Frontier Company FDE: Microsoft가 고객 200여 곳과 일하며 정리한 AI 시범을 운영으로 옮기는 네 원칙
Microsoft Frontier Company는 28개국 200곳 넘는 고객과 약 500건의 프로젝트를 FDE 방식으로 진행하며 공통 원칙 네 가지를 정리했습니다. 가치에서 출발하고, 작업 하나가 아니라 공정 전체를 다시 짜고, 고객 팀과 짧은 주기로 함께 만들고, 보안·거버넌스·비용 관리를 첫날부터 둡니다.
Microsoft는 AI가 시범에 머무는 이유를 기술이 아니라 그 주변 일에서 찾습니다. 어디에 쓸지 정하는 일, 신뢰와 거버넌스, 운영 모델, 사람의 적응입니다. 따라 하려면 과제마다 바꿀 숫자를 먼저 정하고, 고객 팀과 함께 공정 전체를 짧은 주기로 다시 만들고, 권한·감사·비용 한도를 첫 주에 깔아야 합니다.
요약
Microsoft Frontier Company 사장 Rodrigo Kede Lima가 2026년 11월 12일 공식 블로그에 이 조직의 일하는 방식을 정리했습니다. Frontier Company는 산업·엔지니어링 전문가 6,000명을 둔 사업 조직입니다. FDE(Forward Deployed Engineering, 엔지니어가 고객사 안에 들어가 현업과 함께 만드는 방식) 팀이 고객 직원 옆에서 일합니다. 지금까지 28개국에서 고객 200곳 이상과 약 500건의 프로젝트를 진행했습니다. 3M, Unilever, Publicis Groupe, Northern Trust, KT, Saint-Gobain 등이 원문에 사례로 나옵니다.
저자는 기술이 이미 준비됐다고 봅니다. 느리게 만드는 것은 그 주변 일입니다. 가치가 가장 큰 곳을 찾는 일, 신뢰와 거버넌스를 세우는 일, 운영 모델을 다시 짜는 일, 사람이 새 방식에 익숙해지는 일이 여기에 들어갑니다. 고객 사례에서 반복된 원칙은 네 가지입니다. 가치에서 출발하고, 작업이 아니라 공정을 다시 설계하고, 고객 팀과 빠른 주기로 함께 만들고, 보안·거버넌스·비용 관리를 첫날부터 둡니다. 첫 프로젝트를 마친 고객 대부분이 다시 찾아와 후속 프로젝트가 수백 건 생겼다고 저자는 밝힙니다. 첫 결과가 숫자로 보였고 다음에 다시 짤 업무가 눈에 들어왔기 때문이라는 설명입니다. 아래에서는 네 원칙과 성공 기준을 하나씩 풀고, 사례와 실행 방법으로 넘어갑니다.
핵심 메커니즘
Value-First Selection: 기술이 아니라 바꿀 숫자에서 출발한다
과제를 고를 때 어떤 모델이나 도구를 쓸지가 아니라 어떤 사업 숫자를 바꿀지부터 정하는 원칙입니다. 업무별 지표와 현재 기준값을 놓고, 바꿀 숫자 한두 개와 측정 방법을 담당 임원과 합의합니다. 기술 선택은 그다음입니다. 숫자가 정해지면 첫 결과를 같은 잣대로 재고, 재계약이나 확산 여부도 그 숫자로 판단합니다. 원문에서는 Northern Trust가 대표적입니다. 고객 한 곳의 온보딩 데이터 준비에 약 2.5주가 걸렸고, 이 기간을 3일로 줄여 83%를 덜어 냈습니다. KT는 네트워크 이상을 찾는 시간을 바꿀 숫자로 삼았습니다. 효과가 아직 측정되지 않은 탐색 연구라면 이 원칙을 그대로 쓰기 어렵습니다. 이럴 때는 Saint-Gobain처럼 기간이나 처리량을 숫자로 둡니다. 작은 예시(가상)로, 구매팀이라면 “견적 비교 한 건 처리 시간 3일”을 기준값으로 적고 목표를 1일로 정한 뒤 과제를 시작합니다.
