GPT-5.6이 Figma Make에 추가되어 프롬프트에서 프로토타입과 코드로 전환하는 속도와 첫 결과물의 품질을 높인다. 복잡한 앱도 한 번의 프롬프트로 만들고, 오류가 발생하면 모델이 원인을 찾아 스스로 수정할 수 있다. 또한 기존 Figma 디자인을 높은 충실도로 인터랙티브 프로토타입으로 변환하며, 반응형 레이아웃과 실제 동작하는 상호작용까지 구현한다.
## 빠른 프로토타이핑과 작업 흐름 유지
- GPT-5.6은 아이디어를 working build로 빠르게 전환해 한 번의 작업 세션에서 여러 방향을 탐색할 수 있도록 한다.
- 복잡한 디자인에서도 첫 결과물을 빠르게 생성하며, 토큰 효율성도 높다고 소개된다.
- 예시로 금융·고딕 스타일의 주식 추적 앱을 한 번의 프롬프트로 제작했다.
- 어두운 배경과 앰버·네온 오렌지 텍스트
- 샘플 주가와 수익률 정보
- 스파크라인, 티커, 모듈형 그리드
- 키보드 단축키와 검색 기능
- 빌드 중 오류가 발생해도 작업을 중단하지 않고 원인을 조사해 자체적으로 수정한다.
- 실제 테스트에서는 빈 화면이 나타난 원인을 GPT-5.6이 찾아 해결했다.
## 기존 디자인을 충실하게 구현
- Figma Design 파일이나 디자인 명세를 기반으로 기존 시각적 구조를 유지하면서 인터랙티브 프로토타입을 만들 수 있다.
- 자연의 소리를 재생하는 오디오 플레이어 사례에서 다음 요소들이 원본 디자인과 유사하게 구현됐다.
- 다중 트랙 타임라인
- 재생·일시정지·이전·다음 컨트롤
- 사운드 라이브러리와 아트워크
- 레이아웃, 시각적 계층, 간격, 비율, 스타일
- 정적인 디자인을 실제 동작하는 프로토타입으로 바꾸는 디자인-투-코드 작업을 보다 안정적으로 수행한다.
- 오디오 파일 재생뿐 아니라 음악에 반응하는 셰이더 기반 이미지 왜곡 효과도 요청할 수 있다.
## 높은 완성도의 첫 결과물
- 최소한의 프롬프트만으로도 스타일이 정돈된 프로토타입을 생성하는 것이 목표다.
- 책장 제품을 판매하는 콘텐츠 중심의 이커머스 페이지 사례에서는 다음 기능이 첫 결과물에 포함됐다.
- 제품 설명, 치수, 관리 가이드
- 제품 정보가 채워진 드롭다운
- 책장 사진을 탐색하는 인터랙티브 이미지 갤러리
- 클릭 가능한 메뉴
- 별도의 추가 지시 없이도 화면 크기에 따라 레이아웃이 안정적으로 조정됐다.
- 따라서 초기 결과물을 단순한 시안이 아니라 팀이 검토·수정·확장할 수 있는 출발점으로 활용할 수 있다.
## Figma Make에서의 사용 방법
- GPT-5.6은 Figma Make에서 제공된다.
- Make의 모델 선택기에서 GPT-5.6을 선택해 사용할 수 있다.
- 사용자는 거친 아이디어, 기존 Figma 디자인, 짧은 기능 설명 등을 입력해 프로토타입이나 생산 코드에 가까운 결과물을 생성할 수 있다.
실무에서는 먼저 기존 디자인이나 원하는 사용자 경험을 구체적으로 제공하고, 생성된 첫 결과물을 기반으로 세부 기능과 스타일을 반복 수정하는 방식이 효과적이다. 특히 반응형 동작, 실제 인터랙션, 오류 자동 수정 기능을 활용하면 초기 프로토타입 제작과 팀 리뷰까지의 시간을 줄일 수 있다.
토스는 빠르게 변하는 AI를 따라잡기 위해 개인의 학습에만 의존하지 않고, 업무 시간과 조직 문화를 재설계하는 ‘AI Surf Day’를 운영했다. 매주 금요일을 AI 실험과 공유의 시간으로 정해 직군과 숙련도에 관계없이 누구나 AI를 업무에 적용하도록 지원했다. 이 경험은 특정 프로그램보다 자유롭게 시도하고 실패와 성과를 공유하는 문화, 그리고 이를 이끄는 사람들이 AI 전환의 핵심임을 보여준다.
## AI Surf Day의 배경과 목적
- AI 기술이 빠르게 발전하면서 개발자뿐 아니라 PO, 디자이너, 스태프 등 모든 직군에서 AI 활용에 대한 관심이 커졌다.
- 반면 비개발 직군을 중심으로 다음과 같은 어려움도 나타났다.
- 수많은 AI 정보 중 실제 업무에 유용한 것을 선별하기 어려움
- 새로운 기술을 학습할 별도 시간을 내기 어려움
- AI를 잘 활용하는 사람과 그렇지 못한 사람 사이의 격차와 불안
- 토스는 월요일부터 목요일까지 본업에 집중하고, 매주 금요일은 AI를 실험하고 업무에 적용하는 ‘AI Surf Day’로 운영했다.
- 목표는 단순히 AI 도구 사용법을 익히는 것이 아니라, 토스 전체가 AI 기반으로 일하는 문화를 만드는 것이었다.
- “파도를 멈출 수는 없지만 서핑하는 방법은 배울 수 있다”는 비유처럼, 예측하기 어려운 AI 변화에 조직적으로 대응하려는 취지를 담았다.
