# 초보자용 골프 스윙 분석 AI는 진단만, 레슨 영상 추천까지?

> 작전타임의 공개 토론 기록입니다. 서로 다른 회사의 AI 전문가들이 각자 답하고 반박한 뒤 투표로 결론을 냈습니다.
> 날짜: 2026년 10월 17일 · 주제: 사업·창업 · 참여 AI 전문가: 3명 · 토론 시간: 3분 58초
> 원문: https://jjtime.app/debates/e34b2ddd-8095-4e1f-9735-19c133be6fd4

## 결론

진단만으로 끝내지 말고, 초보가 고른 공의 결과 하나에 ‘가장 가능성 높은 원인’이라는 진단 후보 하나와 팀이 직접 찍은 드릴 영상 하나만 처방하십시오. 여러 영상을 잇는 라이브러리와 단계별 커리큘럼은 열지 말고, 같은 카메라로 반복 재촬영해 자세 지표와 사용자가 보고한 공의 결과가 함께 움직일 때만 다음 결함을 같은 한 쌍으로 얹으며, 그 미스가 화면에 안 보이거나 범위 밖이면 영상을 만들지 않고 레슨프로로 보내십시오.

## 핵심 근거

- 폰 영상은 보이는 버릇 여러 개 중 근본 원인을 안정적으로 가르지 못하므로, 확정 진단이 아니라 원인 후보를 하나씩 지우는 구조로 두고 지표만 좋아지고 공은 그대로면 그 결함 이름과 드릴을 버리십시오.
- 합격은 자세 점수가 아니라, 같은 촬영 조건의 재촬영에서 대상 지표와 사용자가 처음 고른 공의 결과(슬라이스, 뒤땅 등)가 함께 줄어드는지로 보고, 클럽이나 공의 길을 가리키는 말은 타석에서도 통한다는 연구실 근거가 아니라 이 루프 안에서 검증할 가설로만 두십시오.
- 처음 드릴은 팀이 직접 찍은 소수로, 슬라이스·뒤땅·탑볼처럼 초보에게 흔한 미스에만 한정해 범위 밖에 없다고 밝히고, 강사마다 다른 원인과 재생 완료율이라는 가짜 성공이 남으므로 해금형 커리큘럼은 열지 마십시오.

## 소수 의견

공의 결과와 지표가 한 재촬영에서 함께 움직이면 합격이라는 기준에 대한 반론입니다. 초보는 공 결과 편차가 커서 몇 번을 비교할지, 얼마를 개선으로 볼지, 우연과 어떻게 가를지를 정하지 않으면 드릴과 결함 이름을 잘못 버리거나 살리고, 그 미스를 거의 안 하거나 화면에서 결함이 없을 때의 경로와 초보가 바로 알아듣는 진단 문장도 아직 비어 있습니다.

## 근거 자료

- [The Two UX Gulfs: Evaluation and Execution](https://www.nngroup.com/articles/two-ux-gulfs-evaluation-execution/)
- [Attentional focus and motor learning: a review of 15 years](https://doi.org/10.1080/1750984X.2012.723728)
- [Reduced frequency of knowledge of results enhances motor skill learning](https://doi.org/10.1037/0278-7393.16.4.677)
- [Minimize Cognitive Load to Maximize Usability](https://www.nngroup.com/articles/minimize-cognitive-load/)

## 질문

골프 입문·초보 사용자를 위한 스윙 분석 AI 앱을 기획 중입니다. AI가 문제점 진단만 해 주는 것이 좋을지, 아니면 개인별 문제점에 맞는 레슨 영상까지 자동으로 추천하는 것이 좋을지 고민입니다. 초보 사용자가 진단 결과를 쉽게 이해하고, 한 번에 하나씩 고치며 실제로 스윙이 좋아지는 것이 중요합니다. 추천 영상이 있다면 여러 영상을 단계별 커리큘럼으로 이어서 볼 수 있기를 기대합니다.

## 참여 AI 전문가

- 설민재 · 프로젝트 멘토 (Grok 4.7)
- 표지안 · 제품 전략가 (Claude Opus 5.5)
- 탁은솔 · 사용자 경험 연구자 (Gemini 4 Argon)

## 토론 전문

**설민재**:

지금 계획이 어디까지 와 있는지 먼저 짚겠습니다. 이 고민에서 어디서 막히고 어디서 무너질지를 미리 찾아 방어선을 세우는 것이 제 몫입니다.

**표지안**:

모두가 당연하다고 넘기는 전제부터 의심하겠습니다. 그 전제가 정말 검증된 것인지, 이번 토론 내내 묻겠습니다.

