AI 시대의 디자인 리더에게 필요한 것은 무조건적인 속도가 아니라, 팀이 침착하게 판단하고 실험하도록 돕는 안정감이다. Jen Dunnam은 도구와 유행을 좇기보다 인간을 위한 디자인이라는 원칙을 유지하고, 비판적 사고와 다양한 경험을 가진 인재를 채용해야 한다고 강조한다. 결론적으로 리더는 긴박감을 더하기보다 팀이 올바른 문제를 정의하고 현명하게 실행하도록 방향을 잡아야 한다.
## 변화 속에서도 침착하게 이끌기
- AI의 발전으로 업계에 불안과 긴박감이 커졌지만, 뛰어난 디자이너들은 이미 충분한 추진력을 갖고 있다.
- 리더의 역할은 위기감을 더하는 것이 아니라 팀을 안정시키는 데 있다.
- 문제를 작은 단위로 나누고, 전략을 세우며, 적절한 도구를 실험하고, 디자인 원칙을 다듬어야 한다.
- AI 도구의 기능이나 유행을 무작정 따라가기보다 디자이너이자 인간으로서 본질에 집중해야 한다.
- 기술은 바뀌어도 디자인의 대상은 여전히 인간이므로, 사용자에 대한 이해와 인간 중심 원칙은 변하지 않는다.
- 가장 현실적인 접근은 꾸준히 실험하되, 결과를 학습하고 원칙에 따라 판단하는 것이다.
## 비판적 사고를 기준으로 채용하기
- 빠른 제품 출시가 강조되면서 신입 디자이너와 졸업생이 기회를 얻기 어려워졌으므로, 이들의 성장 가능성에 투자할 필요가 있다.
- 신입 인재를 제품 출시 경험이 풍부한 시니어와 짝지으면 새로운 관점과 실행력을 결합할 수 있다.
- 사용자 연구자 중에서도 인사이트를 수집하는 데 그치지 않고, 디자인과 제품 방향에 대해 결단력 있게 의견을 낼 수 있는 사람을 찾는 것이 유효하다.
- 현재 채용에서 특히 가치가 높아진 역량은 비판적 사고다.
- 면접에서는 단순히 결과물을 확인하기보다 다음과 같은 경험을 깊이 물어야 한다.
- 언제 자신의 의견에 반대했는가?
- 이해관계자에게 어떻게 이의를 제기했는가?
- 제품에 반영되지 않아 지금도 아쉬운 점은 무엇인가?
- AI가 만들어낸 결과물은 시각적으로 매력적이고 그럴듯해 보일 수 있다. 따라서 ‘반짝이는 결과’나 그럴듯한 답을 그대로 받아들이지 않고, 문제와 결과를 검증하는 태도가 중요하다.
## 실용적인 결론
디자인 팀은 AI 도구를 빠르게 익히되, 도구 자체를 목표로 삼아서는 안 된다. 리더는 팀이 인간 중심 원칙을 잃지 않으면서 실험하고, 근거를 바탕으로 반대 의견을 내며, 빠른 실행과 깊이 있는 판단을 함께 발전시키도록 지원해야 한다.
AI 시대의 리더십은 완성된 해법을 제시하는 것보다 변화 속에서 직접 실험하고 조직의 적응력을 키우는 데 초점을 둬야 한다. AI가 실행 업무를 일부 대체하더라도 사용자 이해, 장인정신, 판단력과 같은 인간의 핵심 역량은 여전히 중요하다. 팀은 자율적인 소규모 단위로 구성하고, 교육과 작은 성공 경험을 통해 새로운 도구를 점진적으로 받아들이게 해야 한다.
## 변화 속에서 함께 실험하는 리더십
- AI와 새로운 제작 도구의 변화가 너무 빠르기 때문에 하나의 고정된 프로세스를 고수하기 어렵다.
- 리더 역시 모든 답을 알고 있는 전문가가 아니라 팀과 함께 배우는 초보자의 자세를 가져야 한다.
- 직접 프로토타입을 만들고 실패 사례까지 공유하면 팀원들이 실험을 더 자연스럽게 받아들일 수 있다.
- 새로운 시도가 성공하지 않더라도 즐겁게 시도할 수 있도록 조직 차원의 심리적 허용과 자율성을 제공해야 한다.
- 핵심 역량은 완성된 방법론보다 변화에 대응하는 적응력이다.
## AI 시대에도 유지해야 할 기본 원칙
- AI가 업무 방식을 바꾸더라도 다음과 같은 기본 원칙은 변하지 않는다.
- 실제 사용자의 필요와 업무 흐름을 이해할 것
- 사용자를 위해 제품을 설계할 것
- 결과물의 완성도와 세부 품질을 중시할 것
- 도구 자체를 따라가는 데 몰두하면 “무엇을 만들 것인가”보다 “무슨 도구를 쓸 것인가”가 중심이 될 위험이 있다.
- 디자인의 대상은 여전히 인간이므로, 기술보다 사용자와 문제에 대한 이해가 우선되어야 한다.
## 전문성의 중심이 실행에서 판단으로 이동
- 과거에는 특정 작업을 빠르고 정확하게 수행하는 능력이 전문성의 중요한 기준이었다.
- AI가 일부 실행과 산출물 생성을 담당하면서 전문성의 가치는 다음 영역으로 이동한다.
- 무엇이 좋은 결과인지 판단하는 감각
- 여러 대안 중 상황에 맞는 선택을 하는 분별력
- 결과물을 검토하고 개선하는 편집 능력
- 사용자와 비즈니스 맥락을 고려한 의사결정
- 전문가는 모든 정답을 알고 있는 사람이 아니라, 수많은 선택지 중 현재 상황에 가장 적합한 답을 고르는 사람이다.
- 따라서 AI 활용 능력만큼 결과를 비판적으로 평가하는 ‘편집자의 시각’이 중요해진다.
## AI 시대의 팀 구조와 인재상
- AI는 디자인·제품·엔지니어링의 경계를 흐리므로 기존 직무 중심 조직을 재검토할 필요가 있다.
- Airbnb는 제품, 디자인, 엔지니어링에 데이터 과학자나 비즈니스 담당자 등을 결합한 소규모 포드(pod) 구조를 활용한다.
- 각 포드는 작은 스타트업처럼 독립적으로 움직이며 다양한 관점에서 문제를 해결한다.
- AI가 생성한 결과물을 평가하고 다듬을 수 있도록 강한 편집력과 비판적 사고를 갖춘 인재가 필요하다.
- 효과적인 팀은 다음과 같은 특성을 가진다.
- 적극적으로 시도하는 태도
- 대담하고 다양한 아이디어
- 서로 반대 의견을 편하게 제시하는 문화
- 의견 충돌을 생산적인 논의로 전환하는 능력
- 모든 사람이 쉽게 동의하기만 하는 팀은 오히려 충분한 검토와 논쟁이 부족할 수 있다.
## 새로운 도구를 점진적으로 도입하는 방법
- 단순히 “AI를 사용하라”고 지시하는 것만으로는 조직의 도입이 이루어지지 않는다.
- 구성원이 도구를 익힐 수 있도록 교육 과정과 학습 인프라를 제공해야 한다.
- 사용법을 배울 수 있다는 안전감이 있어야 팀원들이 새로운 도구를 업무에 적용할 수 있다.
- 대규모 업무 프로세스를 한 번에 자동화하기보다 가장 작은 작업부터 시작하는 방식이 효과적이다.
- 예: Slack의 긴 대화 한 편을 AI 에이전트로 요약하기
- 작은 성공을 통해 실질적인 유용성을 체감하게 하기
- 이후 더 복잡한 업무로 활용 범위를 확대하기
- 점진적인 도입은 구성원의 거부감을 낮추고 AI 활용 숙련도와 신뢰를 단계적으로 높인다.
## 실용적인 적용 방향
리더는 먼저 팀과 함께 작은 AI 실험을 진행하고, 결과를 평가할 기준을 마련해야 한다. 도구 사용 교육과 실패를 허용하는 문화를 병행하되, 사용자 이해와 품질 기준은 절대 낮추지 않는 것이 중요하다. AI가 만든 결과물을 그대로 받아들이기보다 맥락에 맞는지 판단하고 개선하는 능력을 조직의 핵심 역량으로 키워야 한다.
Joseph은 사이버보안과 AI 분야에서 개발자들이 안전한 소프트웨어를 만들도록 돕는 전문가다. 오픈소스 게임, 영상, 강연을 통해 보안 지식을 실용적으로 전달하며, 전 세계 개발자와 청중에게 큰 영향력을 미치고 있다.
### 사이버보안 및 AI 분야의 전문성
- 개발자가 보안을 고려해 소프트웨어를 구축할 수 있도록 콘텐츠와 소프트웨어를 개발한다.
- 사이버보안과 AI를 결합한 실용적인 지식을 전달하는 인물로 소개된다.
### 오픈소스 보안 교육
- 오픈소스 게임 `gh.io/scg`를 제작했다.
- 이 게임은 10,000명 이상의 개발자가 미래에도 활용 가능한 보안 역량을 익히는 데 기여했다.
### 대중적인 보안 콘텐츠
- Joseph의 영상 콘텐츠는 누적 280만 회 이상의 조회수를 기록했다.
- 복잡한 보안 주제를 쉽게 설명하고, 개발자가 바로 적용할 수 있는 실용적인 조언을 제공한다.
- 콘텐츠는 전 세계 audience를 대상으로 한다.
### 국제적인 강연 활동
- 최근 4년간 25개국에서 총 79회의 강연을 진행했다.
- 전문적인 통찰력과 활기찬 무대 진행으로 청중의 관심을 끌었다.
개발자라면 Joseph의 오픈소스 게임이나 영상을 활용해 보안 개념을 실습 중심으로 익히고, 강연을 통해 최신 보안 동향과 적용 방법을 접할 수 있다.
