소프트웨어 공학은 오랫동안 시스템의 지식이 어디에 존재하는지를 코드를 작성한 사람이 누구인지로부터 추론해 왔습니다. 트럭 요인 (truck factor), 저자도 (Degree-of-Authorship) 지표, 그리고 지식 정도 (degree-of-knowledge) 모델은 모두 하나의 추론, 즉 코드 영역을 작성하는 것이 그것을 이해하고 있다는 증거라는 점에 기반하고 있습니다. 소프트웨어 역사의 대부분 동안 이는 실행 가능한 대리 지표 (proxy)였습니다. 코드는 인간이 작성했을 때만 저장소에 입력되었고, 이는 최소한 일시적인 이해를 강제했기 때문입니다. 본 논문은 AI 코드 생성 (AI code generation)이 이러한 추론을 근본적으로 끊어버리며, 그 결과는 저자 기반 지표의 저하가 아니라 하나의 범주로서의 무효화라고 주장합니다. 에이전트 (agent)가 모듈을 생성하고 인간이 이를 병합 (merge)할 때, 버전 관리 기록은 여전히 저자성을 부여하지만, 그 귀속은 더 이상 이해에 대한 어떠한 결론도 허용하지 않습니다. 동일한 흔적이 이제 완전한, 부분적인, 또는 전혀 없는 이해와 모두 양립할 수 있기 때문입니다. 지표는 여전히 숫자를 반환하지만, 그 숫자는 그것이 추정하는 데 사용되었던 양으로부터 분리되어 버린 기질 (substrate)을 측정할 뿐입니다. 이러한 붕괴는 해당 분야 자체의 측정 실패에 의해 뒷받침되며, 방법론적 필연성은 매우 중요합니다. 이해 부채 (comprehension-debt) 시대에 필요한 도구는 지식 집중 지표를 개선함으로써 구축될 수 없습니다. 왜냐로는 저자 흔적의 어떤 함수도 그 흔적이 더 이상 지지하지 않는 추론을 회복할 수 없기 때문입니다. 대체재는 저자성이 아닌 이해의 증거에 기반해야 합니다. 본인은 이 둘을 구별하는 반증 가능한 예측을 제시합니다. 즉, 저자로부터 유도된 트럭 요인 (truck factor)은 건강하지만 이해로 측정된 유지력이 낮은 시스템은 저자 지표가 예측하지 못하는 사고 해결 실패를 겪을 것이라는 점입니다. 그리고 시스템과 팀의 규모에서 이해에 기반한 도구를 구축하는 것이 이 분야의 미해결 측정 문제이며, 본 논문에서 이를 열어두었다고 주장합니다.