HR를 위한 AI: 인사 부서를 강화하기 위한 종합 가이드

지금 AI를 활용해 HR 업무 속도를 높이고 있습니까, 아니면 알고리즘에게 절대 혼자 맡겨서는 안 될 결정을 위임하고 있습니까? 바로 여기서 HR을 위한 AI에 대한 논의가 진지해집니다. 이탈리아 중소기업에서 문제는 인공지능이 유용한지 아닌지를 파악하는 것이 아닙니다. 유용한 것은 맞습니다. 문제는 어디서 실질적인 가치를 창출하는지, 그리고 어디서 오히려 불투명성, 편향, 규제 리스크를 야기하는지를 파악하는 것입니다.

기업가로서, 가장 힘든 과정을 자동화하는 것이 얼마나 매력적인지 직접 경험해 보았습니다. 읽어야 할 이력서가 수백 건이거나, 내부 설문조사 결과를 요약해야 하거나, 휴가나 사내 규정에 대해 항상 똑같은 질문을 하는 직원들이 있다면, AI는 즉시 시간을 절약해 줍니다. 하지만 저는 그 이면도 목격했습니다. 모델이 산출한 적합도 점수는 객관적으로 보이지만, 바로 그 때문에 명백히 주관적인 인간의 평가보다 더 위험할 수 있습니다.

올바른 해석은 “AI 예스” 또는 “AI 노”가 아닙니다. 자동화와 인간의 책임 사이에서 올바른 균형점을 찾는 것입니다. 중소기업에 대한 매우 실용적인 관점을 원하는 분들께는 AI in HR for SMEs도 추천합니다.

소개

올바른 질문은 AI가 HR에 도움이 될 수 있는가가 아닙니다. 올바른 질문은 AI가 프로세스를 왜곡시키지 않고 실제로 여러분의 다음 인재를 선택할 수 있는가 하는 것입니다.

구체적으로 말하자면, 오늘날 AI는 이미 이력서 심사, 사내 챗봇, 설문조사 분석, 신입사원 온보딩, 문서 생성 등에 활용되고 있습니다. 이 기술은 특히 업무 부담이 크고 속도가 즉각적인 가치를 창출할 때 유용합니다. 하지만 인사 분야에서는 모든 결정이 실제 사람, 실제 경력, 실제 권리에 영향을 미칩니다. 그렇기 때문에 AI 도입을 바라보는 시각은 이메일을 작성하거나 회의 내용을 요약해 주는 ‘조종사’를 도입할 때와는 다른 기준을 적용해야 합니다.

효율성은 중요합니다. 하지만 사람에 관한 결정에서는 빠른 것만으로는 충분하지 않습니다.

이탈리아 시장에서 이 주제는 더욱 민감합니다. GDPR과 유럽 AI Act는 자동화 시스템이 채용, 평가, 인력 관리에 영향을 미칠 때 오류의 여지를 크게 제한합니다. HR을 위한 AI를 검토 중이라면, 간단한 원칙이 필요합니다: 기계적인 작업은 자동화하고, 의사결정 작업은 사람이 맡도록 유지하십시오.

오늘날 AI는 인사 분야에서 실제로 어떤 역할을 하고 있을까

인사 분야에서 인공지능(AI)은 공상과학이 아닙니다. 이미 일상적인 업무의 일부입니다. 오늘날 많은 기업이 AI를 활용해 반복적인 업무를 줄이고, 프로세스를 가속화하며, 인사팀 구성원들이 맥락과 판단력이 필요한 업무에 더 많은 시간을 할애할 수 있도록 하고 있습니다.

Yomly의 HR 기능 AI 도입 데이터에 따르면, 기업의 44%가 이미 채용에 AI를 활용하고 있습니다. AI 도구는 채용 소요 시간을 약 50% 단축시킬 수 있으며 반복적인 업무의 거의 40%를 자동화할 수 있습니다.

채용 및 1차 심사

가장 일반적인 사용 사례는 지원자 선별의 첫 단계입니다. LLM이 이력서와 직무 설명서를 분석하고, 역량, 경력 및 의미적 단서를 비교한 뒤, 순위가 매겨진 최종 후보자 명단을 작성합니다.

