1년 1조 Token, 결제 회사의 AI는 무엇을 하고 있나요?

Adyen의 CTO는 회사에 약 1,400명의 개발자가 있으며, 연간 약 1조 개의 토큰을 소모한다고 말했습니다. 지난 3개월 동안 이 숫자는 4배로 증가했으며, Adyen은 연간 10조 개의 토큰을 소모할 준비를 시작했습니다.

그들의 토큰은 어디에 쓰였을까요? 무엇을 하기 위해서일까요?

Adyen의 이 1조 개의 토큰은 주로 엔지니어링 팀에서 소모되었으며, 다른 결제 회사들을 살펴보면, 토큰은 상인 심사, 고객 서비스 응답, 거부 처리, 이메일 읽기 및 이상 조사에 사용되고 있습니다.

돈은 흐르듯이, 토큰도 마찬가지입니다.

사람이 앉아 있더라도 토큰은 계속 소모됩니다.

지난 90일 동안 AI는 Adyen에서 약 100만 개의 파일을 편집하고, 2만 번의 Git 커밋에 참여했습니다. 회사의 인당 머지 요청은 48% 증가했으며, 엔지니어들은 AI가 약 15%의 시간을 절약해 주었다고 추정합니다. Adyen은 토큰에 소모된 돈이 대략 두 배의 수익을 가져왔다고 생각합니다.

그들은 하나의 예를 들었습니다. Adyen에는 청구, 조정 및 카드 조직 보고서를 담당하는 결제 백엔드 시스템이 있으며, 그 안에는 약 2,000개의 생산 작업이 있고, 40개 이상의 카드 조직이 관련되어 있습니다. 원래 시스템은 모두 큰 배포 이미지에 몰려 있었고, Adyen은 이를 분리하여 각 카드 조직이 독립적인 이미지를 갖도록 하기를 원했습니다.

이전 방식에 따르면, 이 프로젝트는 여러 팀을 동원하여 6개월에서 12개월이 걸릴 것입니다. 결국 두 명의 엔지니어가 AI와 협력하여 두 달 만에 완료했으며, 사고는 발생하지 않았습니다.

이것이 아마도 코딩 에이전트가 토큰을 소모하는 방식일 것입니다. 그것은 단순히 두 줄의 코드를 추가하는 것이 아니라, 먼저 코드를 읽고, 문서를 읽고, 의존성을 찾고, 테스트를 실행해야 합니다; 테스트가 실패한 후에는 오류를 읽고, 코드를 수정하고, 다시 실행합니다. 한 사람이 여러 개의 에이전트를 동시에 실행하면, 그들은 백그라운드에서 이러한 과정을 반복합니다. 사람이 앉아 있더라도 토큰은 계속 소모됩니다.

Stripe도 91%의 엔지니어가 일상 업무에서 AI를 사용하고 있다고 말했습니다(9%가 왜 해고되지 않았는지는 모르겠습니다). 내부 코딩 에이전트 minion은 매주 생산 환경에 1,000개 이상의 PR을 제출합니다. 2026년 3월에만 Stripe는 57,000개 이상의 PR이 AI 코딩 지원을 사용했으며, 3개월 동안 140% 증가했습니다.

Block도 비슷합니다. 약 7,500명의 직원이 매주 AI를 사용하며, 90% 이상의 코드 제출에 AI가 참여하고, 인당 매주 코드 변경 수가 30% 증가했습니다.

현재로서는 결제 회사의 상당한 토큰 청구서가 엔지니어링 부서에서 발생하고 있습니다. 결제 산업에서 AI를 사용하는 것은 단순히 새로운 코드를 제로에서 작성하는 것이 아니라, 더 현실적인 용도는 인간이 어려운 문제를 해결하는 데 도움을 주는 것입니다. 결제 시스템은 너무 크고, 역사적인 코드가 너무 많으며, 은행, 카드 조직 및 각 지역의 결제 방식을 호환해야 합니다. 과거 이러한 복잡성은 주로 엔지니어의 시간을 소모했지만, 이제 AI도 함께 문제를 해결하는 데 사용되며, 소모되는 것은 토큰입니다.

문서 찾기, 광고 작성, 계약서 읽기 등도 토큰을 소모합니다.

