code-generation

GitLab Duo 에이전트 (새 탭에서 열림)

GitLab은 개발자가 코드를 작성하는 시간을 넘어 소프트웨어 개발 수명 주기(SDLC) 전반의 혁신 속도를 높이기 위해 'GitLab Duo Agent Platform'의 정식 출시(GA)를 발표했습니다. 이 플랫폼은 단순히 코드를 생성하는 수준을 넘어, 지능적인 오케스트레이션과 에이전트 기반 AI 자동화를 통해 코드 리뷰, 보안 점검, 파이프라인 최적화 등 기존의 병목 구간을 해결하는 데 초점을 맞춥니다. 결과적으로 팀은 인간과 AI의 유기적인 협업을 통해 복잡한 작업을 자율적으로 수행하고 전체 개발 프로세스를 가속화할 수 있습니다. ### AI 패러독스 해결과 통합된 협업 경험 * **AI 패러독스 극복:** 개발자가 코드 작성에 할애하는 시간은 전체의 약 20%에 불과하며, 나머지 80%의 업무에서 발생하는 병목 현상을 해결하기 위해 에이전트 중심의 접근 방식을 도입했습니다. * **통합 UX:** GitLab 웹 UI와 IDE(VS Code, JetBrains, Cursor, Windsurf 등) 전반에서 'Duo Agentic Chat'을 사용할 수 있으며, 이슈, 병합 요청(MR), 파이프라인 활동 내에서 AI와 실시간으로 소통할 수 있습니다. * **상황 맥락 인식:** 단순 응답을 넘어 이슈, 보안 결과물, 파이프라인 상태 등 전체 수명 주기의 맥락을 이해하고 다단계 추론을 통해 정확한 가이드를 제공합니다. ### 지능형 에이전틱 채팅의 주요 기능 * **분석 및 분석:** 웹 UI에서 이슈, 에픽, MR을 생성하거나 요약할 수 있으며, 복잡한 프로젝트 구조와 의존성을 파악하는 데 도움을 줍니다. * **코드 및 인프라 자동화:** 다양한 언어와 프레임워크에 걸쳐 코드, 구성 파일, IaC(Infrastructure-as-Code)를 생성하며 버그 수정 및 아키텍처 현대화를 지원합니다. * **CI/CD 및 보안:** 기존 파이프라인의 문제를 해결하거나 새로 구축하며, 보안 취약점을 설명하고 도달 가능성에 기반해 수정 우선순위를 제안합니다. ### 전문화된 에이전트 시스템 * **기본 에이전트(Foundational Agents):** GitLab 전문가들이 사전 구축한 에이전트로, 업무를 구조화하는 'Planner Agent'와 취약점 영향을 분석하는 'Security Analyst Agent'가 포함됩니다. * **커스텀 에이전트(Custom Agents):** 조직 고유의 표준과 가이드라인을 학습시킨 에이전트를 'AI Catalog'를 통해 관리하고 공유할 수 있습니다. * **외부 에이전트(External Agents):** Anthropic의 Claude Code나 OpenAI의 Codex CLI와 같은 외부 AI 도구를 GitLab 플랫폼 내에서 네이티브하게 연결하여 사용할 수 있습니다. ### 복잡한 업무를 처리하는 자동화 플로우(Flows) * **Issue to MR 플로우:** 잘 정의된 이슈로부터 구조화된 병합 요청(MR)을 자동으로 생성하여 개발 착수 시간을 단축합니다. * **CI/CD 전환 및 수정:** 타 시스템의 파이프라인 구성을 GitLab CI/CD로 현대화하거나, 실패한 파이프라인을 분석하여 변경 사항을 제안합니다. * **코드 리뷰 플로우:** 코드 변경 사항과 댓글을 분석하여 AI 기반의 심층적인 피드백을 제공함으로써 리뷰 프로세스를 간소화합니다. ### 사용 권한 및 새로운 과금 체계 * **GitLab Credits 도입:** 사용량 기반 과금 방식인 'GitLab Credit'을 통해 에이전트 플랫폼을 이용할 수 있습니다. * **구독별 혜택:** Premium 구독자에게는 사용자당 월 $12, Ultimate 구독자에게는 월 $24 상당의 크레딧이 추가 비용 없이 매월 제공됩니다. * **기존 고객 전환:** Duo Pro 또는 Enterprise 사용자는 기존 계약 잔여분을 크레딧으로 전환하여 즉시 에이전트 플랫폼으로 마이그레이션할 수 있습니다. GitLab Duo Agent Platform은 단순한 AI 비서를 넘어 실제 업무를 수행하는 '가상 팀원'을 제공합니다. 조직의 생산성을 높이기 위해서는 먼저 기본 제공되는 Planner 및 Security 에이전트를 활용해보고, 점진적으로 조직 특화된 커스텀 에이전트와 자동화 플로우를 구축하여 개발 전체 사이클의 효율을 극대화할 것을 권장합니다.