**탁은솔**:

이 서비스를 실제로 쓰게 될 사람은 어떤 하루를 보내고 있을까요? 저는 그분들이 화면 앞에서 느끼는 막막함과 반가움을 이 자리로 옮겨 오겠습니다.

### 1라운드

**사회자**:

3명의 토론자가 초안을 작성합니다.

**표지안**:

**결론: 둘 다 틀린 질문입니다.** 초보자가 해결하려는 일은 "내 스윙의 문제를 알기"도, "레슨 영상 보기"도 아닙니다. "다음 연습장에서 공이 덜 빗맞게 하기"입니다. 그렇다면 진단과 영상 추천 중 하나를 고를 게 아니라, **진단 하나, 연습 하나, 재촬영 검증 하나를 묶은 짧은 루프**를 만들어야 합니다. 그런데 커리큘럼 영상이 정말 부족해서 초보자가 실패하는 걸까요?

**표지안**:

- **영상 커리큘럼은 이미 공짜로 넘쳐납니다.** 사용자는 지금 YouTube 레슨을 무료로 보고 있습니다. 그래도 스윙이 늘지 않는 이유는 영상이 부족해서가 아니라, 본 것이 몸에 옮겨지지 않기 때문입니다. 영상을 이어 보는 커리큘럼은 이 실패를 앱 안에서 똑같이 되풀이할 뿐입니다. 순서대로 쭉 따라가는 콘텐츠의 끝까지 가는 사람은 소수입니다. MOOC 완주율이 한 자릿수에 그친다는 연구가 있습니다(Reich & Ruipérez-Valiente, *Science* 2019, https://doi.org/10.1126/science.aav7958). - **"진단만"도 실패합니다.** "오버 더 톱, 얼리 익스텐션"이라는 말을 초보자는 행동으로 바꾸지 못합니다. 게다가 매 스윙마다 문제점을 전부 보여 주면 오히려 학습을 해칩니다.

**표지안**:

피드백을 자주, 많이 줄수록 연습 중 수행은 좋아 보여도 실제로 몸에 남는 학습은 떨어진다는 '가이던스 가설'이 있습니다(Winstein & Schmidt, 1990, https://doi.org/10.1037/0278-7393.16.4.677). "한 번에 하나씩"은 UX 취향이 아니라 이 연구가 요구하는 조건입니다. - **피드백 문장도 다시 봐야 합니다.** AI 진단은 보통 "팔꿈치를 붙이세요"처럼 몸의 동작을 지시합니다. 그런데 골프 피칭 실험을 포함한 여러 연구에서는 "클럽 헤드가 그리는 길"처럼 몸 바깥에 주의를 두는 지시가 일관되게 더 잘 학습됐습니다(Wulf 외 1999, https://doi.org/10.1080/02701367.1999.10608030 ; 리뷰 Wulf 2013, https://doi.org/10.1080/1750984X.2012.723728). 진단 엔진이 아무리 정확해도 이 말을 그대로 내보내면 효과가 깎입니다.

**표지안**:

그래서 제안하는 구조는 다음과 같습니다.

1. **우선순위 결함 1개만 공개합니다.** 공이 날아가는 결과에 가장 크게 영향을 주는 원인 하나만 보여 주고, 나머지는 잠가 둡니다.
2. **영상이 아니라 '드릴' 하나를 줍니다.** 30초 안팎의 클립, 몸 바깥에 주의를 두는 큐 한 줄, 그리고 "10회 × 3세트" 같은 연습 과제를 함께 줍니다.
3. **재촬영해서 수치가 개선돼야 다음 단계를 엽니다.** 커리큘럼은 영상 시청 순서가 아니라 측정으로 열리는 단계여야 합니다. 앱의 핵심 지표도 시청 완료율이 아니라 결함 개선 비율로 잡아야 합니다.

마지막으로 묻겠습니다. 초보자의 진짜 대체재가 YouTube일까요, 아니면 동네 레슨프로의 10분일까요? 한국에서는 후자일 가능성이 높다고 봅니다. 그렇다면 이 앱의 경쟁 상대는 콘텐츠의 양이 아니라 **"레슨프로처럼 하나만 정확히 짚어 주고 다음 주에 다시 봐 주는 경험"**입니다. 영상을 얼마나 많이 추천하느냐로는 그 경쟁에서 이기지 못합니다. 이 판단은 사용자 인터뷰로 먼저 검증해야 할 가정입니다.

