AI는 이제 단순히 질문에 답하는 도구를 넘어 이미지와 콘텐츠를 생성하고, 사용자의 행동을 예측하며, 디자인 작업의 일부를 수행하는 기술로 발전했다.
이러한 변화는 디자이너가 일하는 방식에도 영향을 주고 있다.
과거에는 원하는 결과물을 직접 제작하는 기술이 중요했다면, 이제는 AI를 활용해 다양한 가능성을 탐색하고 그중 적절한 방향을 판단하는 역량도 필요해졌다. 그렇다면 AI는 어떤 과정을 거쳐 발전했으며, 이러한 변화 속에서 프로덕트 디자이너는 어떤 역할을 해야 할까?
인공지능에 관한 논의는 최근에 시작된 것이 아니다. 1950년 영국의 수학자 앨런 튜링은 기계가 생각할 수 있는지에 대한 질문을 제기했다.
출처: 전자신문, 「IT 히어로 - 앨런 튜링(Alan Turing), 컴퓨터 과학의 선구자」 2025.09.24...
그는 기계가 인간과 대화할 때 상대방이 기계인지 인간인지 구별할 수 있는지를 살펴보는 방법을 제안했다. 이는 이후 튜링 테스트(Turing Test)로 알려졌으며, 기계의 지능을 어떻게 판단할 것인지에 관한 초기 논의에 중요한 영향을 미쳤다.
1956년에는 다트머스 연구 프로젝트를 계기로 인공지능(Artificial Intelligence, AI)이라는 용어가 사용되기 시작했고, AI는 독립적인 연구 분야로 발전해 나갔다.
1997년 IBM의 체스 컴퓨터 딥블루(Deep Blue)는 당시 세계 체스 챔피언이었던 가리 카스파로프와의 공식 재대결에서 승리했다.
체스는 단순한 계산뿐 아니라 여러 수를 예측하고 전략을 수립해야 하는 게임이다. 딥블루의 승리는 컴퓨터가 특정한 지적 과제에서 인간 최고 수준의 전문가를 능가할 수 있음을 보여준 상징적인 사건이었다.
이후 카스파로프는 인간과 기계의 관계를 탐구하며, 기술과 경쟁하는 것뿐 아니라 기술을 활용해 인간의 능력을 확장하는 방식에도 주목했다.
디자인에서도 비슷한 관점을 적용할 수 있다. AI가 빠르게 시안을 생성할 수 있다면, 디자이너는 그 결과물을 검토하고 개선하는 데 더 많은 시간을 활용할 수 있다.
1966년 MIT의 조지프 와이젠바움(Joseph Weizenbaum)은 초기 대화형 프로그램인 ELIZA를 개발했다.
ELIZA는 사용자의 입력에서 특정한 단어나 문장 패턴을 찾아 미리 정해진 규칙에 따라 응답했다. 특히 심리 상담사의 대화 방식을 모방한 프로그램으로 잘 알려져 있다.
ELIZA가 실제로 사용자의 감정을 이해하는 것은 아니었지만, 일부 사용자는 프로그램이 자신을 이해한다고 느꼈다. 이처럼 컴퓨터의 응답에 실제보다 높은 수준의 이해력이나 감정을 부여하는 현상을 엘리자 효과(ELIZA Effect)라고 한다.
이는 오늘날 대화형 AI를 사용할 때도 생각해 볼 만한 개념이다. AI가 자연스럽고 공감하는 듯한 답변을 생성하더라도, 그 답변이 인간과 동일한 방식의 감정이나 이해를 의미하는 것은 아니다.
초기의 많은 AI 시스템은 개발자가 규칙을 직접 정의하는 방식으로 작동했다. 하지만 현실에서 발생하는 모든 상황을 규칙으로 작성하는 데는 한계가 있었다.
머신러닝(Machine Learning)은 이러한 접근에서 벗어나, 컴퓨터가 데이터를 바탕으로 패턴을 학습하도록 하는 기술이다.
상품을 추천하는 시스템을 만든다면 개발자가 모든 추천 조건을 일일이 작성하는 대신, 사용자의 구매 기록이나 행동 데이터를 활용해 상품 간의 관계를 학습하도록 할 수 있다.
