이 연구는 BCG 헨더슨 인스티튜트(BCG Henderson Institute)가 주도한 두 번째 현장 실험으로, 기업 리더들이 인간과 생성형 AI가 업무에서 어떻게 협력할 수 있는지를 이해하는 데 목적을 두고 있다. 이전 연구에서는 근로자가 스스로 수행할 수 있는 업무에 생성형 AI를 사용할 때 창출되고 손실되는 가치를 평가했으나, 이번 실험에서는 근로자가 자신의 능력을 넘어서는 작업을 완료하기 위해 생성형 AI를 활용하는 방안을 살펴본다.
새로운 유형의 지식 근로자들이 글로벌 인재 풀에 진입하고 있다. 생성형 AI로 무장한 이들은 신속한 코딩이 가능하고, 단 한 줄의 프롬프트로 개인화된 마케팅 콘텐츠를 만들고, 몇 초 만에 수백 개의 문서를 요약할 수 있다.
이러한 생산성 향상은 주목해 볼 만하다. 하지만 다양한 직무 수행에 필요한 기술이 지속적으로 변화함에 따라, 근로자는 생산성 향상에서 더 나아가 스스로의 역량을 확장할 필요가 있다. 이 경우에도 생성형 AI가 해결책이 될 수 있을까?
BCG 헨더슨 인스티튜트와 보스턴 대학교, OpenAI 연구팀이 공동으로 수행한 새로운 실험 결과에 따르면, 그 답은 분명 ‘그렇다’이다. 불과 어제까지만 해도 특정 업무를 수행할 전문 지식이 부족했던 근로자가, 오늘은 생성형 AI를 활용하여 동일한 작업을 완수할 수 있게 된 것이다.
리더들은 생성형 AI를 생산성 향상을 위한 도구로만 여길 것이 아니라, 앞으로 계속해서 변화하는 직무에 대비할 수 있도록 인력을 강화시키는 기술로 받아들여야 한다. 생성형 AI는 근로자들이 더 나은 성과를 낼 수 있도록 하는 ‘외골격 도구’로 기능하여, 각자 따로 일할 때보다 더 많은 작업을 효율적으로 해낼 수 있게 한다.
물론 주의 사항도 존재한다. 예를 들어, 근로자가 결과물을 검토할 충분한 지식을 갖추지 못할 경우 생성형 AI의 작업에 오류가 존재하더라도 이를 인지하지 못할 수 있다. 혹은 더 세심한 주의를 기울여야 하는 상황에서 오히려 주의력이 떨어질 위험도 있다.
하지만 이러한 위험 요소를 효과적으로 관리할 수 있다면 리더는 기대 이상의 좋은 결과를 얻을 수 있다. 특히 전문 지식을 요하는 데이터 사이언스 등과 같이 새로운 유형의 업무를 신속하게 수행할 수 있는 능력을 확보한다면, 개인과 기업 모두에게 중요한 전환점이 될 수 있다.
생성형 AI로 근로자를 강화시키는 방법
이전 실험에서는 참가자의 역량 범위 내에 있는 작업의 성과를 측정했다[1](보기 1 상단 참조). 기술 자체가 해당 업무를 전문가 수준에서 수행할 수 있을 때, 생성형 AI로 작업하는 근로자가 기술 없이 업무를 수행하는 근로자 대비 훨씬 더 나은 성과를 내는 것으로 나타났다. 그러나 기술이 특정 업무를 전문가 수준에서 처리할 수 없을 경우, 근로자들은 생성형 AI에 과도하게 의존하게 되어 스스로 작업을 수행했을 때보다 더 낮은 성과를 내는 경향이 나타났다.
그렇다면 근로자가 자기 능력 범위 내에서 성과를 개선하기 위해 생성형 AI를 사용하는 대신, 자신의 역량을 벗어난 과제를 해결하는 데 활용하면 어떻게 될까? 생성형 AI가 활용되면 근로자들이 수행할 수 있는 작업의 폭이 더 넓어질까?
[1] 이 실험은 GPT-4의 첫 번째 버전을 사용하여 측정되었다.