코드 작성은 회사 내부에서 AI를 사용하는 한 부분에 불과합니다. 규모가 조금 더 큰 핀테크 회사는 매일 자료를 찾는 데 많은 시간을 소비합니다: 경비 정책은 어디에 있나요? 이 데이터는 어떤 팀에서 관리하나요? 특정 시스템의 권한은 어디서 신청하나요? 휴가는 누구에게 문의해야 하나요? 회사가 커질수록 문서가 많아지고, 문서가 많아질수록 찾기 어려워집니다.

Nubank에는 약 9,000명의 직원이 있으며, 서로 다른 팀이 자신의 프로세스와 문서를 Confluence에 올려놓습니다. 직원들이 문제에 직면했을 때, 스스로 반 시간 동안 뒤적거려야 할 수 있습니다; 정말 찾을 수 없으면, 티켓을 열고 몇 시간을 기다려야 합니다. Nubank는 나중에 AskNu라는 내부 도구를 만들었으며, 직원들이 Slack에서 직접 질문할 수 있습니다. AskNu는 먼저 질문이 어떤 부서에 해당하는지 판단한 후, 해당 Confluence 문서에서 답을 찾고, 마지막으로 대형 모델이 답변을 정리하여 원본 링크와 함께 제공합니다.

출시 6개월 후, AskNu는 5,000명의 사용자가 있으며, 28만 개의 메시지를 처리했습니다. Nubank는 이를 통해 일부 내부 티켓이 96% 감소했다고 밝혔습니다. 원래는 30분을 찾아야 하거나, 티켓을 열고 8시간을 기다려야 했던 문제는 이제 평균 9초 만에 답변을 받을 수 있습니다.

AskNu는 고객에게 직접 송금을 하거나 결제를 처리하지 않지만, 질문을 읽고, 문서를 검색하고, 답변을 정리하는 작업을 계속합니다. 회사의 모든 직원이 매일 몇 번씩 질문을 하게 되면, 토큰은 이렇게 조금씩 쌓이게 됩니다.

콘텐츠 팀도 마찬가지입니다. Chime은 내부 콘텐츠 모델에 매우 직관적인 이름인 ChimeGPT를 붙였습니다. 그들은 또한 과거의 브랜드 스토리, 사용자 피드백, 캠페인 효과 및 커뮤니티 논의를 담은 "브랜드 브레인"을 만들었습니다. 마케팅 팀은 이를 사용하여 다양한 버전의 콘텐츠와 개인화된 온보딩 프로세스를 생성하고, 브랜드, 법무 및 규정 검토를 거칩니다.

Chime은 내부 팀의 콘텐츠 생산량이 전년 대비 300% 이상 증가했으며, 제작 시간이 60% 단축되었다고 밝혔습니다. 원래 창의성에서 캠페인까지 10시간의 작업이 필요했으나, 이제 약 4시간이면 완료할 수 있으며, 테스트 양이 3배 증가했습니다. Klarna의 조직 데이터도 흥미롭습니다: 90%의 직원이 매일 생성형 AI를 사용하며, 커뮤니케이션, 마케팅 및 법무 팀의 사용률은 각각 93%, 88% 및 86%에 달합니다.

코드 작성은 토큰을 소모하고, 광고 작성, 자료 번역, 회의 요약, 계약서 읽기, 동료 질문에 답하는 것도 마찬가지입니다.

"샴페인색 드레스"는 술을 판매하는 것이 아닙니다.

결제 회사는 매일 약간의 인구 조사와 같은 일을 합니다: 이 사람은 누구인가? 도대체 무엇을 판매하고 있는가? 우리가 그를 들어오게 해서 돈을 받을 수 있을까?

상인은 결제 회사의 양식에 따라 자신을 솔직하게 소개하지 않을 것입니다. 단서는 공식 웹사이트, 상품 페이지, 등록 문서 및 뉴스에 흩어져 있으며, 서로 다른 언어로 작성될 수 있습니다. 이전 시스템은 그렇게 많은 인내심이 없었고, 가장 간단한 방법은 키워드를 검색하는 것이었습니다.

Airwallex는 매우 웃긴 예를 들었습니다. 한 상인이 "군사 스타일 재킷"을 판매하고 있다고 하면, 시스템은 military라는 단어를 보고 그가 금지된 군사 물품을 판매하고 있다고 의심할 수 있습니다; 또 다른 상인은 "샴페인색 드레스"라고 썼다면, 시스템은 champagne이라는 단어를 보고 그를 술을 판매하는 사람으로 간주할 수 있습니다.