AI 확산으로 인터넷의 기존 경제 모델인 “콘텐츠 제공 → 검색 노출 → 추천 트래픽”의 구조가 빠르게 붕괴하고 있다. 사람들은 검색 결과를 직접 방문하기보다 AI가 통합한 답변을 소비하고 있으며, 크롤러의 절반 이상이 AI 학습용으로 사용된다. 이에 Cloudflare는 콘텐츠 접근 통제·투명성·희소성을 통해 콘텐츠 라이선싱 시장을 만들고, 퍼블리셔가 AI 기업과 더 공정하게 거래할 수 있도록 하겠다고 주장한다.
## AI adoption과 오픈 웹의 급격한 변화
- 생성형 AI는 스마트폰보다 2배 이상 빠른 속도로 확산되고 있다.
- 약 3.5년 만에 전 세계 25억 명, 즉 인류의 30% 이상이 정기적으로 생성형 AI를 사용하게 됐다.
- 인터넷 사용 방식도 바뀌었다.
- 온라인에서 정보를 검색하는 1시간 중 실제 오픈 웹에서 보내는 시간은 약 15분에 불과하다.
- 여러 웹사이트를 방문해 정보를 비교하는 대신, 사용자는 AI에 질문하고 통합된 답변을 바로 받는다.
- 이 변화는 검색 기반 유입에 의존하던 콘텐츠 사업자에게 직접적인 위협이 된다.
## 에이전틱 인터넷과 비인간 트래픽
- 2026년에는 인터넷 트래픽의 50% 이상이 처음으로 비인간 트래픽이 됐다.
- AI 에이전트와 크롤러가 정보 검색, 상품 비교, 조사, 업무 수행을 직접 처리하면서 인간 방문자와 자동화된 접근의 경계가 흐려지고 있다.
- 콘텐츠 소유자는 자신의 콘텐츠가 누구에게, 어떤 목적으로 사용되는지 파악하기 어려워지고 있다.
## 크롤러의 목적 변화
- 2026년 6월 기준 크롤러 요청의 52%가 AI 학습 목적이었다.
- 2025년 봄의 22%에서 크게 증가한 수치다.
- 검색·에이전트·학습을 혼합한 크롤러가 전체 활동의 36% 이상을 차지한다.
- 순수 검색용 크롤링은 전체에서 작아지고 있지만, 퍼블리셔의 검색 노출에는 여전히 중요하다.
- 혼합형 크롤러는 콘텐츠 소유자에게 딜레마를 만든다.
- AI 시대에도 발견되려면 크롤링을 허용해야 한다.
- 그러나 그 과정에서 핵심 콘텐츠가 보상 없이 AI 학습에 사용될 수 있다.
- 따라서 검색을 위한 접근과 AI 학습을 위한 접근을 기술적으로 구분하는 것이 중요해졌다.
## 검색 유입 중심 모델의 붕괴
- 과거에는 콘텐츠를 검색엔진에 제공하면 검색 결과를 통해 방문자가 유입됐고, 그 트래픽이 광고·구독·판매 등의 경제적 가치를 만들었다.
- 현재는 콘텐츠가 계속 크롤링되고 사용되지만, 원 출처로 돌아오는 트래픽은 줄어들고 있다.
- AI가 원문을 방문하지 않고도 질문에 답하고 제품을 비교하며 업무를 수행하기 때문이다.
- 이에 따라 콘텐츠 제작자는 “사람들이 원문을 방문하지 않아도 어떻게 지속 가능한 수익을 만들 것인가”라는 문제에 직면했다.
- 일부 퍼블리셔는 검색 유입이 거의 사라지는 상황을 “Google Zero”라고 부르며 대비하고 있다.
## 산업 전반으로 확산되는 영향
- 초기에는 뉴스·미디어 기업이 가장 큰 영향을 받았지만, 현재는 다음 산업으로 확산되고 있다.
- 소매
- 소프트웨어
- IT
- 금융
- 일부 고크롤링 분야에서는 1년 이내 인간 트래픽이 최대 40% 감소했다.
- 인터넷에 독점적이거나 전문적인 정보를 게시하는 모든 조직이 에이전틱 인터넷에 대응해야 한다.
- 이 문제는 퍼블리셔만의 문제가 아니라, 인터넷을 기반으로 운영되는 전체 경제와 정보 생태계의 지속 가능성에 영향을 준다.
## 콘텐츠 시장을 만들기 위한 세 가지 요소
Cloudflare는 Content Independence Day 이후 다음 세 가지 방향을 추진했다고 설명한다.
- **투명성과 통제**
- 사이트 운영자가 자신의 콘텐츠가 어떻게 접근되고 수익화되는지 결정하도록 지원한다.
- **희소성 창출**
- 무제한 접근을 기본값으로 두지 않고, 콘텐츠 접근을 제한해 소유자의 협상력을 높인다.
- **콘텐츠 마켓플레이스**
- 콘텐츠 제작자와 AI 기업이 콘텐츠를 발견하고, 라이선스를 협의하며, 콘텐츠 가치를 정할 수 있는 시장을 구축한다.
## 통제와 투명성이 협상력을 만든 방식
- 기존에는 퍼블리셔가 AI 기업의 콘텐츠 접근·사용 방식을 충분히 알기 어려웠다.
- Cloudflare의 귀속 분석, 비즈니스 인텔리전스, 집행 도구는 네트워크 수준에서 AI 콘텐츠 소비를 파악하고 통제하도록 했다.
- 이는 자발적 규범인 `robots.txt`보다 강력한 집행 수단으로 제시된다.
- 운영자는 다음과 같은 데이터를 확보할 수 있다.
- LLM이 콘텐츠에 접근하려 한 빈도
- 어떤 경쟁 AI 모델이 크롤링했는지
- 가장 많이 요청된 URL
- 크롤링 횟수와 실제 추천 트래픽의 비율
- 이런 데이터는 콘텐츠 접근을 제한해 희소성을 만들고, 라이선스 협상에서 정보 비대칭을 줄인다.
- 결과적으로 퍼블리셔는 AI 기업이 콘텐츠를 얼마나 필요로 하는지 근거를 바탕으로 판단하고, 더 유리한 조건을 협상할 수 있게 된다.
## 실용적인 결론
콘텐츠 사업자는 검색 유입만을 성과 지표로 삼기보다 AI 크롤러의 접근 목적과 규모를 측정해야 한다. `robots.txt` 같은 선언적 방식에 더해 접근 제어, 사용량 분석, AI 학습과 검색 접근의 구분, 콘텐츠 라이선싱 정책을 마련하는 것이 필요하다. 앞으로는 콘텐츠를 공개할지 차단할지의 이분법보다, 어떤 용도로 누구에게 어떤 조건으로 제공할지를 관리하는 능력이 핵심 경쟁력이 될 것이다.
Figma는 AI 거버넌스 관리 체계(AIMS)에 대해 국제 표준 ISO/IEC 42001:2023 인증을 획득했다고 발표했습니다. 이번 인증은 자체 설명이 아니라 ANAB 공인 인증기관인 Schellman의 독립적인 심사를 통해 정책, 위험 관리, 데이터 관행, 기술적 보호조치가 실제로 운영되고 있음을 검증받았다는 의미입니다. Figma는 이를 통해 규제 산업 고객이 AI 관련 공급업체 위험 평가와 규제 보고에 활용할 수 있는 객관적 근거를 제공한다고 강조합니다.
## ISO/IEC 42001과 AI 관리 시스템
- ISO/IEC 42001은 2023년 12월 제정된 AI 관리 시스템 국제 표준입니다.
- 정보보호 관리체계 표준인 ISO 27001과 유사하게, 조직이 AI를 책임 있게 개발·배포·운영하기 위해 필요한 정책과 절차, 통제 항목을 정의합니다.
- AI 관리 시스템(AIMS)은 다음 활동을 관리하는 운영 기반입니다.
- AI 기능의 설계와 개발
- 제품 내 AI 배포
- 데이터 및 위험 관리
- 성능과 영향 모니터링
- 인간의 감독과 책임 체계 유지
## 자체 문서보다 독립적 검증이 중요한 이유
- AI 공급업체는 백서, 보안 설문, 정책 문서 등을 통해 거버넌스 수준을 설명할 수 있지만, 문서만으로는 실제 통제가 작동하는지 판단하기 어렵습니다.
- ISO 42001 인증은 공인된 제3자가 국제 표준에 따라 관리 체계를 직접 심사했다는 점에서 자체 평가와 구별됩니다.
- Figma는 Schellman이 다음 항목을 검토했다고 설명합니다.
- AI 거버넌스 정책
- 데이터 처리 관행
- AI 위험 관리 절차
- 기술적 보호조치
- 실제 운영 효과
- 따라서 고객은 Figma의 설문 답변만 검토하는 대신, 벤더 위험 평가·이사회 보고·규제 제출에 활용할 수 있는 외부 검증 결과를 참고할 수 있습니다.
## 인증 적용 범위
- 인증 대상은 Figma 플랫폼 전반의 AI 기능을 관리하는 AIMS입니다.
- 적용 제품은 다음과 같습니다.
- Figma Design
- Figma Make
- FigJam
- Dev Mode
- Figma Sites
- Figma Slides
- Figma Draw
- Figma Buzz
- Figma Weave
## 실제 심사 방식과 9개 통제 목표
- 심사는 두 단계로 진행되었습니다.
- **1단계:** AIMS의 설계, 문서, 정책, 위험 평가 방법론 검토
- **2단계:** 직원 인터뷰, 업무 프로세스 관찰, 실제 운영 효과 평가
- 총 38개 통제를 다음 9개 Annex A 통제 목표에 따라 평가했습니다.
- AI 영향 평가
- 거버넌스와 책임
- AI 특화 위험 관리
- AI 시스템 생명주기 관리
- 데이터 거버넌스
- 제3자 AI 위험 관리
- 모니터링과 성능 평가
- 인간의 감독
- AI 시스템의 책임 있는 사용
- Figma는 이번 인증이 관련 개념을 문서화했다는 사실보다, 실제 프로세스에 적용하고 운영하고 있음을 검증한 데 의미가 있다고 설명합니다.
