AI 용어 사전
AI 기사를 읽다가 낯선 단어 하나에 막혀 검색창을 여러 번 여신 적 있으시죠? 이 사전은 그럴 때 바로 펼쳐 보는 용도예요. 용어마다 한 줄 정의와 쉬운 비유를 붙였고, 더 깊이 알고 싶으면 아래 '관련 글'로 넘어가시면 됩니다. 특정 제품의 우열이 아니라 단어가 뜻하는 구조를 설명합니다.
AI 기초 개념
LLM (대규모 언어 모델)
아주 많은 글을 학습해 다음에 올 단어를 이어 붙이며 문장을 만들어 내는 AI 모델입니다.
LLM은 '이 문장 다음에는 어떤 단어가 올 가능성이 높을까'를 계속 계산해서 글을 써 내려가요. 수많은 책을 읽고 말투와 맥락을 익힌 사람이 문장을 자연스럽게 이어 가는 모습을 떠올리시면 가까워요. 대부분의 AI 챗봇이 이 모델 위에서 돌아갑니다.
함께 보기
생성형 AI
정해진 답을 고르는 대신 글·그림·소리 같은 새 결과물을 만들어 내는 AI를 말합니다.
예전 AI가 '스팸인지 아닌지'처럼 보기 중에서 고르는 일에 강했다면, 생성형 AI는 빈 종이에 직접 써 내는 쪽이에요. 객관식 채점관과 작문하는 학생의 차이라고 보면 쉬워요. 그래서 편리하지만, 그럴듯하게 틀린 내용을 만들 가능성도 함께 생깁니다.
파라미터 (매개변수)
모델이 학습하면서 스스로 조정해 둔 내부 숫자들로, 모델의 '지식이 저장된 자리'입니다.
학습이란 결국 이 숫자들을 조금씩 고쳐 가며 답을 더 잘 맞히게 만드는 과정이에요. 수많은 손잡이가 달린 음향 믹서를 하나하나 돌려 가장 좋은 소리를 맞추는 일과 비슷해요. 뉴스에서 파라미터 수가 크다는 말이 나오면 '손잡이가 많은 모델'이라는 뜻이지, 그 자체로 더 낫다는 보증은 아닙니다.
토큰
AI가 글을 읽고 쓸 때 쓰는 가장 작은 조각으로, 단어나 글자 일부가 하나의 토큰이 됩니다.
AI는 문장을 통째로 보지 않고 잘게 썬 조각 단위로 처리해요. 레고 작품을 블록 하나하나로 세는 것과 비슷하다고 보시면 돼요. 서비스가 정한 사용량이나 요금, 한 번에 넣을 수 있는 글의 길이가 이 토큰 수로 계산되는 경우가 많습니다.
컨텍스트 윈도우
AI가 한 번에 기억하며 참고할 수 있는 대화·문서의 최대 분량을 말합니다.
대화가 아주 길어지면 AI가 앞부분을 놓치는 이유가 여기에 있어요. 책상 위에 펼쳐 둘 수 있는 종이의 양이 정해져 있어서, 새 종이를 올리면 오래된 종이가 밀려나는 모습을 떠올리시면 돼요. 긴 문서는 나눠서 넣고, 중요한 조건은 다시 알려 주는 습관이 도움이 됩니다.
함께 보기
환각 (할루시네이션)
AI가 사실이 아닌 내용을 그럴듯한 문장으로 자신 있게 말하는 현상입니다.
AI가 일부러 거짓말을 하는 게 아니라, 가장 그럴듯한 다음 단어를 잇다 보니 틀린 내용도 매끄럽게 나오는 거예요. 시험에서 모르는 문제를 빈칸으로 두지 못하고 그럴싸하게 채워 넣는 학생과 비슷해요. 이름·숫자·날짜·출처는 원문에서 한 번 더 확인하면 마음이 편합니다.
추론 모델
답을 내기 전에 중간 풀이 과정을 거치도록 만든 AI 모델로, '생각하는 중' 표시와 함께 나타납니다.
바로 답하는 대신 문제를 여러 단계로 나눠 따져 본 뒤 결론을 내도록 설계됐어요. 암산으로 바로 외치는 대신 연습장에 풀이를 적어 가며 푸는 모습과 닮았어요. 그만큼 답이 늦게 나올 수 있고, 풀이 과정이 길다고 해서 결과가 언제나 맞는 것은 아닙니다.
