사고 과정을 AI와 공유하기

외부화된 사고를 위한 설계

우리의 뇌는 뛰어난 위임자입니다. 메모에서부터 정교한 소프트웨어에 이르기까지 모든 것에 인지적 작업을 오프로딩합니다. 사람, 도구 및 환경에 걸쳐 우리의 생각을 분산시키는 이러한 자연스러운 경향이 분산 인지의 본질입니다. 이는 마음을 고립된 실체로 보는 전통적인 관점에 도전하며, 우리의 인지 과정이 개인의 두개골 너머로 확장된다는 것을 인식합니다.

여러분이 친구와 함께 새로운 식당으로 운전하고 있다고 상상해 보세요. 여러분은 운전대를 잡고 있고, 친구는 휴대폰을 사용하여 길을 찾습니다. 여기서 실제로 "생각"을 하고 있는 사람은 누구일까요? 그것은 개인과 기술을 모두 포괄하는 분산 인지 시스템의 협력적인 노력입니다. 조종사가 계기와 항공 교통 관제에 의존하는 것처럼, 우리 모두는 외부 자원을 활용하여 생각하고, 배우고, 문제를 해결합니다.

이러한 분산 인지의 원리는 오늘날의 세계에서 특히 관련이 있습니다. 왜냐하면 우리는 점점 더 인지 과정의 필수적인 부분이 되는 AI 시스템과 상호 작용하기 때문입니다. 우리는 개인, AI 에이전트 및 주변 상황 간의 역동적인 상호 작용을 인식하면서 사고 시스템을 설계해야 합니다. 이는 단순히 인지적 부담을 줄이는 것뿐만 아니라 사용자가 보다 효과적으로 생각하고 작업할 수 있도록 지원하는 것입니다. AI를 인간의 인지 과정에 원활하게 통합하는 시스템을 설계함으로써 인간의 잠재력을 증폭시키고 기술과의 협력이 의미하는 바를 재정의하는 도구를 만들 수 있습니다.

분산 인지의 기원

해군 함선의 사람들은 어떻게 바다를 항해할까요? 그것은 단지 키를 잡고 있는 함장이나 지도를 든 항해사만의 일이 아닙니다. 그것은 완벽한 조화를 이루며 협력하는 사람, 도구 및 시간의 복잡한 조화입니다. 이것이 Edwin Hutchins가 그의 획기적인 저서인 야생에서의 인지(Cognition in the Wild)에서 소개한 용어인 분산 인지의 본질입니다. Hutchins는 단순히 이론화만 한 것이 아닙니다. 그는 실제 항해 과정을 관찰하여 인지가 개인의 마음속에 갇혀 있는 것이 아니라 인간과 도구의 시스템 전반에 퍼져 있다는 것을 밝혀냈습니다.

Hutchins의 연구는 해군 장교들의 인지 활동이 두 가지에 크게 의존한다는 것을 밝혀냈습니다. 바로 사회적 상호 작용과 정확한 항해 도구 사용입니다. 이러한 관찰로부터 그는 실제 세계의 인지는 상징적 패러다임과 같은 전통적인 이론들이 제시하는 것처럼 단순히 내부적인 사고 과정에 대한 것이 아니라고 주장했습니다.
대신, 그것은 세 가지 핵심 차원에 걸쳐 분산된 체계적인 활동입니다.

1. 인간과 그들의 환경 — 인지는 나침반, 지도 또는 최신 GPS 시스템과 같은 물리적 도구를 사용하는 사람들과 그 도구 사이를 흐릅니다.
2. 여러 개인 — 사고는 종종 역동적인 상호 작용 속에서 팀원들 사이에서 아이디어가 오가면서 나타납니다.
3. 시간 — 인지는 이전 세대로부터 전해 내려온 문화적 유물과 지식을 기반으로 구축되어 문제 해결의 시간적 흐름을 만듭니다.

Hutchins는 사고를 진정으로 이해하려면 우리의 초점을 옮겨야 한다고 제안했습니다. 마음을 주요 분석 단위로 고립시키는 대신, 인지가 발생하는 더 큰 사회 기술 시스템을 조사해야 합니다. 이러한 하이브리드 시스템은 사람, 도구 및 문화적 유물을 혼합하여 단일 개인을 훨씬 뛰어넘는 상호 작용의 웹을 만듭니다.

