Agentic 시대 PO·PM·PL 5-Domain 역량 통합편 — 4-Tier가 가르쳐 준 PM의 새 literacy
- 5-Domain(Prompt·Eval·Agentic Design·Compute Literacy·Org Change)이 4-Tier(학자·빌더·운영자·인프라)의 통합이라면, 각 Domain의 L1(Aware)·L2(Practiced)·L3(Mastery) 3단계 중 어디서 PM조직 임계값(tipping point)이 발생하는가?
- 직무별 1순위 Domain(PO=Eval, PM=Agentic Design, PL=Org Change)이 정해져 있을 때, 나머지 4 Domain을 L2 이상으로 균형 맞추면서 1순위를 L3까지 끌어올리는 12개월 로드맵의 우선순위 기준은?
- Domain 4 “Compute Literacy”가 가장 강력한 PM 차별화 능력인 이유는, 이것이 hardware 양강의 결정(tokens per kW, power 제약)을 product 일상으로 직결시키기 때문인가?
- 5-Domain 자가 진단 표에서 가장 낮은 Level이 “다음 분기 1순위 학습 영역”이 되는 명제가 타당한가, 조직 우선순위(조직이 약한 부분)를 먼저 채워야 하는가?
- PO: Domain 2(Eval as Product)를 L3까지 끌어올려 eval suite를 backlog 1급 deliverable로 명시하고, PRD에 latency·hallucination·task success·safety 4대 metric을 항상 포함하라.
- PM: Domain 3(Agentic Design)을 L3까지 끌어올려 feature 단위 multi-agent+HITL gate 설계 표준을 수립하되, Domain 4(Compute Literacy)는 최소 L2로 유지해 token cost 계산을 routine화하라.
- PL: Domain 5(Org Change)를 L3까지 끌어올려 reorg 중에도 product vision을 보호하는 조직 정책을 수립하되, Domain 1·2를 L2로 끌어올려 팀의 prompt·eval 문해력 기준을 정의·교육하라.
[시리즈 E — Agentic 시대 PO·PM·PL 역량 통합편] 시리즈 A에서 학자, B에서 빌더, C에서 운영자, D에서 인프라 거장을 살펴봤다. 그들이 가르쳐 준 모든 인사이트를 PO·PM·PL이 매일 만질 5-Domain 역량으로 번역한다. 본 글은 시리즈 마무리이자, 본인 직무에 직접 적용할 수 있는 단 한 편의 가이드다.
들어가며 — “이론은 충분하다, 이제 본인 차례다”
지금까지 4편의 시리즈를 읽어오면서, 독자의 머리는 가득 찼을 것이다. Karpathy의 Software 2.0, Boris의 Claude Code, Altman의 code red, Huang의 tokens per kilowatt. 그러나 책상에 앉아 본인 PRD를 다시 열면 막막하다.
“이 모든 것을 알았는데, 나는 내일 아침 무엇을 해야 하나?”
본 글은 그 질문에 답한다. 4-Tier(학자·빌더·운영자·인프라)가 가르쳐 준 모든 것을 PM의 일상 역량 5개로 압축한다. 그리고 각 역량을 3단계 학습 로드맵과 직무별(PO·PM·PL) 우선순위로 정리한다.
PM 코치의 노트 — 지난 15년간 Samsung·LG·현대모비스·KT 등 한국 주요 대기업 PM 조직과 컨설팅을 진행하면서, 가장 많이 받은 요청이 있다. “새 기술이 나올 때마다 우리 PM이 무엇부터 배워야 할지 단순한 로드맵을 주세요.” AI 시대도 다르지 않다. 본 글은 그 단순한 로드맵을 5-Domain × 3-Level 매트릭스로 압축한 결과다. 12개월 안에 명확한 변화를 만들 수 있는 실용적 framework다.
Part 1 — 5-Domain × 3-Level 매트릭스 전체 소개
본 시리즈 E의 모든 내용은 단 하나의 매트릭스 — 5-Domain × 3-Level — 위에서 작동한다. Part 1은 그 매트릭스의 좌표계를 처음 소개한다. 5-Domain이 어디서 왔는지(시리즈 A-D 4-Tier 인물에서 추출), 3-Level이 무엇을 의미하는지(Aware → Practiced → Mastery), 직무별(PO·PM·PL) 1순위 Domain이 무엇인지를 차례로 정리한다.
