figma·2026년 4월 29일·3분 읽기큐레이션 요약

업무용 에이전트 도구 설계 방법 | 피그마 블로그

Gemini Enterprise는 사용자가 AI를 관리하는 대신 업무 목표에 집중하도록 설계된 에이전틱 업무 도구다. 복잡한 멀티 에이전트 작업을 단순하게 보이게 하면서도, 사용자가 언제든 개입하고 결과를 검토할 수 있도록 투명성과 책임성을 강화했다. 개인용 챗봇을 넘어 공유 프로젝트와 AI 대시보드를 통해 팀의 지식과 업무 흐름을 통합하는 것을 목표로 한다. ## 소비자용 Gemini와 기업용 경험의 연결 - 브랜드 일관성을 위해 반짝이 아이콘, 그라디언트, 둥근 형태, 의도적인 모션 등 공통된 시각 언어를 사용한다. - 프롬프트 입력창은 소비자용 Gemini와 유사하게 유지하되, 기업 환경에서는 외부 서비스 연결 기능을 더 강조한다. - Google Workspace, Jira, Notion 등 업무 도구와 연결해 AI가 업무에 필요한 맥락을 충분히 확보하도록 한다. - 기업용 AI는 단일 질문에 답하는 도구가 아니라 여러 도구와 데이터 소스를 조율하는 오케스트레이션 플랫폼으로 확장된다. ## 대화형 인터페이스를 넘어선 AI Inbox - 복잡한 업무에서는 단순한 채팅 기록만으로 여러 에이전트의 진행 상황을 파악하기 어렵다. - AI Inbox는 에이전트가 수행 중인 작업, 완료한 작업, 사용자의 개입이 필요한 작업을 한눈에 보여주는 실시간 대시보드다. - 예를 들어 다음 날 마감인 시장 분석이 완료되어 검토 대기 중인지 즉시 확인할 수 있다. - 시각적 워크플로는 질문과 답변이 반복되는 채팅보다 팀 체크인에 가까운 방식으로 장기 실행 작업을 관리하게 한다. ## 개인용 챗봇에서 공유 프로젝트로 - Gemini Enterprise는 개인별 채팅 스레드 대신 지속적으로 유지되는 공유 프로젝트 공간을 제공한다. - AI는 프로젝트의 또 다른 팀원처럼 다음과 같은 작업을 수행한다. - 업무 실행 - 논의 내용 요약 - 프로젝트 파일 검색 - 문서 작성 및 편집 - 모든 팀원이 같은 공간에서 AI의 요청과 결과를 확인할 수 있다. - 각 요청을 어느 팀원이 보냈는지 표시해 AI의 행동 맥락과 책임 소재를 명확히 한다. ## 팀 사일로를 줄이는 단일 정보 기반 - 한 팀원이 기술 명세서를 업로드하면 다른 팀원이 파일을 직접 찾지 않고도 AI를 통해 내용을 확인할 수 있다. - 프로젝트 안에 대화, 파일, AI 결과물이 함께 축적되어 팀 내 지식 격차를 줄인다. - AI가 부서별로 흩어진 정보를 연결해 조직의 단일 정보 원천 역할을 하도록 설계했다. - 이 때문에 AI는 개인 생산성 도구를 넘어 팀 전체의 지능을 증폭하는 도구로 발전한다. ## 협업 방식에 맞춘 다양한 작업 모드 - 팀원들은 공유 프로젝트에서 AI와 함께 그룹 채팅을 진행할 수 있다. - Canvas Mode에서는 AI가 작성한 문서를 생성하고 직접 수정할 수 있다. - AI의 결과물을 일회성 답변으로 소비하지 않고, 팀이 검토·편집·재사용하는 협업 산출물로 다룬다. - AI가 프로젝트 공간에 계속 존재하기 때문에 기존 대화의 맥락과 업무 진행 상황을 유지할 수 있다. ## 신뢰와 사용자 개입의 균형 - 사용자가 AI의 내부 동작을 계속 관리하지 않아도 목표 달성에 집중할 수 있도록 경험을 단순화한다. - 동시에 민감한 정보와 사업상 중요한 의사결정이 다뤄지는 만큼, 사용자가 결과를 검토하고 개입할 수 있어야 한다. - 진행 상태, 완료 여부, 검토 필요 여부를 명확히 보여주는 것이 신뢰 형성의 핵심이다. - 기업용 에이전트는 자동화 수준뿐 아니라 투명성, 추적 가능성, 책임성을 함께 제공해야 한다. 실무적으로는 에이전트를 단순한 챗봇으로 도입하기보다, 업무 도구 연결·장기 작업 상태·팀 공유 공간·사용자 승인 절차를 함께 설계하는 것이 중요하다. ખાસ히 중요한 업무일수록 AI의 자율성보다 진행 상황과 개입 지점을 명확히 보여주는 UX가 우선되어야 한다.

