AI가 디자이너의 일자리를 빼앗는다는 공포와 AI 없이는 뒤처진다는 조급함 사이에서 여러분은 어디쯤 서 계신가요? 저는 UX 디자인 실무에서 생성형 AI를 2년째 쓰고 있는데, 솔직히 이 도구가 만능은 아니지만 제대로 쓰면 시간을 엄청나게 아낄 수 있다는 걸 경험했습니다. 일반적으로 AI가 창의성을 대체한다고 우려하지만, 제 경험상 AI는 반복적 분석 작업을 덜어주는 보조 도구에 가깝습니다. 이 글에서는 실제 프로젝트에서 AI를 어떻게 활용했는지, 그리고 어떤 한계가 있었는지 비교 검증하며 정리해보겠습니다.
페르소나 생성과 리서치 분석에서 AI 활용
페르소나(Persona)란 실제 사용자 그룹의 대표적 특성과 행동 패턴을 담은 가상 인물 프로필을 의미합니다. 쉽게 말해 "우리 서비스를 쓰는 전형적인 사람"을 구체적으로 그려내는 작업입니다. 전통적으로 페르소나 개발은 사용자 인터뷰, 설문조사, 행동 데이터 분석 등을 거쳐 수작업으로 테마를 분류하고 패턴을 찾아내는 데 며칠씩 걸리곤 했습니다.
저는 최근 공공교통 지도 개선 프로젝트에서 사용자 인터뷰 녹취록 15건을 Claude에 입력하고 주제별 분류를 요청했습니다. 여기서 Claude란 Anthropic이 개발한 대화형 AI 모델로, 긴 문서를 읽고 요약·분석하는 데 특화되어 있습니다(출처: Anthropic 공식 사이트). 예전 같았으면 녹취록을 일일이 읽고 포스트잇에 옮긴 뒤 어피니티 다이어그램(Affinity Diagram)을 그리는 데 4시간은 족히 걸렸을 겁니다. 어피니티 다이어그램이란 수집한 데이터를 유사한 주제끼리 묶어 패턴을 발견하는 UX 리서치 기법입니다.
AI가 뽑아낸 초안은 30분 만에 나왔습니다. 물론 AI가 맥락을 완전히 이해하지 못해 일부 사용자 불만을 잘못된 카테고리에 넣은 경우도 있었습니다. 저는 그 부분을 수정하고 누락된 인사이트를 추가하는 데 1시간을 더 썼습니다. 총 1.5시간으로 4시간짜리 작업을 마무리한 셈입니다. 일반적으로 AI가 분석을 완벽하게 해준다고 기대하는 분들도 있는데, 실제로 써보니 AI는 초안 생성기일 뿐이고 최종 판단은 여전히 디자이너의 몫이었습니다.
이 경험을 블로그에 올렸더니 동료 리서처들 사이에서 의견이 갈렸습니다. "인간의 해석이 빠지면 안 된다"는 비판과 "초안으로는 충분하다"는 찬성이 팽팽했습니다. 제 생각은 이렇습니다. AI는 데이터를 빠르게 정리해주지만, 사용자가 말하지 않은 감정이나 문화적 맥락까지는 읽어내지 못합니다. 예를 들어 한국 사용자들은 대중교통 지도에서 "빠른 경로"보다 "환승 적은 경로"를 선호하는 경향이 있는데, 이런 로컬 인사이트는 AI가 자동으로 파악하기 어렵습니다(출처: 한국교통연구원).
프롬프트(Prompt)란 AI에게 입력하는 명령문이나 질문을 뜻합니다. 즉 AI에게 무엇을 해달라고 구체적으로 요청하는 지시문입니다. 좋은 프롬프트를 작성하려면 다음 요소를 포함해야 합니다.
- 작업(Task): AI가 수행할 구체적 역할 (예: "교통 지도 사용성 문제를 분류하는 UX 리서처로서")
- 맥락(Context): 프로젝트 배경과 목표 (예: "초기 디자인 브리프 작성을 위해")
- 참고(Reference): 기존 자료나 예시 (예: "첨부한 인터뷰 요약 15건 기반으로")
저는 이 프레임워크를 써서 프롬프트를 작성했더니 AI가 훨씬 정확한 페르소나 초안을 내놓았습니다. 하지만 출력된 페르소나가 마음에 안 들면 프롬프트를 수정해서 다시 돌려야 하는데, 이 반복(Iteration) 과정에서 시행착오가 생기기도 합니다.
