Files

T

Antigravity Agent c24165b8bc refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조

에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게
[공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류.
문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인).

- Topic_Programming → Domain_Programming (내부 구조 보존)
- Topic_Graphic → Domain_Design
- Topic_Business → Domain_Product
- Topic_General → Domain_General
- _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning),
  Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing)
- 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서)
- 빈 폴더 정리 (memory/procedures)
- 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트)

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

2026-07-11 11:05:56 +09:00

9.1 KiB

Raw 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

로지컬 씽킹 (Logical Thinking)

🎯 한 줄 통찰 (One-line insight)

복잡한 비즈니스 문제를 MECE 원칙에 따라 분해하고, 사실(Fact)에 기반한 가설을 수립하여 실행 가능한 통찰을 도출하는 정밀한 사고 공학 체계이다 [1-3].

🧠 핵심 개념 (Core concepts)

MECE (Mutually Exclusive, Collectively Exhaustive): 어떤 사항을 중복 없이, 누락 없이 부분으로 나누어 전체를 파악하는 논리적 완전성의 기반이다 [4-7].
Fact-Based (사실 기반): 직관이나 편견이 아닌 객관적 데이터와 철저한 현장 조사 결과에 근거하여 문제를 분석한다 [8-11].
Hypothesis-Driven (가설 지향): 분석 전 '현시점의 결론'인 가설을 먼저 세우고 이를 검증함으로써 분석의 속도와 효율을 극대화한다 [12-15].
Logic Tree 및 Issue Tree: 문제를 계층적으로 구조화하여 원인을 규명(Why)하거나 해결책을 구체화(How)하는 시각적 도구이다 [7, 16-18].

🧩 추출된 패턴 (Extracted patterns)

BLUF (Bottom Line Up Front): 핵심 결론과 권고 사항을 가장 먼저 제시하고, 이를 뒷받침하는 근거를 계층적으로 나열하는 하향식(Top-down) 소통 패턴이다 [19-21].
So What? / Why So?: 데이터에서 비즈니스적 시사점을 추출하고(So What), 도출된 주장에 대해 구체적인 근거를 파고드는(Why So) 논리 검증 패턴이다 [22-25].
80/20 법칙 (Pareto Principle): 전체 문제의 80%를 결정짓는 핵심 드라이버(Key Driver)인 20%의 요소에 자원을 집중하는 우선순위화 휴리스틱이다 [26-29].

📖 세부 내용 (Details)

로지컬 씽킹은 단순히 논리적으로 생각하는 것을 넘어, 비즈니스 가치 창출을 위한 구체적인 방법론을 포함한다.

진짜 문제의 정의 (Problem Definition): 눈에 보이는 현상(Symptom)과 근원적인 문제(Root Cause)를 구분하는 것이 첫 단계이다 [30-32]. 문제는 구체적이고(Specific), 측정 가능하며(Measurable), 행동 지향적이고(Action-oriented), 관련성이 있고(Relevant), 기한이 정해진(Time-bound) SMART 원칙에 따라 정의되어야 한다 [29, 33-35].
구조적 분해와 프레임워크: 복잡한 문제는 3C(시장, 경쟁사, 자사), 4P(마케팅 믹스), 7S(조직 진단) 등 기검증된 프레임워크를 활용하여 MECE하게 분해한다 [18, 22, 34, 36]. 이를 통해 문제의 사각지대를 제거하고 분석의 범위를 획정한다 [4, 37, 38].
가설 기반 분석 디자인: '하루짜리 답(Day 1 Answer)'을 설정하여 분석의 방향타를 잡고, 이슈 트리에서 제기된 질문을 입증하기 위해 필요한 데이터 소스와 담당자, 일정을 포함한 워크 플랜(Work Plan)을 설계한다 [15, 39-41].
민토 피라미드 (Minto Pyramid): 정보를 전달할 때 피라미드 모양으로 논리를 쌓아 올려 메시지를 명확히 한다 [42, 43]. 최상단에는 전달하고자 하는 '키 메시지'를 두고, 하부에는 이를 뒷받침하는 근거들을 배치하여 설득력을 높인다 [5, 42, 44].

⚖️ 모순 및 업데이트 (Contradictions & updates)

데이터의 후행성 한계: 로지컬 씽킹이 기반으로 하는 과거 데이터는 미래의 비선형적인 변화(예: 아이폰의 등장)를 포착하지 못할 수 있으며, 이는 LG전자의 스마트폰 진입 실기 사례로 증명되었다 [45-47].
현실 수용성의 격차: 이론적으로 완벽한 논리적 해결책이라 하더라도 사내 정치, 재무적 한계 등 조직의 현실적 제약 조건과 충돌할 경우 실패할 가능성이 높다 [47-49].
AI 시대의 변화: AI의 도입으로 데이터 분석의 속도는 비약적으로 빨라졌으나, 문제를 올바르게 정의하고 가설을 수립하며 결과의 시사점을 해석하는 '로지컬 씽킹'의 가치는 오히려 더욱 강조되고 있다 [50-53].

