본문으로 바로가기
김생근 Habix 운영자가 두 팀원과 Agent Loop 결과를 검토하는 AI 재구성 장면

01 Team Learning Flywheel · Loop Engineering

Teamsdecide.Agentsexecute.Learning returns.

팀이 기준을 합의하고, 에이전트가 실행하며, 사람이 검증한 학습이 다음 사이클의 더 나은 판단으로 돌아오게 설계합니다.

방법론 보기
Habix · Loop Engineering

Habix는 AI 도구 사용법을 가르치는 곳이 아니라, 팀의 반복 업무를 검증 가능한 Agent Loop로 바꾸는 곳입니다.

Loop Engineering = 팀의 반복 업무를 AI가 실행하고, 사람이 검증하며, 결과가 다음 기준으로 축적되게 설계하는 방법론입니다.

제품을 만든 PM 경력
20+
직접 운영하는 AI 에이전트
22+
실습 기반 학습자
200+
평균 강의 만족도 · 후기 6건
4.8
연속 KDT 리드 강의
3회
Habix operatorAI를 도구가 아닌
팀의 학습 루프로 만드는 사람,
김생근 대표

Product leader · Builder · Educator

LinkedIn · sanguinekim

Built by an operator, not a deck

20년의 제품 경험을 AI 실행 시스템으로.

LINE, Samsung, CJ, Kakao 계열의 제품 현장을 거쳐 AI 더빙 Perso AI와 음성 AI Alan을 포함한 제품을 출시했습니다. 지금은 22개 이상의 에이전트를 직접 운영하며, 조직이 AI를 일회성 도구가 아닌 학습하는 시스템으로 바꾸도록 돕습니다.

20+ years Product2 AI launches22+ live agentsAgent100KDT Lead
프로필 자세히 보기

02 · The operating gap

AI 도입은 도구가 아니라
팀의 판단 루프를 바꾸는 일.

문제는 모델 성능만이 아닙니다. 누가 목표를 정하고, 어디서 검증하며, 무엇을 다음 기준으로 남길지가 비어 있을 때 PoC는 운영으로 이어지지 않습니다.

  1. PoC는 끝났는데 운영 기준이 없습니다.

    작동하는 데모와 반복 가능한 업무 사이에는 평가 기준, 실패 조건, 책임 경계가 필요합니다.

  2. 사람은 마지막 승인 버튼에만 남습니다.

    목표와 예외 해석을 AI에 넘긴 채 마지막 단계에서만 확인하면 품질과 책임이 함께 흔들립니다.

  3. 배운 것이 다음 실행에 남지 않습니다.

    좋았던 프롬프트와 실패 이유가 개인의 기억에 머물면 팀의 다음 사이클은 다시 처음부터 시작합니다.

03 · Agent Loop method

Intent에서 Next까지,
판단과 학습이 돌아오는 한 바퀴.

Agent Loop = Intent → Context → Execute → Verify → Human → Learn → Next. 단계 버튼을 선택하면 그 판단 지점에서 무엇을 확인하고 다음 사이클에 무엇을 남겨야 하는지 보여줍니다.

Cycle 01기준 설정
Cycle 01

1/7 Intent · 목표와 성공 기준을 고정합니다.

기준: 속도 + 품질

Each loop leaves artifacts

  1. 합의된 목표와 하지 않을 일
  2. 출처와 제약이 표시된 컨텍스트
  3. 작동하는 산출물과 테스트 결과
  4. 사람이 남긴 판단과 변경 이유
  5. 다음 사이클의 더 나은 기준

04 · Learn / Build / Adopt

방법론이 아니라
구매 가능한 세 가지 패키지.

기간과 산출물을 먼저 공개합니다. 강의, 프로토타입, 조직 적용 중 지금 필요한 운영 변화의 크기에서 시작할 수 있습니다.

  1. 01

    Learn with Habix

    팀의 공통 언어와 첫 업무 Loop가 필요한 조직
    1–2일 기업 워크숍
    포함 산출물
    • 팀 공통 언어
    • 업무별 Agent Loop 설계서
    • 실습 템플릿
    →
  2. 02

    Build with Habix

    실제 업무 위에 작동하는 프로토타입이 필요한 팀
    2–4주 프로토타입 스프린트
    포함 산출물
    • 작동하는 에이전트
    • 평가·실패 기준
    • 권한·운영 경계 문서
    →
  3. 03

    Adopt with Habix

    여러 팀에 안전하게 확산하고 내재화하려는 조직
    4–8주 조직 내재화
    포함 산출물
    • 팀별 운영 규칙
    • 승인·보안·평가 체계
    • 반복 개선 Loop
    →

05 · Tangible deliverables

좋은 말보다,
팀에 남는 산출물.

아래 항목을 열면 실제 협업에서 사용하는 문서 구조와 필드를 확인할 수 있습니다. 이미지 목업이 아니라 다음 실행에 바로 연결되는 운영 문서의 골격입니다.

01Agent Loop CanvasDesign

JTBD · 반복 업무의 Trigger · Intent · Human decision · 성공/실패 조건 · 다음 Loop로 돌아갈 Learning을 한 장에 정리합니다.