- 인증기관 자체도 ANAB의 공인을 받았기 때문에, 비공인 기관의 인증보다 신뢰성과 객관성이 높다고 강조합니다.
## 규제 산업 고객에게 의미하는 점
- Figma의 AI 기능은 금융, 의료, 보험, 공공 부문 등 보안·개인정보·규제 요구가 높은 환경에서 사용될 수 있습니다.
- 이런 조직은 AI 공급업체를 평가할 때 다음을 입증해야 할 수 있습니다.
- AI 위험을 식별하고 관리하는지
- 데이터가 적절히 통제되는지
- AI 시스템에 인간의 감독이 존재하는지
- 공급업체의 통제가 실제로 운영되는지
- EU AI 법(EU AI Act)과 새로운 AI 조달 기준은 단순한 선언보다 증빙을 요구하는 방향으로 발전하고 있습니다.
- ISO 42001 인증은 기업의 벤더 위험 관리, 감사 대응, 이사회 보고, 규제 제출에 활용 가능한 공식 근거가 될 수 있습니다.
## 향후 지속적인 검증
- Figma는 AI 기능이 확대될수록 거버넌스 체계도 계속 제3자 검증에 맡기겠다고 밝혔습니다.
- ISO 42001 인증서는 기존 ISO 27001 및 SOC 2 Type II 인증과 함께 제공됩니다.
- 인증서와 보안·컴플라이언스 문서는 `compliance.figma.com`에서 확인할 수 있으며, Schellman 인증서 디렉터리를 통해 인증을 검증할 수 있습니다.
- Figma는 AI 거버넌스가 변경되어 고객의 위험 평가에 영향을 줄 경우 이를 투명하게 알리고, 관련 정보를 지속적으로 최신 상태로 유지하겠다고 약속합니다.
실무적으로는 AI 서비스를 도입하거나 갱신할 때 공급업체의 자체 설명만 확인하기보다, ISO 42001처럼 공인기관이 검증한 인증 범위·유효기간·적용 제품을 함께 확인하는 것이 바람직합니다.
Meta는 Python Software Foundation(PSF) 후원을 10년째 이어가며, Python과 오픈소스 생태계의 지속 가능성이 자사 기술 스택의 장기적 안정성과 직결된다고 강조합니다. Python은 Meta의 가장 widely used 언어로, 제품 백엔드·AI 연구·인프라·개발 도구 전반에 활용됩니다. Meta는 PSF 후원을 통해 Python 핵심 개발, PyPI 보안, 교육 및 커뮤니티 행사를 지원하고 다른 기업과 개인의 참여도 촉구합니다.
## Meta에서 Python이 중요한 이유
- Python은 Meta에서 가장 많이 사용되는 프로그래밍 언어입니다.
- Instagram과 Threads를 비롯한 제품의 백엔드, 인프라, AI 연구 등 다양한 영역에서 활용됩니다.
- Meta 엔지니어들이 Python 핵심 유지보수와 Python Enhancement Proposal(PEP) 작성에 참여하고 있습니다.
- Meta에서 시작된 머신러닝 프레임워크 PyTorch는 오픈소스 커뮤니티와 함께 개발된 뒤 독립 재단으로 분리되었습니다.
- 빠른 타입 체커이자 언어 서버인 **Pyrefly** 등 Python 개발 생산성과 성능 향상을 위한 오픈소스 도구도 개발하고 있습니다.
- AI 투자, 데이터 기반 제품 확장, 대규모 인프라 운영에서 Python의 역할이 계속 커질 것으로 보고 있습니다.
## PSF 후원이 필요한 이유
- 오픈소스를 사용하는 기업은 언어와 생태계의 보안성·건강성·혁신을 유지할 공동 책임이 있습니다.
- Python으로 제품을 출시하고 모델을 학습시키는 과정은 개발자 커뮤니티와 PSF의 조직적 지원에 기반합니다.
- Meta는 PSF 후원을 자사 기술 스택의 장기적인 안정성을 위한 전략적 투자로 봅니다.
- 특정 기업의 필요를 넘어, 전 세계 개발자가 사용하는 공통 기반을 유지하는 데 기여한다는 의미가 있습니다.
## 개발자 상주 프로그램과 핵심 기술 지원
- PSF 후원금은 Python과 생태계 개선에 전념하는 정규 개발자를 고용하는 **Developer-in-Residence** 프로그램에 사용됩니다.
- 이 프로그램은 자원봉사자에게만 의존하기 어려운 핵심 작업을 지속적으로 수행할 수 있게 합니다.
- Python 패키지 저장소인 **PyPI**의 보안 강화에도 자금이 투입됩니다.
- PyPI 보안 개선은 개발자가 패키지를 안전하게 게시하고 설치하도록 지원하며, Meta 내부 개발자에게도 직접적인 이점이 있습니다.
## 교육과 커뮤니티 생태계 지원
- Meta는 PyCon US와 같은 주요 Python 행사를 지원합니다.
- 무료 또는 할인 입장권, 워크숍 및 서밋, 커뮤니티 모금 활동 등을 후원합니다.
- PyLadies와 같은 그룹에 대한 지원은 다양한 배경의 인재가 Python 커뮤니티에 참여하도록 돕습니다.
- 기술 인프라뿐 아니라 교육과 커뮤니티 성장이 Python의 장기적인 지속 가능성에 필수적이라고 설명합니다.
## PSF에 참여하는 방법
- **일회성 기부:** 원하는 금액을 한 번 기부할 수 있습니다.
- **PSF 회원 가입:** 후원 수준에 따라 PSF의 방향에 관한 논의와 투표에 참여할 수 있으며, 금전 대신 시간으로 기여하는 방식도 있습니다.
- **조직 후원:** 기업은 연간 후원 등급을 선택해 지속적으로 지원할 수 있습니다.
- 조직 후원자는 PSF 웹사이트, 연례 보고서, 주요 행사에서 기업명과 로고를 공개할 수 있습니다.
- 높은 등급의 후원자는 더 큰 브랜드 노출, 커뮤니티 행사 참여, 발표 및 특별 프로그램 참여 기회를 얻을 수 있습니다.
기업은 자사 제품과 인프라가 의존하는 오픈소스 프로젝트를 단순히 소비하는 데 그치지 말고, 재정 지원·개발 참여·커뮤니티 후원으로 생태계에 환원하는 것이 좋습니다. 개인 개발자 역시 기부, 회원 가입, 행사 참여와 같은 작은 방식으로 Python의 지속 가능성에 기여할 수 있습니다.
새로운 도구와 재료의 등장으로 디자인은 더 이상 정해진 출발점에서 시작할 필요가 없으며, 누구나 아이디어에 맞는 방식으로 작업을 시작할 수 있다. Figma의 2026년 Config 매거진은 모션, 코드, AI를 디자인 캔버스 안으로 통합하면서 디자인의 표현력과 협업 방식을 확장하는 흐름을 조명한다. 핵심은 도구가 쉬워질수록 기본 원리와 호기심, 지속적인 탐구가 더욱 중요해진다는 것이다.
## 디자인은 어디에서든 시작할 수 있다
- Figma는 Config 2026을 맞아 디자인의 현재를 보여주는 인쇄 매거진을 제작했다.
- 매년 주제와 기고자, 디자인은 달라지지만, “지금 디자인이 어떤 모습인가”를 아름다운 인쇄물로 표현한다는 목표는 유지된다.
- 빠르게 변하는 제품과 기술 환경에서는 글이 출간될 때 이미 새로운 버전이 나올 수 있다.
- 이런 변화 속에서도 오래 남는 것은 다음과 같은 태도다.
- 무엇을 하는지 설명하기 전에 그것이 무엇인지 이해하려는 자세
- 새로운 도구의 가능성을 성급히 단정하지 않는 인내심
- 서로 다른 도구와 재료가 어떻게 연결될지 탐구하는 호기심
- 매거진은 초보자, 숙련된 실무자, 단순히 좋은 결과물을 빠르게 만들고 싶은 사람 모두를 독자로 삼는다.
- 세 가지 표지는 각각 다른 질문과 출발점을 제시하지만, 결국 같은 주제를 향해 계속 탐구하도록 유도한다.
## 모션이 캔버스에 들어오다
- Figma Motion은 타임라인을 Figma 캔버스 안에 제공한다.
- 모션 작업이 기존 컴포넌트, 변수, 팀 협업 환경과 같은 파일 안에서 이루어질 수 있다.
- 디자이너는 제품이 완성된 뒤 애니메이션을 추가하는 것이 아니라, 초기 단계부터 시간과 움직임을 설계할 수 있다.
- 모션 디자인에서는 도구 사용이 쉬워져도 기본 원리가 중요하다.
- 움직임의 속도와 타이밍
- 시각적 전환이 전달하는 의미
- 움직임을 통해 사용자 경험을 조직하는 방식
- Figma는 Brand Studio의 모션 디자이너들과 함께, “시간을 디자인한다”는 것이 무엇인지 설명한다.
## 코드와 디자인의 경계가 좁아지다
- 코드는 오래전부터 디자인 과정의 재료였지만, 기존에는 디자인 도구와 분리된 환경에 놓여 있었다.
- Figma는 코드 레이어를 디자인 캔버스에 도입해 코드와 시각적 디자인을 같은 멀티플레이어 공간에서 다룰 수 있도록 한다.
- 팀은 여러 코드 기반 방향을 나란히 탐색하고 비교할 수 있다.
- 디자인에서 코드로 일방향 전달하는 방식보다, 코드와 캔버스 사이를 반복적으로 오가는 작업 흐름이 가능해진다.
- 이러한 변화는 디자인과 개발의 역할을 단순히 합치는 것이 아니라, 아이디어를 시험하고 발전시키는 경로를 늘린다.
## 디자인-코드 순환이 만드는 새로운 가능성
- 코드와 캔버스 사이의 이동이 자연스러워지면서 디자인과 개발 워크플로가 서로 수렴한다.
- Figma 소프트웨어 엔지니어 Alex Kern과 AI 디자인 디렉터 Gui Seiz는 연결된 작업 방식이 무엇을 가능하게 하는지 논의한다.
