인공초지능(ASI)은 과학 연구, 전략적 계획, 창의성, 심지어 사회적 판단까지 중요한 거의 모든 영역에서 인간의 인지 능력을 초월할 것으로 가정되는 가상의 AI입니다. 특정 작업에 뛰어난 오늘날의 AI와 달리, ASI는 본질적으로 모든 영역에서 최고의 인간을 능가할 것입니다. 그런 시스템은 오늘날 존재하지 않지만, 주요 연구소들이 공개적으로 이를 추구한다고 밝히면서 이 용어는 주목받고 있습니다.
기업 리더에게 실질적인 질문은 ASI가 2035년에 올지 2060년에 올지가 아닙니다. 여러분의 조직이 다음에 올 것을 흡수할 데이터, 아키텍처, 거버넌스 기반을 갖추고 있는지가 중요합니다. 이 가이드는 초지능이 실제로 무엇을 의미하는지, AGI와 어떻게 다른지, 그리고 지금 당장 무엇을 해야 하는지를 설명합니다.
Key Takeaways
- 인공초지능은 경제적으로 가치 있는 거의 모든 영역에서 인간 지능을 초월하는 가상의 AI입니다. 현재 존재하지 않습니다.
- ASI는 AGI를 전제로 합니다. AGI는 모든 작업에서 인간과 동등하고, ASI는 이를 초월하며, 재귀적 자기 개선은 필수 정의 요건이 아닌 제안된 경로입니다.
- ASI 타임라인에 대한 전문가 예측은 2030년대부터 ‘결코’까지 다양합니다. 어떤 예측도 계획을 세울 만큼 신뢰할 수 없지만, 모든 준비 단계는 ASI가 오든 오지 않든 가치가 있습니다.
- 중요한 기반(데이터 품질, 모델 독립적 아키텍처, 거버넌스, 실제 AI 배포 경험)은 오늘날 AI에 필요한 것과 동일하며 지금 즉시 효과를 냅니다.
인공초지능이란 무엇인가?
초지능 개념이 주류 담론에 진입한 것은 주로 Nick Bostrom의 『Superintelligence』를 통해서였습니다. 옥스퍼드 철학자인 Bostrom은 이를 체스나 이미지 인식뿐 아니라 과학적 추론, 사회적 통찰, 일반적 지혜를 포함한 실질적으로 모든 관심 영역에서 인간의 인지 성능을 크게 초월하는 지성으로 규정합니다.
그 규정에서 기업에 중요한 두 가지 포인트가 있습니다. 첫째, ASI는 원시적 속도가 아니라 우월성의 폭으로 정의됩니다. 단순히 더 빨리 계산하는 시스템은 초지능이 아닙니다 — 인간은 이미 자신보다 계산을 잘하는 기계를 가지고 있습니다. ASI는 인간의 판단이 대체 불가능하다고 여겨지는 영역을 포함해, 지능이 가치를 창출하는 모든 곳에서 인간을 능가함을 의미합니다.
둘째, 자주 언급되는 메커니즘 — AI 시스템이 스스로를 점점 더 똑똑한 후속 버전으로 재설계하는 재귀적 자기 개선 — 은 초지능으로 가는 제안된 경로이지 정의 요건이 아닙니다. ASI는 이론적으로 다른 경로로도 출현할 수 있습니다. ASI를 정의하는 것은 (인간이 닿을 수 없는 능력이라는) 도착점이지 그것을 만든 방법이 아닙니다. 자기 개선을 정의적 특징으로 취급하면 혼란이 생깁니다. 실제로 많은 실존 AI 시스템이 이미 자체 파이프라인의 일부를 최적화하지만 초지능에는 한참 못 미치기 때문입니다.
왜 지금 초지능이 주목받는가?
이 용어가 학술 철학에서 이사회 어휘로 이동한 것은 프론티어 AI를 구축하는 기업들이 이제 공개적으로 이를 말하기 때문입니다. OpenAI는 AGI와 그 너머를 중심으로 미션을 수립했습니다. Meta는 AI 조직을 Superintelligence Labs라는 간판 아래 재편했고, Mark Zuckerberg는 Meta의 개인 초지능 비전을 제품 방향으로 발표했습니다. SoftBank를 포함한 주요 투자자들도 초지능을 투자 논거의 중심에 두었습니다.
