맞춤형 큐레이션

[Q레이션 레터 #6] "AI 기초 교육 다음엔 무엇을 가르칠까?" 기획, 운영, 설계에서 한 걸음 더 🔎

| 조회 531 |
0
|
from.
국가과학기술인력개발원(KIRD)
본 메일은 국가과학기술인력개발원(KIRD)이 발행하는 미래형 교수학습 동향 브리프 구독자와 알파캠퍼스 강사 회원 가운데 수신에 동의하신 분께 발송되었습니다.
첨부 이미지

2026.11.19  | No.06 | 구독하기 

안녕하세요, 구독자 여러분!

입동이 지나 아침 공기에 겨울 기운이 스미는 11월 셋째 주, <KIRD Q레이션 레터>의 6번째 호를 보냅니다. 매월 첫 번째 월요일에 찾아뵙는 <미래형 교수학습 동향 뉴스레터>가 AI 시대 글로벌 교육 동향의 큰 흐름을 짚어 드린다면 이 레터는 한 달에 한 번 목요일 점심에 만나는 가벼운 큐레이션입니다.


💌 Q레이션 레터?

Q레이션'은 Question과 큐레이션을 더한 말입니다. 교육 현장에서 자주 마주하시는 질문을 두고 글로벌 매체에서는 어떤 이야기가 오가는지 한자리에 모았습니다.


이번 호에도 교육기획자, 교육운영자, 교수자를 위한 Q를 하나씩 담았습니다. AI 기초 교육 이후에는 무엇을 가르쳐야 할까? 혼자 듣는 자율 수강 과정에서 학습자가 끝까지 완주하도록 어떻게 도울까? AI로 강의 초안을 만들기 전에 무엇을 먼저 정해야 할까? 세 가지 고민을 차례로 살펴봅니다.


그럼 첫 Q부터 만나 보실까요? 🌿

 🔦 "밝은 테마(라이트 모드)"로 설정하면
이미지와 글씨를 더 또렷하게 보실 수 있습니다.


☝️01. 교육기획자를 위한 Q

첨부 이미지

미국의 비영리 싱크탱크 The Conference Board가 2026년 6월 펴낸 보고서 Skilling for AI(보도자료)에 따르면 기업의 AI 교육은 직원들의 AI 사용 속도를 따라가지 못하고 있습니다.  전 세계 근로자 1,300명 가까이를 설문한 결과 55.1%가 생성형 AI나 AI 에이전트를 매일 또는 매주 쓰고 있었는데요. 반면 최근 6개월 동안 회사가 제공한 AI 교육을 이용한 근로자는 33.3%에 그쳤습니다. 보고서는 대기업 리더 35명을 인터뷰한 내용과 이 설문을 바탕으로 많은 기업의 AI 교육이 AI 리터러시와 기초 프롬프트에 몰려 있다고 정리했습니다.

직원의 AI 활용은 이미 일상이 되었지만 교육은 아직 기초 과정에 머물러 있습니다. 그렇다면 기초 다음 단계에서는 무엇을 가르쳐야 할까요?


🧗 기초 다음 단계의 교육이 부족하다

보고서에 따르면 AI 에이전트를 관리하거나 업무 절차에 AI를 적용하는 상위 역량까지 길러 주는 기업은 훨씬 적습니다.

연구에 참여한 Matt Rosenbaum은 8월 The Conference Board 팟캐스트에서 많은 기업이  2026년에도 2024년 수준의 기초적인 기술을 가르치고 있다고 지적했습니다. 또한 현재 심화교육을 직무를 기준으로 제공하면서 기술 부서는 일반 직원보다 훨씬 깊이 있는 교육을 받는 반면 일반직원들은 에이전트형 AI 역시 보안 등의 이유로 교육이 제한되어 있다고 설명했습니다.

보고서가 내놓은 해법은 배울 시간과 도구, 실습 기회를 주고, 형식 학습에 소셜 러닝과 경험 학습을 결합하는 것입니다. AI 기초 이해에 그치지 않고 직원이 자기 업무에 AI를 직접 적용해 볼 수 있도록 지원해야 한다는 뜻입니다.

 

🛠️ AI 챌린지에 교육을 결합한 두 기업

국내에서는 이 단계를 사내 AI 챌린지로 운영한 기업이 있습니다.