- 디자인 결과물을 코드로 넘기는 마지막 단계만 자동화하는 것이 아니라, 아이디어 구상과 구현 과정 전체가 연결된다.
- 이를 통해 팀은 다음을 더 빠르게 반복할 수 있다.
- 여러 제품 방향의 실험
- 디자인과 실제 구현의 비교
- 팀원 간 피드백과 수정
- 아이디어를 프로덕션에 가까운 형태로 검증
## AI가 아이디어에서 제품까지의 과정을 바꾸다
- AI 도구는 팀이 제품을 시작하는 지점뿐 아니라, 아이디어가 실제 제품으로 이어지는 방식까지 바꾸고 있다.
- 변화는 특정 도구 하나의 도입보다 전체 프로세스의 재구성에 가깝다.
- 매거진은 네 조직의 사례를 통해 AI를 활용해 아이디어를 제품으로 발전시키는 새로운 접근법을 소개한다.
- AI는 초기 아이디어 생성, 방향 탐색, 프로토타이핑, 제작 단계 간의 연결을 강화할 수 있다.
- 다만 AI가 디자인 판단을 대신한다기보다, 사람이 더 많은 가능성을 빠르게 탐색하고 선택하도록 돕는 역할에 초점이 맞춰져 있다.
## 인간과 AI의 미래적 상호작용
- 매거진의 “Future states” 섹션은 기계 지능과 인간 지능의 간극이 좁아졌을 때의 가능성을 상상한다.
- 커뮤니티 구성원들은 AI가 소프트웨어를 더 인간적인 방식으로 만들 수 있다고 제안한다.
- 예시로 다음과 같은 방향이 제시된다.
- 사용자의 감정이나 상태를 이해하는 인터페이스
- 사용자의 선택이 어떤 결과로 이어질지 예측하는 시스템
- 인간의 맥락과 의도를 더 깊이 파악하는 소프트웨어
- 이는 AI를 단순한 자동화 도구가 아니라, 인간의 의사결정과 상호작용을 보조하는 새로운 인터페이스 재료로 바라보는 관점이다.
새로운 도구를 익히는 가장 좋은 방법은 완벽한 출발점을 기다리기보다 작은 아이디어에서 바로 시작해 보는 것이다. 모션, 코드, AI를 기존 디자인 과정에 단계적으로 결합하되, 도구보다 디자인 원리와 사용자 경험에 대한 판단을 중심에 두는 것이 바람직하다.
토스 QA Platform 팀은 매주 수백 건의 변경이 포함된 앱을 안정적으로 배포하기 위해, 테스트와 품질 관리의 표준화를 추진하고 있습니다. 단순히 테스트 도구를 제공하는 데 그치지 않고, AI와 자체 플랫폼을 활용해 테스트 실행부터 결함 분석, 출시 후 대응까지 효율화하려 합니다. 궁극적으로는 사람이 중요한 판단에 집중하고, 반복적인 검증은 자동화하는 것이 목표입니다.
## 매주 반복되는 릴리즈 검증
- 토스는 매주 새로운 버전을 배포하며, 한 번의 릴리즈마다 평균 300~400건의 코드가 변경됩니다.
- 릴리즈 후보가 올라오면 다음 순서로 검증합니다.
- **토스닥터(Toss Doctor)**: 로그인부터 탈퇴까지 핵심 기능을 빠르게 확인하는 스모크 테스트
- **PRCheck**: 변경된 코드와 영향 범위, 버그 위험도, 테스트 우선순위 분석
- **토스체커(Toss Checker)**: 기존 기능이 손상되지 않았는지 확인하는 전사적 리그레션 테스트
- 배포 후에는 크래시 지표를 모니터링하고, 문제가 발생하면 핫픽스를 즉시 배포할지 다음 릴리즈에서 해결할지 판단합니다.
- 핫픽스는 사용자에게 추가 업데이트를 요구하므로, 단순히 빠른 대응보다 재발 가능성과 해결의 안전성을 함께 고려합니다.
## 토스 전체의 품질을 지원하는 QA
- QA Platform 팀의 역할은 특정 제품의 테스트에 국한되지 않습니다.
- QA를 처음 시작하는 팀에 테스트 방향을 제시하고, 사내 도구의 품질을 보증하며, 조직 단위의 QA 프로세스 설계를 지원합니다.
- 목표는 누구나 쉽게 테스트 케이스를 만들고, 빠르고 정확하게 테스트할 수 있는 환경을 구축하는 것입니다.
- 이를 통해 개별 팀이 아닌 토스 전체의 품질 수준을 끌어올리려 합니다.
## 토스 품질의 세 가지 표준
- **매번 신뢰할 수 있는 배포**
- 한 번 성공하는 것이 아니라 매주 일정한 품질과 신뢰성을 유지하는 것이 중요합니다.
- **결함을 정확히 발견하는 테스트**
- 테스트의 양보다 실제 사고로 이어질 가능성이 높은 결함을 놓치지 않는 것이 핵심입니다.
- **효율적인 품질 보증**
- 반복 작업을 사람의 수작업만으로 처리하지 않고 자동화해, 지속 가능한 방식으로 품질을 유지해야 합니다.
- 올해는 여기에 AI를 활용해 자동으로 수행되는 테스트의 범위를 넓히고 있습니다. 다만 모든 판단을 AI에 맡기기보다, 사람은 사람의 판단이 필요한 영역에 집중하도록 역할을 나눕니다.
## 자체 QA 플랫폼 ‘토션’
- 상용 도구는 토스의 빠른 배포 주기와 업무 방식에 맞게 유연하게 바꾸기 어려웠기 때문에 자체 플랫폼 **토션(Tossion)**을 개발했습니다.
- 토션은 처음에 TestRail을 대체하는 플랫폼으로 시작했습니다.
- 테스트 케이스 작성
- 테스트 실행
- 결과 기록
- 테스트 관련 봇 통합
- 여러 봇은 **토스버틀러(Toss Butler)**라는 하나의 봇으로 통합해 토스의 업무 흐름에 맞췄습니다.
- 이후 다음 기능들이 추가됐습니다.
- **PRCheck**: PR 변경 사항을 분석하고 테스트가 필요한 영역을 제시
- **tcgen**: PRD, 디자인 문서 등 여러 맥락을 바탕으로 테스트 케이스 초안 자동 생성
- **자동화 테스트 플랫폼**: 매뉴얼 테스트와 자동화 테스트 결과를 한 화면에서 비교
- **Crash Trend 대시보드**: 크래시의 발생 추세와 토스에 적합한 지표를 분석
- **핫픽스 대시보드**: 장애 원인 분류와 재발 방지 대책 관리
## 도구 제공만으로는 부족했던 이유
- 팀은 테스트 케이스를 쉽게 만들면 사람들이 테스트를 더 적극적으로 수행할 것이라고 예상했습니다.
- 하지만 tcgen을 공개한 뒤 기대만큼 사용되지 않았습니다.
- 실제 사용자가 원한 것은 테스트 도구가 아니라 다음과 같은 지원이었습니다.
- 누군가 테스트를 빠르고 정확하게 대신 수행할 것
- 테스트 결과의 품질까지 책임질 것
- 도구를 제공하는 것은 사용자 입장에서 업무를 줄이는 것이 아니라 새로운 업무를 넘기는 일이 될 수 있었습니다.
- 이에 따라 QA Platform 팀은 도구를 제공하는 데서 나아가, 직접 테스트를 처리하고 품질까지 책임지는 방향으로 전략을 바꿨습니다.
## AI와 빠른 방향 전환
- AI는 빠르게 발전하기 때문에 어제 효과적이었던 방식이 오늘에는 낡을 수 있습니다.
- QA 도구가 품질 향상을 돕기보다 변화 속도를 늦추지 않도록, 지속적인 검토와 폐기가 필요합니다.
- 실제로 API 테스트를 위한 **API Labs**는 방향이 맞지 않다고 판단해 개발 8시간 만에 폐기했습니다.
- 토션, 토스닥터, 토스체커, 자체 스킬들도 완성된 제품이 아니라 필요하면 언제든 교체할 수 있는 시스템으로 설계됐습니다.
- AI가 도구를 만드는 속도는 높여도 다음 문제를 대신 결정하지는 못합니다.
- 무엇을 품질로 정의할 것인가
- 어떤 기준을 끝까지 지킬 것인가
- 어떤 테스트를 사람에게 맡길 것인가
- 따라서 품질 기준을 세우고 도구의 방향을 조정하는 일은 여전히 QA 팀의 핵심 역할입니다.
## 앞으로 이어질 이야기
- 이후 시리즈에서는 다음 주제를 구체적으로 다룰 예정입니다.
- 토션이 어떻게 시작됐는지
- 토스닥터가 배포 전 무엇을 검증하는지
- 토스체커가 증가하는 회귀 테스트를 어떻게 자동화하는지
- 지능형 AI 봇이 여러 도구를 어떻게 연결하는지
- 토스 QA Platform 팀은 매주 반복되는 변화 앞에서 “정말 배포해도 괜찮은가”를 확인하며, 테스트를 수행하는 방법 자체를 만들어가고 있습니다.
실용적으로는 테스트 도구를 도입할 때 기능 수보다 사용자의 실제 부담을 줄이는지 먼저 검증해야 합니다. 또한 AI 기반 QA 시스템은 완성품으로 보기보다, 품질 기준과 업무 방식의 변화에 맞춰 빠르게 교체·개선할 수 있도록 설계하는 것이 중요합니다.
모션 디자인은 정적인 그래픽에 시간, 리듬, 속도, 소리, 순서를 더해 의미와 감정을 전달하는 작업이다. 좋은 모션을 만들려면 물리적 움직임을 이해하고, 타이밍과 이징을 활용해 이야기를 단계적으로 보여줘야 한다. 또한 자연·영화·예술 등 다양한 분야에서 움직임의 영감을 얻고, 우연히 생기는 조화까지 열린 태도로 받아들이는 것이 중요하다.
## 그래픽 디자인과 모션 디자인의 차이
- 그래픽 디자인은 정지된 한 장면 안에서 메시지를 전달한다.
