작성자 Abu Taleb
수정 2026년 9월 02일
16 분 읽기
AI 채용 시장은 더 이상 일부 연구소나 빅테크만의 이야기가 아닙니다. 국내에서도 IT 서비스, 제조, 금융, 이커머스, 헬스케어, 게임, 로보틱스, 물류까지 거의 모든 산업이 인공지능 인력을 찾고 있습니다. 다만 구직자 입장에서는 오히려 더 헷갈립니다. 머신러닝 엔지니어와 AI 엔지니어는 뭐가 다른지, 데이터 사이언티스트는 분석 직무인지 모델링 직무인지, LLM 엔지니어는 신입도 지원 가능한지, 회사마다 기준이 제각각이기 때문입니다.
문제는 직무명이 아니라 실제 업무입니다. 기업은 막연한 의미의 “AI 인재”를 채용하지 않습니다. 추천 시스템을 운영 환경에 올릴 사람, 수요 예측 정확도를 높일 사람, 검색 품질을 개선할 사람, 문서 자동화 시스템을 만들 사람, 모델 성능을 모니터링할 사람을 뽑습니다. 현업에서는 이 차이가 아주 큽니다. 같은 AI 채용 공고라도 어떤 곳은 백엔드 엔지니어에 가깝고, 어떤 곳은 실험 설계와 통계 해석 능력을 더 중시합니다.
이 글은 그 혼란을 줄이기 위해 썼습니다. 주요 AI 직무를 역할별로 나누고, 경력 수준에 따라 기업이 무엇을 기대하는지, 연봉은 어느 정도 형성되는지, 원격근무와 채용 트렌드는 어떤지, 실제로 합격률을 높이려면 무엇을 준비해야 하는지까지 현실적으로 정리하겠습니다. 화려한 키워드보다 실무 관점에 집중하겠습니다. 취업은 결국 보여줄 수 있는 성과와 문제 해결력으로 결정되니까요.
직무명에 AI가 들어간다고 다 기술 중심 역할은 아닙니다. 반대로 직무명에 AI가 없어도 실제로는 인공지능 핵심 업무를 하는 경우도 많습니다. 특히 국내 채용 공고는 명칭이 통일되어 있지 않아서, 데이터 직군, 소프트웨어 직군, 연구 직군, 프로덕트 직군으로 흩어져 올라오는 경우가 흔합니다.
대표적으로 많이 보이는 직무는 아래와 같습니다.
미국 노동통계국 BLS에 따르면 데이터 사이언티스트는 2025년부터 2035년까지 35% 성장, 컴퓨터 및 정보 연구 과학자는 같은 기간 22% 성장할 것으로 전망됩니다. 국내 통계는 분류 체계가 더 흩어져 있지만, 채용 플랫폼과 대기업 공고 흐름을 보면 AI 관련 수요가 일시적 유행으로 끝날 가능성은 낮습니다. 특히 생성형 AI 도입 이후에는 “모델을 직접 연구하는 사람”보다 “비즈니스에 붙여서 운영 가능한 시스템으로 만드는 사람” 수요가 눈에 띄게 늘었습니다.
기업이 돈을 쓰는 이유는 분명합니다. 매출을 올리거나, 비용을 줄이거나, 업무 시간을 단축하거나, 제품 경험을 개선하는 AI가 필요해서입니다. 멋진 데모만으로는 부족합니다. 현업에서 작동해야 합니다.
직무명이 비슷하다고 같은 직무는 아닙니다. 지원 전략도 달라야 합니다. 공고를 읽을 때는 “어떤 모델을 쓰는가”보다 “무엇을 책임지는가”를 먼저 봐야 합니다.
머신러닝 엔지니어는 AI 직무 중에서도 소프트웨어 엔지니어링 성격이 가장 강한 편입니다. 모델 학습 파이프라인을 만들고, 배포 코드를 작성하고, 추론 성능을 최적화하고, 장애를 모니터링합니다. 모델 성능이 1% 좋아지는 것보다 서비스에서 안정적으로 돌고, 지연 시간이 줄고, 재학습이 자동화되는 일이 더 중요할 때도 많습니다.
