온디바이스 AI란 무엇일까? 클라우드 AI와 차이점 정리

 

온디바이스 AI란 무엇일까? 클라우드 AI와 차이점 정리

 

온디바이스 AI의 개념부터 클라우드 AI와의 처리 방식, 속도·보안·비용·활용 사례, 하이브리드 AI의 미래까지 등 에 대해서 알아보았습니다.

 

온디바이스 AI란 무엇일까? 클라우드 AI와 차이점 정리

 

온디바이스 AI란? 기기 안에서 직접 작동하는 인공지능

 

온디바이스 AI는 말 그대로 인공지능이 스마트폰, 노트북, 태블릿, 자동차, 스마트워치, 가전제품처럼 사용자가 손에 쥐거나 생활 속에서 사용하는 기기 내부에서 직접 작동하는 방식을 뜻한다.

 

영어로는 On-Device AI라고 부르며, AI 모델의 연산 과정이 외부 데이터센터가 아니라 디바이스의 프로세서, 메모리, 저장 공간 안에서 이뤄진다는 점이 핵심이다.

 

사용자가 음성 명령을 내리거나 사진 속 문자를 추출하고, 외국어 문장을 번역하거나, 문장을 요약할 때 필요한 데이터가 가능한 범위에서 기기 밖으로 나가지 않고 처리된다.

 

기존의 AI 서비스는 대부분 클라우드 서버 중심이었다.

 

사용자가 스마트폰으로 질문을 입력하면 해당 질문은 인터넷을 통해 원격 서버로 전송되고, 데이터센터의 고성능 GPU와 AI 모델이 답변을 만든 뒤 결과가 다시 스마트폰으로 전달되는 흐름이다.

 

반면 온디바이스 AI는 사용자의 기기 안에 경량화된 AI 모델을 탑재한다. 따라서 인터넷 연결이 약하거나 비행기 모드인 환경에서도 일부 AI 기능을 계속 사용할 수 있다.

 

안드로이드 개발자 문서 역시 Gemini Nano를 활용하면 네트워크 연결이나 클라우드 전송 없이 생성형 AI 경험을 제공할 수 있다고 설명한다.

 

온디바이스 AI가 주목받는 이유는 단순히 인터넷 없이 작동할 수 있기 때문만은 아니다.

 

스마트폰 사용자가 촬영한 사진, 음성 녹음, 문자 메시지, 일정 정보, 건강 데이터에는 개인적인 정보가 많이 포함된다. 이런 데이터를 매번 서버로 보내지 않고 기기 안에서 우선 처리할 수 있다면 개인정보 노출 범위를 줄이는 데 도움이 된다.

 

특히 실시간 통역, 음성 자막, 키보드 문장 추천, 사진 속 인물·문서 분류, 통화 내용 요약 같은 기능은 사용자의 생활 데이터와 가까이 맞닿아 있어 온디바이스 AI의 장점이 잘 드러난다.

 

스마트폰에서 사진을 찍은 뒤 앨범 안의 특정 이미지를 찾는 상황을 생각해 볼 수 있다. 과거에는 사용자가 직접 폴더를 열고 사진을 하나씩 확인하는 일이 많았다.

 

이제는 기기 내부 AI가 사진의 사물, 장소, 글자, 인물을 분석해 “작년 겨울 바다 사진”, “영수증 사진”, “강아지 사진”처럼 자연어 검색 결과를 보여줄 수 있다.

 

이때 검색을 위한 핵심 분석이 기기 안에서 진행되면 사진 전체를 외부 서버로 올리지 않고도 빠른 검색 경험을 만들 수 있다.

 

온디바이스 AI는 대형 언어 모델을 그대로 스마트폰에 넣는 기술과는 조금 다르다.

 

데이터센터에서 사용하는 초대형 AI 모델은 수십억 개에서 수천억 개 이상의 파라미터와 막대한 연산 자원을 요구한다. 모바일 기기는 발열, 배터리, 메모리, 저장 공간에 한계가 있으므로 모델을 압축하고, 정밀도를 조정하며, 특정 기능에 맞게 경량화하는 과정이 필요하다. 이를 양자화, 지식 증류, 모델 압축 같은 기술로 설명하기도 한다.