Process Redesign: 작업 하나가 아니라 공정 전체를 다시 짠다
한 단계만 AI에 맡기면 앞뒤 단계가 그대로 남아 사람이 결과를 옮겨 적고 다시 확인합니다. 공정 단위로 다시 짜면 여러 단계를 하나의 흐름으로 묶고, 사람은 판단이 필요한 지점에만 둡니다. 3M이 이렇게 했습니다. Global Business Services 팀의 고객 주문관리에서 신용 확인, 연체 평가, 시스템 갱신을 에이전트가 이어서 처리하는 흐름을 만들고 있습니다. 사람 승인 단계(human-in-the-loop)와 실시간으로 흐름을 보는 전용 모니터링 대시보드를 함께 두었습니다. 3M이 기대하는 효과는 수작업 감소, 속도와 일관성 향상, 현금 유입 단축, 그리고 감사 가능한 확장입니다. Unilever 공장의 디지털 트윈도 같은 원칙을 따릅니다. 설비 하나가 아니라 공장 전체를 실시간 데이터로 본떠 문제 예측, 성과 감시, 운영자 안내를 한 흐름에 넣었습니다.
Fast Co-Build Cycles: 고객 팀과 나란히 짧은 주기로 만든다
업무를 아는 고객 직원과 만들 줄 아는 엔지니어가 한 팀으로 짧게 만들고, 쓰고, 고치는 방식입니다. 동작하는 버전을 빨리 현업 손에 쥐여 주고, 사람의 승인·수정과 실제 결과를 모아 다음 주기에 반영합니다. 이 과정에서 고객 팀이 설계와 운영을 익히는 것도 목표에 들어갑니다. Publicis Groupe에서는 Microsoft 엔지니어가 Publicis 팀 옆에서 에이전트 공정을 함께 설계합니다. 실제 결과와 사람의 피드백을 바탕으로 강화학습을 돌려 에이전트 성능을 계속 높입니다. 빠른 엔지니어링과 직접 하는 지식 이전을 묶어 사내 역량이 남도록 했습니다. KT에서는 엔지니어들이 KT 사무실에서 일하며 운영 절차와 숙련 네트워크 전문가의 지식을 바탕으로 AIO-Net을 함께 만들었습니다.
Day-One Guardrails: 보안·거버넌스·비용 관리를 첫날부터 둔다
시범 단계에서 보안 검토나 비용 계산을 뒤로 미루면 확산하려는 순간 그 일들이 한꺼번에 몰려 일정이 멈춥니다. 저자는 이 셋을 처음부터 설계에 넣어야 확산이 막히지 않는다고 봅니다. 보안은 에이전트가 볼 수 있는 데이터와 쓸 수 있는 시스템의 범위입니다. 거버넌스는 사람이 승인하는 지점, 감사 기록, 모니터링입니다. 비용 관리는 처리 건당 비용과 예산 한도, 확산 뒤 단가입니다. 3M의 사람 승인 단계와 모니터링 대시보드, Northern Trust와 KT에서 결정권을 사람이 쥐도록 한 설계가 원문에 나온 예입니다. 원문은 세부 통제 방식을 밝히지 않으므로, 항목별 실행 방법은 아래 기술 디테일에 따로 정리했습니다.
Exit Capability: 성공은 엔지니어가 떠난 뒤 고객이 스스로 돌릴 수 있는가로 잰다
저자는 성공의 기준을 참여가 끝난 뒤로 둡니다. 고객이 자기 AI 시스템을 스스로 운영하고, 통제하고, 개선할 수 있는지가 기준입니다. 고객의 지식과 데이터가 보호되는 조건도 붙습니다. 그래서 공동 구축 기간에 지식 이전이 함께 일어나야 합니다. Publicis에서 사내 역량을 남기도록 설계한 것과 같은 맥락입니다. 저자는 Microsoft 스스로도 같은 기준을 적용한다고 말합니다. Frontier Company를 단순하고 빠른 조직으로 만들고 고객 창구를 하나로 두어, AI 시대 조직의 참고 모델로 삼으려 한다는 설명입니다.
통념과 다른 주장
흔히 이렇게 봅니다AI가 시범에서 넘어가지 못하는 것은 모델과 도구가 아직 충분히 좋지 않기 때문입니다.