실제로는 직무가 상당히 표준화되어 있을 때 이 방식이 잘 통합니다. 행정직, 고객 지원, 내부 영업, 정의된 스택을 사용하는 소프트웨어 개발 등의 직무를 떠올려 봅니다. 요구 사항을 잘 기술해 두면, 이 모델이 초기 단계를 상당히 빠르게 진행시켜 줍니다.

이력서에서 파악하기 어려운 요소들이 중요할 때는 효과가 다소 떨어집니다.

• 비선형적인 경력은 매우 관련성이 높더라도 불이익을 받을 수 있습니다.
• 자율성, 리더십, 적응력과 같은 소프트 스킬은 자동으로 평가하기 어려운 상태로 남아 있습니다.
• 기업 맥락과의 적합성은 단순한 텍스트 분석만으로는 거의 드러나지 않습니다.

실용적인 원칙: AI를 사용해 500개의 이력서를 다루기 쉬운 목록으로 좁히십시오. 최종 면접 대상자를 결정하는 데 AI 혼자 사용하지 마십시오.

직원 지원 및 인사 운영

두 번째 활용 사례는 눈에 덜 띄지만 종종 더 유용합니다. HR 팀은 반복적인 요청 처리에 상당한 시간을 소비합니다. Tommaso Maria Ricci의 HR 인공지능 분석에 따르면, HR 팀은 휴가, 급여명세서, 사내 정책 등의 요청 처리에 업무 시간의 40%에서 60%를 할애합니다. HR 챗봇은 보다 전략적인 활동을 위해 하루 최대 2~3시간을 확보해 줄 수 있습니다.

여기서 그 가치는 바로 드러납니다. 사내 챗봇이 잔여 휴가, 서류, 절차, 경비 청구, 규정 및 행정적 온보딩에 관한 질문에 답변해 줍니다. 이점으로는 인사팀의 시간 절약뿐만 아니라, 이메일을 기다릴 필요 없이 신속한 답변을 받을 수 있어 직원에게 제공되는 경험의 질도 향상된다는 점이 있습니다.

설문조사, 온보딩 및 역량 매핑

AI가 진정으로 놀라운 점은 길고 산만한 텍스트를 분석할 때입니다. 내부 설문조사가 그 완벽한 예입니다. 수백 건의 자유 응답을 일일이 읽을 필요 없이, 이 모델은 반복적으로 등장하는 주제, 감정, 새롭게 대두되는 문제점, 그리고 심층 분석이 필요한 패턴을 식별해 냅니다.

중소기업에서 가장 유용하다고 생각하는 애플리케이션은 다음과 같습니다:

1. 직무 기술서와 정책
   AI가 일관된 초안을 생성하면, HR 팀이 법적·문화적 측면에서 이를 수정합니다.
2. 맞춤형 온보딩
   직무나 부서에 따라 콘텐츠, 자료, 진행 순서를 조정할 수 있습니다.
3. 스킬 매핑
   특히 데이터가 이력서, 평가, 매니저 메모에 흩어져 있을 때, 기존 역량과 교육 격차를 파악하는 데 도움이 됩니다.
4. 조직 분위기 분석
   비정형 텍스트를 어디에 개입해야 할지 파악하는 데 유용한 신호로 전환합니다.

일반형 모델과 수직형 모델 간의 구분도 점점 더 뚜렷해지고 있습니다. 수직형 모델의 경우, Wisq는 HR 전용 모델인 HRLM을 개발했습니다. 일반형 모델의 경우, GPT, Claude, Gemini는 이미 많은 기업에서 잘 설계된 프롬프트를 활용해 HR 운영 업무에 사용되고 있습니다. 하지만 그 차이는 단순히 출력물의 품질에만 있는 것이 아닙니다. 거버넌스에 있습니다.

최적점을 찾기 위한 AI의 라퍼 곡선

HR 분야에서 AI를 도입할 때 가장 좋지 않은 방법은 모든 것을 흑백논리로 접근하는 것입니다. 자동화를 전혀 도입하지 않으면 업무 프로세스가 느려지고, 업무가 밀리며, 불완전한 정보에 기반해 의사결정을 내리게 됩니다. 반면, 완전한 자동화는 정반대의 실수를 초래합니다. 즉, 사람과 지원서를 단순히 분류해야 할 티켓처럼 취급하게 되는 것입니다.

