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 디자이너 플레이북 — 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