Naukowcy badający bezpieczeństwo AI zidentyfikowali fundamentalny problem: większość badań nad kontrolą modeli AI zakłada, że wdrażający ma pełną kontrolę nad modelami i infrastrukturą. W praktyce regulowane organizacje czesto korzystają z frontier models przez API lub managed endpoints, gdzie nie mają dostępu do wag modelu, logów interakcji, procesów aktualizacji czy wewnętrznych śladów działania.
Praca wprowadza koncepcję bounded sovereignty - częściowego dostępu technicznego i kontraktowego na czterech warstwach AI stacku: danych, modelu, infrastruktury i interakcji. Każda warstwa dostępu determinuje, które protokoły kontroli można praktycznie wdrożyć. Autorzy definiują sovereignty discount cost - część kosztów kontroli wynikającą z kompensowania braku dostępu poprzez umowy, architekturę, audyty, zapewnienia vendora lub zmniejszenie zakresu systemu.
Syntetyczne eksperymenty ablacyjne na 1,35 miliona symulacji pokazały, że dostęp do pełnych logów znacząco poprawia możliwość diagnostyki problemów, a pre-execution gateway umożliwia interwencję przed wykonaniem problematycznych operacji. Badania interpretowano na przykładzie scenario infrastruktury płatniczej, choć autorzy podkreślają, że to ćwiczenie sprawdzające wzmacnianie koncepcji, a nie rzeczywiste dowody z systemów płatniczych. Wyniki sugerują, że wiele kontrolnych protokołów może być niemożliwych do implementacji bez dostępu, który organizacje mogą nigdy nie uzyskać od dostawców modeli.