02Decision RecordDecide

고객 신호 · 가장 위험한 가정 · 선택한 경계 · 변경 이유 · 다음 실험을 기록해 hplan의 다음 판단으로 재사용합니다.

03Evaluation ChecklistEvaluate

정답 조건 · 근거 품질 · 허용 오차 · 실패 케이스 · 재현 절차를 명시해 데모와 운영 가능 상태를 구분합니다.

04Human Approval MapGovern

누가 · 어느 단계에서 · 어떤 근거를 보고 · 승인/수정/중단할지와 예외 escalation 경로를 표시합니다.

05Context / Memory BlueprintRemember

Source · Claim · Decision · Next Use를 연결해 llm-brain에서 다음 작업이 꺼내 쓸 지식 구조를 만듭니다.

061일 Workshop PackLearn

팀 공통 언어 · 실제 업무 1개의 Agent Loop Canvas · 역할별 승인 Map · 다음 7일 실행 Backlog가 남습니다.

074주 Consulting PackAdopt

작동하는 프로토타입 · 평가 리포트 · 권한/보안 경계 · 운영 Runbook · 다음 개선 Backlog를 인수 가능한 형태로 정리합니다.

06 · Flagship proof system

세 개의 제품이
방법론을 실제로 증명합니다.

hplan은 Decide, llm-brain은 Remember, Habix Legal은 Verify를 증명합니다. 제품 기능보다 판단·기억·검증이 어떻게 운영되는지 보여줍니다.

Decide

hplan

Whether before how

발견·검증·실행을 코드 에디터 안에서 반복 가능한 제품 의사결정 루프로 만듭니다. 만드는 속도보다 무엇을 왜 만들지 합의하는 구조를 먼저 둡니다.

문제
만드는 속도는 빨라졌지만 무엇을 왜 만들지 합의가 끊깁니다.
사용 산출물
Decision record · Build Gate · 다음 실험
확인된 결과
5 plugins · 34 skills · 12 commands로 반복 가능한 의사결정 루프를 운영합니다.

5 PLUGINS · 34 SKILLS · 12 COMMANDS

hplan 살펴보기
Decision record / 07Human owned
Customer signal
“평가 기준이 먼저 필요하다.”
Riskiest assumption
팀이 WHETHER를 합의했는가
Next experiment
3일 안에 검증할 최소 산출물
Learning return
결정 로그 → 다음 프롬프트와 리뷰 기준
Remember

llm-brain

Knowledge returns

흩어진 문서와 결정을 연결해 에이전트와 사람이 다시 쓰는 지식 그래프로 만듭니다. 저장된 정보가 아니라 다음 판단에 영향을 주는 살아 있는 컨텍스트입니다.

문제
문서와 결정이 저장된 뒤 다음 작업에서 다시 발견되지 않습니다.
사용 산출물
Source → Claim → Decision → Next Use 지식 그래프
확인된 결과
출처부터 다음 사용까지 4단계 관계와 판단 경로를 한 화면에서 추적합니다.

SOURCE → CLAIM → DECISION → NEXT USE

llm-brain 열기
SOURCECLAIMDECISIONNEXT USE
Verify

Legal
Universe

Habix Legal · Human judgment at scale

법령·판례·행정규칙을 관계로 연결하고, 어떤 근거가 판단을 지지하는지 사람이 검토합니다. 답변보다 근거와 검토 경로를 먼저 보여줍니다.

문제
법령·판례·행정규칙의 근거가 흩어져 검토 경로가 보이지 않습니다.
사용 산출물
Neo4j 관계 그래프 · 출처가 표시된 응답
확인된 결과
40K+ 법률 코퍼스와 250K+ 관계를 질문에서 근거까지 추적합니다.

40K+ CORPUS · 250K+ RELATIONSHIPS

Legal Universe 열기
Natural-language query
“플랫폼 노동자의 근로자성 판단에서 최근 판례가 보는 핵심 기준과 관련 법령을 연결해줘.”
  1. 질문 의도와 핵심 개념 확인
  2. 관련 조문과 행정규칙 탐색
  3. 판례 관계와 시간 순서 확장
  4. 출처가 표시된 응답 구성
  5. 사람이 근거와 예외를 검토

Built, not borrowed

직접 만들고 운영한 시스템으로 설명합니다.

에이전트 운영체제부터 지식 그래프, GEO, 치트시트까지. 개념을 나열하는 대신 실제로 출시하고 다시 개선한 결과물을 공개합니다.

Signal system

PMF Radar

고객 신호를 수집하고 가장 위험한 가설을 다음 실험으로 연결하는 PMF 탐색 시스템입니다.

자세히 보기
17 chapter playbook

GEO Playbook

검색 결과를 넘어 생성형 AI가 인용하고 추천할 수 있는 콘텐츠 구조를 설계합니다.

자세히 보기
Shared language

LLM Wiki

AI 제품을 만드는 팀이 같은 언어로 모델·에이전트·평가·운영을 논의하도록 돕습니다.