LLM 및 @generateMock (새 탭에서 열림)

에어비앤비는 LLM과 제품 컨텍스트를 결합한 `@generateMock` 지시어를 도입하여, 수동으로 작성하던 GraphQL 모의 데이터 생성 과정을 자동화하고 혁신했습니다. 이 시스템은 단순한 랜덤 값 생성을 넘어 쿼리 정의, 스키마 주석, 그리고 디자인 목업 이미지까지 컨텍스트로 활용해 실제 서비스 환경과 매우 흡사한 타입 안정적(Type-safe) 데이터를 생성합니다. 이를 통해 개발자는 백엔드 구현을 기다리지 않고도 고품질의 데모와 테스트를 수행할 수 있으며, 쿼리 변경에 따른 모킹 데이터의 관리 부담을 획기적으로 줄였습니다. ### 기존 모킹 방식의 한계와 도전 과제 * **수동 작업의 비효율성:** 수백 줄에 달하는 GraphQL 쿼리에 대응하는 JSON 데이터를 직접 작성하고 수정하는 과정은 매우 번거롭고 실수에 취약합니다. * **병렬 개발의 병목:** 서버 스키마가 확정된 후에도 실제 API가 구현될 때까지 클라이언트 개발자는 UI 테스트를 진행하기 어려워 임시방편(하드코딩, 로컬 프록시 등)에 의존하게 됩니다. * **데이터의 동기화 문제:** 쿼리나 스키마가 진화함에 따라 수동으로 작성된 모의 데이터는 점차 실제 프로덕션 환경과 괴리가 생기며, 이는 테스트 신뢰도 저하로 이어집니다. ### @generateMock 지시어를 통한 선언적 모킹 * **지시어 기반 워크플로우:** 개발자는 `.graphql` 파일의 연산, 프래그먼트, 또는 특정 필드에 `@generateMock` 지시어를 추가하는 것만으로 모의 데이터를 정의할 수 있습니다. * **주요 파라미터 활용:** * `id`: 여러 버전의 모의 데이터를 생성할 때 식별자로 사용하며, 생성된 헬퍼 함수의 이름에 반영됩니다. * `hints`: "파리, 교토로 가는 여행 일정을 포함해달라"와 같이 LLM에게 구체적인 데이터 생성을 지시하는 자연어 가이드를 제공합니다. * `designURL`: 디자인 도구(Figma 등)의 URL을 입력하면 LLM이 실제 디자인 화면의 텍스트와 레이아웃에 부합하는 데이터를 생성합니다. * **로컬 개발 도구 통합:** 에어비앤비의 코드 생성 도구인 'Niobe'와 결합되어, 코드 생성 시 JSON 데이터와 이를 로딩하는 소스 코드(TypeScript, Swift, Kotlin)가 자동으로 빌드 아티팩트에 포함됩니다. ### LLM을 활용한 컨텍스트 중심의 데이터 생성 * **스키마 최적화 주입:** 전체 스키마를 LLM에 전달하는 대신, 해당 쿼리와 연관된 타입 및 인라인 문서 주석만을 추출하여 컨텍스트 윈도우 내에서 효율적으로 처리합니다. * **디자인 시각 정보 반영:** 내부 API를 통해 `designURL`의 스냅샷 이미지를 생성하고 이를 LLM에 전달함으로써, 실제 UI 디자인에 명시된 이름, 주소 등의 콘텐츠와 일치하는 현실적인 데이터를 얻습니다. * **수동 수정 및 보존:** 생성된 JSON 데이터는 개발자가 직접 수정할 수 있으며, 이후 다시 코드를 생성하더라도 Niobe는 사용자가 직접 수정한 내용을 지우지 않고 보존하는 지능적인 병합 기능을 제공합니다. 이러한 접근 방식은 단순히 더 나은 가짜 데이터를 만드는 것을 넘어, 프론트엔드와 백엔드 간의 의존성을 분리하고 개발 생산성을 극대화하는 데 목적이 있습니다. 대규모 GraphQL 환경을 운영하는 조직이라면 스키마 메타데이터와 LLM을 결합하여 테스트 자동화 수준을 한 단계 높이는 이 모델을 참고할 가치가 있습니다.

