요즘IT » 디자인 » 피드

효율적인 디자인을 위한 크롬 확장 프로그램 7가지

크롬 확장 프로그램은 이미 많은 사람들에게 익숙하다. 하지만 이 확장 프로그램은 생각보다 우리의 ‘일하는 방식’을 크게 바꿔준다. 북마크바 옆에 작은 아이콘 하나 추가되는 정도라서 존재감은 작지만, 한번 손에 붙으면 그전으로 돌아가기가 꽤 어렵다. 특히 웹에서 할 일이 많은 UX/UI 디자이너라면 크롬은 그냥 브라우저가 아니라 피그마 같은 작업 공간이다. 레퍼런스를 찾고, 경쟁사를 훑고, 화면 구조를 뜯어보고, 폰트나 컬러 같은 단서를 확인하고, QA 하면서 버그나 어색한 부분을 잡고, 그 근거를 캡처해서 문서로 남기는 일들이 대부분 브라우저에서 시작해서 브라우저에서 끝나니까 말이다.

하지만 크롬 확장 프로그램은 생각보다 ‘도구’로 취급받지 못하는 경우가 많다. 회사에서도 뭔가 업무 툴로 공유되기보다는 키보드나 마우스마냥 각자 알아서 깔아 쓰는 개인 취향 정도로 공유된다. 하지만 의외로 사소한 것들이 발목을 붙잡는 법이다. 매번 비슷한 작업을 사람이 손으로 반복한다. 화면에서 색상 값을 하나씩 찍어보고, 폰트 정보를 다시 확인하고, 레이아웃 간격을 대충 눈대중으로 추정하고, 필요한 부분은 캡처해서 폴더에 쌓아두고, 나중에 다시 찾느라 시간을 쓰는 식이다. 그 과정이 한 번이면 괜찮은데, 프로젝트가 길어지고 인원이 늘어나면 ‘작은 귀찮음’이 ‘큰 비용’으로 변한다.

이번 글에서는 웹 UX/UI 분석과 적용에 도움이 되거나, 디자이너의 업무 생산성을 올려주는 크롬 확장 프로그램 7가지를 소개한다. 기준은 단순하다. 반복 작업을 줄여주는가, 분석 과정에서 확신을 더해주는가, 그리고 팀이 같이 쓰면 더 좋은가. 플러그인의 이름과 용도는 다르지만, 목표는 하나다. 브라우저에서 새던 각종 정보를 디자인 의사결정에 쓸 수 있는 소스로 바꾸고, 아낀 시간을 더 중요한 판단에 쓰게 만드는 것이다. 설치해두면 바로 손이 가는 7가지 도구를 하나씩 살펴보자.

웹 화면을 빠르게 해부하는 크롬 확장 프로그램

1) CSS Peeper

CSS Peeper <출처: 작가 캡처>

CSS Peeper는 레퍼런스 사이트를 볼 때, 개발자 도구에서 코드를 뒤지지 않고도 폰트, 컬러, 스타일 같은 디자인 속성을 정리된 UI로 훑어보게 해주는 크롬 확장 프로그램이다. 원하는 페이지를 열고 CSS Peeper를 켜면, 화면에서 필요한 속성을 빠르게 확인하고 추출하는 흐름으로 쓴다. 코드가 아니라 화면 중심으로 정보를 읽게 만드는 도구라는 점이 특징이다.

원하는 요소를 선택하면 그 요소의 텍스트 스타일, 색상, 규격 등을 모두 분석해준다. <출처: 작가 캡처>

디자이너 입장에선 경쟁사나 레퍼런스를 보면서 타이포 계층, 컬러 조합, 컴포넌트 스타일 단서를 빠르게 모을 때 체감이 크다. 레퍼런스를 저장하는 속도도 빨라지고, 무엇보다 '이 사이트는 왜 이렇게 보이지?'를 감으로 넘기지 않고 근거를 붙여서 해석하기 쉬워진다.

웹사이트에 쓰인 색상 팔레트, 타이포 스케일, 이미지 소스들 모두 분석해서 가져올 수 있다. <출처: 작가 캡처>

이런 류의 도구는 팀에 소개할 때 목적을 정확히 잡는 게 중요하다. 완성 UI를 복붙하는 도구가 아니라, 스타일 단서를 빠르게 읽어내는 도구에 가깝다. 그리고 사용 방식이나 제공 범위는 업데이트에 따라 달라질 수 있으니, 팀에 공유하기 전엔 크롬 웹스토어 설명(권한/정책 포함)을 한 번 확인해 두는 게 안전하다.

2) VisBug

플러그인을 실행하면 피그마와 유사한 형태의 가이드라인이 생긴다. <출처: 작가 캡처>

VisBug는 브라우저 위에서 요소를 직접 집어서 옮기고, 크기를 바꾸고, 텍스트를 바꿔보는 식으로 화면을 조정해 볼 수 있는 디자인 디버깅 도구다. 말 그대로 브라우저를 아트보드처럼 다루는 느낌에 가깝고, 실제 서비스 화면이나 프로토타입에서 '바로 이 상태에서 이렇게 바꾸면 어떨까'를 확인할 때 켜서 쓴다.

디자인하듯 텍스트를 수정하고 버튼을 옮기거나 크기를 바꿀 수 있다. <출처: 작가 캡처>

QA나 리뉴얼 논의에서 특히 강하다. 여백, 정렬, 접근성, 거리 같은 걸 눈대중이 아니라 도구로 보면서 대화할 수 있어서, 취향 싸움이 아니라 변화의 근거를 만들어 주기 좋다. 개발자에게 "이거 해주세요"라고 던지기 전에, 디자이너가 프런트 환경에서 빠르게 가설을 세우고 합의안을 만드는 데 도움이 된다.

중요한 건 이게 실제 코드 변경은 아니라는 점이다. 브라우저에서의 수정은 어디까지나 실험과 설득을 위한 것이고, 반영은 개발 프로세스로 넘어가야 한다. 그래서 팀에선 VisBug를 수정 툴이라기보다 검증/합의 툴로 소개하는 게 덜 흔들린다.

3) Responsive Viewer

동시에 여러 해상도를 체크할 수 있다. <출처: 작가 캡처>

Responsive Viewer는 한 페이지를 여러 화면 크기로 동시에 보여주는 반응형 테스터다. 'multiple screens in one view'라는 설명 그대로, 모바일/태블릿/데스크톱 화면을 한 번에 펼쳐놓고 비교하는 방식으로 쓴다. 창 크기를 하나씩 바꿔가며 보는 대신, 같은 순간의 상태를 나란히 확인하는 쪽에 초점이 있다.

모바일 및 태블릿은 목업을 씌워서 보는 기능도 있다. <출처: 작가 캡처>

특히 반응형 QA에서 강하다. 브레이크포인트에서 텍스트가 줄바꿈으로 터지는지, 카드가 찌그러지는지, 버튼 터치 영역이 애매해지는지 같은 걸 기억으로 비교하지 않고 눈앞에서 비교하게 해준다. 그리고 개인정보를 수집/저장/추적하지 않는다고 명시돼 있고, 소스 코드도 공개돼 있어서 팀에서 보안 관련 질문이 나올 때 설명하기가 상대적으로 편하다.

같은 웹의 다른 해상도에서 동일한 버튼을 누르거나 스크롤할 때 어떻게 다르게 보이는지를 체크할 수 있어서 요긴하다. <출처: 작가 캡처>

동적 콘텐츠가 많은 페이지나 로그인 상태에 따라 화면이 바뀌는 서비스는, 비교 화면이 항상 완벽히 동일한 조건으로 맞춰지지 않을 수 있다. 그래서 이 도구는 최종 판정이라기보다 이상 징후를 빠르게 찾는 1차 스캐너로 두는 게 덜 흔들린다.

레퍼런스를 자료로 바꾸는 크롬 확장 프로그램

4) Notion Web Clipper

Notion Web Clipper는 웹에서 보고 있는 페이지를 노션으로 바로 저장하는 크롬 확장 프로그램이다. 노션 공식 확장 프로그램이다. 페이지를 읽다가 저장할 가치가 있으면 버튼 한 번으로 워크스페이스에 클립하고, 나중에 노션에서 다시 보고 정리하는 흐름으로 쓴다. 리서치 자료, 레퍼런스, 경쟁사 페이지처럼 나중에 다시 써야 하는 것을 브라우저 밖으로 꺼내오는 도구다.

원하는 웹사이트에서 확장 프로그램을 실행하면 로그인된 내 노션 계정의 데이터베이스(테이블)을 보여준다. <출처: 작가 캡처>

북마크는 쌓이기만 하고 다시 잘 안 보게 되는데, 노션에 저장되면 정리와 재사용 가능성이 확 올라간다. 팀 단위 리서치를 할 때도, 같은 페이지를 서로 다른 사람이 따로 저장해 두는 낭비를 줄이고, 자료가 한곳으로 모이게 만든다. 'SAVE WITH ONE CLICK'을 강조하는 이유가 딱 그 지점이다.

해당 웹사이트를 그대로 긁어오듯이 저장해 준다. <출처: 작가 캡처>

클립은 쉬운데, 결국 정리가 안 되면 똑같이 쌓이기만 한다. 그래서 인박스처럼 일단 모으는 DB를 하나 정해 두고, 나중에 태그나 속성으로 정리하는 습관이 같이 가야 진짜 효율이 난다. 그리고 회사/클라이언트 관련 자료를 저장할 땐 접근 권한과 공유 범위를 먼저 확인하는 게 안전하다.

5) html.to.design

원하는 웹사이트에서 실행하면 다양한 옵션이 뜬다. 파란색 버튼으로 캡처하면 된다. <출처: 작가 캡처>

html.to.design은 브라우저에서 보고 있는 웹페이지를 캡처해서 피그마로 가져오는 도구다. 크롬 확장 프로그램을 설치한 뒤, 가져오고 싶은 페이지로 이동해서 확장 프로그램 아이콘을 누르면 캡처가 시작되는 방식으로 안내돼 있다. 로그인 뒤 화면이나 특정 상태의 화면처럼, URL만으론 가져오기 어려운 케이스에서 특히 쓰기 좋다.

피그마에서 플러그인을 다시 실행한 후, 캡처한 웹사이트를 선택하면 편집 가능한 레이어로 불러와 준다. <출처: 작가 캡처>

레퍼런스를 그림으로만 보는 게 아니라, 피그마 안으로 들고 와서 비교하고 주석 달고 재구성하는 단계로 넘어가기 쉬워진다. 화면 구조, 정보 밀도, 컴포넌트 조합 같은 걸 빠르게 참고해서 초안을 뽑아야 할 때, 다시 그리는 시간을 줄이는 데 도움이 된다.

가져온 결과가 항상 깔끔하진 않다. 레이어 구조나 오토레이아웃은 기대와 다를 수 있어서, 보통은 그대로 쓰기보단 참고용 베이스로 두고 정리/재작업하는 흐름이 현실적이다. 또한 private network나 로그인 화면을 다루는 만큼, 팀/회사 보안 정책에 맞는지부터 확인하고 써야 한다.

반복 노동을 줄이는 생산성 확장 프로그램

6) OneTab

OneTab은 탭이 너무 많아졌을 때 아이콘을 누르면, 열려 있는 탭을 전부 리스트로 바꿔주는 크롬 확장 프로그램이다. 필요하면 탭을 하나씩 또는 한 번에 복원할 수 있고, 탭을 접어두면 브라우저가 가벼워진다는 점을 전면에 내세운다. 리서치하다가 탭이 30개, 50개로 불어나는 사람에게는 사실상 작업 정리 도구다.

열린 탭들을 한 번에 저장하는 창이 열린다. <출처: 작가 캡처>

탭을 닫는 게 아니라 세션처럼 저장하는 느낌이라 심리적 부담이 적다. 작업 맥락을 잃지 않고도 브라우저를 가볍게 만들 수 있고, 리스트를 내보내거나 공유하는 방식으로 레퍼런스 묶음을 남기는 데도 쓸 수 있다. 크롬 웹스토어에서도 탭을 리스트로 만들고 개별/전체 복원을 지원하는 흐름, 그리고 메모리 절감 포인트를 강조한다.

닫은 탭은 이름도 바꿀 수 있고, 폴더처럼 관리할 수도 있다. <출처: 작가 캡처>

그러나 너무 자주 쓰면, 탭이 정리되는 게 아니라 리스트가 쌓이는 다른 형태의 탭 지옥이 생길 수 있다. 그래서 프로젝트별로 묶는 규칙(예: 경쟁사/레퍼런스/기술문서)을 정해 두고 쓰는 게 좋다. 그리고 확장 프로그램인 만큼 권한과 프라이버시 안내를 설치 전에 한 번 읽어 두는 게 안전하다.

7) Fake Filler

Fake Filler는 폼 페이지의 입력 칸을 랜덤한 더미 데이터로 한 번에 채워주는 크롬 확장 프로그램이다. 이름, 이메일, 전화번호 같은 값을 자동으로 넣어주고, 별도 설정 없이도 바로 쓸 수 있는 'sensible defaults'를 제공한다고 설명한다. 폼 QA를 할 때 매번 키보드로 입력하느라 흐름이 끊기는 걸 줄여주는 용도다.

실행하면 현재 웹페이지의 인풋 요소들을 자동으로 채워준다. <출처: 작가 캡처>

회원가입, 배송지, 결제, 문의 폼처럼 입력이 긴 플로우는 몇 번을 통과해 보느냐가 품질을 좌우하는데, Fake Filler는 그 반복의 피로를 줄여준다. 그래서 디자이너가 폼 UX를 더 자주 돌려보고, 에러 메시지나 포커스 이동, 필수값 검증 같은 디테일을 더 빨리 발견하게 만든다. 커스텀 필드로 확장할 수 있다는 점도 테스트 반복에 꽤 유용하다.

더미 데이터는 편하지만, 실제 사용자 입력 패턴을 완전히 대체하진 못한다. 예를 들어, 비정상 입력, 지역별 주소 포맷, 언어별 이름 길이 같은 건 따로 시나리오 테스트가 필요하다. 또 운영 환경에서 실수로 저장/제출이 되지 않도록, 테스트 서버나 안전한 환경에서 쓰는 습관을 같이 붙이는 게 좋다.

마치며

크롬 확장 프로그램을 소개하는 글은 많지만, 결국 중요한 건 뭘 깔았는지보다 내가 어디에서 시간을 잃고 있는지를 알아차리는 것 같다. 디자이너의 시간은 레퍼런스를 찾다가 길을 잃고, 화면을 분석하느라 탭을 열고 닫고, 근거를 남기느라 캡처와 메모를 반복하고, QA에서 같은 체크를 또 하면서 새어나간다. 오늘 소개한 플러그인들은 그걸 완전히 해결해 주진 못해도, 최소한 손으로 하고 있는 반복 노동을 줄여준다. 그 차이가 쌓이면 일의 속도뿐 아니라 판단의 여유도 생긴다.

다만 플러그인은 많이 깔수록 좋지 않다. 기능이 겹치면 오히려 헷갈리고, 결국 안 쓰는 게 쌓인다. 제일 좋은 방법은 지금 내 업무에서 가장 자주 반복되는 한 구간(예: 화면 분석, 캡처 정리, QA, 문서화)을 떠올리고 거기에 맞는 1~2개만 고정으로 써보는 거다. 그리고 가끔 크롬 웹스토어를 그냥 둘러보는 습관도 은근히 도움이 된다. 좋은 크롬 확장 프로그램은 비밀 무기라기보단 책상을 정리정돈하는 것에 가깝고, 브라우저라는 작업 공간을 조금 더 디자이너 친화적으로 바꿔주는 도구일 것이다.

]]>

AI가 UX를 설계하는 방식: 화면보다 흐름이 먼저인 ‘Figr’

최근 몇 년 사이 AI 디자인 도구는 폭발적으로 늘어났습니다. 텍스트 프롬프트만 입력하면 UI 화면을 만들어주거나, 와이어프레임을 자동으로 생성해 주는 서비스를 이제는 쉽게 만나볼 수 있죠. 하지만 실제 제품을 만드는 기획자나 디자이너 입장에서 이런 도구를 쓰다 보면, 한 가지 공통적인 아쉬움을 느끼게 됩니다. 바로 "화면은 빠르게 만들어지는데, UX 설계와 제품 사고는 여전히 사람이 해야 한다"는 점입니다.

예를 들어, 이런 질문들이 포함될 수 있습니다. 이 기능의 사용자 흐름은 어떻게 이어져야 하는지, 예상하지 못한 예외 상황은 무엇이 있는지, 실제 데이터 기준으로 사용자 이탈은 어디에서 발생하는지, 혹은 이 화면이 기존 디자인 시스템과 충돌하지는 않는지 같은 문제들입니다. 결국 많은 AI 디자인 도구가 '화면 생성'에 집중하고 있을 뿐, 실제 제품 설계의 핵심인 '제품 사고'를 충분히 다루지 못하는 경우가 많다는 점입니다.

AI 디자인 도구의 진화 과정을 보면 이 한계는 더 명확하게 보입니다. 1세대 도구(Canva Magic Design 등)는 개별 에셋 생성에 집중했고, 2세대 도구(Uizard, Galileo AI 등)는 앱 플로우를 어느 정도 이해하게 됐지만, 여전히 맥락 없이 매번 처음부터 시작하는 경우가 발생했기 때문입니다. 그리고 지금, 제품의 전체 맥락을 학습하고 지속적인 기억을 유지하는 3세대 도구가 등장하기 시작했습니다.

<출처: Figr, 작가 캡처>

이 지점에서 등장한 서비스가 바로 오늘 소개할 ‘Figr’입니다. Figr는 스스로를 단순한 AI 디자인 툴이 아니라 "AI Design Agent"라고 설명합니다. 화면을 만들어주는 도구라기보다는, UX 사고 → 사용자 흐름 설계 → 프로토타입 제작까지 이어지는 제품 설계 과정을 AI가 함께 수행하는 협업 도구에 가깝습니다. 그리고 얼마 전, 구글 스티치도 비슷한 맥락의 업데이트를 진행했습니다. (출처)

주요 기능 훑어보기

Figr의 핵심 기능은 크게 네 가지 관점에서 이해할 수 있습니다. 단순히 디자인을 생성하는 것이 아니라 제품을 설계하는 과정을 단계적으로 지원한다는 점이 가장 큰 특징입니다.

<출처: Figr, 작가 캡처>

첫째, UX 의사결정을 먼저 고민하는 AI입니다. 대부분의 AI 디자인 도구는 프롬프트를 입력하면 곧바로 화면을 생성합니다. 반면 Figr는 바로 디자인을 만들지 않습니다. 대신 먼저 제품 맥락을 이해하려 합니다. "사용자는 현재 이 기능을 어떻게 사용하고 있는가", "어디에서 가장 많이 이탈하는가", "사용자 흐름에서 빠진 단계는 없는가" 같은 질문을 던지며 제품 문제를 먼저 정의합니다. 그래서 첫 출발점 역시 이런 화면을 만들어줘!가 아니라 서비스나 기능에 대한 설명, 관련 파일 업로드, 웹사이트 링크 등록으로 설정되어 있습니다.

AI는 User Flow, Edge Case, UX Decision을 정리한 뒤 그 다음에 디자인을 제안합니다. 즉, 디자인이 먼저가 아니라, UX 설계가 먼저이고 디자인은 그 결과라는 접근 방식입니다. 실제로 많은 팀이 잘못된 흐름을 만들어 놓고 나중에 수정하는 과정에서 가장 많은 시간을 낭비합니다. 버튼 색상은 금방 바꿀 수 있지만, 잘못 설계된 흐름은 쉽게 고칠 수 없기에 더 유용하게 느껴지는 출발점이자 기능이라고 생각합니다.

<출처: Figr, 작가 캡처>

둘째, 다양한 제품 데이터를 입력할 수 있습니다. Figr는 단순히 텍스트 프롬프트만 사용하는 서비스가 아닙니다. 실제 제품을 이해하기 위해 다양한 형태의 데이터를 입력할 수 있습니다. 서비스 화면 스크린샷이나 Figma 파일, 화면 녹화 영상, 웹 페이지 캡처, 제품 문서(PRD), 심지어 분석 데이터 CSV까지 활용할 수 있습니다. 이러한 데이터를 기반으로 AI는 제품의 실제 구조와 맥락을 이해합니다. 맥락 없는 프로토타입은 시각적으로 인상적이어도 전략적으로는 쓸모없을 수 있는데, Figr는 이 점을 해결하기 위해 노력하고 있다는 점을 명확하게 알 수 있습니다.

<출처: Figr, 작가 캡처>

셋째, 사용자 흐름과 예외 케이스를 자동으로 구조화합니다. 제품을 설계할 때 가장 많은 시간을 잡아먹는 작업 중 하나가 예외 상황을 정의하는 과정입니다. 결제 중 네트워크가 끊기면 어떻게 되는지, 로그인 토큰이 만료되면 어떤 화면이 보여야 하는지, 사용자가 중간에 앱을 종료하면 상태는 어떻게 처리해야 하는지 같은 문제들입니다.

Figr는 이러한 상황을 자동으로 분석해 User Flow, Edge Case, Information Architecture, Test Case 같은 구조적인 결과물로 정리합니다. 위 이미지는 Zoom의 네트워크 상태 변화 UX를 분석한 사례로, 패킷 손실이나 대역폭 감소 상황에서 서비스가 어떤 UX 상태를 보여줘야 하는지를 구조적으로 정리한 내용입니다. 서비스에서는 다양한 활용 사례를 제공하고 있는데 Wise의 카드 동결 플로우, Spotify의 플레이리스트 생성 흐름, Shopify의 체크아웃 리디자인 같은 복잡한 제품 문제들이 미리 살펴볼 수 있습니다.

넷째, 제품 스타일을 반영한 프로토타입을 생성합니다. UX 설계가 완료되면 AI는 그 결과를 기반으로 프로토타입을 생성합니다. 흥미로운 점은 기존 서비스의 디자인 스타일을 반영한다는 것입니다. 기존 컴포넌트 구조나 디자인 시스템 토큰을 참고해 실제 서비스와 유사한 UI를 생성하며, 생성된 결과물은 Figma로 바로 export할 수도 있습니다. 또한 여러 디자인 변형(A/B Variation)을 함께 제안하고, 접근성 체크나 UX 리뷰 같은 요소도 함께 제공됩니다.

주요 기능 활용하기

Figr를 실제로 사용하는 과정은 일반적인 디자인 툴과 조금 다릅니다. 화면을 만드는 도구라기보다 제품을 분석하고 설계하는 과정에 가까운 흐름입니다.

<출처: Figr, 작가 캡처>

1단계: 제품 맥락을 입력합니다. 서비스 화면 캡처나 Figma 파일, 화면 녹화 영상, 혹은 제품 문서를 업로드해 AI에게 현재 제품의 상태를 설명합니다. 이 과정은 단순히 자료를 업로드하는 것이 아니라 AI에게 제품의 구조와 사용자 흐름을 이해시키는 단계입니다. 특히 스크린샷보다는 실제 사용 흐름이 담긴 화면 녹화 영상을 업로드하면 AI가 사용자 행동 패턴을 더 정확하게 파악하는 경향이 있습니다.

2단계: AI가 질문을 통해 제품 문제를 정의합니다. "사용자가 가장 많이 이탈하는 지점은 어디인가요?", "이 기능의 핵심 사용자 목표는 무엇인가요?" 같은 질문을 던지며 문제 정의를 구체화합니다. 실제 제품 팀이 워크숍을 통해 문제를 정의하는 과정과 상당히 유사합니다.

<출처: Figr, 작가 캡처>

3단계: AI가 사용자 흐름과 구조를 생성합니다. User Flow, Edge Case, Test Case, Information Architecture 같은 결과물이 만들어지는 단계입니다. 이 단계에서 제품 설계가 체계적으로 구조화되며, 팀 간 핸드오프를 위한 문서로도 활용할 수 있습니다. 기획자, 디자이너, 개발자가 같은 맥락을 공유하게 됩니다.

<출처: Figr, 작가 캡처>

위 이미지는 스카이스캐너의 메인화면을 URL과 캡처한 이미지로 등록한 뒤, 60대 이상 연령이 사용하기 좋은지 접근성에 대한 검사를 요청, 결과를 확인하는 캔버스의 모습입니다. 요청 후, Figr은 페이지를 확인하며 문제를 하나, 둘 논리적으로 정리하고 어떤 식으로 개선하면 좋을지에 대한 내용을 제안합니다. 그리고 이를 바탕으로 최종 완성된 프로토타입까지 제공해 줍니다.

<출처: Figr, 작가 캡처>

4단계: UI 프로토타입이 생성됩니다. 기존 디자인 시스템을 반영한 UI가 만들어지며, A/B Variation도 함께 제안됩니다. 접근성 체크나 UX 리뷰도 포함되고, Figma export까지 연결됩니다. 위 이미지는 퍼플렉시티 화면 캡처와 녹화를 바탕으로 생성한 프로토타입의 모습입니다. 맥락 정보를 제공한 상태고, HTML 형태로 스크랩하기 때문에 기존 서비스와 위화감이 없는 모습의 프로토타입을 확인할 수 있습니다.

한 번은 꼭 써봐야 하는 이유

AI 디자인 도구는 이미 많이 존재합니다. 하지만 대부분의 도구는 여전히 프롬프트 → 화면 생성이라는 구조를 중심으로 동작합니다. 반면, Figr는 문제 정의 → UX 설계 → 프로토타입이라는 흐름을 중심으로 설계되어 있습니다.

이 차이는 생각보다 큽니다. 실제 제품 개발에서 가장 비용이 많이 드는 실수는 시각적인, 겉으로 드러나는 문제가 아닙니다. 흐름, 상태, 가정 등 눈에 보이지 않는 부분에서의 실수가 더 많은 문제를 가져옵니다. 게다가 이런 문제는 불행하게도 프로젝트 초기보다는 중기나 후기에 발견되는 경우가 많습니다. 따라서 Figr는 이 단계를 앞으로 당기는 데 집중합니다.

<출처: Figr, 작가 캡처>

Figr를 사용하는 팀들이 보고한 수치를 보면, 디자인 반복 사이클 68% 감소, 디자인-개발 핸드오프 시간 45% 단축, 디자인 운영 비용 평균 40% 절감이라는 결과가 있습니다. 한 B2B SaaS 스타트업은 Figr 도입 후, 디자인 일관성 개선으로 사용자 활성화율이 22% 증가했다고 밝히기도 했습니다.

다만 실무에서 활용할 때 몇 가지 고려할 점도 있습니다. Figr는 컨텍스트 기반 AI이기 때문에 제품 정보 입력이 충분하지 않으면 결과 품질이 떨어질 수 있습니다. 초기 세팅에 투자해야 진가를 발휘하는 도구라는 뜻입니다. 또한 현재 단계에서는 완성형 UI 제작 도구라기보다는 UX 설계와 제품 구조화를 지원하는 도구에 가깝습니다. 특히 PM 중심의 제품 조직이나 초기 기획 단계에서 더 큰 효과를 발휘할 가능성이 높습니다. 반대로 이미 디자인 시스템이 완성된 대형 조직에서는 충분한 온보딩 없이 바로 도입하면 기대보다 효율이 낮을 수 있습니다.

개인적으로 AI가 디자인을 대신하는 시대라기보다는, AI가 제품 사고를 함께하는 시대가 시작되고 있다는 느낌을 받았는데요. 그래서 개인적으로는 Figr를 단순한 AI 디자인 툴이라기보다 "AI 제품 설계 도구"라고 부르는 편이 더 어울린다고 생각합니다.

<참고>

https://figr.design

]]>

UX 데이터 분석부터 퍼소나 생성까지, 어피니티버블 사용기

퍼플렉시티, 리스틀리, 클로드 3가지 도구로 사용자 데이터를 수집하고 분석하는 방법을 소개한 글을 쓴 적이 있다. 특히, 리스틀리는 구글 플레이스토어의 앱 리뷰 데이터를 원하는 범위까지 수집·분석할 수 있어 특정 서비스의 사용자 피드백을 분석할 때 매우 유용했다. 하지만 리뷰를 수동으로 드래그해야 하고, 전체 리뷰 보기를 제공하지 않는 iOS 앱스토어의 리뷰는 수집할 수 없다는 등 한계도 여전히 존재했다.

이에 이번 글에서는 이러한 한계를 보완하는 동시에, 보다 간편한 방식으로 데이터 분석까지 수행할 수 있는 새로운 AI 도구를 소개하고자 한다.

어피티니버블로 한 다방 앱 리뷰 분석 결과 <출처: 작가>

어피니티버블 사용하기

이번에 살펴볼 AI 도구는 어피니티버블(Affinity Bubble)이다. 이름에서 알 수 있듯, 방대한 양의 정성 데이터를 분류하고 그룹핑하는 어피니티 다이어그램(Affinity Diagram) 방식을 대신 수행해주는 AI이다. 흩어져 있는 텍스트를 의미 단위로 묶어 정리할 수 있기 때문에 사용자 리뷰나 VOC 분석 시 활용하기에 좋다.

어피니티버블 기능 설명 <출처: 작가, 어피니티버블 캡처>

1. 앱 리뷰 분석하기

이번에도 특정 앱의 리뷰를 가져와 분석하는 작업을 해보기로 했다.

가장 먼저, 구글에서 어피니티버블을 검색한 다음 사이트에 접속해 로그인을 진행한다. 이후 메인 화면에 있는 ‘내 데이터로 분석해보기’ 버튼을 클릭했다.

‘내 데이터로 분석해보기’ <출처: 작가, 어피니티버블 캡처>

나오는 화면의 좌측 메뉴에서 [앱 리뷰 수집] 항목을 선택했다. 오른쪽 화면에 앱 이름을 입력하고 ‘구글 검색하기’ 버튼을 누르니, 해당 앱의 Apple 앱스토어와 Android 플레이스토어로 연결되었다. 그 페이지에서 링크를 복사한 다음 ‘스토어 URL 입력’ 칸에 붙여넣기 해주면 된다. ‘리뷰 가져오기’ 버튼을 누르면 자동으로 사용자 리뷰 데이터가 수집된다.

메뉴 바(왼쪽)와 앱스토어 주소 입력 화면 <출처: 작가, 어피니티버블 캡처>

수집 시에는 [리뷰 타임라인] 섹션에서 원하는 기간을 선택해줄 수도 있다. 기본적으로 리뷰가 등록된 전체 기간이 표시된다. 다만, 과거에 언급된 페인포인트는 이미 해결되었을 가능성도 있으니 최신 리뷰(예: 25년도부터 26년까지)만 확인하고 싶다면, 하단의 스크롤을 조정하면 된다. 이렇게 수집할 공간과 기간을 설정하고, 아래로 스크롤을 더 내리면 별점 분포와 선택된 리뷰를 미리 확인할 수 있다.

리뷰 타임라인(왼쪽)과 수집 리뷰 <출처: 작가, 어피니티버블 캡처>

여기까지 확인한 다음 ‘어피니티버블로 분석하기’ 버튼을 누르면 바로 결과가 나온다.

어피니티 다이어그램 <출처: 작가, 어피니티버블 페이지 캡처>

인사이트 요약 보고서 <출처: 작가, 어피니티버블 캡처>

이미지는 각각 분석 결과로 제공되는 어피니티 다이어그램과 인사이트 요약 보고서이다.

이러한 결과물로 사용자 리뷰에서 어떤 의견이 발견되는지, 또 어떤 의견이 반복적으로 등장하는지를 한눈에 확인할 수 있다. 예를 들어 어피니티 다이어그램을 보면 허위 매물 및 관리 부실, 필터 기능 부족, 앱 오류와 같은 이슈가 그룹핑되어 있으며, 각 그룹 내에서 세부적인 사용자 의견이 어떻게 나타나는지도 직관적으로 파악할 수 있다.

2. 그 외 정성 데이터 분석하기

그렇다면 앱 리뷰가 아닌 다른 종류의 정성 데이터도 분석할 수 있을까?

실제 어피니티버블 메인 화면에서는 앱 리뷰뿐 아니라 주관식 설문, VOC 데이터, 사용자 인터뷰 등 다양한 활용 사례를 함께 제시하고 있다. 다만 한 가지 주의할 점은 CSV 파일 형식으로만 데이터 첨부가 가능하다는 것이다. 따라서 앱 리뷰 외의 다른 데이터를 분석하고자 한다면, 먼저 외부 도구를 통해 데이터를 추출한 뒤 CSV 형태로 변환해야 한다.

이때 활용할 수 있는 도구가 이전 글에서 소개했던 리스틀리(Listly)다. 리스틀리를 활용해 원하는 데이터를 수집한 후 CSV 파일로 저장하면, 이를 어피니티버블에 업로드해 앱 리뷰와 동일한 방식으로 분석할 수 있다.

1단계. 리스틀리 설치

구글 크롬에서 ‘리스틀리’를 검색한 뒤 설치하면, 크롬 상단에 리스틀리 아이콘이 표시된다. (리스틀리는 구글 확장 프로그램이므로 크롬에서 사용할 수 있다.)

리스틀리 <출처: 작가 캡처>

2단계. 데이터 수집

데이터 수집을 원하는 페이지에 접속한 다음, 리스틀리 아이콘을 클릭하고 ‘PARTS: 부분 선택하기’ 버튼을 누른다. 이때 데이터 선택 전에 미리 리스틀리에 로그인을 해두면, 바로 파일을 다운로드할 수 있다.

준비가 끝나면 수집하고자 하는 데이터를 드래그해 선택한다. 모든 선택이 끝나면 우측에 있는 ‘RUN LISTLY’ 버튼을 누르면 된다.

PARTS: 부분 선택하기(왼쪽)와 RUN LISTLY <출처: 작가 캡처>

3단계. 데이터 확보

수집이 끝나면 엑셀과 구글 시트 중 하나를 선택해 데이터 파일을 다운로드할 수 있다. (예시에서는 구글 시트를 선택했다.) 다운로드한 파일을 열고 파일 → 다운로드 → 쉼표로 구분된 값(.csv)을 차례로 선택해 CSV 파일로 변환한다.

구글 시트 내보내기(왼쪽)와 CSV 추출 <출처: 작가 캡처>

이렇게 CSV 데이터 파일이 만들어지면, 이를 어피니티버블로 가지고 온다. 다시 메인 화면에 있는 ‘내 데이터로 분석해보기’를 클릭하면 바로 데이터를 첨부할 수 있는 창으로 이동한다. 여기에 CSV 파일을 넣어주면 된다.

데이터 입력 단계 <출처: 작가, 어피니티버블 캡처>

3. 실제 사용자 데이터 기반 퍼소나 생성하기

지금까지 앱 스토어 링크로 사용자 리뷰를 수집하고 분석하는 방법과, 그 외 정성 데이터를 추출해 분석하는 방법을 각각 살펴봤다. 어피니티버블에서는 이렇게 수집한 데이터를 기반으로 퍼소나를 생성해볼 수도 있다.

방법은 간단하다. 바로 이전 단계에서 CSV 파일을 첨부했던 페이지가 있다. 해당 페이지에서 스크롤을 더 내려보면 세 번째 단계에서 인사이트 리포트 형식을 변경할 수 있는데, 여기서 ‘요약 정리’ 대신 ‘퍼소나’를 선택하면 된다.

인사이트 리포트 형식 선택 <출처: 작가, 어피니티버블 캡처>

이 방식으로 생성된 인사이트 보고서를 살펴보면, 앱스토어에 등록된 사용자 리뷰를 바탕으로 퍼소나 유형이 나뉘어 있는 것을 확인할 수 있다.

퍼소나형 인사이트 리포트 1 <출처: 작가, 어피니티버블 캡처>

퍼소나형 인사이트 리포트 2, 3 <출처: 작가, 어피니티버블 캡처>

예를 들어 다방 앱 사용자 리뷰에서는 허위 매물에 대한 페인 포인트가 반복적으로 나왔는데, 이러한 내용이 반영되어 ‘신뢰 중시형 주거 탐색자’ 퍼소나 유형이 첫 번째로 도출됐다. 이 퍼소나는 신속하고 정확하게 원하는 조건의 매물을 찾는 것을 주요 목적으로 삼기 때문에, 앱에서 허위 매물을 발견했을 때 큰 불편을 느낀다.

이 외에도 상세 필터와 지도를 활용해 효율적으로 매물을 비교하려는 ‘기능 지향적 파워 유저’, 그리고 복잡한 절차 없이 빠르게 결과를 얻고자 하는 ‘효율성 추구형 사회초년생’ 퍼소나 유형이 함께 생성됐다.

이전 글에서는 GPTs와 Synthetic Users 등 도구를 활용해 가상의 퍼소나를 생성하는 방법을 소개한 바 있다. 이러한 방식은 사용자를 보다 깊이 이해하는 데 도움을 줄 수 있었지만, 실제 사용자 데이터가 아닌 가상으로 생성된 합성 데이터라는 점에서 완전히 신뢰하기에는 다소 어려움이 있었다. 반면 이번 방법은 실제 사용자 데이터를 기반으로 퍼소나 유형을 도출했다는 점에서 신뢰도와 활용도가 더욱 높다고 볼 수 있다.

또한 단순히 퍼소나 유형을 구분하는 데서 그치지 않고, 해당 퍼소나를 기반으로 사용자 인터뷰 시뮬레이션을 진행하는 방식으로도 확장할 수 있다. 예를 들어 챗GPT나 클로드와 같은 LLM 도구에 퍼소나 설명을 붙여넣고 “이제부터 이 퍼소나가 되어서 사용자 인터뷰 질문에 답해줘.”와 같은 프롬프트를 입력하면 된다.

*더 자세한 방법은 사용자 인터뷰 시뮬레이션 글에서 확인할 수 있다.

마치며

이번 글에서는 어피니티버블을 활용해 정성적 데이터를 분석하는 방법을 살펴봤다.

업무에서는 예시로 설명했던 사용자 앱 리뷰 외에도 다양한 채널에서 수집되는 VOC나 인터뷰 결과 등 방대한 정성적 데이터를 직접 분석하려면 상당한 시간이 소요된다.

반면 어피니티버블은 이러한 과정을 효율적으로 단축시킨다. 데이터 내에서 반복적으로 등장하는 주요 패턴과 사용자 니즈, 페인 포인트 등을 자동으로 구조화해 보여주기 때문에 방대한 정성적 데이터에서도 핵심 인사이트를 빠르게 파악할 수 있다. 그 결과 데이터 분석과 의사결정에 필요한 시간을 줄일 수 있다는 점에서 실무적으로 유용한 AI 도구다.

또한 어피니티버블 서비스를 제공하는 pxdAX에 따르면, 사용자가 첨부한 데이터는 처리 완료 즉시 폐기되어 어떠한 형태로도 저장되지 않는다고 한다. 이러한 점을 고려하면 다른 AI 도구로 데이터를 분석하는 것보다 비교적 안전하게 활용할 수 있다는 점도 하나의 장점으로 볼 수 있다. 개인적으로는 이전에 리스틀리와 클로드를 함께 활용해 다소 복잡한 방식으로 분석을 진행했던 경험에 비추어 어피니티버블은 리서처와 디자이너의 실제 니즈를 고려해 설계된 도구라는 인상을 받았다.

이처럼 AI로 서비스나 프로그램을 훨씬 빠르게 만들 수 있는 환경이 갖춰지고 있는 요즘, 이러한 현실적인 니즈를 충족하는 도구의 중요성은 점점 더 커지고 있는 듯하다.

다시 말해, 사용자에게 의미 있는 서비스를 만들기 위해서는 여전히 사용자의 니즈와 페인 포인트를 정확하게 포착하는 과정이 필수적이라는 뜻이다. 얼마나 빠르게 서비스를 완성하느냐보다, 사용자의 문제를 얼마나 명확하게 해결하느냐가 더 중요하기 때문이다. 이는 AI 기술이 계속 발전하더라도 인간 사용자의 감정에 공감하고 니즈를 해석하는 역량이 여전히 중요하게 강조되는 이유이기도 하다.

그런 관점에서 어피니티버블은 이러한 니즈를 반영해 설계된 서비스의 좋은 사례다. 또한, 그 자체로 방대한 사용자 데이터를 더 빠르게 이해하고 이를 니즈나 페인 포인트와 같은 인사이트로 연결할 수 있도록 돕는 유용한 보조 도구라고 할 수 있다.

]]>

AI가 무너뜨린 UX의 경계, 어디까지 가능할까?

무엇을 상상하든, 기술적 한계가 사라지는 디자인

과거 미팅룸에서 자주 들리던 말이 있습니다. “그건 기술적으로 불가능해요” 혹은 “비용 대비 효율이 나오지 않습니다” 같은 말이죠. 그동안 우리는 스스로 설정한 기술의 한계선 안에서 최선을 찾는 방식에 익숙해져 있었습니다. 하지만 이제 질문의 방향은 달라져야 합니다. “어떻게 구현할 것인가”가 아니라 “무엇을 상상할 것인가”가 UX의 품질을 결정하는 시대가 왔기 때문입니다.

AI는 정지해 있던 데이터에 실시간성을 부여하며, 사용자의 미묘한 맥락과 의도까지 읽어냅니다. 또, 복잡한 과업을 대신 수행하는 능동적인 에이전트(agent)로도 진화했습니다. 이처럼 기술 구현의 복잡성이 디자이너의 손끝에서 매끄럽게 연결되기 시작한 지금, AI는 기존 UX의 물리적·심리적 장벽을 허물고 있습니다. 그렇게 열린 새로운 가능성의 영역들을 6가지 결정적인 변화를 통해 구체적으로 짚어보겠습니다.

1. 데이터 해석이란 병목 ➡ 실시간 의사결정 보조

기다리는 대신 살아 움직이는 리포트

과거의 데이터 기반 UX는 ‘수집-정리-분석-보고’라는 지난한 과정을 거쳐야 했습니다. 그래서 디자이너가 데이터를 확인하는 시점에는 이미 과거의 유물이 되어 있는 경우도 많았죠. 하지만 이제 노코드 툴과 AI의 결합으로 “실시간 데이터 연동 대시보드”가 디자이너의 손끝에서 만들어집니다.

설문 응답은 들어오는 즉시 대시보드에 반영되고, AI가 자연어로 핵심 인사이트를 요약합니다. 데이터가 충분히 쌓이길 기다릴 필요도 없습니다. AI는 실시간으로 유입되는 응답 속에서 맥락을 읽어냅니다. 이제 단순 정보를 보여주는 단계를 넘어, 실시간 진단과 전략적 가이드를 제공하는 의사결정 지능(Decision Intelligence)의 영역으로 확장된 것입니다.

<출처: 작가>

2. 초개인화 알고리즘 ➡ 사용자 의도 중심의 협업 큐레이션

단순한 알고리즘 대신 대화로 만들어 가는 추천

최근, 스포티파이는 알고리즘이 제시하는 대로 듣던 수동적 경험을 사용자의 언어로 설계하는 능동적 경험으로 전환했습니다. 기존 추천 시스템은 사용자의 과거 청취 이력을 기반으로 좋아할 법한 음악을 제시하는 블랙박스식 자동화에 가까웠습니다. 하지만 스포티파이의 “AI Playlist”는 기술의 주도권을 다시 사용자의 언어로 가져옵니다. “일요일 아침에 어울리는 따뜻한 어쿠스틱 곡들인데, 내가 올해 한 번도 듣지 않은 숨은 명곡들로만 채워줘”와 같이 세밀한 요구를 전달하면, AI는 사용자의 청취 데이터 수천 개를 실시간 음악 트렌드와 결합해 즉각적인 결과를 만들어 냅니다.

이는 기술이 사용자를 분석하는 단계를 넘어, 사용자가 자신의 추억과 기분, 심지어 특정 문화 맥락까지 AI에 전달하며 함께 결과를 만들어 가는 협업형 UX로 진화하고 있음을 보여줍니다.

UX의 본질은 이 과정을 거치며 편의성에서 통제권으로 이동합니다. 단순히 곡을 나열하는 데 그치지 않고, AI로 왜 이 곡이 선택되었는지에 대한 설명을 덧붙여 알고리즘의 투명성을 높인 점도 주목할 만합니다. 결국 사용자는 추천의 대상이 아니라 디렉터(Director)로 나아가며, AI라는 숙련된 에디터와 소통하게 됩니다. 이는 알고리즘에 갇혀 있던 초개인화 경험을 사용자 의도 중심의 진정한 개인화로 확장하는 결정적인 계기입니다.

<출처: Spotify>

3. 개별 등록의 반복 ➡ 맥락 인식 기반의 UX

맥락은 늘리고, 타이핑은 줄이기

중고 거래 서비스에서 사용자가 느끼는 가장 큰 심리적 허들 중 하나는 번거로운 상품 등록 과정입니다. 여러 물건을 판매하려면 각기 다른 각도에서 사진을 찍고, 제목을 고민하고, 카테고리를 설정하며, 본문을 일일이 작성해야 합니다. 이 과정은 전형적인 노동 중심의 타이핑 UX였습니다. 하지만 당근의 “Vision AI 일괄 등록” 기능은 AI의 시각 지능으로 이러한 물리적 노동을 완전히 대체합니다.

사용자가 최대 30장의 사진을 한 번에 업로드하면, AI는 사진 속 물건이 무엇인지 각각 분류하고 상태를 파악합니다. 이후 적절한 제목을 생성하고 카테고리를 설정합니다. 이 흐름에서 사용자는 더 이상 데이터 입력자가 아닙니다. 그 대신 AI가 제안한 내용을 확인하고 승인하는 검토자의 위치에 섭니다. 입력의 수고는 줄이면서 거래의 맥락은 더욱 풍부하게 만드는 인지 중심 UX로의 전환이라 볼 수 있습니다.

<출처: 작가, 당근 캡처>

4. 수동 브라우징 ➡ 대리 수행 기반의 오토 에이전트

사용자가 부르지 않아도 찾아 오는 AI

지금껏 브라우징이란 사용자가 수십 개의 탭을 띄워 정보를 비교하고, 직접 폼을 채우며, 결제 버튼을 누르는 능동적 탐색의 연속이었습니다. 그러나 구글 크롬이 선보인 “오토 브라우즈(Auto Browse)”는 이러한 브라우저의 정의를 바꿉니다. 웹페이지를 보여주는 도구에서 과업을 수행하는 에이전트로 재정의한 것이죠.

이 도구는 단순히 최저가 항공권을 검색해 주는 수준을 넘어, AI가 사용자의 일정을 확인한 다음 웹페이지의 구조를 스스로 파악해 이름, 주소, 예약 날짜 등을 대신 입력합니다. 심지어 과거 대화의 맥락을 기억해 취향에 맞는 호텔까지 제안합니다. 여기에는 사용자가 제미나이와 나눈 대화, Gmail에 저장된 여행 일정, 과거 검색 기록 등이 쓰입니다. 퍼스널 인텔리전스(Personal Intelligence)인 AI로 사용자가 선호하는 아늑한 분위기의 숙소를 먼저 찾아줍니다.

보안을 위한 ‘Take over task’ 버튼도 있습니다. 결제나 민감한 정보 입력 단계에서는 AI가 멈추고 사용자의 최종 확인을 받도록 설계되어 있습니다. 물론 필요한 물품을 쇼핑하는 전 과정을 AI에 위임할 수도 있습니다. 이제 사용자는 웹이라는 광활한 정보의 바다를 직접 헤엄칠 필요가 없습니다. 검색의 시대가 가고, 실행의 시대가 온 것입니다.

<출처: Google>

5. 데이터 관리의 파편화 ➡ 디렉팅 가능한 동적 로직 시스템

데이터의 주권을 사용자에게 주는 퍼스널 스토리지

기존의 웹은 모든 사용자에게 동일하게 나오는 규격화된 정보를 탐색하는 공간에 가까웠습니다. 이때 사용자의 기록은 여러 서비스에 파편화되어 쉽게 휘발되는 구조였습니다. 하지만 이제 디자이너는 사용자의 데이터를 어디에, 어떻게 저장할지까지 직접 설계할 수 있습니다. 아래, 여하니 디자이너가 구현한 회고형 웹페이지는 복잡한 서버 구축 없이도 브라우저의 로컬 스토리지(Local Storage)를 활용해 사용자의 기록을 안전하게 보관합니다.

이는 데이터가 외부 서버가 아닌 사용자의 기기로 돌아오는 경험을 제공하며, 프라이버시와 영속성을 함께 충족하는 새로운 차원의 개인화 UX를 보여줍니다.

<출처: 여하니 포트폴리오>

몰입감 있는 콘텐츠 엔진

한편 노코드 기반 CMS(Content Management System)를 연동함으로써 개발자의 도움 없이 수많은 타로 카드 데이터와 운세 텍스트를 자유롭게 업데이트하고 관리하기도 합니다. 정영주 디자이너의 랜덤 타로 웹페이지는 디자인이 단순한 정적 화면에 머물지 않고, 데이터와 실시간으로 상호작용할 때 어떤 시너지를 만드는지 보여줍니다. 그는 “사용자가 카드를 뽑으면 CMS의 수많은 데이터 중 하나를 무작위로 호출한다"는 프로그램 로직까지 직접 설계했다고 합니다.

이는 디자이너가 단순히 콘텐츠를 관리하는 역할을 넘어, 데이터 흐름과 사용자 경험의 인과관계를 설계하는 시스템 디렉터로 확장되고 있음을 의미합니다. 사용자가 카드를 뽑는 순간 CMS에서 무작위로 데이터를 불러오는 이 방식은 디자인을 단순한 인터페이스가 아닌 살아 움직이는 콘텐츠 엔진으로 작동하게 만듭니다.

<출처: 정영주 포트폴리오>

6. 연결의 장벽 ➡ 다채로운 API 생태계로의 확장

서버의 한계를 넘어선 이미지

AI의 발전과 함께, 우리는 수천 개의 리소스를 제작하거나 규격화된 에셋을 관리하기 위해 복잡한 데이터베이스를 구축해야 한다는 물리적 제약에서 점차 자유로워지고 있습니다. 이예린 디자이너가 만든 AI 이미지 웹페이지는 대용량 이미지 자원을 다루는 기술적 부담을 API로 효율적으로 해결한 사례입니다.

수많은 이미지를 서버에 일일이 저장하고 아카이빙하는 일은 디자이너에게 거대한 장벽이었습니다. 하지만 이제는 API 호출 한 번으로 이미지를 생성하고, 동시에 실시간 라이브러리를 구축할 수 있습니다. 이는 인프라의 한계에 묶여 있던 디자이너의 상상력이 API라는 날개를 달고 시각 실험의 영역으로 확장되는 순간을 보여줍니다.

<출처: 이예린 포트폴리오>

시각을 넘어서 청각 경험까지 주는 도전

웹 서비스에 음악 스트리밍 기능을 추가하는 작업은 그것만으로도 방대한 사운드 데이터를 처리할 서버 인프라와 복잡한 스트리밍 로직을 직접 구축해야 하는 거대한 기술적 도전이었습니다. 하지만, 황윤호 디자이너가 구현한 기분 기반 플레이리스트 웹페이지는 시각을 넘어 청각으로 확장된 멀티센서리 경험의 정점을 보여줍니다.

과거에는 전문가만 접근할 수 있었던 복잡한 음원 재생 시스템도, 이제는 음악 서비스의 API를 매핑하는 것만으로 충분히 제어할 수 있습니다. 그 결과 사용자의 감정 상태라는 추상적인 맥락을 음악이라는 구체적 경험으로 즉시 연결할 수 있습니다. 기술적 복잡성에 가로막히지 않고 사용자의 감성을 깊이 파고드는 공감형 UX가 완성된 것입니다.

<출처: 황윤호 포트폴리오>

마치며

이제 ‘기술적으로 구현이 어렵다’는 말은 더 이상 유효한 핑계가 아닌 시대입니다. 과거 우리가 한계로 여겼던 수많은 제약은 AI가 복잡한 연산과 연결을 대신 처리하며 눈 녹듯 사라지고 있습니다. 기술이 대부분의 복잡성을 흡수하고 있는 지금, 우리 앞에는 상상력의 크기가 곧 UX의 품질이 되는 새로운 캔버스가 펼쳐지고 있습니다.

AI는 디자이너의 역할을 눈앞의 화면 설계자에서 경험 전체를 조율하는 시스템 디렉터로 끌어올렸습니다. 데이터의 흐름을 읽고, 사용자의 의도를 파악하며, 복잡한 기능을 API로 자유롭게 엮어내는 능력은 이제 거대한 노동력을 필요로 하지 않습니다. 기술적 한계가 옅어진 자리에는 결국 “사용자의 삶을 어떻게 더 가치 있게 만들 것인가”라는 디자이너의 철학적 질문과 창의적 해법만이 남습니다.

기술의 경계가 흐려지는 시대, 우리는 이제 스스로에게 물어야 합니다. 늘 세상에 선보이고 싶었으나 꿈만 꿔온 경험은 무엇인가요? AI라는 강력한 엔진을 장착한 우리의 상상력이 어디까지 뻗어 나갈지, 그리고 그 끝에서 만날 UX의 새로운 경계는 무엇일지 기대해 봅니다.

]]>

클릭 한 번으로 디자인 시스템 가져오는 'MiroMiro'

새로운 서비스를 자주 들여다보고 분석해야 하는 기획자나 디자이너가 은근히 자주 사용하는 도구가 바로 개발자 도구입니다. 완성된 인터페이스 자체를 캡처하는 건 금방이지만, 그보다 폰트나 여백이 어떻게 설정되어 있는지 등을 확인하기 위해서는 개발자 도구를 거쳐야 하기 때문입니다. 문제는 개발자 도구에 꽤 익숙해졌다 하더라도 복잡하게 얽힌 <div> 태그의 숲을 헤매다 보면, 어느새 분석하려던 대상을 놓치거나, 찾는 데 많은 시간을 쓰게 됩니다. 특히 추출하기 까다로운 SVG 아이콘이나 로티(Lottie) 애니메이션 파일을 찾기 위해 네트워크 탭을 뒤지는 것도 그렇고요.

물론 확장 프로그램을 활용해 이런 문제를 해결할 수 있습니다. 저 역시 몇 가지 도구를 계속 써왔지만, 서비스가 종료되거나 업데이트를 지원하지 않아 사용이 어려워진 경우가 있었습니다. 그러다 얼마 전 ‘MiroMiro’라는 서비스를 알게 되었는데, 이곳은 클릭 한 번으로 웹 사이트 내 색상, 글꼴, 이미지 및 애니메이션 등을 추출할 수 있도록 도와줍니다. 확장 프로그램을 지원하며, URL을 통한 추출도 가능하죠. 구체적으로 어떤 기능을 제공하는지 이번 글에서 자세히 살펴보겠습니다.

주요 기능 훑어보기

<출처: MiroMiro, 작가 캡처>

MiroMiro는 기본적으로 크롬 확장 프로그램 형태로 작동합니다. 원하는 사이트에서 확장 프로그램을 실행하면, 필요한 정보를 패널을 통해 빠르게 확인할 수 있도록 구성되어 있습니다.

1) 전체 내용 요약: 확장 프로그램을 실행하면 가장 먼저 ‘오버뷰’에 해당하는 내용을 살펴볼 수 있습니다. 사용된 미디어, SVG, 컬러, 폰트의 수가 몇 개인지 빠르게 훑어볼 수 있습니다. 각 카드(예를 들어, 미디어)를 클릭하면 사용/적용된 내용을 별도 화면에서 모아볼 수 있으며, 즐겨찾기를 하거나 다운로드를 할 수도 있습니다.

2) 디자인 시스템의 시각화:특정 요소 하나만 보는 것이 아니라, 해당 페이지 전체에 흐르는 디자인 규칙을 읽어냅니다. 사용된 모든 컬러 팔레트와 타이포그래피 스타일(폰트 패밀리, 사이즈, 웨이트, 행간 등)을 데이터 시트 형태로 깔끔하게 정리해 보여줍니다.

3) '로티(Lottie)'까지 잡아내는 에셋 리퍼:Miro에서 느낀 가장 큰 강점 중 하나입니다. 일반적인 이미지나 SVG는 물론, 웹사이트에서 돌아가고 있는 인터랙션 애니메이션 파일(.json)을 클릭 한 번으로 추출할 수 있습니다. (다만, 로티 애니메이션 추출은 유료 플랜에서만 지원합니다)

4) Inspect 모드 지원: 마우스를 올리기만 하면 요소 사이의 여백(Padding, Margin)과 그리드 구조를 실시간 가이드 선으로 보여줍니다. 클릭하면, 패널을 통해 상세 내용을 확인할 수 있습니다. 예를 들어, 버튼이라면, 코드가 어떻게 구성되어 있는지 어떤 컬러와 그라데이션 등의 요소를 활용했는지, 대비는 잘 이뤄져 있는지 등을 자세히 확인할 수 있습니다.

핵심 기능 사용해 보기

<출처: MiroMiro, 작가 캡처>

특정 서비스에서 ‘MiroMiro’ 확장 프로그램을 실행, 하단 미디어 탭을 선택한 모습입니다. 페이지에 사용된 전체 이미지와 영상 그리고 로티 파일을 볼 수 있는 공간이기도 합니다. 리스트에 있는 영상이나 이미지에 마우스를 대면, 좋아요 또는 다운로드할 수 있는 버튼을 확인할 수 있습니다. (무료 버전에서는 최대 10개까지의 좋아요를 기록할 수 있으며, 유료 계정으로 업그레이드하면 전체 미디어를 일괄 다운로드할 수 있는 기능을 제공합니다.)

일단 리스트 형태로 이미지와 영상 그리고 로티 파일을 모아볼 수 있다는 자체가 탐색 시간을 줄이는데 많은 도움을 줍니다. 그렇지 않으면 스크롤을 내리며, 적용된 이미지를 하나씩 확인해야 하고, 거기에 효과까지 붙은 섹션이라면 시간이 더 소요될 수밖에 없기 때문입니다. 또 로티로 만들어진 효과를 따로 모아보고, 참조할 수 있다는 점은 특정 웹페이지에서 레퍼런스를 보다 쪼개어 확인하는 과정에서 특히 매력적입니다.

<출처: MiroMiro, 작가 캡처>

하단 - 세 번째 탭에서는 SVGs 정보를 확인할 수 있는데요. 주로 아이콘이 포함되어 있으며, SVG 코드를 복사하거나 다운로드할 수 있습니다. 물론, 이미지나 영상과 같이 특정 SVG를 저장해서 나중에 참고하는 것도 가능합니다. 저는 이 서비스를 알게 된 뒤로 이 기능을 가장 많이 활용했는데, 마음에 드는 아이콘을 다양한 방법으로 뜯어보고 실제 활용하는 데 직접적인 도움을 받을 수 있기 때문입니다.

<출처: MiroMiro, 작가 캡처>

네 번째 탭은 컬러가 주인공입니다. 사용된 컬러에 대한 정보를 상세히 확인할 수 있도록 초점이 맞춰져 있습니다. 화면에서 컬러를 직접 추출할 수 있는 기능으로 시작, 전체 컬러를 확인하거나, 배경, 텍스트, 보더, 브랜드 등 타입에 따라 컬러를 살펴보는 것도 가능합니다.

