위솝 HRTECH × 다재다능팀 AI PM 파이널 프로젝트 제안 전략

핵심 방향
급구를 하나 더 만드는 프로젝트가 아니라, 샵솔이 보유한 매장 운영 데이터를 기반으로 필요한 인력을 예측하고 적합한 N잡러를 연결한 뒤 근태·급여·업무관리까지 이어지는 AI Workforce OS를 설계한다.

1. Executive Summary

기존 제안

급구 스타일의 N잡 기반 시간 매칭 플랫폼

방향 자체는 시장성이 있지만, 이것만으로는 급구·당근알바·알바몬과 정면 경쟁하는 레드오션에 들어갈 가능성이 높다.

위솝은 경쟁사에게 없는 자산을 이미 보유하고 있다.

샵솔 기반 근태관리
GPS 기반 출퇴근 기록
근무 일정
자동 급여 계산
업무일지와 체크리스트
멀티매장 관리
프랜차이즈 사업장 네트워크

샵솔은 근태·급여·업무·위생 등을 통합 관리하는 매장관리 서비스로 운영되고 있다.
출처: Google Play 샵솔

위솝의 2025년 기업 연혁에는 플랫폼 누적 8만 사업장·30만 사용자 확보가 기재돼 있으며, BGF리테일·써브웨이·코레일유통·더본코리아·SPC 등 프랜차이즈 관련 계약 이력도 확인된다.
출처: 잡코리아 위솝 기업정보

따라서 프로젝트의 핵심 질문을 바꿔야 한다.

Before

사람이 부족해진 사장님이 공고를 올리고 지원자를 찾는다.

After

샵솔이 근무 데이터를 분석해 인력 부족 가능성을 먼저 감지하고, 해당 시간·거리·업무조건에 맞는 검증된 근로자를 추천한다.

2. 가장 중요한 팩트

위솝은 이미 AI 채용 사업을 준비하고 있다.

2025~2027년 국가 R&D 과제로 다음 프로젝트를 수행 중이다.

소상공인 채용난 해소를 위한 AI 기반 추천 채용 및 HR 자동화

개발 목표에는 다음이 포함된다.

데이터 허브 및 HR 자동화 인프라 구축
초개인화 AI 헤드헌팅
사실 기반 이력서 및 레퍼런스 인증
외국인 채용 및 근무관리 시스템

총 연구비는 약 4.4억 원, 연구기간은 2025년 9월부터 2027년 8월까지다.
출처: The VC 국가 R&D 과제 정보

피해야 할 제안

AI 채용 매칭 시스템을 만들어드리겠습니다.

이미 위솝이 진행 중인 영역이므로 차별성이 약하다.

제안해야 할 것

위솝이 구축 중인 AI 채용 기술을 실제 N잡·초단기 근로 UX와 연결하는 Product Discovery + AI MVP 프로젝트

위솝 R&D: AI 추천채용
        ↓
다재다능팀: Product·UX·AI Architecture
        ↓
N잡 시간 매칭
        ↓
샵솔 운영 데이터
        ↓
근태·급여·업무관리

3. 경쟁시장 분석

3.1 급구

급구의 핵심 경쟁력은 실시간 초단기 인력 연결이다.

2026년 상반기 급구 매출은 전년 동기 대비 약 2배 성장했고, 운송·물류 분야 임금 거래액은 전년 동기 대비 약 11배 증가했다. 외식·음료에서도 근무 완료 일자리는 전년 동기 대비 62%, 임금 거래액은 1.8배 증가했다.
출처: 전자신문

급구가 증명한 것

정규직 채용만 HR 시장이 아니다.
“오늘 18:00~22:00 사람이 필요하다”라는 수요 자체가 하나의 HR 시장이다.

강점

실시간 인력 수요 대응
초단기 근무
긱워커 중심
물류·외식 등 변동성이 큰 산업에 적합
빠른 인력 매칭 UX

위솝이 그대로 따라가면 안 되는 이유

급구의 핵심 전장에서 경쟁하면 결국 다음 네트워크 효과 싸움이 된다.

구직자 수 × 사업장 수 × 공고 수 × 매칭 속도

위솝이 가져가야 하는 전장은 다르다.

3.2 당근알바

당근의 가장 큰 무기는 Hyper-local Network다.