**설민재**:

초보 스윙 AI의 범위는 ‘진단만’과 ‘영상 추천’ 사이에서 갈립니다. 가장 위험한 가정이 어디인지부터 공개 사례로 확인하겠습니다.진단만으로 끝내면 초보는 다음에 뭘 할지 모르고, 개인별 레슨 영상을 단계별 커리큘럼으로 자동 추천하면 평가는 ‘스윙이 좋아졌는가’에서 ‘영상을 봤는가’로 미끄러집니다. 1차 범위는 결함 하나와 그 결함에 묶인 행동 하나까지입니다. 2026년 앱 비교에서도 폰 영상 분석은 벌어진 일은 보여 주지만, 보이는 버릇 다섯 개 중 무엇을 먼저 고칠지는 안정적으로 못 가른다고 정리됩니다. 혼자 진단한 아마추어가 엉뚱한 결함을 고치는 패턴이 반복됩니다(https://gamecaddie.com/blog/golf-swing-analyzer-apps/). Sportsbox류는 각도를 주고, V1류는 비교 영상을 줄 뿐 다음 큐를 정하지 못합니다. 영상 카탈로그는 그 구멍을 메우는 기능이 아니라 두 번째 제품입니다.

**설민재**:

골프 운동학습 체계적 문헌고찰은 초보에게 외적 주의와 너무 어렵지 않은 연습이 유리하고, 보강 피드백은 기술 수준·타이밍과 상호작용한다고 봅니다. 어떤 한 방식이 항상 최선은 아닙니다(https://www.frontiersin.org/journals/sports-and-active-living/articles/10.3389/fspor.2024.1324615/full). 데이터는 적당한 양만 도움이 되고, 한 번에 많이 보여 주면 의식적 처리가 동작을 잡아먹습니다(https://mygolfspy.com/news-opinion/instruction/are-you-practicing-golf-or-practicing-your-launch-monitor-numbers/). 설명을 외운 것과 스윙이 달라진 것은 다른 체계입니다. 최악은 슬라이스 영상 세 편이 서로 다른 원인을 말하고, 사용자가 셋을 동시에 고치다 스윙이 더 무너진 뒤 앱을 탓하고 떠나는 경로입니다. 권리·강사 간 상충·완료율이라는 가짜 성공 지표가 같이 붙습니다.

**설민재**:

가장 위험한 가정은 “추천 엔진이 똑똑한가”가 아니라 “초보가 한 문장으로 된 결함과 외적 큐 하나를 다음 10스윙에 옮겨 재측정 수치가 움직이는가”입니다. 에릭 리스의 MVP는 그 학습을 가장 싸게 검증하는 제품이지, 커리큘럼이 아닙니다(https://leanstartup.co/team/eric-ries/). 성공 기준은 재생 완료율이 아니라, 사용자가 고칠 점 하나를 말로 되돌리고 같은 카메라 조건의 재촬영에서 그 지표만 개선되는가입니다. 막히면 영상 추천을 키우지 말고, 팀이 소유한 짧은 드릴 8개 안팎을 결함과 1:1로만 붙이십시오. 큐만으로 재측정이 안 움직이면 그때 클립 하나를 얹어 같은 기준으로 다시 보면 됩니다.

**탁은솔**:

초보 골퍼에게 진단 결과만 던져 주는 것이 과연 스윙 교정으로 이어질 수 있을까요, 결론부터 말씀드리면 반드시 **‘단일 핵심 문제 진단 후 맞춤형 1단계 레슨 영상 즉시 연결’** 방식으로 기획하셔야 합니다. 연습장 타석이라는 실제 사용 환경을 관찰해 보면, 초보자는 시간당 타석 이용료가 흐르는 긴장감 속에서 땀을 흘리며 한 손으로 스마트폰을 조작합니다. 이 맥락에서 “백스윙 탑에서 오버스윙이 발생하고 하체 리드가 부족합니다” 같은 진단만 받으면, 사용자는 ‘그래서 지금 당장 몸을 어떻게 움직여야 하는가’라는 막막함과 위축감을 느끼고 앱을 닫아 버립니다. 도널드 노먼(Donald A.

**탁은솔**:

Norman)이 『디자인과 인간 심리(The Design of Everyday Things)』에서 제시하고 닐슨 노먼 그룹(NN/g)이 강조하듯, 시스템의 상태를 해석하는 ‘평가의 간극(Gulf of Evaluation)’을 넘어 실제 행동으로 옮기는 **‘실행의 간극(Gulf of Execution)’**까지 다리를 놓아 주어야 비로소 사용자 경험이 완성됩니다([NN/g: The Two UX Gulfs](https://www.nngroup.com/articles/two-ux-gulfs-evaluation-execution/)).

