techlist.io
KREN

생성형 AI

125 개의 포스트

figma3분 읽기큐레이션 요약

VS Code 방식: 개발자의 이너

개발자의 생산성을 높이려면 코드 작성 자체보다 코드와 디버깅에 몰입하는 ‘이너 루프(inner loop)’를 최대한 끊기지 않게 해야 한다. VS Code는 외부 도구로 이동하는 횟수를 줄이고, 협업·프로젝트 관리·AI 지원 기능을 편집기 안으로 통합해 몰입과 협업을 함께 달성하려 한다. 궁극적으로 도구를 오가는 마찰을 줄이는 것이 코드 품질뿐 아니라 개발자의 만족도와 에너지에도 영향을 준다는 주장이다. ## 이너 루프와 아우터 루프의 구분 - **이너 루프**는 코드 작성, 컴파일, 디버깅을 코드 에디터 안에서 반복하는 집중 작업 과정이다. - **아우터 루프**는 버그 트래커 확인, 티켓 업데이트, 동료와의 Slack·Teams 대화, 문서 검색, 프로젝트 관리 등 에디터 밖의 활동을 의미한다. - 여러 프로젝트를 동시에 진행하면 브라우저, API 문서, 터미널, 데스크톱을 계속 오가게 되며 집중력이 분산된다. - 몰입 상태가 유지되면 코드의 엣지 케이스와 향후 확장 계획 같은 맥락을 머릿속에 유지할 수 있다. - 반대로 컨텍스트 스위칭이 발생하면 이러한 맥락이 사라져 생산성과 코드 품질이 떨어진다. ## 편집기 안에서 집중력 유지하기 - VS Code의 **Zen Mode**는 사이드바 등 불필요한 UI를 숨겨 방해 요소를 줄인다. - 화면 구성이 바뀔 때마다 뇌가 새로운 UI에 적응해야 하므로, 작은 UI 변화도 누적되면 집중을 방해할 수 있다. - 개발자는 필요한 확장 기능을 선택해 자신의 작업 방식에 맞게 편집기를 구성할 수 있다. - 단일 도구의 사용성을 개선하는 것만으로는 충분하지 않으며, 도구 사이를 오가는 행위 자체를 줄여야 한다. ## 아우터 루프를 이너 루프로 가져오기 - GitHub에서 풀 리퀘스트를 확인한 뒤 다시 에디터로 돌아오는 과정처럼, 작업 중 도구를 전환하면 흐름이 끊긴다. - 가능한 경우 다음 기능을 코드 에디터에 직접 통합해야 한다. - 협업자와의 커뮤니케이션 - 코드 리뷰와 풀 리퀘스트 처리 - 프로젝트 관리와 티켓 확인 - 디자인 및 API 문서 참조 - Figma for VS Code 확장 기능을 사용하면 VS Code에서 디자인을 직접 확인하고 검사할 수 있다. - 필요한 협업이나 프로젝트 관리 작업을 현재 작업 공간에서 처리하면 불필요한 브라우저 전환을 줄일 수 있다. ## AI를 활용한 작업 흐름 보완 - 생성형 AI는 개발자가 작성 중인 코드를 분석해 다음에 필요할 가능성이 높은 코드를 미리 제안할 수 있다. - 제안이 작업 흐름을 방해하지 않는 방식으로 제공되면 코드 작성 속도와 집중력을 동시에 높일 수 있다. - 글에서는 GitHub Copilot 사용 시 코딩 속도가 55% 향상되었다는 GitHub의 보고와, AI 사용 개발자의 75%가 더 큰 성취감을 느꼈다는 조사 결과를 소개한다. - AI의 가치는 단순한 속도 향상뿐 아니라 개발자가 반복 작업에서 벗어나 더 만족스럽게 일하도록 돕는 데 있다. ## 협업도 몰입을 깨지 않는 방식으로 - 협업은 필수지만 회의와 실시간 채팅, 메시지 왕복은 개발자의 집중을 끊을 수 있다. - 이상적인 협업은 한 사람이 다른 사람의 작업을 중단시키는 방식이 아니라, 서로 각자의 이너 루프를 유지하며 진행하는 것이다. - VS Code는 GitHub 기능을 편집기에 통합해 다음 작업을 에디터를 떠나지 않고 수행하도록 지원한다. - 이슈 작업 - 코드 리뷰 - 풀 리퀘스트 작성 및 제출 - 모든 협업이 실시간이어야 하는 것은 아니며, 비동기 댓글과 리뷰를 활용하면 집중과 협업을 함께 유지할 수 있다. ## 개발자 행복으로 이어지는 선순환 - 도구 간 전환이 줄어들면 작업의 마찰과 반복적인 불편이 감소한다. - 몰입 상태가 길어질수록 생산성뿐 아니라 개발자의 에너지와 만족도도 높아진다. - 개발자 도구를 만드는 팀은 기능을 추가하는 것뿐 아니라, 개발자의 흐름을 방해하는 요소를 지속적으로 제거해야 한다. - 장기적으로는 코드 에디터가 개발에 필요한 모든 도구를 연결하는 통합 작업 공간이 되는 것이 이상적인 방향이다. 개발팀은 자주 발생하는 도구 전환 지점을 먼저 파악하고, GitHub·디자인 도구·문서·프로젝트 관리 기능을 에디터와 연동하는 것부터 시작하는 것이 좋다. 또한 알림을 줄이고 비동기 협업을 기본값으로 삼으면 집중력을 보존하면서도 협업 품질을 유지할 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIFigmagithubgithub-copilot+3
figma3분 읽기큐레이션 요약

입문하기: 첫 프로덕트

제품 디자인의 첫 직무를 얻으려면 포트폴리오를 통해 실력뿐 아니라 문제 해결 과정과 제품 사고를 보여줘야 한다. 특히 결과물 자체보다 “왜 그렇게 결정했는가”를 설명하고, 제약·트레이드오프·배운 점까지 설득력 있게 전달하는 것이 중요하다. Figma는 인턴과 신입 디자이너에게 관찰자가 아닌 제품에 기여하는 구성원으로서의 창의성과 새로운 관점을 기대한다. ## Figma의 초기 커리어 기회 - Figma는 매년 인턴과 신입 졸업생을 제품 디자인 팀에 영입한다. - 초기 경력 디자이너도 단순히 업무를 관찰하는 데 그치지 않고 제품에 새로운 아이디어와 에너지를 더한다. - 글은 Figma의 채용 기준과 초기 커리어 지원 방법, 인터뷰 과정 등을 안내한다. - 인터뷰에는 Figma 제품 디자이너인 Chia Amisola, Julia Han, Keeyen Yeo, Kelly Hu, Tammy Taabassum의 경험과 조언이 담겼다. ## 포트폴리오의 기본 원칙 - 포트폴리오는 첫인상을 결정하므로 자신의 역량, 창의성, 디자인 프로세스, 결과의 영향력을 가장 잘 보여주는 작업을 앞에 배치해야 한다. - 사이트 제작 도구, 프로젝트 개수, 시각적 스타일보다 다음 요소가 더 중요하다. - 최고의 작업을 선별했는가 - 프로젝트를 이해하기 쉬운 이야기로 구성했는가 - 방문자가 콘텐츠를 쉽게 탐색할 수 있는가 - 포트폴리오가 자신의 관점과 개성을 드러내는가 - 포트폴리오의 형식은 개인적일 수 있으며, 정해진 템플릿을 따르기보다 자신과 작업을 잘 표현하는 방식을 선택하면 된다. ## 가장 강한 프로젝트를 앞에 배치하기 - 첫 번째 프로젝트는 전체 포트폴리오의 기준을 설정하므로 가장 종합적으로 자신의 능력을 보여주는 작업을 선택해야 한다. - 어떤 프로젝트를 앞에 둘지 고민된다면, 가장 자연스럽게 설명할 수 있고 설득력 있는 이야기를 들려줄 수 있는 작업을 고르는 것이 좋다. - 좋은 프로젝트 사례에는 다음 내용이 포함된다. - 명확한 문제 정의 - 프로젝트의 주요 단계와 마일스톤 - 결과에 대한 해석과 결론 - 성과를 측정한 지표 - 진행 과정에서 얻은 교훈 - 다시 한다면 바꾸고 싶은 점 - 프로젝트가 큰 성공을 거두지 못했더라도 실패 원인과 배운 점을 설명할 수 있다면 충분히 강력한 사례가 될 수 있다. ## 결과보다 디자인 의사결정이 중요한 이유 - 제품 디자인 포트폴리오에서는 최종 화면보다 각 선택의 이유를 설명하는 능력이 중요하다. - 색상, 컴포넌트, 스타일, 문구 등 모든 요소는 의도적인 결정으로 다뤄야 한다. - 설명할 때 다음 내용을 구체적으로 제시해야 한다. - 어떤 문제를 해결하려 했는가 - 고려한 대안은 무엇이었는가 - 각 대안의 장단점은 무엇이었는가 - 시간·기술·비즈니스 등 어떤 제약이 있었는가 - 최종 선택으로 인해 발생한 트레이드오프는 무엇인가 - 이러한 설명은 단순히 화면을 제작하는 능력을 넘어, 제품의 맥락과 다양한 선택의 영향을 이해하고 있음을 보여준다. ## 포트폴리오 제작에 활용할 수 있는 자료 - Figma는 포트폴리오 발표 구성과 제작을 돕는 커뮤니티 템플릿을 제공한다. - 활용 가능한 자료에는 다음이 포함된다. - 제품 디자이너 포트폴리오 발표 가이드 및 템플릿 - 여러 기기 화면을 보여주는 디바이스 목업 - 15페이지 분량의 제품 디자인 포트폴리오 발표 템플릿 - HTML 포트폴리오 템플릿 - UI·UX 디자이너용 개인 포트폴리오 템플릿 - 템플릿은 완성된 정답이라기보다 작업의 구조를 잡고 빠르게 시작하기 위한 도구로 활용하는 것이 적절하다. 프로젝트를 많이 넣기보다 가장 잘 설명할 수 있는 작업을 선별하고, 화면보다 문제 정의·과정·의사결정·성과·배움을 중심으로 구성하는 것이 효과적이다. 포트폴리오를 완성한 뒤에는 각 선택의 “왜”를 말로 설명하는 연습을 해보는 것이 좋다.

