OpenAI, 채팅 답변을 넘어 AI를 측정하는 LifeVal 공개

OpenAI는 11월 2일 LifeVal을 공개하며, 개인 비서의 평가 기준을 질문 응답에서 일상 과업 완수로 확장했다. AI 성능을 구조적으로 시험하는 이 벤치마크는 보육 서비스 검색, 가계 재정, 행정 서류 등의 책임을 다룬다. 핵심 질문은 실용적이다. 비서가 사용자가 일을 끝내도록 돕는가?

이는 챗봇의 응답을 평가하는 기준과는 다르다. 유용한 설명도 전화, 문서 검색, 신청 절차의 모든 단계를 사용자에게 남길 수 있다. 행동을 수행하는 비서는 누락된 정보를 파악하고, 권한을 존중하며, 실제로 어떤 일이 일어났는지 보여줘야 한다.

Claude에 관한 Anthropic의 연구는 유용한 참고점이 된다. 사람과 협업하는 것과 과업을 직접 수행하는 것은 서로 다른 형태의 지원이다. OpenAI의 발표는 이러한 구분을 가정생활 영역으로 가져온다. 이제 개인 비서 개발자들은 자사 제품이 어떤 책임을 완료하고, 어떤 책임을 준비하며, 어떤 책임에는 여전히 인간의 판단이 필요한지 설명해야 한다는 압박을 받는다.

LifeVal은 답변에서 일상 업무로 평가를 옮긴다

OpenAI의 일상 과업 평가에 따르면, 회사는 시간 사용 연구와 3,995명 대상 설문조사를 활용해 이 벤치마크를 개발했다. 지난 1년간 이 평가가 모델 개선을 이끌었다고 설명한다. 선정된 사례에는 학교 등록, 가족 주거지 검색, 돌봄 계획 수립이 포함된다.

이번 발표는 일상적 유용성을 일반적인 제품 약속으로 남겨 두지 않고, 명시적인 평가 목표로 삼는다.

점수를 고려하기 전부터 이는 중요한 차이다. 모델은 질문에 정확하게 답하면서도 그 뒤에 있는 더 넓은 책임에는 거의 기여하지 못할 수 있다. 보육 서비스를 찾는 사람에게 필요한 것은 이용 가능한 선택지에 대한 설명 이상이다. 자신의 상황에 맞는 정보와 아직 해결되지 않은 사항에 대한 명확한 이해가 필요하다.

이사 후 서비스 제공자를 비교하는 가상의 부모를 생각해 보자. 세련된 요약은 프로그램을 명확하게 설명할 수 있지만, 일정이 부모의 근무 시간과 맞는지는 빠뜨릴 수 있다. 또 다른 응답은 적합한 제공자를 찾아낼 수 있지만, 최신이 아닌 이용 가능 정보를 바탕으로 할 수 있다. 부모가 실제로 행동에 나서기 전까지는 두 결과 모두 도움이 되는 것처럼 보인다.

과업 기반 평가는 이러한 격차를 드러내야 한다. 선택지를 식별하는 것, 적합성을 확인하는 것, 그리고 실제 약정을 확보하는 것은 구분해야 한다. 이 단계들은 서로 다른 증거 요건을 가진다. 이를 같은 것으로 취급하면 비서가 실제로 떠안은 책임의 정도를 과장할 위험이 있다.

같은 구분은 서류 업무에도 적용된다. 양식을 설명하고, 지원 정보를 수집하고, 초안을 준비하고, 신청서를 제출하는 일은 각각 별개의 성과다. 유용한 비서는 자신이 멈춘 지점을 정확히 보고해야 한다. 그렇지 않으면 사용자는 중요한 일이 남았는지 알아보기 위해 전체 과정을 점검해야 한다.

이것이 이 벤치마크를 제품 보증으로 여기지 않으면서도 진지하게 볼 가장 강력한 이유다. 사용자가 인식하는 책임에 더 가까운 방식으로 지원을 평가할 여지를 만들기 때문이다. 다만 관련 과업을 선정했다고 해서 평가 환경 밖에서 마주치는 모든 장애물을 시험이 포착한다는 뜻은 아니다.

