Techlist.io - 한국 테크 블로그 큐레이터

figma3분 읽기큐레이션 요약

아틀라시안 방식:

Atlassian은 개발자의 업무 마찰을 줄이고 개발의 본질적인 즐거움을 회복하는 ‘developer joy’를 개발자 경험의 새로운 기준이자 회사 차원의 핵심 목표로 삼았다. 도구와 프로세스를 정비하고 개발자에게 개선 ownership을 부여한 결과, 개발자 만족도와 배포 빈도, 풀 리퀘스트 처리 속도가 크게 향상됐다. 이 사례는 개발자 만족을 단순한 복지나 감정의 문제가 아니라 장기적인 사업 성과로 측정하고 관리할 수 있음을 보여준다. ## Developer joy의 의미 - 기존의 developer experience가 개발자의 전체 업무 흐름, 프로세스, 제품의 사용성을 다룬다면, developer joy는 개발이라는 직업의 본질과 장인정신, 개발자가 중요하게 여기는 기준과 가치를 강조한다. - 핵심은 개발자가 좋아하는 일에 집중할 수 있도록 불필요한 마찰과 인지 부하를 제거하는 것이다. - Atlassian의 조사에 따르면 개발자는 비효율 때문에 매주 8시간 이상, 전체 업무 시간의 약 20%를 잃고 있었다. - Stack Overflow 조사에서는 개발자의 25%가 문제 해결이나 답을 찾는 데 하루 한 시간 이상을 사용한다고 나타났다. - 개발 외에도 디자인 협업, 부서 간 조율, 기획과 같은 활동에 업무 시간의 20~30%가 소요되며, 이런 마찰이 개발의 즐거움을 떨어뜨렸다. ## 생산성 위기에서 출발한 변화 - 2022년 Atlassian은 공개 로드맵의 대부분을 제때 달성하지 못했고, 개발자 만족도도 50% 미만이었다. - 문제의 원인은 개인의 역량이 아니라 중복되거나 비효율적인 도구와 시스템, 복잡한 프로세스에 있었다. - 정보를 찾고 다른 팀과 조율하는 데 드는 시간이 누적되면서 개발자의 핵심 업무 집중력이 약화됐다. - Atlassian은 단순히 더 빨리 일하도록 압박하는 대신, 업무 환경 자체에서 불필요한 장애물을 제거하는 방향을 택했다. ## Developer joy를 운영 체계로 만들기 - Atlassian은 문제를 조직 전체에서 찾고 해결하기 위해 여러 직군이 참여하는 ‘champions’ 프로그램을 시작했다. - 개선 작업은 크게 시스템과 문화라는 두 영역으로 나뉘었다. - **시스템:** 기존 도구와 프로세스를 점검하고 표준화하거나 불필요한 항목을 제거했다. - **문화:** 코딩 표준, 조직의 가치, 성과 측정 기준을 정해 개발의 품질과 장인정신을 업무 방식에 반영했다. - 여러 팀이 비슷한 도구를 각각 보유한 상태를 Matt Schvimmer는 ‘도구의 노아의 방주’라고 표현했다. - 모든 엔지니어링 팀이 업무 시간의 10%를 개발자 생산성 개선에 사용하도록 했다. - 개발자들이 개선의 대상이 아니라 해결 과정의 주체가 되면서 조직 전체에 ownership이 생겼다. - 이후 developer joy는 전사 OKR로 채택됐고, 각 팀이 매월 관련 성과를 보고하게 됐다. ## 즐거움의 사업적 가치 측정 - developer joy를 회사 차원의 OKR로 삼으려면 단기 매출보다 참여도와 업무 환경 개선을 우선하는 선택이 필요했다. - Atlassian은 이를 장기적으로 복리 효과가 발생하는 투자에 비유했다. - 성과를 감정적 만족도에만 의존하지 않고 정량·정성 지표를 함께 측정했다. - 몇 달 만에 다음과 같은 변화가 나타났다. - 개발자 만족도 50% 증가 - 풀 리퀘스트 처리 사이클의 중앙값 50% 감소 - 배포 빈도 3배 증가 - 고객 로드맵의 모든 항목을 계획대로 전달 - 내부 고객 만족도(CSAT) 50% 미만에서 80%로 상승 - 도구를 개선하고, 프로세스 문제를 해결하며, 측정할 지표를 명확히 한 것이 성과로 이어졌다. ## Team joy로 확장되는 개념 - 개발자 만족도와 생산성 개선이 실제 성과로 확인되면서, Atlassian은 developer joy를 더 넓은 ‘team joy’의 관점으로 확장하려 했다. - 처음에는 ‘joy’라는 표현을 가볍거나 측정하기 어려운 개념으로 받아들이는 사람도 있었지만, 구체적인 지표와 사업 성과가 개념의 신뢰성을 뒷받침했다. - 개발자 개인의 경험을 개선하는 데서 나아가 팀 전체의 협업 방식과 조직 문화를 개선하는 방향으로 논의가 확대됐다. 도입할 때는 먼저 중복 도구와 불필요한 프로세스를 조사하고, 개발자들이 개선 과제에 직접 참여할 수 있는 시간을 보장하는 것이 현실적이다. 이후 만족도뿐 아니라 PR 처리 시간, 배포 빈도, 로드맵 달성률처럼 업무 흐름과 사업 결과를 함께 측정해야 developer joy를 지속 가능한 조직 목표로 만들 수 있다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

12개월 이내에 K8

Figma는 ECS에서 Kubernetes(EKS)로 이전해 플랫폼의 기능과 확장성을 높이기로 결정했고, 핵심 서비스 대부분을 12개월 이내에 안전하게 옮겼습니다. ECS의 StatefulSet·Helm 지원 부족과 운영상의 불편, CNCF 생태계 활용 한계가 주요 전환 이유였습니다. 특히 Figma는 수천 개의 마이크로서비스를 운영하는 구조가 아니었기 때문에 대규모 마이그레이션의 범위를 현실적으로 통제할 수 있었습니다. ## 기존 Figma의 컴퓨트 플랫폼 - 2023년 초 Figma의 모든 서비스는 이미 컨테이너화되어 있었고, AWS ECS에서 실행되고 있었습니다. - ECS는 컨테이너 워크로드를 빠르게 운영하기에 좋은 플랫폼이었지만, 장기적으로 필요한 기능을 확장하기에는 한계가 있었습니다. - Figma는 모든 기능을 별도 마이크로서비스로 분리하지 않았습니다. - 성능이나 격리가 필요한 경우에만 새 서비스를 만들었습니다. - 대부분의 제품 기능은 기존 핵심 서비스에 로직을 추가하는 방식으로 구현했습니다. - 따라서 Kubernetes 전환 대상 서비스 수가 수천 개에 달하지 않았고, 이전 작업의 범위를 관리할 수 있었습니다. ## ECS에서 겪은 기능적 한계 - **StatefulSet 부재** - ECS에는 Kubernetes의 StatefulSet처럼 파드에 지속적인 식별자와 네트워크 정체성을 제공하는 기능이 없었습니다. - Figma는 ECS에서 etcd 클러스터를 운영하기 위해 컨테이너 시작 시 클러스터 멤버십을 동적으로 갱신하는 커스텀 코드를 작성했습니다. - 이 방식은 취약하고 유지보수가 어려웠습니다. - Kubernetes에서는 StatefulSet을 이용해 etcd 인스턴스의 안정적인 네트워크 정체성을 제공할 수 있습니다. - **Helm 차트 활용 부족** - Temporal 같은 오픈소스 소프트웨어를 도입하려면 ECS 환경에 맞게 각 서비스를 Terraform으로 직접 포팅해야 했습니다. - Kubernetes에서는 Helm 차트를 통해 관련 서비스와 설정을 표준화된 방식으로 설치하고 관리할 수 있습니다. - **노드 장애 대응의 불편** - ECS on EC2에서 문제가 있는 EC2 인스턴스 하나를 우아하게 종료하는 작업이 복잡했습니다. - EKS에서는 노드를 cordon 처리한 뒤 API 서버가 파드를 다른 노드로 이동시키도록 할 수 있습니다. - 이 과정에서 파드의 정상 종료 절차도 준수할 수 있습니다. ## CNCF 생태계 활용 - ECS를 계속 사용하면 Kubernetes와 함께 발전한 CNCF 오픈소스 생태계를 충분히 활용하기 어려웠습니다. - Figma가 특히 관심을 가진 영역은 자동 확장이었습니다. - 당시 컨테이너 서비스에 자동 확장을 적용하지 않아, 야간이나 주말처럼 트래픽이 낮은 시간에도 최대 부하를 감당할 자원을 미리 provision해야 했습니다. - 그 결과 불필요한 인프라 비용이 발생했습니다. - Kubernetes 생태계의 KEDA는 다음과 같은 기준으로 자동 확장을 지원합니다. - CPU 사용률 - AWS SQS 큐 길이 - Datadog의 커스텀 메트릭 - ECS에도 일부 자동 확장 기능은 있지만, Figma는 Kubernetes 생태계의 성숙한 오픈소스 도구를 활용하는 편이 장기적으로 유리하다고 판단했습니다. ## 서비스 메시와 트래픽 처리 - Figma는 서비스 간 트래픽을 AWS ALB와 NLB를 통해 라우팅하고 있었습니다. - NLB에서 새 대상을 등록하거나 기존 대상을 제거하는 데 몇 분이 걸려 긴급 배포와 장애 복구가 느려지는 문제가 있었습니다. - Figma는 이미 주요 서비스 앞에 독립적인 Envoy 프록시 클러스터를 운영하고 있었습니다. - 장애 상황에서 부하를 줄이는 커스텀 필터를 적용하기 위한 목적이었습니다. - 장기적으로는 전체 서비스에 Envoy 기반 서비스 메시를 도입할 가능성이 있다고 보았습니다. - EKS에서는 Istio 같은 서비스 메시 솔루션을 활용할 수 있지만, ECS에서는 이런 생태계를 직접 구축하거나 많은 부분을 커스텀 구현해야 했습니다. ## 전환을 결정한 기준 - 단순히 새로운 기술을 도입하는 것이 아니라, 다음 세 가지를 종합해 판단했습니다. - 현재 ECS에서 발생하는 운영 및 개발 비용 - 자동 확장과 서비스 메시 등 미래 요구사항 - 마이그레이션을 합리적인 기간 안에 완료할 수 있는지 여부 - Figma는 대규모 작업이 플랫폼을 실제로 개선하고, 사용자에게 다운타임을 유발하지 않으면서 완료될 수 있어야 한다는 원칙을 강조했습니다. - 결론적으로 Kubernetes는 StatefulSet, Helm, 자동 확장, 서비스 메시 등 Figma가 필요로 하던 기능을 더 자연스럽게 제공하는 기반으로 평가되었습니다. Figma와 유사하게 컨테이너 기반 서비스를 운영하면서 ECS의 기능적 한계가 커지고 있다면 Kubernetes 전환을 검토할 수 있습니다. 다만 서비스 수와 운영 복잡도를 먼저 평가하고, 자동 확장·상태 저장 워크로드·트래픽 관리처럼 실제로 필요한 기능을 기준으로 이전의 효과를 판단하는 것이 바람직합니다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