우리가 개인용 건강 코치를 (새 탭에서 열림)

구글은 제미나이(Gemini) 모델을 기반으로 사용자의 수면, 활동 등 생체 데이터를 분석해 맞춤형 가이드를 제공하는 '개인형 AI 건강 코치(Personal Health Coach)'를 개발하고 있습니다. 이 서비스는 기존 건강 앱들의 파편화된 정보를 통합하여 행동 과학에 기반한 능동적이고 적응적인 코칭 계획을 제시하는 것을 목표로 합니다. 특히 멀티 에이전트 프레임워크와 엄격한 전문가 검증 체계를 도입하여 AI 피드백의 과학적 신뢰성과 개인화된 정확성을 동시에 확보했습니다. **제미나이 모델의 건강 코칭 최적화 기술** * **시계열 데이터 추론:** 수면 및 활동과 같은 생체 시계열 데이터에 대해 수치적 추론을 수행하며, 개인의 기준점(Baseline) 및 인구 통계 데이터와 비교 분석하여 맞춤형 통찰을 도출합니다. * **멀티 에이전트 프레임워크(Multi-agent Framework):** 여러 전문 에이전트가 협업하는 구조를 채택했습니다. * **대화형 에이전트:** 사용자의 의도를 파악하고 맥락을 수집하며 전체 프로세스를 조율합니다. * **데이터 과학 에이전트:** 코드 생성 능력을 활용해 데이터를 검색, 분석 및 요약합니다. * **도메인 전문가 에이전트:** 피트니스 등 특정 분야의 지식을 바탕으로 개인화된 운동 계획을 수립하고 수정합니다. * **시스템 조율(Steering):** 범용 모델이 건강 및 웰니스 맥락에서 유용하게 작동하도록 소비자 건강 요구사항에 맞춘 전용 시스템 지침과 평가 모델을 적용했습니다. **전문가 검증 및 사용자 중심 설계** * **과학적 근거 확보:** 검증된 코칭 및 피트니스 프레임워크를 기반으로 코칭 로직을 설계했습니다. * **전문가 자문단 운영:** '소비자 건강 자문 패널'과 전문 피트니스 코치들의 피드백을 수용하여 실제 현장에서 통용되는 맥락 정보를 통합했습니다. * **대규모 사용자 연구:** '핏빗 인사이트 익스플로러(Fitbit Insights Explorer)' 등을 통해 수만 명의 사용자로부터 실제 데이터를 수집하고 이를 모델 학습과 개선에 활용했습니다. **SHARP 평가 프레임워크를 통한 신뢰성 강화** * **5대 평가 요소:** 안전성(Safety), 유익성(Helpfulness), 정확성(Accuracy), 관련성(Relevance), 개인화(Personalization)를 기준으로 코치를 다각도 평가합니다. * **방대한 평가 데이터:** 스포츠 의학, 수면, 심장학 등 다양한 분야의 전문가들이 참여하여 100만 개 이상의 주석(Annotation)과 10만 시간 이상의 인간 평가를 진행했습니다. * **자동 평가 시스템:** 오토레이터(Autoraters)를 도입해 전문가 평가를 확장 및 가속화함으로써 웰니스 권장 사항의 과학적 정확성을 지속적으로 검증합니다. 현재 이 서비스는 미국의 핏빗 프리미엄(Fitbit Premium) 안드로이드 사용자를 대상으로 공개 프리뷰가 시작되었으며, 곧 iOS로 확대될 예정입니다. AI 코칭은 단순한 정보 제공을 넘어 개인의 생체 리듬과 목표에 맞춰 실시간으로 변화하는 '살아있는 가이드'로서의 역할을 수행하게 될 것입니다.

개인 건강 에이전트 (새 탭에서 열림)