<출처: MiroMiro, 작가 캡처>

또한 디자인 시스템을 전체 확인, 내려받는 기능도 지원합니다. 폰트, 여백, 그림자, 기타 구성 요소를 한 번에 추출해 ‘Tailwind, CSS, JSON’ 파일로 받아볼 수 있습니다. 요즘 바이브 코딩을 많이 하시는데, 그때 이런 데이터를 참고해 스타일 가이드 등을 만드는데 도움을 받을 수 있는 기능입니다. (다만 실제 내려받는 기능은 유료 모델에서만 가능합니다. 추출 및 확인은 무료 계정에서도 지원)

<출처: MiroMiro, 작가 캡처>

다섯 번째 탭은 타이포입니다. 사용된 폰트와 함께 해당 폰트가 어떤 목적으로 사용되는지 살펴볼 수 있습니다. 상세 정보를 통해 폰트 이름, 사이즈, 두께, 간격 등의 내용도 알 수 있습니다. 또한 특정 폰트의 ‘위치’ 확인하기 버튼을 클릭하면 실제로 어떻게 적용되었는지 해당 위치로 바로 이동할 수 있습니다. 폰트 역시 마음에 드는 대상을 좋아요로 기록해, 마이페이지(여섯 번째 탭)에서 언제든 다시 살펴볼 수 있도록 구성된 모습입니다.

여섯 번째 탭 - 마이페이지에서는 현재 사용 중인 요금제에 대한 정보로 시작해, 월 기준 사용량에 대한 정보를 확인할 수 있습니다. 좋아요(저장)한 아이템도 볼 수 있습니다.

한 번은 꼭 써봐야 하는 이유

<출처: MiroMiro, 작가 캡처>

탭 구분과 상관없이, 상단에는 ‘Inspect mode’를 지원합니다. 클릭하기 전에는 웹페이지 상에서 기본적인 정보를 확인할 수 있고, 클릭 후에는 우측 패널에서 자세한 정보를 제공합니다. 클릭한 대상의 미리 보기와 함께 코드 복사, 코드 내보내기 그리고 사용된 컬러와 스타일 정보가 포함되어 있습니다.

저는 이 서비스를 레퍼런스 탐색도 탐색이지만, 개인적으로 진행하는 다양한 바이브 디자인/코딩 프로젝트에 적극적으로 활용하고 있습니다. 예를 들어, 마음에 드는 스타일의 버튼이 있다면, 클릭 후 컬러나 스타일 정보 등을 바탕으로 참고해 적용하는 방법입니다. 컴포넌트 단위의 레퍼런스 제공 서비스와 함께 활용하면, 더 다양한 구성요소를 빠르게 작업할 수 있죠.

<출처: MiroMiro, 작가 캡처>

서비스는 무료로도 사용할 수 있지만, 사용량 등에 제한이 있는 건 어쩔 수 없습니다. 무료 버전에서는 디자인 시스템 추출은 가능하지만, 내려받기는 지원하지 않습니다. 또 CSS, Tailwind 등으로 내보내는 기능 또한 사용할 수 없습니다. 미디어/영상, SVGs 등을 한 번에 내려받는 기능 또한 유료 버전에서만 지원합니다.

그럼에도 무료 버전을 제공하고 있으며, 확장 프로그램이라는 접근성 좋은 환경과 다양한 도구를 충분히 체험해 볼 수 있다는 점, 무엇보다 기존의 탐색 방식을 보다 직관적이고 빠르게 바꿔줄 수 있다는 점에서 유용한 서비스라고 생각합니다.

<참고>

https://MiroMiro.app/

]]>

사랑받는 AI의 비밀: 구글 AX 가이드와 실무 예제

구글이 제안하는 사람 중심 AI 설계 가이드북 ‘PAIR’와 그 사례들

요즘 어디를 가나 인공지능 이야기가 빠지지 않습니다. 하지만 막상 우리가 마주하는 AI 서비스는 어떤 모습일까요. 가끔은 너무 똑똑해서 놀랍지만, 때로는 어디까지 괜찮은지 알 수 없어 당황스럽기도 합니다. 기술이 발전하는 속도에 비해 우리가 그 기술을 대하는 방식, 즉 사용자 경험(User Experience, UX)은 여전히 불투명한 상자 속에 갇혀 있는 듯한 느낌을 지우기 어렵습니다. 단순히 놀라운 기능을 구현하는 것을 넘어, 사용자가 안심하고 의지할 수 있는 서비스를 만드는 비밀은 과연 기술의 사양에만 있는 것일까요.

구글의 PAIR 가이드라인은 바로 이 지점에서 출발한 AI UX 설계 지도입니다. 이번 글에서는 이 가이드라인을 토대로 실제 사례를 찾아 덧붙였습니다. 그래머리와 당근이 사용자의 니즈를 재정의하고 적절한 기대치를 형성한 방법, 제미나이와 넷플릭스가 사용자와 신뢰를 쌓아 가는 방식, 그리고 유튜브와 지메일이 사용자에게 활용의 주도권을 돌려주는 과정을 살펴볼 예정입니다. 더불어 시리와 테슬라의 사례로 기업이 에러를 다루는 태도와 데이터로 성장하는 모델의 진화까지 함께 보려고 합니다.

시장을 이끄는 서비스들은 기술 뒤에 숨은 ‘사람의 마음’을 어떻게 설계했을까요? 그 6가지 핵심 원칙을 파헤쳐 봅니다.

1. 사용자 니즈와 성공의 정의(User Needs + Defining Success)

“AI가 해결해야 할 ‘진짜 문제’는 무엇인가?”

AI 제품을 설계할 때 가장 빠지기 쉬운 함정은 “이 기술로 무엇을 할 수 있는가?”에 매몰되는 것입니다. 구글 PAIR는 그 반대편에서 시작하라고 권고합니다. “사용자는 이 AI를 통해 어떤 결과를 냈을 때 ‘성공’이라고 정의하는가?”를 먼저 묻는 것이죠. AI는 마법이 아니라 도구입니다. 도구의 가치는 정확도(Accuracy), 즉 성능이 아니라 사용자의 목표(Goal)를 얼마나 정확히 타격하느냐에서 결정됩니다.

Grammarly: 단순 교정기에서 ‘커뮤니케이션 파트너’로

그래머리(Grammarly)는 AI와 함께 사용자 니즈를 어떻게 재정의했는지 보여주는 대표적인 사례입니다. 과거의 사용자 니즈가 단순히 오타를 내지 않는 것이었다면, AI 등장에 맞춰 그래머리는 이를 문맥에 맞는 톤 조정과 명확성의 개선으로 확장했습니다.

<출처: Grammarly>

목적에 따른 가이드 제공: 사용자가 글을 쓰기 전 비즈니스용인지 혹은 캐주얼한 대화인지 설정하게 합니다. AI는 이 목표에 맞춰 교정의 강도와 단어 선택을 제안합니다.
단순 교정을 넘어선 가치 제안: 맞춤법이 틀리지 않았더라도 문장이 너무 복잡하거나 무례하게 들릴 수 있다면 대안을 제시합니다. 사용자는 단순히 글을 고치는 것을 넘어, 자신의 의도를 더 완벽하게 전달할 수 있다는 ‘성공’을 경험합니다.
지표의 변화: 그래머리 제품 단위로 성공이란 얼마나 많은 오타를 찾아냈느냐가 아니라, 사용자가 자신의 메시지에 얼마나 만족하느냐에 달려 있습니다.

이처럼 AI의 성공은 기술적인 정확도가 아니라 사용자의 목표 달성 여부에 달려 있습니다. 우리 서비스가 사용자에게 제공하는 결과물이 그들의 능력을 확장하고 가치를 높여주고 있는지 점검해야 합니다. 성공의 기준을 기능 구현이 아닌 사용자 경험의 완성도에 두어야 합니다.

2. 멘탈 모델과 기대치 설정(Mental Models + Expectations)

AI 서비스에게 첫인상은 매우 중요합니다. 사용자가 이 AI를 모든 문제를 해결해 주는 ‘마법의 지팡이’로 오해할지, 아니면 보조 도구로 인식할지는 디자이너가 설계한 멘탈 모델(Mental Model)에 달려 있습니다. 구글 PAIR는 사용자가 AI의 능력과 한계를 처음부터 명확히 인지하도록 도울 것을 강조합니다. 기대를 관리하는 일이 곧 사용자 경험의 질을 결정하기 때문입니다.

당근: 사진 한 장으로 완성되는 AI 중고거래 글쓰기

당근의 AI 글쓰기 기능은 사용자가 복잡한 설명을 직접 타이핑하는 수고를 덜어주면서도, AI가 어떻게 작동하고 있는지 그 과정을 투명하게 공개하여 적절한 기대치를 형성합니다.

<출처: 작가, 당근 캡처>

진행 과정의 시각화와 투명성: 사용자가 사진을 선택하면 AI는 단순히 로딩 바를 보여주는 대신 ‘어떤 물건인지 추리 중’, ‘열심히 쓰는 중’, ‘잘 팔리게 다듬는 중’이라는 문구를 팝업으로 노출합니다. 이는 AI가 현재 어떤 단계를 수행하고 있는지 사용자와 소통하며 지루함을 덜어주고, 동시에 AI의 작업 방식을 이해하게 만드는 훌륭한 멘탈 모델 설계입니다.
자동 작성과 편집의 주도권: 진행 단계가 끝나면 인풋창(Input)에 자동으로 글이 작성되어 있습니다. 사용자는 AI가 작성한 초안을 바탕으로 내용을 수정하거나 보충할 수 있습니다. 이는 AI를 완벽한 정답 제조기가 아니라 사용자의 작업을 도와주는 비서로 포지셔닝하여, 사용자가 최종 검토의 주도권을 갖게 합니다.
결과에 대한 한계 명시: 작성 화면 하단에는 ‘AI로 작성된 내용은 틀릴 수 있어요’라는 안내 문구가 상시 노출됩니다. 이는 발생할 수 있는 오류에 대해 미리 공지함으로써 사용자에게 최종 확인의 책임이 있음을 자연스럽게 인지시키고, 잘못된 정보로 인한 실망감을 방지합니다.

AI 채팅 서비스: “AI는 실수할 수 있습니다”

ChatGPT와 Gemini 등 LLM 기반 채팅 서비스의 입력창을 유심히 보면 공통으로 보이는 문구가 있습니다. 바로 “AI는 실수할 수 있습니다. 중요한 정보는 확인하세요.”와 같은 안내 문구입니다. 이 짧은 한 줄은 단순한 면책 조항이 아니라, 생성형 AI 시대의 UX 철학을 드러내는 장치입니다.

<출처: 작가, ChatGPT, Gemini 캡처>

자동 생성과 사용자의 최종 책임: 질문을 입력하면 즉시 문장, 코드, 요약, 분석 결과를 생성합니다. 속도와 완성도는 인상적이지만, 그 아래에는 항상 “AI는 실수할 수 있습니다”라는 문장이 함께 존재합니다. 이는 책임을 분산하기 위한 장치가 아니라 역할을 명확히 구분하는 설계입니다. AI는 생산성을 높이는 보조자이고, 판단의 주체는 여전히 사용자입니다.
비판적 사고 유지: 이 한 줄은 기대치를 관리하는 UX 장치이기도 합니다. 과도한 신뢰를 방지하고 맹목적인 의존을 줄이며, 인간이 비판적 사고를 유지하도록 돕습니다.
시스템 한계 이해: 만약 이러한 안내 없이 오류가 발생한다면 사용자는 배신감을 느낄 수 있습니다. 그러나 사전에 한계를 고지하면 사용자는 오류를 ‘시스템의 본질적 특성’으로 이해하게 됩니다.

사용자가 AI를 블랙박스처럼 느끼게 해서는 안 됩니다. AI가 무엇을 근거로 생각하고 있는지, 그 과정을 단계별로 보여주는 것만으로도 사용자는 서비스에 대한 신뢰를 얻습니다. 또한 AI의 한계를 솔직하게 안내하는 것이 오히려 서비스의 신뢰도를 높이는 가장 빠른 길입니다.

3. 신뢰와 설명(Trust + Explanations)

사용자에게 AI는 종종 속을 알 수 없는 검은 상자와 같습니다. 구글 PAIR 가이드라인은 AI가 내놓은 결과에 대해 충분한 설명을 제공함으로써 사용자가 그 제안을 믿어도 될지 스스로 판단하도록 만들어야 한다고 강조합니다. 신뢰는 AI의 뛰어난 성능 그 자체보다, 과정의 투명성에서 시작됩니다.

AI 검색 서비스: 출처 표기를 통한 검증 가능성의 확보

ChatGPT, Perplexity 등 AI 기반 검색 기능을 제공하는 서비스는 답변의 근거가 된 웹 페이지를 직접 확인하며 이동할 수 있는 기능을 강화해 답변의 신뢰도를 높이고 있습니다.

<출처: 작가, Perplexity, ChatGPT 캡처>

인용 기호와 출처 표시: 답변의 특정 문장 옆에 작은 아이콘이나 번호 형태의 인용 표기를 남깁니다. 이는 AI가 임의로 만들어낸 이야기가 아니라 실제 존재하는 정보를 바탕으로 답변했음을 보여주는 시각적 장치입니다.
외부 링크 이동 기능: 인용 표기를 클릭하면 해당 정보의 원천이 되는 기사나 공식 문서로 바로 이동할 수 있습니다. 사용자는 AI의 답변을 수동적으로 받아들이는 데서 그치지 않고, 정보를 직접 검증하며 서비스에 대한 신뢰를 쌓게 됩니다.

Netflix: 숫자보다 명확한 키워드 설명

최근 Netflix는 단순한 매칭 점수 대신 콘텐츠의 특징을 묘사하는 키워드를 통해 추천의 이유를 설명합니다.

사용자 프로필 별로 다른 홈 화면 리스트의 헤더 <출처: 작가, Netflix 캡처>

정성적인 태그 제공: ‘긴장감 넘치는’, ‘실화 바탕’, ‘가슴 뭉클한’과 같은 구체적인 태그를 노출합니다. 사용자는 ‘90퍼센트 일치’라는 모호한 숫자보다 이러한 키워드로 이 영화가 왜 자신의 취향에 맞는지 더 잘 이해합니다.
맥락 기반의 이유 제시: ‘당신이 시청한 영화’ 혹은 ‘한국 드라마 팬을 위한 추천’과 같이 추천의 근거로 쓴 행동이나 그룹화된 취향을 명시합니다. 이는 시스템이 나를 잘 이해하고 있다는 느낌을 사용자가 받게 만듭니다.

이처럼 설명은 단순히 정보를 나열하는 것이 아닌 사용자의 의사결정을 돕는 장치여야 합니다. 때로는 정교한 수치보다 출처를 직접 확인할 수 있는 링크나 직관적인 키워드 한마디가 사용자의 신뢰를 얻는 데 더 효과적입니다. 우리 서비스가 사용자에게 제공하는 설명이 그들의 불안을 해소하고, 판단의 근거로 쓰이고 있는지 고민해야 합니다.

4. 피드백과 제어(Feedback + Controls)

AI는 완벽하지 않기에 사용자가 이를 교정하고 자신의 취향에 맞게 조정할 수 있는 장치가 필수적입니다. 구글 PAIR 가이드라인은 사용자가 직접 피드백을 주고 AI를 제어할 때 비로소 서비스와 사용자 사이의 긴밀한 협업이 가능해진다고 강조합니다. 사용자가 핸들을 쥐고 있다는 느낌을 주는 것이 핵심입니다.

Youtube: 알고리즘을 길들이는 명시적 피드백

Youtube는 사용자가 자신의 홈 피드를 직접 구성할 수 있도록 강력한 피드백 도구를 제공합니다.

<출처: 작가, Youtube 캡처>

명확한 제어 버튼: 추천 영상이 마음에 들지 않을 때 ‘관심 없음’이나 ‘채널 추천 안 함’ 버튼을 통해 즉각적으로 의사를 표시할 수 있습니다. 이는 사용자 스스로가 수동적으로 추천을 받아들이는 존재가 아니라, 알고리즘을 교육시키는 주체임을 느끼게 합니다.
피드백 반영 알림: 사용자가 피드백을 주면 ‘다시 추천되지 않습니다’라는 안내로 자신의 행동이 시스템에 실제 영향을 미쳤음을 확인시켜 줍니다.

Gemini: 대화 만족도 피드백으로 완성하는 협업 구조

제미나이는 “지금까지 Gemini와 나눈 대화가 얼마나 도움이 되었나요?”라는 질문을 던지며, ‘전혀 도움이 되지 않음’부터 ‘대단히 도움이 됨’까지를 범주로 평가를 요청합니다. 이는 AI를 일방향으로 소비하는 대신 상호작용에 기반한 개선 과정으로 확장하는 장치입니다.

<출처: 작가, Gemini 캡처>

연속 척도 기반 만족도 평가: 사용자는 극단적인 긍정·부정 선택 대신 단계별 선택지를 통해 자신의 만족도를 표현할 수 있습니다. 이는 단순한 좋아요/싫어요보다 더 정교한 신호를 제공합니다. AI는 이 데이터를 바탕으로 응답 품질을 개선하고 전반적인 사용자 경험을 조정합니다.
정성 피드백 유도: 낮은 점수를 선택할 경우 추가 의견을 작성하도록 유도하는 구조는 특히 중요합니다. 무엇이 부족했는지, 어떤 부분이 불명확했는지를 구체적으로 전달할 수 있기 때문입니다. 무엇보다 이로써 사용자는 단순한 평가자가 아닌 개선 과정의 참여자가 됩니다. 이러한 경험은 AI에 대한 신뢰 형성과 장기적인 사용에도 영향을 줍니다.

AI UX에서 제어권은 사용자의 만족도와 직결됩니다. 사용자가 AI의 제안을 거절하거나 수정하는 과정을 복잡하게 만들지 마세요. 언제든 AI의 개입을 멈추거나 방향을 바꿀 수 있는 핸들을 쥐여 줄 때, 사용자는 비로소 해당 서비스를 자신의 유능한 도구로 신뢰하게 됩니다.

5. 에러와 우아한 실패(Errors + Graceful Failures)

AI는 완벽할 수 없으며, 때로는 사용자의 의도를 오해하거나 좋은 결과를 생성하지 못할 수 있습니다. 구글 PAIR 가이드라인은 이러한 실패의 순간을 사용자를 내쫓는 장애물이 아니라 학습과 교정의 기회로 바꾸는 ‘우아한 실패(Graceful Failures)’로 설계할 것을 강조합니다.

Siri: 다음 행동을 지시하는 친절한 가이드

Siri는 기술적인 한계나 보안상의 이유로 명령을 즉시 수행할 수 없을 때 단순히 “안 됩니다”라고 말하지 않습니다. 대신 사용자가 무엇을 해야 하는지 구체적인 해결 방법을 제시합니다.

<출처: 작가, 아이폰17 화면 캡처>

보안 및 개인정보 보호 안내: “에어팟 프로 어디 있어?”라고 물었을 때 Siri는 기기의 위치 정보를 다루기 위해 보안 확인이 필요함을 인지합니다. 이때 “먼저 아이폰의 잠금을 해제해 주세요”라고 안내하며, 사용자가 어떤 절차를 거쳐야 원하는 정보를 얻을 수 있는지 알려줍니다.
기능 활성화를 위한 설정 유도: “근처 맛집 찾아줘”라고 요청했는데 위치 서비스가 꺼져 있다면 “현재 위치를 알 수 없습니다”라는 오류 메시지 대신 “위치 서비스를 켜주시면 식당을 찾아드릴 수 있어요”라고 말합니다. 이는 사용자가 설정을 변경해야 하는 이유와 목적을 동시에 이해할 수 있도록 돕는 설계입니다.

Gemini: 정책 위반 시의 투명한 이유 공개

이미지 생성이나 콘텐츠 제작 같은 요청이 구글의 안전 정책 또는 저작권 가이드라인에 부딪힐 때, 시스템은 사용자가 납득할 수 있는 구체적인 실패 사유를 제공합니다.

<출처: 작가,Gemini 캡처>

저작권 및 정책 가이드라인 명시: 예를 들어 사용자가 “디즈니 공주인 엘사와 신데렐라가 서로 옷을 바꿔 입은 그림을 그려줘”라고 요청할 경우 시스템은 이를 거절해야 하는 상황에 놓입니다. 이때 나노바나나프로 모델은 “서드 파티 콘텐츠와 관련된 구글의 안전 장치로 인해 이 프롬프트에 대한 대답을 생성할 수 없습니다”라는 메시지를 표시합니다.
실패의 원인 특정: 단순히 ‘생성 실패’라고 표시하는 대신 ‘서드 파티 콘텐츠’, 즉 저작권과 관련된 안전 장치가 작동했음을 구체적으로 밝힙니다. 사용자는 이를 통해 자신의 요청이 왜 거절되었는지 이해하게 되고, 정책을 우회하려는 헛된 시도 대신 다른 방식의 프롬프트를 고민할 수 있게 됩니다.

에러 메시지는 시스템의 무능함을 알리는 경고장보다는 사용자와의 대화를 이어가는 징검다리가 되어야 합니다. 실패의 원인을 투명하게 밝히고, 사용자가 잠금을 해제하거나 정책에 맞는 다른 키워드를 선택하는 등 다음 행동으로 무엇을 해야 할지 친절하게 제안해야 합니다. 기술 한계나 정책의 제약이 서비스의 신뢰를 깎지 않도록, 우아하게 대처하는 흐름을 설계하는 것이 중요합니다.

6. 데이터와 모델의 진화(Data + Model Evolution)

AI 서비스의 진정한 가치는 시간이 흐를수록 사용자를 더 잘 이해하고 발전하는 데 있습니다. 구글 PAIR 가이드라인은 제품이 사용자 데이터를 통해 어떻게 개선되는지 투명하게 알리고, 그 변화를 사용자가 체감할 수 있도록 설계할 것을 권장합니다. 여기서는 정체된 서비스가 아니라 진화하는 파트너라는 인상을 주는 것이 핵심입니다.

Tesla: 실제 주행 데이터 기반의 안전한 진화

Tesla는 단순한 소프트웨어 업데이트를 넘어, 실제 도로 위 수백만 대의 차량에서 수집되는 방대한 데이터를 통해 주행 지능을 근본적으로 진화시키고 있습니다.

FSD <출처: Tesla>

코드에서 신경망으로의 대전환: 과거에는 수십만 줄의 코드로 규칙을 정의했지만, 최신 FSD에서는 모든 판단을 신경망이 스스로 내리는 엔드 투 엔드 AI 방식을 채택했습니다. 이는 사람이 일일이 가르치기 어려운 복잡한 상황을 AI가 실제 운전 데이터로부터 학습하도록 만들어, 더 사람답고 부드러운 운전을 가능하게 합니다.
하드웨어와 소프트웨어의 협업: 최신 AI 하드웨어인 AI4를 장착한 차량뿐만 아니라 기존 하드웨어를 사용하는 차량에도 학습된 데이터를 최적화해 제공함으로써, 모든 사용자가 기술 발전의 혜택을 함께 누릴 수 있도록 설계되었습니다.

지금 시대, 데이터 활용의 핵심은 투명성과 가치 전달입니다. 사용자가 제공하는 정보가 단순한 수집에 그치지 않고, 어떻게 더 안전하고 유능한 경험으로 되돌아오는지 수치와 성능으로 보여주어야 합니다. 모델의 진화 과정을 사용자와 지속적으로 공유할 때, 사용자는 단순한 소비자를 넘어 서비스의 성장을 돕는 협력자가 됩니다.

마치며

지금까지 살펴본 구글 PAIR의 6가지 원칙은 기술의 화려함보다는 기술을 사용하는 사람에게 초점을 맞추고 있습니다. 그렇기에 중요한 것은 AI 기술이 사용자의 일상에서 어떤 가치를 만들어 내고, 얼마나 신뢰할 수 있는 파트너로 자리 잡느냐입니다. 훌륭한 AI UX는 사용자를 무력하게 만드는 것이 아니라 AI라는 강력한 도구를 손에 쥔 ‘슈퍼 플레이어’로 만들어 줍니다. 기술이 복잡한 로직을 가질수록 우리는 그 복잡함을 걷어내고, 사용자가 주도권을 가질 수 있는 투명한 통로를 설계해야 합니다.

마지막으로 이 글을 읽어주신 모든 분에게, 어쩌면 너무 당연해서 지나쳤을지 모를 질문 하나를 나누며 글을 마무리하고 싶습니다. 우리는 혹시 AI의 완벽함을 증명하려 애쓰느라, 사용자가 머물러야 할 빈칸까지 모두 채워버리고 있지는 않을까요?

진정으로 사람을 위한 AI는 모든 정답을 대신 내주는 전지전능함보다는, 사용자가 그 기술을 직접 매만지고 고쳐가며 자신만의 도구로 길들여 갈 유연한 여백을 허용하는 데서 시작될지도 모릅니다. AI가 조금 서툴거나 침묵하는 순간마저도 사용자를 당황하게 만드는 결함이 아닌 기술과 사람이 서로의 속도를 맞춰 가는 대화의 과정이 될 수 있도록 말입니다.

AI는 갈수록 유능해지겠지만, 그 기술에 온기를 불어넣고 사용자의 주도권을 지켜 주는 일은 여전히 우리 디자이너들의 몫으로 남아 있습니다. 거창한 정답을 설계하기보다 사용자가 안심하고 AI라는 새로운 가능성을 탐험할 수 있도록, 작고 사소한 통로를 하나씩 열어 주는 것부터 시작해 보면 어떨까요. 결국 AI 시대의 디자인은 정답을 보여주는 기능의 설계가 아니라 신뢰를 쌓아 가는 과정의 설계입니다. 기술이 고도화될수록 우리가 지켜야 할 자리는 기술 그 자체를 너머 이를 마주하는 사람의 마음이라는 점을 잊지 말아야 합니다.

]]>

포토샵을 대체할 수 있는 피그마 플러그인 7가지

UXUI 디자이너로 일하다 보면 피그마가 거의 모든 걸 해결해주는 것처럼 보이는데도, 아주 애매한 순간에 포토샵을 열게 되는 장면이 생깁니다. 배경을 따야 할 때, 이미지의 톤을 아주 조금만 잡고 싶을 때, 텍스트를 비틀어서 썸네일 타이틀을 만들어야 할 때처럼요. UXUI와는 거리가 있지만 분명히 필요한 작업들이고, 문제는 이런 한 번의 이동 때문에 작업 흐름이 뚝 끊긴다는 점입니다. 피그마에서 디자인하던 화면을 멈추고, 포토샵을 열고, 이미지를 불러와 편집하고, 내보내고, 다시 피그마로 돌아오는 과정은 생각보다 에너지를 많이 씁니다. 슬랙만 잠깐 다녀와도 집중이 흐트러지는데, 포토샵까지 왕복하면 머릿속 탭이 몇 개 더 열리는 기분이 듭니다.

피그마가 UI/UX 디자인 툴로 자리 잡은 이후에도 포토샵이 쉽게 사라지지 않는 이유는 사실 여기 있습니다. 피그마는 화면을 설계하기에는 충분히 강력하지만, 이미지와 그래픽을 다루는 영역에서는 여전히 빈틈이 남아 있습니다. 이 빈틈을 그동안 메워온 것이 플러그인이고, 실무에서는 이 플러그인들이 생각보다 큰 역할을 합니다. 포토샵을 아예 없애는 게 아니라, 포토샵으로 빠져나가는 순간을 줄여주는 쪽으로요.

최근에는 배경 제거 같은 기능은 피그마 AI가 상당 부분 대신해주기 시작했지만, 여전히 포토샵이 강한 영역들이 있습니다. 색감 보정, 필터 적용, 질감 표현, 왜곡, 텍스트 변형, 벡터 변환 같은 것들입니다. 이번 글에서는 포토샵을 완전히 대체한다기보다는, 실무에서 포토샵을 덜 열게 만들어주는 피그마 플러그인 7가지를 중심으로 정리해 보겠습니다.

1. Filter / Effects

피그마를 쓰면서 가장 아쉬운 지점을 하나만 꼽자면, 아직도 이미지 보정이 애매하다는 점입니다. 밝기나 대비를 조금 조정하는 건 가능하지만, 포토샵처럼 여러 효과를 쌓아가며 톤을 만들고, 결과를 보면서 미세하게 다듬는 경험은 부족합니다. Filter / Effects는 그 공백을 가장 직접적으로 메워주는 플러그인에 가깝습니다.

피그마에서 이런 게 가능한가 싶을 정도로 다양한 효과를 제공합니다. <출처: 작가 캡처>

이 플러그인의 핵심은 선택한 이미지나 프레임에 다양한 필터를 한 번에 적용할 수 있다는 점입니다. 색온도, 채도, 노출, 블러, 샤프닝, 노이즈 같은 기본 보정부터 필름 톤처럼 분위기를 바꿔주는 효과까지 제공하는 경우가 많고, 무엇보다 포토샵을 켜서 조정 레이어를 만들기엔 너무 사소한 작업들을 피그마 안에서 끝낼 수 있게 해줍니다. 예를 들어 카드 UI에 들어갈 썸네일 이미지가 여러 장인데, 각각의 사진이 촬영 조건이 달라서 톤이 제각각일 때가 있습니다. 이럴 때 포토샵에서 한 장씩 만지기 시작하면 끝이 없습니다. Filter / Effects로 최소한의 공통 룰을 만들어서 전체를 한 번에 맞춰두면, UI 자체의 균형이 먼저 잡히고 이후 디테일 조정도 훨씬 쉬워집니다.

포토샵보다 더 직관적으로 사용할 수 있는 효과도 있습니다. <출처: 작가 캡처>

프리셋을 저장할 수 있는 형태라면 더 좋아집니다. 팀에서 자주 쓰는 톤이 있다면, 그걸 프리셋으로 만들어두고 필요할 때마다 꺼내 쓰는 방식으로 반복 작업을 줄일 수 있습니다. 마케팅 페이지나 이벤트 배너처럼 작업 템포가 빠른 상황에서 특히 효율이 잘 드러납니다.

다만 적용된 결과가 이미지가 변환된 결과로 굳어버린다는 단점이 있습니다. 포토샵의 조정 레이어처럼 언제든 되돌릴 수 있는 구조는 아니기 때문에, 원본을 따로 보관하거나 복제본 레이어에 적용하는 습관이 필요합니다. 그럼에도 지금 이 순간, 이미지를 살짝만 다듬어 화면 분위기를 맞춰야 하는 상황이라면 꽤 현실적인 선택지가 됩니다.

2. Noise & Texture

UI를 오래 만들다 보면, 어느 순간 화면이 너무 매끈하고 너무 완벽해서 오히려 납작하게 느껴질 때가 있습니다. 특히 랜딩 페이지나 마케팅용 화면에서는 아주 미세한 질감 하나가 화면의 온도를 바꾸기도 합니다. 포토샵에서는 노이즈를 얹거나 종이 질감을 깔고, 블렌딩 모드를 조절하면서 이 평면감을 깨곤 했죠.

다양한 정지 패턴과 영상 패턴을 적용할 수 있다. <출처: 작가 캡처>

Noise & Texture 플러그인은 이 작업을 피그마 안에서 빠르게 할 수 있게 해줍니다. 단순히 노이즈를 추가하는 수준이 아니라, 종이 질감, 필름 그레인, 미세한 패턴 같은 텍스처를 오버레이 형태로 얹고 강도를 조절하는 방식으로 활용할 수 있습니다. 여기서 중요한 건 과하게 하지 않는 겁니다. 질감은 존재감이 드러나는 순간부터 화면의 주인공이 되어버립니다. 아주 얕게, 눈치채지 못할 정도로만 얹었을 때 오히려 화면의 밀도가 올라갑니다.

실무적으로는 이런 식으로 쓰기 좋습니다. 첫째, 히어로 영역이나 큰 배경이 너무 깨끗해서 텍스트가 붕 뜨는 느낌이 날 때, 아주 미세한 노이즈를 얹으면 배경이 종이처럼 잡히면서 타이포가 안정됩니다. 둘째, 카드 UI에 들어가는 이미지들이 지나치게 선명해서 전체 UI가 싸해 보일 때, 질감으로 화면의 온도를 살짝 올릴 수 있습니다.

AI로 이미지를 생성하면 분위기 있는 결과를 얻을 수는 있지만, 이렇게 의도적으로 덜 정제된 느낌을 조절하고, 화면 전체의 공기를 일정하게 맞추는 작업은 아직 사람이 규칙을 정하고 미세 조정하는 방식이 더 안정적입니다. 이런 종류의 플러그인은 그래서 포토샵을 완전히 대체한다기보다, 포토샵을 열어야만 했던 사소한 손질을 피그마 안에서 끝내게 해준다는 데 의미가 있습니다.

적용한 효과는 레이어 효과로 들어가기 때문에, 언제든지 지우고 원본을 살릴 수 있습니다. <출처: 작가 캡처>

3. Image Tracer

실무에서는 아직도 PNG나 JPG 형태로 로고, 심볼, 아이콘을 전달받는 일이 많습니다. 특히 협업 상대가 디자이너가 아니거나, 브랜드 자산이 제대로 정리되어 있지 않은 프로젝트라면 더 자주 겪습니다. 이걸 그대로 쓰자니 해상도가 애매하고, 크기를 키우면 깨지고, 배경이 미묘하게 남아 있기도 합니다. 그렇다고 이 문제 하나 때문에 일러스트레이터를 열기에는 또 번거롭습니다.

선택한 이미지를 패스로 변환할 때 미리보기를 볼 수 있습니다. <출처: 작가 캡처>

Image Tracer는 이럴 때 즉시 꺼내 쓰기 좋은 플러그인입니다. 이미지를 선택하고 플러그인을 실행하면 벡터 형태로 변환해 줍니다. 결과는 입력 이미지의 종류에 따라 갈리지만, 단순한 로고나 심볼, 단색 아이콘처럼 형태가 명확한 그래픽에서는 꽤 쓸 만한 결과가 나옵니다. UI에서 필요한 수준의 벡터화라면, 이 정도로도 작업 흐름이 크게 단순해집니다.

활용 팁도 있습니다. 첫째, 변환 전에 이미지 대비를 올리거나 배경을 최대한 깔끔하게 정리해두면 결과가 좋아집니다. 둘째, 작은 아이콘을 그대로 트레이스하면 노이즈가 생기기 쉬우니, 가능하면 원본을 조금 키워서 트레이스한 뒤 다시 줄이는 방식이 더 깔끔한 경우가 많습니다. 셋째, 변환 후에는 노드 수가 과하게 늘어나는 경우가 있으니, 꼭 편집 가능성을 염두에 두고 단순화하거나 불필요한 포인트를 정리하는 과정이 필요할 수도 있습니다.

포토샵에서 따고, 일러스트레이터에서 벡터화하던 흐름을 피그마 안에서 한 번에 끝낼 수 있다는 점만으로도 작업 흐름이 많이 단순해집니다. 물론 피그마에서도 이제 Vectorize 라는 공식 기능이 등장해 플러그인 활용도가 떨어지고 플러그인 자체도 유료지만 그래도 여전히 반가운 플러그인이 될 수 있습니다.

4. SkewDat

피그마의 변형 기능은 제한적입니다. 물론 회전이나 스케일은 가능하지만, 사각형이나 텍스트를 원근감 있게 찌그러뜨리거나, 기울기를 정교하게 주는 작업은 기본 기능만으로는 불편합니다. 이벤트 배너나 썸네일 타이틀처럼 조금 과한 그래픽 표현이 필요할 때마다 포토샵을 열게 되는 이유가 여기 있습니다.

포토샵의 왜곡이나 원근 기능을 사용할 수 있습니다. <출처: 작가 캡처>

SkewDat는 이 문제를 정면으로 해결해주는 플러그인입니다. 텍스트나 도형을 선택한 뒤 원하는 방향으로 기울이거나 왜곡할 수 있고, 특히 원근감이 들어간 형태를 빠르게 만들 수 있습니다. 포토샵의 자유 변형을 썼던 분이라면 손에 익은 방식으로 느껴질 가능성이 큽니다. UI 설계 자체보다는 콘텐츠 성격의 디자인에서 활용도가 높지만, 실제 실무에서는 UI와 콘텐츠가 완전히 분리되어 있지 않기 때문에 이런 도구가 생각보다 자주 필요합니다.

예를 들어, 프로모션 페이지에서 숫자나 키워드를 강조하기 위해 텍스트를 살짝 눕히거나, 카드 이미지의 라벨을 원근감 있게 만들고 싶을 때가 있습니다. 피그마 기본 기능으로 억지로 하다 보면 결국 시간이 더 걸리고, 결과도 어딘가 어색해지기 쉽습니다. SkewDat로 빠르게 형태를 만든 뒤, 피그마에서 타이포 스타일과 배치를 다듬는 방식이 훨씬 효율적입니다.

아쉬운 점은 무료 사용 제한이 있다는 겁니다. 하지만 이 플러그인 정도는 유료로 사용하는 걸 강력 추천합니다. 보통 단발적인데도 긴급한 경우가 많은데, 그런 상황에서 포토샵 왕복을 줄여주는 비용이라고 생각하면, 충분히 납득 가능한 선택이 될 수도 있습니다.

5. Text on Path

피그마에서도 텍스트를 패스에 올리는 건 가능합니다. 도형을 만들고 텍스트 툴을 가장자리에 가져가면 따라가게 배치할 수는 있습니다. 하지만 거기서 끝입니다. 실무에서는 텍스트를 단순히 곡선에 얹는 것보다, 안쪽으로 말아 넣거나, 바깥으로 벌리거나, 글자 간격과 방향을 더 적극적으로 컨트롤해야 하는 상황이 자주 생깁니다. 특히 브랜딩 페이지, 포스터 스타일 화면, 이벤트 비주얼에서는 타이포 자체가 그래픽 요소가 되기 때문입니다.

피그마 기본 기능과 어느 정도 겹치지만 나름 유용합니다. <출처: 작가 캡처>

Text on Path 플러그인은 피그마 기본 기능에서 한발 더 나아가, 텍스트를 더 다양한 방식으로 패스에 맞춰 배치할 수 있게 해줍니다. 도형 안쪽, 바깥쪽, 정렬 기준, 오프셋 같은 요소를 조절할 수 있고, 결과물을 별도의 그룹 레이어 형태로 만들어주기 때문에 이동이나 관리도 수월합니다. 한 번 만들어두면, 피그마 안에서 다른 요소들과 함께 레이아웃을 잡고, 컴포넌트화하거나 변형하는 흐름도 자연스럽게 이어집니다.

실무 팁을 하나 더 얹자면, 텍스트를 패스에 올린 다음에는 그 텍스트가 기능적으로 읽혀야 하는지, 아니면 비주얼 요소로만 존재해도 되는지 먼저 판단하는 게 중요합니다. 전자가 목적이라면 가독성을 위해 곡률을 줄이고 간격을 보수적으로 잡는 편이 좋고, 후자라면 과감하게 형태를 쓰는 게 오히려 더 낫습니다. 이 플러그인은 그 선택의 폭을 넓혀줍니다. 결국 포토샵에서 타이포를 구부리고 이미지를 내보내던 단계를 피그마 안으로 가져온다는 점에서, 작업 흐름을 매끈하게 만들어주는 도구입니다.

6. Mesh Gradient

단순한 선형 그라디언트가 아니라, 자연스럽게 섞이며 번지는 색 표현이 필요할 때가 있습니다. 브랜드 히어로 영역, 배경이 큰 랜딩 페이지, 혹은 카드의 하이라이트 영역처럼요. 그런데 피그마의 기본 그라디언트 도구는 직관적이지만, 메시 그라디언트처럼 포인트 기반으로 색을 섞어내는 정교함은 아직 부족합니다. 그래서 많은 팀이 포토샵이나 일러스트레이터에서 메시 그라디언트를 만든 뒤 이미지를 가져오는 방식으로 해결해 왔습니다.

Mesh Gradient 플러그인은 이 병목을 피그마 안에서 풀어줍니다. 여러 포인트를 찍어 색을 배치하고, 그 사이를 자연스럽게 연결해주며, 경우에 따라 블러나 번짐 느낌까지 함께 조절할 수 있습니다. 이게 왜 중요하냐면, 메시 그라디언트는 단순히 예쁜 배경을 만드는 것 이상으로, 화면의 분위기를 통일하고 브랜드 톤을 고정시키는 역할을 하기 때문입니다. 색이 섞이는 방식 하나로 화면이 고급스러워지기도 하고, 반대로 저렴해 보이기도 합니다.

그라디언트 생성에선 가장 강력한 성능을 보여줍니다. <출처: 작가 캡처>

그라디언트의 포인트를 수정하는 건 물론 메시 자체의 형태까지도 변형할 수 있습니다. <출처: 작가 캡처>

실무에서는 이렇게 쓰기 좋습니다. 첫째, 브랜드 컬러 2~3개를 기준으로 메시를 만들고, 그걸 히어로 배경이나 섹션 배경에 반복 적용하면 페이지 전체의 공기가 잡힙니다. 둘째, 메시 그라디언트를 한 번 만들어두고 약간씩 변형해 여러 버전을 만들어두면, 썸네일이나 배너에서 재사용 가능한 비주얼 재료가 됩니다. 셋째, 다크모드나 저채도 톤에서도 메시를 쓰면 화면이 뭉개지지 않도록 포인트 배치를 보수적으로 하고, 텍스트 영역은 더 안정적인 단색이나 반투명 오버레이로 받쳐주면 좋습니다.

결국 이 플러그인은 UI와 그래픽의 경계에 있는 작업을 피그마 안에서 끝낼 수 있게 해준다는 점이 핵심입니다. 포토샵으로 나가서 배경을 만들고 다시 가져오는 흐름이 줄어들면, 화면 설계와 비주얼 조정이 한 파일 안에서 동시에 이루어지면서 작업 리듬이 훨씬 좋아집니다.

7. Blobs

포토샵에서 배경용 추상 도형을 만들 때는 펜툴로 형태를 잡고, 리퀴파이로 살짝 흐트러뜨린 다음, 그라데이션과 블러를 얹어 재료를 만들곤 합니다. 문제는 이 과정이 생각보다 손이 많이 가고, 한 번 만들고 나면 수정이 귀찮아져서 결국 비슷한 도형을 계속 재탕하게 된다는 점입니다. 특히 썸네일이나 카드 이미지처럼 지속적으로 비주얼 재료가 필요한 작업에서는, 이 재탕이 눈에 띄는 순간부터 작업물이 급격히 피곤해 보이기 시작합니다.

Blobs는 이 과정을 피그마 안에서 클릭 몇 번으로 단축해 줍니다. 플러그인을 실행한 뒤 Complexity와 Uniqueness를 조절하고 Insert를 누르면 유기적인 블롭 형태가 벡터로 생성됩니다. 벡터이기 때문에 카드 배경처럼 크게 늘려도 거칠어지지 않고, 필요하면 노드 편집으로 형태를 조금 더 다듬는 것도 가능합니다. 무엇보다 좋은 건, 도형을 만드는 과정 자체가 가볍다는 점입니다. 마음에 안 들면 다시 뽑고, 조금 과하면 덜 복잡하게 만들고, 너무 밋밋하면 더 과감하게 만드는 식으로, 포토샵에서 리퀴파이를 만지던 시간을 아주 짧게 압축해 줍니다.

매우 단순한 플러그인이지만 독보적이고 강력합니다. <출처: 작가 캡처>

특히 콘텐츠 썸네일이나 섹션 히어로 배경처럼, 사진을 쓰기엔 무겁고 단색 배경은 심심할 때 유용합니다. 블롭을 여러 개 뽑아두고 그라데이션이나 레이어 블러를 동일한 규칙으로 적용하면, 팀 안에서 반복적으로 쓰는 배경 재료를 피그마 파일 안에 라이브러리처럼 쌓아둘 수 있습니다. 이 영역은 AI가 이미지를 멋지게 만들어주는 것보다, 편집 가능하고 재사용 가능한 벡터 재료를 안정적으로 확보하는 게 더 이득일 때가 많습니다. 결국 실무에서는 멋진 한 장보다, 다음 달에도 다시 꺼내 쓸 수 있는 재료가 더 강합니다.

포토샵을 완전히 대체하지 못해도 가능할 수 있다

이 플러그인들로 포토샵을 완전히 버릴 수 있다고 말하긴 어렵습니다. 여전히 정교한 합성, 픽셀 단위의 디테일 편집, 고급 보정 같은 영역에서는 포토샵이 더 강합니다. 다만 분명한 건, 예전처럼 사소한 그래픽 작업 하나 때문에 포토샵을 열 필요는 점점 줄어들고 있다는 점입니다. 포토샵이 강한 영역을 억지로 피그마로 끌고 오려는 게 아니라, 피그마가 부족한 지점을 플러그인으로 메워서 작업 흐름을 유지하는 쪽이 더 현실적입니다.

피그마 플러그인의 역할은 포토샵을 대체하는 것이 아니라, 디자인 흐름 안에서 포토샵으로 빠져나가는 순간을 줄이는 것에 가깝습니다. 화면 설계부터 간단한 그래픽 편집까지 한 툴 안에서 해결할 수 있다면, 작업의 리듬은 훨씬 좋아집니다.

플러그인의 세계는 여전히 무궁무진하고, 오늘 소개한 것들 외에도 상황에 따라 더 잘 맞는 도구는 계속 등장할 겁니다. 중요한 건 도구 그 자체보다, 내 작업 흐름에서 어떤 순간을 줄여주는지입니다. 그 기준으로 플러그인을 고른다면 피그마는 UI 툴을 넘어서, 점점 더 강력한 디자인 작업 공간에 가까워질 겁니다.

]]>

AI 시대의 디자이너를 위한 글쓰기

지난 글 AI 시대를 사는 디자이너의 무기, UX 심리학에서는 UX 심리학을 알아야 하는 이유와 중요성에 대해 다루었다. 핵심은 사용자의 심리를 이해해야 긍정적인 경험을 디자인할 수 있다는 점이었다. 특히 AI가 몇 줄의 프롬프트만으로도 고충실도(Hi-Fi) 화면을 만들어내는 지금 시대에는, 인간 고유의 공감 역량을 발휘해 사용자를 위한 디자인을 하는 일이 더욱 중요해진다.

<출처: 작가, 요즘IT 캡처>

그렇다면 공감을 위한 이해의 기초인 UX 심리학은 어떻게 공부할 수 있을까? 사실 자이가르닉 효과, 목표 가속화 효과, 피크 엔드 법칙과 같은 개념과 그 이름을 아는 것만으로는 충분하지 않다.

그보다 더 중요한 것은 이러한 이론이 실제 서비스에 어떻게 적용됐는지 살펴보고, 이를 디자인 아이디어로 연결하는 일이다. 그리고 마지막으로 그 내용을 자신의 언어로 정리해야 비로소 온전히 나의 지식으로 만들 수 있다. 하지만 많은 경우 바로 이 지점에서 막히곤 한다. 글을 읽으며 이론은 이해했지만, 막상 사례를 마주하면 설명하기 어려운 데다 글로 정리하려 하면 생각이 흐트러진다.

그래서 이번 글에서는 UX 사례를 분석하고 하나의 글로 완성함으로 나만의 사고 체계를 만들어가는 글쓰기 방법을 5단계 프레임워크로 정리해보고자 한다. 이는 실제로 내가 책 「30가지 심리학 이야기로 풀어보는 UX 디자인」을 집필할 때 활용했던 방법이기도 하다.

UX 심리학 글쓰기를 위한 5단계 프레임워크

분석과 글쓰기를 시작하기에 앞서 가장 먼저 해야할 것은 하나의 주제를 정하는 일이다. 아직 주제를 정하지 못했다면, UX 심리학과 관련된 아티클을 두루 살펴본 다음 가장 흥미가 가는 주제 하나를 선택하면 된다. 그 다음으로 5단계 분석 내용을 정리할 노트를 미리 만들어두는 것이 좋다. 이 글에서는 노션(Notion)에 정리한 내용을 예시로 들어 설명한다.

UX 심리학 분석 5단계 프레임워크 <출처: 작가>

1. Research: 개념 리서치

분석의 첫 단계는 핵심 정의를 정리하는 일이다. 피크 엔드 법칙(Peak-End Rule)을 예로 들어보자. 이는 사람들이 하나의 경험을 평가할 때, 전체 경험의 총합이나 평균이 아니라 ‘가장 강렬했던 순간(Peak)’과 ‘경험이 끝나는 순간(End)’을 중심으로 기억하고 판단하는 현상을 설명하는 이론이다.

이 Research 단계에서는 개념 정의를 한 문장으로 명확히 쓰는 것이 중요하다. 정의를 한눈에 보여주는 그림이나 도식도 함께 정리해두는 것이 좋다. 나중에 다시 살펴볼 때 텍스트를 읽지 않아도, 그림만 보고 개념이 바로 떠오르기 때문이다.

이론의 정의에서 끝내서도 안 된다. 정의가 개념의 ‘결론’이라면, 추가 리서치는 그 과정과 맥락을 이해하는 단계가 되어야 한다. 이때는 다음과 같은 질문을 던져볼 수 있다.

이 이론은 어떻게 밝혀졌을까?
어떤 문제를 설명하기 위해 제시된 개념일까?
이 개념과 함께 자주 언급되거나 여기서 파생된 관련 이론은 무엇일까?
왜 이런 현상이 나타날까?

이러한 질문을 앞서 예시에 던져 보자. 피크 엔드 법칙은 심리학자 다니엘 카너먼(Daniel Kahneman)과 바바라 프레드릭슨(Barbara Fredrickson)이 고통 경험을 조작한 실험을 통해 처음 제시됐다. 두 학자는 고통의 강도와 지속 시간을 다르게 설계한 두 가지 조건을 비교했고, 그 결과 사람들의 선호가 고통의 총량이 아니라 ‘마지막 경험’에 더 크게 영향을 받는다는 사실을 확인했다.

Research 단계 예시 <출처: 작가>

이처럼 어떤 관찰과 검증 과정을 통해 개념이 도출됐는지 그 뿌리를 살펴보면 이해가 깊어진다. 그에 따라 이후 단계에서 더 적절한 사례를 찾고 디자인 전략을 고민하는 데 큰 도움이 된다.

2. Explore: 사례 탐색

개념 리서치로 이론의 정의와 맥락을 파악했다면, 다음 단계는 이 이론이 실제로 어떻게 나타나는지 사례를 탐색하는 일이다. 이때 탐색 범위를 반드시 디지털 서비스로 한정할 필요는 없다. 오히려 일상 속 개인적인 경험부터 떠올려보는 편이 개념을 직관적으로 이해하는 데 도움이 된다.

예를 들어, 태국 여행을 갔을 때 도착하자마자 몸살이 나 이틀 동안 거의 아무것도 하지 못하고 숙소에 누워 있었지만, 마지막 날 방문한 온천이 너무 좋아 여행 전체가 행복한 기억으로 남는 경우를 상상해볼 수 있다. 여행의 시작은 힘들었지만 끝에서 느낀 감정이 전체 인상을 바꿔버린 피크 엔드 법칙의 사례다. 이런 일상 속 경험으로 심리학 개념이 이론서에만 존재하는 것이 아니라 우리가 이미 반복적으로 겪어온 사고 패턴임을 확인할 수 있다.

Explore 단계 예시 <출처: 작가>

그 다음 디지털 서비스로 범위를 넓혀볼 수 있다. 중요한 점은 이 이론이 잘 적용된 사례만 찾을 필요는 없다는 것이다. 같은 이론이라도 어떤 지점에서는 긍정적인 경험을 만들지만, 다른 지점에서는 강한 거부감이나 이탈을 유발하기도 한다.

피크 엔드 법칙의 좋은 사례로는 픽사의 404 오류 페이지를 들 수 있다. 오류 페이지는 사용 흐름이 끊기며 부정적인 감정이 급격히 높아지기 쉬운 구간이다. 픽사는 이 순간에 ‘슬픔이’ 캐릭터를 활용한 재미있는 디자인을 적용해, 사용자의 실망감이 정점(peak)까지 치솟는 것을 완화한다. 즉, 부정적으로 형성될 수 있는 피크 경험을 디자인으로 관리한 사례라고 볼 수 있다.

나쁜 사례로는 스포티파이의 구독 해지 경험을 들 수 있다. 이 서비스는 해지 과정이 지나치게 복잡하고 여러 단계를 거치도록 설계돼 있어 마지막 순간에 강한 불쾌감을 남긴다. 이 경우 이전까지의 사용 경험과 무관하게 해지 과정에서 형성된 부정적 감정이 서비스 전체를 대표하는 기억으로 남는다. 이처럼 사례를 정리하다 보면 엔드 지점이 어떻게 서비스의 인상과 사용자 경험을 망치는지 분명하게 이해하게 된다.

Explore 단계 예시 <출처: 작가>

사례 탐색은 반드시 직접 사용해본 서비스에만 국한될 필요도 없다. 이론과 관련된 해외 아티클이나 UX 분석 글을 찾아보며, 평소 접하지 않았던 사례를 새롭게 접해보는 것도 좋은 방법이다. 새로운 사례를 찾기 위해 앱스토어 인기 순위 차트를 살펴볼 수도 있다. 상위 랭킹에 오른 앱을 직접 다운로드해 사용해보고 해당 이론이 작동할 수 있는 지점을 의식적으로 관찰해보는 것이다. 중요한 것은 사례 그 자체보다 해당 이론이 어떤 방식으로 적용됐는지를 분석하는 데 있다.

이처럼 사례를 탐색하는 과정을 거치면 다음 단계인 ‘이 이론을 디자인에 어떻게 적용할 수 있을까?’라는 질문으로 자연스럽게 넘어갈 수 있다.

3. Apply: 디자인 적용

탐색 단계에서 사례를 충분히 살펴봤다면, 이제 이론을 디자인 전략으로 전환해볼 차례다. 앞에서 나쁜 사례를 찾았다면 오히려 아이디어를 떠올리기 더 수월하다. 예를 들어, 앞서 살펴본 스포티파이의 구독 해지 경험을 떠올려보자.

이 사례의 핵심 문제는 서비스 종료 시점이 부정적으로 설계돼 있다는 점이다. 이를 출발점으로 삼아 해지 과정이나 해지 이후의 경험을 어떻게 다시 설계할 수 있을지 고민해보는 식이다. 예를 들어 ‘이용 권한을 잃게 된다’는 식의 위협적인 UX 라이팅 대신 언제든 다시 돌아올 수 있다는 메시지를 전하거나 그동안의 이용 기록을 긍정적으로 정리해 보여주는 방식도 가능하다.

Apply 단계 예시 <출처: 작가>

앞서 조사한 사례가 아니더라도, 평소 자주 사용하는 서비스나 현재 기획 중인 서비스에 적용할 새로운 전략을 떠올려볼 수도 있다.

예를 들어 밀리의 서재의 경우, 책을 끝까지 읽어도 ‘진도율 100%’라는 표시 외에는 완독에 대한 분명한 보상이 제공되지 않는다. 그래서 책을 다 읽고도 어딘가 덜 마무리된 듯한 찝찝함을 느낄 수 있다. 이때 피크 엔드 법칙을 고려해 완독 직후 축하 메시지를 제공하는 디자인을 추가한다면 서비스가 긍정적인 기억으로 남을 가능성을 높일 수 있다.

Apply 단계 예시 <출처: 작가>

이처럼 1, 2단계가 개념을 이해하고 조사하는 과정이었다면, 3단계에서는 심리학 이론을 본격적으로 디자인 판단에 활용하게 된다.

4. Think: 사고 확장

글을 쓰기 전 마지막 단계는 사고를 확장하는 시간이다. 이때는 앞서 이론을 조사하고 사례를 탐색하며 떠올랐던 질문이나 의문이 생겼던 지점을 먼저 적어본 뒤 스스로 답해볼 수 있다. 1, 2, 3단계는 같은 이론을 다루는 이상 누구나 비슷한 내용을 담지만, 4단계에서는 나만이 다룰 수 있는 내용이 드러난다.

예를 들어, 스포티파이 해지 절차 사례를 더 확장해볼 수 있다. ‘서비스 해지 시점의 경험을 리텐션으로 연결하려면 어떤 디자인을 시도해볼 수 있을까?’와 같은 질문을 던져보는 것이다. 이 질문에는 단 하나의 정답이 존재하지 않는다. 꼭 정답을 맞출 필요도 없다. 디자이너의 관점에서 생각을 정리하는 과정 자체가 중요하다.

만약 적절한 질문이 쉽게 떠오르지 않는다면 AI의 도움을 받을 수도 있다. 어떤 방향으로든 내 생각을 확장할 수 있다면 좋은 질문이 된다.

Think 단계 예시 <출처: 작가>

5. Write: 언어화하여 정리

마지막 단계는 이제까지 모아둔 여러 재료를 하나의 이야기로 연결하는 과정이다. 4단계를 거치며 개념 정의와 이론의 뿌리, 관련 사례와 리디자인 아이디어, 그리고 한층 확장해본 생각까지 다양한 이야깃거리가 쌓였을 것이다. 중요한 점은 이 내용을 그대로 나열하는 것이 아니라 독자가 읽기 쉬운 흐름으로 재배치하는 일이다.

여기서 말하는 독자는 글의 목적에 따라 달라진다. 만약 피크 엔드 법칙을 적용한 디자인을 누구나 이해하기 쉽게 설명하는 것을 목적으로 둔다면 이를 고려해 목차를 짜야 한다.

Write 단계 예시 <출처: 작가>

예를 들어 2단계에서 찾은 일상 사례는 독자의 흥미를 끌기 위해 서두에 배치할 수 있다. 본격적으로 서비스 디자인이나 이론을 말하기에 앞서 누구나 공감할 수 있는 장면을 보여주며 몰입을 유도하는 것이다. 그다음 ‘왜 이런 사례가 발생했을까?’라는 질문을 던지면 자연스럽게 피크 엔드 법칙의 정의를 소개하는 본론으로 넘어갈 수 있다.

본론에서 개념을 정리한 이후에는 글의 주제인 ‘디자인 적용 방법’을 다루게 된다. 이해를 돕는 것을 목표로 했다면, 이론 설명에만 머무르기보다 앞서 찾은 사례 위주로 풀어내는 편이 낫다. 이때 잘 적용된 사례와 그렇지 못한 사례를 나란히 비교해 보여줄 수 있다.

이러한 흐름은 목차로 정리하는 것이 좋다. 이렇게 목차를 먼저 세팅해두면 실제 글을 쓸 때 헤매지 않고 일관된 메시지를 끝까지 유지할 수 있다.

마치며: AI 시대, 글쓰기가 중요한 이유

지금까지 UX 심리학 이론을 학습하고 이를 나만의 언어로 정리하는 방법을 살펴봤다. 단계를 하나씩 따라가다 보면 단순히 이론을 이해하는 수준을 넘어 심리학 개념을 디자인 아이디어로 연결하는 사고방식까지 연습할 수 있다. 또한 하나의 주제를 깊이 탐색하고 이를 글로 구조화하는 과정은 사고력을 끌어올리는 기회가 되기도 한다. 이러한 사고력이야말로 AI 시대에 더욱 중요하게 요구되는 역량이다.