원문 읽기(새 탭에서 열림)
생성형 AIFigma사용자 경험프로덕트 디자인+3
figma4분 읽기큐레이션 요약

요약하자면: 제6

AI를 제대로 활용하는 일은 기술 습득을 넘어 인간의 판단력과 창의성을 이해하는 과정이라는 것이 글의 핵심 주장이다. Figma의 잡지 《The Prompt》는 디자인, 엔지니어링, 검색, 휴머노이드 로봇, 인쇄 매체를 통해 AI가 인간의 역할과 창작 방식을 어떻게 바꾸는지 탐구한다. AI가 작업을 자동화하더라도 문제를 정의하고 의미를 부여하는 능력, 호기심과 판단력은 여전히 인간의 중요한 차별점으로 남는다고 강조한다. ## 《The Prompt》의 기획 의도 - Figma가 Story Studio와 Brand Studio의 협업으로 제작한 80쪽 분량의 디지털·인쇄 잡지다. - AI가 디자인과 디지털 제품 개발을 활성화할 가능성뿐 아니라, 현재의 한계와 앞으로의 성장 방향을 다룬다. - 디자인·엔지니어링·제품 개발 분야 리더들에게 질문을 던지고, 각자의 기술과 창의성에서 무엇을 지키고 싶은지 살펴본다. - 인쇄본은 벨럼지, 색상, 일러스트레이션, 레이아웃 등 물질적 요소를 활용해 AI 시대의 주제를 시각적으로 해석한다. ## AI 시대의 좋은 디자인 - AI가 제품 개발을 대중화할수록 단순한 구현 능력보다 디자인의 질이 중요한 차별점이 된다고 본다. - Figma의 제품 디자인 부문 리더 Noah Levin과 팀은 AI를 활용하더라도 오랫동안 지켜 온 디자인 원칙과 장인정신이 필요하다고 말한다. - 좋은 디자인은 기능을 만드는 데 그치지 않고, 사용자의 맥락과 경험을 이해하며 명확한 의도와 판단을 반영해야 한다. - AI가 다양한 결과물을 빠르게 생성할수록 무엇을 선택하고 왜 선택하는지 설명하는 디자이너의 역할이 커진다. ## 코드가 상품화될 때 엔지니어의 역할 - Figma CTO Kris Rasmussen은 엔지니어링이 단순히 코드를 출력하는 일이 아니라고 주장한다. - 엔지니어에게는 다음과 같은 고유한 역할이 있다. - 해결할 문제를 올바르게 정의하기 - 여러 해결책 중 적절한 방법을 선택하기 - 시스템의 구조와 장기적 영향을 판단하기 - AI가 코드 작성 속도를 높이더라도 문제의 중요도, 기술적 트레이드오프, 제품과 사용자에 미치는 영향을 판단하는 일은 여전히 어렵다. - 따라서 “AI가 엔지니어의 일자리를 없앨까?”보다 “엔지니어가 AI로 무엇을 더 잘할 수 있으며, 인간만이 해결할 수 있는 영역은 무엇인가?”를 묻는 것이 생산적이라고 제안한다. ## 판단 없는 질문과 인간의 호기심 - Perplexity 공동창업자 겸 CEO Aravind Srinivas는 AI 검색 서비스를 인쇄 백과사전과 위키의 계보에 놓는다. - Perplexity는 질문하기를 망설이게 만드는 사회적 판단이나 부담을 줄이고, 누구나 답을 탐색할 수 있게 하는 도구로 설명된다. - AI 검색은 정보를 제공하는 데서 그치지 않고 사용자의 호기심을 확장하는 보조자가 될 수 있다. - 다만 좋은 답변을 얻으려면 질문의 의도와 맥락을 명확히 하고, AI가 제시한 정보를 비판적으로 검토해야 한다. ## 휴머노이드 로봇과 구현된 AI - 영화와 소설 속에서 반복적으로 등장한 휴머노이드 로봇이 현실의 기술로 다가오고 있다는 점을 조명한다. - 로봇은 AI를 화면 속 소프트웨어가 아니라 물리적 공간에서 행동하는 존재로 만든다. - 구현된 AI는 다음과 같은 새로운 문제를 제기한다. - 인간과 기계의 경계는 어디에 있는가 - 로봇의 행동을 누가 통제하고 책임지는가 - 인간형 외관이 사용자 기대와 신뢰에 어떤 영향을 미치는가 - 휴머노이드의 발전은 기술적 가능성뿐 아니라 인간이 AI에 투영해 온 기대와 두려움을 다시 마주하게 한다. ## 인쇄 매체가 제공하는 경험 - 《The Prompt》는 디지털 기술을 다루면서도 인쇄물의 물성과 느린 읽기 경험을 적극적으로 활용한다. - 종이의 질감, 색, 편집 구성, 일러스트레이션은 AI에 관한 추상적 논의를 감각적인 경험으로 바꾼다. - 효율성과 즉시성이 강조되는 AI 시대에 인쇄물은 의도적으로 속도를 늦추고, 창의성과 사유의 과정을 강조한다. - 이는 효율이 항상 창의성을 높이는 것은 아니며, 제약과 물리적 경험이 오히려 새로운 사고를 촉진할 수 있다는 관점을 보여준다. AI를 업무에 도입할 때는 반복 작업 자동화에만 집중하기보다 문제 정의, 판단, 검증, 사용자 이해처럼 인간의 강점이 필요한 단계에 더 많은 시간을 투자하는 것이 바람직하다. AI를 대체자가 아니라 창의적 사고와 호기심을 확장하는 협업 도구로 바라볼 때 그 잠재력을 더 효과적으로 활용할 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIAI프로덕트 디자인software-engineering+2
figma3분 읽기큐레이션 요약