구글 리서치는 웨어러블 기기의 시계열 데이터와 혈액 지표 등 다중 모드(multimodal) 데이터를 분석하여 개인화된 건강 통찰력을 제공하는 LLM 기반의 '개인 건강 에이전트(PHA)' 연구 프레임워크를 공개했습니다. 이 시스템은 데이터 과학, 도메인 전문가, 건강 코치라는 세 가지 전문 서브 에이전트로 구성된 멀티 에이전트 아키텍처를 채택하여 사용자의 복잡하고 모호한 건강 질문에 정밀하게 대응합니다. 대규모 실제 사용자 데이터를 활용한 광범위한 평가 결과, PHA는 기존 단일 LLM 대비 데이터 분석 및 의학적 근거 기반 조언 측면에서 월등한 성능을 입증하며 차세대 개인용 건강 관리 도구의 가능성을 제시했습니다. **사용자 중심 설계와 멀티 에이전트 구조** * 1,300개 이상의 실제 건강 질문과 500명 이상의 사용자 설문 조사를 분석하여 일반 건강 지식 이해, 개인 데이터 해석, 실천 가능한 조언, 증상 평가라는 4가지 핵심 요구 사항을 도출했습니다. * 인간 전문가 팀의 업무 방식을 모방하여 데이터 과학자, 도메인 전문가, 개인 건강 코치 역할을 수행하는 서브 에이전트들이 협업하는 구조를 설계했습니다. * 약 1,200명의 사용자로부터 동의를 얻은 핏빗(Fitbit) 활동 데이터, 건강 설문, 혈액 검사 결과를 포함한 리얼 월드 데이터셋을 평가에 활용하여 실무적인 유효성을 검증했습니다. **데이터 과학 에이전트: 시계열 데이터의 수치적 해석** * 웨어러블 기기의 복잡한 시계열 데이터를 분석하며, "최근에 더 건강해졌나요?"와 같은 사용자의 모호한 질문을 구체적인 통계 분석 계획으로 변환합니다. * 분석 계획 수립과 코드 생성의 2단계 프로세스를 거쳐 통계적으로 유효한 답변을 도출하며, 생성된 코드는 실제 데이터에서 즉시 실행 가능한 수준의 정확도를 갖췄습니다. * 평가 결과, 데이터 분석 계획 수립 능력에서 75.6%의 점수를 기록하며 기본 모델(Gemini, 53.7%)을 크게 상회하는 성능을 보였습니다. **도메인 전문가 에이전트: 근거 기반의 신뢰할 수 있는 정보** * NCBI(미국 국립생물정보센터)와 같은 권위 있는 외부 데이터베이스에 접근하여 검증된 사실에 기반한 답변을 생성하는 다단계 추론 프레임워크를 사용합니다. * 사용자의 기저 질환이나 개인 프로필에 맞춰 정보를 맞춤화하여 제공하며, 전문 보건 자격시험 문항 및 감별 진단 능력을 평가하는 벤치마크에서 우수한 성과를 거두었습니다. * 의료 전문가와 일반 소비자 모두를 대상으로 한 인간 평가를 통해 정보의 정확성과 안전성을 동시에 확보했습니다. 이 연구는 범용 LLM의 한계를 넘어 전문화된 에이전트 간의 협업이 개인화된 의료 AI 서비스에서 얼마나 중요한지를 잘 보여줍니다. 앞으로 이러한 기술이 실제 서비스에 적용된다면, 사용자는 자신의 건강 데이터를 단순히 수집하는 것을 넘어 능동적으로 이해하고 실질적인 생활 습관 변화를 이끌어내는 강력한 조력자를 얻게 될 것입니다.

AI 기반 경험적 소프트 (새 탭에서 열림)

