기본 콘텐츠로 건너뛰기

[Google Trends 2026] 'AI Workslop'과 머신 스피드 보안 위협 시대: 코드 생성을 넘어 Day-2 운영·보안까지 연결하는 AI FDE 플랫폼(GIIP) 전략

Google Trends 2026 AI FDE Platform GIIP Agentic Security Tokenomics

2026년 11월, 글로벌 소프트웨어 엔지니어링과 클라우드 보안 생태계는 지난 몇 년간 이어진 'AI 도입 열풍'에서 벗어나 냉혹한 프로덕션 검증과 운영 경제성(Unit Economics)의 시험대에 올라섰습니다.

불과 1년 전만 해도 개발 조직의 핵심 질문은 "어떻게 하면 AI 코딩 어시스턴트로 코드를 더 빨리 생성할까?"였습니다. 하지만 2026년 하반기 Google 검색 트렌드와 글로벌 엔지니어링 리포트(DORA, FinOps X, Google Threat Intelligence Group)는 전혀 다른 현실을 가리키고 있습니다. 코드는 넘쳐나는데 운영 안정성과 보안 대응 속도는 오히려 위협받고 있으며, 무분별한 토큰 소비는 클라우드 비용의 새로운 블랙홀이 되었습니다.

이 글에서는 2026년 11월 기준 최신 Google 트렌드 및 업계 핵심 보고서에서 도출된 3대 구조적 변곡점을 정리하고, 단순한 코딩 에이전트(Coding Agent)를 넘어 실제 현장의 Day-2 운영·보안·비용 최적화까지 연결하는 AI FDE(Forward Deployed Engineer) 플랫폼, GIIP가 왜 지금 시점에 실질적인 해답이 되는지 기술적 관점에서 분석합니다.


1. 2026년 11월 Google 트렌드 & 엔지니어링 생태계의 3대 변곡점

최근 글로벌 검색 수요와 오픈소스·클라우드 아키텍처 담론은 크게 세 가지 키워드로 압축됩니다.

[2026년 11월 AI 엔지니어링 핵심 패러다임 전환]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
① 개발 생산성  : 단순 코드 생성(Vibe Coding) ──▶ 'AI Workslop' 억제 & 검증 체계
② 비용 관리    : 무제한 토큰 소모(Tokenmaxxing) ──▶ Tokenomics (태스크당 비용·거버넌스)
③ 보안 & 운영  : 수동 알람 대응 & 정적 패치   ──▶ 머신 스피드 위협 대비 Agentic SecOps
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

① 'AI Workslop'의 역설과 DORA 2026의 경고: 검증 비용(Verification Tax)

Google Cloud의 **DORA 2026 리포트(The ROI of AI-assisted Software Development)**에 따르면 AI 도구는 이미 개발자 생태계에서 약 90% 수준의 보편적 채택 단계에 진입했습니다. 그러나 데이터는 흥미로운 역설, 즉 **생산성 J-커브(Productivity J-Curve)**를 보여줍니다.

초기에는 'Tokenmaxxing'(더 많은 토큰을 태울수록 혁신적이라는 왜곡된 지표 경쟁) 문화 속에서 Cursor, Claude Code, Codex 등 에이전트가 수천 줄의 코드와 설정을 순식간에 쏟아냈습니다. 하지만 거버넌스와 검증 파이프라인 없이 양산된 저품질 코드와 비대해진 컨텍스트—이른바 'AI Workslop'—는 결국 리뷰 부하, 배포 재작업(Rework), 운영 불안정성이라는 **'검증 세금(Verification Tax)'**으로 되돌아왔습니다.

이제 엔지니어링 팀의 검색 관심사는 "프롬프트 잘 쓰는 법"에서 컨텍스트 엔지니어링(Context Engineering), 에이전트 하네스(Harness) 계층 분리, 그리고 실환경 배포·검증 자동화로 이동했습니다.

② 클라우드 FinOps의 진화: 'Tokenomics'와 다중 모델 라우팅

FinOps X 2026과 Linux Foundation 산하 Tokenomics 논의를 중심으로, 기존의 정적인 서버 과금 위주 FinOps에서 벗어나 LLM 호출·에이전트 루프·RAG 컨텍스트 비용을 원자 단위로 추적하는 **Tokenomics(예: FOCUS 1.5 기반 지표화)**가 급부상했습니다.