온디바이스 AI
AI 계산의 일부를 서버가 아니라 휴대폰·노트북 같은 기기 안에서 직접 처리하는 방식입니다.
보통의 AI는 질문을 회사 서버로 보내 계산한 뒤 답을 돌려받아요. 온디바이스 AI는 그 계산 일부를 손에 든 기기가 직접 해요. 배달 대신 집 부엌에서 간단한 요리를 해 먹는 것과 비슷해서, 데이터가 기기 밖으로 덜 나가고 인터넷이 약해도 쓸 수 있지만 큰 요리(복잡한 작업)는 여전히 서버 몫이에요.
벤치마크
정답이 알려진 문제 모음으로 AI 모델의 성능을 재는 시험입니다.
새 모델이 나오면 '어떤 시험에서 몇 점'이라는 발표가 따라와요. 그 시험이 벤치마크예요. 모의고사 점수가 실력을 가늠하게 해 주지만 실제 시험이나 일터의 성과와는 다를 수 있는 것처럼, 높은 점수가 곧 새로운 발견이나 실전 능력을 뜻하지는 않아요. 그래서 무엇을 재는 시험인지, 문제가 학습 데이터에 섞이지 않았는지를 함께 봐야 해요.
함께 보기
라이다 (LiDAR)
레이저를 쏘아 주변을 3차원 점의 지도로 그려 형태와 거리를 재는 센서입니다.
자율주행차의 눈은 카메라·레이더·라이다 세 가지로 이야기돼요. 라이다는 레이저가 돌아오는 시간을 재서 주변을 점으로 찍어 입체 지도를 만들어요. 어둠 속에서 손전등 대신 수많은 줄자로 사방을 재는 모습을 떠올리시면 가까워요. 형태와 거리를 정밀하게 잡는 대신, 색이나 글자 같은 의미 정보는 카메라가 더 잘 읽어요.
함께 보기
자율주행 레벨
자동차가 운전을 얼마나 맡는지 0에서 5까지 여섯 단계로 나눈 구분입니다.
핵심 경계는 레벨 2와 3 사이예요. 레벨 2까지는 차가 조향과 속도를 도와줘도 운전 책임과 감시는 사람에게 있는 '보조' 단계이고, 레벨 3부터 정해진 조건 안에서 시스템이 운전을 맡아요. 조수석 강사가 핸들을 거들어 주는 것과 운전을 통째로 맡기는 것의 차이예요. 어느 레벨이 어떤 도로에서 허용되는지는 나라와 지역마다 다르고 계속 바뀌어요.
함께 보기
AI 도구 활용
프롬프트
AI에게 원하는 일을 알려 주려고 입력하는 질문·지시·조건을 통틀어 부르는 말입니다.
같은 AI라도 무엇을, 누구를 위해, 어떤 형식으로 원하는지 적어 주면 결과가 확 달라져요. 식당에서 '아무거나'보다 '덜 맵게, 2인분, 포장으로'라고 주문할 때 원하는 음식이 나오는 것과 같아요. 처음부터 완벽할 필요는 없고, 결과를 보며 조건을 한 줄씩 더해 가면 됩니다.
AI 에이전트
답을 알려 주는 데서 그치지 않고 검색·예약·파일 정리 같은 일을 여러 단계로 직접 실행하는 AI입니다.
챗봇이 길을 알려 주는 안내원이라면, 에이전트는 심부름을 대신 다녀오는 사람에 가까워요. 목표를 받으면 스스로 순서를 짜고 여러 도구를 오가며 일을 처리합니다. 실제로 행동하는 만큼, 어디까지 맡길지 권한을 미리 정해 두는 일이 중요해요.
RAG (검색 증강 생성)
AI가 답하기 전에 관련 문서를 먼저 찾아 읽고, 그 내용을 근거로 답을 만드는 방식입니다.
모델이 원래 모르던 최신 정보나 회사 내부 자료도 그때그때 찾아와 참고할 수 있게 해 줘요. 시험을 기억에만 의존해 치르는 대신, 오픈북으로 책을 펼쳐 보며 답하는 것과 비슷해요. 찾아온 자료가 틀렸거나 엉뚱하면 답도 흔들릴 수 있어서, 근거로 붙은 출처를 함께 보는 게 좋습니다.
파인튜닝 (미세 조정)
이미 학습된 모델에 특정 분야 자료를 더 학습시켜 말투나 전문성을 맞추는 작업입니다.