요약하자면: 제6

AI를 제대로 활용하는 일은 기술 습득을 넘어 인간의 판단력과 창의성을 이해하는 과정이라는 것이 글의 핵심 주장이다. Figma의 잡지 《The Prompt》는 디자인, 엔지니어링, 검색, 휴머노이드 로봇, 인쇄 매체를 통해 AI가 인간의 역할과 창작 방식을 어떻게 바꾸는지 탐구한다. AI가 작업을 자동화하더라도 문제를 정의하고 의미를 부여하는 능력, 호기심과 판단력은 여전히 인간의 중요한 차별점으로 남는다고 강조한다. ## 《The Prompt》의 기획 의도 - Figma가 Story Studio와 Brand Studio의 협업으로 제작한 80쪽 분량의 디지털·인쇄 잡지다. - AI가 디자인과 디지털 제품 개발을 활성화할 가능성뿐 아니라, 현재의 한계와 앞으로의 성장 방향을 다룬다. - 디자인·엔지니어링·제품 개발 분야 리더들에게 질문을 던지고, 각자의 기술과 창의성에서 무엇을 지키고 싶은지 살펴본다. - 인쇄본은 벨럼지, 색상, 일러스트레이션, 레이아웃 등 물질적 요소를 활용해 AI 시대의 주제를 시각적으로 해석한다. ## AI 시대의 좋은 디자인 - AI가 제품 개발을 대중화할수록 단순한 구현 능력보다 디자인의 질이 중요한 차별점이 된다고 본다. - Figma의 제품 디자인 부문 리더 Noah Levin과 팀은 AI를 활용하더라도 오랫동안 지켜 온 디자인 원칙과 장인정신이 필요하다고 말한다. - 좋은 디자인은 기능을 만드는 데 그치지 않고, 사용자의 맥락과 경험을 이해하며 명확한 의도와 판단을 반영해야 한다. - AI가 다양한 결과물을 빠르게 생성할수록 무엇을 선택하고 왜 선택하는지 설명하는 디자이너의 역할이 커진다. ## 코드가 상품화될 때 엔지니어의 역할 - Figma CTO Kris Rasmussen은 엔지니어링이 단순히 코드를 출력하는 일이 아니라고 주장한다. - 엔지니어에게는 다음과 같은 고유한 역할이 있다. - 해결할 문제를 올바르게 정의하기 - 여러 해결책 중 적절한 방법을 선택하기 - 시스템의 구조와 장기적 영향을 판단하기 - AI가 코드 작성 속도를 높이더라도 문제의 중요도, 기술적 트레이드오프, 제품과 사용자에 미치는 영향을 판단하는 일은 여전히 어렵다. - 따라서 “AI가 엔지니어의 일자리를 없앨까?”보다 “엔지니어가 AI로 무엇을 더 잘할 수 있으며, 인간만이 해결할 수 있는 영역은 무엇인가?”를 묻는 것이 생산적이라고 제안한다. ## 판단 없는 질문과 인간의 호기심 - Perplexity 공동창업자 겸 CEO Aravind Srinivas는 AI 검색 서비스를 인쇄 백과사전과 위키의 계보에 놓는다. - Perplexity는 질문하기를 망설이게 만드는 사회적 판단이나 부담을 줄이고, 누구나 답을 탐색할 수 있게 하는 도구로 설명된다. - AI 검색은 정보를 제공하는 데서 그치지 않고 사용자의 호기심을 확장하는 보조자가 될 수 있다. - 다만 좋은 답변을 얻으려면 질문의 의도와 맥락을 명확히 하고, AI가 제시한 정보를 비판적으로 검토해야 한다. ## 휴머노이드 로봇과 구현된 AI - 영화와 소설 속에서 반복적으로 등장한 휴머노이드 로봇이 현실의 기술로 다가오고 있다는 점을 조명한다. - 로봇은 AI를 화면 속 소프트웨어가 아니라 물리적 공간에서 행동하는 존재로 만든다. - 구현된 AI는 다음과 같은 새로운 문제를 제기한다. - 인간과 기계의 경계는 어디에 있는가 - 로봇의 행동을 누가 통제하고 책임지는가 - 인간형 외관이 사용자 기대와 신뢰에 어떤 영향을 미치는가 - 휴머노이드의 발전은 기술적 가능성뿐 아니라 인간이 AI에 투영해 온 기대와 두려움을 다시 마주하게 한다. ## 인쇄 매체가 제공하는 경험 - 《The Prompt》는 디지털 기술을 다루면서도 인쇄물의 물성과 느린 읽기 경험을 적극적으로 활용한다. - 종이의 질감, 색, 편집 구성, 일러스트레이션은 AI에 관한 추상적 논의를 감각적인 경험으로 바꾼다. - 효율성과 즉시성이 강조되는 AI 시대에 인쇄물은 의도적으로 속도를 늦추고, 창의성과 사유의 과정을 강조한다. - 이는 효율이 항상 창의성을 높이는 것은 아니며, 제약과 물리적 경험이 오히려 새로운 사고를 촉진할 수 있다는 관점을 보여준다. AI를 업무에 도입할 때는 반복 작업 자동화에만 집중하기보다 문제 정의, 판단, 검증, 사용자 이해처럼 인간의 강점이 필요한 단계에 더 많은 시간을 투자하는 것이 바람직하다. AI를 대체자가 아니라 창의적 사고와 호기심을 확장하는 협업 도구로 바라볼 때 그 잠재력을 더 효과적으로 활용할 수 있다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

