권장 사항: AI를 기기 기반의 보조 도구로 활용하여 제작 단계를 가속화하십시오. lumen5를 사용하여 초고속 러프컷을 만들고, 이후 숙련된 팀을 투입하여 내러티브를 구성하고, 사운드를 조정하며, 비주얼을 다듬으십시오. 이 접근 방식은 일반적인 자동화에 의존하는 대신 접근성을 보장하고 스토리의 진정성을 보존합니다.
생성된 미디어 및 포함된 애셋에 대한 저작권 및 라이선스(AI 출력 및 스톡 자료 포함)를 정의합니다. 초기 컨셉부터 최종 편집까지 각 요소의 출처 및 소유권을 추적하는 워크플로를 구축합니다. 단계별 책임 범위를 설정하고 의사 결정이 기기 및 플랫폼 전반에 걸친 시청자 접근성과 포괄적인 디자인을 반영하도록 합니다.
AI는 여러 스타일과 내러티브 궤적을 제안할 수 있어, 초점을 일관성과 감정에 맞출 수 있습니다. 핵심 가치는 진정성으로 남아 있으며, 이는 정직, 동의, 투명성의 원칙에 의해 형성된 결과입니다. AI는 전체 프로세스를 변화시키지 않으며, 인간의 큐레이션과 맥락을 지원하는 동시에 창의적인 리더십은 필수적입니다. 아이디어에 대한 많은 실험은 진정으로 공감대를 형성하는 순간을 만들어냅니다.
단계별 구현 계획: 모바일 및 데스크톱 파이프라인을 포함한 기기 목록을 작성하여 다양한 시청자의 접근성을 보장합니다. lumen5 시범 운영을 통해 페이싱과 색상을 비교한 후, AI 출력 및 제3자 애셋을 포함하는 자산 권리 체크리스트를 통합합니다. 진정성 있는 스토리텔링과 시청자 영향에 초점을 맞춰 프로세스를 진행하고, 피드백을 많이 수집하여 빠르게 반복합니다.
실제로 팀은 AI를 대체재가 아닌 배율 증폭기로 취급함으로써 가치를 얻습니다. 인간의 통찰력을 버리지 마십시오. 원칙, 진정성, 접근 가능한 디자인에 명확한 초점을 맞추면, 제작물은 개인적인 목소리를 보존하면서 창의적으로 확장될 수 있습니다. 핵심은 규율 잡힌 워크플로, 지속적인 테스트, 그리고 모든 단계에서의 숙련된 리더십입니다.
영화 제작에서의 AI: AI 기반 비디오 도구의 실질적인 평가
권장 사항: AI 기반 준비 작업을 사용하여 반복적인 작업을 가속화하고 러프컷을 조립하되, 내러티브 결정 및 시청자 영향에 대해선 인간의 감독을 유지하십시오.
AI 도구 평가를 위한 운영 프레임워크
- 성공 지표 정의: 처리 시간 절감, 메타데이터 정확도, 전사 지연 시간, 완료율 및 이탈 지점과 같은 시청자 참여 지표를 측정합니다. 팀의 기준 워크플로와 비교하여 벤치마킹합니다.
- 대표 파일럿 선택: 두 장면(빠른 대화 중심 시퀀스와 시각적으로 멋진 순간)을 선택하여 도구 출력을 기존 처리 방식과 비교합니다. 20세기부터 사용된 워크플로와 비교하여 벤치마킹합니다.
- 명확한 경계 내 작업 실행: AI가 러프컷, 전사, 자막, 태그를 자율적으로 생성하도록 합니다. 편집자와 감독이 페이싱과 감정적 비트를 조정합니다.
- 결과 평가: 결과를 평가하고, 전문 지식과의 일치도, 추적 및 태그 지정 품질, 의도된 시청자에게 거의 완벽하게 느껴지는지 여부를 평가합니다. AI가 멈추거나 일관성 없는 결과를 생성하는 데드 존을 기록합니다.
- 반복 및 학습 공유: 결과를 문서화하고 마케터 및 크리에이티브 리더를 위한 워크숍에서 발표하여 교육 및 향후 제작에 개선 사항을 적용합니다.