극단주의의 문제

래퍼 곡선의 비유는 여기서도 잘 들어맞습니다. 처음에는 AI 도입의 모든 지점이 효율성을 만들어냅니다. 사내 FAQ 자동화, 문서 초안 작성, 텍스트 분석, 이력서 예비 순위 매기기. 가치는 계속 증가합니다.

그러다 어느 시점에 도달하게 됩니다. 알고리즘에 점점 더 민감한 업무를 맡기다 보면 그 가치는 떨어지기 시작합니다. 모델 자체가 무용지물이기 때문이 아니라, 이득보다 위험이 더 빠르게 증가하기 때문입니다.

HR 분야 AI에 관한 Workday 개요에 따르면, 주요 도입 이유는 의사결정 개선(41%), 반복 업무 자동화(35%), 리텐션 및 직원 경험 개선(32%)입니다. 이 데이터는 HR이 왜 AI에 그토록 매력을 느끼는지 잘 설명해줍니다. 하지만 어디서 멈춰야 하는지는 말해주지 않습니다. 바로 이 점이 논의에서 자주 빠지는 부분입니다.

최대 가치는 HR 팀을 대체하는 데 있지 않습니다. 올바른 업무에서 팀을 더 명료하고 더 빠르게 만드는 데 있습니다.

중소기업에서 커서를 어떻게 배치해야 할까요?

최적의 지점을 찾기 위해, 저는 기계적 작업과 의사결정 작업 사이의 단순한 구분을 활용합니다.

중소기업이라면 최적점은 대개 기술적인 문제가 아닙니다. 조직적인 문제입니다. AI가 어디서 제안하고, 어디서 지시하며, 어디서 요약하는지, 그리고 어디서는 절대 결정해서는 안 되는지를 명확히 정해야 합니다.

다음 세 가지 질문이 큰 도움이 됩니다:

• 오류가 되돌릴 수 있는 것인가? FAQ를 잘못 작성했다면 수정하면 됩니다. 하지만 적합한 후보를 탈락시켰다면 그 피해는 그대로 남습니다.
• 반복적인 작업인가? 반복적일수록 AI가 잘 처리하는 경향이 있습니다.
• 그 결정이 개인의 권리나 커리어에 영향을 미치는가? 그렇다면 사람의 개입은 선택 사항이 아닙니다.

편향, 개인정보 보호, 규제 준수 사이에 숨겨진 위험

HR용 AI에서 가장 위험한 부분은 기술 자체가 아닙니다. 바로 그것이 지닌 거짓된 중립성의 아우라입니다. 채용 담당자가 후보자를 평가할 때는 그 평가에 어느 정도 주관성이 섞여 있다는 것을 모두가 압니다. 하지만 시스템이 점수를 매기면, 많은 사람들이 의문을 제기하지 않게 됩니다.

객관적인 알고리즘에 대한 신화

이것이 바로 알고리즘 편향 문제의 핵심입니다. 과거 채용 데이터로 시스템을 학습시키거나 설정하면, 그 시스템은 데이터에 이미 존재하던 논리를 그대로 재현하는 경향이 있습니다. 회사의 과거 이력이 특정 프로필을 선호하고 다른 프로필을 불리하게 대했다면, 알고리즘은 더 빠르고 덜 눈에 띄는 방식으로 같은 일을 반복할 수 있습니다.

아마존의 사례가 바로 이 때문에 상징적인 사례가 되었습니다. 이 회사는 여성 지원자들에게 불리하게 작용하던 이력서 심사 시스템을 철회해야만 했습니다. 이는 일회성 우발적 사건이 아닙니다. 과거를 능력의 기준으로 삼는 접근 방식이 초래한 예상 가능한 결과입니다.

이탈리아의 상황은 결코 안심할 만한 수준이 아닙니다. ELECTE가 이 주제에 관해 발표한 데이터에 따르면, AI 시스템을 도입한 HR 기업 중 체계적인 편향 감사(bias audit)를 실시하는 곳은 단 12%에 불과합니다.

데이터, 기준, 조직적 맥락이 여전히 왜곡되어 있다면 더 나은 모델이라 해도 문제를 해결하지 못합니다.

이탈리아의 맥락에서 본 GDPR과 AI 법안

유럽에서 활동하는 사람들에게 이는 단순한 윤리적 문제가 아닙니다. 이는 법적 문제입니다. GDPR 제22조는 후보자에게, 본인에게 중대한 영향을 미치는 경우, 오로지 자동화된 처리에만 근거한 결정의 대상이 되지 않을 권리를 인정하고 있습니다. 인사 관련 결정은 이 민감한 영역에 완전히 해당됩니다.