- 모션 디자인은 시간의 흐름을 활용해 다음 요소를 추가한다.
- 리듬과 페이싱
- 변형과 전환
- 움직임의 성격과 캐릭터
- 소리와 이미지의 동기화
- 모든 내용을 한 화면에 담기보다 여러 프레임으로 나누어 “먼저 이것, 다음에 저것”의 순서로 보여주면 이야기를 더 쉽게 이해시킬 수 있다.
- 모션의 핵심은 움직임 자체보다 시간 요소를 사용해 아이디어와 감정을 전달하는 데 있다.
## 타이밍, 이징, 사운드의 역할
- 이징과 타이밍은 움직임의 감정과 의도를 결정한다.
- 음악의 박자처럼 모션도 속도와 간격의 구조를 가진다.
- 이미지와 소리가 결합하면 각각의 요소를 넘어선 새로운 의미와 연결이 만들어진다.
- 설계자가 모든 결과를 완벽히 통제하기보다, 사운드와 이미지가 만나며 생기는 우연한 효과와 ‘행복한 실수’를 받아들이는 태도도 창작의 중요한 부분이다.
## 물리학에서 찾는 움직임의 기준
- 현실의 움직임은 모션 디자인의 기본 참고점이다.
- 예를 들어 공이 튀는 움직임은 다음과 같은 물리적 특징을 가진다.
- 처음에는 빠르게 움직인다.
- 위로 올라갈수록 속도가 느려진다.
- 다시 떨어진다.
- 반복할 때마다 튀어 오르는 높이가 낮아진다.
- 이런 가속·감속과 에너지의 변화를 포착해야 움직임이 자연스럽고 설득력 있게 느껴진다.
- 관객은 움직임이 왜 좋은지 설명하지 못해도 현실의 경험을 바탕으로 자연스러움과 어색함을 직관적으로 판단한다.
## 다양한 분야에서 얻는 영감
- 기존 모션 디자인만 참고하면 유행하는 표현을 반복하기 쉽다.
- 자연의 움직임에서는 생동감과 물리적 설득력을 얻을 수 있다.
- 영화의 스토리텔링과 편집 기법에서는 장면 전환과 서사 구성 방식을 배울 수 있다.
- 예술과 디자인의 제스처, 형태, 움직임은 차별화된 표현을 만드는 데 도움이 된다.
- 익숙한 공이나 사각형 애니메이션을 넘어 다양한 시각적·서사적 자원을 활용해야 독창적인 결과를 만들 수 있다.
## 모션의 핵심 원칙
- **Ease in / Ease out**: 움직임이 시간에 따라 가속하거나 감속하는 방식
- **Anticipation**: 앞으로 일어날 동작을 예고하는 준비 동작
- **Overshoot**: 목표 지점을 약간 지나친 뒤 원래 위치로 돌아오는 움직임
- **Follow-through**: 주된 움직임이 끝난 뒤에도 이어지는 보조 움직임
- **Hold**: 관객이 방금 일어난 일을 인식할 수 있도록 잠시 멈추는 구간
- **Settle**: 대상이 최종 위치에 도달한 뒤 안정되는 미세한 움직임
## 전환으로 이야기를 연결하기
- 이징은 움직임의 속도뿐 아니라 장면이 자연스럽게 정착하는 느낌까지 결정한다.
- **Match cut**은 서로 다른 장면을 같은 움직임이나 형태로 연결하는 편집 방식이다.
- 느림에서 빠름으로, 다시 느림으로 속도를 변화시킨 뒤 가장 빠른 순간에 장면을 전환하면 두 장면이 매끄럽게 이어질 수 있다.
- 전환은 이야기의 각 박자를 연결하고 전체 흐름을 하나로 묶는 역할을 한다.
실무에서는 먼저 전달하려는 메시지와 감정을 정한 뒤, 현실의 물리 법칙을 참고해 타이밍과 이징을 설계하는 것이 좋다. 여기에 자연·영화·음악 등 다양한 분야의 움직임을 결합하면 더 자연스럽고 독창적인 모션을 만들 수 있다.
AI 시대의 소프트웨어는 사용자가 정해진 메뉴와 명령어를 배우는 방식에서 벗어나, 사람의 의도·감정·상황을 이해하고 그에 맞게 반응하는 방향으로 발전할 수 있다. 글은 창작자 커뮤니티의 상상을 통해, 소프트웨어가 더 자연스럽고 인간적인 상호작용을 제공하는 미래를 제시한다. 결론적으로 중요한 변화는 기능의 증가 자체보다 기술이 사람의 맥락과 상태에 맞춰지는 데 있다.
## 소프트웨어와 문화의 상호작용
- 핀치 투 줌, 좋아요 누르기, 스와이프처럼 특정 제품을 위해 만들어진 제스처가 사람들의 사고방식과 문화까지 바꿔 왔다.
- AI의 등장은 또 다른 전환점으로, 소프트웨어를 만들고 사용하고 서로 소통하는 방식을 새롭게 상상하게 한다.
- 미래의 인터페이스는 기술 중심이 아니라 사람의 의도, 감정, 관계 형성 방식을 중심으로 설계될 가능성이 있다.
## 맥락에 따라 나타나는 일시적 도구
- 사용자가 프레임, 문장, 영상 클립 등 특정 요소를 선택하면 현재 상황에 필요한 조작 기능만 주변에 표시된다.
- 작업이 끝나면 해당 컨트롤은 사라져, 항상 메뉴와 패널을 탐색하거나 기능 위치를 외울 필요가 줄어든다.
- 예를 들어 느린 영상 클립을 선택하면 타이밍, 페이싱, 대체 컷, 사운드 브리지 같은 관련 옵션이 바로 제공된다.
- 사용자는 버튼을 누르는 방법보다 “무엇을 왜 바꾸려는지”에 집중할 수 있다.
## 음성·몸짓을 이해하는 매직 마커
- 사용자가 화면의 대상을 동그라미 치고 원하는 위치로 끌면서 음성으로 설명하면, AI가 말·커서의 이동·몸짓을 함께 해석한다.
- 모션 디자인에서는 레이어를 직접 움직이며 바운스, 속도, 이징 등을 말이나 소리, 신체 표현으로 설명할 수 있다.
- 문서 내 객체를 정확히 지칭하거나 정교한 프롬프트를 작성할 필요가 줄어든다.
- AI가 검색창이나 명령어 도구가 아니라, 말하고 가리키며 협업하는 동료처럼 작동하는 방식이다.
## 필요한 결과에 맞춰 변하는 적응형 존재감
- 시스템은 사용자의 반응을 관찰해 도움의 수준과 전달 방식을 조절한다.
- 사용자가 혼란스러워하면 단계별 안내를 제공하고, 익숙하게 작업하면 개입을 줄인다.
- 상황에 따라 음성·텍스트·시각 자료를 전환하고, 속도를 늦추거나 정보를 작은 단계로 나눌 수 있다.
- 지금까지는 사람이 기계의 작동 방식에 적응해야 했지만, AI 시대에는 시스템이 사용자의 준비도와 능력에 맞춰야 한다.
- 의료와 교육처럼 사용자의 상태와 이해 수준이 중요한 분야에서 특히 의미가 크다.
## 감정에 반응하는 공감형 흐름
- 입력 속도, 스타일러스 압력, 말하는 리듬, 표정, 같은 문장을 반복해서 수정하는 행동 등이 사용자의 감정 신호로 활용된다.
- 음식 배달 앱은 결정 피로가 감지되면 선택지를 단순화하고, 창작 도구는 사용자가 몰입한 순간 불필요한 버튼과 프롬프트를 숨길 수 있다.
- 호텔 앱은 사용자가 피곤한 상태로 체크인한다고 판단하면 업그레이드 제안 대신 “객실이 준비되었습니다”라는 핵심 정보만 전달한다.
- 사용자가 원하는 것을 매번 명시적으로 설명하지 않아도, 시스템이 행동과 상태를 바탕으로 필요한 경험을 제공하는 방식이다.
## 신경계를 안정시키는 상황 단서
- 초기 디지털 경험의 모뎀 접속음, 진행 표시줄, “메일이 도착했습니다”라는 음성처럼 사용자의 위치와 진행 상태를 알려 주는 신호를 다시 활용한다.
- 오늘날의 인터페이스는 주의를 끌기 위한 알림은 많지만, 사용자를 안정시키고 방향을 알려 주는 단서는 부족하다.
- 항상 보이는 진행률, 전환을 알리는 소리, 일관된 시각 언어 등을 통해 경험의 흐름을 예측 가능하게 만들 수 있다.
- 제품 자체가 자극적이지 않은 것만으로는 부족하며, 이미 과부하된 사용자의 신경계를 적극적으로 진정시키는 설계가 필요하다.
## 움직임으로 조율하는 공간형 상호작용
- 클릭과 탭 대신 손짓, 몸의 방향, 기울기와 같은 움직임으로 시스템을 조작한다.
- 음악 소프트웨어에서 공중으로 손을 쓸어 소리를 변형하거나, AR 환경에서 몸을 기울여 이동하고, 복잡한 디자인 도구의 시각 효과를 제스처로 조정할 수 있다.
- 이런 상호작용은 자동화하거나 빠르게 처리하기 어렵기 때문에 사용자의 지속적인 주의와 현재 순간에 대한 몰입을 요구한다.
- 기술이 속도와 효율만 보상하는 것이 아니라, 의도적인 느림과 신체적 참여를 경험의 일부로 만들 수 있다.
## 서로 다른 입력을 결합하는 매시업
- 데스크톱에서 두 파일을 함께 끌어놓거나, 터치스크린에서 두 객체를 동시에 누르거나, XR에서 두 대상을 손뼉 치듯 결합해 새로운 결과물을 만든다.
- 시스템은 두 입력의 구조·분위기·의미를 합성해 하나의 새로운 결과를 생성한다.
- 예를 들어 재생목록과 도시 지도를 결합하면 음악과 장소 정보가 결합된 새로운 경험을 만들 수 있다.