실용적인 도구 범주 및 배포 방법
- 편집 보조 도구: 가장 일반적인 패스를 가속화하기 위해 러프컷과 장면 페이싱을 제안하여, 더 깊은 스토리텔링 결정을 위한 시간을 확보합니다. 평가는 작업이 시청자에게 논리적이고 감정적으로 움직이는지에 초점을 맞춰야 합니다.
- 메타데이터, 전사, 자막: 검색 가능한 메타데이터 및 전사를 자동으로 생성합니다. 처리량은 예상 정확도를 기준으로 추적하고 편집 팀이 쉽게 수정할 수 있어야 합니다.
- 추적 및 객체/행동 태그 지정: 샷 내 요소에 대한 추적 데이터를 캡처하여 컷 결정 및 샷 목록을 지원합니다. 출력은 샷 시트와 비교하여 감사할 수 있어야 합니다.
- 색상, 조명, 사운드 제안: AI는 기술적으로 정보에 입각한 조정을 제안할 수 있습니다. 최종 모양과 느낌을 유지하기 위해 인간 참여 방식을 적용합니다.
- 훈련 데이터 및 설계: 이전 작업을 통해 학습하도록 설계된 도구입니다. 드리프트를 방지하기 위해 피드백 및 검증을 위한 루프를 좁게 유지합니다.
워크플로 통합 및 기술 개발
- 역할을 대체하는 대신 기존 워크플로에 AI 구성 요소를 통합합니다. 창의적인 판단이 필요한 순간에는 인간의 감독을 유지합니다.
- 정기적인 워크숍 및 실습 세션을 진행하여 전문 지식과 도구 기능을 연결합니다. 실질적인 확인 및 QA 절차에 중점을 둡니다.
- 발표 및 시연: 도구 기능과 기대치를 조정하기 위해 워크숍 중에 짧은 발표를 포함합니다.
- 시청자 및 마케터를 위한 영향 추적: 전환 시간, 품질 점수, 내러티브 일관성 개선을 보여주는 지표를 제시합니다.
- 지속적인 개선 촉진: 새로운 기능 평가 및 향후 프로젝트와 관련된 교육 요구 사항에 대한 빈도를 설정합니다.
주요 주의사항 및 모범 사례
- 자율성은 일상적이고 대량 작업에만 할당하고, 중요한 부분은 인간의 지시에 맡깁니다.
- 훈련 및 도구 선택을 안내하기 위해 데드 존 및 오류 사례를 문서화합니다.
- 자동화된 각 애셋에 대한 데이터 출처를 유지하여 팀이 결정을 추적하고 출력이 달라지면 조정할 수 있도록 합니다.
- 효율성을 염두에 두고 설계합니다. 창의적인 통제권을 유지하면서 재작업을 줄이는 효율적인 파이프라인을 목표로 합니다.
이러한 통찰력은 향후 제작을 안내할 것입니다.
AI가 실제 영화 제작자를 대체하지 못하는 이유 – AI 기반 비디오 도구의 실제 한계
구체적인 계획으로 시작하십시오. 반복적인 단계를 자동화하면서 창의적인 통제를 허용하는 하이브리드 워크플로를 구축합니다. 오늘의 제작을 위해 AI는 시퀀스를 초안 작성하고, 러프컷을 조립하며, 메타데이터를 관리하도록 지정하고, 감독은 최종 결정권과 예술적 방향을 유지합니다.
로토스코핑: AI는 몇 분 안에 러프 마스크와 자동 추적을 제공할 수 있지만, 최종 단계의 미세 조정은 숙련된 편집자가 필요합니다. 수작업으로 미세 조정할 경우 초기 마스크에 대해 30-60%의 시간 절약을 기대할 수 있습니다. 이 균형은 가장 중요한 부분에서 가장자리 품질과 모션 충실도를 유지합니다.
푸티지 처리 및 네트워크: 오늘날 모델은 광범위한 네트워크를 기반으로 합니다. 누출 위험을 제거하려면 민감한 푸티지는 안전한 파이프라인에 유지하고 필요하지 않을 때는 초안을 클라우드에서 제거하십시오. 스튜디오 내에서 온프레미스 또는 암호화된 워크플로를 계획하십시오.
생성 콘텐츠 및 예술적 방향: 생성 능력은 시각적 탐색을 가속화하지만, 감정적 톤과 내러티브 일관성을 유지해야 합니다. 엄격한 검토 루프와 참조 프레임을 유지하여 창의적인 브리프와 일치시키십시오. 이렇게 하면 콘텐츠가 경쟁력을 유지하는 데 도움이 됩니다.