실무에서 자주 요구하는 역량은 Python, SQL, PyTorch 또는 TensorFlow, API 개발, Docker, Kubernetes, AWS나 GCP 같은 클라우드, 실험 추적과 모니터링입니다. 추천 시스템, 광고 최적화, 이상 탐지, 개인화, 수요 예측처럼 모델이 실제 제품 기능과 직접 연결되는 회사에서 특히 수요가 많습니다.
AI 엔지니어는 요즘 가장 범위가 넓은 직무명입니다. 어떤 회사에서는 머신러닝 엔지니어와 거의 같은 뜻으로 쓰고, 어떤 회사에서는 생성형 AI 기능 개발자에 가깝게 씁니다. 예를 들어 사내 문서 검색 챗봇, 상담 자동화, 요약 시스템, 코드 어시스턴트, RAG 기반 지식 검색, 모델 평가 파이프라인 구축 같은 일이 여기에 들어갑니다.
공고를 볼 때 “LLM 활용 경험” 한 줄만 보고 지원하면 낭패 보기 쉽습니다. 어떤 곳은 프롬프트 설계 수준을 원하지만, 다른 곳은 벡터 데이터베이스 구성, 평가 지표 설계, 비용 최적화, 가드레일 구축, 서비스 연동까지 기대합니다. 제목만 보고 판단하지 말고, JD의 기술 스택과 산출물을 꼭 확인해야 합니다.
데이터 사이언티스트는 분석, 실험, 의사결정 지원에 무게가 실리는 경우가 많습니다. 모델을 만들지 않는다는 뜻은 아닙니다. 다만 많은 조직에서 이 역할은 “예측 모델을 운영한다”보다 “데이터를 해석해 비즈니스 결정을 돕는다”에 더 가깝습니다. A/B 테스트 설계, KPI 정의, 고객 세분화, 이탈 예측, 매출 분석, 실험 결과 해석이 대표적입니다.
애널리스트 출신이 AI 쪽으로 확장할 때 가장 현실적인 경로이기도 합니다. 통계, SQL, Python, 시각화, 커뮤니케이션 능력이 강하다면 데이터 사이언스 포지션으로 진입한 뒤 점차 머신러닝 비중을 늘리는 방식이 효과적입니다. 신입에게도 비교적 문이 열려 있는 편이지만, 그만큼 지원자도 많습니다.
응용과학자는 연구와 제품 사이를 잇는 역할입니다. 논문을 그대로 따라 구현하는 수준을 넘어, 특정 도메인 문제에 맞게 모델을 실험하고 성능을 끌어올리는 데 강해야 합니다. 검색 랭킹, 광고 입찰, OCR 정확도 개선, 음성 인식, 개인화 모델 고도화 같은 분야에서 자주 보입니다.
머신러닝 엔지니어보다 알고리즘과 모델 품질에 더 깊게 들어가고, 리서치 사이언티스트보다는 제품 일정과 운영 현실을 더 가까이 봅니다. 수학적 배경, 실험 설계, 논문 이해도, 빠른 프로토타이핑 능력이 중요합니다. 석사 이상을 선호하는 곳이 많지만, 실무 성과가 뚜렷하면 학위가 절대 조건은 아닙니다.
리서치 사이언티스트는 가장 학술적인 성격의 직무입니다. 박사 학위, 논문 실적, 특정 분야의 깊은 연구 경험을 요구하는 경우가 많습니다. 대형 테크 기업, 연구소, 자율주행, 바이오 AI, 반도체 설계 자동화, 고난도 컴퓨터 비전 분야에서 주로 채용합니다.
솔직히 말하면 대부분의 구직자가 이 직무를 첫 목표로 잡을 필요는 없습니다. 진입 장벽이 높고 채용 인원도 제한적입니다. 연구가 정말 맞는 사람에게는 좋은 길이지만, 많은 지원자에게는 응용과학자나 머신러닝 엔지니어가 더 현실적입니다.
2023년 이후 가장 빠르게 늘어난 직군입니다. 언어 모델을 활용해 검색, 요약, 질의응답, 문서 분류, 상담 자동화, 계약서 분석, 지식베이스 응답 시스템을 만드는 역할이 많습니다. 국내에서는 금융사 콜센터 자동화, 법률 문서 분석, 커머스 상품 정보 표준화, 기업용 문서 검색 도입 프로젝트에서 수요가 늘었습니다.
