2025년 AI, 대폭발할 AI의 가능성, 그리고 샘 알트만

여러분, 2025년 새해의 시작 힘차게 하고 계신가요?

금주에는 세계 최대 규모의 기술 행사라고 할 수 있는 CES가 열리는데요. CES에서 어떤 일이 일어나고 있는지, AI가 실제 생활과 산업에서 어떻게 구현되고 있는지 한 번 살펴보고 공유해 드릴 예정이니 기대해 주세요!

여러분의 이메일함에도 ‘2025년 AI 대예측’, ‘올해 주목해야 할 AI 트렌드’ 같은 제목의 이메일 많이 받으셨죠? 그 모든 글들이 나름의 관점과 이유를 가지고 올해 AI 영역에서 벌어질 일들을 예측한 거겠죠.

게다가 그저께는 오픈AI의 샘 알트만이 X에 포스팅한 게 화제가 되면서, AGI가 오느냐 안 오느냐 이야기가 또 한 번 떠들썩해지고 있는데요:

많은 전문가들이 ‘기술적 관점’에서 어떤 부문이 각광을 받고 중요해질 것이다 이야기를 하고 계시고 그 모든 이야기를 잘 소화하고 새겨들어야겠습니다만, 그 모든 걸 꿰뚫는, 가장 중요한 하나의 문장을 만들어본다면 이거라고 생각합니다 (물론 제 개인적인 관점이예요):

기술적 요소로 보자면, 데이터셋, 트레이닝 기법, 멀티모달 모델, AI 에이전트 등 다양한 영역에서 우리가 살고 있는 ‘실세계에 구체적인 영향을 줄’ 진보가 이루어질 겁니다. 물론, 그 중 어떤 것들은 예측할 수 없는 변혁으로 연결되겠지만, 그렇다고 소위 AGI가 달성되는 일이 2025년에 일어나지는 않을 거라고 봅니다.

영역별로 한 번 생각을 해 보고, 글의 말미에 샘 알트만의 X 포스트에 대한 이야기도 하면서 정리해 보죠.

들어가며   

‘완벽한’ 기술이라는 건, 여러 가지 관점에서 ‘불가능한’ 개념이죠. 어떤 기술이든, ‘완벽하지 않아도 유용’할 수 있습니다.

웨이모 (Waymo) - 여러분들도 잘 아시는 로보택시 서비스죠. (백그라운드에서 사람이 광범위하게 개입은 해야 하지만) 어쨌든 ‘Level 4’ 수준까지 자율주행 기능을 제공하면서 수만 대 규모로 배치되고 있습니다. 전세계적인 재보험사 스위스 리 (Swiss Re:)’의 최근 보고서를 보면, 아주 뛰어난 운전사가 차량을 운전하는 경우보다도 웨이모의 자율주행 차량이 평균적으로 안전하다는 내용이 있기는 해도, 어쨌든 ‘자율주행 기술이 완벽하다’고 할 수 는 없겠죠. 그래도 전체적인 ROI 관점에서 유의미한 기술이 되었다는 것이고, 따라서 현실 세계에 점점 그 자리를 잡아가고 있는 거라고 봅니다.

‘생성형 AI’도 지금 같은 상황에 있는 셈입니다. 제대로 된 World Model이 아직 없다는 점, 모델이 드러내는 편향성과 공정성 이슈, 환각 (Hallucination)이나 작화증 (Confabulation), 그리고 모델이 보여주는 능력의 지나친 기복 (起伏) 등, 생성형 AI가 나타내는 문제점들은 잘 알려져 있습니다. 그런 문제들에도 불구하고, 생성형 AI는 ‘연구소 (Lab)에서 현장 (Production)’으로, ‘과학 (Science)에서 엔지니어링’으로, ‘과장 (Hype)에서 현실 (Reality)’로, 빠르게 이동하고 있습니다. 2025년, 이 전환이 본격화되는 한 해가 될 겁니다.

생성형 AI가 여러 가지 측면에서 각각 발전을 하기도 하고, 그 여러가지 측면이 서로 영향을 주면서 또 다양한 형태로 나타날 것이기 때문에, ‘2025년 생성형 AI는 이런 새로운 능력을 보여줄 거다’라고 결정론적으로 예측하는 건 아주 어렵습니다.