구현 단계: 현재 파이프라인을 감사하고 3-4개의 병목 현상을 식별합니다. 2-3개의 장면에 대해 4주 파일럿을 실행합니다. 지표 측정: 로토스코핑에 소요된 시간, 렌더링 시간, 애셋 품질. 책임 추적을 위해 기록을 보관합니다.
운영 팁: 인간과 기계 간의 원활한 인계를 허용하는 도구에 투자하고, 의도하지 않은 결과물을 방지하기 위한 가드레일을 구현하며, 생성물에 대한 임계값을 설정합니다. 자동화가 가장 큰 가치를 제공하는 곳을 정의하고, 프로젝트에 대한 통제와 방향을 유지하기 위해 일상적인 검토를 보장합니다.
내러티브 구성 및 캐릭터화를 위한 AI의 한계
하이브리드 워크플로를 채택하십시오. AI는 장면 옵션을 초안 작성하고, 숙련된 작가가 이를 다듬어 목소리와 연속성을 보존합니다. 라이브 캐릭터 바이블과 월드 규칙 정책을 기록에 저장하여 기반을 구축하십시오. AI를 사용하여 시각적 요소와 대화를 저렴하게 탐색할 수 있습니다. 현재 사례의 증거 및 테스트 청중의 피드백을 기반으로 결정을 내립니다. 스크립트 속성은 인간의 통제하에 있어야 합니다. AI는 최종 인과관계가 아닌 제안을 제공해야 합니다.
장거리 내러티브에 대한 AI의 현재 한계는 감독이 필요합니다. 수동 개요로 고정되지 않으면 전체 변환 아크가 액트 전반에 걸쳐 달라질 수 있습니다. 각 체크포인트에서 출력을 바이블과 비교하는 모듈을 구현하십시오. 전체 아크와 다시 동기화하기 위해 조정을 수행합니다. 변경 사항을 추적하기 위해 버전이 지정된 기록을 유지합니다. 변환 및 캐릭터 아크를 AI에만 의존하지 마십시오.
AI는 표면적인 감정을 시뮬레이션할 수 있지만, 캐릭터 심리에 대한 진정한 정신 모델은 부족합니다. 설득력 있는 묘사를 위해 외부 행동을 스크립트에 정의된 명시적인 내부 상태와 연결하십시오. 이러한 상태를 연기로 번역하는 것은 배우와 감독에게 맡기십시오.
생성된 산문에서 부제와 톤이 잘못 해석될 수 있습니다. AI가 존중하는 스타일 가이드를 코딩하여 설명과 추론 간의 균형을 유지하십시오. 빠른 시퀀스를 위한 대사를 생성하고 리허설 및 수정 중에 감독을 위한 공간을 남겨두십시오.
저작권 및 속성 문제가 적용됩니다. 라이선스가 부여된 스크립트를 학습한 모델은 보호된 작품을 반영할 수 있습니다. 라이선스 또는 공정 이용 준수를 보장하고, 사용량을 정당화하기 위해 기록에 프롬프트와 출력을 문서화하십시오. 사용할 수 있는 애셋 및 속성 처리 방법에 대한 명확한 정책을 수립하십시오.
하이브리드 파이프라인을 강화하기 위한 실행 가능한 단계: 다기능 팀 구성; 스크립트 및 캐릭터 에셋 중앙 저장소 생성; AI가 장면과 대사에 대한 대안을 제시하고 인간이 선택 및 조정하는 반복 라운드 실행; 음성, 세계관 규칙 및 변환에 대한 제약 조건 체크리스트 구현; 대상 청중과 테스트; 참여 및 회상 메트릭 추적; 마지막으로 전체 프로젝트에 걸쳐 일관성을 강화하기 위해 반복합니다.
사전 제작 및 감독에서의 인간-AI 협업
AI를 사용하여 스크립트를 해석하고, 장면을 매핑하고, 촬영 순서를 테스트하는 중앙 집중식 사전 제작 워크플로로 시작하십시오. 이 접근 방식은 감독의 명확한 결정 기록과 함께 더 똑똑하고 깊은 해석 옵션 및 결과를 제공합니다. 단일 기준 테이크에서 시작하여 제작이 시작되기 전에 의도를 명확히 하기 위해 AI 생성 대안을 실행하면 전통적인 준비를 넘어선 옵션의 조기 검증이 가능합니다. 계획을 확정하면 AI가 옵션을 비교하는 데 도움이 되며 창의적인 제어는 그대로 유지됩니다.