HP, 개발자 모드로 디자인

HP는 100개가 넘는 제품군과 여러 사업부가 각기 다른 방식으로 디지털 경험을 만들던 문제를 해결하기 위해 디자인 시스템 Veneer와 Figma Dev Mode를 도입했다. Veneer는 디자인 언어, 컴포넌트, 문서화, 거버넌스를 통합하고, Dev Mode는 디자인과 개발 사이의 전달 과정을 간소화했다. 그 결과 HP는 디자인 일관성을 높이고 일부 프로젝트의 개발 시간을 50% 줄였으며, 대규모 조직에서 디자인 시스템의 채택 효과를 정량적으로 측정할 수 있었다. ## 복잡한 제품 생태계를 위한 다층 디자인 시스템 - HP는 프린터, 노트북, 게이밍 시스템 등 100개 이상의 다양한 제품군을 운영한다. - 각 제품과 사업부가 독립적으로 움직이면서 디지털 경험의 시각적·사용자 경험적 일관성을 유지하기 어려웠다. - 초기에는 단순한 프런트엔드 컴포넌트 라이브러리였던 Veneer가 다음 요소를 포함하는 종합 디자인 시스템으로 발전했다. - HP 브랜드에 기반한 디자인 언어 - 디자인 및 개발용 컴포넌트와 패턴 - 사용 지침, 원칙, 모범 사례, 코드 표준, 코드 스니펫 - 디자이너와 개발자의 피드백을 반영하는 커뮤니티와 거버넌스 - HP의 여러 서브 브랜드를 하나의 획일적인 시스템으로 지원하기는 어렵기 때문에, Veneer는 공통 기반을 유지하면서도 브랜드별 차이를 수용할 수 있는 다층 구조로 설계됐다. ## 채택률과 효율성 측정 - HP는 Veneer의 효과를 사용량 같은 정량 지표와 구성원 피드백 같은 정성 지표를 함께 활용해 평가한다. - 아이콘 라이브러리의 경우: - 320개 팀이 사용 - 915개의 아이콘 컴포넌트 제공 - 주당 평균 8만 5천 회 삽입 - 디자인 시스템을 활용하면 처음부터 구현하는 것보다 개발 속도가 크게 향상된다. 글에서는 IBM 연구의 단순 폼 개발 속도 47% 향상 사례도 언급한다. - 2023년 1월부터 12월까지 Veneer를 통해 프로젝트가 절약한 시간이 시스템 제작에 투입된 시간보다 500% 많았다. - HP 엔지니어링 리더십에 따르면 일부 프로젝트에서는 개발 시간이 50% 단축됐다. - 다만 디자이너들은 자신이 담당하는 제품과 사용자 경험에 강한 책임감을 갖고 있어, 외부 시스템의 도입을 제품의 창의성을 제한하는 일로 받아들일 수 있었다. - HP는 Veneer가 반복적인 작업을 줄이고 디자이너가 제품 고유의 문제와 창의적인 부분에 집중하도록 돕는다는 점을 보여주며 채택을 유도했다. ## Dev Mode로 디자인과 개발 연결 - Dev Mode는 개발자가 Figma 안에서 디자인 사양을 직접 확인하도록 해 디자인 핸드오프를 간소화했다. - 이로 인해 사양을 확인하기 위한 회의와 디자이너·개발자 간의 반복적인 질의응답이 줄었다. - HP가 특히 유용하게 활용한 기능은 다음과 같다. - **변경 사항 비교**: 기존 제품을 업데이트할 때 디자인 버전 간 변경점을 빠르게 확인할 수 있다. - **개발 준비 완료 표시**: 디자이너가 구현할 영역을 명시해 개발자가 작업 범위를 명확히 파악할 수 있다. - **변수**: 프리미티브 토큰이나 시맨틱 토큰과 연결된 변수를 활용해 여러 테마와 모드에 대응하고 디자인 시스템을 확장할 수 있다. - Dev Mode는 단순히 디자인 파일을 개발자에게 전달하는 도구가 아니라, Veneer의 컴포넌트와 토큰을 실제 코드 구현으로 연결하는 협업 환경으로 활용됐다. HP의 사례는 대규모 조직에서 디자인 시스템을 성공적으로 운영하려면 공통 컴포넌트만 제공하는 것보다 브랜드별 유연성, 명확한 문서화, 거버넌스, 채택 지표가 함께 필요하다는 점을 보여준다. 또한 Dev Mode처럼 디자인 변경 사항과 구현 정보를 같은 작업 흐름에서 제공하면 핸드오프 비용을 줄이고 개발 생산성을 높일 수 있다.

원문 읽기(새 탭에서 열림)
microsoft원문

관리형 DevOps 풀 – 탄생 비 (새 탭에서 열림)

마이크로소프트는 전사적으로 파편화되어 있던 5,000개 이상의 자가 호스팅 Azure DevOps 풀을 '1ES 호스팅 풀(1ES Hosted Pools)'이라는 단일 서비스로 통합하여 인프라 효율성과 보안성을 극대화했습니다. 이 시스템을 통해 인프라 비용을 60% 이상 절감하고 개발자들이 인프라 관리 대신 제품 개발에 집중할 수 있는 환경을 구축했으며, 내부적인 성공을 바탕으로 최근 외부 고객을 위한 '관리형 데브옵스 풀(Managed DevOps Pools, MDP)'을 출시했습니다. ### 분산된 자가 호스팅 환경의 문제점 * **중복 투자와 비효율:** 수천 개의 팀이 각자 유사한 인프라 관리 도구를 구축하는 데 개발 자원을 낭비했으며, 자동 스케일링 기능 부재로 사용하지 않는 자원에 비용이 지출되었습니다. * **낮은 신뢰성 및 지원 체계:** 팀 규모에 따라 지원 수준이 달라 장애 발생 시 CI/CD 파이프라인 복구 속도에 차이가 발생했습니다. * **보안 및 규정 준수의 어려움:** 인프라가 파편화되어 있어 보안 패치 여부를 추적하기 어렵고, 전사적인 보안 정책이나 컴플라이언스 기준을 일괄 적용하고 감사하는 데 막대한 시간이 소요되었습니다. ### 1ES 호스팅 풀의 핵심 기술적 기능 * **유연한 네트워크 및 이미지 구성:** 사설 네트워크 연결을 지원하여 내부 패키지 저장소나 비밀 관리자에 안전하게 접근할 수 있으며, 팀별 맞춤형 이미지를 베이스 이미지 위에 구축해 사용할 수 있습니다. * **상태 유지 및 성능 최적화:** 기본적으로는 작업마다 새 에이전트를 생성하는 상태 비저장(Stateless) 방식이지만, 로컬 캐시 활용이 필요한 경우 상태 유지(Stateful) 옵션을 제공하며 디스크 공간에 따른 자동 리사이클링을 지원합니다. * **지능형 리소스 관리:** 다양한 Azure SKU 선택은 물론, 과거 데이터를 기반으로 한 에이전트 사전 예열(Standby Agents) 기능을 통해 파이프라인 시작 시간을 단축했습니다. * **비즈니스 연속성 보장:** 특정 지역의 장애에 대비해 여러 지역에 백업 풀을 구성하여 에이전트를 즉시 가동할 수 있는 체계를 갖추었습니다. ### 표준화 시스템 도입의 성과 * **비용 절감:** Azure SPOT VM 활용과 워크로드에 최적화된 SKU 선택, 데이터 기반의 자원 활용도 개선을 통해 인프라 비용을 60% 이상 줄였습니다. * **보안 강화 및 중앙화:** Confidential VM, Trusted Launch, SecureTPM 등 고급 보안 기능을 모든 풀에 일괄 적용했으며, 일관된 텔레메트리 데이터를 통해 규정 준수 여부를 즉각적으로 확인할 수 있게 되었습니다. * **개발 생산성 향상:** 수천 개의 자가 호스팅 풀이 수십 개로 줄어들면서 인프라 관리 부담이 사라졌고, 팀 간 이동 시에도 동일한 도구를 사용하게 되어 개발 환경 적응 기간이 단축되었습니다. 현재 자체적으로 VM 확장 집합(Scale Set)이나 자가 호스팅 에이전트를 운영하며 관리 부담을 느끼고 있다면, 마이크로소프트의 내부 운영 노하우가 집약된 **Managed DevOps Pools(MDP)**로 전환하는 것을 추천합니다. 이를 통해 보안 수준을 높이는 동시에 운영 비용과 관리 오버헤드를 획기적으로 줄일 수 있습니다.

