Photo by Samsung Memory on Unsplash
저는 처음 기획자로 일을 시작했을 때, AI라는 단어가 그저 먼 미래의 이야기처럼 느껴졌습니다. 하지만 2022년 말 ChatGPT의 등장 이후, AI는 더 이상 '나중에 공부해야 할 것'이 아닌 '지금 당장 이해해야 할 핵심 역량'이 되었습니다. 오늘은 원티드에서 발행된 아티클 "AI를 다룬다: PM/PO가 새롭게 익혀야 할 것들"을 깊이 파고들며, 기획자와 PM이 AI 시대에 갖춰야 할 진짜 역량을 풀어보겠습니다.
이 글은 단순히 아티클 요약에 그치지 않습니다. 저도 실무에서 AI 기능을 기획하면서 겪은 시행착오를 바탕으로, 초보 기획자도 쉽게 이해할 수 있도록 비유와 예시를 풍부하게 담았습니다. 끝까지 읽으시면 AI 프로덕트 기획의 흐름이 한눈에 정리될 것입니다.
1. 왜 PM·기획자는 AI를 '직접' 이해해야 하는가
많은 주니어 기획자들이 이런 질문을 합니다. "AI는 개발자가 알면 되는 거 아닌가요?" 저도 처음에는 그렇게 생각했습니다. 하지만 현실은 전혀 다릅니다.
AI 기반 프로덕트에서 PM/PO는 단순한 중간 전달자가 아닙니다. 알고리듬이 달성해야 할 목표(Objective)를 정의하는 사람이 바로 PM/PO입니다. 목표를 잘못 설정하면 아무리 뛰어난 개발팀도 엉뚱한 결과물을 만들 수밖에 없습니다.
예를 들어봅시다. 넷플릭스의 추천 알고리듬 목표가 단순히 "클릭 수를 늘려라"라고 설정되어 있다면 어떻게 될까요? 자극적이고 낚시성 제목의 콘텐츠만 추천하게 됩니다. 실제로 넷플릭스는 이 문제를 인식하고 "시청 완료율"과 "재구독률"을 함께 고려하는 복합 목표로 전환했습니다. 이런 결정을 내리는 사람이 바로 PM입니다.
2022년 말부터 시작된 AI 기술 혁명은 이미 우리 생활 곳곳에 스며들었습니다. 유튜브 영상 추천 순서, 스마트폰 키보드의 다음 단어 예측, 은행의 신용 대출 알고리듬까지 모두 AI의 힘을 빌리고 있습니다. 이런 시대에 PM이 AI를 모른다는 것은, 자동차 회사의 기획자가 엔진 원리를 전혀 모르는 것과 마찬가지입니다.
관련 글: 리서치 설계와 가설 수립 완벽 가이드 — 기획자가 꼭 알아야 할 정량·정성 조사와 IF-THEN 가설 작성법
2. AI의 3가지 핵심 구성요소: 목표, 알고리듬, 데이터
원티드 아티클에서 가장 인상 깊었던 부분이 바로 이 섹션입니다. AI 프로덕트를 구성하는 3가지 요소를 PM 관점에서 명확하게 정리했습니다. 저는 이것을 '자동차 비유'로 이해했습니다.
- 목표(Objective): 자동차가 가야 할 목적지 (내비게이션 목적지 설정)
- 알고리듬(Algorithm): 자동차 엔진과 변속기 (어떻게 움직일지 결정)
- 데이터(Data): 연료 (데이터가 없으면 AI는 한 발짝도 못 나감)
이 세 가지가 서로 맞물려야 비로소 AI 프로덕트가 제대로 작동합니다. 하나라도 빠지면 자동차는 목적지에 도달하지 못합니다.
목표 설정의 함정: 단순화의 위험성
목표를 너무 단순하게 설정하면 예상치 못한 부작용이 생깁니다. 소셜미디어 플랫폼들이 초기에 "좋아요 수 극대화"를 목표로 설정했을 때, 결과적으로 자극적이고 편향된 콘텐츠가 피드를 가득 채우는 '필터 버블' 현상이 발생했습니다. 이제 대부분의 플랫폼은 단일 지표가 아닌 복합 목표(Multi-objective Optimization)를 사용합니다.
PM이라면 항상 이 질문을 던져야 합니다: "이 목표를 달성했을 때, 의도하지 않은 부작용은 없는가?"