저자는 이렇게 봅니다기술은 이미 준비됐습니다. 가치를 고르는 일, 신뢰와 거버넌스, 운영 모델, 사람의 적응 같은 주변 일이 AI를 늦춥니다.
근거저자가 인용한 IDC 조사(Microsoft 후원)에서 AI로 상당한 성과를 봤다는 조직은 66%인데, 조직 전체로 넓혔거나 꾸준히 가치를 내는 곳은 48%입니다. 71%는 내년 AI 지출이 10% 이상 늘 것으로 봅니다.
흔히 이렇게 봅니다외부 엔지니어링 지원의 가치는 투입한 인력의 양과 실력에서 나옵니다.
저자는 이렇게 봅니다"Customers don't come back for engineers." 고객이 다시 찾는 이유는 측정된 첫 성과와 다음에 다시 짤 업무가 보이기 때문입니다.
근거첫 프로젝트를 마친 고객 대부분이 다시 찾아와 후속 프로젝트가 수백 건 생겼다고 밝힙니다. 성공의 척도도 고객이 스스로 운영·통제·개선할 수 있는지로 둡니다.
저자가 든 사례
Northern Trust: 온보딩 데이터 준비 2.5주에서 3일로
| 구분 | 내용 |
|---|---|
| 상황 | 자산서비스 부문 Front Office Solutions 플랫폼에 고객 한 곳을 온보딩하는 데 약 2.5주가 걸렸습니다. |
| 한 일 | Microsoft 엔지니어와 Northern Trust 전문가가 분석가가 이미 쓰는 Excel·SharePoint 안에 온보딩 에이전트를 만들었습니다. |
| 결과 | 데이터 준비 시간 83% 감소(2.5주에서 3일), 시험에서 첫 결과 품질 점수 96.5%. 분석가가 통제권을 유지합니다. |
| 연결 | Value-First Selection, Day-One Guardrails |
KT: 네트워크 이상 탐지를 10분 넘게에서 2~3분으로
| 구분 | 내용 |
|---|---|
| 상황 | 한국 대형 통신사 KT는 네트워크 운영자가 문제를 더 빨리 찾고 고치게 하려 했습니다. |
| 한 일 | 엔지니어들이 KT 사무실에서 일하며 운영 절차와 숙련 전문가의 지식을 바탕으로 계속 배우는 에이전트 플랫폼 AIO-Net을 함께 만들었습니다. |
| 결과 | 네트워크 이상 탐지가 10분 넘게에서 2~3분으로 줄었습니다. 결정과 조치는 사람이 맡습니다. |
| 연결 | Value-First Selection, Fast Co-Build Cycles |
3M: 주문관리를 에이전트 흐름으로 다시 짜다
| 구분 | 내용 |
|---|---|
| 상황 | Global Business Services 팀의 고객 주문관리 자동화가 과제였습니다. |
| 한 일 | 신용 확인, 연체 평가, 시스템 갱신을 잇는 에이전트 흐름을 만들고 있습니다. 사람 승인 단계와 실시간 모니터링 대시보드를 함께 둡니다. |
| 결과 | 기대 효과로 수작업 감소, 속도·일관성 향상, 현금 유입 단축, 감사 가능한 확장을 듭니다. 원문에서 수치는 밝히지 않음. |
| 연결 | Process Redesign, Day-One Guardrails |
Publicis Groupe: Copilot 위에 에이전트 공정을 함께 쌓다
| 구분 | 내용 |
|---|---|
| 상황 | 전 직원 114,000명에게 Microsoft 365 Copilot을 이미 배포했습니다. |
| 한 일 | Microsoft 엔지니어가 Publicis 팀과 에이전트 공정을 함께 설계합니다. 에이전트는 Microsoft IQ로 업무 맥락·데이터·지식에 연결하고, 실제 결과와 사람의 피드백으로 강화학습을 돌립니다. |
| 결과 | 빠른 구축과 직접 하는 지식 이전을 묶어 사내 역량을 남기는 것이 목표입니다. 원문에서 수치는 밝히지 않음. |
| 연결 | Fast Co-Build Cycles, Exit Capability |
Unilever: 퐁디셰리 공장의 디지털 트윈
| 구분 | 내용 |
|---|---|
| 상황 | 퐁디셰리 공장은 Unilever의 남아시아 최대 홈케어 액체 제품 공장이며 2026년 세계경제포럼 Lighthouse로 선정됐습니다. |