비슷한 맥락의 이야기를 책, 「AI를 이기는 철학」에서도 찾아볼 수 있다. 저자 오가와 히토시는 AI 시대에는 AI를 적극적으로 활용하는 사람과 그에 복종하는 사람으로 인재 양극화가 일어날 것이라고 말한다. 그는 AI의 노예 혹은 복종하는 사람이 되지 않으려면 정보를 수집하고 이를 말로 표현하는 언어화 연습을 계속해야 한다고 강조한다. 이것이 ‘AI를 이기는 철학’으로, 다음과 같은 세 단계로 구성된다.

AI의 노예가 아닌 주인이 되기 위해 중요한 철학의 3단계

의심: 고정관념 부수기
재구성: 정보 수집하기
언어화: 말로 표현하기

출처: 오가와 히토시, 「AI를 이기는 철학」

마지막 단계, ‘말로 표현하기’가 바로 언어화다. 결국 ‘사고’란 사물의 본질을 고민하는 데서 그치지 않는다. 그것을 말로 표현함으로써 비로소 완성된다. 앞으로의 시대에는 이렇게 제대로 사고할 수 있는 사람이 더욱 필요해질 것이라는 것이다.

인공지능이 대부분 작업을 가져갈 것이라 예측되는 전환기에서 우리가 지향해야 할 모습은 결국 자신의 생각을 정리해 글로 표현할 수 있는 사람이다. 그렇기 때문에 UX 심리학처럼 새로운 분야를 공부할 때도, 이론을 많이 아는 것 자체보다 이론을 기준으로 사례를 해석하고 이를 디자인 전략으로 연결한 뒤, 다시 자신의 언어로 정리해보는 과정이 더욱 중요하다. 글에서 소개한 5단계 프레임워크를 반복하는 일은 사고력을 기르는 연습뿐 아니라 그런 성장을 증명하는 나만의 포트폴리오로가 되어줄 것이다.

]]>

우리가 기능이 아닌 문제에 집중해야 하는 이유

국내 유명 IT 기업은 한국을 넘어 세계를 무대로 할 정도로 뛰어난 기술과 아이디어를 자랑합니다. 이들은 기업 블로그를 통해 이러한 정보를 공개하고 있습니다. 요즘IT는 각 기업의 특색 있고 유익한 콘텐츠를 소개하는 시리즈를 준비했습니다. 이들은 어떻게 사고하고, 어떤 방식으로 일하는 걸까요? 이번 글에서는 성형수술 및 피부 시술 정보 제공 플랫폼 ‘강남언니’의 프로덕트 디자이너가 기능에 매몰되었을 때, 어떻게 다시 사용자의 문제로 시선을 돌렸는지에 대해 소개합니다.

안녕하세요. 강남언니 예약/결제 도메인 프로덕트 디자이너 Leila 입니다. 저는 예약부터 내원까지, 고객의 불안을 줄이고 기대를 높이는 경험을 설계하고 있습니다. 여러분은 혹시 좋은 기능을 만드는 데 집중하다 사용자의 진짜 문제를 놓친 경험이 있으신가요? 기능 개발에 몰입하다 보면 문제의 본질을 잊고 기능 완성이 목표가 되기 쉬운 것 같습니다. 오늘은 기능에 매몰되었을 때, 어떻게 다시 사용자의 문제로 시선을 돌렸는지 이야기해보려 합니다.

채팅을 만들었지만 문제는 그대로

일본 고객은 병원에 방문하고 싶을 때 강남언니를 사용해서 예약합니다. 그런데, 예약 신청 후 고객과 병원이 연락이 닿지 않는다는 VOC가 계속 들어왔습니다.예약을 신청했어도, 연락이 닿지 않으면 방문 날짜를 확정하지 못해 병원에 갈 수 없었죠.

병원: "예약한 고객과 연락이 안 돼요."
고객: "예약은 했는데 병원에서 날짜 확정 연락이 안 와요. 언제 가면 되는 거예요?"

문제 해결을 위해 선택한 방법은 채팅이었습니다.

전화보다 부담 없지만 실시간으로 메시지를 주고 받을 수 있고 일본 사용자에게 익숙한 소통 수단이며 예약 정보를 텍스트로 남길 수 있는 방법이었죠.

채팅 기능 배포 후 "드디어 소통 도구를 만들었다"는 성취감에 빠져 VOC가 확 줄어들기를 기대했습니다. 하지만, 현실은 그렇지 않았죠. 채팅을 도입한 이후에도 "연락이 안 된다"는 VOC가 계속 들어왔어요. '기능 배포' 라는 수단에 집중하느라 진짜 목표인 ‘고객과 병원의 소통이 원활해 지게 하는 것’을 놓쳤던 겁니다.

사용자 관찰로 문제 원인 찾기

질문을 바꿔 다시 문제를 들여다봤습니다. 어떻게 더 좋은 채팅을 만들까? → 왜 채팅이 있는데도 소통이 안 될까?이 질문에 답하기 위해 사용자가 채팅을 사용하는 모습을 관찰하고 패턴을 분석했습니다. 핵심은 "어떤 상황에서 소통이 안 되는가?"를 파악하는 것이었어요.행동 데이터를 분석하고, 일본으로 인터뷰를 다녀왔습니다.

고객의 문제: 보이지 않아 닿지 않은 채팅의 가치

채팅 진입 현황 데이터를 보았을 때, 고객은 2가지 경로로 들어오고 있었습니다.

1. 홈 > 마이페이지 > 예약∙결제 내역으로 진입 2. 푸시알림 > 채팅방으로 진입

하지만 2가지 경로 모두 채팅을 확인하는데 어려움을 겪고 있었죠.

1) 예약∙결제 내역의 문제

새로운 채팅이 와도 [마이페이지]탭과 [예약∙결제 내역]메뉴에는 어떤 표시도 나타나지 않았습니다. 메시지를 확인하려면 [마이페이지] → [예약∙결제 내역]메뉴 → [채팅보기] 3번의 과정을 거쳐야 했죠.

2) 푸시알림의 문제

푸시 알림을 클릭하면 채팅방에 바로 진입할 수 있지만, 푸시 알림을 켠 유저 비율이 낮았습니다. 또한 푸시 알림으로 채팅방에 들어온 유저조차 메시지를 다시 확인할 방법을 몰라 VOC가 들어오고 있었죠.

병원에 채팅을 보냈는데 어디서 확인할 수 있나요?
클리닉 채팅 확인은 어떻게 해야 하나요?
어제 문의한 채팅 내역을 볼 수 없습니다.
클리닉에 예약 상담하고 있는 채팅 화면은 어디에서 열 수 있나요?
클리닉에 문의하는 중이었습니다. 채팅하던 화면을 볼 수 없게 되었습니다. 어디서 확인할 수 있나요?

병원의 문제: 고객 메시지에 대응하기 어려운 관리 환경

병원이 겪고 있는 문제는 데이터로 확인하기 어려웠습니다. 실제 사용하는 모습을 관찰하기 위해 일본으로 유저 인터뷰를 하러 갔죠.

병원이 채팅으로 하고 싶은 것은 명확했습니다.

1. 새로운 채팅을 즉각적으로 확인하고 답장하기
2. 병원 방문일이 확정되지 않은 고객을 확인하고, 날짜 확정하기
3. 내원율을 높이기 위해 전날 방문해달라는 리마인드 알림 보내기

하지만 세가지 중 어떤 것도 하기 어려웠습니다.

1) 신규 채팅을 확인하기 어려운 환경

기존에 사용하던 어드민은 고객 정보 확인 목적으로 만들어져 실시간으로 업데이트 되지 않았어요. 병원은 새로운 메시지가 왔는지 확인하기 위해 반복적으로 새로고침을 하고 있었죠. 이뿐만 아니라 고객 목록이 예약 접수 순서로 보여져, 새로운 메시지가 왔는지 확인하려면 여러 페이지를 넘겨봐야 했습니다.

“예약 리스트가 채팅 온 날짜 순으로 보이던가 아니면 답장을 안 한 거는 따로 관리할 수 있게 해주면 좋겠어요.”

2) 방문일이 확정되지 않은 고객만 모아볼 수 없는 상황

“라인은 ‘대응필요’, ‘대응완료’ 이런 식으로 상태 태그를 붙여서 태그별로 모아볼 수 있어 편해요.

3) 수동으로 보내는 리마인드 메시지

“고객 내원일을 체크해두고, 이틀 전이나 하루 전에 전화나 채팅으로 진짜 오는지 확인해요.”

4) 사용성 문제

병원이 채팅을 사용하는 모습을 직접 보니 사용성 문제도 발견할 수 있었어요. 일본 채팅에서는 엔터를 눌렀을 때 줄 바꿈이 되고, 컨트롤+엔터를 눌렀을 때 전송되는 것이 익숙한 경험이었습니다. 하지만 우리가 만든 채팅은 이런 경험을 고려하지 못해 엔터를 누르면 바로 전송돼 입력하던 중간에 잘못 전송되는 경우가 잦았죠.

진짜 문제에 집중하기

관찰한 고객 행동 데이터와 병원 인터뷰를 바탕으로 솔루션을 제안했습니다. 기능이 아니라 ‘고객과 병원의 소통이 원활해 지는 것’ 에 집중했습니다.

고객이 채팅을 쉽게 찾을 수 있게 하기

예약을 신청한 많은 고객은 마이페이지에 진입하고 있었습니다. 하지만 진입 이후 어떠한 액션 없이 이탈하는 비율이 높았어요. ‘고객은 채팅방 진입점을 찾기 위해 마이페이지에 진입한다'는 가설을 세우고, 마이페이지에서 채팅방 가시성을 높이고자 했습니다.

1) 마이페이지에 “채팅” 메뉴 추가

하지만, 마이페이지에 들어오지 않은 고객도 신규 채팅을 확인할 수 있어야 했는데요.채팅방 진입점을 홈에 노출하는 것을 홈 도메인 디자이너에게 제안했습니다. 함께 여러 시안을 고민했고 페르소나별 고객의 맥락, 제품의 확장 가능성을 고려하여 2가지 방법으로 정리했습니다.

2) 홈 상단에 채팅 진입점 노출

3) 안 읽은 메시지가 있을 경우 [내 상담 예약]섹션을 ATF영역에 노출

병원이 고객의 채팅을 놓치지 않게 하기

병원 관리자 화면은 기술적 제약으로 기존 화면을 개선할 수 없었습니다. 기존 화면에 채팅 목록 진입점을 제공한 후 새로운 페이지로 이동시키는 것이 더 빠르게 사용성을 개선할 방법이었죠.

병원의 사용 패턴을 참고해 새로운 페이지에서 채팅 목록을 제공했습니다. 인터뷰 시 병원 담당자는 “새로운 메시지를 확인하고 빠르게 응대하는 것”이 가장 중요하다고 말했죠.

1) 이를 위해 시간 순 정렬을 제공했습니다.

또한 병원은 고객의 내원일 확정 여부에 따라 다른 방법의 응대가 필요했습니다. 이를 위해 내원일 확정 여부는 필수 정보였죠.

2) 고객 채팅방에 내원일 미확정 뱃지를 노출하고, 확정되지 않은 고객만 모아볼 수 있게 했습니다.

3) 수동으로 보내던 리마인드 메시지도 2일 전, 하루 전, 당일에 자동 발송되도록 개선했어요.

더 이상 고객의 내원일을 하나하나 체크해서 리마인드 메시지를 보내지 않아도 됐습니다.

4) 일본 병원 사용성에 맞게 병원의 채팅방 전송 단축키도 컨트롤+엔터로 변경했습니다.

결과는?

개선 후 결과는 명확했습니다.

고객 측면

채팅방 진입 수가 대폭 늘어났습니다.
마이페이지와 홈에서 채팅에 진입하는 비중이 상당한 수준에 달했죠.

병원 측면

채팅을 더 활발하게 사용하기 시작했습니다.
관리자 페이지 진입 수가 늘어나고, 고객 관리도 더 적극적으로 하게 되었죠.

가장 중요한 건, "연락이 안 된다"는 고객과 병원의 VOC가 72% 감소했다는 점이었는데요. 채팅으로 연락할 수 있어 편리하다는 피드백도 있었습니다.

병원: "채팅 기능이 생긴 후로 고객과 연락하기 편해졌어요"
고객: “채팅 기능은 도움이 돼요. 메일을 사용할 때는 다른 앱이나 사이트 안내를 같이 보내줘서 강남언니 앱 안에서 해결을 못했었어요.”

소통이 원활해지니 예약 후 내원까지 이어지는 비율도 눈에 띄게 개선되었습니다.

진짜 문제를 찾는 3단계 프로세스

이번 경험을 돌아보니, 기능에 매몰되지 않고 진짜 문제를 찾기 위한 과정을 3단계로 정리할 수 있었습니다.

1단계: 질문 재정의하기

"How"에서 "Why"로 질문을 바꾸기

어떻게 더 좋은 채팅을 만들까?
왜 채팅이 있는데도 소통이 안 될까?

2단계: 데이터로 패턴 찾기

"언제, 어디서, 무엇이" 문제가 되는지 구체적으로 파악하기

이번에는 이런 데이터들이 실마리를 줬어요.
언제: 예약 신청 후 연락 대기 기간
어디서: 마이페이지 진입 후 높은 이탈률
무엇이: 채팅방 진입 경로를 찾지 못함

3단계: 현장에서 맥락 이해하기

사용자가 실제로 "왜" 그렇게 행동하는지 맥락 파악하기

데이터로는 "채팅 사용률이 낮다"만 알 수 있었는데 현장에서는 "왜 사용하기 어려운지" 구체적 맥락을 알 수 있었어요.

기능 개발에 몰두하다 보면 목표를 잊기 쉬운데요, 그럴 때 이 3단계로 점검해보면 어떨까요?

내가 지금 "How" 질문을 하고 있나, "Why" 질문을 하고 있나?
문제가 발생하는 구체적 지점을 파악했나?
사용자의 실제 맥락과 니즈를 이해했나?

우리의 진짜 목표인 사용자 문제 해결에 집중하지 못하고 기능에 매몰된다고 느낄때, 이 체크리스트가 조금이나마 도움이 되면 좋겠습니다. 긴 글 읽어주셔서 감사합니다.

<원문>

기능이 아닌 문제에 집중하기 - 채팅 상담 개선기

]]>

이제 더는 PPT 만들기 싫은 사람들을 위한 6가지 툴

이제 더는 손으로 PPT 만들기 싫다는 생각, 해 본 적 있으세요?

사실 슬라이드는 시키는 사람들이 으레 하는 말마따나 “거 장표 몇 장 만드는 일”이 아닙니다. 조사부터 스토리 기획, 디자인까지 이어지는 긴 작업이죠. 그래서 요즘은 슬라이드 만들어주는 AI가 주목 받습니다.

문제는 AI 툴이라고 해서 다 같은 출발점에서 시작하지 않는다는 겁니다. 어떤 도구는 검색과 요약, 즉 ‘리서치’에 가깝고, 어떤 도구는 글을 ‘구조화’하는 데 강합니다. 또 어떤 도구는 디자인 규칙을 대신 지켜주고, 어떤 도구는 발표를 ‘이야기’로 엮는 데 집중합니다. 같은 슬라이드를 만든다고 해도 도구가 해결하려는 문제가 다르다는 뜻입니다.

그래서 어디 커뮤니티에서 도는 “무슨 AI 툴이 최고더라”는 말만 믿고 가면 실망하기 쉽습니다. 그래서 오늘은 사람들이 실제로 슬라이드 작업을 할 때 맞닥뜨리는 순서, 즉 업무를 어디서부터 대신해 주는지 기준으로 6개 도구를 정리해 보려 합니다.

요즘 많이 알려진 도구, Genspark, Manus, Gamma를 살펴보고, 단계별로 최적화된 Felo, beautiful.ai, Stroydoc도 볼 예정입니다.

1. 모든 도구에게 요즘IT 프로덕트 밸리를 소개하는 슬라이드를 만들어달라고 요청했습니다. 프롬프트는 챗GPT를 활용해 생성했으며, 동일한 무료 요금제를 적용했습니다. 생성형 AI의 특징으로 결과물 편차가 있었지만, 형평성을 위해 첫 결과물을 그대로 공유합니다.

2. Genspark, Manus, Felo는 단순 PPT 최적화 도구라기보다는 범용 “에이전트 도구”에 가깝습니다. 그만큼 PPT는 조사와 기획, 구조화와 디자인까지 모두 포함하는, 넓은 범위의 능력을 요구한다고 볼 수 있죠. 이런 점을 감안하고 보는 것을 추천합니다. 오늘 등장한 Claude Opus 4.6, GPT-5.3-Codex도 슬라이드 제작 능력을 자랑하더라고요.

이미 많이 보이는 AI PPT 도구 Top 3

1. Genspark: 만능 발표 재료 수집기

AI 슬라이드 도구, Genspark

PPT를 만들기 싫어서 AI툴을 켰는데, 정작 첫 화면에서 멈추는 순간이 있습니다. “그래서 뭘 넣지?”가 정리되지 않으면, 슬라이드는 시작조차 못 하니까요. Genspark는 이 지점에서 출발하는 도구입니다. 사실 이 도구는 PPT 생성기가 전부는 아닙니다. 글에 디자인에 영상에 심지어 개발까지 다 하는 “에이전트 도구”의 정체성을 가지니까요.

그래서 자료 조사와 요약을 먼저 맡는 리서치와 최초의 초안을 전적으로 맡겨봐도 좋습니다. 기대 효과는 단순합니다. 발표 주제의 근거와 배경, 핵심 포인트를 빠르게 모아 한 덩어리로 압축해 주는 거죠. 쉽게 말해, 흩어진 정보를 발표에 쓸 재료로 바꿔 쌓아주는 역할입니다. 그러면 더 세밀한 목차를 잡거나, 슬라이드로 나누는 작업이 훨씬 수월해집니다.

이런 특징이 기획 초반에 잘 맞습니다. 정보가 여기저기 흩어져 있고, 매번 검색 → 정리에 시간을 쓰는 사람이라면 더 체감이 큽니다. 아무리 PPT를 잘 만드는 사람이라도, 결국 첫 단추는 자료 수집인데요, 그 구간을 빠르게 통과하게 해줍니다. 게다가 Genspark는 자체 PPT의 구성 능력도 뛰어난 데다 앱 내 수정을 지원해 꽤 높은 퀄리티로 PPT를 만들어 낼 수 있습니다. 프롬프트를 조금만 공들이면 웬만한 미팅에도 들고 나갈 수 있을 정도로 나오죠.

다만 기대치를 조정해야 만족도가 올라갑니다. 공들인 PPT 자료가 필요할 때는, 결과물을 뚝딱 그대로 쓰기보다 완성본에 필요한 것들, 즉 자료와 문장, 이미지 에셋들이 모인 재료 박스로 생각하는 편이 좋다는 겁니다. 재료가 좋아야 요리가 쉬운 것처럼 이 도구는 PPT의 앞단을 단단하게 만드는 쪽입니다.

Genspark로 만든 슬라이드 예시 보기

2. Manus: 문서를 발표용 설명자료로 바꿔주는 변환기

AI 슬라이드 도구, Manus

PPT가 필요한 조직에서는 이런 상황이 흔합니다. 잘 만들어진 문서나 리포트는 이미 있고, 이를 발표에 최적화된 PPT로 바꿔야 하는 일이죠. 그래서 쉽다고들 생각하지만, 문서를 발표용 PPT로 바꾸려면 사실 거의 처음부터 다시 써야 합니다. 보고서 문장은 길고, 발표는 짧아야 하니, 결국 재가공이 필요해지죠. Manus는 이 문서에서 발표로 넘어가는 구간을 돕는 AI 툴입니다.

강점을 보여주는 포인트는 발표 구조 추출입니다. 긴 글의 요지를 발표 단위로 재배치해 “설명하기 좋은 자료”로 바꿔주는 데 강점이 있습니다. 리포트를 그대로 줄이는 게 아니라 발표자가 말하기 편한 순서로 다시 정리해 주는 겁니다.

리포트 기반 브리핑, 경영진 보고, 프로젝트 리뷰처럼 기존 문서 자산이 많은 조직에서 특히 유용합니다. 이미 쌓여 있는 텍스트를 버리지 않고도 PPT로 전환하는 비용을 줄여주기 때문입니다. 문서가 있는데 PPT가 없는 순간에, Manus는 꽤 현실적인 추천이 됩니다.

최근 Manus는 Meta에 인수되며 유명해졌는데요. 역시 Genspark와 비슷하게 PPT 전용 툴이라기 보다는 이런 저런 업무를 다 해내는 에이전트에 가깝습니다. 그만큼 PPT는 읽고, 분석해, 재구성하는 종합 업무에 가깝다는 뜻이겠죠.

Manus로 만든 슬라이드 예시 보기

3. Gamma: 아이디어를 슬라이드 구조로 잡아주는 도구

AI 슬라이드 도구, Gamma

텍스트로 된 기획안은 어느 정도 있는데, PPT로 옮기려니 일이 커지는 경우가 있습니다. 이 문서를 어디서 끊어 슬라이드로 나눌지 고민하다가 목차가 계속 흔들리기 일쑤죠. Gamma는 이 날것의 문서와 슬라이드 사이의 번역을 도와줘야 할 때 고민해 볼만 합니다. 문서 작성하듯 쓰면, 동시에 발표 형태로 정리되는 구조화형 도구에 가깝거든요.

좋은 점은 텍스트만 입력하면 전개를 한 번에 잡아준다는 겁니다. 입력한 내용을 바탕으로 “문서 → 기획 → 슬라이드”로 흐름을 정리해 주니, 구조 설계 부담이 줄어듭니다. 내가 말하고 싶은 내용을 늘어놓으면 Gamma가 발표 단위로 접어 주는 느낌입니다. 앞서 두 도구와 달리 PPT에 최적화되어 있어 생성 전에 미리 테마와 장표 단위 기획을 조정할 수 있는 것도 장점입니다.

그래서 내부 공유나 팀 회의 자료처럼 빨리 정리해서 바로 보여줘야 할 때 잘 맞습니다. 디자인을 끝까지 다듬기 전이라도, 일단 이야기 뼈대를 세워 공유하기가 쉬워집니다. PPT가 필요한 목적 중의 하나니까요. 개인이나 팀의 머릿 속에 있는 내용을 다른 사람에게 가장 효율적으로 전달해 이해도를 맞추는 일 말입니다. 그 작업에 좋습니다.

대신 그 말은 정말 잘 다듬어진 대외용 PPT를 기대하기에는 어렵다는 뜻입니다. 그래서 디자인보다 내용 구성이 더 급한 사람에게 먼저 권할 타입입니다. PPT의 모양보다, 발표의 흐름이 먼저 필요할 때 힘을 발휘합니다.

Gamma로 만든 슬라이드 예시 보기

그러고 보니 세 가지 모두 바닥부터 시작해 PPT를 처음 만들 때, 어느 정도 완성도를 보장한다는 점이 비슷하네요. 어쩌면 그래서 더욱 널리 알려졌을 지도 모르겠습니다. 하지만, 그것만으로는 모자란 느낌이 분명하게 듭니다. 그럴 때는 이제 소개할 3가지 도구를 탐색해 봐도 좋습니다.

상대적으로 덜 알려졌지만 방향은 분명한 도구 Top 3

1. Felo: 고민보다 속도

AI 슬라이드 도구, Felo

“오늘 오후 발표인데, 아직 빈 PPT부터 켜야 한다.” 이런 상황이 가장 괴롭습니다. 자료는 흩어져 있고, 무엇부터 찾아야 할지도 애매하죠. Felo는 이런 급한 순간에 찾아볼 법합니다. 주제 입력 → 리서치 → 슬라이드 초안까지 한 번에 밀어주는, 속도를 강조한 AI 툴입니다.

사실 PPT를 만들 때 가장 힘든 구간은 페이지를 늘려 나가는 건 아닙니다. 첫 장, 그러니까 빈 화면을 바라보는 시간입니다. 아무래도 검색 도구로 출발한 Felo는 그 시간을 짧게 만들어, 작업이 굴러가기 시작하는 초기 구동력을 줍니다. 완성도를 올리는 일은 그다음 단계로 넘겨도 됩니다. 특히 시간 제약이 큰 개인에게 잘 맞습니다. 팀이라면 “일단 초안을 보고 판단하자” 같은 빠른 실험이 필요한 때 유용합니다. 정교함보다 속도가 먼저인 프로젝트에서 이 갈래의 PPT 추천이 설득력을 가집니다.

다만 슬라이드 작업까지 체감할 수 있게 빠른 것은 아니고요. 또, 빨리 나올수록 그 퀄리티는 어느 정도 생각해야 합니다. 무엇보다 생성 이후에는 “만드는 일”보다 검증과 수정이 더 중요해지고요. 쉽게 말해, Felo가 초안을 내주면 “이게 맞나?”를 책임져야 한다는 겁니다. 이 역할 전환을 미리 받아들이는 게 좋습니다.

Felo로 만든 슬라이드 예시 보기

2. Beautiful.ai: 정렬과 규칙을 자동화하는 디자인 엔진

AI 슬라이드 도구, Beautiful.ai

팀에서 PPT 만들다 보면, 의외로 시간을 잡아먹는 게 따로 있습니다. 문장이나 구성을 잡는 거 보다 정렬, 간격, 레이아웃 맞추다가 밤을 새우는 거죠. Beautiful.ai는 감각으로 예쁘게 만드는 도구라기보다, 규칙으로 디자인을 관리하게 해주는 AI 툴에 가깝습니다.

그래서 당연히 어느 정도 구성이 갖춰진 제작 후반에서 크게 효율이 납니다. 마지막에 반복되는 작업, 예를 들면 “이 박스 2px만 옮기자” 같은 일을 비교적 쉽게 할 수 있습니다. 그 결과, 시간은 줄고 완성도는 방어하기 쉬워집니다. 발표 전날의 소모전을 줄이는 쪽이죠. 그래서 팀 단위 산출물에 더 잘 맞습니다. 여러 사람이 붙으면 슬라이드 톤이 흔들리기 쉬운데, Beautiful.ai는 그 편차를 줄이는 데 유리합니다. 특히 브랜드 톤을 일정하게 유지해야 하는 조직이라면 고려할 만한 PPT 추천입니다.

다만, 생각보다 온전한 AI 기반의 자동화를 기대하기는 어렵습니다. 직접 써보니 AI 기능이 중간중간 들어가 있기는 하지만, 팀 단위 PPT 협업 도구에 조금 더 가까운 느낌을 주었습니다. 한 공간에서 관리하고 피드백을 주고 받고 하는 일에 좀 더 최적화되어 있었죠. 게다가 메시지 자체가 흔들린다면, 디자인 자동화만으로는 해결이 안 됩니다. 먼저 내용의 뼈대를 잡고, 그다음에 Beautiful.ai로 마무리하는 흐름이 자연스럽습니다.

Beautiful.ai로 만든 슬라이드 예시 보기 *클릭하면 다음 장으로 넘어갑니다.

3. Stroydoc: 슬라이드를 ‘설득 단위’로 엮는 스토리 중심 도구

AI 슬라이드 도구, Storydoc

겉보기에는 슬라이드가 괜찮아도 설득이 안 되는 경우가 있습니다. 한 장 한 장은 그럴듯한데, 전체로 보면 기승전결이 없는 제안서처럼 느껴질 때죠. Stroydoc은 그래서 각 장을 예쁘게보다, 전체 흐름을 구성하는 데 초점을 둔 도구입니다. 단순한 발표가 아니라 ‘설득’이 목표인 사람에게 맞습니다.

메시지 설계가 기대할 만합니다. 어디서 문제를 던지고, 어디서 근거를 쌓고, 어디서 결론을 치는지 흐름을 잡아주는 편이니까요. PPT를 읽히는 문서로 만드는 게 아니라, 전환과 강조가 있는 설득 구조로 정리해 준다고 강조합니다. 그러면 발표자가 말하기도 훨씬 편해집니다.

따라서 기획안, 제안서, 피치덱처럼 이야기의 힘이 성패를 가르는 발표를 앞두고 있을 때 써볼만 합니다. 자료가 아니라 “왜 지금 이걸 해야 하는가”를 납득시켜야 한다면, 슬라이드 제작의 중심을 디자인이 아니라 스토리로 옮겨야 하니까요. 그때 이런 유형의 AI 툴 추천이 의미가 생깁니다.

게다가 직접 만들어 보니, 완전한 슬라이드라기 보다 반응형이 많이 적용된 하나의 사이트처럼 동작하기도 하더라고요. 그래서 그 자체로 꽤 완성도 있는 슬라이드가 구성됩니다. 사이트 주소만 입력해도 Favicon을 따다 넣어주기도 하는 등 기업에 최적화된 것도 눈길을 끕니다.

Storydoc으로 만든 슬라이드 예시 보기

AI PPT 툴이라고 다 같은 툴이 아님

도구를 고를 때 제일 흔한 실수는 무작정 “PPT AI툴 추천”부터 찾는 겁니다. 사실 더 빠른 길은 반대입니다. 지금 내가 PPT 만들기에서 어느 구간이 제일 막히는지부터 정하면 좋습니다. 아래 체크리스트는 “어디를 맡길 건가”를 기준으로 정리했습니다.

1) 자료가 없거나, 자료는 있는데 정리가 안 된다면

이 단계는 슬라이드를 만들기 전에, 발표에 들어갈 재료를 모으는 일입니다. 검색을 하다 보면 링크만 쌓이고, 핵심은 안 남는 경우가 많습니다. 이럴 때는 리서치/재료 수집형 AI 툴이 먼저입니다. 예를 들어 Genspark, Felo처럼 자료 조사와 요약에서 출발하는 도구가 여기에 맞습니다.

2) 텍스트를 슬라이드 구조로 쪼개는 게 어렵다면

자료는 모았는데, “그래서 슬라이드는 몇 장으로 나누지?”에서 멈추는 경우가 있습니다. 이건 글을 잘 쓰는 문제라기보다 구조화가 필요한 문제입니다. 문서와 슬라이드 사이의 경계를 메워주는 도구가 도움이 됩니다. Gamma, Manus는 내용을 정리하면서 발표 형태로 바꾸는 쪽에 강합니다.

3) 내용은 좋은데 늘 촌스럽거나 정렬이 무너진다면

여기서부터는 ‘내용’보다 ‘모양’ 때문에 시간이 새기 시작합니다. 폰트 크기, 여백, 정렬이 조금만 흔들려도 전체가 허술해 보입니다. 이럴 때는 디자인 감각을 키우기보다, 디자인 규칙을 자동화하는 쪽이 빠릅니다. 예를 들어 Beautiful.ai는 슬라이드의 정렬과 완성도를 AI가 맞춰주는 방향에 가깝습니다.

4) 설득이 안 되고 흐름이 끊긴다면

슬라이드가 예쁘고 정보도 많은데, 발표가 “그래서 뭐가 결론이지?”로 끝나는 경우가 있습니다. 이건 디자인 문제가 아니라, 서사(스토리)와 전환이 약한 상태입니다. 특히 기획안이나 제안서처럼 흐름이 중요한 PPT에서 더 치명적입니다. Storydoc은 내용을 한 편의 이야기로 엮는 데 초점을 둔 AI 툴입니다.

마치며

AI PPT 추천 툴을 찾다 보면, 기대가 먼저 커집니다. 하지만 막상 써보면 “AI가 PPT를 다 만들어준다”는 말은 반만 맞습니다. 어떤 도구는 자료 수집을 대신하고, 어떤 도구는 구조를 잡아주며, 또 어떤 도구는 디자인/스토리를 다듬는 쪽에 가까우니까요. 그래서 도구의 성격을 모르고 시작하면, 생각보다 손이 많이 가 실망하기 쉽습니다.

핵심은 AI PPT가 만능 자동화가 아니라는 점입니다. 실제로는 ‘조각난 자동화’가 여러 개 붙어 있는 형태에 가깝습니다. 그러니 모든 걸 한 번에 맡기려 하기보다, 내 작업에서 가장 시간을 잡아먹는 구간부터 맡기는 게 효율적입니다. 예를 들어 자료 조사에 매번 시간이 새면 리서치형 AI 툴을, 정렬과 레이아웃이 고통이면 디자인 자동화 쪽을 먼저 고르는 식입니다.

오늘 만들 PPT를 떠올려 보세요. 그리고 내가 맡기고 싶은 단계가 재료인지, 구조인지, 초안인지, 디자인인지, 서사인지부터 정하면 선택이 빨라질 겁니다. 결국 좋은 PPT는 도구가 아니라 맡길 일을 정확히 고른 사람에게서 나옵니다.

]]>

예쁜 화면 말고 빠른 결정이 필요할 때, AI 디자인 툴 6가지

화면은 AI가 순식간에 뽑아주는데 프로젝트 속도는 왜 그대로일까요? 버튼 몇 번으로 그럴듯한 UI가 나오면 일도 같이 빨라질거라 기대했으나 현실은 다릅니다. 막상 회의는 길어지고, 방향은 자꾸 바뀌고, 결정은 미뤄집니다.

진짜 병목이 ‘픽셀’을 만드는 일이 아니라 업무의 흐름에 있기 때문입니다. 일하다 보면 아이디어 → 구조화 → 실행(구현/프로토타입) → 검증으로 넘어가는 과정이 매번 끊기기 일쑤입니다. “이게 맞나?”를 확인하기까지 그 왕복이 길다는 뜻입니다. 결국, 제품과 고객에만 몰입할 시간을 만들어주는 건 예쁜 화면이 아니라 의사결정이 가능한 형태로 빨리 만드는 능력에서 나옵니다.

그래서 오늘은 AI 디자이너 도구 6개를 의사결정 속도 단축 관점으로 묶어 소개하려고 합니다. 무슨 AI 툴이 어떤 단계의 시간을 줄이는지, 즉, 어디에서 왕복을 줄여주는지로 알아봅시다. “도구가 뭘 해준다”보다 “내가 어떤 순간에 써야 빨라지는가”에 초점을 맞춥니다. 실무에서 바로 써볼 만한 도구 추천이 필요했다면, 이 분류가 더 도움이 될 겁니다.

AI 디자이너 도구를 ‘의사결정 파이프라인’으로 분해하기

빠르게 그럴듯한 화면을 만드는 일은 이제 어렵지 않습니다. 문제는 그 다음입니다. AI가 뽑아주는 화면은 보통 정답이 아니라 후보군에 가깝습니다. 보기 좋은 결과가 나온다 해도 오히려 “이 중에 뭐가 맞지?”라는 고민이 뒤늦게 시작되기도 합니다. 결국 화면 생성만 빠르면 결정이 빨라질 거라는 기대가 쉽게 깨집니다. 그래서 디자인 AI 툴을 고를 때는 예쁜 화면보다 판단이 빨라지는 흐름을 기준으로 봐야 합니다.

UX 의사결정 속도를 늦추는 3대 병목

현장에서 UX 의사결정의 발목을 잡는 것은 크게 3가지 모멘트로 볼 수 있습니다.

첫 번째 병목은 아이디어가 문서/회의에만 머무는 경우입니다. 말과 글로는 다 합의한 것 같은데, 막상 정보 구조(IA)나 사용자 흐름(플로우)로 내려오지 못합니다. 이 단계가 길어지면 이후 작업은 계속 “말로만 한 기획”을 해석하는 시간이 됩니다. 결정 대신 해석이 늘어나면 속도가 떨어집니다.

두 번째 병목은 구조는 있는데 화면/프로토타입으로 못 이어지는 경우입니다. 플로우는 그렸는데 실제 화면으로 옮기는 순간 손이 많이 가면 테스트가 늦어집니다. 테스트가 늦어지면 “이게 맞는 흐름인가?”를 확인하는 시점도 뒤로 밀립니다. 그러면 다시 회의로 돌아가고, 왕복이 늘어납니다.

세 번째 병목은 화면이 나왔는데 “왜 이게 좋은 UX인지” 근거가 빈약한 경우입니다. 결과물이 있어도 합의가 안 나면 결국 다시 처음부터 논의합니다. 이때 팀은 화면을 두고 취향 싸움을 하게 됩니다. 그래서 ‘만든 것’보다 ‘설명 가능한 것’이 의사결정을 더 빨리 만듭니다.

병목을 해결해 줄 6가지 도구

이 3가지 병목의 해결을 도와줄 AI 디자이너 도구 6가지를 가져왔습니다. “화면을 잘 뽑는 도구”가 아니라, 어느 구간의 왕복을 줄여주는 도구인지로 나눴습니다. 아이디어에서 실행까지, 어디를 단축시키는지가 선택 기준입니다. 아래 분류대로 보면, 내 팀이 막히는 지점을 더 빨리 찾을 수 있습니다.

아이디어 → 구조화를 줄이는 도구: Relume, Uizard
구조 → 실무 디자인 흐름을 줄이는 도구: Figma Make, Stitch
디자인 → 실제 화면(프로덕션/프로토타입)을 줄이는 도구: Framer AI, v0

아이디어 → 구조: Relume, Uizard

회의에서 가장 많이 새는 시간은 “어떤 화면이 예쁘냐” 나눌 때가 아닙니다. “무엇을 만들지”가 합의되지 않은 상태에서, 말로만 왔다 갔다 할 때입니다. Relume와 Uizard는 이 구간을 줄여주는 AI 도구입니다. 한마디로 아이디어를 ‘구조’나 ‘후보 화면’으로 당겨와서 의사결정 속도를 올려주는 거죠.

Relume: 빠른 구조 설계로 보고 얘기하기

AI 디자이너 도구, Relume

Relume의 강점은 픽셀을 먼저 만지는 대신 IA(정보구조)와 페이지 구성을 먼저 뽑는다는 데 있습니다. “무엇을 만들지”를 페이지와 섹션 단위로 보여주니 팀은 같은 방향을 보고 이야기하게 됩니다. 그래서 결과물이 아니라 합의 방식을 바꿔줄 가능성이 생기죠.

가장 와닿을 만한 지점은 회의의 언어가 달라진다는 것입니다. PM/마케터/개발자와의 논쟁이 감이 아니라 구조 단위(페이지/섹션)로 내려오면 대화가 쉬워집니다. 요구사항이 바뀌어도 구조를 먼저 흔들고, 화면은 나중에 맞추게 되어 재작업이 줄어듭니다. 즉 디자인을 고치는 일보다 구조를 조정하는 일이 먼저가 됩니다.

Relume를 추천하는 순간은 구조가 커지거나, 길을 잃기 쉬운 프로젝트를 다룰 때입니다. 예를 들면 신규 랜딩/마케팅 페이지처럼 빠르게 뼈대를 세워야 할 때가 그렇습니다. SaaS 웹 정보구조 정리처럼 페이지 수가 많을수록 효과가 커집니다. 특히 페이지가 너무 많아 산으로 가는 프로젝트에 잘 맞습니다.

다만 이처럼 구조를 너무 빨리 뽑으면, 품질과 우선순위가 빈약해지기 쉽습니다. 뼈대가 생겼다는 이유로 내용이 따라올 거라 착각하기 때문입니다. Relume는 그 구조 안에 무엇이 들어갈지 정확히 이해하고 있을 때 속도가 납니다. 그래서 마케팅 목적의 웹/랜딩처럼 페이지와 섹션 구조가 유사하지만 중요한 영역에서 빛이 납니다.

Uizard: 빠른 시안/와이어 수준의 ‘의사결정 후보’ 만들기

AI 디자이너 도구, Uizard

Uizard는 아이디어를 즉시 와이어/시안 후보로 만드는 쪽에 강합니다. 말로만 설명하던 흐름을 화면으로 꺼내, 회의 시간을 줄이는 방식입니다. 쉽게 말해 “논쟁의 소재”를 빨리 만들어주는 AI 디자이너 도구입니다.

실무에서 빨라지는 지점은 테스트/피드백 루프가 앞당겨진다는 것입니다. 사용자 플로우를 화면으로 꺼내면, 팀이 더 빨리 보고 더 빨리 고칠 수 있습니다. 무엇보다 토론의 형태가 바뀝니다. “이걸 만들까?”가 아니라 “A안/B안 중 뭘 택할까?”로 이동합니다.

그래서 Uizard는 결론을 빨리 내야 할 때 유리합니다. 초기 컨셉 검증처럼, 정답보다 반응을 먼저 봐야 하는 상황이 대표적입니다. 빠른 내부 설득(스테이크홀더 리뷰)에도 좋습니다. 일정이 촉박한 MVP라면 후보를 빨리 만들수록 다음 단계가 열립니다.

주의할 점도 분명합니다. 시안이 빨리 나올수록 그럴듯해 보이는 착시가 생기기 때문입니다. 보기 좋은 화면이 곧 좋은 UX라는 오해가 들어오기 쉽습니다. 그래서 사용자 목표/시나리오 체크리스트를 같이 두고, 후보를 검증하는 장치를 만들어야 합니다. 결국 결정은 디자이너의 역량이고, 안목은 자동으로 생기지 않습니다.

구조 → 실무 디자인: Figma Make, Stitch

실무에서 체감 속도가 빨라지는 지점은 화면을 그리는 손이 아니라 결정을 굴리는 바퀴가 굴러갈 때입니다. 아무리 대단한 툴을 써도 디자인 영역의 모든 일을 대신해주진 않습니다. 대신 요즘 나오는 AI 도구는 아이디어를 구조로, 구조를 화면으로 바꾸는 흐름을 짧게 만듭니다. 그 덕분에 같은 시간에 더 많이 비교하고, 더 빨리 합의할 수 있습니다. 이를 위해서는 어느 정도 일관성을 가진 상태에서 우리가 평소 쓰는 도구 안에 그 흐름을 녹여야 합니다.

Figma Make: 만드는 속도를 넘어 ‘실험 횟수’ 늘리기

AI 디자이너 도구, Figma Make

Figma Make의 강점은 “더 빨리 ‘한 장’을 만들 수 있다”가 아닙니다. Figma 생태계 안에서 수정과 변형을 빠르게 반복하며 무언가 작동하는 것을 만들게 해준다는 데 있습니다. 그 결과, 디자이너들은 같은 시간에 더 많은 대안을 탐색할 수 있습니다. AI 디자이너 도구를 단순히 한 번 써보고 말 생성기가 아니라 반복 실험 장치로 쓰는 쪽에 가깝습니다.

특히 빨라지는 지점은 반복 작업입니다. 레이아웃을 이리저리 바꾸고, 익숙한 UI 패턴을 적용하고, 변주안을 여러 개 뽑는 과정이 짧아집니다. 방법도 단순합니다. 프롬프트만으로 구성할 수 있죠. 그래서 목표가 1안 완성에서 3~5안 비교 후 선택으로 바뀝니다. 비교 후보가 늘면 회의에서의 결론도 더 단단해집니다.

그러니 이미 디자인 시스템이 있고, 그 규칙 안에서 다양한 변형이 필요할 때 추천합니다. 리뷰 반영이 잦아서 “수정에 지치는” 구간에도 잘 맞습니다. 이때 Figma Make는 단순히 UI 만들어주는 툴이라기보다 수정 루프를 줄여주는 도구로 체감됩니다.

주의점도 있습니다. AI가 만든 변형은 규칙 준수는 잘하지만 맥락 이해는 약합니다. 정보 우선순위나 행동 유도 같은 UX 논리는 사람이 확정해야 합니다. 결국 도구 추천의 기준은 결과물이 아니라 판단을 더 잘하게 만드는지입니다.

Stitch: 실무 디자인 흐름(구성/레이아웃)을 압축하기

AI 디자이너 도구, Stitch

구글이 만든 Stitch도 비슷합니다. 아이디어와 참조 이미지를 넣으면 변형된 UI와 프론트엔드 코드가 나오는데요. 특히, 실무에서 계속 나오는 “짜잘한 구성 결정”을 묶어서 속도를 내는 것에 강점이 있습니다. 즉, 손이 많이 가는 구간을 한 번에 정리해 주는 도구입니다. 그래서 체감 속도가 크게 납니다. Galileo AI를 인수해 내놓은 툴인 만큼 성능도 좋죠.

핵심은 구조에 맞는 화면 스캐폴딩, 즉 뼈대를 빨리 만든다는 점입니다. 뼈대가 빨리 나오면 디자이너는 디테일과 우선순위에 집중할 수 있습니다. 버튼 크기나 간격을 맞추느라 늦는 대신 무엇을 먼저 보여줄지에 시간을 씁니다. 이 흐름 압축이 Stitch가 주는 가치입니다. (생각해 보니 모든 AI 디자이너 도구들이 달성해야 할 진짜 가치긴 합니다)

추천 사용 순간은 화면 수가 많고 패턴이 반복될 때입니다. 관리자, 대시보드, 설정 화면처럼 비슷한 레이아웃이 이어지는 제품이 대표적입니다. UX 결정은 끝났는데 그리느라 늦는 상황에서 특히 효과가 납니다.

다만 뼈대가 빨리 나올수록 “왜 이런 구조인가”의 근거가 약해질 수 있습니다. 그래서 결정 로그(Decision log)를 함께 남기는 습관도 있으면 좋습니다. 누가 봐도 같은 결론에 도달하기 위해 선택 이유를 기록해야 팀 합의가 유지됩니다. 도구가 빨라질수록 사람이 설명해야 하는 결과물의 양과 그에 따르는 책임도 커집니다.

디자인 → 핸드오프: Framer AI, v0

디자인이 끝났는데도 제품이 늦어질 때가 있습니다. 화면이 “예쁘게 그려졌는지”가 아니라, “진짜로 눌러보고 움직여보며” 판단해야 할 때입니다. 이 구간에서 AI 툴은 디자인을 대신하기보다 의사결정까지 가는 거리를 줄여줘야 합니다. 그런 맥락에서 Framer AI와 v0는 특히 “디자인 → 실제 화면” 연결을 당겨주는 툴입니다.

Framer AI: 프로토타입을 ‘진짜 웹처럼’ 만들어 검증하기

AI 디자이너 도구, Framer AI

정적 목업은 보기엔 그럴듯하지만, 막상 판단이 늦어집니다. 사용자는 스크롤을 어디서 멈추는지, 버튼을 눌렀을 때 망설이는지, 어느 지점에서 이탈하는지가 중요하기 때문입니다. Framer는 결과물을 동작하는 페이지에 가깝게 만들어 사용자 반응을 더 빨리 확인하게 돕습니다. (국내에서는 토스의 디자인 툴로 알려졌죠) Framer 자체가 가진 강점에 AI가 또 붙은 것이죠. 쉽게 말해 그림이 아니라 작동하는 샘플로 검증을 앞당기는 쪽입니다.

이 변화는 테스트뿐 아니라 설득에서도 큽니다. 마케팅, 세일즈, 경영진은 보통 설명보다 보이는 것에 더 빠르게 반응합니다. 클릭해보고 흐름이 이어지는 화면은 회의에서 논쟁을 줄이고 결정을 당깁니다. 그래서 Framer AI는 ‘만들 수 있냐’보다 ‘이게 먹히냐’를 빨리 묻고 싶을 때 힘을 냅니다.

특히 이런 순간에 우선순위가 올라갑니다.

랜딩 페이지 실험을 빠르게 돌려야 할 때
짧은 기간의 캠페인 페이지를 여러 버전으로 만들어야 할 때
기능 단위의 마이크로사이트가 필요한 때
가설이 맞는지를 빠르게 보는 A/B 가설 검증이 필요할 때

다만 만들기가 빨라질수록 측정이 허술해지기 쉽습니다. 무엇을 KPI로 볼지, 어떤 행동을 이벤트로 남길지 같은 설계가 없으면 학습이 남지 않습니다. 즉, Framer AI로 화면은 빨리 만들 수 있어도 측정·학습의 설계는 사람이 책임져야 합니다.

v0 by Vercel: 디자인을 곧바로 코드로 연결하기

AI 디자이너 도구, v0 by Vercel

디자인에서 개발로 넘어갈 때 가장 큰 비용은 종종 “해석”입니다. 같은 화면을 두고도 디자이너와 개발자가 다르게 이해하면서 커뮤니케이션 손실이 생깁니다. v0는 이 구간을 줄여 디자인 결과물을 구현에 가까운 형태로 당겨줍니다. 쉽게 말해 “그릴 줄 아는 사람”과 “만들 줄 아는 사람” 사이의 번역 비용을 낮춥니다.

특히 컴포넌트 기반 개발 흐름과 맞물리면 속도가 더 납니다. 버튼, 입력창, 카드처럼 조립 가능한 단위로 화면을 쌓는 팀이라면 초안 화면을 빠르게 세우고 반복 개선하기가 쉬워집니다. 그래서 v0는 ‘완벽한 디자인’보다 ‘일단 돌아가는 화면’이 필요한 팀에 잘 맞습니다. (공식적으로 v0는 백엔드 로직가지 포함한 end-to-end를 지향합니다. 그래서 바이브 코딩 도구로도 들어가죠.)

쓰면 좋은 순간은 이렇습니다.

프론트엔드 리소스가 부족한데 화면은 빨리 필요할 때
MVP를 짧은 시간에 내야 할 때
완성도보다 작동이 먼저인 초기 검증 단계일 때

주의점도 분명합니다. v0가 만들어준 코드는 출발점이지, 그대로 끝이 아닙니다. UX, 접근성, 상태 설계, 엣지 케이스 같은 디테일은 자동으로 채워지지 않는 경우가 많습니다. 결국 마지막 품질은 사람이 책임져야 하고, 이건 어떤 툴을 써도 변하지 않습니다.

여러분은 어떤 AI UX 툴을 쓰고 있나요?

Figma Make, Stitch, Relume, Uizard, FramerAI, v0의 찐 사용자 리뷰를 남겨 주세요.
아래 폼으로 신청하고 리뷰를 남기기만 해도 네이버페이 3,000원을 무조건 드립니다.
여러분의 리뷰는 또 다른 콘텐츠로 만들어질 예정이에요. 최고의 리뷰를 남긴 분에게는 무려 30,000원!

리뷰어 신청하기

마치며

AI 디자이너 도구를 “디자인을 모조리 대신해주는 툴”로 보면 아직은 실망하기 쉽습니다. 지금 기준으로는 모두 아이디어 → 구조 → 실행으로 옮겨가는 시간을 줄여, 팀의 의사결정 속도를 올리는 쪽에 그 가치를 두고 있는 것이 맞습니다. 화면을 예쁘게 뽑는 능력보다, “이 방향이 맞나?”를 빨리 확인하게 해주는 도구라는 뜻입니다. 그래서 탐색도 무엇을 만들까가 아니라, 어디서 막히나부터 시작하는 게 맞습니다.

정리하면 선택은 의외로 단순해집니다. Figma Make,Stitch는 종합적인 선택지 아래서 기존 실무 흐름을 가장 직접적으로 건드립니다. Uizard,Relume는 빠른 시안과 구조 설계에 강하고, 초반 합의 속도를 끌어올리기 좋습니다. Framer AI,v0는 결과물을 실제 화면으로 바로 이어줘 작동하는 형태로 검증을 당깁니다.

다음 프로젝트에서는 목표를 화면을 더 빨리 만들기가 아니라 결정을 더 빨리 내리기로 잡아보면 좋겠습니다. 그리고 병목이 생기는 단계에 맞춰 도구 1개만 골라 붙이세요. 효과는 감이 아니라 리드타임과 재작업 횟수로 측정해야 팀 단위로 학습할 수 있습니다.

마지막으로, 맨날 하는 말이라 지겹겠지만, 결론은 같습니다. 결국 마지막 결정은 디자이너의 역량이고, AI가 뽑은 결과물일수록 더 냉정하게 봐야 합니다. “그럴듯함”이 아니라 좋은 UX의 기준으로 걸러내는 안목이 있어야, AI 디자이너 도구가 진짜 속도를 만들어줄 테니까요.

]]>

지금 반드시 알아야 할 AI 제품 디자인 플레이북

본문은 요즘IT와 번역가 Jane Heo가 함께 다라 소발로주(Dára Sobaloju)의 글 <The Designer’s Playbook for AI Products>을 번역한 글입니다. 이 글은 AI 시대의 제품 디자이너를 위한 사고방식, 디자인 원칙, 실전 패턴을 정리한 실무 중심 에세이입니다. 필자인 다라 소발로주는 프로덕트 디자이너이자 디자인 엔지니어입니다. 또한 퓨빔(Pewbeam) AI의 창립자이며, 5만 명 이상의 디자이너가 사용하는 피그마(Figma) 플러그인을 제작했습니다. 현재 LinkedIn과 X를 통해서도 AI 제품 디자인과 실무 경험에 대한 인사이트를 꾸준히 공유 중입니다.

필자에게 허락을 받고 번역했으며, 글에 포함된 각주(*표시)는 ‘번역자주’입니다.

미리 요점만 콕 집어보면?
이 글은 AI 시대의 제품 디자이너를 위해 사고방식, 디자인 원칙, 그리고 실제로 효과가 있는 패턴들을 정리한 실무 중심의 에세이입니다.
AI를 위한 디자인은 생각보다 낯설지 않으며, 사용자 니즈·명확한 피드백·직관적인 플로우 같은 기존 원칙은 오히려 더 중요해집니다.
핵심은 AI가 우선인 디자인이 아니라 사용자부터 시작하고, 신뢰·통제·설명 가능성을 갖춘 경험을 설계하는 것입니다.

우리 중 일부는 원해서가 아니라 우연히 AI 디자인을 하게 되었습니다. 어느 날은 핀테크 대시보드에서 픽셀을 다듬고 있었는데, 다음 날에는 챗봇을 어떻게 하면 고객 서비스 악몽이 아니라 실제로 이야기를 들어주는 동료처럼 느껴지게 만들 수 있을지 고민하고 있죠. 저도 그렇게 시작했습니다. 어떤 기능을 작업하고 있었는데 누군가가 말했습니다. “여기에 AI를 추가할 수 있을까요?” 저에게는 플레이북이 없었습니다. 솔직히 말해, 아무도 없었던 것 같습니다.

이 글을 읽고 있다면, 아마 비슷한 상황일 겁니다. 제품 팀이 갑자기 모든 것이 “AI가 핵심 동력으로 작동(AI-powered)”해야 한다고 결정했을 수도 있고, 인터페이스가 말을 걸어올 수 있을 때 무엇이 달라지는지 진심으로 궁금할 수도 있습니다. 어느 쪽이든, 환영합니다. 저는 지난 몇 달 동안 연구 자료, 사례 연구, 그리고 제 자신의 실험을 파고들며 무엇이 실제로 효과가 있는지 알아냈습니다. 이것이 제가 배운 것들입니다.

AI 제품 디자인을 위한 디자이너의 플레이북(반복적으로 마주치는 문제에 대한 해법 모음집) <출처: 원작자>

기존의 규칙은 (대부분) 여전히 적용된다

놀라웠던 점이 하나 있습니다. AI를 위한 디자인은 생각보다 그렇게 낯설지 않습니다. 기본 원칙들(사용자 니즈, 명확한 피드백, 직관적인 플로우)은 언어 모델이 들어온다고 해서 사라지지 않습니다. 오히려 더 중요해집니다. 시스템이 예측 불가능한 출력을 생성할 수 있을 때, 디자이너의 역할은 사용자가 길을 잃지 않도록 충분한 구조를 만드는 것입니다.

하지만 한 가지 함정이 있습니다. 기존 인터페이스는 결정론적입니다. 버튼을 클릭하면 어떤 일이 일어나고, 그 일은 매번 동일하게 일어납니다. AI는 이 계약을 깨뜨립니다. 같은 프롬프트가 서로 다른 응답을 만들어낼 수 있습니다. 시스템은 틀린 정보를 아주 자신 있게 제공할 수도 있습니다. 요청한 대로는 했지만, 사용자가 의도한 바는 아닐 수도 있습니다.

매기 애플턴(Maggie Appleton)의 연구에 따르면, 대화형 AI는 느립니다. 사용자들은 자신의 의도를 효율적으로 표현하는 데 어려움을 겪으며, 필요한 내용을 입력하는 데만 30초에서 60초가 걸리기도 합니다. 이 내용을 읽으면서, 사람들이 빈 채팅 입력창 앞에서 무엇을 써야 할지 몰라 멍하니 있는 모습을 수없이 봤던 기억이 떠올랐습니다. 깜빡이는 커서는 끔찍한 온보딩 경험입니다. 그래서 최고의 AI 제품들은 사용자를 그냥 대화 속으로 던져 넣지 않습니다. 그들은 사용자를 안내합니다.

사용자부터 시작하고, 도움이 되는 곳에만 AI를 더하라

제가 계속해서 되뇌는 문장이 하나 있습니다. AI가 우선인 디자인이 아니라 먼저 사용자 니즈를 생각하고, 그 다음에 AI가 도움을 주는 방식으로 설계하라(AI-second design). 아이디어는 단순합니다. “여기에 AI를 어떻게 쓸 수 있을까?”에서 시작하지 않습니다. 대신 “사용자는 실제로 무엇이 필요한가?”에서 시작합니다. 그리고 나서 AI가 조용히 그것을 더 쉽게 만들어줄 수 있는 지점을 찾습니다.

양념과 같다고 생각해 보세요. 후추를 샀다고 해서 냄비에 한 통을 전부 붓지는 않습니다. 먼저 음식을 맛보고, 부족한 부분을 채웁니다. AI도 마찬가지입니다. 이미 잘 작동하고 있는 것을 강화해야지, 전체 요리가 되어서는 안 됩니다. 이건 당연하게 들리지만, 놀랄 만큼 많은 제품이 이를 거꾸로 합니다. AI 기능을 먼저 만들고, 그 다음에 그것이 해결할 문제를 찾습니다. 사용자는 그런 접근을 바로 알아차립니다. 억지스럽게 느껴지고, 소셜 미디어에서 지나치게 친근한 척하는 브랜드처럼 보입니다.

닐슨 노먼 그룹(NN/g, Nielsen Norman Group)의 제이콥 닐슨(Jakob Nielsen) 팀은 이를 “AI-first” 디자인과 “user-first” 디자인의 차이라고 부릅니다. 성공하는 제품들은 AI가 거의 눈에 띄지 않습니다. 그저 더 빠르고, 더 똑똑하고, 더 개인화된 경험을 제공할 뿐입니다.

실용적인 예시: 모든 것을 채팅에 입력하게 만들지 마세요. 대신 제가 “웨이파인더스(wayfinders)”라고 부르는 패턴을 고려해 보세요. 이는 사용자가 시작할 수 있도록 돕는 패턴입니다. 예시 프롬프트, 제안 칩, 템플릿, 후속 질문 등이 여기에 포함됩니다. 스포티파이(Spotify)는 AI 플레이리스트에서 이를 잘 활용합니다. 사용자는 자신의 기분을 처음부터 설명할 필요가 없습니다. “일요일 오후를 위한 잔잔한 음악” 같은 출발점을 제공하고, 사용자는 이를 약간만 수정하면 됩니다. AI가 대부분의 작업을 하지만, 사용자는 여전히 통제하고 있다고 느낍니다.

신뢰의 문제 (그리고 왜 이제 당신의 문제가 되었는가)

불편한 진실이 하나 있습니다. 대부분의 사람들은 AI를 신뢰하지 않습니다. 그리고 솔직히 말해, 맹목적으로 신뢰해서도 안 됩니다. 시스템은 환각을 일으킵니다. 완전히 자신만만하게 무언가를 지어냅니다. 학습 데이터에 포함된 편향을 그대로 반영합니다. 디자이너와 개발자로서, 우리는 우리가 만들지 않은 기대를 관리하는 일을 하게 되었습니다.