figma3분 읽기큐레이션 요약

'디자인 제작' 기능

Figma는 AI 기능 ‘Make Designs’가 실제 앱과 유사한 디자인을 생성하는 문제를 발견해 일시적으로 중단했다. 원인은 모델 자체가 아니라, 충분히 검토되지 않은 디자인 시스템의 컴포넌트와 예시 화면이었다. Figma는 관련 자산을 제거하고 QA 절차를 개선한 뒤, 기능을 ‘First Draft’라는 이름으로 재출시했다. ## Make Designs의 작동 방식 - 사용자의 프롬프트, AI 모델, 디자인 시스템의 컴포넌트와 예시를 결합해 초기 UI 시안을 생성한다. - OpenAI의 GPT-4o와 Amazon Titan 등 상용 모델을 사용했으며, 별도 학습이나 파인튜닝은 진행하지 않았다. - 모바일·데스크톱용으로 제작한 두 개의 디자인 시스템에 수백 개의 컴포넌트와 조합 예시를 포함했다. - 모델은 버튼, 헤드라인, 이미지 등 컴포넌트를 선택·배치하고, 속성과 스타일을 설정해 완성된 화면을 구성한다. - Amazon Titan의 확산 모델이 디자인에 필요한 이미지를 생성한다. - 결과물은 완성품이 아니라 디자이너가 수정하고 발전시키기 위한 ‘첫 초안’을 목표로 했다. ## 실제 앱과 유사해진 원인 - Config 2024 직전 디자인 시스템에 새 컴포넌트와 예시 화면이 추가됐다. - 일부 자산이 실제 서비스의 UI 요소와 충분히 유사했지만, 추가된 자산을 철저히 검토하지 못했다. - 특정 프롬프트를 입력하면 해당 자산이 결과물에 포함될 수 있었다. - 한 디자이너가 날씨 앱을 생성했을 때 Apple의 기본 앱과 유사한 화면이 나온 것을 지적하면서 문제가 드러났다. - Figma는 문제의 원인이 기반 모델의 학습 데이터가 아니라 자체적으로 제공한 디자인 시스템과 예시 자산에 있다고 판단했다. ## Figma의 대응 - 문제를 확인한 즉시 관련 디자인 시스템 자산을 제거했다. - Make Designs 기능을 일시적으로 비활성화했다. - 기능 재개를 보류하고 디자인 시스템에 대한 개선된 QA 프로세스를 마련하기로 했다. - Visual Search, 레이어 이름 변경, 텍스트 번역 등 다른 Figma AI 기능은 제한적 베타로 계속 제공했다. ## 향후 방향과 디자이너의 역할 - Make Designs의 초기 이름은 ‘First Draft’였으며, 완성된 디자인보다 작업을 시작하기 위한 출발점을 의미한다. - 향후에는 기업이 자체 디자인 시스템을 연결해 컴포넌트 검색·조합·설정에 드는 시간을 줄이는 것이 목표다. - AI는 초기 아이디어와 구조를 제시할 수 있지만, 의미 있는 사용자 경험을 만들고 완성하는 일은 여전히 디자이너의 역할이다. - Figma는 제한적 베타를 통해 실제 사용 과정에서 문제를 배우고 개선하겠다고 밝혔다. - 편집자 주에 따르면 기능은 이후 개선 사항과 함께 ‘First Draft’라는 새 이름으로 재활성화됐다. AI 기반 디자인 생성 기능은 모델 성능뿐 아니라 입력되는 디자인 시스템과 예시 자산의 품질 관리가 중요하다. 따라서 자동 생성 결과를 완성품으로 신뢰하기보다, 철저한 QA와 디자이너의 검토를 거치는 초안 생성 도구로 활용하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

Config 2024의

Config 2024의 시각 아이덴티티는 Figma의 제품 경험을 행사 공간과 디지털 접점 전체로 확장하는 데 초점을 맞췄다. Figma의 캔버스, Figma Slides, 다양한 제작 모드를 바탕으로 기본 도형이 변형·확장되는 형태 언어를 만들었으며, 이를 통해 독립적인 행사 정체성과 Figma 브랜드의 일관성을 동시에 확보했다. 1만 명 이상의 현장 참가자와 온라인 참가자를 고려해 미적 요소뿐 아니라 안내와 동선까지 아우르는 모듈형 디자인 시스템으로 구현한 것이 핵심이다. ## Figma 기능에서 출발한 형태 언어 - 브레인스토밍 단계에서 새롭게 개편된 Figma와 Figma Slides의 핵심 경험을 시각적 출발점으로 삼았다. - 작업 생성, 공유, 발표 등 서로 다른 제작 모드를 전환하는 경험에서 영감을 얻었다. - Figma 캔버스와 Figma Slides의 새로운 캔버스를 시각적으로 해석해, 형태가 확대·이동·변형되며 예상하지 못한 관점을 보여주는 시스템을 구상했다. - 주요 테마는 다음과 같다. - 작업과 맥락 사이를 이동하는 움직임 - 캔버스를 비우거나 작업을 보여주며 창작 의도를 증폭하는 것 - 협업을 통해 다양한 관점이 만나는 것 - 여러 제작 방식을 포용하는 것 ## 형태와 기능의 결합 - 행사 디자인을 단순한 장식이 아니라 사용자 경험 설계의 문제로 접근했다. - 등록부터 원하는 발표 세션의 좌석 확보까지, 참가자가 마주하는 다양한 상황을 시각 언어로 지원해야 했다. - 정교한 비주얼과 일관된 안내 체계를 결합해 복잡한 행사 경험을 이해하기 쉽게 만들었다. - 기본적인 원시 도형을 조합해 더 복잡한 대형 그래픽과 공간 요소를 제작했다. ## 공간 전체로 확장된 슈퍼그래픽 - 샌프란시스코 Moscone Center의 넓은 규모에 맞춰 건물 외벽과 다양한 표면에 그래픽을 적용했다. - 행사장 중앙에는 서로 다른 형태의 대형 물리적 슈퍼그래픽 세 개를 설치했다. - 참가자들은 이 구조물을 좌석, 사진 촬영 배경, 만남의 장소로 활용했다. - 그래픽을 평면 이미지에 머물게 하지 않고 참가자가 직접 상호작용하는 공간 경험으로 확장했다. ## 기본 도형을 활용한 모듈형 시스템 - Config 브랜드의 지속적인 모티프인 도형을 Figma 툴바의 기본 도형에서 가져왔다. - 사각형 - 원 - 다각형 - 누구나 Figma에서 디자인을 시작할 때 사용하는 단순한 도형을 복잡한 슈퍼그래픽의 구성 요소로 발전시켰다. - 동일한 브랜드를 유지하면서도 수많은 행사 자산이 반복적으로 보이지 않도록 모듈형 구조를 설계했다. - Figma 안에 슈퍼그래픽 컴포넌트 라이브러리를 구축하고, 각 그래픽마다 세 가지 변형을 제공해 서로 다른 각도와 구성을 표현했다. - 이 방식으로 행사장, 디지털 화면, 인쇄물 등 다양한 접점에서 일관성과 변주를 동시에 확보했다. ## 대규모 행사에 대응하는 디자인 시스템 - Config에는 현장 참가자 1만 명 이상과 더 많은 온라인 참가자가 참여하므로, 작은 접점까지 포함한 전체 경험 설계가 필요했다. - 키노트나 건물 외벽처럼 눈에 띄는 요소뿐 아니라 다음 항목에도 동일한 시각 언어를 적용했다. - 디지털 화면 - 안내물 - 기념품과 스웨그 백 - 행사장 내 각종 접점 - 행사 아이덴티티가 특정 장면에만 존재하는 것이 아니라 참가자의 모든 상호작용에서 이어지도록 설계했다. ## 실용적인 시사점 대규모 브랜드 경험을 만들 때는 먼저 브랜드의 핵심 기능이나 사용자 경험에서 반복 가능한 시각 원리를 추출하는 것이 효과적이다. 이후 기본 도형과 컴포넌트처럼 재사용 가능한 단위로 시스템화하면, 수많은 채널에 빠르게 적용하면서도 일관성·확장성·변주를 함께 유지할 수 있다.

