• 생성형 AI로 PM·디자이너·데이터 과학자가 프로토타입과 코드 작성까지 맡게 됐지만, Netflix는 이를 직무의 소멸이 아닌 역할이 재편되는
  storming 단계로 봄
• 더 많은 사람과 에이전트가 여러 시스템에서 빠르게 작업하려면 공통 인프라, 신뢰할 데이터, 설계 템플릿, 보안·품질 가드레일을 만드는
  시스템 사고자가 필요함
• 직무 간 경계가 유동적으로 바뀌어도 확장성과 품질을 책임지는 엔지니어링, 데이터 해석을 검증하는 데이터 과학, 문제를 정의하는 제품 관리, 일관된 경험을 만드는 디자인의
  전문성은 여전히 희소함
• Netflix는 역할·직급별 세부 기준 대신 모든 직무에
  AI 유창성을 공통 기대치로 적용하며, AI가 유용한 지점을 판단하고 결과에는 인간이 책임지도록 요구함
• 높은 인재 밀도와 자율성, 위험 감수, 최소한의 프로세스를 결합한
  탁월함의 운영체제를 유지하면서 좁은 전문화보다 변화에 적응하고 전체 시스템을 개선할 인재를 중시함

AI가 뒤섞은 직무 경계

• 생성형 AI가 등장하면서 PM은 코드를 만들고, 디자이너는 PRD를 쓰며, 엔지니어는 제품 업무까지 수행할 수 있게 됐고 각 직무의 책임 범위를 둘러싼 혼란도 생김

• 새로운 변혁적 기술은 조직이 안정된 형태를 찾기 전에 충돌과 혼란을 겪는
  storming 단계를 거치며, 현재가 바로 그 단계임

• 역할이 복잡해졌다는 이유로 AI 사용을 막기보다 이점을 얻으면서 비용과 혼란을 줄이는 방식을 찾아야 함

• 제품·디자인 담당자가 아이디어 개발, 프로토타입, 초기 코드 작성과 가설 검증을 빠르게 수행하는 것은 유용하지만, 누구나 프로덕션 코드를 배포해야 한다는 뜻은 아님

• 명확한 사업 문제를 중심으로 제품·기술 조직이 협업한다면 역할의 유동성이 속도를 높일 수 있음

• 제품과 디자인은 엔지니어링 팀을 기다리지 않고 초기 아이디어를 구체화할 수 있음

• 실제 제품화와 확장, 가드레일은 엔지니어와 함께 결정해야 함

• 조직은
  신뢰할 수 있는 기준 데이터, 프로덕션 배포 및 대규모 변경 전 테스트 규칙, AI 결과를 신뢰할 조건과 별도 검토가 필요한 조건을 마련해야 함

• 코드나 분석을 에이전트가 만들었더라도 결과에 대한
  책임은 인간에게 있으며, 기반 인프라와 업무 관행도 이를 전제로 설계해야 함

제품 개발 과정의 변화

• PM·디자이너·데이터 과학자는 2년 반 전보다 엔지니어링이 본격적으로 개입하기 전까지 제품 개발을 더 멀리 진행할 수 있음

• 빠른 프로토타이핑은 중요한 사업 문제를 대상으로 하고 엔지니어링 파트너와 방향을 합의했을 때 효과적임

• 사업과 무관한 수천 개의 프로토타입을 만들거나 무작위로 아이디어를 던지는 방식은 바람직하지 않음

• 올바른 문제와 가설이 정해지면 제품·디자인·데이터 과학 조직이 테스트 가능한 결과까지 더 빨리 도달할 수 있음

• Netflix에는 수십 년간 진행한 실험과 소비자 통찰, 여러 사업 조직의 의견이 축적돼 있으며 AI는 이를 검색·요약·분석해 초기 통찰을 만드는 데 강점이 있음