맥킨지(McKinsey)의 AI 신뢰 연구는 이렇게 말합니다. 신뢰가 없으면, 사용자는 시스템을 사용하지 않습니다. 신뢰는 결과와 그 결과가 어떻게 만들어졌는지를 이해하는 데서 옵니다.

저는 신뢰를 세 가지 층으로 나눕니다.

1. 가시성:사용자가 AI가 무엇을 하고 있는지 볼 수 있는가

2. 설명 가능성: 왜 그런 행동을 했는지 이해할 수 있는가

3. 통제: 변경하거나, 무시하거나, 완전히 덮어쓸 수 있는가

세 가지를 모두 충족하면 사람들이 실제로 의지할 수 있는 무언가를 만들 수 있습니다. 하나라도 놓치면, 결국 좌절을 낳는 제품이 됩니다.

실제로는 이렇게 보인다

링크드인(LinkedIn)은 채용 담당자에게 왜 특정 후보자가 잘 맞는지 설명합니다. “이 프로필은 필수 기술 5개 중 4개와 일치합니다.” 한 문장으로 가시성과 설명 가능성을 모두 제공합니다.
마이크로소프트 코파일럿(Microsoft Copilot)은 출처를 보여주어 사용자가 정보가 어디에서 왔는지 검증할 수 있도록 합니다. 직접 클릭해서 확인할 수 있습니다.
페이팔(PayPal)은 머신러닝을 사용해 사기를 감지하고, 왜 거래가 플래그 처리되었는지 설명하며, 다음 단계를 명확히 제시합니다. 페이팔(PayPal)의 AI 기반 사기 탐지는 사기 거래를 크게 줄였고, 대부분의 사용자는 이 시스템을 신뢰한다고 말합니다. 이 신뢰는 정확도만으로 생긴 것이 아닙니다. 투명성에서 비롯되었습니다.

또 하나의 개념은 “트러스트 트랩(trust trap)”입니다. 사용자가 느끼는 자신감과 AI의 실제 능력 사이의 불일치입니다. 어떤 사람들은 AI를 과신해 모델이 말하는 모든 것을 검증 없이 받아들이고, 어떤 사람들은 최악을 가정해 유용한 기능조차 피합니다. 디자인은 이 두 극단을 조정해야 합니다.

실제로 효과가 있는 패턴들

저는 AI 디자인 패턴을 수집하는데, 어떤 사람들은 스니커즈를 수집하죠. 에밀리 캠벨(Emily Campbell)의 Shape of AI는 제가 찾은 최고의 분류 체계입니다. 그녀는 여섯 가지 카테고리에 걸쳐 패턴을 정리했습니다. 그중 제가 가장 자주 사용하는 것들입니다.

웨이파인더스(Wayfinders)

사용자가 시작할 수 있도록 돕습니다. 예시 갤러리, 프롬프트 제안, 템플릿, “이렇게 물어보세요” 같은 텍스트가 여기에 포함됩니다. ChatGPT는 홈 화면에서 제안 프롬프트를 보여주고, 노션(Notion) AI는 “요약”, “번역” 같은 액션 칩을 제공합니다. 목표는 빈 입력창에 대한 불안을 줄이는 것입니다.

거버너스(Governors)

사람을 루프 안에 두는 패턴입니다. AI가 실행하기 전에 보여주는 액션 플랜, 결과를 제안으로만 제공하는 초안 모드, 시스템이 사용자를 어떻게 “기억”하고 있는지 보여주고 수정할 수 있는 메모리 제어 등이 여기에 포함됩니다.

깃허브 코파일럿(GitHub Copilot)은 이걸 잘합니다. 인라인으로 코드를 제안하지만, 사용자가 명시적으로 수락해야 합니다. AI는 제안하고, 사용자는 결정합니다.

트러스트 빌더스(Trust builders)

신뢰를 쌓는 패턴입니다. 불확실성을 인정하는 문구, 출처로 연결되는 인용, AI 생성 콘텐츠에 대한 표시, 생성 이미지의 워터마크 등이 여기에 포함됩니다.

퍼플렉시티(Perplexity)는 전체 제품을 출처 중심으로 설계했습니다. 순수한 챗봇보다 느리지만, 그 대가로 신뢰성을 얻었습니다.

튜너스(Tuners)

사용자가 의도를 다듬을 수 있게 합니다. 첨부 파일, 필터, 톤 선택기, 파라미터 슬라이더 등이 여기에 포함됩니다. 처음부터 모든 것을 설명하게 하기보다는, 생성 후에 조정할 수 있는 손잡이를 제공합니다.

미드저니(Midjourney)와 달리(DALL·E)는 스타일, 비율 등을 조정할 수 있게 하며, 이는 실제 창작 과정과 잘 맞습니다.

오류는 반드시 발생한다. 그러니 설계하라

챗봇이 계속 오해만 반복하는 루프에 빠져본 적이 있다면, 나쁜 오류 처리가 얼마나 짜증 나는지 알 겁니다. 가장 화가 나는 부분은 AI가 실수했다는 사실이 아니라, 빠져나갈 방법이 없다는 점입니다. 제이콥 닐슨(Jakob Nielsen)의 오류 메시지 원칙은 여기에도 적용됩니다. 오류는 평이한 언어로 표현되어야 하고, 문제를 명확히 설명하며, 해결책을 제시해야 합니다.

좋은 AI 오류 설계는 세 가지를 합니다.

1. 오해를 투명하게 정리합니다. “X에 대해 묻는 것 같지만, 정확히 이해했는지는 확신이 없습니다.”

2. AI가 할 수 있는 것과 할 수 없는 것을 설명합니다. 경계는 제약이 아니라 명확성입니다.

3. 다음 단계로 나아갈 길을 제공합니다. 다시 표현하기 버튼, 다른 제안, 또는 사람에게 연결되는 옵션.

마지막은 대부분의 회사가 인정하는 것보다 훨씬 중요합니다. 연구에 따르면, 사용자는 실제로 사람에게 연결하지 않더라도, 그 옵션이 있다는 사실만으로 덜 좌절합니다.

그리고 한 가지 더. 같은 오류 메시지를 반복하지 마세요. 세 번 같은 실패를 반복하면, 대화가 아니라 고장 난 기계처럼 느껴집니다. 여러 변형을 작성하세요. 실패조차 인간적으로 느껴지게 하세요.

윤리는 선택 사항이 아니다

솔직히 말하자면, 이 섹션만으로도 하나의 글이 될 수 있습니다. 하지만 AI 디자인에 대해 이야기하면서 이 부분을 언급하지 않을 수는 없습니다.

AI 시스템은 편향을 지속시킬 수 있습니다. 프라이버시를 침해할 수 있습니다. 그리고 즉각적으로 드러나지 않는 방식으로 사용자를 조종할 수도 있습니다. 디자이너와 개발자로서 우리는 중립적인 존재가 아닙니다. 우리는 이 시스템이 어떻게 작동하는지, 누구에게 잘 작동하는지, 그리고 누구를 배제하는지를 결정하는 선택을 합니다.

유네스코(UNESCO)의 AI 윤리 권고안(Recommendation on the Ethics of AI)은 핵심 원칙을 제시합니다. 인간의 권리와 존엄성, 투명성, 공정성, 그리고 인간의 감독입니다. 마이크로소프트(Microsoft)의 Responsible AI 원칙은 여기에 책임성, 포용성, 신뢰성, 프라이버시를 더합니다.

제가 항상 염두에 두려고 하는 몇 가지 원칙은 다음과 같습니다.

단지 다양한 사용자를 대상으로 디자인하는 것이 아니라, 그들과 함께 디자인하라. 테스트 그룹에 서로 다른 능력, 맥락, 제약을 가진 사람들이 포함되어 있지 않다면, 당신은 제품 안에 사각지대를 설계하는 것이다.
무엇이 AI이고 무엇이 아닌지 명확히 밝혀라. 사용자는 자신이 기계와 상호작용하고 있다는 사실을 알 권리가 있다.
기본값을 의심하라. 알고리즘은 과거의 데이터를 기반으로 학습되며, 그 데이터는 종종 역사적인 불평등을 반영한다. 당신의 시스템은 어떤 가정을 하고 있는가? 그 가정으로 누가 이득을 보는가?
고위험 결정에는 인간의 감독을 포함하라. AI는 도움을 줄 수는 있지만, 채용, 대출, 의료 조언처럼 누군가의 삶에 중대한 영향을 미치는 결정에는 사람이 최종 승인해야 한다.

핵심은 원칙을 암기하는 것이 아니라, 제품을 출시하기 전에 불편한 질문을 던지는 습관을 만드는 것입니다.

인터페이스의 향방: 다음 시대에 대한 예측

이제는 조금 과감하게 이야기해 보겠습니다. 제가 보고 있는 패턴, 읽은 연구, 그리고 직접 사용해 본 제품들을 바탕으로, 앞으로 일어날 일들에 대한 제 생각입니다.

1) 채팅은 여러 입력 방식 중 하나가 된다

챗봇에 대한 과도한 기대는 텍스트 프롬프트가 모든 것을 대체할 것처럼 보이게 만들었습니다. 하지만 그렇지 않습니다. 매기 애플턴(Maggie Appleton)의 연구에 따르면, 온도 조절기, 노브, 슬라이더, 시맨틱 스프레드시트, 무한 캔버스 같은 작업 중심 UI가 복잡한 작업에서는 순수한 대화형 인터페이스보다 더 나은 성능을 보이는 경우가 많습니다.

피그마(Figma)의 AI 기능을 떠올려 보세요. 피그마(Figma)에서는 AI와 대화하지 않습니다. 버튼을 클릭하고, 슬라이더를 움직이고, 맥락적인 메뉴를 사용합니다. AI는 인터페이스에 통합되어 있을 뿐, 채팅 창으로 덧붙여진 것이 아닙니다.

예측:최고의 AI 제품들은 기본적으로 멀티모달이 될 것입니다. 음성, 제스처, 텍스트, 직접 조작이 함께 작동합니다. 채팅은 기본 인터페이스가 아니라, 보조 수단이 될 것입니다.

2) 에이전트형 AI는 새로운 디자인 패러다임을 요구한다

*가트너(Gartner)는 2025년을 대표할 기술 트렌드로 에이전트형 AI(agentic AI)를 꼽았습니다. 이는 사용자를 대신해 자율적으로 행동할 수 있는 AI 시스템입니다. 항공편 예약, 캘린더 관리, 이메일 작성 및 발송 같은 작업을 수행합니다.

*미국의 정보 기술 연구 및 자문 회사

이것은 모든 것을 바꿉니다. 이제 우리는 단순한 도구가 아니라, 협업자를 디자인하게 됩니다. 사용자는 다음을 할 수 있어야 합니다.

에이전트가 무엇을 하고 있는지 이해하고(가시성)
무엇을 할 수 있는지 경계를 설정하며(통제)
필요할 때 개입하고 감시할 수 있어야 합니다(감독)

예측: 우리는 “위임 인터페이스(delegation interfaces)”라는 새로운 UI 패턴을 보게 될 것입니다. AI 에이전트에게 작업을 맡기고, 실행 전에 계획을 검토하고, 이후에 무엇을 했는지 감사(audit)할 수 있는 방식입니다. 매우 유능하지만 감독이 필요한 가상 비서를 관리하는 것과 비슷합니다.

앤스로픽(Anthropic)의 컴퓨터 사용 기능과 구글의 프로젝트 마리너(Project Mariner)는 초기 사례입니다. 이들은 AI가 실행하려는 행동 계획을 보여주고, 사용자가 승인하거나 수정할 수 있도록 합니다.

3) 점진적 공개는 필수가 된다

AI의 기능이 확장될수록 복잡성도 함께 증가합니다. 하지만 사용자가 한 번에 처리할 수 있는 정보에는 한계가 있습니다. 해결책은 점진적 공개(progressive disclosure)입니다. 필요한 경우에만 복잡성을 드러내고, 단계적으로 정보를 제공합니다.

오우킨(Owkin)의 대장암 스크리닝 도구(MSIntuit CRC)는 이를 매우 잘 구현합니다. 의사는 먼저 간단한 예측 결과를 봅니다. 왜 그런 결과가 나왔는지 알고 싶을 때만, 시각적 설명과 신뢰도 점수로 더 깊이 들어갈 수 있습니다. 인터페이스는 압도하지 않고, 층을 이룹니다.

예측:기본 AI 인터페이스는 점점 더 단순하고 깔끔해질 것입니다. “더 보기” 토글, 확장 가능한 섹션, 드릴다운 인터랙션 뒤에 깊이를 숨기게 됩니다. 파워 유저는 완전한 제어권을 얻고, 일반 사용자는 간결한 경험을 얻게 됩니다.

4) 인터페이스는 적응형이 된다

현재 대부분의 인터페이스는 정적입니다. 모두에게 동일하게 보입니다. AI는 인터페이스 수준에서의 진정한 개인화를 가능하게 합니다.

넷플릭스(Netflix)는 시청 기록에 따라 썸네일 이미지를 개인화하고, 에어비앤비(Airbnb)는 선호도에 따라 검색 결과를 재정렬합니다.

예측: 인터페이스는 점점 더 실시간으로 적응하게 될 것입니다. 단순히 콘텐츠만이 아니라, 레이아웃, 정보 밀도, 기능 노출 자체가 달라집니다. 파워 유저는 더 많은 옵션을 보고, 신규 사용자는 가드레일이 있는 경험을 하게 됩니다. 같은 제품이 사람마다 다르게 느껴질 것입니다.

5) 확신과 불확실성은 보이게 된다

현재의 AI 제품들은 종종 불확실성을 숨깁니다. 모델이 99% 확신을 갖고 있을 때나, 거의 추측에 가까울 때나 동일한 시각적 표현으로 텍스트를 출력합니다.

예측:미래의 인터페이스는 확신의 정도를 시각적으로 드러낼 것입니다. 각 주장에 대해 AI가 얼마나 확신하는지를 보여주는 그라데이션, 혹은 “이 답변은 근거가 충분합니다” vs “이 답변은 최선의 추정입니다” 같은 미묘한 표시를 상상해 볼 수 있습니다.

AI 리서치 어시스턴트인 일리싯(Elicit)은 이미 이런 접근을 일부 적용하고 있습니다. 어떤 주장이 인용에 의해 뒷받침되는지, 어떤 부분이 추론인지 보여줍니다.

어떻게 적응할 것인가: 디자이너와 개발자를 위한 실천 가이드

여기까지 읽었다면, 이런 질문이 들 수도 있습니다. “좋아. 그런데 나는 실제로 무엇을 다르게 해야 하지?” 이것이 제 답변입니다.

디자이너를 위해

1. 모델이 어떻게 작동하는지, 최소한 표면적으로는 이해하라

트랜스포머 아키텍처를 깊이 이해할 필요는 없지만, 토큰이 무엇인지, 컨텍스트 윈도우가 무엇인지, 왜 모델이 환각을 일으키는지는 알아야 합니다. 제이 알라마르(Jay Alammar)의 Illustrated Transformer는 훌륭한 출발점입니다.

2. 변동성을 고려해 디자인하라

AI 출력은 매번 달라집니다. 한 문장일 때는? 열 문단일 때는? 행복한 경로만이 아니라, 극단적인 경우를 설계하세요.

3. 모든 것에 피드백 루프를 포함하라

좋아요/싫어요 버튼은 데이터 수집용만이 아닙니다. 사용자의 입력이 중요하다는 신호입니다. ChatGPT, 클로드(Claude), 제미나이(Gemini) 모두 이를 눈에 띄게 사용합니다.

4. 프롬프트를 디자인 재료로 다뤄라

시스템 프롬프트의 문구는 시각적 결정만큼이나 결과에 큰 영향을 미칩니다. 프롬프트 엔지니어링을 백엔드 문제로만 보지 말고, 개발자와 협업하세요.

5. 연구와 가까이 지내라

닐슨 노먼 그룹(NN/g)의 AI 아티클, Shape of AI, 구글의 People + AI Guidebook을 즐겨찾기에 추가하세요. 이들은 학문적 연습이 아니라, 실무에 바로 쓸 수 있는 자료입니다.

개발자를 위해

1. AI의 행동을 관찰 가능하게 만들어라

모델이 무엇을 했는지, 어떤 신뢰도 점수를 냈는지, 사용자가 어떻게 반응했는지를 기록하세요. 이는 디버깅뿐 아니라 제품 개선의 핵심입니다.

2. 인간의 오버라이드를 설계하라

모든 AI 행동에는 탈출구가 있어야 합니다. 제안을 무시하고, 행동을 되돌리고, 추천을 덮어쓸 수 있어야 합니다. 그리고 이 제어는 눈에 띄어야 합니다.

3. 프롬프트를 버전 관리하라

프롬프트를 코드처럼 다루세요. 버전 컨트롤에 저장하고, 각 버전이 무엇에 최적화되어 있는지 문서화하세요. 가능하다면 A/B 테스트를 하세요.

4. 합리적인 기본값을 설정하되, 커스터마이징을 허용하라

온도, 응답 길이, 모델 선택 같은 파라미터는 중요합니다. 파워 유저에게는 노출하되, 모두를 위한 지능적인 기본값을 선택하세요.

5. 지연 시간을 고려해 설계하라

AI 응답에는 시간이 걸립니다. 가능하다면 스트리밍을 사용하세요. 단어가 하나씩 나타나는 것은 전체 응답을 기다리는 것보다 빠르게 느껴집니다. 진행 상태를 보여주세요. 버셀(Vercel)의 AI SDK는 웹 앱에서 스트리밍을 쉽게 구현할 수 있게 해줍니다.

모두에게

끊임없이 실험하세요. 작은 프로토타입을 만들고, 실제 사용자와 테스트하세요. 사람들이 어디서 혼란스러워하는지 지켜보세요. 이 분야는 모범 사례가 굳어지기에는 너무 빠르게 움직이고 있습니다. 즉, 가장 빨리 배우는 사람들이 승자가 될 것입니다.

“AI 모델을 제너럴리스트의 손에 쥐여주면, 한 사람짜리 군대가 된다.”

저는 여전히 이 말을 믿습니다. 코드를 조금 이해하는 디자이너, 혹은 심리를 조금 이해하는 개발자는 혼자서는 만들 수 없었던 것들을 만들어낼 수 있습니다.

당신의 역할은 어떻게 변하고 있는가

여기서부터는 조금 개인적인 이야기를 해보려 합니다. 오늘날 제품 디자이너나 개발자라면, 당신의 역할은 변화하고 있습니다. 화면 단위의 작업(레이아웃, 컴포넌트, 기본 로직)은 점점 자동화되고 있습니다. 저는 텍스트 프롬프트만으로 몇 초 만에 그럴듯한 UI를 생성하는 도구들을 보았고, 요구사항을 정리하기도 전에 작동하는 코드를 작성하는 AI를 지켜봤습니다.

하지만 제가 동시에 깨달은 점도 있습니다. 이 도구들은 그것을 지휘하는 사람만큼만 뛰어나다는 것입니다. 이들은 맥락을 필요로 하고, 제약을 필요로 하며, AI가 잘못된 문제를 풀고 있다는 사실을 알아챌 수 있을 만큼 문제를 충분히 이해하는 사람이 필요합니다.

자동화하기 가장 어려운 것은 작업 뒤에 있는 사고입니다. 리서치, 전략, 어떤 문제를 풀어야 하는지와 그 이유를 아는 것, 프롬프트에 깔끔하게 담기지 않는 맥락을 이해하는 능력입니다. 바로 그 지점에서 당신은 계속해서 가치를 만들어낼 것입니다.

저는 이전에 T자형 전문가에 대해 쓴 적이 있습니다. 한 영역에서는 깊은 전문성을 갖고, 여러 영역에 걸쳐 폭넓은 이해를 가진 사람을 말합니다. AI 시대에는 이것이 더욱 중요해집니다. 코드, 심리, 비즈니스 전략을 이해하는 디자이너는 하나의 분야만 아는 사람보다 훨씬 효과적으로 이러한 도구들을 다룰 수 있습니다.

이제 어디로 가야 할까?

여기까지 왔다면, 당신은 이미 대부분의 사람들보다 앞서 있습니다. 제가 제안하는 다음 단계는 다음과 같습니다.

1) 자주 사용하는 AI 제품 하나를 고르세요

그것을 분석하세요. 무엇이 잘 작동하는지, 무엇이 당신을 답답하게 만드는지 살펴보세요. 그 안에 담긴 디자인 결정을 거꾸로 추적해보세요.

2) 작은 것을 하나 만들어보세요

챗봇, 프롬프트 기반 도구, 혹은 기존 프로젝트에 추가하는 생성 기능. 주말 동안 직접 이것저것 만져보며 얻는 배움은, 한 달간 읽는 것보다 훨씬 큽니다.

3) 연구 자료를 읽으세요

마이크로소프트(Microsoft)의 HAX Toolkit, 닐슨 노먼 그룹(NN/g)의 AI 연구, Shape of AI, 구글의 PAIR Guidebook. 이것들은 딱딱한 학술 논문이 아니라, 바로 써먹을 수 있는 실천 가이드입니다.

4) 회의적인 태도를 유지하세요

모든 제품에 AI가 필요한 것은 아닙니다. 모든 AI 기능이 경험을 더 좋게 만드는 것도 아닙니다. 그 차이를 구분하는 것이 당신의 일입니다. 도구들은 우리가 따라가기 힘들 정도로 빠르게 진화하고 있습니다. 하지만 우리가 항상 던져왔던 핵심 질문은 변하지 않습니다.“이것은 실제로 사용하는 사람에게 도움이 되는가?” 이 질문을 중심에 두고 있다면, 나머지는 자연스럽게 풀려나갈 것입니다.

<참고 자료>

디자인 패턴과 가이드라인

Shape of AI — 에밀리 캠벨(Emily Campbell)의 AI 인터페이스 패턴 라이브러리
Microsoft HAX Toolkit — 인간과 AI의 상호작용을 위한 가이드라인
People + AI Guidebook — AI 제품 디자인을 위한 Google의 리소스
NN/g AI and Machine Learning — 연구 기반 UX 가이드

모델이 어떻게 작동하는지 이해하기

Illustrated Transformer — 트랜스포머 아키텍처를 시각적으로 설명한 가이드
IBM: What are LLMs? — LLM에 대한 평이한 언어의 설명
OpenAI Tokenizer — 토큰을 이해하기 위한 인터랙티브 도구

프롬프트 엔지니어링

개발자 도구

Vercel AI SDK — AI 기반 웹 앱을 만들기 위한 도구
LangChain — LLM 기반 애플리케이션을 구축하기 위한 프레임워크
Cursor — AI 기반 코드 에디터

윤리와 책임 있는 AI

<원문>

he Designer’s Playbook for AI Products

]]>

AI에게 일을 맡기기 전, 디자이너가 고민해야 할 것들

본문은 요즘IT와 번역가 Yuna가 함께 ‘데이비드 세로(David Serrault)’의 글 <Things Every Designer Should Know Before Designing an AI Agent>를 번역한 글입니다. 필자는 대규모 조직에서 사용자 경험을 중심으로 디자인 조직과 프로세스를 발전시켜 온 디자인 리더이며, 다양한 산업에서 축적한 경험을 바탕으로, AI가 디자인 실무와 협업 방식에 가져올 변화에 주목하고 있습니다.

이 글은 AI를 쓰는 방법이 아니라, AI에게 무엇을 맡길지 결정하는 문제를 다룹니다. AI가 정보를 돕는 단계부터 스스로 행동하는 단계까지 어떻게 달라지는지 살펴보며, 디자이너가 그 경계를 어떻게 정해야 하는지를 이야기합니다.

필자에게 허락을 받고 번역했으며, 글에 포함된 링크는 원문에 따라 표시했습니다.

미리 요점만 콕 집어보면?
AI를 어떻게 쓰는지가 아니라, 디자이너가 AI에게 무엇을 맡기고 어디까지 자율성을 줄지 결정해야 하는 역할을 다룹니다.
스케일링 법칙과 ‘공짜 점심은 없다’ 원칙을 통해, 더 나은 AI 성능에는 비용과 트레이드오프가 따른다는 현실을 설명합니다.
AI 에이전트의 지식·행동·자율성 단계에 따라, 디자이너의 역할은 인터페이스 설계를 넘어 책임·윤리·거버넌스 설계로 확장됩니다.

이 글은 제가 AI 관련 프로젝트를 주도하며 쌓아온 실무 경험, 그리고 디자인과 인공지능의 관계를 개인적으로 연구해 온 과정을 바탕으로 하고 있습니다. 이 가운데 저는 AI가 디자인 실무에 미치는 영향 중에서도, AI로 구동되는 시스템을 설계하는 방식이 어떻게 달라지고 있는지에 초점을 맞추고자 합니다.

AI: 도구, 재료 그리고 촉매

AI는 디자인 실무에 여러 가지 중요한 변화를 불러왔습니다. 먼저 새로운 세대의 도구를 통해, 디자이너의 일상적인 작업 흐름을 확장했습니다. 동시에 AI는 고유한 속성과 제약, 그리고 가능성을 지닌 완전히 새로운 디자인 재료를 등장시켰죠.

도구와 재료의 관계는 고정되어 있지 않습니다. 새로운 도구가 새로운 재료를 만들어내고, 그 재료는 다시 이를 다루기 위한 새로운 지식과 설계 방식을 요구합니다. 인공지능 역시 마찬가지입니다. AI라는 새로운 재료를 효과적으로 활용하려면, 기존과는 다른 사고방식과 프로세스를 함께 설계해야 합니다.

AI 설계의 현실을 보여주는 두 가지 법칙

스케일링 법칙과 ‘공짜 점심은 없다’ 법칙

1) 스케일링 법칙

스케일링 법칙은 AI 모델이 얼마나 잘 작동하는지가 무엇에 의해 결정되는지를 설명하는 개념입니다. 학습 데이터의 양, 사용할 수 있는 연산 자원, 그리고 모델의 크기가 커질수록 성능은 함께 좋아진다는 이야기인데요. 다만 이 성능 향상은 무한히 이어지지는 않습니다. 초반에는 비교적 눈에 띄는 개선이 나타나지만, 모델이 커질수록 같은 수준의 개선을 얻기 위해 훨씬 더 많은 비용이 필요해지죠. 예를 들어 오류율을 조금 낮추는 것만으로도, 학습 데이터의 양이나 품질을 몇 배씩 늘려야 하는 상황이 생깁니다.

예를 들어, 오류율이 20%인 에이전틱 시스템이 있다고 가정해보겠습니다. 이를 10% 수준으로 낮추려면 학습 데이터가 네 배 정도 더 필요할 수 있는데요. 만약 2%까지 줄이고 싶다면, 데이터가 100배 이상 필요해질 수도 있습니다.

이 지점에서 스케일링 법칙은 디자이너에게 중요한 메시지를 던집니다. ‘더 나은 AI’에는 항상 비용이 따른다는 사실이죠. 정확도나 반응성을 조금이라도 개선하려면, 더 많은 에너지와 데이터, 그리고 더 긴 처리 시간을 감수해야 합니다.

2) ‘공짜 점심은 없다’의 법칙

‘공짜 점심은 없다(No Free Lunch)’라는 원칙은, 어떤 알고리즘도 모든 문제를 동시에 잘 해결할 수는 없다는 의미입니다. 한 작업에서 뛰어난 성능을 보이는 시스템은 다른 작업에서는 필연적으로 성능이 떨어질 수밖에 없죠. 특정 작업에 최적화될수록 범용성은 희생되기 마련입니다.

이 원칙은 디자이너가 AI 에이전트의 역할과 범위를 어떻게 설정해야 하는지를 다시 생각하게 만듭니다. 특히 대규모 조직일수록 하나의 시스템으로 다양한 사용 사례를 모두 처리하자는 욕심이 생기기 쉬운데요. 하지만 이런 접근은 개별 작업에서의 효율성과 정확도를 오히려 낮추는 결과로 이어지기 쉽습니다.

이 지점에서 앞서 살펴본 스케일링 법칙과 이 원칙은 자연스럽게 연결됩니다. 정확도도 높고, 활용 범위도 넓은 시스템을 설계하려 할수록 필요한 자원은 급격히 늘어납니다. 실제로 GPT 수준의 모델을 학습시키는 데에는, 인프라와 에너지 비용만으로도수조 원에 달하는 비용이 필요하다고 추정되기도 합니다.

결국 디자이너는 프로젝트 초반부터 이 시스템이 무엇을 잘해야 하는지를 명확히 정의해야 합니다. 그리고 정확도와 성능, 사용 가능한 자원 사이에서 어디까지를 감당할 수 있는지에 대한 현실적인 기준을 함께 세워야 합니다.

AI 에이전트의 지식 활용 3단계

이 세분화는 「Re-examining Whether, Why, and How Human-AI Interaction Is Uniquely Difficult to Design」 논문에서 영감을 받아 구성함

1단계

준결정적 에이전트(Semi-deterministic agents)는 사용자와 데이터 소스가 미리 정해진, 비교적 통제된 환경에서 작동합니다. 분류나 검색(RAG)과 같은 AI 기능이 여기에 해당하는데요. 주로 조직 내부의 전문가나, 충분한 교육을 받은 협업자를 대상으로 활용됩니다. 입력과 출력이 어느 정도 예측 가능하기 때문에, 이런 에이전트는 결과를 신뢰하기 쉽고 이후에 추적하거나 검증하기도 수월합니다.

그래서 이 단계의 시스템은 기존의 디자인 방식과도 잘 맞습니다. 사용자 니즈와 작업 흐름을 중심으로 설계하고, 사용자 테스트를 통해 검증하는 접근이 여전히 효과적으로 작동합니다.

2단계

확률적 에이전트(Probabilistic agents)는 사용자 행동이 훨씬 예측하기 어려운 환경에서 작동합니다. 데이터 자체는 관리되고 있지만, 사용자는 각자 다른 방식으로 질문하고, 의도를 명확히 드러내지 않는 경우도 많죠. 예를 들어, 열린 마켓플레이스에서 다양한 표현으로 질문을 던지는 고객들이 여기에 해당합니다. 이런 에이전트는 사용자의 의도를 확정하기보다는, 가장 가능성이 높은 해석을 바탕으로 응답합니다. 그 과정에서 모호함을 감수해야 하고, 상황에 따라 응답을 조정해야 하죠.

그래서 이 단계에서의 디자인 핵심은 불확실성을 숨기지 않고, 신뢰를 어떻게 유지하느냐입니다. AI가 확신할 때와 그렇지 않을 때를 구분해 보여주고, 필요하면 다시 묻거나 설명을 덧붙이도록 설계해야 합니다.

이 지점부터 디자이너의 역할은 화면을 만드는 데서 그치지 않고, AI가 헷갈릴 때 어떻게 행동해야 하는지까지 정하는 일로 확장됩니다.

3단계

적응형 에이전트(Adaptive agents)는 가장 예측하기 어려운 형태의 에이전틱 AI입니다. 사용자별 데이터를 바탕으로, 상호작용을 거치며 스스로 변화하는 시스템입니다. 사용자의 선택과 반응을 학습하면서 판단 기준과 행동 방식이 계속 달라지기 때문에, 같은 시스템이라도 사용자마다 전혀 다른 경험을 하게 됩니다.

이 단계에서는 기술적인 문제를 넘어, 윤리와 책임의 문제가 함께 등장합니다. 디자이너는 개인화의 이점과 프라이버시, 그리고 투명성 사이에서 균형을 잡아야 합니다. AI가 왜 이런 행동을 했는지 설명할 수 있어야 하고, 그 결과에 누가 책임을 지는지도 분명해야 하죠.

적응형 에이전트를 설계한다는 것은 더 이상 하나의 인터페이스를 만드는 일이 아닙니다. 시간이 흐르면서 변하는 인간과 그에 반응해 스스로 바뀌는 시스템 사이의 관계를 설계하는 일이며, 디자이너는 그 관계를 조율하는 역할을 맡게 됩니다.

AI 에이전트의 주도적 행동 3단계

앞에서 살펴본 세 가지 유형의 에이전트는 하나의 흐름 안에서 이해할 수 있습니다. AI는 처음에는 정보를 해석하고 정리하는 역할에 머물다가, 점차 행동에 개입하고, 나아가 스스로 판단하고 실행하는 단계로 확장되어 갑니다.

지식부터 자율성까지

지식

가장 기본이 되는 단계에서 정보 중심 에이전트는 행동을 수행하기보다는, 정보를 인식하고 해석하는 역할에 집중합니다. 데이터를 수집하고 정리해서 사람이 더 나은 판단을 내릴 수 있도록 정보를 제공하는 역할을 맡죠.

준결정적 에이전트: 맥락이 명확하고 데이터가 통제된 환경에서 작동합니다.
확률적 에이전트: 구조화된 데이터를 기반으로 하지만, 사용자와의 상호작용은 열려 있습니다.
적응형 에이전트: 사용자 요청과 개인 데이터, 맥락에 따라 결과를 다르게 구성합니다.

행동

이 단계부터 AI는 단순히 정보를 제공하는 데서 나아가, 직접 행동을 수행하기 시작합니다. 사건이 발생했을 때 반응하기도 하고, 미래를 예측해 미리 움직이기도 하죠.

능동적 반응형 에이전트는 감지된 이벤트나 이상 징후를 사용자에게 전달합니다.
능동적 예측형 에이전트는 미래 상황을 예측해, 사전에 알림이나 경고를 제공합니다.
저영향 실행 에이전트는 되돌릴 수 있는 작업을 직접 수행합니다.
고영향 실행 에이전트는 사용자 동의를 전제로, 중요한 작업이나 되돌릴 수 없는 작업을 수행합니다.

이 단계의 AI는 실제 행동을 수행하기 때문에, 사용자는 AI가 무엇을 하려는지, 그리고 그 결과가 어떤 영향을 미치는지를 미리 알 수 있어야 합니다. 실행 여부를 직접 확인할 수 있어야 하고, 이후에 어떤 일이 있었는지도 다시 확인할 수 있는 구조가 필요하죠.

자율성

마지막으로 자율 에이전트가 등장합니다. 이들은 예측과 실행 능력을 바탕으로, 여러 단계를 거치는 계획을 스스로 정의하고 우선순위를 정해 실행할 수 있습니다. 이 단계의 시스템은 외부 신호에 반응하는 데서 그치지 않고, 스스로 행동을 시작하고 상황에 맞게 전략을 조정합니다. 경우에 따라서는 사람의 개입 없이도 판단과 실행이 이어질 수 있죠.

자율 에이전트는 위험이나 기회를 감지하고, 그 원인을 분석한 뒤 정해진 기준에 따라 대응합니다.
자율 계획 에이전트는 한 번의 판단으로 끝나는 것이 아니라, 여러 단계를 거쳐야 하는 일을 스스로 계획하고 순서대로 실행합니다.

자율성을 설계하는 일은 더 이상 인터페이스를 다듬는 문제에 머물지 않습니다. 초점은 거버넌스 설계로 옮겨갑니다. 신뢰와 감독, 책임, 그리고 윤리적 경계를 어떻게 설정할 것인지가 중요해지며, 자율성이 인간의 판단을 대체하는 것이 아니라 보완하도록 만드는 것이 핵심 과제가 됩니다.

마치며: 인간 중심 AI를 향한 디자인의 역할

자율적인 시스템을 만들겠다는 목표에는 단번에 도달할 수 없는 복잡한 역량의 스펙트럼이 존재합니다. 이 역량들은 단계별로 하나씩 다뤄나가야 할 대상이죠.

디자이너는 엔지니어와 데이터 사이언티스트, 비즈니스 리더와의 지속적인 논의를 통해 방향을 조율합니다. 이 과정에서 기대 수준과 기술적 현실을 맞추고, 윤리적 책임까지 함께 고려할 수 있죠. 이러한 역할을 통해 디자이너는 고도화되는 AI 시스템을 인간 중심으로 설계하는 데 중요한 역할을 맡게 됩니다.

<원문>

hings Every Designer Should Know Before Designing an AI Agent

]]>

초안부터 디자인까지 5분 컷? 슬라이드 툴 'Snapdeck'

프레젠테이션은 문서화의 대표 작업 중 하나로, 현대 직장인에게 피할 수 없는 업무 중 하나입니다. 하지만 흰 화면을 마주하는 '백지 공포증'과 폰트 하나, 이미지 배치 하나에 쏟는 시간은 템플릿을 활용하고, 도구에 익숙해졌다 하더라도 쉽게 줄어들지 않는데요. 슬라이드에 포함될 핵심 논리보다 장표를 예쁘게 만들거나, 정렬을 맞추는데 더 많은 에너지를 쓰게 되는 경우도 적지 않습니다.

오늘 소개할 ‘Snapdeck’은 이러한 슬라이드 제작 시간을 획기적으로 줄여주는 서비스인데요. 단순한 템플릿 제공을 넘어, 사용자의 파편화되거나 구조적으로 정리되지 않은 내용을 순식간에 시각적인 스토리텔링으로 변환해 줍니다. 무엇보다 한글 인식이 뛰어나고, 생성 후 직접 편집이 가능하다는 점에서 저 역시 회사 워크숍 자료는 물론, 최근 슬라이드 작업을 모두 이 서비스와 함께 진행했기에 이번 글에서 다뤄보고자 합니다.

미리 요점만 콕 집어보면?
Snapdeck은 사용자의 파편화된 내용을 순식간에 시각적인 스토리텔링으로 변환하여 슬라이드 제작 시간을 획기적으로 줄여주는 AI 서비스입니다.
주요 기능으로 논리적 구조 생성, 반응형 편집, 맥락 기반 시각화를 제공하여, 사용자가 제작이 아닌 슬라이드 검토 및 최종 편집에 집중할 수 있도록 돕습니다.
기존 슬라이드 작업에서 시간이 많이 들던 부차적인 작업(폰트, 정렬, 배치)을 AI에 맡기고 내용의 본질에 집중할 수 있게 한다는 점에서 활용도가 높습니다.

Snapdeck의 등장 배경 살펴보기

<출처: Snapdeck, 작가 캡처>

최근 다양한 AI 서비스가 출시되면서, 이제 AI는 호기심의 대상을 넘어 실무의 필수 협업 도구가 되었습니다. 특히 텍스트를 구조화하거나 시각화하는 과정에서 AI의 역할이 커지고 있는데요. 과거의 프레젠테이션 제작 방식이 '캔버스' 위에 요소를 하나씩 배치하는, 고단한 편집 작업이었다면, 이제는 '프롬프트 기반의 생성' 방식으로 변하고 있습니다. 감마와 같은 전문적인 서비스는 물론 젠스파크나 노트북 LM에서도 슬라이드는 주요 콘텐츠 제작 방식으로 등장하고 있고요.

Snapdeck은 이러한 트렌드의 최전선에 있는 도구입니다. 슬라이드 제작 시 우리가 보통 가장 힘들어하는 부분은 "논리적으로 어떻게 내용을 잡을 것인지?"와 "이 내용을 어떻게 시각화해야 가독성이 좋을까?"라는 두 가지 질문입니다. Snapdeck은 이 질문에 대해 AI가 실시간으로 답을 제시하며, 사용자가 단순 제작이 아닌 '전반적인 슬라이드 검토 및 최종 편집'에 집중할 수 있도록 도와줍니다.

Snapdeck 핵심 기능 파헤치기

Snapdeck이 기존의 디자인 편집 도구(슬라이드 제작이 가능한)나 전문 슬라이드 제작 툴과 차별화되는 지점은 크게 세 가지로 정리할 수 있습니다.

첫 번째는 ‘Prompt-to-Presentation’으로 논리적 구조 생성이 가능하다는 점입니다. 단순히 "예쁜 장표를 만들어줘"가 아니라 사용자가 주제(텍스트 기준)를 던지면 AI가 비즈니스 논리(문제 제기 - 솔루션 - 시장분석 - 기대 효과 등)를 파악하여 전체 목차를 구성합니다. 이는 우리가 로직을 짜는 시간을 획기적으로 단축해 줍니다.

두 번째는 ‘Interactive Layout Editor’로 웹사이트를 반응형으로 구축하는 것처럼, 슬라이드 단위의 편집 역시 같은 방식으로 진행할 수 있다는 점입니다. 기존 PPT의 가장 큰 단점은 텍스트가 조금만 길어져도 전체 레이아웃이 깨진다는 점입니다. Snapdeck은 '반응형 그리드' 시스템을 기반으로 설계되어, 텍스트양에 따라 이미지와 요소들이 자동으로 최적의 위치를 잡아갑니다. 드래그 앤 드롭의 피로도를 0에 가깝게 줄인 점으로, 생성과 편집 과정에 많은 도움을 주는 기능 중 하나입니다.

세 번째는 ‘Smart Theme & Asset Library’로 맥락 기반의 시각화가 가능하다는 점입니다. 사용자가 프롬프트 형식으로 입력한 텍스트의 맥락을 분석해 가장 어울리는 컬러 팔레트와 폰트 조합을 추천합니다. 또한, 본문 내용과 연관된 고화질 스톡 이미지를 AI가 자동으로 매칭하여 삽입해 줍니다. 이미지를 갖고 있는 경우라면 크게 문제없지만, 슬라이드에 포함될 이미지를 찾거나 제작해야 하는 경우라면 마찬가지로 시간을 줄이는 데 중요한 역할을 해줍니다.

상세 활용 방법 : 3분 만에 기획안 완성하기

<출처: Snapdeck, 작가 캡처>

서비스에 접속하면 (로그인 전에도 내용 입력 가능) 검색창처럼 심플한 입력창이 나타납니다. 저는 운영 중인 뉴스레터에서 바이브 코딩 방식으로 준비 중인 서비스의 베타테스터 모집 관련 슬라이드를 제작해 봤습니다.

<출처: Snapdeck, 작가 캡처>

눈에 띄는 건, 단순히 텍스트(프롬프트)만으로 작업을 시작하는 것이 아니라 몇 가지 조건을 함께 입력할 수 있다는 점인데요. 먼저 만들고자 하는 슬라이드가 어떤 목적인지 선택할 수 있습니다. 비즈니스, 교육, 리서치, 마케팅, 영업, 리포트 등 8가지 카테고리 중 하나를 선택할 수 있으며 필수값은 아니기에 선택하지 않은 상태로도 요청은 가능합니다. 또 갖고 있는 파일을 첨부하거나 슬라이드 장수를 선택할 수 있으며, 웹 리서치, 스크랩, 노션 불러오기 등의 기능을 활용해 슬라이드 제작을 요청할 수 있습니다.

저는 이미 랜딩페이지를 제작해 둔 상태라, 랜딩 페이지를 스크랩으로 넣어두고 해당 서비스를 소개하기 위한 슬라이드 제작을 요청했습니다.

<출처: Snapdeck, 작가 캡처>

프롬프트를 입력하면 AI가 약 15-20초간 고민한 뒤 '개요'를 제안합니다. 이대로 슬라이드를 제작해도 되지만, 순서를 변경할 수도 있고, 우측에 있는 대화형 인터페이스를 통해 추가 내용을 요청하는 것도 가능합니다. 또는 제미나이 등에서 우리가 딥 리서치를 진행하는 데 있어 계획을 먼저 확인하고 이를 바탕으로 최종 계획을 수정하는 것처럼, 각 목차를 클릭해 세부 내용을 추가하거나 필요 없는 슬라이드를 삭제하여 나만의 논리 구조를 견고하게 만들 수 있습니다.

<출처: Snapdeck, 작가 캡처>

저는 처음 생성해 준 개요를 바탕으로 마지막 슬라이드에 랜딩 페이지로 바로 이동할 수 있는 링크를 추가해 달라고 요청했고, 슬라이드 단위의 텍스트를 보면서 어색한 부분이 있는지 확인한 뒤 일부 내용을 수정하고 다음 단계(슬라이드 생성하기)로 넘어갔습니다.

<출처: Snapdeck, 작가 캡처>

다음 단계는 스타일(테마)을 지정하는 것입니다. 7개의 스타일 중 하나를 선택할 수 있는데 저는 랜딩페이지 콘셉트와 유사한 두 번째 네온 테마를 골랐습니다. 지금까지 과정을 다시 되새겨보면, 내용을 입력하고, 개요를 확인하고 수정한 뒤 테마를 선택하게 되었는데요. 슬라이드 장수나 내용에 따라 달라지겠지만 여기까지 3분이 채 걸리지 않았습니다.

<출처: Snapdeck, 작가 캡처>

그렇게 다시 1-2분의 시간이 지난 뒤, 드디어 슬라이드 초안을 만나게 되었습니다. 최종 확인한 개요와 테마에 맞춰 깔끔하게 정리된 내용을 볼 수 있는 순간이기도 합니다.

<출처: Snapdeck, 작가 캡처>

이제 슬라이드를 편집할 차례입니다. 편집 역시 AI의 힘을 빌려 진행할 수 있는데, 바로 'Magic Layout' 기능입니다. 특정 슬라이드에서 영역을 지정, 전반적인 수정 사항을 입력하면, 내용과 선택한 기존 테마라는 맥락을 고려해 기존과 다른 구성의 편집을 알아서 진행해 줍니다.

<출처: Snapdeck, 작가 캡처>

저는 표지는 서비스의 주요 가치만 잘 드러나면 좋겠다는 생각에, 표지 부분을 선택한 뒤 수정을 요청했는데 혜택에 대한 부분은 빼고 다시 한번 구성해 준 모습을 확인할 수 있습니다. 이처럼 슬라이드의 전체 내용을 빠르게 가다듬고 싶을 경우 ‘Magic Layout’ 기능을 활용할 수 있고, 텍스트 단위의 내용은 간단하게 직접 수정할 수도 있습니다.

텍스트나 이미지를 추가할 수 있고,
텍스트를 선택해 내용을 편집할 수 있으며 ,
폰트, 스타일, 크기, 컬러 등의 보다 세부적인 수정도 지원합니다.

이 과정에서 느낀 점은, 한글 인식이 깔끔하게 잘 된다는 점과 꼭 필요한 기능으로 슬라이드 자체를 편집할 수 있는 기회가 제공된다는 점입니다. 최근 노트북 LM이나 젠스파크 또는 클로드 스킬 등을 활용해 슬라이드를 만드는 것도 가능하고, 실제로 정말 높은 수준의 결과물을 제공하는데 수정이나 편집에서 아직은 자유롭지 못하기에 더 눈에 띄는 기능이라는 생각이 듭니다.

한 번은 꼭 써봐야 하는 이유

여전히 빠른 작업은 가능하지만, 마무리까지 걸리는 시간은 기존과 크게 다르지 않은 도구들이 많이 있습니다. 이는 요청에 대한 응답 속도와 품질은 높아졌지만, 그에 따라 우리가 원하는 결과를 최종적으로 만드는 단계와 과정은 아직 많은 개선이 필요하다는 것을 의미합니다.

물론 ‘Snapdeck’ 역시 개요를 만들거나, 이를 바탕으로 슬라이드를 구성하는 과정에서 부족한 점은 있지만 직접 수정할 기회가 주어지며, 스타일(테마)에 따른 전반적인 구성 실력이 뛰어나다는 점에서 저도 만족하며 쓰고 있습니다. 충분히 최종 결과물을 만들어낼 수 있겠다는 생각을 갖게 해 준 몇 안 되는 서비스이기도 합니다.

무엇보다 기존 슬라이드 작업에서 우리를 괴롭히던 부차적인 작업들, 폰트 맞추기, 이미지 정렬, 텍스트 배치 등을 AI에게 맡기고, 우리가 진짜 고민해야 할 '내용의 본질'에 집중하게 해 준다는 점에서 활용도가 더 높지 않을까?라는 생각이 듭니다.

<출처: Snapdeck, 작가 캡처>

‘Snapdeck’은 무료로도 사용할 수 있으며, 2026년 1월 기준 요청당 10장의 슬라이드를 제작할 수 있습니다. 물론 크레딧은 제한되어 있으며 월 단위 20개 크레딧을 활용할 수 있도록 구성되어 있습니다. 크레딧은 슬라이드 개수 기준이 아니라 요청 기준이라 생각보다 많은 슬라이드 제작이 가능한데요. 이 과정에서 서비스를 충분히 경험할 수 있다는 점을 말씀드리고 싶습니다.

<참고>

https://www.snapdeck.app

]]>

AI 시대를 사는 디자이너의 무기, UX 심리학

AI로 1분 만에 만든 프로토타입 <출처: 작가, Stitch AI로 제작>

이미지는 프로토타이핑 AI인 스티치 AI(Stitch AI)로 단 1분 만에 생성한 결과물이다. “넷플릭스 모바일 앱에 플레이리스트 생성 기능을 추가해달라”는 한 줄짜리 프롬프트를 입력하고 조금만 기다리면, 이렇게 메인 화면을 시작으로 플레이리스트 생성 버튼과 입력 창, 결과 화면까지 포함한 시안이 뚝딱 만들어진다.

저충실도(low-fidelity) 프로토타입도 겨우 만들어내던 2년 전과는 달리, 이제 AI 디자인 도구는 몇 가지 키워드만으로도 고충실도(high-fidelity) 결과물을 빠르게 만든다. 이토록 프로토타이핑이 쉬워진 지금 같은 시대에는 ‘사용자 경험’을 고민하는 일명 UXer*의 역할이 더 많은 화면 시안을 만드는 데 있지 않다.

*UXer: 주로 UX 디자이너를 일컫는 용어로 쓰이지만, 이 글에서는 제품 개발/설계/UX 개선에 관여하는 IT 직군(기획자, 디자이너, 엔지니어, 리서처 등) 모두를 지칭했다.

이들에게 더 중요한 일은 이 디자인이 왜 필요한지, 사용자가 이 화면을 마주했을 때 어떤 감정을 느끼고 왜 그런 행동을 하는지 이해하는 일이다. 결국 인간 심리를 이해하는 것이야말로 제품 설계의 본질이라는 것이다.

“인간 심리학을 이해하지 못하는 디자이너는 물리학을 이해하지 못하는 건축가보다 성공할 수 없다.”
A designer who doesn’t understand human psychologies is going to be no more successful than an architect who doesn’t understand physics

조 리치(Joe Leech), “디자이너를 위한 심리학(Psychology for designers)” 중에서

UX 심리학이란?

UX 심리학은 사용자 경험과 인지 심리학이 합쳐진 용어다. 다만, 이 글에서 다루는 ‘UX 심리학’은 엄밀하게 심리학의 한 영역으로만 국한되지 않는다. 행동경제학, 인지 심리학, HCI(인간-컴퓨터 상호작용) 등에서 사용자의 인지와 행동을 이해하기 위해 다뤄지는 주요 개념을 UX 설계 관점에서 실용적으로 풀어낸 모든 이론을 폭넓게 포괄한다. 각 용어의 뜻을 더 자세히 짚어보겠다.

먼저, 사용자 경험(UX, User eXperience)은 모바일 앱이나 웹사이트처럼 디지털 환경에서의 경험뿐 아니라 우리가 일상에서 접하는 모든 제품과 서비스에 대한 경험 전반을 포함하는 개념이다.

주름이 잡힌 빨대 <출처: freepik>

빨대에 있는 주름을 한 번 떠올려보자. 주름이 생기기 전에는 빨대로 음료를 마시려면 고개를 앞으로 숙여야 했다. 하지만 주름이 생기며 빨대는 유연하게 구부러졌고, 사용자는 훨씬 편한 자세로 음료를 마실 수 있게 됐다. 이러한 주름 디자인 역시 사용자 경험을 개선한 UX 설계의 한 예라고 할 수 있다.

인지 심리학(Cognitive Psychology)은 우리가 세상에 존재하는 정보를 어떻게 받아들이고, 또 어떻게 해석하는지를 다루는 분야다. 교육, 법학, 헬스케어, 건축 등 다양한 영역에서 쓰이며, 이를테면 더 쉽게 새로운 내용을 전달하는 방법을 고민하거나(교육), 범죄 의도나 법적 행동을 이해하는 데(법학) 적용된다.

UX 디자인도 마찬가지다. 이 영역은 단순히 예쁜 화면을 만드는 일이 아니라, 사용자가 서비스를 어떻게 인식하고 어떤 흐름으로 조작하며, 결과적으로 어떤 경험을 얻는지 고려하고 설계하는 과정이다. 이 과정에서 심리학은 본질을 탐구하는 역할을 할 수밖에 없다.

UX 심리학의 예: ‘흑백요리사’는 왜 멈출 수 없을까?

예를 들면 이런 것이다. 최근 흑백요리사 시즌 2가 넷플릭스에 공개됐는데, 매번 가장 궁금한 결과를 앞두고 에피소드가 끝나버린다. 처음에 ‘하나만 봐야지’라는 마음으로 재생한 우리는 결국 ‘다음 화 자동 재생’을 멈추지 못한 채 밤을 새운다. 다른 오디션 프로그램에서도 마지막 참가자의 결과 발표 직전이면 꼭 광고가 등장한다. 시청자 입장에서야 답답하고 애가 타지만 기다리는 것 말고는 별다른 도리가 없다.

1. 자이가르닉 효과

이는 자이가르닉 효과(Zeigarnik Effect)의 대표적인 사례다. 자이가르닉 효과는 완료된 일보다 미완성된 일을 더 오래 기억하는 경향을 설명하며, 미완성 효과라고도 불린다. 이를 UX 설계에 적용하면 사용자가 특정 작업(결과 보기)를 끝내지 못한 상태에서 느끼는 불편함과 찝찝함을 자극해 다음 행동(지속 시청)을 자연스럽게 유도할 수 있다.

이러한 전략은 디지털 서비스에서도 어렵지 않게 찾아진다. 캔디 크러쉬나 피쉬돔 같은 게임을 하다 보면 생명, 즉 게임 가능 횟수를 모두 소진했을 때 하트를 구매하라는 메시지가 등장한다. 조금만 더 하면 스테이지를 깰 수 있을 것 같다고 느끼는 사용자에게 ‘결제’라는 행동을 유도하는 방식이다.

캔디 크러쉬 시리즈 <출처: 구글 플레이>

콘텐츠 플랫폼에서도 이 전략은 자주 쓰인다. 한창 재미있어지는 지점에서 글이나 영상이 끊기면, 더 많은 내용을 볼 수 있는 구독이나 결제 버튼으로 이어지는 것이다. 네이버 웹툰의 쿠키나 롱블랙의 구독 서비스가 대표적인 예다.

2. 사용자의 행동을 유도하는 애플의 UX 심리학

애플 워치의 활동 링 디자인 역시 자이가르닉 효과를 잘 활용한 사례다. 애플 워치는 하루에 채워야 할 일정량을 채우지 못하면 꾸준히 알림을 보내며 사용자가 ‘미완성’ 상태임을 인식하게 만든다. 이를 불편하게 느낀 사용자는 워치가 제안하는 행동인 걷기나 일어서기로 링을 완성할 가능성이 높아진다.

애플 워치의 활동 링 <출처 : 애플>

이러한 활동 링 디자인에는 사용자의 행동을 유도하는 또 다른 심리 효과 3가지가 숨어있다.

부여된 진행 효과

부여된 진행 효과 <출처: 작가>

우리는 완전히 0에서 시작하는 것보다, 이미 일부를 완료한 상태에서 다음 행동을 훨씬 쉽게 이어간다. 애플 워치를 차고 있으면 잠깐 자리에서 일어나거나 가볍게 움직이기만 해도 활동 링이 채워지기 시작한다. 이를 본 순간부터 사용자는 나머지 활동량을 채울 가능성이 조금 더 높아진다. 이러한 현상을 설명하는 개념이 바로 ‘부여된 진행 효과’다. 온라인 강의를 수강할 때, 사전 설문조사에만 참여해도 진도율이 일부 올라가는 것 역시 이 효과를 적용한 디자인 사례다.

목표 가속화 효과

목표 가속화 효과 <출처: 작가>

활동 링을 조금씩 채우다 보면 사용자는 점점 목표에 가까워진다. 그럴수록 더 속도를 내서 끝내고 싶어진다. 이렇게 목표에 근접할수록 목표를 이루고자 하는 동기가 더 커지는 현상을 ‘목표 가속화 효과’라고 한다. 애플워치는 목표 달성이 가까워지면 ‘움직이기 링을 거의 완성했어요. 조금만 더, 12분 동안 빠르게 걸어주세요.’와 같은 메시지를 보내며 효과를 더 극대화한다.

목표 시각화 효과

목표 시각화 효과 <출처: 작가>

지금까지 얼마나 진도가 나갔는지, 그리고 목표까지 얼마나 남았는지를 눈에 보이게 표현하는 것 역시 강력한 동기부여 요소다. 만약 활동 링이 시각적으로 보이지 않는다면, 목표까지 얼마 남지 않았다고 아무리 말해도 사용자에게는 와닿지 않는다. 이처럼 목표와 진행 과정을 시각화했을 때, 목표를 끝까지 추구하려는 동기가 더 커지는 현상을 ‘목표 시각화 효과’라고 한다.

UX 심리학으로 알아보는 불쾌한 경험들

반면 UX 심리학을 충분히 고려하지 않았을 때는, 사용자의 행동을 유도하기는커녕 오히려 이탈을 부르는 불쾌한 경험이 만들어지기도 한다.

부메랑 효과

외국어 학습 서비스인 듀오링고의 마스코트이자 앱 아이콘은 연두색 부엉이 캐릭터다. 한 번은 이 부엉이 캐릭터가 마치 괴상하게 녹아내리는 듯한 모습으로 바뀐 적이 있었다.

듀오링고 앱 구글링 결과 <출처: 작가>

이는 앱을 다운로드만 해두고 잘 사용하지 않는 사용자의 시선을 끌어 다시 접속하게 만들기 위한 일종의 심리적 장치였다. 하지만 실제로는 SNS를 중심으로 불쾌감을 표현하는 반응이 많았고, 나 역시 징그러운 부엉이가 자꾸 푸시 알림을 보내는 것이 불편해 결국 앱을 삭제하기까지 했다. 이처럼 누군가를 설득하려는 시도가 오히려 반대의 결과로 이어지는 현상을 ‘부메랑 효과(Boomerang effect)’라고 한다.

다크 패턴

그뿐만 아니라 의도적으로 사용자를 속여 특정 행동을 유도하는 디자인도 있다. 이를 다크 패턴(Dark Pattern)이라고 한다. 갑자기 카드 결제가 이뤄져 확인해 보니 원하지 않았던 구독 서비스가 연장된 상황이나, 이를 해지하려 해도 환불을 받을 수 없거나 심지어 추가 수수료까지 요구받았던 경험이 이에 해당한다. 이런 것들은 모두 다크 패턴의 모습이다.

물론 이 방식은 단기적으로 수익을 올리는 데는 효과적일 수 있다. 하지만 브랜드와 서비스 전체에 대한 인식에 악영향을 미친다는 점에서 매우 위험한 전략이라고 할 수 있다.

피크엔드 법칙과 부정 편향

이러한 일의 위험성은 피크엔드 법칙(Peak-End Rule)으로 더 잘 설명할 수 있다. 이 법칙에 따르면 사용자는 전체 경험을 평균적으로 기억하지 않는다. 대신 가장 강렬했던 순간(피크)과 경험이 끝나는 시점(엔드)을 중심으로 그 경험을 평가한다.