'디자인 제작' 기능

Figma는 AI 기능 ‘Make Designs’가 실제 앱과 유사한 디자인을 생성하는 문제를 발견해 일시적으로 중단했다. 원인은 모델 자체가 아니라, 충분히 검토되지 않은 디자인 시스템의 컴포넌트와 예시 화면이었다. Figma는 관련 자산을 제거하고 QA 절차를 개선한 뒤, 기능을 ‘First Draft’라는 이름으로 재출시했다. ## Make Designs의 작동 방식 - 사용자의 프롬프트, AI 모델, 디자인 시스템의 컴포넌트와 예시를 결합해 초기 UI 시안을 생성한다. - OpenAI의 GPT-4o와 Amazon Titan 등 상용 모델을 사용했으며, 별도 학습이나 파인튜닝은 진행하지 않았다. - 모바일·데스크톱용으로 제작한 두 개의 디자인 시스템에 수백 개의 컴포넌트와 조합 예시를 포함했다. - 모델은 버튼, 헤드라인, 이미지 등 컴포넌트를 선택·배치하고, 속성과 스타일을 설정해 완성된 화면을 구성한다. - Amazon Titan의 확산 모델이 디자인에 필요한 이미지를 생성한다. - 결과물은 완성품이 아니라 디자이너가 수정하고 발전시키기 위한 ‘첫 초안’을 목표로 했다. ## 실제 앱과 유사해진 원인 - Config 2024 직전 디자인 시스템에 새 컴포넌트와 예시 화면이 추가됐다. - 일부 자산이 실제 서비스의 UI 요소와 충분히 유사했지만, 추가된 자산을 철저히 검토하지 못했다. - 특정 프롬프트를 입력하면 해당 자산이 결과물에 포함될 수 있었다. - 한 디자이너가 날씨 앱을 생성했을 때 Apple의 기본 앱과 유사한 화면이 나온 것을 지적하면서 문제가 드러났다. - Figma는 문제의 원인이 기반 모델의 학습 데이터가 아니라 자체적으로 제공한 디자인 시스템과 예시 자산에 있다고 판단했다. ## Figma의 대응 - 문제를 확인한 즉시 관련 디자인 시스템 자산을 제거했다. - Make Designs 기능을 일시적으로 비활성화했다. - 기능 재개를 보류하고 디자인 시스템에 대한 개선된 QA 프로세스를 마련하기로 했다. - Visual Search, 레이어 이름 변경, 텍스트 번역 등 다른 Figma AI 기능은 제한적 베타로 계속 제공했다. ## 향후 방향과 디자이너의 역할 - Make Designs의 초기 이름은 ‘First Draft’였으며, 완성된 디자인보다 작업을 시작하기 위한 출발점을 의미한다. - 향후에는 기업이 자체 디자인 시스템을 연결해 컴포넌트 검색·조합·설정에 드는 시간을 줄이는 것이 목표다. - AI는 초기 아이디어와 구조를 제시할 수 있지만, 의미 있는 사용자 경험을 만들고 완성하는 일은 여전히 디자이너의 역할이다. - Figma는 제한적 베타를 통해 실제 사용 과정에서 문제를 배우고 개선하겠다고 밝혔다. - 편집자 주에 따르면 기능은 이후 개선 사항과 함께 ‘First Draft’라는 새 이름으로 재활성화됐다. AI 기반 디자인 생성 기능은 모델 성능뿐 아니라 입력되는 디자인 시스템과 예시 자산의 품질 관리가 중요하다. 따라서 자동 생성 결과를 완성품으로 신뢰하기보다, 철저한 QA와 디자이너의 검토를 거치는 초안 생성 도구로 활용하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
생성형 AIAI디자인 시스템사용자 인터페이스+3
figma4분 읽기큐레이션 요약

AI 시대의 좋은 디자인이란 무엇

AI가 제품 개발을 대중화할수록 제품을 차별화하는 요소는 디자인이 된다. 모바일 시대에 데스크톱 경험을 작은 화면에 그대로 옮겼던 것처럼, 초기 AI 제품도 단순한 챗봇과 템플릿에 머물고 있지만 새로운 상호작용 패턴을 발견할 가능성이 크다. 따라서 AI 시대의 좋은 디자인은 기술 자체를 좇기보다 공감, 창의성, 실제 사용자 문제 해결이라는 변하지 않는 원칙을 바탕으로 AI와 디자이너의 역할을 재정의하는 것이다. ## AI 시대에 디자인이 더 중요해지는 이유 - AI는 간단한 프롬프트만으로 코드, 디자인, 애플리케이션 전체를 생성할 수 있어 아이디어에서 구현까지의 속도를 크게 높인다. - 더 많은 사람이 제품 제작 과정에 참여할 수 있게 되지만, 결과적으로 비슷한 제품이 빠르게 양산될 가능성도 커진다. - 제품의 차별화는 기능 구현보다 다음과 같은 디자인 경험에서 나타날 수 있다. - 풍부한 상호작용 - 직관적인 제스처 - AI라는 매체에 적합한 새로운 사용 패턴 - 2007년 아이폰 등장 직후 많은 기업이 기존 데스크톱 화면을 모바일에 단순히 축소했던 것처럼, 현재의 단순 챗봇과 템플릿형 AI 제품도 새로운 기술에 적응하는 초기 단계로 볼 수 있다. - 새로운 기술의 잠재력을 실현하려면 충분한 시간과 반복적인 실험이 필요하다. ## 좋은 디자인의 원칙을 AI가 이해하도록 만들기 - Figma는 디자인 시스템을 활용해 UI의 첫 시안을 생성하는 AI 기능을 개발하면서, 먼저 “좋은 디자인”이 무엇인지 정의해야 했다. - LLM은 본질적으로 텍스트 기반 모델이므로 글쓰기나 코딩에는 강하지만, 시각적·구조적 판단이 필요한 UI 디자인을 생성하는 일은 더 어렵다. - 모든 디자인 규칙을 AI에 전달하는 방식은 현실적이지 않다. - 좋은 디자인의 모든 세부 사항을 유한한 규칙으로 정의하기 어렵다. - 방대한 규칙을 하나의 프롬프트에 넣으면 토큰 제한에 걸린다. - 상황에 따라 달라지는 디자인 판단까지 규칙화하기도 어렵다. - 이에 따라 어떤 UI에도 대체로 적용할 수 있는 작지만 강력한 원칙으로 디자인 지식을 압축해야 한다. - 디자인을 가르치는 과정처럼, 디자이너의 직관을 다른 사람이 실행할 수 있는 명확한 원칙으로 분해하는 작업이 중요하다. - 좋은 원칙은 다음 조건을 갖춰야 한다. - 명확할 것 - 구체적일 것 - 실제 제작 과정에서 적용 가능할 것 - 다양한 UI 상황에 일반화될 것 ## 디자인에서 코드까지의 순환 고리 단축 - AI는 디자인 결과물을 코드로 옮기는 시간을 줄여 제품 제작 주기를 단축할 수 있다. - 디자인과 개발 사이의 간극이 줄어들면 더 많은 시안을 빠르게 구현하고 검증할 수 있다. - 중요한 것은 단순히 코드를 자동 생성하는 것이 아니라, 디자인 의도와 사용자 경험이 구현 단계에서도 유지되도록 하는 것이다. - 빠른 생성 능력은 한 번에 정답을 얻는 수단이라기보다 실험과 반복을 늘리는 수단으로 활용해야 한다. ## 실용주의와 반복적인 실험 - AI 기술이 빠르게 변하는 상황에서는 완벽한 미래상을 기다리기보다 현재 가능한 도구로 실제 문제를 해결하는 접근이 필요하다. - 기술을 사용하기 위한 기능보다 사용자에게 실질적인 가치를 주는 경험을 우선해야 한다. - 초기 AI 제품의 어색함은 실패라기보다 새로운 상호작용 방식을 발견하기 위한 실험의 일부다. - 디자이너는 생성된 결과를 그대로 받아들이기보다 사용자 맥락에 맞는지 검토하고, 반복적인 수정과 검증을 통해 품질을 높여야 한다. ## 디자이너와 AI의 공동 창작 - AI는 디자이너를 단순히 대체하는 자동화 도구가 아니라 아이디어를 확장하고 제작 속도를 높이는 협업 파트너가 될 수 있다. - AI가 초안과 반복 작업을 담당하면 디자이너는 문제 정의, 사용자 공감, 우선순위 설정, 창의적 판단에 더 집중할 수 있다. - 공동 창작 모델에서는 인간과 AI의 강점을 결합하는 작업 분담이 중요하다. - AI: 빠른 생성, 변형, 탐색, 반복 작업 - 디자이너: 목적 설정, 맥락 이해, 품질 판단, 사용자 관점의 의사결정 - AI가 발전할수록 디자이너의 역할이 사라지는 것이 아니라, 무엇을 만들고 왜 만들어야 하는지 결정하는 능력이 더욱 중요해진다. AI를 도입할 때는 생성 속도 자체보다 사용자 문제와 디자인 원칙을 먼저 정의하는 것이 좋다. 작은 원칙을 명확히 정리하고, AI로 여러 시안을 빠르게 만든 뒤 사람의 판단과 사용자 검증을 통해 반복 개선하는 방식이 가장 현실적인 접근이다.

