AI 활동의 함정에서 벗어나기: 실질적인 비즈니스 성과에 집중하는 방법

By Mirko Peters · 2026-08-13

블로그에 다시 오신 것을 환영합니다! 여러분의 조직이 오늘날 대부분의 기업과 비슷하다면, 인공지능을 도입해야 한다는 큰 압박을 느끼고 계실 가능성이 높습니다…

Automatically translated with AI from the original post. Read the English original

블로그에 다시 오신 것을 환영합니다! 여러분의 조직이 오늘날 대부분의 기업과 비슷하다면, 인공지능을 도입해야 한다는 엄청난 압박을 느끼고 계실 것입니다. 어디를 보든 기술 벤더, 업계 분석가, 언론은 지금 당장 AI를 도입하지 않으면 뒤처진다고 말합니다. 하지만 이 모든 분주한 활동이 실제로 비즈니스 수익에 의미 있는 변화를 만들고 있는지 잠시 멈춰 생각해 보신 적이 있습니까? 많은 조직이 이른바 '활동의 함정'에 빠집니다. 명확한 목표를 세우거나 실질적인 비즈니스 영향을 측정하지 않은 채 수많은 AI 파일럿을 시작하고, 번쩍이는 새 도구를 구매하며, 끝없이 개념 증명(PoC)만 만들어 내는 것입니다. 이 글에서는 과대광고 주기에서 한발 물러나 AI가 생산성과 비용 구조에 실제로 무엇을 할 수 있는지 평가하고, 실질적이고 측정 가능한 비즈니스 성과를 추적하는 데 집중하는 방법을 살펴보겠습니다.

이 과제를 더 깊이 다루고 AI 과대광고를 지속 가능한 비즈니스 가치로 전환하는 실질적인 전략을 듣고 싶으시다면, 관련 팟캐스트 에피소드 From AI Hype to Business Value with Kayode Ajayi [MVP-MCT]를 꼭 확인해 보시기 바랍니다.

AI 과대광고 vs. 실질적인 가치

AI 과대광고 정의

미디어와 시장의 동인

어디서든 AI 과대광고를 접하게 됩니다. 뉴스 헤드라인, 소셜 미디어 피드, 벤더의 보도자료가 모두 여러분의 관심을 끌기 위해 치열하게 경쟁합니다. 언론은 인공지능이 하룻밤 사이에 세상을 바꾼다는 자극적인 이야기를 좋아하고, 그 결과 기술 기업들은 투자자와 고객을 끌어들이기 위해 대담하지만 검증되지 않은 주장을 밀어붙이는 피드백 고리가 만들어집니다. 주요 업계 기업들은 이러한 메시지를 증폭시키며, AI가 모든 비즈니스 모델과 모든 현대적 기기에 반드시 필요하다는 서사를 부추깁니다.

기술 업계는 언론이 주장하는 모든 것이 AI로 실현되기를 필요로 합니다. 기업들은 AI 과대광고에 기대어 매출을 올리고, 주가를 끌어올리며, 빠르게 변하는 시장에서 경쟁력을 유지하려 합니다.

현대의 미디어 생태계는 바이럴 콘텐츠로 성장합니다. 알고리즘은 자극적인 뉴스를 크게 선호하므로, 급진적인 AI 혁신에 관한 이야기가 들불처럼 퍼집니다. 이런 환경에서는 사실과 마케팅상의 허구를 구분하기가 매우 어렵고, 리더들은 표면적인 소음 너머를 살펴보고 실제 유용성을 찾아내야 합니다.

벤더의 주장

소프트웨어 및 하드웨어 벤더들은 조직의 즉각적인 혁신을 약속하며 AI 과대광고를 자주 부추깁니다. 복잡한 워크플로를 자동화하거나 하룻밤 사이에 천문학적인 수익을 가져다준다고 주장하는 생성형 AI 도구를 마케팅합니다. 그러나 안타깝게도 이러한 주장 중 상당수는 실제 현장에서의 근거가 부족합니다. 일부 벤더는 운영 지표를 제공하기보다 꿈을 파는 데 훨씬 더 집중합니다. 여러분은 이러한 솔루션이 특정 업무 흐름에 어떻게 통합되는지 날카로운 질문을 던져야 합니다. 실제 운영상의 병목 현상을 해결하는가, 아니면 슬라이드에서만 그럴듯하게 들리는가?

