다는 것은 동일하지 않다.

권한이 있으나 행사되지 않는 감독은, 형식적 준수(formal compliance)는 충족하지만 판단 조건의 실질적 확인은 이루어지지 않은 상태이다. 현재 EU AI Act의 구조에서는, “인간이 감독할 수 있었다”는 것이 “인간이 판단했다”는 것의 증거가 된다. 그러나 이 둘은 다른 것이다.

이러한 구조적 한계는 EU에만 국한되지 않는다. 미국 NIST AI Risk Management Framework, 중국 생성형 AI 관리법 등도 인간 감독을 요구하지만, 판단 조건 확인의 기록을 요구하는 프레임은 아직 어디에도 없다.

Zerilli et al.(2019)은 AI 의사결정의 투명성과 설명가능성만으로는 인간의 실질적 감독이 보장되지 않음을 지적했다. 설명가능한 AI(Explainable AI)가 제공하는 것은 AI의 연산 과정이지, 인간의 판단 조건이 충족되었는지의 확인이 아니다.

§7. 판단이 불가능해지는 구조

규제가 인간 감독을 요구하고, 기술이 인간 감독을 어렵게 만든다. 그 사이에서, 판단이 구조적으로 성립하지 않는 상태는 여러 경로로 발생한다.

AI 출력의 근거가 의사결정자에게 설명되지 않으면 인지 조건이 미달이다. AI 출력을 거부할 때의 비용이 수용할 때보다 현저히 높으면 환경 조건이 왜곡된 것이다. 판단 조건 확인 절차가 AI 도입 이후에도 별도로 설계되지 않았다면 방법 조건이 부재한 것이다. “인간 감독”이 형식적 승인 절차로만 존재하면 기준 조건이 외부에 의해 대체된 것이다. 그리고 AI 출력과 인간 판단 사이의 책임 경계가 시스템에 명시되지 않았다면, 이것은 개별 조건의 문제가 아니라 책임 구조 자체의 부재이다.

이 중 하나라도 해당하면, 판단 유예(HOLD)는 합리적이다. AI 출력은 판단의 재료이지, 판단 조건의 충족을 의미하지 않는다. “AI가 권장했으므로”는 판단 근거가 아니라 판단 생략의 사유이다. 조건 미달(Condition Deficit) 상태에서 AI 출력을 수용하는 것은 판단 실패(Judgment Failure)의 구조와 동일하다 — 조건이 미충족인데 판단이 강행된 것이다.

사전 판단 검증(Pre-Judgment Validation)이 존재하지 않는 환경에서 AI 출력이 추가되면, 판단 붕괴(Judgment Collapse)의 경로가 더 빠르게 작동한다. AI가 없을 때는 판단 조건이 미달이면 “아직 결정 안 한 상태”로 남을 수 있었다. AI가 있으면 “이미 답이 나왔는데 왜 안 하는가”로 바뀐다.

The structural mapping between AI intervention points and judgment condition failures draws on a proprietary analytical framework maintained by Gungri Research.

§8. 기록의 비대칭

AI가 개입한 판단 과정에서, 기록이 남는 쪽과 남지 않는 쪽이 다르다.

기록 대상	기록 여부	비고
AI 출력 내용	✅ 대부분 기록됨	시스템 로그
AI가 사용한 데이터	✅ 추적 가능	모델 입력
인간의 판단 조건 확인 여부	❌ 기록되지 않음	어떤 시스템에도 없음
AI 출력과 인간 판단의 불일치	❌ 기록 구조 없음	—
인간이 유예(HOLD)를 선택한 이유	❌ 기록 구조 없음	—

판단 흔적이 남는 쪽은 AI이다. 판단 조건을 확인해야 하는 쪽은 인간이다. 기록이 없는 쪽도 인간이다.

사후 검토 시: AI 출력은 복원 가능하다. 인간의 판단 과정은 복원 불가능하다. 대출 심사에서 AI가 “승인 권장”을 출력하고 심사역이 승인한 후 부실이 발생했을 때, 로그에 남아 있는 것은 AI의 출력과 심사역의 클릭 기록뿐이다. 심사역이 차주의 상환 능력을 독립적으로 확인했는지는 어디에도 없다. 이로 인해 사후 분석은 “AI가 무엇을 출력했는가”에 집중되고, “인간이 판단 가능한 상태였는가”는 묻지 않는다.

GRL-T1-002는 “기록 없는 판단이 조직 리스크가 되는 구조”를 다뤘다. AI 환경은 그 구조를 한 단계 악화시킨다. AI 도입 이전에도 판단 조건의 기록은 부재했다. AI 도입 이후에는 거기에 하나가 더 추가된다 — AI 출력의 기록이 판단 기록을 대체한다는 착각이다.

이 글은 결론이나 판단을 제공하지 않으며,
판단이 가능한 조건과 유예 상태를 구조적으로 설명한다.

Limitations

이 문서는 AI가 판단 조건에 미치는 구조적 영향을 설명하며, 특정 AI 시스템의 기술적 구현을 다루지 않는다.
이 문서는 AI 거버넌스 또는 규제 준수 방법을 제시하지 않는다.
이 문서는 특정 산업이나 조직에 대한 운영 지침을 포함하지 않는다.
AI 출력의 정확도 또는 모델 성능에 대한 평가는 이 문서의 범위 밖이다.