• 과거 연구의 연도·질문·실험 결과를 담당자에게 물어보는 대신 거의 즉시 찾아 실행 가능한 판단으로 이어갈 수 있음

• 재무·콘텐츠·광고 같은 사업 조직도 초기 가설을 직접 만든 뒤 데이터 과학자와 엔지니어에게 가져가 더 깊이 검토할 수 있음

• AI 분석을 전적으로 신뢰해서는 안 되며,
  기준 데이터 사용 여부와 결과의 유효성을 현지 데이터 과학자와 확인해야 함

경계는 흐려져도 전문성은 남음

• 여러 직무가 더 많은 도구와 언어를 다루게 됐지만 각 분야의
  비교 우위는 유지됨

• 데이터 과학자는 데이터를 신뢰할 수 있는지, 해석이 올바른지, 데이터와 판단을 어떻게 나눌지 검증함

• 제품 관리자는 해결할 문제의 본질과 범위를 올바르게 정의함

• 엔지니어는 구현 방법, 확장성, 품질, 구축·배포 과정에서 생길 문제를 판단함

• 디자이너는 복잡성을 감추고 일관되고 매끄러운 사용자 경험을 만듦

• AI 도구가 직무 간 장벽을 낮춰도 무엇이 좋은 결과인지 판단하는
  장인정신과 숙련도는 대체되지 않음

• 뛰어난 엔지니어링, 데이터 과학, 창의성은 여전히 희소하며 일부 작업이 쉬워졌다고 이런 희소성이 사라지지는 않음

• 중요한 우선순위에는 깊이 있는 디자인 작업이 여전히 필요함

• AI로 더 많은 선택지를 만들고 학습·반복·테스트하는 속도는 높일 수 있음

• 코딩과 분석이 빨라졌다는 이유로 디자인 사고를 생략하면 대규모 소비자 제품인 Netflix의 강점을 잃을 수 있음

시스템 사고자가 필요한 이유

• Netflix는 AI 시대에 특정 직무의 인원보다
  시스템 사고 역량을 더 필요로 함

• 과거에는 각 지역 팀이 중앙의 표준 경로를 따르지 않고 사업 문제에 맞는 기술 스택을 직접 만들어 빠르게 움직이는 방식이 성공에 기여함

• 여러 시스템에서 에이전트가 활동하는 환경에서는 공통 인프라와 권장 경로를 통해 문제를 한 번 해결하고 여러 팀이 재사용하는 방식이 더 중요해짐

• 중앙 엔지니어링은 여러 사업 영역을 살펴보고 AI 환경에 필요한 공통 구성 요소를 추상화할 인재를 채용함

• 분산 시스템, 인프라, 시스템 사고 역량이 강화됨

• 개인화·광고·콘텐츠 전송처럼 특정 영역에 깊은 전문가도 계속 필요하며, 시스템 역량은 이를 대체하기보다 추가됨

• 디자인 조직도 개별 기능을 설계하는 데 그치지 않고 비디자이너까지 일관된 제품을 만들 수 있도록
  디자인 시스템과 템플릿을 구축해야 함

• 서로 다른 디자인 언어와 상호작용이 뒤섞인 Frankenstein형 제품을 피해야 함

• 브랜드 표현, 좋은 사용자 경험, Netflix만의 차별성을 공통 체계에 담아야 함

• 모든 직무에서 구체적인 기능보다 한 단계 물러나 전체 그림을 보는 역량이 중요해져 기존 팀의 재교육과 관련 경험을 갖춘 신규 채용이 모두 필요함

• 변화와 모호성을 편안하게 받아들이고 새로운 방식을 실험할
  호기심과 혁신 성향은 기존 구성원과 신규 채용자 모두에게 요구됨

플랫폼, 가드레일과 에이전트

• 플랫폼은 각 팀을 해결 과정의 약 80%까지 데려가 반복적인 구성 요소를 다시 만들지 않도록 하며, 사업 전반의 실험이 늘면서 활용도도 커짐

• AI는 더 많은 사람이 익숙하지 않은 종류의 작업까지 수행하게 하므로 단순한 속도 향상 외에도
  스캐폴딩이 필요함

• 접근 권한과 신원

• 보안

• 코드·디자인·사용자 경험의 품질

• 데이터 접근법과 해석법

• 민감한 데이터에 대한 주의사항

• 수천 명 규모의 조직은 부족한 지식이나 특정 담당자 한 명에게 의존할 수 없으며, 품질 기준과 가드레일을 표준 경로와 업무 방식에 인코딩해야 함