연구진은 480명 이상의 BCG 컨설턴트들로 구성된 실험 참가자들에게 흔히 볼 수 있는 데이터 사이언스 작업과 유사한 세 가지 간단한 과제를 수행하도록 요청했다. 해당 과제에는 두 데이터 세트를 병합하고 정리하는 파이썬 코드 작성, 머신 러닝과 같은 애널리틱스 모범 사례를 활용한 스포츠 투자 예측 모델 구축, 챗 GPT에서 생성된 통계 분석 결과를 검증, 수정하여 결과를 검토하는 통계 지표를 적용하는 작업 등이 포함됐다.[2]
이 과제들이 전문적인 데이터 사이언티스트들의 모든 작업을 아우르는 것은 아니지만, 연구진은 충분한 대표성을 띤다고 판단했다. 각 과제는 모든 컨설턴트에게 높은 난이도를 갖도록 설계되었고, 생성형 AI 도구만으로 완전히 자동화될 수 있는 작업이 아니었다.[3]
[2] 실험에 참여하기로 등록한 컨설턴트들 중 480명이 실험을 완료했다. 참가자들은 과제를 수행하는 동안 GenAI를 사용할 수 없는 통제 그룹과 GenAI를 사용하도록 요청받은 “처리” 그룹에 무작위로 배정되었다. 각 참가자는 세 가지 과제 중 두 가지를 임의로 배정받았으며, 각 과제는 90분의 시간제한이 있었다. 아이디어 도출부터 최종 결과 전달까지의 전체 데이터 사이언스 워크플로우나 딥러닝과 같은 고급 주제는 이번 실험에서 다루지 않았다.
[3] GPT-4 및 고급 데이터 분석 기능과 함께 Enterprise ChatGPT를 사용했다.
생성형 AI가 성과에 미치는 영향을 평가하기 위해 참가자의 절반만 생성형 AI 도구를 사용할 수 있게 했고, 이들의 결과물을 생성형 AI 없이 작업한 44명의 데이터 사이언티스트의 결과와 비교했다. 그 결과, 세 가지 중요한 시사점을 확인할 수 있었다.
즉각적인 역량 증대
연구에 참여한 컨설턴트들은 생성형 AI를 사용하면서 새로운 업무에 대한 역량을 즉각적으로 증대시킬 수 있었다. 심지어 코딩이나 통계에 대한 경험이 전혀 없던 컨설턴트도 생성형 AI를 활용하여 코딩하고, 머신 러닝 모델을 적절하게 적용할 수 있었으며, 통계 프로세스의 오류를 바로잡을 수 있었다[4](보기 2 참조).
[4] 통계적 이해 과제의 결과는 코딩 및 예측 분석 과제의 결과와 일치했기 때문에 이 글에서는 처음 두 가지 과제에 초점을 맞췄다.
연구진은 생성형 AI가 능숙하게 작업을 수행하는 것으로 잘 알려진 코딩에서 가장 큰 역량 증대 효과를 관찰할 수 있었다. 참가자들은 누락되거나 잘못된 데이터를 수정하고, 데이터 세트를 병합하며, 특정 달의 상위 5개 고객을 식별하는 방식으로 두 개의 판매 데이터 세트를 정리하는 코드를 작성하도록 요청받았다.
생성형 AI를 사용한 참가자들은 데이터 사이언티스트들에 의한 기준치의 평균 86%에 해당하는 점수를 받았다. 이는 생성형 AI를 사용하지 않은 참가자에 비해 49% 포인트 높은 수치다. 또한 생성형 AI를 활용한 그룹은 데이터 사이언티스트들보다 약 10% 더 빠르게 작업을 완료했다.
코딩 경험이 전혀 없는 컨설턴트들조차 생성형 AI를 사용했을 때 데이터 사이언티스트 성과의 84%에 도달했다. 한 참가자는 “코드를 짜는 방법을 모르는 코딩 작업자가 된 기분이었지만, 기대하지 않았던 결과를 달성할 수 있게 되었다”고 말했다. 반면 생성형 AI 없이 작업한 그룹의 경우 파일을 열고 무질서한 첫 번째 데이터 세트를 정리하는 정도를 수행하는 데 그쳤으며, 이들의 성과는 데이터 사이언티스트 기준 29% 수준에 불과했다.
