개발자들이 반복적인 작업에 시달리던 시대는 끝났다? 에이전트형 AI가 어떻게 당신의 코드 작성 방식을 완전히 변화시키고 있는지 궁금하지 않으신가요? 2026년의 개발 현장은 “더 빨리 만들자”를 넘어, 누가(사람+AI)가 어떤 방식으로 DevOps 파이프라인을 운영하느냐가 성과를 가르는 국면으로 진입했습니다.
DevOps 워크플로우에 들어온 에이전트형 AI: 자동화가 아니라 ‘협력자’
기존의 자동화는 규칙 기반 스크립트와 파이프라인 템플릿 중심이었습니다. 반면 에이전트형 AI는 개발 흐름 속에서 맥락을 읽고 판단해, 사람과 함께 결과를 만들어내는 쪽에 가깝습니다. 즉, DevOps 과정에서 AI는 단순 실행기가 아니라 “지속적으로 개입하며 개선을 제안하는 동료”로 기능합니다.
특히 다음 지점에서 변화가 두드러집니다.
- Pull Request 단계의 자동 코드 검토 고도화: 단순 스타일 체크를 넘어, 변경 의도를 추론하고 잠재 버그 가능성을 짚어내며 수정 방향을 제시합니다. 리뷰어는 ‘처음부터 끝까지 읽고 찾는’ 방식에서, AI가 올린 근거를 검증하고 팀 기준에 맞게 조정하는 방식으로 역할이 재편됩니다.
- 보안 취약점 탐지의 상시화: CodeQL 같은 정적 분석과 AI의 패턴 인식이 결합되며, 취약한 코딩 패턴과 위험한 의존성 사용을 더 빠르게 찾습니다. 중요한 포인트는 “릴리즈 직전의 보안 점검”이 아니라 개발 초반부터 DevOps 파이프라인에 자연스럽게 내장된다는 점입니다.
- 반복 운영 작업의 흡수: 환경 설정 확인, 로그 기반 1차 원인 추정, 사소하지만 빈번한 수정 작업 등 개발자 시간을 갉아먹던 업무를 AI가 맡아 사람은 설계, 품질 기준, 제품 가치에 더 집중할 수 있게 됩니다.
DevOps 파이프라인에서 실제로 달라지는 흐름: 코드에서 배포까지
에이전트형 AI가 통합된 DevOps는 “도구를 하나 더 쓰는 것”이 아니라 파이프라인의 의사결정 지점이 바뀌는 것입니다.
1) 코드 작성 단계: 생성형 AI가 보일러플레이트를 빠르게 구성하고, 팀 규칙에 맞는 구현 패턴을 제안합니다.
2) PR/리뷰 단계: AI가 변경 범위의 위험도를 요약하고, 테스트 누락/예외 처리/성능 병목 후보를 근거와 함께 표시합니다.
3) 보안·품질 게이트: 취약점과 품질 문제를 “통과/실패”로만 판단하는 게 아니라, 왜 위험한지와 어떤 수정이 합리적인지까지 제안합니다.
4) 운영 피드백 루프: 배포 후 장애 신호가 나오면 로그·메트릭을 바탕으로 원인을 좁히고, 재발 방지 조치(예: 가드레일, 테스트 추가)를 추천합니다.
이 흐름이 의미하는 바는 명확합니다. DevOps의 핵심인 지속적 가치 전달이 더 짧은 주기로 가능해지고, 팀은 같은 인원으로 더 많은 개선을 안정적으로 처리할 수 있습니다.
DevOps 관점의 조직 성과: 속도만이 아니라 비용과 품질의 동시 개선
AI 기반 DevOps가 주목받는 이유는 “개발이 빨라진다” 한 줄로 끝나지 않습니다. 반복 작업의 자동화와 오류 가능성이 높은 구간의 선제 대응이 결합되며, 조직 차원에서 다음 효과가 현실화됩니다.
- 효율성: 수동 개입이 줄어들고, 실행 가능한 인사이트(무엇을 고쳐야 하는지) 중심으로 의사결정 속도가 빨라집니다.
- 비용: 실수로 인한 재작업과 긴급 대응이 감소해 개발·운영 비용이 함께 내려갑니다.
- 가치 전달 속도: 릴리즈 주기가 짧아지고, 고객 가치(기능/안정성/보안)를 더 빠르게 반복 제공할 수 있습니다.