이러한 변화는 이미지 인식, 음성 인식, 검색, 추천 시스템 등 다양한 기술이 발전하는 기반이 되었다.
2010년대에는 대규모 데이터, GPU를 활용한 연산 능력, 인공신경망 기술의 발전이 결합하면서 딥러닝(Deep Learning)이 빠르게 성장했다.
딥러닝은 여러 층으로 구성된 인공신경망을 이용해 데이터의 복잡한 패턴을 학습하는 머신러닝의 한 분야다.
이미지 분류, 음성 인식, 자연어 처리 등에서 중요한 성과를 거두었다.
2020년대에는 대규모 언어 모델(LLM)과 생성형 AI가 대중화되면서 AI의 활용 범위가 더욱 넓어졌다.
ChatGPT, Gemini, Claude와 같은 서비스는 자연어로 질문하고 답변을 생성하는 방식을 널리 알렸다. 이미지 생성과 멀티모달 기술도 발전하면서 텍스트뿐 아니라 이미지, 음성, 영상 등 여러 형태의 정보를 다루는 AI가 등장했다.
이제 AI는 전문가만 사용하는 기술이 아니라 일상과 업무에서 직접 활용할 수 있는 도구가 되었다.
AI의 발전은 소프트웨어를 만드는 방식의 변화로도 이해할 수 있다.
다음 구분은 기술 발전의 흐름을 설명하기 위한 개념적 모델이며, 모든 소프트웨어가 순서대로 해당 단계를 거치는 것은 아니다.
✔️ Software 1.0에서는 원하는 결과를 얻기 위해 사람이 구체적인 규칙을 작성해야 했다.
✔️ Software 2.0에서는 데이터를 학습한 모델이 일정한 작업을 수행할 수 있게 되었다.
✔️ Software 3.0의 중요한 변화는 자연어를 통해 AI와 상호작용할 수 있다는 점이다. 사용자는 복잡한 명령어를 직접 작성하지 않고도 일상적인 언어로 작업을 요청할 수 있다.
✔️ Software 4.0은 AI가 단일 명령에 응답하는 수준을 넘어 목표를 이해하고 여러 작업을 자율적으로 수행하는 방향을 가리킨다. 다만 이는 확립된 공식 표준이라기보다 앞으로의 발전 방향을 설명하는 개념으로 이해하는 것이 적절하다.
AI는 생각보다 다양한 제품과 서비스에 적용되어 있다.
특히 프로덕트 디자이너라면 기술 자체뿐 아니라 AI가 사용자에게 어떤 기능과 경험을 제공하는지 살펴볼 필요가 있다.
ChatGPT, Gemini, Claude와 같은 대화형 AI는 자료 조사, 아이디어 탐색, 글쓰기, 정보 요약, 코드 작성 등 다양한 업무에 활용된다.
Adobe Express, Adobe Firefly, Midjourney와 같은 도구는 이미지 생성과 편집을 지원한다. 디자인 과정에서는 레퍼런스 탐색, 콘셉트 시각화, 배경 생성, 이미지 수정 등에 활용할 수 있다.
각 도구는 지원하는 기능과 작업 방식이 다르므로, 목적에 맞게 선택하는 것이 중요하다.
두 사례는 AI와 센서 기술이 실제 환경을 인식하고, 그 정보를 바탕으로 동작하는 제품에 어떻게 활용되는지 보여준다.
▫️ 테슬라의 FSD(Full Self-Driving)는 카메라 등에서 수집한 정보를 바탕으로 주변 환경을 인식하고 차량의 주행을 보조하는 시스템이다. 다만 완전한 무인 자율주행을 의미하지 않으며, 운전자의 감독과 개입이 필요하다.
▫️ 로봇청소기는 카메라, LiDAR 등 다양한 센서를 활용해 자신의 위치를 파악하고 주변 공간의 지도를 생성한다. 이러한 위치 추정 및 지도 작성 기술을 SLAM(Simultaneous Localization and Mapping)이라고 한다.