그것은 90년대의 이야기입니다. 오늘날, 현대 정보 기술, 특히 AI는 인지 과정이 분산되는 방식을 변화시킴으로써 우리가 생각하고 일하는 방식을 혁신하고 있습니다. 컴퓨터와 AI 시스템은 계산, 데이터 저장 및 검색과 같은 반복적이고 지루한 작업을 수행하여 인간이 창의성과 문제 해결에 집중할 수 있도록 해줍니다. 그러나 그들은 우리의 정신적 부담을 덜어주는 것뿐만 아니라 우리의 인지 능력을 확장하고 향상시켜 완전히 새로운 방식으로 문제와 아이디어에 대처할 수 있도록 해줍니다.

인간과 컴퓨터는 함께 강력한 하이브리드 팀을 구성합니다. 아인슈타인에게 잘못 알려진 유명한 말처럼, "컴퓨터는 빠르고 정확하며 멍청하고, 인간은 느리고 영리하며, 함께하면 막을 수 없습니다."

오늘날, 이러한 파트너십은 인지를 위한 세 가지 주요 경로를 열었습니다.

1. 인간 단독 인지: 사람들이 외부 기술 없이 자신의 정신에만 의존할 때.
2. 디지털 지원 인지: 인간과 컴퓨터가 협력하고 디지털 도구가 인간의 지능을 증폭시키는 경우.
3. 자율 AI 시스템: 인지가 기계로 완전히 외부화되어 AI가 인간의 개입 없이 독립적으로 작동할 수 있도록 합니다.

인지 오프로딩 — 사고 파트너십

마음, 도구 및 환경의 상호 작용을 통해 사고가 발생하는 분산 인지의 개념을 바탕으로, 한 가지 핵심 원칙이 두드러집니다. 바로 인지 오프로딩의 개념입니다. 이는 인간이 자신의 인지 시스템에 대한 부담을 줄이고 생각하고, 추론하고, 문제를 해결하는 능력을 향상시키기 위해 인공물, 기술, 심지어 다른 사람들을 사용하여 정신적 작업을 환경으로 오프로딩하는 방식을 말합니다.

복잡한 문제를 해결하거나, 아이디어를 브레인스토밍하거나, 일상적인 어려움을 헤쳐나가는 것과 같은 상황 인식은 고립적으로 발생하지 않습니다. 대신, 그것은 세계와의 협력 속에서 펼쳐집니다. 인간-도구 또는 인간-기술 상호 작용의 하이브리드 시스템에서 정보를 인식하고, 교환하고, 조작함으로써 우리는 인지의 경계를 뇌를 훨씬 넘어 확장합니다. 수학 문제를 풀기 위해 계산기를 사용하거나, 프로젝트를 계획하기 위해 협업 앱을 사용하는 것을 생각해 보세요. 이것들은 도구가 인지 과정의 파트너가 되는 오프로딩의 예입니다.

인지 오프로딩을 위한 설계는 특히 사용자가 상호 작용하여 디지털 지원 인지를 형성하는 AI 애플리케이션에서 매우 중요합니다. 목표는 오프로딩을 용이하게 할 뿐만 아니라 사용자가 자신의 사고를 원활하고 효과적으로 확장할 수 있도록 지원하는 환경을 만드는 것입니다.

인지 오프로딩 설계를 위한 원칙

인지 오프로딩 관리에 탁월한 몇 가지 뛰어난 AI 애플리케이션을 자세히 살펴보고 그 효과 뒤에 숨겨진 핵심 원칙을 탐구해 보겠습니다.

1. 사용자 고충 사항 이해

인지적 노력은 일종의 고통처럼 느껴질 수 있습니다. 정신적 노력은 본질적으로 비용이 많이 드는데, 이는 단순히 우리 뇌가 기능하는 방식 때문에 상당한 양의 인지 자원을 필요로 하기 때문입니다. 이는 뇌가 에너지를 관리하는 방식에 뿌리를 두고 있습니다. 정신적 노력은 뇌의 에너지원인 포도당을 소비하여 피로와 불편함을 유발할 수 있습니다. 이러한 불편함은 종종 정신적인 저항이나 심지어 회피로 경험되며, 이는 사람들이 정신적으로 부담이 큰 작업을 미루는 경향이 있는 이유를 설명합니다. 시간적 동기 부여 이론도 이를 뒷받침하며, 특히 즉각적인 보상 없이 어렵거나 즐겁지 않다고 인식되는 작업은 연기될 가능성이 높다고 명시합니다.