결국 2026년의 승부처는 “AI를 쓰느냐”가 아니라, DevOps 파이프라인에 AI를 어떻게 통합해 팀의 일하는 방식을 바꾸느냐입니다. 에이전트형 AI는 개발자를 대체하는 존재가 아니라, 개발자가 더 중요한 문제를 풀도록 시간을 되돌려주는 방식으로 개발 현장을 재편하고 있습니다.
DevOps 파이프라인에서 에이전트형 AI의 숨은 힘: 진정한 협력자의 등장
단순 반복 자동화에서 벗어나, AI가 어떻게 코드 검토부터 취약점 탐지까지 스스로 판단하고 제안하는지, 그 비밀이 궁금하십니까? 핵심은 에이전트형 AI가 “도구”가 아니라 “워크플로우의 참여자”로 들어온다는 점입니다. 즉, 사람이 시키는 일을 빠르게 처리하는 수준을 넘어, 파이프라인 각 단계의 맥락을 읽고 다음 행동을 결정합니다.
DevOps에서 “자동화”와 “에이전트형 AI”의 결정적 차이
기존 자동화는 보통 “정해진 규칙대로 실행”합니다. 예를 들어, 테스트를 돌리고 실패하면 빌드를 멈추는 식이죠. 반면 에이전트형 AI는 DevOps 파이프라인에서 다음과 같은 형태로 작동합니다.
- 상황 인지(Context Awareness): 커밋 메시지, 변경 파일, PR 설명, 기존 이슈/버그 히스토리까지 종합해 변경의 의도를 파악
- 자기 주도적 판단(Autonomous Reasoning): 어떤 테스트를 우선 실행할지, 어떤 리뷰 포인트가 위험한지 “우선순위”를 정함
- 행동 제안(Actionable Suggestions): 단순 경고가 아니라 “어떻게 고칠지”를 코드/설명 형태로 제시
이 차이 때문에, 에이전트형 AI는 파이프라인을 “빨리 돌리는 엔진”을 넘어 품질과 보안을 같이 끌어올리는 협업자가 됩니다.
DevOps 코드 검토 단계: AI가 보는 것은 ‘문법’이 아니라 ‘의도와 위험도’
에이전트형 AI 기반의 코드 검토는 스타일 체크에 그치지 않습니다. PR을 받는 순간부터 다음을 자동으로 수행할 수 있습니다.
- 변경 영향 분석: 이 변경이 어떤 모듈과 런타임 경로에 영향을 주는지 추적해 “리스크가 큰 부분”을 표시
- 버그 패턴 탐지: 널 처리, 경계값, 경쟁 상태(race condition) 같은 반복적 결함 패턴을 정밀하게 지적
- 수정안 제안: 문제를 발견하면 “원인 → 영향 → 수정 코드 예시”까지 제안해 리뷰 왕복 시간을 줄임
결과적으로 리뷰어는 사소한 지적에 시간을 쓰기보다, 설계 선택과 제품 가치 같은 고부가가치 판단에 집중할 수 있습니다.
DevOps 취약점 탐지: CodeQL 같은 정적 분석을 ‘운영 가능한 결론’으로 바꾸다
보안 스캐너는 경고를 많이 띄우지만, 개발팀이 바로 행동하기 어렵다는 문제가 있었습니다. 에이전트형 AI는 이 지점을 바꿉니다.
- 취약점 경고의 맥락화: 단순 “취약할 수 있음”이 아니라, 실제 데이터 흐름과 호출 경로를 근거로 위험도를 설명
- 우선순위 기반 트리아지: 노출 가능성, 영향 범위, 릴리즈 일정 등을 고려해 “지금 고칠 것”을 선별
- 패치 가이드 제공: 안전한 API 사용법, 입력 검증 방식, 권한 체크 위치 등 구체적 수정 방향을 제시
즉, DevOps 파이프라인에서 보안은 별도 절차가 아니라 PR 단계부터 자연스럽게 내재화(shift-left) 되며, 수정 속도도 함께 올라갑니다.
DevOps 반복 작업 자동화의 진짜 완성: “실행”까지 이어지는 자동화
에이전트형 AI가 강력한 이유는, 반복 작업을 “대신 수행”하는 데서 끝나지 않고 다음 액션으로 연결하기 때문입니다.
