- 🎥티저, [[🎞️포스터]], [[🏷️todo(약속설계)]] ## 📊 논문 구조 요약: 최적 무지 수준(OIL) 프레임워크 전문: [[🏔️scaling(약속설계)_pap]] 영문: [[🎹scale(약속설계)_eng]] [[🐙👾]]확률구조가 인지와 의지기능 수행 [[09-29|25-09-29]] ## OIL 논문 인수인계 ### 핵심 결정사항 - **구조 재편**: 수평 통합(창업가가 τ 성장) → 수직 통합(시장이 τ 궤적 선택) 순서로 변경 - **모델 전환 명시**: M1→M1'(정보분류), M1'→M2(보정), M2→M2'(정보선택) - **Vrba & Gould 통합**: Section 2.2.2에서 effect macroevolution으로 시장 선택 설명 ### 주요 파일 - `Optimal_Ignorance__Endogenizing_Venture_Success_via_the_Chosen_Precision.pdf` (최종) - `vrba1986hierarchical.pdf` (sorting ≠ selection 이론) ## 논문 구조 정리 | 섹션 | 제목 | 핵심 내용 | 모델/이론 연결 | 🖼️figure | | ------------------------ | --------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------- | -------- | --------- | | **1. Introduction** | | | | | | 1.1 | Phenomena of Precision | Tesla vs Better Place: τ 관리 차이 | - | | | 1.2 | Exogenous Success Probability Paralyzes Growth | 동일 학습 역설, 옵션 관리 부재 | - | | | 1.3 | Solution through choosing precision | τ* = max{0, √(V/4i) - 1} | - | | | 1.4 | Precision integrates acting and planning, micro and macro | Nail (V<4i) → Scale (V≥4i) | - | | | 1.5 | Contributions | ①what:성공확률 내생화 <br>②for scholars: 스펙트럼 + 계층 통합<br><br> ③for practitioners: Closed-form formula & operational toolkit | - | | | **2. Theory** | | | | | | 2.1.1 | Dissecting Success Probability | P를 확률변수로, 자원합리적 에이전트 | - | | | 2.1.2 | Calibrating with Hierarchical Model | 베이지안 보정 메커니즘 | - | | | 2.1.3 | Segmenting Uncertainty with Beta Priors | Beta(0,0), Beta(0.5,0.5), Beta(1,1) | - | | | | | | | | | 2.2.1 | Precision Spectrum | Action(τ→0) ↔ Planning(τ→∞) | 수평 통합 | | | 2.2.2 | Precision Hierarchy | 통계→인지→시장선택 수준 | 수직 통합 | | | 2.2.3 | Earning Precision with Toolkit | Fine의 10개 도구로 V↑, i↓ | - | | | **3. Model** | | | | | | 3.1 | M1 to M1': Likelihood Simulation | φ* = 1/(c+1), 복잡성이 열망 규율 | 정보분류 부활 | | | 3.2 | M1' to M2: Prior Calibration | μ* ≈ 1/(log c + γ) | 보정기능 부활 | | | 3.3 | M2 to M2': Optimal Ignorance | τ를 선택변수로 | 정보선택 부활 | | | **4. Test** | | | | | | 4.1 | Descriptive: Tesla vs Better Place | (τ,V,i) 궤적 대조 | - | | | 4.2 | Predictive: Staged-precision hypothesis | 낮은 τ 시작 → V/i 개선 → τ 상승 | - | | | 4.3 | Prescriptive: Operationalize | Table 5 & 6: 정밀도 툴킷 | - | | | 5. Conclusion and vision | | | | | | 5.1 conclusion | | | | | | 5.2 vision | | | | | ---- [[🗄️🧠charlie]] [[charlie24🛠️_clockspeed🗣️]] # 🕹️ | 섹션 | 