• 이 문제는 AI 이전에도 존재했지만 AI로 더 시급해졌으며, 새 기술은 미뤄왔던 기반 투자를 실행할 계기가 됨

• Netflix는 많은 에이전트가 업무에 기여하는 미래를 예상함

• 인간은 해결할 문제와 결과의 영향·품질을 판단함

• 실제 작업은 인간과 에이전트가 함께 수행함

• 엔지니어링 조직은 속도를 유지하면서 회사에 과도한 위험을 만들지 않는 관리 체계를 마련해야 함

좁은 전문화에서 적응력으로

• 5년 또는 10년 전과 비교하면 매우 좁고 깊은 전문화의 적용 범위가 줄어들고, 여러 방향으로 적응할 수 있는 일반형 인재가 늘어날 가능성이 큼
• 인코딩이나 Netflix의 재생 시스템처럼 세계적으로 전문가가 드문 영역에는
  특화 인재가 계속 필요함
• 프런트엔드·백엔드·인프라처럼 엔지니어링 계층을 넘나들거나 새로운 기술을 빠르게 학습할 수 있는 능력이 더 중요해짐
• 결제, 광고 시장 설계, 스튜디오 제작 도구 같은 도메인 전문성도 장점이지만 기존 도구와 문제 해결법이 여전히 맞는지 검토하고 새 방식을 탐색해야 함
• 전문가도 AI를 활용해 더 넓은 도구를 쉽게 익힐 수 있으므로 조직이 필요한 순수 전문 인력의 수는 줄어들 수 있음
• 특정 분야를 고수하는 태도보다 해당 분야의 미래 형태를 상상하고 혁신하려는 자세를 더 중시함

시스템 사고를 기르는 방법

• 맡은 문제에서
  한 단계만 확대해 더 넓은 영역에 대해 무엇을 사실로 가정하고 있는지 질문하는 것이 실용적인 훈련법임

• Netflix 기능을 만들 때는 다음과 같은 질문을 추가할 수 있음

• 더 큰 소비자 문제는 무엇인지

• 어떤 콘텐츠 유형을 지원할 것인지

• 여러 콘텐츠 유형으로 확장 가능한 구현인지

• 여러 조직이 쓸 플랫폼 기능으로 만들 수 있는지

• 확대되는 엔터테인먼트 환경에서 Netflix가 해결해야 할 중요한 소비자 문제인지

• 회사 전체 전략을 다시 만들 정도로 범위를 넓히거나 질문에 너무 오래 머물 필요는 없으며, 담당 문제에서 한 번만 확대해도 시스템 사고에 도움이 됨