AI 모듈은 스크립트 분석을 위한 대화 분위기 해석, 블로킹 제안, 촬영 목록 조립, 예산 예측과 같은 특정 작업에 특화되어 있습니다. 출력은 전문적인 수준이어야 하며 Adobe 워크플로와 호환되어야 하며 팀이 일관성을 유지하도록 중앙 저장소에 연결되어야 합니다. 이 구성은 팀이 사전 제작 전반에 걸쳐 속도, 일관성 및 결과를 개선하는 데 도움이 됩니다.
감독 실습은 AI를 더 똑똑한 조수로 사용하여 카메라 각도, 커버리지 옵션 및 템포를 제안하는 데 중점을 둡니다. 이러한 제안을 해석하고 감정적 아크에 맞는 경로를 결정합니다. 몇 가지 변형을 실험하면 작동하는 프레이밍 유형이 더 명확해집니다. 경로에 명확성이 부족하면 핵심 의도로 돌아가 청중 경험에 초점을 맞춥니다. 이러한 선택을 허용하면 중요한 부분에서 즉흥성을 유지하는 강력한 단일 테이크 접근 방식을 형성할 수 있습니다.
불필요한 논쟁을 피하기 위해 명확한 순서를 설정하십시오: 감독이 AI 제안을 검토하고, 소규모 승인 그룹이 문서화된 결정을 내립니다. 변경 사항을 추적하기 위해 버전 관리 및 중앙 대시보드를 사용합니다. 이 거버넌스는 지속 가능한 워크플로를 지원하고 낭비를 줄이면서 결과를 개선합니다.
시작하기 위한 실질적인 단계: 두 개의 AI 모듈을 선택하여 테스트하고; 스토리보드를 Adobe로 내보내고; 몇 가지 대안 촬영 목록을 생성하고; 주간 검토 주기를 설정합니다. 몇 번의 반복을 통해 계획을 명확히 하고, 지속 가능하며 예산 내에서 유지할 수 있습니다. 창의적인 브리프에 대한 전문적인 수준의 일치성을 확보하고, 무엇이 효과가 있는지 개선하기 위해 계속 실험할 것입니다.
품질 및 일관성: 시각적 일관성에서 AI가 부족한 부분
AI는 아이디어 구상에 도움이 되는 빠른 초안을 제공할 수 있지만, 샷 간 전환 시 단점이 드러납니다. 최선의 경로는 명확한 인간 검토자에게 인계, 고정된 설정, 그리고 접근성과 빠르고 쉬운 검토를 유지하기 위한 공유 색상 바이블과의 짧은 피드백 주기를 포함하는 하이브리드 워크플로를 사용합니다. 이 접근 방식은 프로세스를 안전하게 유지하고 장면 간의 연속성 끊김을 방지합니다.
- 샷 간의 시간적 일관성은 여전히 취약합니다: AI는 피사체가 프레임 사이에 이동할 때 라인과 복잡한 세부 정보에서 벗어날 수 있습니다. 참조 프레임, 장면당 단일 스타일, 프레임 단위 엄격한 검토를 통해 수정하여 끊김을 최소화합니다.
- 조명 및 색상 조화는 일관된 설정에 달려 있습니다: AI는 미묘한 음영 전환을 무시합니다. 고정된 화이트 밸런스, 색 공간 및 LUT 체인을 강제합니다. 커버리지 샷 전반에 걸쳐 정확도를 유지하기 위해 관리 로그에 결정을 문서화합니다.
- 텍스처 충실도 및 자동차 표면: AI는 페인트 및 크롬의 복잡한 텍스처를 평평하게 만드는 경향이 있습니다. 고해상도 에셋과 가드레일을 제공하여 최종 등급이 깊이를 유지하고, 매크로 세부 정보에 대한 AI 의존도를 제한합니다. 대신, AI는 블로킹 및 러프 패스에 사용합니다.