한화자산운용은 2026년 9월 한 달 동안 사내 AI 해커톤 AI플러스톤을 열었습니다. 개발 직군이 아니어도 참여할 수 있도록 사전 교육과 1:1 멘토링을 함께 운영했고, 회사는 대회 참여 자체가 실무형 AI 교육과정이 되도록 설계했다고 밝혔습니다.

전체 임직원의 약 15%인 26개 팀 58명이 참가했습니다. 서류심사를 통과한 11개 팀이 본선에 올랐고, 대상은 신입사원 3명이 만든 펀드 정보 통합 대시보드 도구였습니다. 회사는 좋은 아이디어를 실제 업무 과제(PoC)로 연결하고 참가자를 위한 사후 육성 프로그램도 운영할 계획입니다.

포스코퓨처엠은 2026년 6월부터 세 단계로 AI 100일 챌린지를 진행하면서 사내 'AI 활용 전문가' 87명을 길렀습니다. 교육을 마친 직원들이 자기 업무의 비효율을 직접 자동화하면서 현업 과제 87건이 나왔습니다. 10월 13일 성과 공유 행사에서 선정한 우수 사례 28건은 현장 테스트와 직원 의견 수렴을 거쳐 2027년 상반기까지 현장에 적용할 계획입니다. 사내 DX추진반은 교육생 의견을 내년도 DX 교육계획에 반영할 예정입니다.

두 사례를 바탕으로 다음 AI 교육을 기획하기 전에 스스로 물어볼 질문을 정리했습니다.

 

<AI 기초 교육 다음 단계를 기획하기 전에 점검할 질문 📝>
① 우리 AI 교육 목록에 리터러시와 프롬프트 기초 다음 단계로 자기 업무 하나에 AI를 적용해 보는 과정이 있는가?
② 비개발 직군도 끝까지 해낼 수 있도록 멘토링이나 실습 지원을 마련했는가?
③ 학습자가 자기 업무의 과제를 하나 골라 AI로 해결해 보고 그 결과물을 과정 안에서 내는가?
④ 그 과제가 실제 업무에 적용되는지, 교육생 의견이 다음 교육계획에 반영되는지 확인하는 단계가 있는가?

 

기초 교육 다음 단계는 강의를 하나 더 추가하는 것보다 학습자가 자기 업무에 AI를 적용해 보고 그 결과를 실제 업무에 반영하는 과정으로 설계해 볼 수 있습니다.

 

Q에서 가져갈 한 가지

A AI 기초교육 다음에 어떤 교육을 열지 국내외 자료와 사례로 살펴본 글입니다. 중요한 것은 심화교육을 기초교육과 별개의 과정으로 분리하여 제공하기 보다는 기초교육과 연계하여 AI 심화 역량 개발과 업무 과제, 현업 적용을 한 과정 안에서 연결하는 것입니다. 내년 AI 교육계획을 세울 때 기초 과정마다 학습자가 자기 업무에서 과제를 골라 오는 후속 과정을 함께 개설하고, 과제가 실제 업무에 적용됐는지를 교육 성과 항목에 넣으면 기초 교육이 업무 변화로 이어졌는지 확인할 수 있습니다.

 

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다. 


✌️02. 교육운영자를 위한 Q

첨부 이미지

자율 수강 방식의 온라인 과정은 첫 모듈 수강자는 많지만 뒤로 갈수록 수강자가 줄어드는 경우가 많습니다. 지난 호에서 배울 시간을 어떻게 확보할지 살펴봤다면, 이번에는 시간 외에 학습자를 끝까지 이끄는 방법을 찾아봅니다.

보상이나 의무를 더하지 않고도 학습자가 과정을 끝까지 마치게 할 방법은 없을까요?


📊 점수와 함께 '내 위치'를 알려 줬더니

독일 울름대 등 연구진이 2026년 8월 Management Science에 발표한 현장 실험이 한 가지 방법을 보여 줍니다. 실험은 직원 3,100여 명 규모의 한 자동화 기술 제조사가 운영하던, 애자일과 OKR을 다루는 자율 온라인 과정에서 진행됐습니다.

