왜 사용하나요?
이 AI Flow를 사용해 전략 프레젠테이션을 맞춤형 Data & AI 사용 사례 관리자 앱으로 변환해 데이터 및 AI 사용 사례를 평가하고 우선순위를 정하세요 조직의 전략적 목표 및 핵심 결과(OKR)에 따라.
누가 사용하나요?
데이터 및 AI 전략가, 컨설턴트, 퍼실리테이터, 혁신 매니저, 제품 소유자, 비즈니스 도메인 소유자 및 AI 전환 팀은 이 워크플로를 사용해 전략 문서나 입력 문서를 빌드 준비가 된 Data & AI Use Case Manager 앱으로 변환할 수 있습니다.
언제 사용하나요?
조직에 전략 프레젠테이션이나 전략 브리핑이 있고, 이를 데이터 및 AI 사용 사례를 수집하고 점수를 매기며 우선순위를 정하는 실용적인 시스템으로 옮기려는 경우 이 워크플로를 사용하세요.
전략을 수동으로 소프트웨어 요구사항으로 옮기지 않고도, 전략적으로 의미 있는 우선순위 기준에 따라 데이터 및 AI 사용 사례를 관리하고 점수를 매길 수 있는 첫 번째 실무용 웹앱을 만들고자 할 때 유용합니다.
무엇을 사용하나요?
이 워크플로는 간단한 원칙을 따릅니다.
AI가 정보를 구조화합니다.
사람이 무엇이 중요한지 결정합니다.
AI가 결정을 다시 구조화합니다.
이 결과를 바탕으로 소프트웨어가 생성됩니다.
이 워크플로우는 Miro AI 워크플로우를 사용해 전략 콘텐츠를 추출·변환하고, 관련 우선순위 기준을 선택하기 위해 이해관계자 투표를 활용하며, 준비된 보드 컨텍스트를 Lovable에 전달해 vibe 코딩된 웹앱을 생성하도록 MCP(모델 컨텍스트 프로토콜)를 사용합니다.
사용 방법
I. 전략 업로드.
전략 프레젠테이션을 상자 안에 넣으세요 (1단계).
프레젠테이션은 기업 전략 데크, 사업부 전략, 전환 로드맵 또는 기타 전략 입력 문서일 수 있습니다. 이 템플릿에서는 공개된 Mitsubishi Corporate Strategy 2027을 예시로 사용합니다.
II. OKR 정의.
첫 번째 Miro AI 워크플로우는 오른쪽 상단의 “Run step”을 클릭하면 실행됩니다 (2단계):
이 워크플로우는 전략 프레젠테이션을 읽고 5개의 목표와 그에 따른 핵심 결과를 추출해 OKR 카탈로그를 생성합니다.
OKR은 전략 데크와 이후의 우선순위 모델 사이에 구조화된 중간 계층을 만듭니다:
이 단계에서는 광범위한 전략 데크를 워크플로가 진행되기 전에 검토 가능한 OKR 카탈로그로 변환합니다. 팀은 5개의 목표와 그 핵심 결과가 전략을 올바르게 반영하는지 확인하고, 문구를 조정하거나 누락된 항목을 추가하거나 적합하지 않은 해석을 제거할 수 있습니다. 검토가 끝나면 OKR 카탈로그는 우선순위 기준을 도출하고 이후 앱을 생성하기 위한 공동 기반이 됩니다.
III. 우선순위 기준 도출.
두 번째 Miro AI Flow를 실행하세요 (Step 3).
이 Flow는 OKR 카탈로그를 기반으로 작동하여 12개의 우선순위 기준을 도출합니다:
4개의 실행 가능성 기준
4개의 바람직성 기준
4개의 실현 가능성 기준
각 기준에는 짧은 이름, 정의, 그리고 왜 중요한지에 대한 간단한 설명이 포함됩니다.
이 기준들은 OKR을 데이터 & AI 사용 사례 평가의 구체적 기준으로 전환합니다. 다음 단계로 넘어가기 전에 이 표를 검토해 기준 이름을 바꾸거나 정의를 조정하거나 문맥에 맞지 않는 항목을 수정하는 것을 권장합니다. 기준이 명확할수록 이해관계자들이 투표하기 쉽고 앱이 사용 사례를 전략에 맞춰 점수화하기도 수월합니다.
IV. 이해관계자 투표.
다음 AI 액션 버튼 각각을 한 번씩 클릭하세요(단계 4):
이 작업은 이전 표의 우선순위 기준을 스티커 메모로 추출해 세 가지 카테고리인 실행 가능성, 바람직성, 실현 가능성에 배치합니다.
토론과 검토를 위해 스티커 메모를 사용하고, 마지막으로 도트 투표를 진행하세요.(Step 5)
도트 투표에서는 각 이해관계자에게 동일한 수의 도트(예: 3개)를 부여하세요. 가장 중요하다고 생각하는 기준에 도트를 찍게 하세요. 이해관계자는 같은 기준에 여러 도트를 찍을 수 있어야 합니다.
투표가 끝나면 도트를 스티커 메모에 그대로 남겨두세요. 투표 수는 각 기준이 이해관계자에게 얼마나 중요한지 보여주며 이후 가중치 신호로 사용됩니다.
V. AI 소프트웨어 생성
다음 Miro AI Flow를 실행하세요 (Step 6).
이 Flow는 투표 결과를 깔끔한 인수인계 테이블로 변환합니다. 투표된 기준과 그 가중치를 식별하고, 각 기준의 "정의" 및 “중요한 이유”라는 추가 문맥을 포함합니다.
이 표는 Data & AI 사용 사례 관리자 웹앱에 대한 전략별 입력값이 됩니다: 이해관계자가 선택한 기준과 점수 산정에 필요한 맥락을 포함합니다.
Lovable 사용 지침: vibe-coding 프로세스 시작
보드의 녹색 버튼을 클릭하세요 (Step 7). lovable.ai
먼저 lovable에 로그인하거나 가입해야 합니다. 또한 자신의 크레딧이 필요합니다.
현재 Miro 보드 URL을 사전에 정의된 프롬프트에 복사해야 합니다 (Step 8). 그런 다음 수정한 프롬프트를 lovable 채팅 입력란에 붙여넣으세요.
선택 사항: Lovable을 Miro MCP에 연결
Lovable이 아직 Miro MCP에 연결되어 있지 않다면 먼저 연결을 설정하세요.
이 작업을 완료하면 Lovable이 MCP를 통해 Miro 보드에 접근할 수 있습니다.
VI. 데이터 및 AI 사용 사례 관리.
생성된 프로토타입을 열어 새로운 데이터 및 AI 사용 사례를 자유 텍스트로 추가하세요(단계 9).
애플리케이션은 제안을 AI로 해석하고 관련 점수 요소를 추출해 점수를 계산하고 순위를 업데이트합니다.
프로토타입이 Miro 보드에서 선택된 기준을 반영하는지, 그리고 순위가 다음으로 우선적으로 고려할 데이터 및 AI 사용 사례에 관한 유의미한 논의를 지원하는지 검토하세요.
lovable.ai UI에서 언제든지 추가로 반복해 개선할 수 있습니다.
추가 자료 찾기
Datentreiber는 이 Miroverse 템플릿뿐만 아니라 다음을 제공합니다:
관심이 있거나 질문이나 피드백이 있으면 다음으로 문의하세요: info@datentreiber.de.
저작권: 모든 권리는 Datentreiber GmbH에 있습니다.