이커머스 서비스는 사용자의 검색, 클릭, 구매 이력 등 다양한 행동 데이터를 활용해 관심을 가질 만한 상품을 추천한다.
사용자가 특정 상품을 장바구니에 담았을 때 함께 구매할 가능성이 있는 상품을 제안하면, 사용자는 필요한 물건을 더 쉽게 찾을 수 있다.
음악 스트리밍 서비스도 청취 이력과 선호도 등을 분석해 취향에 맞는 곡이나 플레이리스트를 추천한다. 이러한 기능에는 협업 필터링, 콘텐츠 기반 필터링, 딥러닝 등 여러 기술이 활용될 수 있다.
추천 시스템을 설계할 때는 예측 정확도뿐 아니라 추천 결과가 사용자에게 유용한지, 필요한 순간에 적절하게 제공되는지도 중요하다.
얼굴 보정 앱은 이미지에서 얼굴과 주요 특징점을 감지해 피부, 얼굴형, 메이크업 등을 보정한다.
이미지 기반 식단 관리 서비스는 음식 사진을 분석해 음식의 종류를 추정하고 칼로리 등 관련 정보를 제공한다. 일부 서비스는 식사 기록과 혈당 데이터를 결합해 식후 혈당 변화를 예측하기도 한다.
이러한 기능은 사용자가 직접 정보를 입력해야 하는 과정을 줄여준다. 다만 이미지 분석 결과나 건강 관련 예측에는 오차가 발생할 수 있으므로, 결과를 확정적인 정보처럼 전달하지 않는 설계가 필요하다.
대화형 서비스에도 AI가 적용되고 있다.
통화 내용을 텍스트로 변환하고 주요 내용을 요약하면, 사용자는 긴 대화를 다시 듣지 않고도 중요한 정보를 확인할 수 있다.
이러한 기능을 설계할 때는 단순히 내용을 짧게 줄이는 것보다 중요한 맥락이 유지되는지, 누락되거나 잘못 해석된 내용은 없는지, 사용자가 원문을 확인할 수 있는지 등을 함께 고려해야 한다.
과거의 디자인 작업에서는 레퍼런스를 찾고 시안을 직접 제작하며 수정하는 과정에 많은 시간이 필요했다.
현재는 생성형 AI를 활용해 아이디어를 확장하고 다양한 시안을 빠르게 탐색할 수 있다. 반복적인 작업에 투입되는 시간을 줄이고, 문제 정의와 사용자 경험 설계에 더 집중할 수 있는 가능성이 열린 것이다.
하지만 AI가 결과물을 생성한다고 해서 디자인에 대한 이해가 불필요해지는 것은 아니다.
원하는 결과를 얻으려면 어떤 문제를 해결해야 하는지, 누구를 위한 디자인인지, 어떤 분위기와 표현 방식이 적절한지 설명할 수 있어야 한다. 또한 생성된 결과물이 사용 목적에 부합하는지도 판단해야 한다.
따라서 AI 시대의 디자이너에게는 도구 활용 능력과 함께 디자인 기초 지식, 문제 정의 능력, 결과물을 평가하는 안목이 필요하다.
전통적인 디자인 프로세스는 일반적으로 다음과 같은 흐름으로 진행된다.
AI와 협업할 때는 문제를 정의한 뒤 아이디어를 발산하고, AI가 생성한 여러 시안을 비교하며, 사람이 방향을 선택하고 보완하는 과정이 추가될 수 있다.
AI 협업 프로세스는 반드시 작업 단계를 줄이는 방식은 아니다. 오히려 여러 대안을 생성하고 검토하는 과정이 추가될 수 있다.
중요한 변화는 디자이너가 모든 시안을 처음부터 직접 만드는 대신, 다양한 가능성을 빠르게 탐색하고 선택할 수 있다는 점이다.
AI로부터 유용한 답변을 얻으려면 해결하려는 문제를 구체적으로 정의해야 한다.
예를 들어 단순히 “UX를 개선해 줘”라고 요청하면 어떤 사용자에게 어떤 문제가 발생했는지 알 수 없기 때문에 답변이 추상적일 수 있다.