대부분의 컨설턴트는 데이터 정리의 기본 지식을 갖추고 있으며, 알터릭스(Alteryx)와 같은 코딩을 필요로 하지 않는 도구를 사용해 데이터 정리 작업을 수행하는 경우가 많다는 점에 유의해야 한다. 즉 파이썬으로 코딩 작업을 수행한 경험은 없더라도, 올바른 출력물이 어떤 형태인지에 대해서는 인지하고 있다는 뜻이다. 이는 생성형 AI를 활용하는 모든 작업자에게 매우 중요한 시사점을 제시한다. 생성형 AI의 결과물을 검토할 만큼의 지식을 갖추지 못하면 명백한 오류가 발생해도 이를 인지하지 못할 수 있기 때문이다.
강력한 브레인스토밍 파트너
예측 분석 과제에서는 참가자와 생성형 AI 도구 모두 해당 영역에 대한 전문성이 부족해 어려운 상황을 직면했다. 그러나 여기서도 생성형 AI는 브레인스토밍 파트너로서 여전히 유용하게 작동했다.
실험의 모든 과제는 생성형 AI가 독립적으로 해결할 수 없도록 설계되었지만, 그중에서도 예측 분석 과제는 참가자들의 적극적인 관여가 가장 많이 필요했다. 참가자들은 국제 축구 경기에 대한 과거 데이터를 사용하여 투자 전략을 개발하기 위한 예측 모델을 만들어야 했다. 이들의 궁극적인 목표는 투자 결정을 내릴 때 이 모델이 얼마나 예측 가능하거나 신뢰할 수 있는지 평가하는 것이었다.
보기 2에서 볼 수 있듯이, 이는 코딩이나 통계에 대한 이전 경험과 관계없이 생성형 AI를 활용하는 컨설턴트가 데이터 사이언티스트와 동등하게 과제를 수행할 가능성이 가장 낮은 작업이었다. 질문을 나누거나 목표를 명확히 하지 않고 전체 작업을 복사하여 도구에 직접 붙여넣기만 하면, 생성형 AI 도구가 프롬프트의 최종 목표를 잘못 이해할 가능성이 높기 때문이다. 그 결과 생성형 AI를 활용할 수 있는 참가자는 그렇지 않은 참가자에 비해 오류를 범할 가능성이 더 높았다.
그럼에도 불구하고 많은 참가자가 생성형 AI의 도움으로 기존의 역량 범위를 뛰어넘을 수 있다는 사실을 발견했다. 이들은 생성형 AI 도구로 브레인스토밍하면서 자신의 지식과 생성형 AI의 지식을 결합하여 새로운 모델링 기법을 발견하고 성공적인 문제 해결의 단계를 파악했다. 생성형 AI의 도움을 받은 참가자들은 그렇지 않은 참가자들에 비해 머신러닝 방법을 선택하고 적절하게 적용할 가능성이 15% 포인트 더 높았다.
재교육(Reskilling), 역량 습득이 아닌 역량 강화
생성형 AI를 사용했을 때 참가자들의 새롭고 도전적인 과제를 완수하는 역량이 즉시 향상된 것을 확인할 수 있었다. 하지만 이를 재교육(Reskilling)이 일어난 것으로 볼 수 있을까? 재교육이란 개인이 새로운 직업이나 산업으로 옮겨갈 때 요구되는 역량이나 지식을 습득하는 것으로 정의된다. 연구진은 생성형 AI를 활용하는 작업자가 인간이나 생성형 AI가 혼자서 할 수 없는 새로운 능력을 습득했다는 점에서 일정 부분 재교육이 일어났다는 결론을 도출했다. 그러나 생성형 AI는 외골격 도구의 역할에 불과할 뿐, 참가자들이 본질적으로 재교육 된 것은 아니었다. 생성형 AI로 ‘작업’을 한다는 것은 본질적인 ‘학습’을 의미하지 않기 때문이다.
실험에서 각 참가자에게는 세 가지 과제 중에서 두 가지만 할당되었지만, 실제로 얼마나 학습이 이뤄졌는지를 확인하기 위해 모든 참가자에게 세 가지 과제에 대한 질문이 포함된 최종 평가를 실시했다. 예를 들어, 코딩 과제를 수행하지 않은 참가자들에게도 코딩 문법에 관한 질문이 주어졌고, 이를 통해 코딩 과제에 참여한 사람과 아닌 사람의 평가 점수가 동일하다는 점을 확인할 수 있었다. 이는 실험에서 생성형 AI를 통해 데이터 사이언스 과제를 수행한다고 해서 코딩에 대한 참가자들의 학습이 이루어지지는 않는다는 점을 보여준다.