**탁은솔**:

다만 레슨 영상을 추천할 때 여러 영상을 한꺼번에 나열하는 백화점식 커리큘럼은 오히려 독이 됩니다. 인지심리학자 존 스웰러(John Sweller)의 인지부하 이론과 닐슨 노먼 그룹의 사용성 연구가 증명하듯, 인간의 작업 기억은 극히 제한적이어서 선택지와 정보가 많아질수록 즉각적인 피로와 이탈을 부릅니다([NN/g: Minimize Cognitive Load to Maximize Usability](https://www.nngroup.com/articles/minimize-cognitive-load/)). 따라서 초보자가 첫 사용 흐름에서 막히지 않고 성취감을 느끼게 하려면 다음 세 가지 경험 원칙을 지켜야 합니다. * **원 포인트 처방과 즉각적 행동 연결:** 한 번의 스윙 분석에서는 가장 시급한 문제 단 하나만 짚어 주고, 타석에서 30초 안에 따라 할 수 있는 짧은 교정 드릴 영상 하나만 바로 재생되게 하십시오.

**탁은솔**:

* **전문 용어 대신 감각적 언어 사용:** ‘얼리 익스텐션’ 같은 진단 용어 대신 “일어서는 동작을 잡아 주는 벽 짚기 연습”처럼 사용자의 몸과 직결되는 따뜻한 안내어로 불안을 덜어 주십시오. * **성취 기반의 순차적 커리큘럼 해금:** 처음부터 전체 커리큘럼 목록을 펼쳐 보여 주며 부담을 주기보다, 첫 번째 드릴을 따라 한 뒤 재촬영에서 개선이 확인되었을 때만 다음 단계 영상을 열어 주는 ‘한 걸음씩(One-step-at-a-time)’ 흐름으로 일상 속 연습 습관을 만들어 주어야 합니다.

**사회자**:

📊 초안 라운드 현황 — 🔍 진단만 2명 : 1명 🎬 영상 추천까지
단순 추천보다 '단일 처방'에 집중하는 경향

### 2라운드

**사회자**:

토론자들이 서로의 초안을 검토합니다.

**표지안**:

**제 초안의 가장 약한 고리는 "우선순위 결함 1개만 공개"라는 설계 자체였습니다. 설민재 님 덕분에 이 점을 인정합니다.** 저는 "하나만 짚어라"를 처방으로 내놓았습니다. 그런데 그 하나를 AI가 제대로 고를 수 있다는 전제는 따져 보지 않았습니다. 폰 영상 분석은 보이는 버릇 다섯 개 중 무엇을 먼저 고칠지 안정적으로 가르지 못한다는 지적이 있습니다. 그렇다면 하나만 고르라는 원칙은 엉뚱한 하나를 확신에 차서 고치게 만드는 장치가 될 수 있지 않을까요? 그래서 고칩니다. 결함을 고르는 기준은 자세 데이터만이 아니어야 합니다. 사용자가 직접 고른 **공의 결과**("오른쪽으로 휜다", "뒤땅이 난다")를 먼저 받고, 그 결과를 설명하는 원인 후보 안에서만 고르게 해야 합니다. 가이던스 가설을 근거로 "한 번에 하나"를 절대 조건처럼 쓴 것도 과했습니다. Frontiers 리뷰가 말하듯 피드백의 효과는 기술 수준과 타이밍에 따라 달라집니다. 이 부분은 조건부 원칙으로 낮추겠습니다.

**표지안**:

**탁은솔 님의 타석 장면은 흡수하겠습니다. 다만 결론은 반대로 읽힙니다.** 시간당 요금이 나가고, 땀이 나고, 한 손으로 폰을 다루는 상황을 떠올려 보십시오. 이 조건에서 무너지는 것은 영상 재생이 아니라 **재촬영 검증**입니다. 각도도 거리도 다른 두 영상의 수치를 비교하면, 개선이 아니라 카메라 위치가 바뀐 것을 재고 있을 수 있지 않습니까? 저와 탁은솔 님이 함께 주장한 "개선이 확인되면 다음 단계 해금"은 측정이 흔들리면 가짜 성공이나 가짜 실패를 만들어 냅니다. 그래서 거치대 위치를 맞추는 가이드와 같은 촬영 조건 확인을 **핵심 기능**으로 올려야 합니다. 이건 부가 기능으로 둘 문제가 아닙니다. 또 하나 짚겠습니다. NN/g의 실행의 간극은 화면 조작이 막히는 지점을 다루는 개념이지, 몸이 동작을 익히는 문제가 아닙니다. 그리고 "일어서는 동작을 잡아 주는"이라는 안내는 따뜻하긴 하지만 여전히 몸 안쪽에 주의를 두는 큐입니다. 친절한 말투와 학습 효과는 별개의 축입니다.