게다가 유럽 AI Act는 채용과 인력 관리를 고위험(high-risk) 활용 분야로 분류합니다. 즉, 개인 생산성을 위한 일반적인 AI 활용과 비교해 문서화, 투명성, 통제, 위험 관리에 있어 훨씬 더 엄격한 의무가 따른다는 뜻입니다.

이탈리아 기업에게 있어 실질적인 의미는 분명합니다:

• 채용, 승진, 배제 여부를 블랙박스에 단독으로 결정하게 하지 마십시오.
• 프로세스 내에서 인간의 역할을 문서화하십시오.
• 개인정보 처리와 법적 근거를 검토하십시오.
• 시스템에 대해 수행한 점검 내역과 사용된 기준을 기록해 두십시오.

이 주제를 진지하게 다루고 있다면 AI Act에 대한 기업의 준수 사항도 함께 살펴보는 것이 좋습니다.

일반적인 도구와 수직적 모델, 무엇을 선택해야 할까

시장은 성격이 매우 다른 두 갈래로 나뉘고 있습니다. 한쪽에는 GPT, Claude, Gemini 같은 범용 LLM이 있습니다. 다른 한쪽에는 Wisq의 HRLM처럼 인사 업무에 특화되어 설계된 버티컬 모델들이 등장하고 있습니다.

일반 목적 LLM만으로도 충분한 경우

중소기업의 경우, 일반적인 모델만으로도 충분한 경우가 많습니다. 다음과 같은 기능이 필요하다면:

• 직무 기술서 초안 작성,
• 자유 서술형 피드백 요약,
• 사내 FAQ 작성,
• 이력서 1차 순위 산정,
• 온보딩 및 사내 커뮤니케이션 지원,

잘 작성된 프롬프트가 있는 훌륭한 LLM은 매우 뛰어난 성능을 발휘할 수 있습니다.

이점의 핵심은 실용성에 있습니다. 바로 시작할 수 있고, 비용도 적게 들며, 테스트도 빠르게 진행할 수 있습니다. 소규모 HR 팀이나 프로세스가 그리 복잡하지 않은 기업의 경우, 이러한 접근 방식이 시작하기에 가장 합리적인 방법인 경우가 많습니다.

하지만 한계가 있습니다. 범용 모델은 HR 논리에 기반해 개발된 것도 아니고, 특정 상황에 맞는 구체적인 정책을 갖추고 있는 것도 아니며, 단순히 성능이 뛰어나다는 이유만으로 규정 준수를 암묵적으로 보장하는 것도 아닙니다.

수직형 모델이 적합한 경우는 언제인가

처리량이 더 많거나, 더 민감한 업무를 처리하거나, 승인 단계가 여러 단계로 구성된 조직을 운영한다면 수직형 모델이 적합합니다. 이는 수직형 모델이 “모든 것을 더 잘 이해하기” 때문이라기보다는, 더 좁은 범위를 대상으로 설계되었기 때문입니다.

일반적으로 다음과 같은 경우에 더 선호됩니다:

• 더 정확한 HR 분류 체계,
• 내부 시스템과 통합된 워크플로우,
• 감사 가능성과 거버넌스에 대한 더 나은 통제,
• 추적성과 설명 가능성에 대한 더 엄격한 기준.

직원 50명 규모의 중소기업이라면, 목표는 가장 정교한 시스템을 구매하는 것이 아니다. 팀이 사용법을 알고, 통제할 수 있으며, 오류가 발생했을 때 이의를 제기할 수 있는 시스템을 선택하는 것이다.

올바른 질문은 어떤 모델이 더 진보되었느냐가 아닙니다. 어떤 모델이 여러분의 운영 위험에 더 적합한가 하는 것입니다. 업무의 영향력은 작고 처리량이 많다면 범용형 모델을 선택하세요. 프로세스가 민감한 의사결정을 수반하고 체계적인 통제가 필요하다면, 수직형 모델에 주목할 필요가 있습니다.