 

사용자는 “AI가 기기 안에서 작동한다”는 결과를 경험하지만, 그 뒤에는 제한된 자원에서 쓸 만한 성능을 내기 위한 고도화된 최적화 과정이 존재한다.

 

결국 온디바이스 AI는 모든 AI 기능을 완전히 오프라인으로 바꾸는 개념이라기보다, 기기에서 처리해도 되는 작업은 최대한 로컬에서 해결하자는 흐름에 가깝다.

 

짧은 문장 교정, 실시간 음성 인식, 이미지 보정, 알림 우선순위 분류, 카메라 장면 인식처럼 즉각적인 반응이 중요한 기능은 온디바이스 AI와 잘 맞는다.

 

반대로 긴 문서 전체를 분석하거나 복잡한 추론을 수행하고 최신 인터넷 정보를 찾아야 하는 작업은 여전히 클라우드 AI의 강점이 크게 작용한다.

 

따라서 온디바이스 AI를 이해할 때는 “기기 안에서 실행되는 AI”라는 기본 정의와 함께, 처리할 업무의 성격에 따라 클라우드 AI와 역할을 나누는 기술이라는 점을 함께 기억할 필요가 있다.

 

클라우드 AI란? 강력한 서버에서 대규모 연산을 수행하는 방식

 

클라우드 AI는 사용자의 스마트폰이나 PC가 아닌 원격 데이터센터의 서버에서 인공지능 모델을 실행하는 방식이다.

 

사용자가 챗봇에 긴 질문을 입력하거나 수백 장의 문서를 분석해 달라고 요청하면, 데이터는 네트워크를 통해 AI 서비스 사업자의 서버로 전달된다.

 

서버는 대규모 GPU, 고성능 CPU, 대용량 메모리, 분산 저장장치 등을 활용해 요청을 처리하고 결과를 다시 사용자 화면에 반환한다. 오늘날 많은 생성형 AI 챗봇, 이미지 생성 서비스, 기업용 분석 플랫폼은 이와 같은 클라우드 AI 구조를 기반으로 한다.

 

클라우드 AI의 가장 큰 장점은 성능 확장성이다. 스마트폰의 칩셋이나 노트북의 메모리는 제품마다 한계가 있지만, 클라우드 환경은 필요에 따라 다수의 서버와 GPU를 연결해 더 큰 모델을 운영할 수 있다.

 

긴 보고서 수십 개를 비교하거나 복잡한 코드베이스를 분석하고, 고해상도 이미지를 생성하며, 여러 언어로 긴 문서를 작성하는 작업은 상당한 연산량을 필요로 한다.

 

이러한 작업을 개인 기기에서만 수행하려면 처리 시간이 길어지고 발열과 배터리 부담이 커질 수 있다. 클라우드 AI는 중앙 서버의 연산 자원을 활용하기 때문에 기기 성능이 높지 않아도 비교적 복잡한 AI 기능을 이용할 수 있다.

 

클라우드 AI는 업데이트와 유지관리 측면에서도 유리하다. 서비스 사업자가 모델을 개선하거나 보안 정책을 바꾸고, 새로운 기능을 추가할 때 서버 쪽을 업데이트하면 많은 사용자가 별도의 대규모 설치 과정 없이 최신 기능을 사용할 수 있다.

 

기업 환경에서는 이러한 중앙 관리 방식이 특히 중요하다. 수천 명의 직원이 같은 AI 도구를 사용한다면, 각 직원의 PC에 모델 파일을 개별 배포하기보다 클라우드에서 모델 버전을 통합 관리하는 편이 운영 효율이 높을 수 있다.

 

다만 클라우드 AI는 인터넷 연결과 서버 상태의 영향을 받는다. 와이파이가 끊기거나 해외 로밍 환경에서 통신 속도가 낮아지면 응답 시간이 길어질 수 있고, 서비스 서버에 장애가 발생하면 AI 기능 자체를 이용하기 어려울 수 있다.

 

질문을 보내고 결과를 받기까지 네트워크 왕복 시간이 추가되기 때문에, 수 밀리초 단위의 반응이 중요한 기능에는 불리할 수 있다. 운전 중 위험 상황을 감지하는 자동차 기능, 공장 설비의 이상 징후 탐지, 스마트 안경의 실시간 자막처럼 즉시 판단해야 하는 분야에서는 네트워크 지연이 안전성과 사용자 경험에 직접적인 영향을 줄 수 있다.