3. 머신러닝 알고리듬 3가지 유형과 기획자의 역할
기획자가 알고리듬을 구현할 필요는 없습니다. 하지만 어떤 알고리듬이 어떤 문제를 푸는지는 알아야 합니다. 마치 의사가 모든 약의 화학 성분을 알 필요는 없지만 어떤 약이 어떤 증상에 효과적인지는 알아야 하는 것처럼요.
| 알고리듬 유형 | 핵심 원리 | 대표 사례 | PM 관여 포인트 |
|---|---|---|---|
| 지도 학습 (Supervised Learning) |
정답이 있는 데이터로 학습 분류·예측 문제 |
스팸 필터, 신용 평가, 이미지 분류 |
레이블 기준 정의, 오분류 허용 기준 설정 |
| 비지도 학습 (Unsupervised Learning) |
정답 없이 패턴 발견 군집화·이상 탐지 |
넷플릭스 추천, 아마존 상품 추천 |
추천 다양성 vs 정확도 트레이드오프 결정 |
| 강화 학습 (Reinforcement Learning) |
시행착오로 최적 행동 학습 보상 극대화 |
알파고, 자율주행, 게임 AI |
보상 함수 설계, 안전 제약 조건 설정 |
저는 처음 추천 시스템 기획을 맡았을 때 "비지도 학습을 쓰면 되겠다"라고 단순하게 생각했습니다. 하지만 실제로는 콜드 스타트 문제(신규 사용자에게 추천할 데이터가 없는 문제), 인기 편향(인기 있는 아이템만 추천하는 문제) 등 복잡한 고려사항들이 있었습니다. 알고리듬 유형을 이해하니 개발팀과의 커뮤니케이션이 훨씬 수월해졌습니다.
관련 글: 심층 인터뷰(IDI)와 FGI 완벽 가이드 — 기획자가 꼭 알아야 할 정성 조사 진행법 총정리
4. 피쳐(Feature)와 제약 조건(Constraint): PM이 직접 설계하는 영역
여기서부터가 진짜 PM의 역할입니다. 알고리듬의 성능을 좌우하는 두 가지 요소, 피쳐와 제약 조건은 PM이 주도적으로 설계해야 합니다.
피쳐(Feature): 알고리듬이 학습하는 변수
피쳐는 알고리듬이 패턴을 찾기 위해 참고하는 입력 변수입니다. 쿠팡 검색 알고리듬의 피쳐 예시를 들면:
- 상품 가격 (절대값, 카테고리 내 상대적 순위)
- 배송 시간 (로켓배송 여부)
- 리뷰 수 및 평균 평점
- 사용자의 최근 구매 이력
- 시즌 및 트렌드 데이터
PM은 "어떤 피쳐가 사용자 행동에 가장 큰 영향을 미치는가"를 데이터 기반으로 판단하고 우선순위를 정해야 합니다.
제약 조건(Constraint): 알고리듬에 걸어두는 규칙
제약 조건은 알고리듬이 절대 넘어서면 안 되는 경계선입니다. 건강 식단 추천 앱을 예로 들면:
- 채식주의자에게 육류 추천 금지
- 고혈압 사용자에게 나트륨 높은 음식 필터링
- 알레르기 성분 포함 식품 자동 제외
이런 제약 조건이 없으면 알고리듬은 성능 극대화만 추구하다가 사용자에게 해가 되는 결과를 낼 수 있습니다. PM이 도덕적·법적·비즈니스 관점에서 이 경계선을 설정해야 합니다.
실제 계산 예시: 인스타그램 피드 관련성 점수
간단한 예시로 관련성 점수를 계산해봅시다. 인스타그램 피드 알고리듬이 특정 게시물의 노출 점수를 계산한다고 가정합니다:
관련성 점수 = (팔로우 친밀도 × 0.4) + (콘텐츠 관심사 매칭 × 0.3)
+ (최신성 점수 × 0.2) + (상호작용 이력 × 0.1)
예시:
- 팔로우 친밀도: 0.8 (최근 댓글, 좋아요 기록 있음) → 0.8 × 0.4 = 0.32
- 콘텐츠 관심사 매칭: 0.9 (사용자가 자주 보는 카테고리) → 0.9 × 0.3 = 0.27
- 최신성 점수: 0.7 (3시간 전 게시) → 0.7 × 0.2 = 0.14
- 상호작용 이력: 0.6 (과거 댓글 2회) → 0.6 × 0.1 = 0.06
최종 점수: 0.32 + 0.27 + 0.14 + 0.06 = 0.79 / 1.0
이 가중치(0.4, 0.3, 0.2, 0.1)를 결정하는 것이 바로 PM의 역할입니다. "우리 서비스에서 가장 중요한 것은 무엇인가?"라는 질문에 대한 답이 이 숫자들에 담겨 있습니다.
5. PM의 올바른 AI 목표 설정을 위한 2가지 핵심 질문
아티클에서 가장 실용적으로 느껴진 부분입니다. 저도 실무에서 이 두 가지 질문을 습관처럼 던지게 되었습니다.
