# AI Design Thinking 워크숍 산출물

## 메타데이터

| 항목 | 내용 |
| --- | --- |
| **워크숍 일시** | 2026-05-05 |
| **진행자** | Squarelight AX팀 디자인씽킹 컨설턴트 (sq-ai-design-thinking) |
| **사용자** | dev@squarelight.ai |
| **워크숍 목적** | 문제 정의 (Problem Framing) |
| **현재 위치** | Pain은 명확, 솔루션 모름 |
| **선택한 진행 모드** | Problem Framing 콤보 |
| **사용된 프레임워크** | F2-6 Lean UX Canvas → F2-7 How Might We → F3-2 AI Canvas |
| **`[추정]` 태그 안내** | 컨설턴트가 사용자 답변·도메인 맥락에 기반해 추정한 항목. 사용자 검토·승인을 거쳤으나 사실 확인 필요 시 본 태그를 단서로 재검증 권장 |

---

## 컨설턴트 도메인 해석

이 케이스는 단순 RAG 도입이 아니라 **사내 지식관리(KM) + AI 증강(Augmentation) + 변화관리(Change Management)** 의 교집합이다.

핵심 인사이트 두 가지:

1. **대체(Replace)가 아닌 증강(Augmentation)으로 프레이밍해야 현업 저항이 풀린다.** "당신의 노하우를 빼앗는 AI"가 아니라 "당신의 노하우를 증폭시키는 AI."
2. **10× 는 한 사람의 산출이 아니라 한 사람의 영향 반경이다.** 본인 업무를 10× 빠르게 하는 게 아니라, 본인 노하우가 조직 전체에 재사용되어 10× 영향을 내는 구조.

---

## F2-6 — Lean UX Canvas (Problem Framing)

> **언제 쓰나**: 현업 문제를 AI가 개입 가능한 수준으로 구체화·프레이밍할 때
> **핵심 질문**: 이 비즈니스 문제를 AI 가설로 어떻게 표현할 수 있는가?

### 1. 비즈니스 문제 (Business Problem)

회사 내부 문서가 파편화되어 있고, 각자의 암묵지나 노하우가 제대로 공유되지 않고 일관적이지 않게 적용되고 있음.

### 2. 사용자 / 이해관계자 (Users & Stakeholders)

- **현업 도메인 전문가** — 그동안 해오던 방식으로 업무를 유지하고 싶어 함 (변화 저항)
- **경영진** — AX(AI Transformation)를 적극 추진하고자 함

> 두 집단의 정렬 부재 자체가 그 자체로 핵심 Pain Point.

### 3. 사용자 목표 (User Goals)

기존 인원으로 AI를 통해 **10× 이상의 성과**를 달성하는 것.

### 4. 현재 경험의 문제점 (Current Pain Points) `[추정]`

- 문서가 Notion · Google Drive · Slack · 로컬 PC · 이메일 첨부 등 다중 위치에 산재 → 검색 비용 高
- 동일 업무를 사람마다 다르게 처리 (예: 견적·계약·고객 응대 톤이 담당자별로 상이)
- 신입·교체 인력 onboarding 시 암묵지 손실 → 학습 곡선 1~3개월
- 경영진의 AX 비전과 현업의 일상 워크플로우 사이에 **번역자 부재**

### 5. AI 기반 해결 가설 (Hypothesis) `[추정]`

> 우리는 **사내 지식·문서·암묵지를 통합 인덱싱한 RAG 기반 AI 어시스턴트**를 도입하면, 현업 전문가가 자기 업무 방식을 유지하면서도, 본인 노하우가 조직 전체에 자동 전파·재사용되어 **1인 영향 반경 10×** 가 달성될 것이라 가정한다.

### 6. 핵심 가정 (Assumptions — 가설 성립 조건) `[추정]`

- 문서·노하우의 ≥70% 가 디지털 형태로 어딘가 존재한다 (구두 전수만 있는 경우는 별도 인터뷰 캡처 필요)
- 현업 전문가가 "AI가 내 일을 대체"가 아닌 "내 노하우가 증폭"으로 받아들일 수 있는 UX·거버넌스가 가능하다
- 보안·기밀 분류가 가능한 데이터 거버넌스 체계를 6개월 내 갖출 수 있다

