디지털 헬스 코칭의 새 표준 — HAVIT 8단계 AI 코칭 엔진이 개인화·즉시 피드백·행동 트리거를 어떻게 통합하는가

1. 왜 정적 처방은 실패하는가 — 임상 근거

다이어트 앱에서 가장 흔한 패턴은 "BMI 기반 일률 목표 + 일률 식단 + 일률 운동" 처방이다. 학계는 이 모델의 한계를 명확히 보여준다:

• Zeevi et al. (2015, Cell) — 800명 식후 혈당 반응 측정. 같은 음식에도 개인 간 반응이 극심하게 다름. 일률 식단 처방은 학술적 근거가 약하다.
• Berry et al. (2020, Nat Med — PREDICT 1) — 1,002 쌍둥이·일반인 식후 반응 측정. 유전보다 환경/행동/microbiome 영향이 우세. 개인화 식단이 표준 가이드라인보다 효과적.
• Patel et al. (2015, Ann Intern Med) — 디지털 헬스 도구의 효과는 "개인화·피드백 즉시성·행동 트리거" 셋의 통합에 비례.
• Tate et al. (2003, JAMA) — 디지털 행동 개입이 표준 정보 제공 대비 체중 감량 효과 1.7배. 핵심은 피드백 빈도.

요약: 하루 안에서도 사용자 상태가 변하므로, 처방도 그 변화에 맞춰 적응해야 효과가 나온다.

한 사람의 한 주는 이렇게 다르다:

• 월요일 회의 많음 → 단백질 부족 위험
• 화요일 수면 5시간 → 식욕 호르몬(ghrelin↑) 폭주
• 수요일 야근 → 외식·간식 욕구
• 목요일 정상 → 운동 좋은 날
• 금요일 회식 → 알코올·과식 위험
• 토요일 활동 많음 → 칼로리 마진
• 일요일 정체 → 식단 회복

같은 식단을 매일 시키는 게 실패의 원인이다.

HAVIT의 가설: 하루 안에서도 실시간으로 적응하면 효과가 향상된다 — 학계 근거에 기반한 설계.

2. 학술적 토대 — Fogg Behavior Model + Self-Determination Theory

HAVIT 코칭 엔진의 설계는 행동과학 두 축에 기반한다:

2.1 Fogg Behavior Model (BJ Fogg 2009, Persuasive Technology Conference)

B = M × A × P — 행동(Behavior)이 발생하려면 동기(Motivation), 능력(Ability), 트리거(Prompt — 원전 표기는 Trigger) 셋이 동시에 성립해야 한다. 셋 중 하나만 약해도 행동은 나오지 않는다.

2.2 Self-Determination Theory (Deci & Ryan 2000, Psychological Inquiry)

내재 동기는 자율성(autonomy), 역량(competence), 관계성(relatedness) 세 심리적 욕구가 충족될 때 유지된다. 외재 동기(보상·압박)는 단기 효과만 만들고 장기 유지에 실패한다(Teixeira et al. 2012, Int J Behav Nutr Phys Act).

이 두 프레임을 디지털 코칭 시스템으로 구현하면 — 동기·능력·트리거가 동시 작동하고, 자율성·역량·관계성이 손상되지 않는 메시지 전달이 필요하다.

HAVIT 8단계 엔진은 이 요구를 단계별로 분해한 결과다.

3. 8단계 엔진 — 한 줄 요약

1. Intent Classification        (사용자 의도 8가지로 분류)
2. Vector DB Recommendation     (2,000+ behavior library에서 매칭)
3. CARE Coaching Generation     (Compassion → Acknowledge → Recommend → Educate)
4. Safety Gate                  (3-level escalation, 위험 신호 자동 감지)
5. 5-Level Personalization      (State → Type → Behavior → Persona → Day)
6. 3-Layer Scientific WHY       (Mechanism → Effect → Personalization)
7. GLP-1 Medication Integration (M0/M1/M2 치료 단계 통합)
8. Localization                 (33개 언어 × 40+ 진입점)

4. Step 1 — Intent Classification (의도 분류)

사용자가 메시지를 보낸다. "어제 야식 먹었는데 어떻게 해야 해?"