구글 리서치가 과학적 발견을 가속화하기 위해 '경험적 소프트웨어(Empirical Software)'를 자동으로 설계하고 최적화하는 새로운 AI 시스템을 공개했습니다. 이 시스템은 제미나이(Gemini) 모델과 트리 탐색 알고리즘을 결합하여 과학적 가설을 검증하는 맞춤형 코드를 생성하며, 유전학부터 시계열 예측까지 6개 분야의 복잡한 벤치마크에서 전문가 수준의 성과를 거두었습니다. 이를 통해 기존에 수개월이 걸리던 연구 탐색 과정을 단 몇 시간으로 단축하여 과학적 혁신의 병목 현상을 해결할 수 있는 가능성을 제시했습니다. ### 경험적 소프트웨어와 점수화 가능한 과제 * 단순히 기능적인 정확성만을 따지는 일반 소프트웨어와 달리, 사전에 정의된 '품질 점수'를 극대화하는 것을 목표로 하는 '경험적 소프트웨어' 개념을 핵심으로 합니다. * 문제 설명, 평가 지표, 학습/검증 데이터를 포함한 '점수화 가능한 과제(Scorable Task)'를 입력받아 최적의 솔루션을 도출합니다. * 응용 수학, 공학, 기초 과학 등 정량적 지표로 성과를 측정할 수 있는 광범위한 과학적 난제들을 AI가 해결할 수 있는 형태로 변환합니다. ### 트리 탐색 기반의 코드 최적화 엔진 * 알파제로(AlphaZero) 알고리즘에서 영감을 받은 '상한 신뢰 한계(Upper Confidence Bound)' 트리 탐색 전략을 사용하여 수천 개의 코드 변종을 체계적으로 탐색합니다. * LLM은 기존 방법론을 재현하거나 재조합하여 새로운 연구 아이디어를 제안하고, 이를 실행 가능한 코드로 직접 구현합니다. * 샌드박스 환경에서 구현된 코드를 실행해 성능을 실시간으로 평가하며, 높은 점수를 받은 코드를 기반으로 반복적인 수정을 거쳐 성능을 개선합니다. * 모든 출력물은 실행 가능한 코드 형태로 제공되므로, 연구자가 결과를 직접 검증하고 재현하며 해석할 수 있다는 장점이 있습니다. ### 6개 과학 분야에서의 실전 성능 입증 * 유전학(Genomics), 공중 보건, 지리 공간 분석, 신경과학, 시계열 예측, 수치 분석 등 서로 다른 특성을 가진 6개 벤치마크에서 전문가 수준의 성능을 입증했습니다. * 특히 유전학 분야의 '단일 세포 RNA 시퀀싱 배치 통합' 과제에서는 기존 전문가들이 개발한 수백 개의 도구보다 뛰어난 성능을 보이는 40개의 새로운 방법론을 자동으로 발견했습니다. * 제로샷 일반화, 고차원 신호 처리, 시스템 수준의 모델링 등 인간 전문가에게도 도전적인 과제들을 성공적으로 수행하며 AI의 과학적 잠재력을 보여주었습니다. 이 시스템은 과학자가 수동적인 코딩과 디버깅 작업에서 벗어나 더 높은 수준의 가설 수립과 실험 설계에 집중할 수 있도록 돕습니다. 정량적인 평가 지표를 설정할 수 있는 연구 분야라면, AI 기반의 경험적 소프트웨어 생성 도구를 도입함으로써 연구 효율성을 극적으로 높이고 새로운 과학적 발견의 주기를 단축할 수 있을 것입니다.

두 매개변수 구조 (새 탭에서 열림)

피그마는 디자인과 실제 구현물 사이의 해상도 차이를 극복하기 위해 디자인 캔버스 내에 실제 코드를 결합하는 '코드 레이어(Code layers)' 기술을 도입했습니다. 이를 통해 사용자는 피그마에서 디자인한 결과물을 별도의 변환 과정 없이 실제 웹사이트로 즉시 게시할 수 있는 'Figma Sites'를 구축할 수 있게 되었습니다. 이번 변화는 단순히 디자인을 코드로 내보내는 수준을 넘어, 디자인 환경 자체가 웹 엔진의 원리와 동일하게 작동하도록 캔버스의 근본적인 구조를 재설계했다는 점에 의의가 있습니다. ### 디자인 캔버스와 웹 브라우저의 기술적 통합 * 기존 피그마 캔버스는 C++로 작성된 고유의 렌더링 엔진을 통해 그래픽을 처리했지만, Figma Sites를 위해 이를 웹 표준인 HTML/CSS와 정렬시켰습니다. * 피그마의 오토 레이아웃(Auto Layout) 개념을 CSS Flexbox 및 Grid와 직접 매핑하여, 디자이너가 캔버스에서 작업하는 방식이 브라우저의 렌더링 방식과 1:1로 대응되도록 구현했습니다. * 웹 어셈블리(WASM)를 기반으로 작동하는 피그마 엔진 내부에 리액트(React) 기반의 렌더링 계층을 통합하여, 디자인 요소가 실제 코드 노드로 기능할 수 있게 했습니다. ### 코드 레이어의 핵심 메커니즘 * '코드 레이어'는 캔버스 위에서는 일반 디자인 객체처럼 보이지만, 내부적으로는 실제 HTML 요소와 그에 따른 스타일 속성을 보유합니다. * 디자인 속성(색상, 간격, 폰트 등)을 단순한 메타데이터가 아닌 '라이브 코드' 상태로 유지함으로써, 게시 버튼을 누르는 즉시 실제 웹 환경에서 동일하게 재현됩니다. * 정적 자산을 넘어서 비디오, 입력 폼(Forms), 인터랙티브 요소와 같은 동적 컴포넌트를 디자인 캔버스에서 직접 제어할 수 있는 구조를 갖추었습니다. ### AI를 활용한 시맨틱 구조화 및 최적화 * 전통적인 디자인 파일은 계층 구조가 복잡하거나 논리적이지 않은 경우가 많으나, 피그마는 AI를 활용해 이를 깨끗하고 의미 있는(Semantic) 코드 구조로 변환합니다. * AI 모델은 디자이너가 구성한 레이어의 시각적 배치를 분석하여 적절한 HTML 태그(header, nav, section 등)를 추천하고, 반응형 레이아웃을 위한 미디어 쿼리 설정을 자동화합니다. * 비정형적인 디자인 데이터를 웹 표준에 맞는 정제된 코드로 변환하는 과정에서 발생할 수 있는 오류를 AI가 사전에 검사하고 최적화하여 성능을 높였습니다. ### 실무적 가치와 전망 피그마의 이러한 변화는 디자인 '핸드오프(Hand-off)'라는 개념 자체를 사라지게 만들 수 있습니다. 디자이너가 캔버스에서 내린 결정이 곧 최종 코드가 되는 환경은 개발 주기를 획기적으로 단축하며, 디자인의 의도가 실제 제품에서 훼손되지 않도록 보장합니다. 이제 피그마는 단순한 드로잉 도구가 아니라, 코드를 시각적으로 조작하는 '비주얼 개발 환경'으로 진화하고 있습니다.