## AI Surf Club: 자율적인 실험과 학습
- 팀원 누구나 AI 관련 주제로 모임을 만들고 참여할 수 있는 핵심 프로그램이다.
- 시작과 함께 약 200개의 클럽이 만들어질 만큼 높은 참여가 나타났다.
- 대표적인 사례는 다음과 같다.
- **AI 안티패턴 스터디**
- AI 활용이 잘되지 않았던 시행착오와 실패 사례를 공유했다.
- 프로젝트 방향을 잡고 실수를 줄이는 데 도움이 되는 ‘시행착오 방지 가이드’로 내용을 정리했다.
- **LLM Wiki 활용법**
- 업무 지식이 여러 곳에 흩어진 문제를 해결하기 위해 조직 공동의 지식 자산 구축을 논의했다.
- 데이터 엔지니어, 머신러닝 엔지니어, 비즈니스 담당자 등 다양한 직군이 참여해 관점을 넓혔다.
- **터미널 초보자를 위한 0단계 모임**
- 에이전트 도구 설치나 터미널 사용처럼 기본적인 기술 장벽을 해결했다.
- 초보적인 질문도 부담 없이 할 수 있는 안전한 학습 공간을 제공했다.
- **금융소비자보호 업무의 AI 전환**
- “상담 과정에서 미리 민원을 발견하고 싶다”는 요구에서 출발해 한 달 만에 대외민원 모니터링 포털을 개발했다.
- 민원 회신문 초안 작성과 민원 분류 자동화 등 추가 결과물도 만들어냈다.
- 가장 큰 성과는 구성원들이 “우리도 AI로 해볼 수 있다”는 자신감을 얻은 점이었다.
- **비즈니스 마케팅 팀의 AI 워크숍**
- Builder, Curator, Operator, Scouter로 역할을 나누어 AI 도구, 사례, 자동화 결과물을 만들고 공유했다.
- 개인의 실험을 다른 팀원이 복제하거나 업무에 적용할 수 있는 자산으로 남기는 데 초점을 맞췄다.
## AI Surf Weekly: 사례와 아이디어의 확산
- 사내 AI 활용 우수 사례, 레슨런, 최신 AI 인사이트를 공유하는 시간이다.
- 구체적인 도구 사용법을 일방적으로 교육하기보다, 실제 사례를 보여주고 새로운 아이디어를 떠올리게 하는 방식을 택했다.
- 서로 다른 조직의 유사한 문제를 가진 구성원을 연결해 단시간에 결과물을 만들도록 돕기도 했다.
- 영업팀의 요구와 유사한 도구를 만든 인사팀 구성원을 연결해 빠르게 업무 도구를 개발했다.
- 디자인 자동화에 어려움을 겪던 마케팅 담당자를 디자인 조직의 경험자와 연결해 하루 만에 문제를 해결했다.
- 잘 쓰는 사람과 실제 결과물을 공유하면, 구성원들이 자신의 업무에 맞게 응용하면서 새로운 활용 사례가 파생된다는 점을 확인했다.
## AI Surf Evangelist: 현업 중심의 전파 체계
- 조직에서 AI를 잘 활용한다는 것은 개인이 도구를 능숙하게 쓰는 것이 아니라, 기존 업무 흐름을 AI 기반으로 재설계하는 것이다.
- 이를 가장 잘 이끌 사람은 실제 업무와 팀의 문제를 잘 아는 현업 구성원이라고 판단했다.
- 토스는 AI 기술 전문가보다 다음과 같은 구성원을 에반젤리스트로 선발했다.
- 유용한 정보를 발견하면 팀에 공유하는 사람
- 동료가 AI 활용 중 막혔을 때 함께 해결하는 사람
- AI 도입과 전파에 적극적인 사람
- 공개 추천을 통해 이미 비공식적으로 이런 역할을 수행하던 사람을 발굴했고, 총 142명이 선정됐다.
- 주요 미션은 다음과 같다.
- 3개월 동안 조직 내 AI 활용 사례를 공유 채널에 제보
- 팀 대상 밋업이나 워크숍을 최소 1회 개최
- 유용한 사례와 인사이트를 조직에 전파
- 문화팀은 워크숍 템플릿과 퍼실리테이션을 지원해 각 팀이 ‘업무를 AI 기반으로 재설계한다면?’을 주제로 실험하도록 도왔다.
## OpenAI 협업과 에이전틱 워크플로우
- 5월에는 OpenAI와 협업해 개발자용 Codex 세션, 비개발자용 ChatGPT Agent 자동화 세션, 미니 해커톤을 진행했다.
- **iOS Simulator 자동 검증 에이전트**
- Codex가 기능 구현, 빌드, 로그인, 입력, 테스트, 수정 과정을 직접 수행했다.
- 계획부터 검증 영상 생성까지의 전체 루프를 자동화했다.
- **토스플레이스 메뉴 분류 어드민**
- AI 에이전트가 매일 상품 데이터를 조회하고 사전 정의된 기준에 따라 1차 분류한다.
- 담당자는 알림 링크를 통해 결과를 확인하고 확정 또는 반려한다.
- 단순 반복 업무를 재사용 가능한 Agentic Workflow로 전환한 사례다.
## 프로그램보다 중요한 문화와 사람
- AI Surf Day는 6월까지 운영될 예정이지만, 이후 동일한 형식으로 지속될지는 정해지지 않았다.
- 글에서 중요하게 본 성과는 특정 프로그램 자체가 아니라 다음과 같은 변화다.