내용 | 핵심 메시지 | 표/도구 | | ----------------------------- | -------------------------------------------------------------------------------------------- | ----------------------------- | ----------------------------- | | **[[📚🐢ms(서론)]]** | | | | | 1.1 [🐅]현상 | Tesla $20B→$1T vs Better Place $850M→$0 | 동일 EV시장, 정반대 결과: τ 관리의 차이 | | | 1.2 [🐢]문제 | 기존 이론: φ=상수, 학습 무시 | 성공확률 외생화의 한계: 동적 학습 소거 | | | 1.3 [🐙]해결 | φ~Beta(α(τ),β(τ)), U(τ)=E[V·φ]-i(τ) | τ를 내생변수로: 창업가가 정밀도 설계 | | | 1.4 [🐅]통합 | τ* = max{0, √(V/4i) - 1} | Closed-form 해: V>4i 시 정밀도 증가 | | | 1.5 [👾]기여 | Threefold contributions | ①확률의 확률화 ②τ* 공식 ③산업별 전략 | | | 1.6 [🐢]로드맵 | Section 2-5 구조 | 이론→모델→응용→결론 | | | | | | | | **[[📚🐅ms(이론)]]** | **3층 아파트 구조** | | | | **[1층 초]** | **확률 토대** | | | | 2.1.1 🐢M호 | 확률변수의 확률변수화, 목적함수화 | φ를 확률변수로 내생화 | ![[🗄️MT]]: Map & Terrain | | 2.1.2 🐢🐅A호 | Beta 공액성, 3가지 Prior, 시뮬레이션 칼리브레이션 | 베이지안 업데이트 + SimCal | ![[🖼️UT]]: Uncertainty Types | | | | | | | **[2층 보]** | **정밀도 통합** | | | | 2.2.1 👾🐅S호 | 수직 통합: 정보축적 | 3계층: Prior-Sample-Variation | ![[🖼️LT]]: Levels of τ | | 2.2.2 👾S호 | 수평 통합: 실행일관성 | τ 스펙트럼: action(0)↔planning(∞) | 학파 통합 | | | | | | | **[3층 적]** | **실전 응용** | | | | 2.3.1 🐙C호 | 운영 도구 | Fine's 10 Tools: i↓ & V↑ | ![[🗄️OT]]: Operational Tools | | | | | | | **[[📚🦓ms(모델)]]** | | | | | 3.1 M1: Simulation | φ* = 1/(c+1) | 복잡성이 약속 제약 | ![[🗄️🦓likelihood.svg]] | | 3.2 M2: Calibration | μ* = 1/(log c + γ) | 경험적 베이즈로 열망 보정 | | | 3.3 M2': OIL | τ*를 선택변수로 | 완전 모델: mu, τ 최적화 | [[idef]] | | | | | | | **[[📚🐙ms(응용)]]** | | | | | 4.1 사례:Tesla Better Place 분석 | (τ,V,i) 3D 경로<br>τ: 0→2.1 진화 (Earned Precision: 단계적 증가) vs τ=5 고정 실패 (Precision Trap: 학습 마비) | Nail(V<4i)→Scale(V≥4i) | ![[🗄️OT2]] | | 4.2 실증예측 | | 산업별 τ* 관리 | | | | | | | | **[[📚👾ms(결론)]]** | | | | | 5.1 conclusion | 공헌 요약 | Action-Planning 거짓 이분법 해소 | | | 5.2 Future Work | 베이즈 진화 창업론 | 효과적 샘플크기, 공통지식 연결 | | ### 🎯 핵심 공식과 개념 |개념|공식/정의|의미| |---|---|---| |**정밀도 (τ)**|사전분포 집중도|약속의 경직성| |**업데이트 능력**|Δ(μ;τ) = μ/(1+τ)|학습 능력| |**OIL 공식**|τ* = max{0, √(V/4i) - 1}|최적 정밀도 규칙| |**상전이**|V = 4i 경계|못박기 → 확장 임계점| |**성공 확률**|P = φ(1-φ)^c|판매 × 전달 긴장| ### 📑 세 가지 표 (MOUT) | 표 | 파일명 | 목적 | 타겟 독자 | | --------- | ----------------------------- | ------------------ | ----- | | [[🗄️MT]] | `table_mountain_terrain.tex` | 문헌 비교: 내생 vs 외생 | 이론가 | | [[🗄️OT]] | `table_operational_tool.tex` | 단계별 V/i 관리 도구 | 실무자 | | | | | | | 🗄️UT | `table_uncertainty_types.tex` | 인식적/무작위적 × R&D/소비자 | 투자자 | | [[🗄️IT]] | | | | 이 구조는 정밀도(τ)가 창업가의 결정과 벤처 성과를 연결하는 중심 메커니즘으로 논문 전체를 관통함을 보여줍니다. ---- ### **제목**: Endogenizing Venture Growth through Founder's Optimal Ignorance Level ### **1. Introduction** (3 pages): | | | 핵심문장 | | --- | ------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------- | | 1.1 | [[Tesla earned precision, Better Place assumed it]] | 테슬라는 모호함을 유지했기에 살아남았고, 베터플레이스는 구체성을 방어하다 파멸했다. | | 1.2 | [[Problem is Exogenous P and Informativeness]] | 이 두 기업의 운명을 가른 ‘약속의 정밀성(τ)’이라는 변수는, 기존 이론이 간과했던 바로 그 ‘사각지대’에 해답이 있었음을 명확히 보여준다. | | 1.3 | Solution (Preview): OIL as Decision Framework (Hooking back) | \textbf{'약속의 정밀성(τ)'이 어떻게 창업가에 의해 설정되는 내생변수인지, 그리고 그것이 어떻게 성공 확률(P)과 정보의 가치를 결정하는지는 두 기업의 행위에서 직접적으로 증명된다.} | | 1.4 | Solution (Preview): OIL as Decision Framework (How) | 본 논문은 언제 유연성을 유지하고 언제 약속에 헌신할지를 결정하는 ‘최적 정밀도(τ*)’ 공식을 다음과 같이 제시한다: *\textit{τ} = max\{0, √(V/4i) - 1\}** | | 1.5 | [[Why This Matters For Founder]] | 1. **정밀도의 덫 (The precision trap)**<br>2. **검증에서 확장으로 가는 공식과 도구상자 (nail-to-scale formula and toolkit)** | | 1.6 | [[Why This Matters For Scholars]] | | | 1.7 | [[contribution]] | | - **1.4 Why Entrepreneurs Should Care:** 1. "Fake it till you make it"의 한계: 과도한 약속은 학습 마비 초래 2. Learning-Resource Mobilization 긴장의 최적화 가능성 3. 창업 교육의 분열 해결: MIT만 해도 21개 프로그램에 143개 과목이 practice vs theory로 양분 - **1.4' Why Scholars Should Care:** 1. Micro 실험과 Macro 선택의 단절된 연결고리 2. Bayesian modeling의 핵심인 prior 선택 논리 부재 - 1.5 Three Contributions: - **Choose** and **Grow**: 동태적 τ 관리 프레임워크 - OIL **공식**: τ* 규범적 의사결정 규칙 τ* = max{0, √(V/4i) - 1} - OIL**개념**: strategic ignorance, - OIL**프레임워크**: earned precision 관리 체계 - **Synthesize**: Prior→Likelihood→Posterior로 Act과 Plan 통합 - 1.6 Roadmap ### **2. Theory: OIL Integration** (4 pages) **2.1 What: Choosing OIL** - OIL 정의와 공식:박스: "OIL = 전략적 일시적 무지" - - τ* 공식 시각화: **[Figure 1: OIL Decision Rule]** **2.2 Why: Synthesizing Act vs Plan** - Prior p(φ|τ): Promise flexibility - Likelihood φ(1-φ): Sell×Deliver balance - Posterior: Market selection - Effectuation(τ=0) ← → Causal(τ=∞) 연속체 **2.3 How: Growing Precision** - Operational levers for i and V: **[Table 1: Operational Levers]** - i와 V 관리도구 ### **3. Model** (3 pages) - 3.1 Setup: Beta-Binomial framework - 3.2 Model Evolution - **[Figure 3: M1→M1'→M2→M2' Comparison]** - 3.3 Derivation: c=1 special case - 3.4 Interpretation: Nail (V<4i) vs Scale (V≥4i) ### **4. Application** (3 pages) [🐙predict and prescribe(🧴) cld](https://claude.ai/share/f722ada6-0e25-4608-aa7b-e3f36ea40931) - 4.1 Predictive: Staged OIL Hypothesis **[Figure 4: 3D Evolution Paths]** - (τ, V, i) 공간 - 4.2 Prescriptive: Implementation Guide |Lever|Tesla Success|Better Place Failure|Principle (i & V dynamics)| |---|---|---|---| |**Segment**|Luxury sports enthusiasts가 evangelist가 되어 배송 지연시 직접 차량 인도 지원|이스라엘 전체 시장 동시 타겟팅으로 focus 상실|**Beachhead first (i↓)**: 단일 segment로 시작해 i를 낮춘 후 인접 시장 진출. 조기 다각화는 i 폭발| |**Collaborate**|JB Straubel과 알루미늄 호일 회사의 배터리 합작 - 상호 학습하며 leverage 구축|Renault 의존도 과다로 협상력 상실|**Mutual learning (i↓)**: 초기엔 작은 파트너와 상호 학습. Scale 후 큰 파트너와 협상| |**Acculturate**|"Production hell is real" - 투명한 위기 공유로 전사적 alignment|과도한 낙관주의로 현실 인식 격차|**Shared reality (i↓)**: 공유 현실 인식이 정보 통합 가속화| |**Processify**|Model 3까지는 "hack", 이후 점진적 표준화|배터리 교환소를 처음부터 표준화|**Earn before freeze (i↓)**: 검증 전 표준화는 학습 마비 초래| |**Replicate**|California → Nevada → Texas 순차 확대|덴마크, 이스라엘, 호주 동시 진출|**Prove then scale (V↑)**: 한 지역 완전 검증 후 복제| |**Capitalize**|Bootstrap 최대한 + 필요시에만 조달 (2003년 $7.5M → 2010년 IPO)|초기 $850M으로 flexibility 상실|**Capital discipline**: 과도한 자본은 premature scaling 유발. Ownership 보존 위해 bootstrap 선호| **핵심 통찰**: - **병렬 진행**: 이 활동들은 순서가 아니라 동시다발적으로 진행 - **Nail 단계 (V<4i)**: Segment & Collaborate로 i 낮추기에 집중 - **Scale 단계 (V≥4i)**: 검증된 것만 Processify & Replicate - **Capital은 별개**: 단계와 무관하게 최소한으로 유지 ### **5. Discussion** (2 pages) - 5.1 For Practitioners: Earn before you commit - 5.2 For Scholars: Micro-macro bridge - 5.3 Limitations & Future Research ### **6. Conclusion** (0.5 page) --- 🐢6 + 🐅7 + 🐙4 + 🦓3 + 👾4 = 24개 섹션 [[5 real gpt feedback from charlie]] # [[12-24|24-12-24]] 최종 업데이트 - OIL(Optimal Ignorance Level) 논문 구조 ## 🐢 Introduction - Tale of Two Ventures [6 섹션] | # | Section | 주제문장 | 핵심 개념 | 연결 파일 | | --- | ------------------- | ----------------------------------------------------------------- | ------------------------------------------------------------------------------------ | ----------------------- | | 1 | 🐢1.1 Hook | Tesla와 Better Place는 같은 비전(리튬이온 배터리로 자동차 산업 전기화)을 가졌지만 다른 운명을 맞았다 | 1조원 가치 vs 10억 소진 후 소멸, τ(정밀도) 관리의 차이 | [[🐢tale_two_ventures]] | | 2 | 🐢1.2 