위버스브레인 프로덕트 기획자 — 면접 준비 일지
작성일: 2026년 4월 24일 면접 단계: 실무진 인터뷰 → 임원 인터뷰 → 처우 협의 → 최종 합격 포지션: 프로덕트 기획자 (신입/경력 5년 이하) 핵심 JD 요건: 어학 교육 서비스 기획/PM 경험, 생성형 AI 기술 관심, 주도적 업무 진행
🎯 준비 프레임 (SM 면접 복기 학습 반영)
이번 준비는 SM 면접 복기에서 도출한 4-카테고리 프레임을 적용한다.
| 카테고리 | 비중 | 이번 면접 핵심 |
|---|---|---|
| A. 고정 3종 | 20% | 자기소개, 퇴사 이유, 마지막 한마디 |
| B. 본질 질문 | 30% | 프로덕트 기획 정의, 왜 에듀테크, 왜 위버스브레인 |
| C. 경험 검증 | 30% | PMO → 프로덕트 기획 전이, 자소서 근거 |
| D. 역량 증거 | 20% | calling-language (핵심 무기), 학습 루틴 |
| E. 갭·압박 | 추가 | 어학 PM 경험 부재, 산업 전환 안정성 |
이번 면접 킬러 포인트: calling-language가 ’맥스AI 밀착케어콜’과 같은 문제 정의·솔루션 방향이라는 사후 확인. 단순 AI 활용이 아닌 회사의 시장 문제를 같은 방향으로 정의해 본 증거.
A. 고정 3종
A1. 1분 자기소개 부탁드립니다.
답변 (확정 v2: 2026-04-26, 약 60초):
저는 ‘배움’과 ’성장’ 이라는 키워드로 커리어를 만들어왔습니다.
오뚜기에서 데이터 분석가로 일한 경험이, 통계대학원에서 분석 역량을 더 깊이 다지는 시간으로 이어졌고, 악사손해보험에서 PMO로 70억 원 규모 시스템 사업을 관리한 경험으로 확장되었습니다. 데이터를 다루는 일에서 시작해, 시스템이 만들어지는 전 과정을 관리하는 일까지 폭이 넓어진 흐름이었습니다.
이후 생성형 AI라는 큰 변화에 맞춰 다양한 실험을 이어가다, 직접 ’calling-language’라는 AI 영어 튜터를 기획하고 구현했습니다. 제가 학습자로서 겪은 페인을 직접 정의하고 솔루션으로 만드는 과정에서, 저 자신이 프로덕트 기획이라는 일에 깊이 몰입할 수 있고 즐긴다는 것을 분명히 알게 되었습니다.
그리고 이 MVP를 만든 뒤, 위버스브레인 맥스AI 밀착케어콜이 제가 정의한 문제와 같은 방향의 솔루션임을 확인했습니다. 위버스브레인에서 그 몰입을 이어가, 사용자들이 AI를 통해 언어 학습 경험을 실질적으로 개선하는 데 기여하고 싶어 지원했습니다.
📌 A1 자기소개 v2의 전략: - ‘배움’과 ’성장’ 키워드 명시 선언: 비선형 커리어를 약점이 아닌 일관된 본질로 재해석. 메모리 학습 포인트 “비선형 커리어를 강점으로 재프레이밍” 적용 - 커리어 진화 흐름: 오뚜기(분석) → 통계대학원(역량 강화) → 악사 PMO(시스템 관리) → AI 실험 → calling-language(직접 만듦) → 프로덕트 기획 발견. 각 단계가 다음을 위한 배움이었다는 서사 - “폭이 넓어진 흐름”: 비선형이 아니라 확장임을 강조하는 표현 - “능동적 실험”: AI 변화에 수동 반응이 아닌 능동적 실험 후 calling-language 도달 - “몰입할 수 있고 즐긴다는 것을 알게 되었습니다”: 본인이 직접 발견한 자기 인식 → 신뢰감 - “같은 방향의 문제 정의” 프레이밍 유지: A2·A3·B2·B3·D2·D4와 일관 - 마지막 “실질적으로 개선” 추가: 즉시 기여 신호 강화
🎯 v1 → v2 변경점: - v1: “AI 프로덕트 기획자” 포지셔닝 → v2: “배움과 성장으로 커리어를 만들어 왔다” (정체성의 본질 강조) - v1: 회사 경력 단순 나열 → v2: 각 단계가 다음을 위한 배움이었다는 서사 - v1: “프로토타이핑의 부담 감소” → v2: “생성형 AI 변화에 맞춘 실험” - v1: “기여하고 싶어 지원했습니다” → v2: “몰입을 이어가, 언어 학습 경험을 실질적으로 개선”
💬 예상 꼬리질문 (자기소개 v2 직후): - “왜 데이터 분석가로 시작해서 이렇게 다양한 영역을 거치셨나요?” → “각 단계가 다음 단계를 위한 배움. 데이터 분석에서 통계 엄밀함의 갈증 → 대학원, 분석에서 시스템 전반 이해의 갈증 → PMO, 운영에서 직접 만드는 일에 대한 갈증 → AI 프로덕트 기획” - “통계대학원까지 가셨는데 데이터 사이언티스트가 더 자연스럽지 않나요?” → B2 Q3 답변과 동일 (“통계대학원에서 배운 핵심은 데이터로 가설을 검증하는 사고. 프로덕트 기획자가 사용자 가설 검증하는 데 그대로 활용. calling-language의 OPIc 루브릭 재설계가 그 사례”) - “calling-language 자세히 설명해주세요” → D2로 직행 ✅ - “맥스AI와 같은 방향이라고 하셨는데 어떤 점이 같죠?” → D4로 직행 ✅ - “몰입할 수 있다고 하셨는데 어떤 순간에 가장 그랬나요?” → “calling-language를 만들 때 평가 객관성 문제를 발견하고 OPIc 루브릭으로 재설계하던 순간. 사용자 페인 → 시스템 설계로 전환되는 순간이 가장 몰입감 있었음”
🕒 분량 체크: - 보통 속도로 약 60초 - 긴장 시 빨라질 수 있으니 “폭이 넓어진 흐름이었습니다” 에서 의도적으로 한 박자 쉬기 - ‘calling-language’ 라는 프로젝트명을 또박또박 발음
✅ 체크리스트 (모두 충족): - [x] ‘배움’·‘성장’ 핵심 키워드 명시 선언 - [x] 비선형 커리어를 강점으로 재프레이밍 (“폭이 넓어진 흐름”) - [x] 회사명 명시 (오뚜기, 통계대학원, 악사손해보험) - [x] calling-language 이름 명시 → D2~D5 트리거 - [x] “몰입” 키워드 보존 + “즐긴다”라는 자기 발견 추가 - [x] “같은 방향의 문제 정의” 킬러 프레이밍 보존 - [x] 즉시 기여 신호 (“언어 학습 경험을 실질적으로 개선”) - [x] 분량 60초 이내 - [x] 종결어미 존댓말 통일
📌 A1 자기소개의 전략: - 오프닝 포지셔닝: “AI 프로덕트 기획자”로 한 문장에 담김. 직무 적합성 즉시 전달 - “비영어권 학습자”: 사용자에 대한 깊은 고려 담긴 표현. 프로덕트 기획자다움 - 경력 간결하게: 회사명(오뚜기·악사) 언급하되 세부 성과는 D/C 파트로 넘김 - “프로토타이핑 부담 감소”: 기술 트렌드 정확히 짚는 인사이트 (꼬리질문 대비 필요) - calling-language 중심축: 자기소개의 1/3 차지. D1~D5로 면접 무게중심 자연 이동 - “몰입” 키워드: 내재적 동기의 진정성 있는 증거 - “같은 방향의 문제 정의”: D4로 이어지는 킬러 프레이밍 복선
💬 예상 꼬리질문 (자기소개 직후): - “calling-language 더 자세히 설명해주시겠어요?” → D2로 직행 ✅ - “프로토타이핑 부담이 어떻게 줄었다고 보시나요?” → “Claude Code 같은 AI 코딩 도구로 비전문가도 MVP를 만들 수 있게 되었다” - “그럼 기획자도 개발을 할 수 있어야 한다는 뜻인가요?” → “기획자가 개발을 대체한다기보다, 프로토타입으로 빠르게 검증할 수 있는 감각을 갖출 수 있게 되었다” - “매일 사용하신다고요? 어떤 점이 좋으세요?” → D2/D3 혼합 - “맥스AI와 같은 방향이라고 느끼신 포인트는?” → D4로 직행 ✅
🕒 분량 체크: - 보통 속도로 약 55~60초 - 긴장 시 빨라질 수 있으니 “그 결과물이 calling-language입니다” 에서 의도적으로 한 박자 쉬기
✅ 체크리스트 (모두 충족): - [x] 포지셔닝 선언 (AI 프로덕트 기획자로 한 문장에) - [x] 경력 간결하게 서술 (회사명 명시 + 세부는 C/D로 넘김) - [x] calling-language 핵심 증거로 등장 - [x] “몰입” 내재적 동기 키워드 - [x] “같은 방향의 문제 정의” 킬러 프레이밍 - [x] 지원 동기로 수렴 - [x] 분량 60초 이내 - [x] 종결어미 존댓말로 통일
A2. 악사손해보험 퇴사 이유와 퇴사 후 기간 동안 어떻게 보내셨나요?
답변 (확정: 2026-04-24, 약 55초):
[1] 퇴사 이유 (약 20초)
악사손해보험 퇴사에는 두 가지 이유가 있었습니다. 평소 교육 영역에 관심이 있었고, 동시에 부모님이 계신 지역 가까이에서 일할 수 있는 조건도 맞았습니다. 그래서 지방 대학교에서 행정 직원으로 일하게 되었습니다. 실제로 일해보니 교육 현장 자체는 좋았지만, 행정 업무의 특성상 새로운 기술을 빠르게 적용하고 결과물을 직접 만들어보고 싶은 제 성향과는 맞지 않았습니다. 짧은 기간이었기에 이력서에는 별도로 기재하지 않았고, 빠르게 판단해 서울로 돌아와 제 강점을 살릴 방향으로 다시 설계하기로 했습니다.
[2] 퇴사 후 기간 (약 35초)
돌이켜보면 이 퇴사 이후 기간이 오히려 전화위복이 되었습니다. 진화된 LLM 기술을 여러 방향으로 실험해 볼 수 있었고, 그중에서도 calling-language라는 AI 튜터 서비스를 만드는 데 집중할 수 있었습니다. 직접 매일 사용해 보면서 개인적인 사용 후기를 기반으로 제품을 계속 개선해 나가는 과정이, 매우 의미 있고 몰입되는 시간이었습니다. 이런 경험을 위버스브레인에서 바로 활용할 수 있을 것이라 생각합니다.