이 매트릭스가 단순한 framework가 아닌 이유는, 본 시리즈 4편(A→B→C→D)을 읽고 나서 독자가 머리에 가진 모든 인사이트를 단 하나의 표 위에 정렬할 수 있다는 점이다. Karpathy의 Software 2.0, Boris의 CLAUDE.md, Murati의 Tinker, Huang의 tokens per kilowatt — 이 모든 것이 5-Domain의 어느 칸에 들어가는지가 본 Part에서 명확해진다.
본 Part 끝에 자가 진단 표가 있다. 5 Domain 각각에서 본인이 어느 Level에 있는지 5분 안에 표시해 보면, 자기 직무의 다음 분기 1순위 학습 영역이 자동으로 도출된다. 이 진단 결과를 들고 Part 2-6의 Domain 상세를 읽어 나가면, 본 시리즈가 본인 책상 위 행동 계획으로 변환된다.
1.1 5-Domain은 어디서 왔는가
이전 4 시리즈에서 인물별로 다양한 시그널을 봤다. 그것을 PM의 일상 역량 단위로 묶으면 정확히 5개 Domain이 나온다.
1.2 3-Level의 의미
각 Domain은 3단계 학습으로 나뉜다.
graph LR
A[L1 Aware
1-2주 학습] -->|"매일 task 적용"| B[L2 Practiced
1-3개월 운영]
B -->|"팀·회사 단위 확장"| C[L3 Mastery
3-6개월+ 영향력]
style A fill:#cce5ff
style B fill:#fff4e6
style C fill:#90EE90
- L1 Aware (1-2주): 개념 이해 + 본인 task에 시범 적용
- L2 Practiced (1-3개월): 본인 product에 정식 도입 + weekly 운영
- L3 Mastery (3-6개월+): 회사 단위 정책 수립 + 신규 PM 기준 정의
1.3 5-Domain × 3-Level 전체 매트릭스 (한눈에)
본인(독자) 현재 위치 자가 진단 — 5 Domain 각각 본인이 어느 Level에 있는지 5분 안에 표시해 보라. 가장 낮은 Level이 본인 직무의 다음 분기 1순위 학습 영역이다.
1.4 직무별 1순위 Domain (절대 순서)
PM 코치 권고 — 5 Domain을 동시에 마스터하려는 시도는 거의 실패한다. 컨설팅 현장에서 1년 차 효과를 본 패턴은 자기 직무의 1순위 Domain을 먼저 L3까지 끌어올리고, 나머지 4 Domain을 L2 이상으로 균형 맞추는 것이다. 이 순서를 지키면 12개월 안에 명확한 변화가 보인다.
Part 2 — Domain 1: Prompt + Context Engineering
5-Domain의 첫 번째 — Prompt + Context Engineering — 부터 시작하는 이유는 단순하다. 나머지 4개 Domain의 토대이기 때문이다. Eval을 잘 디자인하려면 좋은 prompt가 필요하고, Agentic System을 설계하려면 multi-agent prompt 협력이 필요하며, Compute literacy도 prompt 효율과 직결된다.
본 Part는 4개 sub-section으로 진행된다. 첫째 왜 이것이 PM의 새 literacy인가 (McKinsey 7배 채용 증가 데이터 + Cat Wu 명언), 둘째 4-Tier 인물 reference (Karpathy·Boris·Cat·Amodei·Huang의 시그니처), 셋째 3-Level 학습 로드맵 (1-2주 → 1-3개월 → 3-6개월+), 넷째 즉시 액션 체크리스트.
본 Part를 다 읽으면 한 가지 행동을 즉시 시작할 수 있다 — 자기 PM 워크플로우의 의도를 1페이지 markdown(CLAUDE.md 또는 동등)으로 정리하기. 이 한 페이지가 본 시리즈 전체 학습의 출발점이다. 정리되지 않은 의도는 어떤 도구로도 자동화할 수 없다.
2.1 왜 이것이 PM의 새 literacy인가
McKinsey 2024 연구에 따르면 AI fluency 채용 공고가 2년 만에 거의 7배 증가했고, 대부분이 management·business 직무다. 이는 PM 채용 기준 자체가 변경되고 있음을 의미한다.