- AI를 실험할 수 있도록 공식적인 시간대를 마련함
- 성공뿐 아니라 실패와 시행착오도 공유함
- 서로 다른 팀의 사례와 사람을 연결함
- 워크숍과 결과물이 실제 업무 방식의 변화로 이어짐
- AI 전환을 추진하는 조직이라면 별도 학습 시간을 보장하고, 현업의 자발적 실험을 지원하며, 결과물을 조직 자산으로 공유하는 구조부터 만드는 것이 효과적이다.
AWS는 2026년 들어 생성형 AI와 에이전트 중심으로 서비스를 빠르게 확장하고 있다. Amazon Quick은 업무 자동화와 콘텐츠 생성을 강화했고, Amazon Connect는 공급망·채용·고객지원·의료를 아우르는 4개 에이전트 솔루션으로 확대됐다. 또한 AWS와 OpenAI는 Bedrock을 통해 OpenAI 모델과 Codex를 AWS 환경에서 사용할 수 있도록 협력을 강화했다.
## Amazon Quick의 업무 자동화 확대
- Amazon Quick은 앱과 연결해 사용자의 업무 맥락을 파악하고 대신 작업을 수행하는 AI 비서다.
- 브라우저 없이 로컬 파일, 캘린더, 커뮤니케이션에 접근할 수 있는 데스크톱 앱을 프리뷰로 제공한다.
- AWS 계정 없이 개인 이메일이나 Google, Apple, GitHub, Amazon 계정으로 가입할 수 있다.
- 채팅 인터페이스에서 다음 콘텐츠를 직접 생성할 수 있다.
- 문서
- 프레젠테이션
- 인포그래픽
- 이미지
- Google Workspace, Zoom, Airtable, Dropbox, Microsoft Teams와의 네이티브 통합이 추가됐다.
- 자연어로 지시해 비즈니스 데이터와 연결된 앱, 대시보드, 웹 페이지를 만드는 기능도 프리뷰로 제공된다.
## Amazon Connect의 에이전트 AI 사업 확장
Amazon Connect는 고객센터 제품을 넘어 네 가지 업무 영역별 에이전트 AI 솔루션으로 확대됐다.
- **Amazon Connect Decisions**
- 공급망 계획 및 인텔리전스 솔루션이다.
- Amazon의 30년 운영 노하우와 25개 이상의 공급망 도구를 결합한다.
- 문제가 발생한 뒤 대응하는 방식에서 벗어나 선제적 계획 수립을 지원한다.
- **Amazon Connect Talent**
- 대규모 채용을 위한 에이전트형 AI 채용 솔루션이다.
- AI 주도 인터뷰, 과학 기반 평가, 일관된 지원자 평가를 제공한다.
- 현재 프리뷰로 제공된다.
- **Amazon Connect Customer**
- 기존 Amazon Connect를 확장한 고객경험 솔루션이다.
- 음성, 채팅, 디지털 채널에서 개인화된 고객 응대를 지원한다.
- 대화형 AI를 수개월이 아니라 수주 내 구성할 수 있도록 설정 기능을 강화했다.
- **Amazon Connect Health**
- 환자 확인, 예약 관리, 환자 인사이트, 주변 대화 기반 문서화, 의료 코딩을 자동화한다.
- 환자는 더 빠르게 진료를 받고, 의료진은 문서 작업보다 진료에 집중할 수 있도록 설계됐다.
## AWS와 OpenAI의 Bedrock 협력
- AWS와 OpenAI는 최신 OpenAI 모델을 Amazon Bedrock에서 사용할 수 있도록 제한적 프리뷰를 시작했다.
- GPT-5.5와 GPT-5.4 등을 기존 Bedrock API를 통해 사용할 수 있다.
- 사용자는 별도 인프라나 새로운 보안 모델을 익히지 않고 Bedrock의 보안, 거버넌스, 비용 관리 체계를 그대로 활용할 수 있다.
- **Codex on Amazon Bedrock**
- OpenAI의 코딩 에이전트를 기존 AWS 환경에서 실행한다.
- AWS 자격 증명으로 인증하고, 추론은 Bedrock을 통해 처리한다.
- Codex 사용량을 AWS 클라우드 약정에 반영할 수 있다.
- Codex CLI, 데스크톱 앱, Visual Studio Code 확장에서 사용할 수 있다.
- **Amazon Bedrock Managed Agents**
- OpenAI 모델과 AWS 인프라를 결합해 운영 환경용 에이전트를 구축한다.
- OpenAI 하니스를 사용해 장시간 작업의 실행력, 추론, 제어 안정성을 높이는 것을 목표로 한다.
## 고성능 EC2 인스턴스 출시
- **M8in·M8ib**
- 6세대 Intel Xeon Scalable 프로세서와 6세대 AWS Nitro 카드를 사용한다.
- M6in·M6ib보다 최대 43% 높은 성능을 제공한다.
- M8in은 최대 600Gbps 네트워크 대역폭, M8ib는 최대 300Gbps EBS 대역폭을 지원한다.
- **R8in·R8ib**
- 메모리 최적화 인스턴스다.
- 대규모 상용 데이터베이스, 데이터 레이크, SAP HANA 같은 인메모리 데이터베이스에 적합하다.
- 최대 600Gbps 네트워크와 300Gbps EBS 대역폭을 제공한다.
- **C8ine·M8ine**
- 네트워크 최적화 인스턴스다.
- C6in·M6in 대비 vCPU당 패킷 처리 성능이 최대 2.5배, 인터넷 게이트웨이 경유 네트워크 처리량이 최대 2배 향상됐다.
- 가상 방화벽, 로드 밸런서, 5G UPF 등 보안·네트워크 가상 어플라이언스에 적합하다.