그래서 우선, 오늘은. 6개의 차원에서 관심을 가져 볼 만한 23가지의 키워드를 이야기해 볼까 합니다 - ‘2025년 생성형 AI의 23개 변화 벡터’ 정도라고나 할까요? 이 벡터들을 여러분이 관심있는 상황과 연결지어 생각해 보신다면, 그 시사점을 자연스럽게 뽑아내실 수 있을 거라 믿습니다.

첫 번째 차원: 데이터셋

‘데이터’. AI를 이용한 그 모든 것이 가능해지기 위한 근본 중의 근본이겠죠. 2025년, 데이터셋과 관련해서 아래의 세 가지 방향의 발전, 변화가 있을 겁니다:

• 데이터의 전문화 (Specialization)
  2년 전에 구글과 스탠포드가 의료 분야, 블룸버그와 컬럼비아대가 금융 분야에 특화된 LLM을 만들었던 기억이 나네요. 전문 분야의 (독점적인) 데이터셋으로 LLM을 학습시켜서, 일반적인 (General-Purpose) LLM보다 더 정확하고 ‘환각’ 현상도 적은 어플리케이션을 만들 수 있을 겁니다.

• 데이터의 정밀한 선별 (Curation)
  데이터 정제라는 게 데이터 사이언스의 기초 중의 기초이긴 하지만, 편향성/노이즈 등을 줄이고 정확도를 향상시키는데 아주 중요한 과정이죠. 올해 다양한 방식으로 데이터를 정제해서 LLM 어플리케이션의 성능을 높이고 비용을 줄이는 도구와 플랫폼이 많이 등장할 것으로 예상합니다.

• 합성 데이터 (Synthetic Data)
  합성 데이터가 주는 이점 못지 않게, Mode Collapse라든지 하는 부작용들도 있다는 보고들이 있는데요. 그만큼 더 많은 연구, 활용 가능성 탐색이 필요한 영역입니다. 그렇지만, 인류가 유기적 (Organic)으로 생성할 수 있는 데이터의 한계를 생각해 볼 때, 그리고 개인정보 보호 문제, Robustness를 위한 엣지 케이스 생성 등의 문제를 해결하려면, 합성 데이터의 발전은 필수 불가결하다 하겠습니다.

두 번째 차원: 트레이닝

AI 모델을 ‘트레이닝’하는 기법도 지난 수 년간 급격한, 그리고 의미있는 발전을 거듭해 왔죠. 트레이닝과 관련된 2025년의 중요 체크포인트는 아래 5가지 방향 정도 아닐까 합니다:

• 사후 학습 (Post-Training) + 차세대 RLHF
  ‘사후 학습’이란 ‘사전 학습’된 LLM을 특정한 도메인의 데이터로 추가 훈련해서 정제하는 과정이죠. 챗GPT에 활용된 RLHF는 모델의 출력값을 사람의 선호도에 맞춰 주관적인 성능을 향상시켜주죠. 특히, 2024년에 AI 기반의 RLHF라든가 본격적인 강화학습 기반 - 보상 함수를 활용해서요 - 의 기법들이 연구되기 시작했습니다.

• 희소 활성화 (Sparse Activation) 및 증류 (Distillation)
  ‘희소 학습’ (Sparse Training)은 중요한 매개변수만을 선택적으로 활성화하는 기법이고, ‘증류’ (Distillation)는 더 큰 모델의 지식을 더 작은 모델로 전달하죠. 두 가지 모두, 성능을 유지하면서 효율성을 높이는 중요한 기법들로, 점점 더 거대해져만 가는 신경망의 복잡성을 줄여줍니다. 거대한 모델을 더 많은 곳에서, 효율적으로 사용하기 위한 엔지니어링의 관점에서 이와 같은 방향의 발전이 계속될 것으로 봅니다.

• 지식 그래프 (Knowledge Graph)
  지식 그래프는 특정한 도메인의 정보를 그래프 구조에 매핑, 단순한 관계형 데이터를 넘어서는 데이터의 관계를 LLM에 통합해서 제공할 수 있습니다. 사실 LLM (으로 대별되는 파운데이션 모델)이 이해하고 학습해야 하는 현실은 단순한 관계형 데이터로만 표시하기는 쉽지 않은 경우가 많죠. 더 맥락에 맞는 추론을 수행하고 복잡한 쿼리를 하도록 하기 위해서, 지식 그래프와 관련된 발전, 그리고 적용이 2025년 활발해질 지리라 봅니다.

