실제 탐색적 데이터 분석(EDA)은 완전히 개방된 형태로 진행되는 경우가 드뭅니다. 분석가는 도메인 지식과 사전 가설을 바탕으로 방향의 우선순위를 정하며, 고수준의 도메인 질문에서 이를 해결할 수 있는 구체적인 분석으로 나아갑니다. 대규모 언어 모델(LLM)은 이러한 지식을 제공할 수 있지만, 그 응답은 비정형적이어서 분석가는 무엇이 탐색되었는지, 무엇이 누락되었는지, 또는 왜 특정 방향이 다른 방향보다 선택되었는지를 파악할 방법이 없습니다. 본 논문에서는 두 개의 연결된 구조를 통해 분석가와 LLM이 가능한 분석 공간을 함께 탐색할 수 있도록 지원하는 시스템인 DAG-EDA를 제안합니다. 분석 의도 문법에 따라 제어되는 의도 그래프(intent graph)는 모호한 자연어 질문을 점진적으로 구체적인 분석 작업으로 분해하여 대안적 관점을 열어두고, 분석가가 경로를 분기, 백트래킹 및 비교할 수 있도록 합니다. 다층 지식 그래프는 LLM의 도메인 지식을 외재화하여 도메인 개념을 이를 측정할 수 있는 데이터셋 변수와 연결함으로써, 분석가가 자신의 질문이 데이터에 어떻게 그라운딩(grounding)되는지 검사하고 이의를 제기할 수 있게 합니다. 두 그래프는 오직 데이터셋과 분석가의 질문만으로 구성되며, 분석가가 도달한 분석 결과는 인터랙티브 대시보드로 시각화됩니다. 우리는 활용 시나리오를 통해 시스템을 설명하고, 해당 시스템이 분석가의 추론과 탐색을 지원(scaffold)하는지 검증하기 위한 사용자 연구 설계를 기술합니다.
변화가 가속화되는 세상에서 현명하고 적응력 있는 인간의 추론(reasoning)에 대한 필요성이 커지고 있습니다. AI의 역량과 인간의 가이드를 통합하는 것은 유망한 접근법이지만, 인간의 추론 자체는 종종 성급하고 근시안적이며 오류를 범하기 쉽고, 다양한 작업에 걸쳐 인간의 추론 전략을 AI와 결합하기 위한 명확한 프레임워크는 존재하지 않습니다. 본 논문에서는 세부적인 데이터 분석부터 고차원적인 성찰 및 지혜에 이르기까지 인간의 추론 능력을 관여시키고 강화하는 인간 중심 하이브리드 추론 시스템(hybrid reasoning systems)을 위한 프레임워크를 제안합니다. 이 프레임워크는 (1) 인간 추론 강화를 위해 확립된 전략, (2) 결론 생성보다 결론 도출 전 단계의 관여(pre-conclusive engagement)를 선호하는 AI 설계 접근 방식, (3) 추론을 개별적으로 지원 가능한 구별된 모드들의 집합으로 취급하는 관점을 결합한 개념적 종합을 통해 개발되었습니다. 이러한 종합을 통해 광범위한 추론 강화를 위한 독창적인 프레임워크가 도출되었으며, 이로부터 추론 모드의 유형론, 시스템 아키텍처, 그리고 고수준의 연구 의제가 도출되었습니다.
대규모 언어 모델(LLM)과의 대화는 문제를 이해하는 방식이 급격히 변화하는 현상인 인간의 통찰로 이어질 수 있다. 본 관점(perspective) 논문은 대화가 전개됨에 따라 모델의 활동이 통찰과 어떻게 연관되는지 질문한다. 저자는 대화에서 발현되는 지능의 일부가 상호작용하는 두 가지 순환에서 비롯된다고 제안한다. 즉, 생성된 각 토큰이 다음 토큰의 문맥이 되는 순환과, 각 응답이 인간을 거쳐 돌아오며 인간의 해석 및 새로운 관찰이 모델이 입력받는 내용을 재구성하는 순환이다. 이러한 루프 내에서 모델의 기여는 익숙한 표현을 메아리처럼 되풀이하는 방식에서부터 인간이 발전시킬 수 있는 새로운 방향을 열어주는 프레이밍을 제공하는 방식에 이르기까지 여러 모드 사이를 오간다. 이러한 모드들은 모델 활동의 구별 가능한 패턴에 대응할 수 있다. 어떤 문맥을 앞으로 전달할지 선택하는 메모리 '스파인(spine)'은 아이디어 자체가 바뀌더라도 생산적인 패턴을 다시 유도해 낼 수 있다. 공개된 인간-모델 대화 기록, 오픈 가중치 모델에서 기록된 활동, 그리고 계산신경과학 도구들은 이러한 제안들을 검증 가능하게 만든다.