MCP 서버 소개: 워크 (새 탭에서 열림)

Figma는 개발자가 LLM 기반 협업 도구에서 디자인 맥락을 실시간으로 활용할 수 있도록 지원하는 'Figma MCP(Model Context Protocol) 서버'를 베타 버전으로 출시했습니다. 이 서버는 단순한 이미지 전달을 넘어 디자인 시스템의 컴포넌트, 변수, 스타일링 정보를 AI에게 직접 제공함으로써, 개발자가 사용하는 코드베이스의 패턴에 최적화된 고품질 코드를 생성하도록 돕습니다. 결과적으로 Cursor, VS Code Copilot 등 AI 기반 코딩 도구에서 디자인 의도를 더욱 정확하고 효율적으로 구현할 수 있게 되었습니다. ### 디자인 의도를 코드로 전환하는 MCP 서버의 역할 * **표준화된 컨텍스트 제공**: MCP는 애플리케이션이 LLM에 맥락을 제공하는 표준 규격으로, 이를 통해 Figma의 디자인 데이터를 가공 없이 AI 에이전트(Cursor, Windsurf, Claude Code 등)에 직접 연결합니다. * **학습 데이터의 한계 극복**: LLM은 일반적인 코드는 잘 작성하지만 특정 팀의 고유한 코드 구조나 프레임워크 패턴은 알지 못합니다. MCP 서버는 팀 고유의 디자인 의도를 전달해 이 간극을 메웁니다. * **효율적인 워크플로우**: 단순히 디자인을 보고 코드를 짜는 단계를 넘어, AI가 디자인의 구조와 논리를 스스로 이해하고 멀티 레이어 애플리케이션 흐름을 구축할 수 있도록 지원합니다. ### 디자인 시스템 및 패턴 메타데이터 활용 * **정밀한 코드 매칭**: 디자인에 정의된 컴포넌트, 변수(Variable), 스타일 정보를 직접 전달합니다. AI가 단순히 비슷한 색상을 찾는 것이 아니라, 시스템에 정의된 정확한 토큰 이름과 변수명을 사용하게 합니다. * **Code Connect 연동**: Figma에 설정된 'Code Connect' 정보를 바탕으로 AI에게 해당 디자인이 구현된 실제 코드 파일의 경로를 정확히 안내하여 중복 컴포넌트 생성을 방지합니다. * **토큰 절약 및 정확도 향상**: 디자인 시스템의 패턴을 직접 참조함으로써 AI가 탐색에 소모하는 토큰 양을 줄이고, 디자인 시스템을 벗어난 코드를 생성할 확률을 낮춥니다. ### 시각적 정보와 상호작용의 결합 * **고수준 스크린샷 제공**: 텍스트 데이터로 설명하기 어려운 전체적인 화면 흐름, 반응형 레이아웃, 섹션 간의 관계를 스크린샷을 통해 AI에게 시각적으로 보완 설명합니다. * **인터랙션 및 의사 코드(Pseudocode)**: 복잡한 상태 변화나 UI 시퀀스를 설명하기 위해 '의사 코드' 형태의 프로토타입 데이터를 제공합니다. 이는 단순한 메타데이터 트리보다 AI가 컴포넌트의 동작 논리를 이해하는 데 훨씬 효과적입니다. * **선택적 컨텍스트 제어**: 사용자는 특정 도구가 반환하는 정보의 양을 설정하여, 현재 작업 중인 코드 구현에 가장 적합한 수준의 디자인 컨텍스트를 조절할 수 있습니다. ### 실용적인 활용 및 향후 계획 현재 Figma MCP 서버는 베타 단계로, VS Code의 Copilot이나 Cursor 같은 도구에 연결하여 즉시 디자인 기반 코드 생성을 테스트해 볼 수 있습니다. 향후 Figma는 원격 서버 기능 지원과 코드베이스와의 더욱 깊은 통합을 포함한 업데이트를 지속할 예정입니다. 디자인 시스템이 잘 구축된 팀일수록 이 서버를 통해 디자인과 코드 간의 일치성을 극대화하는 경험을 할 수 있을 것입니다.