공개 발표를 보편적인 기능 출시와 혼동해서도 안 된다. 평가는 측정 방식에 관한 것이다. 제품 이용 가능 여부에는 지원 도구, 권한, 계정, 환경에 관한 별도의 증거가 필요하다. 독자는 그림으로 제시된 모든 워크플로가 모든 ChatGPT 사용자에게 제공된다고 가정하지 말아야 한다.

따라서 즉각적인 변화는 OpenAI가 공개적으로 무엇을 측정하기로 선택했는지에 관한 것이다. 더 넓은 의미는 이 측정이 비교를 뒷받침할 만큼 충분히 상세해지는지에 달려 있다. 개발자와 사용자는 결과가 어느 정도의 실질적 무게를 지니는지 판단하기 전에 무엇을 완료로 간주했는지 알아야 한다.

가정 내 책임은 다른 종류의 성능 격차를 드러낸다

가정 내 지원은 깔끔한 질의응답 형식이 감출 수 있는 평가 문제를 제시한다. 요청에는 관련 맥락의 일부만 담기는 경우가 많다. 나머지 제약 조건은 문서, 선호도, 대화, 다른 사람이나 기관의 현실적 한계를 통해 드러난다.

비서는 자신의 작업을 확인하는 부담을 포함해 사용자의 남은 부담을 줄일 때 가치를 만든다.

가상의 예산 관리 과업은 그 차이를 잘 보여준다. 거래를 분류하는 것은 유용하지만, 그 결과로 나온 계획이 다가오는 의무를 반영한다는 사실을 보장하지는 않는다. 설득력 있는 설명은 돈이 들어오는 시점에 관한 잘못된 가정을 가릴 수 있다. 중요한 결과는 그 사람이 다음 결정을 내릴 때 신뢰할 수 있는 기반을 얻는지다.

이는 제품 팀이 지원을 운영 가능한 용어로 정의해야 한다는 압박을 준다. 응답은 완전해 보일 수 있지만 검증 책임을 다시 사용자에게 넘길 수 있다. 누군가 모든 문서를 다시 열고 모든 계산을 재구성해야 한다면, 겉으로 보이는 편의성은 정당화하기 어려워진다. 평가는 그러한 확인 노력도 고려해야 한다.

시간 사용 연구는 이러한 책임이 왜 주목받아야 하는지 설명하는 데 도움이 된다. 미국 노동통계국의 시간 사용 조사는 유급 노동, 육아, 자원봉사 등을 포함한 활동을 측정한다. 이는 보통 사무 생산성과 연관되는 과업을 넘어 일상생활을 조망하게 한다.

국제 연구는 또 다른 관점을 더한다. 다국적 시간 사용 연구는 국가별 조사를 조화시켜 연구자들이 사람들이 시간을 어떻게 쓰는지 비교할 수 있도록 한다. 이런 증거는 연구할 가치가 있는 책임을 식별하는 데 도움이 된다. 디지털 비서가 이를 성공적으로 수행할 수 있다는 사실을 입증하는 것은 아니다.

이 경계는 투입 시간과 회수 가능한 시간이 서로 다른 개념이기 때문에 중요하다. 비서는 활동 자체를 대체하지 않으면서도 그 활동을 둘러싼 행정 업무를 줄일 수 있다. 예약 선택지를 비교하면 조정에 드는 노력을 줄일 수 있다. 하지만 누군가를 돌보는 데 수반되는 개인적 관계나 물리적 현존을 대체할 수는 없다.

압박은 기업이 제품을 제시하는 방식에도 미친다. 일상생활을 처리한다는 폭넓은 주장은 예외, 중단, 미해결 결정에 관한 질문을 불러온다. 정보를 준비한다는 더 제한적인 주장은 평가하기 쉽다. 어느 범위도 본질적으로 잘못된 것은 아니지만, 사용자는 제공되는 서비스에 대한 정확한 설명을 필요로 한다.

요청이 흩어진 개인 정보에 의존할 때 지식 노동자도 유사한 문제를 겪는다. 관련 문서에는 답을 바꾸는 제약 조건이 들어 있을 수 있다. 개인 지식 관리에 관한 자료는 그러한 자료를 정리하는 맥락을 제공한다. 그러나 정리는 이에 따라 행동할 권한과는 별개다.

개발자에게 시사점은 구체적이다. 남겨진 업무를 평가하라. 해결되지 않은 가정, 필요한 수정, 사용자가 다시 시작해야 하는 인계 과정을 세어야 한다. 이러한 제안된 지표는 개인 비서가 책임을 줄이는지, 아니면 더 읽기 쉬운 응답으로 재포장할 뿐인지를 드러낼 것이다.