• AI 과대광고는 극도의 열광과 투기적 관심이 뒤섞인 상태입니다.
• 여기에는 실증적 근거 없이 AI 성능을 과장하는 주장이 흔히 포함됩니다.
• 많은 사회학자는 과대광고를 공유된 기대감에서 비롯된 집단 심리 현상으로 봅니다.

실질적인 AI 가치란 무엇인가?

측정 가능한 성과

실질적인 AI 가치는 명확하고 수치로 측정할 수 있는 성과에서 나옵니다. 직원 생산성의 구체적인 향상, 직접적인 비용 절감, 고객 만족도의 가시적인 개선을 확인해야 합니다. 예를 들어 AI 기반 고객 서비스 상담원을 도입하면 첫 응답 시간을 크게 줄이고 지원 티켓을 훨씬 빠르게 해결할 수 있으며, 이를 통해 사람이 더 높은 가치의 자문 업무에 집중할 수 있습니다.

AI 솔루션이 기업의 전반적인 경영 전략과 완벽하게 맞물리고, 분기별로 추적할 수 있는 성과 지표를 제공할 때 비로소 진정한 가치를 확인할 수 있습니다.

실질적인 AI 차별화 요소는 목적과 통합에 있습니다. 모든 AI 프로젝트는 명확한 운영 목적에서 출발해야 하며, 기존 엔터프라이즈 시스템과 매끄럽게 연결되어야 합니다.

}$.

성공 사례와 실패 사례

AI를 도입하면 조직마다 결과가 크게 다르게 나타납니다. 성공한 기업은 AI를 활용해 번거로운 행정 업무를 없애고, 숙련된 직원이 복잡한 문제 해결과 창의적 전략에 집중하도록 합니다. 반면 많은 프로젝트가 잘못된 문제를 겨냥하거나 적절한 데이터 기반이 없어서 실패합니다. 과거의 실수를 살펴보면, 목표와의 정렬과 견고한 데이터 아키텍처가 왜 타협할 수 없는 요소인지 분명하게 드러납니다.

기대가 성과를 앞지를 때

과장된 활용 사례

주목받는 AI 이니셔티브 중 상당수는 장기적인 경제적 가치를 입증하기도 전에 대중의 큰 관심을 끕니다. 예를 들어 초기의 의료 진단 AI 도구는 치료 계획을 완전히 바꿀 것이라고 약속했지만, 제한적이거나 가설에 기반한 데이터셋으로 학습된 탓에 잘못된 권고를 내놓기도 했습니다. 마찬가지로 채용 절차를 간소화하려고 만든 자동 채용 도구는 의도하지 않은 인구통계학적 편향을 낳아 결국 프로그램 자체를 중단해야 했던 사례도 있습니다. 이러한 교훈은 AI에 대한 기대가 실제 역량을 얼마나 쉽게 앞지를 수 있는지 잘 보여줍니다.

통계에 따르면 압도적으로 많은 생성형 AI 파일럿이 실제 운영 단계에 도달하기도 전에 멈춰 섭니다. 대부분의 개념 증명(PoC) 프로젝트는 끝없는 테스트 단계에 갇혀, 이익, 사이클 타임, 매출 같은 핵심 비즈니스 지표에 아무런 영향을 주지 못합니다.

얻은 교훈

인공지능을 여느 일상적인 소프트웨어 배포와 다를 바 없이 다루면 거의 언제나 실망으로 이어집니다. 성공을 가로막는 진짜 장벽은 데이터 품질, 레거시 프로세스의 재설계, 그리고 운영 모델의 근본적인 변화에 있습니다. 탄탄한 기반이 없다면 AI 도구는 통제된 시연에서는 훌륭해 보일 수 있지만, 복잡하고 어수선한 실제 업무 현장에서는 성과를 내지 못할 것입니다.

AI에 대한 기대감은 사라지지만 AI의 영향력은 쌓여 갑니다. 핵심 비즈니스 프로세스에서 AI가 업무를 어떻게 단순하게 만들고, 산출물을 얼마나 빠르게 만들어내며, 가시성을 어떻게 높이는지에 집중하십시오.