Figma의 202 (새 탭에서 열림)

Figma의 2025년 AI 보고서는 인공지능이 단순한 기술적 기대를 넘어 실제 제품 개발 단계로 깊숙이 침투했음을 보여줍니다. 현재 제품 제작자의 3명 중 1명이 AI 기반 기능을 출시하고 있으며, 특히 스스로 판단하고 다단계 과업을 수행하는 '에이전트형 AI'가 핵심 트렌드로 부상했습니다. 보고서는 AI가 업무 효율을 크게 높였음에도 불구하고 결과물의 신뢰성 확보와 직군별 활용 격차 해소가 향후 성공의 관건이 될 것이라고 결론짓습니다. ### 에이전트형 AI(Agentic AI)의 급부상 * 단순한 텍스트나 이미지 생성을 넘어 스스로 추론하고 다단계 프로세스를 완수하는 에이전트형 AI가 가장 빠르게 성장하는 카테고리로 조사되었습니다. * AI 제품을 개발 중인 Figma 사용자의 51%가 에이전트를 구축하고 있으며, 이는 전년(21%) 대비 두 배 이상 증가한 수치입니다. * 에이전트 설계 시에는 AI가 사용자에게 확인을 요청하는 시점, 정보 공유의 양, 채팅 vs 버튼 기반 인터페이스 중 최적의 UI를 선택하는 등 고도의 기획력이 요구됩니다. ### 성공을 결정짓는 반복 설계와 인적 역량 * 성공적인 AI 제품을 출시한 팀의 60%는 여러 가지 디자인 및 기술적 접근 방식을 탐색한 반면, 실패한 팀은 39%만이 이러한 반복 과정을 거쳤습니다. * 빌더의 52%는 AI 제품에서 디자인이 기존 제품보다 더 중요하다고 답했으며, 95%는 최소한 동일한 수준의 중요성을 갖는다고 평가했습니다. * 기술이 빠르게 변하는 상황에서 신속한 프로토타이핑과 긴밀한 협업 루프 등 전통적인 제품 설계 원칙을 유연하게 적용하는 능력이 차별화 요소로 작용합니다. ### 소규모 기업의 공격적인 투자와 실험 * 직원 10인 이하 소규모 기업의 61%가 AI를 시장 점유율 확보를 위한 핵심 요소로 인식하고 있으며, 이는 대기업보다 훨씬 높은 비중입니다. * 규모가 작은 기업일수록 의사결정이 빨라 AI 기술을 실험하고 업무 프로세스에 통합하는 속도가 더 민첩한 것으로 나타났습니다. * AI가 소규모 조직의 비즈니스 성장을 가속화할 수 있다는 믿음이 깊어지면서, 이들의 AI 기반 제품 개발 비중은 작년 대비 두 배로 증가했습니다. ### 개발자와 디자이너 간의 활용도 및 만족도 격차 * 개발자의 82%가 AI 도구에 만족하고 68%가 업무 품질 개선을 경험했다고 답한 반면, 디자이너는 각각 69%와 54%로 상대적으로 낮은 수치를 보였습니다. * 이러한 차이는 핵심 업무 활용 방식에서 기인합니다. 개발자의 59%는 코드 생성 등 핵심 업무에 AI를 쓰지만, 디자이너는 31%만이 에셋 생성 등 핵심 업무에 AI를 활용합니다. * 개발 현장에서는 AI가 생성한 코드에 대한 만족도가 높지만, 디자인 분야에서는 AI 도구가 디자이너의 워크플로우에 어떻게 최적으로 녹아들지 여전히 탐색 단계에 있습니다. ### 효율성 향상과 결과물 신뢰성 사이의 과제 * 조사 대상자의 78%가 AI가 업무 효율성을 크게 높인다는 점에 동의했지만, AI의 출력물을 전적으로 신뢰할 수 있다는 응답은 32%에 불과했습니다. * 단순히 작업을 빠르게 수행하는 것을 넘어, AI가 어떻게 인간의 전문성을 강화하고 실제 업무에 유용한 결과물을 지속적으로 낼 수 있게 할 것인지가 향후 과제입니다. AI를 성공적으로 도입하기 위해서는 '속도'보다는 '품질과 신뢰'에 집중해야 합니다. 개발 단계에서 다양한 프로토타입을 반복적으로 테스트하고, AI의 자율성과 인간의 통제권 사이에서 적절한 균형을 찾는 디자인 전략이 뒷받침될 때 비로소 시장에서 경쟁력 있는 AI 제품을 완성할 수 있습니다.

