가설을 문장으로 고정
"무엇을 검증할 것인가"를 텍스트로 못 쓰면, 개발이 아니라 탐색이다
Agentic MVP에서 가장 비싼 비용은 개발 시간이 아니라 애매함(ambiguity) 입니다. AI 에이전트를 잘 쓰려면, 먼저 사람이 가설과 판정 기준을 문장으로 고정해야 합니다.
가설 템플릿(필수)
아래 6줄을 한 문서(1페이지) 에 고정합니다.
- 대상(Who):
- 상황/문제(When/Problem):
- 가치(Value):
- 행동(Behavior):
- 측정(Metric):
- 판정 기준(Decision rule):예시(형식 참고)
- 대상: 주 1회 이상 광고 집행하는 소상공인 마케터
- 문제: 캠페인 성과 보고서 작성에 매번 1~2시간이 든다
- 가치: 데이터 요약/인사이트/다음 액션을 5분 내로 만든다
- 행동: 업로드 → 요약 확인 → 공유 링크 생성
- 측정: 업로드→요약 확인 전환율, D1 재사용률, 공유율
- 판정 기준: 50명의 타겟 사용자가 테스트했을 때 D1 재사용률이 의미 있게 발생하면 Go, 아니면 Pivot판정 기준은 숫자 고정이 아니라 ‘규칙’ 고정
초기에는 샘플이 작기 때문에 숫자 자체보다 판정 규칙이 중요합니다. 예: "결제 의사(실결제/예약/상담) 5건 이상이면 Go"처럼 행동 기반으로 두면 빠릅니다.
제품 약속을 먼저 쓴다
AI 에이전트는 카피를 많이 만들 수 있지만, 좋은 카피는 검증할 제품 약속이 선명할 때만 나옵니다.
| 항목 | 나쁜 예 | 좋은 예 |
|---|---|---|
| 대상 | 마케터 | 주 1회 이상 광고 리포트를 고객에게 보내는 대행사 AE |
| 문제 | 보고서가 귀찮다 | 금요일마다 2시간씩 수동 캡처와 코멘트를 반복한다 |
| 약속 | AI가 자동화한다 | CSV 업로드 후 5분 안에 고객 공유용 초안을 만든다 |
| 증거 | 사람들이 좋아할 것 같다 | 대기자 등록, 데모 요청, 첫 결과 공유, 결제 의사 |
| 판정 | 반응이 좋으면 계속 | 20명 노출 후 5명 이상 데모 요청이면 Thin Slice |
AI가 만든 "그럴듯한 시장 분석"은 참고 자료일 뿐입니다. 판정은 실제 타겟의 행동, 대화, 지불 의사로만 내리세요.
타겟을 더 날카롭게 만드는 질문
타겟이 넓으면 실험이 느려집니다.
- "누구나"가 아니라, 가장 아픈 사람 20명은 누구인가?
- 대안은 무엇인가? (엑셀/노션/인턴/외주/수기)
- 지금도 돈/시간을 쓰는가? (이미 지불 중이면 좋은 신호)
- "오늘" 해결하지 않으면 생기는 비용은?
- 누가 예산을 승인하고, 누가 매일 쓰는가? (B2B에서는 구매자와 사용자가 다를 수 있음)
- 지금 쓰는 대안을 바꾸려면 어떤 신뢰 조건이 필요한가?
1페이지 MVP 브리프(추천)
Claude Code에 맡길 것 vs 사람이 해야 할 것
| 구분 | 사람이 한다 | 에이전트가 돕는다 |
|---|---|---|
| 가설 | 최종 문장/판정 | 질문 리스트, 대안 정리 |
| 제품 | 핵심 플로우 승인 | 카피/상태/에러 메시지 |
| GTM | ICP/채널/가격 최종 선택 | 메시지 변형, 반론 FAQ, 리드 분류 |
| 개발 | 우선순위/리스크 판단 | 작업 분해, 구현, 테스트 |
| 계측 | 판정 기준 확정 | 이벤트 설계, SQL/대시보드 |
| 학습 | 결론/다음 가설 | 리포트 초안, 요약/클러스터링 |
합성 사용자와 AI 리서치 사용 규칙
- 사용 가능: 초기 문제 공간 탐색, 인터뷰 질문 초안, 경쟁 대안 정리, 카피 변형
- 사용 금지: 실제 수요 검증 대체, 가격 의사 대체, Go 판정 근거 대체
- 리포트 원칙: "AI 추론"과 "실제 사용자 발화/행동"을 분리해서 기록
참고 자료
- Ash Maurya, Running Lean — 초기 가설을 문장으로 고정하고 검증 항목을 분리하는 방법.
- Rob Fitzpatrick, The Mom Test — 인터뷰 편향을 줄이고 실제 문제를 확인하는 질문 방식.
- Teresa Torres, Continuous Discovery Habits — 작은 단위의 반복 학습과 가설 갱신 습관.
- arXiv, Using Generative Agents to Validate Product Concepts — 합성 사용자 기반 제품 발견의 가능성과 한계를 검토한 연구.