• 투명성 (Transparency)
  트레이닝 과정을 ‘투명하게’ 설계하고 문서화하는 것이 점점 중요해지고 있죠. 사용자, 그리고 다른 개발자가 모델을 훈련한 데이터의 출처, 의사결정 과정 등을 잘 이해할 수 있기 때문입니다. 이런 부분 때문에 이후 사용의 과정에서 생길 수 있는 문제를 예방하거나, 모델의 한계나 동작을 더 잘 해석하고 감사할 수 있게 해 줍니다. AI 모델이 연구실을 나와 현실로 적용되는 사례가 한층 많아질 2025년, 이 부분의 논의, 개발, 도구 등에서 많은 진전이 있을 겁니다.

• 물리적 세계 (Physical World)의 이해

  작년 초부터 Physical Intelligence에 대한 논의가 본격화되기 시작하지 않았나 싶은데요. World Model이 없다는 건 현재 기준 LLM의 중대한 단점이죠. 그 해결의 단초를 Genesis나 World Labs 등 새로운 시도를 통해서 찾고 있는 단계에서, 로봇 공학과 결합해서 본격적인 현실 세계로의 적용을 시도해 보는 과정이 2025년에 이루어질 거라고 봅니다.

세 번째 차원: LLM / FM (Foundation Model)

자, 이제 모델입니다. 이제 앞으로 각광받는 모델들은 단지 LLM을 넘어 다양한 모달리티를 처리하는 파운데이션 모델까지 확대되고 있죠. 작년의 추세가 이어지고 확장하면서 ‘현실에 적용한다는 관점’에서 어떤 모델이 필요한가의 관점에서 혁신적인 발전이 일어날 2025년이 될 거라고 생각합니다:

• 멀티모달리티 (Multimodality)

  지난 2년간 이미지, 오디오, 비디오 등 다양한 모달리티를 다루는 모델들이 등장했죠. 이 영역에서 계속해서 꾸준한 진전과 함께 더 다양한 모달리티와 그 상호 작용을 잘 다룰 수 있는 모델들이 등장할 겁니다.

• SLM(Small Language Model; 소형 언어 모델)

  마이크로소프트의 Phi 4와 같은 SLM, 클라이언트에서 특정한 작업을 처리하기 위한 에이전트로 활용할 만큼 충분히 강력해졌습니다. 올해는 SLM의 시대다 라고 이야기하는 전문가들도 많고, 현장에 도입될 생성형 AI 중 SLM이 중요한 축을 차지하리라는 건 의심의 여지가 없습니다. 한 가지 2025년 살펴볼 부분은, 2024년 말 오픈AI의 o3로 본격화되는 ‘추론’ 영역에서도 과연 SLM이 어느 정도 성능을 보여줄 것인가 하는 부분입니다.

• 컨텍스트의 유지 (Context Adherence)

  생성형 AI 모델이 주어진 데이터셋의 맥락을 유지하고, 해석하고, 적절하게 반응하는 건 쓸만한 어플리케이션을 만들 때 아주 중요한 요소입니다 - AI가 대화라든가 데이터 간 관계를 이해해서 더 정확하고 맥락에 맞는 출력을 해 주도록 하니까요. 지금까지 주로 모델의 사이즈를 늘려가면서 컨텍스트를 확장하는 방법이 가장 중요한 방법이었다면, 앞으로 엔지니어링의 관점에서 어플리케이션 레벨의 컨텍스트를 유지하는 기법도 함께 발전할 것으로 보입니다.

• 지속적 학습 (Continual Learning)

  LLM이 최신의 상태를 유지하고 편향성을 수정하는 등의 능력은 당연히 중요하죠. 앞으로는, 에이전트 기술을 결합해서 자체적으로 운영할 수 있는 피드백 루프를 만들어준다면, 이론적으로는 계속해서 스스로 개선할 수 있는 가능성이 있습니다 - 예를 들어, GAN이 게임을 학습하는 것처럼요.

네 번째 차원: 추론 (Inference)

‘추론’ 영역은 소프트웨어적인 측면, 그리고 하드웨어적인 측면 모두에 관전 포인트가 있고, 다른 그 어느 영역보다도 빠른 발전과 논쟁이 일어날 거라고 생각하는 영역인데요.