- 다만 제공된 글 내용은 이 매시업 섹션의 중간에서 끝나므로 구체적인 후속 사례와 결론은 확인할 수 없다.
실무적으로는 AI 기능을 추가할 때 명령어와 메뉴를 늘리는 것보다, 사용자의 의도·감정·상황을 어떻게 감지하고 필요한 순간에만 개입할지 먼저 설계하는 것이 중요하다. 특히 자동화가 사용자의 통제권을 빼앗거나 감정을 과도하게 추론하지 않도록, 명확한 피드백과 개입 조절 기능도 함께 제공해야 한다.
AI는 개인 생산성 도구를 넘어 팀의 협업 방식 자체를 바꾸고 있다. Figma의 조사에서 AI가 팀워크에 유의미한 변화를 일으킨다고 답한 비율은 2년 전 7%에서 41%로 증가했다. 이제 중요한 경쟁력은 더 많이 만드는 능력보다, 무엇을 만들지 함께 판단하고 빠르게 실행하는 능력이다.
## 조사 범위와 AI 협업의 변화
- 3년간 디자이너, 개발자, PM을 대상으로 조사했으며, 설문 응답 8,403건과 정성 인터뷰 639건을 분석했다.
- 조사 대상 국가는 기존 7개국에서 브라질, 인도, 한국을 추가해 10개국으로 확대됐다.
- AI가 팀의 협업 방식을 바꾼다고 답한 비율은 2년 전 7%에서 현재 41%로 증가했다.
- AI가 개인의 생산성을 높이면서, 이제 최적화 대상은 ‘10배 더 일하는 개인’이 아니라 ‘함께 더 빠르게 움직이는 팀’이 됐다.
## 캔버스 중심의 멀티플레이어 워크플로
- 디자이너의 개발 참여율은 지난 1년 동안 21%에서 41%로 두 배 가까이 증가했다.
- 개발자의 디자인 업무 참여율도 44%에서 60%로 상승했다.
- 제품 제작자의 76%는 업무의 절반 이상을 캔버스에서 수행하며, 10명 중 6명은 대부분의 시간을 캔버스에서 보낸다.
- 개발자의 20%는 터미널이나 프롬프트보다 캔버스에서 프로젝트를 시작하는 것을 선호한다.
- 터미널과 프롬프트가 개인 중심의 작업 공간이라면, 캔버스는 아이디어를 나란히 비교하고 피드백을 주고받으며 문제를 함께 탐색하는 공간이다.
## AI 시대에 더 중요해진 디자인의 역할
- AI는 제품, 카피, 이미지 등 거의 무엇이든 빠르게 만들 수 있지만, 무엇을 만들어야 하는지는 스스로 결정하지 못한다.
- 프로토타입 제작과 콘텐츠 생성이 쉬워질수록 다음 판단이 중요해진다.
- 어떤 제품을 출시할 것인가
- 어떤 메시지를 전달할 것인가
- 경쟁 제품과 어떻게 차별화할 것인가
- 속도, 품질, 비용 사이에서 어떤 타협을 선택할 것인가
- 응답자의 90%는 AI 이전보다 디자인이 최소한 같은 수준으로 중요하다고 답했으며, 약 60%는 더 중요해졌다고 평가했다.
- 개발자 중에서도 65%가 디자인의 중요성이 커졌다고 답했다.
- AI가 제작 능력의 격차를 줄일수록, 디자인적 판단력과 취향, 사용자 경험을 개선하는 능력이 더 큰 차별점이 된다.
- 올바른 의사결정은 개인보다 여러 직군이 함께 논의할 때 더 정교해진다.
## 조직별 AI 도입 패턴
조사에서는 조직의 AI 도입 방식을 네 가지 유형으로 구분했다.
- **통합형(Unified, 36%)**
- 개인과 조직이 같은 방향으로 AI를 도입한다.
- 공유된 업무 방식과 공통의 실행 체계가 마련되어 있다.
- **지시형(Directive, 27%)**
- 경영진이나 리더십이 위에서부터 AI 도입을 추진한다.
- 전략은 존재하지만 실제 현장 업무와 연결되지 않을 수 있다.
- **자발적 확산형(Grassroots, 20%)**
- 실무자들이 먼저 AI 활용법을 개발하고 조직에 확산한다.
- 구성원 간 활용 수준과 방식이 달라 소통 및 지식 공유의 공백이 생길 수 있다.
- **초기 단계형(Nascent, 18%)**
- AI 활용이 아직 제한적이며 조직 차원의 방향이나 경험이 충분히 형성되지 않았다.
## AI 도입의 핵심은 조직 간 격차 해소
- AI를 ‘혁신적’이라고 평가하는 디자이너, 개발자, PM의 비율은 1년 만에 세 배 증가했다.
- 그러나 AI를 빠르게 도입하는 속도와 실제 체감 효과는 조직마다 크게 다르다.
- 상향식 도입과 하향식 도입 모두 공통적으로 다음 문제를 겪는다.
- 팀마다 AI 활용 수준이 다름
- 공유된 업무 원칙과 플레이북이 없음
- 조직의 전략과 실무 적용 사이에 간극이 존재함
- 팀 간 커뮤니케이션과 지식 공유가 부족함
- 실무자 중심으로 AI를 도입하는 조직은 효과적인 워크플로를 공개하고, 이를 공유 공간과 표준 프로세스로 발전시켜야 한다.
- 리더십 중심으로 추진하는 조직은 AI 전략이 실제 업무에서 어떻게 적용되는지 확인하고 현장과의 간극을 줄여야 한다.
AI 시대의 목표는 한 사람이 얼마나 빨리 일하느냐가 아니라, 팀 전체가 같은 맥락에서 더 빠르게 판단하고 움직이는 것이다. 따라서 기업은 개인별 AI 도구 도입에만 집중하기보다, 캔버스와 같은 협업 공간, 공통 플레이북, 직군 간 의사결정 프로세스를 함께 구축하는 것이 바람직하다.
이번 글은 카카오와 삼성전자가 공동 개최한 AI 해커톤을 통해, 개발 역량을 사회문제 해결과 연결한 사례를 소개합니다. 참가자들은 AI 민생 10대 프로젝트를 주제로 실제 서비스 프로토타입을 개발하며 문제 정의, 협업, 전문가 피드백의 중요성을 경험했습니다. 글은 이러한 실전형 협력이 AI 시대의 개발자 양성과 사회적 가치 창출을 동시에 이루는 출발점이라고 결론짓습니다.
## 카카오·삼성 공동 AI 해커톤의 배경
- 2026년 6월 13~14일 경기도 용인 카카오 AI캠퍼스에서 개최됐습니다.
- 카카오테크 부트캠프와 삼성 청년 SW·AI 아카데미(SSAFY)가 처음으로 공동 주최했습니다.
- 두 기관 모두 고용노동부 K-디지털 트레이닝 사업을 기반으로 디지털 인재를 양성하고 있습니다.
- 예선을 통과한 12개 팀, 약 90명의 교육생이 참여했습니다.
- 단순한 개발 경연을 넘어 서로 다른 교육 배경의 참가자들이 협업하고 성장하는 것을 목표로 했습니다.
## AI 민생 10대 프로젝트와 사회문제 해결
- 참가자들은 정부가 선정한 ‘AI 민생 10대 프로젝트’ 중 하나를 주제로 선택했습니다.
- 주요 문제 영역은 다음과 같습니다.
- 소상공인 지원
- 보이스피싱 대응
- 아동·청소년 보호
- 해양 안전
- 제한된 시간 안에 문제를 정의하고 사용자 관점에서 해결책을 설계했습니다.
- AI 기술을 적용한 서비스 모델을 실제 프로토타입으로 구현했습니다.
- 기술 자체의 활용보다 AI가 어떤 사회적 가치를 만들어낼 수 있는지에 초점을 맞췄습니다.
## 정부·현업 전문가의 실전형 멘토링
- 경찰청, 법무부, 여성가족부 등 정부 부처 담당자들이 멘토로 참여했습니다.
- 참가자들은 정책과 현장의 요구사항을 직접 확인하고 질의응답을 진행했습니다.
- 카카오 현업 개발자들은 특강과 기술 멘토링을 제공했습니다.
- 전문가 피드백을 통해 아이디어의 현실성, 서비스 완성도, 문제 해결 방향을 개선했습니다.
- 교육 과정에서 배운 기술을 실제 공공 문제에 적용하는 경험을 제공했습니다.
## 서로 다른 배경의 개발자 간 협업
- 카카오테크 부트캠프와 SSAFY는 서로 다른 교육 방식과 경험을 가진 참가자들을 배출해왔습니다.
- 참가자들은 처음 만난 동료들과 역할을 나누고 아이디어를 발전시켰습니다.
- AI를 결과물 제작에 어떻게 활용할지 논의하며 새로운 개발 방식을 실험했습니다.
- 다양한 경험과 관점을 공유하면서 기존에 생각하지 못했던 해결책을 발견했습니다.
- 기술 역량뿐 아니라 소통, 협업, 공동 문제 해결 능력의 중요성을 체감했습니다.
## 수상작과 개발자 생태계 확장
- 최종 심사를 통해 총 5개 팀이 수상했습니다.
- 고용노동부 장관상은 통신 두절 상황에서도 AI로 해상 구조를 지원하는 서비스 ‘DRIFT’를 개발한 ‘골든타임’ 팀이 받았습니다.
- 카카오 대표이사상은 AI 기반 민원 접수·처리 서비스 ‘민담’을 개발한 ‘SSAIKA’ 팀이 수상했습니다.
- 전체 상금은 1,500만 원 규모였습니다.
- 카카오는 2022년부터 660명 이상의 디지털 인재를 양성해왔으며, 이번 행사를 통해 SSAFY와 교육 경험을 연결했습니다.
- 기업 간 경쟁보다 인재 양성과 사회적 가치 창출을 위한 협력 모델을 제시했다는 데 의미가 있습니다.
## 미래 개발자에게 필요한 역량
- AI 시대에는 단순한 코딩 능력만으로는 충분하지 않습니다.