| 한 일 | NVIDIA Omniverse로 만들어 Azure에 올린 디지털 트윈이 통합 실시간 데이터로 공장을 시뮬레이션합니다. |
| 결과 | 문제를 미리 예측하고, 성과를 실시간으로 보고, 운영자에게 조치와 권고를 안내하는 것이 목표입니다. 원문에서 수치는 밝히지 않음. |
| 연결 | Process Redesign |
Saint-Gobain: 1년 걸릴 지식 정리를 몇 시간에
| 구분 | 내용 |
|---|---|
| 상황 | 360년 된 건자재 기업 Saint-Gobain은 시멘트의 탄소 발자국을 줄이려 합니다. |
| 한 일 | Microsoft 엔지니어가 연구진과 함께 Microsoft Discovery로 특허 62,000건과 논문 초록 44,000건을 몇 시간 만에 지식 베이스로 정리했습니다. Saint-Gobain은 연구진이 직접 하면 1년이 걸렸을 것으로 추정합니다. |
| 결과 | 약 6주 만에 시멘트 첨가제에 관한 새 가설을 찾았고, 과학자들이 실험실에서 시험하고 있습니다. |
| 연결 | Fast Co-Build Cycles, Value-First Selection(기간을 숫자로) |
기술 디테일: 네 원칙을 실제로 돌리려면
Value-First Selection을 측정 가능하게 하려면 과제마다 가치 가설을 구조화된 기록으로 남깁니다. 엔지니어가 착수 전에 아래 필드를 채우고, 기준값은 최근 4~8주 실제 처리 기록에서 뽑습니다. 추정치로 채우면 첫 결과를 비교할 근거가 사라집니다. 아래는 가상 예시입니다.
{
"case_id": "order-mgmt-01",
"process": "고객 주문관리",
"metric": "주문 1건 처리 시간(분)",
"baseline": {"value": 42, "source": "최근 6주 주문 로그", "measured_at": "2026-11-03"},
"target": 15,
"owner": "주문관리 팀장",
"guardrail_metrics": ["승인 반려율", "오처리 건수", "건당 AI 비용"]
}3M식 공정 재설계를 에이전트로 구현하려면 단계마다 따로 호출하고, 결과를 구조화 출력(JSON)으로 받아 다음 단계로 넘깁니다. 신용 확인 단계라면 decision(승인·보류·거절), confidence(0~1), evidence(조회한 한도·미수금 기록 ID)를 필수 필드로 둡니다. 판단 단계는 temperature 0으로 두고, 같은 입력을 3회 돌려 결정이 갈리면 사람 승인 큐로 보냅니다. 권한은 단계별로 나눕니다. 조회 단계는 읽기 전용이고, 시스템 갱신 도구만 쓰기 권한을 가지며 사람 승인 뒤에만 열립니다. 모니터링 대시보드에는 단계별 처리량, 자동 처리 비율, 승인 대기 시간, 반려 사유를 올립니다. 반려 사유가 같은 유형으로 몰리면 그 단계의 규칙이나 프롬프트를 먼저 고칩니다. 아래 수치는 가상 예시입니다.
| 신호 | 기준(가상) | 처리 |
|---|---|---|
| confidence | 0.85 미만 | 사람 승인 큐 |
| 반복 실행 결과 | 3회 중 결정이 갈림 | 사람 승인 큐 |
| 금액 | 고객 신용 한도의 90% 초과 | 사람 승인 큐 |
| 근거 누락 | evidence 비어 있음 | 실행 중단, 오류 기록 |
Publicis·KT처럼 업무 맥락에 근거하고 피드백으로 나아지게 하려면 두 가지를 먼저 갖춥니다. 첫째는 근거 연결입니다. 운영 절차서, 과거 처리 기록, 숙련자의 판단 메모를 검색 가능한 지식으로 만들고, 에이전트 답변마다 참고한 문서 ID와 확인 날짜를 남깁니다. 둘째는 피드백 기록입니다. 사람이 승인·수정·반려한 내용과 실제 결과(연체 발생 여부, 장애 재발 여부)를 같은 건 ID로 묶어 저장합니다. 이 기록은 처음에는 평가 세트로 씁니다. 정답이 확인된 50~100건으로 새 버전의 첫 결과 품질을 채점하고, 기준을 넘을 때만 배포합니다. 기록이 수천 건 쌓인 뒤에야 강화학습이나 미세조정을 검토합니다. Northern Trust의 96.5% 같은 첫 결과 품질 점수도 이런 평가 세트가 있어야 나옵니다.