 

개인정보와 데이터 관리도 클라우드 AI를 사용할 때 확인해야 할 부분이다. 모든 클라우드 AI가 데이터를 무단으로 저장하거나 학습에 활용하는 것은 아니며, 실제 정책은 서비스와 설정에 따라 다르다.

 

하지만 원격 처리 구조에서는 적어도 요청 데이터가 기기 밖으로 전송되는 과정이 발생할 수 있다. 따라서 기업 문서, 고객 정보, 계약서, 의료 기록, 소스 코드처럼 민감도가 높은 자료를 다룰 때는 서비스 약관, 데이터 보관 기간, 암호화 방식, 학습 활용 여부, 관리자 설정을 꼼꼼히 점검해야 한다.

 

클라우드 AI는 최신 정보를 연결하기에도 적합하다. 온디바이스 AI 모델은 기기 안에 내려받은 모델 지식에 크게 의존하지만, 클라우드 AI는 검색 시스템, 기업 데이터베이스, 외부 API, 실시간 재고 정보, 날씨 데이터 등과 연동해 최신 정보를 활용할 수 있다.

 

온라인 쇼핑몰이 고객 문의에 답할 때 상품 재고와 배송 상태를 확인하거나, 고객센터 AI가 주문 번호를 조회해 맞춤 답변을 제공하는 경우가 대표적이다. 이처럼 방대한 데이터 연결, 복잡한 추론, 대규모 연산이 필요한 작업에서는 클라우드 AI의 장점이 분명하다.

 

온디바이스 AI와 클라우드 AI 차이점 비교

 

온디바이스 AI와 클라우드 AI의 가장 중요한 차이는 AI 연산이 이뤄지는 위치다. 온디바이스 AI는 스마트폰, PC, 자동차, IoT 기기 내부에서 데이터를 처리하고, 클라우드 AI는 인터넷을 통해 원격 데이터센터에서 연산한다.

 

이 한 가지 차이로 인해 응답 속도, 개인정보 보호 방식, 비용 구조, 모델 크기, 업데이트 방식, 인터넷 의존도까지 여러 특성이 달라진다. 어느 한쪽이 무조건 우수하다고 말하기보다는 사용 목적에 맞게 선택하는 것이 현실적이다.

 

구분	온디바이스 AI	클라우드 AI
연산 위치	스마트폰·PC·가전 등 기기 내부	원격 클라우드 서버와 데이터센터
인터넷 연결	일부 기능은 오프라인 사용 가능	대체로 안정적인 네트워크 필요
응답 속도	네트워크 왕복이 없어 즉각 반응에 유리	통신 상태와 서버 부하에 영향
개인정보	기기 내부 처리 비중이 높아 외부 전송 최소화	서비스 정책에 따라 데이터가 서버로 전송됨
모델 성능	경량 모델 중심으로 복잡한 작업에 한계	대형 모델과 대규모 연산에 강점
비용 구조	고성능 칩과 기기 사양의 중요도가 커짐	서버 운영 및 API 사용량 비용이 발생할 수 있음
업데이트	앱 또는 운영체제 업데이트가 필요할 수 있음	서버에서 통합 적용하기 쉬움

 

속도 측면에서 온디바이스 AI는 작은 요청을 빠르게 처리하는 데 유리하다.

 

스마트폰 카메라로 문서를 비추자마자 글자를 인식하고, 통화 중 실시간 자막을 띄우며, 잠금화면 알림을 중요도에 따라 분류하는 기능은 몇 초의 지연도 사용자에게 답답하게 느껴질 수 있다.

 

이때 데이터가 기기와 서버를 오가는 과정 없이 로컬에서 바로 처리되면 더 자연스러운 사용 경험을 제공할 수 있다. 반면 클라우드 AI는 네트워크 지연이 있을 수 있지만, 훨씬 큰 모델을 활용해 더 긴 맥락을 이해하고 복잡한 결과물을 만들 수 있다.

 

개인정보 보호를 이야기할 때도 두 방식을 단순하게 선악으로 나눌 수는 없다. 온디바이스 AI는 민감한 원본 데이터를 기기 안에 유지할 수 있다는 점에서 유리하지만, 기기를 분실했을 때의 잠금 설정과 데이터 암호화가 중요하다.