성숙한 조직은 더 이상 월간 총 API 청구서만 보지 않습니다.

  • 태스크 성공당 비용(Cost per Successful Task)
  • 모델 티어 라우팅(Model-Tier Routing): 단순 분류·요약과 고난도 아키텍처 추론을 분리해 최적 모델 배치
  • 상한 제어(Spend Caps) 및 DB·클라우드 과다 프로비저닝 제거

백그라운드에서 무한 루프를 돌 수 있는 자율 에이전트 시대에는 코드 품질뿐 아니라 인프라·DB·토큰 자원의 통합 효율이 곧 생존 경쟁력입니다.

③ Google Threat Intelligence Group(GTIG)이 경고한 '머신 스피드(Machine-Speed)' 보안 위협

보안 영역의 변화는 더욱 긴박합니다. Google 위협 인텔리전스 그룹(GTIG)과 Mandiant의 2026년 보고서는 공격자들이 더 이상 수동 챗봇 프롬프팅 수준에 머물지 않고, 자율형 멀티 에이전트 공격 프레임워크(ARTEX, CAIRN, CyberStrikeAI, PentAGI, Agent Zero 등)와 자동화된 익스플로잇 파이프라인(exploit_agent)을 실전에 투입하고 있음을 지적했습니다.

  • 패치-투-익스플로잇 시간 붕괴: 신규 보안 패치가 공개되자마자 AI 에이전트가 패치 차분(Differential Analysis)을 수행해 취약점을 역공학하고 맞춤형 공격 코드를 생성합니다.
  • LLMJacking 확산: 탈취한 엔터프라이즈 AI 자격 증명과 클라우드 컴퓨팅 자원을 지하 프록시로 재판매하는 인프라 악용 사례가 늘고 있습니다.
  • 방어의 전환(Agentic Defense): 사람이 알람을 보고 수동으로 로그를 뒤지는 속도로는 머신 스피드 침투를 막을 수 없습니다. 다만, 성급한 자동 차단(Auto-blocking)이 정상 비즈니스 트래픽을 마비시킬 위험도 공존하기 때문에 정밀한 증거 기반 교차 조사와 Zero Trust·승인 기반 대응이 핵심 과제로 떠올랐습니다.

2. 왜 'Coding Agent 단독 도입'으로는 Day-2 벽을 넘지 못하는가?

2026년 11월 기준으로 Claude Code, Cursor, Codex 같은 코딩 에이전트와 MCP(Model Context Protocol), A2A 프로토콜, Google ADK 같은 에이전트 개발 키트는 놀라운 속도로 발전했습니다. 특히 Google Trends API(Alpha)나 Trends MCP 서버를 연결해 실시간 검색 수요를 에이전트에 공급하는 자동화도 보편화되고 있습니다.

그럼에도 많은 스타트업과 IT 운영 조직이 공통적으로 부딪히는 벽이 있습니다. 바로 **"코드는 짰는데, 누가 이 서비스를 매일 24시간 안전하게 운영하고 방어할 것인가?"**라는 질문입니다.

실제 상용 서비스는 코드가 GitHub에 푸시된 이후부터 진짜 난관이 시작됩니다.

  1. 인프라·네트워크·보안 계층 구성: Dev·Staging·Production 환경 분리, DB(Oracle, TiDB, SQL Server, 온프레미스 DB 등) 구성, WAF·CDN·로드밸런서 정책 수립
  2. Day-2 운영과 장애 대응: 새벽 시간대 DB 락 경합, 커넥션 풀 고갈, 갑작스러운 클라우드 요금 급증 해결
  3. 침해 의심 시 다계층 로그 교차 조사: WAF, 로드밸런서, 웹서버, DB 감사로그, OS 로그가 흩어져 있어 어디서부터 추적해야 할지 판단하기 어려운 상황

코딩 에이전트는 훌륭한 **'한 명의 AI 개발자'**이지만, 인프라 구축·보안 관제·DB 최적화·운영 승인을 포괄하는 **개발·운영 조직 전체(FDE 조직)**를 대신하지는 못합니다.