반면 특정 사용자가 어떤 상황에서 어려움을 겪는지, 무엇을 개선하고 싶은지 설명하면 보다 관련성 높은 아이디어를 얻는 데 도움이 된다.
질문을 작성할 때는 대상 사용자, 사용 상황, 문제, 목적, 제약 조건을 명확히 하는 것이 좋다.
AI와 효과적으로 소통하려면 자신의 의도를 정확한 언어로 표현할 수 있어야 한다.
예를 들어 포스터 디자인을 요청할 때 단순히 세련된 느낌이라고 설명하는 것보다 원하는 서체, 색상, 레이아웃, 이미지 분위기를 구체적으로 전달하는 편이 결과를 조정하기 쉽다.
이를 위해서는 타이포그래피, 컬러, 레이아웃, 사용자 경험 등 디자인에 관한 기본 개념을 이해해야 한다.
디자인 지식은 직접 제작할 때뿐 아니라 AI에 적절한 방향을 제시하고 결과물을 평가할 때도 활용된다.
AI 도구와 기능은 빠르게 변화하기 때문에 모든 기술을 완벽하게 익힌 뒤 사용하기보다, 실제 작업에 적용하며 배우는 접근이 도움이 된다.
같은 작업이라도 프롬프트를 다르게 작성하거나 여러 도구를 사용해 결과를 비교해 볼 수 있다.
중요한 것은 새로운 도구를 사용하는 데 그치지 않고, 어떤 작업에서 도움이 되었으며 어떤 한계가 있었는지 직접 확인하는 것이다.
AI가 데이터를 분석하고 여러 대안을 제시할 수 있어도, 사용자의 감정과 상황을 충분히 고려했는지는 별도로 검토해야 한다.
사용자가 서비스를 이용하는 환경, 겪고 있는 불편함, 문화적 맥락과 감정 등을 이해하는 일은 프로덕트 디자인의 중요한 출발점이다.
AI가 제안한 기능이 기술적으로 구현 가능하더라도 사용자가 실제로 필요로 하지 않는다면 적절한 해결책이 아닐 수 있다.
따라서 프로덕트 디자이너는 기술의 가능성과 함께 사용자에게 제공할 실질적인 가치를 고려해야 한다.
AI는 다양한 디자인 작업을 보조할 수 있지만, 생성된 결과물을 그대로 사용하는 것이 항상 적절한 것은 아니다.
예를 들어 AI가 포스터 시안을 여러 개 생성했다면, 디자이너는 그중 어떤 시안이 행사 목적에 적합한지 살펴보고,
핵심 정보가 눈에 잘 들어오는지, 텍스트 대비가 충분한지, 이미지가 전달하려는 분위기와 일치하는지도 확인해야 한다.
또한 시간과 예산이 제한된 프로젝트에서는 어떤 요소를 우선적으로 개선할지 판단해야 한다. AI는 판단에 필요한 자료와 대안을 제공할 수 있지만, 최종 선택에는 프로젝트의 실제 맥락이 반영되어야 한다.
AI의 기능은 계속 발전하고 있으므로 특정 작업을 영구적으로 AI가 잘하거나 못하는 영역으로 구분하기보다, 현재 사용하는 도구의 성능을 확인하면서 활용 범위를 조정하는 것이 적절하다.
할루시네이션(Hallucination)은 AI가 사실과 다르거나 실제로 존재하지 않는 정보를 그럴듯한 답변으로 생성하는 현상이다.
최근 AI 모델은 잘못된 전제를 인식하고 수정하는 능력이 발전했지만, 할루시네이션이 완전히 사라진 것은 아니다. 모델과 질문 방식에 따라 같은 주제에서도 서로 다른 결과가 나올 수 있다.
특히 리서치 과정에서 AI를 활용한다면 다음 사항을 확인하는 것이 좋다.
중요한 사실은 원문이나 신뢰할 수 있는 자료와 대조하기
AI가 제시한 출처가 실제로 존재하며 해당 내용을 뒷받침하는지 확인하기
수치와 인용문은 가능한 한 원자료에서 검증하기
AI가 생성한 추정이나 해석을 검증된 사실과 구분하기
AI는 정보를 탐색하고 정리하는 시간을 줄여줄 수 있지만, 리서치 결과의 신뢰성을 확보하려면 별도의 검증 과정이 필요하다.