처음부터 모델을 새로 만드는 대신, 완성된 모델을 특정 용도에 맞게 다듬는 과정이에요. 일반 교육을 마친 신입이 부서 업무를 따로 배우는 연수와 비슷해요. 새 정보를 수시로 반영해야 하는 일에는 RAG가, 말투나 형식을 일정하게 맞추는 일에는 파인튜닝이 자주 쓰입니다.
AI 검색
검색 결과 링크 목록 대신 여러 자료를 읽고 정리한 답을 문장으로 보여 주는 검색 방식입니다.
질문을 던지면 여러 웹 문서를 훑어 요약된 답과 출처를 함께 보여 주는 경우가 많아요. 도서관 사서가 책 목록을 건네는 대신 내용을 정리해서 말해 주는 셈이에요. 빠르고 편하지만 요약 과정에서 빠지거나 바뀐 내용이 있을 수 있어서, 중요한 정보는 출처 원문을 눌러 확인하면 든든합니다.
멀티모달
글뿐 아니라 사진·음성·영상처럼 여러 형태의 정보를 함께 이해하고 다루는 AI의 성질입니다.
사진을 올리고 '이 표를 정리해 줘'라고 하거나, 말로 물어보고 말로 답을 듣는 기능이 여기에 해당해요. 눈과 귀를 같이 쓰며 상황을 파악하는 사람처럼, 여러 감각을 한꺼번에 쓰는 거예요. 사진 속 글자나 숫자를 잘못 읽을 수도 있으니, 중요한 값은 원본과 한 번 맞춰 보시면 좋아요.
학습 활용 설정
내가 AI 서비스에 입력한 대화를 모델 개선 학습에 써도 되는지 고르는 설정입니다.
많은 AI 서비스가 설정 화면에서 대화 기록 저장과 학습 활용 여부를 따로 고를 수 있게 해 둬요. 사진관에 맡긴 사진을 홍보용으로 써도 되는지 동의 칸에 체크하는 것과 비슷해요. 서비스마다 이름과 위치가 다르니, 처음 쓸 때 설정 메뉴를 한 번 훑어보시면 마음이 놓입니다.
AI 판별 도구 (AI 탐지기)
글이 AI로 쓰였을 가능성을 통계로 추정해 '가능성'이나 확률로 보여 주는 도구입니다.
문장 길이나 단어 선택이 AI가 쓴 글과 얼마나 닮았는지를 보고 확률을 매겨요. 날씨 예보의 강수 확률처럼 추정이지 판결이 아니라서, 사람이 쓴 글이 높게 나오거나 그 반대가 되는 일도 있어요. 그래서 대부분의 기관은 결과를 참고 자료로만 쓰고, 워터마크 확인처럼 '확인됨'을 말하는 방식과는 구분해서 봐야 해요.
함께 보기
일과 생산성
마스킹 (민감정보 가리기)
AI에 자료를 넣기 전에 이름·연락처·거래처 같은 민감한 부분을 지우거나 바꿔 두는 일입니다.
업무 자료를 AI로 요약하거나 다듬고 싶을 때, 내용은 살리고 누구인지 알아볼 수 있는 정보만 가리는 방법이에요. 서류를 복사해 건넬 때 주민번호 칸을 펜으로 가리는 것과 같은 원리예요. '김OO 과장', 'A사'처럼 바꿔 넣어도 AI가 일을 처리하는 데에는 대부분 지장이 없습니다.
함께 보기
사내 AI 사용 지침
회사가 업무에서 어떤 AI 도구를 어떤 자료로 어디까지 써도 되는지 정해 둔 내부 규칙입니다.
같은 AI 도구라도 회사마다 허용 범위가 달라서, 지침을 먼저 확인하는 게 가장 안전한 출발점이에요. 회사 차량을 쓸 때 운행 일지와 사용 규칙을 먼저 보는 것과 비슷해요. 지침이 없다면 담당 부서에 한 번 물어보는 것만으로도 서로 안심하고 일할 수 있습니다.
권한 범위
AI 에이전트나 앱이 내 계정·결제·파일에 어디까지 접근하고 실행할 수 있는지 정한 한계입니다.
보기만 할 수 있는지, 수정까지 되는지, 결제까지 맡기는지를 나눠서 정하는 거예요. 집 열쇠를 맡길 때 현관 열쇠만 줄지, 금고 비밀번호까지 알려 줄지 고르는 일과 같아요. 처음에는 좁게 열어 두고, 믿음이 쌓이면 조금씩 넓히는 방식이 마음 편합니다.