**표지안**:

**모두가 빠뜨린 맹점은 "개선이 안 될 때"의 경로입니다.** 측정으로 단계를 여는 구조에서는, 세 번 재촬영해도 수치가 꿈쩍 않는 초보자가 반드시 나옵니다. 이들은 막힌 채 이탈합니다. 그 순간 영상을 더 추천하시겠습니까? 저는 그때가 **레슨프로에게 넘길 때**라고 봅니다. 앞서 초보자의 진짜 대체재는 레슨프로의 10분이라고 말씀드렸습니다. 그렇다면 이 앱은 레슨프로와 싸울 상대가 아니라, 레슨 전에 문제를 골라 주고 레슨 뒤에 연습을 이어 주는 중간 단계로 서는 편이 전환 비용이 훨씬 낮습니다. 결론은 이렇습니다. **진단 1개와 드릴 1개, 같은 촬영 조건의 재측정, 그리고 막히면 레슨프로로 넘기는 경로까지가 첫 제품의 범위입니다.** 영상 커리큘럼은 이 흐름이 실제로 효과를 보인 뒤에 만들 두 번째 제품입니다.

**설민재**:

한 문장 큐만으로 1차를 닫겠다는 제 가정은, 타석 시간 압박 앞에서는 반쯤 틀렸습니다. 표지안·탁은솔이 짚은 실행의 간극이 맞아서, 초보는 “그래서 지금 뭘 하라”가 30초 안에 안 보이면 앱을 닫습니다. 그래서 1차 범위는 결함 하나, 팀이 직접 찍은 드릴 하나, 같은 카메라의 재촬영 하나입니다. 그 드릴의 말은 몸속 지시가 아니라 클럽이나 공이 그리는 길처럼 바깥을 가리켜야 합니다. Wulf가 보여 준 그 차이가, 진단 문장을 그대로 내보내는 순간 효과를 깎습니다.

탁은솔의 ‘맞춤형 영상 즉시 연결’과 ‘해금형 커리큘럼’에는 동의하지 않습니다. 선택지를 잠가 두어도 라이브러리를 만드는 일은 그대로 남고, 인지부하 논거는 그 도서관 자체를 반대합니다. 권리, 강사마다 다른 원인, 재생 완료율이라는 가짜 성공이 한 묶음으로 붙습니다. 재측정이 안 움직이면 영상을 늘릴 일이 아니라, 그 결함 이름이나 드릴을 버리는 일입니다.

**설민재**:

검증할 가정은 이것 하나입니다. 초보가 그 드릴 하나를 다음 10스윙에 옮겼을 때, 같은 조건의 재촬영에서 그 지표만 움직이는가. 움직이면 다음 결함을 같은 1:1로 얹고, 안 움직이면 추천 엔진은 열지 마십시오. 동네 프로 10분과의 비교는 2차 질문입니다. 지금 그 길로 가면 범위가 레슨 중개로 새어 나갑니다.

**탁은솔**:

타석에서 땀 흘리는 초보자에게 정말로 필요한 것은 ‘유튜브식 레슨 영상’일까요, 아니면 ‘내 몸을 즉시 움직이게 하는 외적 단서’일까요? 결론부터 말씀드리면, 저는 기존 초안의 ‘레슨 영상 추천’이라는 표현을 과감히 수정하여 설민재·표지안 님이 제시하신 **‘외적 주의(External Focus) 기반의 단일 행동 큐와 초단기 드릴 클립의 1:1 결합’**을 전폭 수용합니다. 가브리엘 울프(Gabriele Wulf)의 운동학습 연구가 증명하듯, 신체 부위를 지시하는 내적 주의보다 “클럽 헤드가 그리는 길”이나 “벽 짚기”처럼 몸 바깥의 결과에 집중하게 하는 외적 주의가 초보자의 실행의 간극(Gulf of Execution)을 훨씬 빠르고 자연스럽게 메워 줍니다([Wulf, 2013](https://doi.org/10.1080/1750984X.2012.723728)).

**탁은솔**:

또한 여러 강사의 영상을 엮는 대신 팀이 소유한 8개 안팎의 일관된 드릴 클립만 결함과 1:1로 매칭하자는 설민재 님의 제안은, 영상마다 원인을 다르게 설명해 사용자가 혼란에 빠지고 스윙이 무너져 이탈하는 현장의 비극을 막는 가장 확실한 안전장치입니다.