필수 역량으로는 Python, Transformers, PyTorch, API 오케스트레이션, 벡터 검색, 평가 프레임워크, 프롬프트 설계, RAG 구조 이해가 자주 언급됩니다. 그런데 진짜 차이는 여기에 있습니다. 모델을 붙이는 능력보다 결과를 검증하는 능력이 더 중요합니다. 환각 현상, 민감정보 노출, 최신성 부족, 비용 폭증 문제를 다뤄본 경험이 있으면 강합니다.
이미지와 영상 데이터를 다루는 직무입니다. 객체 탐지, 분류, 세그멘테이션, OCR, 품질 검사, 의료 영상 분석, 매장 내 행동 인식, 공장 불량 판정, 자율주행 관련 인식 모델 등이 대표적입니다. 국내 제조업과 스마트팩토리 분야에서 꾸준히 채용이 나오는 편입니다.
이 직무는 데이터셋 품질이 성패를 좌우하는 경우가 많습니다. 그래서 단순히 모델 구조만 알면 부족하고, 라벨링 기준, 촬영 환경, 카메라 왜곡, 클래스 불균형, 실시간 추론 제약 같은 현장 이슈를 이해해야 합니다. 포트폴리오도 예쁜 데모보다 문제 정의와 오류 분석이 분명한 프로젝트가 더 먹힙니다.
MLOps 엔지니어는 AI 조직의 운영 체계를 만드는 사람입니다. 모델 학습 환경을 재현 가능하게 만들고, 배포 자동화와 버전 관리 체계를 세우고, 데이터 드리프트와 성능 저하를 모니터링합니다. 솔직히 이 역할은 화려해 보이진 않지만, 실제 회사에서는 없으면 큰일 나는 포지션입니다.
대규모 조직일수록 이 역할의 가치가 커집니다. 모델 수가 늘어나고, 팀이 나뉘고, 규제와 감사 대응이 필요해지면 수작업으로는 버틸 수 없기 때문입니다. Kubeflow, MLflow, Airflow, SageMaker, Vertex AI, Docker, Kubernetes, CI/CD, 관측 가능성 도구 경험이 있으면 강점이 됩니다.
코딩 중심 직무는 아니지만 AI 채용에서 매우 중요합니다. AI 프로덕트 매니저는 어떤 문제를 AI로 풀어야 하는지 정하고, 우선순위를 관리하고, 법무와 보안, 디자인, 엔지니어링 팀을 조율합니다. 모델 정확도가 아니라 사용자 가치와 사업 성과에 집중하는 역할입니다.
예를 들어 고객센터에 생성형 AI를 도입한다고 해봅시다. 이때 중요한 건 “최신 모델을 쓸 것인가”가 아니라 “응답 정확도 목표는 얼마인지, 사람 상담원에게 언제 넘길지, 잘못된 답변이 났을 때 책임 체계는 어떤지, 비용은 감당 가능한지” 같은 문제입니다. 이런 판단은 기술만 알아서는 못합니다. 제품 감각과 리스크 감각이 같이 있어야 합니다.
이 부분을 빼고 이야기하면 현실과 동떨어집니다. 신입에게 기대하는 것과 3년 차, 7년 차에게 기대하는 것은 완전히 다릅니다. 똑같은 포트폴리오도 누구에게는 훌륭하고 누구에게는 부족합니다.
완전한 의미의 신입 AI 채용은 생각보다 많지 않습니다. 특히 “모델 연구부터 운영까지 혼자 하는 AI 엔지니어” 같은 공고는 대부분 신입 대상이 아닙니다. 실제로는 주니어 데이터 사이언티스트, 분석가 겸 ML 업무, 주니어 머신러닝 엔지니어, AI QA, 프롬프트 평가 담당, 데이터 어노테이션 운영, ML 플랫폼 팀 소프트웨어 엔지니어 형태로 시작하는 경우가 더 많습니다.
신입에게 보통 요구하는 기준은 다음과 같습니다.
여기서 많은 지원자가 같은 실수를 합니다. 주말에 챗봇 데모 하나 만들고 “생성형 AI 프로젝트 완성”이라고 쓰는 겁니다. 면접관은 금방 압니다. 문제 정의가 빈약하고, 평가 기준이 없고, 실패 사례가 빠져 있으면 실무형 포트폴리오로 보기 어렵습니다. 차라리 작은 프로젝트라도 데이터 수집 이유, 전처리 기준, 모델 선택 이유, 성능 한계, 개선 방향을 명확히 정리한 쪽이 낫습니다.
