Files

T

Antigravity Agent d77ff5c625 wiki: Topic_Agent 신규 문서 일괄 추가 + ASTRA 성장 자산(인벤토리·reflections·장기기억) 동기화

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

2026-06-12 23:51:14 +09:00

6.9 KiB

Raw Permalink Blame History

id, title, category, status, verification_status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, created_at, updated_at, review_reason, merge_history, tags, raw_sources, applied_in, github_commit

title

Mom Test

🎯 한 줄 통찰 (One-line insight)

사람들의 호의적인 거짓말을 배제하고 오직 과거의 구체적인 행동 데이터만을 추출하여 아이디어의 시장 수요를 객관적으로 검증하는 인터뷰 원칙 [1-3].

🧠 핵심 개념 (Core concepts)

과거 행동 중심 (Historical Behavior): 미래의 의도("~할 것인가요?")가 아닌 과거의 사실("마지막으로 이 문제를 겪었을 때 어떻게 했나요?")에 집중함 [1, 3].
추측 배제 (Anti-Speculation): "정말 좋은 아이디어네요"와 같은 빈말(Compliments)을 배제하고, 실제 시간/금전적 손실을 감수한 행동만을 증거로 채택함 [2, 4].
수동 해결책 식별 (Manual Workarounds): 사용자가 현재 문제를 해결하기 위해 스스로 고안해낸 투박한 수동 작업이 있는지 확인하여 문제의 고통 지수를 측정함 [2].
편향 없는 질문 설계 (Unbiased Scripting): 답변자가 질문자의 의도를 파악해 긍정적인 답변을 하도록 유도하지 않는 질문 구조를 유지함 [4, 5].

🧩 추출된 패턴 (Extracted patterns)

질문 전환 패턴: "이 제품을 사용하시겠습니까?"라는 질문을 "마지막으로 이 문제를 해결하기 위해 돈을 썼던 때가 언제였나요?"로 전환하여 답변자의 실제 고통을 확인 [3].
수요 적격성 판별 (Demand Qualification): 답변자가 최근 사례를 기억하지 못하거나 현재 지불 의사가 없다면, 해당 통증은 비즈니스로 전환될 만큼 심각하지 않은 것으로 간주함 [3].
검증 위계 (Hierarchy of Commitment): 구두 확인(약함) → 평판 투자(중간) → 시간 투자(강함) → 금전적 약속(매우 강함) 순으로 데이터의 가치를 차등 부여함 [6].

📖 세부 내용 (Details)

검증 연극(Validation Theater) 방지: Mom Test는 주변 지인이나 가족이 상처를 주지 않기 위해 하는 "좋은 아이디어"라는 거짓 피드백을 걸러내는 필터 역할을 함 [1, 7]. 이는 제품 출시 후 발견될 치명적인 시장성 결여를 사전에 방지하는 장치임 [1, 8].
정성적 발견(Qualitative Discovery) 도구: Assumption Validation Loop의 초기 단계에서 Problem Validation을 수행할 때 핵심적인 역할을 함 [4, 9]. 사용자가 질문자의 유도 없이 스스로 감정과 구체적인 상황을 묘사할 때 가장 강력한 신호(Key signal)로 판단함 [10].
워크플로우 통합: 현대적인 Lean Startup 환경에서는 AI 기반의 **인터뷰 스크립트 생성기(Interview Script Generator)**를 통해 해당 원칙을 준수하는 질문지를 자동으로 설계하고, 이를 통해 수집된 데이터를 패턴화하여 관리함 [5].

⚖️ 모순 및 업데이트 (Contradictions & updates)

의도와 행동의 괴리: Bain & Company의 연구에 따르면, 사용자의 '지불 의사 표명'은 실제 구매 행동을 약 60% 과대평가하는 경향이 있음 [11]. 따라서 Mom Test는 구두 확인을 가장 약한 증거로 규정하고 실질적인 '약속(Commitment)'을 요구함 [6, 11].

🛠️ 적용 사례 (Applied in summary)

Interview Script Generator: 특정 고객 세그먼트와 산업 맥락에 맞춰 Mom Test를 준수하는 토론 가이드를 생성하는 도구에 적용됨 [5].
14-Step Validation Flow (Step 1-3): 제품 발견 프로세스의 초기 단계에서 잠재 사용자의 온라인 토론 분석 및 구조화된 인터뷰를 수행할 때 이 원칙을 사용함 [2, 12].
Lokalise Shopify App 개발: 아이디어 빌딩 전 고객의 고통 지수를 확인하기 위한 인터뷰 단계에서 이 원칙이 사용된 사례가 발견됨 [13].

✅ 검증 상태 및 신뢰도

상태: draft
검증 단계: conceptual (실제 인터뷰 가이드 생성 도구의 논리 엔진으로 활용 중 [5])
출처 신뢰도: B (LeanPivot.ai 및 IdeaProof 등 주요 스타트업 가이드라인에서 공통적으로 강조됨)
중복 검사 결과: 신규 생성

상위/유사 개념

[관계 유형: 전략적 방법론]

Assumption Validation Loop
- 연결 이유: Mom Test는 루프 내에서 정성적 데이터를 확보하는 구체적인 수단임.
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 가설 수립 후 가장 먼저 수행해야 할 '인간 중심' 검증 단계.

[관계 유형: 검증 계층]

Problem Validation
- 연결 이유: 문제가 실제로 존재하는지 확인하기 위해 Mom Test가 필수적으로 사용됨.
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 고객이 겪는 고통의 실체와 긴급도를 판단하는 기준.

심층 후속 질문 (Deeper Research Questions)

질문자가 무의식중에 답변자에게 보내는 긍정적 신호를 어떻게 완전히 통제할 수 있는가? [4, 14]
AI 기반 Mom Test 스크립트 생성 시, 특정 산업의 전문 용어(Jargon)가 데이터 왜곡에 미치는 영향은 무엇인가? [5]
과거 행동 데이터가 전혀 존재하지 않는 '초기 시장'의 경우 Mom Test를 어떻게 변형하여 적용해야 하는가? [11]
수집된 정성적 피드백에서 '칭찬'과 '실제 수요'를 분리하는 자동화된 감정 분석 모델이 가능한가? [5, 15]

실무 적용 맥락 (Practical Application Contexts)

Implementation: 고객 인터뷰 스크립트 작성 시 "할 것입니까?"라는 단어를 검색하여 모두 삭제하고 과거형 시제로 변경 [1, 3].
System Design: Assumption Validation Loop 대시보드에서 각 가설의 증거 등급을 매길 때 Mom Test 준수 여부를 가중치로 부여 [6].
Operation / Maintenance: 비즈니스 모델이 흔들릴 때(Pivot 상황), 다시 기초로 돌아가 Mom Test를 통해 현재 시장의 근본적인 고통 지점을 재탐색 [16, 17].

인접 주변 주제 (Adjacent Topics)

Jobs to Be Done
- 확장 방향: 사용자가 해결하려는 '근본적인 과업'이 무엇인지 파악하기 위해 Mom Test 질문법을 병행 사용함 [4, 18].

📝 변경 이력 (Change history)

2026-06-12: Initial draft generated via Datacollector_MAC P-Reinforce engine based on source synthesis.

6.9 KiB Raw Permalink Blame History