누군가를 돕는 일과 그를 대신해 행동하는 일에는 서로 다른 증거가 필요하다

Anthropic의 AI 과업 연구는 AI가 사용자와 협업하는 증강과, AI가 과업을 직접 수행하는 자동화를 구분한다. 초기 Economic Index는 직업적 관점에서 Claude 대화를 분석했다. 따라서 이는 OpenAI의 가정 내 평가에 대한 경쟁 점수가 아니라 관련 맥락이다.

협업과 실행은 사용자에게 서로 다른 약속을 하기 때문에 별도로 평가해야 한다.

협업형 비서는 어려운 결정을 더 쉽게 이해하도록 만들어 성공할 수 있다. 상충하는 요구사항을 정리하거나 누락된 문서를 식별할 수 있다. 누군가를 대신해 행동하는 비서는 추가적인 의무를 떠안는다. 합의된 지침을 따라야 하며, 요청된 행동이 성공했는지 확인해야 한다.

어느 접근법도 자동으로 우선시될 이유는 없다. 어떤 책임은 인간의 결정에 앞선 준비가 유익하다. 다른 책임은 비서가 일상적인 실행을 처리할 때에만 유용해진다. 적절한 경계는 더 큰 자율성이 항상 더 나은 지원을 의미한다는 일반적 가정이 아니라 과업과 개인의 선호에 달려 있다.

가상의 정부 신청 사례는 그 이유를 보여준다. 올바른 양식을 찾고 증거를 정리하면 노력을 크게 줄일 수 있다. 그 양식을 제출하는 일은 권한 부여에 관한 별도의 질문을 제기한다. 사용자가 절차 이해를 도와달라고 했다는 이유만으로 비서가 제출 권한을 추정해서는 안 된다.

반대로 불필요한 인계는 실행 서비스를 훼손할 수 있다. 사용자가 일상적인 행동을 명확히 승인했다면, 같은 결정을 위해 반복적으로 되돌아가는 것은 일을 더한다. 따라서 잘 설계된 평가는 과도한 개입과 피할 수 있는 중단을 모두 살펴봐야 한다. 통제권을 존중하려면 매 단계 전에 멈추는 것보다 더 정밀한 접근이 필요하다.

이 구분은 결과에 수반되어야 할 증거도 바꾼다. 추천에는 명확한 근거와 눈에 보이는 가정이 필요하다. 실행된 행동에는 확인 또는 변경된 기록처럼 관찰 가능한 결과가 필요하다. 비서가 완료했다고 말하는 것은 사용자가 직접 점검할 수 있는 증거보다 약하다.

이는 개인 비서 시연을 해석하는 데 유용한 틀을 제시한다. 시스템이 어떤 정보를 받았는지, 어떤 권한을 가졌는지, 시연이 어떤 결과를 입증했는지 물어야 한다. 그다음 해결되지 않은 업무를 살펴봐야 한다. 이러한 질문은 설득력 있는 상호작용이 성능에 대한 완전한 설명을 대신하지 못하게 한다.

경쟁 비교는 엄격하게 유지되어야 한다. Anthropic의 직업별 사용 분석과 OpenAI의 일상 과업 평가는 서로 다른 질문을 다룬다. 동일한 가정 내 책임에서 어느 비서가 더 잘 수행하는지 입증할 수는 없다. 이를 위해서는 비교 가능한 과업, 접근 조건, 채점 규칙, 실수에서 회복할 기회가 필요하다.

두 연구가 공통으로 중요한 이유는 분석 단위를 더 구체적으로 만든다는 데 있다. 개별 과업을 살펴보면 생산성이나 지능 같은 광범위한 명칭이 감추는 차이가 드러난다. 개인 비서에게 결정적인 구분은 대개 누군가의 이해를 높이는 것과, 다음으로 승인된 단계를 신뢰성 있게 수행하는 것 사이에 있다.

완료 점수에는 완료에 대한 명확한 정의가 필요하다

OpenAI의 발표는 선정된 과업 사례 옆에 백분율을 표시한다. 이 수치는 주목할 만하지만, 독자는 이를 개인적 성공 확률로 곧바로 해석하지 않아야 한다. 결과는 평가 조건 안에서 의미를 갖는다. 이를 다른 가정이나 워크플로에 적용하기 전에는 해당 조건을 이해하는 일이 필수적이다.