비디오는 인간의 행동, 상호작용, 상황적 맥락에 대한 풍부한 기록을 제공하며, 사람을 이해하고 인간 중심 연구를 수행하는 데 중요한 증거를 제시합니다. 비전-언어 모델(VLM)의 비디오 분석 역량이 점차 향상됨에 따라, 전통적으로 인간 집약적이었던 이 과정을 자동화할 기회가 열리고 있습니다. 그러나 핵심적인 질문은 여전히 남아 있습니다. VLM이 언제 인간 중심 비디오를 독립적으로 분석할 수 있으며, 신뢰할 수 있는 분석을 위해 언제 여전히 인간의 개입이 필요한가 하는 점입니다. 이 질문을 다루기 위해, 본 연구에서는 먼저 인간 중심 연구에서의 비디오 분석 관행을 특성화합니다. CHI 2026의 전체 논문 1,702편을 체계적으로 분석하여 비디오를 어노테이션하는 125편의 논문을 식별했습니다. 반복적인 코딩(iterative coding)을 통해 분석 목적, 시점, 현상, 추론 요구사항, 어노테이션 권한에 걸친 5차원 분류 체계를 도출했습니다. 이 분류 체계로 포착된 반복적인 어노테이션 작업을 바탕으로, 공개 데이터셋(dataset)에서 15개의 대표적인 작업을 선정해 범용 VLM의 역량과 한계를 파악하는 벤치마크(benchmark)를 구축했습니다. 또한 VLM 단독, 인간 단독, VLM 출력에 대한 인간 검증이라는 세 가지 어노테이션 워크플로우를 비교하여 인간과 VLM 간의 분업을 조사했습니다. 여러 작업 전반에 걸쳐 VLM 단독 어노테이션은 평균적으로 인간의 정확도에 근접했으며(인간 단독 성능을 100으로 둘 때 HNS = 97.0), 인간 중심 비디오 분석을 자동화할 수 있는 상당한 잠재력을 입증했습니다. 인간 검증은 가장 높은 정확도(HNS = 121.5)를 달성하는 동시에, 인간 단독 어노테이션 대비 인간의 어노테이션 시간을 48.9% 단축하고 비용을 31.3%~44.5% 절감했습니다. 본 연구 결과는 실제 인간 중심 비디오 분석 작업과 현재 VLM의 역량을 연결하며, 인간-AI 협업이 어떻게 VLM 기반 분석을 신뢰할 수 있고 효율적으로 만들 수 있는지를 명확히 보여줍니다.
전문 팩트체커는 주장을 검증하기 위해 도메인 지식과 깊은 문맥 이해에 의존한다. 대규모 언어 모델(LLM)과 대규모 추론 모델(LRM)은 그러한 그라운딩(grounding)이 부족하며 주로 이용 가능한 증거만으로 추론하기 때문에, 전문가 주도 검증과 완전 자동화된 주장 검증 사이에 불일치가 발생한다. 이러한 격차를 완화하기 위해, 실세계 지식과 도메인 전문성에 기반한 전문가 피드백이 모델의 추론을 안내하는 인간-AI 협업을 더 유망한 전진 경로로 제시한다. 그러나 기존 LRM은 특히 다중 턴 상호작용 설정에서 자연어 피드백에 맞게 조정하기 어렵다. 인간-AI 협업 주장 검증을 위한 프레임워크인 Co-FactChecker를 제안한다. 모델의 사고 추적(thinking trace)을 공유 스크래치패드(shared scratchpad)로 취급하는 새로운 상호작용 패러다임을 도입한다. Co-FactChecker는 전문가 피드백을 trace-edit으로 변환하여 추적에 대상화된 수정을 도입함으로써 대화 기반 상호작용의 단점을 우회한다. trace-editing이 다중 턴 대화보다 장점을 제공함을 보이는 이론적 결과를 제공하며, 자동 평가를 통해 Co-FactChecker가 기존 자율형 및 인간-AI 협업 접근법을 능가함을 보여준다. 인간 평가는 또한 Co-FactChecker가 다중 턴 대화보다 선호되며, 상대적으로 해석하기 쉽고 더 유용한 사고 추적과 함께 더 높은 품질의 추론과 판정을 생성함을 보여준다.