• 자신의 업무를 상사의 시각에서 바라보면 제품·기술뿐 아니라 재무·콘텐츠 등 여러 요소가 어떻게 결합되는지 생각하게 됨

• 엔지니어는 현재 기능만 완성하는 데 그치지 않고 동료가 재사용할 수 있으며 이후 혁신을 뒷받침할
  더 나은 시스템 상태를 남겨야 함

• 시스템 사고는 연차보다 문제를 해결하는 폭, 동료에게 주는 효용, 지역 최적화 대신 조직 전체에 맞는 선택을 하는 태도와 관련됨

직급 체계와 AI 유창성

• Netflix는 직급마다 AI 기대치가 어떻게 달라지는지 규정하지 않고 모든 인재에게
  AI 유창성이라는 공통 기준을 덧붙임

• AI 유창성의 구체적인 형태는 직무, 역할, 경력 단계에 따라 달라짐

• 실험하려는 태도

• AI가 유용하거나 유용하지 않은 지점을 아는 판단력

• AI를 이용해 실제로 무언가를 만들어본 경험

• 기술이 월·일 단위로 바뀌기 때문에 역할과 직급별로 고정된 기준을 만드는 것보다 전사적인 지향점을 두는 편이 유용함

• AI 유창성은 기술을 위한 기술 사용이 아니라 적절한 곳에 적용하고 결과를 판단하며 새로운 방식을 열린 태도로 탐색하는 능력임

• 코드를 일상적으로 작성하지 않는 Netflix 최고위급에도 AI에 대한 깊은 유창성이 요구됨

• 채용 면접에서는 지원자가 AI와 기술을 어떻게 생각하고 일상 업무에서 무엇을 쓰며 변화와 실험을 얼마나 편안하게 받아들이는지 확인함

• 코딩 면접에서도 실제 업무에 AI 도구가 사용된다는 점을 반영해 지원자의
  AI 도구 사용을 허용함

Netflix의 AI 활용 영역

• 데이터 분석에서는 축적된 실험, 지표, 소비자 연구를 빠르게 정리해 통찰과 행동으로 연결함
• 콘텐츠 제작에서는 생성형 AI 이전부터 머신러닝과 AI를 제작 도구, 시각효과, 홍보 자산 생성, 자막·더빙 현지화에 활용해 왔음
• 생성형 AI는 제작 전 시각화(pre-visualization)를 통해 실제 촬영 전에 창작자의 구상을 구체화하는 데 쓰일 수 있음
• 후반 제작에서는 촬영한 콘텐츠의 조명, 프레임, 장면, 대사를 바꿔 창작자가 더 높은 품질의 결과를 시도할 수 있음
• Netflix가 인수한
  Positive는 이러한 후반 제작을 지원하는 모델과 기능을 구축했으며, 최종 방향은 영화 제작자와 창작자가 주도함
• 제작 도구는 일부를 내부에서 만들고 일부는 외부 공급업체를 통해 제공함
• 콘텐츠가 서비스에 들어온 뒤에는 자막·더빙, 예고편, 이미지, 아트워크를 대규모로 제작해 각 작품이 세계 각지의 관객을 찾도록 지원함
• 같은 기능은 영화·TV 제작뿐 아니라 광고, 마케팅, 서비스 외부 캠페인에도 적용할 수 있어 관련 활용을 탐색 중임

개인화와 오랜 AI 활용 역사

• Netflix는 생성형 AI 이전부터 개인화에 머신러닝과 AI를 핵심 기술로 사용해 왔음
• 콘텐츠가 많아질수록 사용자가 원하는 작품을 발견하기 어려워지며, 적절한 순간에 적절한 사람에게 적절한 타이틀을 보여주는 문제도 복잡해짐
• 영화·TV뿐 아니라 게임, 라이브 콘텐츠, 팟캐스트로 카탈로그가 넓어질수록
  개인화의 중요성이 더 커짐
• 기존의 개인화 경험과 문제 정의는 더 강력한 AI 기술을 적용할 때 출발점으로 활용할 수 있음
• 창작 영역에서도 시각효과와 언어 현지화에 머신러닝을 사용해온 경험을 바탕으로 다음 단계의 활용을 모색함
• Netflix는 AI 기업으로 브랜딩하지 않더라도 소비자 제품, 창작, 인프라 전반에서 AI를 폭넓게 사용하는 데 익숙함
• AI와 머신러닝, 생성형 AI의 경계를 엄격히 나누기보다 전체 활용 사례를 AI 범주로 다룸

탁월함을 운영체제로 삼는 문화

• Netflix 문화의 높은 자율성, 주도성, 인재 밀도, 빠른 실험, 시장 최고 수준 보상은 현재 선도 AI 연구소의 운영 방식과도 유사함

• 이러한 요소 자체가 목적이 아니라
  탁월함을 만드는 운영체제로 기능함

• 탁월한 결과를 만드는 방식은 다음과 같음

• 구성원에게 높은 주도권과 책임을 부여함

• 의사결정을 조직 깊숙한 곳까지 내려보냄

• 좋은 판단을 내릴 수 있는 뛰어난 인재를 채용함

• 미세 관리와 과도한 프로세스를 피함

• 높은 신뢰와 책임을 받은 구성원은 자신의 결과에 주인의식을 갖고 최선의 업무를 수행하게 됨

• 회사 규모와 해결하는 문제가 변하면 문화도 진화해야 하지만, 탁월한 인재가 최고의 일을 할 수 있도록 신뢰한다는 원칙은 유지됨

높은 인재 밀도와 위험 감수

인재 밀도는 자율적 의사결정과 빠른 혁신을 위한 타협 불가능한 출발점임

• 실패 자체를 피하기보다 위험을 감수하고 실패했을 때 빠르게 복구하는 능력을 중시함
• 라이브 콘텐츠 진출은 불완전함을 예상하면서도 많은 위험을 감수하고 빠르게 학습해 개선한 사례임
• 구성원은 회사와 Netflix 회원에게 가장 좋은 결과를 우선해야 하며 개인적 선호나 성공보다 사업 성과를 앞세우는 태도가 필요함
• 리더가 다른 결정을 내렸을 상황이라도 중대한 피해가 없다면 담당자가 직접 결정하고 결과에서 배우도록 두어야 함
• 리더는 의견과 브레인스토밍을 제공할 수 있지만 최종 결정을 빼앗지 않아야 하며, 높은 책임을 지는 상황에서는 이 원칙이 자연스럽지 않고 불편할 수 있음