- 중요한 역량은 다음과 같습니다.
- 사회문제를 발견하고 정의하는 능력
- 사용자 관점에서 해결책을 설계하는 능력
- AI 기술을 실제 서비스에 적용하는 능력
- 다양한 배경의 사람들과 협업하는 능력
- 기술의 사회적 영향과 가치를 고려하는 태도
- 실전 프로젝트와 전문가 멘토링은 이러한 역량을 짧은 시간 안에 종합적으로 경험하게 합니다.
개발자 교육과 해커톤은 최신 기술 구현에만 머물지 않고, 실제 사회문제를 해결하는 방향으로 설계될 필요가 있습니다. 교육기관과 기업이 협력해 현장 전문가, 사용자, 개발자가 함께 참여하는 프로젝트를 확대한다면 기술 인재 양성과 사회적 가치 창출을 동시에 달성할 수 있습니다.
호텔 업계의 AI 투자는 빠르게 확대되고 있지만, 실제로 핵심 운영에 AI를 통합하고 투자수익률을 입증한 기업은 10% 미만이다. 성공의 걸림돌은 모델 성능보다 데이터 단절, 낡은 결제 인프라, 실제 업무 흐름과 연결되지 않은 기술에 있다. 앞으로는 검색 최적화보다 AI 답변에 노출되는 구조화된 데이터, 원활한 결제, 눈에 띄지 않게 작동하는 개인화 기술이 경쟁력을 좌우할 전망이다.
## AI 시대의 직접 예약 경쟁
- 기존 호텔 업계는 SEO와 검색 순위 개선을 통해 Expedia, Booking.com 같은 OTA를 거치지 않고 직접 예약을 유도했다.
- 그러나 AI Overview가 포함된 Google 검색의 65%는 사용자가 웹사이트를 클릭하지 않고 종료되며, 모바일에서는 이 비율이 78%까지 높아진다.
- 업계의 전통적인 검색 트래픽은 약 25% 감소하고 있어, 키워드와 백링크 중심의 SEO만으로는 충분하지 않다.
- AI 모델에 노출되려면 다음 정보가 정확하고 기계가 읽기 쉬운 형태로 제공되어야 한다.
- 객실 유형과 세부 조건
- 편의시설
- 취소 및 환불 정책
- 주변 지역 정보
- 실시간 재고와 요금
- 숙박업체 사이트의 90% 이상이 아직 AI 모델에 제대로 탐지되지 않는다.
- 여행자의 56%가 최근 1년 동안 여행 계획, 예약 또는 현지 지원에 AI를 사용했다.
- 따라서 대규모 AI 투자보다 먼저, 주요 AI 서비스가 자사 호텔을 정확히 설명하고 있는지 데이터 감사를 수행해야 한다.
- AI 검색 노출만으로는 부족하며, 현지 결제수단·통화, 원클릭 결제, 사기 방지 기능을 갖춘 결제 과정까지 연결해야 예약 전환이 가능하다.
## 호텔 AI의 병목은 모델보다 데이터 연결성
- 많은 호텔이 AI 기능을 도입하고 있지만, 전략과 데이터 기반, 운영 아키텍처가 부족해 안정적으로 확장하지 못하고 있다.
- 주요 시스템이 분리되어 있어 동일 고객에 대한 정보가 여러 곳에 흩어진다.
- PMS(호텔 운영 시스템)
- CRM
- 멤버십·로열티 시스템
- 식음료 시스템
- 결제 시스템
- 이로 인해 AI 개인화가 부정확해지고, 재무팀의 대사 업무가 늘며, 고객 프로필이 불완전해지고, 고객 경험에도 마찰이 발생한다.
- 중요한 것은 AI를 만드는 것보다 실제 운영 환경에서 안정적으로 실행하는 ‘AI 운영화’다.
- 효과적인 기업은 정제되고 연결된 데이터를 업무 흐름 안에 제공해 직원이 적시에 행동하도록 만든다.
- 예를 들어:
- Delta Air Lines는 고객 프로필과 운영 데이터를 활용한 AI 컨시어지를 모바일 앱의 고객 지원 과정에 통합했다.
- Wynn Las Vegas는 목표 대비 실적이 하락할 때 수익 관리자에게 예측 알림과 구체적인 대응 방안을 함께 제공한다.
- 즉, 대부분의 여행 기업에서 우선 해결해야 할 문제는 더 좋은 AI 모델이 아니라 데이터의 통합과 업무 시스템 연결이다.
## 결제 인프라가 예약과 고객 경험을 좌우한다
- 호텔 업계는 결제를 단순한 비용과 운영 기능으로 취급해왔지만, 이제 결제 방식 자체가 성장과 경쟁력의 요소가 되고 있다.
- 호텔 경영진 설문에서:
- 90%는 결제가 성장에 중요하다고 답했다.
- 37%는 결제수단 부족이 고객 경험을 가장 크게 해치는 요인이라고 답했다.
- 58%는 사기 방지 시스템이 정상 거래까지 차단한다고 답했다.
- 74%는 결제 시스템 분절로 대사 업무에 과도한 시간이 든다고 답했다.
- 특정 국가에서 널리 쓰이는 결제수단을 지원하지 않으면 고객은 결제가 가능한 OTA나 다른 플랫폼으로 이동한다.
- 대형 OTA는 결제 전문 인력을 대규모로 운영할 수 있지만, 독립 호텔이나 소규모 사업자는 같은 방식으로 투자하기 어렵다.
- 대신 적절한 결제 인프라를 사용하면 적은 인력으로도 여러 국가의 결제수단, 통화, 사기 방지 기능을 운영할 수 있다.
- 결제 범위의 작은 차이가 직접 예약을 잃고 OTA에 고객을 빼앗기는 결과로 이어질 수 있다.
## 성공적인 기술은 고객에게 보이지 않는다
- 고객은 작동하지 않는 기술에 큰 불만을 느끼며, 반드시 항의하지 않더라도 재방문하지 않을 수 있다.
- 기술의 성공 기준은 고객이 기술의 존재를 인식하지 못할 정도로 자연스럽게 작동하는 것이다.
- 이상적인 개인화 경험의 예시는 다음과 같다.
- 고객이 도착하기 전에 객실 온도가 선호 수준으로 설정됨
- TV에 선호 채널이 표시됨
- 선호하는 베개가 준비됨
- 고객이 매번 자신의 취향을 직접 입력하지 않아도, 과거 투숙·멤버십·운영 데이터를 바탕으로 필요한 서비스를 예측해야 한다.
- 다만 개인화는 “AI가 무엇을 했는지”를 과시하는 방식보다, 자연스럽고 방해 없이 서비스에 녹아드는 방식이 효과적이다.
## 실무적인 시사점
호텔과 여행 기업은 유행하는 AI 기능을 무작정 추가하기보다, 먼저 고객·객실·재고·결제 데이터를 통합해야 한다. 이후 AI 검색에서 자사 정보가 정확히 노출되는지 점검하고, 선호 결제수단을 지원하며, 예측 결과가 실제 직원 업무와 자동화된 조치로 이어지는지 확인하는 것이 우선이다. საბოლო적으로 경쟁력 있는 기술은 가장 화려한 기술이 아니라 예약을 늘리고 운영을 단순화하면서 고객이 불편을 느끼지 않게 하는 기술이다.
AI 시대에 문서는 조직의 맥락을 AI에 전달하는 핵심 수단이므로, AI가 문서를 잘 만들고 관리하도록 문서화 원칙과 사례를 학습시켜야 한다. 토스는 소수의 Technical Writer(TW)만으로 수천 명의 문서를 관리할 수 없다는 문제를 해결하기 위해, TW의 역할을 AI Skill로 자동화하려 했다. 하지만 Skill을 만들어 공개하는 것만으로는 사용률이 높아지지 않았고, 사용자가 직접 설치·호출하고 자료를 준비해야 하는 불편함이 주요 장애물로 드러났다.
## AI에게 TW의 암묵지 전달하기
- 기존 TW의 리뷰 코멘트를 분석해 문서를 바라보는 관점과 테크니컬 라이팅 원칙을 추출했다.
- 기존 가이드를 AI가 기계적으로 적용하지 않도록 각 원칙에 다음을 함께 제공했다.
- 잘못된 예시
- 올바른 예시
- 왜 그렇게 작성해야 하는지에 대한 설명
- 자주 작성하는 문서 유형별 템플릿을 만들었다.
- ADR 템플릿에는 다음과 같은 필수 섹션을 명시했다.
- 개요
- 맥락
- 고려한 선택지와 장단점
- 최종 결정
- 결정 근거
- 반드시 들어가야 하는 섹션에는 `(required)`를 붙여 AI가 핵심 정보를 누락하지 않게 했다.
- 문서 유형과 템플릿을 함께 제공해 AI가 구조와 작성 목적을 이해하도록 했다.
## 문서 작성 Skill 구축
TW가 문서 작성을 지원하는 과정을 네 단계로 분해해 AI Skill에 반영했다.
- **목적과 배경 확인**
- 서비스·프로젝트명
- 문서 목적
- 대상 독자
- 필요한 상세 수준
- 참고 자료
- 예상 문서 구조를 질문한다.
- **문서 구조 결정**
- 템플릿이 없으면 개요, 핵심 내용, 부가 정보 순서로 기본 구조를 만든다.
- 적합한 템플릿이 있으면 온보딩 가이드, 회의록, PRD 등 문서 유형별 템플릿을 참고한다.
- **본문 작성**
- 테크니컬 라이팅 원칙과 MDX 규칙에 따라 내용을 채운다.
- 템플릿은 문서의 목적과 유형에 맞을 때 보조적으로 사용한다.
- **점검**
- 어색한 표현이나 누락된 정보를 확인한다.
- 필수 정보가 부족하면 추측하지 않고 질문이나 주석으로 남긴다.
- 선택 항목은 근거 자료가 없을 경우 빈 섹션으로 만들지 않는다.
사용자는 AI가 묻는 질문에 답하기만 하면 되므로, TW와 대화하듯 문서 초안을 완성할 수 있도록 설계했다.