 

  • 과정은 4개 모듈이고 모듈마다 만점의 80% 이상을 받아야 다음 모듈로 넘어갑니다.
  • 수료증도, 승진 반영도, 상사 통보도 없는 자율 과정이었습니다.
  • 1모듈 시험을 본 직원 79명을 무작위로 두 집단으로 나눴습니다. 40명에게는 자기 점수만 알려 줬고, 39명에게는 먼저 이 과정을 들은 동료들의 점수 분포에서 자기가 어디쯤인지를 함께 알려 줬습니다.

 

결과는 크게 달랐습니다. 4개 모듈을 모두 마친 직원은 점수만 받은 집단에서 40명 중 7명(17.5%), 위치를 함께 받은 집단에서 39명 중 26명(66.7%)이었습니다. 두 집단은 첫 시험 점수부터 차이가 있었지만, 이 차이를 통제한 분석에서도 완주 비율의 차이는 통계적으로 유의했습니다.

이탈은 1모듈에서 2모듈로 넘어가는 시점에 가장 많았습니다. 1모듈을 통과하고도 2모듈을 시작하지 않은 사람이 점수만 받은 집단에서는 30명 중 11명, 위치를 함께 받은 집단에서는 38명 중 7명이었습니다. 과정을 마치는 데 걸린 시간도 위치를 함께 받은 집단이 평균 약 24일 짧았습니다.

보상이나 의무를 더하지 않고 시험 결과를 알려 주는 방식 하나만 바꾼 결과입니다.  경쟁심이 강한 직원일수록 다음 모듈 시험을 시작하게 하는 효과가 더 컸다는 신호도 있습니다. 다만 직전 모듈 성적 같은 요인을 더 통제하면 이 결과가 약해지고 표본도 79명이라 단정하기는 어렵습니다. 최종 완주 여부에서는 경쟁심에 따른 차이가 나타나지 않았습니다.

사회 비교(social comparison)는 성적이 아주 높거나 낮은 학습자를 위축시킬 수 있다는 우려도 있지만, 이 실험에서는 성적 수준에 따른 차이가 확인되지 않았습니다. 연구진은 10개 구간을 모두 보여 준 설계가 영향을 주었을 수 있다고 봤습니다. 다만 효과가 정말 사회 비교를 거쳐 나타났는지 직접 확인할 사후 설문은 하지 못했습니다.

 

🔍 순위표 대신 본인만 보는 막대그래프

연구진이 보낸 알림은 다음과 같이 구성되었습니다.

 

  • 보낸 시점: 시험을 마치고 2시간 안에 이메일로 보냈습니다.
  • 화면 구성: 먼저 과정을 들은 직원들의 점수를 10개 구간 막대로 보여 주고 본인이 속한 구간을 표시합니다. 개별 참여자의 이름이나 점수는 나오지 않고, 다른 구간의 점수 값도 숫자로는 나오지 않아 막대 길이로 크기만 가늠할 수 있습니다. 본인 점수와 함께 동료와 비교한 위치를 알려 줍니다.
  • 비교 기준: 먼저 과정을 들은 직원 23명(모듈별로는 19~23명)의 첫 시도 점수로 분포를 만들었습니다. 최고 점수를 쓰면 다들 한 번에 통과했다는 인상을 주기 때문입니다. 다만 이 직원들은 무작위로 뽑지 않은 초기 수강생이라 동기가 높았을 가능성이 있고, 그만큼 기준이 높게 잡혔을 수 있다는 점은 연구진도 한계로 밝혔습니다. 평균 하나 대신 10개 구간을 모두 보여 준 데에도 이유가 있습니다. 성적이 아주 높거나 낮은 학습자도 자신과 견줄 만한 구간과 다음에 올라설 구간을 볼 수 있게 하려는 것이었습니다.
  • 비교 대상: 업무 성과를 비교해 교육 참여를 끌어내는 방식은 도입 비용이 크고 동료의 일을 방해하는 행동 같은 부작용이 생길 수 있다는 선행연구도 있습니다. 그래서 연구진은 교육 성과를 비교하는 쪽을 대안으로 내놓았고, 대상 집단의 성향도 함께 고려하라고 덧붙였습니다.