Problem | 기존 문헌은 벤처 성공 확률(P)이나 증거의 정보성(informativeness)을 외생적으로 취급한다 | Bayesian Entrepreneurship: 업데이트 크기 미고려, 실험/금융: 우도 중심 | [[🐢exogenous_problem]] | | 3 | 🐢1.3 Solution | OIL(Optimal Ignorance Level)은 τ* = max{0, √(V/4i) - 1}로 정의된다 | V: 벤처 가치, i: 정보 통합 비용, τ: 정밀도(약속의 구체성/경직성) | [[OIL_solution]] | | 4 | 🐢1.4 Why Care | "Fake it till you make it" 모델은 정밀도 긴장을 간과한다 | 너무 높으면 학습 불가, 너무 낮으면 자원 동원 불가 | [[why_care]] | | 5 | 🐢1.5 Contributions | 본 논문은 세 가지 공헌을 제시한다 | Prescriptive Theory(τ 최적화), Multi-Level Theory(3층 의미), Dynamic Framework(nail→scale) | [[contributions]] | | 6 | 🐢1.6 Structure | 논문 구조는 이론, 모델, 적용, 비전으로 구성된다 | Section 2: 이론적 배경, Section 3: 모델, Section 4: 적용, Section 5: 비전 | [[paper_structure]] | ## 🐅 Theory - OIL Integration [7 섹션] | # | Section | 주제문장 | 핵심 개념 | 연결 파일 | |---|---------|---------|----------|-----------| | 7 | 🐅2.1 Selecting OIL | Beta-Binomial 모델로 정밀도 선택을 모델링한다 | ϕ ~ Beta(μτ, (1-μ)τ), 업데이트 용량: Δ(μ; τ) = μ/(1 + τ) | [[selecting_precision]] | | 8 | 🐅2.2 Literature Gap | 기존 문헌과의 차별점은 업데이트 크기를 내생화하는 것이다 | Bayesian Entrepreneurship vs Experimentation/Finance vs Operations/Learning | [[literature_diff]] | | 9 | 🐅2.3 Integrating (Spectrum) | τ는 인식론적 논리 스펙트럼을 통합한다 | τ=0: Effectuation, τ↓: Design thinking, τ중: Scientific, τ→∞: Causal logic | [[tau_spectrum]] | | 10 | 🐅2.4 Integrating (Hierarchy) | τ는 3층 의미 구조를 가진다 | 확률층(정밀도 모수), 표본층(유사-표본 크기), 진화층(변이-선택 균형) | [[tau_hierarchy]] | | 11 | 🐅2.5 Growing OIL | Nail it → Scale it 전환은 τ의 단계적 증가이다 | 병렬 성장: 시장 규모(V)와 역량(1/i) 동시 증가 | [[growing_precision]] | | 12 | 🐅2.6 Operational Tools (i↓) | i 감소를 위한 운영 도구가 있다 | Acculturate, Processify, Simplify, (Automate 주의), (Platformize) | [[reduce_i]] | | 13 | 🐅2.7 Strategic Tools (V↑) | V 증가를 위한 전략 도구가 있다 | Segment, Collaborate, Replicate, Capitalize, (Platformize) | [[increase_v]] | [[day 4.5 scott(Bayesian Entrepreneurship)]] ## 🐙 Model - From Complexity to Optimal Ignorance [4 섹션] | # | Section | 주제문장 | 핵심 개념 | 연결 파일 | | --- | ------------------------ | ------------------------------------------------- | --------------------------------------------------------------- | ------------------------ | | 14 | 🐙3.1 M1&M1': Complexity | M1 & M1': Deterministic vs Probabilistic 모델링 | M1(Naive): ϕ*=1, M1'(Complexity): ϕ*=1/(c+1), 복잡성이 열망을 규율 | [[model_complexity]] | | 15 | 🐙3.2 M2: Aspiration | M2: 경험적 