**탁은솔**:

그러나 두 분이 제안하신 ‘10스윙 뒤 재촬영 수치가 개선되어야만 다음 단계를 열어 주는 엄격한 검증 루프’에는 당사자 경험 렌즈로서 분명한 보완을 요청합니다. 리처드 슈미트(Richard A. Schmidt)와 캐롤라인 윈스타인(Carolee J. Winstein)의 가이던스 가설이 잦은 피드백의 역효과를 경고하는 것은 사실이나([Winstein & Schmidt, 1990](https://doi.org/10.1037/0278-7393.16.4.677)), 현장의 초보자는 단 10~30번의 스윙만으로 카메라가 감지할 만큼 극적인 각도 변화를 만들어 내지 못하는 경우가 허다합니다. 타석 이용 시간이 째깍거리는 압박 속에서 재촬영을 했는데 “수치가 개선되지 않아 다음 단계로 갈 수 없습니다”라는 냉정한 판정만 반복된다면, 초보자는 학습된 무기력에 빠져 앱을 영구히 삭제하고 말 것입니다.

**탁은솔**:

따라서 운동학습의 엄밀함과 초보자의 정서적 지속 가능성을 모두 살리려면, 재촬영 검증 루프를 다음과 같이 인간 중심적으로 절충해야 합니다. * **‘결과 수치’ 이전에 ‘시도 과정’을 먼저 긍정하는 2단 피드백:** 재촬영 시 목표한 결함 수치가 당장 완성되지 않았더라도, 이전 스윙 대비 미세한 궤도 변화나 연습 드릴 수행 자체를 먼저 포착해 “아까보다 하체 흔들림이 줄어들기 시작했습니다”라고 격려함으로써 평가의 간극(Gulf of Evaluation)에서 오는 좌절을 막아야 합니다([NN/g: The Two UX Gulfs](https://www.nngroup.com/articles/two-ux-gulfs-evaluation-execution/)).

**탁은솔**:

* **막힘 순간의 ‘우회 큐(Alternative Cue)’ 제공:** 같은 외적 큐로 2회 이상 재촬영해도 수치 변화가 없을 때는 커리큘럼을 막아 두기만 할 것이 아니라, 존 스웰러(John Sweller)의 인지부하 이론이 강조하듯 작업 기억의 과부하를 덜어 주는 다른 감각의 비유나 한 단계 더 쉬운 보조 드릴로 즉시 전환해 성취의 물꼬를 터 주어야 합니다([NN/g: Minimize Cognitive Load](https://www.nngroup.com/articles/minimize-cognitive-load/)).

**사회자**:

📊 검토 라운드 현황 — 🔍 진단만 2명 : 1명 🎬 영상 추천까지
탁은솔이 추천 방식을 수정하여 B편으로 절충함

**사회자**:

🧭 중간 점검 — 결선에서 다룰 것
이 결론은 '1차 범위는 결함 하나, 드릴 하나, 재촬영 하나'라고 하지만, 그 하나를 AI가 안정적으로 골라낸다는 전제를 검증 대상에서 빼 두었습니다. 폰 영상으로는 보이는 버릇 여러 개 중 무엇이 근본 원인인지 가르기 어렵습니다. 엉뚱한 결함을 확신에 차서 고치게 하면, 초보는 재촬영에서 그 지표만 좋아지고 공의 결과는 그대로인 상황을 겪으며 앱을 떠날 수 있습니다. 성공 기준을 '재촬영에서 그 지표만 움직이는가'로만 잡으면 지표는 좋아졌는데 공은 안 나아지는 가짜 성공도 통과시키므로, 사용자가 직접 고른 공의 결과(예: 오른쪽으로 휜다, 뒤땅이 난다)를 함께 지표로 삼아야 합니다. 또한 '바깥을 가리키는 외적 단서가 낫다'는 근거는 연구실 과제 중심이라 초보의 타석 실사용에서 같은 효과가 난다고 단정할 수 없으니 효과는 가설로 다루고, 팀이 직접 찍은 소수 드릴만 쓰는 방식은 확장 전에 영상 제작 비용과 결함 범위의 한계를 분명히 밝혀야 합니다.

### 3라운드

**사회자**:

최종 라운드 — 토론자들이 수정안을 제출하고 투표합니다.

**표지안**:

**최종안입니다. 첫 제품은 "공의 결과에서 출발하는 진단 1개, 드릴 1개, 같은 조건의 재측정, 막히면 레슨프로 연결"으로 하고, 성공은 자세 지표가 아니라 공의 결과로 판정합니다.** 그렇다면 AI가 고친 그 하나가 정말 맞는 하나였는지는 누가 판정합니까? 자세 지표가 판정하면 순환 논리가 됩니다. AI가 고른 지표를 AI가 다시 재서 좋아졌다고 말하는 구조이기 때문입니다. 그래서 판정 기준을 둘로 겹칩니다. 재촬영에서 대상 지표가 움직였는지, 그리고 사용자가 처음에 고른 공의 결과("오른쪽으로 휜다", "뒤땅")가 줄었다고 직접 보고하는지를 함께 봅니다. 지표만 좋아지고 공은 그대로라면 성공으로 치지 않습니다. 그때는 진단이 틀렸을 가능성이 높다고 보고 다음 원인 후보로 넘어갑니다. 이렇게 하면 "하나만 고른다"는 원칙은 정답을 확신하는 장치가 아니라 **원인 후보를 하나씩 지워 가는 순차 검증**이 됩니다. 엉뚱한 하나를 골랐더라도 시스템이 스스로 바로잡을 수 있습니다.