원문 읽기(새 탭에서 열림)
생성형 AIFigmaAI디자인 시스템+2
figma3분 읽기큐레이션 요약

왜 우리는 코드가 범

AI가 디자인을 코드로 변환하고 반복적인 구현 작업을 자동화하더라도, 엔지니어의 역할 자체가 사라지는 것은 아니다. 코드 작성은 엔지니어링의 일부일 뿐이며, 사용자의 문제를 정의하고 제약 조건 속에서 적절한 추상화와 시스템을 설계하는 능력은 여전히 사람의 핵심 역량이다. 따라서 코드를 상품화의 대상으로 두려워하기보다, 자동화를 통해 창의성·문제 해결·제품 의사결정에 더 집중해야 한다는 것이 글의 결론이다. ## 디자인과 코드의 경계가 흐려지는 이유 - AI는 프로그래밍 언어 간 변환뿐 아니라 디자인 시안을 실제 코드로 변환하는 작업도 자동화할 수 있다. - Figma 같은 현대적인 디자인 도구는 내부적으로 디자인을 일종의 구조화된 코드 형태로 저장한다. - 따라서 디자인을 TypeScript·React 또는 Kotlin·Jetpack 코드로 바꾸는 일은 본질적으로 한 표현 방식에서 다른 표현 방식으로 번역하는 작업에 가깝다. - 그러나 목업을 코드로 바꾸는 능력이 곧 좋은 제품이나 시스템을 만드는 능력을 의미하지는 않는다. ## 코드 작성보다 중요한 엔지니어링의 본질 - 엔지니어링은 단순히 코드를 출력하는 일이 아니라 다음을 포함한다. - 어떤 문제를 해결해야 하는지 판단하기 - 문제를 해결할 적절한 방법 선택하기 - 복잡한 시스템을 이해하기 쉬운 추상화로 구성하기 - 정확하고 단순하며 유지보수 가능한 해법 만들기 - 뛰어난 엔지니어는 특정 언어·프레임워크·플랫폼의 세부 문법에만 의존하지 않고, 여러 기술에 공통된 원리를 바탕으로 사고한다. - React나 Jetpack 같은 특정 기술의 전문성은 시간이 지나면 가치가 감소할 수 있지만, 사용자의 요구와 시스템 제약을 해석하는 능력은 오래 지속된다. - AI가 부족한 영역은 사용자의 실제 필요, 제품 맥락, 기술적 제약을 종합해 우아하고 직관적인 시스템으로 설계하는 일이다. ## 반복 작업 자동화와 엔지니어의 창의성 - AI는 반복적이고 정형화된 작업을 줄여 엔지니어가 더 창의적인 문제에 집중하도록 도울 수 있다. - 하나의 기능을 구현하는 방법은 여러 가지일 수 있으며, AI는 기존에 고려하지 않았던 대안을 빠르게 제시할 수 있다. - 최종적으로 어떤 방식을 선택할지는 성능, 복잡도, 유지보수성, 사용자 경험 등의 트레이드오프를 평가하는 사람의 판단에 달려 있다. - 엔지니어의 창의성은 제약을 제거하는 데만 있지 않고, 제약을 활용해 더 나은 기술적·제품적 선택을 만들어내는 데 있다. - 기술 시스템의 구현은 단순한 코딩 작업이 아니라 팀의 제품 결정을 개선하는 창의적 활동이다. ## 구현자에서 문제 정의자·조정자로의 역할 변화 - Figma의 엔지니어들은 출근 후 곧바로 코드를 작성하기보다 팀원들과 사용자 문제를 논의하고 해결 우선순위를 정한다. - 무엇을 만들지, 왜 만들어야 하는지, 어떤 방식이 적절한지를 합의한 뒤에야 구현에 들어간다. - AI가 하위 수준의 기술 작업을 자동화할수록 엔지니어가 직접 신경 써야 할 구현 세부사항은 줄어든다. - 그 결과 엔지니어의 업무는 다음 영역으로 더 이동한다. - 사용자 문제의 발견과 해석 - 문제의 우선순위 설정 - 팀 간 정렬과 의사결정 - 시스템 구조와 품질 기준 설계 - 즉, 엔지니어의 추상화 수준이 높아지고 구현 자체가 전체 업무에서 차지하는 비중은 작아진다. ## 생산성보다 중요한 개발 속도와 가치 전달 - AI 도입의 효과를 단순히 “더 많은 코드를 더 빨리 작성하는 것”으로 측정해서는 안 된다. - 중요한 것은 코드 출력량이 아니라, 올바른 문제를 선택하고 사용자에게 가치 있는 결과를 얼마나 빠르게 전달하는가이다. - 잘못 정의된 문제를 AI로 빠르게 구현하면 오히려 불필요한 기능과 기술 부채가 빠르게 늘어날 수 있다. - 따라서 AI는 구현 자동화 도구이면서 동시에 여러 해결책을 탐색하고 제품 실험을 가속하는 도구로 활용해야 한다. AI 시대에 엔지니어는 특정 프레임워크의 코드 작성 능력보다 문제 정의, 시스템 사고, 트레이드오프 판단, 사용자 맥락 이해를 강화하는 것이 좋다. 반복 구현은 AI에 맡기되, 무엇을 만들지와 어떤 구조가 장기적으로 좋은지는 사람이 책임지는 방식이 바람직하다.

원문 읽기(새 탭에서 열림)
생성형 AIReactTypeScriptdesign-to-code+2
figma3분 읽기큐레이션 요약

새로워진 Figma 내부

Figma의 UI3는 기능을 계속 추가하면서 복잡해진 인터페이스를 정리하고, 사용자의 작업물을 화면 중심에 두기 위한 대규모 redesign이다. 캔버스 공간을 넓히면서도 기존 사용자의 작업 습관과 전문 기능은 유지하고, 신규 사용자에게는 더 직관적인 경험을 제공하는 것이 목표다. 또한 컴포넌트, 생성형 AI, Dev Mode, Figma Slides 등 변화하는 디자인 환경에 대응할 수 있는 기반을 마련하려는 개편이다. ## UI3를 시작한 배경 - Figma는 출시 후 약 10년 동안 많은 기능과 제품을 추가했지만, 기본 레이아웃은 크게 변하지 않았다. - 기능이 누적되면서 처음에는 단순했던 인터페이스가 점점 복잡하고 부담스럽게 느껴질 수 있게 됐다. - UI3는 Figma 출시 이후 세 번째 주요 redesign으로, 단순한 시각적 변경이 아니라 워크플로와 인터랙션 방식까지 재설계한다. - 기존 사용자가 익숙한 작업 방식을 잃지 않으면서도, 새로운 사용자에게 더 접근하기 쉬운 인터페이스를 만드는 것이 중요한 과제였다. ## UI3가 해결하려는 네 가지 문제 - **UI보다 사용자의 아이디어를 중심에 두기** - 인터랙티브 컴포넌트와 AI 지원 디자인처럼 강력한 기능이 추가되면서 UI가 작업 자체보다 눈에 띌 위험이 생겼다. - 기능이 부가적으로 덧붙은 느낌을 줄이고, 캔버스와 사용자의 창작물에 집중하도록 설계 방향을 잡았다. - **신규 사용자와 전문 디자이너의 요구 균형** - 기존 인터페이스는 처음 접하는 사용자에게 복잡하고 비직관적으로 보일 수 있었다. - 기능의 범위를 줄이는 것이 아니라, 기능을 이해하고 접근하는 방식을 단순화하려 했다. - 숙련된 사용자의 익숙한 조작 감각과 작업 효율은 보존하는 것을 목표로 삼았다. - **변화하는 디자인 방식에 대응** - 오늘날 디자인은 단순히 픽셀을 배치하는 작업을 넘어, 재사용 가능한 컴포넌트와 생성형 AI를 활용하는 방식으로 확장되고 있다. - 이에 따라 디자이너가 개별 요소뿐 아니라 더 높은 수준의 추상화된 building block을 사용할 수 있어야 한다고 보았다. - **Figma의 미래를 위한 기반 마련** - Dev Mode를 통해 디자인과 코드를 연결하고, Figma AI로 작업 효율을 높이는 방향을 고려했다. - Figma Slides 같은 새로운 제품까지 포함해, 여러 도구가 일관된 제품군으로 작동할 수 있는 공통 구조를 만들고자 했다. ## 캔버스 공간을 넓히는 인터페이스 - 가장 먼저 Figma 캔버스의 사용 가능한 공간을 최대화하는 작업을 진행했다. - 초기에는 패널과 속성 영역을 거의 제거하고, 마우스를 올릴 때만 UI가 나타나는 극단적인 미니멀 디자인도 실험했다. - 사이드바가 필요할 때만 나타나는 방식도 시도했지만, 화면 구조가 지나치게 불안정해지는 문제가 있었다. - 수백 가지 시안을 제작하고 Figma 팀 내부에서 직접 사용하며 개선 방향을 검증했다. - 최종적으로 다음과 같은 방향을 선택했다. - 크기를 조절할 수 있는 패널 - 캔버스 하단의 얇은 새 툴바 - 상단 영역을 비워 더 넓고 여유로운 화면 구성 - 필요할 때 패널을 열고 닫을 수 있는 구조 - UI 전체를 숨겨 작업물에만 집중할 수 있는 기능 - 이 구조는 Figma의 여러 제품에서 공통으로 사용할 수 있어, 제품 간 전환과 확장에도 유리한 기반이 된다. ## 실용적인 의미 UI3의 핵심은 기능을 없애는 것이 아니라, 기능이 작업을 방해하지 않도록 배치와 노출 방식을 재조정하는 데 있다. 따라서 사용자는 평소에는 넓은 캔버스에 집중하고, 필요한 순간에만 패널과 도구를 불러오는 방식으로 작업할 수 있다. Figma를 사용하는 팀이라면 UI3의 패널 접기·크기 조절 기능과 캔버스 중심 작업 방식을 적극 활용하는 것이 효율 향상에 도움이 된다.