- 빌드 실패 시 로그를 요약하고, 실패 원인을 추정해 재현 방법을 안내
- 환경 설정 충돌이 의심되면 관련 설정 파일을 비교하고 수정 후보를 제시
- 운영 이슈 징후가 보이면 관련 배포/변경 내역을 역추적해 롤백 또는 핫픽스 경로를 추천
이 흐름이 자리 잡으면, 팀의 파이프라인은 단순히 자동화된 라인이 아니라 스스로 학습하고 개선되는 전달 시스템에 가까워집니다.
DevOps 조직 성과로 이어지는 이유: 속도 향상이 아니라 ‘결정 비용’의 감소
에이전트형 AI 도입 효과는 흔히 “개발이 빨라진다”로 요약되지만, 본질은 결정 비용을 낮춘다는 데 있습니다. 코드 검토에서 무엇이 위험한지, 보안 경고 중 무엇을 먼저 처리할지, 장애 원인이 무엇인지 같은 판단을 AI가 선제적으로 정리해주면 팀은 더 빠르게 합의하고 실행합니다. 그 결과, 출시 주기 단축·품질 향상·보안 리스크 감소가 동시에 발생합니다.
조직 혁신의 원동력: DevOps에 AI를 더했을 때 나타나는 눈에 보이는 성과들
비용 절감, 효율성 증대 그리고 고객 만족까지… AI 기반 DevOps는 “좋아졌다는 느낌”이 아니라 지표로 증명되는 변화를 만들고 있습니다. 에이전트형 AI가 코드 리뷰와 취약점 탐지, 반복 운영 업무를 맡아주면서, 팀은 더 이상 병목을 ‘사람의 야근’으로 메우지 않습니다. 대신 같은 인원으로 더 자주, 더 안전하게, 더 예측 가능하게 출시하는 문화로 전환됩니다.
DevOps 생산성: 반복 업무가 사라질수록 핵심 개발 시간이 늘어난다
AI가 가장 먼저 바꾸는 것은 개발자의 시간 구조입니다. Pull request 단계에서 자동 코드 리뷰가 기본값이 되고, 정적 분석과 보안 스캔이 파이프라인에 자연스럽게 녹아들면 다음과 같은 변화가 일어납니다.
- 코드 리뷰 리드타임 단축: AI가 변경 범위를 빠르게 요약하고 위험 구간을 표시해, 리뷰어는 “처음부터 끝까지 읽기”가 아니라 “핵심 검증”에 집중합니다.
- 버그 조기 발견: 배포 이후가 아니라 PR/빌드 단계에서 결함을 잡아 재작업(리워크) 비용이 줄어듭니다.
- 운영·환경 작업 자동화: 환경 설정, 로그 확인, 반복 점검 같은 작업을 에이전트가 처리하면서 개발자는 기능 개발과 설계에 시간을 씁니다.
이 흐름의 핵심은 단순 자동화가 아니라, 에이전트형 AI가 DevOps 파이프라인의 협력자로 들어와 의사결정을 빠르게 만든다는 점입니다. 즉, 사람이 하던 “확인·정리·탐색”을 AI가 맡고, 사람은 “판단·설계·우선순위”에 집중하게 됩니다.
DevOps 비용 절감: 오류가 비싼 구간부터 AI가 잠근다
비용 절감은 대개 “인건비 절감”보다 오류가 비싼 단계의 실패를 줄이는 방식으로 나타납니다. 예를 들어 보안 취약점이나 품질 결함이 배포 후 발견되면, 핫픽스·롤백·장애 대응·고객 커뮤니케이션까지 연쇄 비용이 발생합니다.
AI 기반 DevOps에서는 다음 메커니즘으로 비용이 내려갑니다.
- 취약점 탐지의 상시화: CodeQL 같은 도구를 파이프라인에 통합해, 취약 패턴을 조기에 탐지하고 수정 가이드를 제공합니다.
- 변경 영향 분석 강화: AI가 코드 변경의 영향 범위를 추적·요약해 “놓치기 쉬운 사이드 이펙트”를 줄입니다.
- 수동 개입 최소화: 사람이 직접 점검하던 단계가 줄어들며, 야간 대응과 긴급 투입 같은 숨은 비용이 감소합니다.