## Bedrock AgentCore의 운영 최적화
- Bedrock AgentCore 프리뷰에 에이전트 개선 기능이 추가됐다.
- 운영 환경의 추적 데이터와 평가 결과를 분석해 시스템 프롬프트와 도구 설명 개선안을 추천한다.
- 추천 결과는 다음 방식으로 검증할 수 있다.
- 사전 정의된 테스트 케이스를 활용한 일괄 평가
- 실제 트래픽을 대상으로 한 A/B 테스트
- 모든 추천 사항은 사용자가 승인해야 운영 환경에 반영된다.
- 관찰, 평가, 개선의 반복 과정을 자동화해 운영 중인 에이전트의 품질을 높이는 구조다.
## AWS Lambda와 Ruby 4.0 지원
- AWS Lambda가 최신 LTS 버전인 Ruby 4.0을 관리형 런타임과 컨테이너 기본 이미지로 지원한다.
- 고급 로깅 기능을 사용할 수 있다.
- JSON 구조화 로그
- 로그 레벨 설정
- 대상 CloudWatch 로그 그룹 지정
- 중국 리전과 AWS GovCloud를 포함한 모든 AWS 리전에서 제공된다.
## Amazon Q Developer에서 Kiro로의 전환
- Amazon Q Developer IDE 플러그인과 유료 구독은 2027년 4월 30일 지원 종료 예정이다.
- 신규 가입은 2026년 5월 15일부터 차단된다.
- 기존 구독자는 계속 사용자를 추가할 수 있지만, 2026년 5월 29일부터 Q Developer Pro에서 Opus 4.6은 사용할 수 없다.
- Opus 4.5 및 기존 모델은 유지되며, 최신 코딩 모델인 Opus 4.7 등은 Kiro에서만 제공된다.
- AWS 관리 콘솔의 Amazon Q Developer와 문서, 모바일 앱, Slack, Microsoft Teams 등 AWS의 퍼스트파티 경험은 이번 종료 대상이 아니다.
## 실용적인 시사점
- 기업은 Bedrock을 중심으로 OpenAI 모델과 AWS의 보안·거버넌스·비용 관리 체계를 함께 활용할 수 있게 됐다.
- 업무 자동화 도입을 검토한다면 Quick은 문서 생성과 사내 도구 연결에, Connect는 고객지원·채용·공급망·의료 프로세스에 적합하다.
- 대규모 데이터베이스나 네트워크 집약적 워크로드는 새 M8·R8·C8 계열의 대역폭과 패킷 처리 성능을 기존 인스턴스와 비교해 검토할 만하다.
- Amazon Q Developer 사용 조직은 지원 종료 일정과 Kiro 전환 계획을 미리 점검해야 한다.
AWS는 2026 'What’s Next with AWS' 행사를 통해 에이전트(Agent) 중심의 비즈니스 혁신과 인공지능 생태계 확장이라는 비전을 제시했습니다. 이번 발표의 핵심은 개인용 AI 비서인 'Amazon Quick'의 대중화, 'Amazon Connect'의 산업별 전문 에이전트 솔루션으로의 진화, 그리고 OpenAI와의 파트너십 강화를 통한 최신 모델의 Bedrock 통합입니다. 이를 통해 AWS는 기업이 복잡한 워크플로우를 자동화하고 보안이 보장된 환경에서 최첨단 AI를 활용할 수 있는 토대를 마련했습니다.
**Amazon Quick: 업무 효율을 높이는 범용 AI 어시스턴트**
* **데스크톱 앱 출시(Preview):** 브라우저를 열지 않고도 로컬 파일, 캘린더, 커뮤니케이션 도구와 연결되어 개인화된 업무 경험을 제공합니다.
* **접근성 확대:** AWS 계정 없이도 개인 이메일이나 기존 소셜 계정(Google, Apple 등)으로 가입할 수 있는 Free 및 Plus 요금제를 도입했습니다.
* **시각 자료 생성:** 채팅 인터페이스에서 직접 전문적인 문서, 프레임워크, 인포그래픽 및 이미지를 즉석에서 생성할 수 있습니다.
* **외부 앱 통합 확대:** Google Workspace, Zoom, Airtable, Dropbox, Microsoft Teams 등 주요 협업 툴과의 네이티브 연동을 지원합니다.
**Amazon Connect: 4가지 산업 특화 에이전틱 AI 솔루션**
* **Connect Decisions:** 아마존의 30년 운영 노하우가 집약된 공급망 계획 솔루션으로, 팀이 위기 대응을 넘어 선제적인 의사결정을 내릴 수 있도록 돕습니다.
* **Connect Talent (Preview):** 대규모 채용을 위한 솔루션으로, AI 기반 인터뷰와 과학적 역량 평가를 통해 편향을 줄이고 우수 인재를 빠르게 선발합니다.
* **Connect Customer:** 기존 Amazon Connect의 진화 버전으로, 전문 지식 없이도 몇 주 만에 대화형 AI를 설정하고 개인화된 고객 경험을 제공할 수 있도록 구성 능력을 강화했습니다.
* **Connect Health:** 환자 인증, 예약 관리, 의료 기록 자동화(Ambient Documentation) 및 코딩을 지원하여 의료진이 진료에 더 집중할 수 있는 환경을 구축합니다.
**AWS와 OpenAI의 파트너십 강화 및 Bedrock 통합**
* **최신 모델 도입:** GPT-5.5 및 GPT-5.4 등 OpenAI의 최첨단 모델을 Amazon Bedrock API를 통해 보안과 거버넌스가 유지된 상태로 사용할 수 있습니다.