## 문서 리뷰 Skill의 시행착오
처음에는 기존 리뷰 코멘트를 체크리스트로 바꿔 AI가 모든 항목을 점검하게 했다. 그러나 AI가 중요한 문제는 놓치고, 실제로 필요하지 않은 코멘트를 억지로 생성하는 문제가 발생했다.
- 잘 작성된 문서의 기준은 어느 정도 정형화할 수 있다.
- 반면 잘못된 문서의 문제는 문서마다 다르게 나타난다.
- 목적은 명확하지만 논리 흐름이 어색한 경우
- 논리는 자연스럽지만 독자에게 전달할 가치가 빠진 경우
- 따라서 고정된 체크리스트만으로는 다양한 문서 문제를 효과적으로 찾기 어려웠다.
이를 해결하기 위해 AI가 원칙을 참고해 자율적으로 판단하는 리뷰 워크플로를 만들었다.
- 테크니컬 라이팅 원칙 파일을 먼저 읽는다.
- 문서를 원칙에 비추어 스스로 검토한다.
- 문제라고 판단한 이유와 수정 초안을 코멘트로 작성한다.
- 마지막에 체크리스트로 누락을 한 번 더 확인한다.
기존 리뷰 코멘트는 단순 점검 목록이 아니라, 원칙이 실제 문서에 어떻게 적용되는지 보여주는 예시로 활용했다. 예를 들어 `date: string`처럼 이름과 타입만 적는 대신, 의미·허용 형식·사용 예시까지 함께 작성하도록 가르쳤다.
## Skill만 공개해서는 충분하지 않았다
두 가지 Skill을 만들어 사내에 공개했지만, 기대만큼 사용되지 않았다.
- 사용자가 직접 Skill을 다운로드하고 설치해야 했다.
- 비개발자에게 CLI 기반 설치 과정이 낯설고 어려웠다.
- Skill을 설치한 뒤에도 문서를 작성할 때마다 사용자가 AI Skill을 떠올리고 직접 호출해야 했다.
- 문서 작성에 필요한 코드, 기획서, 기존 문서, Slack 링크 등의 자료도 사용자가 직접 찾아 AI에게 전달해야 했다.
- 결국 자동화된 기능이 있어도 실제 업무 흐름과 분리되어 있으면 사용자가 추가로 수행해야 하는 일이 많았다.
따라서 문서 자동화의 핵심은 좋은 프롬프트나 Skill을 만드는 데서 끝나지 않는다. 사용자가 별도로 설치하거나 기억하거나 자료를 수집하지 않아도, 실제 업무 과정에서 자연스럽게 AI가 문서 작성과 리뷰를 지원하도록 연결해야 한다.
커머스 조직의 지식 관리는 문서를 많이 쓰거나 자동화 도구를 도입하는 것만으로 완성되지 않는다. 무엇을 지식으로 남길지, 누가 책임질지, 어떤 문서를 신뢰할지에 대한 기준과 거버넌스가 함께 있어야 한다. 궁극적으로는 개인의 기억과 흩어진 기록을 조직의 업무 흐름 속에서 생성·검증·갱신되는 시스템으로 바꿔야 한다.
## 혼자 문서를 작성하는 방식의 한계
- 커머스 위키에 용어사전, 온보딩 문서, 정책 문서를 정리하자 팀마다 다르게 쓰던 용어를 통일하고 다른 팀의 기능을 이해하는 출발점을 만들 수 있었다.
- 하지만 제품과 정책의 변화 속도가 문서 작성 속도보다 빨랐다.
- 담당자가 바뀐 정책, 일시적인 실험, 메신저에서 논의된 결정까지 한 사람이 모두 추적하기는 불가능했다.
- 지식이 현장에서 먼저 생기고 TW가 뒤늦게 정리하는 구조로는 최신성을 유지하기 어려웠다.
## 참여를 유도하는 문화만으로 부족했던 이유
- 주간 뉴스레터, 정책 질문봇, 문서화 워크숍, 길드 등을 통해 구성원의 참여를 높였다.
- 문서 요청과 위키 인용은 늘었지만, 첫 기여가 지속적인 기여로 이어지지는 않았다.
- 문서 작성은 업무 우선순위에서 밀렸고, 작성된 문서도 시간이 지나며 갱신되지 않았다.
- 문서의 적절한 깊이와 대상 독자가 정해져 있지 않아 작성자가 매번 혼자 판단해야 했다.
- 실무자는 상세한 구현 정보가 필요하지만, 다른 팀에는 불필요한 노이즈가 될 수 있다.
- 개발자에게 유용한 변수명과 기술 세부사항은 비개발자의 이해를 방해할 수 있다.
- 문제는 구성원이 문서화에 무관심해서가 아니라, 무엇을 어디에 어느 수준으로 남기고 누가 검토할지 정해져 있지 않았다는 데 있었다.
- 문서화가 업무 흐름에 포함되고 팀의 책임으로 인정되어야 지속될 수 있다.
## AI 자동화가 보여준 구조적 문제
- 매일 밤 AI가 두 가지 신호를 바탕으로 문서 초안을 작성한다.
- 배포·정책 변경 공지에서 문서 갱신이 필요한 내용을 추출한다.
- 정책 질문봇이 답하지 못한 질문을 찾아 관련 자료를 바탕으로 새 문서 초안을 만든다.
- 사람은 빈 화면에서 처음부터 작성하는 대신, AI 초안의 근거를 확인하고 승인하는 역할을 맡는다.
- 자동화로 작성 부담은 줄었지만 새로운 문제가 드러났다.
- 비슷한 문서가 중복 생성됐다.
- 최신 문서가 무엇인지 판단하기 어려웠다.
- 종료된 실험이나 오래된 정책을 AI가 현행 정책처럼 답하는 경우가 생겼다.
- 자동화는 지식 수집과 초안 작성은 돕지만, 문서의 신뢰성·최신성·책임자를 결정하지는 못한다.
## 지식 거버넌스와 책임의 필요성
- 질문의 초점이 “문서를 어떻게 만들까?”에서 “어떻게 믿을 수 있는 지식을 만들까?”로 바뀌었다.
- 정책 담당자 변경, 오래된 결정의 폐기, 중복 문서 간 우선순위 같은 문제는 도구가 아니라 운영 기준이 해결해야 한다.
- 토스는 문서와 지식을 누가, 언제, 어떤 기준으로 만들고 관리하고 폐기할지 이해관계자가 함께 정하는 ‘커머스 문서·지식 거버넌스’를 제안했다.
- 거버넌스는 한 번 정하고 끝나는 규칙이 아니라, 실제 적용 결과를 확인하고 지속적으로 보완하는 체계다.
## 토스 팀의 지식 관리 기준
- **아는 것은 조직에 남긴다**
- 반복해서 묻는 질문
- 중요한 의사결정
- 새로 온 구성원이 알아야 하는 내용
- **남긴 지식은 찾을 수 있게 정리한다**
- 사람이 검색하거나 AI가 참조할 수 있도록 분류·구조화한다.
- 조직 특성에 따라 다음 기준을 선택할 수 있다.
- 기술 레이어: 데이터나 시스템의 처리 단계
- 서비스 도메인: 담당 서비스 영역
- 기능 단위: 시스템 또는 기능별 구분
- **필요한 순간에 사용할 수 있게 연결한다**
- 위키에 저장하는 데 그치지 않고 질문봇, GitHub 등 실제 업무 도구와 연결한다.
- **정확한 정보를 최신 상태로 유지한다**
- 문서 책임자와 검토 주기를 정한다.
- 실험 정책과 확정 정책을 구분하고, 종료된 정책은 폐기하거나 기록용으로 분류한다.
- 조직의 지식은 단순히 글로 남은 모든 정보가 아니라, 구성원이 상황을 이해하고 더 나은 결정을 내리는 데 도움이 되며 검증된 정보다.
## Knowledge Committee의 역할
- Knowledge Committee는 전사 문서 운영 기준을 정의하고 유지하며, 조직 간 기준 충돌을 조정하는 협의체다.
- 자발적 모임인 길드와 달리 공식적인 의사결정 권한과 실행력을 가진다.
- 운영은 두 층으로 나뉜다.
- **TW 챕터**: 문서의 정의, 상태, 출처, 책임자 등 전사 공통 기준을 관리한다.
- **각 도메인·챕터**: 현장 특성에 맞춰 문서의 책임자, 갱신·폐기 시점, 운영 방식을 정한다.
- 중앙에서 모든 것을 통제하면 현장 변화에 느리고, 전사 기준이 없으면 조직마다 지식 관리 방식이 달라진다.
- 예를 들어 커머스 조직에서 실험 배포와 확정 배포를 구분하지 않으면 종료된 실험 정책이 현행 정책처럼 남을 수 있다.
- 이런 예외와 시행착오를 커미티가 기준에 반영하고 전사에 공유하면, 개별 조직의 경험이 전체 조직의 운영 노하우가 된다.
## 개인의 기억을 조직의 자산으로 전환하기
- 목표는 지식이 특정 개인이나 메신저 기록에 머무르지 않고 조직 안에서 계속 축적되고 재사용되는 구조를 만드는 것이다.
- 지식을 남기고 검증하고 다시 사용하는 과정이 업무의 기본 흐름에 포함되어야 한다.
- TW의 역할도 문서 작성에 머무르지 않고 지식 시스템, 제품, 거버넌스를 설계하는 방향으로 확장된다.
- 궁극적으로는 문서화가 별도의 숙제가 아니라 자연스러운 업무 방식이 되어, TW의 개입 없이도 조직 지식이 순환하는 상태를 지향한다.
실무적으로는 도구를 도입하기 전에 먼저 “무엇을 남길 것인가”, “누가 검토하고 책임질 것인가”, “언제 최신성을 확인하고 폐기할 것인가”를 정하는 것이 우선이다. 이후 자동화와 AI를 초안 작성·검색·질의응답에 연결해야 지식 관리 시스템이 지속적으로 작동할 수 있다.