“PM은 코드 못 쓰면 안 된다” — Cat Wu (Anthropic Claude Code Head of Product)
여기서 “코드”는 Python·TypeScript가 아니라 prompt와 context의 코드다. PM이 매일 작성하는 prompt가 본인 product의 spec이 된다.
2.2 4-Tier 인물 reference
2.3 3-Level 학습 로드맵
L1 Aware (1-2주) — 좋은 prompt 구조 (역할 + 컨텍스트 + 작업 + 출력 형식), few-shot prompting, 모델별 응답 양식 차이. 측정: 자주 하는 task 3건의 prompt를 작성하여 결과 일관성 확보.
L2 Practiced (1-3개월) — Context window 설계, RAG, system prompt versioning, persona separation. 측정: 1개 product feature에 RAG pipeline 운영 (vault 검색 → context 주입 → 답변).
L3 Mastery (3-6개월+) — Meta-prompting, prompt
chains, multi-agent prompt 협력 설계, self-improving prompts.
측정: /loop·/batch 같은 자율
워크플로우를 본인 product에 1건 운영.
2.4 즉시 액션 체크리스트
Part 3 — Domain 2: Eval as Product Surface
5-Domain의 두 번째 — Eval as Product Surface — 는 PO 직무의 1순위 영역이다. PM·PL에게도 중요하지만, 특히 PO에게는 backlog 자체의 형식이 outcome + eval로 진화하는 시대 변화의 핵심이다.
본 Part는 4개 sub-section으로 진행된다. 첫째 왜 이것이 PO의 1순위 책무인가 (AI feature의 non-deterministic 특성과 ACM Communications 2026 권고), 둘째 4-Tier 인물 reference (Sutskever·Murati·Boris·Amodei·Huang), 셋째 3-Level 학습 로드맵 (4대 metric → LLM-as-judge → 자체 framework), 넷째 도구 추천 (LangSmith·Braintrust·Phoenix·Tinker)와 컨설팅 사례.
본 Part가 PO에게 결정적인 이유는 단순하다. eval suite 없이 출시된 AI feature는 1-2개월 내에 hallucination·신뢰 무너짐을 겪는다. 컨설팅 현장에서 가장 자주 발견되는 issue가 이것이다. PRD에 eval suite를 1급 deliverable로 명시하는 한 줄 추가만으로 6개월 후 ROI 차이가 30% 이상 났다는 사례를 본 Part 끝에 다룬다.
3.1 왜 이것이 PO의 1순위 책무인가
AI feature는 non-deterministic이다. 동일 입력에도 다른 출력이 나온다. 전통 unit test로는 잡을 수 없다.
“평가를 first-class product surface로 다뤄야 하며, 어떤 multi-modal 또는 agentic 시스템을 배포하든 eval 전략을 디자인해서 success metric (latency, hallucination rate, safety, task success)을 정의해야 한다.” — ACM Communications 2026
기존 PM은 feature 설계 → eng·QA가 검증했다. 새 PM은 feature 설계 + eval suite 설계 + eval product 운영까지 책임진다.
3.2 4-Tier 인물 reference
본 Domain의 anchor 인물: Mira Murati. Thinking Machines의 첫 제품이 모델이 아니라 fine-tuning + eval API였다는 사실 자체가 이 Domain의 중요성을 증명한다.
3.3 3-Level 학습 로드맵
L1 Aware (1-2주) — 4대 metric 인지 (latency, hallucination rate, task success, safety), 모델 카드 읽기, LLM-as-judge 원리. 측정: 본인 AI feature 1건의 4대 metric을 1주일 측정.
L2 Practiced (1-3개월) — Custom eval prompts, LLM-as-judge 운영, eval suite (자동 평가 세트), A/B testing for prompts, safety eval. 측정: 1개 feature에 자동 eval pipeline 운영, weekly metric 보고.
L3 Mastery (3-6개월+) — 자체 eval framework (LangSmith·Braintrust·Phoenix 통합 또는 자체), auto-eval pipeline, multi-judge ensemble, continuous evaluation, eval as customer-facing product. 측정: deploy 게이트에 eval pass rate 기준 운영, 회사 단위 eval 정책 수립.
