[논문 리뷰] The Bathtub of European AI Governance: Identifying Technical Sandboxes as the Micro-Foundation of Regulatory Learning

Tom Deckenbrunnen, Alessio Buscemi외 3명|arXiv (Cornell University)|2026. 01. 07.

Ethics and Social Impacts of AI인용 수 0

한 줄 요약

이 논문은 EU AI Act의 규제 학습 공간의 기능적 모델을 개발하고, AI 기술 샌드박스(AITSes)를 증거 생성의 미시적 엔진으로 식별하며, 미시 수준 데이터를 통해 미시-중간-거시 수준의 학습으로 이어지는 세 가지 시나리오(자체 평가, AI 규제 샌드박스, 그리고 공시된 기관의 적합성 평가)를 개요로 제시한다.

ABSTRACT

The EU AI Act adopts a horizontal and adaptive approach to govern AI technologies characterised by rapid development and unpredictable emerging capabilities. To maintain relevance, the Act embeds provisions for regulatory learning. However, these provisions operate within a complex network of actors and mechanisms that lack a clearly defined technical basis for scalable information flow. This paper addresses this gap by establishing a theoretical model of the regulatory learning space defined by the AI Act, decomposed into micro, meso, and macro levels. Drawing from this functional perspective of this model, we situate the diverse stakeholders -- ranging from the EU Commission at the macro level to AI developers at the micro level -- within the transitions of enforcement (macro-micro) and evidence aggregation (micro-macro). We identify AI Technical Sandboxes (AITSes) as the essential engine for evidence generation at the micro level, providing the necessary data to drive scalable learning across all levels of the model. By providing an extensive discussion of the requirements and challenges for AITSes to serve as this micro-level evidence generator, we aim to bridge the gap between legislative commands and technical operationalisation, thereby enabling a structured discourse between technical and legal experts.

연구 동기 및 목표

• AI Act의 규제 학습 공간을 기능적 모델을 사용하여 미시, 중간, 거시 수준에 걸쳐 매핑한다.
• AI Act의 거버넌스 네트워크 내에서 집행 및 학습에서의 역할을 하는 행위자들을 식별한다.
• AI Technical Sandboxes (AITSes)이 확장 가능한 규제 학습을 가능하게 하는 미시 수준의 증거 생성을 위한 필수 요소임을 주장한다.
• 미시 수준 증거 생성 시나리오 세 가지와 그것들이 수준 간 학습에 어떻게 기여하는지를 설명한다.
• 규제 학습을 위한 AITSes를 운영하기 위한 인프라 및 방법론적 요구사항을 제시한다.

제안 방법

• 세 수준(미시, 중간, 거시) 기능적 거버넌스 모델을 채택하여 AI Act의 행위자 및 상호 작용을 매핑한다.
• Coleman의 bathtub을 기초로 삼고 중간 수준의 행위자들을 더해 학습 신호의 매개 및 집계를 포착한다.
• AI Technical Sandboxes (AITSes)를 미시 수준의 핵심 엔진으로 정의한다.
• 세 가지 증거 생성 시나리오를 식별한다(자체 평가, AIRSes, 그리고 공시된 기관의 적합성 평가).
• 데이터 흐름과 수준 간 학습을 가능하게 하는 확장 가능하고 기계 판독 가능 증거의 잠재력을 분석한다.

실험 결과

연구 질문

• RQ1 AI Act의 규제 학습 공간이 미시, 중간, 거시 수준에서 어떤 구조와 기능을 가지는가?
• RQ2 각 수준에서 어떤 행위자들이 작동하며, 집행과 학습의 흐름이 어떻게 그들을 연결하는가?
• RQ3 AI Technical Sandboxes (AITSes)가 미시 수준의 증거 생성 엔진으로서 어떤 역할을 하는가?
• RQ4 식별된 세 가지 미시 수준 증거 생성 시나리오의 데이터 흐름과 규제 학습에 대한 함축은 무엇인가?
• RQ5 미시 수준 데이터를 중간 및 거시 수준 학습에 활용 가능하게 하려면 어떤 인프라 요건이 필요한가?

주요 결과

• AI Act 규제 학습은 미시, 중간, 거시의 세 수준 모델과 정의된 집행 및 학습 전환을 통해 가장 잘 이해된다.
• AI Technical Sandboxes (AITSes)는 확장 가능한 학습을 지원하기 위한 재현 가능한 미시 수준 증거 생성기로서 필수적이다.
• 세 가지 시나리오는 미시 수준 증거를 생성한다: 자체 평가, AI 규제 샌드박스 참여, 그리고 공시된 기관에 의한 적합성 평가.
• 미시 수준 증거는 공통 기술 프레임워크와 기계 판독 가능 형식을 통해 구조화되어야 하며, 이를 통해 상위 수준에서의 집계와 학습이 가능하다.
• 행위자들 간에 기능적이지만 엄격한 계층적 명확성은 없으며, 상호 운용 가능한 학습을 위한 일관된 데이터 생성의 필요성을 강조한다.