국내 신입이라면 학부 연구생 경험, 캡스톤, 인턴, Kaggle 수상보다도 “협업한 흔적”이 있으면 강합니다. Git 이력, 문서화, 이슈 관리, 모델 재현 방법 정리가 의외로 큰 차이를 만듭니다.
채용 시장에서 가장 수요가 많은 구간입니다. 회사는 이 시기 인재에게 단순 보조가 아니라 독립적인 실행을 기대합니다. 문제를 정의하고, 데이터를 정리하고, 모델이나 방법론을 선택하고, 결과를 검증하고, 서비스나 의사결정으로 연결하는 능력이 필요합니다.
직무명으로는 머신러닝 엔지니어, AI 엔지니어, 데이터 사이언티스트 II, NLP 엔지니어, 컴퓨터 비전 엔지니어, MLOps 엔지니어가 많습니다. 이 단계에서는 “무엇을 공부했는가”보다 “무엇을 끝까지 만들어봤는가”가 훨씬 중요합니다. 예를 들어 추천 모델 오프라인 성능을 높인 것보다, 실제 클릭률을 3.2% 개선하거나 고객센터 처리 시간을 18% 줄였다는 식의 결과가 강력합니다.
미드레벨 면접에서는 이런 질문이 자주 나옵니다. 왜 그 지표를 선택했는지, 데이터 누락은 어떻게 처리했는지, 배포 이후 성능 저하는 어떻게 감지했는지, 비기술 조직과 어떤 갈등이 있었고 어떻게 풀었는지. 이 질문에 답이 막히면 실무 경험이 얕아 보입니다.
시니어부터는 개인 생산성만으로 평가받지 않습니다. 아키텍처 선택, 팀 기준 정립, 후배 멘토링, 우선순위 판단, 불확실한 상황에서의 의사결정 능력이 중요해집니다. 같은 모델링 실력이라도 팀 전체의 성과를 끌어올리는 사람이 더 높은 평가를 받습니다.
특히 이 시점에는 도메인 전문성이 큰 무기가 됩니다. 의료 AI에서 임상 워크플로를 이해하는 엔지니어, 금융권에서 이상거래 탐지의 규제 이슈를 아는 데이터 사이언티스트, 제조업에서 설비 데이터 특성을 아는 비전 엔지니어는 범용 실력만 가진 사람보다 훨씬 높은 가치를 인정받습니다. 국내 대기업과 중견기업도 이 차이를 크게 봅니다.
AI 디렉터, Head of ML, AI 리드, 데이터 총괄, Chief AI Officer 같은 포지션은 더 이상 개인의 모델링 능력이 핵심이 아닙니다. 조직 설계, 채용, 예산, 기술 스택 표준화, 보안과 윤리 체계, 벤더 선정, 경영진 커뮤니케이션이 훨씬 중요합니다.
현업에서 자주 보는 오해가 하나 있습니다. 제일 코딩 잘하는 사람이 리더가 되는 게 아니라는 점입니다. 리더는 투자 대비 효과를 설명할 수 있어야 하고, 기술 리스크를 사업 언어로 번역할 수 있어야 합니다. 이 능력은 경력 후반부로 갈수록 몸값에 직접 반영됩니다.
AI 연봉은 편차가 큽니다. 직무명보다 회사의 매출 구조, 산업 특성, 연구 난이도, 수익 기여도, 스톡옵션 여부가 더 크게 작용합니다. 같은 “AI 엔지니어”라도 스타트업, 대기업, 외국계, 원격 해외 채용의 보상 수준은 완전히 다를 수 있습니다.
국내 시장 기준으로 보면 대략 이런 흐름이 많습니다. 물론 절대값은 회사와 시점에 따라 달라집니다.
미국 시장은 숫자 자체가 더 큽니다. 공개 채용 공고 기준으로 보면 엔트리급 AI, ML 관련 직무는 기본급 8만5천 달러에서 12만5천 달러, 미드레벨은 12만5천 달러에서 18만 달러, 시니어는 17만 달러에서 24만 달러, 스태프나 프린시펄급은 22만 달러 이상도 흔합니다. 여기에 보너스와 RSU가 붙으면 총보상은 더 커집니다.