3.4 도구 추천
- LangSmith (LangChain 계열) · Braintrust (eval 전용) · Phoenix / Arize (관측+eval 통합) · Tinker (Murati, fine-tuning + eval)
- 시작점: Claude API + 채점 prompt + spreadsheet 기록
PM 코치 컨설팅 사례 — Samsung·LG의 사내 AI feature 출시 시, 가장 자주 발견되는 issue가 “eval 없이 출시”이다. 그 결과 production에서 hallucination rate 통제 불가, 1-2개월 후 사용자 신뢰 무너짐. 이를 예방하려면 PRD에 eval suite를 1급 deliverable로 명시하면 된다. 컨설팅 현장에서 이 한 줄 추가만으로 6개월 후 ROI 차이가 30% 이상 났다.
Part 4 — Domain 3: Agentic System Design
5-Domain의 세 번째 — Agentic System Design — 는 PM 직무의 1순위 영역이다. PRD 자체가 form/dashboard 명세에서 multi-agent + HITL gate 디자인으로 진화하는 시대 변화의 중심이다.
본 Part는 4개 sub-section으로 진행된다. 첫째 왜 이것이 PM의 1순위 책무인가 (form/dashboard UX의 한계와 conversation/canvas UX 등장), 둘째 4-Tier 인물 reference (Hassabis·Truell·Masad·Boris·Altman·Huang), 셋째 3-Level 학습 로드맵 (Agent vs Assistant 차이 → tool use·HITL → multi-agent orchestration), 넷째 Agentic UX vs 기존 UX 비교 다이어그램.
본 Part가 PM에게 결정적인 이유는, 시리즈 B(빌더)의 Boris·Truell·Masad가 만든 도구가 모두 PM의 PRD 카테고리 자체를 다시 정의했기 때문이다. PRD에 form 명세만 들어 있으면 향후 1-2년 안에 시대에 뒤떨어진다. PRD에 agent architecture diagram·HITL gate 정의·error recovery 흐름이 들어가야 한다. 본 Part는 그 PRD 형식 진화의 가이드다.
4.1 왜 이것이 PM의 1순위 책무인가
기존 product = “form + dashboard + buttons” agentic product = “conversation + canvas + autonomous loops”
PM이 form/dashboard만 알고 있으면 agentic product를 디자인할 수 없다. 시리즈 B에서 봤듯 Truell·Masad·Boris 모두 본인이 만든 도구의 UX 카테고리 자체를 다시 정의했다.
4.2 4-Tier 인물 reference
4.3 3-Level 학습 로드맵
L1 Aware (1-2주) — Agent vs Assistant 차이 (assistant 1턴, agent 다턴 + tool use + planning), Agent 5요소 (Plan, Tools, Memory, Executor, Reflection), HITL 패턴 인지. 측정: 본인이 매일 하는 task 1건을 agent에 위임 + 결과 검증.
L2 Practiced (1-3개월) — Tool use 설계, HITL gate 명시 설계 (5개 critical decision 지점), error recovery 3단 (실패→재시도→escalation), long-running task 모니터링, Cursor·Replit·Claude Code 직접 사용. 측정: 1개 product feature를 agentic으로 재설계 후 운영.
L3 Mastery (3-6개월+) — Multi-agent orchestration (5+ agent: planner / executor / reviewer / debugger), autonomous loops 24/7, long-running tasks (일 단위), conversation/canvas UX, agent governance. 측정: 본인 product에 multi-agent orchestration 1건 운영 + 회사 단위 agent 정책 수립.
4.4 Agentic UX vs 기존 UX 비교 (다이어그램)
flowchart LR
subgraph "기존 UX"
A1[사용자 input form]
A2[클릭 이벤트]
A3[dashboard 출력]
A1 --> A2 --> A3
end
subgraph "Agentic UX"
B1[자연어 의도]
B2[Agent 자율 실행]
B3[중간 HITL gate]
B4[Canvas 결과물]
B1 --> B2 --> B3 --> B2
B3 --> B4
end
Part 5 — Domain 4: Compute Literacy
5-Domain의 네 번째 — Compute Literacy — 는 시리즈 D(NVIDIA·AMD)의 직접 연속이다. PM이 매일 만지는 feature의 token cost·power 단위 ROI가 본 Part의 주제다.