📌 A2 답변의 전략: - “교육 영역에 대한 관심”: 지원 동기의 장기 복선. 이번 위버스브레인 지원이 즉흥이 아님을 증명 - “행정 vs 기술 빠르게 적용”: 본인 정체성 명확화 → calling-language 제작 동기로 자연 연결 - “이력서에 별도로 기재하지 않았다”: 면접관의 이력서 공백 꼬리질문 선제 방어 (옵션 A) - “전화위복”: 퇴사를 실패가 아닌 전환의 기회로 프레이밍 - “진화된 LLM 기술을 여러 방향으로 실험”: calling-language 외에도 폭넓게 AI를 탐구했음을 암시 - calling-language 선행 배치: SM Q10 MCP 먼저 나온 실수 재발 방지 - 마무리 “위버스브레인에서 바로 활용”: A1 마무리와 톤 일치, 일관된 메시지
💬 예상 꼬리질문 (미리 준비): - “어느 대학이셨어요?” → 사실 기반 담담히 (계명대학교) - “얼마나 일하셨나요?” → 두 달 - “왜 이력서에 안 쓰셨나요?” → “두 달이라는 짧은 기간 + 강점과 맞지 않아 의미 있는 성과를 낼 시간도 부족했기 때문” - “LLM 기술을 다른 방향으로 어떻게 실험하셨나요?” → MCP 일상 자동화, Claude API 실험 등 보조 사례 - “calling-language 만드는 데 얼마나 걸렸나요?” → 구체 기간 답변 준비 필요 (확인 필요) - “매일 사용하면서 발견한 개선점은?” → D3로 직행 ✅ - “교육에 관심이 있었다면 왜 처음부터 에듀테크로 가지 않으셨나요?” → “당시엔 교육 현장에 직접 참여해보고 싶었는데, 오히려 그 경험이 ’기술로 교육을 개선하는 쪽이 제게 맞다’는 판단으로 이어졌다”
✅ 체크리스트 (모두 충족): - [x] 퇴사 이유가 담담하되 지원 동기(교육 관심)로 연결 - [x] 이력서 공백 선제 방어 - [x] calling-language 선행 배치 (SM Q10 실수 복구) - [x] “LLM 기술 여러 방향 실험” 언급으로 탐구 깊이 증명 - [x] “같은 방향” 프레이밍이 A1과 일관 - [x] 마무리가 “위버스브레인에서 바로 활용”으로 수렴 - [x] 전체 55초 내
A3. 마지막으로 하고 싶은 말씀이 있으신가요?
답변 (확정: 2026-04-24, 약 22초):
AI 없는 어학 교육 프로덕트도, 어학 교육이 없는 AI도 그 효과가 적다고 생각합니다. 저는 AI 기술을 빠르게 테스트하고 구현하는 능력과, 오래 영어 공부를 해오며 쌓은 어학 교육에 대한 관심을 모두 가지고 있습니다. 위버스브레인에서 저부터 만족할 수 있는, 그리고 학습자들이 실제 영어 향상을 체감할 수 있는 프로덕트를 기획하고 만드는 데 빠르게 기여하는 모습으로 보여드리겠습니다.
📌 A3 답변의 전략: - 킬러 오프닝 명제: “AI 없는 어학 교육도, 어학 교육 없는 AI도 효과가 적다” — 위버스브레인이 존재하는 정확한 지점을 명명. 면접관 기억에 남는 문장 - 교차점 포지셔닝: AI 기술 능력 + 어학 교육 관심 = 본인이 그 교차점에 있는 인재임을 구조적으로 증명 - “저부터 만족”: D1/A2의 “매일 사용” 메시지와 일관된 사용자 중심 진정성 - “빠르게 기여하는 모습으로 보여드리겠다”: SM 면접에서 누락했던 핵심 메시지 복구 ✅ - 간결함: 약 22초 분량. 면접 마지막 한마디로 이상적
🎯 SM 면접 복기 학습 반영: > SM 복기 기록: “마지막 한마디 — 준비했던 ’빠르게 기여하는 모습으로 보여드리겠다’는 메시지가 빠졌음. 다음 면접에서는 즉시 기여 메시지로 마무리할 것.”
이번 A3에서는 마지막 문장에 이 메시지가 명확히 포함됨.
✅ 체크리스트 (모두 충족): - [x] 킬러 오프닝 명제로 시작 (AI × 어학 교육 교차점) - [x] 본인이 왜 fit인지 2가지 근거로 구조화 (AI 기술 + 어학 관심) - [x] “저부터 만족” — 사용자 진정성 - [x] “빠르게 기여하는 모습으로 보여드리겠다” — SM 누락 메시지 복구 - [x] 분량 22초, 20~25초 목표 내 - [x] 종결어미 존댓말 통일
A4. 궁금하신 점이 있으신가요? (역질문)
답변 카드 (확정: 2026-04-27, 당일 분위기 보고 1~2개 선택):
Q1. 이 역할에서 가장 중요하게 보시는 역량이 무엇인지 여쭤봐도 될까요? 입사 후 빠르게 기여하기 위해 어떤 부분에 집중하면 좋을지 알고 싶습니다.
Q2. 프로덕트 기획자의 업무 범위가 궁금합니다. 프로덕트 기획에 집중하는지, 아니면 콘텐츠 기획까지 함께 담당하는지 알 수 있을까요?
Q3. 프로덕트 기획자가 데이터를 직접 보는 일이 많은가요? 지표를 직접 산출하고 분석하는 역할까지 포함되는지, 아니면 별도 분석팀에 요청하는 구조인지 궁금합니다.
💡 당일 선택 가이드: - 면접이 딱딱하게 끝났다면 → Q1 (입사 의지·적극성 마지막 신호) - 업무 구조가 불명확했다면 → Q2 - 데이터 역량을 더 어필하고 싶다면 → Q3 ⭐ (통계 석사·데이터 분석가 배경과 자연 연결)
B. 본질 질문
B1. 프로덕트 기획자란 무엇이라 정의하시나요?
답변 (확정: 2026-04-24, 약 55~60초):
프로덕트 기획자는 사용자 이전에 스스로 사용자가 되어, 사용자가 느낄 만한 페인 포인트를 선별하고, 이를 요구사항으로 변환하여 개발자와 디자이너가 함께 해결할 수 있는 기능을 만드는 데 주도적인 역할을 수행하는 사람이라고 생각합니다.
좋은 프로덕트 기획자는 자신의 프로덕트에 진심으로 관심을 가진 사용자여야 한다고 생각합니다. 실제 사용자로서 접근하면, 업무적으로만 대했을 때는 보지 못하는 영역까지 들여다볼 수 있기 때문입니다. 제가 calling-language를 매일 직접 사용하면서 평가 객관성 문제를 발견하고 OPIc 루브릭으로 재설계했던 경험이, 이런 사고가 실제로 프로덕트를 어떻게 바꾸는지 확인한 사례였습니다.
핵심 역량은 사용자 페인을 다양한 언어로 번역해내는 능력이라고 생각합니다. 사용자의 잠재된 페인을 발견하는 언어, 그것을 개발자와 디자이너가 실행할 수 있는 요구사항의 언어로 옮기는 능력, 진행 상황을 경영진이 의사결정할 수 있는 숫자의 언어로 전환하는 능력 — 이 모두를 포괄하는 일이라고 봅니다.
PM이나 사업기획과 가장 다른 점은 프로덕트 자체에 대한 이해의 깊이라고 생각합니다. PM은 일정·범위·이해관계자 조율에 무게가 있고, 사업기획은 재무적 ROI를 중심으로 사업의 타당성을 보는 일이라면, 프로덕트 기획은 사용자와 프로덕트에 대한 깊은 이해를 기반으로 더 나은 제품을 설계해 나가는 일이라고 정의하고 싶습니다.
📌 B1 답변의 전략: - “사용자 이전에 스스로 사용자가 되어”: 본인 정의의 첫 문장으로 강력. calling-language 매일 사용 경험과 일관 - calling-language 근거 명시: SM Q4의 약점(추상적 정의)을 정면 보강. “평가 객관성 → OPIc 재설계”가 D3와 일관 - 핵심 역량을 “다양한 언어로 번역”으로 격상: 일반적 “커뮤니케이션 역량”을 프로덕트 기획자만의 차별화된 역량으로 재정의. 4계층(사용자 발견 / 요구사항 / 문서화 / 경영진 보고) 구조 유지 - PM/사업기획과의 차이를 본인 언어로: SM Q4 꼬리질문(경영기획 vs 재무기획) 약점 복구. PM 직무 깎지 않고 차이만 명확화 - 마지막 “정의하고 싶습니다”: 정의를 만들어본 사람이라는 인상. 강한 선언
🎯 SM 면접 복기 학습 반영: > SM 복기 기록: “기획 정의 꼬리 질문 — 경영 기획 vs 재무 기획 구분을 좀 더 명확하게 정리해둘 것.”
이번 B1에서는 PM(일정·범위·조율) vs 사업기획(재무 ROI) vs 프로덕트 기획(사용자·프로덕트 이해)을 명확히 구분.
💬 예상 꼬리질문 (반드시 준비):
Q1. “회사에서 프로덕트 기획의 형태가 어떻게 될 것 같나요?” (SM에서 약했던 질문) > 회사 단계와 프로덕트 성숙도에 따라 다를 거라 생각합니다. 초기 단계라면 사용자 페인 정의와 솔루션 설계의 비중이 크고, 어느 정도 프로덕트가 자리 잡은 단계라면 데이터로 사용자 행동을 관찰해 다음 가설을 세우고 개선해 나가는 순환이 핵심이 될 것입니다. 위버스브레인은 맥스AI가 이미 시장에 안착한 단계로 보이기 때문에, 후자에 가까울 거라 예상합니다.
Q2. “PM/PO와 프로덕트 기획자의 차이를 더 구체적으로 설명해주세요” > PM은 “이걸 언제, 어떻게 만들지”에 무게가 있고 이해관계자 조율과 일정 관리가 핵심입니다. PO는 백로그 우선순위 결정과 개발팀에 기능을 정의해 전달하는 역할이 중심이고, 보통 애자일 환경에서 활용되는 직책입니다. 프로덕트 기획자는 그보다 더 앞 단계, “무엇을 왜 만들어야 하는가”를 정의하는 일에 무게가 있다고 이해하고 있습니다. 다만 한국 IT 회사에서는 프로덕트 기획자가 PM·PO 역할을 일부 겸하는 경우가 많아, 위버스브레인에서도 그런 형태일 수 있다고 생각합니다.