사용자는 자연스럽게 이러한 노력감을 최소화하는 도구에 끌립니다.

효과적으로 설계하려면 먼저 고충 사항을 파악하십시오. 사용자 행동을 관찰하고, 인터뷰를 진행하고, 사용자의 속도를 늦추는 인지적 작업을 밝혀내십시오. 그런 다음 이러한 부담을 원활하게 오프로딩하는 기능을 설계하십시오.

예를 들어, Braintrust는 사용자가 직무 기술서를 만드는 데 탁월한 도움을 제공합니다. 자연어 입력을 활용하여 이 플랫폼은 간단한 요약을 세련된 게시물로 변환하여 처음부터 작성하는 번거로운 정신적 노력을 없앱니다. 이 도구는 시간을 절약할 뿐만 아니라 사용자가 프로세스를 직관적으로 안내하여 주요 세부 정보가 직무 작성에 대한 광범위한 지식이나 전문성 없이도 캡처되도록 함으로써 의사 결정 피로를 줄입니다.

이러한 접근 방식은 사용자에게 구축할 수 있는 프레임워크를 제공하여 자동화와 사용자 정의를 혼합함으로써 사용자에게 권한을 부여합니다. 사용자는 빈 페이지에서 시작하는 대신 출력을 개선하고 개인화하는 데 집중할 수 있으므로 프로세스가 더 효율적이고 스트레스가 줄어듭니다.

몇 가지 참고 자료:

• “How to make your AI project a success” — Greg Nudelman의 IxDF 마스터클래스. 무엇보다도 Greg는 초기 UX를 설계하는 접근 방식과 실제 제약 조건 및 가치 기반 메트릭의 중요성을 공유합니다.
• “How to design experiences for AI” — Greg Nudelman의 또 다른 IxDF 마스터클래스. 이 강의에서 제가 얻은 주요 내용은 AI에 맞게 설계 프로세스를 조정하는 방법입니다.
• UX for AI — Greg Nudelman이 큐레이팅한 웹사이트로, AI 설계에 대한 모범 사례, 통찰력 있는 강연 및 의견을 모아 놓았습니다. 새로운 기사와 참고 자료에 대한 최신 정보를 얻으려면 그의 메일링 리스트에 가입하는 것이 좋습니다.
• “Doing UX research in the AI space” — 리서치 지침을 포함하여 AI 공간에서 UX 리서치를 수행하는 방법에 대한 실용적인 팁을 제공하는 GitLab 핸드북의 기사입니다.

2. 협업적인 문제 해결 촉진

사용자는 특히 그렇지 않으면 속도가 느려질 수 있는 인지적 작업을 오프로딩하는 데 도움이 되는 협업 도구로부터 자연스럽게 이점을 얻습니다. 협업 시스템은 인간의 창의성과 기계 효율성 사이의 간극을 메워 정신적 부담을 덜어주는 동시에 생산성을 향상시킵니다.

예를 들어, Craft App은 사용자가 작가의 슬럼프를 극복하는 데 도움이 되는 AI 기능을 사용합니다. 사용자가 멈추거나 앞으로 나아가기 어려워할 때 앱은 지능적인 제안을 제공하거나 작성을 원활하게 합니다. 이는 처음부터 아이디어를 생성하는 데 필요한 인지적 노력을 줄여 사용자가 자신의 생각을 구체화하고 다듬는 데 집중할 수 있도록 합니다. 협업은 직관적으로 느껴지며, AI가 혼자서 어려움에 직면하도록 내버려 두는 것이 아니라 인지적 부담을 공유하는 파트너로서 개입합니다. 그렇게 함으로써 이 도구는 창의적인 흐름을 유지하기 쉬운 환경을 조성하여 사용자가 더 자유롭게 생각하고 작업할 수 있도록 합니다.