직업과 작업
AI 일자리 뉴스를 읽을 때 '직업 전체'와 그 안의 '개별 작업'을 나눠 보는 관점입니다.
한 직업은 수많은 작업의 묶음이라, 그중 일부를 AI가 돕는다고 직업이 통째로 사라지는 것은 아니에요. 요리사의 일에서 채소 썰기 기계가 생겨도 메뉴 개발과 맛 조절은 남는 것과 비슷해요. 기사에서 '대체'라는 말을 보면, 직업 이야기인지 작업 이야기인지부터 확인하면 훨씬 차분하게 읽힙니다.
AI와 사회
학습 데이터
AI 모델이 패턴을 익히기 위해 읽고 보는 글·이미지·소리 같은 자료 전체를 말합니다.
모델이 무엇을 잘하고 무엇에 약한지는 어떤 자료로 배웠는지에 크게 좌우돼요. 요리사가 어떤 레시피 책으로 배웠는지에 따라 손맛이 달라지는 것과 같아요. 그래서 학습 데이터의 출처와 저작권, 이용 동의 문제가 AI와 사회를 둘러싼 논쟁의 중심에 자주 등장합니다.
딥페이크
AI로 실제 사람의 얼굴이나 목소리를 합성해 진짜처럼 보이게 만든 영상·음성입니다.
기술 자체는 영화 특수효과나 더빙에도 쓰이지만, 사칭이나 허위 정보에 악용될 때 문제가 커져요. 정교하게 만든 가면을 쓰고 다른 사람 행세를 하는 모습을 떠올리시면 쉬워요. 눈으로 보고 귀로 들은 것도 출처와 맥락을 한 번 더 확인하는 습관이 가장 든든한 대비책입니다.
AI 워터마크
AI가 만든 글·이미지·영상에 '생성물'임을 알 수 있게 심어 두는 표시나 정보입니다.
눈에 보이는 문구로 붙이기도 하고, 사람 눈에는 안 보이게 파일 안에 신호를 숨겨 두기도 해요. 지폐에 빛을 비추면 드러나는 숨은 그림처럼, 확인 도구로 비춰 보면 출처를 알 수 있게 하는 원리예요. 다만 편집 과정에서 지워질 수도 있어서, 워터마크가 없다고 사람이 만든 것이라고 단정하기는 어렵습니다.
위험 기반 규제
AI를 쓰임새의 위험 정도에 따라 나누고, 위험이 클수록 더 엄격한 의무를 지우는 규제 방식입니다.
같은 AI 기술이라도 영화 추천에 쓰일 때와 채용·의료 판단에 쓰일 때 무게가 다르다는 생각에서 출발해요. 놀이터 미끄럼틀과 놀이공원 롤러코스터에 서로 다른 안전 점검 기준을 두는 것과 비슷해요. 규제 뉴스를 읽을 때는 '어떤 쓰임새를 어느 단계로 분류했는지'부터 보면 흐름이 잡힙니다.
범용인공지능 (AGI)
특정 과제가 아니라 사람처럼 폭넓은 일을 두루 배우고 해내는 AI를 가리키는 말입니다.
지금의 AI가 잘하는 분야가 정해진 전문가에 가깝다면, AGI는 어떤 일이든 배워서 해내는 만능 신입을 상상한 개념이에요. 다만 무엇을 해내면 AGI라고 부를지 합의된 기준이 아직 없어서, 같은 단어가 기사마다 다른 뜻으로 쓰이기도 해요. 'AGI에 다가섰다'는 뉴스는 누가 어떤 기준으로 말했는지부터 살펴보시면 됩니다.
AI 안전
AI가 의도와 다르게 움직이거나 해를 끼치지 않도록 설계·시험·관리하는 일 전반을 말합니다.
모델이 위험한 요청을 거절하는지, 예상 밖의 행동을 하지 않는지 출시 전후로 점검하는 활동이 여기에 들어가요. 새 차를 도로에 내보내기 전에 충돌 시험과 브레이크 점검을 거치는 것과 비슷해요. 'AI 개발 속도를 늦추자'는 논쟁도 결국 이 점검을 얼마나, 누가 해야 하느냐에 대한 이야기입니다.
MAU (월간 순이용자 수)
한 달 동안 앱을 한 번이라도 실행한 사람의 수로, 얼마나 널리 퍼졌는지를 재는 지표입니다.