Q3. “프로덕트 기획자에게 가장 중요한 한 가지 역량을 꼽는다면?” > 사용자 페인을 다양한 언어로 번역해내는 능력입니다. 이 능력이 없다면 좋은 통찰이 있어도 개발팀에는 모호한 요구사항으로 전달되고, 경영진에는 측정할 수 없는 비전으로 보고되기 때문입니다.
Q4. “스스로 사용자가 되라고 하셨는데, 모든 프로덕트가 본인이 사용자가 될 수 있는 건 아니지 않나요?” > 맞습니다. 본인이 직접 사용자가 될 수 없는 영역에서는, 실제 사용자에게 가장 가까이 다가가 그들의 일상과 페인을 관찰하고 인터뷰하는 것이 대안이 됩니다. 다만 영어 학습이라는 영역은 제가 직접 학습자이기에, 이 강점이 그대로 발휘될 수 있다고 생각합니다.
✅ 체크리스트 (모두 충족): - [x] 본인만의 정의 첫 문장 (“사용자 이전에 스스로 사용자가 되어”) - [x] calling-language 경험 근거 (SM Q4 추상화 약점 복구) - [x] 좋은 프로덕트 기획자 기준 (진심으로 관심 가진 사용자) - [x] 핵심 역량을 4계층 번역 능력으로 격상 - [x] PM / 사업기획 / 프로덕트 기획자 명확한 구분 (SM 꼬리질문 약점 복구) - [x] 꼬리질문 4개 답변 준비 - [x] 분량 55~60초
B2. 왜 에듀테크인가요? 다른 산업과 비교해 어떤 점이 매력적이라 느끼셨나요?
답변 (확정: 2026-04-26, 약 50초):
에듀테크는 생성형 AI 이후 가장 흥미로운 분야 중 하나라고 생각합니다.
이전에는 양질의 교육이 1:1 과외라는 형태에서 비용 장벽으로 가로막혀 있었습니다. AI는 그 자체로 1:1 과외를 스케일업해, 받고자 하는 모든 사람이 받을 수 있도록 만들었습니다. 이 변곡점이 지금 에듀테크에서 일어나고 있다고 생각합니다.
개인적으로도 통계대학원에서 새로운 분야를 배우고, 영어 학습을 오래 이어오며, 최근에는 calling-language를 매일 사용하는 학습자로 살아왔습니다. 그 과정에서 앞으로 일할 도메인은 ’배우는 사람들이 있는 곳’이면 좋겠다는 생각이 분명해졌습니다.
에듀테크는 학습자가 어떻게 하면 더 잘 배울 수 있을까를 끊임없이 연구하는 분야입니다. 그곳에서 좋은 프로덕트를 만들어 학습자들이 더 나은 기회와 역량을 갖출 수 있도록 돕는 일이, 제가 가장 보람을 느낄 수 있는 일이라 판단했기에 이 산업을 선택했습니다.
📌 B2 답변의 전략: - 킬러 인사이트: “AI가 1:1 과외를 스케일업했다” — 에듀테크 × AI의 본질을 한 문장으로 정의. 면접관 기억에 남는 통찰 - “이전 vs 이후” 대비 구조: 비용 장벽 → 모든 사람이 받을 수 있다, 명확한 변화 시점을 짚음 - 본인 학습자 경험 3가지 증거: 통계대학원 + 영어 학습 + calling-language 매일 사용 → 진정성 강화 - “배우는 사람들이 있는 곳”: 도메인 선택 기준이 명확하고 진정성 있음 - A3와의 일관성: A3 명제 (“AI 없는 어학 교육도, 어학 교육 없는 AI도 효과 적다”)의 산업 버전. 면접 전체에서 4번째 노출 - B3와의 구분: 마무리를 “이 산업을 선택했습니다”로 — 회사가 아닌 산업 자체에 무게
💬 예상 꼬리질문:
Q1. “AI가 1:1 과외를 스케일업했다고 하셨는데, 그럼 인간 튜터는 사라질까요?” > 사라지진 않을 것이라 생각합니다. AI는 진입 장벽을 낮추고, 인간 튜터는 더 높은 차원의 코칭으로 역할이 분화될 것입니다. 본인이 명확한 학습 목표가 있고 동기부여가 강한 학습자에게는 AI가 충분히 좋은 파트너이지만, 학습 동기를 발견하거나 깊은 진단이 필요한 단계에서는 인간 튜터의 역할이 여전히 중요할 것입니다.
Q2. “왜 K-12 교육이 아닌 어학을 선택하셨나요?” > 두 가지 이유가 있습니다. 첫째, 본인이 학습자로 가장 깊이 경험한 영역이 어학이기 때문입니다. 둘째, 어학은 결과(speaking, writing)가 즉각 측정 가능해 AI 피드백 루프가 가장 잘 작동하는 영역이라 생각합니다.
Q3. “통계대학원 가셨다면 데이터 사이언티스트로 가는 게 더 자연스럽지 않나요?” > 통계대학원에서 배운 핵심은 ’데이터로 가설을 검증하는 사고’였습니다. 이는 프로덕트 기획자가 사용자 가설을 검증하는 데 그대로 활용됩니다. calling-language의 OPIc 루브릭 재설계가 그 사고를 적용한 사례입니다.
Q4. “에듀테크 외에 관심 있는 산업은 또 있으세요?” > 헬스케어도 사용자 행동 변화가 가치 창출과 직결된다는 점에서 흥미롭습니다. 다만 에듀테크는 본인이 학습자로 직접 경험을 쌓아왔기에 더 강한 fit이라 판단했습니다.
Q5. “에듀테크가 변곡점이라고 하셨는데, 구체적으로 어느 시점부터라고 보시나요?” > 생성형 AI, 특히 LLM이 음성과 결합되어 자연스러운 대화가 가능해진 시점이 결정적이었다고 생각합니다. 그 이전 에듀테크는 콘텐츠 전달 중심이었다면, 지금은 학습자와 AI의 양방향 상호작용이 가능해진 단계입니다.
✅ 체크리스트 (모두 충족): - [x] 핵심 인사이트 (AI × 1:1 과외 스케일업) - [x] 본인 학습자 경험 3가지 증거 (통계대학원 + 영어 학습 + calling-language) - [x] 산업 자체의 매력 명확화 (B3와 구분) - [x] A3 명제와 일관 (AI × 교육 교차점) - [x] 분량 50초
B3. 왜 위버스브레인인가요? 타 에듀테크 대비 어떤 차별점 때문에 지원하셨나요?
답변 (확정: 2026-04-26, 약 50초):
위버스브레인의 장점은 확장성이라고 생각합니다. 영어에만 국한된 것이 아니라 중국어나 일본어 같은 다른 언어로도 확장이 가능하다는 점, 그리고 B2C뿐만 아니라 B2B에서 기업이 원하는 기준에 맞춰 프롬프트를 빠르게 조정하여 기업에 맞게 제공할 수 있다는 점, 또한 필요한 경우 도메인에 특화된 언어로 확장할 수도 있다는 점, 이러한 확장성이 위버스브레인이 가진 장점이라고 생각합니다.
저 개인적으로도 데이터 분석가, PMO처럼 다양한 산업에서 여러 역할을 거쳐왔는데, 이러한 경험들이 앞으로 위버스브레인의 확장 여정에 기여할 수 있을 것으로 판단합니다.
📌 B3 답변의 전략: - “확장성” 단일 키워드: 분산된 강점이 아닌 하나의 축으로 정의 → 면접관 기억에 남기 쉬움 - 3가지 확장 축: 언어 확장(중국어/일본어), 비즈니스 모델 확장(B2C → B2B), 도메인 확장(특화 언어) - “프롬프트를 빠르게 조정”: 기술적 이해 기반의 구체적 메커니즘 언급 - 본인 fit과의 연결: “다양한 산업에서 여러 역할을 거쳐왔다” — SM 면접 복기에서 학습한 자기 최소화 패턴 제거. 비선형 커리어를 강점으로 재프레이밍
🎯 SM 면접 복기 학습 반영: > 메모리 학습: “비선형 커리어를 강점으로 재프레이밍 — Ottogi → AXA → 대학원 → calling-language 트래젝토리는 breadth(폭), 일관성 결여 아닌 강점”
이번 B3에서는 “짧지만 다양한”이라는 자기 최소화 표현을 “다양한 산업에서 여러 역할을 거쳐왔다”로 능동 격상.
💬 예상 꼬리질문:
Q1. “확장성이라는 강점은 다른 SaaS에도 다 있는데, 위버스브레인만의 차별점이라 할 수 있을까요?” > 맞습니다. 그래서 단순한 ’확장 가능성’이 아니라 ’맥스AI라는 검증된 코어 위에서의 확장성’이라는 점이 핵심이라고 생각합니다. 검증되지 않은 코어를 확장하는 것은 리스크 분산이지만, 검증된 코어를 확장하는 것은 성장 가속입니다.
Q2. “중국어·일본어로 확장한다고 했는데, 이건 가설이지 확정된 사실 아닌가요?” > 맞습니다. 외부에서 확정 발표된 사실은 아니고, 저의 분석입니다. 다만 AI 영어 학습 코어가 음성·LLM·커리큘럼이라는 범용 기술로 구성되어 있어 언어를 바꾸는 것이 기술적으로 가장 자연스러운 다음 단계라 판단했습니다.
Q3. “B2B는 진심으로 기회라고 생각하시나요?” > 네. 특히 한국은 직장인 영어 학습 수요가 높고, B2B는 LTV가 높고 이탈률이 낮은 시장입니다. 맥스AI의 학습 관리 + 콜 + 정규 커리큘럼이라는 구조는 B2C보다 오히려 B2B에서 더 명확한 가치를 줄 수 있다고 생각합니다.
Q4. “본인의 다양한 산업 경험이 어떻게 확장성에 도움이 되나요?” > 각 산업의 핵심 KPI와 의사결정 방식을 짧게나마 경험했기 때문입니다. 보험에서는 리스크 최소화 사고, 식품 유통에서는 SKU 단위 수익성 사고를 배웠습니다. B2B 도메인 특화 언어로 확장할 때 각 산업의 언어를 빠르게 이해하고 프로덕트에 녹일 수 있는 강점이 될 것입니다.