* **Codex on Amazon Bedrock:** CLI, 데스크톱 앱, VS Code 확장 프로그램을 통해 OpenAI의 코딩 에이전트를 AWS 환경 내에서 직접 활용하고 클라우드 약정 비용을 적용받을 수 있습니다.
* **OpenAI 기반 Managed Agents:** OpenAI의 모델 성능을 극대화하도록 설계된 'OpenAI Harness'를 기반으로, 더 빠른 실행 속도와 정교한 추론 능력을 갖춘 프로덕션급 에이전트를 클라우드에 쉽게 구축할 수 있습니다.
이번 발표는 기업들이 더 이상 AI 모델 선택에만 머물지 않고, 실제 산업 현장에 즉시 투입 가능한 '에이전트' 중심의 인프라를 구축해야 함을 시사합니다. 특히 OpenAI의 최신 모델을 AWS의 안정적인 인프라 위에서 사용할 수 있게 됨에 따라, 보안과 성능을 모두 중시하는 엔터프라이즈 고객들에게 Amazon Bedrock은 더욱 강력한 선택지가 될 것으로 보입니다.
Dropbox는 검색 및 답변 서비스인 Dash의 핵심 기능인 '관련성 판단 모델(relevance judge)'을 최적화하기 위해 DSPy 프레임워크를 도입했습니다. 기존의 수동 프롬프트 엔지니어링 방식에서 벗어나, 인간의 평가 점수와 모델 점수 간의 차이를 최소화하는 체계적인 최적화 루프를 구축함으로써 더 저렴한 오픈 소스 모델에서도 고성능을 유지할 수 있게 되었습니다. 결과적으로 모델 교체 시 발생하는 성능 저하 문제를 해결하고, 대규모 데이터 처리를 위한 비용 효율성과 신뢰성을 동시에 확보했습니다.
**인간 평가 기반의 성능 측정 체계**
* 관련성 판단 모델은 쿼리와 문서의 연관성을 1~5점 척도로 할당하며, 이를 인간 평가자의 점수와 비교하여 성능을 측정합니다.
* 주요 평가지표로 NMSE(Normalized Mean Squared Error)를 사용하며, 이는 AI 점수가 인간의 판단에서 얼마나 벗어나는지를 0~100 사이의 수치로 나타냅니다.
* 단순 점수 외에도 프로덕션 환경에서의 안정성을 위해 JSON 출력 형식이 올바른지, 구조적 가이드라인을 준수하는지를 엄격히 관리합니다.
**고비용 모델에서 효율적인 모델로의 이식**
* 초기에는 성능이 뛰어난 OpenAI의 o3 모델을 사용했으나, 서비스 규모가 확장됨에 따라 수천 배 더 많은 데이터 처리를 위한 비용 절감이 필요해졌습니다.
* 상대적으로 저렴한 gpt-oss-120b 모델로 이전을 시도했으나, 기존 고성능 모델에 최적화된 프롬프트가 그대로 작동하지 않아 성능 저하가 발생했습니다.
* 이를 해결하기 위해 수동으로 프롬프트를 수정하는 대신, DSPy를 통해 특정 모델에 최적화된 프롬프트를 자동 생성하는 방식을 선택했습니다.
**DSPy와 GEPA를 활용한 프롬프트 최적화**
* DSPy의 GEPA(Generalized Evaluation-based Prompt Adaptation) 옵티마이저를 사용하여 모델이 인간과 다른 판단을 내린 지점을 분석하고 피드백을 생성합니다.
* 모델의 예측 점수와 인간의 점수 차이, 그리고 인간의 작성 이유(Rationale)를 결합하여 구체적인 피드백 루프를 구성합니다.
* 피드백 과정에서 특정 키워드에 과적합(Overfitting)되지 않도록 일반적인 규칙을 도출하며, "최신성을 과소평가함"이나 "키워드 일치에 과도하게 비중을 둠" 같은 구체적인 오류 패턴을 수정합니다.
* 이 최적화 루프는 '평가-피드백-프롬프트 수정-재평가' 과정을 반복하며 목표 지표인 NMSE를 최소화하는 최적의 프롬프트를 찾아냅니다.
**결론 및 권장사항**
LLM 시스템을 프로덕션 수준으로 확장할 때 가장 큰 장애물은 모델 변경이나 프롬프트 수정 시 발생하는 예기치 못한 성능 저하입니다. Dropbox의 사례처럼 DSPy와 같은 프레임워크를 활용해 프롬프트 엔지니어링을 '체계적인 최적화 프로세스'로 전환하면, 모델 이식성을 높이고 운영 비용을 획기적으로 낮추면서도 품질을 일정하게 유지할 수 있습니다. 특히 대규모 관련성 평가가 필요한 시스템이라면 수동 튜닝 대신 측정 가능한 지표 중심의 자동화된 최적화 루프를 구축하는 것을 권장합니다.
AI 에이전트를 통한 커머스 시대가 도래함에 따라, 판매자는 실시간 인벤토리 관리, 복잡한 결제 보안, 그리고 파편화된 에이전트 프로토콜 통합이라는 실무적 과제에 직면해 있습니다. Stripe는 Agentic Commerce Protocol(ACP)과 Suite를 통해 판매자가 단 한 번의 연동으로 다양한 AI 에이전트 환경에서 상품을 판매하고 결제를 처리할 수 있는 표준화된 인프라를 제공합니다. 이를 통해 기업은 기술적 복잡성을 Stripe에 맡기고 에이전트 중심의 새로운 소비 환경에 전략적으로 대응할 수 있습니다.
