📝 한 줄 요약
하나의 챗봇에게 긴 보고서를 부탁하는 대신 시장 신호, 고객 문제, 경쟁, 시장 진입·판매 전략(GTM), 사업모델을 역할별 에이전트와 산출물로 나누고 최종 후보와 검증계획까지 연결했다.
바쁘시면 이것만 읽어도 돼요: - 목표: 시장조사부터 사업 후보 선정까지, AI에 역할을 나눠 조사했다 - 핵심 과정: 조사와 판단을 한 흐름에서 처리했다 → 역할별 조사 결과를 비교해 후보를 선정하게 했다 - 검증 경계: 역할 분리만으로 시장 성공 가능성이 검증됐다고 말하지 않는다.
🎯 이런 분께 도움돼요
AI로 시장조사를 했지만 결과가 얕거나 서로 모순됐던 분
신규 사업 후보를 비교 가능한 기준으로 정리해야 하는 PM·기획자
멀티에이전트 작업을 실제 문서 산출물로 운영하고 싶은 분
😫 문제 상황
“유망한 AI 사업 아이디어를 찾아줘”라고 한 번에 물으면 답은 빠르지만 근거 수준이 섞인다. 시장 규모, 고객 문제, 경쟁 강도, 판매 방식, 실행 난도가 한 문서 안에서 뒤섞이고, 매력적인 문장이 실제 선택 기준을 대신한다.
또 여러 에이전트를 쓴다고 해도 역할과 인계 규격이 없으면 같은 조사를 반복하거나 서로 다른 전제를 사용한다.
💡 원하는 결과
시장조사를 단계별 의사결정으로 쪼개고, 각 단계의 산출물이 다음 단계의 입력이 되게 만들고 싶었다.
프로젝트 브리프 → 시장 신호 → 고객 작업과 고통 → 경쟁·빈 공간 → 수요·시장 진입·판매 전략(GTM) → 사업모델 점수 → 후보 비교 → 최종 추천 → 검증계획
🛠️ 사용한 도구
Claude Code·에이전트 작업 구조
프로젝트별 에이전트 역할 지침
역할별 조사 프롬프트
Markdown 산출물
사업모델 점수표와 후보 비교표
AI 도구/모델: 현재 공개 근거에서 확인되지 않음
🔧 작업 과정
한 AI가 조사부터 결론까지 독점하지 않게 역할을 나누는 요청으로 시작했다.
한 AI의 의견에 의존하지 않고 시장, 고객문제, 경쟁, 진입전략을 역할별로 조사한 뒤 사업 후보를 비교해줘.
시장 신호, 고객 문제, 경쟁환경, 사업모델과 검증계획을 서로 다른 역할에 맡겼다. 결과는 같은 평가축으로 비교하고, 출처가 없는 주장과 에이전트의 가정은 분리했다. 최종 선택은 자동 확정하지 않고 사람이 판단할 수 있는 후보표로 남겼다.
1. 질문을 역할별 입력·판단 기준·결과 형식으로 바꿨다
각 에이전트에게 “조사해줘”라고 하지 않고 입력, 판단 기준, 결과 파일을 정했다. 시장 신호를 찾는 역할과 경쟁을 비교하는 역할, 사업성을 점수화하는 역할을 나눴다.
2. 고객 문제를 기능보다 먼저 정리했다
아이디어 이름을 고르는 대신 고객이 지금 어떤 일을 하고 어디서 시간·비용·위험이 생기는지 정리했다. 솔루션이 없어도 존재하는 문제인지 확인하기 위해서다.
3. 경쟁이 없는 시장보다 빈 공간을 찾았다
경쟁사가 있다는 것은 수요의 흔적일 수 있다. 그래서 경쟁 유무가 아니라 기존 제품이 해결하지 못한 고객·가격·워크플로우의 빈 공간을 찾았다.
4. 추천 전에 점수와 검증계획을 만들었다
수요, 문제 강도, 차별화, 도달 가능성, 수익 구조, 실행 난도를 기준으로 후보를 비교했다. 최종 추천 뒤에는 무엇을 언제 누구에게 검증할지 계획을 붙였다.
🧩 막혔던 점
서로 다른 출처의 숫자는 기준 연도와 범위가 달랐다.
에이전트가 확신 있게 쓴 문장이 실제 근거보다 강할 수 있었다.
여러 산출물이 만들어져도 최종 결정과 연결되지 않으면 문서만 늘어난다.
그래서 숫자 자체보다 출처와 가정을 함께 남기고, 확인되지 않은 항목을 사실처럼 합치지 않았다. 각 문서가 다음 문서의 어떤 판단에 쓰이는지 연결했다.
✅ 결과
프로젝트 브리프부터 검증계획까지 9개 단계별 산출물이 만들어졌다.
고객 문제, 경쟁 빈 공간, 시장 진입·판매 전략(GTM), 사업모델이 하나의 평가 흐름으로 연결됐다.
후보 비교 매트릭스와 최종 추천의 근거를 다시 추적할 수 있게 됐다.
아이디어 생성으로 끝나지 않고 다음 검증 행동까지 정리됐다.
아직 시장 성공을 입증한 것은 아니다. 이 단계의 성과는 조사 품질과 의사결정 구조를 재사용 가능하게 만든 것이다.
Before vs After
항목
Before
After
작업 방식
조사와 판단을 한 흐름에서 처리
역할별 조사 결과를 비교해 후보 선정
💬 이 과정에서 배운 AI 활용 팁
효과적이었던 것
멀티에이전트의 장점은 인원 수가 아니라 역할·입력·산출물 경계다.
긴 보고서 한 장보다 짧아도 연결된 산출물이 의사결정에 유용하다.
AI의 추천은 점수와 반증 조건이 있을 때 검토할 수 있다.
시장조사의 완료는 문서가 아니라 다음 검증 행동이 정해졌을 때다.
이렇게 하면 안 돼요
역할을 나눴다는 이유만으로 시장 성공 가능성이 검증됐다고 말하지 않는다.
🌍 다른 업무에 적용한다면?
신사업 조사, 공급업체 비교, 정책 대안 검토에도 적용할 수 있다.
🚀 다음 계획
상위 후보를 잠재 고객 인터뷰와 랜딩페이지 반응으로 검증하고, 조사 점수와 실제 반응의 차이를 기록할 예정이다.
📋 재사용 프롬프트
[사업 영역]의 신규 사업 후보를 조사하되 한 번에 결론 내리지 마. 시장 신호, 고객 작업과 고통, 경쟁과 빈 공간, 수요와 시장 진입·판매 전략(GTM), 사업모델 점수, 후보 비교, 최종 추천, 검증계획으로 분리해줘.
각 단계마다 입력, 판단 기준, 출처, 불확실성, 다음 단계에 넘길 산출물을 정의하고, 근거 없는 숫자나 확정 표현은 사용하지 마.
🖼️ 게시 전 체크
9개 산출물 흐름 그림
후보 비교 매트릭스 일부
에이전트별 역할표
실제 인 터뷰 또는 반응 데이터 추가
추천 이미지: - 문제 상황: 기존 방식의 불편을 보여주는 합성 화면 - 작업 과정: 입력→판단→검증 흐름도 - 결과: 실제 정보가 제거된 합성 결과 화면