교사, 학회 의장, 일반 독자는 모두 제한된 증거만으로 글쓰기를 판단하며, 완성된 문서만 보고 그것을 만들어낸 과정은 보지 못한다. 최종 텍스트만으로는 문서가 사람의 직접 타이핑, AI 생성, 또는 인간-AI 혼합 협업을 통해 만들어졌는지 알 수 없다. 기존 과정 추적 도구는 도움이 되지만, 많은 것들이 호스트 문서의 편집 이력에 묶여 있고, 거친 활동 기록만 제공하며, 글쓰기 환경에 대한 제어가 제한적이다. Humanly는 글쓰기 과정 자체를 증거로 삼는 글쓰기 플랫폼이다. 사용자는 개인 문서나 할당된 과제를 위해 글쓰기 환경을 구성하고, 글쓰기 활동과 플랫폼 내 AI 지원을 기록하는 작업 공간에서 초안을 작성한다. Humanly는 완료된 세션을 봉인된 글쓰기 인증서로 패키징할 수 있으며, 구성을 인식하는 이상 행동 검토를 포함한다. 이는 수업 과제, 동료 검토, 개인 인증과 같은 글쓰기 시나리오를 지원할 수 있다. 사용자 연구는 Humanly가 다양한 역할에서 유용함을 보여주었으며, 레드팀 테스팅(red-teaming) 연구는 Humanly Typing Detector가 사람의 손 타이핑과 자동화된 타이핑을 구별함을 보여준다.
본 논문은 인공지능(AI) 시스템이 창의적일 수 있는지에 대한 질문을 검토하며, 전기공학, 패턴 인식, 기계학습, 신경망을 전공한 연구자의 관점과 배우, 무대·영화 감독, 작가, 작곡가, 시각 예술가로서 예술 분야에 평생 대부분을 바친 경험, 그리고 철학적 관점이라는 이중적 시각에서 접근한다. 마거릿 보덴(Margaret Boden)의 기초적 틀, 즉 창의성의 세 가지 속성(새로움, 놀람, 가치)과 창의적 과정의 세 가지 유형(결합적, 탐색적, 변환적)을 바탕으로, 본 논문은 AI 시스템이 가장 강한 의미에서의 창의성에는 구조적으로 능하지 않다고 주장한다. 결합적 창의성 영역에서는 실질적인 능력을 보이지만, 탐색적 창의성에서는 상당히 제한되며, 변환적 창의성에는 근본적으로 불가능하다. 본 논문은 또한 현재 AI 시스템의 가장 중요한 한계가 새로움 그 자체의 부재가 아니라, 창의성의 현상학에서 중심적 역할을 하는 우연한 발견(serendipity), 사고, 예기치 않음을 위한 어떠한 메커니즘도 없다는 점, 그리고 그러한 우연한 사건을 인식하고 환영할 수 있는 주체적 위치(subject position)의 부재에 있음을 주장한다. 본 논문은 현실적이면서도 생산적인 인간-AI 창의적 협업 모델을 제안하며 이를 여러 구체적 실험으로 설명하고, 이를 통해 결론을 내린다. 본 논문 자체가 논문이 제기하는 논지의 실증이며, 서두의 방법론적 주석에 기술된 바와 같이 의도적인 인간-AI 협업 과정을 통해 작성되었다.
창작 활동에 AI 기반 시스템을 통합하는 것은 예술가와 법률 공동체 사이에서 소유권 개념에 대한 논쟁을 촉발했다. 그러나 인간과 AI의 기여가 얽혀 있을 때 소유권을 어떻게 정의하고 귀속해야 하는지에 대한 합의는 여전히 부족하다. 이러한 긴장을 비판적으로 성찰하도록 유도하기 위해, 우리는 창작 활동의 다양한 단계에서 인간과 AI의 기여를 명시적으로 정량화하는 provotype인 ArtSplit을 설계했다. 소유권 문제를 해결하는 것을 목표로 하기보다, 이 provotype은 창작 워크플로에서 측정 가능한 행위를 통해 소유권을 귀속한다는 아이디어에 대한 예술가들의 반응을 이끌어내는 데 사용되었다. 우리는 정량화가 예술가들의 창작 의도와 주체성에 대한 이해와 맞지 않으며, 소유권을 측정하려는 노력이 예술가들이 창작 활동을 이해하고 실천하는 데 기반을 둔 오랜 전제를 희석시킬 위험이 있다고 주장한다. 이 비판은 역사적·사회적으로 맥락화된 관계를 기술적 문제로 전환하려는 충동에 도전한다.