### 카탈로그 파편화와 통합 효율화
* AI 에이전트마다 요구하는 데이터 형식(SFTP, 전용 API, 맞춤형 피드 등)이 다르기 때문에 발생하는 중복 작업과 유지보수 비용이 초기 도입의 큰 장벽입니다.
* Stripe의 Agentic Commerce Suite를 사용하면 상품 데이터를 한 번만 업로드해도 지원되는 모든 에이전트에 자동으로 배포(Syndication)되어 데이터 일관성을 유지할 수 있습니다.
* 단순히 데이터를 나열하는 것을 넘어, 상품 탐색부터 체크아웃까지의 전체 트랜잭션 수명 주기를 통합 관리합니다.
### 실시간 데이터 동기화와 변종 관리
* 에이전트 환경에서는 데이터 지연이 치명적이며, 밀리초 단위의 실시간 재고 확인이 고객 신뢰와 브랜드 평판을 결정짓는 핵심 요소입니다.
* 색상, 사이즈, 커스텀 옵션 등 복잡한 상품 변종(Variant)을 에이전트가 정확히 이해하고 사용자에게 제안할 수 있도록 실시간 체크 기능을 지원합니다.
* 체크아웃 API 호출 시점에 가용성을 즉시 공유함으로써 품절된 상품이 결제 단계까지 넘어가는 오류를 방지합니다.
### 프로토콜의 불확실성 대응과 보안 결제
* ACP, Google UCP 등 기술 표준이 급변하는 상황에서 판매자가 매번 시스템을 재구축하지 않도록 프로토콜 불가지론적(Agnostic) 계층을 제공합니다.
* 공유 결제 토큰(Shared Payment Tokens, SPTs)을 도입하여, 구매자의 민감한 자격 증명을 노출하지 않고도 에이전트가 승인된 범위 내에서 안전하게 결제를 수행합니다.
* 결제뿐만 아니라 배송 상태 관리, 환불, 취소 등 사후 서비스까지 아우르는 비즈니스 로직을 표준화된 방식으로 처리합니다.
### AI 환경에 최적화된 부정 거래 탐지
* 마우스 움직임이나 브라우저 지문 등 인간 사용자 기반의 전통적인 사기 탐지 신호가 없는 에이전트 환경에 맞춰 보안 모델을 재설계했습니다.
* Stripe 네트워크의 방대한 데이터를 활용하여, 특정 판매자에게는 첫 구매인 에이전트 거래라도 고객의 결제 이력과 위험 문맥을 대조해 즉각적으로 분석합니다.
* SPTs와 Stripe Radar를 결합하여 에이전트 기반 거래에서도 기업 수준의 보안을 유지하며 사기 발생률을 거의 제로에 가깝게 관리합니다.
### 성공적인 도입을 위한 권장 전략
처음부터 전체 카탈로그를 에이전트에 개방하기보다는 전환율이 높고 배송 및 풀필먼트 과정이 단순한 특정 상품군(SKU)부터 시작하는 것이 좋습니다. 예를 들어 의류 브랜드 URBN은 인기 품목인 원피스와 데님 상품에 집중하여 초기 데이터를 확보했습니다. 이러한 단계적 접근을 통해 에이전트 채널의 동작 방식을 학습하고, 향후 여러 서비스가 결합된 복합적인 구매 시나리오로 확장해 나가는 것이 효과적입니다.
ChatGPT의 Figma 앱이 대화 내용을 바탕으로 Figma Buzz용 시각 자산과 Figma Slides용 프레젠테이션을 생성할 수 있도록 확장됐다. 사용자는 생성된 초안을 Figma에서 편집하고, 브랜드 스타일을 적용하며, 팀과 협업해 완성도를 높일 수 있다. 이를 통해 아이디어 구상부터 디자인 자산과 발표 자료 제작까지의 과정을 단축하는 것이 글의 핵심이다.
## ChatGPT에서 Figma 앱의 역할 확대
- 기존에는 ChatGPT 대화를 플로차트, 간트 차트 등 FigJam 다이어그램으로 변환할 수 있었다.
- 새 기능에서는 대화의 프롬프트를 다음 결과물로 발전시킬 수 있다.
- 포스터, 초대장, 디지털 광고, 영상 콜라주 등 Figma Buzz 자산
- 클라이언트 제안서, 내부 리뷰, 세일즈 미팅 등에 사용할 Figma Slides 프레젠테이션
- ChatGPT는 하나의 결과만 제시하지 않고 여러 시각적·구조적 변형을 제공해 사용자가 출발점을 선택하도록 돕는다.
- 생성 결과는 Figma에서 계속 수정하고 협업할 수 있는 편집 가능한 초안이다.
## Figma Buzz로 브랜드 자산 제작
- 디자인 전문 지식이 없어도 다음과 같은 시각 자산의 초기 버전을 만들 수 있다.
- 행사 포스터
- 소셜 미디어 광고
- 초대장
- 비디오 콜라주
- 예시로 “디자인·개발자 해커톤을 홍보할 현대적이고 미니멀한 포스터”를 요청하자, ChatGPT가 시각적 아이덴티티, 레이아웃, 문구가 다른 두 가지 안을 생성했다.
- Figma Buzz로 가져온 뒤 다음과 같이 세부 조정이 가능하다.
- 카피와 타이포그래피 수정
- 이미지와 색상 조정
- Figma Design의 블렌드 모드를 활용한 색상 팔레트 변경
- LinkedIn, X, Instagram 등 플랫폼별 프리셋 크기로 리사이즈
- 하나의 디자인 초안을 다양한 채널용 콘텐츠로 빠르게 확장할 수 있다는 점이 핵심이다.
