---
id: empathy-mapping
title: "Empathy Mapping"
category: "10_Wiki/Topics"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["공감 지도"]
duplicate_of: ""
source_trust_level: "B"
confidence_score: 0.85
created_at: 2026-05-22
updated_at: 2026-05-22
review_reason: ""
merge_history: []
tags: ["research", "design thinking"]
raw_sources: ["NotebookLM Synthesis"]
applied_in: ["Stanford d.school Teaching/Learning Aids", "Voltage Control AI Transformation Program"]
github_commit: ""
---

# [[Empathy Mapping]]

## 🎯 한 줄 통찰 (One-line insight)
사용자 인터뷰에서 얻은 파편화된 정보를 **말하기(Say), 행동하기(Do), 생각하기(Think), 느끼기(Feel)**의 4가지 관점으로 통합하여, 팀이 사용자의 경험적 맥락을 깊이 있게 공유하도록 돕는 시각적 도구이다 [1].

## 🧠 핵심 개념 (Core concepts)
- **정보의 통합 (Consolidation):** 인터뷰와 관찰을 통해 수집된 가치 있는 정보들을 한데 모아 정리하는 역할을 한다 [1].
- **4분면 구조 (Four Quadrants):** 사용자가 문제 상황에서 무엇을 **말하고(Say)**, **행동하며(Do)**, 어떤 **생각(Think)**을 하고, 무엇을 **느끼는지(Feel)**를 포착한다 [1, 2].
- **맥락적 이해 (Contextual Understanding):** 동료들이 사용자의 상황과 경험 방식을 이해할 수 있도록 돕는 정성적 데이터의 시각적 체계이다 [1].
- **신호 보존 (Preserving Human Signal):** AI를 활용한 대규모 데이터 합성 과정에서도 인간의 본질적인 피드백과 감정적 신호를 유지하는 기준점이 된다 [3, 4].

## 🧩 추출된 패턴 (Extracted patterns)
- **언행 불일치의 포착:** 사용자가 말하는 것(Say)과 실제로 행하는 것(Do) 사이의 단절을 시각적으로 대조하여 숨겨진 니즈나 '워크어라운드(Work-around)'를 발견한다 [5, 6].
- **언패킹(Unpacking) 전략:** 머릿속의 정보를 포스트잇, 사진, 인용구 등을 사용하여 벽에 시각화함으로써 팀원 간의 연결과 합의를 이끌어낸다 [7, 8].
- **AI 협업 패턴 (AI as a Collaborator):** 대규모 데이터셋에서 AI가 패턴을 요약하고, 인간 팀원이 공감 지도를 통해 의미를 부여하고 전략적 우선순위를 결정하는 협력 구조를 가진다 [3, 4, 9].

## 📖 세부 내용 (Details)
**Empathy Mapping**은 디자인 씽킹의 첫 단계인 '공감(Empathize)' 모드에서 수집된 정성적 데이터를 '정의(Define)' 모드로 넘기기 위해 정리하는 핵심적인 합성 도구이다 [1, 7]. 단순히 데이터를 나열하는 것이 아니라, 사용자의 물리적 발현(말과 행동)을 통해 보이지 않는 무형의 의미(생각과 느낌)를 유추하는 과정이다 [10, 11].

이 도구는 특히 팀 프로젝트에서 강력한 효과를 발휘한다. 팀원들은 각자가 관찰한 내용을 공유하며, 사용자의 사진이나 직접적인 인용구를 포스트잇에 적어 공감 지도의 각 섹션에 배치한다 [7, 8]. 이를 통해 팀 전체가 사용자의 삶과 가치관에 대해 "새로운 눈(Fresh set of eyes)"을 갖게 되며, 필터링 없이 원시 데이터를 직면하게 된다 [10, 11].

2026년 기준 실무 맥락에서는 **AI 강화 합성(AI-Enhanced Synthesis)**이 적용되고 있다. 대규모 사용자 인터뷰나 글로벌 트렌드 데이터를 LLM(거대 언어 모델)이 분석하여 핵심 고충점(Pain points)을 공감 지도 형식으로 요약해 주면, 디자인 팀은 이 중 무엇이 비즈니스적으로나 인간적으로 중요한 의미를 갖는지 최종 판단한다 [3, 12].