Red Sift Radar는 인지 오프로딩을 용이하게 하는 협업의 또 다른 강력한 예시를 제공합니다. 이 워크플로에서 도메인의 IP 주소 옆에 AI Copilot 표시기가 나타나 상호 작용성을 나타냅니다. 도메인의 신뢰성을 평가하는 것은 사용자가 이 화면에서 수행하는 일반적인 작업이며, AI Copilot은 이 필요성을 예측하여 원활하게 바로 가기를 제공합니다. 간단한 클릭으로 사용자는 선택한 도메인에 대해 질문하고, 무엇보다도 그 신뢰성을 평가할 수 있습니다. 이는 수동으로 수행하는 경우 시간이 많이 걸리는 작업입니다. 이러한 협업적 접근 방식을 통해 AI는 힘든 작업을 처리하여 프로세스를 간소화하고 사용자가 정보에 입각한 결정을 빠르고 효율적으로 내릴 수 있도록 지원합니다.

몇 가지 참고 자료:

• Microsoft Research AI Frontiers는 간행물에서 인간-컴퓨터 상호 작용에 대한 몇 가지 연구 논문을 공유하고 있습니다.
• 그중 제가 가장 추천하는 것은 "Guidelines for Human-AI Interaction"(2019)입니다. 꼭 읽어보세요.

3. 기존의 멘탈 모델 및 패턴 활용

Jakob의 법칙에 따르면 "사용자는 대부분의 시간을 다른 사이트에서 보냅니다. 즉, 그들은 여러분의 사이트가 이미 알고 있는 다른 모든 사이트와 같은 방식으로 작동하는 것을 선호합니다." 이 원칙은 웹사이트를 넘어 사용자가 상호 작용하는 모든 인터페이스로 확장됩니다. 멘탈 모델과 확립된 패턴을 활용하는 것은 인지적 부담을 줄이는 데 매우 중요한 규칙입니다. 왜냐하면 사용자가 이전 경험을 원활하게 적용할 수 있기 때문입니다.

"새로운 AI 기반 제품 또는 기능에 사용자를 온보딩할 때 친숙한 접점을 통해 안내하십시오.
AI 기반 제품의 경우 UI 메타포를 통해 시스템 예측의 '새로움' 또는 '마법'을 전달하려는 유혹이 있을 수 있습니다. 그러나 익숙하지 않은 UI 접점은 사용자가 시스템 사용법을 배우는 것을 더 어렵게 만들어 AI 출력의 품질에 관계없이 제품에 대한 이해도 저하나 신뢰도 하락으로 이어질 수 있습니다. 대신, 친숙한 UI 패턴과 기능으로 새로운 사용자를 고정하십시오. 이렇게 하면 주요 작업, 즉 시스템 권장 사항에 대한 편안함을 구축하고 신뢰를 보정하는 데 더 쉽게 집중할 수 있습니다."

People + AI Guidebook 가이드북

예를 들어, Relume은 보라색 강조 표시와 반짝이는 이모티콘을 사용하여 AI 기반 기능을 강조하는데, 이는 특히 AI 우선 제품이 아닌 제품에서 AI 지원 기능을 전달하기 위한 확립된 패턴이 되었습니다. 이러한 접근 방식은 사용자가 AI 기능을 식별하고 참여하는 데 필요한 정신적 노력을 줄임으로써 인지 오프로딩을 용이하게 합니다. 인터페이스를 스캔하거나 자세한 지침을 읽는 대신 사용자는 이러한 시각적 신호를 사용하여 AI 도구를 빠르게 찾을 수 있습니다.

몇 가지 참고 자료:

• “UI design patterns for successful software” — AI 관련 특정 패턴을 탐색하기 전에 표준 패턴에 대한 이해를 새롭게 하는 것이 좋으며, 이 IxDF 강좌는 이를 위한 훌륭한 방법입니다.
• AI에 대한 디자인 규칙은 아직 작성 중이지만 Emily Campbell이 큐레이팅한 풍부한 예시가 있는 "Shape of AI" 웹사이트에서 새로운 트렌드를 확인할 수 있습니다.
• Vitaly Friedman은 IxDF 마스터클래스 "“How to elevate the user experience of AI with design patterns”"에서 자신의 관찰 결과를 공유했습니다.
• Google의 People + AI 연구팀은 Guidebook의 일부로 패턴 목록을 개발했습니다. 이는 AI로 디자인하기 위한 방법, 모범 사례 및 예시를 제공하는 포괄적인 자료입니다.