- 동적 샷의 모션 및 연속성: AI는 속도 및 시차를 잘못 처리할 수 있습니다. 수동 키프레임 또는 센서 데이터를 사용하고, 안정적인 참조를 유지하며, 후반 작업에서 광학 흐름 검사를 실행합니다. 전환이 환상을 깨지 않도록 합니다.
- VR/AR(vrar) 컨텍스트: 공간 기하학 및 가림이 민감합니다. vrar 미리 보기에서 테스트하고 일관된 깊이 단서를 유지합니다. AI 생성 환경은 잘못된 정렬을 피하기 위해 헤드셋 렌더링과 비교하여 검증해야 합니다.
- 에셋 관리 및 액세스: AI 생성 프레임은 엔트로피를 증가시킵니다. 에셋을 중앙 집중화하고, 버전을 제어하며, 팀 간의 명확한 인계를 합니다. 이러한 접근성은 마찰을 줄이고 검토 속도를 높이며, 모두가 같은 언어를 사용하도록 용어집을 유지합니다.
- 프롬프트 규율 및 용어: 프롬프트의 유형 및 범위를 제어합니다. 샷별로 엄격한 프롬프트를 사용하고, 범위를 고정하며, 프롬프트를 짧고 정확하게 유지합니다. 살아있는 로그에 프롬프트 및 예상 결과를 문서화합니다. 이는 팀이 AI가 무엇을 가져오는지, 어디에 개입해야 하는지 보는 데 도움이 됩니다.
- 한계 및 현실성: AI는 컨셉 작업에 뛰어나지만, 가장자리가 부드럽게 보이고 그림자가 잘못 정렬될 수 있습니다. 이상을 수정하기 위해 후반 작업에서 최종 패스를 계획합니다. 유용한 세부 정보에 대해서는 AI를 사용하지만, 최종 샷은 전통적인 합성 및 페인트 작업에 사용합니다.
AI 비디오 도구의 비용, 라이선스 및 데이터 소유권
생성된 에셋의 소유권을 명확하게 정의하고 프로젝트로 데이터 사용을 제한하며, 제공업체 간 입력 데이터에 대한 모델 학습에 대한 명시적인 옵트인(opt-in)을 포함하는 라이선스 계획을 선택하십시오.
비용은 도구 및 규모에 따라 다릅니다. 단일 사용자 요금은 월 10-30 USD입니다. 팀 라이선스는 월 100-500 USD 범위이며; 엔터프라이즈 번들은 좌석 수, 저장 공간 및 권리에 따라 연간 수천 달러부터 시작합니다. 어려운 가격 책정 역학은 투명성을 요구하며; 공정한 옵션은 사용량에 따라 확장되며 불투명한 라이선스보다 저렴한 경우가 많습니다. FlexClip과 같은 도구는 무료 등급과 유료 요금제를 제공하며, 상위 등급은 처리 할당량과 출력 해상도를 높여 일상 콘텐츠 및 마케팅 아이디어에 중요합니다. 최고 품질의 출력을 추구하는 사람들에게는 비용이 그에 따라 상승합니다.
최소한 라이선스는 생성된 에셋이 사용자에게 속하며 데이터 처리가 사용자 권리를 존중한다는 것을 명시해야 합니다. 가장자리와 전체 에셋 세트를 고려하여, 과학자들과 실무자들은 입력 데이터를 사용하여 모델을 학습시키는 것에 대한 명확한 제한을 강조하여, 팀이 모호한 약속보다 빠르게 가치를 얻을 수 있도록 합니다. 마케터와 일상 팀의 경우 이러한 명확성은 목소리와 렌즈가 채널 전반에 걸쳐 재생되도록 하며, 재사용을 피하고 고품질 영화에 대한 위험을 줄이는 스마트 이용 약관에 따라 스톡 에셋이 처리됩니다. 이 거버넌스는 귀하가 통제권을 유지한다는 아이디어를 지지합니다.
데이터 처리는 처리 옵션, 보존 및 개인 정보를 포함합니다. 클라우드 처리와 장치 내 처리를 결정하고 암호화, 액세스 제어를 확인하며, 삭제 권리를 확인합니다. 음성, 스톡 푸티지 또는 렌즈를 제공하는 경우 캠페인 및 영화 및 광고를 포함한 미디어 채널 전반에 걸쳐 재사용 라이선스를 확인하고, 모델 개선을 위해 데이터를 학습시키는 것에 대한 명시적인 제한 사항을 확인합니다.