디자인에서 코드로의 자동화를 (새 탭에서 열림)

피그마(Figma)는 코드 생성(Codegen)의 진정한 가치가 단순한 디자인-코드 변환을 넘어, 디자인 시스템과 실제 프로덕션 코드 사이의 간극을 메우는 '연결'에 있다고 주장합니다. 무분별한 AI 기반 코드 생성보다 이미 검증된 사내 컴포넌트 라이브러리를 디자인 요소와 정밀하게 매핑하는 'Code Connect' 방식이 실질적인 개발 생산성을 높이는 핵심입니다. 결과적으로 이를 통해 디자이너와 개발자는 동일한 언어로 소통하며 제품의 일관성을 비약적으로 높일 수 있습니다. **기존 핸드오프 방식과 범용 코드 생성의 한계** * 전통적인 핸드오프 도구는 주로 CSS 속성이나 단순한 스타일 값만 제공하므로, 개발자가 이를 프로젝트의 실제 아키텍처에 맞춰 다시 해석하고 구현해야 하는 번거로움이 있었습니다. * 범용적인 AI 코드 생성기는 프로젝트 고유의 컨벤션이나 디자인 시스템의 세부 규칙을 알지 못하기 때문에, 생성된 코드를 그대로 사용하기 어렵고 오히려 유지보수 비용을 증가시키는 경우가 많았습니다. * 디자인 도구에서 제공하는 정적인 정보와 실제 코드 저장소의 동적인 상태가 분리되어 있어, 시스템 업데이트 시 양측의 동기화가 깨지는 문제가 빈번히 발생했습니다. **Code Connect: 신뢰할 수 있는 소스의 연결** * Figma의 'Code Connect'는 개발자가 이미 작성해 둔 프로덕션 환경의 컴포넌트 코드를 Figma 디자인 요소와 직접 연결하는 방식을 취합니다. * 단순히 코드를 새로 생성하는 것이 아니라, CLI 도구를 통해 실제 코드 베이스에 존재하는 컴포넌트의 API와 Figma의 컴포넌트 속성(Properties)을 일대일로 매핑합니다. * 이를 통해 개발자는 Figma 화면에서 해당 디자인 요소를 클릭했을 때, 자사 디자인 시스템의 명세에 완벽히 부합하는 코드 스니펫을 즉각적으로 확인할 수 있습니다. **개발 워크플로우 생산성 및 정합성 향상** * 개발자는 디자인 의도를 파악하기 위해 문서를 뒤적이는 대신, 실제 구현에 필요한 Props와 구조가 포함된 코드를 바로 복사하여 사용할 수 있어 개발 속도가 체감될 정도로 빨라집니다. * React, SwiftUI, Jetpack Compose 등 다양한 프레임워크를 지원하여 웹과 모바일 환경 모두에서 일관된 개발 경험을 제공합니다. * 디자인 시스템이 업데이트되면 연결된 코드 스니펫도 함께 관리되므로, 디자인과 개발 사이의 'Source of Truth(신뢰할 수 있는 단일 출처)'를 유지하기 용이합니다. **도구 중심에서 협업 중심으로의 전환** * Code Connect는 단순한 자동화 도구를 넘어 디자이너와 개발자가 컴포넌트의 이름, 속성, 상태에 대해 합의된 명칭을 사용하게 만드는 강한 구속력을 제공합니다. * 개발자는 디자인 요소 뒤에 숨겨진 실제 코드 논리를 즉시 파악할 수 있어, 디자인 시스템 채택률(Adoption rate)을 높이는 데 기여합니다. 기술적 자동화의 궁극적인 목표는 사람이 하던 일을 완전히 대체하는 것이 아니라, 사람과 시스템 사이의 마찰을 최소화하는 것입니다. 디자인 시스템을 구축 중인 팀이라면 단순한 스타일 가이드를 넘어, 기존의 코드 자산을 디자인 도구와 유기적으로 결합하는 '연결 중심의 자동화'를 도입했을 때 가장 큰 효용을 얻을 수 있습니다.