AI가 생산성과 비용에 미치는 영향

생산성 향상과 한계

자동화

자동화는 여전히 AI와 생산성을 논할 때 가장 중심이 되는 요소입니다. 많은 기업이 일상적인 데이터 입력이나 표준화된 고객 문의처럼 반복적인 행정 업무를 처리하는 데 AI를 활용하고 있습니다. 개별 직원들은 이러한 도구 덕분에 특정 작업을 더 빨리 끝낼 수 있다고 자주 보고하지만, 이런 생산성 향상이 전사적으로 확장되는 경우는 드뭅니다. 엔터프라이즈 AI 도입에 대한 연구들은 측정의 격차를 꾸준히 지적하고 있습니다. 즉, 리더들이 비즈니스 성공의 명확한 기준을 정의하지 못했기 때문에 상당수의 생성형 AI 파일럿이 전체 손익계산서에 측정 가능한 영향을 보여주지 못하고 있습니다.

증강

순수한 자동화를 넘어, 많은 조직이 AI를 직원을 대체하기보다 지원하는 인력 증강에 활용합니다. 앞서가는 기업들은 워크플로를 재설계해 상당한 비용 절감과 캠페인 산출물 증가를 성공적으로 이끌어냈습니다. 다만 이런 효과를 얻으려면 AI 도입을 더 넓은 비즈니스 전략과 명확하게 맞춰야 합니다.

• 혁신적인 기업들은 AI 도구를 중심으로 워크플로를 재설계하면서, 마케팅 및 행정 간접비를 꾸준히 줄이고 산출물은 늘리고 있습니다.
• 직관적인 AI 어시스턴트를 사용할 수 있게 된 직원 중 상당수가 개인 생산성이 향상되었다고 보고합니다.
• 동시에 AI를 급하게 도입하면서 업무 환경의 혼란과 고용 불안이 눈에 띄는 부작용으로 남아 있습니다.

인력 규모와 조직 구성의 변화

직무 전환

AI가 인력 수에 미치는 영향은 여러 측면을 가지며, 구조적인 인력 변화를 이끌고 일부 경우에는 인력 감축으로 이어지기도 합니다. 공격적으로 AI를 도입하고 있는 조직의 직원들은 도입하지 않은 기업의 직원들에 비해 업무 환경의 혼란을 훨씬 크게 느끼고 있다고 보고합니다. 민첩한 소규모 기업은 빠르게 방향을 전환하는 경우가 많은 반면, 대기업은 복잡한 인력 전환을 신중하게 헤쳐 나가야 합니다.

재교육 필요성

이러한 직무 변화의 물결에 대비해 인력을 준비시키는 것은 반드시 해야 할 일입니다. 수많은 전통적 직무가 사라지거나 근본적으로 바뀔 수 있지만, 그보다 더 많은 기술 기반의 신규 직무가 등장할 것입니다. 고용주들은 분석적 사고, 능동적 학습, 디지털 리터러시, 데이터 거버넌스 역량을 점점 더 요구하고 있습니다.

기술에 대한 접근성이 높아질수록 그 기술을 숙달했다는 인식도 커집니다. 기술이 복잡해질수록 우리는 그에 맞춰 스스로를 훈련해야 한다는 기대도 높아질 것입니다. — Dr. Mark Esposito

AI를 활용한 비용 최적화

절감 잠재력

인공지능은 운영 비용 최적화에 막대한 잠재력을 제공합니다. 효율적인 엔지니어링 방식, 해싱, 캐싱 메커니즘을 적용하면 조직은 대규모 AI 워크로드를 실행하는 데 드는 연산 비용을 크게 낮출 수 있습니다. AI 기능을 중심으로 운영 워크플로를 재설계하면 이러한 절감 효과는 더욱 커집니다.

숨은 비용

동시에 리더는 AI 도입에 따르는 숨은 비용에 계속 주의를 기울여야 합니다. 전문 인력은 높은 연봉을 요구하고, 지속적인 직원 교육이 필요하며, 클라우드 인프라 요구 사항은 빠르게 커지고, 데이터 정제 프로젝트에는 상당한 시간과 자본이 필요합니다.

이러한 요소를 고려하지 않으면 예산 산정이 부정확해지고, 자원이 낭비되며, 실망스러운 투자 수익률로 이어집니다.

