이 논문이 없었다면: PMF에서 Research-Community Fit으로

Sun, 11 Oct 2026 00:00:00 +0000

트랙션으로 고객 수요가 있음을 입증했다면, 그다음에는 **제품-시장 적합성(Product-Market Fit, PMF)**을 평가해 볼 차례다. 실리콘밸리의 엔젤 투자자 Sean Ellis는 제품이 시장에서 진정으로 필요한지 알아보기 위해 사용자에게 다음과 같이 물어보라고 제안한다.

How would you feel if you could no longer use this product?

이 제품을 더 이상 쓸 수 없다면 어떨까요?

사용자 중 **40% 이상이 “Very Disappointed(매우 실망할 것이다)”**라고 답한다면, 제품이 시장에서 의미 있는 가치를 제공하고 있다는 신호로 볼 수 있다. 이는 성공을 보장하는 절대적 법칙이 아니라 PMF를 가늠하는 경험적 기준이다.

제품의 가치를 평가할 때 중요한 또 다른 지표는 **리텐션(Retention, 사용자 잔존율)**이다. 한두 번 사용하고 이탈하는 고객이 아니라, 계속해서 서비스를 이용하려는 고객이 얼마나 되는지를 살펴야 한다. 제품에 따라 월간 활성 사용자 수(MAU)나 일간 활성 사용자 수(DAU)를 함께 활용할 수 있다. 다만 DAU·MAU는 활동 규모를 나타내며, 엄밀한 의미의 리텐션과는 구별해야 한다.

그렇다면 논문에도 Product-Market Fit과 같은 개념이 존재할까?

If this paper had never been published, what would the research community have lost?

이 논문이 세상에 나오지 않았다면, 연구 커뮤니티는 무엇을 잃었을까?

논문이 학회에 받아들여지는 것과 다른 연구자들의 일을 바꾸는 것은 서로 다른 성과다. 제품과 시장의 관계를 연구와 커뮤니티의 관계에 빗대면, 누가 이 연구를 필요로 하며, 어떤 후속 연구에서 지속적으로 활용하는가를 물을 수 있다. 이 관점을 여기서는 **Research-Community Fit(RCF)**이라고 부르자.

PMF의 40% Rule과 Retention을 해석할 때

위 40% 기준에는 맥락이 있다. Sean Ellis와 GoPractice의 PMFsurvey는 제품이 사라졌을 때 “very disappointed”라고 답하는 사용자의 비율을 하나의 판단 신호로 다룬다.

Ellis는 2009년 「The Startup Pyramid」에서 거의 100개 스타트업을 비교한 경험을 바탕으로 40%를 제시했고, 이 경계에 다소 임의적인 면이 있다고 직접 밝혔다. 따라서 40%는 제품의 PMF를 가늠하는 경험적 기준이지, 모든 시장에서 성공을 보장하는 법칙이 아니다. Sean Ellis의 원문 아카이브에서 해당 글을 읽을 수 있다.

설문을 해석할 때는 응답자의 제품 경험, 표본의 구성과 크기, 사용 맥락도 함께 봐야 한다. 강한 필요를 말하는 사람들의 비율은 중요한 단서지만, 그 숫자 하나가 시장 규모나 지속적 사용까지 보장하지는 않는다.

Retention과 DAU·MAU는 구분해야 한다

지속적 사용을 살필 때는 사용자 규모와 재방문을 구분해야 한다.

지표	무엇을 보는가	해석할 때의 주의점
Retention rate	특정 시점에 시작하거나 특정 행동을 한 사용자 집단이 이후 정해진 기간에 다시 돌아오는 비율	같은 집단의 재방문을 추적하며, 시작·복귀 행동과 기간을 정의해야 한다.
DAU	하루 동안 활동한 고유 사용자 수	당일의 활동 규모이며, 그 자체가 잔존율은 아니다.
MAU	한 달 또는 정의한 월간 기간 동안 활동한 고유 사용자 수	월간 활동 규모이며, 신규 유입만으로도 커질 수 있다.
DAU/MAU	월간 활동 규모 대비 일간 활동 규모	사용 빈도에 관한 stickiness 지표로 활용하지만, cohort retention과 같지 않다.

즉, 많은 사람이 들어오는지와 같은 사람들이 계속 돌아오는지를 나누어 봐야 한다. 제품의 자연스러운 사용 주기에 맞춰 기간을 정하는 것도 필요하다. 이 구분은 Amplitude의 retention 설명과 제품 지표 가이드를 참고했다.

1. 논문이 없다면 커뮤니티가 무엇을 잃는가

PMF의 질문을 논문으로 옮기면 다음과 같다.

If this paper had never been published, what would the research community have lost?