질문 1: "장기적으로 무엇을 달성하고자 하는가?"
단기 지표와 장기 목표를 혼동하지 않는 것이 핵심입니다. 쿠팡을 예시로 생각해보면:
- 단기 지표: 일일 클릭 수, 페이지뷰
- 중기 목표: 구매 전환율, 평균 주문 금액
- 장기 목표: 반품 없는 만족도 높은 구매, 로켓와우 멤버십 유지율
단기 지표만 최적화하면 반품이 많은 저품질 상품이 상위 노출될 수 있습니다. PM은 항상 장기적 사용자 가치를 기준으로 목표를 설정해야 합니다.
질문 2: "목표 달성 시 의도하지 않은 부작용은 없는가?"
이 질문이 없으면 좋은 의도로 만든 알고리듬이 사회적 해악을 낳을 수 있습니다. 소셜미디어의 '바이럴 최대화' 목표가 가짜 뉴스 확산을 촉진한 것이 대표적인 사례입니다.
제가 실무에서 직접 경험한 사례를 하나 공유하겠습니다. 저는 콘텐츠 플랫폼에서 "체류 시간 극대화"를 목표로 알고리듬을 설정한 적이 있었습니다. 결과적으로 KPI는 달성했지만, 사용자들이 원하지 않는 콘텐츠에 묶여 있는 시간이 늘어났고, 장기적으로 피로도가 높아져 이탈률이 증가하는 문제가 생겼습니다. 그때부터 저는 체류 시간뿐만 아니라 '자발적 재방문율'을 함께 모니터링하게 되었습니다.
관련 글: 설문 설계와 정량 조사 완벽 가이드 — 기획자가 꼭 알아야 할 NPS·CSAT·CES와 설문 설계 원칙 총정리
6. AI 시대 PM/기획자의 실전 학습 로드맵
마지막으로 이 아티클이 제안하는 학습 방법과 저의 경험을 결합한 실전 로드맵을 정리해드립니다.
Step 1: 생활 속 AI 관찰 훈련 (2주)
매일 사용하는 서비스(유튜브, 네이버, 카카오톡 등)에서 AI가 작동하는 순간을 의식적으로 포착하세요. "이 추천의 목표는 뭘까? 어떤 피쳐를 쓸까? 어떤 데이터가 필요할까?" 이 세 가지 질문을 습관화하는 것이 첫 번째 단계입니다.
Step 2: 기초 개념 학습 (1개월)
구글의 Machine Learning Crash Course는 무료로 제공되는 최고의 입문 과정입니다. 코딩 없이도 머신러닝의 핵심 개념을 이해할 수 있습니다. 국내에서는 부스트코스 AI 기초도 훌륭한 선택입니다.
Step 3: 데이터 리터러시 강화 (2개월)
SQL 기본기는 PM에게 필수가 되고 있습니다. 데이터를 직접 뽑아볼 수 있어야 알고리듬의 성과를 제대로 평가할 수 있기 때문입니다. Google Analytics 4, Amplitude 등 분석 툴을 실제 서비스에 적용해보며 감각을 키우세요.
Step 4: AI 윤리와 규제 이해 (지속)
EU의 AI Act를 비롯해 각국의 AI 규제가 빠르게 만들어지고 있습니다. PM은 기술적 가능성뿐만 아니라 규제 환경도 이해해야 합니다. 특히 개인정보보호, 알고리듬 투명성, 차별 금지 원칙은 지금 당장 공부해야 할 영역입니다.
마치며: AI를 '다루는' 기획자가 되어야 하는 이유
아티클의 제목 "AI를 다룬다"에는 중요한 의미가 담겨 있습니다. 단순히 AI를 '사용'하는 것이 아니라, 목적에 맞게 '설계하고 운영'하는 주체가 되어야 한다는 뜻입니다.
AI에 놀라고 흉내 내는 것만으로는 시장에서 이기는 제품을 만들 수 없습니다. PM/PO는 AI의 3가지 구성요소(목표, 알고리듬, 데이터)를 이해하고, 피쳐와 제약 조건을 설계하며, 올바른 목표를 반복적으로 검증하는 역할을 해야 합니다.
저는 이 아티클을 읽으면서 "기획자는 AI를 두려워할 필요가 없다"는 것을 다시 한번 느꼈습니다. AI는 도구입니다. 그 도구를 어떤 목적으로, 어떤 방식으로 사용할지 결정하는 것은 여전히 사람인 PM/기획자의 몫입니다.
빠르게 변화하는 시대에 새로운 기술을 두려워하기보다 적극적으로 이해하고 활용하는 자세. 그것이 AI 시대를 살아가는 기획자에게 가장 필요한 마인드셋이 아닐까요?
참고 자료