중요한 것은 이러한 신호를 올바르게 읽는 것입니다. 이들은 입증된 능력이 아니라 야망과 투자를 나타냅니다. 초지능 부서를 발표하는 연구소는 초음속 프로그램을 발표하는 항공사와 비슷합니다. 방향, 자금, 자신감을 보여줄 뿐 활주로 위의 기체를 의미하지 않습니다. 기업 리더는 공개 발표를 업계가 어디에 투자하는지의 지표로 보아야 하며, ASI가 임박했다는 증거로 취급해서는 안 됩니다.
AGI vs ASI vs 협소한 AI: 차이점은 무엇인가?
AI 환경은 관례적으로 세 단계로 나뉩니다. 각 단계의 위치를 이해하는 것이 중요합니다. 이 용어들은 헤드라인에서 혼용되기 일쑤이지만, 그 차이는 계획 수립에 실질적인 함의를 갖기 때문입니다. (더 넓은 분류는 인공지능의 종류에 관한 가이드를 참조하세요.)
| 구분 | 협소한 AI (ANI) | AGI | ASI |
|---|---|---|---|
| 능력 범위 | 특정하고 제한된 작업에 탁월 | 본질적으로 모든 인지 작업에서 인간과 동등 | 사실상 모든 영역에서 인간 초월 |
| 자율성 | 인간이 설계한 제약 내에서 작동 | 영역을 넘어 독립적으로 목표 추구 가능 | 의미 있는 인간 감독을 넘어 목표 설정 및 추구 가능 |
| 일반화 | 제한적; 학습 분포 밖에서 성능 저하 | 새로운 영역으로 유연하게 학습 전이 | 인간이 따라갈 수 없는 속도로 개선 및 전이 |
| 예시 | 사기 탐지, 추천 엔진, 코딩 코파일럿, LLM | 검증된 실존 사례 없음 | 검증된 실존 사례 없음 |
| 현재 상태 | 프로덕션에 널리 배포 | 가설적; 정의가 다양함 | 가설적; AGI를 전제로 함 |
한 가지 복잡한 점이 있습니다: AGI에 대한 보편적으로 표준화된 정의가 없습니다. OpenAI의 AGI 정의 — “경제적으로 가치 있는 대부분의 작업에서 인간을 능가하는 고도로 자율적인 시스템” — 는 영향력 있지만 구속력이 없으며, 다른 연구자들은 다른 경계를 긋습니다. 정의가 다르기 때문에 AGI가 “가깝다”는 공개 주장은 평가하기 어렵습니다. 타임라인 예측을 읽을 때 첫 번째 질문은 항상 이것이어야 합니다: 누구의 정의가 사용되고 있는가?
초지능은 AGI와 어떻게 다른가?
AGI와 ASI의 구분은 네 가지 축으로 이해하는 것이 가장 쉽습니다:
- 능력의 폭. AGI는 모든 곳에서 인간 수준의 역량에 도달합니다; ASI는 이를 초월합니다. AGI는 강력한 연구팀과 대등할 수 있습니다. ASI는 해당 분야 전체의 연구 성과를 하나의 시스템에 압축한 것과 비슷합니다.
- 성능 상한. AGI는 인간 벤치마크에 제한됩니다. ASI는 그렇지 않습니다 — 그 능력에는 인간 비교 대상이 없어 평가와 품질 보증이 근본적으로 더 어려워집니다.
- 일반화 속도. AGI는 유능한 인간과 거의 같은 속도로 새로운 영역을 학습합니다. ASI는 일반적으로 인간이 따라갈 수 없는 속도로 개선하고 지식을 전이하는 것으로 구상됩니다.
- 감독. AGI의 추론은 인간과 비교 가능한 수준에서 작동하므로 인간이 감독할 수 있을 것입니다. 자신의 이해를 넘어 추론하는 존재를 감독하는 것은 미해결 연구 과제이며, 이것이 AI 얼라인먼트 논쟁의 핵심입니다.
그렇지만 경계는 실제로 모호합니다. 오늘날의 프론티어 모델은 이미 ‘들쭉날쭉한’ 지능을 보여줍니다 — 단백질 접힘이나 경시 수학에서는 초인간적이지만, 아이도 쉽게 하는 작업에서는 평균 이하입니다. 미래 시스템이 AGI인지 ASI인지는 측정이 아닌 판단의 문제인 경우가 많을 것입니다. 기업은 정확한 라벨이 아닌 능력 궤적을 기준으로 계획해야 합니다.