벤치마크 백분율만으로는 비서가 사용자의 특정 책임을 얼마나 신뢰성 있게 완료할지 알 수 없다.

성공의 정의가 먼저다. 평가는 정확한 정보, 만족스러운 계획, 완료된 디지털 행동 또는 그 조합에 보상을 줄 수 있다. 이러한 결과는 동등하지 않다. 과업 준비에서 높은 결과가 나왔다고 해서 외부 서비스를 통한 실행에서도 같은 신뢰성을 입증할 수는 없다.

결과의 분포 또한 중요합니다. 전체 지표는 특정 상황에서의 약점을 가릴 수 있습니다. 사용자가 중요하게 여기는 것은 자신이 마주한 과제이며, 여기에는 이례적인 제약도 포함됩니다. 범주별 결과와 문서화된 실패 사례는 광범위한 성능이 각자의 상황에서 신뢰할 수 있는 지원으로 이어지는지 독자가 판단하는 데 도움이 될 것입니다.

또 다른 질문은 환경에 관한 것입니다. 통제된 테스트는 역량을 분리하고 결과를 재현 가능하게 만들 수 있습니다. 실제 서비스에는 변화하는 인터페이스, 누락된 기록, 중단 상황이 발생합니다. 이는 이 벤치마크에서 확인된 결함이 아니라 일반적인 평가상의 고려 사항입니다. 이러한 요소는 해당 결과가 어느 범위까지 확장되는지 이해하는 데 필요한 정보를 보여 줍니다.

복구 역시 별도로 면밀히 살펴볼 필요가 있습니다. 어시스턴트는 순조로운 경로에서는 과업을 완료할 수 있지만, 페이지가 변경되거나 필요한 문서를 사용할 수 없을 때 어려움을 겪을 수 있습니다. 명확하게 중단하는 것이 올바른 결과일 수 있습니다. 해결되지 않은 중단 상황 이후에 성공을 보고하는 것은 한계를 인정하는 것보다 더 심각한 문제를 만들 수 있습니다.

독립적인 위험 지침도 이러한 폭넓은 주의를 뒷받침합니다. NIST의 생성형 AI 프로필은 자신 있게 생성된 허위 콘텐츠를 뜻하는 환각(confabulation)을 비롯해 인간과 AI의 상호작용 관련 문제 등 여러 위험을 다룹니다. 이는 일반 지침이며 OpenAI의 평가가 아닙니다.

가정 내 지원에 이를 적용하면, 실수가 어떻게 사용자에게 전달되는지에 대한 질문이 제기됩니다. 초안의 부정확한 세부 정보는 실행 전에 수정할 수 있습니다. 그러나 실행된 거래에 같은 세부 정보가 포함되면 결과는 달라집니다. 평가는 오류 자체와 이를 발견할 수 있는 기회를 구분해야 합니다.

선호도 조사와 결과 검증 사이에도 차이가 있습니다. 사람들이 어디에서 도움을 받고 싶은지 묻는 것은 과업 선택을 개선합니다. 그렇다고 해당 과업에서의 모델 성능이 독립적으로 검증되는 것은 아닙니다. 두 형태의 증거 모두 유용하지만, 각각 평가에 대해 서로 다른 결론을 뒷받침합니다.

적절한 해석은 여전히 신중해야 합니다. 이번 발표는 개인 지원에서 OpenAI가 달성하고자 하는 평가 초점을 제시하고, 회사가 보고한 사례를 제공합니다. 제시된 모든 결과를 독립적으로 검증된 실제 완료율로 간주할 근거는 되지 않습니다. 더 상세한 방법론과 외부 테스트는 결과의 관련성을 낮추는 대신, 해석을 더 쉽게 만들 것입니다.

개인적 맥락은 권한을 성능 테스트의 일부로 만든다

일상적인 책임은 일반적인 요청에 명시되지 않은 정보에 의존하는 경우가 많습니다. 일정상의 제약, 기존 약속, 가족의 선호는 어떤 조치가 적절한지를 바꿀 수 있습니다. 이러한 세부 사항을 무시하는 어시스턴트는 효율적으로 실행하더라도 부적절한 결과를 낼 수 있습니다.