원문 읽기(새 탭에서 열림)
생성형 AIFigma디자인 시스템사용자 경험+2
figma3분 읽기큐레이션 요약

로봇이 우리의 집을 지어야

Icon 공동창업자 Jason Ballard는 로봇과 AI를 활용한 3D 프린팅이 주택 건설을 더 빠르고 저렴하며 지속 가능하게 만들 수 있다고 주장한다. Icon은 벽체를 콘크리트 기반 재료로 층층이 출력해 기존의 골조·단열·벽체 마감 공정을 대체하고, AI 시스템 Vitruvius로 설계부터 예산·일정·시공 지침까지 자동화하려 한다. 장기적으로는 지구의 주거 문제뿐 아니라 달의 인프라 건설에도 이 기술을 적용하는 것이 목표다. ## 주거 문제 해결을 향한 창업 배경 - Jason Ballard는 원래 성공회 사제를 준비했지만, 노숙인 보호시설 운영과 지속 가능한 건축 분야에서 일하며 주거 문제에 관심을 키웠다. - 그의 관심사는 단순한 주택 공급이 아니라 주거의 **경제성, 존엄성, 아름다움, 편안함**을 함께 개선하는 것이었다. - 우주 자원 석사 과정에서 우주 로봇과 주거 건설을 연구한 경험도 Icon 설립의 배경이 됐다. - 주택과 우주 인프라를 모두 해결하려면 기존의 수작업 중심 건설 방식보다 소프트웨어와 로봇이 필요하다고 판단했다. ## 벽체 중심의 3D 프린팅 건설 - Icon은 건설 과정에서 가장 느리고 복잡하며 재료와 노동력이 많이 필요한 부분으로 벽 시스템을 선택했다. - 대형 로봇이 시멘트 기반 재료를 여러 층으로 압출하고, 철근으로 보강해 벽을 만든다. - 이 벽체는 기존의 다음 공정을 하나의 시스템으로 대체하는 것을 목표로 한다. - 목재 또는 금속 골조 - 단열재 - 석고보드 - 외벽 sheathing - 마감재와 사이딩 - 3D 프린팅은 현장에서 필요한 공정을 줄이고 자재 공급망을 단순화해 건설 자동화에 적합하다는 설명이다. ## 3D 프린팅 주택의 성능과 비용 - 3D 프린팅 주택은 전통적인 방식보다 빠르고 저렴하게 건설할 수 있다고 주장한다. - Icon의 벽 시스템은 다음과 같은 내구성 성능을 제시한다. - 2시간 57분의 내화 성능 - 시속 250마일의 강풍을 견디는 내풍 성능 - 압축 강도와 3점 굽힘 시험 통과 - 에너지 효율, 홍수, 허리케인, 흰개미 저항성 검증 - Icon은 세계 최초의 3D 프린팅 주거 단지를 완공했다. - 일부 입주자는 월 에너지 비용이 17달러에 불과하다고 전했다. - 자동화 기술이 비용 절감뿐 아니라 기존 공법으로는 구현하기 어려운 형태와 아름다운 디자인도 가능하게 한다고 설명한다. - 이러한 성능이 축적되면 장기적으로 전통적인 목조 골조 주택이 규제 대상이 될 수도 있다고 Ballard는 농담 섞어 말한다. ## Vitruvius: 건축 설계를 자동화하는 AI - Icon은 설계, 인허가, 비용 산정, 일정 계획을 자동화하는 AI 시스템 **Vitruvius**를 오픈 베타로 공개했다. - 건축은 지역별 법규와 환경 조건이 달라 자동화가 특히 어려운 분야다. - 세계 곳곳에 수천 가지 건축 법규가 존재한다. - 인허가 절차는 지역마다 다르다. - 설계 변경이나 규정 해석 오류가 공사 지연과 예산 초과로 이어질 수 있다. - 초기에는 자동화 소프트웨어를 개발했지만, 계산량이 많고 결과 정확도가 충분하지 않아 제품으로 출시하지 못했다. - 생성형 AI의 발전으로 대규모 데이터를 더 빠르고 정확하게 분석할 가능성이 생기면서 약 2년 전부터 데이터 학습 중심으로 방향을 전환했다. - Icon은 평면도, 건축 설계, 인허가 자료 등을 수집해 대규모 건축 데이터 세트를 구축했다. - Vitruvius의 목표는 다음 단계까지 연결되는 것이다. - 사용자의 요구를 반영한 건축 설계 생성 - 시공 가능한 건축 도면과 계획 작성 - 예산 및 일정 산출 - 최종적으로 3D 프린팅 로봇이 실행할 시공 명령 생성 ## 지구와 달을 잇는 건설 자동화 - Icon은 AI와 로봇이 비용 효율적인 주택을 더 많은 사람에게 제공할 수 있다고 본다. - 지구에서는 주택 부족과 건설 비용 문제를 해결하는 수단으로 기술을 활용하려 한다. - 동시에 NASA와 협력해 달에 인프라를 건설하는 연구도 진행하고 있다. - 지구에서 멀리 떨어진 환경에서는 인력과 자재를 지속적으로 보내기 어렵기 때문에, 자율 로봇과 현지 재료를 활용한 건설 기술이 특히 중요하다. 건설 자동화는 단순히 집을 출력하는 기술이 아니라, 설계·인허가·예산·시공을 하나의 데이터 흐름으로 통합하려는 시도다. 다만 실제 적용에서는 지역별 법규, 장기적인 구조 안전성, 비용 검증, AI 설계의 책임 소재를 함께 확인해야 하므로, 성능 주장과 상용 사례를 독립적으로 검증하며 도입하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
생성형 AIAI자동화robotics+4
figma3분 읽기큐레이션 요약