체크리스트: 생성된 출력의 소유권 확인; 모델 학습에 사용되는 데이터에 대한 명시적 동의 요구; 보존 기간 및 데이터 삭제 확인; 스톡 에셋 및 음성에 대한 교차 시설 권리 감사; 라이선스당 지리적 범위 및 허용되는 프로젝트 수 검토. AI 지원 워크플로의 경우, 아이디어 및 일상적인 워크플로를 잠금 없이 유지하기 위해 투명한 처리 로그와 쉬운 데이터 내보내기를 주장합니다.
| 측면 | 지침 |
|---|---|
| 라이선스 모델 | 생성된 출력에 대한 명확한 권리; 데이터 학습에 대한 옵트인 또는 옵트아웃; 공급업체 간 적용 가능성; 재사용을 제한할 수 있는 모호함 방지. |
| 데이터 소유권 | 사용자는 출력에 대한 소유권을 유지합니다. 이용 약관은 생성에 사용된 입력이 제공업체에 자동으로 소유되지 않는다는 것을 명시해야 합니다. 음성 및 스톡 에셋에 대한 구체성이 중요합니다. |
| 데이터 처리 | 장치 내/클라우드 지정; 보존 기간; 삭제 권리; 저장 중 및 전송 중 암호화. |
| 비용 및 범위 | 좌석당 수수료, 저장 공간 요금 및 처리 할당량; 12-24개월 동안의 총 비용 및 팀 성장을 고려합니다. |
| 스톡 에셋 및 음성 | 스톡 클립 및 보이스오버에 대한 라이선스 범위; 영화 또는 마케팅 캠페인을 포함한 채널 전반에 걸쳐 상업적 사용을 보장합니다. 지역 제한을 확인합니다. |
사례 연구: 지원 도구로 AI를 사용하는 전문가
권장 사항: 사전 제작에서 AI를 실용적인 조수로 취급하여 인간의 판단을 유지하면서 계획을 가속화합니다. AI 프롬프트를 사용하여 Canva에서 무드보드를 생성하고, 촬영 아이디어를 테스트하고, 모양을 탐색합니다. 최종 승인은 팀에서 담당합니다.
사례 1: 고급 독립 스릴러 영화에서 AI를 사용하여 시퀀스를 사전 시각화했습니다. 팀은 장면 컨셉을 툴체인에 입력하여 여러 촬영 순서, 객체 배치 및 움직임 패턴을 생성했습니다. 로토스코핑 작업은 별도의 패스에서 계획되었으며, AI는 주요 프레임을 유지하기 위한 마스크를 제안했습니다. 현장 조명 설정은 승무원이 제안하고 개선했으며, 실제 효과에 중점을 두었습니다. 결과: 아이디어 간의 더 빠른 전환과 일관된 최종 리듬, 기술자는 블로킹 및 연기 강점을 유지하면서 반복적인 작업이 아닌 현장 기술을 연마할 수 있었습니다.
사례 2: 다큐멘터리 제작팀은 AI 기반 로토스코핑을 사용하여 복합 효과를 단순화했습니다. 소규모 장면 세트에 모델을 훈련시켰고, 사람이 많은 환경에 유용한 움직이는 물체를 추적했습니다. 시스템은 수동 터치가 필요한 프레임을 표시했고, 다른 프레임은 자동으로 일치했습니다. 이로 인해 편집자들은 인터뷰 페이스와 내러티브 명확성에 집중할 수 있었고, 최종 시퀀스는 여러 테이크에 걸쳐 더욱 부드러운 연속성을 얻었습니다.
사례 3: 브랜드 촬영에서는 캔바 무드 테스트를 사용하여 제품 사진 스타일을 설정했습니다. 소규모 에셋 데이터 세트에 훈련된 모델은 반복되는 패턴과 물체를 감지하여 장면 전반에 걸쳐 일관된 모습을 구현했습니다. 설정을 조정하고 프롬프트를 수정함으로써 팀은 비용을 절감하면서 브랜드에 맞는 독특한 미학을 달성할 수 있었습니다. 실용적인 워크플로는 반복 주기를 줄이고 팀이 빠르게 컨셉을 전환할 수 있게 했으며, 이는 다음 단계에서 최종 결과로 이어질 것입니다.