인사 부서에 AI를 도입하기 위한 실용적인 로드맵

가장 성공적인 도입 사례는 예측 기반 채용에서 시작되지 않습니다. 일상적인 마찰에서 시작됩니다. 바로 그곳에서 AI는 조직 내 신뢰를 쌓고, 팀이 진정으로 AI를 다룰 준비가 되어 있는지 보여줍니다.

올바른 작업부터 시작하세요

첫 번째 단계는 겉보기에만 단순해 보인다. 고빈도, 저위험 업무부터 시작해야 한다. 거기서부터 시작하면 이점을 바로 확인할 수 있고 노출을 제한할 수 있다.

합리적인 세 가지 예시:

1. 휴가, 정책, 절차에 관한 자주 묻는 질문을 위한 사내 HR 챗봇.
2. 직무 기술서, 온보딩 이메일, 사내 정책 같은 문서 작성 지원.
3. 주제와 문제점을 추출하기 위한 설문 자동 분석.

이러한 접근 방식은 긍정적인 효과를 가져옵니다. HR 팀은 AI를 더 이상 추상적인 위협으로 여기지 않고, 업무 지원 도구로 활용하기 시작합니다.

거버넌스 및 통제 수단을 정의하십시오

두 번째 단계는 첫 번째보다 더 중요하다. AI가 조언하는 부분과 사람이 결정하는 부분을 명확히 문서화해야 한다.

중소기업에서 최소한의 거버넌스에는 다음이 포함되어야 합니다:

• 의사결정 경계
  AI는 분류하고, 요약하고, 알릴 수 있다. 매니저나 채용 담당자가 승인하거나, 거부하거나, 더 깊이 검토한다.
• 검토 프로세스
  영향이 큰 모든 산출물은 책임 있는 담당자가 확인해야 한다.
• 출시 전 편향 테스트
  시스템이 채용이나 인사 평가에 사용된다면, 대표성 있는 데이터셋으로 테스트하고 문서화된 통제를 거쳐야 한다.
• 내부 투명성
  직원과 지원자는 AI가 프로세스 지원 도구로 사용되는 시점을 알아야 한다.

통제 절차를 건너뛰는 중소기업은 속도를 내는 것이 아니다. 그저 위험을 뒤로 미루는 것뿐이다.

세 번째 단계는 점진적으로 확대해 나가는 것입니다. 단일 HR 프로세스를 담당하는 한 명의 담당자가 전반적인 확대 적용보다 더 많은 학습 효과를 거둘 수 있습니다. 먼저 업무를 검증하고, 다음으로 팀의 행동 양식을 검증한 뒤, 마지막으로 규정 적용 범위를 검증해야 합니다.

업무를 체계적으로 설계하고자 한다면, 산발적인 실험이 아니라 제대로 된 AI 통합 로드맵을 기준으로 접근하는 것이 유용하다.

구체적인 사례를 통해 성공을 측정하기

HR 분야에서 AI의 성공 여부를 측정하려면 속도만 살펴보는 것만으로는 부족합니다. 위험, 오류 또는 불투명한 절차를 초래하지 않으면서 의사 결정의 질을 향상시키는지 파악해야 합니다.

중소기업(SME)의 경우, 가장 유용한 기준은 간단합니다. AI가 HR 팀을 라퍼 곡선의 적절한 지점으로 이끌고 있는지, 아니면 아직 인간의 판단이 필요한 업무를 너무 일찍 자동화하고 있는지는 아닌지 살펴봐야 합니다. 절약되는 시간은 늘어나지만, 절차의 타당성에 대한 이의 제기, 재검토 또는 의구심이 증가한다면, 그 이득은 겉보기뿐입니다.

올바른 사용법

구체적인 사례로 내부 만족도 설문조사 분석을 들 수 있습니다. 많은 기업에서 인사팀은 수백 건의 서술형 응답을 수작업으로 검토하며, 주요 주제를 도출하는 데 오랜 시간이 소요되고 사람마다 해석에 차이가 발생하기도 합니다. 잘 구성된 LLM을 활용하면 주제별 클러스터, 반복적으로 나타나는 신호, 그리고 이상 징후를 더 빨리 파악할 수 있습니다.

여기서 얻는 실질적인 이점은 단순히 운영상의 측면에 그치지 않습니다. 팀은 요약 작업에 시간을 낭비하지 않게 되어, 우선순위 업무와 후속 조치, 그리고 관리자 대상 대응에 집중할 수 있습니다.