원문 읽기(새 탭에서 열림)
datadog원문

대규모 시계열 인덱싱 (새 탭에서 열림)

Datadog은 5년 사이 데이터 규모가 30배 이상 급증함에 따라, 기존의 시계열 인덱싱 시스템에서 발생하는 성능 병목과 유지보수 문제를 해결하기 위해 아키텍처를 재설계했습니다. 수조 건의 이벤트를 효율적으로 처리하기 위해 인덱스 서비스를 시계열 데이터 저장소와 분리하였으며, 쿼리 로그를 분석해 인덱스를 자동으로 생성하는 전략을 취했습니다. 이 글은 RocksDB와 SQLite를 기반으로 한 초기 인덱싱 서비스의 구조와 대규모 시계열 데이터를 관리하기 위한 Datadog의 기술적 접근 방식을 다룹니다. ### 메트릭 플랫폼의 계층별 구조 * **수집(Intake) 계층:** 데이터 포인트는 메트릭 이름, 태그(env, host, service 등), 타임스탬프, 수치 값으로 구성됩니다. 수집된 데이터는 메시지 브로커인 Kafka로 전달되어 분석, 인덱싱, 아카이빙 등 다양한 용도로 독립적으로 소비됩니다. * **저장(Storage) 계층:** 데이터 저장소는 두 개의 서비스로 나뉩니다. '시계열 데이터베이스'는 `<시계열_ID, 타임스탬프, 값>` 튜플을 저장하고, '시계열 인덱스' 서비스는 RocksDB를 기반으로 `<시계열_ID, 태그>`를 매핑하여 쿼리 시 필터링과 그룹화를 담당합니다. * **쿼리(Query) 계층:** 분산 쿼리 계층은 인덱스 노드에서 검색된 식별자를 바탕으로 시계열 데이터베이스에서 실제 값을 가져와 병합하며, 필터와 집계 함수(avg 등)를 적용해 최종 결과를 도출합니다. ### 쿼리 로그 분석을 통한 자동 인덱싱 전략 * **풀 스캔 방지:** 특정 메트릭의 전체 데이터를 조회하는 비효율적인 스캔을 피하고자, 태그 기반의 인덱스를 생성하여 쿼리 실행 속도를 최적화했습니다. * **동적 인덱스 생성:** 시스템은 백그라운드 프로세스를 통해 실시간 쿼리 로그를 분석합니다. 쿼리 횟수, 실행 시간, 입력 대비 출력 식별자 비율을 따져 리소스 소모가 큰 '고선택성' 쿼리에 대해 자동으로 인덱스를 생성합니다. * **구체화된 뷰(Materialized Views):** 자주 사용되는 복잡한 쿼리를 미리 계산된 인덱스 형태로 저장함으로써, 반복되는 쿼리 요청을 단순한 키-값 조회로 변환해 CPU와 메모리 리소스를 획기적으로 절감합니다. ### 임베디드 데이터베이스를 활용한 시스템 설계 * **SQLite 기반의 메타데이터 관리:** 인덱스 정의와 쿼리 로그 등 읽기 중심의 데이터는 Go 애플리케이션 내에 임베디드된 SQLite에 저장됩니다. SQL의 유연성 덕분에 CLI를 통한 디버깅과 테이블 관리가 용이합니다. * **RocksDB를 통한 고성능 쓰기 처리:** 매일 발생하는 수조 건의 인덱싱 데이터는 고성능 키-값 저장소인 RocksDB가 처리합니다. 별도의 서버 프로세스 없이 애플리케이션에 직접 통합되어 성능 극대화를 꾀했습니다. * **인덱스 수명 주기 관리:** 일정 기간 쿼리가 발생하지 않아 쓸모없어진 인덱스는 시스템이 자동으로 삭제하여 저장 공간을 효율적으로 관리합니다. 대규모 분산 환경에서 모든 데이터에 대해 미리 인덱스를 생성하는 것은 불가능에 가깝습니다. Datadog의 사례처럼 실제 사용자의 쿼리 패턴을 모니터링하고, 리소스 집약적인 쿼리에 대해 인덱스를 동적으로 생성하는 '쿼리 기반 최적화' 방식은 폭발적인 데이터 성장세 속에서 시스템 가용성을 유지하는 매우 실용적인 전략입니다.

datadog1분 읽기큐레이션 요약

대규모 시계열 인

제공된 내용에는 본문이 거의 없고, Datadog 웹사이트의 메뉴 목록과 “Gartner Observability Platforms 2026 리더 선정” 문구만 포함되어 있습니다. 따라서 링크된 기술 글인 **“Timeseries Indexing at Scale”**의 핵심 주장이나 구현 세부사항은 정확히 요약할 수 없습니다. ### 확인 가능한 내용 - Datadog이 Gartner의 Observability Platforms 2026 Magic Quadrant에서 Leader로 선정되었다는 홍보 문구가 포함되어 있습니다. - 페이지 메뉴에는 다음과 같은 Datadog 제품군이 나열되어 있습니다. - 인프라 모니터링, 메트릭, 컨테이너·네트워크 모니터링 - APM, 데이터베이스·로그 모니터링 - 보안, RUM, CI/CD, 서비스 관리 - AI 에이전트, 대시보드, 알림 및 워크플로 자동화 - 링크 주소상 원래 기술 글의 주제는 대규모 환경에서의 **시계열 데이터 인덱싱**입니다. ### 정확한 요약을 위해 필요한 내용 - 기술 글 본문 전체를 붙여 넣거나 - 본문이 포함된 링크 내용을 다시 제공해 주세요. 현재 자료만으로는 시계열 인덱싱의 데이터 구조, 샤딩·파티셔닝, 쓰기 및 조회 최적화 방식 같은 기술적 세부사항을 신뢰성 있게 설명하기 어렵습니다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