사람은 한눈에 알아차립니다. 군복 스타일 재킷은 군수품이 아니며, 샴페인색 드레스 안에는 샴페인이 없습니다. 그러나 키워드는 색상을 이해하지 못하고, 패션을 이해하지 못합니다. 그것은 그 단어가 다소 위험해 보인다는 것만 알고 있습니다.

이것은 대형 모델이 잘 할 수 있는 일입니다: 단어 하나에만 집중하지 말고, 앞뒤 내용을 먼저 읽고, 상인이 도대체 무엇을 판매하고 있는지 살펴보는 것입니다. Airwallex는 KYC에 생성형 AI를 추가한 후, 관련 단계의 오탐지가 평균 50% 감소했으며, 인력이 개입하지 않고 직접 온보딩을 완료할 수 있는 고객이 20% 증가했다고 말했습니다.

Stripe는 2023년부터 LLM을 상인 온보딩에 사용하기 시작했습니다. 그것은 대형 모델이 모든 상인을 승인하도록 하는 것이 아니라, 먼저 개방적이고 비구조화된 정보를 처리하여 명백히 요구 사항을 충족하는 신청을 신속하게 진행합니다. Stripe의 80% 이상의 "지원 가능한 상인"은 즉시 자동으로 승인될 수 있습니다. Checkout.com의 정책 검토는 60분에서 10분으로 단축되었습니다.

이전에는 직원이 스스로 웹페이지를 열고, 자료를 읽고, 정책을 확인하고, 결론을 작성해야 했지만, 이제는 대형 모델이 먼저 읽고, 사람이 봐야 할 부분을 선택합니다. 여기서 소모된 토큰은 적은 오탐지, 빠른 계좌 개설, 그리고 내부 직원이 전혀 문제가 없는 자료를 덜 보게 하는 것으로 교환됩니다.

5달러짜리 커피 한 잔도 재무 검토를 거쳐야 합니다.

결제 회사는 다른 사람의 돈을 처리하는 것 외에도, 내부적으로도 경비를 청구하고, 비용을 심사하고, 송장을 추적하고, 회계를 해야 합니다. 이는 가장 눈에 띄지 않는 핀테크 AI 제품일 수 있습니다. 직원이 회사 카드를 사용하여 커피 한 잔을 구매한 후, 영수증을 업로드하고, 용도를 보충하고, 비용 범주를 선택해야 할 수 있습니다; 관리자는 이것이 업무를 위한 것인지 확인해야 하며, 재무는 정책을 검토하고 회계 코드를 작성한 후 ERP에 동기화해야 합니다. 금액이 5달러에 불과할 수 있지만, 이를 처리하는 인건비는 오히려 더 높습니다.

Ramp는 이러한 지출을 심사하기 위해 Policy Agent를 만들었습니다. 이 에이전트는 영수증과 거래가 일치하는지, 중복 청구가 있는지, 용도가 명확한지, 회사 정책을 위반했는지, 직원의 최근 소비가 비정상적인지 확인합니다. 정책에 부합하는 경우 자동으로 승인 제안을 하고, 문제가 있는 경우에는 사람에게 전달합니다. Ramp는 초기 고객이 인력 심사를 약 85% 줄였으며, 비용 정책 실행 정확도가 99%를 초과한다고 밝혔습니다. 최종 승인 권한은 여전히 심사자에게 남아 있습니다.

Brex Assistant는 더 세부적인 작업을 수행합니다. 이 에이전트는 자동으로 영수증을 찾고, 메모를 작성하고, 비용 범주와 참석자를 입력하며, 비규정 지출이 발생하면 직원에게 적극적으로 질문합니다. Brex는 한 예를 들었습니다: 영수증에 "알코올"이라고 적혀 있지 않고 "보드카"라고만 적혀 있을 수 있습니다. 이전의 키워드 규칙은 이를 알아차리지 못할 수 있지만, 대형 모델은 보드카도 술로 간주합니다.

이런 작업은 토큰을 사용하여 시간을 교환하는 데 적합합니다.

AML 분석가는 대부분의 시간을 범죄자를 잡는 데 사용하지 않습니다.