2025년 당근알바에서 가장 많은 지원이 발생한 거리는 1~2km였으며 전체 지원 중 15.6%를 차지했다.
출처: 당근 보도자료

또한 2025년 한 해 당근알바 누적 지원 횟수는 5천만 회 이상으로 보도됐다.
출처: 이코노믹데일리

지역 사용자 → 동네 → 근거리 알바 → 빠른 지원

강점

막대한 사용자 풀
초지역 기반 탐색
낮은 서비스 진입장벽
생활권 기반 일자리
강한 소비자 네트워크 효과

위솝과의 차이

당근: 사람 → 근처 일자리 탐색
위솝: 사업장 운영상황 → 필요한 인력 예측 → 적합한 사람 탐색

3.3 알바몬

알바몬 역시 AI 기반 인재 추천·매칭과 근무관리 영역을 강화하고 있다.
출처: 한국경제

따라서 단순한 “AI가 알바를 추천한다”는 기능도 차별화 요소가 아니다.

3.4 샤플 등 Workforce Management

샤플과 같은 서비스는 근태 및 인력관리를 중심으로 B2B Workforce Management 영역을 공략하고 있다.
출처: 샤플

위솝의 장기 경쟁력은 다음 결합에서 만들어진다.

Workforce Management + Workforce Marketplace + AI

4. Competitive Map

플랫폼	핵심 자산	주요 경쟁력	위솝의 정면 경쟁 필요성
급구	초단기 구인구직 네트워크	실시간 매칭	△
당근알바	Hyper-local 사용자	지역 네트워크	X
알바몬	대규모 채용 DB	검색·공고·AI 추천	X
샤플	B2B 근태관리	Workforce Management	△
위솝·샵솔	사업장 운영 데이터	근태+급여+업무+프랜차이즈	-

기존 채용 플랫폼

공고 → 지원 → 면접 → 채용

급구

시간 → 사람 → 즉시 근무

우리가 제안할 위솝

매장 운영 데이터
→ 인력 부족 예측
→ 시간 Slot 생성
→ AI 적합도 계산
→ 근거리 N잡러 추천
→ 근무
→ 샵솔 출퇴근
→ 급여
→ 업무평가
→ 다음 매칭 데이터

5. 위솝의 Data Moat

샵솔의 가장 중요한 자산은 앱 자체가 아니라 운영 과정에서 발생하는 데이터다.

사업장
├── 업종
├── 지역
├── 근무시간
├── 근무스케줄
├── 직원
├── 출퇴근
├── 지각
├── 결근
├── 실제 근무시간
├── 급여
├── 업무일지
├── 체크리스트
└── 반복 근무 패턴

예시

금요일 17:00~22:00
강남 음식점
최근 12주 데이터 분석
 
→ 평균 필요인력 5명
→ 현재 예약 인력 4명
→ 결근 위험 12%
→ 1명 추가 확보 권장

시스템이 이를 먼저 감지하고 다음 조건에 맞는 근로자에게 제안한다.

2km 이내
+ 17:00~22:00 근무 가능
+ 음식점 경험
+ 최근 근무 신뢰도 우수
+ 요구 시급 충족

6. Blue Ocean 전략

지양할 포지션

또 하나의 알바 플랫폼

목표 포지션

Workforce Intelligence Platform

7. ERRC 분석

Eliminate — 제거

불필요하게 긴 지원서
반복적인 공고 작성
반복적인 스케줄 입력
매번 처음부터 이루어지는 인력 검색
불필요한 채용 커뮤니케이션

Reduce — 감소

채용 소요시간
매니저의 수작업
No-show
근무자 검증 비용
인력 과부족
반복적인 급여·근태 처리

Raise — 강화

시간 적합도
거리 적합도
업무 경험 적합도
근로자 신뢰도
급여 투명성
사업장 신뢰도
근무 이력 기반 Match Quality

Create — 창조

① AI Shift Prediction

언제 몇 명이 부족할지 예측한다.

② Shift Graph

사람과 직장을 연결하는 것이 아니라 사람의 시간과 사업장의 시간을 연결한다.

③ Verified Work Profile

이력서가 아니라 실제 근무 결과로 신뢰도를 형성한다.

실제 근무 + 출퇴근 + 반복고용 + 업무경험

④ AI Workforce Copilot

사장님

이번 주 토요일 저녁 사람 부족한지 봐줘.

최근 패턴 기준 18~22시 1명이 부족할 가능성이 높습니다. 해당 시간 근무 가능한 후보 7명을 찾았습니다.