자세히 보기

Learn by shipping

팀의 첫 Agent Loop를 실제 업무 위에 완성합니다.

단순한 툴 교육이 아닙니다. AI 네이티브 사고, 실제 구현, 사람의 승인 지점, 운영 기준을 하나의 업무 Loop로 완주합니다.

Learn with Habix · Enterprise workshop

기업 AI Agent Workshop

제품·사업·운영팀이 실제 반복 업무 위에서 팀의 첫 Agent Loop를 설계하고, 실행·검증·개선 기준까지 완성합니다.

대상
제품·사업·운영팀
기간
1–2일
최종 산출물
1일: Agent Loop Canvas · 2일: 실행 프로토타입까지
기업 과정 자세히 보기

Build with Habix · FDE sprint

현장 업무 하나를 작동하는 Agent Loop로 전환합니다.

Habix가 현업팀 곁에서 데이터·도구·권한·사람의 승인 지점을 함께 연결합니다. 데모가 아니라 실제 업무에서 실행하고 검증할 수 있는 첫 버전을 만듭니다.

대상
PoC는 있지만 운영 전환이 막힌 기업팀
기간
2–4주
최종 산출물
Agent 프로토타입 + Human Approval Map + Evaluation Checklist
우리 팀 FDE Sprint 진단하기
  1. 문제 정의와 JTBD
  2. 반복 업무와 Trigger 분해
  3. Intent · Context · 도구 · 권한 설계
  4. Human-in-the-loop 승인 지점
  5. 평가 기준과 실패 조건
  6. 운영 로그와 학습 자산화
  7. 다음 Loop로 개선

Learner outcomes

이해보다 중요한 것은, 다음 날 다시 쓸 수 있는가입니다.

학습 후기 전체 보기

막연했던 에이전트가 실제 업무 프로세스로 보이기 시작했습니다. 승인과 검증을 어디에 둬야 하는지까지 가져갈 수 있었어요.

기업 AI 워크숍 · Product 조직
남은 산출물: 승인·검증 Map

도구 사용법보다 문제를 쪼개고 결과를 확인하는 방법을 배운 게 가장 컸습니다. 교육 직후 팀 실험으로 이어졌습니다.

KDT AI 과정 · 교육/기획 조직
후속 행동: 교육 직후 팀 실험

직접 만든 제품과 실패 사례로 설명해서 현실적이었습니다. 멋진 데모가 아니라 운영 가능한 범위를 판단할 수 있게 됐습니다.

AI Agent 특강 · 사업 조직
남은 판단: 운영 가능 범위

Insights in motion

만든 것, 배운 것, 바뀐 판단을 기록합니다.

프로젝트에서 얻은 운영 신호를 블로그, LinkedIn, 뉴스레터로 다시 설명합니다. 공개 기록도 다음 루프의 컨텍스트입니다.

AI 래퍼는 끝났다 — 이제 진입점 소유가 새 전선이다

NFX가 'AI 래퍼의 시대는 끝났다'고 선언한 같은 주, 중국은 에이전트를 OS에 직접 심은 단말을 냈다. AI PM이 물어야 할 진짜 질문은 기능이 아니라 진입점 설계다.

글 읽기

만드는 건 표준이 됐다. 버는 건 아직 아니다

Supabase 2026 조사가 드러낸 AI 제품 수익화 공백의 구조적 원인과 PM이 지금 당장 설계해야 할 과금 단위를 분석한다.

글 읽기

Andrew Ng이 확인했다: AI 시대의 진짜 병목은 PM이다

코딩 에이전트가 속도를 올릴수록 무엇을 만들지 결정하는 역할이 병목이 된다. Andrew Ng이 명시한 이 구조를 한국 PM 현실과 맞대어 분석한다.

글 읽기

Start with one real loop

우리 팀의 첫 Agent Loop를 진단합니다.

강의 상품부터 고르지 않습니다. 반복 업무, 사람의 판단 지점, 가장 불안한 운영 조건, 원하는 변화의 크기부터 함께 확인합니다.

  1. 01 · 반복 업무지금 반복적으로 발생하는 업무는 무엇인가요?
  2. 02 · 사람의 판단그 업무에서 사람이 꼭 판단해야 하는 지점은 어디인가요?
  3. 03 · 가장 큰 불안속도, 품질, 보안, 비용, 내재화 중 무엇이 가장 불안한가요?
  4. 04 · 원하는 결과강의, 프로토타입, 조직 적용 중 무엇에 가까운가요?

FAQ

시작하기 전에 가장 많이 묻는 질문.

Habix · First Loop diagnosis

아래 네 가지를 먼저 정리하면 강의·프로토타입·조직 적용 중 가장 작은 유효 범위를 빠르게 진단할 수 있습니다.

  1. 지금 반복적으로 발생하는 업무
  2. 사람이 꼭 판단해야 하는 지점
  3. 속도·품질·보안·비용·내재화 중 가장 큰 불안
  4. 원하는 결과: 강의·프로토타입·조직 적용
Tally 진단 폼 시작하기

외부 Tally 폼이 새 창에서 열립니다. 제출 전에는 어떤 정보도 전송되지 않습니다.