 

< 자율 과정의 시험 결과 알림을 바꿀 때 정할 4가지 📩>
① 비교 기준: 첫 기수 수강생의 첫 시도 점수로 분포를 만든다. 동기가 높은 초기 수강생이 기준이 되면 비교 기준이 높아질 수 있으니 기수가 쌓이면 분포를 다시 만든다
② 보여 주는 방식: 평균 대신 10개 구간 분포를 보여 주고 내 구간을 표시하며, 개인별 이름과 점수는 보여 주지 않는다
③ 보내는 시점: 시험 후 2시간 안에 통과 여부와 다음 모듈 진행 방법을 함께 보낸다
④ 쓰는 범위: 교육 성과에만 쓰고, 상사 통보나 인사 평가와는 연결하지 않는다

 

자율 과정의 완주율은 의무나 보상 외에도 모듈이 끝날 때마다 학습자에게 자기 진척을 어떻게 보여 주느냐에 따라 달라질 수 있습니다.

 

Q에서 가져갈 한 가지

자율 수강 과정의 중도 이탈을 줄이는 피드백 설계를 다룬 글입니다. 이 실험에서는 시험 결과를 알릴 때 점수와 함께 먼저 들은 동료들 사이에서 내 위치를 알려 주는 것만으로 완주율이 높아졌습니다. 이때 위치 정보는 본인만 볼 수 있었습니다. 다음 자율 과정의 시험 결과 알림을 바꾼다면, 첫 기수의 첫 시험 점수로 10개 구간 분포를 만들어 두고 이후 기수의 알림에 그 분포에서의 내 위치를 함께 넣는 방법도 고려할 수 있습니다.

 

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다. 


👌03. 교수자를 위한 Q

첨부 이미지

학습 목표나 기존 자료를 넣으면 활동 구성까지 만들어 주는 AI 기능을 선보인 교육 플랫폼이 있습니다. 교육 플랫폼 Beekast는 2026년 10월 이런 기능을 발표하면서 자사 데이터를 함께 공개했습니다. 트레이너들이 2025년 7월부터 2026년 9월까지 만든 활동 약 37만 7천 개 가운데 41.6%가 퀴즈였습니다.

회사는 세션을 빨리 만들어야 하다 보니 만들기 쉽고, 점수가 나오고, 다시 쓰기 좋은 퀴즈에 기대게 된다고 봤습니다. 새 기능은 이보다 다양한 활동을 쉽게 만들도록 돕는다고 설명합니다.

사람이 만들어도 익숙한 형식을 고르게 된다면, AI에게 맡기면 무엇이 달라질까요?


🔁 4개 모델이 내놓은 같은 구성

교수설계 분야에서 활동하는 Philippa Hardman 박사가 2026년 7월 뉴스레터에서 AI에게 과정을 맡기면 어떤 구성이 나오는지 시험했습니다.

 

  • Hardman이 현장에서 본, 교수설계를 전문으로 하지 않는 내용 전문가들의 AI 활용 방식을 그대로 재현했습니다. 제약기업 GSK가 공개한 비위 신고 규정 문서를 주고 "신입 직원용 짧은 이러닝으로 만들어 달라"는 같은 요청을 ChatGPT, Claude, Copilot, Gemini 4개 모델에 넣었습니다.
  • 결과물은 약 200편의 연구를 바탕으로 Hardman이 만든 36개 항목으로 채점했습니다. 22개는 완성된 과정이 잘 만들어졌는지를 보는 '설계 기술' 항목이고, 14개는 애초에 이 문제를 이런 형태의 과정으로 푸는 것이 맞는지를 보는 '설계 판단' 항목입니다.

 

설계 기술 점수는 가장 높은 모델이 77%, 가장 낮은 모델이 9%로 차이가 컸습니다. 반면 설계 판단 점수는 4개 모델 모두 낮은 편이었고 Claude가 받은 36%만 조금 높았습니다. 이처럼 완성도는 모델마다 달랐지만 과정 구성은 4개 모델이 똑같았습니다.

 

  • 규정 내용을 보여 준 뒤 사례를 범주별로 분류하게 했습니다. 
  • 한 번 고르면 끝나는 객관식 문항과 클릭해야 펼쳐지는 설명을 배치했습니다.
  • 마지막은 1~5문항의 지식 확인으로 마무리되었는데, 통과 기준은 80%였고 그 근거는 어느 모델도 설명하지 않았습니다.