• 추론 연산 (Reasoning / Inference Compute)
  o1 계열 모델의 등장, 그리고 12월에 공개된 o3. 상당히 빠른 전개라고 하지 않을 수 없는데요. o3의 정확한 능력과 그 비밀 레시피는 더 탐구를 해 봐야 하겠지만, ‘Fast Response’에서 ‘Slow Thinking’으로, 즉 더 나은 답변을 위해서 더 오래 숙고하는 모델로의 전환점을 지나고 있음을 보여줍니다. 그 사이에 이미 DeepSeek에서도 추론이 강화된 모델을 공개하는 등, 오픈소스 진영의 움직임도 빨라지고 있는 만큼, 사용자인 우리 입장에서는 필요에 따라 고를 선택지가 증가하는 한 해가 되지 싶네요.

• 메타인지 (Metacognition)
  여기서 ‘메타인지’라고 하면, 정확한 결론을 도출하기 위해 추론 과정을 모니터링하고, 평가하고, 조정하는 능력을 말합니다. 복잡한 문제를 해결하는 과정에서 인지적 단계에 대한 ‘자기 인식 (Self-Awareness)’을 함으로써 의사 결정 과정, 그리고 오류 수정 능력을 개선하고 제고할 수 있는 기반이 될 겁니다.

• 추론 프로세서 (Inference Processor)
  엔비디아가 GPU 경쟁에서 모든 잠재적 경쟁자들을 압도하고 있지만, ‘추론’ 영역에 집중한 다양한 프로세서들이 또 있죠. 이 영역은 일단은 엔비디아의 ‘CUDA 호환성’ - 엔비디아의 경쟁력이 단순한 CUDA 호환성에만 있지는 않습니다만 - 의 중요성이 상대적으로는 덜한 영역입니다. 니치 영역의 어플리케이션을 정확히 공략할 수 있다면, 경쟁사들 - Groq, Cerebras, 그리고 우리나라라면 Rebellion, Furiosa 등 - 이 추론 시간을 단축하고 전력 소모를 줄인다거나 하는 여러 가지 장점을 내세워 시장 침투를 할 가능성도 있지 않을까 하는데요. 그에 대한 1차적인 결론이 2025년에 나지 않을까 생각합니다.

다섯 번째 차원: 에이전트

‘AI 에이전트’만큼 2025년 AI를 언급할 때 자주 등장하는 용어가 있을까요? 개인적으로 2025년 AI 에이전트가 보편화되는 시기가 도래할 거라고 생각하진 않습니다 - 에이전트 생태계, 에이전트 경제가 도입되기 위해서는 기술적인 요소 외에 검토되어야 할 부가적인 인프라나 사회적 합의, 운영이나 계약 체계 등 변화해야 할 것들이 많기 때문이죠. 그렇지만 비교적 단순한 에이전트들이 세상에 선보이기 시작하고 사람들이 대규모로 사용해 보기 시작하는 한 해가 되지 않을까 기대하고 있습니다:

• MCP (Model Context Protocol; 모델 컨텍스트 프로토콜)
  앤쓰로픽에서 제시한 이 프로토콜. AI 시스템, 그리고 다양한 데이터 소스를 연결할 때 활용할, 보편적이고 개방된 표준을 제공하는 하나의 메카니즘입니다. 이게 업계 표준으로 채택될지, 아니면 또 각자 유사한 프로토콜을 제시할지 한 번 볼만한 판이 깔릴 테고, 어쨌든 에이전트 - 또는 Composite AI 시스템까지도 - 의 세상을 앞당기는데 필요한 핵심적인 엔지니어링 요소임에는 분명합니다.

• 에이전트 (Agents)
  에이전트, 에이전트, 말이 많습니다만, 간단히는 ‘특정한 목표를 달성하기 위해서 자율적으로 행동을 취하는 소프트웨어 개체’ 정도겠죠? 단일 모델이 ‘Brute Force Scaling’ - 무작정 모델 사이즈를 늘려가면서 스케일을 하는 것 - 의 한계에 부딪혀 정체된 상황에서, ‘추론’ 모델과 함께 가장 큰 관심을 받고 있는 영역입니다. 2025년, 분명 기초적인 에이전트의 상업화 (Commercialization) 원년이 될 겁니다. 어떤 에이전트들이 각광받을지 관심을 가져보죠.