AI 시대의 좋은 디자인이란 무엇

AI가 제품 개발을 대중화할수록 제품을 차별화하는 요소는 디자인이 된다. 모바일 시대에 데스크톱 경험을 작은 화면에 그대로 옮겼던 것처럼, 초기 AI 제품도 단순한 챗봇과 템플릿에 머물고 있지만 새로운 상호작용 패턴을 발견할 가능성이 크다. 따라서 AI 시대의 좋은 디자인은 기술 자체를 좇기보다 공감, 창의성, 실제 사용자 문제 해결이라는 변하지 않는 원칙을 바탕으로 AI와 디자이너의 역할을 재정의하는 것이다. ## AI 시대에 디자인이 더 중요해지는 이유 - AI는 간단한 프롬프트만으로 코드, 디자인, 애플리케이션 전체를 생성할 수 있어 아이디어에서 구현까지의 속도를 크게 높인다. - 더 많은 사람이 제품 제작 과정에 참여할 수 있게 되지만, 결과적으로 비슷한 제품이 빠르게 양산될 가능성도 커진다. - 제품의 차별화는 기능 구현보다 다음과 같은 디자인 경험에서 나타날 수 있다. - 풍부한 상호작용 - 직관적인 제스처 - AI라는 매체에 적합한 새로운 사용 패턴 - 2007년 아이폰 등장 직후 많은 기업이 기존 데스크톱 화면을 모바일에 단순히 축소했던 것처럼, 현재의 단순 챗봇과 템플릿형 AI 제품도 새로운 기술에 적응하는 초기 단계로 볼 수 있다. - 새로운 기술의 잠재력을 실현하려면 충분한 시간과 반복적인 실험이 필요하다. ## 좋은 디자인의 원칙을 AI가 이해하도록 만들기 - Figma는 디자인 시스템을 활용해 UI의 첫 시안을 생성하는 AI 기능을 개발하면서, 먼저 “좋은 디자인”이 무엇인지 정의해야 했다. - LLM은 본질적으로 텍스트 기반 모델이므로 글쓰기나 코딩에는 강하지만, 시각적·구조적 판단이 필요한 UI 디자인을 생성하는 일은 더 어렵다. - 모든 디자인 규칙을 AI에 전달하는 방식은 현실적이지 않다. - 좋은 디자인의 모든 세부 사항을 유한한 규칙으로 정의하기 어렵다. - 방대한 규칙을 하나의 프롬프트에 넣으면 토큰 제한에 걸린다. - 상황에 따라 달라지는 디자인 판단까지 규칙화하기도 어렵다. - 이에 따라 어떤 UI에도 대체로 적용할 수 있는 작지만 강력한 원칙으로 디자인 지식을 압축해야 한다. - 디자인을 가르치는 과정처럼, 디자이너의 직관을 다른 사람이 실행할 수 있는 명확한 원칙으로 분해하는 작업이 중요하다. - 좋은 원칙은 다음 조건을 갖춰야 한다. - 명확할 것 - 구체적일 것 - 실제 제작 과정에서 적용 가능할 것 - 다양한 UI 상황에 일반화될 것 ## 디자인에서 코드까지의 순환 고리 단축 - AI는 디자인 결과물을 코드로 옮기는 시간을 줄여 제품 제작 주기를 단축할 수 있다. - 디자인과 개발 사이의 간극이 줄어들면 더 많은 시안을 빠르게 구현하고 검증할 수 있다. - 중요한 것은 단순히 코드를 자동 생성하는 것이 아니라, 디자인 의도와 사용자 경험이 구현 단계에서도 유지되도록 하는 것이다. - 빠른 생성 능력은 한 번에 정답을 얻는 수단이라기보다 실험과 반복을 늘리는 수단으로 활용해야 한다. ## 실용주의와 반복적인 실험 - AI 기술이 빠르게 변하는 상황에서는 완벽한 미래상을 기다리기보다 현재 가능한 도구로 실제 문제를 해결하는 접근이 필요하다. - 기술을 사용하기 위한 기능보다 사용자에게 실질적인 가치를 주는 경험을 우선해야 한다. - 초기 AI 제품의 어색함은 실패라기보다 새로운 상호작용 방식을 발견하기 위한 실험의 일부다. - 디자이너는 생성된 결과를 그대로 받아들이기보다 사용자 맥락에 맞는지 검토하고, 반복적인 수정과 검증을 통해 품질을 높여야 한다. ## 디자이너와 AI의 공동 창작 - AI는 디자이너를 단순히 대체하는 자동화 도구가 아니라 아이디어를 확장하고 제작 속도를 높이는 협업 파트너가 될 수 있다. - AI가 초안과 반복 작업을 담당하면 디자이너는 문제 정의, 사용자 공감, 우선순위 설정, 창의적 판단에 더 집중할 수 있다. - 공동 창작 모델에서는 인간과 AI의 강점을 결합하는 작업 분담이 중요하다. - AI: 빠른 생성, 변형, 탐색, 반복 작업 - 디자이너: 목적 설정, 맥락 이해, 품질 판단, 사용자 관점의 의사결정 - AI가 발전할수록 디자이너의 역할이 사라지는 것이 아니라, 무엇을 만들고 왜 만들어야 하는지 결정하는 능력이 더욱 중요해진다. AI를 도입할 때는 생성 속도 자체보다 사용자 문제와 디자인 원칙을 먼저 정의하는 것이 좋다. 작은 원칙을 명확히 정리하고, AI로 여러 시안을 빠르게 만든 뒤 사람의 판단과 사용자 검증을 통해 반복 개선하는 방식이 가장 현실적인 접근이다.

원문 읽기(새 탭에서 열림)
figma원문

우리는 마침내 안 (새 탭에서 열림)

최근 AI 기술의 비약적인 발전은 SF 영화 속의 상상과 현실 사이의 간극을 좁히며 본격적인 안드로이드 시대를 열고 있습니다. 아메카(Ameca)와 아폴로(Apollo) 같은 현대의 휴머노이드 로봇들은 단순한 노동력을 넘어, 인간의 심리적 본성을 이용한 직관적인 인터페이스로서 우리와 상호작용하기 시작했습니다. 결국 로봇 기술의 핵심은 기계적인 완성도를 넘어 인간과 기술이 어떻게 공존하고 소통할 것인가를 설계하는 디자인의 영역으로 확장되고 있습니다. **지능의 투영과 인터페이스로서의 로봇** - 인간은 사물에 생명력을 부여하는 '애니미즘'과 '의인화' 본능이 있어, 로봇의 움직임과 표정만으로도 지능이 있다고 믿는 경향이 있습니다. - 아메카(Ameca)는 화면(스크린)이라는 장벽을 넘어 몸짓과 표정을 사용하는 인터페이스를 제공하며, 이는 VR 헤드셋과는 반대로 기술을 인간의 공간으로 끌어들이는 역할을 합니다. - 거대언어모델(LLM)과 결합된 로봇은 자연스러운 대화뿐만 아니라 상황에 맞는 표정을 지을 수 있어, 사용자에게 단순한 도구를 넘어선 강력한 정서적 경험과 유대감을 제공합니다. **심미성과 사회적 수용성을 고려한 디자인** - 로봇 디자인의 핵심은 인간과 닮았으면서도 불쾌한 골짜기(Uncanny Valley)를 피하는 것으로, 아메카는 의도적으로 금속성 외형을 유지하여 로봇임을 분명히 하면서도 표정의 정교함을 살렸습니다. - 범용 노동 로봇인 아폴로(Apollo)는 인간의 작업 환경에 최적화된 휴머노이드 형태를 취하면서도, 친근감을 주기 위해 눈 대신 카메라와 LED 디스플레이를 활용한 얼굴 디자인을 채택했습니다. - '페르소나 아키텍트'와 같은 전문가들은 로봇에 특정 성격을 부여하여, 로봇이 상황에 맞게 언어 코드를 전환하거나 사용자와 더 깊은 유대감을 형성할 수 있도록 설계합니다. **기계와의 관계 설정을 위한 시스템의 가독성** - 로봇의 움직임은 일종의 '바디 랭귀지'이며, 사용자가 로봇의 다음 행동이나 의도를 예측할 수 있게 하는 '가독성(Legibility)' 확보가 중요합니다. - 복잡한 AI 시스템과 이를 사용하는 인간 사이의 언어적 격차를 줄이기 위해, 디자이너들은 산업용 로봇에 생명력을 불어넣어 통제가 아닌 '연결'의 대상으로 재정의하고 있습니다. - 로봇이 인간의 공간에 들어올 때 사회적으로 수용 가능한 형태와 행동 양식을 갖추는 것은 기술적 진보만큼이나 중요한 설계 요소입니다. 휴머노이드 로봇은 이제 특정 목적만을 수행하는 고정된 기계에서 벗어나, 인간과 함께 생활하며 소통하는 다재다능한 동반자로 진화하고 있습니다. 성공적인 안드로이드 시대를 맞이하기 위해서는 기술의 고도화와 더불어, 인간의 심리를 깊이 이해하고 기술과 인간 사이의 접점을 예술적·윤리적으로 조율하는 디자인적 접근이 필수적입니다.

