B
AI 시대 내 직무 존속 연수 예측 리포트
3.05
Derivation Chain
Step 1
AI 도입으로 직원 절반 감원
→
Step 2
내 직무가 AI에 대체될 확률 자가진단
→
Step 3
직무 존속 예상 연수 + 대안 직무 전환 로드맵 제공
Problem
AI 감원 뉴스가 연일 보도되지만, 45-55세 직장인 입장에서 '내 직무가 정확히 몇 년 뒤에 위험해지는지'를 객관적으로 판단할 근거가 없다. 맥킨지·골드만삭스 리포트는 영어이고 한국 직무 분류와 맞지 않으며, 한국고용정보원의 직업전망은 2년 주기로 업데이트되어 AI 변화 속도를 반영하지 못한다. 막연한 불안감으로 퇴직을 서두르거나, 반대로 위기를 인지하지 못해 대비 없이 감원당하는 경우가 많다.
Solution
(1) 직무명·업종·주요 업무 내용을 입력하면 AI 대체 가능성을 O*NET 직무분석 프레임워크 기반으로 점수화, (2) '자동화 위험 지수'와 함께 유사 직무 중 대안 전환 가능한 직무 3가지 추천, (3) 각 대안 직무로의 전환에 필요한 자격증·교육과정·예상 비용을 로드맵으로 제시. 고용노동부 직종별 고용동향과 연계하여 한국 맥락 반영.
NUMR-V Scores
NUMR-V Scoring System
| N Novelty | 1-5 | How uncommon the service is in market context. |
| U Urgency | 1-5 | How urgently users need this problem solved now. |
| M Market | 1-5 | Market size and growth potential from proxy indicators. |
| R Realizability | 1-5 | Buildability for a small team with realistic constraints. |
| V Validation | 1-5 | Validation signal quality from competition and demand data. |
SaaS N=.15 U=.20 M=.15 R=.30 V=.20
Senior N=.25 U=.25 M=.05 R=.30 V=.15
Feasibility (70%)
Data Availability
20.8/25
Feasibility Breakdown
| Tech Complexity | / 40 | Difficulty of core implementation stack. |
| Data Availability | / 25 | Practical availability and cost of required data. |
| MVP Timeline | / 20 | Expected time to ship a usable MVP. |
| API Bonus | / 15 | Bonus for viable public API leverage. |
Market Validation (55/100)
Validation Breakdown
| Competition | / 20 | Signal quality from competitor landscape. |
| Market Demand | / 20 | Demand proxies from search and mention patterns. |
| Timing | / 20 | Fit with current shifts in tech, behavior, and regulation. |
| Revenue Signals | / 15 | Reference evidence for monetization viability. |
| Pick-Axe Fit | / 15 | How well the concept serves participants in a trend. |
| Solo Buildability | / 10 | Practicality for lean-team implementation. |
Technical Requirements
백엔드 [medium]
프론트엔드 [low]
데이터 파이프라인 [medium]