본 Part는 4개 sub-section으로 진행된다. 첫째 왜 PM이 GPU와 전력을 알아야 하나 (기존 SaaS와 AI 서비스의 cost 구조 차이), 둘째 4-Tier 인물 reference (Boris·Masad·Amodei·Huang·Su), 셋째 3-Level 학습 로드맵 (모델별 가격표 → cache 전략 → vendor lock-in matrix), 넷째 Token ROI 계산 공식과 컨설팅 사례.
본 Part가 한국 대기업 PM에게 가장 자주 무시되는 영역이라는 점이 결정적이다. 컨설팅 현장에서 “우리는 사용자당 월 1M token만 쓴다” 같은 가정이 production에서 5-10배 무너지는 사례를 매번 본다. 출시 전 1주일 stress test로 token 사용량 분포를 측정하면 막을 수 있다. 이 한 단계가 빠지면 출시 후 임원 회의에서 ROI가 마이너스로 보고된다.
5.1 왜 PM이 GPU와 전력을 알아야 하나
기존 SaaS PM에게 server cost는 SRE·infra 팀 책임이었다. AI PM에게 token cost는 PM의 책임이다. feature 단위 token cost가 출시 후 ROI를 결정한다.
“tokens per kilowatt가 진정한 자원 한계다.” — Jensen Huang (NVIDIA, GTC 2026)
5.2 4-Tier 인물 reference
5.3 3-Level 학습 로드맵
L1 Aware (1-2주) — 모델별 가격표 인지, 컨텍스트 길이별 비용, latency vs cost trade-off, tokens-per-second 개념. 측정: 본인이 자주 쓰는 AI feature 1건의 1주일 token 사용량 측정.
L2 Practiced (1-3개월) — Token cost dashboard, cache 전략 (-90% input cost 가능), model selection matrix, throughput benchmark, hardware generation 인지 (Blackwell vs Rubin). 측정: 1개 feature의 token cost를 30% 이상 절감.
L3 Mastery (3-6개월+) — Tokens per kilowatt ROI, vendor lock-in matrix, hardware roadmap 적용, token economics 협상, compute capacity planning. 측정: 회사 단위 token economics dashboard 운영, vendor 다중화 전략.
5.4 Token ROI 계산 공식
Feature ROI = (Revenue - Token Cost × Request Count × Model Generation Factor)
─────────────────────────────────────────────────────
(Engineering Cost × Vendor Lock-in Risk Factor)PM 코치의 컨설팅 사례 — Samsung·LG의 신규 AI feature 출시 시, “우리는 사용자당 월 1M token만 쓴다” 같은 가정이 자주 무너진다. 실제 production에서는 그 5-10배가 나오기 일쑤다. PM이 출시 전 1주일 stress test로 token 사용량 분포 측정해야 한다. 이 한 단계가 빠지면 출시 후 임원 회의에서 ROI가 마이너스로 보고된다.
Part 6 — Domain 5: Org Change Readiness
5-Domain의 다섯 번째 — Org Change Readiness — 는 PL 직무의 1순위 영역이다. Domain 1-4를 다 마스터해도 reorg에서 product가 사라지면 끝이라는 단순한 사실이 본 Part의 출발점이다.
본 Part는 4개 sub-section으로 진행된다. 첫째 왜 이것이 PL의 1순위 책무인가 (시리즈 C에서 본 Nadella·Altman·Amodei의 1년 reorg 빈도), 둘째 4-Tier 인물 reference (Andrew Ng·Nadella·Altman·Amodei·Suleyman), 셋째 3-Level 학습 로드맵 (reporting line 파악 → reorg 시나리오 plan → CEO 단위 metric 운영), 넷째 도구·프레임워크 (PMBOK Stakeholder Engagement·Wardley Mapping·Strategy on a Page).
본 Part가 PL에게 결정적인 이유는, 컨설팅 현장에서 가장 자주 결과가 갈리는 영역이기 때문이다. Samsung GAUSS PM Agent 운영형 전환 컨설팅에서 가장 결정적이었던 한 순간은 reorg 시나리오 3개를 미리 작성한 vision deck이었다 — 임원진 교체 후에도 PM 책임자가 그 deck을 들고 가니 product 권한이 보호됐다. 본 Part 끝에 그 사례를 다룬다.
6.1 왜 이것이 PL의 1순위 책무인가
Domain 1-4를 다 마스터해도 reorg에 product가 사라지면 끝이다. 시리즈 C에서 봤듯 2026년 1년 안에 모든 AI 회사가 1번 이상 재편되었다.