 

클라우드 AI는 데이터가 외부 서버로 전송될 수 있으므로 서비스 제공자의 보안 체계와 정책을 확인해야 하지만, 전문적인 데이터센터 보안과 접근 제어, 로그 관리, 기업용 권한 설정을 제공할 수도 있다. 핵심은 “어디서 처리되는가”와 “어떤 데이터가 얼마 동안 저장되는가”를 사용자가 알고 선택하는 것이다.

 

성능과 기능 범위에서는 클라우드 AI가 앞서는 경우가 많다. 대형 언어 모델은 긴 문서의 흐름을 이해하고, 여러 자료를 연결하며, 복잡한 질문을 단계적으로 분석하는 능력이 필요하다.

 

애플의 개발자 문서에서도 기기 내 모델은 네트워크 없이 항상 이용할 수 있는 작업에 적합하고, 더 큰 문맥 창과 강한 추론이 필요한 요청은 Private Cloud Compute 같은 서버 기반 모델로 처리할 수 있다고 안내한다. 서버 기반 모델의 문맥 크기는 32K 토큰으로 제시되며, 기기 내 모델의 4K 토큰보다 큰 범위를 다룰 수 있다.

 

비용은 사용자와 서비스 운영자 모두에게 중요한 비교 항목이다.

 

개인 사용자는 온디바이스 AI 기능을 원활히 쓰기 위해 최신 NPU나 충분한 메모리를 갖춘 스마트폰·노트북이 필요할 수 있다.

 

반면 서비스 사업자는 많은 사용자가 AI 기능을 이용할수록 클라우드 서버 비용과 API 사용료, 데이터 전송 비용이 계속 발생할 수 있다.

 

그래서 짧고 반복적인 작업은 온디바이스 AI로 넘기고, 복잡하고 고부가가치인 요청만 클라우드 AI로 보내는 구조가 경제적인 선택이 될 수 있다.

 

온디바이스 AI 장점과 한계, 실제 활용 사례

 

온디바이스 AI의 대표적인 장점은 빠른 반응 속도다.

 

사용자가 스마트폰 카메라를 켜고 야간 모드로 사진을 촬영할 때, AI는 여러 장의 이미지를 결합하고 노이즈를 줄이며 피사체를 인식하는 작업을 매우 짧은 시간 안에 수행해야 한다.

 

촬영 직후 화면에서 결과를 확인해야 하므로 매번 서버에 사진을 업로드해 처리하는 방식은 불편할 수 있다. 카메라 보정, 얼굴 인식 잠금 해제, 키보드 자동완성, 음성 호출, 실시간 자막처럼 반응 시간이 중요한 기능은 온디바이스 AI의 장점을 잘 보여준다.

 

두 번째 장점은 오프라인 환경에서의 활용성이다. 해외 비행기 안, 지하철 터널, 산간 지역, 통신이 불안정한 현장에서는 클라우드 AI 기능이 제대로 작동하지 않을 수 있다.

 

그러나 기기 안에 필요한 AI 모델과 언어 데이터가 설치되어 있다면 번역, 음성 인식, 이미지 분류, 기본적인 문장 요약 같은 기능을 제한적으로 이용할 수 있다. 안드로이드의 Gemini Nano 관련 안내도 네트워크 연결 없이 AI 기능을 제공할 수 있다는 점을 온디바이스 AI의 특징으로 제시한다. 

 

세 번째 장점은 데이터 전송 최소화다. 음성 명령이나 개인 사진처럼 민감할 수 있는 정보를 기기 안에서 분석하면, 원본 데이터를 외부 서버에 보내는 빈도를 줄일 수 있다.

 

애플은 Apple Intelligence의 중심이 온디바이스 처리이며, 더 큰 연산이 필요한 요청만 Private Cloud Compute로 전환한다고 설명한다. 또한 해당 구조에서는 요청과 관련된 데이터만 처리한 후 제거하며, 데이터가 저장되거나 애플이 접근할 수 없다고 안내한다. 

 

이런 사례는 최근 AI 서비스가 무조건 클라우드만 사용하는 방향이 아니라, 개인정보와 성능 사이의 균형을 맞추기 위해 온디바이스 AI와 서버 연산을 함께 활용하고 있음을 보여준다.

 

온디바이스 AI의 한계도 분명하다.

 

첫째, 기기 성능에 따라 사용 경험이 달라진다.