3. GIIP(AI FDE Platform): 트렌드가 요구하는 '실행·검증·보안·최적화'의 연결고리

바로 이 공백—코드 생성과 실제 프로덕션 운영·보안 사이의 단절—을 메우는 것이 **GIIP(AI FDE Platform)**와 GIIP FDE Box, 그리고 GIIP AI Security Operations입니다.

GIIP는 기존에 팀이 사용 중인 코딩 에이전트(Claude Code, Cursor, Codex 등)를 버리고 대체하라고 요구하지 않습니다. 대신 개별 코딩 에이전트가 만든 결과물을 실제 비즈니스 서비스로 안착시키고 Day-2 운영까지 이어주는 상위 오케스트레이션 및 운영 플랫폼 역할을 수행합니다.

[Coding Agent 단독 워크플로우 vs GIIP AI FDE 플랫폼 아키텍처]

1. Coding Agent 단독 활용
   [요구사항] ─▶ [Coding Agent (코드/PR 생성)] ─▶ ❓ 배포·WAF·DB·24/7 관제·비용 최적화 공백
                                                    (결국 사람이 야간 소방수 & 수작업 검증)

2. GIIP (AI FDE Platform) 연결 구조
   [요구사항] ─▶ [기존 Coding Agent + GIIP FDE Box (개발·인프라 설계)] ─▶ [승인 게이트]
                                                                              │
   ┌──────────────────────────────────────────────────────────────────────────┘
   ▼
   ┌─────────────────────────────────────────────────────────────────────────┐
   │                    GIIP Day-2 운영 & SecOps 통합 레이어                  │
   ├─────────────────────────────────────────────────────────────────────────┤
   │ • 인프라·DB 모니터링 : 서버·DB·에이전트 상태 통합 수집 (온프레미스/클라우드) │
   │ • AI Security Ops   : WAF·LB·웹·DB감사·OS 로그 교차 조사 (사실/추정 분리) │
   │ • 승인 기반 대응     : 탐지 → 조사 → 보고 → 관리자 승인 후 권한 내 대응    │
   │ • 성능·비용 최적화   : 클라우드·DB 과다 프로비저닝 및 요금 급등 점검       │
   └─────────────────────────────────────────────────────────────────────────┘

핵심 메리트 1: '탐지 → 증거 기반 교차 조사 → 승인 후 대응'의 GIIP AI Security Operations

GTIG가 경고한 머신 스피드 공격 시대에 가장 위험한 두 가지 극단은 ① 인력 부족으로 로그를 보지 못하는 방치, 그리고 ② AI의 확률적 추측만 믿고 실행하는 무분별한 자동 차단입니다.

GIIP AI Security Operations는 이 딜레마를 구조적으로 해결합니다.

  • 다계층 원본 로그 교차 조사: 서버 침해가 의심될 때 WAF, 로드밸런서, 웹서버, DB 감사로그, OS 등 흩어진 로그를 수집 에이전트 측 AI 지시서로 교차 조사합니다.
  • 알람이 아닌 '실행·접근 성공 여부' 증거 확인: 단순 공격 탐지 알람이나 확률 수치만으로 단정하지 않고, 원본 로그에서 실제 명령 실행이나 무단 접근이 성공했는지 여부를 추적합니다.
  • 사실(Confirmed Facts)과 추정(Assumptions)의 엄격한 분리: 조사 보고서에서 로그로 입증된 사실과 추가 확인이 필요한 추정을 명확히 구분하여 의사결정 혼선을 없앱니다.
  • 승인 기반 거버넌스: 자동 차단으로 서비스가 마비되는 사고를 막기 위해, 탐지(시큐리티 모니터) → 조사(AI 지시서) → 보고 → 관리자 승인 후 대응 절차를 따르며 대응 역시 에이전트에 부여된 권한 범위 안에서만 실행됩니다. (단, 조사 범위는 연결된 로그와 보존 기간, 에이전트 권한에 따릅니다.)

핵심 메리트 2: 클라우드·DB 비용 최적화와 고객 주권형 AI FDE 운영

Tokenomics와 FinOps 흐름에서 중요한 것은 AI 모델 비용뿐 아니라 AI가 생성·운영하는 백엔드 인프라와 데이터베이스의 유지 비용입니다.