인공초지능이 현재 존재하는가?
아니요. 공개되거나 독립적으로 검증된 인공초지능의 정의를 충족하는 시스템은 없으며, 신뢰할 수 있는 연구자 중에도 그렇게 주장하는 사람은 없습니다. 언론 보도가 종종 세 가지 별개의 것 — 오늘날의 인상적이지만 협소한 AI, 가능한 미래의 AGI, 더 투기적인 ASI — 를 ‘임박한 초지능’이라는 단일 서사로 합쳐버리기 때문에 이 점이 중요합니다.
반대 방향으로 과도하게 단순화하지 않는 것도 마찬가지로 중요합니다. 오늘날의 프론티어 모델을 ‘그저 협소한 AI’라고 부르는 것은 10년 전의 단일 목적 시스템과 얼마나 다른지를 과소평가하는 것입니다. 현대 LLM은 명시적으로 학습된 적 없는 작업으로 일반화합니다 — 바로 이것이 AGI 논쟁이 존재하는 이유입니다. 정직한 입장은 현재의 AI가 이례적인 중간 지대에 있다는 것입니다: 고전적인 협소한 AI보다 훨씬 일반적이고, AGI에는 한참 못 미치며, ASI에는 전혀 근접하지 않은 상태입니다.
오늘날의 AI가 실제로 할 수 있는 것은?
Stanford AI Index 2026은 실제 프론티어에 대한 근거 있는 그림을 제공합니다. 여러 주요 모델이 이제 PhD 수준의 과학 질문과 경시 수학에서 인간 베이스라인을 충족하거나 초과합니다 — Google의 Gemini Deep Think는 국제수학올림피아드에서 금메달을 획득했습니다. 주요 코딩 벤치마크인 SWE-bench Verified에서 최고 성능은 1년 만에 60%에서 거의 100%로 상승했으며, 조직의 AI 도입률은 88%에 달했습니다.
같은 보고서는 한계도 기록합니다. 그 IMO 금메달 모델은 아날로그 시계를 50.1%만 정확하게 읽습니다 — 연구자들이 AI의 ‘들쭉날쭉한 프론티어’라고 부르는 현상의 예로, 초인간적 능력과 인간 이하 능력이 같은 시스템에 공존합니다. AI 에이전트는 실제 컴퓨터 사용을 테스트하는 OSWorld에서 작업 성공률이 12%에서 약 66%로 향상되었지만, 구조화된 작업에서 여전히 약 3번 중 1번 실패합니다. 한편 문서화된 AI 사고는 2025년에 362건으로 전년도 233건에서 증가했습니다.
이 프로파일 — 부분적으로는 비범하고 가장자리에서는 불안정 — 이 바로 현재 시스템이 유용하지만 초지능은 아닌 정확한 이유입니다. 오늘날 프로덕션의 에이전틱 AI의 가장 유능한 배포조차도 인간이 설계한 목표, 제한된 권한, 신중한 관측 가능성을 필요로 합니다. 목표 정의, 출력 검토, 실패 복구에 인간이 필요한 자율 시스템은 강력한 도구입니다. 하지만 그것을 감독하는 인간을 능가하는 존재와는 범주적으로 다릅니다.
인공초지능은 언제 도래할 수 있는가?
아무도 모릅니다 — 이것은 회피가 아니라 정확한 답입니다. 공개된 예측은 엄청난 범위에 걸쳐 있습니다. 일부 프론티어 연구소 리더들은 고급 AI가 몇 년 안에 도래할 수 있다고 시사합니다. SoftBank의 손정의 CEO는 2035년까지 ASI가 온다고 공개적으로 예측했으며, 이는 손정의의 2035년 ASI 예측에 대한 Reuters 보도에서 다뤄졌습니다. 똑같이 신뢰할 만한 다른 연구자들은 그러한 타임라인을 투기적이라고 보거나 ASI가 실현 불가능할 수 있다고 믿습니다.