4. 점진적 공개 활용

점진적 공개는 콘텐츠와 기능을 점진적인 단계로 도입하여 복잡한 상호 작용을 단순화하는 인간-컴퓨터 상호 작용의 고전적인 원칙입니다. 한 번에 모든 옵션으로 사용자를 압도하는 대신, 이 접근 방식은 시스템을 진행하는 사용자의 진행 상황에 따라 필요에 따라 정보를 공개합니다. 이 방법은 복잡성 관리가 중요한 AI 애플리케이션에서 특히 효과적입니다.

예를 들어, Airtable의 AI 지원 앱 생성 흐름은 마법사 같은 인터페이스를 사용하여 사용자를 작고 상황에 맞는 단계로 안내합니다. 사용자 특정 목표에 맞게 경험을 조정함으로써 Airtable은 끝없는 양식을 작성하는 인지적 부담을 없애 프로세스를 직관적이고 관리하기 쉽게 만듭니다.

또 다른 훌륭한 예는 기능 스니펫을 표시하기 위해 타일을 사용하는 Jasper입니다. Jasper는 사용자에게 텍스트 생성 방식에 대한 기술적 세부 정보로 부담을 주는 대신 인간과 AI 간의 협업의 최종 목표를 식별하는 데 중점을 둡니다. 이를 통해 사용자는 프로세스가 아닌 결과에 집중할 수 있어 인지적 노력을 줄이는 원활하고 매력적인 경험을 만들 수 있습니다.

몇 가지 참고 자료:

• “Progressive disclosure” — Jakob Nielsen의 기술에 대한 자세한 개요를 제공하는 기사입니다.
• “Progressive disclosure” — The Glossary of Human Computer Interaction 책의 Frank Spiller의 기사입니다.
• “Progressive disclosure: when, why, and how do users want algorithmic transparency information?” — 설명 가능성과 인지 과부하 사이의 균형을 맞추는 방법을 탐구하는 연구 논문입니다.
• “Progressive disclosure options for improving choice overload on home screens” — 점진적 공개와 선택 과부하 및 가독성 개념을 연결하여 몇 가지 실용적인 통찰력을 제공하는 연구 논문입니다.

5. 우아한 실패 보장

AI 기능은 아직 많은 사용자에게 생소하며 오류는 불가피합니다. 핵심은 실수가 사용자 흐름을 완전히 방해하지 않도록 하는 것입니다. 대신, 시스템은 사용자가 원활하게 복구하고 목표를 향해 계속 진행하도록 지원해야 합니다. 이는 특히 신뢰가 깨지기 쉬운 AI 시스템에서 매우 중요합니다. 단 하나의 명백한 오류만으로도 도구에 대한 사용자의 신뢰를 깨뜨리기에 충분할 수 있습니다.

우아한 실패는 오류를 투명하고 유익하게 처리하는 시스템을 설계하는 것을 의미합니다. 예를 들어, AI가 쿼리를 잘못 해석하거나 결함 있는 결과를 생성하는 경우 사용자에게 수정, 재시도 또는 무엇이 잘못되었는지 이해하는 쉬운 방법을 제공해야 합니다. 명확한 설명, 대체 제안 또는 대체 옵션을 제공함으로써 AI 시스템은 문제가 발생하더라도 사용자 신뢰와 참여를 유지할 수 있습니다.

우아한 실패를 보장하는 훌륭한 예는 Google 검색의 AI 기반 기능(예: '[수정된 용어]에 대한 결과입니다.')입니다. 사용자가 쿼리 철자를 틀리거나 불분명한 내용을 제출하면 시스템은 관련성이 없거나 빈 페이지를 반환하는 대신 수정 사항이나 대체 결과를 제공합니다. 이러한 접근 방식은 사용자를 관련 결과로 부드럽게 안내하여 입력 오류로부터 흐름을 방해하지 않고 복구하도록 돕습니다.

몇 가지 참고 자료:

• “The importance of graceful degradation in accessible interface design” — Smashing Magazine의 Eleanor Hecks 기사입니다.
• “The art of failing gracefully” — 엔지니어링 및 UX 관점을 모두 탐구하는 Solomon Hawk의 기사입니다.
• People + AI 가이드북의 “Errors + Graceful Failure” 기사입니다.