Q5. “calling-language를 영어가 아닌 다른 언어로도 만들 수 있나요?” > 기술적으로는 가능합니다. Vapi와 Twilio 모두 다국어를 지원하고, LLM의 다국어 능력만 충분하면 같은 아키텍처로 다른 언어 학습 서비스를 만들 수 있습니다. 다만 평가 루브릭은 언어별로 재설계해야 하는 도메인 작업이 필요합니다.
Q6. “다른 AI 영어 학습 회사들과 비교했을 때 위버스브레인이 가진 차별점은 무엇인가요?” > 뤼이드는 AI 기반 시험 점수 향상에 강점이 있고, 스픽은 모바일 셀프 서브 회화에 강점이 있다고 생각합니다. 야나두는 인간 코치 중심이고요. 위버스브레인 맥스AI는 이 영역들과 달리 ’AI + 음성 콜 + 정규 커리큘럼 + 학습 관리’를 통합한 시스템이라는 점이 차별적이라고 봤습니다.
✅ 체크리스트 (모두 충족): - [x] 위버스브레인의 차별점을 단일 키워드(확장성)로 정의 - [x] 3가지 확장 축 구체적으로 제시 - [x] 본인 fit 연결 (다양한 산업·역할 경험 → 확장 여정 기여) - [x] 자기 최소화 패턴 제거 (“짧지만” → “다양한 역할을 거쳐왔다”) - [x] 분량 50초
B4. 영어 학습자에게 AI가 줄 수 있는 가장 큰 가치가 무엇이라 생각하시나요?
답변 (확정: 2026-04-26, 약 45초):
AI를 활용했을 때 가장 큰 가치는, 개인 맞춤형 교육을 범용적으로 가능하게 만든다는 점입니다. 학습자 개개인의 속도, 말하기 습관, 선호 시간대 등을 인간 튜터와 만족스럽게 맞추기는 어렵습니다. AI는 이 모든 변수를 지속적으로 학습자에게 맞출 수 있어, 언어 학습에서 가장 중요한 지속성을 확보할 수 있다는 점이 가장 큰 가치라고 생각합니다.
저 또한 calling-language를 매일 사용하면서, 시간과 페이스가 저에게 맞춰지는 환경에서야 비로소 영어 학습이 일상이 되는 경험을 했습니다.
📌 B4 답변의 전략: - 단일 핵심 가치로 명료: “개인 맞춤형 교육의 범용화 → 지속성”이라는 하나의 흐름으로 수렴 - B2와 차별화: B2(왜 에듀테크) = “AI가 1:1 과외를 스케일업했다” — 산업 차원 / B4(학습자 가치) = “개인 변수를 지속적으로 맞춰 지속성 확보” — 학습자 개인 차원 - D2와의 일관성: “지속성”은 D2에서 calling-language 핵심 가치 제안으로 이미 설정한 키워드. B4에서 재등장 → 일관된 사고 체계 - 본인 학습자 경험 한 줄 추가: 추상 정의 + 1인칭 검증 = 가장 설득력 있는 답변 구조. D1·D2와 자연 연결
💬 예상 꼬리질문:
Q1. “지속성이 왜 언어 학습에서 가장 중요한가요?” > 언어는 단기 암기로 완성되는 영역이 아니라, 일정한 빈도로 노출과 발화가 누적되어야 향상되는 영역이기 때문입니다. 학습 빈도가 끊기는 순간 직전까지의 학습 효과도 빠르게 휘발됩니다. 인간 튜터의 1회 깊이 있는 수업보다, AI가 만드는 일상의 짧은 반복이 결과적으로 더 큰 효과를 만들 수 있다고 생각합니다.
Q2. “AI가 개인 맞춤을 한다고 했는데, 인간 튜터도 학습자에 맞춰주지 않나요?” > 가능하지만 비용과 시간의 제약을 받습니다. 인간 튜터가 학습자 100명을 동시에 깊이 있게 맞추기는 어렵지만, AI는 이론적으로 무한히 확장됩니다. 결국 AI는 인간 튜터의 ‘맞춤’ 능력을 모두에게 제공할 수 있게 만들었다는 점에서 본질적 차이가 있다고 봅니다.
Q3. “지속성을 확보하려면 결국 학습자 동기부여가 필요한데, AI가 동기까지 만들어줄 수 있나요?” > AI가 동기 자체를 만들 수는 없지만, 동기가 약해도 학습이 끊기지 않도록 외부 자극(예: 걸려오는 전화)을 만들어줄 수는 있습니다. calling-language의 핵심 가치 제안도 바로 이 지점이었습니다. 동기를 100% 학습자 의지에만 맡기지 않고 시스템이 일부를 책임지는 구조입니다.
✅ 체크리스트 (모두 충족): - [x] 가장 큰 가치 1가지 선언 (개인 맞춤형 교육의 범용화 → 지속성) - [x] B2와 차별화 (산업 차원 vs 학습자 개인 차원) - [x] 본인 학습자 경험 근거 (calling-language 매일 사용) - [x] D2와 일관 (지속성 키워드) - [x] 분량 약 45초
B5. 좋은 AI 영어 학습 프로덕트의 조건은 무엇이라 생각하시나요?
답변 (확정: 2026-04-27, 약 40초):
저는 좋은 학습 프로덕트는 좋은 선생님과 같다고 생각합니다.
좋은 선생님은 학생이 더 잘하도록 돕는 사람이고, 그 핵심은 개선 가능한 피드백을 정확하게 주는 일입니다. 위버스브레인의 맥스AI 메아리 학습법 같은 것이, 좋은 선생님이 학생의 발화를 듣고 따라하게 하는 역할을 AI로 구현한 좋은 사례라고 생각합니다.
다만 거기서 한 단계 더 나아가, 한국어 사용자가 자주 부딪히는 디테일까지 짚어주는 프로덕트가 좋은 학습 프로덕트라고 봅니다. R과 L 발음의 차이, 관사 사용, 한국어식 영어 표현 같은 한국인 특유의 패턴을 구분해서 짚어줄 수 있을 때, 학습자는 비로소 “내가 정말 늘었다”는 신뢰를 가질 수 있습니다.
📌 B5 답변의 전략: - 비유 프레임 선언: “좋은 학습 프로덕트 = 좋은 선생님”. 추상적 평가 기준 나열 대신 직관적 비유에서 시작 → 면접관이 즉시 따라옴 - 위버스브레인 제품 구체 인용: 맥스AI “메아리 학습법” → 사전 조사·관심도의 강한 신호 - 한국인 학습자 디테일 통찰: R/L 발음, 관사, 한국어식 영어 표현 → 본인이 영어 학습자이자 기획자라는 이중 정체성 압축 - B4와 차별화: B4(학습자 가치) = “지속성” — 사용자 관점 / B5(좋은 프로덕트 조건) = “신뢰 형성을 위한 정확한 피드백” — 기획자 관점 - 마무리 키워드 “신뢰”: 좋은 학습 프로덕트의 본질을 신뢰 형성으로 격상하며 닫음
💬 예상 꼬리질문:
Q1. “AI가 정말 좋은 선생님이 될 수 있나요? 인간 튜터를 대체할 수 있을까요?” > 대체보다는 분화에 가깝다고 생각합니다. AI는 개인화·반복·접근성에서 강점이 있고, 인간 튜터는 학습 동기 발견과 깊은 진단에서 강점이 있습니다. AI는 좋은 선생님의 일부 역할을 모두에게 제공할 수 있다는 점에서 본질적 가치가 있다고 봅니다.
Q2. “한국인 특유의 영어 실수 디테일을 어떻게 시스템에 녹이실 건가요?” > 두 가지 방향이 가능하다고 봅니다. 첫째, 학습자별 발화 패턴을 누적해 자주 등장하는 오류를 메모리에 저장하고 다음 통화에서 우선적으로 짚어주는 구조입니다. 제 calling-language 프로젝트의 LearnerProfile speaking_patterns 필드도 같은 사고로 설계했습니다. 둘째, 한국인 영어 학습자 데이터로 fine-tuning된 평가 모델 도입을 고려할 수 있습니다.
Q3. “메아리 학습법 외에 위버스브레인이 더 잘할 수 있는 영역은요?” > PT 모드의 개인화 커리큘럼이 학습자의 누적 패턴 데이터와 더 강하게 연결되면, 학습자별 맞춤 콘텐츠가 자동 생성되는 시스템이 가능하다고 봅니다. 이는 D5 답변과도 같은 맥락입니다.
Q4. “좋은 선생님의 다른 조건은요?” > 동기부여를 만들어주는 것, 학습자의 작은 진전을 인지하고 인정하는 것, 학습자가 안심하고 실수할 수 있는 분위기를 만드는 것 등이 있습니다. 마지막은 학습자의 발화 데이터를 어떻게 다루느냐의 문제와도 직접 연결됩니다.
Q5. “AI가 학습자의 미세한 발음 차이를 정말 구분할 수 있나요?” > 현재 STT 기술로도 어느 정도 가능하지만, 한국 영어 화자에 특화된 STT 평가 모델이 필요한 영역입니다. 제 calling-language도 한국어 코드 스위칭 fallback을 별도 STT(Gladia solaria-1)로 두고 있습니다.
✅ 체크리스트 (모두 충족): - [x] 비유 프레임으로 직관적 출발 (좋은 학습 프로덕트 = 좋은 선생님) - [x] 위버스브레인 제품 구체 인용 (맥스AI 메아리 학습법) - [x] 본인 학습자 디테일 통찰 (R/L 발음, 관사, 한국어식 영어 표현) - [x] B4와 차별화 (사용자 관점 vs 기획자 관점) - [x] “신뢰” 키워드로 격상된 마무리 - [x] 분량 약 40초
C. 경험 검증
C1. PMO 경험이 프로덕트 기획 직무와 어떻게 연결된다고 보시나요?
답변 (확정: 2026-04-27, 약 55초):
시스템 개발 프로젝트의 PMO 업무에서 가장 큰 비중을 차지한 것은 이해관계자 커뮤니케이션이었습니다.
첫째, 보안 파트의 주니어 PM으로서 분석·설계 단계에서 누락될 수 있는 보안 요건들을 체크리스트로 구조화하고, 보안팀과 수행사 LG CNS 사이에서 교차검증 프로세스를 설계했습니다. 분석·설계 단계에서 빠질 수 있는 요건을 사전에 점검할 수 있는 도구와 흐름을 만든 것이 핵심 기여였습니다.