한 달에 한 번 잠깐 연 사람도 매일 오래 쓴 사람도 똑같이 1명으로 세요. 그래서 '폭'은 보여 주지만 '깊이'는 보여 주지 않아요. 가게 방문객 수와 손님이 머문 시간이 다른 질문인 것처럼, AI 앱 순위 기사도 MAU 기준인지 사용 시간 기준인지에 따라 1위가 달라질 수 있어요.
호출어 (웨이크 워드)
음성 비서나 기기를 깨우는 약속된 말로, 기기 안의 작은 모델이 이 말에만 반응하도록 기다립니다.
'항상 듣고 있다'는 기기도 대개는 소리를 기기 안 임시 메모리에 잠깐 담았다가 호출어가 아니면 바로 덮어써요. 문지기가 암호를 들을 때만 문을 여는 것과 비슷해요. 호출어로 판단된 구간부터 저장되거나 서버로 넘어갈 수 있으니, 호출어 인식을 끌 수 있는지와 인식 실패 음성이 보관되는지를 설정에서 보면 돼요.
함께 보기
AI 산업 읽기
GPU (그래픽 처리 장치)
원래 그래픽용으로 만든 칩으로, 단순 계산을 한꺼번에 많이 처리해 AI 학습·실행에 널리 쓰입니다.
AI 계산은 비슷한 곱셈과 덧셈을 엄청나게 반복하는 일이라, 동시에 여러 계산을 돌리는 GPU와 잘 맞아요. 복잡한 문제를 푸는 수학자 한 명보다 쉬운 계산을 동시에 하는 수천 명이 빠른 경우와 같아요. AI 반도체 뉴스에서 GPU가 빠지지 않는 이유가 여기에 있습니다.
HBM (고대역폭 메모리)
메모리 칩을 층층이 쌓아 GPU에 아주 빠르게 데이터를 넘겨주도록 만든 메모리입니다.
계산이 아무리 빨라도 데이터가 제때 도착하지 않으면 칩이 놀게 돼요. 주방장이 빨라도 재료가 늦게 오면 요리가 밀리는 것처럼, HBM은 재료 통로를 넓혀 주는 역할을 해요. 그래서 AI 반도체 뉴스에 GPU와 HBM이 한 묶음으로 자주 등장합니다.
함께 보기
파운드리
다른 회사가 설계한 반도체를 주문받아 대신 만들어 주는 생산 전문 사업을 말합니다.
칩을 설계하는 회사와 실제로 공장을 돌려 찍어 내는 회사가 나뉘어 있는 경우가 많아요. 옷 디자이너가 도안을 넘기면 봉제 공장이 대신 만들어 주는 구조와 같아요. AI 칩 수요가 늘면 설계 회사뿐 아니라 이 생산 단계의 소식도 함께 뉴스에 오르게 됩니다.
AI 데이터센터
AI 학습과 서비스를 돌리는 서버·칩·냉각 설비를 한곳에 모아 둔 대규모 시설입니다.
우리가 앱에서 AI에게 묻는 순간, 실제 계산은 멀리 있는 이런 시설에서 이뤄지는 경우가 많아요. 집집마다 발전기를 두는 대신 큰 발전소에서 전기를 보내 주는 구조와 비슷해요. 칩이 많이 모일수록 전기와 냉각이 함께 필요해서, AI 뉴스에 전력 이야기가 자주 따라붙습니다.
함께 보기
API
한 프로그램이 다른 회사의 AI 모델이나 기능을 빌려 쓸 수 있게 열어 둔 연결 창구입니다.
내가 쓰는 앱 속 AI 기능이 사실은 다른 회사 모델을 API로 불러 쓰는 경우가 많아요. 식당이 소스를 직접 만들지 않고 전문 업체 소스를 받아 요리에 쓰는 것과 비슷해요. 그래서 한 모델의 정책이나 상태가 바뀌면 그걸 쓰는 여러 앱이 함께 영향을 받기도 합니다.
오픈 웨이트 모델
학습을 마친 모델의 파라미터(가중치)를 공개해 누구나 내려받아 실행할 수 있게 한 모델입니다.
'오픈소스 AI'라는 말이 자주 쓰이지만, 실제로는 가중치만 공개하고 학습 데이터나 방법은 공개하지 않는 경우도 많아요. 완성된 요리는 나눠 주되 레시피와 재료 구입처까지 알려 주는 것은 아닌 셈이에요. 공개 범위와 이용 조건이 모델마다 다르니, 기사에서는 '무엇을 어디까지 공개했는지'를 보시면 됩니다.