Day-One Guardrails를 첫 주에 깔려면 아래 항목을 설계 문서에 넣고 담당자를 정합니다. 표의 값은 가상 예시입니다.
| 축 | 첫 주에 정할 것 | 예시(가상) |
|---|---|---|
| 보안 | 에이전트 전용 계정, 접근 데이터 범위 | 주문·신용 테이블 읽기, 갱신 API 하나만 쓰기 |
| 거버넌스 | 감사 로그 필드 | 건 ID, 입력 요약, 모델 버전, 결정, 근거 ID, 승인자, 시각 |
| 거버넌스 | 사람 승인 지점 | 신용 보류·거절, 한도 초과 건 |
| 비용 | 건당 비용 상한, 월 예산 경보 | 건당 상한을 정하고 월 예산 80%에서 경보 |
| 비용 | 확산 시 단가 추정 | 시범 처리량의 10배에서 월 비용 계산 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 | 원문과의 연결 |
|---|---|---|
| 사업 스폰서(임원) | 바꿀 숫자와 목표 승인, 계속·중단 판정 | Value-First Selection |
| 공정 책임자(현업 팀장) | 현행 흐름 정리, 사람 승인 지점 결정 | Process Redesign |
| 현업 전문가 2~3명 | 매주 사용, 승인·수정 기록, 예외 설명 | Fast Co-Build Cycles |
| 엔지니어(내부 또는 FDE) | 에이전트·평가 세트·대시보드 구축 | Fast Co-Build Cycles |
| 보안·리스크 담당 | 권한 범위, 감사 로그, 데이터 보호 승인 | Day-One Guardrails |
| 내부 운영 담당자 | 2주차부터 합류해 운영 방법을 넘겨받음 | Exit Capability |
시작 전 준비물: 대상 공정의 최근 처리 기록(4~8주), 현행 업무 매뉴얼, 승인 권한표, 시스템 접근 목록, 정답이 확인된 과거 건 50건 이상.
| 기간(가상) | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 기준값 측정, 공정 지도 작성, 권한·예산 확정 | 가치 가설 기록, 현행 흐름도, 가드레일 설계서 |
| 3~4주 | 승인 지점 확정, 1차 버전 구축 | 동작하는 에이전트, 평가 세트 |
| 5~6주 | 현업 사용, 피드백 반영, 감사 로그 점검 | 주간 지표 보고, 수정 이력 |
| 7~8주 | 목표 대비 판정, 운영 이관 | 계속·확대·중단 결정, 운영 매뉴얼 |
킥오프에서 물을 질문
- 이 공정에서 숫자 하나만 바꿀 수 있다면 무엇이고, 지금 값은 얼마인가?
- 지금 사람이 결과를 옮겨 적거나 다시 확인하는 단계는 어디인가?
- 사람이 반드시 결정해야 하는 지점은 어디이고, 근거로 무엇을 보는가?
- 에이전트가 절대 바꾸면 안 되는 시스템이나 데이터는 무엇인가?
- 8주 뒤 외부 엔지니어가 빠지면 누가 이 시스템을 고치는가?
진행 판정 기준(가상 예시): 8주차에 목표 숫자의 절반 이상을 개선했고, 감사 로그 누락이 0건이며 내부 운영 담당자가 프롬프트·규칙 수정을 혼자 해낼 수 있으면 확대합니다. 숫자가 기준값에서 움직이지 않으면 공정 지도로 돌아가 승인 지점과 단계 구분을 다시 봅니다.
