# Project Butterfly Core Framework v1.0

**Status:** Project Constitution  
**Owner:** MindCanvas / Mark Kim  
**Version:** 1.0 · 2026-07

## 1. Project Definition

Project Butterfly는 미래를 맞히는 서비스가 아니다. 의사결정을 구조화하고 실행과 사건을 추적하여 인간과 시스템이 함께 더 나은 의사결정 방식을 학습하는 Decision Intelligence Framework다.

## 2. Three-Pillar Backbone

### 2.1 Differentiated Theory / Paper

- 행동과 외생 사건을 분리한다.
- 가능한 미래와 권고 가능한 행동을 분리한다.
- 관찰된 행동과 사용자가 지지하는 가치를 분리한다.
- 좋은 결과와 좋은 의사결정을 분리한다.
- 근거가 약한 범위에서는 판단을 보류한다.
- 결과를 선택의 질, 외부 사건, 모델 오차의 경로로 분석한다.

논문은 서비스 기능의 효과나 실제 삶의 장기 예측 정확도를 자동으로 증명하지 않는다. 제품 효과는 별도의 사용자 연구와 종단 데이터로 검증한다.

### 2.2 Differentiated Service / User Value

서비스의 목적은 예측 결과를 보여주는 것이 아니라 다음 사용자 가치를 만드는 것이다.

- 결정을 더 명료하게 프레이밍한다.
- 놓친 선택지와 Option C를 발견한다.
- 사실, 가정, AI 추론, 탐색 시나리오를 구분한다.
- 통제 가능한 행동과 통제할 수 없는 사건을 구분한다.
- 가장 작은 가역적 실험과 중단 조건을 만든다.
- 결정 당시의 근거를 보존하고 결과 후 선택의 질과 운을 분리한다.
- 시간이 지나면서 개인의 반복 패턴과 의사결정 규칙을 학습한다.

첫 적용 대상은 제한된 시간·현금·팀으로 불확실한 결정을 반복하는 창업자이며, Mark Kim을 첫 Design Partner로 삼는다.

### 2.3 Data & Value Augmentation

데이터는 서비스를 만들기 전에 대규모로 수집해야 하는 선행 조건이 아니다. 사용자가 즉시 가치를 얻는 과정에서 자연스럽게 축적되어야 한다.

- 생성 데이터: 스키마, UX, 안전성, 평가, 엣지 케이스에 사용한다. 현실의 증거로 사용하지 않는다.
- 실제 종단 데이터: 상태, 프레임, 선택지, 근거, 선택, 행동, 사건, 결과, Replay를 연결한다.
- 외부 데이터: 시장, 정책, 직업, 비용 등 현재 사실이 필요할 때 선택적으로 조회한다.
- 검증된 Decision Loop: 서비스와 후속 논문의 핵심 학습 자산이다.

## 3. Closed Learning Loop

1. 논문은 무엇을 구분하고 측정할지 정의한다.
2. 서비스는 그 이론을 사용자가 체감할 수 있는 행동 변화로 변환한다.
3. 데이터는 실제 결정 루프에서 생성된다.
4. 검증과 Replay는 서비스와 이론을 함께 수정한다.

## 4. Decision Primitive

`State → Frame → Options → Values → Futures → Support → Choice → Action → Event → Outcome → Replay → Update`

이 구조는 서비스 화면, 내부 데이터 스키마, 사용자 연구, 후속 논문이 공유하는 최소 단위다.

## 5. Three-Way Traceability Gate

모든 핵심 기능은 다음 세 질문에 동시에 답해야 한다.

1. **Theoretical Construct:** 어떤 이론적 구분이나 가설을 구현하는가?
2. **User Value:** 어떤 결정 품질이나 행동을 실제로 바꾸는가?
3. **Observable Data:** 무엇을 기록해 이론과 서비스를 개선하는가?