둘째, CEO가 참여하는 월간 위원회 보고서를 직접 작성하면서, 시스템 전환율 지표를 직접 추출하고 전환이 더딘 센터를 식별해 보고했습니다. 이 보고가 본사 영업지원 담당의 파견으로 이어지는 등, 데이터가 후속 액션으로 연결되도록 하는 역할을 했습니다.
이 경험은 위버스브레인 프로덕트 기획자 직무에 두 방향으로 연결됩니다. 하나는 개발팀·콘텐츠팀·고객팀 사이의 커뮤니케이션 허브로서 요구사항을 정확하게 옮기는 역할이고, 다른 하나는 프로덕트 도입 후 활용 지표를 데이터로 추적해 경영진에게 현황을 명확히 제공하는 역할입니다.
📌 C1 답변의 전략: - PMO 본질을 한 단어로 정의: “이해관계자 커뮤니케이션” — 면접관이 즉시 따라옴. PMO 전체 역량(예산·리스크·일정 등)은 “가장 큰 비중을 차지한” 표현으로 보존 - honest positioning 일관 적용: 본인의 명확한 기여(체크리스트·교차검증 프로세스 설계 / 데이터 추출 → 본사 파견 트리거)에만 집중. 결과 수치(50건 100% 반영, 50→70%)는 다수 이해관계자의 공동 결과이므로 인용 제외 - 본인이 “만들어낸” 도구·프로세스 중심: 결과 수치보다 “무엇을 설계했는가”가 PMO/프로덕트 기획자의 본질적 가치 — 답변이 정성적이어도 강력 - 자기소개서 어휘 통일: CEO 위원회 보고 / 개발팀·콘텐츠팀·고객팀 - 위버스브레인 직무로 두 방향 매핑: 커뮤니케이션 허브 + 활용 지표 추적
💬 예상 꼬리질문:
Q1. “PMO와 프로덕트 기획자의 가장 큰 차이는 무엇이라 보시나요?” ⭐ 매우 가능성 높음 > PMO는 이미 정의된 프로젝트의 실행을 관리하는 역할이고, 프로덕트 기획자는 무엇을 만들지를 정의하는 역할이라고 봅니다. 다만 두 역할이 공유하는 본질은 사용자·이해관계자의 요구를 정확하게 시스템 요구사항으로 번역하는 일이라고 생각합니다. PMO를 하면서 그 번역 능력을 길렀고, 이제 그 능력을 정의 단계까지 확장하고 싶은 것이 이 직무에 지원한 이유 중 하나입니다.
Q2. “PMO를 하면서 ’프로덕트 기획자라면 다르게 했을 것’이라고 생각한 순간이 있었나요?” ⭐ 자기 통찰 > 보안 요건 누락이 분석·설계 단계에서 발견된 것이 가장 인상적이었습니다. 만약 기획 단계부터 보안 요건을 사용자 시나리오와 연결해서 정의했다면, 후속 단계에서 체크리스트로 보완하는 작업은 더 적었을 것이라고 생각했습니다. 이런 순간들이 기획 단계의 중요성을 체감한 계기였습니다.
Q3. “월간 위원회에서 어려웠던 보고 경험이 있나요?” > CEO가 참여하는 보고에서 가장 어려운 것은 기술 용어를 비기술 청자에게 정확하게 옮기는 일이었습니다. 시스템 전환율 같은 운영 지표는 비교적 직관적이지만, 보안 요건 미반영 같은 리스크 보고는 한 줄로 요약하기 어려워, 매번 비유와 영향 범위로 풀어 보고하는 연습을 했습니다.
Q4. “이해관계자 커뮤니케이션이 본인의 핵심 강점이라고 한다면, 그 강점이 약점이 되는 순간은 언제인가요?” ⭐ 자기 비판 > 의견 차이를 조율하는 데 시간을 많이 쓰는 만큼, 모두가 합의하는 답을 찾으려다 의사결정이 느려지는 경향이 있습니다. PMO에서는 이 경향이 안전망으로 작동했지만, 빠른 가설 검증이 필요한 프로덕트 기획에서는 보완이 필요한 부분이라고 인식하고 있습니다.
Q5. “체크리스트와 교차검증 프로세스를 설계하셨다고 하는데, 구체적으로 어떻게 만드셨나요?” (본인 기여 deep-dive) > 분석·설계 산출물을 검토할 때 보안팀의 모호한 요건들을 “누가 / 무엇을 / 어떤 기준으로 충족하는가” 형태의 검증 가능한 항목으로 분해했습니다. 이후 보안팀이 각 항목의 기준을 확정하고, 수행사 LG CNS가 산출물에서 해당 항목 충족 여부를 응답하면, 제가 그 응답을 다시 보안팀에 전달해 최종 승인을 받는 흐름을 설계했습니다. 모호한 요건이 사라지고 누가 무엇을 책임지는지가 명확해졌습니다.
✅ 체크리스트 (모두 충족): - [x] PMO 본질을 한 단어로 정의 (이해관계자 커뮤니케이션) - [x] 두 가지 사례 (보안 + 전환율) — 본인 명확한 기여만 - [x] 자기소개서 어휘 통일 (CEO 위원회 보고 / 개발팀·콘텐츠팀·고객팀) - [x] 위버스브레인 직무로 두 방향 매핑 (커뮤니케이션 허브 + 활용 지표 추적) - [x] honest positioning 일관 적용 (수치 대신 본인이 만든 도구·프로세스에 집중) - [x] 분량 약 55초
C4. 센터별 전환율을 트래킹한 경험을, 프로덕트 지표 추적에 어떻게 옮겨올 수 있을까요?
답변 (확정: 2026-04-27, 약 40초):
센터별 전환율을 트래킹한 것은, 오픈 후 서비스가 실제로 운영되는지를 데이터로 확인하는 일이었습니다. 지표를 정의하고, 이상이 있는 지점을 식별하고, 액션으로 연결하는 사고 흐름 — 이것이 프로덕트 지표 추적에 그대로 옮겨올 수 있는 부분이라고 생각합니다.
맥스AI에서는 앱 내 단계별 이탈 데이터를 얻을 수 있습니다. 어느 단계에서 학습자가 빠져나가는지 보고, 그 단계에 개선을 가했을 때 이탈률이 줄어드는지를 A/B 테스트로 검증하는 것 — 센터별 전환율을 보며 했던 사고와 구조가 같습니다. 도메인이 바뀌었을 뿐, 데이터로 현황을 보고 가설을 만들고 검증하는 흐름은 동일합니다.
📌 C4 답변의 전략: - 사고 흐름을 명시적으로 선언: “지표 정의 → 이상 지점 식별 → 액션 연결” — 두 경험의 연결 고리를 암묵적으로 두지 않고 한 문장으로 압축 - 맥스AI 구체 적용: 단계별 이탈 데이터 + A/B 테스트 → 어학 프로덕트 맥락에서 즉시 실행 가능한 그림 제시 - “도메인이 바뀌었을 뿐”: 이전 경험이 에듀테크에서 낯설다는 불안을 정면으로 해소 - honest positioning 유지: 수치 결과(50→70%) 인용 없음. 본인 기여(지표 추출·이상 식별·보고)의 사고 구조에만 집중 - 통계 석사 배경 자연 노출: A/B 테스트 언급 — 별도 설명 없이도 통계 기반 검증 역량 신호
💬 예상 꼬리질문:
Q1. “A/B 테스트를 직접 설계해본 경험이 있으신가요?” > 직접 운영 환경에서 A/B 테스트를 수행한 경험은 없습니다. 다만 통계대학원에서 가설 검증 방법론을 학문적으로 익혔고, calling-language를 만들면서 프롬프트와 모델 파라미터를 바꿔가며 응답 품질이 어떻게 달라지는지를 직접 비교한 경험이 있습니다. 이를 운영 환경의 A/B 테스트로 확장하는 것은 입사 후 빠르게 적응할 수 있는 영역이라 생각합니다.
Q2. “프로덕트 지표 중 맥스AI에서 가장 중요하다고 생각하는 지표는 무엇인가요?” > 학습 지속성과 가장 직결된 지표라고 생각합니다. 단순 DAU보다는 학습 완료율과 재방문 간격 — 특히 학습자가 며칠 이내에 다시 앱을 열었는지가 핵심 지표가 될 것 같습니다. 발화 시간이 늘어나는지, 피드백 수용률이 높은지도 학습 품질을 간접적으로 보여주는 지표라고 생각합니다.
✅ 체크리스트 (모두 충족): - [x] 사고 구조의 유사성 명시 (지표 정의 → 이상 식별 → 액션 연결) - [x] 맥스AI 구체 적용 (단계별 이탈 데이터 + A/B 테스트) - [x] honest positioning 유지 (수치 결과 인용 X) - [x] 통계 석사 배경 자연 노출 (A/B 테스트) - [x] 분량 약 40초
D. 역량 증거 — 가장 중요
D1. 최근 AI 기술을 직접 다뤄본 경험을 말씀해 주세요.
답변 (확정: 2026-04-24, 약 30~40초):
가장 최근에는 calling-language라는 AI 영어 튜터 프로젝트를 직접 설계하고 구현했습니다. ‘원하는 시간에 AI 튜터가 전화를 걸어 10~15분 영어 회화를 진행하고 피드백을 주는’ 서비스인데, Claude Code와 협업해 MVP 수준까지 배포했고 저 스스로도 매일 사용하고 있습니다.
그 외에도 석사 과정에서 LightGBM과 생성형 AI를 결합해 보험 언더라이팅의 승인/거절 사유를 자동 생성하는 End-to-End AI 파이프라인을 설계한 캡스톤 프로젝트 경험이 있고, 최근에는 MCP를 활용해 일상 업무 자동화를 실험해 오고 있습니다.
📌 D1의 포지셔닝: D1은 D2의 오프닝 요약. 30~40초로 간결하게 임팩트만 전달하고, 면접관이 자세히 물으면 D2 버전으로 확장하는 2단 구조.
💬 꼬리질문 시나리오: - “그 전화 영어 서비스, 더 자세히 설명해주실 수 있나요?” → D2 확장 버전으로 전환 - “맥스AI 밀착케어콜과 비슷한 것 같은데요?” → D4 답변으로 진입 (가장 이상적인 흐름) - “어떤 기술 스택을 썼나요?” → Claude Sonnet 4.6, Vapi, Twilio, Next.js, Fastify, Prisma 자연스럽게 펼치기
✅ 체크리스트 (모두 충족): - [x] calling-language를 가장 먼저 언급 (SM Q10 MCP 먼저 나온 실수 복구) - [x] “직접 설계하고 구현한 것”이라는 프레이밍 명확 - [x] 본인이 현재 사용자라는 증거 (“매일 사용”) - [x] 보조 사례(LightGBM 캡스톤, MCP)는 후순위로 짧게
D2. calling-language 프로젝트를 만든 계기와 접근 방식을 설명해 주세요.