 

과정 구성에 앞서, 교육 자체가 필요한지에 대한 판단도 4개 모델이 같았습니다. 4개 모델 모두 요청대로 이러닝을 만들었을 뿐, 교육이 맞는 해법인지 묻거나 관리자 면담, 업무 도구 같은 다른 방법을 제안한 모델은 없었습니다.

Hardman에 따르면 숙련된 교수설계자는 무엇을 만들지 정하기 전에 이것이 몰라서 생기는 문제인지, 알아도 행동하기 어려운 문제인지부터 따집니다. 이번 시연의 비위 신고 규정을 예로 들면, 신고가 적을 때 직원들이 망설이는 이유는 절차를 몰라서라기보다 보복이 두렵거나 신고해도 조직이 제대로 대응하지 않으리라고 여겨서일 가능성이 큽니다. 그래서 Hardman은 이런 경우 절차를 설명하는 이러닝보다 직원의 신고 여부에 큰 영향을 주는 직속 관리자의 역량을 키우고 신고 처리 결과를 익명으로 공개하는 편이 더 맞는 해법이라고 봤습니다.

Hardman은 AI가 이런 질문을 하지 않는 이유로 두 가지를 꼽습니다. 하나는 AI가 완성된 이러닝 자료는 많이 학습했지만 그 설계를 결정한 판단 과정은 거의 학습하지 못했다는 점입니다. 다른 하나는 AI가 요청받은 과제를 빨리 끝내는 데 보상을 받도록 훈련됐다는 점입니다. 그래서 AI는 학습한 자료에서 가장 자주 보이는 형태를 기본값으로 내놓는다고 봤습니다.

또 4개 모델 가운데 3개 모델은 규정이 정한 의무, 신고 경로, 상위 보고 권리 중 일부를 빠뜨리거나 잘못 반영하기도 했습니다. Hardman은 모델이 규정을 틀리게 읽은 것은 아니고, 규정을 과정에 옮기는 단계에서 생긴 문제라고 짚었습니다.

 

🧭 Hardman이 제안한 4단계 작업 순서

같은 시연에서 설계 기술이 돋보인 사례도 있었습니다. ChatGPT는 신입 직원에게 필요 없는 조항을 덜어 냈고 학습자가 실제로 할 법한 오해를 오답 선지에 반영했습니다. Hardman은 이 가운데 범위를 줄인 것은 요청에 '신입 직원'과 '짧게'라는 말이 들어 있었기 때문이라고 봤습니다. 반면 학습자가 누구인지, 지금 무엇이 문제인지를 되묻는 모델은 하나도 없었습니다. AI의 설계 품질은 요청에 어떤 정보가 들어 있느냐에 크게 좌우되고, 빠진 정보를 AI가 먼저 묻지는 않습니다.

Hardman은 이 시연을 바탕으로 AI 시대의 과정 개발 순서를 4단계로 제안합니다.

 

<Hardman이 제안한 AI 시대의 과정 개발 4단계>
① 만들기 전 진단: 사람들이 지금 무엇을 잘못하고 있는지, 원인이 지식 부족인지 다른 데 있는지를 근거와 함께 문제 진술로 정리한다
② 해결 방식 결정: 과정이 맞는지, 업무 도구나 관리자 면담, 프로세스 변경이 더 맞는지 정한다
③ 요청서 작성: 대상, 제약, 교수 전략, 전달 환경, 성공 지표, 어조를 담아 AI와 내용 전문가에게 넘긴다
④ 전문가 검토: 요청서대로 나왔는지, 원자료의 필수 내용이 빠지지 않았는지, 지어낸 내용은 없는지 점검한다

 

Hardman은 AI 덕분에 과정을 만드는 일은 빨라졌어도, 정말 중요한 병목은 언제나 무엇을 만들지 진단하고 해결 방식을 정하는 일이었다고 정리합니다.

 

Q에서 가져갈 한 가지

AI로 교육 과정 초안을 만들 때 놓치기 쉬운 지점을 살펴본 글입니다. 이 시연에서 눈여겨볼 것은 AI에게 과정 개발을 맡기기 전에 교육의 필요성과 목적, 학습자의 요구 및 기대하는 학습성과를 먼저 명확히 하는 것입니다. 