일반 챗봇은 키워드 매칭으로 "야식·과식·후회"를 잡아 일반적 답변을 준다. HAVIT는 8가지 사용자 의도 중 어디인지 분류한다:

신뢰도가 낮으면 follow-up 질문으로 명확화. 의도 분류는 코칭 품질의 기초 — Self-Determination Theory의 "자율성" 요건과 직결(사용자가 원하는 방향을 시스템이 정확히 파악).

5. Step 2 — Vector DB Recommendation (행동 매칭)

분류된 의도에 따라 2,000+ 행동 라이브러리에서 매칭한다.

행동 라이브러리의 한 entry 예시:

action_id: A_0247
type: 식단 즉시 행동
trigger: 의도 #3 (즉시 행동 가이드) + 어제 과식 신호
title: "오늘 점심 단백질 +20g, 탄수화물 -100kcal"
why_mechanism: 단백질이 포만감 호르몬(GLP-1, PYY) 증가
why_effect: 다음 식사 칼로리 자연 감소 (Westerterp-Plantenga 2009)
why_personalization: 사용자 archetype #47 (단백질 부족형) 매칭
delivery: 점심 식사 30분 전 알림
fatigue_score: 0.3 (최근 7일 비슷한 action 0회 → 신선도↑)

핵심 기술 — Fatigue-aware rotation: 같은 추천을 반복하면 사용자 무시 → action 효과 0(Fogg BM의 "Prompt 피로"). Vector DB가 최근 추천 이력을 트래킹하고 fatigue score 낮은(덜 반복된) action을 우선 매칭한다. 같은 효과의 action 5~10개가 풀에 있어 다양성 유지.

→ Self-Determination Theory의 "역량(competence)" 요건: 사용자가 매번 새 도전·새 선택을 받음.

6. Step 3 — CARE Coaching Generation (코칭 프레임)

매칭된 action을 어떻게 전달하느냐가 효과를 결정한다. HAVIT는 CARE 프레임을 따른다:

C — Compassion (공감)
    "어제 야식, 충분히 그럴 수 있어요. 5시간 잠 뒤에 안 흔들리기 어려워요."

A — Acknowledge (수용)
    "이미 일어난 일이고, 오늘 두 끼 남았어요."

R — Recommend (행동 제시)
    "점심에 단백질 +20g 추가하면 저녁 식욕 자동 감소. 닭가슴살 100g 또는 두부 200g 옵션 보여드릴게요."

E — Educate (왜인지 설명)
    "단백질이 포만감 호르몬을 자연 분비시켜요. 일반론이 아니라 당신의 7일 단백질 평균 데이터에 기반."

CARE 프레임은 Fogg BM의 B = M × A × P를 각각 채우도록 설계됐다:

• C + A → 동기(Motivation, SDT의 자율성·관계성 요건 충족)
• R → 능력(Ability, 구체적 옵션 제시 → 행동 비용 낮춤)
• E → 트리거(Prompt, 왜 지금이 중요한지)

CARE 없이 "단백질 더 먹으세요" 단독 메시지는 — 사용자가 죄책감과 일반론에 갇혀 행동하지 않는다(Self-Determination Theory의 외재 동기 한계).

7. Step 4 — Safety Gate (안전 게이트)

다이어트 행동 변화는 잘못된 처방이 위험을 키울 수 있다. HAVIT는 3단계 escalation 안전 시스템으로 위험 신호를 자동 감지한다:

Level 1 — 자동 경고
  트리거: 24시간 식사 0회 / 일일 매우 낮은 칼로리 / 급격한 체중 변화 등
  조치: "최근 칼로리가 낮습니다. 충분히 드시고 계신가요?"

Level 2 — 행동 제한
  트리거: Level 1 신호 3일 연속 / 어지러움·두통 자기 보고
  조치: 자동 보수화 처방 + 의료 전문가 상담 안내

Level 3 — 의료 연계
  트리거: 섭식장애 위험 신호(자가 보고 또는 패턴) / 자해 언급
  조치: 일반 코칭 일시 정지 + 응급 핫라인·전문가 연결 안내

→ HAVIT는 비-임상 도구지만 임상-aware 설계. 잘못된 처방이 사용자를 위험에 빠뜨릴 가능성을 차단.