서비스 해지 과정에서 겪는 부정적인 감정은 기억에 강하게 남고, 결국 서비스 전체에 대한 부정적인 인식을 형성한다. 여기에 더해 긍정적인 경험보다 부정적인 경험을 더 강하게 기억하는 경향인 부정 편향(Negativity Bias)까지 작용하면 브랜드에 대한 신뢰와 충성도는 빠르게 하락할 수 있다.

UX 심리학 시작하기

이번 글에서는 자이가르닉 효과, 부메랑 효과 등 몇 가지 이론을 예시로 소개했다. 각 이론을 서비스 설계에 어떻게 적용할 수 있을지에 대한 정보는 온라인상에 파편화되어 흩어져 있는 경우가 많다. 그래서 케이스 스터디를 하듯이, 직접 이론과 사례를 연결해 탐구하는 방식으로 학습해보길 추천하고 싶다. 그 출발점이 될 수 있도록, 요즘IT에 올렸던 사용자 심리 분석 케이스 스터디 글을 몇 가지 소개한다.

UX 심리학 분석 케이스 스터디

바이오필릭 디자인: 부장님이 주말마다 등산 가자는 이유
다크패턴, 프레이밍 효과, 후광 효과: 나도 모르는 사이, 내 일상이 생중계 된다면
몰입 차트, 고정 행동 보상, 무작위 보상, 저장된 가치, 매몰비용 감옥: 사용자를 중독시키는 UX 전략
다크패턴, 후회 회피 편향, 인지 부조화: 테무의 구매 유도 다크패턴 4종 세트
프레이밍 효과, 가변 보상, 밴드웨건 효과, 새출발 효과: “지난 1년, 당신은?” 사용자 사로잡는 데이터 결산 UX에 숨은 심리학
호손 효과: 타인의 눈을 의식하는 ‘호손효과’
스토리텔링 효과, 권위 편향, 확증 편향, 후광 효과: 스탠리 텀블러 역주행에 숨은 UX심리학

주제별 이론과 사례를 살펴보다 보면 특히 흥미롭거나 공감되는 지점이 생길 수 있다. 그 지점에서 출발해 추가 사례를 찾아보거나, 해당 이론과 연결되는 또 다른 원리를 조사하는 방식으로 사용자 심리에 대한 이해를 넓혀나갈 수 있을 것이다. 특정 이론을 기반으로 기존 서비스의 리디자인 전략을 구상해 보는 것도 좋은 케이스 스터디가 된다.

이론을 검색할 때는 영어 원문으로 구글링하는 편이 더 정확하고 풍부한 정보를 얻는 데 도움이 되고, 검색 결과로 나오는 다양한 해외 아티클을 참고해 보는 것도 좋다. 이처럼 하나의 이론에서 출발해 직접 탐구하고 적용하는 과정을 반복하다 보면, 심리학 이론은 단순한 지식을 넘어 서비스 설계에 활용할 수 있는 사고의 틀이자 실용적인 도구가 될 수 있을 것이다.

마치며

피그마 메이크(Figma Make), 구글 AI 스튜디오(Google AI Studio), 스티치 AI처럼 UI 시안을 생성해 주는 AI 도구는 많다. 잠깐 프롬프트를 입력할 시간만 있으면, 순식간에 수십 개의 화면을 만들어낼 수도 있다. 결과물만 놓고 보면, 마치 AI가 모든 일을 대신해 주는 것만 같다.

하지만 실제 AI와의 협업 과정을 들여다보면 이야기는 다르다.

UX 디자이너와 AI의 협업 과정 <출처: 작가>

먼저 어떤 결과를 원하는지 인간이 정확한 명령어를 입력해야 하고, AI가 만들어낸 수많은 출력물 가운데 무엇을 선택할지, 또 어떻게 다듬을지를 의사결정하는 과정 역시 인간의 몫이다. 이 지점에서 여러 가지 인지 심리학 이론은 논리적인 근거로 작동하며 중요한 역할을 할 수 있다.

언제나 무엇이 더 설득력 있는 문구인지, 어떤 흐름이 더 사용자의 이해를 높이는지, 또 어떤 요소가 시각적으로 더 잘 받아들여지는지에 대한 판단은 사용자에 대한 이해에서 비롯된다.

]]>

우리 팀은 왜 피그마(Figma) 없이 일하게 됐을까?

우리가 디자인 프로세스를 바꾸게 된 과정과 이유

본문은 요즘 IT와 번역가 Yuna가 함께한 에이미 로저스(Amy Rogers)의 <Getting rid of Figma>을 번역한 글입니다. 필자는 사회적 가치를 지향하는 기술 기업 Vouchsafe에서 리드 디자인 엔지니어로 일하고 있습니다. 10년 이상 프로덕트 디자인과 사용자 리서치 분야에서 일하며, 소규모 팀과 에이전시, 프리랜서를 거쳐 왔습니다. 사용자 리서치부터 최종 디자인까지 전 과정을 직접 이끌어온 경험을 바탕으로 디자인과 개발 사이의 협업 방식을 고민해 왔습니다.

이번 글에서는 디자인 엔지니어로 일하며 겪은 경험을 토대로, 우리가 익숙하게 사용해 온 도구와 프로세스를 다시 돌아보고 더 나은 일하는 방식에 관해 이야기합니다.

*필자의 허락을 받아 번역했습니다.

미리 요점만 콕 집어보면?

디자인 엔지니어로 일하게 되면서, 개발자 입장에서 이 과정을 다시 보니 전혀 그렇지 않았습니다.
Figma에서 새 컴포넌트를 만드는 데 정말 많은 시간을 썼습니다. 그런데 문제는 그걸 결국 코드베이스에서 다시 한번 만들어야 했다는 점이었죠.
그래서 지금은 여러 도구로 함께 아이디어를 풀어보고, 이후에는 컴포넌트를 기준으로 바로 구현하는 프로세스로 일하고 있습니다.

제가 디자이너로 커리어를 시작했을 때만 해도 ‘피그마(Figma)’가 없었습니다. UI 시안은 Adobe Illustrator로 만들고, Keynote에 옮겨서 공유했죠. 클라이언트가 수정 요청을 하면 이 과정을 처음부터 다시 반복해야 했고, 그만큼 번거롭고 고된 작업이었습니다.

그 시절에 비하면 지금은 정말 많은 게 달라졌죠. 디자이너들은 무한 캔버스에서 실시간으로 협업하고, 작업 내용은 자동 저장되고 버전 히스토리도 남습니다. 개발자에게 넘기는 과정도 훨씬 쉬워졌습니다. Figma에는 ‘개발자 모드’도 있어서 개발자들은 별다른 추가 작업 없이 디자인 파일 그대로 활용할 수 있습니다. 적어도 저는 그렇게 생각했죠. 하지만 디자인 엔지니어로 일하게 되면서, 개발자 입장에서 이 과정을 다시 보니 전혀 그렇지 않았습니다.

새로 합류한 회사 ‘Vouchsafe’에서는 예전부터 해오던 방식 그대로 Figma를 사용하고 있었습니다. 제 프론트엔드 역량을 시험해 보기 위해, 아직 코드베이스에 없는 컴포넌트 하나를 직접 구현해 보려고 했습니다. 하지만 디자인과 코드를 오가는 과정이 생각보다 훨씬 어려웠죠. 우리 팀은 ‘Tailwind’를 사용하고 있었는데, Figma 디자인 시스템에서는 컬러 네이밍 규칙이 완전히 달랐기 때문입니다.

Figma라는 싱크홀

한 번은 새로운 카드 컴포넌트를 디자인해야 했는데요. Figma에서 새 컴포넌트를 만드는 데 정말 많은 시간을 썼습니다. 그런데 문제는 그걸 결국 코드베이스에서 다시 한번 만들어야 했다는 점이었죠. 그제야 깨달았습니다. Figma에서 들인 노력이 꽤나 헛수고였죠. 결국 제가 만든 건 저 혼자만 쓰는 디자인 시스템이었던 셈이었습니다.

아이디어 단계에서도 비슷한 일이 반복됐습니다. 팀원들과 화이트보드 앞에 모여 새로운 기능의 플로우를 스케치했고, 최종 디자인 방향에도 모두 합의했죠. 그리고 Figma에 앉아 하이파이 프로토타입을 만들려던 순간, 문득 이런 생각이 들었습니다. “이건 대체 누구를 위한 걸까?” 이미 구현 범위는 정해져 있었고, 기존 컴포넌트와 패턴을 그대로 재사용할 계획이었습니다. 그렇다면 굳이 이 단계를 거치지 않고 바로 만들어버리지 못할 이유가 있을까 싶었죠.

Figma는 제 커리어 절반 이상 동안 ‘업계 표준’이었지만, 이런 간극을 반복해서 경험하다 보니 생각이 달라졌습니다. 이렇게 오랜 시간이 지났는데도 여전히 더 나은 방식이 없다는 게 과연 말이 될까 하는 의문이 들었죠.

프로세스를 다시 설계하기

다행히도 저는 저를 믿고 맡겨주는 소규모 팀에서 일하고 있습니다. 덕분에 기존 업무 방식을 이것저것 실험해 볼 수 있었죠. 그리고 프로세스를 개편하기 전까지 우리는 디자인하고, 넘기고, 다시 만드는 과정을 반복하고 있었습니다.

디자인과 관련된 모든 일을 Figma에서 했고, 그 사이에서 개발자에게 넘기는 과정은 늘 매끄럽지 않았습니다. 그러다 문득 Figma가 없다면 우리는 어떻게 일했을지 궁금해졌습니다.

컴포넌트 라이브러리로 일하기

디자인 라이브러리를 두 개나 유지하는 대신, 저는 코드베이스에 존재하는 컴포넌트에만 집중하고 싶었습니다. 어차피 최종 사용자가 실제로 보게 되는 화면은 코드 쪽이니까요.

그래서 ‘Storybook’을 도입했습니다. Storybook은 코드 레벨에서 개별 컴포넌트를 문서화하고 테스트할 수 있는 작업 공간인데요. 컨트롤 기능을 활용하면 하나의 컴포넌트가 가진 다양한 베리에이션을 바로 확인할 수 있고, hover 상태나 로딩 상태도 쉽게 확인할 수 있습니다. 또 ‘애드온’을 활용해 접근성 테스트도 진행했는데요. 단순히 색상 대비만 확인하는 수준이 아니라, 키보드 사용자나 스크린 리더 사용자도 문제없이 사용할 수 있도록 코드 구조까지 함께 살펴볼 수 있었죠.

Vouchsafe의 Storybook 컴포넌트가 동작하는 모습을 보여주는 애니메이션

무엇보다 좋았던 점은 Storybook에 있는 컴포넌트가 실제로 개발자들이 그대로 사용하는 컴포넌트라는 사실이었습니다. 그래서 버튼이 제가 의도한 모습 그대로 구현될 거라는 확신이 있었죠. 또 앱을 보다가 스타일이 어긋난 부분을 발견하더라도, 이제는 개발자를 기다리지 않고 제가 직접 바로 수정할 수 있게 됐습니다.

지금은 같은 컴포넌트를 중심으로 함께 만들어가는 프로세스로 바뀌었습니다.

컴포넌트는 정리했으니 이제 프로세스의 앞단을 살펴볼 차례입니다. 사용자 플로우와 와이어 프레임은 어떻게 빠르게 만들어 볼 수 있을까요?

만들기 전에 함께 탐색하기

탐색 단계는 원래 좀 어수선한 법입니다. 그럼에도 와이어 프레임을 그릴 때 Figma를 쓰는 건 생일 케이크 초에 불을 붙이려고 토치를 들이대는 것과 비슷하죠. 다른 도구들도 충분히 많지만 너무 익숙하다 보니 결국 손이 가는 건 늘 Figma입니다.

그래서 Vouchsafe에서는 탐색 단계에 몇 가지 도구를 정해두고 사용합니다.

우리는 화이트보드를 정말 좋아합니다. 사무실 곳곳에 화이트보드가 있는데요. 모두 출근한 날에는 노트북을 들고 보드 앞에 둘러앉아 함께 생각합니다. 기존 디자인과 코드도 함께 보면서, 펜으로 다양한 패턴을 직접 스케치하죠.
원격으로 일할 때는 Miro 보드를 열어 함께 정리합니다. 좀 더 구조화된 내용을 적거나, 사용자 리서치나 다른 미팅에서 나온 메모를 엮을 때는 Notion을 활용합니다.
시각적인 결과물이 필요할 때는 Penpot을 열어서 빠르게 몇 가지 안을 만들어봅니다. ‘Penpot’은 오픈소스 기반의 Figma 대안으로 웹 디자인에 적합합니다.

이 방식들의 가장 중요한 공통점은 모두 ‘협업에 최적’이라는 것입니다. 과거에 Figma로 탐색 작업을 할 때는 보통 제가 마우스를 쥐고 있고, 다른 사람들은 “이걸 저쪽으로 옮겨보자” 같은 의견만 던지는 구조였죠. 화이트보드나 Notion 문서에서는 누구나 바로 참여할 수 있습니다. 이 단계에서는 모든 사람의 관점이 중요하기 때문에 디자인 과정에 누구나 자연스럽게 참여할 수 있습니다.

그래서 지금은 여러 도구로 함께 아이디어를 풀어보고, 이후에는 컴포넌트를 기준으로 바로 구현하는 프로세스로 일하고 있습니다.

우리에게 맞는 도구들로 하나씩 바꿔가다 보니 어느 순간 Figma는 자연스럽게 사라졌습니다. 모두가 함께 사용할 수 있는 도구에서 생각을 정리하고, 곧바로 코드로 넘어가게 됐죠. 조금 이상하게 들릴 수도 있겠지만, 지금 우리의 제품 디자인 프로세스 어디에도 Figma는 없습니다.

돌아보며

도구는 정말 빠르게 변합니다. 몇 년 뒤에 이 글을 다시 읽어보면, 완전히 다른 프레임워크들을 쓰고 있을지도 모르겠죠. 하지만 한 가지는 변하지 않을 거라고 생각합니다. 디자이너가 코드에 더 가까워지고 있다는 점입니다. 저는 이미 2019년에 디자이너는 코드를 이해해야 한다고 이야기했는데요. 지금도 그 생각은 변함이 없습니다. 다만 최근에는 코드를 직접 작성하는 디자이너들도 점점 늘어나고 있고, 이 흐름이 쉽게 멈출 것 같지는 않습니다.

물론 우리가 시도한 방식이 모두에게 맞지는 않을 겁니다. 저는 코딩을 좋아하고, 그에 대한 자신감도 있는 편이니까요. 우리 팀은 규모가 작고, 빠르게 움직이는 제너럴리스트 팀입니다. 각자 여러 역할을 맡아 일하는 구조라 이런 방식이 가능했죠. 그래서 이 접근법이 규모가 큰 조직에서도 그대로 통할지는 모르겠습니다. 그래도 각자의 상황에 맞게 한 번쯤은 시도해 봤으면 좋겠습니다.

디자인 업계가 변해가더라도, 우리가 테이블 위에 가져오는 가치가 무엇인지는 계속해서 의식해야 합니다. 설령 그 가치를 만들어내는 도구의 모습이 달라지더라도 말이죠.

<원문>

Getting rid of Figma

]]>

기획자는 왜 나노 바나나를 쓰게 됐을까?

아직 존재하지 않는 기술을 설명해야 할 때 이미지는 가장 강력한 도구가 된다. 선행 연구소에서 일하다 보면 아직 세상에 출시되지도 않은 기술을 기획해야 하는 경우가 많다. 이미 잘 쓰고 있는 챗봇보다 더 나은 '다음'은 무엇일지, 그 미래의 기술이 실제로 생활에 도움이 되는 건 맞는지를 고민할 때가 많다.

이럴 때 기획자에게 중요한 역량은 단순한 기술 설명이 아니라, 와닿는 시나리오와 콘셉트를 제시하는 힘이다. 문제는 그 시나리오를 말로만 주절주절 풀어내면 전달력이 급격히 떨어진다는 점이다. 백 마디 말보다 강렬한 한 장의 이미지가 더 뇌리에 남는 법이다. 그래서 나는 기획 과정에서 텍스트보다는 이미지를 통해 커뮤니케이션하려고 한다.

커뮤니케이션에 이미지만 한 게 없다는 건 알지만, 막상 레퍼런스 이미지를 찾으려 하면 한계에 부딪힌다. 검색 엔진에 있는 이미지는 대부분 '과거의 데이터'다. 내가 상상하는 미래의 장면, 아직 존재하지 않은 기술이 실현된 일상 이미지는 어디에도 없다. 텍스트로 구구절절 설명을 덧붙이다 보면 기획서만 두꺼워질 뿐. 전달력은 떨어지고 설득은 점점 하기 어려워진다. 이런 상황에서 구글의 나노 바나나는 꽤 괜찮은 구원투수가 되고 있다. 이번 글에서는 기획자가 ‘나노 바나나’를 어떻게 활용하면 좋을지 알아보고자 한다.

<출처: 작가 생성>

어떻게 나노 바나나를 사용하는가?

나노 바나나를 가장 자주 사용하는 순간은 시나리오를 보여줄 때이다. 업무가 쏟아질수록 설득해야 하는 장면도 함께 늘어난다. 특히 하나의 핵심 기술이 모빌리티, 냉장고, 홈로봇처럼 서로 다른 제품과 서비스로 확장될 때 이 문제는 더 분명해진다. 같은 기술이라도 어떤 맥락에서 쓰이느냐에 따라, 전혀 다른 시나리오가 필요하기 때문이다. 이럴 때 나노 바나나로 특정 상황을 묘사하거나, 해당 기술이 필요한 인물을 그려달라고 구체적으로 요청한다. 누구라도 자연스럽게 상황을 공감할 수 있도록 프롬프트를 설계한다.

시나리오를 보여줘야 하니 어떤 경우에는 웹툰 형태의 직관적인 이미지가 필요하고, 어떤 경우에는 실사에 가까운 장면이 더 효과적이다. 중요한 것은 이미지의 스타일이 아니라, 이 장면이 왜 필요한지 한눈에 전달되는 것이다. 나노 바나나는 이 지점에서 설득의 속도를 분명히 앞당겨준다.

왜 기술이 필요한지 공감대가 형성되면 이제부터 실제 실현된 모습을 구체적으로 기획한다. 추상적인 설명보다 "그래서 화면에서는 무엇이 어떻게 보이는가"에 집중하여 프롬프트를 설계한다. 키 화면을 생각하며 와이어 프레임이나 UI 구조를 그릴 때도 나노 바나나는 제법 유용한 역할을 한다. 완성도를 기대하여 그려내기보단 가장 빠른 속도로 형태를 끌어내는 데 목적이 있다. 초기 UI를 빠르게 도출해 보고 가능성과 방향성을 탐색하는 과정에서는 사람의 손보다 AI가 훨씬 기민하다. 물론 이 역시 초안에 가깝다. 하지만 설득을 마친 뒤 구현의 논의를 시작하기에는 충분한 출발점이 된다.

와이어 프레임을 직접 그리려면 최소 30분 이상 고민을 하지만 이렇게 AI로 시작하면 훨씬 빠르게 제작이 가능하다. 불필요한 수정사항을 없애려면 매우 상세한 프롬프트 가이드가 필요하다. 예를 들어, 내가 최근에 사용한 와이어 프레임 프롬프트를 변형해 소개한다면 다음과 같다.

메인 홈 화면 프롬프트

마이크로 러닝 앱인 '나노 바나나'의 메인 홈 화면 와이어 프레임을 그려줘. 상단에는 '나노 바나나'라는 글자 로고와 검색창이 있고, 그 아래에는 'UX 디자인', 'AI 전략' 같은 카테고리 버튼들이 가로로 나열되어 있어. 화면 중앙에는 영상 썸네일과 제목이 들어간 카드들이 세로로 배치된 깔끔한 모바일 UI 레이아웃을 보여줘. 화이트와 그레이 톤의 미니멀한 스타일로 제작해 줘.

시청 화면 프롬프트

지식 공유 숏폼 앱의 상세 시청 화면 와이어 프레임을 생성해 줘. 전체 화면은 영상 영역이고, 화면 오른쪽에는 세로로 좋아요, 저장, 공유 버튼이 떠 있어. 화면 하단에는 'AI 요약'이라고 적힌 반투명한 텍스트 상자가 있고 그 안에 요약 문장들이 들어가야 해. 맨 아래에는 '상세 내용 보기'라는 큰 버튼이 있는 고충실도 와이어 프레임으로 만들어줘.

마이페이지 대시보드 프롬프트

사용자의 학습 통계를 보여주는 마이페이지 와이어 프레임을 설계해 줘. 상단에는 사용자 프로필과 '7일 연속 학습 중'이라는 문구가 보여야 해. 화면 중간에는 일주일간의 학습량을 나타내는 격자무늬 히트맵 차트를 넣어주고, 그 아래에는 관심 분야 비중을 보여주는 원형 차트를 배치해 줘. 전체적으로 전문적이고 신뢰감 있는 대시보드 레이아웃으로 그려줘.

3개의 화면에 대한 와이어 프레임을 그려줘

나노 바나나로 만든 와이어 프레임 <출처: 작가 생성>

이렇게 작성하면 위와 같은 와이어 프레임이 금세 만들어진다.

<출처: 작가 생성>

이에 더해 나노 바나나는 단순히 UI를 그리는 도구에 그치지 않는다. 개인 작업물을 넘어 타인과 공유하기 위한 디자인 컴포넌트를 정리하는 단계에서도 활용할 수 있다. 초기 UI를 바탕으로 컬러, 폰트, 크기 같은 기본적인 디자인 가이드라인을 빠르게 빠르게 설정하고, 팀이 함께 참고할 수 있는 공통의 기준을 만드는 데에도 유용하다. 완성된 디자인 시스템을 기대하기보다는 논의를 시작하기 위한 최소한의 기준을 만드는 데 적합하다.

<출처: 작가 생성>

서비스를 보여줄 수 있는 대표적인 UI가 도출되면 상황을 설명하는 서비스 플로우를 그릴 때 역시 사용할 수 있다. 구체적인 인터랙션에 대한 플로우를 보여줄 수 있고 주요 기능 간 연결고리를 보여주는 플로우도 함께 보여줄 수 있다.

나노 바나나를 잘 사용하는 법

실무에서 잘 사용하면 시간을 급격히 줄일 수 있는 나노 바나나지만 마법의 요술램프처럼 갑자기 뚝딱 결과물이 나오는 건 아니다. 활용을 제대로 하기 위해서는 계속 프롬프트를 실험하면서 최적의 프롬프트를 설계하는 방법이 필요하다.

예를 들어, 미래 기술이나 상황을 묘사할 때는 그냥 두리뭉실한 프롬프트를 넣기보단 꼭 넣어야 하는 치트키가 있다. 바로 [상황] + [사용자 행동] + [디바이스 형태]로 작성하는 것이다. 끝에는 항상 형용사를 붙여 넣는데 '미래지향적', '홀로그래픽' 이런 문구를 넣어 선행 기술로서의 시나리오가 잘 그려지도록 프롬프트를 설계한다.

여러 실험을 통해 구체적인 프롬프트를 설계했다 하더라도, 100% 내가 원하는 완벽한 이미지가 나오진 않는다. 최근에 만든 이미지는 얼굴 자체는 형태를 일관성 있게 유지하면서 시나리오를 도출했지만, 손가락이 기괴하게 도출되었다. 그림 그리는 모습의 이미지를 제작했는데, 팔레트를 잡은 엄지손가락이 팔레트를 뚫고 올라온 형태가 되어 있는 것이었다. 한국어 글자가 깨지는 현상 역시 매우 빈번하게 발생하는 오류다. 이런 경우 정확히 오류를 지적하면서 미세한 수정을 바로 잡아 나가야 한다.

'손가락이 어색하지 않게 해 줘.'
'한국어는 정확히 작성해 줘'

이런 형태로 콕 집어 다시 만드는 형태가 필요하다. 그럼에도 불구하고 계속 이미지 오류가 발생한다면 카메라 앵글을 바꿔 이미지를 계속 발전시켜 나가면 된다.

비약적으로 좋아진 부분은?

나노 바나나를 쓰면서 좋아진 부분은 이해관계자 대부분이 동상이몽을 하지 않아도 된다는 점이다. 문자로만 커뮤니케이션할 땐 미세하게 서로가 생각하는 방식들이 달랐다. 하지만 이미지는 모두 동일 선상에서 같은 눈높이로 시작하고 생각할 수 있다는 점에서 유용하다.

아쉬운 부분은?

반면, 아쉬운 점은 너무 일반적인 결과물로 소통하게 된다는 점이다. AI는 기존의 데이터 중에서도 일반적인 데이터들의 조합을 가져오기 때문에 어딘가 좀 평이한 구석이 있다. 가령 로봇을 그리라고 하면 혁신적이고 특별한 로봇 대신, 어디서 많이 본듯한 좀 일반적인 로봇만 가져오는 게 좀 아쉬웠다.

누군가의 데이터를 그대로 학습해 내 결과물에 반영된다는 의미는 결국 내 데이터도 사용될 수 있다는 의미다. 적극적으로 나노 바나나를 업무에 도입하는 걸 꺼려지는 이유 중 하나가 보안이다. 기업의 기밀이 노출될 위험이 크기에, 조각조각 꼭 필요한 부분에 대해서만 나노 바나나를 활용하게 된다.

나노 바나나 활용 사례 <출처: 작가 생성>

이제 기획자가 할 일은 무엇인가

요즘 AI를 둘러싼 메시지는 대체로 비슷하다. "시간이 비약적으로 줄어들고 업무 생산성이 200% 올라간다." 틀린 말은 아니다. 하지만 온전히 맞는 말도 아니다. 나노 바나나를 하루에도 수십 번 쓰다 보니, 시간이 획기적으로 단축된다기보단 시간의 쓰임이 달라졌음을 느낀다. 아무것도 없는 백지상태에서 그럴싸한 초안을 만들어주는 건 나노 바나나가 순식간에 해주니 효율성이 올라간다. 하지만 그 70점을 90점, 100점짜리 결과물로 만드는 디테일한 수정은 여전히 까다롭고 사람의 손길이 필요했다.

0점에서 70점을 빠르게 채우는 역할은 분명 AI가 대체할 것이다. 그럼 나머지 30점을 채우기 위해 기획자는 무엇을 해야 하는 것일까? 이제 기획자는 "무엇을 그렸는가"보다, "이게 왜 필요한가"를 설명하는 사람이 되어야 하는 게 아닌가 싶다. 그림은 그림일 뿐, 이게 왜 필요한지 그 타당성이나 논리에 좀 더 집중하는 역할이 되지 않을까? 그림은 그림일 뿐이다. 이미지는 결과물이지 목적이 아니다. 중요한 건 그 이미지가 어떤 맥락에서 필요했고, 어떤 메시지를 전달하며 왜 지금 이 형태여야 하는가에 대한 논리다.

'커피를 마시는 여자'라는 이미지가 있다면 기획자의 역할은 더 멋진 커피 컵을 그리는 게 아니라, 그 장면에 이야기를 부여하는 것이다. 왜 그녀는 커피를 마시고 있는지, 이 장면에서 사용자에게 어떤 감정이나 행동을 유도하는지, 앞뒤 맥락과 어떻게 연결되는지 말이다. 결과 이미지를 나열하는 사람이 아니라, 그 사이를 단단한 이야기로 연결하는 사람. 그 힘이 앞으로의 기획자에게 더 필요해질 것이다.

]]>

2026년 디자인 도구 트렌드: 누가 판을 바꿀까?

2025년은 그 어느 때보다도 AI가 다양한 서비스에 적용되고, 확장된 시기가 아닐까 싶습니다. 서비스에서 AI를 쓸 수 있다는 것 자체가 이제는 선택이 아닌 필수가 되어가고 있는데요. 그에 따라 전통적인 서비스는 자신들의 방법으로 AI를 도입하는 데 힘썼고, 역으로 AI를 활용해 기존에는 쉽게 접근할 수 없었던 기능이나 서비스를 만들고 공개하는 사례도 많아졌습니다.

무엇보다 단순 자동화를 넘어, 자율성이라는 키워드를 바탕으로 근본적인 전환점을 맞이했다는 점에서 의미가 있었다고 생각합니다. 프롬프트 입력이라는 요청 단계를 기다리지 않고, AI가 스스로 목표를 설정하거나, 복잡한 다단계 작업을 수행하는 에이전틱 시스템이 서비스의 전면에 등장했고요.

2025년에 직접 여러 도구를 써보고, 동시에 AI 기능을 서비스에 붙여보는 과정에서 가장 크게 체감한 변화는 크게 네 가지였습니다.

생성형 기능이 디자인 작업을 넘어 프로세스에 들어오기 시작했다는 점
대화형 인터페이스(CUI)와 멀티모달이 ‘실험’이 아니라 ‘기본 옵션’으로 올라왔다는 점
요청한 결과를 생성하는 것에서 끝나지 않고, 다음 작업을 제안하는 등 적극적으로 참여하는 점
협업과 핸드오프(디자인→개발→테스트)가 도구 안에서 더 단단히 엮이기 시작했다는 점

오늘은 2025년에 소개했던 서비스(도구)들이 어떤 트렌드에 발맞추기 위해 무엇을 강화해 왔는지, 그리고 이제 막 시작된 2026년에는 어떤 형태의 도구가 우리 앞에 더 많이 등장할지, 서비스/프로덕트 디자인 관점에서 정리해 보겠습니다.

2025 주요 키워드: 어시스턴트와 대화형 사용자 인터페이스

2025년의 디자인 툴 트렌드를 두 개의 키워드로 요약하면 AI가 ‘어시스턴트’로서 디자인 작업 흐름에 항상 관여하기 시작했다는 점, 그리고 추상적인 느낌과 목표를 전달하면 이를 실행 가능한 결과물로 변환하는 바이브 디자인이라고 생각합니다.

먼저, 올해 다양한 서비스에서 공통적으로 확인할 수 있었던 AI 활용 방식은 ‘어시스턴트’였는데요. 특히 대화형 인터페이스를 자주 접할 수 있었습니다. 메신저 기반의 익숙한 경험을 그대로 활용할 수 있으면서도, AI라는 대상을 보다 친숙하게 다룰 수 있는 방법이기 때문입니다.

대화형 사용자 인터페이스(CUI)는 서비스에서 어떤 행동을 하기 위해 버튼을 클릭하던 기존 GUI 중심의 행동 방식을 크게 바꿔주는 접근입니다. 사람과 대화하듯이 말하거나 업무 요청을 진행할 수 있어 직관적이고, 학습 과정을 상당 부분 줄여주며, 때로는 감정적으로 몰입할 수 있는 환경을 제공한다는 장점이 있습니다. 이런 배경에는 자연어 처리와 대규모 언어 모델(LLM)의 발전이 있는데요. 복잡한 문장을 이해하고, 의도와 어조를 파악하며, 긴 대화에서도 맥락을 유지해 주는 것이 가능한 수준까지 올라왔기 때문이죠.

앞선 내용들을 바탕으로 올해 소개한 서비스를 다시 살펴보면, 두 가지 서비스가 먼저 떠오릅니다.

<출처: MagicPath AI, 작가 캡처>

MagicPath AI

MagicPath는 ‘보라색 그라디언트 로그인 화면’처럼 자연어 요청만으로 실제 작동 가능한 웹 UI를 빠르게 생성하고, 결과를 HTML/CSS까지 내보내는 방향으로 연결합니다. 이건 2025년에 본격화된 변화(디자인이 ‘결과물 생성’이 아니라 프로세스/핸드오프까지 엮이는 흐름)를 그대로 반영하고 있습니다.

무엇보다 ‘하나의 화면’이 아니라, ‘흐름(Flow)’을 가져갈 수 있다는 점이 여전히 매력적인데요. 무한 캔버스에서 화면 간 연결을 유지하며 작업하게 만들어, 컴포넌트 단위 자동 생성을 넘어, UX 설계(플로우 단위 의사결정)로 사용자를 끌고 가는 점이 중요하다고 생각합니다.

올해 이와 비슷한 서비스가 정말 많이 쏟아졌기에, 내년에는 이들이 어떤 방식으로 생존하고, 더 나은 경험을 제공할 것인지가 중요해 보입니다. (참고: 전문 지식 없이도 웹 기반 UI 뚝딱 생성하는 'HeroUI')

<출처: Picsart, 작가 캡처>

Picsart AI 어시스턴트

대화를 통해 아이디어를 즉시 시각화하고 편집할 수 있는 '끊김 없는 워크플로'를 제공합니다. 생성된 결과물이 단순 이미지가 아니라 레이어 구조가 유지되어 세부 수정이 가능하다는 점, 다양한 AI 도구를 함께 사용할 수 있다는 점에서 기존의 UX(User Experience)를 보완하는 AX(Agentic Experience)를 어떻게 활용하면 좋을지에 대한 힌트를 얻기 좋은 곳입니다.

수없이 많은 서비스 중에서 이들이 2025년 디자인과 AI의 흐름을 대표한다고 볼 순 없지만, 기술적 한계 또한 분명히 느껴졌습니다. 무엇보다 창의적인 결과를 내놓지 못한다는 점, 그리고 맥락을 명확하게 이해하지 못한다는 점이 큽니다. 아마 바이브 디자인을 해보신 분들이라면 한 번씩 경험해 보셨을 문제로, 학습된 데이터 내에서만 작동하기에 대부분 비슷한 스타일의 디자인을 만들어 주기 때문입니다.

또 요청 사항을 어떻게 작성하고 전달하냐에 따라 성능 저하가 발생할 수 있습니다. 오픈소스 기반이 아닌 상용모델(제미나이 3.0, GPT 5.2 등)을 가져다 쓰기에, 서비스에 문제가 발생할 경우 바로 영향을 받는다는 점도 존재합니다. 그래서 여전히 어떤 도구를 어떻게 써야 하는지 고민하고 학습하는 과정이 필요합니다. 서비스 자체에 대한 학습 시간은 줄었지만, AI를 어떻게 활용하면 좋을지에 대한 고민을 그만큼 시작하게 된 시기라고 생각합니다.

2026 주요 키워드 : 지능형 오케스트레이션과 에이전틱 UI

이미 많은 분들이 내년도 디자인 트렌드와 관련된 많은 자료를 보셨을 테고, 그곳에서 반복적으로 언급되는 키워드들을 보셨을 것 같은데요. 저는 2025년의 트렌드를 바탕으로, 2026년에는 어떤 성격의 디자인 도구가 어떤 목적으로 등장할 것인지를 생각해 봤습니다.

먼저 2026년은 AI가 단순한 도구를 넘어 스스로 판단하고 행동하는 '에이전트'로 진화하며, 디자이너는 이들을 총괄하는 '오케스트레이터'이자 '디렉터'의 역할을 수행하게 될 가능성이 높습니다. 이미 우리 곁에 에이전트는 여러 방법으로 등장했고, 제 주변에는 수십 개의 에이전트를 직접 구축해, 반복 업무는 물론 사고를 필요로 하는 업무도 직접 수행하는 분들이 생길 정도입니다.

이러한 워크플로우을 개인의 디자인 업무에 맞춰보면, 바이브 디자인으로 끝나는 것이 아니라 완성된 디자인을 우리가 설정한 기준과 목표에 맞게 계속해서 다듬을 수 있죠. 또 필요하다면 관련된 자료를 찾아, 반영하는 등의 활용이 보다 가까워질 것이라 생각합니다. 정확히는 하나의 에이전트가 아니라, 여러 개의 멀티 에이전트 시스템을 누구나 손쉽게 활용할 수 있는 거죠.

또한 기획, 디자인, 세부 수정 및 퍼블리싱, 테스트와 피드백 수집 등 하나의 큰 줄기로 연결된 업무 단계를 각각의 에이전트가 수행하게 됩니다. 결국 우리는 우리의 직관을 더하고, 단계별로 필요한 결정 사항을 확인하는 역할을 하게 될 가능성이 높습니다. 이에 따라 정답에 가까운 화면을 만드는 것보다, 상황에 맞게 ‘화면이 바뀌는 규칙’을 설계하는 역량이 더 중요해질 수 있는데요. 이를 총괄하는 마스터 에이전트도 함께 활용할 수 있지 않을까 싶습니다. 물론 생성 품질은 지금보다 높아져, 자잘한 수정 사항을 요청하는 빈도도 줄어들 것입니다.

이미 어도비는 2025년 10월 28일, 공식 행사를 통해 디자인의 모든 작업 단계(아이데이션부터 제작 및 전달까지)에 AI를 활용하고, 주요 서비스에 에이전트형 AI 어시스턴트를 도입한 소식을 전했습니다. (출처)
또, 같은 행사를 통해 프로젝트 Moonlight를 소개해며 개별 앱의 AI 어시스턴트를 오케스트레이션해, 아이디어에서 최종 결과물까지 사용자의 목표에 맞게 조율하는 개인을 위한 오케스트레이션 AI 개념을 전했습니다. (출처)

서비스 입장에서는, 에이전틱 UI와 제너레이티브 UX를 보다 가까워질 것 같습니다. 채팅형 인터페이스는 익숙하고, 서비스에 쉽게 반영할 수 있지만 아직은 정적인 모습에 머물러 있습니다. 그래서 사용자의 의도와 상황에 따라 인터페이스가 실시간으로 생성되는 에이전틱 UI가 더 중요해지고 있습니다.

현재 이 사용자가 어떤 상태에 있는지, 서비스를 얼마나 능숙하게 활용하고 있는지 등을 따져, 현재 상황에 최적화된 레이아웃과 정보가 제공된다면 어떨지 벌써 기대됩니다. 이는 앞서 언급한 멀티 에이전트, 생성형 디자인과도 연결되어, 단순히 레이아웃을 생성하는 것을 넘어, 실시간으로 사용성 테스트를 수행하거나, 개선안을 바로 제안하는 파트너로 자리 잡을 가능성도 높습니다.

구글은 지난 15일, A2UI라는 오픈소스 프로젝트를 발표했는데, 대화 맥락에 맞춰 에이전트가 실시간으로 UI를 생성하여 사용자에게 가장 적합한 인터페이스를 제공하는 기술이 담겨있습니다. 예를 들어, 식당 예약 에이전트가 파티 규모, 날짜 등을 입력받는 맞춤 UI를 대화 중간에 즉석에서 생성할 수 있는 내용이 포함되어 있습니다. (출처)
스탠포드 대학의 논문 ‘Generative Interfaces for Language Models’에서도 비슷한 내용을 확인할 수 있는데요. LLM이 사용자의 목표에 따라 UI 위젯과 인터랙션을 동적으로 생성하는 ‘Generative Interface’ 패러다임을 포함하고 있습니다. 전통적 챗봇 대비 최대 72%까지 사용자 선호도가 향상되며, 인터페이스의 적응성과 상호작용성 측면에서 뛰어난 성능을 보였다고 합니다.

2026년 함께 살펴보면 좋은 키워드: 도메인 특화 모델과 페르소나

2025년의 한계 중 하나가 결과물의 스타일 수렴이었습니다. 2026년에는 이를 깨기 위한 해법으로 도메인 특화 모델이 중요해질 수 있습니다. 더 높은 정확도/낮은 비용을 바탕으로, 범용 LLM이 채우지 못했던 특수 작업 요구사항을 충족하고, 그 자체가 제품의 해자로 작동할 가능성이 큽니다. 또한 페르소나/브랜드/정책을 모델이 지속적으로 기억·적용하는 방향으로 발전하면, 맥락 부족 문제를 실질적으로 줄일 수 있을거라 생각합니다.

이미 2025년 기준 미국 의료기관의 22%는 도메인 특화 AI 도구를 도입했으며 이는 1년 전 대비 7배나 증가한 수치입니다. 법률, 금융, 미디어 등 다룬 분야에서도 비슷한 흐름이 이어지고 있으며, 2026년에는 범용 AI가 아닌 도메인 특화 AI 관련 서비스나 모델이 더 다양하게 등장하지 않을까 생각합니다. (출처)

개인적인 기대: 시뮬레이션 기반 UX 테스트 및 가상 사용자 피드백

개인적으로 최근 계속해서 테스트해 보고, 사용하는 도구 카테고리는 바로 가상의 사용자를 활용한 피드백 제공과 정리인데요. 요즘IT를 통해서도 관련 서비스를 소개한 바 있습니다.

<출처: Uxia, 작가 캡처>

Uxia

‘User testing, Reinvented’라는 슬로건을 내걸고, 실제 사람을 대신하여 인공지능이 사용자 행동을 시뮬레이션하는 서비스입니다. 제품의 사용성을 테스트하는 ‘합성 테스트’라는 접근 방식을 활용하고 있으며, 이는 더 이상 사용자를 모집하기 위해 여러 날을 기다리거나, 값비싼 비용을 지불하거나, 방대한 양의 테스트 내용을 분석하느라 투자하는 리소스를 줄일 수 있다는 장점을 지니고 있습니다.

2025년이 만드는 속도가 빨라진 해였다면, 2026년은 그 속도를 검증과 개선이 따라잡아야 하는 해가 될 가능성이 크다고 생각합니다. 에이전틱 UI/제너레이티브 UX가 본격화될수록 우리가 테스트해야 할 경우의 수는 늘어날 수밖에 없고요. 이때 기존 방식(리서치 모집→테스트 진행→분석)이 그대로라면, 디자인/제품 팀은 제작 속도에 비해 검증 속도가 느려질 수 있습니다.

그래서 2026년의 시뮬레이션 기반 UX 테스트는 사람을 대체하려는 접근이라기보다, 테스트를 더 잘 쓰기 위한 사전 검증 방법으로 자리 잡을 가능성이 높습니다. 합성 테스트로 빠르게 실패를 걸러내고(IA, CTA 가시성, 플로우, 카피, 접근성 위반 등), 그다음 진짜 사용자를 통해 핵심적인 요소만 빠르게 확인할 수 있는 구조를 만드는 방법이기도 합니다. 즉, 리서치의 품질을 올리면서도 리드타임을 줄이는 방식으로 볼 수 있고, 이를 적극적으로 도와주는 서비스가 더 많이 등장할 가능성이 높습니다.

마치며

정리하면, 2026년의 디자인 도구는 ‘빠르게, 잘 그려주는 도구’를 넘어, 일을 끝까지 책임지는 도구에 가까워질 가능성이 큽니다. 하나의 모델이 모든 것을 해결하는 방식이 아니라, 기획·디자인·퍼블리싱·테스트·리서치 같은 단계를 에이전트로 분해하고, 이를 연결·감독하는 지능형 오케스트레이션이 도구의 중심이 됩니다. 동시에 사용자의 의도와 상황에 맞춰 UI가 실시간으로 구성되는 에이전틱 UI가 실험 단계를 넘어 제품 전략으로 편입될 수 있습니다.

또한 도메인 특화 모델과 페르소나(개인화·브랜드/정책 메모리)는 결과물의 스타일 수렴과 맥락 부족이라는 2025년의 한계를 보완하는 핵심 축이 될 것입니다. 마지막으로 시뮬레이션 기반 UX 테스트는 제작 속도와 검증 속도 간의 격차를 줄이기 위한 현실적인 해법으로, 2026년 제품팀의 리드타임을 바꾸는 도구군으로 성장할 가능성이 큽니다.

여러분의 생각은 어떠신가요? 2026년에 가장 기대하는 디자인 도구/기능은 무엇인가요?

]]>

제대로 쓰는 사람만 아는 피그마 변수 활용법 5가지

정적인 스타일에서 값 제어 기반 설계로 넘어가는 실무의 변화

<출처: ChatGPT 생성, 작가 편집>

디자인 시스템을 운영하다 보면 반복되는 질문이 많다. 텍스트 스타일을 더 나눠야 하는지, 색상 토큰을 어디까지 확장해야 하는지, 테마가 늘어나면 지금의 스타일만으로 충분한지 같은 질문들이다. 피그마는 오랫동안 컬러와 텍스트, 효과 스타일처럼 화면의 시각적 속성을 공통 모듈로 저장해 재사용하는 방식을 중심으로 발전해 왔다. 이 구조는 효율적이지만 어디까지나 정적인 속성을 표준화하는 데 초점이 맞춰져 있다. 스타일은 특정 색상 값이나 라인하이트처럼 변하지 않는 기준선을 만든다.

하지만 실제 제품은 정적인 상태로만 존재하지 않는다. 라이트와 다크 모드처럼 테마가 바뀌고, 이벤트 기간에는 색상이 달라지고, 사용자 유형이나 설정에 따라 화면 구성까지 변화한다. 스타일만으로 이런 복잡한 변화를 안정적으로 관리하기는 어렵다. 그래서 등장한 개념이 변수이다. 피그마가 이 기능을 스타일과 구분해 변수라고 명명한 이유는 단순한 속성 저장이 아니라, 상황에 따라 값이 전환되는 구조임을 강조하기 위해서다.

스타일이 제품의 기본값을 정리하는 언어라면, 변수는 상황을 제어하는 언어에 가깝다. 스타일이 기준선을 정하면, 변수는 그 기준선을 조건에 따라 바꾼다. 둘은 대체재가 아니라 상호 보완적인 관계이고, 함께 사용할 때 디자인 시스템은 정적인 표준화와 유연한 변화 대응을 동시에 갖추게 된다.

이번 글에서는 실제 제품 개발 과정에서 가장 큰 효용을 만들어내는 실무형 변수 활용 7가지를 살펴보고자 한다. 단순히 기능 소개를 넘어, 변수를 값 제어 기반 설계 방식으로 바라볼 때 어떤 변화가 나타나는지 정리했다.

1. 테마 전환하기

변수를 모드로 사용해 컬러 테마를 빠르게 전환할 수 있다. <출처: 작가 캡처>

디자인 시스템에서 가장 빠르게 복잡해지는 영역은 색상이다. 특히 라이트와 다크 모드가 공존하는 환경이라면 두 모드를 각각 별도의 스타일 파일로 운영할 때 유지보수 비용이 순식간에 커진다. 모드별로 색상을 전부 확인해야 하고, 버튼과 배지 등 구성요소마다 특정 색상이 누락되는 문제도 자주 발생한다. 예를 들어, 금융 서비스에서는 위험도에 따라 색상 기준이 달라지는데, 이를 라이트·다크모드 각각에서 수동으로 조정하는 것은 현실적으로 부담이 크다.

변수를 디자인에 적용한 후, 모드만 전환하면 미리 설정한 변수대로 색상이 자동 적용된다. <출처: 작가 캡처>

색상 변수를 도입하면 구조는 명확해진다. Primary, Foreground, Background, Surface 등 의미 기반 토큰을 먼저 정의하고, 같은 토큰에 라이트와 다크 값만 바인딩해 두면 된다. UI는 hex 값 자체를 바라보지 않고, 의미 기반 토큰을 바라보는 구조가 되기 때문에, 모드 전환은 값 세트를 바꾸는 일만으로 끝난다. 이커머스 서비스에서 다크모드를 뒤늦게 도입하면서 기존 화면을 거의 수정하지 않고도 테마를 구현했던 사례가 대표적이다.

브랜드 리뉴얼처럼 색상 전면 개편이 필요한 상황에서도 장점이 크다. 기존 방식이라면 수십 개 화면에서 색을 하나씩 교체해야 했지만, 변수 기반 구조에서는 토큰값만 교체하면 전체 UI가 한 번에 정리된다. 색상이 많은 서비스일수록, 화면이 복잡한 서비스일수록 변수 기반 색상 구조는 유지보수 효율을 극적으로 높여준다.

2. 다국어 카피 대응하기

UI에서 문구는 가장 자주 바뀌는 요소다. 가격정책 개편으로 버튼 문구가 달라지고, 온보딩 배너는 캠페인에 따라 주 단위로 수정되며, 법무 검토가 필요한 정책 문구는 수시로 업데이트된다. 기존 방식이라면 화면을 일일이 열어 같은 문구가 어디에 있는지 찾아야 하고, 누락되기 쉽다. QA 단계에서 특정 화면만 지난 문구가 남아 있는 문제가 반복되는 것도 이 때문이다.

텍스트 변수를 만들고 적용하면 쉽게 다국어 전환이 가능하다. <출처: 작가 캡처>

Text 변수를 사용하면 이 문제는 구조적으로 해결된다. 로그인 CTA라면 cta_login, 가입 버튼이라면 cta_signup, 이벤트 설명이라면 copy_event_desc처럼 변수로 분리해 UI에 연결해 두면, 문구 변경은 변수값 수정만으로 끝난다. 글로벌 서비스를 운영하는 팀은 locale별로 Value set을 구성해 언어 전환도 즉시 가능하다. SaaS 서비스 중에는 언어가 10개를 넘는데 Text 변수를 적용해 QA 시간을 절반 정도 줄인 사례도 있다.

정책 문구는 특히 변수로 관리할 실익이 크다. 예를 들어, 결제 환불 규정이 법 개정으로 바뀌었다면 기획자나 법무팀 요청에 따라 한 문장만 변수에서 고치면 모든 화면에 일괄 반영된다. 단순한 편의 기능을 넘어, 제품 운영의 리스크까지 줄여주는 구조다. 자체 플러그인을 만들어서 구글 시트나 노션에서 관리하는 정책을 변수로 불러오는 것까지 연결한다면 금상첨화다.

3. 토글 상태 관리하기

버튼이나 카드 같은 컴포넌트는 기본적으로 상태가 많다. 활성, 비활성, 로딩, 오류, 선택됨 같은 상태가 늘어날수록 Variant도 빠르게 늘어난다. 피그마는 이런 상태를 간단하게 조정할 수 있도록 컴포넌트 Boolean 프로퍼티를 제공하지만, 이 방식은 결국 개별 컴포넌트 안에서만 의미를 갖는 지역적 상태다. 컴포넌트 단위에서 아이콘을 보이게 하거나 배지를 숨기는 정도라면 충분하지만, 서비스 전체에서 반복되는 조건을 이 방식으로 관리하려 하면 문제가 금방 드러난다.

컴포넌트를 만들 때마다 동일한 조건을 계속 만드는 건 휴먼 에러가 발생하기 쉽다. <출처: 작가 캡처>

실제 프로젝트에서는 Boolean 프로퍼티가 기능적으로는 같지만 이름이 서로 다른 형태로 쉽게 늘어난다. 예를 들어, 로그인 여부를 제어하는 조건을 초기에 isLogin으로 만들었다가, 다른 화면에서 hasLogin, LoggedIn 같은 이름을 별도로 만들기 시작하면 컴포넌트마다 같은 조건을 다르게 표현하게 되고, 시간이 지나면 어떤 프로퍼티가 실제로 쓰여야 하는지 판단하기 어려워진다. 개발자 입장에서는 모두 동일한 로그인 여부 조건인데, 피그마 안에서 상태명이 제각각이기 때문에 실수나 누락이 반복되는 구조다.

Boolean 변수를 사용하면 이 문제를 구조적으로 해결할 수 있다. isLogin이라는 변수를 하나만 정의해두고, 로그인 여부가 필요한 모든 컴포넌트는 이 변수를 바라보도록 연결하면 된다. 그러면 UI 전체에서 로그인 여부가 단일한 조건으로 통일되고, 컴포넌트마다 제각각 만들어진 Boolean 프로퍼티를 유지할 필요가 없다. 특정 화면에서만 필요하던 로컬 스위치를 전역 상태로 승격시키는 방식이다.

로그인 여부에 따라 달라지는 UI라면 변수에서 한 번에 관리하도록 조작할 수 있다. <출처: 작가 캡처>

카드 컴포넌트라면 isSelected, isVIP, isUnread 같은 반복되는 조건들도 모두 변수로 통합할 수 있다. 예를 들어, VIP 사용자인 경우 여러 화면에서 배지, 하이라이트, 가격 표시 방식이 동시에 달라져야 한다면, 각각의 컴포넌트에서 showVIPBadge 같은 프로퍼티를 따로 켜는 것이 아니라 isVIP 변수를 true로 바꾸는 것만으로 UI 전체가 연결된다. 상태가 컴포넌트 내부에 종속되지 않고, 화면을 가로지르는 전역 조건이 되는 셈이다.

컴포넌트 Boolean 프로퍼티는 특정 UI 조각을 제어하는 스위치라면, Boolean 변수는 여러 UI 조각이 함께 반응하는 전역 로직이다. 조건이 컴포넌트 하나를 넘어서 서비스 전체에서 반복되는 패턴이라면 변수로 다루는 것이 구조적으로 더 안정적이고, 상태 확장에 대응하는 데도 효율적이다. UI를 조건 기반으로 설계하는 팀일수록 Boolean 변수를 도입했을 때 얻는 이점이 크다.

4. 간격, 곡률, 투명도 일괄 관리하기

변수를 사용해 곡률, 간격 등 숫자로 관리하는 변수를 일괄적으로 작성할 수 있다. <출처: 작가 캡처>

UI 품질이 무너질 때 가장 먼저 드러나는 문제는 간격의 불규칙성이다. 홈 화면에서는 카드 간 간격이 16px인데, 검색 화면은 12px, 상세 화면은 20px처럼 화면마다 기준이 미묘하게 갈라지기 시작하면 전체적인 리듬이 흐트러지고 사용자 경험도 일관성을 잃는다. 조직이 커질수록 이런 드리프트는 눈에 띄게 늘어나고, 디자인 시스템을 도입했음에도 불구하고 화면마다 간격이 들쭉날쭉해지는 문제가 반복된다.

Spacing 변수를 사용하면 이 문제는 구조적으로 해결된다. spacing-100 = 8px, spacing-200 = 12px, spacing-300 = 16px처럼 스케일을 정의하면 padding, margin, gap뿐 아니라 카드형 리스트와 섹션 간격까지 하나의 기준선으로 환원된다. 모바일과 웹 간 간격 정책을 분리하고 싶을 때도 Value set만 전환하면 되고, 리디자인 과정에서 전체 간격 스케일을 8px에서 4px로 바꿔야 할 때도 변수값만 조정하면 UI 전체가 동시에 정리된다. 간격을 디자이너 개인의 감각이 아니라 시스템에 맞기기 때문에 화면 간 리듬이 단단해진다.

간격이 UI의 구조적 리듬을 담당한다면, 제품의 분위기와 브랜드 톤을 결정하는 요소는 디테일 값이다. 모서리 반경이 6px인지 12px인지, 그림자가 깊은지 옅은지, 오버레이 투명도가 어느 정도인지 같은 요소들은 작아 보이지만 제품의 성격을 결정하는 핵심 표현이다. 시간이 지나면 이런 값이 화면마다 따로 설정되면서 UI 전체의 일관성이 흐려지고, 특정 페이지만 어색해 보이는 문제가 생긴다.

Number 변수를 사용하면 이런 디테일 값도 시스템 차원에서 통합 관리할 수 있다. radius.sm = 6, radius.md = 8, radius.lg = 12처럼 스케일을 정의해두면 컴포넌트와 페이지의 모서리 값이 자연스럽게 정렬된다. 그림자, 오버레이 opacity 같은 스타일 요소도 변수 기반으로 통제하면 테마 전환에 따라 자동으로 값이 전환되기 때문에 라이트·다크 환경에서도 표현의 균형을 유지하기 쉽다. 대규모 리뉴얼 과정에서 전체 라운드 값이나 그림자 스타일을 바꿔야 할 때도 변수만 교체하면 UI 분위기를 빠르게 새로 정리할 수 있다.

간격과 디테일 값은 UI의 ‘기초 뼈대’와 ‘브랜드 감도’를 결정하는 요소다. 두 영역을 변수 기반으로 일관되게 관리하면 화면 수가 늘어나도 흔들리지 않는 UI 리듬을 유지할 수 있고, 서비스의 확장과 개편에도 안정적으로 대응할 수 있다.

5. 프로토타입에 활용하기

로그인 버튼을 눌러서 isLogin 변수를 켜게끔 조작하면, 이후 프로토타입 전반에서 로그인한 경우의 디자인으로만 보게 만들 수 있다. <출처: 작가 캡처>

제품의 흐름을 보여주는 프로토타입은 중요하지만 피그마에선 그동안 대부분 정적인 화면 전환 수준에 머물렀다. 사용자가 선택한 옵션에 따라 다음 화면이 달라지는 구조나, 특정 값이 화면마다 이어지는 구조를 표현하기 어려웠기 때문이다. Prototype 변수는 이런 한계를 어느 정도 해결한다. 사용자가 선택한 값을 변수로 저장해두고, 이후 화면에서 해당 값에 따라 UI 요소가 바뀌도록 만들 수 있다. 예를 들어, 요금제 화면에서 사용자가 Premium을 선택하면 변수에 해당 값이 저장되고, 결제 화면에서는 Premium 요금제의 가격과 혜택 정보를 자동으로 노출할 수 있다.

여행 앱에서도 여행지와 날짜를 선택한 뒤 다음 화면에서 조건에 맞는 추천 상품을 보여주는 구조를 실제 서비스처럼 재현할 수 있다. 금융 서비스의 신청 플로우처럼 조건 분기가 많은 경우에도 유용하다. 예를 들어, 직업 정보를 프리랜서로 선택한 사용자에게만 특정 추가 문서 안내를 노출하는 방식도 Prototype 변수로 구현할 수 있다. 프로토타입을 단순한 화면 모음이 아니라 기능 로직에 가까운 구조로 바꿔주는 기능이다.

마치며: 변수를 활용한 디자인은 디자이너의 역할을 확장시킨다

변수를 중심으로 UI를 설계하는 방식은 단순히 편의 기능을 하나 더 익히는 차원을 넘어, 제품을 바라보는 관점을 바꾸는 일에 가깝다. 기존의 스타일 중심 설계가 정적인 화면을 기준으로 구조를 정리했다면, 변수 기반 설계는 제품이 실제로 동작하는 조건과 상태를 UI 레벨에서 모델링하는 구조다.

이 방식이 도입된 팀에서는 화면 수가 줄어들고 상태 관리가 단순해지며, 테마 추가나 정책 변경 같은 대규모 대응도 빠르게 해결된다. 무엇보다 기획자와 개발자 간 커뮤니케이션 비용이 줄어들어 디자인이 제품 논리에 한층 더 가까워지는 변화가 생긴다. 변수는 색상, 텍스트, 상태, 간격, 디테일 값, 테마 조합, 프로토타입 로직까지 UI의 다양한 요소를 하나의 조건 기반 시스템으로 묶어주는 역할을 한다.

앞으로 디자인 도구들은 점점 더 변수 중심 구조로 이동할 가능성이 높다. 디자인 시스템은 단순히 화면을 정리하는 일을 넘어, 상태와 논리를 설계하는 방향으로 확장되고 있다. UI를 구성하는 값을 구조적으로 관리할 수 있는 디자이너는 제품 전체의 흐름을 더 깊이 이해하게 되고, 팀 내에서 더 큰 영향력을 갖게 될 것이다.

]]>

우리는 왜 ‘깊이’ 생각하기 어려워졌을까?

인터넷 인터페이스는 우리의 사고방식을 어떻게 바꿔놓았는가

본문은 요즘 IT와 번역가 Yuna가 함께한 파브리지아 오시엘로(Fabrizia Ausiello)의 <The design of shallow thinking>을 번역한 글입니다. 필자는 인지심리학적 관점을 바탕으로 복잡한 문제를 직관적인 사용자 경험으로 풀어내는 프로덕트 디자이너입니다. 9년 이상 핀테크와 AI 분야를 넘나들며 디자인해 왔고, 현재는 글로벌 급여 운영 기업에서 시니어 디자이너로 일하고 있습니다. 또한 글쓰기를 통해 기술 환경 속에서 우리가 어떻게 생각하고, 만들며, 변화하는지를 탐구합니다.