• 코파일럿 (Co-Pilots)
  에이전트 대비 조금 더 보조적인 역할을 하는 코파일럿은 훨씬 더 광범위하게 확장되기 시작할 거라고 생각합니다. 다만, 현재까지 우리가 볼 수 있는 코파일럿이 ‘범용의 생산성 도구’라는 관점에서 만들어진 것이 대부분이라면, 앞으로의 코파일럿은 ‘특정한 버티컬에서 독특하고 새로운 워크플로우와 UI로 사용자를 지원 또는 리드’하는 형태가 각광받을 거라고 생각합니다.

• UX/아바타 (UX/Avatars)
  ‘AI의 의인화’는 사실 아주 논란이 많은 영역이죠. 개인적으로는 무조건적으로 ‘의인화’를 하라 마라는 주장은 의미가 없고, 결국 윤리적인, 그리고 안전의 기준을 명확히 해서 지켜가면서 서비스의 효용성을 높이는 방향에서 의인화가 필요하면 하면 된다는 입장이기는 합니다만, 어쨌든 ‘의인화’는 이 생성형 AI가 가진 사람과의 ‘상호작용’, ‘협업’ 특성을 극대화할 수 있는 하나의 메커니즘이라고 생각합니다. 2025년에는 본격적으로 AI 의인화를 도입하는 서비스들이 늘어나면서 큰 윤리적 논란, 법적 논란 등이 증가할 것으로 예상됩니다 - 문제가 있는 곳에 해결책이 있는 법입니다.

• AI Twins
  이미 소크라테스부터 개인적으로 사랑했지만 지금 곁에 없는 가족 구성원까지, 다양한 AI 대화형 봇/아바타가 생겨나고 있죠. 링크드인의 창업자인 리드 호프만도 비슷한 시도들을 해 보고 있다고 알고 있는데요, 이런 추세가 가속화되면서 반대 측면에서 보안, 프라이버시에 대한 이슈, 개인의 존엄성과 AI Twins를 통한 경제적 이득의 귀속 주체 등 다양한 사회적, 도덕적 논의가 크게 불거질 한 해가 될 겁니다.

여섯 번째 차원: AI 서비스에 대한 접근

우리는, 일반인들은, 그리고 기업의 사용자들은 어떤 형태로 AI 서비스에 접근 - 즉 사용 - 하게 될까요?

2025년은 SLM, 오픈소스의 성장과 함께 지금까지 클라우드와 대규모 서버 중심으로 실험되고 사용되었던 생성형 AI가 본격적으로 엣지로 이동 - 엣지에도 많이 배포된다는 뜻이죠 - 하는 해가 될 겁니다. 더불어, AI와 로봇의 결합이 2024년에 큰 화두였고 많은 실험이 있었던 만큼, 상업화의 한 갈래로서 ‘취미용 키트’ 시장에서도 재미있는 제품과 서비스가 등장할 걸로 봅니다:

• 클라우드에서 엣지로 (Cloud to Edge)
  2025년, 더 많은 노트북, 스마트폰 등 엣지 디바이스 제조사들이 AI 보조 프로세서가 탑재된 기기들을 선보이고, 여러분의 엣지 디바이스에서 사용해 볼 수 있는 AI 서비스가 많이 늘어날 겁니다. 물론 환경과 조건에 따라서, 대부분의 서비스는 ‘클라우드’와 ‘로컬 환경’을 적절하게 오가면서 생성형 AI 서비스를 사용하는 서비스가 되겠죠. 도대체 어떤 서비스가 이런 하이브리드 환경에 적합할지, 기대되지 않으세요?

• 취미용 AI 로봇 키트 (Hobby Kits)
  엔비디아는 이미 250달러 짜리 로봇 공학 키트를 내놓기도 했는데요. 그 외에도 허깅페이스가 내놓은 ‘LeRobot’ 같은 오픈소스 플랫폼을 이용해서, 초기에는 취미용 내지 아주 기초적인 유즈케이스용 AI 로봇 키트들이 나올 걸로 예상합니다. 재미와 흥미에 중점을 둔 어플리케이션으로 시작해서, 본격적 시장을 만들 수도 있겠죠.