답변 (확정: 2026-04-24):
EF 잉글리시라는 글로벌 영어 서비스를 6개월 정도 구독하면서 두 가지 어려움을 실제로 겪었던 게 시작이었습니다.
첫째, 1:1 프라이빗 클래스가 있었는데 원하는 선생님과 대화하려면 그 선생님의 시간에 제 일정을 맞춰야 했습니다. 학습하고 싶은 타이밍에 학습하기가 쉽지 않았습니다. 둘째, 월 비용의 부담이 있었습니다.
또한 평소 ‘AI를 활용해 제가 실제로 이점을 얻을 수 있는 서비스를 직접 만들어보고 싶다’는 생각을 갖고 있었습니다. 영어 학습에서 겪은 이 두 가지 페인 포인트가 바로 그 대상이 될 수 있겠다고 판단했고, ’원하는 시간에 AI 튜터가 전화를 걸어주는’ 서비스를 직접 만들어보기로 했습니다.
핵심 가치 제안은 ‘원하는 시간에 스케줄을 걸면 실제 번호로 전화가 온다’는 것이었습니다. 사용자가 가입해서 온보딩을 마친 뒤 학습 시간을 스케줄링해 두면, 그 시간에 AI 튜터가 전화를 걸어 10~15분 회화를 진행하고 레벨별 피드백을 제공합니다.
구현은 Claude Code와 협업해 Vapi, Twilio 등 스택으로 MVP 수준까지 배포했습니다. 학부 때 데이터베이스 수업과, 오뚜기에서 클라우드 기반 데이터 수집 스케줄을 구축하고 Docker를 다뤄봤던 경험이 구현의 기반이 되었습니다.
MVP를 만든 뒤, 위버스브레인의 맥스AI 밀착케어콜이 제가 정의한 문제와 정확히 같은 방향의 솔루션임을 확인했습니다. 회사가 시장에서 해결하려는 문제를 저도 같은 방향으로 정의해 본 경험이 있다는 것은, 입사 후 제품 로드맵을 빠르게 이해하고 기여할 수 있는 출발점이 될 것이라고 생각합니다.
특히 제작 과정에서 프롬프트 설계, LLM·음성 인식·음성 합성 모델 선택을 하나씩 바꿔보며 사용자 경험이 어떻게 달라지는지를 직접 체감했습니다. 이 감각이 프로덕트 기획자 업무에 그대로 연결될 수 있다고 판단합니다.
📌 꼬리질문 대비 (추가 준비 필요): - “왜 ’전화’라는 방식을 택했나?” → 지속성 관점으로 답변 준비 (옵션 A 선택으로 본 답변에서는 생략) - “MVP 사용자 피드백을 받아봤나?” → D3에서 한계 함께 설명 - “맥스AI와 구체적으로 어떻게 다른가?” → D4에서 별도 준비 - “Vapi는 왜 선택했나?” → Voice AI에 특화된 서비스, 기술 선택 근거 준비
✅ 체크리스트 (모두 충족): - [x] 문제 정의가 먼저 나옴 (EF 잉글리시 구독 경험 + 두 가지 페인) - [x] 주도성 근거 포함 (“평소 AI로 서비스 직접 만들고 싶다”는 내적 동기) - [x] 솔루션 방향 구체적 (스케줄링 → 전화 → 10~15분 회화 → 피드백) - [x] 기술 스택 자연스럽게 노출 (Claude Code, Vapi, Twilio 등) - [x] 본인 기반 경험 연결 (학부 DB 수업 + 오뚜기 Docker 경험) - [x] 킬러 프레이밍 명확 (“제가 정의한 문제와 정확히 같은 방향의 솔루션”) - [x] 프로덕트 기획자 관점으로의 전환 지점 포함 (프롬프트/LLM/음성 모델 선택 경험)
D3. MVP를 만들면서 기술적·사용자 관점에서 가장 어려웠던 점은?
답변 (확정: 2026-04-24, 약 1분):
MVP를 만들면서 가장 크게 부딪힌 한계는 “AI의 피드백을 어떻게 객관적으로 평가할 것인가” 였습니다.
두 가지 층위의 문제가 있었습니다. 첫째, 기술적으로는 음성 인식이 부정확하면 트랜스크립트 오류가 AI 피드백 품질에 그대로 전파됩니다. 둘째, 더 본질적으로는 “좋은 피드백”의 기준 자체를 제가 자의적으로 정할 수 없다는 문제였습니다.
이 문제를 해결하기 위해 OPIc를 기준 프레임으로 채택했습니다. OPIc는 평가 루브릭이 공개된 표준화된 시험이고, 동시에 실제 학습자가 가장 많이 준비하는 시험이라 ’학습자에게 실질적으로 도움이 되는 방향’과도 일치했습니다. 그래서 사용자 응답의 충실도, 발화 속도 등을 OPIc 루브릭 기반으로 재구성해 평가 지표를 새로 설계했습니다.
이 경험에서 배운 것은, 교육 프로덕트는 ’좋은 AI’만으로 만들어지지 않는다는 점이었습니다. 교육학과 평가학이라는 도메인 지식이 프로덕트에 녹아들어야 비로소 학습자에게 가치가 전달됩니다. 위버스브레인에서도 새로운 도메인 지식을 빠르게 흡수해 제품에 반영할 수 있는 기획자가 되고자 합니다.
📌 D3 답변의 전략: 이 답변은 “한계 → 구조화 → 해결 → 배움”의 4단 구조. 프로덕트 기획자에게 중요한 “자기 프로덕트를 비판적으로 볼 수 있는가” + “문제를 구조화하고 해결 방향을 설계하는가” 를 동시에 증명.
💬 예상 꼬리질문: - “OPIc 루브릭의 어떤 항목을 구체적으로 반영하셨나요?” → 응답 충실도, 발화 속도 외에 답변 구조화(Task Completion), 문법 정확도 등 준비 - “트랜스크립트 정확도 문제는 어떻게 대응하려고 하셨나요?” → 다른 음성 인식 엔진 비교, 특정 어휘 지원 등 방향 준비 - “맥스AI 밀착케어콜은 이 문제를 어떻게 해결하고 있다고 보시나요?” → D4 영역으로 전환
✅ 체크리스트 (모두 충족): - [x] 한계를 솔직하게 인정 (평가 객관성 + 트랜스크립트 정확도) - [x] 문제를 두 층위로 구조화 (기술 제약 + 본질 문제) - [x] 단순 인정에 머무르지 않고 해결까지 진행 (OPIc 루브릭 재설계) - [x] OPIc 채택 근거 이중 설명 (객관성 + 시장성) - [x] 마무리가 E1(어학 PM 경험 부재) 선제 답변 역할 - [x] 분량 1분 이내
🟡 D4에서 다룰 한계 (여기서는 생략): - 맥스AI 밀착케어콜이 월 99,000원 × 24개월 약정 구조라 직접 체험 불가 - 이 한계는 D4에서 전략적 오프닝으로 활용하여 오히려 정직함의 신호로 전환
D4. 맥스AI 밀착케어콜과 calling-language의 유사점·차이점은?
답변 (확정: 2026-04-24, 약 1분 10초):
우선 솔직하게 말씀드리면, 맥스AI 밀착케어콜은 월 구독료와 약정 기간이 있어 직접 써보지는 못했습니다. 그래서 공개된 정보와 사용자 후기를 종합해 제 MVP와 비교 분석한 내용을 말씀드리겠습니다.
유사점은 세 가지입니다. 첫째, 예약된 시간에 전화가 걸려오는 방식. 둘째, AI와 실시간 음성 대화를 나누는 구조. 셋째, 개인별 학습 관리와 피드백 제공.
차이점은 맥스AI가 훨씬 체계화되어 있다는 점입니다. AI 아바타를 활용해 단순 음성을 넘어선 학습 경험을 제공하고, 특히 개인의 영어 수준에 맞춘 정규 커리큘럼으로 학습하는 PT 모드를 갖추고 있습니다. 이는 단순한 대화 제공을 넘어 학습자별 레벨 진단과 개인화된 커리큘럼 설계까지 프로덕트에 녹여냈다는 뜻입니다.
다만 이 차이보다 중요한 건 공통점입니다. “사용자를 온보딩하고 → AI와 대화하고 → 대화에서 피드백을 생성해 → 학습자가 더 나은 실력을 갖추도록 돕는다”는 핵심 플로우 자체가 동일합니다. 제가 MVP를 만들면서 정의한 문제가, 위버스브레인이 이미 프로덕트로 구현하며 풀어가고 있는 문제와 같은 방향임을 확인할 수 있었습니다.
그래서 맥스AI의 체계화된 요소들 — 정규 커리큘럼, PT 모드, 아바타 — 은 오히려 제가 입사해서 가장 빠르게 배우고 기여하고 싶은 지점입니다. 공통된 문제 정의에서 출발해, 아직 제 MVP에는 없는 개인화 학습 설계와 체계적 커리큘럼을 빠르게 흡수하겠습니다.
📌 D4 답변의 전략: - 오프닝의 정직함: “여유가 없어 못 썼다”가 아니라 “공개 정보 + 사용자 후기 분석”이라는 분석자의 톤으로 전환. 방어가 아닌 정직의 신호 - 차이점을 약점이 아닌 배움의 기회로 프레이밍: “맥스AI가 훨씬 체계화되어 있다”는 문장은 상대를 높이는 동시에, 마지막 문단에서 “그래서 배우고 싶다”로 연결되는 복선 - “핵심 플로우 자체가 동일”을 명문화: D2의 킬러 프레이밍이 여기서 증명됨 - “개인화 학습 설계” 관찰: PT 모드를 단순 기능이 아닌 “학습자별 레벨 진단 + 개인화 커리큘럼”이라는 프로덕트 철학으로 읽어냈음을 명시 - 마지막 “So What” 연결: SM 면접 복기에서 학습한 “즉시 기여” 메시지의 D4 버전
💬 예상 꼬리질문 (미리 답변 준비 필요): - “PT 모드가 구체적으로 어떤 기능인가요?” → 개인의 영어 수준에 맞춘 정규 커리큘럼 학습 모드로, 학습자별 레벨 진단과 개인화된 학습 경로 제공 - “그럼 맥스AI의 어떤 점을 개선할 수 있다고 생각하세요?” → D5 영역. 겸손하되 관점 제시 - “왜 이렇게까지 분석해보셨나요?” → “MVP 만들면서 같은 방향의 솔루션을 찾다가 발견했다” 스토리 - “사용자 후기는 어디서 확인하셨나요?” → 앱스토어 리뷰, 네이버 블로그, 유튜브 등 공개 채널
✅ 체크리스트 (모두 충족): - [x] 체험 불가 전제를 정직의 신호로 오픈 - [x] 유사점 3가지 구체적 (예약 콜 / AI 음성 대화 / 개인별 학습 관리 + 피드백) - [x] 차이점을 관찰 기반으로 (AI 아바타 / PT 모드 정규 커리큘럼) - [x] PT 모드를 “개인화 학습 설계”라는 프로덕트 철학으로 심층 해석 - [x] 킬러 프레이밍 명확 (“핵심 플로우 자체가 동일”) - [x] “So What” 연결 (“입사 후 가장 빠르게 배우고 기여하고 싶은 지점”) - [x] 분량 1분 10초 이내
D5. 신규 AI 영어 교육 서비스를 기획한다면, 지금 당장 한 가지 제안해 주시겠어요?