### 7. 성공 지표 (Success Metrics — 정량) `[추정]`

| 분류 | 지표 | 목표 |
| --- | --- | --- |
| 시간 | 정보 탐색 시간 단축 | −70% |
| 시간 | onboarding 기간 | 3개월 → 2주 |
| 품질 | 동일 업무 산출물 일관성 (피어리뷰 점수) | +30%p |
| 확산 | 사내 AI 어시스턴트 WAU/전체 직원 | ≥ 60% |
| 사업 | 1인당 처리 가능 업무량 | × 10 |

### 8. 검증 실험 (Experiments — PoC 아이디어) `[추정]`

- **PoC-A**: 한 부서(가장 문서 의존도 높은 곳, 예: 영업/CS/법무) 선정 → 해당 부서 문서 RAG 인덱싱 → 일상 질문 답변 정확도 4주 측정
- **PoC-B**: 현업 전문가 3명 대상 "AI 페어워크" — 일주일간 자기 업무를 AI와 함께 처리 → 만족도·시간단축·품질 비교
- **PoC-C**: 암묵지 인터뷰 스킬(Loom 녹화 + 자동 전사·요약·구조화) → 1인 노하우의 조직 자산화 파이프라인

---

## F2-7 — How Might We 세션

> **언제 쓰나**: 문제를 창의적 솔루션 질문으로 전환해 다양한 방향을 탐색할 때
> **핵심 질문**: *우리는 어떻게 하면 ~할 수 있을까?*

### ① 문제 진술 (Problem Statement)

> 우리 회사의 문서·노하우는 다중 위치에 파편화되어 있고 한 사람의 암묵지가 조직 자산으로 흐르지 않으며, 동시에 경영진의 AX 의지와 현업의 안정적 워크플로우 유지 욕구 사이에 정렬이 부재하여, 기존 인원으로 10× 성과를 내는 길이 막혀 있다.

### ② HMW 질문 5개

| # | How Might We 질문 | 초점 |
| --- | --- | --- |
| HMW-1 | 우리는 어떻게 하면 현업 전문가의 노하우를 **본인 업무 부담 없이** 자동 캡처할 수 있을까? | 지식 캡처 (저항 최소화) |
| HMW-2 | 우리는 어떻게 하면 흩어진 사내 문서를 **한 곳에서 자연어로** 조회·인용하게 할 수 있을까? | 지식 검색 (RAG) |
| HMW-3 | 우리는 어떻게 하면 AI 도입을 *"대체"가 아닌 "증폭"* 으로 인식되게 할 수 있을까? | 변화 관리 |
| HMW-4 | 우리는 어떻게 하면 1인의 노하우가 조직 전체에 **자동 확산·재사용** 되게 할 수 있을까? | 지식 확산 (10× 영향) |
| HMW-5 | 우리는 어떻게 하면 신규 입사자가 **2주 안에 베테랑 70% 수준** 의 의사결정을 할 수 있게 도울까? | 온보딩·암묵지 전수 |

### ③ 아이디어 발산 (15개)

> 원칙: 개수 > 품질. 일단 다 적고 나중에 거른다.

**[지식 캡처]**

1. 인터뷰 자동화 봇 (Loom 녹화 → 자동 전사·요약·태깅·구조화)
2. Slack/이메일 행동 패턴 학습으로 워크플로우 자동 캡처
3. 회의록 자동 추출 + 의사결정 포인트 태깅
4. "이번 일 어떻게 해결했나요?" 주간 1분 회고 봇

**[지식 검색]**

5. 사내 통합 RAG 챗봇 (Notion · Drive · Slack · 이메일 · 로컬 통합 인덱싱)
6. 동료 추천 ("이 업무는 OO팀 △△님이 가장 잘 압니다")
7. 의사결정 사례 검색 ("비슷한 고객 케이스를 어떻게 처리했나?")

**[지식 적용]**

8. AI 페어워크 (현업 전문가 곁에서 실시간 보조)
9. 표준 답변·템플릿 자동 생성 (담당자별 톤 학습)
10. 의사결정 패턴 자동 학습 → 신입에게 추천
11. 외부 입력(이메일·계약서·견적) 자동 분류·요약·라우팅

**[지식 갭 · 온보딩]**

12. 암묵지 갭 분석 (한 사람한테만 있는 노하우 탐지)
13. 신입 온보딩 AI 멘토 (FAQ + 베테랑 답변 패턴)
14. 부서간 노하우 차이 자동 비교 (일관성 점수)