6. 상황별 안내

인간-AI 협업의 성공은 하이브리드 팀으로서 인간과 AI 간의 공유된 멘탈 모델에 달려 있습니다. 이 협업이 효과적으로 작동하려면 사용자는 AI 시스템의 기능과 목표를 달성하기 위해 시스템과 상호 작용하는 방법을 명확하게 이해해야 합니다. 그러나 사용자가 긴 지식 기반을 읽고 이러한 멘탈 모델을 개발할 것이라고 기대하는 것은 비현실적입니다.

보다 효과적인 접근 방식은 상황별 안내를 제공하는 것입니다. 즉, 사용자가 필요할 때와 정확한 위치에서 도움과 설명을 제공하는 것입니다. 툴팁, 인라인 프롬프트 또는 대화형 튜토리얼을 통합함으로써 시스템은 사용자가 인터페이스에 참여하면서 자연스럽게 학습할 수 있도록 합니다.

상황별 안내는 시스템 작동 방식을 파악하는 데 필요한 정신적 노력을 줄임으로써 인지 오프로딩을 지원합니다. 시스템은 사용자에게 여러 잠재적인 상호 작용 또는 기능을 기억하도록 요구하는 대신 시기적절한 지원을 제공하여 단계별로 안내하고 목표 달성에 집중할 수 있도록 합니다. 이러한 접근 방식을 통해 사용자는 작업에 집중하면서 시스템 기능에 대한 이해를 점진적으로 구축할 수 있습니다.

제안 사항을 제공하는 것은 사용자가 AI 시스템이 작동하는 방식에 대한 멘탈 모델을 구축하는 데 도움을 주는 가장 일반적인 방법 중 하나입니다. 관련 프롬프트를 제공함으로써 사용자는 시스템의 기능과 지원하는 상호 작용 유형을 빠르게 파악할 수 있습니다. 예를 들어, June에서는 데이터 소스를 연결하고 메트릭을 본 후 사용자가 시스템에 인사이트를 요청할 수 있습니다. 이 프로세스를 안내하기 위해 June AI는 시작 프롬프트를 제공하여 사용자에게 요청할 수 있는 질문 유형에 대한 명확한 아이디어를 제공합니다. 이러한 제안 사항을 통해 사용자는 시스템 기능을 더 쉽게 탐색하고 시스템과 효과적으로 상호 작용하는 방법에 대한 더 나은 이해를 높일 수 있습니다.

몇 가지 참고 자료:

• "Mental models" — People + AI 가이드북의 글입니다.
• "Understanding user mental models around AI" — Joana Cerejo의 기사입니다.
• “Building AI systems with a holistic mental model" — Janna Lipenkova 박사의 기사입니다.
• “Generative AI is reshaping our mental models of how products work. Product teams must adjust" — Google의 People + AI Research의 기사입니다.

마치며

사용자가 인지적 작업을 오프로딩할 수 있도록 지원하는 시스템을 설계하는 것은 흥미로운 가능성의 세계를 열어줍니다. 지루한 작업의 부담을 줄임으로써 이러한 시스템은 개인이 진정으로 중요한 것, 즉 의미 있는 문제 해결에 집중할 수 있도록 해줍니다. 그러나 관련된 위험, 특히 이러한 도구에 대한 과도한 의존 가능성을 신중하게 고려하는 것이 필수적입니다.

예를 들어, 학교에서 계산기를 생각해 보세요. 처음 도입되었을 때 일부 교사들은 학생들이 기술에 너무 의존하여 필수적인 수학 능력을 잃을까 봐 걱정하며 파업에 나섰습니다. 수십 년이 지난 지금도 그 결과는 명확하지 않습니다. 계산기가 수학 학습에 도움이 되었을까요, 아니면 해가 되었을까요? 분명한 것은 계산기가 교육을 영원히 바꾸어 놓았다는 것입니다.

이 이야기는 오프로딩을 위해 설계된 도구가 삶을 더 편하게 만들어줄 수 있지만 신중하게 사용해야 한다는 것을 상기시켜 줍니다. 목표는 기계가 우리를 대신하여 생각하게 하는 것이 아니라 우리의 능력을 증폭시키기 위해 기계와 협력하는 것입니다. 이러한 균형을 찾는 것은 우리에게 최상의 결과를 보장해 줍니다. 즉, 우리를 성장시키는 데 도움이 되는 강력한 도구를 가지면서 우리를 인간답게 만드는 기술을 잃지 않는 것입니다.