• 분산 컴퓨팅 (Distributed Computing)
  SETI@Home과 Folding@Home은 90년대에 분산 컴퓨팅의 힘을 보여주며, CPU의 유휴 시간을 활용할 수 있게 했는데요. GPU 산업에서도 이런 스토리는 그대로 적용될 수 있고, 특히 엣지 디바이스 시장의 확대와 함께 더욱 각광받는 시대가 되지 않을까 합니다.

샘 알트만의 커멘트, 어떻게 봐야 할까

글쎄요, 모르겠습니다. 제가 뭐라고 ‘AGI의 때가 왔다 아니다’ 할 수 있는지는요 ^.^; AGI를 둘러싼 논쟁은, 어느 때 보면 ‘도대체 내가 - 또는 상대방이 - 무슨 이야기를 하고 있는 거지’ 싶을 때도 있으니까요.

예상하신 분도 있겠지만, 역시 게리 마커스는 ‘나는 샘 알트만과는 생각이 다르다’는 포스트를 Substack에 올렸어요. 궁금하신 분들은 한 번 들어가서 보시면 좋겠습니다만, 간단히 중요한 포인트만 요약하자면:

• Distribution Shift의 변화에 여전히 AI는 적절히 대응하지 못하고 있다.

• (사람에게는 쉬운) 상식적인 추론도 여전히 제대로 하는 건지 증명하지 못했고 오류가 많다.

• 위 문제에 o3가 어떻게 대응하는지 제대로 테스트하거나 보여준 적이 없다.

는 것으로 저는 이해했습니다.

저도 전반적으로 게리 마커스의 의견에 좀 더 가깝게 생각하는 편입니다. 즉, 그런 문제들이 해결되기 전에 섣부르게 AGI를 달성했다 가깝다 하는 건 별 의미없는 말이라고 생각한다는 겁니다. 다만, 잘 살펴보고 주위의 Frontier Lab에 있는 지인들에게 어떤 의견인지 물어보면, 샘 알트만의 의견을 무작정 무시하기는 어렵다는 의견도 꽤 많습니다. (그 길이 유일한 길은 아닐지라도) AGI로 가는 길에 대한 탐색이 유의미한 진전을 분명히 이루었고, 이제 앞으로는 그 길로 열심히 달리면 된다는 거예요. GPT-3 나오기 전에 이 사람들에게 ‘AGI 언제쯤 달성할 것 같으냐’고 물어보면, ‘빨라도 2050년’이라는 대답이 대부분이었습니다.

근본적으로 제프리 힌튼 vs. 얀 르쿤의 관점 싸움 같은 게 있는 것 같기도 하고, AGI가 구체적으로 뭔지, 그에 대한 사회적 합의는 되어 있는지 등등 체계적으로 정리해야 할 것들은 많지만 그것들을 일단 차치해 놓고 보죠.

그렇게 보면, 특이점, 즉 AGI나 ASI를 향해 가는 Flywheel이 점점 더 빠르게 돌아가고 있다는 것만은 분명한 것 같습니다. 마이크로소프트의 예를 들자면, 2020년 17B USD 정도였던 컴퓨팅 인프라 CAPEX가 2025년 올해에는 80B USD에 달할 걸로 예측하고 있고 그 상당 부분이 AI 연구개발 관련된 겁니다. 다른 빅테크, 대형 글로벌 CSP 등도 그에 못지 않은 투자를 하고 있죠.

물론 이게 범용 기술에 대한 과잉 설비 투자일 수도 있고 그로 인해 누군가가 붕괴되고 쓰러질 가능성도 없다고는 못하겠습니다만, 그들이 막무가내로 그런 투자를 하고 있을까요? 전혀 ‘가시성 (Visibility)’이 없이요? 베팅을 하라고 한다면, 아마도 ‘AGI로 가는 길이 보인다는 확신을 갖고, 더 낮은 비용으로 차세대 AI를 누구보다 먼저 만들어서 더 큰 수요를 만들고 차지하겠다’는 생각일 겁니다.

AGI가 ‘기술의 발전’과 ‘사회적 합의’가 맞물려있는 하나의 과정이라고 볼 때, 이제 그 Flywheel이 돌기 시작했다는 것만은 분명한 것 같습니다.

읽어주셔서 감사합니다. 재미있게 보셨다면 친구와 동료 분들에게도 뉴스레터를 추천해 주세요.