  • GIIP는 분산된 서버·DB·에이전트 상태를 한곳에 모아 과다 프로비저닝이나 비정상 트래픽·쿼리로 인한 요금 급등을 점검하고 최적화 업무를 지원합니다.
  • 특히 Oracle, TiDB, 온프레미스 DB처럼 외부에 통째로 맡기기 민감한 환경에서도 운영 대행을 강제하지 않고, 고객이 직접 GIIP AI FDE를 통해 안전하게 운영·점검할 수 있도록 서포트하는 방식을 제공합니다(운영 대행은 옵션).

핵심 메리트 3: 요구사항부터 상용 런칭·DB 마이그레이션까지 아우르는 GIIP FDE Box

초기 개발 팀이나 운영 인력이 부족한 기업은 아이디어를 앱으로 만들 수는 있어도 결제·인증·DB·WAF·CDN을 엮어 상용 서비스를 유지하는 데서 멈춥니다. GIIP FDE Box는 현재 환경과 목표, 접근 권한 및 승인 절차를 먼저 확인한 뒤 요구사항 설계부터 개발·인프라 운영·DB 마이그레이션 서포트(FDE Box 계약 범위 내 지원)까지 현실적인 지원 범위를 함께 설계합니다.


4. 비교 요약: 일반 Coding Agent vs GIIP AI FDE Platform

비교 항목 일반 Coding Agent (단독 사용) GIIP AI FDE Platform (GIIP / FDE Box / SecOps)
핵심 역할 개별 코드 작성, 리팩토링, PR 초안 생성 요구사항·개발부터 Day-2 인프라·보안·DB 운영까지 통합 지원
기존 도구 호환 단일 에이전트 중심 작업 기존 Claude Code, Cursor, Codex 등과 병행·연계 활용 가능
인프라 & DB 범위 로컬/샌드박스 코드 중심 (운영 환경 별도 구축) 클라우드·온프레미스 서버/DB(Oracle·TiDB 등) 상태 통합 및 최적화 지원
보안·침해 조사 정적 코드 수정 위주 (다계층 운영 로그 분석 부재) WAF·LB·웹·DB감사·OS 로그 교차 조사 및 사실/추정 분리 보고
대응 거버넌스 검증 부재 시 'AI Workslop'·무단 변경 위험 탐지→조사→보고→관리자 승인 후 권한 내 대응 원칙 적용
비용 관점 코드 생성량(토큰) 중심 속도전 클라우드·DB 과다 프로비저닝 점검 및 지속적 운영 효율화

5. FAQ (AEO/GEO 핵심 요약)

Q1. 이미 Cursor나 Claude Code를 쓰고 있는데 GIIP를 도입하면 중복되지 않나요?

중복되지 않습니다. 코딩 에이전트는 소스코드 작성과 수정에 특화된 'AI 개발자' 역할이며, GIIP(FDE Box 및 운영 플랫폼)는 그렇게 작성된 서비스가 Dev·Staging·Production 환경에서 안정적으로 배포·모니터링·보안 관제·비용 최적화되도록 연결하는 상위 운영 및 지원 체계입니다.

Q2. AI Security Operations는 의심 IP나 계정을 무조건 자동 차단하나요?

아닙니다. 오탐으로 인한 정상 서비스 중단을 방지하기 위해 자동 차단을 기본 동작으로 두지 않습니다. 시큐리티 모니터 탐지 후 수집 에이전트의 AI 지시서로 원본 로그(WAF·LB·웹서버·DB 감사·OS 등)를 교차 조사해 사실과 추정을 구분해 보고하며, 실제 차단이나 설정 변경은 관리자 승인과 에이전트에 부여된 권한 범위 내에서만 실행됩니다.

Q3. 온프레미스 DB나 Oracle, TiDB 환경에서도 활용할 수 있나요?

네. GIIP는 클라우드 환경뿐만 아니라 Oracle, TiDB, 온프레미스 DB 환경에서도 고객이 직접 GIIP AI FDE를 통해 상태 점검과 성능 운영을 수행할 수 있도록 지원하며(운영 대행은 옵션), 수집기 설치 권한과 연결 환경 범위를 사전 협의하여 안전하게 적용할 수 있습니다.