금융 서비스의 알고리즘 의사결정 시스템은 구조적 불평등을 의도치 않게 인코딩하는 데이터 프록시에 의존하는 경우가 많다. 본 논문은 나이지리아 핀테크 섹터의 포인트 오브 세일(Point of Sale) 사기 탐지를 위한 계층적 인간-AI 트리아지 모델을 소개한다. '우리 모두는 평등하다(We Are All Equal)' 세계관을 채택하여, 시스템이 농촌 네트워크 타임아웃과 같은 인프라 관련 우연적 노이즈(aleatoric noise)를 사기 의도로 잘못 해석하는 차별 세탁(discrimination laundering) 문제를 다룬다. 우리는 보정된 앙상블 모델을 1차 필터로 활용하는 3단계 라우팅 정책을 구현한다. 이 정책은 콜드 스타트 신규 계정과 같이 인식론적 불확실성(epistemic uncertainty)을 특징으로 하는 거래를 전문 분석가에게 라우팅하는 한편, 고위험 사례는 선임 감독자를 위해 유보한다. 유한한 인간 처리 용량을 관리하기 위해 동적 섀도우 가격(dynamic shadow price)을 활용하여 인간의 주의를 배분하고, 인간 기술 퇴화를 방지하는 무작위 감사 메커니즘을 구현한다. 실험 결과, 자율 기준선 대비 통계적으로 유의미한 1.88%의 상보성 격차(complementarity gap)와 24.79%포인트의 사기 재현율 향상이 확인되었다. 특히, 모델은 지역 간 성능 격차를 19.43에서 2.88 퍼센트포인트로 줄여 구조적 바이어스를 중립화한다. 계층적 협력은 실질적인 기회 균등을 위한 강건한 메커니즘을 제공하며, 농촌 계정이 환경적 우연(environmental brute luck)으로 인해 디지털 경제에서 배제되지 않도록 보장한다.
ChatGPT(GPT-4.5)를 활용해 ESA의 ELOPE 대회(이벤트 카메라 기반 달 착륙선 궤적 추정)에서 신속한 프로토타이핑을 수행한 사례 연구로, 늦은 참가에도 불구하고 2위를 달성하며 인간-AI 협업의 가능성을 입증했다. ChatGPT가 코드 생성, 알고리즘 추론, 방법론 제안 등에서 기여했지만 불필요한 구조 변경, 컨텍스트 혼란, 오류 생성 등의 한계도 확인되어, LLM의 과학적 워크플로 통합을 위한 모범 사례를 제안한다.
챗봇과 인간 에이전트로 구성된 2단계 하이브리드 서비스 시스템에서 자동화 비용과 대기열 혼잡 간의 트레이드오프를 온라인 학습으로 최적화하는 문제를 다루며, UCB(Upper Confidence Bounds)와 DPP(Drift-Plus-Penalty) 제어를 결합한 UCB-DPP 정책을 제안한다. UCB-DPP는 미지의 챗봇 성공 확률과 인간 서비스율을 학습하면서 $\widetilde{\mathcal{O}}(K\sqrt{T})$의 후회(regret) 상한과 인간 서비스 대기열의 평균율 안정성(mean-rate stability)을 이론적으로 보장하며, 합성 실험에서 기준 정책들을 능가함을 보인다.