“AI는 더 이상 위임 불가능한 영역이며, CEO 본인이 직접 감독하지 않으면 실패한다.” — Nadella·Altman·Amodei 공통
CEO가 직접 감독한다는 건 PM이 매주 CEO 책상에 metric을 올린다는 뜻. 동시에 reorg가 분기마다 가능하다는 뜻이다.
6.2 4-Tier 인물 reference
6.3 3-Level 학습 로드맵
L1 Aware (1-2주) — AI-first 조직 재편 패턴 인지 (Microsoft, OpenAI, Anthropic 사례), CEO 단위 metric vs PM 단위 metric의 차이, hypergrowth backlog 관리 원칙. 측정: 자사 product의 현재 reporting line(EVP·CEO 거리) 정확히 파악.
L2 Practiced (1-3개월) — Reorg 시나리오 3개 미리 작성, weekly metric dashboard (CEO 30초 설명 가능), backlog의 reorg 면역도 식별, vision 1페이지 deck (reorg 전후 동일 메시지), 임원 stakeholder map (분기 1:1). 측정: weekly CEO 단위 metric 1개 운영 + reorg 시나리오 plan 1건 작성.
L3 Mastery (3-6개월+) — Hypergrowth 운영 (10× 환경에서 기술부채·인력·process 동시 관리), CEO 직접 보고 능력 (30초 안에 status + 3개 next bet), politics 면역 product (어떤 reorg에도 안 사라지는 moat), vision 권위, org change leadership. 측정: 회사 단위 product strategy 정의 + 1회 이상 reorg 생존·성장.
6.4 도구·프레임워크
- Andrew Ng AI Transformation Playbook — 조직 변환 5단계
- PMBOK 8th Stakeholder Engagement — 임원 stakeholder map
- OKR / NSM (North Star Metric) — CEO 단위 metric 디자인
- Wardley Mapping — product의 strategic position 시각화
- Strategy on a Page — 1페이지 vision deck format
PM 코치의 컨설팅 사례 — Samsung GAUSS PM Agent를 운영형으로 전환하는 컨설팅에서, 가장 결정적이었던 한 순간은 reorg 시나리오 3개를 미리 작성한 vision deck이었다. 임원진 교체 후에도 PM 책임자가 그 deck을 들고 가니 product 권한이 보호됐다. reorg 전에 만든 1페이지가, reorg 후에 product를 살린다. 이 한 가지 습관이 PL이 다른 PM과 차별화되는 결정적 능력이다.
Part 7 — 직무별 학습 로드맵 (PO·PM·PL)
지금까지 Part 2-6에서 5 Domain 각각의 본질·인물·로드맵을 봤다. Part 7은 그 5 Domain을 직무별(PO·PM·PL) 학습 순서로 재정렬한다. 모든 Domain을 동시에 마스터하려는 시도는 거의 실패하므로, 직무별 1순위 Domain을 먼저 L3까지 끌어올리고 나머지 4개를 L2 균형으로 유지하는 순서가 핵심이다.
본 Part는 세 가지 직무별 학습 path를 다이어그램으로 정리한다. PO는 Eval부터, PM은 Agentic Design부터, PL은 Org Change부터 시작한다. 각 path마다 3개월 마일스톤을 명시하여, 독자가 자기 직무의 다음 90일을 구체화할 수 있게 한다.
이 순서가 컨설팅 현장에서 검증된 이유는 단순하다. 자기 직무의 정체성을 가장 잘 드러내는 Domain부터 마스터하면, 회사 안에서 차별화 정체성이 빠르게 형성된다. 그 다음 다른 Domain을 균형 맞추면 한 분야의 전문가에서 5-Domain hybrid PM으로 자연스럽게 진화한다.
7.1 PO (Product Owner) — 1순위 Eval
graph LR
A[현재] --> B[Domain 2 Eval
L1→L3 우선]
B --> C[Domain 1 Prompt
L1→L2]
C --> D[Domain 3 Agentic
L1→L2]
D --> E[Domain 4 Compute
L1→L2]
E --> F[Domain 5 Org
L1]
style B fill:#90EE90
이유: backlog가 outcome + eval로 진화하는 시대. PO의 acceptance criteria 자체가 eval prompt가 된다.