이번 글에서는 얕아진 사고가 우연이 아니라 디자인의 결과라는 관점에서, 디지털 환경이 우리의 사고방식을 어떻게 형성해 왔는지를 살펴봅니다.

*필자에게 허락을 받고 번역했으며, 글에 포함된 링크는 원문에 따라 표시했습니다.

<출처: 필자>

지난주에 AI가 인간의 사고에 어떤 영향을 미치는지를 다룬 글을 읽었습니다. 글을 읽다 보니 평소 무심코 ChatGPT를 사용하던 제 모습이 떠올랐는데요. 솔직히 조금 민망하기도 했습니다. 그러다 오래전부터 마음 한편에 남아 있던 생각 하나가 분명해졌습니다. 우리는 AI가 등장하기 훨씬 전부터 이미 깊이 생각하는 힘을 조금씩 잃어가고 있었다는 사실이었죠.

저 역시 많은 사람들처럼 인터넷과 함께 자라왔습니다. 그동안 여러 기술적 변화를 지켜보며, 인터넷이 한때는 곱씹고 생각하게 만드는 공간이었다가 어느 순간부터는 오히려 생각할 틈을 주지 않는 공간으로 바뀌어 가는 모습도 함께 봐왔는데요. 이런 변화가 자연스럽게 흘러온 결과처럼 느껴지지는 않았습니다. 오히려 사람들이 어떻게 쓰고, 어떻게 반응하게 될지를 전제로 한 수많은 디자인 방식들이 쌓이면서, 지금에 와서는 수십억 명의 사고방식 자체를 바꿔버린 건 아닐까 하는 생각이 들었습니다. 조금 과장처럼 들릴 수도 있겠지만 이 글에서는 그 이야기를 차근차근 풀어보려 합니다.

인터넷이 하나의 장소처럼 느껴지던 시절

저는 90년대에 태어났는데요. 그 시절을 떠올리면 인터넷이 마치 하나의 장소처럼 느껴졌다는 점이 특히 인상 깊습니다. 당시 인터넷은 지금처럼 늘 곁에 있는 존재가 아니라, 삶 속의 특정한 자리에 놓여 있었기 때문이죠. 대부분의 경우 그 자리는 ‘집에 있는 가족용 컴퓨터’였습니다. 그리고 그 장소에는 고유한 소리도 있었습니다. 바로 모뎀 연결음이었죠. 마치 학교 종이 처음 울리면 교실로 들어갈 준비를 하듯, 그 소리를 들으면 이제 어딘가로 들어간다는 느낌이 들었습니다.

인터넷을 둘러싼 언어 역시 이런 감각을 더 또렷하게 만들었는데요. 우리는 ‘홈페이지’라는 말을 썼고, 웹에는 ‘주소’가 있었으며, 온라인에 접속한다고 말하기보다 온라인으로 들어간다고 표현했습니다. 페이지를 ‘둘러본다(browse)’는 말도 공간을 거닐듯 이동하는 느낌을 담고 있었죠. ‘넷스케이프 내비게이터’나 ‘인터넷 익스플로러’처럼, 초기 브라우저 이름들 역시 미지의 영역을 탐험한다는 뉘앙스를 분명히 담고 있었습니다. 이후 등장한 ‘사파리’ 역시 이런 탐험의 비유를 이어갔습니다.

웹이 하나의 장소처럼 느껴지던 시절 인터넷에는 자연스럽게 공간감이 있었습니다. 우리는 그곳으로 들어가 문을 열듯 페이지를 열고, 하나의 방에 머물며 정보를 찾거나 사람들과 이야기를 나눈 뒤, 다시 나와 다른 곳으로 이동하곤 했죠.

<출처: Unsplash,Szymonek Pograniczny>

스마트폰, 그리고 전환점

그러다 스마트폰이 등장했습니다. 인터넷을 주머니 속으로 옮겨온 것처럼 보였지만 실제로는 인터넷을 언제나 곁에 있는 존재로 바꿔놓았는데요. 이제 우리는 언제 어디서든 손만 뻗으면 모든 것에 접근할 수 있게 됐고, 그와 함께 인터넷이 지니고 있던 공간으로서의 특성도 본격적으로 뒤집히기 시작했습니다.

무한 스크롤로 끝없이 이어지는 피드는 경계를 지워버렸습니다. 더 이상 문을 열고 들어갈 필요도 없었죠. 애초에 로그아웃할 일 자체가 거의 없으니까요. 여기에 새로운 소식을 끊임없이 알려주는 알림까지 더해지면서, 예전처럼 자연스럽게 멈출 수 있는 순간들 역시 대부분 사라졌습니다. 그 결과 깊이 생각할 시간은 점점 줄어들었죠.

예전에는 인터넷을 사용하는 방식 자체가 지금과는 달랐습니다. 한 번 들어가면 서둘러 소비하기보다는, 한동안 머물며 이것저것 눌러보고 천천히 살펴보는 일이 자연스러웠는데요. 당시의 서비스들 역시 이런 사용 방식을 전제로 만들어져 있었습니다. 아마도 인터넷이 처음 만들어졌을 때의 목적에서 아직 크게 벗어나지 않았기 때문일 겁니다.

깊이를 담고 있던 인터페이스

디자인이 우리의 사고방식에 어떤 영향을 미쳐왔는지를 가장 분명하게 보여주는 방법은 과거의 인터페이스를 떠올려보는 일일 겁니다. 제가 디지털 환경에서 가장 많은 시간을 보냈던 공간들만 떠올려봐도 그렇습니다. Blogger와 LiveJournal에는 생각나는 대로 써 내려갈 수 있는 넓고 빈 텍스트 박스가 있었고요. 포럼에서는 며칠, 때로는 몇 주 동안 대화가 이어졌습니다. MySpace에서는 그래픽과 음악은 물론, 프로필에 노출할 친구 8명까지 직접 선택할 수 있었죠.

2006년 무렵 Blogger 편집 화면

이 공간들이 공통적으로 갖고 있던 특징은 단순했습니다. 짧게 쓰라고 재촉하는 글자 수 제한도 없었고, 끝없이 이어지는 피드도, 하루 만에 사라지는 콘텐츠도 없었죠. 대신 쓰고, 생각하고, 표현할 수 있도록 충분한 여백이 주어졌습니다. 얼마나 길게 쓰든, 얼마의 시간이 걸리든 상관없었습니다.

이런 변화는 단순히 화면의 모양이 바뀐 데서 그치지 않았습니다. 우리가 정보를 대하는 방식 자체를 바꿔놓았죠. 멈출 수 있는 지점이 사라지면서, 우리는 무언가를 탐색하기보다는 빠르게 소비하는 쪽으로 점점 익숙해졌습니다. 그래서 요즘 우리는 긴 글 앞에서 자연스럽게 핵심만 훑어보거나, 먼저 요약부터 찾게 됩니다. 관심 있는 주제인지와 관계없이, 정보가 짧고 잘게 나뉘어 전달되기를 기대하게 된 것이죠. 이것이 바로 인터페이스 디자인이 우리의 사고 습관을 바꿔온 한 가지 방식입니다.

달라진 세 가지

인터페이스 디자인은 우리가 온라인에서 어떻게 이동하고, 무엇에 반응하며, 어떤 방식으로 정보를 소비하는지까지 바꿔놓았습니다.

저를 포함한 밀레니얼 세대는 이른바 ‘느린 인터넷’에서 살았습니다. 당시에는 모든 것을 알고 있는 알고리즘이 없었기 때문에, 콘텐츠를 직접 찾아다녔죠. 마음에 드는 사이트를 북마크해두고, 긴 글도 끝까지 읽고, 때로는 낯선 사람에게 질문하며 대화했습니다.

초기의 인터넷은 정적인 메뉴와 사이트 맵을 따라 이동하는 구조였습니다. Articles > Technology > Reviews처럼 카테고리를 하나씩 클릭하며, 사용자가 직접 경로를 선택해야 했죠. 무엇을 보고 싶은지, 어떤 콘텐츠를 소비할지를 스스로 결정해야 했고, 그만큼 사고가 개입될 수밖에 없었습니다. 하지만 지금은 알고리즘 피드가 이 과정을 대신합니다. 참여도 지표와 수집된 데이터를 바탕으로 콘텐츠를 추천하면서 거의 고민하지 않아도 다음 콘텐츠를 소비하게 됐죠.

2008년 Wired 인터페이스와 정적인 메뉴

댓글은 늘 글의 맨 아래에 있었습니다. 끝까지 읽고 나서야 의견을 남길 수 있었죠. 사소한 차이처럼 보이지만, 이 구조는 읽고, 생각하고, 대화하는 자연스러운 흐름을 만들어줬습니다. 하지만 지금은 콘텐츠를 충분히 보기도 전에, 실시간 반응과 알림이 우리의 시선을 끌어당깁니다. 읽거나 보는 동시에 반응해야 하는 상황이 반복되면서, 주의는 금세 산만해졌죠. 솔직히 말해 우리는 더 많이 소비하지만, 덜 이해하고, 깊이 보지는 않게 됐습니다.

2013년경 Slashdot은 기술 뉴스 아래에 스레드형 토론이 이어졌고, 커뮤니티 운영 방식과 평판 점수가 댓글의 질을 좌우하는 핵심 요소였습니다.

예전에는 어디까지 봤는지 쉽게 알 수 있었습니다. 콘텐츠가 시간순으로 정리돼 있었기 때문에, 자연스럽게 끝나는 지점이 있었죠. 하지만 지금의 알고리즘 타임라인은 다릅니다. 새 콘텐츠 사이에 오래된 글을 다시 끼워 넣으며, 피드가 좀처럼 끝나지 않습니다. 여기에 스토리처럼 시간이 지나면 사라지는 콘텐츠가 늘어나면서, 더 이상 자연스럽게 멈출 수 없게 됐습니다.

알고리즘 도입 이전의 Instagram(2018)은 초록색 체크 표시와 함께 ‘모두 확인했습니다’ 메시지가 나타날 때까지 스크롤 할 수 있었습니다.

그렇다면 이런 변화는 실제로 우리의 사고에 어떤 영향을 미쳤을까요? 우리가 매일 사용하는 기능들이 생각하는 방식까지 바꿔놓고 있다는 점에서 그 힌트를 찾을 수 있습니다.

트위터의 글자 수 제한, 그리고 사고의 압축

트위터(X)의 디자인을 한 번 예로 들어볼까요. 트위터는 2006년, SMS 기반의 상태 업데이트 서비스로 처음 세상에 나왔습니다. 당시의 140자 제한은 플랫폼의 철학을 담은 선택이라기보다는 SMS 기술 자체의 한계에서 비롯된 어쩔 수 없는 제약이었죠. 문자 메시지는 최대 160자까지 보낼 수 있었고 이 중 20자는 사용자 이름을 표시하는 데 사용됐습니다.

폴더폰으로 문자를 보내던 시절에는 나름 합리적인 제한이었지만 스마트폰이 대중화된 이후로는 더 이상 필수적인 제약이라고 보긴 어려워졌습니다. 그럼에도 이 글자 수 제한은 계속 유지됐고, 결국 트위터를 상징하는 핵심적인 특징으로 자리 잡았죠. 이후 플랫폼의 시각적 디자인 전반에 스며들며 사용자에게 보이지 않는 인지적 압박을 만들어냈습니다.

텍스트 창은 작아서 타이핑을 시작하기도 전에 이미 짧게 써야 할 것 같습니다. 복잡한 생각을 적으려 할수록 우리는 자연스럽게 그 생각을 어떻게 줄일지부터 고민하게 되죠. 넓은 화면을 가진 블로그 편집기를 열었을 때와는 전혀 다른 사고 상태입니다. 대부분의 사람들은 글을 쓰면서 생각을 정리하기보다 쓰기 전에 이미 머릿속에서 생각을 다듬습니다. 그런 점에서 글자 수 제한은 단순히 표현이 아니라 생각이 만들어지는 과정까지 영향을 미칩니다.

데스크톱 환경의 Twitter(X) 글쓰기 창

이 제약이 우리에게 얼마나 깊이 영향을 미쳤는지를 보여주는 사례가 하나 있습니다. 바로 2017년의 변화인데요. 트위터가 글자 수 제한을 140자에서 280자로 두 배 늘렸을 때, 사용자 행동은 거의 달라지지 않았습니다. 공간은 두 배로 늘었지만, 대부분의 트윗 길이는 이전과 거의 같았죠.

이미 우리는 오랜 시간 140자에 익숙해져 있었고, 더 많이 쓸 수 있지만 그 안에서 생각하고 쓰는 방식을 그대로 유지했습니다. 다시 말해서 제약이 사라졌는데도 그 제약을 스스로 내면화한 상태였던 셈입니다. 이 사례가 보여주듯이 하나의 디자인 선택은 곧 사용 습관을 만들고, 그 습관은 문화로 자리 잡습니다. 그리고 그렇게 형성된 문화는 결국 우리가 생각하는 방식 자체에까지 영향을 미치게 되죠.

디자인 뒤에 숨은 경제 논리

이런 변화는 하루아침에 일어난 것도 아니고 자연스러운 결과도 아니었습니다. 흔히 사용자 취향이 변했다고 생각하는 것들 중 상당수는 사실 의도된 결과입니다.

그렇다고 이 모든 변화가 우리의 집중력을 무너뜨리기 위한 거대한 계획이었다는 뜻은 아닙니다. 트위터 초기의 엔지니어들이 인간의 인지를 재구성해 보자는 목표를 세우고 일했을 리도 없겠죠. 다만 기술적 제약과 제품상의 선택들이 쌓이면서, 지금 우리가 소통하는 방식을 떠받치는 보이지 않는 구조가 만들어졌다는 점은 분명해 보입니다.

모두가 알듯이 오늘날 대부분의 플랫폼이 얕은 사고를 유도하는 구조를 갖게 된 건 우연이 아닙니다. 그 방식이 수익이 되기 때문이죠. 특히 광고를 기반으로 운영되는 무료 서비스일수록 사용자의 주의를 끄는 것은 곧 핵심 자산입니다. 그리고 아이러니하게도 주의는 깊이 몰입할 때보다, 빠르고 반복적인 반응 속에서 더 잘 붙잡힙니다. 같은 20분이라도 글 하나를 천천히 읽고 만족하는 것보다, 게시물을 빠르게 넘기며 여러 번 반응하는 편이 더 많은 노출과 클릭을 만들기 때문입니다. 그래서 요즘 플랫폼들은 우리가 보고는 있지만, 집중하지 않는 상태를 유지하도록 설계됩니다.

이 관점에서 보면 어떤 제품들이 깊은 몰입이나 자연스러운 멈춤을 돕는 기능을 꺼리는 이유도 이해할 수 있습니다. 그런 기능들은 플랫폼의 핵심 수익을 만들어내는 행동을 줄이기 때문입니다.

<출처: Unsplash,Wiki Sinaloa>

디자이너의 딜레마

이런 제품을 직접 만들고 있는 입장에서 보면, 이 지점은 꽤 불편하게 느껴질 수 있습니다. 디자이너나 개발자인 우리는 흔히 사용자가 원하는 걸 제공했을 뿐이라거나, 비즈니스 요구사항이라는 한계라고 스스로를 설득하죠. 어느 정도는 맞는 말이기도 합니다. 하지만 마찰을 줄이는 것과 사람들이 명확하게 생각하거나 제품과 건강한 거리를 유지하는 가능성까지 없애는 것 사이에는 아주 미묘한 경계가 있습니다. 과연 우리는 사용자의 참여와 수익을 이유로 사회에 부정적인 영향을 미칠 수 있는 관행들을 어디까지 정당화할 수 있을까요?

사실 우리는 스스로 인정하는 것보다 더 큰 영향력을 가지고 있습니다. 텍스트 입력창의 크기부터 알림이 울리는 타이밍까지, 인터페이스를 구성하는 모든 선택은 사람의 행동을 바꿉니다. 그렇다고 해서 좋은 UX 원칙을 포기하거나 일부러 제품을 불편하게 만들어야 한다는 뜻은 아닙니다. 다만 좋은 디자인의 기준을 체류 시간이나 참여도 같은 지표 너머로 확장할 필요는 있습니다. 그리고 그 기준의 중요성을 이해관계자들에게 설명하려는 노력도 필요하겠죠.

예를 들어, 이런 질문을 던져볼 수 있습니다. 사용자가 충분히 만족해서 앱을 닫는 순간을 성공으로 본다면 어떨까요? 이 상황에서 ‘품질을 최적화한다’는 건 어떤 의미가 될까요? 스크롤한 시간보다 생각한 시간을 보상할 수는 없을까요? 잠깐 스쳐 지나가는 공간이 아니라, 다시 돌아오고 싶어지는 공간은 어떻게 만들 수 있을까요?

이런 질문들은 분명 다소 철학적으로 들릴 수 있습니다. 하지만 동시에 아주 실질적인 디자인 과제이기도 합니다. 이미 일부 팀들은 이런 방향을 실험하고 있고요. 우리는 더 나은 제품을 만들 수 있는 도구와 함께 책임도 가지고 있으니까요.

깊이를 지향하는 디자인은 어떤 모습일까?

깊이를 회복하기 위한 하나의 정답이 있다고 생각하진 않습니다. 다만 분명한 건, 디지털 환경의 구조가 곧 우리의 사고 구조를 만든다는 점입니다. 경계가 있는 공간을 설계하면 우리는 그 안에서 오래 집중할 수 있는 여지가 생기죠. 사용자의 시간을 더 오래 붙잡는 데서 벗어나, 언제 멈출지 선택할 수 있게 하는 인터페이스를 만들 때 비로소 복잡한 문제를 다루는 데 필요한 사고력을 되찾을 수 있습니다. 사용자 참여를 높이기 위해 생각할 틈을 없애는 것이 항상 옳은 선택은 아닙니다. 그 방식은 쉽고 빠르지만, 그에 따른 대가는 있습니다.

이 이야기를 단순한 향수 어린 시선으로만 보지 않는다면, 문제는 취향이 아니라 우리가 제대로 생각하기 위해 필요한 조건입니다. 보고, 바로 반응하고, 넘기는 방식이 만들어낸 환경 속에서 우리는 길고 섬세한 사고 능력을 잃어서는 안 됩니다. 복잡한 문제를 창의성과 공감으로 풀어내기 위해서는 우리의 사고로 주의력을 발휘할 수 있는 디지털 환경이 필요합니다.

지금 익숙해진 얕은 사고방식은 피할 수 없는 것이 아닙니다. 한때 인터넷이 하나의 장소처럼 느껴졌던 이유는 그렇게 설계되어 있었기 때문이죠. 그리고 의도를 가지고 다시 설계한다면, 인터넷은 다시 장소처럼 느껴질 수 있습니다. 얕은 사고가 설계의 결과라면, 깊이 역시 설계할 수 있는 대상이니까요.

<원문>

The design of shallow thinking

]]>

Figma와 Gemini 3.0 통합은 ‘디자인 실무’를 어떻게 바꿀까?

시스템 설계에서 인터랙션 구현까지, 협업 파트너로 진화한 AI UX/UI 개발 실무의 변화

지난 몇 년간 생성형 AI가 디자인 업계에 던진 화두는 분명했습니다.

“새로운 AI 도구는 이미지를 얼마나 빠르게, 그럴듯하게 만드는가?”

미드저니(Mid-journey)와 달리(Dall-E) 같은 도구들은 영감을 주는 데는 탁월했지만, 픽셀 단위의 정교함이 요구되는 UI 디자인 실무, 특히 개발팀과 협업하는 ‘핸드오프(Hand-off)’ 단계에서는 여전히 한계가 있었습니다. 예쁜 그림을 그려주기는 했지만, 결과물의 레이어 구조가 엉망이거나 우리 회사 디자인 시스템과는 전혀 맞지 않는 경우가 많았기 때문입니다.

하지만 Figma와 Gemini 3.0의 통합은 이 게임의 규칙을 완전히 바꿉니다. 이번 통합의 핵심은 AI가 단순한 아웃풋 생성 보조를 넘어, 디자인 시스템을 이해하고 코드 기반의 인터랙티브 프로토타입을 정확하게 생성하는 ‘시스템 인식 파트너’로 바뀌었다는 점입니다.

이제 AI는 텍스트를 입력하면 화면을 뱉어내는 자판기가 아닙니다. 디자인 시스템을 이해하기 시작했고, 내 의도를 파악하며, 우리 팀의 레거시 코드를 이해해 실제로 작동하는 제품을 함께 만들 동료가 되었습니다. Figma의 AI 기능들이 Gemini 3.0의 멀티모달 추론 능력을 만나 어떻게 실무 현장을 혁신하는지, 그리고 디자이너와 개발자의 일하는 방식은 구체적으로 어떻게 달라질지, 직접 구현한 결과물과 함께 단계별로 살펴보겠습니다.

실시간 인터랙티브 프로토타이핑

기존의 피그마 프로토타이핑은 일종의 눈속임이었죠. 클릭하면 화면이 넘어가는 트랜지션 정도만 보여줄 뿐, 데이터는 가짜였고 개발 로직은 존재하지 않았습니다. 하지만 Gemini 3.0이 탑재된 Figma는 디자인 툴 안에서 백엔드 로직이 포함된 실제 앱을 만듭니다. 이제 상상이 아니라, 실제를 테스트할 수 있는 것입니다.

실제 데이터 연동으로 완성하는 경험

올해 7월, 피그마는 Supabase와 같은 서비스형 백엔드(BaaS) 플랫폼과의 연동 기능을 공개했습니다.

기존 방식에서는 로그인 실패 화면을 디자인하기 위해 디자이너가 ‘비밀번호 입력 전’, ‘입력 중’, ‘오류 발생’, ‘성공’이라는 4개의 정적 프레임을 각각 따로 그려야 했습니다. 그리고 개발자에게 “이때는 빨간색 테두리가 나와야 해요”라는 주석을 덧붙였죠.

이제 Gemini 3.0을 탑재한 Figma의 AI 기반 UI 생성 기능, Figma Make를 활용하면 간단한 명령으로 실제 데이터 연동까지 완료된 프로토타입을 만들 수 있습니다. 디자이너가 프롬프트 창에 “Supabase의 user_auth 테이블과 연동해서 실제 로그인 로직이 작동하는 폼을 만들어줘. 에러 시 토스트 메시지를 띄워”라고 입력하면, Gemini는 Supabase API를 이해한 다음 Figma 캔버스 안에서 실제로 작동하는 인풋 필드와 로직을 생성합니다.

그 결과, 프로토타입 뷰 모드에서 실제 이메일을 입력하면 데이터베이스를 거쳐 로그인이 되거나, 비밀번호가 틀리면 실시간으로 오류 메시지를 띄울 수 있습니다.

명령어 하나로 Supabase 연동 후 로그인 에러 토스트를 띄운 화면 <출처: 작가>

말로 설계하는 복잡한 로직

지금까지 디자이너들이 구현하기 가장 어려웠던 영역은 실시간, 그리고 조건부 인터랙션이었습니다. 비밀번호를 타이핑하는 화면을 만들거나 “장바구니가 비었으면 A 화면, 채워져 있으면 B 화면으로 가라”는 로직을 설계하려면 복잡한 변수 설정이 필요했기 때문입니다.

하지만, 이제 더는 인터랙션 설계에 시간을 과도하게 들이지 않아도 좋습니다. Figma가 자연어로 복잡한 로직까지 이해하고 구현하며 이 장벽을 허물고 있습니다. 디자이너가 “사용자가 스크롤을 50% 이상 내리면 상단 바 색상을 반전시키고, ‘맨 위로 가기’ 버튼을 페이드인 시켜줘”라고 말하면, Gemini 3.0 Pro는 이를 실제 실행할 수 있는 코드로 변환해 인터랙션 패널에 적용합니다. 곧 디자이너는 복잡한 인터랙션 프로토타이핑 노드를 연결할 필요 없이, 자연어로 로직을 설명해 고도의 상호작용을 구현할 수 있습니다.

스크롤을 내리면 상단 바 색상이 반전되고 버튼이 페이드 인 되는 인터랙션 <출처: 작가>

이에 따라 실무에서 디자이너는 더 이상 경우의 수마다 아트보드를 복제할 필요가 없습니다. 상태별 화면을 그리는 데 쓰이던 시간은 줄어들고, 데이터의 흐름과 예외 처리 로직을 설계하는 데 더 집중하게 됩니다. PM이나 기획자 역시 개발이 완료되기 전, 기획 단계에서도 기능을 실제에 가깝게 테스트할 수 있습니다. “이 로직이 사용자에게 어색하지 않을까요?”라는 질문을 회의실에서의 상상이 아니라, 작동하는 프로토타입으로 검증하는 것입니다.

모션 디자인의 자동 일치와 유지보수

지금까지 인터랙션 디자인 수정은 디자이너에게 가능하다면 피하고 싶은 어려운 숙제와 같았습니다. 버튼의 위치를 바꾸거나 전체적인 톤 앤 매너를 변경하면, 그에 딸린 호버 효과와 클릭 애니메이션, 페이지 트랜지션까지 처음부터 다시 손봐야 하는 번거로움이 컸기 때문입니다.

이제 Figma에 들어온 Gemini 3.0이 화면 안 객체들의 맥락을 인식해 이런 번거로운 작업을 자동으로 처리해 줍니다. 디자이너가 “전체적인 무드를 좀 더 활동적이고 아기자기한 감성으로 바꿔줘”라고 요청하면, 디자인 시스템 전반을 기준에 맞춰 체계적으로 수정합니다. 버튼 애니메이션의 계수를 조정해 묵직했던 모션을 통통 튀는 움직임으로 자동 변환하거나, 호버 시 반응 속도와 그림자 확산 범위까지, 입력받은 자연어 키워드에 맞게 미세하게 조정합니다.

무드를 바꾸기 전(왼쪽)과 후 <출처: 작가>

핸드오프의 종말

그동안 디자이너가 Figma에서 오토 레이아웃을 아무리 완벽하게 잡아도, 개발 단계에서는 디자인 구조를 그대로 코드로 옮기기 어려워 결국 다시 구현해야 했습니다. 이 과정에서 디자이너가 의도한 여백과 정렬, 미세한 인터랙션 같은 섬세한 표현이 누락되거나 왜곡되는 일이 흔했죠. 그래서 이를 맞추기 위해 디자인 QA를 여러 차례 반복할 수밖에 없었습니다. Gemini 3.0은 이런 ‘번역 오류’를 제로에 가깝게 만듭니다.

충실하게 만든 코드 생성 SVG 애니메이션

이제 단순한 HTML/CSS 변환을 넘어섭니다. 복잡한 그래픽이나 유기적인 형태의 UI 요소까지 Figma가 코드로 바꿔줍니다.

예를 들어 디자이너가 크리스마스 캘린더 앱의 배경으로 루돌프가 뛰어다니는 모양의 패턴을 원할 때, Figma Make에 “첨부한 루돌프 이미지를 SVG 코드로 애니메이션을 넣어 뛰어다니는 배경을 생성해줘”라고 명령하면 Gemini 3.0은 이미지 파일(PNG/JPG)을 만드는 대신 즉시 렌더링할 수 있는 SVG Path와 애니메이션 로직 코드를 생성해 캔버스에 적용합니다. 이 코드는 개발자가 복사해 붙여넣기만 해도 웹과 앱에서 동일하게 작동합니다.

PNG를 인풋 값으로 구현한 SVG 애니메이션 <출처: 작가>

물리 작용을 적용한 No-Code 애니메이션

기존에는 물리 엔진이 적용된 애니메이션, 예를 들어 카드를 벽에 던졌을 때의 효과 같은 것을 구현할 때, 개발자가 라이브러리를 써 직접 수학적 계산을 해야 했습니다.

하지만 이제는 디자이너가 자연어로 명령하면 구현까지 이어집니다. 이를테면 “이 카드를 스와이프할 때 마찰력 20, 텐션 180 정도의 느낌으로 튕겨 나가게 해줘”라고 입력했을 때, Gemini는 이를 물리 연산 코드로 변환해 프로토타입에 적용합니다. 디자이너는 수치를 조절하며 디테일을 확인할 테고, 그렇게 확정된 물리 상수는 그대로 개발 코드로 추출됩니다.

물리 작용이 적용된 카드 스와이프 <출처: 작가>

디자인 캔버스가 곧 라이브 서버

코드 생성에서 한 걸음 더 나아가, 이제는 배포까지 Figma 안에서 이루어지기도 합니다. Figma Site는 디자인 결과물을 즉시 라이브 웹사이트로 전환해 주는 기능입니다. “Publish” 버튼만 누르면 Figma Site로 바로 접속할 수 있는 URL이 생성됩니다.

랜딩페이지 배포하기 <출처: 작가>

실무에서는 이를 바탕으로 마케팅 랜딩 페이지나 이벤트 페이지를 개발팀 리소스를 거의 쓰지 않고도 디자이너 단독으로 런칭하고 운영할 수 있습니다. 더 이상 퍼블리셔나 프론트엔드 개발자에게 “이건 구현 못 해요”, “구현하려면 3일 걸려요”라는 말을 들을 필요가 없어지는 것입니다. 디자이너가 넘긴 결과물이 이미 ‘작동하는 코드이자 배포된 사이트’이기 때문입니다.

개발 지식이 없는 디자이너도 고급 인터랙션을 구현하고 서비스를 런칭할 수 있기에, 표현과 실행 사이의 한계는 사실상 사라집니다. 개발자 역시 UI 구현보다 데이터 바인딩과 비즈니스 로직 최적화에 집중할 수 있습니다.

시안 A, B, C를 넘어 Z까지

디자인 콘셉트를 잡는 날, 디자이너는 보통 안정적인 시안, 트렌디한 시안, 실험적인 시안까지 세 가지 정도를 준비합니다. 다양한 시안을 바탕으로 구성원 간 서비스 방향성을 맞추고, 더 높은 완성도로 발전시키기 위해서입니다. 다만 채택 여부도 모르는 불확실한 상황에서 시안을 꼼꼼하게 잡는 일은 실무자에게 스트레스로 다가옵니다. 그렇다고 러프하게 시안 작업을 하자니, 디자이너의 자아로 완성도를 완전히 내려놓기도 쉽지 않았죠.

이번 변화로 효율적인 Lo-Fi 화면을 만들자던 접근은, 완성도 높은 콘셉트를 다양하게 직접 고를 수 있는 단계로 넘어갑니다.

레이아웃 파괴 없는 스타일 유연성

Gemini 3.0의 강력한 지점은 구조 레이아웃과 스타일을 분리해 인식한다는 점입니다. 즉, 현재 작업 중인 대시보드 화면을 띄운 상태에서 “소프트 UI 형식으로 미니멀하게 콘셉트 잡아줘”, “다크 모드의 네온 글래스모피즘, 리퀴드 글래스 스타일로 바꿔줘”라고 요청할 수 있다는 뜻입니다. 그 결과 버튼 위치와 정보 위계는 그대로 유지하며, 전혀 다른 시각적 스타일을 가진 고퀄리티 시안이 즉시 생성됩니다. 텍스트 가독성이나 색상 대비 접근성까지 고려된 상태로 말이죠.

이로 인해 실무에서 디자이너의 시안 작업 시간은 획기적으로 단축됩니다. 대신 의사결정(Curation) 능력이 더욱 중요해집니다. AI가 제안한 수많은 스타일 가운데 우리 브랜드 정체성에 가장 부합하는 방향을 골라내고 디벨롭하는 안목이 실력의 기준이 될 것입니다.

협업 효율 역시 크게 높아집니다. 회의실에 Figma 화면을 띄워놓고, 클라이언트나 이해관계자의 피드백을 즉시 반영해 스타일을 바꾸는 라이브 디자인 미팅이 가능해지며 의사결정 단계를 최소화할 수 있습니다.

레이아웃을 유지한 상태로 만든, 전혀 다른 Hi-fi 디자인 시안 3가지 <출처: 작가>

디자인 시스템을 이해하는 AI 조수

많은 조직이 일관된 사용자 경험과 효율적인 협업을 위해 디자인 시스템을 구축하지만, 시간이 흐를수록 파편화되거나 레거시가 쌓여 운영이 점점 어려워지곤 합니다. Gemini 3.0은 이러한 디자인 시스템을 단순한 라이브러리가 아니라, 스스로 이해하고 업데이트하는 살아 있는 유기체처럼 관리합니다.

팀 라이브러리를 Export to Figma Make 하는 화면 <출처: 작가>

시스템 컴포넌트의 이해와 지능적 활용

기존 AI 생성 도구는 버튼을 그려달라고 하면, 프로젝트와 무관한 독자적인 버튼을 만들었습니다. 하지만 Figma Make에 들어온 Gemini 3.0은 우리 회사 디자인 시스템 라이브러리에 있는 컴포넌트를 끌어다 씁니다.

Figma Make에 라이브러리를 연결한 화면 <출처: 작가>

예를 들어 “감정 기록 앱을 만들어줘”라고 요청했을 때, 새로운 Figma Make는 인터넷에 있는 레퍼런스를 단순히 따라 만드는 수준에 머무르지 않습니다. 먼저 현재 프로젝트에 연결된 팀 라이브러리를 스캔하고, 헤더·푸터·카드 UI처럼 이미 정의된 자산(Assets)을 조합해 화면을 구성합니다. 화면 구성에 필요하지만 라이브러리에 아직 등록되지 않은 컴포넌트가 있다면, 기존 시스템의 규칙인 토큰, 타이포그래피, 스페이싱을 분석해 새로 생성합니다. 나아가 마치 처음부터 존재했던 것처럼 자연스러운 신규 컴포넌트까지 제안하기도 합니다.

라이브러리 스타일 가이드라인 규칙을 지정하는 화면 <출처: 작가>

Figma로 30분 만에 만든 랜덤 게임

지금까지 설명한 Gemini 3.0과 Figma의 시너지가 단순한 가설이 아님을 보이기 위해, 직접 작은 프로젝트를 수행해 보았습니다. 크리스마스 시즌을 겨냥한 ‘산타 경기 랜덤 순서 추첨 게임’을 만들었습니다.

기존 방식이라면 기획부터 에셋 제작, 복잡한 인터랙션 로직 설계와 개발까지 최소 며칠은 필요했을 작업입니다. 하지만 Gemini 3.0의 도움을 받아 단 30분 만에 기획부터 실제 작동하는 게임의 프로토타입까지 완성할 수 있었습니다.

백문이 불여일견입니다. AI가 실무의 속도를 어떻게 압도적으로 끌어올리는지, 아래 결과물을 통해 직접 확인해 보시기 바랍니다.

산타 경기 랜덤 순서 추첨 게임 <출처: 작가>

마치며

우리가 맞이할 변화는 분명합니다. 속도와 창의성을 동시에 얻는 새로운 업무 방식은 이미 시작되고 있습니다.

Figma와 Gemini 3.0의 결합 같은 변화들이 디자인과 개발 사이에서 반복되던 작업과 소통 비용을 크게 줄여줄 것입니다. 예전처럼 기획부터 디자인, 프로토타입, 전달, 개발, 검수까지 길게 이어지던 과정은 점차 짧아지며, 아이디어가 떠오르면 곧바로 AI와 함께 실제로 작동하는 화면을 만들고, 확인하고, 수정하는 흐름으로 바뀌고 있습니다.

이제 화면이 어떻게 구현되는지, 그 기본 원리를 이해하는 실무자일수록 AI를 더 잘 활용할 수 있습니다. 따라서 앞으로는 픽셀을 다듬는 능력보다 문제를 정의하고 해결 방식을 설계하는 역량이 더욱 중요해집니다. AI를 일을 빼앗는 존재가 아니라, 반복 작업과 소통 오류를 대신 맡아주는 동료에 가깝다고 여겨야 합니다.

AI의 발전은 디자이너를 단순한 화면 제작자에서 실제 제품을 만들어내는 사람으로 확장시킬 것입니다. 이 변화는 미래의 이야기가 아니라, 지금 우리 앞에서 이미 진행 중입니다.

]]>

퍼플렉시티 코멧(Comet)으로 본 UX의 다음 10년은?

AI 브라우저는 이제 무엇을 찾을지보다 무엇을 원하는지를 안다.

본문은 요즘IT와 번역가 Yuna가 함께 아드리안 레비(Adrian Levy) 글 <What Perplexity’s AI browser reveals about UX’s future>를 번역한 글입니다. 필자는 AI 기반 제품 디자인과 사이버 보안 UX를 전문으로 복잡한 기술을 직관적인 경험으로 전환해온 전문가입니다. 현재 CyberArk에서 AI 중심 보안 제품을 설계하며 기술과 사용성 사이를 디자인합니다. AI·ML 통합, 데이터 시각화, 정보 구조 설계 분야에 전문가이며, Medium과 국제 학회를 통해 활발히 글을 발표해 왔습니다.

이번 글에서는 Perplexity의 Comet 실험을 바탕으로 브라우저는 탐색이 아니라 사용자가 원하는 의도에 맞춰 움직이는 새로운 사용 방식을 설명합니다.

*필자에게 허락을 받고 번역했으며, 글에 포함된 링크는 원문에 따라 표시했습니다.

Perplexity의 Comet 브라우저를 테스트한 지 3일째 되던 날, 저는 흥미로운 사실 하나를 발견했습니다. 제가 더 이상 URL을 직접 입력하지 않고 있더라고요. 제 사고방식이 ‘어느 사이트로 들어가야 하지?’에서 ‘내가 원하는 게 무엇이지?’로 자연스럽게 바뀌어 있었던 겁니다. 더 놀라웠던 건, 이런 변화가 AI가 그 기대를 충분히 충족시키기도 전에 먼저 일어났다는 점이었습니다. AI는 아직 완벽하지 않지만 사용자의 사고방식은 이미 AI 중심으로 움직이기 시작했고, 저는 이 간극이 앞으로 10년 UX 디자인을 좌우하게 될 것이라고 생각했습니다.

기존 탐색은 여러 결정을 요구하지만, 의도 기반 디자인은 목표를 AI가 바로 실행합니다.

Comet이 기존 브라우저와 다른 점

Comet은 단순히 AI 기능을 덧붙인 브라우저가 아니라, 어떤 역할을 해야 하는지 처음부터 다시 생각한 제품에 가깝습니다. 정보를 찾아 이동하는 방식의 Chrome이나 Safari와 달리, Comet은 정보를 사용자에게 먼저 가져옵니다.

Comet의 방식은 명확합니다. 기존 주소창 대신 자연어 기반 인터페이스를 중심으로 작동하죠. 하지만 진짜 변화는 그 뒤에서 일어납니다. 브라우저가 하나의 세션 전체에서 맥락을 계속 유지하며, 사용자가 지금 무엇을 묻는지만이 아니라 그 배경에 있는 의도까지 함께 이해하기 때문입니다.

URL 대신 자연어 검색으로 구성된 Comet의 간결한 화면

Comet을 기존 브라우저와 구분 짓는 세 가지 핵심 기능이 있습니다.

1) 문맥 기반 AI 어시스턴트

Comet의 사이드바는 단순히 질문에 답하는 데서 그치지 않고, 사용자가 보고 있는 페이지를 능동적으로 분석해 필요한 인사이트를 먼저 제안합니다. 항공권을 찾고 있다면 여러 탭의 가격을 자동으로 비교해 보여주는 식이죠.

Comet의 AI 사이드바가 글루텐 프리 사탕을 고르는 화면을 분석해, 셀리악(글루텐 불내증) 제약을 고려한 관련 상품을 추천하는 모습 (Mercadona에서의 예시)

2) 사용 의도까지 기억하는 브라우징

일반적인 챗 인터페이스는 창을 닫으면 맥락을 잃어버리지만, Comet은 브라우징 세션 전체에서 사용자의 목표를 계속 이해하고 유지합니다. 예를 들어 한 탭에서 호텔을 찾아보다가 다른 탭에서 식당을 검색해도, 앞서 설정한 예산이나 조건을 그대로 기억하고 반영합니다.

3) 여러 사이트의 정보를 한곳에서 통합

Comet은 여러 페이지에 흩어져 있는 정보를 동시에 처리해 비교하고, 그 안에서 패턴을 찾아냅니다. 사용자가 수십 번은 클릭해야 할 작업을 한 번에 정리해 주는 방식입니다. 이것은 단순히 더 빠른 브라우징 경험이 아니라, 온라인 정보를 다루는 방식 자체를 새롭게 바꾸는 패러다임에 가깝습니다.

세 가지 중요한 점

2주 동안 체계적으로 테스트한 끝에, 모든 UX 팀이 이해해야 할 세 가지 핵심 인사이트가 드러났습니다.

1) 사용자의 사고 전환은 생각보다 훨씬 빠릅니다

의도 기반 인터페이스에는 며칠이면 익숙해졌습니다. AI가 60~70% 정도만 제대로 작동해도 적응에 큰 어려움이 없었죠.

2) AI가 진짜 강한 영역은 따로 있습니다

여러 자료를 모아 비교하거나 정리하는 작업에서는 성공률이 90%에 달했습니다. 하지만 단계별 절차를 따라가는 작업에서는 30% 수준입니다. 그런데도 많은 팀이 여전히 AI를 ‘절차를 대신 수행하는 도구’처럼 설계하고 있어, 실제로는 AI의 강점과는 반대 방향으로 기능을 만들고 있었습니다.

3) 미래의 UX는 하나의 거대한 시스템이 아니라 분산된 AI 구조에 가깝습니다

모든 기능을 한 시스템이 처리하려 할 때보다, 역할이 다른 여러 AI 서비스가 유기적으로 협력할 때 훨씬 자연스럽고 매끄럽습니다.

3일 차: 사고방식이 전환된 순간

차이는 매우 즉각적이고 분명했습니다. 기존 브라우저에서는 Chrome의 빈 화면이 ‘어디로 가야 하지?’라고 묻습니다. 반면 Comet은 검색창 자체가 ‘내가 원하는 건 무엇이지?’라고 묻게 만들죠.

처음에 “5월 도쿄로 가는 저렴한 항공편 찾아 줘. 예산은 최대 800달러.”라고 요청했습니다.

여러 조건이 포함된 복잡한 작업을 자연어 한 줄로 대신하는 모습

기존 방식

항공권 사이트를 15개 이상 열기
가격과 일정을 일일이 비교
날짜와 좌석 가능 여부 확인
소요 시간: 약 15~20분의 적극적 탐색

Comet의 방식

자연어로 한 번 요청
나머지 비교·정리는 AI가 자동 처리
소요 시간: 약 30초 설정하면 나머지 백그라운드 처리

여기서 중요한 점은, Comet이 제대로 작동할 때는 경험이 완전히 달라질 정도로 압도적이었지만, 반대로 실패할 때는 신뢰가 바로 무너질 만큼 답답했다는 것입니다.

제가 기록한 성공률은 다음과 같습니다.

단순 요청: 약 70%
조건이 많은 요청: 약 30%
실제 예약 단계로 가는 흐름: 약 30%

그럼에도 사용자는 성공률과 무관하게 이 새로운 방식에 금방 적응하고 있었다는 점이 가장 인상적이었습니다.

7일 차: AI가 나를 놀라게 한 순간(그리고 많은 팀이 잘못된 방향으로 만드는 이유)

7일째 되는 날 예상치 못한 발견이 있었습니다. 브라우저에는 서로 다른 출처의 UX 리서치 자료 8개가 열려 있었죠. 아티클, 연구 자료, 사례 연구, 포럼 토론 등 다양했습니다. 제가 내린 명령은 “열려 있는 모든 탭을 분석해서, 2025년 UX 트렌드에서 공통적으로 나타나는 패턴을 정리해 줘.”로 간단했습니다.

Comet의 AI 어시스턴트가 8개의 UX 리서치 자료를 분석해 반복적으로 나타나는 다섯 가지 디자인 트렌드를 인용과 함께 정리하고, 출처 간의 모순점까지 60초 안에 찾아낸 모습

60초 안에 반환된 결과는 다음과 같습니다.

서로 다른 8개 출처의 내용을 분석
반복적으로 등장하는 5가지 트렌드를 인용 기반으로 정리
각 자료 간의 모순점까지 탐지
사람이 놓치기 쉬운 연결점을 제안
신뢰도: 90% 이상

이 성능은 항공권 예약이나 쇼핑처럼 단계별로 순차적으로 진행하는 작업에서 나타난 AI의 성능보다 훨씬 우수했습니다.

전략적 인사이트: AI는 ‘단계적 실행’이 아니라, 여러 정보를 동시에 처리하고 통합하는 작업에서 탁월합니다. 따라서 팀이 AI 기능을 설계할 때는 먼저 분석이나 통합 중심 기능을 구축하고, 자동 실행이나 절차적 처리 기능은 신뢰도가 충분히 확보된 이후에 적용하는 것이 맞습니다.
핵심 인사이트: AI는 일을 순서대로 처리하는 것보다, 여러 정보를 한꺼번에 모으고 비교하고 정리하는 것을 훨씬 잘합니다. 그래서 제품 팀은 처음부터 자동 실행 기능을 만드는 것이 아니라 우선 AI가 정보를 분석하고 묶어주는 기능을 제대로 만드는 데 집중해야 합니다. 실행 자동화는 AI의 정확도가 충분히 올라갔을 때 단계적으로 붙이는 것이 훨씬 안전하고 효과적입니다.

10일 차: 연동 없이도 함께 움직인 두 AI

10일째 가장 놀라웠던 점은 Comet 자체가 아니었습니다. 전혀 연결되어 있지 않은 두 AI가 제 의도를 중심으로 자연스럽게 협력했다는 사실이었죠. Perplexity에 여행 지출 분석을 요청한 뒤 확인을 위해 Gmail을 열었습니다. 그런데 Comet Assistant가 제가 바로 직전까지 하고 있던 여행 경비 분석 흐름을 그대로 이 받아 관련 정보를 즉시 보여주더군요.

API 연동도, 기술적 연결도 전혀 없었습니다. 다만 두 시스템 모두 제 의도를 계속 추적하고 있었던 것이죠.

기술적으로 연결되어 있지 않은 여러 AI가 사용자의 의도를 공유하며 자연스럽게 협력하는 모습

이를 통한 핵심은 분명합니다. 여러 특화된 AI가 각자의 역할을 하면서도 사용자의 의도를 중심으로 함께 작동할 때 하나의 시스템이 모든 걸 처리하려는 방식보다 훨씬 자연스럽고 일관된 경험이 만들어진다는 것입니다.

12일 차: 정말 AI에게 맡길 수 있다는 가능성이 보인 날

2주 차가 끝날 무렵, 저는 실제와 가장 비슷한 상황으로 Comet을 시험해 보기로 했습니다. 바로 11살 쌍둥이 딸들의 생일 파티 준비였죠. 두 아이 모두 글루텐 프리 제품만 사용할 수 있었고, 장은 스페인 슈퍼마켓 Mercadona에서 봐야 했습니다. 그래서 이렇게 요청했습니다.

“11살 쌍둥이 딸들의 생일 파티 음식을 준비해야 합니다. 글루텐 프리 제품만 사용해야 해요. Mercadona에서 빵, 쿠키, 케이크, 사탕, 아이스크림까지 모든 카테고리를 포함한 쇼핑 리스트를 만들어주세요.”

Comet 브라우저에서 Mercadona 상품을 보여주며, 글루텐 프리로 아이들 파티에 적합한 제품을 맥락 기반으로 추천하는 AI 사이드입니다.

이후 질문에 답하는 AI와 함께 작업하는 AI의 차이를 분명하게 보여줬습니다.

Comet 어시스턴트는 단순히 목록을 나열하지 않았습니다.

글루텐 프리라는 조건을 정확히 이해하고,
여러 카테고리를 오가며 그 조건을 일관되게 유지하고,
실제 매장에서 구매 가능한지 여부까지 확인하고,
각 카테고리를 단계별로 제안한 뒤 제 승인을 받고,
최종적으로 선택한 제품들을 제 장바구니에 직접 담았습니다.

스낵·사탕·쿠키 등을 카테고리별로 정리하고 실시간 재고를 확인하며 단계별 사용자 승인 흐름을 보여주는 Comet AI를 보여줍니다.

이 경험의 핵심은 속도가 아니라 통제감이었습니다. 각 단계에서 AI가 무엇을 선택했고, 왜 그 선택을 했는지 모두 확인할 수 있었기 때문입니다. 빵을 추천할 때는 어떤 기준으로 골랐는지 설명했고, 쿠키 단계로 넘어갔을 때도 글루텐 프리 조건을 다시 말하지 않아도 계속 유지하고 있었습니다.

진짜 인상적이었던 건 속도가 아니라, 제가 흐름을 직접 쥐고 있다는 느낌이었습니다. 각 단계에서 AI가 무엇을 선택했고, 왜 그렇게 선택했는지 모두 확인할 수 있었죠. 빵을 고를 때는 선택 기준을 먼저 설명해 줬고, 쿠키 단계로 넘어갔을 때도 다시 말하지 않아도 글루텐 프리 조건을 계속 유지했습니다.

모든 카테고리에서 글루텐 프리 파티용 제품을 담아 총 31.32유로의 실제 장바구니 화면으로 단계별 승인 후 완성된 결과를 보여줍니다.

이때 저는 정말 AI에게 맡긴다는 것이 무엇인지 확실히 느꼈습니다. 제가 목표를 제시하면 AI가 실행 과정을 알아서 조율하고, 최종 판단과 확인은 제가 유지하는 방식이었죠.

이 복잡한 단계 작업의 성공률은 95%였습니다

나머지 5%는 배송지에서 구매할 수 없는 제품 하나 때문이었는데, 결제 전에 이를 스스로 감지하고 바로 대안을 제안해 주더군요.

이 경험은 의도 기반 인터페이스와 탐색 기반 인터페이스의 차이를 단번에 보여주는 사례였습니다.

기존 방식이라면

카테고리별로 일일이 검색하고
제품마다 글루텐 프리 여부를 확인하고
재고가 있는지 다시 교차 확인하고
장바구니에 무엇을 담았는지 스스로 기억해야 했습니다.
총 30~45분의 적극적인 작업이 필요하죠.

위임 방식에서는

목표를 자연어로 한 번만 제시하면
리서치와 검증은 AI가 처리하고
선택 단계에서만 사용자가 승인하면 됩니다.
사용자는 5분 정도 점검하고 AI는 10분 작업이면 충분했습니다.

핵심 인사이트는 사용자가 결과에 대한 통제권을 유지할 수 있다면, AI의 불완전함은 충분히 받아들일 수 있다는 점입니다.

AI의 마법이 풀릴 때 생기는 일들

AI를 써보면 성공한 순간만큼 어디에서 어떻게 실패하는지도 살펴보는 게 중요합니다. 2주 동안 Comet을 테스트해보니 실패에도 여러 유형이 있고 그 차이를 아는 것이 UX 디자인에서는 생각보다 중요하다는 걸 깨달았습니다.

괜찮은 실패는 AI가 한계를 인정할 때

예를 들어, 제가 Comet에게 이렇게 요청했을 때였습니다. “10월 일정으로, 센트럴파크까지 걸어갈 수 있는 거리의 맨해튼 다운타운 호텔 중에서 1박 200달러 이하 옵션을 찾아줘.”

Comet 브라우저에서 맨해튼 다운타운, 센트럴파크 도보 거리, 200달러 이하 예산 등의 조건을 자연어로 지정한 검색 요청한 화면입니다.

여러 출처를 수집하고 분석한 뒤 Comet이 반환한 결과는 예산을 훨씬 초과한 호텔들이었습니다. 하지만 중요한 점은 조건을 충족하지 못한 이유를 솔직하게 알려줬습니다.

조건을 충족하지 못한 이유를 알려주면서, 예산을 넘는 호텔 옵션과 대안을 함께 제시한 Comet의 검색 결과

Comet은 실패를 아무 말 없이 넘기지 않았습니다. 제가 제시한 조건을 모두 이해했고, 가능한 범위에서 충분히 검색한 뒤 왜 목표를 달성할 수 없는지 솔직하게 설명해 줬습니다. “요청하신 날짜 기준으로 센트럴파크 도보 거리의 맨해튼 다운타운 지역에 1박 200달러 이하 호텔은 현재 없습니다. 이 지역의 대부분 숙소는 400~2,000달러 수준입니다.” 그리고 검색 범위를 넓히거나 예산을 조정하거나 날짜를 변경하는 등 현실적인 대안까지 제안했습니다.

이런 유형은 솔직한 실패입니다. 사용자의 의도를 충실히 따르려 했고, 한계에 부딪혔을 때 그 이유를 설명하며 다음 선택지를 제공했기 때문입니다. 무엇보다 중요한 점은 AI가 어떻게 탐색했고 어떤 판단을 했는지 보여줬기 때문에 사용자 신뢰가 유지된다는 사실입니다.

위험한 실패는 AI가 조용히 틀릴 때

진짜 신뢰를 무너뜨리는 건 따로 있습니다. 바로 AI가 자신 있게 말하지만 사실은 틀린 답을 내놓는 경우죠. 오류나 불확실성을 전혀 알리지 않고, 말 그대로 정답인 척하는 상황입니다.

테스트 과정에서 실제로 틀린 답을 내놓는 사례들은 다음과 같습니다.

신선한 고수를 요청했는데 고수 씨앗을 추천한 경우
항공권 날짜를 잘못 해석해 엉뚱한 일정을 제안한 경우
복수 조건 검색에서 특정 조건을 슬쩍 무시한 경우
위치 기준을 아무 이유 없이 후순위로 밀어낸 경우

이런 사례들의 공통점은 분명했습니다. AI는 틀렸음에도 불구하고 자신감 있게 정답처럼 말한다는 것입니다. 경고도 없고, 한계 인정도 없고, 그냥 맞는 것처럼 보여줄 뿐입니다.

디자인 관점에서 AI 시스템은 반드시 “이 요청은 충족할 수 없습니다.”와 “이 요청을 잘못 처리했습니다.” 이 두 상황을 구분해 표현할 수 있어야 합니다.

첫 번째는 이유를 설명하고 대안을 제시하기 때문에 신뢰를 쌓습니다.
두 번째는 틀렸는데도 자신 있게 답하기 때문에 신뢰를 무너뜨립니다.

UX 디자이너에게 중요한 점은, AI 경험을 설계할 때 성공 플로우만 고민해서는 안 된다는 것입니다. 오히려 실패를 어떻게 인정하고 설명할지가 장기적인 신뢰를 결정합니다.

성능과 보안 관점에서의 고려 사항

기능적 안정성 외에도 Comet은 실제 환경에서 해결해야 할 기술적 과제들이 존재합니다.

성능: 기본적인 브라우징 작업에서는 Chrome보다 체감 속도가 느렸습니다. 특히 첫 페이지 로딩이나 여러 탭을 동시에 처리할 때 이러한 차이가 더 두드러졌습니다.
보안:Brave 연구팀은 Comet의 아키텍처에서 프롬프트 인젝션 취약점을 문서화했는데, 이는 기존 브라우저 보안 모델로는 대응하기 어려운 AI 브라우저 특유의 공격 경로를 보여줍니다. AI가 ‘기능’이 아니라 ‘인프라’가 되는 순간, 기존과는 다른 보안 패러다임이 필요한 상황이 되는 것이죠.

이 문제들이 결정적인 결함은 아닙니다. 새로운 카테고리가 성장해 가는 과정에서 나타나는 초기적 성장통에 가깝습니다. 하지만 유사한 아키텍처를 고려하고 있는 팀에게는 반드시 알아야 할 중요한 맥락입니다.

새롭게 살펴봐야 할 지표들

기존의 참여 지표만으로는 지금 일어나고 있는 변화를 정확히 포착하기 어렵습니다. AI 중심 인터페이스에서는 성공 여부가 사용자 행동이 아니라 시스템의 역량에 달려 있기 때문입니다. 그래서 이제는 다음과 같은 지표들을 함께 봐야 합니다.

의도 달성률: 사용자가 원하는 목표가 실제로 이루어졌는가?
신뢰 위임 지수: 사용자가 AI에게 작업을 얼마나 빠르게, 어떤 수준까지 맡기는가?
의도 지속률: 플랫폼이나 화면이 바뀌어도 사용자의 의도가 얼마나 안정적으로 이어지는가?

모든 것을 바꿔놓을 임계점

테스트를 체계적으로 진행하면서 한 가지는 분명해졌습니다. 한 번이라도 AI에게 일을 진짜로 맡겨본 사용자는 기존의 탐색 중심 인터페이스가 훨씬 불편하게 느껴진다는 것입니다. 문제는 변화가 일어날지 여부가 아니라, 사용자가 이 지점에 얼마나 빨리 도달하느냐에 있습니다.

근거는 명확합니다. 사용자들은 의도 기반 인터페이스에 며칠 만에 빠르게 적응합니다. 하지만 현재의 AI는 그 의도를 약 60~70% 수준에서만 안정적으로 충족시키고 있습니다. 즉, 사용자의 기대는 이미 미래로 넘어갔지만 기술은 그 속도를 따라가지 못하는 상황이고, 이 간극이 지금 UX 설계의 핵심 과제입니다.

산업 차원에서 경쟁력을 확보하려면, 모든 기능을 한 시스템에 몰아넣는 거대 AI를 만들기보다는 AI 간의 연결성과 사용자 의도가 끊기지 않는 경험에 집중해야 합니다. 앞으로의 차별화는 하나의 AI가 모든 것을 해결하는 데서 나오지 않습니다. 오히려 여러 특화된 AI가 자연스럽게 협력하도록 생태계를 얼마나 잘 조율하느냐에 달려 있습니다.

지금 당장 시도해 볼 실천 가이드

1) 자동화보다 정보 정리부터 시작하기

AI 기능은 실행을 대신하는 것보다, 우선 정보를 모으고 비교하고 정리하는 능력에 기반해야 합니다.

2) 사용자 플로우보다 의도 플로우를 그리기

사용자가 ‘무엇을 이루고 싶어 하는가’를 중심에 두고, 기존 네비게이션은 보완 장치로 설계합니다.

3) 신뢰는 작은 단계에서부터 쌓기

초기에는 위험이 낮은 작업부터 맡기게 해 신뢰를 서서히 구축합니다.

4) 실패했을 때 돌아가는 길을 준비하기

AI가 제대로 처리하지 못할 때 사용자가 즉시 이전 상태로 돌아갈 수 있는 명확한 경로를 마련합니다.

마치며

Comet을 테스트한 경험은 단순히 새로운 브라우저를 써본 시간이 아니었습니다. 우리가 앞으로 정보를 어떻게 다루고, 어떤 기대를 할지 미리 확인해 볼 수 있는 실험이었죠. 이 실험이 보여준 가장 중요한 사실은 미래가 하나의 거대한 AI가 모든 것을 처리해 주는 세계가 아니라는 점입니다. 오히려 한 사용 경험 안에서 유기적으로 협력하는 생태계에 가깝습니다.

UX 디자이너에게는 탐색을 설계하는 시대에서 의도를 설계하는 시대로 이미 전환이 시작됐습니다. PM에게는 기존의 참여 지표보다 사용자의 의도가 얼마나 안정적으로 이어지는가가 더 중요한 성과 지표가 될 것입니다. 그리고 업계 전체적으로는 이제 개별 AI 기능을 만드는 것을 넘어 AI 생태계를 어떻게 조율하고 연결할 것인가가 경쟁력을 좌우하게 될 겁니다.