8. Step 5 — 5-Level Personalization (5계층 개인화)

HAVIT가 "초개인화"라고 부르는 부분. 5 계층 매칭:

Layer 1 — State (현재 상태)
  체중·체성분·수면·기분 등 실시간 신호

Layer 2 — Type (체형·대사 유형)
  126 archetypes 중 매칭 (예: 30대 여성·근육부족·야식·수면부족)

Layer 3 — Behavior (행동 패턴)
  최근 7~30일 식단·운동·로깅 빈도·일일 활동량

Layer 4 — Persona (성격·동기 유형)
  도전형 / 보상형 / 사회형 / 분석형 (BJ Fogg Persona)

Layer 5 — Day (오늘의 컨디션)
  요일·일정·생리주기(여성) 등

5 계층 모두 일치한 처방이 매 순간 다른 사용자에게 나간다. 같은 시간·같은 archetype 두 명도 Persona·Day가 다르면 다른 처방.

이게 N-of-1의 실체. Zeevi 2015 / Berry 2020이 시사한 "평균값 추천 대신 개인 한 명에 맞춘 처방"의 구현.

9. Step 6 — 3-Layer Scientific WHY (왜인지 3계층)

CARE 프레임의 E(Educate) 단계를 강화. 모든 처방에 3계층 근거 부착:

Layer 1 — Mechanism (생리적 메커니즘)
  "단백질 → CCK, GLP-1, PYY 분비 → 포만감"

Layer 2 — Effect (실증 효과)
  "단백질 +20g 시 다음 식사 칼로리 평균 감소 (Westerterp-Plantenga 2009)"

Layer 3 — Personalization (당신의 경우)
  "당신 archetype #47, 단백질 부족 패턴, 지난 주 평균 88g — 권장 112g 대비 -24g"

→ "왜 단백질이 다이어트에 좋은가" 같은 일반론 대신 당신의 데이터에 맞춘 근거.

사용자가 "AI가 왜 이걸 시켰지?"를 즉시 확인. Self-Determination Theory의 "역량(competence)" 요건 충족 — 사용자가 자기 결정의 근거를 이해.

10. Step 7 — GLP-1 Medication Integration

GLP-1 약물 사용자(Wegovy·Mounjaro·Zepbound)는 다른 처방이 필요하다. HAVIT는 M0/M1/M2 치료 단계로 분리:

• M0 (약 시작 직전): baseline 측정 + GI 부작용 대비 식단
• M1 (적응 단계): 근손실 방지 + 정체기 대비
• M2 (유지·중단): 행동 습관화 + 요요 방지 (STEP 4 재증가 대응)

이 통합은 WHO Clinical Management of Obesity Guidelines(2022)와 ADA Standards of Care(2024)가 권고하는 "약물 + 행동치료 병행" 모델의 구현이다 — STEP 3(Wadden et al. 2021, JAMA)에서 IBT 병행이 표준 케어 대비 거의 3배 큰 감량 효과(-16% vs -5.7%)를 만든 그 모델.

8단계 엔진의 출력은 사용자의 M 단계에 따라 자동 조정:

• M1 단계 사용자가 "오늘 어떻게?" 물으면 → 단백질·근력 우선
• M2 단계 사용자에겐 → food noise 복귀·행동 신호 강화

11. Step 8 — Localization (현지화 33개 언어 × 40+ 진입점)

대부분 글로벌 앱은 "영어 → 다른 언어 번역" 수준이다. HAVIT는:

33개 언어 완전 로컬화
  - 한국어, 영어, 일본어, 중국어(간/번체), 스페인어,
    포르투갈어(BR), 인도네시아어, 독일어, 프랑스어 등 33개
  - 단순 번역 X. archetype·식단·문화 신호 모두 localized

40+ entry points
  - 사용자가 코칭에 진입하는 지점이 40개 이상
  - 식사 로그 후, 체중 측정 후, 알람, 정체기 감지, 위험 신호 등
  - 각 entry point별 적합한 코칭 톤·길이·timing

미국 사용자의 "야식 회복"과 다른 지역 사용자의 "야식 회복"은 다르다. 음식·시간·문화·관용구가 다르기 때문. 미국은 HAVIT의 핵심 타겟 시장 중 하나이며, 영어·문화 표현은 일급(first-class) 우선순위로 설계됐다.