결국 비용 절감의 본질은 실패를 덜 하게 만드는 구조에 있습니다. AI는 “실수를 하지 않는 개발자”를 만드는 것이 아니라, 실수가 커지기 전에 잡아내는 파이프라인을 만듭니다.
DevOps 고객 만족: 출시 속도보다 중요한 것은 ‘신뢰 가능한 속도’다
출시 주기가 짧아지는 것만으로 고객 만족이 보장되지는 않습니다. 고객이 원하는 것은 빠른 변화이면서 동시에 장애 없이, 품질이 유지되는 업데이트입니다. AI 기반 DevOps는 이 균형을 맞추는 데 강합니다.
- 출시 주기 단축: 자동 리뷰·자동 테스트·자동 보안 점검이 기본값이 되면, 릴리스가 “큰 이벤트”가 아니라 “일상적인 흐름”이 됩니다.
- 품질 일관성 개선: 동일한 규칙으로 지속 점검이 이뤄져, 팀·개발자별 편차가 줄고 결과가 예측 가능해집니다.
- 가시성 유지: GitHub Enterprise, Azure 같은 플랫폼에서 사람과 AI가 같은 워크플로에서 협업하면, 속도를 높이면서도 변경 이력과 근거가 남아 신뢰가 쌓입니다.
정리하면, AI 기반 DevOps가 만드는 가장 큰 성과는 ‘속도’가 아니라 ‘속도를 신뢰할 수 있는 상태’입니다. 조직은 반복 업무를 줄이고, 위험을 앞단에서 통제하며, 고객은 더 안정적인 업데이트를 더 자주 받게 됩니다. 이는 곧 개발 문화 자체가 “소방(reactive)”에서 “예방(proactive)”으로 이동했다는 신호입니다.
DevOps의 새로운 정의: AI와 인간의 완벽한 조화
“사람과 AI가 함께 가치를 전달한다.” DevOps의 미래를 이 한 문장으로 요약할 수 있습니다. Microsoft의 DevOps 리더 Donovan Brown이 말한 DevOps의 본질은 사람, 프로세스, 제품을 결합해 최종 사용자에게 지속적으로 가치를 전달하는 것입니다. 2026년의 변화는 여기서 한 걸음 더 나아가, ‘사람’의 역할을 대체하는 AI가 아니라 ‘사람과 함께 일하는’ 에이전트형 AI가 DevOps의 구성원으로 편입된다는 점에 있습니다. 그렇다면 협업의 비밀은 무엇일까요?
DevOps에서 AI는 ‘자동화 도구’가 아니라 ‘협력자’가 된다
기존 DevOps 자동화는 정해진 규칙을 실행하는 수준에 머무는 경우가 많았습니다. 하지만 에이전트형 AI는 워크플로우 안에서 상황을 해석하고, 위험을 평가하고, 다음 행동을 제안합니다. 즉, “시키는 일만 하는 도구”에서 “같이 목표를 달성하는 동료”로 역할이 바뀝니다.
- Pull Request 단계의 자동화된 코드 검토: AI가 변경 범위를 이해하고 버그 가능성, 스타일 불일치, 성능 저하 요인을 찾아 수정 제안을 제공합니다. 리뷰어는 반복 확인 대신 설계 의도와 우선순위 판단에 집중할 수 있습니다.
- 보안 취약점 탐지의 상시화: CodeQL 같은 분석이 파이프라인에 자연스럽게 녹아들면, 릴리스 직전이 아니라 커밋/PR 단위에서 취약 패턴을 조기 차단합니다.
- 반복 작업의 대량 제거: 환경 설정 점검, 로그 1차 분석, 자주 발생하는 장애 조치(runbook) 실행 등은 AI가 맡고, 사람은 근본 원인 분석(RCA)과 재발 방지 설계에 시간을 씁니다.
이 구조에서 DevOps는 더 빠르게 배포하는 기술이 아니라, 가치 전달을 위해 인간 판단과 AI 실행력을 결합하는 운영 방식으로 재정의됩니다.
DevOps 파이프라인의 중심이 ‘속도’에서 ‘지속 가능한 품질’로 이동한다
AI가 파이프라인에 들어오면 속도는 기본값이 됩니다. 더 중요한 변화는 품질과 보안이 뒤늦게 붙는 절차가 아니라, 처음부터 흐름에 내장되는 것입니다.