3개월 마일스톤: 1개 product에 자동 eval pipeline 운영 + eval pass rate를 weekly review 정식 metric으로 채택.
7.2 PM (Product Manager) — 1순위 Agentic Design
graph LR
A[현재] --> B[Domain 3 Agentic
L1→L3 우선]
B --> C[Domain 1 Prompt
L1→L2]
C --> D[Domain 2 Eval
L1→L2]
D --> E[Domain 4 Compute
L1→L2]
E --> F[Domain 5 Org
L1]
style B fill:#90EE90
이유: feature 단위로 multi-agent + HITL gate 디자인이 핵심. PRD 자체가 agent architecture diagram을 포함한다.
3개월 마일스톤: 자사 product에 1개 agentic feature 운영 (HITL gate 명시 + 모니터링) + multi-agent orchestration prototype 1건.
7.3 PL (Product Leader) — 1순위 Org Change
graph LR
A[현재] --> B[Domain 5 Org
L1→L3 우선]
B --> C[Domain 4 Compute
L1→L3]
C --> D[Domain 3 Agentic
L1→L2]
D --> E[Domain 2 Eval
L1→L2]
E --> F[Domain 1 Prompt
L1]
style B fill:#90EE90
이유: reorg·hypergrowth·CEO 직접 감독 환경에서 vision을 유지하는 게 leader 차별화 능력.
3개월 마일스톤: weekly CEO 단위 metric 운영 + reorg 시나리오 3개 plan 작성 + vision 1페이지 deck.
Part 8 — 5주 실전 학습 cycle 제안
Part 7에서 직무별 학습 로드맵의 이론을 봤다. Part 8은 그것을 즉시 시작할 수 있는 5주 실행 cycle로 변환한다. 컨설팅 현장에서 가장 효과가 빨리 나타난 패턴이다.
5 Domain을 1주에 1개씩 학습하는 5주 cycle. 매주 같은 4시간 패턴(월 1h 개념 학습 → 수 1h 본인 product 시도 → 금 1h 결과 측정·회고 → 주말 1h 다음 Domain 사전 학습)을 반복하면, 5주 후에는 5 Domain 모두 L1 이상 + 자기 직무 1순위 Domain L2 이상에 도달한다. 그 다음 5주 cycle을 반복하면 1순위 Domain L3까지 끌어올릴 수 있다.
본 Part가 결정적인 이유는, 컨설팅 현장에서 12개월 학습 로드맵을 제안하면 대부분 시작도 못 한다는 경험 때문이다. 5주 단위로 압축하면 PM이 시작한다. 그리고 한 번 시작하면 cycle이 자동 반복된다. 6개월이면 5 Domain 모두 L2 이상, 1년이면 직무 1순위 Domain L3 달성이 현실적으로 가능하다.
5 Domain을 1주에 1개씩 학습하는 5주 cycle. 매주 같은 패턴 반복:
gantt
title 5주 실전 학습 cycle (반복)
dateFormat YYYY-MM-DD
section Week 1
Domain 1 Prompt+Context :2026-04-20, 7d
section Week 2
Domain 2 Eval as Product :2026-04-27, 7d
section Week 3
Domain 3 Agentic Design :2026-05-04, 7d
section Week 4
Domain 4 Compute Literacy :2026-05-11, 7d
section Week 5
Domain 5 Org Change :2026-05-18, 7d
매주 학습 패턴 (4시간/주)
- 월요일 (1시간): Domain 핵심 개념 읽기 + 4-Tier 인물 reference 복습
- 수요일 (1시간): 본인 product에 L1→L2 전환 1건 시도
- 금요일 (1시간): 결과 측정 + 1주일 회고 작성
- 주말 (1시간): 다음 Domain 사전 학습
5주 cycle 후 도달 가능 지점
- 자기 직무 1순위 Domain L2 달성
- 나머지 4 Domain L1 달성
- 회사 안에서 “AI literacy 있는 PM” 인정
- 다음 5주 cycle로 1순위 Domain을 L3까지 끌어올리기
PM 코치의 권고 — 컨설팅 현장에서 12개월 학습 로드맵을 제안하면 대부분 시작 못 한다. 5주 단위로 압축하면 PM이 시작한다. 그리고 한 번 시작하면 cycle이 자동 반복된다. 6개월이면 5 Domain 모두 L2 이상, 1년이면 직무 1순위 Domain L3 달성 가능하다.