올바른 실행에는 관련 맥락과 어시스턴트에게 허용된 행동의 명확한 경계가 모두 필요합니다.

가령 가장 가까운 제공업체가 돌봄 제공자의 일정과 충돌하는 가상의 육아 서비스 검색을 생각해 볼 수 있습니다. 거리 계산은 정확할 수 있지만, 추천은 여전히 도움이 되지 않을 수 있습니다. 이는 단순히 정확성의 문제가 아닙니다. 어시스턴트가 자신이 지원해야 할 결정을 이해했는지에 관한 문제입니다.

개인 자료에 접근할 수 있다는 사실은 또 다른 구분을 만듭니다. 문서를 읽으면 올바른 제약 조건을 파악하는 데 도움이 될 수 있지만, 접근 권한이 그 내용의 공유 권한을 의미하지는 않습니다. 일상 지원을 평가할 때는 시스템이 관련 정보를 활용하면서도 무관한 세부 정보를 다음 단계로 퍼뜨리지 않는지 살펴봐야 합니다.

같은 원칙은 어시스턴트가 접근할 수 있는 외부 애플리케이션을 의미하는 연결 서비스에도 적용됩니다. 연결은 어떤 행동을 기술적으로 가능하게 만듭니다. 그렇다고 사용자가 가능한 모든 행동을 승인했다는 뜻은 아닙니다. 제품 설계는 어시스턴트와 그 작업을 검토하는 사람 모두가 이러한 경계를 충분히 명확히 이해할 수 있도록 해야 합니다.

따라서 유용한 성능 평가는 선택적 행동을 시험해야 합니다. 어시스턴트는 요청에 필요한 정보를 식별하고, 다른 세부 정보가 무관할 때 이를 인식해야 합니다. 불확실성도 보존해야 합니다. 누락된 선호는 중요한 선택을 명확히 해야 할 이유이지, 임의로 만들어 낼 초대장이 아닙니다.

이는 마찰 없는 어시스턴트라는 개념을 복잡하게 만듭니다. 일부 중단은 적절한 자제의 증거입니다. 다른 중단은 시스템이 이미 제공된 정보를 유지하지 못했음을 나타냅니다. 평가의 과제는 이 사례들을 구분하는 것입니다. 단순히 질문 수를 최소화하면 민감한 결정에서 잘못된 행동에 보상을 주게 됩니다.

되돌릴 수 있는지 여부도 또 하나의 차원을 더합니다. 후보 목록을 준비하면 검토할 여지가 남습니다. 정보를 보내거나 약정에 들어가면 사용자의 상황이 바뀝니다. 어시스턴트는 그러한 전환을 눈에 띄게 해야 합니다. 사용자가 어떤 일이 일어날지와 이후에 남는 선택지를 이해할 수 있을 때 행동 능력은 더 유용해집니다.

어시스턴트를 평가하는 구매자에게 이러한 구분은 더 많은 것을 드러내는 시연 방식을 제안합니다. 정보가 불완전한 과업을 요청한 뒤 시스템이 그 공백을 어떻게 처리하는지 살펴보십시오. 변경된 제약을 도입하고 접근 방식을 갱신하는지 확인하십시오. 이는 OpenAI의 벤치마크에서 보고된 결과가 아니라 제안된 평가 방법입니다.

개발자에게 주는 교훈은 권한이 성능 측정 안에 포함되어야 한다는 것입니다. 승인되지 않은 행동은 요청된 목적지에 도달했다는 이유만으로 성공적인 지원이 되지 않습니다. 마찬가지로 준비 단계를 넘어가지 않는 시스템은 그 범위를 정확하게 설명해야 합니다. 사용자는 요청, 부여된 권한, 결과 사이에 신뢰할 수 있는 관계가 필요합니다.

재현성, 비교 가능한 테스트, 그리고 업무 감소의 증거를 살펴보라

LifeVal은 개인 지원이 무엇을 이루어야 하는지에 관해 OpenAI가 더 명확히 공개적으로 밝힌 입장입니다. 다음 단계에서는 이러한 목표를 더 쉽게 검토할 수 있어야 합니다. 앞으로 몇 달간 가장 유용한 신호는 투명성, 독립적 비교, 그리고 사용자가 실제로 덜게 되는 책임의 양과 관련됩니다.