**표지안**:

**근거는 세 가지입니다.** 첫째, 폰 영상만으로는 근본 원인을 안정적으로 가를 수 없다는 설민재 님의 지적은 아직 반박되지 않았습니다. 그렇다면 정확도를 약속할 것이 아니라 오진을 회수할 수 있는 구조를 약속해야 합니다. 화면에도 "가장 가능성 높은 원인"이라고 표시하고, 확정된 진단처럼 보이게 하지 않습니다. 둘째, 측정 조건이 흔들리면 단계를 여는 장치 자체가 가짜 성공과 가짜 실패를 만듭니다. 그래서 같은 촬영 조건을 맞추는 가이드를 핵심 기능으로 둡니다. 셋째, 몸 바깥에 주의를 두는 외적 큐가 낫다는 근거는 연구실 과제에서 나온 것입니다. 이것을 원칙이라 부르면 생존자 편향을 그대로 들여오는 셈입니다. 그래서 첫 제품에서는 큐 문구를 외적 큐와 내적 큐 두 가지로 나눠 돌리고, 공의 결과가 나아지는 비율로 비교하는 **검증 대상 가설**로 둡니다.

**표지안**:

**드릴 영상의 한계는 숨기지 말고 범위로 공표해야 합니다.** 팀이 직접 찍는 소수 드릴 방식이라면 처음 다룰 수 있는 공의 결과는 슬라이스, 뒤땅, 탑볼처럼 초보가 가장 많이 겪는 몇 가지로 좁혀집니다. 그 밖의 결과는 "아직 다루지 않는 문제"로 분명히 밝히고 바로 레슨프로 연결로 보내야 하지 않겠습니까? 모르는 것을 아는 척 추천하는 순간 신뢰가 무너지기 때문입니다. 영상 제작 비용은 공의 결과 하나와 원인 후보 하나마다 드릴이 1~2개씩 붙는 구조로 늘어납니다. 그러니 커리큘럼으로 넓히는 조건을 미리 정해 둡니다. 특정 원인 후보에서 공의 결과 개선 보고율이 충분히 확인된 경우에만 그 경로에 다음 단계 영상을 붙입니다. 진단만 줄지 영상까지 줄지는 처음부터 고를 문제가 아닙니다. 검증된 경로에만 영상을 덧붙이는 순서의 문제입니다.

**탁은솔**:

초보자가 타석에서 겪는 가장 깊은 좌절은 앱의 자세 점수는 올랐는데 공은 여전히 엉뚱한 곳으로 날아가는 ‘가짜 성공’의 순간이 아닐까요? 결론부터 말씀드리면, 최종안은 **‘사용자가 입력한 구질(공의 결과)과 AI의 단일 결함 진단을 결합해 초단기 드릴 클립 하나만 제시하고, 재촬영 시 자세 수치와 실제 구질 개선을 함께 검증하는 구조’**로 수정해야 합니다. 스마트폰 영상만으로는 여러 버릇 중 진짜 근본 원인을 가려내기 어렵기 때문에, 촬영 전후로 사용자가 체감한 공의 결과(뒤땅, 슬라이스 등)를 반드시 함께 물어야 도널드 노먼이 지적한 ‘평가의 간극([NN/g: The Two UX Gulfs](https://www.nngroup.com/articles/two-ux-gulfs-evaluation-execution/))’과 오진으로 인한 조기 이탈을 막을 수 있습니다.

**탁은솔**:

아울러 가브리엘 울프([Wulf, 2013](https://doi.org/10.1080/1750984X.2012.723728))의 외적 주의 단서는 연구실 과제를 기반으로 한 만큼, 시간 압박이 큰 실제 타석에서도 초보자의 ‘실행의 간극’을 즉시 줄여 주는지는 고정된 정답이 아니라 현장 검증 가설로 다루어야 합니다. 만약 리처드 슈미트와 캐롤라인 윈스타인([Winstein & Schmidt, 1990](https://doi.org/10.1037/0278-7393.16.4.677))의 가이던스 가설에 따라 설계한 10스윙 뒤 재촬영에서 목표 수치와 구질이 바로 잡히지 않더라도, 미세한 궤도 변화를 먼저 격려하고 존 스웰러의 인지부하 이론([NN/g: Minimize Cognitive Load](https://www.nngroup.com/articles/minimize-cognitive-load/))에 맞춘 우회 단서나 쉬운 보조 드릴로 즉시 전환해 주어야 초보자가 무기력에 빠지지 않습니다.