AI의 실질적 가치 측정하기

ROI 과제

단기 가치 대 장기 가치

AI 프로젝트의 실질적인 투자 수익률을 측정하는 것은 전통적인 소프트웨어 구매를 평가하는 것과 크게 다릅니다. 표준 ROI 모델은 예측 가능한 라이선스 비용과 즉각적인 재무 수익을 전제로 합니다. 반면 AI 프로젝트는 모델 튜닝, 보안 컴플라이언스, 지속적인 개발자 지원에 대한 지속적인 투자가 필요합니다. 의사 결정 속도의 대폭적인 향상이나 직원 번아웃 감소와 같은 정성적 이점을 얻을 수 있더라도, 이러한 요소는 전통적인 재무 스프레드시트에서 수치화하기가 매우 어렵습니다.

• 이익 실현까지 시간이 더 오래 걸리므로, 사용자가 교육을 받고 워크플로가 조정되는 동안 조직은 인내심을 가져야 합니다.
• AI는 고객 경험 개선이나 위험 완화와 같은 막대한 간접 이점을 제공하지만, 이는 단순한 재무 회계로는 쉽게 측정되지 않습니다.
• 빠른 기술 변화 속도는 예상치 못한 비용과 기회를 함께 가져옵니다.

AI의 실질적인 경제적 가치를 파악하려면, 도입 전에 명확한 성과 기준선을 설정하고, 유형 및 무형 지표를 모두 포함하며, 각기 다른 기업 이해관계자에게 공감을 얻을 수 있도록 보고 방식을 맞춤화하십시오.

데이터 품질 문제

기반 데이터의 품질이 AI 성공의 상한선을 결정합니다. 품질이 낮거나, 분산되어 있거나, 편향된 데이터를 AI 모델에 입력하면 부정확한 결과, 사용자 신뢰 저하, 자본 낭비가 반드시 발생합니다. 견고한 데이터 거버넌스, 정제, 검증에 투자하는 것은 비즈니스 가치를 정확히 측정하기 전에 반드시 필요한 선행 조건입니다.

활동의 함정

목표가 어긋난 이니셔티브

활동 함정은 움직임을 진전으로 혼동하는 조직을 옭아맵니다. 리더십이 달성한 비즈니스 성과가 아니라 도입한 AI 도구의 수나 시작한 파일럿의 수로 성공을 측정한다면, 체감되는 기술 발전과 실제 재무 성과 사이에 위험한 괴리가 생깁니다. 통합 코드를 한 줄이라도 작성하기 전에, 성공이 비즈니스 관점에서 어떤 모습인지 분명하게 정의해야 합니다.

명확한 목표의 부재

정확한 목표가 없으면 진행 상황을 추적할 수 없습니다. 성과 기반 지표를 세우면 조직은 실질적으로 혁신을 가져오는 AI 이니셔티브와 비용만 많이 들고 집중을 흩트리는 실험을 구분할 수 있습니다.

조직의 준비 상태

기술 역량과 변화 관리

결국 AI 투자가 성과를 낼지, 아니면 흐지부지될지는 내부 조직의 준비 상태가 결정합니다. 전략적 정렬은 AI 프로젝트가 기업 성장, 운영 효율성, 혁신을 직접 뒷받침하도록 보장합니다. 또한 효과적인 변화 관리는 직원들이 새로운 도구를 위협으로 보지 않고 받아들이도록 돕습니다.

거버넌스 공백

거버넌스 공백은 엔터프라이즈 AI 도입에서 가장 흔한 함정 중 하나입니다. 명확한 내부 구조, 윤리 가이드라인, 모니터링 프레임워크를 세우면 모든 AI 구현이 고립된 기술 부채만 남기지 않고 장기적인 조직 역량을 쌓아 가도록 할 수 있습니다.

성과 측정을 위한 실행 가이드

측정 방식을 개선하고 활동 함정에서 벗어나려면 다음의 실질적인 단계를 따르십시오.

1. AI 프로젝트를 시작하기 전에 엄격한 성과 기준선을 설정하십시오.
2. 상위 비즈니스 목표와 직접 연계되는 핵심 성과 지표(KPI)를 선정하십시오.
3. 선행 지표(미래 성공을 예측하는 지표)와 후행 지표(과거 결과를 측정하는 지표)의 균형을 맞추십시오.
4. 공인된 업계 표준에 비추어 자사의 성과를 벤치마킹하십시오.
5. 유형의 재무 수익과 직원 만족도, 의사 결정 속도 같은 무형의 효과를 함께 추적하십시오.