결제 회사는 매일 많은 위험 알림을 생성합니다. 실제로 의심스러운 거래는 많지 않지만, 각 알림은 누군가가 열어보고, 고객 정보를 확인하고, 과거 거래를 살펴보고, 관련 계좌를 검사한 후, 왜 종료하거나 조사를 업그레이드해야 하는지에 대한 설명을 작성해야 합니다. 많은 AML 분석가의 시간은 범죄자를 잡는 데 사용되지 않고, 이 사람이 잠시 동안 범죄자가 아닌 것처럼 보이는 이유를 증명하는 데 사용됩니다.

Nexo는 Unit21의 AI 에이전트를 사용하여 초기 경고 검토를 수행합니다. 이 에이전트는 거래 및 계좌 정보를 정리하고, 주소 간의 관계를 분석하며, 조사 요약 및 처리 의견을 생성합니다. 분석가는 이제 빈 페이지에서 시작하지 않고, AI가 제공한 자료와 결론을 검토합니다.

Unit21과 Nexo가 발표한 사례 연구에 따르면, Nexo의 오탐지는 원래 내부 시스템보다 93% 감소했으며, 현재 57%의 경고 검토가 AI에 의해 자동으로 완료되고 있으며, 목표는 80%로 높이는 것입니다. 이 숫자는 괄호를 쳐야 합니다: 공급업체와 고객이 공동으로 발표한 사례에서 나온 것이며, 독립적인 감사 결과가 아닙니다; Unit21은 각 조사에서 소모된 토큰 수를 공개하지 않았습니다.

그러나 이 사례는 AI가 AML에서 무엇을 할 수 있는지를 명확히 보여줍니다: 기계가 자료를 모으고, 관계를 그리며, 내러티브를 작성합니다; 사람은 그것이 정말로 의심스러운지, 그리고 규제 기관에 보고해야 하는지를 판단합니다.

고객은 단 한 마디를 물었습니다: "내 돈은 어디에 있나요?"

결제 회사의 고객 서비스는 가끔 "비밀번호를 변경해 주세요"만큼 간단하지 않습니다. 고객이 "왜 돈이 아직 입금되지 않았나요?"라고 질문하면, 그 뒤에는 수취은행, 카드 조직, 발급은행, 통화 변환, 정산 주기, 환불 상태 및 계좌 제한이 관련될 수 있습니다. 고객 서비스는 여러 시스템에서 확인하고, 찾아낸 정보를 조합하여야만 사람처럼 대답할 수 있습니다.

AI 에이전트도 이 일을 수행하기 위해 같은 과정을 거쳐야 합니다: 먼저 문제를 이해하고, 거래를 조회하고, 규칙을 검색하고, 다음 단계를 판단한 후, 응답을 생성합니다. 시스템을 한 번 조회할 때마다 결과는 다시 모델로 전달되며, 토큰은 이렇게 한 바퀴 한 바퀴 소모됩니다.

Checkout.com에 따르면, 약 60%의 고객 서비스 요청은 간단하고 반복적인 문제이며, 회사는 2026년까지 AI 에이전트가 고객 서비스의 절반 이상을 독립적으로 해결할 수 있을 것으로 예상하고 있습니다. Block은 Cash App의 약 65%의 고객 사례가 이미 AI를 사용하고 있다고 밝혔습니다. Klarna의 수치는 더 직접적입니다: 그들의 AI 어시스턴트는 2024년 상반기에 400만 명 이상의 고객에게 서비스를 제공했으며, 회사는 매년 4천만 달러를 절약할 수 있을 것으로 예상하고 있습니다.

고객 서비스에서 토큰 사용량은 계산하기 어렵지 않습니다. 예전에는 몇 명이 몇 개의 작업을 처리했는지, 지금은 몇 개의 토큰으로 몇 개의 작업을 처리했는지, 마지막에 인력으로 전환되었는지, 고객이 다시 열었는지 모두 계산할 수 있습니다.

거부 및 분쟁 처리도 마찬가지입니다. Stripe는 금융 파트너로부터 대량의 자동 이메일을 받으며, 과거에는 직원이 하나하나 확인하고 시스템에 들어가 처리해야 했습니다. 이제 LLM은 먼저 이메일을 읽고, 상대방이 원하는 것을 이해한 후, 요구 사항을 API 호출로 변환할 수 있습니다. Checkout.com은 과거에 수작업으로 완료했던 거부 거래 분배가 100% 자동화되었다고 밝혔습니다.