베이지안으로 불확실성을 도입한다 | ϕ ~ Beta(μ, 1)으로 사전분포 도입, μ* ≈ 1/(log c + γ) | [[model_aspiration]] | | 16 | 🐙3.3 M2': OIL | M2': Optimal Ignorance를 설계변수로 추가한다 | ϕ ~ Beta(μτ, (1-μ)τ), max V·E[ϕ(1-ϕ)^c] - iτ | [[model_precision]] | | 17 | 🐙3.4 Proposition | Proposition: c=1일 때, μ*=1/2, τ*=max{√(V/4i)-1, 0} | 🛩️ 비행기 은유: 양 날개 균형(sellability = deliverability), 고정 τ vs 동적 τ | [[model_interpretation]] | ## 🦓 Test - Tesla vs Better Place Case [3 섹션] | # | Section | 주제문장 | 핵심 개념 | 연결 파일 | |---|---------|---------|----------|-----------| | 18 | 🦓4.1 Describe: Better Place | Better Place는 "unearned OIL"(high τ start)로 실패했다 | τ=4로 시작, 배터리 교환 고정, 이스라엘 긴밀 결합, c≈10, i≈700 | [[case_better_place]] | | 19 | 🦓4.2 Describe: Tesla | Tesla는 "earned OIL"(low τ → high τ)로 성공했다 | τ≈1로 시작, Master Plan (2006): 1.Sports car→2.Affordable car→3.More affordable car, Production hell로 i 감소(≈270), 문화로 c≈5 통제 | [[case_tesla]] | | 20 | 🦓4.3 Prescribe & Predict | Staged OIL Hypothesis: τ* 증가 궤적이 선택된다 | Nail(V<4i): τ=0 실험, Scale(V≥4i): τ*=√(V/4i)-1, Automate 실패 교훈 | [[staged_precision]] | ## 👾 Vision - Implications and Future [4 섹션] | # | Section | 주제문장 | 핵심 개념 | 연결 파일 | |---|---------|---------|----------|-----------| | 21 | 👾5.1 For Practitioners | 실무자: "Simplify to aspire, acculturate to concentrate" | OIL=정보 통합 비용 대비 벤처 가치의 함수, 자원 동원-학습 균형 | [[practitioners]] | | 22 | 👾5.2 For Scholars | 학자: 미시 실험과 거시 선택을 연결하는 이론 | Simulated Lamarckian 진화: 의도와 시뮬레이션으로 가치 창출, 베이지안 모델링 에이전트로서의 창업가 | [[scholars_theory]] | | 23 | 👾5.3 Empirical Opportunities | 실증: 창업자 언어에서 τ 측정 가능 | 계층적 베이지안 모델, 생존과 τ 궤적 검증, Steven Pinker의 optimal vagueness | [[empirical_opportunities]] | | 24 | 👾5.4 Core Message | 핵심 메시지: "성장은 OIL의 단계적 증가이며, 이는 벌어들여야 한다" | 약속은 벌어들이는 것(earned OIL), 모호함은 초기 전략적 자산 | [[core_message]] | --- ## 📌 주요 시사점 ### 투자자를 위한 체크리스트 - 창업자의 약속 구체성 평가 (earned vs unearned) - i 감소 노력의 증거 (문화 구축, 프로세스화) - V/i 비율 추적 및 τ 증가 궤적 모니터링 - Staged experiment/Master Plan 존재 여부 ### 창업자를 위한 원칙 - "Simplify to aspire, acculturate to concentrate" - 약속은 벌어들이는 것(earned OIL) - 모호함은 초기 단계의 전략적 자산 - 복잡성(c)과 i를 먼저 낮추고, V를 키워서 OIL(τ*)을 벌어들여라 - 🛩️ 비행기 은유: 양 날개(sellability & deliverability) 균형 유지 ### Staged OIL Hypothesis 예측 - **예측 1**: OIL 궤적을 따른 벤처가 시장에서 선택됨 (τ*=0 → τ*>0 = 생존) - **예측 2**: 양면 균형(sellability = deliverability) 시 더 빠른 τ 증가 - **예측 3**: Simulated Lamarckian 메커니즘으로 