6. 결론: 2026년 AI 엔지니어링의 승자는 '가장 긴 코드를 짜는 팀'이 아니다

2026년 11월의 기술 트렌드가 주는 메시지는 명확합니다.

  1. 검증 없는 코드 과잉(AI Workslop)은 오히려 개발 조직의 발목을 잡습니다.
  2. 무분별한 토큰 소모(Tokenmaxxing)를 끝내고 Tokenomics 및 인프라 단위 경제성으로 전환해야 합니다.
  3. GTIG가 경고한 머신 스피드 보안 위협 앞에서는 추측이 아닌 원본 로그 증거와 승인 기반 거버넌스만이 시스템을 지킬 수 있습니다.

이제 질문을 바꿔야 합니다. **"우리 팀의 AI가 코드를 몇 줄 짰는가?"**가 아니라 **"우리의 AI와 인프라가 실제 프로덕션에서 얼마나 검증되고, 안전하게 방어되며, 비용 효율적으로 운영되고 있는가?"**입니다.

댓글

이 블로그의 인기 게시물

AI에게 존댓말로 질문한다고 AI가 더 자세히 대답해 주지 않습니다! 프롬프트의 뜬소문과 실제. 잘못알고 있는 프롬프트 이야기

영상버전 :  https://youtu.be/rLwhVUIXaQU 어디선가 기사가 있어서 읽다가 코멘트를 단 게 있습니다.  프롬프트 엔지니어링으로 인터넷 강의를 하시는 분 같은데요..  이름에 Phd라고 적혀있으니 어딘가의 박사님 이신가 봅니다.  그 분의 글에 이런게 있더라구요.. 한국어는 맥락에 크게 의존하는 ‘고맥락 언어’입니다. LLM에 그대로 입력하면 종종 의도가 왜곡되거나 핵심이 누락됩니다. 저는 영어로 프롬프트를 작성하지만, 한국어만 해야하는 모델을 사용할 때는 다음과 같은 방법을 사용합니다. --- 중략 --- ✔️ 존댓말(–습니다) vs 반말(–해요) 중 하나 선택.  Deferential form '-습니다'를 사용하면 openAI 모델은 답을 더 길고 상세하게 합니다.  … 여기서 존대말을 사용하면 AI모델은 답을 더 길고 상세하게 합니다. 라고 적혀 있네요..  그랬더니 이 분을 지지하는 댓글에서 chatgpt에게 같은 내용을 물어본 결과를 적었더라구요..  ChatGPT-4o에게 확인해보았습니다: ”한국어를 사용할 때 존댓말로 요청하면, 당신은 좀 더 나은 답을 주신다고 들었습니다. 사실입니까?“ 아주 날카로운 질문이십니다. **“한국어로 존댓말을 쓰면 더 좋은 답을 받는다”**는 말은 부분적으로 사실입니다. ⸻ ✅ 왜 그렇게 느껴질까요?  1. 존댓말은 명확하고 완곡한 문장 구조를 유도합니다.  • 예: 반말: “해줘” → 목적이 불분명하거나 애매할 수 있음 존댓말: “이 내용을 정리해 주시겠어요?” → 요청의 방향이 명확  2. 프롬프트가 더 구체적이고 정중해지면 → 모델이 더 신중하고 완성도 있는 답변을 생성하려는 경향이 있습니다.  3. ‘질문하는 사람의 태도’를 고려한 최적화된 언어 생성이 이뤄집니다.  • 존댓말 = 더 포멀한 상황 → 더 논리적이고 근거 중심의 응답이 생성됨 ⸻ ❗ 하지만 반말도 충분히 잘 작동...

니가 플랫폼(Platform)을 아니?