물론 참가자들이 각 작업을 완료하는 데 주어진 시간은 90분밖에 되지 않았다. 작업이 반복적으로 이루어졌다면 더 많은 학습이 이루어졌을 수도 있다. 또한 참가자들에게 최종 평가가 있을 것이라고 알리지 않았기 때문에, 학습에 대한 인센티브를 주었다면 결과에 도움이 되었을 수도 있다. 이러한 요인들이 중요한 이유는 주어진 주제에 대해 어느 정도 배경지식을 갖는 것은 유의미한 효과가 있음을 확인했기 때문이다.
코딩 경험이 어느 정도 있는 생성형 AI 활용 참가자는 코딩과 관련이 없는 작업을 포함해 모든 세 가지 과제에서 초보 수준의 참가자보다 10~20% 포인트 더 높은 성과를 보였다.[5] 실제로 중간 수준의 코딩 경험을 가진 참가자들은 세 가지 과제 중 두 가지에서 데이터 사이언티스트와 동등한 수준의 성과를 보였는데, 그중 한 가지 과제에는 코딩이 전혀 포함되지 않았다.
이 결과가 시사하는 바는 흥미롭다. 실험 결과 코딩 경험은 실제 코딩 작업에 국한되지 않는 핵심적인 성공 요인이라는 사실을 도출할 수 있기 때문이다. 코딩은 개발 경험 그 자체보다 문제의 위계를 설정하여 효과적으로 점검하고 수정할 수 있도록 근본적인 ‘공학적 사고방식’을 형성하는 데 도움을 줄 수 있다는 점에서 의미가 있다.
따라서 코딩을 생성형 AI에 맡겨 완전히 자동화하는 경우, 사람들이 공학적 사고방식을 형성하지 못할 수 있는 위험이 생긴다. 이는 사고방식을 형성하는 원천이 더 이상 필요하지 않을 때, 어떻게 이 능력을 유지할 수 있는가에 대한 문제로 이어진다. 이러한 질문은 더 큰 논의에 대한 필요성을 불러온다. 자동화가 가능해 보이는 다른 기술들 중에서 어떤 것들이 이와 같은 중요성을 가질까? 이러한 기술은 특정 사고방식을 기르기 위한 도구로서, 일종의 ‘새로운 라틴어’로 기능할 것인가?
[5] 코딩 경험 수준은 자기평가에 근거했다. “코딩은 할 줄 알지만 전문가는 아니다”를 선택한 사람을 중급 수준 경험을 보유한 것으로 정의하고, “코딩의 기본만 안다”와 “코딩은 할 줄 모른다”를 선택한 사람을 초보자로 정의했다.
인력 및 변화 관리
이번 연구는 데이터 사이언스 분야를 사례로 이용했지만, 생성형 AI를 통해 역량이 강화된 근로자가 새로운 작업을 능숙하게 수행할 수 있다는 사실은 생성형 AI의 기능 범위 안에 있는 모든 산업 분야에 적용될 수 있다. 비즈니스 리더에게 의미 있는 다섯 가지 시사점은 아래와 같다(보기 3 참조).
인재 확보 및 내부 인력 조정 유동성. 인력에 대한 앞선 실험 결과들에 따르면, 생성형 AI를 활용했을 때 달성할 수 있는 성과는 개인이 혼자서 수행할 수 있는 작업의 한계를 뛰어넘는다. 이는 숙련된 지식 업무를 수행할 수 있는 인재 풀이 확대되고 있음을 시사한다.
따라서 채용 담당자는 면접 과정에 생성형 AI를 도입하여 이 기술을 활용했을 때 예비 직원이 어떤 능력을 발휘할 수 있는지 보다 완벽하게 파악할 수 있어야 한다. 기업 리더는 조직 내에서 예상치 못한 인력이 효과적으로 공백을 메꾸는 가능성을 발견할 수도 있다. 비기술 분야의 일반 직무자가 즉시 데이터 사이언티스트가 될 수 있다는 뜻은 아니지만, 일반 마케터가 마케팅 분석가의 역할을 맡을 수는 있는 것처럼 말이다.