이 경우 유용한 지표는 몇 가지뿐이며 구체적입니다: 평균 분석 시간, 무작위로 선정된 사람의 검토 결과와 비교했을 때 요약 내용의 일관성, 실제 조치로 이어지는 인사이트의 수 등입니다. AI가 빠르지만 지나치게 일반적인 요약 결과를 내놓는다면, 이미 최적점을 넘어선 것입니다.

잘못된 사용법

반대의 경우는 좀 더 미묘합니다. 1차 면접을 진행하고 사람의 검토 없이 탈락 점수를 매기는 챗봇은 효율적으로 보일 수 있지만, 이탈리아의 중소기업에게는 기술적인 문제보다 먼저 방법론적인 심각한 문제를 야기합니다.

위험은 세 가지입니다. 불분명한 기준 때문에 유능한 지원자를 탈락시킬 수 있습니다. 결정을 투명하게 설명하기 어려워질 수 있습니다. GDPR 관련 문제에 노출될 수 있으며, 영향이 큰 경우에는 AI 법(AI Act)에 따라 업무 및 고용 접근에 사용되는 시스템에 대해 더욱 엄격해진 의무 사항에도 직면할 수 있습니다.

제가 회사에서 목격한 바와 같이, 올바른 판단 기준은 바로 이것입니다. AI가 더 나은 결정을 내리는 데 도움을 주고 있는 것인지, 아니면 애초에 취약한 결정을 단지 더 빠르게 내리게 하고 있는 것일까요? ELECTE의 분석은 바로 이 점을 지적하고 있습니다. 자동화만으로 진행되는 선발 과정은 사람과 직무 간의 실질적인 적합성을 저해하는 경향이 있는 반면, 최종 단계에서 사람이 검증에 참여하면 가장 큰 비용을 초래하는 오류를 줄일 수 있습니다.

따라서 제대로 측정한다는 것은 ‘시간 절감’, ‘산출물 품질’, ‘수작업 수정 비율’, ‘규정 준수 위험’이라는 네 가지 지표를 종합적으로 살펴보는 것을 의미합니다. 이 중 하나만 측정한다면, 대개 프로젝트를 제대로 평가하지 못하고 있는 것입니다.

핵심 요약

• 운영 업무부터 시작하라. 사내 FAQ, 문서, 설문, 사전 스크리닝이 가장 좋은 진입점이다.
• 최종 결정은 자동화하지 마라. 채용, 승진, 영향이 큰 평가는 계속 사람이 관리해야 한다.
• 출시 전에 편향을 테스트하라. 시스템이 지원자나 직원에 관련된다면, 통제는 선택 사항이 아니다.
• 거버넌스 관점에서 생각하라. 역할, 책임, 사람에 의한 검토, 문서화는 모델만큼 중요하다.
• 위험도에 따라 도구를 선택하라. 단순한 작업에는 범용 도구를, 정확성·추적성·강력한 통제가 필요하다면 전문 도구를 선택하라.

결론

HR를 위한 AI는 기계적인 업무를 처리하고, 인간에게는 더 어려운 과제인 맥락, 동기, 잠재력, 결과를 해석하는 일을 맡길 때 진정한 효과를 발휘합니다. 이것이 최적의 지점입니다. AI를 전혀 쓰지 않는 것도, 완전 자동화도 아닙니다.

이탈리아 중소기업에게 있어 최우선 과제는 가장 눈부신 신기술을 쫓는 것이 아닙니다. GDPR, AI 법안, 그리고 경영상의 상식과 충돌하지 않으면서 효율성과 품질을 향상시키는 시스템을 구축하는 것이 중요합니다. 이러한 논리를 적용한다면, AI는 유용한 증폭제가 됩니다. 하지만 AI를 판단력을 대체하는 수단으로 사용한다면, 이는 위험 요소가 됩니다.

운영 데이터와 조직 신호를 더 읽기 쉬운 인사이트로 전환하고 싶다면, 중소기업을 위한 AI 기반 데이터 분석 플랫폼인 ELECTE가 복잡한 정보를 분석하고, 보고서를 자동화하며, 더 나은 의사결정을 지원하는 데 도움을 줍니다. 실제로 어떻게 작동하는지 이해하려면 플랫폼이 실제로 작동하는 모습을 확인하고 자신의 프로세스에 적합한지 평가해 볼 수 있습니다.