Antigravity Agent
32 lines
2.3 KiB
Markdown
32 lines
2.3 KiB
Markdown
---
|
|
id: [[P-Reinforce|P-Reinforce]]-AUTO-CDIS-001
|
|
category: Unified
|
|
confidence_score: 0.94
|
|
tags: [auto-reinforced, continuous-discovery, product-discovery, dual-track-agile, customer-feedback, [[Hypothesis-Testing|Hypothesis-Testing]]]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Continuous-Discovery|Continuous-Discovery]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "만들기 전에 증명하기: 매주 고객과 대화하며 그들의 진짜 고통을 확인하고, 매일 가설을 검증하여 '아무도 원하지 않는 제품'을 만드는 리스크를 0에 가깝게 줄이는 현대적 기획의 호흡법."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
지속적 발견(Continuous-Discovery)은 제품 팀이 어떤 기능을 만들지 결정하기 위해 매주 고객과 상호작용하며 학습하는 과정입니다. (Teresa Torres의 프레임워크가 대표적)
|
|
|
|
1. **핵심 워크플로우**:
|
|
* **Outcome Focus**: 기능 개발이 아니라 '사용자의 행동 변화'라는 결과에 집중.
|
|
* **Weekly User Interviews**: 일회성 조사가 아닌 정기적인 고객 접점 확보.
|
|
* **Opport[[Unity|Unity]] [[Solution|Solution]] Tree**: 목표-기회-솔루션을 시각화하여 최선의 경로 탐색. (Decision-Making와 연결)
|
|
2. **왜 중요한가?**:
|
|
* 시장의 변화 속도가 너무 빨라, 한 번의 완벽한 기획서 정책은 반드시 실패하기 때문임. (Agile와 연결)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 기획자와 고객이 만나는 것이 시간 낭비라 여겼으나, 현대 정책은 개발자가 고객의 목소리 정책을 직접 듣고 가설 정책을 즉시 수정하는 '임파워드 팀 정책(Empowered Teams)'이 훨씬 더 혁신적인 결과를 낸다는 점을 인정함(RL Update).
|
|
- **정책 변화(RL Update)**: 이제는 단순 인터뷰 정책을 넘어, AI 가 수만 건의 피드백 정책을 실시간으로 분석([[Text-Mining|Text-Mining]])하여 기획자에게 '기회 영역'을 추천해 주는 'AI-Augmented Discovery'로 진화 중임. (Text-Mining와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- Decision-Making, Agile, [[Text-Mining|Text-Mining]], [[Research|Re[[Search]]-Methodology]], [[Product-Management|Product-Management]]
|
|
- **Key Figure**: Teresa Torres.
|
|
---
|