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **AI의 역할 변화:** 과거에는 공감 지도가 순수하게 인간의 수작업 영역이었으나, 최신 소스에 따르면 AI는 공감 지도를 분석하고 대규모 데이터에서 숨겨진 패턴을 찾아내는 '협업자'로 기능이 확장되었다 [4, 9].
- **전통적 연구와의 긴장:** 전통적인 통계 중심 연구는 대규모 샘플을 중시하지만, 공감 지도는 소수의 '아웃라이어(Outliers)'나 특이한 행동을 하는 사용자에게서 더 강력한 통찰을 얻는 경우가 많다는 점에서 차이가 있다 [13].

## 🛠️ 적용 사례 (Applied in summary)
- **Stanford d.school 교수법 도구:** 학생들이 사용자의 니즈를 파악하고 통찰을 개발하기 위해 사용하는 "Empathy Map" 활동지가 공식적으로 포함되어 있다 [14, 15].
- **Voltage Control AI Transformation:** AI 도입 시 기술적 배포에 앞서, 업무 방식이 변하는 사람들의 입장을 이해하기 위한 '공감 지도 분석' 단계가 필수적으로 포함된다 [9, 16].
- **의료 시스템 개선:** 간호사의 교대 근무 인계(Nursing handoff) 프로세스 개선 프로젝트에서 현장 직원을 관찰하고 인터뷰한 내용을 시각화하는 데 적용되었다 [17-19].

## ✅ 검증 상태 및 신뢰도
- **상태:** draft
- **검증 단계:** conceptual (실제 적용 사례 다수 발견됨)
- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
- **중복 검사 결과:** 신규 생성 (New discovery)


## 🔗 관련 문서 링크 (Related document links)

### 상위/유사 개념
- [[design thinking]]
  - 관계 유형: 루트 주제 / 철학적 근간
  - 연결 이유: 디자인 씽킹은 공감 지도를 포함하는 전체적인 프로세스이자 이데올로기이다 [20].
- [[Empathize]]
  - 관계 유형: 단계적 기반
  - 연결 이유: 공감 지도는 공감 모드에서 수행되는 핵심적인 연구 및 합성 활동이다 [1].
- [[Define]]
  - 관계 유형: 후속 단계
  - 연결 이유: 공감 지도를 통해 도출된 통찰은 명확한 문제 정의(POV)의 기초가 된다 [1, 7].

### 심층 후속 질문 (Deeper Research Questions)
- 사용자가 말하는 것(Say)과 행동하는 것(Do) 사이의 단절이 발견될 때, 이를 어떻게 혁신적인 솔루션의 기회로 전환하는가? [5, 6]
- AI가 생성한 공감 지도의 요약 내용에서 인간의 감정적 뉘앙스가 누락되지 않도록 검증하는 프로세스는 무엇인가? [3, 9]
- 'Think'와 'Feel' 섹션을 작성할 때 디자이너의 주관적 편향(Bias)이 섞이지 않도록 방지하는 방법은 무엇인가? [12]
- 공감 지도가 단순한 데이터 나열을 넘어 '강력한 인사이트(Powerful insights)'로 전이되는 결정적인 순간은 언제인가? [21, 22]
- 의료나 항공과 같은 고위험(High-stakes) 환경에서 저해상도(Low-fidelity) 공감 데이터가 가지는 위험과 이점은 무엇인가? [23, 24]

### 실무 적용 맥락 (Practical Application Contexts)
- **Implementation:** 인터뷰 후 팀 세션을 통해 벽면이나 디지털 화이트보드(Miro 등)에 4분면을 그리고 데이터를 배치한다 [7, 25].
- **System Design:** 사용자의 고충점을 파악하여 AI 에이전트나 시스템이 집중해야 할 페인 포인트를 결정한다 [1, 26].
- **Operation / Maintenance:** AI 도입 프로젝트에서 변화에 대한 저항을 줄이기 위해 직원들의 심리적 상태를 맵핑한다 [9, 27].
- **Learning Path:** 디자인 씽킹 초보자는 관찰 데이터를 객관적으로 분류하는 공감 지도 작성부터 학습을 시작한다 [14, 28].

### 인접 주변 주제 (Adjacent Topics)
- [[Persona]]
  - 확장 방향: 공감 지도의 데이터는 특정 사용자 유형을 대변하는 페르소나 구축의 핵심 소스가 된다 [29].
- [[User Journey Map]]
  - 확장 방향: 공감 지도가 특정 순간의 사용자 상태를 보여준다면, 저니 맵은 시간 흐름에 따른 경험 변화를 보여준다 [7, 8].

## 📝 변경 이력 (Change history)
- 2026-05-22: Initial draft generated via Datacollector_MAC P-Reinforce engine based on 20 sources.