quality control과 variation 생성 - 순수 다윈적 선택이 아닌 의도와 시뮬레이션이 있는 진화 - 미래 시뮬레이션 자체가 가치 창출 --- ## 🎯 Problem-Solution Framework: High Precision Trap | Step | Substep | High Precision Promise Trap in Venture Capital System | | ---------------------------------------- | ------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------- | | **1. Problem** | | 현재 벤처 생태계는 창업가의 조기 고정밀 약속(high τ)을 조장하여 학습 함정을 만든다 | | **2. Root Cause** | | | | | **2.1 Nature** | Computational irreducibility, aleatoric & Knightian uncertainty가 창업/혁신의 본질<br>• 미래 예측 불가능성<br>• 인과관계의 높은 밀도 | | | **2.2 Individual** | 창업가들이 Optimal Ignorance Level(OIL)을 준수하지 않음<br>• "Fake it till you make it" 압박<br>• 학습 능력과 자원 동원의 trade-off 무시 | | | **2.3 Institution** | 시스템이 premature precision (unearned high τ)를 incentivize<br>• VC의 focal point 형성 메커니즘<br>• "Mind reading the mind readers" 동학<br>• Better Place 같은 실패 반복 | | **3. Solution** | | 창업가 주체적 OIL 기반 정밀도 관리 | | | **3.1 Nature** | 불확실성을 인정하고 단계적으로 관리<br>• τ*=max{0,√(V/4i)-1} 공식 활용<br>• Nail(V<4i) vs Scale(V≥4i) 구분 | | | **3.2 Individual** | Earned OIL 원칙 교육<br>• 복잡성(c)과 통합비용(i) 먼저 감소<br>• 이후 점진적 τ 증가 | | | **3.3 Institution** | Investment 구조 개선<br>• High identification cost 방지<br>• Staged OIL (τ* trajectory)을 평가하는 새로운 지표<br>• 모호함의 전략적 가치 인정 | | **4. How solution addresses root cause** | | OIL은 불확실성 하에서 학습과 자원동원의 균형을 제공하며, "mind reading" 게임에서 벗어나 실질적 가치 창출에 집중하게 함 | | **5. Production plan** | | • OIL 기반 창업 교육 프로그램 개발<br>• τ 측정 도구 및 대시보드 구축<br>• VC-창업가 간 shared world model 플랫폼<br>• Staged OIL 평가 체계 도입 | --- ### 🔑 핵심 통찰: Unearned vs Earned OIL **Unearned OIL (Better Place)** - 시작부터 높은 τ → 학습 불가능 - 외부 압력에 의한 조기 구체화 - 실패 시 대안 없음 **Earned OIL (Tesla)** - 낮은 τ로 시작 → 점진적 증가 - 복잡성과 통합비용 먼저 관리 - 실험과 피벗을 통한 학습 - **Tesla Master Plan (2006)**: "The Secret Tesla Motors Master Plan (just between you and me)" 1. Build sports car 2. Use that money to build an affordable car 3. Use that money to build an even more affordable car 4. While doing above, also provide zero emission electric power generation - 문화 구축으로 complexity 통제 - Staged experiment로 V 증가 - OIL을 "벌어들임" (τ*=0 → τ*>0) > "The current venture capital system creates an 'unearned OIL trap' where entrepreneurs are incentivized to make overly specific promises before earning the right to that precision through reducing complexity and integration costs."