이 모든 예측은 정의 선택, 스케일링에 대한 가정, 그리고 경우에 따라서는 상업적 인센티브에 의해 형성된 의견입니다. 어느 것도 확립된 사실이 아닙니다. 합리적인 기업의 자세는 날짜에 베팅하는 것이 아닙니다. 모든 그럴듯한 타임라인에서 가치를 유지하는 조직 역량을 구축하는 것입니다.
인공초지능이 비즈니스에 어떤 영향을 미칠 수 있는가?
ASI는 가설이므로 이 섹션의 모든 것은 예측이 아닌 시나리오입니다. 시나리오를 생각하는 요점은 결과를 예측하는 것이 아니라 각 경우에 어떤 조직 역량이 중요할지를 이해하는 것입니다. 놀랍지 않게도 그것들은 오늘날 AI 가치를 창출하는 역량과 동일한 것으로 밝혀집니다.
기업을 위한 잠재적 기회
포스트 AGI 세계에서 가장 많이 논의되는 시나리오에는 다음이 포함됩니다:
- R&D 가속화. 인간 연구자를 능가하는 시스템은 신약 발견, 재료 과학, 엔지니어링 주기를 수년에서 수주로 압축할 수 있습니다. 잘 구조화된 독점 데이터를 가진 기업은 그 능력을 가장 어려운 문제로 향하게 할 위치에 있을 것입니다.
- 복잡한 문제 해결. 글로벌 공급망, 에너지 그리드, 수천 개의 상호작용하는 제약 하의 포트폴리오 리스크와 같은 진정한 다변량 영역의 최적화가 근사치에서 정밀도로 이동할 수 있습니다.
- 대규모 의사결정 지원. 현재 수개월의 컨설팅 작업이 필요한 전략 분석이 지속적으로 생성될 수 있어, 병목이 인사이트 생성에서 평가로 이동합니다.
- 더 깊은 자동화. 자동화는 일상적인 지식 작업을 넘어 현재 자동화에 저항하는 판단에 가까운 작업까지 확장될 수 있습니다 — 다만 시스템이 틀렸을 때의 위험도 비례해서 커집니다.
반복되는 주의점: 이러한 이점은 원하는 것을 명시하고, 신뢰할 수 있는 데이터를 공급하며, 돌려받은 것을 검증할 수 있는 조직에 불균형적으로 돌아갈 것입니다. 방향 없는 능력은 비싼 노이즈를 생산합니다 — 이는 오늘날 훨씬 약한 시스템에서 이미 보이는 패턴입니다.
리스크와 미해결 질문
균형 잡힌 관점은 더 어려운 질문들을 인정하는 것을 요구합니다:
- 의존성. 감사할 수 없는 시스템에 핵심 추론을 아웃소싱하는 조직은 새로운 종류의 집중된 운영 리스크를 축적합니다.
- 얼라인먼트. 운영자보다 똑똑한 시스템이 의도된 목표를 추구하도록 보장하는 것은 미해결 연구 과제이며, 조달 체크리스트 항목이 아닙니다.
- 감독. 완전히 따라갈 수 없는 추론을 어떻게 감독할까요? 거버넌스 프레임워크는 출력 검토에서 행동의 제약과 모니터링으로 진화해야 합니다.
- 권력 집중. ASI가 소수의 연구소나 국가에서 출현한다면, 접근권이 상품이 아닌 지정학적·경쟁적 단층선이 될 수 있습니다.
- 규제 불확실성. 정부는 아직 오늘날의 AI에 대한 규칙을 쓰는 중입니다. 포스트 AGI 규제는 미지의 영역이며, 여러 관할권에 걸쳐 운영하는 기업은 변화하는 의무에 직면할 것입니다.
이 중 어느 것도 움직이지 않을 이유는 아닙니다. 오히려 지금 구축해야 할 이유입니다: 성숙한 AI 거버넌스, 깨끗한 데이터, 유연한 아키텍처를 가진 조직은 고급 능력이 언제 도래하든 처음부터 시작하는 조직보다 빠르고 안전하게 흡수할 것입니다. 레디니스는 타임라인에 대한 베팅이 아니라 모든 타임라인에 대한 옵션입니다.
기업이 오늘날 고급 AI를 어떻게 준비할 수 있는가?
안심되는 부분은 여기 있습니다: 포스트 AGI 세계를 위한 준비 스택은 오늘날의 AI를 작동시키는 스택과 동일합니다. 아래 모든 항목은 현 세대 기술로 ROI를 창출합니다. 낭비되는 노력은 없고 복리로 쌓이는 이점만 있습니다.