이러한 작업은 "AI가 금융을 변화시킨다"는 것만큼 거창하게 들리지 않지만, 시간 소모가 크고 토큰 소모에 적합합니다.

AI가 당신의 보유 자산을 보며 이야기하기 시작할 때

앞서 언급한 AI는 고객이 대부분 볼 수 없습니다. 그들은 코드, 검토 및 고객 서비스 시스템 뒤에서 작업하고 있습니다. Robinhood Cortex는 다릅니다. 그것은 투자자의 휴대폰에 직접 나타납니다.

사용자가 주식을 열면, Cortex는 실시간 시세, 긴급 뉴스, 애널리스트 보고서, 기술 지표 및 Robinhood 자체 데이터를 읽고, 일반인이 이해할 수 있는 언어로 설명합니다: 이 주식이 오늘 왜 오르고 있는지, 또는 왜 내리고 있는지. 또한 사용자의 보유 자산과 결합하여 이 뉴스가 자신의 계좌와 왜 관련이 있는지 알려줍니다.

Robinhood는 Cortex Digests가 2026년 1분기까지 거의 100만 명의 고객이 사용했다고 밝혔습니다. 다음 단계로, 사용자가 자연어로 주식 및 암호 자산을 사고팔고, 시장을 연구하고, 계좌 설정을 조정할 수 있도록 하기를 원합니다.

여기까지 오면, 토큰을 소모하는 것은 더 이상 회사 직원만이 아닙니다. 사용자가 질문할 때마다, Cortex가 뉴스를 읽고 연구 보고서를 읽을 때마다, 개인 보유 자산을 결합하여 다시 설명할 때마다, 문맥을 다시 처리해야 합니다.

진짜 문제는 AI가 사용자 대신 작업을 시작하면, 실수의 대가가 달라진다는 것입니다. 뉴스가 잘못 전달되면 사용자는 단순히 잘못된 정보를 받을 수 있지만; 주식을 잘못 사면 실제로 돈을 잃게 됩니다. 그래서 Robinhood는 Cortex에 경계선을 설정했습니다: 무엇을 볼 수 있고, 무엇을 말할 수 있으며, 어떤 작업은 반드시 사용자가 직접 확인해야 합니다.

연간 1조 토큰, AI 회사에서 어떤 수준인가?

먼저 Adyen을 살펴보면, 약 1,400명의 개발자가 연간 1조 토큰을 사용하며, 평균적으로 각 개인은 연간 7.1억을 사용합니다. 250일의 근무일로 계산하면, 하루에 약 286만 토큰을 사용하는 셈입니다. 이는 가끔 AI가 몇 줄의 코드를 보충하는 것이 아니라, 하루 종일 에이전트를 가동하여 작업하는 것입니다.

하지만 이 숫자를 AI 산업에 넣으면, 측정 단위가 금방 변합니다.

Manus의 제품이 출시된 지 몇 개월 만에 147조 토큰 이상을 처리했으며, 이는 Adyen의 147년 분량에 해당합니다. OpenRouter는 현재 한 달에 100조 토큰을 라우팅하고 있으며, 이는 매달 100개의 Adyen 연간 사용량에 해당합니다. 물론, 이들은 대량 고객을 대상으로 하는 플랫폼이므로 한 회사 내부의 엔지니어 팀과 직접 비교할 수는 없지만, 규모의 차이는 매우 직관적입니다.

더 일반적인 회사인 Prosus는 많은 전자상거래 및 인터넷 비즈니스를 보유하고 있으며, AI 에이전트가 4만 명의 직원, 500만 명의 파트너 및 10억 명의 사용자에게 서비스를 제공합니다. 그들은 한 달에 8.2조 토큰을 사용해야 하며, 이는 거의 매 4일마다 Adyen의 연간 사용량을 소진하는 것입니다. 지난 1년 동안 그들의 토큰 사용량은 52배 증가했습니다.

OpenAI는 연간 얼마나 많은 토큰을 소모하는지 명시하지 않았지만, 연구자들이 얼마나 많은 비용을 지출하는지 공개했습니다. 2026년 8월까지, 한 연구자가 하루에 사용하는 컴퓨팅 파워는 API 가격으로 환산했을 때, 중위수는 이미 600달러를 초과했습니다. 가장 많이 사용하는 10%는 하루에 7,000달러를 초과합니다. 연간 250일 근무를 기준으로 하면, 한 사람은 15만 달러를 사용하며, 중증 사용자라면 175만 달러에 달합니다.