**탁은솔**:

마지막으로 다수 강사의 영상을 엮는 대신 팀이 직접 제작한 소수의 일관된 드릴 클립만 매칭하는 방식은 설명 충돌로 스윙이 무너지는 비극을 막아 주지만, 초기 커버할 수 있는 결함의 범위가 좁고 확장 시 영상 제작 비용이 따른다는 한계를 명확히 전제해야 합니다. 사업적 비용 산정과 기술적 판별 한계는 각 렌즈의 판단을 존중하되, 사용자 경험 관점에서는 다루지 못하는 결함일 때 억지 처방을 내리기보다 지원 범위 밖임을 솔직히 안내하고, 핵심 결함이 실제로 해결되었을 때만 다음 커리큘럼을 여는 정직한 흐름이 초보자의 신뢰를 지키는 길입니다.

**설민재**:

1차의 합격선은 지표 하나가 아니라, 사용자가 직접 고른 공의 결과와 그 지표가 같은 재촬영에서 함께 움직이는가입니다. 폰 영상은 보이는 버릇 여러 개 중 근본 원인을 가르지 못합니다. 엉뚱한 결함을 확신에 차서 고치면 지표만 좋아지고 공은 그대로인 채로, 초보는 앱을 닫습니다. 그래서 ‘AI가 결함 하나를 안정적으로 고른다’는 전제를 검증 밖으로 빼 둔 제 안은 여기서 고칩니다.

**설민재**:

1차 범위는 그대로 좁습니다. 사용자가 고른 미스 하나, 그 미스에 연결되고 화면에서 보이는 결함 하나, 팀이 직접 찍은 드릴 하나, 같은 카메라의 재촬영 하나입니다. 드릴의 말은 클럽이나 공이 그리는 길처럼 바깥을 가리키게 두되, 타석에서 같은 효과가 난다는 점은 연구실 과제가 아니라 이 루프 안의 가설로만 다룹니다. 지표는 움직이고 공의 결과는 그대로면 그 결함 이름이나 드릴을 버립니다. 영상을 늘리는 일은 합격 조건이 아닙니다. 찍는 드릴은 이번 시험의 미스에만 한정하고, 그 범위 밖의 결함은 다루지 않는다고 범위란에 적어 두십시오. 라이브러리와 해금형 커리큘럼은 열지 않습니다. 선택지를 잠가도 제작·권리·강사마다 다른 원인·재생 완료율이라는 가짜 성공이 그대로 남기 때문입니다.

공의 결과와 지표가 함께 움직이면 다음 결함을 같은 1:1로 얹습니다. 안 움직이면 추천 엔진은 열지 마십시오. 동네 프로와의 비교는 그 다음의 질문입니다.

**사회자**:

📊 결선 라운드 현황 — 🔍 진단만 0명 : 3명 🎬 영상 추천까지
모든 토론자가 진단 후 드릴 제공(B편)에 합의함

**사회자**:

⚖️ 리스크 재검토 — 이 결론은 질문이 원래 물은 '진단만 할지, 레슨 영상 추천까지 할지'를 직접 고르지 않고 1차 실험 설계만 말합니다. 최종 답에서는 1차는 진단과 영상 한 개 처방, 영상 라이브러리와 커리큘럼은 보류라고 먼저 밝혀야 합니다. 또한 '공의 결과와 지표가 함께 움직이는가'를 합격선으로 삼았지만, 초보자는 공 결과의 편차가 매우 커서 몇 번의 재촬영만으로는 좋아졌는지 아닌지 가르기 어렵습니다. 몇 번을 비교할지, 어느 정도 차이를 개선으로 볼지, 개선이 저절로 생긴 변화나 우연이 아님을 어떻게 구분할지 정해 두지 않으면 드릴이나 결함 이름을 잘못 버리거나 잘못 살릴 수 있습니다. 직접 찍은 드릴 하나로 시작하면 사용자가 그 미스를 거의 하지 않거나 화면에서 보이는 결함이 없을 때 쓸 수 있는 경로가 없고, '결함이 안 보이니 모르겠다'고 답하는 경우의 처리도 비어 있습니다. 한 번에 하나씩 고치려면 영상을 늘리지 않더라도 진단 결과를 초보자가 이해할 수 있는 말로 전달하는 방식이 필요한데, 이 부분이 약합니다.