1. 먼저 데이터 기반을 강화하세요
모든 AI 세대는 나쁜 데이터에 대한 페널티를 높여왔습니다. 프론티어 모델은 입력된 것을 무엇이든 증폭합니다 — 일관성 없는 정의, 사일로화된 기록, 불량한 리니지는 대규모로 자신 있게 잘못된 출력을 만들어냅니다. 기업은 데이터 품질, 접근성, 통합, 리니지, 거버넌스를 애널리틱스의 사후 추가가 아닌 인프라로 취급해야 합니다. 이는 통합된 데이터 플랫폼, 명확한 소유권, 문서화된 의미 체계, 오늘날의 LLM 기능과 앞으로 올 것 모두를 지원할 수 있는 파이프라인을 의미합니다. AI 데이터 레디니스 가이드는 실질적인 평가 단계를 안내합니다.
2. 유연하고 모델 독립적인 AI 아키텍처를 구축하세요
모델 능력이 도약할 때 최악의 위치는 한 벤더나 모델에 아키텍처가 용접된 상태입니다. AI 레디 아키텍처는 API-우선 통합, 교체 가능한 모델 계층, 각 작업에 가장 적합하고 가장 저렴한 모델로 워크로드를 보내는 라우팅을 의미합니다. LLM 게이트웨이 아키텍처가 표준 패턴으로 부상하고 있습니다. 모델 선택, 관측 가능성, 비용 관리, 정책 시행을 위한 단일 제어 지점을 제공하여 모델 업그레이드를 재구축이 아닌 구성 변경으로 만듭니다. 상호운용성과 벤더 독립성은 반(反)약속이 아니라 움직이는 프론티어에 대한 보험입니다.
3. AI 거버넌스와 인간 감독을 확립하세요
거버넌스는 성숙이 가장 느리고 나중에 개조하기 가장 어려운 역량입니다 — 바로 이것이 리스크가 관리 가능할 때 시작해야 하는 이유입니다. 실질적인 기업 거버넌스는 사용 정책, 리스크 등급별 배포 통제, AI 보조 의사결정에 대한 책임, 입출력의 감사 가능성, 정의된 인간 감독 체크포인트를 포함합니다. NIST AI Risk Management Framework와 같은 프레임워크는 규제 기관이 점점 더 참조하는 공인된 리스크 기반 구조를 제공하며, 오늘날의 LLM 기능에서 미래의 더 강력한 시스템까지 확장됩니다. AI 레디니스 프레임워크 가이드는 거버넌스를 더 넓은 조직 레디니스 모델로 매핑합니다.
4. AI 레디니스를 지속적으로 측정하세요
레디니스는 움직이는 목표입니다. 모델 능력, 규제, 자사의 배포는 모두 연간 계획 주기보다 빠르게 변합니다. 기업은 정기적으로 평가해야 합니다 — 기술적 성숙도, 데이터 건전성, 리스크 노출, 인력 역량, 파일럿 수가 아닌 실제 비즈니스 성과. AI 레디니스 평가는 베이스라인과 반복 가능한 도구를 제공합니다. 고정된 주기로 실행하면 “준비되었는가?”라는 질문이 의견에서 관리 가능한 지표로 바뀝니다.
5. 실제 AI 배포를 통해 경험을 쌓으세요
가장 중요한 준비는 가장 이론적이지 않은 것입니다: 실제 AI 시스템을 출시하는 것입니다. AI를 파일럿에서 프로덕션으로 가져간 조직은 어떤 전략 문서도 가르쳐주지 않는 것을 배웠습니다 — 부하 시 데이터가 어떻게 작동하는지, 거버넌스 격차가 어디서 표면화되는지, 관측 가능성이 실제로 무엇을 요구하는지. 또한 자체 팀이 AI 지원 워크플로우를 채택하거나 저항하는 방식도 배웁니다. 이 조직적 ‘AI 근육’이야말로 능력의 도약을 빠르게 흡수하게 해줍니다. 조직이 파일럿에서 프로덕션으로 가는 데 필요한 리소스나 경험이 부족하다면, 경험이 풍부한 AI 개발 서비스 파트너와 협력하면 아키텍처와 거버넌스를 자사 통제하에 유지하면서 학습 곡선을 압축할 수 있습니다.