FAQ

Q1. AI가 판단을 대체하면 책임은 누구에게 있는가?

형식적으로는 최종 승인자인 인간에게 귀속된다. 그러나 판단 조건을 확인한 주체가 없는 경우 — AI는 판단하지 않았고, 인간은 판단 조건을 확인하지 않았다 — 책임의 근거 자체가 불명확해진다. 이것이 책임 공백(Accountability Gap)이다.

Q2. 자동화 편향(Automation Bias)은 왜 발생하는가?

흔히 AI에 대한 과신으로 설명되지만, 구조적으로는 비용 비대칭에서 발생한다. AI 출력을 수용하면 비용이 낮고 책임이 분산되며, 거부하면 비용이 높고 책임이 집중된다. 이 구조에서 판단 조건 확인은 합리적으로 건너뛰어진다.

Q3. EU AI Act Article 14는 이 문제를 해결하는가?

Article 14는 인간 감독 권한을 요구한다. 그러나 감독이 실행되었는지를 기록하는 구조, 인간이 판단 조건을 확인했는지의 검증은 요구하지 않는다. 권한의 존재와 권한의 행사는 다른 것이다.

Q4. AI 출력이 있으면 판단 유예(HOLD)는 불필요한가?

아니다. AI 출력은 판단의 재료이지 판단 조건의 충족이 아니다. 판단 조건이 미달인 상태에서 AI 출력이 존재하더라도 유예는 정당하다. 다만 현재 구조에서는 AI 출력이 있는 상태의 유예가 “불필요한 지연”으로 간주되기 쉽다.

Q5. AI가 판단을 대체하는 것과 보조하는 것은 어떻게 다른가?

구분의 기준은 판단 조건 확인의 주체이다. 인간이 네 가지 조건을 독립적으로 확인한 후 AI 출력을 참조하면 보조이다. 인간이 조건 확인 없이 AI 출력을 그대로 채택하면 대체이다. 현재 대부분의 환경에서 이 구분은 기록되지 않는다.

Q6. 이 구조가 확장되면 어떤 문제가 이어지는가?

AI 시스템이 자율 에이전트로 발전하면 인간 승인 단계 자체가 사라지고, 복수의 AI가 연쇄적으로 의사결정에 개입하면 책임 공백이 다층적으로 누적된다. 동시에, AI 의존 환경이 장기화되면 인간의 독립적 판단 역량 자체가 위축되며, 이 위축은 비가역적 방향으로 작동한다.

용어 출처 고지

다음 용어는 궁리연구소 판단이론 체계에서 정의된 고유 개념이다: 판단 유예(HOLD), 판단 가능 상태(Judgment-Ready), 판단 실패(Judgment Failure), 판단 상태(Judgment State: READY / HOLD / NOT READY), 조건 미달(Condition Deficit), 사전 판단 검증(Pre-Judgment Validation), 책임 공백(Accountability Gap), AI 판단 대체(AI Decision Substitution).

인용 형식

궁리연구소 (Gungri Research). (2026). “AI가 판단을 대신하면 책임은 어디로 가는가” GRL-T1-003-KR.

라이선스

이 문서는 CC BY-NC-ND 4.0 라이선스에 따라 배포됩니다. 비상업적 목적으로 원문 그대로 공유할 수 있으며, 수정 및 2차 저작은 허용되지 않습니다.

이 글은 결론이나 판단을 제공하지 않으며, 판단이 가능한 조건과 유예 상태를 구조적으로 설명한다.
This document does not provide conclusions or recommendations. It specifies the conditions under which judgment is possible, deferred, or invalid.

변경 이력

버전 관리 기록

버전	날짜	변경 내용
v0.1	2026.03.28	가안 작성. EU AI Act 연결 + 자동화 편향 구조 배치.
v1.0	2026.04.11	GRL Academic Brief 형식 재구성. 본문 4섹션→7섹션 확장. 참고문헌 3→7건 보강. Proprietary Marker 삽입. 기준 언어 밀도 강화. T1-002 브릿지 추가.
v1.1	2026.04.11	§5 “이 구조가 확장될 때 발생하는 문제” 신설. 자율에이전트·판단주체 다층화·책임공백 누적·판단역량 위축 4방향 구조 추가. 본문 7→8섹션.
v1.2	2026.04.11	16대 변인 거름망 적용. 구체 사례 4건 삽입(§2 의료영상, §4 COMPAS, §5 자율주행/트레이딩, §8 대출심사). 거름망 보강 4건: §6 규제 다층성(NIST/중국), §5 임계점 명시, §5 비가역성, §3 조직관성+책임분산.
v1.3	2026.04.11	작가 리뷰. 헤더 버전 v1.2 갱신. 초록 §5 반영. 키워드 4개 추가. Kahneman(2011) 본문 연결(§3 System 1/2). FAQ Q6 §5 대응 추가. §5 장문단 분리. §7 불릿→산문 전환. 섹션 전환부 5곳 다듬기(§1→§2, §3 내부, §4→§5, §6→§7, §8 T1-002 브릿지). §1 수용/거부 호흡 분리.