figma3분 읽기큐레이션 요약

에코 체임버를

The Browser Company는 브라우저를 기존 기술의 반복이 아니라, 다양한 문화와 개인의 경험을 결합해 새롭게 설계할 수 있는 큰 창작의 캔버스로 본다. Arc의 차별화된 인터페이스와 AI 기능은 기술 업계 안의 관습만 따르지 않고 책, 영화, 자연 같은 외부 영감에서 출발한다. 특히 AI는 눈에 띄는 장식이 아니라 일상적인 브라우징에 자연스럽게 스며들어 실제로 도움을 주는 경험이어야 한다고 강조한다. ## 기술 바깥에서 영감 얻기 - Head of Storytelling Nashilu Mouen은 Zadie Smith와 Toni Morrison 같은 문학 작품에서 영감을 얻는다고 말한다. - 중요한 질문은 “기술에 속하지 않으면서 기술 안에 존재하려면 어떻게 해야 하는가”이다. - 업계의 기존 제품과 경쟁사의 관행만 바라보면 새로운 것을 만들기 어렵다. - 다양한 분야의 관점과 팀원 개개인의 경험을 제품에 반영해야 기존 브라우저와 다른 결과를 만들 수 있다. ## 브라우저를 새로운 창작의 캔버스로 보기 - 브라우저는 사람들이 매일 사용하는 도구이지만, 쿠키 동의와 복잡한 웹 경험 등 개선할 여지가 많다. - The Browser Company는 “왜 안 되는가?”보다 “왜 안 되는가?”라는 태도로 기존 관습에 도전한다. - 탭을 화면 위쪽이 아닌 측면에 배치한 Arc의 구조처럼, 익숙한 인터페이스도 근본적으로 다시 생각할 수 있다. - 브라우저를 만든다는 대담한 시도 자체가 제품의 가능성을 넓힌다. ## 여러 목소리가 만드는 브랜드 - Arc의 브랜드는 한 사람의 관점이 아니라 다양한 구성원이 함께 만든 “여러 목소리”의 결과로 설명된다. - 팀원들의 배경과 관심사가 제품의 표현 방식과 사용자 경험에 직접 영향을 준다. - 예를 들어 Arc의 언박싱 경험은 A24 영화의 타이틀 시퀀스, 영화 시작 장면의 분위기, 태양 흑점에서 영감을 얻었다. - 제품이 실제로 다르다면 기능뿐 아니라 사용자가 처음 접하는 순간에도 그 차이가 느껴져야 한다. ## AI를 일상에 자연스럽게 심기 - 소프트웨어마다 AI 기능이 추가되면서 사용자는 “이 기능이 실제로 나에게 어떤 도움을 주는가?”를 묻게 됐다. - Arc는 AI를 과장된 시각 효과나 장식적인 “반짝임”으로 보여주기보다, 브라우징 흐름에 자연스럽게 통합하려 한다. - 꽃이 피는 계절적 경험에서 영감을 얻어, AI 기능을 방해되지 않는 방식으로 심고 사용자 경험을 특별하게 만드는 방향을 모색한다. - AI 역시 성장과 변화의 계절을 거치므로, 모든 기능이 항상 성공할 것이라고 가정하지 않고 빠르게 실험하고 검증한다. - 팀은 짧은 기간에도 30개가 넘는 AI 활용 방식을 탐색할 만큼 신속하게 프로토타이핑한다. (제공된 글은 이 대목에서 중단되어 이후 내용은 확인할 수 없다.) ## 실용적인 시사점 새로운 제품을 만들 때는 같은 업계의 성공 사례만 분석하기보다 문학, 영화, 자연 등 전혀 다른 분야에서 영감을 찾아야 한다. AI 기능도 유행을 따라 추가하기보다 사용자의 일상 흐름을 개선하는지 검토하고, 작게 빠르게 실험하면서 가장 자연스러운 형태를 찾아가는 접근이 유효하다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

더 프롬프트에

AI가 디자인과 제작 방식을 바꿀 가능성은 크지만, 그 잠재력을 어떻게 실현할지는 아직 열려 있다. Figma의 잡지 《The Prompt》는 디자인·엔지니어링·제품 개발·건축 분야의 전문가들에게 질문을 던져 AI의 현재 가능성과 한계, 앞으로의 방향을 탐구한다. 글은 좋은 결과를 얻으려면 AI 자체보다 맥락과 의도를 담은 질문, 즉 잘 설계된 프롬프트가 중요하다고 강조한다. ## 《The Prompt》의 기획 의도 - 《The Prompt》는 Figma의 Story Studio와 Brand Studio가 만든 매거진이다. - 2024년 Config에서 인쇄판이 공개됐으며, Figma Store에서 구매할 수 있다. - 다양한 분야의 전문가 인터뷰와 에세이를 통해 AI가 복잡한 시스템을 더 이해하기 쉽게 만드는 방법을 살펴본다. - 참여자들은 AI를 활용하는 동시에, AI가 더 나은 결과를 내도록 설계하고 질문하는 방법도 탐구한다. ## 프롬프트 엔지니어링과 질문의 힘 - 프롬프트 엔지니어링은 원하는 답을 얻기 위해 올바른 질문을 설계하는 일이다. - 좋은 인터뷰어가 질문의 맥락과 방향을 조절하듯, AI에게도 다음 요소를 명확히 제공해야 한다. - 충분한 배경 정보 - 문제를 바라보는 관점과 프레임 - 결과물의 목적과 제약 - 기대하는 답변의 형태와 수준 - 창작이나 문제 해결의 출발점에는 항상 일종의 프롬프트가 있으며, 창의성은 질문을 통해 구체화된다. - LLM은 뛰어난 능력을 갖고 있어도 입력이 불명확하면 잠재력을 제대로 발휘하기 어렵다. ## AI와 좋은 디자인의 관계 매거진은 “AI 시대의 좋은 디자인이란 무엇인가”라는 질문에서 출발한다. - AI가 디자인 과정에 참여하더라도 문제 정의와 목적 설정은 여전히 중요하다. - 좋은 디자인은 단순히 빠르게 결과를 만드는 것이 아니라, 사람과 맥락에 적합한 해결책을 찾는 과정이다. - AI를 활용할수록 디자이너는 결과물을 평가하고 방향을 조정하는 역할을 더 명확히 수행해야 한다. ## 코드와 자동화의 재평가 “코드가 상품화되는 것을 왜 두려워하는가”, “디자인 시스템의 잠재력을 자동화로 끌어낼 수 있는가” 같은 질문을 통해 제작 방식의 변화를 다룬다. - 코드 작성 자체보다 어떤 문제를 해결할지 정의하는 능력이 중요해질 수 있다. - 자동화는 반복 작업을 줄이고 디자인 시스템의 일관성과 확장성을 높일 수 있다. - 그러나 자동화가 창의적 판단이나 인간의 책임을 완전히 대체하는 것은 아니다. ## 데이터와 실험의 새로운 기준 - “최소 실행 가능 데이터”라는 질문은 AI 시스템에 반드시 필요한 데이터의 범위를 고민하게 한다. - 많은 데이터를 모으는 것보다 목적에 맞는 신뢰할 수 있는 데이터를 확보하는 일이 중요하다. - “0.5에서 시작한다”는 주제는 완성된 계획을 기다리기보다 불완전한 초기 단계에서 실험하고 개선하는 태도를 시사한다. ## AI를 신뢰할 수 있게 만드는 방법 - 사람들이 원하는 AI 기능과 실제로 신뢰하는 기능 사이에는 차이가 있다. - 유용한 AI 기능은 명확한 문제를 해결하고, 결과의 근거와 한계를 이해할 수 있어야 한다. - 효율성을 높이더라도 창의적 탐색과 예상 밖의 발견을 지나치게 줄여서는 안 된다. - AI가 만든 결과를 검토하고 수정할 수 있는 인간의 통제권이 필요하다. ## 기술의 범위를 넓히는 질문 매거진은 기술 업계 내부의 관점에 머무르지 않고 사회와 물리적 환경으로 논의를 확장한다. - AI가 업계 내부의 ‘에코 챔버’를 넘어 다양한 사용자와 관점을 반영할 수 있는지 질문한다. - 제조업과 주거 건축 같은 산업에서 AI가 복잡한 문제 해결에 어떻게 기여할 수 있는지 살펴본다. - 로봇이 주택을 건설할 수 있는지, 인간형 로봇의 시대가 실제로 다가오고 있는지도 탐구한다. - AGI뿐 아니라 인간의 증강된 지능(ADI)이 어떤 의미를 갖는지도 함께 묻는다. ## 실용적인 결론 AI를 효과적으로 활용하려면 도구의 성능만 기대하기보다 문제의 맥락, 목표, 제약 조건을 구체적으로 정의해야 한다. 좋은 프롬프트를 작성하고, AI의 결과를 비판적으로 검토하며, 작은 실험을 반복하는 접근이 현재 가장 현실적인 활용법이다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