 

최신 스마트폰은 AI 연산을 위한 NPU, 충분한 RAM, 빠른 저장장치를 갖추고 있지만, 오래된 기기나 저사양 제품은 동일한 기능을 지원하지 못하거나 처리 속도가 느릴 수 있다.

 

같은 AI 기능이라도 기기별로 제공 범위가 달라지는 이유가 여기에 있다. 사용자는 “AI 기능이 있는데 왜 내 기기에서는 안 되지?”라는 의문을 가질 수 있는데, 이는 단순한 소프트웨어 문제가 아니라 메모리 용량, 칩셋 성능, 발열 설계, 운영체제 지원 범위가 함께 작용하는 문제다.

 

둘째, 배터리와 발열 부담이 생길 수 있다.

 

AI 모델을 기기 내부에서 계속 실행하면 CPU, GPU, NPU가 전력을 사용한다. 짧은 음성 명령이나 사진 한 장의 편집은 부담이 크지 않을 수 있지만, 장시간 실시간 번역을 하거나 고해상도 영상 분석을 계속하면 배터리 소모와 발열이 늘어날 수 있다. 제조사는 이를 줄이기 위해 AI 전용 칩을 넣고, 모델을 가볍게 만들며, 필요한 순간에만 연산을 수행하도록 설계한다.

 

온디바이스 AI가 발전할수록 스마트폰 구매 기준에서 카메라 화소 수나 화면 주사율뿐 아니라 AI 처리 성능과 발열 관리 능력이 중요한 요소가 될 가능성이 높다.

 

셋째, 최신 정보와 복잡한 추론에는 제한이 있다.

 

기기에 들어 있는 AI 모델은 보통 설치 시점이나 업데이트 시점의 지식을 바탕으로 작동한다. 따라서 방금 발생한 뉴스, 실시간 주가, 변경된 교통 상황, 최신 상품 재고처럼 계속 바뀌는 데이터는 온디바이스 AI만으로 정확하게 답하기 어렵다.

 

또한 수십 페이지의 계약서를 비교하거나, 여러 데이터베이스를 조회해 복합 보고서를 만들고, 고난도 논리 문제를 길게 추론하는 작업은 대형 클라우드 AI 모델이 더 적합할 수 있다.

 

실제 활용 장면을 보면 선택 기준이 더욱 명확해진다. 스마트워치가 사용자의 심박수 패턴에서 이상 징후를 빠르게 감지하거나, 차량이 전방 장애물을 인식해 경고를 보내는 기능은 네트워크가 끊겨도 작동해야 하므로 온디바이스 AI의 비중이 높다.

 

반면 병원 여러 곳의 진료 데이터를 통합 분석해 질병 위험도를 연구하거나, 대기업이 수년간의 판매 데이터를 분석해 수요 예측 모델을 만드는 작업은 대규모 저장 공간과 연산 자원이 필요하므로 클라우드 AI가 더 적합하다.

 

이처럼 온디바이스 AI는 현장에서 즉시 반응해야 하는 기능에, 클라우드 AI는 넓은 범위의 데이터와 강력한 분석이 필요한 업무에 강점을 가진다.

 

하이브리드 AI 시대, 온디바이스 AI와 클라우드 AI를 함께 쓰는 방법

 

앞으로의 AI 서비스는 온디바이스 AI와 클라우드 AI 중 하나만 선택하는 형태보다 두 방식을 결합하는 하이브리드 AI 구조로 발전할 가능성이 크다.

 

하이브리드 AI는 간단하고 민감한 작업은 기기 내부에서 처리하고, 더 복잡한 분석이 필요한 순간에만 클라우드 서버의 연산 능력을 활용하는 방식이다. 사용자는 그 과정이 어떻게 나뉘는지 인식하지 못한 채 빠르고 자연스러운 AI 경험을 얻을 수 있고, 서비스 제공자는 비용과 성능, 개인정보 보호의 균형을 맞출 수 있다.

 

스마트폰에서 작성 중인 메시지를 자동으로 다듬는 기능을 생각해 볼 수 있다.

 

짧은 문장의 맞춤법 검사, 문체 제안, 이모지 추천은 기기 안의 온디바이스 AI가 처리해도 충분할 수 있다. 그러나 사용자가 여러 페이지 분량의 회의록을 요약하고, 관련 자료를 종합해 보고서 초안을 만들며, 최신 자료까지 검색해 달라고 요청한다면 클라우드 AI의 대규모 모델과 검색 연동 기능이 필요해질 수 있다.