프로세스보다 학습

• 계획·피드백·직급·보상 같은 어려운 문제에 프로세스를 더한다고 결과가 자동으로 좋아지지 않으며 시간만 늘어날 수 있음
• 대기업이 흔히 택하는 표준 절차를 그대로 추가하지 않고 더 창의적인 계획·우선순위·인사 결정 방식이 있는지 찾아야 함
• 실수가 생겼을 때 체크리스트와 승인 단계부터 추가하기보다
  비난 없는 회고를 통해 학습을 공유하고 다음 업무 방식을 바꾸는 편을 선호함
• 뛰어난 인재는 자신에게 맡겨진 책임을 인식하고 같은 문제가 반복되지 않도록 스스로 학습할 수 있다는 신뢰가 전제됨
• 리더의 역할은 모든 것을 통제하는 것이 아니라 회복력 있고 지속적으로 큰 영향을 낼 수 있는 팀을 성장시키는 것임
• Netflix는 우선순위를 명확히 할 최소한의 프로세스만 두는
  높은 정렬, 느슨한 결합을 지향함

Keeper Test의 역할

• Keeper Test는 해고 여부만 판단하는 장치가 아니라 구성원이 얼마나 탁월하게 일하고 있는지 확인하는 피드백의 출발점임
• 구성원이 “내가 Keeper Test를 통과하는가”라고 물으면 대부분은 리더가 그 사람을 지키기 위해 얼마나 노력할지, 강점과 영향, 더 발전할 지점을 이야기함
• 통과하지 못하는 경우에는 개선 가능성과 필요한 이정표를 논의하거나, 충분히 시도했지만 성공 경로가 없다고 판단할 수 있음
• 관리자는 현재 알고 있는 정보를 바탕으로 그 사람을 다시 채용할지, 퇴사 의사를 밝혔을 때 붙잡기 위해 노력할지를 자문함
• 떠난다는 말을 들었을 때 안도할 것 같다면 더 일찍 대화하고 조치했어야 한다는 기준임
• Keeper Test는 어려운 대화를 미루지 않게 하면서도 뛰어난 구성원을 인정하고 유지하는
  피드백 위생으로 작동함

AI 인재 경쟁과 Netflix의 차별점

• AI 연구소와의 인재 경쟁이 커졌지만 Netflix는 신규 채용자와 장기 근속자를 포함해 뛰어난 인재를 보유하고 있다고 판단함
• Netflix에 잘 맞는 인재와 최전선 모델 연구소에 맞는 인재의 차이를 더 명확히 전달할 필요가 있음
• Netflix 인재는 기술의 기초 연구 자체보다
  기술의 응용과 특정 문제를 해결하는 제품 구축에 열정을 가져야 함
• 엔터테인먼트, 세계 규모의 소비자 제품, 기술과 창작의 결합에 관심 있는 사람에게 Netflix만의 문제 공간이 있음
• 기반 모델 연구를 선호하는 사람은 다른 유형의 문제를 원하는 인재이며, 응용 기술과 일상적으로 사용하는 제품의 연결에 끌리는 인재도 충분히 존재함