디자인 반복과 협업 커뮤니케이션 개선
디자인 시스템(Design System)이란 UI 컴포넌트, 색상, 타이포그래피 등을 일관된 규칙으로 묶어놓은 가이드라인 세트를 의미합니다. 쉽게 말해 "우리 서비스는 이런 색·폰트·버튼을 쓴다"는 공통 약속집입니다. 저는 2개 회사에서 디자인 시스템을 구축한 경험이 있는데, 첫 번째는 체계적으로 시작했으나 유지보수 인력 부족으로 6개월 만에 방치되었습니다. 일반적으로 디자인 시스템을 도입하면 자동으로 일관성이 생긴다고 믿는 분들이 많은데, 제 경험상 시스템을 유지보수하고 교육하는 비용이 구축 비용의 3배는 들었습니다.
최근 언어 학습 앱 프로젝트에서 저는 생성형 AI를 디자인 아이디어 반복에 활용해봤습니다. 이미 초안한 와이어프레임(Wireframe)과 기능 목록을 Gemini에 입력하고 "사용자 참여도를 높일 개선안을 제안해달라"고 요청했습니다. 여기서 와이어프레임이란 화면 레이아웃의 뼈대를 간단히 그린 설계도이고, Gemini는 Google이 개발한 멀티모달 AI 모델입니다(출처: Google AI). AI는 시각화 방법, 콘텐츠 감사, 접근성 테스트, 모바일 최적화 등 다양한 각도의 제안을 30초 만에 뽑아냈습니다.
솔직히 이 중 일부는 너무 뻔하거나 프로젝트 상황에 안 맞는 것도 있었습니다. 하지만 제가 놓치고 있던 "로드 시간 최적화"나 "색맹 사용자 대응" 같은 경계 케이스(Edge Case)를 짚어준 건 유용했습니다. 경계 케이스란 일반적이지 않은 특수한 상황이나 사용자 그룹을 뜻합니다. 즉 대부분은 문제없지만 특정 조건에서만 오류가 날 수 있는 시나리오입니다.
AI를 쓰면서 가장 도움이 됐던 순간은 비전문가와 소통할 때였습니다. UX 디자이너는 종종 "휴리스틱 평가", "어피니티 매핑", "저충실도 프로토타입" 같은 전문 용어를 쓰는데, 마케터나 엔지니어에게는 외계어처럼 들립니다. 저는 제안서 초안에 "반복적 어피니티 매핑을 통해 페르소나를 도출하고 저충실도 와이어프레임을 제작했다"고 썼다가 팀원들이 이해 못 한다는 피드백을 받았습니다. 그래서 Gemini에 "이 문장을 UX 비전공자도 이해할 수 있게 고쳐달라"고 요청했더니 "사용자 인터뷰 내용을 주제별로 묶어 대표 사용자상을 만들고, 간단한 화면 설계도를 그렸습니다"로 바꿔줬습니다. 일반적으로 전문 용어를 쓰는 게 전문성을 보여준다고 생각하는 분들도 있지만, 실제로 써보니 청중에 맞게 쉽게 풀어쓰는 게 훨씬 효과적이었습니다.
다만 AI가 제안한 문장을 그대로 쓰지는 않았습니다. 저는 출력된 문장 중 어색한 부분을 다듬고 프로젝트 맥락에 맞게 수정했습니다. 예를 들어 AI가 "사용자 만족도 향상"이라고 뭉뚱그린 부분을 "첫 방문 사용자의 회원가입 완료율 15% 개선"처럼 구체적 지표로 바꿨습니다. 이런 식으로 AI 출력을 평가(Evaluate)하고 반복(Iterate)하는 과정이 필수입니다.
정리하면 AI는 UX 디자인에서 반복 작업을 가속화하는 보조 도구로 유용하지만, 사용자 맥락 이해나 윤리적 설계 판단은 여전히 인간 디자이너의 몫입니다. 저는 앞으로 AI를 "빠른 초안 생성기"로 쓰되, 최종 결정은 제 경험과 사용자 인사이트에 기반해 내릴 계획입니다. 여러분도 AI를 맹신하거나 거부하기보다, 여러분만의 판단력을 키우는 동시에 도구로서 AI를 실험해보시길 권합니다. 생성형 AI는 디자이너를 대체하는 게 아니라 디자이너가 더 중요한 의사결정에 집중할 수 있게 시간을 돌려주는 존재입니다.