러닝커브는 새로운 기술이나 지식을 습득할 때 투입한 시간과 경험에 따라 숙련도가 어떻게 변화하는지 보여주는 그래프다.
새로운 개념을 처음 접하면 노력에 비해 성과가 잘 드러나지 않을 수 있다. 하지만 기초 지식이 쌓이고 반복적인 경험을 통해 학습한 내용이 내면화되면, 이전보다 빠르게 이해하고 적용할 수 있게 된다.
1️⃣ 초기 정체 구간(Slow Beginning) 새로운 개념과 도구에 적응하는 단계다. 많은 시간과 노력을 투입하더라도 눈에 띄는 성과가 나타나지 않을 수 있다.
디자인을 처음 배울 때 타이포그래피의 위계나 레이아웃을 이해하기 어렵고, 배운 내용을 실제 작업에 적용하는 데 시간이 걸리는 것이 대표적인 예다.
2️⃣ 급격한 성장 구간(Rapid Growth) 기초 지식이 쌓이면서 이해도와 숙련도가 빠르게 향상되는 단계다.
이전에는 자료를 참고해야만 이해할 수 있었던 디자인 원칙이 자연스럽게 떠오르고, 새로운 작업에도 응용할 수 있게 된다.
3️⃣ 고원 현상(Plateau) 성장 속도가 둔화되거나 실력이 정체된 것처럼 느껴지는 시기다. 하지만 학습한 내용을 내면화하고 심화하는 과정일 수 있다.
기초적인 작업에 익숙해진 이후에도 새로운 표현 방식이나 복잡한 문제를 다루기 위해서는 지속적인 학습과 연습이 필요하다.
고원 현상을 극복하는 세 가지 전략
1. 의식적 연습(Deliberate Practice) : 익숙한 작업을 반복하는 데 그치지 않고, 명확한 목표를 설정해 부족한 부분을 집중적으로 개선하는 방법이다.
예를 들어 타이포그래피의 시각적 위계가 약하다면 글자의 크기와 굵기, 배치 등을 바꾸어 보며 개선할 수 있다.
2. 피드백 루프 구축 : 작업물을 완성한 뒤 피드백을 받고, 이를 반영해 수정·보완하는 과정을 반복한다.
디자인에 대한 전문 지식이 부족한 사람이라도 정보가 잘 읽히는지, 어떤 요소가 먼저 눈에 들어오는지 등에 관한 의견을 제시할 수 있다. 다양한 관점의 피드백은 작업자가 놓친 문제를 발견하는 데 도움이 된다.
3. 환경의 변화와 새로운 자극 : 익숙한 작업 방식에서 벗어나 다양한 레퍼런스를 접하는 것도 필요하다.
Pinterest, Behance, 전시회 등에서 다른 디자이너의 작업물을 살펴보며 타이포그래피, 레이아웃, 톤앤매너, 색상 조합 등을 관찰하면 새로운 표현 방식을 발견하고 디자인 감각을 확장할 수 있다.
디자인은 많은 개념을 단기간에 익혔다고 해서 곧바로 능숙하게 적용할 수 있는 분야가 아니다. 배운 내용을 실제 작업에 활용하고 반복적으로 개선하면서 자신만의 지식으로 만드는 시간이 필요하다.
서비스에 AI 기능을 도입할 때는 단순히 'AI 추천'이나 'AI 자동화'라는 표현을 사용하는 것보다, 어떤 문제를 어떤 방식으로 해결할 것인지 구체적으로 설명해야 한다.
예를 들어 상품 비교 과정의 불편함을 개선한다면, AI가 사용자 리뷰를 분석해 핵심 키워드를 자동으로 추출하고 상품별 특징을 비교할 수 있도록 돕는 방식을 제안할 수 있다.
이처럼 기능의 작동 방식과 기대 효과를 함께 제시하면 아이디어의 목적과 활용 가치를 명확하게 전달할 수 있다.
AI를 활용해 아이디어를 도출했다면 실제 서비스에 적용할 수 있는지 다각도로 검토해야 한다.