 

이때 서비스는 사용자의 요청 난이도, 데이터 민감도, 인터넷 상태, 기기 성능을 기준으로 처리 위치를 자동으로 판단할 수 있다.

 

애플의 구조는 하이브리드 AI를 이해하기 좋은 사례다. 애플은 기기에서 처리할 수 있는 요청은 온디바이스 처리로 해결하고, 더 많은 계산 능력이 필요할 때만 Private Cloud Compute를 활용한다고 설명한다.

 

개발자 문서 기준으로 기기 내 모델은 오프라인에서 작동하며 사용 제한 없이 사용할 수 있는 반면, 서버 기반 모델은 더 큰 32K 토큰 문맥과 다단계 추론을 지원한다.

 

이 방식은 단순히 “기기 AI가 부족하면 서버로 보낸다”는 의미를 넘어, 빠른 일상 기능과 복잡한 생성형 AI 기능을 서로 다른 환경에 배치하는 전략으로 볼 수 있다.

 

기업이 AI를 도입할 때도 하이브리드 AI는 실용적인 선택지가 될 수 있다. 매장 CCTV에서 사람의 움직임을 감지하거나 제조 라인에서 불량 여부를 판별하는 초기 작업은 현장 카메라나 엣지 장비에서 빠르게 수행할 수 있다.

 

이상이 감지된 일부 영상과 로그만 클라우드로 보내면 네트워크 사용량을 줄이고, 중앙 서버는 장기적인 품질 분석과 모델 개선에 집중할 수 있다. 전송해야 할 데이터 양이 줄어들면 통신 비용을 낮추는 데도 도움이 되며, 실시간 대응이 필요한 현장에서는 서버 응답을 기다리지 않아도 된다.

 

콘텐츠 제작 환경에서도 두 방식의 역할은 나뉠 수 있다. 노트북이나 스마트폰에서는 온디바이스 AI가 음성 메모를 텍스트로 변환하고, 오탈자를 점검하며, 사진의 배경을 간단히 보정하는 일을 맡을 수 있다.

 

이후 긴 초안을 구조화하고, 여러 자료를 비교하며, 복잡한 기획안을 다듬는 과정은 클라우드 AI가 지원하는 방식이다. 중요한 미공개 자료나 개인정보가 포함된 원고는 외부 서비스에 입력하기 전에 비식별화하거나, 기기 내 처리 기능을 우선 활용하는 습관이 필요하다.

 

온디바이스 AI와 클라우드 AI를 선택할 때는 네 가지 질문을 기준으로 판단하면 편하다.

 

첫째, 인터넷이 끊겨도 반드시 작동해야 하는가를 확인해야 한다.

둘째, 응답이 즉시 나와야 하는 실시간 기능인가를 살펴봐야 한다.

셋째, 원본 데이터를 외부로 보내기 어려운 민감한 정보가 포함되어 있는지 점검해야 한다.

넷째, 긴 문서 분석과 복잡한 추론처럼 대규모 연산이 필요한 작업인지 판단해야 한다.

 

앞의 네가지 질문 중 앞의 세 가지에 해당한다면 온디바이스 AI의 비중을 높이는 편이 유리하고, 마지막 항목의 비중이 크다면 클라우드 AI의 강점이 커진다.

 

정리하면 온디바이스 AI는 빠른 반응, 오프라인 사용, 개인정보 전송 최소화에 강점을 가진다.

 

클라우드 AI는 큰 모델, 최신 데이터 연결, 복잡한 추론, 대규모 연산에서 강하다.

 

스마트폰과 PC의 AI 칩 성능이 높아질수록 온디바이스 AI가 처리하는 범위는 넓어질 것이지만, 모든 작업을 기기 안에서 해결하기는 어렵다. 반대로 클라우드 AI 역시 고성능이라는 장점만으로 모든 상황에 적합하다고 보기 어렵다.

 

앞으로의 핵심은 온디바이스 AI와 클라우드 AI의 경쟁이 아니라, 사용자의 상황에 따라 두 기술을 얼마나 자연스럽고 안전하게 연결하느냐에 달려 있다.