노동 현장에서 AI의 성공적인 확산은 AI가 인간의 활동에 가져다주는 경제적 가치에 달려 있다. AI를 노동 현장에 도입하는 것은 강력한 신기술을 배치하는 것 이상으로, 새로운 형태의 협업을 시작하는 것이다. 각 인간 노동자는 이제 AI 에이전트(agent) 팀을 보유하게 되며, 작업을 이 에이전트들에게 위임할 수 있고, 인간의 역할은 관리와 모니터링으로 전환된다. 노동 현장에서 AI와의 협업으로부터 경제적 가치를 극대화하려면 어떻게 해야 하는가? 인간 노동자를 대체하는 것이 아니라 역량을 강화하는 '진정한' 협업을 어떻게 실현할 수 있는가? 우리는 이론 컴퓨터 과학과 경제학을 결합한 접근법을 채택하며, 경제적 원칙에 기반한 알고리즘 도구가 인간-AI 공동 작업의 효과를 향상시킬 수 있는 잠재력을 조명한다. 우리는 두 가지 계층의 도구를 고려한다: (1) 상호 의존성의 알고리즘적 관리를 통해 더 나은 조율을 지원하는 도구; (2) 계약적 인센티브 정렬을 통해 더 나은 협력을 지원하는 도구. 우리는 알고리즘 및 경제학 연구에 기반한 원칙적 접근법이 조율과 협력 모두를 강화함을 보이고, AI 시장을 위한 미래 연구의 경로를 제시한다.
일상적인 과업부터 안전 필수 애플리케이션에 이르기까지 인간 활동의 다양한 영역에서 대규모 언어 모델(LLM)을 활용하는 것은 최소한의 인간 피드백으로 의사결정 효과를 높이는 것을 목표로 한다. 동시에, AI 비결정론(non-determinism)과 관련된 위험을 완화하면서 인간의 기대, 선호, 요구에 결정을 정렬(align)하고자 한다. 그러나 인간은 AI 권고에 과도하게 의존하거나 지나치게 의존하지 않는 경향이 있으며, 현재 AI 시스템은 인간의 기대에 대한 보정(calibration)이 여전히 부족하다. 이러한 과제를 해결하기 위해, 우리는 인간의 역량을 증강하고 AI 에이전트를 인간의 선호 및 기대에 정렬하도록 설계된 인간-AI 협력적 의사결정 프레임워크를 제안한다. 구체적으로, 본 논문은 (a) 협력적 의사결정 과업을 AI 에이전트와 인간 플레이어 간의 확률적 게임(stochastic game)으로 공식화하고, (b) 반복적이고 반성적인 과정에서 언어적 피드백을 활용하는 강화학습 에이전트와 인간 보정 모델을 통합한 인간 중심 반성적 아키텍처(HCRA, Human-Centric Reflective Architecture)를 제안한다. 평가 결과, HCRA는 의사결정 효과를 향상시키고 고품질의 권고를 제공하는 것으로 나타났다.
AutoPage는 학술 논문에서 인터랙티브 프로젝트 웹페이지를 자동 생성하는 멀티 에이전트(multi-agent) 시스템으로, 내러티브 계획부터 멀티모달 콘텐츠 생성, 인터랙티브 렌더링까지 이어지는 coarse-to-fine 파이프라인과 환각(hallucination) 방지를 위한 Checker 에이전트 및 선택적 인간 개입 체크포인트를 통합한다. 또한 이 작업을 위한 최초의 벤치마크인 PageBench를 구축하여 평가한 결과, AutoPage는 Gemini-2.5-Flash 기준으로 0.1달러 미만의 비용과 15분 이내의 시간으로 고품질 웹페이지를 생성함을 입증하였다.
Professional translation is often a team-based process: translators, reviewers, and project managers must coordinate terminology, legal force, and accountability across documents. Yet many LLM-based translation tools treat human corrections as isolated edits. Expert decisions made in one segment or by one member are rarely captured as reusable knowledge for the rest of the team. We present DeepTrans Studio, a collaborative translation workspace that lets professionals intercept selected nodes in an agentic translation workflow, review evidence, revise AI outputs, and save approved decisions to a shared team memory. During the demo, attendees will role-play translators and reviewers, resolve preset terminology and legal-modal risks, and see how their decisions are propagated to downstream segments and surfaced in a teammate's workspace as reusable precedents. The demo illustrates how human interventions in AI-mediated work can become shared, traceable knowledge rather than one-off corrections.