이 질문은 논문이 얼마나 매끄럽게 쓰였는가에 더해, 얼마나 필요한 연구인가를 묻는다. 문제와 연구의 관계에 초점을 두면 Problem-Research Fit(PRF), 후속 연구자들의 필요와 사용에 초점을 두면 Research-Community Fit(RCF)으로 생각해 볼 수 있다.

가상의 반응	논문에 적용한 의미
Very disappointed	이 결과가 없으면 중요한 연구나 발전이 어려워진다.
Somewhat disappointed	유용하지만 다른 논문이나 방법으로 비교적 쉽게 대체할 수 있다.
Not disappointed	없어도 현재 연구 진행에 큰 차이가 없다.

이것은 논문의 가치를 세 등급으로 확정하는 분류가 아니다. 누구에게 어떤 빈자리가 생기는가를 구체적으로 설명하기 위한 질문이다. 아직 사용자가 드러나지 않은 기초 연구나 새로운 문제 정의의 가치는 늦게 나타날 수도 있다.

2. 논문에 40%를 그대로 적용할 수는 없다

제품 사용자와 연구 커뮤니티는 다르고, 연구 결과의 가치는 드러나는 데 오랜 시간이 걸릴 수 있다. 따라서 제품의 40% 기준을 논문에 옮길 근거는 없다.

예를 들어 관련 분야 연구자 20명에게 “이 논문이 없었다면 당신의 연구에 어떤 영향이 있었을까?”라고 묻는다고 가정해 보자.

반응	가상의 인원	가상의 비율
Very disappointed	9명	45%
Somewhat disappointed	7명	35%
Not disappointed	4명	20%

위 숫자는 설명을 위한 가상 예시이며, 실제 조사 결과도 검증된 논문 평가 기준도 아니다. 45%라는 숫자보다 중요한 것은 아홉 사람이 무엇을 하려 했고, 기존 대안으로는 왜 충분하지 않았는지다.

이런 대화는 발표 후의 평가뿐 아니라 연구 주제를 고르는 단계에 더 유용할 수 있다. 예상 사용자가 겪는 병목, 현재의 우회 방법, 새 결과가 있어야 가능한 실험을 미리 물어보면 연구의 필요를 구체화할 수 있다. 다만 연구 기획 단계의 기대와 실제 결과를 사용한 뒤의 평가는 구분해야 한다.

3. 논문의 retention: 인용을 넘어 지속적 활용으로

제품에서 retention이 사용자의 복귀를 뜻한다면, 연구에서는 후속 연구에서 결과가 반복해서 사용되는가라는 질문으로 바꿔 볼 수 있다. 제품의 지표를 연구 활동에 빗대면 다음과 같다.

제품의 관점	논문·연구에서 대응하는 신호
Acquisition — 처음 접함	논문 조회, 다운로드, 최초 인용
Activation — 처음 가치를 경험함	코드 실행, 데이터셋 사용, 방법론 재현
Retention — 계속 돌아옴	여러 후속 연구에서 지속적으로 활용
Revenue — 가치가 실현됨	새로운 연구 결과와 기술적·사회적 가치 창출
Referral — 다른 사람에게 전파됨	다른 연구자에게 추천되고 커뮤니티로 확산

여기서 Revenue는 연구를 매출로 환산하자는 뜻이 아니라, 사용이 새로운 성과로 이어지는 단계에 대한 비유다.

Citation은 acquisition의 흔적일 수도 있고 retention의 흔적일 수도 있다. Related Work에서 이름을 한 번 언급하는 것, 실제 방법을 구현해 사용하는 것, 여러 프로젝트에서 계속 핵심 구성요소로 쓰는 것은 구분해야 한다. 따라서 인용 수만으로 지속적 활용을 판단하기는 어렵다.

예를 들어 Scan Context 같은 방법을 다른 SLAM 시스템에 통합하고 이후의 프로젝트에서도 계속 쓴다면, 이는 단순한 인용보다 research retention에 가까운 신호다. 중요한 것은 이름이 언급되는 횟수뿐 아니라 연구의 구성요소로 남는 방식이다.

실제로 확인하려면 독립적인 재현, 다른 시스템의 채택, 후속 프로젝트의 재사용, 데이터셋·평가 프로토콜의 반복 활용을 살펴볼 수 있다. 연구의 사용 주기는 제품보다 길 수 있으므로 DAU·MAU를 억지로 만들기보다, 연구실·프로젝트 등의 단위와 학기·연도 등의 기간을 먼저 정해야 한다. 이론, 관점, 부정적 결과처럼 코드 사용으로 잡히지 않는 기여도 별도로 고려해야 한다.

4. 연구를 시작하기 전에 던질 다섯 질문

연구 주제를 고를 때 다음 다섯 질문을 던져 볼 수 있다.