왜 우리는 코드가 범

AI가 디자인을 코드로 변환하고 반복적인 구현 작업을 자동화하더라도, 엔지니어의 역할 자체가 사라지는 것은 아니다. 코드 작성은 엔지니어링의 일부일 뿐이며, 사용자의 문제를 정의하고 제약 조건 속에서 적절한 추상화와 시스템을 설계하는 능력은 여전히 사람의 핵심 역량이다. 따라서 코드를 상품화의 대상으로 두려워하기보다, 자동화를 통해 창의성·문제 해결·제품 의사결정에 더 집중해야 한다는 것이 글의 결론이다. ## 디자인과 코드의 경계가 흐려지는 이유 - AI는 프로그래밍 언어 간 변환뿐 아니라 디자인 시안을 실제 코드로 변환하는 작업도 자동화할 수 있다. - Figma 같은 현대적인 디자인 도구는 내부적으로 디자인을 일종의 구조화된 코드 형태로 저장한다. - 따라서 디자인을 TypeScript·React 또는 Kotlin·Jetpack 코드로 바꾸는 일은 본질적으로 한 표현 방식에서 다른 표현 방식으로 번역하는 작업에 가깝다. - 그러나 목업을 코드로 바꾸는 능력이 곧 좋은 제품이나 시스템을 만드는 능력을 의미하지는 않는다. ## 코드 작성보다 중요한 엔지니어링의 본질 - 엔지니어링은 단순히 코드를 출력하는 일이 아니라 다음을 포함한다. - 어떤 문제를 해결해야 하는지 판단하기 - 문제를 해결할 적절한 방법 선택하기 - 복잡한 시스템을 이해하기 쉬운 추상화로 구성하기 - 정확하고 단순하며 유지보수 가능한 해법 만들기 - 뛰어난 엔지니어는 특정 언어·프레임워크·플랫폼의 세부 문법에만 의존하지 않고, 여러 기술에 공통된 원리를 바탕으로 사고한다. - React나 Jetpack 같은 특정 기술의 전문성은 시간이 지나면 가치가 감소할 수 있지만, 사용자의 요구와 시스템 제약을 해석하는 능력은 오래 지속된다. - AI가 부족한 영역은 사용자의 실제 필요, 제품 맥락, 기술적 제약을 종합해 우아하고 직관적인 시스템으로 설계하는 일이다. ## 반복 작업 자동화와 엔지니어의 창의성 - AI는 반복적이고 정형화된 작업을 줄여 엔지니어가 더 창의적인 문제에 집중하도록 도울 수 있다. - 하나의 기능을 구현하는 방법은 여러 가지일 수 있으며, AI는 기존에 고려하지 않았던 대안을 빠르게 제시할 수 있다. - 최종적으로 어떤 방식을 선택할지는 성능, 복잡도, 유지보수성, 사용자 경험 등의 트레이드오프를 평가하는 사람의 판단에 달려 있다. - 엔지니어의 창의성은 제약을 제거하는 데만 있지 않고, 제약을 활용해 더 나은 기술적·제품적 선택을 만들어내는 데 있다. - 기술 시스템의 구현은 단순한 코딩 작업이 아니라 팀의 제품 결정을 개선하는 창의적 활동이다. ## 구현자에서 문제 정의자·조정자로의 역할 변화 - Figma의 엔지니어들은 출근 후 곧바로 코드를 작성하기보다 팀원들과 사용자 문제를 논의하고 해결 우선순위를 정한다. - 무엇을 만들지, 왜 만들어야 하는지, 어떤 방식이 적절한지를 합의한 뒤에야 구현에 들어간다. - AI가 하위 수준의 기술 작업을 자동화할수록 엔지니어가 직접 신경 써야 할 구현 세부사항은 줄어든다. - 그 결과 엔지니어의 업무는 다음 영역으로 더 이동한다. - 사용자 문제의 발견과 해석 - 문제의 우선순위 설정 - 팀 간 정렬과 의사결정 - 시스템 구조와 품질 기준 설계 - 즉, 엔지니어의 추상화 수준이 높아지고 구현 자체가 전체 업무에서 차지하는 비중은 작아진다. ## 생산성보다 중요한 개발 속도와 가치 전달 - AI 도입의 효과를 단순히 “더 많은 코드를 더 빨리 작성하는 것”으로 측정해서는 안 된다. - 중요한 것은 코드 출력량이 아니라, 올바른 문제를 선택하고 사용자에게 가치 있는 결과를 얼마나 빠르게 전달하는가이다. - 잘못 정의된 문제를 AI로 빠르게 구현하면 오히려 불필요한 기능과 기술 부채가 빠르게 늘어날 수 있다. - 따라서 AI는 구현 자동화 도구이면서 동시에 여러 해결책을 탐색하고 제품 실험을 가속하는 도구로 활용해야 한다. AI 시대에 엔지니어는 특정 프레임워크의 코드 작성 능력보다 문제 정의, 시스템 사고, 트레이드오프 판단, 사용자 맥락 이해를 강화하는 것이 좋다. 반복 구현은 AI에 맡기되, 무엇을 만들지와 어떤 구조가 장기적으로 좋은지는 사람이 책임지는 방식이 바람직하다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

Figma Slides로 승기를

Figma Slides는 Figma의 높은 시각적 완성도와 FigJam의 협업·피드백 기능을 결합한 프레젠테이션 도구로, 2024년 6월 오픈 베타로 공개됐다. 디자이너는 기존 Figma 작업 방식을 그대로 활용하고, 비디자이너는 쉽게 콘텐츠를 편집하며 함께 발표 자료를 만들 수 있다. Figma는 이를 통해 일방적인 발표 자료를 설득과 피드백이 오가는 대화형 스토리텔링 도구로 발전시키고자 한다. ## 프레젠테이션 제작의 어려움 - 발표자의 45%는 창의적인 레이아웃을 만드는 데 어려움을 겪는다. - 41%는 적절한 시각 자료를 찾고 활용하는 일을 어렵게 느낀다. - 47%는 프레젠테이션 디자인에 8시간 이상을 사용한다. - Figma 사용자들은 최근 1년 동안 약 350만 개의 프레젠테이션을 제작했지만, 실제 발표를 위해 다른 도구로 작업물을 옮기거나 프로토타입을 별도로 공유해야 했다. - Figma Slides는 이런 단절을 줄이고 디자인과 발표 준비를 한 공간에서 처리하도록 설계됐다. ## Figma의 디자인 기능을 활용한 슬라이드 제작 - 기존 슬라이드 도구에서 부족했던 **발표자 노트**와 **슬라이드 전환 효과**를 제공한다. - 기본 도구 모드에서는 텍스트, 이미지, 도형을 사용해 빠르게 발표 자료를 만들 수 있다. - **디자인 모드**를 켜면 Figma Design의 고급 기능을 사용할 수 있다. - Auto Layout - 정교한 정렬 및 배치 - 고급 속성 - 인터랙티브 컴포넌트와 상태 - Figma에서 복사한 호버 상태 등의 인터랙티브 컴포넌트는 발표 중에도 동작한다. - 이미지와 시각 자료가 메시지의 효과와 참여도를 높인다는 연구 결과를 바탕으로, 시각적 완성도를 핵심 가치로 삼는다. ## 디자인 라이브러리와 에셋의 재사용 - Figma에서 구축한 텍스트 스타일, 색상 스타일, 컴포넌트와 에셋을 Figma Slides에서도 바로 사용할 수 있다. - UI 디자인을 이미지로 하나씩 내보내야 했던 기존 작업을 없애고, Figma 제품군 전체에서 복사·붙여넣기 방식으로 재사용할 수 있다. - 디자이너가 기존 디자인 시스템을 유지하면서 발표 자료를 제작할 수 있다. ## Grid View를 통한 스토리 구성 - 슬라이드를 한 장씩 편집하는 단일 슬라이드 보기와 전체 흐름을 확인하는 **Grid View**를 제공한다. - Grid View에서는 슬라이드가 행 단위로 배치되어 발표의 전체 구조를 한눈에 볼 수 있다. - 슬라이드 순서를 쉽게 바꾸며 이야기의 흐름과 섹션 구성을 조정할 수 있다. - 단일 슬라이드 보기와 Grid View 사이를 오갈 때 변경 사항이 동기화된다. - 특히 20장 이상의 발표 자료에서 전체 내러티브를 재구성하기 어려운 문제를 해결하는 데 초점을 둔다. ## 일방적인 발표에서 협업형 대화로 - Figma는 FigJam을 통해 회의에서 여러 사람이 동시에 의견을 내는 협업 방식을 경험했고, 기존 발표 방식의 비효율을 발견했다. - 기존 프레젠테이션은 한 사람이 말하고 나머지는 듣는 구조가 되기 쉽다. - Figma Slides는 디자이너와 비디자이너가 같은 공간에서 자료를 만들고 의견을 주고받도록 설계됐다. - 제품 검토, 영업 제안, 투자 피치 등 다양한 상황에서 발표 자료를 단순한 문서가 아니라 합의를 이끌어내는 커뮤니케이션 도구로 활용하는 것이 목표다. Figma Slides는 기존 Figma 디자인 자산을 적극적으로 활용하는 팀이나, 발표 자료 제작 과정에 디자이너와 비디자이너가 함께 참여해야 하는 조직에 특히 적합하다. 발표용 슬라이드와 실제 디자인 작업 사이의 변환 과정을 줄이고, 전체 이야기 구조를 Grid View에서 점검하는 방식으로 활용하면 효과적이다.

원문 읽기(새 탭에서 열림)