## Figma Slides로 프레젠테이션 구성
- 사용자는 발표 개요를 미리 입력하거나, ChatGPT에 적절한 이야기 흐름을 제안하도록 요청할 수 있다.
- 예를 들어 ‘연간 회고’ 덱을 요청하면서 다음과 같은 서사 요소를 지정할 수 있다.
- 목표와 우선순위
- 지난해의 주요 성과
- 완료된 프로젝트
- ChatGPT는 이를 기반으로 여러 템플릿 옵션을 생성한다.
- Figma Slides에서 선택한 안을 바탕으로 다음 작업을 이어갈 수 있다.
- 생성된 이미지를 자체 제작 이미지로 교체
- 템플릿 스타일 변경
- 브랜드 가이드라인에 맞춘 색상과 글꼴 조정
- 팀원들과 슬라이드 내용 및 시각적 표현 수정
- 라이브 폴, 스탬프, 정렬 척도 같은 상호작용 기능을 활용해 발표 중 청중의 의견을 수집하고 팀 간 피드백을 주고받을 수 있다.
## 생성형 AI와 Figma 편집 환경의 결합
- ChatGPT는 아이디어를 시각화하고 초안을 만드는 역할을 한다.
- Figma Buzz와 Figma Slides는 초안을 실제 업무용 결과물로 다듬는 편집·협업 환경을 제공한다.
- 따라서 AI가 만든 결과물을 그대로 사용하는 것이 아니라, 다음 과정을 거쳐 완성도를 높이는 방식이다.
- 여러 초안 중 적합한 방향 선택
- 브랜드 자산과 실제 데이터 반영
- 문구, 레이아웃, 타이포그래피 수정
- 팀 리뷰와 상호작용 추가
- 채널별 규격에 맞춘 변환 및 배포 준비
## 이용 가능 범위
- EU 외 지역의 모든 ChatGPT 사용자가 Figma 앱을 이용할 수 있다.
- Figma Buzz와 Figma Slides 기능은 현재 Figma 앱 내 베타 버전으로 제공된다.
- 세부 지원 지역과 사용 방법은 Figma 도움말 센터에서 확인해야 한다.
실무에서는 ChatGPT를 브레인스토밍과 초안 생성에 활용하고, 최종 브랜드 적용·콘텐츠 검수·팀 협업은 Figma에서 진행하는 방식이 가장 효과적이다. 특히 소셜 콘텐츠를 여러 규격으로 제작하거나 프레젠테이션의 첫 구조를 잡는 작업에서 시간 절감 효과가 클 것으로 보인다.
LY 주식회사의 SR(Service Reliability) 팀은 반복되는 AWX 플랫폼 관련 문의를 효율적으로 처리하기 위해 RAG(검색 증강 생성) 기반의 지원 봇을 도입했습니다. 이 시스템은 사용자가 방대한 가이드 문서를 읽지 않고 중복된 질문을 던질 때 발생하는 운영 리소스 소모 문제를 해결하기 위해 고안되었습니다. 사내 위키와 과거 상담 이력을 활용해 정확도 높은 답변을 생성함으로써 관리자의 개입 없이도 사용자 문제를 신속하게 해결하는 성과를 거두었습니다.
**AWX 지원 봇의 기술 스택 및 구성**
- **LLM 및 프레임워크:** OpenAI의 GPT 모델을 메인 엔진으로 사용하며, LangChain 프레임워크를 통해 전체적인 워크플로를 관리합니다. Slack과의 연동은 Bolt for Python을 활용했습니다.
- **임베딩 모델:** 다국어 지원 및 문장 비교 성능이 뛰어난 'paraphrase-multilingual-mpnet-base-v2' 모델(SBERT)을 선택하여 글로벌 임직원의 다양한 언어 문의에 대응합니다.
- **벡터 데이터베이스:** 사내에서 PaaS 형태로 제공되어 접근성이 높은 OpenSearch를 사용하며, 텍스트 데이터를 고차원 벡터로 변환하여 저장하고 검색합니다.
**RAG 및 벡터 검색을 통한 답변 정확도 향상**
- **LLM의 한계 극복:** 학습되지 않은 최신 정보 부재나 허위 정보 생성(Hallucination) 문제를 해결하기 위해, 질문과 관련된 신뢰할 수 있는 컨텍스트를 LLM에 함께 전달하는 RAG 기법을 적용했습니다.
- **벡터 검색 원리:** 사용자의 질문을 임베딩하여 벡터화한 뒤, 벡터 DB 내에서 의미적으로 유사한 문장들을 k-NN(최근접 이웃) 방식으로 검색하여 최적의 참고 자료를 추출합니다.
- **유사도 기반 추출:** 단순 키워드 매칭이 아닌 의미적 유사성을 판단하므로, 'Buy'와 'Purchase'처럼 단어는 달라도 맥락이 같은 정보를 정확히 찾아낼 수 있습니다.
**봇 워크플로 및 데이터 활용 전략**
- **사용자 상호작용:** 사용자가 Slack으로 문의하면 봇이 사내 위키와 과거 Slack 스레드 데이터를 검색합니다. 추출된 데이터를 바탕으로 LLM이 1차 답변을 제공하며, 해결되지 않을 경우에만 '관리자 호출' 버튼을 통해 담당자를 연결합니다.
- **데이터 소스 다각화:** 공식 가이드 문서뿐만 아니라 실제 사용자들이 겪었던 문제와 해결책이 담긴 'Slack 문의 스레드 데이터'를 함께 인덱싱하여 실무적인 답변이 가능하도록 구성했습니다.