입력과 출력에 관한 오

AI의 성능과 영향력은 모델보다 입력 데이터의 품질에 훨씬 크게 좌우된다. 오베타 샘슨은 제품 개발자가 문제에 필요한 최소한의 데이터, 즉 최종 사용자와 사업 목적을 충분히 대표하면서도 불필요한 인간적 위험을 키우지 않는 ‘최소 실행 가능 데이터(minimum viable data)’를 고민해야 한다고 주장한다. 데이터는 중립적이지 않으며, 누구를 포함하고 배제했는지가 AI의 결과와 피해를 결정한다. ## 데이터는 사람과 분리될 수 없다 - 데이터는 저절로 존재하지 않는다. 사람이 생성하고, 수집하고, 분류하고, 가공하고, 해석한다. - 따라서 데이터의 누락이나 편향은 단순한 기술적 결함이 아니라 특정 집단의 경험과 존재가 배제된 결과일 수 있다. - 제품 개발자가 데이터 포인트를 사람과 분리해 바라보면, 사회적·문화적·경제적 차별이 반영된 ‘트라우마를 가진 데이터셋’을 만들 수 있다. - 샘슨은 “데이터 없이는 AI와 ML이 없고, 사람 없이는 데이터도 없다”고 강조한다. ## 역사적 배제가 모델의 편향을 만든다 - 미국의 신용평가 모델은 여성의 금융 접근이 제한되던 시대의 데이터를 바탕으로 발전했다. - FICO 점수의 기반이 된 수학 공식은 1958년에 작성됐다. - 하지만 미국 여성은 1970년대까지 주택담보대출을 받거나 신용카드를 독자적으로 신청하기 어려웠다. - 미국 인구조사는 1790년부터 이어졌지만 LGBTQ 개인을 공식적으로 인정한 것은 2021년에 이르러서였다. - 이처럼 과거 데이터에 특정 집단이 기록되지 않았다고 해서 그들이 존재하지 않았던 것은 아니다. - 오래되고 규모가 큰 데이터셋이라도 대표성이 부족하면, 이를 학습한 모델은 현실의 일부 사람들에게 불리한 결정을 내릴 수 있다. ## 모델보다 입력 데이터가 더 중요하다 - 샘슨은 AI 출력의 품질이 거의 전적으로 입력, 즉 데이터에 달려 있다고 설명한다. - 학습 데이터의 구성과 품질이 모델의 예측 방식과 결과를 사실상 결정한다. - 따라서 다음 질문이 모델 개발보다 먼저 다뤄져야 한다. - 무엇을 좋은 데이터와 나쁜 데이터로 판단할 것인가? - 어떤 사람이 데이터 수집과 포함 여부를 결정하는가? - 문제를 해결하는 데 데이터가 얼마나 필요한가? - 데이터가 대상 사용자를 공정하게 대표하는가? - 데이터가 부족하거나 편향된 상태에서 더 정교한 모델을 사용해도 근본적인 문제는 해결되지 않는다. ## ‘최소 실행 가능 데이터’의 기준 - 먼저 해결하려는 문제가 실제로 무엇인지 명확히 정의해야 한다. - AI나 ML을 적용할 수 있다는 이유만으로 반드시 사용해야 하는 것은 아니다. - 다음 조건을 충족하는지 검토해야 한다. - 해당 문제에 AI·ML이 적합하고 바람직한가? - 수집하려는 데이터가 공정하고 품질이 높은가? - 최종 사용자 집단을 충분히 대표하는가? - 더 많은 데이터를 모으는 과정에서 개인정보 침해나 차별 등 인간적 위험이 커지지 않는가? - 문제 해결에 필요한 최소 범위를 넘어 과도한 데이터를 수집하고 있지는 않은가? - 핵심은 가장 큰 데이터셋이나 가장 복잡한 모델이 아니라, 목적에 맞는 충분하고 공정한 데이터다. ## 데이터 작업을 제품 개발의 중심에 두기 - AI 업계에서는 모델 설계와 기능 구현이 주목받지만, 데이터 정제·라벨링·검증 같은 작업은 상대적으로 간과되기 쉽다. - 그러나 데이터의 출처, 수집 방식, 라벨 기준, 누락된 집단을 점검하지 않으면 모델 개발 전체가 잘못된 방향으로 진행될 수 있다. - 샘슨은 데이터와 알고리즘의 사회적 영향을 이해하기 위해 다음 자료를 추천한다. - 캐시 오닐, 『대량살상 수학무기』 - 메리 L. 그레이·시드하르트 수리, 『고스트 워크』 - “Everyone wants to do the model work, not the data work” 제품을 만들 때는 “AI를 사용할 수 있는가?”보다 “누구를 위해 어떤 문제를 해결하며, 그에 필요한 데이터가 공정하고 충분한가?”를 먼저 물어야 한다. 필요한 범위의 대표성 높은 데이터를 정의하고, 배제된 사용자와 잠재적 피해를 지속적으로 검토하는 것이 책임 있는 AI 개발의 출발점이다.

원문 읽기(새 탭에서 열림)
생성형 AIAI머신러닝data-quality+2
figma3분 읽기큐레이션 요약

Figma AI를 소개

Figma는 디자이너의 창작 정체를 해소하고 반복 작업을 줄이기 위해 Figma AI를 출시했다. 주요 기능은 이미지·영역·텍스트 기반의 Visual Search와 의미를 이해하는 AI Asset Search이며, 디자인 탐색과 재사용을 더 쉽게 만드는 것이 목표다. 베타 기간에는 무료로 제공되지만, 향후 사용량 제한과 정식 출시 후 가격 정책이 적용될 수 있다. ## Figma AI의 목표와 제공 방식 - AI를 단순한 유행이 아니라 실제 사용자 문제를 해결하는 도구로 활용한다. - 영감 탐색, 여러 디자인 방향의 실험, 반복적이고 번거로운 작업 자동화를 지원한다. - 디자인 프로세스의 어느 단계에서든 사용자가 작업을 계속 진행하도록 돕는 것을 목표로 한다. - Figma AI와 UI3는 2024년 당시 제한적 베타로 제공되며, 사용자는 Figma 화면 하단의 `?` 메뉴에서 대기자 명단에 등록할 수 있다. - 베타 기간에는 모든 사용자에게 무료로 제공되지만, 운영 비용과 사용 패턴에 따라 사용량 제한이 도입될 수 있다. - 정식 출시 시 가격 정책을 별도로 안내할 예정이다. ## 이미지와 디자인을 찾는 Visual Search - 사용자가 이미지를 업로드하거나, 캔버스의 특정 영역을 선택하거나, 텍스트 검색어를 입력하면 시각적으로 유사한 디자인을 찾아준다. - 사용자가 접근 권한을 가진 팀 내 모든 파일에서 관련 디자인을 검색한다. - 검색 결과에서 적절한 프레임을 현재 작업 중인 파일에 바로 삽입할 수 있다. - 기존 제작물이나 제품 스크린샷을 출발점으로 삼는 디자이너가 필요한 디자인을 빠르게 재사용할 수 있다. - 향후에는 Figma Community 파일까지 검색 범위를 확대할 계획이다. - 커뮤니티 리소스 검색 결과에는 원작자 표기를 제공하고, 원본 파일이나 제작자의 다른 작업으로 이동할 수 있도록 할 예정이다. ## 의미를 이해하는 AI Asset Search - Assets 패널의 기존 검색 기능을 AI 기반으로 개선했다. - 단순히 컴포넌트 이름에 검색어가 포함되는지 확인하는 대신, 검색어의 의미와 디자인 요소가 사용되는 맥락을 분석한다. - 예를 들어 `primary button`을 검색하면 실제 컴포넌트 이름이 `btn_large`처럼 되어 있어도 관련 버튼을 찾아준다. - 디자인 시스템의 명명 규칙이 일관되지 않거나 조직 규모가 커서 컴포넌트를 찾기 어려운 상황에서 유용하다. - 키워드를 정확히 기억하지 않아도 자연어에 가까운 방식으로 적절한 컴포넌트와 에셋을 탐색할 수 있게 한다. ## 디자이너의 작업 흐름을 돕는 방향 - Figma AI는 처음부터 새로 만드는 작업뿐 아니라 기존 디자인을 찾고 발전시키는 과정도 지원한다. - Visual Search는 시각적 유사성을 기반으로 영감과 재사용 가능한 결과물을 제공한다. - Asset Search는 디자인 시스템 내부의 컴포넌트를 더 직관적으로 찾도록 돕는다. - 결과적으로 탐색에 소요되는 시간을 줄이고, 디자이너가 실제 문제 해결과 창의적 의사결정에 더 집중하도록 하는 것이 제품의 방향이다. 실무에서는 팀의 디자인 시스템에 일관된 이름을 적용하는 것이 여전히 중요하지만, Figma AI의 검색 기능을 활용하면 기존 자산의 명칭이 제각각인 조직에서도 컴포넌트 탐색과 재사용 효율을 높일 수 있다.