- PR에서 AI가 품질 이슈를 선제적으로 잡아내면, QA/운영 단계로 넘어가는 결함이 줄어 리드 타임과 재작업 비용이 함께 감소합니다.
- 취약점 탐지가 상시 작동하면, 배포 속도를 유지하면서도 보안 검증을 병목으로 만들지 않는 DevOps가 가능해집니다.
- 사람은 “검사자”에서 “설계자”로 이동합니다. 기준(정책), 예외 처리, 위험 수용 여부는 인간이 결정하고, AI는 이를 일관되게 실행합니다.
결국 DevOps의 경쟁력은 “자동화가 얼마나 많냐”가 아니라, 사람의 의사결정 품질과 AI의 실행 일관성이 얼마나 잘 맞물리느냐로 측정되기 시작합니다.
DevOps 협업의 비밀: 역할 분담을 ‘업무’가 아니라 ‘책임’으로 나누는 것
사람과 AI가 함께 일할 때 실패하는 가장 흔한 이유는 “일을 AI에게 넘긴다”는 접근입니다. 성공하는 팀은 반대로 책임을 기준으로 경계를 설정합니다.
- AI의 책임(Execution): 탐지, 요약, 제안, 반복 실행, 정책 기반 차단(예: 보안 규칙 위반 시 머지 중단)
- 인간의 책임(Decision): 목표와 우선순위 설정, 예외 승인, 위험 수용, 아키텍처 및 제품 방향 결정
이렇게 분리하면 DevOps는 더 빠르면서도 통제 가능한 형태로 진화합니다. AI가 개발 파이프라인을 “가속”하고, 사람은 조직의 기준과 전략을 “조향”하는 구조—바로 이것이 “사람과 AI가 함께 가치를 전달한다”는 미래형 DevOps가 작동하는 방식입니다.
미래를 준비하는 개발자들을 위한 DevOps AI-DevOps 통합 전략 총정리
최신 플랫폼과 도구들은 “코드 작성 → 리뷰 → 빌드/배포 → 운영”으로 이어지는 개발 워크플로우의 사람이 하던 판단과 반복 작업을 빠르게 재배치하고 있습니다. 이제 핵심은 AI가 일부를 대신하는 수준을 넘어, 에이전트형 AI를 DevOps 파이프라인의 정식 구성원으로 편입해 팀이 더 빠르고 안전하게 성장하도록 만드는 것입니다. 아래 전략은 바로 적용 가능한 형태로 정리했습니다.
DevOps 관점에서 보는 ‘에이전트형 AI’ 도입 우선순위(어디부터 붙일 것인가)
에이전트형 AI는 전 구간에 붙일 수 있지만, 효과가 큰 순서대로 접근해야 실패 비용이 줄어듭니다.
1) Pull Request(PR) 단계 자동화부터 시작
- AI 코드 리뷰어를 PR에 연결해 버그 패턴, 성능 이슈, 스타일 위반, 테스트 누락을 자동 코멘트하게 만듭니다.
- “수정 제안”이 실제 커밋까지 이어지도록, 제안 수락/거절 기준(예: 성능 영향, 보안 영향, 변경 범위)을 팀 규칙으로 둡니다.
2) 보안/취약점 탐지를 파이프라인 기본값으로
- CodeQL 같은 정적 분석과 AI 기반 취약점 요약을 결합해, 단순 경고 나열이 아니라 위험도·악용 가능성·수정 우선순위로 정리해 주도록 합니다.
- 중요한 점은 “탐지”가 아니라 “차단”입니다. 고위험 룰은 빌드 실패 조건으로, 중저위험은 티켓 자동 생성 등으로 정책화하세요.
3) 운영(Incident/Runbook) 자동화는 ‘제한된 권한’으로 단계적 확대
- 처음부터 배포/롤백 권한을 주기보다, AI가 로그/메트릭 분석 → 원인 후보 제시 → 실행 명령 제안까지만 수행하게 하고 사람이 승인합니다.
- 신뢰도가 쌓이면 “재시작, 스케일아웃, 캐시 플러시” 같은 저위험 조치부터 자동 실행으로 확장합니다.
플랫폼·도구가 바꾸는 DevOps 워크플로우: “기능”이 아니라 “연결 방식”이 핵심
AI 도구는 단일 기능보다 워크플로우 안에서 어떻게 연결되는지가 생산성을 좌우합니다.