하나라도 비어 있으면 핵심 기능이 아니라 실험 또는 보조 기능으로 분류한다.

## 6. Service Architecture

- **Imagination Layer:** LLM과 에이전트가 선택지와 미래 경로를 넓게 생성한다.
- **Decision Layer:** 가치, 근거, 선택과 사건, 지원 범위를 확인하고 권한을 통제한다.
- **Learning Layer:** Ex-ante 기록을 고정하고 행동, 사건, 결과, Replay를 연결한다.

운영 원칙은 다음과 같다.

> 상상은 넓게 생성하되, 추천은 근거가 있는 범위에서만 한다.

## 7. Satisfaction Contract

- 첫 3분: “나를 이해했다.”
- 첫 5분: “새로운 관점이 있다.”
- 같은 날: “무엇을 할지 안다.”
- 1주: “불필요한 낭비를 피했다.”
- 1개월: “내 결정들이 연결된다.”
- 3개월: “반복되는 내 패턴이 보인다.”
- 6개월 이후: “일반 AI보다 나의 실제 결정을 잘 이해한다.”

사용을 강요하는 streak보다 결정 트리거, 상태 변화, 결과 확인, 오래된 가정, 자원 충돌이 있을 때만 다시 호출한다.

## 8. Data Layers

1. **Stable Context:** 목표, 제약, 가치, 이해관계자, 위험 경계
2. **Decision Record:** 프레임, 선택지, 근거, 가정, 시한, 트리거
3. **Action / Event / Outcome:** 실행, 외부 사건, 상태 변화, 실제 결과
4. **Replay / Learning:** 선택의 질, 운, 모델 오차, 규칙 수정, 다음 가설

모든 항목은 확인된 사실, 사용자 판단, 외부 근거, AI 추론, 탐색 시나리오, 미확인, 외부 사건 중 하나의 출처·권한 상태를 가진다.

## 9. Validation & Metrics

**North Star:** 월간 활성 사용자당 완결된 Verified Decision Loops

보조 지표:

- Time to First Insight
- Frame Change Rate
- Useful Option C Rate
- Small Experiment Execution
- Avoided Work / Cost
- Replay Completion
- Second-Decision Return
- Repeated Error Reduction

## 10. Evidence Roadmap

### Phase 0 · Founder Alpha · 14일

실제 창업 의사결정 10개를 구조화하고 3분 내 첫 통찰과 당일 행동 변화를 확인한다.

### Phase 1 · Verified Loop · 30–90일

결정 당시 기록부터 행동, 사건, 결과, Replay가 끝까지 이어지는지 검증한다.

### Phase 2 · Founder Cohort · 3–6개월

10–30명의 유사 창업자에게 확장해 반복 결정 유형, 낭비 회피, 개입 효과를 비교한다.

### Phase 3 · Decision Intelligence · 6개월 이후

검증된 종단 데이터로 개인화, 제품 가설, 후속 논문을 함께 증강한다.

## 11. Non-Negotiables

1. 관찰된 행동과 사용자가 지지하는 가치를 동일시하지 않는다.
2. 가능한 미래와 권고할 행동을 동일시하지 않는다.
3. 좋은 결과와 좋은 의사결정을 동일시하지 않는다.
4. 생성 데이터를 현실의 증거로 제시하지 않는다.
5. 장기 성공 확률, Life Score, 가짜 정밀도를 제공하지 않는다.
6. UX는 짧게 유지하되 내부 데이터 구조와 검증 기준은 엄격하게 유지한다.
7. 논문, 서비스, 데이터 중 어느 하나도 독립적으로 최적화하지 않는다.

## 12. Change Rule

개별 기능, 대상 사용자, 화면, 모델, 외부 데이터 소스는 바뀔 수 있다. 그러나 논문–서비스–데이터·가치 증강의 폐쇄형 루프와 Three-Way Traceability는 프로젝트의 핵심 헌장으로 유지한다.