어떤 순서를 따르든, 아래 체크리스트는 ‘준비 완료’가 어떤 모습인지를 요약합니다:
| 레디니스 차원 | ’준비 완료’의 모습 | 첫 번째 단계 |
|---|---|---|
| 데이터 | 문서화된 리니지를 갖춘 통합·품질 관리·거버넌스된 데이터 | 데이터 소스와 소유권 감사 |
| 아키텍처 | 모델 독립적, API-우선, 관측 가능; 모델 교체 가능 | LLM 게이트웨이 도입 |
| 거버넌스 | 문서화된 정책, 리스크 등급, 책임, 인간 감독 | 리스크 프레임워크 채택(예: NIST AI RMF) |
| 측정 | 비즈니스 성과에 연동된 정기 레디니스 스코어링 | 이번 분기 베이스라인 평가 |
| 딜리버리 | 최소 하나의 AI 시스템이 프로덕션 운영 중 | 제한적이고 측정 가능한 파일럿 출시 |
결론: ASI는 지평선, AI 레디니스는 선택입니다
인공초지능은 여전히 가설입니다. 10년 후, 반세기 후, 혹은 영원히 오지 않을 수도 있습니다 — 아무리 자신 있게 주장되는 예측도 그 불확실성을 바꾸지 못합니다. 확실한 것은 강력한 데이터 기반, 유연한 아키텍처, 성숙한 거버넌스, 실제 AI 배포 경험을 가진 기업이 고급 AI가 어느 타임라인으로 도래하든 그것이 제공하는 것을 포착할 것이라는 점입니다. 조직의 현재 위치를 평가하고 오늘 성과를 내면서 내일 복리로 쌓이는 AI 로드맵을 구축하고 싶다면, HDWEBSOFT에 문의하여 대화를 시작하세요.
FAQ
인공초지능을 간단히 설명하면?
인공초지능은 체스 같은 단일 기술뿐 아니라 과학 연구, 전략, 창의성, 사회적 판단까지 중요한 거의 모든 것에서 인간보다 똑똑한 가상의 AI입니다. 이론적 개념이며 오늘날 실존하는 제품이 아닙니다.
AGI와 ASI의 차이점은 무엇인가요?
AGI(인공일반지능)는 모든 인지 작업에서 인간과 동등한 수준이고, ASI(인공초지능)는 인간을 초월합니다. ASI는 AGI를 전제로 합니다 — 시스템이 모든 곳에서 인간을 능가하려면 먼저 모든 곳에서 인간과 같아져야 합니다. 둘 다 아직 구축되거나 검증되지 않았습니다.
인공초지능이 현재 존재하나요?
아니요. 공개되거나 독립적으로 검증된 ASI에 해당하는 시스템은 없습니다. 오늘날 가장 발전된 AI도 ‘들쭉날쭉한’ 능력 프로파일을 보입니다 — 일부 벤치마크에서는 초인간적, 단순 작업에서는 불안정 — 이며 여전히 인간이 정의한 목표와 감독이 필요합니다.
인공초지능은 언제 도래하나요?
아무도 모릅니다. 예측은 2030년대부터 영원히 오지 않음까지 다양하며, 모든 예측은 정의상의 가정과 개인적 판단에 의존합니다. 타임라인을 사실이 아닌 의견으로 취급하고 특정 날짜에 전략을 걸지 마세요.
기업은 ASI에 어떻게 준비해야 하나요?
모든 고급 AI와 같은 방식으로 준비합니다: 데이터 품질과 거버넌스 강화, 모델 독립적 아키텍처 구축, AI 거버넌스와 인간 감독 확립, 레디니스 정기 측정, 실제 AI 프로젝트의 프로덕션 배포. 이 단계들은 ASI가 언제 오든 오지 않든 즉각적인 성과를 냅니다.
ASI가 인간 노동자를 대체할까요?
알 수 없습니다 — 정직한 답변은 양방향의 겸손을 필요로 합니다. 오늘날의 AI에서 분명한 것은 가치가 문제를 명시하고, 신뢰할 수 있는 데이터를 공급하며, 지능형 시스템을 감독할 수 있는 조직과 사람에게 이동한다는 점입니다. 이러한 역량을 구축하는 것이 가장 방어 가능한 대비책입니다.