다만 한국에서 이 숫자만 보고 기대치를 잡으면 위험합니다. 국내는 현금 보상 비중이 높고, 스톡옵션 실현 가능성도 회사마다 편차가 큽니다. 반대로 해외 원격 포지션이나 외국계 한국 지사 채용은 영어와 협업 경험이 있으면 보상 점프가 생기기도 합니다. 연봉 협상에서는 “시장 평균”보다 “내가 만든 성과의 금액 가치”를 말하는 쪽이 훨씬 유리합니다.
한때 AI 직군은 완전 원격에 유리하다는 인식이 강했습니다. 지금은 조금 다릅니다. 여전히 소프트웨어 기반 AI 역할은 원격 친화적인 편이지만, 회사들이 다시 하이브리드로 돌아오면서 완전 원격 공고는 줄었습니다. 특히 보안 이슈가 큰 금융, 헬스케어, 국방, 대기업 내부 시스템 프로젝트는 출근 비율이 높습니다.
반면 SaaS, 개발자 도구, 글로벌 스타트업, 오픈소스 친화 조직은 여전히 원격 인력을 적극적으로 씁니다. LLM 애플리케이션, 데이터 플랫폼, MLOps, 백엔드 연계 역할은 원격 적합도가 높습니다. 제조 현장과 밀접한 컴퓨터 비전, 로보틱스, 센서 데이터 기반 역할은 현장 방문이나 출근 빈도가 높을 수밖에 없습니다.
원격근무를 원한다면 기술 스택만 강조해서는 부족합니다. 비동기 커뮤니케이션 능력, 문서화 습관, 영어 협업 능력, 시차 대응 경험이 중요합니다. 실제로 원격 환경에서는 말 잘하는 사람보다 글로 명확히 정리하는 사람이 더 강합니다.
좋은 회사일수록 면접에서 화려한 용어보다 기본기를 확인합니다. 실무자 입장에서 보면 채용 포인트는 꽤 단순합니다. 이 사람이 우리 문제를 이해하고, 끝까지 해결하고, 결과를 설명할 수 있느냐입니다.
평가 항목은 대체로 아래에 모입니다.
생성형 AI 채용에서는 평가 기준이 하나 더 붙습니다. 모델을 잘 붙였는가가 아니라, 잘못된 출력이 나왔을 때 어떻게 통제하는가입니다. 프롬프트만 많이 만져본 사람보다 평가셋을 만들고, 기준 응답을 설계하고, 실패 유형을 분류해본 사람이 훨씬 신뢰를 얻습니다.
AI 직무 지원자 포트폴리오의 가장 큰 문제는 대부분 비슷하다는 점입니다. 타이타닉 생존 예측, 영화 리뷰 감성 분류, 챗GPT API 붙인 챗봇, Kaggle 따라 하기. 나쁘진 않지만, 합격을 밀어주는 재료가 되기엔 약합니다.
강한 포트폴리오는 세 가지가 다릅니다. 문제 선택, 평가 방식, 마무리 수준입니다.
회사 업무와 연결되는 문제를 잡아야 합니다. 예를 들어 이커머스 지원자라면 상품 카테고리 정제, 검색어 자동 보정, 리뷰 요약, 수요 예측이 더 설득력 있습니다. 제조 쪽이라면 불량 탐지, OCR, 설비 이상 탐지가 좋습니다. 금융권을 노린다면 문서 분류, 이상 탐지, 고객 이탈 예측, 상담 요약이 자연스럽습니다.
정확도 하나만 적어두면 부족합니다. 어떤 기준 데이터를 만들었는지, 왜 그 지표를 골랐는지, 베이스라인 대비 얼마나 개선했는지, 실패 사례는 무엇인지가 있어야 합니다. LLM 프로젝트라면 정답성, 근거 포함 여부, 응답 일관성, 비용, 지연 시간 중 무엇을 봤는지 설명해야 합니다.
코드가 돌아가는 것만으로는 부족합니다. README, 아키텍처 설명, 재현 방법, 기술 선택 이유, 추후 개선안까지 정리해야 합니다. 가능하면 간단한 데모 화면이나 API 문서도 있으면 좋습니다. 채용 담당자는 시간을 아끼고 싶어 합니다. 5분 안에 이해되는 포트폴리오가 강합니다.