12. 실제 작동 시나리오 (illustrative)

시나리오: 35세 여성, 야식 후 다음 날 오전

[Event] 사용자: "어제 12시에 라면 먹었어. 어떻게 해?"

[Step 1] Intent: #3 (즉시 행동 가이드) + 보조 #1 (죄책감)
         신뢰도 0.89 → 분류 확정

[Step 2] Vector DB 매칭:
         후보 12개 → fatigue score 적용
         선택: A_0418 (단백질 우선 회복 식단)
         최근 7일 비슷한 추천 0회 → fresh

[Step 3] CARE 생성:
         C: "라면 + 늦은 밤, 평일 야근 끝에 그럴 수 있어요."
         A: "이미 어제 일이고, 오늘 세 끼 다 남았어요."
         R: "아침 단백질 30g + 점심 야채 +50g. 옵션 보여드릴게요."
         E: "단백질이 식욕 호르몬 자연 조절. 다음 식사 자동 절제."

[Step 4] Safety Gate: 통과 (위험 신호 없음)

[Step 5] 5-Layer:
         State: 어제 칼로리 +600 over
         Type: archetype #47 (30대 여성·야식·수면부족)
         Behavior: 최근 7일 단백질 평균 78g (-34g 부족)
         Persona: 분석형 (데이터 보면 행동)
         Day: 화요일, 회의 많은 날 → 점심 옵션은 미리 준비 가능한 것

[Step 6] 3-Layer WHY:
         Mechanism: 단백질 → GLP-1/PYY 자연 분비
         Effect: +20g 시 다음 식사 평균 -150 kcal (Westerterp-Plantenga 2009)
         Personalization: 당신 7일 평균 78g, 권장 112g, -34g 부족

[Step 7] GLP-1: 약 미복용 → 표준 처방

[Step 8] Localization:
         언어: 한국어 (영어 사용자면 영어 표현·문화 매핑 동시 적용)
         식단 옵션: 그릭요거트+견과 / 두부볶음덮밥 / 두유 단백쉐이크
         시간 표현: 오전 (분석형 → 시각 명시)
         톤: 분석적·구체적·짧음

(※ illustrative 시나리오. 실제 사용자 결과는 개인차가 있다.)

13. 다른 앱과 다른 점

자세한 비교는 본문 하단 비교표를 참조하세요.

14. 한계와 향후 개선

현재 한계:

1. 126 archetypes 클러스터는 출발점. 사용자 다양성이 증가하면 archetype 세분화 필요.
2. 의료 진단 도구 아님. 안전 게이트가 의료 진료를 대체하지 않음.
3. 행동 라이브러리는 일정 도메인 기반. 다양한 문화권 식단·운동 추가 학습 진행 중.
4. 효과 검증은 진행 중. AI 체성분 예측은 n=70 임상 완료, n=150 외부 임상 진행. 행동 처방 효과 RCT는 별도 설계 단계.

로드맵 (예시):

• archetypes 세분화 (지역·인종·생리적 다양성 확대)
• action library 확장
• entry points 확대 (캘린더·날씨·생리주기 통합)
• 다국어 archetype 자동 학습

15. 결론

디지털 헬스 앱의 효과는 개인화 × 피드백 즉시성 × 행동 트리거의 통합 정도에 비례한다(Patel 2015). HAVIT 8단계 엔진은 이 세 변수를 Fogg Behavior Model(B = M × A × P)과 Self-Determination Theory의 토대 위에서 통합한 시스템이다.

학계가 권고하는 방향 — 체성분 평가 + 라이프스타일 통합 + 개인화 행동 처방 — 을 실제 사용자 경험으로 구현하는 게 8단계 엔진의 목적이다. 미국은 HAVIT의 핵심 타겟 시장 중 하나로, 영어·문화 표현은 first-class 우선순위로 설계된다. (HAVIT는 의료 진단 도구가 아니며, 임상 진단·치료 결정은 의료진의 영역이다.)