기술이 준비됐든 아니든, 변화는 이미 시작됐습니다. 이제 중요한 건 참여 여부가 아니라 우리가 이 변화를 이끌 것인지, 뒤따를 것인지입니다.

<원문>

What Perplexity’s AI browser reveals about UX’s future

]]>

국산 AI 모델 Solar Pro 2로 사용자 행동 패턴 예측하기

지난 3년간 AI 기반 UX 디자인 효율화를 주제로 연구를 진행하며, AI로 가상의 사용자를 생성해 부족한 사용자 데이터를 보완하는 방식을 소개해 왔다. 다만 지금까지 늘 ChatGPT나 클로드 등 해외 AI 모델만으로 실험을 진행하며, 국내 사용자 데이터와 한글 활용에 대한 의구심이 있었다.

그러다 마침 한국어에 최적화된 국내 AI 모델인 솔라 프로 2(Solar Pro 2) 출시를 접하면서, 이 모델을 활용하면 국내 사용자를 보다 정교하게 묘사할 수 있지 않을까 하는 생각이 들었다.

그래서 이번 글에서는 국내 AI 모델로 사용자를 시뮬레이션한 과정과 그 결과를 정리했다.

업스테이지와 국산 모델 Solar Pro 2

Solar Pro 2 <출처: 업스테이지 블로그>

국내 AI 스타트업 업스테이지(Upstage)는 올해 5월, 솔라 프로 2 모델을 새롭게 공개했다. 이 모델은 소형 언어모델(sLLM)로 작고 빠르지만, 대형 모델 못지않은 똑똑한 AI라고 한다.

특히 추론 능력을 강점으로 꼽았다. 추론 능력이 뛰어나다는 것은 단순히 정보를 기억하거나 단어를 예측하는 수준을 넘어, 주어진 정보를 분석하고 종합해 새로운 지식을 도출하는 데 뛰어나다는 뜻이다.

본격적인 실험에 들어가기 전, 업스테이지의 LLM 모델을 체험할 수 있는 ‘플레이그라운드(Playground)’에서 모델에게 질문을 던졌다. 설정에서 모델을 솔라 프로 2로 선택한 다음, 플레이그라운드의 쓰임새를 물었다. 그러자 약 4초 동안 추론 과정을 거쳐 아래와 같은 답변을 생성했다.

질문에 답변하기 위해 4초 동안 추론하는 과정 <출처: 작가 캡처>

추론 과정을 바탕으로 생성한 답변 <출처: 작가 캡처>

솔라 프로 2는 한국어 처리 측면에서도 우수한 성능을 가지고 있다고 한다. 물론 한국어 외에도 영어, 일본어 등 다국어를 지원하지만, 한국어 처리에서는 그 어떤 모델보다 뛰어난 점수를 기록했다. 더 구체적으로 이야기하면, 다른 LLM 대비 한국어 임베딩 정확도가 높다고 한다.

임베딩(Embedding)은 입력한 텍스트를 AI가 이해할 수 있도록 숫자로 변환하는 기술을 의미한다. 이를 활용하면 텍스트의 문맥을 함께 반영하므로, 단순히 단어 철자의 유사성만을 기준으로 변환하던 이전 기술과 차이를 보인다.

[예시]

1. 문맥을 반영하지 않는 이전 방식
철자가 비슷한 소리와 소비를 유사한 단어로 처리
철자가 비슷하지 않은 소비와 지출을 연관 없는 단어로 분류

2. 문맥을 반영하는 임베딩 방식
철자가 비슷해도 문맥을 반영해 소리와 소비를 연관 없는 단어로 분류
소비와 지출은 의미상 가까운 단어로 인식

이처럼 AI 모델이 단순 철자를 비교하는 대신 의미를 이해하게 하려면 임베딩 기술이 중요한 역할을 한다. 따라서 이는 LLM 모델의 전반적인 성능을 좌우하는 핵심 기술이라 할 수 있다.

이렇게 한국어로 사고하고 판단하는 능력이 뛰어난 솔라 프로 2의 강점을 활용해, 행동 패턴을 예측하는 간단한 실험을 진행했다.

행동 패턴 예측이란?

앞서 AI로 가상의 퍼소나를 생성하거나 실제 사용자의 내면적 특성 데이터를 기반으로 클론 에이전트를 생성한 다음, 인터뷰 시뮬레이션을 수행하는 방법을 소개했다. 이 방법들 모두 실제 사용자와 대면해 리서치를 진행하기가 어렵다는 현실적 제약을 극복하기 위한 솔루션 중 하나였다.

이번에 수행할 행동 패턴 예측도 기본적인 목적과 작동 방식은 비슷하지만, 결과물에서 차이가 있다.

예를 들어 인터뷰 시뮬레이션에서는 특정 성향을 지닌 가상의 퍼소나나 클론 에이전트가 인터뷰 질문에 대해 자신의 이야기, 생각, 가치관, 경험 등을 말로 표현한다. 그럼 우리는 만들어진 질적 데이터를 취합하여 분석하는 방식으로 최종 인사이트를 도출하게 된다. 실제 사용자 인터뷰를 할 때와 동일한 프로세스다.

반면 행동 패턴 예측은 특정 상황에 대한 시나리오를 제시하고, 그 상황에서 ‘사용자’가 어떤 행동을 보일지를 예측하는 방식이다. 여기서 ‘사용자’는 인터뷰 시뮬레이션과 마찬가지로 AI를 활용해 미리 성향이 정의된 퍼소나로 만들거나, 실제 인간의 내면적 특성 데이터를 제공해 성향을 설정할 수 있다.

이번 실험에서는 한국어 임베딩 정확도가 높고 장문의 문서를 처리할 수 있는 솔라 프로 2를 최대한 활용하기 위해, 내면 특성을 제공하는 클론 에이전트 생성 방식을 선택했다. 미리 확보한 클론 에이전트의 내면적 특성 데이터는 약 14,000자(20,474 토큰, A4 기준 약 13쪽, 공백 제외) 분량이며, 한국어로 이루어져 있다.

이러한 데이터를 기반으로 솔라 프로 2가 복잡한 내면적 특성을 구조화하고 행동 패턴을 더 정교하게 예측할 것으로 기대하고 실험을 진행했다.

다만 솔라 프로 2는 RAG를 지원하지 않는다. 즉, 데이터를 RAG 방식으로 처리하지는 않지만, 임베딩 기술로 문맥을 이해할 수 있기에 충분히 시뮬레이션이 가능하다고 판단했다.

4단계 행동 패턴 시뮬레이션 수행 방법

행동 패턴을 예측하는 목적은 UX 전략 수립과 디자인 의사결정을 지원하기 위함이다. 가상 퍼소나나 클론 에이전트로 사용자를 모방하는 다른 방법들처럼, 타깃 사용자의 내면·심리적 특성을 구조화해 프로덕트 디자인이나 마케팅 전략에 직접 적용할 인사이트를 도출하는 것이 목표다.

1. 인간 사용자의 내면적 특성 데이터 수집

먼저 어떤 사용자의 행동 패턴을 시뮬레이션할지를 정한 다음, 해당 사용자의 데이터를 확보해야 한다. 본 실험에서는 앞서 클론 에이전트를 생성할 때 수집했던 데이터를 그대로 활용했다. 이 데이터는 가치관, 성격, 라이프스타일, 취향, 미래 전망, 관심사, 의사결정 방식, 감정적 경험까지 총 8개 카테고리로 구성된 52개 질문에 대한 응답으로, 약 14,000자(20,474 토큰) 분량이다.

2. 데이터 전처리

AI가 데이터를 효율적으로 해석할 수 있도록 전처리 과정을 거쳤다. 이 단계에서는 오타를 수정하고 응답을 카테고리별로 정리했다. 예를 들어 메인 질문은 52개였지만, 더 풍부한 데이터를 얻기 위해 던진 후속 질문까지 포함하면 약 150개의 응답이 섞여 있었다. 이를 52개 메인 질문 기준으로 다시 분류해, AI가 방대한 데이터를 빠르게 이해하고 내면의 패턴을 파악할 수 있도록 했다.

3. 내면 특성 데이터 및 시나리오 제시

업스테이지의 플레이그라운드에서는 별도 문서를 첨부해 데이터를 제공할 수는 없었다. 따라서 52개 질문에 대한 응답을 프롬프트 입력창을 통해 순차적으로 전달했다. 이번 행동 패턴 예측을 위한 시나리오는 금융 앱에 ‘자동 저축 기능’이 새롭게 업데이트된 상황으로 설정했고, 이 기능에 대한 사용자의 반응과 행동을 예측하도록 했다.

4. 시스템 프롬프트 입력

플레이그라운드 메인 화면 <출처: 작가 캡처>

플레이그라운드 우측 화면에는 시스템 프롬프트를 입력할 수 있는 공간이 따로 있다. 여기에 AI가 수행할 역할을 넣어주면 되는데, 이번 테스트에서는 다음과 같은 프롬프트를 입력했다.

너는 인간 사용자의 대행자 역할을 하는 모방 전문가야. 내가 제공한 인간 사용자의 내면 탐구 인터뷰 응답에서의 3가지 측면(가치관, 의사결정 패턴, 감정 반응)을 기반으로 ‘자동 저축 기능’에 대한 예상 반응 및 최적화 방안을 제시해 줘.

그 아래 위치한 Max Tokens과 Temperature는 각각 생성될 텍스트의 최대 길이와 결과물의 다양성을 설정할 수 있는 변수인데, 이번 실험에서는 기본 설정값을 그대로 유지했다.

솔라 프로 2 시뮬레이션 결과

1. 내면 탐구 응답 분석

솔라 프로 2와 함께 사용자의 내면 탐구 인터뷰 응답을 바탕으로, 그의 가치관, 의사결정 패턴, 감정 반응까지 3가지 축을 분석했다.

P1의 내면 탐구 응답 분석 결과

가치관: 가족 안정(1.00), 성평등(1.00), 자기 보호(0.95) → 금융 안정성 선호
의사 결정 패턴: 분석적 직관(0.99), 회피적 갈등 해결(1.00) → 리스크 회피형 금융 행동 선호
감정 반응: 불평등 분노(0.95), 후회 불안(1.00) → 사회적 영향력에 민감, 감정적 트리거에 취약

P1은 가족 안정과 자기 보호를 중시하는 동시에 감정적 트리거에 민감한 사용자입니다. 자동 저축 기능은 유연성, 감정 연계, 사회적 영향력을 강조할 때 높은 효과를 발휘하며, P1의 회피적 성향을 보완하기 위한 비공개형 동기 부여 전략이 필수적입니다.

분석 결과, AI는 해당 사용자가 리스크를 회피하고 금융적 안정성을 중시하는 성향을 보인다고 판단했다. 또한, 가족의 안정을 중요하게 여기고 사회적 영향력에 민감하게 반응하는 특성도 드러났다.

2. 행동 패턴 예측 결과

이러한 특성을 지닌 사용자가 자동 저축 기능에 어떻게 반응할지 예측한 결과는 다음과 같다.

1. 시나리오: 월급의 10% 자동 저축 기능 활성화 시, P1의 반응 예측
2. 예측 행동: "장기적 가족 안정" 메시지에 공감해 기능 사용
3. 잠재적 페인 포인트: 긴급 지출 시 인출 제한 상황에 스트레스 발생 → 회피적 대응(기능 일시 중지)
4. 개선 및 최적화 전략:
탄력적 저축 플랜: 목표 금액 조정 가능 + "긴급 인출 시 페널티 없음" 명시.
감정 연계 알림: "이번 달 저축액이 가족의 주말여행 예산에 근접했습니다!"
5. 추후 계획: "가족 연계 저축" 기능 MVP 개발 → P1 스타일 사용자 그룹 테스트

솔라 프로 2는 월급의 10%를 자동으로 저축하는 기능이 추가되었을 때, 사용자는 가족의 장기적 안정을 위해 해당 기능을 적극 활용할 가능성이 높다고 분석했다. 그러나 긴급 지출이 필요할 때 인출이 제한되는 상황은 사용자의 유연성과 회피적 성향을 고려할 때 치명적인 페인 포인트로 작용할 수 있다. 이를 보완하기 위해 목표 금액 조정이나 긴급 인출 허용 기능을 추가하는 등 유연성을 높이는 전략이 효과적일 것이라고 제안했다.

또한, 지속적인 저축을 유도하기 위해서는 ‘가족’이라는 감정적 키워드를 활용해 정서적 공감을 자극하는 접근이 유용하다는 결과를 도출했다. 이러한 인사이트를 기반으로, 저축의 탄력성과 감정적 연결을 동시에 강화하는 ‘가족 연계 저축’ 기능을 새롭게 설계하는 방향이 향후 전략으로 나왔다.

마치며: 결과 분석과 활용 방안

이번 실험에서는 솔라 프로 2를 활용해 행동 패턴 시뮬레이션을 진행했다.

솔라 프로 2는 다른 LLM 모델보다 한국어 처리 능력이 뛰어나고 고도화된 추론 능력을 갖춘 모델로 소개되었는데, 실제로 대형 LLM 모델 없이도 예측이 동작했다. 특정 성향을 가진 국내 사용자가 왜 일정 기능을 사용하는지, 또 어떤 상황에서 사용을 중단할 가능성이 있는지를 예측하고, 이를 바탕으로 기능 개선 아이디어도 도출할 수 있었다.

다만 이번 실험에서 사용한 플레이그라운드는 테스트용 인터페이스이므로, 솔라 프로 2 모델을 제대로 활용하려면 API를 써야 한다. 즉, 이번 샘플 테스트 결과를 참고하며 API로 전환해 실제 서비스와 연동하는 방식으로 적용할 수 있다.

한편, 이러한 행동 패턴 예측 결과를 활용해 새로운 인사이트를 얻으려면, 아래와 같은 방법을 시도해도 좋다.

1. 사용자 여정맵(User Journey Map) 시각화

자동 저축 기능을 사용하는 P1 사용자의 이용 동기와 페인 포인트 발생 지점을 텍스트로만 분석하는 데서 나아가, 이를 사용자 여정맵 형태로 시각화할 수 있다. 이렇게 하면, 터치포인트별 잠재적 불편 요소와 개선 기회를 더욱 구체적으로 파악할 수 있다.

2. 인터뷰 시뮬레이션

행동 패턴 예측 결과를 정성적 인터뷰 시뮬레이션과 함께 활용할 수 있다. 예를 들어 “긴급 지출이 필요할 때 인출이 제한된 상황”에서 사용자가 느끼는 감정과 사고 과정을 더 깊이 이해하고자, 해당 퍼소나를 대상으로 가상 인터뷰를 진행하는 방식이다. 이 방법으로는 행동의 심리적 배경과 의사결정 근거를 보다 명확히 파악할 수 있다.

3. A/B 테스트 시뮬레이션

이번 실험은 한 명의 사용자를 대상으로 진행했지만, 이를 확장해 여러 유형의 사용자 그룹을 생성한 뒤 A/B 테스트 시뮬레이션을 수행할 수 있다. 예를 들어 ‘시간 절약형 사용자 그룹’과 ‘기능 탐색형 사용자 그룹’으로 나누어 특정 상황에서의 행동 패턴을 비교하면, 어떤 그룹이 어떤 기능을 더 선호하는지 파악할 수 있다. 이를 통해 실제 제품 개발 단계에서 UX/UI를 개선하거나 기능 최적화 전략을 세울 수 있다.

무엇보다 솔라 프로 2와 진행한 이번 시뮬레이션은 단일 사용자를 대상으로 한 초기 실험에 불과하다. 앞으로 이 모델에 더해 다양한 데이터셋과 시나리오를 적용한다면, 사용자 이해의 폭을 넓히며 제품 설계 단계에서 더욱 정밀한 의사결정을 지원하는 도구로 발전할 수 있을 것이다.

]]>

2026년엔 어떤 디자이너가 되어야 할까? (feat. 2025년 회고)

2025년 프로덕트 디자이너 회고: 더 넓은 시야로, 더 느린 디자인을

개인적으로 2025년은 멈추는 법을 배운 해였다. 디자이너로 일한 지도 벌써 9년, 매년 마주하는 새로운 환경 속에서 한 번도 완전히 쉬어 본 적이 없었다. 늘 다음 분기 계획이 있었고, 다음 목표가 있었다. 그래서 올해 초 처음으로 일을 멈췄을 때 낯설었지만, 쉼이 필요하다는 걸 느꼈다. ‘정리’라는 단어는 흔히 마무리하는 느낌으로 들리지만, 실제로 나에게는 다시 시작하기 위한 전제였다. 이번 글에서는 프로덕트 디자이너로서 올해를 회고하고, 2026년 디자인 트렌드와 앞으로 디자이너에게 필요한 역량과 태도 등을 정리해 보았다.

일과 나를 분리해 보는 연습

<출처: 작가, ChatGPT 생성>

몇 년 동안 몸담았던 조직을 떠나며, 처음으로 내가 해 온 일들을 멀리서 바라봤다. 팀의 성과나 지표가 아닌, 나의 일하는 방식을 점검하는 시간이었다. 피그마 파일과 기록을 하나씩 정리하면서 수많은 시도와 실패의 흔적을 다시 마주했다. 예전에는 그런 흔적을 미완성이라 생각했지만, 지금은 그것이 내 커리어의 실체라고 느꼈다. 완벽하게 정리된 결과물보다 고민의 과정이 남아 있는 파일이 훨씬 많은 이야기를 하고 있었다.

9년 동안 쌓아 온 결과물은 디자인보다 리듬에 가까웠다. 늘 같은 속도로 달리기만 하다 보니 내가 어떤 리듬으로 일하는 사람인지, 무엇을 가장 중요하게 생각하는지도 잊고 있었다. 올해의 정리는 그래서 일보다 나를 되돌아보는 일이었다.

익숙함 속에서 배운 균형

<출처: 작가, ChatGPT 생성>

내일배움캠프에서 튜터로 일한 지도 어느덧 세 해가 넘었다. 처음엔 새로운 일이라 긴장감이 있었지만, 지금은 루틴이 됐다. 매주 반복되는 일정 속에서, 올해는 새로운 커리큘럼을 만드는 대신 내가 이미 하고 있는 일의 구조를 점검했다. 교육은 여전히 가르침이지만 동시에 관찰이다. 수강생의 속도와 생각이 모두 다르기 때문이다. 그 차이를 좁히기 위해서는 설명보다 조율이 필요했다. 올해 가장 자주 했던 말은 “괜찮습니다, 처음엔 다 그렇습니다”였다. 튜터라는 일은 결국 타인의 속도를 존중하는 일이라는 것을 다시 배웠다. 익숙한 일에서도 새로움을 찾아내는 능력, 그게 올해 내가 지켜야 했던 균형이었다.

가르치는 사람도 배웁니다

가르치다 보면 오히려 내가 배우게 되는 기회를 항상 얻는다. 좀 더 쉽게 이해를 돕기 위해 설명을 풀어내다 보면, 내가 그 개념을 더 정확하게 알아야 비유도 들 수 있고 더 좋은 사례를 가져와 이해를 도울 수 있었다. 많은 수강생들은 문제를 정확히 정의하지 못한 채 다음 단계로 넘어가는 경우가 많다 보니, ‘좋은 디자인은 좋은 문장에서 시작된다’는 말을 많이 했던 것 같다.

추상적인 문장을 구체적인 문제 진술로 바꾸는 연습을 수십 번 반복했다. ‘사용자가 불편하다’ 대신 ‘결제 버튼이 화면 하단에 고정되어 있지 않아 이탈이 발생한다’처럼. 이 문장 하나만 바꿔도 생각의 방향이 달라졌고, 솔루션의 형태도 달라졌다. 단순한 표현의 차이가 사고의 구조를 바꾸는 경험이었다. 그 과정을 통해 나 자신도 다시 배우게 됐다. 디자인은 결국 언어의 일이며, 문제를 명확히 표현할 수 있을 때 비로소 해결할 수 있다는 사실을 말이다.

글을 다시 쓰기 시작하다

<출처: 작가, ChatGPT 생성>

거의 2년 동안 글을 쓰지 못했다. 회사 일에도 집중해야 했고, 개인적인 일정이 많다 보니 글을 읽는 건 둘째 치고 쓰는 것조차 아둥바둥거렸다. 일의 속도가 너무 빨라서 글이 따라오지 못했다. 그러다 올해 하반기에 기운 내어 닫힌 글 문을 열었다.

다시 글을 쓰면서 전과 다른 점을 두 가지 느꼈다. 일단 글을 한 문단이라도 다시 쓰기 시작했다는 사실 자체가 나에게는 일상의 회복이었다. 그리고 글은 디자인의 연장선이라는 것이다. 구조를 만들고, 맥락을 정리하고, 독자를 설득하는 일은 화면을 만드는 과정과 닮아 있다. 예전에는 설명하려고 썼지만, 지금은 확인하기 위해 쓴다. 내가 왜 이 일을 계속하고 싶은지, 무엇을 여전히 좋아하는지를 스스로에게 확인하는 일이다.

업계의 속도와 나의 속도

<출처: 작가, ChatGPT 생성>

2025년 디자인 업계는 더 빠르게 변했다. AI가 이미지를 생성해 줄 때만 해도 ‘와!’하는 탄성이 나왔는데, 이제는 그 정도로는 감흥이 없고, 직접 프로덕트까지 만들어야 놀라는 수준이 됐다. 특히 피그마에서는 피그마 메이크, 사이트를 연달아 출시하더니 Variables와 Tokens를 이해하는 AI까지 노리고 있고, AI 기반 코드 생성과 자동 문서화까지도 가능해지고 있다.

하지만 자동화가 일상이 될수록, 결과의 방향을 결정하는 일은 더욱 사람의 몫으로 남게 되었다. 색상 체계의 의미를 정의하고, 사용자 맥락을 읽는 일은 AI가 대신할 수 없다. 오히려 도구가 똑똑해질수록 사람의 판단이 더 섬세해야 한다. 빠르게 만드는 대신, 천천히 이해하는 감각이 필요하다. 기술의 속도와 사람의 속도는 다르다. 그 차이를 인정하고 나서야 디자인이 조금 더 현실적인 일이 됐다.

올해 디자인 업계를 움직인 키워드들

<출처: 작가, ChatGPT 생성>

올해 디자인 업계를 보면 몇 가지 흐름이 또렷하게 떠오른다.

먼저, 하나는 AI 자동화의 일상화다. 화면을 만들어 주거나, 프로토타입을 초기 형태로 잡아주는 기능이 어느 순간 ‘기술적 놀라움’에서 작업의 기본값으로 바뀌었다. 이미지 생성이나 레이아웃 제안처럼 예전에는 직접 손으로 하던 과정들이 이제는 자연스럽게 자동으로 제시된다. 그래서 예전처럼 디자이너가 빠르게 만들어 내는 능력만으로는 실력을 평가하기 어려워졌다. 결국 올해는 손의 기술보다 생각의 구조를 어떻게 잡아내느냐가 더 중요해진 해였다. 내가 무엇을 왜 만들고 싶은지 설명할 수 있어야, AI가 만들어 준 결과도 올바른 방향으로 수정할 수 있기 때문이다.

둘째는 언어화 능력의 부상이다. 문제를 정확한 문장으로 정의하고, 솔루션의 의도를 설명하고, 설계의 흐름을 팀에게 설득하는 일이 화면을 만드는 일 못지않게 중요해졌다. 도구가 화면을 대신 만들어 주는 시대에는, 화면이 디자이너의 ‘증거’가 되지 못한다. 대신 문장이 디자이너의 생각을 보여주는 지표가 된다. 그래서 올해 업계 전반에서는 디자이너가 문장을 잘 써야 하는 이유가 더욱 분명해졌다. 문제를 정확히 언어화한 사람과 그렇지 않은 사람은 솔루션의 질에서 확연한 차이를 보인다. AI를 다룰 때도 프롬프트라는 이름의 문장을 사용하게 되니, 이 언어 능력이 결국 디자이너의 품질을 결정하는 셈이다.

마지막으로 셋째는 맥락을 읽는 해석 능력의 중요성이다. 화면 하나가 예쁘게 보이는 것보다, 사용자에게 어떤 상황에서 어떤 선택지가 자연스러운지 판단하는 일이 더 어려운 시대가 왔다. 기술은 매우 빠른 속도로 간소화되고, 정답처럼 보이는 UI를 제시하지만, 사용자가 실제로 어떤 행동을 보일지는 여전히 사람이 이해하고 해석해야 한다. AI로 만든 시안과 화면들이 더 많아질수록, 역설적으로 AI는 모르는 사용자 맥락을 넣어 줄 사람의 역할이 중요해진다. 그래서 올해는 단순한 결과물보다 사용자 상황과 감정 흐름을 읽는 능력이 더 중요해진 해였다. 즉, 디자인의 주도권이 오히려 사람에게 있다는 것이 확실해진 해였다.

2026년 디자인 업계에서 예상되는 변화들

올해 변화를 토대로 내년을 바라보면 올해의 연장선에서 더 뚜렷해질 변화들이 있다.

<출처: 작가, ChatGPT 생성>

먼저 하나는 AI와의 협업 방식이 더 정교해질 것이라는 점이다. 올해가 도구를 탐색하는 시기였다면, 내년은 그 도구를 어떤 방식으로 팀 안의 ‘가상의 동료’처럼 사용할지가 관건이 될 것이다. 이미 수많은 회사가 AI 동료를 두고 반복적인 작업과 자동화를 주문하고 있다. AI가 만들어 주는 수십 가지 옵션을 단순히 고르는 수준을 넘어서, 어느 시점에 개입해야 하고 어떤 책임을 디자이너가 가져가야 하는지 판단하는 역량이 중요해질 것이다. 결국 이는 도구를 잘 쓰는 능력보다 의사결정 능력이 더 중요해지는 흐름의 연장선이다.

둘째는 문제 정의 능력의 비중이 더 커진다는 점이다. 무엇을 만들지 정하는 단계에서 판단이 흐릿해지면, 도구가 아무리 빠르게 발전해도 프로젝트는 전혀 효율적으로 움직이지 않는다. AI가 이미 화면과 구조를 쉽게 만들어 주는 시대에는 ‘문제의 정확한 정의’가 프로젝트 성공의 절반 이상을 차지하게 된다. 그래서 내년 디자이너에게 가장 중요한 능력은 문제를 읽고, 불확실성을 줄이며, 팀의 방향을 한 문장으로 정리해 내는 능력이 될 가능성이 높다.

셋째는 역할 경계의 약화와 입체적 역량 요구다. 서비스의 속도가 너무 빨라지고 자동화가 당연해지면서, 디자인, 기획, 문서화, 데이터 이해가 더 얽히게 될 것이다. 단순히 UI만 다루는 디자이너는 점점 드물어질 것이고, 글을 잘 쓰고, 문맥을 해석하고, 때로는 흐름을 잡는 기획자로도 확장되어야 하는 순간이 자연스럽게 찾아올 것이다. 기술이 빠르게 바뀌는 만큼, 그 변화의 중심에서 방향을 설정하는 사람이 필요하기 때문이다. 그래서 내년에는 더 넓은 시야를 가진 디자이너가 시장에서 더 큰 역할을 부여받을 가능성이 높다.

올해 나에게 남은 세 문장

올해를 회고하다 보니 마지막에는 세 문장이 남았다.

하나, 디자인은 정리의 일이다. 만들기보다 돌아보는 일이, 새로운 시도보다 기존의 질서를 다듬는 일이 더 중요하다.

둘, 디자인은 관계의 일이다. 함께 일하는 사람의 속도를 이해하는 일이 팀을 건강하게 만든다.

셋, 디자인은 문장의 일이다. 다시 글을 쓰면서 결국 디자인도 사람을 설득하는 언어라는 것을 배웠다.

내년을 바라보며

내년에도 난 여전히 느리게 가보려고 한다. 빠르게 새로운 것을 만드는 대신, 오래된 문제를 다시 살펴보고 싶다. 디자인은 결국 시간이 쌓여 만들어지는 일이다. 올해는 처음으로 일을 멈추고 나를 정리한 해였다. 내년은 그 정리의 끝에서 새로운 방향을 쓰는 해가 되길 바란다. 혹시 이 글을 읽는 여러분도 너무 빠르게 달려오느라 지쳤다면, 남은 2025년을 돌아보며 짧게라도 나를 정리하는 시간을 가져보면 좋겠다.

<같이 읽어보면 좋은 글>
IT인들의 2025년 회고: 올해의 책·프로덕트·성장

]]>

디자인도 채팅으로 끝! ‘Picsart AI 어시스턴트’ 리뷰

오늘날 디지털 콘텐츠 제작 환경은 그 어느 때보다 바쁩니다. 신경 써야 할 채널이 점점 늘어나고, 그에 따라 시각적 콘텐츠의 수요가 폭발적으로 증가했기 때문입니다. 그에 맞춰 AI는 크고 작은 기능과 전문 영역에서 여러 서비스로 탄생해, 기존 디자인 도구의 복잡하고 접근성이 낮은 한계를 해결하고 있습니다.

자연스럽게 우리가 관리해야 할 채널은 많아졌고, 새로운 툴을 학습해야 하는 상황 속에 놓여있죠. 오늘 소개할 픽스아트(Picsart)는 이미 수많은 사용자를 보유한 강력한 올인원 크리에이티브 플랫폼입니다. 그러나 기존 디자인 도구와 마찬가지로, 여전히 아이디어를 시각화하는 과정에서 시간과 기술적 장벽이라는 한계를 지니고 있었죠.

<출처: Piscart, 작가 캡처>

이러한 배경 속 픽스아트는 최근 AI 어시스턴트 기능을 업데이트했는데요. 디자인의 '민주화'와 '효율화'라는 두 가지 핵심 목표와 배경을 지니고 있습니다. 또한 '대화형 디자인(Conversational Design)'이라는 최근 트렌드에 잘 맞는 방법을 활용하고 있죠. 대화형 디자인의 가장 큰 장점은 아주 추상적인 아이디어만 있어도, AI라는 디자인 전문가가 의도를 파악해, 생각지 못했던 여러 방법으로 시각적 결과물을 만들어준다는 점입니다.

대화형 접근 방식은 픽스아트 에디터 내에 통합되어, 사용자가 다른 탭이나 프로그램을 오갈 필요 없이 아이디어를 즉시 시각화하고, 편집할 수 있는 '끊김 없는 워크플로'를 구축하는 데 핵심적인 역할을 합니다. 무엇보다 픽스아트는 이미 캔바와 유사한 방식의 디자인 에디터를 제공하고 있는데요. 대화를 바탕으로 작업한 결과를 에디터를 통해 완성하거나, 최종 결과물로 편집하는 경험을 기대할 수 있습니다. 이번 글에서는 픽스아트 어시스턴트의 주요 기능과 특징을 자세히 살펴보겠습니다.

Picsart Assistant의 주요 기능과 특징

우선 Picsart Assistant의 주요 기능과 특징을 살펴보겠습니다.

1) 목표 기반 생성

사용자가 “이런 느낌으로 만들어줘” 또는 “이런 용도로 써야 해” 등과 같이 목표·무드·주제를 자연어로 입력하면, 그에 맞춰 디자인 레이아웃을 자동 생성해 줍니다.

2) 대화형 인터페이스

편집 툴을 일일이 선택하지 않고, “이 이미지 배경을 바꿔줘”, “이 텍스트 좀 다른 폰트로 바꿔줘” 등 자연어로 요청 가능하며, 즉시 반응합니다.

3) 레이어 및 편집 가능 결과물

생성된 디자인이 단순한 이미지가 아니라, 레이어 구조가 유지된 상태로 제공되어 사용자가 세부적으로 수정·재배치·조정할 수 있다는 특징이 있습니다. (폰트, 필터, 레이어 등 모든 요소가 분리되어 있어 사용자가 자유롭게 수정할 수 있습니다.)

4) 통합 작업공간

템플릿, 폰트, 이미지, 레이어, 효과 등이 어시스턴트 기능 안에서 바로 접근 가능하며, 별도의 툴 전환 없이 작업 흐름이 유지됩니다.

5) 자동화 및 음성입력 지원

단순 요청을 넘어서 여러 단계를 포함한 편집 과정이 자동으로 처리되며, 때로는 음성 입력으로도 작업이 가능합니다.

6) 다양한 AI 기능과의 연동

이미지 생성, 배경 제거, 이미지 퀄리티 향상 등 픽스아트의 기존 AI 기능들과 유기적으로 결합되어 보다 나은 결과를 생성하는데 도움을 받을 수 있습니다.

<출처: Piscart, 작가 캡처>

AI 어시스턴트는 에디터 좌측 하단에 별도 기능으로 제공됩니다. (저는 어시스턴트 소개 페이지를 통해 진입해서 바로 사용했는데, 이미 사용하고 있던 분들이라면 별도 안내 없이는 찾기가 힘들 것 같다는 생각도 듭니다.) 버튼을 클릭하면, 대화형 인터페이스가 등장하고 해당 기능을 경험해 볼 수 있도록 샘플 프롬프트가 제공됩니다.

저는 다음과 같은 프롬프트를 선택했습니다.

(영문) Generate a premium product mockup (1:1 ratio) for Serenity Candles featuring an elegant candle in a glass jar on a neutral beige surface with complementary props like dried eucalyptus and a linen cloth. Use warm, creamy tones with soft diffused lighting for a calm, luxurious mood.
(한글) 세레니티 캔들(Serenity Candles)을 위한 프리미엄 제품 모형(1:1 비율)을 제작하십시오. 유리병에 담긴 우아한 캔들이 중성적인 베이지색 배경 위에 배치되고, 건조된 유칼립투스와 리넨 천과 같은 조화를 이루는 소품들이 함께 구성됩니다. 차분하고 고급스러운 분위기를 연출하기 위해 부드러운 확산 조명을 사용한 따뜻하고 크림색 톤을 적용하십시오.

프롬프트를 입력한 뒤 생성을 요청하면, 일단 내용 자체를 분석함과 동시에 이미지 생성에 돌입합니다. 작업이 완료되면 우리는 캔버스를 통해 완성된 첫 번째 이미지를 확인할 수 있으며, 작업한 배경 그리고 다음에 우리가 할 수 있는 요청에 대해 살펴볼 수 있습니다. 대화형 생성 방식의 장점이 잘 드러나는 부분이라고 할 수 있는데요.

기존처럼 프롬프트를 입력하고 생성된 결과만 보는 방식에서는 어떻게 내용을 해석해서 반영했고, 다음에 무엇을 어떻게 할 수 있는지에 대한 피드백을 확인할 수 없기 때문입니다. 아래 내용은 이미지 생성과 동시에 어시스턴트가 제게 전달해 준 내용입니다.

1:1 정사각형 포맷 (1080×1080px)
우아한 유리 항아리 캔들을 중심 요소로 배치
중성적인 베이지색 바탕에 따뜻한 크림색 톤 적용
조화로운 소품: 건조 유칼립투스 및 리넨 천
차분하고 고급스러운 분위기를 위한 부드러운 확산 조명

“이 이미지는 소셜 미디어, 이커머스 또는 마케팅 자료에 완벽한 미니멀한 구도의 전문적인 제품 사진 스타일링을 특징으로 합니다. 다음으로 무엇을 원하시나요?”

브랜드 텍스트/로고 오버레이 추가
색상 또는 조명 조정
변형 또는 다른 각도 생성”

<출처: Piscart, 작가 캡처>

어시스턴트가 제안해 준 내용 중, 저는 다른 각도에서 본 제품의 모습이 궁금해 바로 요청을 진행했습니다. 얼마 뒤, 기존과 같은 제품을 다른 각도에서 바라보는 이미지를 확인할 수 있었습니다. 별도의 레이어 구조를 인터페이스상에서 보여주지 않고, 캔버스 우측 하단을 통해 현재 버전과 이전 버전의 이미지를 확인할 수 있게 구성된 모습입니다. 이처럼 픽스아트 어시스턴트 기능을 활용하면 작업을 따로 요청하지 않고, 자연스럽게 다음 버전까지 흘러가는 경험을 할 수 있습니다.

<출처: Piscart, 작가 캡처>

생성된 이미지는 왼쪽 에디터 옆, 캔버스를 통해 확인할 수 있습니다. 캔버스는 노드 형태는 아니고, 페이지를 추가해 버전별 내용을 살펴볼 수 있도록 설계되어 있습니다. 위 이미지는 제가 처음에 생성한 이미지(페이지 기준) 아래에 두 번째 페이지를 만들어, 새로운 버전의 이미지를 생성한 모습입니다. 앞서 확인한 것처럼 하나의 대화로 연속해서 이미지를 생성/수정하고, 보완할 수도 있지만, 생성된 이미지를 선택해 이미지 에디터 기능을 활용하는 것도 가능합니다.

제가 두 번째 페이지를 만들고, 기존 이미지를 바탕으로 에디터 기능 - 프롬프트로 요청한 부분은 배경을 달리 만들어달라는 내용이었습니다. 기존에는 제품과 유사한 톤의 배경이 만들어졌는데, 두 번째 요청에서는 대비되는 색상의 배경을 빠르게 생성해 줬습니다. 덕분에 같은 제품, 다른 배경의 이미지를 비교해서 볼 수 있게 됐고요.

<출처: Piscart, 작가 캡처>

세 번째 페이지에서는 두 번째 페이지에서 변경한 배경을 유지한 채로 제품의 각도를 변경해 달라고 요청했습니다. 이번에도 배경은 그대로 잘 유지하고, 동일한 제품의 각도만 잘 변경해 준 모습입니다. 이처럼 다양한 버전을 페이지 기준으로 캔버스를 벗어나지 않고, 작업할 수 있는 환경을 제공합니다.

<출처: Piscart, 작가 캡처>

픽스아트에서는 이미 다양한 AI 기능을 제공하고 있는데, 어시스턴트를 통해 완성한 이미지를 바탕으로 부가 기능을 이어서 바로 활용할 수 있습니다. 대표적인 기능은 이미지 향상 기능으로 촬영한 사진의 해상도를 높이거나, 노이즈 제거 및 색 보정 등을 자동으로 처리해 주는 기능입니다. 특히 시각 콘텐츠 제작 시 퀄리티를 높이는 데 유용합니다.

<출처: Piscart, 작가 캡처>

또한 배경 제거 및 교체 기능을 활용하면 사진에서 피사체를 자동으로 분리하거나, 배경을 다른 이미지나 스타일로 바꿀 수 있습니다. 원하는 영역을 직접 선택해서 요청할 수 있어, 전체 이미지의 일관성을 유지하면서 조건에 맞는 변경할 수 있죠. 결과적으로 작업 시간을 단축시킬 수 있고요.

한 번은 꼭 써봐야 하는 이유

<출처: Piscart, 작가 캡처>

앞서 말했듯 픽스아트는 웹은 물론, 모바일 앱으로도 서비스를 제공하는 등 꾸준히 접근성을 확대해 왔습니다. 또 이미 다양한 에디터(편집) 기능을 지원하고 있어, 오늘 소개한 대화형 인터페이스 중심의 어시스턴트와 함께 사용하면 그 활용도가 훨씬 높아집니다.

위 이미지는 어시스턴트를 통해 생성한 이미지에 텍스트 편집 기능을 활용, 간단한 편집을 진행한 모습입니다.

<출처: Piscart, 작가 캡처>

또 텍스트는 물론이고, 디자인 템플릿, 사이즈 조정, 영상 제작, 스티커, 배경, 그리기 등의 기능을 지원합니다. 추가로 로고 제작, 스타일 변경, 경쟁사 분석 등을 전문적으로 진행할 수 있는 앱 기능도 함께 제공하고 있죠. 덕분에 어시스턴트를 통해 미처 잡아주지 못한 세부적인 요소를 조금 더 다양한 범위 내에서, 편리한 방법으로 작업할 수 있습니다.

반면 아쉬운 점이 있다면, 아직 어시스턴트는 초기 버전이다 보니 종종 입력한 프롬프트와 다른 결과를 제공하거나, 페이지가 많아질 경우 다소 버벅거리는 등의 현상이 발생합니다. 현재 어시스턴트 기능은 일주일간 무료 체험이 가능하며, 이 무료 체험에는 픽스아트의 다양한 기능 사용이 포함되어 있습니다. 우선 무료 체험을 해보고, 꼭 필요한 기능이 있는지 결제 여부를 판단해 보셔도 좋을 것 같습니다.

<참고>

https://picsart.com/ai-assistant/

]]>

정적인 디자인은 끝? 피그마는 왜 영상 AI를 품었을까

피그마는 2025년 10월, 이스라엘 텔아비브에 기반을 둔 AI 미디어 생성 스타트업 위비(Weavy)를 약 2억 달러에 인수했다고 발표했다. 인수 이후 피그마는 이 회사를 ‘Figma Weave’라는 새로운 브랜드로 통합하여, 영상, 이미지, 모션그래픽, VFX 등 다양한 생성형 미디어 제작과 편집 기능을 자사 생태계에 편입하기 시작했다. 피그마가 스스로를 디자인 협업 툴에서 시각 경험 플랫폼으로 확장하고 있음을 명시적으로 보여준 첫 사례다.

이번 인수는 단순한 AI 기능 보강이 아니라, 디자인이라는 행위의 단위를 정적 화면에서 움직이는 경험으로 옮기려는 전략적 선언으로 읽힌다.

피그마와 위비의 통합 <출처: Figma>

‘움직이는 디자인’의 시작

피그마가 움직이기 시작한 이유

피그마는 그동안 브라우저 기반 디자인 협업의 대명사였다. 여러 디자이너가 동시에 하나의 캔버스에 접속해, 레이아웃을 잡고, 실시간으로 피드백을 주고받는 경험은 과거의 로컬 툴이 제공하지 못한 혁신이었다. 하지만 그 모든 작업이 정적인 화면 안에서 이뤄졌다는 한계는 명확했다. 모션, 영상, 인터랙션과 같은 움직임의 차원은 언제나 다른 툴로 넘겨야 했기 때문이다.

Config 2024에서 소개된 Make Designs <출처: Config 2024, 작가 캡처>

이 한계에 대한 피그마의 답은 2024년 Config 무대에서 드러났다. 당시 공개된 AI 기능 군은 ‘Figma AI’라는 이름으로 소개되었으며, 그 중 핵심은 ‘Make Designs’였다. 텍스트 프롬프트를 입력하면 기초적인 UI 설계안을 자동으로 생성해 주는 기능으로, ‘디자인 작업의 출발점을 AI가 도와주는 시대’를 공식화한 셈이었다. 이 시점에서 피그마는 단순한 디자인 편집 도구가 아닌 ‘의도를 구체화하는 플랫폼’으로의 진화를 예고했다. 하지만 그때의 AI는 여전히 정적인 결과물 중심이었다. 이번 위비 인수는 그 한계를 넘어, AI가 움직임과 시간을 다루는 영역으로 확장하는 과정의 시작점이라 볼 수 있다.

‘위비(Weavy)’가 가진 기술

Weavy는 AI 모델을 다양하게 활용해 영상을 편집하는 플랫폼이다. <출처: Weavy>

위비는 여러 AI 모델을 동시에 활용해 이미지와 영상을 생성하고 편집할 수 있는 멀티모달 노드 기반 플랫폼을 개발해 왔다. 사용자가 텍스트 프롬프트를 입력하면 Seedance, Sora, Veo, Flux, Ideogram, 나노바나나, Seedream 등 다양한 모델을 한 번에 호출하여 결과를 비교 및 조합할 수 있게 한다. 이 과정은 브라우저상에서 노드 형태로 시각화되며, 디자이너는 색감, 카메라 앵글, 조명, 전환 속도와 마스킹 등을 직접 조정할 수 있다. 즉, AI가 결과를 ‘대신 만드는’ 것이 아니라 디자이너가 AI를 ‘조립하고 통제하는’ 형태로 설계된 도구다.

영상 결과물이 만들어지는 과정 <출처: Weavy>

피그마가 주목한 건 바로 이 지점이다. 위비는 AI 기술임에도 창작자의 직접적인 개입을 필요로 했고, 이는 피그마가 지속적으로 강조해 온 ‘Human in the loop(사람이 개입하는 AI)’ 철학과 정확히 맞아떨어진다. 피그마는 이 기술을 통해 브라우저 환경 내에서도 영상 및 모션 작업이 가능한 새로운 캔버스를 만들려 한다. 디자이너가 다양한 AI 생성 모델을 노드 형태로 불러오고, 기존의 UI 디자인과 연결해 움직이는 화면을 즉시 시각화할 수 있게 되는 그림이다.

결과물에 적용된 요소들을 개별 노드를 골라 수정할 수 있다. <출처: Weavy>

다른 영상 AI들과의 차별성은 이 ‘노드 기반 편집 구조’에 있다. 예를 들어, OpenAI의 Sora는 하나의 대형 모델이 텍스트를 바탕으로 영상을 완성하는 구조다. 결과의 품질은 뛰어나지만, 사용자의 개입 여지가 거의 없다. 구글의 Nano Banana, Veo의 경우, 화질과 모션의 자연스러움에 집중하지만, 여전히 단일 생성 프로세스 안에서 결과가 고정된다. 반면, Weavy는 여러 모델의 장점을 병렬적으로 호출해 결과를 ‘조립’하는 방식을 취한다.

즉, AI가 ‘하나의 정답’을 주는 것이 아니라, 디자이너가 여러 가능성 중에서 선택하고 혼합할 수 있도록 구조화되어 있다. 이것이 피그마가 위비를 택한 결정적 이유다. 위비는 AI가 디자이너의 손을 완전히 대체하지 않고, ‘AI의 결과를 디자이너가 재구성하는 창작 과정’을 구현할 수 있는 드문 플랫폼이었다.

협업 중심의 AI, 피그마의 전략적 확장

피그잼은 피그마가 만든 협업에 특화된 화이트보드 제품이다. <출처: Figma>

이번 인수는 피그마가 지속적으로 쌓아온 협업 중심 전략의 연장선이다. 과거 피그마의 가치는 여러 사람이 같은 파일을 동시에 편집할 수 있다는 점에서 출발했지만, 이제 그 파일 안에서 이미지, 영상, 모션까지 동시에 편집할 수 있게 되는 것이다. 이 변화는 디자이너만의 이슈가 아니다. 마케팅팀과 콘텐츠팀, 브랜드팀 모두가 같은 캔버스에서 작업할 수 있는 시대가 오는 것이다.

모든 직무, 직군들이 피그마 안에서 제품의 전체 과정을 협업할 수 있다. <출처: Figma>

예를 들어, UI 디자이너가 앱의 온보딩 화면을 설계하고, 마케터가 그 화면을 기반으로 서비스 소개 영상을 제작하며, 영상 디렉터가 모션을 조정하고 텍스트를 오버레이 하는 과정이 모두 피그마 안에서 이뤄질 수 있다. 이전에는 세 개의 툴 (피그마, 애프터이펙트, 프리미어) 을 거쳐야 했던 과정을 하나로 묶는 셈이다. 협업 효율은 비약적으로 상승하지만, 동시에 ‘누가 어디까지 책임지는가’라는 역할의 경계 문제가 새롭게 부상한다. AI 도구는 작업을 합쳐주지만, 조직의 구조 역시 재조정하게 만드는 힘을 가진다.

피그마가 이러한 방향을 선택한 이유는 명확하다. 디자인 툴의 전쟁이 정교한 기능이 아닌 연결된 경험으로 옮겨가고 있기 때문이다. AI 시대의 피그마는 더 이상 도형을 그리는 캔버스가 아니라, 팀의 생산 프로세스를 재편하는 조직적 인프라가 되고 있다.

UX/UI 디자이너의 시점에서 본 Figma Weave 통합 시나리오를 세 가지 정도로 예상해 본다.

프로토타입 기능이 애니메이팅 및 모션으로 강화되는 형태가 될 수 있다. <출처: 작가, ChatGPT 생성>

첫째, 프로토타입 확장형이다. 기존 프로토타입 모드에 Weave 관련 기능이 추가되어, 연결된 프레임 전환을 영상화하고 카메라 무빙, 트랜지션, 사운드 톤 등을 조정할 수 있는 구조다. 디자이너는 시각적으로 구성한 스토리보드나 프레임을 인터랙티브 영상으로 곧바로 전환할 수 있다.

피그마 버즈로 만든 콘텐츠나 컴포넌트의 애니메이션을 자동으로 영상화해 줄 수 있다. <출처: 작가, ChatGPT 생성>

둘째, 브랜드 에셋을 영상화하는 기능이다. 피그마 버즈의 그래픽 산출물 또는 피그마 디자인 시스템 내 컴포넌트에 설정한 기본 모션 프로퍼티를 Weave가 학습한 후 영상의 형태로 가공한다. 즉, 브랜드의 디자인 언어가 그대로 모션을 가진 그래픽 자산으로 발전하는 형태다.

AI가 직접 프레임을 보고 하나의 데모 영상으로 만들어 낼 수도 있다. <출처: 작가, ChatGPT 생성>

셋째, AI 시퀀스 기능이다. UI를 기반으로 Weave가 프로토타입을 자동으로 영상화해 데모를 생성하고, 사용자는 더 정밀한 편집을 통해 대사, 음성, 시점 등을 프롬프트로 조정할 수 있다. 이는 UX 포트폴리오나 런칭 영상 제작에 혁신적인 변화를 가져올 가능성이 있다.

이 세 가지는 모두 ‘피그마의 협업 철학’을 확장한 모델이다. 단순히 새로운 기능을 추가하는 것이 아니라, 디자이너의 작업 단위를 모션 중심의 내러티브로 넓히는 방식으로 AI를 통합하려는 시도다.

디자인 시스템이 AI의 언어가 될 때

피그마의 가장 큰 무기는 디자인 시스템이다. 컴포넌트, 컬러 토큰, 타이포그래피 스타일, 모션 커브 등 모든 시각 요소가 규칙으로 정리돼 있다. 이 규칙이 AI의 입력값으로 활용된다면, 디자인 일관성은 한층 강력해진다. AI가 브랜드 컬러 톤을 인식해 영상의 조명을 자동으로 조정하거나, 디자인 시스템에 정의된 모션 커브를 기준으로 화면 전환을 생성하는 시대가 머지않았다.

<출처: 작가, ChatGPT 생성>

이 패러다임은 ‘AI가 디자인 시스템을 준수한다’는 개념으로 요약할 수 있다. 이제 팀이 정의한 규칙이 단순히 참조용 문서가 아닌, AI의 창작 기준이 된다. 브랜드의 정체성과 스타일이 코드처럼 AI에 내장되는 것이다. 디자이너는 앞으로 AI가 이해할 수 있는 규칙을 설계해야 하고, 이것이 바로 AI 시대의 디자인 시스템 운영이라는 새로운 과제가 될 가능성이 높다.

실무에서 마주할 기회와 부담

AI 기능이 피그마에 본격적으로 도입되면 가장 먼저 변하는 것은 일의 단위다. UI 디자이너는 더 이상 화면을 고정된 상태로만 다루지 않고, 인터랙션이나 전환 효과, 간단한 시연 영상까지 하나의 파일 안에서 설계하게 된다. Figma Weave가 통합되면 프로토타입을 영상처럼 보여주거나, 실제 서비스 소개 영상의 기반이 되는 시안을 직접 만들어볼 수 있다. 지금까지는 모션 디자이너나 마케팅팀에 넘기던 작업을 초기 단계에서 직접 제어할 수 있게 되는 셈이다.

그동안 말이나 글로 설명하던 동적인 디자인을 실재하는 형태로 공유할 수 있다. <출처: 작가, ChatGPT 생성>

이 변화는 분명 새로운 기회다. 첫째, 디자인의 결과물을 눈에 보이는 움직임으로 전달할 수 있기 때문에 기획자나 개발자에게 의도를 설명하는 과정이 훨씬 명확해진다. 둘째, 팀 내 커뮤니케이션이 단축된다. 화면 전환이나 제스처의 속도, 버튼이 눌릴 때의 느낌을 직접 구현할 수 있으니, 수정 과정에서 생기던 오해가 줄어든다. 셋째, 본인이 만든 인터페이스가 실제 사용자의 흐름 안에서 어떻게 보이고 느껴질지를 스스로 검증할 수 있다. 그 결과물은 리서치나 사용자 테스트에도 그대로 활용될 수 있다.

디자이너는 애니메이션, 모션, 영상에 대한 이해도가 필요해진다. <출처: 작가, ChatGPT 생성>

하지만 동시에 현실적인 부담도 커진다. 가장 먼저 필요한 건 모션과 리듬에 대한 감각이다. 단순히 빠르거나 느리다는 감상에서 벗어나, 어떤 타이밍에 어떤 움직임이 자연스러운지를 판단할 수 있어야 한다. 이는 감각의 영역처럼 보이지만, 일정한 규칙과 훈련이 필요하다. 또한 영상 언어에 대한 기초 이해가 필요하다. 화면이 전환될 때 카메라의 움직임이 어떻게 작동하는지, 텍스트나 이미지가 들어오고 나가는 속도가 어떤 인상을 주는지에 따라 결과물의 완성도가 달라진다.

협업 환경에서도 역할이 바뀐다. 예전에는 디자이너가 완성된 시안을 전달하면 다른 팀이 그다음을 이어갔지만, 이제는 같은 피그마 파일 안에서 마케터, 콘텐츠 디렉터가 함께 수정하고 결과를 확인한다. 작업의 속도는 빨라지지만, 동시에 본인의 의도를 설명하고 조율하는 일이 많아진다. AI가 대신 만들어주는 장면이 늘어날수록, 그중 어떤 것을 선택하고 브랜드의 결에 맞게 조정할지 판단하는 책임도 커진다. 즉 실제 디자인 자체를 얼마나 잘하느냐가 아니라, 내가 원하는 디자인을 도출하기 위한 커뮤니케이션 역량이 더 중요해지는 것이다.

결국 이 변화는 단순히 툴을 배우는 문제가 아니라, 디자이너의 감각과 사고 범위를 넓히는 과정에 가깝다. 인터랙션의 흐름, 감정의 리듬, 사용자가 느낄 미세한 전환의 뉘앙스를 이해하는 사람이 앞으로의 피그마 환경에서 더 큰 영향력을 갖게 될 것이다. AI가 손의 속도를 높여줄수록, 디자이너는 스스로의 판단력과 감각으로 결과의 질을 결정해야 한다.

AI 통합 전쟁: 피그마 vs 캔바 vs 어도비의 다른 방향

어도비의 파이어플라이 <출처: 어도비 공식 웹사이트>

현재 디자인 업계는 AI 통합을 핵심 전략으로 삼고 있다. 어도비와 캔바는 모두 생성형 AI를 디자인 생산성의 도구로 통합하는 방향으로 움직이고 있다. 어도비는 ‘Firefly’를 중심으로 포토샵, 일러스트레이터, 프리미어에 AI를 심층 통합해 전문가용 워크플로를 강화하고 있으며, 대형 스튜디오나 브랜드 고객을 중심으로 엔터프라이즈 단위의 자동화 제작 체인을 확대하고 있다.

캔바의 매직 스튜디오 <출처: 캔바 공식 웹사이트>

반면, 캔바는 ‘Magic Studio’를 통해 누구나 프롬프트 한 줄로 문서, 프레젠테이션, 영상까지 만들 수 있는 환경을 구축하며, 비전문가나 중소기업, 교육 기관을 주요 타깃으로 삼는다. 두 회사의 전략은 결국 하나의 공통점으로 귀결된다. ‘AI가 결과물을 대신 만들어주는 구조’, 즉 콘텐츠 제작의 속도와 편의성을 극대화하는 것이다.

이에 비해 피그마는 AI를 협업의 확장으로 해석한다. AI가 대신 만드는 것이 아니라, 더 많은 사람이 동시에 같은 맥락 안에서 만들 수 있도록 연결하는 데 초점을 둔다. 향후 피그마는 ‘Figma Weave’를 디자인 시스템, 프로토타입, 변수 기능과 결합해 ‘UI–모션–영상’이 한 파일 안에서 이어지는 협업형 캔버스로 발전시킬 가능성이 높다. 이는 어도비의 전문성 중심, 캔바의 대중성 중심 전략과 달리, ‘제품 조직 전체가 창작 과정에 함께 참여하는 구조’를 구축하려는 움직임이다. 결국 피그마가 내세우는 차별점은 AI가 만들어주는 결과보다, 팀이 AI를 매개로 어떻게 더 나은 결과를 ‘같이’ 만들 수 있는가에 있다.

정적인 디자인의 종말과 새로운 질서

Figma Weave는 단순히 기능을 추가한 서비스가 아니다. 이 인수는 디자인이라는 행위의 단위를 ‘페이지’에서 ‘경험’으로 바꾸려는 시도다. 정지된 화면만을 그리던 시대가 끝나가고, 이제 디자이너는 움직임과 시간 속에서 사용자의 감정을 설계해야 한다. AI가 대체하는 것은 손의 속도이지, 감각의 깊이가 아니다. 피그마는 그 사실을 잘 알고 있다.

그래서 이번 인수의 핵심은 ‘AI로 디자인을 자동화한다’가 아니라, ‘AI로 디자인을 더 멀리 확장한다’에 가깝다. 디자이너는 이제 도구를 조작하는 사람이 아니라, AI와 함께 새로운 시각적 언어를 조율하는 사람으로 변하고 있다. 정적인 디자인의 시대는 끝났다. 그 다음 장을 쓰는 사람은 여전히 디자이너 자신이다.

]]>

AI가 대체한 것과 2026년 주목할 UI·UX 트렌드 4가지

정말로 더 나은 경험을 만들고 있는가, 아니면 그저 더 많은 결과물을 쏟아내기만 하는가

2025년, 디자인 현장은 그 어느 때보다 빠르게 달라졌습니다. 단순 반복 작업을 넘어 핵심 디자인 프로세스까지 침투한 AI의 영향은 디자이너의 역할을 근본적으로 재정의하고 있습니다. 일부 기업은 이미 AI를 필수 도구로 받아들이며 업무 효율과 품질을 동시에 높이고 있지만, 디자이너들 사이에는 여전히 활용 수준과 인식의 차이가 존재합니다.

바로 이 시점에서 2025년 AI가 가져온 디자이너 역할의 변화, 그리고 2026년 기술 변화에 따른 새로운 성장 방향을 살펴보려고 합니다.

2025년 회고: AI는 무엇을 바꾸었을까?

올해, AI는 쉬운 작업을 넘어 디자인 프로세스의 핵심 영역까지 깊숙이 들어와 디자이너의 역할을 바꾸었습니다.

피그마의 2025 AI 리포트에 따르면, 응답자의 78%가 “AI 통합은 미래 성공의 필수 요소”라고 답했다고 합니다. 다만, 개발자의 82%는 “AI가 업무 품질을 향상시킨다”고 응답한 반면, 디자이너는 54%만이 이에 동의했습니다. 직무별로, 또 디자이너들 사이에서도 AI 활용과 인식의 격차가 여전히 존재함을 보여줍니다.

특히 흥미로웠던 부분은, AI를 ‘필수’라고 답한 기업들 가운데 10명 이하의 소기업(61%)이 가장 높은 비율을 차지했다는 것입니다. 그 뒤로는 1,000명 이상 대기업(53%), 100명 이하 중소기업(47%), 1,000명 이하 기업(37%) 순이었습니다. 이는 의사결정 구조가 기민하거나 시스템화되어 있을수록 AI 도입 속도가 빠르다는 점을 시사합니다.