실제로 면접관에게 좋은 반응을 얻는 프로젝트 예시는 이런 형태입니다. “사내 문서 검색을 가정한 RAG 시스템 구축, 1만 건 문서 인덱싱, 200문항 평가셋 제작, top-3 검색 정확도 61%에서 79% 개선, 응답 평균 지연 4.2초에서 1.8초로 단축.” 숫자가 있으면 이야기가 쉬워집니다.
AI 채용 면접은 보통 3단계에서 5단계입니다. 서류, 과제나 코딩 테스트, 실무 면접, 컬처핏 또는 임원 면접 순서가 많습니다. 연구직이나 시니어 포지션은 논문 발표나 기술 세미나가 추가되기도 합니다.
서류에서는 직무 맞춤형 이력서가 기본입니다. 모델 이름을 잔뜩 적기보다, 무엇을 개선했고 어떤 수치가 나왔는지 적으세요. “PyTorch 사용”보다 “실시간 추론 API 구축, 평균 응답 시간 35% 개선”이 낫습니다.
과제 전형에서는 완벽한 모델보다 사고 과정이 중요합니다. 데이터 탐색, 가설 설정, 기준 모델, 성능 해석, 한계 인식이 보여야 합니다. 제출 시간이 짧을수록 더 그렇습니다. 회사는 천재를 찾기보다, 제한된 시간에 합리적으로 판단하는 사람을 찾습니다.
실무 면접에서는 아래 질문을 준비해두면 좋습니다.
대답할 때는 STAR 형식처럼 구조화하는 게 좋지만, 너무 교과서적으로 읽히면 안 됩니다. 상황, 선택, 결과, 배운 점을 짧고 명확하게 말하는 연습이 필요합니다. 특히 실패 경험은 숨기지 말고, 어떤 기준으로 의사결정을 수정했는지를 보여주는 편이 낫습니다.
비전공자도 AI 직무로 들어올 수 있습니다. 다만 진입 경로를 잘 골라야 합니다. 처음부터 리서치 사이언티스트를 노리기보다, 현재 강점을 살려 인접 포지션으로 들어가는 방식이 훨씬 현실적입니다.
예를 들면 이런 경로가 있습니다.
경력 전환자에게 가장 중요한 건 “완전히 새 사람”처럼 보이지 않는 것입니다. 기존 경험과 AI 역량의 연결고리를 만들어야 합니다. 예를 들어 CRM 마케터 출신이라면 고객 세분화, 추천, 이탈 예측 프로젝트가 자연스럽고, 제조 품질 담당자라면 비전 검사 프로젝트가 설득력 있습니다.
정확한 미래 예측은 어렵지만, 채용 흐름을 보면 몇 가지는 비교적 분명합니다.
반대로 단순히 “AI 툴을 써본 경험”만으로 차별화되던 시기는 거의 끝났습니다. 이제는 구현, 평가, 운영, 비용 관리, 보안, 데이터 품질까지 다루는 사람이 살아남습니다.
정답은 하나가 아닙니다. 본인이 어디에 강점이 있는지부터 봐야 합니다. 코드와 시스템 설계가 강하면 머신러닝 엔지니어, 데이터 해석과 실험이 강하면 데이터 사이언티스트, 논문과 모델 깊이가 강하면 응용과학자나 연구직, 제품 감각과 조율 능력이 강하면 AI 프로덕트 매니저가 맞을 가능성이 큽니다.
구직 전략은 넓게 시작하되, 지원은 좁고 깊게 하는 편이 좋습니다. AI 관련 직무를 무작정 다 넣는 방식은 효율이 낮습니다. 같은 이력서로 데이터 사이언티스트, MLOps 엔지니어, AI PM을 동시에 뚫기는 어렵습니다. 목표 직무를 1개에서 2개로 정하고, 이력서와 포트폴리오를 그 기준에 맞춰 바꾸세요.
마지막으로 한마디만 하겠습니다. AI 채용 시장은 화려해 보이지만, 실제 합격은 늘 기본기에서 갈립니다. 코드가 깔끔한지, 데이터를 이해하는지, 결과를 숫자로 설명하는지, 협업이 가능한지. 이 네 가지를 꾸준히 쌓은 사람이 결국 오래 갑니다. 유행은 빨리 바뀌어도 실무 역량은 남습니다.
공유하기:
No comments yet. Be the first to share your thoughts!