When firms deploy autonomous AI, they must decide how much work to leave to the system and how much to keep workers engaged. This decision affects current output and future human capital. We develop a parsimonious two-period model in which AI may outperform the worker when it functions, but may fail with positive probability. A firm chooses worker engagement; engagement lowers current output for below-benchmark workers, but changes future skill through learning and erosion. We distinguish two dimensions of AI progress: capability, the system's output when it works, and reliability, the probability that it works. In a single-firm benchmark, engagement is valuable only as fallback investment. The firm engages the least-skilled workers most, because they have the largest skill gaps and are least costly to bring toward a useful fallback level. With worker mobility, engagement also affects labor-market sorting: workers prefer jobs that build more valuable skill trajectories. This sorting motive targets higher-skill workers near the AI frontier, where skill gains are more valuable and engagement is less costly. Mobility can therefore reverse the engagement pattern, shifting investment from the least-skilled toward the most-skilled workers below the AI benchmark. Mobility also reshapes how AI progress affects engagement: greater capability raises engagement by increasing the value of the skill trajectory a firm offers, whereas greater reliability can raise or lower it because it reduces fallback need while also changing learning opportunities. Under worker mobility, human-AI work design becomes a problem of human-capital investment, in which allocating work today shapes future skill.
생성형 AI가 창의 산업에 미치는 구조적 변화를 정책 문서·산업 데이터·창작자 설문 등 374개 1차 자료로 분석하고, Human-AI Agency Continuum(인간-AI 주체성 연속체)과 슬롭 상한(slop ceiling) 등 분석 프레임워크를 제시한다. AI 생성 콘텐츠가 업로드의 44%를 차지해도 스트리밍은 약 1–3%에 그치는 현상, 영국 AI·저작권 공청회 응답의 88%가 학습 권한 확대에 반대한 결과, Disney·Netflix 등 주요 스튜디오의 AI 증강 제작 대응을 다루며 전환을 위한 투명성·동의·보상·인간 중심 설계 원칙을 제안한다.
Artificial Intelligence (AI) is rapidly reshaping the nature of work in software development, transforming user roles, workflows, and collaboration patterns across enterprise platforms. This qualitative study investigates how AI alters professional responsibilities within the context of SAP's Business Technology Platform (BTP), combining expert interviews (n=20) and a participatory workshop (n=24). The results reveal substantial shifts in day-to-day tasks and roles in the development domain, characterized by increasing automation of operational tasks, expanding human-AI collaboration, and growing reliance on agentic AI systems. The study further identifies significant implications for existing user-role frameworks, such as the BTP User Type Matrix, which requires adaptation as the workforce is undergoing significant role specific changes. Collectively, these findings highlight a workforce landscape in transition and underscore the need for revised role taxonomies, new governance and oversight functions, and updated design approaches for AI-native enterprise software systems.
Millions of people use machine translation (MT) tools daily, yet little is known about their perception of what systems can and cannot do. This paper studies users' mental models of speech translation systems through a new framework based on cross-lingual question answering, where users either accept MT output or request professional re-translation to answer questions based on the information presented in a foreign language. By analyzing user behavior and accuracy trends across varying translation qualities, we examine to what extent they can predict where the system is likely to be wrong, and how this mental model evolves. Users develop stronger mental models with practice, especially when they have some knowledge of the source language, primarily by relying on surface-level error cues. Moreover, providing speech transcriptions can help users develop better mental models. Our results show the promise of cross-lingual question answering as a downstream task for studying MT mental models and advancing our understanding of human-AI collaboration.
Accurate numerical eigenvalues are often difficult to certify, especially in singular or non-normal settings. This article reports a human--AI collaboration on two such computations. For a singular self-adjoint Schrödinger operator, a verified zero count and Dirichlet--Neumann bracketing certify the complete negative spectrum to ten decimal places. For a delicate non-normal atom--molecule benchmark, a previously unresolved resonance pair is separated, with each member enclosed to ten digits. The second result is achieved not by increasing the precision of one-way shooting, but by reformulating the problem as a global matching system for projective solution lines. The infinite tail is encoded as uncertainty in the terminal projective data, and a componentwise, tail-robust Krawczyk--Brouwer inclusion supplies the certificate. This gives a reusable architecture for analytic boundary-value systems with ill-conditioned propagation and uncertain asymptotic data. The collaboration also exposes the strengths and limits of AI assistance. AI rapidly produced accurate candidates and plausible proof strategies, but several failed, including one apparently complete tail argument that omitted the componentwise check required by a nonuniform polydisc. Validated computation is a stringent test of AI-assisted mathematics: the output is not merely a number, but a number with a proof. These examples show why the proof object matters, and why human mathematical judgment remained decisive. More broadly, as AI makes code, exposition, and plausible numerical claims inexpensive, standards for verification, attribution, peer review, and training must adapt. The implications are unsettling; the opportunity is extraordinary.