비즈니스에서 AI 가치 극대화하기

데이터 준비 상태와 거버넌스

견고한 데이터 기반 다지기

AI 가치를 극대화하려면 견고한 데이터 기반을 구축하는 것이 필수입니다. 깨끗하고 잘 구조화되어 있으며 접근 가능한 데이터는 정확한 머신러닝 모델과 신뢰할 수 있는 생성형 결과를 만들어 내는 연료입니다. 조직은 투명성, 보안, 윤리적 규정 준수를 보장하기 위해 포괄적인 거버넌스 프레임워크를 도입해야 합니다.

개인정보 보호와 규정 준수

데이터 개인정보 보호와 규제 준수는 첫날부터 다뤄야 합니다. 새롭게 등장하는 법적 프레임워크는 조직에 사용자 개인정보 보호, 감사 추적 유지, 알고리즘 편향 제거를 요구합니다. 선제적인 거버넌스는 값비싼 법적 제재로부터 기업을 보호하고, 어렵게 쌓아 온 고객 신뢰를 지켜 줍니다.

성과 중심의 AI 전략

비즈니스 목표와 맞추기

AI 이니셔티브는 전략적 비즈니스 목표와 직접 연결되어야 합니다. 먼저 구체적인 기업 목표를 정의하고, 현재의 기술 역량을 점검한 뒤, 영향력이 큰 활용 사례를 찾아내십시오. 처음부터 사업부 리더와 기술 엔지니어를 모두 참여시키면, 프로젝트가 기술 유행을 쫓기보다 실제 문제를 해결하도록 할 수 있습니다.

활용 사례 우선순위 정하기

명확하고 달성 가능한 투자 회수 기간과 측정 가능한 운영 개선을 약속하는 활용 사례에 자원을 집중하십시오. 기술 실험 자체보다 비즈니스 목표를 우선시하는 조직은 일관되게 더 나은 재무 성과를 거두고 있습니다.

AI를 위한 변화 관리

팀 역량 향상

업무의 성격이 빠르게 바뀌고 있으며, 이 변화를 따라가려면 직원의 역량 향상이 필수입니다. 평생 학습 이니셔티브, 지속적인 교육 프로그램, 호기심을 장려하는 문화는 직원들이 AI로 강화된 역할에 적응하도록 돕습니다. 사람의 감독과 자동화된 실행을 결합하면 오류를 크게 줄이고 전례 없는 수준의 창의성을 끌어낼 수 있습니다.

실험 장려하기

계산된 실험을 장려하는 문화를 만드십시오. 작고 관리 가능한 파일럿으로 시작하면, 팀은 전사 규모의 예산을 투입하기 전에 실질적인 가치를 입증할 수 있습니다. 모든 실험을 학습의 기회로 여기고, 실제 현장의 피드백에 따라 접근 방식을 조정하십시오.

가치 전달하기

AI의 가치를 경영진과 내부 이해관계자에게 효과적으로 전달하는 것이 장기적인 투자를 지속시키는 힘입니다. 명확한 지표, 단순한 시각 차트, 그리고 명백한 전후 비교를 활용해 AI가 일상 업무를 어떻게 바꾸고 있는지 보여 주십시오.

조직의 디지털 전환을 진행하면서 AI에 대한 과장된 홍보는 늘 시끄럽겠지만, 실질적인 비즈니스 가치는 신중한 계획, 엄격한 측정, 그리고 절제된 실행을 통해 만들어진다는 점을 기억하십시오. 명확한 목표에 집중하고, 의미 있는 성과를 추적하며, 팀의 역량을 높이면 AI 활동 함정에서 성공적으로 벗어날 수 있습니다.

자주 묻는 질문

AI 과장 광고란 무엇입니까?

AI 과장 광고란 인공지능이 마찰이나 실패 없이 모든 비즈니스 과제를 즉시 해결할 수 있다고 부풀려진 기대와 과장된 미디어 주장을 말합니다.

AI에서 실질적인 비즈니스 가치를 어떻게 측정합니까?

운영 비용 절감, 직원 1인당 절약된 시간, 고객 만족도 점수 향상, 직접적인 매출 성장 등 구체적인 성과를 추적하여 실질적인 가치를 측정합니다.