Closing — “이제 책상 위로 돌아가십시오”
본 시리즈 5편(A→B→C→D→E)을 모두 읽은 독자에게 마지막으로 권하고 싶은 것은 단 한 가지 행동이다.
“오늘 책상 위에 있는 task 1건을, AI에게 위임해 보십시오.”
그것이 시리즈 A의 학자가 만든 이론을, 시리즈 B의 빌더가 만든 도구를, 시리즈 C의 운영자가 만든 회사를, 시리즈 D의 인프라 거장이 만든 GPU를, 본인의 손으로 만져보는 첫 순간이다.
5 Domain은 그 다음에 자연스럽게 따라온다. 읽기는 끝났다. 만지기를 시작하라.
시리즈 전체 (A→E) 마무리 다이어그램
flowchart TB
A[시리즈 A: Roots ✅
Karpathy~Fei-Fei Li 7인
사고 체계·이론]
B[시리즈 B: Builders ✅
Boris·Cat·Truell·Masad·Murati·Brockman
도구·프로덕트 비전]
C[시리즈 C: Operators ✅
Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
회사·시장 동향]
D[시리즈 D: Hardware ✅
Huang · Su
물리·경제 제약]
E[시리즈 E: 본편
5-Domain × 3-Level
본인 직무 적용]
Goal[당신의 회사
PO·PM·PL 일상]
A --> B --> C --> D --> E --> Goal
style E fill:#fff4e6,stroke:#d79b00,stroke-width:3px
style Goal fill:#90EE90,stroke:#2d6a4f,stroke-width:3px
🏷 Tags
AX Agentic Series-E
5-Domain PO PM PL
Prompt Engineering Eval
Agentic Design Compute Literacy
Org Change PM 역량 15년 컨설팅
projectresearch.co.kr
✍ Footer 서명
PM 코치가 바라보는 AX PO·PM·PL 역량 시리즈 (E) — 5-Domain 통합편 / 작성: 2026-04-16 / 시리즈 A→E 통합 완료 작성자: Peter Kim (PM 코치, 15년+ 국내 대기업 PM 컨설팅 — Samsung·LG·현대모비스·KT 외) — projectresearch.co.kr
전체 시리즈 가이드
Agentic PM — AI 에이전트 시대의 PM/PL·엔지니어 가이드 →
7개 카테고리 30+편으로 구성된 시리즈. AX 전략 · 현장 검증 · PM/PL 역할 전환 · 사고 체계 · AI 인물 탐구 · 실전 도구 · 실전 실험.
AI 전문가 탐구 시리즈 (A→E · 12편)
📘 A · Roots — 사고 체계
종합 ·
Karpathy ·
Sutskever ·
Hassabis ·
LeCun ·
Hinton ·
Ng ·
Fei-Fei Li
🛠️ B · Builders — 도구·프로덕트 비전
Boris·Cat·Truell·Masad·Murati·Brockman
🏛️ C · Operators — 회사·시장 동향
Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
⚙️ D · Hardware — 물리·경제 제약
Jensen Huang · Lisa Su (NVIDIA · AMD)
🎯 E · Integration — PO·PM·PL 통합 역량
5-Domain × 3-Level 통합 매트릭스
Peter Kim — PM 코치 / 15년+ 국내 대기업 PM 컨설팅 · PMP/CSP/CBAP · projectresearch.co.kr
시리즈 네트워크에서 이 편과 연결된 글
- P-0 · AI 인물 탐구
7인의 사고 체계 종합 프레임워크 - P-10 · AI 인물 탐구
AX 인프라 양강 — Jensen Huang vs Lisa Su - B-5 · PM/PL 역할 전환
Agentic 시대, PM/PL과 엔지니어는 무엇을 준비해야 하는가 - X-1 · AX 전략
AI/AX 2030 전략: McKinsey, BCG, Accenture, Deloitte, Gartner 교차 분석 - X-2 · AX 전략
빅테크 리더십 격변과 AX 전략 - K-5 · 사고 체계
Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스의 교차 분석
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 Karpathy: 제약 설계 + 닫힌 루프
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 PO·PM·PL 역량 통합: 5-Domain × 3-Level