Anthropic은 더 직접적입니다. 그들은 돈이 아니라 누가 더 오랫동안 일하는지를 계산합니다. 2026년 8월까지, 직원들이 관리하는 에이전트의 총 작업 시간은 인간의 6배에 달합니다. 대부분의 토큰은 소프트웨어 작성을 위해 사용되며, 결과적으로 평균 엔지니어의 코드 제출 속도는 6개월 만에 원래의 5배로 증가했습니다.

Manus도 비슷합니다. 공동 창립자 장타오는 회사가 한 달 동안 평균적으로 각 개인의 AI 비용이 1만 달러를 초과한 적이 있으며, 일부는 한 달에 7만에서 8만 달러를 썼다고 말했습니다. 여기에는 모든 것이 토큰 비용이 아니지만, 의미는 분명합니다: 그들은 더 이상 가끔 AI에게 질문하는 것이 아니라, 한 사람이 동시에 여러 에이전트를 데리고 작업하고 있습니다.

따라서 1조 토큰은 크다고 할 수 있지만, 작다고도 할 수 있습니다. AI 플랫폼과 비교하면, 그것은 단지 작은 부분에 불과합니다; 그러나 결제 회사에게는 이 1조가 약 1,400명의 개발자에게만 발생하며, 고객 서비스, 규제, 리스크 관리 및 고객을 위한 AI는 포함되지 않았습니다. 이렇게 보면, Adyen이 연간 10조 토큰을 준비하는 것은 과장된 것이 아닙니다.

토큰은 소모할 수 있지만, 계산은 해야 합니다.

1조 토큰은 고정 금액의 청구서와 같지 않으며, 서로 다른 모델의 가격은 100배 차이가 날 수 있습니다. 2026년 10월 28일 OpenAI가 발표한 표준 API 가격에 따르면, 1조 토큰 중 80%가 입력, 20%가 출력이라고 가정할 때: 만약 모두 GPT-6 Luna를 사용한다면, 이론적 비용은 약 18만 달러입니다; 만약 모두 GPT-6 Astra를 사용한다면, 이론적 비용은 약 1,800만 달러입니다.

Adyen은 실제로 많은 다른 모델을 사용했으며, 자체 추론 인프라, 의미 기반 라우팅 및 기업 가격이 있으며, 실제 청구서는 이렇게 간단하게 곱해지지 않습니다. 같은 1조 토큰이라도 매우 저렴할 수도 있고, 매우 비쌀 수도 있습니다. 많이 쓴다고 해서 잘 쓴다는 의미는 아닙니다.

토큰이 소진된 후, 회사는 몇 가지 매우 기본적인 질문에 답해야 합니다: 얼마나 많은 사고 없는 코드를 더 작성했는가? 얼마나 많은 정상 상인을 잘못 판단했는가? 얼마나 많은 고객 서비스 작업을 다시 인력으로 전환하지 않고 해결했는가? 거부 처리 시, 올바른 자료를 올바른 사람에게 전달했는가?

더 중요한 질문이 있습니다: AI가 어느 단계까지 할 수 있는가? 고객 서비스가 자료를 조회하는 것은 큰 리스크가 아니지만; 엔지니어가 코드를 작성하는 것을 도와주고, 테스트를 실행하고, 리뷰를 할 수 있습니다; 하지만 에이전트가 직접 자금을 이동시키고, 계좌를 동결하고, 상인을 거부하게 한다면, 실수의 대가는 완전히 달라집니다.

현재로서는 결제 회사가 매번 결제를 위해 대형 모델에 질문하지 않을 것입니다. 더 현실적인 분업은: 장부는 계속 기록하고, 규칙과 전용 모델은 거래를 판단하며, 대형 모델은 읽기, 코드 작성, 자료 조회 및 예외 처리를 담당하고, 사람은 오류가 발생했을 때 더 비싼 위치에 남아 있습니다.

돈은 흐르듯이, 토큰도 그렇습니다.

전체 내용 완료

이 글의 내용은 개인적인 관찰과 생각에 불과하며, 어떤 투자 또는 상업적 조언을 구성하지 않습니다. 독자는 자신의 이해와 정보 출처를 바탕으로 합리적으로 참고하시기 바랍니다.