8. 3C 분석

8.1 Company — 위솝

Strength

샵솔 운영
근태 데이터
급여 기능
직원관리
업무관리
프랜차이즈 고객 기반
사업장 네트워크
진행 중인 AI HR R&D

가장 중요한 차별점

채용 결과 이후의 데이터를 가지고 있다.

일반 채용 플랫폼은 채용 성공 이후 데이터가 단절된다.

채용 → 데이터 단절

샵솔은 다음 단계까지 연결할 수 있다.

채용 → 실제 근무 → 출근 → 퇴근 → 급여 → 업무 → 재고용

8.2 Customer

사업주 Persona

Pain Point:

갑자기 직원이 빠짐
채용 공고 작성이 번거로움
지원자의 적합성을 판단하기 어려움
No-show 발생
급하게 사람이 필요함
근태와 급여 관리가 분리돼 있음

사업주 JTBD

사람을 채용하고 싶은 것이 아니라 필요한 시간에 매장이 정상적으로 돌아가게 하고 싶다.

Worker Persona

N잡 근로자의 JTBD는 다르다.

직장을 찾는 것이 아니라 내 빈 시간으로 돈을 벌고 싶다.

화요일 18~22시
목요일 19~23시
토요일 오후
        ↓
가능한 Shift 자동 추천

8.3 Competitor

급구: 시간 기반 초단기 시장
당근: 거리 기반
알바몬: 공고·검색 기반
위솝 제안: 운영 데이터 + 시간 + 거리 + 신뢰도 기반

9. 4P 전략

Product

가칭:

ShopSol FLEX
ShopSol Shift AI

핵심 제품 정의:

AI 기반 Flexible Workforce Management Platform

Price

초기에는 기존 샵솔 B2B SaaS와 결합하는 구조가 유리하다.

Basic: ShopSol SaaS
        +
Premium: AI Workforce
        +
Optional: Matching Success Fee

장기적으로 SaaS + Marketplace 양쪽 수익모델을 확보한다.

Place

위솝이 이미 확보한 채널을 활용한다.

기존 샵솔 사업장
프랜차이즈 본사
개별 점포
파트너 네트워크

신규 플랫폼처럼 0부터 사업자를 확보할 필요가 없다. Supply보다 Demand부터 확보하는 전략이다.

Promotion

첫 단계는 대규모 광고가 아니라 Franchise Pilot이다.

프랜차이즈 10개 점포
→ 4주 Pilot
→ Time-to-Fill 측정
→ No-show 측정
→ Manager 업무시간 측정
→ Case Study
→ 본사 단위 확장

10. 위솝 Partner Ecosystem 활용

위솝의 2025년 기업 연혁에는 KT, KB국민카드, NH농협은행, 우리은행, SPC섹타나인, Oracle, CJ올리브네트웍스 등과의 MOU가 기재돼 있다.
출처: 잡코리아 위솝 기업정보

이를 이미 구현된 기능이라고 주장해서는 안 되며, 각 협약의 현재 범위는 1차 미팅에서 확인해야 한다.

Partner 영역	프로젝트 활용 가능성
KT	소상공인 유통채널·인프라
KB·NH·우리은행	급여·정산·금융 연결
SPC 계열	대규모 매장 Pilot
BGF·CU	프랜차이즈 Workforce
코레일유통	다점포 Workforce
Oracle	AI·Cloud Infrastructure
CJ올리브네트웍스	Enterprise Integration

금융 파트너와의 구조가 가능하다면 장기적으로 다음 End-to-End 구조까지 확장할 수 있다.

Match → Work → Attendance Verification → Payroll Calculation → Settlement

실제 지급·선지급 구조는 금융·노무·전자금융 규제 검토가 필요하다.

11. 우리 팀의 차별점

CX/PX Domain Expert × AI Product Architect

두 역할의 결합이 프로젝트의 실행력을 만든다.

이혜원 — CX/PX Thick Data

N잡 현장 경험
+ 급구 약 841건 매장 경험
+ SOON 약 50건
+ 당근알바 경험
+ 5년 CX/PX Consulting

이는 단순 인터뷰 데이터보다 강한 Thick Data가 될 수 있다.

황석하 — AI Product Architecture

LLM 서비스 설계
Local LLM·sLLM
System Prompt Architecture
RAG
AI Agent
Workflow Automation
Multi-model Routing
Structured Output
Guardrail
AI QA
Human-in-the-loop
Prototype·MVP 구현

AI 기능을 기획하는 수준이 아니라, AI가 실제 제품 안에서 어떤 역할을 하고 어떤 데이터와 모델을 사용하며 어디까지 자동화하고 어디서 사람이 개입해야 하는지 시스템 단위로 설계할 수 있다.