- **리소스 최적화:** 봇의 자동 응답을 통해 단순 반복 문의에 대한 관리자의 수동 대응 시간을 줄이고, 개발 조직이 서비스 운영 본연의 업무에 더 집중할 수 있는 환경을 조성했습니다.
RAG 기반 시스템을 구축할 때 가장 중요한 것은 신뢰할 수 있는 데이터 소스의 확보입니다. LY의 사례처럼 공식 문서와 실제 상담 이력을 병행 활용하면 LLM이 훨씬 구체적이고 실무에 유효한 답변을 생성할 수 있습니다. 운영 중인 서비스의 문의 대응 리소스가 부담된다면, 익숙한 벡터 DB와 오픈소스 임베딩 모델을 조합한 RAG 봇 도입을 적극 추천합니다.
Figma의 텍스트 리뷰 API는 플러그인이 별도 창을 띄우지 않고 Figma 편집기 안에서 텍스트를 감지하고 대체 문구를 제안하도록 한다. Diagram은 이를 맞춤법 검사 대신 AI 카피라이팅 기능인 Magician의 “Magic Copy”에 활용해, 사용자가 입력하는 헤드라인·본문·CTA의 대안을 실시간으로 제시한다. 이 사례는 디자인 도구와 AI를 결합할 때 작게 시작해 반복적으로 실험하고, 상황에 맞는 출력 품질을 다듬는 것이 중요하다는 점을 보여준다.
## Figma 텍스트 리뷰 API의 역할
- 텍스트 리뷰 API는 Figma Plugin API의 새로운 기능이다.
- 사용자가 캔버스에서 입력하는 텍스트를 자동으로 실행 중인 기본 텍스트 리뷰 플러그인이 분석할 수 있다.
- 플러그인은 텍스트의 특정 범위를 강조하고, 수정 또는 대체를 위한 제안 목록을 제공한다.
- 맞춤법과 문법 교정뿐 아니라 다음과 같은 기능에도 활용할 수 있다.
- 더 나은 카피 제안
- 기업 스타일 가이드 준수
- 문장 표현 개선
- 특정 문구의 대체안 생성
- 일반적인 플러그인 창과 달리 백그라운드에서 동작하며 Figma 편집기 UI에 자연스럽게 통합된다.
## Magician과 Magic Copy
- Magician은 Diagram이 만든 Figma용 AI 디자인 도구다.
- 디자인 작업 중 아이디어를 확장하고 창의적 작업을 돕는 것을 목표로 한다.
- 주요 기능은 “매직 스펠”이라는 형태로 제공된다.
- **Magic Icon**: 새로운 아이콘 생성
- **Magic Image**: 디자인에 사용할 이미지 생성
- **Magic Copy**: 문구 작성과 대안 제안
- Magic Copy는 텍스트 레이어를 편집할 때 기존 문구를 바탕으로 여러 대안을 제시한다.
- 헤드라인, 본문, 행동 유도 문구(CTA) 등 다양한 디자인 문구에 사용할 수 있다.
## 텍스트 리뷰 API를 활용한 AI 카피라이팅
- Magic Copy는 사용자가 입력하는 텍스트를 텍스트 리뷰 API를 통해 감지한다.
- 사용자가 별도의 플러그인 창을 조작하지 않아도 편집 흐름 안에서 제안이 나타난다.
- 글이 잘 떠오르지 않는 상황에서 기존 문구를 개선하거나 새로운 표현을 탐색하는 데 유용하다.
- AI가 작성한 대안을 비교하면서 디자이너가 더 빠르게 문구를 결정할 수 있다.
- 텍스트 리뷰 API의 본래 용도인 맞춤법 검사를 넘어, 글쓰기 보조 도구로 확장한 사례다.
## 하나의 확장 가능한 플러그인으로 통합
- Magician은 처음에는 Magic Copy와 Magic Icon 등이 각각 별도의 플러그인으로 계획됐다.
- 이후 여러 AI 기능을 하나의 플러그인에 모으는 방향으로 전환했다.
- 이를 통해:
- 여러 “매직 스펠”을 하나의 경험으로 제공할 수 있고
- 새로운 기능을 일관된 방식으로 추가할 수 있으며
- 아이디어를 빠르게 실험하고 검증할 수 있게 됐다.
- 핵심은 개별 기능을 독립적으로 만드는 대신, 새로운 AI 기능을 계속 수용할 수 있는 기반과 플랫폼을 먼저 마련한 것이다.
## AI 기능을 반복적으로 개선하는 방식
- Diagram은 Magician의 각 기능이 다양한 상황에서도 일관되고 유용한 결과를 내도록 출력 품질을 조정했다.
- 이를 위해 많은 입력과 결과를 시험하고, 효과적인 방식이 무엇인지 반복적으로 확인했다.
- Stable Diffusion과 OpenAI 같은 생성형 AI 모델의 발전은 이러한 실험을 빠르게 수행할 수 있게 했다.
- AI 도구를 처음부터 완성된 제품으로 만들기보다 작은 기능으로 시작해 사용자 경험과 출력 결과를 계속 개선하는 접근을 강조한다.
실용적으로는 텍스트 리뷰 API를 단순한 맞춤법 검사에만 한정하지 말고, 제품 문구·브랜드 가이드·콘텐츠 생성 등 편집 흐름에 직접 연결되는 기능에 활용할 수 있다. 다만 AI 제안은 반복적인 품질 검증과 세밀한 출력 조정이 필요하므로, 작은 사용 사례부터 시작해 점진적으로 확장하는 것이 적절하다.