🛠️ 적용 사례 (Applied in summary)

LG전자 스마트폰 사업: 2000년대 후반 맥킨지의 컨설팅에 따라 피처폰 마케팅에 집중했으나, 스마트폰 생태계로의 패러다임 전환을 예측하지 못해 사업 철수로 이어짐 [45, 54, 55].
두산그룹: 맥킨지의 조언에 따라 소비재(OB맥주 등)를 매각하고 중공업/건설 중심으로 사업 포트폴리오를 재편하여 단기 매출은 급증했으나, 금융위기와 규제 변화로 유동성 위기를 겪음 [46, 56].
세이코도 제과점: 도산 위기 상황에서 '전통 과자는 팔리지 않는다'는 편견을 버리고, 제로베이스 사고와 3C 분석을 통해 외국인 관광객 타깃 신상품을 개발하여 성공함 [36, 57, 58].

✅ 검증 상태 및 신뢰도

상태: draft
검증 단계: conceptual (실제 기업 사례를 통해 방법론의 유효성과 한계가 입증됨)
출처 신뢰도: B (맥킨지 출신 전문가의 저술 및 경영 전문 분석 기사 기반)
중복 검사 결과: 신규 생성 (New discovery)

상위/유사 개념

[사고 체계 및 원칙]

MECE
- 연결 이유: 로지컬 씽킹의 구조적 완전성을 담보하는 핵심 원칙 [4, 6, 59].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 정보의 중복과 누락을 방지하는 구체적 방법론.
가설 사고 (Hypothesis Thinking)
- 연결 이유: 분석의 효율성을 높이는 로지컬 씽킹의 엔진 [3, 12, 15].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 제한된 정보 속에서 빠른 의사결정을 내리는 법.
제로베이스 사고 (Zero-based Thinking)
- 연결 이유: 기존 프레임에 갇히지 않는 창의적 논리 전개의 출발점 [24, 60, 61].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 본질적인 가치에 집중하여 혁신적 대안을 찾는 법.

[분석 및 소통 도구]

민토 피라미드 (Minto Pyramid)
- 연결 이유: 로지컬 씽킹의 결과물을 효과적으로 전달하는 아키텍처 [5, 44, 62].
- 이 개념을 통해 더 깊게 이해할 수 있는 부분: 하향식 커뮤니케이션의 구조와 작성 원리.

심층 후속 질문 (Deeper Research Questions)

로지컬 씽킹 기반의 분석 결과가 실제 조직의 정치적 역학과 충돌할 때, 이를 조율하는 구체적인 '정치 역이용' 전략은 무엇인가? [49, 63]
80/20 법칙을 적용할 때, 20%의 핵심 드라이버를 판별해 내는 직관(Intuition)은 어떻게 훈련될 수 있는가? [28, 64]
인과관계(Causality)와 상관관계(Correlation)를 혼동하여 잘못된 의사결정을 내린 비즈니스 사례는 로지컬 씽킹으로 어떻게 방지 가능한가? [65, 66]
AI(특히 생성형 AI)가 로직 트리를 자동으로 생성해 줄 때, 인간 컨설턴트가 발휘해야 하는 차별화된 '통찰(Insight)'의 영역은 어디인가? [51, 53]
정량적 데이터가 부족한 '파괴적 혁신' 분야에서 '다차원 삼각측량 기법'을 활용해 가설을 검증하는 상세 프로세스는 무엇인가? [28, 67]

실무 적용 맥락 (Practical Application Contexts)

Implementation: 비즈니스 문제 발생 시 즉시 해결책으로 뛰어들지 않고, 문제 정의 워크시트를 작성하여 '진짜 문제'를 획정함 [32, 68, 69].
System Design: 분석 결과를 보고서화할 때 민토 피라미드 구조를 적용하여 결론 우선형(BLUF) 스토리라인을 구성함 [19, 42, 70].
Operation / Maintenance: 주기적인 KPI 추적과 워크플로우 재설계를 통해 로지컬 씽킹의 결과물이 현장에서 작동하는지 모니터링함 [52, 71].
Learning Path: MECE 원칙과 로직 트리 작성 훈련을 반복하여 일상적인 업무에서도 논리적 구조를 갖추는 습관을 체득함 [72, 73].

인접 주변 주제

PMA (Positive Mental Attitude)
- 확장 방향: 논리적 분석을 실행으로 옮기기 위한 주체적이고 전향적인 마음가짐 [2, 58, 74].
디자인 씽킹 (Design Thinking)
- 확장 방향: 사용자 중심의 공감과 로지컬 씽킹의 구조적 분석을 결합한 하이브리드 문제해결 [75, 76].

📝 변경 이력 (Change history)

2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine.

9.1 KiB Raw Blame History