12. 핵심 기술 원칙

LLM이 매칭 점수를 직접 결정하게 하면 안 된다

핵심 Match Engine은 LLM이 아니라 다음 구조가 적합하다.

Rule + Constraint + Ranking + ML

예시 입력 변수:

Worker Availability
× Distance
× Experience
× Reliability
× Wage
× Store Requirement

이유

점수 산출 기준을 설명할 수 있어야 함
필수 조건을 확실하게 차단해야 함
같은 입력에 일관된 결과가 필요함
편향과 차별 위험을 통제해야 함
추천 결과를 감사·검증할 수 있어야 함

13. LLM의 역할

LLM은 Match Engine 위에서 자연어 인터페이스와 설명·생성·조정 역할을 담당한다.

Recruiting Copilot

입력:

토요일 오후 6시부터 사람 한 명 찾아줘.

조건 구조화:

{
  "date": "Saturday",
  "start": "18:00",
  "headcount": 1
}

Matching Explanation

이 근로자는 해당 매장과 1.2km 거리에 있고, 동일 업종에서 최근 3회의 근무 경험이 있으며 요청 시간대와 모두 일치합니다.

기타 역할

Job Description 자동 생성
Manager Copilot: 다음 주 인력 부족 시간 탐색
Worker Copilot: 빈 시간에 가능한 일 탐색
후보 추천 이유 설명
정책·노무 정보 검색 보조

14. Local LLM·sLLM 전략

HR 데이터에는 다음과 같은 민감 정보가 포함될 수 있다.

이름
연락처
위치
근무 기록
급여
사업장 정보

모든 데이터를 외부 GPT·Claude API로 전달하기보다 Hybrid AI Architecture를 검토한다.

Local AI Layer	Cloud LLM
개인정보 처리	비민감 일반 텍스트
내부 검색	문장 생성
내부 RAG	UX Conversation
민감정보 분석	외부 지식 기반 추론
비식별화·마스킹	비식별 데이터 후처리

원칙

PII와 민감 근무정보는 기본적으로 내부 처리한다.
외부 전송 전 최소화·비식별화한다.
접근 권한과 처리 로그를 남긴다.
모델 선택은 비용보다 데이터 민감도와 업무 위험도를 우선한다.
최종 채용·배제 결정은 설명 가능성과 사람의 검토를 보장한다.

15. System Prompt Architecture

단일 Prompt가 아니라 역할별로 분리한다.

AI ORCHESTRATOR
│
├── Shift Demand Agent
├── Candidate Matching Agent
├── Employer Copilot
├── Worker Copilot
├── HR Policy Agent
└── Safety·Guardrail Agent

각 Agent에 다음 항목을 정의한다.

ROLE
CONTEXT
AVAILABLE DATA
TOOLS
POLICY
CONSTRAINT
OUTPUT SCHEMA
ESCALATION RULE

16. AI Architecture

┌──────────────────────────────┐
│        SHOPSOL DATA          │
│ Attendance·Schedule          │
│ Payroll·Task·Store           │
└──────────────┬───────────────┘
               ▼
┌──────────────────────────────┐
│      PRIVACY·DATA LAYER      │
│ PII Masking·Permission       │
│ Data Validation              │
└──────────────┬───────────────┘
               │
       ┌───────┴─────────┐
       ▼                 ▼
┌────────────┐   ┌───────────────┐
│ Demand     │   │ Worker        │
│ Forecast   │   │ Profile       │
│ Engine     │   │ Engine        │
└──────┬─────┘   └───────┬───────┘
       └────────┬─────────┘
                ▼
       ┌─────────────────┐
       │  MATCH ENGINE   │
       │ Rules           │
       │ Constraints     │
       │ Ranking         │
       │ ML Score        │
       └────────┬────────┘
                ▼
       ┌─────────────────┐
       │ LLM ORCHESTRATOR│
       │ Prompt·RAG      │
       │ Agent·Guardrail │
       └────────┬────────┘
          ┌─────┴─────┐
          ▼           ▼
       Employer     Worker
       Copilot      Copilot

17. Workforce Data Flywheel

매칭
→ 실제 근무
→ 샵솔 출퇴근
→ 업무 수행
→ 재고용 여부
→ Match 결과 데이터 축적
→ 추천모델 개선
→ 더 좋은 매칭
→ 더 많은 사용

이 구조를 Workforce Data Flywheel로 정의한다. 급구 UX만 모방하는 것보다 강한 장기 해자가 된다.