특히 AI 기능을 기획할 때는 이미 상용화된 서비스의 사례를 참고하여 기술적 실현 가능성을 검토하는 것이 좋다. 아이디어의 참신함뿐 아니라 실제 구현 가능성까지 고려해야 설득력 있는 솔루션을 제안할 수 있다.
AI에 아이디어를 요청할 때는 목표뿐 아니라 예산, 시간, 기술적 한계 등 구체적인 제약 조건을 함께 제시할 수 있다.
또한 AI를 활용해 예상되는 실패 시나리오를 탐색하는 방법도 있다. 제안한 기능이 어떤 상황에서 제대로 작동하지 않을 수 있는지, 사용자가 어떤 불편을 경험할 수 있는지 검토하는 것이다.
프롬프트 기법을 모두 외우거나 모든 작업에 적용할 필요는 없다. 각 디자인 단계의 목적에 따라 필요한 방식을 선택하는 것이 중요하다.
예를 들어 리서치와 문제 정의 단계에서는 서비스의 비즈니스 방향과 사용자 의견을 폭넓게 탐색하고, 아이데이션 단계에서는 수량과 카테고리, 톤앤매너 등의 조건을 지정해 서로 다른 아이디어를 생성할 수 있다.
중요한 문제를 구체화할 때는 단계별 분석을 요청하고, 시안 제작 과정에서는 여러 디자인 방향을 탐색한 뒤 비교하는 방식으로 활용할 수 있다.
이렇게 발견한 문제점은 추가로 검증해야 할 항목으로 정리하고, 아이디어를 보완하는 데 활용할 수 있다.
서비스의 AI 기능을 분석할 때는 어떤 기술이 사용되었는지만 정리하는 것보다, 그 기능이 사용자 경험과 비즈니스에 어떤 변화를 만드는지까지 연결해서 살펴보는 것이 중요하다.
추천, 이미지 탐색, 통화 요약, 자동 글쓰기 등 다양한 AI 기능을 살펴보면서 기능 자체보다 그로 인해 사용자가 얻게 되는 편의와 서비스가 얻을 수 있는 효과를 함께 분석하면 좋다.
개인화 추천은 원하는 상품을 빠르게 발견하도록 도와 탐색 피로도를 낮출 수 있고, 서비스 관점에서는 구매 전환이나 체류 시간, 재사용과 연결될 수 있다.
포트폴리오에서도 다음과 같은 흐름으로 정리해볼 수 있다.
AI 기능 → 사용자 경험의 변화 → 사용자 가치 → 비즈니스 임팩트
이미지 기반 상품 탐색 기능이라면 단순히 'AI가 비슷한 상품을 추천한다' 에서 끝내지 않고,
'원하는 스타일을 빠르게 탐색할 수 있다 → 탐색 과정이 짧아진다 → 상품 구매로 이어질 가능성을 높인다'처럼 기능이 만들어내는 변화를 단계적으로 설명할 수 있다.
다만 실제 데이터로 확인하지 않은 효과라면 성과처럼 단정하기보다 기대 효과 또는 설계 의도로 구분해서 작성하는 것이 좋다.
AI의 발전은 디자이너가 작업하는 방식을 바꾸고 있다. 자료를 조사하고, 아이디어를 발산하고, 여러 시안을 제작하는 과정에서 AI의 도움을 받을 수 있게 되면서 디자인 작업의 선택지도 넓어졌다.
하지만 결과물을 빠르게 생성하는 것과 적절한 디자인을 완성하는 것은 서로 다른 문제다.
프로덕트 디자이너는 사용자의 문제를 정의하고, 비즈니스와 기술적 조건을 고려하며, 여러 대안 중 목적에 맞는 방향을 선택해야 한다. AI가 생성한 결과물을 실제 사용자 경험으로 연결하려면 디자인에 대한 기본 지식과 비판적인 판단이 필요하다.
결국 AI 시대에 중요한 것은 도구를 얼마나 많이 사용하는지가 아니라, 어떤 문제를 해결하기 위해 AI를 활용하고 그 결과를 어떻게 검증하고 개선하는지에 있다.