**[변화관리]**

15. AI 도입 대시보드 (현업 만족도·증폭 효과 가시화)

### ④ 클러스터 (4개 주제)

| 클러스터 | 포함 아이디어 |
| --- | --- |
| 지식 캡처 | 1, 2, 3, 4 |
| 지식 검색 | 5, 6, 7 |
| 지식 적용 | 8, 9, 10, 11 |
| 지식 갭 · 온보딩 · 변화관리 | 12, 13, 14, 15 |

### ⑤ 우선순위 매트릭스 (Value × Feasibility, 1~5점)

| 순위 | 아이디어 | Value | Feasibility | 합계 | 분류 |
| --- | --- | --- | --- | --- | --- |
| 🥇 1 | **#1 인터뷰 자동화 봇** | 5 | 4 | 9 | **High ROI Zone** — 즉시 PoC |
| 🥈 2 (동률) | **#5 사내 통합 RAG 챗봇** | 5 | 3 | 8 | 전략적 과제 — 6개월 빌드 |
| 🥈 2 (동률) | **#13 신입 AI 멘토** | 5 | 3 | 8 | 전략적 과제 — RAG 위 확장 레이어 |
| ⛔ | #8 AI 페어워크 | 2 | 1 | 3 | 보류 |

#### 컨설턴트 해석 — Phase 로드맵

```
[Phase 1, 0~3개월]   #1 인터뷰 자동화 봇          ← 베테랑 노하우 디지털화
                     │
                     ▼ (구조화된 노하우 데이터가 쌓이면)
[Phase 2, 3~9개월]   #5 사내 통합 RAG 챗봇        ← Phase 1 결과물 + 기존 문서 통합 인덱싱
                     │
                     ▼ (검색 가능한 지식 기반 위에)
[Phase 3, 9~12개월]  #13 신입 AI 멘토            ← RAG 위 온보딩 레이어
```

> **#1이 최상위인 이유**: "10× 영향 반경"의 핵심은 *암묵지의 디지털화* 인데, 이게 안 되면 #5도 #13도 결국 *기존 디지털 문서만* 인덱싱하는 한계에 갇힌다. **인터뷰 자동화 봇이 사실상 다른 모든 PoC의 데이터 소스.**

---

## F3-2 — AI Canvas: 인터뷰 자동화 봇 (Phase 1)

> **언제 쓰나**: AI 프로젝트를 가장 실용적으로 구조화할 때 (Input → Output → Training Data → HITL → Value Proposition)
> **핵심 질문**: 이 AI 시스템의 입력·출력·학습데이터·사람개입·핵심가치는 무엇인가?

### 1️⃣ Input (입력 데이터) `[추정]`

- **1차 캡처 채널**: Loom 화면녹화 (업무 시연), Zoom/Meet 인터뷰 녹음
- **2차 캡처 채널**: Slack DM·이메일에서 발생하는 노하우성 발화 (자동 수집 봇)
- **결과물 첨부**: 베테랑이 처리한 실제 산출물 (계약서·견적서·CS 응답·코드 리뷰 등)
- **인터뷰 트리거**: 표준화된 질문 가이드 ("이 일은 어떻게 시작하나요? / 가장 자주 보는 실수는? / 이럴 때 누구한테 묻나요?")
- **메타데이터**: 화자(직무·연차), 일시, 도메인 태그, 고객·프로젝트 컨텍스트

### 2️⃣ Output (출력 결과) `[추정]`

- **자동 전사** (한·영 혼용 지원, 화자 분리)
- **노하우 카드** (Markdown 1~3장, 표준 템플릿: 상황 → 판단 → 행동 → 함정)
- **의사결정 트리** ("이런 케이스는 → 이런 식으로 판단" 분기형 가이드)
- **태깅된 클립** (긴 인터뷰의 핵심 발화 30초~2분 단위 자동 추출)
- **RAG-ready 청크** (Phase 2 사내 통합 RAG 챗봇이 그대로 인덱싱할 수 있는 형식)
- **출처 메타** ("이 노하우의 원본 화자는 △△△님 — YYYY-MM-DD 인터뷰")

### 3️⃣ Training Data (학습 데이터) `[추정]`

- **베이스라인 코퍼스**: 사내 기존 SOP·매뉴얼·운영 가이드 (이미 디지털화된 것)
- **시드 인터뷰**: 베테랑 3~5명 × 1시간 = 5시간 분량 (Phase 0 수집)
- **우수 케이스 30~50건**: CS·계약·기술 의사결정의 모범 사례
- **도메인 용어집**: 사내 약어·고유명사·제품명 사전 (전사 정확도용)
- **모델 전략**: Whisper STT + Claude/GPT 요약·구조화 — **Fine-tuning 불필요**, RAG + few-shot로 충분 (비용·유지보수 ↓)