만약 문제해결형 학습 과정을 만든다면, 과정 구성의 초안을 AI에게 맡기기 전에 1, 2단계에서 세 가지를 먼저 정리해 둘 수 있습니다. '이 학습자들의 애로사항과 그 원인이 무엇인지', '이것을 과정으로 풀어야 하는지, 업무 도구나 관리자 면담이 더 맞는지', '현업에서 무엇이 달라지면 성공인지'입니다. 이 답을 3단계 요청서 맨 앞에 넣는다면 익숙한 형식의 초안이 그대로 나오는 일을 줄일 수 있을 것입니다.

 

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다. 


이달의 Q레이션, 어떻게 보셨나요?

앞으로도 함께 들여다보면 좋을 질문이 있다면 들려주세요!
보내 주시는 이야기 하나하나가 다음 호의 Q가 됩니다.

<미래형 교수학습 동향 뉴스레터>로 12월 첫 번째 월요일에 다시 찾아뵙겠습니다.


첨부 이미지
📮[소식 1] <미래형 교수학습 동향 브리프> 6호가 나왔어요!
첨부 이미지

지난 6호의 주제는 바로 <스킬 갭 시대, 학습을 경력으로 이어주는 리스킬링과 학습 인증>!
"직무에 필요한 스킬이 빠르게 바뀌는 지금, 경력개발은 어떻게 달라지고 있을까요?"

   AI 노출 직무의 청년 채용 변화부터 논문 4,130만 편으로 본 AI 시대 과학자의 성장, 1,200여 개 기관의 경험으로 정리한 디지털 배지 도입 포인트까지!

여러분의 인사이트를 한 발 앞서게 할 최신 이야기들이 궁금하시다면
아래 웹진에서 확인해 보세요 🔎


📮[소식 2] 동료에게 추천하고 함께 선물 받으세요!
첨부 이미지

뉴스레터를 함께 읽고 싶은 동료가 있다면 지금 소개해 주세요!
동료가 구독을 신청하며 여러분의 이메일을 추천인으로 남기면,
추천해 주신 분과 새로 구독하신 분 모두에게 선물을 드립니다.

✔ 참여 방법 아래 구독 신청 링크를 동료에게 보내 주세요.
동료가 신청서의 추천인 칸에 여러분의 구독 이메일을 적으면 참여 완료!
✔ 참여 혜택
1. (선착순) 신규 구독자 50명과 추천인 모두에게 커피 기프티콘 5,000원권
(추천인 1인당 1회만 지급)
2. (추천왕 추첨) 2명 이상 추천해 주신 분 중 20명을 추첨해 네이버페이 10,000원권
✔ 참여 기간 2026.11.2.(월)~11.30.(월)


첨부 이미지

🌐 미래형 교수학습 동향, 더 가까이 만나기

전 세계 교수학습·HRD의 모든 동향을 한눈에! - 미래형 교수학습 동향 아카이브

기타 문의 - 📧 hspark@kird.re.kr


※ 구독 취소 안내
본 뉴스레터 수신을 중단하시려면 [KIRD 구독 취소 신청 폼]에서 신청해 주세요. 메일 최하단 'unsubscribe' 링크는 메일리(maily) 사이트에서 직접 구독하신 분들만 해당됩니다.

 

다가올 뉴스레터가 궁금하신가요?

지금 구독해서 새로운 레터를 받아보세요

✉️

이번 뉴스레터 어떠셨나요?

국가과학기술인력개발원 뉴스레터 님에게 ☕️ 커피와 ✉️ 쪽지를 보내보세요!

댓글

의견을 남겨주세요

확인
의견이 있으신가요? 제일 먼저 댓글을 달아보세요 !

다른 뉴스레터

이웃 뉴스레터 Beta

비슷한 이야기를 하는 다른 뉴스레터의 글이에요.

국가과학기술인력개발원 뉴스레터와 대화하기
© 2026 국가과학기술인력개발원 뉴스레터

매월 새로운 글로벌 교수학습 동향과 인사이트를 전하는 뉴스레터!

메일리 로고

도움말 오류 및 기능 관련 제보

서비스 이용 문의admin@team.maily.so 채팅으로 문의하기

메일리 사업자 정보

메일리 (대표자: 이한결) | 대표번호: 070-8027-1409 | 사업자번호: 717-47-00705 | 서울특별시 송파구 위례광장로 199, 5층 501-2-31호

이용약관 | 개인정보처리방침 | 정기결제 이용약관 | 라이선스