이 원칙을 고객사 AX에 옮길 때는 첫 과제부터 고릅니다. 첫 과제는 Northern Trust나 KT처럼 기준값이 이미 기록되는 공정에서 고릅니다. 예를 들어 주문·온보딩·장애 대응처럼 시작과 끝이 로그로 남는 업무입니다. 외부 FDE를 쓰더라도 내부 운영 담당자를 2주차부터 함께 두어야 Exit Capability가 생깁니다. 계약서에도 투입 인원이 아니라 넘겨받을 산출물(평가 세트, 감사 로그 구조, 운영 매뉴얼)을 적는 편이 낫습니다. 첫 과제가 끝나면 같은 대시보드에서 다음으로 다시 짤 공정을 고릅니다. 원문의 고객들이 다시 찾아온 것도 다음 공정이 보였기 때문입니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | Official Microsoft Blog, Rodrigo Kede Lima(Microsoft Frontier Company 사장), 2026.11.12 |
| 조직 | 산업·엔지니어링 전문가 6,000명, 단순하고 빠른 조직, 고객 창구 하나 |
| 범위 | 28개국, 고객 200곳 이상, 프로젝트 약 500건, 후속 프로젝트 수백 건 |
| 원문에 이름이 나온 고객 | 3M, Alaska Airlines, BMW, Core42, KT, Land O’Lakes, London Stock Exchange Group, Mastercard, McKesson, Northern Trust, Novo Nordisk, Publicis Groupe, Saint-Gobain, Siemens, Unilever |
| 공통 원칙 | 가치에서 출발, 공정 재설계, 고객 팀과 빠른 공동 구축, 첫날부터 보안·거버넌스·비용 관리 |
| 수치가 있는 사례 | Northern Trust 2.5주에서 3일(83%), 첫 결과 품질 96.5% / KT 10분 넘게에서 2~3분 / Saint-Gobain 특허 62,000건·초록 44,000건, 몇 시간, 가설 도출 약 6주 / Publicis 직원 114,000명 |
| 수치가 없는 사례 | 3M 주문관리 에이전트, Unilever 퐁디셰리 디지털 트윈 |
| 인용 조사 | IDC(Microsoft 후원, 2026.11): 상당한 성과 66%, 조직 전체 확산 48%, 지출 10% 이상 증가 예상 71% |
| 성공 기준 | 참여가 끝난 뒤 고객이 스스로 운영·통제·개선 |
핵심 개념
- Microsoft Frontier Company
- 고객사의 AI 전환을 현장에서 함께 만드는 Microsoft의 사업 조직입니다. 2026년 7월 출범을 알렸습니다.
- FDE (Forward Deployed Engineering)
- 엔지니어가 고객사 안에서 현업과 나란히 일하며 시스템을 함께 만드는 방식입니다.
- human-in-the-loop
- 에이전트 흐름 중간에 사람이 승인하거나 고치는 단계를 두는 설계입니다.
- Microsoft IQ
- 에이전트가 회사의 업무 맥락, 데이터, 지식을 참고하도록 연결하는 Microsoft의 기반입니다. Publicis 사례에 나옵니다.
- AIO-Net
- KT가 Microsoft 엔지니어와 함께 만든 네트워크 운영용 에이전트 플랫폼으로, 운영 절차와 숙련자 지식을 바탕으로 계속 배웁니다.
- Digital twin
- 실제 설비나 공장을 실시간 데이터로 본뜬 가상 모델입니다. Unilever는 NVIDIA Omniverse로 만들어 Azure에서 돌립니다.
- Microsoft Discovery
- 대량의 특허와 논문을 연구용 지식 베이스로 정리하는 데 쓴 Microsoft의 연구 플랫폼입니다.
- Lighthouse
- 세계경제포럼이 첨단 기술을 생산에 잘 적용한 공장에 붙이는 지정입니다.
내 메모
TODO: 내 생각 추가
원문은 Official Microsoft Blog의 「From AI ambition to business impact」(Rodrigo Kede Lima, 2026.11.12)입니다. Microsoft가 쓴 글이며 고객 성과 수치는 원문에 밝힌 것만 옮겼습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 원문을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작은 예시, 기술 디테일의 JSON·기준값·권한 설계, 현업 실행 디테일의 역할·일정·질문·판정 기준, 고객사 적용 순서, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 핵심 개념 가운데 Frontier Company의 출범 시점은 원문에 링크된 2026년 7월 2일 Microsoft 블로그 글을 근거로 했습니다. 전체 내용은 원문에서 볼 수 있습니다.