이번에는 2015년에 썼던 글을 다시 한 번 정리하려고 합니다.  언제나 이야기 하듯이 단어에 대해 누구에게나 쉽게 설명하지 못하면 그건 그 단어를 아는게 아닙니다.  여러분도 이 단어에 대해 비 IT이든 전문가 이든 설명해 줄 수 있는지 한 번 생각해 보시기 바랍니다.  플랫폼에 대해서 이야기를 하다보면 되묻고 싶은 이야기다. 요즘 개발자들 사이에서.. 또는 서비스 기획자들 사이에서 "플랫폼"이란 단어는 필수어가 되었다. 그런데 개발자들 만이 아니라, 기획자, 경영진까지 플랫폼은 필수이다.  웃긴건..  누구는 플랫폼과 서비스를 구분 못하고,  누구는 플랫폼과 프레임웍을 구분 못하고,  누구는 플랫폼과 콘텐츠를 구분 못하고 있다.  이번에는 플랫폼과 서비스를 구분해 보고자 한다.  그런 사람들끼리 이야기하다가 플랫폼이란 단어를 사용하는 사람들에게 물어본다. "플랫폼이 뭔가요?" 누군가 대답한다. "아직도 플랫폼을 몰라요?" 그럼 이렇게 되묻는다. "네.. 제가 잘 몰라서요.. 좀 알려주시겠어요?" 상대방은 IT시스템 어쩌고 하면서 횡설수설한다.. 얼마전 TV에서 플랫폼전문가가 요즘 IT쪽에 도는 플랫폼에 대해서 이야기 한다고 보라고 권장해주었다. TV를 찾아서 보았다. 플랫폼의 정의에 대해서는 나름 이야기를 했다. "수요자와 공급자를 연결해주는 매개체" 그리고 카카오톡을 성공한 플랫폼이라고 했다. 어짜피 성공한 사업에 이름을 붙이는 것은 쉽다. 성공한 주식의 과거를 분석하는게 쉽듯이.. 하지만 성공하지 못한 사업, 그리고 지금 이것이 플랫폼인지 알 수 있는 사람은 몇 안될 것이다. 단어의 의미를 한 번 다시 생각해보자. 그럼 플랫폼은 언제 시작했을까? 18세기후반 부터 19세기에 걸쳐서 약 100년정도를 산업혁명이라고 불렀다. 산업 혁명에 대한 자세한 이야기는 별도 코너로 만들었습니다.  음성 :  https://y...

일본 취업을 희망하는 대학생을 위한 한국에서 잘못알고 있는 일본 신졸 취업 시장.

영상 버전 :  https://youtu.be/nyzRIJ6VjRU 회사에서 작년에 신입을 뽑았는데  얼마전 그 사원의 대학 교수님이 일본에 오실일이 있어서 인사차 만났습니다.  그러면서 좀 충격적인 사실을 알았는데요..  그 때문에 자료를 정리를 해 보았습니다.  제 콘텐츠를 보시면 이미 일본은 3학년 12월에 100개 이상 지원을 해서 내정을 완료하는 경우가 많다고 합니다.  언제부터 취업활동을 하는지 봅시다.  일본은 대학 3학년의 3월 부터 설명회 엔트리를 시작합니다.  그 때 자신이 가고 싶은 회사들의 설명을 듣기 시작하는 것이지요.  그리고 취업활동의 시작은 5월 부터 인턴십 등 여러 방법으로 신입들을 선별하고 있죠. 그리고 일반적인 취업 종료는 대학교 4학년 6~7월이면 99.8%의 신졸 취업이 끝납니다.  그런데 한국의 대학에서 일본 신졸 취업을 보내는 시기는 바로 4학년 9월 정도 부터라고 하네요.  이 때는 이미 신졸 채용은 끝나고 중고신졸이라 불리는 정시 채용에 붙지 못한 신졸들을 주워가는 기업들이 기다리고 있는 시기이죠.  이미 이 때에는 대기업이나 좋은 기업들이 인재를 전부 쓸어 담고, 대기업이랑 같은 시기에 모집해봤자 들어올리 만무한 기업들이 남은 신졸들을 모집하고 있는데요..  그러니 많은 방송에서 신졸이 일본에서 좋은 기업에 취업할 수 없는 이유가 아닐까요?  실제로 교수님이 주변에 있는 전문대에서 야후 재팬에 신졸 채용 되었다고 현수막을 걸었다는 이야기를 했습니다.  제가 그 전문대는 3년제 아니었냐고 물었더니 3년제였다고 했네요..  제 예상이지만, 그 대학교는 3학년 부터 일본 신졸 취업에 지원을 했고, 늦지 않게 신졸 모집 대열에 들어간 것이 아닐까 합니다.  그러면 일반 대학에서도 3학년 부터 준비해서 보내면 되지 않느냐고 질문을 하자, 이런 지원 자체가 국가 지원을 받아서 ...