함께 보기
NPU (신경망 처리 장치)
기기 안에서 AI 계산을 빠르고 적은 전력으로 하도록 만든 전용 연산 장치입니다.
'NPU 탑재'라는 문구는 그 기기가 온디바이스 AI 계산을 감당할 부품을 갖췄다는 뜻이에요. 주방에 범용 칼 말고 채칼을 따로 둔 것처럼 특정 계산을 전담해요. 다만 NPU가 있다고 모든 AI 기능이 기기 안에서 도는 건 아니라서, 기능마다 어디서 계산되는지는 따로 확인해야 해요.
AI 버블 논쟁
AI에 들어가는 투자가 그에 걸맞은 수익으로 회수될지, 기대가 앞서 있는지를 두고 벌어지는 논쟁입니다.
이 논쟁은 기술이 진짜냐가 아니라 기대의 크기와 속도에 관한 이야기예요. 그래서 '기술은 진짜지만 버블일 수 있다'는 말이 모순이 아니에요. 새로 생긴 동네에 상가가 빠르게 들어설 때 동네의 미래와 임대료가 적정한지는 다른 질문인 것과 비슷해요. 이 사전은 어느 쪽이 맞는지 판단하거나 투자를 권하지 않고, 논거의 구조만 설명해요.
함께 보기
휴머노이드 로봇
머리·몸통·두 팔·두 다리(또는 바퀴)처럼 사람 몸 구조를 본떠 만든 로봇입니다.
굳이 사람 모양인 이유는 계단·문손잡이·선반 높이처럼 우리가 사는 공간이 사람 몸에 맞춰져 있어서예요. 작업마다 전용 로봇을 새로 만드는 대신 한 몸으로 여러 일을 이어받게 하겠다는 범용성이 핵심 아이디어예요. 만능 공구 하나와 전용 공구 여러 개 중 무엇이 나은지처럼, 그 득실은 산업 안에서도 논쟁 중이에요.
함께 보기
영업비밀
공개되지 않았고 경제적 가치가 있으며, 회사가 비밀로 관리해 온 정보를 말합니다.
설계 문서, 내부 실험 기록, 아직 공개하지 않은 제품 계획 같은 게 대표적이에요. 특허는 내용을 공개하는 대신 권리를 받는 제도라서, '특허 침해'와 '영업비밀 유출'은 비슷하게 들려도 다른 이야기예요. 금고 안 서류와 게시판에 붙은 공고문의 차이로 보시면 돼요. 사람 머릿속에 남는 일반적인 경험과의 경계가 가장 다투기 어려운 영역이에요.
게이트키퍼
많은 사용자가 거쳐 가는 첫 입구를 쥐고 있어서 다른 서비스의 접근을 좌우할 수 있는 플랫폼을 말합니다.
AI 에이전트가 앱을 대신 호출하는 시대에는 '누가 더 똑똑한가'만큼 '누가 사용자의 첫 입구에 서 있는가'가 중요해져요. 운영체제나 앱 장터를 가진 회사가 자기 에이전트를 기본으로 두고 다른 에이전트에는 좁은 통로만 줄 수도 있거든요. 건물 정문의 경비실이 출입을 정하는 모습을 떠올리시면 돼요. 그래서 에이전트 기사와 규제 기사가 자주 함께 나와요.
MOU (양해각서)
함께 해 보자는 뜻을 문서로 남긴 단계로, 무엇을 언제까지 할지 조건은 비어 있는 경우가 많습니다.
기업 협력 발표는 대개 논의 → MOU → 계약 → 실행 순서로 나아가요. MOU는 법적 구속력이 없거나 약하게 설계되는 경우가 많아 부담 없이 발표할 수 있어서, '손잡았다'는 기사 상당수가 이 단계예요. 결혼으로 치면 약혼에 가까워요. 금액·기간·범위가 정해진 계약인지는 회사 보도자료나 공시에서 단어를 직접 확인하면 돼요.
용어 설명은 입문자가 글을 이해하도록 돕는 일반 정보입니다. 정의는 분야와 맥락에 따라 조금씩 다르게 쓰일 수 있어, 정확한 기준이 필요하면 관련 기관·공식 문서를 함께 확인해 주세요.