많은 AI 프로젝트가 성과를 내지 못하는 이유는 무엇입니까?

조직에 명확한 비즈니스 목표가 없거나, 데이터 품질이 낮거나, AI를 포괄적인 운영 변화 관리 과제가 아니라 설치만 하면 바로 쓰는 도구로 취급하기 때문에 많은 프로젝트가 실패합니다.

AI 도입에 숨은 비용에는 무엇이 있습니까?

숨은 비용에는 전문 기술 인재, 지속적인 직원 교육, 클라우드 컴퓨팅 인프라, 데이터 정제, 통합의 복잡성, 지속적인 규정 준수 모니터링 등이 포함됩니다.

AI는 직업에 어떤 영향을 미칩니까?

AI는 반복적이고 행정적인 업무를 자동화하여 직무 기술서를 바꾸고, 일부 수작업 워크플로를 대체하며, 분석 능력과 디지털 감독 역량이 필요한 새로운 역할을 만들어냅니다.

AI 활동 함정은 어떻게 피할 수 있습니까?

구입한 도구 수나 시작한 파일럿 수를 단순히 세는 대신, 모든 AI 이니셔티브를 구체적이고 성과 중심의 비즈니스 지표에 연결하면 활동 함정을 피할 수 있습니다.

비즈니스에서 AI 가치를 극대화하는 데 도움이 되는 단계는 무엇입니까?

깨끗한 데이터 기반에서 시작하고, 프로젝트를 전략 목표에 맞추며, 직원의 역량을 높이고, 견고한 거버넌스를 수립하고, 이해관계자에게 투명하게 결과를 공유하십시오.

이해관계자에게 AI 가치를 어떻게 전달합니까?

명확한 성과 지표, 직관적인 시각적 비교, 그리고 AI 투자가 효율성과 수익성에 긍정적인 영향을 미쳤다는 직접적인 증거를 담은 간결한 보고서를 공유하십시오.

🎧 이 에피소드 듣기

Kayode Ajayi [MVP-MCT]와 함께하는 "From AI Hype to Business Value"를 실용적으로 설명해 드릴까요? 이 에피소드는 주제를 명확한 언어로 풀어내고, Microsoft 365, Azure, Power Platform, 보안, AI, 그리고 현대적 업무 환경에 왜 중요한지 보여 줍니다.

다음과 같은 내용을 알고 싶다면 이 에피소드를 들어 보십시오:

• Kayode Ajayi [MVP-MCT]와 함께하는 From AI Hype to Business Value의 핵심 개념 이해하기
• Microsoft 기술 생태계에서 이 주제가 어떻게 맞물리는지 살펴보기
• 조직에서 실질적인 가치를 얻을 수 있는 지점 파악하기

함께 들어 보면 좋은 M365 FM 관련 에피소드:

• AI 과대광고에서 AI 하네스 엔지니어링으로 – Gentleman Programming의 Alan Buscaglia [MVP]와 함께 사람들이 실제로 신뢰할 수 있는 AI 구축하기
• Microsoft 365 Copilot 에이전트: Steve Corey [MVP]와 함께 알아보는 실질적인 비즈니스 가치
• Tchesco Ayih [MVP-MCT]과 함께하는 Microsoft Power Platform을 위한 AI-First UX
• Rex de Koning [MVP-MCT]와 함께하는 Secure Azure Networking
• 공격자처럼 생각하기 – Uros Babic [MVP-MCT]와 함께하는 Microsoft Security Exposure Management

M365 FM에서 실용적인 Microsoft 이야기를 더 찾아보십시오.

최종 검토: 2026년 7월.

대상 청취자

이 에피소드는 구현, 운영 또는 거버넌스 결정을 내리기 전에 실질적인 기반 지식이 필요한 Microsoft 관리자, 아키텍트, 개발자, 보안 전문가 및 비즈니스 리더를 위한 것입니다.

🎧 함께 들으면 좋은 에피소드

• AI 에이전트 — 이 주제를 확장하기 위해 바로 이어서 살펴보면 좋은 다음 단계입니다.
• Power Platform — 이 주제를 확장하기 위해 바로 이어서 살펴보면 좋은 다음 단계입니다.
• Microsoft Graph Data Connect — 이 주제를 확장하기 위해 바로 이어서 살펴보면 좋은 다음 단계입니다.