이런 상황에서 AI가 실제 디자인 현장과 디자이너의 역할에 가져온 변화를 조금 더 구체적으로 살펴보겠습니다.

<출처: Figma>

1. 인간의 역할 변화: 만드는 사람에서 ‘의미를 정하는 사람’으로

AI는 이미 디자인 프로세스 전반에 깊숙이 스며들었지만, 인간의 역할이 사라진 것은 아닙니다. 이제 사람이 할 일은 ‘무언가를 만드는 일’에서 ‘의미를 정의하는 일’로 중심이 이동하고 있습니다.

2025 Stack Overflow Developer Survey를 보면, AI 도구의 신뢰성에 대한 회의적 시각이 여전히 두드러집니다. AI의 정확성을 ‘신뢰한다’는 응답은 33%에 그쳤으며, ‘신뢰하지 않는다’는 응답이 46%로 더 많았습니다. 특히, 경험 많은 실무자일수록 AI 출력을 ‘검증이 필요한 결과’로 인식했으며, 이는 인간의 해석과 검증이 여전히 중요함을 보여줍니다.

그렇기에 AI가 가장 크게 영향을 미친 영역은 초기 디자인 단계의 자동화입니다. 과거에는 PRD(Product Requirements Document, 제품 요구사항 정의서)를 작성한 다음, 피그마에서 와이어프레임을 제작하고, 다시 이를 공유하며 수주간의 검토와 조율을 거쳐 고화질 디자인을 완성했습니다. 이 전통적인 프로세스에는 평균 2~3주가 들었습니다.

이제는 AI 기반 워크플로우가 그 과정을 단숨에 단축시키고 있습니다. PRD를 챗GPT로 분석해 사용자 플로우를 자동 분해하고 블루프린트를 생성한 다음, 클릭까지 할 수 있는 프로토타입을 제작해 조기 피드백을 수집할 수 있습니다. 이 모든 과정이 단 2~3일 만에 벌어지니, 디자인의 속도와 효율성은 혁신적인 변화를 맞이했습니다.

다만, 중요한 것은 속도뿐만이 아닙니다. 정확한 방향 설정과 판단 역시 핵심이죠. AI가 수많은 화면과 사용자 플로우를 제안하더라도, 그중 어떤 구조가 사용자 경험과 비즈니스 목표에 가장 적합한지를 결정하는 일은 여전히 인간의 몫입니다. 즉, 디자이너는 이제 ‘무엇을 만들까’보다 ‘왜 만들어야 하는가’에 집중해야 하며, AI가 만들어낸 수많은 결과물 속에서 의미를 선별하고 방향을 결정하는 전략가로 진화하고 있는 것입니다.

<출처: Stack Overflow>

이러한 흐름은 AI 에이전트(AI Agent) 도입에서도 명확히 드러납니다. 과거에는 디자이너가 완성된 디자인을 개발자에게 전달하고 결과를 기다리는 일방향 구조였다면, 이제는 AI가 디자인과 코드를 실시간으로 연결하며 디자이너와 개발자가 동시에 수정·검토·테스트할 수 있는 환경을 제공합니다.

그럼에도 불구하고, 스택 오버플로우의 조사에서 팀 단위 협업 개선에 도움이 되었다는 응답은 17%에 불과했습니다. 이는 AI가 개인의 효율성 향상에는 탁월하지만, 조직적 협업이나 창의적 통합의 영역은 여전히 인간 중심으로 남아 있음을 의미합니다.

결국 AI는 사람의 ‘손’을 대신하고 있지만, ‘의미를 부여하는 사고’는 아직도 인간만이 수행할 수 있는 고유한 영역으로 남아 있습니다. 따라서 2026년의 디자이너는 더 이상 화면을 제작하는 사람이 아니라, AI와 함께 ‘무엇이 가치 있는 경험인가’를 해석하고 결정하는 역할을 맡게 될 것입니다.

2. 채용 시장의 변화: ‘멀티 역량형’ 인재를 원하는 시장

2025년 들어 특정 영역에 한정된 세부적인 직무 기술서(JD)는 점차 그 경계가 희미해지고 있습니다.

쇼피파이(Shopify)는 올해 6월, ‘UX Designer’ 타이틀을 공식적으로 삭제하고 ‘Designer’로 통일했습니다. 그들은 X에서 복잡하게 세분화된 역할보다 디자인의 본질과 통합적 사고에 집중하겠다는 의도를 밝혔습니다. 앞서 3월에는 듀오링고(Duolingo)가 UX/UI 팀을 Product Experience Designers로 개편하며, 사용자 경험을 그저 개별 영역이 아닌 제품 전체 경험에 대한 책임 영역으로 확장하겠다는 방향성을 링크드인을 통해 공개했습니다.

<출처: X, LinkedIn>

이러한 변화는 시장 리포트에서도 확인할 수 있습니다. Autodesk의 2025 AI Jobs Report에 따르면, AI 관련 직무에서 가장 수요가 높은 역량은 기술적 전문성이 아닌 ‘디자인 스킬’로 나타났습니다. Autodesk는 건축, 엔지니어링, 제조, 미디어, 제품 디자인 등 약 300만 건의 채용 공고를 분석했는데요. 그 결과, 기업이 코딩 능력처럼 기술 역량을 보유한 인재보다 AI의 능력을 비즈니스 가치로 전환하고 전략적 판단을 내릴 수 있는 인간 중심적 사고를 가진 인재를 더욱 선호하는 것으로 확인됐습니다.

AI 시스템이 정교해질수록 ‘일한다’는 개념이 단순히 결과물을 만드는 행위가 아니라, AI의 출력을 인간 경험과 비즈니스 전략으로 연결하는 핵심 매개 역할로 진화한 것입니다.

<출처: Autodesk>

이러한 흐름은 기업이 파편화된 전문성보다 리서치, 전략 수립, 디자인 구현, 비즈니스 성과 전 과정을 이해하고 주도할 제너럴리스트(Generalist)를 선호하는 경향으로 이어지고 있습니다. 이에 따라 비즈니스 메트릭을 이해하는 디자이너의 중요성이 커지고 있습니다. 이제 디자인이 ROI(Return on Investment, 투자 대비 수익)와 이어지지 않는다면, 그 결과물은 전략적 자산이 아닌 ‘장식 요소’로 평가받을 위험이 있습니다. 측정할 수 있는 성과 없이 디자인 예산을 정당화하기 어려운 만큼, 비즈니스 지표를 이해하지 못하는 디자이너는 전략 논의 과정에서 배제될 가능성이 높습니다.

또 다른 보고서, World Economic Forum의 Future of Jobs Report 2025에 따르면, 디자인과 사용자 경험(UX) 스킬은 기술 발전과 함께 성장할 분야 중 하나로 꼽힙니다. 디지털 전환이 빨라지며, 원활한 디지털 경험 제공과 소비자 행동의 영향을 이해하는 것의 중요성이 높아지고 있음을 보여줍니다. 결국 앞으로 우리가 길러야 할 역량이 기술적 이해(Technical Literacy), 창의적 사고(Creative Thinking), 분석적 사고(Analytical Thinking), 유연성(Flexibility), 호기심(Curiosity), 경청(Listening), 시스템적 사고(System Thinking)에 있습니다.

디자이너가 단순히 ‘도구를 다루는 사람’이 아니라 AI의 출력을 비판적으로 해석하고 의미를 부여하는 사람으로 진화해야 한다는 것입니다.

<출처: World Economic Forum>

실제로 Frontiers 논문에 따르면, 2025년 여러 산업의 디자이너들은 AI 툴을 활용해 디자인 브리프를 작성하고 사용자 리서치 데이터를 빠르게 처리하며, 그로부터 의미 있는 통찰을 도출하는 데 도움받는 것으로 나타났습니다.

AI는 대규모 사용자 데이터를 1차로 수집하고, 이를 바탕으로 정량적 분석 결과를 빠르게 도출합니다. 그러나 이러한 결과에는 학습 데이터의 편향이 내재되어 있으며, 사용자의 맥락과 의도가 충분히 반영되지 않을 가능성이 존재합니다. 따라서 사람이 직접 확인하는 과정이 필수적입니다.

즉, 2025년 이후의 디자이너는 AI가 만들어낸 초안을 그대로 받아들이는 것이 아니라, 데이터를 비판적으로 검토하고 인간적 통찰로 재해석할 수 있는 역량을 갖추어야 합니다. 이것이야말로 새로운 경쟁력입니다.

2026년 AI 트렌드 4가지: ‘인간 중심’의 재정의

AI가 인간의 노동력을 대체하는 환경에서, 2026년의 디자인은 반대로 인간 중심성을 더 강조하며 새로운 방향을 모색합니다. 이러한 흐름에서 디자이너는 더 이상 화면을 그리는 사람이 아니라, AI와 사용자 사이의 경험을 조율하는 전략적 설계자로 진화합니다.

1. AI-First Design: AI를 이해하고 전제로 두기

AI-First Design은 경험 설계의 출발이 AI라는 것을 이해하고, 그 기술에 디자인을 두는 접근입니다. 즉, 인터페이스로 AI의 추론 결과를 시각화하고, 사용자에게 맥락 기반의 최적 행동 경로를 제시하도록 설계하는 것입니다.

디자인은 이제 인간-기계 상호작용(HCI)을 넘어, AI의 지능과 함께 작동하는 새로운 사용자 경험(AIX: AI-User Experience) 구축으로 확장됩니다. AI는 실험적 파트너가 아니라, 불평하지 않는 주니어 디자이너로 자리 잡았습니다. 따라서 디자이너의 시간은 오토레이아웃 상자를 미세 조정하는 일보다 전략을 결정하는 데에 쓰입니다. AI가 만든 초안을 전략적으로 다듬고, 경험의 방향을 제시하는 일에 집중하는 것입니다. 예를 들어, “이 플로우를 20% 더 알파 세대 친화적으로 만들어줘.” “이 카피를 좀 더 신뢰감 있게 수정해 줘.” 이런 명령형 프롬프트가 디자이너 업무의 일부가 되었습니다. AI가 초안을 작성하고, 디자이너가 톤, 신뢰감, 맥락 적합성을 다듬는 협업형 구조입니다.

이런 AI-First 시대의 디자이너는 화면의 미적 완성도뿐만 아니라 AI의 의도와 판단을 얼마나 명확하고 신뢰감 있게 전달했는가로 역량을 평가받습니다. 즉, 디자인 실력의 새로운 척도가 ‘프롬프트를 얼마나 정교하게 구성하는가’로 바뀌는 것입니다. 모든 디자이너는 결국 프롬프트를 설계하는 전략가, AI 리터러시 기반의 경험 설계자(AI-Literate Experience Strategist)가 될 것입니다. 이러한 AI 리터러시 기반의 경험 설계자는 단순히 디자인 툴에 능숙한 사람이 아니라, AI의 출력물을 검증하고 개선하며, 정보 탐색 경험 자체를 새롭게 설계하는 사람입니다.

이 흐름은 최근 등장한 AI 브라우저 생태계의 변화에서도 뚜렷하게 드러납니다.

<출처: Copilot Mico>

2025년 10월 오픈AI가 발표한 ChatGPT Atlas는 사용자가 웹상의 작업을 ChatGPT에게 직접 위임할 수 있는 작업형 브라우저로, 정보 검색의 주체가 인간에서 AI로 확장되고 있음을 보여줍니다. 한편, 그보다 앞선 7월, Perplexity Comet은 대화형 검색 결과와 실시간 인용 기능을 탑재해 AI 리서처의 개념을 구체화했습니다. 또한, Microsoft는 감정 반응형 AI 캐릭터 Mico를 공개하며, 사용자의 맥락과 정서를 인식하는 음성 인터페이스의 새로운 방향을 제시하기도 했습니다.

이처럼 브라우저, 앱, 운영 체제의 경계가 사라지는 2026년에는 디자이너가 단순히 UI를 그리는 역할을 넘어서야 합니다. AI의 판단 근거를 시각화하고, 인간의 신뢰를 설계하는 능력이 필수입니다. AI가 만들어낸 결과물 속에서 의미를 선별하고 방향을 정하는 전략적 역할이야말로 AI-First Design 시대의 핵심 과제로 부상하고 있습니다.

2. Zero UI: AI가 맥락을 해석해 단순한 플로우 제공

AI가 사용자의 상황, 의도, 선호도를 예측하고 해석할 수 있게 진화하며, 불필요한 클릭이나 화면 전환을 줄이는 Zero UI 경험이 빠르게 퍼지고 있습니다. 그렇게 디자인의 초점은 복잡한 탐색 경로를 만드는 것이 아니라, 사용자의 의도를 가장 빠르고 자연스럽게 실현하는 단순한 플로우와 미묘한 인터랙션을 설계하는 데 맞춰집니다.

전통적인 UI 위젯들은 점점 더 섬세하고 유연한 상호작용으로 대체되고 있습니다. 스크롤은 더 이상 단순한 내비게이션이 아니라 스토리텔링의 수단이 되고, 스크롤 속도나 스냅, 전환 효과, 마이크로 애니메이션이 그 자체로 경험을 구성합니다. 또한 제스처와 음성 인터페이스는 스마트폰을 넘어 웨어러블, 자동차, 공간 기반 디바이스 등으로 확장되고 있습니다.

그 중심에는 가시적인 인터페이스가 없는 상태에서도 사용자의 행동을 감지하고 반응하는 AI 기술이 있습니다. 이제 진짜 혁신은 보이지 않는 인터페이스로, 기술이 공간의 분위기를 읽고 사용자의 다음 행동을 예측하며, 화면을 터치하지 않아도 일을 처리하는 세상이 올 것입니다. 다소 섬뜩하지만 동시에 굉장히 편리하겠죠.

예를 들어, 테슬라의 차에 타면, 자동차는 운전자를 인식해 좌석을 자동으로 조정하고, 일정에 따라 아무 말 없이 목적지로 가는 경로를 추천합니다. 여기서 인터페이스는 없어진 것이 아닙니다. 모든 곳에 존재하지만, 눈에 띄지 않을 뿐입니다. Google Nest Thermostat도 마찬가지입니다. 사용자가 직접 온도를 조절하는 버튼이나 화면을 줄이고, 그 대신 실내외 온도·습도, 재실 감지, 사용 패턴을 학습해 스스로 판단합니다. 사용자가 출근한 지 1시간이 지나면 알아서 절전 모드로 전환하고, 퇴근 시간대에는 위치 정보를 바탕으로 실내 온도를 미리 쾌적하게 조정합니다. 사용자는 더 이상 의도적인 조작을 하지 않아도 됩니다.

<출처: Google Store, Tesla>

모두 UI가 맥락 속으로 녹아든 것입니다. 이러한 Zero UI 트렌드의 핵심은 사용자가 더는 인터페이스를 조작하지 않아도 된다는 데 있습니다. 누구나 클릭과 스크롤 없이도 자연스럽게 경험을 이어가며, 기술은 배경에서 조용히 작동합니다. 이러한 보이지 않는 상호작용은 사용자가 인터페이스를 인식하지 못할 정도로 매끄러운 경험을 제공합니다.

심리학적으로도 Zero UI는 인간의 인지 부담을 최소화해 결정 피로(decision fatigue)를 줄이는 데 기여합니다. 누르지 않아도 되는 버튼, 탐색하지 않아도 되는 메뉴, 고민하지 않아도 되는 선택이 많아질수록 사용자는 본질적인 일에 더 많은 정신 에너지를 집중할 수 있습니다. 결국 Zero UI의 진정한 가치는 보이지 않지만 느껴지는 사용자 경험을 설계하는 데 있으며, 이는 인간의 심리적 본성과도 밀접하게 맞닿아 있습니다.

앞으로 사용자는 마치 경험을 예측한 듯 자연스럽게 마찰 없는 편의성과, 제품이 ‘저절로 작동한다’는 몰입감에 깊게 빠져들 것입니다. 이러한 변화는 2026년 이후 더욱 빨라질 것이며, 디자인의 중심축이 시각적 인터페이스에서 맥락 기반 경험으로 이동하는 배경이 됩니다.

3. Soft UI: 3D에서도 사람 중심 감성 디자인

디지털 디자인은 이제 화면을 넘어 공간으로 확장되고 있습니다. Webflow에 따르면, 웹사이트에 3D 요소를 도입할수록 사용자 참여를 높여 방문자를 화면에 더 오래 머무르게 하며, UX 개선과 전환율 증가에 기여한다고 합니다. 이러한 흐름 속에서, 단순히 기계적이고 차가운 디지털 디자인을 넘어 사용자의 감성을 어루만지는 부드럽고 따뜻한 Soft UI가 주목받고 있습니다.

Soft UI는 단순한 시각적 스타일이 아니라, 기술이 복잡해질수록 사람 중심의 감성 경험이 차별화의 핵심이 된다는 의미를 담은 영역입니다.

초기 뉴모피즘(Neumorphism)은 부드러운 그림자와 입체감으로 현실적인 질감을 표현했지만, 시각장애인을 배제하는 문제로 한계를 드러냈습니다. 그러나 이 개념은 사라지지 않고 진화했습니다. 2026년의 Soft UI는 사용성을 해치지 않으면서도 입체감과 따뜻함을 유지하는 인터페이스로 발전하고 있습니다. 즉, Soft UI는 디자인 철학이며, 사용자가 직관적이고 몰입감 있는 경험을 느끼도록 만드는 원칙이라고 볼 수 있습니다.

한편, 애플의 비전 프로(Vision Pro), 메타 퀘스트(Meta Quest), 삼성의 MR 기기 등으로 디자이너들은 단순한 2D 화면이 아니라 3D 공간 속 사용자의 경험 역시 설계하게 되었습니다. 이 과정에서 글래스모피즘(Glassmorphism)은 Soft UI 철학을 구현하는 시각적 수단으로 활용됩니다. 특히, 애플은 비전 프로의 인터페이스 전반에 글래스모피즘을 적용하며, 2025년 WWDC에서 ‘Liquid Glass’라는 새로운 디자인 언어를 발표했습니다.

글래스모피즘은 유리처럼 반투명하고 부드럽게 빛나는 시각적 스타일로, 사용자가 공간을 자연스럽게 인식하도록 돕는 역할을 합니다. 그렇게 제품 미리보기, 공간 레이아웃 등 모바일에서도 경험 가능한 3D 인터랙션이 점점 확대되고 있습니다.

<출처: 삼성>

이때 중요한 것은 단순히 시각적인 아름다움을 넘어, 책임감 있는 활용 방법에 있습니다. 애플의 iOS는 투명도 옵션을 제공해 텍스트 가독성을 유지하고, 삼성 XR 인터페이스는 버튼이 실제로 눌리는 듯한 질감을 제공하면서도 명확한 대비와 시각적 구분으로 몰입감을 제공합니다.

이처럼 앞으로 인터페이스를 설계할 때는 ‘사용자가 3D 공간 속을 걸어 다니는 경험을 만든다’는 관점이 필요합니다. 어떤 요소가 가까워야 즉각적인 주목을 받을지, 무엇을 뒤로 두어 시각적 여백을 확보할지 고민해야 한다는 뜻입니다. 끊김 없는 부드러운 경험과 화려한 3D 효과가 결합될 때, 몰입감 있는 공간 기반 디자인이 완성됩니다.

결국, Soft UI는 철학, 글래스모피즘은 수단, 그리고 3D 공간에서의 경험 설계는 구현입니다. 이 세 가지의 결합이 2026년 디지털 디자인의 핵심 트렌드로 자리 잡으며, 사람 중심 경험 설계가 경쟁력을 좌우하게 될 것입니다.

4. 스몰 AI(Small Language Models): 방대한 데이터보다 중요한 가치를 향해

McKinsey에 따르면, 소비자의 71%는 개인화된 상호작용을 기대하며, 76%는 기대가 충족되지 않을 때 좌절감을 느낀다고 합니다. 무엇보다 개인화는 평균 10~15%의 수익 증가를 가져오며, 78%의 소비자는 개인화된 콘텐츠가 재구매 가능성을 높인다고 답했죠. 따라서 앞으로는 사용자가 경험을 제어할 수 있으면서도 즐거움을 느끼도록 만드는 것이 더 중요해집니다. 그러려면 데이터 공유를 강요하지 않고, 앱이 감시가 아닌 도움을 제공한다는 인식을 주는 것이 핵심입니다.

이 맥락에서 주목할 만한 기술이 바로 스몰 AI입니다. 스몰 AI는 특정 서비스나 산업에 최적화되어, 사용자의 행동과 맥락을 깊이 이해하고 맞춤형 상호작용을 제공합니다. 방대한 범용 데이터를 활용하는 것보다, “사용자가 지금 이 순간 우리 서비스에서 무엇을 원하는가”를 정확히 파악하는 문맥적 지능(Contextual Intelligence)이 뛰어난 AI로, 사용자 만족도와 비즈니스 성과를 결정짓는 핵심 요소로 작용합니다. 또한, 스몰 AI는 경량화되어 있어 응답 속도가 빠른 데다, 로컬 기반 데이터 처리로 프라이버시와 보안을 강화하며, 클라우드 의존도를 줄여 운영 비용도 절감할 수 있습니다.

실제로 의료 분야에서는 환자의 병력과 현재 증상을 맥락적으로 이해해 진단을 보조하며, 금융 서비스에서는 사용자의 거래 패턴과 재정 목표를 분석해 맞춤형 조언을 제공합니다. 한편, 전자상거래에서는 쇼핑 히스토리와 현재 검색 맥락을 결합해 더욱 정확한 제품을 추천할 수도 있습니다.

즉, 스몰 AI와 문맥적 지능은 단순한 기술 트렌드를 넘어, 2026년 사용자 중심 경험 설계와 비즈니스 성과를 동시에 높일 핵심 요소로 자리 잡을 것입니다.

마치며

과열기를 지나 현실 AI 활용에 초점이 간 2025년, AI는 이미 우리의 손을 상당 부분 대체했습니다. 그렇게 다가올 2026년에는 더 이상 무엇을 만들지보다 누구를 위해, 어떤 감정으로 만들지를 묻는 것이 중요해질 것입니다.

이제 디자이너의 역할은 AI의 지능을 인간의 감성과 맥락으로 완성하는 경험의 조율자로 진화하고 있습니다. ‘우리는 더 나은 경험을 만들고 있는가?, 아니면 그저 더 많은 결과물을 쏟아낼 뿐인가?’ 앞으로 성공할 디자이너는 이 질문에 명확히 답할 수 있는 사람입니다. AI가 속도와 효율을 담당한다면, 우리 디자이너는 의미와 감동을 만들어내야 합니다.

기술은 빠르게 변하지만, 인간의 본질적 욕구는 변하지 않습니다. 이어지고 싶고, 이해받고 싶고, 가치를 느끼고 싶어하죠. 2026년의 디자이너는 바로 이 욕구를 AI 시대의 기술로 실현하는 가교가 되어야 합니다.

]]>

‘바이브 디자인’은 디자이너에게 위기일까, 기회일까?

올해 5월 Figma는 'Config 2025'를 통해 바이브 디자인(Vibe Design)이라는 새로운 패러다임을 제시했다. 이제 디자인은 구체적인 형태를 그리는 일이 아니라, 의도와 분위기 즉, 바이브를 언어로 제시하면 AI가 시각적으로 구현하는 과정이 됐다. 그 중심에는 'Figma Make'가 있다. 디자이너가 '로그인 페이지를 다크모드로 만들어줘.'라고 입력하면 AI는 실제 작동 가능한 프로토타입을 자동으로 생성한다. 이렇게 만들어진 디자인을 별도 개발 없이, 바로 웹사이트로 게시할 수 있고, 아이디어에서 실행까지의 간극을 없앴다.

'Figma Draw'는 브러시와 벡터, 텍스처 기능까지 강화해 Figma 안에서 일러스트레이션까지 작업할 수 있게 했다. Figma가 2025년에 발표한 여러 기능들은 모두 한 방향을 가리키고 있다. 디자인의 중심이 '제작'에서 '의도'로, 손의 노동에서 머리의 판단으로 이동하고 있다. 이제 디자이너는 결과물을 만드는 사람이 아니라, ‘어떤 바이브를 구현할 것인가’를 결정하는 디렉터가 된다. Figma는 그렇게 생각의 스케치를 실시간으로 현실화하는 ‘Vibe Design’의 시대를 열었다. 이번 글에서는 ‘바이브 디자인’의 시대에서 이것이 디자이너에게 위기일지, 혹은 새로운 기회일지를 함께 생각해보고자 한다.

<출처: Figma>

5분 완성이 불러온 디자인 양극화의 시대

디자인을 만들어내는 속도는 평준화되고 있다. 하지만 결과의 질을 가르는 새로운 격차를 만들고 있다. 누구나 5분 안에 시안을 도출할 수 있게 되었지만, 시안을 판단하고 다듬는 능력은 여전히 사람에게 달려있다.

내가 ‘Figma make’를 처음 써보았을 때, 디자이너라기보다 크리에이티브 디렉터가 된 기분이었다. 프롬프트 한 줄만 입력하면 시안이 나타났다. 이제 실현의 영역은 누구나 할 수 있고, 스킬의 시대가 저물었다는 것을 느꼈다. 중요한 것은 얼마나 잘 만드는가가 아니라 ‘왜 그 결과를 선택해야 하는가’를 판단할 줄 아는 감각이었다. 그 순간 나는 디자이너가 아니라 '방향을 정하는 사람'으로 서 있었다.

속도의 혁신이 일어난 자리에서 진짜 경쟁력은 판단의 깊이로 옮겨가고 있다. 도구는 모두에게 동일하게 주어지지만 그 결과를 어떻게 해석하고 선택하느냐에 따라 결과의 격차가 벌어진다. 5분 안에 해결되는 얕은 디자인적 문제는 AI가 점차 전담하게 될 것이다. 그 대신 디자이너는 초안을 검토하고, 맥락을 보완하면서 때로는 처음부터 다시 프롬프트를 설계하는 과정을 반복할 것이다. 디자인을 완성해 가는 새로운 협업 구조가 만들어질 것 같다. 이 과정에서 진짜 차이를 만드는 것은 디자인을 읽어내는 안목과 판단의 깊이다. 이 부분만큼은 아직 대체되기 어렵다.

이렇게 되면 실력 격차는 더 크게 벌어지게 된다. 같은 도구를 사용하더라도 누군가는 구조를 설계하고 맥락을 제시하지만, 누군가는 같은 결과물만 반복하며 깊이를 잃는다. AI는 방대한 데이터를 바탕으로 결과물을 기하급수적으로 확장시켜줄 수 있지만, 그 결과를 어떻게 해석하고 다루느냐에 따라 디자이너의 역량 차이는 더 커질 것이다. 기술의 평준화가 곧 안목의 양극화로 이어지는 이유다.

결국 이 격차를 만드는 것은 기술의 한계가 아닌 인간의 사고 구조다. AI는 이미 충분히 빠르고 정확하지만, 그 앞에서 멈추는 이유는 '무엇을 원하고 왜 그것을 만들고 싶은지'를 스스로 명확히 표현하지 못하기 때문이다. 이 시대의 격차를 가르는 것은 두 가지 경쟁력이다. 첫 번째는 생각을 명확히 언어화하는 힘이고, 두 번째는 보이지 않는 질을 구별하는 감각이다.

<출처: Midjourney 생성>

양극화 시대를 이기는 두 가지 핵심 경쟁력

1) 생각을 명확히 언어화하는 힘

AI는 결과를 빠르고 효율적으로 잘 도출한다. 문제는 이 결과를 위해서 '프롬프트'를 입력해야 한다는 점이다. 하지만 모든 사람들이 자신이 뭘 원하는지 수월하게 표현할 수 있는 것은 아니다. '프롬프트 엔지니어링' 자체는 생각의 장벽을 기술로 구현하는 일시적인 기술일 수 있다. 진짜 어려운 것은 직접 생각하고, 그 생각을 표현하는 것이다.

예를 들어, 나는 최근에 마케팅·기획 보조용 챗봇을 설계했다. 이 챗봇은 타깃별 퍼소나를 자동 생성하고, 개별 타깃과 전체 고객 간의 비교를 시각적으로 보여주는 기능을 갖추고 있었다. 하지만 AI가 생성한 초안은 너무 쌩뚱맞았다. 빠르게 시안을 원했지만, AI는 맥락을 모른 채 표면적인 구조를 제시했다. 결국 내가 해야 했던 일은 단순한 수정이 아니라, ‘왜 이런 결과를 요구했는지’라는 의도를 AI가 이해할 수 있게 번역하는 일이었다. 그때 깨달았다. 생각을 언어로 번역하지 못하면 기술은 오히려 소음을 낸다는 것을. 프롬프트를 잘 쓰는 능력보다, 맥락을 해석하고 의도를 전달하는 능력이 더 중요해졌다.

그래서 나는 '언어로 사고하는 힘'을 기르기 위해 두 가지 루틴을 꾸준히 반복한다. 하나는 ‘질문 쓰기’다. 책을 읽거나 영화를 본 뒤, 인상 깊은 문장 하나를 고르고 ‘왜 이 문장이 나를 멈춰 세웠는가’를 스스로 묻는다. 그 이유를 짧게 써보는 것만으로도 내 사고의 구조가 정리된다.

두 번째는 ‘경험을 언어로 남기는 일’이다. 브런치에 내가 직접 사용해 본 서비스나, 프로젝트 경험을 의도적으로 꾸준히 기록한다. 단순한 리뷰가 아니라 '왜 이런 느낌이 들었을까.', '무엇이 나를 불편하게 했을까.'라는 질문을 붙여 쓰는 방식이다. 이렇게 경험을 문장으로 옮기면, 감정이 아닌 구조로 사고하게 된다. 결국 언어화 능력은 단순히 AI에게 잘 시키는 기술이 아니라, 자신의 생각과 감각을 더 정확히 이해하기 위한 훈련이다.

생각 없이 살아가기 쉬운 시대다. 수많은 자극 속에서 '자기 생각'은 없이 반응만 하는 사람이 많다. 그래서 자신이 무엇을 생각하는지, 그걸 어떻게 표현할지를 아는 일은 단순한 스킬이 아니라, 역량이 되어버렸다. 이런 맥락에서 프롬프트 엔지니어링은 기술이 아닌 사고를 드러내는 거울이라고 생각한다. 생각을 표현하는 능력, 그것이 첫 번째 경쟁력이다.

<출처: Midjourney 생성>

2) 안목의 내재화

안목 역시 기르기가 힘들고 인간만이 갖출 수 있는 중요한 경쟁력이다. AI가 아무리 많은 데이터를 학습해도 '무엇이 적절한가'를 판단하는 감각은 인간의 몫으로 남는다. 이 감각은 단시간에 생기지 않는다. 수많은 경험을 해보고 비교하고, 해석하는 과정을 통해 서서히 쌓이는 역량이기 때문이다. 많이 본다고 해서 저절로 생기는 것이 아니라 보고 생각하고 정리하는 훈련이 반복되어야 한다. 즉 '본 것'을 '내 것'으로 만드는 내면화의 과정이 필요하다. 그래서 안목을 기르는 일은 결국 '판단의 경험'을 얼마나 쌓았느냐의 문제로 귀결된다.

'판단의 경험'을 쌓기 위해 의도적으로 다양한 AI의 프롬프트를 실험해 본다. 같은 주제를 미드저니, 제미나이에서 각각 시안으로 만들어본 뒤 '무엇이 다르고 왜 다른지, 서비스마다 무엇이 강점인지'를 분석하고 기록한다. 그 차이를 언어로 정리하면서 시각적 판단력이 훨씬 선명해진다. 디자인 시안들 중 왜 이런 디자인이 좋았는지를 요약해 기록해 보기도 한다. 이런 기록이 쌓이면 내 안의 기준이 생긴다. 결국 안목은 데이터를 보는 눈이 아니라 반복적으로 비교하고 해석한 흔적에서 길러진다. 이건 단순히 ‘많이 보는 일’이 아니라, ‘본 것을 자기 언어로 정리하는 일’이다.

바이브 디자인에 대한 현업 기획자의 통찰

AI의 시대의 디자인은 더 이상 무(無)에서 새로 만드는 창작 과정의 문제가 아니다. 이미 존재하는 수많은 결과물 중에서 무엇을 선택하고, 왜 그것이 옳은가를 설명하는 과정으로 바뀌고 있다. AI가 초안을 만들고 사람은 그 결과를 해석하며 방향을 제시한다. 결국 바이브 디자인은 무엇을 만들었는가보다, 어떤 마음으로 만들었는가를 드러내는 과정이 되었다.

<출처: Midjourney 생성>

1) 애정이 있다면 기회, 없다면 위기일지도

AI의 한계는 철저히 감정이 없다는 것이다. AI가 구현할 수 없는 궁극의 주관성은 결국 인간의 애착, 사랑에서 나온다. AI 시안에서 느껴지는 뭔가 아쉬움은 기술의 한계가 아니라, 애정의 결핍 때문에 느껴진다. 한번은 상무님께서 챗봇 동향 보고서를 지시했는데, 누군가 제출한 자료는 겉보기엔 풍부했다. 그러나 읽다 보면 AI가 분석한 보고서 내용을 짜깁기한 결과물임을 알 수 있었다. 구조에 맥락이 부족했기 때문이다. 그때 애정이 없는 결과물은 아무리 정확해도 사람의 마음을 움직이지 못한다는 걸 느꼈다.

또 누군가는 보고서를 다시 고쳐 썼다. 물론 AI의 도움을 받았지만, 상무님이 가장 알고 싶은 핵심을 중심에 두었다. '이 사람이 어떤 의도로 어떤 시점에, 왜 이 기능을 물어보는가?'라는 질문 하나에 애정을 담은 결과물이라는 느낌을 받았다.

AI의 한계는 따뜻함의 부재다. 이때 인간은 '사랑을 불어넣는 역할'을 한다. 애정이 있어야 보이는 것들이 있기 때문이다. 보고서에 따뜻함을 담은 팀원은 우리 조직의 보고가 진심으로 잘되길 바라는 마음으로 일한 것이 느껴졌다. 진정한 애정이 없다면 따뜻함조차 불어넣을 수 없다. 모든 일이 결국 '관계'에 대한 언어이기 때문이다.

2) 거부할 수 있는 용기가 있다면 기회, 없다면 위기

AI에게 프롬프트를 잘 설정해 주면 '틀린 답'을 주지 않지만, 그렇다고 최고의 답을 보장하진 않는다. 그래서 더더욱 '애정의 결핍'이 느껴지는 획일화된 AI 시안을 마주할 때마다, 디자이너는 자신의 안목을 믿고 거부할 수 있는 용기를 가져야 한다. AI 시대에도 여전히 독보적인 감각을 가진 사람들을 보면, AI가 제안한 시안을 거절하거나 참고하는 경우가 많다. 그들은 AI 결과물을 전적으로 신뢰하지 않는다. AI가 만들어내는 결과물은 놀랍도록 빠르지만, 그 속에는 비슷한 '바이브'가 깔려 있다.

누구나 그럴듯한 이미지를 만들 수 있다. 그러나 그 이미지가 '나의 것'인지 'AI 것'인지는 금세 드러난다. 뛰어난 디자이너는 그 홍조 속에서 자기 바이브를 지키는 필터링 기술을 갖고 있다. 이 능력은 용기를 가진 사람에게만 생긴다. 어찌 보면 실제 뛰어난 디자이너들이 가장 잘하는 일은 '판단의 중심'을 정하는 것이다. AI가 제안한 시안을 거절할지, 수정할지, 받아들일지를 빠르게 판단한다.

물론 그 과정에서 "내가 프롬프트를 잘못 쓴 걸까?", "내 생각을 명확히 표현하지 못한 건 아닐까?" 이런 불안을 느끼겠지만, 결과물을 그대로 받아들이지 않는다. AI의 시대에 기회는 도구를 빨리 익히는 사람에게 오지 않는다. 거부할 수 있는 사람, 그리고 거부 속에서도 자기 바이브를 잃지 않는 사람에게 찾아온다. AI의 속도는 모두에게 주어졌지만, 자기 결을 지켜내는 감각은 오직 용기를 가진 자만의 것이다.

3) 오너십이 있다면 기회, 전통적인 꼰대는 위기

AI 도입으로 협업 방식이 완전히 달라졌다. 사람 사이에 불필요한 감정 소모는 줄어들었지만 너무나 당연하게 그만큼 진심 없는 일이 늘었다. AI와 협업하는 일이 너무 당연해지자 일의 온도가 서서히 사라지고 있다. 이제 조직의 문제는 직무의 분리가 아닌, 누가 더 애착을 갖고 있는가로 구분될 수밖에 없다. 개발자가 시스템을 사랑한다면 그게 문제를 해결할 것이고, 디자이너가 서비스에 애착이 있으면 그가 방향을 제시할 것이다. AI 시대의 진짜 역량은 직함이 아니라, 오너십의 강도에서 드러난다.

한 번은 차량 내 인터랙션 화면 설계 프로젝트에서 이런 일이 있었다. AI가 만들어준 첫 초안은 채팅형 UI였다. 단순히 버튼만 수정하면 됐지만, 그 방향이 이해되지 않았다. 운전 중인 사용자는 텍스트를 읽지 않는다. 그들에게 필요한 건 ‘정보’가 아니라 ‘즉각적인 조작감’이었다. 그래서 사용자가 특정 모드를 인식하기보다, 기능을 자연스럽게 느끼는 구조로 개편했다. 그 과정을 통해 깨달았다. AI가 초안을 만들 수는 있어도, 방향을 결정하는 건 결국 사람의 애착임을, 그게 바로 오너십이다.

마치며

결국 이 시대의 디자인은 ‘무엇을 만드는가’의 문제에서 ‘왜 그것을 선택했는가’의 문제로 이동했다. 빠르게 만드는 능력은 평준화되었지만, 판단의 깊이와 애정의 밀도는 여전히 사람의 몫이다. 이제 디자이너에게 필요한 것은 기술보다 감각, 감각보다 의도를 끝까지 밀어붙이는 태도다. AI가 수많은 가능성을 제시할 때, 우리는 그중 어떤 결과가 '우리의 언어'에 가까운지를 읽어내야 한다.

도구의 시대가 끝나고, 생각의 깊이가 모든 격차를 만드는 시대가 왔다. 이제 우리는 얼마나 깊이 생각할 준비가 되어 있을까?

]]>

테스트부터 리포트까지, AI로 완성하는 UX 리서치 ‘Uxia’

오늘날 디지털 제품의 성공은 사용자 경험(UX)에 달려있다고 해도 과언이 아닙니다. 수많은 서비스가 치열하게 경쟁하다 보니, 사용자에게 매끄럽고 직관적인 경험을 제공하는 건 선택이 아닌 필수가 되었죠. 하지만 제품 개발 과정에서 사용자의 목소리를 듣는 ‘사용자 테스트(User Test)’는 여전히 많은 팀에게 높은 장벽으로 남아 있습니다.

실제 사용자를 모집하는 데 드는 시간과 비용, 테스트를 설계하고 진행하기 위한 전문 인력, 그리고 수집된 데이터를 분석해 의미 있는 인사이트를 도출하기까지의 복잡한 과정은 특히 리소스가 제한적인 스타트업이나 중소기업에 큰 부담이 될 수 있습니다. 설령 어렵게 테스트를 진행하더라도, ‘프로 테스터’들의 편향된 의견이나 일관성 없는 피드백으로, 결과의 신뢰성에 의문이 드는 경우도 많죠.

<출처: Uxia, 작가 캡처>

오늘 소개할 ‘Uxia’는 이러한 문제를 해결하기 위해 등장했습니다. ‘User testing, Reinvented.’라는 슬로건을 내걸고, 실제 사람을 대신하여 인공지능(AI)이 사용자 행동을 시뮬레이션합니다. 또 제품의 사용성을 테스트하는 ‘합성 테스트(Synthetic Testing)’라는 접근 방식을 제시하고 있는데요. 더 이상 사용자를 모집하기 위해 며칠을 기다리거나, 값비싼 비용을 지불하거나, 방대한 양의 테스트 영상을 분석하느라 시간을 투자하는 리소스를 줄이기 위한 방법입니다.

서비스를 이용하면, 단 몇 분 만에 100명 규모의 가상 사용자로부터 편향 없고 신뢰도 높은 피드백을 얻을 수 있습니다. 이는 단순히 비용과 시간을 절약하는 것을 넘어, 제품 개발의 속도와 검증을 일정 수준으로 끌어올릴 수 있다는 점을 의미합니다. 이번 리뷰에서는 Uxia가 어떻게 사용자 테스트를 진행하고 있는지, 핵심 기능과 특징 등을 실제 경험을 바탕으로 깊이 있게 확인하고자 합니다.

Uxia의 주요 기능과 특징

<출처: Uxia, 작가 캡처>

Uxia의 가장 큰 특징은 AI 기반의 ‘합성 테스트’입니다. 이는 실제 사용자가 아닌, AI가 생성한 가상의 사용자들이 주어진 시나리오에 따라 제품을 사용하고 피드백을 제공하는 방식인데요. 이 기술을 통해 기존 테스트 방식의 한계를 극복하고, 빠르고 정확하며 비용 효율적인 솔루션을 제공하는 것을 목표로 합니다.

<출처: Uxia, 작가 캡처>

Uxia의 작동 원리는 그리 어렵지 않습니다. 사용자가 테스트하고 싶은 디자인 시안(이미지 또는 비디오 형태의 프로토타입)과 테스트 목표를 업로드하면, Uxia의 AI 엔진이 바로 분석을 시작합니다. 이 AI는 수많은 실제 사용자 행동 데이터를 학습하여, 마치 실제 사람처럼 다양한 방식으로 제품과 상호작용하는 수천 개의 가상 사용자 페르소나를 생성하죠.

이 가상 사용자들은 디자인을 보고, 정보를 해석하고, 버튼을 클릭하는 등의 행동을 시뮬레이션하며 주어진 과업을 수행합니다. 이 과정에서 AI는 각 사용자의 행동 패턴, 특정 지점에서 겪는 어려움, 긍정적으로 느끼는 요소 등을 데이터로 수집합니다.

중요한 것은 이 모든 과정이 별도의 스케줄링이나 대기 시간 없이 단 몇 분 안에 완료된다는 점입니다. 사용자는 복잡한 설정 없이, 커피 한 잔의 여유를 즐기는 동안 수천 명의 사용자 테스트를 마친 것과 같은 결과를 얻게 됩니다.

<출처: Uxia, 작가 캡처>

테스트를 실행하기 위해 우리는 총 6단계를 거치게 됩니다. 가장 먼저 설정해야 하는 건, 테스트의 목적입니다. 저는 요즘IT 서비스의 홈 화면에 대한 사용성 테스트를 진행해 보기로 하고, 해당 내용을 작성한 뒤에 다음 단계인 ‘프로토타입 업로드’로 이동했습니다.

<출처: Uxia, 작가 캡처>

두 번째 단계는 프로토타입 업로드입니다. 프로토타입은 테스트 설계에서 가장 중요한 단계로, 테스터가 우리가 업로드한 이미지 또는 영상을 바탕으로 참여 후 의견을 제공하기 때문입니다. 프로토타입은 이미지 또는 영상으로 업로드할 수 있고, 개별 파일의 크기는 최대 100MB까지 지원합니다. 저는 요즘IT의 홈 화면을 캡처한 뒤 프로토타입으로 등록했습니다.

<출처: Uxia, 작가 캡처>

이어서, 서비스에 대한 설명 그리고 태그를 입력합니다. 태그는 기본 제공되는 내용 외, 직접 입력 후 등록하는 것이 가능한데요. 서비스 설명 등은 입력 후 AI의 도움을 받아 보완할 수 있습니다. 이때 서비스에 대한 설명은 가능한 상세히 적어두는 게 좋습니다. 그렇지 않으면 AI가 비슷한 서비스를 참고해, 멤버십이 없는 데 있다고 판단하는 등의 오류가 발생할 수 있습니다.

<출처: Uxia, 작가 캡처>

다음은 테스트에 대한 보다 상세한 맥락과 배경 그리고 테스터에게 궁금한 점을 입력하는 단계입니다. 아무래도 비대면이고 AI를 활용한 테스트이기 때문에, 어떤 부분에 초점을 맞춰야 하는지, 테스트를 진행하는 서비스 입장에서 궁금한 점은 무엇인지를 더 자세히 써주는 것이 도움이 됩니다.

<출처: Uxia, 작가 캡처>

다음 단계에서는 테스트에 참여할 그룹을 선정할 수 있습니다. 구체적인 대상을 지정하거나 일반적인 그룹을 선택할 수 있으며, 구체적인 대상을 선택한 경우 테스터 수(10명에서 100명), 테스터 나이(18세에서 80세), 그리고 성별(남성, 여성, 둘 다)을 설정할 수 있고요.

<출처: Uxia, 작가 캡처>

이제 지금까지 입력한 정보를 다시 한번 확인하고, 테스트 실행 버튼을 누르면 앞서 말한 테스트가 진행됩니다. 5분 안에 상세 리포트를 받아볼 수 있죠. 설정 과정은 현재 상태에 따라 소요 시간이 달라질 수 있는데요. 직접 참여한 프로젝트라면 대부분의 정보를 이미 알고 있을 가능성이 높기에 5분 내로 설정 및 테스트 실행이 가능합니다.

<출처: Uxia, 작가 캡처>

이제 실제 테스트 결과를 확인할 시간입니다. Uxia는 방대한 시뮬레이션 데이터를 매우 직관적이고 실행 가능한 형태로 가공하여 제공합니다. 테스트 실행, 참여 데이터 정리 및 가공 등을 모두 알아서 제공하므로, 추가로 투입할 리소스는 거의 없습니다. 테스트 결과는 크게 ‘주요 문제점’’과 ‘강점’으로 나누어 확인할 수 있습니다.

<출처: Uxia, 작가 캡처>

또한 “페이지를 처음 봤을 때 어떤 서비스라고 느껴졌나요?”와 같이 설정 단계에서 입력한 질문별 답변 내용을 퍼센티지에 따라 확인할 수 있습니다. 여기에 별도의 인용문을 제공해, 이번 테스트에서 주로 확인해야 할 사용자의 주요 피드백은 무엇인지 빠르게 훑어볼 수 있죠. 쉽게 사용할 수 있는지, 디자인은 어떤지, 전반적인 만족도, 신뢰도 등 6가지 주요 항목에 따른 테스트 결과도 시각화된 상태로 확인할 수 있습니다.

<출처: Uxia, 작가 캡처>

리포트 마지막에는 테스트 결과를 바탕으로 어떤 식의 개선점을 반영하면 좋을지에 대한 내용을 정리해 줍니다. 이 서비스를 통해 테스트를 진행한다면, 5분 정도를 투자해 전반적인 테스트 결과와 개선점까지 제안받을 수 있는 것이죠.

AI 활용의 장단점은?

AI 기반 합성 테스트는 속도, 비용, 편향성 감소 측면에서 분명한 장점을 가지고 있습니다. 실제로 ‘Uxia’는 무료 계정으로 3개의 테스트를 진행할 수 있어, 3개를 모두 활용해 본 결과, 모두 동일한 수준의 리포트가 나왔는데요. 개인적으로는 신뢰 수준도 높게 느껴졌습니다.

하지만 AI를 활용한다는 점에서의 한계도 있습니다. AI는 학습된 데이터 내에서 행동하기 때문에, 실제 사용자의 예상치 못한 창의적인 행동이나, 제품의 오용 사례를 발견하기는 어렵다는 점입니다. 또한 특정 디자인이 주는 미묘한 감정적 반응이나, 문화적 맥락을 이해하는 데도 한계가 있습니다. 서비스에 대해 깊게 설명하고 이해하는 과정을 건너뛸 수 있기 때문입니다.

따라서 Uxia는 전통적인 사용자 테스트를 보완하고, 효율성을 극대화하는 파트너로 활용하는 것이 가장 바람직하다고 생각합니다. 제품 개발 초기 단계에서 다양한 디자인 시안을 빠르게 비교하거나, 특정 기능의 사용성을 반복적으로 테스트하며 개선점을 찾아 나가는 과정에서 특히 도움이 될 겁니다. 최근에는 바이브 코딩을 활용해 스스로의 프로젝트를 진행하고 검증하는 분들이 많은데요. 이런 상황에서도 도움이 될 것입니다.

한 번은 꼭 써봐야 하는 이유

<출처: Uxia, 작가 캡처>

Uxia를 통해 우리는 ‘무엇이’ 문제인지를 빠르게 파악하고, ‘왜’ 그런지에 대한 해답이 필요할 때 빠른 답을 얻어낼 수 있습니다. 한계도 분명 있지만, 리포트 자체의 결과만 놓고 보면 LLM 서비스를 통해 직접 설계하고 진행하는 것에 비해 효율은 훨씬 뛰어나다고 생각합니다. A/B 테스트 기능 등을 통해 더욱 다양한 검증도 진행할 수 있고요.

<출처: Uxia, 작가 캡처>

현재 무료 계정으로는 3개의 테스트를 생성해 결과를 받아볼 수 있는데요. 무제한 테스트와 테스터 수 등의 조건을 넓게 활용하고 싶다면, 월 39 유로(약 63,000원)를 결제 후 프로 계정을 이용해 보셔도 좋을 것 같습니다.

<참고>

https://www.uxia.app

]]>

왜 신뢰할 수 있는 AI 개발에는 데이터 시각화가 필요할까

오늘날 우리가 사용하는 인공지능(AI) 모델은 놀라운 수준의 정확도를 보여주고 있습니다. 그러나 동시에 간과할 수 없는 문제가 숨어 있습니다. 바로, AI가 왜 그런 결정을 내렸는지 이해하기 어렵다는 점입니다. 모델이 복잡해질수록 이러한 문제는 더 심각해지고, 결과에 대한 신뢰도 역시 떨어질 수 있습니다.

데이터 시각화는 AI의 이러한 한계를 보완하기 위한 방법 중 하나로 주목받고 있습니다. 복잡한 알고리즘의 내부 작동 과정을 시각적으로 표현하면, AI의 판단 근거와 과정을 보다 직관적으로 이해할 수 있기 때문입니다.

설명 가능한 AI(XAI)의 중요성

AI는 이미 금융, 의료, 군사, 교육 등 다양한 분야에서 핵심 역할을 맡고 있습니다. 하지만 예측이 아무리 정확하더라도 “왜 이러한 결정을 내렸는가”를 설명하지 못한다면, 모두가 그 결과를 신뢰하기는 어렵습니다.

금융: AI가 대출 신청을 거절했는데 이유를 설명하지 못한다면, 고객은 불공정하다고 느낄 수 있습니다.
의료: AI가 암을 진단했을 때 어떤 특징을 근거로 판단했는지 알 수 없다면, 의사는 그 결과를 받아들이기 어렵습니다.
군사: AI가 민간인을 적으로 오인했는데 그 판단의 근거를 설명할 수 없다면, 치명적인 결과로 이어질 수 있습니다.

이러한 문제를 해결하고자 등장한 개념이 설명 가능한 AI(Explainable AI, XAI)입니다. XAI는 단순히 예측 결과만 제시하는 것이 아니라, 그 판단의 이유와 과정을 AI가 함께 설명할 수 있도록 하는 기술을 의미합니다.

설명 가능한 AI의 필요성 <출처: DARPA>

DARPA(미국 국방부 산하 고등연구계획국, Defense Advanced Research Projects Agency)는 단순히 성능이 뛰어난 AI만이 아닌, 인간이 이해하고 신뢰할 수 있는 AI의 필요성을 강조해 왔습니다. 이를 뒷받침하기 위해 시작된 것이 바로 XAI 프로젝트입니다. 프로젝트는 AI가 다음과 같은 근본적인 질문에 답할 수 있어야 한다고 제시합니다.

왜 그런 결정을 내렸는가? 왜 다른 선택지는 아니었는가?
어떤 조건에서 잘 작동하며, 언제 실패하는가?
어떤 상황에서 신뢰할 수 있는가?
오류가 발생했을 때는 어떻게 수정할 수 있는가?

이러한 질문들은 단순한 기술적 설명을 넘어, AI가 도출한 결과를 신뢰할 실질적인 기준이 될 수 있습니다.

데이터 시각화가 중요한 이유

그렇다면 복잡한 AI의 내부 작동을 사람은 어떻게 이해할 수 있을까요? 답은 데이터 시각화에 있습니다.

인간은 수치나 텍스트보다 시각 정보를 훨씬 빠르고 정확하게 인지합니다. 따라서 AI의 학습 과정과 예측 결과를 그래프, 히트맵, 인터랙티브 차트와 같은 시각적 형태로 표현하면, 그 내부에서 일어나는 복잡한 일을 훨씬 쉽게 이해할 수 있습니다. 구글과 MIT, 하버드, 애플, 앤트로픽 등 주요 기업과 학계의 실제 연구를 살펴보며 그 중요도와 방식을 살펴보겠습니다.

VISxAI: 시각화로 AI를 해석하다

VISxAI(Visualization for AI Explainability)는 “AI의 설명 가능성을 위한 데이터 시각화”를 주제로 하는 워크숍입니다. 구글 딥마인드(Google DeepMind), MIT, 하버드(Harvard), 애플(Apple) 등 세계 유수의 기관들이 참여해, 데이터 시각화를 활용해 AI의 복잡성을 해석하려는 다양한 시도를 공유하고 있습니다.

이 워크숍에서는 데이터 시각화를 단순 보조 도구가 아닌, AI 해석의 핵심 도구로 바라봅니다. 시각화 커뮤니티가 가진 전문성을 활용하면, 복잡한 AI 시스템의 작동 원리를 직관적이고 이해하기 쉬운 방식으로 풀어낼 수 있다는 믿음이 그 바탕에 있습니다.

머신러닝에 대한 시각적 소개 <출처: R2D3>

앤트로픽: 언어 모델 내부 들여다보기

언어 모델 클로드(Claude)를 개발한 앤트로픽(Anthropic)은 대규모 언어 모델을 이해하기 위한 해석 가능성 연구(Interpretability Research)를 꾸준히 진행하고 있습니다. 앤트로픽의 연구팀은 복잡한 기계를 역공학하듯 모델 내부를 분석하며, 입력이 어떻게 처리되고 출력이 만들어지는지 해부합니다.

아래 시각화 예시는 클로드가 ‘Golden Gate Bridge(금문교)’라는 개념을 어떻게 인식하는지를 보여줍니다.

<출처: 앤트로픽>

그래프는 클로드 내부의 특정 피처(Feature, 일종의 뉴런 역할을 하는 단위)가 입력에 따라 얼마나 강하게 활성화되는지를 나타냅니다. 여기서 색상은 반응 강도를 의미하는데, 해당 피처는 대부분 입력에 거의 반응하지 않지만 ‘금문교’가 명확히 등장하는 문장이나 이미지에서는 진한 빨간색으로 표시될 만큼 강한 반응을 보입니다.

이처럼 특정 개념에 반응하는 피처의 작동 방식을 시각화하면, 모델이 실제로 무엇을 ‘이해’하고 있는지, 언제 신뢰할 수 있는지, 그리고 어떤 조건에서 오류가 발생할 수 있는지 명확히 파악할 수 있습니다.

구글: 누구나 이해할 수 있는 AI

구글의 리서치 조직 PAIR(People + AI Research)는 사람 중심의 AI 개발을 목표로 다양한 프로젝트를 진행해 왔습니다. 그 대표적인 사례가 AI Explorables입니다. 이는 이름 그대로, 머신러닝과 AI의 핵심 개념을 인터랙티브 시각화로 풀어낸 웹 에세이 시리즈입니다. 사용자는 직접 문장을 바꾸거나 데이터를 조작해 보며, 모델이 어떻게 반응하는지 실시간으로 확인할 수 있습니다.

1. “언어 모델은 무엇을 학습했을까?(What Have Language Models Learned?)”

이 아티클에서 PAIR는 BERT라는 언어 모델을 실험한 결과를 소개합니다. 문장의 일부를 빈칸으로 가리고, 모델이 어떤 단어를 채워 넣는지를 관찰하는 방식입니다.

그 결과, 모델은 “제인(Jane)은 ___로 일한다”라는 문장에는 ‘엄마’, ‘보모’와 같은 단어를, “짐(Jim)은 ___로 일한다”라는 문장에는 ‘카우보이’, ‘경찰관’ 같은 단어를 넣으려는 경향을 보였습니다. 즉, AI가 단순히 언어 규칙만 학습하는 것이 아니라, 사회적 편견까지 함께 학습하고 반영할 수 있음을 시각적으로 보여줍니다.

이처럼 명확한 실험 결과는 AI 개발 과정에서 이러한 편향을 인식하고 줄이려는 지속적인 노력이 반드시 필요함을 밝힙니다.

<출처: 구글 PAIR, What Have Language Models Learned?>

2. “왜 어떤 모델은 데이터를 유출할까?(Why Some Models Leak Data)”

또 다른 아티클에서 PAIR는 민감한 정보를 암기하고 누설할 수 있다는 위협을 시각화로 증명합니다.

실험에서 그들은 어느 기업 직원 22명의 연차와 연봉 데이터를 학습시켰지만, 한 명의 연봉 정보는 의도적으로 숨겼습니다. 그러나 모델은 나머지 데이터를 토대로 경력과 연봉 간의 관계를 학습했고, 결국 숨겨진 직원의 연봉을 거의 정확히 추론해 냈습니다.

이는 AI가 단순히 패턴을 학습하는 데서 그치지 않고, 데이터를 사실상 ‘암기’함으로써 원래 감춰져야 할 정보를 다시 드러낼 수 있음을 보여줍니다. 높은 정확성을 추구하다 보면 오히려 개인정보 유출이라는 위협이 발생할 수 있다는 점을 경고합니다.

<출처: 구글 PAIR, Why Some Models Leak Data>

신뢰할 수 있는 AI, 시각화가 필수입니다

AI 기술은 점점 더 복잡해지고 다양한 분야에 적용되고 있습니다. 따라서 이제 단순히 높은 정확도만으로는 충분하지 않습니다. 사람들이 AI를 신뢰하려면 모델이 내부에서 어떻게 작동하는지, 그리고 왜 그런 판단을 내렸는지 설명할 수 있어야 합니다.

이 과정에서 데이터 시각화는 설명 가능한 AI(XAI)를 실현하는 핵심 역할을 합니다. 복잡한 수학적 모델이나 수많은 파라미터 뒤에 숨어 있는 AI의 의사결정 과정을, 사람이 바로 이해할 수 있는 형태로 보여주기 때문입니다. 실제 VISxAI 워크숍, 구글 PAIR의 AI Explorables, 그리고 앤트로픽의 해석 가능성 연구는 시각화 도구가 AI의 신뢰성, 투명성, 공정성을 높이는 데 얼마나 효과적인지 잘 보여주고 있습니다.

앞으로 AI는 우리 생활 곳곳에서 더 널리 쓰일 것입니다. 그렇기에 AI를 올바르게 이해하고, 안심하며 사용할 수 있도록 돕는 데이터 시각화는 더 이상 선택이 아닌 필수입니다. 이는 실무자뿐 아니라 사용자와 일반 대중 모두에게 주어진 중요한 과제이기도 합니다.

]]>