프론티어 이미지 생성 기술은 예술적 합성에서 합성 시각적 증거 (synthetic visual evidence) 로의 전환을 이루었습니다. GPT Image 2, Nano Banana Pro, Nano Banana 2, Grok Imagine, Qwen Image 2.0 Pro, Seedream 5.0 Lite 와 같은 시스템들은 광대한 사실적 렌더링 (photorealistic rendering), 가독성 있는 타이포그래피, 참조물 일관성, 편집 제어력, 그리고 경우에 따라 추론이나 검색 기반 이미지 구축 능력을 결합하고 있습니다. 이러한 기능들은 디자인, 교육, 접근성, 커뮤니케이션 분야에서 큰 이점을 창출하지만, 동시에 사회의 가장 일반적인 신뢰 단축 경로 중 하나인 '합리적인 그림은 신뢰할 수 있는 기록이다'라는 믿음을 약화시킵니다. 본 논문은 합성 시각적 위험에 대한 원천 기반 (source-grounded) 기술 및 정책 분석을 제공합니다. 우리는 먼저 최근 이미지 모델들의 공개된 기능을 요약한 후, 가짜 위기 이미지, 유명인 및 공중 인물 이미징, 의료 스캔, 문서 위조 의심 자료, 합성 스크린샷, 피싱 자산, 그리고 시장 변동성을 유발하는 루머를 포함하는 공개적 사건들을 분석합니다. 우리는 모델의 기능 (affordances) 을 금융, 의학, 뉴스, 법률, 비상 대응, 신원 인증, 시민 담론 등 실생활 피해와 연결시키는 능력 가중치 위험 프레임워크 (capability-weighted risk framework) 를 소개합니다. 우리의 연구 결과는 위험이 광대한 사실성 (photorealism) 만으로 인해 발생하기보다는, 사실성, 가독성 있는 텍스트, 신원 지속성, 빠른 반복, 그리고 배포 컨텍스트의 수렴에 의해 주도됨을 보여줍니다. 우리는 모델 측 제한, 암호학적 출처 증명, 가시적 라벨링, 플랫폼 마찰 (platform friction), 섹터급 검증, 그리고 사고 대응을 포함한 계층적 제어 (layered control) 를 주장합니다. 본 논문은 모델 제공자, 플랫폼, 뉴스룸, 금융 기관, 의료 시스템, 법률 조직, 규제 기관, 그리고 일반 사용자들을 위한 실용적인 권장 사항으로 마무리됩니다.