### 4️⃣ Human-in-the-loop (사람 개입 단계) `[추정]`

| 단계 | 역할 | 누가 |
| --- | --- | --- |
| ① 인터뷰 후 1차 검수 | 자동 생성된 노하우 카드의 사실 확인·왜곡 차단 | **본인 베테랑** |
| ② 민감정보 마스킹 검토 | 고객·매출·인사 정보 식별·치환 | AX팀 + HR |
| ③ 피어 리뷰 | 정확성·편향 점검 | 동료 1명 |
| ④ 분기 갱신 | 조직·정책 변화 반영해 노하우 카드 업데이트 | 본인 + AX팀 |

> **핵심 원칙**: 베테랑 본인이 *최종 출판 권한* 을 갖는다. 이게 "내 노하우를 빼앗기는 게 아니라 증폭시킨다"는 인식 전환의 열쇠.

### 5️⃣ Value Proposition (가치 제안) `[추정]`

- **암묵지 자산화**: 베테랑 1인 5시간 인터뷰 = 평소 100시간 OJT의 압축 효과
- **온보딩 단축**: 신입 학습 곡선 3개월 → 2주 (Phase 3 #13 멘토와 결합 시)
- **퇴사·이직 리스크 헤지**: 핵심 노하우의 즉시적 디지털 보존
- **다른 PoC의 인프라**: Phase 2 RAG 챗봇·Phase 3 AI 멘토의 *질 좋은 데이터 소스*
- **변화관리 수용성 극대화**: 평소 업무 흐름에 자연스럽게 녹아드는 캡처 구조 → 현업 저항 최소

### AI Canvas — 표준 표 (deliverable 템플릿)

| Input | Output | Training Data | Human-in-the-loop | Value Proposition |
| --- | --- | --- | --- | --- |
| Loom 녹화 + 인터뷰 음성 + Slack/Email 발화 + 실제 산출물 + 표준 질문 가이드 | 전사 + 노하우 카드 + 의사결정 트리 + 30초 클립 + RAG 청크 + 출처 메타 | 사내 SOP + 시드 인터뷰 5h + 우수 케이스 30~50건 + 용어집 / Whisper + Claude (Fine-tuning 不) | ① 본인 검수 ② 민감정보 마스킹 ③ 피어 리뷰 ④ 분기 갱신 — **베테랑 최종 출판권** | 1인 5h = OJT 100h / 온보딩 12주→2주 / 퇴사 리스크 헤지 / 다른 PoC 인프라 / 변화 저항 최소 |

---

## 다음 단계 권고

본 워크숍은 *Problem Framing 콤보* (F2-6 → F2-7 → F3-2)로 종료되었습니다. 후속 단계로 가능한 옵션:

| 권고 단계 | 프레임워크 | 무엇을 얻나 |
| --- | --- | --- |
| 1. PoC 후보 정식 선정 | **F3-5 PoC 후보 주제 선정** | 우선순위 매트릭스 결과를 정식 PoC 카드로 변환 (관련 Pain · 예상 효과 · 데이터 확보 상태 · 우선순위) |
| 2. 인간-AI 협업 구조 설계 | **F1-3 인간-AI 협업 설계 (Augmentation Map)** | "변화 저항 풀기"의 핵심. 베테랑·AI·신입 각각의 역할 트라이앵글 정의 |
| 3. 데이터 거버넌스 점검 | **F3-4 데이터 기반 접근 가능성 평가** | "≥70% 디지털 가정"이 진짜인지 검증. 각 데이터 항목의 위치·품질·접근성·보안 평가 |
| 4. PoC 구현 진입 | **F4-1 프로젝트 개요** + **F4-2 Lean AI Cycle** | Phase 1 (인터뷰 자동화 봇)을 실제 PoC로 착수 — 4주 스프린트 단위 |

`/sq-ai-design-thinking` 으로 다시 호출하면 위 프레임워크 중 원하는 것으로 이어서 진행할 수 있습니다.

---

> 본 산출물은 Squarelight AX팀 디자인씽킹 컨설턴트 (`sq-ai-design-thinking` skill v1.0.0)가 사용자 답변과 도메인 추정을 결합하여 작성하였습니다. `[추정]` 태그가 붙은 항목은 사용자 검토·승인을 거쳤으나, 실제 실행 단계에서는 사실 관계·정량 지표를 재검증하시길 권장합니다.