주니어 인재와 장인정신

• Netflix는 인턴과 신입 프로그램을 유지하며 학부·대학원 졸업자를 계속 채용함

• 신입 채용은 몇 년 전에 시작됐으며, 그전에는 모든 직무에서 경력자 중심으로 채용했음

• 젊은 인재는 새로운 업무 방식에 더 개방적이고 AI에 익숙하며 엔터테인먼트·소비자 행동·제품 변화에 가치 있는 시각을 제공함

• AI 도구가 일부 작업을 쉽게 만들어도
  기술 숙련과 품질 책임은 사라지지 않음

• 프로덕션에 제출하는 코드의 품질

• 제품과 디자인의 품질

• 사용자 경험

• 코드 검토·테스트·문제 진단 능력

• 조직은 주니어에게 좋은 결과의 기준, 도구 사용법, 결과에 책임지는 방식을 멘토링해야 함

• 도구가 달라진 만큼 교육과 성장 방식도 바뀌어야 하며, 초기 경력자가 기존 구성원에게 새로운 업무 방식을 가르치는 역방향 학습도 가능함

코드를 쓰는 능력과 시스템을 이해하는 능력

• Python이나 C++로 코드 한 줄 한 줄을 직접 작성하는 능력과 코드·컴퓨터 시스템·제품이 작동하는 원리를 이해하는 능력은 구분해야 함
• 에이전트가 언어와 코드 작성을 맡더라도 결과가 좋은 제품인지, 기대대로 작동하는지, 실패했을 때 어떻게 복구할지 판단하려면
  시스템 이해력이 필요함
• 에이전트는 이상 탐지, 고장 분석, 초기 분류를 지원할 수 있지만 인간은 무엇을 만들었고 어떻게 작동하는지 알아야 함
• 일부 모델과 에이전트가 생성한 코드는 성능이 좋아도 사람이 따라가기 어렵고, 고장 원인과 수리 방법을 알기 힘들 수 있어 불안 요소가 됨
• 필요한 테스트, 합리화, 이해 수준이 무엇인지 아직 학습 곡선이 가파르며 엔지니어링은 새로운 기술과 에이전트를 안내하고 결과를 검증하는 방식으로 진화해야 함
• 최근 2년의 변화는 매우 빠르지만 지난 10년·20년 동안 엔지니어링과 데이터 과학, 제품 개발이 지속적으로 바뀌어온 흐름의 가속으로 볼 수 있음

엔터테인먼트 경험의 확장

• 미래의 엔터테인먼트는 하나의 형식에 머물지 않으며 Netflix도 영화와 TV를 넘어 모바일·TV·클라우드 게임·라이브 콘텐츠·팟캐스트로 확대 중임
• 소비자는 기기, 시간대, 상황에 따라 더 다양한 형식을 기대하며 Netflix는 이런 기대를 충족하거나 넘어설 경험을 만들어야 함
• 한 사용자가 Simmons 팟캐스트를 듣고,
  Quarterback

을 보고, 최신 FIFA 클라우드 게임을 TV와 모바일에서 이어가는 매끄러운 여정을 구축하려 함

• 엔터테인먼트는 더 개인화되고 몰입적이며 상호작용 가능한 세계가 되고, 사용자는 순간의 필요에 따라 여러 방향으로 탐색하게 됨
• 콘텐츠가 많고 여러 서비스에 분산된 상황에서 발견과 참여를 지금보다 훨씬 쉽게 만드는 것이 Netflix의 과제임

창작자와 생성형 AI

• Netflix는 창작자가 자신의 비전을 구현하기 위해 원하는 도구를 사용할 수 있도록 지원함
• AI를 전혀 사용하지 않으려는 제작자와 새로운 이야기를 더 높은 품질로 만들기 위해 생성형 AI를 탐색하는 제작자, 그 사이의 모든 제작 방식을 지원함
• 특정 제작 방식 하나를 강요하기보다 다양한 도구와 파트너십을 제공하는
  창작자 지원 방식을 택함
• 전통적인 영화·TV 형식과 새로운 창작자가 만드는 완전히 다른 형식이 공존할 수 있으며 Netflix는 그 형성 과정에 참여하려 함
• AI가 제작과 표현에 중요한 역할을 하더라도 이야기 창작과 인간에게 무엇이 통하는지 판단하는 능력은 희소하고 가치 있음
• 화면 속 등장인물의 인간성과 감정 표현은 이야기의 설득력에 핵심이며, AI가 이를 확대할 수는 있어도
  인간이 이야기의 중심축에서 사라지는 미래는 상상하기 어려움

기술보다 소비자가 사랑하는 결과

• 제품과 엔터테인먼트를 만드는 사람에게 현재는 기술·소비자 행동·엔터테인먼트의 정의가 동시에 바뀌는 빠른 혁신기임
• 산업이 순수 기술과 기능 자체에 집중하다 보면 최종 목적을 놓칠 수 있음
• Netflix의 목표는 사람들이 사랑하는 소비자 제품과 엔터테인먼트를 만들어 세계의 이용자에게 전달하는 것임
• 기반의 AI·제품·기술이 아무리 발전해도 최종적으로 소비자가 경험하고 사랑하는 결과가 중심에 있어야 함

댓글과 토론