- GitHub Enterprise + Copilot(또는 유사 도구):
코드 작성 단계뿐 아니라 PR 코멘트, 변경 영향 분석, 테스트 추천까지 한 흐름으로 묶이며, 리뷰 병목이 줄어듭니다. - Azure(또는 클라우드 CI/CD 스택):
빌드/배포 파이프라인에 AI가 개입해 실패 원인을 요약하고 재현 방법을 제안하면, “원인 찾기 시간”이 크게 단축됩니다. - CodeQL/정적 분석 + AI 요약:
보안 경고를 개발자가 이해할 언어로 바꿔주고, 수정 패치 방향까지 제시해 보안 부채를 ‘대기열’이 아니라 ‘해결 흐름’으로 만듭니다.
정리하면, 최신 도구의 가치는 “더 똑똑한 기능”이 아니라 PR–CI–보안–운영을 끊김 없이 이어 주는 통합성에 있습니다.
팀이 AI와 함께 성장하기 위한 DevOps 핵심 기술 5가지(실무 체크리스트)
1) 정책(Policy) 기반 자동화 설계
- 무엇을 자동 승인할지(예: 포맷팅, 단순 리팩터링), 무엇을 사람 승인을 요구할지(예: 인증/권한, 결제 로직)를 규칙으로 명시하세요.
- “AI가 했다”가 면책이 되지 않도록 승인 책임자와 로그를 남깁니다.
2) 고품질 신호(Observability) 확보: 로그·메트릭·트레이스 표준화
- AI가 운영에서 유용하려면 데이터가 정리돼 있어야 합니다.
- 서비스별 로그 포맷, 코릴레이션 ID, 주요 SLI/SLO 지표를 표준으로 만들면 AI 분석 정확도가 급상승합니다.
3) 테스트 전략 강화: AI 제안 테스트를 ‘검증 가능한 형태’로
- AI가 추천하는 테스트 케이스를 그대로 믿지 말고, 실패 재현 조건과 기대 결과를 명확히 하세요.
- 회귀 테스트 자동 생성은 유용하지만, 핵심 경계조건(인증, 동시성, 데이터 정합성)은 사람이 최종 설계하는 편이 안전합니다.
4) 보안 체계 내재화: 시프트 레프트 + 시프트 라이트 동시 추진
- 개발 단계에서 취약점 탐지(시프트 레프트)와 운영 단계에서 이상 징후 탐지(시프트 라이트)를 함께 설계합니다.
- AI가 만든 코드/설정 변경은 특히 권한(Secrets/IAM), 의존성(SBOM), 공급망을 우선 점검 대상으로 두세요.
5) 프롬프트·컨텍스트 관리(팀 자산화)
- 개인의 “잘 되는 프롬프트”에 의존하면 재현성이 떨어집니다.
- 코드베이스/아키텍처/규칙을 AI가 참고할 수 있도록 가이드(예: 코딩 규칙, API 계약, 릴리스 규정)를 문서화하고, 자주 쓰는 질의 템플릿을 팀 공유 자산으로 만드세요.
DevOps 실행 로드맵: 30-60-90일로 끝내는 도입 플랜
- 30일: PR 자동 리뷰 + 기본 보안 스캔 정착
- PR 템플릿, AI 리뷰 범위, 고위험 취약점 차단 정책부터 고정합니다.
- 60일: CI 실패 분석 자동화 + 테스트 추천 루프 구축
- 실패 원인 요약, 재현 스크립트 제안, 테스트 갭 자동 알림을 파이프라인에 연결합니다.
- 90일: 운영 자동화(승인형) + 지표 기반 성과 측정
- MTTR, 배포 빈도, 변경 실패율 같은 DevOps 지표를 기준으로 “AI가 실제로 개선했는지”를 수치로 검증합니다.
AI-DevOps 통합의 목표는 단순히 더 빨리 개발하는 것이 아니라, 더 안전하고 예측 가능하게 가치 전달을 반복하는 DevOps 체계를 만드는 데 있습니다. 지금 필요한 것은 새로운 도구를 더하는 일이 아니라, 도구가 일하는 방식을 파이프라인 규칙과 데이터 표준으로 묶어 팀의 기본 역량으로 만드는 것입니다.