답변 (확정: 2026-04-24, 약 1분 20초):
현재 AI 영어 학습 서비스들이 가진 두 가지 구조적 제약을 먼저 짚고 싶습니다.
첫째, LLM은 학습된 시점까지의 지식만 가지고 있어 최신 사회 이슈를 알지 못합니다. 둘째, 고정된 커리큘럼은 학습자가 실제로 사용하고 싶은 주제 — OPIc 시사 섹션, 직장에서 다루는 뉴스 — 와 괴리가 있습니다.
제가 제안드리고 싶은 기능은 “실시간 시사 콘텐츠 + 개인 레벨 자동 조정이 결합된 학습 모드” 입니다.
작동 방식은 이렇습니다. 매일 주요 뉴스를 외부에서 가져와 요약하고, 이를 사용자 대화 컨텍스트에 주입합니다. 이렇게 하면 LLM의 지식 컷오프 한계를 우회해 오늘 아침의 이슈로 대화를 나눌 수 있습니다. 구현 관점에서는 초기 MVP는 직접 API 호출과 크론 스케줄러로 가볍게 시작하고, 추후 여러 AI 에이전트가 같은 뉴스 소스를 공유해야 하는 단계에서는 MCP 같은 표준 프로토콜로 확장할 수 있을 것입니다. 동시에 이전 대화에서 파악된 사용자 레벨 데이터를 기반으로, 통화 중 어휘와 발화 속도를 실시간으로 조정합니다.
효과적인 이유는 세 가지입니다. 첫째, 학습자가 OPIc 시사 섹션이나 실제 업무 상황에 바로 적용할 수 있는 영어를 학습합니다. 둘째, 매일 새로운 주제가 제공되므로 “대화가 반복된다”는 지루함이 해소되어 리텐션에 긍정적입니다. 셋째, 레벨 자동 조정은 앞서 말씀드린 OPIc 루브릭 기반 지표 — 응답 충실도, 발화 속도 — 를 실시간 신호로 전환해 활용합니다.
측정은 명확합니다. 뉴스 피드가 적용된 세그먼트와 기존 세그먼트의 재방문율, 일 평균 학습 시간, 레슨 완료율을 A/B 테스트로 비교하면 효과를 정량적으로 확인할 수 있습니다.
📌 D5 답변의 전략: - “구조적 제약”에서 출발: “있으면 좋겠다” 수준이 아니라 현재 아키텍처의 근본 한계에서 시작 → 기획자의 시선 - 기술 용어의 의도적 사용: “LLM 지식 컷오프”, “컨텍스트 주입” 포함 → 기술 이해도 있는 기획자로 인식 - trade-off 명시: MVP는 API+크론으로 단순하게, 확장은 MCP 같은 표준 프로토콜로 → 기술 선택의 trade-off를 이해하는 기획자 포지셔닝 - 기존 답변과 연결: D3의 OPIc 루브릭이 D5에서 재등장 → 일관된 사고 체계 증명 - ROI 측정 설계: SM 면접 Q6(쿠팡 POC + ROI) 성공 패턴을 D5에서 A/B 테스트로 재현
📚 RAG / MCP / API 개념 정리 (꼬리질문 대비 노트): - RAG: 쿼리 기반 검색. 미리 쌓아둔 지식 베이스에서 의미 유사도로 관련 문서 찾아 컨텍스트 주입. “대량 문서 기반 Q&A”에 적합 (사내 위키, 제품 매뉴얼 등) - MCP: 표준화된 프로토콜. LLM이 외부 데이터 소스·도구에 표준 인터페이스로 연결. “여러 에이전트가 같은 도구 공유”할 때 진가 - 직접 API 호출: 가장 단순. 앱 코드에서 특정 API 호출해 데이터를 프롬프트에 주입. “특정 앱에서 특정 타이밍에 특정 API” 호출 시 최적 - 이 기능에 가장 현실적인 선택: 직접 API + 크론 (MVP 관점). MCP는 확장 단계의 옵션
💬 예상 꼬리질문 (미리 답변 준비): - “왜 MCP를 꼭 써야 하나요? API 호출로도 되지 않나요?” → “네, MVP 단계에서는 API + 크론이 가장 간단하고 적절합니다. MCP는 여러 에이전트가 공유해야 하는 단계의 확장 옵션입니다” - “RAG로도 해결되는데요?” → “RAG는 쿼리 기반 검색이라 대량 문서 Q&A에 강점. 이 기능의 본질은 ’정기적 업데이트된 컨텍스트 주입’이므로 API + 스케줄러가 더 자연스러운 선택” - “뉴스 말고 다른 콘텐츠는요?” → 회사 내부 학습 콘텐츠, 아티스트 활동(K-POP), 브랜드 이벤트 등으로 확장 가능 - “사용자가 뉴스 주제를 원하지 않으면요?” → 사용자가 관심 토픽을 선택하는 온보딩 단계 필요 (엔터테인먼트, 스포츠, 기술 등 카테고리) - “OPIc 루브릭과 레벨 조정은 어떻게 연결되나요?” → D3의 응답 충실도·발화 속도 지표를 실시간 신호로 변환. 발화 속도가 급격히 느려지면 어휘 난이도 낮추기 등
✅ 체크리스트 (모두 충족): - [x] 구체적 기능 아이디어 1줄 요약 가능 (“실시간 시사 콘텐츠 + 개인 레벨 자동 조정”) - [x] AS-IS (지식 컷오프 + 고정 커리큘럼) → TO-BE (컨텍스트 주입 + 실시간 조정) 구조 - [x] 비즈니스 가치 측정 명확 (A/B 테스트: 재방문율, 학습 시간, 완료율) - [x] MVP 수준 구현 가능 (API + 크론) - [x] 기술 선택 trade-off 이해 (MCP vs API vs RAG) - [x] 기존 답변과의 일관성 (D3 OPIc, D4 맥스AI 공통 플로우)
E. 예상 압박·갭 질문
E1. 어학 교육 서비스 기획/PM 경험이 없으신데, 어떻게 빠르게 따라가실 계획인가요?
답변 (확정: 2026-04-27, 약 65초):
어학 교육 서비스의 기획·PM 경험은 없다는 점을 먼저 솔직히 말씀드립니다. 다만 이 갭을 빠르게 좁힐 수 있는 세 가지 근거가 있다고 생각합니다.
첫째, 학습자로서의 깊은 경험입니다. 영어를 OPIc IH 수준까지 꾸준히 학습해 왔고, 통계대학원에서도 새로운 분야를 익히는 학습자로 살아왔으며, 최근에는 calling-language를 매일 사용하는 학습자입니다. 어학 학습자가 어디서 막히고 무엇이 동기를 떨어뜨리는지를 본인의 경험으로 알고 있습니다.
둘째, 기획자로서 이미 어학 도메인에 진입해 본 경험입니다. calling-language를 직접 기획하고 구현하면서 학습 설계, 평가 루브릭, 음성 모델 선택 같은 어학 프로덕트의 핵심 의사결정을 한 번씩 다 거쳐봤습니다. 그 결과물이 맥스AI 밀착케어콜과 같은 방향이었다는 점은, 입사 후 제품 로드맵을 빠르게 이해할 수 있는 출발점이 될 것입니다.
셋째, 새 도메인을 빠르게 익혀 본 경험입니다. AXA에서 보험·금융 IT 도메인을 익혀 LG CNS 같은 대형 수행사와 대등하게 보안 요건을 조율한 경험이 있습니다.
입사 후 30일은 맥스AI의 모든 학습 흐름을 학습자로 직접 경험하면서 콘텐츠팀·개발팀·고객팀 구조를 파악하는 데 집중하고, 60일에는 학습자 데이터 기반 가설을 한두 가지 설계해 빠르게 검증하며, 90일 안에 작은 기능 개선 PRD 작성 및 출시 검증을 한 번 이상 진행하는 것을 목표로 삼고 있습니다.
📌 E1 답변의 전략: - 솔직한 갭 인정으로 출발: 변명 없이 첫 문장에 인정 → 면접관 신뢰 확보. SM 면접 복기에서 학습한 “honest positioning” 일관 적용 - 대체 근거 3가지를 다른 각도로 분리: 학습자(경험적 통찰) / 기획자(도메인 진입) / 빠른 학습 능력(PMO) — 동일 사실의 반복이 아닌 서로 다른 축 - 킬러 표현 “한 번씩 다 거쳐봤습니다”: 어학 프로덕트 핵심 의사결정 경험을 압축. 추상적 “공부했다”가 아닌 hands-on 신호 - “같은 방향의 문제 정의” 킬러 프레이밍 5번째 노출: 면접 전체에서 일관 메시지 (D2·D4·B2·B3 다음) - 30/60/90일 플랜 구체적: “학습자로 직접 경험” → “가설 검증” → “PRD 작성·출시 검증” — 학습 → 분석 → 실행 단계 명확 - 자기 최소화 패턴 제거: “짧지만 다양한” 같은 표현 회피. 비선형 커리어를 “새 도메인 빠른 학습 능력”으로 능동 격상 (B3 일관)
💬 예상 꼬리질문:
Q1. “30/60/90일 플랜이 구체적인데, 90일 안에 정말 PRD 작성과 출시 검증이 가능할까요?” ⭐ 리얼리즘 압박 > 90일 안에 “제로에서 출시하는 큰 기능”은 어렵다고 봅니다. 다만 기존 학습 흐름의 작은 마찰 지점을 발견해 그것을 줄이는 작은 기능 개선 단위라면 가능하다고 판단합니다. 이는 PMO에서 보안 요건 체크리스트를 만들었던 경험과 같은 단위입니다 — 큰 시스템 위에서 작지만 명확한 개선을 한 사이클 돌리는 것입니다.