학습 및 개발. 이번 연구 결과는 조직 내 고위직 또는 리더십 역할을 목표로 하는 직원들에게 어떤 의미가 있을까? 생성형 AI를 기반으로 다양한 역할을 유연하게 수행할 수 있는 인력은 경력 발전에 적합한 기술을 어떻게 배양해야 하며, 장기적으로 유지해야 할 가장 중요한 기술은 무엇일까?
생성형 AI는 즉각적인 역량 확장 효과를 가져오지만, 고급 기술을 익히고 경력 개발을 지원하는 데 필요한 ‘학습과 개발’의 간과해서는 안 된다. 따라서 리더는 직원들이 학습할 수 있는 시간을 보장하고 인센티브를 제공해야 한다. 타 연구에 따르면 생성형 AI가 학습을 위해 사용될 경우(본 실험 구성과 달리, 일반적인 경우 직무에서 학습에 대한 인센티브가 제공됨), 효과적인 개인 맞춤형 교육 도구가 될 수 있다는 점이 밝혀지기도 했다.
연구진의 분석에 따르면, 기술 역량을 개발하면 비기술 직군 근로자의 업무 성과 또한 향상되는 것으로 나타났다. 직원들에게 제공되는 교육과 관계없이, 기업 리더들은 향후 생성형 AI 도구를 구현할 때 정기적인 벤치마킹을 통해 작업 기술의 능력 범위를 벗어났을 때 사용자에게 이를 알려주는 기능을 갖춰야 한다.
기업은 생성형 AI 모델의 기능을 정확하게 평가하는 도구와 프로세스를 개발함으로써 경쟁 우위를 확보할 수 있을 것이다. 보기 1에서 볼 수 있듯이, 근로자가 생성형 AI를 어떻게 사용해야 하는지는 관련 작업에 대한 작업자의 스킬과 생성형 AI의 기능을 파악하는 수준에 의해 좌우된다.
팀 구성 및 성과 관리. 연구 결과에 따르면, 일반 근로자들은 생성형 AI를 활용해 더 복잡한 지식 업무를 처리할 수 있게 되었지만, 앞으로는 이러한 성과를 관리하고 결과물의 품질을 보장하는 것이 매우 중요해질 것이다. 이를 위해서, 필요한 경우 일반 근로자들이 쉽게 전문가의 도움을 받을 수 있도록 다기능 (Cross-functional) 조직을 구성하고 정기적으로 결과물을 검토하는 체크 포인트를 마련해야 할 것이다. 팀 리더는 이러한 구성 방식이 최상의 성과를 이끌어내는지 확인하기 위해 파일럿 프로그램을 운영해야 하며, 이를 통해 부서 간 장벽을 허물고 다양한 전문가들이 속한 팀과 일반 근로자들이 통합될 기회를 모색할 수 있다.
전략적 인력 계획. 인재와 팀 구성을 고려할 때, 조직은 전문가 트랙과 인력 구조에 대해 어떻게 접근해야 할까? 끊임없는 직무 변화와 기술 발전의 세계에서 지식 노동을 위한 전략적 인력 계획은 무엇을 의미할까? 모든 해답이 당장 나올 수 있는 것은 아니다. 하지만 특정 직무에 필요한 기술의 경계가 모호해지고 있으며, 인력 계획이 더 이상 코딩과 같은 전문 기술을 가진 특정 인력을 찾는 데에만 초점을 맞출 수 없다는 점은 분명하다.
대신, 조직은 보다 유연한 인력 풀을 구성할 수 있도록 근로자의 행동 역량과 지원 동기에 초점을 맞춰야 한다. 지식 근로자는 생성형 AI의 도움을 통해 새로운 역할을 수행할 수 있지만, 변화에 대한 적응력은 개인마다 다를 수 있기 때문이다.
전문가의 역할. 생성형 AI가 근로자의 전문적 정체성에 미치는 영향은 논쟁의 여지가 있으나 매우 중요한 주제다. 하지만 최근 연구에 따르면 직원들이 고용주로부터 충분한 지원을 받는다고 느낄 때, 부정적인 영향을 완화시킬 수 있다는 결과가 나타났다.