가장 강력한 후속 증거는 다른 사람들이 검토하고 재현할 수 있는 결과와 평가 결과를 연결할 것입니다.

첫째, 테스트 설계에 관한 더 충실한 설명을 살펴보아야 합니다. 유용한 공개 내용에는 과업 선정, 성공 기준, 도구 접근 권한, 인간의 개입이 포함됩니다. 또한 완료의 서로 다른 단계가 서로 다른 평가 점수를 받는지도 명확히 해야 합니다. 이러한 정보는 선택된 사례를 넘어 결과를 해석할 근거를 강화할 것입니다.

실패 보고는 특히 많은 정보를 제공할 것입니다. 어시스턴트가 어디에서 멈추는지에 대한 설명은 또 하나의 성공 시연보다 더 많은 것을 보여 줄 수 있습니다. 독자는 실패가 오해, 정보 부족, 실행 실패, 또는 부적절한 확신과 관련되는지 이해할 필요가 있습니다. 이러한 범주는 서로 다른 해결책과 실질적 사용의 서로 다른 한계를 가리킵니다.

둘째, 비교 가능한 조건에서 이루어진 독립 평가를 살펴보아야 합니다. 의미 있는 비교라면 참여 시스템에 동등한 정보와 권한을 제공해야 합니다. 일관된 평가 방식을 사용해 동일한 결과를 평가해야 합니다. 이러한 통제가 없다면 순위는 지원 능력의 차이보다 설정의 차이를 측정할 위험이 있습니다.

경쟁사의 참여는 이 신호를 강화하겠지만, 유의미한 검토의 전제 조건은 아닙니다. 독립 연구자들은 보고된 접근 방식이 낯선 과업과 상황에서도 일반화되는지 조사할 수 있습니다. 재현은 측정에 대한 신뢰를 뒷받침할 것입니다. 중요한 차이가 발견되면 원래의 결과에 어디에서 단서가 필요한지 드러날 것입니다.

셋째, 사용자가 마무리해야 할 일이 줄었다는 증거를 살펴보아야 합니다. 관련 측정에는 결과물을 수정하는 데 든 시간, 출처를 확인하는 데 든 시간, 실수에서 복구하는 데 든 시간, 해결되지 않은 단계를 완료하는 데 든 시간이 포함됩니다. 이는 제안된 결과 측정 방식입니다. 이번 발표를 이 전반에 걸친 개선이 이미 입증된 것으로 해석해서는 안 됩니다.

이 마지막 신호가 중요한 이유는 성공적인 상호작용도 비용이 큰 인계를 초래할 수 있기 때문입니다. 어시스턴트는 책임을 깔끔하게 정리할 수 있지만, 사용자가 모든 중요한 세부 사항을 확인하도록 남겨둘 수 있습니다. 그것도 유용할 수 있지만, 그 이점은 정확하게 설명되어야 합니다. 준비와 신뢰할 수 있는 완료는 서로 다른 종류의 부담 완화를 제공합니다.

같은 기준은 제품 시연과 개인적 경험에도 적용되어야 합니다. 설득력 있는 사례는 주목할 만합니다. 관련 상황에서 반복되는 성공은 더 큰 신뢰를 받을 만합니다. 적절한 중단, 정확한 보고, 관리 가능한 수정에 대한 명확한 증거는 포괄적인 자율성 약속보다 더 강력한 근거가 될 것입니다.

다음 LifeVal 업데이트를 읽을 때는 여러분이 직접 책임지고 있는 일을 염두에 두십시오. 필요한 결과, 필요한 정보, 그리고 계속 유지할 결정을 식별하십시오. 그런 다음 평가가 이러한 경계를 포괄한다는 증거를 찾아보십시오. 어시스턴트의 보고된 성공에 여러분이 여전히 수행해야 할 확인과 수정이 포함되는지 물어보십시오. 준비와 실행을 비교하고, 예상한 경로가 끊어졌을 때 어떤 일이 일어나는지 살펴보십시오. 유망한 측정 접근 방식과 신뢰할 수 있는 서비스의 구분을 분명히 유지하십시오. 유용한 질문은 그 증거가 여러분이 알아보고, 검토하고, 그 책임을 맡길 수 있는 지원을 설명하는지 여부입니다. 여러분이 일이 끝났다고 판단하려면 어시스턴트가 무엇을 완료해야 할까요?