AI 시스템이 실험적 프로토타입(Prototype)에서 임무 수행에 필수적인 도구로 전환됨에 따라, 동적 데이터(Dynamic data), 진화하는 모델, 그리고 거버넌스(Governance)에 대한 의존도는 기존의 획득 경로(Acquisition pathways)가 이를 따라갈 수 있는지에 대한 의문을 제기합니다. 미국 국방부(U.S. Department of Defense, DoD)는 적응형 획득 프레임워크(Adaptive Acquisition Framework)를 통해 획득 프로세스를 현대화하였으며, 소프트웨어 획득 경로(Software Acquisition Pathway, SWP)는 소프트웨어 집약적 역량을 획득하기 위한 주요 메커니즘 역할을 하고 있습니다. 본 논문은 SWP가 AI 획득의 독특한 요구사항을 해결하기에 충분한지 평가합니다. 본 연구에서는 시나리오 기반 평가(Scenario-based evaluation)를 수행하여, 가상의 AI 기반 프로그램이 주요 SWP 계획 활동을 거치는 과정을 추적함으로써 정책이 프로그램 산출물(Artifacts)과 의사결정으로 어떻게 변환되는지 평가합니다. 우리는 정책 시나리오 분석(Policy Scenario Analysis)을 사용하여 SWP 중심의 거버넌스 스택(Governance stack)이 AI 획득을 위한 충분한 실행 가능한 지원을 제공하는지 검토합니다. 거버넌스 스택은 반복적 인도(Iterative delivery) 및 AI 테스트를 위한 실행 가능한 토대를 제공합니다. 그러나 우리는 핵심 지침에서 반복되는 실행 가능성(Actionability) 문제를 식별했습니다. 데이터 출처(Data provenance), 생애주기 관리(Lifecycle management), 그리고 인간의 감독(Human oversight)을 위한 AI 특화 통제 항목들이 SWP가 실행되는 프로그램 대상 메커니즘에 내장되어 있기보다는 보충 문서들에 분산되어 남아 있습니다. 이러한 단절은 프로그램 사무국(Program offices)이 일관되지 않은 지역적 해석에 의존하게 만듭니다. 결론적으로, 우리는 이러한 정책과 산출물 간의 간극을 더 잘 메우기 위해 AI를 지원하는 하위 경로(Sub-path)와 표적화된 산출물 개선을 권고합니다.