18. Blue Ocean Positioning

서비스	핵심 포지션
급구	Fast Matching
당근	Local Matching
알바몬	Job Search
샵솔 현재	Workforce Management
제안하는 위솝	Predictive Workforce OS

즉, 사람이 필요해진 뒤 채용하는 시스템에서 사람이 필요해지기 전에 예측하는 시스템으로 넘어간다.

19. 핵심 USP

1안

공고를 올리는 HR에서, 필요한 사람이 자동으로 연결되는 HR로.

2안

채용 플랫폼이 아니라 매장이 필요한 노동시간을 자동으로 채우는 Workforce OS.

3안 — 최종 추천

사람과 직장을 매칭하지 않습니다. 사람의 빈 시간과 매장이 필요한 시간을 매칭합니다.

20. 5주 MVP 범위

5주 안에 실제 급구 규모의 Marketplace를 구축하는 것은 현실적이지 않다. 프로젝트 범위를 Product Discovery와 검증 가능한 PoC로 제한한다.

1주차 — Discovery

위솝 인터뷰
샵솔 서비스 분석
실제 활용 가능한 데이터 구조 확인
급구·당근·알바몬 Benchmark
Persona
JTBD
Problem Definition

산출물

Problem Definition
Competitive Analysis
Data Map
MVP Scope

2주차 — Product Design

Employer Journey
Worker Journey
Shift 구조
Matching Logic
AI 기능 정의
System Prompt Architecture

산출물

PRD
User Flow
AI Architecture
Matching Specification

3주차 — Prototype

Figma Prototype
AI Employer Copilot
Worker Copilot
Mock Matching Engine
Local LLM·sLLM PoC

4주차 — Validation

실제 N잡 경험자 및 사업주 기준으로 테스트한다.

측정 항목

공고 생성시간
Match 이해도
지원 Flow
AI 추천 신뢰도
UX 사용성
관리 업무 절감 가능성

5주차 — Final

PRD
+ Figma
+ Interactive Prototype
+ AI Architecture
+ System Prompt
+ Working MVP·PoC
+ Data Analysis
+ Business Model
+ Roadmap

21. 핵심 KPI

Supply

Match Acceptance Rate
Repeat Worker Rate
Shift Completion Rate

Demand

Time-to-Fill
Filled Shift Rate
Repeat Hiring Rate

Quality

No-show Rate
Match Success Rate
Rehire Rate

Business

Cost per Filled Shift
Revenue per Store
SaaS → Marketplace Conversion

AI

Recommendation Acceptance Rate
AI Suggestion Accuracy
Manager Time Saved

초기 프로젝트의 북극성 지표는 다운로드 수나 MAU보다 Filled Shift Rate와 Time-to-Fill이 적합하다.

22. 기존 제안서 문구 수정안

기존 문구

급구처럼 뛰어난 UX/UI를 코덱스로 구현할 수 있다면 Z세대 근로제공자를 유입하는 데 급구처럼 가능할 것이라고 생각합니다.

변경안

저희 팀은 이번 프로젝트를 단순히 급구와 유사한 채용 플랫폼을 구현하는 데 그치지 않고, 위솝이 이미 보유한 샵솔의 근태·급여·업무관리 영역과 신규 AI 채용 기능을 연결하는 방향으로 발전시켜 보고자 합니다.

특히 기존 구인 플랫폼이 공고 → 지원 → 채용을 중심으로 한다면, 위솝은 기존 사업장에서 발생하는 운영 데이터를 기반으로 인력 수요 감지 → 시간 단위 매칭 → 실제 근무 → 근태·급여관리 → 재매칭까지 연결할 수 있다는 차별점이 있다고 판단하고 있습니다.

이를 위해 저희 팀에서는 N잡 시장에 대한 CX/PX 도메인 경험과 함께 AI·LLM, Local LLM·sLLM, System Prompt Architecture, RAG, AI Agent, Workflow Automation 역량을 결합하여 실제 구현 가능한 AI Product Architecture와 MVP를 설계하고자 합니다.

특히 개인정보와 근무·급여 데이터의 민감도를 고려하여 모든 정보를 외부 LLM에 전달하는 구조가 아니라, Local AI와 Cloud LLM의 역할을 분리하는 Hybrid AI Architecture 역시 검토할 수 있습니다.

