---
id: jobs-to-be-done-(jtbd)
title: "Jobs-to-Be-Done (JTBD)"
category: "10_Wiki/Topics"
status: "draft"
verification_status: "conceptual"
canonical_id: ""
aliases: ["JTBD"]
duplicate_of: ""
source_trust_level: "B"
confidence_score: 0.85
created_at: 2026-06-12
updated_at: 2026-06-12
review_reason: ""
merge_history: []
tags: ["research", "Assumption Validation Loop"]
raw_sources: ["NotebookLM Synthesis"]
applied_in: ["DeepL/Roadmap Alignment", "Lokalise/Shopify Translation App Adoption"]
github_commit: ""
---

# [[Jobs-to-Be-Done (JTBD)]]

## 🎯 한 줄 통찰 (One-line insight)
제품 개발의 초점을 표면적인 기능 요청에서 **사용자가 해결하고자 하는 근본적인 동기와 의도**로 전환하여 제품-시장 적합성(PMF)을 확보하는 프레임워크이다 [1, 2].

## 🧠 핵심 개념 (Core concepts)
- **사용자 의도 중심 (User Intent):** 사용자가 무엇을 원하는지(What)가 아니라 **왜 그것을 하려고 하는지(Why)**에 집중하여 가설을 수립한다 [1].
- **과제 성명서 (Job Statement):** "특정 [상황]일 때, 나는 [동기]를 원하며, 이를 통해 [기대 결과]를 얻고 싶다"는 구조화된 형식으로 사용자 요구를 정의한다 [1].
- **다차원적 과제 분류:** 사용자의 과제는 기능적(실용적 작업), 정서적(느끼고 싶은 감정), 사회적(타인에게 보이고 싶은 모습) 층위로 나뉜다 [3, 4].
- **검증 격차 식별 (Validation Gap):** 제품의 가치 제안이 고객의 핵심 과제 3가지와 직접 매핑되지 않는다면, 이는 검증되지 않은 가설이 존재함을 의미한다 [5].

## 🧩 추출된 패턴 (Extracted patterns)
- **가치 제안 매핑 패턴:** 가치 제안 캔버스(VPC)를 통해 제품의 고통 완화제(Pain Relievers)를 고객의 JTBD와 직접 연결하여 문제-솔루션 적합성을 확인한다 [5].
- **린 실험 설계 패턴:** 실험 대상인 고객 그룹을 정의할 때, 인구통계학적 정보보다 **해당 그룹이 가진 치명적인 '수행할 과제(Jobs-to-be-Done)'**를 필수 설명자로 포함한다 [6].
- **기능의 과제 치환:** 예를 들어 '보고 기능' 요청을 '이해관계자 회의에서 유능해 보이고 싶음(사회적 과제)'으로 치환하여 해석함으로써 더 깊은 통찰을 얻는다 [4].

## 📖 세부 내용 (Details)
- **가설 수립의 근간:** JTBD는 가정 검증 루프(Assumption Validation Loop)에서 정성적 발견(Qualitative Discovery) 단계의 핵심 도구로 활용된다 [7]. 제품 로드맵이나 백로그를 구성할 때 직관이 아닌 **검증된 사용자 통찰**에 기반하도록 돕는다 [8, 9].
- **과제 성명서의 구조:** 효과적인 JTBD 정의는 다음의 구성 요소를 포함한다 [1]:
    - **상황(Situation):** 사용자가 과제에 직면한 맥락.
    - **동기(Motivation):** 사용자를 움직이게 하는 내적 추진력.
    - **기대 결과(Expected Outcome):** 과제 해결을 통해 얻고자 하는 구체적인 변화.
- **다차원적 분석 예시:** 사용자가 "더 나은 보고 기능"을 요청할 때, JTBD는 이를 세 가지 차원으로 분석한다 [4]:
    - **기능적:** 데이터에서 빠르게 통찰을 생성함.
    - **정서적:** 데이터 제시 과정에서 자신감을 얻음.
    - **사회적:** 팀 내에서 준비된 인재로 인식됨.
- **린 실험과의 결합:** 실험 설계 시 사용자가 단순히 "이 제품을 사용하겠다"고 말하는지(의견)가 아니라, **과거에 유사한 문제를 해결하기 위해 어떤 행동을 했는지(행동)**를 탐구하는 '맘 테스트(Mom Test)'와 결합되어 강력한 시너지를 낸다 [10].

## ⚖️ 모순 및 업데이트 (Contradictions & updates)
- **의견 대 행동:** 사용자의 표면적인 요청(기능 추가)은 실제 행동과 불일치할 확률이 높으므로, JTBD 기반의 인터뷰는 과거 행동과 **기저의 동기**를 파헤치는 데 주력해야 한다 [10, 11].
- **최신 동향:** 최근에는 AI 어시스턴트를 활용하여 JTBD 인터뷰 내용을 분석하고 가설을 생성하는 등 발견 프로세스를 가속화하는 경향이 있다 [12].

## 🛠️ 적용 사례 (Applied in summary)
- **DeepL:** 팀 간 정렬(Alignment)과 제품 로드맵 수립을 위해 JTBD 프레임워크를 전사적으로 적용하여 의사결정 구조를 개선하였다 [4].
- **Lokalise:** Shopify 번역 앱 출시 과정에서 가정 매핑(Assumption Mapping)과 함께 JTBD를 적용하여 욕구(Desirability), 실현 가능성(Feasibility), 수익성(Viability)을 통합적으로 검증하고 초기 채택을 성공적으로 유도하였다 [13].

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

## 📝 변경 이력 (Change history)
- 2026-06-12: Initial draft generated via Datacollector_MAC P-Reinforce engine.