원문 읽기(새 탭에서 열림)

human-ai-collaborationAIjiramulti-agent-systems+4

google·2025년 8월 11일원문

AMIE를 위한 의사 (새 탭에서 열림)

구글 딥마인드가 발표한 g-AMIE(guardrailed-AMIE)는 환자의 병력을 청취하고 진단 정보를 정리하는 의료용 AI 시스템으로, 의사의 최종 감독을 전제로 설계되었습니다. 이 시스템은 환자에게 직접적인 의료 조언을 제공하지 못하도록 엄격한 가드레일을 적용하되, 대신 의사가 검토하고 승인할 수 있는 상세한 임상 보고서를 생성합니다. 가상 임상 시험 결과, g-AMIE의 진단 정확도와 환자 소통 능력은 동일한 제약 조건 하의 인간 의료 전문가보다 우수한 것으로 평가되어 의료 AI의 안전한 도입 가능성을 제시했습니다. ### 의사 중심의 감독 체계와 비동기식 협업 * 의료 행위의 법적 책임과 전문성을 보장하기 위해 AI가 독자적으로 진단하는 대신, 전문의가 AI의 결과물을 검토하고 승인하는 '의사 중심 감독' 프레임워크를 채택했습니다. * AI가 환자와 대화하며 병력을 청취하는 동안 전문의는 다른 업무를 수행할 수 있으며, 이후 AI가 요약한 정보를 비동기적으로 검토함으로써 진료 효율성을 극대화합니다. * Gemini 2.0 Flash를 기반으로 구축되었으며, 의사가 진단 및 관리 계획을 수정·승인할 수 있도록 설계된 전용 웹 인터페이스인 '클리니션 콕핏(Clinician Cockpit)'을 제공합니다. ### 세분화된 멀티 에이전트 시스템 구조 * **대화 에이전트:** 일반적인 병력 청취부터 초기 진단 가설 검증을 위한 맞춤 질문, 환자의 궁금증 해소에 이르는 3단계 프로세스를 통해 고품질의 대화를 수행합니다. * **가드레일 에이전트:** AI가 환자에게 개별화된 의료 조언이나 진단을 직접 내리지 않도록 실시간으로 모든 답변을 감시하고, 규정을 준수하도록 문구를 재구성합니다. * **SOAP 노트 에이전트:** 수집된 정보를 주관적 기술(Subjective), 객관적 자료(Objective), 평가(Assessment), 계획(Plan)의 SOAP 형식으로 자동 생성하며, 의사가 환자에게 전달할 메시지 초안까지 함께 작성합니다. ### 임상 수행 능력 평가 (OSCE) 결과 * 60개의 환자 시나리오를 활용해 일반의(PCP) 및 간호사/의사 보조사(NP/PA) 그룹과 g-AMIE의 성능을 무작위 대조 시험으로 비교했습니다. * 감독 의사들과 독립적인 평가단은 g-AMIE가 도출한 차별 진단(Differential Diagnosis)과 환자 관리 계획이 인간 전문가 그룹보다 더 우수하다고 평가했습니다. * 환자 역할을 맡은 연기자들 또한 인간 의료진이 작성한 메시지보다 g-AMIE가 작성한 환자용 메시지에 대해 더 높은 선호도와 만족도를 보였습니다. g-AMIE는 AI의 데이터 처리 효율성과 전문의의 임상적 책임감을 결합한 새로운 의료 협업 모델의 이정표를 제시합니다. 비록 AI 시스템에 특화된 환경에서 도출된 결과라는 점을 고려해야 하나, 가드레일을 통해 안전성을 확보하면서도 의사의 업무 부하를 줄이는 이러한 기술적 접근은 향후 실제 진료 현장에 AI를 도입할 때 핵심적인 표준이 될 것으로 보입니다.