최종적으로는 단순히 또 하나의 구인구직 서비스를 만드는 것이 아니라, 위솝이 이미 보유한 Workforce Management 역량에 AI 기반 Workforce Marketplace를 결합하는 방향을 기업과 함께 검증해보고 싶습니다.

23. 1차 미팅 핵심 제안

첫 미팅에서 기술부터 설명하지 않는다. 기업의 현재 방향을 이해했다는 점과 우리가 발견한 차별화 지점부터 제시한다.

첫 문장

저희가 조사해보니 위솝은 이미 AI 추천채용 R&D를 진행하고 있었습니다. 그래서 저희가 또 AI 채용 아이디어를 제안하는 것은 의미가 없다고 판단했습니다.

두 번째 문장

대신 샵솔이 이미 가지고 있는 근태·급여·사업장 운영 데이터와 신규 채용 시스템을 연결하면 급구나 당근이 만들기 어려운 모델이 나올 수 있다고 봤습니다.

중심 프레임

Predict → Match → Work → Manage → Pay → Learn → Rematch

1차 미팅 확인 질문

AI 추천채용 R&D에서 현재까지 구현되었거나 확정된 범위는 어디까지인가?
팀 프로젝트에서 접근 가능한 샵솔 데이터와 사용할 수 없는 데이터는 무엇인가?
실제 Pilot이 가능한 업종·프랜차이즈·점포가 있는가?
기업이 이번 5주 프로젝트에서 가장 검증하고 싶은 가설은 무엇인가?
사업주용과 근로자용 중 우선 해결해야 할 사용자는 누구인가?
기존 샵솔 고객의 가장 큰 채용·스케줄 문제는 무엇인가?
AI 추천 결과에 기업이 요구하는 설명 가능성과 안전 기준은 무엇인가?
최종 산출물에 기대하는 수준은 Figma, PoC, Working MVP 중 어디까지인가?

24. 프로젝트 한 줄 정의

샵솔의 사업장 운영 데이터를 기반으로 매장의 인력 수요를 예측하고, N잡 근로자의 가용시간·거리·경험을 분석해 최적의 근무 Shift를 연결하는 AI Workforce OS MVP 구축

25. 프로젝트 공식 제목 후보

1안 — PM 관점

ShopSol AI Workforce OS
매장 운영 데이터 기반 예측형 N잡 Workforce Management Platform

2안 — 서비스 관점

ShopSol FLEX
필요한 시간과 가능한 사람을 연결하는 AI Workforce Platform

3안 — 기술 관점

AI ShiftGraph
시간·거리·업무 데이터를 활용한 AI Workforce Matching Engine

최종 추천

기업 제안서와 발표 제목은 ShopSol AI Workforce OS, 사용자용 서비스 가칭은 ShopSol FLEX로 분리한다.

26. 최종 전략 요약

[경쟁사가 가진 것]
 
급구 = Speed
당근 = Local Network
알바몬 = Recruitment DB
 
────────────────────
 
[위솝이 가진 것]
 
ShopSol = Store Operational Data
Attendance·Payroll·Schedule·Task
Franchise Network
 
────────────────────
 
              +
 
CX·PX Thick Data
AI Architecture
LLM·sLLM
System Prompt
Agent
Automation
 
              ↓
 
────────────────────
 
AI Workforce OS
 
Predict
↓
Match
↓
Work
↓
Manage
↓
Pay
↓
Learn
↓
Rematch

결론

급구 Copy가 프로젝트의 목표가 되어서는 안 된다.

급구는 Reference UX로 활용하되, 경쟁우위는 “급구보다 빠르게 매칭한다”가 아니라 다음 문장이어야 한다.

급구가 알 수 없는 매장 내부의 운영 데이터를 위솝은 알고 있다.

위솝이 급구·당근과 정면으로 사용자 수 경쟁을 하지 않고도 만들 수 있는 가장 유력한 Blue Ocean Position은 Predictive Workforce OS다.

프로젝트와 첫 미팅의 중심 프레임은 다음 한 줄로 통일한다.

Predict → Match → Work → Manage → Pay → Learn → Rematch

참고자료 및 검증 주의사항

기업 연혁, R&D 범위, 고객사·협력사 관계, 사업장·사용자 수치는 공개 자료 기준이며, 제안서 최종 제출 전 위솝 담당자 또는 최신 공식 자료로 재확인한다.

Quartz 5

Explorer

WESOP_AI_Workforce_OS_Strategy