실제로 해당 조사에 따르면 생성형 AI를 업무에 정기적으로 사용하는 컨설턴트 중 82%가 “생성형 AI는 내 역할에 자신감을 높여 준다.”와 “동료들이 업무에 생성형 AI를 사용하는 것을 긍정적으로 생각한다.”는 답변에 동의한 반면, 생성형 AI를 사용하지 않는 응답자는 67%만이 해당 답변에 동의한다고 밝혔다. 또한, 조사 대상자의 80% 이상이 생성형 AI가 문제 해결 능력을 강화하고 더 빠른 결과물을 도출하는 데 도움이 된다는 데 동의했다.
이러한 결과는 고도로 숙련된 지식 근로자가 자신의 역할에 자신감을 높여주는 도구로 생성형 AI를 사용할 수 있을 때 해당 도구의 사용을 진정으로 즐길 수 있다는 점을 시사하며, AI 사용을 의무화했을 때 AI에 대한 직원들의 인식이 개선될 수 있다는 이전 연구 결과와도 일치한다. 다만, 이러한 긍정적인 인식은 직원들이 AI가 자신에게 이익이 된다고 느낄 때에만 성립된다는 점을 유의해야 한다.
지금은 생성형 AI 혁신을 이뤄가는 여정의 첫걸음에 불과하며, 기술의 역량은 계속 확장될 것이다. 기업 경영진은 전문성을 어떻게 재정의하고 장기적으로 어떤 기술을 유지할 것인지에 대해 신중하게 고민할 필요가 있다.
이러한 고민은 기업 경영진에만 국한되지 않는다. 기술 개발은 교육계와 기업은 물론, 유데미(Udemy)나 코세라(Coursera) 등과 같은 온라인 학습 플랫폼의 협력을 필요로 하기 때문이다. 생성형 AI 모델 제공 업체들도 자신들의 도구가 어떻게 학습과 개발을 더욱 효과적으로 지원할 수 있을지 고민해야 한다. 생성형 AI로 강화되는 인력에 대한 준비에 우리 모두의 미래가 달려있는 만큼 공동의 노력이 동원되어야 할 것이다.
보스턴컨설팅그룹(Boston Consulting Group) 및 BCG 코리아
보스턴컨설팅그룹(BCG)은 여러 도전 과제를 해결하고 더 큰 비즈니스 기회를 실현시키기 위해 다양한 기업 및 사회 리더들과 협력하고 있습니다. BCG는 1963년 설립 이래 비즈니스 전략의 선구자로 자리매김하며 모든 이해관계자를 이롭게 한다는 목표로 고객과 긴밀한 협력 관계를 이어오고 있습니다. BCG가 제공하는 혁신적인 접근 방식은 조직의 성장과 지속가능한 경쟁 우위를 구축하며, 긍정적인 사회적 영향력을 도모합니다.
다양한 전문가들로 구성된 BCG 글로벌 팀은 전문성과 폭넓은 시각을 바탕으로 현 상태를 바라보며 변화를 추진합니다. BCG는 혁신적인 경영 컨설팅과 기술 및 디자인, 그리고 사내 디지털 벤처를 통해 솔루션을 제공하며, 고객의 성공과 더 나은 세상을 만들기 위한 BCG의 목표를 기반으로 고객 조직의 전 레벨에서 유니크한 협력 모델을 기반으로 컨설팅을 수행하고 있습니다.
BCG 코리아는 1994년 한국에 진출, 서울 오피스를 오픈하며 컨설팅 비즈니스를 시작했습니다. 2024년 한국 진출 30주년을 맞은 BCG 코리아는 약 350명의 뛰어난 컨설팅 인력을 기반으로 매년 20% 이상의 성장률을 달성해오고 있으며, 국내 주요 대기업, 다국적 기업, 다양한 정부 및 공공기관 등과 견고한 파트너십을 바탕으로 기업 및 조직의 성장뿐 아니라 고객의 성장을 기반으로 우리나라 경제 발전에도 기여하고 있습니다.
BCG 코리아는 IT 및 디지털 전문 조직을 바탕으로 IT, 디지털, 생성형 AI 관련 전략 수립과 기업 맞춤형 솔루션을 제공하고 있으며, 최근 기업의 디지털 혁신, 비용 효율성 개선, IT 아키텍처 고도화 서비스를 강화하고 있습니다.
풍부한 글로벌 자원과 서울 오피스의 각 분야의 전문 인력으로 무장한 BCG 코리아는 명실공히 우리나라 최고의 매니지먼트 컨설팅 회사로 거듭나고 있습니다.