human-ai-collaborationAI생성형 AI자연어 처리+4

figma·2024년 6월 17일·4분 읽기큐레이션 요약

AI의 가능성과 위험 요소를

AI는 제품과 디자인의 생산성을 높일 가능성이 크지만, 현재의 변화는 개인 업무에 집중되어 있으며 협업 방식까지 근본적으로 바꾸지는 못했다. 개발자는 코드 생성과 언어 변환처럼 AI와 잘 맞는 업무 덕분에 디자이너보다 더 큰 변화를 경험하고 있다. 따라서 기업은 유행에 맞춰 기능을 빠르게 출시하기보다, 실험과 연구를 반복하며 실제 사용자와 협업에 가치를 만드는 AI 제품을 찾아야 한다. ## 조사 배경과 접근 방식 - Figma는 2024년 2월 26일부터 3월 3일까지 7개국의 Figma 사용자 1,800명 이상을 조사했다. - 응답자는 디자이너, 경영진, 개발자로 구성됐다. - 조사 대상 국가는 미국, 캐나다, 호주, 영국, 일본, 프랑스, 독일이다. - 연구의 핵심 전제는 AI 제품의 영향력이 LLM의 성능뿐 아니라 제품이 어떻게 설계되는지에 따라 달라진다는 것이다. - AI의 가능성이 아직 확정되지 않은 만큼, 제품팀은 빠른 출시 압박 속에서도 실험·놀이·사용자 연구를 지속해야 한다. ## 업무 흐름 전반의 AI 전환 - 생성형 AI는 프롬프트에 반응해 텍스트, 이미지, 코드 등 데이터를 생성하는 기술이다. - 개발자는 디자이너보다 AI가 자신의 제품을 변화시켰다고 답할 가능성이 60% 높았다. - 개발 업무는 다음과 같이 AI가 직접 지원하기 쉬운 작업을 많이 포함한다. - 코드의 출발점 생성 - 프로그래밍 언어 간 변환 - 반복적인 구현 작업 보조 - 반면 디자인의 핵심 업무는 사용자 요구와 문제 공간을 깊이 이해하고, 비선형적으로 탐색하며 학습하는 과정이다. - AI는 목업을 코드로 변환하는 데 도움을 줄 수 있지만, 아직 디자인의 근본적인 문제 정의와 탐색 과정에는 상대적으로 큰 영향을 주지 못하고 있다. - AI 프로젝트 아이디어가 디자이너뿐 아니라 프로그래머, 분야별 전문가, 이해관계자로부터도 나오면서 조직 전체가 AI 제품 개발에 참여하고 있다. ## 개인 생산성에서 협업으로 확장해야 하는 이유 - 응답자의 85%는 AI가 개인 생산성이나 업무 흐름에 영향을 주었다고 답했다. - 가장 흔한 활용 방식은 다음과 같다. - 텍스트와 이미지 생성 - 아이디어를 점검하는 사고 파트너 - 초안 작성과 브레인스토밍 지원 - 응답자는 AI가 개인 업무를 크게 변화시켰다고 답할 가능성이 협업 업무보다 세 배 높았다. - 그러나 AI가 팀의 다음 활동을 크게 바꾸었다는 인식은 상대적으로 낮았다. - 의견 조율 - 회의 진행 - 공동 작업 방식 - AI와 대화하는 개인 작업도 넓은 의미에서는 협업으로 볼 수 있지만, 현재 AI 제품은 주로 개인의 생산성 향상에 머물러 있다. - 진정한 변화를 만들려면 제품팀은 개별 작업 자동화를 넘어 팀의 의사결정과 공동 창작을 어떻게 개선할지 고민해야 한다. ## 산업과 일상생활에 미칠 영향 - 기술 산업 종사자의 41%, 전문·비즈니스 서비스 종사자의 40%, 유통업 종사자의 39%가 AI로 제품과 서비스가 크게 바뀔 것으로 예상했다. - 반면 의료, 에너지·공공서비스, 통신 분야는 향후 12개월 동안 AI의 영향이 상대적으로 작을 것으로 전망됐다. - AI의 잠재력을 실현하려면 소프트웨어 기업뿐 아니라 의료·에너지·통신처럼 일상생활의 기반이 되는 산업도 변화해야 한다. - AI의 영향은 화면이나 기능 추가에만 국한되지 않고, 사람들이 서비스를 이용하고 조직이 운영되는 방식 자체를 바꿀 수 있다. ## 실험과 반복을 통한 유용성 검증 - AI 기술에 대한 기대와 실제 유용성 사이에는 여전히 차이가 있다. - 새로운 앱, 기능, 연구 논문이 빠르게 등장하면서 기업은 AI 기능을 서둘러 출시하라는 압박을 받고 있다. - 하지만 무엇이 실제로 사용자에게 도움이 되는지는 아직 충분히 검증되지 않았다. - 제품과 디자인 리더는 다음과 같은 태도를 취해야 한다. - 불확실성을 받아들이기 - 다양한 아이디어를 빠르게 실험하기 - 사용자 반응과 실제 사용 맥락을 관찰하기 - 효과가 없는 기능은 반복적으로 수정하거나 폐기하기 - AI 제품 개발은 아직 단순한 출시 경쟁이라기보다, 어떤 사용 경험과 협업 방식이 지속될지 찾아가는 단계에 가깝다. AI를 도입할 때는 “AI 기능을 추가했는가”보다 “사용자와 팀의 문제를 실제로 해결했는가”를 기준으로 평가하는 것이 좋다. 개인 생산성 도구에서 시작하되, 사용자 이해·협업·산업별 맥락을 반영한 실험을 반복해야 장기적으로 유용한 AI 제품에 도달할 수 있다.

원문 읽기(새 탭에서 열림)

human-ai-collaborationAI대규모 언어 모델머신러닝+2