기대를 현실로: AI 기능을 시장

AI 기능은 유행을 따라 추가할 것이 아니라, 사용자가 실제로 겪는 문제에서 출발해야 한다. Figma·Asana·Duolingo·LinkedIn의 제품 리더들은 AI의 적합성, 오류 허용 수준, 명확한 사용자 가치와 구체적인 문제 정의가 성공적인 출시의 핵심이라고 강조한다. 특히 AI는 기존 경험을 대체하기보다 시간을 절약하고 업무를 개선하는 방식으로 활용될 때 신뢰와 ROI를 얻을 수 있다.

사용자 문제에서 출발하기

• AI가 새로운 기능을 만들 수 있다는 이유만으로 도입해서는 안 된다.
• 먼저 사용자가 겪는 문제를 파악한 뒤, AI가 최선의 해결 방법인지 검토해야 한다.
• Figma의 Conor Woods는 “AI라는 망치로 모든 문제를 해결하려는” 접근을 경계한다.
• AI 도입 여부를 판단할 때 다음 세 가지 질문을 제시한다.
  • 기존의 대규모 데이터셋을 활용할 수 있는 문제인가?
    • GPT-4 같은 LLM은 이미 존재하는 정보를 정리하거나 요약하는 데 강하다.
    • 반면 완전히 새로운 경험을 창조하는 일은 프롬프트 설계만으로 해결하기 어렵다.
  • 일정 수준의 오류를 허용할 수 있는가?
    • 현재 LLM은 부정확한 답변이나 사실과 다른 정보를 생성할 수 있다.
    • 따라서 100% 정확성이 필요한 의료·법률·규정 준수 등의 문제에는 신중해야 한다.
  • 나쁜 UX를 AI로 덮으려는 것은 아닌가?
    • 근본적인 정보 구조나 제품 설계가 잘못된 상태에서 AI 검색·비서를 추가해도 문제 자체는 해결되지 않는다.
• Asana는 더 단순하게 “AI가 사용자의 시간을 줄여주는가?”를 기준으로 삼는다.
• Asana의 Smart Status는 사용자가 상태 업데이트 초안을 몇 초 만에 작성하도록 돕는다.
  • 기존에는 주당 약 20분이 걸리던 작업을 2분 정도로 줄일 수 있다.
  • 사용자가 체감하는 투자 대비 효과가 명확하다는 점이 핵심이다.

문제를 구체적으로 정의하기

• 생성형 AI 기능은 여러 요구를 동시에 충족할 수 있기 때문에, 기능 정의가 모호해지기 쉽다.
• “텍스트를 요약한다”처럼 기능을 추상적인 문장으로만 설명하면 팀원마다 서로 다른 결과를 상상하게 된다.
• 요약 기능만 해도 실제 목적은 다양할 수 있다.
  • 문서의 전체 내용을 빠르게 파악하기
  • 실행해야 할 작업을 식별하기
  • 핵심 결정 사항이나 논쟁점을 찾기
• 따라서 AI 기능을 기획할 때는 단순히 모델의 능력을 설명하기보다 다음을 구체화해야 한다.
  • 사용자는 누구인가?
  • 어떤 상황에서 이 기능을 사용하는가?
  • 사용자가 해결하려는 실제 과업은 무엇인가?
  • AI가 생성해야 하는 결과물은 어떤 형태인가?
  • 결과가 틀렸을 때 사용자가 감수할 수 있는 위험은 어느 정도인가?
• 문제를 구체적으로 정의할수록 제품 요구사항, 사용자 인터페이스, 평가 기준을 일관되게 설계할 수 있다.

실용적인 적용 방향

• “AI를 어디에 넣을까?”보다 “사용자의 어떤 반복 작업을 줄일 수 있을까?”에서 시작한다.
• AI를 적용하기 전 기존 UX의 구조적 문제를 먼저 해결한다.
• 오류가 허용되는 영역인지 확인하고, 사용자 검토·수정 과정을 제품에 포함한다.
• 기능 설명을 모델의 기술적 능력이 아니라 사용자의 구체적인 과업과 기대 결과 중심으로 작성한다.
• 출시 전에는 시간 절약, 작업 완료율, 수정 횟수, 사용자 신뢰도처럼 측정 가능한 기준을 정해 AI 기능의 실제 가치를 검증한다.