Q2. “학습자 경험을 강조하셨는데, OPIc IH라면 영어가 잘 되시는 편 아닌가요? 영어가 어렵다고 느끼는 학습자의 마음을 알 수 있을까요?” ⭐ 자기 최소화 함정 > 두 가지로 답변 가능합니다. 첫째, OPIc IH는 한국 직장인 평균 이상이지만 원어민 수준은 아니어서 “중급 학습자가 다음 단계로 넘어갈 때의 정체”를 본인이 직접 겪고 있습니다. calling-language를 만든 동기 자체가 그 정체를 풀기 위함이었습니다. 둘째, 학습자 페르소나를 본인 한 명에게만 의존하지 않고, 사용자 인터뷰와 데이터로 보완하는 것이 기획자의 역할이라고 생각합니다.
Q3. “calling-language가 맥스AI와 같은 방향이라고 하셨지만, 위버스브레인 같은 운영 규모와는 다르지 않나요?” ⭐ 스케일 갭 > 맞습니다. calling-language는 MVP 수준의 1인 학습자 검증이고, 맥스AI는 운영 중인 다수 학습자 대상 프로덕트입니다. 다만 “문제 정의의 방향”이 같다는 것이 핵심이고, 운영 규모에서 발생하는 새로운 문제들 — 학습자 세그먼테이션, 코호트별 콘텐츠 차별화, 이탈 시점 분석 — 은 입사 후 학습해야 할 영역이라 인식하고 있습니다.
Q4. “AXA에서 도메인을 빠르게 익혔다는 근거는 무엇인가요?” > 입사 초기 보험 IT 도메인 용어와 흐름을 빠르게 학습해, 입사 후 비교적 짧은 기간 내에 보안 요건 분석에 본격적으로 참여했습니다. 학습 방식은 산출물 검토 시 모르는 용어를 모두 메모해 다음 미팅 전까지 정의를 확인하는 방식이었습니다. 같은 방식으로 위버스브레인의 학습 도메인도 익힐 계획입니다.
Q5. “어학 PM이 되겠다는 결심을 언제부터 하셨나요?” > 명시적으로 “어학 PM”을 목표로 정한 것은 calling-language를 만들면서부터입니다. 그 이전에도 어학 학습자로서의 깊은 관심은 있었지만, 직접 만들어 보면서 “이 영역에서 프로덕트를 기획하는 일이 본인이 가장 잘할 수 있고 보람을 느끼는 일”이라는 확신이 생겼습니다.
✅ 체크리스트 (모두 충족): - [x] 갭 솔직 인정 + 변명 없음 - [x] 대체 근거 3가지 — 서로 다른 축으로 분리 - [x] 30/60/90일 플랜 구체적 - [x] “같은 방향의 문제 정의” 킬러 프레이밍 일관 - [x] 자기 최소화 패턴 제거 (B3 일관) - [x] honest positioning 일관 (수치 결과 인용 X) - [x] 분량 약 65초
E2. 보험·IT에서 에듀테크로 또 한 번의 산업 전환인데, 이 선택이 장기적일 수 있나요?
답변 (확정: 2026-04-27, 약 45초):
지금까지의 커리어는 제가 일하고 싶은 방향을 찾기 위해 지속적으로 범위를 좁혀온 과정이었습니다.
어떤 직무를 할 것인가, 어떤 산업에서 일할 것인가를 차례로 좁혀왔고, 그 끝에서 내린 결론이 “AI로 학습의 접근성을 높이는 일” 이었습니다. 그 확신을 calling-language를 직접 만들면서 검증했고, 위버스브레인이 같은 방향의 문제를 가장 앞에서 풀고 있는 회사라고 판단했습니다.
탐색이 끝난 자리에서 시작하는 것이기 때문에, 여기서는 오래 일할 수 있다고 생각합니다.
📌 E2 답변의 전략: - 본인 언어 그대로 보존: 희영님 초안의 핵심 프레임 “범위를 좁혀온 과정” 그대로 유지 - 방어적 톤 → 확신의 톤: “이전과 달라서 불안합니다” 대신 “탐색이 끝난 자리에서 시작” 으로 전환 — 질문(“장기적일 수 있나요?”)에 정면으로 답하며 닫음 - calling-language로 확신의 증거: “공부하겠다”가 아닌 “이미 직접 만들어 검증했다” — 선언이 아닌 행동 증거 - E1과 구분: E1은 “갭을 어떻게 좁힐 것인가”(실행 중심), E2는 “왜 이 방향인가”(확신 중심) — 같은 calling-language를 다른 각도로 활용 - B2·B3와 일관: “AI가 1:1 과외를 스케일업” + “배우는 사람들이 있는 곳” 선택 이유와 맥락 연결
💬 예상 꼬리질문:
Q1. “그 탐색 과정이 자의적이었나요, 아니면 환경에 떠밀린 건가요?” ⭐ 핵심 압박 > 능동적 탐색이었다고 생각합니다. 오뚜기에서 데이터를 다루면서 “데이터로 현황을 보여주는 것”과 “그 현황을 바탕으로 의사결정을 만들어내는 것” 사이의 거리를 느꼈고, 그 거리를 좁히기 위해 PMO를 선택했습니다. AXA에서 이해관계자 커뮤니케이션 역할을 하면서 “이 역량은 어떤 산업에서 가장 의미 있을까”라는 질문이 생겼고, 그 끝에 교육 산업을 선택했습니다.
Q2. “교육 업계가 가장 가치 있다고 하셨는데, 왜요?” > 양질의 교육을 받을 수 있는지 없는지가 사람의 기회를 결정합니다. AI 이전에는 좋은 교육이 돈과 지리적 조건에 따라 불균등하게 분배됐는데, 지금은 그 구조가 바뀌고 있습니다. 그 변화를 만드는 쪽에서 일하고 싶었습니다.
Q3. “위버스브레인 이후 다음 단계도 생각해 본 적 있나요?” > AI 기반 어학 교육 분야에서 프로덕트를 깊이 이해하는 기획자로 성장하는 것이 5년 이내 목표입니다. 그 기반 위에서 어떤 역할이 가장 의미 있을지는 실제로 일하면서 발견하고 싶습니다.
✅ 체크리스트 (모두 충족): - [x] 방어적 반응 없음 — “탐색이 끝난 자리” 확신의 톤으로 전환 - [x] 비선형 커리어를 능동적 탐색으로 재프레이밍 (B3 일관) - [x] calling-language로 확신의 행동 증거 제시 - [x] “얼마나 오래?”에 정면 답변 (“여기서는 오래 일할 수 있다”) - [x] 분량 약 45초
📅 준비 로드맵 (D-1 압축 버전)
면접 일정: 2026-04-28 (화) 17:00 — 약 28시간 남음 상태: 22문항 중 14문항 확정 (A1·A2·A3 / B1~B5 / C1 / D1~D5) 잔여: C3·C4·C5 / E1·E2 / A4 (총 6문항)
🔥 오늘 (4/27, 일) — 답변 마무리
저녁 (~22시) — 미확정 6문항 빠르게 처리 - [ ] C3 (개발자·비개발자·경영진 커뮤니케이션 사례) → C1 PMO 경험을 한 단계 더 구체화. 보안 요건 사례로 한 답변에 3 청자 모두 등장 가능 - [ ] C4 (센터 전환율 트래킹 → 프로덕트 지표 추적 전이) → 자기소개서 [강점 1] 후반부 톤 그대로. honest positioning 일관 적용 (수치 결과는 인용 X) - [ ] C5 (요구사항 충돌 시 우선순위 결정) → 보안 vs 일정 충돌 사례 중심으로 1 사례만 압축 - [ ] E1 (어학 PM 경험 부재) → D2·B2·B3 답변 재활용. “같은 방향의 문제 정의” 프레이밍으로 갭을 강점으로 전환 - [ ] E2 (보험·IT → 에듀테크 산업 전환 장기성) → 자기소개서 지원 동기 톤 그대로. “배움과 성장” 프레임으로 비선형 커리어를 강점으로 - [ ] A4 (역질문) → 카드 2~3개만 준비. 당일 분위기 보고 선택
취침 전 (~24시) — 답변 6개를 모두 한 번씩 입으로 읽기. 막히는 부분만 메모.
⚡ 면접 당일 (4/28, 화) — 입에 붙이기
오전 (~12시) — 핵심 6답변만 소리 내어 연습 - A1 자기소개 v2 (3회 이상) - B5 좋은 학습 프로덕트 = 좋은 선생님 (2회) - D2 calling-language 제작 계기 (2회) - D4 맥스AI 밀착케어콜 — 같은 방향 문제 정의 (2회) - D5 지금 당장 한 가지 제안 (2회) - C1 PMO 경험 연결 (1회)
점심 후 (~16시) — 가벼운 점검 - calling-language 종합 노트 v2.1의 정량 수치 1회 훑기 (분당 단가 ~$0.11, 10분 콜 ~$1.10) - 면접 장소·동선·복장 최종 확인 - ⚠️ 새로운 답변 추가하지 말 것
면접 직전 1시간 (16~17시) — 마음 정리 - 핵심 메시지 3가지만 머릿속에 — “calling-language” · “같은 방향의 문제 정의” · “즉시 기여 가능” - 호흡 정리. 외우기 추가 금지.
🎯 이번 면접의 승부 포인트
첫째, calling-language를 메인 무기로 쓴다. SM 면접에서 MCP 사례가 먼저 나와 약해졌던 Q10 실수를 복구. 이번엔 D1에서부터 calling-language가 먼저.
둘째, ’같은 방향의 문제 정의’라는 프레이밍을 반복 노출한다. A1 (자기소개), A2 (퇴사 후), A3 (마지막 한마디), D4 (맥스AI 비교)에서 일관되게 등장해야 한다.
셋째, 어학 PM 경험 부재를 방어하지 않고 대체 근거로 전환한다. E1이 가장 중요한 관문. 변명 대신 세 가지 대체 근거를 당당히 제시.
넷째, SM 면접에서 누락했던 “즉시 기여” 메시지를 반드시 마지막에 남긴다. A3 마지막 문장이 면접관의 잔상에 남도록.