Necessity — 필요성: 이 연구가 없으면 누가, 어떤 문제로 어려움을 겪을까?
Urgency — 시급성: 왜 이 문제를 지금 해결해야 할까?
Non-substitutability — 대체 불가능성: 기존 방법이나 다른 연구로 쉽게 대체할 수 있는가?
Generality — 확장성: 이 연구 결과가 얼마나 다양한 후속 연구를 가능하게 할까?
Longevity — 지속성: 5~10년 뒤에도 연구자들이 이 결과를 사용할까?

특히 세 번째와 네 번째 질문을 함께 보면, 성능 개선과 연구의 파급력을 구분할 수 있다. SOTA를 2% 개선한 결과라도 다른 방법으로 쉽게 대체될 수 있다. 반면 새로운 문제 정의, 평가 프로토콜, 데이터셋, 표현 방식은 즉각적인 성능 개선이 작아도 많은 후속 연구의 출발점이 될 수 있다.

물론 작은 개선 자체가 무의미하다는 뜻은 아니다. 작은 수치 변화가 안전성이나 실제 운용의 문턱을 넘게 만든다면 큰 의미를 가질 수 있다. 핵심은 개선량만 적는 데서 그치지 않고, 그 개선 덕분에 달라지는 연구와 행동을 설명하는 것이다.

5. 서로 구분해야 할 네 가지 Fit

연구 문제의 중요성, 해법의 적절성, 커뮤니티의 활용, 게재처와의 적합성을 나누어 살펴보자.

Fit	핵심 질문
Problem-World Fit	현실 세계에서 정말 중요한 문제인가?
Solution-Problem Fit	제안한 방법이 그 문제를 본질적으로 해결하는가?
Research-Community Fit	다른 연구자들이 이 결과를 기반으로 새로운 연구를 할 이유가 있는가?
Paper-Venue Fit	연구의 가치와 제시 방식이 특정 학회·저널의 범위와 평가 기준에 얼마나 맞는가?

한 축에서 잘 맞는다고 다른 축에서도 자동으로 잘 맞는 것은 아니다. 네 가지는 각각 따로 점검해야 한다.

중요한 문제라도 해법이 충분하지 않을 수 있고, 문제를 잘 풀었더라도 다른 연구자가 활용하기 어려울 수 있다. 특정 학회의 관심사나 증거 기준에 맞지 않는 연구도 있다. 따라서 좋은 연구가 reject될 수 있고, accept된 논문이 장기적으로 큰 영향을 남기지 못할 수도 있다. 이 구분은 심사의 중요성을 부정하기보다, 게재 결과 하나로 연구의 모든 가치를 설명하지 않도록 돕는다.

6. 성공하면 이전에는 불가능했던 무엇이 가능해지는가

If your research succeeds perfectly, what becomes possible that was previously impossible?

네 연구가 완벽하게 성공한다면, 이전에는 불가능했던 무엇이 가능해지는가?

이 질문은 앞의 상실 질문을 연구 기획의 미래 시점으로 뒤집는다. 아직 논문이 없는 단계에서는 “없어서 무엇을 잃는가”보다 “성공하면 무엇을 할 수 있는가”가 더 구체적인 목표를 만들 수 있다.

예를 들어 SLAM의 ATE를 10% 줄이겠다는 목표와, 장기 기억을 가진 로봇이 수개월의 환경 경험을 유지하고 새로운 상황을 추론하게 하겠다는 목표를 비교해 보자. 전자는 수치 목표이고, 후자는 성공 후 가능해지는 능력에 대한 설명이다. 둘은 연결될 수 있다. 오차 감소가 실제로 어떤 환경·기간·작업을 새롭게 감당하게 하는지까지 밝히면 된다.

오래 남는 논문은 문제를 얼마나 잘 풀었는가를 넘어 그 논문 이후 무엇이 가능해졌는가로 기억된다. 이런 관점은 논문을 다 쓴 뒤 포장하는 데보다, 연구 주제를 정하고 박사과정의 3~5년 방향을 설계할 때 더 큰 역할을 할 수 있다.

연구 제안서에 한 문장을 더 쓴다면 다음과 같을 것이다.

이 연구가 성공하면, 누가 지금의 어떤 제약을 넘어 무엇을 새롭게 할 수 있는가?

출처

연구로의 확장은 ChatGPT와의 「논문 임팩트 비교」 대화(2026-10-11)를 바탕으로 했다. RCF·PRF·research retention과 네 가지 Fit은 연구 기획을 위한 비유적 틀이며, Sean Ellis의 이론이나 검증된 논문 평가 척도가 아니다.

Research Impact | Giseop Kim