원문 읽기(새 탭에서 열림)
생성형 AIAI디자인 시스템사용자 경험+2
figma4분 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)
생성형 AIAI대규모 언어 모델머신러닝+2
figma3분 읽기큐레이션 요약

AI + 디자인: 피

생성형 AI의 성패는 기술 자체보다 사용자가 이해하고 실제로 활용할 수 있도록 설계하는 데 달려 있다. Figma 설문에서 대부분은 AI가 기업 제품에 영향을 줄 것으로 예상했지만, 실제 제품에서 AI의 역할은 아직 제한적이며 성과와 만족도도 낮았다. 따라서 단순히 AI 기능을 추가하기보다 기존 경험과 자연스럽게 통합하고 명확한 사용자 문제를 해결하는 디자인이 중요하다는 결론이다. ## 조사 대상과 AI의 현재 위치 - Figma는 2024년 2월 26일~3월 3일, 미국·캐나다·호주·영국·일본·프랑스·독일의 사용자 1,800명 이상을 조사했다. - 응답자는 디자이너, 개발자, 임원으로 구성됐다. - 생성형 AI는 텍스트·이미지·기타 데이터를 생성 모델과 프롬프트를 통해 만들어내는 기술로 정의됐다. - AI는 인터넷, 전기, 스마트폰처럼 범용 기술로 발전할 가능성이 있지만, 초기에는 기술을 일상에서 직관적이고 유용하게 만드는 디자인 작업이 필요하다. ## 높은 기대와 실제 성과의 격차 - 응답자의 89%는 향후 12개월 안에 AI가 자사 제품이나 서비스에 어느 정도 영향을 줄 것이라고 예상했다. - 37%는 그 영향이 “상당하거나 변혁적일 것”이라고 답했다. - 특히 의사결정을 담당하는 임원층이 AI를 회사 목표에 중요하다고 보는 경향이 더 강했다. - 그러나 AI를 제품에 도입한 사람 중 72%는 AI가 제품에서 “부수적이거나 필수적이지 않은 역할”을 한다고 평가했다. - AI 도입으로 매출, 비용, 시장점유율 등의 지표가 개선됐다고 답한 사람은 약 3분의 1에 불과했다. - 출시한 AI 기능을 자랑스럽게 생각한다는 응답도 3분의 1보다 적었다. ## AI 기능 피로와 사용자 문제의 부재 - Figma 연구진은 사용자 인터뷰와 장기간 분석을 통해 “또 하나의 AI 기능”에 대한 무관심이 나타나고 있다고 설명한다. - 이를 “AI feature fatigue”, 즉 AI 기능 피로라고 부를 수 있다. - AI 제품이나 기능을 만드는 사람 중 20% 이상은 “사용자 요구나 문제를 해결하지 못하는 것”을 주요 과제로 꼽았다. - 이 문제는 특히 해당 제품을 설계하는 디자이너에게 두드러졌다. - AI 제품을 개발 중인 응답자 가운데 실제로 기능을 출시한 사람은 절반에도 못 미쳤다. - 앞으로 AI 기능이 대량으로 출시되면, 시장이 실질적 가치 없는 AI 기능에 피로감을 느낄 가능성이 있다. ## 기존 제품에 AI를 자연스럽게 통합하기 - 응답자의 3분의 1은 11개 과제 중 “AI 기능을 기존 제품에 일관성 있게 통합하는 일”을 가장 중요한 우려로 선택했다. - 새로운 기능을 추가하는 것만으로는 AI 도입의 가치가 만들어지지 않는다. - AI가 제품의 기존 사용 흐름을 방해하지 않으면서 실제 경험을 개선해야 한다. - 사용자가 현재 어떤 도구를 이용할 수 있는지, AI가 어떤 상황에서 도움이 되는지 이해하도록 안내하는 설계가 필요하다. - AI의 성능보다 사용자가 기능을 발견하고, 이해하고, 신뢰하며, 반복해서 사용할 수 있는 인터페이스가 중요하다. ## ChatGPT 사례가 보여주는 디자인의 영향 - ChatGPT가 널리 사용되기 시작한 2022년 11월 당시 기반 모델의 기능은 이미 일정 기간 제공되고 있었다. - OpenAI는 모델 자체를 새롭게 만든 것뿐 아니라, 사용자가 쉽게 접근할 수 있는 대화형 채팅 인터페이스를 제공했다. - 대화 방식, 접근성, 도움을 주려는 상호작용 구조가 기술을 인간의 목적에 더 잘 맞도록 만들었다. - 이는 강력한 기술이라도 사용자가 이해하고 활용할 수 있는 경험으로 설계되지 않으면 대중적 채택으로 이어지기 어렵다는 점을 보여준다. ## 실용적인 시사점 - AI 기능을 추가하기 전에 해결하려는 사용자 문제와 기대 효과를 먼저 정의해야 한다. - “AI를 넣는 것”보다 기존 제품 흐름에서 AI가 어떤 행동을 개선하는지 검증해야 한다. - 사용자가 기능의 한계와 활용 방법을 이해할 수 있도록 명확한 안내와 피드백을 제공해야 한다. - 기술팀과 디자인팀이 협력해 AI의 가능성을 실제 사용 사례와 유용한 경험으로 변환해야 하며, 단순한 유행성 기능은 피하는 것이 좋다.

원문 읽기(새 탭에서 열림)
생성형 AIFigmaAI사용자 경험+2
figma3분 읽기큐레이션 요약

요점: 제2호 |

Figma의 뉴스레터 「Rework your work」는 기존 업무 방식을 재검토하고 더 나은 제품과 협업을 만드는 방법을 소개한다. 핵심은 거대한 기능보다 반복되는 작은 개선을 중시하고, AI·프로토타이핑·커뮤니티 도구를 활용해 제품 개발의 장벽을 낮추는 것이다. 디자이너에게는 자신의 가치를 증명하려 하기보다 결과물로 말하고, 새로운 방식으로 실험하라는 메시지를 전한다. ### 작은 개선이 만드는 큰 변화 - 사용자가 자주 수행하는 작은 행동을 개선하는 것이 거의 사용되지 않는 화려한 기능을 추가하는 것보다 더 큰 긍정적 영향을 줄 수 있다. - Figma는 품질 향상과 버그 수정, 사용자의 시간을 절약하는 변경을 제품 개발의 기본적인 습관으로 본다. - 좋은 제품 경험은 거대한 혁신보다 세부적인 배려와 사용자의 필요를 미리 파악하는 데서 만들어진다. ### FigJam과 생성형 AI의 결합 - Figma는 FigJam에 생성형 AI를 도입해 시각적 협업의 접근성을 높였다. - AI 기능은 다음과 같은 작업을 지원한다. - 맞춤형 템플릿 생성 - 다이어그램 작성 - 협업 문서 및 보드 내용 요약 - 스티키 노트 자동 분류 - 이를 통해 제품 팀이 계획을 세우고, 의견을 동기화하며, 브레인스토밍하는 과정을 더 쉽게 만들 수 있다. - 목표는 제품의 진입 장벽을 낮추는 동시에 사용자가 만들 수 있는 결과의 범위를 넓히는 것이다. ### 프로토타이핑을 조직의 문화로 만들기 - 프로토타이핑은 디자인 결과물을 보여주기 위한 마지막 단계가 아니라 제품 개발 전반에 필요한 과정이다. - 아이디어를 구체적인 형태로 만들어 동료들이 직접 탐색하고 반응하며 수정할 수 있게 한다. - 디자이너의 주도권을 강화하고, 팀 전체가 더 이른 시점에 유용한 통찰을 얻도록 돕는다. - 개발 전에 가설을 검증할 수 있어 업무 흐름을 간소화하고 효율성을 높인다. ### Creator Fund와 커뮤니티 창작자 - Figma의 Creator Fund는 커뮤니티를 위해 무료 위젯, 플러그인, 파일을 만드는 창작자를 지원하는 보조금 프로그램이다. - 소개된 프로젝트에는 다음과 같은 도구가 포함된다. - 몰입형 환경 제작 키트 - 디자인을 코드로 변환하는 플러그인 - 텍스트 애니메이션 도구 - 이러한 리소스는 Figma Community 구성원들이 별도의 복잡한 도구 없이 창작할 수 있도록 돕는다. - 첫 번째 지원 cohort의 프로젝트들은 거의 백만 명의 사용자가 Figma에서 창작하는 데 활용되었다. ### 디자이너의 태도와 업계 전망 - 디자이너는 자신의 가치를 끊임없이 증명하려 하기보다 작업 자체가 역량을 보여주도록 해야 한다. - Figma의 디자이너 보고서에 따르면 디자이너의 69%가 취업 전망이 개선되었다고 느꼈다. - 이는 디자인 직무의 가능성이 여전히 상승세에 있다는 신호로 제시된다. - 글은 디자이너들에게 기존 방식에 머무르지 말고, 실험과 결과물을 통해 새로운 업무 방식을 만들어가라고 권한다. 작은 사용성 개선을 꾸준히 실행하고, 프로토타입으로 아이디어를 조기에 검증하며, AI와 커뮤니티 도구를 적절히 활용하는 것이 실용적인 접근이다. 기술 도입 자체보다 팀의 협업과 창작 과정을 실제로 개선하는지를 기준으로 선택하는 것이 중요하다.

원문 읽기(새 탭에서 열림)
생성형 AIFigma프로토타이핑figjam+2
figma3분 읽기큐레이션 요약

기대를 현실로: AI 기능을 시장

AI 기능은 유행을 따라 추가할 것이 아니라, 사용자가 실제로 겪는 문제에서 출발해야 한다. Figma·Asana·Duolingo·LinkedIn의 제품 리더들은 AI의 적합성, 오류 허용 수준, 명확한 사용자 가치와 구체적인 문제 정의가 성공적인 출시의 핵심이라고 강조한다. 특히 AI는 기존 경험을 대체하기보다 시간을 절약하고 업무를 개선하는 방식으로 활용될 때 신뢰와 ROI를 얻을 수 있다. ## 사용자 문제에서 출발하기 - AI가 새로운 기능을 만들 수 있다는 이유만으로 도입해서는 안 된다. - 먼저 사용자가 겪는 문제를 파악한 뒤, AI가 최선의 해결 방법인지 검토해야 한다. - Figma의 Conor Woods는 “AI라는 망치로 모든 문제를 해결하려는” 접근을 경계한다. - AI 도입 여부를 판단할 때 다음 세 가지 질문을 제시한다. - **기존의 대규모 데이터셋을 활용할 수 있는 문제인가?** - GPT-4 같은 LLM은 이미 존재하는 정보를 정리하거나 요약하는 데 강하다. - 반면 완전히 새로운 경험을 창조하는 일은 프롬프트 설계만으로 해결하기 어렵다. - **일정 수준의 오류를 허용할 수 있는가?** - 현재 LLM은 부정확한 답변이나 사실과 다른 정보를 생성할 수 있다. - 따라서 100% 정확성이 필요한 의료·법률·규정 준수 등의 문제에는 신중해야 한다. - **나쁜 UX를 AI로 덮으려는 것은 아닌가?** - 근본적인 정보 구조나 제품 설계가 잘못된 상태에서 AI 검색·비서를 추가해도 문제 자체는 해결되지 않는다. - Asana는 더 단순하게 “AI가 사용자의 시간을 줄여주는가?”를 기준으로 삼는다. - Asana의 **Smart Status**는 사용자가 상태 업데이트 초안을 몇 초 만에 작성하도록 돕는다. - 기존에는 주당 약 20분이 걸리던 작업을 2분 정도로 줄일 수 있다. - 사용자가 체감하는 투자 대비 효과가 명확하다는 점이 핵심이다. ## 문제를 구체적으로 정의하기 - 생성형 AI 기능은 여러 요구를 동시에 충족할 수 있기 때문에, 기능 정의가 모호해지기 쉽다. - “텍스트를 요약한다”처럼 기능을 추상적인 문장으로만 설명하면 팀원마다 서로 다른 결과를 상상하게 된다. - 요약 기능만 해도 실제 목적은 다양할 수 있다. - 문서의 전체 내용을 빠르게 파악하기 - 실행해야 할 작업을 식별하기 - 핵심 결정 사항이나 논쟁점을 찾기 - 따라서 AI 기능을 기획할 때는 단순히 모델의 능력을 설명하기보다 다음을 구체화해야 한다. - 사용자는 누구인가? - 어떤 상황에서 이 기능을 사용하는가? - 사용자가 해결하려는 실제 과업은 무엇인가? - AI가 생성해야 하는 결과물은 어떤 형태인가? - 결과가 틀렸을 때 사용자가 감수할 수 있는 위험은 어느 정도인가? - 문제를 구체적으로 정의할수록 제품 요구사항, 사용자 인터페이스, 평가 기준을 일관되게 설계할 수 있다. ## 실용적인 적용 방향 - “AI를 어디에 넣을까?”보다 “사용자의 어떤 반복 작업을 줄일 수 있을까?”에서 시작한다. - AI를 적용하기 전 기존 UX의 구조적 문제를 먼저 해결한다. - 오류가 허용되는 영역인지 확인하고, 사용자 검토·수정 과정을 제품에 포함한다. - 기능 설명을 모델의 기술적 능력이 아니라 사용자의 구체적인 과업과 기대 결과 중심으로 작성한다. - 출시 전에는 시간 절약, 작업 완료율, 수정 횟수, 사용자 신뢰도처럼 측정 가능한 기준을 정해 AI 기능의 실제 가치를 검증한다.

원문 읽기(새 탭에서 열림)
생성형 AIAI대규모 언어 모델사용자 경험+2
figma3분 읽기큐레이션 요약

FigJam에 AI 도입하기 | Figma

FigJam은 생성형 AI를 활용해 빈 캔버스에서 시작하는 부담을 줄이고, 회의·브레인스토밍·계획 수립을 빠르게 시각화하도록 돕는다. 사용자는 자연어 프롬프트만으로 템플릿과 다이어그램을 만들고, 회의 내용을 요약하거나 스티키 노트를 주제별로 정리할 수 있다. Figma는 이를 통해 디자인 전문 지식이 없는 사람도 시각적 협업에 쉽게 참여하게 하면서, 반복적인 정리 작업은 자동화해 더 중요한 논의에 집중하도록 하는 것을 목표로 한다. ## FigJam에 도입된 AI 기능 - 간단한 프롬프트로 주간 팀 미팅, 브레인스토밍, 회고 등 맞춤형 템플릿을 생성한다. - 시각적 타임라인과 조직도처럼 계획 수립에 필요한 다이어그램을 자동으로 만든다. - 브레인스토밍 결과나 회의 보드의 내용을 요약한다. - 여러 스티키 노트를 주제별로 자동 분류하고 그룹화한다. - 실제 사용 사례와 협업 모범 사례를 바탕으로 구성된 프롬프트를 제공하며, 생성 결과는 사용자가 수정할 수 있다. ## ‘빈 캔버스 문제’ 해결 - 새로운 FigJam 파일을 열었을 때 무엇부터 시작해야 할지 몰라 멈추는 문제를 줄인다. - “네 명이 참석하는 회의가 필요하다”처럼 의도를 자연어로 표현하면 초기 회의 템플릿을 생성한다. - 사용자가 도구의 기능이나 디자인 소프트웨어 사용법을 먼저 배울 필요 없이 작업에 바로 착수할 수 있다. - AI가 초안을 제공하므로 사용자는 빈 화면을 구성하는 대신 내용과 논의에 집중할 수 있다. ## 접근성 향상과 가능성 확장 - Figma가 말하는 “진입 장벽을 낮추고 상한선을 높인다”는 방향을 FigJam AI에 적용했다. - 디자인 도구에 익숙하지 않은 사람도 대화형 입력 방식으로 시각적 협업에 참여할 수 있다. - 시각화는 개념을 명확히 하고 팀의 정렬과 의사소통을 돕지만, 기존에는 디자인 전문성이 진입 장벽이 될 수 있었다. - AI는 이러한 장벽을 낮추는 동시에 복잡한 아이디어를 정리·시각화하는 새로운 작업 방식도 제공한다. ## 반복적인 협업 작업의 자동화 - 회의 내용을 요약하는 작업을 자동화한다. - 흩어진 아이디어를 의미 있는 범주로 통합하고 분류한다. - 수작업으로 최대 한 시간가량 걸릴 수 있는 정리·종합 작업을 컴퓨터에 맡길 수 있다. - 참여자는 기록 정리보다 대화, 의사결정, 문제 해결 같은 더 중요한 활동에 시간을 사용할 수 있다. ## 실제 문제를 중심으로 한 AI 설계 - Figma는 AI를 단순한 신기술이나 장식적 기능이 아니라 실제 문제를 해결하는 수단으로 접근한다. - FigJam 제품팀은 자신들이 FigJam을 사용하는 경험을 바탕으로 사용자 불편을 파악했다. - 생성형 AI를 동적인 시각 협업 공간에 결합해, 결과물을 일방적으로 생성하기보다 사용자의 작업 흐름을 보조하도록 설계했다. - 회의와 브레인스토밍처럼 일상적인 협업 상황에 맞춘 기능을 제공해 AI의 활용성을 높였다. 실무에서는 회의 시작 전에 AI로 템플릿을 만들고, 회의 후에는 요약과 스티키 노트 분류를 활용하면 준비·정리 시간을 줄일 수 있다. 다만 AI가 만든 구조와 요약은 초안으로 보고, 팀의 실제 맥락과 의도에 맞게 검토·수정하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
생성형 AIAIfigjam프롬프트 엔지니어링+2